JPWO2018146768A1

JPWO2018146768A1 - 不良要因推定装置および不良要因推定方法

Info

Publication number: JPWO2018146768A1
Application number: JP2018566705A
Authority: JP
Inventors: 泰弘遠山
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2017-02-09
Filing date: 2017-02-09
Publication date: 2019-04-25
Also published as: DE112017006733T5; TW201830186A; KR20190098254A; CN110249276A; TWI646414B; WO2018146768A1; US20200125970A1

Abstract

この発明の不良要因推定装置は、設備を構成する機器のカテゴリデータを収集するデータ収集部と、前記データ収集部で収集されたカテゴリデータを含むデータの相関の指標を算出する相関算出部と、前記相関算出部で算出された相関の指標の変化に基づき、前記カテゴリデータを含むデータの組み合わせを不良に関わるデータとして抽出するデータ抽出部と、前記不良に関わるデータと関連するデータの中から、不良要因と推定されるデータを抽出する因果関係推定部と、を備えることを特徴とする。このような構成により、従来技術では検知できなかった不良を検知することができる。

Description

この発明はデータの相関分析により不良要因を推定する不良要因推定装置に関するものである。

製造装置、昇降機、空調機、発電プラント装置等の機器において、故障・異常等の不良発生時の保守作業効率化のため、不良の要因を特定し、不良の発生を予測することは有用である。例えば、特許文献１は、複写機等の障害予測する際に、複数のセンサから得られた時系列データ(以下、センサデータ)が異常として検出された場合に、不良原因のパラメータ(以下、データ項目)を特定するための手法を示している。特許文献１では、正常時に相関のあるデータ項目組の相関係数が、閾値を下回った場合に異常として検出し、検出したデータ項目と類似した傾向を示したデータ項目と併せて原因データ項目として特定する。原因データ項目特定時、予め全データ項目を関連のあるデータ項目群に分類しておき、検出されたデータ項目が属する群内のみ検索することで、原因データ項目の特定を高速化、高精度化している。

特開２０１３−４１１７３号公報

製造装置、昇降機、空調機、発電プラント装置等の機器に対して不良要因を特定するとき、従来の手法では、センサデータに対して相関分析を適用している。機器には、センサデータ以外にも機器の設定値、機種や型番等の機器情報、機器が正しく動作したかのOK/NG判定等の情報であるカテゴリデータがある。不良がカテゴリデータのみに現れる可能性があるが、従来の手法では相関分析の対象外であるため、カテゴリデータのみに現れる不良は検知できない課題がある。例えば、空調機において、設定温度に対して室温が大きく乖離している不良の場合、センサデータから計測した値(使用電力と室温など)の相関関係ではわからないが、設定温度と室温の相関関係では容易に不良が検知できる可能性がある。

本発明は上記の課題を解決するためになされたものであって、カテゴリデータを活用することで、従来技術では検知できなかった不良を検知することを目的とする。

この発明に係る不良要因推定装置は、設備を構成する機器のカテゴリデータを収集するデータ収集部と、前記データ収集部で収集されたカテゴリデータを含むデータの相関の指標を算出する相関算出部と、前記相関算出部で算出された相関の指標の変化に基づき、前記カテゴリデータを含むデータの組み合わせを不良に関わるデータ項目として抽出するデータ抽出部と、前記不良に関わるデータ項目と関連するデータ項目の中から、不良要因と推定されるデータ項目を抽出する因果関係推定部と、を備えることを特徴とする。

この発明によれば、カテゴリデータを活用することで、従来技術では検知できなかった不良を検知することができる。

この発明の実施の形態１に係る不良要因推定装置１の構成を示す図。この発明の実施の形態１に係るカテゴリデータのデータ項目の例。この発明の実施の形態１に係るセンサデータのデータ項目の例。この発明の実施の形態１に係る不良要因推定装置１でのデータの処理例。この発明の実施の形態１に係る不良要因推定装置１での処理を示すフローチャート。この発明の実施の形態１に係る不良要因推定装置１のハードウエア構成例。この発明の実施の形態２における不良要因推定装置１の構成例。この発明の実施の形態３における不良要因推定装置１の構成例。この発明の実施の形態４における不良要因推定装置１の構成例。

