JP7154468B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本開示は、性能を改善するための分析を行う技術に関する。

工場等の生産システムでは、品質、コスト、納期、生産数量といった管理指標の内、時々の状況に応じて優先目標が設定される。そして、設定された優先目標を達成すべく生産管理が行われる。
優先目標はＫＧＩ（Ｋｅｙ Ｇｏａｌ Ｉｎｄｉｃａｔｏｒ）と呼ばれる。例えば、ＫＧＩに品質を設定した場合、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。生産管理とは、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を比較し、現在値が目標値を達成していない場合は現在値が目標値を達成するように改善活動を行うことである。改善活動とは、生産システム内の設備の増強、パラメタの調整、作業員の教育、作業手順の見直し、材料及び／又は在庫の見直し等の活動である。

従来、このような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く、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る、という課題があった。
このような課題に対して、近年では生産システムのＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）化を進めることで解決が図られている。具体的には、以下のような活動により課題が解決される。ある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、設備、設備内の機器の状態について詳細なデータが収集される。そして、収集し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る。そして、明らかにされた関係性を生産管理の参考にする。

例えば特許文献１では、それぞれが複数の工程及び／又は複数の設備の管理指標である複数のＫＰＩ（Ｋｅｙ Ｐｅｒｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒ）のそれぞれの関係性の階層構造が定義される。また、特許文献１では、ＫＰＩを算出するための情報が工程及び／又は設備から収集される。そして、特許文献１では、各ＫＰＩを相関分析することで異常が発生した際に管理者に異常を通知するアラームが効率的に選別される。

特開２０１９－１１７４６４号公報

しかしながら、特許文献１の技術で用いられる相関分析では、収集した情報が外れ値であった場合の影響が大きいため、この影響を取り除くための煩雑な前処理が必要となる。また、相関分析では異なる工程のＫＰＩについて１：１で関係を分析するため、例えばＫＧＩと複数のＫＰＩとの間の関係性といった１対多の情報の関係性については分析することができないという課題がある。

このように、特許文献１の技術では、生産システムのように多数の要素で構成されるシステムにおいて改善活動を行う場合、ＫＧＩを改善しようとする要素、すなわち性能を改善しようとする要素と他の複数の要素との関係性を分析することが困難である。このため、特許文献１の技術では、性能を改善しようとする要素の性能の改善に寄与する他の要素を特定することが容易ではない、という課題がある。

本開示は、このような課題を解決することを主な目的の一つとしている。より具体的には、本開示は、性能を改善すべき要素の性能の改善に寄与する要素の特定を効率的に行うことを主な目的とする。

本開示に係る情報処理装置は、
３以上の要素のうち性能を改善させるべき要素を指定要素として指定する指定部と、
前記指定要素以外の要素の中から前記指定要素と有意な関係にある２以上の要素を関連要素として抽出する抽出部と、
前記抽出部により抽出された２以上の関連要素の各々の性能が前記指定要素の性能に与える影響を分析して、前記２以上の関連要素の中から、前記指定要素の性能の改善のために性能を改善させるべき関連要素である改善対象関連要素を推定する推定部とを有する。

本開示によれば、性能を改善すべき要素の性能の改善に寄与する要素の特定を効率的に行うことができる。

実施の形態１に係る改善箇所分析装置の機能構成例を示す図。 実施の形態１に係る改善箇所分析装置のハードウェア構成例を示す図。 実施の形態１に係る情報モデルの構成例を示す図。 実施の形態１に係る設定項目の例を示す図。 実施の形態１に係る評価部の動作例を示すフローチャート。 実施の形態１に係る評価部による評価結果の例を示す図。 実施の形態１に係る評価部による評価結果の例を示す図。 実施の形態１に係る改善箇所分析部の動作例を示すフローチャート。 実施の形態１に係る改善箇所分析部の動作例を示すフローチャート。 実施の形態１に係る分析対象の例を示す図。 実施の形態１に係る分析条件の例を示す図。 実施の形態１に係る改善箇所分析部の分析結果の例を示す図。 実施の形態２に係る設定項目の例を示す図。 実施の形態２に係る分析条件の例を示す図。 実施の形態２により得られる効果の例を示す図。 実施の形態３に係る設定項目の例を示す図。 実施の形態４に係る情報モデルの構成例を示す図。 実施の形態４に係る分析条件の例を示す図。 実施の形態４に係る改善箇所分析部の動作例を示すフローチャート。 実施の形態５に係る分析条件の例を示す図。 実施の形態５に係る出力例を示す図。 実施の形態６に係る改善箇所分析装置の機能構成例を示す図。 実施の形態６に係る改善実績の例を示す図。 実施の形態６に係る分析条件の例を示す図。 実施の形態６に係る出力例を示す図。 実施の形態７に係る分析条件の例を示す図。 実施の形態７に係る機械学習装置の機能構成例を示す図。 実施の形態７に係る機械学習装置の動作例を示すフローチャート。 実施の形態７に係る分析結果出力の補正手順を示すフローチャート。 実施の形態７に係るニューラルネットワークの例を示す図。

以下、実施の形態を図を用いて説明する。以下の実施の形態の説明及び図面において、同一の符号を付したものは、同一の部分又は相当する部分を示す。

実施の形態１．
＊＊＊構成の説明＊＊＊
図１は、本実施の形態に係る改善箇所分析装置１００の機能構成例を示す。
本実施の形態に係る改善箇所分析装置１００は、ネットワーク３００を介して分析対象２００と接続されている。本実施の形態では、分析対象２００は生産システムである。
改善箇所分析装置１００は情報処理装置に相当する。また、改善箇所分析装置１００の動作手順は情報処理方法に相当する。

図１に示すように、改善箇所分析装置１００は、情報記憶部１０１、評価部１０２、改善箇所分析部１０３及び情報収集部１０４を有する。
情報記憶部１０１、評価部１０２、改善箇所分析部１０３及び情報収集部１０４の詳細は後述する。

図２は、改善箇所分析装置１００のハードウェア構成例を示す。
改善箇所分析装置１００は、コンピュータである。
改善箇所分析装置１００は、ハードウェアとして、プロセッサ９０１、記憶装置９０２及び通信インタフェース９０３を備える。プロセッサ９０１、記憶装置９０２及び通信インタフェース９０３は、相互にバス９０５により接続される。
記憶装置９０２はプログラム９０４を記憶する。プログラム９０４は、図１に示す評価部１０２、改善箇所分析部１０３及び情報収集部１０４の機能を実現するためのプログラムである。
プロセッサ９０１は記憶装置９０２からプログラム９０４を読み出し、プログラム９０４を実行する。プロセッサ９０１がプログラム９０４を実行することにより、後述する評価部１０２、改善箇所分析部１０３及び情報収集部１０４の機能が実現される。
プログラム９０４は、情報処理プログラムに相当する。
また、図示は省略しているが、記憶装置９０２は、プログラム９０４以外に、本実施の形態に係る改善箇所分析装置１００の機能の実現に必要な各種情報を記憶している。図１に示す情報記憶部１０１は記憶装置９０２により実現される。
通信インタフェース９０３は、分析対象２００である生産システムとの通信に用いられる。

図３は、本実施の形態で用いられる情報モデルの構成例を示す。
情報モデルでは、分析対象２００である生産システムを構成する複数の要素が示される。また、情報モデルでは、各要素間の関係を、階層構造及び／又は論理構造により示す。図３において、実線は階層構造による関係性を示しており、破線矢印は論理構造による関係性を示している。

