JP2020149183A - 機械学習器、劣化推定器及び劣化診断装置 - Google Patents

Abstract

【課題】現地への作業員の派遣を必要とせず、未点検の所外設備の劣化状態を推定できる機械学習器、劣化推定器及び劣化診断装置を提供することを目的とする。【解決手段】本発明に係る機械学習器３０１は、コンピュータが所外設備の劣化を判断するための学習モデルＭ１を生成する機械学習器であって、前記所外設備の特徴および状態を示す設備データＤ１、及び前記所外設備に発生した劣化の有無を示す劣化データＤ２が入力される入力部１１と、劣化状態にある前記所外設備の前記設備データ、及び劣化状態ではない前記所外設備の前記設備データを訓練データとして教師あり学習を行い学習モデルＭ１を生成する分析部１２と、を備える。【選択図】図６

Description

本開示は、機械学習を用いて設備状態を推定する機械学習器、劣化推定器及び劣化診断装置に関する。

現在、電柱等の所外設備の劣化診断等の保守作業は、作業者が現地に行って目視による点検作業で行われている。ＭＭＳ（Ｍｏｂｉｌｅ Ｍａｐｐｉｎｇ Ｓｙｓｔｅｍ：以下、ＭＭＳ）を用いて取得した３次元座標から、電柱やケーブル等の屋外構造物を３Ｄモデル化し、当該屋外構造物の現在の状態等をＰＣ内で３次元に再現し、劣化推定を行うことも検討されている（例えば、特許文献１を参照。）。

特開２０１５−７８８４９号公報

特許文献１のような手法は、車両等で所外設備に近接し、センサを用いて計測する必要があり、作業者の現地派遣によるデータ収集が必要である。このため、従来の技術には、管理区域内にある全ての所外設備を点検するためには、時間やコストがかかるという課題があった。

そこで、本発明は、前記課題を解決するために、現地への作業員の派遣を必要とせず、未点検の所外設備の劣化状態を推定できる機械学習器、劣化推定器及び劣化診断装置を提供することを目的とする。

上記目的を達成するために、本発明に係る機械学習器、劣化推定器及び劣化診断装置は、調査済みの所外設備の設備データ（特定の説明変数）と劣化状況を訓練データとして機械学習して学習モデルを生成し、それを用いて他の未点検の所外設備の劣化状態を推定することとした。

具体的には、本発明に係る機械学習器は、コンピュータが所外設備の劣化を判断するための学習モデルを生成する機械学習器であって、
前記所外設備の特徴および状態を示す設備データ、及び前記所外設備に発生した劣化の有無を示す劣化データが入力される入力部と、
劣化状態にある前記所外設備の前記設備データ、及び劣化状態ではない前記所外設備の前記設備データを訓練データとして教師あり学習を行い前記学習モデルを生成する分析部と、を備え、
前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、及び前記所外設備が設置された地域情報のうち少なくともひとつであることを特徴とする。

また、本発明に係る劣化推定器は、コンピュータが学習モデルを使用して診断対象所外設備の劣化を診断する劣化推定器であって、
前記診断対象所外設備の特徴および状態を示す評価用設備データが入力される評価データ入力部と、
前記学習モデルを使用し、前記評価データ入力部に入力された前記評価用設備データから前記診断対象所外設備が劣化している確率を計算する評価部と、
を備え、
前記学習モデルは、劣化状態にある診断対象外の所外設備の設備データ、及び劣化状態ではない診断対象外の所外設備の設備データを訓練データとして教師あり学習で生成されており、
前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、及び前記所外設備が設置された地域情報のうち少なくともひとつであることを特徴とする。

そして、本発明に係る劣化診断装置は、前記機械学習器と、前記機械学習器が生成した学習モデルを使用する前記劣化推定器と、を備える。

本機械学習器は、設備の劣化に対して関連性の高い設備データで学習モデルを生成する。また、本劣化推定器は、生成した学習モデルを用い、未点検の所外設備の設備データから劣化が予想される所外設備を予測することができる。ここで劣化が予測される所外設備のみに作業員を派遣することで管理区域内にある全ての所外設備を点検するより時間やコストを大幅に低減できる。

