JP7028259B2 - 分析装置、分析方法、及び、プログラム - Google Patents

分析装置、分析方法、及び、プログラム Download PDF

Info

Publication number
JP7028259B2
JP7028259B2 JP2019565673A JP2019565673A JP7028259B2 JP 7028259 B2 JP7028259 B2 JP 7028259B2 JP 2019565673 A JP2019565673 A JP 2019565673A JP 2019565673 A JP2019565673 A JP 2019565673A JP 7028259 B2 JP7028259 B2 JP 7028259B2
Authority
JP
Japan
Prior art keywords
time series
explanatory
value
influence
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019565673A
Other languages
English (en)
Other versions
JPWO2019142344A1 (ja
Inventor
毅彦 溝口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2019142344A1 publication Critical patent/JPWO2019142344A1/ja
Application granted granted Critical
Publication of JP7028259B2 publication Critical patent/JP7028259B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Complex Calculations (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、分析装置、分析方法、及び、記録媒体に関する。
システムの状態を分析する手法として、回帰分析などの統計的手法が、広く利用されている。このような統計的手法では、システムの状態に関する変数の内、システムの指標に関する目的変数とそれ以外の説明変数との関係を明らかにし、目的変数の値の変化に強い影響を持つ説明変数が特定される。
例えば、分析対象のシステムが、物の製造プロセスを含むシステムの場合、センサにより取得された、システムの様々な項目の観測値に対して統計的手法を適用することにより、製造品の品質に影響を与える影響要因が特定される。この場合、品質を表す項目を目的変数とし、その他の複数の項目を説明変数とした、多変量解析が行われる。ユーザは、多変量解析によって算出された、各説明変数の寄与率や関連の度合い等に基づき、各説明変数の、目的変数の値の変化に与える影響の程度（すなわち、各説明変数の影響度）を知ることができる。
このような多変量解析を用いた技術として、特許文献１には、説明変数に含まれる名義尺度データに基づいてデータをセグメント化し、各セグメントに対する多変量解析により、影響要因を特定する方法が記載されている。
また、特許文献２には、分析対象の説明時系列に対して行うべき適切な前処理を明らかにするために、説明時系列から得られる特徴時系列を用いて要因分析を行う技術が記載されている。特許文献２の技術では、目的時系列の値の変化に対する特徴時系列の影響度を算出し、特徴時系列の影響度に基づいて、目的時系列の値の変化に対する説明時系列の影響度を算出する。
また、関連技術として、特許文献３には、気温とタンクの水位の近似式を生成し、近似式から予測した水位と実測した水位との差分を用いて漏洩を検出する技術が記載されている。非特許文献１には、目的変数が離散値のときに、Ｌ１正則化ロジスティック回帰と呼ばれる方法により、説明変数の影響度を高い精度で推定できることが記載されている。非特許文献２には、決定木を複数用いることで分類器を構成する、ランダム森分類器が記載されている。
特開２００９－２５８８９０号公報 国際公開第２０１５／１３６５８６号 特開２０１６－１０２７４４号公報
ISBN: 1-58113-838-5, Andrew Y. Ng 著「Feature selection, L1 vs. L2 regularization, and rotational invariance」in Proceedings of the 21st International Conference of Machine Learning, pp. 78-85, 2004 ISSN: 0885-6125, Breiman. L 著「Random Forests」, Machine Learning, Vol.45, No.1, pp. 5-32, 2001
上述の統計的手法を用いたシステム分析において、例えば、気温や天候、気候等、システムの状態変化に著しく強い相関を持つ外的要因が存在する場合が考えられる。この場合、目的変数に対する影響要因として、外的要因、あるいはそれに関連する要因が特定されてしまい、本来検出されるべき、外的要因以外の説明変数が、影響要因として特定されないことがある。このため、特定した要因に基づいてシステムの調整や制御を行うといった、適切なアクションをとることができない。
上述の特許文献１や特許文献２には、このような外的要因を考慮して、影響要因を特定することは開示されていない。
本発明の目的は、上述の課題を解決し、システムの状態変化に強い相関を持つ外的要因が存在し、かつ、分析対象の時系列に前処理が必要な場合でも、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できる、分析装置、分析方法、及び、記録媒体を提供することである。
本発明の一態様における分析装置は、目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得する、時系列取得手段と、前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換する特徴時系列変換手段と、前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響度を算出する、影響度算出手段と、を備える。
本発明の一態様における分析方法は、目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得し、前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換し、前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響度を算出する。
本発明の一態様における記録媒体は、コンピュータに、目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得し、前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換し、前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響度を算出する、処理を実行させる。
本発明の効果は、システムの状態変化に強い相関を持つ外的要因が存在し、かつ、分析対象の時系列に前処理が必要な場合でも、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できることである。
