WO2023112167A1 - 要因分析装置、要因分析方法及び要因分析プログラム - Google Patents

要因分析装置、要因分析方法及び要因分析プログラム Download PDF

Info

Publication number
WO2023112167A1
WO2023112167A1 PCT/JP2021/046116 JP2021046116W WO2023112167A1 WO 2023112167 A1 WO2023112167 A1 WO 2023112167A1 JP 2021046116 W JP2021046116 W JP 2021046116W WO 2023112167 A1 WO2023112167 A1 WO 2023112167A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
factor
evaluation
index
feature amount
Prior art date
Application number
PCT/JP2021/046116
Other languages
English (en)
French (fr)
Inventor
直輝 伊藤
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/JP2021/046116 priority Critical patent/WO2023112167A1/ja
Publication of WO2023112167A1 publication Critical patent/WO2023112167A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Definitions

  • This disclosure relates to techniques for analyzing factors that affect indicators to be improved.
  • a priority target is set using one of a plurality of management indicators depending on the situation.
  • the management indicators are quality, cost, delivery date, production quantity, and the like.
  • Priority goals are called KGI.
  • KGI is an abbreviation for Key Goal Indicator.
  • Production control is then carried out to achieve the KGI. For example, assume that quality is set to KGI. In this case, daily production control is performed to achieve the target value of quality.
  • information on the current operational status is collected from the production system and the current value and the target value are compared. If the target value is not achieved, improvement activities are carried out so as to achieve it. Improvement activities include enhancement of facilities in the production system, adjustment of parameters, education of workers, review of work procedures, review of materials or inventory, and the like.
  • IoT is an abbreviation for Internet of Things.
  • IoT in addition to the current value of KGI in the production system, detailed data is collected on the status of the processes and equipment in the production system and the equipment units in the equipment from time to time. By analyzing the collected data, the relationships between the data in the production system are clarified and used as a reference for production management.
  • Patent Literature 1 describes defining a hierarchical structure of relationships between KPIs, which are management indices for a plurality of processes and a plurality of facilities, in a KPI association diagram.
  • KPI is an abbreviation for Key Performance Indicator.
  • KPI data for calculating KPIs is collected from processes and equipment. Collected KPI data is brute-force correlated. Then, when the correlation coefficient exceeds the designated threshold, a KPI relation diagram is generated assuming that there is a relationship between the target KPI data.
  • an alarm to be notified to an administrator when an abnormality occurs in any KPI is selected by referring to a KPI relation diagram.
  • An object of the present disclosure is to facilitate identification of factors that have affected an index to be improved, such as KGI or KPI.
  • the factor analysis device is A feature value indicating the relationship between the indicator and the target explanatory data, with each of a plurality of explanatory data obtained by classifying the factor data that can be a factor affecting the indicator to be improved for each acquisition source as the target explanatory data.
  • a feature quantity calculation unit that calculates an evaluation unit that evaluates relevance between feature amounts for each of the plurality of explanatory data calculated by the feature amount calculation unit, and determines whether or not the factor data has affected the index.
  • feature quantities are calculated that indicate the relationship between the index and each piece of explanatory data. Then, it is determined whether or not the factor data has influenced the index by evaluating the relationship between the feature amounts of each explanatory data. This makes it possible to exclude factor data or the like that propagates other anomalies and causes anomalies in all of the explanation data. As a result, it is possible to easily identify the factors that have affected the index to be improved.
  • FIG. 1 is a configuration diagram of a factor analysis device 10 according to Embodiment 1;
  • FIG. FIG. 3 is an explanatory diagram of a model 31 according to the first embodiment;
  • FIG. 4 is an explanatory diagram of an evaluation setting 32 according to the first embodiment;
  • FIG. 4 is a flowchart of the overall operation of the factor analysis device 10 according to Embodiment 1;
  • 4 is a flowchart of evaluation processing according to the first embodiment;
  • FIG. 4 is an explanatory diagram of feature amounts according to the first embodiment;
  • FIG. 4 is an explanatory diagram of the effect according to the first embodiment;
  • the block diagram of the factor-analysis apparatus 10 which concerns on the modification 2.
  • FIG. FIG. 8 is an explanatory diagram of a model 31 according to Embodiment 2;
  • FIG. 11 is an explanatory diagram of an evaluation setting 32 according to the second embodiment;
  • FIG. 9 is a flowchart of evaluation processing according to the second embodiment;
  • FIG. 11 is an explanatory diagram of an evaluation setting 32 according to the third embodiment;
  • FIG. 11 is an explanatory diagram of an evaluation setting 32 according to modification 5;
  • FIG. 11 is an explanatory diagram of an evaluation setting 32 according to modification 5;
  • the factor analysis device 10 is a computer.
  • the factor analysis device 10 includes hardware including a processor 11 , a memory 12 , a storage 13 and a communication interface 14 .
  • the processor 11 is connected to other hardware via signal lines and controls these other hardware.
  • the processor 11 is an IC that performs processing.
  • IC is an abbreviation for Integrated Circuit.
  • the processor 11 is, for example, a CPU, DSP, or GPU.
  • CPU is an abbreviation for Central Processing Unit.
  • DSP is an abbreviation for Digital Signal Processor.
  • GPU is an abbreviation for Graphics Processing Unit.
  • the memory 12 is a storage device that temporarily stores data. Specific examples of the memory 12 are SRAM and DRAM. SRAM is an abbreviation for Static Random Access Memory. DRAM is an abbreviation for Dynamic Random Access Memory.
  • the storage 13 is a storage device that stores data.
  • a specific example of the storage 13 is an HDD.
  • HDD is an abbreviation for Hard Disk Drive.
  • the storage 13 is a portable recording medium such as an SD (registered trademark) memory card, CompactFlash (registered trademark), NAND flash, flexible disk, optical disk, compact disk, Blu-ray (registered trademark) disk, or DVD. good.
  • SD is an abbreviation for Secure Digital.
  • DVD is an abbreviation for Digital Versatile Disk.
  • the communication interface 14 is an interface for communicating with external devices.
  • the communication interface 14 is, for example, an Ethernet (registered trademark), USB, or HDMI (registered trademark) port.
  • USB is an abbreviation for Universal Serial Bus.
  • HDMI is an abbreviation for High-Definition Multimedia Interface.
  • the factor analysis device 10 is connected to the analysis target production system 100 via the communication interface 14 .
  • the factor analysis device 10 includes a setting unit 21, a data acquisition unit 22, a feature amount calculation unit 23, and an evaluation unit 24 as functional components.
  • the function of each functional component of the factor analysis device 10 is realized by software.
  • the storage 13 stores a program that implements the function of each functional component of the factor analysis device 10 . This program is read into the memory 12 by the processor 11 and executed by the processor 11 . Thereby, the function of each functional component of the factor analysis device 10 is realized.
  • a model 31 of the production system 100 and evaluation settings 32 are stored in the storage 13 .
  • processor 11 Only one processor 11 is shown in FIG. However, there may be a plurality of processors 11, and the plurality of processors 11 may cooperate to execute programs that implement each function.
  • FIG. 1 The operation procedure of the factor analysis device 10 according to the first embodiment corresponds to the factor analysis method according to the first embodiment.
  • a program that implements the operation of the factor analysis device 10 according to the first embodiment corresponds to the factor analysis program according to the first embodiment.
  • a model 31 according to the first embodiment will be described with reference to FIG.
  • the elements of the production system 100 are classified into hierarchies such as processes and equipment and defined.
  • the model 31 also defines data that can be collected from each element of the production system 100 .
  • Data that can be collected from each element includes KPI data and factor data.
  • the KPI data are overall efficiency, effectiveness, non-defective product rate, lead time, and the like.
  • KPI data is data indicating an index to be improved.
  • the factor data is sensor data or the like acquired from each facility.
  • Factor data is data that can be a factor that affects an index. Note that certain sensor data acquired from equipment may be set as KPI data.
  • Each piece of data obtained by classifying the factor data for each acquisition source is called explanation data.
  • the factor data is sensor data A, for example. It is assumed that sensor data A is acquired from each of equipment #1 to equipment #4. In this case, the explanation data are sensor data A obtained from facility #1, sensor data A obtained from facility #2, sensor data A obtained from facility #3, and sensor data A obtained from facility #4. A and
  • factor data is the data obtained from the equipment.
  • factor data is not limited to data acquired from equipment.
  • the factor data may be data acquired from a sensor or the like installed outside the facility.
  • Factor data is data that can be a factor that affects an index.
  • factor data is data that can have a relationship with KPI data.
  • KPI data relating to the line or factory may be acquired, and KPI data relating to the process may be acquired as factor data.
  • equipment and the like may be added as a layer below the facility.
  • sensor data regarding equipment may be acquired as KPI data, and sensor data regarding equipment and the like may be acquired as factor data.
  • the evaluation setting 32 defines the method of evaluation of relevance by the evaluation unit 24 .
