JPWO2015136586A1 - 要因分析装置、要因分析方法および要因分析プログラム - Google Patents

Abstract

説明時系列から特徴量を抽出する特徴抽出部１０２１と、特徴量を特徴時系列に変換する特徴変換部１０２２と、特徴時系列と目的時系列から、特徴時系列の目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出部１０３１と、影響度に基づいて、説明時系列の目的時系列の値変化に対する影響度を算出する説明時系列影響度算出部１０３２とを備える。

Description

本発明は、要因分析装置、要因分析方法および要因分析プログラムに関し、特に目的時系列の値の変化に影響を持つ説明時系列を特定する要因分析装置、要因分析方法および要因分析プログラムに関する。

目的変数と説明変数の関係を明らかにし、目的変数の値に強い影響を持つ説明変数を特定するための技術として、回帰分析などによる統計的手法が製造工程などの品質管理において広く利用されている。

例えば、目的時系列の値の変化に影響を持つ説明時系列を特定する要因特定方法は、製造プロセスにおいて、製造品の品質などの検査結果に影響を与えているセンサ観測値を特定するために用いられる。回帰分析に代表される多くの分析手法は、センサなどの計測器から観測されるデータが利用可能であることを前提として、観測されるデータを多次元的に解析する方法である。

特許文献１には、説明変数に名義尺度データが含まれる場合に、名義尺度データに基づいてデータをセグメント化し、それぞれのセグメントに対して多変量解析手法を用いて、影響要因を特定する手法が記載されている。

特許文献２には、複数の説明変数を分割し、線形重回帰分析を全ての分割グループに対して行うことで説明変数を絞り込む操作を繰り返し行う、製造ラインの品質変動原因分析方法が記載されている。

非特許文献１には、目的変数が離散値のとき、Ｌ１正則化ロジスティック回帰と呼ばれる方法が説明変数の影響度を高い精度で推定できることが記載されている。

非特許文献２には、決定木を複数用いることで分類器を構成するランダム森分類器が記載されている。特許文献１〜２および非特許文献１〜２に記載されている技術も、要因分析に用いられる。

特開２００９−２５８８９０号公報 特開２００２−１１０４９３号公報

ISBN: 1-58113-838-5, Andrew Y. Ng 著「Feature selection, L1 vs. L2 regularization, and rotational invariance」in Proceedings of the 21st International Conference of Machine Learning, pp. 78-85, 2004 ISSN: 0885-6125, Breiman. L 著「Random Forests」, Machine Learning, Vol.45, No.1, pp. 5-32, 2001

製造プロセスなどから観測されるデータは、ノイズなどの要因からめまぐるしく変化する観測値を含むことが多い。よって、特許文献１に記載されている多変量解析などを用いた要因分析手法を観測されたデータにそのまま用いても、データ分析が困難であることが少なくない。

観測された値のままでは解析が困難な観測値を解析に用いる場合、移動平均でデータを平滑化するなどの前処理が観測値に施される。

前処理を観測値に施す場合、どのような前処理を観測値に施せば分析精度が良くなるかを、客観的に判断することは困難である。その理由は、観測値に施すべき適切な前処理は、事前知識または分析を行ったときの分析結果に基づいて主観的に判断されることが多いためである。よって、観測値に適切な前処理が何であるかを知らない人でも、適切な前処理を施すことで観測値を分析できる方法が求められている。

そこで、本発明は、分析対象の説明時系列に施す適切な前処理を明らかにし、目的時系列の値変化に関与する説明時系列を特定する要因分析装置、要因分析方法および要因分析プログラムを提供することを目的とする。

本発明による要因分析装置は、説明時系列から特徴量を抽出する特徴抽出部と、特徴量を特徴時系列に変換する特徴変換部と、特徴時系列と目的時系列から、特徴時系列の目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出部と、影響度に基づいて、説明時系列の目的時系列の値変化に対する影響度を算出する説明時系列影響度算出部とを備えることを特徴とする。

本発明による要因特定方法は、説明時系列から特徴量を抽出し、特徴量を特徴時系列に変換し、特徴時系列と目的時系列から、特徴時系列の目的時系列の値変化に対する影響度を算出し、影響度に基づいて、説明時系列の目的時系列の値変化に対する影響度を算出することを特徴とする。

本発明による要因特定プログラムは、コンピュータに、説明時系列から特徴量を抽出する特徴抽出処理、特徴量を特徴時系列に変換する特徴変換処理、特徴時系列と目的時系列から、特徴時系列の目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出処理、および影響度に基づいて、説明時系列の目的時系列の値変化に対する影響度を算出する説明時系列影響度算出処理を実施させることを特徴とする。

