WO2022071114A1 - 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム - Google Patents

機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム Download PDF

Info

Publication number
WO2022071114A1
WO2022071114A1 PCT/JP2021/035082 JP2021035082W WO2022071114A1 WO 2022071114 A1 WO2022071114 A1 WO 2022071114A1 JP 2021035082 W JP2021035082 W JP 2021035082W WO 2022071114 A1 WO2022071114 A1 WO 2022071114A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
learning
sliding member
side sliding
machine learning
Prior art date
Application number
PCT/JP2021/035082
Other languages
English (en)
French (fr)
Inventor
智佳子 高東
由美子 中村
和彦 杉山
知己 本田
Original Assignee
株式会社荏原製作所
国立大学法人福井大学
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
Application filed by 株式会社荏原製作所, 国立大学法人福井大学 filed Critical 株式会社荏原製作所
Priority to CN202180066372.2A priority Critical patent/CN116324193A/zh
Priority to KR1020237014234A priority patent/KR20230075496A/ko
Priority to US18/246,648 priority patent/US20240011821A1/en
Priority to EP21875416.6A priority patent/EP4224025A1/en
Publication of WO2022071114A1 publication Critical patent/WO2022071114A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C17/00—Sliding-contact bearings for exclusively rotary movement
    • F16C17/12—Sliding-contact bearings for exclusively rotary movement characterised by features not related to the direction of the load
    • F16C17/24—Sliding-contact bearings for exclusively rotary movement characterised by features not related to the direction of the load with devices affected by abnormal or undesired positions, e.g. for preventing overheating, for safety
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16N—LUBRICATING
    • F16N29/00—Special means in lubricating arrangements or systems providing for the indication or detection of undesired conditions; Use of devices responsive to conditions in lubricating arrangements or systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16N—LUBRICATING
    • F16N29/00—Special means in lubricating arrangements or systems providing for the indication or detection of undesired conditions; Use of devices responsive to conditions in lubricating arrangements or systems
    • F16N29/04—Special means in lubricating arrangements or systems providing for the indication or detection of undesired conditions; Use of devices responsive to conditions in lubricating arrangements or systems enabling a warning to be given; enabling moving parts to be stopped
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2233/00—Monitoring condition, e.g. temperature, load, vibration

Definitions

  • the present invention relates to a machine learning device, a sliding surface diagnostic device, an inference device, a machine learning method, a machine learning program, a sliding surface diagnostic method, a sliding surface diagnostic program, an inference method, and an inference program.
  • a sliding machine element having a sliding surface has been conventionally used as one of many machine elements constituting the machine equipment.
  • the sliding machine element includes a fixed-side sliding member and a rotating-side sliding member, and the sliding surfaces of both members slide to realize relative motion of both members. Therefore, the condition of the sliding surface greatly affects the function of the sliding machine element, and it is extremely important to diagnose the condition of the sliding surface and manage it to an appropriate condition from the viewpoint of maintenance of machinery and equipment. Is.
  • Patent Document 1 and Patent Document 2 disclose an apparatus for diagnosing a state of a sliding surface in a sliding machine element.
  • Patent Document 1 discloses an apparatus for detecting damage to a sliding portion by monitoring physical quantities such as pressure and temperature of the sliding portion between the rotating shaft and the sliding bearing.
  • an elastic wave sensor as a sliding state detection means is attached to a bearing device, and lubricating oil is applied to the sliding surface between the bush and the connecting pin in response to a change in vibration detected by the elastic wave sensor.
  • a device for detecting a shortage tendency is disclosed.
  • the state of the sliding surface is diagnosed based on individual physical quantities (pressure, temperature, and vibration). Therefore, when the change in the state of the sliding surface is expressed in a physical quantity other than the above or is expressed in a plurality of physical quantities in a complex manner, the devices disclosed in Patent Document 1 and Patent Document 2, respectively. I could't handle it.
  • diagnosis associated with complex events such as those based on multiple physical quantities, there are large individual differences in the part that depends on the worker's experience (including tacit knowledge) and the worker, and a device that automates such diagnosis. Realization is strongly requested.
  • the present invention is a machine learning device and a sliding surface diagnostic device capable of diagnosing the state of a sliding surface in a sliding machine element with high accuracy without depending on the experience of an operator.
  • a reasoning device a machine learning method, a machine learning program, a sliding surface diagnostic method, a sliding surface diagnostic program, an inference method, and an inference program.
  • the machine learning device is A machine learning device that generates a learning model used in a sliding surface diagnostic device that diagnoses the state of a sliding surface on which a fixed-side sliding member and a rotating-side sliding member slide.
  • a learning data storage unit that stores one or a plurality of sets of learning data including at least data and data of vibration generated in at least one of the fixed-side sliding member and the rotating-side sliding member in the predetermined period as input data.
  • a machine learning unit that causes the learning model to learn the correlation between the input data and the diagnostic information of the sliding surface by inputting one or a plurality of sets of the learning data into the learning model. It includes a learned model storage unit that stores the learning model trained by the machine learning unit.
  • the sliding surface diagnostic apparatus is It is a sliding surface diagnostic device that diagnoses the state of the sliding surface on which the fixed side sliding member and the rotating side sliding member slide by using the learning model generated by the machine learning device.
  • An input data acquisition unit that acquires data and input data including data of vibration generated in at least one of the fixed-side sliding member and the rotating-side sliding member in the predetermined period.
  • the input data acquired by the input data acquisition unit is input to the learning model, and an inference unit for inferring diagnostic information on the sliding surface is provided.
  • a learning model capable of inferring (estimating) diagnostic information on a sliding surface with high accuracy from motor current value data, contact electrical resistance data, and vibration data.
  • the state of the sliding surface can be diagnosed with high accuracy without depending on the experience of the operator.
  • FIG. 1 is a schematic configuration diagram showing an example of a first sliding machine element 1A to which the sliding surface diagnostic system 2 according to the first embodiment is applied.
  • FIG. 2 is a schematic configuration diagram showing an example of a second sliding machine element 1B to which the sliding surface diagnostic system 2 according to the first embodiment is applied.
  • the sliding machine elements 1A and 1B are a first sliding machine element 1A (see FIG. 1) in which the sliding surfaces 100 and 110 are in line contact with each other and a second sliding machine in which the sliding surfaces 100 and 110 are in surface contact. It is roughly classified into element 1B (see FIG. 2).
  • Each of the first and second sliding machine elements 1A and 1B includes a fixed-side sliding member 10 having a fixed-side sliding surface 100 and a rotating-side sliding member 11 having a rotating-side sliding surface 110. ..
  • sliding surface is used as a term including not only the case of indicating both the fixed side sliding surface 100 and the rotating side sliding surface 110 but also the case of indicating either one of them. ..
  • the fixed side sliding member 10 is fixed to a support member (not shown).
  • the rotating side sliding member 11 is fixed to the rotating shaft 12, and the rotating shaft 12 is connected to the motor 13 as a drive source.
  • the rotating side sliding member 11 is rotated integrally with the rotating shaft 12 by supplying a current from the motor control device 14 to the motor 13 and driving the motor 13 to rotate.
  • the fixed side sliding surface 100 and the rotating side sliding surface 110 slide via the lubricant.
  • the lubricant may be any substance, such as oil, water, aqueous solution and the like.
  • the first sliding machine element 1A has sliding surfaces 100 and 110 in line contact, and constitutes, for example, a sliding bearing that receives a radial load.
  • the fixed-side sliding member 10 and the rotating-side sliding member 11 are formed in an annular shape and are arranged concentrically around the rotating shaft 12.
  • the rotating side sliding member 11 is fixed to the rotating shaft 12 so as to cover the outer peripheral surface of the rotating shaft 12.
  • the outer peripheral surface of the rotating side sliding member 11 corresponds to the rotating side sliding surface 110.
  • the rotating shaft 12 itself may function as the rotating side sliding member 11 without separating the rotating side sliding member 11 and the rotating shaft 12, and in that case, the outer peripheral surface of the rotating shaft 12 may be used.
  • the fixed side sliding member 10 is arranged so as to cover the rotating side sliding surface 110.
  • the inner peripheral surface of the fixed side sliding member 10 corresponds to the fixed side sliding surface 100.
  • the second sliding mechanical element 1B has surface-contact sliding surfaces 100 and 110, and constitutes, for example, a sliding bearing or a mechanical seal that receives a thrust load.
  • the fixed-side sliding member 10 and the rotating-side sliding member 11 are formed in an annular shape and are arranged coaxially with the rotating shaft 12.
  • the donut-shaped side surface of the fixed-side sliding member 10 located on the rotating-side sliding member 11 side corresponds to the fixed-side sliding surface 100.
  • the rotating side sliding member 11 is fixed to the outer peripheral surface of the rotating shaft 12.
  • the donut-shaped side surface located on the fixed side sliding member 10 side of the rotating side sliding member 11 corresponds to the rotating side sliding surface 110.
  • the fixed side sliding member 10 and the rotating side sliding member 11 are supported by the urging member 15 so that the fixed side sliding surface 100 and the rotating side sliding surface 110 are pressed in the axial direction of the rotating shaft 12.
  • the urging member 15 may be provided on the fixed side sliding member 10 side instead of or in addition to being provided on the rotating side sliding member 11. Further, as shown in FIG. 2, the urging member 15 may be omitted without being provided on the rotating side sliding member 11.
  • a sliding surface diagnosis system 2 for diagnosing the states of the sliding surfaces 100 and 110 is provided for the sliding machine elements 1A and 1B having the above configuration.
  • the sliding surface diagnostic system 2 includes a measuring device 3, a machine learning device 4, and a sliding surface diagnostic device 5.
  • the measuring device 3 is installed in each part of the sliding machine elements 1A and 1B, and measures the physical quantity and the state quantity of each part of the sliding machine elements 1A and 1B.
  • the measuring device 3 is connected to the machine learning device 4 and used for learning data measurement, and in the inference phase, it is connected to the sliding surface diagnostic device 5 and used for diagnostic data measurement.
  • the measuring device 3 includes a motor current sensor 30, a contact electrical resistance measuring circuit 31, an acoustic emission (hereinafter referred to as “AE”) measuring circuit 32, and an acceleration sensor 33.
  • AE acoustic emission
  • the motor current sensor 30 is attached to, for example, a power line connecting the motor 13 and the motor control device 14, and measures the motor current value supplied from the motor control device 14 to the motor 13.
  • the motor current sensor 30 may be provided inside the motor 13 or inside the motor control device 14.
  • the contact electrical resistance measuring circuit 31 is electrically connected to the fixed side sliding member 10 and the rotating side sliding member 11, respectively, and applies a predetermined voltage to the fixed side sliding member 10 and the rotating side sliding member 11.
  • the electrical resistance of contact with the member 11 is measured.
  • the measured value of the contact electrical resistance for example, when there is not enough lubricant between the fixed side sliding member 10 and the rotating side sliding member 11, the resistance value (0 ⁇ ) indicating the contact state is measured. Will be done. Further, when a sufficient lubricant is present between the fixed side sliding member 10 and the rotating side sliding member 11, a resistance value (for example, on the order of 100 k ⁇ ) indicating an insulating state is measured.
