特許 7516286 流体供給装置、推論装置、機械学習装置、圧力タンク診断方法、推論方法、機械学習方法、圧力タンク診断プログラム、推論プログラム、及び、機械学習プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-05

(45)【発行日】2024-07-16

(54)【発明の名称】流体供給装置、推論装置、機械学習装置、圧力タンク診断方法、推論方法、機械学習方法、圧力タンク診断プログラム、推論プログラム、及び、機械学習プログラム

(51)【国際特許分類】

   F04B 51/00 20060101AFI20240708BHJP

   F04B 23/02 20060101ALI20240708BHJP

【ＦＩ】

F04B51/00

F04B23/02 D

【請求項の数】 15

(21)【出願番号】P 2021021742

(22)【出願日】2021-02-15

(65)【公開番号】P2022124146

(43)【公開日】2022-08-25

【審査請求日】2023-12-27

(73)【特許権者】

【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

【審査官】大瀬 円

(56)【参考文献】

【文献】特開２００２－０８９５１７（ＪＰ，Ａ）

【文献】特開２０１２－１８８９２１（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１８／００１０５９９（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｆ０４Ｂ ５１／００

Ｆ０４Ｂ ２３／０２

(57)【特許請求の範囲】

【請求項1】

電動機を駆動源として流体を移送するポンプと、
前記ポンプの吐出側に設けられ、前記流体の圧力を保持する圧力タンクと、
前記電動機が発電機として動作したときの発電量を測定する発電量測定器と、
前記流体の供給動作を制御する制御部と、を備え、
前記制御部は、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させたとき、前記
発電量測定器により測定された前記発電量を逆流時発電量のデータとして取得し、前記逆
流時発電量のデータに基づいて前記圧力タンクの健全性を診断する、
流体供給装置。

【請求項2】

前記制御部は、
前記逆流時発電量に基づいて前記圧力タンクの封入圧力を推定し、前記封入圧力の健
全性を診断する、
請求項１に記載の流体供給装置。

【請求項3】

前記制御部は、
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前記流体の使用予定がある
か否かを判定し、
前記使用予定があると判定した場合には、前記ポンプの吐出側圧力に基づいて前記ポ
ンプの運転を制御し、
前記使用予定がないと判定した場合には、前記圧力タンクに貯留された前記流体を前
記ポンプの吸込側に逆流させて、前記圧力タンクの健全性を診断する、
請求項１又は請求項２に記載の流体供給装置。

【請求項4】

前記ポンプと前記圧力タンクとを接続し、その途中に逆止弁が設けられた吐出側配管と
、
前記逆止弁をバイパスするように前記吐出側配管に接続され、その途中にバイパス弁が
設けられたバイパス配管と、をさらに備え、
前記制御部は、
前記バイパス弁を開弁することにより、前記圧力タンクに貯留された前記流体を前記
ポンプの吸込側に逆流させる、
請求項１乃至請求項３のいずれか一項に記載の流体供給装置。

【請求項5】

前記制御部は、
前記逆流時発電量のデータを少なくとも含む入力データと前記圧力タンクの診断情報との相関関係を機械学習させた学習モデルに、前記発電量測定器により測定された前記発電量から取得した前記逆流時発電量のデータを入力データとして入力することにより当該逆流時発電量を取得したときの前記圧力タンクの健全性を診断する、
請求項１乃至請求項４のいずれか一項に記載の流体供給装置。

【請求項6】

前記ポンプの吐出側圧力を測定する圧力測定器を備え、
前記制御部は、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させたとき、前記
圧力測定器により測定された前記吐出側圧力を逆流時吐出側圧力のデータとして取得し、
前記逆流時発電量のデータとともに、さらに前記逆流時吐出側圧力のデータに基づい
て前記圧力タンクの健全性を診断する、
請求項１乃至請求項４のいずれか一項に記載の流体供給装置。

【請求項7】

前記ポンプは、
前記吸込側に、水位を測定する水位計を備える受水槽に接続され、
前記制御部は、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させたとき、前記
水位計により測定された前記水位を逆流時水位のデータとして取得し、
前記逆流時発電量のデータとともに、さらに前記逆流時水位のデータに基づいて前記
圧力タンクの健全性を診断する、
請求項１乃至請求項４のいずれか一項に記載の流体供給装置。

【請求項8】

電動機を駆動源として流体を移送するポンプの吐出側に設けられ、前記流体の圧力を保
持する圧力タンクの健全性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、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させることで前記
電動機が発電機として動作したときの発電量に基づいて、逆流時発電量のデータを入力デ
ータとして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、前記圧力タンクの診断情
報を推論する推論処理と、を実行する、
推論装置。

【請求項9】

電動機を駆動源として流体を移送するポンプの吐出側に設けられ、前記流体の圧力を保
持する圧力タンクの健全性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
、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させることで前記電
動機が発電機として動作したときの発電量に基づいて、逆流時発電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圧
力タンク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10】

電動機を駆動源として流体を移送するポンプの吐出側に設けられ、前記流体の圧力を保
持する圧力タンクの健全性を診断する圧力タンク診断方法であって、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させる流体逆流工程
と、
前記流体逆流工程と並行して、前記電動機が発電機として動作したときの発電量を測定
し、その測定した前記発電量に基づいて逆流時発電量のデータを入力データとして取得す
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逆流時発電量に基づいて前記圧力タンク
の健全性を診断する診断工程と、を備える、
圧力タンク診断方法。

【請求項11】

電動機を駆動源として流体を移送するポンプの吐出側に設けられ、前記流体の圧力を保
持する圧力タンクの健全性を診断するために用いられる推論方法であって、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させることで前記
電動機が発電機として動作したときの発電量に基づいて、逆流時発電量のデータを入力デ
ータとして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、前記圧力タンクの診断情
報を推論する推論工程と、を実行する、
推論方法。

【請求項12】

電動機を駆動源として流体を移送するポンプの吐出側に設けられ、前記流体の圧力を保
持する圧力タンクの健全性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
、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させることで前記電
動機が発電機として動作したときの発電量に基づいて、逆流時発電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圧
力タンク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、
前記機械学習工程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13】

コンピュータに、請求項１０に記載の圧力タンク診断方法が備える各工程を実行させる
ための、
圧力タンク診断プログラム。

【請求項14】

コンピュータに、請求項１１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。

【請求項15】

コンピュータに、請求項１２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。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、流体供給装置、推論装置、機械学習装置、圧力タンク診断方法、推論方法、
機械学習方法、圧力タンク診断プログラム、推論プログラム、及び、機械学習プログラム
に関する。

【背景技術】

【0002】

流体供給装置の一例である給水装置は、例えば、マンションやオフィスビル等にて水（
流体）を供給するための装置として広く使用されている。給水装置は、一般に、水を移送
するポンプと、ポンプの運転を制御する制御部と、ポンプの吐出側の給水配管に設けられ
た圧力タンクとを備える。

