知財求人 - 知財ポータルサイト「IP Force」
(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】P2024072124
(43)【公開日】2024-05-27
(54)【発明の名称】機種、部品型番、及び異常を推定するシステム並びに方法
(51)【国際特許分類】
G01M 99/00 20110101AFI20240520BHJP
【ＦＩ】
G01M99/00 A
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022182802
(22)【出願日】2022-11-15
(71)【出願人】
【識別番号】000152170
【氏名又は名称】株式会社酉島製作所
(74)【代理人】
【識別番号】100106518
【弁理士】
【氏名又は名称】松谷 道子
(74)【代理人】
【識別番号】100135703
【弁理士】
【氏名又は名称】岡部 英隆
(74)【代理人】
【識別番号】100189544
【弁理士】
【氏名又は名称】柏原 啓伸
(72)【発明者】
【氏名】桐畑 洸
(72)【発明者】
【氏名】野口 朝晴
(72)【発明者】
【氏名】平城 恵介
(72)【発明者】
【氏名】村木 良民
【テーマコード（参考）】
2G024
【Ｆターム（参考）】
2G024AD03
2G024BA22
2G024BA27
2G024CA13
2G024FA06
2G024FA11
(57)【要約】
【課題】機種型番推定及び異常推定システムを構築する。
【解決手段】学習済みの機種推定のための機械学習モデルに、或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じたＦＦＴデータを入力し、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、加えて、学習済みの型番推定のための機械学習モデルに、或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じたＦＦＴデータを入力し、当該入力されたＦＦＴデータを生じた回転機械に含まれる或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【選択図】図１
【解決手段】学習済みの機種推定のための機械学習モデルに、或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じたＦＦＴデータを入力し、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、加えて、学習済みの型番推定のための機械学習モデルに、或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じたＦＦＴデータを入力し、当該入力されたＦＦＴデータを生じた回転機械に含まれる或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
機種型番推定及び異常推定システムであって、
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
加えて、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
更に学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する、
機種型番推定及び異常推定システム。
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
加えて、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
更に学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する、
機種型番推定及び異常推定システム。
【請求項2】
前記機種推定のための機械学習モデル及び前記型番推定のための機械学習モデルが、ディープラーニングモデルである、
請求項１に記載の機種型番推定及び異常推定システム。
請求項１に記載の機種型番推定及び異常推定システム。
【請求項3】
前記機種推定のための機械学習モデルであるディープラーニングモデルの出力層手前の３ノードからの出力値により形成される３Ｄプロットグラフでの、個別の出力値の位置により、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が推定される、
請求項２に記載の機種型番推定及び異常推定システム。
請求項２に記載の機種型番推定及び異常推定システム。
【請求項4】
前記コンピュータ装置には、前記型番推定のための機械学習モデルが、第１の機械学習モデル～第ｎの機械学習モデルとして、複数種類、構築されており、ここで夫々の型番は異なるものであり、当該第１の機械学習モデル～第ｎの機械学習モデルは夫々の型番毎に学習済みとなっており、
前記コンピュータ装置の前記処理回路は、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々に、前記複数種類の型番の夫々と同型番の複数種類の部品を利用しており且つ異常を示す回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々から、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記複数種類の型番の部品の夫々における異常の有無及び程度を推定する第１の推定値～第ｎの推定値を出力する、
請求項１に記載の機種型番推定及び異常推定システム。
前記コンピュータ装置の前記処理回路は、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々に、前記複数種類の型番の夫々と同型番の複数種類の部品を利用しており且つ異常を示す回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々から、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記複数種類の型番の部品の夫々における異常の有無及び程度を推定する第１の推定値～第ｎの推定値を出力する、
請求項１に記載の機種型番推定及び異常推定システム。
【請求項5】
機種型番推定及び異常推定システムであって、
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータとの、
組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力する、
機種型番推定及び異常推定システム。
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータとの、
組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力する、
機種型番推定及び異常推定システム。
【請求項6】
前記複数種類の機種推定のための機械学習モデルが、ディープラーニングモデルである、
請求項５に記載の機種型番推定及び異常推定システム。
請求項５に記載の機種型番推定及び異常推定システム。
【請求項7】
前記ディープラーニングモデルの出力層手前の中間層における、出力層の各クラスに関する個別のノードに接続する３ノードからの、出力値により形成される３次元プロットグラフでの、個別の出力値の位置により、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が推定される、
請求項６に記載の機種型番推定及び異常推定システム。
請求項６に記載の機種型番推定及び異常推定システム。
【請求項8】
前記３次元プロットグラフが示される３次元空間において機種毎に形成される、クラスタにおける中心点から離隔する距離により、個別の出力値に関して、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が示される、請求項７に記載の機種型番推定及び異常推定システム。
【請求項9】
コンピュータ装置により、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置により、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力して、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力するステップと
を含む、異常を推定する方法。
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置により、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力して、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力するステップと
を含む、異常を推定する方法。
【請求項10】
コンピュータ装置により、
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、
記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータと
の組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力するステップと
を含む、異常を推定する方法。
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、
記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータと
の組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力するステップと
