JP2021169838A - 機械学習装置、データ処理システム、推論装置及び機械学習方法 - Google Patents
機械学習装置、データ処理システム、推論装置及び機械学習方法 Download PDFInfo
- Publication number
- JP2021169838A JP2021169838A JP2020072884A JP2020072884A JP2021169838A JP 2021169838 A JP2021169838 A JP 2021169838A JP 2020072884 A JP2020072884 A JP 2020072884A JP 2020072884 A JP2020072884 A JP 2020072884A JP 2021169838 A JP2021169838 A JP 2021169838A
- Authority
- JP
- Japan
- Prior art keywords
- valve
- learning
- machine learning
- drive
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 87
- 238000012545 processing Methods 0.000 title claims description 33
- 239000012530 fluid Substances 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 abstract description 75
- 210000002569 neuron Anatomy 0.000 description 21
- 239000000758 substrate Substances 0.000 description 20
- 238000012360 testing method Methods 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/12—Actuating devices; Operating means; Releasing devices actuated by fluid
- F16K31/122—Actuating devices; Operating means; Releasing devices actuated by fluid the fluid acting on a piston
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/12—Actuating devices; Operating means; Releasing devices actuated by fluid
- F16K31/16—Actuating devices; Operating means; Releasing devices actuated by fluid with a mechanism, other than pulling-or pushing-rod, between fluid motor and closure member
- F16K31/163—Actuating devices; Operating means; Releasing devices actuated by fluid with a mechanism, other than pulling-or pushing-rod, between fluid motor and closure member the fluid acting on a piston
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K51/00—Other details not peculiar to particular types of valves or cut-off apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/003—Machine valves
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Fluid-Driven Valves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Indication Of The Valve Opening Or Closing Status (AREA)
- Details Of Valves (AREA)
- Magnetically Actuated Valves (AREA)
Abstract
Description
図1は、本発明の一実施の形態に係る流体圧駆動弁10の一例を示す概略図である。本実施の形態における流体圧駆動弁10としては、例えば、プラント設備において各種のガスや石油等が流れる配管100に設置され、プラント設備に異常等が発生した緊急停止時に、配管100の流れを遮断するための緊急遮断弁として用いることができる。なお、流体圧駆動弁10の設置場所や用途は、上記の例に限られない。
能を有する電磁弁1とを備えている。
User Interface)等からなる報知手段を備えている。なお、外部装置15及び電磁弁1の間の通信には無線通信を利用してもよい。
の往復直線運動を回動運動に変換して駆動装置12の主軸13bに伝達するものである。
、流体圧駆動弁10におけるパイロットバルブとして用いられるものであるが、電磁弁1の用途はこれに限られない。
ハウジング端部610b側に形成されて通信ケーブル150及び電力ケーブル160が挿入されるケーブル挿入口610eとを有する。
た軸13cに沿うように配置された第1の基板5の第1の基板面500Aのうち軸13cの軸周りの外周に対向する位置に載置されると好ましい。これにより、収容部6内において、配置スペースを無駄にすることなく、第1の基板50に載置された主弁開度センサ42と、軸13cとを近接して配置することが可能となり、弁開度情報を正確に取得することができる。
電状態から非通電状態に切り替えることで全閉状態に操作し、全閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。パーシャルストロークテストは、主弁11を全閉状態に操作することなく(すなわち、プラント設備を停止することなく)、主弁11を全開状態において通電状態から非通電状態に切り替えることで所定の開度まで部分的に閉じて、部分的な閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。