実施の形態１．
以下、この発明の実施の形態について説明する。

本実施の形態、および以降の実施の形態では、カテゴリデータを活用した不良要因推定装置および不良要因推定方法について説明する。

図１は、本発明で用いる不良要因推定装置１の構成例である。不良要因推定装置１は、データ収集部１０１、関連データ項目分類部１０２、データ項目組抽出部１０３、データ項目組格納部１０４、相関算出部１０５、不良キーデータ項目抽出部１０６、因果関係推定部１０７から構成される。以降の各図において、同一符号は同一または相当部分を示す。

データ収集部１０１では、機器の設定値、機種や型番等の機器情報、機器が正しく動作したかのOK/NG判定等のカテゴリデータ情報を収集、蓄積する。機器にセンサが設置されており、センサデータも収集可能な場合には、センサデータを併せて収集、蓄積してもよい。機器が正しく動作したかのOK/NG判定等はセンサデータと設定値から判定されることもあるが、データ収集部１０１では、このセンサデータと設定値の一方、または両方を収集、蓄積してもよい。

製造装置を例として、カテゴリデータの例を図２に、センサデータの例を図３に示す。ここで、カテゴリデータには、単に分類するために整理番号（例えば、機種ID (Identifier)）として数値を割り当てる名義尺度、順序には意味があるがその間隔には意味がない数値を割り当てた順序尺度が含まれる。

図２では、データ収集部１０１にて収集したカテゴリデータのデータ項目の例として、設備ID、機種ID、機器ID、製造日時、製造部品ID、設定リストID、OK/NG判定などを示している。図２の値は一例である。データ項目は、実際の設備、機器から収集したカテゴリデータの項目を格納するため変更可能。設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、1つの表としても構わない。設備、機器の対応付けが可能であれば、１つの設備、機器のデータが複数の表に分割されていても構わない。

図３では、センサデータのデータ項目の例として、気温、振動、回転速度、接点1電流、接点1電圧、接点2電流、接点2電圧などを示している。図３の値は一例である。データ項目は、実際の設備、機器から収集したセンサデータの項目を格納するため変更可能。設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、1つの表としても構わない。機器の対応付けが可能であれば、1つの設備、機器のデータが複数の表に分割されていても構わない。気温、湿度等の、各機器共通のデータ項目を、各機器のデータ以外の表で管理しても構わない。

関連データ項目分類部１０２では、データ収集部１０１にて収集したデータ項目を、関連のあるデータ項目ごとに分類する。データ項目間の分類は、最近傍法やk-means法等の一般的なクラスタリング手法でもよい。スピアマンの順位相関係数や、クラメールの連関係数等の一般的な相関分析手法により、相関が高いもの同士を同じ分類とする分類方法でも良い。関連のあるデータ項目を、機器の構成やデータ項目の持つ意味から分類の指標を与えても良い。データ項目を関連のあるデータ項目ごとに分類することで、相関関係の算出において、偽相関の影響を軽減することが見込める。

データ項目組抽出部１０３では、関連データ項目分類部１０２にて分類した分類ごとに、相関のあるデータ項目の組み合わせ(以下、データ項目組)を抽出する。相関の指標として、スピアマンの順位相関係数や、クラメールの連関係数等の一般的な相関分析手法を用いて、相関係数や連関係数が大きいデータ項目組を抽出しても良い。関連のあるデータ項目組を、機器の構成やデータ項目の持つ意味から抽出しても良く、データ項目を組、単体のどちらの指定でも良い。

データ項目組格納部１０４では、データ項目組抽出部１０３にて抽出したデータ項目組ごとに、データ項目を識別可能な名称、ID等や、関連データ項目分類部１０２の分類を識別可能な名称、ID等を格納する。データ項目組抽出部１０３にて算出した相関の指標の値を、併せて格納しても良い。

関連データ項目分類部１０２からデータ項目組格納部１０４までの処理によって、多くの組み合わせの中から相関のあるデータ項目の組み合わせを抽出することができる。また、相関算出部１０５ではこの抽出されたデータ項目に対してのみ相関を算出することで、相関関係の分析を効率的に行うことができる。

