CN113360541A - 状态估计装置、控制阀、存储介质以及状态估计方法 - Google Patents

Abstract

本发明提供一种状态估计装置、控制阀、存储介质以及状态估计方法。提供用于准确地估计控制阀的状态的技术。状态估计装置(400)具备：获取部，其获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置、以及向控制阀供给电力的电源电路的输入电压或输出电压的值；以及估计部，其基于由获取部获取到的探测信息来估计电源电路的异常。

Description

状态估计装置、控制阀、存储介质以及状态估计方法

技术领域

本发明涉及一种用于估计控制阀的状态的状态估计装置、控制阀、状态估计程序以及状态估计方法。

背景技术

为了控制搭载于船舶等移动体中的发动机，使用液压伺服阀等控制阀。通过使用能够电气控制的控制阀来精细地控制向发动机进行的燃料供给、从发动机排出的排气等，能够提高发动机的热效率，能够抑制燃料的消耗量。

现有技术文献

专利文献

专利文献1：日本特许第5465365号

发明内容

发明要解决的问题

船舶由于航行于海洋上，因此即使所搭载的控制阀发生了故障或不良等也未必能够立即应对。以往，在船舶停泊于港湾时等，将发生了故障或不良等的控制阀拆下并带到工厂等进行检查，来实施必要的修理或更换等。但是，为了抑制船舶陷入不能航行的状态而产生极大的损害的事态，准确地掌握控制阀的状态并在因故障或不良而变为不能动作之前事先采取适当的处置是非常重要的。

本发明是鉴于这样的问题而完成的，其目的在于提供一种用于更精确地估计控制阀的状态的技术。

用于解决问题的方案

为了解决上述问题，本发明的某个方式的状态估计装置具备获取部和估计部，所述获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向控制阀供给电力的电源电路的输入电压或输出电压的值，所述估计部基于由获取部获取到的探测信息，来估计电源电路的异常。

本发明的另一方式是控制阀。该控制阀具备第一可动部、获取部以及估计部，所述第一可动部的位置根据用于指定位置的控制信号而变化，所述第一可动部根据位置来控制工作流体的流量，所述获取部获取数据集的探测信息，该数据集包含：第一可动部的目标位置或实际位置、或者位置根据工作流体的流量而变化的第二可动部的目标位置或实际位置；以及向该控制阀供给电力的电源电路的输入电压或输出电压的值，所述估计部基于由获取部获取到的探测信息，来估计电源电路的异常。

本发明的另一方式是状态估计程序。该状态估计程序使计算机作为获取部和估计部而发挥功能，该获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向控制阀供给电力的电源电路的输入电压或输出电压的值，该估计部基于由获取部获取到的探测信息，来估计电源电路的异常。

本发明另一方式是状态估计方法。该状态估计方法使计算机执行以下步骤：获取步骤，获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向控制阀供给电力的电源电路的输入电压或输出电压的值；以及基于在获取步骤中获取到的探测信息，来估计电源电路的异常。

本发明另一方式是状态估计装置。该状态估计装置具备：获取部，其获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及估计部，其基于由获取部获取到的探测信息，来估计第一可动部的异常。

本发明的另一方式是控制阀。该控制阀具备：第一可动部，其位置根据用于指定位置的控制信号而变化，根据位置来控制工作流体的流量；获取部，其获取数据集的探测信息，该数据集包含第一可动部的目标位置和实际位置以及位置根据工作流体的流量而变化的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及估计部，其基于由获取部获取到的探测信息，来估计第一可动部的异常。

本发明的另一方式是状态估计程序。该状态估计程序使计算机作为获取部和估计部而发挥功能的程序，该获取部获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合，该估计部基于由获取部获取到的探测信息，来估计第一可动部的异常。

本发明另一方式是状态估计方法。该状态估计方法使计算机执行以下步骤：获取步骤，获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及基于在获取步骤中获取到的探测信息，来估计第一可动部的异常。

此外，将以上的构成要素的任意组合、本发明的构成要素或表现在方法、装置、程序、记录有程序的暂态或非暂态的存储介质、系统等之间相互替换所得到的方式作为本发明的方式也还是有效的。

发明的效果

根据本发明，能够更精确地估计控制阀的状态。

附图说明

图1是示出本发明的实施方式所涉及的管理系统的结构的图。

图2是概要地示出搭载于船舶的液压伺服阀的周边的结构的图。

图3是概要地示出液压伺服阀的结构的图。

图4是示意性地示出先导阀的阀体的在第一方向的位置和端口的开闭状态的示意图。

图5是示出伺服阀控制装置的结构的图。

图6是示出学习装置和状态估计装置的结构的图。

图7是示出本实施方式的状态估计方法的过程的流程图。

图8是示出实施例1-1所涉及的学习装置和状态估计装置的结构的图。

图9是示出实施例1-2所涉及的学习装置和状态估计装置的结构的图。

图10是示出实施例1-3所涉及的学习装置和状态估计装置的结构的图。

图11是示出实施例1-4所涉及的学习装置和状态估计装置的结构的图。

图12是示出实施例1-5所涉及的学习装置和状态估计装置的结构的图。

图13是示出实施例2所涉及的学习装置和状态估计装置的结构的图。

图14是示意性地示出先导阀的阀芯和主阀的阀芯的动作的图。

图15是示出实施例3所涉及的学习装置和状态估计装置的结构的图。

图16是示出实施例4所涉及的学习装置和状态估计装置的结构的图。

图17是示意性地示出先导阀的阀芯和主阀的阀芯的动作的图。

图18是示出实施例5所涉及的学习装置和状态估计装置的结构的图。

图19是示出主阀的阀芯的位置传感器的状态的图。

图20是示出实施例6所涉及的学习装置和状态估计装置的结构的图。

图21是示出实施例7所涉及的学习装置和状态估计装置的结构的图。

附图标记说明

1：管理系统；2：船舶；10：先导阀；12：阀芯；16：端口；18：阀芯驱动部；19：位置传感器；20：主阀；28：阀芯；29：位置传感器；48：工作油；80：发动机；81：气缸；82：传感器；90：日志数据存储装置；91：发动机控制装置；92：接线盒；100：液压伺服阀；110：伺服阀控制装置；120：电源电路；130：伺服阀控制电路；140：伺服阀驱动电路；150：电压检测部；160：数据收集电路；300：学习装置；301：学习数据获取部；302：估计模型生成部；303：估计模型提供部；310：先导阀实际阀芯位置；311：主阀实际阀芯位置；315：特征量计算部；316：先导阀目标阀芯位置；320：数据选择部；321：电源电压；322：电源故障前兆指标值；323：电源故障判定模型生成部；324：电源故障判定模型提供部；330：主阀目标阀芯位置；331：异物数据；333：异物探测模型生成部；334：异物探测模型提供部；400：状态估计装置；401：探测信息获取部；402：状态估计部；403：估计结果输出部；410：先导阀实际阀芯位置；411：主阀实际阀芯位置；414：特征量计算部；415：先导阀目标阀芯位置；417：数据选择部；420：电源电压；421：电源故障判定部；422：电源故障判定结果输出部；430：主阀目标阀芯位置；431：异物探测部。

具体实施方式

下面，基于优选的实施方式来参照各附图对本发明进行说明。在实施方式和变形例中，设为对相同或同等的构成要素、构件标注相同的标记，并适当省略重复的说明。另外，各附图中的构件的尺寸被适当放大或缩小地示出以容易理解。另外，在各附图中，以省略对于说明实施方式而言不重要的构件的一部分的方式显示。

另外，包括第一、第二等序数的术语是为了说明多种多样的构成要素而使用的，但是该术语只是用于将一个构成要素与其它的构成要素区分开，并不是通过该术语来对构成要素进行限定。

图1示出本发明的实施方式所涉及的管理系统的结构。管理系统1基于与控制阀的动作相关联的信息来管理控制阀。管理系统1能够利用于对任意的控制阀进行管理，但是在本实施方式中，主要说明对用于控制搭载于船舶2中的发动机的液压伺服阀进行管理的例子。管理系统1具备学习装置300和状态估计装置400。学习装置300学习用于基于与液压伺服阀相关联的信息来估计液压伺服阀的状态的估计模型。状态估计装置400使用通过学习装置300学习到的估计模型来估计液压伺服阀的状态。

学习装置300使用用于使估计模型学习的学习数据来使估计模型学习。学习数据可以为在船舶2中实际使用液压伺服阀或与液压伺服阀相同类型的其它液压伺服阀时所记录的日志数据，也可以是液压伺服阀或与液压伺服阀相同类型的其它液压伺服阀在除船舶2以外的试验环境等中被使用时所记录的试验数据，也可以是通过用于模拟液压伺服阀的动作的模拟器生成的模拟数据，还可以是它们中的2个以上的数据的组合。以后只要没有特别记载，则日志数据或试验数据既可以是在成为估计状态的对象的液压伺服阀本身被使用或试验时所记录的日志数据或试验数据，也可以是在与该液压伺服阀相同类型的其它液压伺服阀被使用或试验时所记录的日志数据或试验数据，还可以是它们的组合。

在使用日志数据作为学习数据的情况下，能够基于在与成为估计状态的对象的液压伺服阀同样的环境中实际使用液压伺服阀时所收集到的日志数据来使估计模型学习，因此能够提高估计模型的精度。在该情况下，可以在船舶2中搭载用于存储日志数据的日志数据存储装置，在船舶2靠岸时等从日志数据存储装置读出日志数据并供给到学习装置300。另外，也可以在船舶2中搭载用于船舶陆地间通信的通信装置，经由通信网3来从船舶2向学习装置300发送日志数据。

在使用试验数据或模拟数据作为学习数据的情况下，能够大量地生成在各种状态或环境中使用了液压伺服阀时的数据，因此能够提高估计模型的精度和通用性。例如，即使难以获得实际发生了发生频度非常低的故障时的日志数据，也能够通过使用试验性地发生该故障时的试验数据、或模拟该故障时的模拟数据使估计模型学习，来生成也能够准确地估计这种故障的估计模型。

学习装置300也可以使状态估计装置400中所使用的学习完成的估计模型进一步进行学习来进行更新。

状态估计装置400获取与搭载于船舶2的液压伺服阀相关联的信息，使用估计模型来估计液压伺服阀的状态。状态估计装置400也可以从搭载于船舶2的日志数据存储装置读出日志数据，基于所读出的日志数据来估计船舶2的过去的航行中的液压伺服阀的状态。另外，状态估计装置400也可以从搭载于船舶2的用于船舶陆地间通信的通信装置经由通信网3接收与液压伺服阀相关联的信息，基于所接收到的信息来估计航行中的船舶2的液压伺服阀的状态。另外，状态估计装置400也可以搭载于船舶2，实时地获取与液压伺服阀相关联的信息来估计液压伺服阀的状态。在该情况下，状态估计装置400的估计结果也可以通过船舶陆地间通信来被发送到船舶2的所有者、管理主体、维护主体等。

根据本实施方式的技术，能够准确地估计过去或当前的液压伺服阀的状态，因此即使液压伺服阀产生故障、不良等，也能够迅速且适当地采取处置。另外，在液压伺服阀未产生故障、不良等的情况下，也能够根据当前或过去的液压伺服阀的状态来准确地预测在将来的航行中液压伺服阀产生故障或不良的可能性、液压伺服阀的寿命等。像这样，本实施方式的技术特别是对于提高船舶2等移动体的安全性和效率具有非常重要的意义。

图2概要地示出搭载于船舶2的液压伺服阀100的周边的结构。搭载于船舶2的发动机80具备传感器82和多个气缸81。传感器82探测发动机80的转数、负荷、压力、排气温度等。液压伺服阀100是与多个气缸81分别对应地设置的，对各个气缸81中的燃料的喷射、排气等进行控制。在本实施方式中，液压伺服阀100具备：先导阀，其通过对阀芯的位置进行电气控制来控制向致动器供给的工作油的流量；以及主阀，其是由先导阀控制的致动器的一例。液压伺服阀100根据主阀的阀芯的位置，来控制向为了驱动喷射阀、排气阀等而设置的其它致动器供给的工作油的流量。在其它的例子中，液压伺服阀100也可以通过主阀的阀芯的移动来直接驱动喷射阀、排气阀等。

发动机控制装置91响应于从用于控制船舶2的航行的未图示的控制面板输入的指示，来决定发动机80的转数等，向伺服阀控制装置110输入指示。伺服阀控制装置110响应于来自发动机控制装置91的指示，计算多个液压伺服阀100的主阀的阀芯的目标位置，控制各个先导阀的阀芯的位置使得各个主阀的阀芯的位置成为计算出的目标位置。伺服阀控制装置110经由接线盒92从多个液压伺服阀100分别获取表示主阀的阀芯的实际位置的信息，基于主阀的阀芯的目标位置和实际位置，计算先导阀的阀芯的目标位置并输出到液压伺服阀100，由此对主阀的阀芯的位置进行反馈控制。伺服阀控制装置110可以通过P控制、PI控制、PID控制等任意的方式对主阀的阀芯的位置进行反馈控制。

伺服阀控制装置110将来自发动机控制装置91的输入数据、向液压伺服阀100输出的输出数据、经由接线盒92获取的表示液压伺服阀100和发动机80的状态的各种探测数据等记录到日志数据存储装置90。

在本图中，示出日志数据存储装置90与伺服阀控制装置110连接的例子，但是日志数据存储装置90也可以与接线盒92连接，也可以连接于接线盒92与液压伺服阀100之间，还可以搭载于液压伺服阀100内。在将日志数据存储装置90与伺服阀控制装置110连接的情况下，能够将日志数据存储装置90设置于离发动机80比较远的位置，因此能够抑制发动机80中产生的振动、热等的影响。另外，能够减少向现有的船舶2设置日志数据存储装置90时所需要的配线等的变更。在将日志数据存储装置90与接线盒92连接的情况下，即使是构成为不向伺服阀控制装置110发送表示液压伺服阀100的先导阀的阀芯的实际位置的数据的情况，也能够获取表示先导阀的阀芯的实际位置的数据并进行记录，因此能够更精确地估计液压伺服阀100的状态。在将日志数据存储装置90连接于液压伺服阀100与接线盒92之间的情况下，除了获取表示液压伺服阀100的先导阀的阀芯的实际位置的数据以外，还能够获取供给到液压伺服阀100的电压或电流的值，因此能够更精确地估计液压伺服阀100的状态。将日志数据存储装置90搭载于液压伺服阀100内的情况也是同样的。