上述した一連の構成を備える流体圧駆動弁10においては、上述した複数のセンサ4を備えることにより、例えば定常運転時及び非定常運転時(例えば、開閉操作が行われる試験運転時や緊急停止時を含む。)において流体圧駆動弁10の各種情報を取得することができる。そこで、以下には、流体圧駆動弁10から取得可能な情報(状態変数)に基づいて流体圧駆動弁10の診断情報を推定することが可能な推論モデル(学習済モデル)を学習する機械学習装置200について、説明を行う。なお、ここでいう機械学習装置200は、それ単独で動作する装置として提供されるもののみならず、任意のプロセッサに以下に説明する動作を実行させるためプログラム、あるいは当該動作を実行させるための1乃至複数の命令を格納した非一時的なコンピュータ読取可能媒体の形式で提供されるものを含む。
、出力データとして、駆動装置12の診断情報を含んでおり、後述する機械学習において使用するためのデータセットを指すものである。これらの各種データの詳細について以下に一例を説示するが、本発明はこれらに限定されるものではない。
置12が正常な状態であることを示す値を「0」とし、駆動装置12が主弁11の動作不良に該当する異常であることを示す値を「1」、駆動装置12が空気A回路の不良に該当する異常であることを示す値を「2」、以下同様に各異常の内容に合わせて値を一意に事前に定めた上で、作業用コンピュータPC1を用いて作業者により入力データに関連付けた形で該当する値が入力されればよい。このような診断情報の設定を行うことで、異常の発生の有無のみならず、異常が発生したときの異常の具体的な内容の情報(図7に示す異常1/異常2/…/異常nに対応する。)をも含んだ学習用データセットを準備することができる。上述した一態様としての診断情報は、以下に述べる機械学習においては、教師あり学習(図6参照。)を行う場合に利用されるものである。
取得した学習用データセットを構成するための複数のデータを、関連する入力データと出力データとを関連付けて1つの学習用データセットとし、格納するためのデータベースである。この学習用データセット記憶ユニットを構成するデータベースの具体的な構成については適宜調整することができる。例えば、図5においては、説明の都合上、この学習用データセット記憶ユニット202と後述する学習済モデル記憶ユニット204とを別々の記憶手段として示しているが、これらは単一の記憶媒体(データベース)によって構成することもできる。
力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みwiとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。なお、上記状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。具体的には、入力データそれぞれに対応させるニューロンの数を調整するため、あるいはニューロンに対応可能な値に調整するために、特定の入力データに対して前処理を実行することができる。
上記に関連して、本発明は、機械学習方法を提供する。以下に本発明に係る機械学習方法について、図6(学習フェーズ)、図7(学習フェーズ)、図8、図9を参照して説明を行う。図9は、本発明の一実施の形態に係る機械学習方法の例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置200に基づいて説明を行うが、前提となる構成については、上記機械学習装置200に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えば外部装置15、作業用コンピュータPC1あるいはマイクロコントローラ70を構成するコンピュータ装置や、ネットワーク上に配されたサーバ装置等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともCPUやGPU等からなる演算装置と、揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。
情報は流体圧駆動弁10夫々に特有の傾向が存在することが多いため、学習用データセットを構成するデータを取得する対象としては、後述する機械学習を経て得られる学習済みモデルを適用する予定の一の流体圧駆動弁10のみから収集することが好ましい。また、学習用データセットとしては、異常が発生した場合の入出力データで構成されたもののみならず、異常が発生していないとき、すなわち駆動装置12の正常状態における入力データ及び出力データ(例えば、この場合の出力データの値は「0」)で構成された学習用データセットが所定数含まれる。
スを終了する。ここで記憶された学習済モデルは、後述するデータ処理システム300に適用され使用され得るものである。
力データを構成する診断情報として、上述した他の態様に係る診断情報、すなわち流体圧駆動弁10が異常でなく正常であることのみを表す情報を含む学習用データセット(図7参照。)を用いた「教師なし学習」を用いてもよい。「教師なし学習」を用いることで、入力データに対応付けられた出力データにおける診断情報が、駆動装置12の正常状態の情報しか入手できない場合であっても、図7の「学習フェーズ」で示すように、入力データと出力データとの正常状態の特徴を表す相関関係を学習することにより、学習済みモデルを得ることができる。この場合、後述するデータ処理システム300における推論時には、正常状態の特徴に所定量合致しないと判断した入力データを正常状態でない、つまり、異常状態であるとみなすことで、診断情報の推論が実現できる。この「教師なし学習」の具体的な手法としては、例えば、図7に簡略的に示すオートエンコーダ等を用いた公知の手法を用いることができ、詳細な説明はここでは省略する。
次に、図10を参照して、上述した機械学習装置200及び機械学習方法によって生成された学習済モデルの適用例を説示する。図10は、本発明の一実施の形態に係るデータ処理システムを示す概略ブロック図である。
れて各センサ4が出力するデータを取得するためのインタフェースユニットである。この入力データ取得ユニット301は、少なくとも、主弁11の弁開度、空気Aの圧力、及び、シリンダ120に対するピストン122の位置を取得する。なお、図10に示す例においては、後述する推論に利用可能な入力データの全てが取得できるように、流体圧駆動弁10の備える全てのセンサ4に接続されているが、入力データ取得ユニット301にどのセンサ4を接続するかについては、後述する推論ユニット302において用いられる学習済モデル等に合わせて適宜選択することができる。また、推論ユニット302の推論結果は、図示しない記憶手段に記憶することが好ましく、記憶された過去の推論結果は、例えば学習済モデル記憶ユニット303内の学習済モデルの推論精度の更なる向上のための、オンライン学習に用いられる学習用データセットとして利用することができる。