図３の情報モデルでは、階層として、生産ライン、工程、設備及び機器が含まれる。
そして、階層：生産ラインを構成する要素として、「製品Ａ生産リードタイム」が定義されている。図３は、生産システムのＫＧＩとして「製品Ａ生産リードタイム」を設定して生産管理する例を示している。
「製品Ａ生産リードタイム」の下位の階層として、生産システムの各工程のリードタイムである、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」が定義されている。「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」は、「製品Ａ生産リードタイム」と階層構造による関係性で接続されている。つまり、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」は、「製品Ａ生産リードタイム」に影響を与え得る。更に、各工程は生産プロセスに基づいた論理構造による関係性で接続されている。ここでは「工程＃１」、「工程＃２」、「工程＃３」の順に生産が行われている例を示している。なお、本明細書では、「リードタイム」は所要時間の意味である。つまり、「製品Ａ生産リードタイム」は製品Ａの生産を完了するのに要する所要時間である。
設備及び機器の階層についても同様に上位階層の要素との関係性が示される。
具体的には、階層：設備を構成する要素として、「設備＃１－１リードタイム」、「設備＃１－２リードタイム」、「設備＃２－１リードタイム」、「設備＃３－１リードタイム」及び「設備＃３－２リードタイム」が定義されている。「設備＃１－１リードタイム」及び「設備＃１－２リードタイム」は「工程＃１リードタイム」に影響を与え得る。また、「設備＃２－１リードタイム」は「工程＃２リードタイム」に影響を与え得る。また、「設備＃３－１リードタイム」と「設備＃３－２リードタイム」は「工程＃３リードタイム」に影響を与え得る。
また、階層：機器を構成する要素として、「ＰＬＣ＃１－１－１サイクルタイム」、「サーボ＃１－１－２モータ電流値」、「センサ＃１－１－３対象角度」、「ＰＬＣ＃１－２－１サイクルタイム」及び「ロボット＃１－２－２到達率」が定義されている。「ＰＬＣ＃１－１－１サイクルタイム」、「サーボ＃１－１－２モータ電流値」及び「センサ＃１－１－３対象角度」は「設備＃１－１リードタイム」に影響を与え得る。また、「ＰＬＣ＃１－２－１サイクルタイム」及び「ロボット＃１－２－２到達率」は、「設備＃１－２リードタイム」に影響を与え得る。更に、「サーボ＃１－１－２モータ電流値」は、「ＰＬＣ＃１－１－１サイクルタイム」及び「センサ＃１－１－３対象角度」に影響を与え得る。また、「センサ＃１－１－３対象角度」は「ロボット＃１－２－２到達率」に影響を与え、「ロボット＃１－２－２到達率」は「ＰＬＣ＃１－２－１サイクルタイム」に影響を与え得る。

ここで、図１に示す情報記憶部１０１、評価部１０２、改善箇所分析部１０３及び情報収集部１０４を説明する。

情報記憶部１０１は、図３に例示した情報モデルを記憶する。
また、情報記憶部１０１は、後述する設定項目を記憶する。
また、情報記憶部１０１は、評価部１０２による評価結果を記憶する。
また、情報記憶部１０１は、改善箇所分析部１０３による分析結果を記憶する。
また、情報記憶部１０１は、情報収集部１０４により収集された情報を記憶する。

評価部１０２は、分析対象２００に含まれる要素ごとに、性能の基準に性能が合致するか否かを評価する。評価部１０２は、各要素が要素ごとに定義された性能の基準に性能が合致するか否かを評価する。
また、上述のように各要素は複数の階層を構成しているが、評価部１０２は、階層ごとに異なる時間幅で各要素の性能が性能の基準に合致するか否かを評価してもよい。
更に、評価部１０２は、評価を行う度に、評価結果を出力してもよい。

改善箇所分析部１０３は、評価部１０２による評価結果に基づき、分析対象２００に含まれる要素のうち性能を改善させるべき要素を指定要素として指定する。
また、改善箇所分析部１０３は、推定した改善対象関連要素（後述）を新たな指定要素に指定することもある。更に、改善箇所分析部１０３は、新たな改善対象関連要素を推定する度に、推定した新たな改善対象関連要素を新たな指定要素に指定することを繰り返してもよい。

また、改善箇所分析部１０３は、指定要素以外の要素の中から指定要素と有意な関係にある１以上の要素を関連要素として抽出する。本実施の形態では、指定要素と関連要素との１：１の関係についても分析可能であるため、改善箇所分析部１０３は１以上の要素を関連要素として抽出する例を説明する。１つの指定要素に対して複数の関連要素の各々との関係を分析する場合は、改善箇所分析部１０３は２以上の要素を関連要素として抽出する。「有意な関係」とは、指定要素の性能に影響を与え得る関係である。より具体的には、図３の情報モデルにおいて、指定要素と実線（階層構造による関係性）で接続された下位の階層の要素又は指定要素に向かう破線矢印（論理構造による関係性）の起点に位置する要素である。
例えば、評価部１０２により「製品Ａ生産リードタイム」が指定要素に指定された場合は、改善箇所分析部１０３は、「製品Ａ生産リードタイム」と有意な関係になる要素（関連要素）として、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」を抽出する。また、例えば、評価部１０２により「工程＃２リードタイム」が指定要素に指定された場合は、改善箇所分析部１０３は、「工程＃２リードタイム」と有意な関係になる要素（関連要素）として、「工程＃１リードタイム」及び「設備＃２－１リードタイム」を抽出する。なお、「性能」とは、測定及び／又は計算により得られる値である。例えば、「製品Ａ生産リードタイム」の性能は、各工程の所要時間を測定し、各工程の所要時間を加算して得られる時間である。また、例えば、「サーボ＃１－１－２モータ電流値」の性能は、サーボ＃１－１－２に対して実際に測定を行って得られたモータ電流値である。

また、改善箇所分析部１０３は、抽出した１以上の関連要素の各々の性能が指定要素の性能に与える影響を分析して、１以上の関連要素の中から、指定要素の性能の改善のために性能を改善させるべき関連要素である改善対象関連要素を推定する。改善箇所分析部１０３は、指定要素の性能が改善されること（又は悪化すること）を結論部に用い、１以上の関連要素の各々の性能が改善されること（又は悪化すること）を条件部に用いたアソシエーション分析を行って、改善対象関連要素を推定する。アソシエーション分析については後述する。
また、改善箇所分析部１０３は、複数の改善対象関連要素を推定した場合に、各々の改善対象関連要素の性能が他の改善対象関連要素の性能に与える影響を分析して、複数の改善対象関連要素の間に優先順位を設定する。
また、改善箇所分析部１０３は、評価部１０２により新たな指定要素が指定された場合に、新たな指定要素と有意な関係にある、新たな指定要素以外の１以上の要素を新たな関連要素として抽出する。そして、改善箇所分析部１０３は、抽出した１以上の新たな関連要素の各々の性能が新たな指定要素の性能に与える影響を分析して、１以上の新たな関連要素の中から、新たな指定要素の性能の改善のために性能を改善させるべき新たな関連要素を新たな改善対象関連要素として推定する。
また、改善箇所分析部１０３は、新たな指定要素を指定する度に、指定した新たな指定要素以外の１以上の要素を新たな関連要素として抽出することを繰り返し、また、１以上の新たな関連要素を抽出する度に、新たな改善対象関連要素を推定することを繰り返してもよい。
なお、改善箇所分析部１０３は指定部、抽出部及び推定部に相当する。また、改善箇所分析部１０３により行われる処理は指定処理、抽出処理及び推定処理に相当する。

ここで、アソシエーション分析について説明する。
複数の情報の間の関係性を分析する手法として、アソシエーション分析（バスケット分析、アソシエーションルール等とも呼ばれる）が知られている。
アソシエーション分析では、統計情報が入力として用いられ、条件部と結論部の関係について支持度、信頼度、リフト値が算出される。支持度とは、全データ数の内、条件部と結論部を共に含むデータの割合である。信頼度とは、条件部を含むデータ数の内、条件部と結論部を共に含むデータの割合である。リフト値は、信頼度を、結論部を含むデータ数で割って得られる値である。一般的にリフト値が１より大きい場合に、条件部が結論部に与える影響が大きく、結論部と条件部の間に関係があると定量的に判断できる。
しかしながら、アソシエーション分析では入力となる情報の組み合わせごとに支持度、信頼度、リフト値を算出する必要があることから計算量が膨大となる。このため、情報の種類が多い生産システムにアソシエーション分析を単純に適用することができないという課題がある。
本実施の形態では、改善箇所分析部１０３は、アソシエーション分析に含まれる複数の計算項目（支持度、信頼度、リフト値）のうちのいずれかの計算項目において計算維持条件が不成立の場合に、複数の計算項目のうちの未計算の計算項目の計算を行わない。このようにすることで、本実施の形態では、情報の種類が多い生産システムにもアソシエーション分析を効果的に適用する。

情報収集部１０４は、分析対象２００である生産システムから、図３に示す各要素についての情報を収集する。
例えば、情報収集部１０４は、図３に示す要素ごとに性能を収集する。具体的には、情報収集部１０４は、「製品Ａ生産リードタイム」の性能として、測定された各工程の所要時間を収集し、各工程の所要時間を加算して製品Ａの生産に要する時間を得る。また、情報収集部１０４は、「サーボ＃１－１－２モータ電流値」の性能として、サーボ＃１－１－２を実際に測定して得られたモータ電流値を収集する。
情報収集部１０４は、収集した情報を情報記憶部１０１に格納する。