在状态估计装置400被搭载于船舶2的情况下，状态估计装置400可以从日志数据存储装置90获取数据，也可以取代日志数据存储装置90而设置状态估计装置400。在该情况下，也如上述那样，状态估计装置400可以与伺服阀控制装置110连接，也可以与接线盒92连接，也可以连接于接线盒92与液压伺服阀100之间，还可以搭载于液压伺服阀100内。

图3概要地示出液压伺服阀100的结构。液压伺服阀100具备先导阀10和主阀20。先导阀10通过基于来自伺服阀控制装置110的指令来改变向作为被控制设备的主阀20送出工作油48的送出状态，由此控制主阀20的阀芯28的位置。

先导阀10通过多个螺栓B1来与主阀20连结。在先导阀10中设置有用于使螺栓B1贯通的多个贯通孔10h。在主阀20中设置有用于与螺栓B1螺纹结合的多个内螺纹20h。多个贯通孔10h被配置于与多个内螺纹20h的位置对应的位置。通过贯通孔10h将螺栓B1与内螺纹20h螺纹结合，由此将先导阀10与主阀20连结。通过拆下螺栓B1，由此将先导阀10与主阀20分离。

图3的主阀20的液压系统包括：泄放柜(drain tank)44，其用于贮存工作油48；以及液压泵42，其将泄放柜44的工作油48加压送出。被液压泵42送出的工作油48通过主阀20内的泵侧配管部22p被供给到主阀20的内部和先导阀10。从主阀20的内部和先导阀10被排出的工作油48通过主阀20内的柜侧配管部22t返回到泄放柜44。将泵侧配管部22p和柜侧配管部22t在统称时称为主阀配管部。

先导阀10主要包括主体部10b、阀芯12、端口16以及阀芯驱动部18。阀芯12作为第一可动部发挥功能，具有轴12s以及与轴12s一体地移动的多个阀体14。阀芯12被阀芯驱动部18驱动，在第一方向上前进和后退。下面，为了方便，将阀芯12从阀芯驱动部18沿着第一方向伸出的方向(图3中为向下)称为“伸出方向”、“伸出侧”，将与该伸出方向相反的方向称为“伸出反方向”、“伸出相反侧”。

在阀芯12的伸出侧设置有对阀芯12向伸出反方向施力的施力构件12h。施力构件12h例如可以为在第一方向上伸缩的螺旋弹簧。阀芯驱动部18包括使轴12s在第一方向上前进和后退的线圈等电磁致动器(未图示)。阀芯驱动部18基于来自伺服阀控制装置110的指令使轴12s前进和后退，通过与施力构件12h的施力取得平衡来控制阀体14的位置。

阀体14包括在第一方向上分离配置的第一阀体14a、第二阀体14b以及第三阀体14c。第二阀体14b配置于第一阀体14a的伸出相反侧，第三阀体14c配置于第一阀体14a的伸出侧。第一阀体14a根据其在第一方向上的位置而改变后述的A端口16a的连通状态。主体部10b具有在第一方向上延伸来容纳阀芯12的圆筒空间10s。圆筒空间10s作为隔着较窄的间隙包围阀体14的缸而发挥功能。

在主体部10b设置端口16。本实施方式的端口16包括P端口16p、A端口16a以及T端口16t。P端口16p与泵侧配管部22p连接，被供给由液压泵42加压后的工作油48。A端口16a与主阀20的工作油容纳部22a连接。主阀20的阀芯28由于供给到工作油容纳部22a的工作油48的压力而移动。T端口16t与柜侧配管部22t连接，将流过主体部10b的工作油48通过柜侧配管部22t排出到泄放柜44。

主阀20包括作为第二可动部来发挥功能的阀芯28。在本图中，省略了主阀20的详细内容，但是主阀20也可以具有与先导阀10同样的构造。

在先导阀10的阀芯12的顶端部设置有用于检测阀芯12的位置的位置传感器19。在主阀20的阀芯28的顶端部设置有用于检测阀芯28的位置的位置传感器29。由位置传感器19检测出的表示先导阀10的阀芯12的实际位置的数据和由位置传感器29检测出的表示主阀20的阀芯28的实际位置的数据经由配线被发送到接线盒92。

图4是示意性地示出先导阀10的阀体14的在第一方向上的位置和端口的开闭状态的示意图。在本图中，省略对于说明而言不重要的要素的记载。图4的(a)示出阀体14位于使A端口16a与P端口16p连通的第一区域内的状态。在该状态下，A端口16a将来自P端口16p的工作油48供给到工作油容纳部22a(下面称为“供给模式”)。在供给模式中，向主阀20的工作油容纳部22a供给来自P端口16p的工作油48。通过该动作，例如，主阀20的阀芯28向增加向发动机80供给的燃料供给量的方向移动。

图4的(b)示出阀体14位于将A端口16a阻断而不与P端口16p及T端口16t连通的中立区域内的状态(下面将中立区域内的位置也称为“中立位置”)。在该状态下，A端口16a被阻断，针对工作油容纳部22a既不进行供给也不进行回收(下面称为“中立模式”)。在中立模式中，主阀20的工作油容纳部22a的液压被维持为紧挨着阀体14位于中立区域之前的状态。通过该动作，例如，主阀20的阀芯28停止于前一位置，向发动机80供给的燃料供给量被保持为前一状态。

图4的(c)示出阀体14位于使A端口16a与T端口16t连通的第二区域内的状态。在该状态下，A端口16a从工作油容纳部22a回收工作油48并将工作油48返回到泵侧配管部22p(下面称为“回收模式”)。在回收模式中，主阀20的工作油容纳部22a的工作油48通过A端口16a、T端口16t以及柜侧配管部22t被回收到泄放柜44。通过该动作，例如，主阀20的阀芯28向减少向发动机80供给的燃料供给量的方向移动。

图5示出伺服阀控制装置110的结构。伺服阀控制装置110包括电源电路120、伺服阀控制电路130、伺服阀驱动电路140、电压检测部150以及数据收集电路160。

电源电路120将从外部电源供给的电力供给到伺服阀控制电路130和伺服阀驱动电路140。电压检测部150检测向电源电路120输入的电压或从电源电路120输出的电压。也可以代替电压检测部150而设置检测向电源电路120输入的电流或从电源电路120输出的电流的电流检测部，或者除了电压检测部150以外还设置检测向电源电路120输入的电流或从电源电路120输出的电流的电流检测部。

伺服阀控制电路130基于来自发动机控制装置91的指令，计算主阀20的阀芯28的目标位置。伺服阀控制电路130计算用于使主阀20的阀芯28移动到所计算出的目标位置的先导阀10的阀芯12的目标位置。伺服阀控制电路130将所计算出的先导阀10的阀芯12的目标位置输入到伺服阀驱动电路140。

伺服阀驱动电路140根据从伺服阀控制电路130输入的先导阀10的阀芯12的目标位置，向先导阀10的阀芯驱动部18的线圈供给电力来使阀芯12移动。伺服阀驱动电路140也可以设置在液压伺服阀100内。

当先导阀10的阀芯12进行移动而端口16的开闭状态被变更时，通过工作油48的供给或回收来使主阀20的阀芯28向目标位置移动。当主阀20的阀芯28的实际位置与目标位置一致时，伺服阀控制电路130使先导阀10的阀芯12返回到中立位置。由此，主阀20的阀芯28在目标位置静止。在发动机80动作的过程中，重复进行这种一系列的控制。

数据收集电路160将由电压检测部150检测出的电压值、或者从伺服阀控制电路130输入到伺服阀驱动电路140的先导阀10的阀芯12的目标位置等的数据记录到日志数据存储装置90。数据收集电路160经由接线盒92获取由传感器82探测出的表示发动机80的状态的数据、由位置传感器19探测出的先导阀10的阀芯12的实际位置、由位置传感器29探测出的主阀20的阀芯28的实际位置等并记录到日志数据存储装置90。

图6示出学习装置300和状态估计装置400的结构。学习装置300具备学习数据获取部301、估计模型生成部302以及估计模型提供部303。状态估计装置400具备探测信息获取部401、状态估计部402以及估计结果输出部403。

学习数据获取部301获取使用于估计液压伺服阀100的状态的估计模型学习所使用的学习数据。学习数据包含能够与液压伺服阀100的动作相关联地获取的数据及表示该液压伺服阀100的状态的数据的组。学习数据获取部301可以获取日志数据存储装置90中存储的日志数据，也可以获取在除船舶2以外的试验环境等中使用了液压伺服阀100时所记录的试验数据，还可以获取通过用于模拟液压伺服阀100的动作的模拟器生成的模拟数据。

学习数据获取部301可以获取在特定的状况下记录或生成的数据来作为学习数据。学习数据获取部301可以从所获取到的数据中选择在特定的状况下记录或生成的数据来作为学习数据。例如，学习数据获取部301可以获取或选择产生了要通过估计模型估计的特定状态时的日志数据、在试验环境中产生了特定状态时的试验数据、或通过模拟器模拟特定状态时的模拟数据。学习数据获取部301可以获取在特定的环境下使液压伺服阀100进行了动作时所记录或生成的数据来作为学习数据。例如，学习数据获取部301可以根据船舶2的种类、航路、航行时期、发动机80的种类、气缸数、累积运转时间等对数据进行分类，对于这些环境的每个环境学习不同的估计模型。

学习数据获取部301可以对获取到的数据进行前处理并生成学习数据。例如，学习数据获取部301可以根据所获取到的数据计算与要通过估计模型估计的状态具有相关性的特征量来作为学习数据。另外，可以调整从输入目标位置起直到阀芯12或阀芯28的实际位置到达目标位置为止的偏移时间，以将先导阀10的阀芯12的目标位置或实际位置、主阀20的阀芯28的目标位置或实际位置与其它的数据进行对应。

估计模型生成部302使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了估计液压伺服阀100的状态而使用的估计基准。估计基准可以是将能够与液压伺服阀100的动作相关联地获取的数据和表示液压伺服阀100的状态的数据进行对应而得到的表或程序等。估计基准可以为将能够与液压伺服阀100的动作相关联地获取的数据及表示液压伺服阀100的状态的数据的对应关系进行模型化而得到的估计模型。估计模型可以是用于将能够与液压伺服阀100的动作相关联地获取的数据作为输入变量来计算表示液压伺服阀100的状态的数据的数式。在该情况下，估计模型生成部302可以通过多变量分析、多重回归分析、主成分分析等统计学方法来生成估计模型。估计模型可以是将表示液压伺服阀100的状态的数据输入到输入层并从输出层输出表示液压伺服阀100的状态的数据的神经网络等。在该情况下，估计模型生成部302通过以在将学习数据中包含的与液压伺服阀100的动作相关联地获取的数据输入到输入层时从输出层输出同与该数据对应的表示液压伺服阀100的状态的数据近似的值的方式调整神经网络的中间层，来使估计模型学习。估计模型可以为基于规则的估计算法，也可以为任意形式的人工智能等。

估计模型提供部303将由估计模型生成部302生成的估计模型提供给状态估计装置400。估计模型提供部303可以在制造状态估计装置400时被提供给状态估计装置400。另外，在制造状态估计装置400之后学习装置300还使估计模型学习来更新估计模型的情况下，可以在规定的时机将更新后的估计模型提供给状态估计装置400。

探测信息获取部401获取与液压伺服阀100的动作相关联地探测出的信息。探测信息获取部401可以获取日志数据存储装置90中存储的数据，也可以从数据收集电路160直接获取数据，还可以通过船舶陆地间通信从船舶2获取数据。探测信息获取部401可以对所获取到的数据执行与在生成估计模型时使用的学习数据同样的前处理。

状态估计部402使用由学习装置300生成的估计模型来估计液压伺服阀100的状态。状态估计部402获取将由探测信息获取部401获取到的数据输入到估计模型并从估计模型输出的液压伺服阀100的状态来作为估计结果。

估计结果输出部403输出状态估计部402的估计结果。在由状态估计部402估计为液压伺服阀100处于异常的状态的情况下，估计结果输出部403可以通知该意思。是否处于异常的状态可以通过由状态估计部402输出的表示液压伺服阀100的状态的状态估计数据是否为规定的阈值以上或小于规定的阈值、或者是否处于规定的范围内来进行判定，也可以通过状态估计数据相对于初始值的变化量是否为规定的阈值以上来进行判定。另外，估计结果输出部403可以通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的状态估计结果进行比较，来判定液压伺服阀100是否处于异常的状态。例如，在特定的液压伺服阀100的状态估计结果的值较大地偏离多个液压伺服阀100的状态估计结果的平均值的情况下，可以判定为该液压伺服阀100处于异常的状态。也可以计算多个液压伺服阀100各自的状态估计结果的偏差值，偏差值为规定的阈值例如80以上或小于规定的阈值例如30的液压伺服阀100被判定为处于异常的状态。

图7是示出本实施方式的状态估计方法的过程的流程图。首先，说明生成估计模型的阶段的过程。在搭载有液压伺服阀100的船舶2航行时，与液压伺服阀100的动作相关联的数据被记录到日志数据存储装置90(步骤S10)。学习装置300的学习数据获取部301获取日志数据存储装置90中记录的日志数据来作为学习数据(步骤S12)。学习数据获取部301还获取试验数据或模拟数据作为学习数据。估计模型生成部302基于所获取到的学习数据来生成估计模型(步骤S14)。估计模型提供部303将所生成的估计模型提供给状态估计装置400(步骤S16)。

接着，说明使用估计模型来估计液压伺服阀100的状态的阶段的过程。在搭载有液压伺服阀100的船舶2航行时，与液压伺服阀100的动作相关联的数据被记录到日志数据存储装置90(步骤S20)。状态估计装置400的探测信息获取部401获取日志数据存储装置90中记录的探测信息(步骤S22)。状态估计部402基于所获取到的探测信息，使用估计模型来估计液压伺服阀100的状态(步骤S24)。估计结果输出部403输出估计结果(步骤S26)。

对本实施方式的管理系统的具体实施例进行说明。

[实施例1：内部漏油量的估计]

当先导阀10被长时间使用时，阀体14磨损而作为阀而言的节度降低，成为即使是中立模式而A端口16a、P端口16p以及T端口16t也相互略微地连通。当在中立模式中工作油48从P端口16p漏出到A端口16a时，工作油容纳部22a的液压逐渐上升而向发动机80供给的燃料供给量增加，引起发动机80的燃料消耗率变差。另外，当在中立模式中工作油48从A端口16a漏出到T端口16t时，工作油容纳部22a的液压逐渐降低而向发动机80供给的燃料供给量减少，引起发动机80的输出降低。当工作油48的泄漏量超过容许量时，液压伺服阀100不再正常地发挥功能而导致故障。如果能够高精度地估计泄漏量，则在泄漏量超过容许量之前对液压伺服阀100进行更换或修理，能够避免未预期的故障。

