JP2022133615A - 機械学習装置、エラー発生予測装置、及び制御装置 - Google Patents

Abstract

【課題】検出されたノイズの数に基づいて致命的エラーの発生を予測できる学習済みモデルを生成すること。【解決手段】機械学習装置は、電子装置に配置される、ダミー配線を有するノイズ検出部とノイズカウンタとを含む１以上のノイズ検出装置からのノイズの数を含む状態ベクトルの時系列データである状態ベクトル列を取得する状態観測部と、状態ベクトル列のうち、任意の状態ベクトルを先頭とするＮ個の連続する状態ベクトルから生成されるノイズ変動ベクトル列の入力データと、ノイズ変動ベクトル列の末尾のベクトルに対応する電子装置で発生した致命的エラーのラベルデータと、を取得する訓練データ取得部と、入力データとラベルデータとで教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルから生成されるノイズ変動ベクトル列から電子装置に発生する致命的エラーを予測する学習済みモデルを生成する学習部と、を備える。【選択図】図１

Description

本発明は、機械学習装置、エラー発生予測装置、及び制御装置に関する。

電子回路はノイズにより誤動作することがある。ノイズの発生状況は設置環境に大きく依存するため、ノイズが発生しやすい環境で電子回路が誤動作する前に環境の改善を促したり、障害発生時にノイズの発生状況を知ることが求められる。
例えば、回復可能エラーの発生状況に応じて警告を出す技術が知られている。例えば、特許文献１参照。ここで、回復可能エラーとは、バスやメモリのＥＣＣ訂正、通信の再送、グリッチフィルタがある状況でのグリッチノイズ等である。

特開２００７－３１０９７４号公報

回復可能エラーの発生状況を利用する従来技術では、回復可能エラーが起きる前のノイズの兆候は検知できないため、回復可能エラーの前に致命的なエラーが起きてしまうことがある。

そこで、検出されたノイズの数に基づいて致命的エラーの発生を予測できる学習済みモデルを生成することが望まれている。

（１）本開示の機械学習装置の一態様は、電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部と、前記状態観測部により取得される前記状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データとし、前記入力データのノイズ変動ベクトル列の末尾のベクトルに対応する時刻に前記電子装置に発生した致命的エラーを示すエラーデータをラベルデータとする訓練データを取得する訓練データ取得部と、前記入力データと前記ラベルデータとを訓練データとして教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列に基づいて、前記電子装置に発生する致命的エラーを予測するための学習済みモデルを生成する学習部と、を備える。

（２）本開示の機械学習装置の一態様は、電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部と、前記状態観測部により取得される前記状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データ及びラベルデータとする訓練データを取得する訓練データ取得部と、前記入力データと前記ラベルデータとを訓練データを用いて教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列と、復元された前記ノイズ変動ベクトル列と、のずれ量に基づいて、前記電子装置に発生する致命的エラーを予測するオートエンコーダを学習済みモデルとして生成する学習部と、を備える。

（３）電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む現在の状態ベクトルｘ_ｎ（ｎ≧Ｎ）から過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を取得する状態取得部と、（１）又は（２）の機械学習装置により生成された前記学習済みモデルに基づいて、前記状態取得部により取得されたノイズ変動ベクトル列から、前記電子装置に発生する致命的エラーを予測する予測部と、を備える。

（４）本開示の制御装置の一態様は、（３）のエラー発生予測装置を備える。

一態様によれば、検出されたノイズの数に基づいて致命的エラーの発生を予測できる学習済みモデルを生成することができる。

一の実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。 ノイズ検出装置１によりカウントされたノイズの数、工作機械の動作状態、及び致命的エラーの一例を示す図である。 図２に基づいて状態ベクトル化部によりベクトル化された状態ベクトルの一例を示す図である。 図２に示すノイズ検出装置２１０（３）のノイズの数に基づくノイズカウント増分を含めた入力データの一例を示す図である。 機械学習装置による学習済みモデルの生成処理の一例を説明する図である。 本実施形態に係るＲＮＮの構成を模式的に示す図である。 運用フェーズにおけるエラー発生予測装置４００の予測処理について説明するフローチャートである。 ノイズ検出装置の一例を示す図である。 ノイズカウンタの一例を示す図である。 ノイズカウンタの動作の一例を示す図である。 ノイズカウンタの一例を示す図である。 ノイズカウンタの一例を示す図である。 図１２のノイズカウンタの動作の一例を示す図である。 ノイズカウンタの一例を示す図である。 図１４のノイズカウンタの動作の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 互いに異なる経路で引き回されたダミー配線の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 ノイズ検出装置の一例を示す図である。 学習済みモデルの一例を示す図である。 学習済みモデルの一例を示す図である。 学習済みモデルの一例を示す図である。 数値制御システムの構成の一例を示す図である。 数値制御システムの構成の一例を示す図である。

以下、一の実施形態について図面を用いて説明する。ここでは、電子装置として工作機械の場合を例示する。なお、本発明は、電子装置として、工作機械の制御装置や、ＰＬＣ（プログラマブルロジックコントローラ）、ロボット、コンピュータ、スマートフォン等に対しても適用可能である。
＜一の実施形態＞
図１は、一の実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。図１に示すように、数値制御システム１は、工作機械１００、制御装置２００、機械学習装置３００、及びエラー発生予測装置４００を有する。
工作機械１００、制御装置２００、機械学習装置３００、及びエラー発生予測装置４００は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、工作機械１００、制御装置２００、機械学習装置３００、及びエラー発生予測装置４００は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されてもよい。

＜工作機械１００＞
工作機械１００は、制御装置２００の数値制御により動作する加工用の機械である。工作機械１００は、制御装置２００の動作指令に基づく動作状態を示す情報を制御装置２００にフィードバックする。
なお、本実施形態は、工作機械１００に限定されず、産業機械全般に広く適用することができる。産業機械とは、例えば、工作機械、産業用ロボット、サービス用ロボット、鍛圧機械及び射出成形機といった様々な機械を含む。

＜制御装置２００＞
制御装置２００は、当業者にとって公知の数値制御装置であり、工作機械１００の動作を制御する。なお、工作機械１００がロボット等の場合、制御装置２００は、ロボット制御装置等でもよい。
また、制御装置２００は、Ｍ個のノイズ検出装置２１０（１）～２１０（Ｍ）を有する（Ｍは、１以上の整数）。制御装置２００は、ノイズ検出装置２１０（１）～２１０（Ｍ）それぞれにより検出されたノイズの数、工作機械１００の動作状態、及び制御装置２００に発生した致命的エラーを示すエラーデータを後述する機械学習装置３００に出力する。なお、発生した致命的エラーのエラーデータには、致命的エラーが発生していない（すなわち、工作機械１００は正常である）「エラーなし」も含む。
また、制御装置２００は、致命的エラーの発生によりシステム緊急停止に至った場合、制御装置２００に含まれる不揮発性メモリ等の記憶部（図示しない）にノイズ検出装置２１０（１）～２１０（Ｍ）それぞれのノイズの数のログを残すようにしてもよい。この場合、ネットワークの通信ができない等に対応するため、当該致命的エラー発生時のノイズの数や工作機械１００の動作状態は、制御装置２００の次回起動時等にログ情報を参照して機械学習装置３００へ送信されるようにしてもよい。あるいは、当該致命的エラー発生時のノイズの数や工作機械１００の動作状態は、オフラインでログ情報を吸い出して機械学習装置３００に入力されるようにしてもよい。

ノイズ検出装置２１０（１）～２１０（Ｍ）は、制御装置２００内の異なる箇所に配置されてノイズを検出し、検出したノイズの数をカウントする。ノイズ検出装置２１０（１）～２１０（Ｍ）は、後述するように、少なくとも１つのダミー配線を含むノイズ検出部とノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含み、カウントしたノイズの数を制御装置２００に出力する。
なお、ノイズ検出装置２１０（１）～２１０（Ｍ）の詳細については、後述する。

＜エラー発生予測装置４００＞
エラー発生予測装置４００は、コンピュータ装置等である。エラー発生予測装置４００は、ノイズ検出装置２１０（１）～２１０（Ｍ）により所定の時間毎にカウントされたノイズの数を含む現在の状態ベクトルｘ_ｎ（ｎ≧Ｎ）から過去に遡りＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を取得する。エラー発生予測装置４００は、取得したノイズ変動ベクトル列を、後述する機械学習装置３００により生成された学習済みモデルに入力することにより、制御装置２００に発生する致命的エラーを予測する。そして、エラー発生予測装置４００は、例えば、予測結果を制御装置２００に出力する。
制御装置２００は、エラー発生予測装置４００により致命的エラーが発生すると予測された場合、制御装置２００に含まれる液晶ディスプレイ等の表示部（図示しない）にアラートを表示するようにしてもよい。これにより、制御装置２００は、工作機械１００による加工を続けることにリスクがあることをユーザに通知することができる。