第１の実施形態における、分析システム１の構成を示すブロック図である。 第１の実施形態における、説明時系列の例を示す図である。 第１の実施形態における、目的時系列の例を示す図である。 第１の実施形態における、コンピュータに実装された外的要因軽減装置３００の構成を示すブロック図である。 第１の実施形態における、コンピュータに実装された要因分析装置４００の構成を示すブロック図である。 第１の実施形態における、外的要因軽減処理を示すフローチャートである。 第１の実施形態における、外的要因特定処理（ステップＳ１０２）の詳細を示すフローチャートである。 第１の実施形態における、差分時系列の例を示す図である。 第１の実施形態における、時系列のグラフを示す図である。 第１の実施形態における、要因抽出処理を示すフローチャートである。 第１の実施形態における、影響度の算出例を示す図である。 第１の実施形態における、表示装置６００により表示される表示画面の例を示す図である。 第１の実施形態の特徴的な構成を示すブロック図である。 第２の実施形態における、分析システム１の構成を示すブロック図である。 第２の実施形態における、要因抽出処理を示すフローチャートである。 第２の実施形態における、特徴時系列の例を示す図である。 第２の実施形態における、特徴時系列の影響度の算出例を示す図である。 第２の実施形態における、説明時系列の影響度の算出例を示す図である。 第２の実施形態における、説明時系列の影響度の統合例を示す図である。 第２の実施形態における、表示装置６００により表示される表示画面の例を示す図である。 第２の実施形態における、表示装置６００により表示される表示画面の他の例を示す図である。 第２の実施形態の特徴的な構成を示すブロック図である。
発明を実施するための形態について図面を参照して詳細に説明する。
なお、各図面、及び、明細書記載の各実施形態において、同様の構成要素には同一の符号を付与し、説明を適宜省略する。
以下、分析対象のシステムが、製造システムである場合を例に、各実施形態を説明する。
＜＜第１の実施形態＞＞
はじめに、第１の実施の形態の構成について説明する。
図１は、第１の実施形態における、分析システム１の構成を示すブロック図である。図１を参照すると、第１の実施形態の分析システム１は、被分析装置９００と、ネットワーク等により接続される。
被分析装置９００は、製造システムの製造工程で使用される装置である。被分析装置９００は、製造工程における様々な項目の値を、例えば、センサにより取得し、分析システム１に送信する。また、被分析装置９００は、製造工程における項目の値として、保守員等により設定された値を取得してもよい。
被分析装置９００が値を取得する対象の項目は、製造品の品質指標、及び、製造条件に分類される。
品質指標とは、製品の品質、または、製品に対する評価を示す項目であり、例えば、製品の導電性や、耐水性、耐熱性、正常に動作するか否かを示す製品状態等である。品質指標の各項目の値は、整数や小数等の量的な値でもよいし、「正常／異常」等の定性的な（質的な）値でもよい。
製造条件とは、製品の品質指標の値に影響する可能性がある項目である。製造条件は、さらに、被分析装置９００において、その値の変化を直接または間接的に制御できる項目と、被分析装置９００の環境等に依存する項目等、その値の変化を制御できない項目と、に分類される。値の変化を制御できる項目は、例えば、温度や圧力、ガス流量、電圧、材料の性質、材料の量や割合、特定の操作を行っているか否かを示す操作状況等である。また、値の変化を制御できない項目は、例えば、気温や気圧、天候等である。以下、このような、値の変化を制御できない項目を外的要因とも記載する。なお、製造条件の各項目の値も、整数や小数等の量的な値でもよいし、「正常／異常」、「晴／雨」等の定性的な（質的な）値でもよい。
以下、被分析装置９００によって取得された値を観測値と記載し、観測値を時刻順に並べたデータを「時系列」と記載する。また、品質指標の項目の時系列を「目的時系列」、製造条件の項目の時系列を「説明時系列」と記載する。
さらに、説明時系列の内、外的要因の項目の説明時系列を「外的要因時系列」、または、「第１の説明時系列」とも記載し、外的要因時系列以外の説明時系列を「第２の説明時系列」とも記載する。
図２は、第１の実施形態における、説明時系列の例を示す図である。図３は、第１の実施形態における、目的時系列の例を示す図である。図２の例では、説明時系列（ＩＤ（Identifier）「１」、…、「Ｎ」）の各々について、時刻毎に観測値が関連づけられ、さらに、当該時系列が外的要因時系列かどうかを示す外的要因情報が関連づけられている。ここで、外的要因情報が「ｙ」の場合は外的要因時系列を、「ｎ」の場合は外的要因時系列以外の説明時系列を示す。図３の例でも、目的時系列（ＩＤ「０」）について、時刻毎に観測値が関連づけられている。
分析システム１は、観測データ収集装置１００、時系列記憶装置２００、外的要因軽減装置３００、要因分析装置４００、表示装置６００、及び、制御装置７００を含む。
観測データ収集装置１００は、被分析装置９００から観測値を収集する。観測データ収集装置１００は、収集した観測値の時系列を、時系列記憶装置２００に保存する。ここで、品質指標の項目（目的時系列の項目）は、予め、ユーザ等により設定されており、観測データ収集装置１００は、説明時系列と目的時系列とを、時系列記憶装置２００の説明時系列記憶部２１０と目的時系列記憶部２２０とにそれぞれ保存する。
時系列記憶装置２００は、観測データ収集装置１００が取得した観測値の時系列を記憶する。時系列記憶装置２００は、説明時系列記憶部２１０と目的時系列記憶部２２０とを含む。説明時系列記憶部２１０は、説明時系列を記憶する。目的時系列記憶部２２０は、目的時系列を記憶する。
外的要因軽減装置３００は、説明時系列の内の外的要因時系列を特定する。そして、外的要因軽減装置３００は、目的時系列から外的要因の影響を軽減した時系列として、外的要因時系列に基づいて算出される目的時系列の予測値と目的時系列の観測値との差分時系列を生成する。外的要因軽減装置３００は、外的要因特定部３１０（以下、単に特定部とも記載）、予測式生成部３２０、予測式記憶部３３０、差分時系列生成部３４０、及び、差分時系列記憶部３５０を含む。
外的要因特定部３１０は、説明時系列の内の外的要因時系列を特定する。
予測式生成部３２０は、外的要因時系列と目的時系列とに基づいて、外的要因時系列の値から目的時系列の値を予測するための予測式を生成する。
予測式記憶部３３０は、予測式生成部３２０が生成した予測式を記憶する。
差分時系列生成部３４０は、外的要因時系列と予測式とに基づいて、目的時系列の予測値を算出する。そして、差分時系列生成部３４０は、目的時系列の予測値と時系列記憶装置２００に記憶されている目的時系列の観測値との差分時系列を生成する。
差分時系列記憶部３５０は、差分時系列生成部３４０により生成された差分時系列を記憶する。
要因分析装置４００（以下、単に分析装置とも記載）は、外的要因時系列以外の説明時系列の内、目的時系列の値の変化に影響を与える説明時系列の候補（以下、要因候補とも記載）を抽出する。要因分析装置４００は、時系列取得部４１０、影響度算出部４２０、影響度記憶部４３０、及び、要因候補出力部４４０を含む。
時系列取得部４１０は、時系列記憶装置２００から外的要因時系列以外の説明時系列を、また、外的要因軽減装置３００の差分時系列記憶部３５０から差分時系列を取得する。
影響度算出部４２０は、時系列取得部４１０により取得した、外的要因時系列以外の説明時系列と差分時系列とに基づき、差分時系列の値の変化に対する説明時系列の影響度を算出する。
影響度記憶部４３０は、影響度算出部４２０によって算出された影響度を記憶する。
要因候補出力部４４０（以下、単に出力部とも記載）は、影響度に基づき、要因候補の説明時系列を抽出し、表示装置６００や制御装置７００へ出力する。
表示装置６００は、要因分析装置４００から出力された要因候補を、ユーザ等に出力する。
制御装置７００は、要因分析装置４００から出力された要因候補に基づき、被分析装置９００を制御する。
なお、分析システム１に含まれる各装置は、ＣＰＵ（Central Processing Unit）とプログラムを格納した記録媒体とを含み、プログラムに基づく制御によって動作するコンピュータであってもよい。
以下、例として、コンピュータに実装された外的要因軽減装置３００、及び、要因分析装置４００の構成を説明する。
図４は、第１の実施形態における、コンピュータに実装された外的要因軽減装置３００の構成を示すブロック図である。
図４を参照すると、外的要因軽減装置３００は、ＣＰＵ３０１、記憶デバイス３０２（記録媒体）、入出力デバイス３０３、及び、通信デバイス３０４を含む。ＣＰＵ３０１は、外的要因特定部３１０、予測式生成部３２０、及び、差分時系列生成部３４０を実装するためのプログラムの命令（Instruction）を実行する。記憶デバイス３０２は、例えば、ハードディスクやメモリ等であり、予測式記憶部３３０、及び、差分時系列記憶部３５０のデータを記憶する。入出力デバイス３０３は、例えば、キーボード、ディスプレイ等であり、ユーザ等から、外的要因軽減処理の実行指示の入力を受け付ける。通信デバイス３０４は、時系列記憶装置２００から外的要因時系列や目的時系列を受信する。また、通信デバイス３０４は、要因分析装置４００へ、差分時系列を送信する。
