WO2018167826A1 - 因果関係評価装置、因果関係評価システムおよび因果関係評価方法 - Google Patents

因果関係評価装置、因果関係評価システムおよび因果関係評価方法 Download PDF

Info

Publication number
WO2018167826A1
WO2018167826A1 PCT/JP2017/009994 JP2017009994W WO2018167826A1 WO 2018167826 A1 WO2018167826 A1 WO 2018167826A1 JP 2017009994 W JP2017009994 W JP 2017009994W WO 2018167826 A1 WO2018167826 A1 WO 2018167826A1
Authority
WO
WIPO (PCT)
Prior art keywords
evaluation
causal relationship
causal
validity
data
Prior art date
Application number
PCT/JP2017/009994
Other languages
English (en)
French (fr)
Inventor
友也 藤野
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2017/009994 priority Critical patent/WO2018167826A1/ja
Priority to JP2018542309A priority patent/JP6545397B2/ja
Priority to TW106117838A priority patent/TW201833825A/zh
Publication of WO2018167826A1 publication Critical patent/WO2018167826A1/ja

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

Definitions

  • the present invention relates to a causal relationship evaluation apparatus, a causal relationship evaluation system, and a causal relationship evaluation method for evaluating the validity of a causal relationship related to equipment failure or failure.
  • Patent Document 1 describes an apparatus that estimates a causal relationship of quality degradation based only on observation data obtained from equipment.
  • Patent Document 1 determines the statistical independence of each other with respect to a pair of observation values.
  • an index indicating the validity of independence is established for each of the infinitely existing nonlinear functions. It is not possible. Therefore, in the past, statistical independence between observed data was determined using a specific nonlinear function that was selected based on experience, and approximate causal relationships can be evaluated, but causal relationships can be evaluated with high accuracy. There was a problem that it was not possible.
  • a causal relationship is estimated by performing nonlinear regression analysis using a sigmoid function that is one of nonlinear functions.
  • This invention solves the said subject, and aims at obtaining the causal relationship evaluation apparatus, the causal relationship evaluation system, and causal relationship evaluation method which can evaluate a causal relationship in real time and with high precision.
  • the causal relationship evaluation apparatus includes a causal direction evaluation unit and a validity determination unit.
  • the causal direction evaluation unit inputs, for each evaluation candidate, a plurality of evaluation data in which observation data observed in the target facility and evaluation candidates that are pairs of words whose causal relationship is estimated are associated with each other.
  • the validity index which is a probabilistic index indicating the validity of the causal relationship, is calculated for each direction of the causal relationship.
  • the validity determination unit determines an evaluation candidate, a direction of the causal relationship, and a validity index that are valid as information indicating the causal relationship based on the validity index for each evaluation candidate calculated by the causal direction evaluation unit.
  • the validity of the causal relationship can be determined in real time, and the causal relationship can be evaluated with high accuracy.
  • FIG. 1 is a block diagram illustrating a configuration example of a causal relationship evaluation apparatus according to Embodiment 1.
  • FIG. 3A is a diagram illustrating an example of data items in the word-causal database.
  • FIG. 3B is a diagram illustrating an example of data items in the work report database.
  • FIG. 3C is a diagram illustrating an example of data items in the observation data database.
  • FIG. 3D is a diagram illustrating an example of data items in the evaluation data buffer.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the functions of the causal relationship evaluation system according to Embodiment 1.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the functions of the causal relationship evaluation system according to Embodiment 1.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the functions of the causal relationship evaluation system according to Embodiment 1.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the functions of the causal relationship evaluation system according to
  • 4B is a block diagram illustrating a hardware configuration for executing software that implements the functions of the causal relationship evaluation system according to Embodiment 1.
  • 5 is a flowchart showing the operation of the causal relationship evaluation system according to Embodiment 1. It is a flowchart which shows the operation example of a 1st data extraction part. It is a flowchart which shows the operation example of a 2nd data extraction part. It is a flowchart which shows the operation example of a bidirectional
  • FIG. 1 is a block diagram showing a configuration example of a causal relationship evaluation system 1 according to Embodiment 1 of the present invention.
  • the causal relation evaluation system 1 inputs data registered in a word causal relation database (hereinafter referred to as DB) 2, a work report DB 3, and an observation data DB 4, and uses word criteria.
  • DB word causal relation database
  • the word-based causal relationship information is information indicating the causal relationship of events occurring in the target equipment in terms of words, and shows the causal relationship between words extracted from the text of the work report on the work performed on the target equipment. Show.
  • the word-based causal relationship information includes, for example, a cause word that is a word related to the cause event of the event that has occurred in the target facility and a result word that is a word related to the result event.
  • the causal relationship evaluation system 1 includes a first data extraction unit 5, a second data extraction unit 6, an evaluation data buffer 7, a causal direction evaluation unit 8, and a validity determination unit 9.
  • FIG. 2 is a block diagram illustrating a configuration example of the causal relationship evaluation apparatus 10 according to the first embodiment.
  • the causal relationship evaluation apparatus 10 includes, for example, a causal direction evaluation unit 8 and a validity determination unit 9 as shown in FIG.
  • the causal direction evaluation unit 8 includes a bidirectional regression evaluation unit 80, a causal direction determination unit 81, and an index calculation unit 82.
  • FIG. 3A is a diagram illustrating an example of data items in the word-causal relationship DB2.
  • an item “cause word”, an item “result word”, and an item “validity index” are provided, and data corresponding to each item is registered.
  • the cause word is registered in the item “cause word”, and the result word is registered in the item “result word”.
  • the value of the validity index is registered in the item “relevance index”.
  • the validity index is a probabilistic index indicating the validity of the causal relationship between the cause word and the result word, and is a probabilistic value indicating the validity of the direction of the causal relationship from the cause to the result.
  • Data that is known to have a causal relationship is registered in the word causal relationship DB2. For example, a cause word and a result word whose validity index value is equal to or greater than a threshold value are registered in the word causal relation DB 2.
  • FIG. 3B is a diagram illustrating an example of data items in the work report DB 3.
  • an item “report ID”, an item “report date”, and an item “report text” are provided, and data corresponding to each item is registered.
  • a report ID which is identification information assigned to each work report, is registered, and in the item “Report Date / Time”, the date / time when the work on the work report was performed is registered.
  • the item “report text” document data of a work report is registered.
  • FIG. 3C is a diagram illustrating an example of data items in the observation data DB 4.
  • an item “observation date and time”, an item “observation item”, and an item “time-series data” are provided, and data corresponding to each item is registered.
  • the item “observation date and time” the date and time when the observation data was observed is registered, and in the item “observation item”, the work item from which the observation data was obtained is registered.
  • time series data a data series composed of a plurality of data observed in time series by the work performed on the target equipment is registered. This data series is observation data, and is hereinafter referred to as time series data.
  • an indefinite number of data may be registered depending on the observation conditions.
  • the first data extraction unit 5 sequentially extracts words from the work report text relating to the work performed on the target facility, and corresponds to each of the extracted word groups in the time-series data observed at the target facility. Extract time-series data. Furthermore, the 1st data extraction part 5 makes the word in which a causal relationship is estimated among the extracted word group as an evaluation candidate. For example, the first data extraction unit 5 extracts words from the sentence data registered in the item “report sentence” of the work report DB 3 and estimates the causal relationship between the words by sentence interpretation of the work report. The first data extraction unit 5 is the time series data observed at the observation date corresponding to the report date of the work report from which the word is extracted among the report dates registered in the item “report date” of the work report DB 3. Are extracted from the observation data DB 4 and associated with words. Furthermore, the 1st data extraction part 5 makes the word with causal relationship registered into word causal relationship DB2 an evaluation candidate.
  • the second data extraction unit 6 sets, as evaluation candidates, words that have a correlation between corresponding time-series data among the word groups that are not determined as evaluation candidates by the first data extraction unit 5. For example, the second data extraction unit 6 extracts a pair of arbitrary words from the word group that is not regarded as an evaluation candidate, and extracts time pairs of time series data corresponding to the extracted pairs of words. It is determined whether or not there is a data feature (for example, a specific time-series data waveform) that occurs frequently in common. If it is determined that there is a common data feature, the second data extraction unit 6 sets words corresponding to the determination target time-series data as evaluation candidates.
  • a data feature for example, a specific time-series data waveform
  • FIG. 3D is a diagram illustrating an example of data items in the evaluation data buffer 7.
  • the evaluation data buffer 7 shown in FIG. 3D includes, for example, an item “evaluation candidate word 1”, an item “word 1 related data”, an item “evaluation candidate word 2”, and an item “word 2 related data”. Data corresponding to each item is registered.
  • One of the evaluation candidate word pairs is registered in the item “evaluation candidate word 1”, and the time series corresponding to the word registered in the item “evaluation candidate word 1” is registered in the item “word 1 related data”. Data is registered.
  • the item “evaluation candidate word 2” the other of the word pairs of the evaluation candidates is registered, and in the item “word 2 related data”, the word corresponding to the word registered in the item “evaluation candidate word 2” Series data is registered.
  • An indefinite number of data may be registered in the item “word 1 related data” and the item “word 2 related data”.
  • the causal direction evaluation unit 8 acquires a plurality of evaluation data stored in the evaluation data buffer 7 for each evaluation candidate, and a validity index that is a probabilistic index indicating the validity of the causal relationship between words. A value is calculated for each direction of causality.
  • the bidirectional regression evaluation unit 80 performs bidirectional regression evaluation on the time series data corresponding to each of the evaluation candidate words. For example, the bidirectional regression evaluation unit 80 uses the time series data registered in the item “word 1 related data” of the evaluation data buffer 7 as an explanatory variable, and uses the time series data registered in the item “word 2 related data”. Perform regression evaluation as objective variable.
  • the bidirectional regression evaluation unit 80 uses the time series data registered in the item “word 2 related data” as an explanatory variable, and uses the time series data registered in the item “word 1 related data” as an objective variable. I do. With these regression evaluations, a regression function and a regression error are calculated for each direction of regression.
  • the causal direction determination unit 81 determines the time series data corresponding to each of the evaluation candidate words based on the relationship between the regression error calculated for each regression direction by the bidirectional regression evaluation unit 80 and the time series data. Determine the direction of causality. For example, the causal direction determination unit 81 inputs the regression error and time series data calculated for each regression direction by the bidirectional regression evaluation unit 80 from the index calculation unit 82 and the probability index calculated by the index calculation unit 82. Based on this value, the relevance between the regression error and the time series data is evaluated.