  • Evaluation settings 32 include evaluation methods and evaluation parameters. A specific evaluation method is set in the evaluation method. An evaluation condition such as a threshold value is set in the evaluation parameter. In FIG. 3, the evaluation method is set to calculate the difference between the maximum value of the feature amount and the minimum value of the feature amount. Moreover, 0.6 or more is set to the evaluation parameter. Therefore, as shown in the execution contents of the evaluation unit 24, it is determined whether or not the difference between the maximum value and the minimum value is 0.6 or more.
  • the evaluation setting 32 is set by the setting unit 21 as will be described later. By setting the evaluation setting 32 by the setting unit 21, the execution contents of the evaluation unit 24 are set.
  • Rating settings 32 are not limited to the method shown in FIG.
  • the evaluation method may be set to perform a correlation analysis between explanatory data, and the evaluation parameter may be set to have a correlation coefficient of XX or less. Accordingly, it is determined whether or not the correlation coefficient obtained as a result of the correlation analysis between the explanatory data is low.
  • the evaluation method may be set to calculate the difference between the top 25% percentile value and the bottom 25% percentile value, and the evaluation parameter may be set such that the difference is XX or more. As a result, it is determined whether or not the difference between the top 25% value and the bottom 25% value is large.
  • Step S1 Initial setting process
  • the setting unit 21 sets a model 31 and evaluation settings 32 .
  • the setting unit 21 receives input from the user of the factor analysis device 10 .
  • the setting unit 21 generates a model 31 and evaluation settings 32 according to the input.
  • the setting unit 21 writes the model 31 and the evaluation settings 32 to the storage 13 .
  • Step S2 Data Acquisition Processing
  • the data acquisition unit 22 acquires KPI data defined in the model 31 from the production system 100 .
  • the data acquisition unit 22 also acquires from the production system 100 each explanation data for each of the one or more factor data defined in the model 31 .
  • the data acquisition unit 22 writes the KPI data and the explanation data into the memory 12 .
  • the data acquisition unit 22 may acquire values during operation of the production system 100 in real time for a certain period of time. Further, the data acquisition unit 22 may acquire performance data of the production system 100 for a certain period of time in the past.
  • the KPI data and the explanation data may be stored in a storage device outside the production system 100 in advance. In this case, the data acquisition unit 22 acquires KPI data and explanation data from an external storage device.
  • Step S3 feature amount calculation processing
  • the feature quantity calculation unit 23 brute-force analyzes the relationship between the KPI data indicating the index to be improved and the explanation data to calculate the feature quantity. Specifically, the feature quantity calculation unit 23 sets each description data as the target description data for each of the one or more factor data. The feature quantity calculation unit 23 calculates a feature quantity indicating the relationship between the KPI data and the target description data. The feature amount calculation unit 23 uses the KPI data as the objective variable and the target explanatory data as the explanatory variable, and calculates the feature amount between the objective variable and the explanatory variable. In Embodiment 1, the feature amount is the correlation coefficient.
  • the feature quantity calculation unit 23 performs correlation analysis on the KPI data and the target description data, and calculates the correlation coefficient.
  • the feature amount is not limited to the correlation coefficient.
  • the feature quantity may be anything as long as it quantitatively represents the relationship between data.
  • the feature amount may be calculated by adding some calculation based on the correlation coefficient.
  • the feature amount may be support, reliability, or lift in association analysis, or regression coefficients in regression analysis. That is, the feature amount calculation unit 23 may perform association analysis instead of correlation analysis to calculate the support, reliability, or lift. Further, the feature amount calculation unit 23 may perform regression analysis to calculate regression coefficients instead of correlation analysis.
  • Step S4 Evaluation processing
  • the evaluation unit 24 evaluates the relationship between the feature amounts calculated in step S3 for each of the one or more factor data, and determines whether or not each of the one or more factor data has affected the index to be improved. determine whether
  • step S4 in FIG. 4 The evaluation process (step S4 in FIG. 4) according to the first embodiment will be described with reference to FIG.
  • the process of FIG. 5 is executed with one or more factor data set as target factor data in order.
  • Step S11 Feature reading process
  • the evaluation unit 24 reads, from the memory 12, feature amounts for each of the plurality of explanatory data obtained by classifying the target factor data for each acquisition source.
  • Step S12 Evaluation setting process
  • the evaluation unit 24 reads the evaluation settings 32 from the storage 13 .
  • Step S13 Feature quantity evaluation process
  • the evaluation unit 24 evaluates the relevance of the feature amount read out in step S11 based on the evaluation setting 32 read out in step S12. In other words, the evaluation unit 24 evaluates the relevance between multiple pieces of explanatory data for the target factor data. Specifically, the evaluation unit 24 performs calculations set in the evaluation method of the evaluation setting 32 on the feature amount. Then, the evaluation unit 24 determines whether or not the value obtained by calculation or the like satisfies the evaluation condition set as the evaluation parameter of the evaluation setting 32 . When the evaluation condition is satisfied, the evaluation unit 24 determines that the target factor data has affected the improvement target index. On the other hand, if the evaluation condition is not satisfied, the evaluation unit 24 determines that the target factor data does not affect the improvement target index.
  • FIG. 6 in process #1, four facilities #1 to #4 are arranged. Sensor data A and sensor data B are obtained for each of the facilities #1 to #4. KPI data is the rate of non-defective products.
  • the factor data are sensor data A and sensor data B.
  • FIG. Sensor data A obtained from equipment #1, sensor data A obtained from equipment #2, sensor data A obtained from equipment #3, and sensor data A obtained from equipment #4 explain sensor data A. Data.
  • the sensor data B obtained from the equipment #1, the sensor data B obtained from the equipment #2, the sensor data B obtained from the equipment #3, and the sensor data B obtained from the equipment #4 are the sensor data It is explanatory data about B.
  • step S3 the feature amount between the non-defective product rate and the sensor data A obtained from the equipment #1 is calculated as 0.9.
  • the feature values of the non-defective product rate and the sensor data A obtained from each of the facilities #2, #3, and #4 are calculated to be 0.8, 0.8, and 0.9.
  • the feature values of the non-defective product rate and the sensor data B obtained from each of the facilities #1, #2, #3, and #4 are calculated as 0.9, 0.1, 0.1, and 0.1. ing.
  • the evaluation unit 24 calculates the difference 0.1 between the maximum feature value of 0.9 and the minimum feature value of 0.8 according to the evaluation method. do. Then, the evaluation unit 24 determines that the calculated difference of 0.1 does not satisfy the condition of 0.6 or more according to the evaluation parameters. As a result, the evaluation unit 24 determines that the sensor data A does not affect the non-defective product rate.
  • the evaluation unit 24 calculates the difference 0.8 between the maximum feature value of 0.9 and the minimum feature value of 0.1 according to the evaluation method. do.
  • the evaluation unit 24 determines that the calculated difference of 0.8 satisfies the condition of 0.6 or more according to the evaluation parameters. As a result, the evaluation unit 24 determines that the sensor data B affects the non-defective product rate. In other words, it can be seen that sensor data B should be checked when the non-defective product rate of process #1 fluctuates.
  • the evaluation unit 24 may determine that, among the factor data, the explanation data in which the feature amount indicating that the relationship is equal to or higher than the reference is calculated has influenced the index. Description will be made using the example of FIG. Here, it is assumed that the reference is 0.7. In this case, the evaluation unit 24 determines that the sensor data B obtained from the facility #1, which has a feature value of 0.7 or more, among the sensor data B, which is the factor data, has influenced the index.
  • the factor analysis device 10 calculates the feature amount indicating the relationship between the index and each piece of explanatory data. Then, the factor analysis device 10 evaluates the relationship between the feature amounts of each explanatory data, and determines whether or not the factor data has influenced the index. This makes it possible to exclude factor data or the like that propagates other anomalies and causes anomalies in all of the explanation data. As a result, it is possible to easily identify the factors that have affected the index to be improved.
  • FIG. 7 shows that, in the example shown in FIG. 6, the abnormality of the sensor data B of the facility #1 has propagated and the sensor data A of the facility #1 to the facility #4 have become abnormal. As a result, it is assumed that the non-defective product rate of process #1 has decreased. In this case, the KPI relation chart described in Patent Document 1 is created. Then, there is a relationship between the non-defective product rate of process #1 and the sensor data A of the equipment #1 to the equipment #4, and there is a relationship between the non-defective product rate of the process #1 and the sensor data B of the equipment #1. A KPI association diagram is generated.
  • the factor analysis device 10 according to Embodiment 1 can extract only the sensor data B of the facility #1, which is the real factor, as described with reference to FIG. Therefore, it becomes easier to identify the factors that have affected the index to be improved.