301において必要なデータ量が取得された後に、ステップS22における推論が実施される。
本発明は、上述したデータ処理システム300の態様によるもののみならず、推論を行うための推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも1つのプロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、主弁の弁開度、駆動流体の圧力、及び、シリンダ120に対するピストン122の位置を含む入力データを取得する処理と、当該入力データが入力された際に流体圧駆動弁10における診断情報を推論する処理と、を含む。本発明を上述した推論装置の態様で提供することで、データ処理システム300を実装する場合に比して簡単に種々の流体圧駆動弁10への適用が可能となる。このとき、推論装置が診断情報を推論する処理を行うに際しては、ここまで本書において説明した、本発明における、機械学習装置及び機械学習方法によって学習された学習済みモデルを用い、データ処理システムの推論ユニット302が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
…第2の圧力センサ、42…主弁開度センサ、43…電圧センサ、44…電流・抵抗センサ、45…温度センサ、46…磁気センサ、47…稼働時間計(タイマ)、48…作動カウンタ(カウンタ)、70…マイクロコントローラ、100…配管、200…機械学習装置、201…学習用データセット取得ユニット、202…学習用データセット記憶ユニット、203…学習ユニット、204…学習済モデル記憶ユニット、300…データ処理システム、301…入力データ取得ユニット、302…推論ユニット、303…学習済モデル記憶ユニット、304…報知ユニット、A…空気(駆動流体)、PC1…作業用コンピュータ
Claims (10)
- 主弁と、前記主弁を駆動するシリンダ及びピストンを含む駆動装置と、前記駆動装置に対する駆動流体の給排を制御する電磁弁と、を少なくとも備える流体圧駆動弁に適用される機械学習装置であって、
前記主弁の弁開度、前記電磁弁から前記駆動装置へ供給される出力側駆動流体の圧力、及び、前記シリンダに対する前記ピストンの位置、を含む入力データと、前記入力データに対応付けられた前記駆動装置の診断情報からなる出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットと;
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと;
前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと;を備える、
機械学習装置。 - 前記診断情報は、前記駆動装置が正常であること及び異常であることのいずれかを表す情報である、
請求項1に記載の機械学習装置。 - 前記診断情報は、前記駆動装置が異常でなく正常であることのみを表す情報である、
請求項1に記載の機械学習装置。 - 前記駆動装置は、前記ピストンの直線運動を前記主弁の回動運動に変換する伝達機構を有し、
前記診断情報は、前記伝達機構に対する情報である
請求項1乃至請求項3のいずれか一項に記載の機械学習装置。 - 前記伝達機構は、前記ピストンと共に直線運動するラックと、前記ラックに接続され前記主弁と共に回動運動するピニオンと、を有するラックアンドピニオン機構であって、
前記診断情報は、前記ラックアンドピニオン機構に対する情報である
請求項4に記載の機械学習装置。 - 前記伝達機構は、前記ピストンと共に直線運動するシャフトと、前記シャフトに接続され前記主弁と共に回動運動するヨークと、を有するスコッチヨーク機構であって、
前記診断情報は、前記スコッチヨーク機構に対する情報である
請求項4に記載の機械学習装置。 - 前記診断情報は、前記伝達機構のうち直線運動を回動運動に変換させる接続部分の摩耗に関する情報である
請求項4乃至請求項6のいずれか一項に記載の機械学習装置。 - 主弁と、前記主弁を駆動するシリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御するソレノイド部を含む電磁弁と、を少なくとも備える流体圧駆動弁に用いられるデータ処理システムであって、
前記主弁の弁開度、前記電磁弁から前記駆動装置へ供給される出力側駆動流体の圧力、及び、前記シリンダに対する前記ピストンの位置、を含む入力データを取得する入力データ取得ユニットと;
前記入力データ取得ユニットにより取得された前記入力データを、請求項1乃至請求項8のいずれか一項に記載の機械学習装置によって生成された学習済モデルに入力し、前記駆動装置の診断情報を推論する推論ユニットと;を備える、
データ処理システム。 - 主弁と、前記主弁を駆動するシリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御するソレノイド部を含む電磁弁と、を少なくとも備える流体圧駆動弁に用いられる推論装置であって、
前記推論装置は、メモリと、少なくとも1つのプロセッサとを備え、
前記少なくとも1つのプロセッサは、
前記主弁の弁開度、前記電磁弁から前記駆動装置へ供給される出力側駆動流体の圧力、及び、前記シリンダに対する前記ピストンの位置、を含む入力データを取得する処理と;
前記入力データが入力されると、前記駆動装置の診断情報を推論する処理と;を実行するように構成される、
推論装置。 - 主弁と、前記主弁を駆動するシリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御するソレノイド部を含む電磁弁と、を少なくとも備える流体圧駆動弁に適用されるコンピュータを用いた機械学習方法であって、
前記主弁の弁開度、前記電磁弁から前記駆動装置へ供給される出力側駆動流体の圧力、及び、前記シリンダに対する前記ピストンの位置、を含む入力データと、前記入力データに対応付けられた前記駆動装置の診断情報からなる出力データとで構成される学習用データセットを複数組記憶するステップと;
前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと;
学習された前記学習モデルを記憶するステップと;を備える、
機械学習方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020072884A JP6779457B1 (ja) | 2020-04-15 | 2020-04-15 | 機械学習装置、データ処理システム、推論装置及び機械学習方法 |
PCT/JP2021/014969 WO2021210497A1 (ja) | 2020-04-15 | 2021-04-09 | 機械学習装置、データ処理システム、推論装置及び機械学習方法 |