  • the probability index is a probabilistic index indicating the independence between the regression error and the time series data.
  • the causal direction determination unit 81 determines the direction of the causal relationship of the time series data based on the relationship evaluated in this way.
  • the index calculation unit 82 calculates the value of the validity index corresponding to the direction of the causal relationship determined by the causal direction determination unit 81. For example, the index calculation unit 82 performs the determination of statistical independence between the regression error for each direction of regression and the time series data set as the explanatory variable a plurality of times, and based on the determination result accumulated, the probability index Is calculated for each regression direction. Next, the index calculation unit 82 calculates the value of the validity index corresponding to the direction of the causal relationship determined by the causal direction determination unit 81 using the value of the probability index calculated for each regression direction.
  • the validity index may be a probabilistic index indicating the validity of the causal relationship between words that are evaluation candidates. Since the validity index is a probabilistic index, the validity of the causal relationship between words can be quantitatively evaluated using the validity index.
  • the validity determination unit 9 determines, based on the validity index for each evaluation candidate calculated by the causal direction evaluation unit 8, the evaluation candidate, the direction of the causal relationship, and the validity index that are valid as information indicating the causal relationship. .
  • the validity determination unit 9 sets the evaluation candidate, the direction of the causal relationship, and the value of the validity index, in which the average value of the plurality of validity indexes calculated for each evaluation candidate by the causal direction evaluation unit 8 is the maximum. It is determined that the information indicating the causal relationship is appropriate, and is adopted as the word-based causal relationship information.
  • FIG. 4A is a block diagram showing a hardware configuration for realizing the functions of the causal relationship evaluation system 1.
  • the DB 100, DB input / output interface 101, information input interface 102, information output interface 103, and processing circuit 104 are connected to each other by a bus.
  • FIG. 4B is a block diagram illustrating a hardware configuration for executing software that implements the functions of the causal relationship evaluation system 1.
  • the DB 100, DB input / output interface 101, information input interface 102, information output interface 103, processor 105, and memory 106 are connected to each other by a bus.
  • the word causal relationship DB2, the work report DB3, and the observation data DB4 are the DB100 shown in FIGS. 4A and 4B.
  • Information stored in each of the word causal relation DB 2, the work report DB 3, and the observation data DB 4 is input to the first data extraction unit 5 and the second data extraction unit 6 through the DB input / output interface 101.
  • the word pairs determined as evaluation candidates by the first data extraction unit 5 and the second data extraction unit 6 and the time series data corresponding to each of these words are input to the evaluation data buffer 7 through the information input interface 102. Is remembered.
  • the evaluation candidate, the direction of the causal relationship, and the value of the validity index determined to be valid as the information indicating the causal relationship by the validity determining unit 9 are output from the causal relationship evaluation apparatus 10 through the information output interface 103.
  • the evaluation data buffer 7 may be provided in the storage device having the DB 100, but may be provided in the internal memory of the processing circuit 104 illustrated in FIG. 4A or may be provided in the memory 106 illustrated in FIG. 4B.
  • the causal relationship evaluation system 1 includes a processing circuit for executing the processing from step ST1 to step ST7 shown in FIG.
  • the processing circuit may be dedicated hardware or a CPU (Central Processing Unit) that executes a program stored in the memory.
  • the processing circuit 104 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), FPGA ( Field-Programmable Gate Array) or a combination thereof.
  • the functions of the first data extraction unit 5, the second data extraction unit 6, the evaluation data buffer 7, the causal direction evaluation unit 8, and the validity determination unit 9 may be realized by separate processing circuits. You may implement
  • each function of the first data extraction unit 5, the second data extraction unit 6, the evaluation data buffer 7, the causal direction evaluation unit 8, and the validity determination unit 9 Is realized by software, firmware or a combination of software and firmware.
  • Software or firmware is described as a program and stored in the memory 106.
  • the processor 105 reads out and executes the program stored in the memory 106 to realize the functions of the respective units. That is, the causal relationship evaluation system 1 includes a memory 106 for storing a program that, when executed by the processor 105, results in the processing from step ST1 to step ST7 shown in FIG.
  • These programs cause the computer to execute the procedures or methods of the first data extraction unit 5, the second data extraction unit 6, the evaluation data buffer 7, the causal direction evaluation unit 8, and the validity determination unit 9. .
  • the memory 106 includes, for example, a nonvolatile or volatile semiconductor such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically-EPROM), or the like. Magnetic disks, flexible disks, optical disks, compact disks, mini disks, DVDs, and the like are applicable.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory flash memory
  • EPROM Erasable Programmable Read Only Memory
  • EEPROM Electrically-EPROM
  • the functions of the first data extraction unit 5, the second data extraction unit 6, the evaluation data buffer 7, the causal direction evaluation unit 8, and the validity determination unit 9 are realized by dedicated hardware.
  • a part may be realized by software or firmware.
  • the functions of the first data extraction unit 5, the second data extraction unit 6 and the evaluation data buffer 7 are realized by a processing circuit as dedicated hardware, and the causal direction evaluation unit 8 and the validity determination unit For 9, the function may be realized by the processor 105 reading and executing the program stored in the memory 106.
  • the processing circuit can realize each of the above functions by hardware, software, firmware, or a combination thereof.
  • FIG. 5 is a flowchart showing the operation of the causal relationship evaluation system 1 according to the first embodiment, and shows a series of processes from the extraction of evaluation candidates to the output of causal relationship information.
  • the first data extraction unit 5 extracts words from the text of the work report registered in the work report DB 3, and extracts time-series data corresponding to the extracted words from the observation data DB 4 (step ST1). .
  • the first data extraction unit 5 estimates the causal relationship between the words by sentence interpretation of the work report, and sets the words for which the causal relationship is estimated as evaluation candidates.
  • the 1st data extraction part 5 makes words with a causal relationship registered into word causal relationship DB2 an evaluation candidate.
  • the first data extraction unit 5 outputs the words extracted from the word-causal relationship DB 2 and the work report DB 3 and the time-series data corresponding thereto to the second data extraction unit 6.
  • step ST2 when the second data extraction unit 6 inputs the word and the time-series data corresponding to the word from the first data extraction unit 5, the time-series data out of the word group that is not set as the evaluation candidate in step ST1. Words having a correlation between them are set as evaluation candidates (step ST2). For example, the second data extraction unit 6 extracts a pair of arbitrary words from the word group that is not regarded as an evaluation candidate, and frequently extracts time-series data corresponding to each of the words of the extracted pair. It is determined whether there is a data feature that occurs in common. If it is determined that there is a data feature, the second data extraction unit 6 sets words corresponding to the determination target time-series data as evaluation candidates. The second data extraction unit 6 evaluates a plurality of evaluation data in which a pair of words determined as evaluation candidates in step ST1 and step ST2 and observation data corresponding to each of the words are associated with each other. Store in the buffer 7 (step ST3).
  • the bidirectional regression evaluation unit 80 performs bidirectional regression evaluation on the time series data corresponding to the evaluation candidate words (step ST4).
  • the causal direction determination unit 81 determines the direction of the causal relationship of the time series data based on the relevance between the regression error for each regression direction and the time series data set as the explanatory variable (step ST5).
  • the index calculation unit 82 calculates a validity index of the causal relationship between words according to the direction of the causal relationship of the determination result (step ST6).
  • the loop processing from step ST4 to step ST6 is executed for each evaluation candidate.
  • the validity determination unit 9 is based on the value of the validity index for each evaluation candidate calculated by the causal direction evaluation unit 8 and is valid as information indicating the causal relationship, the evaluation candidate, the direction of the causal relationship, and the value of the validity index. Is determined (step ST7). For example, the validity determination unit 9 updates the word-based causal relationship information by adopting the evaluation candidate, the direction of the causal relationship, and the value of the validity index determined to be valid as the causal relationship information, and determines that the causal relationship information is not valid. Evaluation candidates, direction of causality and validity index values are not adopted. Note that steps ST4 to ST7 in FIG. 5 correspond to the causal relationship evaluation method according to the first embodiment.
  • FIG. 6 is a flowchart showing an example of the operation of the first data extraction unit 5, and shows detailed processing of step ST1 in FIG.
  • the first data extraction unit 5 extracts a word from the text data registered in the item "report document" in the record W R (step ST1a).
  • the first data extraction unit 5 sets words whose causal relationship is estimated by sentence interpretation of the sentence data registered in the item “report document” as evaluation candidates (step ST2a).
  • the first data extraction unit 5 corresponds to the date and time are registered in the item "Date Reported" in the record W R, and extracts time series data of observation data DB4 (step ST3a). Thereafter, the first data extraction unit 5 creates data in which the extracted words are associated with the time series data (step ST4a). Processing from step ST1a to step ST4a is executed for each record W R of work report DB3.
  • the first data extraction unit 5 When the processing of each record W R is completed, the first data extraction unit 5, are registered in the word causality DB2, and evaluate candidate to each other words with a causal (cause words and result words) (step ST5a) .
  • the first data extraction unit 5 extracts the word groups extracted from the work report DB 3 and the time series data corresponding to each of the word groups and the word pairs of the evaluation candidates extracted from the word causal relation DB 2 as the second data extraction. Output to unit 6.
  • FIG. 7 is a flowchart showing an example of the operation of the second data extraction unit 6, and shows detailed processing of step ST2 and step ST3 of FIG.
  • the second data extraction unit 6 executes the following processing for each word combination w a and w b that are not evaluation candidates.
  • the second data extraction unit 6 includes time series data D a corresponding to the word w a and time series corresponding to the word w b from the word group that has not been set as the evaluation candidate by the first data extraction unit 5. It extracts the data D b (step ST1b). Then, the second data extracting unit 6, when determining the correlation between the time series data D a and time-series data D b (step ST2b).
  • the second data extraction unit 6 calculates a correlation coefficient between the time series data D a and the time series data D b, and the correlation coefficient is equal to or greater than a threshold value (for example, 0.8). It is determined that there is a correlation.
  • the second data extraction unit 6 searches for a data feature (for example, a specific time-series data waveform) that occurs frequently and in common between the time-series data D a and the time-series data D b , If this data feature exists, it is determined that there is a correlation.