図５は、第１の実施形態における、コンピュータに実装された要因分析装置４００の構成を示すブロック図である。
図５を参照すると、要因分析装置４００は、ＣＰＵ４０１、記憶デバイス４０２（記録媒体）、入出力デバイス４０３、及び、通信デバイス４０４を含む。ＣＰＵ４０１は、時系列取得部４１０、影響度算出部４２０、及び、要因候補出力部４４０を実装するためのプログラムの命令を実行する。記憶デバイス４０２は、影響度記憶部４３０のデータを記憶する。入出力デバイス４０３は、ユーザ等から、要因抽出処理の実行指示の入力を受け付ける。通信デバイス４０４は、時系列記憶装置２００から説明時系列を、外的要因軽減装置３００から差分時系列を受信する。また、通信デバイス４０４は、表示装置６００や制御装置７００へ、要因候補を送信する。
なお、分析システム１に含まれる各装置において、各構成要素の一部、または、全部は、汎用または専用の回路（circuitry）やプロセッサ、これらの組み合わせで実装されてもよい。これらの回路やプロセッサは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。また、各構成要素の一部、または、全部は、上述した回路等とプログラムとの組み合わせで実装されてもよい。また、各構成要素の一部、または、全部が、複数の情報処理装置や回路等で実装される場合、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態で実装されてもよい。
また、分析システム１に含まれる複数の装置の構成要素が、一つの物理的な装置に実装されてもよい。例えば、観測データ収集装置１００、時系列記憶装置２００、外的要因軽減装置３００、及び、要因分析装置４００の構成要素が、一つのコンピュータに実装されてもよい。
次に、第１の実施形態における分析システム１の動作を説明する。
ここでは、観測データ収集装置１００により収集された、図２、図３のような、分析対象期間の説明時系列、目的時系列が、時系列記憶装置２００に保存されていると仮定する。なお、初期状態では、図２における全ての説明時系列について、外的要因情報に「ｎ」が設定されていると仮定する。
はじめに、第１の実施形態における外的要因軽減処理について説明する。
外的要因軽減処理は、説明時系列の内の外的要因時系列を特定し、目的時系列から外的要因の影響を軽減した時系列として、外的要因時系列に基づいて算出される目的時系列の予測値と目的時系列の観測値との差分時系列を生成する処理である。ユーザ等は、例えば、品質指標の値に異常が発見された場合等に、要因抽出処理の実行に先立ち、外的要因軽減装置３００に、外的要因軽減処理の実行を指示する。
図６は、第１の実施形態における、外的要因軽減処理を示すフローチャートである。
はじめに、外的要因軽減装置３００の外的要因特定部３１０は、時系列記憶装置２００から、説明時系列と目的時系列を取得する（ステップＳ１０１）。
外的要因特定部３１０は、外的要因特定処理により、説明時系列の内の外的要因時系列を特定する（ステップＳ１０２）。
上述の通り、外的要因は、製造条件の内、例えば、気温や気圧、天候等、値の変化を制御できない項目である。ここでは、「外的要因は、目的時系列の値の変化に影響するが、目的時系列の値の変化は外的要因に影響しない」という前提に基づき、以下のように、外的要因時系列を特定する。
図７は、第１の実施形態における、外的要因特定処理（ステップＳ１０２）の詳細を示すフローチャートである。
外的要因特定部３１０は、説明時系列の各々について、目的時系列の値の変化に対する影響度を算出する（ステップＳ１０２１）。ここで、外的要因特定部３１０は、例えば、多変量解析手法を用いて、影響度を算出する。外的要因特定部３１０は、目的時系列を目的変数とし、説明時系列を説明変数とした多変量解析を実行する。なお、目的変数の値の変化に対する説明変数の影響度を算出できれば、外的要因特定部３１０は、多変量解析手法として、どのような手法を用いてもよい。例えば、目的時系列が量的データである場合、外的要因特定部３１０は、多変量解析として重回帰分析を用いることができる。重回帰分析が用いられた場合、それぞれの説明変数について算出されるｐ値の逆数またはｔ値を、影響度と見なすことができる。また、目的時系列が質的データである場合、多変量解析としてロジスティック回帰分析を用いることができる。ロジスティック回帰分析が用いられた場合、例えば、それぞれの説明変数について算出されるｐ値の逆数またはＷａｌｄ統計量を、影響度と見なすことができる。
例えば、外的要因特定部３１０は、図３の目的時系列（ＩＤ「０」）を目的変数、図２の説明時系列（ＩＤ「１」、…、「Ｎ」）を説明変数とした多変量解析を実行する。
外的要因特定部３１０は、ステップＳ１０２１で算出された影響度に基づき、説明時系列から、外的要因候補の説明時系列を抽出する（ステップＳ１０２２）。ここで、外的要因特定部３１０は、説明時系列の内、例えば、影響度が所定値以上の時系列を、外的要因候補の説明時系列として抽出する。
例えば、ＩＤ「１」、「２」の説明時系列について算出した影響度が所定値以上であれば、外的要因特定部３１０は、ＩＤ「１」、「２」の説明時系列を外的要因候補の説明時系列として抽出する。
外的要因特定部３１０は、外的要因候補の説明時系列の各々について、説明時系列の値の変化の目的時系列の値の変化による説明可能度合いを算出する（ステップＳ１０２３）。ここで、外的要因特定部３１０は、例えば、目的時系列から説明時系列を推定するための所定の時系列モデルにより、目的時系列と外的要因候補の説明時系列との関係を近似する。外的要因特定部３１０は、目的時系列から外的要因候補の説明時系列を推定できれば、どのような時系列モデルを用いてもよい。例えば、所定の時系列モデルとして、ＡＲＸ（Auto-Regressive eXogeneous）モデルを仮定した場合、外的要因特定部３１０は、目的時系列と外的要因候補の説明時系列とから、ＡＲＸモデルのパラメータの値を決定する。
そして、外的要因特定部３１０は、外的要因候補の時系列の各々について、時系列モデルの当てはまりの良さを示す指標の値を、上述の説明可能度合いとして算出する。このような指標として、例えば、時系列モデルにより目的時系列から外的要因候補の説明時系列を推定した場合の推定値の二乗誤差や適合度を用いることができる。
例えば、外的要因特定部３１０は、目的時系列（ＩＤ「０」）から外的要因候補の説明時系列（ＩＤ「１」、ＩＤ「２」）の各々を推定するＡＲＸモデルのパラメータを決定し、当該ＡＲＸモデルの適合度を算出する。
外的要因特定部３１０は、ステップＳ１０２３で算出された説明可能度合いに基づき、外的要因候補の説明時系列の内の、外的要因時系列を特定する（ステップＳ１０２４）。ここで、外的要因特定部３１０は、例えば、外的要因候補の説明時系列の内、説明可能度合いが所定値未満の説明時系列を、外的要因時系列として特定する。外的要因特定部３１０は、説明時系列記憶部２１０における、外的要因時系列として抽出された説明時系列の外的要因情報に「ｙ」を設定する。
例えば、ＩＤ「１」の説明時系列について算出した適合度が所定値未満であれば、外的要因特定部３１０は、当該説明時系列を外的要因時系列として特定する。外的要因特定部３１０は、図２に示すように、ＩＤ「１」の説明時系列の外的要因情報に「ｙ」を設定する。
このようにして抽出した外的要因時系列は、上述の前提「外的要因は、目的時系列の値の変化に影響するが、目的時系列の値の変化は外的要因に影響しない」を満たすと考えられる。
なお、外的要因特定部３１０は、時系列記憶装置２００に記憶されている説明時系列の内、ユーザ等により指定された説明時系列を、外的要因時系列として特定してもよい。
