JP7279473B2 - 異常検知装置、異常検知方法、および、コンピュータプログラム - Google Patents

Description

本発明は、異常検知装置、異常検知方法、および、コンピュータプログラムに関する。

従来から、製造工程で取得される説明変数を用いて、製造工程の異常を検知する異常検知装置が知られている。例えば、特許文献１には、説明変数の時系列データの相関係数行列からｇｒａｐｈｉｃｌａｓｓｏのアルゴリズムによって作成されるスパースな精度行列を用いて、異常の程度を計算する技術が開示されている。

特開２０１７－７８４６７号公報

しかしながら、特許文献１に記載の異常検知装置では、スパースな精度行列を計算するために時系列データが多変量正規分布に従う必要がある。このため、時系列データからノイズ成分を除去しなければならないが、ノイズ成分を除去するとデータをゆがめてしまうため、異常の検知精度が低下するおそれがあった。

本発明は、製品の製造工程における異常を検知する異常検知装置において、ノイズ成分が含まれる時系列データに対して、異常の検知精度を向上する技術を提供することを目的とする。

本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態として実現することが可能である。

（１）本発明の一形態によれば、製品の製造工程における異常を検知する異常検知装置が提供される。この異常検知装置は、前記製品の品質に関連する目的変数と前記製造工程で得られる説明変数との対応関係の時間的変化を示す時系列データを取得するデータ取得部と、取得された前記時系列データに対するランダムフォレストによる学習を行い、前記目的変数に対する前記説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出部と、抽出された前記変化パターンを用いて、前記製造工程における異常を検知する異常検知部と、を備える。

この構成によれば、異常を検知するために用いられる説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出部は、時系列データに対するランダムフォレストによって学習をおこなう。ランダムフォレストによる学習は、入力データ間に相関があっても、枝を選ぶ際に独立同分布となるため、変数間の相関の影響を排除することができる。これにより、時系列データに、長い周波数帯の変化とノイズ成分のような短い周波数帯の変化とが含まれていても、それぞれの周波数帯の変化に影響されることなく、製造工程における異常を検知することができる。したがって、ノイズ成分が含まれる時系列データに対して、異常の検知精度を向上することができる。

（２）上記形態の異常検知装置は、さらに、前記データ取得部によって取得された前記時系列データを用いて、前記目的変数の異常点を特定する特定部を備え、前記パターン抽出部は、特定された前記目的変数の異常点に対応する、前記説明変数のランダムフォレストインポータンスの変化パターンを抽出してもよい。この構成によれば、製品の品質に関連する目的変数の異常点を特定したのち、該異常点の目的変数に対応する説明変数の変化パターンを抽出する。これにより、製造工程中に取得される説明変数を用いて特定された異常点に着目して、製造工程における異常を検知することができる。したがって、異常の検知精度をさらに向上することができる。

（３）上記形態の異常検知装置において、前記特定部は、前記時系列データに対する周波数解析によって、前記目的変数の異常点を特定してもよい。この構成によれば、異常点を機械的に特定することができるため、異常の検知精度をさらに向上することができる。

（４）上記形態の異常検知装置において、前記特定部は、前記データ取得部によって取得された前記時系列データを用いて、前記目的変数の正常点を特定し、前記パターン抽出部は、特定された前記目的変数の正常点に対応する、前記説明変数のランダムフォレストインポータンスの変化パターンを抽出し、前記異常検知部は、前記異常点における前記変化パターンと前記正常点における前記変化パターンを用いて、前記製造工程の異常を検知してもよい。この構成によれば、異常点での変化パターンと、正常点での変化パターンとの比較によって、製造工程の異常が異常な状態であるか否かを判定することができる。これにより、異常の検知精度をさらに向上することができる。

なお、本発明は、種々の態様で実現することが可能であり、例えば、異常検知方法、異常検知システム、異常検知をコンピュータに実行させるコンピュータプログラム、コンピュータプログラムを配布するためのサーバ装置、コンピュータプログラムを記憶した一時的でない記憶媒体等などの形態で実現することができる。

第１実施形態の異常検知装置の概略構成を示す説明図である。 第１実施形態の異常検知処理を示すフローチャートである。 時系列データから選択された目的変数の時系列データを示す図である。 目的変数データで特定される異常点と正常点を説明する説明図である。 学習区間におけるランダムフォレストインポータンスを示す説明図である。 図５のランダムフォレストインポータンスの推移を示す説明図である。 検証区間におけるランダムフォレストインポータンスを示す説明図である。 図７のランダムフォレストインポータンスの推移を示す説明図である。 比較例の異常検知処理でのデータ加工を説明する説明図である。 第１実施形態と比較例との異常検知性能の比較結果を示す説明図である。