  • the high frequency condition is that the frequency with which the data characteristics between the time series data D a and the time series data D b are common is 80 % Or more.
  • the second data extraction unit 6 determines that the time series data D a and the time series data D b have a correlation, the second data extraction unit 6 sets a pair of the word w a and the word w b as an evaluation candidate (step ST3b). The processing from step ST1b to step ST3b is executed for each word combination w a and w b that are not evaluation candidates.
  • the second data extraction unit 6 stores the words that are the evaluation candidates and the time-series data corresponding to them in the evaluation data buffer 7. (Step ST4b).
  • the word w a in the word pair of the evaluation candidate is registered in the item “evaluation candidate word 1”
  • the time series data D a is registered in the item “word 1 related data”.
  • the word w b is registered, and in the item “word 2 related data”, the time series data D b is registered.
  • FIG. 8 is a flowchart showing an example of the operation of the bidirectional regression evaluation unit 80, and shows detailed processing in step ST4 of FIG.
  • the item “evaluation candidate word 1” in the evaluation data buffer 7 is word w A
  • the item “word 1 related data” is time series data D A
  • the item “evaluation candidate word 2” is word w B
  • time-series data D B 2 associated data is assumed to be registered, respectively.
  • FIG. 9 is a flowchart showing an operation example of the causal direction determination unit 81, and shows detailed processing of step ST5 of FIG.
  • the causal direction determination unit 81 instructs the index calculation unit 82 to calculate the probability index PBA and the probability index PAB .
  • the probability index P BA is a probabilistic index indicating the validity of the time series data D A and the regression error E BA being independent.
  • the probability indicator P AB when the series data D B and regression error E AB is stochastic indicator of the validity of independent.
  • the causal direction determination unit 81 determines the direction of the causal relationship between the time series data D A and the time series data D B based on the probability index P BA and the probability index P AB calculated by the index calculation unit 82 ( Step ST1d).
  • the causal direction determination unit 81 determines the direction of the causal relationship as D A ⁇ D B if P BA > P AB , and the direction of the causal relationship as D A ⁇ D B if P BA ⁇ P AB. Determination is made (step ST2d). If the direction of the causal relationship is D A ⁇ D B, the time-series data D A cause data, time-series data D B is the result data, word w A cause word, the word w B is the result becomes a word. On the contrary, if the direction of the causal relationship is D B ⁇ D A, time-series data D B is cause data, time-series data D A is the result data, word w B is the cause word, and the word word w A results Become.
  • step ST6 of FIG. 5 when the direction of the causal relationship is D A ⁇ D B , the index calculation unit 82 calculates the probability index P AB from the probability index P BA as the validity index for the words w A and w B. Output the subtracted value. If the direction of the causality D B ⁇ D A, index calculation unit 82, a validity index in the word w A and the word w B, and outputs a value obtained by subtracting the probability index P BA from the probability index P AB.
  • the bidirectional regression evaluation unit 80, the causal direction determination unit 81, and the index calculation unit 82 execute the process described above for each evaluation candidate. As a result, the direction of causality and the validity index are obtained for each evaluation candidate.
  • the index calculation unit 82 selects a finite number of nonlinear functions, and evaluates the evaluation results for each of the selected nonlinear functions probabilistically, thereby indicating the validity of the two data series being independent. A probability index is calculated.
  • FIG. 10 is a flowchart showing an example of the operation of the index calculation unit 82, showing details of a probabilistic index calculation method.
  • the index calculation unit 82 randomly selects the types and parameters of the nonlinear functions F and G (step ST1e).
  • the types of nonlinear functions F and G include exponential functions, power functions, hyperbolic functions, logistic functions, and cumulative probability density functions of arbitrary statistical distributions.
  • the hyperbolic function is represented by the following formula (2)
  • the logistic function is represented by the following formula (3).
  • ⁇ , ⁇ , and ⁇ are parameters.
  • the index calculation unit 82 calculates the nonlinear correlation function r of the data series corresponding to the evaluation candidate using the selected nonlinear functions F and G according to the above equation (1) (step ST2e).
  • Data sequence corresponding to the evaluation candidate for example, a series data D A when corresponding to a word w A, a series data D B when corresponding to a word w B.
  • the index calculation unit 82 tests (correlation test) whether or not the correlation test index t shown in the following formula (4) follows the t-test with n ⁇ 1 degrees of freedom with respect to the nonlinear correlation function r, to derive the probability p l number of relationship is 0 (step ST3e).
  • This probability pl is the p value of the test
  • the p value is the probability P s that the population correlation coefficient is zero.
  • n is the length of the data series ⁇ X i ⁇ and the data series ⁇ Y i ⁇ .
  • step ST1e to step ST3e The processing from step ST1e to step ST3e is repeatedly executed in the loop of the specified number of times indicated by the loop variable s.
  • -P s ) is calculated (step ST4e).
  • ⁇ s (1-P s ) indicates that (1-P s ) is integrated for each value of the loop variable s.
  • the index calculation unit 82 performs approximate determination using a finite number of nonlinear functions for the mutual independence of the data of the two systems a plurality of times (s times), and from the accumulated data of the determination results A probabilistic index indicating the validity of the data of the two systems being independent of each other is calculated. That is, the index calculation unit 82, a series data D A when corresponding to a word w A, and a series data D B when corresponding to a word w B, fitted to the data series ⁇ X i ⁇ , and the data sequence ⁇ Y i ⁇ Then, the probability index P AB and the probability index P BA are calculated by the method described above. Thereby, the validity of the causal relationship can be determined in real time, and the causal relationship can be evaluated with high accuracy.
  • the validity determination unit 9 specifies a range of values taken by these validity indexes from a plurality of validity indexes calculated by the causal direction evaluation unit 8 for each evaluation candidate and for each direction of the causal relationship. Then, the validity determination unit 9 uses the evaluation candidate, the direction of the causal relationship, and the value of the validity index, which have the maximum value of the validity index within a range that does not deviate from the specified range, as the causal relationship information. It is determined to be information.
  • FIG. 11 is a flowchart showing an operation example of the validity determination unit 9, and shows detailed processing of step ST7 of FIG.
  • the validity determination unit 9 creates a weighted directed graph from the words included in the evaluation candidates and the value of the validity index for each direction of the causal relationship between the words (step ST1f). For example, the validity determination unit 9 sets the cause word and the result word as “vertices”, sets “sides” connecting the “vertices”, and sets the value of the validity index as a weight for “sides”. Create a weighted directed graph for each direction of the relationship.
  • the validity determination unit 9 sets the validity index per node (per “vertex”) under the restriction condition that a loop does not occur and the validity index is a threshold (for example, 0.5) or more.
  • the “edges” of the weighted directed graph are reduced so that the average value is maximized (step ST2f).
  • the validity determination unit 9 deletes “sides” whose validity index is less than the threshold in the weighted directed graph created in step ST1f, and among the “sides” constituting the loop. Then, “edges” with the minimum value of the validity index are sequentially deleted.
  • the validity determination unit 9 uses the evaluation candidates corresponding to valid “edges” in the weighted directed graph subjected to the processing of step ST2f and the weights set for the “edges” in the word-based causal relationship information. It outputs as an update result (step ST3f). Specifically, the validity determination unit 9 determines that the “edge” in the weighted directed graph subjected to the process of step ST2f is an effective “edge”, and the evaluation candidate corresponding to the effective “edge” and the causal relationship The value of the validity index that is the direction and the weight is determined to be valid information as the causal relationship information. Subsequently, the validity determination unit 9 adds the evaluation result candidate, the direction of the causal relationship, and the value of the validity index to the word-based causal relationship information, or updates existing information.
  • the causal direction evaluation unit 8 inputs a plurality of evaluation data from the evaluation data buffer 7 for each evaluation candidate, and the causal relationship between words is determined.
  • a validity index which is a probabilistic index indicating validity, is calculated for each direction of causality.
  • the validity determination unit 9 determines the evaluation candidate, the direction of the causal relationship, and the validity index that are valid as information indicating the causal relationship based on the validity index for each evaluation candidate calculated by the causal direction evaluation unit 8. .
  • the validity determination unit 9 considers the evaluation candidate, the direction of the causal relationship, and the value of the validity index that are the average value of the validity index calculated for each evaluation candidate as the information indicating the causal relationship. judge.
  • a probabilistic index indicating the validity of the causal relationship between words the validity of the causal relationship between words can be determined in real time, and the causal relationship can be evaluated with high accuracy.
  • the causal direction evaluation unit 8 includes a bidirectional regression evaluation unit 80, a causal direction determination unit 81, and an index calculation unit 82.
  • the index calculation unit 82 performs stochastic indicating the independence between the regression error and the observation data based on the determination result accumulated by performing the determination of the statistical independence between the regression error and the observation data a plurality of times.
  • the value of the probability index which is an index, is calculated for each regression direction.
  • the causal direction determination unit 81 determines the direction of the causal relationship between the observation data corresponding to each of the evaluation candidate words based on the value of the probability index calculated for each regression direction by the index calculation unit 82.
  • the index calculation unit 82 calculates the value of the validity index corresponding to the direction of the causal relationship determined by the causal direction determination unit 81 using the value of the probability index for each regression direction.
  • the causal relationship evaluation system 1 includes a first data extraction unit 5, a second data extraction unit 6, an evaluation data buffer 7, a causal direction evaluation unit 8, and a validity determination unit 9.
  • the causal relationship evaluation method includes a step of calculating the value of the validity index for each direction of causality, and the causal relationship based on the value of the validity index for each evaluation candidate and each direction of causality. A step of determining appropriate information as information indicating Thereby, the validity of the causal relationship between words can be determined in real time, and the causal relationship can be evaluated with high accuracy.
  • any component of the embodiment can be modified or any component of the embodiment can be omitted within the scope of the invention.
  • the causal relationship evaluation apparatus can evaluate the causal relationship in real time and with high accuracy, it is suitable for maintenance work of various mechanical systems, for example.
  • 1 causal relationship evaluation system 1 word causal relationship DB, 3 work report DB, 4 observation data DB, 5 first data extraction unit, 6 second data extraction unit, 7 evaluation data buffer, 8 causal direction evaluation unit , 9 Validity determination unit, 10 Causal relationship evaluation device, 80 Bidirectional regression evaluation unit, 81 Causal direction determination unit, 82 Index calculation unit, 101 DB input / output interface, 102 Information input interface, 103 Information output interface, 104 Processing circuit , 105 processor, 106 memory.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