【0003】

圧力タンクは、一般に、容器内部を空気室と水室とに分ける隔膜を有する。空気室の内
部には予め空気が封入されており、ポンプの運転により移送された水は、水室に流入し、
隔膜を介して空気を圧縮する。圧力タンクとポンプ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、供給先に給水される。供給先にて水が使用されると、水室から水が流出し
、隔膜は空気室側から水室側へと押し戻される。

【0004】

給水装置では、供給先への給水に伴ってポンプの運転及び停止が切り替えられるため、
圧力タンクの隔膜は伸縮を繰り返し、徐々に劣化する。また、容器と隔膜の固定部位につ
いても同様に、屈伸を繰り返すことで徐々に劣化する。しかしながら、隔膜の劣化は、使
用状況により異なるので、最適なタイミングで隔膜の交換を行うことが困難であった。そ
こで、圧力タンクの健全性として、隔膜の劣化状態を診断することができる検査装置が提
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】

【文献】特許３５９６９０９号公報

【文献】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検査装置は、圧力タンクの健全性を診
断する際に用いる圧力センサ（特許文献１の「圧力スイッチ９」、特許文献２の「圧力セ
ンサ２１」）を備える。一方、給水装置が、供給先への給水に伴ってポンプの運転及び停
止を切り替えるために、上記の診断用の圧力センサとは別の圧力センサ（特許文献１の「
圧力スイッチ６」、特許文献２の「圧力計６」）が、ポンプの吐出側に設けられる。その
ため、特許文献１及び特許文献２にそれぞれ開示された検査装置では、圧力タンクの健全
性を診断するためだけに、診断用の圧力センサを新たに設けなければならなかった。

【0007】

本発明は、上述した課題に鑑み、診断用の圧力センサを新たに設けることなく、圧力タ
ンクの健全性を診断することを可能とする流体供給装置、推論装置、機械学習装置、圧力
タンク診断方法、推論方法、機械学習方法、圧力タンク診断プログラム、推論プログラム
、及び、機械学習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流体供給装置は、
電動機を駆動源として流体を移送するポンプと、
前記ポンプの吐出側に設けられ、前記流体の圧力を保持する圧力タンクと、
前記電動機が発電機として動作したときの発電量を測定する発電量測定器と、
前記流体の供給動作を制御する制御部と、を備え、
前記制御部は、
前記圧力タンクに貯留された前記流体を前記ポンプの吸込側に逆流させたとき、前記
発電量測定器により測定された前記発電量を逆流時発電量として取得し、前記逆流時発電
量に基づいて前記圧力タンクの健全性を診断する。

【発明の効果】

【0009】

本発明の流体供給装置によれば、制御部が、圧力タンクに貯留された流体をポンプの吸
込側に逆流させることで電動機が発電機として動作したときの逆流時発電量のデータに基
づいて圧力タンクの健全性を診断する。そのため、診断用の圧力センサを新たに設けるこ
となく、圧力タンクの健全性を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。

【図面の簡単な説明】

【0011】

【図1】第１の実施形態に係る流体供給装置３が適用された給水システム１の一例を示す全体構成図である。

【図2】第１の実施形態に係る流体供給装置３が適用された給水システム１の一例を示すブロック図である。

【図3】流体供給装置３（主に制御盤３６及び操作表示盤３７の部分）及び機械学習装置４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4】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5】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6】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7】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8】第１の実施形態に係る圧力タンク診断装置５（圧力タンク診断部３６３）の一例を示すブロック図である。

【図9】第１の実施形態に係る圧力タンク診断部３６３（圧力タンク診断装置５）を備える流体供給装置３による圧力タンク診断方法の一例を示すフローチャートである。

【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11】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12】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13】第２の実施形態に係る圧力タンク診断部３６３（圧力タンク診断装置５）を備える流体供給装置３による圧力タンク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。

【0013】

図１は、第１の実施形態に係る流体供給装置３が適用された給水システム１の一例を示
す全体構成図である。

【0014】

給水システム１は、例えば、マンション、オフィスビル、公共施設、商業施設、工場等
の建物や施設に水（流体）を供給するシステムである。図１に示す給水システム１は、受
水槽方式を採用し、水供給源となる水道本管１１に接続された受水槽１０と、給水装置と
しての流体供給装置３とを備える。

【0015】

なお、本実施形態では、流体供給装置３は、流体として水を供給する場合を例にして説
明するが、流体供給装置３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もよい。

【0016】

受水槽１０の上部には、水道本管１１が配水管１２を介して接続され、水道本管１１か
ら水が流入する。また、受水槽１０の下部には、流体供給装置３が接続配管１３を介して
接続され、受水槽１０に貯留された水が流体供給装置３に流出する。

【0017】

受水槽１０には、その内部に、水位計１００と、フロートスイッチ１０１とが設けられ
る。水位計１００は、受水槽１０に貯留された水の水位を段階的又は連続的に測定するた
めの水位測定器である。フロートスイッチ１０１は、受水槽１０に貯留された水の水位が
所定の水位未満であることを検出するための水位検出器である。

【0018】

配水管１２には、その途中に流入弁１２０が設けられる。流入弁１２０は、水位計１０
０又はフロートスイッチ１０１により検出された水位（受水槽水位）に基づいて開弁又は
閉弁される。なお、配水管１２及び接続配管１３には、手動で開閉操作が可能な仕切弁（
不図示）が設けられてもよい。

【0019】

流体供給装置３は、水を移送するポンプ３１と、ポンプ３１の吸込側（上流側）に接続
された吸込側配管３０ａと、ポンプ３１の吐出側（下流側）に接続された吐出側配管３０
ｂと、吸込側配管３０ａに接続された分岐配管３３と、吐出側配管３０ｂに接続されたバ
イパス配管３４とを備える。

【0020】

吸込側配管３０ａの流入口は、接続配管１３を介して受水槽１０と接続され、受水槽１
０内の水が吸込側配管３０ａに流入する。吸込側配管３０ａには、その途中に三方弁３０
３が設けられる。

【0021】

吐出側配管３０ｂの流出口は、給水管１４を介して建物や施設に設けられた複数の給水
栓等に対応する複数の流体供給先１５と接続され、ポンプ３１により移送された水が流体
供給先１５の各々に供給される。

【0022】

給水管１４には、複数の流体供給先１５にて使用された水の使用量を測定する使用流量
センサ１４０が設けられる。複数の流体供給先１５が存在する場合、使用流量センサ１４
０は、複数の流体供給先１５の流量を合計した合計使用流量を測定すればよい。例えば、
使用流量センサ１４０は、図１に示すように、複数の流体供給先１５に供給される上流側
に設けられる。また、使用流量センサ１４０は、マンション等の各室を流体供給先１５と
して、各室に設けられてもよく、例えば、水道メータを使用してもよい。

【0023】

なお、使用流量センサ１４０は、使用流量を直接計測する代わりに、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１５における人の入退室記録を計測し、そ
の入退室記録から使用流量を推測してもよい。また、各室のトイレ、浴室、キッチン等に
人感センサを取り付け、その人感センサの検出結果から使用流量を推測してもよい。さら
に、各室に設けられた電気メータによる電気使用量又はガスメータによるガス使用量から
使用流量を推測してもよい。