如上所述，在液压伺服阀100正常地动作的情况下，在先导阀10的阀芯12处于中立位置时主阀20的阀芯28静止，但是如果工作油48的泄漏量增大，则即使在先导阀10的阀芯12处于中立位置时主阀20的阀芯28也会移动。通过本发明人们的实验获知，先导阀10的阀芯12处于中立位置时的主阀20的阀芯28的移动速度与工作油48的泄漏量之间具有较强的相关性。因而，能够根据先导阀10的阀芯12处于中立位置时的主阀20的阀芯28的移动速度，来估计先导阀10中的内部漏油量。

[实施例1-1]

图8示出实施例1-1所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取先导阀实际阀芯位置310、主阀实际阀芯位置311以及内部漏油量实测值312来作为学习数据。

先导阀实际阀芯位置310和主阀实际阀芯位置311是在实际测量出内部漏油量的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。该时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。由于在发动机80的旋转动作的1个周期中先导阀10的阀芯12的位置至少数次处于中立位置，因此1个周期的先导阀实际阀芯位置310和主阀实际阀芯位置311的时间序列数据包含表示先导阀10的阀芯12处于中立位置时的主阀20的阀芯28的移动速度的信息。

内部漏油量实测值312是液压伺服阀100中的内部漏油量的值。在使用日志数据或试验数据作为学习数据的情况下，内部漏油量实测值312是通过流量计等实际测量出的内部漏油量的值。由于认为内部漏油量在液压伺服阀100的使用过程中不会急剧变化，因此视为在实际测量出内部漏油量的时间点之前或之后的规定期间以在内部泄漏了实际测量出的量的工作油48的状态使用了液压伺服阀100，将在该规定期间记录的先导阀实际阀芯位置310及主阀实际阀芯位置311与内部漏油量实测值312对应起来作为学习数据。规定期间只要是在液压伺服阀100的使用过程中内部漏油量保持相同程度不变的期间即可，可以通过液压伺服阀100的使用时间、发动机80的动作时间、发动机80的转数等进行规定。在使用模拟数据作为学习数据的情况下，内部漏油量实测值312是作为模拟条件输入到模拟器的内部漏油量的值。

内部漏油量估计模型生成部313使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了估计液压伺服阀100的内部漏油量而使用的内部漏油量估计模型。内部漏油量估计模型可以是将先导阀实际阀芯位置310和主阀实际阀芯位置311的在规定期间的时间序列数据输入到输入层并从输出层输出液压伺服阀100的内部漏油量的神经网络等。在该情况下，内部漏油量估计模型生成部313通过以在将先导阀实际阀芯位置310和主阀实际阀芯位置311的在规定期间的时间序列数据输入到了输入层时从输出层输出与内部漏油量实测值312近似的值的方式调整神经网络的中间层，来使内部漏油量估计模型学习。

内部漏油量估计模型提供部314将由内部漏油量估计模型生成部313生成的内部漏油量估计模型提供给状态估计装置400。

探测信息获取部401获取先导阀实际阀芯位置410和主阀实际阀芯位置411来作为探测信息。该探测信息是与为了生成内部漏油量估计模型而使用的学习数据相同的规定期间的时间序列数据。

内部漏油量估计部412使用由学习装置300生成的内部漏油量估计模型，来估计液压伺服阀100的内部漏油量。内部漏油量估计部412将由探测信息获取部401获取到的先导阀实际阀芯位置410和主阀实际阀芯位置411的时间序列数据输入到内部漏油量估计模型，获取从内部漏油量估计模型输出的内部漏油量来作为估计结果。

内部漏油量估计值输出部413输出由内部漏油量估计部412估计出的内部漏油量的估计值。内部漏油量估计值输出部413可以在估计为液压伺服阀100处于异常的状态的情况下，通知该意思。是否处于异常的状态可以通过由内部漏油量估计部412输出的内部漏油量的值是否为规定的阈值以上来进行判定，也可以通过内部漏油量相对于初始值的变化量是否为规定的阈值以上来进行判定。另外，内部漏油量估计值输出部413可以通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的内部漏油量的值进行比较，来判定液压伺服阀100是否处于异常的状态。例如，在特定的液压伺服阀100的内部漏油量的值较大地偏离多个液压伺服阀100的内部漏油量的平均值的情况下，可以判定为该液压伺服阀100处于异常的状态。也可以计算多个液压伺服阀100各自的内部漏油量的偏差值，偏差值为规定的阈值例如80以上或小于规定的阈值例如30的液压伺服阀100被判定为处于异常的状态。

[实施例1-2]

图9示出实施例1-2所涉及的学习装置和状态估计装置的结构。实施例1-2的学习装置300除了图8所示的实施例1-1的学习装置300的结构以外，还具备特征量计算部315。另外，实施例1-2的状态估计装置400除了图8所示的实施例1-1的状态估计装置400的结构以外，还具备特征量计算部414。主要说明与实施例1-1不同的点。除此以外的点与实施例1-1相同。

学习装置300的特征量计算部315根据由学习数据获取部301获取到的先导阀实际阀芯位置310或主阀实际阀芯位置311，计算与内部漏油量具有相关性的特征量。如上所述，通过本发明人们的实验表明，内部漏油量与先导阀10的阀芯12处于中立位置时的主阀20的阀芯28的移动速度具有相关性，因此特征量计算部315根据先导阀实际阀芯位置310处于中立位置的期间的主阀实际阀芯位置311计算主阀20的阀芯28的移动速度。在从先导阀10的阀芯12移动到中立位置起直到向主阀20进行的工作油的供给停止而主阀20的阀芯28的位置静止为止存在时滞的情况下，特征量计算部315可以在调整时滞后计算主阀20的阀芯28的移动速度。时滞的调整量可以根据液压伺服阀100的种类、温度、工作油48的压力、发动机80的转数、负荷、排气温度等液压伺服阀100被使用的环境等，通过实验等预先决定。

内部漏油量估计模型生成部313使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量，来生成内部漏油量估计模型。内部漏油量估计模型生成部313可以使用内部漏油量实测值312和由特征量计算部315计算出的特征量生成内部漏油量估计模型。例如，内部漏油量估计模型可以是将特征量作为输入变量来计算内部漏油量的数式。在该情况下，内部漏油量估计模型生成部313可以通过回归分析等统计方法来生成数式。内部漏油量估计模型生成部313可以使用先导阀实际阀芯位置310、主阀实际阀芯位置311以及特征量来生成内部漏油量估计模型。例如，内部漏油量估计模型可以是将先导阀实际阀芯位置310和主阀实际阀芯位置311的在规定期间的时间序列数据、以及该规定期间内的特征量输入到输入层并从输出层输出内部漏油量的神经网络等。在该情况下，内部漏油量估计模型生成部313通过以在将先导阀实际阀芯位置310和主阀实际阀芯位置311的在规定期间的时间序列数据、以及该规定期间内的特征量输入到了输入层时从输出层输出与内部漏油量实测值312近似的值的方式调整神经网络的中间层，来使内部漏油量估计模型学习。

状态估计装置400的特征量计算部414通过与在生成内部漏油量估计部412所使用的内部漏油量估计模型时由特征量计算部315计算特征量的方法相同的方法，来根据由探测信息获取部401获取到的先导阀实际阀芯位置410或主阀实际阀芯位置411计算特征量。在由探测信息获取部401获取到在与生成内部漏油量估计模型时所使用的学习数据不同的环境中使用的液压伺服阀100的先导阀实际阀芯位置410和主阀实际阀芯位置411的情况下，特征量计算部414可以在调整环境的差异后计算特征量。例如，可以根据环境变更时滞的调整量。由此，能够提高内部漏油量的估计的鲁棒性。

[实施例1-3]

图10示出实施例1-3所涉及的学习装置和状态估计装置的结构。在图9所示的实施例1-2的学习装置300中，学习数据获取部301获取到了先导阀实际阀芯位置310，但是在实施例1-3的学习装置300中，学习数据获取部301获取先导阀目标阀芯位置316来代替先导阀实际阀芯位置310。另外，在图9所示的实施例1-2的状态估计装置400中，探测信息获取部401获取到了先导阀实际阀芯位置410，但是在实施例1-3的状态估计装置400中，探测信息获取部401获取先导阀目标阀芯位置415来代替先导阀实际阀芯位置410。主要说明与实施例1-2不同的点。除此以外的点与实施例1-1或1-2相同。

如上所述，根据日志数据存储装置90的连接位置的不同，有时无法记录正在使用液压伺服阀100时的先导阀实际阀芯位置。在该情况下，作为学习数据和探测信息，使用先导阀目标阀芯位置来代替先导阀实际阀芯位置。由此，能够使用不取决于日志数据存储装置90的连接位置而能够获取的数据来生成内部漏油量估计模型，并且能够使用该内部漏油量估计模型来估计内部漏油量。在图10的例子中，与实施例1-2同样地设置有特征量计算部315和特征量计算部414，但是也可以与实施例1-1同样地不设置特征量计算部。

[实施例1-4]

图11示出实施例1-4所涉及的学习装置和状态估计装置的结构。实施例1-4的学习装置300除了图10所示的实施例1-3的学习装置300的结构以外，还具备偏移时间计算部319。另外，在实施例1-4的学习装置300中，学习数据获取部301还获取线圈驱动电压317和先导阀物理参数318。另外，在实施例1-4的状态估计装置400中，探测信息获取部401还获取线圈驱动电压416。主要说明与实施例1-3不同的点。除此以外的点与实施例1-1～1-3相同。

在从伺服阀控制装置110向先导阀10输入阀芯12的目标位置的指令信号后，向阀芯驱动部18的线圈供给电流，在阀芯12实际到达目标位置之前存在时滞。因而，在将先导阀目标阀芯位置316代替先导阀实际阀芯位置310而用作学习数据的情况下，通过调整直到先导阀10的阀芯12的实际位置追随先导阀目标阀芯位置316为止所需要的偏移时间，能够基于先导阀10的阀芯12实际追随中立位置时的主阀20的阀芯28的位置来生成内部漏油量估计模型，因此能够提高内部漏油量估计模型的精度。

偏移时间计算部319基于线圈驱动电压317和先导阀物理参数318来计算偏移时间。先导阀物理参数318例如包含构成阀芯驱动部18的驱动电路的元件的电阻值、线圈的电感、阀芯12的质量、主体部10b与阀芯12之间的摩擦系数等物理量。偏移时间计算部319根据包括这些物理参数和线圈驱动电压317的运动方程式计算偏移时间。在偏移时间可能根据先导阀10的阀芯12的位置、移动方向、移动速度等而不同的情况下，也可以还使用这些数据来计算偏移时间。

在学习装置300生成用于估计特定种类的液压伺服阀100的内部漏油量的内部漏油量估计模型的情况下，可以将先导阀物理参数318作为常数来进行处理。由此，也能够将未记录先导阀物理参数318的日志数据使用为学习数据。作为先导阀物理参数318，也可以使用根据液压伺服阀100的种类预先决定的常数。作为先导阀物理参数318，也可以使用在液压伺服阀100出厂时测定出的物理参数。由此，能够抑制因液压伺服阀100的个体差异而产生的先导阀的物理参数的偏差的影响，能够更精确地计算偏移时间。作为先导阀物理参数318，可以使用在对液压伺服阀100的检修等保养时测定出的物理参数。由此，能够抑制先导阀10的经年变化的影响，更精确地计算偏移时间。

内部漏油量估计模型生成部313可以与实施例1-1或1-2同样地生成通过输入先导阀实际阀芯位置410和主阀实际阀芯位置411而输出内部漏油量的内部漏油量估计模型，也可以与实施例1-3同样地生成通过输入先导阀目标阀芯位置415和主阀实际阀芯位置411而输出内部漏油量的内部漏油量估计模型，也可以生成通过输入先导阀目标阀芯位置415、主阀实际阀芯位置411以及线圈驱动电压416而输出内部漏油量的内部漏油量估计模型，还可以生成除了这些以外再输入先导阀物理参数或偏移时间而输出内部漏油量的内部漏油量估计模型。在本图的例子中，内部漏油量估计模型通过输入先导阀目标阀芯位置415、主阀实际阀芯位置411以及线圈驱动电压416而输出内部漏油量。从伺服阀控制装置110的电源电路120供给到线圈的线圈驱动电压416能够根据发动机80的转数等而变动，因此通过生成输入先导阀目标阀芯位置415和主阀实际阀芯位置411而且输入线圈驱动电压416而输出内部漏油量的内部漏油量估计模型，由此能够抑制偏移时间的变动的影响，提高估计精度。

状态估计装置400的探测信息获取部401获取需要向内部漏油量估计部412所使用的内部漏油量估计模型输入的探测信息。在本图的例子中，探测信息获取部401获取先导阀目标阀芯位置415、主阀实际阀芯位置411以及线圈驱动电压416。在需要向内部漏油量估计模型输入先导阀物理参数的情况下，探测信息获取部401可以还获取先导阀物理参数。或者，内部漏油量估计部412可以预先保持与成为估计内部漏油量的对象的液压伺服阀100的种类相应的物理参数。另外，在需要向内部漏油量估计模型输入偏移时间的情况下，探测信息获取部401可以还获取偏移时间。或者，状态估计装置400也可以还具备基于线圈驱动电压416、先导阀物理参数等计算偏移时间的偏移时间计算部。

[实施例1-5]

图12示出实施例1-5所涉及的学习装置和状态估计装置的结构。实施例1-5的学习装置300除了图8所示的实施例1-1的学习装置300的结构以外，还具备数据选择部320。另外，实施例1-5的学习装置300除了图8所示的实施例1-1的状态估计装置400的结构以外，还具备数据选择部417。主要说明与实施例1-1不同的点。除此以外的点与实施例1-1～1-4相同。

在本实施例中，为了提高利用内部漏油量估计模型的估计精度，使用在与成为状态估计装置400估计内部漏油量的对象的液压伺服阀100被使用的环境同样的环境中使用了液压伺服阀100时的日志数据，来生成内部漏油量估计模型。由此，能够抑制环境的影响，提高内部漏油量的估计的鲁棒性。

数据选择部320从由学习数据获取部301获取到的学习数据中选择在特定的环境中使用了液压伺服阀100时所记录的学习数据。数据选择部320也可以参照日志数据、试验数据、模拟数据等中包含的表示液压伺服阀100的使用环境的数据、例如发动机80的气缸81的排气温度、压力等，来选择在特定的环境中使用了液压伺服阀100时所记录的学习数据。数据选择部320可以按各环境对学习数据进行分类。在该情况下，可以按各环境生成内部漏油量估计模型。可以在特定的环境中记录或生成日志数据、试验数据、模拟数据等学习数据，也可以在记录或生成时按各使用环境对日志数据、试验数据、模拟数据等学习数据进行分类。在该情况下，学习数据获取部301只要在特定的环境中获取记录、生成、或分类得到的学习数据即可，因此可以不设置数据选择部320。

