WO2019235242A1 - コントローラ、コントローラの制御方法、学習装置、およびプログラム - Google Patents

コントローラ、コントローラの制御方法、学習装置、およびプログラム Download PDF

Info

Publication number
WO2019235242A1
WO2019235242A1 PCT/JP2019/020552 JP2019020552W WO2019235242A1 WO 2019235242 A1 WO2019235242 A1 WO 2019235242A1 JP 2019020552 W JP2019020552 W JP 2019020552W WO 2019235242 A1 WO2019235242 A1 WO 2019235242A1
Authority
WO
WIPO (PCT)
Prior art keywords
infusion tube
controller
infusion
tube
motor shaft
Prior art date
Application number
PCT/JP2019/020552
Other languages
English (en)
French (fr)
Inventor
康浩 宇治田
白水　岳
貴佳 松山
Original Assignee
オムロン株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2019086497A external-priority patent/JP6981448B2/ja
Application filed by オムロン株式会社 filed Critical オムロン株式会社
Priority to CN201980030201.7A priority Critical patent/CN112074311B/zh
Priority to US17/055,109 priority patent/US20210121623A1/en
Priority to EP19814954.4A priority patent/EP3804783B1/en
Publication of WO2019235242A1 publication Critical patent/WO2019235242A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M5/14212—Pumping with an aspiration and an expulsion action
    • A61M5/14228—Pumping with an aspiration and an expulsion action with linear peristaltic action, i.e. comprising at least three pressurising members or a helical member
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B43/00—Machines, pumps, or pumping installations having flexible working members
    • F04B43/08—Machines, pumps, or pumping installations having flexible working members having tubular flexible members
    • F04B43/082—Machines, pumps, or pumping installations having flexible working members having tubular flexible members the tubular flexible member being pressed against a wall by a number of elements, each having an alternating movement in a direction perpendicular to the axes of the tubular member and each having its own driving mechanism
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M5/14212—Pumping with an aspiration and an expulsion action
    • A61M5/14232—Roller pumps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B23/00—Pumping installations or systems
    • F04B23/02—Pumping installations or systems having reservoirs
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B43/00—Machines, pumps, or pumping installations having flexible working members
    • F04B43/0009—Special features
    • F04B43/0081—Special features systems, control, safety measures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B43/00—Machines, pumps, or pumping installations having flexible working members
    • F04B43/08—Machines, pumps, or pumping installations having flexible working members having tubular flexible members
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B43/00—Machines, pumps, or pumping installations having flexible working members
    • F04B43/12—Machines, pumps, or pumping installations having flexible working members having peristaltic action
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B43/00—Machines, pumps, or pumping installations having flexible working members
    • F04B43/12—Machines, pumps, or pumping installations having flexible working members having peristaltic action
    • F04B43/1253—Machines, pumps, or pumping installations having flexible working members having peristaltic action by using two or more rollers as squeezing elements, the rollers moving on an arc of a circle during squeezing
    • F04B43/1292—Pumps specially adapted for several tubular flexible members
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F04B49/065—Control using electricity and making use of computers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/10—Other safety measures
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a controller, a controller control method, a learning apparatus, and a program.
  • Patent Document 2 a technique for detecting occlusion of an infusion tube is known (for example, see Patent Document 2).
  • Patent Document 2 it is detected whether or not the infusion tube is blocked based on the sensitivity of the ultrasonic reception signal that is propagated through the chemical solution in the infusion tube and received by the ultrasonic sensor. Yes.
  • Japanese Patent Publication Japanese Patent Laid-Open No. 9-262283 (published on Oct. 7, 1997)” Japanese Patent Publication “Japanese Patent Laid-Open No. 2016-214793 (published on December 22, 2016)”
  • the infusion device by changing the infusion tube, it is possible to perform setup change to change the medicinal solution to be infused.
  • Different infusion tubes are used with different diameters depending on the product after filling. When a chemical solution is infused using a wrong infusion tube and filled, there is a problem that the product becomes defective and the product is discarded.
  • One aspect of the present invention has been made in view of the above-described circumstances, and an object thereof is to realize a technique capable of efficiently performing correct / incorrect determination of an infusion tube at the time of setup change.
  • a controller is a controller including a control unit that controls each unit of an infusion device, and the control unit sequentially compresses and relaxes an infusion tube of the infusion device.
  • the motor shaft information indicating the operation state of the motor shaft of the drive motor that drives the operating unit is acquired, and the correctness of the infusion tube is determined based on the motor shaft information.
  • a controller control method is an operation of sequentially compressing and relaxing an infusion tube of the infusion device in the controller control method for controlling each part of the infusion device.
  • the drive motor which drives a part is controlled, and it is the structure which performs the correctness determination of the said infusion tube based on the motor shaft information of the said drive motor.
  • a learning device acquires the motor shaft information from the controller, and uses a machine learning to generate a learned model of the motor shaft information for the infusion tube.
  • the generated learning model is transferred to the controller.
  • a program according to an aspect of the present invention is a program for causing a computer to function as the controller, and configured to cause the computer to function as the control unit.
  • a program according to an aspect of the present invention is configured to cause a computer to function as the learning device.
  • an infusion system includes the controller, a drive motor that drives an operation unit that sequentially compresses and relaxes an infusion tube of the infusion device, and the drive motor.
  • a motor control unit that controls the driving of the motor, and the control unit acquires motor shaft information indicating an operation state of a motor shaft of the drive motor from the motor control unit, and based on the motor shaft information, It is the structure which performs the correctness determination of an infusion tube.
  • FIG. It is a figure which shows schematic structure of the infusion apparatus which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the principal part structure of a controller. It is a figure which shows an example of motor shaft information.
  • (A)-(d) is a figure which shows the example of the parameter input into a learning apparatus. It is a flowchart which shows the flow of a process of a learning apparatus. It is a flowchart which shows the flow of the correctness determination process of a controller. It is a figure which shows typically the flow of the process which determines the kind of infusion tube of the controller. It is a figure which shows the relationship between the learned model, a threshold value, and the abnormal degree of each tube.
  • FIG. It is a table
  • FIG. 1 shows an example of a schematic configuration of an infusion device 10 controlled by a controller 50 according to the present embodiment.
  • FIG. 2 is a block diagram illustrating a main configuration of the controller 50.
  • the controller 50 controls each part of the infusion device 10 as shown in FIG. 1 and FIG.
  • the infusion device 10 is a device for injecting the liquid stored in the liquid injection source 40 into a filling container such as a vial by sequentially compressing and relaxing the infusion tube 20 extending to the liquid injection source 40 with a plurality of fingers 13. It is. In the infusion device 10, by changing the infusion tube 20, it is possible to change the liquid to be infused and perform setup change.
  • the infusion device 10 includes a drive motor 25 that drives the plurality of fingers 13, and a motor control unit 26 that controls the rotation of the drive motor 25.
  • the motor control unit 26 supplies motor axis information including the rotation position, torque, and rotation speed of the motor rotation axis of the drive motor 25 to the controller 50.
  • the controller 50 is, for example, a PLC (Programmable Logic Controller).
  • the controller 50 includes a control unit 60 as a CPU unit that executes main arithmetic processing.
  • the controller 50 determines whether the infusion tube 20 attached to the infusion device 10 is correct based on the motor shaft information acquired from the motor control unit 26.
  • an infusion tube having a different diameter is used for each product manufactured using the infusion device 10.
  • the correctness of the infusion tube 20 is determined by driving the drive motor 25 in a state where the liquid is not in the infusion tube.
  • the controller 50 may store in advance a threshold that is statistically generated based on motor shaft information in a normal state of the plurality of infusion tubes 20. Then, the controller 50 compares the feature amount calculated based on the motor shaft information acquired from the motor control unit 26 with a threshold value stored in advance, and corrects the correctness of the infusion tube 20 attached to the infusion device 10. A determination may be made.
  • the controller 50 may be communicably connected to a learning device 80 that collects motor shaft information in a normal state of the plurality of infusion tubes 20 and performs machine learning. The controller 50 may determine whether the infusion tube 20 is correct based on the feature amount calculated based on the motor shaft information acquired from the motor control unit 26 and the learned model learned by the learning device 80. Good.
  • the controller 50 can determine whether the infusion tube 20 is correct or not in the step change process in which the infusion tube 20 is replaced without putting liquid into the infusion tube 20. Further, the controller 50 determines whether the infusion tube 20 is correct based on the drive shaft information of the drive motor 25 of the infusion device 10. Therefore, the correctness / incorrectness of the infusion tube 20 can be determined without separately providing the infusion device 10 with a part for detecting the state of the infusion tube 20 such as an ultrasonic sensor.
  • FIG. 1 is a diagram schematically illustrating an example of a schematic configuration of an infusion device 10 controlled by a controller 50 according to the present embodiment.
  • FIG. 2 is a block diagram illustrating a main configuration of the controller 50.
  • the controller 50 has a function of referring to the motor shaft information of the drive motor 25 that drives the infusion device 10 to determine whether the infusion tube 20 attached to the infusion device 10 is correct.
  • the drive motor 25, the motor control unit 26 that controls the drive of the drive motor 25, and the controller 50 are collectively referred to as an infusion system.
  • the infusion device 10 includes a lid body 11 and an operation unit 12.
  • the lid 11 and the operating unit 12 are accommodated inside the infusion device 10.
  • the operating unit 12 includes a plurality of fingers 13.
  • the infusion device 10 is provided with a replaceable infusion tube 20.
  • the infusion tube 20 is pressed against the operating unit 12 by the lid 11.
  • the infusion tube 20 is used by being attached to the infusion device 10 so as to extend from the liquid injection source 40 in which the liquid is stored to a filling container 30 such as a vial filled with the liquid.
  • the infusion apparatus 10 includes a drive motor 25 and a motor control unit 26.
  • the drive motor 25 is a general servo motor.
  • the motor control unit 26 controls the position and speed of the drive motor 25.
  • Each of the plurality of fingers 13 is a rod-like member that performs a rectilinear movement toward or away from the lid body 11 by rotation of the drive motor 25 (see FIG. 2).
  • the infusion tube 20 is sequentially compressed and relaxed between the lid 11 and the fingers 13 as the fingers 13 move.
  • the liquid in the infusion tube 20 moves from the liquid injection source 40 toward the filling container 30 by such movement of the plurality of fingers 13.
  • the infusion tube 20 is sequentially compressed and relaxed by causing the plurality of fingers 13 to linearly move by the drive motor 25, and the liquid is filled into the filling container 30.
  • the configuration which is a so-called finger type infusion device has been described.
  • the infusion device 10 is not limited to the finger-type infusion device as described above, and may be a peristaltic infusion device that sequentially compresses and relaxes the tube with a rotary roller.
  • the controller 50 includes a control unit 60 and a data recording unit 70.
  • the controller 50 is connected to the learning device 80 so as to be communicable.
  • the control unit 60 is an arithmetic device having a function of comprehensively controlling each part of the infusion device 10.
  • the control unit 60 acquires motor axis information indicating the operation state of the motor shaft of the drive motor 25 from the motor control unit 26, and supplies a control signal generated based on the acquired motor axis information to the motor control unit 26. Thus, it may be possible to control the drive of the drive motor 25.
  • the data recording unit 70 is a storage for storing various data used by the controller 50.
  • the control unit 60 includes a variable transfer unit 62, a subframe generation unit 63, a feature amount calculation unit 64, a machine learning calculation unit 65, and a determination output unit 66.
  • the variable transfer unit 62 acquires motor shaft information indicating the operation state of the motor shaft including information on the position, speed, and torque of the drive motor 25 from the motor control unit 26.
  • the subframe generation unit 63 refers to the acquired motor shaft information and determines a subframe for confirming the movement of the infusion device 10.
  • the sub-frame generation unit 63 generates a sub-frame of motor shaft information during a period in which the drive state of the drive motor 25 is in a predetermined state.
  • FIG. 3 is a diagram showing an example of motor shaft information.
  • the infusion device 10 is configured to perform the filling once by rotating the drive motor 25 three times.
  • the operation of the drive motor 25 is stopped for a certain time between one filling and the next filling. While the operation of the drive motor 25 is stopped, there is no change in the position, speed, and torque of the motor shaft. Therefore, the sub-frame generating unit 63 sets a period during which the drive motor 25 is driven and liquid is filled in the acquired motor axis information as a sub-frame.
  • the subframe generation unit 63 performs, for example, a subframe generation process for extracting a period in which the rotation speed of the motor shaft of the drive motor 25 is equal to or greater than a predetermined value as a subframe. For example, the sub-frame generation unit 63 extracts the motor shaft information in the sub-frame by setting the section where the rotational speed of the motor shaft of the drive motor 25 is speed> 10 pulses / s as the sub-frame. The sub-frame generation unit 63 supplies the extracted motor axis information to at least one of the data recording unit 70 and the feature amount calculation unit 64.
  • the feature amount calculation unit 64 calculates a feature amount indicating the feature of the drive state of the drive motor 25 using the motor shaft information extracted by the subframe generation unit 63. As described above, the feature amount calculation unit 64 calculates the feature amount of the motor shaft during the period in which the drive state of the drive motor 25 is in a predetermined state. For example, the feature amount calculation unit 64 calculates, as a feature amount, an average value of torque in a section where the rotational speed of the motor shaft of the drive motor 25 is speed> 10 pulses / s. The feature amount calculation unit 64 supplies the calculated feature amount to the machine learning calculation unit 65.
  • the machine learning calculation unit 65 receives the feature amount calculated by the feature amount calculation unit 64 and calculates a degree of abnormality by referring to a learned model created in a learning flow to be described later. For example, the average value of torque is input to the machine learning calculation unit 65 as a feature amount, and the degree of abnormality of the average value of torque with respect to the learned model is calculated.
  • the determination output unit 66 receives the degree of abnormality calculated by the machine learning calculation unit 65 as input, and determines whether the infusion tube 20 is correct or not depending on whether the degree of abnormality exceeds a threshold value created in a learning flow described later. Do.
  • the controller 50 refers to the motor shaft information of the drive motor 25, calculates the feature amount during a period in which the drive state of the drive motor 25 is in a predetermined state, and based on the feature amount, the controller 50 Make a correct / incorrect decision. For example, the controller 50 determines whether the infusion tube 20 is correct based on the torque value of the motor shaft of the drive motor during a period in which the rotation speed of the motor shaft of the drive motor 25 is equal to or greater than a predetermined value. Therefore, the controller 50 can efficiently perform correct / incorrect determination of the infusion tube 20 at the time of setup change without separately providing a sensor such as an ultrasonic sensor.
  • a suitable infusion tube 20 is selected from a plurality of infusion tubes 20 having different diameters according to the product to be manufactured. If the diameter of the infusion tube 20 is different, the value of the motor shaft of the drive motor 25 that compresses and relaxes the infusion tube 20 is different.
  • a learning device 80 is connected to the controller 50.
  • the learning device 80 acquires information such as the speed, torque, and position of the motor shaft of the drive motor 25 for each of all the infusion tubes 20 used in the infusion device 10 from the controller 50. Then, the learning device 80 performs machine learning on the motor axis information, and generates a learned model indicating the normal state of the motor axis information for each infusion tube 20. The learning device 80 transfers the generated learned model to the controller 50.
  • the learning device 80 includes a feature amount calculation unit 81 and a machine learning model generation unit 82.
  • the feature amount calculation unit 81 refers to the subframe of the value of the motor shaft of the drive motor 25 recorded in the data recording unit 70 of the controller 50, and calculates the feature amount.
  • the feature amount calculation unit 81 particularly calculates the feature amount by referring to the subframe of the value of the motor shaft of the drive motor 25 when the infusion device 10 is operated in a state where no liquid is contained in the infusion tube 20. .
  • FIG. 4A to 4D are diagrams showing examples of parameters input to the learning device 80.
  • FIG. FIG. 4A is a diagram illustrating an average value of torque of the motor shaft of the drive motor 25.
  • FIG. 4B is a diagram showing the standard deviation of the torque of the motor shaft of the drive motor 25.
  • FIG. 4C is a diagram showing the maximum value of the torque of the motor shaft of the drive motor 25.
  • FIG. 4D is a diagram showing the minimum value of the torque of the motor shaft of the drive motor 25.
  • the feature amount calculation unit 81 may receive a plurality of parameters for the motor shaft of the drive motor 25.
  • FIG. 4 illustrates only parameters related to the torque of the motor shaft of the drive motor 25. However, in addition to the torque, parameters related to speed and position may be input to the learning device 80. .
  • the feature amount calculation unit 81 calculates a feature amount indicating the normal state of each infusion tube 20 with reference to these input parameters.
  • the machine learning model generation unit 82 performs machine learning on the feature amount of each infusion tube 20 calculated by the feature amount calculation unit 81, and shows a learned model indicating the normal state of the correlation between each infusion tube 20 and motor axis information. Is generated. Further, the machine learning model generation unit 82 generates a threshold value of the degree of abnormality for separating each infusion tube 20 from other infusion tubes 20 based on the learned model of each infusion tube 20.
  • FIG. 5 is a flowchart showing the flow of processing of the learning device 80, and shows the flow of processing for generating a learned model.
  • the controller 50 and the learning device 80 execute processing for generating a learned model.
  • step S1 an empty infusion tube 20 containing no liquid is attached to the infusion device 10 (step S1).
  • step S2 the drive motor 25 is driven by the function of the motor control unit 26.
  • the control unit 60 of the controller 50 acquires motor shaft information by the function of the variable transfer unit 62 (step S2).
  • the control unit 60 generates a subframe by the function of the subframe generation unit 63 based on the motor axis information acquired through the variable transfer unit 62 (step S3).
  • the control unit 60 records the motor shaft information in the subframe generated by the subframe generation unit 63 in the data recording unit 70 (step S4).
  • the controller 50 repeatedly executes the processing of step S1 to step S4 for all the infusion tubes 20 that are used by being appropriately replaced in the infusion device 10.
  • the learning device 80 acquires the sub-frame of the motor shaft information recorded in the data recording unit 70 of the controller 50 and calculates the feature amount of each infusion tube 20 by the function of the feature amount calculation unit 81. Further, the learning device 80 generates a learned model of each infusion tube 20 and a threshold value of the degree of abnormality by the function of the machine learning model generation unit 82 (step S5). The learning device 80 supplies the learned model of each infusion tube 20 to the controller 50.
  • the controller 60 of the controller 50 stores the acquired learned model of each infusion tube 20 in the feature amount calculator 64 and the machine learning calculator 65 (step S6). Further, the learning device 80 supplies the controller 50 with a threshold value of the degree of abnormality of each infusion tube 20.
  • the control part 60 of the controller 50 preserve
  • FIG. 6 is a flowchart showing the flow of the correctness / incorrectness determination process of the infusion tube 20 by the controller 50.
  • the controller 50 performs a correct / incorrect determination to determine whether or not a mistake in attaching the infusion tube 20 has occurred to a product to be manufactured in the step change process of replacing the infusion tube 20.
  • the controller 50 determines whether the abnormality level of the feature amount of the attached infusion tube 20 with respect to the learned model indicating the normal state of the correlation between each infusion tube 20 generated by the learning device 80 and the motor shaft information is a threshold value. Whether the infusion tube 20 is correct or not is determined according to whether or not it exceeds.
  • the infusion tube 20 attached to the infusion device 10 is exchanged.
  • An empty infusion tube 20 containing no liquid is attached to the infusion device 10 (step S11).
  • the drive motor 25 is driven by the function of the motor control unit 26.
  • the operation unit 12 sequentially compresses and relaxes the empty infusion tube 20.
  • the control unit 60 of the controller 50 acquires motor shaft information by the function of the variable transfer unit 62 (step S12).
  • the control unit 60 generates a subframe by the function of the subframe generation unit 63 based on the motor axis information acquired through the variable transfer unit 62 (step S13).
  • the control unit 60 refers to the motor shaft information in the subframe generated by the subframe generation unit 63, and calculates the feature amount of the infusion tube 20 attached by the function of the feature amount calculation unit 64.
  • the feature amount calculation unit 64 calculates, for example, an average value of the torque of the drive motor 25 in each subframe as a feature amount (step S14).
  • the control unit 60 uses the function of the machine learning calculation unit 65 to calculate the degree of abnormality of the feature amount calculated by the feature amount calculation unit 64 with respect to the learned model of the correct infusion tube 20 (step S15).
  • the user when exchanging the infusion tube 20, the user performs an input operation such as selecting a product to be manufactured with respect to the controller 50.
  • the controller 50 recognizes the infusion tube 20 to be attached, and uses the correct learned model of the infusion tube 20 for calculating the degree of abnormality by the machine learning calculation unit 65.
  • the control unit 60 performs the correctness determination of the infusion tube 20 based on whether the degree of abnormality calculated by the machine learning calculation unit 65 exceeds the threshold value of the target infusion tube 20 by the function of the determination output unit 66. . Then, the determination output unit 66 outputs a determination result (step S16).
  • the controller 50 when replacing the infusion tube 20 of the infusion device 10, acquires the motor shaft information of the drive motor 25, and based on the motor shaft information, the controller 50 Make a correct / incorrect decision. Therefore, it is not necessary to separately provide an ultrasonic sensor or the like in order to determine whether the infusion tube 20 is correct or not, and it is possible to prevent the apparatus and control from becoming complicated.
  • the controller 50 uses the learned model in which the motor shaft information of the drive motor 25 is learned by machine learning, calculates the degree of abnormality with respect to the learned model, and determines whether the infusion tube 20 is correct or incorrect.
  • a learned model learned by machine learning even if information including a plurality of parameters such as speed, torque, and position, such as motor shaft information, is used, a one-dimensional value called an abnormality degree is obtained. It is possible to set a threshold value for and perform correct / incorrect determination. Therefore, generation
  • the controller 50 can make a correct / incorrect determination of the infusion tube 20 in a state where no liquid is contained in the infusion tube 20. Therefore, even if the infusion tube 20 is wrongly attached as a result of the correctness / incorrectness determination by the controller 50, the infusion tube 20 can be easily replaced again, and the infusion tube 20 can be exchanged more efficiently. be able to.
  • Embodiment 2 of the present invention will be described below.
  • members having the same functions as those described in the first embodiment are denoted by the same reference numerals, and the description thereof will not be repeated.
  • the controller 50, and the learning apparatus 80 which concern on Embodiment 2 it is the same as that of the structure of Embodiment 1 demonstrated with reference to FIG. 1 and FIG. 2, The description is abbreviate
  • the controller 50 performs correct / incorrect determination of the target infusion tube 20 using the learned model of the normal infusion tube 20 has been described.
  • the controller 50 is not limited to this mode, and the controller 50 may be able to determine which of the plurality of different infusion tubes the infusion tube 20 attached to the infusion device 10 is.
  • FIG. 7 is a diagram schematically showing a flow of processing in which the controller 50 determines the type of the infusion tube 20 attached to the infusion device 10.
  • the controller 50 calculates a feature amount such as an average value of torque of the motor shaft of the drive motor 25 by the function of the feature amount calculation unit 64.
  • the controller 50 uses the function of the machine learning calculation unit 65 to determine the degree of abnormality with respect to the learned model that determines that each of the multiple types of infusion tubes 20 is normal for the feature amount calculated by the feature amount calculation unit 64. Is calculated.
  • the infusion device 10 can be used with any one of the tube 1, the tube 2, and the tube 3 attached thereto.
  • the tube 1, the tube 2, and the tube 3 can be configured to be, for example, silicon tubes having diameters of 1.6 mm, 2.4 mm, and 3.2 mm, respectively.
  • the machine learning calculation unit 65 calculates the degree of abnormality of the target infusion tube 20 with respect to the learned model in which each of the tube 1, the tube 2, and the tube 3 is normal.
  • the controller 50 uses the function of the determination output unit 66 to inject the infusion solution attached to the infusion device 10 based on the degree of abnormality of the target infusion tube 20 with respect to the learned model of each tube and the threshold value of the degree of abnormality of each tube.
  • the type of the tube 20 is specified.
  • FIG. 8 is a diagram showing the relationship between the learned model for determining that the tube 1 is normal, the threshold value, and the degree of abnormality of each tube.
  • FIG. 9 is a diagram illustrating a relationship between a learned model that determines that the tube 2 is normal, a threshold value, and the degree of abnormality of each tube.
  • FIG. 10 is a diagram illustrating a relationship between a learned model that determines that the tube 3 is normal, a threshold value, and the degree of abnormality of each tube.
  • the determination output unit 66 uses the tube 1 as the target infusion tube. Judge that there is. On the other hand, since the abnormal degree of the feature amount of the tube 2 and the tube 3 with respect to the learned model for determining the tube 1 as normal exceeds the threshold value, the determination output unit 66 determines that the target infusion tube is the tube 2 and It is determined that none of the tubes 3 is present.
  • the determination output unit 66 determines that the target infusion tube is a tube. 2 is determined.
  • the determination output unit 66 determines that the target infusion tube is the tube 1 and It is determined that none of the tubes 3 is present.
  • the determination output unit 66 determines that the target infusion tube is a tube. 3 is determined.
  • the determination output unit 66 determines that the target infusion tube is the tube 1 and It is determined that neither of the tubes 2 is present.
  • the controller 50 calculates the feature amount of the target infusion tube 20 based on the motor shaft information of the drive motor 25. Then, the controller 50 calculates the degree of abnormality of the feature amount of the target infusion tube 20 for each learned model for a plurality of different infusion tubes that can be used in the infusion device 10. The controller 50 can determine the type of the infusion tube 20 being used with reference to the calculated degree of abnormality.
  • the controller 50 refers to the plurality of learned models stored in the machine learning calculation unit 65 based on the motor axis information of the drive motor 25 and can identify the infusion tube 20 that is attached. it can. Therefore, in the step change process of replacing the infusion tube 20, the user replaces the infusion tube 20 and executes the tube identification determination by the controller 50, so that the correct tube is attached or the wrong tube is attached. You can know what is being done.
  • FIG. 11 shows an example of a schematic configuration of the infusion device 110 according to the second embodiment controlled by the controller 50.
  • the controller 50 which controls the infusion apparatus 110, it is the same as that of the controller 50 mentioned above using FIG. 2, The description is abbreviate
  • the infusion device 110 is constituted by a peristaltic pump and includes a jig 111, a rotor 112, and a roller 113.
  • the rotor 112 is rotated by a drive motor 25 as a servo motor.
  • the controller 50 acquires motor axis information (for example, torque value) based on the control information of the servo motor without providing a sensor or the like for acquiring motor axis information. be able to.
  • the roller 113 is provided around the rotor 112 at a predetermined interval, and moves circularly as the rotor 112 rotates.
  • the roller 113 is rotatably provided on the rotor 112 and rotates in a direction opposite to the rotation of the rotor 112 while contacting the infusion tube 120.
  • the infusion device 110 rotates and moves the plurality of rollers 113 by the drive motor 25, thereby sequentially compressing and relaxing the infusion tube 120 between the roller 113 and the jig 111. Liquid is fed in the same direction as the rotation direction of the rotor 112.
  • FIG. 12 is a table showing an example of an infusion tube 120 used in the infusion device 110 and an attached state.
  • the tube inner diameter indicates the inner diameter of the infusion tube 120, that is, the diameter of the passage through which the liquid flows.
  • the tube outer shape indicates the outer diameter of the infusion tube 120 itself.
  • the thickness indicates the difference between the outer diameter of the tube and the inner diameter of the tube. The thickness of the infusion tube 120 when compressed until the inner diameter of the infusion tube 120 becomes zero, that is, twice the thickness of the infusion tube 120. Show.
  • FIG. 13 is a diagram schematically showing the clamping clearance.
  • the clamping clearance indicates a gap between the roller 113 and the jig 111. That is, the pinching clearance indicates a clearance for pinching and compressing the infusion tube 120 between the roller 113 and the jig 111.
  • the clamping clearance is set according to the type of infusion tube 120 to be used. For example, the clearance is changed by exchanging the jig 111 or changing the position.
  • the tube crushing thickness indicates the amount by which the tube material itself is compressed when the infusion tube 120 is compressed by the roller 113. That is, it corresponds to the difference between the thickness and the clamping clearance.
  • the control unit 60 refers to the motor axis information of the drive motor 25 in each subframe by using the function of the feature amount calculation unit 64 in step S14. Calculate the amount.
  • the feature amount calculation unit 64 calculates a feature amount based on the torque value of the motor shaft.
  • the feature amount calculation unit 64 can calculate an appropriate feature amount according to the characteristics of the infusion tube 120 by calculating the feature amount based on the torque value of the motor shaft.
  • step S15 the control unit 60 calculates the degree of abnormality (feature amount score) of the feature amount calculated by the feature amount calculation unit 64 with respect to the learned model of the correct infusion tube 120 by the function of the machine learning calculation unit 65. .
  • FIGS. 14 to 19 show variations in the degree of abnormality of each infusion tube 120 with respect to the learned model when each of the infusion tubes 120 having an inner diameter of 1 mm, 1.5 mm, 2 mm, 2.5 mm, 3 mm, and 4 mm is positive. It is the box-and-whisker diagram shown. The horizontal axis indicates the inner diameter of the infusion tube 120, and the vertical axis indicates the degree of abnormality.
  • the determination output unit 66 performs correct / incorrect determination of the infusion tube 120 based on whether or not the degree of abnormality of the target infusion tube 120 exceeds a predetermined threshold.
  • the threshold value may be set based on the standard deviation in the distribution of the degree of abnormality of the learned model of the correct infusion tube 120. For example, a value obtained by adding a value obtained by adding a standard deviation to a predetermined magnification (for example, 2 to 4 times) to the average value of the degree of abnormality distribution of the learned model of the correct infusion tube 120 is set as the threshold value.
  • FIG. 14 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 1 mm is positive.
  • the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 1 mm has a median value of less than 0.4 and a maximum value of about 0.47.
  • the infusion tube 120 having an inner diameter of 1.5 mm, 2 mm, 2.5 mm, 3 mm, and 4 mm has an abnormality degree of about 0.7 to 0.8.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the distribution of abnormalities does not exceed the threshold value. In addition, the determination output unit 66 indicates that when the target infusion tube 120 is a tube having an inner diameter of 1.5 mm, 2 mm, 2.5 mm, 3 mm, or 4 mm, the distribution of abnormalities exceeds a threshold value. It is determined that an incorrect infusion tube 120 is attached.
  • the determination output unit 66 refers to a threshold corresponding to the required determination accuracy among a plurality of thresholds such as a level 1 threshold and a level 2 threshold, and whether or not the degree of abnormality of the target infusion tube 120 exceeds the threshold. It may be possible to determine.
  • the determination output unit 66 can determine the correctness of the infusion tube 120 with a strict accuracy by determining the infusion tube 120 using a smaller threshold, for example, the level 1 threshold in the example of FIG. In this case, the possibility of determining that the incorrect infusion tube 120 is correct is low, but the possibility that the correct infusion tube 120 is determined to be incorrect is high.
  • the determination output unit 66 may be configured to change the threshold value according to a user instruction according to the required determination accuracy.
  • FIG. 15 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 1.5 mm is positive. As shown in FIG. 15, the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 1.5 mm does not exceed the threshold value. On the other hand, in the infusion tube 120 having an inner diameter of 1 mm, 2 mm, 2.5 mm, 3 mm, and 4 mm, the variation in the degree of abnormality exceeds the threshold value.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the abnormality degree distribution does not exceed the threshold value. In addition, when the target infusion tube 120 is a tube having an inner diameter of 1 mm, 2 mm, 2.5 mm, 3 mm, or 4 mm, the determination output unit 66 is erroneous because the abnormal degree distribution exceeds the threshold value. It is determined that the infusion tube 120 is attached.
  • FIG. 16 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 2 mm is positive. As shown in FIG. 16, the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 2 mm does not exceed the threshold value. On the other hand, in the infusion tube 120 having an inner diameter of 1 mm, 1.5 mm, 2.5 mm, 3 mm, and 4 mm, the variation in the degree of abnormality exceeds the threshold value.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the distribution of abnormalities does not exceed the threshold value. Further, the determination output unit 66 indicates that when the target infusion tube 120 is a tube having an inner diameter of 1 mm, 1.5 mm, 2.5 mm, 3 mm, or 4 mm, the abnormality degree distribution exceeds the threshold value. It is determined that an incorrect infusion tube 120 is attached.
  • FIG. 17 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 2.5 mm is positive. As shown in FIG. 17, the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 2.5 mm does not exceed the threshold value. On the other hand, in the infusion tube 120 having an inner diameter of 1 mm, 1.5 mm, 2 mm, 3 mm, and 4 mm, the variation in the degree of abnormality exceeds the threshold value.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the distribution of abnormalities does not exceed the threshold value. In addition, when the target infusion tube 120 is a tube having an inner diameter of 1 mm, 1.5 mm, 2 mm, 3 mm, or 4 mm, the determination output unit 66 is erroneous because the abnormal degree distribution exceeds the threshold value. It is determined that the infusion tube 120 is attached.
  • FIG. 18 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 3 mm is positive. As shown in FIG. 18, the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 3 mm does not exceed the threshold value. On the other hand, in the infusion tube 120 having an inner diameter of 1 mm, 1.5 mm, 2 mm, 2.5 mm, and 4 mm, variation in the degree of abnormality exceeds a threshold value.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the abnormality degree distribution does not exceed the threshold value. In addition, the determination output unit 66 indicates that when the target infusion tube 120 is a tube having an inner diameter of 1 mm, 1.5 mm, 2 mm, 2.5 mm, or 4 mm, the abnormality degree distribution exceeds the threshold value. It is determined that an incorrect infusion tube 120 is attached.
  • FIG. 19 shows the variation in the degree of abnormality of each infusion tube 120 when the infusion tube 120 having an inner diameter of 4 mm is positive. As shown in FIG. 19, the variation in the degree of abnormality of the infusion tube 120 having a positive inner diameter of 4 mm does not exceed the threshold value. On the other hand, in the infusion tube 120 having an inner diameter of 1 mm, 1.5 mm, 2 mm, 2.5 mm, and 3 mm, the variation in the degree of abnormality exceeds the threshold value.
  • the determination output unit 66 determines that the correct infusion tube 120 is attached because the abnormality degree distribution does not exceed the threshold value. In addition, the determination output unit 66 indicates that when the target infusion tube 120 is a tube having an inner diameter of 1 mm, 1.5 mm, 2 mm, 2.5 mm, or 3 mm, the distribution of abnormalities exceeds a threshold value. It is determined that an incorrect infusion tube 120 is attached.
  • control unit 60 calculates the feature amount based on the torque value of the motor shaft, calculates the degree of abnormality of the feature amount with respect to the learned model of the correct infusion tube 120, and performs correctness determination.
  • the difference in the tube diameter of 0.5 mm can be properly identified and correct / incorrect can be determined.
  • this correctness / incorrectness determination can be performed accurately even when the infusion tube 120 has different inner diameters, and the outer diameter, thickness, clamping clearance, and tube crushing thickness are different, thus realizing correctness determination with robustness. can do.
  • control part 60 can determine the internal diameter of the infusion tube 120 attached by performing the correctness determination by each internal diameter sequentially.
  • the example in which the inner diameter, the outer diameter, the thickness, the clamping clearance, and the tube crushing thickness of the infusion tube 120 are different is shown. That is, if the material of the infusion tube 120 is different, the flexibility of the infusion tube 120 is different, and the feature amount score is different. Therefore, it is possible to determine the material of the infusion tube 120 by the above-described correctness determination.
  • the flexibility of the infusion tube 120 will be different, and the feature amount score will be different. Therefore, it is possible to determine the degree of aging deterioration of the infusion tube 120 by the above-described correctness determination.
  • Control blocks of controller 50 (particularly subframe generation unit 63, feature amount calculation unit 64, machine learning calculation unit 65 and determination output unit 66), and control blocks of learning device 80 (particularly feature amount calculation unit 81 and machine learning model generation)
  • the unit 82 may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or may be realized by software.
  • the controller 50 and the learning device 80 include a computer that executes instructions of a program that is software for realizing each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium storing the program.
  • the processor reads the program from the recording medium and executes the program, thereby achieving the object of the present invention.
  • a CPU Central Processing Unit
  • the recording medium a “non-temporary tangible medium” such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used.
  • a RAM Random Access Memory
  • the program may be supplied to the computer via an arbitrary transmission medium (such as a communication network or a broadcast wave) that can transmit the program.
  • an arbitrary transmission medium such as a communication network or a broadcast wave
  • one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the program is embodied by electronic transmission.
  • the specific configuration of the classification and learning process for generating the learned model by the learning device 80 does not limit the present embodiment, and for example, any one of the following machine learning methods or a combination thereof is used. be able to.
  • SVM Support Vector Machine
  • IDP Inductive Logic Programming
  • GP Genetic Algorithm
  • BN Baysian Network
  • NN Neural network
  • 3D data may be processed and used in advance for input to the neural network.
  • a method such as data argumentation (Deta Argumentation) can be used in addition to the one-dimensional arrangement or multidimensional arrangement of data.
  • a convolutional neural network including convolution processing
  • CNN Convolutional Neural Network
  • a convolution layer that performs a convolution operation is provided as one or a plurality of layers (layers) included in the neural network, and a filter operation (product-sum operation) is performed on input data input to the layer. It is good also as a structure. Further, when performing the filter operation, a process such as padding may be used together, or an appropriately set stride width may be adopted.
  • a multi-layer or super multi-layer neural network having several tens to several thousand layers may be used.
  • the machine learning used for the learned model generation process by the learning device 80 may be supervised learning or unsupervised learning.
  • the controller is a controller including a control unit that controls each unit of the infusion device, and the control unit is a drive motor that drives an operation unit that sequentially compresses and relaxes the infusion tube of the infusion device.
  • the motor shaft information indicating the operation state of the motor shaft is acquired, and the correctness / incorrectness of the infusion tube is determined based on the motor shaft information.
  • the correctness of the infusion tube is determined based on the motor shaft information of the drive motor, there is no need to separately provide components such as a sensor for detecting the state of the infusion tube.
  • the correctness of the infusion tube can be determined even if there is no liquid in the infusion tube, it is possible to easily replace the infusion tube after the correctness determination even if the infusion tube is installed incorrectly. it can. Therefore, the correctness / incorrectness determination of the infusion tube at the time of setup change can be performed efficiently.
  • control unit refers to the motor shaft information, calculates a feature amount during a period in which the drive state of the drive motor is in a predetermined state, and based on the feature amount Thus, the correctness of the infusion tube is determined.
  • the correctness / incorrectness of the infusion tube is determined based on the feature amount during the period in which the drive motor is in the drive state. Since the motor shaft information does not change while the drive motor operation is stopped, the motor shaft information is referred to while the drive motor operation is stopped, and erroneous correct / incorrect determination is performed. Can be prevented.
  • control unit refers to the motor shaft information, and the torque of the motor shaft of the drive motor during a period in which the rotation speed of the motor shaft of the drive motor is equal to or greater than a predetermined value. Based on the value, the correctness of the infusion tube is determined.
  • a period in which the rotation speed of the motor shaft of the drive motor is equal to or greater than a predetermined value is defined as a period in which the drive motor is operating, and based on the torque value of the motor shaft of the drive motor in this period.
  • the correctness of the infusion tube is determined.
  • the torque of the drive motor when compressing and relaxing the infusion tube depends on the diameter of the infusion tube. Therefore, the correctness / incorrectness of the infusion tube can be accurately and efficiently determined by performing the correctness / incorrectness determination of the infusion tube based on the torque value of the motor shaft of the drive motor during the period in which the drive motor is operating.
  • controller is configured such that the control unit determines whether the infusion tube is correct or not using a learned model in which motor shaft information of the drive motor is learned by machine learning.
  • a plurality of parameters such as speed, torque, and position are learned by machine learning for the motor shaft of the drive motor, a learned model is generated, and correctness of the infusion tube is determined.
  • correct / incorrect determination of an infusion tube is performed without using machine learning, it is necessary to set an individual threshold value for each parameter and perform correct / incorrect determination.
  • correct / incorrect determination is performed using a learned model generated by machine learning, it is possible to perform correct / incorrect determination by setting a one-dimensional threshold even when using a plurality of parameters. It is possible to execute correctness determination with a high degree of freedom.
  • the infusion apparatus can use a plurality of different infusion tubes, and the control unit is used based on motor shaft information of the drive motor. It is the structure which determines the kind of the said infusion tube.
  • controller is configured such that the control unit determines the diameter of the infusion tube being used based on motor shaft information of the drive motor.
  • controller can cope with a case where a peristaltic pump is used as the infusion device.
  • a controller control method is an operation of sequentially compressing and relaxing an infusion tube of the infusion device in the controller control method for controlling each part of the infusion device.
  • the drive motor which drives a part is controlled, and it is the structure which performs the correctness determination of the said infusion tube based on the motor shaft information of the said drive motor.
  • the correctness / incorrectness of the infusion tube can be determined without separately providing components such as a sensor for detecting the state of the infusion tube.
  • the correctness of the infusion tube can be determined even if there is no liquid in the infusion tube, it is possible to easily replace the infusion tube after the correctness determination even if the infusion tube is installed incorrectly. it can. Therefore, the correctness / incorrectness determination of the infusion tube at the time of setup change can be performed efficiently.
  • a learning device acquires the motor shaft information from the controller, and uses a machine learning to generate a learned model of the motor shaft information for the infusion tube.
  • the generated learning model is transferred to the controller.
  • the correctness of the infusion tube can be determined using the learned model of the motor shaft information generated by the learning device. Therefore, correctness determination can be performed by setting a one-dimensional threshold using motor shaft information including a plurality of parameters such as speed, position, and torque.
  • a program according to an aspect of the present invention is a program for causing a computer to function as the controller, and configured to cause the computer to function as the control unit.
  • the computer can function as a controller, and correctness of the infusion tube can be determined.
  • a program according to an aspect of the present invention is configured to cause a computer to function as the learning device.
  • the computer can function as a learning device, a learned model can be generated, and the correctness of the infusion tube can be determined.
  • an infusion system includes the controller, a drive motor that drives an operation unit that sequentially compresses and relaxes an infusion tube of the infusion device, and the drive motor.
  • a motor control unit that controls the driving of the motor, and the control unit acquires motor shaft information indicating an operation state of a motor shaft of the drive motor from the motor control unit, and based on the motor shaft information, It is the structure which performs the correctness determination of an infusion tube.
  • the correctness of the infusion tube is determined based on the motor shaft information of the drive motor, there is no need to separately provide components such as a sensor for detecting the state of the infusion tube.
  • the correctness of the infusion tube can be determined even if there is no liquid in the infusion tube, it is possible to easily replace the infusion tube after the correctness determination even if the infusion tube is installed incorrectly. it can. Therefore, the correctness / incorrectness determination of the infusion tube at the time of setup change can be performed efficiently.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Anesthesiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Vascular Medicine (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

段取り替え時の輸液チューブの正誤判定を効率良く行う。輸液装置（１０）の輸液チューブ（２０）を順次圧縮および弛緩する作動部（１２）を駆動する駆動モータ（２５）のモータ軸情報を取得し、前記モータ軸情報に基づいて、前記輸液チューブ（２０）の正誤判定を行う。

Description

コントローラ、コントローラの制御方法、学習装置、およびプログラム
　本発明は、コントローラ、コントローラの制御方法、学習装置、およびプログラムに関する。
　従来、輸液チューブを圧縮および弛緩することで、輸液チューブ内の薬液を輸液し、バイアルビン等の充填容器に充填する輸液装置が知られている（例えば、特許文献１参照）。
　また、これらの輸液装置において、輸液チューブの閉塞検知を行う技術が知られている（例えば、特許文献２参照）。特許文献２に記載の技術では、輸液チューブ内の薬液中を伝播して超音波センサによって受信された超音波の受信信号の感度に基づいて、輸液チューブが閉塞しているか否かを検知している。
日本国公開特許公報「特開平９－２６２２８３号公報（１９９７年１０月７日公開）」 日本国公開特許公報「特開２０１６－２１４７９３号公報（２０１６年１２月２２日公開）」
　ところで、輸液装置では、輸液チューブを交換することで、輸液する薬液を変更する段取り替えを行うことができる。輸液チューブは、充填後の製品に応じて、異なる直径の物が用いられる。間違った輸液チューブを用いて薬液を輸液し、充填を行った場合には、製品が不良となり、製品の廃棄に至るという問題がある。
　そのため、段取り替えの工程では、間違った輸液チューブを用いていないかを確認する必要がある。上述の従来技術のように、超音波センサを用いて間違った輸液チューブを用いていないかを確認することもできるが、超音波センサを別途設けることで装置が複雑化するという懸念がある。また、超音波センサを用いた場合には、輸液チューブ内に薬液を流し、輸液チューブ内の薬液中を伝播する超音波を検知する必要があり、段取り替えの作業が煩雑化する。
　本発明の一態様は、上述した事情に鑑みてなされたものであり、段取り替え時の輸液チューブの正誤判定を効率良く行うことができる技術を実現することを目的とする。
　前記の課題を解決するために、本発明の一態様に係るコントローラは、輸液装置の各部を制御する制御部を備えたコントローラにおいて、前記制御部は、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータのモータ軸の動作状態を示すモータ軸情報を取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　また、前記の課題を解決するために、本発明の一態様に係るコントローラの制御方法は、輸液装置の各部を制御するコントローラの制御方法において、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータを制御し、前記駆動モータのモータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　また、前記の課題を解決するために、本発明の一態様に係る学習装置は、前記コントローラから前記モータ軸情報を取得し、機械学習によって、前記輸液チューブに対する前記モータ軸情報の学習済モデルを生成し、生成した前記学習済モデルを、前記コントローラに転送する構成である。
　また、前記の課題を解決するために、本発明の一態様に係るプログラムは、前記コントローラとしてコンピュータを機能させるためのプログラムであって、前記制御部としてコンピュータを機能させる構成である。
　また、前記の課題を解決するために、本発明の一態様に係るプログラムは、前記学習装置としてコンピュータを機能させる構成である。
　また、前記の課題を解決するために、本発明の一態様に係る輸液システムは、前記コントローラと、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータと、前記駆動モータの駆動を制御するモータ制御部と、を備え、前記制御部は、前記駆動モータのモータ軸の動作状態を示すモータ軸情報を前記モータ制御部から取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　本発明の一態様によれば、段取り替え時の輸液チューブの正誤判定を効率良く行うことができる。
実施形態１に係る輸液装置の概略構成を示す図である。 コントローラの要部構成を示すブロック図である。 モータ軸情報の一例を示す図である。 （ａ）～（ｄ）は、学習装置に入力されるパラメータの例を示す図である。 学習装置の処理の流れを示すフローチャートである。 コントローラの正誤判定処理の流れを示すフローチャートである。 コントローラ５０の輸液チューブの種類を判定する処理の流れを模式的に示す図である。 学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。 学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。 学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。 実施形態２に係る輸液装置の概略構成を示す図である。 チューブの種類の例を示す表である。 挟み付けクリアランスを模式的に示す図である。 内径が１ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。 内径が１．５ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。 内径が２ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。 内径が２．５ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。 内径が３ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。 内径が４ｍｍのチューブに対する他のチューブの特徴量スコアを示すである。
　以下、本発明の一側面に係る実施形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。
　§１　適用例
　まず、図１及び図２を用いて、本発明が適用される場面の一例について説明する。図１は、本実施形態に係るコントローラ５０により制御される輸液装置１０の概略構成の一例を示している。図２は、コントローラ５０の要部構成を示すブロック図である。
　本実施形態に係るコントローラ５０は、図１、及び図２に示されるとおり、輸液装置１０の各部を制御する。輸液装置１０は、液体注入元４０に延びる輸液チューブ２０を、複数のフィンガ１３で順次圧縮及び弛緩することで、液体注入元４０に貯留された液体を、バイアル瓶等の充填容器に注入する装置である。輸液装置１０では、輸液チューブ２０を交換することで、輸液する液体を変更する、段取り替えを行うことができる。
　輸液装置１０は、複数のフィンガ１３を駆動させる駆動モータ２５と、駆動モータ２５の回転を制御するモータ制御部２６と、を備えている。モータ制御部２６は、駆動モータ２５のモータ回転軸の回転位置、トルク、および回転速度を含むモータ軸情報を、コントローラ５０に供給する。
　コントローラ５０は、例えば、ＰＬＣ（Programmable Logic Controller）である。コントローラ５０は、主たる演算処理を実行するＣＰＵユニットとして制御部６０を含んでいる。コントローラ５０は、モータ制御部２６から取得したモータ軸情報に基づいて、輸液装置１０に装着されている輸液チューブ２０の正誤判定を行う。
　輸液装置１０では、輸液装置１０を用いて製造する製品ごとに異なる直径の輸液チューブを使用する。輸液装置１０で多品種の製品を製造する場合には、頻繁に輸液チューブを交換する必要がある。輸液装置１０では、輸液チューブの交換が行われた際に、液体が輸液チューブに入っていない状態で、駆動モータ２５を駆動させることで、輸液チューブ２０の正誤判定が行われる。
　コントローラ５０は、複数の輸液チューブ２０の正常状態でのモータ軸情報に基づいて統計的に生成した閾値を予め記憶していてもよい。そして、コントローラ５０は、モータ制御部２６から取得したモータ軸情報に基づいて算出した特徴量と、予め記憶している閾値とを比較して、輸液装置１０に装着されている輸液チューブ２０の正誤判定を行ってもよい。
　また、コントローラ５０は、複数の輸液チューブ２０の正常状態でのモータ軸情報を収集して機械学習を行う学習装置８０と通信可能に接続されていてもよい。そして、コントローラ５０は、モータ制御部２６から取得したモータ軸情報に基づいて算出した特徴量と、学習装置８０により学習された学習済みモデルと、に基づいて輸液チューブ２０の正誤判定を行ってもよい。
　このように、コントローラ５０は、輸液チューブ２０の交換が行われる段取り替えの工程において、輸液チューブ２０に液体を入れなくとも、輸液チューブ２０の正誤判定を行うことができる。また、コントローラ５０は、輸液装置１０の駆動モータ２５の駆動軸情報に基づいて、輸液チューブ２０の正誤判定を行う。よって、輸液装置１０に、例えば超音波センサ等の、輸液チューブ２０の状態を検出するための部品を別途設けることなく、輸液チューブ２０の正誤判定を行うことができる。
　§２　構成例
　以下、本発明の実施形態に係るコントローラ５０の構成について、図１から図６に基づいて詳細に説明する。
　〔実施形態１〕
　以下、本発明の一実施形態について、詳細に説明する。図１は、本実施形態に係るコントローラ５０により制御される輸液装置１０の概略構成の一例を模式的に示す図である。図２は、コントローラ５０の要部構成を示すブロック図である。コントローラ５０は、輸液装置１０を駆動する駆動モータ２５のモータ軸情報を参照して、輸液装置１０に装着された輸液チューブ２０の正誤判定を行う機能を有している。
　なお、駆動モータ２５と、駆動モータ２５の駆動を制御するモータ制御部２６と、コントローラ５０とをあわせて、輸液システムとも称する。
　（輸液装置１０の構成について）
　図１に示すように、輸液装置１０は、蓋体１１と、作動部１２とを備えている。蓋体１１と、作動部１２とは、輸液装置１０の装置内部に収容されている。作動部１２は、複数のフィンガ１３を備えている。また、輸液装置１０には、交換可能な輸液チューブ２０が備えられている。輸液チューブ２０は、蓋体１１によって、作動部１２に対して押さえつけられている。輸液チューブ２０は、液体が貯留された液体注入元４０から、液体を充填するバイアル瓶等の充填容器３０まで延びるように、輸液装置１０に装着されて使用される。
　図２に示すように、輸液装置１０は、駆動モータ２５と、モータ制御部２６と、を備えている。駆動モータ２５は、一般的なサーボモータである。モータ制御部２６は、駆動モータ２５の位置や速度を制御する。
　複数のフィンガ１３のそれぞれは、駆動モータ２５（図２参照）の回転によって、蓋体１１に向かって近づいたり、離れたりする方向に直進運動を行う棒状の部材である。輸液チューブ２０は、各フィンガ１３の動きに伴って、蓋体１１と、フィンガ１３との間で、順次圧縮および弛緩される。輸液装置１０では、複数のフィンガ１３のこのような動きによって、輸液チューブ２０内の液体が、液体注入元４０から、充填容器３０に向かって移動する。
　なお、本実施形態では、輸液装置１０の一例として、駆動モータ２５によって、複数のフィンガ１３を直進運動させることによって、輸液チューブ２０を順次圧縮および弛緩して、液体を充填容器３０に充填する、所謂フィンガ式の輸液装置である構成について説明した。しかながら、輸液装置１０は、上述のようなフィンガ式の輸液装置に限らず、回転式のローラでチューブの圧縮及び弛緩を順次行うペリスタルティック式の輸液装置であってもよい。
　（コントローラ５０の構成について）
　図２に示すように、コントローラ５０は、制御部６０と、データ記録部７０と、を含んでいる。また、コントローラ５０は、学習装置８０と通信可能に接続されている。
　制御部６０は、輸液装置１０の各部を統括的に制御する機能を備えている演算装置である。制御部６０は、モータ制御部２６から、駆動モータ２５のモータ軸の動作状態を示すモータ軸情報を取得し、取得したモータ軸情報に基づいて生成した制御信号を、モータ制御部２６に供給することで、駆動モータ２５の駆動を制御することができてもよい。
　データ記録部７０は、コントローラ５０で用いられる種々のデータを格納するストレージである。
　（制御部６０の構成について）
　制御部６０は、変数受け渡し部６２、サブフレーム生成部６３、特徴量算出部６４、機械学習演算部６５、判定出力部６６を含んでいる。
　変数受け渡し部６２は、モータ制御部２６から駆動モータ２５の位置、速度、トルクの情報を含む、モータ軸の動作状態を示すモータ軸情報を取得する。
　サブフレーム生成部６３は、取得したモータ軸情報を参照して、輸液装置１０の動きを確認するためのサブフレームを決定する。サブフレーム生成部６３は、駆動モータ２５の駆動状態が所定の状態の期間におけるモータ軸情報のサブフレームを生成する。
　図３は、モータ軸情報の一例を示す図である。図３に示した例では、輸液装置１０は、駆動モータ２５を３回転させて、１回の充填を行う構成である。１回の充填と、次の充填の間は、一定時間駆動モータ２５の動作が停止する。駆動モータ２５の動作が停止している間は、モータ軸の位置、速度、およびトルクに変化はない。よって、サブフレーム生成部６３は、取得したモータ軸情報において、駆動モータ２５が駆動し、液体の充填が行われている期間をサブフレームとする。
　サブフレーム生成部６３は、例えば、駆動モータ２５のモータ軸の回転速度が、所定値以上の期間をサブフレームとして抽出するサブフレーム生成処理を行う。サブフレーム生成部６３は、例えば、駆動モータ２５のモータ軸の回転速度が、速度＞１０pulse/sの区間をサブフレームとし、該サブフレームにおけるモータ軸情報を抽出する。サブフレーム生成部６３は、抽出したモータ軸情報をデータ記録部７０、および特徴量算出部６４の少なくとも何れか一方に供給する。
　特徴量算出部６４は、サブフレーム生成部６３によって抽出されたモータ軸情報を用いて、駆動モータ２５の駆動状態の特徴を示す特徴量を算出する。このように、特徴量算出部６４は、駆動モータ２５の駆動状態が所定の状態の期間におけるモータ軸の特徴量を算出する。例えば、特徴量算出部６４は、駆動モータ２５のモータ軸の回転速度が、速度＞１０pulse/sの区間におけるトルクの平均値を特徴量として算出する。特徴量算出部６４は、算出した特徴量を機械学習演算部６５に供給する。
　機械学習演算部６５は、特徴量算出部６４が算出した特徴量を入力として、後述する学習フローで作成された学習済みモデルを参照して、異常度を算出する。機械学習演算部６５には、例えば、トルクの平均値が特徴量として入力され、トルクの平均値の、学習済みモデルに対する異常度が算出される。
　判定出力部６６は、機械学習演算部６５によって算出された異常度を入力として、異常度が後述する学習フローで作成された閾値を超えているか否かに応じて、輸液チューブ２０の正誤判定を行う。
　このように、コントローラ５０は、駆動モータ２５のモータ軸情報を参照して、駆動モータ２５の駆動状態が所定の状態の期間における特徴量を算出し、当該特徴量に基づいて、輸液チューブ２０の正誤判定を行う。例えば、コントローラ５０は、駆動モータ２５のモータ軸の回転速度が所定値以上の期間における、駆動モータのモータ軸のトルク値に基づいて、輸液チューブ２０の正誤判定を行う。よって、コントローラ５０は、超音波センサ等のセンサを別途設けることなく、段取り替え時の輸液チューブ２０の正誤判定を効率良く行うことができる。
　（輸液チューブ２０の学習済モデルについて）
　輸液装置１０では、製造する製品に応じて、互いに異なる直径の複数の輸液チューブ２０から適した輸液チューブ２０が選択されて装着される。輸液チューブ２０は、直径が異なると、それぞれ、輸液チューブ２０を圧縮および弛緩する駆動モータ２５のモータ軸の値が異なるものとなる。
　コントローラ５０には、学習装置８０が接続されている。学習装置８０は、コントローラ５０から、輸液装置１０で用いられる全ての輸液チューブ２０のそれぞれについて、駆動モータ２５のモータ軸の速度、トルク、位置等の情報を取得する。そして学習装置８０は、これらのモータ軸情報について機械学習を行い、各輸液チューブ２０について、モータ軸情報が正常な状態を示す学習済みモデルを生成する。学習装置８０は、生成した学習済モデルを、コントローラ５０に転送する。
　学習装置８０は、特徴量算出部８１と、機械学習モデル生成部８２と、を備えている。
　特徴量算出部８１は、コントローラ５０のデータ記録部７０に記録された、駆動モータ２５のモータ軸の値のサブフレームを参照して、特徴量を算出する。特徴量算出部８１は、特に、輸液チューブ２０に液体が入っていない状態で輸液装置１０を稼働させた際の駆動モータ２５のモータ軸の値のサブフレームを参照して、特徴量を算出する。
　図４の（ａ）～（ｄ）は、学習装置８０に入力されるパラメータの例を示す図である。図４の（ａ）は、駆動モータ２５のモータ軸のトルクの平均値を示す図である。図４の（ｂ）は、駆動モータ２５のモータ軸のトルクの標準偏差を示す図である。図４の（ｃ）は、駆動モータ２５のモータ軸のトルクの最大値を示す図である。図４の（ｄ）は、駆動モータ２５のモータ軸のトルクの最小値を示す図である。学習装置８０には、特徴量算出部８１は、駆動モータ２５のモータ軸について、複数のパラメータが入力されてもよい。
　なお、図４には、駆動モータ２５のモータ軸のトルクに係るパラメータのみを例示しているが、学習装置８０には、トルクの他に、速度や、位置に係るパラメータが入力されてもよい。特徴量算出部８１は、これらの入力されたパラメータを参照して、各輸液チューブ２０の正常状態を示す特徴量を算出する。
　機械学習モデル生成部８２は、特徴量算出部８１が算出した各輸液チューブ２０の特徴量について機械学習を行い、各輸液チューブ２０と、モータ軸情報との相関関係の正常状態を示す学習済みモデルを生成する。また、機械学習モデル生成部８２は、各輸液チューブ２０の学習済みモデルに基づいて、各輸液チューブ２０について、他の輸液チューブ２０と分離するための異常度の閾値を生成する。
　（学習済みモデルを生成する処理の流れについて）
　図５は、学習装置８０の処理の流れを示すフローチャートであり、学習済みモデルを生成する処理の流れを示す。例えば輸液装置１０のカリブレーションを行う工程において、コントローラ５０、および学習装置８０によって、学習済みモデルを生成する処理が実行される。
　学習済みモデルを生成する処理を実行するにあたり、まず、輸液装置１０に、液体の入っていない空の輸液チューブ２０が装着される（ステップＳ１）。
　続いて、モータ制御部２６の機能により、駆動モータ２５を駆動させる。コントローラ５０の制御部６０は、変数受け渡し部６２の機能により、モータ軸情報を取得する（ステップＳ２）。
　制御部６０は、変数受け渡し部６２を介して取得したモータ軸情報に基づいて、サブフレーム生成部６３の機能により、サブフレームを生成する（ステップＳ３）。
　制御部６０は、サブフレーム生成部６３によって生成されたサブフレームにおけるモータ軸情報をデータ記録部７０に記録する（ステップＳ４）。
　コントローラ５０は、輸液装置１０にて適宜交換されて使用される全ての輸液チューブ２０について、ステップＳ１～ステップＳ４の処理を繰り返し実行する。
　学習装置８０は、コントローラ５０のデータ記録部７０に記録されたモータ軸情報のサブフレームを取得し、特徴量算出部８１の機能により、各輸液チューブ２０の特徴量を算出する。また、学習装置８０は、機械学習モデル生成部８２の機能により、各輸液チューブ２０の学習済みモデルと、異常度の閾値とを生成する（ステップＳ５）
　学習装置８０は、各輸液チューブ２０の学習済みモデルをコントローラ５０に供給する。コントローラ５０の制御部６０は、取得した各輸液チューブ２０の学習済みモデルを特徴量算出部６４、および機械学習演算部６５に保存する（ステップＳ６）
　また、学習装置８０は、各輸液チューブ２０の異常度の閾値をコントローラ５０に供給する。コントローラ５０の制御部６０は、取得した各輸液チューブ２０の異常度の閾値を判定出力部６６に保存する（ステップＳ７）。
　（コントローラ５０による輸液チューブ２０の正誤判定処理について）
　図６は、コントローラ５０による輸液チューブ２０の正誤判定処理の流れを示すフローチャートである。コントローラ５０は、輸液チューブ２０を交換する段取り替えの工程で、製造する製品に対して、輸液チューブ２０の付け間違いが発生したか否かを判定する正誤判定を行う。コントローラ５０は、学習装置８０によって生成された各輸液チューブ２０と、モータ軸情報との相関関係の正常状態を示す学習済みモデルに対する、装着された輸液チューブ２０の特徴量の異常度が、閾値を超えているか否かに応じて、輸液チューブ２０の正誤判定を行う。
　輸液装置１０に、装着されている輸液チューブ２０の交換が行われる。輸液装置１０には、液体の入っていない空の輸液チューブ２０が装着される（ステップＳ１１）。
　続いて、モータ制御部２６の機能により、駆動モータ２５を駆動させる。駆動モータ２５の駆動により、作動部１２は、空の輸液チューブ２０を順次圧縮及び弛緩する。コントローラ５０の制御部６０は、変数受け渡し部６２の機能により、モータ軸情報を取得する（ステップＳ１２）。
　制御部６０は、変数受け渡し部６２を介して取得したモータ軸情報に基づいて、サブフレーム生成部６３の機能により、サブフレームを生成する（ステップＳ１３）。
　制御部６０は、サブフレーム生成部６３によって生成されたサブフレームにおけるモータ軸情報を参照して、特徴量算出部６４の機能により、装着されている輸液チューブ２０の特徴量を算出する。特徴量算出部６４は、例えば、各サブフレームにおける駆動モータ２５のトルクの平均値を特徴量として算出する（ステップＳ１４）。
　制御部６０は、機械学習演算部６５の機能により、特徴量算出部６４によって算出された特徴量の、正しい輸液チューブ２０の学習済みモデルに対する異常度を算出する（ステップＳ１５）。なお、ユーザは、輸液チューブ２０を交換する際に、コントローラ５０に対して、製造する製品を選択する等の入力操作を行う。これにより、コントローラ５０は、装着されるべき輸液チューブ２０を認識し、正しい輸液チューブ２０の学習済みモデルを、機械学習演算部６５による異常度算出に用いる。
　制御部６０は、判定出力部６６の機能により、機械学習演算部６５が算出した異常度が、対象の輸液チューブ２０の閾値を超えているか否かに基づいて、輸液チューブ２０の正誤判定を行う。そして、判定出力部６６は、判定結果を出力する（ステップＳ１６）。
　このように、本実施形態によれば、輸液装置１０の輸液チューブ２０を交換する際に、コントローラ５０は、駆動モータ２５のモータ軸情報を取得し、モータ軸情報に基づいて、輸液チューブ２０の正誤判定を行う。よって、輸液チューブ２０の正誤判定を行うために、超音波センサ等のセンサを別途設ける必要が無く、装置及び制御が複雑化するのを防ぐことができる。
　また、コントローラ５０は、駆動モータ２５のモータ軸情報が機械学習により学習された学習済みモデルを用いて、当該学習済みモデルに対する異常度を算出して、輸液チューブ２０の正誤判定を行う。このように、機械学習により学習された学習済みモデルを用いることで、モータ軸情報のような、速度、トルク、位置等の複数のパラメータを含む情報を用いても、異常度という１次元の値に対する閾値を設定して、正誤判定を行うことが可能となる。よって、輸液チューブ２０の付け間違いによる不良品の発生を確実に防ぐことができる。
　また、コントローラ５０は、輸液チューブ２０に液体が入っていない状態で、輸液チューブ２０の正誤判定を行うことができる。よって、コントローラ５０による正誤判定の結果、輸液チューブ２０を付け間違っていた場合であっても、輸液チューブ２０の再度の交換を容易に行うことができ、輸液チューブ２０を交換作業の効率化を図ることができる。
　〔実施形態２〕
　本発明の実施形態２について、以下に説明する。なお、説明の便宜上、前記実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。また、実施形態２に係る輸液装置１０、コントローラ５０、および学習装置８０の構成については、図１、および図２を参照して説明した実施形態１の構成と同様であり、その説明を省略する。
　上述の実施形態１では、コントローラ５０が、正常な輸液チューブ２０の学習済みモデルを用いて、対象の輸液チューブ２０の正誤判定を行う態様について説明した。コントローラ５０は、この態様に限らず、輸液装置１０に装着されている輸液チューブ２０が、種類の異なる複数の輸液チューブの中の何れであるのか判定することができてもよい。
　図７は、コントローラ５０が輸液装置１０に装着されている輸液チューブ２０の種類を判定する処理の流れを模式的に示す図である。図７に示すように、コントローラ５０は、特徴量算出部６４の機能により、例えば駆動モータ２５のモータ軸のトルクの平均値等の特徴量を算出する。続いて、コントローラ５０は、機械学習演算部６５の機能により、特徴量算出部６４が算出した特徴量について、複数種類の輸液チューブ２０のそれぞれを正常と判定する学習済みモデルに対して、異常度を算出する。
　例えば、輸液装置１０には、チューブ１、チューブ２、およびチューブ３の何れかを装着して使用可能であるとする。チューブ１、チューブ２、およびチューブ３は、例えば、それぞれ直径が１．６ｍｍ、２．４ｍｍ、および３．２ｍｍのシリコンチューブである構成とすることができる。この場合、機械学習演算部６５は、チューブ１、チューブ２、およびチューブ３のそれぞれを正常とする学習済みモデルに対して、対象の輸液チューブ２０の異常度を算出する。
　コントローラ５０は、判定出力部６６の機能により、対象の輸液チューブ２０の、各チューブの学習済みモデルに対する異常度と、各チューブの異常度の閾値とに基づいて、輸液装置１０に装着された輸液チューブ２０の種類を特定する。
　図８は、チューブ１を正常と判定する学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。図９は、チューブ２を正常と判定する学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。図１０は、チューブ３を正常と判定する学習済みモデルと、閾値と、各チューブの異常度との関係を示す図である。
　図８に示すように、チューブ１を正常と判定する学習済みモデルに対する、チューブ１の特徴量の異常度は、閾値以下となるため、判定出力部６６は、対象の輸液チューブは、チューブ１であると判定する。一方で、チューブ１を正常と判定する学習済みモデルに対する、チューブ２、およびチューブ３の特徴量の異常度は、閾値を超えるため、判定出力部６６は、対象の輸液チューブは、チューブ２、およびチューブ３の何れでもないと判定する。
　また、図９に示すように、チューブ２を正常と判定する学習済みモデルに対する、チューブ２の特徴量の異常度は、閾値以下となるため、判定出力部６６は、対象の輸液チューブは、チューブ２であると判定する。一方で、チューブ２を正常と判定する学習済みモデルに対する、チューブ１、およびチューブ３の特徴量の異常度は、閾値を超えるため、判定出力部６６は、対象の輸液チューブは、チューブ１、およびチューブ３の何れでもないと判定する。
　また、図１０に示すように、チューブ３を正常と判定する学習済みモデルに対する、チューブ３の特徴量の異常度は、閾値以下となるため、判定出力部６６は、対象の輸液チューブは、チューブ３であると判定する。一方で、チューブ３を正常と判定する学習済みモデルに対する、チューブ１、およびチューブ２の特徴量の異常度は、閾値を超えるため、判定出力部６６は、対象の輸液チューブは、チューブ１、およびチューブ２の何れでもないと判定する。
　このように、コントローラ５０は、駆動モータ２５のモータ軸情報に基づいて、対象の輸液チューブ２０の特徴量を算出する。そして、コントローラ５０は、輸液装置１０において使用可能な種類の異なる複数の輸液チューブについて、それぞれの学習済みモデルに対する、対象の輸液チューブ２０の特徴量の異常度を算出する。コントローラ５０は、この算出した異常度を参照して、使用されている輸液チューブ２０の種類を判定することができる。
　このように、コントローラ５０は、駆動モータ２５のモータ軸情報に基づいて、機械学習演算部６５に保存されている複数の学習済みモデルを参照し、装着されている輸液チューブ２０を識別することができる。よって、輸液チューブ２０を交換する段取り替えの工程で、ユーザは、輸液チューブ２０を交換し、コントローラ５０によるチューブの識別判定を実行することで、正しいチューブが装着されているか、誤ったチューブが装着されているのかを知ることができる。
　〔実施形態３〕
　本発明の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態１および２にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
　図１１は、コントローラ５０により制御される実施形態２に係る輸液装置１１０の概略構成の一例を示している。輸液装置１１０を制御するコントローラ５０の構成については、図２を用いて上述した、コントローラ５０と同様であり、その説明を省略する。
　図１１に示すように、本実施形態では輸液装置１１０はペリスタルティックポンプによって構成されており、治具１１１、ロータ１１２、およびローラ１１３を備えている。ロータ１１２は、サーボモータとしての駆動モータ２５により回転する。なお、駆動モータ２５がサーボモータである場合、コントローラ５０は、モータ軸情報を取得するためのセンサ等を設けることなく、サーボモータの制御情報に基づいてモータ軸情報（例えばトルク値）を取得することができる。
　ローラ１１３は、ロータ１１２の周囲に所定の間隔で設けられ、ロータ１１２の回転に伴って円運動する。またローラ１１３はロータ１１２に回動自在に設けられており、輸液チューブ１２０と接触しながらロータ１１２の回転とは逆方向に回転する。
　輸液装置１１０は、駆動モータ２５によって、複数のローラ１１３を回転運動させることによって、ローラ１１３と治具１１１との間で輸液チューブ１２０を順次圧縮および弛緩して、輸液チューブ１２０内の液体を、ロータ１１２の回転方向と同じ方向に送液する。
　図１２は、輸液装置１１０で用いられる輸液チューブ１２０および取り付け状態の例を示す表である。同図に示す例では、輸液チューブ１２０に関して、チューブ内径、チューブ外径、厚み、挟み付けクリアランス、およびチューブ潰し厚のバリエーションが示されている。チューブ内径は、輸液チューブ１２０の内径、すなわち、液体が流通する通路の径を示す。チューブ外形は、輸液チューブ１２０自体の外径を示す。厚みは、チューブ外径とチューブ内径との差を示しており、輸液チューブ１２０のチューブの厚みの２倍、すなわち、輸液チューブ１２０の内径が０になるまで圧縮した際の輸液チューブ１２０の厚みを示している。
　図１３は、挟み付けクリアランスを模式的に示す図である。図１３に示すように、挟み付けクリアランスは、ローラ１１３と、治具１１１との間の隙間を示している。すなわち、挟み付けクリアランスは、ローラ１１３と治具１１１との間で輸液チューブ１２０を挟みこんで圧縮するためのクリアランスを示している。挟み付けクリアランスは、使用する輸液チューブ１２０の種類に応じて設定され、例えば治具１１１を交換したり位置を変更したりすることで、クリアランスが変更される。
　チューブ潰し厚は、ローラ１１３によって輸液チューブ１２０が圧縮された際の、チューブの材質自体が圧縮される量を示している。すなわち、厚みと挟み付けクリアランスとの差分に相当する。
　（コントローラ５０による輸液チューブ１２０の正誤判定処理について）
　コントローラ５０は、輸液チューブ１２０の交換が行われると、輸液チューブ１２０の付け間違いが発生したか否かを判定する正誤判定を行う。図６に示したフローチャートのステップＳ１１～ステップＳ１３の後、制御部６０は、ステップＳ１４において、特徴量算出部６４の機能により、各サブフレームにおける駆動モータ２５のモータ軸情報を参照して、特徴量を算出する。本実施形態では、特徴量算出部６４は、モータ軸のトルク値に基づいて、特徴量を算出する。
　前述したように、駆動モータ２５を駆動させ、輸液チューブ１２０を圧縮すると、輸液チューブ１２０の特性に応じた反発力が生じる。この反発力は、モータ軸のトルクに影響を与えるため、モータ軸のトルク値には、輸液チューブ１２０の特性の情報が含まれることとなる。よって、特徴量算出部６４は、モータ軸のトルク値に基づいて、特徴量を算出することで、輸液チューブ１２０の特性に応じた適切な特徴量を算出することができる。
　制御部６０は、ステップＳ１５において、機械学習演算部６５の機能により、特徴量算出部６４によって算出された特徴量の、正しい輸液チューブ１２０の学習済みモデルに対する異常度（特徴量スコア）を算出する。
　図１４～図１９は、内径１ｍｍ、１．５ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍ、４ｍｍの輸液チューブ１２０のそれぞれを正とする場合の、各輸液チューブ１２０の学習済みモデルに対する異常度のばらつきを示した箱ひげ図である。また、横軸が輸液チューブ１２０の内径を示しており、縦軸が異常度を示している。
　判定出力部６６は、対象の輸液チューブ１２０の異常度が所定の閾値を超えているか否かに基づいて、輸液チューブ１２０の正誤判定を行う。ここで、閾値は、正しい輸液チューブ１２０の学習済みモデルの異常度の分布における標準偏差に基づいて設定してもよい。例えば、正しい輸液チューブ１２０の学習済みモデルの異常度の分布の平均値に対して、標準偏差を所定の倍率（例えば２～４倍）にした値を加えた値を閾値とする。
　図１４は、内径１ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１４に示すように、正である内径１ｍｍの輸液チューブ１２０の異常度のばらつきは、中央値が０．４未満、最大値が０．４７程度である。一方で、内径が１．５ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍ、４ｍｍの輸液チューブ１２０は、異常度が０．７～０．８程度となる。
　判定出力部６６は、対象の輸液チューブ１２０が内径１ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１．５ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍ、または４ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　判定出力部６６は、例えばレベル１閾値と、レベル２閾値といった複数の閾値のうち、求められる判定精度に応じた閾値を参照して、対象の輸液チューブ１２０の異常度が閾値を超えているか否かを判定することができてもよい。判定出力部６６は、より小さい閾値、例えば図１４の例では、レベル１閾値を用いて、輸液チューブ１２０の判定を行うことで、厳しい精度で、輸液チューブ１２０の正誤判定を行うことができる。この場合、誤りである輸液チューブ１２０を正しいと判定する可能性は低くなるが、正しい輸液チューブ１２０を誤りであると判定する可能性は高くなる。一方、レベル１閾値よりも高いレベル２閾値を用いる場合、誤りである輸液チューブ１２０を正しいと判定する可能性は高くなるが、正しい輸液チューブ１２０を誤りであると判定する可能性は低くなる。すなわち、判定出力部６６は、求められる判定精度に応じて、ユーザの指示により閾値を変更することができるようになっていてもよい。
　図１５は、内径１．５ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１５に示すように、正である内径１．５ｍｍの輸液チューブ１２０の異常度のばらつきは、閾値を超えていない。一方で、内径が１ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍ、４ｍｍの輸液チューブ１２０は、異常度のばらつきが閾値を超えている。
　判定出力部６６は、対象の輸液チューブ１２０が内径１．５ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍ、または４ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　図１６は、内径２ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１６に示すように、正である内径２ｍｍの輸液チューブ１２０の異常度のばらつきは、閾値を超えていない。一方で、内径が１ｍｍ、１．５ｍｍ、２．５ｍｍ、３ｍｍ、４ｍｍの輸液チューブ１２０は、異常度のばらつきが閾値を超えている。
　判定出力部６６は、対象の輸液チューブ１２０が内径２ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１ｍｍ、１．５ｍｍ、２．５ｍｍ、３ｍｍ、または４ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　図１７は、内径２．５ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１７に示すように、正である内径２．５ｍｍの輸液チューブ１２０の異常度のばらつきは、閾値を超えていない。一方で、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、３ｍｍ、４ｍｍの輸液チューブ１２０は、異常度のばらつきが閾値を超えている。
　判定出力部６６は、対象の輸液チューブ１２０が内径２．５ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、３ｍｍ、または４ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　図１８は、内径３ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１８に示すように、正である内径３ｍｍの輸液チューブ１２０の異常度のばらつきは、閾値を超えていない。一方で、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、２．５ｍｍ、４ｍｍの輸液チューブ１２０は、異常度のばらつきが閾値を超えている。
　判定出力部６６は、対象の輸液チューブ１２０が内径３ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、２．５ｍｍ、または４ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　図１９は、内径４ｍｍの輸液チューブ１２０を正とした場合の、各輸液チューブ１２０の異常度のばらつきを示している。図１９に示すように、正である内径４ｍｍの輸液チューブ１２０の異常度のばらつきは、閾値を超えていない。一方で、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、２．５ｍｍ、３ｍｍの輸液チューブ１２０は、異常度のばらつきが閾値を超えている。
　判定出力部６６は、対象の輸液チューブ１２０が内径４ｍｍのチューブである場合には、異常度の分布が閾値を超えていないため、正しい輸液チューブ１２０が取り付けられていると判定する。また、判定出力部６６は、対象の輸液チューブ１２０が、内径が１ｍｍ、１．５ｍｍ、２ｍｍ、２．５ｍｍ、または３ｍｍのチューブである場合には、異常度の分布が閾値を超えているため、誤った輸液チューブ１２０が取り付けられていると判定する。
　以上のように、制御部６０は、モータ軸のトルク値に基づいて、特徴量を算出し、特徴量の、正しい輸液チューブ１２０の学習済みモデルに対する異常度を算出して、正誤判定を行うことで、０．５ｍｍのチューブ径の違いも適切に識別し、正誤判定を行うことができる。また、この正誤判定は、輸液チューブ１２０の内径が異なるとともに、外径、厚み、挟み付けクリアランス、およびチューブ潰し厚が異なっていても正確に行うことができるので、ロバスト性を有する正誤判定を実現することができる。
　そして、制御部６０は、各内径による正誤判定を順次行うことにより、取り付けられている輸液チューブ１２０の内径を判定することができる。
　なお、上記の例では、輸液チューブ１２０の内径、外径、厚み、挟み付けクリアランス、およびチューブ潰し厚が異なる例を示したが、輸液チューブ１２０の材質が異なる場合にも、対応可能である。すなわち、輸液チューブ１２０の材質が異なれば、輸液チューブ１２０の柔軟性が異なることになり、特徴量スコアに相違が出てくることになる。よって、前述した正誤判定により、輸液チューブ１２０の材質を判別することも可能である。
　さらに、輸液チューブ１２０が経年劣化した場合、輸液チューブ１２０の柔軟性が異なることになり、特徴量スコアに相違が出てくることになる。よって、前述した正誤判定により、輸液チューブ１２０の経年劣化度合いを判別することも可能である。
　〔ソフトウェアによる実現例〕
　コントローラ５０の制御ブロック（特にサブフレーム生成部６３、特徴量算出部６４、機械学習演算部６５および判定出力部６６）、および学習装置８０の制御ブロック（特に特徴量算出部８１および機械学習モデル生成部８２）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、コントローラ５０、および学習装置８０は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、前記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、前記コンピュータにおいて、前記プロセッサが前記プログラムを前記記録媒体から読み取って実行することにより、本発明の目的が達成される。前記プロセッサとしては、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を用いることができる。前記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、前記プログラムを展開するＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などをさらに備えていてもよい。また、前記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して前記コンピュータに供給されてもよい。なお、本発明の一態様は、前記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　なお、本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
　また、学習装置８０による学習済みモデル生成のための分類及び学習処理の具体構成は本実施形態を限定するものではなく、例えば、以下のような機械学習的手法の何れかまたはそれらの組み合わせを用いることができる。
　・サポートベクターマシン（SVM: Support Vector Machine）
　・クラスタリング（Clustering）
　・帰納論理プログラミング（ILP: Inductive Logic Programming）
　・遺伝的アルゴリズム（GP: Genetic Programming）
　・ベイジアンネットワーク（BN: Baysian Network）
　・ニューラルネットワーク（NN: Neural Network）
　ニューラルネットワークを用いる場合、３Ｄデータをニューラルネットワークへのインプット用に予め加工して用いるとよい。このような加工には、データの１次元的配列化、または多次元的配列化に加え、例えば、データアーギュメンテーション（Deta Argumentation）等の手法を用いることができる。
　また、ニューラルネットワークを用いる場合、畳み込み処理を含む畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）を用いてもよい。より具体的には、ニューラルネットワークに含まれる１又は複数の層（レイヤ）として、畳み込み演算を行う畳み込み層を設け、当該層に入力される入力データに対してフィルタ演算（積和演算）を行う構成としてもよい。またフィルタ演算を行う際には、パディング等の処理を併用したり、適宜設定されたストライド幅を採用したりしてもよい。
　また、ニューラルネットワークとして、数十～数千層に至る多層型又は超多層型のニューラルネットワークを用いてもよい。
　また、学習装置８０による学習済みモデル生成処理に用いられる機械学習は、教師あり学習であってもよいし、教師なし学習であってもよい。
　〔まとめ〕
　本発明の一態様に係るコントローラは、輸液装置の各部を制御する制御部を備えたコントローラにおいて、前記制御部は、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータのモータ軸の動作状態を示すモータ軸情報を取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、駆動モータのモータ軸情報に基づいて輸液チューブの正誤判定を行うため、輸液チューブの状態を検出するセンサ等の部品を別途設ける必要が無い。また、輸液チューブに液体が入っていなくても輸液チューブの正誤判定を行うことができるため、輸液チューブを付け間違えた場合であっても、正誤判定後の輸液チューブの交換を容易に行うことができる。よって、段取り替え時の輸液チューブの正誤判定を効率良く行うことができる。
　また、本発明の一態様に係るコントローラは、前記制御部は、前記モータ軸情報を参照して、前記駆動モータの駆動状態が所定の状態の期間における特徴量を算出し、当該特徴量に基づいて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、駆動モータが駆動状態である期間における特徴量に基づいて輸液チューブの正誤判定が行われる。駆動モータの動作が停止している間は、モータ軸情報に変化が生じないため、このような駆動モータの動作が停止している間のモータ軸情報が参照されて、誤った正誤判定が行われるのを防ぐことができる。
　また、本発明の一態様に係るコントローラは、前記制御部は、前記モータ軸情報を参照し、前記駆動モータのモータ軸の回転速度が所定値以上の期間における、前記駆動モータのモータ軸のトルク値に基づいて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、駆動モータのモータ軸の回転速度が所定値以上の期間を、駆動モータが動作している期間と定義して、この期間の駆動モータのモータ軸のトルク値に基づいて、輸液チューブの正誤判定を行う。輸液チューブを圧縮及び弛緩する際の、駆動モータのトルクは、輸液チューブの直径に依存する。よって、駆動モータが動作している期間の駆動モータのモータ軸のトルク値に基づいて、輸液チューブの正誤判定を行うことで、正確に、且つ効率よく輸液チューブの正誤判定を行うことができる。
　また、本発明の一態様に係るコントローラは、前記制御部は、前記駆動モータのモータ軸情報が機械学習により学習された学習済みモデルを用いて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、駆動モータのモータ軸について、速度、トルク、位置等の複数のパラメータについて、機械学習により学習し、学習済みモデル生成して、輸液チューブの正誤判定を行う。機械学習を用いることなく、輸液チューブの正誤判定を行う場合には、各パラメータに対して個別の閾値を設定して正誤判定を行う必要がある。一方で、機械学習による生成した学習済みモデルを用いて正誤判定を行う場合には、複数のパラメータを用いる場合でも、１次元の閾値を設定して正誤判定を行うことが可能となり、パラメータの選択において自由度の高い正誤判定を実行することができる。
　また、本発明の一態様に係るコントローラは、前記輸液装置では、種類の異なる複数の前記輸液チューブが使用可能であり、前記制御部は、前記駆動モータのモータ軸情報に基づいて、使用されている前記輸液チューブの種類を判定する構成である。
　前記の構成によれば、輸液装置において使用可能な種類の異なる複数の輸液チューブのうち、何れの輸液チューブが装着されているかを効率良く判定することができる。
　また、本発明の一態様に係るコントローラは、前記制御部は、前記駆動モータのモータ軸情報に基づいて、使用されている前記輸液チューブの径を判定する構成である。
　前記の構成によれば、輸液装置において使用可能な径の異なる複数の輸液チューブのうち、どの径の輸液チューブが装着されているのかを適切に判定することができる。
　また、本発明の一態様に係るコントローラは、前記輸液装置として、ペリスタルティックポンプを用いた場合にも対応することができる。
　また、前記の課題を解決するために、本発明の一態様に係るコントローラの制御方法は、輸液装置の各部を制御するコントローラの制御方法において、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータを制御し、前記駆動モータのモータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、輸液チューブの状態を検出するセンサ等の部品を別途設けることなく輸液チューブの正誤判定を行うことができる。また、輸液チューブに液体が入っていなくても輸液チューブの正誤判定を行うことができるため、輸液チューブを付け間違えた場合であっても、正誤判定後の輸液チューブの交換を容易に行うことができる。よって、段取り替え時の輸液チューブの正誤判定を効率良く行うことができる。
　また、前記の課題を解決するために、本発明の一態様に係る学習装置は、前記コントローラから前記モータ軸情報を取得し、機械学習によって、前記輸液チューブに対する前記モータ軸情報の学習済モデルを生成し、生成した前記学習済モデルを、前記コントローラに転送する構成である。
　前記の構成によれば、学習装置によって生成されたモータ軸情報の学習済モデルを用いて輸液チューブの正誤判定を行うことができる。よって、速度、位置、トルク等の複数のパラメータを含むモータ軸情報を用いて、１次元の閾値を設定して正誤判定を行うことができる。
　また、前記の課題を解決するために、本発明の一態様に係るプログラムは、前記コントローラとしてコンピュータを機能させるためのプログラムであって、前記制御部としてコンピュータを機能させる構成である。
　前記の構成によれば、コントローラとしてコンピュータを機能させて、輸液チューブの正誤判定を行うことができる。
　また、前記の課題を解決するために、本発明の一態様に係るプログラムは、前記学習装置としてコンピュータを機能させる構成である。
　前記の構成によれば、学習装置としてコンピュータを機能させて、学習済みモデルを生成し、輸液チューブの正誤判定を行うことができる。
　また、前記の課題を解決するために、本発明の一態様に係る輸液システムは、前記コントローラと、前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータと、前記駆動モータの駆動を制御するモータ制御部と、を備え、前記制御部は、前記駆動モータのモータ軸の動作状態を示すモータ軸情報を前記モータ制御部から取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行う構成である。
　前記の構成によれば、駆動モータのモータ軸情報に基づいて輸液チューブの正誤判定を行うため、輸液チューブの状態を検出するセンサ等の部品を別途設ける必要が無い。また、輸液チューブに液体が入っていなくても輸液チューブの正誤判定を行うことができるため、輸液チューブを付け間違えた場合であっても、正誤判定後の輸液チューブの交換を容易に行うことができる。よって、段取り替え時の輸液チューブの正誤判定を効率良く行うことができる。
１０　輸液装置
２０　輸液チューブ
２５　駆動モータ
２６　モータ制御部
５０　コントローラ
６０　制御部
６３　サブフレーム生成部
６４　特徴量算出部
６５　機械学習演算部
６６　判定出力部
８０　学習装置
８１　特徴量算出部
８２　機械学習モデル生成部

Claims (12)

  1. 　輸液装置の各部を制御する制御部を備えたコントローラにおいて、
    　前記制御部は、
    　　前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータのモータ軸の動作状態を示すモータ軸情報を取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行うことを特徴とするコントローラ。
  2. 　前記制御部は、
    　前記モータ軸情報を参照して、前記駆動モータの駆動状態が所定の状態の期間における特徴量を算出し、当該特徴量に基づいて、前記輸液チューブの正誤判定を行うことを特徴とする請求項１に記載のコントローラ。
  3. 　前記制御部は、
    　前記モータ軸情報を参照し、
    　前記駆動モータのモータ軸の回転速度が所定値以上の期間における、前記駆動モータのモータ軸のトルク値に基づいて、前記輸液チューブの正誤判定を行うことを特徴とする請求項１または２に記載のコントローラ。
  4. 　前記制御部は、
    　前記駆動モータのモータ軸情報が機械学習により学習された学習済みモデルを用いて、前記輸液チューブの正誤判定を行うことを特徴とする請求項１から３の何れか一項に記載のコントローラ。
  5. 　前記輸液装置では、種類の異なる複数の前記輸液チューブが使用可能であり、
    　前記制御部は、
    　前記駆動モータのモータ軸情報に基づいて、使用されている前記輸液チューブの種類を判定することを特徴とする請求項１から４の何れか一項に記載のコントローラ。
  6. 　前記制御部は、
    　　使用されている前記輸液チューブの径を判定することを特徴とする請求項５に記載のコントローラ。
  7. 　前記輸液装置は、ペリスタルティックポンプであることを特徴とする請求項１から６の何れか一項に記載のコントローラ。
  8. 　輸液装置の各部を制御するコントローラの制御方法において、
    　前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータを制御し、
    　前記駆動モータのモータ軸情報に基づいて、前記輸液チューブの正誤判定を行うことを特徴とするコントローラの制御方法。
  9. 　請求項４に記載のコントローラから前記モータ軸情報を取得し、機械学習によって、前記輸液チューブに対する前記モータ軸情報の学習済モデルを生成し、生成した前記学習済モデルを、前記コントローラに転送することを特徴とする学習装置。
  10. 　請求項１に記載のコントローラとしてコンピュータを機能させるためのプログラムであって、前記制御部としてコンピュータを機能させるためのプログラム。
  11. 　請求項９に記載の学習装置としてコンピュータを機能させるためのプログラム。
  12. 　請求項１から７の何れか一項に記載のコントローラと、
    　前記輸液装置の輸液チューブを順次圧縮および弛緩する作動部を駆動する駆動モータと、
    　前記駆動モータの駆動を制御するモータ制御部と、を備え、
    　前記制御部は、前記駆動モータのモータ軸の動作状態を示すモータ軸情報を前記モータ制御部から取得し、前記モータ軸情報に基づいて、前記輸液チューブの正誤判定を行うことを特徴とする輸液システム。
PCT/JP2019/020552 2018-06-08 2019-05-23 コントローラ、コントローラの制御方法、学習装置、およびプログラム WO2019235242A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980030201.7A CN112074311B (zh) 2018-06-08 2019-05-23 控制器、控制器的控制方法、学习装置以及存储介质
US17/055,109 US20210121623A1 (en) 2018-06-08 2019-05-23 Controller, method for controlling controller, learning device, and storage medium
EP19814954.4A EP3804783B1 (en) 2018-06-08 2019-05-23 Controller, method for controlling controller, learning device, and program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018110610 2018-06-08
JP2018-110610 2018-06-08
JP2019086497A JP6981448B2 (ja) 2018-06-08 2019-04-26 コントローラ、コントローラの制御方法、学習装置、およびプログラム
JP2019-086497 2019-04-26

Publications (1)

Publication Number Publication Date
WO2019235242A1 true WO2019235242A1 (ja) 2019-12-12

Family

ID=68770422

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/020552 WO2019235242A1 (ja) 2018-06-08 2019-05-23 コントローラ、コントローラの制御方法、学習装置、およびプログラム

Country Status (2)

Country Link
EP (1) EP3804783B1 (ja)
WO (1) WO2019235242A1 (ja)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5395320A (en) * 1992-06-09 1995-03-07 Sabratek Corporation Programmable infusion pump with interchangeable tubing
JPH09182789A (ja) * 1995-12-28 1997-07-15 Terumo Corp 流量予測方法及び輸液ポンプ
JPH09262283A (ja) 1996-03-28 1997-10-07 Terumo Corp 輸液装置
JP2007046564A (ja) * 2005-08-11 2007-02-22 Saginomiya Seisakusho Inc ローラ式ポンプ装置
JP2007270689A (ja) * 2006-03-30 2007-10-18 Ebara Corp マイクロポンプ装置および流体移送方法
JP2007314218A (ja) * 2006-05-26 2007-12-06 Ishida Co Ltd 包装装置
JP2009291659A (ja) * 2006-12-07 2009-12-17 Seiko Epson Corp マイクロポンプ、チューブユニット、制御ユニット
JP2011053385A (ja) * 2009-09-01 2011-03-17 Ricoh Co Ltd 故障診断装置、故障診断方法、画像形成装置及び記録媒体
JP2016214793A (ja) 2015-05-26 2016-12-22 本多電子株式会社 送液異常検知装置及び送液異常検知機能付きの輸液システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4256437A (en) * 1978-02-01 1981-03-17 Stewart Naumann Laboratories, Inc. Peristaltic infusion pump and method
GB2467605B (en) * 2009-02-10 2014-09-24 Watson Marlow Ltd A peristaltic pump
WO2013057109A1 (en) * 2011-10-21 2013-04-25 Fresenius Vial Sas Peristaltic pump for pumping a liquid and method for operating a peristaltic pump
EP3206736B1 (en) * 2014-10-15 2020-09-30 Covidien LP Flow control apparatus with occlusion detection
US10883491B2 (en) * 2016-10-29 2021-01-05 Kelvin Inc. Plunger lift state estimation and optimization using acoustic data

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5395320A (en) * 1992-06-09 1995-03-07 Sabratek Corporation Programmable infusion pump with interchangeable tubing
JPH09182789A (ja) * 1995-12-28 1997-07-15 Terumo Corp 流量予測方法及び輸液ポンプ
JPH09262283A (ja) 1996-03-28 1997-10-07 Terumo Corp 輸液装置
JP2007046564A (ja) * 2005-08-11 2007-02-22 Saginomiya Seisakusho Inc ローラ式ポンプ装置
JP2007270689A (ja) * 2006-03-30 2007-10-18 Ebara Corp マイクロポンプ装置および流体移送方法
JP2007314218A (ja) * 2006-05-26 2007-12-06 Ishida Co Ltd 包装装置
JP2009291659A (ja) * 2006-12-07 2009-12-17 Seiko Epson Corp マイクロポンプ、チューブユニット、制御ユニット
JP2011053385A (ja) * 2009-09-01 2011-03-17 Ricoh Co Ltd 故障診断装置、故障診断方法、画像形成装置及び記録媒体
JP2016214793A (ja) 2015-05-26 2016-12-22 本多電子株式会社 送液異常検知装置及び送液異常検知機能付きの輸液システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3804783A4

Also Published As

Publication number Publication date
EP3804783B1 (en) 2023-08-02
EP3804783A4 (en) 2022-04-13
EP3804783A1 (en) 2021-04-14

Similar Documents

Publication Publication Date Title
US10617816B2 (en) Error handling in infusion devices with distributed motor control and related operating methods
US9839744B2 (en) Occlusion detection device, transfusion apparatus, and occlusion detection method
EP3394693B1 (en) Diagnostic device, computer program, and diagnostic system
AU2017301504B2 (en) Assembly line with integrated electronic visual inspection
US20160245279A1 (en) Real time machine learning based predictive and preventive maintenance of vacuum pump
CN108472423B (zh) 用于透析机的传感器控制的显示器输出
CN107272760A (zh) 用于检测和防止压缩机喘振的方法和装置
WO2017111072A1 (en) Diagnostic device, computer program, and diagnostic system
US12057223B2 (en) Extracorporeal blood treatment system with augmented reality device for checking the assembly and with function test
KR20110123260A (ko) 연동 펌프
JP6981448B2 (ja) コントローラ、コントローラの制御方法、学習装置、およびプログラム
JP2022107660A5 (ja) 車両制御方法および車両制御システム
WO2019235242A1 (ja) コントローラ、コントローラの制御方法、学習装置、およびプログラム
US20170212483A1 (en) Numerical control system using data analyzed by machining simulation in actual machining
JP2021018753A (ja) 異常検知装置、異常検知方法、および異常検知プログラム
CN112154048A (zh) 基于机器人的工件插装
CN104951665A (zh) 一种推荐药品的方法和系统
KR20230127267A (ko) 주입 펌프들에서의 폐색 검출을 위한 시스템들 및 방법들
JP2015085437A (ja) 判定装置、判定方法、および判定プログラム
JP4328969B2 (ja) 制御装置の診断方法
US12032354B2 (en) Program restart assisting apparatus
CN109491844B (zh) 一种识别异常信息的计算机系统
US12001341B2 (en) Device and method for storing real-time data of a medical treatment
US11964088B2 (en) Volume-based priming of dialysis machines
JP2019162413A (ja) 体外血液処理装置をモニタリングするためのモニタリング装置と方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19814954

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019814954

Country of ref document: EP

Effective date: 20210111