次に、予測式生成部３２０は、外的要因時系列の値から目的時系列の値を予測するための予測式を生成する（ステップＳ１０３）。ここで、予測式生成部３２０は、例えば、目的時系列を目的変数とし、外的要因時系列を説明変数とした回帰分析を実行することにより、予測式を生成する。なお、外的要因時系列の値から目的時系列の値を予測するための予測式を生成できれば、予測式生成部３２０は、回帰分析の手法として、どのような手法を用いてもよい。例えば、予測式生成部３２０は、線形回帰分析により、Ｙ（ｔ）＝ａＸ（ｔ）＋ｂの形式の予測式を生成する。ここで、Ｙ（ｔ）は時刻ｔの目的時系列の予測値、Ｘ（ｔ）は時刻ｔの外的要因時系列の値、ａ、ｂはパラメータである。予測式生成部３２０は、生成した予測式を、予測式記憶部３３０に保存する。
差分時系列生成部３４０は、予測式により算出される目的時系列の予測値と目的時系列の観測値との差分時系列を生成する（ステップＳ１０４）。ここで、差分時系列生成部３４０は、予測式記憶部３３０に記憶されている予測式に、外的要因時系列の値を代入することにより、分析対象期間の各時刻における目的時系列の予測値を算出する。そして、差分時系列生成部３４０は、分析対象期間の各時刻における、算出した予測値と観測値との差分を算出する。差分時系列生成部３４０は、算出した差分を時刻順に並べたデータを、差分時系列として差分時系列記憶部３５０に保存する。
図８は、第１の実施形態における、差分時系列の例を示す図である。例えば、差分時系列生成部３４０は、図２の外的要因時系列（ＩＤ「１」）、及び、図３の目的時系列（ＩＤ「０」）を用いて、図８のように差分時系列を生成する。
図９は、第１の実施形態における、時系列のグラフを示す図である。図９のグラフでは、目的時系列（ＩＤ「０」）、外的要因時系列（ＩＤ「１」）、及び、差分時系列の時間変化が示されている。
このようにして得られた差分時系列は、目的時系列から外的要因の影響を軽減した時系列と考えられる。
次に、第１の実施形態における要因抽出処理について説明する。
要因抽出処理は、説明時系列の内の外的要因時系列以外の説明時系列から、要因候補の説明時系列を抽出する処理である。ユーザ等は、例えば、外的要因軽減装置３００による外的要因軽減処理が終了すると、要因分析装置４００に要因抽出処理の実行を指示する。
図１０は、第１の実施形態における、要因抽出処理を示すフローチャートである。
はじめに、要因分析装置４００の時系列取得部４１０は、時系列記憶装置２００から外的要因時系列以外の説明時系列を取得し、外的要因軽減装置３００から差分時系列を取得する（ステップＳ２０１）。
影響度算出部４２０は、外的要因時系列以外の説明時系列の各々について、差分時系列の値の変化に対する影響度を算出する（ステップＳ２０２）。ここで、影響度算出部４２０は、例えば、上述の外的要因特定処理で用いた多変量解析手法と同様の多変量解析手法を用いて、影響度を算出する。影響度算出部４２０は、差分時系列を目的変数とし、外的要因時系列以外の説明時系列を説明変数とした多変量解析を実行する。影響度算出部４２０は、影響度の算出結果を影響度記憶部４３０に保存する。
図１１は、第１の実施形態における、影響度の算出例を示す図である。図１１の例では、算出された影響度の大きい順に説明時系列のＩＤが示されている。例えば、影響度算出部４２０は、図８の差分時系列を目的変数、図２の外的要因時系列以外の説明時系列（ＩＤ「２」、…、「Ｎ」）を説明変数とした多変量解析を実行し、図１１のように影響度を算出する。
なお、影響度算出部４２０は、複数の多変量解析手法の各々を用いて影響度を算出し、算出された影響度を統合してもよい。この場合、影響度算出部４２０は、例えば、各多変量解析手法において算出された影響度を、最大値が１、最小値が０になるように正規化し、正規化された影響度の和、または、平均を算出してもよい。影響度の和を算出する場合、多変量解析手法毎の影響度の単純和を算出してもよいし、多変量解析手法毎に所定の重みで重み付けした影響度の和を算出してもよい。
要因候補出力部４４０は、影響度記憶部４３０から、影響度に基づき要因候補の説明時系列を抽出し、表示装置６００、及び、制御装置７００へ出力する（ステップＳ２０３）。ここで、要因候補出力部４４０は、例えば、影響度の大きい順に、所定数の説明時系列を、要因候補の説明時系列として抽出し、当該説明時系列のＩＤを影響度とともに出力する。また、要因候補出力部４４０は、影響度が所定値以上の説明時系列を抽出してもよい。
例えば、要因候補出力部４４０は、図１１の影響度の算出結果から、影響度の大きい順に、３つの説明時系列のＩＤ「２」、「９」、「８」を抽出し、出力する。
表示装置６００は、要因分析装置４００から出力された要因候補を、ユーザ等に表示する（ステップＳ２０４）。
図１２は、第１の実施形態における、表示装置６００により表示される表示画面の例を示す図である。図１２の例では、要因候補出力部４４０から受信した説明時系列のＩＤ「２」、「９」、「８」が、影響度の大きい順に、影響度とともに、要因候補として表示されている。
例えば、表示装置６００は、図１２のような表示画面を表示する。
これにより、ユーザ等は、目的時系列の値の変化に影響を与える説明時系列の候補を把握できる。
また、制御装置７００は、要因分析装置４００から出力された要因候補に基づき、被分析装置９００を制御する（ステップＳ２０５）。ここで、制御装置７００は、例えば、図示しない記憶部に予め記憶されている、品質指標の項目の値が正常な時の製造条件の各項目の値（正常時の値）を用いて、被分析装置９００を制御してもよい。この場合、制御装置７００は、要因候補の説明時系列に対応する製造条件の項目の値が、正常時の値となるように、被分析装置９００を制御してもよい。
例えば、制御装置７００は、ＩＤ「２」、「９」、「８」の説明時系列に対応する製造条件の項目の値が、正常時の値となるように、被分析装置９００を制御する。
以上により、第１の実施形態の動作が完了する。
次に、第１の実施形態の特徴的な構成について説明する。
図１３は、第１の実施形態の特徴的な構成を示すブロック図である。
図１３を参照すると、分析システム１は、外的要因特定部３１０（特定部）、差分時系列生成部３４０、及び、影響度算出部４２０を含む。外的要因特定部３１０は、複数の説明時系列の内の第１の説明時系列（外的要因時系列）を特定する。差分時系列生成部３４０は、目的時系列の値と、第１の説明時系列の値に基づき算出された目的時系列の予測値と、の差分時系列を生成する。影響度算出部４２０は、複数の説明時系列の内の１以上の第２の説明時系列（外的要因時系列以外の説明時系列）と、差分時系列と、に基づき、差分時系列の値の変化に対する、１以上の第２の説明時系列の各々の影響度を算出する。
次に、第１の実施形態の効果について説明する。
第１の実施形態によれば、システムの状態変化に強い相関を持つ外的要因が存在する場合でも、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できる。その理由は、分析システム１が、目的時系列の値と、第１の説明時系列の値に基づき算出された目的時系列の予測値と、の差分時系列を生成し、差分時系列の値の変化に対する第２の説明時系列の各々の影響度を算出するためである。
また、第１の実施形態によれば、システムの状態変化に影響を与える、外的要因以外の要因を容易に把握できる。その理由は、分析システム１が、第２の説明時系列の各々の影響度に基づき、目的時系列の値の変化に影響を与える説明時系列の候補を抽出し、出力するためである。
また、第１の実施形態によれば、外的要因が指定されていなくても、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できる。その理由は、分析システム１が、目的時系列の値の変化に影響し、かつ、目的時系列の値の変化により影響されない説明時系列を、第１の説明時系列として特定するためである。
＜＜第２の実施形態＞＞
第２の実施形態は、要因抽出処理において、説明時系列の代わりに、説明時系列から抽出された特徴量の時系列である特徴時系列を用いて要因候補の説明時系列を特定する点において、第１の実施形態と異なる。
はじめに、第２の実施の形態の構成について説明する。
図１４は、第２の実施形態における、分析システム１の構成を示すブロック図である。図１４を参照すると、第２の実施形態の分析システム１では、第１の実施形態の要因分析装置４００が要因分析装置５００に置き換わっている。
要因分析装置５００は、特許文献３の要因分析装置と同様の方法で、要因候補の説明時系列を抽出する。ただし、要因分析装置５００は、特許文献３の要因分析装置で用いた目的時系列の代わりに差分時系列を用いて、要因候補の説明時系列を特定する。