相関算出部１０５では、データ収集部１０１にて収集されたカテゴリデータを一定時間幅(以下、時間窓)で区切ったデータ(以下、時間窓データ)に対して、データ項目組格納部１０４に格納されたデータ項目組ごとに相関関係の指標を算出する。相関関係の指標(以下、相関指標)として、スピアマンの順位相関係数や、クラメールの連関係数等の一般的な相関分析手法を用いる。ここで、データ項目組の尺度に応じて相関指標を変更すると、相関関係を表す精度を向上できる見込みがある。カテゴリデータの尺度は一般的な定義として、順序尺度と名義尺度がある。データ項目組の尺度に応じた相関指標の選択の例として、データ項目組のデータ項目が両方とも順序尺度の場合はスピアマンの順位相関係数、両方とも名義尺度の場合はクラメールの連関係数、順序尺度と名義尺度の組み合わせの場合は順位相関比などである。上記以外の一般的な相関関係を表す指標を用いても良い。使い分けずに1種類の相関指標を全データ項目に適用しても良い。カテゴリデータから相関関係を算出する時間窓データの抽出方法の例を図４に示す。

図４では、カテゴリデータから抽出する時間窓を1行ずつスライドし、時間窓データとして抽出する例を示す。スライド幅、時間窓幅は任意に設定して良い。また、時間窓は重複していなくても良い。不良が発生していない期間と、不良要因を推定したい期間等で分けるなど、時間窓を一定幅としなくても良い。

不良キーデータ項目抽出部１０６では、相関算出部１０５で算出した相関指標値に変化が見られたデータ項目を、不良のキーとなるデータ項目(以下、不良キーデータ項目)として検出する。基本的に、相関指標値が時間的に変化するのは、何か問題が起きているからであり、その不良を検出する。ここでの1つの目的は、普段は強い相関があるデータ項目組の相関が弱くなることを検出することである。この目的を満たす方法として、相関指標値が時間経過により小さくなったことを検出する。小さくなったことを判定する閾値は、データ項目組ごと、または全データ項目組一括で任意の値を設定可能。別の目的は、データ項目組抽出部１０３にて、関連のあるデータ項目組を、機器の構成やデータ項目の持つ意味から抽出した等、普段から強い相関があるとは限らない場合に、普段と比較して相関が変化したことを検出することである。この目的を満たす方法として、相関指標値が時間経過により大きく、または小さくなったことを検出する。大きく、または小さくなったことを判定する閾値は、データ項目組ごと、または全データ項目組一括で任意の値を設定可能。複数のデータ項目組が検出された場合は、最初に検出されたデータ項目組を不良キーデータ項目として採用する。

因果関係推定部１０７では、不良キーデータ項目抽出部１０６にて抽出した不良キーデータ項目と関連するデータ項目(以下、関連データ項目)を検索し、不良要因の可能性があるデータ項目(以下、不良要因データ項目)として抽出する。検索する範囲は、関連データ項目分類部１０２にて分類した分類のうち、不良キーデータ項目と同じ分類内とする。ただし、他の分類も検索範囲に含めることもできる。不良キーデータ項目との関連として、不良キーデータ項目抽出部１０６で抽出するに至らなかったが、データ項目組の相関指標値が時間経過により変化したデータ項目を、関連データ項目として検出する。相関指標値が変化したことを判定する閾値は、データ項目組ごと、または全データ項目組一括で任意の値を設定可能。ただし、不良キーデータ項目抽出部１０６で抽出するに至っていないため、相関指標値が小さくなったことを検出する閾値は不良キーデータ項目抽出部１０６での閾値より大きく、相関指標値が大きくなったことを検出する閾値は不良キーデータ項目抽出部１０６での閾値より小さくする。因果関係の推定として、不良キーデータ項目が結果、関連データ項目が要因として扱ってもよい。複数の関連データ項目が検出された場合は、検出された順番から、後に検出された関連データ項目を結果、先に検出されたデータ項目を要因として因果関係を続けてもよい。因果関係を、機器の構成やデータ項目の持つ意味からリスト化し、不良キーデータ項目に対応する因果関係のリストを引用してもよい。不良キーデータ項目と抽出した関連データ項目を、不良要因データ項目とする。不良要因データ項目の因果関係から、全体の要因として検出された不良要因データ項目を、最も不良要因の可能性が高いと推定してもよい。不良要因データ項目ごとに相関指標値の変化率を定義し、変化率が最大の不良要因データ項目を、最も不良要因の可能性が高いと推定してもよい。

