[发明专利]信息处理装置、预测判别系统以及预测判别方法

说明书

本发明涉及信息处理装置、预测判别系统以及预测判别方法。能进行应用性高的因果模型的推定。具备：因果模型推定部，将包含从判别对象得到的说明变量以及目的变量的测量数据作为输入，来推定表示说明变量与目的变量之间的关系性的一个或多个因果模型；评价部，使用表示针对目的变量的预测或判别的性能的指标来评价一个或多个因果模型，并输出该评价的结果满足给定的条件的因果模型；和编辑部，将评价部输出的因果模型、和评价的结果输出到显示部。

技术领域

本发明涉及因果模型的构建及其应用技术。

背景技术

在制造现场，为了提升生产效率，需要预测制造装置的故障来事先进行维护，或者需要在早期判别不良品的产生原因并制订对策。

这样的用于预测、判别的模型能使用回归分析、判别分析等统计上的方法、神经网络等机器学习的方法来构建。在这些方法中，作为输入变量，接受制造装置、生产线的设定参数、感测数据等，输出目的变量即判别结果、预测结果，但为了将其判断依据明确化而考虑如下手段：构建表征输入变量/目的变量间的关系性的因果模型，并对其有效利用来进行预测、判别。

在因果模型的自动推定中，一般已知SGS(Spirts，Glymour and Scheines)算法、通径分析等方法，能自动推定因果模型，使得对数据的适合度成为最大。但是，在数据数少的情况等情况下，有时会推定出错误的因果模型。因此，在运用在制造现场时，需要预先根据熟悉制造现场或其构成要素的人(以后称作领域知识保有者)的判断来对模型进行修正。专利文献1等中还示出了这样的模型的自动推定和对其结果进行编辑的机构。

现有技术文献

专利文献

专利文献1：JP特开2008-217711号公报

但是，在因果模型的推定中，在不是重视图表结构的推定本身，而是重视预测、判别这样的应用时，将对图表整体的数据的适合度作为指标来选择因果模型并非最佳。这是因为，对模型整体的数据的适合度不一定针对特定的目的变量而与预测、判别的性能(以下称作应用性指标)对应。为了提高应用性，例如，在模型中，相比与目的变量不存在相关的变量集合所涉及的部分图表，需要更重视与目的变量存在相关的变量集合的部分图表。

发明内容

因此，在本发明中，目的在于，提供能进行应用性高的因果模型的推定的技术。

本发明的一个方案所涉及的信息处理装置的特征在于，具备：因果模型推定部，将包含从判别对象得到的说明变量以及目的变量的测量数据作为输入，来推定表示所述说明变量与所述目的变量之间的关系性的一个或多个因果模型；评价部，使用表示针对所述目的变量的预测或判别的性能的指标来评价所述一个或多个因果模型，并输出该评价的结果满足给定的条件的因果模型；和编辑部，将所述评价部输出的因果模型、和所述评价的结果输出到显示部。

发明效果

根据本发明的一个方案，能推定应用性高的因果模型。

附图说明

图1是实施例1中的预测判别装置的概略结构图。

图2是实施例1中的预测判别装置的处理流程。

图3是实施例1中的数据形式。

图4是实施例1中的因果模型的假设的组。

图5是实施例1中的模型评价部102的概略结构图。

图6是实施例1中的推定参数的示例。

图7是实施例1中的用户显示编辑部103的示例。

图8是实施例2中的概略结构图。

图9是实施例2中的概略结构图。

图10是实施例3中的数据形式。