  • the feature amount calculation unit 23 sets each KPI data as the target KPI data. Then, the feature quantity calculation unit 23 calculates a feature quantity between the target KPI data and the target explanation data. Also, in the evaluation process (step S4 in FIG. 4), the evaluation unit 24 sequentially treats each KPI data as target KPI data, and sequentially treats each of the one or more factor data as target factor data, and executes the process of FIG. .
  • each functional component is realized by software.
  • each functional component may be implemented by hardware.
  • this modification 2 the points different from the first embodiment will be described.
  • the factor analysis device 10 includes an electronic circuit 15 instead of the processor 11, memory 12, and storage 13.
  • FIG. The electronic circuit 15 is a dedicated circuit that realizes the functions of each functional component, memory 12 and storage 13 .
  • Electronic circuit 15 may be a single circuit, multiple circuits, programmed processors, parallel programmed processors, logic ICs, GAs, ASICs, FPGAs.
  • GA is an abbreviation for Gate Array.
  • ASIC is an abbreviation for Application Specific Integrated Circuit.
  • FPGA is an abbreviation for Field-Programmable Gate Array.
  • Each functional component may be implemented by one electronic circuit 15, or each functional component may be implemented by being distributed among a plurality of electronic circuits 15. FIG.
  • the processor 11, memory 12, storage 13 and electronic circuit 15 are called a processing circuit. That is, the function of each functional component is realized by the processing circuit.
  • Embodiment 2 is different from the first embodiment in that the factor data are given processing priorities and end conditions are provided. In the second embodiment, this different point will be explained, and the explanation of the same point will be omitted.
  • a model 31 according to the second embodiment will be described with reference to FIG.
  • the model 31 differs from the model 31 shown in FIG. 2 in that the factor data are prioritized.
  • the priority is used to determine the order of processing targets in the evaluation process (step S4 in FIG. 4).
  • the order of priority is determined by the designer of the production system 100 or the like based on the design information of the production system 100 . For example, the priority is given to factor data that is more likely to be a factor.
  • the evaluation setting 32 according to the second embodiment will be described with reference to FIG.
  • the evaluation setting 32 differs from the evaluation setting 32 shown in FIG. 3 in that, in addition to the evaluation method and evaluation parameters, a termination condition is set.
  • the end condition is a condition for ending the evaluation process (step S4 in FIG. 4).
  • a condition is set as an end condition that the number of factor data determined to have an influence is one or more.
  • step S4 in FIG. 4 The evaluation process (step S4 in FIG. 4) according to the second embodiment will be described with reference to FIG.
  • the processing from step S22 to step S23 is the same as the processing from step S12 to step S13 in FIG.
  • Step S21 Feature reading process
  • the evaluation unit 24 sets the factor data with the highest priority among the unprocessed factor data as the target factor data.
  • the evaluation unit 24 reads from the memory 12 the feature amount for each of the plurality of explanatory data into which the target factor data is classified.
  • Step S24 end determination processing
  • the evaluation unit 24 determines whether or not the termination condition of the evaluation setting 32 is satisfied.
  • the evaluation unit 24 terminates the process when the termination condition is satisfied. On the other hand, if the end condition is not satisfied, the evaluation unit 24 returns the process to step S21.
  • sensor data B since sensor data B has the highest priority, sensor data B is first set as target factor data. As described in the first embodiment, it is determined that the sensor data B affects the non-defective product rate. As a result, it is determined that the termination condition is satisfied when the evaluation of the sensor data B is completed, and the process is terminated. In other words, the process ends without evaluating the sensor data A.
  • the factor analysis apparatus 10 evaluates factor data in descending order of priority, and terminates the process when the termination condition is satisfied. This makes it possible to terminate the process when a valid result is obtained without performing unnecessary many processes. That is, in Embodiment 1, the method of selecting factor data to be evaluated and the method of ending processing are not limited. Therefore, it is necessary to perform a considerable number of processes until an effective result is obtained, such as evaluating all the factor data, which may lead to inefficiency. On the other hand, in the second embodiment, it is possible to efficiently identify factors without performing unnecessary many processes.
  • the efficiency of the evaluation process (step S4 in FIG. 4) is improved.
  • the following processing can be considered.
  • the data acquisition process (step S2 in FIG. 4)
  • the data acquisition unit 22 acquires only the explanation data of some factor data with high priority.
  • the feature amount calculation unit 23 calculates the feature amount only for the acquired explanation data.
  • the evaluation setting 32 may define up to which priority order the explanation data is acquired and the feature amount is calculated. Note that if the end condition cannot be satisfied in the evaluation process (step S4 in FIG. 4), the data acquisition unit 22 acquires the explanation data of some factor data with higher priority among the remaining factor data. You may make it
  • Embodiment 3 differs from Embodiments 1 and 2 in that evaluation is performed using a plurality of evaluation methods. In the third embodiment, this different point will be explained, and the explanation of the same point will be omitted. Embodiment 3 describes a case in which modifications are made to Embodiment 2. FIG. However, it is also possible to add changes to the first embodiment.
  • the evaluation setting 32 according to the third embodiment will be described with reference to FIG.
  • the evaluation setting 32 differs from the evaluation setting 32 shown in FIG. 10 in that a plurality of sets of evaluation methods and evaluation parameters are set, and an analysis method is set for each set.
  • set 1 indicates that it is determined whether or not the difference between the maximum value and minimum value of the feature values obtained by the correlation analysis is 0.6 or more.
  • a set 2 indicates that it is determined whether or not the difference between the maximum value and minimum value of the feature quantity obtained by the association analysis is 0.6 or more.
  • step S4 in FIG. 4 The evaluation process (step S4 in FIG. 4) according to the second embodiment will be described with reference to FIG.
  • the processing from step S21 to step S22 and the processing of step S24 are the same as those in the second embodiment.
  • Step S23 feature quantity evaluation process
  • the evaluation unit 24 sets each set of the evaluation method and the evaluation parameter set in the evaluation setting 32 as a target set.
  • the evaluation unit 24 performs calculations and the like set for the evaluation method of the target set.
  • the evaluation unit 24 determines whether or not the value obtained by calculation or the like satisfies the evaluation condition set for the evaluation parameter of the target set. Accordingly, the evaluation unit 24 determines whether or not the target factor data has affected the improvement target index.
  • the factor analysis device 10 performs evaluation using a plurality of evaluation methods. As a result, various methods can be used to determine whether or not the factor data has affected the index to be improved. For example, as shown in FIG. 12, a plurality of sets using different analysis means are set. This makes it possible to determine whether or not the factor data has affected the improvement target index from a different point of view.
  • the evaluation settings 32 are set with different analysis means for each set.
  • a plurality of evaluation methods using one analysis means may be set.
  • a plurality of sets using correlation analysis as analysis means may be set.
  • set 1 indicates that it is determined whether or not the difference between the maximum value and the minimum value of the feature quantity obtained by the correlation analysis is 0.6 or more.
  • Set 2 indicates that it is determined whether or not the average value of the feature quantity differences obtained by the correlation analysis is 0.6 or more. This makes it possible to perform various evaluations with one analysis means.
  • a plurality of analysis means may be set in the evaluation setting 32, and a plurality of evaluation methods may be set for any one or more of the analysis means. That is, as shown in FIG. 14, the evaluation setting 32 may be a combination of FIGS. 12 and 13. FIG. In FIG. 14, sets 1 and 2 are the same as sets 1 and 2 in FIG. Set 3 is the same as set 2 in FIG.
  • the evaluation unit 24 determines whether or not the factor data has affected the index to be improved for each evaluation method.
  • the evaluation unit 24 may combine a plurality of evaluation methods to determine whether or not the factor data has affected the index to be improved.
  • the evaluation unit 24 may determine whether or not the factor data has affected the index to be improved by summarizing the evaluation results obtained by each of the plurality of evaluation methods. For example, the evaluation unit 24 determines whether or not it is determined that the factor data has affected the improvement target index in more than half of the sets in the evaluation settings 32 . When it is determined that more than half of the groups have an effect, the evaluation unit 24 determines that the factor data has an effect on the improvement target index.
  • the evaluation unit 24 determines points for each group, and determines that the factor data has affected the indicator to be improved when the sum of the points of the group determined to have an influence is equal to or greater than a reference value. You may Note that the evaluation unit 24 may combine only a plurality of evaluation methods related to the same analysis means.
  • 10 factor analysis device 11 processor, 12 memory, 13 storage, 14 communication interface, 21 setting unit, 22 data acquisition unit, 23 feature amount calculation unit, 24 evaluation unit, 31 model, 32 evaluation setting, 100 production system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

