JP7311571B2 - 粉体処理システムの診断装置、診断方法、及びコンピュータプログラム - Google Patents

Description

本発明は、粉体処理システムの診断装置、診断方法、及びコンピュータプログラムに関する。

粉体処理プロセスは、貯蔵、供給、輸送、粉砕、分級、混合、乾燥、造粒、複合化、球形化など種々のプロセスの組み合わせにより構成される（例えば、特許文献１を参照）。ユーザが望む品質を持った製品又は中間体を安定的に得るためには、各種プロセスの状態が適切であるか否かを適宜モニタリングする必要がある。

特開２００８－１９４５９２号公報

しかしながら、粉体処理プロセスの状態を示すパラメータは多種多様であり、粉体処理システムからは非常に数多くの計測値が出力される。このため、処理中に計測される計測値に基づき、粉体処理システムの健全性をユーザが把握することは困難である。

本発明は、粉体処理システムの健全性を診断できる粉体処理システムの診断装置、診断方法、及びコンピュータプログラムを提供することを目的とする。

本発明の一態様に係る粉体処理システムの診断装置は、粉体原料を粉砕する粉砕ロータ、又は前記粉体原料を粉砕して得られる粉体を分級する分級ロータを含む粉体処理システムに関して、前記粉体処理システム内に流れる流体の流量、前記粉砕ロータの回転速度、前記分級ロータの回転速度、及び前記粉体処理システムにおいて発生する振動の振動値の少なくとも１つを含む計測データを取得する取得部と、前記計測データの入力に応じて、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体処理システムから得られる粉体の粒子径分布についての演算結果を出力するよう構成された学習モデルを用いて、前記取得部が取得した計測データに基づき、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布を推定する推定部と、前記推定部による推定結果に基づき、前記粉砕ロータ又は前記分級ロータの劣化度合いを診断する診断部と、前記診断部による診断結果を出力する出力部とを備える。

本願によれば、粉体処理システムの健全性を診断できる。

実施の形態１に係る診断装置の診断対象である粉体処理システムの構成を説明する説明図である。 粉体処理装置の構成を示す模式的断面図である。 集塵機の構成を示す模式的断面図である。 実施の形態１に係る診断装置の内部構成を示すブロック図である。 端末装置の内部構成を示すブロック図である。 実施の形態１における学習モデルの構成例を示す模式図である。 診断装置が収集するデータの一例を示す概念図である。 診断装置による学習モデルの生成手順を説明するフローチャートである。 実施の形態１に係る診断装置の診断手順を説明するフローチャートである。 実施の形態２における学習モデルの構成例を示す模式図である。 実施の形態３における学習モデルの構成例を示す模式図である。 実施の形態４における学習モデルの構成例を示す模式図である。 実施の形態４に係る診断装置の診断手順を説明するフローチャートである。 実施の形態５における学習モデルの構成例を示す模式図である。 実施の形態５に係る診断装置の診断手順を説明するフローチャートである。 実施の形態６における学習モデルの構成例を示す模式図である。 実施の形態６に係る診断装置の診断手順を説明するフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る診断装置１００の診断対象である粉体処理システム１の構成を説明する説明図である。診断装置１００の診断対象は、粉体原料からユーザが所望する粉体を生成する粉体処理システム１である。粉体処理システム１は、例えば、原料供給機２、熱風発生機３、粉体処理装置４、サイクロン５、集塵機６、ブロワ７、製品タンク８、及び集塵タンク９を備える。

原料供給機２は、粉体原料を粉体処理装置４へ供給するための装置である。原料供給機２が粉体処理装置４へ供給する粉体原料は、無機材料、有機材料、又は金属材料の粉体を製造するための原料であり、例えば、粉体塗料、電池材料、磁性材料、トナー材料、染料、樹脂、ワックス、ポリマ、医薬品、触媒、金属粉、シリカ、はんだ、セメント、食品などを含む。

原料供給機２は、原料供給路ＴＰ１を介して粉体処理装置４に接続されている。原料供給路ＴＰ１内には、粉体原料を搬送するためのスクリューフィーダ２１（図２を参照）が設けられている。スクリューフィーダ２１は、粉体原料が固体の場合であって、粉体原料を一定速度で連続的に投入する場合に好ましい。スクリューフィーダ２１に代えて、ダブルダンパーやロータリーバルブ等を用いてもよい。また、熱風発生機３が発生させる熱風を原料供給路ＴＰ１に導入し、熱風と共に粉体原料を粉体処理装置４に供給してもよい。更に、原料供給機２は、ロードセルなどの重量センサＳ９（図４を参照）を用いて重量管理を行い、粉体処理装置４において連続処理を行う場合であっても、装置内滞留量が一定となるように粉体原料の供給量を調節してもよい。また、原料供給機２は、内蔵タイマ（不図示）の出力と、重量センサＳ９により計測される粉体原料の供給量とに基づき、単位時間あたりの粉体原料の供給量（すなわち供給速度）を計測してもよい。重量センサＳ９は、原料供給機２だけでなく、粉体処理装置４、サイクロン５、及び集塵機６に設けられてもよい。

熱風発生機３は、粉体処理装置４に導入する熱風を発生させるための装置であり、加熱ヒータなどの熱源、送風機、及び熱風の温度及び流量を制御する制御装置などを備える。熱風発生機３は、上記の構成に限らず、公知の構成を用いればよい。例えば、粉体処理装置４に導入した熱風の一部を回収し、熱風発生機３と粉体処理装置４との間で循環させてもよい。

熱風発生機３は、気体導入路ＴＰ２を介して粉体処理装置４に接続されている。熱風発生機３が発生させた熱風は、気体導入路ＴＰ２を介し、熱媒として粉体処理装置４に導入される。熱風発生機３が発生させる熱風の温度は、粉体処理装置４で処理される粉体に応じて適宜設定される。例えば、粉体処理装置４において粉体を乾燥させるために２００℃～６００℃程度の熱風を発生させてもよい。

粉体処理装置４は、例えば、装置内に供給された粉体原料を粉砕する粉砕機能と、粉体原料を粉砕して得られる粉体を分級する分級機能とを有する装置である。粉砕機能と分級機能とを有する粉体処理装置４の一例は、ホソカワミクロン株式会社製ＡＣＭパルベライザ（登録商標）である。粉体処理装置４の内部構成については図２を用いて具体的に詳述する。

粉体処理装置４にて処理された粉体は、粉体輸送路ＴＰ３を介してサイクロン５に輸送される。本実施の形態では、粉体処理装置４からサイクロン５に至る粉体輸送路ＴＰ３の中途に粒子径センサＳ５を設置し、粒子径センサＳ５により粉体処理装置４を通過する粉体の粒子径を常時若しくは定期的なタイミング（例えば５秒間隔）にて計測する。サイクロン５により収集される粉体は製品タンク８に取り出され、製品として回収される。

粒子径センサＳ５は、例えばレーザ回折・散乱法を用いて粒度分布を測定する装置であり、Ｄ１０，Ｄ５０，Ｄ９０の値を出力する。ここで、Ｄ１０，Ｄ５０，Ｄ９０は、それぞれ粒度分布における累積体積分布の小径側から累積１０％、５０％、９０％に相当する粒子径を表す。累積体積分布とは、粉末の粒子径（μｍ）と、小径側からの積算頻度（体積％）との関係を表す分布である。Ｄ５０は、一般には平均粒子径（メジアン径）ともいわれる。粒子径センサＳ５は、Ｄ１０，Ｄ５０，Ｄ９０に代えて、粒子径の頻度分布において出現比率が最も大きい粒子径を表すモード径、又は各種算術平均値（個数平均、長さ平均、面積平均、体積平均など）を出力してもよく、累積体積分布などの分布データを出力してもよい。
なお、本実施の形態では、粉体輸送路ＴＰ３に粒子径センサＳ５を設置する構成としたが、原料供給機２、サイクロン５から製品タンク８に至る経路、集塵機６から集塵タンク９に至る経路等の１又は複数箇所に粒子径センサＳ５を設置してもよい。

サイクロン５には、集塵経路ＴＰ４を介して集塵機６が接続されている。集塵機６は、サイクロン５を通過した微粉等を捕集するためのバグフィルタを備える。集塵機６のバグフィルタを通過した気体は、排風路ＴＰ５を通じてブロワ７へ流れ、ブロワ７の排出口から排出される。一方、集塵機６のバグフィルタにより捕集された微粉等は集塵タンク９に取り出され、回収される。

集塵機６には、排風路ＴＰ５を介してブロワ７が接続されている。このブロワ７を駆動することにより、粉体処理装置４からサイクロン５への気体の流れ（すなわち、粉体処理装置４から粉体を取り出す気体の流れ）、及びサイクロン５から集塵機６への気体の流れを形成する。本実施の形態では、集塵機６からブロワ７に至る排風路ＴＰ５の中途に流量センサＳ２（図４を参照）を設置し、粉体処理装置４から粉体を取り出す際の吐出・吸引流量を常時若しくは定期的なタイミング（例えば５秒間隔）にて計測する。排風路ＴＰ５に流量センサＳ２を設置する構成に代えて、原料供給路ＴＰ１、気体導入路ＴＰ２、粉体輸送路ＴＰ３、集塵経路ＴＰ４、ブロワ７の排出口等の１又は複数箇所に流量センサＳ２を設置してもよい。

図１の例では、原料供給機２、熱風発生機３、粉体処理装置４、サイクロン５、集塵機６、及びブロワ７を備える粉体処理システム１について説明したが、粉体処理装置４に接続される機器は、上記のものに限定されず、各種機器を組み合わせて粉体処理システム１を構築することが可能である。また、本実施の形態では、ブロワ７を用いて、粉体処理装置４から粉体を取り出す気体の流れを形成する構成としたが、ブロワ７に代えてポンプを用いてもよい。更に、本実施の形態では、粉体処理装置４に気体（熱風又は冷風）を導入する構成としたが、気体を導入する構成に代えて液体を導入する構成としてもよい。