図５に、不良要因推定装置１の処理フローの例を示す。まず、データ収集部１０１でデータを収集（５００）した後、関連データ項目分類部１０２において、データ項目を分類する方法を選択する（５０１）。機器の構成やデータ項目の持つ意味から分類する場合は、予め用意したルールでデータ項目を分類する（５０２）。ルールを使用しない場合は、クラスタリング手法、相関分析手法等を利用し、データ項目を分類する（５０３）。５０２または５０３が終了すると、データ項目組抽出部１０３おいて、データ項目組を抽出する方法を選択する（５０４）。機器の構成やデータ項目の持つ意味から抽出する場合は、予め用意したルールでデータ項目を抽出する（５０５）。ルールを使用しない場合は、予め用意したルールでデータ項目組を抽出する（５０６）。相関算出部１０５の処理において、相関分析手法を用いて時間窓データから相関指標値を算出する（５０７）。不良キーデータ項目抽出部１０６の処理において、不良キーデータ項目を抽出する閾値を超えたか否かを判定する（５０８）。超えている場合は、不良キーデータ項目を抽出する（５０９）。超えていない場合は、５０８にて次の相関指標値の判定を実施する。５０９が終了すると、因果関係推定部１０７において、不良キーデータ項目と関連する関連データ項目を抽出し、不良要因データ項目を抽出する（５１０）。

なお、関連データ項目分類部１０２からデータ項目組格納部１０４までの処理によって、多くの組み合わせの中から相関のあるデータ項目の組み合わせを抽出するが、相関算出部１０５で算出する相関があらかじめ決まっている場合には、関連データ項目分類部１０２からデータ項目組格納部１０４までの処理によるデータ項目の抽出を行わなくてもよい。この場合には、あらかじめ決まっているデータ項目に対して、相関算出部１０５で相関関係を算出する。

本発明の１つの用途として、製造装置向けの利用がある。製造装置では、同一の設備を利用しても、製造する製品、設定値、外部環境等により、不良品の割合が変化することがある。例えば、部品1を製造するときに、ある時期T1までは設定1、設定2のどちらで製造しても不良率が0.1%程度だったとする。その1年後T2は、設定1で製造すると不良率0.1%程度だったが、設定2で製造すると不良率が1%程度と増加する場合などがある。この場合、1年後の生産条件では、設定2より設定1の不良率が低いことから、部品1の製造には設定1の方が適していると言える。ここで本発明を適用することで、部品1の製造データに対して、データ項目組として設定と良品/不良品を適用した場合、ある時期T1ではデータ項目組の間に相関はないが、1年後T2では相関が強くなるため、不良要因として設定を抽出することができる。

なお、従来技術では、センサデータを用いて相関分析を行うため、カテゴリデータである特定の機種や機器を組み合わせた設定の時だけ不良が生じるということを検出することができない。これに対して、本発明では、特定の機種や機器を組み合わせた設定の時に不良が起こることを把握することができ、従来技術では検出できなかった不良を検知することができる。

また、実施の形態１では、例えば製造装置において製品の不良率が変化した場合に、不良の要因の可能性があるデータ項目を検出でき、さらに抽出した中で要因の可能性が高いデータ項目を抽出することができる。また、どのデータ項目を注視すべきか不明な場合でも、元のデータ項目の相関から自動的にデータ項目を抽出することができる。

図６に図１の不良要因推定装置１の場合のハードウエア構成例を示す。データ収集部１０１で収集したデータ、およびデータ項目組格納部１０４にて格納するデータ、因果関係推定部１０７の算出結果は、ストレージ６０４に格納する。関連データ項目分類部１０２、相関算出部１０５、不良キーデータ項目抽出部１０６にて算出した結果もストレージ６０４に格納してもよい。関連データ項目分類部１０２、データ項目組抽出部１０３、相関算出部１０５、不良キーデータ項目抽出部１０６、因果関係推定部１０７が行う処理は、メモリ６０２に記憶されたプログラムをプロセッサ６０１が読み出して実行する。関連データ項目分類部１０２、データ項目組抽出部１０３が参照するデータ項目のルールは、ストレージ６０４に記憶されたデータを読み込んでもよく、通信I/F(Interface)装置６０３をとおして取得してもよい。因果関係推定部１０７の出力結果は、必要に応じて出力装置６０５にて出力される。なお、データ収集部１０１、相関算出部１０５、不良キーデータ項目抽出部１０６、因果関係推定部１０７と、関連データ項目分類部１０２、データ項目組抽出部１０３、データ項目組格納部１０４を異なるハードウエア上に構成し、必要に応じて通信I/F装置６０３にて通信する方法でも良い。

