JP2021056153A - 余寿命予測装置、余寿命予測システム、および余寿命予測プログラム - Google Patents

Abstract

【課題】余寿命を適切に推定する。【解決手段】各時刻における第一部材、第二部材の一方における学習劣化量情報、学習特徴ベクトル、情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第一人工知能により第一余寿命を推定する第一人工知能と、第一人工知能よりも長時間を要し、かつ第一人工知能よりも高精度の余寿命を推定する第二人工知能を有する第二人工知能部１４２と、評価用動作機構から得られる評価特徴ベクトル、評価劣化量情報の一方を取得する評価情報取得部１３０と、評価特徴ベクトル、評価劣化量情報の一方を入力とし、第一人工知能部により余寿命を推定し、劣化判別指標が所定の条件を満たした場合、評価特徴ベクトル、評価劣化量情報の一方を入力とし、第二人工知能部により余寿命を導出する余寿命導出定部と、を備える余寿命予測装置１０９。【選択図】図２

Description

本発明は、２つの部材が相対的に動作する動作機構の動作限界までの時間を予測する余寿命予測装置、余寿命予測システム、および余寿命予測プログラムに関する。

転がり軸受の外輪と転動体、内輪と転動体のように、第一部材と第二部材が相対的に動作する動作機構について、使用限界までの時間、いわゆる余寿命の推定が行われている。

例えば、特許文献１には、振動センサから得られる特徴量をもとに軸受の欠損レベル、残存寿命を推定する手法が記載されている。また特許文献２には、センサの出力データから算出される状態変数を故障度合いと関連付けて機械学習による訓練を行い、故障予知を行う手法が記載されている。

特開２０１７−２１９４６９号公報 特許第６１４８３１６号公報

動作機構の使用の初期段階においては寿命に余裕があるためある程度荒く余寿命を推定してもよいが、後期段階において動作限界を見極めるためには計算コストを多く費やし正確に余寿命を推定する必要がある。ところが、荒い推定から正確な推定に切り替えるタイミングを見極めるのは困難であり、早くに切り替えると計算コストが多くなり、遅くに切り替えると、動作限界に近づきすぎる場合がある。

本発明は上記課題に鑑みなされたものであり、動作機構の劣化状態に応じて動作限界までの寿命を適切に推定することができる余寿命予測装置、余寿命予測システム、および余寿命予測プログラムの提供を目的とする。

上記目的を達成するために、本発明の１つである余寿命予測装置は、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測装置であって、学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第一人工知能により第一余寿命を推定する第一人工知能部と、前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を有する第二人工知能部と、前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能部により余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能部により余寿命を導出する余寿命導出定部と、を備える。

また上記目的を達成するために、本発明の１つである余寿命予測システムは、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測システムであって、学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する学習情報取得部と、前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき第一余寿命を推定する第一人工知能を育成する第一人工知能育成部と、前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を育成する第二人工知能育成部と、前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能により第一余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能により余寿命を導出する余寿命導出定部と、を備える。

また上記目的を達成するために、本発明の１つである余寿命予測プログラムは、第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測プログラムであって、学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第一人工知能により第一余寿命を推定する第一人工知能部と、前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき育成され、前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を有する第二人工知能部と、を備え、前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能部により余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能部により余寿命を導出する余寿命導出定部と、を機能させる。

本発明によれば、劣化判別指標に基づき動作機構の状態に応じた精度で余寿命を適切に推定することが可能となる。

図１は、実施の形態において用いられる学習情報生成装置の主要部を示す図であり、（ａ）部に示す図は学習情報生成装置の正面図、（ｂ）部に示す図は（ａ）部に対応する断面側面図である。 図２は、実施の形態に係る余寿命予測システムの構成を示すブロック図である。 図３は、余寿命予測装置の動作の流れを示すフローチャートである。

