JP7073432B2 - 影響説明変数特定装置、影響説明変数特定方法及び影響説明変数特定用プログラム - Google Patents

Description

この発明は、測定した値を説明変数として予測モデルによる演算を行ったときに異常が検出された場合に、説明変数中のどの説明変数が異常に対し影響度が大きいかを特定する影響説明変数特定装置、影響説明変数特定方法及び影響説明変数特定用プログラムに関するものである。

本願発明者らは、目的変数と説明変数から構成される教師データを用いて予測モデルを作成し、この予測モデルに対し実際に異常を捕えるべき対象機器において測定した説明変数を適用して得られた目的変数と、実際に測定された目的変数とから上記対象機器の異常を検出する装置の発明を出願した（特開２０１９－１５９３６５号、特願２０１９－０５５６０９号、特願２０１９－０５５６１５号、特願２０１９－１６０７５１号、特願２０１９－０８０５５６号）。この発明では、対象装置が異常であることの検出（或いは推定）を行うことができるが、どの説明変数が異常に大きく影響しているかについては考慮していない。

また、図１は３種類の花の平面図を示している。この３種類を分別する例として１つの花に存在している花弁とガク（額）の長さと幅を説明変数（花弁の長さ、花弁の幅、ガクの長さ、ガクの幅）として、３種類の花Ａ、Ｂ、Ｃを目的変数として予測モデルを作成することができる。

図２は、花弁とガクの長さと幅の測定値（説明変数）と予測モデル図である。測定値（説明変数）がＫ１、Ｋ２、Ｋ２、Ｋ３であるとき、予測モデルは花の種類Ａ（目的変数）と予測する（図２（Ａ））。また、花弁とガクの長さと幅の測定値（説明変数）がＫ２、Ｋ１、Ｋ３、Ｋ１であるとき、予測モデルは花の種類Ｂ（目的変数）と予測する（図２（Ｂ））。更に、花弁とガクの長さと幅の測定値（説明変数）がＫ３、Ｋ２、Ｋ１、Ｋ１であるとき、予測モデルは花の種類Ｃ（目的変数）と予測する（図２（Ｃ））。

図３は、予測モデルの式であり、上記のように予測を行う予測モデルをｆ０で表すと、測定値（説明変数）Ｋ１、Ｋ２、Ｋ２、Ｋ３によって、花の種類Ａ（目的変数）を予測した場合の式は図３（Ａ）のように、Ａ＝ｆ０（Ｋ１,Ｋ２,Ｋ２,Ｋ３）と記載することができる。また、測定値（説明変数）Ｋ２、Ｋ１、Ｋ３、Ｋ１によって、花の種類Ｂ（目的変数）を予測した場合の式は図３（Ｂ）のように、Ｂ＝ｆ０（Ｋ２,Ｋ１,Ｋ３,Ｋ１）と記載することができる。更に、測定値（説明変数）Ｋ３、Ｋ２、Ｋ１、Ｋ１によって、花の種類Ｃ（目的変数）を予測した場合の式は図３（Ｃ）のように、Ｃ＝ｆ０（Ｋ３,Ｋ２,Ｋ１,Ｋ１）と記載することができる。

ところが、図４（Ａ）に示すように、測定値（説明変数）Ｋ１、Ｋ２、Ｋ１、Ｋ３と測定値（目的変数）Ａが得られている場合に、予測モデルｆ０を用いた場合の予測では図４（Ｂ）に示すように、Ｂ＝ｆ０（Ｋ１,Ｋ２,Ｋ１,Ｋ３）となり、測定対象が異常であると判定されたとする。このように、異常が生じていることを検出できるものの、どの１つまたは複数の説明変数が異常であるために、異常と判定されたのかを特定することはできないものであった。

特許文献１には、データの説明変数に対しデータ項目のカテゴリを識別する付加文字列を付加し、データクレンジング／特徴化手段３２によって、データの異常値を特定値に置換あるいは削除するデータクレンジングを行うことが記載されている。この場合、異常判断基準については、その異常値定義と置換値を設定し、設定に従って異常値を処理するものであり、目的変数が異常となった場合に、予測を行うために使用されるいくつかの説明変数中のいずれが影響しているかを特定するものではない。

特許文献２には、学習後の異常検出データモデルを用いて、計算した偏差データ信号及び工程ステップのタイプを示す工程タイプ指標のデータ処理によってステップ毎の異常検出を行い、工程ステップの時間ステップｔ又はパス長ステップｌ毎に異常確率ｐを計算し、更に、この異常確率ｐに基づいて、ワークピース及び生産プロセスステップの異常・正常の分類を行うものが開示されている。

上記引用文献２のものにおいても、目的変数が異常となった場合に、予測を行うために使用されるいくつかの説明変数中のいずれが影響しているかを求めることはできない。

特開２００４－２９９７１号公報 特開２０１９－１３５６３８号公報

本発明は、上記のような機械学習による異常検出の分野における課題を解決せんとしてなされたもので、その目的は、目的変数が異常となった場合に、予測を行うために使用されるいくつかの説明変数中のいずれが影響しているかを求めることが可能な影響説明変数特定装置を提供することである。

本実施形態に係る影響説明変数特定装置は、説明変数から目的変数を求める基本予測モデルと、前記基本予測モデルが求めた目的変数の正解確率を求める正解確率取得手段と、前記基本予測モデルを用いた演算により本来正解として算出されるべき正解目的変数を求め、この正解目的変数によって説明変数を代替し、この正解目的変数と代替されていない残りの説明変数とから前記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を算出する手段であって全ての説明変数に代わるべき全理想説明変数を算出する全理想説明変数算出手段と、前記説明変数毎に説明変数の重要度を求める重要度取得手段と、前記基本予測モデルによる演算に基づき異常が検出された場合に、測定した値を説明変数として前記正解確率取得手段により目的変数の正解確率である異常検出時正解確率を得る異常検出時正解確率取得手段と、前記基本予測モデルによる演算に基づき前記異常が検出された場合の説明変数を、前記全理想説明変数の対応する１つで順次置き換える補正を行って前記基本予測モデルに投入して目的変数を求めると共に、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を前記正解確率取得手段によって得る補正正解確率取得手段と、前記説明変数毎に前記補正正解確率と前記異常検出時正解確率との差である差分正解確率を求める差分正解確率取得手段と、前記説明変数毎に前記差分正解確率を前記重要度により除算する除算手段と、前記除算手段の結果に基づき前記説明変数中のいずれが前記異常に影響したかを判定するための影響度を取得する影響度取得手段と
を具備することを特徴とする。

花の種類を、花弁とガクの幅と長さから予測する予測モデルを説明するための花の平面図。 図１の予測モデルにおける測定値と目的変数の関係を模式的に示した図。 図１の予測モデルにおける測定値と目的変数の関係を数式で示した図。 異常発生時の、予測モデルにおける測定値と目的変数の関係を模式的に示した図及び予測モデルにおける測定値と目的変数の関係を数式で示した図。 本発明の実施形態に係る影響説明変数特定装置を実現するコンピュータシステムの構成図。 本発明の第１の実施形態に係る影響説明変数特定装置の機能ブロック図。 本発明の第１の実施形態に係る影響説明変数特定装置を実現するコンピュータシステムの動作を説明するためのフローチャート。 本発明の第１の実施形態に係る影響説明変数特定装置が目的変数の正解確率及び理想説明変数を求めるときの式を示す図。 本発明の第２の実施形態に係る影響説明変数特定装置の機能ブロック図。 本発明の第３の実施形態に係る影響説明変数特定装置の機能ブロック図。 本発明の実施形態に係る影響説明変数特定装置で用いる教師データの一例を示す図。 本発明の実施形態に係る影響説明変数特定装置で用いる教師データにより作成された予測モデルによる計算結果の一例を示す図。 本発明の実施形態に係る影響説明変数特定装置で用いる異常データの一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置の機能ブロック図。 本発明の第４の実施形態に係る影響説明変数特定装置を実現するコンピュータシステムの動作を説明するためのフローチャート。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、正解確率取得手段３２として基本予測モデル３１で求めた目的変数の正解確率の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ１となる理想説明変数の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ２となる理想説明変数の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ３となる理想説明変数の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ４となる理想説明変数の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた重要度の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた補正正解確率ｐ．１．ｘ１～ｐ．４．ｘ４と差分正解確率ｄ．ｐ．１．ｘ１～ｄ．ｐ．４．ｘ４の一例を示す図。 本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた除算結果ｉ．ｄ．ｐ．１．ｘ１～ｉ．ｄ．ｐ．４．ｘ４と平均化した除算結果をａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４と標準化結果ｓｔｄ．１．ｘ１～ｓｔｄ．４．ｘ４の一例を示す図。

以下添付図面を参照して、本発明の実施形態に係る影響説明変数特定装置、影響説明変数特定方法及び影響説明変数特定用プログラムを説明する。各図において、同一の構成要素には、同一の符号を付して重複する説明を省略する。図５は、本発明の実施形態に係る影響説明変数特定装置を実現するコンピュータシステムの構成図である。本発明の実施形態に係る影響説明変数特定装置１は、例えば図５に示されるようなパーソナルコンピュータやワークステーション、その他のコンピュータシステムにより構成することができる。このコンピュータシステムは、ＣＰＵ１０が主メモリ１１に記憶されている或いは主メモリ１１に読み込んだプログラムやデータに基づき各部を制御し、必要な処理を実行することにより影響説明変数特定装置１として動作を行うものである。

ＣＰＵ１０には、バス１２を介して外部記憶インタフェース１３、入力インタフェース１４、表示インタフェース１５、データ入力インタフェース１６が接続されている。外部記憶インタフェース１３には、状態変動検出用プログラム等のプログラムと必要なデータ等が記憶されている外部記憶装置２３が接続されている。入力インタフェース１４には、コマンドやデータを入力するための入力装置としてのキーボードなどの入力装置２４とポインティングデバイスとしてのマウス２２が接続されている。

表示インタフェース１５には、ＬＥＤやＬＣＤなどの表示画面を有する表示装置２５が接続されている。データ入力インタフェース１６には、測定データを得るためのセンサ２６－１、２６－２、・・・、２６－ｍが接続されている。センサ２６－１、２６－２、・・・、２６－ｍは、測定データを得るための構成であり、データ入力を行うための記憶媒体や入力装置であっても良い。更に、このコンピュータシステムには、他の構成が備えられていても良く、また、図５の構成は一例に過ぎない。

図６は、本発明の第１の実施形態に係る影響説明変数特定装置１の機能ブロック図である。上記において、ＣＰＵ１０では、外部記憶装置２３内の影響説明変数特定用プログラムによって図６に記載の各手段等が実現される。即ち、基本予測モデル３１、正解確率取得手段３２、全理想説明変数算出手段３３、重要度取得手段３４、異常検出時正解確率取得手段３５、補正正解確率取得手段３６、差分正解確率取得手段３７、除算手段３８、影響度取得手段３９が実現される。また、外部記憶装置２３内には、図６に記載の教師データＴが記憶されている。基本予測モデル３１は教師データＴを用いて基本予測モデル作成手段３０が作成するものである。ここで、本実施形態では、基本予測モデル作成手段３０は、基本予測モデル３１を作成するためにこのコンピュータシステムに備えられているが、他の装置やプログラムによって作成された基本予測モデル３１を用いるものであっても良く、この場合には、基本予測モデル作成手段３０を備えていなくともよい。

基本予測モデル３１は、機械学習により説明変数から目的変数を予測するものである。ここに、機械学習のアルゴリズムとしては、パターンマイニングのランダムフォレストを挙げることができるが、これ以外に、分類木や回帰木などのように分類器により（例えばツリー構造で）分岐を行って予測を行う機械学習によるアルゴリズムを採用することができる。また、基本予測モデル３１は、重回帰分析による機械学習を行うものであっても良い。

正解確率取得手段３２は、上記の基本予測モデル３１が求めた目的変数の正解確率を求めるものである。具体的には、いくつかの機械学習プログラムでは、説明変数から目的変数を学習モデルにより求めた場合に、求めた説明変数がどのくらいの精度で算出されているかを示す正解率を出力させることのできる正解率算出モジュールが備えられている。本実施形態では、この正解率算出モジュールを正解確率取得手段３２として用いる。

３種類の花の名前を当てる機械学習では、３種類の花の名前である文字列が目的変数となるが、花の名前である文字列を数値化して目的変数とすることもできる。機械学習においては、説明変数と目的変数が一定の関係にあることに基づき、例えば、複数の説明変数から１つの目的変数を求めることができる場合に、本願の実施形態では、目的変数を順次１種類の説明変数に代替して用いることとし、残りの複数の説明変数と上記代替した目的変数とを用いて、順次に代替された１種類の説明変数を予測することができる、ということを前提とするものである。具体的には、目的変数Ｙと説明変数Ｘ１、説明変数Ｘ２、説明変数Ｘ３、説明変数Ｘ４があるような機械学習の対象があるとする。この場合、４種の説明変数を用いて目的変数を求めるということが成り立つならば、また、目的変数と３種類の説明変数を用いて残りの１種類の説明変数を求めることができることを前提とするものである。数式で表すと、以下の（式０）が成り立つ場合、以下の（式１）、（式２）、（式３）、（式４）が成り立つことを前提とする。
Ｙ＝ｆ0（Ｘ１，Ｘ２，Ｘ３、Ｘ４）・・・（式０）
Ｘ１＝ｆ1（Ｙ，Ｘ２，Ｘ３，Ｘ４）・・・（式１）
Ｘ２＝ｆ2（Ｙ，Ｘ１，Ｘ３，Ｘ４）・・・（式２）
Ｘ３＝ｆ3（Ｙ，Ｘ１，Ｘ２，Ｘ４）・・・（式３）
Ｘ４＝ｆ4（Ｙ，Ｘ１，Ｘ２，Ｘ３）・・・（式４）

上記（式０）により目的変数を求めた場合、求めた目的変数についての正解確率を求めることができる。また、（式１）、（式２）、（式３）、（式４）により、４種類の説明変数を求めた場合には、求めた説明変数についての正解確率を求めることができる。本実施形態ではこのような前提に基づいている。因みに、本実施形態では学習手法としてランダムフォレストと付随されている正解率算出モジュールを採用したが、他の学習手法と付随された正解率算出モジュールを用いても良い。

全理想説明変数算出手段３３は、上記基本予測モデル３１を用いた演算により本来正解として算出されるべき正解目的変数によって説明変数を代替し、この正解目的変数と代替されていない残りの説明変数とから上記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を算出する手段であって全ての説明変数に代わるべき全理想説明変数を算出するものである。具体的には、基本予測モデル３１は、説明変数と目的変数とにより構成される教師データを用いた機械学習により作成される。そこで、この全理想説明変数算出手段３３は、上記基本予測モデル３１を作成した教師データを用いて、作成される。

より具体的には、上記教師データが（目的変数、第１説明変数、第２説明変数、・・・、第ｍ（正の整数）説明変数）を１単位として、複数単位により構成されるものとする。教師データの括弧内のデータ並びは、弧内の第１番目が予測するデータ、以下が予測に用いるデータである。第１説明変数の理想説明変数を得るためには、目的変数と第１説明変数を交換して、（第１説明変数、目的変数、第２説明変数、・・・、第ｍ（正の整数）説明変数）という並びの教師データを用い、弧内の第１番目である第１説明変数を予測する予測モデル（第１説明変数予測モデル）ｆ１を作成する。第２説明変数の理想説明変数を得るためには、目的変数と第２説明変数を交換して、（第２説明変数、第１説明変数、目的変数、・・・、第ｍ（正の整数）説明変数）という並びの教師データを用い、弧内の第１番目である第２説明変数を予測する予測モデル（第２説明変数予測モデル）を作成する。以下同様にして予測モデルが作成される。そして、第ｍ説明変数の理想説明変数を得るためには、目的変数と第ｍ説明変数を交換して、（第ｍ説明変数、第１説明変数、第２説明変数、・・・、目的変数）という並びの教師データを用い、弧内の第１番目である第ｍ説明変数を予測する予測モデル（第ｍ説明変数予測モデル）を作成する。以下同様にして予測モデルが作成される。この第１説明変数予測モデル、第２説明変数予測モデル、・・・、第ｍ説明変数予測モデルの集合が全理想説明変数算出手段３３である。

