JP2022124144A - 機械学習装置、圧力タンク状態推定装置、推論装置、機械学習方法、機械学習プログラム、圧力タンク状態推定方法、圧力タンク状態推定プログラム、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、流体供給装置の圧力タンクの状態を高精度に推定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、流体を移送するポンプ及びポンプの吐出側に設けられた圧力タンクを備える流体供給装置１における圧力タンクの封入圧力を推定するための学習モデルを生成する機械学習装置であって、所定期間におけるポンプに係るポンプ圧力のデータ、及び、所定期間におけるポンプの運転状況のデータを入力データとし、圧力タンクの封入圧力のデータを出力データとしてそれぞれ含み、入力データ及び出力データが対応付けられた学習用データを複数組記憶する学習用データ記憶部４０１と、学習モデルに学習用データを複数組入力することで、入力データと出力データとの相関関係を学習モデルに学習させる機械学習部４０２と、機械学習部により学習させた学習モデルを記憶する学習済みモデル記憶部４０３と、を備える。【選択図】図３

Description

本発明は、機械学習装置、圧力タンク状態推定装置、推論装置、機械学習方法、機械学
習プログラム、圧力タンク状態推定方法、圧力タンク状態推定プログラム、推論方法、及
び、推論プログラムに関する。

オフィスビルまたはマンションなどの給水対象に水（水道水）を供給するための装置と
して給水装置が広く使用されている。給水装置は、一般に、水を圧送するためのポンプと
、ポンプを駆動するためのモータと、ポンプの運転を制御する制御部と、ポンプの下流に
接続される圧力タンクと、を備えている。

一般に圧力タンクは、内部に隔膜を有する。隔膜は、容器内部を空気室と水室とに分け
る。空気室の内部には予め空気が封入されており、ポンプから水室に流入した水は隔膜を
介して空気を圧縮する。圧力タンクとポンプとの間には逆止弁が配置されており、この逆
止弁と圧力タンクとにより、ポンプが停止した後においても給水配管内の水圧が適切に維
持され、供給先に水が送られる。供給先に水が送られると、隔膜は、空気室側から水室側
へ突出する。

このような給水装置の隔膜は、長年のポンプの作動又は供給先への給水につれて、伸縮
を繰り返す。隔膜の伸縮の繰り返しは、隔膜を徐々に劣化させる。また、容器と隔膜の固
定部位は、同様に屈曲を繰り返すことで徐々に劣化するしかしながら、隔膜の劣化は、使
用状況により異なるので、交換を最適なタイミングで行うことが困難であった。そこで、
圧力タンクの隔膜の劣化状態を的確に診断し、適切な交換時期を把握することができる隔
膜検査装置が提案されている（例えば特許文献１及び２参照）。

特許３５９６９０９号公報 特開平８－８６２７８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、モー
タ電流、又は、給水時間等）に基づいて、圧力タンクの状態を診断するものである。その
ため、圧力タンクの状態の変化が、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。

さらに、特許文献１及び特許文献２にそれぞれ開示された装置は、圧力タンク内の圧力
を測定するための圧力センサを有している。しかしながら、給水装置は、運転時の制御に
おいて、圧力タンク内の圧力の値を使用することはない。そのため、給水装置は、保守時
に使用するためだけに、わざわざ高価な圧力センサを設けなければならなかった。

本発明は、上述した課題に鑑み、高価なセンサを設置せず、作業者の経験に依存するこ
ともなく、流体供給装置における圧力タンクの状態を高精度に推定することを可能とする
機械学習装置、圧力タンク状態推定装置、推論装置、機械学習方法、機械学習プログラム
、圧力タンク状態推定方法、圧力タンク状態推定プログラム、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、本発明の態様に係る機械学習装置は、
流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
給装置における前記圧力タンクの封入圧力を推定するための学習モデルを生成する機械学
習装置であって、
所定期間における前記ポンプに係るポンプ圧力のデータ、及び、前記所定期間における
前記ポンプの運転状況のデータを入力データとし、前記圧力タンクの封入圧力のデータを
出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学
習用データを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。

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、圧力タンクの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、本発明の圧力タンク状態推定装置によれば、作業者
の経験に依存することなく、圧力タンクの状態を高精度に推定することができる。

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。

本実施形態に係る圧力タンク状態推定システム２が適用された給水装置１の一例を示す図である。 機械学習装置４及び圧力タンク状態推定装置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。 本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。 本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。 本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。 本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。 本実施形態に係る圧力タンク状態推定装置５の一例を示すブロック図である。 本実施形態に係る圧力タンク状態推定装置５による圧力タンク状態推定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。

図１は、本発明の実施形態に係る圧力タンク状態推定システム２が適用された流体供給
装置１を示す。この流体供給装置１は主にマンション、オフィス、商業施設、工場、学校
等の建物、住宅、公園等の施設（給水対象）に、水を供給するための装置である。流体供
給装置１は、流体供給源４１から導入管４２を介して吸込口から水を導入する。なお、流
体供給源４１は、受水槽を用いた受水槽方式でもよい。流体供給装置１の吐出口には給水
管４３が接続されている。給水管４３は、各建物の蛇口等の流体供給先４４に接続してい
る。流体供給装置１は、流体供給源４１からの水を増圧し、建物等の各流体供給先４４に
水を供給する。

なお、本実施形態の流体供給装置１は、水を供給する給水装置を例として示すが、流体
供給装置１は、燃料及び薬品等の水以外の液体、並びに、ガス、水素及び酸素等の気体を
含む流体を供給するものでよい。

流体供給装置１は、ポンプ１２と、このポンプ１２を駆動する駆動部としてのモータ１
３（電動機）と、モータ１３を制御するためのインバータ１４と、を備えている。インバ
ータ１４は、漏電遮断器５２を介して商用電源５１に接続されている。

流体供給装置１は、ポンプ１２の吐出側（下流側）に、逆止弁１５と、フロースイッチ
１６と、圧力タンク１７と、を有する。図１に示す流体供給装置１は、１組のポンプ１２
、モータ１３、逆止弁１５、及びフロースイッチ１６を有する。なお、流体供給装置１は
、２組以上のポンプ１２、モータ１３、逆止弁１５、及びフロースイッチ１６を有しても
よい。流体供給装置１は、複数台のポンプ１２を備えることにより、一部のポンプ１２が
運転不可となった場合に、運転可能な他のポンプ１２にて給水を継続し、断水を避けるこ
とができる。

また、流体供給装置１は、ポンプ１２の上流側に、逆流防止装置１１を有する。逆流防
止装置１１は、流体供給装置１の吸込口に接続された導入管４２に設けられており、流体
供給装置１から流体供給源４１への水の逆流を防止する。なお、流体供給源４１が受水槽
の場合などには、流体供給装置１は、逆流防止装置１１を備えなくてもよい。

流体供給装置１は、ポンプ１２の吐出口に接続された吐出管に逆止弁１５を有する。逆
止弁１５は、ポンプ１２が停止した時、ポンプ１２側への水の逆流を防止する。また、流
体供給装置１は、逆止弁１５の下流側（二次側）に、フロースイッチ１６を有する。フロ
ースイッチ１６は、吐出管を流れる水の流量が所定の値にまで低下したことを検出する流
量検出器である。さらに、流体供給装置１は、フロースイッチ１６の下流側に、圧力タン
ク１７を有する。圧力タンク１７は、ポンプ１２が停止している間、流体供給装置１の吐
出側の圧力を保持するための圧力保持器である。ここで、本明細書内で圧力タンク内の圧
力、及び、圧力タンクの封入圧力とは、いずれも空気室内の圧力を指すものである。

本実施形態に係る圧力タンク１７は、容器内部を空気室と水室とに分ける隔膜１７ａを
有する。空気室の内部には予め空気が封入されており、ポンプ１２から水室に流入した水
は隔膜１７ａを介して空気を圧縮する。圧力タンク１７とポンプ１２との間には逆止弁１
５が配置されており、この逆止弁１５と圧力タンク１７とにより、ポンプ１２が停止した
後においても給水配管内の水圧が適切に維持され、流体供給先４４に水が送られる。流体
供給先４４に水が送られると、隔膜１７ａは、空気室側から水室側を押圧する。

流体供給装置１は、給水動作を制御する制御部２０を備える。制御部２０は、ＣＰＵ（
Central Processing Unit）を中心とした回路基板、又は専用の回路基板などを用いれば
よい。なお、制御部２０は、図示しない電力線を介して商用電源５１からの電力が供給さ
れる。ただし、制御部２０は、インバータ１４など、流体供給装置１の他の構成を介して
電力が供給されてもよい。

また、制御部２０とインバータ１４は、通信接続線２１を通じて互いに接続される。制
御部２０からインバータ１４へは、各種設定値、モータ１３の回転速度に関する制御指令
としての周波数指令値、運転・停止信号等の信号が送られる。インバータ１４から制御部
２０へは、実際の周波数値や電流値等の運転状況が逐次送られる。

なお、制御部２０とインバータ１４との間で送受信される制御信号は、アナログ信号お
よび／またはデジタル信号を用いることができる。例えば、回転周波数等にはアナログ信
号を用い、運転停止指令等にはデジタル信号を用いることができる。

上記構成を有する流体供給装置１に対して圧力タンク１７の状態を推定する圧力タンク
状態推定システム２が設けられている。圧力タンク状態推定システム２は、測定装置３と
、機械学習装置４と、圧力タンク状態推定装置５とを備える。

測定装置３は、流体供給装置１の各部に設置され、流体供給装置１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、圧力タンク状態推定装置５に接続されて推
定用のデータ測定に用いられる。測定装置３は、ポンプ１次圧センサ３１と、ポンプ２次
圧センサ３２と、ポンプ運転状況センサ３３と、使用流量センサ３４とを備える。なお、
ポンプ１次圧センサ３１とポンプ２次圧センサ３２は、ポンプに係る圧力を測定するポン
プ圧力センサとして、少なくともいずれか１つを備えればよい。また、使用流量センサ３
４は、備えなくてもよい。

ポンプ１次圧センサ３１は、ポンプ１２の吸込側圧力を測定するための圧力測定器であ
る。本実施形態のポンプ１次圧センサ３１は、流体供給源４１と逆流防止装置１１の間に
設けられる。ポンプ１次圧センサ３１は、所定期間における時系列データを測定できるこ
とが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。

ポンプ２次圧センサ３２は、ポンプ１２の吐出側の圧力を測定するための圧力測定器で
ある。本実施形態のポンプ２次圧センサ３２は、フロースイッチ１６と圧力タンク１７の
間に設けられる。ポンプ２次圧センサ３２は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。

ポンプ運転状況センサ３３は、ポンプ１２の運転状況を取得する。ポンプ１２の運転状
況は、例えば、ポンプ１２のON/OFF、ポンプ１２の回転数、又は、モータ１３の電流値等
から取得する。ポンプ運転状況センサ３３は、所定期間における時系列データを測定でき
ることが好ましい。所定期間はポンプが始動された始動時点を含んでもよい。ポンプ１２
の運転状況を取得することで、ポンプ１２から吐出される流体の量を推測することができ
る。

ポンプ運転状況センサ３３は、ポンプ１２、モータ１３、又は、インバータ１４の運転
中又は停止中のいずれかを示す運転状態の時系列データを取得できることが好ましい。運
転状態は、制御部２０からポンプ１２、モータ１３、又は、インバータ１４へのＯＮ／Ｏ
ＦＦ指令を取得すればよい。運転状態は、制御部２０の指令がＯＮの場合には運転中、Ｏ
ＦＦの場合には停止中と認識すればよい。

また、ポンプ運転状況センサ３３は、ポンプ１２の回転数の時系列データを取得しても
よい。ポンプ１２の回転数は、ポンプ１２又はモータ１３の回転速度を測定して取得すれ
ばよい。また、モータ１３の回転数は、インバータ１４の出力周波数によって決まるので
、インバータ１４の出力周波数を取得してもよい。

さらに、ポンプ運転状況センサ３３は、ポンプ１２の駆動源であるモータ１３に供給さ
れるモータ電流値の時系列データを取得してもよい。モータ電流値を取得することで、ポ
ンプ１２の仕事量を取得することができる。なお、ポンプ１２が空運転、閉塞運転、又は
、過流量運転であることも認識できる。

使用流量センサ３４は、所定期間において圧力タンク１７から流体が供給される流体供
給先４４にて使用された流体の流量を測定する。複数の流体供給先４４が存在する場合、
使用流量センサ３４は、複数の流体供給先４４の流量を合計した合計使用流量を測定すれ
ばよい。使用流量は、時系列データで測定できることが好ましい。例えば、使用流量セン
サ３４は、図１に示すように、複数の流体供給先４４に供給される上流側に設けてよい。
また、使用流量センサ３４は、マンション又はアパート等の集合住宅の各室を流体供給先
４４として、各室に設けてもよい。なお、使用流量センサ３４は、各室に対応する水道メ
ータを使用してもよい。所定期間はポンプが始動された始動時点を含んでもよい。

使用流量センサ３４は、直接計測せず、他の計測データから推測してもよい。例えば、
複数の流体供給先４４における人の入退室記録を計測し、その時系列データから使用流量
を推測してもよい。また、各室のトイレ、浴室のシャワー、キッチンの蛇口等にセンサを
取り付け、その使用量から流体の使用流量を推測してもよい。さらに、各室の電気または
ガスの使用量から流体の使用流量を推測してもよい。

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及び圧力タンク状態推定装置
５に出力可能に構成される。なお、測定装置３を構成するポンプ１次圧センサ３１と、ポ
ンプ２次圧センサ３２と、ポンプ運転状況センサ３３と、使用流量センサ３４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、圧力タンク１７の状態を推定す
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」を採用することができる。

圧力タンク状態推定装置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
圧力タンク１７の状態を推定する。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圧力タンク状態推定装置５に提供される。

図２は、機械学習装置４及び圧力タンク状態推定装置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。l

機械学習装置４及び圧力タンク状態推定装置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２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２１
４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。無線通信の手段は、典型的には国際規格の通信手段が用いられる。国際規格
の通信手段として、ＩＥＥＥ８０２．１５．４、ＩＥＥＥ８０２．１５．１、ＩＥＥＥ８
０２．１５．１１ａ、１１ｂ、１１ｇ、１１ｎ、１１ａｃ、１１ａｄ、ＩＳＯ／ＩＥＣ１
４５１３－３－１０、ＩＥＥＥ８０２．１５．４ｇなどの方式がある。また、Ｂｌｕｅｔ
ｏｏｔｈ（登録商標）、ＢｌｕｅｔｏｏｔｈＬｏｗＥｎｅｒｇｙ、Ｗｉ－Ｆｉ、ＺｉｇＢ
ｅｅ（登録商標）、Ｓｕｂ－ＧＨｚ、ＥｎＯｃｅａｎ（登録商標）等を用いることもでき
る。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２３
０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２０
０は、機械学習装置４及び圧力タンク状態推定装置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３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。

機械学習装置４は、学習用データ取得部４００と、学習用データ記憶部４０１と、機械
学習部４０２と、学習済みモデル記憶部４０３とを備える。機械学習装置４は、例えば、
図２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４００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４０２は
、プロセッサ２１２で構成され、学習用データ記憶部４０１及び学習済みモデル記憶部４
０３は、ストレージ装置２２０で構成される。

学習用データ取得部４００は、各種の外部装置と通信網３００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、流体供給装置１に設けられた測定装置３、流体供給装置１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
、圧力タンク状態推定装置５が、通信網３００に接続されている場合には、学習用データ
取得部４００は、圧力タンク状態推定装置５の推定対象である流体供給装置１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、ポンプ１次圧センサ３１、ポンプ２次圧セ
ンサ３２、ポンプ運転状況センサ３３、及び使用流量センサ３４が設けられる。また、試
験装置７は、圧力タンク１７の内部の圧力を測定する圧力タンク内の圧力センサ３５を有
する。圧力タンク内の圧力センサ３５は、全ての流体供給装置１に設けるには高価になっ
てしまうので、試験装置７において圧力タンク内の圧力センサ３５を使用し、そのデータ
を圧力タンク内の圧力センサ３５を設けていない流体供給装置１に適用することで、圧力
タンク内の圧力を推測する。

学習用データ記憶部４０１は、学習用データ取得部４００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４０１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４０２は、学習用データ記憶部４０１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４０２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流体供給装置１の推定情報との
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４０２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４０３は、機械学習部４０２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４０３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、圧力タン
ク状態推定装置５）に提供される。なお、図３では、学習用データ記憶部４０１と、学習
済みモデル記憶部４０３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４は、本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、所定期間におけるポンプ１２の吸込側１次圧デー
タ、所定期間におけるポンプ１２の吐出側２次圧データ、所定期間におけるポンプ１２の
運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデータを少なくと
も含む。入力データとしてのポンプ１２の吸込側１次圧データ、ポンプ１２の吐出側２次
圧データ、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の
流量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、ポンプ１２の吸込側１次圧データ、ポンプ１２の吐出
側２次圧データ、ポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された
流体の流量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、ポンプ１２が
運転するときに生じる音、ポンプ１２又はモータ１３の少なくとも一方の温度、ポンプ１
２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。

所定期間におけるポンプ１２の吸込側１次圧データは、所定期間内の複数の測定時点に
おいてポンプ１次圧センサ３１により測定された複数の測定値（ポンプ吸込側１次圧力値
）で構成される。ポンプ１２の吸込側１次圧データは、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、ポ
ンプ１次圧センサ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４００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
におけるポンプ１２の吸込側１次圧データは、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（ポンプ吸込側１次圧力値）で構成される。

所定期間におけるポンプ１２の吐出側２次圧データは、所定期間内の複数の測定時点に
おいてポンプ２次圧センサ３２により測定された複数の測定値（ポンプ吐出側２次圧力値
）で構成される。ポンプ１２の吐出側２次圧データは、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、ポ
ンプ２次圧センサ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４００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
におけるポンプ１２の吐出側２次圧データは、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（ポンプ吐出側２次圧力値）で構成される。

所定期間におけるポンプ１２の運転状況のデータは、ポンプ１２の運転中又は停止中の
いずれかを示す運転状態のデータ、所定期間におけるポンプ１２の回転数のデータ、及び
、所定期間におけるポンプ１２の駆動源であるモータ１３に供給されるモータ電流値のデ
ータの少なくとも１つが好ましい。本実施形態では、ポンプ１２の運転状況のデータは、
ポンプ１２の運転中又は停止中のいずれかを示す運転状態のデータ、所定期間におけるポ
ンプ１２の回転数のデータ、及び、所定期間におけるポンプ１２の駆動源であるモータ１
３に供給されるモータ電流値のデータからなるものとして説明する。

所定期間におけるポンプ１２の運転中又は停止中のいずれかを示す運転状態のデータは
、所定期間内の複数の測定時点において、ポンプ運転状況センサ３３により測定された複
数の測定値（運転／停止等）で構成される。運転状態のデータは、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、ポンプ運転状況センサ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４００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、所定期間における運転状態のデータは、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（運転／停止等）で構成される。

所定期間におけるポンプ１２の回転数のデータは、所定期間内の複数の測定時点におい
てポンプ運転状況センサ３３により測定された複数の測定値（回転数）で構成される。回
転数のデータは、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、ポンプ運転状況センサ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４００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、所定期間における回転数のデータは、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（回転数）で構成される。

所定期間におけるポンプ１２の駆動源であるモータ１３に供給され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ポンプ運転状況センサ３３により測定され
た複数の測定値（電流値）で構成される。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、ポンプ運転状況センサ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４００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（電流値）で構成される。

所定期間における圧力タンク１７から流体が供給される流体供給先４４にて使用された
流体の流量のデータは、複数の流体供給先４４の流量を合計した合計使用流量の測定値で
構成される。圧力タンク１７から流体が供給される流体供給先４４にて使用された流体の
流量のデータは、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、使用流量センサ３４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４００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、所定期間における圧力タンク１７から流体が供給さ
れる流体供給先４４にて使用された流体の流量のデータは、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（流体供給先４４にて使用された流体の流量）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、試験装置７の圧力タンク内の圧力センサ３５によって測定
された所定期間における圧力タンク１７の封入圧力のデータをさらに含む。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。

圧力タンク１７の封入圧力のデータは、所定期間に含まれる時点又は所定期間よりも後
の時点における封入圧力の点データ、又は、所定期間又は所定期間よりも後の時点を含む
期間における封入圧力の時系列データである。

したがって、本実施形態に係る学習用データは、図４に示すように、所定期間における
ポンプ１２の吸込側１次圧データ、所定期間におけるポンプ１２の吐出側２次圧データ、
所定期間におけるポンプ１２の運転状況のデータ、及び、流体供給先４４にて使用された
流体の流量のデータを含む入力データと、所定期間における圧力タンク１７の封入圧力の
データ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、学習用データに含まれる入力データ（所定期間におけるポンプ１２の吸込側１
次データ、所定期間におけるポンプ１２の吐出側２次圧データ、所定期間におけるポンプ
１２の運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデータ）と
、圧力タンク２８の封入圧力のデータとの間の相関関係について説明する。

所定期間におけるポンプ１２の吐出側２次圧力は、所定期間におけるポンプ１２の吸込
側１次圧力、所定期間におけるポンプ１２の運転状況、及び、圧力タンク１７の封入圧力
によって変化する。しかしながら、圧力タンク１７の封入圧力を測定することは高価なセ
ンサが必要であり、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、所定期間におけるポンプ１２の吸込側１次圧力、所定期間に
おけるポンプ１２の運転状況、及び、所定期間におけるポンプ１２の吐出側２次圧力を測
定することで、圧力タンク１７の封入圧力を推定することが可能となる。なお、所定期間
における流体供給先４４にて使用された流体の流量を測定することで、より高精度に圧力
タンク１７の封入圧力を推定することが可能となる。

学習用データ取得部４００は、上記の学習用データを取得する場合、流体供給装置１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ポンプ１２の吸込
側１次圧データ、所定期間におけるポンプ１２の運転状況のデータ、所定期間におけるポ
ンプ１２の吐出側２次圧データ、及び、所定期間における流体供給先４４にて使用された
流体の流量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圧力タンク１７の封入圧力を推定
し、その推定値を作業者用端末８に入力すると、学習用データ取得部４００は、作業者用
端末８にて入力された推定値を出力データ（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４００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４０１に記憶する。

図５は、本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５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（ｙ２
１～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６は、本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４の学習フェーズに該当する。

まず、ステップＳ１１において、学習用データ取得部４００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４０１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、
特定の流体供給装置１や試験装置７における圧力タンク１７の封入圧力を推定する場合に
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推定結果を入力す
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、流体供給装置１や試験装置７の圧力タンクの封入圧力を意図的に所
定値にすることで学習用データを取得することも可能である。

次に、ステップＳ１２において、機械学習部４０２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５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所定期間
におけるポンプ１２の吸込側１次圧データ、所定期間におけるポンプ１２の吐出側２次圧
データ、所定期間におけるポンプ１２の運転状況のデータ、及び、所定期間における流体
供給先４４にて使用された流体の流量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圧力タンク１７の封入圧力
のデータのそれぞれが対応付けられる。

次に、ステップＳ１３において、機械学習部４０２は、学習用データ記憶部４０１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Ｓ１４において、機械学習部４０２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Ｓ１５において、機械学習部４０２は、ステップＳ１２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４０２は、入力データと出力
データとの相関関係を学習モデル６に学習させる。

次に、ステップＳ１６において、機械学習部４０２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４０１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Ｓ１６において、機械学習部４０２が機械学習を継続すると判定した場合（ス
テップＳ１６でＮｏ）、ステップＳ１３に戻り、学習中の学習モデル６に対してステップ
Ｓ１３～Ｓ１５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
Ｓ１６において、機械学習部４０２が機械学習を終了すると判定した場合（ステップＳ１
６でＹｅｓ）、ステップＳ１７に進む。

そして、ステップＳ１７において、機械学習部４０２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６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
Ｓ１１が学習用データ記憶工程、ステップＳ１２～Ｓ１６が機械学習工程、ステップＳ１
７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、学習用デ
ータに含まれる入力データとしての所定期間におけるポンプ１２の吸込側１次圧データ、
所定期間におけるポンプ１２の吐出側２次圧データ、所定期間におけるポンプ１２の運転
状況のデータ、及び、所定期間における流体供給先４４にて使用された流体の流量のデー
タから、圧力タンク１７の封入圧力を高精度に推論（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。

（圧力タンク状態推定装置５）
図７は、本実施形態に係る圧力タンク状態推定装置５の一例を示すブロック図である。

圧力タンク状態推定装置５は、入力データ取得部５００と、推論部５０１と、学習済み
モデル記憶部５０２と、出力処理部５０３とを備える。圧力タンク状態推定装置５は、例
えば、図２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５００
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５０１及
び出力処理部５０３は、プロセッサ２１２で構成され、学習済みモデル記憶部５０２は、
ストレージ装置２２０で構成される。なお、圧力タンク状態推定装置５は、流体供給装置
１に組み込まれていてもよいし、流体供給装置１の上位の管理装置（例えば、設備のコン
トローラ、複数の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５００は、流体供給装置１に設けられた測定装置３（ポンプ１次圧セ
ンサ３１、ポンプ２次圧センサ３２、ポンプ運転状況センサ３３、及び、使用流量センサ
３４）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、ポンプ１２の吸込側１次圧データ、ポンプ１２の吐出側２次圧データ、ポンプ１
２の運転状況のデータ、及び、流体供給先４４にて使用された流体の流量のデータ）を取
得するインタフェースユニットである。

推論部５０１は、入力データ取得部５００により取得された入力データを学習モデル６
に入力し、圧力タンク１７の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５０１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５００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、圧力タンク１７の
状態を最終的に推定する後処理機能をも含んでいる。なお、推論部５０１の推論結果は、
学習済みモデル記憶部５０２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５０２は、推論部５０１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５０２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５０３は、推論部５０１の推論結果、すなわち、圧力タンク１７の状態を出
力する処理を行う。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５０３は、例えば、圧力タンク１７の状態を、表示や音で作業者に報知したり、圧
力タンク１７の状態を履歴として、例えば、流体供給装置１又は流体供給装置１の上位の
管理装置（不図示）に送信し、流体供給装置１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。

（圧力タンク状態推定方法）
図８は、本実施形態に係る圧力タンク状態推定装置５による圧力タンク状態推定方法の
一例を示すフローチャートである。

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、ポンプ１２は
回転された状態となる。このとき、図８に示す一連の圧力タンク状態推定方法が、圧力タ
ンク状態装置５にて所定の推定タイミングにて実行されてもよい。推定タイミングは、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Ｓ２１において、入力データ取得部５００が、測定装置３（ポンプ１次
圧センサ３１、ポンプ２次圧センサ３２、ポンプ運転状況センサ３３、及び、使用流量セ
ンサ３４）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、ポンプ１２
の吸込側１次圧データ、ポンプ１２の吐出側２次圧データ、ポンプ１２の運転状況のデー
タ、及び、流体供給先４４にて使用された流体の流量のデータ）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Ｓ２２において、推論部５０１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Ｓ２３において、推論部５０１は、圧力タンク１７内の圧力を推定する
。

以上のように、本実施形態に係る圧力タンク状態推定装置５及び圧力タンク状態推定方
法によれば、作業者の経験に依存することなく、圧力タンク１７の状態を高精度に推定す
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４０２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４０２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２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２に示すコンピュータ２００に、上記実施形態に係る
圧力タンク推定方法が備える各工程を実行させるためのプログラム（圧力タンク状態推定
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圧力タンク状態推定装置５（圧力タンク状態推定方法又
は圧力タンク状態推定プログラム）の態様によるもののみならず、圧力タンク１７の状態
を推定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、所定期間におけるポンプ１２の吸込側１次圧データ、ポ
ンプ１２の吐出側２次圧データ、ポンプ１２の運転状況のデータ、及び、流体供給先４４
にて使用された流体の流量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、圧力タンク１
７の状態推定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、圧力タンク状態推
定装置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）が圧力タンク１７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、圧
力タンク状態推定装置５の推論部５０１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。

１…流体供給装置、
１２…ポンプ、１３…モータ、１４…インバータ、１７…圧力タンク、
４１…流体供給源、４４…流体供給先、
２…圧力タンク状態推定システム、
３…測定装置、３１…ポンプ１次圧センサ、３２…ポンプ２次圧センサ、３３…ポンプ運
転状況センサ、３４…使用流量センサ、
４…機械学習装置、５…圧力タンク状態推定装置、６…学習モデル、
４００…学習用データ取得部、４０１…学習用データ記憶部、４０２…機械学習部、４０
３…モデル記憶部、
５００…入力データ取得部、５０１…推論部、５０２…モデル記憶部、５０３…出力処理
部、
２００…コンピュータ

Claims (15)

1. 流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
   給装置における前記圧力タンクの封入圧力を推定するための学習モデルを生成する機械学
   習装置であって、
   所定期間における前記ポンプに係るポンプ圧力のデータ、及び、前記所定期間における
   前記ポンプの運転状況のデータを入力データとし、前記圧力タンクの封入圧力のデータを
   出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学
   習用データを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. 前記入力データに含まれる前記ポンプ圧力のデータは、
   前記ポンプの吸込側圧力の時系列データ、
   前記ポンプの吐出側圧力の時系列データの、少なくとも１つである、
   請求項１に記載の機械学習装置。
3. 前記入力データに含まれる前記ポンプの運転状況のデータは、
   前記ポンプの運転中又は停止中のいずれかを示す運転状態の時系列データ、
   前記ポンプの回転数の時系列データ、又は、
   前記ポンプの駆動源であるモータに供給されるモータ電流値の時系列データである、
   請求項１又は請求項２に記載の機械学習装置。
4. 前記出力データに含まれる前記圧力タンクの封入圧力のデータは、
   前記所定期間に含まれる時点又は前記所定期間よりも後の時点における前記封入圧力
   の点データ、又は、
   前記所定期間又は前記所定期間よりも後の時点を含む期間における前記封入圧力の時
   系列データである、
   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. 前記学習用データは、
   前記入力データとして、前記所定期間において前記圧力タンクから前記流体が供給さ
   れる流体供給先にて使用された前記流体の使用流量のデータをさらに含む、
   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. 前記入力データに含まれる前記流体の使用流量のデータは、
   複数の前記流体供給先に設けられた前記使用流量の計測メータの計測結果を合計した
   合計使用流量の時系列データ、
   複数の前記流体供給先に設けられた入退室記録の時系列データ、
   複数の前記流体供給先に設けられた蛇口使用量の時系列データ、
   複数の前記流体供給先に設けられた電気使用量の時系列データ、又は、
   複数の前記流体供給先に設けられたガス使用量の時系列データ、
   である
   請求項５に記載の機械学習装置。
7. 前記所定期間は、
   前記ポンプが始動された始動時点を含む、
   請求項１乃至請求項６のいずれか一項に記載の機械学習装置。
8. 請求項１乃至請求項７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、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
   える流体供給装置における前記圧力タンクの封入圧力を推定する圧力タンク状態推定装置
   であって、
   所定期間における前記ポンプに係るポンプ圧力のデータ、及び、前記所定期間における
   前記ポンプの運転状況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
   記圧力タンクの封入圧力を推論する推論部と、を備える、
   圧力タンク状態推定装置。
9. 流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
   給装置における前記圧力タンクの封入圧力を推定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ポンプに係るポンプ圧力のデータ、及び、前記所定期間におけ
   る前記ポンプの運転状況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、前記圧力タンクの封入圧
   力を推論する推論処理と、を実行する
   推論装置。
10. 流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
    給装置における前記圧力タンクの封入圧力を推定するための学習モデルを生成する機械学
    習方法であって、
    所定期間における前記ポンプに係るポンプ圧力のデータ、及び、前記所定期間における
    前記ポンプの運転状況のデータを入力データとし、前記圧力タンクの封入圧力のデータを
    出力データとしてそれぞれ含み、前記入力データ及び前記出力データが対応付けられた学
    習用データを学習用データ記憶部に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前記学習モデルに機械学習部で学習させる機械学習工程と、
    前記機械学習部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。
11. 請求項１乃至請求項７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、流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備
    える流体供給装置における前記圧力タンクの封入圧力を推定する圧力タンク状態推定方法
    であって、
    所定期間における前記ポンプに係るポンプ圧力の時系列データ、及び、前記所定期間に
    おける前記ポンプの運転状況の時系列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、
    前記圧力タンクの封入圧力を推論する推論工程と、を備える、
    圧力タンク状態推定方法。
12. 流体を移送するポンプ及び前記ポンプの吐出側に設けられた圧力タンクを備える流体供
    給装置における前記圧力タンクの封入圧力を推定するために用いられる推論方法であって
    、
    所定期間における前記ポンプに係るポンプ圧力のデータ、及び、前記所定期間におけ
    る前記ポンプの運転状況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、前記圧力タンクの封入圧
    力を推論する推論工程と、を実行する
    推論方法。
13. コンピュータに、請求項１０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。
14. コンピュータに、請求項１１に記載の圧力タンク状態推定方法が備える各工程を実行さ
    せるための、
    圧力タンク状態推定プログラム。
15. 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