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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims description 50
- 238000000556 factor analysis Methods 0.000 title claims description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 131
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 36
- 238000012854 evaluation process Methods 0.000 claims description 11
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 38
- 238000004519 manufacturing process Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 21
- 238000012986 modification Methods 0.000 description 17
- 230000004048 modification Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000010219 correlation analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
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。
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。
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。
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.
***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。
***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、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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
<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。
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。
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。
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。
<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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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 |
-
2021
- 2021-12-14 WO PCT/JP2021/046116 patent/WO2023112167A1/ja unknown
Patent Citations (5)
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 | |
TWI503763B (zh) | 半導體處理控制方法和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 | |
EP3795975B1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
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 | |
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 | |
Yashchin | Statistical monitoring of multi-stage processes | |
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 | |
Chang et al. | Monitoring the software development process using a short-run control chart | |
US11157348B1 (en) | Cognitive control of runtime resource monitoring scope | |
CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
CN115168159A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
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 | |
US9054995B2 (en) | Method of detecting measurements in service level agreement based systems | |
CN116431268B (zh) | 基于大数据处理的数据可视化分析方法、***及存储介质 | |
JP7287093B2 (ja) | 学習プログラム、学習方法および学習装置 | |
CN115576850B (zh) | 数据指标测试方法、装置、电子设备及存储介质 | |
WO2023002614A1 (ja) | 定常範囲決定システム、定常範囲決定方法、および、定常範囲決定プログラム | |
Charles et al. | Oil price shocks, real economic activity and uncertainty | |
WO2009081696A1 (ja) | データ解析装置、データ解析方法、およびプログラム |
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 |