CN202180021504.XA CN115280055A (zh) | 2020-04-15 | 2021-04-09 | 机器学习装置、数据处理系统、推理装置以及机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020072884A JP6779457B1 (ja) | 2020-04-15 | 2020-04-15 | 機械学習装置、データ処理システム、推論装置及び機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6779457B1 JP6779457B1 (ja) | 2020-11-04 |
JP2021169838A true JP2021169838A (ja) | 2021-10-28 |
Family
ID=73022473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020072884A Active JP6779457B1 (ja) | 2020-04-15 | 2020-04-15 | 機械学習装置、データ処理システム、推論装置及び機械学習方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6779457B1 (ja) |
CN (1) | CN115280055A (ja) |
WO (1) | WO2021210497A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0413935A (ja) * | 1990-05-08 | 1992-01-17 | Mitsubishi Kasei Corp | 弁の作動状態の診断方法 |
JPH0861551A (ja) * | 1994-08-17 | 1996-03-08 | Osaka Gas Co Ltd | 緊急遮断弁用アクチュエータ |
WO2019235599A1 (ja) * | 2018-06-06 | 2019-12-12 | 株式会社キッツ | バルブの状態把握システム |
-
2020
- 2020-04-15 JP JP2020072884A patent/JP6779457B1/ja active Active
-
2021
- 2021-04-09 CN CN202180021504.XA patent/CN115280055A/zh active Pending
- 2021-04-09 WO PCT/JP2021/014969 patent/WO2021210497A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0413935A (ja) * | 1990-05-08 | 1992-01-17 | Mitsubishi Kasei Corp | 弁の作動状態の診断方法 |
JPH0861551A (ja) * | 1994-08-17 | 1996-03-08 | Osaka Gas Co Ltd | 緊急遮断弁用アクチュエータ |
WO2019235599A1 (ja) * | 2018-06-06 | 2019-12-12 | 株式会社キッツ | バルブの状態把握システム |
Also Published As
Publication number | Publication date |
---|---|
CN115280055A (zh) | 2022-11-01 |
WO2021210497A1 (ja) | 2021-10-21 |
JP6779457B1 (ja) | 2020-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021187213A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021192983A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021220766A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021192984A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2023135892A1 (ja) | データ処理システム、データ処理方法 | |
JP6779457B1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021192982A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021187212A1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
JP6779459B1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
JP7058447B1 (ja) | 機械学習装置、データ処理システム、推論装置及び機械学習方法 | |
WO2021182116A1 (ja) | 電磁弁 | |
WO2023053608A1 (ja) | データベース生成装置、状態判定装置、データベース生成方法及び状態判定方法 | |
JP2021173412A (ja) | 駆動装置及び流体圧駆動弁 | |
WO2021182115A1 (ja) | 電磁弁 | |
JP2022092743A (ja) | 性状判定装置、データベース生成装置、性状判定方法及びデータベース生成方法 | |
JP2022092744A (ja) | 組立条件提示装置、及び、組立条件提示方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200601 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200601 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200604 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200901 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200914 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6779457 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |