CN115224996A - 卷扬机、卷扬机系统和状态推算装置 - Google Patents

Abstract

本发明提供一种不构建物理模型就能够推算卷扬机的状态的卷扬机、卷扬机系统和状态推算装置。本发明的卷扬机包括电动机并能够控制电动机来进行重物的起升和下降，其设置有：用于用于获取电动机的运转信息的运转信息获取部；和状态推算部，其基于由运转信息获取部获取的运转信息和进行学习而能够推算卷扬机的状态的状态推算式，来推算卷扬机的状态。

Description

卷扬机、卷扬机系统和状态推算装置

技术领域

本发明大致涉及卷扬机。

背景技术

近年来，随着卷扬机的熟练作业者的高龄化、卷扬机的设置台数的增加所导致的人手不足等，经验少的作业者(非熟练作业者)增加。因此，要求即使是非熟练作业者也能够实现安全且高效率的搬运的卷扬机。在运用卷扬机时，不仅向操作者通知以重物的质量为代表的各种运转状态来辅助搬运操作，还存在防止过负荷、寿命预测、劣化状态的诊断、抑制重物振动、检测重物离开地面的离地等各种需求。

特别是关于离地，因为吊起从重物的重心位置偏离的点，有可能在离地的瞬间产生重物大幅振动或包球钢丝切断等危险的状态，所以在确保作业者的安全方面无法忽视。因此，提出了即使是非熟练作业者也用于安全地离地的技术。关于这一点，公开了如下技术：获取构成卷扬机的电动机的电流值和转速，使用对它们进行比较而得到的结果来检测即将离地的情况，由此确保安全(参照专利文献1)。

现有技术文献

专利文献

专利文献1：日本特开2012-66893号公报

发明内容

发明要解决的课题

根据专利文献1所记载的方法，能够使用来自电动机的输出信息来检测离地。然而，电动机的电流值受到轴承、齿轮等动力传递系统的劣化、电动机温度的变化等构成卷扬机的多个要素的影响，所以为了提高离地的检测精度，需要加入条件分支来精密地进行物理模型的生成。另外，除了离地以外，在增加重物的质量的推算、电动机的温度推算等卷扬机的各种状态的推算(记作“状态推算”)的情况下，也需要用于进行各状态推算的对象的项目(记作“推算项目”)的推算的物理模型的构建和参数的设定。因此，在使用物理模型的状态推算中，在提高推算精度和增加推算项目这两者中共同地，要模型化的物理项目的因子增加，所以参数的设定不容易。

本发明是考虑以上的点而完成的，其目的在于，提出一种不构建物理模型就能够推算卷扬机的状态的卷扬机等。

用于解决课题的技术方案

为了解决该课题，本发明中的卷扬机，包括电动机并能够控制所述电动机来进行重物的起升和下降，其设置有：用于获取所述电动机的运转信息的运转信息获取部；和状态推算部，其基于由所述运转信息获取部获取的运转信息和进行学习而能够推算所述卷扬机的状态的状态推算式，来推算所述卷扬机的状态。

在上述结构中，能够不构建物理模型而使用电动机的运转信息和状态推算式来推算卷扬机的状态。

发明效果

根据本发明，能够推算卷扬机的状态。

附图说明

图1是表示第1实施方式的卷扬机系统的结构的一例的图。

图2是表示第1实施方式的卷扬机的结构的一例的图。

图3是表示第1实施方式的卷扬机的结构的一例的图。

图4是表示第1实施方式的卷扬机的结构的一例的图。

图5是表示第1实施方式的卷扬机系统的功能结构的一例的图。

图6是表示第1实施方式的状态推算式的一例的图。

图7是表示第1实施方式的流程图的一例的图。

图8是表示第1实施方式的流程图的一例的图。

图9是表示第2实施方式的卷扬机系统的结构的一例的图。

图10是表示第2实施方式的流程图的一例的图。

图11是表示第2实施方式的流程图的一例的图。

图12是表示第2实施方式的流程图的一例的图。

图13是表示第3实施方式的卷扬机系统的结构的一例的图。

图14是表示第3实施方式的流程图的一例的图。

图15是表示第4实施方式的卷扬机系统的结构的一例的图。

图16是表示第5实施方式的卷扬机系统的结构的一例的图。

具体实施方式

(I)第1实施方式

以下，对用于实施本发明的方式(记作“实施方式”)进行详述。但是，本发明并不限定于实施方式。

在本实施方式中，以包括电动机并控制该电动机来进行重物的起升和下降的卷扬机为例进行说明。例如，卷扬机包括：用于获取电动机的运转信息的运转信息获取部，和从由运转信息获取部获取的运转信息来推算卷扬机的状态的状态推算部。卷扬机的状态是构成卷扬机的电动机的状态、安装有重物的吊具的状态、重物的状态等。例如，状态推算部基于使用将运转信息与表示卷扬机的状态的信息建立了对应的学习数据而学习到的状态推算式，来推算至少1个以上的卷扬机的状态。

根据上述结构，通过使用基于适当的学习的状态推算式，即使没有物理模型的构建，也能够根据电动机的运转信息来预测各种卷扬机的状态。另外，根据上述结构，能够推算多个因素相互影响的复杂的系统中的卷扬机的状态。另外，根据上述结构，还能够同时计算具有存在共同的物理背景等并联关系的推算项目的推算值和/或具有依赖关系等串联关系的推算项目的推算值。

接着，基于附图对本发明的实施方式进行说明。以下的记载和附图是用于说明本发明的例示，为了说明的明确化，适当地进行了省略和简化。本发明也能够以其他各种方式实施。只要没有特别限定，各构成要素可以是单个也可以是多个。

此外，在以下的说明中，在附图中对同一要素标注相同的附图标记，并适当省略说明。另外，在不区分同种要素进行说明的情况下，有时使用包含分支号的参照符号中的共用部分(除分支号以外的部分)，在区分同种要素进行说明的情况下，有时使用包含分支号的参照符号。例如，在本说明书等中，在不特别区分卷扬机进行说明的情况下，记载为“卷扬机101”，在区分各个卷扬机进行说明的情况下，有时记载为“卷扬机101-1”、“卷扬机101-2”。

另外，本说明书等中的“第1”、“第2”、“第3”等表述是为了识别构成要素而附加的，未必限定数量或顺序。另外，用于识别构成要素的编号按每个上下文使用，在1个上下文中使用的编号不一定在其他上下文中表示相同的结构。另外，也不妨碍由某编号识别出的构成要素兼具由其他编号识别出的构成要素的功能。

使用图1～图8对第1实施方式进行说明。在图1中，100作为整体表示本实施方式的卷扬机系统。

图1是表示卷扬机系统100的结构的一例的图。卷扬机系统100构成为包括装载有卷扬机101的起重机110和操作终端120。

起重机110构成为包括：沿着建筑物(未图示)的两壁设置的走道(runway)111；在走道111上移动的主梁(girder)112；和沿着主梁112移动的小车(trolley)113。在主梁112和小车113上连接有分别驱动的搬运电动机。在小车113上设置有卷扬机101，从卷扬机101悬挂的吊索卷挂在重物130上。

另外，在此列举的“吊索(rope)”这样的用语作为统称重物130的悬挂所使用的吊具的用语来使用。即，“吊索”不仅包括所谓的绳索(rope)，还包括链(chain)、带(belt)、线(wire)、线缆(cable)、细绳、绳等。另外，以下，有时将重物130的搬运的机械记作“产品”。产品至少包括卷扬机101。此外，产品也可以是起重机110，但根据产品的不同，不包括走道111、主梁112、小车113等。

图2～图4是表示卷扬机101的结构的一例的图。卷扬机101构成为包括卷绕吊索的起升卷筒210、作为使起升卷筒210旋转的动力源的电动机220、用于从电动机220向起升卷筒210顺畅地传递动力的轴承230。在本实施方式中，电动机220假定为三相的电动电动机，但本实施方式的效果不取决于电动机220的种类，所以能够应用直流电动机等各种电动机220。另外，来自电动机220的动力也可以经由齿轮、带等传递。

分别设置在主梁112和小车113上的搬运电动机和设置在卷扬机101上的电动机220根据来自操作终端120的操作指令进行旋转动作。由此，在卷扬机101中进行起升动作和下降动作，主梁112和小车113进行向规定的方向的移动，所以进行起升重物130、搬运到规定的位置、下降这样的一系列搬运作业。需要注意的是，重物130是由起重机110搬运的对象，不是起重机110的构成要素。