以下に、本発明に係る余寿命予測装置、余寿命予測システム、および余寿命予測プログラムの実施の形態について、図面を参照しつつ説明する。なお、以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の位置関係、および接続状態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下では複数の発明を一つの実施の形態として説明する場合があるが、請求項に記載されていない構成要素については、その請求項に係る発明に関しては任意の構成要素であるとして説明している。また、図面は、本発明を説明するために適宜強調や省略、比率の調整を行った模式的な図となっており、実際の形状や位置関係、比率とは異なる場合がある。

余寿命予測システム１００は、余寿命予測装置１０９、および学習装置１０１を備えるシステムであって、動作機構が機械要素としての所定の機能が発揮できなくなる動作限界までの時間である余寿命を動作機構の状態に応じて予測するシステムである。動作機構の種類は、第一部材、および第二部材が相対的に動作する機構であれば特に限定されるものではない。本実施の形態の場合、動作機構として転がり軸受を例示している。また、第一部材として転がり軸受の転動体を、第二部材として転がり軸受の内輪を例示している。なお、転がり軸受は、転動体、および内輪の他に外輪、および保持器など複数の部材を備えており、第一部材、および第二部材として採用する部材の組み合わせは任意であるが、動作機構の動作によって欠損が顕著に現れ、欠損の量の測定が容易な部材の組み合わせを採用することが好ましい。この点において、転がり軸受の内輪は、外周面に欠損が発生し欠損の量の測定が容易であるため、第二部材として好適である。

本明細書、および特許請求の範囲において「劣化」とは、動作機構を使用したことにより発生し、動作機構の余寿命に関連する事象を意味するものとして用いており、「欠損」は「劣化」の１つであるとして記載している。具体的に劣化とは、例えば疲労はく離、疲労損傷、潤滑油劣化、シール不具合による面荒れなどを挙示することができる。

また、「劣化量」とは、剥離、摩耗、圧痕、フレーキング、焼き付きなど、第一部材と第二部材との摺動、転がり摺動などにより第一部材表面、または第二部材表面に発生する不具合を定量的に示すものである。具体的には欠損が発生している領域の長さ、幅などの一次元の情報、面積などの二次元の情報、大きさなどの三次元の情報、またはこれらと関連する情報である。また、第一部材と第二部材との摺動に基づき劣化していくグリースなどの動作機構以外の部材の劣化も、劣化度合いが定量化でき、動作機構の劣化と相関があるものは「劣化量」の文言に含まれるものとしている。

余寿命予測装置１０９は、人工知能を用いて余寿命を予測するものであるため、モデルを育成する学習段階と、学習済みのモデルを用いて余寿命を予測する予測段階が存在する。そこで、学習に用いる動作機構を学習用動作機構２００、学習用動作機構２００が備える第一部材を学習用第一部材２０１、第二部材を学習用第二部材２０２と記載する。また、予測対象の動作機構を評価用動作機構（不図示）、評価用動作機構が備える第一部材を評価用第一部材、第二部材を評価用第二部材と記載する。

まず、学習段階においてモデルを育成するための学習劣化量情報、学習余寿命を取得する学習情報生成装置３００を説明する。図１は、実施の形態に係る学習情報生成装置の主要部を示す図であり、（ａ）部に示す図は学習情報生成装置の正面図、（ｂ）部に示す図は（ａ）部に対応する断面側面図である。

同図に示すように、学習情報生成装置３００は、学習用第二部材２０２を保持、固定する固定部材３０５と、軸体３０１からなる。軸体３０１は駆動装置３０２および駆動制御装置３３０と、を備える。

固定部材３０５は、学習用第二部材２０２を支持する構造であり、軸体３０１とは独立している。

軸体３０１は、学習用動作機構２００の内輪に適合する形状であれば、材質や長さなど特に限定されるものでは無いが、評価用動作機構の実際の使用態様にできる限り合致させることが好ましい。

学習用動作機構２００は、測定対象の転がり軸受である。学習用動作機構２００は、前述の通り限定されるものでは無いが、本実施の形態の場合、学習用動作機構２００は、ころ軸受である。