要因分析装置５００は、時系列取得部５１０、特徴時系列変換部５２０、特徴時系列記憶部５３０、影響度算出部５４０、影響度記憶部５５０、要因候補出力部５６０、及び、前処理候補出力部５７０を含む。
時系列取得部５１０は、第１の実施形態の時系列取得部４１０と同様に、時系列記憶装置２００から外的要因時系列以外の説明時系列を、また、外的要因軽減装置３００の差分時系列記憶部３５０から差分時系列を取得する。
特徴時系列変換部５２０は、特許文献３の特徴時系列変換部と同様に、外的要因時系列以外の説明時系列から特徴量を抽出し、特徴時系列に変換する。特徴時系列変換部５２０は、特徴抽出部５２１と特徴変換部５２２とを含む。特徴抽出部５２１は、時系列取得部５１０が取得した説明時系列から特徴量を抽出する。特徴変換部５２２は、特徴抽出部５２１で抽出された特徴量に基づき、特徴時系列を生成する。
特徴時系列記憶部５３０は、特徴時系列変換部５２０によって生成された特徴時系列を記憶する。
影響度算出部５４０は、特許文献３の影響度算出部と同様に、差分時系列の値変化に対する説明時系列の影響度を算出する。影響度算出部５４０は、特徴時系列影響度算出部５４１と説明時系列影響度算出部５４２とを含む。特徴時系列影響度算出部５４１は、差分時系列に対する特徴時系列の影響度を算出する。説明時系列影響度算出部５４２は、特徴時系列の影響度に基づき、差分時系列に対する、外的要因時系列以外の説明時系列の影響度を算出する。
影響度記憶部５５０は、特許文献３の影響度記憶部と同様に、影響度算出部５４０によって算出された特徴時系列の影響度と説明時系列の影響度とを記憶する。影響度記憶部５５０は、特徴時系列影響度記憶部５５１と説明時系列影響度記憶部５５２とを含む。特徴時系列影響度記憶部５５１は、特徴時系列の影響度を記憶する。説明時系列影響度記憶部５５２は、説明時系列の影響度を記憶する。
要因候補出力部５６０（以下、第１の出力部とも記載）は、特許文献３の要因出力部と同様に、説明時系列の影響度に基づき、要因候補の説明時系列を抽出し、表示装置６００や制御装置７００へ出力する。
前処理候補出力部５７０（以下、第２の出力部とも記載）は、特許文献３の要因出力部と同様に、特徴時系列の影響度に基づき、前処理として算出すべき特徴量の種類の候補（以下、前処理候補とも記載）を抽出し、表示装置６００へ出力する。
なお、要因分析装置５００も、第１の実施形態における要因分析装置４００と同様に、ＣＰＵとプログラムを格納した記録媒体とを含み、プログラムに基づく制御によって動作するコンピュータであってもよい。
次に、第２の実施形態における分析システム１の動作を説明する。
ここでは、第１の実施形態の具体例と同様に、観測データ収集装置１００により収集された、図２、図３のような、分析対象期間の説明時系列、目的時系列が、時系列記憶装置２００に保存されていると仮定する。
第２の実施形態における外的要因軽減処理は、第１の実施形態における外的要因軽減処理と同様となる。
ここでは、第１の実施形態の具体例と同様に、外的要因軽減処理により、外的要因時系列として、ＩＤ「１」の説明時系列が特定され、図８のような差分時系列が、差分時系列記憶部３５０に保存されていると仮定する。
以下、第２の実施形態における要因抽出処理について説明する。
図１５は、第２の実施形態における、要因抽出処理を示すフローチャートである。
はじめに、要因分析装置５００の時系列取得部５１０は、時系列記憶装置２００から外的要因時系列以外の説明時系列を取得し、外的要因軽減装置３００から差分時系列を取得する（ステップＳ３０１）。
特徴時系列変換部５２０の特徴抽出部５２１は、外的要因時系列以外の説明時系列の各々について、各時刻の特徴量を抽出する（ステップＳ３０２）。ここで、特徴抽出部５２１は、各説明時系列について、各時刻から所定の時間幅分の（「窓」の範囲内の）部分時系列を用いて、１以上の種類の各々の特徴量を抽出する。特徴量の種類としては、例えば、平均や分散等の統計量が用いられる。また、特徴量の種類として、自己回帰係数や、周波数分布、他の説明時系列との相関係数が用いられてもよい。特徴抽出部５２１は、窓を説明時系列の開始時刻から終了時刻に向けて所定の時点数ずつずらしながら、各時刻における特徴量を抽出することを、窓が終了時刻に到達するまで繰り返してもよい。
特徴変換部５２２は、外的要因時系列以外の説明時系列の各々について、抽出された特徴量から特徴時系列を生成する（ステップＳ３０３）。ここで、特徴変換部５２２は、各説明時系列について、特徴量の各種類に対して、特徴抽出部５２１で抽出された各時刻の特徴量を時刻順に並べることで、特徴時系列を生成する。特徴変換部５２２は、生成した特徴時系列を特徴時系列記憶部５３０に保存する。
図１６は、第２の実施形態における、特徴時系列の例を示す図である。例えば、特徴時系列変換部５２０は、図２における外的要因時系列以外の各説明時系列（ＩＤ「２」、…、「Ｎ」）について、特徴量の各種類（「ａ」、「ｂ」、…）に対して、図１６のような特徴時系列を生成する。図１６の例では、各特徴時系列に、特徴時系列の生成元の説明時系列と特徴量の種類とが識別可能なラベルが付与されている。例えば、ＩＤ「２」の説明時系列について、特徴量の種類「ａ」に対して生成された特徴時系列には、ラベル「ａ：：２」が付与されている。
影響度算出部５４０の特徴時系列影響度算出部５４１は、特徴時系列の各々について、差分時系列の値変化に対する影響度を算出する（ステップＳ３０４）。ここで、特徴時系列影響度算出部５４１は、例えば、上述の外的要因特定処理で用いた多変量解析手法と同様の多変量解析手法を用いて、特徴時系列の影響度を算出する。特徴時系列影響度算出部５４１は、１以上の多変量解析手法の各々について、差分時系列を目的変数とし、各特徴時系列を説明変数とした多変量解析を実行することにより、特徴時系列の影響度を算出する。特徴時系列影響度算出部５４１は、特徴時系列の影響度の算出結果を特徴時系列影響度記憶部５５１に保存する。特徴時系列の影響度は、例えば、最大値が１、最小値が０になるように正規化される。
図１７は、第２の実施形態における、特徴時系列の影響度の算出例を示す図である。例えば、特徴時系列影響度算出部５４１は、各多変量解析手法「手法I」、「手法II」、「手法III」の各々について、図８の差分時系列を目的変数、図１６の各特徴時系列を説明変数とした多変量解析を実行する。これにより、特徴時系列影響度算出部５４１は、各特徴時系列の影響度を、図１７のように算出する。図１７の例では、算出された影響度の大きい順に、特徴時系列が示されている。
説明時系列影響度算出部５４２は、特徴時系列の影響度に基づき、外的要因時系列以外の説明時系列の各々の、差分時系列の値変化に対する影響度を算出する（ステップＳ３０５）。ここで、説明時系列影響度算出部５４２は、例えば、１以上の多変量解析手法の各々について、説明時系列毎に、１以上の種類に対して算出された特徴時系列の影響度の和を算出することで、説明時系列の影響度を算出する。和を算出する対象は、各説明時系列に対して算出された全種類の特徴時系列でもよいし、影響度が大きい方から所定数の種類の特徴時系列でもよい。説明時系列影響度算出部５４２は、説明時系列の影響度の算出結果を説明時系列影響度記憶部５５２に保存する。
図１８は、第２の実施形態における、説明時系列の影響度の算出例を示す図である。例えば、説明時系列影響度算出部５４２は、多変量解析手法「手法I」、「手法II」、「手法III」の各々について、図１７の特徴時系列の影響度を用いて、各説明時系列（ＩＤ「２」、…、「Ｎ」）の影響度を、図１８のように算出する。図１８の例では、算出された影響度の大きい順に、説明時系列が示されている。
要因候補出力部５６０は、説明時系列影響度記憶部５５２から、説明時系列の影響度に基づき要因候補の説明時系列を抽出し、表示装置６００、及び、制御装置７００へ出力する（ステップＳ３０６）。ここで、要因候補出力部５６０は、例えば、説明時系列毎に、１以上の多変量解析手法に対して算出された説明時系列の影響度の和を求めることにより、説明時系列の影響度を統合する。影響度の和として、多変量解析手法毎の影響度の単純和を算出してもよいし、多変量解析手法毎に所定の重みで重み付けした影響度の和を算出してもよい。そして、要因候補出力部５６０は、例えば、統合された影響度の大きい順に、所定数の説明時系列を要因候補の説明時系列として抽出し、当該説明時系列のＩＤを影響度とともに出力する。なお、要因候補出力部５６０は、統合された影響度が所定値以上の説明時系列を抽出してもよい。