在此，对卷扬机101的状态、即进行状态推算的代表性的状态进行说明。卷扬机系统100在离地时，推算重物130的质量(记作“重物质量”)、吊索张紧或松弛的概率(记作“张紧状态”)和电动机220的温度(记作“电动机温度”)，在刚离地后推算重物130的重物振动量(记作“重物振动量”)。

此外，关于重物质量，由于与施加于电动机220的负荷密切相关，所以卷扬机系统100除了重物质量之外或者代替重物质量，还能够推算由运动方程的牛顿第二定律的关系式表现的状态(力、加速度等)。即，卷扬机系统100还能够推算重物130的加速度、施加于吊索的张力、包括动力传递系统在内的电动机220的旋转负荷(负荷转矩)等。

在本实施方式中，设想离地时的理由主要在于，在离地时，由于主要是卷扬机101的电动机220进行驱动，所以在实施状态推算时，不易受到其他因素的影响。但是，状态推算不限于离地时，也可以在输送中、下降时也继续执行。此外，离地是指从图2所示的重物130放置于地面240的状态至图3所示的重物130从地面240离开的状态。

在此，使用图4对离地时的重物130与小车113的位置关系产生偏移的情况进行说明。在离地时，优选将小车113配置在重物130的重心410的正上方，但如图4所示，有时也将小车113配置在偏离重物130的重心410的位置。在该情况下，有时离地后的重物振动量变大。

图5是表示卷扬机系统100中的控制信号的运算处理系统的结构(卷扬机系统100的功能结构)的一例的图。

操作终端120包括状态显示部521和操作输入部522。此外，操作终端120包括CPU等运算装置523、半导体存储器等主存储装置524、硬盘等辅助存储装置525、通信装置526、组合了显示器和触摸面板的输入输出装置527等硬件。适当省略各硬件的公知动作来进行说明。另外，操作终端120可以是示教器，也可以是智能手机、平板终端、笔记本个人计算机、台式个人计算机这样的终端。操作终端120可以作为专用终端来提供，也可以将操作终端120的功能作为应用来提供，并在操作者各自的终端中利用。

操作终端120的功能(状态显示部521、操作输入部522等)例如可以通过运算装置523将保存于辅助存储装置525的程序读出到主存储装置524并执行(软件)来实现，也可以通过专用的电路等硬件来实现，还可以组合软件和硬件来实现。另外，操作终端120的1个功能可以分为多个功能，多个功能也可以汇总为1个功能。另外，操作终端120的功能的一部分可以设置为其他功能，也可以包含在其他功能中。另外，操作终端120的功能的一部分也可以通过能够与操作终端120通信的其他计算机来实现。

状态显示部521例如将重物质量的推算值、电动机温度的推算值和重物振动量的推算值作为数值显示于输入输出装置527。此外，状态显示部521例如将张紧状态的推算值作为“张紧”或“松弛”中的任一个显示在输入输出装置527上。但是，根据需要，也可以省略状态显示部521的显示。

操作输入部522是用于供操作者操作按钮、杆、方向盘、手柄、键盘、鼠标等输入输出装置527而向卷扬机101输入操作指令的接口。操作输入部522可以是组合了显示器和触摸面板的接口(硬件)，也可以是在智能手机等设备上实现的接口(软件)。操作输入部522也可以根据输入输出装置527的操作者的操作，输入移动量、目的地的坐标、场所的名称等。操作输入部522也可以与对设置在工厂内的卷扬机101等进行管理的运用管理系统、生产管理系统等其他系统进行链接，基于其他系统的信息来输入操作指令。并且，操作输入部522也可以包括自动输入事先编程的操作指令的自动运转功能。

此外，在本实施方式中，状态显示部521和操作输入部522安装于操作终端120，但也可以安装于卷扬机101。例如，状态显示部521也可以设置在装载于卷扬机101的基板上。

接着对卷扬机101进行说明。卷扬机101包括电动机220、电动机控制部511、运转信息获取部512和状态推算部513。另外，卷扬机101包括CPU等运算装置514、半导体存储器等主存储装置515、硬盘等辅助存储装置516和通信装置517等硬件。

卷扬机101的功能(电动机控制部511、运转信息获取部512、状态推算部513等)例如可以通过运算装置514将辅助存储装置516中保存的程序读出到主存储装置515中并执行(软件)来实现，也可以通过专用的电路等硬件来实现，还可以组合软件和硬件来实现。此外，卷扬机101的1个功能可以分为多个功能，多个功能也可以汇总为1个功能。另外，卷扬机101的功能的一部分可以设置为其他功能，也可以包含在其他功能中。另外，卷扬机101的功能的一部分也可以通过能够与卷扬机101通信的其他计算机来实现。

另外，在本实施方式中，设想了基于无线通信的数据发送，但即使进行使用了有线电缆的通信，效果也不变。例如，由操作终端120输入的操作指令经由通信装置526和通信装置517发送到卷扬机101。

电动机控制部511将由操作终端120的操作输入部522输入的操作指令作为输入，生成按照操作指令使电动机220动作的电动机控制指令，并输出到电动机220。另外，电动机控制部511将输出到电动机220的电动机控制指令的一部分或全部发送到运转信息获取部512。但是，从电动机控制部511向运转信息获取部512的电动机控制指令的发送也可以经由电动机220来进行。

运转信息获取部512获取向状态推算部513发送的运转信息。运转信息是在状态推算部513中的状态推算中使用的关于电动机220的运转的输入输出信息，是表示电动机控制指令的一部分或者全部的信息。例如，运转信息是向电动机220施加的电压值、向电动机220的控制部(逆变器)的指令频率、根据对电动机220设置的编码器的传感器值计算出的电动机转速、向电动机220输入的驱动电流值、电动机220的矢量控制中的励磁电流值和/或转矩电流值、向电动机220的输入转矩值、向电动机220输入的指令速度、电动机220的转速相对于向电动机220输入的指令速度的滑移值等信息。

状态推算部513根据运转信息获取部512所获取的运转信息，使用存储于辅助存储装置516的状态推算式来进行状态推算。

在本实施方式中，在卷扬机101的出厂前工序中，收集由表示针对电动机220的规定的运转的运转信息和表示该规定的运转中的卷扬机101的状态的状态信息(表示重物质量、张紧状态、电动机温度和重物振动量的信息)构成的数据，进行考虑了电动机特性的个体差异等的高精度的状态推算式的学习。以下，将收集到的运转信息和状态信息的数据集记作“学习数据”。另外，本实施方式的卷扬机101在运用工序中使用运转信息和学习完毕的状态推算式来进行状态推算。

另外，学习数据的状态信息是为了学习状态推算式而设定的数值或分类，例如，可以通过人工设定，也可以自动设定。以下，将这样设定为学习用的数值和分类记作“参照值”，将使用状态推算式推算出的数值和分类记作“推算值”来进行区别。

状态推算式是将运转信息作为输入，输出(计算)重物质量、张紧状态、电动机温度、重物振动量的推算值的式子。因此，针对1个电动机220推算4个卷扬机101的状态(推算项目)。换言之，4个推算项目分别共享作为输入的运转信息。

作为输入的运转信息也可以是当前的样本(运转信息)，但在本实施方式中，设为从过去到当前为止的一定数量的样本的时间序列信息。这是因为，如果能够利用过去的运转信息，则状态推算式的表现力提高，例如能够获得还考虑了电动机220的滞后等的状态推算式。但是，在由于CPU的运算性能、存储装置的容量等的制约而限制数据容量的情况下，至少获取离地后的运转信息即可。

图6是表示状态推算式的一例(网络600)的图。在图6中，表示网络600中的多任务推算的网络结构。更具体而言，网络600是输入层610的节点数为N、共享层620的数为“2”、分支到各推算项目的固有层630的数为“1”的全耦合型的神经网络。对输入层610提供运转信息，计算各推算项目的值。在该情况下，各层之间的状态推算式成为(式1)。

u＝Wx+b…(式1)

