特開2022-124145機械学習装置、状態診断装置、推論装置、機械学習方法、機械学習プログラム、状態診断方法、状態診断プログラム、推論方法、及び、推論プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022124145
(43)【公開日】2022-08-25
(54)【発明の名称】機械学習装置、状態診断装置、推論装置、機械学習方法、機械学習プログラム、状態診断方法、状態診断プログラム、推論方法、及び、推論プログラム
(51)【国際特許分類】
F04B 51/00 20060101AFI20220818BHJP
F04B 49/10 20060101ALI20220818BHJP
【ＦＩ】
F04B51/00
F04B49/10 311
【審査請求】未請求
【請求項の数】16
【出願形態】ＯＬ
(21)【出願番号】P 2021021741
(22)【出願日】2021-02-15
(71)【出願人】
【識別番号】000000239
【氏名又は名称】株式会社荏原製作所
(74)【代理人】
【識別番号】100214248
【弁理士】
【氏名又は名称】青山 純
(74)【代理人】
【識別番号】100214260
【弁理士】
【氏名又は名称】相羽 昌孝
(72)【発明者】
【氏名】原田 陽介
(72)【発明者】
【氏名】山田 泰雅
(72)【発明者】
【氏名】杉山 和彦
(72)【発明者】
【氏名】関口 孝志
【テーマコード（参考）】
3H145
【Ｆターム（参考）】
3H145AA12
3H145AA23
3H145AA42
3H145BA31
3H145BA41
3H145CA04
3H145CA06
3H145DA49
3H145EA13
3H145EA14
3H145EA37
3H145EA38
3H145EA42
3H145EA49
3H145FA02
3H145FA18
3H145FA19
3H145FA26
3H145FA27
(57)【要約】 （修正有）
【課題】作業者の経験に依存することなく、流体供給装置の状態を高精度に診断することを可能とする機械学習装置を提供する。
【解決手段】機械学習装置４は、流体を移送するポンプ及びポンプの吐出側に設けられた圧力タンクを備える流体供給装置１の状態を診断するための学習モデルを生成する機械学習装置であって、所定期間におけるポンプの運転状況のデータ、及び、所定期間における圧力タンクから流体が供給される流体供給先にて使用された流体の使用流量のデータを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部４０１と、学習モデルに学習用データを複数組入力することで、入力データと出力データとの相関関係を学習モデルに学習させる機械学習部４０２と、機械学習部４０２により学習させた学習モデルを記憶する学習済みモデル記憶部４０３と、を備える。
【選択図】図３
【解決手段】機械学習装置４は、流体を移送するポンプ及びポンプの吐出側に設けられた圧力タンクを備える流体供給装置１の状態を診断するための学習モデルを生成する機械学習装置であって、所定期間におけるポンプの運転状況のデータ、及び、所定期間における圧力タンクから流体が供給される流体供給先にて使用された流体の使用流量のデータを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部４０１と、学習モデルに学習用データを複数組入力することで、入力データと出力データとの相関関係を学習モデルに学習させる機械学習部４０２と、機械学習部４０２により学習させた学習モデルを記憶する学習済みモデル記憶部４０３と、を備える。
【選択図】図３
【特許請求の範囲】
【請求項1】
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置の状態を診断するための学習モデルを生成する機械学習装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部
と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える、
機械学習装置。
給装置の状態を診断するための学習モデルを生成する機械学習装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部
と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える、
機械学習装置。
【請求項2】
前記学習用データは、
前記流体供給装置の状態が複数の状態のうちのいずれかであることを表す前記診断情
報を出力データとしてさらに含み、前記入力データ及び前記出力データが対応付けられた
ものであり、
前記機械学習部は、
前記入力データと前記出力データとの相関関係を教師あり学習により前記学習モデル
に学習させる、
請求項１に記載の機械学習装置。
前記流体供給装置の状態が複数の状態のうちのいずれかであることを表す前記診断情
報を出力データとしてさらに含み、前記入力データ及び前記出力データが対応付けられた
ものであり、
前記機械学習部は、
前記入力データと前記出力データとの相関関係を教師あり学習により前記学習モデル
に学習させる、
請求項１に記載の機械学習装置。
【請求項3】
前記学習用データは、
前記診断情報が前記流体供給装置の状態が所定の状態であることを表すときの前記入
力データのみを含み、
前記機械学習部は、
前記入力データと前記流体供給装置の状態が前記所定の状態であることを表す前記診
断情報との相関関係を教師なし学習により前記学習モデルに学習させる、
請求項１に記載の機械学習装置。
前記診断情報が前記流体供給装置の状態が所定の状態であることを表すときの前記入
力データのみを含み、
前記機械学習部は、
前記入力データと前記流体供給装置の状態が前記所定の状態であることを表す前記診
断情報との相関関係を教師なし学習により前記学習モデルに学習させる、
請求項１に記載の機械学習装置。
【請求項4】
前記入力データに含まれる前記ポンプの運転状況のデータは、
前記ポンプの運転中又は停止中のいずれかを示す運転状態の時系列データ、
前記ポンプの回転数の時系列データ、又は、
前記ポンプの駆動源であるモータに供給されるモータ電流値の時系列データである、
請求項１乃至請求項３のいずれか一項に記載の機械学習装置。
前記ポンプの運転中又は停止中のいずれかを示す運転状態の時系列データ、
前記ポンプの回転数の時系列データ、又は、
前記ポンプの駆動源であるモータに供給されるモータ電流値の時系列データである、
請求項１乃至請求項３のいずれか一項に記載の機械学習装置。
【請求項5】
前記入力データに含まれる前記使用流量のデータは、
複数の前記流体供給先に設けられた前記使用流量の計測メータの計測結果を合計した
合計使用流量の時系列データ、
複数の前記流体供給先に設けられた入退室記録の時系列データ、
複数の前記流体供給先に設けられた蛇口使用量の時系列データ、
複数の前記流体供給先に設けられた電気使用量の時系列データ、又は、
複数の前記流体供給先に設けられたガス使用量の時系列データ、
である
請求項１乃至請求項４のいずれか一項に記載の機械学習装置。
複数の前記流体供給先に設けられた前記使用流量の計測メータの計測結果を合計した
合計使用流量の時系列データ、
複数の前記流体供給先に設けられた入退室記録の時系列データ、
複数の前記流体供給先に設けられた蛇口使用量の時系列データ、
複数の前記流体供給先に設けられた電気使用量の時系列データ、又は、
複数の前記流体供給先に設けられたガス使用量の時系列データ、
である
請求項１乃至請求項４のいずれか一項に記載の機械学習装置。
【請求項6】
前記診断情報は、
前記流体供給装置の状態が正常であること、及び、前記流体供給装置の状態が予め設
定された余寿命の期間以内の異常であることのいずれかを表す、
請求項１乃至請求項５のいずれか一項に記載の機械学習装置。
前記流体供給装置の状態が正常であること、及び、前記流体供給装置の状態が予め設
定された余寿命の期間以内の異常であることのいずれかを表す、
請求項１乃至請求項５のいずれか一項に記載の機械学習装置。
【請求項7】
前記診断情報は、
前記流体供給装置の状態が正常な状態であること、及び、前記流体供給装置の状態が
予め設定された複数の余寿命の期間以内のうちのいずれかに該当するという異常であるこ
とのいずれかを表す、
請求項１乃至請求項６のいずれか一項に記載の機械学習装置。
前記流体供給装置の状態が正常な状態であること、及び、前記流体供給装置の状態が
予め設定された複数の余寿命の期間以内のうちのいずれかに該当するという異常であるこ
とのいずれかを表す、
請求項１乃至請求項６のいずれか一項に記載の機械学習装置。
【請求項8】
前記診断情報は、前記流体供給装置の状態として、
前記圧力タンクの状態に関する前記診断情報、
前記ポンプの吐出側に設けられた圧力センサの状態に関する前記診断情報、
前記ポンプの吐出側に設けられた流量センサの状態に関する前記診断情報、又は、
前記ポンプの吐出側に設けられた逆止弁の状態に関する前記診断情報である、
請求項１乃至請求項７のいずれか一項に記載の機械学習装置。
前記圧力タンクの状態に関する前記診断情報、
前記ポンプの吐出側に設けられた圧力センサの状態に関する前記診断情報、
前記ポンプの吐出側に設けられた流量センサの状態に関する前記診断情報、又は、
前記ポンプの吐出側に設けられた逆止弁の状態に関する前記診断情報である、
請求項１乃至請求項７のいずれか一項に記載の機械学習装置。
【請求項9】
請求項１乃至請求項８のいずれか一項に記載の機械学習装置により生成された学習モデ
ルを用いて、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
える流体供給装置の状態を診断する状態診断装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得部と、
前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前
記流体供給装置の診断情報を推論する推論部と、を備える、
状態診断装置。
ルを用いて、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
える流体供給装置の状態を診断する状態診断装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得部と、
前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前
記流体供給装置の診断情報を推論する推論部と、を備える、
状態診断装置。
【請求項10】
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置の状態を診断するために用いられる推論装置であって、
前記推論装置は、メモリと、プロセッサとを備え、
前記プロセッサは、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得処理と、
前記入力データ取得処理にて前記入力データを取得すると、前記流体供給装置の診断
情報を推論する推論処理と、を実行する、
推論装置。
給装置の状態を診断するために用いられる推論装置であって、
前記推論装置は、メモリと、プロセッサとを備え、
前記プロセッサは、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得処理と、
前記入力データ取得処理にて前記入力データを取得すると、前記流体供給装置の診断
情報を推論する推論処理と、を実行する、
推論装置。
【請求項11】
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置を診断するための学習モデルを生成する機械学習方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを学習用データ記憶部に複数組記憶す
る学習用データ記憶工程と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習部により学習させた前記学習モデルを学習済みモデル記憶部に記憶する学
習済みモデル記憶工程と、を備える、
機械学習方法。
給装置を診断するための学習モデルを生成する機械学習方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを学習用データ記憶部に複数組記憶す
る学習用データ記憶工程と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習部により学習させた前記学習モデルを学習済みモデル記憶部に記憶する学
習済みモデル記憶工程と、を備える、
機械学習方法。
【請求項12】
請求項１乃至請求項８のいずれか一項に記載の機械学習装置により生成された学習モデ
ルを用いて、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
える流体供給装置の状態を診断する状態診断方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程により取得された前記入力データを前記学習モデルに入力し、
前記流体供給装置の診断情報を推論する推論工程と、を備える、
状態診断方法。
ルを用いて、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
える流体供給装置の状態を診断する状態診断方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程により取得された前記入力データを前記学習モデルに入力し、
前記流体供給装置の診断情報を推論する推論工程と、を備える、
状態診断方法。
【請求項13】
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置の状態を診断するために用いられる推論方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程にて前記入力データを取得すると、前記流体供給装置の診断
情報を推論する推論工程と、を実行する
推論方法。
給装置の状態を診断するために用いられる推論方法であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを含む入力データを取得する入力データ取得工程と、
前記入力データ取得工程にて前記入力データを取得すると、前記流体供給装置の診断
情報を推論する推論工程と、を実行する
推論方法。
【請求項14】
コンピュータに、請求項１１に記載の機械学習方法が備える各工程を実行させるための
、
機械学習プログラム。
、
機械学習プログラム。
【請求項15】
コンピュータに、請求項１２に記載の状態診断方法が備える各工程を実行させるための
、
状態診断方法。
、
状態診断方法。
【請求項16】
コンピュータに、請求項１３に記載の推論方法が備える各工程を実行させるための、
推論プログラム。
推論プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、機械学習装置、状態診断装置、推論装置、機械学習方法、機械学習プログラ
ム、状態診断方法、状態診断プログラム、推論方法、及び、推論プログラムに関する。
ム、状態診断方法、状態診断プログラム、推論方法、及び、推論プログラムに関する。
【背景技術】
【0002】
オフィスビルまたはマンションなどの給水対象に水（水道水）を供給するための装置と
して給水装置が広く使用されている。給水装置は、一般に、水を圧送するためのポンプと
、ポンプを駆動するためのモータと、ポンプの運転を制御する制御部と、ポンプの下流に
接続される圧力タンクと、を備えている。
して給水装置が広く使用されている。給水装置は、一般に、水を圧送するためのポンプと
、ポンプを駆動するためのモータと、ポンプの運転を制御する制御部と、ポンプの下流に
接続される圧力タンクと、を備えている。
【0003】
給水装置は、モータにより駆動されるポンプが水を圧送することにより、供給先に水を
供給する。ポンプとポンプの下流に設けられる圧力タンクとの間には逆止弁が配置されて
おり、この逆止弁と圧力タンクとにより、ポンプが停止した後においても給水配管内の水
圧が適切に維持され、供給先に水が送られる。
供給する。ポンプとポンプの下流に設けられる圧力タンクとの間には逆止弁が配置されて
おり、この逆止弁と圧力タンクとにより、ポンプが停止した後においても給水配管内の水
圧が適切に維持され、供給先に水が送られる。
【0004】
このような給水装置は、長年のポンプの作動又は供給先への給水につれて、作動を繰り
返す。作動の繰り返しは、給水装置を徐々に劣化させる。しかしながら、給水装置の劣化
は、使用状況により異なるので、交換を最適なタイミングで行うことが困難であった。そ