因果方向評価部（８）が、評価候補における単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出する。妥当性判定部（９）が、評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する。

Description

因果関係評価装置、因果関係評価システムおよび因果関係評価方法
　この発明は、設備の故障または障害に関する因果関係の妥当性を評価する因果関係評価装置、因果関係評価システムおよび因果関係評価方法に関する。
　設備の故障または障害に関する因果関係に基づいて、設備から得られた観測データから故障または障害の兆候を判断する研究が盛んに行われている。
　設備から得られた観測データのみに基づいて、設備の故障または障害に関する因果関係を推定することは難しく、一般に、設備の故障または障害が発生したときの観測データの相関関係が確認できる程度であった。
　これに対し、特許文献１には、設備から得られた観測データのみに基づいて、品質劣化の因果関係を推定する装置が記載されている。
　特許文献１に記載の装置では、設備から得られた観測値が品質閾値よりも劣化した場合および観測値の時系列変化を検出した場合を品質劣化発生として検出し、品質劣化が発生したときの観測値との相関係数が閾値を上回る観測値群を相関クラスタとして抽出する。
　上記装置は、相関クラスタにおける観測値のペアに対して互いに回帰分析残差の独立性検定を行い、回帰分析残差が独立となる回帰を因果関係であると推定し、この因果関係の最も上位に推論された観測値を、品質劣化の要因として推定する。
特開２０１４－４９９２１号公報
　特許文献１に記載される装置は、前述したように観測値のペアに対して互いの統計的な独立性を判定している。
　しかしながら、統計的な独立性を厳密に判定するためには、無限に存在する非線形関数のそれぞれにおいて独立の妥当性を示す指標が成立することを示す必要があり、現実的な時間内で判定することはできない。
　このため、従来では、経験上選択した特定の非線形関数を使用して観測データ間の統計的な独立性を判定しており、近似的な因果関係は評価できるが、高精度に因果関係を評価できないという課題があった。
　例えば、特許文献１では、非線形関数の１つであるシグモイド関数を用いた非線形回帰分析を行って因果関係を推定している。
　この発明は上記課題を解決するもので、実時間でかつ高精度に因果関係を評価することができる因果関係評価装置、因果関係評価システムおよび因果関係評価方法を得ることを目的とする。
　この発明に係る因果関係評価装置は、因果方向評価部と妥当性判定部とを備える。因果方向評価部は、対象設備において観測された観測データと因果関係が推定される単語同士のペアである評価候補とが対応付けられた複数の評価用データを評価候補ごとに入力し、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出する。妥当性判定部は、因果方向評価部によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する。
　この発明によれば、単語間の因果関係の妥当性を示す確率的な指標を使用することで、実時間で因果関係の妥当性を判定でき、かつ高精度に因果関係を評価することができる。
この発明の実施の形態１に係る因果関係評価システムの構成例を示すブロック図である。 実施の形態１に係る因果関係評価装置の構成例を示すブロック図である。 図３Ａは、単語因果関係データベースのデータ項目の例を示す図である。図３Ｂは、作業報告書データベースのデータ項目の例を示す図である。図３Ｃは、観測データデータベースのデータ項目の例を示す図である。図３Ｄは、評価用データバッファのデータ項目の例を示す図である。 図４Ａは、実施の形態１に係る因果関係評価システムの機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、実施の形態１に係る因果関係評価システムの機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。 実施の形態１に係る因果関係評価システムの動作を示すフローチャートである。 第１のデータ抽出部の動作例を示すフローチャートである。 第２のデータ抽出部の動作例を示すフローチャートである。 双方向回帰評価部の動作例を示すフローチャートである。 因果方向判定部の動作例を示すフローチャートである。 指標算出部の動作例を示すフローチャートである。 妥当性判定部の動作例を示すフローチャートである。
　以下、この発明をより詳細に説明するため、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、この発明の実施の形態１に係る因果関係評価システム１の構成例を示すブロック図である。因果関係評価システム１は、図１に示すように、単語因果関係データベース（以下、ＤＢと記載する）２、作業報告書ＤＢ３、および観測データＤＢ４のそれぞれに登録されたデータを入力し、単語基準の因果関係情報を出力する。
　単語基準の因果関係情報は、対象設備に発生した事象の因果関係を単語基準で示す情報であって、対象設備に行われた作業に関する作業報告書の文章から抽出された単語同士の因果関係を示している。単語基準の因果関係情報には、例えば、対象設備に発生した事象の原因事象に関連した単語である原因単語と、結果事象に関連した単語である結果単語とが含まれる。
　因果関係評価システム１は、第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９を備える。
　図２は、実施の形態１に係る因果関係評価装置１０の構成例を示すブロック図である。
　因果関係評価装置１０は、例えば、図２に示すように、因果方向評価部８および妥当性判定部９を備える。因果方向評価部８は、双方向回帰評価部８０、因果方向判定部８１および指標算出部８２を備える。
　単語因果関係ＤＢ２には、因果関係のある単語同士のペアが複数登録されている。
　図３Ａは、単語因果関係ＤＢ２のデータ項目の例を示す図である。図３Ａに示した単語因果関係ＤＢ２には、例えば、項目“原因単語”、項目“結果単語”および項目“妥当性指標”が設けられ、各項目に対応するデータが登録される。項目“原因単語”には原因単語が登録され、項目“結果単語”には結果単語が登録される。項目“妥当性指標”には、妥当性指標の値が登録される。妥当性指標とは、原因単語と結果単語との因果関係の妥当性を示す確率的な指標であり、原因から結果に向かう因果関係の方向の妥当性を示す確率的な値である。単語因果関係ＤＢ２には、因果関係があることが分かっているデータが登録される。例えば、単語因果関係ＤＢ２には、妥当性指標の値が閾値以上である原因単語と結果単語が登録される。
　作業報告書ＤＢ３には、対象設備に行われた作業に関する作業報告書情報が登録されている。図３Ｂは、作業報告書ＤＢ３のデータ項目の例を示す図である。図３Ｂに示した作業報告書ＤＢ３には、例えば、項目“報告書ＩＤ”、項目“報告日時”、および項目“報告文章”が設けられ、各項目に対応するデータが登録される。項目“報告書ＩＤ”には、作業報告書ごとに付与された識別情報である報告書ＩＤが登録され、項目“報告日時”には、作業報告書に関する作業が行われた日時が登録される。項目“報告文章”には、作業報告書の文書データが登録される。
　観測データＤＢ４には、対象設備において観測された観測データが登録される。図３Ｃは、観測データＤＢ４のデータ項目の例を示す図である。図３Ｃに示した観測データＤＢ４には、例えば、項目“観測日時”、項目“観測項目”および項目“時系列データ”が設けられ、各項目に対応するデータが登録される。項目“観測日時”には、観測データが観測された日時が登録され、項目“観測項目”には、作業項目のうち、観測データが得られた作業項目が登録される。項目“時系列データ”には、対象設備に行われた作業によって時系列に観測された複数のデータで構成されたデータ系列が登録される。このデータ系列が観測データであり、以降では、時系列データと記載する。項目“時系列データ”には、観測条件によって不定個数のデータが登録される可能性がある。
　第１のデータ抽出部５は、対象設備に行われた作業に関する作業報告書の文章から単語を順次抽出し、対象設備において観測された時系列データのうち、抽出した単語群のそれぞれに対応する時系列データを抽出する。さらに、第１のデータ抽出部５は、抽出した単語群のうち、因果関係が推定される単語同士を評価候補とする。
　例えば、第１のデータ抽出部５は、作業報告書ＤＢ３の項目“報告文章”に登録されている文章データから単語を抽出し、作業報告書の文章解釈によって単語同士の因果関係を推定する。第１のデータ抽出部５は、作業報告書ＤＢ３の項目“報告日時”に登録された報告日時のうち、単語を抽出した作業報告書の報告日時に対応する観測日時に観測された時系列データを観測データＤＢ４から抽出して単語に対応付ける。
　さらに、第１のデータ抽出部５は、単語因果関係ＤＢ２に登録された、因果関係のある単語同士を評価候補とする。
　第２のデータ抽出部６は、第１のデータ抽出部５によって評価候補とされなかった単語群のうち、対応する時系列データ間に相関関係がある単語同士を評価候補とする。
　例えば、第２のデータ抽出部６は、評価候補とされなかった単語群のうちから、任意の単語同士のペアを抽出して、抽出したペアの単語同士のそれぞれに対応する時系列データの間に高頻度で共通して発生するデータ特徴（例えば、特定の時系列データ波形）があるか否かを判定する。共通のデータ特徴があると判定すると、第２のデータ抽出部６は、判定対象の時系列データのそれぞれに対応する単語同士を評価候補とする。