在此，x是各层的输入矢量，是在输入层610中使运转信息连结的矢量(以下记作“运转信息矢量”)。u是表示各层的输出的矢量。另外，u矢量在重物质量、电动机温度、重物振动量的输出层中成为标量值，在张紧状态的输出层中成为“张紧”或“松弛”各自的概率。另外，例如，在推算重物质量的情况下，可以是推算值本身，也可以是重物质量的推算值相对于产品的额定载荷的比例。在后者的情况下，在额定载荷1t的产品中u＝0.5的情况下，重物质量的推算值为500kg。W是表示针对运转信息矢量x的各个要素的权重的系数矩阵。b是表示偏差的矢量。

另外，状态推算部513也可以通过使用移动平均滤波器等低通滤波器作为后处理，来去除状态推算后的时间序列噪声。另外，卷扬机101也可以利用重物质量和/或电动机温度的推算值进行过负荷防止控制、寿命预测等，或者利用张紧状态的推算值检测离地，或者利用重物振动量的推算值进行危险振动时的紧急停止、重物振动降低控制等。

接着对学习数据进行说明。在收集学习数据的条件(记作“收集条件”)中，也可以包含重物130相对于小车113的位置偏移、卸货时的起重模式(pattern)。此外，起重模式是指高速起升模式(mode)、低速起升模式等起升模式、起升速度等。所收集的学习数据优选更无遗漏地网罗在卷扬机101的运用上设想的离地的模式，其结果是，能够更高精度地进行状态推算。

另外，关于学习数据的收集时的重物质量的模式，优选使从0kg到成为过负荷的重量(超过卷扬机101的额定载荷的重量)逐渐且均等的宽度。另外，作为收集条件，优选包含由卷扬机101吊起的最大载荷、额定载荷、无负荷中的至少1个。其理由在于，额定载荷是产品的每个机型的代表性的设计点，最大载荷是在产品的安全上应该确认的动作点，无负荷是能够获取载荷偏差等噪声的影响最少的数据的动作点。

接着，对卷扬机系统100的动作和运用进行说明。

图7是表示卷扬机101的处理流程的流程图的一例的图。基于图7的流程图的卷扬机101的动作如下。此外，在卷扬机101的出厂前工序中进行步骤S701～步骤S703的处理，在卷扬机101的运用工序中进行步骤S711的处理。

步骤S701：规定的计算机按每个机型，在重物质量、重物130相对于小车113的位置偏移、起重模式具有变化的条件(收集条件)下，收集进行了离地试验时的学习数据(记作“整体(line-up)学习数据”)。整体学习数据是包含运转信息(转速、电流值等)和离地条件(重物质量、位置偏移等)的数据。规定的计算机也可以是后述的学习装置910、状态推算装置1310、云服务器1610等。此外，离地条件是由卷扬机101的操作者输入的条件、自动设定了收集条件的一部分或全部的条件等，包含离地时的状态信息(参照值)。

步骤S702：规定的计算机使用在步骤S701中收集到的整体学习数据，按每个机型学习标准的状态推算式。例如，规定的计算机针对网络600，执行基于误差反向传播法的系数矩阵W和偏差b的最优化学习。

步骤S703：规定的计算机收集进行产品出厂测试时的离地试验时的学习数据(记作“个体学习数据”)，使用新收集到的个体学习数据按每个产品重新学习状态推算式，反映电动机特性的个体差异。其结果是，卷扬机101能够按每个产品高精度地进行状态推算。此外，在每个产品的电动机特性的个体差异少的情况下，步骤S703不是必须的。

此外，在出厂前工序中学习到的针对卷扬机101的学习完毕的状态推算式被设定为能够由状态推算部513使用(例如存储于辅助存储装置516)。

步骤S711：卷扬机101在运转中进行状态推算。例如，在操作者使卷扬机101运转时，卷扬机101根据运转时的运转信息进行状态推算。在本实施方式的运用中，使用在出厂前工序中学习到的学习完毕的状态推算式，在运转中推算重物质量等。

图8是表示运转中的状态推算(步骤S711)的流程图的一例的图。

步骤S801：操作者在卷扬机101上设定重物130。

步骤S802：操作者经由操作输入部522进行离地操作，电动机控制部511按照由操作输入部522输入的操作指令生成电动机控制指令，并输出到电动机220。

步骤S803：运转信息获取部512获取运转信息。更具体而言，运转信息获取部512从电动机控制部511和/或电动机220获取运转信息，并将所获取的运转信息发送到状态推算部513。在运转信息中，包含表示向电动机220的输入值(例如输入信号)的信息和表示来自电动机220的输出值(例如输出信号)的信息中的至少1个。

步骤S804：状态推算部513基于在步骤S803中获取的运转信息和学习完毕的状态推算式，进行状态推算(计算重物质量、张紧状态、电动机温度和重物振动量的推算值)。

步骤S805：状态显示部521将表示在步骤S804中状态推算的结果的信息(推算值、表示推算值的图表、根据推算值计算出的值等)显示于输入输出装置527。

如上所述，卷扬机101在步骤S804中基于状态推算式进行状态推算，经由状态显示部521将推算出的结果通知给操作者。

另外，本实施方式表示了在步骤S703中记录产品出厂测试时的离地试验中的学习数据，并按每个产品进行重新学习的例子，但步骤S703不是必须的。但是，通过进行步骤S703，能够反映每个产品的特性而高精度地进行状态推算。

接着，对本实施方式的效果进行说明。

通常，在卷扬机101中从电动机220输出的动力受到轴承230、带、齿轮链、制动器等动力传递系统中的各种构成要素(构成部件)的损失的影响。因此，为了通过物理模型进行状态推算，对于各个卷扬机101的负荷，需要区分起因于重物质量的因素、起因于动力传递系统的构成要素的因素、起因于电动机特性的个体差异的因素等要素来进行研究。

另一方面，在提高状态推算的精度的情况下，需要对每个产品调整按每个因素定型化的系数，系数的设定需要时间。此外，由于物理模型复杂化，所以状态推算的计算负荷也变高，所以为了高速地执行高精度的运算所需的控制基板的成本容易变高等，不容易实现。

与此相对，在使用本实施方式所记载的基于学习数据的状态推算式的情况下，通过在(式1)中将系数矩阵W和偏差b设定为适当的矩阵和矢量，能够高精度地推算重物质量、张紧状态、电动机温度和重物振动量。另外，通过学习，自动地进行特征量的提取和参数的调整，所以能够抑制研究所需的负担。此外，由于不使用复杂的物理模型，所以计算负荷也降低，产生也能够抑制控制基板的成本增加等优点。

上述是在推算1个状态(单独的状态)的情况下也能够得到的效果，但在进一步根据1个运转信息推算本实施方式所示那样的4个状态(多个状态)的情况下，其效果进一步提高。

例如，在本实施方式中的状态推算中，使用神经网络，在共享层620中共享4个推算项目的运算的一部分。这是因为4个推算项目是具有能够根据相同的电动机220的运转信息推算的并联连接的关系的项目，或者是在推算项目中存在串联连接的关系(例如依赖关系)的项目。

更具体地进行说明。在张紧状态的运算中，也可以有在超过规定的重物质量的情况下输出“张紧”判断等方法，所以重物质量与张紧状态处于能够根据相同的运转信息推算的关系。换言之，重物质量和张紧状态由于分别推算所需的物理背景是共通的，所以处于并联关系。

另外，关于电动机温度，电流值根据与绕组的温度变化相伴的电动机220的内部电阻值的变化而变化，重物质量的输出值可能变化。因此，关于重物质量与电动机温度，能够理解为处于依赖关系(串联关系)。

并且，关于重物振动量，在重物130振动的情况下，由于产生离心力的时间变动等的影响，吊索的张力周期性地变化。即，相当于重物质量的推算值(推算载荷)产生时间变动，所以能够根据时间变动的周期和推算载荷的变化量的大小来推算振动的振幅。因此，重物振动量和重物质量处于能够根据相同的运转信息推算的并联关系。

如上述所示，通过将具有能够根据相同的运转信息推算的并联关系的状态、具有依赖关系等串联关系的状态汇总而根据1个状态推算式进行推算，能够将运算处理和参数设定抑制为所需最低限度，并且同时推算卷扬机101的多个状态。因此，对1个电动机220推算越多的状态，使用学习的状态推算的效果越高。

另外，在本实施方式中，设想了使用神经网络的状态推算，但也可以采用监督式学习的各种方法。例如，在本实施方式中，通过回归运算来推算重物质量的推算、电动机温度的推算、重物振动量的推算，通过分类运算来推算张紧状态，但根据求出的推算值的形式，能够利用单纯的线性回归、随机森林、支持矢量机、逻辑回归等各种学习方法。