図１９は、第２の実施形態における、説明時系列の影響度の統合例を示す図である。例えば、要因候補出力部５６０は、図１８の各説明時系列の影響度を、図１９のように統合する。図１９の例では、統合された影響度の大きい順に説明時系列が示されている。要因候補出力部５６０は、例えば、統合された影響度が１以上である説明時系列のＩＤ「１３」、「３７」を抽出し、要因候補として出力する。
表示装置６００は、要因分析装置５００から出力された要因候補を、ユーザ等に表示する（ステップＳ３０７）。
図２０は、第２の実施形態における、表示装置６００により表示される表示画面の例を示す図である。図２０の例では、要因候補出力部５６０から受信した説明時系列のＩＤ「１３」、「３７」が、影響度の大きい順に、影響度とともに、要因候補として表示されている。
例えば、表示装置６００は、図２０のような表示画面を表示する。
これにより、ユーザ等は、目的時系列の値の変化に影響を与える説明時系列の候補を把握できる。
また、制御装置７００は、要因分析装置５００から出力された要因候補に基づき、被分析装置９００を制御する（ステップＳ３０８）。
例えば、制御装置７００は、制御装置７００は、ＩＤ「１３」、「３７」の説明時系列に対応する製造条件の項目の値が、正常時の値となるように、被分析装置９００を制御する。
さらに、前処理候補出力部５７０は、特徴時系列影響度算出部５４１から、特徴時系列の影響度に基づき、前処理候補の特徴量の種類を抽出し、表示装置６００へ出力する（ステップＳ３０９）。ここで、前処理候補出力部５７０は、例えば、特徴時系列の影響度の算出結果において、影響度が大きい特徴時系列の特徴量の種類を、前処理候補として抽出する。
例えば、前処理候補出力部５７０は、図１７の説明時系列の影響度の算出結果から、影響度が大きい特徴時系列「ａ：：１３」、及び、特徴時系列「ａ：：３７」の特徴量の種類「ａ」を、前処理候補として抽出する。
表示装置６００は、要因分析装置５００から出力された前処理候補を、ユーザ等に表示する（ステップＳ３１０）。
図２１は、第２の実施形態における、表示装置６００により表示される表示画面の他の例を示す図である。図２１の例では、前処理候補出力部５７０から受信した特徴量の種類「ａ」が、前処理候補として表示されている。
例えば、表示装置６００は、図２１のような表示画面を表示する。
これにより、ユーザ等は、説明時系列に対して行うべき適切な前処理（前処理として算出すべき特徴量の種類）を把握できる。
以上により、第２の実施形態の動作が完了する。
次に、第２の実施形態の特徴的な構成について説明する。
図２２は、第２の実施形態の特徴的な構成を示すブロック図である。
図２２を参照すると、要因分析装置５００は、時系列取得部５１０、特徴時系列変換部５２０、及び、影響度算出部５４０を含む。時系列取得部５１０は、複数の説明時系列の内の第１の説明時系列（外的要因時系列）の値に基づき生成された目的時系列の予測値と目的時系列の値との差分時系列、及び、第２の説明時系列（外的要因時系列以外の説明時系列）を取得する。特徴時系列変換部５２０は、第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換する。影響度算出部５４０は、第２の説明時系列の特徴時系列と、差分時系列と、に基づき、差分時系列の値の変化に対する第２の説明時系列の各々の影響度を算出する。
次に、第２の実施形態の効果について説明する。
第２の実施形態によれば、システムの状態変化に強い相関を持つ外的要因が存在し、かつ、分析対象の時系列に前処理が必要な場合でも、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できる。その理由は、要因分析装置５００が、第２の説明時系列から特徴量を抽出して特徴時系列に変換し、特徴時系列と差分時系列とに基づき、差分時系列の値の変化に対する、第２の説明時系列の各々の影響度を算出するためである。ここで、差分時系列は、目的時系列の値と、第１の説明時系列の値に基づき生成された目的時系列の予測値と、の差分時系列である。
また、第２の実施形態によれば、システムの状態変化に影響を与える、外的要因以外の要因を容易に把握できる。その理由は、要因分析装置５００が、第２の説明時系列の各々の影響度に基づき、目的時系列の値の変化に影響を与える説明時系列の候補を抽出し、出力するためである。
また、第２の実施形態によれば、外的要因が指定されていなくても、システムの状態変化に影響を与える、外的要因以外の要因を正しく特定できる。その理由は、要因分析装置５００が、目的時系列の値の変化に影響し、かつ、目的時系列の値の変化により影響されない説明時系列である、第１の説明時系列に基づいて生成された差分時系列を用いるためである。
また、第２の実施形態によれば、説明時系列に対して行うべき適切な前処理を把握できる。その理由は、要因分析装置５００が、第２の説明時系列の各々の、１以上の種類の特徴時系列の影響度に基づき、第２の説明時系列から抽出すべき特徴量の種類を抽出し、出力するためである。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
例えば、上述の各実施形態では、分析対象のシステムが、製造システムであり、被分析装置９００が、製造工程で使用される装置である場合を例に説明した。しかしながら、システムの運用に係る様々な項目の値を、分析対象の項目の値として取得できれば、分析対象のシステムは、他のシステムでもよい。
例えば、分析対象のシステムは、ＩＴ（Information Technology）システムや、プラントシステム、発電システム、構造物、輸送機器でもよい。分析対象のシステムがＩＴシステムの場合、例えば、目的時系列として、消費電力量や演算回数等の時系列が用いられる。また、説明時系列として、ＣＰＵ使用率、メモリ使用率、ディスクアクセス頻度等のコンピュータリソースの使用率や使用量、通信ネットワークリソースの使用率や使用量等が用いられる。
また、上述の各実施形態では、外的要因軽減装置３００により特定される外的要因時系列の数が１の場合を例に説明した。しかしながら、特定される外的要因時系列の数は複数でもよい。この場合、外的要因軽減処理では、例えば、回帰分析により、複数の外的要因時系列の値から目的時系列の値を予測するための予測式が生成され、当該予測式に基づき、差分時系列が生成される。
また、上述の各実施形態では、目的時系列の数が１の場合を例に説明した。しかしながら、目的時系列の数は複数でもよい。この場合、外的要因軽減処理では、例えば、複数の目的時系列の各々について、外的要因時系列が特定され、差分時系列が生成される。そして、要因抽出処理では、複数の差分時系列の各々について、外的要因時系列以外の説明時系列の影響度が算出され、要因候補の説明時系列が抽出される。
また、外的要因特定処理や、要因抽出処理では、多変量解析手法として、非特許文献１に記載されているＬ１正則化ロジスティック回帰や、非特許文献２に記載されているランダム森分類器を用いてもよい。
１ 分析システム
１００ 観測データ収集装置
２００ 時系列記憶装置
２１０ 説明時系列記憶部
２２０ 目的時系列記憶部
３００ 外的要因軽減装置
３１０ 外的要因特定部
３２０ 予測式生成部
３３０ 予測式記憶部
３４０ 差分時系列生成部
３５０ 差分時系列記憶部
３０１ ＣＰＵ
３０２ 記憶デバイス
３０３ 入出力デバイス
３０４ 通信デバイス
４００ 要因分析装置
４０１ ＣＰＵ
４０２ 記憶デバイス
４０３ 入出力デバイス
４０４ 通信デバイス
４１０ 時系列取得部
４２０ 影響度算出部
４３０ 影響度記憶部
４４０ 要因候補出力部
５００ 要因分析装置
５１０ 時系列取得部
５２０ 特徴時系列変換部
５２１ 特徴抽出部
５２２ 特徴変換部
５３０ 特徴時系列記憶部
５４０ 影響度算出部
５４１ 特徴時系列影響度算出部
５４２ 説明時系列影響度算出部
５５０ 影響度記憶部
５５１ 特徴時系列影響度記憶部
５５２ 説明時系列影響度記憶部
５６０ 要因候補出力部
５７０ 前処理候補出力部
６００ 表示装置
７００ 制御装置
９００ 被分析装置

Claims (10)

  1. 目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得する、時系列取得手段と、
    前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換する特徴時系列変換手段と、
    前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、多変量解析を行った場合における前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響の程度を示す所定の統計量である影響度を算出する、影響度算出手段と、
    を備える分析装置。
  2. さらに、前記１以上の第２の説明時系列の各々の影響度に基づき、前記１以上の第２の説明時系列から、前記目的時系列の値の変化に影響する説明時系列の候補を抽出し、出力する、第１の出力手段を備える、
    請求項１に記載の分析装置。
  3. 前記第１の説明時系列は、前記複数の説明時系列の内、前記影響度が基準を満たし、かつ、前記目的時系列の値の変化に対する値の変化が他の説明時系列よりも小さい説明時系列である、
    請求項１または２に記載の分析装置。
  4. 前記影響度算出手段は、
    前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の特徴時系列の影響度を算出し、
    前記１以上の第２の説明時系列の各々について、当該第２の説明時系列の特徴時系列の影響度に基づき、前記差分時系列の値の変化に対する当該第２の説明時系列の影響度を算出する、
    請求項１乃至３のいずれかに記載の分析装置。
  5. 前記影響度算出手段は、
    前記１以上の第２の説明時系列の各々について、１以上の種類の各々の特徴量を抽出し、当該１以上の種類の各々の特徴量を特徴時系列に変換し、
    前記１以上の第２の説明時系列の各々の前記１以上の種類の各々の特徴時系列について、前記差分時系列の値の変化に対する、当該特徴時系列の影響度を算出し、
    前記１以上の第２の説明時系列の各々について、当該第２の説明時系列の前記１以上の種類の特徴時系列の影響度に基づき、前記差分時系列の値の変化に対する当該第２の説明時系列の影響度を算出する、
    請求項４に記載の分析装置。
  6. さらに、前記１以上の第２の説明時系列の各々の前記１以上の種類の特徴時系列の影響度に基づき、前記１以上の第２の説明時系列から抽出すべき特徴量の種類を抽出し、出力する、第２の出力手段を備える、
    請求項５に記載の分析装置。
  7. 目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得し、
    前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換し、
    前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、多変量解析を行った場合における前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響の程度を示す所定の統計量である影響度を算出する、
    分析方法。
  8. さらに、前記１以上の第２の説明時系列の各々の影響度に基づき、前記１以上の第２の説明時系列から、前記目的時系列の値の変化に影響する説明時系列の候補を抽出し、出力する、
    請求項７に記載の分析方法。
  9. 前記第１の説明時系列は、前記複数の説明時系列の内、前記影響度が基準を満たし、かつ、前記目的時系列の値の変化に対する値の変化が他の説明時系列よりも小さい説明時系列である、
    請求項７または８に記載の分析方法。
  10. コンピュータに、
    目的時系列の値と、複数の説明時系列の内の第１の説明時系列の値に基づき生成された前記目的時系列の予測値と、の差分時系列、及び、前記複数の説明時系列の内の１以上の第２の説明時系列を取得し、
    前記１以上の第２の説明時系列の各々について、当該第２の説明時系列から特徴量を抽出し、当該特徴量を特徴時系列に変換し、
    前記１以上の第２の説明時系列の特徴時系列と、前記差分時系列と、に基づき、多変量解析を行った場合における前記差分時系列の値の変化に対する、前記１以上の第２の説明時系列の各々の影響の程度を示す所定の統計量である影響度を算出する、
    処理を実行させるプログラム。
JP2019565673A 2018-01-22 2018-01-22 分析装置、分析方法、及び、プログラム Active JP7028259B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/001725 WO2019142344A1 (ja) 2018-01-22 2018-01-22 分析装置、分析方法、及び、記録媒体

Publications (2)

Publication Number Publication Date
JPWO2019142344A1 JPWO2019142344A1 (ja) 2020-12-17
JP7028259B2 true JP7028259B2 (ja) 2022-03-02

Family

ID=67301624

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019565673A Active JP7028259B2 (ja) 2018-01-22 2018-01-22 分析装置、分析方法、及び、プログラム

Country Status (3)

Country Link
US (1) US20200342048A1 (ja)
JP (1) JP7028259B2 (ja)
WO (1) WO2019142344A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11941513B2 (en) * 2018-12-06 2024-03-26 Electronics And Telecommunications Research Institute Device for ensembling data received from prediction devices and operating method thereof

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015136586A1 (ja) 2014-03-14 2015-09-17 日本電気株式会社 要因分析装置、要因分析方法および要因分析プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5486998A (en) * 1993-06-14 1996-01-23 Amax Coal West, Inc. Process stabilizing process controller
US20090125155A1 (en) * 2007-11-08 2009-05-14 Thomas Hill Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
US10207489B2 (en) * 2015-09-30 2019-02-19 Sigma Labs, Inc. Systems and methods for additive manufacturing operations
GB2557653B (en) * 2016-12-14 2019-05-22 Frito Lay Trading Co Gmbh Frying method and apparatus
JP6870312B2 (ja) * 2016-12-19 2021-05-12 富士通株式会社 施策導入効果予測装置、施策導入効果予測プログラム及び施策導入効果予測方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015136586A1 (ja) 2014-03-14 2015-09-17 日本電気株式会社 要因分析装置、要因分析方法および要因分析プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
片岡淳，経済時系列の季節調整 ー経済統計利用者の立場からー，経営の科学 オペレーションズ・リサーチ，日本，社団法人日本オペレーションズ・リサーチ学会，1998年08月01日，第４３巻 第８号，436-441ページ

Also Published As

Publication number Publication date
JPWO2019142344A1 (ja) 2020-12-17
WO2019142344A1 (ja) 2019-07-25
US20200342048A1 (en) 2020-10-29

Similar Documents

Publication Publication Date Title
US11624731B2 (en) Method for predicting remaining life of numerical control machine tool
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
US9658916B2 (en) System analysis device, system analysis method and system analysis program
US10496730B2 (en) Factor analysis device, factor analysis method, and factor analysis program
JP5868216B2 (ja) クラスタリング装置及びクラスタリングプログラム
Ghasemi et al. Mahalanobis Taguchi system: a review
US10599501B2 (en) Information processing device, information processing method, and recording medium
JP6828807B2 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
KR102472637B1 (ko) 시계열 데이터 분석 방법, 주영향 변수 결정 방법 및 그 방법들을 지원하는 장치
US20200341454A1 (en) Factor analysis method, factor analysis device, and factor analysis program
CN111080117A (zh) 设备风险标签的构建方法、装置、电子设备及存储介质
CN113408548A (zh) 变压器异常数据检测方法、装置、计算机设备和存储介质
Arul et al. Data anomaly detection for structural health monitoring of bridges using shapelet transform
CN111738331A (zh) 用户分类方法及装置、计算机可读存储介质、电子设备
CN114417954B (zh) 一种提升食品检测效果的信息处理方法及系统
CN117041017A (zh) 数据中心的智能运维管理方法及系统
JP7226542B2 (ja) 時系列データ処理方法、時系列データ処理装置、プログラム
JP7028259B2 (ja) 分析装置、分析方法、及び、プログラム
JP6930195B2 (ja) モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法
US11580414B2 (en) Factor analysis device, factor analysis method, and storage medium on which program is stored
JP7028260B2 (ja) 分析システム、分析方法、及び、プログラム
CN111091243A (zh) 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备
JP7326872B2 (ja) 推定装置、推定方法及びプログラム
CN114422450A (zh) 基于多源网络流量数据的网络流量分析方法和装置
Haq et al. TransNAS-TSAD: harnessing transformers for multi-objective neural architecture search in time series anomaly detection

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200622

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200622

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210615

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210812

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20211021

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220118

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220131

R151 Written notification of patent or utility model registration

Ref document number: 7028259

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151