  • the AE measurement circuit 32 includes an AE sensor 320 fixed to the fixed side sliding member 10 and a signal processing circuit 321 electrically connected to the AE sensor 320.
  • the AE sensor 320 detects an AE wave generated in the fixed side sliding member 10 and outputs it as an AE signal.
  • the signal processing circuit 321 has, for example, a preamplifier and a discriminator, and measures an AE wave by amplifying the AE signal output by the AE sensor 320 through a predetermined filter.
  • the AE sensor 320 may be fixed to the rotating side sliding member 11 in place of or in addition to the fixed side sliding member 10. Further, although the AE sensor 320 is attached to the outer peripheral cylindrical surface of the fixed side sliding member 10 in the examples of FIGS.
  • the attachment position and attachment form of the AE sensor 320 may be appropriately changed.
  • the AE sensor 320 may be attached to, for example, the axial end surface of the fixed-side sliding member 10 or may be attached to the fixed-side sliding member 10 via a member such as an adapter or a casing.
  • the acceleration sensor 33 is fixed to the fixed-side sliding member 10 and measures the acceleration generated in the fixed-side sliding member 10.
  • the acceleration sensor 33 is, for example, a sensor that measures the acceleration of one axis, and is fixed to the fixed side sliding member 10 so as to measure the acceleration in the direction orthogonal to the sliding surfaces 100 and 110 (arrows D1 and D2). Will be done.
  • the direction indicated by the arrow D1 is the radial direction of the fixed-side sliding member 10 and the load direction of the rotating shaft 12.
  • the direction indicated by the arrow D2 is the axial direction of the fixed side sliding member 10, and the rotating side sliding member 11 and the fixed side sliding member 10 are pressed against each other.
  • the acceleration sensor 33 may be fixed to the rotating side sliding member 11 in place of or in addition to the fixed side sliding member 10. Further, although the acceleration sensor 33 is attached to the outer peripheral cylindrical surface of the fixed side sliding member 10 in the examples of FIGS. 1 and 2, the attachment position and attachment form of the acceleration sensor 33 may be appropriately changed.
  • the acceleration sensor 33 may be attached to, for example, the axial end surface of the fixed-side sliding member 10 or may be attached to the fixed-side sliding member 10 via a member such as an adapter or a casing.
  • the measuring device 3 measures, for example, the physical quantity and the state quantity of each part in a predetermined measurement cycle, and each time the measurement cycle elapses, the measured value at the measurement time is measured by the machine learning device 4 and the sliding surface diagnostic device 5. It is configured to be able to output to.
  • the measurement cycles of the motor current sensor 30, the contact electrical resistance measuring circuit 31, the AE measuring circuit 32, and the acceleration sensor 33 constituting the measuring device 3 may be the same or different. Further, the measuring device 3 may output continuous measured values such as an analog signal instead of outputting discrete measured values each time the measurement cycle elapses as described above.
  • the machine learning device 4 operates as the main body of the learning phase, and generates a learning model 6 used when diagnosing the states of the sliding surfaces 100 and 110 by machine learning.
  • the machine learning device 4 can adopt both "supervised learning” and “unsupervised learning” as a machine learning method. In this embodiment, “supervised learning” is adopted, and in the second embodiment described later, “unsupervised learning” is adopted.
  • the sliding surface diagnostic device 5 operates as the main body of the inference phase, and the sliding surfaces 100 and 110 are measured from the measured values measured by the measuring device 3 using the learned learning model 6 generated by the machine learning device 4. Diagnose the condition of.
  • the learned learning model 6 is provided from the machine learning device 4 to the sliding surface diagnostic device 5 via an arbitrary communication network, recording medium, or the like.
  • FIG. 3 is a hardware configuration diagram showing an example of a computer 200 constituting the machine learning device 4 and the sliding surface diagnostic device 5.
  • Each of the machine learning device 4 and the sliding surface diagnostic device 5 is composed of a general-purpose or dedicated computer 200.
  • the computer 200 has, as its main components, a bus 210, a processor 212, a memory 214, an input device 216, a display device 218, a storage device 220, a communication I / F (interface) unit 222, and an external device. It includes a device I / F unit 224, an I / O (input / output) device I / F unit 226, and a media input / output unit 228.
  • the above components may be omitted as appropriate depending on the intended use of the computer 200.
  • the processor 212 is composed of one or a plurality of arithmetic processing units (CPU, MPU, GPU, DSP, etc.) and operates as a control unit that controls the entire computer 200.
  • the memory 214 stores various data and the program 230, and is composed of, for example, a volatile memory (DRAM, SRAM, etc.) that functions as a main memory, and a non-volatile memory (ROM, flash memory, etc.).
  • the input device 216 is composed of, for example, a keyboard, a mouse, a numeric keypad, an electronic pen, and the like.
  • the display device 218 is composed of, for example, a liquid crystal display, an organic EL display, electronic paper, a projector, or the like.
  • the input device 216 and the display device 218 may be integrally configured as in the touch panel display.
  • the storage device 220 is composed of, for example, an HDD, an SSD, or the like, and stores various data necessary for executing the operating system and the program 230.
  • the communication I / F unit 222 is connected to a network 240 such as the Internet or an intranet by wire or wirelessly, and transmits / receives data to / from another computer according to a predetermined communication standard.
  • the external device I / F unit 224 is connected to an external device 250 such as a printer or a scanner by wire or wirelessly, and transmits / receives data to / from the external device 250 in accordance with a predetermined communication standard.
  • the I / O device I / F unit 226 is connected to the I / O device 260 such as various sensors and actuators, and is connected to the I / O device 260, for example, a detection signal by a sensor or a control signal to the actuator. Sends and receives various signals and data.
  • the media input / output unit 228 is composed of a drive device such as a DVD drive or a CD drive, and reads / writes data to / from the media 270 such as a DVD or a CD.
  • the processor 212 calls and executes the program 230 in the work memory area of the memory 214, and controls each part of the computer 200 via the bus 210.
  • the program 230 may be stored in the storage device 220 instead of the memory 214.
  • the program 230 may be recorded on a non-temporary recording medium such as a CD or DVD in an installable file format or an executable file format, and may be provided to the computer 200 via the media input / output unit 228.
  • the program 230 may be provided to the computer 200 by downloading via the network 240 via the communication I / F unit 222.
  • the computer 200 is composed of, for example, a stationary computer or a portable computer, and is an electronic device of any form.
  • the computer 200 may be a client type computer, a server type computer, or a cloud type computer.
  • the computer 200 may be applied to devices other than the machine learning device 4 and the sliding surface diagnostic device 5.
  • FIG. 4 is a block diagram showing an example of the machine learning device 4 according to the first embodiment.
  • the first sliding machine element 1A is the target of the learning model 6, but the second sliding machine element 1B may be the target of the learning model 6.
  • the machine learning device 4 includes a learning data acquisition unit 40, a learning data storage unit 41, a machine learning unit 42, and a learned model storage unit 43.
  • the machine learning device 4 is composed of, for example, the computer 200 shown in FIG.
  • the learning data acquisition unit 40 is composed of the communication I / F unit 222 or the I / O device I / F unit 226, and the machine learning unit 42 is composed of the processor 212, and is composed of the learning data storage unit 41 and the learning data storage unit 41.
  • the trained model storage unit 43 is composed of a storage device 220.
  • the learning data acquisition unit 40 is an interface unit that is connected to various external devices via a communication network 20 and acquires learning data including at least input data.
  • the external device is used by, for example, a measuring device 3 provided on the first sliding machine element 1A, a measuring device 3 provided on a test device 7 simulating the first sliding machine element 1A, and an operator. It is a worker terminal 8 or the like.
  • the sliding surface diagnostic device 5 is connected to the communication network 20
  • the learning data acquisition unit 40 is connected to the first sliding machine element 1A to be diagnosed by the sliding surface diagnostic device 5. Learning data may be acquired from the provided measuring device 3.
  • test device 7 is provided with a motor current sensor 30, a contact electric resistance measuring circuit 31, an AE measuring circuit 32, and an acceleration sensor 33 as the measuring device 3.
  • the test device 7 is a device simulating the first sliding machine element 1A, it is configured as, for example, a device for performing a block-on-ring type one-way slip friction test. ..
  • the learning data storage unit 41 is a database that stores one or a plurality of sets of learning data acquired by the learning data acquisition unit 40.
  • the specific configuration of the database constituting the learning data storage unit 41 may be appropriately designed.
  • the machine learning unit 42 carries out machine learning using the learning data stored in the learning data storage unit 41. That is, by inputting a plurality of sets of learning data into the learning model 6, the machine learning unit 42 inputs the correlation between the input data included in the learning data and the diagnostic information of the sliding surfaces 100 and 110 into the learning model 6. By training, a trained learning model 6 is generated.
  • a neural network is adopted as a specific method of supervised learning by the machine learning unit 42 will be described.
  • the trained model storage unit 43 is a database that stores the trained learning model 6 generated by the machine learning unit 42.
  • the trained learning model 6 stored in the trained model storage unit 43 is provided to an actual system (for example, a sliding surface diagnostic device 5) via an arbitrary communication network, a recording medium, or the like.
  • an actual system for example, a sliding surface diagnostic device 5
  • the learning data storage unit 41 and the trained model storage unit 43 are shown as separate storage units in FIG. 4, they may be configured by a single storage unit.
  • FIG. 5 is a data configuration diagram showing an example of data (supervised learning) used in the machine learning device 4 according to the first embodiment.
  • the training data is, as input data, data of the motor current value supplied to the motor 13 in a predetermined period, data of contact electrical resistance between the fixed side sliding member 10 and the rotating side sliding member 11 in a predetermined period, and data. And, at least the data of the vibration generated in at least one of the fixed side sliding member 10 and the rotating side sliding member 11 in a predetermined period is included.
  • the predetermined period for each of the motor current value data, contact electrical resistance data, and vibration data as input data is basically set to the same period, but there is a relationship that a time difference occurs between each data. If it is permitted, the period corresponding to the time difference may be set.
  • the input data may further include other data in addition to the motor current value data, the contact electrical resistance data, and the vibration data.
  • the fixed side sliding member 10 and the rotating side sliding member 11 may be included.
  • the motor current value data in a predetermined period is composed of a plurality of measured values (motor current values) measured by the motor current sensor 30 at a plurality of measurement points within the predetermined period.
  • the data of the motor current value is, for example, associated with the measurement time indicating the measurement time point, and is configured as the data of an array arranged in chronological order at the measurement time.
  • the learning data acquisition unit 40 converts the measured value into data at a predetermined sampling cycle.
  • the data of the motor current value in the predetermined period is composed of a plurality of measured values (motor current values) at a plurality of sampling points in the predetermined period.
  • the contact electrical resistance data in a predetermined period is composed of a plurality of measured values (contact electrical resistance) measured by the contact electrical resistance measuring circuit 31 at a plurality of measurement time points within the predetermined period.