図４は、情報収集部１０４の設定項目の例を示す。
情報収集部１０４は、図４に示す設定項目に従って、情報モデルに含まれる各要素の情報を収集する。
図４では、情報収集部１０４の設定項目として、要素、収集対象、監視期間、判定基準が定義されている。
図４の設定項目のうち、要素の欄には、情報モデルに含まれる要素が示される。
収集対象の欄には、情報の収集方法が示される。収集方法としては、生産システム内に存在するいずれかの機器から直接情報を収集する方法と、いずれかの機器から収集した情報を基に計算する方法がある。機器から直接情報を収集する場合は、収集対象の欄に情報収集元の機器が示される。
監視期間の欄には、判定基準を適用する時間幅が示される。
判定基準の欄には、評価部１０２での評価に用いられる基準、つまり性能の基準が示される。
情報収集部１０４により収集された情報は、記憶内容に示すように、時系列データとして評価部１０２で保持される。

＊＊＊動作の説明＊＊＊
図５は、評価部１０２の動作例を示すフローチャートである。
図６は、評価部１０２の評価結果の例をグラフ形式で示す。
図７は、評価部１０２の評価結果の例を表形式で示す。
図８は、改善箇所分析部１０３の動作例を示すフローチャートである。
図９は、図８のステップＳ２０４の詳細を示すフローチャートである。
図１０は、本実施の形態に係る分析対象の例を示す。
図１１は、本実施の形態に係る分析条件の例を示す。
図１２は、改善箇所分析部１０３の分析結果の例を示す。
以降、図１～図１２を参照しながら本実施の形態に係る改善箇所分析装置１００の動作例を説明する。

事前設定フェーズ
生産システムの管理者あるいは設計者は、生産システムの管理のため、図３に示す情報モデルと図４に示す設定項目を生成する。そして、生産システムの管理者あるいは設計者は、生成した情報モデルと設定項目を改善箇所分析装置１００の情報記憶部１０１に格納する。
情報モデル及び設定項目は、生産システムの設計情報を基に生成することが望ましい。

情報収集フェーズ
情報収集部１０４は、図４の設定項目に基づき、分析対象２００である生産システムから情報を収集する。そして、収集した情報を情報記憶部１０１に格納する。
なお、情報収集部１０４は、改善箇所分析装置１００以外の外部装置が収集した情報を外部装置から取得し、外部装置から取得した情報を設定項目に対応付けて情報記憶部１０１に格納してもよい。

評価フェーズ
次に、評価フェーズとして、評価部１０２が図５に示すフローチャートを行う。
具体的には、評価部１０２は、図４に示す設定項目を情報記憶部１０１から読み込む（ステップＳ１０１）。
次に、評価部１０２は、情報収集部１０４により収集された情報を情報記憶部１０１から読み込む（ステップＳ１０２）。
次に、情報収集部１０４は、設定項目と収集された情報とを用いて各要素の性能の評価を行い、評価結果を情報記憶部１０１に格納する（ステップＳ１０３）。つまり、情報収集部１０４は、設定項目に示す要素ごとに、監視期間の単位で、情報収集部１０４により収集された情報が判定基準に合致するか否かを判定する。なお、「製品Ａ生産リードタイム」のように「収集対象」が「算出」と定義されている場合は、評価部１０２は、情報収集部１０４により収集された情報に基づく計算を行い、計算により得られた値と判定基準とを比較する。

図６及び図７は、評価部１０２による評価結果の例を示す。図６は評価結果をグラフ形式で示しており、図７は評価結果を表形式で示している。
例えば、「製品Ａ生産リードタイム」は判定基準が閾値Ｘ１である。評価部１０２は、ある監視期間で「製品Ａ生産リードタイム」の性能（所要時間）が閾値Ｘ１を上回った場合はＨＩＧＨ（バイナリ値における１）と評価する。また、評価部１０２は、別の監視期間で「製品Ａ生産リードタイム」の性能（所要時間）が閾値Ｘ１以下であった場合はＬＯＷ（バイナリ値における０）と評価する。本実施の形態では、「製品Ａ生産リードタイム」をＫＧＩに設定しているため、「製品Ａ生産リードタイム」の性能（所要時間）が判定基準より高い（＝ＨＩＧＨ）場合は生産性が低下していることを意味する。
なお、評価部１０２は、評価結果を逐次、ＨＭＩ（Ｈｕｍａｎ Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅ）に出力してもよい。このように構成すれば、生産システムの改善担当者がＨＭＩを参照することで生産システムの状況をリアルタイムに理解し、改善要否を判断することができる。

改善箇所分析フェーズ
生産システムの改善担当者は、評価部１０２による評価結果を参照し、ＫＧＩに対する評価部１０２の評価状況から改善要否を判断する。例えば、図６及び図７に示すように、「製品Ａ生産リードタイム」が判定基準より高い、つまり生産性が低下している期間が複数回存在する場合は、生産システムの改善担当者は、改善が必要であると判断する。
改善が必要と判断した場合は、生産システムの改善担当者は改善箇所分析装置１００に改善箇所分析部１０３による分析を指示する。
改善箇所分析部１０３は、生産システムの改善担当者からの指示に基づき、図８のフローを実行する。
なお、ここでは生産システムの改善担当者からの指示に基づき、改善箇所分析部１０３が図８のフローを実行する例を示すが、改善箇所分析部１０３が図８のフローを周期的に実行してもよい。あるいは評価部１０２による評価結果が規定数蓄積した場合に改善箇所分析部１０３が図８のフローを実行してもよい。更に、改善箇所分析部１０３が評価部１０２による評価結果を参照して改善要否を判定し、改善が必要と判定した場合に、図８のフローを実行してもよい。

図８に示すように、改善箇所分析部１０３は、図３に示す情報モデルを情報記憶部１０１から読み込む（ステップＳ２０１）。
また、改善箇所分析部１０３は、評価部１０２による評価結果を情報記憶部１０１から読み込む（ステップＳ２０２）。
ステップＳ２０１とステップＳ２０２は順序が入れ替わってもよいし、ステップＳ２０１とステップＳ２０２が並行して行われてもよい。

次に、改善箇所分析部１０３は、分析対象である指定要素を指定し、分析条件の設定又は読み込みを行う（ステップＳ２０３）。
改善箇所分析部１０３は、生産システムの改善担当者の指示に従って指定要素を指定してもよいし、評価部１０２による評価結果を分析して指定要素を指定してもよい。例えば、改善箇所分析部１０３は、複数回にわたって性能が判定基準に合致していない要素のうちで最上位の階層の要素を指定要素に指定する。
なお、分析条件の詳細は後述する。

次に、改善箇所分析部１０３は、分析を行い、分析結果を情報記憶部１０１に格納する（ステップＳ２０４）。
また、更に分析を続ける場合（ステップＳ２０５でＹＥＳ）は、処理がステップＳ２０３に戻り、改善箇所分析部１０３が新たな指定要素を指定する。改善箇所分析部１０３は、例えば、ステップＳ２０４で得られた改善対象関連要素を新たな指定要素に指定する。

図９は、ステップＳ２０４の詳細を示す。以下、図９を参照してステップＳ２０４の詳細を説明する。

まず、改善箇所分析部１０３は、情報モデルからアソシエーション分析における結論部と条件部の有意な組み合わせを抽出する（ステップＳ２０４１）。
有意な組み合わせとは、結論部及と条件部が情報モデルにおける階層構造による関係性、論理構造による関係性の両観点で矛盾がないことを示す。すなわち、有意な組み合わせとは、結論部と条件部が階層構造による関係性において正しい方向で接続されている、あるいは論理構造による関係性において正しい方向で接続されていることを意味する。結論部の要素と階層構造による関係性において正しい方向で接続されている要素及び結論部の要素と論理構造による関係性において正しい方向で接続されている要素は、結論部の要素の性能に影響を与え得る要素である。
具体的には、改善箇所分析部１０３は、ステップＳ２０３で指定された指定要素を結論部に設定する。そして、改善箇所分析部１０３は、情報モデルに基づき、指定要素と階層構造による関係性において正しい方向で接続されている要素及び指定要素と論理構造による関係性において正しい方向で接続されている要素を条件部に設定する。条件部に設定される要素が関連要素に相当する。
例えば、改善箇所分析部１０３がステップＳ２０３で「製品Ａ生産リードタイム」を指定要素に指定した場合に、改善箇所分析部１０３は、「製品Ａ生産リードタイム」と階層構造による関係性において正しい方向で接続されている「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」を関連要素として抽出する。
この場合は、改善箇所分析部１０３は、図１０に示すように、「製品Ａ生産リードタイムの値が判定基準より高くなる」ことを結論部に設定し、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」を条件部に設定する。
また、例えば、改善箇所分析部１０３がステップＳ２０３で「工程＃１リードタイム」を指定要素に指定した場合は、「工程＃２リードタイム」及び「工程＃３リードタイム」は論理構造による関係性と矛盾し、有意な組み合わせとはならない（工程＃２又は工程＃３のリードタイムに変化があっても、工程＃１のリードタイムは変化しない）。このため、改善箇所分析部１０３は「工程＃２リードタイム」及び「工程＃３リードタイム」は関連要素として抽出しない。

次に、改善箇所分析部１０３は、抽出した条件部及び結論部の組み合わせに対してアソシエーション分析を実行する（ステップＳ２０４２）。
ここでは、改善箇所分析部１０３は、アソシエーション分析における支持度、信頼度及びリフト値を計算するものとする。これらの計算項目の計算順序は特に定めない。
改善箇所分析部１０３は、分析条件を参照して、いずれかの計算項目において計算維持条件が不成立の場合は、未計算の計算項目の計算を停止してもよい。このように構成することでアソシエーション分析の計算量を削減できる。
図１１は、分析条件の例を示す。
図１１の分析条件では、分析対象の区間（時間幅）、アソシエーション分析の各計算項目の計算維持条件が定義されている。
なお、図１１の例では、区間の条件を階層にかかわらず一定の区間としている。上位の階層の要素ほど長い周期で収集されることが一般的であり、下位の階層の要素の変化が上位の階層に伝わるまで一定の遅延を含む場合がある。このような場合は上位の階層の要素と下位の階層の要素で分析対象とする区間（時間幅）をずらして設定するとよい。
また、図１１の例では、リフト値の計算維持条件が１以上であり、支持度の計算維持条件が０．００１より大きく、信頼度の計算維持条件が０．００１より大きいことが示される。

図１２は、改善箇所分析部１０３による分析結果の例を示す。
なお、図１２において、支持度、信頼度及びリフト値のすべてが斜線で打ち消されている組み合わせは、有意な組み合わせではないためアソシエーション分析の対象とならなかった組み合わせである。

図１２の上段は、改善箇所分析部１０３が、製品Ａ生産リードタイムに各工程のリードタイムが与える影響を分析して得られた結果を示す。上述した通り、改善箇所分析部１０３は有意な組み合わせのみ抽出して分析する。このため、図１２の上段では、「製品Ａ生産リードタイム」を結論部に設定し、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」の各々を条件部に設定して行ったアソシエーション分析の結果を示す。
図１２の上段の例では、「工程＃１リードタイム」が判定基準より高い（＝ＨＩＧＨ）場合を条件部にしたアソシエーション分析と「工程＃２リードタイム」が判定基準より高い（＝ＨＩＧＨ）場合を条件部にしたアソシエーション分析において、リフト値が１より大きい。このため、「工程＃１リードタイム」及び「工程＃２リードタイム」が「製品Ａ生産リードタイム」の悪化の要因である可能性が高い。従って、改善箇所分析部１０３は「工程＃１リードタイム」及び「工程＃２リードタイム」を改善対象関連要素と推定する。つまり、改善箇所分析部１０３は、「製品Ａ生産リードタイム」の性能を改善するために性能を改善させるべき要素として、「工程＃１リードタイム」及び「工程＃２リードタイム」を抽出する。

図１２の下段は、改善箇所分析部１０３が、「工程＃１リードタイム」、「工程＃２リードタイム」及び「工程＃３リードタイム」の各々が他の工程のリードタイムに与える影響を分析して得られた結果を示す。
図１２の上段では、リフト値が１より大きい組み合わせが複数あることから、改善箇所分析部１０３は、各工程のリードタイムが他の工程のリードタイムに与える影響も分析している。つまり、改善箇所分析部１０３は、各工程を新たな指定要素として指定し、また、新たな指定要素として指定した工程以外の工程を新たな関連要素として抽出して、アソシエーション分析を行う。
図１２の下段の例では、「工程＃１リードタイム」が判定基準より高い（＝ＨＩＧＨ）場合を条件部に設定し、「工程＃２リードタイム」が高くなることを結論部に設定したアソシエーション分析において、リフト値が１より大きい。従って、「工程＃１リードタイム」が「工程＃２リードタイム」の悪化の要因である可能性が高い。従って、改善箇所分析部１０３は、「工程＃２リードタイム」の性能を改善するために性能を改善させるべき要素として、「工程＃１リードタイム」を抽出する。
この結果、改善箇所分析部１０３は、「工程＃１リードタイム」を最優先の改善対象関連要素と推定する。つまり、改善箇所分析部１０３は、「製品Ａ生産リードタイム」の性能の改善のために「工程＃１リードタイム」が最も有効な改善対象関連要素であると判定し、「工程＃２リードタイム」が次に有効な改善対象関連要素であると判定する。
図１２の上段の例のように複数の改善対象関連要素が得られた場合に、改善箇所分析部１０３は、図１２の下段の例のように、複数の改善対象関連要素の間に優先順位を設定する。

以上の分析結果から、改善箇所分析部１０３は、「製品Ａ生産リードタイム悪化は工程＃１リードタイムの悪化と工程＃２リードタイムの悪化が要因である」と推定することができる。また、改善箇所分析部１０３は、「工程＃２リードタイムの悪化は、工程＃１リードタイム悪化が要因である」と推定することができる。このため、改善箇所分析部１０３は、「先ずは、両リードタイムの悪化の要因である工程＃１リードタイムを改善すべきである」と生産システムの改善担当者に改善箇所を提案することができる。
改善箇所分析部１０３は、このような分析結果（改善箇所の提案）をＨＭＩに出力し、また、分析結果を情報記憶部１０１に格納する（ステップＳ２０４３）。

更に、改善箇所分析部１０３は、必要に応じて「工程＃１リードタイム」の悪化の要因について分析の深堀を行うことができる（図８のステップＳ２０５）。
具体的には、改善箇所分析部１０３は、図３の情報モデルの階層構造の関係性に基づき、「工程＃１リードタイム」を新たな指定要素として結論部に設定し、「設備＃１－１リードタイム」及び「設備＃１－２リードタイム」を新たな関連要素として条件部に設定したアソシエーション分析を行う。
設備階層の分析が完了した後、改善箇所分析部１０３は、更に必要に応じて機器階層の要素を新たな関連要素として条件部に設定したアソシエーション分析を行ってもよい。このようにして、改善箇所分析部１０３は、分析の深堀を行うことができる。なお、分析条件として、このような分析の深堀の繰り返し回数を設けてもよい。

＊＊＊実施の形態の効果の説明＊＊＊
以上、本実施の形態によれば、性能を改善すべき要素の性能の改善に寄与する要素の特定を効率的に行うことができる。
つまり、本実施の形態に係る改善箇所分析装置１００は、情報モデルに定義した階層構造及び論理構造による関係性を参照しつつＫＧＩと複数の情報の関係性を段階的かつ論理的に分析する。このため、本実施の形態によれば、ＫＧＩの改善に寄与する改善箇所の特定を効率的に行うことができる。

また、本実施の形態によれば、評価部１０２が評価結果を逐次ＨＭＩに出力することで、生産システムの改善担当者が生産システムの状況をリアルタイムに理解し、改善要否を即座に判断することができる。

また、本実施の形態によれば、改善箇所分析部１０３が分析条件を参照して、いずれかの計算項目が計算維持条件に該当しない場合は未計算の計算項目の計算を行わないため、分析時の計算量を削減することができる。

また、本実施の形態によれば、改善箇所分析部１０３による分析の深堀のための繰り返し回数を設けることで、生産システムの改善担当者が改善箇所分析装置１００の最終結果を待たずとも、自身の経験が通用する範囲で分析結果を得ることができ、改善活動を効率化できる。

また、本実施の形態によれば、改善箇所分析部１０３は、階層の異なる分析対象である場合に、階層に応じて分析区間を調整できるため、有効に分析を行うことができる。

実施の形態２．
＊＊＊目的＊＊＊
実施の形態１では、単一の判定基準による評価で得られた評価結果をバイナリ化している。実施の形態１の方法では、特に情報モデルにおける機器階層の改善を図る際、機器階層の要素がいずれの値となった場合に指定要素の性能に影響を与えるのかを明確に分析できない可能性がある。
実施の形態２は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。