診断装置１００は、粉体処理システム１を構成する各種装置及び各種センサとの間で必要なデータを授受できるように構成されている。診断装置１００は、粉体処理システム１において計測される各種計測データを取得し、後述する学習モデル２１０（図４を参照）を用いて粉体処理システム１の状態を推定する。そして、診断装置１００は、粉体処理システム１の状態の推定結果に基づき、粉体処理システム１を構成するコンポーネントの健全性を推定する。健全性は、コンポーネントの劣化度合い、又はコンポーネントにおける異常の有無に基づき診断される。診断装置１００は、診断結果を例えば粉体処理システム１の使用者又は管理者が使用する端末装置５００へ通知する。なお、以下の説明では、粉体処理システム１の使用者及び管理者を区別せずに、単にユーザと記載することとする。

図２は粉体処理装置４の構成を示す模式的断面図である。粉体処理装置４は、その内部において粉体処理を行う円筒形状のケーシング４１０を備える。このケーシング４１０には、原料投入口４１１、気体導入口４１２、粉砕ロータ４１３、ガイドリング４１４、分級ロータ４１５、粉体取出口４１６等が設けられている。

ケーシング４１０の素材は、従来から粉体処理装置のケーシングに用いられている公知の材料を用いればよい。具体的には、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＰＨＣ（Steel Plate Hot Commercial）などの鉄系鋼材、ＳＵＳ３０４、ＳＵＳ３１６などのステンレス鋼材、ＦＣ２０、ＦＣ４０などの鉄鋳物材、ＳＣＳ１３、１４などのステンレス鋳物材などの金属、あるいは、セラミックス、ガラスなどを用いればよい。また、内壁面に耐磨耗材を貼り付けるなどすれば、アルミニウム、その他木材や合成樹脂であってもよい。

ケーシング４１０の内面は、装置の耐久性向上のために、ハードクロムメッキ処理などのメッキ処理、タングステンカーバイド溶射などの耐磨耗溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理が施されていてもよい。

また、ケーシング４１０内において、トナーなどの低融点樹脂成分の粉体処理を行う場合、固着成分が製品に混入すると品質不良となる。そこで、処理粉体の付着又は固着による気流の乱れ、または、ケーシング４１０内の閉塞を防ぐために、ケーシング４１０の内面には、バフ研磨、電解研磨、ＰＴＦＥ（Polytetrafluoroethylene）などのコーティング、ニッケルなどのメッキ処理が施されてもよい。

ケーシング４１０には、原料供給機２から供給される粉体原料をケーシング４１０内に投入するための原料投入口４１１が設けられている。この原料投入口４１１は、粉砕ロータ４１３の回転円盤４１３Ａよりも上方の位置に設けられることが好ましい。原料供給機２から供給される粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４１１よりケーシング４１０内に投入される。

ケーシング４１０には、熱風発生機３による熱風（気体）をケーシング４１０内に導入するための気体導入口４１２が設けられている。気体導入口４１２は、気体導入路ＴＰ２を介して熱風発生機３に接続されている。この気体導入口４１２の位置は特に限定されないが、回転する粉砕ロータ４１３を介してケーシング４１０内に気体が導入されるように、粉砕ロータ４１３よりも下方の位置に設けられることが好ましい。本実施の形態では、粉砕ロータ４１３の回転方向と交差する方向から気体を導入する構成としたが、粉砕ロータ４１３の回転方向に沿って気体を導入する構成としてもよい。

気体導入口４１２から導入された気体は、ケーシング４１０内部を旋回しつつ循環する気流を形成すると共に、ケーシング４１０の内部から分級ロータ４１５を経て、粉体取出口４１６からサイクロン５及び集塵機６に到達する。ケーシング４１０内の気流は、サイクロン５及び集塵機６を介して接続されているブロワ７による吸引によって形成されてもよく、気体導入口４１２側からの吹き込み（加圧）によって形成されてもよい。ケーシング４１０内に導入される気体の種類は、目的とする処理品に応じて適宜決めればよい。例えば、空気を用いてもよく、酸化防止のために、窒素、アルゴンなどの不活性ガスを用いてもよい。

処理対象の粉体によっては、ケーシング４１０内の温度上昇により、粉体に軟化現象が生じ、粉体同士が融着して粒子径にばらつきが生じたり、収率が低下したりする場合がある。そこで、ケーシング４１０内の１又は複数箇所に温度センサ（不図示）を設け、ケーシング４１０内の温度を管理してもよい。例えば、処理対象の粉体が例えば低融点のトナーの場合、粉体取出口４１６での排気温度が３５～５５℃となるように、ケーシング４１０内に導入する気体の温度を調節してもよい。
また、サイクロン５、集塵機６、製品タンク８、集塵タンク９等の１又は複数箇所に温度センサを設けてもよい。

また、本実施の形態では、ケーシング４１０内に熱風発生機３からの熱風を導入する構成としたが、図に示していない冷風発生機を用いて、ケーシング４１０内に－２０℃～５℃程度の冷風を導入する構成としてもよい。この場合、結露防止のために、ケーシング４１０内に導入される気体は除湿された気体であることが好ましい。その他に、熱によって風味がなくなったり、変質し易い食品等を処理する場合には、０～１５℃に調節された冷風空気を用いてもよい。

更に、ケーシング４１０の内部温度を調節するために、ケーシング４１０の周囲にジャケット部を設けてもよい。ジャケット部は、別に設けたタンクから加熱流体または冷却流体を循環供給することによって、ケーシング４１０の内部温度を調節する。

粉砕ロータ４１３は、回転円盤４１３Ａと、回転円盤４１３Ａの上面周縁部から上向きに突出する複数のハンマ４１３Ｂとを備えるロータである。粉体処理装置４は、粉砕ロータ４１３を回転駆動するために、粉砕モータ及びベアリングを含む駆動機構（不図示）を備える。粉砕ロータ４１３は、粉砕モータの動力により所望の回転速度にて回転するように構成されている。粉砕ロータ４１３の回転速度は、回転速度センサＳ７（図４を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。粉砕ロータ４１３のハンマ４１３Ｂは、回転円盤４１３Ａの上面周縁部において周方向に等間隔に複数配置される。なお、ハンマ４１３Ｂの形状、寸法、個数、及び素材は、要求される製品粉体の粒子径や円形度等に応じて適宜設計される。例えば、図２では、棒状のハンマ４１３Ｂを示しているが、直方体状のハンマであってもよく、平面視において台形状のハンマであってもよい。また、ハンマ４１３Ｂに代えて、刃物状の構造物を用いてもよい。

粉砕ロータ４１３は、粉砕モータの動力によって回転し、ケーシング４１０内に旋回する気流を発生させると共に、ハンマ４１３Ｂの作用により、ケーシング４１０内に導入された粉体原料に衝撃、圧縮、摩砕、剪断等の機械エネルギを与え、粉体原料を粉砕する。

なお、粉砕ロータ４１３の素材は、従来から粉体処理装置の粉砕ロータに用いられている公知の材料を用いればよい。例えば、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＵＳ３０４、ＳＵＳ３１６、ＳＵＳ６３０などを用いることができる。また、ハンマ４１３Ｂについては、衝撃力に耐え得るように、超硬合金のチップを付けたり、耐磨耗性及び強靭性を備えたセラミックスやサーメットなどの金属とセラミックスとの複合物を用いてもよい。

更に、粉砕ロータ４１３の表面は、装置の耐久性向上のために、ハードクロムメッキなどのメッキ処理、タングステンカーバイド溶射などの耐磨耗溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理、ＳＵＳ６３０の焼き入れ硬化処理などが施されていてもよい。また、粉砕ロータ４１３の表面には、バフ研磨、電解研磨、ＰＴＦＥなどのコーティング、ニッケルなどのメッキ処理が施されていてもよい。

本実施の形態では、回転円盤４１３Ａの上面周縁部から上向きに突出したハンマ４１３Ｂの構成について説明したが、回転円盤４１３Ａの下面周縁部から下向きに突出したハンマを用いてもよい。このように下向きに突出したハンマは、ケーシング４１０内の粉体原料を直接的に粉砕するものではないが、ケーシング４１０内に強い旋回気流を形成することができるため、粉体原料同士を衝突させて間接的に粉体原料を粉砕することができる。

また、ケーシング４１０の内周面であって、ハンマ４１３Ｂと対向する位置には粉砕ライナが設けられてもよい。粉砕ライナは、粉砕ロータ４１３の回転軸方向に沿った中心軸を有する筒状の部材であり、この筒状の部材の内周面には、三角形、波形、くさび形の溝が設けられてもよい。

ガイドリング４１４は、ケーシング４１０内に旋回する気流を発生させ、ケーシング４１０内で処理される粉体を分級ロータ４１５へ導くための円筒状の部材である。ガイドリング４１４は、粉砕ロータ４１３の上方にて粉砕ロータ４１３と同軸に配され、ケーシング４１０の内部に固定される。ガイドリング４１４の固定方法は特に限定されるものではないが、粉体処理装置４の動作中はケーシング４１０内部にて回転することなく固定される必要がある。これは、ケーシング４１０内部で、処理対象の粉体の流動状態を適切な状態に制御するためである。図２の例では、その内径がケーシング４１０内の下側から上側に向かって連続的に大きくなるガイドリング４１４を示しているが、内径が上側に向かって連続的に小さくなるガイドリングであってもよく、内径が上下方向で変化しないガイドリングであってもよい。

分級ロータ４１５は、放射状に配される複数の分級羽根４１５Ａを備えたロータである。分級ロータ４１５の素材は、従来から粉体処理装置の分級ロータに用いられている公知の材料を用いればよい。例えば、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＵＳ３０４、ＳＵＳ３１６、チタン、チタン合金、アルミ合金などを用いることができる。また、分級ロータ４１５の表面は、装置の耐久性向上のために、浸炭焼入れなどの熱硬化処理、タングステンカーバイド溶射材処理、ハードクロムメッキなどのメッキ処理、溶射後に熱硬化処理を施すための特殊溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理が施されていてもよい。

また、分級ロータ４１５への粉体の付着や固着を防止するため、分級ロータ４１５の表面には、バフ研磨、電解研磨、ＰＴＦＥなどのコーティング、ニッケルなどのメッキ処理が施されていてもよい。

粉体処理装置４は、分級ロータ４１５を回転駆動するために、分級モータ及びベアリングを含む駆動機構（不図示）を備える。分級ロータ４１５は、分級モータの動力により所望の回転速度にて回転するように構成されている。分級ロータ４１５の回転速度は、回転速度センサＳ８（図４を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。分級ロータ４１５は、粉砕ロータ４１３の上方に設けられており、高速回転による遠心力により、ケーシング４１０内で処理された粉体のうち所定粒子径未満の粉体のみを通過させ、通過させた粉体のみを粉体取出口４１６へ導く。

分級ロータ４１５を通過する粉体の粒子径は、分級ロータ４１５の回転速度等を制御することによって設定することができる。すなわち、分級ロータ４１５の回転速度を制御することによって、ケーシング４１０内から所定粒子径未満の粉体を取り出すことができる。一方、分級ロータ４１５を通過できない粉体は、ケーシング４１０内を循環し、繰り返し処理される。

図３は集塵機６の構成を示す模式的断面図である。集塵機６は、ハウジング部６００、フィルタ部６１０、払い落とし部６２０、及び排出部６３０を備える。

ハウジング部６００は、払い落とし部６２０を収納するトップブレナム６０１、フィルタ部６１０を固定し、クリーン側とダーティ側とを区画するチューブシート６０２、フィルタ部６１０を収納する直胴部６０３、捕集した粉体を排出部６３０へ送るホッパ部６０４により構成される。ハウジング部６００の材質は、捕集する粉体の種類、ガス温度、ガス組成、使用目的などに応じて選定され、例えば、一般構造用圧延鋼材（ＳＳ４００）、ステンレス鋼材などが使用される。また、直胴部６０３の下部には粉体を含む流体（例えばガス）を導入するための導入口６０３Ａが設けられ、トップブレナム６０１の上面には集塵後の流体を排出するための排出口６０１Ａが設けられる。

フィルタ部６１０はろ布６１１を備える。ろ布６１１は、フェルト地の布により、筒型（例えば円筒状）に形成される。ろ布６１１の材質は、捕集する粉塵の性状やガス温度、ガス組成などによって選定され、例えば、ポリエステル、ポリプロピレン、アクリル、ナイロン－６、ガラス繊維などの繊維が用いられる。ろ布６１１の内部には、リテーナ（不図示）が挿入され形状が保持される。粉体を含む流体がろ布６１１の外部（下流側）から内部（上流側）に流れ込む際、流体に含まれる粉体はろ布６１１の外表面によって捕集される。ろ布６１１を通過した流体（すなわち、粉体が除去された流体）は、排出口６０１Ａから外部へ排出される。

払い落とし部６２０は、圧縮空気をろ布６１１へ噴射するブローチューブ６２１を備える。ブローチューブ６２１から噴射する圧縮空気の圧力は、フィルタ面積等に応じて適宜設定される。なお、図３の例では、左側のろ布６１１により粉体を捕集し、右側のろ布６１１では粉体を払い落としている状態を示しているが、粉体の捕集と払い落としとは双方のろ布６１１において適宜実施されるとよい。

排出部６３０は例えばロータリーバルブ６３１を備える。運転時には、集塵機６の内部と外部とでは圧力差が生じているため、排出部６３０では、エアーロックを行いながら、粉体を排出する。

次に、診断装置１００及び端末装置５００の構成について説明する。
図４は実施の形態１に係る診断装置１００の内部構成を示すブロック図である。診断装置１００は、サーバ装置などのコンピュータであり、制御部１０１、記憶部１０２、入力部１０３、出力部１０４、通信部１０５、操作部１０６、及び表示部１０７を備える。

制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１０１が備えるＲＯＭには、診断装置１００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部１０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、本発明に係る診断装置としての機能を実現する。制御部１０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。

制御部１０１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路又は制御回路であってもよい。また、制御部１０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部１０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部１０２には、制御部１０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。

記憶部１０２に記憶されるコンピュータプログラムは、粉体処理システム１の健全性を診断する診断プログラムＰＧ１を含む。診断装置１００の制御部１０１は、診断プログラムＰＧ１を実行することにより、粉体処理システム１にて計測される計測データに基づき、粉体処理システム１の健全性を診断し、診断結果を出力する処理を実行する。

診断プログラムＰＧ１を含むコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍ１により提供されてもよい。記録媒体Ｍ１は、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、コンパクトフラッシュ（登録商標）、ＳＤ（Secure Digital）カード、マイクロＳＤカード、などの可搬型メモリである。制御部１０１は、図に示していない読取装置を用いて、記録媒体Ｍ１から各種プログラムを読み取り、読み取った各種プログラムを記憶部１０２に記憶させる。

入力部１０３は、各種装置及びセンサを接続するための接続インタフェースを備える。入力部１０３が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。入力部１０３に接続される装置は、原料供給機２、熱風発生機３、粉体処理装置４、サイクロン５、集塵機６、及びブロワ７を含む。入力部１０３には、原料供給機２、熱風発生機３、粉体処理装置４、サイクロン５、集塵機６、及びブロワ７から送出されるデータが入力される。また、入力部１０３に接続されるセンサは、圧力センサＳ１、流量センサＳ２、動力センサＳ３、濃度センサＳ４、粒子径センサＳ５等を含む。入力部１０３には、これらのセンサＳ１～Ｓ５によって計測される計測データが入力される。

ここで、圧力センサＳ１は、粉体処理装置４が備えるケーシング４１０内、集塵機６の上流側及び下流側、ブロワ７の上流側などに設置され、これらの設置場所における圧力（静圧）を計測する。流量センサＳ２は、ケーシング４１０の上流側及び下流側、サイクロン５の上流側及び下流側、集塵機６の上流側及び下流側などに設置され、これらの設置場所における流体の流量を計測する。動力センサＳ３は、ブロワ７に設置され、ブロワ７の動力を計測する。濃度センサＳ４は、集塵機６の上流側及び下流側に設置され、これらの設置場所における含塵濃度を計測する。集塵機６の上流側及び下流側に濃度センサＳ４を設置する構成に代えて、集塵機６内においてろ布６１１よりも上流側及び下流側に濃度センサＳ４を設置する構成としてもよい。粒子径センサＳ５は、上述したように粉体処理装置４からサイクロン５に至る粉体輸送路ＴＰ３の中途に設置され、粉体処理装置４を通過する粉体の粒子径を計測する。

入力部１０３には、撮像センサＳ６，回転速度センサＳ７，Ｓ８、重量センサＳ９、温度センサＳ１０、振動センサＳ１１、音センサＳ１２などのセンサが接続されてもよい。撮像センサＳ６は、例えば、ろ布６１１の下流側からろ布６１１を撮像するためのＣＣＤ（Charge-Coupled Device）、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）などのセンサであり、画像データを出力する。また、撮像センサＳ６は、粉体処理装置４の内部状態を観察するために粉体処理装置４の内部又は外部に設置されてもよい。回転速度センサＳ７，Ｓ８は、粉体処理装置４に設置され、それぞれ粉砕ロータ４１３及び分級ロータ４１５の回転速度を計測する。重量センサＳ９は原料供給機２が供給する粉体原料の単位時間あたりの重量（すなわち粉体原料の供給速度）を計測する。温度センサＳ１０は、粉体処理システム１の１又は複数箇所に設置され、設置箇所における温度を計測する。温度センサＳ１０は、環境温度を計測してもよい。振動センサＳ１１は、粉体処理システム１の１又は複数箇所に設置され、設置箇所における振動を計測する。音センサＳ１２は、粉体処理システム１の１又は複数箇所に設置され、設置箇所における音（AE : Acoustic Emission）を計測する。

出力部１０４は、各種装置及びセンサを接続するための接続インタフェースを備える。出力部１０４が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。出力部１０４に接続される装置は、原料供給機２、熱風発生機３、粉体処理装置４、サイクロン５、集塵機６、及びブロワ７を含む。

通信部１０５は、各種の通信データを送受信する通信インタフェースを備える。通信部１０５が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。代替的に、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＺｉｇＢｅｅ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）等の通信規格に準じた通信インタフェースであってもよい。

通信部１０５は、例えば、粉体処理システム１のユーザが使用する端末装置５００と通信を行う。診断装置１００の制御部１０１は、粉体処理システム１の診断結果が得られた場合、診断結果を示す情報を通信部１０５より端末装置５００へ送信する。また、制御部１０１は、端末装置５００に表示させるユーザインタフェース画面の画面データを生成し、生成した画面データを通信部１０５を通じて端末装置５００へ送信してもよい。

操作部１０６は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部１０１は、操作部１０６を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部１０２に記憶させる。なお、本実施の形態では、診断装置１００が操作部１０６を備える構成としたが、操作部１０６は必須ではなく、外部に接続されたコンピュータ（例えば、端末装置５００）を通じて操作を受付ける構成であってもよい。

表示部１０７は、液晶パネル又は有機ＥＬ（Electro-Luminescence）パネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部１０７は、例えば、通信部１０５を通じて受信した各種センサＳ１～Ｓ５の計測データを表示してもよく、操作部１０６を通じて受付けた各種操作及び各種設定に基づく情報を表示してもよい。なお、本実施の形態では、診断装置１００が表示部１０７を備える構成としたが、表示部１０７は必須ではなく、ユーザに報知すべき情報を外部のコンピュータ（例えば、端末装置５００）へ出力し、出力先のコンピュータに情報を表示させてもよい。

本実施の形態では、診断装置１００を単一のコンピュータとして説明したが、単一のコンピュータである必要はなく、複数のコンピュータにより構成されてもよく、複数の仮想コンピュータにより構成されてもよい。

図５は端末装置５００の内部構成を示すブロック図である。端末装置５００は、パーソナルコンピュータ、スマートフォン、タブレット端末などのコンピュータであり、制御部５０１、記憶部５０２、通信部５０３、操作部５０４、及び表示部５０５を備える。

制御部５０１は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭなどを備える。制御部５０１が備えるＲＯＭには、端末装置５００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部５０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部５０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御する。また、制御部５０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。制御部５０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。

記憶部５０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部５０２には、制御部５０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。記憶部５０２に記憶されるコンピュータプログラムは、端末装置５００から診断装置１００にアクセスするためのアプリケーションプログラムを含んでもよい。

記憶部１０２に記憶されるコンピュータプログラムは、端末装置５００から診断装置１００にアクセスし、診断装置１００から提供される情報を表示する表示プログラムを含んでもよい。表示プログラムを含むコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体により提供されてもよい。記録媒体は、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、コンパクトフラッシュ（登録商標）、ＳＤカード、マイクロＳＤカード、などの可搬型メモリである。制御部５０１は、図に示していない読取装置を用いて、記録媒体から各種プログラムを読み取り、読み取った各種プログラムを記憶部５０２に記憶させる。

通信部５０３は、各種データを送受信する通信インタフェースを備える。通信部５０３が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮの通信規格に準じた通信インタフェースである。代替的に、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＺｉｇＢｅｅ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ等の通信規格に準じた通信インタフェースであってもよい。

通信部５０３は、例えば診断装置１００と通信を行う。端末装置５００が通信部５０３を通じて診断装置１００から受信するデータは、診断装置１００による粉体処理システム１の診断結果、診断装置１００が提供するインタフェース画面を表示部５０５に表示させるための画面データ等を含む。端末装置５００が通信部５０３を通じて診断装置１００へ送信するデータは、診断結果の送信要求等を含む。

操作部５０４は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部５０１は、操作部５０４を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部５０２に記憶させる。

表示部５０５は、液晶パネル又は有機ＥＬパネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部５０５は、例えば、通信部５０３にて受信した画面データに基づき、診断装置１００が提供するインタフェース画面を表示する。また、表示部５０５は、通信部５０３にて受信した粉体処理システム１の診断結果を表示してもよい。

以下、診断装置１００において用いられる学習モデル２１０について説明する。
図６は実施の形態１における学習モデル２１０の構成例を示す模式図である。学習モデル２１０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル２１０は、入力層２１１、中間層２１２Ａ，２１２Ｂ、及び出力層２１３を備える。図６の例では、２つの中間層２１２Ａ，２１２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。

入力層２１１、中間層２１２Ａ，２１２Ｂ、及び出力層２１３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル２１０の入力層２１１には、入力層２１１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層２１１のノードに入力されるデータは、粉体処理システム１において計測される計測データである。具体的には、圧力センサＳ１によって計測されるケーシング４１０内の圧力、流量センサＳ２によって計測される流量、動力センサＳ３によって計測されるブロワ７の動力値、濃度センサＳ４によって計測される含塵濃度、粒子径センサＳ５によって計測される粒子径分布を含む計測データが入力層２１１のノードに入力される。学習モデル２１０の入力層２１１に入力する計測データは、スカラーに限定する必要はなく、ベクトルデータ、画像データ等の何らかの構造を有するデータであってもよい。

入力された計測データは、入力層２１１を構成するノードを通じて、最初の中間層２１２Ａが備えるノードへ出力される。最初の中間層２１２Ａに入力されたデータは、中間層２１２Ａを構成するノードを通じて、次の中間層２１２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２１３による演算結果が得られるまで次々と後の層に伝達される。ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、粉体処理システム１の状態を示すデータとを教師データに用いて、計測データが入力された場合、粉体処理システム１についての演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。

出力層２１３は、粉体処理システム１の状態についての演算結果を出力する。粉体処理システム１の状態として、実施の形態１に係る学習モデル２１０は、ろ布６１１の圧力損失についての演算結果を出力する。具体的には、出力層２１３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードからろ布６１１の圧力損失がＰＬ１である確率Ｐ１を出力し、第２ノードからろ布６１１の圧力損失がＰＬ２である確率Ｐ２を出力し、…、第ｎノードからろ布６１１の圧力損失がＰＬｎである確率Ｐｎを出力する。出力層２１３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。

診断装置１００は、粉体処理システム１について計測されるデータ（ケーシング４１０内の圧力、流量、ブロワ７の動力値、含塵濃度、粒子径分布、並びに、ろ布６１１における圧力損失）を収集し、これらの計測データを教師データに用いて、上述したような学習モデル２１０を生成する。

図７は診断装置１００が収集するデータの一例を示す概念図である。診断装置１００の制御部１０１は、入力部１０３を通じて、各種センサＳ１～Ｓ５によって計測される計測データを取得する。具体的には、圧力センサＳ１によって計測されるケーシング４１０内の圧力（ａｔｍ）、流量センサＳ２によって計測される流体の流量（ｍ³ ／ｍｉｎ）、動力センサＳ３によって計測されるブロワ７の動力値（ｋＷ）、濃度センサＳ４によって計測される集塵機６の入口（上流側）及び出口（下流側）の含塵濃度（ｇ／ｍ³ ）、粒子径センサＳ５によって計測される粒子径分布（μｍ）、圧力センサＳ１によって計測される集塵機６の入口（上流側）及び出口（下流側）の圧力を取得する。制御部１０１は、取得した計測データをタイムスタンプと共に記憶部１０２に記憶させる。このとき、集塵機６の入口（上流側）及び出口（下流側）の圧力差として計測されるろ布６１１の圧力損失（ａｔｍ）を記憶部１０２に記憶させてもよい。なお、図７は、５秒間隔で収集したデータを記憶部１０２に記憶させた例を示しているが、データを収集する時間間隔は５秒に限らず、任意に設定すればよい。

制御部１０１は、収集した計測データを教師データに用いて、ケーシング４１０内の圧力、流量、ブロワ７の動力値、含塵濃度、及び粒子径分布を含む計測データと、ろ布６１１の圧力損失との関係を学習し、上述したような学習モデル２１０を生成する。

以下、学習フェーズにおける診断装置１００の動作について説明する。
図８は診断装置１００による学習モデル２１０の生成手順を説明するフローチャートである。診断装置１００の制御部１０１は、粉体処理システム１において計測された計測データを収集する（ステップＳ１０１）。ステップＳ１０１において収集する計測データは、上述したように、ケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、ろ布６１１の圧力損失、含塵濃度、粒子径分布を含む。収集した計測データは、タイムスタンプと共に、記憶部１０２に記憶される。

計測データの収集後、制御部１０１は、記憶部１０２に記憶されているデータから、一組の教師データを選択する（ステップＳ１０２）。すなわち、制御部１０１は、ケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、含塵濃度、粒子径分布の計測値と、そのときに得られたろ布６１１の圧力損失とを記憶部１０２から一組だけ選択する。

制御部１０１は、選択した教師データに含まれるケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、含塵濃度、粒子径分布の計測値を学習モデル２１０へ入力し（ステップＳ１０３）、学習モデル２１０による演算を実行する（ステップＳ１０４）。すなわち、制御部１０１は、学習モデル２１０の入力層２１１を構成するノードに上記計測値を入力し、中間層２１２Ａ，２１２Ｂにおいてノード間の重み及びバイアスを用いた演算を行い、演算結果を出力層２１３のノードから出力する処理を行う。なお、学習が開始される前の初期段階では、学習モデル２１０を記述する定義情報には初期値が与えられているものとする。

次いで、制御部１０１は、ステップＳ１０４で得られた演算結果を評価し（ステップＳ１０５）、学習が完了したか否かを判断する（ステップＳ１０６）。具体的には、制御部１０１は、ステップＳ１０４で得られる演算結果と教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する過程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。

学習が完了していないと判断した場合（Ｓ１０６：ＮＯ）、制御部１０１は、学習モデル２１０のノード間の重み及びバイアスを更新して（ステップＳ１０７）、処理をステップＳ１０２へ戻し、別の教師データを用いた学習を継続する。制御部１０１は、学習モデル２１０の出力層２１３から入力層２１１に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝播法を用いて、各ノード間の重み及びバイアスを更新することができる。

学習が完了したと判断した場合（Ｓ１０６：ＹＥＳ）、制御部１０１は、学習済みの学習モデル２１０として記憶部１０２に記憶させ（ステップＳ１０８）、本フローチャートによる処理を終了する。

本実施の形態では、診断装置１００において学習モデル２１０を生成する構成としたが、学習モデル２１０を生成する外部サーバ（不図示）を設け、外部サーバにて学習モデル２１０を生成してもよい。この場合、診断装置１００は、通信等により、外部サーバから学習モデル２１０を取得し、取得した学習モデル２１０を記憶部１０２に記憶させればよい。

次に、運用フェーズにおける診断装置１００の動作を説明する。なお、運用フェーズにおいては、学習モデル２１０は学習済みであるとする。

図９は実施の形態１に係る診断装置１００の診断手順を説明するフローチャートである。実施の形態１では、粉体処理システム１のコンポーネントとして備える集塵機６のろ布６１１における健全性を診断する手順について説明する。

診断装置１００の制御部１０１は、各種センサにより計測される計測データの入力を受付ける（ステップＳ１２１）。ステップＳ１２１において入力を受付ける計測データは、ケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、含塵濃度、及び粒子径分布を含む。また、制御部１０１は、後述する推定値との比較のために、ろ布６１１の圧力損失を含む計測データの入力を受け付ける。

次いで、制御部１０１は、受付けた計測データのうち、ケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、含塵濃度、粒子径分布の値を含むデータを学習モデル２１０の入力層２１１へ入力し、学習モデル２１０による演算を実行する（ステップＳ１２２）。入力層２１１のノードに与えられたデータは、隣接する中間層２１２Ａのノードへ出力される。中間層２１２Ａではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層２１２Ｂへ出力される。中間層２１２Ｂにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層２１３の各ノードへ出力される。出力層２１３の各ノードは、粉体処理システム１の状態を示す演算結果を出力する。具体的には、出力層２１３の各ノードは、ろ布６１１の圧力損失に関する演算結果を出力する。

次いで、制御部１０１は、学習モデル２１０から演算結果を取得し（ステップＳ１２３）、ろ布６１１の圧力損失を推定する（ステップＳ１２４）。学習モデル２１０の出力層２１３は、例えば、ろ布６１１の圧力損失に関する演算結果として、ろ布６１１の圧力損失がＰＬｉである確率Ｐｉ（ｉ＝１～ｎ）を各ノードから出力する。制御部１０１は、これらの確率Ｐｉ（ｉ＝１～ｎ）のうち、最も確率が高い圧力損失を特定することにより、ケーシング４１０内の圧力、流体の流量、ブロワ７の動力値、含塵濃度、及び粒子径分布の値から推定されるろ布６１１の圧力損失を求める。

次いで、制御部１０１は、ステップＳ１２４において推定したろ布６１１の圧力損失に基づき、ろ布６１１の劣化度合いを診断する（ステップＳ１２５）。このとき、制御部１０１は、計測結果として得られるろ布６１１の圧力損失と、学習モデル２１０から推定されるろ布６１１の圧力損失とを比較し、その比較結果に基づき、ろ布６１１の劣化度合いを診断することができる。圧力損失の計測値と推定値とを比較する際に、ＭＴ法（Mahalanobis-Taguchi Method）を用いてもよい。制御部１０１は、例えば、計測結果として得られるろ布６１１の圧力損失が、推定結果として得られるろ布６１１の圧力損失よりも高い場合、ろ布６１１が劣化して閉塞状態になっていると診断することができる。また、制御部１０１は、計測結果として得られるろ布６１１の圧力損失が、推定結果として得られるろ布６１１の圧力損失よりも低い場合、ろ布６１１が劣化して破損していると診断することができる。

次いで、制御部１０１は、ステップＳ１２５の診断結果に基づき、警報の要否を判断する（ステップＳ１２６）。制御部１０１は、計測結果として得られるろ布６１１の圧力損失が、推定結果として得られるろ布６１１の圧力損失より一定割合以上高い場合（あるいは低い場合）、警報を要と判断する。警報を要と判断した場合（Ｓ１２６：ＹＥＳ）、制御部１０１は、警報を出力する（ステップＳ１２８）。具体的には、制御部１０１は、ろ布６１１の劣化が想定以上である旨の警報情報を通信部１０５より端末装置５００へ送信することにより、警報を出力する。また、制御部１０１は、ろ布６１１の劣化が想定以上である旨の警報情報を表示部１０７に表示することによって警報を出力してもよい。

ステップＳ１２６で警報を要しないと判断した場合（Ｓ１２６：ＮＯ）、制御部１０１は、ステップＳ１２５における診断結果を出力する（ステップＳ１２７）。このとき、制御部１０１は、診断結果を表示部１０７に表示してもよい。また、制御部１０１は、診断結果を通信部１０５より端末装置５００へ送信してもよい。

更に、制御部１０１は、ろ布６１１の劣化度合いに応じて集塵機６への装着を推奨するろ布を選定し、選定したろ布の情報を端末装置５００へ送信してもよい。例えば、制御部１０１は、学習モデル２１０を用いて推定されるろ布６１１の劣化度合いが、予め設定される想定値よりも大きい場合、より製品寿命が高いろ布を選定し、選定したろ布の情報を端末装置５００へ送信することができる。

以上のように、本実施の形態に係る診断装置１００は、粉体処理システム１について計測される計測データが入力された場合、粉体処理システム１の状態に関する演算結果を出力するように構成された学習モデルを用いて、粉体処理システム１の状態を推定し、学習モデル２１０の推定結果に基づき、ろ布６１１の健全性（劣化度合い、及び異常の有無）を診断することができる。

本実施の形態では、ニューラルネットワークによって構成される機械学習の学習モデル２１０を用いて制御パラメータに関する演算結果を取得する構成について説明したが、学習モデル２１０は特定の手法を用いて得られるモデルに限定されない。例えば、深層学習によるニューラルネットワークに代えて、パーセプトロン、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、残差ネットワーク、自己組織化マップ等による学習モデルであってもよい。

また、上記のニューラルネットワークによる学習モデルに代えて、線形回帰、ロジスティック回帰、サポートベクターマシン等を含む回帰分析手法、決定木、回帰木、ランダムフォレスト、勾配ブースティング木等の探索木を用いた手法、単純ベイズ等を含むベイズ推定法、ＡＲ（Auto Regressive）、ＭＡ（Moving Average）、ＡＲＩＭＡ（Auto Regressive Integrated Moving Average）、状態空間モデル等を含む時系列予測手法、Ｋ近傍法等を含むクラスタリング手法、ブースティング、バギング等を含むアンサンブル学習を用いた手法、階層型クラスタリング、非階層型クラスタリング、トピックモデル等を含むクラスタリング手法、アソシエーション分析、強調フィルタリング等を含むその他の手法により学習された学習モデルであってもよい。
更に、ＰＬＳ（Partial Least Squares）回帰、重回帰分析、主成分分析、因子分析、クラスター分析等を含む多変量分析を用いて学習モデルを構築してもよい。

（実施の形態２）
実施の形態２では、ろ布６１１の内部を撮像して得られる画像データに基づき、診断を行う構成について説明する。

図１０は実施の形態２における学習モデル２２０の構成例を示す模式図である。学習モデル２２０は、例えば、ＣＮＮ（Convolutional Neural Networks）による学習モデルであり、入力層２２１、中間層２２２、及び、出力層２２３を備える。学習モデル２２０は、撮像センサＳ６を用いてろ布６１１の内部を撮像して得られる画像データの入力に対して、ろ布６１１の圧力損失に関する演算結果を出力するように予め学習される。学習方法は、実施の形態１と同様であるため、その説明を省略することとする。

入力層２２１には、ろ布６１１の内部を撮像して得られる画像データが入力される。入力層２２１に入力された画像データは、中間層２２２へ送出される。

中間層２２２は、例えば、畳み込み層２２２Ａ、プーリング層２２２Ｂ、及び全結合層２２２Ｃにより構成される。畳み込み層２２２Ａ及びプーリング層２２２Ｂは交互に複数設けられてもよい。畳み込み層２２２Ａ及びプーリング層２２２Ｂは、各層のノードを用いた演算によって、入力層２２１を通じて入力される画像データの特徴を抽出する。全結合層２２２Ｃは、畳み込み層２２２Ａ及びプーリング層２２２Ｂによって特徴部分が抽出されたデータを１つのノードに結合し、活性化関数によって変換された特徴変数を出力する。特徴変数は、全結合層２２２Ｃを通じて出力層２２３へ出力される。

出力層２２３は、１つ又は複数のノードを備える。出力層２２３は、中間層２２２の全結合層２２２Ｃから入力される特徴変数を基に、ソフトマックス関数を用いて確率に変換し、ろ布６１１の圧力損失が特定の値である確率を各ノードから出力する。すなわち、出力層２２３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードからろ布６１１の圧力損失がＰＬ１である確率Ｐ１を出力し、第２ノードからろ布６１１の圧力損失がＰＬ２である確率Ｐ２を出力し、…、第ｎノードからろ布６１１の圧力損失がＰＬｎである確率Ｐｎを出力する。

診断装置１００の制御部１０１は、実施の形態１と同様に、学習モデル２２０を用いて推定したろ布６１１の圧力損失と、計測データとして得られるろ布６１１の圧力損失とを比較して、ろ布６１１の劣化度合い及び異常の有無を診断することができる。

以上のように、実施の形態２に係る診断装置１００は、ろ布６１１の内部を撮像して得られる画像データを学習モデル２２０へ入力することによって、ろ布６１１の劣化度合いや異常の有無を診断できる。

なお、図１０の例ではＣＮＮによる学習モデル２２０を示したが、学習モデル２２０を構築する機械学習のモデルは任意に設定することができる。例えば、ＣＮＮに代えて、Ｒ－ＣＮＮ（Region-based CNN）、ＹＯＬＯ（You Only Look Once）、ＳＳＤ（Single Shot Detector）等に基づく学習モデルを設定してもよい。

（実施の形態３）
実施の形態３では、時系列データに基づき、ろ布６１１の交換時期を推定する構成について説明する。

図１１は実施の形態３における学習モデル２３０の構成例を示す模式図である。学習モデル２３０は、リカレントニューラルネットワークの一種であるＳｅｑ２Ｓｅｑ（Sequence to Sequence）モデルである。

学習モデル２３０は、時系列データが入力されるｍ個のエンコーダＥ１～Ｅｍと、時系列データを出力するｎ個のデコーダＤ１～Ｄｎとを備える。インデックスのｍおよびｎは２以上の整数である。図１１において、エンコーダＥ１～ＥｍおよびデコーダＤ１～Ｄｎは、単一のブロックとして記載しているが、入力層および隠れ層を含む２～８層程度の複数の層を有する。エンコーダＥ１～ＥｍおよびデコーダＤ１～Ｄｎの内部構造、ならびに、エンコーダＥ１～ＥｍおよびデコーダＤ１～Ｄｎにおける内部パラメータの学習方法については公知であるため、その詳細な説明を省略する。本実施形態では、圧力センサＳ１によって計測されるケーシング４１０内の圧力、流量センサＳ２によって計測される流量、動力センサＳ３によって計測されるブロワ７の動力値、濃度センサＳ４によって計測される含塵濃度、及び粒子径センサＳ５によって計測される粒子径分布の時系列データを学習モデル２３０への入力とし、ろ布６１１における圧力損失の時系列データを出力するように、学習モデル２３０の内部パラメータが学習される。

図１１において横方向は時間ステップを表し、図中左方向から右方向へ手順が進行していることを表している。エンコーダＥ１～Ｅｍのそれぞれには、ケーシング４１０内の圧力、流量、ブロワ７の動力値、含塵濃度、及び粒子径分布のうち、何れか１つの時系列データが入力される。例えば、圧力センサＳ１の出力を学習モデル２３０への入力とした場合、診断装置１００の制御部１０１は、時系列データとして得られる圧力の値Ｋ１，Ｋ２，…Ｋｍを順次エンコーダＥ１～Ｅｍに入力する。

エンコーダＥ１～Ｅｍの隠れ層には、内部状態として、入力された圧力の時系列データが内部ベクトルｃｔとして記録される。ここで、ｔはタイムステップを表し、エンコーダＥ１～Ｅｍ内では１～ｍの値をとる。内部ベクトルｃｔは、入力ごとに値のステップへ受け渡され、全ての入力が終わった時点でデコーダＤ１に受け渡す内部ベクトルｃｍが得られる。

最終のエンコーダＥｍにおける内部ベクトルｃｍはデコーダＤ１へ受け渡される。デコーダＤ１には出力の開始を指示する予約語が入力される。図１１の例では、予約語として＜ｇｏ＞を記載しているが、予め設定された固定値であればよい。エンコーダＥｍから内部ベクトルｃｍが受け渡され、出力の開始を指示する予約語が入力された場合、デコーダＤ１は出力ｈ１を出力し、内部ベクトルはｃｍ＋１へ変化する。デコーダＤ１の出力ｈ１は、次のステップにおけるデコーダＤ２への入力に用いられる。デコーダＤ１の内部ベクトルｃｍ＋１は、次のステップにおけるデコーダＤ２の内部状態として使用される。このようにして、Ｄ１，Ｄ２，…Ｄｎ－１の出力ｈｔおよび内部ベクトルｃｔは、順次次のデコーダＤ２，Ｄ３，…，Ｄｎに入力され、最終のデコーダＤｎが出力終了を表す予約語＜ｅｏｓ＞を出力するまで順次演算が実行される。

以上の結果、デコーダＤ１～Ｄｎ－１のそれぞれ得られるｎ－１個の出力ｈ１～ｈｎ－１が、学習モデル２３０の最終的な出力となる。これらの出力ｈ１～ｈｎ－１は、ろ布６１１における圧力損失の推定値を示す時系列データを表す。

制御部１０１は、学習モデル２３０のデコーダＤ１～Ｄｎ－１からろ布６１１における圧力損失の推定値を示す時系列データを取得する。制御部１０１は、エンコーダＥ１～Ｅｍへの時系列データの入力と、デコーダＤ１～Ｄｎ－１から出力される時系列データの取得とを順次繰り返すことによって、ろ布６１１における圧力損失の時系列変化を導出することができる。

また、制御部１０１は、学習モデル２３０により推定される圧力損失の時系列変化に基づき、ろ布６１１の交換時期を推定してもよい。例えば、制御部１０１は、圧力損失に対する閾値を予め設定しておき、学習モデル２３０により推定される圧力損失が閾値以上あるいは閾値以下となる時期をろ布６１１の交換時期として推定すればよい。

以上のように、実施の形態３に係る診断装置１００は、学習モデル２３０を用いることにより、ろ布６１１の圧力損失に関して時系列変化を推定することができる。また、診断装置１００は、学習モデル２３０により推定される圧力損失の時系列変化に基づき、ろ布６１１の交換時期を推定することができる。

（実施の形態４）
実施の形態４では、粉体処理システム１において粉体を含む流体の圧送システムの劣化度合いを診断する構成について説明する。ここで、粉体を含む流体の圧送システムは、流体が流れる粉体輸送路ＴＰ３などの配管、及び配管内に流体を発生させるブロワ７を含む。

図１２は実施の形態４における学習モデル２４０の構成例を示す模式図である。学習モデル２４０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル２４０は、入力層２４１、中間層２４２Ａ，２４２Ｂ、及び出力層２４３を備える。図１２の例では、２つの中間層２４２Ａ，２４２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。

入力層２４１、中間層２４２Ａ，２４２Ｂ、及び出力層２４３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル２４０の入力層２４１には、入力層２４１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層２４１のノードに入力されるデータは、粉体処理システム１において計測される計測データである。具体的には、回転速度センサＳ７によって計測される粉砕ロータ４１３の回転速度、回転速度センサＳ８によって計測される分級ロータ４１５の回転速度、圧力センサＳ１により計測されるろ布６１１の圧力損失、温度センサＳ１０により計測される系内の温度を含む計測データが入力層２４１のノードに入力される。学習モデル２４０の入力層２４１に入力する計測データは、スカラーに限定する必要はなく、ベクトルデータ、画像データ等の何らかの構造を有するデータであってもよい。

実施の形態４に係る学習モデル２４０は、これらの計測データの入力に対して、ブロワ７の動力値、粉体処理システム１に流れる流体の流量、系内の圧力についての演算結果を出力するように、所定の学習アルゴリズムによって学習される。学習方法は実施の形態１と同様であるため、その説明を省略する。

学習モデル２４０の出力層２４３は、粉体処理システム１の状態として、ブロワ７の動力値、粉体処理システム１に流れる流体の流量、系内の圧力についての演算結果を出力する。具体的には、出力層２４３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードからブロワの動力値がＢＰ１、系内の流量がＦＶ１、系内の圧力ＳＰ１である確率Ｐ１を出力し、第２ノードからブロワの動力値がＢＰ２、系内の流量がＦＶ２、系内の圧力ＳＰ２である確率Ｐ２を出力し、…、第ｎノードからブロワの動力値がＢＰｎ、系内の流量がＦＶｎ、系内の圧力ＳＰｎである確率Ｐｎを出力する。出力層２４３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。

図１３は実施の形態４に係る診断装置１００の診断手順を説明するフローチャートである。実施の形態４では、粉体を含む流体の圧送システムにおける健全性を診断する手順について説明する。

診断装置１００の制御部１０１は、各種センサにより計測される計測データの入力を受付ける（ステップＳ４０１）。ステップＳ４０１において入力を受付ける計測データは、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ろ布６１１の圧力損失、及び系内の温度を含む。また、制御部１０１は、後述する推定値との比較のために、ブロワ７の動力値、系内の流量、系内の圧力を含む計測データの入力を受付ける。

次いで、制御部１０１は、受付けた計測データのうち、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ろ布６１１の圧力損失、及び系内の温度を含むデータを学習モデル２４０の入力層２４１へ入力し、学習モデル２４０による演算を実行する（ステップＳ４０２）。学習モデル２４０は、演算結果として、ブロワ７の動力値、粉体処理システム１に流れる流体の流量、系内の圧力に関する演算結果を出力する。

次いで、制御部１０１は、学習モデル２４０から演算結果を取得し（ステップＳ４０３）、ブロワ７の動力値、粉体処理システム１に流れる流体の流量、系内の圧力を推定する（ステップＳ４０４）。学習モデル２４０の出力層２４３は、演算結果として、ブロワ７の動力値がＢＰｉ、粉体処理システム１に流れる流体の流量がＦＶｉ、系内の圧力がＳＰｉである確率Ｐｉ（ｉ＝１～ｎ）を各ノードから出力する。制御部１０１は、これらの確率Ｐｉ（ｉ＝１～ｎ）のうち、最も確率が高い状態を特定することにより、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ろ布６１１の圧力損失、及び系内の温度から推定されるブロワ７の動力値、系内の流量、及び系内の圧力を求める。

次いで、制御部１０１は、ステップＳ４０４の推定結果に基づき、圧送システムにおける劣化度合いを診断する（ステップＳ４０５）。このとき、制御部１０１は、計測結果として得られるブロワ７の動力値、系内の流量、及び系内の圧力と、学習モデル２４０から推定されるブロワ７の動力値、系内の流量、及びケーシング４１０内の圧力とを比較し、その比較結果に基づき、圧送システムにおける劣化度合いを診断する。制御部１０１は、計測値と推定値との比較の際に、ＭＴ法を用いてもよい。制御部１０１は、例えば、動力あたりの流量が推定値よりも大きい場合、系外からのリークの可能性があるので、圧送システムにおいて劣化又は異常が生じていると診断することができる。また、制御部１０１は、動力あたりの流量が推定値よりも小さい場合、系内の閉塞又はブロワ７の部品劣化の可能性があるので、圧送システムにおいて劣化又は異常が生じていると診断することができる。更に、制御部１０１は、系内の圧力に関して計測値と推定値とを比較し、計測値と推定値との間に閾値以上の差が生じている箇所を特定することにより、閉塞箇所又はリーク箇所を特定してもよい。

次いで、制御部１０１は、ステップＳ４０５の診断結果に基づき、警報の要否を判断する（ステップＳ４０６）。制御部１０１は、計測値と推定値との間に閾値以上の差が生じている場合、警報を要と判断する。警報を要と判断した場合（Ｓ４０６：ＹＥＳ）、制御部１０１は、警報を出力する（ステップＳ４０８）。具体的には、制御部１０１は、圧送システムの劣化が想定以上である旨の警報情報を通信部１０５より端末装置５００へ送信することにより、警報を出力する。また、制御部１０１は、圧送システムの劣化が想定以上である旨の警報情報を表示部１０７に表示することによって警報を出力してもよい。

ステップＳ４０６で警報を要しないと判断した場合（Ｓ４０６：ＮＯ）、制御部１０１は、ステップＳ４０５における診断結果を出力する（ステップＳ４０７）。このとき、制御部１０１は、診断結果を表示部１０７に表示してもよい。また、制御部１０１は、診断結果を通信部１０５より端末装置５００へ送信してもよい。

以上のように、本実施の形態に係る診断装置１００は、学習モデル２４０の推定結果に基づき、圧送システムの健全性（劣化度合い、及び異常の有無）を診断することができる。

なお、本実施の形態では、あるタイミングで計測された計測データを学習モデル２４０に入力する構成としたが、実施の形態３と同様の学習モデルを用いて、時系列変化を診断してもよい。

（実施の形態５）
実施の形態５では、粉体処理装置４が備える粉砕ロータ４１３及び分級ロータ４１５、並びにその駆動機構の劣化度合いを診断する構成について説明する。なお、以下の説明において、粉砕ロータ４１３及び分級ロータ４１５を区別して説明する必要がない場合、単にロータとも記載する。

図１４は実施の形態５における学習モデル２５０の構成例を示す模式図である。学習モデル２５０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル２５０は、入力層２５１、中間層２５２Ａ，２５２Ｂ、及び出力層２５３を備える。図１４の例では、２つの中間層２５２Ａ，２５２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。

入力層２５１、中間層２５２Ａ，２５２Ｂ、及び出力層２５３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル２５０の入力層２５１には、入力層２５１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層２５１のノードに入力されるデータは、粉体処理システム１において計測される計測データである。具体的には、回転速度センサＳ７によって計測される粉砕ロータ４１３の回転速度、回転速度センサＳ８によって計測される分級ロータ４１５の回転速度、及び振動センサＳ１１により計測される振動値を含む計測データが入力層２５１のノードに入力される。学習モデル２５０の入力層２５１に入力する計測データは、スカラーに限定する必要はなく、ベクトルデータ、画像データ等の何らかの構造を有するデータであってもよい。

実施の形態５に係る学習モデル２５０は、これらの計測データの入力に対して、ロータの動力値、ケーシング４１０内の圧力、処理能力（粉体原料の供給速度）、粒子径分布についての演算結果を出力するように、所定の学習アルゴリズムによって学習される。学習方法は実施の形態１と同様であるため、その説明を省略する。

学習モデル２５０の出力層２５３は、粉体処理システム１の状態として、ロータの動力値、ケーシング４１０内の圧力、処理能力（粉体原料の供給速度）、粒子径分布についての演算結果を出力する。具体的には、出力層２５３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードからロータの動力値がＲＰ１、ケーシング４１０内の圧力がＣＰ１、処理能力がＰＶ１、粒子径分布がＤＤ１である確率Ｐ１を出力し、第２ノードからロータの動力値がＲＰ２、ケーシング４１０内の圧力がＣＰ２、処理能力がＰＶ２、粒子径分布がＤＤ２である確率Ｐ２を出力し、…、第ｎノードからロータの動力値がＲＰｎ、ケーシング４１０内の圧力がＣＰｎ、処理能力がＰＶｎ、粒子径分布がＤＤｎである確率Ｐｎを出力する。出力層２５３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。

図１５は実施の形態５に係る診断装置１００の診断手順を説明するフローチャートである。実施の形態５では、ロータ及びその駆動機構の健全性を診断する手順について説明する。

診断装置１００の制御部１０１は、各種センサにより計測される計測データの入力を受付ける（ステップＳ５０１）。ステップＳ５０１において入力を受付ける計測データは、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、及び系内の振動値を含む。また、制御部１０１は、後述する推定値との比較のために、ロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布を含む計測データの入力を受付ける。

次いで、制御部１０１は、受付けた計測データのうち、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、及び系内の振動値を含むデータを学習モデル２５０の入力層２５１へ入力し、学習モデル２５０による演算を実行する（ステップＳ５０２）。学習モデル２５０は、演算結果として、ロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布に関する演算結果を出力する。

次いで、制御部１０１は、学習モデル２５０から演算結果を取得し（ステップＳ５０３）、ロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布を推定する（ステップＳ５０４）。学習モデル２５０の出力層２５３は、演算結果として、ロータの動力値がＲＰｉ、ケーシング４１０内の圧力がＣＰｉ、処理能力がＰＶｉ、及び粒子径分布ＤＤｉである確率Ｐｉ（ｉ＝１～ｎ）を各ノードから出力する。制御部１０１は、これらの確率Ｐｉ（ｉ＝１～ｎ）のうち、最も確率が高い状態を特定することにより、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、及び系内の振動値から推定されるロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布を求める。

次いで、制御部１０１は、ステップＳ５０４の推定結果に基づき、ロータ及びその駆動機構の劣化度合いを診断する（ステップＳ５０５）。このとき、制御部１０１は、計測結果として得られるロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布と、学習モデル２５０から推定されるロータの動力値、ケーシング４１０内の圧力、処理能力、及び粒子径分布とを比較し、その比較結果に基づき、ロータ及び駆動機構の劣化度合いを診断する。制御部１０１は、計測値と推定値との比較の際に、ＭＴ法を用いてもよい。制御部１０１は、例えば、計測される処理能力が推定値よりも低い場合、粉砕ロータ４１３の摩耗、ベアリングを含む駆動機構の劣化、異物の付着による負荷の増大などの可能性があるので、ロータ及びその駆動機構に劣化が生じていると診断できる。また、制御部１０１は、計測される振動値が推定値よりも高い場合、ベアリングを含む駆動機構の劣化、偏摩耗によるアンバランス起因の振動の増加などの可能性があるので、ロータ及び駆動機構に劣化が生じていると診断できる。更に、制御部１０１は、粒子径分布が推定値よりも増大している場合、分級ロータ４１５への異物の付着による開口率の減少、駆動機構の劣化に伴う回転速度の低下などの可能性があるので、ロータ及び駆動機構に劣化が生じていると診断できる。

次いで、制御部１０１は、ステップＳ５０５の診断結果に基づき、警報の要否を判断する（ステップＳ５０６）。制御部１０１は、計測値と推定値との間に閾値以上の差が生じている場合、警報を要と判断する。警報を要と判断した場合（Ｓ５０６：ＹＥＳ）、制御部１０１は、警報を出力する（ステップＳ５０８）。具体的には、制御部１０１は、ロータ又はその駆動機構の劣化が想定以上である旨の警報情報を通信部１０５より端末装置５００へ送信することにより、警報を出力する。また、制御部１０１は、ロータ又はその駆動機構の劣化が想定以上である旨の警報情報を表示部１０７に表示することによって警報を出力してもよい。

ステップＳ５０６で警報を要しないと判断した場合（Ｓ５０６：ＮＯ）、制御部１０１は、ステップＳ５０５における診断結果を出力する（ステップＳ５０７）。このとき、制御部１０１は、診断結果を表示部１０７に表示してもよい。また、制御部１０１は、診断結果を通信部１０５より端末装置５００へ送信してもよい。

以上のように、本実施の形態に係る診断装置１００は、学習モデル２５０の推定結果に基づき、ロータ及びその駆動機構の健全性（劣化度合い、及び異常の有無）を診断することができる。

なお、本実施の形態では、あるタイミングで計測された計測データを学習モデル２５０に入力する構成としたが、実施の形態３と同様の学習モデルを用いて、時系列変化を診断してもよい。

（実施の形態６）
実施の形態６では、粉体処理システム１に設けられた駆動機構の劣化度合いを診断する構成について説明する。ここで、駆動機構は、粉体処理システム１に設けられる粉砕ロータ４１３及び分級ロータ４１５を含む回転体を回転駆動するための駆動機構である。粉砕ロータ４１３及び分級ロータ４１５に限らず、パドルやスクリューなどの任意の回転体であってもよい。以下の例では、ロータ（粉砕ロータ４１３及び分級ロータ４１５）を駆動する駆動機構の劣化度合いを診断する構成について説明する。

図１６は実施の形態６における学習モデル２６０の構成例を示す模式図である。学習モデル２６０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル２６０は、入力層２６１、中間層２６２Ａ，２６２Ｂ、及び出力層２６３を備える。図１６の例では、２つの中間層２６２Ａ，２６２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。

入力層２６１、中間層２６２Ａ，２６２Ｂ、及び出力層２６３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル２６０の入力層２６１には、入力層２６１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層２６１のノードに入力されるデータは、粉体処理システム１において計測される計測データである。具体的には、重量センサＳ９によって計測される粉体原料の供給速度、回転速度センサＳ７，Ｓ８によって計測されるロータの回転速度、図に示していない動力センサによって計測されるロータの動力値、粒子径センサＳ５によって計測される粒子径分布、温度センサＳ１０によって計測される環境温度、音センサＳ１２によって計測される音を含む計測データが入力層２６１のノードに入力される。学習モデル２６０の入力層２６１に入力する計測データは、スカラーに限定する必要はなく、ベクトルデータ、画像データ等の何らかの構造を有するデータであってもよい。

実施の形態６に係る学習モデル２６０は、これらの計測データの入力に対して、駆動機構の振動値及び温度についての演算結果を出力するように、所定の学習アルゴリズムによって学習される。学習方法は実施の形態１と同様であるため、その説明を省略する。

学習モデル２６０の出力層２６３は、粉体処理システム１の状態として、駆動機構の振動値及び温度についての演算結果を出力する。具体的には、出力層２６３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから駆動機構の振動値がＤＶ１、温度がＤＴ１である確率Ｐ１を出力し、第２ノードから駆動機構の振動値がＤＶ２、温度がＤＴ２である確率Ｐ２を出力し、…、第ｎノードから駆動機構の振動値がＤＶｎ、温度がＤＴｎである確率Ｐｎを出力する。出力層２６３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。

図１７は実施の形態６に係る診断装置１００の診断手順を説明するフローチャートである。実施の形態６では、駆動機構の健全性を診断する手順について説明する。

診断装置１００の制御部１０１は、各種センサにより計測される計測データの入力を受付ける（ステップＳ６０１）。ステップＳ６０１において入力を受付ける計測データは、粉体原料の供給速度、ロータの回転速度及び動力値、粒子径分布、環境温度、系内から発せられる音を含む。また、制御部１０１は、後述する推定値との比較のために、駆動機構の振動値及び温度を含む計測データの入力を受付ける。

次いで、制御部１０１は、受付けた計測データのうち、粉体原料の供給速度、ロータの回転速度及び動力値、粒子径分布、環境温度、系内から発せられる音を含むデータを学習モデル２６０の入力層２６１へ入力し、学習モデル２６０による演算を実行する（ステップＳ６０２）。学習モデル２６０は、演算結果として、駆動機構の振動値及び温度に関する演算結果を出力する。

次いで、制御部１０１は、学習モデル２６０から演算結果を取得し（ステップＳ６０３）、駆動機構の振動値及び温度を推定する（ステップＳ６０４）。学習モデル２６０の出力層２６３は、演算結果として、駆動機構の振動値がＤＶｉ、駆動機構の温度がＤＴｉである確率Ｐｉ（ｉ＝１～ｎ）を各ノードから出力する。制御部１０１は、これらの確率Ｐｉ（ｉ＝１～ｎ）のうち、最も確率が高い状態を特定することにより、粉体原料の供給速度、ロータの回転速度及び動力値、粒子径分布、環境温度、系内から発せられる音から推定される駆動機構の振動値及び温度を求める。

次いで、制御部１０１は、ステップＳ６０４の推定結果に基づき、駆動機構の劣化度合いを診断する（ステップＳ６０５）。このとき、制御部１０１は、計測結果として駆動機構の振動値及び温度と、学習モデル２６０から推定される駆動機構の振動値及び温度とを比較し、その比較結果に基づき、駆動機構の劣化度合いを診断する。制御部１０１は、計測値と推定値との比較の際に、ＭＴ法を用いてもよい。制御部１０１は、例えば、計測される駆動機構の振動値及び温度が推定値よりも高い場合、嵌め合い摩耗や偏摩耗によるアンバランス起因の振動増加の可能性があるので、駆動機構に劣化が生じていると診断できる。

次いで、制御部１０１は、ステップＳ６０５の診断結果に基づき、警報の要否を判断する（ステップＳ６０６）。制御部１０１は、計測値と推定値との間に閾値以上の差が生じている場合、警報を要と判断する。警報を要と判断した場合（Ｓ６０６：ＹＥＳ）、制御部１０１は、警報を出力する（ステップＳ６０８）。具体的には、制御部１０１は、駆動機構の劣化が想定以上である旨の警報情報を通信部１０５より端末装置５００へ送信することにより、警報を出力する。また、制御部１０１は、駆動機構の劣化が想定以上である旨の警報情報を表示部１０７に表示することによって警報を出力してもよい。

ステップＳ６０６で警報を要しないと判断した場合（Ｓ６０６：ＮＯ）、制御部１０１は、ステップＳ６０５における診断結果を出力する（ステップＳ６０７）。このとき、制御部１０１は、診断結果を表示部１０７に表示してもよい。また、制御部１０１は、診断結果を通信部１０５より端末装置５００へ送信してもよい。

以上のように、本実施の形態に係る診断装置１００は、学習モデル２６０の推定結果に基づき、駆動機構の健全性（劣化度合い、及び異常の有無）を診断することができる。

なお、本実施の形態では、あるタイミングで計測された計測データを学習モデル２６０に入力する構成としたが、実施の形態３と同様の学習モデルを用いて、時系列変化を診断してもよい。

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

例えば、学習モデル２１０～２６０は、上述した各種パラメータだけでなく、粉体処理システム１の任意のコンポーネントを撮像して得られる画像データ、粉体処理システム１内の酸素濃度、粉体処理システム１から得られる粉体の粒子径、湿分、温度、密度、粒子径、円形度、混合度、流動性、ＢＥＴ（Brunauer - Emmett - Teller）値、ＮＩＲ（Near Infrared）、ＸＲＤ（X-ray Diffraction）、ＴＧ－ＤＴＡ（Thermogravimetry - Differential Thermal Analysis）、ＭＳ（Mass Spectrometry）、ＳＥＭ（Scanning Electron Microscope）、ＦＥ－ＳＥＭ（Field Emission - SEM）、及びＴＥＭ（Transmission Electron Microscope）のデータの少なくとも１つを用いて学習される学習モデルであってもよい。

また、粉体処理装置４は、粉砕処理及び分級処理を行う装置に限定されるものではない。例えば、粉砕処理及び分級処理に代えて、粉体原料の乾燥処理、２種類以上の粉体原料（若しくは粉体原料及び液体）を混合する混合処理、２種類以上の粉体粒子同士を結合させる複合化処理、粉体表面の平滑化などの表面処理、１又は複数の成分からなる粉体原料を、結合剤などを用いて、原料より大きな粒状に加工する造粒処理の少なくとも１つを実施する処理装置であってもよい。

更に、粉体処理システム１は、異なる種類の処理を実行する複数の粉体処理装置４，４，…，４を備えてもよい。この場合、学習モデルは、粉体処理装置４の処理種別毎に用意される。また、粉体処理システム１は、操作部１０６または通信部１０５を通じて、粉体処理の種別に対する選択を受付け、選択された粉体処理の種別に対応して用意された学習モデルに対して、計測データを入力することによって、粉体処理システムの状態を推定してもよい。

１…粉体処理システム、２…原料供給機、３…熱風発生機、４…粉体処理装置、５…サイクロン、６…集塵機、７…ブロワ、６１１…ろ布、Ｓ１…圧力センサ、Ｓ２…流量センサ、Ｓ３…動力センサ、Ｓ４…濃度センサ、Ｓ５…粒子径センサ、１００…診断装置、１０１…制御部、１０２…記憶部、１０３…入力部、１０４…出力部、１０５…通信部、１０６…操作部、１０７…表示部、５００…端末装置、５０１…制御部、５０２…記憶部、５０３…通信部、５０４…操作部、５０５…表示部

Claims (11)

1. 粉体原料を粉砕する粉砕ロータ、又は前記粉体原料を粉砕して得られる粉体を分級する分級ロータを含む粉体処理システムに関して、前記粉砕ロータの回転速度、又は前記分級ロータの回転速度と、前記粉体処理システムにおいて発生する振動の振動値とを含む計測データを取得する取得部と、
   前記計測データの入力に応じて、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体処理システムから得られる粉体の粒子径分布についての演算結果を出力するよう構成された学習モデルを用いて、前記取得部が取得した計測データに基づき、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布を推定する推定部と、
   前記推定部による推定結果に基づき、前記粉砕ロータ又は前記分級ロータの劣化度合いを診断する診断部と、
   前記診断部による診断結果を出力する出力部と
   を備える粉体処理システムの診断装置。
2. 前記取得部は、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布を含む計測データを取得し、
   前記診断部は、前記計測データに含まれる前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布と、前記学習モデルを用いて推定される前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布とを比較することにより、前記粉砕ロータ又は前記分級ロータの劣化度合いを診断する
   請求項１に記載の診断装置。
3. 粉体処理のために設けられた回転体を回転駆動する駆動機構を含む粉体処理システムに関して、粉体原料の供給速度、前記粉体原料を粉砕する粉砕ロータの動力値及び回転速度、前記粉体原料を粉砕して得られる粉体を分級する分級ロータの動力値及び回転速度、前記粉体処理システムから得られる粉体の粒子径分布、環境温度、前記粉体処理システムから発せられる音の少なくとも１つを含む計測データを取得する取得部と、
   前記計測データの入力に応じて、前記駆動機構における振動値についての演算結果を出力するように構成された学習モデルを用いて、前記取得部が取得した計測データに基づき前記駆動機構における振動値を推定する推定部と、
   前記推定部により推定された振動値に基づき、前記駆動機構の劣化度合いを診断する診断部と、
   前記診断部による診断結果を出力する出力部と
   を備える粉体処理システムの診断装置。
4. 前記取得部が取得する計測データは、前記駆動機構における振動値を含み、
   前記診断部は、前記計測データに含まれる前記駆動機構における振動値と、前記学習モデルを用いて推定される前記駆動機構における振動値とを比較することにより、前記駆動機構の劣化度合いを診断する
   請求項３に記載の診断装置。
5. 前記診断部は、前記粉体処理システムにおける異常の有無を診断し、
   前記出力部は、前記粉体処理システムに異常があると前記診断部が診断した場合、警報を出力する
   請求項１から請求項４の何れか１つに記載の診断装置。
6. 前記取得部は、前記粉体処理システムのコンポーネントを撮像して得られる画像データ、粉体処理システム内の酸素濃度、前記粉体処理システムから得られる粉体の湿分、温度、密度、粒子径、円形度、混合度、流動性、ＢＥＴ（Brunauer - Emmett - Teller）値、ＮＩＲ（Near Infrared）、ＸＲＤ（X-ray Diffraction）、ＴＧ－ＤＴＡ（Thermogravimetry - Differential Thermal Analysis）、ＭＳ（Mass Spectrometry）、ＳＥＭ（Scanning Electron Microscope）、ＦＥ－ＳＥＭ（Field Emission - SEM）、及びＴＥＭ（Transmission Electron Microscope）のデータの少なくとも１つを含む計測データを取得する
   請求項１から請求項５の何れか１つに記載の診断装置。
7. 前記粉体処理システムが実行する粉体処理の種別に対する選択を受付ける受付部
   を備え、
   前記推定部は、前記受付部にて選択された粉体処理の種別に対応して設けられた学習モデルに前記計測データを入力することによって、前記粉体処理システムの状態を推定する
   請求項１から請求項６の何れか１つに記載の診断装置。
8. コンピュータが、
   粉体原料を粉砕する粉砕ロータ、又は前記粉体原料を粉砕して得られる粉体を分級する分級ロータを含む粉体処理システムに関して、前記粉砕ロータの回転速度、又は前記分級ロータの回転速度と、前記粉体処理システムにおいて発生する振動の振動値とを含む計測データを取得し、
   前記計測データの入力に応じて、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体処理システムから得られる粉体の粒子径分布についての演算結果を出力するよう構成された学習モデルを用いて、取得した計測データに基づき、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布を推定し、
   推定結果に基づき、前記粉砕ロータ又は前記分級ロータの劣化度合いを診断し、
   診断結果を出力する
   粉体処理システムの診断方法。
9. コンピュータが、
   粉体処理のために設けられた回転体を回転駆動する駆動機構を含む粉体処理システムに関して、粉体原料の供給速度、前記粉体原料を粉砕する粉砕ロータの動力値及び回転速度、前記粉体原料を粉砕して得られる粉体を分級する分級ロータの動力値及び回転速度、前記粉体処理システムから得られる粉体の粒子径分布、環境温度、前記粉体処理システムから発せられる音の少なくとも１つを含む計測データを取得し、
   前記計測データの入力に応じて、前記駆動機構における振動値についての演算結果を出力するように構成された学習モデルを用いて、取得した計測データに基づき前記駆動機構における振動値を推定し、
   推定された振動値に基づき、前記駆動機構の劣化度合いを診断し、
   診断結果を出力する
   粉体処理システムの診断方法。
10. コンピュータに、
    粉体原料を粉砕する粉砕ロータ、又は前記粉体原料を粉砕して得られる粉体を分級する分級ロータを含む粉体処理システムに関して、前記粉砕ロータの回転速度、又は前記分級ロータの回転速度と、前記粉体処理システムにおいて発生する振動の振動値とを含む計測データを取得し、
    前記計測データの入力に応じて、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体処理システムから得られる粉体の粒子径分布についての演算結果を出力するよう構成された学習モデルを用いて、取得した計測データに基づき、前記粉体原料の供給速度、前記粉砕ロータの動力値、前記粉体処理システム内の圧力、又は前記粉体の粒子径分布を推定し、
    推定結果に基づき、前記粉砕ロータ又は前記分級ロータの劣化度合いを診断し、
    診断結果を出力する
    処理を実行させるためのコンピュータプログラム。
11. コンピュータに、
    粉体処理のために設けられた回転体を回転駆動する駆動機構を含む粉体処理システムに関して、粉体原料の供給速度、前記粉体原料を粉砕する粉砕ロータの動力値及び回転速度、前記粉体原料を粉砕して得られる粉体を分級する分級ロータの動力値及び回転速度、前記粉体処理システムから得られる粉体の粒子径分布、環境温度、前記粉体処理システムから発せられる音の少なくとも１つを含む計測データを取得し、
    前記計測データの入力に応じて、前記駆動機構における振動値についての演算結果を出力するように構成された学習モデルを用いて、取得した計測データに基づき前記駆動機構における振動値を推定し、
    推定された振動値に基づき、前記駆動機構の劣化度合いを診断し、
    診断結果を出力する
    処理を実行させるためのコンピュータプログラム。

Images