エラー発生予測装置４００を説明する前に、学習済みモデルを生成するための機械学習について説明する。

＜機械学習装置３００＞
機械学習装置３００は、例えば、図示しない通信部を介して、制御装置２００からノイズ検出装置２１０（１）～２１０（Ｍ）それぞれにより検出されたノイズの数、工作機械１００の動作状態、及び発生した致命的エラーのエラーデータ状態を取得する。機械学習装置３００は、例えば、取得したノイズ検出装置２１０（１）～２１０（Ｍ）それぞれにより検出されたノイズの数と、工作機械１００の動作状態と、を後述するように結合した状態ベクトルにベクトル化してもよい。機械学習装置３００は、ベクトル化した状態ベクトルの集合を、時系列データである状態ベクトル列として取得してもよい。
また、機械学習装置３００は、当該状態ベクトル列に含まれる、任意の状態ベクトルを先頭とするＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データとし、入力データのノイズ変動ベクトル列の末尾のベクトルに対応する時刻に制御装置２００に発生した致命的エラーを示すエラーデータをラベルデータとする訓練データを取得してもよい。
機械学習装置３００は、取得した入力データとラベルデータとを訓練データとして教師あり機械学習をして、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列に基づいて、制御装置２００に発生する致命的エラーを予測する学習済みモデルを生成してもよい。
そうすることで、機械学習装置３００は、エラー発生予測装置４００に対して学習済みモデル３５０を提供することができる。

なお、以下では、ノイズ変動ベクトル列が、任意の状態ベクトルを先頭とするＮ個の連続する状態ベクトルを用いて当該連続する状態ベクトル間で差分して生成されたベクトルの集合である、差分ベクトル列の場合における機械学習装置３００の動作について説明する。しかしながら、ノイズ変動ベクトル列が当該連続する状態ベクトルそのものである場合についても、機械学習装置３００は、ノイズ変動ベクトル列が差分ベクトル列の場合と同様に動作する。

機械学習装置３００について、具体的に説明する。
なお、以下では、特に断らない限り、「Ｍ」は「３」及び「Ｎ」は「５」とし、制御装置２００に発生する致命的エラーを予測する場合について説明する。ただし、「Ｍ」は１以上のいずれの値でもよく、「Ｎ」は２以上のいずれの値でもよい。また、エラー発生予測装置４００は、例えば、１０分以内、３０分以内、１時間以内、１時間以上において、制御装置２００に発生する具体的な致命的エラーを予測してもよい。
また、機械学習装置３００による学習処理は、工作機械１００の停止中、又は工作機械１００の動作状態の変化時に、バックグラウンドタスクかサブプロセッサ等で実行されてもよい。

機械学習装置３００は、図１に示すように、状態ベクトル化部３１１、状態観測部３１２、訓練データ取得部３１３、学習部３１４、及び記憶部３１５を有する。

＜状態ベクトル化部３１１＞
状態ベクトル化部３１１は、学習フェーズにおいて、図示しない通信部を介して、制御装置２００からノイズ検出装置２１０（１）～２１０（Ｍ）それぞれにより検出されたノイズの数と、工作機械１００の動作状態と、を取得する。状態ベクトル化部３１１は、取得したノイズ検出装置２１０（１）～２１０（Ｍ）それぞれにより検出されたノイズの数と、工作機械１００の動作状態と、を結合した状態ベクトルｘ_ｎにベクトル化する。
図２は、ノイズ検出装置２１０（１）～２１０（３）によりカウントされたノイズの数、工作機械１００の動作状態、及び致命的エラーの一例を示す図である。
図２に示すように、工作機械１００が停止中のとき、ノイズ検出装置２１０（１）～２１０（３）がノイズの数のカウントを開始し、工作機械１００は、カウントを開始してから３分後（ｎ＝３）に停止中から加工中に動作状態を変化させる。そして、図２に示すように、ノイズ検出装置２１０（１）～２１０（３）がノイズの数のカウントを開始してから６分後（ｎ＝６）に、制御装置２００は、ＤＲＡＭ ＥＣＣ訂正不能エラーの致命的エラーが発生した。
このとき、図２に示すように、ノイズ検出装置２１０（１）は、カウントを開始してから最初の１分間（ｎ＝１）にノイズの数「０」、次の１分間（ｎ＝２）にノイズの数「２」、次の１分間（ｎ＝３）にノイズの数「１」、次の１分間（ｎ＝４）にノイズの数「５」、次の１分間（ｎ＝５）にノイズの数「０」、次の１分間（ｎ＝６）にノイズの数「１」をカウントした。
また、ノイズ検出装置２１０（２）は、ｎが１～６の全ての期間においてノイズの数「０」をカウントした。
また、ノイズ検出装置２１０（３）は、最初の１分間（ｎ＝１）にノイズの数「０」、次の１分間（ｎ＝２）にノイズの数「０」、次の１分間（ｎ＝３）にノイズの数「１」、次の１分間（ｎ＝４）にノイズの数「５」、次の１分間（ｎ＝５）にノイズの数「６」、次の１分間（ｎ＝６）にノイズの数「４」をカウントした。
すなわち、工作機械１００が加工を開始してからノイズ検出装置２１０（３）のノイズの数が増加していることから、ノイズ検出装置２１０（３）がカウントするノイズの数と、ＤＲＡＭ ＥＣＣ訂正不能エラーとが関係していることが分かる。
図３は、図２に基づいて状態ベクトル化部３１１によりベクトル化された状態ベクトルｘ_ｎの一例を示す図である。図３に示すように、状態ベクトル化部３１１は、時間ｔ_１、ｔ_２、ｔ_３、ｔ_４、ｔ_５、ｔ_６においてノイズ検出装置２１０（１）～２１０（３）それぞれにより検出されたノイズの数、及び工作機械１００の動作状態の成分からなる状態ベクトルｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５、ｘ_６にベクトル化する。ここで、工作機械１００の動作状態は、停止中の場合に「０」、加工中の場合に「１」で示している。
なお、致命的エラーが起きた回のノイズの数は、例えば、周期１分の最初の数秒で致命的エラーが起きた場合、ノイズの数の増分が小さくなる可能性がある。そこで、状態ベクトル化部３１１は、致命的エラー発生直後のノイズの数を読み取って補正をかけてもよく、前回や前々回のノイズの数の増分も入力データに含めてもよい。

＜状態観測部３１２＞
状態観測部３１２は、学習フェーズにおいて、図示しない通信部を介して、状態ベクトル化部３１１によりベクトル化された状態ベクトルｘ_ｎの集合を、時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝として取得する。状態観測部３１２は、取得した状態ベクトル列を訓練データ取得部３１３及び記憶部３１５に出力する。

＜訓練データ取得部３１３＞
訓練データ取得部３１３は、取得された状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする５つの連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データとして取得する。
具体的には、訓練データ取得部３１３は、例えば、連続する状態ベクトル｛ｘ_ｎ、ｘ_ｎ＋１、ｘ_ｎ＋２、ｘ_ｎ＋３、ｘ_ｎ＋４｝を用いて当該状態ベクトル間で差分して生成されたノイズ変動ベクトル列（差分ベクトル列）｛ｘ_ｎ＋１－ｘ_ｎ、ｘ_ｎ＋２－ｘ_ｎ＋１、ｘ_ｎ＋３－ｘ_ｎ＋２、ｘ_ｎ＋４－ｘ_ｎ＋３｝を入力データとして取得する。
図４は、図２に示すノイズ検出装置２１０（３）のノイズの数に基づくノイズカウント増分を含めた入力データの一例を示す図である。
また、訓練データ取得部３１３は、入力データの差分ベクトル列の末尾の差分ベクトルｘ_ｎ＋４－ｘ_ｎ＋３に対応する時刻に制御装置２００に発生した致命的エラーを示すエラーデータｙ_ｎ＋４をラベルデータとして取得する。訓練データ取得部３１３は、取得した入力データ及びラベルデータを、記憶部３１５に出力する。
なお、エラーデータｙ_ｎ＋４には、図２に示した「ＤＲＡＭ ＥＣＣ訂正不能エラー」以外に、「ハングアップ」、「バスやメモリのＥＣＣ訂正不能エラー／パリティエラー／ＣＲＣエラー」、「不正なバストランザクション」、「バスや信号のタイムアウト」、「ウォッチドッグアラーム」、「不正なアドレスへのアクセス」、「不正な命令コードのフェッチ」、「ゼロによる除算」、「電源電圧や電源電流の異常」、「温度の異常」、「ファン回転数の異常」、「Ｉ／Ｏ機器の出力信号地絡」、「機械の軸の位置／速度／トルク等の異常」、「安全関連の監視機能が検出する異常（例えば、安全関連二重化データのクロスチャックの不一致等）」、及び「その他センサにより検出される異常」等、様々な種類がある。ただし、エラーデータｙ_ｎ＋４は、「エラーなし」も致命的エラーとして含んでもよい。
また、訓練データ取得部３１３は、状態ベクトル間で差分する際、動作状態の成分について、例えば、状態ベクトル間の動作状態が同じ場合、当該動作状態を示す値をそのまま残すようにしてもよい。
なお、状態ベクトル間の動作状態が異なる場合、訓練データ取得部３１３は、異なる動作状態で取得された状態ベクトル間で差分しないようにすることが好ましい。

＜学習部３１４＞
学習部３１４は、記憶部３１５に記憶された入力データとラベルデータとを訓練データとして教師あり機械学習をして、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル（差分ベクトル列）に基づいて、制御装置２００に発生する致命的エラーを予測する学習済みモデル３５０を生成する。
図５は、機械学習装置３００による学習済みモデル３５０の生成処理の一例を説明する図である。
図５に示すように、学習済みモデル３５０は、例えば、現在の時刻ｔ_０に対応する状態ベクトルｘ_ｎから過去に遡り５つの連続する状態ベクトル｛ｘ_ｎ－４、ｘ_ｎ－３、ｘ_ｎ－２、ｘ_ｎ－１、ｘ_ｎ｝を用いて状態ベクトル間で差分して生成された差分ベクトル列（ノイズ変動ベクトル列）｛ｘｐ_－３（＝ｘ_ｎ－３－ｘ_ｎ－４）、ｘｐ_－２（＝ｘ_ｎ－２－ｘ_ｎ－３）、ｘｐ_－１（＝ｘ_ｎ－１－ｘ_ｎ－２）、ｘｐ_０（＝ｘ_ｎ－ｘ_ｎ－１）｝を入力層とし、入力層の各差分ベクトルを入力するＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）３５１（１）～３５１（４）を中間層とし、現在の時刻ｔ_０に制御装置２００に発生する致命的エラーのエラーデータｙｐ_０を出力層とする。なお、差分ベクトルｘｐ_－１は、直近のノイズ検出装置２１０（１）～２１０（３）それぞれにおけるノイズの数増分を示す。また、差分ベクトルｘｐ_－２、ｘｐ_－３は、差分ベクトルｘｐ_－１、ｘｐ_－２の時より１つ前のノイズ検出装置２１０（１）～２１０（３）それぞれにおけるノイズの数増分を示す。
なお、以下、ＲＮＮ３５１（１）～３５１（４）のそれぞれを個々に区別する必要がない場合、これらをまとめて「ＲＮＮ３５１」ともいう。
図６は、本実施形態に係るＲＮＮ３５１の構成を模式的に示す図である。図６に示すように、中間層における各パーセプトロンの出力が、自身のパーセプトロン及び同じ層のパーセプトロンに入力されている。

学習部３１４は、学習済みモデル３５０のＲＮＮ３５１における重みベクトル等のパラメータを最適化するために、差分ベクトル列（ノイズ変動ベクトル列）｛ｘ_２－ｘ_１、ｘ_３－ｘ_２、ｘ_４－ｘ_３、ｘ_５－ｘ_４｝、｛ｘ_３－ｘ_２、ｘ_４－ｘ_３、ｘ_５－ｘ_４、ｘ_６－ｘ_６｝等の入力データと、エラーデータｙ_５、ｙ_６等のラベルデータと、の訓練データを記憶部３１５から受け付ける。学習部３１４は、差分ベクトル列（ノイズ変動ベクトル列）｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝及びエラーデータｙ_ｐ０に代えて、受け付けた訓練データを用いて、例えば、周知の誤差逆伝播法による教師あり学習を行う。この教師あり学習により、学習部３１４は、ＲＮＮ３５１における重みベクトル等のパラメータを最適化し、学習済みモデル３５０を生成する。
なお、学習部３１４は、上記教師あり学習を、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、教師データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、教師データが作成されることが繰り返される間に、繰り返しに応じた複数の教師データを収集し、収集した全ての教師データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度教師データが溜まるたびに教師あり学習を行うという学習方法である。
そして、学習部３１４は、最適化された学習済みモデル３５０をエラー発生予測装置４００に対して提供する。
また、学習部３１４は、学習済みモデル３５０を生成した後に、新たな教師データを取得した場合には、学習済みモデル３５０に対してさらに教師あり学習を行うことにより、一度生成した学習済みモデル３５０を更新するようにしてもよい。

＜記憶部３１５＞
記憶部３１５は、ＳＳＤやＨＤＤ等であり、状態観測部３１２により取得された状態ベクトル列と、訓練データ取得部３１３により取得された入力データ及びラベルデータと、学習部３１４により生成された学習済みモデル３５０等を記憶する。
以上、エラー発生予測装置４００が備える学習済みモデル３５０を生成するための機械学習について説明した。
次に、エラー発生予測装置４００について説明する。

＜エラー発生予測装置４００＞
図１に示すように、エラー発生予測装置４００は、状態取得部４１１、予測部４１２、及び記憶部４１３を含んで構成される。

＜状態取得部４１１＞
状態取得部４１１は、運用フェーズにおいて、制御装置２００からノイズ検出装置２１０（１）～２１０（Ｍ）それぞれによりカウントされたノイズの数、及び工作機械１００の動作状態を取得する。状態取得部４１１は、取得したノイズ検出装置２１０（１）～２１０（Ｍ）それぞれによりカウントされたノイズの数と、工作機械１００の動作状態と、を結合した状態ベクトルｘ_ｎにベクトル化する。状態取得部４１１は、現在の状態ベクトルｘ_ｎから過去に遡り５つの連続する状態ベクトル｛ｘ_ｎ－４、ｘ_ｎ－３、ｘ_ｎ－２、ｘ_ｎ－１、ｘ_ｎ｝を用いて当該連続する状態ベクトル間で差分して生成されたノイズ変動ベクトル列｛ｘ_ｎ－３－ｘ_ｎ－４、ｘ_ｎ－２－ｘ_ｎ－３、ｘ_ｎ－１－ｘ_ｎ－２、ｘ_ｎ－ｘ_ｎ－１｝を、差分ベクトル列｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝として取得する。

＜予測部４１２＞
予測部４１２は、記憶部４１３に記憶された学習済みモデル３５０に基づいて、状態取得部４１１により取得された差分ベクトル列｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝から、制御装置２００に発生する致命的エラーのエラーデータｙｐ_０を予測する。予測部４１２は、予測結果を制御装置２００に出力し、制御装置２００の表示部（図示しない）に表示する。

＜記憶部４１３＞
記憶部４１３は、ＲＡＭ等であり、機械学習装置３００により生成された学習済みモデル３５０を記憶する。

＜運用フェーズにおけるエラー発生予測装置４００の予測処理＞
次に、本実施形態に係るエラー発生予測装置４００の予測処理に係る動作について説明する。
図７は、運用フェーズにおけるエラー発生予測装置４００の予測処理について説明するフローチャートである。ここに示すフローは、所定の時間（例えば、１分間等）毎に実行される。

ステップＳ１１において、状態取得部４１１は、制御装置２００から取得したノイズ検出装置２１０（１）～２１０（３）それぞれによるノイズの数及び工作機械１００の動作状態を示す状態ベクトルｘ_ｎのうち、現在の状態ベクトルｘ_ｎから過去に遡り５つの連続する状態ベクトルを用いて当該連続する状態ベクトル間で差分して生成されるノイズ変動ベクトル列｛ｘ_ｎ－３－ｘ_ｎ－４、ｘ_ｎ－２－ｘ_ｎ－３、ｘ_ｎ－１－ｘ_ｎ－２、ｘ_ｎ－ｘ_ｎ－１｝を、差分ベクトル列｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝として取得する。

ステップＳ１２において、予測部４１２は、ステップＳ１１で取得された差分ベクトル列｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝を学習済みモデル３５０に入力し、制御装置２００に発生する致命的エラーを予測する。

ステップＳ１３において、予測部４１２は、予測結果を制御装置２００に出力し、制御装置２００の表示部（図示しない）に表示させる。

以上により、一の実施形態に係るエラー発生予測装置４００は、制御装置２００に配置されたノイズ検出装置２１０（１）～２１０（３）によるノイズの数及び工作機械１００の動作状態を示す状態ベクトルのうち、現在の状態ベクトルから過去に遡り５つの連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を、学習済みモデル３５０に入力することで、制御装置２００に発生する致命的エラーのエラーデータを予測することができる。
また、ノイズ検出装置２１０（１）～２１０（３）それぞれに含まれる後述のダミー配線は微弱なノイズを拾うためのものであり、ノイズ検出装置２１０（１）～２１０（３）のノイズの数が上がっているからといって誤動作するとは限らないことから、エラー発生予測装置４００は、単純にカウンタ値を見て警告を出す方法に比べて、機械学習により予防保守の精度を高めることができる。

以上、エラー発生予測装置４００について説明したが、ノイズ検出装置２１０（１）～２１０（３）について説明する。
図８は、ノイズ検出装置２１０（１）の一例を示す図である。なお、ノイズ検出装置２１０（２）～２１０（３）についてもノイズ検出装置２１０（１）と同じ構成を有する。
図８に示すように、ノイズ検出装置２１０（１）は、例えば、プルダウン抵抗１０、ダミー配線２０、半導体集積回路３０、及び制御部４０を有し、プリント基板５０に配置される。また、半導体集積回路３０は、入力バッファ３１、及びノイズカウンタ３３が実装される。
なお、プリント基板５０には、ノイズ検出装置２１０（１）を構成するプルダウン抵抗１０、ダミー配線２０、及び半導体集積回路３０とともに、図示しないクロック回路等の電子部品や、図示しないクロック回路から出力されるクロック信号や、パワーオンリセット信号等の信号を伝導する配線等が配置されてもよい。