  • the contact electrical resistance data is, for example, associated with the measurement time indicating the measurement time point, and is configured as data in an array arranged in chronological order at the measurement time.
  • the learning data acquisition unit 40 converts the measured value into data at a predetermined sampling cycle.
  • the contact electrical resistance data in the predetermined period is composed of a plurality of measured values (contact electrical resistance) at a plurality of sampling points in the predetermined period.
  • the vibration data in the predetermined period is at least one of the AE wave data in the predetermined period and the acceleration data generated in the direction orthogonal to the sliding surfaces 100 and 110 in the predetermined period.
  • the vibration data will be described as being composed of AE wave data and acceleration data.
  • the vibration data may use data other than the AE wave data and the acceleration data as long as it represents the vibration generated in at least one of the fixed side sliding member 10 and the rotating side sliding member 11.
  • the AE wave data in a predetermined period is composed of a plurality of measured values (AE waves) measured by the AE measurement circuit 32 at a plurality of measurement time points within the predetermined period.
  • the AE wave data is, for example, associated with a measurement time indicating a measurement time point, and is configured as data in an array arranged in chronological order at the measurement time.
  • the learning data acquisition unit 40 converts the measured values into data at a predetermined sampling cycle.
  • the AE wave data in the predetermined period is composed of a plurality of measured values (AE waves) at a plurality of sampling points in the predetermined period.
  • Acceleration data in a predetermined period is composed of a plurality of measured values (acceleration) measured by an acceleration sensor 33 at a plurality of measurement points within a predetermined period.
  • the acceleration data is, for example, associated with the measurement time indicating the measurement time point, and is configured as data in an array arranged in chronological order at the measurement time.
  • the learning data acquisition unit 40 converts the measured values into data at a predetermined sampling cycle.
  • the acceleration data in the predetermined period is composed of a plurality of measured values (acceleration) at a plurality of sampling points in the predetermined period.
  • the learning data is output data associated with the input data, and the states of the sliding surfaces 100 and 110 in a predetermined period are any of a plurality of states. Further includes diagnostic information indicating that there is.
  • the output data is referred to as, for example, teacher data or correct label in supervised learning.
  • the diagnostic information is at least one of diagnostic information regarding wear of the sliding surfaces 100 and 110, diagnostic information regarding seizure of the sliding surfaces 100 and 110, and diagnostic information regarding contamination of the lubricant.
  • the diagnostic information is configured as information indicating that the state of the sliding surfaces 100 and 110 is either normal or abnormal.
  • the diagnostic information is classified into two values, for example, the value indicating that the sliding surfaces 100 and 110 are in a normal state is set to "0", and the sliding surfaces 100 and 110 are in an abnormal state.
  • the value indicating is defined as "1".
  • the diagnostic information will be described as representing either normal or abnormal.
  • the learning data according to the present embodiment includes normal and abnormal data including motor current value data, contact electrical resistance data, AE wave data, and acceleration data. It is configured in association with output data including diagnostic information indicating that it is one of the above.
  • the abnormalities here are not only ex post facto abnormalities that were found to occur at the time of diagnosis, but also within the permissible range that is judged to be normal at the time of diagnosis, but it seems that future abnormalities were predicted. It may also include signs of abnormality.
  • the information indicating the abnormality includes, for example, a plurality of abnormalities according to the specific content and degree of the abnormality so as to correspond to the abnormality 1 / abnormality 2 / ... / abnormality n shown in FIG. You may go out.
  • the abnormality include, for example, an abnormality related to wear, an abnormality related to seizure, or an abnormality related to stain of the lubricant.
  • the diagnostic information is classified into multiple values (integers of 3 or more), and for example, the values indicating that the sliding surfaces 100 and 110 are in a normal state are set to "0", and it is an abnormality related to wear.
  • the indicated value is set to "1”
  • the value indicating that the abnormality is related to seizure is set to "2”
  • the values are similarly defined as values according to the content of each abnormality.
  • the specific degree of abnormality includes, for example, in the case of an abnormality related to wear, the degree of wear is classified into multiple levels.
  • the diagnostic information is classified into multiple values (integers of 3 or more), for example, the value indicating that the sliding surfaces 100 and 110 are in a normal state is set to "0", and the degree of wear is low.
  • a value indicating that the abnormality is abnormal is set to "1”
  • a value indicating that the degree of wear is an abnormality at a medium level is set to "2”
  • the values are similarly defined as values according to the degree of each abnormality.
  • the input data (motor current value data, contact electrical resistance data, AE wave data, and acceleration data in a predetermined period) included in the learning data and the diagnostic information of the sliding surfaces 100 and 110 The correlation between them will be described.
  • the motor current value is supplied to the motor 13 from the motor control circuit 14 when the motor 13 is rotationally driven at a predetermined rotation speed
  • the motor current value changes according to the states of the sliding surfaces 100 and 110.
  • the data of the motor current value indirectly represents the frictional resistance of the sliding surfaces 100 and 110, and is mainly used for monitoring the frictional resistance of the sliding surfaces 100 and 110.
  • the contact electrical resistance continuously changes depending on whether the fixed side sliding member 10 and the rotating side sliding member 11 are in an insulated state or a contact state. Therefore, the contact electrical resistance data is mainly used to monitor the lubrication state of the lubricant on the sliding surfaces 100 and 110.
  • the sliding surfaces 100 and 110 are suddenly soiled. Vibration is generated and measured as a change in acceleration or AE wave. Further, when the sliding surfaces 100 and 110 are damaged due to seizure, it is measured as an AE wave. Therefore, the acceleration data and the AE wave data are mainly used for monitoring the contamination state of the lubricant on the sliding surfaces 100 and 110 and the seizure state of the sliding surfaces 100 and 110.
  • the main monitoring applications for individual data regarding motor current value data, contact electrical resistance data, AE wave data, and acceleration data are as described above, but the states of the sliding surfaces 100 and 110 are sliding.
  • the moving surfaces 100 and 110 change in a complicated manner due to various influences such as the usage environment, usage conditions, and maintenance status.
  • the learning data is configured to include the motor current value data, the contact electrical resistance data, the AE wave data, and the acceleration data as input data for the sliding surfaces 100 and 110. Even when the state changes in a complicated manner due to various influences as described above, it is possible to diagnose the state of the sliding surfaces 100 and 110 with high accuracy.
  • the learning data acquisition unit 40 acquires the above learning data, the data of the motor current value in a predetermined period measured by the first sliding machine element 1A or the measuring device 3 provided in the test device 7. , Contact electrical resistance data, AE wave data, and acceleration data are acquired from the measuring device 3 as input data. Further, the worker diagnoses the state of the sliding surfaces 100 and 110 during a predetermined period in which the input data is measured by the measuring device 3, and the diagnosed diagnosis result (for example, normal or abnormal) is used as the worker terminal 8. Then, the learning data acquisition unit 40 acquires the diagnostic information based on the diagnostic result input by the worker terminal 8 as output data (teacher data) from the worker terminal 8. Then, the learning data acquisition unit 40 constitutes one learning data by associating these input data with the output data, and stores them in the learning data storage unit 41.
  • FIG. 6 is a schematic diagram showing an example of a neural network model used in the machine learning device 4 according to the first embodiment.
  • the learning model 6 is configured as a neural network model shown in FIG.
  • the neural network model consists of l neurons (x1 to xl) in the input layer, m neurons (y11 to y1m) in the first intermediate layer, and n neurons (y21 to y2n) in the second intermediate layer. , And o neurons (z1 to zo) in the output layer.
  • Each neuron in the input layer is associated with each of the input data included in the learning data.
  • Each neuron in the output layer is associated with each of the output data included in the learning data. It should be noted that the input data before being input to the input layer may be subjected to a predetermined pre-processing, or the output data after being output from the output layer may be subjected to a predetermined post-processing.
  • the first intermediate layer and the second intermediate layer are also called hidden layers, and the neural network may have a plurality of hidden layers in addition to the first intermediate layer and the second intermediate layer. 1 Only the intermediate layer may be used as a hidden layer.
  • synapses connecting the neurons of each layer are stretched between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer.
  • a weight wi (i is a natural number) is associated with each synapse.
  • the neural network model uses the training data to input the input data included in the training data to the input layer, and the output data output from the output layer as the inference result and the output included in the training data. By comparing with the data (teacher data), the correlation between the input data and the output data is learned.
  • each neuron in the input layer is input with each of the input data included in the learning data.
  • the value of each neuron in the output layer is the product of the value of the neuron on the input side connected to the neuron and the weight wi associated with the synapse connecting the neuron on the output side and the neuron on the input side. It is calculated by performing the process of calculating as the sum of several sequences of all neurons except the input layer.
  • the values (z1 to zo) output to each neuron in the output layer as the inference result are compared with the values of the teacher data (t1 to to) corresponding to each of the output data included in the learning data.
  • a process (backpro vacation) is performed in which an error is obtained and the weight wi associated with each synapse is adjusted so that the error becomes small.
  • FIG. 7 is a flowchart showing an example of a machine learning method by the machine learning device 4 according to the first embodiment.
  • the machine learning method corresponds to the learning phase of FIG.
  • step S100 the learning data acquisition unit 40 prepares a desired number of learning data as a preliminary preparation for starting machine learning, and the prepared learning data is stored in the learning data storage unit 41.
  • the number of learning data prepared here may be set in consideration of the inference accuracy required for the finally obtained learning model 6.
  • the method of preparing learning data For example, when an abnormality occurs in the sliding surfaces 100 and 110 of the specific first sliding machine element 1A and the test device 7, or when the operator recognizes a sign of the abnormality, various types in the period before and after that.
  • the input data constituting the learning data Prepare the output data (for example, the value of the output data in this case is "1"). Then, by repeating such work, it is possible to prepare a plurality of sets of learning data.
  • the learning data not only when an abnormality has occurred, but also when no abnormality has occurred, that is, the first sliding machine element 1A and the sliding surfaces 100 and 110 of the test device 7 are in a normal state.
  • a plurality of sets of learning data composed of the input data and the output data (for example, the value of the output data in this case is “0”) are prepared.
  • the machine learning unit 42 prepares the learning model 6 before learning in order to start machine learning.
  • the pre-learning learning model 6 prepared here is composed of the neural network model illustrated in FIG. 6, and the weight of each synapse is set to the initial value.
  • Each neuron in the input layer is associated with motor current value data, contact electrical resistance data, AE wave data, and acceleration data as input data included in the training data.
  • Each neuron in the output layer is associated with each of the diagnostic information as output data included in the learning data.
  • step S120 the machine learning unit 42 randomly acquires, for example, one learning data from a plurality of sets of learning data stored in the learning data storage unit 41.
  • step S130 the machine learning unit 42 inputs the input data included in one learning data to the input layer of the prepared pre-learning (or during learning) learning model 6.
  • output data is output as an inference result from the output layer of the learning model 6, and the output data is generated by the learning model 6 before (or during learning) learning. Therefore, in the state before (or during learning) the learning, the output data output as the inference result shows information different from the output data (teacher data) included in the learning data.