こで、給水装置の劣化状態を的確に診断し、適切な交換時期を把握することができる装置
が提案されている（例えば特許文献１及び２参照）。
返す。作動の繰り返しは、給水装置を徐々に劣化させる。しかしながら、給水装置の劣化
は、使用状況により異なるので、交換を最適なタイミングで行うことが困難であった。そ
こで、給水装置の劣化状態を的確に診断し、適切な交換時期を把握することができる装置
が提案されている（例えば特許文献１及び２参照）。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特許３５９６９０９号公報
【特許文献2】特開平８－８６２７８号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
特許文献１及び特許文献２にそれぞれ開示された装置では、個々の物理量（圧力、モー
タ電流、又は、給水時間等）に基づいて、給水装置の圧力タンクの状態を診断するもので
ある。そのため、給水装置の圧力タンクの状態の変化が、上記以外の物理量に表出したり
、複数の物理量に複合的に表出したりするような場合には、特許文献１及び特許文献２に
それぞれ開示された装置では対応できなかった。また、複数の物理量に基づくような複合
的な事象に伴う診断では、作業者の経験（暗黙知を含む）に依存した部分や作業者の個人
差が大きく、このような診断を自動化する装置の実現が強く要望されている。
タ電流、又は、給水時間等）に基づいて、給水装置の圧力タンクの状態を診断するもので
ある。そのため、給水装置の圧力タンクの状態の変化が、上記以外の物理量に表出したり
、複数の物理量に複合的に表出したりするような場合には、特許文献１及び特許文献２に
それぞれ開示された装置では対応できなかった。また、複数の物理量に基づくような複合
的な事象に伴う診断では、作業者の経験（暗黙知を含む）に依存した部分や作業者の個人
差が大きく、このような診断を自動化する装置の実現が強く要望されている。
【0007】
本発明は、上述した課題に鑑み、高価なセンサを設置せず、作業者の経験に依存するこ
ともなく、流体供給装置の状態を高精度に診断することを可能とする機械学習装置、状態
診断装置、推論装置、機械学習方法、機械学習プログラム、状態診断方法、状態診断プロ
グラム、推論方法、及び、推論プログラムを提供することを目的とする。
ともなく、流体供給装置の状態を高精度に診断することを可能とする機械学習装置、状態
診断装置、推論装置、機械学習方法、機械学習プログラム、状態診断方法、状態診断プロ
グラム、推論方法、及び、推論プログラムを提供することを目的とする。
【課題を解決するための手段】
【0008】
上記目的を達成するために、本発明の態様に係る機械学習装置は、
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置の状態を診断するための学習モデルを生成する機械学習装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部
と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える。
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置の状態を診断するための学習モデルを生成する機械学習装置であって、
所定期間における前記ポンプの運転状況のデータ、及び、前記所定期間において前記圧
力タンクから前記流体が供給される流体供給先にて使用された前記流体の使用流量のデー
タを入力データとして少なくとも含む学習用データを複数組記憶する学習用データ記憶部
と、
前記学習モデルに前記学習用データを複数組入力することで、前記入力データと前記流
体供給装置の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、
を備える。
【発明の効果】
【0009】
本発明の機械学習装置によれば、流体供給装置の診断情報を高精度に推論（診断）する
ことが可能な学習モデルを提供することができる。また、本発明の状態診断装置によれば
、作業者の経験に依存することなく、流体供給装置の状態を高精度に診断することができ
る。
ことが可能な学習モデルを提供することができる。また、本発明の状態診断装置によれば
、作業者の経験に依存することなく、流体供給装置の状態を高精度に診断することができ
る。
【0010】
上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにさ
れる。
れる。
【図面の簡単な説明】
【0011】
【図1】第１の実施形態に係る状態診断システム２が適用された流体供給装置１の一例を示す図である。
【図2】機械学習装置４及び状態診断装置５を構成するコンピュータ２００の一例を示すハードウエア構成図である。
【図3】第１の実施形態に係る機械学習装置４の一例を示すブロック図である。
【図4】第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の一例を示すデータ構成図である。
【図5】第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモデルの一例を示す模式図である。
【図6】第１の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。
【図7】第１の実施形態に係る状態診断装置５の一例を示すブロック図である。
【図8】第１の実施形態に係る状態診断装置５による状態診断方法の一例を示すフローチャートである。
【図9】第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の一例を示すデータ構成図である。
【図10】第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデルの一例を示す模式図である。
【図11】第２の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。
【図12】第２の実施形態に係る状態診断装置５による状態診断方法の一例を示すフローチャートである。
【発明を実施するための形態】
【0012】
以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、
本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説
明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術による
ものとする。
本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説
明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術による
ものとする。
【0013】
図１は、第１の実施形態に係る状態診断システム２が適用された流体供給装置１を示す
。この流体供給装置１は主にマンション、オフィス、商業施設、工場、学校等の建物、住
宅、公園等の施設（給水対象）に、水を供給するための装置である。流体供給装置１は、
流体供給源４１から導入管４２を介して吸込口から水を導入する。なお、流体供給源４１
は、受水槽を用いた受水槽方式でもよい。流体供給装置１の吐出口には給水管４３が接続
されている。給水管４３は、各建物の蛇口等の流体供給先４４に接続している。流体供給
装置１は、流体供給源４１からの水を増圧し、建物等の各流体供給先４４に水を供給する
。
。この流体供給装置１は主にマンション、オフィス、商業施設、工場、学校等の建物、住
宅、公園等の施設（給水対象）に、水を供給するための装置である。流体供給装置１は、
流体供給源４１から導入管４２を介して吸込口から水を導入する。なお、流体供給源４１
は、受水槽を用いた受水槽方式でもよい。流体供給装置１の吐出口には給水管４３が接続
されている。給水管４３は、各建物の蛇口等の流体供給先４４に接続している。流体供給
装置１は、流体供給源４１からの水を増圧し、建物等の各流体供給先４４に水を供給する
。
【0014】
なお、本実施形態の流体供給装置１は、水を供給する給水装置を例として示すが、流体
供給装置１は、燃料及び薬品等の水以外の液体、並びに、ガス、水素及び酸素等の気体を
含む流体を供給するものでよい。
供給装置１は、燃料及び薬品等の水以外の液体、並びに、ガス、水素及び酸素等の気体を
含む流体を供給するものでよい。
【0015】
流体供給装置１は、ポンプ１２と、このポンプ１２を駆動する駆動部としてのモータ１
３（電動機）と、モータ１３を制御するためのインバータ１４と、を備えている。インバ
ータ１４は、漏電遮断器５２を介して商用電源５１に接続されている。
３（電動機）と、モータ１３を制御するためのインバータ１４と、を備えている。インバ
ータ１４は、漏電遮断器５２を介して商用電源５１に接続されている。
【0016】
流体供給装置１は、ポンプ１２の吐出側（下流側）に、逆止弁１５と、フロースイッチ
１６と、圧力タンク１７と、を有する。図１に示す流体供給装置１は、１組のポンプ１２
、モータ１３、逆止弁１５、及びフロースイッチ１６を有する。なお、流体供給装置１は
、２組以上のポンプ１２、モータ１３、逆止弁１５、及びフロースイッチ１６を有しても
よい。流体供給装置１は、複数台のポンプ１２を備えることにより、一部のポンプ１２が
運転不可となった場合に、運転可能な他のポンプ１２にて給水を継続し、断水を避けるこ
とができる。
１６と、圧力タンク１７と、を有する。図１に示す流体供給装置１は、１組のポンプ１２
、モータ１３、逆止弁１５、及びフロースイッチ１６を有する。なお、流体供給装置１は
、２組以上のポンプ１２、モータ１３、逆止弁１５、及びフロースイッチ１６を有しても
よい。流体供給装置１は、複数台のポンプ１２を備えることにより、一部のポンプ１２が
運転不可となった場合に、運転可能な他のポンプ１２にて給水を継続し、断水を避けるこ
とができる。
【0017】
また、流体供給装置１は、ポンプ１２の上流側に、逆流防止装置１１を有する。逆流防
止装置１１は、流体供給装置１の吸込口に接続された導入管４２に設けられており、流体
供給装置１から流体供給源４１への水の逆流を防止する。なお、流体供給源４１が受水槽
の場合などには、流体供給装置１は、逆流防止装置１１を備えなくてもよい。
止装置１１は、流体供給装置１の吸込口に接続された導入管４２に設けられており、流体
供給装置１から流体供給源４１への水の逆流を防止する。なお、流体供給源４１が受水槽
の場合などには、流体供給装置１は、逆流防止装置１１を備えなくてもよい。
【0018】
流体供給装置１は、ポンプ１２の吐出口に接続された吐出管に逆止弁１５を有する。逆
止弁１５は、ポンプ１２が停止した時、ポンプ１２側への水の逆流を防止する。また、流
体供給装置１は、逆止弁１５の下流側（二次側）に、フロースイッチ１６を有する。フロ
ースイッチ１６は、吐出管を流れる水の流量が所定の値にまで低下したことを検出する流
量検出器である。さらに、流体供給装置１は、フロースイッチ１６の下流側に、圧力タン
ク１７を有する。圧力タンク１７は、ポンプ１２が停止している間、流体供給装置１の吐
出側の圧力を保持するための圧力保持器である。
止弁１５は、ポンプ１２が停止した時、ポンプ１２側への水の逆流を防止する。また、流
体供給装置１は、逆止弁１５の下流側（二次側）に、フロースイッチ１６を有する。フロ
ースイッチ１６は、吐出管を流れる水の流量が所定の値にまで低下したことを検出する流
量検出器である。さらに、流体供給装置１は、フロースイッチ１６の下流側に、圧力タン
ク１７を有する。圧力タンク１７は、ポンプ１２が停止している間、流体供給装置１の吐
出側の圧力を保持するための圧力保持器である。
【0019】
本実施形態に係る圧力タンク１７は、容器内部を空気室と水室とに分ける隔膜１７ａを
有する。空気室の内部には予め空気が封入されており、ポンプ１２から水室に流入した水
は隔膜１７ａを介して空気を圧縮する。圧力タンク１７とポンプ１２との間には逆止弁１
５が配置されており、この逆止弁１５と圧力タンク１７とにより、ポンプ１２が停止した
後においても給水配管内の水圧が適切に維持され、流体供給先４４に水が送られる。流体
供給先４４に水が送られると、隔膜１７ａは、空気室側から水室側を押圧する。
有する。空気室の内部には予め空気が封入されており、ポンプ１２から水室に流入した水
は隔膜１７ａを介して空気を圧縮する。圧力タンク１７とポンプ１２との間には逆止弁１
５が配置されており、この逆止弁１５と圧力タンク１７とにより、ポンプ１２が停止した
後においても給水配管内の水圧が適切に維持され、流体供給先４４に水が送られる。流体
供給先４４に水が送られると、隔膜１７ａは、空気室側から水室側を押圧する。
【0020】
流体供給装置１は、給水動作を制御する制御部２０を備える。制御部２０は、ＣＰＵ（
Central Processing Unit）を中心とした回路基板、又は専用の回路基板などを用いれば
よい。なお、制御部２０は、図示しない電力線を介して商用電源５１からの電力が供給さ
れる。ただし、制御部２０は、インバータ１４など、流体供給装置１の他の構成を介して
電力が供給されてもよい。
Central Processing Unit）を中心とした回路基板、又は専用の回路基板などを用いれば
よい。なお、制御部２０は、図示しない電力線を介して商用電源５１からの電力が供給さ
れる。ただし、制御部２０は、インバータ１４など、流体供給装置１の他の構成を介して
電力が供給されてもよい。
【0021】
また、制御部２０とインバータ１４は、通信接続線２１を通じて互いに接続される。制
御部２０からインバータ１４へは、各種設定値、モータ１３の回転速度に関する制御指令
としての周波数指令値、運転・停止信号等の信号が送られる。インバータ１４から制御部
２０へは、実際の周波数値や電流値等の運転状況が逐次送られる。
御部２０からインバータ１４へは、各種設定値、モータ１３の回転速度に関する制御指令
としての周波数指令値、運転・停止信号等の信号が送られる。インバータ１４から制御部
２０へは、実際の周波数値や電流値等の運転状況が逐次送られる。
【0022】
なお、制御部２０とインバータ１４との間で送受信される制御信号は、アナログ信号お
よび／またはデジタル信号を用いることができる。例えば、回転周波数等にはアナログ信
号を用い、運転停止指令等にはデジタル信号を用いることができる。
よび／またはデジタル信号を用いることができる。例えば、回転周波数等にはアナログ信
号を用い、運転停止指令等にはデジタル信号を用いることができる。
【0023】
上記構成を有する流体供給装置１に対して圧力タンク１７の状態を診断する状態診断シ
ステム２が設けられている。状態診断システム２は、測定装置３と、機械学習装置４と、
状態診断装置５とを備える。
ステム２が設けられている。状態診断システム２は、測定装置３と、機械学習装置４と、
状態診断装置５とを備える。
【0024】
測定装置３は、流体供給装置１の各部に設置され、流体供給装置１の各部の物理量や状
態量を測定する。測定装置３は、学習フェーズでは、機械学習装置４に接続されて学習用
のデータ測定に用いられ、推論フェーズでは、状態診断装置５に接続されて診断用のデー
タ測定に用いられる。測定装置３は、ポンプ運転状況センサ３１と、使用流量センサ３２
と、ポンプ１次圧センサ３３と、ポンプ２次圧センサ３４と、を備える。なお、ポンプ１
次圧センサ３３は、ポンプに係る圧力を測定するポンプ圧力センサであるが、備えなくて
もよい。
態量を測定する。測定装置３は、学習フェーズでは、機械学習装置４に接続されて学習用
のデータ測定に用いられ、推論フェーズでは、状態診断装置５に接続されて診断用のデー
タ測定に用いられる。測定装置３は、ポンプ運転状況センサ３１と、使用流量センサ３２
と、ポンプ１次圧センサ３３と、ポンプ２次圧センサ３４と、を備える。なお、ポンプ１
次圧センサ３３は、ポンプに係る圧力を測定するポンプ圧力センサであるが、備えなくて
もよい。
【0025】
ポンプ運転状況センサ３１は、ポンプ１２の運転状況を取得する。ポンプ１２の運転状
況は、例えば、ポンプ１２のON/OFF、ポンプ１２の回転数、又は、モータ１３の電流値等
から取得する。ポンプ運転状況センサ３１は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。ポンプ１２
の運転状況を取得することで、ポンプ１２から吐出される流体の量を推測することができ
る。
況は、例えば、ポンプ１２のON/OFF、ポンプ１２の回転数、又は、モータ１３の電流値等
から取得する。ポンプ運転状況センサ３１は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。ポンプ１２