本発明によれば、分析対象の説明時系列に施す適切な前処理を明らかにし、目的時系列の値変化に関与する説明時系列を特定できる。

本発明による要因分析装置の構成例を示すブロック図である。 要因分析装置１００の動作を示すフローチャートである。 特徴時系列変換部１０２における説明時系列からの特徴時系列生成方法の例を示す説明図である。 要因分析装置１００の動作を示すフローチャートである。 時系列記憶部１１１に保存された説明時系列と目的時系列の例を示す説明図である。 特徴時系列変換部１０２による各説明時系列からの特徴時系列の生成例を示す説明図である。 複数の多変量解析手法を用いた特徴時系列影響度算出部１０３１による特徴時系列の目的時系列に対する影響度の算出例を示す説明図である。 説明時系列影響度算出部１０３２による説明時系列の目的時系列に対する影響度の算出例を示す説明図である。 要因出力部１０４による説明時系列の目的時系列に対する影響度の算出例を示す説明図である。 本発明による要因分析装置の主要部を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。

本実施形態では、例として、要因分析装置が製造工程における品質管理に適用される場合を説明する。なお、要因分析装置は、製造工程以外の工程および製造工程における品質管理以外の業務に適用されてもよい。また、本実施形態では、分析対象の目的時系列が１種類である場合が想定されている。なお、分析対象の目的時系列は、１種類以上でもよい。

図１は、本発明による要因分析装置の構成例を示すブロック図である。図１に示すように、本実施形態の要因分析装置１００が使用される工程は、２以上の被分析装置２００が使用される製造工程に接続されている。被分析装置２００は、製造工程で使用される装置である。

被分析装置２００は、被分析装置２００自身に関する複数種目の計測値を所定の時間間隔で計測し、要因分析装置１００へ送信する。観測値の種目には、製造品の品質指標と製造条件がそれぞれ１つ以上含まれる。製造条件には、例えば、温度、圧力、ガス流量が用いられる。製造条件は、例えば、整数や小数などの数値により表される。また、品質指標は、例えば、整数や小数などの数値により表される。なお、品質指標は、「異常」、「正常」といった記号で表されてもよい。

本実施形態において、「時系列」は、センサによって計測される数値を所定の時間間隔で時刻順に並べたデータである。また、「説明時系列」は、被分析装置２００ごとに計測された、製造条件を表す観測値を時刻順に並べることによって得られる時系列である。説明時系列には、装置の調整値、温度、圧力、ガス流量、電圧などの、装置の運転状態を示す製造条件が広く含まれる。

また、「目的時系列」は、被分析装置２００ごとに計測された、品質指標を表す観測値を時刻順に並べることによって得られる時系列である。本実施形態では、分析対象の目的時系列が１種類である場合が想定されているが、目的時系列には品質や収率など、説明時系列によって表現される製造条件のもとで装置を稼働させた際に得られた、製造物などの評価指標が広く含まれてもよい。

図１に示す要因分析装置１００は、観測データ収集部１０１と、特徴時系列変換部１０２と、影響度算出部１０３と、要因出力部１０４と、時系列記憶部１１１と、特徴時系列記憶部１１２と、影響度記憶部１１３とを含む。

観測データ収集部１０１は、被分析装置２００から観測値を取得する機能を有する。観測データ収集部１０１は、取得した観測値を時系列記憶部１１１に保存する。

時系列記憶部１１１は、観測データ収集部１０１が取得した観測値を、時系列のデータとして記憶する機能を有する。時系列記憶部１１１は、説明時系列記憶部１１１１と、目的時系列記憶部１１１２とを含む。

説明時系列記憶部１１１１は、観測データ収集部１０１が取得した観測値のうち、製造条件に関する観測値を説明時系列として記憶する。

目的時系列記憶部１１１２は、観測データ収集部１０１が取得した観測値のうち、品質指標に関する観測値を目的時系列として記憶する。

特徴時系列変換部１０２は、説明時系列記憶部１１１１から説明時系列を読み出し、説明時系列から抽出した特徴量を特徴時系列に変換する機能を有する。特徴時系列変換部１０２は、特徴抽出部１０２１と、特徴変換部１０２２とを含む。

特徴抽出部１０２１は、説明時系列記憶部１１１１から説明時系列の所定の時間幅分の部分時系列を読み出し、読み出した部分時系列から特徴量を抽出する。部分時系列の読み出し方法や特徴量の抽出方法に関する内容は後述する。

特徴変換部１０２２は、特徴抽出部１０２１で抽出された特徴量を、時刻順に並べることで特徴時系列に変換する。特徴変換部１０２２は、生成した特徴時系列を特徴時系列記憶部１１２に保存する。

特徴時系列記憶部１１２は、特徴時系列変換部１０２によって生成された特徴時系列を記憶する機能を有する。

影響度算出部１０３は、特徴時系列記憶部１１２から特徴時系列を、目的時系列記憶部１１１２から目的時系列をそれぞれ読み出し、読み出したデータに基づいて、説明時系列の目的時系列の値変化に対する影響度を算出する機能を有する。影響度算出部１０３は、特徴時系列影響度算出部１０３１と、説明時系列影響度算出部１０３２とを含む。

特徴時系列影響度算出部１０３１は、特徴時系列記憶部１１２から特徴時系列を、目的時系列記憶部１１１２から目的時系列をそれぞれ読み出す。そして、特徴時系列影響度算出部１０３１は、１以上の多変量解析手法を用いて、読み出した特徴時系列１つにつき、用いた多変量解析手法の数だけ目的時系列に対する特徴時系列影響度を算出する。特徴時系列影響度の算出方法に関する内容は後述する。特徴時系列影響度算出部１０３１は、算出した特徴時系列影響度を、特徴時系列影響度記憶部１１３１に保存する。

説明時系列影響度算出部１０３２は、特徴時系列影響度記憶部１１３１から、１以上の多変量解析手法に対応する特徴時系列影響度を読み出す。そして、説明時系列影響度算出部１０３２は、特徴量の抽出元である説明時系列の情報に基づいて、読み出した特徴時系列影響度から、目的時系列に対する説明時系列影響度を算出する。説明時系列影響度の算出方法に関する内容は後述する。説明時系列影響度算出部１０３２は、算出した説明時系列影響度を、説明時系列影響度記憶部１１３２に保存する。

影響度記憶部１１３は、影響度算出部１０３によって算出された特徴時系列影響度と説明時系列影響度を記憶する機能を有する。影響度記憶部１１３は、特徴時系列影響度記憶部１１３１と、説明時系列影響度記憶部１１３２とを含む。

特徴時系列影響度記憶部１１３１は、特徴時系列影響度算出部１０３１によって算出された特徴時系列影響度を記憶する。

説明時系列影響度記憶部１１３２は、説明時系列影響度算出部１０３２によって算出された説明時系列影響度を記憶する。

要因出力部１０４は、説明時系列影響度記憶部１１３２から、説明時系列影響度を影響度が大きい順に読み出し、読み出した説明時系列影響度に対応する説明時系列を、目的時系列の値変化に影響する要因の候補として出力する機能を有する。また、要因出力部１０４は、特徴時系列影響度算出部１０３１から、特徴時系列影響度を影響度が大きい順に読み出し、読み出した特徴時系列影響度に対応する特徴量を、前工程における処理対象の候補として出力する機能を有する。

なお、本実施形態における要因分析装置１００は、例えば、プログラムに従って処理を実行する中央演算装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって実現される。また、要因分析装置１００は、ＣＰＵとプログラムを記憶した記憶媒体とを含み、プログラムに基づくＣＰＵの制御によって動作するコンピュータによって実現されてもよい。

また、観測データ収集部１０１、特徴時系列変換部１０２、影響度算出部１０３および要因出力部１０４は、例えば、プログラム制御に従って処理を実行するＣＰＵによって実現される。

また、時系列記憶部１１１、特徴時系列記憶部１１２および影響度記憶部１１３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）で実現される。また、時系列記憶部１１１、特徴時系列記憶部１１２および影響度記憶部１１３を構成する記憶媒体は、１個でも複数個でもよい。

以下、本実施形態の要因分析装置１００の動作を説明する。図２は、要因分析装置１００の動作を示すフローチャートである。

要因分析装置１００の観測データ収集部１０１は、被分析装置２００からセンサ観測値を収集する（ステップＳ１０１）。

観測データ収集部１０１は、センサ観測値が製造条件に関係する観測値か、品質指標に関係する観測値かを確認する（ステップＳ１０２）。

観測データ収集部１０１は、センサ観測値が製造条件に関係する観測値であれば（ステップＳ１０２のＹＥＳ）、観測値を時系列記憶部１１１の説明時系列記憶部１１１１に保存する（ステップＳ１０３）。センサ観測値が品質指標に関係する観測値であれば（ステップＳ１０２のＮＯ）、観測データ収集部１０１は、観測値を目的時系列記憶部１１１２に保存する（ステップＳ１０４）。

観測データ収集部１０１は、被分析装置２００からセンサ観測値を全て収集したか否かを確認する（ステップＳ１０５）。まだ収集していないセンサ観測値がある場合（ステップＳ１０５のＮＯ）、観測データ収集部１０１は、ステップＳ１０１からの処理を繰り返す。センサ観測値が全て収集された場合（ステップＳ１０５のＹＥＳ）、観測データ収集部１０１は、ステップＳ１１１に処理を進める。

センサ観測値が全て収集された場合（ステップＳ１０５のＹＥＳ）、特徴抽出部１０２１は、説明時系列記憶部１１１１に記憶されている、まだ特徴量が抽出されていない説明時系列を１つ選択し、選択した説明時系列を読み出す（ステップＳ１１１）。次いで、特徴抽出部１０２１は、特徴量を抽出する対象になる部分時系列が設定される窓の左端を時系列開始時刻に配置する（ステップＳ１１２）。

本実施形態において、時系列が読み出される時刻の範囲を「窓」と呼ぶ。特徴抽出部１０２１は、窓の範囲内にある部分時系列から特徴量を抽出する（ステップＳ１１３）。

特徴抽出部１０２１は、窓の右端が説明時系列の終了時刻に到達しているか否かを確認する（ステップＳ１１４）。到達していないとき（ステップＳ１１４のＮＯ）、特徴抽出部１０２１は、窓を１時点分右に、すなわち終了時刻に向けて移動させる（ステップＳ１１５）。移動させた後、特徴抽出部１０２１は、ステップＳ１１３の処理に戻る。窓の右端が説明時系列の終了時刻に到達するまで、特徴抽出部１０２１は、ステップＳ１１３〜ステップＳ１１５の処理を繰り返す。

窓の右端が説明時系列の終了時刻に到達しているとき（ステップＳ１１４のＹＥＳ）、特徴変換部１０２２は、特徴抽出部１０２１によって抽出された特徴量を時刻順に並べて特徴時系列に変換する。次いで、特徴変換部１０２２は、生成した特徴時系列を特徴時系列記憶部１１２に保存する（ステップＳ１１６）。

次いで、特徴時系列変換部１０２は、説明時系列記憶部１１１１に保存されている全ての説明時系列から特徴時系列が生成されたか否かを確認する（ステップＳ１１７）。特徴時系列がまだ生成されていない説明時系列がある場合（ステップＳ１１７のＮＯ）、特徴時系列変換部１０２は、ステップＳ１１１〜ステップＳ１１６の処理を繰り返す。全ての説明時系列から特徴時系列が生成された場合（ステップＳ１１７のＹＥＳ）、特徴時系列変換部１０２は、ステップＳ１２１に処理を進める。

全ての説明時系列から特徴時系列が生成された場合（ステップＳ１１７のＹＥＳ）、特徴時系列影響度算出部１０３１は、目的時系列記憶部１１１２から目的時系列を、特徴時系列記憶部１１２から特徴時系列をそれぞれ読み出す（ステップＳ１２１）。次いで、特徴時系列影響度算出部１０３１は、１以上の多変量解析手法を用いて、特徴時系列の目的時系列に対する影響度を算出する（ステップＳ１２２）。特徴時系列影響度算出部１０３１は、算出した特徴時系列影響度を特徴時系列影響度記憶部１１３１に保存する。

説明時系列影響度算出部１０３２は、特徴時系列影響度記憶部１１３１から特徴時系列の目的時系列に対する影響度である特徴時系列影響度を読み出す。次いで、説明時系列影響度算出部１０３２は、特徴量の抽出元である説明時系列の情報に基づいて、説明時系列の目的時系列に対する影響度を算出する（ステップＳ１２３）。説明時系列影響度算出部１０３２は、算出した説明時系列影響度を説明時系列影響度記憶部１１３２に保存する。

要因出力部１０４は、説明時系列影響度記憶部１１３２に保存されている説明時系列影響度の結果を統合する。そして、要因出力部１０４は、統合された影響度が上位の説明時系列を影響要因として出力する（ステップＳ１２４）。以上により、本実施形態の要因分析装置１００は、処理を終了する。

本実施形態では、分析対象の目的時系列を１つとしたが、分析対象の目的時系列は複数あってもよい。目的時系列が複数ある場合、要因分析装置１００は、それぞれの目的時系列に対して別々に図２に示す処理を行うことで、それぞれの目的時系列に影響する説明時系列を特定できる。

本実施形態において、特徴抽出部１０２１は、説明時系列から特徴量を抽出するときに使用する窓を１時点ずつ右に動かしているが、一度に２時点以上右にずらしてもよい。一度にｔ時点右にすらず場合、１つの説明時系列から、（Ｔ−ｗ）／ｔ点の特徴量が抽出される。ここで、Ｔは全時点数、ｗは読み出す時点数、ｔはずらす時点数である。

また、本実施形態において、特徴抽出部１０２１は、説明時系列から抽出する特徴量にいかなる特徴量を用いてもよい。窓によって切り出される部分時系列から特徴量を抽出する際、特徴抽出部１０２１は、抽出する特徴量として平均、分散などの基礎統計量、自己回帰係数、周波数分布、他の部分時系列との相関係数などを用いることができる。

基礎統計量は、部分時系列の各時点での値から算出される。自己回帰係数は、部分時系列に対して自己回帰モデルを用い、最小二乗法などでフィッティングを行うことで算出される。周波数分布は、部分時系列に対して高速フーリエ変換（ＦＦＴ：Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を施し、周波数成分を抽出することによって算出される。他の部分時系列との相関係数は、同じ窓に対する他の説明時系列から切り出された部分時系列との相関係数を計算することによって算出される。

さらに、本実施形態において、特徴時系列影響度算出部１０３１は、多変量解析手法として、説明変数の目的変数の値変化に対する影響度を算出する方法であれば、いかなる手法を用いてもよい。

また、目的変数が数値ではなく記号で示される指標の場合、特徴時系列影響度算出部１０３１は、記号を対応する数値に変換してもよい。例えば、目的変数が「正常」、「異常」と示されている場合、「正常」を１、「異常」を０に置き換えることで、特徴時系列影響度算出部１０３１は、多変量解析手法として非特許文献１に記載のＬ１ロジスティック回帰や、非特許文献２に記載のランダム森分類器を用いることができる。

また、本実施形態では、温度、ガス流量などの製造条件を観測する複数のセンサが使用される製造工程における、複数のセンサを被分析装置２００としたが、システム運用情報とシステム運用情報に対応する性能指標を得ることができるシステムであれば、被分析システムは他のシステムでもよい。

例えば、被分析システムは、ＩＴシステム、プラントシステム、構造物、輸送機器でもよい。ＩＴシステムの場合、運用情報としてＣＰＵ使用率、メモリ使用率、ディスクアクセス頻度などのコンピュータリソースの使用率や使用量、通信ネットワークリソースの使用率や使用量などが用いられる。また、性能指標として、消費電力量や演算回数などが用いられる。

以下、本実施形態の要因分析装置の動作の実施例を、図３〜図９を参照して説明する。なお、図３および図５〜図９に示す内容は、実際に行った事項に基づく数値計算結果である。

本実施例における要因分析装置１００の構成は、図１に示す構成と同様である。図１に示すように、本実施例における要因分析装置１００が使用される工程は、２以上の被分析装置２００が使用される製造工程に接続されている。被分析装置２００は、製造工程で使用される装置である。

図１に示すように、要因分析装置１００は、観測データ収集部１０１と、特徴時系列変換部１０２と、影響度算出部１０３と、要因出力部１０４と、時系列記憶部１１１と、特徴時系列記憶部１１２と、影響度記憶部１１３とを含む。影響度算出部１０３は、特徴時系列影響度算出部１０３１と、説明時系列影響度算出部１０３２とを含む。時系列記憶部１１１は、説明時系列記憶部１１１１と、目的時系列記憶部１１１２とを含む。影響度記憶部１１３は、特徴時系列影響度記憶部１１３１と、説明時系列影響度記憶部１１３２とを含む。

次に、本実施例における説明時系列からの特徴時系列生成方法および影響度算出方法の例を具体的に説明する。まず、説明時系列からの特徴時系列生成方法を、具体的に説明する。

図３は、特徴時系列変換部１０２における説明時系列からの特徴時系列生成方法の例を示す説明図である。図３には、対象である説明時系列と、説明時系列の一部である部分時系列と、部分時系列から抽出された特徴量を基に生成された特徴時系列が示されている。

特徴抽出部１０２１は、説明時系列記憶部１１１１に記憶されている説明時系列を読み出す。次いで、特徴抽出部１０２１は、読み出した説明時系列のうち、開始点からｗ個の時点数分だけデータを読み出し、部分時系列を得る。

特徴抽出部１０２１は、読み出された窓に対応する部分時系列から１種類以上の特徴量を抽出し、１種類以上の実数値の特徴量を得る。特徴抽出部１０２１が用いる特徴量には、平均、分散といった統計量、自己回帰係数、周波数分布、他の説明時系列との相関係数などがある。

特徴量を得た後、特徴抽出部１０２１は、窓を１時点分先（右）に移動させ、特徴抽出の処理を窓の右端が終点に到達するまで繰り返す。特徴抽出部１０２１による特徴抽出の処理によって、ｎ種類のＴ−ｗ個の実数値の特徴量が得られる。ここで、ｎは使用する特徴量の種類の数である。

特徴変換部１０２２は、特徴抽出部１０２１によって得られたＴ−ｗ個の実数値の特徴量を時間順に並べ、特徴時系列に変換する。特徴変換部１０２２による変換操作から明らかなように、特に、平均の特徴時系列に変換した場合、特徴時系列は、説明時系列に対して幅ｗで移動平均を施した時系列に一致する。

特徴時系列変換部１０２は、上記の特徴抽出部１０２１の操作と特徴変換部１０２２の操作を説明時系列記憶部１１１１に記憶されている全ての説明時系列に対して施し、ｍ×ｎ個の特徴時系列を得る。ここで、ｍは、特徴時系列の生成元になる説明時系列の数である。

生成された全ての特徴時系列は、生成元の説明時系列と抽出された特徴の種類が分かるようにラベル付けされる。例えば、図３に示す例の場合、「１」とラベル付けされた説明時系列に対して、「ａ」とラベル付けされた特徴量を抽出することによって得られる特徴時系列は、「ａ：：１」などのようにラベル付けされる。

次に、特徴時系列の目的時系列の値変化に対する影響度の算出方法を具体的に説明する。

目的時系列を出力とし、出力とする目的時系列に対応する特徴時系列を入力とすれば、公知の多変量解析手法を適用することによって、入出力関係から入力とする特徴時系列の出力とする目的時系列に対する影響度が算出される。

本実施例では、特徴時系列影響度算出部１０３１が、複数の多変量解析手法を用いることで、１個の特徴時系列に対して複数の影響度を算出する。特徴量は、例えば、「（特徴量の名称）：：（説明時系列の名称）」の形式でラベル付けされる。また例えば、影響度は、最大値が１、最小値が０になるように正規化される。

次いで、説明時系列影響度算出部１０３２は、特徴時系列影響度算出部１０３１が算出した特徴時系列の影響度に基づいて、説明時系列の目的時系列に対する影響度を計算する。

具体的には、説明時系列影響度算出部１０３２は、用いられた多変量解析の手法ごとに、また特徴量の抽出元である説明時系列ごとに、特徴時系列の影響度の和をとる。このとき、和をとる対象は全特徴量としてもよいし、影響度が上位のいくつかの特徴量のみとしてもよい。

次いで、要因出力部１０４は、複数の多変量解析手法によって算出された、説明時系列の目的時系列に対する影響度を統合する。具体的には、要因出力部１０４は、説明時系列ごとに、複数の多変量解析手法によって算出された影響度の和をとる。このとき、和の取り方は、単純和でもよいし、手法ごとに重みづけを行った上で和をとる方法でもよい。

以下、本実施例における要因分析装置１００の動作を説明する。図４は、要因分析装置１００の動作を示すフローチャートである。

要因分析装置１００の観測データ収集部１０１は、５１個の被分析装置２００から、５０種類の製造条件を表すセンサ観測値と、１種類の品質指標を表すセンサ観測値を含む、５１種類のセンサ観測値を収集する（ステップＳ５１）。

観測データ収集部１０１は、５０種類の製造条件を表すセンサ観測値をそれぞれ時刻順に並べることによって、５０個の説明時系列を生成する。生成した後、観測データ収集部１０１は、５０個の説明時系列を説明時系列記憶部１１１１に保存する。

また、観測データ収集部１０１は、品質指標を表すセンサ観測値を時刻順に並べることによって、１個の目的時系列を生成する。生成した後、観測データ収集部１０１は、１個の目的時系列を目的時系列記憶部１１１２に保存する（ステップＳ５２）。

図５は、時系列記憶部１１１に保存された説明時系列と目的時系列の例を示す説明図である。図５には、本実施例における、５０個の説明時系列のうちの「１」、「１３」、「３７」および「５０」とそれぞれラベル付けされた４個の説明時系列と、１個の目的時系列が示されている。

図５に示す、「１３」とラベル付けされている説明時系列と、「３７」とラベル付けされている説明時系列が、５０個の説明時系列の中で目的時系列に対する影響要因である説明時系列である。この２つの説明時系列が影響要因であることは、ステップＳ５２の処理が実行される時点では使用者にとって未知であるとする。

特徴時系列変換部１０２は、全ての説明時系列から特徴時系列を生成する（ステップＳ５３）。特徴時系列変換部１０２は、各説明時系列から、複数の特徴時系列を生成する。特徴時系列変換部１０２は、生成した特徴時系列を特徴時系列記憶部１１２に保存する。

図６は、特徴時系列変換部１０２による各説明時系列からの特徴時系列の生成例を示す説明図である。図６には、本実施例における「１」、「１３」、「３７」および「５０」とラベル付けされた４個の説明時系列からそれぞれ抽出された、特徴量ａおよび特徴量ｂに関する特徴時系列と、目的時系列が示されている。

図６に示す特徴時系列は、元になった説明時系列と抽出された特徴量の種類が分かるようにラベル付けされている。例えば、「１」とラベル付けされた説明時系列に対して、「ａ」とラベル付けされた特徴量を抽出することによって得られる特徴時系列は、「ａ：：１」とラベル付けされている。

特徴時系列影響度算出部１０３１は、目的時系列記憶部１１１２から目的時系列を、特徴時系列記憶部１１２から特徴時系列をそれぞれ読み出す（ステップＳ５４）。次いで、特徴時系列影響度算出部１０３１は、１以上の多変量解析手法を用いることによって、特徴時系列の目的時系列に対する影響度を算出する（ステップＳ５５）。特徴時系列影響度算出部１０３１は、算出した特徴時系列影響度を特徴時系列影響度記憶部１１３１に保存する。

図７は、複数の多変量解析手法を用いた特徴時系列影響度算出部１０３１による特徴時系列の目的時系列に対する影響度の算出例を示す説明図である。図７には、本実施例における、手法Ｉ、手法ＩＩおよび手法ＩＩＩの各多変量解析手法によって算出された影響度が示されている。図７には、算出された影響度が大きい順に特徴時系列が示されている。

図７に示す手法Ｉおよび手法ＩＩＩによる結果から、ａを特徴量として抽出した場合に目的時系列の値変化に対する影響度が大きいことが分かるので、特徴量ａは重要な特徴量であると判断される。

説明時系列影響度算出部１０３２は、特徴時系列影響度記憶部１１３１から特徴時系列の目的時系列に対する影響度を読み出す。次いで、説明時系列影響度算出部１０３２は、特徴量の抽出元である説明時系列の情報に基づいて、説明時系列の影響度を算出する（ステップＳ５６）。説明時系列影響度算出部１０３２は、算出した説明時系列影響度を説明時系列影響度記憶部１１３２に保存する。

図８は、説明時系列影響度算出部１０３２による説明時系列の目的時系列に対する影響度の算出例を示す説明図である。図８には、本実施例における、手法Ｉ、手法ＩＩおよび手法ＩＩＩの各多変量解析手法によって算出された影響度が示されている。図８には、算出された影響度が大きい順に説明時系列が示されている。

要因出力部１０４は、算出された説明時系列影響度を統合し、統合された影響度が上位の説明時系列を影響要因として出力する（ステップＳ５７）。また、要因出力部１０４は、特徴時系列影響度の算出結果から、重要な特徴量を出力する。以上により、本実施例における要因分析装置１００は、処理を終了する。

図９は、要因出力部１０４による説明時系列の目的時系列に対する影響度の算出例を示す説明図である。図９に示す算出結果が、本実施例における要因分析装置１００によって計算された、最終的に得られる結果である。

図９には、手法Ｉ、手法ＩＩおよび手法ＩＩＩの各手法によって算出された影響度が統合された影響度が示されている。図９には、統合された影響度が大きい順に説明時系列が示されている。

図９に示す影響度の算出結果から、最も影響度が大きい説明時系列が「１３」とラベル付けされた説明時系列、２番目に影響度が大きい説明時系列が「３７」とラベル付けされた説明時系列であることが分かる。上記で述べた、「１３」とラベル付けされている説明時系列と、「３７」とラベル付けされている説明時系列が影響要因であるという前提を踏まえると、図９に示す影響度の算出結果に、目的時系列に強く関与する説明時系列が正しく出力されていることが分かる。

さらに、上記で述べたように、図７は、特徴量ａが重要な特徴量であることを示す。また、図６に示す特徴時系列を参照すると、目的時系列が変化している時点で特徴量ａも大きく変化していることが分かる。具体的には、図６に示す抽出された特徴量ａについての時系列である特徴時系列「ａ：：１３」および特徴時系列「ａ：：３７」において、値が目的時系列の変化に連動して大きく動いている。

よって、図６と図７に示す内容から、特徴量ａは目的時系列の値変化を検知しやすい重要な特徴量であると判断されるため、前処理として説明時系列から特徴量ａを抽出すればよいことが分かる。

以上の結果から、本実施例における要因分析装置１００は、前処理を施さなければ分析ができないような説明時系列のデータセットと、説明時系列に対応する目的時系列から、適切な前処理とともに目的時系列の値変化に関与する説明時系列を特定できた。

本実施形態の要因分析装置は、対象のシステムの状態を１以上のセンサで観測して得られるシステムの１以上の説明時系列と説明時系列によって説明される目的時系列に基づいて、システムの目的時系列の変化要因に関与する説明時系列を特定する要因分析装置であって、適切な前処理を施すことが求められる説明時系列データと、説明時系列データによって説明される説明時系列から、目的時系列の値変化に強く関与する要因である説明時系列を特定するだけでなく、特定する際の分析に適した前処理の情報を提供できる。その理由は、可能な限り多くの種類の特徴量を説明時系列から抽出することによって多くの前処理の候補を用意し、複数の多変量解析手法による影響度の算出によって、目的変数の値変化の要因である説明時系列に対応付けられた特徴量を得ることができ、要因である説明時系列を複数の観点から特定できるからである。

本実施形態の要因分析装置を用いた場合、前処理を施さなければ分析ができないような説明時系列のデータセットと、説明時系列に対応する目的時系列から、目的時系列の値変化に関与する説明時系列とともに、適切な前処理を特定できる。その理由は、分析過程で得られる大きい影響度が算出された特徴量は、要因分析において説明時系列から抽出すべき重要な特徴量であるため、説明時系列からこの特徴量を抽出することが説明時系列に施すべき前処理になるからである。

次に、本発明の主要部を説明する。図１０は、本発明による要因分析装置の主要部を示すブロック図である。図１０に示すように、本発明による要因分析装置１００は、主要な構成として、説明時系列から特徴量を抽出する特徴抽出部１０２１と、特徴量を特徴時系列に変換する特徴変換部１０２２と、特徴時系列と目的時系列から、特徴時系列の目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出部１０３１と、影響度に基づいて、説明時系列の目的時系列の値変化に対する影響度を算出する説明時系列影響度算出部１０３２とを備える。

そのような構成により、要因分析装置は、分析対象の説明時系列に施す適切な前処理を明らかにし、目的時系列の値変化に関与する説明時系列を特定できる。

また、特徴抽出部１０２１は、説明時系列の一部である、所定の時間幅を持つ窓の範囲内にある部分時系列に対して特徴量を抽出し、特徴変換部１０２２は、特徴抽出部１０２１が窓を説明時系列の開始時刻から終了時刻に向けて所定の時点数ずつずらして各位置における特徴量を抽出し、窓が終了時刻に到達した時に、得られた特徴量を特徴時系列に変換してもよい。

そのような構成により、要因分析装置は、窓によって切り出される部分時系列から特徴量を抽出し、抽出した特徴量を時系列に変換できる。

また、要因分析装置１００は、目的時系列の値変化に対する影響度が大きい特徴時系列に対応する特徴量と、目的時系列の値変化に対する影響度が大きい説明時系列を出力する要因出力部（例えば、要因出力部１０４）を備えていてもよい。