  • step S140 the machine learning unit 42 receives the output data (teacher data) included in one learning data acquired in step S120, and the output data output as the inference result from the output layer in step S130.
  • Machine learning is performed by comparing the data and adjusting the weight of each synapse.
  • the machine learning unit 42 causes the learning model 6 to learn the correlation between the input data and the output data (diagnosis information of the sliding surfaces 100 and 110).
  • the diagnostic information constituting the teacher data is defined as a binary classification in which the normal state is indicated by "0" and the abnormal state is indicated by "1", one for learning selected in step S120.
  • the value of the output data included in the data set is "1”, but the value of the output data output from the output layer is a predetermined value of 0 to 1, specifically, a value such as "0.63". It is assumed that it has been output.
  • step S140 if the same input data is input to the input layer of the learning model 6 being trained, the learning model being trained so that the value output from the output layer approaches "1".
  • the weight associated with each synapse of 6 is adjusted.
  • step S150 the machine learning unit 42 determines whether or not it is necessary to continue machine learning, for example, an error between the output data and the teacher data, or not stored in the learning data storage unit 41. Judgment is made based on the remaining number of learning data for learning.
  • step S150 determines in step S150 that machine learning is to be continued (No in step S150)
  • the process returns to step S120, and the steps S120 to S140 are unlearned for the learning model 6 being learned. Perform multiple times using the data.
  • step S150 determines in step S150 that the machine learning unit 42 ends machine learning (Yes in step S150)
  • the process proceeds to step S160.
  • step S160 the machine learning unit 42 stores the learned learning model 6 generated by adjusting the weights associated with each synapse in the learned model storage unit 43, and is shown in FIG. 7. Finish a series of machine learning methods.
  • step S100 corresponds to a learning data storage process
  • steps S110 to S150 correspond to a machine learning process
  • step S160 corresponds to a learned model storage process.
  • the motor current value data, the contact electrical resistance data, and the vibration (AE wave and acceleration in the present embodiment) data is provided. Therefore, it is possible to provide a learning model 6 capable of inferring (estimating) the diagnostic information of the sliding surfaces 100 and 110 with high accuracy.
  • FIG. 8 is a block diagram showing an example of the sliding surface diagnostic device 5 according to the first embodiment.
  • the first sliding machine element 1A is the target of the learning model 6, but the second sliding machine element 1B may be the target of the learning model 6.
  • the sliding surface diagnostic device 5 includes an input data acquisition unit 50, an inference unit 51, a learned model storage unit 52, and an output processing unit 53.
  • the sliding surface diagnostic device 5 is composed of, for example, the computer 200 shown in FIG.
  • the input data acquisition unit 50 is composed of the communication I / F unit 222 or the I / O device I / F unit 226, and the inference unit 51 and the output processing unit 53 are composed of the processor 212, and the trained model storage is performed.
  • the unit 52 is composed of a storage device 220.
  • the sliding surface diagnostic device 5 may be incorporated in the motor control device 14, or is a management device higher than the motor control device 14 (for example, a controller for mechanical equipment, an equipment management system for managing a plurality of mechanical equipment). Etc.) may be incorporated.
  • the input data acquisition unit 50 is connected to a measuring device 3 (motor current sensor 30, contact electric resistance measuring circuit 31, AE measuring circuit 32, and acceleration sensor 33) provided in the first sliding machine element 1A. It is an interface unit that acquires input data (motor current value data, contact electrical resistance data, AE wave data, and acceleration data in a predetermined period) based on the measured values measured by the measuring device 3.
  • a measuring device 3 motor current sensor 30, contact electric resistance measuring circuit 31, AE measuring circuit 32, and acceleration sensor 33
  • the inference unit 51 inputs the input data acquired by the input data acquisition unit 50 into the learning model 6 and performs an inference process for inferring the diagnostic information of the sliding surfaces 100 and 110.
  • a machine learning device 4 and a learned learning model 6 in which supervised learning is performed by a machine learning method are used.
  • the inference unit 51 not only has a function of performing inference processing using the learning model 6, but also adjusts the input data acquired by the input data acquisition unit 50 into a desired format or the like as a preprocessing of the inference processing, and the learning model 6 By applying a predetermined logical formula or calculation formula to the value of the output data output from the learning model 6 as the pre-processing function to be input to and the post-processing of the inference processing, the states of the sliding surfaces 100 and 110 are finally finalized. It also includes a post-processing function to make a judgment.
  • the inference result of the inference unit 51 is preferably stored in the learned model storage unit 52 or another storage device (not shown), and the past inference result is, for example, further improved in the inference accuracy of the learning model 6. Therefore, it can be used as learning data used for online learning and re-learning.
  • the trained model storage unit 52 is a database that stores the trained learning model 6 used in the inference processing of the inference unit 51.
  • the number of learning models 6 stored in the trained model storage unit 52 is not limited to one. For example, a plurality of learning models 6 having different numbers of input data or different machine learning methods may be stored and selectively available.
  • the output processing unit 53 performs output processing for outputting the inference result of the inference unit 51, that is, the diagnostic information of the sliding surfaces 100 and 110.
  • various means can be adopted.
  • the output processing unit 53 for example, notifies the operator of diagnostic information by display or sound, or as a diagnostic history of the first sliding machine element 1A, for example, is higher than the motor control device 14 or the motor control device 14. It may be transmitted to a management device (not shown), stored in a storage unit of the motor control device 14 or the management device of the motor control device 14, or used for drive control of the motor 13.
  • FIG. 9 is a flowchart showing an example of a sliding surface diagnosis method by the sliding surface diagnosis device 5 according to the first embodiment.
  • the diagnostic information of the sliding surfaces 100 and 110 will be described as being defined as a binary classification representing either normal “0” or abnormal “1”.
  • the sliding surface diagnosis method corresponds to the inference phase of FIG.
  • a current is supplied from the motor control device 14 to the motor 13 to drive the motor 13 to rotate, so that the rotating side sliding member 11 of the first sliding machine element 1A is in a rotated state.
  • the diagnosis timing may be, for example, at predetermined time intervals or when a predetermined event occurs (at the time of an operator's operation instruction, maintenance operation, etc.).
  • the input data acquisition unit 50 receives input data based on the measured values measured by the measuring device 3 (motor current sensor 30, contact electrical resistance measuring circuit 31, AE measuring circuit 32, and acceleration sensor 33). (Data of motor current value, data of contact electric resistance, data of AE wave, and data of acceleration in a predetermined period) are acquired. At this time, the input data is required to include the measured value measured by the measuring device 3 for the same period as the predetermined period or for a longer period than the predetermined period.
  • step S210 the inference unit 51 preprocesses the input data, inputs it to the input layer of the learning model 6, and acquires the output data output from the output layer of the learning model 6.
  • step S220 the inference unit 51 compares the value of the output data (the number between 0 〜 1) with a predetermined threshold value as an example of post-processing of supervised learning, and outputs, for example. If the value of the data is less than a predetermined threshold value, it is determined that the diagnostic information is "normal”, and if it is equal to or higher than the predetermined threshold value, it is determined that the diagnostic information is "abnormal". Is output as an inference result.
  • a predetermined threshold value as an example of post-processing of supervised learning
  • step S230 the output processing unit 53 determines whether the diagnostic information of the sliding surfaces 100 and 110, which is the inference result of the inference unit 51, represents "normal” or "abnormal", and is "normal”. If it is determined, the process proceeds to step S240, and if it is determined to be "abnormal", the process proceeds to step S250.
  • step S240 the output processing unit 53 outputs information indicating "normal". Note that step S240 may be omitted.
  • step S250 the output processing unit 53 outputs information indicating "abnormality".
  • steps S200 correspond to an input data acquisition step
  • steps S210 to S220 correspond to an inference step
  • steps S230 to S250 correspond to an output processing step.
  • the states of the sliding surfaces 100 and 110 are diagnosed with high accuracy without depending on the experience of the operator. be able to.
  • the machine learning device 4 Similar to the first embodiment (see FIG. 4), the machine learning device 4 includes a learning data acquisition unit 40, a learning data storage unit 41, a machine learning unit 42, and a learned model storage unit 43. Be prepared.
  • FIG. 10 is a data configuration diagram showing an example of data (unsupervised learning) used in the machine learning device 4 according to the second embodiment.
  • the learning data includes only input data when the diagnostic information indicates that the states of the sliding surfaces 100 and 110 in a predetermined period are in a predetermined state. That is, the learning data may be configured not to include the output data, and the presence / absence of the output data and the format of the output data can be appropriately selected according to the machine learning method adopted by the machine learning device 4.
  • the diagnostic information is configured as information indicating that the state of the sliding surfaces 100 and 110 is either normal or abnormal.
  • the learning data includes data on the motor current value and data on the contact electrical resistance in a predetermined period when the states of the sliding surfaces 100 and 110 are normal. It consists only of AE wave data and input data including acceleration data.
  • the learning data acquisition unit 40 acquires the above-mentioned learning data, the data of the motor current value in a predetermined period measured by the sliding machine elements 1A and 1B or the measuring device 3 provided in the test device 7.
  • the contact electrical resistance data, the AE wave data, and the acceleration data are acquired from the measuring device 3 as input data.
  • the worker diagnoses the state of the sliding surfaces 100 and 110 in the predetermined period in which the input data is measured by the measuring device 3, and inputs to the worker terminal 8 that the diagnosed diagnosis result is normal.
  • the learning data acquisition unit 40 constitutes one learning data only with the input data, and stores it in the learning data storage unit 41.
  • the machine learning unit 42 By inputting one or more sets of learning data into the learning model 6, the machine learning unit 42 inputs the input data included in the learning data and diagnostic information indicating that the states of the sliding surfaces 100 and 110 are normal. By letting the learning model 6 learn the correlation of the above, the learned learning model 6 is generated.
  • an autoencoder is adopted as a specific method of unsupervised learning by the machine learning unit 42 will be described.
  • FIG. 11 is a schematic diagram showing an example of an autoencoder model used in the machine learning device 4 according to the second embodiment.
  • the learning model 6 is configured as an autoencoder model shown in FIG.
  • the autoencoder model consists of l neurons (x1 to xl) in the input layer, m neurons (y1 to ym) in the middle layer, and o neurons (z1 to zo) in the output layer. Will be done.
  • the number of neurons in the input layer and the output layer is the same, which is larger than the number of neurons in the middle layer.
  • Each neuron in the input layer is associated with each of the input data included in the learning data.
  • the intermediate layer is also called a hidden layer, and may have a plurality of hidden layers. Further, synapses connecting between the neurons of each layer are stretched between the input layer and the intermediate layer, and between the intermediate layer and the output layer, and each synapse has a weight wi (i is a natural number). Is associated with.
  • the auto-encoder model uses the training data to input the input data included in the training data to the input layer, and the output data output from the output layer as the inference result and the input included in the training data. By comparing with the data and performing the process of adjusting the weight wi, the pattern and the tendency of the input data are learned.