を含む、異常を推定する方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、ポンプ等の回転機械における機種や部品型番を機械学習モデルにより推定するシステム及び方法に関する。更に、本開示は、ポンプ等の回転機械において発生し得る異常や故障を同じく機械学習モデルにより推定するシステム及び方法に関する。
【背景技術】
【0002】
ポンプ等の回転機械は、長期に渡って使用される。これらポンプ等の回転機械は、長期間出来るだけ安定して稼働することが要求されており、そのため、故障の兆候、即ち、異常が生じているような場合には、速やかに操作者により把握されることが求められている。
【0003】
回転機械の異常を把握する方策として、例えば、回転機械の振動データを採取して解析することが取り挙げられ得る。
【0004】
従来、回転機械における、ギア異常やアンバランス、ミスアライメントなどについては、振動データの速度域における特徴的な周波数成分を見ることにより推定され得るものとされてきた。しかしながら、例えば、回転機械における初期の軸受故障や潤滑不良等の異常に関しては、振動データの速度域における特徴的な周波数成分が特定されていない。即ち、従来、振動データにより回転機械における異常の一部は把握可能であったが、十全には異常は把握され得なかった。つまり、回転機械の振動データに基づく故障発生や故障個所の推定は必ずしも容易なものではなかった。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０２１－８９２０２号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
本開示は、まず、振動データを入力としてポンプ等の回転機械における機種や部品型番を推定するシステム、及び方法を提供することを目的とする。加えて、本開示は、振動データを入力としてポンプ等の回転機械にて発生している異常及び故障、並びに異常及び故障を発生している部品を推定するシステム、及び方法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】
【0007】
本開示の機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含む。
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されている。
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
更に前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習する。
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
加えて、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されている。
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
更に前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習する。
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
加えて、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【発明の効果】
【0008】
本開示に係るシステム及び方法を利用することにより、振動データに基づいて回転機械の機種や該回転機械で用いられている部品の型番を推定することができる。更に、本開示に係るシステム及び方法を利用することにより、振動データに基づいて回転機械にて発生している異常や故障、更には異常や故障を生じている部品を推定することが実現され得る。
【図面の簡単な説明】
【0009】
【図7】図７は、機種推定のための機械学習モデルにおける、入力データであるテストデータの例であって、（１）特定の機種であると推定できた加速度ＦＦＴデータの例と、（２）特定の機種であると推定できない加速度ＦＦＴデータデータの例を、示す図である。
【発明を実施するための形態】
【0010】
以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
【0011】
なお、発明者は、当業者が本開示を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。
【0012】
１．［本開示に至る経緯］
ポンプ等の回転機械は、連続的に若しくは断続的に長期間に渡って使用される。これらの回転機械は、長期間、故障すること無く出来るだけ安定して稼働することが通常求められる。そのため、回転機械における故障の兆候が窺えるような場合、例えば、回転機械の停止に繋がり得るような異常が生じつつある場合には、速やかに回転機械の操作者により異常現象が把握されることが求められる。
ポンプ等の回転機械は、連続的に若しくは断続的に長期間に渡って使用される。これらの回転機械は、長期間、故障すること無く出来るだけ安定して稼働することが通常求められる。そのため、回転機械における故障の兆候が窺えるような場合、例えば、回転機械の停止に繋がり得るような異常が生じつつある場合には、速やかに回転機械の操作者により異常現象が把握されることが求められる。
【0013】
回転機械の異常を把握する方策には様々なものが在るが、実効的なものとして、回転機械の振動データを採取して分析することが挙げられる。
【0014】
従来、回転機械における、ギア異常やアンバランス、ミスアライメントなどについては、振動データの速度域における特徴的な周波数成分に着目することにより推定され得るとされてきた。しかしながら、例えば、回転機械における初期の軸受故障や潤滑不良等の異常に関しては、振動データの速度域における特徴的な周波数成分が特定されていない。
【0015】
また、潤滑不良や金属接触などの現象が起きたときに発生する特徴周波数は、軸受の大きさや種類によって異なり、よってその特徴は複雑なものである。更に、機械の設置環境によるノイズの影響も受けることから、潤滑不良や金属接触などの現象を振動データから発見することは困難であった。同様に、負荷が変動する回転機械においては、振動の変化が負荷変動の影響によるのか機械の異常によるのか、の識別が困難であった。
【0016】
更に、振動計を設置することが殆ど無い回転機械等の、データとしての振動データの蓄積が少ないような機械に関しては、そもそも正常な振動データが十分に蓄積されていないため、過去の蓄積データに照らして振動異常の検知精度を上げる、ということも困難であった。
【0017】
このように、回転機械の振動データに基づく異常発生や故障個所の推定は十全では無く、必ずしも容易なものではなかった。
【0018】
一方で、振動データは、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の無線通信を使用すればリモートで常時採取し得るデータであり、且つ、機械のリアルタイムの状況の一面を示す最もセンシティブなデータであるため、有効活用に対する要請は高い。
【0019】
そこで、本開示に係るシステムは、回転機械に直接設置される振動センサにより採取される振動データに基づいて、回転機械の機種や当該回転機械で用いられる部品の型番を学習済み機械学習モデルにより推定することを実現する。のみならず、本開示に係るシステムは、回転機械に直接設置される振動センサにより採取される振動データに基づいて、回転機械にて発生している異常及び故障、並びに異常及び故障を発生している部品を、同じく学習済みの機械学習モデルにより、推定することを実現する。
【0020】
ここで、本開示における、回転機械に関する、機種、形式、（部品）型番の意味を記す。
・機種とは、１種類の構造を示すものである。
・形式とは、１種類の構造に含まれる、複数の寸法が異なる組立品である。
・型番とは、１つの組立品を構成する複数の部品の、個々の呼び番号である。
本開示の機種型番推定及び異常推定システムは、特に、回転機械における「機種」及び「型番」を取り扱うものであるが、他の構成や構造を取り扱うように構成することもできる。また、回転機械以外の機械に関する、構成、構造、部品等を取り扱うように構成することも可能である。
・機種とは、１種類の構造を示すものである。
・形式とは、１種類の構造に含まれる、複数の寸法が異なる組立品である。
・型番とは、１つの組立品を構成する複数の部品の、個々の呼び番号である。
本開示の機種型番推定及び異常推定システムは、特に、回転機械における「機種」及び「型番」を取り扱うものであるが、他の構成や構造を取り扱うように構成することもできる。また、回転機械以外の機械に関する、構成、構造、部品等を取り扱うように構成することも可能である。
【0021】
２．［実施の形態１］
以下、添付の図面を参照して、本開示の好ましい実施の形態１を説明する。
以下、添付の図面を参照して、本開示の好ましい実施の形態１を説明する。
【0022】
２．１．［システムの構成］
実施の形態１に係る機種型番推定及び異常推定システム及び方法は、回転機械の振動データから、回転機械の機種や当該回転機械で用いられる部品の型番を学習済み機械学習モデルにより推定し、更に、回転機械にて発生している異常や故障を同じく学習済みの機械学習モデルにより推定するための、システム及び方法である。図１は、実施の形態１に係る機種型番推定及び異常推定システム２のシステム構成図である。
実施の形態１に係る機種型番推定及び異常推定システム及び方法は、回転機械の振動データから、回転機械の機種や当該回転機械で用いられる部品の型番を学習済み機械学習モデルにより推定し、更に、回転機械にて発生している異常や故障を同じく学習済みの機械学習モデルにより推定するための、システム及び方法である。図１は、実施の形態１に係る機種型番推定及び異常推定システム２のシステム構成図である。
【0023】
機種型番推定及び異常推定システム２は、コンピュータ装置４及び記憶装置１２を有する。コンピュータ装置４及び記憶装置１２は有線または無線の通信回線で接続されており、互いにデータを送受信可能である。機種型番推定及び異常推定システム２はさらに外部ネットワーク１８に接続されており、外部ネットワーク１８に接続された他のコンピュータシステムとの間でデータを授受する。また、機種型番推定及び異常推定システム２は、外部端末１６と接続する。更に、機種型番推定及び異常推定システム２は、学習サーバ１４と接続するのが望ましい。
【0024】
コンピュータ装置４は、一つ以上のプロセッサを搭載するサーバ機、ワークステーションコンピュータ、若しくはパーソナルコンピュータ等である。
【0025】
記憶装置１２は、ディスクドライブやフラッシュメモリ等の、コンピュータ装置４の外部に設けられる記憶装置であり、コンピュータ装置４で用いられる各種データベース、各種データセット、及び、各種コンピュータプログラムを記憶する。記憶装置１２には、例えば、後で説明する、外部端末１６から送信される振動データが記録される。
【0026】
外部端末１６は、パーソナルコンピュータやタブレット端末やスマートホン等であり、Ｂｌｕｅｔｏｏｔｈ等の無線を介して、後で説明する振動センサ２０と接続する。外部端末１６は、一つ以上の振動センサ２０から取得する振動データを、コンピュータ装置４や学習サーバ１４と送受信する。
【0027】
学習サーバ１４は、記憶装置１２に記録される振動データ等を用いて、後で説明する機械学習モデルの学習を行う。なお、機械学習モデルの学習はコンピュータ装置４で行われてもよい。
【0028】
外部ネットワーク１８は、例えば、インターネットであり、ネットワーク端子等のインタフェース装置６を介して、コンピュータ装置４と接続する。
【0029】
更にコンピュータ装置４は、インタフェース装置６、処理回路８、及びメモリ１０を含む。
【0030】
インタフェース装置６は、ネットワーク端子、映像入力端子、ＵＳＢ端子、キーボード、マウス等を含む、外部とデータを遣り取り可能であるインタフェースユニットである。ここでのデータは、例えば、後で説明する、振動センサ２０により採取される回転機械の振動データである。取得後、これらのデータは、記憶装置１２に記録され得る。記憶装置１２に記録されるデータは適宜、インタフェース装置６を介して、コンピュータ装置４内に取得され得る。
【0031】
処理回路８は、プロセッサにより構成される。ここでのプロセッサは、ＣＰＵ(Central Processing Unit;中央処理ユニット)やＧＰＵ(Graphics Processing Unit；画像処理ユニット)を包括するものである。実施の形態１に係る機種型番推定及び異常推定システム２の各種処理は、各種プログラムを処理回路８が実行することによって実現される。なお、当該各種処理は、ＡＳＩＣ（Application Specific Integrated Circuit）などによって実現されてもよいし、これらの組合せによって実現されてもよい。
【0032】
本開示における処理回路８は、複数台の信号処理回路から構成されてもよい。各信号処理回路は、例えばＣＰＵ（Central Processing Unit）またはＧＰＵ（Graphics Processing Unit）であり、「プロセッサ」と呼ばれ得る。本実施の形態に係る機種型番推定及び異常推定システム２における様々な処理の一部をあるプロセッサ（例えば、或るＧＰＵ）が実行し、他の一部の処理を他のプロセッサ（例えば、或るＣＰＵ）が実行してもよい。
【0033】
メモリ１０は、コンピュータ装置４内部のデータ書き換えが可能な記憶部であり、例えば、多数の半導体記憶素子を含むＲＡＭ（Random Access Memory）により構成される。メモリ１０は、処理回路８が様々な処理を実行する際の、具体的なコンピュータプログラムや、変数値や、パラメータ値等を一時的に格納する。なおメモリ１０は、いわゆるＲＯＭ（Read Only Memory）を含んでもよい。ＲＯＭには、例えば、以下で説明する機種型番推定及び異常推定システム２の処理を実現するコンピュータプログラムが予め格納されている。処理回路８がＲＯＭからコンピュータプログラムを読み出し、ＲＡＭに展開することにより、処理回路８が当該コンピュータプログラムを実行可能になる。
【0034】
実施の形態１に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４の各種処理プログラムは、Ｐｙｔｈｏｎ等のコンピュータ言語を用いて構築される。本開示に係る機種型番推定及び異常推定システム２の構築のために用いられ得るコンピュータ言語はこれに限定されるものでは無く、勿論、他のコンピュータ言語が用いられてもよい。
【0035】
更に、本実施の形態に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４においては、学習済みの機械学習モデルが複数、構築される。本実施の形態に係る機械学習モデルは、後でも説明するように、例えば、ディープラーニングモデル等のネットワーク構造を用いて構築される。
【0036】
２．１．１．［振動センサの配置及び構成］
図２は、回転機械である、ポンプ２２及びモータ２６への、振動センサ２０の配置例を示す図である。図２において、ポンプ２２及びモータ２６は結合されてベースプレート２４上に設置されており、更に、複数の振動センサ２０が、ポンプ２２及びモータ２６に直接的に配置されている。
図２は、回転機械である、ポンプ２２及びモータ２６への、振動センサ２０の配置例を示す図である。図２において、ポンプ２２及びモータ２６は結合されてベースプレート２４上に設置されており、更に、複数の振動センサ２０が、ポンプ２２及びモータ２６に直接的に配置されている。
【0037】
振動センサ２０は、例えば、１方向の振動測定をするものであり、アドバタイズ間隔が１秒であり、２０分毎にデータ更新をするものである。更に、図２に示す振動センサ２０は、１００００Ｈｚまでの振動を採取してデータとして出力する（図３参照）。振動センサ２０は、振動検知だけでなく所定量のデータの記憶及び所定の演算を行うことができるものであり、よって、検知した振動をＦＦＴ（高速フーリエ変換）の形式の振動データで出力できるように構成されている。振動センサ２０により出力されるＦＦＴの振動データは、Ｂｌｕｅｔｏｏｔｈ等の無線を介して、外部端末１６により取得される。
【0038】
図３は、振動センサ２０が出力する、回転機械の振動に関する加速度ＦＦＴと速度ＦＦＴの例を示す図である。図３（１）が加速度ＦＦＴの例であり、図３（２）が、速度ＦＦＴの例である。なお、振動センサ２０は加速度を計測しており、速度データは加速度データより演算されている。図３（１）及び図３（２）に示すように本開示で示す振動センサ２０は、１～１００００Ｈｚの振動を検知し得ることを想定している。
【0039】
２．１．２．［機械学習モデルの構成］
実施の形態１に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において複数構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする機種推定のための機械学習モデルと、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする型番推定のための機械学習モデルとを含む。機種推定のための機械学習モデルは複数（即ち、複数の機種の分）構築され得、型番推定のための機械学習モデルも複数（即ち、複数の型番の分）構築され得る。
実施の形態１に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において複数構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする機種推定のための機械学習モデルと、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする型番推定のための機械学習モデルとを含む。機種推定のための機械学習モデルは複数（即ち、複数の機種の分）構築され得、型番推定のための機械学習モデルも複数（即ち、複数の型番の分）構築され得る。
【0040】
実施の形態１に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において構築される機械学習モデルは特定のモデルに限定されるものではないが、例えば、ディープラーニングモデルであることが好ましい。図４は、本実施の形態に係る機種型番推定及び異常推定システム２にて構築されている、ディープラーニングモデルの概略の構成例を示す図である。図４に示すディープラーニングモデルの例は、概略、入力層、中間層（若しくは、隠れ層）、及び出力層により構成されている。
【0041】
更に、後で説明するように、本開示におけるディープラーニングモデルにおいて、出力層手前付近の中間層にて、３Ｄ（３次元）プロットグラフ（図９参照）に繋がる３ノード（即ち、３つのニューロン）の層が配置されていることが好ましい（図１０参照）。
【0042】
従って、実施の形態１に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において構築されるのが好ましいディープラーニングモデルは、機種推定のためのディープラーニングモデルと、型番推定のためのディープラーニングモデルとを含む。機種推定のためのディープラーニングモデルは複数（即ち、複数の機種の分）構築され得、型番推定のためのディープラーニングモデルも複数（即ち、複数の型番の分）構築され得る。
【0043】
２．２．［システムの動作］
上述のように、実施の形態１に係る機種型番推定及び異常推定システム２においては、機種推定のための機械学習モデル（例えば、ディープラーニングモデル）と、型番推定のための機械学習モデル（例えば、ディープラーニングモデル）とが、夫々複数種類、構築されている。
上述のように、実施の形態１に係る機種型番推定及び異常推定システム２においては、機種推定のための機械学習モデル（例えば、ディープラーニングモデル）と、型番推定のための機械学習モデル（例えば、ディープラーニングモデル）とが、夫々複数種類、構築されている。
【0044】
２．２．１．［機種推定のための機械学習モデル］
図５（１）は、機種推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械の或る特定の機種に関して学習データを記憶装置１２に格納して用意する（ステップＳ０４）。学習データの一つが特定の機種の回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて、教師データとされる。学習データの一つが特定の機種では無い回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「０」のラベルが付されて組み合わされて、教師データとされる。
図５（１）は、機種推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械の或る特定の機種に関して学習データを記憶装置１２に格納して用意する（ステップＳ０４）。学習データの一つが特定の機種の回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて、教師データとされる。学習データの一つが特定の機種では無い回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「０」のラベルが付されて組み合わされて、教師データとされる。
【0045】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して学習のための訓練データを分けて取得する（ステップＳ０６）。コンピュータ装置４の処理回路８は、取得された訓練データにより、機種推定のための機械学習モデルを学習する（ステップＳ０８）。
【0046】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して評価のためのテストデータを分けて取得する（ステップＳ１０）。コンピュータ装置４の処理回路８は、取得されたテストデータにより、学習させた機種推定のための機械学習モデルの推定精度を評価する（ステップＳ１２）。即ち、コンピュータ装置４の処理回路８は、テストデータを、学習させた機種推定のための機械学習モデルに入力し、そのテストデータに対して、ステップＳ０４より付されていた正解値と共に、学習させた機種推定のための機械学習モデルからの出力値を付して、インタフェース装置６を介して記憶装置１２に格納する。テストデータにおける（正解値、出力値）の組み合わせに関して、テストデータ全体に基づいて、例えば、評価のための混同行列を作成する。
【0047】
発明者は、特定の機種（機種：ＣＡ）についての機種推定のための機械学習モデル（ここでは、ディープラーニングモデル）の評価において、正解率が約８０％である、という学習済みの機械学習モデルを作成した。この学習済み機械学習モデルでは、特に、機種ＣＡの回転機械からのＦＦＴデータを、機種ＣＡの回転機械からのものであると予測した時の正答率が、約９０％であると評価された。
【0048】
なお、図７は、特定の機種（機種：ＣＡ）についての機種推定のための機械学習モデルにおける、入力データであるテストデータの例であって、（１）特定の機種であると推定できた加速度ＦＦＴデータの例と、（２）特定の機種であると推定できない加速度ＦＦＴデータデータの例を、示す図である。図７（１）のＦＦＴデータの入力により、特定の機種（機種：ＣＡ）である推定確率が「９０％」である、出力値が得られている。一方、図７（２）のＦＦＴデータの入力により、特定の機種（機種：ＣＡ）である推定確率が「５０％」でしか無い出力値が得られている。
【0049】
図５（１）に示すフローチャートにより構築される、学習済みの機種推定のための機械学習モデルに対して、振動の発生源であるが、機種が未知である回転機械が生じさせる振動データ（特に、ＦＦＴデータ）を入力すれば、出力値により、機種が特定の機種「ＣＡ」であるか否かが推定されることになる。即ち、出力値が「１」に近ければ機種が「ＣＡ」である確率が高いことになり、出力値が「０」に近ければ機種が「ＣＡ」である確率が低いことになる。
【0050】
更に、図５（２）は、機種推定のための機械学習モデルにおける、異常推定フェーズの概略のフローチャートである。
【0051】
なお、図８Ａ、図８Ｂ、図９を用いて後でも説明するが、図５（１）に示すフローチャートにより構築される、学習済みの機種推定のための機械学習モデルを用いれば、特定の機種であることは明らかであるが異常の有無が未知（不明）である回転機械が、生じさせる振動データ（ＦＦＴデータ）により、異常の有無の度合い、即ち、「異常度」が推定され得る、という新規の知見を、本願の発明者は獲得している。つまり、出力値が「１」に近ければ当該機種の回転機械における「異常度」が低いと推定され、出力値が「０」に近ければ当該機種の回転機械における「異常度」が高いと推定される、という知見である。このとき、機種推定のための機械学習モデルのための学習データは、異常を含む回転機械からのＦＦＴデータ、即ち、異常なＦＦＴデータを含まなくてもよい。また上述のように、本開示では、出力層における出力値の逆数（若しくは補数）を異常度として定義している（図９参照。以下も同じである。）。
【0052】
図５（２）に示すフローチャートにて、まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、学習済みの機種推定のための機械学習モデルが対象とする特定の機種と同機種であるが異常の有無及び程度が未知である回転機械が、生じさせるＦＦＴデータを、記憶装置１２に格納して用意する（ステップＳ２４）。
【0053】
次に、コンピュータ装置４の処理回路８は、学習済みの、特定の機種に関する機種推定のための機械学習モデルに、特定の機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２にて用意されたＦＦＴデータを、インタフェース装置６を介して、入力する（ステップＳ２６）。
【0054】
次に、コンピュータ装置４の処理回路８は、学習済みの特定の機種に関する機種推定のための機械学習モデルから、入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力する（ステップＳ２８）。
【0055】
図８Ａは、或る機種推定のための機械学習モデルに対する、実際の入力の振動データ（ＦＦＴデータ）のトレンドを示す図であり、図８Ｂは、同じ機種推定のための機械学習モデルにおける、実際の出力値（異常度）の時間変化を示す図である。図８Ａにおいて、実線は、「駆動側－垂直（Ｄｒｉｖｅ Ｅｎｄ－Ｖｅｒｔｉｃａｌ）」、即ち、回転機械における駆動側の垂直方向の位置に設置した振動センサからの、加速度ＦＦＴのＲＭＳ（二乗平均平方根）である。一点鎖線は、「非駆動側－水平近傍（Ｎｏｎ Ｄｒｉｖｅ Ｅｎｄ－Ｈｒｉｚｏｎｔａｌ，ｎｅａｒ」、即ち、回転機械における非駆動側の水平方向に近い位置に設置した振動センサからの、加速度ＦＦＴのＲＭＳ（二乗平均平方根）である。（太い）破線は、温度である。データは、２月４日から４月２６日頃まで採取されているが、２月４日頃から、実線、一点鎖線、及び破線の何れも大きく変動し始めていることが分かる。図８Ｂにて、略同時期における、機種推定のための機械学習モデルの出力値、即ち、異常度の変化を確認すると、２月４日以降は「異常」を示しており、更に、出力値が低くなり続けているため「異常度」も益々高くなっていることがわかる。即ち、回転機械において異常若しくは故障が進行していることが推定される。
【0056】
図９は、図８Ａ及び図８Ｂに係るものと同じ機種推定のための機械学習モデルの、出力に拠る３Ｄ（３次元）プロットグラフを示す図である。ここで、図１０は、同じ機種推定のための機械学習モデル（ディープラーニングモデル）における、図９に係る３Ｄプロットのための中間層の構成を示す図である。まず、図１０に示すように、出力層手前に３ノード（３つのニューロン）の層が配置されている。この３ノード（３つのニューロン）の層からの出力値を、（ｚ１、ｚ２、ｚ３）として３次元空間に配置したものが、図９に示す３Ｄプロットグラフである。
【0057】
図９に示す、機種推定のための機械学習モデル（ディープラーニングモデル）における出力層手前の３ノードからの複数の出力値により形成される３Ｄプロットグラフでは、個別の出力値（ｚ１、ｚ２、ｚ３）に関しては、その位置により、異常の有無及び程度が推定される。図９では、３ノード（３つのニューロン）の値（ｚ１、ｚ２、ｚ３）は、概略、右下→左下→左上、の曲線を描出しているが、異常度が高くなるに連れ（即ち、出力値が小さくなるにつれ）、３Ｄプロットグラフも、右下→左下→左上の曲線を辿ることが分かる。更に、図８Ｂに示される「２月４日」における３ノードによる３次元データ、及び、「４月５日」における３ノードによる３次元データを図９にプロットすると、相当に異常度が高い（進んでいる）ことが、図９より理解され得る。
【0058】
２．２．２．［型番推定のための機械学習モデル］
続いて、図６（１）は、型番推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械が利用する或る特定の型番の部品に関して学習データを記憶装置１２に格納して用意する（ステップＳ４４）。学習データの一つが特定の型番の部品を利用する回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて教師データとされる。学習データの一つが特定の型番の部品を利用し無い回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「０」のラベルが付されて組み合わされて教師データとされる。
続いて、図６（１）は、型番推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械が利用する或る特定の型番の部品に関して学習データを記憶装置１２に格納して用意する（ステップＳ４４）。学習データの一つが特定の型番の部品を利用する回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて教師データとされる。学習データの一つが特定の型番の部品を利用し無い回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「０」のラベルが付されて組み合わされて教師データとされる。
【0059】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して学習のための訓練データを分けて取得する（ステップＳ４６）。コンピュータ装置４の処理回路８は、取得された訓練データにより、型番推定のための機械学習モデルを学習する（ステップＳ４８）。
【0060】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して評価のためのテストデータを分けて取得する（ステップＳ５０）。コンピュータ装置４の処理回路８は、取得されたテストデータにより、学習させた型番推定のための機械学習モデルの推定精度を評価する（ステップＳ５２）。即ち、コンピュータ装置４の処理回路８は、テストデータを、学習させた型番推定のための機械学習モデルに入力し、そのテストデータに対して、ステップＳ４４より付されていた正解値と共に、学習させた型番推定のための機械学習モデルからの出力値を付して、インタフェース装置６を介して記憶装置１２に格納する。テストデータにおける（正解値、出力値）の組み合わせに関して、テストデータ全体に基づいて、例えば、評価のための混同行列を作成する。
【0061】
発明者は、特定の型番の部品（軸受型番：６３１３）についての、型番推定のための機械学習モデル（ここでは、ディープラーニングモデル）の評価において、正解率が約９５％である、という学習済みの機械学習モデルを作成した。この学習済み機械学習モデルでは、特に、軸受型番６３１３の部品を含む回転機械からのＦＦＴデータを、軸受型番６３１３の部品を含む回転機械からのものであると予測した時の正答率が、約９０．４％であると評価された。
【0062】
図６（１）に示すフローチャートにより構築される、学習済みの型番推定のための機械学習モデルに対して、振動の発生源であるが、利用する部品が未知である回転機械が生じさせる振動データ（特に、ＦＦＴデータ）を入力すれば、出力値により、利用する部品が特定の型番の部品であるか否かが推定されることになる。即ち、出力値が「１」に近ければ利用する部品が特定の型番（例えば、「６３１３」）である確率が高いことになり、出力値が「０」に近ければ利用する部品が特定の型番（例えば、「６３１３」）である確率が低いことになる。
【0063】
更に、図６（２）は、型番推定のための機械学習モデルにおける、異常推定フェーズの概略のフローチャートである。
【0064】
なお、図１１を用いて後でも説明するが、図６（１）に示すフローチャートにより構築される、学習済みの型番推定のための機械学習モデルを用いれば、学習済みの機種推定のための機械学習モデル（図５（１）参照）の場合と同様に、特定の型番の部品を利用することは明らかであるが異常の有無が未知（不明）である回転機械が、生じさせる振動データ（ＦＦＴデータ）により、異常の有無の度合い、即ち、「異常度」が推定され得る、という新規の知見を本願の発明者は獲得している。つまり、出力値が「１」に近ければ回転機械に含まれる（利用される）当該型番の部品における「異常度」が低いと推定され、出力値が「０」に近ければ回転機械に含まれる（利用される）当該機種の部品における「異常度」が高いと推定される、という知見である。このときも、型番推定のための機械学習モデルのための学習データは、異常を含む回転機械からのＦＦＴデータ、即ち、異常なＦＦＴデータを含まなくてもよい。
【0065】
図６（２）に示すフローチャートにて、まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、学習済みの型番推定のための機械学習モデルが対象とする特定の型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が、生じさせるＦＦＴデータを、記憶装置１２に格納して用意する（ステップＳ６４）。
【0066】
次に、コンピュータ装置４の処理回路８は、学習済みの、特定の型番に関する型番推定のための機械学習モデルに、特定の型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２にて用意されたＦＦＴデータを、インタフェース装置６を介して、入力する（ステップＳ６６）。
【0067】
次に、コンピュータ装置４の処理回路８は、学習済みの特定の型番の部品に関する型番推定のための機械学習モデルから、入力されたＦＦＴデータを生じた回転機械に含まれる（利用される）特定の型番の部品における異常の有無及び程度を推定する推定値を出力する（ステップＳ６８）。
【0068】
図１１は、特定の型番（軸受型番：６３１３）に関する型番推定のための機械学習モデルにおける、入力データの例であって、（１）特定の型番の部品を利用すると推定できた加速度ＦＦＴデータの例と、（２）特定の型番の部品を利用すると推定できなかった加速度ＦＦＴデータデータの例とを、示す図である。図１１（１）のＦＦＴデータの入力により、特定の型番（軸受型番：６３１３）の部品を利用する回転機械である推定確率が「９９％」である、出力値が得られている。
【0069】
一方、図１１（２）のＦＦＴデータの入力により、特定の型番（軸受型番：６３１３）である推定確率が「１％」でしか無い出力値が得られている。このような波形の場合、本願の発明者の観点からは、破線部分のＦＦＴ波形に基づいて、故障の一種であるクリープの発生が経験的に推定されている。
【0070】
２．３．［実施の形態１のまとめ］
実施の形態１に係る機種型番推定及び異常推定システム２は、コンピュータ装置４を有する。コンピュータ装置４は、インタフェース装置６と、記憶装置１２と、処理回路８とを含む。コンピュータ装置４には、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されている。コンピュータ装置４は、記憶装置１２に格納された、或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、機種推定のための機械学習モデルを学習する。加えて、コンピュータ装置４は、記憶装置１２に格納された、或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、型番推定のための機械学習モデルを学習する。更に、コンピュータ装置４の処理回路８は、学習済みの機種推定のための機械学習モデルに、或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力する。加えて、コンピュータ装置４の処理回路８は、学習済みの型番推定のための機械学習モデルに、或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
実施の形態１に係る機種型番推定及び異常推定システム２は、コンピュータ装置４を有する。コンピュータ装置４は、インタフェース装置６と、記憶装置１２と、処理回路８とを含む。コンピュータ装置４には、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されている。コンピュータ装置４は、記憶装置１２に格納された、或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、機種推定のための機械学習モデルを学習する。加えて、コンピュータ装置４は、記憶装置１２に格納された、或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、型番推定のための機械学習モデルを学習する。更に、コンピュータ装置４の処理回路８は、学習済みの機種推定のための機械学習モデルに、或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力する。加えて、コンピュータ装置４の処理回路８は、学習済みの型番推定のための機械学習モデルに、或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【0071】
本実施の形態に係る機種型番推定及び異常推定システム２を利用することにより、振動データであるＦＦＴデータを入力としてポンプ等の回転機械にて発生している異常及び故障、並びに異常及び故障を発生している部品を推定することができる。
【0072】
３．［実施の形態２］
実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と、略同様の構成を備える。また、実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と基本的に同様の動作を行う。以下では、実施の形態２に係る機種型番推定及び異常推定システム２について、実施の形態１との差異を中心に説明する。