　評価用データバッファ７は、第１のデータ抽出部５と第２のデータ抽出部６とによって評価候補とされた単語同士のペアと単語同士のそれぞれに対応する時系列データとが対応付けられた複数の評価用データを記憶するデータ記憶部である。
　図３Ｄは、評価用データバッファ７のデータ項目の例を示す図である。図３Ｄに示した評価用データバッファ７には、例えば、項目“評価候補単語１”、項目“単語１関連データ”、項目“評価候補単語２”および項目“単語２関連データ”が設けられ、各項目に対応するデータが登録される。項目“評価候補単語１”には、評価候補の単語ペアのうちの一方が登録され、項目“単語１関連データ”には、項目“評価候補単語１”に登録された単語に対応する時系列データが登録される。項目“評価候補単語２”には、上記評価候補の単語ペアのうちの他方が登録され、項目“単語２関連データ”には、項目“評価候補単語２”に登録された単語に対応する時系列データが登録される。なお、項目“単語１関連データ”および項目“単語２関連データ”には、不定個数のデータが登録される可能性がある。
　因果方向評価部８は、評価用データバッファ７に記憶された複数の評価用データを評価候補ごとに取得して、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標の値を因果関係の方向ごとに算出する。
　双方向回帰評価部８０は、評価候補である単語同士のそれぞれに対応する時系列データについて双方向に回帰評価を行う。例えば、双方向回帰評価部８０は、評価用データバッファ７の項目“単語１関連データ”に登録された時系列データを説明変数とし、項目“単語２関連データ”に登録された時系列データを目的変数として回帰評価を行う。次に、双方向回帰評価部８０は、項目“単語２関連データ”に登録された時系列データを説明変数とし、項目“単語１関連データ”に登録された時系列データを目的変数として回帰評価を行う。これらの回帰評価によって回帰関数と回帰誤差とが回帰の方向ごとに算出される。
　因果方向判定部８１は、双方向回帰評価部８０によって回帰の方向ごとに算出された回帰誤差と時系列データとの関係性に基づいて、評価候補の単語同士のそれぞれに対応する時系列データの因果関係の方向を判定する。
　例えば、因果方向判定部８１は、双方向回帰評価部８０によって回帰の方向ごとに算出された回帰誤差と時系列データを、指標算出部８２から入力し、指標算出部８２によって算出された確率指標の値に基づいて、回帰誤差と時系列データとの関連性を評価する。上記確率指標は、回帰誤差と時系列データとの独立性を示す確率的な指標である。因果方向判定部８１は、このように評価した関連性に基づいて、時系列データの因果関係の方向を判定する。
　指標算出部８２は、因果方向判定部８１によって判定された因果関係の方向に応じた妥当性指標の値を算出する。例えば、指標算出部８２は、回帰の方向ごとの回帰誤差と説明変数とされた時系列データとの統計的な独立性の判定を複数回行って累積された判定結果に基づいて、上記確率指標の値を回帰の方向ごとに算出する。次に、指標算出部８２は、回帰の方向ごとに算出した上記確率指標の値を用いて、因果方向判定部８１によって判定された因果関係の方向に応じた妥当性指標の値を算出する。
　なお、回帰誤差と説明変数とされた時系列データとの独立性を示す上記確率的な指標を用いて妥当性指標を算出する場合を示したが、これに限定されるものではない。
　すなわち、妥当性指標は、評価候補である単語同士の因果関係の妥当性を示す確率的な指標であればよい。妥当性指標が確率的な指標であるため、妥当性指標を用いて単語同士の因果関係の妥当性を定量的に評価することができる。
　妥当性判定部９は、因果方向評価部８によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する。例えば、妥当性判定部９は、因果方向評価部８によって評価候補ごとに算出された複数の妥当性指標の平均値が最大となる、評価候補、因果関係の方向および妥当性指標の値を、因果関係を示す情報として妥当であると判定し、単語基準の因果関係情報に採用する。
　図４Ａは、因果関係評価システム１の機能を実現するハードウェア構成を示すブロック図である。ＤＢ１００、ＤＢ入出力インタフェース１０１、情報入力インタフェース１０２、情報出力インタフェース１０３および処理回路１０４は、バスによって互いに接続されている。図４Ｂは、因果関係評価システム１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。ＤＢ１００、ＤＢ入出力インタフェース１０１、情報入力インタフェース１０２、情報出力インタフェース１０３、プロセッサ１０５およびメモリ１０６は、バスによって互いに接続されている。
　単語因果関係ＤＢ２、作業報告書ＤＢ３および観測データＤＢ４は、図４Ａと図４Ｂに示すＤＢ１００である。単語因果関係ＤＢ２、作業報告書ＤＢ３および観測データＤＢ４のそれぞれに記憶された情報は、ＤＢ入出力インタフェース１０１を通して第１のデータ抽出部５および第２のデータ抽出部６に入力される。
　第１のデータ抽出部５および第２のデータ抽出部６によって評価候補とされた単語ペアとこれらの単語のそれぞれに対応する時系列データは、情報入力インタフェース１０２を通して評価用データバッファ７に入力されて記憶される。
　また、妥当性判定部９によって因果関係を示す情報として妥当であると判定された評価候補、因果関係の方向および妥当性指標の値は、情報出力インタフェース１０３を通して因果関係評価装置１０から出力される。
　評価用データバッファ７は、ＤＢ１００を有する記憶装置に設けてもよいが、図４Ａに示す処理回路１０４の内部メモリに設けてもよく、図４Ｂに示すメモリ１０６に設けてもよい。
　因果関係評価システム１における第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９の各機能は、処理回路により実現される。すなわち、因果関係評価システム１は、図５に示すステップＳＴ１からステップＳＴ７までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであっても、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　処理回路が図４Ａに示す専用のハードウェアである場合、処理回路１０４は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）またはこれらを組み合わせたものが該当する。第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
　処理回路が図４Ｂに示すプロセッサ１０５である場合に、第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９の各機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ１０６に記憶される。
　プロセッサ１０５は、メモリ１０６に記憶されたプログラムを読み出して実行することにより各部の機能を実現する。すなわち、因果関係評価システム１は、プロセッサ１０５により実行されるとき、図５に示すステップＳＴ１からステップＳＴ７までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０６を備える。
　これらのプログラムは、第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９の手順または方法をコンピュータに実行させるものである。
　メモリ１０６には、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　なお、第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９の各機能について、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。
　例えば、第１のデータ抽出部５、第２のデータ抽出部６および評価用データバッファ７については専用のハードウェアとしての処理回路でその機能を実現し、因果方向評価部８および妥当性判定部９については、プロセッサ１０５がメモリ１０６に記憶されたプログラムを読み出して実行することによってその機能を実現してもよい。
　このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって上記機能のそれぞれを実現することができる。
　次に動作について説明する。
　図５は、実施の形態１に係る因果関係評価システム１の動作を示すフローチャートであり、評価候補の抽出から因果関係情報が出力されるまでの一連の処理を示している。
　まず、第１のデータ抽出部５が、作業報告書ＤＢ３に登録された作業報告書の文章から単語を抽出し、抽出した単語に対応する時系列データを観測データＤＢ４から抽出する（ステップＳＴ１）。この後、第１のデータ抽出部５は、作業報告書の文章解釈によって単語同士の因果関係を推定し、因果関係が推定される単語同士を評価候補とする。
　さらに、第１のデータ抽出部５は、単語因果関係ＤＢ２に登録されている、因果関係がある単語同士を評価候補とする。
　第１のデータ抽出部５は、前述したように単語因果関係ＤＢ２および作業報告書ＤＢ３から抽出した単語とこれに対応する時系列データとを第２のデータ抽出部６に出力する。
　次に、第２のデータ抽出部６は、第１のデータ抽出部５から単語およびこれに対応する時系列データを入力すると、ステップＳＴ１において評価候補とされなかった単語群のうち、時系列データ間に相関関係がある単語同士を評価候補とする（ステップＳＴ２）。