従って、本発明は、現地への作業員の派遣を必要とせず、未点検の所外設備の劣化状態を推定できる機械学習器、劣化推定器及び劣化診断装置を提供することができる。

以下に記載するデータを追加することで、劣化予測の精度が向上する。
前記設備データが、前記所外設備のたわみも含んでいる。
さらに、前記入力部には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データとしてさらに入力され、前記分析部は、劣化状態にある前記所外設備の前記外部データ、及び劣化状態ではない前記所外設備の前記外部データも前記訓練データとして教師あり学習を行うことを特徴とする。

この場合、本発明に係る劣化推定器も、前記設備データが、前記所外設備のたわみも含んでいる。さらに、前記評価データ入力部には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データとしてさらに入力され、前記学習モデルは、劣化状態にある前記所外設備の前記外部データ、及び劣化状態ではない前記所外設備の前記外部データも前記訓練データとして教師あり学習で生成されたことを特徴とする。

なお、上記各発明は、可能な限り組み合わせることができる。

本発明は、現地への作業員の派遣を必要とせず、未点検の所外設備の劣化状態を推定できる機械学習器、劣化推定器及び劣化診断装置を提供することができる。

パラメータの定義を説明する図である。 パラメータの定義を説明する図である。 パラメータの定義を説明する図である。 パラメータの定義を説明する図である。 パラメータの定義を説明する図である。 本発明に係る機械学習器を説明する図である。 本発明に係る機械学習器を説明する図である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る機械学習器が作成した学習モデルの評価結果である。 本発明に係る劣化推定部を説明する図である。 本発明に係る劣化推定部を説明する図である。 本発明に係る機械学習器を説明する図である。 本発明の効果を説明する図である。 設備データ、劣化データ及び評価用設備データを説明する図である。

添付の図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。特に、本実施形態では、所外設備を電柱として説明するが、所外設備は電柱に限らない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

［定義］
本明細書で説明する設備データのパラメータの定義を記載する。
「柱分類」：図１のように隣の電柱との角度に応じた分類である。引留柱、中間柱、曲柱がある。なお、図２０の入力データ例では、“１”が引留柱、“２”が中間柱、“３”が曲柱である。
「支線数」：図２のように電柱を支えるワイヤの数である。
「支柱数」：図２ではワイヤで電柱を支えているが、ワイヤではなく柱で支える場合もある。電柱を支えるその柱の数である。
「地域情報」：電柱が設置された位置を表す情報である。例えば、電柱を管理する収容局の名前（収容区域コード）である。
「柱長」：図３のように電柱の地際からの高さである。
「経過年」：電柱が所外の現場で建てられた（使用開始された）年から現在までの年数である。
「設置土地種別」：電柱を設置している土地の種別（例えば宅地、国道、私道など）である。
「設計強度」：電柱の設計荷重（例えば２００、５００、７００ｋｇｆなど）である。
「官民区分」：電柱を設置している土地が官地、民地、境界のいずれであるかを意味する。
「土質」：電柱を設置する場所の土質（例えば普通土、岩盤土、軟弱土など）である。
「製造メーカ」：電柱を製造したメーカ名である。
「たわみ」：図４に定義を示す。ＭＭＳで取得した電柱の点群の３次元座標を用い、高さ（Ｚ）方向に所定間隔（例えば４ｃｍ）毎に電柱の外円を生成する（図４（Ｂ））。そして、それぞれの外円の中心点の座標を計算する。この中心点座標の近似曲線（例えば３次近似曲線）を電柱の中心軸とする（図４（Ｃ））。中心軸最下点から所定の高さｔ１（例えば地際から２ｍの高さ）までの中心点に対する近似直線を基準軸とする。前記所定の高さｔ１より高い高さｔ２（例えば地際から５ｍの高さ）での基準軸の点と中心軸との距離を「たわみ」と定義する。なお、鉛直軸と基準軸の角度を「傾き」と定義する。
「再現率」：電柱の劣化を横ひびとした場合、現実に横ひびがある電柱の中で、劣化推定器が「横ひびあり電柱」と推定できた確率である（図５参照。）。
「適合率」：劣化推定器が「横ひびあり電柱」と推定した中で、現実に横ひびがあった電柱の確率である（図５参照。）。
「Ｆ値」：再現率と適合率の調和平均である（図５参照。）。

（実施形態１）
図６は、本実施形態の機械学習器３０１を説明する図である。機械学習器３０１は、コンピュータが所外設備の劣化を判断するための学習モデルＭ１を生成する機械学習器であって、
前記所外設備の特徴および状態を示す設備データＤ１、及び前記所外設備に発生した劣化の有無を示す劣化データＤ２が入力される入力部１１と、
劣化状態にある前記所外設備の前記設備データ、及び劣化状態ではない前記所外設備の前記設備データを訓練データとして教師あり学習を行い学習モデルＭ１を生成する分析部１２と、を備える。

設備データＤ１は、所外設備に関する情報及びその周囲にある環境の情報である。所外設備が電柱である場合、設備データＤ１は、例えば、経過年、柱分類、支線数、地域情報、柱長、たわみ、設置土地種別、設計強度、支柱数、官民区分、土質、及び製造メーカのうち、少なくとも１つである。また、劣化データＤ２は、コンクリート製電柱の場合、ひびの有無であり、鋼管製電柱の場合、腐食の有無である。設備データＤ１は電柱設置時に取得することができ、劣化データＤ２は今までの点検に作業者によって取得されたものである。図２０は、分析部１２に入力される設備データＤ１と劣化データＤ２の一例である。

分析部１２は、設備データＤ１と劣化データＤ２から次のようにＦ値を使って特徴抽出を行い、学習モデルＭ１を生成して出力部１３から学習モデルＭ１を出力させる。

なお、図７は、特徴抽出を行うときの機械学習器３０１を説明する図である。図６の機械学習器３０１に、評価データ入力部１４と評価部１５がさらに備わる。評価用設備データＤ３は、設備データＤ１とは異なる電柱の設備データと劣化データである。評価用設備データＤ３は、例えば、経過年、柱分類、支線数、地域情報、柱長、たわみ、設置土地種別、設計強度、支柱数、官民区分、土質、及び製造メーカのうち、少なくとも２つである。

評価データ入力部１４は、入力された評価用設備データＤ３を評価部１５に出力する。評価部１５は、任意の設備データで作成した学習モデルＭ１を用いて評価用設備データＤ３を評価し、評価結果Ｒ１を出力する。図８から図１５は、評価部１５が行った評価結果である。評価部１５はＦ値を評価値としている。また、評価用設備データＤ３は１０６２２件の電柱のデータである。評価用設備データＤ３は図２０の劣化データが存在しないデータである。

図８は、設備データのうち６種類の説明変数（表の左欄に記載するたわみ、経過年１、柱分類、地域情報、柱長、及び支線数）で作成した学習モデルＭ１の評価結果である。この学習モデルＭ１の評価値（Ｆ値）は０．３１６であった。なお、図８の表の右欄は、各説明変数の特徴重要度であり、「機械学習が算出するひび発生の確率に影響する度合い」を意味する。つまり、「たわみ」がひび発生に最も影響することを意味している。なお、本評価において「たわみ」は、ｔ１＝２ｍ、ｔ２＝５ｍとしている。

図９は、同じ設備データのうち、上記説明変数（６種類）から『柱分類』を除いた説明変数（５種類）で作成した学習モデルＭ１の評価結果である。この学習モデルＭ１の評価値（Ｆ値）は０．３１０であった。図９の評価で使用した学習モデルＭ１（説明変数５種類）は、図８の評価で使用した学習モデル（説明変数６種類）よりも評価値（Ｆ値）が低下した。これにより、説明変数『柱分類』は機械学習の学習モデルの精度向上に重要であることがわかる。

図１０は、同じ設備データのうち、上記説明変数（５種類）から『支線数』を除いた説明変数（４種類）で作成した学習モデルＭ１の評価結果である。この学習モデルＭ１の評価値（Ｆ値）は０．２７７であった。図１０の評価で使用した学習モデルＭ１（説明変数４種類）は、図９の評価で使用した学習モデル（説明変数５種類）よりも評価値（Ｆ値）が低下した。これにより、説明変数『支線数』は機械学習の学習モデルの精度向上に重要であることがわかる。

同様に、図１１は『柱長』を除いた説明変数（３種類）で作成した学習モデルＭ１の評価結果、図１２は『たわみ』を除いた説明変数（３種類）で作成した学習モデルＭ１の評価結果、図１３は『たわみ』と『柱長』除いた説明変数（２種類）で作成した学習モデルＭ１の評価結果である。図１１〜図１３は、いずれも評価値（Ｆ値）が図１０より低下しているので、説明変数『たわみ』も『柱長』も機械学習の学習モデルの精度向上に重要であることがわかる。

一方、図１４は、図９の評価で使用した学習モデルＭ１（説明変数５種類）に説明変数『設備識別』を加えた説明変数（６種類）で作成した学習モデルＭ１の評価結果である。この学習モデルＭ１の評価値（Ｆ値）は０．３０２であった。図１４の評価で使用した学習モデルＭ１（説明変数６種類）は、図９の評価で使用した学習モデル（説明変数５種類）よりも評価値（Ｆ値）が低下した。これにより、説明変数『設備識別』は機械学習の学習モデルの精度向上に寄与しないことがわかる。

図１５は、図９の評価で使用した学習モデルＭ１（説明変数５種類）に説明変数『柱形態』を加えた説明変数（６種類）で作成した学習モデルＭ１の評価結果である。この学習モデルＭ１の評価値（Ｆ値）は０．２７４であった。図１５の評価で使用した学習モデルＭ１（説明変数６種類）は、図９の評価で使用した学習モデル（説明変数５種類）よりも評価値（Ｆ値）が低下した。これにより、説明変数『柱形態』も機械学習の学習モデルの精度向上に寄与しないことがわかる。

以上の評価より、前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、前記所外設備が設置された地域情報、及びたわみのうち少なくともひとつであることが好ましい。

機械学習器３０１は、分析部１２においてＦ値を用いて特徴抽出を行い、その結果得られた上記設備データの一つ以上を学習パラメータとし、ひび又は腐食を正解データとして学習して学習モデルＭ１を生成する。

（実施形態２）
図１６は、本実施形態の劣化推定器３０２を説明する図である。劣化推定器３０２は、コンピュータが学習モデルＭ１を使用して診断対象所外設備の劣化を診断する劣化推定器であって、前記診断対象所外設備の特徴および状態を示す評価用設備データＤ３が入力される評価データ入力部１４と、学習モデルＭ１を使用し、評価データ入力部１４に入力された評価用設備データＤ３から前記診断対象所外設備が劣化している確率を計算する評価部１５と、を備える。

劣化推定器３０２が使用する学習モデルＭ１は、実施形態１で説明した機械学習器３０１が生成した学習モデルであることが好ましい。すなわち、学習モデルＭ１は、劣化状態にある診断対象外の所外設備の設備データ、及び劣化状態ではない診断対象外の所外設備の設備データを訓練データとして教師あり学習で生成されており、前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、前記所外設備が設置された地域情報、及びたわみのうち少なくともひとつであることを特徴とする。

劣化推定器３０２は、次のように動作する。評価部１５は、データ入力部１５ａに入力された学習モデルＭ１を読み込む。また、評価部１５は、評価データ入力部１４に入力された評価する電柱の情報（評価用設備データ）を設備データ構造の通りに読み込む。評価部１５は、学習モデルＭ１を使用して、評価する電柱のひびないし腐食を推定する。このとき、評価部１５は、ナイーブベイズ、ＳＶＭ、ディープラーニングその他の公知の機械学習技術を用いる。評価部１５は、評価結果Ｒ１として出力部１５ｂから推定した電柱の状態を確率（例：ひび確率３５％）で出力する。なお、評価結果Ｒ１は、任意の閾値に基づき（例：ひび確率５０％）、閾値以上の確率と評価された電柱を「劣化有り」、閾値未満を「劣化無し」と診断してもよい。

（実施形態３）
図１７は、本実施形態の劣化推定器３０３を説明する図である。劣化推定器３０３は、実施形態２の劣化推定器３０２に評価用設備データＤ３の一部を変更する評価データ修正部１６をさらに備えることを特徴とする。

例えば、評価データ修正部１６は、評価用設備データＤ３の経過年に任意の年数ｎを加算する。評価データ修正部１６が修正した評価用設備データＤ３を評価部１５が評価することで、劣化推定器３０３はｎ年後の劣化状態を推定することができる。

（実施形態４）
図１８は、本実施形態の機械学習器３０１を説明する図である。本実施形態の機械学習器３０１は、実施形態１の機械学習器３０１に対してデータ入力部１１に設備データＤ１及び劣化データＤ２以外の外部データＤ４がさらに入力されることが異なる。外部データＤ４は、例えば、気候や地盤のデータである。つまり、本実施形態の機械学習器３０１は、入力部１１には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データＤ４としてさらに入力され、分析部１２は、劣化状態にある前記所外設備の外部データＤ４、及び劣化状態ではない前記所外設備の外部データＤ４も前記訓練データとして教師あり学習を行うことを特徴とする。

気候データは、気象庁からのデータであり、例えば、平均風速（ｍ／ｓ）、最深積雪（ｃｍ）、平均気温（℃）、最高気温−最低気温（℃）、日最低気温０℃未満日数（日／月）、降水量の合計（ｍｍ／月）、平均湿度（％）、及び日照時間（時間／月）である。
地盤データは、防災科学技術研究所からのデータであり、例えば、微地形分類コード、表層３０ｍの平均Ｓ波速度、及び工学的基盤（Ｖｓ＝４００ｍ／ｓ）から地表に至る最大速度の増幅率である。

機械学習器３０１は、次のように動作する。分析部１２は、データ入力部１１を介して設備データＤ１の一つ以上を読み込む。分析部１２は、データ入力部１１を介して気候及び地盤等の外部データＤ４をさらに読み込む。分析部１２は、電柱座標位置から、該当する気候データや地盤データを各電柱に紐付ける。なお、気候データは任意の年数（例：１０年）もしくは、電柱建柱時から現在までの年数の平均を算出する。分析部１２は、これらと、劣化データＤ２のひびもしくは腐食の有無を正解データとを訓練データとして学習（特徴抽出）する。分析部１２は、学習の結果、生成した学習モデルＭ２を出力部１３を介して出力する。

また、本実施形態の劣化推定器は、図１６の劣化推定器３０２や図１７の劣化推定器３０３を利用できるが、評価データ入力部１４には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データとしてさらに入力されることが好ましい。

設備データＤ１以外に外部データＤ４も加えることで推定結果の精度を向上させることができる。

（実施例１）
本実施例では、本発明の効果を説明する。図１９（Ａ）は、従来の点検方法を説明する図である。従来の点検では、電柱が敷設されている現地に点検者３１が行き、点検エリア３２にある全ての電柱３３についてひびの有無を診断する。例えば、点検者３１が１年で診断できる電柱数を２千本と仮定すると、ある点検エリア３２に１万本の電柱３３が敷設されている場合、点検者３１がすべての電柱３３についてひび有無を現地診断するのに５年掛かる。なお、従来の点検では、どの電柱にひびがあるかわからないため、あらかじめ診断する電柱を決めることはできない。

図１９（Ｂ）は、本発明の点検方法を説明する図である。本発明では、電柱３３についてひび有り推定確率を出力することができる。例えば、本発明の劣化推定器が、点検エリアにあるひび有り推定確率が０．５〜１となる電柱３５が２千本であると推定した場合、該当する電柱を優先的に点検することが可能となる。その結果、点検周期を５年とすると、最初の１年でひび有り推定確率が０．５〜１となる電柱３５を点検し、残りの４年（２年目から５年目）でひび有り推定確率が０〜０．５となる電柱３４を点検することにより、ひび有り電柱を早期に診断することが可能となり、点検業務を効率的に行うことができる。さらに、ひび有り推定確率が０．５〜１となる電柱３５のみを診断するとすれば、残りの電柱３４（ひび有り推定確率が０〜０．５）を診断無とし、点検コストを削減することができる。

（実施例２）
実施形態３で説明したように、劣化推定器が評価データ修正部１６を備えると、将来ひびが発生する電柱を予測することができる。例えば、劣化推定器で１０年後に横ひびが発生している電柱を予測すれば、点検者が点検する対象の電柱を絞り込むことができ、さらに点検コストを低減することができる。

（実施例３）
機械学習器３０１と劣化推定器（３０２、３０３）とを図７のように組み合わせて劣化診断装置としてもよい。当該劣化診断装置は、過去のデータから学習モデルＭ１を生成し、且つ新たに入力された評価用設備データ（診断対象の所外設備のデータ）から劣化診断を行うことができる。