＊＊＊構成の説明＊＊
本実施の形態においても、改善箇所分析装置１００の構成は図１及び図２に示す通りである。
本実施の形態では、実施の形態１で示した情報収集における設定項目（図４）に、図１３に示すように、追加の判定基準を設ける。更に、図１４に示すように、分析条件（図１１）に細分化条件を設ける。
図１３では、情報収集における設定項目の内、「センサ＃１－１－３対象角度」について、判定基準の一つ目に閾値Ｘ６を設定し、さらに追加の判定基準として閾値Ｘ７及びＸ８を設定している。更に、図１４では、細分化の条件として、リフト値が２より大きい場合と、支持度が０．５より大きい場合を設定している。

＊＊＊動作の説明＊＊＊
本実施の形態では、改善箇所分析フェーズの完了までは実施の形態１と同一の動作が行われる。
このとき、図１２に示すような分析結果が得られ、更に、図１４の分析条件の細分化の条件を満たしている場合に、評価部１０２は、図１３の追加の判定基準で更に評価を行う。
図１５は実施の形態２における効果の例を示す。
つまり、本実施の形態では、改善箇所分析部１０３が「設備＃１－１リードタイム」を結論部、「センサ＃１－１－３対象角度」を条件部に設定してアソシエーション分析を行っている。そして、改善箇所分析部１０３は、「センサ＃１－１－３対象角度」を改善対象関連要素として推定している。そして、アソシエーション分析の結果が上述した細分化の条件（図１４）を満たしている。このため、評価部１０２が細分化として、改善対象関連要素である「センサ＃１－１－３対象角度」の性能が追加の判定基準である判定基準２（閾値Ｘ７及びＸ８）に合致するか否かの評価を行っている。図１５は、判定基準２を用いた評価により得られた評価結果を示す。
図１５では図示を省略しているが、細分化により新たに判定基準２を用いて分析した結果（リフト値、支持度、信頼度）についても併せて示すことが可能である。この場合は、「センサ＃１－１－３対象角度」が具体的にどの値となった場合に「センサ＃１－１－３対象角度」が「設備＃１－１リードタイム」の性能の悪化に影響するかを分析することができる。

＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、複数の判定基準を設け、評価部１０２が複数の判定基準を適用するための細分化の条件を設けている。このため、本実施の形態によれば、単一の判定基準における評価結果を複数の判定基準により細分化することができ、指定要素の性能に影響を与え得る要素が具体的にいずれの値となった場合に指定要素の性能に影響を与えるかを明確に判断することができる。

実施の形態３．
＊＊＊目的＊＊＊
実施の形態１及び２では、情報収集部１０４における設定項目の判定基準及び改善箇所分析部１０３における分析条件について、設計情報等を参考に予め値を設定することを前提としている。
しかしながら、設計情報が得られない場合及び設計情報と生産システムの実態に差異がある場合には、実施の形態１及び２における効果が得られない可能性がある。
実施の形態３は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。

＊＊＊構成の説明＊＊＊
本実施の形態においても、改善箇所分析装置１００の構成は図１及び図２に示す通りである。但し、本実施の形態では、情報収集部１０４の判定基準の設定方法を図１６に示すようにする。
図１６では、情報収集部１０４の設定項目における判定基準に、収集した情報に対する統計処理を定義している。統計処理は、例えば「平均値」のように設定される。これ以外にも、平均値に標準偏差を考慮したもの（平均値±標準偏差）、度数分布における最頻値、極小値なども好適であるがこれらに限定しない。

＊＊＊動作の説明＊＊＊
本実施の形態では、情報収集と評価フェーズの途中まで実施の形態１と同一の動作を行う。
本実施の形態では、図５のフローチャートにおいて、ステップＳ１０３で、評価部１０２は、情報収集部１０４により収集され、情報記憶部１０１において記憶されている情報に対する統計処理を行う。そして、評価部１０２は、統計処理の結果を図１６の判定基準に設定する。そして評価部１０２は、情報収集部１０４により収集され、情報記憶部１０１において記憶されている個々の情報と、判定基準として設定された統計処理の結果とを比較して評価を行う。その後、評価部１０２は、評価結果を情報記憶部１０１に格納する。
以降、改善箇所分析フェーズでは実施の形態１と同一の動作が行われる。

＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、判定基準として統計処理の結果を設定するため、分析対象の設計値が得られない場合においても実施の形態１及び２の効果を得ることができる。
また、判定基準として統計処理の結果を設定することで、判定基準を予め設定しなければならないという手間を削減することができる。

実施の形態４．
＊＊＊目的＊＊＊
実施の形態１から３では、情報モデルで階層構造及び／又は論理構造による関係性を定義することを前提としている。
しかしながら、特に機器階層においては、設計者が生産システムの設計者と異なる等の理由から機器の情報を厳密に定義することが困難である。このため、階層構造及び／又は論理構造による関係性を正確に定義できない場合がある。関係性が誤って定義されている場合又は関係性が定義できない場合は、誤った分析結果が出力されることがある。また、想定されるすべての組み合わせに対する分析が発生することがある。このような場合には、効率が低下する。
実施の形態４は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。

＊＊＊構成の説明＊＊＊
本実施の形態においても、改善箇所分析装置１００の構成は図１及び図２に示す通りである。本実施の形態では、情報モデルの構成と改善箇所分析部１０３の分析条件及びフローチャートが異なる。
図１７は、実施の形態４に係る情報モデルの例を示す。図１７では、機器階層において、階層構造及び論理構造による関係性が定義されていない。つまり、図１７に示す情報モデルでは、機器階層に存在する要素のみが定義されている。
図１８は、実施の形態４における分析条件での追加項目を示す。図１８では、分析条件に関係性に関する項目を追加している。関係性に関する条件として、例えば「機器階層の関係性については自動生成する」等を定義することが考えられる。機器階層以外の階層の関係性を自動生成することを定義してもよいし、自動生成以外の方法により関係性を生成するように定義してもよい。更に、一度生成した関係性を定期的に確認するように定義してもよい。
図１９は、図８のステップＳ２０４（分析の実行及び記憶）において改善箇所分析部１０３が追加で行う手順を示す。

＊＊＊動作の説明＊＊＊
情報収集フェーズ、評価フェーズ及び図８のステップＳ２０３までは、実施の形態１と同一の動作が行われる。
ステップＳ２０４では、図９のフローに先立ち、図１９のフローが行われる。つまり、いずれかの要素間の関係が不明な場合に、改善箇所分析部１０３が、関係が不明な要素間の関係を推定し、当該要素間の関係性を自動生成する。
具体的には、改善箇所分析部１０３は、図１８の設定項目を参照し、機器階層について関係性を自動生成するために図１９のフローを実行する。
図１９では、機器階層に含まれる要素のうち、上位層である設備階層との階層構造が定義されている「ＰＬＣ＃１－１－１サイクルタイム」と、特段の関係性が定義されていない「サーボ＃ｘ－１モータ電流値」との間の関係性を自動生成する手順を示している。
はじめに、ステップＳ３０１において、改善箇所分析部１０３は、「ＰＬＣ＃１－１－１サイクルタイム」と「サーボ＃ｘ－１モータ電流値」とについてアソシエーション分析を実行する。図１９の例では、改善箇所分析部１０３は、「ＰＬＣ＃１－１－１サイクルタイム」が判定基準よりも高い（＝ＨＩＧＨ）ことを条件部に設定し、「サーボ＃ｘ－１モータ電流値」が判定基準より高い（＝ＨＩＧＨ）ことを結論部に設定した組合せ（以下、「組合せ１」という）の支持度、信頼度、リフト値を算出している。更に、改善箇所分析部１０３は、「サーボ＃ｘ－１モータ電流値」が判定基準よりも高い（＝ＨＩＧＨ）ことを条件部に設定し、「ＰＬＣ＃１－１－１サイクルタイム」が判定基準より高い（＝ＨＩＧＨ）ことを結論部に設定した組合せ（以下、「組合せ２」という）の支持度、信頼度、リフト値を算出している。なお、情報の意味が未知である場合は、改善箇所分析部１０３はそれぞれの要素の値が判定基準よりも低い（＝ＬＯＷ）場合の組合せを含めてアソシエーション分析を実行することが望ましい。
次に、ステップＳ３０２において、改善箇所分析部１０３は、ステップＳ３０１の分析結果を評価する。ここでは、改善箇所分析部１０３は、分析結果の支持度、信頼度、リフト値について、どちらの組み合わせで高い値が得られたかを評価している。つまり、改善箇所分析部１０３は、組合せ１と組合せ２のいずれで高い値が得られたかを評価する。アソシエーション分析においてはリフト値の評価結果が１より大きいと条件部と結論部との間に関係性があると評価できる。このため、改善箇所分析部１０３は、リフト値を重視するよう各項目の結果に重みを設けて評価を行ってもよい。これら重みについては、図１８の設定項目に設けるとよい。また、関係性を生成する条件についても、同様に図１８の設定項目に設けるとよい。
最後に、ステップＳ３０３において、改善箇所分析部１０３は、評価結果を参照して要素間の関係性を構築し、構築した要素間の関係性を情報記憶部１０１に記憶する。
図１９の例では「サーボ＃ｘ－１モータ電流値」が判定基準よりも高いことを条件部に設定し、「ＰＬＣ＃１－１－１サイクルタイム」が判定基準よりも高いことを結論部に設定した組み合わせ（組合せ１）において、支持度、信頼度、リフト値が高い。このため、改善箇所分析部１０３は、「サーボ＃ｘ－１モータ電流値」が「ＰＬＣ＃１－１－１サイクルタイム」の性能に影響を与えるという関係性を情報モデルに追加する。
なお、本例では「ＰＬＣ＃１－１－１サイクルタイム」と「サーボ＃ｘ－１モータ電流値」との間の関係性を自動生成する手順を示した。図１７に示した、関係性が定義されていない「センサ＃ｘ－２対象角度」及び「ロボット＃ｘ－３到達率」についても、改善箇所分析部１０３は同様の手順で関係性を自動生成する。

＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、いずれかの要素間の関係が不明な場合に、改善箇所分析部１０３が、関係が不明な要素間の関係を推定し、当該要素間の関係性を自動生成する。このため、本実施の形態によれば、情報モデルに階層構造及び／又は論理構造による関係性を正確に定義できない場合においても、実際に収集した情報を基に要素間の関係性を構築することができ、分析を効率よく行うことができるようになる。
また、要素間の関係性を誤って定義した場合においても、実際に収集した情報を基に要素間の関係性を評価することで、情報モデルを修正することができる。

実施の形態５．
＊＊＊目的＊＊＊
実施の形態１から４では、分析結果を支持度、信頼度、リフト値といった複数項目で出力している。改善箇所となる要素は、これら複数項目の出力を勘案して判断する必要がある。しかしながら、いずれの要素が改善箇所であるか、特に分析に不慣れである生産システム管理者には判断が難しいという課題がある。
実施の形態５は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。

＊＊＊構成の説明＊＊＊
本実施の形態においても、改善箇所分析装置１００の構成は図１及び図２に示す通りである。本実施の形態では、改善箇所分析部１０３の分析条件が異なる。
図２０は、実施の形態５に係る分析条件を示す。図２０では、図１１と比較して、新たに分析結果出力の項目を追加している。分析結果出力の条件として、例えば、算出式「Ａ１＋Ａ２＋Ａ３」が定義される。なお、「Ａ１」は支持度が０．１より大きい場合に１、支持度が０．１より小さい場合に０が設定される。同様に、「Ａ２」は信頼度が０．１より大きい場合に１、信頼度が０．１より小さい場合に０が設定される。「Ａ３」はリフト値が１以上の場合にリフト値がそのまま設定され、リフト値が１より小さい場合に０が設定される。
なお、支持度、信頼度及びリフト値のいずれかを重視するよう算出式を調整してもよい。例えば重みαを用いてＡ１＋Ａ２＋Ａ３×αのように調整する。重みαは、生産システムの設計者又は改善担当者が設定する。
本実施の形態では、図２０に示すように、改善箇所分析部１０３が、アソシエーション分析に含まれる複数の計算項目についての複数の計算値を用いた計算を行い、複数の計算値を用いた計算の計算値を出力する。

＊＊＊動作の説明＊＊＊
情報収集フェーズ、評価フェーズ及び改善箇所分析フェーズの図９のステップＳ２０４２までは実施の形態１と同一の動作が行われる。
ステップＳ２０４３では、改善箇所分析部１０３は、図２０の分析結果出力の算出式に従って分析結果出力を算出し、算出結果を出力し、また、算出結果を情報記憶部１０１に格納する。
図２１は、実施の形態５に係る出力の一例を示す。図２１に示すように、本実施の形態に係る出力では、図２０の分析結果出力の算出式に従って得られた分析結果が含まれる。

＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、分析条件に分析結果出力の算出方法が定義され、当該算出方法に従って算出された分析結果が出力される。このため、本実施の形態によれば、分析に不慣れである生産システム管理者がいずれの要素が改善箇所であるか容易に判断できるようになる。

実施の形態６．
＊＊＊目的＊＊＊
実施の形態５では、改善箇所の分析結果出力のための算出式を生産システムの設計者又は改善担当者が適宜設定する必要がある。しかしながら、特に複雑な生産システムにおいては分析結果出力と実際の改善箇所が異なっている可能性がある。
実施の形態６は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態５との差異を説明する。
なお、以下で説明していない事項は、実施の形態５と同様である。

＊＊＊構成の説明＊＊＊
図２２は、実施の形態６に係る改善箇所分析装置１００の構成例を示す。図２２の構成では、図１の構成に、改善実績記憶部１０５が追加されている。改善実績記憶部１０５には改善実績が記憶されている。改善実績記憶部１０５以外は、図１の示すものと同じである。
図２３は、改善実績記憶部１０５が記憶する改善実績の例を示す。図２３に示す改善実績には、発生した事象と、事象の要因（改善箇所）が含まれる。事象及び要因については、具体的な値を含めて詳細に記述することが望ましい。改善実績は、分析対象を稼働していく中で改善担当者が記述する。あるいは、同種の分析対象の改善実績が存在する場合は、同種の分析対象の改善実績を流用してもよい。但し、この場合は、別の分析対象の改善実績であることがわかるように記述することが望ましい。または、実施の形態５に示した分析結果出力を参照した改善担当者がＨＭＩを通して分析結果出力に対して与えた正誤の評価結果又は数値を伴う評価結果を改善実績としてもよい。このとき、改善実績記憶部１０５に記述した内容は、情報モデル内に関係性が定義されていることが望ましい。情報モデル内に関係性が定義されていない場合、情報モデル内に関係性が定義されるよう構成しても良い。
図２４は、実施の形態６に係る分析条件の例を示す。図２４では、分析結果出力の条件として、改善実績を出力に反映する算出式が定義されている。図２４では、補正値「Ａ４」として改善実績数が記述されており、また、算出式にも「Ａ４」が含まれている。

＊＊＊動作の説明＊＊＊
情報収集フェーズ、評価フェーズ及び改善箇所分析フェーズの図９のステップＳ２０４２までは実施の形態１と同一の動作が行われる。
ステップＳ２０４３では、改善箇所分析部１０３は、図２４の分析結果出力の算出式に従って分析結果出力を算出し、算出結果を出力し、また、算出結果を情報記憶部１０１に格納する。つまり、ステップＳ２０４３では、改善箇所分析部１０３は、アソシエーション分析における条件部に相当する関連要素に対する改善実績を用いて、算出式「Ａ１＋Ａ２＋Ａ３」により得られる計算値を補正し、補正後の計算値を出力する。
図２５は実施の形態６に係る分析結果出力の一例を示す。図２５に示すように、本実施の形態では、図２３の改善実績を補正値として出力し、また、改善実績数に基づく補正後の分析結果出力を出力する。

＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、改善実績を記憶し、改善実績に合わせて分析結果出力を補正する。このため、本実施の形態によれば、生産システムの実態に即した改善箇所を出力することができる。

実施の形態７．
＊＊＊目的＊＊＊
実施の形態５及び６では、算出式を用いて分析結果出力を算出し、得られた分析結果出力を出力することで、より確度の高い分析結果が得られる。
しかしながら、大規模あるいは複雑な生産システムの場合、要素の種類が膨大かつ要素間の関係性が複雑である。このため、分析対象の実態に即した分析結果出力となるよう算出式を定義することが困難な場合がある。
実施の形態７は、このような課題の解決を主な目的としている。
本実施の形態では、主に実施の形態５との差異を説明する。
なお、以下で説明していない事項は、実施の形態５と同様である。

＊＊＊構成の説明＊＊＊
図２６は、実施の形態７に係る分析条件の設定を示す。図２６では、図２０又は図２４における分析結果出力を、後述する機械学習を用いて学習した学習済みモデルを活用して算出することが設定されている。
図２７は、改善箇所分析装置１００が活用する機械学習装置４００の構成例を示す。機械学習装置４００は、データ取得部４０１、教師データ取得部４０２、学習部４０３、学習済みモデル記憶部４０５及び出力部４０４を備える。機械学習装置４００は、ハードウェア構成として、図２と同様に、プロセッサ、記憶装置、通信インタフェース及びバスを備える。データ取得部４０１、教師データ取得部４０２、学習部４０３は、例えば、プログラムにより実現される。当該プログラムはプロセッサにより実行される。学習済みモデル記憶部４０５は記憶装置により実現される。

データ取得部４０１は、図１０、図１１、図２０及び図２４に示す条件部、結論部、支持度、信頼度、リフト値を状態変数として取得する。なお、データ取得部４０１は、図６及び図７に示す評価部１０２の評価結果を取得してもよい。
教師データ取得部４０２は、図２３の改善実績に示される要因及び事象を取得する。
学習部４０３は、データ取得部４０１から出力される条件部、結論部、支持度、信頼度、リフト値及び教師データ取得部４０２から出力される要因及び事象の組合せに基づいて作成されるデータセットに基づいて、出力の補正方法を学習する。すなわち、学習部４０３は、改善箇所分析装置１００の改善箇所分析部１０３の分析結果である条件部、結論部、支持度、信頼度、リフト値と、実際の改善実績である要因及び事象から分析結果出力の補正方法を推測する学習済みモデルを生成する。ここで、データセットは、状態変数及び教師データを互いに関連付けたデータである。

なお、機械学習装置４００は、改善箇所分析装置１００の出力の補正方法を学習するために使用されるが、例えば、ネットワークを介して改善箇所分析装置１００に接続された、改善箇所分析装置１００とは別個の装置であってもよい。また、機械学習装置４００は、改善箇所分析装置１００に内蔵されていてもよい。さらに、機械学習装置４００は、クラウドサーバ上に存在していてもよい。

学習部４０３が用いる学習アルゴリズムはどのようなものを用いてもよい。本実施の形態では、一例として、ニューラルネットワークを適用した場合について説明する。
学習部４０３は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、出力の補正方法を学習する。ここで、教師あり学習とは、ある入力と結果（ラベル）のデータの組を大量に機械学習装置４００に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデルをいう。
ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）及び複数のニューロンからなる出力層で構成される。中間層は、１層でもよいし、又は２層以上でもよい。
例えば、図３０に示すような３層のニューラルネットワークであれば、複数の入力データが入力層（Ｘ１‐Ｘ３）に入力されると、各入力データの値に重みＷ１（ｗ１１‐ｗ１６）を掛けて重みＷ１が掛けられた各入力データが中間層（Ｙ１‐Ｙ２）に入力される。そして、中間層（Ｙ１‐Ｙ２）の結果にさらに重みＷ２（ｗ２１‐ｗ２６）を掛けて重みＷ２が掛けられた中間層（Ｙ１‐Ｙ２）の結果が出力層（Ｚ１‐Ｚ３）から出力される。出力結果は、重みＷ１の値と重みＷ２の値によって変わる。
本願において、ニューラルネットワークは、データ取得部４０１によって取得される条件部、結論部、支持度、信頼度、リフト値、並びに、教師データ取得部４０２によって取得される要因及び事象の組合せに基づいて作成されるデータセットに従って、いわゆる教師あり学習により、出力の補正方法を学習する。
すなわち、ニューラルネットワークは、入力層に条件部、結論部、支持度、信頼度、リフト値を入力して出力層から出力された結果が、要因及び事象に近づくように重みＷ１とＷ２を調整することで学習する。
また、ニューラルネットワークは、いわゆる教師なし学習によって、出力の補正方法を学習することもできる。教師なし学習とは、入力データのみを大量に機械学習装置４００に与えることで、機械学習装置４００が入力データがどのような分布をしているか学習する。教師なし学習では、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形等を行って学習することが可能である。つまり、教師なし学習では、複数のデータセットにある特徴を似た者同士にクラスタリングすることができる。クラスタリングの結果を使って、何らかの基準を設けてクラスタリング結果を最適にするような出力の割り当てを行うことで、出力の予測を実現することできる。また、教師なし学習と教師あり学習の中間的な問題設定として、半教師あり学習がある。半教師あり学習では、一部のみ入力データと出力データの組が存在し、それ以外は入力データのみが存在する。

学習部４０３は、以上のような学習を実行することで学習済みモデルを生成する。
学習済みモデル記憶部４０５は、学習部４０３で生成された学習済みモデルを記憶する。
出力部４０４は、学習済みモデルを利用して得られる、改善箇所分析装置１００の分析結果出力の補正方法を出力する。すなわち、データ取得部４０１に条件部、結論部、支持度、信頼度、リフト値を入力することで、出力部４０４から学習済みモデルに基づいて条件部、結論部、支持度、信頼度、リフト値に適した出力の補正方法を得ることができる。
なお、本実施の形態では、機械学習装置４００の出力部４０４が、学習部４０３での学習で得られた学習済みモデルを用いて分析結果出力の補正方法を改善箇所分析装置１００に出力する例を説明するが、改善箇所分析装置１００が学習済みモデルを取得し、この学習済みモデルに基づいて分析結果出力の補正方法を取得するようにしてもよい。

＊＊＊動作の説明＊＊＊
次に、図２８を用いて、機械学習装置４００が学習する処理について説明する。図２８は機械学習装置４００の学習処理に関するフローチャートである。
始めに、ステップＳ４０１において、データ取得部４０１は条件部、結論部、支持度、信頼度、リフト値を状態変数として取得する。
次に、ステップＳ４０２において、教師データ取得部４０２は改善実績である要因及び事象を取得する。なお、本実施の形態では上述の順でデータを取得するものとしたが、条件部、結論部、支持度、信頼度、リフト値、及び要因及び事象を関連づけて入力できればよく、これらのステップが同時に実行されてもよいし、逆順に実行されてもよい。
さらに、ステップＳ４０３において、学習部４０３は、データ取得部４０１によって取得された条件部、結論部、支持度、信頼度、リフト値、並びに、教師データ取得部４０２によって取得された要因及び事象の組合せに基づいて作成されるデータセットに従って、いわゆる教師あり学習により、分析結果出力の補正方法を学習し、学習済みモデルを生成する。
最後に、ステップＳ４０４において、学習済みモデル記憶部４０５は、学習部４０３が生成した学習済みモデルを記憶する。

次に、図２９を用いて、機械学習装置４００を使って分析結果出力の補正方法を得るための処理を説明する。
始めに、ステップＳ５０１において、データ取得部４０１は、条件部、結論部、支持度、信頼度、リフト値を取得する。
次に、ステップＳ５０２において、学習部４０３は学習済みモデル記憶部４０５に記憶された学習済みモデルに条件部、結論部、支持度、信頼度、リフト値を入力し、分析結果出力の補正方法を得る。学習部４０３は得られた分析結果出力の補正方法を出力部４０４に出力する。
更に、ステップＳ５０３において、出力部４０４は、学習済みモデルにより得られた分析結果出力の補正方法を出力する。
最後に、ステップＳ５０４において、改善箇所分析装置１００の改善箇所分析部は、出力された分析結果出力の補正方法を用いて、分析結果を補正し、補正後の分析結果を出力する。これにより、生産システムの実態に即した改善箇所を出力することができる。

なお、本実施の形態では、学習部４０３が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習、又は半教師あり学習等を適用することも可能である。
また、学習部４０３は、複数の改善箇所分析装置１００から収集されるデータセットに従って、出力の補正方法を学習するようにしてもよい。
なお、学習部４０３は、同一のエリアで使用される複数の改善箇所分析装置１００からデータセットを取得してもよい。或いは、学習部４０３は、異なるエリアで独立して動作する複数の改善箇所分析装置１００から収集されるデータセットを利用して分析結果出力の補正方法を学習してもよい。さらに、学習部４０３は、データセットを収集する改善箇所分析装置１００を途中で追加することも可能である。或いは、学習部４０３は、逆に、データセットを収集する改善箇所分析装置１００から、いずれかの改善箇所分析装置１００を途中で除去することも可能である。
さらに、ある改善箇所分析装置１００に関して分析結果出力の補正方法を学習した機械学習装置４００を、これとは別の改善箇所分析装置１００に適用し、当該別の改善箇所分析装置１００に関して分析結果出力の補正方法を再学習して更新するようにしてもよい。
また、学習部４０３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、機械学習を活用して分析結果出力の補正方法を取得する。このため、本実施の形態によれば、分析対象が大規模あるいは複雑な生産システムであっても、生産システムの実態に即した改善箇所を出力することができる。

以上、実施の形態１～７を説明したが、これらの実施の形態のうち、２つ以上を組み合わせて実施しても構わない。
あるいは、これらの実施の形態のうち、１つを部分的に実施しても構わない。
あるいは、これらの実施の形態のうち、２つ以上を部分的に組み合わせて実施しても構わない。
また、これらの実施の形態に記載された構成及び手順を必要に応じて変更してもよい。

＊＊＊ハードウェア構成の補足説明＊＊＊
最後に、改善箇所分析装置１００のハードウェア構成の補足説明を行う。
図２に示すプロセッサ９０１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。
プロセッサ９０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
図２に示す記憶装置９０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
図２に示す通信インタフェース９０３は、データの通信処理を実行する電子回路である。
通信インタフェース９０３は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。

また、補助記憶装置９０２には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）も記憶されている。
そして、ＯＳの少なくとも一部がプロセッサ９０１により実行される。
プロセッサ９０１はＯＳの少なくとも一部を実行しながら、プログラム９０４を実行する。
プロセッサ９０１がＯＳを実行することで、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
また、評価部１０２、改善箇所分析部１０３及び情報収集部１０４の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、記憶装置９０２、プロセッサ９０１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、プログラム９０４は、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、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、プログラム９０４が格納された可搬記録媒体を流通させてもよい。

また、評価部１０２、改善箇所分析部１０３及び情報収集部１０４の「部」を、「回路」又は「工程」又は「手順」又は「処理」に読み替えてもよい。
また、改善箇所分析装置１００は、処理回路により実現されてもよい。処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。
この場合は、評価部１０２、改善箇所分析部１０３及び情報収集部１０４は、それぞれ処理回路の一部として実現される。
なお、本明細書では、プロセッサと処理回路との上位概念を、「プロセッシングサーキットリー」という。
つまり、プロセッサと処理回路とは、それぞれ「プロセッシングサーキットリー」の具体例である。

１００ 改善箇所分析装置、１０１ 情報記憶部、１０２ 評価部、１０３ 改善箇所分析部、１０４ 情報収集部、１０５ 改善実績記憶部、２００ 分析対象、３００ ネットワーク、４００ 機械学習装置、４０１ データ取得部、４０２ 教師データ取得部、４０３ 学習部、４０４ 出力部、４０５ 学習済みモデル記憶部、９０１ プロセッサ、９０２ 記憶装置、９０３ 通信インタフェース、９０４ プログラム、９０５ バス。

Claims (18)

1. ３以上の要素のうち性能を改善させるべき要素を指定要素として指定する指定部と、
   前記指定要素以外の要素の中から前記指定要素と有意な関係にある２以上の要素を関連要素として抽出する抽出部と、
   前記抽出部により抽出された２以上の関連要素の各々の性能が前記指定要素の性能に与える影響を分析して、前記２以上の関連要素の中から、前記指定要素の性能の改善のために性能を改善させるべき関連要素である改善対象関連要素を推定する推定部とを有する情報処理装置。
2. 前記推定部は、
   複数の改善対象関連要素を推定した場合に、各々の改善対象関連要素の性能が他の改善対象関連要素の性能に与える影響を分析して、前記複数の改善対象関連要素の間に優先順位を設定する請求項１に記載の情報処理装置。
3. 前記指定部は、
   前記推定部により推定された前記改善対象関連要素を新たな指定要素に指定し、
   前記抽出部は、
   前記新たな指定要素と有意な関係にある、前記新たな指定要素以外の２以上の要素を新たな関連要素として抽出し、
   前記推定部は、
   前記抽出部により抽出された２以上の新たな関連要素の各々の性能が前記新たな指定要素の性能に与える影響を分析して、前記２以上の新たな関連要素の中から、前記新たな指定要素の性能の改善のために性能を改善させるべき新たな関連要素を新たな改善対象関連要素として推定する請求項１に記載の情報処理装置。
4. 前記指定部は、
   前記推定部により新たな改善対象関連要素が推定される度に、推定された新たな改善対象関連要素を新たな指定要素に指定することを繰り返し、
   前記抽出部は、
   前記指定部により新たな指定要素が指定される度に、指定された新たな指定要素以外の２以上の要素を新たな関連要素として抽出することを繰り返し、
   前記推定部は、
   前記抽出部により２以上の新たな関連要素が抽出される度に、新たな改善対象関連要素を推定することを繰り返す請求項３に記載の情報処理装置。
5. 前記推定部は、
   前記指定要素の性能が改善されることを結論部に用い、前記２以上の関連要素の各々の性能が改善されることを条件部に用いたアソシエーション分析を行って、前記改善対象関連要素を推定する請求項１に記載の情報処理装置。
6. 前記推定部は、
   前記アソシエーション分析に含まれる複数の計算項目のうちのいずれかの計算項目において計算維持条件が不成立の場合に、前記複数の計算項目のうちの未計算の計算項目の計算を行わない請求項５に記載の情報処理装置。
7. 前記情報処理装置は、更に、
   要素ごとに、性能の基準に性能が合致するか否かを評価する評価部を有し、
   前記指定部は、
   前記評価部により性能の基準に性能が合致しないと評価された要素を前記指定要素として指定する請求項１に記載の情報処理装置。
8. 前記評価部は、
   各要素の性能が要素ごとに定義された性能の基準に合致するか否かを評価する請求項７に記載の情報処理装置。
9. 前記３以上の要素は複数の階層を構成しており、
   前記評価部は、
   階層ごとに異なる時間幅で各要素の性能が性能の基準に合致するか否かを評価する請求項７に記載の情報処理装置。
10. 前記評価部は、
    評価を行う度に、評価結果を出力する請求項７に記載の情報処理装置。
11. 前記評価部は、
    前記推定部により推定された改善対象関連要素に追加の性能の基準が定義されており、前記追加の性能の基準を前記改善対象関連要素に適用するための条件が成立する場合に、前記改善対象関連要素の性能が前記追加の性能の基準に合致するか否かを評価する請求項７に記載の情報処理装置。
12. 前記評価部は、
    統計処理により得られた前記性能の基準を用いて評価を行う請求項７に記載の情報処理装置。
13. 前記推定部は、
    前記３以上の要素のうちのいずれか２以上の要素の間の関係が不明の場合に、関係が不明な要素の間の関係を推定する請求項１に記載の情報処理装置。
14. 前記推定部は、
    前記アソシエーション分析に含まれる複数の計算項目についての複数の計算値を用いた計算を行い、前記複数の計算値を用いた計算の計算値を出力する請求項５に記載の情報処理装置。
15. 前記推定部は、
    前記アソシエーション分析に含まれる複数の計算項目についての複数の計算値を用いた計算により得られる計算値を前記２以上の関連要素のうちの少なくともいずれかに対する改善実績に基づいて補正し、補正後の計算値を出力する請求項５に記載の情報処理装置。
16. 前記推定部は、
    前記アソシエーション分析に含まれる複数の計算項目についての複数の計算値を用いた計算により得られる計算値の補正方法を機械学習により取得し、取得した補正方法により前記複数の計算値を用いた計算により得られる計算値を補正し、補正後の計算値を出力する請求項５に記載の情報処理装置。
17. コンピュータが、３以上の要素のうち性能を改善させるべき要素を指定要素として指定し、
    前記コンピュータが、前記指定要素以外の要素の中から前記指定要素と有意な関係にある２以上の要素を関連要素として抽出し、
    前記コンピュータが、抽出された２以上の関連要素の各々の性能が前記指定要素の性能に与える影響を分析して、前記２以上の関連要素の中から、前記指定要素の性能の改善のために性能を改善させるべき関連要素である改善対象関連要素を推定する情報処理方法。
18. ３以上の要素のうち性能を改善させるべき要素を指定要素として指定する指定処理と、
    前記指定要素以外の要素の中から前記指定要素と有意な関係にある２以上の要素を関連要素として抽出する抽出処理と、
    前記抽出処理により抽出された２以上の関連要素の各々の性能が前記指定要素の性能に与える影響を分析して、前記２以上の関連要素の中から、前記指定要素の性能の改善のために性能を改善させるべき関連要素である改善対象関連要素を推定する推定処理とをコンピュータに実行させる情報処理プログラム。

Images