　例えば、第２のデータ抽出部６は、評価候補とされなかった単語群のうちから、任意の単語同士のペアを抽出し、抽出したペアの単語同士のそれぞれに対応する時系列データに高頻度で共通して発生するデータ特徴があるか否かを判定する。データ特徴があると判定した場合、第２のデータ抽出部６は、判定対象の時系列データのそれぞれに対応する単語同士を評価候補とする。
　第２のデータ抽出部６は、ステップＳＴ１およびステップＳＴ２おいて評価候補とされた単語同士のペアと単語同士のそれぞれに対応する観測データとが対応付けられた複数の評価用データを評価用データバッファ７に記憶する（ステップＳＴ３）。
　次に評価候補ごとのループ処理に移行する。
　双方向回帰評価部８０は、評価候補の単語同士のそれぞれに対応する時系列データについて双方向の回帰評価を行う（ステップＳＴ４）。
　因果方向判定部８１は、回帰の方向ごとの回帰誤差と説明変数とされた時系列データとの関連性に基づいて、時系列データの因果関係の方向を判定する（ステップＳＴ５）。
　この後、指標算出部８２は、判定結果の因果関係の方向に応じて、単語間の因果関係の妥当性指標を算出する（ステップＳＴ６）。
　ステップＳＴ４からステップＳＴ６までのループ処理は、評価候補ごとに実行される。
　妥当性判定部９は、因果方向評価部８によって算出された評価候補ごと妥当性指標の値に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標の値を判定する（ステップＳＴ７）。
　例えば、妥当性判定部９は、因果関係情報として妥当と判定した、評価候補、因果関係の方向および妥当性指標の値を採用して単語基準の因果関係情報を更新し、妥当でないと判定した評価候補、因果関係の方向および妥当性指標の値を不採用とする。
　なお、図５のステップＳＴ４からステップＳＴ７までが、実施の形態１に係る因果関係評価方法に相当する。
　次に、各構成要素の詳細な動作について説明する。
　図６は、第１のデータ抽出部５の動作例を示すフローチャートであり、図５のステップＳＴ１の詳細な処理を示している。
　第１のデータ抽出部５は、作業報告書ＤＢ３に登録された作業報告書ごと、すなわち、作業報告書ＤＢ３のレコードＷＲごとに下記の処理を実行する。
　まず、第１のデータ抽出部５は、レコードＷＲにおける項目“報告文書”に登録された文章データから単語を抽出する（ステップＳＴ１ａ）。
　第１のデータ抽出部５は、項目“報告文書”に登録された上記文章データの文章解釈によって因果関係が推定される単語同士を評価候補とする（ステップＳＴ２ａ）。
　次に、第１のデータ抽出部５は、レコードＷＲにおける項目“報告日時”に登録された日時に対応する、観測データＤＢ４の時系列データを抽出する（ステップＳＴ３ａ）。
　この後、第１のデータ抽出部５は、抽出した単語と時系列データとを対応付けたデータを作成する（ステップＳＴ４ａ）。ステップＳＴ１ａからステップＳＴ４ａまでの処理が作業報告書ＤＢ３のレコードＷＲごとに実行される。
　レコードＷＲごとの処理が完了すると、第１のデータ抽出部５は、単語因果関係ＤＢ２に登録された、因果関係のある単語同士（原因単語および結果単語）を評価候補とする（ステップＳＴ５ａ）。第１のデータ抽出部５は、作業報告書ＤＢ３から抽出した単語群およびこれらのそれぞれに対応する時系列データと、単語因果関係ＤＢ２から抽出した評価候補の単語ペアとを、第２のデータ抽出部６に出力する。
　図７は、第２のデータ抽出部６の動作例を示すフローチャートであり、図５のステップＳＴ２およびステップＳＴ３の詳細な処理を示している。
　第２のデータ抽出部６は、評価候補でない単語の組み合わせｗａ，ｗｂごとに、下記の処理を実行する。
　第２のデータ抽出部６は、第１のデータ抽出部５によって評価候補とされなかった単語群のうちから、単語ｗａに対応する時系列データＤａと、単語ｗｂに対応する時系列データＤｂとを抽出する（ステップＳＴ１ｂ）。
　続いて、第２のデータ抽出部６は、時系列データＤａと時系列データＤｂとの相関関係を判定する（ステップＳＴ２ｂ）。具体的には、第２のデータ抽出部６は、時系列データＤａと時系列データＤｂとの相関係数を算出し、相関係数が閾値（例えば、０．８）以上となる場合に相関関係があると判定する。また、第２のデータ抽出部６は、時系列データＤａと時系列データＤｂとの間に高頻度で共通して発生するデータ特徴（例えば、特定の時系列データ波形）を探索し、このデータ特徴がある場合に相関関係があると判定する。高頻度の条件は、例えば、単語ｗａと単語ｗｂとがともに文章データに発生する事例において、時系列データＤａと時系列データＤｂとの間のデータ特徴が共通である頻度が８０％以上である場合が挙げられる。
　第２のデータ抽出部６は、時系列データＤａと時系列データＤｂとに相関関係があると判定すると、単語ｗａと単語ｗｂとのペアを評価候補とする（ステップＳＴ３ｂ）。
　ステップＳＴ１ｂからステップＳＴ３ｂまでの処理が評価候補でない単語の組み合わせｗａ，ｗｂごとに実行される。
　単語の組み合わせｗａ，ｗｂごとの処理が完了すると、第２のデータ抽出部６は、評価候補とされた単語同士とこれらに対応する時系列データとを、評価用データバッファ７に記憶する（ステップＳＴ４ｂ）。例えば、評価候補の単語ペアにおける単語ｗａが、項目“評価候補単語１”に登録され、項目“単語１関連データ”に時系列データＤａが登録される。項目“評価候補単語２”には、単語ｗｂが登録され、項目“単語２関連データ”に時系列データＤｂが登録される。
　次に、因果方向評価部８による処理の詳細について説明する。
　図８は双方向回帰評価部８０の動作例を示すフローチャートであり、図５のステップＳＴ４の詳細な処理を示している。ここでは、評価用データバッファ７の項目“評価候補単語１”に単語ｗＡ、項目“単語１関連データ”に時系列データＤＡ、項目“評価候補単語２”に単語ｗＢ、項目“単語２関連データ”に時系列データＤＢがそれぞれ登録されているものとする。
　双方向回帰評価部８０は、単語ｗＡに対応する時系列データＤＡと、単語ｗＢに対応する時系列データＤＢとを、評価用データバッファ７から抽出する（ステップＳＴ１ｃ）。
　次に、双方向回帰評価部８０は、説明変数を時系列データＤＡとし、目的変数を時系列データＤＢとした回帰関数ＤＢ≒ＲＢＡ（ＤＡ）を求め、回帰誤差ＥＢＡ＝ＤＢ－ＲＢＡ（ＤＡ）を算出する（ステップＳＴ２ｃ）。
　さらに、双方向回帰評価部８０は、説明変数を時系列データＤＢとし、目的変数を時系列データＤＡとした回帰関数ＤＡ≒ＲＡＢ（ＤＢ）を求めて、回帰誤差ＥＡＢ＝ＤＡ－ＲＡＢ（ＤＢ）を算出する（ステップＳＴ３ｃ）。
　図９は因果方向判定部８１の動作例を示すフローチャートであり、図５のステップＳＴ５の詳細な処理を示している。
　まず、因果方向判定部８１は、指標算出部８２に指示して、確率指標ＰＢＡおよび確率指標ＰＡＢを算出させる。確率指標ＰＢＡは、時系列データＤＡと回帰誤差ＥＢＡとが独立であることの妥当性を示す確率的な指標である。また、確率指標ＰＡＢは、時系列データＤＢと回帰誤差ＥＡＢとが独立であることの妥当性を示す確率的な指標である。
　因果方向判定部８１は、指標算出部８２によって算出された確率指標ＰＢＡと確率指標ＰＡＢとに基づいて、時系列データＤＡと時系列データＤＢとの因果関係の方向を判定する（ステップＳＴ１ｄ）。
　因果方向判定部８１は、ＰＢＡ＞ＰＡＢであれば、因果関係の方向をＤＡ→ＤＢと判定し、ＰＢＡ＜ＰＡＢであれば、因果関係の方向をＤＡ←ＤＢと判定する（ステップＳＴ２ｄ）。
　因果関係の方向がＤＡ→ＤＢである場合、時系列データＤＡが原因データ、時系列データＤＢが結果データとなり、単語ｗＡが原因単語、単語ｗＢが結果単語となる。
　反対に、因果関係の方向がＤＢ→ＤＡであれば、時系列データＤＢが原因データ、時系列データＤＡが結果データとなり、単語ｗＢが原因単語、単語ｗＡが結果単語となる。
　図５のステップＳＴ６において、指標算出部８２は、因果関係の方向がＤＡ→ＤＢである場合、単語ｗＡと単語ｗＢにおける妥当性指標として、確率指標ＰＢＡから確率指標ＰＡＢを減算した値を出力する。
　因果関係の方向がＤＢ→ＤＡであれば、指標算出部８２は、単語ｗＡと単語ｗＢにおける妥当性指標として、確率指標ＰＡＢから確率指標ＰＢＡを減算した値を出力する。
　双方向回帰評価部８０、因果方向判定部８１および指標算出部８２は、前述した処理を評価候補ごとに実行する。これによって、評価候補ごとに因果関係の方向と妥当性指標が得られる。
　なお、データ系列｛Ｘｉ｝とデータ系列｛Ｙｉ｝が統計的に独立であることを判定するためには、非線形関数Ｆ，Ｇに対して、下記式（１）で表される非線形相関関数ｒ＝０が成立することを示す必要がある。
　しかしながら、データ系列｛Ｘｉ｝とデータ系列｛Ｙｉ｝とが統計的に独立であることを厳密に判定するためには、無限に存在する全ての非線形関数に対してｒ＝０が成立することを示す必要があり、現実的な時間内で判定することはできない。
　なお、下記式（１）において、Ｆ（Ｘｉ）バーはＦ（Ｘｉ）の平均値、Ｇ（Ｙｉ）バーはＧ（Ｙｉ）の平均値である。
Figure JPOXMLDOC01-appb-I000001
　そこで、指標算出部８２は、有限の個数の非線形関数を選択し、選択した非線形関数のそれぞれに対する評価結果を確率的に評価することによって、２つのデータ系列が独立であることの妥当性を示す確率指標を算出する。
　図１０は、指標算出部８２の動作例を示すフローチャートであり、確率的な指標の算出方法の詳細を示している。
　まず、指標算出部８２が、非線形関数Ｆ，Ｇの種類とパラメータとをランダムに選択する（ステップＳＴ１ｅ）。非線形関数Ｆ，Ｇの種類としては、例えば、指数関数、べき乗関数、双曲線関数、ロジスティック関数、および任意の統計分布の累積確率密度関数などが挙げられる。なお、双曲線関数は下記式（２）で表され、ロジスティック関数は下記式（３）で表される。下記式（２）および下記式（３）において、α、β、γはパラメータである。
Figure JPOXMLDOC01-appb-I000002