［補足］
設備データＤ１や評価用設備データＤ３のなかには、数値でないデータ（質的データ）が含まれることがある。例えば、官民区分、柱分類、及び地域情報等が質的データである。分析部１２及び評価部１５の機械学習において、このような質的データは、量的な変数（ダミー変数）に変換される。例えば、官民区分のように官地、民地、境界がある場合、
電柱番号 官民区分
１ 官地
２ 民地
３ 民地
４ 官地
５ 境界
のデータを下記のように変数単位で１（有り）、０（無し）に変換する。
電柱番号 官地 民地 境界
１ １ ０ ０
２ ０ １ ０
３ ０ １ ０
４ １ ０ ０
５ ０ ０ １

また、分析部１２及び評価部１５の機械学習において、数値データ（量的データ）の次元を合わせるために正規化という手法を用いる。元の説明変数（数値データ）の特徴（分散）を変えずに正規化する。なお、当該正規化の手法は分析部１２及び評価部１５が採用している機械学習アルゴリズムによって異なる。

１１：データ入力部
１２：分析部
１３：出力部
１４：評価データ入力部
１５：評価部
１５ａ：データ入力部
１５ｂ：出力部
１６：評価データ修正部
３０１：機械学習器
３０２、３０３：劣化推定器

Claims (7)

1. コンピュータが所外設備の劣化を判断するための学習モデルを生成する機械学習器であって、
   前記所外設備の特徴および状態を示す設備データ、及び前記所外設備に発生した劣化の有無を示す劣化データが入力される入力部と、
   劣化状態にある前記所外設備の前記設備データ、及び劣化状態ではない前記所外設備の前記設備データを訓練データとして教師あり学習を行い前記学習モデルを生成する分析部と、を備え、
   前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、及び前記所外設備が設置された地域情報のうち少なくともひとつであることを特徴とする機械学習器。
2. 前記設備データが、前記所外設備のたわみも含んでおり、
   前記たわみは、前記所外設備の表面の３次元座標から取得した、地際からの各高さにおける前記所外設備の中心点を取得しておき、前記中心点を３次曲線近似した中心軸と、地際から所定の高さまでの前記中心点を直線近似した基準軸との、前記所定の高さより高い位置でのずれであることを特徴とする請求項１に記載の機械学習器。
3. 前記入力部には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データとしてさらに入力され、
   前記分析部は、劣化状態にある前記所外設備の前記外部データ、及び劣化状態ではない前記所外設備の前記外部データも前記訓練データとして教師あり学習を行うことを特徴とする請求項１又は２に記載の機械学習器。
4. コンピュータが学習モデルを使用して診断対象所外設備の劣化を診断する劣化推定器であって、
   前記診断対象所外設備の特徴および状態を示す評価用設備データが入力される評価データ入力部と、
   前記学習モデルを使用し、前記評価データ入力部に入力された前記評価用設備データから前記診断対象所外設備が劣化している確率を計算する評価部と、
   を備え、
   前記学習モデルは、劣化状態にある診断対象外の所外設備の設備データ、及び劣化状態ではない診断対象外の所外設備の設備データを訓練データとして教師あり学習で生成されており、
   前記設備データは、前記所外設備が設置されてからの経過年数、前記所外設備を支える支線数、隣あう前記所外設備の配置状態を表す分類、前記所外設備の長さ、及び前記所外設備が設置された地域情報のうち少なくともひとつであることを特徴とする劣化推定器。
5. 前記設備データが、前記所外設備のたわみも含んでおり、
   前記たわみは、前記所外設備の表面の３次元座標から取得した、地際からの各高さにおける前記所外設備の中心点を取得しておき、前記中心点を３次曲線近似した中心軸と、地際から所定の高さまでの前記中心点を直線近似した基準軸との、前記所定の高さより高い位置でのずれであることを特徴とする請求項４に記載の劣化推定器。
6. 前記評価データ入力部には、前記所外設備が設置された位置の気候データ及び地盤データの少なくともひとつが外部データとしてさらに入力され、
   前記学習モデルは、劣化状態にある前記所外設備の前記外部データ、及び劣化状態ではない前記所外設備の前記外部データも前記訓練データとして教師あり学習で生成されたことを特徴とする請求項４又は５に記載の劣化推定器。
7. 請求項１から３のいずれかに記載の機械学習器と、
   前記機械学習器が生成した前記学習モデルを使用する、請求項４から６のいずれかに記載の劣化推定器と、
   を備える劣化診断装置。