  • FIG. 12 is a flowchart showing an example of a machine learning method by the machine learning device 4 according to the second embodiment.
  • step S300 the learning data acquisition unit 40 prepares a desired number of learning data as a preliminary preparation for starting machine learning, and the prepared learning data is stored in the learning data storage unit 41.
  • learning is performed by using the measuring device 3 to acquire various measured values in a predetermined period when the sliding surfaces 100 and 110 in the specific sliding machine elements 1A and 1B and the test device 7 are in a normal state. Prepare the input data that composes the data. Then, by repeating such work, it is possible to prepare a plurality of sets of learning data.
  • the machine learning unit 42 prepares the learning model 6 before learning in order to start machine learning.
  • the pre-learning learning model 6 prepared here is composed of the autoencoder model illustrated in FIG. 11, and the weight of each synapse is set to the initial value.
  • Each neuron in the input layer is associated with motor current value data, contact electrical resistance data, AE wave data, and acceleration data as input data included in the training data.
  • step S320 the machine learning unit 42 randomly acquires, for example, one learning data from a plurality of sets of learning data stored in the learning data storage unit 41.
  • step S330 the machine learning unit 42 inputs the input data included in one learning data to the input layer of the prepared pre-learning (or during learning) learning model 6.
  • output data is output as an inference result from the output layer of the learning model 6, and the output data is generated by the learning model 6 before (or during learning) learning. Therefore, in the state before (or during learning) the learning, the output data output as the inference result shows information different from the input data included in the learning data.
  • step S340 the machine learning unit 42 compares the input data included in one learning data acquired in step S320 with the output data output as the inference result from the output layer in step S330.
  • Machine learning is performed by adjusting the weight of each synapse.
  • step S350 the machine learning unit 42 determines whether or not it is necessary to continue machine learning. As a result, when it is determined to continue (No in step S350), the process returns to step S320, the steps S320 to S340 are performed on the learning model 6 being learned, and it is determined to end machine learning (step S350). Yes), proceed to step S360.
  • step S300 corresponds to a learning data storage process
  • steps S310 to S350 correspond to a machine learning process
  • step S360 corresponds to a learned model storage process.
  • the motor current value data, the contact electrical resistance data, and the vibration (AE wave and acceleration in the present embodiment) data is provided. Therefore, it is possible to provide a learning model 6 capable of inferring (estimating) the diagnostic information of the sliding surfaces 100 and 110 with high accuracy.
  • the sliding surface diagnostic device 5 Similar to the first embodiment (see FIG. 8), the sliding surface diagnostic device 5 includes an input data acquisition unit 50, an inference unit 51, a learned model storage unit 52, and an output processing unit 53.
  • the inference unit 51 inputs the input data acquired by the input data acquisition unit 50 into the learning model 6 and performs an inference process for inferring the diagnostic information of the sliding surfaces 100 and 110.
  • the machine learning device 4 and the learned learning model 6 in which unsupervised learning is performed by the machine learning method are used.
  • FIG. 13 is a flowchart showing an example of a sliding surface diagnosis method by the sliding surface diagnosis device 5 according to the second embodiment.
  • the diagnostic information of the sliding surfaces 100 and 110 will be described as being defined as a binary classification indicating that it is either normal or abnormal.
  • step S400 the input data acquisition unit 50 receives input data based on the measured values measured by the measuring device 3 (motor current sensor 30, contact electrical resistance measuring circuit 31, AE measuring circuit 32, and acceleration sensor 33).
  • the measuring device 3 motor current sensor 30, contact electrical resistance measuring circuit 31, AE measuring circuit 32, and acceleration sensor 33.
  • step S410 the inference unit 51 preprocesses the input data, inputs it to the input layer of the learning model 6, and acquires the output data output from the output layer of the learning model 6.
  • step S420 the inference unit 51 obtains the difference between the feature amount based on the input data and the feature amount based on the output data as an example of post-processing of unsupervised learning.
  • a feature quantity is, for example, a parameter expressed as a feature vector in a multidimensional space, and a difference is expressed as a distance between feature vectors. Then, the inference unit 51 determines that the diagnostic information is "normal” if the difference is less than the predetermined threshold value, and determines that the diagnostic information is "abnormal” if the difference is greater than or equal to the predetermined threshold value. Then, the judgment result is output as an inference result.
  • step S430 the output processing unit 53 determines whether the diagnostic information of the sliding surfaces 100 and 110, which is the inference result of the inference unit 51, represents "normal” or "abnormal". As a result, if it is determined to be "normal”, the process proceeds to step S440, and if it is determined to be "abnormal", the process proceeds to step S450 (optional), and the series of sliding surface diagnosis methods shown in FIG. 13 is completed. do.
  • steps S400 correspond to an input data acquisition step
  • steps S410 to S420 correspond to an inference step
  • steps S430 to S450 correspond to an output processing step.
  • the states of the sliding surfaces 100 and 110 are diagnosed with high accuracy without depending on the experience of the operator. be able to.
  • machine learning has been described.
  • Part 42 may employ any other machine learning technique.
  • Other machine learning methods include, for example, tree types such as decision trees and regression trees, ensemble learning such as bagging and boosting, neural network types such as recursive neural networks and convolutional neural networks (including deep learning). Examples include hierarchical clustering, non-hierarchical clustering, clustering type such as k-means method and k-means method, principal component analysis, factor analysis, multivariate analysis such as logistic regression, and support vector machine.
  • the present invention can also be provided in the form of a program (machine learning program) 230 for causing the computer 200 shown in FIG. 3 to execute each process provided in the machine learning method according to the above embodiment. Further, the present invention can also be provided in the form of a program (sliding surface diagnosis program) 230 for causing the computer 200 shown in FIG. 3 to execute each step provided in the sliding surface diagnosis method according to the above embodiment. ..
  • the present invention is not only based on the aspect of the sliding surface diagnostic device 5 (sliding surface diagnostic method or sliding surface diagnostic program) according to the above embodiment, but is also an inference device used for diagnosing the state of the sliding surface. It can also be provided in the form of (inference method or inference program).
  • the inference device includes a memory and a processor, and the processor may execute a series of processes. The series of processes acquires input data including data of motor current value in a predetermined period, data of contact electric resistance in a predetermined period, and data of vibration (at least one of AE wave and acceleration) in a predetermined period. It includes an input data acquisition process (input data acquisition process) and an inference process (inference process) for inferring diagnostic information on a sliding surface when input data is acquired by the input data acquisition process.
  • an inference device inference method or inference program
  • it can be easily applied to various devices as compared with the case where the sliding surface diagnostic device 5 is mounted.
  • the inference device inference method or inference program
  • the sliding surface is used by using the machine learning device 4 according to the above embodiment and the learned learning model 6 generated by the machine learning method. It is understandable to those skilled in the art that the inference method carried out by the inference unit 51 of the diagnostic apparatus 5 may be applied.
  • the present invention can be used for a machine learning device, a sliding surface diagnostic device, an inference device, a machine learning method, a machine learning program, a sliding surface diagnostic method, a sliding surface diagnostic program, an inference method, and an inference program.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Sliding-Contact Bearings (AREA)

Abstract

機械学習装置（４）は、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置（１Ａ）に用いられる学習モデル（６）を生成する。機械学習装置（４）は、所定期間におけるモータ電流値のデータ、所定期間における接触電気抵抗のデータ、及び、所定期間における振動（ＡＥ波又は加速度）のデータを入力データとして少なくとも含む学習用データを記憶する学習用データ記憶部（４１）と、学習モデル（６）に学習用データを入力することで、入力データと摺動面の診断情報との相関関係を学習モデル（６）に学習させる機械学習部（４２）と、機械学習部（４２）により学習させた学習モデル（６）を記憶する学習済みモデル記憶部（４３）とを備える。

Description

機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム
　本発明は、機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラムに関する。
　機械設備を構成する多数の機械要素の１つとして、摺動面を有する摺動機械要素が従来から使用されている。摺動機械要素は、固定側摺動部材と回転側摺動部材とを備え、両部材の摺動面が摺動することにより両部材の相対運動を実現する。そのため、摺動面の状態は、摺動機械要素の機能に大きく影響し、機械設備の保全の観点からしても、摺動面の状態を診断し、適切な状態に管理することは極めて重要である。
　例えば、特許文献１及び特許文献２には、摺動機械要素における摺動面の状態を診断する装置が開示されている。特許文献１には、回転軸とすべり軸受との摺動部分の圧力や温度等の物理量をモニタすることにより、摺動部分の損傷を検出する装置が開示されている。特許文献２には、摺動状態検出手段としての弾性波センサを軸受装置に取り付け、弾性波センサにより検出された振動の変化に応じて、ブッシュと連結ピンとの間の摺動面で潤滑油が不足傾向であることを検出する装置が開示されている。
特開２０１０－１８０９８２号公報 特開平１０－３１８２６１号公報
　特許文献１及び特許文献２にそれぞれ開示された装置では、個々の物理量（圧力、温度、及び、振動）に基づいて、摺動面の状態を診断するものである。そのため、摺動面の状態の変化が、上記以外の物理量に表出したり、複数の物理量に複合的に表出したりするような場合には、特許文献１及び特許文献２にそれぞれ開示された装置では対応できなかった。また、複数の物理量に基づくような複合的な事象に伴う診断では、作業者の経験（暗黙知を含む）に依存した部分や作業者の個人差が大きく、このような診断を自動化する装置の実現が強く要望されている。
　本発明は、上述した課題に鑑み、作業者の経験に依存することなく、摺動機械要素における摺動面の状態を高精度に診断することを可能とする機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラムを提供することを目的とする。
　上記目的を達成するために、本発明の第１の態様に係る機械学習装置は、
　固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを生成する機械学習装置であって、
　所定期間において前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ 、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間において前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを１又は複数組記憶する学習用データ記憶部と、
　前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
　前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える。
　上記目的を達成するために、本発明の第２の態様に係る摺動面診断装置は、
　上記機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置であって、
　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得部と、
　前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前記摺動面の診断情報を推論する推論部と、を備える。
　本発明の機械学習装置によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータから、摺動面の診断情報を高精度に推論（推定）することが可能な学習モデルを提供することができる。また、本発明の摺動面診断装置によれば、作業者の経験に依存することなく、摺動面の状態を高精度に診断することができる。
　上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
第１の実施形態に係る摺動面診断システム２が適用された第１の摺動機械要素１Ａの一例を示す概略構成図である。 第１の実施形態に係る摺動面診断システム２が適用された第２の摺動機械要素１Ｂの一例を示す概略構成図である。 機械学習装置４及び摺動面診断装置５を構成するコンピュータ２００の一例を示すハードウエア構成図である。 第１の実施形態に係る機械学習装置４の一例を示すブロック図である。 第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の一例を示すデータ構成図である。 第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモデルの一例を示す模式図である。 第１の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る摺動面診断装置５の一例を示すブロック図である。 第１の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の一例を示すデータ構成図である。 第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデルの一例を示す模式図である。 第２の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。 第２の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。
　以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
（第１の実施形態）
　図１は、第１の実施形態に係る摺動面診断システム２が適用された第１の摺動機械要素１Ａの一例を示す概略構成図である。図２は、第１の実施形態に係る摺動面診断システム２が適用された第２の摺動機械要素１Ｂの一例を示す概略構成図である。
　摺動機械要素１Ａ、１Ｂは、摺動面１００、１１０が線接触する第１の摺動機械要素１Ａ（図１参照）と、摺動面１００、１１０が面接触する第２の摺動機械要素１Ｂ（図２参照）とに大別される。
　第１及び第２の摺動機械要素１Ａ、１Ｂの各々は、固定側摺動面１００を有する固定側摺動部材１０と、回転側摺動面１１０を有する回転側摺動部材１１とを備える。なお、本明細書では、「摺動面」は、固定側摺動面１００及び回転側摺動面１１０の両方を示す場合だけでなく、これらのいずれか一方を示す場合も含む用語として使用する。
　固定側摺動部材１０は、支持部材（不図示）に固定される。回転側摺動部材１１は、回転軸１２に固定され、回転軸１２は、駆動源としてのモータ１３に連結される。回転側摺動部材１１は、モータ制御装置１４からモータ１３に電流が供給されてモータ１３が回転駆動されることにより、回転軸１２と一体となって回転される。このとき、固定側摺動面１００と回転側摺動面１１０とが潤滑剤を介して摺動する。潤滑剤は、任意の物質でよく、例えば、油、水、水溶液等である。
　第１の摺動機械要素１Ａは、図１に示すように、線接触の摺動面１００、１１０を有し、例えば、ラジアル荷重を受けるすべり軸受けを構成する。第１の摺動機械要素１Ａにおいて、固定側摺動部材１０及び回転側摺動部材１１は、円環状に形成され、回転軸１２を中心とする同心状に配置される。回転側摺動部材１１は、回転軸１２の外周面を覆うように回転軸１２に固定される。回転側摺動部材１１の外周面が回転側摺動面１１０に相当する。なお、回転側摺動部材１１と回転軸１２とを別部材とせずに、回転軸１２自体が、回転側摺動部材１１として機能してもよく、その場合には、回転軸１２の外周面が回転側摺動面１１０に相当する。また、固定側摺動部材１０は、回転側摺動面１１０を覆うように配置される。固定側摺動部材１０の内周面が固定側摺動面１００に相当する。
第２の摺動機械要素１Ｂは、図２に示すように、面接触の摺動面１００、１１０を有し、例えば、スラスト荷重を受けるすべり軸受けやメカニカルシールを構成する。第２の摺動機械要素１Ｂにおいて、固定側摺動部材１０及び回転側摺動部材１１は、円環状に形成され、回転軸１２と同軸状に並べて配置される。固定側摺動部材１０の回転側摺動部材１１側に位置するドーナツ状の側面が固定側摺動面１００に相当する。回転側摺動部材１１は、回転軸１２の外周面に固定される。回転側摺動部材１１の固定側摺動部材１０側に位置するドーナツ状の側面が回転側摺動面１１０に相当する。固定側摺動部材１０及び回転側摺動部材１１は、付勢部材１５により固定側摺動面１００及び回転側摺動面１１０が回転軸１２の軸方向に押し付けられるように支持される。なお、付勢部材１５は、図２に示すように、回転側摺動部材１１側に設けられることに代えて又は加えて、固定側摺動部材１０側に設けられてもよい。また、付勢部材１５は、図２に示すように、回転側摺動部材１１側に設けられることなく、省略されてもよい。
　上記構成を有する摺動機械要素１Ａ、１Ｂに対して摺動面１００、１１０の状態を診断する摺動面診断システム２が設けられている。摺動面診断システム２は、測定装置３と、機械学習装置４と、摺動面診断装置５とを備える。
　測定装置３は、摺動機械要素１Ａ、１Ｂの各部に設置され、摺動機械要素１Ａ、１Ｂの各部の物理量や状態量を測定する。測定装置３は、学習フェーズでは、機械学習装置４に接続されて学習用のデータ測定に用いられ、推論フェーズでは、摺動面診断装置５に接続されて診断用のデータ測定に用いられる。測定装置３は、モータ電流センサ３０と、接触電気抵抗測定回路３１と、アコースティックエミッション（以下、「ＡＥ」という）測定回路３２と、加速度センサ３３とを備える。
　モータ電流センサ３０は、例えば、モータ１３とモータ制御装置１４とを接続する電力線に取り付けられ、モータ制御装置１４からモータ１３に供給されるモータ電流値を測定する。なお、モータ電流センサ３０は、モータ１３の内部やモータ制御装置１４の内部に設けられていてもよい。
　接触電気抵抗測定回路３１は、固定側摺動部材１０と回転側摺動部材１１とに電気的にそれぞれ接続されて所定の電圧を印加することで、固定側摺動部材１０と回転側摺動部材１１との間の接触電気抵抗を測定する。接触電気抵抗の測定値としては、例えば、固定側摺動部材１０と回転側摺動部材１１との間に十分な潤滑剤が存在しない場合には、接触状態を示す抵抗値（０Ω）が測定される。また、固定側摺動部材１０と回転側摺動部材１１との間に十分な潤滑剤が存在する場合には、絶縁状態を示す抵抗値（例えば、１００ｋΩオーダー）が測定される。
　ＡＥ測定回路３２は、固定側摺動部材１０に固定されたＡＥセンサ３２０と、ＡＥセンサ３２０に電気的に接続された信号処理回路３２１とを備える。ＡＥセンサ３２０は、固定側摺動部材１０に生じるＡＥ波を検出し、ＡＥ信号として出力する。信号処理回路３２１は、例えば、プリアンプ及びディスクリミネータを有し、ＡＥセンサ３２０により出力されたＡＥ信号を所定のフィルタに通して増幅することで、ＡＥ波を測定する。なお、ＡＥセンサ３２０は、固定側摺動部材１０に代えて又は加えて、回転側摺動部材１１に固定されてもよい。また、ＡＥセンサ３２０は、図１、図２の例では、固定側摺動部材１０の外周円筒面に取り付けられているが、ＡＥセンサ３２０の取付位置や取付形態は適宜変更してもよい。ＡＥセンサ３２０は、例えば、固定側摺動部材１０の軸方向端面に取り付けられてもよいし、アダプタやケーシング等の部材を介して固定側摺動部材１０に取り付けけられてもよい。