このように、実施の形態１に係る不良要因推定装置１では、設備を構成する機器のカテゴリデータを収集するデータ収集部１０１と、前記データ収集部１０１で収集されたカテゴリデータを含むデータの相関の指標を算出する相関算出部１０５と、前記相関算出部１０５で算出された相関の指標の変化に基づき、前記カテゴリデータを含むデータの組み合わせを不良に関わるデータとして抽出するデータ抽出部である不良キーデータ項目抽出部１０６と、前記不良に関わるデータと関連するデータの中から、不良要因と推定されるデータを抽出する因果関係推定部１０７と、を備えることを特徴とする。この構成によって、カテゴリデータを活用することで、従来技術では検知できなかった不良を検知することができる。

また、実施の形態１に係る不良要因推定装置１において、前記カテゴリデータを含むデータは、カテゴリデータを含むデータ項目であり、前記不良に関わるデータは、不良に関わるデータ項目であり、前記関連するデータは、関連するデータ項目であり、前記不良要因と推定されるデータは、不良要因と推定されるデータ項目であることを特徴とする。この構成によって、データ項目の単位で相関分析を行うことで、効率的なデータ処理を行いながら従来技術では検知できなかった不良を検知することができる。

また、実施の形態１に係る不良要因推定装置１では、前記データ収集部１０１は、前記機器のカテゴリデータとともに前記機器に設置されたセンサで計測されたセンサデータを収集し、前記相関算出部１０５は、前記データ収集部で収集されたカテゴリデータ及びセンサデータを含むデータの相関の指標を算出することを特徴とする。この構成によって、従来技術では検知できなかった不良を検知することができるとともに、従来技術よりも不良検知・要因推定の精度を向上することができる。

また、実施の形態１に係る不良要因推定装置１では、前記設備は製造装置または昇降機または空調機または発電プラント装置を含むことを特徴とする。この構成によって、製造装置または昇降機または空調機または発電プラント装置において、従来技術では検知できなかった不良を検知することができる。

また、実施の形態１に係る不良要因推定装置１では、前記カテゴリデータは、前記機器の動作の設定値、または、前記機器の環境データ、または、前記機器の動作のOK/NGなどの動作判定結果、を含むことを特徴とする。この構成によって、前記機器の動作の設定値、または、前記機器の環境データ、または、前記機器の動作のOK/NGなどの動作判定結果に関連して生じる不良を検知することができる。

実施の形態２．
実施の形態２では、実施の形態１の構成に対して、さらに不良発生予測部を付加した構成について述べる。

図７に実施の形態２の不良要因推定装置１の構成例を示す。本実施の形態では、実施の形態１の因果関係推定部１０７の後に、不良発生予測部７０１において不良発生予測の処理を実施する。不良発生予測では、不良要因データ項目の過去の不良発生率から、次回不良が発生、もしくは不良が増加しそうな時期(以下、不良時期)を予測する。不良時期の予測だけでなく、今後の経過時間ごとの不良率を予測する方法でも良い。

具体的な一例として、過去のデータに基づき、因果関係推定部１０７で不良要因データ項目として設定2が抽出されたときに、その抽出された時点から時期T1までに生じる不良発生率が0.1％、時期T2までに発生する不良発生率が1％であることを統計的データとして記録しておく。今回因果関係推定部１０７で不良要因データ項目として設定2が抽出されたときには、その統計的データに基づき、時期T1までに生じる不良発生率が0.1％、時期T2までに発生する不良発生率が1％であると予測する。また、不良が増加しそうな時期が、時期T1から時期T2の間であることを予測することもできる。

なお、不要キーデータ項目のみで不良発生予測を実施する場合は、因果関係推定部１０７はなくても良い。実施の形態２により、不良の要因だけでなく不良時期がわかるため、不良要因へ計画的な対策が可能となる。