そのような構成により、要因分析装置は、使用者に対して、分析対象の説明時系列から抽出すべき特徴量と、目的時系列の値変化に関与する説明時系列の情報を提供できる。

また、特徴抽出部１０２１は、１以上の説明時系列に対して、１種類以上の特徴量を抽出し、特徴変換部１０２２は、特徴量を、特徴量の種類に対応する複数の特徴時系列に変換してもよい。

そのような構成により、要因分析装置は、可能な限り多くの種類の特徴量を説明時系列から抽出することによって、多くの前処理の候補を用意できる。

また、特徴時系列影響度算出部１０３１は、１以上の多変量解析手法を用いて、特徴時系列の目的時系列の値変化に対する影響度を算出してもよい。

そのような構成により、要因分析装置は、目的変数の値変化の要因である説明時系列に対応付けられた特徴量を得ることができ、要因である説明時系列を複数の観点から特定できる。

また、特徴時系列影響度算出部１０３１は、多変量解析手法の１つとしてＬ１正則化ロジスティック回帰を用いてもよい。

また、特徴時系列影響度算出部１０３１は、多変量解析手法の１つとしてランダム森分類器を用いてもよい。

また、要因分析装置１００は、特徴量として平均、標準偏差、歪度、尖度、分位数のいずれかを用いてもよい。

また、要因分析装置１００は、特徴量として自己回帰モデル係数を用いてもよい。

また、要因分析装置１００は、特徴量として説明時系列との相関係数を用いてもよい。

また、要因分析装置１００は、特徴量として説明時系列との周波数分布を用いてもよい。

以上、実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１４年３月１４日に出願された日本特許出願２０１４−０５１０９６を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１００ 要因分析装置
１０１ 観測データ収集部
１０２ 特徴時系列変換部
１０２１ 特徴抽出部
１０２２ 特徴変換部
１０３ 影響度算出部
１０３１ 特徴時系列影響度算出部
１０３２ 説明時系列影響度算出部
１０４ 要因出力部
１１１ 時系列記憶部
１１１１ 説明時系列記憶部
１１１２ 目的時系列記憶部
１１２ 特徴時系列記憶部
１１３ 影響度記憶部
１１３１ 特徴時系列影響度記憶部
１１３２ 説明時系列影響度記憶部
２００ 被分析装置

Claims (9)

1. 説明時系列から特徴量を抽出する特徴抽出部と、
   前記特徴量を特徴時系列に変換する特徴変換部と、
   前記特徴時系列と目的時系列から、前記特徴時系列の前記目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出部と、
   前記影響度に基づいて、前記説明時系列の前記目的時系列の値変化に対する影響度を算出する説明時系列影響度算出部とを備える
   ことを特徴とする要因分析装置。
2. 特徴抽出部は、説明時系列の一部である、所定の時間幅を持つ窓の領域内にある部分時系列に対して特徴量を抽出し、
   特徴変換部は、前記特徴抽出部が前記窓を前記説明時系列の開始時刻から終了時刻に向けて所定の時点数ずつずらして各位置における前記特徴量を抽出し、前記窓が前記終了時刻に到達した時に、得られた前記特徴量を特徴時系列に変換する
   請求項１に記載の要因分析装置。
3. 目的時系列の値変化に対する影響度が大きい特徴時系列に対応する特徴量と、前記目的時系列の値変化に対する影響度が大きい説明時系列を出力する要因出力部を備える
   請求項１または請求項２に記載の要因分析装置。
4. 特徴抽出部は、１以上の説明時系列に対して、１種類以上の特徴量を抽出し、
   特徴変換部は、前記特徴量を、前記特徴量の種類に対応する複数の特徴時系列に変換する
   請求項１から請求項３のうちのいずれか１項に記載の要因分析装置。
5. 特徴時系列影響度算出部は、１以上の多変量解析手法を用いて、特徴時系列の目的時系列の値変化に対する影響度を算出する
   請求項１から請求項４のうちのいずれか１項に記載の要因分析装置。
6. 特徴時系列影響度算出部は、多変量解析手法の１つとしてＬ１正則化ロジスティック回帰を用いる
   請求項５に記載の要因分析装置。
7. 特徴時系列影響度算出部は、多変量解析手法の１つとしてランダム森分類器を用いる
   請求項５または請求項６に記載の要因分析装置。
8. 説明時系列から特徴量を抽出し、
   前記特徴量を特徴時系列に変換し、
   前記特徴時系列と目的時系列から、前記特徴時系列の前記目的時系列の値変化に対する影響度を算出し、
   前記影響度に基づいて、前記説明時系列の前記目的時系列の値変化に対する影響度を算出する
   ことを特徴とする要因分析方法。
9. コンピュータに、
   説明時系列から特徴量を抽出する特徴抽出処理、
   前記特徴量を特徴時系列に変換する特徴変換処理、
   前記特徴時系列と目的時系列から、前記特徴時系列の前記目的時系列の値変化に対する影響度を算出する特徴時系列影響度算出処理、および
   前記影響度に基づいて、前記説明時系列の前記目的時系列の値変化に対する影響度を算出する説明時系列影響度算出処理
   を実施させるための要因分析プログラム。

Images