駆動装置３０２は、軸体３０１を回転駆動させる装置である。駆動装置３０２の種類などは特に限定されるものでは無いが、本実施の形態の場合、駆動装置３０２は、サーボモータであり、サーボモータの回転軸体は継手を介して軸体３０１に接続されている。駆動装置３０２は、駆動制御装置３３０により制御されている。

学習用動作機構２００は、固定部材３０５を介して外部から負荷を与えられる。負荷は評価用動作機構の使用態様に近づけることが好ましい。

センサは、特に限定されるものではなく、音を測定するセンサなどでもかまわないが、本実施の形態の場合、センサは、軸体３０１の回転により学習用動作機構２００に起因する振動（振動加速度）を測定するセンサである。ただし、学習用動作機構２００にセンサを直接取り付けることは、一般的に困難であると考えられるため、本実施の形態の場合、振動センサは固定部材３０５に取り付けられており、学習用動作機構２００の振動ばかりでなく、他の要因により発生する振動も測定する。

センサの種類は、特に限定されるものでは無く、実機４００に取り付けられるセンサと同種のセンサを採用することが好ましい。本実施の形態の場合、センサは一軸方向の振動加速度を測定するセンサが採用されている。また、センサを学習情報生成装置３００に取り付ける個数、場所も限定されるものではないが、本実施の形態の場合、軸体３０１の軸方向に対する放射方向であって学習用動作機構２００に加えられる負荷の方向（図中Ｚ軸方向）の振動を測定する第一センサ３２１と、放射方向であって第一センサ３２１が測定する振動の方向と直交する方向であって、水平面内であり装置外部からの拘束力が弱い方向（図中Ｙ軸方向）の振動を測定する第二センサ３２２とを備えている。

本実施の形態の場合、評価用動作機構を含む動作機構がころ軸受であるため、軸方向（図中Ｚ軸方向）の振動と余寿命とに強い相関がないと考え、軸体３０１の軸方向の振動を取得するセンサを配置していないが、例えば動作機構が球軸受、クロスローラーベアリング等の場合、軸方向の振動を取得する第三センサを設置してもかまわない。

記録装置３０６は、センサからの信号を記録する装置である。本実施の形態の場合、第一センサ３２１、第二センサ３２２からの信号を個別に記録している。具体的に例えば、記録装置３０６は、センサからのアナログ信号をサンプリング周波数５０ｋＨｚでデジタル化し記録している。また、記録装置３０６は、駆動制御装置３３０が駆動装置３０２を制御するための指令値など駆動装置３０２の出力トルクを示す値なども記録している。

図２は、実施の形態に係る余寿命予測システムの構成を示すブロック図である。同図に示すように、余寿命予測システム１００は、学習装置１０１と、余寿命予測装置１０９とを備えている。

学習装置１０１は、複数の回帰モデルを育成する装置であって、学習情報取得部１１０と、第一人工知能育成部１５０と、第二人工知能育成部１２０と、を備えている。

学習情報取得部１１０は、学習情報生成装置３００を用いて例えば新品の学習用動作機構２００を動作限界まで動作させ、動作限界までの各時刻における学習用第一部材２０１、および学習用第二部材２０２の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、学習用動作機構２００の動作から得られる学習特徴量ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する。

学習劣化量情報、学習特徴量ベクトル、および学習余寿命の取得方法は、特に限定されるものではないが、本実施の形態の場合、以下のようにして学習劣化量情報、学習特徴量ベクトル、および学習余寿命を取得している。

学習劣化量情報は、学習情報生成装置３００を用いて新品の学習用動作機構２００を所定の時間動作させた後、学習用第二部材２０２である内輪を取り出して、作業者が測定した欠損量を劣化量として入力することにより学習情報取得部１１０が取得する。本実施の形態の場合、欠損の周方向の長さを学習劣化量情報としている。また、学習余寿命を算出させるために、学習情報生成装置３００を動作させた時間を時刻として学習劣化量情報と対応付けて学習情報取得部１１０に入力する。