本実地の形態を不良要因推定装置１の場合のハードウエア構成は、図５と同様の構成となる。ここで、不良発生予測部７０１の予測結果は、ストレージ６０４に格納する。また、不良発生予測部７０１が行う処理は、メモリ６０２に記憶されたプログラムをプロセッサ６０１が読み出して実行する。

このように、実施の形態２に係る不良要因推定装置１では、前記不良に関わるデータ項目または前記不良要因と推定されるデータ項目の過去の不良発生情報に基づき、現在または将来の不良発生の状態を推定する不良発生予測部７０１、を備えることを特徴とする。この構成によって、従来技術では検知できなかった現在または将来の不良発生の状態を推定することができる。

また、実施の形態２に係る不良要因推定装置１において、前記不良発生予測部７０１は、前記不良に関わるデータ項目または前記不良要因と推定されるデータ項目の過去の不良発生情報に基づき、不良の発生時期を予測、または、現状の不良発生率を推定することを特徴とする。この構成によって、従来技術では検知できなかった不良の発生時期を予測することが可能となる。又は、従来技術では検知できなかった不良の現状の不良発生率を推定することが可能となる。

実施の形態３．
実施の形態３では、実施の形態１において、センサデータも併せて相関分析する形態を示す。

図８に本実施の形態の不良要因推定装置１の構成例を示す。図８では、データ収集部１０１の後にデータ種類分類部８０１を追加している。これは、相関算出部１０５にて相関指標を算出するときに、カテゴリデータ、センサデータの組み合わせパターンに応じて相関指標を変更する場合のために、データ項目にラベル付を行うものである。ラベルは、カテゴリデータ、センサデータの２つのラベルでも良い。ラベルは、名義尺度、順序尺度、間隔尺度、比例尺度の４つのラベルでも良い。カテゴリデータは名義尺度もしくは順序尺度、センサデータは間隔尺度もしくは比例尺度であると想定すれば、カテゴリデータ、間隔尺度、比例尺度の３つのラベルでも良く、名義尺度、順序尺度、センサデータの３つのラベルでも良い。

相関算出部１０５でのデータ項目のラベルごとに相関を算出する方法を変更する例として、データ項目のラベルに応じて以下に3パターン示す。1パターン目、データ項目組が両方ともカテゴリデータの場合、相関指標としてスピアマンの順位相関係数や、クラメールの連関係数等を利用。2パターン目、データ項目組が両方ともセンサデータの場合、ピアソンの積率相関係数等を利用。3パターン目、データ項目組がカテゴリデータとセンサデータの組み合わせであった場合、スピアマンの順位相関係数、相関比等を利用。ラベルごとに相関を算出する方法を変更せず、同じ方法で算出してもよい。カテゴリデータをデータの分類に利用し、センサデータで相関を算出しても良い。カテゴリデータをデータの分類に利用する方法として、層別分析、共分散分析等がある。

実施の形態３により、カテゴリデータ、センサデータの組み合わせの相関の変化が検出できるため、カテゴリデータのみに現れる不良、センサデータのみに現れる不良、カテゴリデータとセンサデータを比較して現れる不良など、多くの種類の不良に対応できる。

本実地の形態を不良要因推定装置１の場合のハードウエア構成は、図５と同様の構成となる。ここで、データ種類分類部８０１にて算出した結果は、ストレージ６０４に格納する。また、データ種類分類部８０１が行う処理は、メモリ６０２に記憶されたプログラムをプロセッサ６０１が読み出して実行する。データ種類分類部８０１が参照するデータ項目のルールは、ストレージ６０４に記憶されたデータを読み込んでもよく、通信I/F(Interface)装置６０３をとおして取得してもよい。

このように、実施の形態３に係る不良要因推定装置１では、前記データ収集部１０１で収集されたカテゴリデータ及びセンサデータを含むデータに、データの種類に応じたラベル付けを行うデータ種類分類部８０１を備え、前記相関算出部１０５は前記データ収集部で収集されたカテゴリデータ及びセンサデータを含むデータの相関の指標を、該データに付けられたラベルに応じた算出方法に基づき算出することを特徴とする。この構成によって、カテゴリデータのみに現れる不良、センサデータのみに現れる不良、カテゴリデータとセンサデータを比較して現れる不良など、多くの種類の不良に対応できる。

実施の形態４．
実施の形態４では、実施の形態３において、実施の形態２で実施した不良発生予測を実施する形態を示す。

図９に本実施の形態の不良要因推定装置１の構成例を示す。図７、図８と同じ要素は、同じ番号を付している。実施の形態４により、センサデータのみに現れる不良、カテゴリデータとセンサデータを比較して現れる不良など、多くの種類の不良に対応して、不良時期の予測、不良率の推定を行うことができる。

１：不良要因推定装置、１０１：データ収集部、１０２：関連データ項目分類部、１０３：データ項目組抽出部、１０４：データ項目組格納部、１０５：相関算出部、１０６：不良キーデータ項目抽出部、１０７：因果関係推定部、６０１：プロセッサ、６０２：メモリ、６０３：通信I/F装置、６０４：ストレージ、６０５：出力装置、７０１：不良発生予測部、８０１：データ種類分類部

Claims

設備を構成する機器のカテゴリデータを収集するデータ収集部と、
前記データ収集部で収集されたカテゴリデータを含むデータの相関の指標を算出する相関算出部と、
前記相関算出部で算出された相関の指標の変化に基づき、前記カテゴリデータを含むデータの組み合わせを不良に関わるデータとして抽出するデータ抽出部と、
前記不良に関わるデータと関連するデータの中から、不良要因と推定されるデータを抽出する因果関係推定部と、
を備えることを特徴とする不良要因推定装置。
前記カテゴリデータを含むデータは、カテゴリデータを含むデータ項目であり、
前記不良に関わるデータは、不良に関わるデータ項目であり、
前記関連するデータは、関連するデータ項目であり、
前記不良要因と推定されるデータは、不良要因と推定されるデータ項目である
ことを特徴とする請求項１に記載の不良要因推定装置。
前記データ収集部は、前記機器のカテゴリデータとともに前記機器に設置されたセンサで計測されたセンサデータを収集し、
前記相関算出部は、前記データ収集部で収集されたカテゴリデータ及びセンサデータを含むデータの相関の指標を算出する
ことを特徴とする請求項１または請求項２に記載の不良要因推定装置。
前記設備は製造装置または昇降機または空調機または発電プラント装置を含むことを特徴とする請求項１乃至３のいずれか１項に記載の不良要因推定装置。
前記カテゴリデータは、前記機器の動作の設定値、または、前記機器の環境データ、または、前記機器の動作判定結果、を含むことを特徴とする請求項１乃至４のいずれか１項に記載の不良要因推定装置。
前記不良に関わるデータまたは前記不良要因と推定されるデータの過去の不良発生情報に基づき、現在または将来の不良発生の状態を推定する不良発生予測部、
を備えることを特徴とする請求項１乃至５のいずれか１項に記載の不良要因推定装置。
前記不良発生予測部は、前記不良に関わるデータまたは前記不良要因と推定されるデータの過去の不良発生情報に基づき、不良の発生時期を予測、または、現状の不良発生率を推定する
ことを特徴とする請求項６に記載の不良要因推定装置。
前記データ収集部で収集されたカテゴリデータ及びセンサデータを含むデータに、データの種類に応じたラベル付けを行うデータ種類分類部を備え、
前記相関算出部は前記データ収集部で収集されたカテゴリデータ及びセンサデータを含むデータの相関の指標を、該データに付けられたラベルに応じた算出方法に基づき算出する
ことを特徴とする請求項１乃至７のいずれか１項に記載の不良要因推定装置。
設備を構成する機器のカテゴリデータを収集するデータ収集ステップと、
前記データ収集ステップで収集されたカテゴリデータを含むデータの相関の指標を算出する相関算出ステップと、
前記相関算出ステップで算出された相関の指標の変化に基づき、前記カテゴリデータを含むデータの組み合わせを不良に関わるデータとして抽出するデータ抽出ステップと、
前記不良に関わるデータと関連するデータの中から、不良要因と推定されるデータを抽出する因果関係推定ステップと、
を備えることを特徴とする不良要因推定方法。
前記カテゴリデータを含むデータは、カテゴリデータを含むデータ項目であり、
前記不良に関わるデータは、不良に関わるデータ項目であり、
前記関連するデータは、関連するデータ項目であり、
前記不良要因と推定されるデータは、不良要因と推定されるデータ項目である
ことを特徴とする請求項９に記載の不良要因推定方法。