特許 7058447 機械学習装置、データ処理システム、推論装置及び機械学習方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2022-04-14

(45)【発行日】2022-04-22

(54)【発明の名称】機械学習装置、データ処理システム、推論装置及び機械学習方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20220415BHJP

   F16K 31/12 20060101ALI20220415BHJP

   F16K 37/00 20060101ALI20220415BHJP

【ＦＩ】

G06N20/00

F16K31/12

F16K37/00

【請求項の数】 9

(21)【出願番号】P 2020197823

(22)【出願日】2020-11-30

【審査請求日】2021-12-25

【早期審査対象出願】

(73)【特許権者】

【識別番号】592115504

【氏名又は名称】金子産業株式会社

(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】青山 文明

【審査官】松崎 孝大

(56)【参考文献】

【文献】特許第６７８３４８６（ＪＰ，Ｂ１）

【文献】特許第６７８３４８８（ＪＰ，Ｂ１）

【文献】国際公開第２０１９／２３５５９９（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｆ１６Ｋ ３１／１２

Ｆ１６Ｋ ３７／００

(57)【特許請求の範囲】

【請求項1】

主弁と、前記主弁に連結された弁軸を駆動する駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える流体圧駆動弁に適用される機械学習装置であって、
所定期間中における前記主弁の弁開度の時系列データ、及び、前記所定期間中に前記電磁弁から前記駆動装置に給排される前記駆動流体の電磁弁出力側圧力の時系列データを含む入力データと、前記所定期間中に前記弁軸に作用する作用トルクの時系列データを含む出力データとを対応付けて構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
機械学習装置。

【請求項2】

前記出力データに含まれる前記作用トルクの時系列データは、
前記弁軸の一部を構成し、前記駆動装置により駆動される第１の軸と、前記弁軸の一部を構成し、前記第１の軸及び前記主弁に連結される第２の軸との間に作用する第１の作用トルクの時系列データ、及び、
前記第１の軸と、前記弁軸の一部を構成し、前記第１の軸に連結されるとともに前記電磁弁の収容部に挿入される第３の軸との間に作用する第２の作用トルクの時系列データ、の少なくとも１つである、
請求項１に記載の機械学習装置。

【請求項3】

前記所定期間は、前記流体圧駆動弁におけるストロークテストの実行期間からなる、
請求項１又は請求項２に記載の機械学習装置。

【請求項4】

前記流体圧駆動弁は、前記流体圧駆動弁の稼働時間を検出するタイマを更に備え、
前記入力データは、前記稼働時間を更に含む、
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】

前記流体圧駆動弁は、前記主弁、前記駆動装置又は前記電磁弁の作動回数を検出するカウンタを更に備え、
前記入力データは、前記作動回数を更に含む、
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】

前記流体圧駆動弁は、前記駆動流体を前記電磁弁に供給するための駆動流体供給源に接続され、
前記入力データは、前記所定期間中に前記駆動流体供給源から前記電磁弁に供給される前記駆動流体の電磁弁入力側圧力の時系列データを更に含む、
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】

主弁と、前記主弁に連結された弁軸を駆動する駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える流体圧駆動弁に用いられるデータ処理システムであって、
所定期間中における前記主弁の弁開度の時系列データ、及び、前記所定期間中に前記電磁弁から前記駆動装置に給排される前記駆動流体の電磁弁出力側圧力の時系列データを少なくとも含む入力データを取得する入力データ取得ユニットと；
前記入力データ取得ユニットにより取得された前記入力データを、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によって生成された学習済モデルに入力し、前記所定期間中に前記弁軸に作用する作用トルクの時系列データを推論する推論ユニットと；を備える、
データ処理システム。

【請求項8】

主弁と、前記主弁に連結された弁軸を駆動する駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える流体圧駆動弁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、少なくとも１つのプロセッサとを備え、
前記少なくとも１つのプロセッサは、
所定期間中における前記主弁の弁開度の時系列データ、及び、前記所定期間中に前記電磁弁から前記駆動装置に給排される前記駆動流体の電磁弁出力側圧力の時系列データを含む入力データを取得する処理と；
前記入力データが入力されると、前記所定期間中に前記弁軸に作用する作用トルクの時系列データを推論する処理と；を実行するように構成される、
推論装置。

【請求項9】

主弁と、前記主弁に連結された弁軸を駆動する駆動装置と、前記駆動装置に対して駆動流体の給排を制御するソレノイド部を含む電磁弁と、を少なくとも備える流体圧駆動弁に適用されるコンピュータを用いた機械学習方法であって、
所定期間中における前記主弁の弁開度の時系列データ、及び、前記所定期間中に前記電磁弁から前記駆動装置に給排される前記駆動流体の電磁弁出力側圧力の時系列データを含む入力データと、前記所定期間中に前記弁軸に作用する作用トルクの時系列データを含む出力データとを対応付けて構成される学習用データセットを複数組記憶するステップと；
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
学習された前記学習モデルを記憶するステップと；を備える、
機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置、データ処理システム、推論装置及び機械学習方法に関するものである。

【背景技術】

【0002】

従来、電磁弁により駆動流体を制御し、駆動装置により駆動される弁軸を介して主弁を開閉する流体圧駆動弁が知られている。例えば、特許文献１には、プラント設備の配管に使用される流体圧駆動弁として、設備に異常が発生したような緊急時に、電磁弁により駆動流体を制御して駆動装置を介してボールバルブ（主弁）を閉じることにより、配管を流れる流体を遮断する緊急遮断弁装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００９－９７５３９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に開示されるような、プラント設備に用いられる緊急遮断弁等の流体圧駆動弁においては、プラント設備全体の稼働率・信頼性を向上させるためには、流体圧駆動弁の動作状態を把握することが望まれる。例えば、駆動装置により駆動される弁軸を介して主弁を開閉する際、弁軸に作用する作用トルクの大きさや変化量を計測することができれば、流体圧駆動弁の動作状態を的確に把握することが可能となる。

【0005】

一方、弁軸に作用する作用トルクを計測するためには、弁軸にトルクセンサを設置することが必要となるが、トルクセンサは高価であるため、流体圧駆動弁の装置費用の増大を招いてしまう。また、流体圧駆動弁の使用環境によっては、故障の原因となり得る汚れ等からトルクセンサを保護するための追加の対策が要求されることも考えられる。

【0006】

本発明は、上記の課題に鑑みてなされたものであり、トルクセンサを要することなく、弁軸に作用する作用トルクを推定することを可能とする機械学習装置、データ処理システム、推論装置及び機械学習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】

上記目的を達成するために、本発明の一態様に係る機械学習装置は、
主弁と、前記主弁に連結された弁軸を駆動する駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える流体圧駆動弁に適用される機械学習装置であって、
所定期間中における前記主弁の弁開度の時系列データ、及び、前記所定期間中に前記電磁弁から前記駆動装置に給排される前記駆動流体の電磁弁出力側圧力の時系列データを含む入力データと、前記所定期間中に前記弁軸に作用する作用トルクの時系列データを含む出力データとを対応付けて構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットと、
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと、
前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットとを備える。

【発明の効果】

【0008】

本発明の一態様に係る機械学習装置によれば、弁開度の時系列データ及び電磁弁出力側圧力の時系列データと、弁軸に作用する作用トルクの時系列データとの相関関係を学習モデルに学習させるで、弁軸に作用する作用トルクを推定可能な学習済モデルを提供することができる。よって、この学習済モデルを利用することにより、トルクセンサを要することなく、弁軸に作用する作用トルクを推定することができる。

【0009】

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。

【図面の簡単な説明】

【0010】

【図1】本発明の一実施の形態に係る機械学習装置等が適用される流体圧駆動弁の一例を示す概略図である。

【図2】本発明の一実施の形態に係る機械学習装置等が適用される駆動装置の例を示す概略図である。

【図3】本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示す概略図である。

【図4】本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示すブロック図である。

【図5】本発明の一実施の形態に係る機械学習装置の概略ブロック図である。

【図6】本発明の一実施の形態に係る機械学習装置等で使用されるデータの構成例（教師あり学習）を示す図である。

【図7】本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。

【図8】本発明の一実施の形態に係る機械学習方法の例を示すフローチャートである。

【図9】本発明の一実施の形態に係るデータ処理システムを示す概略ブロック図である。

【図10】本発明の一実施の形態に係るデータ処理システムによるデータ処理工程の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】

【0011】

以下、図面を参照して本発明を実施するための各実施の形態について説明する。なお、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。

【0012】

本発明の一実施の形態に係る機械学習装置、データ処理システム、推論装置及び機械学習方法を説明する前に、以下には先ず機械学習装置等が適用される流体圧駆動弁について説明を行う。

【0013】

（流体圧駆動弁）
図１は、本発明の一実施の形態に係る流体圧駆動弁１０の一例を示す概略図である。本実施の形態における流体圧駆動弁１０としては、例えば、プラント設備において各種のガスや石油等が流れる配管１００に設置され、プラント設備に異常等が発生した緊急停止時に、配管１００の流れを遮断するための緊急遮断弁として用いることができる。なお、流体圧駆動弁１０の設置場所や用途は、上記の例に限られない。

【0014】

図１に示す流体圧駆動弁１０は、配管１００の途中に配置される主弁１１と、主弁１１に連結された弁軸１３を駆動流体の流体圧に応じて駆動させることで主弁１１の開閉操作
を行う流体圧式の駆動装置１２と、駆動装置１２に対して駆動流体の給排を制御する機能を有する電磁弁１とを備えている。

【0015】

流体圧駆動弁１０に用いられる駆動流体には、計装空気（以下、単に「空気」という）Ａが採用されている。空気Ａは空気供給源１４から第１の空気配管１４０を介して電磁弁１に供給され、さらに、第２の空気配管１４１を介して駆動装置１２に供給される。また、流体圧駆動弁１０には、外部装置１５及び電磁弁１の間で各種のデータを送受信するための通信ケーブル１５０と、外部電源１６から電磁弁１に電力を供給するための電力ケーブル１６０とが接続されている。なお、駆動流体としては、上記の空気Ａに限られず、他の気体でも液体（例えば、油）でもよい。

【0016】

外部装置１５は、流体圧駆動弁１０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ＨＤＤ等の外部記憶ユニットで構成されている。外部装置１５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、外部装置１５は、流体圧駆動弁１０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 Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等からなる報知手段を備えている。なお、外部装置１５及び電磁弁１の間の通信には無線通信を利用してもよい。

【0017】

本実施の形態の流体圧駆動弁１０の駆動方式は、エアーレスクローズ方式が採用されている。したがって、定常運転時は空気供給源１４から電磁弁１を介して駆動装置１２に空気Ａを供給（給気）することで、主弁１１が開操作され、緊急停止時や試験運転時は、駆動装置１２から電磁弁１を介して空気Ａを排出（排気）することで、主弁１１が閉操作される。なお、流体圧駆動弁１０は、エアーレスオープン方式を採用してもよく、その場合には、駆動装置１２に空気Ａを供給することで閉操作され、駆動装置１２から空気Ａを排出することで主弁１１を閉操作される。

【0018】

主弁１１には、ボールバルブが採用されている。主弁１１の具体的な構成としては、配管１００の途中に配置される弁箱１１０と、弁箱１１０内に回動可能に設けられたボール状の弁体１１１とを備え、弁体１１１の上部には、弁軸１３が連結されている。弁軸１３が０度～９０度に回動されることに応じて弁箱１１０内で弁体１１１が回動し、主弁１１の全開状態（図１に示す状態）と全閉状態が切り替えられる。なお、主弁１１として用いられる弁は、ボールバルブに限られず、例えば、バタフライバルブやその他のオンオフ弁であってもよい。

【0019】

駆動装置１２には、主弁１１と電磁弁１との間に配置された単作動式のエアシリンダ機構が採用されている。駆動装置１２の具体的な構成としては、スプリング室１２７及びシリンダ室１２８を有する、円筒状のシリンダ１２０と、シリンダ１２０内に往復直線移動可能に設けられピストンロッド１２１を介して連結された一対のピストン１２２Ａ、１２２Ｂと、第１のピストン１２２Ａ側に形成されたスプリング室１２７に設けられたコイルばね１２３と、第２のピストン１２２Ｂ側に形成されたシリンダ室１２８に接続された空気給排口１２４と、シリンダ１２０を径方向に沿って貫通するように配置された弁軸１３とピストンロッド１２１とが直交する部分に設けられた伝達機構１２５とを備える。なお、駆動装置１２は、単作動式に限られず、例えば、複作動式等の他の形式で構成されていてもよい。

【0020】

第１のピストン１２２Ａは、スプリング室１２７に設けられたコイルばね１２３により主弁１１を閉方向に動作するように付勢されている。また、第２のピストン１２２Ｂは、
空気給排口１２４からシリンダ室１２８に供給された空気Ａ（給気）により主弁１１を開方向に動作するように（コイルばね１２３の付勢力に抗して）押圧するものである。さらに、伝達機構１２５は、ラックアンドピニオン機構、スコッチヨーク機構、リンク機構、カム機構等で構成されており、ピストンロッド１２１の往復直線運動を回動運動に変換して弁軸１３に伝達するものである。

【0021】

弁軸１３は、回動可能なシャフト状に形成され、第１の軸１３ａと、第２の軸１３ｂと、第３の軸１３ｃとから構成される。第１の軸１３ａの両端部は、カップリングやコネクタ等を介して第２の軸１３ｂ及び第３の軸１３ｃにそれぞれ連結されて、第１の軸１３ａ、第２の軸１３ｂ及び第３の軸１３ｃは同軸上に配置される。第１の軸１３ａは、駆動装置１２を貫通するように配置され、駆動装置１２により駆動される。第２の軸１３ｂは、第１の軸１３ａに連結されるとともに主弁１１に連結される。第３の軸１３ｃは、第１の軸１３ａに連結されるとともに電磁弁１の収容部６に挿入されて軸支される。弁軸１３は、第１の軸１３ａが駆動されることに同期して、全体として回動運動を行う。

【0022】

図２は、本発明の一実施の形態に係る機械学習装置等が適用される駆動装置１２の例を示す概略図である。図２（ａ）は伝達機構１２５がラックアンドピニオン機構の例、図２（ｂ）は伝達機構１２５がスコッチヨーク機構の例を示す。

【0023】

例えば、伝達機構１２５が、図２（ａ）に示すように、ラックアンドピニオン機構の場合、空気Ａがシリンダ１２０に給気又はシリンダ１２０から排気されることによってピストン１２２及びピストンロッド１２１が往復直線運動を行う。すると、ピストンロッド１２１に設けられたラック１２５ａが往復直線運動を行う。続いて、ラック１２５ａに対して接触して噛み合うピニオン１２５ｂが回動する。すると、ピニオン１２５ｂと同様に回動する第１の軸１３ａが回動運動を行う。

【0024】

また、伝達機構１２５が、図２（ｂ）に示すように、スコッチヨーク機構の場合、空気Ａがシリンダ１２０に給気又はシリンダ１２０から排気されることによってピストン１２２Ａ、１２２Ｂ及びピストンロッド１２１が往復直線運動を行う。すると、ピストンロッド１２１と同様に移動するローラピン１２５ｃが往復直線運動を行う。続いて、ローラピン１２５ｃに対して軸偏心して接触し組み付けられるヨーク１２５ｄが９０°回動する。すると、ヨーク１２５ｄと同様に９０°回動する第１の軸１３ａが回動運動を行う。

【0025】

駆動装置１２は、ピストン１２２Ａ、１２２Ｂの動きをそれぞれ規制する位置を変更可能なストッパ１２６Ａ、１２６Ｂと、駆動装置１２の各部の状態を取得する駆動状態センサ４９とをさらに備える。図２（ａ）及び図２（ｂ）に示す例では、ストッパ１２６Ａ、１２６Ｂは、シリンダ１２０のシリンダケース１２０Ａ、１２０Ｂそれぞれのピストンロッド１２１軸上に設置されたボルトにより構成されている。

【0026】

駆動状態センサ４９は、例えば、位置センサ４９１、加速度センサ４９２、及び、温度・湿度センサ４９３等である。図２（ａ）及び図２（ｂ）に示す例では、駆動状態センサ４９として、２つの位置センサ４９１、２つの加速度センサ４９２、及び、２つ（図２（ｂ）においては３つ）の温度・湿度センサ４９３が、ストッパ１２６Ａ、１２６Ｂ又はシリンダ１２０に取り付けられている。

【0027】

位置センサ４９１は、シリンダ１２０のシリンダケース１２０Ａ、１２０Ｂに対するピストン１２２Ａ、１２２Ｂ又はピストンロッド１２１の位置を検出する。位置センサ４９１は、例えば、第１のストッパ１２６Ａ及び第２のストッパ１２６Ｂにそれぞれ取り付けられ、シリンダ１２０に対するピストン１２２Ａ、１２２Ｂ又はピストンロッド１２１の位置（距離）を計測する。位置センサ４９１は、超音波センサ、赤外線センサ、ホールセ
ンサ、リードセンサ等で構成される。

【0028】

加速度センサ４９２は、シリンダ１２０に生じる加速度を計測する。具体的には、加速度センサ４９２は、ピストン１２２Ａ、１２２Ｂがシリンダ１２０内を往復直線移動するときに発生する駆動装置１２の振動や、ピストン１２２がストッパ１２６Ａ、１２６Ｂに衝突するときに発生する駆動装置１２の振動（衝撃）を、駆動装置１２の加速度として計測する。

【0029】

温度・湿度センサ４９３は、例えば、シリンダ１２０に形成されたタップ孔に取り付けられ、シリンダ１２０内の温度及び湿度を検出する。温度・湿度センサ４９３は、温度を検出する温度センサと、相対湿度を検出する湿度センサとを組み合わせて構成される。

【0030】

駆動装置１２が、図２に示すように、単作動式の場合には、空気給排口１２４ａが電磁弁１に接続されるとともに、空気給排口１２４ｂ、１２４ｃが外部環境に開放されているため、温度・湿度センサ４９３は、電磁弁１から空気給排口１２４ａを介してシリンダ１２０内に給排される空気Ａ（駆動流体）の温度及び湿度を検出するとともに、外部環境から空気給排口１２４ｂ、１２４ｃを介してシリンダ１２０内に給排される外気（外部空気）の温度及び湿度を検出する。

【0031】

また、駆動装置１２が、複作動式の場合には、空気給排口１２４ａ、１２４ｂが電磁弁１に接続されて、電磁弁１から空気給排口１２４ａ、１２４ｂを介して第２のピストン１２２Ｂを境にシリンダ１２０内に形成された左右の空気室に空気Ａが交互に給気又は排気されるとともに、空気給排口１２４ｃが外部環境に開放されているため、温度・湿度センサ４９３は、電磁弁１から空気給排口１２４ａ、１２４ｂを介してシリンダ１２０内に給排される空気Ａ（駆動流体）の温度及び湿度を検出するとともに、外部環境から空気給排口１２４ｃを介してシリンダ１２０内に給排される外気（外部空気）の温度及び湿度を検出する。

【0032】

なお、駆動状態センサ４９が駆動装置１２に取り付けられる位置や数は、図２に示す例に限られず、適宜変更されてもよい。例えば、位置センサ４９１は、シリンダケース１２０Ａ、１２０Ｂに取り付けられてもよい。加速度センサ４９２は、シリンダケース１２０Ａ、１２０Ｂに取り付けられてもよいし、ストッパ１２６Ａの基端部（図２（ｂ）参照。）に代えて、ストッパ１２６Ａの先端部に取り付けられてもよい。温度・湿度センサ４９３は、電磁弁１に接続された空気給排口１２４ａ、第１の空気配管１４０、第２の空気配管１４１、又は電磁弁１の内部に取り付けられてもよい。また、温度・湿度センサ４９３は、外部環境に開放された空気給排口１２４ｂ、１２４ｃのいずれかに取り付けられてもよいし、空気給排口１２４ｂ、１２ｃのいずれかに接続されたロングニップル及びティーのいずれかに取り付けられてもよい。

【0033】

電磁弁１は、駆動装置１２に対して空気Ａの給排を制御する機能を有し、例えば、２ポジションでノーマルクローズタイプ（通電時「開」、非通電時「閉」）の三方電磁弁として構成されている。電磁弁１は、屋内型又は防爆型の電磁弁１のハウジングとして機能する収容部６の内部に、空気Ａが流れる流路を切り替えるスプール部２と、通電状態（通電時又は非通電時）に応じてスプール部２を変位させるソレノイド部３とを備えている。なお、電磁弁１には、上述したタイプの三方電磁弁に限られず、３ポジションであっても、ノーマルオープンタイプであっても、四方電磁弁等であってもよく、これらの任意の組み合わせに基づく各種の形成で構成できる。また、本実施の形態では、電磁弁１は、流体圧駆動弁１０におけるパイロットバルブとして用いられるものであるが、電磁弁１の用途はこれに限られない。

【0034】

スプール部２は、空気供給源１４に第１の空気配管１４０を介して接続される入力ポート２０と、駆動装置１２に第２の空気配管１４１を介して接続される出力ポート２１と、駆動装置１２からの排気を排出する排気ポート２２とを備える。

【0035】

ソレノイド部３は、通電時に、入力ポート２０と出力ポート２１との間を連通するように、スプール部２を変位させ、非通電時に、出力ポート２１と排気ポート２２との間を連通するように、スプール部２を変位させる。

【0036】

上述した一連の構成により、電磁弁１が通電状態である場合には、空気供給源１４からの空気Ａ（給気）が、第１の空気配管１４０、入力ポート２０、出力ポート２１及び第２の空気配管１４１の順に流れて、空気給排口１２４に供給されることで、第２のピストン１２２Ｂが押圧されてコイルばね１２３が圧縮する。そして、コイルばね１２３の圧縮に応じてピストンロッド１２１が移動した分だけピストンロッド１２１及び伝達機構１２５を介して第１の軸１３ａ（弁軸１３）が回動されると、弁箱１１０内で弁体１１１が回動し、主弁１１が全開状態に操作される。

【0037】

一方、電磁弁１が非通電状態である場合には、シリンダ１２０内の空気Ａ（排気）が、空気給排口１２４から第２の空気配管１４１、出力ポート２１及び排気ポート２２の順に流れて、外気に排出されることで、第２のピストン１２２Ｂの押圧力が低下し、コイルばね１２３が圧縮状態から復元する。そして、コイルばね１２３の復元に応じてピストンロッド１２１が移動した分だけ伝達機構１２５を介して第１の軸１３ａ（弁軸１３）が回動されると、弁箱１１０内で弁体１１１が回動し、主弁１１が全閉状態に操作される。

【0038】

図３は、本発明の一実施の形態に係る電磁弁１の一例を示す断面図である。本実施の形態に係る電磁弁１は、図３に示すように、上記のスプール部２及びソレノイド部３に加えて、電磁弁１の各部の状態を取得する複数のセンサ４と、複数のセンサ４のうち少なくとも１つが載置された基板５と、スプール部２、ソレノイド部３、複数のセンサ４及び基板５を収容する収容部６とを備える。

【0039】

収容部６は、スプール部２を収容する第１の収容部６０と、第１の収容部６０に隣接されるとともに、ソレノイド部３、複数のセンサ４及び基板５を収容する第２の収容部６１と、通信ケーブル１５０及び電力ケーブル１６０が接続されるターミナルボックス６２とを備える。第１の収容部６０及び第２の収容部６１は、例えば、アルミニウム等の金属材料で製作されている。

【0040】

第１の収容部６０は、入力ポート２０、出力ポート２１及び排気ポート２２として、それぞれ機能する開口部（不図示）を有する。

【0041】

第２の収容部６１は、両端（第１のハウジング端部６１０ａ及び第２のハウジング端部６１０ｂ）が開放された円筒状のハウジング６１０と、ハウジング６１０の内部に配置されるボディー６１１と、第１のハウジング端部６１０ａに固定されたソレノイド部３を外気から覆うソレノイドカバー６１２と、第２のハウジング端部６１０ｂに固定されたターミナルボックス６２を外気から覆うターミナルボックスカバー６１３とを備える。

【0042】

ハウジング６１０は、その下部に形成されて第３の軸１３ｃが挿入される軸挿入口６１０ｃと、その上部に形成されてボディー６１１が挿入されるボディー挿入口６１０ｄと、第２のハウジング端部６１０ｂ側に形成されて通信ケーブル１５０及び電力ケーブル１６０が挿入されるケーブル挿入口６１０ｅとを有する。

【0043】

第１の収容部６０及び第２の収容部６１には、ボディー６１１を貫通するようにして、
入力側流路２６から分岐して入力側流路２６と第１の圧力センサ４０との間を連通する第１の流路６３と、出力側流路２７から分岐して出力側流路２７と第２の圧力センサ４１との間を連通する第２の流路６４と、スプール部２とソレノイド部３とを連動させるための空気Ａが流れるスプール流路６５が形成されている。

【0044】

スプール部２は、スプールケースとして機能する第２の収容部６１内に形成されたスプールホール２３と、スプールホール２３内に移動可能に配置されたスプールバルブ２４と、スプールバルブ２４を付勢するスプールスプリング２５と、入力ポート２０とスプールホール２３との間を連通する入力側流路２６と、出力ポート２１とスプールホール２３との連通する出力側流路２７と、排気ポート２２とスプールホール２３との間を連通する排気流路２８とを備える。

【0045】

ソレノイド部３は、ソレノイドケース３０と、ソレノイドケース３０内に収容されたソレノイドコイル３１と、ソレノイドコイル３１内に移動可能に配置された可動鉄芯３２と、ソレノイドコイル３１内に固定状態で配置された固定鉄芯３３と、可動鉄芯３２を付勢するソレノイドスプリング３４とを備える。

【0046】

電磁弁１が非通電状態から通電状態に切り替えられた場合には、ソレノイド部３において、コイル電流がソレノイドコイル３１に流れることによりソレノイドコイル３１が電磁力を発生し、当該電磁力により可動鉄芯３２がソレノイドスプリング３４の付勢力に抗して固定鉄芯３３に吸引されることで、スプール流路６５を流れる空気Ａの流通状態が切り替えられる。そして、スプール部２において、スプール流路６５を流れる空気Ａの流通状態が切り替えられたことにより、スプールバルブ２４がスプールスプリング２５の付勢力に抗して移動されることで、入力ポート２０と排気ポート２２との間を連通する状態から、入力ポート２０と出力ポート２１との間を連通する状態に切り替えられる。

【0047】

基板５は、基板面５００Ａ、５００Ｂが軸挿入口６１０ｃから挿入された第３の軸１３ｃに沿うように配置された第１の基板５０と、ターミナルボックス６２に近接して配置された第２の基板５１と、ソレノイド部３に近接して配置された第３の基板５２とを備える。

【0048】

第１の基板５０の基板面５００Ａ、５００Ｂのうち、第１の基板面５００Ａ側には、ボディー６１１、ソレノイド部３及び第３の基板５２が配置される。第１の基板面５００Ａ側と反対側の第２の基板面５００Ｂ側には、第２の基板５１及びターミナルボックス６２が配置される。

【0049】

第１の基板５０、第２の基板５１及び第３の基板５２の適所には、センサ４が配置されている。センサ４としては、例えば、入力側流路２６及び第１の流路６３を流れる空気Ａの流体圧を計測する第１の圧力センサ４０と、出力側流路２７及び第２の流路６４を流れる空気Ａの流体圧を計測する第２の圧力センサ４１と、第３の軸１３ｃ（弁軸１３）が回動するときの回動角度を計測し、当該回動角度に応じて主弁１１の弁開度情報を取得する主弁開度センサ４２とを含む。

【0050】

主弁開度センサ４２は、例えば、磁気センサにより構成されており、第３の軸１３ｃに取り付けられた永久磁石１３１が発生する磁気の強さを計測し、当該磁気の強さに応じて主弁１１の弁開度情報を取得する。主弁開度センサ４２は、軸挿入口６１０ｃから挿入された第３の軸１３ｃに沿うように配置された第１の基板５の第１の基板面５００Ａのうち第３の軸１３ｃの軸周りの外周に対向する位置に載置されると好ましい。これにより、収容部６内において、配置スペースを無駄にすることなく、第１の基板５０に載置された主弁開度センサ４２と、第３の軸１３ｃとを近接して配置することが可能となり、弁開度情
報を正確に取得することができる。

【0051】

図４は、本発明の一実施の形態に係る電磁弁１及び流体圧駆動弁１０の一例を示すブロック図である。電磁弁１は、図４に示すように、電気的な構成例として、上記のソレノイド部３及びセンサ４の他に、電磁弁１を制御する制御部７と、外部装置１５と通信するための通信部８と、外部電源１６に接続される電源回路部９とを備える。

【0052】

複数のセンサ４は、各部の物理量を計測するセンサ群として、上記の第１の圧力センサ４０、第２の圧力センサ４１、主弁開度センサ４２の他に、ソレノイド部３に対する供給電圧を計測する電圧センサ４３と、ソレノイド部３における通電時の電流値及び非通電時の抵抗値を計測する電流・抵抗センサ４４と、収容部６の内部温度を計測する温度センサ４５と、ソレノイド部３が発生する磁気の強さを計測する磁気センサ４６とを備える。

【0053】

また、複数のセンサ４は、各部の動作履歴に関する情報を取得するセンサ群として、流体圧駆動弁１０の稼働時間としてソレノイド部３に対する通電時間の合計及び現在の通電連働時間の少なくとも一方を計測する稼働時間計（タイマ）４７と、電磁弁１、駆動装置１２及び主弁１１それぞれの作動回数を計数する作動カウンタ（カウンタ）４８とを備える。

【0054】

なお、複数のセンサ４（以下では、「複数のセンサ４」は、駆動状態センサ４９を含む符号４０～４９で示すセンサを示す用語として定義する。）は、上述のようにそれぞれのセンサが個別に設けられたものに限られず、特定のセンサが他のセンサの機能を兼ねることで、当該他のセンサが個別に設けられていなくてもよい。例えば、磁気センサ４６が、ソレノイド部３が発生する磁気の強さを計測するとともに、当該磁気の強さに基づいてソレノイド部３における通電時の電流値を求めることで、電流・抵抗センサ４４が個別に設けられていなくてもよい。また、マイクロコントローラ７０が、センサの機能を内蔵したり、センサの機能の一部を実現したりしてもよく、例えば、マイクロコントローラ７０が、稼働時間計４７及び作動カウンタ４８を内蔵することで、稼働時間計４７及び作動カウンタ４８が個別に設けられていなくてもよい。

【0055】

制御部７は、複数のセンサ４により取得された電磁弁１及び駆動装置１２を含む流体圧駆動弁１０の各部の状態を示す情報を処理するとともに、流体圧駆動弁１０の各部を制御するマイクロコントローラ７０と、ソレノイド部３の通電状態を制御し、試験運転時における主弁１１の開閉操作を行うバルブテストスイッチ７１とを備える。

【0056】

マイクロコントローラ７０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサ（不図示）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等により構成されるメモリとを備える。マイクロコントローラ７０は、本実施の形態において後述するデータ処理システム３００を実現する機能を含むことができる。

【0057】

バルブテストスイッチ７１は、所定の試験運転条件が満たされた場合にマイクロコントローラ７０からの指令を受けて、試験運転として、流体圧駆動弁１０のストロークテストを実行するためのものである。

【0058】

ストロークテストは、例えば、フルストロークテスト及びパーシャルストロークテストのいずれかにより実行される。フルストロークテストは、主弁１１を全開状態において通電状態から非通電状態に切り替えることで全閉状態に操作し、全閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。パーシャルストロークテストは、主弁１１を全閉状態に操作することなく（すなわち、プラント設備を停止
することなく）、主弁１１を全開状態において通電状態から非通電状態に切り替えることで所定の開度まで部分的に閉じて、部分的な閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。

【0059】

なお、試験運転条件としては、例えば、管理者により設定値として指定された実行頻度（例えば、１年に１回）による実行時期や特定の指定日時が到来したり、外部装置１５からの実行命令を受け付けたり、電磁弁１に設けられた試験実行ボタン（不図示）が管理者により操作されたりした場合に、試験運転条件を満たすものとして、試験運転（ストロークテスト）が実行されるようにすればよい。

【0060】

（機械学習装置）
上述した一連の構成を備える流体圧駆動弁１０においては、上述した複数のセンサ４を備えることにより、例えば、定常運転時及び非定常運転時（例えば、開閉操作が行われる試験運転時や緊急停止時を含む。）において流体圧駆動弁１０の各種情報を取得することができる。そこで、以下には、流体圧駆動弁１０から取得可能な情報（状態変数）に基づいて流体圧駆動弁１０の状態を推定することが可能な推論モデル（学習済モデル）を学習する機械学習装置２００について説明する。なお、機械学習装置２００は、それ単独で動作する装置として提供されるもののみならず、任意のプロセッサに以下に説明する動作を実行させるためプログラム、あるいは当該動作を実行させるための１乃至複数の命令を格納した非一時的なコンピュータ読取可能媒体の形式で提供されるものを含む。

【0061】

図５は、本発明の一実施の形態に係る機械学習装置２００の概略ブロック図である。本実施の形態に係る機械学習装置２００は、図５に示すように、学習用データセット取得ユニット２０１と、学習用データセット記憶ユニット２０２と、学習ユニット２０３と、学習済モデル記憶ユニット２０４とを備えている。

【0062】

学習用データセット取得ユニット２０１は、例えば、有線又は無線の通信回線を介して接続された各種機器から学習（トレーニング）用データセットを構成する複数のデータを取得するためのインタフェースユニットである。

【0063】

ここで、学習用データセット取得ユニット２０１に接続される各種機器としては、例えば、外部装置１５や流体圧駆動弁１０の作業者が使用する作業者用コンピュータＰＣ１等が挙げられる。なお、図５では、外部装置１５と作業者用コンピュータＰＣ１とは別々の装置として示されているが、外部装置１５と作業者用コンピュータＰＣ１とは同一のコンピュータにより構成されていてもよい。

【0064】

外部装置１５には、流体圧駆動弁１０の各種試験を実施する試験装置１７が接続されている。試験装置１７は、試験対象となる流体圧駆動弁１０と、開閉操作を伴う試験を実施する際に弁軸１３に作用する作用トルクを計測する第１のトルクセンサ１７０Ａ及び第２のトルクセンサ１７０Ｂを備える。なお、試験装置１７は、第１のトルクセンサ１７０Ａ及び第２のトルクセンサ１７０Ｂの少なくとも一方を備えていればよい。

【0065】

第１のトルクセンサ１７０Ａは、第１の軸１３Ａと第２の軸１３Ｂとの間に作用する第１の作用トルクを計測する。第２のトルクセンサ１７０Ｂは、第１の軸１３Ａと第３の軸１３Ｃとの間に作用する第２の作用トルクを計測する。

【0066】

学習用データセット取得ユニット２０１は、例えば、外部装置１５を介して試験装置１７から、流体圧駆動弁１０の複数のセンサ４により計測された計測結果を入力データとして取得する。また、習用データセット取得ユニット２０１は、例えば、外部装置１５を介して試験装置１７から、第１のトルクセンサ１７０Ａ及び第２のトルクセンサ１７０Ｂの
少なくとも一方にて測定された作用トルクの計測結果を出力データとして取得する。そして、これら入力データと出力データとが互いに対応付けられることで後述する一の学習用データセットを構成する。

【0067】

図６は、本発明の一実施の形態に係る機械学習装置２００で使用されるデータの構成例（教師あり学習）を示す図である。なお、図６は、データ処理システム及び推論装置の説明でも適宜参照する。

【0068】

学習用データセットは、図６に示すように、入力データとして、所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データを少なくとも含むとともに、出力データとして、所定期間中における作用トルクの時系列データを含んでおり、後述する機械学習において使用するためのデータセットを指すものである。これらの各種データの詳細について以下に一例を説示するが、本発明はこれらに限定されるものではない。

【0069】

入力データに含まれる主弁１１の弁開度は、主弁１１の開閉状態の値を指すものであって、上述した主弁開度センサ４２より取得できる。

【0070】

入力データに含まれる空気Ａの電磁弁出力側圧力は、電磁弁１から駆動装置１２に給排される空気Ａの圧力であって、電磁弁１から駆動装置１２に空気Ａが供給されるときの空気Ａ（給気）の圧力と、駆動装置１２から電磁弁１を介して外気に空気Ａが排出されるときの空気Ａ（排気）の圧力とを含む。空気Ａの電磁弁出力側圧力は上述した第２の圧力センサ４１により取得できる。

【0071】

出力データに含まれる作用トルクは、ガスや石油等が配管１００を流れることにより生じた圧力が弁軸１３に作用するトルクであり、第１のトルクセンサ１７０Ａ、又は、第２のトルクセンサ１７０Ｂにより取得される。あるいは、第１のトルクセンサ１７０Ａで計測する作用トルク、及び、第２のトルクセンサ１７０Ｂで計測する作用トルクの２種類の作用トルクを出力データとして取得してもよい。

【0072】

時系列データは、所定期間内の異なる複数の時点でそれぞれ取得された複数のデータで構成されたものであり、例えば、所定のサンプリング周期で取得される。本実施の形態においては、主弁１１の弁開度の時系列データ、空気Ａの電磁弁出力側圧力の時系列データ、及び、作用トルクの時系列データは、同一のサンプリング周期及び同一の位相（位相差がない状態）で複数の時点で取得されたものとするが、サンプリング周期及び位相の少なくとも一方が異なるものでもよい。

【0073】

所定期間は、非定常運転時（試験運転時や緊急停止時を含む）に主弁１１の開閉操作が行われる期間であり、例えば、流体圧駆動弁１０におけるストロークテストを実行したときの実行期間からなる。所定期間は、ストロークテストの実行期間のうちテスト開始からテスト終了までの全期間でもよいし、そのうちの一部の期間でもよい。したがって、所定期間は、例えば、フルストロークテストの全期間（全開状態→全閉状態→全開状態）やパーシャルストロークテストの全期間（全開状態→部分的な閉状態態）でもよいし、フルストロークテストの一部の期間（全開状態→全閉状態、又は、全閉状態→全開状態等）やパーシャルストロークテストの一部の期間（全開状態→部分的な閉状態、部分的な閉状態→全開状態等）でもよいし、これらに限られない。

【0074】

オプションとして、学習用データセット内の入力データには、更に、空気Ａの圧力（空気Ａの電磁弁出力側圧力を除く）の時系列データ、ソレノイド部３の制御パラメータの時系列データ、電磁弁１の温度の時系列データ、駆動装置１２の動作状態の時系列データ、
流体圧駆動弁１０の総稼働時間、流体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間、主弁１１の作動回数、駆動装置１２の作動回数、ソレノイド部３の作動回数、及び、主弁１１の開閉時間を選択的に含むことができる。

【0075】

空気Ａの圧力（空気Ａの電磁弁出力側圧力を除く）は、流体圧駆動弁１０の内部の各部を流れる空気Ａの圧力であることが好ましく、具体的には、空気供給源１４から電磁弁１に供給される空気Ａの電磁弁入力側圧力、及び、空気Ａの電磁弁入力側圧力と空気Ａの電磁弁出力側圧力との差圧の少なくとも１つを含むことが好ましい。

【0076】

ソレノイド部３の制御パラメータは、ソレノイド部３を制御するための各種パラメータ情報であって、具体的にはソレノイドコイル３１へ供給される供給電圧、ソレノイドコイル３１への通電時の電流値、ソレノイドコイル３１の非通電時における抵抗値、ソレノイド部３の稼働時間、及び、ソレノイド部３に生じる磁気の強度の少なくとも１つを含むと好ましい。このうち、ソレノイドコイル３１へ供給される供給電圧は上述した電圧センサ４３により取得でき、ソレノイドコイル３１への通電時の電流値、及び、非通電時における抵抗値は上述した電流・抵抗センサ４４により取得でき、ソレノイド部３の稼働時間は上述した稼働時間計４７により取得でき、ソレノイド部３に生じる磁気の強度は上述した磁気センサ４６により取得できる。

【0077】

電磁弁１の温度は、電磁弁１の特に内部温度の値を指すものであって、上述した温度センサ４５により取得できる。

【0078】

駆動装置１２の動作状態は、シリンダ１２０に対する第１のピストン１２２Ａの位置、シリンダ１２０に対する第２のピストン１２２Ｂの位置、シリンダ１２０及びピストン１２２Ａ、１２２Ｂの間で生じる振動に基づく駆動装置１２の加速度、及び、シリンダ１２０内の温度及び湿度の少なくとも１つを含むことが好ましい。

【0079】

シリンダ１２０に対するピストン１２２Ａ、１２２Ｂの位置は上述した位置センサ４９１により取得できる。駆動装置１２の加速度は、ピストン１２２Ａ、１２２Ｂがシリンダ１２０内を往復直線移動するときに発生する振動に基づくシリンダ１２０の加速度と、ピストン１２２Ａ、１２２Ｂがストッパ１２６Ａ、１２６Ｂに衝突するときに発生する振動（衝撃）に基づくシリンダ１２０の加速度とを含む。駆動装置１２の加速度は上述した加速度センサ４９２により取得できる。シリンダ１２０内の温度及び湿度は、電磁弁１から空気給排口１２４（図２に示す単作動式の場合には、１２４ａ、複作動式の場合には、１２４ａ、１２４ｂ）を介して駆動装置１２に給排される空気Ａ（駆動流体）の温度及び湿度、及び、外部環境から空気給排口１２４（図２に示す単作動式の場合には、１２４ｂ、１２４ｃ、複作動式の場合には、１２４ｃ）を介して駆動装置１２に給排される外気（外部空気）の温度及び湿度の少なくとも１つを含むことが好ましい。シリンダ１２０内の温度及び湿度は上述した温度・湿度センサ４９３により取得できる。

【0080】

流体圧駆動弁１０の総稼働時間と流体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間とは上述した稼働時間計４７により取得でき、主弁１１の作動回数と駆動装置１２の作動回数とソレノイド部３の作動回数とは上述した作動カウンタ４８により取得でき、主弁１１の開閉時間は図示しないタイマ等を用いて取得できる。

【0081】

上述のように入力データの種類を増やすことは、機械学習の後に得られる学習済モデルの推定精度を向上させるのに概ね寄与するものであるが、出力データとの相関度合いが低い入力データを採用することは、却って学習済モデルの推定精度の向上を阻害する可能性がある。したがって、入力データとして採用するデータの数及び種類については、学習済モデルが適用される流体圧駆動弁１０の状態等を考慮して適宜選択されるべきものである
。

【0082】

したがって、本実施の形態においては、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データに基づいて、弁軸１３に作用する作用トルクの推定を行うものである。つまり、電磁弁１から駆動装置１２に給排される空気Ａの電磁弁出力側圧力の変化によって、シリンダ１２０に対してピストン１２２が移動し、主弁１１の弁開度が変化するが、この弁開度及び電磁弁出力側圧力の変化に伴って弁軸１３に作用する作用トルクの時系列データを推定することができる。

【0083】

学習用データセット記憶ユニット２０２は、学習用データセット取得ユニット２０１で取得した学習用データセットを構成するための複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースである。学習用データセット記憶ユニットを構成するデータベースの具体的な構成については適宜調整することができる。例えば、図５においては、説明の都合上、学習用データセット記憶ユニット２０２と後述する学習済モデル記憶ユニット２０４とを別々の記憶手段として示しているが、これらは単一の記憶媒体（データベース）によって構成することもできる。

【0084】

学習ユニット２０３は、学習用データセット記憶ユニット２０２に記憶された複数の学習用データセットを用いて機械学習を実行することで、複数の学習用データセットに含まれる入力データと出力データとの相関関係を学習した学習済モデルを生成するものである。本実施の形態においては、後に詳しく説示するように、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用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。

【0085】

学習済モデル記憶ユニット２０４は、学習ユニット２０３で生成された学習済モデルを記憶するためのデータベースである。学習済モデル記憶ユニット２０４に記憶された学習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実システムへ適用される。実システム（データ処理システム３００）に対する学習済モデルの具体的な適用態様については、後に詳述する。

【0086】

次に、上述のようにして得られた複数の学習用データセットを用いた、学習ユニット２０３における学習手法について、教師あり学習を中心に説明する。図７は、本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。

【0087】

図７に示すニューラルネットワークモデルにおけるニューラルネットワークは、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（ｙ２１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。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あってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。なお、図７においては、出力層が複数個（ｏ個）設定されたニューラルネットワークモデルを例示している。

【0088】

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、層間のニューロン（ノード）を接続するシナプス（エッジ）が張られてお
り、それぞれのエッジには、重みｗｉｊ（ｉ、ｊは自然数、ｉはいずれの層間のエッジであるかを表し、ｊは同じ層間のニューロンを接続するエッジの番号を表す）が対応づけられている。

【0089】

本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセットを用いて、所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データと、弁軸１３に作用する作用トルクの時系列データとの相関関係を学習する。

【0090】

具体的には、状態変数としての所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データのそれぞれを入力層のニューロンに対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法で、つまり、出力側のニューロンの値を、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エッジに対応づけられた重みｗｉｊとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。

【0091】

なお、上記状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。具体的には、入力データそれぞれに対応させるニューロンの数を調整するため、あるいはニューロンに対応可能な値に調整するために、特定の入力データに対して前処理を実行することができる。例えば、前処理として、正規化を行うことで、数値の範囲を一定の範囲内の数値に収めるように変換してもよい。

【0092】

そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値、すなわち本実施の形態においては、学習用データセットの一部を構成する、弁軸１３に作用する作用トルクの時系列データからなる教師データｔ１～ｔｏとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各エッジに対応づけられた重みｗｉｊを調整する（バックプロパゲーション）ことを反復する。

【0093】

そして、上述した一連の工程を所定回数反復実施すること、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニューラルネットワークモデル（のエッジのそれぞれに対応づけられた全ての重みｗｉｊ）を学習済モデルとして学習済モデル記憶ユニット２０４に記憶する。

【0094】

（機械学習方法）
上記に関連して、本発明は、機械学習方法を提供する。以下に本発明に係る機械学習方法について、図６（学習フェーズ）、図７、図８を参照して説明を行う。図８は、本発明の一実施の形態に係る機械学習方法の例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置２００に基づいて説明を行うが、前提となる構成については、上記機械学習装置２００に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えば外部装置１５、作業者用コンピュータＰＣ１あるいはマイクロコントローラ７０を構成するコンピュータ装置や、ネットワーク上に配されたサーバ装置等を挙げることができる。また、コンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。

【0095】

本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始するための
事前準備として、先ず、所望の数の学習用データセット（図６参照。）を準備し、準備した複数個の学習用データセットを学習用データセット記憶ユニット２０２に記憶する（ステップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる学習済みモデルに求められる推論精度を考慮して設定するとよい。

【0096】

教師あり学習に用いられる学習用データセットを準備する方法として、弁開度センサ４２による弁開度の検出、第２の圧力センサ４１による空気Ａの電磁弁出力側圧力の検出、及び、第１のトルクセンサ１７０Ａによる作用トルクの検出を、所定期間に、同一のサンプリング周期及び同一位相で取得した時系列データを取得して、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データを入力データとし、弁軸１３の作用トルクの時系列データを出力データとして採用する。時系列データを取得する所定期間は、ストロークテストの実行期間のうちテスト開始からテスト終了までの全期間でもよいし、そのうちの一部の期間でもよいが、同一期間についてサンプリングした時系列データを学習用データセットとする。なお、ストロークテストの開始から所定の時間、及び、終了前の所定の時間は、弁開度の揺れが大きいため、その期間のサンプリングデータは学習用データセットには入れないようにしてもよい。複数回のストロークテストを行うことで、所望の数の学習用データセットを準備することができる。

【0097】

ただし、流体圧駆動弁１０の各種情報は流体圧駆動弁１０夫々に特有の傾向が存在することが多いため、学習用データセットを構成するデータを取得する対象としては、後述する機械学習を経て得られる学習済みモデルを適用する予定の一の流体圧駆動弁１０のみから収集することが好ましい。

【0098】

ステップＳ１１が完了すると、次いで学習ユニット２０３における学習を開始すべく、学習前のニューラルネットワークモデルを準備する（Ｓ１２）。ここで準備される学習前のニューラルネットワークモデルは、その構造としては、例えば図７で示した構造を有し、且つ各エッジの重みｗｉｊが初期値に設定されている。そして、学習用データセット記憶ユニット２０２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用データセットを選択し（ステップＳ１３）、当該一の学習用データセット中の入力データを、準備された学習前のニューラルネットワークモデルの入力層（図７参照。）に入力する（ステップＳ１４）。

【0099】

ここで、上記ステップＳ１４の結果として生成された出力層（図７参照。）の値は、学習前のニューラルネットワークモデルによって生成されたものであるため、ほとんどの場合望ましい結果とは異なる値、すなわち、弁軸１３の作用トルクの時系列データとは異なる値である。そこで、次に、ステップＳ１３において取得された一の学習用データセット中の教師データとしての弁軸１３の作用トルクの時系列データとステップＳ１３において生成された出力層の値とを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成する弁軸１３の作用トルクの時系列データと出力層の値とを比較し、好ましい出力層の値が得られるよう、学習前のニューラルネットワークモデル内の各エッジに対応付けられた重みｗｉｊを調整する処理（バックプロパゲーション）であってよい。なお、学習前のニューラルネットワークモデルの出力層に出力される値の数及び形式は、学習対象としての学習用データセット中の教師データと同様の数及び形式である。

【0100】

ここでいう機械学習について具体的に例示する。教師データを構成する弁軸１３の作用トルクの時系列データと、出力層から出力された値を１つずつ比較してもよいが、作用トルクの時系列データを作用トルクベクトルとし、出力層から出力したデータを出力ベクトルとして、例えば、作用トルクベクトルのスカラ量と出力データのベクトルのスカラ量が一致し、正規化した作用トルクベクトルと正規化した出力データのベクトルの内積が「１
」となるときが、作用トルクの時系列データと、出力データとが一致したものと判断することができる。そこで、ステップＳ１５では、弁軸１３の作用トルクの時系列データと、出力データとが一致するように、当該学習中のニューラルネットワークモデルの各エッジに対応付けられた重みｗｉｊを調整する。

【0101】

ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット２０２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合には、学習中のニューラルネットワークモデルに対してステップＳ１３～Ｓ１５の工程を未学習の学習用データセットを用いて複数回実施する。最終的に生成される学習済モデルの精度は、一般にこの回数に比例して高くなる。

【0102】

機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各エッジに対応付けられた重みｗｉｊが、一連の工程によって調整され生成されたニューラルネットワークの学習済モデルとして、学習済モデル記憶ユニット２０４に記憶され（ステップＳ１７）、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、後述するデータ処理システム３００に適用され使用され得るものである。

【0103】

上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回の機械学習処理を繰り返し実行することでその精度を向上させ、データ処理システム３００に適用するに足る学習済モデルを得るものを説示している。しかし、本発明はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個の学習済モデル記憶ユニット２０４に格納しておき、この複数個の学習済モデル群に妥当性判断用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された値の精度を比較検討して、データ処理システム３００に適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていないものであればよい。

【0104】

以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データから、弁軸１３の作用トルクの時系列データを的確に導出することが可能な学習済モデルを得ることができる。

【0105】

上述では、第１のトルクセンサ１７０Ａを用いて検出した作用トルクの時系列データを学習用データセットに用いる場合について説明したが、作用トルクの検出を第２のトルクセンサ１７０Ｂで検出した時系列データを、第１のトルクセンサ１７０Ａを用いて検出した作用トルクの時系列データに変えて学習用データセットとして、弁軸１３の時系列データを導出するニューラルネットワークの学習済モデルを得てもよい。

【0106】

あるいは、ニューラルネットワークモデルの出力層のノードの数を増やして、第１のトルクセンサ１７０Ａと第２のトルクセンサ１７０Ｂで検出した時系列データの両方を教師データとする学習用データセットを用意して、２種類の弁軸１３の作用トルクの時系列データを導出するニューラルネットワークの学習済モデルを得てもよい。

【0107】

上述では、入力データとして、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データを用いる場合について説明したが、第１の圧力センサ４０で
検出される空気Ａの電磁弁入力側圧力の時系列データを入力データに加えて、学習用データセットにしてもよい。

【0108】

また、入力データを増やす場合には、ニューラルネットワークモデルの入力層のノードに、空気Ａの電磁弁入力側圧力の時系列データを入力するためのノードを追加した構成とし、主弁１１の弁開度の時系列データ、空気Ａの電磁弁出力側圧力の時系列データ、及び、空気Ａの電磁弁入力側圧力の時系列データを入力データとし、弁軸１３の作用トルクの時系列データ（あるいは、２種類の弁軸１３の作用トルクの時系列データ）を導出するニューラルネットワークの学習済モデルを得てもよい。あるいは、空気Ａの電磁弁入力側圧力の時系列データの代わりに、空気Ａの電磁弁入力側圧力と空気Ａの電磁弁出力側圧力との差圧の時系列データを用いた学習用データセットにしてもよい。

【0109】

さらに、入力データに、稼働時間計（タイマ）４７で検出した稼働時間を加えたものを学習用データセットとし、ニューラルネットワークモデルの入力層に、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データ（あるいは、主弁１１の弁開度の時系列データ、空気Ａの電磁弁出力側圧力の時系列データ、及び、空気Ａの電磁弁入力側圧力の時系列データ）に加えて、稼働時間を入力するためのノードを追加して、弁軸１３の作用トルクの時系列データ（あるいは、２種類の弁軸１３の作用トルクの時系列データ）を導出するニューラルネットワークの学習済モデルを得てもよい。稼働時間に応じて弁軸１３の作用トルクは変化するため、稼働時間を入力データに加えることで、弁軸１３の作用トルクをより正確に推定することが可能になる。

【0110】

また、稼働時間の代わりに、電磁弁１、駆動装置１２及び主弁１１それぞれの作動回数を計数するカウンタ４８の計数を入力データに加えた学習用データセットとしてもよい。電磁弁１、駆動装置１２及び主弁１１は作動する度に弁軸１３の作用トルクは変化するため、カウンタの値を入力データに加えることで、弁軸１３の作用トルクの変化をより正確に推定することが可能になる。

【0111】

なお、稼働時間又は計数は、時系列データの数値とのバランスを考慮して、前処理で適切な範囲の値に調整しておくのが好ましい。

【0112】

さらに、駆動状態センサ４９として設けられた、位置センサ４９１、加速度センサ４９２、及び、温度・湿度センサ４９３から取得したいずれかのデータを加えたものを学習用データセットとしてもよい。駆動状態を表すデータを入力データとして学習することにより、駆動状態に応じて、より正確な弁軸１３の作用トルクの時系列データを推定することが可能になる。例えば、温度・湿度センサ４９３から取得したデータを入力データとして追加することで、気温や湿度に応じた弁軸１３の作用トルクの変化を加味したデータを推定することが可能になる。あるいは、例えば、位置センサ４９１によって取得されたシリンダ１２０に対するピストン１２２Ａ、１２２Ｂ又はピストンロッド１２１の位置、及び、加速度センサ４９２による駆動装置１２の振動のデータを、入力データとして追加することで、駆動装置１２の状態に応じた弁軸１３の作用トルクの変化を加味したデータを推定することが可能になる。

【0113】

上記では、学習用データセットに含まれる時系列データのサンプリング周期及び位相が一致している場合について説明したが、同一期間の時系列データであれば、サンプリング周期及び位相のいずれかが一致していない学習用データセットを用いて学習を行うことも可能である。

【0114】

（データ処理システム）
次に、図９を参照して、上述した機械学習装置２００及び機械学習方法によって生成さ
れた学習済モデルの適用例を説示する。図９は、本発明の一実施の形態に係るデータ処理システムを示す概略ブロック図である。

【0115】

本実施の形態に係るデータ処理システム３００としては、上述した流体圧駆動弁１０のマイクロコントローラ７０内に搭載された態様を例示する。なお、データ処理システム３００については、その少なくとも一部を他の機器、例えば外部装置１５や流体圧駆動弁１０に接続された他の装置に適用することも可能である。

【0116】

データ処理システム３００は、入力データ取得ユニット３０１と、推論ユニット３０２と、学習済モデル記憶ユニット３０３と、報知ユニット３０４とを少なくとも含むものである。

【0117】

入力データ取得ユニット３０１は、流体圧駆動弁１０が有する複数のセンサ４に接続されて各センサ４が出力するデータを取得するためのインタフェースユニットである。入力データ取得ユニット３０１は、少なくとも、所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データを取得する。

【0118】

なお、図９に示す例においては、後述する推論に利用可能な入力データの全てが取得できるように、流体圧駆動弁１０の備える全てのセンサ４に接続されているが、入力データ取得ユニット３０１にどのセンサ４を接続するかについては、後述する推論ユニット３０２において用いられる学習済モデル等に合わせて適宜選択することができる。また、推論ユニット３０２の推論結果は、図示しない記憶手段に記憶することが好ましく、記憶された過去の推論結果は、例えば学習済モデル記憶ユニット３０３内の学習済モデルの推論精度の更なる向上のための、オンライン学習に用いられる学習用データセットとして利用することができる。

【0119】

推論ユニット３０２は、入力データ取得ユニット３０１により取得された流体圧駆動弁１０の各種データから、弁軸１３の作用トルクの時系列データを推論するためのものである。この推論には、例えば上述した機械学習装置２００及び機械学習方法を用いて学習が行われた学習済モデルが用いられ、この学習済モデルは任意の記憶媒体で構成された学習済モデル記憶ユニット３０３内に格納されている。なお、推論ユニット３０２は、学習済モデル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、入力データ取得ユニット３０１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済モデルに入力する前処理機能や、推論処理の後処理として、学習済モデルが出力した出力値を所定の形式に変換して記憶する機能をも含んでいる。

【0120】

学習済モデル記憶ユニット３０３は、上述した通り、推論ユニット３０２において用いられる学習済モデルを格納するための記憶媒体である。学習済モデル記憶ユニット３０３には、複数個の学習済モデルが格納されて、推論ユニット３０２により選択的に用いられてもよい。複数個の学習済モデルは、例えば、入力データの数、学習手法、流体圧駆動弁１０の使用環境、又は、流体圧駆動弁１０の仕様が異なる毎に生成されたものである。流体圧駆動弁１０の使用環境は、例えば、駆動流体の種類や供給圧力、配管１００を流れる流体の種類や圧力等である。流体圧駆動弁１０の仕様は、例えば、電磁弁１の仕様（流量、応答速度等）、主弁１１の仕様（寸法、パッキンの種類等）、又は駆動装置１２（ピストン１２２Ａ、１２２Ｂの受圧面積、コイルばね１２３のばね定数等）の仕様等である。

【0121】

報知ユニット３０４は、推論ユニット３０２の推論結果を作業者等に報知するためのものである。具体的な報知の手段は種々採用でき、例えば推論結果について通信部８を介して外部装置１５に送信し、外部装置１５のＧＵＩにグラフ表示等を行うことができる。なお、推論ユニット３０２の推論結果は、リアルタイム又は事後的にグラフ表示が行われて
もよいし、任意のデータ形式によりデータ処理システム３００又は外部装置１５が備える記憶装置に記憶されてもよい。

【0122】

以上の構成を備えたデータ処理システムによるデータ処理プロセスについて、図６（推論フェーズ）、図１０を参照して以下に説明を行う。図１０は、本発明の一実施の形態に係るデータ処理システム３００によるデータ処理工程の例を示すフローチャートである。

【0123】

流体圧駆動弁１０の電磁弁１に外部電源１６からの電力の供給が開始され、それに伴ってデータ処理システム３００によるデータ処理プロセスが開始されると、入力データ取得ユニット３０１が、複数のセンサ４により取得された流体圧駆動弁１０の各部の状態を示す各種データを取得する（ステップＳ２１）。

【0124】

入力データ取得ユニット３０１が、所望の入力データ（所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データ（図６参照。））を取得できた時点で、当該入力データに基づく推論ユニット３０２による推論が実施される（ステップＳ２２）。このとき、推論に用いられる学習済モデルは事前に特定されていることが好ましい。また、事前に特定された学習済モデルが、例えばその入力データとして所定の時系列データを要するものである場合には、入力データ取得ユニット３０１において必要なデータ量が取得された後に、ステップＳ２２における推論が実施される。

【0125】

具体的には、推論ユニット３０２は、入力データに前処理を施して学習モデル済モデルに入力すると、推論結果である弁軸１３の作用トルクの時系列データを推論結果として出力する。

【0126】

そして、ステップＳ２２において、推論ユニット３０２による推論が実施された結果が、報知ユニット３０４によりグラフ表示され、作業者等は現在の弁軸１３の状態を確認することができる（ステップＳ２３）。

【0127】

（推論装置）
本発明は、上述したデータ処理システム３００の態様によるもののみならず、推論を行うための推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つの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、所定期間中における、主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データを取得する処理と、当該入力データが入力されると、所定期間中に弁軸１３に作用する作用トルクの時系列データを推論する処理と、を含む。

【0128】

本発明を上述した推論装置の態様で提供することで、データ処理システム３００を実装する場合に比して簡単に種々の流体圧駆動弁１０への適用が可能となる。このとき、推論装置が、作用トルクの時系列データを推論する処理を行うに際しては、ここまで本書において説明した、本発明における、機械学習装置及び機械学習方法によって学習された学習済みモデルを用い、データ処理システムの推論ユニット３０２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。

【0129】

上述では、ニューラルネットワークモデルを用いて、弁軸１３の作用トルクの時系列データを推定する場合について説明したが、学習用データセット記憶ユニット２０２に記憶されている主弁１１の弁開度の時系列データ、及び、空気Ａの電磁弁出力側圧力の時系列データと、弁軸１３の作用トルクの時系列データの相関に基づいて、主弁１１の弁開度、及び、空気Ａの電磁弁出力側圧力を変数とする関数を得て、弁軸１３の作用トルクの時系列データを推定するようにしてもよい。あるいは、学習用データセット記憶ユニット２０
２に、主弁１１の弁開度の時系列データ、空気Ａの電磁弁出力側圧力の時系列データ、及び、空気Ａの電磁弁入力側圧力の時系列データが記憶されている場合には、これらの時系列データと、弁軸１３の作用トルクの時系列データの相関に基づいて、主弁１１の弁開度、空気Ａの電磁弁出力側圧力、及び、空気Ａの電磁弁入力側圧力を変数とする関数を得て、弁軸１３の作用トルクの時系列データを推定するようにしてもよい。

【0130】

また、機械学習装置２００、データ処理システム３００、マイクロコントローラ７０等を構成するコンピュータが、ＣＰＵやＧＰＵを備える場合について説明したが、さらに、プロセッサとしてＦＰＧＡ（Field-programmable gate array）等のプログラマブルロ
ジックデバイス (programmable logic device: PLD)やＡＳＩＣ（Application Specific IC）等の専用の論理回路を設ける構成にしてもよい。同様に、推論装置にも、プロセッサとしてＦＰＧＡ等のプログラマブルロジックデバイスやＡＳＩＣ等の専用の論理回路を設ける構成にしてもよい。

【0131】

本発明は上述した実施の形態に限定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。

【符号の説明】

【0132】

１…電磁弁、３…ソレノイド部、４…センサ、１０…流体圧駆動弁、１１…主弁、１２…（流体圧式）駆動装置、１３…弁軸、１３ａ…第１の軸、１３ｂ…第２の軸、１３ｃ…第３の軸、１４…空気供給源（駆動流体供給源）、１５…外部装置、１７…試験装置、２６…入力側流路、２７…出力側流路、２８…排気流路、３０…ソレノイドケース、３１…ソレノイドコイル、３２…可動鉄芯、４０…第１の圧力センサ、４１…第２の圧力センサ、４２…主弁開度センサ、４３…電圧センサ、４４…電流・抵抗センサ、４５…温度センサ、４６…磁気センサ、４７…稼働時間計（タイマ）、４８…作動カウンタ（カウンタ）、４９…駆動状態センサ、７０…マイクロコントローラ、１００…配管、１７０Ａ…第１のトルクセンサ、１７０Ｂ…第２のトルクセンサ、２００…機械学習装置、２０１…学習用データセット取得ユニット、２０２…学習用データセット記憶ユニット、２０３…学習ユニット、２０４…学習済モデル記憶ユニット、３００…データ処理システム、３０１…入力データ取得ユニット、３０２…推論ユニット、３０３…学習済モデル記憶ユニット、３０４…報知ユニット、Ａ…空気（駆動流体）、ＰＣ１…作業者用コンピュータ

【要約】

【課題】トルクセンサを要することなく、弁軸に作用する作用トルクを推定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２００は、主弁１１と、主弁１１に連結された弁軸１３を駆動する駆動装置１２と、駆動流体の給排を制御する電磁弁１と、を含む流体圧駆動弁１０に適用されて、主弁１１の弁開度の時系列データ、及び、電磁弁１から駆動装置１２に給排される駆動流体の電磁弁出力側圧力の時系列データを含む入力データと、弁軸１３に作用する作用トルクの時系列データを含む出力データとを対応付けて構成される学習用データセットを記憶する学習用データセット記憶ユニット２０２と；学習用データセットを入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニット２０３と；学習ユニットによって学習された学習モデルを記憶する学習済モデル記憶ユニット２０４と；を備える。
【選択図】 図５

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】