Figure JPOXMLDOC01-appb-I000003
　続いて、指標算出部８２は、選択した非線形関数Ｆ，Ｇを用いて、上記式（１）に従い評価候補に対応するデータ系列の非線形相関関数ｒを算出する（ステップＳＴ２ｅ）。
　評価候補に対応するデータ系列は、例えば、単語ｗＡに対応する時系列データＤＡと、単語ｗＢに対応する時系列データＤＢである。
　この後、指標算出部８２は、非線形相関関数ｒに対して、下記式（４）に示す相関検定指標ｔが自由度ｎ－１のｔ検定に従うか否かを検定（相関検定）し、相関係数が０である確率ｐｌを導出する（ステップＳＴ３ｅ）。この確率ｐｌは検定のｐ値であり、ｐ値は、母相関係数が０である確率Ｐｓである。なお、下記式（４）において、ｎは、データ系列｛Ｘｉ｝とデータ系列｛Ｙｉ｝の長さである。
Figure JPOXMLDOC01-appb-I000004
　ステップＳＴ１ｅからステップＳＴ３ｅまでの処理は、ループ変数ｓが示す規定回数のループで繰り返し実行される。
　このループ処理が完了すると、指標算出部８２は、データ系列｛Ｘｉ｝とデータ系列｛Ｙｉ｝とが独立であることの妥当性を示す確率指標Ｐとして、Ｐ＝１－Πｓ（１－Ｐｓ）を算出する（ステップＳＴ４ｅ）。上記式（４）において、Πｓ（１－Ｐｓ）は、ループ変数ｓの値ごとに（１－Ｐｓ）を積算することを示している。
　このように、指標算出部８２は、２つの系統のデータの相互の独立性について、有限個の非線形関数を用いた近似的な判定を複数回（ｓ回）実行し、判定結果の累積データから２つの系統のデータが相互に独立であることの妥当性を示す確率的な指標を算出する。
　すなわち、指標算出部８２は、単語ｗＡに対応する時系列データＤＡと、単語ｗＢに対応する時系列データＤＢとを、データ系列｛Ｘｉ｝およびデータ系列｛Ｙｉ｝に当てはめて、前述した方法によって確率指標ＰＡＢと確率指標ＰＢＡを算出する。
　これにより、実時間で因果関係の妥当性を判定でき、かつ高精度に因果関係を評価することができる。
　次に、妥当性判定部９による処理の詳細について説明する。
　妥当性判定部９は、因果方向評価部８によって評価候補ごとおよび因果関係の方向ごとに算出された複数の妥当性指標から、これらの妥当性指標がとる値の範囲を特定する。
　そして、妥当性判定部９は、特定した範囲から逸脱しない範囲内で妥当性指標の平均値が最大となる、評価候補、因果関係の方向および妥当性指標の値を、因果関係情報として妥当な情報であると判定する。
　図１１は妥当性判定部９の動作例を示すフローチャートであり、図５のステップＳＴ７の詳細な処理を示している。
　まず、妥当性判定部９は、評価候補に含まれる単語と、単語間の因果関係の方向ごとの妥当性指標の値とから、重み付き有向グラフを作成する（ステップＳＴ１ｆ）。
　例えば、妥当性判定部９は、原因単語と結果単語をそれぞれ“頂点”とし、“頂点”間を繋ぐ“辺”を設定し、“辺”に妥当性指標の値を重みとして設定した、因果関係の方向ごとの重み付き有向グラフを作成する。
　次に、妥当性判定部９は、ループが発生せず、妥当性指標が閾値（例えば０．５）以上であるという制限条件の下で、ノード当たり（“頂点”当たり）の妥当性指標の平均値が最大となるように、重み付き有向グラフの“辺”を削減する（ステップＳＴ２ｆ）。
　具体的には、妥当性判定部９が、ステップＳＴ１ｆにて作成した重み付き有向グラフにおいて、妥当性指標が閾値未満の“辺”を削除し、さらに、ループを構成している“辺”のうち、妥当性指標の値が最小の“辺”を順次削除する。
　この後、妥当性判定部９は、ステップＳＴ２ｆの処理を施した重み付き有向グラフにおける有効な“辺”に対応する評価候補とこの“辺”に設定された重みを、単語基準の因果関係情報の更新結果として出力する（ステップＳＴ３ｆ）。
　具体的には、妥当性判定部９が、ステップＳＴ２ｆの処理を施した重み付き有向グラフにおける“辺”を有効な“辺”と判断し、有効な“辺”に対応する評価候補、因果関係の方向、重みである妥当性指標の値を、因果関係情報として妥当な情報であると判定する。
　続いて、妥当性判定部９は、判定結果の評価候補、因果関係の方向、および妥当性指標の値を、単語基準の因果関係情報に追加するか、もしくは既存の情報を更新する。
　以上のように、実施の形態１に係る因果関係評価装置１０において、因果方向評価部８が、評価用データバッファ７から複数の評価用データを評価候補ごとに入力し、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出する。妥当性判定部９が、因果方向評価部８によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する。例えば、妥当性判定部９は、評価候補ごとに算出された妥当性指標の平均値が最大となる、評価候補、因果関係の方向および妥当性指標の値を、因果関係を示す情報として妥当と判定する。このように単語間の因果関係の妥当性を示す確率的な指標を使用することで、単語間の因果関係の妥当性を実時間で判定できかつ高精度に因果関係を評価することができる。
　実施の形態１に係る因果関係評価装置１０において、因果方向評価部８が、双方向回帰評価部８０と、因果方向判定部８１と、指標算出部８２とを備える。
　特に、指標算出部８２が、回帰誤差と観測データとの統計的な独立性の判定を複数回行って累積された判定結果に基づいて、回帰誤差と観測データとの独立性を示す確率的な指標である確率指標の値を回帰の方向ごとに算出する。因果方向判定部８１が、指標算出部８２によって回帰の方向ごとに算出された確率指標の値に基づいて、評価候補の単語同士のそれぞれに対応する観測データ間の因果関係の方向を判定する。指標算出部８２が、回帰の方向ごとの確率指標の値を用いて、因果方向判定部８１によって判定された因果関係の方向に応じた妥当性指標の値を算出する。
　このように構成することで、単語間の因果関係の妥当性を実時間で判定できかつ高精度に因果関係を評価することができる。
　実施の形態１に係る因果関係評価システム１は、第１のデータ抽出部５、第２のデータ抽出部６、評価用データバッファ７、因果方向評価部８および妥当性判定部９を備える。
　これらの構成を有することで、単語間の因果関係の妥当性を実時間で判定できかつ高精度に因果関係を評価することができるシステムを提供することができる。
　実施の形態１に係る因果関係評価方法は、妥当性指標の値を因果関係の方向ごとに算出するステップと、評価候補ごとおよび因果関係の方向ごとの妥当性指標の値に基づいて、因果関係を示す情報として妥当な情報を判定するステップを備える。これにより、単語間の因果関係の妥当性を実時間で判定できかつ高精度に因果関係を評価することができる。
　なお、本発明はその発明の範囲内において、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。
　この発明に係る因果関係評価装置は、実時間でかつ高精度に因果関係を評価することができるので、例えば、様々な機械システムの保守作業に好適である。
　１　因果関係評価システム、２　単語因果関係ＤＢ、３　作業報告書ＤＢ、４　観測データＤＢ、５　第１のデータ抽出部、６　第２のデータ抽出部、７　評価用データバッファ、８　因果方向評価部、９　妥当性判定部、１０　因果関係評価装置、８０　双方向回帰評価部、８１　因果方向判定部、８２　指標算出部、１０１　ＤＢ入出力インタフェース、１０２　情報入力インタフェース、１０３　情報出力インタフェース、１０４　処理回路、１０５　プロセッサ、１０６　メモリ。