特徴量計算部（２３）は、改善対象の指標に影響を与える要因となり得る要因データを取得元毎に分類した複数の説明データそれぞれを対象の説明データに設定する。特徴量計算部（２３）は、指標を表すＫＰＩデータと対象の説明データとの間の関係性を示す特徴量を計算する。ＫＰＩはＫｅｙ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｉｎｄｉｃａｔｏｒの略である。評価部（２４）は、特徴量計算部（２３）によって計算された複数の説明データそれぞれについての特徴量の間の関連性を評価して、要因データが指標に影響を与えたか否かを判定する。

Description

要因分析装置、要因分析方法及び要因分析プログラム
　本開示は、改善対象の指標に影響を与えている要因を分析する技術に関する。
　工場等の生産システムでは、時々の状況に応じて、複数の管理指標のうちいずれかの管理指標を用いて優先目標が設定される。管理指標は、品質とコストと納期と生産数量と等である。優先目標はＫＧＩと呼ばれる。ＫＧＩは、Ｋｅｙ　Ｇｏａｌ　Ｉｎｄｉｃａｔｏｒの略である。
　そして、ＫＧＩを達成すべく生産管理が行われる。例えば、ＫＧＩに品質が設定されたとする。この場合、品質の目標値を達成するよう日々の生産管理が行われる。生産管理では、生産システムから現在の運用状況の情報を収集して現在値と目標値とが比較される。目標値に達成していない場合は、達成するように改善活動が行われる。改善活動は、生産システム内の設備の増強と、パラメータ調整と、作業員の教育と、作業手順の見直しと、材料又は在庫の見直しと等である。
　従来、改善活動は、生産システム管理者の経験によって行われることが多い。そのため、必ずしも優先目標の達成に寄与しない改善活動、又は、効果の低い改善活動が行われている場合があるという問題があった。
　このような問題に対して、近年では生産システムのＩｏＴ化を進めることで解決が図られている。ＩｏＴは、Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓの略である。具体的には、ＩｏＴ化により、生産システムにおけるＫＧＩの現在値に加え、その時々の生産システム内の工程と設備と設備内の機器単位との状態について詳細なデータが収集される。そして、収集されたデータを分析することで生産システム内のデータの関係性が明らかにされ生産管理の参考にされる。
　特許文献１には、複数の工程及び複数の設備の管理指標であるＫＰＩについて、それぞれの関係性の階層構造をＫＰＩ関連図に定義することが記載されている。ＫＰＩは、Ｋｅｙ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｉｎｄｉｃａｔｏｒの略である。ＫＰＩを算出するためのＫＰＩデータが工程及び設備から収集される。収集されたＫＰＩデータが総当たり的に相関分析される。そして、相関係数が指定した閾値を超える場合、対象のＫＰＩデータ間に関係性があるものとしてＫＰＩ関連図が生成される。
　特許文献１では、ＫＰＩ関連図を参照して、いずれかのＫＰＩに異常が発生した際に管理者に通知するアラームが選別される。
特開２０１９－１１７４６４号公報
　特許文献１に記載された技術では、異常が伝播する場合に、異常が伝播した先の要因までも抽出されてしまう可能性がある。そのため、真の要因を特定することが困難になる可能性がある。
　本開示は、ＫＧＩ又はＫＰＩといった改善対象の指標に影響を与えた要因の特定をし易くすることを目的とする。
　本開示に係る要因分析装置は、
　改善対象の指標に影響を与える要因となり得る要因データを取得元毎に分類した複数の説明データそれぞれを対象の説明データとして、前記指標と前記対象の説明データとの間の関係性を示す特徴量を計算する特徴量計算部と、
　前記特徴量計算部によって計算された前記複数の説明データそれぞれについての特徴量の間の関連性を評価して、前記要因データが前記指標に影響を与えたか否かを判定する評価部と
を備える。
　本開示では、指標と各説明データとの間の関係性を示す特徴量が計算される。そして、各説明データの特徴量の間の関連性を評価して、要因データが指標に影響を与えたか否かが判定される。これにより、他の異常が伝播して全ての説明データに異常が発生した要因データ等を除外可能になる。その結果、改善対象の指標に影響を与えた要因の特定をし易くできる。
実施の形態１に係る要因分析装置１０の構成図。 実施の形態１に係るモデル３１の説明図。 実施の形態１に係る評価設定３２の説明図。 実施の形態１に係る要因分析装置１０の全体的な動作のフローチャート。 実施の形態１に係る評価処理のフローチャート。 実施の形態１に係る特徴量の説明図。 実施の形態１に係る効果の説明図。 変形例２に係る要因分析装置１０の構成図。 実施の形態２に係るモデル３１の説明図。 実施の形態２に係る評価設定３２の説明図。 実施の形態２に係る評価処理のフローチャート。 実施の形態３に係る評価設定３２の説明図。 変形例５に係る評価設定３２の説明図。 変形例５に係る評価設定３２の説明図。
　実施の形態１．
　＊＊＊構成の説明＊＊＊
　図１を参照して、実施の形態１に係る要因分析装置１０の構成を説明する。
　要因分析装置１０は、コンピュータである。
　要因分析装置１０は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信インタフェース１４とのハードウェアを備える。プロセッサ１１は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。
　プロセッサ１１は、プロセッシングを行うＩＣである。ＩＣはＩｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの略である。プロセッサ１１は、具体例としては、ＣＰＵ、ＤＳＰ、ＧＰＵである。ＣＰＵは、Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔの略である。ＤＳＰは、Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒの略である。ＧＰＵは、Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔの略である。
　メモリ１２は、データを一時的に記憶する記憶装置である。メモリ１２は、具体例としては、ＳＲＡＭ、ＤＲＡＭである。ＳＲＡＭは、Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙの略である。ＤＲＡＭは、Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙの略である。
　ストレージ１３は、データを保管する記憶装置である。ストレージ１３は、具体例としては、ＨＤＤである。ＨＤＤは、Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅの略である。また、ストレージ１３は、ＳＤ（登録商標）メモリカード、ＣｏｍｐａｃｔＦｌａｓｈ（登録商標）、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク、ＤＶＤといった可搬記録媒体であってもよい。ＳＤは、Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌの略である。ＤＶＤは、Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋの略である。
　通信インタフェース１４は、外部の装置と通信するためのインタフェースである。通信インタフェース１４は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、ＵＳＢ、ＨＤＭＩ（登録商標）のポートである。ＵＳＢは、Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓの略である。ＨＤＭＩは、Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅの略である。
　要因分析装置１０は、通信インタフェース１４を介して、分析対象の生産システム１００と接続されている。
　要因分析装置１０は、機能構成要素として、設定部２１と、データ取得部２２と、特徴量計算部２３と、評価部２４とを備える。要因分析装置１０の各機能構成要素の機能はソフトウェアにより実現される。
　ストレージ１３には、要因分析装置１０の各機能構成要素の機能を実現するプログラムが格納されている。このプログラムは、プロセッサ１１によりメモリ１２に読み込まれ、プロセッサ１１によって実行される。これにより、要因分析装置１０の各機能構成要素の機能が実現される。
　ストレージ１３には、生産システム１００のモデル３１と、評価設定３２とが記憶される。
　図１では、プロセッサ１１は、１つだけ示されていた。しかし、プロセッサ１１は、複数であってもよく、複数のプロセッサ１１が、各機能を実現するプログラムを連携して実行してもよい。
　＊＊＊動作の説明＊＊＊
　図２から図６を参照して、実施の形態１に係る要因分析装置１０の動作を説明する。
　実施の形態１に係る要因分析装置１０の動作手順は、実施の形態１に係る要因分析方法に相当する。また、実施の形態１に係る要因分析装置１０の動作を実現するプログラムは、実施の形態１に係る要因分析プログラムに相当する。
　図２を参照して、実施の形態１に係るモデル３１を説明する。
　モデル３１には、生産システム１００の要素が、工程及び設備といった階層に分類されて定義される。また、モデル３１には、生産システム１００の各要素から収集可能なデータが定義される。
　各要素から収集可能なデータとしては、ＫＰＩデータと、要因データとが含まれる。ＫＰＩデータは、総合効率と有効性と良品率とリードタイムと等である。ＫＰＩデータは、改善対象の指標を示すデータである。要因データは、各設備から取得されるセンサデータ等である。要因データは、指標に影響を与える要因となり得るデータである。なお、設備から取得されるあるセンサデータをＫＰＩデータに設定してもよい。
　要因データを取得元毎に分類した各データを説明データと呼ぶ。例えば、要因データがセンサデータＡであるとする。センサデータＡは、設備＃１から設備＃４のそれぞれから取得されるとする。この場合には、説明データは、設備＃１から得られるセンサデータＡと、設備＃２から得られるセンサデータＡと、設備＃３から得られるセンサデータＡと、設備＃４から得られるセンサデータＡとである。
　ここでは、要因データは設備から取得されるデータとした。しかし、要因データは設備から取得されるデータに限定されるわけではない。要因データは、設備外に設置されたセンサ等から取得されるデータでもよい。要因データは、指標に影響を与える要因となり得るデータである。言い換えると、要因データは、ＫＰＩデータと関係性を持ち得るデータである。
　図２では、階層として、工程と設備との２つが示されている。しかし、工程の上の階層として、ライン又は工場等が追加されてもよい。この場合には、ライン又は工場に関するＫＰＩデータが取得され、工程に関するＫＰＩデータ等が要因データとして取得されてもよい。また、設備の下の階層として、機器等が追加されてもよい。この場合には、設備に関するセンサデータがＫＰＩデータとして取得され、機器等についてのセンサデータが要因データとして取得されてもよい。
　図３を参照して、実施の形態１に係る評価設定３２を説明する。
　評価設定３２は、評価部２４による関連性の評価の方法が定義される。評価設定３２には、評価方法と評価パラメータとが含まれる。評価方法には、具体的な評価方法が設定される。評価パラメータには、閾値等の評価の条件が設定される。
　図３では、評価方法には、特徴量の最大値と特徴量の最小値との差の計算が設定されている。また、評価パラメータには、０．６以上が設定されている。したがって、評価部２４の実行内容に示されているように、最大値と最小値との差が０．６以上であるか否かが判定されることになる。後述するように評価設定３２は設定部２１によって設定される。設定部２１によって評価設定３２が設定されることにより、評価部２４の実行内容が設定される。
　評価設定３２は、図３に示された方法に限られるわけではない。
　評価方法に、説明データの間の相関分析を行うと設定され、評価パラメータに、相関係数がＸＸ以下のように設定されていてもよい。これにより、説明データの間の相関分析を行った結果得られた相関係数が低いか否かが判定されることになる。
　また、評価方法に、パーセンタイルによる上位２５％の値とパーセンタイルによる下位２５％の値との差を計算すると設定され、評価パラメータに、差がＸＸ以上のように設定されていてもよい。これにより、上位２５％の値と下位２５％の値との差が高いか否かが判定されることになる。
　図４を参照して、実施の形態１に係る要因分析装置１０の全体的な動作を説明する。
　（ステップＳ１：初期設定処理）
　設定部２１は、モデル３１及び評価設定３２を設定する。
　具体的には、設定部２１は、要因分析装置１０の利用者からの入力を受け付ける。設定部２１は、入力に従いモデル３１及び評価設定３２を生成する。設定部２１は、モデル３１及び評価設定３２をストレージ１３に書き込む。
　（ステップＳ２：データ取得処理）
　データ取得部２２は、モデル３１に定義されたＫＰＩデータを生産システム１００から取得する。ここでは、１つのＫＰＩデータが設定されているものとする。また、データ取得部２２は、モデル３１に定義された１つ以上の要因データそれぞれの各説明データを生産システム１００から取得する。データ取得部２２は、ＫＰＩデータ及び説明データをメモリ１２に書き込む。
　データ取得部２２は、生産システム１００の運用中の値を一定期間リアルタイムに取得してもよい。また、データ取得部２２は、生産システム１００の過去の一定期間の実績データを取得してもよい。
　なお、ＫＰＩデータ及び説明データは、事前に生産システム１００の外部の記憶装置に記憶されていてもよい。この場合には、データ取得部２２は、外部の記憶装置からＫＰＩデータ及び説明データを取得する。
　（ステップＳ３：特徴量計算処理）
　特徴量計算部２３は、改善対象の指標を示すＫＰＩデータと、説明データとの間の関係性を総当たり的に分析して、特徴量を計算する。
　具体的には、特徴量計算部２３は、１つ以上の要因データそれぞれについて各説明データを対象の説明データに設定する。特徴量計算部２３は、ＫＰＩデータと対象の説明データとの間の関係性を示す特徴量を計算する。特徴量計算部２３は、ＫＰＩデータを目的変数とし、対象の説明データを説明変数として、目的変数と説明変数との間の特徴量を計算する。
　実施の形態１では、特徴量は、相関係数である。つまり、特徴量計算部２３は、ＫＰＩデータと対象の説明データとについて相関分析を行い、相関係数を計算する。なお、特徴量は、相関係数に限定されるわけではない。特徴量は、データ間の関係性を定量的に表すものであればよい。例えば、特徴量は、相関係数に基づき何らかの計算を加えて算出されてもよい。また、特徴量は、アソシエーション分析における支持度又は信頼度又はリフト、あるいは、回帰分析における回帰係数等でもよい。つまり、特徴量計算部２３は、相関分析に代えて、アソシエーション分析を行って支持度又は信頼度又はリフトを計算してもよい。また、特徴量計算部２３は、相関分析に代えて、回帰分析を行って回帰係数を計算してもよい。
　（ステップＳ４：評価処理）
　評価部２４は、１つ以上の要因データそれぞれについて、ステップＳ３で計算された特徴量の間の関連性を評価して、１つ以上の要因データそれぞれが改善対象の指標に影響を与えたか否かを判定する。
　図５を参照して、実施の形態１に係る評価処理（図４のステップＳ４）を説明する。
　図５の処理は、１つ以上の要因データそれぞれが順に対象の要因データとして設定されて実行される。
　（ステップＳ１１：特徴量読出処理）
　評価部２４は、対象の要因データが取得元毎に分類された複数の説明データそれぞれについての特徴量をメモリ１２から読み出す。
　（ステップＳ１２：評価設定処理）
　評価部２４は、評価設定３２をストレージ１３から読み出す。