另外，在本实施方式中，将集中为1个的神经网络作为1个状态推算式来处理，推算重物质量、张紧状态、电动机温度和重物振动量，但也可以进行分解，例如根据第一个状态推算式来推算重物质量和张紧状态，根据运转信息不同的第二个状态推算式来推算电动机温度和重物振动量等。

通过以上的结构，卷扬机系统100能够以容易的参数设定提供能够高精度地推算重物质量、张紧状态、电动机温度、重物振动量这样的状态的状态推算式。特别是，在卷扬机系统100中，由于不进行运用工序中的重新学习，所以出厂后的产品不需要学习装置，操作终端120的结构也较少即可，所以成为简易的系统，能够提供廉价的卷扬机101。

(II)第2实施方式

使用图9～图12对第2实施方式进行说明。本实施方式中的各要素的结构和基本的动作与第1实施方式相同，所以以本实施方式的特征为中心进行说明。

图9是表示本实施方式的卷扬机系统900的结构的一例的图。本卷扬机系统900构成为包括卷扬机101、操作终端120和学习装置910。它们之间的信息的交换可以是有线通信，也可以是无线通信。

卷扬机101包括：电动机220，其连接有将挂住重物130的吊索等起升的起升卷筒210；电动机控制部511；运转信息获取部512；和状态推算部513。

本实施方式与第1实施方式的不同点在于，在运用工序中收集由运转信息和状态信息构成的学习数据来进行学习，所以运转信息获取部512和状态推算部513存在差异。

以后，将在运用工序中卷扬机系统900进行状态推算的流程记作状态推算阶段，将卷扬机系统900通过学习来更新状态推算式的流程记作学习阶段。状态推算阶段和学习阶段可以明确地区分，也可以并行地进行状态推算阶段和学习阶段。

运转信息获取部512在状态推算阶段中，向状态推算部513发送运转信息，在学习阶段中，为了设定学习数据而向操作终端120发送运转信息。

状态推算部513在状态推算阶段中，使用由运转信息获取部512获取的运转信息和状态推算式，来推算重物质量、张紧状态、电动机温度和重物振动量。进而，状态推算部513使用存储于学习装置910的最新的学习数据或由运转信息获取部512获取的运转信息、以及非最新的学习数据(过去的时期的学习数据)，来推算电动机220、轴承230、齿轮、带、链、制动器等卷扬机101的构成要素的劣化状态。

即，第1实施方式中的状态推算式利用了运用工序中的当前时刻(该时期)的运转信息，但本实施方式中的状态推算式除了运用工序的该时期的运用信息以外，还利用远离该时期的过去的时期的运用信息(学习数据)。

另外，状态推算部513在学习阶段中，通过接收存储于学习装置910的状态推算式，将状态推算部513使用的状态推算式更新为适合于卷扬机101的运用环境的状态推算式。

接着对操作终端120进行说明。操作终端120包括状态显示部521、操作输入部522、学习数据条件输入部921和学习数据设定部922。

状态显示部521在状态推算阶段中显示由状态推算部513计算出的推算值(卷扬机101的状态)等。另外，状态显示部521也可以在状态推算部513计算出错误的推算值的情况下，显示用于向操作者确认输入正确的状态的参照值并使用包含该参照值的学习数据进行重新学习的确认画面。关于重新学习将在后面叙述。操作输入部522是用于在状态推算阶段供操作者输入卷扬机101的电动机控制指令的值的接口。

学习数据条件输入部921是用于在学习阶段中输入电动机220或重物130的状态、卷扬机101的个体识别编号等学习数据条件的接口。在此，学习数据条件是与由运转信息获取部512获取的运转信息对应的卷扬机101的运转条件(例如离地条件)，至少与重物质量、张紧状态、电动机温度、重物振动量中的任一个状态信息(参照值)建立对应。另外，学习数据条件也可以包含产品的机型名、个体识别编号等信息。学习数据条件输入部921的接口可以与操作输入部522的接口共用，也可以作为其他接口来安装。

学习数据设定部922将从学习数据条件输入部921输入的学习数据条件与从运转信息获取部512发送的运转信息建立对应地设定为1组学习数据，并发送到学习装置910。

此外，在本实施方式中，状态显示部521、操作输入部522、学习数据条件输入部921和学习数据设定部922安装于操作终端120，但也可以安装于卷扬机101。

接着对学习装置910进行说明。学习装置910包括学习数据保存部911、学习部912和学习结果保存部913。此外，学习装置910包括CPU等运算装置914、半导体存储器等主存储装置915、硬盘等辅助存储装置916、通信装置917等硬件。适当省略各硬件的公知动作来进行说明。

学习装置910的功能(学习数据保存部911、学习部912、学习结果保存部913等)例如可以通过运算装置914将辅助存储装置916中保存的程序读出到主存储装置915中并执行(软件)来实现，也可以通过专用的电路等硬件来实现，还可以组合软件和硬件来实现。另外，学习装置910的1个功能可以分为多个功能，多个功能也可以汇总为1个功能。另外，学习装置910的功能的一部分可以设置为其他功能，也可以包含在其他功能中。另外，学习装置910的功能的一部分也可以通过能够与学习装置910通信的其他计算机来实现。

学习数据保存部911将由操作终端120的学习数据设定部922设置的学习数据保存在辅助存储装置916中。所存储的学习数据被分类为3种。

第一个是整体学习数据，是按每个机型使收集条件具有变化而收集到的学习数据，在出厂前工序的最初的工序中，按每个机型用于标准的状态推算式的学习。

第二个是个体学习数据，是在产品出厂测试时的品质保证的测试试验(例如离地试验)中收集到的每个产品的学习数据，用于反映出厂前工序中的电动机特性的个体差异的重新学习。

第三个是运用环境下的学习数据，是操作者修正了在产品出厂后由状态推算部513计算出的推算值的学习数据，用于反映运用工序中的运用环境的特性的重新学习。

学习部912从学习数据保存部911读入学习数据，学习状态推算式。在出厂工序的最初的工序中的每个机型的标准的状态推算式的学习中，使用整体学习数据。另外，在反映出厂前工序中的电动机特性的个体差异的重新学习中，使用在整体学习数据中追加了个体学习数据的学习数据。另外，在运用工序中的重新学习中，使用在整体学习数据或个体学习数据中追加了运用环境下的学习数据的学习数据。

学习结果保存部913将由学习部912学习到的状态推算式保存在辅助存储装置916中，并且适当地将状态推算式发送到状态推算部513。另外，在学习结果保存部913中，也可以按每个机型保存标准的状态推算式，进而保存每个个体和运用环境的状态推算式。

而且，也可以通过产品的机型名、个体识别编号、运用环境(例如，固定件、重物质量、重物130的体积、重物130的材质、重物130的数量、重物130的形状、重物130的特异性(柔软性、液体性、温度、有害性、易损坏性等)、吊索的悬挂方式、悬挂吊索的根数、悬挂角度)等的指定，适当地参照这些状态推算式。这样，通过对每个运用环境设置状态推算式，卷扬机101的操作者能够简单地根据运用环境分开使用状态推算式。

接着，详细说明由学习部912进行的学习(例如学习计算)。学习计算是指如下的处理：在第1实施方式中的由(式1)给出的状态推算式中，调整系数矩阵W和偏差b，以使得输入了运转信息矢量x时输出的推算值u能够输出误差更少的推算值。

对学习计算的流程进行说明。首先，学习部912从存储在学习数据存储部911中的部分或全部学习数据(称为“学习对象的学习数据”)中随机提取若干学习数据。然后，学习部912例如对代入了随机决定的系数矩阵W的初始值和偏差b的初始值的(式1)，输入取出的运转信息矢量x，按照(式1)计算推算值u。

学习部912使用计算出的推算值u，计算与保存在学习数据中的参照值u’之间的误差e，根据优先级对各推算项目的误差e进行加权并进行总计，由此计算加权误差es。由于计算出的加权误差es仅有取出的学习数据数，所以学习部912对它们进行总计来计算加权总计误差E。