【0024】

吐出側配管３０ｂには、上流側から下流側に向かって、逆止弁３００と、フローセンサ
３０１と、ポンプ二次圧センサ３０２と、圧力タンク３２とが設けられる。なお、図１で
は、流体供給装置３は、１組のポンプ３１、逆止弁３００及びフローセンサ３０１を備え
るものであるが、吸込側配管３０ａ及び吐出側配管３０ｂを複数に分岐・合流することで
、複数組のポンプ３１、逆止弁３００及びフローセンサ３０１を並列に備えるものでもよ
い。

【0025】

逆止弁３００は、ポンプ３１が停止したときの水の逆流を防止する。フローセンサ３０
１は、吐出側配管３０ｂを流れる水の流量を測定するための流量測定器である。ポンプ二
次圧センサ３０２は、吐出側配管３０ｂを流れる水の圧力、すなわち、ポンプ３１の吐出
側圧力を測定するための圧力測定器である。

【0026】

圧力タンク３２は、流体供給先１５に供給される水の圧力を保持する圧力保持器である
。圧力タンク３２は、容器内部を空気室と水室とに分ける隔膜３２０を有する。空気室は
、その内部に空気が予め封入されており、水室は、吐出側配管３０ｂに連通される。

【0027】

ポンプ３１が運転されてポンプ３１の吐出側に吐出された水が、吐出側配管３０ｂを介
して圧力タンク３２の水室に流入すると、隔膜３２０を介して空気室の空気が圧縮される
。このとき、圧力タンク３２とポンプ３１との間には逆止弁３００が配置されているため
、ポンプ３１が停止した場合でも、逆止弁３００から下流側の吐出側配管３０ｂ及び給水
管１４の水圧が適切に維持される。

【0028】

分岐配管３３は、吸込側配管３０ａから三方弁３０３を介して分岐し、受水槽１０の上
部に接続される。三方弁３０３は、接続配管１３とポンプ３１の吸込側とを連通する第１
の連通状態（図１の実線で示す矢印）と、分岐配管３３とポンプ３１の吸込側とを連通す
る第２の連通状態（図１の破線で示す矢印）とを切替可能に構成される。

【0029】

バイパス配管３４は、逆止弁３００をバイパスするように吐出側配管３０ｂに接続され
、その途中にバイパス弁３４０が設けられる。

【0030】

また、流体供給装置３は、ポンプ３１を駆動する駆動源としての電動機３１０と、電動
機３１０に駆動電力を供給するインバータ３１１と、ポンプ３１の運転状況を取得するポ
ンプ運転状況センサ３１２と、電動機３１０が発電機として動作したときの発電量を測定
する発電量センサ３１３と、給水（流体の供給動作）を制御する制御部として機能する制
御盤３６と、ユーザの操作を受け付けるとともに、各種の情報を表示する操作表示盤３７
とを備える。なお、流体供給装置３の各部には、商用電源（不図示）からの電力が供給さ
れる。

【0031】

ポンプ運転状況センサ３１２は、ポンプ３１の運転状況を取得するポンプ運転状況取得
部であり、ポンプ３１の運転状況として、例えば、ポンプ３１の運転状態（例えば、運転
中（ＯＮ）又は停止中（ＯＦＦ）のいずれか）、ポンプ３１の回転数、又は、電動機３１
０に供給されるモータ電流値等を取得する。ポンプ運転状況センサ３１２は、ポンプ３１
、電動機３１０、インバータ３１１又は制御盤３６に設けられる。

【0032】

ポンプ運転状況センサ３１２は、例えば、電動機３１０に設けられたロータリエンコー
ダ等の回転角検出器、電動機３１０に供給されるモータ電流値を測定する電流測定器等で
構成される。なお、ポンプ運転状況センサ３１２は、例えば、制御盤３６からインバータ
３１１への制御信号（ポンプ３１のＯＮ又はＯＦＦの制御指令値、電動機３１０の回転数
の制御指令値等）に基づいてポンプ３１の運転状況を取得してもよいし、インバータ３１
１の出力周波数からポンプ３１の運転状況を取得してもよい。

【0033】

発電量センサ３１３は、電動機３１０による発電量を測定する発電量測定器であり、電
動機３１０又はインバータ３１１に設けられる。発電量センサ３１３は、例えば、電動機
３１０に流れるモータ電流値を測定する電流測定器と、電動機３１０に印加されるモータ
電圧値を測定する電圧測定器とから構成される。なお、発電量センサ３１３は、ポンプ運
転状況センサ３１２と兼用されてもよい。

【0034】

図２は、第１の実施形態に係る流体供給装置３が適用された給水システム１の一例を示
すブロック図である。

【0035】

流体供給装置３が備える制御盤３６及び操作表示盤３７は、例えば、汎用又は専用のコ
ンピュータ（後述の図３参照）で構成される。

【0036】

制御盤３６には、給水システム１及び流体供給装置３の各部の物理量や状態量を測定す
るセンサ群３ａとして、上記のフローセンサ３０１、ポンプ二次圧センサ３０２、ポンプ
運転状況センサ３１２、発電量センサ３１３、水位計１００、フロートスイッチ１０１及
び使用流量センサ１４０が電気的に接続される。なお、センサ群３ａには、水位計１００
、フロートスイッチ１０１及び使用流量センサ１４０が含まれなくてもよい。

【0037】

制御盤３６には、流体供給装置３の各部を物理的又は電気的に動作させる制御機器群３
ｂとして、インバータ３１１、三方弁３０３、バイパス弁３４０及び流入弁１２０が電気
的に接続される。なお、制御機器群３ｂには、流入弁１２０が含まれなくてもよい。

【0038】

制御盤３６は、センサ群３ａによる検出信号が示す測定値に応じて制御機器群３ｂに制
御信号を送ることで給水動作を制御する。なお、検出信号及び制御信号は、アナログ信号
及びデジタル信号のいずれでもよい。

【0039】

制御盤３６は、具体的な構成として、モード切替部３６０と、通常モード実行部３６１
と、逆流モード実行部３６２と、圧力タンク診断部３６３とを備える。

【0040】

モード切替部３６０は、圧力タンク３２の健全性を診断する必要性の有無、及び、流体
供給先１５にて流体の使用予定の有無を判定し、その判定結果に基づいて運転モードを切
り替える。運転モードは、例えば、通常運転モードと、逆流運転モードとを少なくとも含
む。モード切替部３６０は、診断の必要性がない、又は、使用予定があると判定した場合
には、通常運転モードに切り替え、診断の必要性がある、かつ、使用予定がないと判定し
た場合には、逆流運転モードに切り替える。

【0041】

モード切替部３６０が診断の必要性の有無を判定する手法としては、種々の手法を作用
することが可能である。モード切替部３６０は、例えば、流体供給装置３の据付から所定
の期間が経過したり、前回の診断から所定の期間が経過したり、作業者による診断の予約
操作を受け付けたりしたとき、診断の必要性があると判定する。

