JP6779456B1 - 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

Abstract

【課題】流体圧駆動弁における異常及び異常の兆候を作業者の経験等に依存することなく精度よく把握することを可能とする機械学習装置等を提供する。【解決手段】機械学習装置２００は、主弁と、主弁を駆動する駆動装置と、駆動装置に対して駆動流体の給排を制御する電磁弁１とを含む流体圧駆動弁１０に適用されて、主弁の弁開度、駆動流体の圧力、ソレノイド部の制御パラメータ、及び、流体圧駆動弁１０の温度を含む入力データと、入力データに対応付けられた流体圧駆動弁１０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２０２と、学習用データセット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推論する学習モデルを学習する学習ユニット２０３と、学習済モデルを記憶する学習済モデル記憶ユニット２０４と、を備える。【選択図】図４

Description

本発明は、バルブシステムの異常診断を行うための機械学習装置、データ処理システム
、推論装置及び機械学習方法に関するものである。

従来、電磁弁により駆動流体を制御して主弁を開閉する流体圧駆動弁が知られている。
例えば、特許文献１には、プラント設備の配管に使用される流体圧駆動弁として、設備に
異常が発生したような緊急時に、電磁弁により駆動流体を制御してボールバルブ（主弁）
を閉じることにより、配管を流れる流体を遮断する緊急遮断弁装置が開示されている。

特開２００９−９７５３９号公報

特許文献１に示されるような、プラント設備に用いられる緊急遮断弁等の流体圧駆動弁
においては、プラント設備全体の稼働率・信頼性を向上させるためには、予期しない異常
が発生しないことが好ましい。したがって、このような流体圧駆動弁にあっては、異常が
発生した際にその異常を把握する事後保全のみならず、異常の兆候を把握する予兆保全を
実現することが望まれている。

ここで、流体圧駆動弁の異常の兆候は、様々な事象として表出し得るが、流体圧駆動弁
に生じ得る事象と異常の兆候との因果関係は明確に特定されていなかった。その結果、流
体圧駆動弁における予兆保全は、作業者の経験（暗黙知を含む）に依存した判断に基づい
て実施されることとなり、担当する作業者によってその精度に差が生じるという課題があ
る。

本発明は、上述した課題に鑑み、流体圧駆動弁における異常及び異常の兆候（以下、本
発明においては、これらをまとめて「異常」という。）を精度よく把握するための、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、例えば図１―
４に示すように、主弁１１と、前記主弁１１を駆動する駆動装置１２と、前記駆動装置１
２に対して駆動流体Ａの給排を制御するソレノイド部３を備える電磁弁１と、を少なくと
も含む流体圧駆動弁１０に適用されるものであって、前記主弁１１の弁開度、前記駆動流
体１２の圧力、前記ソレノイド部３の制御パラメータ、及び、前記流体圧駆動弁１０の温
度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流体圧駆動弁１０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２０２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２
０３と；前記学習ユニット２０３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２０４と；を含むものである。

本発明の機械学習装置によれば、流体圧駆動弁の定常運転時に取得可能な各種情報等に
基づいて、流体圧駆動弁の異常の発生の有無を推定可能な学習済モデルを提供することが
できるようになる。よって、この学習済モデルを利用することにより、流体圧駆動弁にお
いて発生する異常を、作業者の経験に依存することなく高精度に推定することを実現でき
るようになる。

本発明の一実施の形態に係る機械学習装置等が適用される流体圧駆動弁の一例を示す概略図である。 本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示す概略図である。 本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示すブロック図である。 本発明の一実施の形態に係る機械学習装置の概略ブロック図である。 本発明の一実施の形態に係る機械学習装置等で使用されるデータの構成例（教師あり学習）を示す図である。 本発明の一実施の形態に係る機械学習装置等で使用されるデータの構成例（教師なし学習）を示す図である。 本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。 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。 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。 本発明の一実施の形態に係るデータ処理システムによるデータ処理工程の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各実施の形態について説明する。なお、
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。

本発明の一実施の形態に係る機械学習装置、データ処理システム、推論装置及び機械学
習方法を説明する前に、以下には先ず機械学習装置等が適用される流体圧駆動弁について
説明を行う。

（流体圧駆動弁）
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。

図１に示す流体圧駆動弁１０は、配管１００の途中に配置される主弁１１と、主弁１１
に連結された弁軸１３を駆動流体の流体圧に応じて駆動させることで主弁１１の開閉操作
を行う流体圧式の駆動装置１２と、駆動装置１２に対して駆動流体の給排を制御する機能
を有する電磁弁１とを備えている。

この流体圧駆動弁１０に用いられる駆動流体には、計装空気（以下、単に「空気」とい
う）Ａが採用されている。この空気Ａは空気供給源１４から第１の空気配管１４０を介し
て電磁弁１に供給され、さらに、第２の空気配管１４１を介して駆動装置１２に供給され
る。また、流体圧駆動弁１０には、外部装置１５及び電磁弁１の間で各種のデータを送受
信するための通信ケーブル１５０と、外部電源１６から電磁弁１に電力を供給するための
電力ケーブル１６０とが接続されている。なお、駆動流体としては、上記の空気Ａに限ら
れず、他の気体でも液体（例えば、油）でもよい。

外部装置１５は、流体圧駆動弁１０との間で各種情報を送受信するための装置であって
、例えば、プラント管理用のコンピュータ（ローカルサーバ及びクラウドサーバを含む。
）、作業者（保守点検者）が使用する診断用コンピュータ、又は、ＵＳＢメモリや外付け
ＨＤＤ等の外部記憶ユニットで構成されている。この外部装置１５は、後述する機械学習
装置２００に接続されて学習用データセットを構成する各種データを送信することも可能
である。また、この外部装置１５は、流体圧駆動弁１０に異常が発生した場合に作業者等
に対して異常が発生したことやその内容を報知するための、ＧＵＩ（Ｇｒａｐｈｉｃａｌ
Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等からなる報知手段を備えている。なお、外部装置１
５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。