　（ステップＳ１３：特徴量評価処理）
　評価部２４は、ステップＳ１２で読み出された評価設定３２に基づき、ステップＳ１１で読み出された特徴量の関連性を評価する。つまり、評価部２４は、対象の要因データについての複数の説明データの間の関連性を評価する。
　具体的には、評価部２４は、特徴量に対して、評価設定３２の評価方法に設定された計算等を行う。そして、評価部２４は、計算等で得られた値が、評価設定３２の評価パラメータに設定された評価の条件を満たすか否かを判定する。評価部２４は、評価の条件を満たす場合には、対象の要因データが改善対象の指標に影響を与えたと判定する。一方、評価部２４は、評価の条件を満たさない場合には、対象の要因データが改善対象の指標に影響を与えていないと判定する。
　図６を参照して具体例を説明する。
　図６では、工程＃１において、設備＃１から設備＃４の４つの設備が配置されている。設備＃１から設備＃４のそれぞれについてセンサデータＡ及びセンサデータＢが得られる。ＫＰＩデータは良品率である。要因データは、センサデータＡとセンサデータＢとである。設備＃１から得られるセンサデータＡと、設備＃２から得られるセンサデータＡと、設備＃３から得られるセンサデータＡと、設備＃４から得られるセンサデータＡとが、センサデータＡについて説明データである。同様に、設備＃１から得られるセンサデータＢと、設備＃２から得られるセンサデータＢと、設備＃３から得られるセンサデータＢと、設備＃４から得られるセンサデータＢとが、センサデータＢについて説明データである。
　ステップＳ３では、良品率と設備＃１から得られるセンサデータＡとの特徴量は０．９と計算されている。同様に、良品率と設備＃２、設備＃３、設備＃４それぞれから得られるセンサデータＡとの特徴量は０．８、０．８、０．９と計算されている。また、良品率と設備＃１、設備＃２、設備＃３、設備＃４それぞれから得られるセンサデータＢとの特徴量は０．９、０．１、０．１、０．１と計算されている。
　図３のように評価設定３２が設定されているとする。
　要因データがセンサデータＡの場合には、評価部２４は、評価方法に従い、特徴量の最大値である０．９と、特徴量の最小値である０．８との差０．１を計算する。そして、評価部２４は、評価パラメータに従い、０．６以上という条件を、計算された差０．１が満たしていないと判定する。その結果、評価部２４は、センサデータＡは良品率に影響を与えていないと判定する。
　要因データがセンサデータＢの場合には、評価部２４は、評価方法に従い、特徴量の最大値である０．９と、特徴量の最小値である０．１との差０．８を計算する。そして、評価部２４は、評価パラメータに従い、０．６以上という条件を、計算された差０．８が満たしていると判定する。その結果、評価部２４は、センサデータＢは良品率に影響を与えていると判定する。
　つまり、工程＃１の良品率が変動した場合には、センサデータＢを確認すればよいことが分かる。
　この際、評価部２４は、要因データのうち、関係性が基準以上であることを示す特徴量が計算された説明データが指標に影響を与えたと判定してもよい。
　図６の例を用いて説明する。ここでは、基準が０．７であるとする。この場合には、評価部２４は、要因データであるセンサデータＢのうち、特徴量が０．７以上である、設備＃１から得られるセンサデータＢが指標に影響を与えたと判定する。
　なお、全ての要因データが改善対象の指標に影響を与えていないと判定された場合には、モデル３１を変更する等して評価対象とする要因データを変更することが望ましい。
　＊＊＊実施の形態１の効果＊＊＊
　以上のように、実施の形態１に係る要因分析装置１０は、指標と各説明データとの間の関係性を示す特徴量を計算する。そして、要因分析装置１０は、各説明データの特徴量の間の関連性を評価して、要因データが指標に影響を与えたか否かを判定する。
　これにより、他の異常が伝播して全ての説明データに異常が発生した要因データ等を除外可能になる。その結果、改善対象の指標に影響を与えた要因の特定をし易くできる。
　図７を参照して具体的に説明する。
　図７は、図６に示す例において、設備＃１のセンサデータＢの異常が伝播して、設備＃１から設備＃４のセンサデータＡが異常になったことを表している。そして、その結果、工程＃１の良品率が低下したとする。
　この場合に特許文献１に記載されたＫＰＩ関連図を作成する。すると、工程＃１の良品率と、設備＃１から設備＃４のセンサデータＡとに関係があり、かつ、工程＃１の良品率と、設備＃１のセンサデータＢとに関係があるというＫＰＩ関連図が生成される。その結果、工程＃１の良品率が低下すると、設備＃１から設備＃４のセンサデータＡと、設備＃１のセンサデータＢとが要因候補として抽出されることになる。
　つまり、真の要因である設備＃１のセンサデータＢだけでなく、設備＃１から設備＃４のセンサデータＡまでも抽出されることになる。そのため、真の要因を特定することが困難になる。
　これに対して、実施の形態１に係る要因分析装置１０は、図６を参照して説明したように、真の要因である設備＃１のセンサデータＢだけ抽出することが可能である。そのため、改善対象の指標に影響を与えた要因の特定がし易くなる。
　＊＊＊他の構成＊＊＊
　＜変形例１＞
　実施の形態１では、１つのＫＰＩデータが設定されているとした。しかし、複数のＫＰＩデータが設定されていてもよい。
　この場合には、特徴量計算処理（図４のステップＳ３）で、特徴量計算部２３は、各ＫＰＩデータを対象のＫＰＩデータに設定する。そして、特徴量計算部２３は、対象のＫＰＩデータと対象の説明データとの間の特徴量を計算する。また、評価処理（図４のステップＳ４）で、評価部２４は、各ＫＰＩデータを順に対象のＫＰＩデータとし、１つ以上の要因データそれぞれを順に対象の要因データとして図５の処理を実行する。
　＜変形例２＞
　実施の形態１では、各機能構成要素がソフトウェアで実現された。しかし、変形例２として、各機能構成要素はハードウェアで実現されてもよい。この変形例２について、実施の形態１と異なる点を説明する。
　図８を参照して、変形例２に係る要因分析装置１０の構成を説明する。
　各機能構成要素がハードウェアで実現される場合には、要因分析装置１０は、プロセッサ１１とメモリ１２とストレージ１３とに代えて、電子回路１５を備える。電子回路１５は、各機能構成要素と、メモリ１２と、ストレージ１３との機能とを実現する専用の回路である。
　電子回路１５としては、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、ロジックＩＣ、ＧＡ、ＡＳＩＣ、ＦＰＧＡが想定される。ＧＡは、Ｇａｔｅ　Ａｒｒａｙの略である。ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの略である。ＦＰＧＡは、Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙの略である。
　各機能構成要素を１つの電子回路１５で実現してもよいし、各機能構成要素を複数の電子回路１５に分散させて実現してもよい。
　＜変形例３＞
　変形例３として、一部の各機能構成要素がハードウェアで実現され、他の各機能構成要素がソフトウェアで実現されてもよい。
　プロセッサ１１とメモリ１２とストレージ１３と電子回路１５とを処理回路という。つまり、各機能構成要素の機能は、処理回路により実現される。
　実施の形態２．
　実施の形態２は、要因データに処理の優先順位を設ける点と、終了条件を設ける点とが実施の形態１と異なる。実施の形態２では、この異なる点について説明し、同一の点については説明を省略する。
　＊＊＊動作の説明＊＊＊
　図９を参照して、実施の形態２に係るモデル３１を説明する。
　モデル３１は、要因データに優先順位が付されている点が図２に示すモデル３１と異なる。優先順位は、評価処理（図４のステップＳ４）において処理対象とする順序を決定するために使用される。優先順位は、生産システム１００の設計者等により、生産システム１００の設計情報に基づき決定される。例えば、優先順位には、要因になり得そうな要因データほど高い順位が設定される。