【0042】

モード切替部３６０が流体の使用予定の有無を判定する手法としては、種々の手法を作
用することが可能である。モード切替部３６０は、例えば、現在時刻が、深夜の時間帯で
あったり、過去の使用実績がない時間帯であったりするとき、使用予定がないと判定する
。過去の使用実績は、例えば、ポンプ運転状況センサ３１２又は使用流量センサ１４０に
おける過去の測定値を統計的に解析することで求められる。

【0043】

通常モード実行部３６１は、通常運転モードとして、ポンプ３１の吐出側圧力に基づい
てポンプ３１の運転状態を制御する。具体的には、通常モード実行部３６１は、ポンプ３
１の吐出側圧力が所定の始動圧力まで低下したとき、ポンプ３１の運転を開始する旨の制
御信号をインバータ３１１に送る。そして、通常モード実行部３６１は、ポンプ３１の吐
出側圧力が所定の停止圧力に達したとき、ポンプ３１の運転を停止する旨の制御信号をイ
ンバータ３１１に送る。通常運転モードでは、バイパス弁３４０は閉弁状態、三方弁３０
３は第１の連通状態に制御され、図１の実線で示す矢印の方向に水が流れる。

【0044】

逆流モード実行部３６２は、逆流運転モードとして、圧力タンク３２に貯留された水を
ポンプ３１の吸込側に逆流させる。具体的に、逆流モード実行部３６２は、バイパス弁３
４０を開弁する旨の制御信号をバイパス弁３４０に送るとともに、三方弁３０３を第２の
連通状態に切り替える旨の制御信号を三方弁３０３に送る。これにより、ポンプ３１の吸
込側が開放されて、圧力タンク３２の残存圧力により圧力タンク３２に貯留された水がポ
ンプ３１の吸込側に逆流するため、図１の破線で示す矢印の方向に水が流れる。このとき
、ポンプ３１の羽根車が回転することに応じて電動機３１０が発電機として動作すること
で、インバータ３１１側に発電電流が流れる。そして、発電量センサ３１３では、インバ
ータ３１１側に流れる発電電流に基づいて発電量が測定される。

【0045】

圧力タンク診断部３６３は、逆流運転モードにより圧力タンク３２に貯留された水をポ
ンプ３１の吸込側に逆流させたとき、発電量センサ３１３により測定された発電量を逆流
時発電量のデータとして取得する。そして、圧力タンク診断部３６３は、その逆流時発電
量のデータに基づいて圧力タンク３２の健全性を診断する。

【0046】

なお、圧力タンク診断部３６３は、逆流時発電量のデータの他に、ポンプ二次圧センサ
３０２により測定された吐出側圧力を逆流時吐出側圧力のデータとして取得し、逆流時発
電量のデータとともに、さらに逆流時吐出側圧力のデータに基づいて圧力タンク３２の健
全性を診断してもよい。これにより、逆流時の吐出側配管３０ｂにおける圧力も考慮され
るので、圧力タンク３２の健全性をより高精度に診断することが可能となる。

【0047】

また、圧力タンク診断部３６３は、逆流時発電量のデータの他に、水位計１００により
測定された受水槽１０の水位を逆流時水位のデータとして取得し、逆流時発電量のデータ
とともに、さらに逆流時水位のデータに基づいて圧力タンク３２の健全性を診断してもよ
い。これにより、逆流時に受水槽１０に貯留された水が吸込側配管３０ａに与える影響も
考慮されるので、圧力タンク３２の健全性をより高精度に診断することが可能となる。こ
れは、流体供給装置３が分岐配管３３及び三方弁３０３を備えていない装置構成を採用し
た場合に特に有効である。

【0048】

本実施形態では、機械学習による学習モデル２を用いて圧力タンク３２の健全性を診断
する圧力タンク診断装置５が、圧力タンク診断部３６３として、制御盤３６に組み込まれ
た場合について説明する。したがって、制御盤３６（圧力タンク診断部３６３）が、機械
学習の推論フェーズの主体として動作する。

【0049】

機械学習装置４は、機械学習の学習フェーズの主体として動作し、圧力タンク３２の健
全性を診断する際に用いられる学習モデル２を機械学習により生成する。学習済みの学習
モデル２は、任意の通信網や記録媒体等を介して制御盤３６に提供される。機械学習装置
４は、機械学習の手法として、「教師あり学習」及び「教師なし学習」のいずれも採用す
ることができる。本実施形態では、「教師あり学習」を採用し、後述する第２の実施形態
では、「教師なし学習」を採用する場合について説明する。

【0050】

センサ群３ａは、機械学習の学習フェーズでは、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、機械学習の推論フェーズでは、制御盤３６に接続されて推論用の
データ測定に用いられる。

【0051】

センサ群３ａは、例えば、所定の測定周期が経過する毎に、その測定時点での測定値を
検出信号として制御盤３６及び機械学習装置４に出力可能に構成される。なお、センサ群
３ａを構成するセンサ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、センサ群３ａ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。

【0052】

図３は、流体供給装置３（主に制御盤３６及び操作表示盤３７の部分）及び機械学習装
置４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。

【0053】

流体供給装置３（主に制御盤３６及び操作表示盤３７の部分）、及び、機械学習装置４
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２０
０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２２８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。

【0054】

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。

【0055】

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。

【0056】

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等の方式がある。また、Ｂｌｕｅｔｏ
ｏｔｈ（登録商標）、ＢｌｕｅｔｏｏｔｈＬｏｗＥｎｅｒｇｙ、Ｗｉ－Ｆｉ、ＺｉｇＢｅ
ｅ（登録商標）、Ｓｕｂ－ＧＨｚ、ＥｎＯｃｅａｎ（登録商標）等を用いることもできる
。

【0057】

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２
２８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。

【0058】

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。また、コンピュータ２００は、プロ
セッサ２１２がプログラム２３０を実行することで実現する各種の機能を、例えば、ＦＰ
ＧＡ、ＡＳＩＣ等のハードウエアで実現するものでもよい。

【0059】

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、流体供給装置３及び機械学習装置４以外の他の装置に適用されてもよい。

【0060】

（機械学習装置４）
図４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。

【0061】

機械学習装置４は、学習用データ取得部４０と、学習用データ記憶部４１と、機械学習
部４２と、学習済みモデル記憶部４３とを備える。機械学習装置４は、例えば、図３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４０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４２は、プロセッサ
２１２で構成され、学習用データ記憶部４１及び学習済みモデル記憶部４３は、ストレー
ジ装置２２０で構成される。

【0062】

学習用データ取得部４０は、各種の外部装置と通信網を介して接続され、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。外部装置は、流
体供給装置３に設けられたセンサ群３ａ、流体供給装置３を模擬した試験装置７に設けら
れたセンサ群３ａ、及び、作業者が使用する作業者用端末８等である。なお、学習用デー
タ取得部４０は、健全性の診断対象である流体供給装置３に設けられたセンサ群３ａから
学習用データを取得するようにしてもよい。