の運転状況を取得することで、ポンプ１２から吐出される流体の量を推測することができ
る。
【0026】
ポンプ運転状況センサ３１は、ポンプ１２、モータ１３、又は、インバータ１４の運転
中又は停止中のいずれかを示す運転状態の時系列データを取得できることが好ましい。運
転状態は、制御部２０からポンプ１２、モータ１３、又は、インバータ１４へのＯＮ／Ｏ
ＦＦ指令を取得すればよい。運転状態は、制御部２０の指令がＯＮの場合には運転中、Ｏ
ＦＦの場合には停止中と認識すればよい。
中又は停止中のいずれかを示す運転状態の時系列データを取得できることが好ましい。運
転状態は、制御部２０からポンプ１２、モータ１３、又は、インバータ１４へのＯＮ／Ｏ
ＦＦ指令を取得すればよい。運転状態は、制御部２０の指令がＯＮの場合には運転中、Ｏ
ＦＦの場合には停止中と認識すればよい。
【0027】
また、ポンプ運転状況センサ３１は、ポンプ１２の回転数の時系列データを取得しても
よい。ポンプ１２の回転数は、ポンプ１２又はモータ１３の回転速度を測定して取得すれ
ばよい。また、モータ１３の回転数は、インバータ１４の出力周波数によって決まるので
、インバータ１４の出力周波数を取得してもよい。
よい。ポンプ１２の回転数は、ポンプ１２又はモータ１３の回転速度を測定して取得すれ
ばよい。また、モータ１３の回転数は、インバータ１４の出力周波数によって決まるので
、インバータ１４の出力周波数を取得してもよい。
【0028】
さらに、ポンプ運転状況センサ３１は、ポンプ１２の駆動源であるモータ１３に供給さ
れるモータ電流値の時系列データを取得してもよい。モータ電流値を取得することで、ポ
ンプ１２の仕事量を取得することができる。なお、ポンプ１２が空運転、閉塞運転、又は
、過流量運転であることも認識できる。
れるモータ電流値の時系列データを取得してもよい。モータ電流値を取得することで、ポ
ンプ１２の仕事量を取得することができる。なお、ポンプ１２が空運転、閉塞運転、又は
、過流量運転であることも認識できる。
【0029】
使用流量センサ３２は、所定期間において圧力タンク１７から流体が供給される流体供
給先４４にて使用された流体の流量を測定する。複数の流体供給先４４が存在する場合、
使用流量センサ３２は、複数の流体供給先４４の流量を合計した合計使用流量を測定すれ
ばよい。使用流量は、時系列データで測定できることが好ましい。例えば、使用流量セン
サ３２は、図１に示すように、複数の流体供給先４４に供給される上流側に設けてよい。
また、使用流量センサ３２は、マンション又はアパート等の集合住宅の各室を供給先４４
として、各室に設けてもよい。なお、使用流量センサ３２は、各室に対応する水道メータ
を使用してもよい。所定期間はポンプが始動された始動時点を含んでもよい。
給先４４にて使用された流体の流量を測定する。複数の流体供給先４４が存在する場合、
使用流量センサ３２は、複数の流体供給先４４の流量を合計した合計使用流量を測定すれ
ばよい。使用流量は、時系列データで測定できることが好ましい。例えば、使用流量セン
サ３２は、図１に示すように、複数の流体供給先４４に供給される上流側に設けてよい。
また、使用流量センサ３２は、マンション又はアパート等の集合住宅の各室を供給先４４
として、各室に設けてもよい。なお、使用流量センサ３２は、各室に対応する水道メータ
を使用してもよい。所定期間はポンプが始動された始動時点を含んでもよい。
【0030】
使用流量センサ３２は、直接計測せず、他の計測データから推測してもよい。例えば、
複数の流体供給先４４における人の入退室記録を計測し、その時系列データから使用流量
を推測してもよい。また、各室のトイレ、浴室のシャワー、キッチンの蛇口等にセンサを
取り付け、その使用量から流体の使用流量を推測してもよい。さらに、各室の電気または
ガスの使用量から流体の使用流量を推測してもよい。
複数の流体供給先４４における人の入退室記録を計測し、その時系列データから使用流量
を推測してもよい。また、各室のトイレ、浴室のシャワー、キッチンの蛇口等にセンサを
取り付け、その使用量から流体の使用流量を推測してもよい。さらに、各室の電気または
ガスの使用量から流体の使用流量を推測してもよい。
【0031】
ポンプ１次圧センサ３３は、ポンプ１２の吸込側圧力を測定するための圧力測定器であ
る。本実施形態のポンプ１次圧センサ３３は、流体供給源４１と逆流防止装置１１の間に
設けられる。ポンプ１次圧センサ３３は、所定期間における時系列データを測定できるこ
とが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。
る。本実施形態のポンプ１次圧センサ３３は、流体供給源４１と逆流防止装置１１の間に
設けられる。ポンプ１次圧センサ３３は、所定期間における時系列データを測定できるこ
とが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。
【0032】
ポンプ２次圧センサ３４は、ポンプ１２の吐出側の圧力を測定するための圧力測定器で
ある。本実施形態のポンプ２次圧センサ３４は、フロースイッチ１６と圧力タンク１７の
間に設けられる。ポンプ２次圧センサ３４は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。
ある。本実施形態のポンプ２次圧センサ３４は、フロースイッチ１６と圧力タンク１７の
間に設けられる。ポンプ２次圧センサ３４は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。
【0033】
測定装置３は、例えば、所定の測定周期にて各部の物理量や状態量を測定し、測定周期
が経過する毎に、その測定時点での測定値を機械学習装置４及び状態診断装置５に出力可
能に構成される。なお、測定装置３を構成するポンプ運転状況センサ３１、使用流量セン
サ３２、ポンプ１次圧センサ３３、及び、ポンプ２次圧センサ３４の各々における測定周
期は同一でもよいし、異なるものでもよい。また、測定装置３は、上記のように、測定周
期が経過する毎に離散的な測定値を出力することに代えて、アナログ信号のように連続的
な測定値を出力してもよい。
が経過する毎に、その測定時点での測定値を機械学習装置４及び状態診断装置５に出力可
能に構成される。なお、測定装置３を構成するポンプ運転状況センサ３１、使用流量セン
サ３２、ポンプ１次圧センサ３３、及び、ポンプ２次圧センサ３４の各々における測定周
期は同一でもよいし、異なるものでもよい。また、測定装置３は、上記のように、測定周
期が経過する毎に離散的な測定値を出力することに代えて、アナログ信号のように連続的
な測定値を出力してもよい。
【0034】
機械学習装置４は、学習フェーズの主体として動作し、流体供給装置１の状態を診断す
る際に用いられる学習モデル６を機械学習により生成する。機械学習装置４は、機械学習
の手法として、「教師あり学習」を採用することができる。
る際に用いられる学習モデル６を機械学習により生成する。機械学習装置４は、機械学習
の手法として、「教師あり学習」を採用することができる。
【0035】
状態診断装置５は、推論フェーズの主体として動作し、機械学習装置４により生成され
た学習済みの学習モデル６を用いて、測定装置３により測定された測定値から流体供給装
置１の状態を診断する。学習済みの学習モデル６は、機械学習装置４から任意の通信網や
記録媒体等を介して状態診断装置５に提供される。
た学習済みの学習モデル６を用いて、測定装置３により測定された測定値から流体供給装
置１の状態を診断する。学習済みの学習モデル６は、機械学習装置４から任意の通信網や
記録媒体等を介して状態診断装置５に提供される。
【0036】
外部装置３５は、流体供給装置１との間で各種情報を送受信するための装置であって、
例えば、プラント管理用のコンピュータ（ローカルサーバ及びクラウドサーバを含む。）
、作業者（保守点検者）が使用する診断用コンピュータ、又は、ＵＳＢメモリや外付けＨ
ＤＤ等の外部記憶ユニットで構成されている。この外部装置３５は、後述する機械学習装
置２００に接続されて学習用データセットを構成する各種データを送信することも可能で
ある。また、この外部装置３５は、流体供給装置１に異常が発生した場合に作業者等に対
して異常が発生したことやその内容を報知するための、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕ
ｓｅｒ Ｉｎｔｅｒｆａｃｅ）等からなる報知手段を備えている。なお、外部装置３５及
び流体供給装置１の間の通信には無線通信を利用してもよい。
例えば、プラント管理用のコンピュータ（ローカルサーバ及びクラウドサーバを含む。）
、作業者（保守点検者）が使用する診断用コンピュータ、又は、ＵＳＢメモリや外付けＨ
ＤＤ等の外部記憶ユニットで構成されている。この外部装置３５は、後述する機械学習装
置２００に接続されて学習用データセットを構成する各種データを送信することも可能で
ある。また、この外部装置３５は、流体供給装置１に異常が発生した場合に作業者等に対
して異常が発生したことやその内容を報知するための、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕ
ｓｅｒ Ｉｎｔｅｒｆａｃｅ）等からなる報知手段を備えている。なお、外部装置３５及
び流体供給装置１の間の通信には無線通信を利用してもよい。
【0037】
図２は、機械学習装置４及び状態診断装置５を構成するコンピュータ２００の一例を示
すハードウエア構成図である。l
すハードウエア構成図である。l
【0038】
機械学習装置４及び状態診断装置５のそれぞれは、汎用又は専用のコンピュータ２００
により構成される。コンピュータ２００は、図２に示すように、その主要な構成要素とし
て、バス２１０、プロセッサ２１２、メモリ２１４、入力デバイス２１６、表示デバイス
２１８、ストレージ装置２２０、通信Ｉ／Ｆ（インターフェース）部２２２、外部機器Ｉ
／Ｆ部２２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部２２６、及び、メディア入出力部２２
８を備える。なお、上記の構成要素は、コンピュータ２００が使用される用途に応じて適
宜省略されてもよい。
により構成される。コンピュータ２００は、図２に示すように、その主要な構成要素とし
て、バス２１０、プロセッサ２１２、メモリ２１４、入力デバイス２１６、表示デバイス
２１８、ストレージ装置２２０、通信Ｉ／Ｆ（インターフェース）部２２２、外部機器Ｉ
／Ｆ部２２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部２２６、及び、メディア入出力部２２
８を備える。なお、上記の構成要素は、コンピュータ２００が使用される用途に応じて適
宜省略されてもよい。
【0039】
プロセッサ２１２は、１つ又は複数の演算処理装置（ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ
等）で構成され、コンピュータ２００全体を統括する制御部として動作する。メモリ２１
４は、各種のデータ及びプログラム２３０を記憶し、例えば、メインメモリとして機能す
る揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモ
リ等）とで構成される。
等）で構成され、コンピュータ２００全体を統括する制御部として動作する。メモリ２１
４は、各種のデータ及びプログラム２３０を記憶し、例えば、メインメモリとして機能す
る揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモ
リ等）とで構成される。
【0040】
入力デバイス２１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成さ
れる。表示デバイス２１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子
ペーパー、プロジェクタ等で構成される。入力デバイス２１６及び表示デバイス２１８は
、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置
２２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、オペレーティングシステムやプログラ
ム２３０の実行に必要な各種のデータを記憶する。
れる。表示デバイス２１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子
ペーパー、プロジェクタ等で構成される。入力デバイス２１６及び表示デバイス２１８は
、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置
２２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、オペレーティングシステムやプログラ
ム２３０の実行に必要な各種のデータを記憶する。
【0041】
通信Ｉ／Ｆ部２２２は、インターネットやイントラネット等のネットワーク２４０に有
線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの
送受信を行う。外部機器Ｉ／Ｆ部２２４は、プリンタ、スキャナ等の外部機器２５０に有
線又は無線により接続され、所定の通信規格に従って外部機器２５０との間でデータの送
受信を行う。無線通信の手段は、典型的には国際規格の通信手段が用いられる。国際規格
の通信手段として、ＩＥＥＥ８０２．１５．４、ＩＥＥＥ８０２．１５．１、ＩＥＥＥ８
０２．１５．１１ａ、１１ｂ、１１ｇ、１１ｎ、１１ａｃ、１１ａｄ、ＩＳＯ／ＩＥＣ１
４５１３－３－１０、ＩＥＥＥ８０２．１５．４ｇなどの方式がある。また、Ｂｌｕｅｔ
ｏｏｔｈ（登録商標）、ＢｌｕｅｔｏｏｔｈＬｏｗＥｎｅｒｇｙ、Ｗｉ－Ｆｉ、ＺｉｇＢ
ｅｅ（登録商標）、Ｓｕｂ－ＧＨｚ、ＥｎＯｃｅａｎ（登録商標）等を用いることもでき
る。Ｉ／ＯデバイスＩ／Ｆ部２２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイ
ス２６０に接続され、Ｉ／Ｏデバイス２６０との間で、例えば、センサによる検出信号や
アクチュエータへの制御信号等の各種の信号やデータの送受信を行う。メディア入出力部
２２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ
、ＣＤ等のメディア２７０に対してデータの読み書きを行う。
線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの
送受信を行う。外部機器Ｉ／Ｆ部２２４は、プリンタ、スキャナ等の外部機器２５０に有
線又は無線により接続され、所定の通信規格に従って外部機器２５０との間でデータの送
受信を行う。無線通信の手段は、典型的には国際規格の通信手段が用いられる。国際規格
の通信手段として、ＩＥＥＥ８０２．１５．４、ＩＥＥＥ８０２．１５．１、ＩＥＥＥ８
０２．１５．１１ａ、１１ｂ、１１ｇ、１１ｎ、１１ａｃ、１１ａｄ、ＩＳＯ／ＩＥＣ１
４５１３－３－１０、ＩＥＥＥ８０２．１５．４ｇなどの方式がある。また、Ｂｌｕｅｔ
ｏｏｔｈ（登録商標）、ＢｌｕｅｔｏｏｔｈＬｏｗＥｎｅｒｇｙ、Ｗｉ－Ｆｉ、ＺｉｇＢ
ｅｅ（登録商標）、Ｓｕｂ－ＧＨｚ、ＥｎＯｃｅａｎ（登録商標）等を用いることもでき
る。Ｉ／ＯデバイスＩ／Ｆ部２２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイ
ス２６０に接続され、Ｉ／Ｏデバイス２６０との間で、例えば、センサによる検出信号や
アクチュエータへの制御信号等の各種の信号やデータの送受信を行う。メディア入出力部
２２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ
、ＣＤ等のメディア２７０に対してデータの読み書きを行う。
【0042】
上記構成を有するコンピュータ２００において、プロセッサ２１２は、プログラム２３
０をメモリ２１４のワークメモリ領域に呼び出して実行し、バス２１０を介してコンピュ
ータ２００の各部を制御する。なお、プログラム２３０は、メモリ２１４の代わりに、ス
トレージ装置２２０に記憶されていてもよい。プログラム２３０は、インストール可能な
ファイル形式又は実行可能なファイル形式でＣＤ、ＤＶＤ等の非一時的な記録媒体に記録
され、メディア入出力部２２８を介してコンピュータ２００に提供されてもよい。プログ
ラム２３０は、通信Ｉ／Ｆ部２２２を介してネットワーク２４０経由でダウンロードする
ことによりコンピュータ２００に提供されてもよい。
０をメモリ２１４のワークメモリ領域に呼び出して実行し、バス２１０を介してコンピュ
ータ２００の各部を制御する。なお、プログラム２３０は、メモリ２１４の代わりに、ス
トレージ装置２２０に記憶されていてもよい。プログラム２３０は、インストール可能な
ファイル形式又は実行可能なファイル形式でＣＤ、ＤＶＤ等の非一時的な記録媒体に記録
され、メディア入出力部２２８を介してコンピュータ２００に提供されてもよい。プログ
ラム２３０は、通信Ｉ／Ｆ部２２２を介してネットワーク２４０経由でダウンロードする
ことによりコンピュータ２００に提供されてもよい。
【0043】
コンピュータ２００は、例えば、据置型コンピュータや携帯型コンピュータで構成され
、任意の形態の電子機器である。コンピュータ２００は、クライアント型コンピュータで
もよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ２０
０は、機械学習装置４及び状態診断装置５以外の他の装置に適用されてもよい。
、任意の形態の電子機器である。コンピュータ２００は、クライアント型コンピュータで
もよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ２０
０は、機械学習装置４及び状態診断装置５以外の他の装置に適用されてもよい。
【0044】
（機械学習装置４）
図３は、第１の実施形態に係る機械学習装置４の一例を示すブロック図である。
図３は、第１の実施形態に係る機械学習装置４の一例を示すブロック図である。
【0045】
機械学習装置４は、学習用データ取得部４００と、学習用データ記憶部４０１と、機械
学習部４０２と、学習済みモデル記憶部４０３とを備える。機械学習装置４は、例えば、
図２に示すコンピュータ２００で構成される。その場合、学習用データ取得部４００は、
通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、機械学習部４０２は
、プロセッサ２１２で構成され、学習用データ記憶部４０１及び学習済みモデル記憶部４
０３は、ストレージ装置２２０で構成される。
学習部４０２と、学習済みモデル記憶部４０３とを備える。機械学習装置４は、例えば、
図２に示すコンピュータ２００で構成される。その場合、学習用データ取得部４００は、
通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、機械学習部４０２は
、プロセッサ２１２で構成され、学習用データ記憶部４０１及び学習済みモデル記憶部４
０３は、ストレージ装置２２０で構成される。
【0046】
学習用データ取得部４００は、各種の外部装置と通信網３００を介して接続され、入力
データを少なくとも含む学習用データを取得するインタフェースユニットである。外部装
置３５は、例えば、流体供給装置１に設けられた測定装置３、及び、作業者が使用する作
業者用端末８等である。なお、状態診断装置５が、通信網３００に接続されている場合に
は、学習用データ取得部４００は、状態診断装置５の診断対象である流体供給装置１に設
けられた測定装置３から学習用データを取得するようにしてもよい。
データを少なくとも含む学習用データを取得するインタフェースユニットである。外部装
置３５は、例えば、流体供給装置１に設けられた測定装置３、及び、作業者が使用する作
業者用端末８等である。なお、状態診断装置５が、通信網３００に接続されている場合に
は、学習用データ取得部４００は、状態診断装置５の診断対象である流体供給装置１に設
けられた測定装置３から学習用データを取得するようにしてもよい。
【0047】
学習用データ記憶部４０１は、学習用データ取得部４００で取得した学習用データを１
又は複数組記憶するデータベースである。なお、学習用データ記憶部４０１を構成するデ
ータベースの具体的な構成は適宜設計すればよい。
又は複数組記憶するデータベースである。なお、学習用データ記憶部４０１を構成するデ
ータベースの具体的な構成は適宜設計すればよい。
【0048】
機械学習部４０２は、学習用データ記憶部４０１に記憶された学習用データを用いて機
械学習を実施する。すなわち、機械学習部４０２は、学習モデル６に学習用データを複数
組入力することで、学習用データに含まれる入力データと流体供給装置１の診断情報との
相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する。本実
施形態では、機械学習部４０２による教師あり学習の具体的な手法として、ニューラルネ
ットワークを採用する場合について説明する。
械学習を実施する。すなわち、機械学習部４０２は、学習モデル６に学習用データを複数
組入力することで、学習用データに含まれる入力データと流体供給装置１の診断情報との
相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する。本実
施形態では、機械学習部４０２による教師あり学習の具体的な手法として、ニューラルネ
ットワークを採用する場合について説明する。
【0049】
学習済みモデル記憶部４０３は、機械学習部４０２により生成された学習済みの学習モ
デル６を記憶するデータベースである。学習済みモデル記憶部４０３に記憶された学習済
みの学習モデル６は、任意の通信網や記録媒体等を介して実システム（例えば、状態診断
装置５）に提供される。なお、図３では、学習用データ記憶部４０１と、学習済みモデル
記憶部４０３とが別々の記憶部として示されているが、これらは単一の記憶部で構成され
てもよい。
デル６を記憶するデータベースである。学習済みモデル記憶部４０３に記憶された学習済
みの学習モデル６は、任意の通信網や記録媒体等を介して実システム（例えば、状態診断
装置５）に提供される。なお、図３では、学習用データ記憶部４０１と、学習済みモデル
記憶部４０３とが別々の記憶部として示されているが、これらは単一の記憶部で構成され
てもよい。
【0050】
図４は、第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の
一例を示すデータ構成図である。
一例を示すデータ構成図である。
【0051】
学習用データは、入力データとして、所定期間におけるポンプ１２の運転状況のデータ
、及び、流体供給先４４にて使用された流体の流量のデータを少なくとも含む。入力デー
タとしてのポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の
流量のデータの各々における所定期間は、同一の期間に設定することを基本とするが、各
データ間に時間差が生じる関係が認められる場合には、当該時間差に対応する期間に設定
してもよい。
、及び、流体供給先４４にて使用された流体の流量のデータを少なくとも含む。入力デー
タとしてのポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の
流量のデータの各々における所定期間は、同一の期間に設定することを基本とするが、各
データ間に時間差が生じる関係が認められる場合には、当該時間差に対応する期間に設定
してもよい。
【0052】
なお、入力データは、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用
された流体の流量のデータ以外に他のデータをさらに含むものでもよく、例えば、ポンプ
１２の吸込側１次圧、ポンプ１２の吐出側２次圧、ポンプ１２が運転するときに生じる音
、ポンプ１２又はモータ１３の少なくとも一方の温度、ポンプ１２の潤滑圧力、潤滑剤の
流量、潤滑剤の温度、及び、潤滑剤の性状値（色、粒径分布）のデータのうち少なくとも
１つのデータをさらに含むものでもよい。
された流体の流量のデータ以外に他のデータをさらに含むものでもよく、例えば、ポンプ
１２の吸込側１次圧、ポンプ１２の吐出側２次圧、ポンプ１２が運転するときに生じる音
、ポンプ１２又はモータ１３の少なくとも一方の温度、ポンプ１２の潤滑圧力、潤滑剤の
流量、潤滑剤の温度、及び、潤滑剤の性状値（色、粒径分布）のデータのうち少なくとも
１つのデータをさらに含むものでもよい。
【0053】
所定期間におけるポンプ１２の運転状況のデータは、ポンプ１２の運転中又は停止中の
いずれかを示す運転状態のデータ、所定期間におけるポンプ１２の回転数のデータ、及び
、所定期間におけるポンプ１２の駆動源であるモータ１３に供給されるモータ電流値のデ
ータの少なくとも１つが好ましい。本実施形態では、ポンプ１２の運転状況のデータは、
ポンプ１２の運転中又は停止中のいずれかを示す運転状態のデータ、所定期間におけるポ
ンプ１２の回転数のデータ、又は、所定期間におけるポンプ１２の駆動源であるモータ１
３に供給されるモータ電流値のデータからなるものとして説明する。
いずれかを示す運転状態のデータ、所定期間におけるポンプ１２の回転数のデータ、及び
、所定期間におけるポンプ１２の駆動源であるモータ１３に供給されるモータ電流値のデ
ータの少なくとも１つが好ましい。本実施形態では、ポンプ１２の運転状況のデータは、
ポンプ１２の運転中又は停止中のいずれかを示す運転状態のデータ、所定期間におけるポ
ンプ１２の回転数のデータ、又は、所定期間におけるポンプ１２の駆動源であるモータ１
３に供給されるモータ電流値のデータからなるものとして説明する。
【0054】
所定期間におけるポンプ１２の運転中又は停止中のいずれかを示す運転状態のデータは
、所定期間内の複数の測定時点において、ポンプ運転状況センサ３１により測定された複
数の測定値（運転／停止等）で構成される。運転状態のデータは、例えば、測定時点を示
す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される
。なお、ポンプ運転状況センサ３１が、連続的な測定値を出力するような場合には、学習
用データ取得部４００が、所定のサンプリング周期にて測定値をデータ化する。これによ
り、所定期間における運転状態のデータは、所定期間内の複数のサンプリング時点におけ
る複数の測定値（運転／停止等）で構成される。
、所定期間内の複数の測定時点において、ポンプ運転状況センサ３１により測定された複
数の測定値（運転／停止等）で構成される。運転状態のデータは、例えば、測定時点を示
す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される
。なお、ポンプ運転状況センサ３１が、連続的な測定値を出力するような場合には、学習
用データ取得部４００が、所定のサンプリング周期にて測定値をデータ化する。これによ
り、所定期間における運転状態のデータは、所定期間内の複数のサンプリング時点におけ
る複数の測定値（運転／停止等）で構成される。
【0055】
所定期間におけるポンプ１２の回転数のデータは、所定期間内の複数の測定時点におい
てポンプ運転状況センサ３１により測定された複数の測定値（回転数）で構成される。回
転数のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順
に並べた配列のデータとして構成される。なお、ポンプ運転状況センサ３１が、連続的な
測定値を出力するような場合には、学習用データ取得部４００が、所定のサンプリング周
期にて測定値をデータ化する。これにより、所定期間における回転数のデータは、所定期
間内の複数のサンプリング時点における複数の測定値（回転数）で構成される。
てポンプ運転状況センサ３１により測定された複数の測定値（回転数）で構成される。回
転数のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順
に並べた配列のデータとして構成される。なお、ポンプ運転状況センサ３１が、連続的な
測定値を出力するような場合には、学習用データ取得部４００が、所定のサンプリング周
期にて測定値をデータ化する。これにより、所定期間における回転数のデータは、所定期
間内の複数のサンプリング時点における複数の測定値（回転数）で構成される。
【0056】
所定期間におけるポンプ１２の駆動源であるモータ１３に供給されるモータ電流値のデ
ータは、所定期間内の複数の測定時点においてポンプ運転状況センサ３１により測定され
た複数の測定値（電流値）で構成される。電流値のデータは、例えば、測定時点を示す測
定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。な
お、ポンプ運転状況センサ３１が、連続的な測定値を出力するような場合には、学習用デ
ータ取得部４００が、所定のサンプリング周期にて測定値をデータ化する。これにより、
所定期間における電流値のデータは、所定期間内の複数のサンプリング時点における複数
の測定値（電流値）で構成される。
ータは、所定期間内の複数の測定時点においてポンプ運転状況センサ３１により測定され
た複数の測定値（電流値）で構成される。電流値のデータは、例えば、測定時点を示す測
定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。な
お、ポンプ運転状況センサ３１が、連続的な測定値を出力するような場合には、学習用デ
ータ取得部４００が、所定のサンプリング周期にて測定値をデータ化する。これにより、
所定期間における電流値のデータは、所定期間内の複数のサンプリング時点における複数
の測定値（電流値）で構成される。
【0057】
所定期間における圧力タンク１７から流体が供給される流体供給先４４にて使用された
流体の流量のデータは、複数の流体供給先４４の流量を合計した合計使用流量の測定値で
構成される。圧力タンク１７から流体が供給される流体供給先４４にて使用された流体の
流量のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順
に並べた配列のデータとして構成される。なお、使用流量センサ１が、連続的な測定値を
出力するような場合には、学習用データ取得部４００が、所定のサンプリング周期にて測
定値をデータ化する。これにより、所定期間における圧力タンク１７から流体が供給され
る流体供給先４４にて使用された流体の流量のデータは、所定期間内の複数のサンプリン
グ時点における複数の測定値（流体供給先４４にて使用された流体の流量）で構成される
。
流体の流量のデータは、複数の流体供給先４４の流量を合計した合計使用流量の測定値で
構成される。圧力タンク１７から流体が供給される流体供給先４４にて使用された流体の
流量のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順
に並べた配列のデータとして構成される。なお、使用流量センサ１が、連続的な測定値を
出力するような場合には、学習用データ取得部４００が、所定のサンプリング周期にて測
定値をデータ化する。これにより、所定期間における圧力タンク１７から流体が供給され
る流体供給先４４にて使用された流体の流量のデータは、所定期間内の複数のサンプリン
グ時点における複数の測定値（流体供給先４４にて使用された流体の流量）で構成される
。
【0058】
流体供給装置１の診断情報は、流体供給装置１に対する異常診断が行われたときの、流
体供給装置１に何らかの異常が発生しているか否かを示す情報であって、そのデータ形式
としては種々のものを採用することができる。異常は、異常診断が行われた時点において
異常の発生が判明したような事後的な異常だけなく、異常診断が行われた時点では正常と
判断される許容範囲ではあるが、将来的な異常の発生が予見されたような異常の兆候も含
む。
体供給装置１に何らかの異常が発生しているか否かを示す情報であって、そのデータ形式
としては種々のものを採用することができる。異常は、異常診断が行われた時点において
異常の発生が判明したような事後的な異常だけなく、異常診断が行われた時点では正常と
判断される許容範囲ではあるが、将来的な異常の発生が予見されたような異常の兆候も含
む。
【0059】
例えば、一態様としての診断情報は、図４に示すように、流体供給装置１が正常である
こと（異常なし）及び異常であること（異常あり）のいずれかを表す情報で構成すること
ができる。この場合、診断情報は、２値に分類され、例えば流体供給装置１が正常な状態
であることを示す値を「０」とし、流体供給装置１が異常な状態であることを示す値を「
１」として、作業用コンピュータ８を用いて作業者により入力データに関連付けた形で該
当する値が入力されればよい。なお、この場合には具体的な異常の内容に関する情報は必
ずしも必要ない。
こと（異常なし）及び異常であること（異常あり）のいずれかを表す情報で構成すること
ができる。この場合、診断情報は、２値に分類され、例えば流体供給装置１が正常な状態
であることを示す値を「０」とし、流体供給装置１が異常な状態であることを示す値を「
１」として、作業用コンピュータ８を用いて作業者により入力データに関連付けた形で該
当する値が入力されればよい。なお、この場合には具体的な異常の内容に関する情報は必
ずしも必要ない。
【0060】
加えて、上記診断情報のうち、流体供給装置１の異常であることを表す情報は、異常の
具体的な内容をも含んでいてもよい。異常の具体的な内容としては、例えば、圧力タンク
１７に関する異常、ポンプ１２の吐出側に設けられたポンプ２次圧センサ３４の異常、ポ
ンプ１２の吐出側に設けられたフロースイッチ１６の異常、又は、ポンプ１２の吐出側に
設けられた逆止弁１５の異常等が含まれる。この場合、診断情報は、複数の値（３以上）
に分類され、例えば流体供給装置１が正常な状態であることを示す値を「０」とし、流体
供給装置１が圧力タンク１７に関する異常であることを示す値を「１」、ポンプ１２の吐
出側に設けられたポンプ２次圧センサ３４の異常であることを示す値を「２」、以下同様
に各異常の内容に合わせて値を一意に事前に定めた上で、作業用コンピュータ８を用いて
作業者により入力データに関連付けた形で該当する値が入力されればよい。このような診
断情報の設定を行うことで、異常の発生の有無のみならず、異常が発生したときの異常の
具体的な内容の情報（図４に示す異常１／異常２／…／異常ｎに対応する。）をも含んだ
学習用データセットを準備することができる。上述した一態様としての診断情報は、以下
に述べる機械学習においては、教師あり学習（図４参照。）を行う場合に利用されるもの
である。
具体的な内容をも含んでいてもよい。異常の具体的な内容としては、例えば、圧力タンク
１７に関する異常、ポンプ１２の吐出側に設けられたポンプ２次圧センサ３４の異常、ポ
ンプ１２の吐出側に設けられたフロースイッチ１６の異常、又は、ポンプ１２の吐出側に
設けられた逆止弁１５の異常等が含まれる。この場合、診断情報は、複数の値（３以上）
に分類され、例えば流体供給装置１が正常な状態であることを示す値を「０」とし、流体
供給装置１が圧力タンク１７に関する異常であることを示す値を「１」、ポンプ１２の吐
出側に設けられたポンプ２次圧センサ３４の異常であることを示す値を「２」、以下同様
に各異常の内容に合わせて値を一意に事前に定めた上で、作業用コンピュータ８を用いて
作業者により入力データに関連付けた形で該当する値が入力されればよい。このような診
断情報の設定を行うことで、異常の発生の有無のみならず、異常が発生したときの異常の
具体的な内容の情報（図４に示す異常１／異常２／…／異常ｎに対応する。）をも含んだ
学習用データセットを準備することができる。上述した一態様としての診断情報は、以下
に述べる機械学習においては、教師あり学習（図４参照。）を行う場合に利用されるもの
である。
【0061】
また、ソレノイド部３の診断情報としては、上述したもの以外にも採用することができ
る。例えば、他の態様としての診断情報は、流体供給装置１が異常でなく正常であること
のみを表す情報とすることができる。この場合、診断情報には流体供給装置１が正常であ
ることを表す情報しか含まれないため、必然的にこの診断情報を出力データとして含む学
習用データセットは、流体供給装置１が正常である場合の入力データと出力データとで構
成されたデータセットのみとなる。したがって、この場合における学習用データセットの
出力データは常に同じであるため、学習用データセットは出力データをデータとして有し
ている必要は必ずしもないことは、当業者であれば当然に理解できるであろう。当該他の
態様としての診断情報は、以下に述べる機械学習においては、教師なし学習を行う場合に
利用されるものである。
る。例えば、他の態様としての診断情報は、流体供給装置１が異常でなく正常であること
のみを表す情報とすることができる。この場合、診断情報には流体供給装置１が正常であ
ることを表す情報しか含まれないため、必然的にこの診断情報を出力データとして含む学
習用データセットは、流体供給装置１が正常である場合の入力データと出力データとで構
成されたデータセットのみとなる。したがって、この場合における学習用データセットの
出力データは常に同じであるため、学習用データセットは出力データをデータとして有し
ている必要は必ずしもないことは、当業者であれば当然に理解できるであろう。当該他の
態様としての診断情報は、以下に述べる機械学習においては、教師なし学習を行う場合に
利用されるものである。
【0062】
また、他の態様としての診断情報は、図４に示すように、流体供給装置１が正常な状態
であること（異常なし）及び流体供給装置１の余寿命が予め設定された期間（例えば数時
間、数日、数ヶ月、又は、数年等）以内の異常な状態であること（異常あり）のいずれか
を表す情報で構成することができる。この場合、診断情報は、２値に分類され、例えば流
体供給装置１が正常な状態であることを示す値を「０」とし、流体供給装置１の余寿命が
予め設定された期間以内の異常な状態であることを示す値を「１」として、作業用コンピ
ュータ８を用いて作業者により入力データに関連付けた形で該当する値が入力されればよ
い。なお、この場合には具体的な異常の内容に関する情報は必ずしも必要ない。
であること（異常なし）及び流体供給装置１の余寿命が予め設定された期間（例えば数時
間、数日、数ヶ月、又は、数年等）以内の異常な状態であること（異常あり）のいずれか
を表す情報で構成することができる。この場合、診断情報は、２値に分類され、例えば流
体供給装置１が正常な状態であることを示す値を「０」とし、流体供給装置１の余寿命が
予め設定された期間以内の異常な状態であることを示す値を「１」として、作業用コンピ
ュータ８を用いて作業者により入力データに関連付けた形で該当する値が入力されればよ
い。なお、この場合には具体的な異常の内容に関する情報は必ずしも必要ない。
【0063】
加えて、上記診断情報のうち、流体供給装置１の余寿命が予め設定された期間以内の異
常であることを表す情報は、図４の破線で示すように、余寿命の具体的な内容をも含んで
いてもよい。この場合、診断情報は、複数の値（少なくとも３以上）に分類され、流体供
給装置１が正常な状態であること、流体供給装置１の余寿命が予め設定された複数の余寿
命の期間以内のいずれかに該当するという異常であることのいずれかを表す情報で構成す
る。
常であることを表す情報は、図４の破線で示すように、余寿命の具体的な内容をも含んで
いてもよい。この場合、診断情報は、複数の値（少なくとも３以上）に分類され、流体供
給装置１が正常な状態であること、流体供給装置１の余寿命が予め設定された複数の余寿
命の期間以内のいずれかに該当するという異常であることのいずれかを表す情報で構成す
る。
【0064】
例えば流体供給装置１が正常な状態であることを示す値を「０」とし、流体供給装置１
の余寿命が第１の期間（例えば６ヶ月以上１年未満）に該当する異常であることを示す値
を「１」、流体供給装置１の余寿命が第１の期間よりも短い第２の期間（例えば６ヶ月未
満）に該当する異常であることを示す値を「２」、以下同様に各異常の内容に合わせて値
を一意に事前に定めた上で、作業用コンピュータ８を用いて作業者により入力データに関
連付けた形で該当する値が入力されればよい。このような診断情報の設定を行うことで、
異常の発生の有無のみならず、異常が発生したときの余寿命の具体的な内容の情報（図４
に示す異常１／異常２／…／異常ｎに対応する。）をも含んだ学習用データセットを準備
することができる。上述した一態様としての寿命予測情報は、以下に述べる機械学習にお
いては、教師あり学習（図４参照。）を行う場合に利用されるものである。
の余寿命が第１の期間（例えば６ヶ月以上１年未満）に該当する異常であることを示す値
を「１」、流体供給装置１の余寿命が第１の期間よりも短い第２の期間（例えば６ヶ月未
満）に該当する異常であることを示す値を「２」、以下同様に各異常の内容に合わせて値
を一意に事前に定めた上で、作業用コンピュータ８を用いて作業者により入力データに関
連付けた形で該当する値が入力されればよい。このような診断情報の設定を行うことで、
異常の発生の有無のみならず、異常が発生したときの余寿命の具体的な内容の情報（図４
に示す異常１／異常２／…／異常ｎに対応する。）をも含んだ学習用データセットを準備
することができる。上述した一態様としての寿命予測情報は、以下に述べる機械学習にお
いては、教師あり学習（図４参照。）を行う場合に利用されるものである。
【0065】
また、流体供給装置１の寿命予測情報としては、上述したもの以外にも採用することが
できる。例えば、他の態様としての寿命予測情報は、流体供給装置１が異常でなく正常で
あることのみを表す情報とすることができる。この場合、寿命予測情報には流体供給装置
１が正常であることを表す情報しか含まれないため、必然的にこの寿命予測情報を出力デ
ータとして含む学習用データセットは、流体供給装置１が正常である場合の入力データと
出力データとで構成されたデータセットのみとなる。したがって、この場合における学習
用データセットの出力データは常に同じであるため、学習用データセットは出力データを
データとして有している必要は必ずしもないことは、当業者であれば当然に理解できるで
あろう。当該他の態様としての寿命予測情報は、以下に述べる機械学習においては、教師
なし学習を行う場合に利用されるものである。
できる。例えば、他の態様としての寿命予測情報は、流体供給装置１が異常でなく正常で
あることのみを表す情報とすることができる。この場合、寿命予測情報には流体供給装置
１が正常であることを表す情報しか含まれないため、必然的にこの寿命予測情報を出力デ
ータとして含む学習用データセットは、流体供給装置１が正常である場合の入力データと
出力データとで構成されたデータセットのみとなる。したがって、この場合における学習
用データセットの出力データは常に同じであるため、学習用データセットは出力データを
データとして有している必要は必ずしもないことは、当業者であれば当然に理解できるで
あろう。当該他の態様としての寿命予測情報は、以下に述べる機械学習においては、教師
なし学習を行う場合に利用されるものである。
【0066】
機械学習として「教師あり学習」を採用する場合、学習用データは、入力データに対応
付けられた出力データとして、例えば、試験装置の圧力タンク内の図示しない圧力センサ
によって測定された所定期間における圧力タンク１７の封入圧力の診断情報、ポンプの吐
出側に設けられたポンプ２次圧センサ３４によって測定された所定期間における２次圧力
の診断情報、ポンプの吐出側に設けられたフロースイッチ１６によって測定された所定期
間における流量の診断情報、又は、ポンプの吐出側に設けられた逆止弁１５の作動情報を
さらに含んでもよい。出力データは、教師あり学習において、例えば、教師データや正解
ラベルと称される。
付けられた出力データとして、例えば、試験装置の圧力タンク内の図示しない圧力センサ
によって測定された所定期間における圧力タンク１７の封入圧力の診断情報、ポンプの吐
出側に設けられたポンプ２次圧センサ３４によって測定された所定期間における２次圧力
の診断情報、ポンプの吐出側に設けられたフロースイッチ１６によって測定された所定期
間における流量の診断情報、又は、ポンプの吐出側に設けられた逆止弁１５の作動情報を
さらに含んでもよい。出力データは、教師あり学習において、例えば、教師データや正解
ラベルと称される。
【0067】
圧力タンク１７の封入圧力の診断情報、ポンプの吐出側に設けられたポンプ２次圧セン
サ３４によって測定された所定期間における２次圧力の診断情報、ポンプの吐出側に設け
られたフロースイッチ１６によって測定された所定期間における流量の診断情報、又は、
ポンプの吐出側に設けられた逆止弁１５の作動情報は、所定期間に含まれる時点又は所定
期間よりも後の時点における点データ、又は、所定期間又は所定期間よりも後の時点を含
む期間における時系列データである。
サ３４によって測定された所定期間における２次圧力の診断情報、ポンプの吐出側に設け
られたフロースイッチ１６によって測定された所定期間における流量の診断情報、又は、
ポンプの吐出側に設けられた逆止弁１５の作動情報は、所定期間に含まれる時点又は所定
期間よりも後の時点における点データ、又は、所定期間又は所定期間よりも後の時点を含
む期間における時系列データである。
【0068】
したがって、本実施形態に係る学習用データは、図４に示すように、所定期間における
ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデー
タを含む入力データと、流体供給装置１の診断情報を含む出力データとが対応付けられて
構成される。
ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデー
タを含む入力データと、流体供給装置１の診断情報を含む出力データとが対応付けられて
構成される。
【0069】
ここで、学習用データに含まれる入力データ（所定期間におけるポンプ１２の運転状況
のデータ、及び、流体供給先４４にて使用された流体の流量のデータ）と、流体供給装置
１の診断情報との間の相関関係について説明する。
のデータ、及び、流体供給先４４にて使用された流体の流量のデータ）と、流体供給装置
１の診断情報との間の相関関係について説明する。
【0070】
流体供給装置１の診断情報は、様々なパラメータによって変化する。しかしながら、例
えば圧力タンク１７の封入圧力等、各構成部材の不具合を測定するためには高価なセンサ
がそれぞれ必要であり、従来は作業者の経験に依存する部分が大きかった。そこで、学習
用データが、入力データとして、所定期間におけるポンプ１２の運転状況、及び、所定期
間における流体供給先４４にて使用された流体の流量を測定することで、流体供給装置１
を診断することを可能とする。
えば圧力タンク１７の封入圧力等、各構成部材の不具合を測定するためには高価なセンサ
がそれぞれ必要であり、従来は作業者の経験に依存する部分が大きかった。そこで、学習
用データが、入力データとして、所定期間におけるポンプ１２の運転状況、及び、所定期
間における流体供給先４４にて使用された流体の流量を測定することで、流体供給装置１
を診断することを可能とする。
【0071】
学習用データ取得部４００は、上記の学習用データを取得する場合、流体供給装置１に
設けられた測定装置３にて測定された所定期間におけるポンプ１２の運転状況のデータ、
及び、所定期間における流体供給先４４にて使用された流体の流量のデータを入力データ
として、測定装置３から取得する。
設けられた測定装置３にて測定された所定期間におけるポンプ１２の運転状況のデータ、
及び、所定期間における流体供給先４４にて使用された流体の流量のデータを入力データ
として、測定装置３から取得する。
【0072】
また、作業者が、測定装置３にて入力データが測定された所定期間における流体供給装
置１を診断し、その診断値を作業者用端末８に入力すると、学習用データ取得部４００は
、作業者用端末８にて入力された診断値を出力データ（教師データ）として、作業者用端
末８から取得する。そして、学習用データ取得部４００は、これらの入力データと出力デ
ータとを対応付けられることで一の学習用データを構成し、学習用データ記憶部４０１に
記憶する。
置１を診断し、その診断値を作業者用端末８に入力すると、学習用データ取得部４００は
、作業者用端末８にて入力された診断値を出力データ（教師データ）として、作業者用端
末８から取得する。そして、学習用データ取得部４００は、これらの入力データと出力デ
ータとを対応付けられることで一の学習用データを構成し、学習用データ記憶部４０１に
記憶する。
【0073】
図５は、第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモ
デルの一例を示す模式図である。
デルの一例を示す模式図である。
【0074】
学習モデル６は、図５に示すニューラルネットワークモデルとして構成される。ニュー
ラルネットワークモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層
にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２
１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。
ラルネットワークモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層
にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２
１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。
【0075】
入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付け
られる。出力層の各ニューロンには、学習用データに含まれる出力データのそれぞれが対
応付けられる。なお、入力層に入力する前の入力データに対して所定の前処理を施しもよ
いし、出力層から出力された後の出力データに対して所定の後処理を施しもてもよい。
られる。出力層の各ニューロンには、学習用データに含まれる出力データのそれぞれが対
応付けられる。なお、入力層に入力する前の入力データに対して所定の前処理を施しもよ
いし、出力層から出力された後の出力データに対して所定の後処理を施しもてもよい。
【0076】
第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとし
ては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものでもよいし、
第１中間層のみを隠れ層とするものでもよい。また、入力層と第１中間層との間、第１中
間層と第２中間層との間、第２中間層と出力層との間には、各層のニューロンの間を接続
するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応
付けられる。
ては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものでもよいし、
第１中間層のみを隠れ層とするものでもよい。また、入力層と第１中間層との間、第１中
間層と第２中間層との間、第２中間層と出力層との間には、各層のニューロンの間を接続
するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応
付けられる。
【0077】
ニューラルネットワークモデルは、学習用データを用いて、当該学習用データに含まれ
る入力データを入力層に入力し、その推論結果として出力層から出力された出力データと
、当該学習用データに含まれる出力データ（教師データ）とを比較することで、入力デー
タと出力データとの相関関係を学習する。
る入力データを入力層に入力し、その推論結果として出力層から出力された出力データと
、当該学習用データに含まれる出力データ（教師データ）とを比較することで、入力デー
タと出力データとの相関関係を学習する。
【0078】
具体的には、入力層の各ニューロンには、学習用データに含まれる入力データのそれぞ
れが入力される。そして、出力層の各ニューロンの値は、当該ニューロンに接続される入
力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するシナプ
スに対応付けられた重みｗｉとの乗算値の数列の和として算出する処理を、入力層以外の
全てのニューロンに対して行うことで算出される。
れが入力される。そして、出力層の各ニューロンの値は、当該ニューロンに接続される入
力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するシナプ
スに対応付けられた重みｗｉとの乗算値の数列の和として算出する処理を、入力層以外の
全てのニューロンに対して行うことで算出される。
【0079】
そして、推論結果として出力層の各ニューロンに出力された値（ｚ１～ｚｏ）と、学習
用データに含まれる出力データのそれぞれに対応する教師データの値（ｔ１～ｔｏ）とを
それぞれ比較して誤差を求め、その誤差が小さくなるように、各シナプスに対応付けられ
た重みｗｉを調整する処理（バックプロバケーション）が実施される。
用データに含まれる出力データのそれぞれに対応する教師データの値（ｔ１～ｔｏ）とを
それぞれ比較して誤差を求め、その誤差が小さくなるように、各シナプスに対応付けられ
た重みｗｉを調整する処理（バックプロバケーション）が実施される。
【0080】
上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さく
なること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みの
ニューラルネットワークモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）
として生成される。
なること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みの
ニューラルネットワークモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）
として生成される。
【0081】
【0082】
まず、ステップＳ１０において、学習用データ取得部４００は、機械学習を開始するた
めの事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学
習用データ記憶部４０１に記憶する。ここで準備する学習用データの数については、最終
的に得られる学習モデル６に求められる推論精度を考慮して設定すればよい。
めの事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学
習用データ記憶部４０１に記憶する。ここで準備する学習用データの数については、最終
的に得られる学習モデル６に求められる推論精度を考慮して設定すればよい。
【0083】
学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、
特定の流体供給装置１を診断する場合において、その前後の期間における各種の測定値を
、測定装置３を用いて取得するとともに、作業者が作業者用端末８を用いて、これらの測
定値に対応付ける形で診断結果を入力することで、学習データを構成する入力データと出
力データとを準備する。そして、このような作業を繰り返すことで学習用データを複数組
準備することが可能である。また、他の方法として、例えば、流体供給装置１の対象部を
意図的に所定値にすることで学習用データを取得することも可能である。
特定の流体供給装置１を診断する場合において、その前後の期間における各種の測定値を
、測定装置３を用いて取得するとともに、作業者が作業者用端末８を用いて、これらの測
定値に対応付ける形で診断結果を入力することで、学習データを構成する入力データと出
力データとを準備する。そして、このような作業を繰り返すことで学習用データを複数組
準備することが可能である。また、他の方法として、例えば、流体供給装置１の対象部を
意図的に所定値にすることで学習用データを取得することも可能である。
【0084】
次に、ステップＳ１１において、機械学習部４０２は、機械学習を開始すべく、学習前
の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図５に例示したニ
ューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されて
いる。入力層の各ニューロンには、所定期間におけるポンプ１２の運転状況のデータ、及
び、所定期間における流体供給先４４にて使用された流体の流量のデータのそれぞれが対
応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データとしての
圧力タンク１７の封入圧力の診断情報、ポンプの吐出側に設けられたポンプ２次圧センサ
３４によって測定された所定期間における２次圧力の診断情報、ポンプの吐出側に設けら
れたフロースイッチ１６によって測定された所定期間における流量の診断情報、又は、ポ
ンプの吐出側に設けられた逆止弁１５の作動情報等の流体供給装置１の診断情報のそれぞ
れが対応付けられる。
の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図５に例示したニ
ューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されて
いる。入力層の各ニューロンには、所定期間におけるポンプ１２の運転状況のデータ、及
び、所定期間における流体供給先４４にて使用された流体の流量のデータのそれぞれが対
応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データとしての
圧力タンク１７の封入圧力の診断情報、ポンプの吐出側に設けられたポンプ２次圧センサ
３４によって測定された所定期間における２次圧力の診断情報、ポンプの吐出側に設けら
れたフロースイッチ１６によって測定された所定期間における流量の診断情報、又は、ポ
ンプの吐出側に設けられた逆止弁１５の作動情報等の流体供給装置１の診断情報のそれぞ
れが対応付けられる。
【0085】
次に、ステップＳ１２において、機械学習部４０２は、学習用データ記憶部４０１に記
憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
【0086】
次に、ステップＳ１３において、機械学習部４０２は、一の学習用データに含まれる入
力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その
結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力デ
ータは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため
、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用デ
ータに含まれる出力データ（教師データ）とは異なる情報を示す。
力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その
結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力デ
ータは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため
、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用デ
ータに含まれる出力データ（教師データ）とは異なる情報を示す。
【0087】
次に、ステップＳ１４において、機械学習部４０２は、ステップＳ１２において取得さ
れた一の学習用データに含まれる出力データ（教師データ）と、ステップＳ１４において
出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整す
ることで、機械学習を実施する。これにより、機械学習部４０２は、入力データと出力デ
ータとの相関関係を学習モデル６に学習させる。
れた一の学習用データに含まれる出力データ（教師データ）と、ステップＳ１４において
出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整す
ることで、機械学習を実施する。これにより、機械学習部４０２は、入力データと出力デ
ータとの相関関係を学習モデル６に学習させる。
【0088】
次に、ステップＳ１５において、機械学習部４０２は、機械学習を継続する必要がある
か否かを、例えば、出力データと教師データとの誤差や、学習用データ記憶部４０１内に
記憶された未学習の学習用データの残数に基づいて判定する。
か否かを、例えば、出力データと教師データとの誤差や、学習用データ記憶部４０１内に
記憶された未学習の学習用データの残数に基づいて判定する。
【0089】
ステップＳ１５において、機械学習部４０２が機械学習を継続すると判定した場合（ス
テップＳ１５でＮｏ）、ステップＳ１２に戻り、学習中の学習モデル６に対してステップ
Ｓ１２～Ｓ１４の工程を未学習の学習用データを用いて複数回実施する。一方、ステップ
Ｓ１５において、機械学習部４０２が機械学習を終了すると判定した場合（ステップＳ１
５でＹｅｓ）、ステップＳ１６に進む。
テップＳ１５でＮｏ）、ステップＳ１２に戻り、学習中の学習モデル６に対してステップ
Ｓ１２～Ｓ１４の工程を未学習の学習用データを用いて複数回実施する。一方、ステップ
Ｓ１５において、機械学習部４０２が機械学習を終了すると判定した場合（ステップＳ１
５でＹｅｓ）、ステップＳ１６に進む。
【0090】
そして、ステップＳ１６において、機械学習部４０２は、各シナプスに対応付けられた
重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４０
３に記憶し、図６に示す一連の機械学習方法を終了する。機械学習方法において、ステッ
プＳ１０が学習用データ記憶工程、ステップＳ１１～Ｓ１５が機械学習工程、ステップＳ
１６が学習済みモデル記憶工程に相当する。
重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４０
３に記憶し、図６に示す一連の機械学習方法を終了する。機械学習方法において、ステッ
プＳ１０が学習用データ記憶工程、ステップＳ１１～Ｓ１５が機械学習工程、ステップＳ
１６が学習済みモデル記憶工程に相当する。
【0091】
以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、学習用デ
ータに含まれる入力データとしての所定期間におけるポンプ１２の運転状況のデータ、及
び、所定期間における流体供給先４４にて使用された流体の流量のデータから、流体供給
装置１の状態を高精度に推論（診断）することが可能な学習モデル６を提供することがで
きる。
ータに含まれる入力データとしての所定期間におけるポンプ１２の運転状況のデータ、及
び、所定期間における流体供給先４４にて使用された流体の流量のデータから、流体供給
装置１の状態を高精度に推論（診断）することが可能な学習モデル６を提供することがで
きる。
【0092】
（状態診断装置５）
図７は、第１の実施形態に係る状態診断装置５の一例を示すブロック図である。
図７は、第１の実施形態に係る状態診断装置５の一例を示すブロック図である。
【0093】
状態診断装置５は、入力データ取得部５００と、推論部５０１と、学習済みモデル記憶
部５０２と、出力処理部５０３とを備える。状態診断装置５は、例えば、図２に示すコン
ピュータ２００で構成される。その場合、入力データ取得部５００は、通信Ｉ／Ｆ部２２
２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、推論部５０１及び出力処理部５０３は
、プロセッサ２１２で構成され、学習済みモデル記憶部５０２は、ストレージ装置２２０
で構成される。なお、状態診断装置５は、流体供給装置１に組み込まれていてもよいし、
流体供給装置１の上位の管理装置（例えば、設備のコントローラ、複数の設備を管理する
設備管理システム等）に組み込まれていてもよい。
部５０２と、出力処理部５０３とを備える。状態診断装置５は、例えば、図２に示すコン
ピュータ２００で構成される。その場合、入力データ取得部５００は、通信Ｉ／Ｆ部２２
２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、推論部５０１及び出力処理部５０３は
、プロセッサ２１２で構成され、学習済みモデル記憶部５０２は、ストレージ装置２２０
で構成される。なお、状態診断装置５は、流体供給装置１に組み込まれていてもよいし、
流体供給装置１の上位の管理装置（例えば、設備のコントローラ、複数の設備を管理する
設備管理システム等）に組み込まれていてもよい。
【0094】
入力データ取得部５００は、流体供給装置１に設けられた測定装置３（ポンプ運転状況
センサ３１、及び、使用流量センサ３２）に接続され、測定装置３により測定された測定
値に基づく入力データ（所定期間における、ポンプ１２の運転状況のデータ、及び、流体
供給先４４にて使用された流体の流量のデータ）を取得するインタフェースユニットであ
る。
センサ３１、及び、使用流量センサ３２）に接続され、測定装置３により測定された測定
値に基づく入力データ（所定期間における、ポンプ１２の運転状況のデータ、及び、流体
供給先４４にて使用された流体の流量のデータ）を取得するインタフェースユニットであ
る。
【0095】
推論部５０１は、入力データ取得部５００により取得された入力データを学習モデル６
に入力し、流体供給装置１の状態を診断する推論処理を行う。推論処理には、機械学習装
置４及び機械学習方法にて教師あり学習が実施された学習済みの学習モデル６が用いられ
る。
に入力し、流体供給装置１の状態を診断する推論処理を行う。推論処理には、機械学習装
置４及び機械学習方法にて教師あり学習が実施された学習済みの学習モデル６が用いられ
る。
【0096】
推論部５０１は、学習モデル６を用いた推論処理を行う機能のみならず、推論処理の前
処理として、入力データ取得部５００により取得された入力データを所望の形式等に調整
して学習モデル６に入力する前処理機能や、推論処理の後処理として、学習モデル６から
出力された出力データの値に所定の論理式や計算式を適用することで、流体供給装置１の
状態を最終的に診断する後処理機能をも含んでいる。なお、推論部５０１の推論結果は、
学習済みモデル記憶部５０２や他の記憶装置（不図示）に記憶することが好ましく、過去
の推論結果は、例えば、学習モデル６の推論精度の更なる向上のため、オンライン学習や
再学習に用いられる学習用データとして利用することが可能である。
処理として、入力データ取得部５００により取得された入力データを所望の形式等に調整
して学習モデル６に入力する前処理機能や、推論処理の後処理として、学習モデル６から
出力された出力データの値に所定の論理式や計算式を適用することで、流体供給装置１の
状態を最終的に診断する後処理機能をも含んでいる。なお、推論部５０１の推論結果は、
学習済みモデル記憶部５０２や他の記憶装置（不図示）に記憶することが好ましく、過去
の推論結果は、例えば、学習モデル６の推論精度の更なる向上のため、オンライン学習や
再学習に用いられる学習用データとして利用することが可能である。
【0097】
学習済みモデル記憶部５０２は、推論部５０１の推論処理にて用いられる学習済みの学
習モデル６を記憶するデータベースである。なお、学習済みモデル記憶部５０２に記憶さ
れる学習モデル６の数は１つに限定されない。例えば、入力データの数が異なる、又は、
機械学習の手法が異なる複数の学習モデル６が記憶され、選択的に利用可能としてもよい
。
習モデル６を記憶するデータベースである。なお、学習済みモデル記憶部５０２に記憶さ
れる学習モデル６の数は１つに限定されない。例えば、入力データの数が異なる、又は、
機械学習の手法が異なる複数の学習モデル６が記憶され、選択的に利用可能としてもよい
。
【0098】
出力処理部５０３は、推論部５０１の推論結果、すなわち、流体供給装置１の状態を出
力する処理を行う。具体的な出力手段は、種々の手段を採用することが可能である。出力
処理部５０３は、例えば、流体供給装置１の状態を、表示や音で作業者に報知したり、流
体供給装置１の状態を履歴として、例えば、流体供給装置１の上位の管理装置（不図示）
に送信し、流体供給装置１の管理装置の記憶部に記憶したり、モータ１３の駆動制御等に
利用してもよい。
力する処理を行う。具体的な出力手段は、種々の手段を採用することが可能である。出力
処理部５０３は、例えば、流体供給装置１の状態を、表示や音で作業者に報知したり、流
体供給装置１の状態を履歴として、例えば、流体供給装置１の上位の管理装置（不図示）
に送信し、流体供給装置１の管理装置の記憶部に記憶したり、モータ１３の駆動制御等に
利用してもよい。
【0099】
（状態診断方法）
図８は、第１の実施形態に係る状態診断装置５による状態診断方法の一例を示すフロー
チャートである。図８では、流体供給装置１の診断情報が、正常「０」及び異常「１」の
いずれかを表す２値分類として定義されたものとして説明する。なお、流体供給装置１の
診断方法は、図５の推論フェーズに該当する。
図８は、第１の実施形態に係る状態診断装置５による状態診断方法の一例を示すフロー
チャートである。図８では、流体供給装置１の診断情報が、正常「０」及び異常「１」の
いずれかを表す２値分類として定義されたものとして説明する。なお、流体供給装置１の
診断方法は、図５の推論フェーズに該当する。
【0100】
モータ１３に電流が供給されてモータ１３が回転駆動されることにより、ポンプ１２は
回転された状態となる。このとき、図８に示す一連の状態診断方法が、状態診断装置５に
て所定の診断タイミングにて実行されてもよい。診断タイミングは、例えば、所定の時間
間隔毎でもよいし、所定の事象発生時（作業者の操作指示時、メンテナンス動作時等）で
もよい。
回転された状態となる。このとき、図８に示す一連の状態診断方法が、状態診断装置５に
て所定の診断タイミングにて実行されてもよい。診断タイミングは、例えば、所定の時間
間隔毎でもよいし、所定の事象発生時（作業者の操作指示時、メンテナンス動作時等）で
もよい。
【0101】
まず、ステップＳ２１において、入力データ取得部５００が、測定装置３（ポンプ運転
状況センサ３１、及び、使用流量センサ３２）により測定された測定値に基づく入力デー
タ（所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用
された流体の流量のデータ）を取得する。このとき、入力データは、所定期間と同一期間
又は所定期間よりも長期間において測定装置３にて測定された測定値を含むことが要求さ
れる。
状況センサ３１、及び、使用流量センサ３２）により測定された測定値に基づく入力デー
タ（所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用
された流体の流量のデータ）を取得する。このとき、入力データは、所定期間と同一期間
又は所定期間よりも長期間において測定装置３にて測定された測定値を含むことが要求さ
れる。
【0102】
次に、ステップＳ２２において、推論部５０１は、入力データに前処理を施して学習モ
デル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得す
る。
デル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得す
る。
【0103】
次に、ステップＳ２３において、推論部５０１は、教師あり学習の後処理の一例として
、出力データの値（０■１の間の数）と、所定の閾値とを比較し、例えば、出力データの
値が、所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上で
あれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出
力する。
、出力データの値（０■１の間の数）と、所定の閾値とを比較し、例えば、出力データの
値が、所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上で
あれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出
力する。
【0104】
次に、ステップＳ２４において、出力処理部５０３は、推論部５０１の推論結果である
流体供給装置１の診断情報が「正常」及び「異常」のいずれを表すかを判定し、「正常」
と判定した場合には、ステップＳ２５に進み、「異常」と判定した場合には、ステップＳ
２６に進む。
流体供給装置１の診断情報が「正常」及び「異常」のいずれを表すかを判定し、「正常」
と判定した場合には、ステップＳ２５に進み、「異常」と判定した場合には、ステップＳ
２６に進む。
【0105】
そして、ステップＳ２５において、出力処理部５０３は、「正常」を表す情報を出力す
る。なお、ステップＳ２５は省略されてもよい。
る。なお、ステップＳ２５は省略されてもよい。
【0106】
また、ステップＳ２６において、出力処理部５０３は、「異常」を表す情報を出力し、
図８に示す一連の流体供給装置１の診断方法を終了する。流体供給装置１の診断方法にお
いて、ステップＳ２０が入力データ取得工程、ステップＳ２１～Ｓ２２が推論工程、ステ
ップＳ２３～Ｓ２５が出力処理工程に相当する。
図８に示す一連の流体供給装置１の診断方法を終了する。流体供給装置１の診断方法にお
いて、ステップＳ２０が入力データ取得工程、ステップＳ２１～Ｓ２２が推論工程、ステ
ップＳ２３～Ｓ２５が出力処理工程に相当する。
【0107】
以上のように、本実施形態に係る状態診断装置５及び状態診断方法によれば、作業者の
経験に依存することなく、流体供給装置１の状態を高精度に診断することができる。
経験に依存することなく、流体供給装置１の状態を高精度に診断することができる。
【0108】
（第２の実施形態）
第１の実施形態では、機械学習の手法として、「教師あり学習」を採用した場合につい
て説明したが、本実施形態では、「教師なし学習」を採用した場合について説明する。な
お、第２の実施形態に係る流体供給装置１及び流体供給装置診断システム２を構成する測
定装置３、機械学習装置４及び状態診断装置５の基本的な構成や動作は、第１の実施形態
と同様であるため、以下では第１の実施形態との相違点を中心に説明する。
第１の実施形態では、機械学習の手法として、「教師あり学習」を採用した場合につい
て説明したが、本実施形態では、「教師なし学習」を採用した場合について説明する。な
お、第２の実施形態に係る流体供給装置１及び流体供給装置診断システム２を構成する測
定装置３、機械学習装置４及び状態診断装置５の基本的な構成や動作は、第１の実施形態
と同様であるため、以下では第１の実施形態との相違点を中心に説明する。
【0109】
【0110】
図９は、第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の
一例を示すデータ構成図である。
一例を示すデータ構成図である。
【0111】
機械学習として「教師なし学習」を採用する場合、学習データは、診断情報が所定期間
における流体供給装置１の状態が所定の状態であることを表すときの入力データのみを含
む。すなわち、学習データは、出力データを含まない構成としてもよく、機械学習装置４
が採用する機械学習の手法に応じて出力データの有無や出力データの形式を適宜選択する
ことができる。
における流体供給装置１の状態が所定の状態であることを表すときの入力データのみを含
む。すなわち、学習データは、出力データを含まない構成としてもよく、機械学習装置４
が採用する機械学習の手法に応じて出力データの有無や出力データの形式を適宜選択する
ことができる。
【0112】
流体供給装置１の状態として、異常の有無を診断する場合には、診断情報は、流体供給
装置１の状態が正常及び異常のいずれかであることを表す情報として構成される。この場
合に、本実施形態に係る学習用データは、図９に示すように、流体供給装置１の状態が正
常であるときの所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４
４にて使用された流体の流量のデータのみで構成される。
装置１の状態が正常及び異常のいずれかであることを表す情報として構成される。この場
合に、本実施形態に係る学習用データは、図９に示すように、流体供給装置１の状態が正
常であるときの所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４
４にて使用された流体の流量のデータのみで構成される。
【0113】
学習用データ取得部４００は、上記の学習用データを取得する場合、流体供給装置１に
設けられた測定装置３にて測定された所定期間における、ポンプ１２の運転状況のデータ
、及び、流体供給先４４にて使用された流体の流量のデータを入力データとして、測定装
置３から取得する。そして、作業者が、測定装置３にて入力データが測定された所定期間
における流体供給装置１の状態を診断し、その診断した診断結果が正常であることを作業
者用端末８に入力すると、学習用データ取得部４００は、その入力データのみで一の学習
用データを構成し、学習用データ記憶部４０１に記憶する。
設けられた測定装置３にて測定された所定期間における、ポンプ１２の運転状況のデータ
、及び、流体供給先４４にて使用された流体の流量のデータを入力データとして、測定装
置３から取得する。そして、作業者が、測定装置３にて入力データが測定された所定期間
における流体供給装置１の状態を診断し、その診断した診断結果が正常であることを作業
者用端末８に入力すると、学習用データ取得部４００は、その入力データのみで一の学習
用データを構成し、学習用データ記憶部４０１に記憶する。
【0114】
機械学習部４０２は、学習モデル６に学習用データを一又は複数組入力することで、学
習用データに含まれる入力データと流体供給装置１の状態が正常であることを表す診断情
報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する
。本実施形態では、機械学習部４０２による教師なし学習の具体的な手法として、オート
エンコーダを採用する場合について説明する。
習用データに含まれる入力データと流体供給装置１の状態が正常であることを表す診断情
報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する
。本実施形態では、機械学習部４０２による教師なし学習の具体的な手法として、オート
エンコーダを採用する場合について説明する。
【0115】
図１０は、第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデル
の一例を示す模式図である。
の一例を示す模式図である。
【0116】
学習モデル６は、図１０に示すオートエンコーダモデルとして構成される。オートエン
コーダモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、中間層にあるｍ個のニ
ューロン（ｙ１～ｙｍ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成
される。入力層と出力層のニューロンの個数は同じであり、中間層のニューロンの個数よ
りも多い。
コーダモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、中間層にあるｍ個のニ
ューロン（ｙ１～ｙｍ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成
される。入力層と出力層のニューロンの個数は同じであり、中間層のニューロンの個数よ
りも多い。
【0117】
入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付け
られる。中間層は、隠れ層とも呼ばれており、複数の隠れ層を有するものでもよい。また
、入力層と中間層との間、中間層と出力層との間には、各層のニューロンの間を接続する
シナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付け
られる。
られる。中間層は、隠れ層とも呼ばれており、複数の隠れ層を有するものでもよい。また
、入力層と中間層との間、中間層と出力層との間には、各層のニューロンの間を接続する
シナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付け
られる。
【0118】
オートエンコーダモデルは、学習用データを用いて、当該学習用データに含まれる入力
データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該
学習用データに含まれる入力データとを比較し、重みｗｉを調整する処理を実施すること
で、入力データが有するパターンや傾向を学習する。
データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該
学習用データに含まれる入力データとを比較し、重みｗｉを調整する処理を実施すること
で、入力データが有するパターンや傾向を学習する。
【0119】
上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さく
なること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みの
オートエンコーダモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として
生成される。
なること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みの
オートエンコーダモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として
生成される。
【0120】
【0121】
まず、ステップＳ３０において、学習用データ取得部４００は、機械学習を開始するた
めの事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学
習用データ記憶部４０１に記憶する。
めの事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学
習用データ記憶部４０１に記憶する。
【0122】
学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、
特定の流体供給装置１が正常な状態である場合の所定期間における各種の測定値を、測定
装置３を用いて取得することで、学習データを構成する入力データを準備する。そして、
このような作業を繰り返すことで学習用データを複数組準備することが可能である。
特定の流体供給装置１が正常な状態である場合の所定期間における各種の測定値を、測定
装置３を用いて取得することで、学習データを構成する入力データを準備する。そして、
このような作業を繰り返すことで学習用データを複数組準備することが可能である。
【0123】
次に、ステップＳ３１において、機械学習部４０２は、機械学習を開始すべく、学習前
の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図１０に例示した
オートエンコーダモデルで構成されており、各シナプスの重みが初期値に設定されている
。入力層の各ニューロンには、学習用データに含まれる入力データとしてのポンプ１２の
運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデータのそれぞれ
が対応付けられる。
の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図１０に例示した
オートエンコーダモデルで構成されており、各シナプスの重みが初期値に設定されている
。入力層の各ニューロンには、学習用データに含まれる入力データとしてのポンプ１２の
運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデータのそれぞれ
が対応付けられる。
【0124】
次に、ステップＳ３２において、機械学習部４０２は、学習用データ記憶部４０１に記
憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
【0125】
次に、ステップＳ３３において、機械学習部４０２は、一の学習用データに含まれる入
力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その
結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力デ
ータは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため
、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用デ
ータに含まれる入力データとは異なる情報を示す。
力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その
結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力デ
ータは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため
、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用デ
ータに含まれる入力データとは異なる情報を示す。
【0126】
次に、ステップＳ３４において、機械学習部４０２は、ステップＳ３２において取得さ
れた一の学習用データに含まれる入力データと、ステップＳ３３において出力層から推論
結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械
学習を実施する。
れた一の学習用データに含まれる入力データと、ステップＳ３３において出力層から推論
結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械
学習を実施する。
【0127】
次に、ステップＳ３５において、機械学習部４０２は、機械学習を継続する必要がある
か否かを判定する。その結果、継続すると判定した場合（ステップＳ３５でＮｏ）、ステ
ップＳ３２に戻り、学習中の学習モデル６に対してステップＳ３２～Ｓ３４の工程を実施
し、機械学習を終了すると判定した場合（ステップＳ３５でＹｅｓ）、ステップＳ３６に
進む。
か否かを判定する。その結果、継続すると判定した場合（ステップＳ３５でＮｏ）、ステ
ップＳ３２に戻り、学習中の学習モデル６に対してステップＳ３２～Ｓ３４の工程を実施
し、機械学習を終了すると判定した場合（ステップＳ３５でＹｅｓ）、ステップＳ３６に
進む。
【0128】
そして、機械学習部４０２は、ステップＳ３６において、各シナプスに対応付けられた
重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４０
３に記憶し、図１１に示す一連の機械学習方法を終了する。機械学習方法において、ステ
ップＳ３０が学習用データ記憶工程、ステップＳ３１～Ｓ３５が機械学習工程、ステップ
Ｓ３６が学習済みモデル記憶工程に相当する。
重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４０
３に記憶し、図１１に示す一連の機械学習方法を終了する。機械学習方法において、ステ
ップＳ３０が学習用データ記憶工程、ステップＳ３１～Ｓ３５が機械学習工程、ステップ
Ｓ３６が学習済みモデル記憶工程に相当する。
【0129】
以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、所定期間
における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の
流量のデータから、流体供給装置１の診断情報を高精度に推論（診断）することが可能な
学習モデル６を提供することができる。
における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の
流量のデータから、流体供給装置１の診断情報を高精度に推論（診断）することが可能な
学習モデル６を提供することができる。
【0130】
【0131】
推論部５０１は、入力データ取得部５００により取得された入力データを学習モデル６
に入力し、流体供給装置１の診断情報を推論する推論処理を行う。推論処理には、機械学
習装置４及び機械学習方法にて教師なし学習が実施された学習済みの学習モデル６が用い
られる。
に入力し、流体供給装置１の診断情報を推論する推論処理を行う。推論処理には、機械学
習装置４及び機械学習方法にて教師なし学習が実施された学習済みの学習モデル６が用い
られる。
【0132】
（状態診断方法）
図１２は、第２の実施形態に係る状態診断方法の一例を示すフローチャートである。図
１２では、流体供給装置１の診断情報が、正常及び異常のいずれかであることを表す２値
分類として定義されたものとして説明する。
図１２は、第２の実施形態に係る状態診断方法の一例を示すフローチャートである。図
１２では、流体供給装置１の診断情報が、正常及び異常のいずれかであることを表す２値
分類として定義されたものとして説明する。
【0133】
まず、ステップＳ４０において、入力データ取得部５００が、測定装置３（ポンプ運転
状況センサ３１及び使用流量センサ３２）により測定された測定値に基づく入力データ（
所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用され
た流体の流量のデータ）を取得する。
状況センサ３１及び使用流量センサ３２）により測定された測定値に基づく入力データ（
所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用され
た流体の流量のデータ）を取得する。
【0134】
次に、ステップＳ４１において、推論部５０１は、入力データに前処理を施して学習モ
デル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得す
る。
デル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得す
る。
【0135】
次に、ステップＳ４２において、推論部５０１は、教師なし学習の後処理の一例として
、入力データに基づく特徴量と、出力データに基づく特徴量との差を求める。特徴量は、
例えば、多次元空間上の特徴ベクトルとして表現されるパラメータであり、差は、特徴ベ
クトル間の距離として表現される。そして、推論部５０１は、その差が所定の閾値未満で
あれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異
常」であると判断することで、その判断結果を推論結果として出力する。
、入力データに基づく特徴量と、出力データに基づく特徴量との差を求める。特徴量は、
例えば、多次元空間上の特徴ベクトルとして表現されるパラメータであり、差は、特徴ベ
クトル間の距離として表現される。そして、推論部５０１は、その差が所定の閾値未満で
あれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異
常」であると判断することで、その判断結果を推論結果として出力する。
【0136】
次に、ステップＳ４３において、出力処理部５０３は、推論部５０１の推論結果である
流体供給装置１の診断情報が「正常」及び「異常」のいずれを表すかを判定する。その結
果、「正常」と判定した場合には、ステップＳ４４に進み、「異常」と判定した場合には
、ステップＳ４５（省略可能）に進み、図１２に示す一連の流体供給装置診断方法を終了
する。状態診断方法において、ステップＳ４０が入力データ取得工程、ステップＳ４１～
Ｓ４２が推論工程、ステップＳ４３～Ｓ４５が出力処理工程に相当する。
流体供給装置１の診断情報が「正常」及び「異常」のいずれを表すかを判定する。その結
果、「正常」と判定した場合には、ステップＳ４４に進み、「異常」と判定した場合には
、ステップＳ４５（省略可能）に進み、図１２に示す一連の流体供給装置診断方法を終了
する。状態診断方法において、ステップＳ４０が入力データ取得工程、ステップＳ４１～
Ｓ４２が推論工程、ステップＳ４３～Ｓ４５が出力処理工程に相当する。
【0137】
以上のように、本実施形態に係る状態診断装置５及び状態診断方法によれば、作業者の
経験に依存することなく、流体供給装置１の状態を高精度に診断することができる。
経験に依存することなく、流体供給装置１の状態を高精度に診断することができる。
【0138】
（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲
内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思
想に含まれるものである。
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲
内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思
想に含まれるものである。
【0139】
上記実施形態では、機械学習部４０２による機械学習の具体的な手法として、ニューラ
ルネットワークをそれぞれ採用した場合について説明したが、機械学習部４０２は、任意
の他の機械学習の手法を採用してもよい。他の機械学習の手法としては、例えば、決定木
、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニュー
ラルネットワーク、畳み込みニューラルネットワーク等のニューラルネット型(ディープ
ラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平
均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、
サポートベクターマシン等が挙げられる。
ルネットワークをそれぞれ採用した場合について説明したが、機械学習部４０２は、任意
の他の機械学習の手法を採用してもよい。他の機械学習の手法としては、例えば、決定木
、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニュー
ラルネットワーク、畳み込みニューラルネットワーク等のニューラルネット型(ディープ
ラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平
均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、
サポートベクターマシン等が挙げられる。
【0140】
本発明は、図２に示すコンピュータ２００に、上記実施形態に係る機械学習方法が備え
る各工程を実行させるためのプログラム（機械学習プログラム）２３０の態様で提供する
こともできる。また、本発明は、図２に示すコンピュータ２００に、上記実施形態に係る
状態診断方法が備える各工程を実行させるためのプログラム（状態診断プログラム）２３
０の態様で提供することもできる。
る各工程を実行させるためのプログラム（機械学習プログラム）２３０の態様で提供する
こともできる。また、本発明は、図２に示すコンピュータ２００に、上記実施形態に係る
状態診断方法が備える各工程を実行させるためのプログラム（状態診断プログラム）２３
０の態様で提供することもできる。
【0141】
（推論装置、推論方法及び推論プログラム）
本発明は、上記実施形態に係る状態診断装置５（状態診断方法又は状態診断プログラム
）の態様によるもののみならず、流体供給装置１の状態を診断するために用いられる推論
装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装
置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうち
のプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、
所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用され
た流体の流量のデータを含む入力データを取得する入力データ取得処理（入力データ取得
工程）と、入力データ取得処理にて入力データを取得すると、流体供給装置１の状態診断
情報を推論する推論処理（推論工程）とを含む。
本発明は、上記実施形態に係る状態診断装置５（状態診断方法又は状態診断プログラム
）の態様によるもののみならず、流体供給装置１の状態を診断するために用いられる推論
装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装
置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうち
のプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、
所定期間における、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用され
た流体の流量のデータを含む入力データを取得する入力データ取得処理（入力データ取得
工程）と、入力データ取得処理にて入力データを取得すると、流体供給装置１の状態診断
情報を推論する推論処理（推論工程）とを含む。
【0142】
推論装置（推論方法又は推論プログラム）の態様で提供することで、状態診断装置５を
実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は
推論プログラム）が流体供給装置１の状態を推論する際、上記実施形態に係る機械学習装
置４及び機械学習方法により生成された学習済みの学習モデル６を用いて、状態診断装置
５の推論部５０１が実施する推論手法を適用してもよいことは、当業者にとって当然に理
解され得るものである。
実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は
推論プログラム）が流体供給装置１の状態を推論する際、上記実施形態に係る機械学習装
置４及び機械学習方法により生成された学習済みの学習モデル６を用いて、状態診断装置
５の推論部５０１が実施する推論手法を適用してもよいことは、当業者にとって当然に理
解され得るものである。
【符号の説明】
【0143】
１…流体供給装置、
１２…ポンプ、１３…モータ、１４…インバータ、１７…圧力タンク、
４１…流体供給源、４４…流体供給先、
２…状態診断システム、
３…測定装置、３１…ポンプ運転状況センサ、３２…使用流量センサ、３３…ポンプ１次
圧センサ、３４…ポンプ２次圧センサ、
４…機械学習装置、５…状態診断装置、６…学習モデル、
４００…学習用データ取得部、４０１…学習用データ記憶部、４０２…機械学習部、４０
３…モデル記憶部、
５００…入力データ取得部、５０１…推論部、５０２…モデル記憶部、５０３…出力処理
部、
２００…コンピュータ
１２…ポンプ、１３…モータ、１４…インバータ、１７…圧力タンク、
４１…流体供給源、４４…流体供給先、
２…状態診断システム、
３…測定装置、３１…ポンプ運転状況センサ、３２…使用流量センサ、３３…ポンプ１次
圧センサ、３４…ポンプ２次圧センサ、
４…機械学習装置、５…状態診断装置、６…学習モデル、
４００…学習用データ取得部、４０１…学習用データ記憶部、４０２…機械学習部、４０
３…モデル記憶部、
５００…入力データ取得部、５０１…推論部、５０２…モデル記憶部、５０３…出力処理
部、
２００…コンピュータ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】