　図１０を参照して、実施の形態２に係る評価設定３２を説明する。
　評価設定３２は、評価方法及び評価パラメータに加えて、終了条件が設定される点が図３に示す評価設定３２と異なる。終了条件は、評価処理（図４のステップＳ４）を終える条件である。図１０では、終了条件として、影響を与えたと判定された要因データ数が１つ以上であるという条件が設定されている。
　図１１を参照して、実施の形態２に係る評価処理（図４のステップＳ４）を説明する。
　ステップＳ２２からステップＳ２３の処理は、図５のステップＳ１２からステップＳ１３の処理と同じである。
　（ステップＳ２１：特徴量読出処理）
　評価部２４は、未処理の要因データのうち、優先順位が最も高い要因データを対象の要因データに設定する。評価部２４は、対象の要因データが分類された複数の説明データそれぞれについての特徴量をメモリ１２から読み出す。
　（ステップＳ２４：終了判定処理）
　評価部２４は、評価設定３２の終了条件を満たすか否かを判定する。
　評価部２４は、終了条件を満たす場合には、処理を終了する。一方、評価部２４は、終了条件を満たさない場合には、処理をステップＳ２１に戻す。
　図９では、センサデータＢが最も優先順位が高いため、センサデータＢが初めに対象の要因データに設定される。実施の形態１で説明したように、センサデータＢは良品率に影響を与えていると判定される。その結果、センサデータＢの評価が終わった時点で終了条件を満たすと判定され、処理が終了する。つまり、センサデータＡについての評価がされることなく、処理が終了する。
　＊＊＊実施の形態２の効果＊＊＊
　以上のように、実施の形態２に係る要因分析装置１０は、優先順位の高い要因データから評価を行い、終了条件を満たした時点で処理を終了する。これにより、不要に多くの処理を行うことなく、有効な結果が得られた時点で処理を終えることが可能である。
　つまり、実施の形態１では、評価の対象とする要因データの選択方法と、処理の終了方法については限定されていなかった。そのため、全ての要因データについての評価をすることになる等、有効な結果が得られるまでに相当数の処理を実行することが必要になり、非効率となる可能性があった。これに対して、実施の形態２では、不要に多くの処理を行うことがなくなり、効率的に要因を特定可能になる。
　＊＊＊他の構成＊＊＊
　＜変形例４＞
　実施の形態２では、評価処理（図４のステップＳ４）の効率化が図られた。しかし、データ取得処理（図４のステップＳ２）と特徴量計算処理（図４のステップＳ３）についても効率化することが可能な場合もある。
　具体的には次のような処理にすることが考えられる。データ取得処理（図４のステップＳ２）では、データ取得部２２は、優先順位が高い一部の要因データの説明データだけを取得する。そして、特徴量計算処理（図４のステップＳ３）では、特徴量計算部２３は、取得された説明データについてだけ特徴量を計算する。どの優先順位まで説明データを取得し、特徴量を計算するかを評価設定３２に定義しておいてもよい。
　なお、評価処理（図４のステップＳ４）で終了条件を満たすことができなかった場合に、データ取得部２２は、残りの要因データのうち優先順位が高い一部の要因データの説明データを取得するようにしてもよい。
　実施の形態３．
　実施の形態３は、複数の評価方法を用いて評価を行う点が実施の形態１，２と異なる。実施の形態３では、この異なる点について説明し、同一の点については説明を省略する。
　実施の形態３では、実施の形態２に変更を加えた場合を説明する。しかし、実施の形態１に変更を加えることも可能である。
　＊＊＊動作の説明＊＊＊
　図１２を参照して、実施の形態３に係る評価設定３２を説明する。
　評価設定３２は、評価方法及び評価パラメータの組が複数設定されている点と、組毎に分析手法が設定されている点とが図１０に示す評価設定３２と異なる。図１２では、組１は、相関分析によって得られた特徴量の最大値と最小値との差が０．６以上であるか否かが判定されることを示している。組２は、アソシエーション分析によって得られた特徴量の最大値と最小値との差が０．６以上であるか否かが判定されることを示している。
　図１１を参照して、実施の形態２に係る評価処理（図４のステップＳ４）を説明する。
　ステップＳ２１からステップＳ２２の処理と、ステップＳ２４の処理とは実施の形態２と同じである。
　（ステップＳ２３：特徴量評価処理）
　評価部２４は、評価設定３２に設定された評価方法及び評価パラメータの各組を対象の組に設定する。評価部２４は、対象の組の評価方法に設定された計算等を行う。そして、評価部２４は、計算等で得られた値が、対象の組の評価パラメータに設定された評価の条件を満たすか否かを判定する。これにより、評価部２４は、対象の要因データが改善対象の指標に影響を与えたか否か判定する。
　＊＊＊実施の形態３の効果＊＊＊
　以上のように、実施の形態３に係る要因分析装置１０は、複数の評価方法を用いて評価を行う。これにより、色々な方法で要因データが改善対象の指標に影響を与えたか否か判定することが可能である。
　例えば図１２のように、異なる分析手段を用いた複数の組を設定する。これにより、異なる観点から要因データが改善対象の指標に影響を与えたか否か判定することが可能である。
　＊＊＊他の構成＊＊＊
　＜変形例５＞
　実施の形態３では、評価設定３２には、組毎に異なる分析手段が設定された。しかし、評価設定３２には、１つの分析手段を用いた複数の評価方法が設定されてもよい。例えば、図１３のように、分析手段として相関分析を用いた複数の組が設定されてもよい。図１３では、組１は、相関分析によって得られた特徴量の最大値と最小値との差が０．６以上であるか否かが判定されることを示している。組２は、相関分析によって得られた特徴量の差の平均値が０．６以上であるか否かが判定されることを示している。
　これにより、１つの分析手段で多様な評価を行うことが可能になる。
　評価設定３２には、複数の分析手段が設定されるとともに、いずれか１つ以上の分析手段について複数の評価方法が設定されていてもよい。つまり、図１４に示すように、図１２と図１３とを組み合わせたような評価設定３２になっていてもよい。図１４では、組１及び組２は、図１３の組１及び組２と同じである。組３は、図１２の組２と同じである。
　＜変形例６＞
　実施の形態３では、評価部２４は、評価方法毎に、要因データが改善対象の指標に影響を与えたか否かを判定した。しかし、評価部２４は、複数の評価方法を組み合わせて、要因データが改善対象の指標に影響を与えたか否かを判定してもよい。つまり、評価部２４は、複数の評価方法それぞれで得られた評価結果を総合して、要因データが改善対象の指標に影響を与えたか否かを判定してもよい。
　例えば、評価部２４は、評価設定３２における複数の組のうち、半数以上の組で要因データが改善対象の指標に影響を与えたと判定されたか否かを判定する。そして、半数以上の組で影響を与えたと判定された場合に、評価部２４は、要因データが改善対象の指標に影響を与えたと判定する。なお、半数以上に代えて、予め定めた割合以上とされてもよい。また、評価部２４は、組毎にポイントを定めておき、影響を与えたと判定された組のポイントの合計が基準値以上である場合に、要因データが改善対象の指標に影響を与えたと判定してもよい。
　なお、評価部２４は、同じ分析手段に関する複数の評価方法だけを組み合わせてもよい。
　なお、以上の説明における「部」を、「回路」、「工程」、「手順」、「処理」又は「処理回路」に読み替えてもよい。
　以上、本開示の実施の形態及び変形例について説明した。これらの実施の形態及び変形例のうち、いくつかを組み合わせて実施してもよい。また、いずれか１つ又はいくつかを部分的に実施してもよい。なお、本開示は、以上の実施の形態及び変形例に限定されるものではなく、必要に応じて種々の変更が可能である。
　１０　要因分析装置、１１　プロセッサ、１２　メモリ、１３　ストレージ、１４　通信インタフェース、２１　設定部、２２　データ取得部、２３　特徴量計算部、２４　評価部、３１　モデル、３２　評価設定、１００　生産システム。

Claims (8)

  1. 　改善対象の指標に影響を与える要因となり得る要因データを取得元毎に分類した複数の説明データそれぞれを対象の説明データとして、前記指標と前記対象の説明データとの間の関係性を示す特徴量を計算する特徴量計算部と、
    　前記特徴量計算部によって計算された前記複数の説明データそれぞれについての特徴量の間の関連性を評価して、前記要因データが前記指標に影響を与えたか否かを判定する評価部と
    を備える要因分析装置。
  2. 　前記評価部は、前記複数の説明データそれぞれについての特徴量のうち最大の特徴量と最小の特徴量との差が閾値よりも大きい場合に、前記要因データが前記指標に影響を与えたと判定する
    請求項１に記載の要因分析装置。
  3. 　前記評価部は、前記要因データが前記指標に影響を与えたと判定した場合に、前記関係性が基準以上であることを示す特徴量が計算された説明データが前記指標に影響を与えたと判定する
    請求項１又は２に記載の要因分析装置。
  4. 　前記指標に影響を与える要因となり得る複数の要因データそれぞれに対して優先順位が設定されており、
    　前記特徴量計算部は、終了条件を満たすまで、優先順位が高い要因データから順に対象の要因データとして、前記対象の要因データを構成する複数の説明データそれぞれについて前記特徴量を計算する
    請求項１から３までのいずれか１項に記載の要因分析装置。
  5. 　前記評価部は、複数の評価方法それぞれにより、前記複数の説明データそれぞれについての特徴量を評価して、前記要因データが前記指標に影響を与えたか否かを判定する
    請求項１から４までのいずれか１項に記載の要因分析装置。
  6. 　前記評価部は、複数の評価方法それぞれにより、前記複数の説明データそれぞれについての特徴量を評価して得られた評価結果を総合して、前記要因データが前記指標に影響を与えたか否かを判定する
    請求項５に記載の要因分析装置。
  7. 　コンピュータが、改善対象の指標に影響を与える要因となり得る要因データを取得元毎に分類した複数の説明データそれぞれを対象の説明データとして、前記指標と前記対象の説明データとの間の関係性を示す特徴量を計算し、
    　コンピュータが、前記複数の説明データそれぞれについての特徴量の間の関連性を評価して、前記要因データが前記指標に影響を与えたか否かを判定する要因分析方法。
  8. 　改善対象の指標に影響を与える要因となり得る要因データを取得元毎に分類した複数の説明データそれぞれを対象の説明データとして、前記指標と前記対象の説明データとの間の関係性を示す特徴量を計算する特徴量計算処理と、
    　前記特徴量計算処理によって計算された前記複数の説明データそれぞれについての特徴量の間の関連性を評価して、前記要因データが前記指標に影響を与えたか否かを判定する評価処理と
    を行う要因分析装置としてコンピュータを機能させる要因分析プログラム。
PCT/JP2021/046116 2021-12-14 2021-12-14 要因分析装置、要因分析方法及び要因分析プログラム WO2023112167A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/046116 WO2023112167A1 (ja) 2021-12-14 2021-12-14 要因分析装置、要因分析方法及び要因分析プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/046116 WO2023112167A1 (ja) 2021-12-14 2021-12-14 要因分析装置、要因分析方法及び要因分析プログラム

Publications (1)

Publication Number Publication Date
WO2023112167A1 true WO2023112167A1 (ja) 2023-06-22

Family

ID=86773756

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/046116 WO2023112167A1 (ja) 2021-12-14 2021-12-14 要因分析装置、要因分析方法及び要因分析プログラム

Country Status (1)

Country Link
WO (1) WO2023112167A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016079972A1 (ja) * 2014-11-19 2016-05-26 日本電気株式会社 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム
JP2018032151A (ja) * 2016-08-23 2018-03-01 株式会社日立製作所 要因分析支援装置および要因分析支援方法
JP2019003453A (ja) * 2017-06-16 2019-01-10 株式会社神戸製鋼所 不良要因分析システム及び不良要因分析方法
JP2019101644A (ja) * 2017-11-30 2019-06-24 株式会社日立製作所 データ分析システムおよびデータ分析装置
JP2019117464A (ja) * 2017-12-26 2019-07-18 株式会社Ｋｉｓ 異常監視システム、異常監視方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016079972A1 (ja) * 2014-11-19 2016-05-26 日本電気株式会社 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム
JP2018032151A (ja) * 2016-08-23 2018-03-01 株式会社日立製作所 要因分析支援装置および要因分析支援方法
JP2019003453A (ja) * 2017-06-16 2019-01-10 株式会社神戸製鋼所 不良要因分析システム及び不良要因分析方法
JP2019101644A (ja) * 2017-11-30 2019-06-24 株式会社日立製作所 データ分析システムおよびデータ分析装置
JP2019117464A (ja) * 2017-12-26 2019-07-18 株式会社Ｋｉｓ 異常監視システム、異常監視方法及びプログラム

Similar Documents

Publication Publication Date Title
JP6555061B2 (ja) クラスタリングプログラム、クラスタリング方法、および情報処理装置
TWI571737B (zh) 軟體測試系統、方法及其非暫態電腦可讀取紀錄媒體
JP6340428B2 (ja) ビジネス関係ネットワークの発見、及び関係の関連性の評価
TWI503763B (zh) 半導體處理控制方法和電腦可讀取紀錄媒體
JP2007329415A (ja) データ処理方法、データ処理プログラム、該プログラムを記録した記録媒体およびデータ処理装置
CA2775419C (en) Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory
US11257001B2 (en) Prediction model enhancement
Wu et al. Design of the sum-of-conforming-run-length control charts
EP3795975A1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
US20200090076A1 (en) Non-transitory computer-readable recording medium, prediction method, and learning device
Akpan et al. Detection and modeling of asymmetric GARCH effects in a discrete-time series
JP2020027342A (ja) 情報処理装置、監視装置、及び情報処理方法
US20240095559A1 (en) Steady range determination system, steady range determination method, and computer readable medium
US20140324409A1 (en) Stochastic based determination
WO2023112167A1 (ja) 要因分析装置、要因分析方法及び要因分析プログラム
CN116431268B (zh) 基于大数据处理的数据可视化分析方法、系统及存储介质
Chang et al. Monitoring the software development process using a short-run control chart
US20210342208A1 (en) Cognitive control of runtime resource monitoring scope
WO2019192262A1 (zh) 一种评价商户的经营状况的方法、装置及设备
JP2011154487A (ja) コンテンツ有用性管理システム、方法、及びプログラム
von Kistowski et al. Univariate interpolation-based modeling of power and performance
JP7437163B2 (ja) 診断装置、診断方法およびプログラム
CN113642618A (zh) 一种用于螺杆装置状态预测模型训练的方法及设备
US9054995B2 (en) Method of detecting measurements in service level agreement based systems
JP7287093B2 (ja) 学習プログラム、学習方法および学習装置

Legal Events

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

Ref document number: 21968084

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE