JP2022056795A - 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム - Google Patents

Abstract

【課題】作業者の経験に依存することなく、摺動機械要素における摺動面の状態を高精度に診断することを可能とする機械学習装置を提供する。【解決手段】機械学習装置４は、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置１Ａに用いられる学習モデル６を生成する。機械学習装置４は、所定期間におけるモータ電流値のデータ、所定期間における接触電気抵抗のデータ、及び、所定期間における振動（ＡＥ波又は加速度）のデータを入力データとして少なくとも含む学習用データを記憶する学習用データ記憶部４１と、学習モデル６に学習用データを入力することで、入力データと摺動面の診断情報との相関関係を学習モデル６に学習させる機械学習部４２と、機械学習部４２により学習させた学習モデル６を記憶する学習済みモデル記憶部４３とを備える。機械学習装置。【選択図】 図４

Description

本発明は、機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラムに関する。

機械設備を構成する多数の機械要素の１つとして、摺動面を有する摺動機械要素が従来から使用されている。摺動機械要素は、固定側摺動部材と回転側摺動部材とを備え、両部材の摺動面が摺動することにより両部材の相対運動を実現する。そのため、摺動面の状態は、摺動機械要素の機能に大きく影響し、機械設備の保全の観点からしても、摺動面の状態を診断し、適切な状態に管理することは極めて重要である。

例えば、特許文献１及び特許文献２には、摺動機械要素における摺動面の状態を診断する装置が開示されている。特許文献１には、回転軸とすべり軸受との摺動部分の圧力や温度等の物理量をモニタすることにより、摺動部分の損傷を検出する装置が開示されている。特許文献２には、摺動状態検出手段としての弾性波センサを軸受装置に取り付け、弾性波センサにより検出された振動の変化に応じて、ブッシュと連結ピンとの間の摺動面で潤滑油が不足傾向であることを検出する装置が開示されている。

特開２０１０－１８０９８２号公報 特開平１０－３１８２６１号公報

特許文献１及び特許文献２にそれぞれ開示された装置では、個々の物理量（圧力、温度、及び、振動）に基づいて、摺動面の状態を診断するものである。そのため、摺動面の状態の変化が、上記以外の物理量に表出したり、複数の物理量に複合的に表出したりするような場合には、特許文献１及び特許文献２にそれぞれ開示された装置では対応できなかった。また、複数の物理量に基づくような複合的な事象に伴う診断では、作業者の経験（暗黙知を含む）に依存した部分や作業者の個人差が大きく、このような診断を自動化する装置の実現が強く要望されている。

本発明は、上述した課題に鑑み、作業者の経験に依存することなく、摺動機械要素における摺動面の状態を高精度に診断することを可能とする機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム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、本発明の第１の態様に係る機械学習装置は、
固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを生成する機械学習装置であって、
所定期間において前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ 、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接
触電気抵抗のデータ、及び、前記所定期間において前記固定側摺動部材及び前記回転側摺
動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを１又は複数組記憶する学習用データ記憶部と、
前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える。

上記目的を達成するために、本発明の第２の態様に係る摺動面診断装置は、
上記機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置であって、
所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得部と、
前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前記摺動面の診断情報を推論する推論部と、を備える。

本発明の機械学習装置によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータから、摺動面の診断情報を高精度に推論（推定）することが可能な学習モデルを提供することができる。また、本発明の摺動面診断装置によれば、作業者の経験に依存することなく、摺動面の状態を高精度に診断することができる。

上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。

第１の実施形態に係る摺動面診断システム２が適用された第１の摺動機械要素１Ａの一例を示す概略構成図である。 第１の実施形態に係る摺動面診断システム２が適用された第２の摺動機械要素１Ｂの一例を示す概略構成図である。 機械学習装置４及び摺動面診断装置５を構成するコンピュータ２００の一例を示すハードウエア構成図である。 第１の実施形態に係る機械学習装置４の一例を示すブロック図である。 第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の一例を示すデータ構成図である。 第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモデルの一例を示す模式図である。 第１の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る摺動面診断装置５の一例を示すブロック図である。 第１の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の一例を示すデータ構成図である。 第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデルの一例を示す模式図である。 第２の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。 第２の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

（第１の実施形態）
図１は、第１の実施形態に係る摺動面診断システム２が適用された第１の摺動機械要素１Ａの一例を示す概略構成図である。図２は、第１の実施形態に係る摺動面診断システム２が適用された第２の摺動機械要素１Ｂの一例を示す概略構成図である。

摺動機械要素１Ａ、１Ｂは、摺動面１００、１１０が線接触する第１の摺動機械要素１Ａ（図１参照）と、摺動面１００、１１０が面接触する第２の摺動機械要素１Ｂ（図２参照）とに大別される。

第１及び第２の摺動機械要素１Ａ、１Ｂの各々は、固定側摺動面１００を有する固定側摺動部材１０と、回転側摺動面１１０を有する回転側摺動部材１１とを備える。なお、本明細書では、「摺動面」は、固定側摺動面１００及び回転側摺動面１１０の両方を示す場合だけでなく、これらのいずれか一方を示す場合も含む用語として使用する。

固定側摺動部材１０は、支持部材（不図示）に固定される。回転側摺動部材１１は、回転軸１２に固定され、回転軸１２は、駆動源としてのモータ１３に連結される。回転側摺動部材１１は、モータ制御装置１４からモータ１３に電流が供給されてモータ１３が回転駆動されることにより、回転軸１２と一体となって回転される。このとき、固定側摺動面１００と回転側摺動面１１０とが潤滑剤を介して摺動する。潤滑剤は、任意の物質でよく、例えば、油、水、水溶液等である。

第１の摺動機械要素１Ａは、図１に示すように、線接触の摺動面１００、１１０を有し、例えば、ラジアル荷重を受けるすべり軸受けを構成する。第１の摺動機械要素１Ａにおいて、固定側摺動部材１０及び回転側摺動部材１１は、円環状に形成され、回転軸１２を中心とする同心状に配置される。回転側摺動部材１１は、回転軸１２の外周面を覆うように回転軸１２に固定される。回転側摺動部材１１の外周面が回転側摺動面１１０に相当する。なお、回転側摺動部材１１と回転軸１２とを別部材とせずに、回転軸１２自体が、回転側摺動部材１１として機能してもよく、その場合には、回転軸１２の外周面が回転側摺動面１１０に相当する。また、固定側摺動部材１０は、回転側摺動面１１０を覆うように配置される。固定側摺動部材１０の内周面が固定側摺動面１００に相当する。

第２の摺動機械要素１Ｂは、図２に示すように、面接触の摺動面１００、１１０を有し、例えば、スラスト荷重を受けるすべり軸受けやメカニカルシールを構成する。第２の摺動機械要素１Ｂにおいて、固定側摺動部材１０及び回転側摺動部材１１は、円環状に形成され、回転軸１２と同軸状に並べて配置される。固定側摺動部材１０の回転側摺動部材１１側に位置するドーナツ状の側面が固定側摺動面１００に相当する。回転側摺動部材１１は、回転軸１２の外周面に固定される。回転側摺動部材１１の固定側摺動部材１０側に位置するドーナツ状の側面が回転側摺動面１１０に相当する。固定側摺動部材１０及び回転側摺動部材１１は、付勢部材１５により固定側摺動面１００及び回転側摺動面１１０が回転軸１２の軸方向に押し付けられるように支持される。なお、付勢部材１５は、図２に示すように、回転側摺動部材１１側に設けられることに代えて又は加えて、固定側摺動部材１
０側に設けられてもよい。また、付勢部材１５は、図２に示すように、回転側摺動部材１１側に設けられることなく、省略されてもよい。

上記構成を有する摺動機械要素１Ａ、１Ｂに対して摺動面１００、１１０の状態を診断する摺動面診断システム２が設けられている。摺動面診断システム２は、測定装置３と、機械学習装置４と、摺動面診断装置５とを備える。

測定装置３は、摺動機械要素１Ａ、１Ｂの各部に設置され、摺動機械要素１Ａ、１Ｂの各部の物理量や状態量を測定する。測定装置３は、学習フェーズでは、機械学習装置４に接続されて学習用のデータ測定に用いられ、推論フェーズでは、摺動面診断装置５に接続されて診断用のデータ測定に用いられる。測定装置３は、モータ電流センサ３０と、接触電気抵抗測定回路３１と、アコースティックエミッション（以下、「ＡＥ」という）測定回路３２と、加速度センサ３３とを備える。

モータ電流センサ３０は、例えば、モータ１３とモータ制御装置１４とを接続する電力線に取り付けられ、モータ制御装置１４からモータ１３に供給されるモータ電流値を測定する。なお、モータ電流センサ３０は、モータ１３の内部やモータ制御装置１４の内部に設けられていてもよい。

接触電気抵抗測定回路３１は、固定側摺動部材１０と回転側摺動部材１１とに電気的にそれぞれ接続されて所定の電圧を印加することで、固定側摺動部材１０と回転側摺動部材１１との間の接触電気抵抗を測定する。接触電気抵抗の測定値としては、例えば、固定側摺動部材１０と回転側摺動部材１１との間に十分な潤滑剤が存在しない場合には、接触状態を示す抵抗値（０Ω）が測定される。また、固定側摺動部材１０と回転側摺動部材１１との間に十分な潤滑剤が存在する場合には、絶縁状態を示す抵抗値（例えば、１００ｋΩオーダー）が測定される。

ＡＥ測定回路３２は、固定側摺動部材１０に固定されたＡＥセンサ３２０と、ＡＥセンサ３２０に電気的に接続された信号処理回路３２１とを備える。ＡＥセンサ３２０は、固定側摺動部材１０に生じるＡＥ波を検出し、ＡＥ信号として出力する。信号処理回路３２１は、例えば、プリアンプ及びディスクリミネータを有し、ＡＥセンサ３２０により出力されたＡＥ信号を所定のフィルタに通して増幅することで、ＡＥ波を測定する。なお、ＡＥセンサ３２０は、固定側摺動部材１０に代えて又は加えて、回転側摺動部材１１に固定されてもよい。また、ＡＥセンサ３２０は、図１、図２の例では、固定側摺動部材１０の外周円筒面に取り付けられているが、ＡＥセンサ３２０の取付位置や取付形態は適宜変更してもよい。ＡＥセンサ３２０は、例えば、固定側摺動部材１０の軸方向端面に取り付けられてもよいし、アダプタやケーシング等の部材を介して固定側摺動部材１０に取り付けけられてもよい。

加速度センサ３３は、固定側摺動部材１０に固定され、固定側摺動部材１０に生じる加速度を測定する。加速度センサ３３は、例えば、１軸の加速度を測定するセンサであり、摺動面１００、１１０に直交する方向（矢印Ｄ１、Ｄ２）の加速度を測定するように、固定側摺動部材１０に固定される。第１の摺動機械要素１Ａでは、矢印Ｄ１（図１参照）が示す方向は、固定側摺動部材１０の径方向であり、回転軸１２の荷重方向である。第２の摺動機械要素１Ｂでは、矢印Ｄ２（図２参照）が示す方向は、固定側摺動部材１０の軸方向であり、回転側摺動部材１１と固定側摺動部材１０とが押し付けられた押し付け方向である。なお、加速度センサ３３は、固定側摺動部材１０に代えて又は加えて、回転側摺動部材１１に固定されてもよい。また、加速度センサ３３は、図１、図２の例では、固定側摺動部材１０の外周円筒面に取り付けられているが、加速度センサ３３の取付位置や取付形態は適宜変更してもよい。加速度センサ３３は、例えば、固定側摺動部材１０の軸方向
端面に取り付けられてもよいし、アダプタやケーシング等の部材を介して固定側摺動部材１０に取り付けけられてもよい。

測定装置３は、例えば、所定の測定周期にて各部の物理量や状態量を測定し、測定周期が経過する毎に、その測定時点での測定値を機械学習装置４及び摺動面診断装置５に出力可能に構成される。なお、測定装置３を構成するモータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３の各々における測定周期は同一でもよいし、異なるものでもよい。また、測定装置３は、上記のように、測定周期が経過する毎に離散的な測定値を出力することに代えて、アナログ信号のように連続的な測定値を出力してもよい。

機械学習装置４は、学習フェーズの主体として動作し、摺動面１００、１１０の状態を診断する際に用いられる学習モデル６を機械学習により生成する。機械学習装置４は、機械学習の手法として、「教師あり学習」及び「教師なし学習」のいずれも採用することができる。本実施形態では「教師あり学習」を採用し、後述する第２の実施形態では、「教師なし学習」を採用する。

摺動面診断装置５は、推論フェーズの主体として動作し、機械学習装置４により生成された学習済みの学習モデル６を用いて、測定装置３により測定された測定値から摺動面１００、１１０の状態を診断する。学習済みの学習モデル６は、機械学習装置４から任意の通信網や記録媒体等を介して摺動面診断装置５に提供される。

図３は、機械学習装置４及び摺動面診断装置５を構成するコンピュータ２００の一例を示すハードウエア構成図である。

機械学習装置４及び摺動面診断装置５のそれぞれは、汎用又は専用のコンピュータ２００により構成される。コンピュータ２００は、図３に示すように、その主要な構成要素として、バス２１０、プロセッサ２１２、メモリ２１４、入力デバイス２１６、表示デバイス２１８、ストレージ装置２２０、通信Ｉ／Ｆ（インターフェース）部２２２、外部機器Ｉ／Ｆ部２２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部２２６、及び、メディア入出力部２２８を備える。なお、上記の構成要素は、コンピュータ２００が使用される用途に応じて適宜省略されてもよい。

プロセッサ２１２は、１つ又は複数の演算処理装置（ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ等）で構成され、コンピュータ２００全体を統括する制御部として動作する。メモリ２１４は、各種のデータ及びプログラム２３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモリ等）とで構成される。

入力デバイス２１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成される。表示デバイス２１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成される。入力デバイス２１６及び表示デバイス２１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置２２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、オペレーティングシステムやプログラム２３０の実行に必要な各種のデータを記憶する。

通信Ｉ／Ｆ部２２２は、インターネットやイントラネット等のネットワーク２４０に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う。外部機器Ｉ／Ｆ部２２４は、プリンタ、スキャナ等の外部機器２５０に有線又は無線により接続され、所定の通信規格に従って外部機器２５０との間でデータの送
受信を行う。Ｉ／ＯデバイスＩ／Ｆ部２２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス２６０に接続され、Ｉ／Ｏデバイス２６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う。メディア入出力部２２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア２７０に対してデータの読み書きを行う。

上記構成を有するコンピュータ２００において、プロセッサ２１２は、プログラム２３０をメモリ２１４のワークメモリ領域に呼び出して実行し、バス２１０を介してコンピュータ２００の各部を制御する。なお、プログラム２３０は、メモリ２１４の代わりに、ストレージ装置２２０に記憶されていてもよい。プログラム２３０は、インストール可能なファイル形式又は実行可能なファイル形式でＣＤ、ＤＶＤ等の非一時的な記録媒体に記録され、メディア入出力部２２８を介してコンピュータ２００に提供されてもよい。プログラム２３０は、通信Ｉ／Ｆ部２２２を介してネットワーク２４０経由でダウンロードすることによりコンピュータ２００に提供されてもよい。

コンピュータ２００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ２００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ２００は、機械学習装置４及び摺動面診断装置５以外の他の装置に適用されてもよい。

（機械学習装置４）
図４は、第１の実施形態に係る機械学習装置４の一例を示すブロック図である。図４に示す機械学習装置４では、第１の摺動機械要素１Ａを学習モデル６の対象とするが、第２の摺動機械要素１Ｂを学習モデル６の対象としてもよい。

機械学習装置４は、学習用データ取得部４０と、学習用データ記憶部４１と、機械学習部４２と、学習済みモデル記憶部４３とを備える。機械学習装置４は、例えば、図３に示すコンピュータ２００で構成される。その場合、学習用データ取得部４０は、通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、機械学習部４２は、プロセッサ２１２で構成され、学習用データ記憶部４１及び学習済みモデル記憶部４３は、ストレージ装置２２０で構成される。

学習用データ取得部４０は、各種の外部装置と通信網２０を介して接続され、入力データを少なくとも含む学習用データを取得するインタフェースユニットである。外部装置は、例えば、第１の摺動機械要素１Ａに設けられた測定装置３、第１の摺動機械要素１Ａを模擬した試験装置７に設けられた測定装置３、及び、作業者が使用する作業者用端末８等である。なお、摺動面診断装置５が、通信網２０に接続されている場合には、学習用データ取得部４０は、摺動面診断装置５の診断対象である第１の摺動機械要素１Ａに設けられた測定装置３から学習用データを取得するようにしてもよい。

試験装置７の各部には、測定装置３として、モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３が設けられる。試験装置７が、図４に示すように、第１の摺動機械要素１Ａを模擬した装置である場合には、例えば、ブロックオンリング型の一方向すべり摩擦試験を実施する装置として構成される。

学習用データ記憶部４１は、学習用データ取得部４０で取得した学習用データを１又は複数組記憶するデータベースである。なお、学習用データ記憶部４１を構成するデータベースの具体的な構成は適宜設計すればよい。

機械学習部４２は、学習用データ記憶部４１に記憶された学習用データを用いて機械学
習を実施する。すなわち、機械学習部４２は、学習モデル６に学習用データを複数組入力することで、学習用データに含まれる入力データと摺動面１００、１１０の診断情報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する。本実施形態では、機械学習部４２による教師あり学習の具体的な手法として、ニューラルネットワークを採用する場合について説明する。

学習済みモデル記憶部４３は、機械学習部４２により生成された学習済みの学習モデル６を記憶するデータベースである。学習済みモデル記憶部４３に記憶された学習済みの学習モデル６は、任意の通信網や記録媒体等を介して実システム（例えば、摺動面診断装置５）に提供される。なお、図４では、学習用データ記憶部４１と、学習済みモデル記憶部４３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。

図５は、第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の一例を示すデータ構成図である。

学習用データは、入力データとして、所定期間においてモータ１３に供給されるモータ電流値のデータ、所定期間における固定側摺動部材１０と回転側摺動部材１１との間の接触電気抵抗のデータ、及び、所定期間において固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方に生じる振動のデータを少なくとも含む。入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータの各々における所定期間は、同一の期間に設定することを基本とするが、各データ間に時間差が生じる関係が認められる場合には、当該時間差に対応する期間に設定してもよい。なお、入力データは、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータ以外に他のデータをさらに含むものでもよく、例えば、固定側摺動部材１０と回転側摺動部材１１とが摺動するときに生じる音、固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方の温度、固定側摺動部材１０と回転側摺動部材１１との間の潤滑圧力、潤滑剤の流量、潤滑剤の温度、及び、潤滑剤の性状値（色、粒径分布）のデータのうち少なくとも１つのデータをさらに含むものでもよい。

所定期間におけるモータ電流値のデータは、所定期間内の複数の測定時点においてモータ電流センサ３０により測定された複数の測定値（モータ電流値）で構成される。モータ電流値のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、モータ電流センサ３０が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間におけるモータ電流値のデータは、所定期間内の複数のサンプリング時点における複数の測定値（モータ電流値）で構成される。

所定期間における接触電気抵抗のデータは、所定期間内の複数の測定時点において接触電気抵抗測定回路３１により測定された複数の測定値（接触電気抵抗）で構成される。接触電気抵抗のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、接触電気抵抗測定回路３１が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間における接触電気抵抗のデータは、所定期間内の複数のサンプリング時点における複数の測定値（接触電気抵抗）で構成される。

所定期間における振動のデータは、所定期間におけるＡＥ波のデータ、及び、所定期間における摺動面１００、１１０に直交する方向に生じる加速度のデータの少なくとも１つである。本実施形態では、振動のデータは、ＡＥ波のデータ及び加速度のデータからなる
ものとして説明する。なお、振動のデータは、固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方に生じる振動を表すものであれば、ＡＥ波のデータ及び加速度のデータ以外のデータを用いてもよい。

所定期間におけるＡＥ波のデータは、所定期間内の複数の測定時点においてＡＥ測定回路３２により測定された複数の測定値（ＡＥ波）で構成される。ＡＥ波のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、ＡＥ測定回路３２が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間におけるＡＥ波のデータは、所定期間内の複数のサンプリング時点における複数の測定値（ＡＥ波）で構成される。

所定期間における加速度のデータは、所定期間内の複数の測定時点において加速度センサ３３により測定された複数の測定値（加速度）で構成される。加速度のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、加速度センサ３３が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間における加速度のデータは、所定期間内の複数のサンプリング時点における複数の測定値（加速度）で構成される。

機械学習として「教師あり学習」を採用する場合、学習用データは、入力データに対応付けられた出力データとして、所定期間における摺動面１００、１１０の状態が複数の状態のうちのいずれかであることを表す診断情報をさらに含む。出力データは、教師あり学習において、例えば、教師データや正解ラベルと称される。

診断情報は、摺動面１００、１１０の摩耗に関する診断情報、摺動面１００、１１０の焼付きに関する診断情報、及び、潤滑剤の汚損に関する診断情報、の少なくとも１つである。

摺動面１００、１１０の状態として、異常の有無を診断する場合には、診断情報は、摺動面１００、１１０の状態が正常及び異常のいずれかであることを表す情報として構成される。この場合、診断情報は、２値に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」とし、摺動面１００、１１０が異常な状態であることを示す値を「１」として定義される。本実施形態では、診断情報は、正常及び異常のいずれかであることを表すものとして説明する。

したがって、本実施形態に係る学習用データは、図５に示すように、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを含む入力データと、正常及び異常のいずれかであることを表す診断情報を含む出力データとが対応付けられて構成される。ここでの異常は、診断時点において異常の発生が判明したような事後的な異常だけなく、診断時点では正常と判断される許容範囲ではあるが、将来的な異常の発生が予見されたような異常の兆候も含むものでもよい。

なお、診断情報のうち異常を表す情報は、図５に示す異常１／異常２／…／異常ｎに対応するように、例えば、異常の具体的な内容や度合いに応じた複数の異常を含んでいてもよい。

異常の具体的な内容としては、例えば、摩耗に関する異常、焼付きに関する異常、又は、潤滑剤の汚損に関する異常が含まれる。この場合、診断情報は、多値（３以上の整数）に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」と
し、摩耗に関する異常であることを示す値を「１」とし、焼付きに関する異常であることを示す値を「２」とし、以下同様に各異常の内容に合わせた値として定義される。

異常の具体的な度合いとしては、例えば、摩耗に関する異常であれば、摩耗の度合いを複数のレベルで分類したものが含まれる。この場合、診断情報は、多値（３以上の整数）に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」とし、摩耗の度合いが低レベルの異常であることを示す値を「１」とし、摩耗の度合いが中レベルの異常であることを示す値を「２」とし、以下同様に各異常の度合いに合わせた値として定義される。

ここで、学習用データに含まれる入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータ）と、摺動面１００、１１０の診断情報との間の相関関係について説明する。

モータ電流値は、モータ１３を所定の回転速度で回転駆動させるときにモータ制御回路１４からモータ１３に供給されるため、摺動面１００、１１０の状態に応じて変化する。例えば、摺動面１００、１１０の摩擦係数が高い状態では、モータ電流値は上昇する。そのため、モータ電流値のデータは、摺動面１００、１１０の摩擦抵抗を間接的に表しており、摺動面１００、１１０の摩擦抵抗を監視するために主に使用される。接触電気抵抗は、固定側摺動部材１０と回転側摺動部材１１との間が絶縁状態か接触状態かで連続的に変化する。そのため、接触電気抵抗のデータは、摺動面１００、１１０における潤滑剤の潤滑状態を監視するために主に使用される。

また、潤滑剤に異物が混入したり、摺動面１００、１１０の摩耗による摩耗粉が増加したりしたような潤滑剤の汚損が発生した場合には、摺動面１００、１１０にて突発的な振動が発生し、加速度やＡＥ波の変化として計測される。また、焼付きにより摺動面１００、１１０の損傷が発生したような場合には、ＡＥ波として計測される。そのため、加速度のデータ及びＡＥ波のデータは、摺動面１００、１１０における潤滑剤の汚損状態や、摺動面１００、１１０の焼付き状態を監視するために主に使用される。

モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータについて、個々のデータの主な監視用途としては上記のとおりであるが、摺動面１００、１１０の状態は、摺動面１００、１１０の使用環境、使用条件、メンテナンス状況等の様々な影響を受けて複雑に変化する。このように複雑に変化する摺動面１００、１１０の状態を適切に診断するためには、個々のデータを個別に監視するだけでは難しく、従来は作業者の経験に依存する部分が大きかった。そこで、学習用データが、入力データとして、所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータを含む構成とすることで、摺動面１００、１１０の状態が上記のように様々な影響を受けて複雑に変化する場合であっても摺動面１００、１１０の状態を高精度に診断することが可能となる。

学習用データ取得部４０は、上記の学習用データを取得する場合、第１の摺動機械要素１Ａ又は試験装置７に設けられた測定装置３にて測定された所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを入力データとして、測定装置３から取得する。また、作業者が、測定装置３にて入力データが測定された所定期間における摺動面１００、１１０の状態を診断し、その診断した診断結果（例えば、正常又は異常）を作業者用端末８に入力すると、学習用データ取得部４０は、作業者用端末８にて入力された診断結果に基づく診断情報を出力データ（教師データ）として、作業者用端末８から取得する。そして、学習用データ取得部４０は、これらの入力データと出力データとを対応付けられることで一の学習用データを構成し、学習用データ記
憶部４１に記憶する。

図６は、第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモデルの一例を示す模式図である。

学習モデル６は、図６に示すニューラルネットワークモデルとして構成される。ニューラルネットワークモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。

入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データのそれぞれが対応付けられる。なお、入力層に入力する前の入力データに対して所定の前処理を施しもよいし、出力層から出力された後の出力データに対して所定の後処理を施しもてもよい。

第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものでもよいし、第１中間層のみを隠れ層とするものでもよい。また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、各層のニューロンの間を接続するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付けられる。

ニューラルネットワークモデルは、学習用データを用いて、当該学習用データに含まれる入力データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該学習用データに含まれる出力データ（教師データ）とを比較することで、入力データと出力データとの相関関係を学習する。

具体的には、入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが入力される。そして、出力層の各ニューロンの値は、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するシナプスに対応付けられた重みｗｉとの乗算値の数列の和として算出する処理を、入力層以外の全てのニューロンに対して行うことで算出される。

そして、推論結果として出力層の各ニューロンに出力された値（ｚ１～ｚｏ）と、学習用データに含まれる出力データのそれぞれに対応する教師データの値（ｔ１～ｔｏ）とをそれぞれ比較して誤差を求め、その誤差が小さくなるように、各シナプスに対応付けられた重みｗｉを調整する処理（バックプロバケーション）が実施される。

上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さくなること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みのニューラルネットワークモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として生成される。

（機械学習方法）
図７は、第１の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。なお、機械学習方法は、図５の学習フェーズに該当する。

まず、ステップＳ１００において、学習用データ取得部４０は、機械学習を開始するための事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学習用データ記憶部４１に記憶する。ここで準備する学習用データの数については、最終的
に得られる学習モデル６に求められる推論精度を考慮して設定すればよい。

学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、特定の第１の摺動機械要素１Ａや試験装置７における摺動面１００、１１０に異常が発生した場合、又は、作業者が異常の兆候を認識した場合において、その前後の期間における各種の測定値を測定装置３を用いて取得するとともに、作業者が作業者用端末８を用いて、これらの測定値に対応付ける形で診断結果を入力することで、学習データを構成する入力データと出力データ（例えば、この場合の出力データの値は「１」）とを準備する。そして、このような作業を繰り返すことで学習用データを複数組準備することが可能である。また、他の方法として、例えば、第１の摺動機械要素１Ａや試験装置７の摺動面１００、１１０に異常な状態を意図的に発生させることで学習用データを取得することも可能である。さらに、学習用データとしては、異常が発生した場合だけでなく、異常が発生していないとき、すなわち、第１の摺動機械要素１Ａや試験装置７の摺動面１００、１１０が正常な状態であるときの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を複数組準備する。

次に、ステップＳ１１０において、機械学習部４２は、機械学習を開始すべく、学習前の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図６に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。入力層の各ニューロンには、学習用データに含まれる入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータのそれぞれが対応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データとしての診断情報のそれぞれが対応付けられる。

次に、ステップＳ１２０において、機械学習部４２は、学習用データ記憶部４１に記憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。

次に、ステップＳ１３０において、機械学習部４２は、一の学習用データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データに含まれる出力データ（教師データ）とは異なる情報を示す。

次に、ステップＳ１４０において、機械学習部４２は、ステップＳ１２０において取得された一の学習用データに含まれる出力データ（教師データ）と、ステップＳ１３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。これにより、機械学習部４２は、入力データと出力データ（摺動面１００、１１０の診断情報）との相関関係を学習モデル６に学習させる。

例えば、教師データを構成する診断情報が、正常の状態を「０」で示し、異常の状態を「１」で示す２値分類として定義された場合において、ステップＳ１２０で選択された一の学習用データセットに含まれる出力データの値が「１」であるが、出力層から出力された出力データの値は、０～１の所定の値、具体的に、例えば「０．６３」といった値が出力されたものとする。この場合、ステップＳ１４０では、仮に同様の入力データが学習中の学習モデル６の入力層に入力された場合に出力層から出力される値が「１」に近づくように、当該学習中の学習モデル６の各シナプスに対応付けられた重みを調整する。

次に、ステップＳ１５０において、機械学習部４２は、機械学習を継続する必要があるか否かを、例えば、出力データと教師データとの誤差や、学習用データ記憶部４１内に記
憶された未学習の学習用データの残数に基づいて判定する。

ステップＳ１５０において、機械学習部４２が機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル６に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習用データを用いて複数回実施する。一方、ステップＳ１５０において、機械学習部４２が機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。

そして、ステップＳ１６０において、機械学習部４２は、各シナプスに対応付けられた重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４３に記憶し、図７に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。

以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動（本実施形態では、ＡＥ波及び加速度）のデータから、摺動面１００、１１０の診断情報を高精度に推論（推定）することが可能な学習モデル６を提供することができる。

（摺動面診断装置５）
図８は、第１の実施形態に係る摺動面診断装置５の一例を示すブロック図である。図８に示す摺動面診断装置５では、第１の摺動機械要素１Ａを学習モデル６の対象とするが、第２の摺動機械要素１Ｂを学習モデル６の対象としてもよい。

摺動面診断装置５は、入力データ取得部５０と、推論部５１と、学習済みモデル記憶部５２と、出力処理部５３とを備える。摺動面診断装置５は、例えば、図３に示すコンピュータ２００で構成される。その場合、入力データ取得部５０は、通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、推論部５１及び出力処理部５３は、プロセッサ２１２で構成され、学習済みモデル記憶部５２は、ストレージ装置２２０で構成される。なお、摺動面診断装置５は、モータ制御装置１４に組み込まれていてもよいし、モータ制御装置１４の上位の管理装置（例えば、機械設備のコントローラ、複数の機械設備を管理する設備管理システム等）に組み込まれていてもよい。

入力データ取得部５０は、第１の摺動機械要素１Ａに設けられた測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）に接続され、測定装置３により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得するインタフェースユニットである。

推論部５１は、入力データ取得部５０により取得された入力データを学習モデル６に入力し、摺動面１００、１１０の診断情報を推論する推論処理を行う。推論処理には、機械学習装置４及び機械学習方法にて教師あり学習が実施された学習済みの学習モデル６が用いられる。

推論部５１は、学習モデル６を用いた推論処理を行う機能のみならず、推論処理の前処理として、入力データ取得部５０により取得された入力データを所望の形式等に調整して学習モデル６に入力する前処理機能や、推論処理の後処理として、学習モデル６から出力された出力データの値に所定の論理式や計算式を適用することで、摺動面１００、１１０の状態を最終的に判断する後処理機能をも含んでいる。なお、推論部５１の推論結果は、学習済みモデル記憶部５２や他の記憶装置（不図示）に記憶することが好ましく、過去の
推論結果は、例えば、学習モデル６の推論精度の更なる向上のため、オンライン学習や再学習に用いられる学習用データとして利用することが可能である。

学習済みモデル記憶部５２は、推論部５１の推論処理にて用いられる学習済みの学習モデル６を記憶するデータベースである。なお、学習済みモデル記憶部５２に記憶される学習モデル６の数は１つに限定されない。例えば、入力データの数が異なる、又は、機械学習の手法が異なる複数の学習モデル６が記憶され、選択的に利用可能としてもよい。

出力処理部５３は、推論部５１の推論結果、すなわち、摺動面１００、１１０の診断情報を出力する出力処理を行う。具体的な出力手段は、種々の手段を採用することが可能である。出力処理部５３は、例えば、診断情報を、表示や音で作業者に報知したり、第１の摺動機械要素１Ａの診断履歴として、例えば、モータ制御装置１４又はモータ制御装置１４の上位の管理装置（不図示）に送信し、モータ制御装置１４やモータ制御装置１４の管理装置の記憶部に記憶したり、モータ１３の駆動制御に利用してもよい。

（摺動面診断方法）
図９は、第１の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。図９では、摺動面１００、１１０の診断情報が、正常「０」及び異常「１」のいずれかを表す２値分類として定義されたものとして説明する。なお、摺動面診断方法は、図５の推論フェーズに該当する。

モータ制御装置１４からモータ１３に電流が供給されてモータ１３が回転駆動されることにより、第１の摺動機械要素１Ａの回転側摺動部材１１は回転された状態となる。このとき、図９に示す一連の摺動面診断方法が、摺動面診断装置５にて所定の診断タイミングにて実行される。診断タイミングは、例えば、所定の時間間隔毎でもよいし、所定の事象発生時（作業者の操作指示時、メンテナンス動作時等）でもよい。

まず、ステップＳ２００において、入力データ取得部５０が、測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得する。このとき、入力データは、所定期間と同一期間又は所定期間よりも長期間において測定装置３にて測定された測定値を含むことが要求される。

次に、ステップＳ２１０において、推論部５１は、入力データに前処理を施して学習モデル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得する。

次に、ステップＳ２２０において、推論部５１は、教師あり学習の後処理の一例として、出力データの値（０～１の間の数）と、所定の閾値とを比較し、例えば、出力データの値が、所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出力する。

次に、ステップＳ２３０において、出力処理部５３は、推論部５１の推論結果である摺動面１００、１１０の診断情報が「正常」及び「異常」のいずれを表すかを判定し、「正常」と判定した場合には、ステップＳ２４０に進み、「異常」と判定した場合には、ステップＳ２５０に進む。

そして、ステップＳ２４０において、出力処理部５３は、「正常」を表す情報を出力す
る。なお、ステップＳ２４０は省略されてもよい。

また、ステップＳ２５０において、出力処理部５３は、「異常」を表す情報を出力し、図９に示す一連の摺動面診断方法を終了する。摺動面診断方法において、ステップＳ２００が入力データ取得工程、ステップＳ２１０～Ｓ２２０が推論工程、ステップＳ２３０～Ｓ２５０が出力処理工程に相当する。

以上のように、本実施形態に係る摺動面診断装置５及び摺動面診断方法によれば、作業者の経験に依存することなく、摺動面１００、１１０の状態を高精度に診断することができる。

（第２の実施形態）
第１の実施形態では、機械学習の手法として、「教師あり学習」を採用した場合について説明したが、本実施形態では、「教師なし学習」を採用した場合について説明する。なお、第２の実施形態に係る摺動機械要素１Ａ、１Ｂ並びに摺動面診断システム２を構成する測定装置３、機械学習装置４及び摺動面診断装置５の基本的な構成や動作は、第１の実施形態と同様であるため、以下では第１の実施形態との相違点を中心に説明する。

（機械学習装置４）
機械学習装置４は、第１の実施形態（図４参照）と同様に、学習用データ取得部４０と、学習用データ記憶部４１と、機械学習部４２と、学習済みモデル記憶部４３とを備える。

図１０は、第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の一例を示すデータ構成図である。

機械学習として「教師なし学習」を採用する場合、学習データは、診断情報が所定期間における摺動面１００、１１０の状態が所定の状態であることを表すときの入力データのみを含む。すなわち、学習データは、出力データを含まない構成としてもよく、機械学習装置４が採用する機械学習の手法に応じて出力データの有無や出力データの形式を適宜選択することができる。

摺動面１００、１１０の状態として、異常の有無を診断する場合には、診断情報は、摺動面１００、１１０の状態が正常及び異常のいずれかであることを表す情報として構成される。この場合に、本実施形態に係る学習用データは、図１０に示すように、摺動面１００、１１０の状態が正常であるときの所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを含む入力データのみで構成される。

学習用データ取得部４０は、上記の学習用データを取得する場合、摺動機械要素１Ａ、１Ｂ又は試験装置７に設けられた測定装置３にて測定された所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを入力データとして、測定装置３から取得する。そして、作業者が、測定装置３にて入力データが測定された所定期間における摺動面１００、１１０の状態を診断し、その診断した診断結果が正常であることを作業者用端末８に入力すると、学習用データ取得部４０は、その入力データのみで一の学習用データを構成し、学習用データ記憶部４１に記憶する。

機械学習部４２は、学習モデル６に学習用データを一又は複数組入力することで、学習用データに含まれる入力データと摺動面１００、１１０の状態が正常であることを表す診断情報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成
する。本実施形態では、機械学習部４２による教師なし学習の具体的な手法として、オートエンコーダを採用する場合について説明する。

図１１は、第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデルの一例を示す模式図である。

学習モデル６は、図１０に示すオートエンコーダモデルとして構成される。オートエンコーダモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、中間層にあるｍ個のニューロン（ｙ１～ｙｍ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。入力層と出力層のニューロンの個数は同じであり、中間層のニューロンの個数よりも多い。

入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付けられる。中間層は、隠れ層とも呼ばれており、複数の隠れ層を有するものでもよい。また、入力層と中間層との間、中間層と出力層との間には、各層のニューロンの間を接続するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付けられる。

オートエンコーダモデルは、学習用データを用いて、当該学習用データに含まれる入力データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該学習用データに含まれる入力データとを比較し、重みｗｉを調整する処理を実施することで、入力データが有するパターンや傾向を学習する。

上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さくなること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みのオートエンコーダモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として生成される。

（機械学習方法）
図１２は、第２の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。

まず、ステップＳ３００において、学習用データ取得部４０は、機械学習を開始するための事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学習用データ記憶部４１に記憶する。

学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、特定の摺動機械要素１Ａ、１Ｂや試験装置７における摺動面１００、１１０が正常な状態である場合の所定期間における各種の測定値を測定装置３を用いて取得することで、学習データを構成する入力データを準備する。そして、このような作業を繰り返すことで学習用データを複数組準備することが可能である。

次に、ステップＳ３１０において、機械学習部４２は、機械学習を開始すべく、学習前の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図１１に例示したオートエンコーダモデルで構成されており、各シナプスの重みが初期値に設定されている。入力層の各ニューロンには、学習用データに含まれる入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータのそれぞれが対応付けられる。

次に、ステップＳ３２０において、機械学習部４２は、学習用データ記憶部４１に記憶
された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。

次に、ステップＳ３３０において、機械学習部４２は、一の学習用データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データに含まれる入力データとは異なる情報を示す。

次に、ステップＳ３４０において、機械学習部４２は、ステップＳ３２０において取得された一の学習用データに含まれる入力データと、ステップＳ３３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。

次に、ステップＳ３５０において、機械学習部４２は、機械学習を継続する必要があるか否かを判定する。その結果、継続すると判定した場合（ステップＳ３５０でＮｏ）、ステップＳ３２０に戻り、学習中の学習モデル６に対してステップＳ３２０～Ｓ３４０の工程を実施し、機械学習を終了すると判定した場合（ステップＳ３５０でＹｅｓ）、ステップＳ３６０に進む。

そして、機械学習部４２は、ステップＳ３６０において、各シナプスに対応付けられた重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４３に記憶し、図１２に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ３００が学習用データ記憶工程、ステップＳ３１０～Ｓ３５０が機械学習工程、ステップＳ３６０が学習済みモデル記憶工程に相当する。

以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動（本実施形態では、ＡＥ波及び加速度）のデータから、摺動面１００、１１０の診断情報を高精度に推論（推定）することが可能な学習モデル６を提供することができる。

（摺動面診断装置５）
摺動面診断装置５は、第１の実施形態（図８参照）と同様に、入力データ取得部５０と、推論部５１と、学習済みモデル記憶部５２と、出力処理部５３とを備える。

推論部５１は、入力データ取得部５０により取得された入力データを学習モデル６に入力し、摺動面１００、１１０の診断情報を推論する推論処理を行う。推論処理には、機械学習装置４及び機械学習方法にて教師なし学習が実施された学習済みの学習モデル６が用いられる。

（摺動面診断方法）
図１３は、第２の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。図１３では、摺動面１００、１１０の診断情報が、正常及び異常のいずれかであることを表す２値分類として定義されたものとして説明する。

まず、ステップＳ４００において、入力データ取得部５０が、測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得する。

次に、ステップＳ４１０において、推論部５１は、入力データに前処理を施して学習モデル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得する。

次に、ステップＳ４２０において、推論部５１は、教師なし学習の後処理の一例として、入力データに基づく特徴量と、出力データに基づく特徴量との差を求める。特徴量は、例えば、多次元空間上の特徴ベクトルとして表現されるパラメータであり、差は、特徴ベクトル間の距離として表現される。そして、推論部５１は、その差が所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出力する。

次に、ステップＳ４３０において、出力処理部５３は、推論部５１の推論結果である摺動面１００、１１０の診断情報が「正常」及び「異常」のいずれを表すかを判定する。その結果、「正常」と判定した場合には、ステップＳ４４０に進み、「異常」と判定した場合には、ステップＳ４５０（省略可能）に進み、図１３に示す一連の摺動面診断方法を終了する。摺動面診断方法において、ステップＳ４００が入力データ取得工程、ステップＳ４１０～Ｓ４２０が推論工程、ステップＳ４３０～Ｓ４５０が出力処理工程に相当する。

以上のように、本実施形態に係る摺動面診断装置５及び摺動面診断方法によれば、作業者の経験に依存することなく、摺動面１００、１１０の状態を高精度に診断することができる。

（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

上記実施形態では、機械学習部４２による機械学習の具体的な手法として、ニューラルネットワーク（第１の実施形態）及びオートエンコーダ（第２の実施形態）をそれぞれ採用した場合について説明したが、機械学習部４２は、任意の他の機械学習の手法を採用してもよい。他の機械学習の手法としては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。

本発明は、図３に示すコンピュータ２００に、上記実施形態に係る機械学習方法が備える各工程を実行させるためのプログラム（機械学習プログラム）２３０の態様で提供することもできる。また、本発明は、図３に示すコンピュータ２００に、上記実施形態に係る摺動面診断方法が備える各工程を実行させるためのプログラム（摺動面診断プログラム）２３０の態様で提供することもできる。

（推論装置、推論方法及び推論プログラム）
本発明は、上記実施形態に係る摺動面診断装置５（摺動面診断方法又は摺動面診断プログラム）の態様によるもののみならず、摺動面の状態を診断するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、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、所定期間におけるモータ電流値のデータ、所定期間における接触電気抵抗のデータ、及び、
所定期間における振動（ＡＥ波及び加速度の少なくとも１つ）のデータを含む入力データを取得する入力データ取得処理（入力データ取得工程）と、入力データ取得処理にて入力データを取得すると、摺動面の診断情報を推論する推論処理（推論工程）とを含む。

推論装置（推論方法又は推論プログラム）の態様で提供することで、摺動面診断装置５を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が摺動面の状態を推論する際、上記実施形態に係る機械学習装置４及び機械学習方法により生成された学習済みの学習モデル６を用いて、摺動面診断装置５の推論部５１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。

１Ａ…第１の摺動機械要素、１Ｂ…第２の摺動機械要素、２…摺動面診断システム、
３…測定装置、４…機械学習装置、５…摺動面診断装置、６…学習モデル、
１０…固定側摺動部材、１１…回転側摺動部材、１２…回転軸、１３…モータ、
１４…モータ制御回路、１５…付勢部材、
３０…モータ電流センサ、３１…接触電気抵抗測定回路、
３２…ＡＥ測定回路、３３…加速度センサ、
４０…学習用データ取得部、４１…学習用データ記憶部、
４２…機械学習部、４３…モデル記憶部、
５０…入力データ取得部、５１…推論部、５２…モデル記憶部、５３…出力処理部、
１００…固定側摺動面、１１０…回転側摺動面、２００…コンピュータ、

Claims (13)

1. 固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを生成する機械学習装置であって、
   所定期間において前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間において前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを１又は複数組記憶する学習用データ記憶部と、
   前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
   前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
   機械学習装置。
2. 前記学習用データは、
   前記入力データに対応付けられ、前記所定期間における前記摺動面の状態が複数の状態のうちのいずれかであることを表す前記診断情報を出力データとしてさらに含み、
   前記機械学習部は、
   前記入力データと前記出力データとの相関関係を教師あり学習により前記学習モデルに学習させる、
   請求項１に記載の機械学習装置。
3. 前記学習用データは、
   前記診断情報が前記所定期間における前記摺動面の状態が所定の状態であることを表すときの前記入力データのみを含み、
   前記機械学習部は、
   前記入力データと前記摺動面の状態が前記所定の状態であることを表す前記診断情報との相関関係を教師なし学習により前記学習モデルに学習させる、
   請求項１に記載の機械学習装置。
4. 前記入力データに含まれる前記振動のデータは、
   アコースティックエミッション波のデータ、及び、前記摺動面と直交する方向に生じる加速度のデータ、の少なくとも一つである、
   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。
5. 前記診断情報は、
   前記摺動面の摩耗に関する診断情報、前記摺動面の焼付きに関する診断情報、及び、前記摺動面を潤滑する潤滑剤の汚損に関する診断情報である、の少なくとも一つである、
   請求項１乃至請求項４のいずれか一項に記載の機械学習装置。
6. 請求項１乃至請求項５のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置であって、
   所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得部と、
   前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前
   記摺動面の診断情報を推論する推論部と、を備える、
   摺動面診断装置。
7. 固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断するため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、プロセッサとを備え、
   前記プロセッサは、
   所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得処理と、
   前記入力データ取得処理にて前記入力データを取得すると、前記摺動面の診断情報を推論する推論処理と、を実行する、
   推論装置。
8. 固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを学習する機械学習方法であって、
   所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを、学習用データ記憶部に１又は複数組記憶する学習用データ記憶工程と、
   前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習工程と、
   前記機械学習工程により学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
   機械学習方法。
9. コンピュータに、請求項８に記載の機械学習方法が備える各工程を実行させるための、
   機械学習プログラム。
10. 請求項１乃至請求項５のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断方法であって、
    所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得工程と、
    前記入力データ取得工程により取得された前記入力データを前記学習モデルに入力し、前記摺動面の診断情報を推論する推論工程と、を備える、
    摺動面診断方法。
11. コンピュータに、請求項１０に記載の摺動面診断方法が備える各工程を実行させるための、
    摺動面診断プログラム。
12. 固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を推論する推論方法であって、
    所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得工程と、
    前記入力データ取得工程にて前記入力データを取得すると、前記摺動面の診断情報を推論する推論工程と、を備える、
    推論方法。
13. コンピュータに、請求項１２に記載の推論方法が備える各工程を実行させるための、
    推論プログラム。

Images