次に学習用動作機構２００を学習情報生成装置３００に戻して所定の時間動作させ、学習劣化量情報と時刻を同様に学習情報取得部１１０に入力する。このような所定時間の動作と入力とを動作限界まで繰り返すことにより、学習情報取得部１１０は、各時刻の学習劣化量情報を取得する。なお、動作限界に達した時刻も学習情報取得部１１０に入力しておく。

明細書、および特許請求の範囲で用いる「時刻」とは、実際の時の流れの中の各瞬間を意味するのではなく、動作機構が実際に動作している時間の累積の中の各瞬間（例えば動作中断直前の瞬間）を意味している。

学習余寿命は、作業者により入力された動作限界に達した時刻と学習劣化量情報の入力と対応して入力された時刻との差分を学習余寿命として学習情報取得部１１０が算出することにより取得する。

学習特徴量ベクトルは、学習情報生成装置３００に取り付けられたセンサの値などに基づき学習情報取得部１１０が生成することにより取得する。本実施の形態の場合、学習情報取得部１１０は、記録装置３０６に記録されている第一センサ３２１、第二センサ３２２などから得られる特徴量に基づき学習特徴量ベクトルを生成する。具体的には、劣化量を測定するために学習情報生成装置３００を停止させる直前の所定時間（例えば２０秒間）における第一センサ３２１、および第二センサ３２２から得られる振動を示す波形に基づき、測定値である時間領域情報、エンベロープ処理された時間領域情報を高速フーリエ変換して得られる周波数領域情報、エンベロープ処理された周波数領域情報をそれぞれ高速フーリエ変換して得られるケフレンシ領域情報の３種類の情報に基づき学習情報取得部１１０は特徴量を生成している。

具体的な特徴量の種類、および生成する個数は、特に限定されるものでは無い。例えば
各種統計量などを選定して用いることができる。統計量の具体的な特徴量としては、実効値、最大値、波高率、尖度、歪度などである。また、時間領域情報をバンドパスフィルタなどを用いて複数の周波数帯域に区分し、それぞれの区分について周波数領域情報、ケフレンシ領域情報を生成し、これらそれぞれについて算出された統計量を特徴量としてもかまわない。

なお、第一センサ３２１、および第二センサ３２２から得られる情報ばかりでなく、駆動制御装置３３０から得られるトルクを示す電流値など、動作機構の動作に関連する情報を特徴量として採用してもかまわない。

第一人工知能育成部１５０は、学習情報取得部１１０から得られる学習劣化量情報、および学習特徴ベクトルの少なくとも一方、および学習余寿命に基づき余寿命を予測するための第一人工知能を育成する。第一人工知能は、単数、または複数の回帰モデルを備えてもかまわないが、本実施の形態の場合、第一回帰モデルを備えている。

第一回帰モデルは、特に限定されるものではないが、例えば、k近傍法（ＫＮＮ）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）を例示することができる。

第一回帰モデルの育成方法は、特に限定されるものではないが、本実施の形態の場合、学習特徴ベクトルを特徴量とし、学習余寿命を教師情報として第一回帰モデルを教師あり学習により育成している。

第二人工知能育成部１２０は、学習情報取得部１１０から得られる学習劣化量情報、および学習特徴ベクトルの少なくとも一方、および学習余寿命に基づき前記第一人工知能よりも長時間を要し、かつ第一人工知能育成部１５０が育成する第一人工知能よりも高精度の余寿命を推定する第二人工知能を育成する。第二人工知能は、単数、または複数の回帰モデルを備えてもかまわない。本実施の形態の場合、第二人工知能育成部１２０は、第二回帰モデル、および第三回帰モデルを備えており、それぞれを育成する。

第二人工知能育成部１２０は、学習情報生成装置３００によって各時刻において学習用動作機構２００の動作から得られる特徴量ベクトルである学習特徴量ベクトル、および学習劣化量情報に基づき第二回帰モデルを育成する。

第二回帰モデルは、特に限定されるものではないが、例えば、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、Ｋｅｒｎｅｌ Ｒｉｄｇｅ、およびＤｅｅｐＮｅｕｒａｌ Ｎｅｔｗｏｒｋなどを例示することができる。またこれらを組み合わせてもかまわない。第二回帰モデルの種類は、第一回帰モデルの種類と同じでも良く、異なってもかまわない。