【0063】

試験装置７の各部には、センサ群３ａとして、フローセンサ３０１、ポンプ二次圧セン
サ３０２、ポンプ運転状況センサ３１２、発電量センサ３１３、使用流量センサ１４０、
水位計１００、及び、フロートスイッチ１０１が設けられる。なお、試験装置７は、圧力
タンク３２の封入圧力を測定するタンク封入圧センサ３２１を備えるものでもよい。

【0064】

学習用データ記憶部４１は、学習用データ取得部４０で取得した学習用データを複数組
記憶するデータベースである。なお、学習用データ記憶部４１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。

【0065】

機械学習部４２は、学習用データ記憶部４１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４２は、学習モデル２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、圧力タンク３２の診断情報との相関
関係を学習モデル２に学習させることで、学習済みの学習モデル２を生成する。本実施形
態では、機械学習部４２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。

【0066】

学習済みモデル記憶部４３は、機械学習部４２により生成された学習済みの学習モデル
２を記憶するデータベースである。学習済みモデル記憶部４３に記憶された学習済みの学
習モデル２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、流体供給装置３
の制御盤３６）に提供される。なお、図４では、学習用データ記憶部４１と、学習済みモ
デル記憶部４３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。

【0067】

図５は、第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の
一例を示すデータ構成図である。

【0068】

学習用データは、入力データとして、逆流時発電量のデータを少なくとも含む。入力デ
ータは、ポンプ３１の逆流時吐出側圧力、及び、受水槽１０の逆流時水位のデータの少な
くとも一方をさらに含むものでもよい。なお、入力データは、上記以外に他のデータをさ
らに含むものでもよい。

【0069】

入力データが、例えば、逆流時発電量のデータ、逆流時吐出側圧力のデータ、及び、逆
流時水位のデータを含む場合には、これらの各データは、逆流運転モードにより圧力タン
ク３２に貯留された水をポンプ３１の吸込側に逆流させたときの所定期間において、発電
量センサ３１３、ポンプ二次圧センサ３０２、及び、水位計１００によりそれぞれ測定さ
れた測定値に基づくものである。所定期間の開始時点は、例えば、逆流モード実行部３６
２によりバイパス弁３４０の開弁と、三方弁３０３の第２の連通状態への切替が行われた
時点である。所定期間の終了時点は、例えば、圧力タンク３２の残存圧力が開放されるの
に十分な時間が経過した後に設定された時点である。なお、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、各データの所定期間は当該時間差に対応する期間に設定され
てもよい。

【0070】

逆流時発電量のデータは、所定期間内の複数の測定時点において発電量センサ３１３に
より測定された複数の測定値（電流値、電圧値）からなる時系列データ、又は、複数の測
定値から算出された代表データで構成される。時系列データは、例えば、各想定値が測定
時点を示す測定時刻順に並べられた配列のデータであり、経時変化を示すデータとして構
成される。代表データは、複数の測定値に基づいて、例えば、所定期間における発電量の
積算値（積算電力値）を算出したデータや、発電量の最大値（最大電流値）を算出したデ
ータとして構成される。

【0071】

逆流時吐出側圧力のデータは、所定期間内の複数の測定時点においてポンプ二次圧セン
サ３０２により測定された複数の測定値（ポンプ３１の吐出側圧力）からなる時系列デー
タ、又は、複数の測定値から算出された代表データで構成される。時系列データは、例え
ば、各想定値が測定時点を示す測定時刻順に並べられた配列のデータであり、経時変化を
示すデータとして構成される。代表データは、複数の測定値に基づいて、例えば、開始時
点における吐出側圧力を示すデータや、所定期間における吐出側圧力の変化量を算出した
データとして構成される。

【0072】

逆流時水位のデータは、所定期間内の複数の測定時点において水位計１００により測定
された複数の測定値（受水槽１０の水位）からなる時系列データ、又は、複数の測定値か
ら算出された代表データで構成される。時系列データは、例えば、各想定値が測定時点を
示す測定時刻順に並べられた配列のデータであり、経時変化を示すデータとして構成され
る。代表データは、複数の測定値に基づいて、例えば、開始時点における水位を示すデー
タや、所定期間における水位の変化量を算出したデータとして構成される。

【0073】

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、圧力タンク３２の状態が複数の状態のうちのいずれかであ
ることを表す診断情報をさらに含む。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。

【0074】

圧力タンク３２の状態として、圧力タンク３２の健全性を診断する場合には、診断情報
は、圧力タンク３２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、診断情報は、２値に分類され、例えば、圧力タンク３２が正常な状態で
あることを示す値を「０」とし、圧力タンク３２が異常な状態であることを示す値を「１
」として定義される。本実施形態では、診断情報は、正常及び異常のいずれかであること
を表すものとして説明する。

【0075】

したがって、本実施形態に係る学習用データは、図５に示すように、逆流時発電量のデ
ータを含む入力データと、正常及び異常のいずれかであることを表す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。ここでの異常は、診断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、診断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ものでもよい。

【0076】

なお、診断情報のうち異常を表す情報は、図５に示す異常１／異常２／…／異常ｎに対
応するように、例えば、異常の具体的な内容や度合いに応じた複数の異常を含んでいても
よい。

【0077】

異常の具体的な内容としては、例えば、圧力タンク３２の封入圧力に関する異常、又は
、圧力タンク３２の隔膜３２０に関する異常が含まれる。この場合、診断情報は、多値（
３以上の整数）に分類され、例えば、圧力タンク３２が正常な状態であることを示す値を
「０」とし、封入圧力に関する異常であることを示す値を「１」とし、隔膜３２０に関す
る異常であることを示す値を「２」とし、以下同様に各異常の内容に合わせた値として定
義される。

【0078】

異常の具体的な度合いとしては、例えば、封入圧力に関する異常であれば、封入圧力の
低下の度合いを複数のレベルで分類したものが含まれる。この場合、診断情報は、多値（
３以上の整数）に分類され、例えば、圧力タンク３２が正常な状態であることを示す値を
「０」とし、封入圧力の低下の度合いが低レベルの異常であることを示す値を「１」とし
、封入圧力の低下の度合いが中レベルの異常であることを示す値を「２」とし、以下同様
に各異常の度合いに合わせた値として定義される。

【0079】

ここで、学習用データに含まれる入力データと、圧力タンク３２の診断情報との間の相
関関係について説明する。

【0080】

入力データとして含まれる逆流時発電量のデータは、圧力タンク３２の残存圧力により
生じる発電量が測定されたものであるから、圧力タンク３２の残存圧力の大きさや残存圧
力の経時変化を捉えたものである。隔膜３２０に破損や劣化が生じているような場合には
、その破損度合いや劣化度合いが、残存圧力の大きさや残存圧力の経時変化に反映される
と考えられる。したがって、学習用データが、入力データとして逆流時発電量のデータを
含むことで、圧力タンク３２の健全性を診断することが可能となる。