実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と、略同様の構成を備える。また、実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と基本的に同様の動作を行う。以下では、実施の形態２に係る機種型番推定及び異常推定システム２について、実施の形態１との差異を中心に説明する。
【0073】
３．１．［システムの構成］
【0074】
実施の形態２に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４においても、学習済みの機械学習モデルが複数、構築される。実施の形態２に係る機械学習モデルも、例えば、ディープラーニングモデル等のネットワーク構造を用いて構築される。
【0075】
３．１．１．［機械学習モデルの構成］
実施の形態２に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において複数構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする型番推定のための機械学習モデルを含む。この型番推定のための機械学習モデルが、複数種類の、夫々異なる、型番の部品について構築される。実施の形態２に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において構築される機械学習モデルも、ディープラーニングモデルであることが好ましい（図４、図１０参照）。
実施の形態２に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において複数構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか（即ち、例えば“１”か）否か（即ち、例えば“０”か）の分類を目的変数とする型番推定のための機械学習モデルを含む。この型番推定のための機械学習モデルが、複数種類の、夫々異なる、型番の部品について構築される。実施の形態２に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において構築される機械学習モデルも、ディープラーニングモデルであることが好ましい（図４、図１０参照）。
【0076】
ここで、複数種類の型番の部品とは、例えば、或る軸受型番が付された軸受、或るシャフト型番が付されたシャフト、或るカップリング型番が付されたカップリング、等である。
【0077】
３．２．［システムの動作］
実施の形態２に係る機種型番推定及び異常推定システム２は、複数種類の型番の部品について構築されている、学習済みの、型番推定のための機械学習モデル（例えば、ディープラーニングモデル）を利用して、当該複数種類の型番の部品を含む（利用する）、一つの回転機械からのＦＦＴデータを入力することで、当該回転機械にてどの部品が異常を生じているかの検出を行う。
実施の形態２に係る機種型番推定及び異常推定システム２は、複数種類の型番の部品について構築されている、学習済みの、型番推定のための機械学習モデル（例えば、ディープラーニングモデル）を利用して、当該複数種類の型番の部品を含む（利用する）、一つの回転機械からのＦＦＴデータを入力することで、当該回転機械にてどの部品が異常を生じているかの検出を行う。
【0078】
３．２．１．［複数種類の型番推定のための機械学習モデル］
図１２は、複数種類の型番推定のための機械学習モデルによる、異常部品検出のフローチャートである。
図１２は、複数種類の型番推定のための機械学習モデルによる、異常部品検出のフローチャートである。
【0079】
なお、以下では、或る型番が付された第１の部品（例えば、軸受）に関する型番推定のための機械学習モデルを、第１の機械学習モデルと称し、別の或る型番が付された第２の部品（例えば、シャフト）に関する型番推定のための機械学習モデルを、第２の機械学習モデルと称し、・・・・・・、更に別の或る型番が付された第ｎ（ｎは３以上の自然数）の部品（例えば、カップリング）に関する型番推定のための機械学習モデルを、第ｎの機械学習モデルと称している。
【0080】
本実施の形態に係る機種型番推定及び異常推定システム２にて利用される、複数種類の型番推定のための機械学習モデル、即ち、第１～第ｎの機械学習モデルは、図６（１）に示す学習フェーズのフローチャートに従って、夫々の型番毎に、学習済みとなっている。
【0081】
図１２に示すフローチャートにて、まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、学習済みの第１の機械学習モデル～学習済みの第ｎの機械学習モデルの夫々が対象とする、複数種類の特定の型番と同型番の複数種類の部品を利用しており且つ何らかの異常を示す回転機械が、生じるＦＦＴデータを記憶装置１２に格納して用意する（ステップＳ８４）。
【0082】
次に、コンピュータ装置４の処理回路８は、学習済みの第１の機械学習モデルに、ステップＳ８４にて記憶装置１２に用意された、何らかの異常を示す回転機械が生じるＦＦＴデータを、インタフェース装置６を介して入力して、出力値、即ち、第１の推定値を取得する（ステップＳ８６－（１））。
【0083】
図６（２）及び図１１を用いて前に説明したように、この第１の推定値を評価することにより、入力されるＦＦＴデータを生じた回転機械に含まれる第１の部品に関して、異常の有無の度合い、即ち、「異常度」が推定され得る。つまり、第１の推定値が「１」に近ければ第１の部品に係る「異常度」が低く、第１の推定値が「０」に近ければ第１の部品に係る「異常度」が高い、ということになる。
【0084】
ステップＳ８６－（１）と同様に、コンピュータ装置４の処理回路８は、学習済みの第２の機械学習モデルに、ステップＳ８４にて記憶装置１２に用意された、何らかの異常を示す回転機械が生じるＦＦＴデータを、インタフェース装置６を介して入力して、出力値、即ち、第２の推定値を取得する（ステップＳ８６－（２））。
【0085】
構築された機械学習モデルの（複数の）種類に関して、ステップＳ８６－（１）、ステップＳ８６－（２）、・・・・が行われる。終には、学習済みの第ｎの機械学習モデルに対してまで、コンピュータ装置４の処理回路８は、ステップＳ８４にて記憶装置１２に用意された、何らかの異常を示す回転機械が生じるＦＦＴデータを、インタフェース装置６を介して入力して、出力値、即ち、第ｎの推定値を取得する（ステップＳ８６－（ｎ））。
【0086】
最後に纏めて、コンピュータ装置４の処理回路８は、学習済みの第１の機械学習モデル～学習済みの第ｎの機械学習モデルの夫々から出力された、第１の推定値～第ｎの推定値を対比・評価して、異常、若しくは故障を生じている部品を推定する（ステップＳ８８）。
【0087】
例えば、第１の推定値～第ｎの推定値が、以下のような値であったとする。
この場合、第２の推定値が低く、よって異常度が高い。第２の推定値を出力する第２の機械学習モデルが、例えば、シャフトに関する或る型番推定のための機械学習モデルであるとするならば、入力データであるＦＦＴデータを生じた回転機械において、シャフトに異常（故障）が生じていることが推定され得る。
【表1】
この場合、第２の推定値が低く、よって異常度が高い。第２の推定値を出力する第２の機械学習モデルが、例えば、シャフトに関する或る型番推定のための機械学習モデルであるとするならば、入力データであるＦＦＴデータを生じた回転機械において、シャフトに異常（故障）が生じていることが推定され得る。
【0088】
このように、実施の形態２に係る機種型番推定及び異常推定システム２は、ＦＦＴデータから回転機械における異常（故障）の原因を即時に推定し得る。
【0089】
３．３．［実施の形態２のまとめ］
実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と同様の構成を備える。更に実施の形態２に係る機種型番推定及び異常推定システム２において、コンピュータ装置４には、型番推定のための機械学習モデルが、第１の機械学習モデル～第ｎの機械学習モデルとして、複数種類、構築されている。ここで夫々の型番は異なるものであり、当該第１の機械学習モデル～第ｎの機械学習モデルは夫々の型番毎に学習済みとなっている。コンピュータ装置４の処理回路８は、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々に、複数種類の型番の夫々と同型番の複数種類の部品を利用しており且つ異常を示す回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々から、当該入力されたＦＦＴデータを生じた回転機械に含まれる複数種類の型番の部品の夫々における異常の有無及び程度を推定する第１の推定値～第ｎの推定値を出力する。
実施の形態２に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と同様の構成を備える。更に実施の形態２に係る機種型番推定及び異常推定システム２において、コンピュータ装置４には、型番推定のための機械学習モデルが、第１の機械学習モデル～第ｎの機械学習モデルとして、複数種類、構築されている。ここで夫々の型番は異なるものであり、当該第１の機械学習モデル～第ｎの機械学習モデルは夫々の型番毎に学習済みとなっている。コンピュータ装置４の処理回路８は、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々に、複数種類の型番の夫々と同型番の複数種類の部品を利用しており且つ異常を示す回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々から、当該入力されたＦＦＴデータを生じた回転機械に含まれる複数種類の型番の部品の夫々における異常の有無及び程度を推定する第１の推定値～第ｎの推定値を出力する。
【0090】