第二回帰モデルの育成方法は、特に限定されるものではないが、本実施の形態の場合、学習特徴ベクトルを特徴量とし、学習劣化量情報を教師情報として第二回帰モデルを教師あり学習により育成している。

第二人工知能育成部１２０は、学習情報生成装置３００によって各時刻において学習用動作機構２００の動作から得られる特徴量ベクトルである学習特徴量ベクトル、および学習余寿命に基づき第三回帰モデルを育成する。

第二回帰モデルは、特に限定されるものではないが、本実施の形態の場合、階層ベイズモデルが採用されている。なお、第三回帰モデルの種類は、第一回帰モデル、第二回帰モデルの種類と同じでも良い。

本実施の形態において用いた階層ベイズの回帰式は、下記式１である。
ｙ＝δi（α＋β／ｘ）＋ε・・・式１
ｙ：余寿命情報
ｘ：劣化量情報
δi：動作機構の個体差のバラツキを示す事前分布
α、β：動作機構に共通する共通パラメータの事後分布
ε：誤差パラメータの事後分布

δiはすべての学習用動作機構に共通する超パラメータσδにもとづいて、学習用動作機構ごとに個別に算出されるものであり、学用動作機構ごとに固有の分布を持つ。

なお、式１は、動作機構の余寿命を推定するために、発明者が見出した最適な階層ベイズの回帰式である。

第三回帰モデルは、複数の学習用動作機構２００に対し学習情報生成装置３００を用いて生成し、学習情報取得部１１０が取得した学習劣化量情報、および学習余寿命を用いて学習用動作機構２００に共通する共通パラメータ、個体差パラメータ、超パラメータ、および誤差パラメータのそれぞれの事前分布に基づき、階層ベイズ回帰により共通パラメータ、超パラメータ、各学習用動作機構２００の個体差パラメータ、および誤差パラメータの事後分布を含む階層ベイズによる第三回帰モデルを育成する。

次に余寿命予測装置１０９について説明する。余寿命予測装置１０９は、実機４００に取り付けられた動作機構である評価用動作機構の余寿命を予測する装置であって、評価情報取得部１３０と、余寿命導出部１４０と、を備えている。

評価情報取得部１３０は、学習用動作機構２００と同種の評価用動作機構の動作から得られる評価特徴量ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する。

評価特徴量ベクトルは、実機４００に搭載された評価用動作機構を動作させることにより取得する。具体的には、学習情報生成装置３００に取り付けられた第一センサ３２１、および第二センサ３２２と同じ種類のセンサを実機４００の対応する位置に取り付けて測定値を得る。評価情報取得部１３０は、取得した測定値に基づき評価特徴量ベクトルを生成する。評価特徴量ベクトルを構成する特徴量の種類は、第一回帰モデル、第二回帰モデル、および第三回帰モデルの育成に用いたそれぞれの特徴量の種類と同じである。

評価劣化量情報の取得方法は特に限定されるものではないが、定期的にメンテナンスされる実機４００の場合、メンテナンスの際に評価用動作機構の欠損などの劣化量を測定し、測定値を入力することにより評価情報取得部１３０は評価劣化量情報を取得してもよい。また、評価用動作機構に用いられる潤滑油をサンプリングし、潤滑油に含まれる金属粉の量を評価劣化量情報として取得してもよい。また、評価用動作機構が何らかのセンサにより劣化量を定量的に計測できるものの場合、センサからの出力を評価情報取得部１３０は評価劣化量情報として取得してもかまわない。

余寿命導出部１４０は、学習装置１０１の第一人工知能育成部１５０により育成された回帰モデルを取得し、機能させる第一人工知能部１４１と、第二人工知能育成部１２０により育成された回帰モデルを取得し、機能させる第二人工知能部１４２と、第一人工知能部１４１により余寿命を導出させるか、第二人工知能部１４２により余寿命を導出されるかを劣化判別指標に基づいて決定する推定切替部１４３とを備えている。

第一人工知能部１４１は、学習装置１０１において学習による育成済みの第一回帰モデルを用い、実機４００に基づき評価情報取得部１３０が取得し生成した評価特徴量ベクトル、および評価劣化量情報の少なくとも一方を入力として評価用動作機構の余寿命である第一余寿命を推定する。

本実施の形態の場合、第一人工知能部１４１は、学習特徴ベクトルを特徴量とし、学習余寿命を教師情報として育成された第一回帰モデルを利用しているため、評価情報取得部１３０から取得した評価特徴ベクトルに基づき第一回帰モデルは第一余寿命を出力する。

第二人工知能部１４２は、学習装置１０１において学習による育成済みの第二回帰モデル、および第三回帰モデルを用い、実機４００に基づき評価情報取得部１３０が取得し生成した評価特徴量ベクトル、および評価劣化量情報の少なくとも一方を入力として評価用動作機構の余寿命である第二余寿命を推定する。第二人工知能部１４２は、第二余寿命を出力するまでの時間が第一人工知能部１４１よりも長時間であり、かつ第一人工知能部１４１に出力された第一余寿命よりも第二余寿命は高精度である。

本実施の形態の場合、第二人工知能部１４２は、次のように２つの回帰モデルを用いて第二余寿命を出力する。

第二回帰モデルは、学習特徴ベクトルを特徴量とし、学習劣化量情報を教師情報として育成されている。評価特徴量ベクトルは、実機４００に搭載された評価用動作機構を動作させることにより取得する。具体的には、学習情報生成装置３００に取り付けられた第一センサ３２１、および第二センサ３２２と同じ種類のセンサを実機４００の対応する位置に取り付けて測定値を得る。取得した測定値に基づき評価特徴量ベクトルを取得する。評価特徴量ベクトルを構成する特徴量の種類は、第二回帰モデルの育成に用いた特徴量の種類と同じである。第二回帰モデルは、評価特徴ベクトルを入力として評価劣化量情報を出力する。

第三回帰モデルは、第二回帰モデルを用いて推定した評価劣化量情報を入力として評価用動作機構の余寿命である第二余寿命を導出する。

動作機構の動作に基づく特徴量ベクトルを入力として第二回帰モデルにより動作機構の劣化量を推定し、推定された劣化量を入力として第三回帰モデルにより余寿命を推定することで、第一回帰モデルによる第一余寿命より高い精度で動作機構の第二余寿命を推定できる。また、評価用動作機構の劣化量を直接測定することなく特徴量ベクトルにより簡単に第二余寿命を推定することができる。

具体的に第三回帰モデルは、第二回帰モデルが推定した評価劣化量情報、および第一回帰モデルが推定した第一余寿命、第二人工知能育成部１２０が生成した共通パラメータ、および超パラメータの事後分布を用いて第一回帰モデルにより評価用動作機構に固有の個体差パラメータ、誤差パラメータの事後分布を推定する。以上により下記式２が形成される。
ｙ＝δi（α＋β／ｘ）＋ε・・・式２

そして、共通パラメータの事後分布（α、β）、および個体差パラメータの事後分布（δｉ）からそれぞれ得られる値を第三回帰モデル（式２）に適用し、第二回帰モデルが推定した評価劣化量情報を入力として評価用動作機構の余寿命を示す第二余寿命を導出する。

なお、本実施の形態では第二余寿命を推定するために、第三回帰モデルは第一回帰モデルの推定値を利用したが、異なる種類の第三回帰モデルの場合、第一回帰モデルの推定値を利用せずに第二余寿命を推定する場合もある。

推定切替部１４３は、評価用動作機構の劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、第一人工知能部１４１を動作させて第一余寿命を推定する状態から、第二人工知能部１４２を動作させて第一余寿命を推定する状態に切り替える。

劣化判別指標は、特に限定されるものではないが、評価情報取得部１３０から得られる評価特徴ベクトル、評価劣化量情報、および第一人工知能部１４１により得られた余寿命の少なくとも１つであることが好ましい。これによれば、余寿命予測装置１０９内から劣化判別指標を容易に調達できる。本実施の形態の場合、推定切替部１４３は、第一回帰モデルが推定した第一余寿命が所定の劣化閾値を超えた場合、第一人工知能部１４１から第二人工知能部１４２に切り替える。

次に余寿命予測装置１０９の動作を説明する。図３は、余寿命予測装置の動作の流れを示すフローチャートである。なお、余寿命予測装置１０９は、学習装置１０１により育成済みの第一回帰モデル、第二回帰モデル、および第三回帰モデルを既に備えている。

余寿命予測装置１０９の評価情報取得部１３０は、実機４００から評価用動作機構の劣化に関係する情報を取得し、特徴ベクトルを生成する（Ｓ１０１）。

第一人工知能部１４１は、評価情報取得部１３０から取得した特徴ベクトルに基づき第一余寿命を推定する（Ｓ１０２）。

余寿命予測装置１０９は、第一人工知能部１４１において推定された第一余寿命を作業者などに報知する（Ｓ１０３）。第一余寿命の報知方法は特に限定されるものではないが、例えば、余寿命予測装置１０９が表示装置を備えている場合、表示装置を用いて第一余寿命を報知してもかまわない。また、余寿命予測装置１０９がネットワークに接続されている場合、ネットワークを介して第一余寿命を報知してもかまわない。

推定切替部１４３は、出力された第一余寿命を劣化判別指標として取得し、第一余寿命を劣化閾値と比較する（Ｓ１０４）。第一人工知能部１４１が出力した第一余寿命が劣化閾値以下の場合（Ｓ１０４：Ｎｏ）、特徴ベクトル生成（Ｓ１０１）に戻り再び第一余寿命を推定する。

一方、第一余寿命が劣化閾値を超えた場合（Ｓ１０４：Ｙｅｓ）、推定切替部１４３は、第二人工知能部１４２を起動する（Ｓ１０５）。

余寿命予測装置１０９の評価情報取得部１３０は、実機４００から評価用動作機構の劣化に関係する情報を引き続き取得し、特徴ベクトルを生成する（Ｓ１０６）。

第二人工知能部１４２は、評価情報取得部１３０から取得した特徴ベクトルに基づき第二余寿命を推定する（Ｓ１０７）。

余寿命予測装置１０９は、第二人工知能部１４２において推定された第二余寿命を作業者などに報知する（Ｓ１０８）。第二余寿命の報知方法は特に限定されるものではないが、本実施の形態の場合、第一余寿命の報知方法と同じである。

出力された第二余寿命が所定値を超えていない場合（Ｓ１０９：Ｎｏ）、特徴ベクトルの生成ステップ（Ｓ１０６）に戻り、第二余寿命の推定を繰り返す。

一方、第二余寿命が所定値を超えた場合（Ｓ１０９：Ｙｅｓ）、動作限界を報知し（Ｓ１１０）、動作を終了する。

上記実施の形態に係る余寿命予測装置１０９によれば、動作機構の使用の初期段階、つまり余寿命に余裕がある場合は、比較的精度は低くいが高速に余寿命を推定することができる第一人工知能部１４１を用いて第一余寿命を推定することができる。また、第一余寿命を劣化判別指標として用い第二人工知能部１４２に切り替えることで、比較的精度は高いが余寿命の推定に時間を要する第二人工知能部１４２を用いて第二余寿命を推定することができる。

従って、全体として計算コストを抑制しつつ動作限界ぎりぎりまで余寿命を適切に推定することができ、実機４００において動作機構の使用効率を高めることができる。

また、動作機構の使用の初期段階においては、簡単に余寿命が報知されるため、熟練者でなくとも作業者がメンテナンスの時期などを容易に把握することができる。

なお、本発明は、上記実施の形態に限定されるものではない。例えば、本明細書において記載した構成要素を任意に組み合わせて、また、構成要素のいくつかを除外して実現される別の実施の形態を本発明の実施の形態としてもよい。また、上記実施の形態に対して本発明の主旨、すなわち、請求の範囲に記載される文言が示す意味を逸脱しない範囲で当業者が思いつく各種変形を施して得られる変形例も本発明に含まれる。

例えば、第二人工知能は、第二回帰モデル、および第三回帰モデルを備えていたが、第二人工知能は単数の回帰モデルのみを備えていてもかまわない。

また、余寿命を推定する度に報知するものとして動作を説明したが、第一余寿命、および第二余寿命が所定の条件を満たした場合のみ余寿命を報知してもかまわない。

軸受、ボールねじ、直動機構、減速機など第一部材、および第二部材が相対的に動作するあらゆる種類の動作機構の余寿命推定に利用可能である。

１００ 余寿命予測システム
１０１ 学習装置
１０９ 余寿命予測装置
１１０ 学習情報取得部
１２０ 第二人工知能育成部
１３０ 評価情報取得部
１４０ 余寿命導出部
１４１ 第一人工知能部
１４２ 第二人工知能部
１４３ 推定切替部
１５０ 第一人工知能育成部
２００ 学習用動作機構
２０１ 学習用第一部材
２０２ 学習用第二部材
３００ 学習情報生成装置
３０１ 軸体
３０２ 駆動装置
３０５ 固定部材
３０６ 記録装置
３２１ 第一センサ
３２２ 第二センサ
３３０ 駆動制御装置
４００ 実機

Claims (6)

1. 第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測装置であって、
   学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第一人工知能により第一余寿命を推定する第一人工知能部と、
   前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を有する第二人工知能部と、
   前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、
   前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能部により余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能部により余寿命を導出する余寿命導出定部と、
   を備える余寿命予測装置。
2. 前記劣化判別指標は、
   前記評価特徴ベクトル、前記評価劣化量情報、および前記第一人工知能により得られた余寿命の少なくとも１つである
   請求項１に記載の余寿命予測装置。
3. 前記第二人工知能は、複数の回帰モデルを含み、前記第一人工知能が含む回帰モデルの数よりも多い
   請求項１または２に記載の余寿命予測装置。
4. 前記第二人工知能は、
   一の回帰モデルにより得られる値を入力として、他の回帰モデルにより余寿命を推定する
   請求項３に記載の余寿命予測装置。
5. 第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測システムであって、
   学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命を取得する学習情報取得部と、
   前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき第一余寿命を推定する第一人工知能を育成する第一人工知能育成部と、
   前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を育成する第二人工知能育成部と、
   前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、
   前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能により第一余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能により余寿命を導出する余寿命導出定部と、
   を備える余寿命予測システム。
6. 第一部材、および第二部材が相対的に動作する動作機構の動作限界までの時間である余寿命を予測する余寿命予測プログラムであって、
   学習用動作機構を動作限界まで動作させ、動作限界までの各時刻における前記第一部材、および前記第二部材の少なくとも一方における動作により生じる劣化の量を示す学習劣化量情報、前記学習用動作機構の動作から得られる学習特徴ベクトル、および情報を取得した時刻から動作限界までの時間である学習余寿命に基づき育成された第一人工知能により第一余寿命を推定する第一人工知能部と、
   前記学習劣化量情報、および前記学習特徴ベクトルの少なくとも一方、および前記学習余寿命に基づき育成され、前記第一人工知能よりも長時間を要し、かつ前記第一余寿命よりも高精度の第二余寿命を推定する第二人工知能を有する第二人工知能部と、を備え、
   前記学習用動作機構と同種の評価用動作機構の動作から得られる評価特徴ベクトル、および動作により生じる劣化の量を示す評価劣化量情報の少なくとも一方を取得する評価情報取得部と、
   前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第一人工知能部により余寿命を推定し、劣化に関連する情報である劣化判別指標が所定の条件を満たした場合、前記評価特徴ベクトル、および前記評価劣化量情報の少なくとも一方を入力とし、前記第二人工知能部により余寿命を導出する余寿命導出定部と、
   を機能させる余寿命予測プログラム。

Images