【0081】

なお、入力データが、ポンプ３１の逆流時吐出側圧力のデータをさらに含む場合、逆流
時の吐出側配管３０ｂにおける圧力も考慮されるので、圧力タンク３２の健全性をより高
精度に診断することが可能となる。

【0082】

また、入力データが、ポンプ３１の逆流時水位のデータをさらに含む場合、逆流時に受
水槽１０に貯留された水が吸込側配管３０ａに与える影響も考慮されるので、圧力タンク
３２の健全性をより高精度に診断することが可能となる。これは、流体供給装置３が分岐
配管３３及び三方弁３０３を備えていない装置構成を採用した場合に特に有効である。

【0083】

学習用データ取得部４０は、上記の学習用データを取得する場合、流体供給装置３又は
試験装置７に設けられたセンサ群３ａ（発電量センサ３１３）にて測定された逆流時発電
量のデータを入力データとして、センサ群３ａから取得する。

【0084】

また、作業者が、センサ群３ａにて入力データが測定されたときの圧力タンク３２の状
態を診断し、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４０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４０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４１に記憶する
。

【0085】

図６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。

【0086】

学習モデル２は、図６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。

【0087】

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。

【0088】

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。

【0089】

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。

【0090】

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。

【0091】

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。

【0092】

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。

【0093】

（機械学習方法）
図７は、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。なお、機械学習方法は、図５の学習フェーズに該当する。

【0094】

まず、ステップＳ１００において、学習用データ取得部４０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４１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２に求められる推論精度を考慮して設定すればよい。

【0095】

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３や試験装置７における圧力タンク３２に異常が発生した場合、又は
、作業者が異常の兆候を認識した場合に、圧力タンク３２に貯留された水をポンプ３１の
吸込側に逆流させることで、そのときの所定期間における各種の測定値をセンサ群３ａに
より取得する。そして、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（逆流時発電量のデー
タを少なくとも含む）と出力データ（例えば、この場合の出力データの値は「１」）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３や試験装置７の圧力タン
ク３２に異常な状態を意図的に発生させることで学習用データを取得することも可能であ
る。さらに、学習用データとしては、異常が発生した場合だけでなく、異常が発生してい
ないとき、すなわち、流体供給装置３や試験装置７が正常な状態であるときの入力データ
及び出力データ（例えば、この場合の出力データの値は「０」）で構成された学習用デー
タを複数組準備する。

【0096】

次に、ステップＳ１１０において、機械学習部４２は、機械学習を開始すべく、学習前
の学習モデル２を準備する。ここで準備する学習前の学習モデル２は、図６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、学習用データに含まれる入力データとしての逆流時発
電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診断情報のそれぞれが対応付けられる。

【0097】

次に、ステップＳ１２０において、機械学習部４２は、学習用データ記憶部４１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。

【0098】

次に、ステップＳ１３０において、機械学習部４２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２の入力層に入力する。その
結果、学習モデル２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２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。

【0099】

次に、ステップＳ１４０において、機械学習部４２は、ステップＳ１２０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Ｓ１３０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４２は、入力データと出力
データ（圧力タンク３２の診断情報）との相関関係を学習モデル２に学習させる。

【0100】

例えば、教師データを構成する診断情報が、正常の状態を「０」で示し、異常の状態を
「１」で示す２値分類として定義された場合において、ステップＳ１２０で選択された一
の学習用データセットに含まれる出力データの値が「１」であるが、出力層から出力され
た出力データの値は、０～１の所定の値、具体的に、例えば「０．６３」といった値が出
力されたものとする。この場合、ステップＳ１４０では、仮に同様の入力データが学習中
の学習モデル２の入力層に入力された場合に出力層から出力される値が「１」に近づくよ
うに、当該学習中の学習モデル２の各シナプスに対応付けられた重みを調整する。

【0101】

次に、ステップＳ１５０において、機械学習部４２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４１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。

【0102】

ステップＳ１５０において、機械学習部４２が機械学習を継続すると判定した場合（ス
テップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル２に対してステ
ップＳ１２０～Ｓ１４０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Ｓ１５０において、機械学習部４２が機械学習を終了すると判定した場合（ステ
ップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。

【0103】

そして、ステップＳ１６０において、機械学習部４２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２を学習済みモデル記憶部４３
に記憶し、図７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
Ｓ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステッ
プＳ１６０が学習済みモデル記憶工程に相当する。

【0104】

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、逆流時発
電量のデータから、圧力タンク３２の診断情報を高精度に推論（推定）することが可能な
学習モデル２を提供することができる。

【0105】

（圧力タンク診断装置５）
図８は、第１の実施形態に係る圧力タンク診断装置５（圧力タンク診断部３６３）の一
例を示すブロック図である。

【0106】

圧力タンク診断装置５は、入力データ取得部５０と、推論部５１と、学習済みモデル記
憶部５２と、出力処理部５３とを備える。圧力タンク診断装置５は、例えば、図３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５０は、通信Ｉ／Ｆ部２
２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、推論部５１及び出力処理部５３は、
プロセッサ２１２で構成され、学習済みモデル記憶部５２は、ストレージ装置２２０で構
成される。本実施形態では、圧力タンク診断装置５は、流体供給装置３の制御盤３６に組
み込まれたものであるが、流体供給装置３とは別体の装置として、例えば、汎用又は専用
のコンピュータ（図３参照）で構成されてもよい。

【0107】

入力データ取得部５０は、流体供給装置３に設けられたセンサ群３ａに接続され、セン
サ群３ａにより測定された測定値に基づく入力データ（逆流時発電量のデータ）を取得す
るインタフェースユニットである。入力データは、逆流時発電量のデータを少なくとも含
む。

【0108】

推論部５１は、入力データ取得部５０により取得された入力データを学習モデル２に入
力し、圧力タンク３２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あり学習が実施された学習済みの学習モデル２が用いられ
る。

【0109】

推論部５１は、学習モデル２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５０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２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２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、圧力タンク３２の状態
を最終的に判断する後処理機能をも含んでいる。なお、推論部５１の推論結果は、学習済
みモデル記憶部５２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２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。

【0110】

学習済みモデル記憶部５２は、推論部５１の推論処理にて用いられる学習済みの学習モ
デル２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５２に記憶される学
習モデル２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２が記憶され、選択的に利用可能としてもよい。

【0111】

出力処理部５３は、推論部５１の推論結果、すなわち、圧力タンク３２の診断情報を出
力する出力処理を行う。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５３は、例えば、操作表示盤３７を介して表示や音で作業者に診断情報を報知
したり、圧力タンク３２の診断履歴として、制御盤３６の記憶部に診断情報を記憶したり
、流体供給装置３の上位の管理装置（不図示）に診断情報を送信したり、流体供給装置３
の給水制御に診断情報を利用したりしてもよい。

【0112】

（圧力タンク診断方法）
図９は、第１の実施形態に係る圧力タンク診断部３６３（圧力タンク診断装置５）を備
える流体供給装置３による圧力タンク診断方法の一例を示すフローチャートである。図９
では、圧力タンク３２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、圧力タンク診断方法は、図５の推論フェ
ーズに該当する。

【0113】

流体供給装置３の電源が投入され、作業者が操作表示盤３７により自動運転の開始操作
を行うことにより、図９に示す一連の圧力タンク診断方法が、圧力タンク診断装置５にて
実行される。

【0114】

まず、ステップＳ２００において、制御盤３６のモード切替部３６０は、圧力タンク３
２の健全性を診断する必要性の有無を判定する。その結果、モード切替部３６０が、診断
の必要性があると判定した場合には（ステップＳ２００でＹｅｓ）、ステップＳ２１０に
進み、診断の必要性がないと判定した場合には（ステップＳ２００でＮｏ）、ステップＳ
２２０に進む。

【0115】

次に、ステップＳ２１０において、モード切替部３６０は、流体供給先１５にて流体の
使用予定の有無を判定する。その結果、モード切替部３６０が、流体の使用予定がないと
判定した場合には（ステップＳ２１０でＮｏ）、ステップＳ２３０に進み、使用予定があ
ると判定した場合には（ステップＳ２１０でＹｅｓ）、ステップＳ２２０に進む。

【0116】

そして、ステップＳ２２０では、モード切替部３６０が、運転モードを通常運転モード
に切り替えることで、通常モード実行部３６１が、ポンプ３１の吐出側圧力に基づいてポ
ンプ３１の運転状態を制御する。

【0117】

一方、ステップＳ２３０では、モード切替部３６０が、運転モードを逆流運転モードに
切り替えることで、逆流モード実行部３６２が、バイパス弁３４０の開弁と、三方弁３０
３の第２の連通状態への切替を行い、圧力タンク３２に貯留された水をポンプ３１の吸込
側に逆流させる。

【0118】

このとき、ステップＳ２４０では、ステップＳ２３０と並行して、発電量センサ３１３
が、電動機３１０が発電機として動作したときの発電量を測定する。そして、圧力タンク
診断部３６３（入力データ取得部５０）が、その測定した発電量に基づいて逆流時発電量
のデータを入力データとして取得する。

【0119】

次に、ステップＳ２５０において、圧力タンク診断部３６３（推論部５１）は、入力デ
ータに前処理を施して学習モデル２の入力層に入力し、その学習モデル２の出力層から出
力された出力データを取得する。

【0120】

次に、ステップＳ２６０において、圧力タンク診断部３６３（推論部５１）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。

【0121】

次に、ステップＳ２７０において、圧力タンク診断部３６３（推論部５１）は、推論部
５１の推論結果である圧力タンク３２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Ｓ２８０に進み、「異常」と判定し
た場合には、ステップＳ２９０に進む。

【0122】

そして、ステップＳ２８０において、圧力タンク診断部３６３（出力処理部５３）は、
「正常」を表す情報を出力する。なお、ステップＳ２８０は省略されてもよい。

【0123】

また、ステップＳ２９０において、圧力タンク診断部３６３（出力処理部５３）は、「
異常」を表す情報を出力し、図９に示す一連の圧力タンク診断方法を終了する。圧力タン
ク診断方法において、ステップＳ２３０が流体逆流工程、ステップＳ２４０が入力データ
取得工程、ステップＳ２５０～Ｓ２６０が診断工程、ステップＳ２７０～Ｓ２９０が出力
処理工程に相当する。

【0124】

以上のように、本実施形態に係る流体供給装置３及び圧力タンク診断方法によれば、診
断用の圧力センサを新たに設けることなく、圧力タンク３２の健全性を診断することがで
きる。

【0125】

（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の実施形態に係る給水システム１、機械学習装置４及び圧力タンク診断装置５（
圧力タンク診断部３６３）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。

【0126】

（機械学習装置４）
機械学習装置４は、第１の実施形態（図４参照）と同様に、学習用データ取得部４０と
、学習用データ記憶部４１と、機械学習部４２と、学習済みモデル記憶部４３とを備える
。

【0127】

図１０は、第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）
の一例を示すデータ構成図である。

【0128】

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、診断情報が圧力タン
ク３２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。

【0129】

圧力タンク３２の状態として、圧力タンク３２の健全性を診断する場合には、診断情報
は、圧力タンク３２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１０に示すように、圧力タンク
３２の状態が正常であるときの逆流時発電量のデータのみで構成される。

【0130】

学習用データ取得部４０は、上記の学習用データを取得する場合、流体供給装置３又は
試験装置７に設けられたセンサ群３ａ（発電量センサ３１３）にて測定された逆流時発電
量のデータを入力データとして、センサ群３ａから取得する。そして、作業者が、センサ
群３ａにて入力データが測定された圧力タンク３２の健全性を診断し、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４０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４１に記憶する。

【0131】

機械学習部４２は、学習モデル２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圧力タンク３２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２に学習させることで、学習済みの学習モデル２を生成する。
本実施形態では、機械学習部４２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。

【0132】

図１１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。

【0133】

学習モデル２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。

【0134】

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。

【0135】

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。

【0136】

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。

【0137】

（機械学習方法）
図１２は、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。

【0138】

まず、ステップＳ３００において、学習用データ取得部４０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４１に記憶する。

【0139】

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３や試験装置７における圧力タンク３２が正常な状態である場合の各
種の測定値をセンサ群３ａにより取得することで、学習データを構成する入力データ（逆
流時発電量のデータを少なくとも含む）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。

【0140】

次に、ステップＳ３１０において、機械学習部４２は、機械学習を開始すべく、学習前
の学習モデル２を準備する。ここで準備する学習前の学習モデル２は、図１１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逆流時発電量
のデータのそれぞれが対応付けられる。

【0141】

次に、ステップＳ３２０において、機械学習部４２は、学習用データ記憶部４１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。

【0142】

次に、ステップＳ３３０において、機械学習部４２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２の入力層に入力する。その
結果、学習モデル２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２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。

【0143】

次に、ステップＳ３４０において、機械学習部４２は、ステップＳ３２０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Ｓ３３０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。

【0144】

次に、ステップＳ３５０において、機械学習部４２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Ｓ３５０でＮｏ）、ス
テップＳ３２０に戻り、学習中の学習モデル２に対してステップＳ３２０～Ｓ３４０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Ｓ３５０でＹｅｓ）、ステッ
プＳ３６０に進む。

【0145】

そして、機械学習部４２は、ステップＳ３６０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２を学習済みモデル記憶部４３
に記憶し、図１２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Ｓ３００が学習用データ記憶工程、ステップＳ３１０～Ｓ３５０が機械学習工程、ステ
ップＳ３６０が学習済みモデル記憶工程に相当する。

【0146】

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、逆流時発
電量のデータから、圧力タンク３２の診断情報を高精度に推論（推定）することが可能な
学習モデル２を提供することができる。

【0147】

（圧力タンク診断装置５）
圧力タンク診断装置５は、第１の実施形態（図８参照）と同様に、入力データ取得部５
０と、推論部５１と、学習済みモデル記憶部５２と、出力処理部５３とを備える。