数据选择部417从由探测信息获取部401获取到的探测信息中选择在特定的环境中使用了液压伺服阀100时所记录的探测信息。数据选择部417可以选择在与生成由内部漏油量估计部412使用的内部漏油量估计模型时所使用的学习数据被记录时的环境同样的环境中所记录的探测信息。在按各使用环境生成的多个内部漏油量估计模型被保持于状态估计装置400的情况下，内部漏油量估计部412可以参照探测信息中包含的表示液压伺服阀100的使用环境的数据，来选择要使用的内部漏油量估计模型。在该情况下，可以不设置数据选择部417。

也可以使用在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的学习数据来生成内部漏油量估计模型。在该情况下，状态估计装置400使用在试验模式中使液压伺服阀100进行了动作时所记录的探测信息来估计内部漏油量。由此，能够提高内部漏油量的估计的鲁棒性。

为了进一步抑制使用环境的影响，也可以使用在发动机80停止时所记录的日志数据、试验数据、模拟数据等来作为学习数据。在发动机80被停止的期间从发动机控制装置91向伺服阀控制装置110发出了停止命令但正在通过液压泵42对工作油48进行加压的情况下，伺服阀控制装置110为了防止先导阀10的阀芯12和主阀20的阀芯28的粘连而使先导阀10的阀芯12以不向发动机80供给燃料的程度的小振幅的图案重复移动。使用在该粘连防止动作的期间所记录的学习数据来生成内部漏油量估计模型，并且在状态估计装置400估计液压伺服阀100的内部漏油量时，也能够通过使用在粘连防止动作的期间所记录的日志数据，来抑制伴随发动机80的动作而产生的振动等干扰的影响，提高估计精度。粘连防止动作的图案可以是正弦波图案、锯齿状波图案、抖动图案等。在根据不同的多个图案进行粘连防止动作的情况下，也可以使用正在按特定的图案进行粘连防止动作时所记录的学习数据和探测信息。

[实施例1的变形例]

除了实施例1-1～1-5中作为学习数据和探测信息而使用的数据以外，还可以使用发动机转数、发动机负荷、工作油压力、工作油温度等其它数据中的任一种、或这些数据的任意组合来作为学习数据和探测信息。也可以选择这些数据中的、能够作为环境因子而对先导阀实际阀芯位置、先导阀目标阀芯位置、主阀实际阀芯位置等数据造成影响的数据来使用。通过生成反映出这些数据的影响的内部漏油量估计模型，能够进一步提高内部漏油量的估计的鲁棒性。

以上的实施例1-1～1-5中所说明的特征可以任意地组合来应用。

[实施例2：电源的故障判定]

在实施例2中，对用于判定向电源电路120和电源电路120供给电力的电源的故障的技术进行说明。当电源或电源电路120发生故障时，液压伺服阀100不再正常地动作，因此引起发动机80的输出降低等异常。如果能够高精度地预测电源或电源电路120的故障，则能够在电源或电源电路120发生故障之前更换或修理电源或电源电路120，从而能够避免未预期的异常。

用于控制针对发动机80的燃料供给和排气的液压伺服阀100在发动机80的驱动中重复进行固定的动作，因此在先导阀10的阀芯12或主阀20的阀芯28的动作波形与电源电压波形之间能够看到固定的图案。因而，通过将正常时的动作波形和电源电压波形的图案与出现故障前兆时的动作波形和电源电压波形的图案之间的差异模型化，能够判定电源或电源电路120的故障。

图13示出实施例2所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取电源电压321、先导阀实际阀芯位置310以及电源故障前兆指标值322来作为学习数据。

先导阀实际阀芯位置310是在实际测量出电源故障前兆指标值322的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。电源电压321是在先导阀实际阀芯位置310被记录时由电压检测部150检测出的电源电压的时间序列数据。电源电压321可以是向电源电路120输入的输入电压，也可以是从电源电路120输出的输出电压，还可以是这双方。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

电源故障前兆指标值322是基于电源电路120的累积动作时间、构成电源电路120的电容器等元件的劣化状态、从电源电路120释放的发射噪声的实测值等计算出的。电源故障前兆指标值322的计算方法可以根据实验、现场试验等来决定。

在使用日志数据或试验数据作为学习数据的情况下，基于上述的变量的实测值来计算电源故障前兆指标值322。由于认为电源故障前兆指标值322在液压伺服阀100的使用过程中不急激变化，因此视为在实际测量出用于计算电源故障前兆指标值322的变量的时间点之前或之后的规定期间内电源故障前兆指标值322不发生变化，将在该规定期间所记录的电源电压321及先导阀实际阀芯位置310与电源故障前兆指标值322对应起来设为学习数据。规定期间只要是在液压伺服阀100的使用过程中电源故障前兆指标值322保持相同程度不变的期间即可，可以通过液压伺服阀100的使用时间、发动机80的动作时间、发动机80的转数等进行规定。在使用模拟数据作为学习数据的情况下，电源故障前兆指标值322是基于作为模拟条件输入到模拟器的变量的值计算出的。

电源故障判定模型生成部323使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了判定电源或电源电路120的故障而使用的电源故障判定模型。电源故障判定模型可以是将电源电压321和先导阀实际阀芯位置310的在规定期间的时间序列数据输入到输入层并从输出层输出电源故障前兆指标值的神经网络等。在该情况下，电源故障判定模型生成部323通过以在将电源电压321和先导阀实际阀芯位置310的在规定期间的时间序列数据输入到了输入层时从输出层输出与电源故障前兆指标值322近似的值的方式调整神经网络的中间层，来使电源故障判定模型学习。

电源故障判定模型提供部324将由电源故障判定模型生成部323生成的电源故障判定模型提供给状态估计装置400。

探测信息获取部401获取电源电压420和先导阀实际阀芯位置410来作为探测信息。该探测信息是与为了生成电源故障判定模型而使用的学习数据相同的规定期间的时间序列数据。

电源故障判定部421使用由学习装置300生成的电源故障判定模型，来判定液压伺服阀100的电源或电源电路120的故障。电源故障判定部421将由探测信息获取部401获取到的电源电压420和先导阀实际阀芯位置410的时间序列数据输入到电源故障判定模型，获取从电源故障判定模型输出的电源故障前兆指标值来作为判定结果。电源故障判定部421可以基于所输出的电源故障前兆指标值来判定电源或电源电路120有无故障。例如，在所输出的电源故障前兆指标值为规定的阈值以上的情况下，电源故障判定部421可以判定为电源或电源电路120发生了故障，在电源故障前兆指标值相对于初始值的变化量变为规定的阈值以上的情况下，电源故障判定部421可以判定为电源或电源电路120发生了故障。电源故障判定部421可以基于所输出的电源故障前兆指标值，来估计电源或电源电路120发生故障为止的期间、即寿命。例如，电源故障判定部421可以使用将所输出的电源故障前兆指标值作为变量的数式等来估计寿命。电源故障判定模型可以构成为代替电源故障前兆指标值而输出电源或电源电路120有无故障、或电源或电源电路120的寿命，或者，除了输出电源故障前兆指标值以外，还输出电源或电源电路120有无故障、或电源或电源电路120的寿命。

在与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100中分别设置有电源电路120的情况下，电源故障判定部421可以通过将各个液压伺服阀100的电源故障前兆指标值进行比较，来判定电源电路120是否发生了故障。例如，在特定的液压伺服阀100的电源故障前兆指标值较大地偏离多个液压伺服阀100的电源故障前兆指标值的平均值的情况下，可以判定为该液压伺服阀100的电源电路120发生了故障。计算多个液压伺服阀100各自的电源故障前兆指标值的偏差值，偏差值为规定的阈值例如80以上或小于规定的阈值例如30的液压伺服阀100的电源电路120被判定为发生了故障。

电源故障判定结果输出部422输出由电源故障判定部421判定出的结果。在由电源故障判定部421判定为液压伺服阀100的电源或电源电路120发生了故障的情况下，电源故障判定结果输出部422可以通知该意思。电源故障判定结果输出部422可以输出由电源故障判定部421判定出的电源或电源电路120的寿命。

通过本发明人们的实验获知，与负荷电流的峰值对应的电源电压的下降量与电源或电源电路120的故障具有相关性。因而，在设置有用于检测向液压伺服阀100供给的电流的值的电流计的情况下，作为学习数据和探测信息，可以代替先导阀实际阀芯位置310而使用由电流计测定出的电流值，或者除了先导阀实际阀芯位置310以外还使用由电流计测定出的电流值。由此，能够提高故障的判定精度。

与负荷电流的峰值对应的电源电压的下降量可以根据电源电压和先导阀实际阀芯位置等计算出。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。

学习装置300的特征量计算部315根据由学习数据获取部301获取到的电源电压321和先导阀实际阀芯位置310，计算与负荷电流的峰值对应的电源电压的下降量，来作为与电源或电源电路120的故障具有相关性的特征量。特征量计算部315可以基于根据先导阀实际阀芯位置310的变动计算出的先导阀10的阀芯12的加速度或速度，来计算供给到液压伺服阀100的电流的值。特征量计算部315可以基于所计算出的电流的值成为峰值时的电源电压321的值，来计算电源电压的下降量。在从电源电路120向先导阀10的阀芯驱动部18的线圈供给电力起直到先导阀10的阀芯12移动为止存在时滞的情况下，特征量计算部315可以在调整时滞后计算先导阀10的阀芯12的加速度或速度。时滞的调整量可以根据液压伺服阀100的种类、温度、工作油48的压力、发动机80的转数、负荷、排气温度等液压伺服阀100被使用的环境等，通过实验等预先决定。

电源故障判定模型生成部323使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量，来生成电源故障判定估计模型。电源故障判定模型生成部323可以使用电源故障前兆指标值322和由特征量计算部315计算出的特征量来生成电源故障判定模型。例如，电源故障判定模型可以是将特征量作为输入变量来计算电源故障前兆指标值的数式。在该情况下，电源故障判定模型生成部323可以通过回归分析等统计方法来生成数式。电源故障判定模型生成部323可以使用电源电压321、先导阀实际阀芯位置310以及特征量来生成电源故障判定模型。例如，电源故障判定模型可以是将电源电压321和先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到输入层并从输出层输出电源故障前兆指标值的神经网络等。在该情况下，电源故障判定模型生成部323通过以在将电源电压321和先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到了输入层时从输出层输出与电源故障前兆指标值322近似的值的方式调整神经网络的中间层，来使电源故障判定模型学习。

状态估计装置400的特征量计算部414通过与在生成电源故障判定部421所使用的电源故障判定模型时由特征量计算部315计算特征量的方法相同的方法，来根据由探测信息获取部401获取到的电源电压420和先导阀实际阀芯位置410计算特征量。在由探测信息获取部401获取到在与生成电源故障判定模型时所使用的学习数据不同的环境中使用的液压伺服阀100的电源电压420和先导阀实际阀芯位置410的情况下，特征量计算部414可以在调整环境的差异后计算特征量。例如，可以根据环境变更时滞的调整量。由此，能够提高电源故障判定的鲁棒性。另外，由于即使不安装电流计也能够计算与负荷电流的峰值对应的电源电压的下降量来作为特征量，因此能够实现电路的效率的提高和成本的降低。

作为特征量，可以计算表示先导阀10的阀芯12的动作的特征的物理量等。例如，可以计算先导阀10的阀芯12的加速度、速度、过冲量、延迟量等来作为特征量。

作为学习数据和探测信息，可以代替先导阀实际阀芯位置而使用先导阀目标阀芯位置或主阀实际阀芯位置，或者，除了先导阀实际阀芯位置以外还使用先导阀目标阀芯位置或主阀实际阀芯位置。在该情况下，可以与实施例1-4同样地，学习装置300具备偏移时间计算部319以调整直到先导阀10的实际阀芯位置追随先导阀的目标阀芯位置为止所需要的偏移时间。偏移时间计算部319可以为了计算供给到液压伺服阀100的电流的值成为峰值时的电源电压的下降量，而计算向液压伺服阀100供给的电流的变动与电源电压的变动之间的偏移时间。计算偏移时间的方法可以与实施例1-2相同。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高故障判定的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高故障判定精度。

[实施例3：异物的卡入探测]

在实施例3中，对用于探测在先导阀10的主体部10b与阀芯12之间卡入异物的技术进行说明。当在主体部10b与阀芯12之间卡入异物时，先导阀10的阀芯12不再正常地动作，因此因主阀20的实际阀芯位置偏离目标阀芯位置而发出警报。以往无法确定该警报的原因，但是如果能够高精度地探测出卡入异物，则能够在发出警报时确定警报的原因从而迅速地采取适当的处置。

图14示意性地示出先导阀10的阀芯12和主阀20的阀芯28的动作。图14的(a)示出正常地控制液压伺服阀100的情况下的动作例。当在时刻t1输入了主阀20的目标阀芯位置时，为了使主阀20的阀芯28向正方向移动，在时刻t2作为先导阀10的目标阀芯位置而输入正的值。当先导阀10的阀芯12追随目标阀芯位置时，工作油被供给到主阀20，在时刻t3时主阀20的阀芯28开始向正方向移动。在时刻t4，主阀20的目标阀芯位置被固定为一定值，当主阀20的实际阀芯位置追随目标阀芯位置时，作为先导阀10的目标阀芯位置而被输入中立位置，在时刻t5时主阀20的阀芯28在目标阀芯位置静止。

图14的(b)示出先导阀10中卡入了异物的情况下的动作例。设为时刻t4之前的动作与图14的(a)相同，但是在时刻t4时先导阀10中卡入了异物。作为先导阀10的目标阀芯位置而输入中立位置，但是由于卡入异物而阀芯12无法移动，因此工作油被继续供给到主阀20，主阀20的阀芯28继续向正方向移动。由于主阀实际阀芯位置的反馈信号不断偏离目标位置，因此为了将主阀20的阀芯28返回到目标位置，作为先导阀10的目标阀芯位置而持续输入负的值。当主阀20的阀芯28到达正方向上的极限位置时，不再继续移动而是在极限位置静止。

像这样，先导阀10的阀芯12和主阀20的阀芯28的动作图案在正常时与卡入了异物时有很大的不同。因而，通过将正常时的动作图案与卡入了异物时的动作图案的不同模型化，能够探测异物的卡入。动作图案也能够根据异物的种类、大小、量等而不同，因此不仅能够探测有无异物卡入，也能够探测所卡入的异物的种类、大小、量等。即使在暂时卡入了异物之后异物被自然地去除的情况下，也能够根据日志数据检测出卡入了异物的历史记录，因此能够用作产生动作不良的原因的证据。在船舶2等中，工作油不只在用于控制发动机80的液压伺服阀100中循环，还在用于控制其它装置等的液压伺服阀中循环，因此即使在液压伺服阀100中暂时卡入的异物被自然地去除，该异物也可能卡入其它的液压伺服阀等。根据本实施例的技术，能够探测液压伺服阀100中的异物的卡入，实施工作油的更换等适当的保养，因此能够抑制其它装置中的异物的卡入。

图15示出实施例3所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀目标阀芯位置316以及异物数据331来作为学习数据。

主阀实际阀芯位置311、主阀目标阀芯位置330以及先导阀目标阀芯位置316是在实际测量出异物数据331的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

异物数据331是表示卡入先导阀10的异物的有无、种类、大小、量等的数据。在使用日志数据作为学习数据的情况下，异物数据331是卡入先导阀10的异物的实测值。在使用试验数据作为学习数据的情况下，异物数据331是卡入先导阀10的异物的实测值。在使用模拟数据作为学习数据的情况下，异物数据331是作为模拟条件输入到模拟器的异物的数据。

异物探测模型生成部333使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了探测异物的卡入而使用的异物探测模型。异物探测模型可以是将主阀实际阀芯位置311、主阀目标阀芯位置330以及先导阀目标阀芯位置316的在规定期间的时间序列数据输入到输入层并从输出层输出异物数据的神经网络等。在该情况下，异物探测模型生成部333通过以将主阀实际阀芯位置311、主阀目标阀芯位置330以及先导阀目标阀芯位置316的在规定期间的时间序列数据输入到了输入层时从输出层输出与异物数据331近似的值的方式调整神经网络的中间层，来使异物探测模型学习。

异物探测模型提供部334将由异物探测模型生成部333生成的异物探测模型提供给状态估计装置400。

探测信息获取部401获取主阀实际阀芯位置411、主阀目标阀芯位置430以及先导阀目标阀芯位置415来作为探测信息。该探测信息是与为了生成异物探测模型而使用的学习数据相同的规定期间的时间序列数据。

异物探测部431使用由学习装置300生成的异物探测模型，来探测先导阀10中的异物的卡入。异物探测部431将由探测信息获取部401获取到的主阀实际阀芯位置411、主阀目标阀芯位置430以及先导阀目标阀芯位置415的时间序列数据输入到异物探测模型，获取从异物探测模型输出的异物数据来作为判定结果。异物探测部431可以基于所输出的异物数据，来估计直到异物卡入先导阀10为止的期间。在该情况下，通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的异物数据进行比较，来估计直到异物卡入为止的期间。

异物探测结果输出部432输出由异物探测部431判定出的结果。在由异物探测部431探测到先导阀10中卡入了异物的情况下，异物探测结果输出部432可以通知该意思。异物探测结果输出部432可以输出由异物探测部431估计出的直到异物卡入为止的期间。

有无异物卡入、或与所卡入的异物的种类、大小、或量具有相关性的特征量可以是根据主阀实际阀芯位置、主阀目标阀芯位置、或先导阀目标阀芯位置等计算出的。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。在从电源电路120向先导阀10的阀芯驱动部18的线圈供给电力起直到先导阀10的阀芯12移动且主阀实际阀芯位置追随主阀目标阀芯位置为止存在时滞的情况下，特征量计算部315可以在调整时滞后计算特征量。时滞的调整量可以根据液压伺服阀100的种类、温度、工作油48的压力、发动机80的转数、负荷、排气温度等液压伺服阀100被使用的环境等，通过实验等预先决定。

作为学习数据和探测信息，可以取代先导阀目标阀芯位置而使用先导阀实际阀芯位置，或者，除了先导阀目标阀芯位置以外还使用先导阀实际阀芯位置。作为学习数据和探测信息，可以使用先导阀目标阀芯位置、先导阀实际阀芯位置、主阀目标阀芯位置以及主阀实际阀芯位置中的任意2个以上的位置的组合。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高异物卡入的探测的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高异物卡入的探测精度。

[实施例4：工作油清洁度的估计]

在实施例4中，对用于估计工作油的清洁度的技术进行说明。当在液压伺服阀100的动作中有异物混入工作油而清洁度降低时，由于混入的异物的影响而妨碍先导阀10的阀芯12的动作、或者供给到主阀20的工作油的压力降低，有时引起发动机80等控制对象动作不良。另外，先导阀10的阀芯12中卡入异物的可能性增大。通过准确地估计工作油的清洁度并在工作油的清洁度降低时迅速采取适当的处置，由此能够良好地维持液压伺服阀100、控制对象的动作，并且能够防止异物卡入。

当由于微少的异物的混入(污染)而工作油的清洁度降低时，在先导阀10的阀芯12滑动时，在阀芯12与主体部10b之间产生的摩擦力增大，阀芯12的行为发生变化。因而，通过将供给到先导阀10的阀芯驱动部18的线圈的电流的波形与先导阀10的目标阀芯位置和实际阀芯位置的动作波形的图案的根据工作油的清洁度而产生的差异模型化，能够估计工作油的清洁度。

图16示出实施例4所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取线圈施加电流341、先导阀目标阀芯位置316、先导阀实际阀芯位置310以及工作油清洁度实测值342来作为学习数据。

线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310是在实际测量出工作油清洁度实测值342的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

工作油清洁度实测值342是表示混入工作油的异物的种类、数量、大小等的数据。在使用日志数据或试验数据作为学习数据的情况下，工作油清洁度实测值342是通过一般的液体中颗粒测量装置等测定液压伺服阀100中所使用的工作油的清洁度而得到的实测值。工作油清洁度例如可以通过重量法、显微镜法、光散射法、光阻法、电阻法、声学法、动态光散射法等来测定。由于认为工作油的清洁度在液压伺服阀100的使用过程中不会急剧变化，因此视为在实际测量出工作油的清洁度的时间点之前或之后的规定期间使用了实际测量出的清洁度的工作油，将在该规定期间记录的线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310与工作油清洁度实测值342对应起来作为学习数据。规定期间只要是在液压伺服阀100的使用过程中工作油的清洁度保持相同程度不变的期间即可，可以通过液压伺服阀100的使用时间、发动机80的动作时间、发动机80的转数等进行规定。在使用模拟数据作为学习数据的情况下，工作油清洁度实测值342是作为模拟条件输入到模拟器的工作油的清洁度的值。

工作油清洁度估计模型生成部343使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了估计所使用的工作油的清洁度而使用的工作油清洁度估计模型。工作油清洁度估计模型可以是将线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310的在规定期间的时间序列数据输入到输入层并从输出层输出工作油清洁度的神经网络等。在该情况下，工作油清洁度估计模型生成部343通过以在将线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310的在规定期间的时间序列数据输入到了输入层时从输出层输出与工作油清洁度实测值342近似的值的方式调整神经网络的中间层，来使工作油清洁度估计模型学习。

工作油清洁度估计模型提供部344将由工作油清洁度估计模型生成部343生成的工作油清洁度估计模型提供给状态估计装置400。

探测信息获取部401获取线圈施加电流441、先导阀目标阀芯位置415以及先导阀实际阀芯位置410来作为探测信息。该探测信息是与为了生成工作油清洁度估计模型而使用的学习数据相同的规定期间的时间序列数据。

工作油清洁度估计部442使用由学习装置300生成的工作油清洁度估计模型来估计工作油的清洁度。工作油清洁度估计部442获取将由探测信息获取部401获取到的线圈施加电流441、先导阀目标阀芯位置415以及先导阀实际阀芯位置410的时间序列数据输入到工作油清洁度估计模型并从工作油清洁度估计模型输出的工作油清洁度来作为估计结果。

工作油清洁度估计结果输出部443输出由工作油清洁度估计部442估计出的结果。工作油清洁度估计结果输出部443基于所输出的工作油清洁度来判定是否需要进行工作油的清洁化、更换等保养，在判定为需要对工作油进行保养的情况下，可以通知该意思。例如，工作油清洁度估计结果输出部443可以在所输出的工作油的清洁度小于规定的阈值的情况下，判定为需要对工作油进行保养，也可以在工作油清洁度相对于初始值的变化量为规定的阈值以上的情况下，判定为需要对工作油进行保养。工作油清洁度估计结果输出部443可以估计直到需要对工作油进行保养为止的期间并输出该期间。例如，工作油清洁度估计结果输出部443可以使用将所输出的工作油清洁度作为变量的数式等来估计直到需要对工作油进行保养为止的期间。工作油清洁度估计模型可以构成为代替工作油清洁度而输出是否需要对工作油进行保养、或直到需要对工作油进行保养为止的期间，或者，除了工作油清洁度还输出是否需要对工作油进行保养、或直到需要对工作油进行保养为止的期间。

在与同一发动机80的多个气缸81对应地设置有多个液压伺服阀100的情况下，工作油清洁度估计部442可以基于在各个液压伺服阀100中所估计出的工作油清洁度来判定是否需要对工作油进行保养。在多个液压伺服阀100中循环使用共通的工作油的情况下，在任一个液压伺服阀100中估计出的工作油的清洁度小于规定的阈值的情况下，即使在其它的液压伺服阀100中估计出的工作油的清洁度为阈值以上，也可能因清洁度低的工作油进行循环而对其它的液压伺服阀100的动作造成影响。因而，在至少1个液压伺服阀100中所估计出的工作油的清洁度小于规定的阈值的情况下，工作油清洁度估计结果输出部443可以判定为需要对工作油进行保养。工作油清洁度估计结果输出部443也可以还基于工作油循环的顺序来判定是否需要对工作油进行保养。例如，可以使用于对上游侧的液压伺服阀100判定是否需要对工作油进行保养的阈值高于用于对下游侧的液压伺服阀100判定是否需要对工作油进行保养的阈值。工作油清洁度估计结果输出部443可以计算在多个液压伺服阀100中所估计出的工作油的清洁度的平均值等统计值，基于所计算出的统计值来判定是否需要对工作油进行保养。

可以根据线圈施加电流、先导阀目标阀芯位置、先导阀实际阀芯位置等计算与工作油的清洁度具有相关性的特征量。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。当工作油的清洁度降低而先导阀10的阀芯12与主体部10b之间的摩擦力增大时，认为阀芯12的速度或加速度降低，因此特征量计算部可以通过计算先导阀实际阀芯位置的变化率或变化率的变化率来计算先导阀10的阀芯12的速度或加速度。

工作油清洁度估计模型生成部343使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量，来生成工作油清洁度估计模型。工作油清洁度估计模型生成部343使用工作油清洁度实测值342和由特征量计算部315计算出的特征量来生成工作油清洁度估计模型。例如，工作油清洁度估计模型可以是将特征量作为输入变量来计算工作油清洁度的数式。在该情况下，工作油清洁度估计模型生成部343可以通过回归分析等统计方法来生成数式。工作油清洁度估计模型可以是将线圈施加电流或先导阀目标阀芯位置满足规定的条件时的阀芯12的速度或加速度作为输入变量来计算工作油清洁度的数式。例如，可以将线圈施加电流的峰值时的阀芯12的速度或加速度作为输入变量，也可以将阀芯12从中立位置移动时的阀芯12的速度或加速度作为输入变量。工作油清洁度估计模型生成部343可以使用线圈施加电流341、先导阀目标阀芯位置316、先导阀实际阀芯位置310以及特征量来生成工作油清洁度估计模型。例如，工作油清洁度估计模型可以是将线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到输入层并从输出层输出工作油清洁度的神经网络等。在该情况下，工作油清洁度估计模型生成部343通过以在将线圈施加电流341、先导阀目标阀芯位置316以及先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到了输入层时从输出层输出与工作油清洁度实测值342近似的值的方式调整神经网络的中间层，来使工作油清洁度估计模型学习。

状态估计装置400的特征量计算部414通过与在生成工作油清洁度估计部442所使用的工作油清洁度估计模型时由特征量计算部315计算特征量的方法相同的方法，根据由探测信息获取部401获取到的线圈施加电流441、先导阀目标阀芯位置415、或先导阀实际阀芯位置410计算特征量。在由探测信息获取部401获取到在与生成工作油清洁度估计模型时所使用的学习数据不同的环境中使用的液压伺服阀100的线圈施加电流441、先导阀目标阀芯位置415、先导阀实际阀芯位置410的情况下，特征量计算部414可以在调整环境的差异后计算特征量。由此，能够提高工作油清洁度估计的鲁棒性。

作为特征量，可以计算表示先导阀10的阀芯12的动作的特征的其它物理量等。例如，可以计算先导阀10的阀芯12的过冲量、延迟量等来作为特征量。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高工作油清洁度的估计的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高工作油清洁度的估计精度。

除了作为学习数据和探测信息而使用的数据以外，还可以使用发动机转数、发动机负荷、由液压泵42加压的工作油的压力、用于去除混入工作油中的异物的过滤器前后的工作油的压力或流量、工作油的温度、电源电压、电源电流等其它数据中的任一个、或它们的任意组合来作为学习数据和探测信息。也可以选择这些数据中的、能够作为环境因子而对线圈施加电流、先导阀目标阀芯位置、先导阀实际阀芯位置等数据造成影响的数据来使用。不只是工作油的清洁度，先导阀10的阀芯12滑动时的摩擦力也能够由于先导阀10的阀芯12或主体部10b的内壁的磨损而变化，因此也可以使用能够对先导阀10的阀芯12或主体部10b的内壁的磨损造成影响的因子、例如先导阀10的累积使用时间、阀芯12的累积移动距离等来作为学习数据和探测信息。通过生成反映出这些数据的影响的工作油清洁度估计模型，能够进一步提高工作油清洁度的估计的鲁棒性。

[实施例5：位置传感器断线探测]

在实施例5中，对探测用于探测主阀20的阀芯28的实际位置的位置传感器29发生了断线的情形的技术进行说明。当位置传感器29发生了断线时，无法再从位置传感器29接收表示阀芯28的正确的实际位置的信号，因此主阀20的实际阀芯位置偏离目标阀芯位置。如实施例3中所说明的那样，以往是在主阀20的实际阀芯位置偏离了目标阀芯位置的情况下发出警报，但是无法确定警报的原因。如果能够高精度地探测位置传感器29发生了断线的情形，则能够在发出了警报时确定警报的原因，从而迅速地采取适当的处置。

图17示意性地示出先导阀10的阀芯12和主阀20的阀芯28的动作。图17的(a)示出正常地控制液压伺服阀100的情况下的动作例。图17的(a)所示的动作例与图14的(a)所示的动作例相同。

图17的(b)示出主阀20的阀芯28的位置传感器29发生了断线的情况下的动作例。设为时刻t3之前的动作与图17的(a)相同，但是在时刻t6时主阀20的阀芯28的位置传感器29发生了断线。主阀20的实际阀芯位置的反馈信号在刚发生断线后急剧变动为异常值(例如，零)，以后保持为异常值并固定。在本图的例子中，由于主阀20的实际阀芯位置以从目标阀芯位置向正方向偏离的状态固定，因此为了使主阀20的阀芯28返回到目标阀芯位置，作为先导阀10的目标阀芯位置而持续输入负的最大值。因此，实际如虚线所示那样，主阀20的阀芯28向负方向持续移动，当到达负方向上的极限位置时，不再继续移动而是在极限位置静止。

像这样，先导阀10的阀芯12和主阀20的阀芯28的动作图案在正常时与位置传感器29发生了断线时有很大的不同。因而，通过将正常时的动作图案与位置传感器29发生了断线时的动作图案的差异模型化，能够探测位置传感器29的断线。即使在从发出用于通知主阀20的实际阀芯位置偏离了目标阀芯位置的警报起经过了时间的情况下，也能够根据日志数据检测位置传感器29发生了断线的历史记录，因此能够用作产生了动作不良的原因的证据。根据本实施例的技术，在发出了用于通知主阀20的实际阀芯位置偏离了目标阀芯位置的警报的情况下，能够准确地判别是由于实施例3中所说明的异物的卡入的原因、还是由于本实施例中说明的位置传感器29的断线的原因从而实施适当的保养。另外，对于因位置传感器29的接触不良等所致的振荡的发生，也能够通过将主阀20的实际阀芯位置和先导阀10的目标阀芯位置的动作图案模型化来准确地进行探测。由此，能够在位置传感器29发生断线之前探测出异常来实施适当的保养，因此能够防止因位置传感器29的断线而引起的动作不良的发生。

图18示出实施例5所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取主阀实际阀芯位置311、先导阀目标阀芯位置316以及位置传感器断线数据351来作为学习数据。

主阀实际阀芯位置311和先导阀目标阀芯位置316是在位置传感器断线数据351实际测量出的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

位置传感器断线数据351是表示主阀20的阀芯28的位置传感器29的断线的有无、定时、方式、原因等的数据。在使用日志数据作为学习数据的情况下，位置传感器断线数据351是位置传感器29实际发生了断线时的实测值。在使用试验数据作为学习数据的情况下，位置传感器断线数据351是使位置传感器29断线时的实测值。在使用模拟数据作为学习数据的情况下，位置传感器断线数据351是作为模拟条件输入到模拟器的数据。

位置传感器断线探测模型生成部353使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了探测位置传感器29的断线而使用的位置传感器断线探测模型。位置传感器断线探测模型可以是将主阀实际阀芯位置311和先导阀目标阀芯位置316的在规定期间的时间序列数据输入到输入层并从输出层输出位置传感器断线数据的神经网络等。在该情况下，位置传感器断线探测模型生成部353通过以在将主阀实际阀芯位置311和先导阀目标阀芯位置316的在规定期间的时间序列数据输入到了输入层时从输出层输出与位置传感器断线数据351近似的值的方式调整神经网络的中间层，来使位置传感器断线探测模型学习。

位置传感器断线探测模型提供部354将由位置传感器断线探测模型生成部353生成的位置传感器断线探测模型提供给状态估计装置400。

探测信息获取部401获取主阀实际阀芯位置411和先导阀目标阀芯位置415来作为探测信息。该探测信息是与为了生成位置传感器断线探测模型而使用的学习数据相同的规定期间的时间序列数据。

位置传感器断线探测部451使用由学习装置300生成的位置传感器断线探测模型来探测主阀20的阀芯28的位置传感器29的断线。位置传感器断线探测部451将由探测信息获取部401获取到的主阀实际阀芯位置411和先导阀目标阀芯位置415的时间序列数据输入到位置传感器断线探测模型，获取从位置传感器断线探测模型输出的位置传感器断线数据来作为判定结果。位置传感器断线探测部451可以基于所输出的位置传感器断线数据，来估计直到位置传感器29发生断线为止的期间。在该情况下，也可以通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的位置传感器断线数据进行比较，来估计直到位置传感器29发生断线为止的期间。

位置传感器断线探测结果输出部452输出由位置传感器断线探测部451判定出的结果。在由位置传感器断线探测部451探测出位置传感器29发生了断线的情况下，位置传感器断线探测结果输出部452可以通知该意思。位置传感器断线探测结果输出部452也可以输出由位置传感器断线探测部451估计出的直到位置传感器29发生断线为止的期间。

可以根据主阀实际阀芯位置或先导阀目标阀芯位置等来计算与位置传感器29的断线具有相关性的特征量。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。当主阀20的阀芯28的位置传感器29发生了断线时，主阀实际阀芯位置急剧变动为异常值，因此特征量计算部可以通过计算主阀实际阀芯位置的变化率或变化率的变化率来计算主阀20的阀芯28的速度或加速度。

位置传感器断线探测模型生成部353使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量，来生成位置传感器断线探测模型。位置传感器断线探测模型生成部353可以使用位置传感器断线数据351和由特征量计算部315计算出的特征量来生成位置传感器断线探测模型。位置传感器断线探测模型生成部353可以使用主阀实际阀芯位置311、先导阀目标阀芯位置316以及特征量来生成位置传感器断线探测模型。例如，位置传感器断线探测模型可以是将主阀实际阀芯位置311和先导阀目标阀芯位置316的在规定期间的时间序列数据、以及该规定期间的特征量输入到输入层并从输出层输出位置传感器断线数据的神经网络等。在该情况下，位置传感器断线探测模型生成部353通过以在将主阀实际阀芯位置311和先导阀目标阀芯位置316的在规定期间的时间序列数据、以及该规定期间的特征量输入到了输入层时从输出层输出与位置传感器断线数据351近似的值的方式调整神经网络的中间层，来使位置传感器断线探测模型学习。

状态估计装置400的特征量计算部414通过与在生成位置传感器断线探测部451所使用的位置传感器断线探测模型时由特征量计算部315计算特征量的方法相同的方法，根据由探测信息获取部401获取到的主阀实际阀芯位置411或先导阀目标阀芯位置415计算特征量。在由探测信息获取部401获取到在与生成位置传感器断线探测模型时所使用的学习数据不同的环境中使用的液压伺服阀100的主阀实际阀芯位置411和先导阀目标阀芯位置415的情况下，特征量计算部414可以在调整环境的差异后计算特征量。由此，能够提高位置传感器断线探测的鲁棒性。

作为特征量，可以计算表示主阀20的阀芯28的动作的特征的其它物理量等。例如，可以计算主阀20的阀芯28的过冲量、延迟量等来作为特征量。

作为学习数据和探测信息，可以取代先导阀目标阀芯位置而使用先导阀实际阀芯位置，或者，除了先导阀目标阀芯位置以外还使用先导阀实际阀芯位置。在该情况下，可以与实施例1-4同样地，学习装置300具备偏移时间计算部319以调整直到先导阀10的实际阀芯位置追随先导阀的目标阀芯位置为止所需要的偏移时间。计算偏移时间的方法可以与实施例1-2相同。作为学习数据和探测信息，可以使用先导阀目标阀芯位置、先导阀实际阀芯位置、主阀目标阀芯位置以及主阀实际阀芯位置中的任意2个以上的位置的组合。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高位置传感器29的断线探测的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高位置传感器29的断线的探测精度。

[实施例6：位置传感器松动探测]

在实施例6中，对探测如下情形的技术进行说明：因用于固定用于探测主阀20的阀芯28的实际位置的位置传感器29的螺钉松动等而位置传感器29的位置偏移。当位置传感器29的位置偏移时，主阀实际阀芯位置的反馈信号与主阀20的阀芯28的实际的位置之间产生偏移，因此无法再正常地控制主阀20的阀芯28，有时引起发动机80等控制对象动作不良。如果能够高精度地探测位置传感器29的位置偏移的情形，则能够迅速地采取紧固螺钉、或者更换位置传感器29等适当的处置。

图19示出主阀20的阀芯28的位置传感器29的状态。图19的(a)示出正常地安装了位置传感器29的状态。位置传感器29被拧入在阀芯28的上端切削出的内螺纹30。当该螺钉松动时，如图19的(b)所示，在位置传感器29与阀芯28之间产生间隙，因此阀芯28的位置向下方偏移与该间隙d相应的量。但是，由于阀芯28的位置通过位置传感器29来探测，因此图19的(a)的情况和图19的(b)的情况都探测相同的位置，无法探测向下方偏移了的实际的阀芯28的位置。在图19的(b)的状态中，尽管看起来主阀实际阀芯位置正确地追随主阀目标阀芯位置，但阀芯28的实际的位置也向主阀目标阀芯位置的更下方进行了偏移，因此控制对象的动作产生问题。在本实施例中，由于供给到用于向发动机80的气缸81供给燃料的燃料喷射致动器的控制油的量减少，供给到气缸81的燃料的量减少，因此气缸81内的压力或从气缸81排出的排气的温度降低，从而发出警报。

像这样，在由于位置传感器29的松动而位置偏移了的情况下，主阀实际阀芯位置追随主阀目标阀芯位置，但气缸81的压力和排气温度降低。因而，在气缸81的压力或排气温度等发生异常而发出了警报的情况下，通过确认主阀实际阀芯位置是否追随了主阀目标阀芯位置，能够确定原因是否为位置传感器29的异常。即使在从发出用于通知发动机80的异常的警报起经过了时间的情况下，也能够根据日志数据来检测位置传感器29松动了的情形，因此用作产生了动作不良的原因的证据。由此，能够准确地探测位置传感器29的松动来实施适当的保养，因此能够降低为了改善发动机80的动作不良而需要的保养的费用、工时。

图20示出实施例6所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取主阀实际阀芯位置311、主阀目标阀芯位置330、气缸排气温度361以及位置传感器松动数据362来作为学习数据。

主阀实际阀芯位置311、主阀目标阀芯位置330以及气缸排气温度361是在实际测量出位置传感器松动数据362的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

位置传感器松动数据362是表示主阀20的阀芯28的位置传感器29的位置偏移的有无、程度、方式、原因等的数据。在使用日志数据作为学习数据的情况下，位置传感器松动数据362是位置传感器29实际发生了偏移时的实测值。在使用试验数据作为学习数据的情况下，位置传感器松动数据362是使位置传感器29进行了偏移时的实测值。在使用模拟数据作为学习数据的情况下，位置传感器松动数据362是作为模拟条件输入到模拟器的数据。

位置传感器松动探测模型生成部363使用由学习数据获取部301获取到的学习数据，来生成在状态估计装置400中为了探测位置传感器29的松动而使用的位置传感器松动探测模型。位置传感器松动探测模型可以是将主阀实际阀芯位置311、主阀目标阀芯位置330以及气缸排气温度361的在规定期间的时间序列数据输入到输入层并从输出层输出位置传感器松动数据的神经网络等。在该情况下，位置传感器松动探测模型生成部363通过以在将主阀实际阀芯位置311、主阀目标阀芯位置330以及气缸排气温度361的在规定期间的时间序列数据输入到了输入层时从输出层输出与位置传感器松动数据362近似的值的方式调整神经网络的中间层，来使位置传感器松动探测模型学习。

位置传感器松动探测模型提供部364将由位置传感器松动探测模型生成部363生成的位置传感器松动探测模型提供给状态估计装置400。

探测信息获取部401获取主阀实际阀芯位置411、主阀目标阀芯位置430以及气缸排气温度461来作为探测信息。该探测信息是与为了生成位置传感器松动探测模型而使用的学习数据相同的规定期间的时间序列数据。

位置传感器松动探测部462使用由学习装置300生成的位置传感器松动探测模型来探测主阀20的阀芯28的位置传感器29的松动。位置传感器松动探测部462将由探测信息获取部401获取到的主阀实际阀芯位置411、主阀目标阀芯位置430以及气缸排气温度461的时间序列数据输入到位置传感器松动探测模型，获取从位置传感器松动探测模型输出的位置传感器松动数据来作为判定结果。位置传感器松动探测部462可以基于所输出的位置传感器松动数据，来估计直到位置传感器29偏移规定值以上为止的期间。在该情况下，也可以通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的位置传感器松动数据进行比较，来估计直到位置传感器29偏移规定值以上为止的期间。

在与同一发动机80的多个气缸81对应地设置有多个液压伺服阀100的情况下，位置传感器松动探测部462可以基于在各个液压伺服阀100中所估计出的位置传感器松动数据来探测位置传感器29的松动。例如，位置传感器松动探测部462可以通过将各个气缸81的排气温度进行比较，来探测位置传感器29的松动。位置传感器松动探测部462可以在某个气缸81的排气温度比其它的气缸81的排气温度的平均值低规定值以上的情况下，判定为设置于该气缸81中的液压伺服阀100的位置传感器29松动了。

位置传感器松动探测结果输出部463输出由位置传感器松动探测部462判定出的结果。位置传感器松动探测结果输出部463在由位置传感器松动探测部462探测出位置传感器29松动了的情况下，可以通知该意思。位置传感器松动探测结果输出部463可以输出由位置传感器松动探测部462估计出的直到位置传感器29偏移规定值以上为止的期间。

可以根据主阀实际阀芯位置、主阀目标阀芯位置、或气缸排气温度等计算与位置传感器29的松动具有相关性的特征量。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。主阀20的阀芯28的位置传感器29的松动的程度越大，则主阀实际阀芯位置与实际的阀芯28的位置的偏移越大，因此认为气缸的排气温度或压力相对于正常值的降低量越大。因而，特征量计算部可以计算气缸的排气温度或压力相对于正常值的降低量、变化率、变化率的变化率等来作为特征量。

位置传感器松动探测模型生成部363使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量来生成位置传感器松动探测模型。例如，位置传感器松动探测模型可以是将特征量作为输入变量来计算位置传感器松动数据的数式。在该情况下，位置传感器松动探测模型生成部363可以通过回归分析等统计方法来生成数式。位置传感器松动探测模型生成部363可以使用位置传感器松动数据362和由特征量计算部315计算出的特征量来生成位置传感器松动探测模型。位置传感器松动探测模型生成部363可以使用主阀实际阀芯位置311、主阀目标阀芯位置330以及特征量来生成位置传感器松动探测模型。例如，位置传感器松动探测模型可以是将主阀实际阀芯位置311和主阀目标阀芯位置330的在规定期间的时间序列数据、以及该规定期间的特征量输入到输入层并从输出层输出位置传感器松动数据的神经网络等。在该情况下，位置传感器松动探测模型生成部363通过以将主阀实际阀芯位置311和主阀目标阀芯位置330的在规定期间的时间序列数据、以及该规定期间的特征量输入到了输入层时从输出层输出与位置传感器松动数据362近似的值的方式调整神经网络的中间层，来使位置传感器松动探测模型学习。

状态估计装置400的特征量计算部414通过与在生成位置传感器松动探测部462所使用的位置传感器松动探测模型时由特征量计算部315计算特征量的方法相同的方法，根据由探测信息获取部401获取到的主阀实际阀芯位置411、主阀目标阀芯位置430、或气缸排气温度461计算特征量。在由探测信息获取部401获取到在与生成位置传感器松动探测模型时所使用的学习数据不同的环境中使用的液压伺服阀100的主阀实际阀芯位置411、主阀目标阀芯位置430、或气缸排气温度461的情况下，特征量计算部414可以在调整环境的差异后计算特征量。由此，能够提高位置传感器松动探测的鲁棒性。

作为特征量，可以计算表示主阀20的阀芯28的动作的特征的其它物理量等。例如，可以计算主阀20的阀芯28的过冲量、延迟量等来作为特征量。

作为学习数据和探测信息，可以代替气缸排气温度而使用气缸81的压力或压力的最大值，或者，除了气缸排气温度以外还使用气缸81的压力或压力的最大值。另外，作为学习数据和探测信息，可以使用表示由液压伺服阀100控制的控制对象的状态、动作是否良好等的各种数据。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高位置传感器松动探测的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高位置传感器松动的探测精度。

[实施例7：先导阀的中立位置偏移探测]

在实施例7中，对用于探测先导阀10的阀芯12的中立位置发生了偏移的技术进行说明。在将中立位置指示为先导阀目标阀芯位置时，在先导阀10正常地动作的情况下，阀芯12移动到中立位置，向主阀20进行的工作油的供给和回收被停止，主阀20的阀芯28在主阀目标阀芯位置静止。但是，如果由于一些原因而阀芯12的中立位置偏移时，无法再正常地控制向主阀20进行的工作油的供给和回收，有时引起发动机80等控制对象动作不良。如果能够高精度地探测先导阀10的阀芯12的中立位置偏移的情形，则能够迅速地采取对先导阀10的控制系统进行保养、或者更换先导阀10等适当的处置。

作为先导阀10的阀芯12的中立位置偏移的原因，主要有2种情况。一种情况是，由于用于探测先导阀10的阀芯12的位置的位置传感器19的异常、用于驱动阀芯12的电气系统的异常等而无法使阀芯12精确地移动到中立位置这样的电气原因。另一种情况是，由于阀芯12或主体部10b不均匀磨损，从而即使阀芯12处于中立位置，也无法形成为阀体14将A端口16a阻断以不与P端口16p及T端口16t这两方连通这样的机械原因。无论在哪种情况下，都是在将中立位置指定为先导阀目标阀芯位置时，由于主阀20的阀芯28移动而不静止，因此主阀实际阀芯位置的反馈信号相对于主阀目标阀芯位置偏移，对先导阀10进行控制以校正该偏移。像这样，先导阀10的阀芯12和主阀20的阀芯28的动作图案在正常时与先导阀10的阀芯12的中立位置偏移时有很大的不同。因而，通过将正常时的动作图案与阀芯12的中立位置偏移时的动作图案的差异模型化，能够探测阀芯12的中立位置偏移。动作图案也能够根据从阀芯12的中立位置偏移的程度或原因等而不同，因此不仅能够探测阀芯12的中立位置偏移的有无，还能够探测中立位置偏移的原因、偏移的大小等。

在阀芯12不均匀磨损的情况下，即使阀芯12处于正确的中立位置也无法通过阀体14将A端口16a阻断，因此工作油从A端口16a漏出。通过实际测量该内部漏油量，能够确定阀芯12的中立位置偏移是由不均匀磨损引起的还是由电气原因引起的。内部漏油量可以通过对先导阀10设置流量计来进行测定，也可以在对先导阀10进行保养时通过外部的流量计进行测定，还可以通过实施例1的技术进行估计。

当产生先导阀10的阀芯12的中立位置偏移时，在作为控制对象的发动机80中，气缸81的压力、排气温度等发生异常而发出警报。在发出了警报的情况下，通过确认先导阀10的阀芯12和主阀20的阀芯28的动作图案，能够确定原因是实施例6中所说明的位置传感器29的异常、或者原因是先导阀10的阀芯12的中立位置偏移。另外，在原因是先导阀10的阀芯12的中立位置偏移的情况下，通过确认内部漏油量，能够确定是由于电气原因导致中立位置偏移、还是由于机械原因导致中立位置偏移。由此，能够准确地判定发动机80的动作不良的原因，并根据原因来实施适当的保养，因此能够降低改善发动机80的动作不良所需要的保养的费用或工时。此外，在液压伺服阀100的反馈控制中执行PID控制的情况下，通过积分成分(I成分)来校正一定程度的偏移量，但是根据本实施例的技术，即使通过PID控制校正了中立位置偏移的情况下，也能够准确地探测先导阀10的阀芯12的中立位置偏移。另外，在执行P控制或PD控制的情况下，由于不对偏移量进行校正，因此本实施例的技术是特别有效的。

图21示出实施例7所涉及的学习装置和状态估计装置的结构。在本实施例的学习装置300中，学习数据获取部301获取主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀实际阀芯位置310、气缸排气温度361以及中立位置偏移数据371来作为学习数据。

主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀实际阀芯位置310以及气缸排气温度361是在实际测量出中立位置偏移数据371的时间点之前或之后的规定期间内使用了液压伺服阀100时的时间序列数据。这些时间序列数据可以是发动机80的旋转动作的1个～数个周期的时间序列数据。

中立位置偏移数据371是表示先导阀10的阀芯12的中立位置偏移的有无、程度、原因等的数据。在使用日志数据作为学习数据的情况下，中立位置偏移数据371是实际产生了阀芯12的中立位置偏移时的实测值。在使用试验数据作为学习数据的情况下，中立位置偏移数据371是使得产生了阀芯12的中立位置偏移时的实测值。在使用模拟数据作为学习数据的情况下，中立位置偏移数据371是作为模拟条件输入到模拟器的数据。

中立位置偏移探测模型生成部373使用由学习数据获取部301获取到的学习数据，生成在状态估计装置400中为了探测先导阀10的阀芯12的中立位置偏移而使用的中立位置偏移探测模型。中立位置偏移探测模型可以是将主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀实际阀芯位置310以及气缸排气温度361的在规定期间的时间序列数据输入到输入层并从输出层输出中立位置偏移数据的神经网络等。在该情况下，中立位置偏移探测模型生成部373通过以在将主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀实际阀芯位置310以及气缸排气温度361的在规定期间的时间序列数据输入到了输入层时从输出层输出与中立位置偏移数据371近似的值的方式调整神经网络的中间层，来使中立位置偏移探测模型学习。

中立位置偏移探测模型提供部374将由中立位置偏移探测模型生成部373生成的中立位置偏移探测模型提供给状态估计装置400。

探测信息获取部401获取主阀实际阀芯位置411、主阀目标阀芯位置430、先导阀实际阀芯位置410以及气缸排气温度461来作为探测信息。该探测信息是与为了生成中立位置偏移探测模型而使用的学习数据相同的规定期间的时间序列数据。

中立位置偏移探测部472使用由学习装置300生成的中立位置偏移探测模型来探测先导阀10的阀芯12的中立位置偏移。中立位置偏移探测部472将由探测信息获取部401获取到的主阀实际阀芯位置411、主阀目标阀芯位置430、先导阀实际阀芯位置410以及气缸排气温度461的时间序列数据输入到中立位置偏移探测模型，获取从中立位置偏移探测模型输出的中立位置偏移数据来作为判定结果。中立位置偏移探测部472可以基于所输出的中立位置偏移数据，来估计直到先导阀10的阀芯12的中立位置相对于实际的中立位置偏移规定值以上为止的期间。在该情况下，可以通过将与同一发动机80的多个气缸81对应地设置的多个液压伺服阀100的中立位置偏移数据进行比较，来估计直到先导阀10的阀芯12的中立位置相对于实际的中立位置偏移规定值以上为止的期间。

在与同一发动机80的多个气缸81对应地设置有多个液压伺服阀100的情况下，中立位置偏移探测部472可以基于各个液压伺服阀100中所估计出的中立位置偏移数据来探测先导阀10的阀芯12的中立位置偏移。例如，中立位置偏移探测部472可以通过将各个气缸81的排气温度进行比较，来探测先导阀10的阀芯12的中立位置偏移。中立位置偏移探测部472可以在某个气缸81的排气温度比其它的气缸81的排气温度的平均值低规定值以上的情况下，判定为设置于该气缸81中的液压伺服阀100的先导阀10的阀芯12的中立位置发生了偏移。

中立位置偏移探测结果输出部473输出由中立位置偏移探测部472判定出的结果。在由中立位置偏移探测部472探测出先导阀10的阀芯12的中立位置发生了偏移的情况下，中立位置偏移探测结果输出部473可以通知该意思。中立位置偏移探测结果输出部473可以输出由中立位置偏移探测部472估计出的直到先导阀10的阀芯12的中立位置偏移规定值以上为止的期间。

可以根据主阀实际阀芯位置、主阀目标阀芯位置、先导阀实际阀芯位置、或气缸排气温度等计算与先导阀10的阀芯12的中立位置偏移具有相关性的特征量。在该情况下，可以与实施例1-2同样地，学习装置300还具备特征量计算部315，状态估计装置400还具备特征量计算部414。先导阀10的阀芯12的中立位置偏移的程度越大，则主阀实际阀芯位置相对于主阀目标阀芯位置偏移的程度越大，因此认为气缸的排气温度或压力相对于正常值的变动量越大。因而，特征量计算部可以计算气缸的排气温度或压力相对于正常值的变动量、变化率、变化率的变化率等来作为特征量。

中立位置偏移探测模型生成部373使用由学习数据获取部301获取到的学习数据和由特征量计算部315计算出的特征量来生成中立位置偏移探测模型。例如，中立位置偏移探测模型可以是将特征量作为输入变量来计算中立位置偏移数据的数式。在该情况下，中立位置偏移探测模型生成部373可以通过回归分析等统计方法来生成数式。中立位置偏移探测模型生成部373可以使用中立位置偏移数据371和由特征量计算部315计算出的特征量来生成中立位置偏移探测模型。中立位置偏移探测模型生成部373可以使用主阀实际阀芯位置311、主阀目标阀芯位置330、先导阀实际阀芯位置310以及特征量来生成中立位置偏移探测模型。例如，中立位置偏移探测模型可以是将主阀实际阀芯位置311、主阀目标阀芯位置330以及先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到输入层并从输出层输出中立位置偏移数据的神经网络等。在该情况下，中立位置偏移探测模型生成部373通过以在将主阀实际阀芯位置311、主阀目标阀芯位置330以及先导阀实际阀芯位置310的在规定期间的时间序列数据、以及该规定期间的特征量输入到了输入层时从输出层输出与中立位置偏移数据371近似的值的方式调整神经网络的中间层，来使中立位置偏移探测模型学习。

状态估计装置400的特征量计算部414通过与在生成中立位置偏移探测部472所使用的中立位置偏移探测模型时由特征量计算部315计算特征量的方法相同的方法，根据由探测信息获取部401获取到的主阀实际阀芯位置411、主阀目标阀芯位置430、先导阀实际阀芯位置410、或气缸排气温度461来计算特征量。在由探测信息获取部401获取到在与生成中立位置偏移探测模型时所使用的学习数据不同的环境中使用的液压伺服阀100的主阀实际阀芯位置411、主阀目标阀芯位置430、先导阀实际阀芯位置410、或气缸排气温度461的情况下，特征量计算部414可以在调整环境的差异后计算特征量。由此，能够提高中立位置偏移探测的鲁棒性。

作为特征量，可以计算表示先导阀10的阀芯12或主阀20的阀芯28的动作的特征的其它物理量等。例如，可以计算先导阀10的阀芯12或主阀20的阀芯28的加速度、速度、过冲量、延迟量等来作为特征量。

作为学习数据和探测信息，可以代替气缸排气温度而使用气缸81的压力或压力的最大值，或者，除了气缸排气温度以外还使用气缸81的压力或压力的最大值。另外，作为学习数据和探测信息，可以使用表示由液压伺服阀100控制的控制对象的状态、动作是否良好等的各种数据。

作为学习数据和探测信息，可以取代先导阀实际阀芯位置而使用先导阀目标阀芯位置，或者，除了先导阀实际阀芯位置以外还使用先导阀目标阀芯位置。在该情况下，可以与实施例1-4同样地，学习装置300具备偏移时间计算部319以调整直到先导阀10的实际阀芯位置追随先导阀的目标阀芯位置为止所需要的偏移时间。计算偏移时间的方法可以与实施例1-2相同。作为学习数据和探测信息，可以使用先导阀目标阀芯位置、先导阀实际阀芯位置、主阀目标阀芯位置以及主阀实际阀芯位置中的任意2个以上的位置的组合。

作为学习数据和探测信息，可以使用在特定的环境中使用了液压伺服阀100时所记录的数据。在该情况下，可以与实施例1-5同样地，学习装置300还具备数据选择部320，状态估计装置400还具备数据选择部417。数据选择部320和数据选择部417可以选择在使先导阀10的阀芯12以特定的图案进行动作的试验模式中使液压伺服阀100进行了动作时所记录的数据。由此，能够提高中立位置偏移的探测的鲁棒性。数据选择部320和数据选择部417可以选择在发动机80被停止、正在执行阀芯的粘连防止动作时所记录的数据。由此，能够抑制干扰的影响，提高中立位置偏移的探测精度。

以上的实施例1～7中所说明的特征可以任意地组合来应用。

以上详细地说明了本发明的实施方式的例子。上述的实施方式都只是表示实施本发明时的具体例的方式。实施方式的内容不是对本发明的保护范围进行限定，能够在不脱离权利要求书所规定的发明的思想的范围内进行构成要素的变更、追加、删除等很多的设计变更。在上述的实施方式中，关于能够进行这种设计变更的内容，标注“实施方式的”、“在实施方式中”等表述进行了说明，但是并非没有这种表述的内容不被允许进行设计变更。

[变形例]

下面，对变形例进行说明。在变形例的附图和说明中，对与实施方式相同或同等的构成要素、构件标注相同的标记。适当省略与实施方式重复的说明，并重点说明与实施方式不同的结构。

在实施方式的说明中，示出了液压伺服阀100的先导阀10为3端口的阀的例子，但是本发明并不限定于此。液压伺服阀100也可以为其它形式的阀。

在实施方式的说明中，示出了液压伺服阀100的先导阀10对主阀20进行控制的例子，但是本发明并不限定于此。先导阀10的控制对象可以为其它任意的致动器。

在实施方式的说明中，示出了液压伺服阀100对船舶2的发动机80进行控制所使用的例子，但是本发明并不限定于此。液压伺服阀100可以用于对任意的控制对象进行控制。

上述的变形例起到与实施方式同样的作用、效果。

上述的实施方式与变形例的任意的组合作为本发明的实施方式也是有用的。通过组合而产生的新的实施方式兼具被组合的实施方式和变形例各自的效果。

[本发明的方式]

本发明的某个方式是状态估计装置。该状态估计装置具备获取部和估计部，获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向控制阀供给电力的电源电路的输入电压或输出电压的值，估计部基于由获取部获取到的探测信息来估计电源电路的异常。根据该方式，能够估计控制阀中的电源电路的异常，因此能够根据控制阀的状态进行适当的应对。

可以为，估计部使用估计基准来估计电源电路的异常，该估计基准用于基于数据集的探测信息来估计电源电路的异常。根据该方式，能够提高电源电路的异常的估计精度。

可以为，估计基准是在规定期间内使用了控制阀或与控制阀相同类型的控制阀时的数据集的值同在规定期间计算出的表示电源电路的异常的前兆的指标值之间的关系生成的。根据该方式，能够提高电源电路的异常的估计精度。

可以为，指标值是基于电源电路的累积动作时间、构成电源电路的元件的物理量、或从电源电路释放的发射噪声的值计算出的。根据该方式，能够提高电源电路的异常的估计精度。

估计基准是基于根据数据集的值计算的特征量与指标值之间的关系生成的，估计部根据由获取部获取到的探测信息计算特征量，基于计算出的特征量来估计电源电路的异常。根据该方式，能够提高电源电路的异常的估计精度。

可以为，特征量是与供给到控制阀的电流的峰值对应的电源电路的输入电压或输出电压的下降量。根据该方式，能够使用与电源电路的异常之间具有高相关性的特征量来估计电源电路的异常，因此能够提高电源电路的异常的估计精度。

可以为，获取部获取如下的使用环境中的数据集的探测信息，该使用环境是同为了生成估计基准而使用的数据集的值被记录时的控制阀或与控制阀相同类型的控制阀的使用环境同样的环境。根据该方式，能够提高电源电路的异常的估计的鲁棒性。

可以为，使用环境是控制阀或与控制阀相同类型的控制阀的控制对象被停止、并且正在进行第一可动部和第二可动部的粘连防止动作的状况。根据该方式，能够提高电源电路的异常的估计的鲁棒性。

可以为，状态估计装置还具备通知部，在由估计部估计为电源电路存在异常的情况下，该通知部通知该意思。根据该方式，能够准确地掌握控制阀的电源电路的异常，能够根据控制阀的状态进行适当的应对。

可以为，通知部估计直到电源电路发生异常为止的时间并进行通知。根据该方式，能够准确地预测控制阀的电源电路的异常，能够根据控制阀的状态进行适当的应对。

可以为，控制阀是用于调整向发动机供给的燃料的量的控制阀。根据该方式，能够准确地掌握用于控制发动机的控制阀的异常，能够根据控制阀的状态进行适当的应对。

本发明的另一方式是控制阀。该控制阀具备第一可动部、获取部以及估计部，第一可动部的位置根据用于指定位置的控制信号而变化，第一可动部根据位置来控制工作流体的流量，获取部获取数据集的探测信息，该数据集包含：第一可动部的目标位置或实际位置、或者位置根据工作流体的流量而变化的第二可动部的目标位置或实际位置；以及向该控制阀供给电力的电源电路的输入电压或输出电压的值，估计部基于由获取部获取到的探测信息，来估计电源电路的异常。根据该方式，能够估计控制阀中的电源电路的异常，因此能够根据控制阀的状态进行适当的应对。

本发明的另一方式是状态估计程序。该状态估计程序使计算机作为获取部和估计部而发挥功能，该获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置、以及向控制阀供给电力的电源电路的输入电压或输出电压的值，该估计部基于由获取部获取到的探测信息，来估计电源电路的异常。根据该方式，能够估计控制阀中的电源电路的异常，因此能够根据控制阀的状态进行适当的应对。

本发明另一方式是状态估计方法。该状态估计方法使计算机执行以下步骤：获取步骤，获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置或实际位置、或者根据工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向控制阀供给电力的电源电路的输入电压或输出电压的值；以及基于在获取步骤中获取到的探测信息，来估计电源电路的异常。根据该方式，能够估计控制阀中的电源电路的异常，因此能够根据控制阀的状态进行适当的应对。

本发明的某个方式是状态估计装置。该状态估计装置具备：获取部，其获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及估计部，其基于由获取部获取到的探测信息，来估计第一可动部的异常。根据该方式，能够估计控制阀中的第一可动部的异常，因此能够根据控制阀的状态进行适当的应对。

可以为，估计部使用估计基准来估计第一可动部的异常，该估计基准用于基于数据集的探测信息来估计第一可动部的异常。根据该方式，能够提高第一可动部的异常的估计精度。

可以为，估计基准是基于在异物卡入第一可动部的时间点之后或之后的规定期间内使用了控制阀或与控制阀相同类型的控制阀时的数据集的值、同与卡入第一可动部的异物有关的信息之间的关系生成的。根据该方式，能够提高第一可动部的异常的估计精度。

可以为，与异物有关的信息是异物的有无、种类、大小或量。根据该方式，能够提高第一可动部的异常的估计精度。

可以为，获取部获取如下的使用环境中的数据集的探测信息，该使用环境是同为了生成估计基准而使用的数据集的值被记录时的控制阀或与控制阀相同类型的控制阀的使用环境同样的环境。根据该方式，能够提高第一可动部的异常的估计的鲁棒性。

可以为，使用环境是控制阀或与控制阀相同类型的控制阀的控制对象被停止、并且正在进行第一可动部和第二可动部的粘连防止动作的状况。根据该方式，能够提高第一可动部的异常的估计的鲁棒性。

可以为，状态估计装置还具备通知部，在由估计部估计为第一可动部存在异常的情况下，该通知部通知该意思。根据该方式，能够准确地掌握控制阀的第一可动部的异常，能够根据控制阀的状态进行适当的应对。

可以为，通知部估计直到第一可动部发生异常为止的时间并进行通知。根据该方式，能够准确地预测控制阀的第一可动部的异常，能够根据控制阀的状态进行适当的应对。

可以为，控制阀是用于调整向发动机供给的燃料的量的控制阀。根据该方式，能够准确地掌握用于控制发动机的控制阀的异常，能够根据控制阀的状态进行适当的应对。

本发明的另一方式是控制阀。该控制阀具备：第一可动部，其位置根据用于指定位置的控制信号而变化，根据位置来控制工作流体的流量；获取部，其获取数据集的探测信息，该数据集包含第一可动部的目标位置和实际位置以及位置根据工作流体的流量而变化的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及估计部，其基于由获取部获取到的探测信息，来估计第一可动部的异常。根据该方式，能够估计控制阀中的第一可动部的异常，因此能够根据控制阀的状态进行适当的应对。

本发明的另一方式是状态估计程序。该状态估计程序使计算机作为获取部和估计部而发挥功能的程序，该获取部获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合，该估计部基于由获取部获取到的探测信息，来估计第一可动部的异常。根据该方式，能够估计控制阀中的第一可动部的异常，因此能够根据控制阀的状态进行适当的应对。

本发明另一方式是状态估计方法。该状态估计方法使计算机执行以下步骤：获取步骤，获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的第一可动部的目标位置和实际位置以及根据工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及基于在获取步骤中获取到的探测信息，来估计第一可动部的异常。根据该方式，能够估计控制阀中的第一可动部的异常，因此能够根据控制阀的状态进行适当的应对。

Claims (26)

1.一种状态估计装置，具备获取部和估计部，

所述获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置或实际位置、或者根据所述工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向所述控制阀供给电力的电源电路的输入电压或输出电压的值，

所述估计部基于由所述获取部获取到的探测信息，来估计所述电源电路的异常。

2.根据权利要求1所述的状态估计装置，其中，

所述估计部使用估计基准来估计所述电源电路的异常，该估计基准用于基于所述数据集的探测信息来估计所述电源电路的异常。

3.根据权利要求2所述的状态估计装置，其中，

所述估计基准是在规定期间内使用了所述控制阀或与所述控制阀相同类型的控制阀时的所述数据集的值同在所述规定期间计算出的表示所述电源电路的异常的前兆的指标值之间的关系生成的。

4.根据权利要求3所述的状态估计装置，其中，

所述指标值是基于所述电源电路的累积动作时间、构成所述电源电路的元件的物理量、或从所述电源电路释放的发射噪声的值计算出的。

5.根据权利要求3或4所述的状态估计装置，其中，

所述估计基准是基于根据所述数据集的值计算的特征量与所述指标值之间的关系生成的，

所述估计部根据由所述获取部获取到的探测信息计算所述特征量，基于计算出的特征量来估计所述电源电路的异常。

6.根据权利要求5所述的状态估计装置，其中，

所述特征量是与供给到所述控制阀的电流的峰值对应的所述电源电路的输入电压或输出电压的下降量。

7.根据权利要求2至4中的任一项所述的状态估计装置，其中，

所述获取部获取如下的使用环境中的所述数据集的探测信息，该使用环境是同为了生成所述估计基准而使用的所述数据集的值被记录时的控制阀或与所述控制阀相同类型的控制阀的使用环境同样的环境。

8.根据权利要求7所述的状态估计装置，其中，

所述使用环境是所述控制阀或与所述控制阀相同类型的控制阀的控制对象被停止、并且正在进行所述第一可动部和所述第二可动部的粘连防止动作的状况。

9.根据权利要求1至4中的任一项所述的状态估计装置，其中，

还具备通知部，在由所述估计部估计为所述电源电路存在异常的情况下，该通知部通知该意思。

10.根据权利要求9所述的状态估计装置，其中，

所述通知部估计直到所述电源电路发生异常为止的时间并进行通知。

11.根据权利要求1至4中的任一项所述的状态估计装置，其中，

所述控制阀是用于调整向发动机供给的燃料的量的控制阀。

12.一种控制阀，具备第一可动部、获取部以及估计部，

所述第一可动部的位置根据用于指定位置的控制信号而变化，所述第一可动部根据位置来控制工作流体的流量，

所述获取部获取数据集的探测信息，该数据集包含：所述第一可动部的目标位置或实际位置、或者位置根据所述工作流体的流量而变化的第二可动部的目标位置或实际位置；以及向该控制阀供给电力的电源电路的输入电压或输出电压的值，

所述估计部基于由所述获取部获取到的探测信息，来估计所述电源电路的异常。

13.一种计算机可读入的存储介质，存储有用于使计算机作为获取部和估计部而发挥功能的状态估计程序，

该获取部获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置或实际位置、或者根据所述工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向所述控制阀供给电力的电源电路的输入电压或输出电压的值，

该估计部基于由所述获取部获取到的探测信息，来估计所述电源电路的异常。

14.一种状态估计方法，使计算机执行以下步骤：

获取步骤，获取数据集的探测信息，该数据集包含：根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置或实际位置、或者根据所述工作流体的流量而改变位置的第二可动部的目标位置或实际位置；以及向所述控制阀供给电力的电源电路的输入电压或输出电压的值；以及

基于在所述获取步骤中获取到的探测信息，来估计所述电源电路的异常。

15.一种状态估计装置，具备：

获取部，其获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置和实际位置以及根据所述工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及

估计部，其基于由所述获取部获取到的探测信息，来估计所述第一可动部的异常。

16.根据权利要求15所述的状态估计装置，其中，

所述估计部使用估计基准来估计所述第一可动部的异常，该估计基准用于基于所述数据集的探测信息来估计所述第一可动部的异常。

17.根据权利要求16所述的状态估计装置，其中，

所述估计基准是基于在异物卡入所述第一可动部的时间点之前或之后的规定期间内使用了所述控制阀或与所述控制阀相同类型的控制阀时的所述数据集的值、同与卡入所述第一可动部的异物有关的信息之间的关系生成的。

18.根据权利要求17所述的状态估计装置，其中，

与所述异物有关的信息是所述异物的有无、种类、大小或量。

19.根据权利要求16至18中的任一项所述的状态估计装置，其中，

所述获取部获取如下的使用环境中的所述数据集的探测信息，该使用环境是同为了生成所述估计基准而使用的所述数据集的值被记录时的控制阀或与所述控制阀相同类型的控制阀的使用环境同样的环境。

20.根据权利要求19所述的状态估计装置，其中，

所述使用环境是所述控制阀或与所述控制阀相同类型的控制阀的控制对象被停止、并且正在进行所述第一可动部和所述第二可动部的粘连防止动作的状况。

21.根据权利要求15至18中的任一项所述的状态估计装置，其中，

还具备通知部，在由所述估计部估计为所述第一可动部存在异常的情况下，该通知部通知该意思。

22.根据权利要求21所述的状态估计装置，其中，

所述通知部估计直到所述第一可动部发生异常为止的时间并进行通知。

23.根据权利要求15至18中的任一项所述的状态估计装置，其中，

所述控制阀是用于调整向发动机供给的燃料的量的控制阀。

24.一种控制阀，具备：

第一可动部，其位置根据用于指定位置的控制信号而变化，根据位置来控制工作流体的流量；

获取部，其获取数据集的探测信息，该数据集包含所述第一可动部的目标位置和实际位置以及位置根据所述工作流体的流量而变化的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及

估计部，其基于由所述获取部获取到的探测信息，来估计所述第一可动部的异常。

25.一种计算机可读入的存储介质，存储有用于使计算机作为获取部和估计部而发挥功能的状态估计程序，

该获取部获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置和实际位置以及根据所述工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合，

该估计部基于由所述获取部获取到的探测信息，来估计所述第一可动部的异常。

26.一种状态估计方法，使计算机执行以下步骤：

获取步骤，获取数据集的探测信息，该数据集包含根据第一可动部的位置来控制工作流体的流量的控制阀中的所述第一可动部的目标位置和实际位置以及根据所述工作流体的流量而改变位置的第二可动部的目标位置和实际位置中的任意2个以上的位置的组合；以及

基于在所述获取步骤中获取到的探测信息，来估计所述第一可动部的异常。

Images