プルダウン抵抗１０は、後述するダミー配線２０を０Ｖの電圧にプルダウンしＬレベルに維持する。

ダミー配線２０は、典型的には、狭い線幅の高インピーダンスの配線であり、プリント基板５０上を長く引き回して配置される。これにより、ダミー配線２０は、ノイズを拾いやすくする。
なお、ダミー配線２０は、プリント基板５０に配置された図示しない電子部品の動作に致命的な影響を与える、クロック信号やパワーオンリセット信号等のクリティカルな信号を伝導する配線と並走するように配置されてもよい。
そうすることで、ノイズ検出装置２１０（１）は、ダミー配線２０のノイズ検出状況を見ることで、クリティカルな信号が誤動作する予兆を捉えることができる。
また、ダミー配線２０は、逆Ｆ型アンテナ等のモノポールアンテナを形成するようにしてもよい。例えば、線長が３０ｃｍの場合、ダミー配線２０は、２５０ＭＨｚのノイズ成分を捉えることができる。
そうすることで、ノイズ検出装置２１０（１）は、微弱なノイズを捉えることができる。

入力バッファ３１は、例えば、ＴＴＬやＬＶＣＭＯＳ等であり、ダミー配線２０からの信号レベルに応じて「０」又は「１」の値に２値化し、後述するノイズカウンタ３３に出力する。例えば、プルダウン抵抗１０によりダミー配線２０のレベルがＬレベルであることから、ダミー配線２０がノイズを捉えない場合、入力バッファ３１は「０」の値を出力する。一方、ダミー配線２０がノイズを捉えた場合、入力バッファ３１は、ダミー配線２０からＨレベルの信号を受けて「１」の値を出力する。
なお、入力バッファ３１は、ＧＴＬ＋等の小振幅（例としてＧＴＬ＋はＨレベルが１.１Ｖ～１.５Ｖ程度、Ｌレベルが０.３Ｖ～０.９Ｖ程度）のインタフェースを用いてもよい。ＧＴＬ＋は線路の両端を５０Ω前後でプルアップするのが普通であるが、ダミー配線２０によるノイズ検出の用途では、キロオームからメガオームオーダーの抵抗値でプルアップしてよい。
また、入力バッファ３１の前段に増幅回路があってもよい。
そうすることで、ノイズ検出装置２１０（１）は、わずかなノイズも捉えることができる。

図９は、ノイズカウンタ３３の一例を示す図である。なお、図９では、プルダウン抵抗１０、ダミー配線２０、及び入力バッファ３１を含むノイズ検出部を、ノイズ検出部２３として示す。
図９に示すように、ノイズカウンタ３３は、同期化回路（Ｓｙｎｃｈｒｏｎｉｚｅｒ）３３１、期待値（Ｅｘｐｅｃｔａｔｉｏｎ）３３２、ＸＯＲ３３３、及び計数器（Ｉｎｃｒｅｍｅｎｔｅｒ）３３４を含む。なお、期待値が定数「０」であることは、期待値３３２とＸＯＲ３３３がなく同期化回路３３１と計数器３３４が直結されることに等しい。また、期待値が定数「１」であることは、期待値３３２とＸＯＲ３３３がなくＸＯＲ３３３の代わりに論理反転が入ることに等しい。

同期化回路３３１は、例えば、メタステーブル対策でフリップフロップが２段以上縦続接続された回路であり、外部のクロック回路（図示しない）からのクロック信号で動作し、当該クロック信号に同期させて入力バッファ３１からの「０」又は「１」の値に応じた信号を出力する。具体的には、同期化回路３３１は、後述するように、クロック信号の立ち上がり時に入力バッファ３１からの値が「０」の場合に数クロック周期後に「０」の値を出力し、入力バッファ３１からの値が「１」の場合に数クロック周期後に「１」の値を出力する。

期待値３３２は、例えば、レジスタ等の記憶部であり、予め設定された値を格納する。具体的には、ノイズ検出部２３を構成するダミー配線２０がプルダウン抵抗１０に接続されている場合、期待値３３２には、ノイズが捉えられていない状態であるＬレベルを示す「０」の値が格納される。一方、ノイズ検出部２３を構成するダミー配線２０がプルアップ抵抗に接続されている場合、期待値３３２には、ノイズが捉えられていない状態であるＨレベルを示す「１」の値が格納される。
なお、期待値３３２に設定される値は、レジスタ設定により適宜変更されるようにしてもよい。

ＸＯＲ３３３は、例えば、同期化回路３３１及び期待値３３２からの値が同じ「０」又は「１」、すなわち入力バッファ３１から出力された信号レベルの値が変化しなかった場合、ダミー配線２０がノイズを捉えなかったとして「０」の値を出力する。一方、ＸＯＲ３３３は、例えば、同期化回路３３１からの値と及び期待値３３２からの値が異なる、すなわち入力バッファ３１から出力された信号レベルの値が変化した場合、ダミー配線２０がノイズを検出したとして「１」の値を出力する。

計数器３３４は、クロック信号に基づいて、ＸＯＲ３３３から「１」の値が入力される毎に、ノイズ検出部２３のダミー配線２０によりノイズが捉えられたとして、１ずつノイズの数をカウントする。計数器３３４は、例えば、所定の時間（例えば、１分等）毎にカウントしたノイズの数を制御部４０に出力する。
なお、計数器３３４は、パワーオンリセット信号が入力された場合、カウントしたノイズの数を「０」にリセットする。

図１０は、ノイズカウンタ３３の動作の一例を示す図である。
図１０に示すように、入力バッファ３１は、例えば、３番目のクロック信号のときに、ダミー配線２０がノイズを捉えたことで、「０」から「１」の値に変化する。同期化回路３３１は、５番目のクロック信号で「１」の値を出力する。なお、図１０では、同期化回路３３１は、例えば、２段のフリップフロップを有することから、入力バッファ３１より２クロック分遅れて「１」の値を出力する。そして、計数器３３４は、６番目のクロック信号のエッジでノイズの数を「１」にカウントする。
また、入力バッファ３１は、７番目と８番目とのクロック信号のときに、ダミー配線２０がノイズをそれぞれ捉えたことで、「０」から「１」の値に変化する。同期化回路３３１は、９番目と１０番目とのクロック信号で「１」の値を出力する。そして、計数器３３４は、１０番目のクロック信号のエッジでノイズの数を「２」にカウントし、１１番目のクロック信号のエッジでノイズの数を「３」にカウントする。

制御部４０は、例えば、制御装置２００のＣＰＵ等であり、ノイズ検出装置２１０（１）～２１０（３）それぞれのノイズカウンタ３３によりカウントされたノイズの数を受信する。制御部４０は、受信したノイズの数を、工作機械１００の動作状態、及び発生した致命的エラーを示すエラーデータとともに機械学習装置３００に出力する。
また、制御部４０は、半導体集積回路３０に実装されてもよく、プリント基板５０とは異なるプリント基盤に実装されてもよい。

なお、ノイズ検出装置２１０（１）～２１０（３）は、図８の構成を有するとしたが、期待値３３２に代えて、パワーオンリセット解除時のダミー配線２０のＬレベルに対する入力バッファ３１から出力される「０」の値をラッチするＬａｔｃｈ３３２ａを含み、ラッチした「０」の値を期待値として用いてもよい。
図１１は、ノイズカウンタ３３の一例を示す図である。なお、図９のノイズカウンタ３３の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図１１に示すように、ノイズカウンタ３３は、同期化回路３３１、Ｌａｔｃｈ３３２ａ、ＸＯＲ３３３、及び計数器３３４を含む。

Ｌａｔｃｈ３３２ａは、パワーオンリセット解除時にＬａｔｃｈ３３２ａのゲート端子にパワーオンリセット信号が入力されると、入力バッファ３１から出力されるプルダウンされたダミー配線２０のＬレベルを示す「０」の値をラッチする。そして、Ｌａｔｃｈ３３２ａは、次のパワーオンリセットまで、ラッチした「０」の値を期待値として保持する。
なお、ダミー配線２０がプルアップ抵抗（図示しない）に接続されている場合、入力バッファ３１はパワーオンリセット解除時にＨレベルを示す「１」の値を出力することから、Ｌａｔｃｈ３３２ａは、「１」の値をラッチし期待値として保持する。
また、ノイズカウンタ３３の動作は、期待値３３２の代わりにＬａｔｃｈ３３２ａが配置される点を除き、図１０と同様であり、説明は省略する。
そうすることで、プルダウンやプルアップと決めつけず、プリント基板５０側の都合でプルアップやプルダウンにもできる。すなわち、図１１のノイズ検出装置２１０（１）は、ダミー配線２０がプルダウン抵抗１０に接続されているか、プルアップ抵抗（図示しない）に接続されているか、を気にすることなく、最適な期待値を設定することができる。また、ユーザは、期待値の設定を行う必要がなくなる。

あるいは、図８のノイズ検出装置２１０（１）～２１０（３）は、期待値３３２に代えて、直近（前回）の同期化回路３３１からの値を今回の期待値とするＤフリップフロップ（ＤＦＦ）３３５を含んでもよい。
図１２は、ノイズカウンタ３３の一例を示す図である。なお、図９のノイズカウンタ３３の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図１２に示すように、ノイズカウンタ３３は、同期化回路３３１、ＤＦＦ３３５、ＸＯＲ３３３、及び計数器３３４を含む。

ＤＦＦ３３５は、同期化回路３３１から直近（前回）に出力された値を今回の期待値としてＸＯＲ３３３に出力する。
そうすることで、プルダウンやプルアップと決めつけず、プリント基板５０側の都合でプルアップやプルダウンもできる。すなわち、ノイズ検出装置２１０（１）～２１０（３）は、ダミー配線２０がプルダウン抵抗１０に接続されているか、プルアップ抵抗（図示しない）に接続されているか、を気にすることなく、最適な期待値を設定することができる。また、ユーザは、期待値の設定を行う必要がなくなる。
また、ダミー配線２０がプルアップされている場合、図１２のノイズ検出装置２１０（１）は、故障等によりダミー配線２０が地絡したこと（入力値がＨレベルからＬレベルへの変化が１回だけ起きる）等も検出することができる。
図１３は、図１２のノイズカウンタ３３の動作の一例を示す図である。なお、ノイズカウンタ３３の動作は、期待値３３２の代わりにＤＦＦ３３５が配置され、計数器３３４がＤＦＦ３３５からの信号の立ち上がりエッジと立ち下がりエッジとでカウントする点を除き、図９のノイズカウンタ３３と同様であり、説明は省略する。

さらに、図８のノイズ検出装置２１０（１）～２１０（３）は、図１４に示すように、ノイズカウンタ３３において、同期化回路３３１、期待値３３２、及びＸＯＲ３３３を省略し、入力バッファ３１から出力される信号をクロック信号として利用するために計数器３３４のクロック端子に入力し、計数器３３４に信号のエッジでカウントさせてもよい。
図１４は、ノイズカウンタ３３の一例を示す図である。図１５は、図１４のノイズカウンタ３３の動作の一例を示す図である。
図１５に示すように、入力バッファ３１から出力された信号は、ダミー配線２０がノイズを捉えた場合、「０」から「１」の値に変化する。そして、計数器３３４は、入力バッファ３１から出力された信号が「０」から「１」に変わる立ち上がりエッジでノイズの数を１ずつカウントする。

また、図８のノイズ検出装置２１０（１）～２１０（３）は、入力バッファ３１にダミー配線２０が接続されたが、これに限定されない。例えば、ノイズ検出装置２１０（１）～２１０（３）は、ダミー配線２０の線長がゼロでもよい。
図１６は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図８のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図１６のノイズ検出装置２１０（１）では、プルダウン抵抗１０、入力バッファ３１、及びノイズカウンタ３３は半導体集積回路３０に実装され、入力バッファ３１の入力側はオープンになっている。これはダミー配線の線長がゼロであることに相当する。

また、図８のノイズ検出装置２１０（１）～２１０（３）は、複数のノイズ検出部及びノイズカウンタの組み合わせを有してもよい。
図１７は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図８のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
なお、図１７のノイズ検出装置２１０（１）は、２組のノイズ検出部及びノイズカウンタを有する場合を例示して説明するが、３組以上を有する場合についても同様である。
図１７のノイズ検出装置２１０（１）は、ノイズ検出部２３ａ及びノイズカウンタ３３ａと、ノイズ検出部２３ｂ及びノイズカウンタ３３ｂと、を有する。ノイズカウンタ３３ａ、３３ｂは、互いに同じ図９、図１１、図１２、又は図１４のいずれかの構成を有する。
ノイズ検出部２３ａは、プルダウン抵抗１０ａ、ダミー配線２０、及び入力バッファ３１を含む。一方、ノイズ検出部２３ｂは、プルダウン抵抗１０ｂ、ダミー配線２０、及び入力バッファ３１を含む。

ノイズ検出部２３ａとノイズ検出部２３ｂとでは、プルダウン抵抗１０ａの抵抗値Ｒ１とプルダウン抵抗１０ｂの抵抗値Ｒ２とが互いに異なる値に設定されている（例えば、Ｒ１＞Ｒ２）。
すなわち、図１７のノイズ検出装置２１０（１）は、プルダウン抵抗１０ａ、１０ｂの抵抗値Ｒ１、Ｒ２を変えることで、異なる強度のノイズを捉えることができる。例えば、大きな抵抗値Ｒ１のプルダウン抵抗１０ａが接続されたダミー配線２０は、強度が小さいノイズから大きなノイズまで幅広いノイズを捉えることができる。一方、小さな抵抗値Ｒ２のプルダウン抵抗１０ｂが接続されたダミー配線２０は、強度が大きなノイズのみを捉えることができる。
これにより、大きな抵抗値Ｒ１のプルダウン抵抗１０ａが接続されたノイズカウンタ３３ａのノイズの数が増えていても、小さな抵抗値Ｒ２のプルダウン抵抗１０ｂが接続されたノイズカウンタ３３ｂのノイズの数が少ない又は増えていない場合、図１７のノイズ検出装置２１０（１）は、検出したノイズの強度は強くないと判断することができる。
一方、大きな抵抗値Ｒ１のプルダウン抵抗１０ａが接続されたノイズカウンタ３３ａのノイズの数が増え、小さな抵抗値Ｒ２のプルダウン抵抗１０ｂが接続されたノイズカウンタ３３ｂのノイズの数も増えている場合、図１７のノイズ検出装置２１０（１）は、検出したノイズの強度はかなり強いと判断することができる。
換言すれば、図１７のノイズ検出装置２１０（１）は、ノイズの発生状況をきめ細やかに観測することができる。
なお、図１７のノイズ検出装置２１０（１）は、異なる抵抗値Ｒ１、Ｒ２のプルダウン抵抗１０ａ、１０ｂに代えて、異なる特性インピーダンスのノイズ検出部２３ａのダミー配線２０と、ノイズ検出部２３ｂのダミー配線２０と、を用いてもよい。

また、ノイズ検出部２３ａのダミー配線２０とノイズ検出部２３ｂのダミー配線２０とは、互いに並行してプリント基板５０上を引き回して配置されてもよく、互いに異なる経路でプリント基板５０上に配置されてもよい。
図１８は、互いに異なる経路で引き回されたダミー配線２０の一例を示す図である。なお、図１８では、ノイズ検出装置２１０（１）が３組のノイズ検出部及びノイズカウンタを有する場合を例示する。
図１８に示すように、プルダウン抵抗１０ａが接続されたダミー配線２０は、例えば、プリント基板５０の端に沿うように引き回して配置されている。また、プルダウン抵抗１０ｂが接続されたダミー配線２０は、線長ゼロのオープンの状態で配置されている。また、プルダウン抵抗１０ｃが接続されたダミー配線２０は、ノイズが発生しやすそうな箇所を通るように配置されている。
そうすることで、図１８のノイズ検出装置２１０（１）は、様々なタイプのノイズを検出することができる。
また、各ダミー配線２０は、互いに線長が異なるモノポールアンテナを形成するように配置されてもよい。そうすることで、図１８のノイズ検出装置２１０（１）は、複数の周波数のノイズを捉えることができる。

また、図１７のノイズ検出装置２１０（１）は、例えば、異なる抵抗値Ｒ１、Ｒ２のプルダウン抵抗１０ａ、１０ｂに代えて、異なる容量のコンデンサをノイズ検出部２３ａのダミー配線２０、及びノイズ検出部２３ｂのダミー配線２０に接続してもよい。
図１９は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図１７のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図１９に示すように、ノイズ検出部２３ａは、プルダウン抵抗１０、ダミー配線２０、コンデンサ２５ａ、及び入力バッファ３１を含む。一方、ノイズ検出部２３ｂは、プルダウン抵抗１０、ダミー配線２０、コンデンサ２５ｂ、及び入力バッファ３１を含む。ノイズ検出部２３ａとノイズ検出部２３ｂとでは、コンデンサ２５ａの容量Ｃ１とコンデンサ２５ｂの容量Ｃ２とが互いに異なる値に設定されている（例えば、Ｃ１＜Ｃ２）。

すなわち、図１９のノイズ検出装置２１０（１）は、コンデンサ２５ａ、２５ｂの容量Ｃ１、Ｃ２を変えることで、異なる周波数成分のノイズを検出することができる。例えば、コンデンサ２５ａの容量Ｃ１はコンデンサ２５ｂの容量Ｃ２より小さいことから、ノイズ検出部２３ａは、低い周波数成分から高い周波数成分までのノイズを捉えることができる。一方、ノイズ検出部２３ｂは、ノイズ検出部２３ａと比べて低い周波数成分のノイズのみを検出することができる。
そうすることで、図１９のノイズ検出装置２１０（１）は、ノイズの発生状況をきめ細やかに観測することができる。

また、図１７のノイズ検出装置２１０（１）は、ノイズカウンタ３３ａとノイズカウンタ３３ｂとに同じクロック信号を入力したが、例えば、ノイズカウンタ３３ａとノイズカウンタ３３ｂとに、互いに異なるクロック周期（サンプリング周期）のクロック信号を入力してもよい。
図２０は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図１７のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。また、図２０のノイズ検出装置２１０（１）のノイズカウンタ３３ａ、３３ｂは、図８と同様の構成を有するが、図１１又は図１２と同様の構成を有してもよい。
図２０に示すように、ノイズカウンタ３３ａには、例えば、クロック周期Ｔ１のクロック信号Ｋ１が入力され、ノイズカウンタ３３ｂには、クロック周期Ｔ２のクロック信号Ｋ２が入力される。クロック信号Ｋ１のクロック周期Ｔ１と、クロック信号Ｋ２のクロック周期Ｔ２と、は互いに異なる値に設定される（例えば、Ｔ１＞Ｔ２）。

これにより、図２０のノイズ検出装置２１０（１）は、クロック信号Ｋ１のクロック周期Ｔ１と、クロック信号Ｋ２のクロック周期Ｔ２と、を変えることで、異なる周波数成分のノイズを捉えることができる。例えば、長いクロック周期Ｔ１のクロック信号Ｋ１が入力されるノイズカウンタ３３ａは、低い周波数成分のノイズの数をカウントすることができる。一方、短いクロック周期Ｔ２のクロック信号Ｋ２が入力されるノイズカウンタ３３ｂは、低い周波数成分に加えて高い周波数成分のノイズの数をカウントすることができる。
そうすることで、図２０のノイズ検出装置２１０（１）は、ノイズの発生状況をきめ細やかに観測することができる。

なお、図２０のノイズ検出装置２１０（１）は、クロック周期Ｔ１のクロック信号Ｋ１が入力されるノイズカウンタ３３ａと、クロック周期Ｔ２のクロック信号Ｋ２が入力されるノイズカウンタ３３ｂと、に、１つのノイズ検出部２３を接続するようにしてもよい。
図２１は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図２０のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図２１のノイズ検出装置２１０（１）は、ノイズ検出部２３を共通化することで、回路規模を小さくすることができる。

また、図８のノイズ検出装置２１０（１）～２１０（３）は、図８の構成に加えて、ノイズのパルス幅を測定する機能をさらに備えるようにしてもよい。
図２２は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図８のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図２２のノイズ検出装置２１０（１）は、ノイズ検出部２３及びノイズカウンタ３３ｃを有する。ノイズ検出部２３は、プルダウン抵抗１０、ダミー配線２０、及び入力バッファ３１を有する。ノイズカウンタ３３ｃは、同期化回路３３１、期待値３３２、ＸＯＲ３３３、パルス幅測定部３３６、（ｊ＋１）個のＡＮＤ３３７（０）～３３７（ｊ）、（ｊ＋１）個の計数器３３４ａ（０）～３３４ａ（ｊ）を有する（ｊは１以上の整数）。

パルス幅測定部３３６は、ＸＯＲ３３３から出力された値に基づいて、ノイズ検出部２３により検出されたノイズのパルス幅（クロック周期を単位とする二進数）を端子Ｑｊ～Ｑ０に出力する。
具体的には、例えば、検出されたノイズが２クロック未満のパルス幅の場合に端子Ｑｊ～Ｑ１に「０」、端子Ｑ０に「１」の値を出力する。また、例えば、検出されたノイズが２クロック以上４クロック未満のパルス幅の場合に端子Ｑｊ～Ｑ２に「０」、端子Ｑ１に「１」の値を出力する。また、例えば、検出されたノイズが２^ｉクロック以上２^{（ｉ＋１）}クロック未満のパルス幅の場合に端子Ｑｊ～Ｑ（ｉ＋１）に「０」、端子Ｑｉに「１」の値を出力する（ｉは０～ｊ－１の整数）。また、端子Ｑｊは、例えば、検出されたノイズが２^ｊクロック以上のパルス幅の場合に「１」の値を出力し、検出されたノイズが２^ｊクロック以上のパルス幅でない場合に「０」の値を出力する。

ＡＮＤ３３７（０）～３３７（ｊ）は、ＸＯＲ３３３から出力された値と、パルス幅測定部３３６の端子Ｑ０～Ｑｊから出力された値と、に基づきノイズ検出部２３により検出されたノイズのパルス幅を示す値を出力する。
具体的には、ＡＮＤ３３７（０）は、例えば、検出されたノイズのパルス幅が２クロック未満の場合に「１」の値を出力し、検出されたノイズのパルス幅が２クロック未満でない場合に「０」の値を出力する。また、ＡＮＤ３３７（１）は、検出されたノイズのパルス幅が２クロック以上４クロック未満の場合に「１」の値を出力し、検出されたノイズのパルス幅が２クロック以上４クロック未満でない場合に「０」の値を出力する。また、ＡＮＤ３３７（ｉ）は、検出されたノイズのパルス幅が２^ｉクロック以上２^{（ｉ＋１）}クロック未満の場合に「１」の値を出力し、検出されたノイズのパルス幅が２^ｉクロック以上２^{（ｉ＋１）}クロック未満でない場合に「０」の値を出力する（ｉは０～ｊ－１の整数）。また、ＡＮＤ３３７（ｊ）は、検出されたノイズのパルス幅が２^ｊクロック以上の場合に「１」の値を出力し、検出されたノイズのパルス幅が２^ｊクロック以上でない場合に「０」の値を出力する。

計数器３３４ａ（０）～３３４ａ（ｊ）は、図９の計数器３３４と同様に、クロック信号に基づいて、対応するＡＮＤ３３７（０）～３３７（ｊ）から「１」の値が入力される毎に、ノイズの数をカウントする。
具体的には、計数器３３４ａ（０）は、例えば、ノイズ検出部２３によりパルス幅が２クロック未満のノイズが検出される度にノイズの数を１つ増加させる。また、計数器３３４ａ（１）は、例えば、ノイズ検出部２３によりパルス幅が２クロック以上４クロック未満のノイズが検出される度にノイズの数を１つ増加させる。また、計数器３３４ａ（ｉ）は、ノイズ検出部２３によりパルス幅が２^ｉクロック以上２^{（ｉ＋１）}クロック未満のノイズが検出される度にノイズの数を１つ増加させる（ｉは０～ｊ－１の整数）。また、計数器３３４ａ（ｊ）は、ノイズ検出部２３によりパルス幅が２^ｊクロック以上のノイズが検出される度にノイズの数を１つ増加させる。
そうすることで、図２２のノイズ検出装置２１０（１）は、パルス幅毎にノイズの数をカウントすることができ、ノイズの発生状況をきめ細やかに観測することができる。

また、図８のノイズ検出装置２１０（１）～２１０（３）は、図８の構成に加えて、ダミー配線２０を用いてノイズを電磁波として捉える機能をさらに備えるようにしてもよい。
図２３は、ノイズ検出装置２１０（１）の一例を示す図である。なお、図８のノイズ検出装置２１０（１）の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
図２３のノイズ検出装置２１０（１）は、２つのプルダウン抵抗１０、ダミー配線２０ａ、２０ｂ、差動入力バッファ３１ａ、ノイズカウンタ３３、及び制御部４０を有する。

ダミー配線２０ａ、２０ｂは、ダイポールアンテナとして機能するようにプリント基板５０上を引き回して配置される。ダミー配線２０ａ、２０ｂそれぞれは、プルダウン抵抗１０が接続されるとともに、ダミー配線２０ａ、２０ｂの一端は、後述する差動入力バッファ３１ａの入力端子に接続される。
例えば、ダミー配線２０ａ、２０ｂの線長が長さＬの場合、当該ダイポールアンテナは、波長４Ｌのノイズを捉えることができる。具体的には、片側の線長が７．５ｃｍの場合、ダミー配線２０ａ、２０ｂは、１ＧＨｚのノイズ成分を捉えることができる。
そうすることで、図２３のノイズ検出装置２１０（１）は、微弱なノイズを捉えることができる。

差動入力バッファ３１ａは、ＴＴＬやＬＶＣＭＯＳ、ＬＶＰＥＣＬ、ＬＶＤＳ、ＣＭＬ等であり、差動ペアのダミー配線２０ａの信号レベルとダミー配線２０ｂの信号レベルとの差分に応じて「０」又は「１」の値に２値化し、ノイズカウンタ３３に出力する。
なお、差動入力バッファ３１ａの前段に差動増幅回路があってもよい。

図２３のノイズ検出装置２１０（１）は、２つのダミー配線２０ａ、２０ｂをダイポールアンテナとして機能するようにプリント基板５０上に配置したが、例えば、図２４に示すように、１つのダミー配線２０を折り返しダイポールアンテナとして機能するようにプリント基板５０上に配置してもよく、図２５に示すように、１つのダミー配線２０をループアンテナとして機能するようにプリント基板５０上に配置してもよい。

また、図２３のノイズ検出装置２１０（１）は、２つのプルダウン抵抗１０、ダミー配線２０ａ、２０ｂ、及び差動入力バッファ３１ａを含むノイズ検出部と、ノイズカウンタ３３と、の１組を有したが、例えば、２以上の複数の組の当該ノイズ検出部及びノイズカウンタ３３を有してもよい。この場合、各組のダミー配線２０ａ、２０ｂのダイポールアンテナの線長は、互いに異なる長さにすることが好ましい。
なお、各組のノイズ検出部は、図２４及び図２５の場合と同様に、１つのダミー配線２０を折り返しダイポールアンテナ、又はループアンテナとして機能するように配置されてもよい。
そうすることで、ノイズ検出装置２１０（１）は、複数の周波数のノイズを捉えることができる。

以上、一の実施形態について説明したが、制御装置２００、機械学習装置３００、エラー発生予測装置４００は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。

＜変形例１＞
上述の実施形態では、機械学習装置３００は、制御装置２００及びエラー発生予測装置４００と異なる装置として例示したが、機械学習装置３００の一部又は全部の機能を、制御装置２００やエラー発生予測装置４００が備えるようにしてもよい。

＜変形例２＞
また例えば、上述の実施形態では、エラー発生予測装置４００は、制御装置２００と異なる装置として例示したが、エラー発生予測装置４００の一部又は全部の機能を、制御装置２００が備えるようにしてもよい。
あるいは、エラー発生予測装置４００の状態取得部４１１、予測部４１２、及び記憶部４１３の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、エラー発生予測装置４００の各機能を実現してもよい。
さらに、エラー発生予測装置４００は、エラー発生予測装置４００の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。

＜変形例３＞
また例えば、上述の実施形態では、図５の学習済みモデル３５０は、中間層に、３つのＲＮＮ３５１の１層で構成されたが、これに限定されない。学習済みモデル３５０は、図２６に示すように、ＲＮＮ３５１Ａ（１）～３５１Ａ（４ｋ）を用いて、４つ１組を１層とする複数の層が配置された中間層を有し、深層学習化されてもよい（ｋは２以上の整数）。これにより、エラー発生予測装置４００は、図５の場合と比べて過去の状態ベクトル間の差分からノイズの数増分の特徴をより正確に捉えることができ、より精度良く制御装置２００に発生する致命的エラーを予測することができる。なお、ＲＮＮ３５１Ａ（１）～３５１Ａ（４ｋ）の各々は、図５のＲＮＮ３５１に対応する。
あるいは、学習済みモデル３５０は、図２７に示すように、図５のＲＮＮ３５１（１）～３５１（４）に替えて、入力・出力・忘却ゲート付きＲＮＮであるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）３５２（１）～３５２（３）が中間層に配置されてもよい。この場合、学習済みモデル３５０の中間層には、ＬＳＴＭ３５２（１）～３５２（３）とともに、全結合層３５３及びａｒｇｍａｘ３５４が配置される。ａｒｇｍａｘ３５４は、全結合層３５３より出力された複数の致命的エラーのうち、最も確率値が高い致命的エラーをエラーデータｙｐ_０として出力する。これにより、エラー発生予測装置４００は、図５の場合と比べて過去の状態ベクトル間の差分からノイズの数増分の特徴をより正確に捉えることができ、より精度良く制御装置２００に発生する致命的エラーを予測することができる。なお、図２７では、ＬＭＳＴ３５２の数は、３つとしたが１以上の数でもよい。
また、学習済みモデル３５０は、致命的エラーの発生に係るラベルデータの収集が困難な場合、正常なデータである状態ベクトルｘ_ｎを先頭とする５つの連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を用いて学習されたオートエンコーダでもよい。例えば、エラー発生予測装置４００は、現在に対応する状態ベクトルから過去に遡る５つの連続する状態ベクトルを用いて当該連続する状態ベクトル間で差分して生成されたノイズ変動ベクトル列（差分ベクトル列）｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝をオートエンコーダに入力し、復元時のずれ量を監視することにより、致命的エラーの発生の可能性を予測するようにしてもよい。
あるいは、学習済みモデル３５０は、入力データを時系列データとして扱わず、状態ベクトルｘ_ｎがｘ_Ａのとき致命的エラーＡが発生し、状態ベクトルｘ_ｎがｘ_Ｂのとき致命的エラーＢが発生し、状態ベクトルｘ_ｎがｘ_Ｃのとき致命的エラーなし、という訓練データを用いて学習された、サポートベクタマシンやニューラルネットワーク等でもよい。

＜変形例４＞
また例えば、上述の実施形態では、エラー発生予測装置４００は、現在の時刻ｔ_０に制御装置２００に発生する致命的エラーを予測したが、例えば、現在の時刻ｔ_０から１０分以内、３０分以内、１時間以内、及び１時間以上等に制御装置２００に発生する致命的エラーを予測してもよい。
図２８は、学習済みモデル３５０の一例を示す図である。図２８に示すように、学習済みモデル３５０は、現在の状態ベクトルｘ_ｎから過去に遡る５つの連続する状態ベクトルを用いて当該連続する状態ベクトル間で差分して生成されたノイズ変動ベクトル列（差分ベクトル列）｛ｘｐ_－３、ｘｐ_－２、ｘｐ_－１、ｘｐ_０｝を入力層とし、ＲＮＮ３５１Ｂ（１）～３５１Ｂ（７）を中間層とし、例えば現在の時刻ｔ_０から１０分以内、３０分以内、１時間以内、及び１時間以上に制御装置２００に発生する致命的エラーのエラーデータｙｐ_０、ｙｐ_１、ｙｐ_２、ｙｐ_３を出力層とする。
この場合、機械学習装置３００は、ノイズ変動ベクトル列（差分ベクトル列）｛ｘ_２－ｘ_１、ｘ_３－ｘ_２、ｘ_４－ｘ_３、ｘ_５－ｘ_４｝、｛ｘ_３－ｘ_２、ｘ_４－ｘ_３、ｘ_５－ｘ_４、ｘ_６－ｘ_６｝等の入力データと、エラーデータ｛ｙ_５、ｙ_６、ｙ_７、ｙ_８｝、｛ｙ_６、ｙ_７、ｙ_８、ｙ_９｝等のラベルデータと、を訓練データとして記憶部３１５から受け付け、教師あり学習を行う。
なお、ＲＮＮ３５１Ｂ（１）～３５１Ｂ（７）の各々は、図５のＲＮＮ３５１に対応する。
また、１時間以上に制御装置２００に発生する致命的エラーには、「エラーなし」が含まれてもよい。

＜変形例５＞
また例えば、上述の実施形態では、エラー発生予測装置４００は、機械学習装置３００により生成された学習済みモデル３５０を用いて、制御装置２００に発生する致命的エラーを予測したが、これに限定されない。例えば、図２９に示すように、サーバ５００は、機械学習装置３００により生成された学習済みモデル３５０を記憶し、ネットワーク６０に接続されたｍ個のエラー発生予測装置４００Ａ（１）～４００Ａ（ｍ）と学習済みモデル３５０を共有してもよい（ｍは２以上の整数）。これにより、新たな工作機械、制御装置、及びエラー発生予測装置が配置されても学習済みモデル３５０を適用することができる。
なお、エラー発生予測装置４００Ａ（１）～４００Ａ（ｍ）の各々は、制御装置２００Ａ（１）～２００Ａ（ｍ）の各々と接続され、制御装置２００Ａ（１）～２００Ａ（ｍ）の各々は、工作機械１００Ａ（１）～１００Ａ（ｍ）の各々と接続される。
また、工作機械１００Ａ（１）～１００Ａ（ｍ）の各々は、図１の工作機械１００に対応する。制御装置２００Ａ（１）～２００Ａ（ｍ）の各々は、図１の制御装置２００に対応する。エラー発生予測装置４００Ａ（１）～４００Ａ（ｍ）の各々は、図１のエラー発生予測装置４００に対応する。
あるいは、図３０に示すように、サーバ５００は、例えば、エラー発生予測装置４００として動作し、ネットワーク６０に接続された同一工場内の制御装置２００Ａ（１）～２００Ａ（ｍ）の各々に対して、工作機械１００Ａ（１）～１００Ａ（ｍ）の各々に発生する致命的エラーのエラーデータを予測してもよい。これにより、新たな工作機械及び制御装置が配置されても学習済みモデル３５０を適用することができる。

なお、一の実施形態における、制御装置２００、機械学習装置３００、及びエラー発生予測装置４００に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。

制御装置２００、機械学習装置３００、及びエラー発生予測装置４００に含まれる各構成部は、（電子回路等を含む）ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータ（数値制御装置）にインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。また、ハードウェアで構成する場合、上記の制御装置に含まれる各構成部の機能の一部又は）全部を、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）等の集積回路（ＩＣ）で構成することができる。

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。

なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

以上を換言すると、本開示の機械学習装置、エラー発生予測装置、及び制御装置は、次のような構成を有する各種各様の実施形態を取ることができる。

（１）本開示の機械学習装置３００は、制御装置２００に配置される、少なくとも１つのダミー配線２０を用いてノイズを検出するノイズ検出部２３とノイズ検出部２３により検出されたノイズの数をカウントするノイズカウンタ３３とを含む１つ以上のノイズ検出装置２１０（１）～２１０（Ｍ）により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部３１２と、状態観測部３１２により取得される状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データとし、入力データのノイズ変動ベクトル列の末尾のベクトルに対応する時刻に制御装置２００に発生した致命的エラーを示すエラーデータをラベルデータとする訓練データを取得する訓練データ取得部３１３と、入力データとラベルデータとを訓練データとして教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列に基づいて、制御装置２００に発生する致命的エラーを予測するための学習済みモデル３５０を生成する学習部３１４と、を備える。
この機械学習装置３００によれば、検出されたノイズの数に基づいて致命的エラーの発生を予測できる学習済みモデル３５０を生成することができる。

（２） （１）に記載の機械学習装置３００において、ノイズ変動ベクトル列は、連続する状態ベクトル間で差分した集合｛ｘ_ｎ＋１－ｘ_ｎ、・・・ｘ_{ｎ＋Ｎ－１}－ｘ_{ｎ＋Ｎ－２}｝であってもよい。
そうすることで、機械学習装置３００は、（１）と同様の効果を奏することができる。

（３） （１）に記載の機械学習装置３００において、ノイズ変動ベクトル列は、連続する状態ベクトルの集合｛ｘ_ｎ、・・・ｘ_{ｎ＋Ｎ－１}｝であってもよい。
そうすることで、機械学習装置３００は、（１）と同様の効果を奏することができる。

（４） （１）から（３）のいずれかに記載の機械学習装置３００において、状態ベクトルｘ_ｎは、工作機械１００の動作状態を含んでもよい。
そうすることで、機械学習装置３００は、動作状態に応じた致命的エラーの発生を予測できる学習済みモデル３５０を生成することができる。

（５） （１）から（４）のいずれかに記載の機械学習装置３００において、学習部３１４は、リカレントニューラルネットワークを用いて機械学習してもよい。
そうすることで、機械学習装置３００は、ノイズの数の変化に応じて致命的エラーの発生を予測できる学習済みモデル３５０を生成することができる。

（６） （５）に記載の機械学習装置３００において、リカレントニューラルネットワークとして、入力・出力・忘却ゲート付きリカレントニューラルネットワークであるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）を適用してもよい。
そうすることで、機械学習装置３００は、より精度良く致命的エラーの発生を予測できる学習済みモデル３５０を生成することができる。

（７）本開示の機械学習装置３００は、制御装置２００に配置される、少なくとも１つのダミー配線２０を用いてノイズを検出するノイズ検出部２３とノイズ検出部２３により検出されたノイズの数をカウントするノイズカウンタ３３とを含む１つ以上のノイズ検出装置２１０（１）～２１０（Ｍ）により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部３１２と、状態観測部３１２により取得される状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データ及びラベルデータとする訓練データを取得する訓練データ取得部３１３と、入力データとラベルデータとを訓練データを用いて教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列と、復元されたノイズ変動ベクトル列と、のずれ量に基づいて、制御装置２００に発生する致命的エラーを予測するオートエンコーダを学習済みモデル３５０として生成する学習部３１４と、を備える。
この機械学習装置３００によれば、（１）と同様の効果を奏することができる。

（８）本開示のエラー発生予測装置４００は、制御装置２００に配置される、少なくとも１つのダミー配線２０を用いてノイズを検出するノイズ検出部２３とノイズ検出部２３により検出されたノイズの数をカウントするノイズカウンタ３３とを含む１つ以上のノイズ検出装置２１０（１）～２１０（Ｍ）により所定の時間毎にカウントされたノイズの数を含む現在の状態ベクトルｘ_ｎ（ｎ≧Ｎ）から過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を取得する状態取得部４１１と、（１）から（６）のいずれかに記載の機械学習装置３００により生成された学習済みモデル３５０に基づいて、状態取得部４１１により取得されたノイズ変動ベクトル列から、制御装置２００に発生する致命的エラーを予測する予測部４１２と、を備える。
このエラー発生予測装置４００によれば、検出されたノイズの数に基づいて致命的エラーの発生を予測できる。

（９） （８）に記載のエラー発生予測装置４００において、学習済みモデル３５０を備えてもよい。
そうすることで、エラー発生予測装置４００は、上述の（８）と同様の効果を奏することができる。

（１０） （８）に記載のエラー発生予測装置４００において、（１）から（７）のいずれかに記載の機械学習装置３００を備えてもよい。
そうすることで、エラー発生予測装置４００は、上述の（１）から（８）のいずれかと同様の効果を奏することができる。

（１１） （８）に記載のエラー発生予測装置４００において、学習済みモデル３５０を、エラー発生予測装置４００からネットワーク６０を介してアクセス可能に接続されるサーバ５００に備えてもよい。
そうすることで、新たな工作機械１００、制御装置２００、及びエラー発生予測装置４００が配置されても学習済みモデル３５０を適用することができる。

（１２）本開示の制御装置２００は、（８）から（１１）のいずれかに記載のエラー発生予測装置４００を備えてもよい。
この制御装置２００によれば、上述の（８）から（１１）のいずれかと同様の効果を奏することができる。

１ 数値制御システム
１００ 工作機械
２００ 制御装置
２１０（１）～２１０（Ｍ） ノイズ検出装置
３００ 機械学習装置
３１１ 状態ベクトル化部
３１２ 状態観測部
３１３ 訓練データ取得部
３１４ 学習部
３５０ 学習済みモデル
４００ エラー発生予測装置
４１１ 状態取得部
４１２ 予測部
５００ サーバ

Claims (12)

1. 電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部と、
   前記状態観測部により取得される前記状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データとし、
   前記入力データのノイズ変動ベクトル列の末尾のベクトルに対応する時刻に前記電子装置に発生した致命的エラーを示すエラーデータをラベルデータとする訓練データを取得する訓練データ取得部と、
   前記入力データと前記ラベルデータとを訓練データとして教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列に基づいて、前記電子装置に発生する致命的エラーを予測するための学習済みモデルを生成する学習部と、
   を備える機械学習装置。
2. 前記ノイズ変動ベクトル列は、前記連続する状態ベクトル間で差分したベクトルの集合｛ｘ_ｎ＋１－ｘ_ｎ、・・・ｘ_{ｎ＋Ｎ－１}－ｘ_{ｎ＋Ｎ－２}｝である、請求項１に記載の機械学習装置。
3. 前記ノイズ変動ベクトル列は、前記連続する状態ベクトルの集合｛ｘ_ｎ、・・・ｘ_{ｎ＋Ｎ－１}｝である、請求項１に記載の機械学習装置。
4. 前記状態ベクトルｘ_ｎは、前記電子装置の動作状態を含む、請求項１から請求項３のいずれか１項に記載の機械学習装置。
5. 前記学習部は、リカレントニューラルネットワークを用いて機械学習する、請求項１から請求項４のいずれか１項に記載の機械学習装置。
6. 前記リカレントニューラルネットワークとして、入力・出力・忘却ゲート付きリカレントニューラルネットワークであるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）を適用する、請求項５に記載の機械学習装置。
7. 電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む状態ベクトルｘ_ｎの時系列データである状態ベクトル列｛ｘ_ｎ：ｎ≧１｝を取得する状態観測部と、
   前記状態観測部により取得される前記状態ベクトル列に含まれる、任意の状態ベクトルｘ_ｎ（ｎ≧１）を先頭とする予め設定されたＮ個（Ｎ≧２）の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を入力データ及びラベルデータとする訓練データを取得する訓練データ取得部と、
   前記入力データと前記ラベルデータとを訓練データを用いて教師あり機械学習を行い、現在の状態ベクトルから過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列と、復元された前記ノイズ変動ベクトル列と、のずれ量に基づいて、前記電子装置に発生する致命的エラーを予測するオートエンコーダを学習済みモデルとして生成する学習部と、
   を備える機械学習装置。
8. 電子装置に配置される、少なくとも１つのダミー配線を用いてノイズを検出するノイズ検出部と前記ノイズ検出部により検出されたノイズの数をカウントするノイズカウンタとを含む１つ以上のノイズ検出装置により所定の時間毎にカウントされたノイズの数を含む現在の状態ベクトルｘ_ｎ（ｎ≧Ｎ）から過去に遡りＮ個の連続する状態ベクトルを用いて生成されるノイズ変動ベクトル列を取得する状態取得部と、
   請求項１から請求項６のいずれか１項に記載の機械学習装置により生成された前記学習済みモデルに基づいて、前記状態取得部により取得されたノイズ変動ベクトル列から、前記電子装置に発生する致命的エラーを予測する予測部と、
   を備えるエラー発生予測装置。
9. 前記学習済みモデルを備える、請求項８に記載のエラー発生予測装置。
10. 請求項１から請求項７のいずれか１項に記載の機械学習装置を備える、請求項８に記載のエラー発生予測装置。
11. 前記学習済みモデルを、前記エラー発生予測装置からネットワークを介してアクセス可能に接続されるサーバに備える、
    請求項８に記載のエラー発生予測装置。
12. 請求項６から請求項１１のいずれか１項に記載のエラー発生予測装置を備える、制御装置。

Images