【0148】

推論部５１は、入力データ取得部５０により取得された入力データを学習モデル２に入
力し、圧力タンク３２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２が用いられ
る。

【0149】

（圧力タンク診断方法）
図１３は、第２の実施形態に係る圧力タンク診断部３６３（圧力タンク診断装置５）を
備える流体供給装置３による圧力タンク診断方法の一例を示すフローチャートである。図
１３では、圧力タンク３２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。また、図１３のステップＳ４００～Ｓ４４０
は、図９のステップＳ２００～Ｓ２４０と同様であるため、以下では、ステップ４５０以
降を中心に説明する。

【0150】

ステップＳ４５０において、圧力タンク診断部３６３（推論部５１）は、入力データに
前処理を施して学習モデル２の入力層に入力し、その学習モデル２の出力層から出力され
た出力データを取得する。

【0151】

次に、ステップＳ４６０において、圧力タンク診断部３６３（推論部５１）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５１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。

【0152】

次に、ステップＳ４７０において、圧力タンク診断部３６３（出力処理部５３）は、推
論部５１の推論結果である圧力タンク３２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Ｓ４８０に進み、
「異常」と判定した場合には、ステップＳ４９０（省略可能）に進み、図１３に示す一連
の圧力タンク診断方法を終了する。圧力タンク診断方法において、ステップＳ４３０が流
体逆流工程、ステップＳ４４０が入力データ取得工程、ステップＳ４５０～Ｓ４６０が診
断工程、ステップＳ４７０～Ｓ４９０が出力処理工程に相当する。

【0153】

以上のように、本実施形態に係る流体供給装置３及び圧力タンク診断方法によれば、診
断用の圧力センサを新たに設けることなく、圧力タンク３２の健全性を診断することがで
きる。

【0154】

（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。

【0155】

上記実施形態では、給水システム１が、受水槽１０を備える受水槽方式を採用した場合
について説明したが、受水槽１０を備えない直結給水方式を採用してもよい。直結給水方
式では、吸込側配管３０ａに逆流防止装置が設けられるのが一般的である。そのため、流
体供給装置３は、圧力タンク３２に貯留された水をポンプ３１の吸込側に逆流させる際、
逆流防止装置を迂回しつつ水道本管１１側に逆流させることなく、ポンプ３１の吸込側を
開放する配管系統を備えるのが好ましい。

【0156】

上記実施形態では、流体供給装置３が、モード切替部３６０にて逆流運転モードに切り
替えたとき、圧力タンク３２の健全性を診断する場合について説明したが、例えば、作業
者による診断の実行操作を受け付けたとき、圧力タンク３２の健全性を診断するようにし
てもよい。この場合、図９のステップＳ２００、Ｓ２１０、図１３のステップＳ４００、
Ｓ４１０の判定が省略されればよい。

【0157】

上記実施形態では、圧力タンク診断部３６３が、学習モデル２を用いて圧力タンク３２
の健全性を診断する場合について説明したが、学習モデル２を用いずに、他の手法により
圧力タンク３２の健全性を診断するようにしてもよい。圧力タンク診断部３６３は、例え
ば、逆流時発電量のデータから最大値、最小値、平均値、微分値、積分値等の評価値を算
出し、その評価値と、上限値、下限値等の基準値とを比較することで、圧力タンク３２の
健全性を診断するようにしてもよい。

【0158】

上記実施形態では、圧力タンク診断部３６３が、圧力タンク３２の健全性を診断する場
合について説明したが、圧力タンク３２のより詳細な事象に関する健全性を診断するよう
にしてもよい。圧力タンク診断部３６３は、例えば、逆流時発電量のデータに基づいて圧
力タンク３２の封入圧力を推定し、封入圧力の健全性を診断するようにしてもよい。その
際、圧力タンク診断部３６３は、入力データと圧力タンク３２の封入圧力との間の相関関
係を機械学習させた学習モデル２を用いて封入圧力を推定してもよいし、逆流時発電量の
データから算出された評価値に基づいて圧力タンク３２の封入圧力を換算するための所定
の換算式を用いて封入圧力を推定してもよい。

【0159】

上記実施形態では、機械学習部４２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（第１の実施形態）及びオートエンコーダ（第２の実施形態）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４２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。

【0160】

（機械学習プログラム）
本発明は、図３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。

【0161】

（圧力タンク診断プログラム）
本発明は、図３に示すコンピュータ２００に、上記実施形態に係る圧力タンク診断方法
が備える各工程を実行させるためのプログラム（圧力タンク診断プログラム）２３０の態
様で提供することもできる。

【0162】

（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圧力タンク診断装置５（圧力タンク診断方法又は圧力タ
ンク診断プログラム）の態様によるもののみならず、圧力タンク３２の健全性を診断する
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、逆流時発電量のデータ（さらに、逆流時吐出側圧力のデータ及び逆
流時水位のデータの少なくとも一方を含むものでもよい）を入力データとして取得する入
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、圧力タンク３２の診断情報を推論する推論処理（推論工程）とを含む。

【0163】

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、圧力タンク診断装
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）が圧力タンク３２の健全性を推論する際、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２を用いて、圧力
タンク診断装置５の推論部５１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】

【0164】

１…給水システム、２…学習モデル、
３…流体供給装置、３ａ…センサ群、３ｂ…制御機器群、
４…機械学習装置、５…圧力タンク診断装置、７…試験装置、８…作業者用端末、
１０…受水槽、１１…水道本管、１２…配水管、１３…接続配管、
１４…給水管、１５…流体供給先、
３０ａ…吸込側配管、３０ｂ…吐出側配管、３１…ポンプ、３２…圧力タンク、
３３…分岐配管、３４…バイパス配管、３６…制御盤、３７…操作表示盤
４０…学習用データ取得部、４１…学習用データ記憶部、
４２…機械学習部、４３…モデル記憶部、
１００…水位計、１０１…フロートスイッチ、
１２０…流入弁、１４０…使用流量センサ、
２００…コンピュータ、２１０…バス、２１２…プロセッサ、２１４…メモリ、
２１６…入力デバイス、２１８…表示デバイス、２２０…ストレージ装置、
２２２…通信Ｉ／Ｆ部、２２４…外部機器Ｉ／Ｆ部、２２６…Ｉ／ＯデバイスＩ／Ｆ部、
２２８…メディア入出力部、２３０…プログラム、２４０…ネットワーク、
２５０…外部機器、２６０…Ｉ／Ｏデバイス、２７０…メディア、
３００…逆止弁、３０１…フローセンサ、３０２…ポンプ二次圧センサ、
３０３…三方弁、３１０…電動機、３１１…インバータ、
３１２…ポンプ運転状況センサ、３１３…発電量センサ、３２０…隔膜、
３２１…タンク封入圧センサ、３４０…バイパス弁、
３６０…モード切替部、３６１…通常モード実行部、
３６２…逆流運転モード実行部、３６３…圧力タンク診断部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】