重要度取得手段３４は、上記説明変数毎に説明変数の重要度を求めるものである。ここに、重要度の求め方は、ランダムフォレストの予測モデルを作成する場合に重要度を求めて適切な決定木を作成するなどに用いる手法など、公知の手法を用いることができる。

異常検出時正解確率取得手段３５は、上記基本予測モデル３１による演算に基づき異常が検出された場合に、測定した値を説明変数として上記正解確率取得手段３２により目的変数の正解確率である異常検出時正解確率を得るものである。

補正正解確率取得手段３６は、上記基本予測モデル３１による演算に基づき上記異常が検出された場合の説明変数を、上記全理想説明変数の対応する１つで順次置き換える補正を行って上記基本予測モデル３１に投入して目的変数を求めると共に、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を上記正解確率取得手段３２によって得るものである。

差分正解確率取得手段３７は、上記説明変数毎に上記補正正解確率と上記異常検出時正解確率との差である差分正解確率を求めるものである。除算手段３８は、上記説明変数毎に上記差分正解確率を上記重要度により除算するものである。影響度取得手段３９は、上記除算結果に基づき上記説明変数中のいずれが上記異常に影響したかを判定するための影響度を取得するものである。

以上の構成を有する実施形態に係る影響説明変数特定装置によって、図１から図４を用いて説明した３種類の花を目的変数とし、１つの花に存在している花弁とガクの長さと幅を説明変数として、異常検出を行った場合に、図４により説明した如く、異常と判定されたケースを例とする。
図７は、この影響説明変数特定装置が動作する手順をフローチャートにて示したものである。本ケースでは、異常と判定された測定データは、目的変数がＡであり、説明変数はＫ５、Ｋ２、Ｋ１、Ｋ３である。
図８は、基本予測モデルの式と全理想説明変数を求める式である。図８（Ａ）のように基本予測モデル３１（予測モデルｆ０）が予測した目的変数はＢである。このとき、ＣＰＵ１０は、正解確率取得手段３２として基本予測モデル３１が求めた目的変数の正解確率を求める（Ｓ１１）。正解確率は、図８（Ａ）のように４５％であったとする。

次にＣＰＵ１０は、全理想説明変数算出手段３３として、基本予測モデル３１を用いた演算により本来正解として算出されるべき正解目的変数を用いて求める（Ｓ１２）。図８（Ａ）のように、正解目的変数は、測定されている花の種類Ａである。また、この正解目的変数Ａと、代替されない残りの説明変数（最初のＫ５を除く、（Ｋ２、Ｋ１、Ｋ３））とから上記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を図８（Ｂ）のように予測モデル（第ｍ（ｍ＝１～４）説明変数予測モデル）ｆ１を用いて算出する（Ｓ１３）。全ての説明変数に代わるべき全理想説明変数を算出することができたかを検出し（Ｓ１４）、ＮＯとなると、ｉをインクリメントさせ（Ｓ１５）、ステップＳ１３へ戻って処理を続ける。ステップＳ１４においてＹＥＳとなると、ステップＳ１６へ進む。この例では、説明変数が４種（図８（Ｂ）のＲ１～Ｒ４）であるので、４つの全理想説明変数を算出するとステップＳ１４においてＹＥＳとなりステップＳ１６へ進むことになる。このステップＳ１６では、ＣＰＵ１０は、重要度取得手段３４として、基本予測モデル３１における説明変数毎に説明変数の重要度を求める（Ｓ１６）。重要度も、説明変数が４種であるので、４つ求められる。

次に、ステップＳ１７へ進み、ＣＰＵ１０は、異常検出時正解確率取得手段３５として動作し、上記基本予測モデル３１による演算に基づき異常が検出された場合に、測定した値を説明変数として上記正解確率取得手段３２により目的変数の正解確率である異常検出時正解確率を得る（Ｓ１７）。既に、正解確率取得手段３２の説明において述べた通り、正解確率は、図８（Ａ）のように４５％である。

更に、ＣＰＵ１０は、補正正解確率取得手段３６として、上記基本予測モデル３１による演算に基づき上記異常が検出された場合の説明変数を、上記全理想説明変数の対応する１つで順次置き換える補正を行って上記基本予測モデル３１に投入して目的変数を求める（Ｓ１８）。この例では、ステップＳ１４において説明した通り、４つの全理想説明変数が求められているので、基本予測モデル３１のｆ０に適用した説明変数Ｋ５、Ｋ２、Ｋ１、Ｋ３を左から順に対応の理想説明変数に置き換えて目的変数を求める。この例では４回の置き換えと演算が行われて４つの目的変数が求められる。

次に、ＣＰＵ１０は、補正正解確率取得手段３６として、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を上記正解確率取得手段３２によって求める（Ｓ１９）。置き換えた理想説明変数は４つであるから４つの補正正解確率が求められることになる。

次に、ＣＰＵ１０は、差分正解確率取得手段３７として、上記説明変数毎に上記補正正解確率と上記異常検出時正解確率との差である差分正解確率を求める（Ｓ２０）。この例においては、異常検出時正解確率が４５％であった。補正正解確率は各説明変数毎に例えば（９５％、９５％、９６％、９７％）となったとすると、差分正解確率は、（５０％、５０％、５１％、５２％）となる。

次に、ＣＰＵ１０は、除算手段３８として、上記、説明変数毎に上記差分正解確率を上記重要度により除算する（Ｓ２１）。例えば、説明変数毎の重要度が（４０、５０、５０、５０）であるときには、除算結果は、（１．２５、１．０、１．０２、１．０４）となる。

更に、ＣＰＵ１０は、影響度取得手段３９として、上記除算結果に基づき上記説明変数中のいずれが上記異常に影響したかを判定するための影響度を取得する（Ｓ２２）。上記除算結果は、異常に影響した度合を表しているので、本例では、除算結果（１．２５、１．０、１．０２、１．０４）をそのまま影響度とする。この結果、影響度が１．２５である説明変数の並びが１番左の説明変数が、異常に寄与していたと結論することができる。

上記実施形態では、測定を１回行い、予測モデルｆ０を用いた予測で、Ｂ＝ｆ０（Ｋ１,Ｋ２,Ｋ１,Ｋ３）となり、異常であると判定された場合についての処理を説明した。しかし、測定を複数回行い、各回の測定値を用いて予測モデルｆ０を用いた予測を行い、異常判定を複数回得た場合においては、それぞれの測定回の値を用いて異常検出時正解確率、補正正解確率は、差分正解確率、除算結果を得ることができる。

即ち、測定を例えば３回（３回は、複数回の一例）行ってどれも異常と判定された場合には、除算結果は、例えば３通りのセット（１．２５、１．０、１．０２、１．０４）、（１．２０、１．０２、１．０１、１．０６）、（１．２８、１．０１、１．０６、１．１４）のように求められる。このように複数（整数Ｎ回）の測定による場合には、整数Ｎ回分の測定した値を用いて処理を行い、各測定回毎に、除算結果を求め、各測定回毎の除算結果を平均化して上記説明変数毎の除算結果とする。

上記の３回の例では、除算結果の平均値が（１．２３、１．０１、１．０３、１．０８）として得られる。これを影響度とすると、影響度が１．２３である説明変数の並びが１番左の説明変数が、異常に寄与していたと結論することができる。

図９は、本発明の第２の実施形態に係る影響説明変数特定装置１の機能ブロック図である。図６の第１の実施形態の構成に、平均化手段４１を追加したものである。この平均化手段４１は、上記の平均化を行うものである。影響説明変数特定装置１のコンピュータシステムは図３に示した第１の実施形態のものと変わりない。

更に、上記の第１の実施形態、第２の実施形態では、影響度取得手段３９が、除算結果或いは除算結果の平均値をそのまま影響度とした。
図１０は、本発明の第３の実施形態に係る影響説明変数特定装置１の機能ブロック図である。影響度取得手段３９Ａは、さらに上記除算手段による除算結果（平均化した除算結果を含む）を標準化する標準化手段４２を具備し、上記標準化結果を影響度とする。影響説明変数特定装置１のコンピュータシステムは図３に示した第１の実施形態のものと変わりない。

次に、例えば、「ある物」を製造する装置があり、時系列的にｓｔｅｐ１～ｓｔｅｐ３による３ｓｔｅｐの１クールを複数クール繰り返して、「ある物」を製造し完成するものとする。この製造装置にセンサ２６－１、センサ２６－２、センサ２６－３、センサ２６－４、センサ２６－５が設けられ、各ｓｔｅｐのときに検出したデータ値を取得する。センサ２６－１～２６－５が取得するデータは、例えば、温度、湿度、電圧、電流、圧力など、「ある物」の生産時に製造装置から取得できるもので、通常は、物理量である。勿論、センサを人の五感などとし、熱い、ぬるい、冷たいなどの感覚的な情報であっても良い。

上記のセンサ２６－１～２６－５の内のセンサ２６－１～２６－４により得られたデータを説明変数とする。センサ２６－５により得られたデータを目的変数とする。図１１は、上記のようにして得られたデータであって、ｘ１～ｘ４によって示す説明変数とｓｔｅｐ１～ｓｔｅｐ３によって示す目的変数とからなる教師データの一例である。ｓｔｅｐ１～ｓｔｅｐ３には数値が入っている。この教師データを用いて基本予測モデル３１が作成される。
図１２は、上記の作成された基本予測モデル３１によって得られた目的変数の正解確率である。
更に図１３は、上記の教師データを改竄して作成したデータであって、４クール分の異常データである。この異常データは、ｘ１～ｘ４によって示す説明変数とｓｔｅｐ１～ｓｔｅｐ３によって示す目的変数とからなる。この例では、第１クールのｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ１に０を入れて異常が検出されるようにしてあり、第２クールのｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ２に０を入れて異常が検出されるようにしてあり、第３クールのｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ３に０を入れて異常が検出されるようにしてあり、第４クールのｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ４に０を入れて異常が検出されるようにしてある。第５クールのｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ１～ｘ４には正常が検出されたときの数値を入れてあり、基本予測モデル３１を用いた判定で正常と判定される。

図１４は、第４の実施形態に係る影響説明変数特定装置１の機能ブロック図である。この第４の実施形態に係る影響説明変数特定装置１は、図１４に示すような構成を有し、上記のようなデータを用いて影響説明変数特定を行う。第１の実施形態に対し、平均化手段４１と標準化手段４２の双方を備える。影響説明変数特定装置１のコンピュータシステムは、図３に示した第１の実施形態のものと変わりない。
図１５は、第４の実施形態に係る影響説明変数特定装置１のフローチャートである。本実施形態において、正解確率の求め方、異常発生の判定手法は第１の実施形態が用いた手法を用いるものとする。勿論、正解確率の求め方、異常発生の判定手法は他の手法を用いても良い。この実施形態では、正解確率が所定値（ここでは、９１．１％）を下回ったときに、異常発生と判定することができる。

第４の実施形態に係る影響説明変数特定装置１が、図１５に示すフローチャートによって動作する場合に、図１６から図２３に示す数値が求められる。ここに、図１６は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、正解確率取得手段３２として基本予測モデル３１で求めた目的変数の正解確率の一例を示す図である。図１７は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ１となる理想説明変数の一例を示す図である。図１８は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ２となる理想説明変数の一例を示す図である。図１９は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ３となる理想説明変数の一例を示す図である。図２０は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた説明変数ｘ４となる理想説明変数の一例を示す図である。図２１は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた重要度の一例を示す図である。図２２は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた補正正解確率ｐ．１．ｘ１～ｐ．４．ｘ４と差分正解確率ｄ．ｐ．１．ｘ１～ｄ．ｐ．４．ｘ４の一例を示す図である。そして、図２３は、本発明の第４の実施形態に係る影響説明変数特定装置のＣＰＵが、求めた除算結果ｉ．ｄ．ｐ．１．ｘ１～ｉ．ｄ．ｐ．４．ｘ４と平均化した除算結果をａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４と標準化結果ｓｔｄ．１．ｘ１～ｓｔｄ．４．ｘ４の一例を示す図である。

以下、図１５のフローチャートに沿って、第４の実施形態に係る影響説明変数特定装置１の動作を説明する。まず、ＣＰＵ１０は、上記図１３のデータを用いて正解確率取得手段３２として、基本予測モデル３１が求めた目的変数の正解確率を求める（Ｓ３１）。この結果、図１６の「ｅ３」の欄に示すように、第１クールで「２９．５」、第２クールで「６２．１」、第３クールで「２０．６」、第４クールで「２９．０」、第５クールで「９５．８」という結果が得られる。この異常データ、正解確率が所定値（ここでは、９１．１％）を下回ったときに、異常発生と判定するので、第５クールを除き異常発生と判定されたデータとなる。

次にＣＰＵ１０は、全理想説明変数算出手段３３として、基本予測モデル３１を用いた演算により本来正解として算出されるべき正解目的変数を求める（Ｓ３２）。上記図１６の「ｅ３」欄の正解確率で不正解とされた目的変数に代わるべき、ｓｔｅｐ１～ｓｔｅｐ３においては正解とされる目的変数を、例えば、教師データから求めることができる。この正解目的変数によって第ｉ番目（当初は、ｉ＝１）である説明変数ｘ１を代替し、第１説明変数予測モデルに投入することにより理想説明変数を予測モデル（第ｍ（ｍ＝１～４）説明変数予測モデル）ｆ１を用いて作成する（Ｓ３３）。このようにして、図１６のｘ１が０である説明変数を正解目的変数により代替して算出を行うことで、理想説明変数が得られる。

全て（図１６のｘ１～ｘ４）の説明変数に代わるべき全理想説明変数を算出することができたかを検出し（Ｓ３４）、ＮＯとなると、ｉをインクリメントさせ（Ｓ３５）、ステップＳ３３へ戻って処理を続ける。上記理想説明変数は１クール毎に３ｓｔｅｐが存在するから、上記説明変数は１クールで３つ存在する。一方、ステップＳ３４においてＹＥＳとなると、ステップＳ３６へ進む。即ち、この例では、説明変数がｘ１～ｘ４という４種であるので、４つの全理想説明変数を算出するとステップＳ３４においてＹＥＳとなり、ステップＳ３６へ進むことになる。

次のステップＳ３６では、ＣＰＵ１０は、重要度取得手段３４として、基本予測モデル３１における説明変数毎に説明変数の重要度を求める（Ｓ３６）。重要度も、説明変数が４種であるので、４つ求められる。求めた結果を図２１に示す。縦に数値で、ｘ１～ｘ４を示し、横に百分率でｘ１～ｘ４を示してある。

次に、ステップＳ３７へ進み、ＣＰＵ１０は、異常検出時正解確率取得手段３５として動作し、上記基本予測モデル３１による演算に基づき異常が検出された場合に、測定した値を説明変数として上記正解確率取得手段３２により目的変数の正解確率である異常検出時正解確率を得る（Ｓ３７）。図１６の「ｅ３」の欄の右側には、説明変数ｘ１～ｘ４により目的変数ｐ．ｓｔｅｐ１～ｐ．ｓｔｅｐ３が得られる正解確率が記載されており、求めるべき目的変数ｐ．ｓｔｅｐ１～ｐ．ｓｔｅｐ３についての正解確率が１クール中の該当ｓｔｅｐで求められて、「ｐ．０．ｓｔｅｐ」として、各クールに３個づつ示されている。「ｅ３」が２９．５のクールでは、１００．０％、３４．１％、８６．５％、である。

更に、ＣＰＵ１０は、補正正解確率取得手段３６として、上記基本予測モデル３１による演算に基づき上記異常が検出された場合の説明変数を、上記全理想説明変数の対応する１つで順次置き換える補正を行って上記基本予測モデル３１に投入して目的変数を求める（Ｓ３８）。

この例では、ステップＳ３４において説明した通り、４つの全理想説明変数ｘ’１～ｘ’４が求められているので、基本予測モデル３１のｆ０に適用した説明変数ｘ１～ｘ４を左から順に対応の理想説明変数に置き換えて目的変数を求める。この例では図１７から図２０での４回の置き換えと演算が行われて図１７から図２０に示す４つの補正正解確率ｐ．１．ｘ１～ｐ．４．ｘ４に対応の目的変数が求められる。

次に、ＣＰＵ１０は、補正正解確率取得手段３６として、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を上記正解確率取得手段３２によって求める（Ｓ３９）。置き換えた理想説明変数は４つであるから４つの補正正解確率が、図１７から図２０及び図２２に示す４つの補正正解確率ｐ．１．ｘ１～ｐ．４．ｘ４として求められることになる。図２２においては、補正正解確率ｐ．１．ｘ１～ｐ．４．ｘ４のみを図１７～図２０から抜き出して示したものである。この図２２及び後述する図２３では、率を数値（小数点の数値）により示してある。

次に、ＣＰＵ１０は、差分正解確率取得手段３７として、上記説明変数毎に上記補正正解確率と上記異常検出時正解確率との差である差分正解確率を求める（Ｓ４０）。この例においては、図２２に示すように、異常検出時正解確率がｐ．０．ｓｔｅｐに示す通りであり、補正正解確率がｐ．１．ｘ１～ｐ．４．ｘ４に示す通りであるから、差分正解確率は、図２２のｄ．ｐ．１．ｘ１～ｄ．ｐ．４．ｘ４に示す通りとなる。

次に、ＣＰＵ１０は、除算手段３８として、上記、明変数毎に上記差分正解確率を上記重要度により除算する（Ｓ４１）。重要度は、図２１に示す通りであり、この各重要度で図２２の差分正解確率ｄ．ｐ．１．ｘ１～ｄ．ｐ．４．ｘ４を除算する。除算結果を図２３のｉ．ｄ．ｐ．１．ｘ１～ｉ．ｄ．ｐ．４．ｘ４に示す。

本実施形態では、１クールにｓｔｅｐ１～ｓｔｅｐ３で示される３ステップの測定が行われるため、整数Ｎ（ここでは、３）回分の測定した値を用いて処理を行い、各測定回毎に、除算結果を求めて、図２３のｉ．ｄ．ｐ．１．ｘ１～ｉ．ｄ．ｐ．４．ｘ４に示される除算結果が得られている。そこで、各測定回毎の除算結果を平均化して上記説明変数毎の除算結果とする（Ｓ４２）。この平均化した除算結果をａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４として、図２３における除算結果ｉ．ｄ．ｐ．１．ｘ１～ｉ．ｄ．ｐ．４．ｘ４の右隣欄に示す。

上記平均化した除算結果ａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４を影響度とすることができるが、本実施形態では、複数クールにおいて測定を行っているために、クール間において影響度の比較を適切に行うことができるようにするため、標準化手段４２による標準化を行い（Ｓ４３）、ＣＰＵ１０は影響度取得手段３９Ａとして標準化結果を影響度とする（Ｓ４４）。標準化は、例えば図２３に示される除算結果ｉ．ｄ．ｐ．１．ｘ１の平均から、平均化した除算結果ａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４の平均との差を算出し、さらに、平均化した除算結果ａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４の標準偏差にて除算する演算を行うことで求まる。標準化結果をｓｔｄ．１．ｘ１～ｓｔｄ．４．ｘ４として、図２３における平均化した除算結果ａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４の右隣欄に示す。

図２３における平均化した除算結果ａｖｇ．１．ｘ１～ａｖｇ．４．ｘ４によっても、第１クールでは、ｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ１の影響度が大きいこと、第２クールでは、ｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ２の影響度が大きいこと、第３クールでは、ｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ３の影響度が大きいこと、第４クールでは、ｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ４の影響度が大きいこと、第５クールでは、ｓｔｅｐ１～ｓｔｅｐ３における説明変数ｘ１～ｘ４が正常であろうこと、がそれぞれ判定され得る。

図２３における標準化結果ｓｔｄ．１．ｘ１～ｓｔｄ．４．ｘ４によれば、第１クールの説明変数ｘ１の影響度が、第２クールの説明変数ｘ２の影響度や第３クールの説明変数ｘ３の影響度や第４クールの説明変数ｘ４の影響度に比べてやや小さいことが判るようになり、複数のクール間において影響度の比較を適切に行うことができる。

本発明に係る複数の実施形態を説明したが、これらの実施形態は例として提示するものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１１・・・主メモリ、１２・・・バス、１３・・・外部記憶インタフェース、１４・・・入力インタフェース、１５・・・表示インタフェース、１６・・・データ入力インタフェース、２２・・・マウス、２３・・・外部記憶装置、２４・・・入力装置、２５・・・表示装置、２６－１～２６－ｍ・・・センサ、３０・・・基本予測モデル作成手段、３１・・・基本予測モデル、３２・・・正解確率取得手段、３３・・・全理想説明変数算出手段、３４・・・重要度取得手段、３５・・・異常検出時正解確率取得手段、３６・・・補正正解確率取得手段、３７・・・差分正解確率取得手段、３８・・・除算手段、３９・・・影響度取得手段、３９Ａ・・・影響度取得手段、４１・・・平均化手段、４２・・・標準化手段

Claims (12)

1. 説明変数から目的変数を求める基本予測モデルと、
   前記基本予測モデルが求めた目的変数の正解確率を求める正解確率取得手段と、
   前記基本予測モデルを用いた演算により本来正解として算出されるべき正解目的変数を求め、この正解目的変数によって説明変数を代替し、この正解目的変数と代替されていない残りの説明変数とから前記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を算出する手段であって全ての説明変数に代わるべき全理想説明変数を算出する全理想説明変数算出手段と、
   前記説明変数毎に説明変数の重要度を求める重要度取得手段と、
   前記基本予測モデルによる演算に基づき異常が検出された場合に、測定した値を説明変数として前記正解確率取得手段により目的変数の正解確率である異常検出時正解確率を得る異常検出時正解確率取得手段と、
   前記基本予測モデルによる演算に基づき前記異常が検出された場合の説明変数を、前記全理想説明変数の対応する１つで順次置き換える補正を行って前記基本予測モデルに投入して目的変数を求めると共に、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を前記正解確率取得手段によって得る補正正解確率取得手段と、
   前記説明変数毎に前記補正正解確率と前記異常検出時正解確率との差である差分正解確率を求める差分正解確率取得手段と、
   前記説明変数毎に前記差分正解確率を前記重要度により除算する除算手段と、
   前記除算手段の結果に基づき前記説明変数中のいずれが前記異常に影響したかを判定するための影響度を取得する影響度取得手段と
   を具備することを特徴とする影響説明変数特定装置。
2. 前記除算手段による除算結果を影響度とすることを特徴とする請求項１に記載の影響説明変数特定装置。
3. 前記除算手段による除算結果を標準化する標準化手段を具備し、
   前記標準化手段の結果を影響度とすることを特徴とする請求項１に記載の影響説明変数特定装置。
4. 整数Ｎ回分の測定した値を用いて処理を行い、
   各測定回毎に、除算結果を求め、
   各測定回毎の除算結果を平均化して前記説明変数毎の除算結果とすることを特徴とする請求項１乃至３のいずれか１項に記載の影響説明変数特定装置。
5. 説明変数から目的変数を求める基本予測モデルと、
   前記基本予測モデルが求めた目的変数の正解確率を求める正解確率取得手段と、
   前記基本予測モデルを用いた演算により本来正解として算出されるべき正解目的変数を求め、この正解目的変数によって説明変数を代替し、この正解目的変数と代替されていない残りの説明変数とから前記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を算出する手段であって全ての説明変数に代わるべき全理想説明変数を算出する全理想説明変数算出手段と、
   を用いた影響説明変数特定方法であって、
   前記基本予測モデルによる演算を行ったときに異常が検出された場合に、測定した値を説明変数として前記正解確率取得手段により目的変数の正解確率である異常検出時正解確率を得る処理を行い、
   前記基本予測モデルによる演算に基づき前記異常が検出された場合の説明変数を、前記全理想説明変数の対応する１つで順次置き換える補正を行って前記基本予測モデルに投入して目的変数を求めると共に、置き換えた理想説明変数毎に対応する正解確率である補正
   正解確率を前記正解確率取得手段によって得る処理を行い、
   前記説明変数毎に前記補正正解確率と前記異常検出時正解確率との差である差分正解確率を求める処理を行い、
   前記説明変数毎に説明変数の重要度を求める処理を行い、
   前記説明変数毎に前記差分正解確率を前記重要度により除算する処理を行い、
   前記除算する処理の結果に基づき前記説明変数中のいずれが前記異常に影響したかを判定するための影響度を取得する処理を行う
   ことを特徴とする影響説明変数特定方法。
6. 前記除算する処理を行って得た除算結果を影響度とすることを特徴とする請求項５に記載の影響説明変数特定方法。
7. 前記除算する処理を行って得た除算結果を標準化する処理を行い、
   前記標準化する処理の結果を影響度とすることを特徴とする請求項５に記載の影響説明変数特定方法。
8. 整数Ｎ回分の測定した値を用いて処理を行い、
   各測定回毎に、除算結果を求め、
   各測定回毎の除算結果を平均化して前記説明変数毎の除算結果とすることを特徴とする請求項５乃至７のいずれか１項に記載の影響説明変数特定方法。
9. コンピュータを、
   説明変数から目的変数を求める基本予測モデル、
   前記基本予測モデルが求めた目的変数の正解確率を求める正解確率取得手段、
   前記基本予測モデルを用いた演算により本来正解として算出されるべき正解目的変数を求め、この正解目的変数によって説明変数を代替し、この正解目的変数と代替されていない残りの説明変数とから前記正解目的変数を得るための代替された説明変数に代わるべき理想説明変数を算出する手段であって全ての説明変数に代わるべき全理想説明変数を算出する全理想説明変数算出手段、
   前記説明変数毎に説明変数の重要度を求める重要度取得手段、
   前記基本予測モデルによる演算に基づき異常が検出された場合に、測定した値を説明変数として前記正解確率取得手段により目的変数の正解確率である異常検出時正解確率を得る異常検出時正解確率取得手段、
   前記基本予測モデルによる演算に基づき前記異常が検出された場合の説明変数を、前記全理想説明変数の対応する１つで順次置き換える補正を行って前記基本予測モデルに投入して目的変数を求めると共に、置き換えた理想説明変数毎に対応する正解確率である補正正解確率を前記正解確率取得手段によって得る補正正解確率取得手段、
   前記説明変数毎に前記補正正解確率と前記異常検出時正解確率との差である差分正解確率を求める差分正解確率取得手段、
   前記説明変数毎に前記差分正解確率を前記重要度により除算する除算手段、
   前記除算手段の結果に基づき前記説明変数中のいずれが前記異常に影響したかを判定するための影響度を取得する影響度取得手段
   として機能させることを特徴とする影響説明変数特定用プログラム。
10. 前記コンピュータを前記除算手段として機能させ、この除算による除算結果を影響度とすることを特徴とする請求項９に記載の影響説明変数特定用プログラム。
11. 前記コンピュータを、
    前記除算手段による除算結果を標準化する標準化手段として機能させ、
    前記標準化手段の結果を影響度とすることを特徴とする請求項９に記載の影響説明変数
    特定用プログラム。
12. 前記コンピュータに、
    整数Ｎ回分の測定した値を用いた処理を行わせ、
    各測定回毎に、除算結果を求め、
    前記コンピュータを、各測定回毎の除算結果を平均化して前記説明変数毎の除算結果として処理させることを特徴とする請求項９乃至１１のいずれか１項に記載の影響説明変数特定用プログラム。

Images