＜第１実施形態＞
図１は、第１実施形態における異常検知装置１の概略構成を示した説明図である。異常検知装置１は、製品５の製造工程での異常を検知する装置であって、製品５の品質に関連する目的変数が出力される前に、製品５の製造工程１０で得られる説明変数を用いて、製造工程の異常を検知する装置である。ここで、製品５の製造工程１０で得られる説明変数とは、製造工程１０において取得される製品５の製造に関連する工程条件や製品５の状態を示す物理量である。

製品５の製造に関連する工程条件や製品５の状態を示す物理量とは、例えば、製品５の原材料６の加工工程において原材料６に加えられる圧力の大きさや加圧時間、原材料６の加熱工程における原材料６の加熱温度や加熱時間、原材料６自身の温度などの数値である。また、製品５に関連する目的変数とは、例えば、完成時の製品５の重さ、製品５の所定の部位の厚みや製品５の表面状態など、主に完成した製品を検査することによって得られる製品５の特性を表す数値である。

異常検知装置１は、データ取得部１１と、特定部１２と、パターン抽出部１３と、パターン検証部１４と、記憶部１５と、異常検知部１６を備える。データ取得部１１は、ＣＰＵとＲＯＭ、ＲＡＭとから構成され、製造工程１０を構成する図示しない製造装置の制御部に電気的に接続している。特定部１２と、パターン抽出部１３と、異常検知部１６は、ＣＰＵがＲＯＭに格納されているコンピュータプログラムをＲＡＭに展開し実現される。記憶部１５は、ＲＯＭ、ＲＡＭなどの記憶媒体から構成されている。

データ取得部１１は、製造工程１０の製造装置の制御部と、特定部１２に接続している。データ取得部１１は、図１に示すように、製造工程１０から複数種の説明変数と目的変数を取得する。データ取得部１１は、取得した複数種の説明変数と目的変数を用いて、目的変数と、該目的変数に対応する複数種の説明変数との組み合わせの時間変化を示す時系列データを作成する。

特定部１２は、パターン抽出部１３に接続している。特定部１２は、データ取得部１１によって作成された時系列データを用いて、目的変数の異常点および正常点を特定する。特定部１２の作用の詳細は、後述する。

パターン抽出部１３は、パターン検証部１４に接続している。パターン抽出部１３は、作成された時系列データに対するランダムフォレストによる学習を行う。パターン抽出部１３は、ランダムフォレストによる学習によって、特定部１２が特定した異常点および正常点のそれぞれにおける目的変数に対する説明変数のランダムフォレストインポータンスの変化パターンを抽出する。パターン抽出部１３の作用の詳細は、後述する。

パターン検証部１４は、記憶部１５に接続している。パターン検証部１４は、パターン抽出部１３が抽出した説明変数のランダムフォレストインポータンスの変化パターンを検証する。パターン検証部１４の作用の詳細は、後述する。

記憶部１５は、異常検知部１６に接続している。記憶部１５は、パターン検証部１４が検証した説明変数のランダムフォレストインポータンスの変化パターンを記憶する。

異常検知部１６は、製造工程１０の製造装置の制御部に接続している。異常検知部１６は、製造工程１０の製造装置の制御部から取得する説明変数に対して記憶部１５が記憶している説明変数のランダムフォレストインポータンスの変化パターンを適用し、製造工程に異常があるか否かを判定する。異常検知部１６の作用の詳細は、後述する。

次に、異常検知装置１による、製造工程１０における異常検知処理の詳細を説明する。異常検知装置１が実行する異常検知処理は、製造工程１０に異常が発生したとき、製造工程１０で取得される説明変数の変化パターンから、該説明変数に対応する目的変数が取得される前に異常を検知するための処理である。異常検知装置１が実行する異常検知処理は、製造工程１０での製品５の製造が行われているときには常時実行される。

図２は、本実施形態の異常検知処理を示すフローチャートである。最初に、製造工程１０から、時系列データを取得する（ステップＳ１１）。ステップＳ１１では、データ取得部１１は、製造工程１０の製造装置の制御部に記憶されている説明変数を取得する。また、データ取得部１１は、製品５の目的変数であって該説明変数に対応する目的変数を取得する。データ取得部１１は、取得した説明変数と目的変数との対応関係の時間的変化を示す時系列データを作成する。