Claims (6)

  1. 　対象設備において観測された観測データと因果関係が推定される単語同士のペアである評価候補とが対応付けられた複数の評価用データを評価候補ごとに入力し、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出する因果方向評価部と、
    　前記因果方向評価部によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する妥当性判定部と
    　を備えたことを特徴とする因果関係評価装置。
  2. 　前記妥当性判定部は、前記因果方向評価部によって算出された評価候補ごとおよび因果関係の方向ごとに算出された複数の妥当性指標の平均値が最大となる、評価候補、因果関係の方向および妥当性指標を、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標として判定すること
    　を特徴とする請求項１記載の因果関係評価装置。
  3. 　前記因果方向評価部は、
    　評価候補である単語同士のそれぞれに対応する観測データについて双方向に回帰評価を行う双方向回帰評価部と、
    　前記双方向回帰評価部によって回帰の方向ごとに算出された回帰誤差と観測データとの関係性に基づいて、評価候補の単語同士のそれぞれに対応する観測データの因果関係の方向を判定する因果方向判定部と、
    　前記因果方向判定部によって判定された因果関係の方向に応じた妥当性指標の値を算出する指標算出部とを備えたこと
    　を特徴とする請求項１記載の因果関係評価装置。
  4. 　前記指標算出部は、前記双方向回帰評価部によって算出された回帰誤差と観測データとの統計的な独立性の判定を複数回行って累積された判定結果に基づいて、回帰誤差と観測データとの独立性を示す確率的な指標である確率指標の値を回帰の方向ごとに算出し、
    　前記因果方向判定部は、前記指標算出部によって回帰の方向ごとに算出された確率指標に基づいて、評価候補の単語同士のそれぞれに対応する観測データ間の因果関係の方向を判定し、
    　前記指標算出部は、回帰の方向ごとの確率指標の値を用いて、前記因果方向判定部によって判定された因果関係の方向に応じた妥当性指標の値を算出すること
    　を特徴とする請求項３記載の因果関係評価装置。
  5. 　対象設備に行われた作業に関する作業報告書の文章から単語を抽出し、因果関係が推定される単語同士を評価候補とするとともに、前記対象設備において観測された観測データのうち、抽出した単語に対応する観測データを抽出する第１のデータ抽出部と、
    　前記第１のデータ抽出部によって評価候補とされなかった単語群のうち、対応する観測データ間に相関関係がある単語同士を評価候補とする第２のデータ抽出部と、
    　前記第１のデータ抽出部と前記第２のデータ抽出部とによって評価候補とされた単語同士のペアと単語同士のそれぞれに対応する観測データとが対応付けられた複数の評価用データを記憶するデータ記憶部と、
    　前記データ記憶部に記憶された複数の評価用データを評価候補ごとに入力し、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出する因果方向評価部と、
    　前記因果方向評価部によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定する妥当性判定部と
    　を備えたことを特徴とする因果関係評価システム。
  6. 　因果方向評価部が、対象設備において観測された観測データと因果関係が推定される単語同士のペアである評価候補とが対応付けられた複数の評価用データを評価候補ごとに入力し、単語間の因果関係の妥当性を示す確率的な指標である妥当性指標を因果関係の方向ごとに算出するステップと、
    　妥当性判定部が、前記因果方向評価部によって算出された評価候補ごとの妥当性指標に基づいて、因果関係を示す情報として妥当な、評価候補、因果関係の方向および妥当性指標を判定するステップと
    　を備えたことを特徴とする因果関係評価方法。
PCT/JP2017/009994 2017-03-13 2017-03-13 因果関係評価装置、因果関係評価システムおよび因果関係評価方法 WO2018167826A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2017/009994 WO2018167826A1 (ja) 2017-03-13 2017-03-13 因果関係評価装置、因果関係評価システムおよび因果関係評価方法
JP2018542309A JP6545397B2 (ja) 2017-03-13 2017-03-13 因果関係評価装置、因果関係評価システムおよび因果関係評価方法
TW106117838A TW201833825A (zh) 2017-03-13 2017-05-31 因果關係評估裝置、因果關係評估系統以及因果關係評估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/009994 WO2018167826A1 (ja) 2017-03-13 2017-03-13 因果関係評価装置、因果関係評価システムおよび因果関係評価方法

Publications (1)

Publication Number Publication Date
WO2018167826A1 true WO2018167826A1 (ja) 2018-09-20

Family

ID=63521900

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/009994 WO2018167826A1 (ja) 2017-03-13 2017-03-13 因果関係評価装置、因果関係評価システムおよび因果関係評価方法

Country Status (3)

Country Link
JP (1) JP6545397B2 (ja)
TW (1) TW201833825A (ja)
WO (1) WO2018167826A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7222441B1 (ja) 2022-08-05 2023-02-15 富士電機株式会社 分析装置、分析方法及びプログラム
WO2023024411A1 (zh) * 2021-08-25 2023-03-02 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013206016A (ja) * 2012-03-28 2013-10-07 Sony Corp 情報処理装置および方法、並びにプログラム
JP2015153133A (ja) * 2014-02-14 2015-08-24 オムロン株式会社 因果ネットワーク生成システムおよび因果関係のデータ構造
JP2016042364A (ja) * 2015-10-19 2016-03-31 国立研究開発法人情報通信研究機構 コンピュータによる自然言語処理のためのコンピュータ読取可能な辞書及びそれを記憶した記憶媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5825599B2 (ja) * 2012-08-31 2015-12-02 日本電信電話株式会社 品質劣化要因推定装置及び方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013206016A (ja) * 2012-03-28 2013-10-07 Sony Corp 情報処理装置および方法、並びにプログラム
JP2015153133A (ja) * 2014-02-14 2015-08-24 オムロン株式会社 因果ネットワーク生成システムおよび因果関係のデータ構造
JP2016042364A (ja) * 2015-10-19 2016-03-31 国立研究開発法人情報通信研究機構 コンピュータによる自然言語処理のためのコンピュータ読取可能な辞書及びそれを記憶した記憶媒体

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023024411A1 (zh) * 2021-08-25 2023-03-02 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
JP7222441B1 (ja) 2022-08-05 2023-02-15 富士電機株式会社 分析装置、分析方法及びプログラム
JP2024022159A (ja) * 2022-08-05 2024-02-16 富士電機株式会社 分析装置、分析方法及びプログラム

Also Published As

Publication number Publication date
JP6545397B2 (ja) 2019-07-17
JPWO2018167826A1 (ja) 2019-03-28
TW201833825A (zh) 2018-09-16

Similar Documents

Publication Publication Date Title
Zhang et al. Degradation data analysis and remaining useful life estimation: A review on Wiener-process-based methods
JP6501982B2 (ja) 故障リスク指標推定装置および故障リスク指標推定方法
US9063856B2 (en) Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device
US11240125B2 (en) System and method for predicting and reducing subscriber churn
CN110717824A (zh) 基于知识图谱的银行对公客群风险传导测算的方法及装置
US20180285969A1 (en) Predictive model training and selection for consumer evaluation
CN107798245B (zh) 一种基于组件依赖图的软件安全漏洞预测方法
CN111460076B (zh) 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质
Rana et al. Analyzing defect inflow distribution and applying Bayesian inference method for software defect prediction in large software projects
JP2006277426A (ja) 成分情報の信頼性評価方法、システム及びプログラム
JP2014085730A (ja) 機器の損傷解析支援システム及び損傷解析支援方法
WO2016206557A1 (zh) 一种风险识别方法及装置
Rydman Application of the peaks-over-threshold method on insurance data
WO2018167826A1 (ja) 因果関係評価装置、因果関係評価システムおよび因果関係評価方法
CN110348215B (zh) 异常对象识别方法、装置、电子设备及介质
JP5791555B2 (ja) 状態追跡装置、方法、及びプログラム
CN111159241A (zh) 一种点击转化预估方法及装置
CN111325255B (zh) 特定人群圈定方法、装置、电子设备及存储介质
JP2016206825A (ja) 画像登録装置およびその方法
US11176502B2 (en) Analytical model training method for customer experience estimation
CN108564237A (zh) 一种容量评估模型建立方法、容量评估方法及装置
CN111949840A (zh) 一种基于物联网数据的拓扑图结构的构建方法、装置
JP2009301341A (ja) サービシステム、サービスシステム管理方法、及びプログラム
JP7437277B2 (ja) 情報処理装置及び情報処理システム
CN112214387B (zh) 基于知识图谱的用户操作行为预测方法及装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018542309

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17900520

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17900520

Country of ref document: EP

Kind code of ref document: A1