本実施の形態の流体圧駆動弁１０の駆動方式は、エアーレスクローズ方式が採用されて
いる。したがって、定常運転時は空気供給源１４から電磁弁１を介して駆動装置１２に空
気Ａを供給（給気）することで、主弁１１が開操作され、緊急停止時や試験運転時は、駆
動装置１２から電磁弁１を介して空気Ａを排出（排気）することで、主弁１１が閉操作さ
れる。なお、流体圧駆動弁１０は、エアーレスオープン方式を採用してもよく、その場合
には、駆動装置１２に空気Ａを供給することで閉操作され、駆動装置１２から空気Ａを排
出することで主弁１１を閉操作される。

主弁１１には、ボールバルブが採用されている。この主弁１１の具体的な構成としては
、配管１００の途中に配置される弁箱１１０と、弁箱１１０内に回転可能に設けられたボ
ール状の弁体１１１とを備えている。また、弁体１１１の上部には、弁軸１３の第１の端
部１３０Ａが連結されている。弁軸１３が０度〜９０度に回転駆動されることに応じて弁
箱１１０内で弁体１１１が回転し、主弁１１の全開状態（図１に示す状態）と全閉状態が
切り替えられる。なお、主弁１１として用いられる弁は、ボールバルブに限られず、例え
ば、バタフライバルブやその他のオンオフ弁であってもよい。

駆動装置１２には、主弁１１と電磁弁１との間に配置された単作動式のエアシリンダ機
構が採用されている。この駆動装置１２の具体的な構成としては、円筒状のシリンダ１２
０と、このシリンダ１２０内に往復直線移動可能に設けられピストンロッド１２１を介し
て連結された一対のピストン１２２Ａ、１２２Ｂと、第１のピストン１２２Ａ側に設けら
れたコイルばね１２３と、第２のピストン１２２Ｂ側に形成された空気給排口１２４と、
シリンダ１２０を径方向に沿って貫通するように配置された弁軸１３とピストンロッド１
２１とが直交する部分に設けられた伝達機構１２５と、を備えている。なお、駆動装置１
２は、単作動式に限られず、例えば、複作動式等の他の形式で構成されていてもよい。

第１のピストン１２２Ａは、コイルばね１２３により主弁１１を閉方向に動作するよう
に付勢されている。また、第２のピストン１２２Ｂは、空気給排口１２４から供給された
空気Ａ（給気）により主弁１１を開方向に動作するように（コイルばね１２３の付勢力に
抗して）押圧するものである。さらに、伝達機構１２５は、ラックアンドピニオン機構、
リンク機構、カム機構等で構成されており、ピストンロッド１２１の往復直線運動を回転
運動に変換して弁軸１３に伝達するものである。

弁軸１３は、シャフト状に形成されており、回動可能な状態で駆動装置１２を貫通する
ようにして配置される。弁軸１３の第１の端部１３０Ａは主弁１１に連結され、弁軸１３
の第２の端部１３０Ｂは電磁弁１により軸支される。なお、弁軸１３は、複数本のシャフ
トがカップリング等を介して連結されたものでもよい。

電磁弁１は、駆動装置１２に対して空気Ａの給排を制御する機能を有し、例えば、２ポ
ジションでノーマルクローズタイプ（通電時「開」、非通電時「閉」）の三方電磁弁とし
て構成されている。この電磁弁１は、屋内型又は防爆型の電磁弁１のハウジングとして機
能する収容部６の内部に、空気Ａが流れる流路を切り替えるスプール部２と、通電状態（
通電時又は非通電時）に応じてスプール部２を変位させるソレノイド部３とを備えている
。なお、この電磁弁１には、上述したタイプの三方電磁弁に限られず、３ポジションであ
っても、ノーマルオープンタイプであっても、四方電磁弁等であってもよく、これらの任
意の組み合わせに基づく各種の形成で構成できる。また、本実施の形態では、電磁弁１は
、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。

スプール部２は、空気供給源１４に第１の空気配管１４０を介して接続される入力ポー
ト２０と、駆動装置１２に第２の空気配管１４１を介して接続される出力ポート２１と、
駆動装置１２からの排気を排出する排気ポート２２とを備える。

ソレノイド部３は、通電時に、入力ポート２０と出力ポート２１との間を連通するよう
に、スプール部２を変位させ、非通電時に、出力ポート２１と排気ポート２２との間を連
通するように、スプール部２を変位させる。

上述した一連の構成により、電磁弁１が通電状態である場合には、空気供給源１４から
の空気Ａ（給気）が、第１の空気配管１４０、入力ポート２０、出力ポート２１及び第２
の空気配管１４１の順に流れて、空気給排口１２４に供給されることで、第２のピストン
１２２Ｂが押圧されてコイルばね１２３が圧縮する。そして、コイルばね１２３の圧縮に
応じてピストンロッド１２１が移動した分だけピストンロッド１２１及び伝達機構１２５
を介して弁軸１３が回転駆動されると、弁箱１１０内で弁体１１１が回転し、主弁１１が
全開状態に操作される。

一方、電磁弁１が非通電状態である場合には、シリンダ１２０内の空気Ａ（排気）が、
空気給排口１２４から第２の空気配管１４１、出力ポート２１及び排気ポート２２の順に
流れて、外気に排出されることで、第２のピストン１２２Ｂの押圧力が低下し、コイルば
ね１２３が圧縮状態から復元する。そして、コイルばね１２３の復元に応じてピストンロ
ッド１２１が移動した分だけ伝達機構１２５を介して弁軸１３が回転駆動されると、弁箱
１１０内で弁体１１１が回転し、主弁１１が全閉状態に操作される。

図２は、本発明の一実施の形態に係る電磁弁１の一例を示す断面図である。本実施の形
態に係る電磁弁１は、図２に示すように、上記のスプール部２及びソレノイド部３に加え
て、電磁弁１の各部の状態を取得する複数のセンサ４と、複数のセンサ４のうち少なくと
も１つが載置された基板５と、スプール部２、ソレノイド部３、複数のセンサ４及び基板
５を収容する収容部６とを備える。

収容部６は、スプール部２を収容する第１の収容部６０と、第１の収容部６０に隣接さ
れるとともに、ソレノイド部３、複数のセンサ４及び基板５を収容する第２の収容部６１
と、通信ケーブル１５０及び電力ケーブル１６０が接続されるターミナルボックス６２と
を備える。第１の収容部６０及び第２の収容部６１は、例えば、アルミニウム等の金属材
料で製作されている。

第１の収容部６０は、入力ポート２０、出力ポート２１及び排気ポート２２として、そ
れぞれ機能する開口部（不図示）を有する。

第２の収容部６１は、両端（第１のハウジング端部６１０ａ及び第２のハウジング端部
６１０ｂ）が開放された円筒状のハウジング６１０と、ハウジング６１０の内部に配置さ
れるボディー６１１と、第１のハウジング端部６１０ａに固定されたソレノイド部３を外
気から覆うソレノイドカバー６１２と、第２のハウジング端部６１０ｂに固定されたター
ミナルボックス６２を外気から覆うターミナルボックスカバー６１３とを備える。

ハウジング６１０は、その下部に形成されて弁軸１３の第２の端部１３０Ｂが挿入され
る軸挿入口６１０ｃと、その上部に形成されてボディー６１１が挿入されるボディー挿入
口６１０ｄと、第２のハウジング端部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。

第１の収容部６０及び第２の収容部６１には、ボディー６１１を貫通するようにして、
入力側流路２６から分岐して入力側流路２６と第１の圧力センサ４０との間を連通する第
１の流路６３と、出力側流路２７から分岐して出力側流路２７と第２の圧力センサ４１と
の間を連通する第２の流路６４と、スプール部２とソレノイド部３とを連動させるための
空気Ａが流れるスプール流路６５が形成されている。

スプール部２は、スプールケースとして機能する第２の収容部６１内に形成されたスプ
ールホール２３と、スプールホール２３内に移動可能に配置されたスプールバルブ２４と
、スプールバルブ２４を付勢するスプールスプリング２５と、入力ポート２０とスプール
ホール２３との間を連通する入力側流路２６と、出力ポート２１とスプールホール２３と
の連通する出力側流路２７と、排気ポート２２とスプールホール２３との間を連通する排
気流路２８とを備える。

ソレノイド部３は、ソレノイドケース３０と、ソレノイドケース３０内に収容されたソ
レノイドコイル３１と、ソレノイドコイル３１内に移動可能に配置された可動鉄芯３２と
、ソレノイドコイル３１内に固定状態で配置された固定鉄芯３３と、可動鉄芯３２を付勢
するソレノイドスプリング３４とを備える。

電磁弁１が非通電状態から通電状態に切り替えられた場合には、ソレノイド部３におい
て、コイル電流がソレノイドコイル３１に流れることによりソレノイドコイル３１が電磁
力を発生し、当該電磁力により可動鉄芯３２がソレノイドスプリング３４の付勢力に抗し
て固定鉄芯３３に吸引されることで、スプール流路６５を流れる空気Ａの流通状態が切り
替えられる。そして、スプール部２において、スプール流路６５を流れる空気Ａの流通状
態が切り替えられたことにより、スプールバルブ２４がスプールスプリング２５の付勢力
に抗して移動されることで、入力ポート２０と排気ポート２２との間を連通する状態から
、入力ポート２０と出力ポート２１との間を連通する状態に切り替えられる。

基板５は、基板面５００Ａ、５００Ｂが軸挿入口６１０ｃから挿入された弁軸１３に沿
うように配置された第１の基板５０と、ターミナルボックス６２に近接して配置された第
２の基板５１と、ソレノイド部３に近接して配置された第３の基板５２とを備える。

第１の基板５０の基板面５００Ａ、５００Ｂのうち、第１の基板面５００Ａ側には、ボ
ディー６１１、ソレノイド部３及び第３の基板５２が配置される。第１の基板面５００Ａ
側と反対側の第２の基板面５００Ｂ側には、第２の基板５１及びターミナルボックス６２
が配置される。

第１の基板５０、第２の基板５１及び第３の基板５２の適所には、センサ４が配置され
ている。このセンサ４としては、例えば、入力側流路２６及び第１の流路６３を流れる空
気Ａの流体圧を計測する第１の圧力センサ４０と、出力側流路２７及び第２の流路６４を
流れる空気Ａの流体圧を計測する第２の圧力センサ４１と、弁軸１３が回転駆動するとき
の回転角度を計測し、当該回転角度に応じて主弁１１の弁開度情報を取得する主弁開度セ
ンサ４２とを含む。

主弁開度センサ４２は、例えば、磁気センサにより構成されており、弁軸１３の第２の
端部１３０Ｂに取り付けられた永久磁石１３１が発生する磁気の強さを計測し、当該磁気
の強さに応じて主弁１１の弁開度情報を取得する。この主弁開度センサ４２は、軸挿入口
６１０ｃから挿入された弁軸１３に沿うように配置された第１の基板５の第１の基板面５
００Ａのうち弁軸１３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、弁軸１３の第２の端部１３０Ｂ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。

図３は、本発明の一実施の形態に係る電磁弁１の一例を示すブロック図である。電磁弁
１は、図３に示すように、電気的な構成例として、上記の基板３及びセンサ４の他に、電
磁弁１を制御する制御部７と、外部装置１５と通信するための通信部８と、外部電源１６
に接続される電源回路部９とを備える。

複数のセンサ４は、各部の物理量を計測するセンサ群として、上記の第１の圧力センサ
４０、第２の圧力センサ４１及び主弁開度センサ４２の他に、ソレノイド部３に対する供
給電圧を計測する電圧センサ４３と、ソレノイド部３における通電時の電流値及び非通電
時の抵抗値を計測する電流・抵抗センサ４４と、収容部６の内部温度を計測する温度セン
サ４５と、ソレノイド部３が発生する磁気の強さを計測する磁気センサ４６とを備える。

また、複数のセンサ４は、各部の動作履歴に関する情報を取得するセンサ群として、ソ
レノイド部３の稼働時間としてソレノイド部に対する通電時間の合計及び現在の通電連働
時間の少なくとも一方を計測する稼働時間計（タイマ）４７と、電磁弁１、駆動装置１２
及び主弁１１それぞれの作動回数を計数する作動カウンタ（カウンタ）４８とを備える。

また、これらのセンサ４０〜４８は、上述のようにそれぞれのセンサが個別に設けられ
たものに限られず、特定のセンサが他のセンサの機能を兼ねることで、当該他のセンサが
個別に設けられていなくてもよい。例えば、磁気センサ４６が、ソレノイド部３が発生す
る磁気の強さを計測するとともに、当該磁気の強さに基づいてソレノイド部３における通
電時の電流値を求めることで、電流・抵抗センサ４４が個別に設けられていなくてもよい
。また、マイクロコントローラ７０が、センサの機能を内蔵したり、センサの機能の一部
を実現したりしてもよく、例えば、マイクロコントローラ７０が、稼働時間計４７及び作
動カウンタ４８を内蔵することで、稼働時間計４７及び作動カウンタ４８が個別に設けら
れていなくてもよい。

制御部７は、複数のセンサ４により取得された電磁弁１の各部の状態を示す情報を処理
するとともに、電磁弁１の各部を制御するマイクロコントローラ７０と、ソレノイド部３
の通電状態を制御し、試験運転時における主弁１１の開閉操作を行うバルブテストスイッ
チ７１とを備える。

マイクロコントローラ７０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎ
ｉｔ）等のプロセッサ（不図示）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、Ｒ
ＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等により構成されるメモリとを備え
る。このマイクロコントローラ７０は、本実施の形態において後述するデータ処理システ
ム３００を実現する機能を含むことができる。

バルブテストスイッチ７１は、所定の試験運転条件が満たされた場合にマイクロコント
ローラ７０からの指令を受けて、試験運転として、流体圧駆動弁１０のストロークテスト
を実行するためのものである。

ストロークテストは、例えば、フルストロークテスト及びパーシャルストロークテスト
のいずれかにより実行される。フルストロークテストは、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。

なお、試験運転条件としては、例えば、管理者により設定値として指定された実行頻度
（例えば、１年に１回）による実行時期や特定の指定日時が到来したり、外部装置１５か
らの実行命令を受け付けたり、電磁弁１に設けられた試験実行ボタン（不図示）が管理者
により操作されたりした場合に、試験運転条件を満たすものとして、試験運転（ストロー
クテスト）が実行されるようにすればよい。

（機械学習装置）
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。

図４は、本発明の一実施の形態に係る機械学習装置２００の概略ブロック図である。本
実施の形態に係る機械学習装置２００は、図４に示すように、学習用データセット取得ユ
ニット２０１と、学習用データセット記憶ユニット２０２と、学習ユニット２０３と、学
習済モデル記憶ユニット２０４とを備えている。

学習用データセット取得ユニット２０１は、例えば有線又は無線の通信回線を介して接
続された各種機器から学習（トレーニング）用データセットを構成する複数のデータを取
得するためのインタフェースユニットである。ここで、学習用データセット取得ユニット
２０１に接続される各種機器としては、例えば外部装置１５や流体圧駆動弁１０の作業者
が使用する作業者用コンピュータＰＣ１等を挙げることができる。なお、図４においては
外部装置１５とコンピュータＰＣ１とは別々に接続された例を示しているが、外部装置１
５と作業者用コンピュータＰＣ１とは同一のコンピュータにより構成されていてもよい。
この学習用データセット取得ユニット２０１では、流体圧駆動弁１０の複数のセンサ４の
検出データを入力データとして例えば外部装置１５から取得すると共に、この入力データ
に関連付けられる流体圧駆動弁１０の診断情報を出力データとして、例えば作業者用コン
ピュータＰＣ１から取得することができる。そして、これら互いに関連付けられる入力デ
ータと出力データとが、後述する一の学習用データセットを構成する。

図５は、本発明の一実施の形態に係る機械学習装置２００で使用されるデータの構成例
（教師あり学習）を示す図である。図６は、本発明の一実施の形態に係る機械学習装置２
００で使用されるデータの構成例（教師なし学習）を示す図である。なお、図５、図６は
、データ処理システム及び推論装置の説明でも適宜参照する。

学習用データセットは、図５、図６に示すように、入力データとして、少なくとも、主
弁１１の弁開度、空気Ａの圧力、ソレノイド部３の制御パラメータ、及び、流体圧駆動弁
１０の温度を、出力データとして、流体圧駆動弁１０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。

主弁１１の弁開度は、主弁１１の開閉状態の値を指すものであって、上述した主弁開度
センサ４２より取得できる。また、流体圧駆動弁１０の温度は、流体圧駆動弁１０の特に
内部温度の値を指すものであって、上述した温度センサ４５により取得できる。

空気Ａの圧力は、流体圧駆動弁１０の内部の各部を流れる空気Ａの圧力であることが好
ましく、具体的には、空気供給源１４から電磁弁１に供給される空気Ａの電磁弁入力側圧
力、電磁弁１から駆動装置１２に給排される空気Ａの電磁弁出力側圧力、及び、空気Ａの
電磁弁入力側圧力と空気Ａの電磁弁出力側圧力との差圧の少なくとも１つを含むことが好
ましい。また、空気Ａの電磁弁出力側圧力は、電磁弁１から駆動装置１２に給排される空
気Ａの圧力であって、電磁弁１から駆動装置１２に空気Ａが供給されるときの空気Ａ（給
気）の圧力と、駆動装置１２から電磁弁１を介して外気に空気Ａが排出されるときの空気
Ａ（排気）の圧力とを含む。このうち、空気Ａの電磁弁入力側圧力は上述した第１の圧力
センサ４０により取得でき、空気Ａの電磁弁出力側圧力は上述した第２の圧力センサ４１
により取得でき、差圧は第１の圧力センサ４０と第２の圧力センサ４１の出力から算出で
きる。

ソレノイド部３の制御パラメータは、ソレノイド部３を制御するための各種パラメータ
情報であって、具体的にはソレノイドコイル３１へ供給される供給電圧、ソレノイドコイ
ル３１への通電時の電流値、ソレノイドコイル３１の非通電時における抵抗値、ソレノイ
ド部３の稼働時間、及び、ソレノイド部３に生じる磁気の強度の少なくとも１つを含むこ
とが好ましい。このうち、ソレノイドコイル３１へ供給される供給電圧は上述した電圧セ
ンサ４３により取得でき、ソレノイドコイル３１への通電時の電流値及び非通電時におけ
る抵抗値は上述した電流・抵抗センサ４４により取得でき、ソレノイド部３の稼働時間は
上述した稼働時間計４７により取得でき、ソレノイド部３に生じる磁気の強度は上述した
磁気センサ４６により取得できる。

なお、入力データを構成する主弁１１の弁開度、空気Ａの圧力、ソレノイド部３の制御
パラメータ、及び、流体圧駆動弁１０の温度は、それぞれがある特定の時点における１つ
のデータ（時点データ）で構成されていてもよいし、図５、図６の括弧書きで示すように
、所定期間内の異なる複数の時点でそれぞれ取得された複数のデータ（時系列データ）で
構成されていてもよい。なお、各データが時系列データで構成されている場合には、主弁
１１の弁開度の時系列データ、空気Ａの圧力の時系列データ、ソレノイド部３の制御パラ
メータの時系列データ、及び、流体圧駆動弁１０の温度の時系列データの各々は、同一の
サンプリング周期及び同一の位相（位相差がない状態）で複数の時点で取得されたもので
もよいし、サンプリング周期及び位相の少なくとも一方が異なるものでもよい。推論の精
度を効果的に向上させるためには、後者の時系列データの形式であることが好ましい。

流体圧駆動弁１０の診断情報は、流体圧駆動弁１０に対する異常診断が行われたときの
、流体圧駆動弁１０に何らかの異常が発生しているか否かを示す情報であって、そのデー
タ形式としては種々のものを採用することができる。異常は、異常診断が行われた時点に
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、異常診断が行われた時点では
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。

例えば、一態様としての診断情報は、図５に示すように、流体圧駆動弁１０が正常であ
ること（異常なし）及び異常であること（異常あり）のいずれかを表す情報で構成するこ
とができる。この場合、診断情報は、２値に分類され、例えば流体圧駆動弁１０が正常な
状態であることを示す値を「０」とし、流体圧駆動弁１０が異常な状態であることを示す
値を「１」として、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。なお、この場合には具体的な異常の内容に関す
る情報は必ずしも必要ない。

加えて、上記診断情報のうち、異常であることを表す情報は、図５の破線で示すように
、異常の具体的な内容をも含んでいてもよい、異常の具体的な内容としては、例えば、主
弁１１の動作不良、空気Ａ回路の不良、空気供給源１４からの空気Ａの供給圧力の異常、
ソレノイド部３における供給電圧異常、ソレノイドコイル３１の劣化・破損、電気回路の
短絡、ソレノイド部３の寿命、流体圧駆動弁１０の異常発熱、鉄芯の動作不良等が含まれ
る。この場合、診断情報は、多値（３以上）に分類され、例えば流体圧駆動弁１０が正常
な状態であることを示す値を「０」とし、流体圧駆動弁１０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」、流体圧駆動弁１０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６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５参照。）を行う場合に利用されるものである。

また、流体圧駆動弁１０の診断情報としては、上述したもの以外にも採用することがで
きる。例えば、他の態様としての診断情報は、図６に示すように、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とすることができる。この場合、診断情報には流
体圧駆動弁１０が正常であることを表す情報しか含まれないため、必然的にこの診断情報
を出力データとして含む学習用データセットは、流体圧駆動弁１０が正常である場合の入
力データと出力データとで構成されたデータセットのみとなる。したがって、この場合に
おける学習用データセットの出力データは常に同じであるため、学習用データセットは出
力データをデータとして有している必要は必ずしもないことは、当業者であれば当然に理
解できるであろう。当該他の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
、教師なし学習（図６参照。）を行う場合に利用されるものである。

オプションとして、学習用データセット内の入力データには、更に、流体圧駆動弁１０
の総稼働時間、流体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間、主弁
１１の作動回数、駆動装置１２の作動回数、ソレノイド部３の作動回数、及び、主弁１１
の開閉時間を選択的に含むことができる。このうち、流体圧駆動弁１０の総稼働時間と流
体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間とは上述した稼働時間計
４７により取得でき、主弁１１の作動回数と駆動装置１２の作動回数とソレノイド部３の
作動回数とは上述した作動カウンタ４８により取得でき、主弁１１の開閉時間は図示しな
いタイマ等を用いて取得できる。入力データの種類を増やすことは、機械学習の後に得ら
れる学習済モデルの推定精度を向上させるのに概ね寄与するものであるが、診断情報との
相関度合いが低い入力データを採用することは、却って学習済モデルの推定精度の向上を
阻害する可能性がある。したがって、入力データとして採用するデータの数及び種類につ
いては、学習済モデルが適用される流体圧駆動弁１０の状態等を考慮して適宜選択される
べきものである。

学習用データセット記憶ユニット２０２は、学習用データセット取得ユニット２０１で
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４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。

学習ユニット２０３は、学習用データセット記憶ユニット２０２に記憶された複数の学
習用データセットを用いて機械学習を実行することで、複数の学習用データセットに含ま
れる入力データと出力データとの相関関係を学習した学習済モデルを生成するものである
。本実施の形態においては、後に詳しく説示するように、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用いた教師あり学習を採用している。ただし、機械学習の具体
的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データ
セットから学習することができるものであれば他の学習手法を採用することも可能である
。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることも
できる。

学習済モデル記憶ユニット２０４は、学習ユニット２０３で生成された学習済モデルを
記憶するためのデータベースである。この学習済モデル記憶ユニット２４に記憶された学
習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実シス
テムへ適用される。実システム（データ処理システム３００）に対する学習済モデルの具
体的な適用態様については、後に詳述する。

次に、上述のようにして得られた複数の学習用データセットを用いた、学習ユニット２
０３における学習手法について、教師あり学習を中心に説明する。図７は、本発明の一実
施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネット
ワークモデルの例を示す図である。図７に示すニューラルネットワークモデルにおけるニ
ューラルネットワークは、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）から構成されている。
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あってもよく
、あるいは第１中間層のみを隠れ層とするものであってもよい。なお、図７においては、
出力層が複数個（ｏ個）設定されたニューラルネットワークモデルを例示しているが、例
えば上述した診断情報が一の値から特定されるものである場合、すなわち、後述する教師
データの数が１個（ｔ１のみ）である場合には、出力層のニューロンの数も１個（ｚ１の
み）とすることができる。

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、層間のニューロンを接続するノードが張られており、それぞれのノードに
は、重みｗｉ（ｉは自然数）が対応づけられている。

本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは
、学習用データセットを用いて、主弁１１の弁開度、空気Ａの圧力、ソレノイド部３の制
御パラメータ、及び、流体圧駆動弁１０の温度と、流体圧駆動弁１０の診断情報との相関
関係を学習する。具体的には、状態変数としての主弁１１の弁開度、空気Ａの圧力、ソレ
ノイド部３の制御パラメータ、及び、流体圧駆動弁１０の温度のそれぞれを入力層のニュ
ーロンに対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの
出力値の算出方法で、つまり、出力側のニューロンの値を、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。

そして、算出された出力層にあるｏ個のニューロンｚ１〜ｚｏの値、すなわち本実施の
形態においては１以上の診断情報と、学習用データセットの一部を構成する、同じく１以
上の診断情報からなる教師データｔ１〜ｔｏとを、それぞれ比較して誤差を求め、求めら
れた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプ
ロバケーション）ことを反復する。

そして、上述した一連の工程を所定回数反復実施すること、あるいは前記誤差が許容値
より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニュー
ラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習
済モデルとして学習済モデル記憶ユニット２０４に記憶する。

（機械学習方法）
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５（学習フェーズ）、図６（学習フェーズ）、図７、図８を参照して説明
を行う。図８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。

本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始するための
事前準備として、先ず、所望の数の学習用データセット（図５参照。）を準備し、準備し
た複数個の学習用データセットを学習用データセット記憶ユニット２０２に記憶する（ス
テップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる
学習済みモデルに求められる推論精度を考慮して設定するとよい。

この教師あり学習に用いられる学習用データセットを準備する方法にはいくつかの方法
が採用できる。例えば特定の流体圧駆動弁１０において異常が発生した場合、あるいは作
業者が異常の兆候を認識した場合において、そのときの流体圧駆動弁１０の定常運転時に
おける各種情報を複数のセンサ４等を用いて取得し、これらの情報に関連付ける形で作業
者が診断情報を、作業用コンピュータＰＣ１等を用いて特定・入力することで、学習デー
タセット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所望の数の学習用データセッ
トを準備する方法が採用できる。なお、学習用データセットを準備する方法としてはこの
ような方法以外にも、例えば積極的に流体圧駆動弁１０に異常状態を作ることで学習用デ
ータセットを取得する等、種々の方法を採用することができる。ただし、流体圧駆動弁１
０の各種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、すなわち流体圧駆動弁１０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。

ステップＳ１１が完了すると、次いで学習ユニット２０３における学習を開始すべく、
学習前のニューラルネットワークモデルを準備する（Ｓ１２）。ここで準備される学習前
のニューラルネットワークモデルは、その構造としては、例えば図７で示した構造を有し
、且つ各ノードの重みが初期値に設定されている。そして、学習用データセット記憶ユニ
ット２０２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用
データセットを選択し（ステップＳ１３）、当該一の学習用データセット中の入力データ
を、準備された学習前のニューラルネットワークモデルの入力層（図７参照。）に入力す
る（ステップＳ１４）。

ここで、上記ステップＳ１４の結果として生成された出力層（図７参照。）の値は、学
習前のニューラルネットワークモデルによって生成されたものであるため、ほとんどの場
合望ましい結果とは異なる値、すなわち、正しい診断情報とは異なる情報を示す値である
。そこで、次に、ステップＳ１３において取得された一の学習用データセット中の教師デ
ータとしての診断情報とステップＳ１３において生成された出力層の値とを用いて、機械
学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構
成する診断情報と出力層の値とを比較し、好ましい出力層が得られるよう、学習前のニュ
ーラルネットワークモデル内の各ノードに対応付けられた重みを調整する処理（バックプ
ロパゲーション）であってよい。なお、学習前のニューラルネットワークモデルの出力層
に出力される値の数及び形式は、学習対象としての学習用データセット中の教師データと
同様の数及び形式である。

ここでいう機械学習について具体的に例示すると、仮に、教師データを構成する診断情
報が、正常の場合を「０」とし、異常の場合を「１」としたいずれかの値（２値分類）で
構成され、且つステップＳ１３で選択された一の学習用データセット内の出力データの値
が「１」である場合、出力層の値は、０〜１の所定の値、具体的に言えば、例えば「０．
６３」といった値が出力される。そこで、ステップＳ１５では、仮に同様の入力データが
入力層に入力された場合に学習中のニューラルネットワークモデルによって得られる値が
「１」に近づくように、当該学習中のニューラルネットワークモデルの各ノードに対応付
けられた重みを調整する。

ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があ
るか否かを、例えば学習用データセット記憶ユニット２０２内に記憶された未学習の学習
用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続
する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合
（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合
には、学習中のニューラルネットワークモデルに対してステップＳ１３〜Ｓ１５の工程を
未学習の学習用データセットを用いて複数回実施する。最終的に生成される学習済モデル
の精度は、一般にこの回数に比例して高くなる。

機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各ノードに対応付けられた
重みが一連の工程によって調整され生成されたニューラルネットワークを学習済モデルと
して、学習済モデル記憶ユニット２０４に記憶し（ステップＳ１７）、一連の学習プロセ
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。

上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデ
ルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回
の機械学習処理を繰り返し実行することでその精度を向上させ、データ処理システム３０
０に適用するに足る学習済モデルを得るものを説示している。しかし、本発明はこの取得
方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補とし
て複数個学習済モデル記憶ユニット２０４に格納しておき、この複数個の学習済モデル群
に妥当性判断用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層
で特定された値の精度を比較検討して、データ処理システム３００に適用する最良の学習
済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に
用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていな
いものであればよい。

以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用すること
により、流体圧駆動弁１０の適所に設けられた複数のセンサ４により取得される各種デー
タから、異常（事後的な異常及び異常の予兆を含む。）が発生するか否かを示す診断情報
を的確に導出することが可能な学習済モデルを得ることができる。

上記機械学習装置２００の学習方法及び機械学習方法では、「教師あり学習」について
説明したが、学習済みモデルを生成する方法としては、畳み込みニューラルネットワーク
（CNN）等のその他の公知の「教師あり学習」の手法を用いることでもよいし、また、出
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６
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、流体圧駆動弁１０の正常状
態の情報しか入手できない場合であっても、図６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６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。

（データ処理システム）
次に、図９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９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。

本実施の形態に係るデータ処理システム３００としては、上述した流体圧駆動弁１０の
マイクロコントローラ７０内に搭載された態様を例示する。なお、このデータ処理システ
ム３００については、その少なくとも一部を他の機器、例えば外部装置１５や流体圧駆動
弁１０に接続された他の装置に適用することも可能である。

このデータ処理システム３００は、入力データ取得ユニット３０１と、推論ユニット３
０２と、学習済モデル記憶ユニット３０３と、報知ユニット３０４とを少なくとも含むも
のである。

入力データ取得ユニット３０１は、流体圧駆動弁１０が有する複数のセンサ４に接続さ
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、ソレ
ノイド部３の制御パラメータ、及び、流体圧駆動弁１０の温度を取得する。なお、図９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３
０１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
。

推論ユニット３０２は、入力データ取得ユニット３０１により取得された流体圧駆動弁
１０の各種データから、流体圧駆動弁１０に異常が発生しているか否かを推論するための
ものである。この推論には、例えば上述した機械学習装置２００及び機械学習方法を用い
て学習が行われた学習済モデルが用いられ、この学習済モデルは任意の記憶媒体で構成さ
れた学習済モデル記憶ユニット３０３内に格納されている。なお、この推論ユニット３０
２は、学習済モデル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、
入力データ取得ユニット３０１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
習済モデルに入力する前処理機能や、推論処理の後処理として、学習済モデルが出力した
出力値に、例えば所定の閾値を適用することで異常（事後的な異常及び異常の予兆を含む
。）の発生の有無（異常なし（正常）又は異常あり（異常））を最終的に判断する後処理
機能をも含んでいる。

学習済モデル記憶ユニット３０３は、上述した通り、推論ユニット３０２において用い
られる学習済モデルを格納するための記憶媒体である。この学習済モデル記憶ユニット３
０３内に格納される学習済モデルの数は１つに限定されない。例えば入力されるデータの
数が異なる、あるいはその学習手法の異なる（例えば、上述した機械学習装置２００等で
実施される教師あり学習と教師なし学習）複数個の学習済モデルが格納され、選択的に利
用可能とすることができる。

報知ユニット３０４は、推論ユニット３０２の推論結果を作業者等に報知するためのも
のである。具体的な報知の手段は種々採用でき、例えば推論結果を通信部８を介して外部
装置１５に送信し、外部装置１５のＧＵＩに表示等を行ったり、流体圧駆動弁１０に予め
発光部材やスピーカ等を設け、それらを動作させたりすることで、作業者等に異常の発生
の有無を知らせることができる。

以上の構成を備えたデータ処理システムによるデータ処理プロセスについて、図５（推
論フェーズ）、図６（推論フェーズ）、図１０を参照して以下に説明を行う。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３００によるデータ処理工程の例を示す
フローチャートである。

流体圧駆動弁１０の電磁弁１に外部電源１６からの電力の供給が開始され、それに伴っ
て流体圧駆動弁１０の異常の診断が開始されると、入力データ取得ユニット３０１が、複
数のセンサ４により取得された流体圧駆動弁１０の各部の状態を示す各種データを取得す
る（ステップＳ２１）。入力データ取得ユニット３０１が、所望の入力データ（主弁１１
の弁開度、空気Ａの圧力、ソレノイド部３の制御パラメータ、及び、流体圧駆動弁１０の
温度（図５、図６参照。））を取得できた時点で、当該入力データに基づく推論ユニット
３０２による推論が実施される（ステップＳ２２）。このとき、推論に用いられる学習済
モデルは事前に特定されていることが好ましい。また、事前に特定された学習済モデルが
、例えばその入力データとして所定の時系列データを要するものである場合には、入力デ
ータ取得ユニット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。

具体的には、推論ユニット３０２は、入力データに前処理を施して学習モデル済モデル
に入力するとともに、その学習モデル済モデルからの出力値に対して後処理を施すことに
より、推論結果である異常（事後的な異常及び異常の予兆を含む。）の発生の有無を判断
する。教師あり学習（図５の「推論フェーズ」参照。）における後処理では、推論ユニッ
ト３０２は、学習モデル済モデルの出力値（２値分類であれば、０〜１の間の数）と所定
の閾値とを比較し、例えば、学習モデル済モデルの出力値が、所定の閾値以上であれば「
異常あり（異常）」、所定の閾値未満であれば「異常なし（正常）」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。また、教師なし学習（図６の「推論フェーズ」
参照。）における後処理では、推論ユニット３０２は、学習モデル済モデルの出力値（特
徴量）と、入力データに基づく特徴量との差（距離）を求め、その差（距離）が所定の閾
値以上であれば「異常あり（異常）」、所定の閾値未満であれば「異常なし（正常）」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。

そして、ステップＳ２２において、推論ユニット３０２による推論が実施された結果、
その推論結果が「異常なし（正常）」を示す場合（ステップＳ２３でＮｏ）には、引き続
き一連の推論を継続するようステップＳ２１に戻る。一方、その推論結果が、図５、図６
に示すように、「異常あり（異常）」を示す場合（ステップＳ２３でＹｅｓ）には、報知
ユニット３０４により推論結果が「異常あり（異常）」であること、すなわち、流体圧駆
動弁１０に異常（事後的な異常及び異常の予兆を含む。）が発生したことを作業者等に報
知する（ステップＳ２４）。そして、ステップＳ２４において異常の発生を報知した後は
、引き続き一連の推論を継続するようステップＳ２１に戻る。なお、流体圧駆動弁１０の
使用用途や検出された異常の内容によっては、異常が検出された段階で流体圧駆動弁１０
を停止するといった対応を実行するようにしてもよい。

（推論装置）
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、ソ
レノイドの制御パラメータ、及び、流体圧駆動弁の温度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３
００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。

本発明は上述した実施の形態に限定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。

１…電磁弁、３…ソレノイド部、４…センサ、１０…流体圧駆動弁、１１…主弁、１２…
（流体圧式）駆動装置、１４…空気供給源、１５…外部装置、２６…入力側流路、２７…
出力側流路、２８…排気流路、３０…ソレノイドケース、３１…ソレノイドコイル、３２
…可動鉄芯、４０…第１の圧力センサ、４１…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 (11)

1. 主弁と、前記主弁を駆動する駆動装置と、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備える電磁弁と、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、前記駆動流体の圧力、前記ソレノイド部の制御パラメータ、及び、
   前記流体圧駆動弁の温度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流体
   圧駆動弁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。
2. 前記診断情報は、前記流体圧駆動弁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。
3. 前記診断情報は、前記流体圧駆動弁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。
4. 前記流体圧駆動弁は、前記駆動流体を前記電磁弁に供給するための駆動流体供給源に接
   続され、
   前記入力データを構成する前記駆動流体の圧力は、前記駆動流体供給源から前記電磁弁
   に供給される前記駆動流体の電磁弁入力側圧力、前記電磁弁から前記駆動装置に給排され
   る前記駆動流体の電磁弁出力側圧力、及び、前記電磁弁入力側圧力と前記電磁弁出力側圧
   力との差圧、の少なくとも１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. 前記入力データを構成する前記ソレノイド部の制御パラメータは、前記ソレノイド部の
   供給電圧、前記ソレノイド部の通電時の電流値、前記ソレノイド部の抵抗値、前記ソレノ
   イド部の稼働時間、及び、前記ソレノイド部の磁気強度、の少なくとも１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. 前記流体圧駆動弁は、前記流体圧駆動弁の稼働時間を検出するタイマを更に備え、
   前記入力データは、前記タイマにより取得される流体圧駆動弁の総稼働時間と、前記流
   体圧駆動弁に対して最後に電源が投入されてからの稼働時間とを更に含む、
   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。
7. 前記流体圧駆動弁は、前記主弁、前記駆動装置、及び、前記ソレノイド部の作動回数を
   それぞれ検出するカウンタを更に備え、
   前記入力データは、前記主弁の作動回数と、前記駆動装置の作動回数と、前記ソレノイ
   ド部の作動回数とを更に含む、
   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. 前記入力データは、前記主弁の開閉時間を更に含む、
   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。
9. 主弁と、前記主弁を駆動する駆動装置と、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、前記駆動流体の圧力、前記ソレノイド部の制御パラメータ、及び、
   前記流体圧駆動弁の温度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
   流体圧駆動弁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。
10. 主弁と、前記主弁を駆動する駆動装置と、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、前記駆動流体の圧力、前記ソレノイド部の制御パラメータ、及び、
    前記流体圧駆動弁の温度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、前記流体圧駆動弁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。
11. 主弁と、前記主弁を駆動する駆動装置と、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、前記駆動流体の圧力、前記ソレノイド部の制御パラメータ、及び、
    前記流体圧駆動弁の温度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流体
    圧駆動弁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。

Images