然后，学习部912使系数矩阵W和偏差b微小变化，以使加权总计误差E变得更小。作为这里的使系数矩阵W和偏差b微小变化的方法，例如能够利用梯度下降法等。

学习部912针对学习对象的学习数据中的剩余的学习数据，也依次随机地取出相同程度的数量的学习数据并反复同样的处理，如果针对学习对象的学习数据的全部完成处理，则结束学习处理的1个循环。

通过反复以上的流程，加权总计误差E逐渐变小，学习部912持续更新状态推算式，直到满足学习结束条件为止。学习结束条件是使状态推算式的学习完成的条件。学习结束条件例如是学习循环的重复次数超过规定的次数的情况、加权总计误差E达到规定的值以下的情况等。通过这样得到的状态推算式输出的推算值u成为针对在该时刻获取的运转信息矢量x的最优推算值。

另外，将学习部912将学习完毕的状态推算式的系数矩阵Wa和偏差ba作为系数矩阵W和偏差b的初始值赋予而进行学习计算称为“重新学习”。学习部912通过对学习数据新追加学习数据并进行学习计算，能够更新为也适合于追加的学习数据的状态推算式。

在本实施方式中，学习部912将使用整体学习数据生成的状态推算式作为初始值，使用个体学习数据进行重新学习，由此能够更新为反映了产品的电动机特性的个体差异的状态推算式。此外，学习部912通过使用运用环境下的学习数据进行重新学习，能够更新为反映了运用环境的特性的状态推算式。由此，能够进行反映了每个产品的特性和利用产品的运用环境的特性的更准确的状态推算。

通过以上的流程计算出的、包含学习完毕的系数矩阵W和偏差b的状态推算式由学习结果保存部913保存，并在状态推算部513的更新时被发送，由此卷扬机101能够进行高精度的状态推算。

另外，在本实施方式中，与第1实施方式相比，在由状态推算部513推算电动机220、轴承230等动力传递系统的构成要素的劣化状态这一点上不同，所以对关于劣化状态的推算的运算处理进行说明。

在本实施方式的状态推算部513中，除了运用时刻的时间序列的运转信息(时间序列信息)以外，还从学习数据保存部911读出任意时期的学习数据。在此，操作者能够从操作输入部522设定任意的时期，例如能够选择运用开始初始(出厂时)、定期维护之后(检查时)等。

在状态推算部513中，根据当前的运转信息(时间序列信息)计算重物质量、张紧状态、电动机温度、重物振动量，并且推算使用了根据过去时期的学习数据获取的过去的运转信息时的重物质量，计算与根据当前的运转信息推算出的重物质量之差。在状态推算式的内部，预先将当前和过去的重物质量的偏差与经年劣化的关系记述为式子，根据重物质量的偏差计算劣化度，从状态推算部513向状态显示部521发送劣化度。在此所说的劣化度既可以是是否需要维护的判断、是否需要更换部件的判断等显示值，也可以是卷扬机101的构成要素的寿命等数值。另外，状态推算部513在计算劣化度的情况下，也可以参照学习结果保存部913或学习数据保存部911中保存的数据库。

通过以上的结构，操作者能够利用过去的运转信息来获知卷扬机101的维护的时机、卷扬机101的构成要素的寿命等，所以能够将因卷扬机101的突然故障而导致的生产线停止、繁忙期的维护的实施等防患于未然。

另外，在本实施方式中，将过去和当前的重物质量的推算值的偏差作为评价对象，但也可以同时利用张紧状态、电动机温度、重物振动量等其他推算项目的推算值。另外，即使不使用特定的输出值，例如也可以是向神经网络的输入层610输入当前和过去两者的运转信息(学习数据)，在运算处理的过程中提取各自的特征量，在输出层输出劣化度等使用内部运算的方法。

另外，还存在如下等方法：使用由学习结果保存部913保存的状态推算式和由学习数据保存部911保存的学习数据中的多个来分别推算劣化度，从2个劣化度中选择安全性高的一方。因此，与第1实施方式同样地，不限于神经网络，能够利用多个监督式学习，进而也能够利用组合了多个学习的集成学习等。

图10是表示卷扬机系统900的处理流程的流程图的一例的图。基于流程图的卷扬机系统900的动作如下。此外，在卷扬机101的出厂前工序中，进行步骤S701～步骤S703的处理，在卷扬机101的运用工序中，进行步骤S1001～步骤S1005的处理。步骤S701～步骤S703与第1实施方式相同，所以对步骤S1001～步骤S1005进行说明。

步骤S1001：在操作者使卷扬机101运转时，卷扬机101在运转中进行状态推算。更具体而言，卷扬机101使用运转中的运转信息和状态推算式来推算重物质量、张紧状态、电动机温度和重物振动量(计算推算值)。

步骤S1002：在操作者判断为在步骤S1001中计算出的推算值错误的情况下，操作者修正推算值。在步骤S1002中，操作终端120经由状态显示部521对操作者是否需要修正进行判断。在判断为操作者需要修正的情况下，操作终端120将处理转移到步骤S1003。在判断为操作者不需要修正的情况下，操作终端120将处理转移到步骤S1004。

步骤S1003：学习数据设定部922将操作者修正后的信息(参照值)与用于状态推算的运转信息建立对应地设定为运用环境下的学习数据(记作“重新学习用的学习数据”)。然后，学习数据设定部922将用于重新学习的学习数据发送到学习数据保存部911。

步骤S1004：学习装置910判断是否进行重新学习。学习装置910在受理了操作者的指示的情况下、保存了一定数量以上的重新学习用的学习数据的情况下、超过了一定的劣化度的情况下等，判断为要进行重新学习。学习装置910在判断为进行重新学习的情况下(“是”的情况下)，将处理转移到步骤S1005，在判断为不进行重新学习的情况下(“否”的情况下)，结束处理。

步骤S1005：学习部912使用在步骤S1003中收集到的重新学习用的学习数据进行重新学习，将反映了运用环境的特性的状态推算式发送到学习结果保存部913。状态推算式被发送到状态推算部513，从下次的运转开始进行使用了新的状态推算式的状态推算。

由此，能够反映运用环境的特性而高精度地进行状态推算。此外，在由运用环境的特性引起的电动机特性的变化少的情况下，步骤S1005不是必须的。

在本实施方式中，通过在步骤S702、步骤S703、步骤S1005中学习部912使用学习数据来学习计算状态推算式，能够按照学习数据的倾向来更新状态推算式。因此，能够将产品的电动机特性的个体差异、运用环境的特性、经年劣化也反映到状态推算式中，其结果是，能够推算更准确的状态。另外，即使不对不同机型的卷扬机101构建分别对应的物理模型，卷扬机系统900也能够通过使用相同的处理收集学习数据来进行状态推算。

图11是表示通过出厂前工序的离地试验收集学习数据的步骤S701和步骤S703的详细流程的流程图的一例的图。

步骤S1101：制造者事先决定学习数据的收集条件。学习数据的收集条件是离地试验中的重物质量、重物130相对于小车113的位置偏移、起重模式的组合的条件，优选没有遗漏地设定，以便涵盖在运用卷扬机101的基础上设想的条件。然后，按照学习数据的收集条件，制造者在卷扬机101上设定重物130。

步骤S1102：制造者从操作输入部522输入离地操作，卷扬机101记录离地操作时的运转信息(时间序列信息)。时间序列信息优选为从离地开始时到重物130稳定为止的信息。

步骤S1103：制造者从学习数据条件输入部921输入学习数据条件(离地条件)。此外，在步骤S1103中，事先决定的学习数据的收集条件的一部分或者全部自动地设定为学习数据条件，制造者也可以在所设定的学习数据条件中存在不足的条件的情况下追加该条件，或者在所设定的学习数据条件中存在不需要的条件的情况下删除该条件。

步骤S1104：学习数据设定部922将在步骤S1102中记录的运转信息(时间序列信息)与在步骤S1103中输入的学习数据条件建立对应地设定为学习数据。

步骤S1105：学习数据设定部922将在步骤S1104中设定的学习数据发送到学习数据保存部911。学习数据保存部911保存接收到的学习数据。

如上所述，在本实施方式中，进行基于进行离地试验的学习数据的收集作业，使用收集到的学习数据来学习计算状态推算式，由此能够高精度地进行状态推算。另外，学习数据的收集作业不依赖于个人，具有即使对卷扬机101的电动机220等产品没有高度的知识也能够实施的优点。

图12是表示状态推算式的学习计算的处理(步骤S702、步骤S703和步骤S1005)的详细流程的流程图的一例的图。

步骤S1201：学习部912从学习数据保存部911读入学习数据。

步骤S1202：学习部912使用步骤S1201读入的学习数据来学习计算状态推算式。

步骤S1203：学习结果保存部913保存在步骤S1202中学习计算出的状态推算式(学习结果)。

步骤S1204：学习结果保存部913将在步骤S1202中学习计算出的状态推算式发送到状态推算部513。

通过以上的流程，学习计算状态推算式以反映在步骤S1003等中收集到的学习数据。

如上所述，根据本实施方式，不需要追加传感器，通过进行使用了每个机型、产品、运用环境的离地时的运转信息和状态信息(参照值)的学习，能够进行考虑了电动机特性的个体差异、运用环境的特性、卷扬机101的构成要素的劣化状态的高精度的状态推算。

(III)第3实施方式

使用图13和图14对第3实施方式进行说明。在本实施方式中，对将状态推算装置1310安装于已经设置完毕的卷扬机101或购入完毕的卷扬机101的情况进行说明。

图13是表示本实施方式中的卷扬机系统1300的结构的一例的图。卷扬机101包括将在重物130上挂住的吊索等起升的电动机220。此外，对于与第1实施方式相同的结构，省略其说明。

状态推算装置1310构成为包括运转信息获取部512、状态推算部513、状态显示部521、学习数据保存部911、学习部912、学习结果保存部913、学习数据条件输入部921和学习数据设定部922。

此外，状态推算装置1310包括CPU等运算装置1311、半导体存储器等主存储装置1312、硬盘等辅助存储装置1313、通信装置1314、输入输出装置1315等硬件。适当省略各硬件的公知动作来进行说明。

状态推算装置1310的功能(运转信息获取部512、状态推算部513、状态显示部521、学习数据保存部911、学习部912、学习结果保存部913、学习数据条件输入部921、学习数据设定部922等)例如可以通过运算装置1311将辅助存储装置1313中保存的程序读出到主存储装置1312中并执行(软件)来实现，也可以通过专用的电路等硬件来实现，还可以通过软件和硬件的组合来实现。另外，状态推算装置1310的1个功能可以分为多个功能，多个功能也可以汇总为1个功能。另外，状态推算装置1310的功能的一部分可以设置为其他功能，也可以包含在其他功能中。另外，状态推算装置1310的功能的一部分也可以通过能够与状态推算装置1310进行通信的其他计算机来实现。

运转信息获取部512获取卷扬机101的电动机220的运转信息。获取的运转信息是表示向电动机220的输入值的信息和表示来自电动机220的输出值的信息。状态推算部513根据运转信息获取部512获取的运转信息，使用状态推算式，计算重物质量、张紧状态、电动机温度、重物振动量这样的状态的推算值。状态显示部521显示由状态推算部513计算出的推算值等。学习数据条件输入部921是用于输入学习数据条件的接口，进行触摸面板、键盘、鼠标等输入输出装置1315的处理。由学习数据条件输入部921输入的学习数据条件被发送到学习数据设定部922。

学习数据设定部922将由学习数据条件输入部921输入的学习数据条件和由运转信息获取部512获取的运转信息建立对应地设定为1组学习数据，将所设定的学习数据发送到学习数据保存部911。学习数据保存部911保存由学习数据设定部922设定的学习数据。学习部912从学习数据保存部911读入学习数据，学习计算状态推算式。

学习结果保存部913保存由学习部912学习计算出的状态推算式。然后，学习结果保存部913适当地在状态推算式被更新的时刻等向状态推算部513发送状态推算式。

接着，对由状态推算装置1310进行的处理流程进行说明。

图14是表示卷扬机系统1300的处理流程的流程图的一例的图。

步骤S1401：设置作业者将状态推算装置1310安装到卷扬机101。

步骤S1402：设置作业者实施离地试验，学习数据设定部922将离地前后的运转信息与离地条件(重物质量、张紧状态、电动机温度、重物振动量的状态信息)建立对应地设定为学习数据，学习数据保存部911保存学习数据。

步骤S1403：学习部912学习计算状态推算式，学习结果保存部913保存由学习部912学习计算出的状态推算式。

步骤S1404：状态推算部513更新状态推算式，在运转中进行状态推算。

另外，步骤S1402、步骤S1403和步骤S1404分别与步骤S701、步骤S702和步骤S711相同。另外，也可以接着步骤S1404之后进行步骤S1002～步骤S1005的处理。

在本实施方式中，通过在现有的卷扬机101上安装状态推算装置1310，即使是在产品出厂时没有装载状态推算功能的卷扬机101，也能够之后进行状态推算。

(IV)第4实施方式

使用图15对第4实施方式进行说明。

图15是表示本实施方式的卷扬机系统1500的结构的一例的图。在本实施方式中，相对于1个操作终端120存在多个(在本例中为3个)卷扬机101。

卷扬机101-1(卷扬机A)、卷扬机101-2(卷扬机B)、卷扬机101-3(卷扬机C)、操作终端120、学习装置910各自中内置的输入输出系统的各要素、推算项目与第2实施方式相同。但是，将由学习装置910推算出的状态推算式向卷扬机101发送的路径经由操作终端120这一点不同。即，在本实施方式中，在卷扬机101的各个卷扬机中，根据1个电动机220的运转信息来推算重物质量、电动机温度、张紧状态、重物振动量、电动机220和动力传递系统的劣化状态，所以电动机220的数量与推算项目的数量的关系与第2实施方式相同。

由各卷扬机101收集到的学习数据经由单一的操作终端120汇集并保存于单一的学习装置910。然后，基于这些学习数据在学习装置910中学习计算出的状态推算式被存储在学习结果保存部913中。由学习结果保存部913保存的状态推算式在维护等的时刻适当地经由操作终端120发送到内置于卷扬机101的状态推算部513。

根据卷扬机系统1500，能够由同一操作终端120和学习装置910处理多个卷扬机101，所以能够减少对操作者的负担。此外，通过准备1个一般高价的学习装置910，能够运用。

并且，通过将学习装置910设为单一，并保存多个卷扬机101的运转信息(学习数据)，能够有效利用相互的卷扬机101的运转信息(学习数据)。例如，在卷扬机A的利用频度高、卷扬机B和卷扬机C的利用频度低的情况下，由于卷扬机A的学习数据大量保存，所以伴随经年劣化的状态推算式和学习数据的变化快速聚集。

由此，在保存了卷扬机B和卷扬机C的学习数据时，与在相同的运用环境下利用的卷扬机A的经过相比，能够推算是哪个劣化度，所以能够提高劣化推算的精度。

(V)第5实施方式

使用图16对第5实施方式进行说明。

图16是表示本实施方式的卷扬机系统1600的结构的一例的图。在卷扬机系统1600中，第2实施方式～第4实施方式中的学习装置设置在云服务器1610上。在本实施方式中，设想了对1台云服务器1610连接不同的操作终端120，运用与各个操作终端120对应的卷扬机101的情形。

云服务器1610可以是产品的制造者所拥有的服务器装置，也可以是产品的购买者所拥有的服务器装置，还可以是提供云服务的第3者所拥有的服务器装置。

由各卷扬机101获取的学习数据被标记作获取了学习数据的卷扬机101的个体识别编号、机型等，经由操作终端120保存在云服务器1610上。

一般用于进行学习的计算机要求性能的高低，所以存在价格高的倾向，并且需要设置环境的保养、定期维护等，所以产生管理成本。

与此相对，通过如本实施方式那样利用专业的部门、业者管理的云服务器1610，操作者不需要分别设置、运用、维护学习装置910，所以能够减轻运用的负担。

进而，通过将机型、运用环境不同的各种学习数据保存在同一服务器装置中，在第2实施方式和第4实施方式中的经年劣化的推算、对运用环境的变化的适应等时，能够利用保存在同一服务器装置内的庞大的学习数据。因此，能够进一步提高经年劣化的诊断精度、对运用环境的适应精度。

如上所述，通过第1实施方式～第5实施方式，对于以张紧状态的判断为代表的状态推算，通过使用了学习的容易的参数设定作业，能够提供考虑了多个因素的影响的高精度的状态推算式。特别是，在针对在状态推算中利用的运转信息具有并列关系的推算项目和/或具有直列关系的推算项目进行状态推算的情况下，导入效果好。另外，通过导入保存学习数据来更新状态推算式的结构，能够提供考虑了经年劣化的状态推算式，进而，通过共享多个卷扬机的学习数据，能够进一步提高经年劣化的推算精度和对各种运用环境的适应精度。

上述的第1实施方式～第5实施方式是为了容易理解地说明本发明而详细说明的，并不限定于必须包括所说明的全部结构。此外，也可以将某实施方式的结构的一部分置换为其他实施方式的结构，另外，也可以在某实施方式的结构中添加其他实施方式的结构。并且，对于各实施方式的结构的一部分，也能够进行其他结构的追加、删除、置换。

(VI)附记

在上述的实施方式中，例如包含以下那样的内容。

在上述的实施方式中，对将本发明应用于卷扬机系统的情况进行了叙述，但本发明不限于此，能够广泛应用于其他各种系统、装置、方法、程序。

另外，在上述的实施方式中，程序的一部分或者全部也可以从程序源安装于实现状态推算功能的计算机那样的装置。程序源例如也可以是通过网络连接的程序发布服务器装置或者计算机可读取的记录介质(例如非暂时性的记录介质)。另外，在上述的说明中，既可以将2个以上的程序作为1个程序来实现，也可以将1个程序作为2个以上的程序来实现。

另外，在上述的实施方式中，信息的输出不限于向显示器的显示。信息的输出可以是基于扬声器的声音输出，也可以是向文件的输出，也可以是基于印刷装置的向纸介质等的印刷，也可以是基于投影仪的向屏幕等的投影，也可以是其他的方式。

另外，在上述的说明中，实现各功能的程序、表、文件等信息能够置于存储器、硬盘、SSD(Solid State Drive：固态硬盘)等存储装置、或者IC卡、SD卡、DVD等记录介质。

上述的实施方式例如包括以下的特征性的结构。

(1)

包括电动机(例如电动机220)并能够控制上述电动机来进行重物的起升和下降的卷扬机(例如卷扬机101)包括：用于获取上述电动机的运转信息的运转信息获取部(例如运转信息获取部512)；和状态推算部(例如，状态推算部513)，其基于由上述运转信息获取部获取的运转信息和进行学习而能够推算上述卷扬机的状态的状态推算式(例如网络600)，来推算上述卷扬机的状态。

在上述结构中，能够不构建物理模型而使用电动机的运转信息和状态推算式来推算卷扬机的状态。另外，在卷扬机的状态的推算中不使用复杂的物理模型，所以例如计算负荷变低，能够抑制控制基板的成本增加。

此外，上述状态推算式既可以使用整体学习数据来进行学习，也可以使用整体学习数据和个体学习数据来进行学习。

(2)

上述卷扬机包括能够安装重物的吊索，上述状态推算部推算安装于上述吊索的重物的质量、上述重物的加速度、上述吊索的张力、上述电动机的旋转负荷、上述吊索的张紧状态、上述电动机的温度和上述重物的重物振动量中的至少1者作为上述卷扬机的状态。

根据上述结构，能够推算重物的质量、重物的加速度、吊索的张力、电动机的旋转负荷、吊索的张紧状态、电动机的温度和重物的重物振动量中的至少1者。

(3)

上述状态推算部推算规定的状态(例如重物质量)、与上述规定的状态存在并列关系的状态(例如张紧状态、重物振动量)和/或与上述规定的状态存在直列关系的状态(例如电动机温度)，作为上述卷扬机的状态。

在上述结构中，根据1个运转信息，推算规定的状态与规定的状态存在物理背景共通等并列关系的状态、和/或与规定的状态存在依赖关系等处于直列关系的状态，所以例如不需要按每个状态设置状态推算式按每个状态准备运转信息、或者针对状态计算推算值，能够高效地推算状态。

(4)

上述卷扬机包括输出表示由上述状态推算部推算出的结果的信息(推算值、表示推算值的图表、根据推算值计算出的值等)(例如向操作终端120发送)的输出部(例如状态推算部513)。

根据上述结构，输出表示卷扬机的状态的信息。例如，卷扬机能够为了操作者进行安全确认而显示该信息，或者将该信息用于其他推算(劣化度的推算、寿命预测等)，或者将该信息用于各种控制(过负荷防止控制、紧急停止等)。

(5)

上述运转信息包括表示输入至上述电动机的输入值的信息和表示来自上述电动机的输出值的信息这两者。

在上述结构中，使用表示要输入至电动机的输入值的信息和表示来自电动机的输出值的信息这两者来推算卷扬机的状态，所以例如与使用表示输入值的信息或表示输出值的信息中的任一者的情况相比，能够提高推算的精度。

(6)

上述运转信息包含对上述电动机施加的电压值、对上述电动机的控制部(逆变器)的指令频率、从对上述电动机设置的编码器的传感器值计算出的上述电动机的转速、输入至上述电动机的驱动电流值、上述电动机的矢量控制中的励磁电流值、上述电动机的矢量控制中的转矩电流值、对上述电动机输入的输入转矩值、输入至上述电动机的指令速度、以及上述电动机的转速相对于输入至上述电动机的指令速度的滑移值中的至少1个信息。

(7)

上述状态推算部用于推算上述卷扬机的状态的运转信息是规定期间的时间序列信息。

根据上述结构，能够利用从一定的时间点至另一定的时间点的规定的期间(例如数秒间)的运转信息，所以例如与利用一定的时间点的运转信息的情况相比，能够提高推算的精度。

(8)

卷扬机系统(卷扬机系统900)包括：卷扬机(例如卷扬机101)，其包括电动机(例如电动机220)并能够控制上述电动机来进行重物的起升和下降；用于操作上述卷扬机的操作终端(例如操作终端120)；和学习用于推算上述卷扬机的状态的状态推算式的学习装置(例如学习装置910)。上述学习装置包括：学习数据保存部(例如学习数据保存部911)，其保存对上述电动机的运转信息与表示上述卷扬机的状态的信息(学习数据条件、参照值、状态信息等)建立了对应关系的学习数据；使用由上述学习数据保存部保存的学习数据来学习状态推算式的学习部(例如学习部912)；和保存由上述学习部学习到的状态推算式的学习结果保存部(例如学习结果保存部913)。上述卷扬机包括：用于获取上述电动机的运转信息的运转信息获取部(例如运转信息获取部512)；和状态推算部(例如状态推算部513)，其使用由上述运转信息获取部获取的运转信息和由上述学习结果保存部保存的状态推算式来推算上述卷扬机的状态。上述操作终端包括显示表示由上述状态推算部推算出的结果的信息(推算值、表示推算值的图表、根据推算值计算出的值等)的状态显示部(例如状态显示部521)。

在上述结构中，例如，通过使用卷扬机的电动机的运转信息来学习状态推算式，能够得到反映了卷扬机的特性的状态推算式。

(9)

上述操作终端包括学习数据设定部(例如学习数据设定部922)，该学习数据设定部在由上述状态推算部基于规定的运转信息推算出的表示上述卷扬机的状态的信息被修正了的情况下，对修正后的信息(例如参照值)与上述规定的运转信息建立对应关系而将其作为重新学习用的学习数据发送至上述学习装置，上述学习数据保存部保存从上述学习数据设定部发送来的重新学习用的学习数据。

在上述结构中，例如，通过使用重新学习用的学习数据对状态推算式进行重新学习，能够得到反映了运用环境的特性的状态推算式。

(10)

上述状态推算部使用由上述运转信息获取部获取的运转信息、由上述学习数据保存部保存的学习数据和由上述学习结果保存部保存的状态推算式，来推算上述电动机的劣化度和与上述电动机的动力传递系统连接的构成要素的劣化度中的至少1者，作为上述卷扬机的状态。

在上述结构中，推算电动机的劣化度和/或与电动机的动力传递系统连接的构成要素的劣化度，所以例如操作者能够掌握当前和未来的卷扬机的状态。在该情况下，操作者能够获知卷扬机的维护的时机、卷扬机的寿命等，所以能够将因卷扬机的突然故障而导致的生产线停止、繁忙期的维护的实施等防患于未然。

(11)

上述卷扬机设置有多个，上述学习数据保存部保存关于上述多个卷扬机的每一个的学习数据(例如参照图15)。

在上述结构中，通过学习数据保存部保存包含多个卷扬机的运转信息的学习数据，所以例如能够将相互的卷扬机的运转信息活用于各卷扬机的劣化度的推算。根据上述结构，例如，与在相同的运用环境下利用的电动机和与电动机的动力传递系统连接的构成要素进行比较，能够计算是哪种劣化度。由此，能够更准确地推算与卷扬机的电动机和电动机的动力传递系统连接的构成要素的劣化度。

(12)

状态推算装置(例如状态推算装置1310)推算卷扬机的状态，该卷扬机包括电动机(例如电动机220)并能够控制上述电动机来进行重物的起升和下降，该状态推算装置包括：用于获取上述电动机的运转信息的运转信息获取部(例如运转信息获取部512)；学习数据保存部(例如学习数据保存部911)，其保存由上述运转信息获取部获取的运转信息与表示上述卷扬机的状态的信息(学习数据条件、参照值、状态信息等)建立了对应关系的学习数据；使用由上述学习数据保存部保存的学习数据来学习状态推算式的学习部(例如学习部912)；保存由上述学习部学习到的状态推算式的学习结果保存部(例如学习结果保存部913)；和状态推算部(例如状态推算部513)，其使用由上述运转信息获取部获取的运转信息和保存于上述学习结果保存部的状态推算式来推算上述卷扬机的状态。

在上述结构中，例如通过在现有的卷扬机上安装状态推算装置，在卷扬机出厂时，即使是没有装载状态推算功能的卷扬机，也能够进行状态推算。

(13)

上述状态推算装置包括学习数据设定部(例如学习数据设定部922)，该学习数据设定部在上述卷扬机出厂时或检查上述卷扬机时进行的试验中，在按照上述卷扬机的规定的运转条件(例如离地条件)控制了上述电动机时，对由上述运转信息获取部获取的上述电动机的运转信息与上述规定的运转条件建立对应关系而将其设定为学习数据，上述学习数据保存部保存由上述学习数据设定部设定的学习数据。

在上述结构中，例如，使用在卷扬机出厂时或者检查卷扬机时获取的卷扬机的电动机的运转信息来学习状态推算式，所以能够得到反映了卷扬机的特性的状态推算式或者反映了运用环境的特性的状态推算式。

(14)

上述规定的运转条件包括成为上述卷扬机的最大负荷的条件、成为上述卷扬机的额定负荷的条件、和成为在上述卷扬机上不安装重物的无负荷的条件中的至少1者。

最大载荷是在卷扬机的安全上应该确认的动作点，额定载荷是卷扬机的每个机型的代表性的设计点，无负荷是载荷的偏差等噪声的影响最少的动作点，所以根据上述结构，能够适当地收集学习数据。

另外，关于上述的结构，在不超出本发明的主旨的范围内，可以适当地进行变更、重组、组合或省略。

要理解为，“A、B和C中的至少1个”这样的形式中的列表所包含的项目能够表示(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或者(A、B和C)。同样地，在“A、B或C中的至少1个”的形式中列出的项目能够表示(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C)。

附图标记说明

100……卷扬机系统、101……卷扬机、120……终端装置。

Claims (14)

1.一种卷扬机，其包括电动机并能够控制所述电动机来进行重物的起升和下降，所述卷扬机的特征在于，包括：

用于获取所述电动机的运转信息的运转信息获取部；和

状态推算部，其基于由所述运转信息获取部获取的运转信息和进行学习而能够推算所述卷扬机的状态的状态推算式，来推算所述卷扬机的状态。

2.如权利要求1所述的卷扬机，其特征在于：

所述卷扬机包括能够安装重物的吊索，

所述状态推算部推算安装于所述吊索的重物的质量、所述重物的加速度、所述吊索的张力、所述电动机的旋转负荷、所述吊索的张紧状态、所述电动机的温度和所述重物的重物振动量中的至少1者作为所述卷扬机的状态。

3.如权利要求1所述的卷扬机，其特征在于：

所述状态推算部推算规定的状态、与所述规定的状态存在并列关系的状态和/或与所述规定的状态存在直列关系的状态，作为所述卷扬机的状态。

4.如权利要求1所述的卷扬机，其特征在于：

所述卷扬机包括输出部，该输出部输出表示由所述状态推算部推算出的结果的信息。

5.如权利要求1所述的卷扬机，其特征在于：

所述运转信息包括表示输入至所述电动机的输入值的信息和表示来自所述电动机的输出值的信息这两者。

6.如权利要求1所述的卷扬机，其特征在于：

所述运转信息包括对所述电动机施加的电压值、对作为所述电动机的控制部的逆变器输入的指令频率、从对所述电动机设置的编码器的传感器值计算出的所述电动机的转速、输入至所述电动机的驱动电流值、所述电动机的矢量控制中的励磁电流值、所述电动机的矢量控制中的转矩电流值、对所述电动机输入的输入转矩值、输入至所述电动机的指令速度、以及所述电动机的转速相对于输入至所述电动机的指令速度的滑移值中的至少1个信息。

7.如权利要求1所述的卷扬机，其特征在于：

所述状态推算部用来推算所述卷扬机的状态的运转信息是规定期间的时间序列信息。

8.一种卷扬机系统，包括：

卷扬机，其包括电动机并能够控制所述电动机来进行重物的起升和下降；

用于操作所述卷扬机的操作终端；和

学习用于所述卷扬机的状态的推算的状态推算式的学习装置，

所述卷扬机系统的特征在于：

所述学习装置包括：

学习数据保存部，其保存所述电动机的运转信息与表示所述卷扬机的状态的信息建立了对应关系的学习数据；

学习部，其使用由所述学习数据保存部保存的学习数据来学习状态推算式；和

保存由所述学习部学习到的状态推算式的学习结果保存部，

所述卷扬机包括：

用于获取所述电动机的运转信息的运转信息获取部；和

状态推算部，其使用由所述运转信息获取部获取的运转信息和由所述学习结果保存部保存的状态推算式来推算所述卷扬机的状态，

所述操作终端包括状态显示部，该状态显示部显示表示由所述状态推算部推算出的结果的信息。

9.如权利要求8所述的卷扬机系统，其特征在于：

所述操作终端包括学习数据设定部，该学习数据设定部在由所述状态推算部基于规定的运转信息推算出的表示所述卷扬机的状态的信息被修正了的情况下，对修正后的信息与所述规定的运转信息建立对应关系而将其作为重新学习用的学习数据发送至所述学习装置，

所述学习数据保存部保存从所述学习数据设定部发送来的重新学习用的学习数据。

10.如权利要求9所述的卷扬机系统，其特征在于：

所述状态推算部使用由所述运转信息获取部获取的运转信息、由所述学习数据保存部保存的学习数据和由所述学习结果保存部保存的状态推算式，来推算所述电动机的劣化度和与所述电动机的动力传递系统连接的构成要素的劣化度中的至少1者，作为所述卷扬机的状态。

11.如权利要求9所述的卷扬机系统，其特征在于：

所述卷扬机设置有多个，

所述学习数据保存部存储关于所述多个卷扬机的每一个的学习数据。

12.一种用于推算卷扬机的状态的状态推算装置，其中所述卷扬机包括电动机并能够控制所述电动机来进行重物的起升和下降，所述状态推算装置的特征在于，包括：

用于获取所述电动机的运转信息的运转信息获取部；

学习数据保存部，其保存由所述运转信息获取部获取的运转信息与表示所述卷扬机的状态的信息建立了对应关系的学习数据；

学习部，其使用由所述学习数据保存部保存的学习数据来学习状态推算式；

保存由所述学习部学习到的状态推算式的学习结果保存部；和

状态推算部，其使用由所述运转信息获取部获取的运转信息和保存于所述学习结果保存部的状态推算式来推算所述卷扬机的状态。

13.如权利要求12所述的状态推算装置，其特征在于：

所述状态推算装置包括学习数据设定部，该学习数据设定部在所述卷扬机出厂时或检查所述卷扬机时进行的试验中，在按照所述卷扬机的规定的运转条件控制了所述电动机时，对由所述运转信息获取部获取的所述电动机的运转信息与所述规定的运转条件建立对应关系而将其设定为学习数据，

所述学习数据保存部保存由所述学习数据设定部设定的学习数据。

14.如权利要求13所述的状态推算装置，其特征在于：

所述规定的运转条件包括成为所述卷扬机的最大负荷的条件、成为所述卷扬机的额定负荷的条件、和成为不对所述卷扬机安装重物的无负荷的条件中的至少1者。

Images