次に、作成した時系列データから目的変数の時系列データ（以下、「目的変数データ」という）を選択する（ステップＳ１２）。ステップＳ１２では、データ取得部１１は、ステップＳ１１で作成した時系列データのうち目的変数データを選択するとともに、時系列データおよび選択した目的変数データのそれぞれを、学習区間と検証区間とに分離する。データ取得部１１は、学習区間と検証区間とに分離された時系列データおよび選択した目的変数データを、特定部１２に送る。

図３は、時系列データから選択された目的変数データを示す図である。図３に示す目的変数データから、目的変数の時間変化を確認することが可能である。また、ステップＳ１２では、上述したように、図３のように分離した目的変数データを、後述する変化パターンを抽出するための学習区間と、抽出した変化パターンを検証するための検証区間とに分離する。

次に、目的変数データにおいて異常点と正常点を特定する（ステップＳ１３）。ステップＳ１３では、特定部１２は、ステップＳ１２で選択された目的変数データにおいて、異常点と正常点を特定する。

図４は、目的変数データにおいて特定される異常点と正常点を説明する説明図である。特定部１２は、図４（ａ）に示すように、目的変数の時間経過に伴う変動を参考にして、目的変数に対して異常点α、β、γと、正常点Ｒ、Ｓ、Ｔ、Ｕを特定する。ここで、異常点としては、ある時点からの一定の時間内での目的変数の動きの幅（図４（ａ）には、一例として異常点αでの幅Ｗαを示す）が所定の範囲より広いときの、該ある時点とする。また、正常点としては、ある時点からの一定の時間内での目的変数の動きの幅（図４（ａ）には、一例として正常点Ｒでの幅ＷＲを示す）が所定の範囲内であるときの、該ある時点とする。なお、これらの異常点および正常点の定義は一例であって、異常点および正常点の定義は、これらに限定されない。本実施形態では、特定部１２は、目的変数データに対して周波数解析を用いて、異常点および正常点を特定する。例えば、特定部１２は、図４（ａ）に示す目的変数データに対してピーク検出などの計算結果を用いて、異常点および正常点を機械的に特定する。

次に、特定した異常点と正常点において、目的変数に対する望ましい説明変数の変化を定義する（ステップＳ１４）。ステップＳ１４では、特定部１２は、ステップＳ１３で特定した異常点α、β、γと、正常点Ｒ、Ｓ、Ｔ、Ｕとのそれぞれの目的変数に対して、望ましい説明変数の変化を定義する。図４（ｂ）には、特定部１２によって定義される、異常点α、β、γと、正常点Ｒ、Ｓ、Ｔ、Ｕのそれぞれにおける、望ましい説明変数の変化を示す。本実施形態では、図４（ｂ）に示すように、異常点α、β、γと、正常点Ｒ、Ｓ、Ｔ、Ｕとのそれぞれにおいて、説明変数の変化を、「高」または「低」のいずれかに定義する。特定部１２は、特定した異常点α、β、γと正常点Ｒ、Ｓ、Ｔ、Ｕに関する情報、および、望ましい説明変数の変化に関する情報をパターン抽出部１３に送る。

次に、時系列データの学習区間に対してランダムフォレストを適用する（ステップＳ１５）。ステップＳ１５では、パターン抽出部１３は、説明変数の時系列データ（以下、「説明変数データ」という）の学習区間を入力変数とし、目的変数データの学習区間を目的変数とするランダムフォレストを実施する。

図５は、時系列データの学習区間における説明変数のランダムフォレストインポータンスを示す説明図である。図５には、白抜きの記号で示す説明変数のランダムフォレストインポータンスのほかに、目的変数の値もあわせて示している。

次に、ランダムフォレストの結果から異常点および正常点付近のみで生じる特徴的な説明変数を抽出する（ステップＳ１６）。ステップＳ１６では、パターン抽出部１３は、説明変数データの学習区間において、ステップＳ１３で特定した異常点および正常点付近のみで生じる、例えば、ランダムフォレストインポータンスが上昇またはランダムフォレストインポータンスが下降するなどの、特徴的な説明変数を抽出する。

図６は、図５の説明変数のランダムフォレストインポータンスの相対的な推移を示す説明図である。図６には、ステップＳ１３で特定した異常点α、β、と、正常点Ｒ、Ｓ、Ｔのそれぞれでの、望ましい説明変数の変化と、複数の説明変数のそれぞれの相対的な推移が示されている。図６を具体的に見てみると、望ましい説明変数の変化に対して異なる変化を示している説明変数がいくつか存在することがわかる。例えば、正常点Ｓについては、望ましい変数の変化が「高」であるのに対し、説明変数ａ、ｂ、ｃ、ｄ、ｈは、変化が「低」となっている（図６の点線枠Ｎ１１、Ｎ１２）。また、異常点βについては、望ましい変数の変化が「低」であるのに対し、説明変数ｇは、変化が「高」となっている（図６の点線枠Ｎ１３）。また、正常点Ｔについては、望ましい変数の変化が「高」であるのに対し、説明変数ｅ、ｆは、変化が「低」となっている（図６の点線枠Ｎ１４）。パターン抽出部１３は、このように、ステップＳ１４で定義した望ましい説明変数の変化と異なる変化を示す説明変数を、特徴的な説明変数（図６の例では、異常点については説明変数ｇ、正常点については説明変数ａ、ｂ、ｃ、ｄ、ｅ、ｆ、ｈ）として、複数種の説明変数から抽出する。

次に、ステップＳ１６での抽出結果を合成し、変数群を作成する（ステップＳ１７）。ステップＳ１７では、パターン抽出部１３は、ステップＳ１６で抽出された特徴的な説明変数の集合を、変数群（図６の点線枠Ｇ１）として作成する。

次に、変化パターンを学習し、ルールを作成する（ステップＳ１８）。ステップＳ１８では、パターン抽出部１３は、ステップＳ１７で作成した変数群について、該変数群に含まれる説明変数の変化を、変数群の変化パターンとして学習する。パターン抽出部１３は、時系列データの学習区間と、学習した変化パターンとを用いて、後述する製造工程１０での異常検知をするためのルールを作成する。

次に、時系列データの検証区間にルールを適用し、目的変数データの検証区間の該当箇所を抽出する（ステップＳ１９）。ステップＳ１９では、パターン検証部１４は、時系列データの検証区間を選択し、選択した時系列データの検証区間に対してランダムフォレストを適用する。

図７は、時系列データの検証区間における説明変数のランダムフォレストインポータンスを示す説明図である。図７には、白抜きの記号で示す説明変数のランダムフォレストインポータンスのほかに、目的変数の値もあわせて示している。パターン検証部１４は、図７に示す説明変数のランダムフォレストインポータンスに、ステップＳ１８で作成したルールを適用し、目的変数データの検証区間のうち、ルールに該当する箇所を抽出する。

次に、抽出された該当箇所と異常点および正常点を比較する（ステップＳ２０）。ステップＳ２０では、ステップＳ１９で抽出されたルールに該当する箇所と、ステップＳ１３で特定されていた異常点および正常点と、を比較し、ルールによる異常検知の精度を検証する。

図８は、図７の説明変数のランダムフォレストインポータンスの相対的な推移を示す説明図である。図８には、図８（ａ）に、ステップＳ１３で特定されていた異常点γおよび正常点Ｔ、Ｕについて、ステップＳ１７で作成された変数群のランダムフォレストインポータンスを示している。ステップＳ２０では、具体的には、ルールに該当する箇所と異常点γおよび正常点Ｔ、Ｕとがどの程度近接しているかを検証する。

また、ステップＳ２０では、時系列データの学習区間と学習した変化パターンとを用いて作成したルールが、時系列データの検証区間に存在する異常点および正常点を導出できるか否かを判定し、ルールによる異常点および正常点の導出精度を検証する。具体的に、図８（ｂ）に示す、図６で示した学習区間における説明変数のランダムフォレストインポータンスの相対的な推移を示す説明図を用いて説明する。検証区間の異常点γ（図８（ａ））と学習区間の異常点α、β（図８（ｂ））とを比較すると、異常点βで望ましい説明変数の変化と異なる変化を示した説明変数ｇは、学習区間では「低」であり（図８（ｂ）の点線枠Ｎ１３）、検証区間の異常点γでも「低」となっている（図８（ａ）の点線枠Ｎ１５）。また、検証区間の正常点Ｕ（図８（ａ））と学習区間の正常点Ｓ、Ｔ（図８（ｂ））とを比較すると、正常点Ｓで望ましい説明変数の変化と異なる変化を示した説明変数ａ～ｄ、ｈは、学習区間では「高」となっているが（図８（ｂ）の点線枠Ｎ１１、Ｎ１２）、検証区間の正常点Ｕでは、説明変数ａ～ｃは「高」となっているものの、説明変数ｄ、ｈは「低」となっている（図８（ｂ）の点線枠Ｎ１６、Ｎ１７）。また、正常点Ｔで望ましい説明変数の変化と異なる変化を示した説明変数ｅ、ｆは、学習区間では「高」であり（図８（ｂ）の点線枠Ｎ１４）、検証区間の正常点Ｕでも「高」となっている（図８（ａ）の点線枠Ｎ１８）。パターン検証部１４は、このようなルールによる異常点および正常点の導出精度の検証結果を、ルールに該当する箇所と異常点γおよび正常点Ｔ、Ｕとの近接度合いの検証結果、ならびに、ステップＳ１８で作成したルールとともに、記憶部１５に出力する。記憶部１５では、これらの情報を記憶する。

次に、製造工程で取得されるデータをルールで解析し、異常を検知する（ステップＳ２１）。ステップＳ２１では、異常検知部１６は、記憶部１５に記憶されているルールおよび検証結果を用いて、製造工程１０で製品５の製造が行われているときに収集されるデータを常時解析し、ルールに当てはまったときを異常と検知する。異常検知部１６は、製造工程に異常があると検知すると、異常検知装置１の外部に出力する。なお、本実施形態では、製造工程１０での製品５の製造が行われているときには常時実行されることによって、ルールは製品５が完成し目的変数が入力されるごとにルールは更新される。これにより、異常検知処理では、完成した製品５の情報が反映された更新ルールを用いて、完成前の製品５に対する製造工程１０での異常を検知することが可能となる。

図９は、比較例の異常検知処理でのデータ加工を説明する説明図である。図９には、製造工程で取得される時系列データＬ１に対して、ノイズ除去を行った場合のデータ線Ｌ２を示している。ここで、比較例の異常検知処理とは、時系列データの相関係数行列から、ｇｒａｐｈｉｃｌａｓｓｏのアルゴリズムによって作成されるスパースな精度行列を用いて異常を検知する処理である。比較例の異常検知処理では、スパースな精度行列を計算するにあたって、時系列データのノイズを除去する必要がある。このため、図９に示す時系列データＬ１のように、短い周波数帯（図９の二点鎖線枠Ｆ１参照）の変化が大きく、かつ、長い周波数帯（図９の鎖線枠Ｆ２参照）の変化が小さい場合に、短い周波数帯のデータ除去を行う必要がある。このため、短い周波数帯のデータが除去された加工データからの異常検知では、異常の検知精度が低下することが懸念される。

以上説明した、本実施形態の異常検知装置１によれば、異常を検知するために用いられる説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出部１３は、時系列データに対するランダムフォレストによって学習をおこなう。ランダムフォレストによる学習は、入力データ間に相関があっても、枝を選ぶ際に独立同分布となるため、変数間の相関の影響を排除することができる。これにより、時系列データに、長い周波数帯の変化と、ノイズ成分のような短い周波数帯の変化とが含まれていても、それぞれの周波数帯の変化に影響されることなく、製造工程における異常を検知することができる。したがって、ノイズ成分が含まれる時系列データに対して、異常の検知精度を向上することができる。

また、本実施形態の異常検知装置１によれば、ランダムフォレストによって学習を行うため、ｇｒａｐｈｉｃｌａｓｓｏによる学習が適用困難な、相関が強い時系列データであっても、異常検知のための情報を得ることができる。これにより、異常を検知する対象の時系列データの前提条件が比較的緩くなるため、適用可能な時系列データの範囲を広げることができる。

また、本実施形態の異常検知装置１によれば、ランダムフォレストによる学習では、入力される時系列データの規格化が不要であり、ノイズ成分の有無による事前のデータ加工も不要である。これにより、例えば、時系列データの正規化が必要であり、ノイズ成分を除去する必要があるスパースな精度行列の計算に比べ、短時間で異常を検知する処理を行うことができる。したがって、ノイズ成分が含まれる時系列データからでも、製造工程の異常を迅速に検知することができる。

図１０は、本実施形態での異常処理と比較例の異常処理との異常検知性能の比較結果を示す説明図である。比較例の処置処理は、図９で述べた比較例と同じ処理である。図１０には、本実施形態と比較例とのそれぞれを、変数７００、サンプルサイズ１０００００の時系列データに対して適用した計算結果を示している。図１０に示すように、本実施形態での計算結果は、正答率が比較例と同程度である一方、計算に要する時間が比較例に比べ３分の１以下となる。このように、本実施形態の異常検知装置１では、異常検知にかかる時間を短縮できるため、製品５が完成し、製品５の性能評価を行う前段階で、製品５の性能の異常を検知し、製造工程１０に対策を講じることができる。すなわち、製品５が完成する前に、異常を検知することができるため、不良の製品５の発生を抑制することができる。

また、本実施形態の異常検知装置１は、特定部１２において、データ取得部１１によって取得された時系列データを用いて、目的変数の異常点を特定する。パターン抽出部１３は、特定部１２が特定した異常点において、目的変数に対する説明変数のランダムフォレストインポータンスの変化パターンを抽出する。これにより、異常点を特定したのち、該異常点の目的変数に対応する説明変数の変化パターンを抽出するため、製造工程１０中に取得される説明変数を用いて特定された異常点に着目して、製造工程１０における異常を検知することができる。したがって、異常の検知精度をさらに向上することができる。

また、本実施形態の異常検知装置１によれば、特定部１２は、時系列データに対する周波数解析によって、目的変数の異常点を特定する。これにより、異常点を機械的に特定することができるため、異常の検知精度をさらに向上することができる。

また、本実施形態の異常検知装置１によれば、特定部１２は、データ取得部１１によって取得された時系列データを用いて、目的変数の正常点を特定する。パターン抽出部１３は、特定された目的変数の正常点に対応する、説明変数のランダムフォレストインポータンスの変化パターンを抽出する。異常検知部１６は、異常点における変化パターンと正常点における変化パターンを用いて、製造工程１０における異常を検知する。これにより、異常点での変化パターンと、正常点での変化パターンとの比較によって、製造工程１０が異常な状態であるか否かを判定することができる。これにより、異常の検知精度をさらに向上することができる。

＜本実施形態の変形例＞
本発明は上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲において種々の態様において実施することが可能であり、例えば次のような変形も可能である。

［変形例１］
上述の実施形態では、目的変数は、主に完成した製品を検査することによって得られる製品５の特性を表す数値であるとし、説明変数は、製造工程１０において取得される製品５の製造に関連する工程条件や製品５の状態を示す物理量であるとした。しかしながら、目的変数および説明変数の定義、これに限定されない。例えば、製品を完成させるための複数の製造装置のうちの１つの製造装置から得られるデータであって、複数の項目についてのそれぞれの時系列データが含まれているデータでもよいと思われる。この場合、１つの製造装置から得られるデータのうち、例えば、温度や圧力なども「製品の品質に関連する目的変数」と見ることができ、該１つの製造装置において、温度や圧力などに影響を及ぼす因子を「製造工程で得られる説明変数」と見ることができる。また、説明変数は、製造工程１０において取得される全ての工程条件や製品５の状態を示す物理量でなくてもよい。

［変形例２］
上述の実施形態は、異常検知装置１は、時系列データを用いて、目的変数の異常点および正常点を特定する特定部１２を備えるとした。特定部はなくてもよい。

［変形例３］
上述の実施形態は、特定部１２は、目的変数データに対して周波数解析を用いて、異常点および正常点を特定するとした。しかしながら、特定部１２による異常点および正常点の特定方法は、これに限定されない。例えば、過去の標準データの運用実績を用いて外生的に人為的に特定してもよい。

［変形例４］
上述の実施形態は、異常検知処理は、製造工程１０での製品５の製造が行われているときには常時実行されるとした。しかしながら、異常検知処理が実行されるときはこれに限定されない。製造工程１０での製品５の製造が実行される前段階、例えば、製造試験などにおいて、変数群の変化パターンとして学習しルールを作成してから、該ルールを、製造工程１０に適用し、異常検知を行ってもよい。

［変形例５］
上述の実施形態は、ステップＳ１６において、ランダムフォレストの結果から異常点および正常点付近のみで生じる特徴的な説明変数を抽出するとした。しかしながら、特徴的な説明変数の抽出の内容は、これに限定されない。異常点付近のみで生じる特徴的な説明変数の抽出と、正常点付近のみで生じる特徴的な説明変数の抽出とは、別々に行ってもよいし、異常点付近のみで生じる特徴的な説明変数の抽出のみであってもよい。

以上、実施形態、変形例に基づき本態様について説明してきたが、上記した態様の実施の形態は、本態様の理解を容易にするためのものであり、本態様を限定するものではない。本態様は、その趣旨並びに特許請求の範囲を逸脱することなく、変更、改良され得るとともに、本態様にはその等価物が含まれる。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することができる。

１…異常検知装置
５…製品
６…原材料
１０…製造工程
１１…データ取得部
１２…特定部
１３…パターン抽出部
１４…パターン検証部
１５…記憶部
１６…異常検知部

Claims (5)

1. 製品の製造工程における異常を検知する異常検知装置であって、
   前記製品の品質に関連する目的変数と前記製造工程で得られる説明変数との対応関係の時間的変化を示す時系列データを取得するデータ取得部と、
   前記データ取得部によって取得される前記時系列データを用いて、前記目的変数の異常点を特定する特定部であって、前記異常点における前記目的変数の動きに対して、前記製品の情報から予測される説明変数の変化を設定する特定部と、
   取得された前記時系列データに対するランダムフォレストによる学習を行い、前記目的変数に対する前記説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出部と、
   抽出された前記変化パターンを用いて、前記製造工程における異常を検知する異常検知部と、を備え、
   前記パターン抽出部は、前記目的変数の異常点において、前記特定部によって設定されている説明変数の変化と異なる変化を示す説明変数の変化パターンを、前記説明変数のランダムフォレストインポータンスの変化パターンとして抽出する、
   異常検知装置。
2. 請求項１に記載の異常検知装置であって、
   前記特定部は、前記時系列データに対する周波数解析によって、前記目的変数の異常点を特定する、
   異常検知装置。
3. 請求項１または請求項２に記載の異常検知装置であって、
   前記特定部は、前記データ取得部によって取得された前記時系列データを用いて、前記目的変数の正常点を特定し、
   前記パターン抽出部は、特定された前記目的変数の正常点に対応する、前記説明変数のランダムフォレストインポータンスの変化パターンを抽出し、
   前記異常検知部は、前記異常点における前記変化パターンと前記正常点における前記変化パターンを用いて、前記製造工程の異常を検知する、
   異常検知装置。
4. 製品の製造工程における異常を検知する異常検知方法であって、
   前記製品の品質に関連する目的変数と前記製造工程で得られる説明変数との対応関係の時間的変化を示す時系列データを取得するデータ取得工程と、
   前記データ取得工程において取得される前記時系列データを用いて、前記目的変数の異常点を特定する特定工程であって、前記異常点における前記目的変数の動きに対して、前記製品の情報から予測される説明変数の変化を設定する特定工程と、
   取得された前記時系列データに対するランダムフォレストによる学習を行い、前記目的変数に対する前記説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出工程と、
   抽出された前記変化パターンを用いて、前記製造工程における異常を検知する異常検知工程と、を備え、
   前記パターン抽出工程では、前記目的変数の異常点において、前記特定工程において設定されている説明変数の変化と異なる変化を示す説明変数の変化パターンを、前記説明変数のランダムフォレストインポータンスの変化パターンとして抽出する、
   異常検知方法。
5. 製品の製造工程における異常の検知をコンピュータに実行させるコンピュータプログラムであって、
   前記製品の品質に関連する目的変数と前記製造工程で得られる説明変数との対応関係の時間的変化を示す時系列データを取得するデータ取得機能と、
   前記データ取得機能によって取得される前記時系列データを用いて、前記目的変数の異常点を特定する特定機能であって、前記異常点における前記目的変数の動きに対して、前記製品の情報から予測される説明変数の変化を設定する特定機能と、
   取得された前記時系列データに対するランダムフォレストによる学習を行い、前記目的変数に対する前記説明変数のランダムフォレストインポータンスの変化パターンを抽出するパターン抽出機能であって、前記目的変数の異常点において、前記特定機能によって設定されている説明変数の変化と異なる変化を示す説明変数の変化パターンを、前記説明変数のランダムフォレストインポータンスの変化パターンとして抽出するパターン抽出機能と、
   抽出された前記変化パターンを用いて、前記製造工程における異常を検知する異常検知機能と、を前記コンピュータに実行させる、
   コンピュータプログラム。

Images