本実施の形態に係る機種型番推定及び異常推定システム２を利用することにより、振動データであるＦＦＴデータを入力して、ポンプ等の回転機械にて発生している異常及び故障がどの部品に由来するものであるか、を推定することができる。
【0091】
４．［実施の形態３］
実施の形態３に係る機種型番推定及び異常推定システム２も、実施の形態１及び実施の形態２に係る機種型番推定及び異常推定システム２と、略同様の構成を備える。更に、実施の形態３に係る機種型番推定及び異常推定システム２も、実施の形態１及び実施の形態２に係る機種型番推定及び異常推定システム２と、基本的に同様の動作を行う。以下では、実施の形態３に係る機種型番推定及び異常推定システム２について、実施の形態１との差異を中心に説明する。
実施の形態３に係る機種型番推定及び異常推定システム２も、実施の形態１及び実施の形態２に係る機種型番推定及び異常推定システム２と、略同様の構成を備える。更に、実施の形態３に係る機種型番推定及び異常推定システム２も、実施の形態１及び実施の形態２に係る機種型番推定及び異常推定システム２と、基本的に同様の動作を行う。以下では、実施の形態３に係る機種型番推定及び異常推定システム２について、実施の形態１との差異を中心に説明する。
【0092】
４．１．［システムの構成］
【0093】
実施の形態３に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４においては、基本的に学習済みの機械学習モデルが一つ構築される。実施の形態３に係る機械学習モデルも、例えば、ディープラーニングモデル等のネットワーク構造を用いて構築される。ここで、実施の形態１及び２に係る機械学習モデルが、二値分類モデルであるのに対して、実施の形態３に係る機械学習モデルは、多クラス分類モデルである。
【0094】
４．１．１．［機械学習モデルの構成］
実施の形態３に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において、一つ構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし、そのＦＦＴデータを発生した当該回転機械が複数の機種の内どの機種であり得るか、の分類を目的変数とする、機種推定のための機械学習モデルを含む。この機種推定のための機械学習モデルは、出力層において、複数種類の、夫々異なる、機種についてのノード（ニューロン）が設けられている。つまり、当該機種推定のための機械学習モデルは、複数種類の機種についての多クラス分類モデルとして構築される。機種についてのノード（ニューロン）の出力値は、ＦＦＴデータを出力する回転機械がそのノードの機種である可能性が高ければ“１”に近くなり、ＦＦＴデータを出力する回転機械がそのノードの機種である可能性が低ければ“０”に近くなる。
実施の形態３に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において、一つ構築される機械学習モデルは、回転機械からのＦＦＴデータを説明変数とし、そのＦＦＴデータを発生した当該回転機械が複数の機種の内どの機種であり得るか、の分類を目的変数とする、機種推定のための機械学習モデルを含む。この機種推定のための機械学習モデルは、出力層において、複数種類の、夫々異なる、機種についてのノード（ニューロン）が設けられている。つまり、当該機種推定のための機械学習モデルは、複数種類の機種についての多クラス分類モデルとして構築される。機種についてのノード（ニューロン）の出力値は、ＦＦＴデータを出力する回転機械がそのノードの機種である可能性が高ければ“１”に近くなり、ＦＦＴデータを出力する回転機械がそのノードの機種である可能性が低ければ“０”に近くなる。
【0095】
実施の形態３に係る機種型番推定及び異常推定システム２におけるコンピュータ装置４において構築される、上述の機械学習モデルも、ディープラーニングモデルであることが好ましい（図１３参照）。
【0096】
図１３は、本実施の形態に係る機種型番推定及び異常推定システム２にて構築されている、ディープラーニングモデルの概略の構成例を示す図である。図１３に示すディープラーニングモデルの例も、概略、入力層、中間層（若しくは、隠れ層）、及び出力層により構成されている。
【0097】
更に、後で説明するように、図１３に示すように、本実施の形態に係るディープラーニングモデルにおいて、出力層手前の中間層にて、出力層の各クラスに関する個別のノード（ニューロン）に接続し、且つ、出力値が３Ｄ（３次元）プロットグラフ（図１５、図１６参照）を示し得る、３ノード（即ち、３つのニューロン）の組み合わせが、クラスの数だけ、設定されていることが好ましい。
【0098】
４．２．［システムの動作］
上述のように、実施の形態３に係る機種型番推定及び異常推定システム２においては、複数種類の機種推定のための、即ち、複数種類の機種について推定により分類するための、機械学習モデル（例えば、ディープラーニングモデル）が、基本的に一つ構築されている。なお、本実施の形態において機械学習モデルが複数構築されてもよい。
上述のように、実施の形態３に係る機種型番推定及び異常推定システム２においては、複数種類の機種推定のための、即ち、複数種類の機種について推定により分類するための、機械学習モデル（例えば、ディープラーニングモデル）が、基本的に一つ構築されている。なお、本実施の形態において機械学習モデルが複数構築されてもよい。
【0099】
４．２．１．［機種推定のための機械学習モデル］
図１４（１）は、複数種類の、機種推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械の、複数の特定の機種（即ち、多クラス）に関して学習データを記憶装置１２に格納して用意する（ステップＳ１０４）。学習データの一つが、或る特定の機種の回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて、教師データとされる。即ち、出力層における、当該機種に対応する出力たるノード（ニューロン）を示す変数に、或る特定の機種の回転機械からのものであることを分類するラベルデータ「１」が付されるべきものとされ、それ以外の機種に対応する出力たるノード（ニューロン）を示す変数全てに、或る特定の機種では無い回転機械からのもので無いことを分類するラベルデータ「０」が付されるべきものとされて、教師データとされる。ここでの教師データは、前述の複数の特定の機種の、全体に関して用意される。
図１４（１）は、複数種類の、機種推定のための機械学習モデルにおける学習フェーズの概略のフローチャートである。まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、回転機械の、複数の特定の機種（即ち、多クラス）に関して学習データを記憶装置１２に格納して用意する（ステップＳ１０４）。学習データの一つが、或る特定の機種の回転機械からのＦＦＴデータであるならば、その学習データの正解値には分類のための「１」のラベルが付されて組み合わされて、教師データとされる。即ち、出力層における、当該機種に対応する出力たるノード（ニューロン）を示す変数に、或る特定の機種の回転機械からのものであることを分類するラベルデータ「１」が付されるべきものとされ、それ以外の機種に対応する出力たるノード（ニューロン）を示す変数全てに、或る特定の機種では無い回転機械からのもので無いことを分類するラベルデータ「０」が付されるべきものとされて、教師データとされる。ここでの教師データは、前述の複数の特定の機種の、全体に関して用意される。
【0100】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して学習のための訓練データを分けて取得する（ステップＳ１０６）。コンピュータ装置４の処理回路８は、取得された訓練データにより、複数種類の機種推定（即ち、多クラス分類）のための機械学習モデルを学習する（ステップＳ１０８）。
【0101】
次に、コンピュータ装置４の処理回路８は、記憶装置１２にて用意された学習データ、即ち、教師データから、インタフェース装置６を介して評価のためのテストデータを分けて取得する（ステップＳ１１０）。コンピュータ装置４の処理回路８は、取得されたテストデータにより、学習させた、複数種類の機種推定（多クラス分類）のための機械学習モデルの推定精度を評価する（ステップＳ１１２）。即ち、コンピュータ装置４の処理回路８は、テストデータを、学習させた、複数種類の機種推定（多クラス分類）のための機械学習モデルに入力し、そのテストデータに対して、ステップＳ１０４より付されていた正解値と共に、学習させた、複数種類の機種推定（多クラス分類）のための機械学習モデルからの出力値を付して、インタフェース装置６を介して記憶装置１２に格納する。テストデータにおける（正解値、出力値）の組み合わせに関して、テストデータ全体に基づいて、例えば、評価のための混同行列を作成する。
【0102】
図１４（１）に示すフローチャートにより構築される、学習済みの、複数種類の機種推定（多クラス分類）のための機械学習モデルに対して、振動の発生源であるが、機種が未知である回転機械が生じさせる振動データ（特に、ＦＦＴデータ）を入力すれば、出力値により、機種が複数の機種のうちのどれであり得るのか推定されることになる。即ち、或るノード（ニューロン）を示す変数が「１」に近く、その他のノード（ニューロン）を示す変数が「０」に近ければ、その未知の機種は、その或るノード（ニューロン）に対応する機種である確率が高いことになる。
【0103】
更に、図１４（２）は、複数種類の、機種推定のための機械学習モデルにおける、異常推定フェーズの概略のフローチャートである。
【0104】
図１５、図１６を用いて後でも説明するが、図１４（１）に示すフローチャートにより構築される、学習済みの、複数種類の機種推定のための機械学習モデルを用いれば、当該複数の機種のうちの、特定の機種であることは明らかであるが、異常の有無が未知（不明）である回転機械が、生じさせる振動データ（ＦＦＴデータ）により、異常の有無の度合い、即ち、「異常度」が推定され得る、という新規の知見を、本願の発明者は獲得している。つまり、出力層における、特定の機種に対応するノード（ニューロン）を示す変数の出力値が「１」に近ければ当該機種の回転機械における「異常度」が低いと推定され、同出力値が「０」に近ければ当該機種の回転機械における「異常度」が高いと推定される、という知見である。このときも、複数種類の型番推定のための機械学習モデルのための学習データは、異常を含む回転機械からのＦＦＴデータ、即ち、異常なＦＦＴデータを含まなくてもよい。
【0105】
図１４（２）に示すフローチャートにて、まず、機種型番推定及び異常推定システム２のコンピュータ装置４は、学習済みの、複数種類の機種推定のための機械学習モデルが対象とする複数種類の機種の内の或る機種であるが、異常の有無及び程度が未知である回転機械が、生じさせるＦＦＴデータを、記憶装置１２に格納して用意する（ステップＳ１２４）。
【0106】
次に、コンピュータ装置４の処理回路８は、学習済みの、複数種類の特定の機種に関する機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２にて用意されたＦＦＴデータを、インタフェース装置６を介して、入力する（ステップＳ１２６）。
【0107】
次に、コンピュータ装置４の処理回路８は、学習済みの、複数種類の特定の機種に関する機種推定のための機械学習モデルから、入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数のノード（ニューロン）により、出力する（ステップＳ１２８）。
【0108】
まず、入力されたＦＦＴデータを生じた回転機械の機種に対応するノード（ニューロン）を示す変数の出力値が「１」に近ければ、当該回転機械における「異常度」が低いと推定され、同変数の出力値が「０」に近ければ、当該回転機械における「異常度」が高いと推定される。
【0109】
更に、本実施の形態においても、入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を評価するに当たっては、複数種類の機種推定のための機械学習モデルの出力に拠る、３Ｄ（３次元）プロットグラフを用いることができる。ここで、図１３は、本実施の形態に係る機種型番推定及び異常推定システム２にて構築されている、ディープラーニングモデルの概略の構成例を示す図であり、特に、３Ｄプロットのための中間層の構成を示す図である。図１３に示すように、出力層手前の中間層にて、出力層の各クラスに関する個別のノード（ニューロン）に接続し、且つ、出力値が３Ｄ（３次元）プロットグラフを示し得る、３ノード（３ニューロン）の組み合わせ（ｚ１、ｚ２、ｚ３）が、各クラスに対応してクラスの数だけ、設定されている。
【0110】
図１５は、出力層における各ノード（ニューロン）の手前の、３次元ノード（ｚ１、ｚ２、ｚ３）での出力値の、プロットグラフである。「〇」、「×」、「△」は、夫々、一つの機種に関するグラフ（データ）である。３次元出力結果は機種ごとにクラスタリング可能なものとなっている。例えば、「〇」は機種ＣＡに関するものであるが、主として、破線の円で示される領域内にクラスタリングされることが分かる。
【0111】
複数種類の機種推定のための機械学習モデル（ディープラーニングモデル）における出力層手前の中間層における、出力層の各クラスに関する個別のノードに接続する３ノードからの、複数の出力値により形成される３次元プロットグラフ（図１５、図１６参照。）においても、個別の出力値（ｚ１、ｚ２、ｚ３）に関しては、その位置により、異常の有無及び程度が推定される。
【0112】
図１６は、実施の形態３に係る機種型番推定及び異常推定システム２にて構築されている、複数種類の機種推定のための機械学習モデルである、ディープラーニングモデルの出力層における、所定の機種（ここでは、機種ＣＡ）についてのノードの手前の、３次元ノード（ｚ１、ｚ２、ｚ３）での出力値のプロットグラフを用いて、当該所定の機種の回転機械における異常検知を行った様子を示す図である。機種ＣＡを含む、複数種類の機種推定のための機械学習モデルの、３次元出力グラフである図１６において、所定の機種のクラスタの中心点からの距離に応じて、異常度の増大が示されている。例えば、機種ＣＡのクラスタの中心点から最も遠い距離に在る点についての、ＦＦＴデータを出力した回転機械にて、異常が有りベアリングを交換すべき直前タイミングであったことが確認されている。つまり、回転機械からの出力データであるＦＦＴデータに基づく、本実施の形態に係る機械学習モデルの出力層の所定のノードの手前の、３ノードの出力値による３次元プロットグラフの各々は、同じ３次元空間における、回転機械の当該機種のクラスタの中心点から離隔する距離により、異常の有無及び程度を示し得ることが、確認されている。即ち、離隔する距離が大きければ、異常の程度も大きくなっている。
【0113】
４．３．［実施の形態３のまとめ］
実施の形３に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と同様の構成を備える。更に実施の形態３に係る機種型番推定及び異常推定システム２において、コンピュータ装置４には、回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルが、構築されている。コンピュータ装置４は、記憶装置１２に格納された、複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが或る機種の回転機械からのものであることを分類する、ラベルデータと、複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータとの、組み合わせを、複数の特定の機種の全体に関して教師データとして、複数種類の機種推定のための機械学習モデルを学習する。更に、コンピュータ装置４の処理回路８は、学習済みの複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力する。
実施の形３に係る機種型番推定及び異常推定システム２は、実施の形態１に係る機種型番推定及び異常推定システム２と同様の構成を備える。更に実施の形態３に係る機種型番推定及び異常推定システム２において、コンピュータ装置４には、回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルが、構築されている。コンピュータ装置４は、記憶装置１２に格納された、複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが或る機種の回転機械からのものであることを分類する、ラベルデータと、複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータとの、組み合わせを、複数の特定の機種の全体に関して教師データとして、複数種類の機種推定のための機械学習モデルを学習する。更に、コンピュータ装置４の処理回路８は、学習済みの複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、記憶装置１２に格納されたＦＦＴデータを、インタフェース装置６を介して入力し、学習済みの複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力する。
【0114】
本実施の形態に係る機種型番推定及び異常推定システム２を利用することにより、振動データであるＦＦＴデータを入力として、複数の特定の機種の内どの機種の回転機械にて異常が発生しているのか、及び、異常がどの程度のものか、を推定することができる。
【0115】
５．［他の実施の形態］
以上のように、本出願において開示する技術の例示として、実施の形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。
以上のように、本出願において開示する技術の例示として、実施の形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。
【0116】
機械学習モデルであるディープラーニングモデルを型番推定多クラス分類モデルとして構築することもできる。このモデルを一つ利用するだけでＦＦＴデータを入力して複数の型番に関する出力を行うことができる。
【0117】
また、実施の形態を説明するために、添付図面および詳細な説明を提供した。したがって、添付図面および詳細な説明に記載された構成要素の中には、課題解決のために必須な構成要素だけでなく、上記技術を例示するために、課題解決のためには必須でない構成要素も含まれ得る。そのため、それらの必須ではない構成要素が添付図面や詳細な説明に記載されていることをもって、直ちに、それらの必須ではない構成要素が必須であるとの認定をするべきではない。
【0118】
また、上述の実施の形態は、本開示における技術を例示するためのものであるから、特許請求の範囲またはその均等の範囲において種々の変更、置き換え、付加、省略などを行うことができる。
【符号の説明】
【0119】
２・・・機種型番推定及び異常推定システム、４・・・コンピュータ装置、６・・・インタフェース装置、８・・・処理回路、１０・・・メモリ、１２・・・記憶装置、１４・・・学習サーバ、１６・・・外部端末、１８・・・外部ネットワーク、２０・・・振動センサ、２２・・・ポンプ、２４・・・ベースプレート、２６・・・モータ。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8A】
【図8B】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】