　加速度センサ３３は、固定側摺動部材１０に固定され、固定側摺動部材１０に生じる加速度を測定する。加速度センサ３３は、例えば、１軸の加速度を測定するセンサであり、摺動面１００、１１０に直交する方向（矢印Ｄ１、Ｄ２）の加速度を測定するように、固定側摺動部材１０に固定される。第１の摺動機械要素１Ａでは、矢印Ｄ１（図１参照）が示す方向は、固定側摺動部材１０の径方向であり、回転軸１２の荷重方向である。第２の摺動機械要素１Ｂでは、矢印Ｄ２（図２参照）が示す方向は、固定側摺動部材１０の軸方向であり、回転側摺動部材１１と固定側摺動部材１０とが押し付けられた押し付け方向である。なお、加速度センサ３３は、固定側摺動部材１０に代えて又は加えて、回転側摺動部材１１に固定されてもよい。また、加速度センサ３３は、図１、図２の例では、固定側摺動部材１０の外周円筒面に取り付けられているが、加速度センサ３３の取付位置や取付形態は適宜変更してもよい。加速度センサ３３は、例えば、固定側摺動部材１０の軸方向端面に取り付けられてもよいし、アダプタやケーシング等の部材を介して固定側摺動部材１０に取り付けけられてもよい。
　測定装置３は、例えば、所定の測定周期にて各部の物理量や状態量を測定し、測定周期が経過する毎に、その測定時点での測定値を機械学習装置４及び摺動面診断装置５に出力可能に構成される。なお、測定装置３を構成するモータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３の各々における測定周期は同一でもよいし、異なるものでもよい。また、測定装置３は、上記のように、測定周期が経過する毎に離散的な測定値を出力することに代えて、アナログ信号のように連続的な測定値を出力してもよい。
　機械学習装置４は、学習フェーズの主体として動作し、摺動面１００、１１０の状態を診断する際に用いられる学習モデル６を機械学習により生成する。機械学習装置４は、機械学習の手法として、「教師あり学習」及び「教師なし学習」のいずれも採用することができる。本実施形態では「教師あり学習」を採用し、後述する第２の実施形態では、「教師なし学習」を採用する。
　摺動面診断装置５は、推論フェーズの主体として動作し、機械学習装置４により生成された学習済みの学習モデル６を用いて、測定装置３により測定された測定値から摺動面１００、１１０の状態を診断する。学習済みの学習モデル６は、機械学習装置４から任意の通信網や記録媒体等を介して摺動面診断装置５に提供される。
　図３は、機械学習装置４及び摺動面診断装置５を構成するコンピュータ２００の一例を示すハードウエア構成図である。
　機械学習装置４及び摺動面診断装置５のそれぞれは、汎用又は専用のコンピュータ２００により構成される。コンピュータ２００は、図３に示すように、その主要な構成要素として、バス２１０、プロセッサ２１２、メモリ２１４、入力デバイス２１６、表示デバイス２１８、ストレージ装置２２０、通信Ｉ／Ｆ（インターフェース）部２２２、外部機器Ｉ／Ｆ部２２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部２２６、及び、メディア入出力部２２８を備える。なお、上記の構成要素は、コンピュータ２００が使用される用途に応じて適宜省略されてもよい。
　プロセッサ２１２は、１つ又は複数の演算処理装置（ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ等）で構成され、コンピュータ２００全体を統括する制御部として動作する。メモリ２１４は、各種のデータ及びプログラム２３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ、フラッシュメモリ等）とで構成される。
　入力デバイス２１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成される。表示デバイス２１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成される。入力デバイス２１６及び表示デバイス２１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置２２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、オペレーティングシステムやプログラム２３０の実行に必要な各種のデータを記憶する。
　通信Ｉ／Ｆ部２２２は、インターネットやイントラネット等のネットワーク２４０に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う。外部機器Ｉ／Ｆ部２２４は、プリンタ、スキャナ等の外部機器２５０に有線又は無線により接続され、所定の通信規格に従って外部機器２５０との間でデータの送受信を行う。Ｉ／ＯデバイスＩ／Ｆ部２２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス２６０に接続され、Ｉ／Ｏデバイス２６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う。メディア入出力部２２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア２７０に対してデータの読み書きを行う。
　上記構成を有するコンピュータ２００において、プロセッサ２１２は、プログラム２３０をメモリ２１４のワークメモリ領域に呼び出して実行し、バス２１０を介してコンピュータ２００の各部を制御する。なお、プログラム２３０は、メモリ２１４の代わりに、ストレージ装置２２０に記憶されていてもよい。プログラム２３０は、インストール可能なファイル形式又は実行可能なファイル形式でＣＤ、ＤＶＤ等の非一時的な記録媒体に記録され、メディア入出力部２２８を介してコンピュータ２００に提供されてもよい。プログラム２３０は、通信Ｉ／Ｆ部２２２を介してネットワーク２４０経由でダウンロードすることによりコンピュータ２００に提供されてもよい。
　コンピュータ２００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ２００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ２００は、機械学習装置４及び摺動面診断装置５以外の他の装置に適用されてもよい。
（機械学習装置４）
　図４は、第１の実施形態に係る機械学習装置４の一例を示すブロック図である。図４に示す機械学習装置４では、第１の摺動機械要素１Ａを学習モデル６の対象とするが、第２の摺動機械要素１Ｂを学習モデル６の対象としてもよい。
　機械学習装置４は、学習用データ取得部４０と、学習用データ記憶部４１と、機械学習部４２と、学習済みモデル記憶部４３とを備える。機械学習装置４は、例えば、図３に示すコンピュータ２００で構成される。その場合、学習用データ取得部４０は、通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、機械学習部４２は、プロセッサ２１２で構成され、学習用データ記憶部４１及び学習済みモデル記憶部４３は、ストレージ装置２２０で構成される。
　学習用データ取得部４０は、各種の外部装置と通信網２０を介して接続され、入力データを少なくとも含む学習用データを取得するインタフェースユニットである。外部装置は、例えば、第１の摺動機械要素１Ａに設けられた測定装置３、第１の摺動機械要素１Ａを模擬した試験装置７に設けられた測定装置３、及び、作業者が使用する作業者用端末８等である。なお、摺動面診断装置５が、通信網２０に接続されている場合には、学習用データ取得部４０は、摺動面診断装置５の診断対象である第１の摺動機械要素１Ａに設けられた測定装置３から学習用データを取得するようにしてもよい。
　試験装置７の各部には、測定装置３として、モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３が設けられる。試験装置７が、図４に示すように、第１の摺動機械要素１Ａを模擬した装置である場合には、例えば、ブロックオンリング型の一方向すべり摩擦試験を実施する装置として構成される。
　学習用データ記憶部４１は、学習用データ取得部４０で取得した学習用データを１又は複数組記憶するデータベースである。なお、学習用データ記憶部４１を構成するデータベースの具体的な構成は適宜設計すればよい。
　機械学習部４２は、学習用データ記憶部４１に記憶された学習用データを用いて機械学習を実施する。すなわち、機械学習部４２は、学習モデル６に学習用データを複数組入力することで、学習用データに含まれる入力データと摺動面１００、１１０の診断情報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する。本実施形態では、機械学習部４２による教師あり学習の具体的な手法として、ニューラルネットワークを採用する場合について説明する。
　学習済みモデル記憶部４３は、機械学習部４２により生成された学習済みの学習モデル６を記憶するデータベースである。学習済みモデル記憶部４３に記憶された学習済みの学習モデル６は、任意の通信網や記録媒体等を介して実システム（例えば、摺動面診断装置５）に提供される。なお、図４では、学習用データ記憶部４１と、学習済みモデル記憶部４３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
　図５は、第１の実施形態に係る機械学習装置４で使用されるデータ（教師あり学習）の一例を示すデータ構成図である。
　学習用データは、入力データとして、所定期間においてモータ１３に供給されるモータ電流値のデータ、所定期間における固定側摺動部材１０と回転側摺動部材１１との間の接触電気抵抗のデータ、及び、所定期間において固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方に生じる振動のデータを少なくとも含む。入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータの各々における所定期間は、同一の期間に設定することを基本とするが、各データ間に時間差が生じる関係が認められる場合には、当該時間差に対応する期間に設定してもよい。なお、入力データは、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動のデータ以外に他のデータをさらに含むものでもよく、例えば、固定側摺動部材１０と回転側摺動部材１１とが摺動するときに生じる音、固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方の温度、固定側摺動部材１０と回転側摺動部材１１との間の潤滑圧力、潤滑剤の流量、潤滑剤の温度、及び、潤滑剤の性状値（色、粒径分布）のデータのうち少なくとも１つのデータをさらに含むものでもよい。
　所定期間におけるモータ電流値のデータは、所定期間内の複数の測定時点においてモータ電流センサ３０により測定された複数の測定値（モータ電流値）で構成される。モータ電流値のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、モータ電流センサ３０が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間におけるモータ電流値のデータは、所定期間内の複数のサンプリング時点における複数の測定値（モータ電流値）で構成される。
　所定期間における接触電気抵抗のデータは、所定期間内の複数の測定時点において接触電気抵抗測定回路３１により測定された複数の測定値（接触電気抵抗）で構成される。接触電気抵抗のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、接触電気抵抗測定回路３１が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間における接触電気抵抗のデータは、所定期間内の複数のサンプリング時点における複数の測定値（接触電気抵抗）で構成される。
　所定期間における振動のデータは、所定期間におけるＡＥ波のデータ、及び、所定期間における摺動面１００、１１０に直交する方向に生じる加速度のデータの少なくとも１つである。本実施形態では、振動のデータは、ＡＥ波のデータ及び加速度のデータからなるものとして説明する。なお、振動のデータは、固定側摺動部材１０及び回転側摺動部材１１の少なくとも一方に生じる振動を表すものであれば、ＡＥ波のデータ及び加速度のデータ以外のデータを用いてもよい。
　所定期間におけるＡＥ波のデータは、所定期間内の複数の測定時点においてＡＥ測定回路３２により測定された複数の測定値（ＡＥ波）で構成される。ＡＥ波のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、ＡＥ測定回路３２が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間におけるＡＥ波のデータは、所定期間内の複数のサンプリング時点における複数の測定値（ＡＥ波）で構成される。
　所定期間における加速度のデータは、所定期間内の複数の測定時点において加速度センサ３３により測定された複数の測定値（加速度）で構成される。加速度のデータは、例えば、測定時点を示す測定時刻と紐付けられて、測定時刻で時系列順に並べた配列のデータとして構成される。なお、加速度センサ３３が、連続的な測定値を出力するような場合には、学習用データ取得部４０が、所定のサンプリング周期にて測定値をデータ化する。これにより、所定期間における加速度のデータは、所定期間内の複数のサンプリング時点における複数の測定値（加速度）で構成される。
　機械学習として「教師あり学習」を採用する場合、学習用データは、入力データに対応付けられた出力データとして、所定期間における摺動面１００、１１０の状態が複数の状態のうちのいずれかであることを表す診断情報をさらに含む。出力データは、教師あり学習において、例えば、教師データや正解ラベルと称される。
　診断情報は、摺動面１００、１１０の摩耗に関する診断情報、摺動面１００、１１０の焼付きに関する診断情報、及び、潤滑剤の汚損に関する診断情報、の少なくとも１つである。
　摺動面１００、１１０の状態として、異常の有無を診断する場合には、診断情報は、摺動面１００、１１０の状態が正常及び異常のいずれかであることを表す情報として構成される。この場合、診断情報は、２値に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」とし、摺動面１００、１１０が異常な状態であることを示す値を「１」として定義される。本実施形態では、診断情報は、正常及び異常のいずれかであることを表すものとして説明する。
　したがって、本実施形態に係る学習用データは、図５に示すように、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを含む入力データと、正常及び異常のいずれかであることを表す診断情報を含む出力データとが対応付けられて構成される。ここでの異常は、診断時点において異常の発生が判明したような事後的な異常だけなく、診断時点では正常と判断される許容範囲ではあるが、将来的な異常の発生が予見されたような異常の兆候も含むものでもよい。
　なお、診断情報のうち異常を表す情報は、図５に示す異常１／異常２／…／異常ｎに対応するように、例えば、異常の具体的な内容や度合いに応じた複数の異常を含んでいてもよい。
　異常の具体的な内容としては、例えば、摩耗に関する異常、焼付きに関する異常、又は、潤滑剤の汚損に関する異常が含まれる。この場合、診断情報は、多値（３以上の整数）に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」とし、摩耗に関する異常であることを示す値を「１」とし、焼付きに関する異常であることを示す値を「２」とし、以下同様に各異常の内容に合わせた値として定義される。
　異常の具体的な度合いとしては、例えば、摩耗に関する異常であれば、摩耗の度合いを複数のレベルで分類したものが含まれる。この場合、診断情報は、多値（３以上の整数）に分類され、例えば、摺動面１００、１１０が正常な状態であることを示す値を「０」とし、摩耗の度合いが低レベルの異常であることを示す値を「１」とし、摩耗の度合いが中レベルの異常であることを示す値を「２」とし、以下同様に各異常の度合いに合わせた値として定義される。
　ここで、学習用データに含まれる入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータ）と、摺動面１００、１１０の診断情報との間の相関関係について説明する。
　モータ電流値は、モータ１３を所定の回転速度で回転駆動させるときにモータ制御回路１４からモータ１３に供給されるため、摺動面１００、１１０の状態に応じて変化する。例えば、摺動面１００、１１０の摩擦係数が高い状態では、モータ電流値は上昇する。そのため、モータ電流値のデータは、摺動面１００、１１０の摩擦抵抗を間接的に表しており、摺動面１００、１１０の摩擦抵抗を監視するために主に使用される。接触電気抵抗は、固定側摺動部材１０と回転側摺動部材１１との間が絶縁状態か接触状態かで連続的に変化する。そのため、接触電気抵抗のデータは、摺動面１００、１１０における潤滑剤の潤滑状態を監視するために主に使用される。
　また、潤滑剤に異物が混入したり、摺動面１００、１１０の摩耗による摩耗粉が増加したりしたような潤滑剤の汚損が発生した場合には、摺動面１００、１１０にて突発的な振動が発生し、加速度やＡＥ波の変化として計測される。また、焼付きにより摺動面１００、１１０の損傷が発生したような場合には、ＡＥ波として計測される。そのため、加速度のデータ及びＡＥ波のデータは、摺動面１００、１１０における潤滑剤の汚損状態や、摺動面１００、１１０の焼付き状態を監視するために主に使用される。
　モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータについて、個々のデータの主な監視用途としては上記のとおりであるが、摺動面１００、１１０の状態は、摺動面１００、１１０の使用環境、使用条件、メンテナンス状況等の様々な影響を受けて複雑に変化する。このように複雑に変化する摺動面１００、１１０の状態を適切に診断するためには、個々のデータを個別に監視するだけでは難しく、従来は作業者の経験に依存する部分が大きかった。そこで、学習用データが、入力データとして、所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ及び加速度のデータを含む構成とすることで、摺動面１００、１１０の状態が上記のように様々な影響を受けて複雑に変化する場合であっても摺動面１００、１１０の状態を高精度に診断することが可能となる。
　学習用データ取得部４０は、上記の学習用データを取得する場合、第１の摺動機械要素１Ａ又は試験装置７に設けられた測定装置３にて測定された所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを入力データとして、測定装置３から取得する。また、作業者が、測定装置３にて入力データが測定された所定期間における摺動面１００、１１０の状態を診断し、その診断した診断結果（例えば、正常又は異常）を作業者用端末８に入力すると、学習用データ取得部４０は、作業者用端末８にて入力された診断結果に基づく診断情報を出力データ（教師データ）として、作業者用端末８から取得する。そして、学習用データ取得部４０は、これらの入力データと出力データとを対応付けられることで一の学習用データを構成し、学習用データ記憶部４１に記憶する。
　図６は、第１の実施形態に係る機械学習装置４で使用されるニューラルネットワークモデルの一例を示す模式図である。
　学習モデル６は、図６に示すニューラルネットワークモデルとして構成される。ニューラルネットワークモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。
　入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データのそれぞれが対応付けられる。なお、入力層に入力する前の入力データに対して所定の前処理を施しもよいし、出力層から出力された後の出力データに対して所定の後処理を施しもてもよい。
　第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものでもよいし、第１中間層のみを隠れ層とするものでもよい。また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、各層のニューロンの間を接続するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付けられる。
　ニューラルネットワークモデルは、学習用データを用いて、当該学習用データに含まれる入力データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該学習用データに含まれる出力データ（教師データ）とを比較することで、入力データと出力データとの相関関係を学習する。
　具体的には、入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが入力される。そして、出力層の各ニューロンの値は、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するシナプスに対応付けられた重みｗｉとの乗算値の数列の和として算出する処理を、入力層以外の全てのニューロンに対して行うことで算出される。
　そして、推論結果として出力層の各ニューロンに出力された値（ｚ１～ｚｏ）と、学習用データに含まれる出力データのそれぞれに対応する教師データの値（ｔ１～ｔｏ）とをそれぞれ比較して誤差を求め、その誤差が小さくなるように、各シナプスに対応付けられた重みｗｉを調整する処理（バックプロバケーション）が実施される。
　上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さくなること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みのニューラルネットワークモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として生成される。
（機械学習方法）
　図７は、第１の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。なお、機械学習方法は、図５の学習フェーズに該当する。
　まず、ステップＳ１００において、学習用データ取得部４０は、機械学習を開始するための事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学習用データ記憶部４１に記憶する。ここで準備する学習用データの数については、最終的に得られる学習モデル６に求められる推論精度を考慮して設定すればよい。
　学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、特定の第１の摺動機械要素１Ａや試験装置７における摺動面１００、１１０に異常が発生した場合、又は、作業者が異常の兆候を認識した場合において、その前後の期間における各種の測定値を測定装置３を用いて取得するとともに、作業者が作業者用端末８を用いて、これらの測定値に対応付ける形で診断結果を入力することで、学習データを構成する入力データと出力データ（例えば、この場合の出力データの値は「１」）とを準備する。そして、このような作業を繰り返すことで学習用データを複数組準備することが可能である。また、他の方法として、例えば、第１の摺動機械要素１Ａや試験装置７の摺動面１００、１１０に異常な状態を意図的に発生させることで学習用データを取得することも可能である。さらに、学習用データとしては、異常が発生した場合だけでなく、異常が発生していないとき、すなわち、第１の摺動機械要素１Ａや試験装置７の摺動面１００、１１０が正常な状態であるときの入力データ及び出力データ（例えば、この場合の出力データの値は「０」）で構成された学習用データを複数組準備する。
　次に、ステップＳ１１０において、機械学習部４２は、機械学習を開始すべく、学習前の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図６に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。入力層の各ニューロンには、学習用データに含まれる入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータのそれぞれが対応付けられる。出力層の各ニューロンには、学習用データに含まれる出力データとしての診断情報のそれぞれが対応付けられる。
　次に、ステップＳ１２０において、機械学習部４２は、学習用データ記憶部４１に記憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
　次に、ステップＳ１３０において、機械学習部４２は、一の学習用データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データに含まれる出力データ（教師データ）とは異なる情報を示す。
　次に、ステップＳ１４０において、機械学習部４２は、ステップＳ１２０において取得された一の学習用データに含まれる出力データ（教師データ）と、ステップＳ１３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。これにより、機械学習部４２は、入力データと出力データ（摺動面１００、１１０の診断情報）との相関関係を学習モデル６に学習させる。
　例えば、教師データを構成する診断情報が、正常の状態を「０」で示し、異常の状態を「１」で示す２値分類として定義された場合において、ステップＳ１２０で選択された一の学習用データセットに含まれる出力データの値が「１」であるが、出力層から出力された出力データの値は、０～１の所定の値、具体的に、例えば「０．６３」といった値が出力されたものとする。この場合、ステップＳ１４０では、仮に同様の入力データが学習中の学習モデル６の入力層に入力された場合に出力層から出力される値が「１」に近づくように、当該学習中の学習モデル６の各シナプスに対応付けられた重みを調整する。
　次に、ステップＳ１５０において、機械学習部４２は、機械学習を継続する必要があるか否かを、例えば、出力データと教師データとの誤差や、学習用データ記憶部４１内に記憶された未学習の学習用データの残数に基づいて判定する。
　ステップＳ１５０において、機械学習部４２が機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル６に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習用データを用いて複数回実施する。一方、ステップＳ１５０において、機械学習部４２が機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。
　そして、ステップＳ１６０において、機械学習部４２は、各シナプスに対応付けられた重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４３に記憶し、図７に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。
　以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動（本実施形態では、ＡＥ波及び加速度）のデータから、摺動面１００、１１０の診断情報を高精度に推論（推定）することが可能な学習モデル６を提供することができる。
（摺動面診断装置５）
　図８は、第１の実施形態に係る摺動面診断装置５の一例を示すブロック図である。図８に示す摺動面診断装置５では、第１の摺動機械要素１Ａを学習モデル６の対象とするが、第２の摺動機械要素１Ｂを学習モデル６の対象としてもよい。
　摺動面診断装置５は、入力データ取得部５０と、推論部５１と、学習済みモデル記憶部５２と、出力処理部５３とを備える。摺動面診断装置５は、例えば、図３に示すコンピュータ２００で構成される。その場合、入力データ取得部５０は、通信Ｉ／Ｆ部２２２又はＩ／ＯデバイスＩ／Ｆ部２２６で構成され、推論部５１及び出力処理部５３は、プロセッサ２１２で構成され、学習済みモデル記憶部５２は、ストレージ装置２２０で構成される。なお、摺動面診断装置５は、モータ制御装置１４に組み込まれていてもよいし、モータ制御装置１４の上位の管理装置（例えば、機械設備のコントローラ、複数の機械設備を管理する設備管理システム等）に組み込まれていてもよい。
　入力データ取得部５０は、第１の摺動機械要素１Ａに設けられた測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）に接続され、測定装置３により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得するインタフェースユニットである。
　推論部５１は、入力データ取得部５０により取得された入力データを学習モデル６に入力し、摺動面１００、１１０の診断情報を推論する推論処理を行う。推論処理には、機械学習装置４及び機械学習方法にて教師あり学習が実施された学習済みの学習モデル６が用いられる。
　推論部５１は、学習モデル６を用いた推論処理を行う機能のみならず、推論処理の前処理として、入力データ取得部５０により取得された入力データを所望の形式等に調整して学習モデル６に入力する前処理機能や、推論処理の後処理として、学習モデル６から出力された出力データの値に所定の論理式や計算式を適用することで、摺動面１００、１１０の状態を最終的に判断する後処理機能をも含んでいる。なお、推論部５１の推論結果は、学習済みモデル記憶部５２や他の記憶装置（不図示）に記憶することが好ましく、過去の推論結果は、例えば、学習モデル６の推論精度の更なる向上のため、オンライン学習や再学習に用いられる学習用データとして利用することが可能である。
　学習済みモデル記憶部５２は、推論部５１の推論処理にて用いられる学習済みの学習モデル６を記憶するデータベースである。なお、学習済みモデル記憶部５２に記憶される学習モデル６の数は１つに限定されない。例えば、入力データの数が異なる、又は、機械学習の手法が異なる複数の学習モデル６が記憶され、選択的に利用可能としてもよい。
　出力処理部５３は、推論部５１の推論結果、すなわち、摺動面１００、１１０の診断情報を出力する出力処理を行う。具体的な出力手段は、種々の手段を採用することが可能である。出力処理部５３は、例えば、診断情報を、表示や音で作業者に報知したり、第１の摺動機械要素１Ａの診断履歴として、例えば、モータ制御装置１４又はモータ制御装置１４の上位の管理装置（不図示）に送信し、モータ制御装置１４やモータ制御装置１４の管理装置の記憶部に記憶したり、モータ１３の駆動制御に利用してもよい。
（摺動面診断方法）
　図９は、第１の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。図９では、摺動面１００、１１０の診断情報が、正常「０」及び異常「１」のいずれかを表す２値分類として定義されたものとして説明する。なお、摺動面診断方法は、図５の推論フェーズに該当する。
　モータ制御装置１４からモータ１３に電流が供給されてモータ１３が回転駆動されることにより、第１の摺動機械要素１Ａの回転側摺動部材１１は回転された状態となる。このとき、図９に示す一連の摺動面診断方法が、摺動面診断装置５にて所定の診断タイミングにて実行される。診断タイミングは、例えば、所定の時間間隔毎でもよいし、所定の事象発生時（作業者の操作指示時、メンテナンス動作時等）でもよい。
　まず、ステップＳ２００において、入力データ取得部５０が、測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得する。このとき、入力データは、所定期間と同一期間又は所定期間よりも長期間において測定装置３にて測定された測定値を含むことが要求される。
　次に、ステップＳ２１０において、推論部５１は、入力データに前処理を施して学習モデル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得する。
　次に、ステップＳ２２０において、推論部５１は、教師あり学習の後処理の一例として、出力データの値（０〜１の間の数）と、所定の閾値とを比較し、例えば、出力データの値が、所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出力する。
　次に、ステップＳ２３０において、出力処理部５３は、推論部５１の推論結果である摺動面１００、１１０の診断情報が「正常」及び「異常」のいずれを表すかを判定し、「正常」と判定した場合には、ステップＳ２４０に進み、「異常」と判定した場合には、ステップＳ２５０に進む。
　そして、ステップＳ２４０において、出力処理部５３は、「正常」を表す情報を出力する。なお、ステップＳ２４０は省略されてもよい。
　また、ステップＳ２５０において、出力処理部５３は、「異常」を表す情報を出力し、
図９に示す一連の摺動面診断方法を終了する。摺動面診断方法において、ステップＳ２００が入力データ取得工程、ステップＳ２１０～Ｓ２２０が推論工程、ステップＳ２３０～Ｓ２５０が出力処理工程に相当する。
　以上のように、本実施形態に係る摺動面診断装置５及び摺動面診断方法によれば、作業者の経験に依存することなく、摺動面１００、１１０の状態を高精度に診断することができる。
（第２の実施形態）
　第１の実施形態では、機械学習の手法として、「教師あり学習」を採用した場合について説明したが、本実施形態では、「教師なし学習」を採用した場合について説明する。なお、第２の実施形態に係る摺動機械要素１Ａ、１Ｂ並びに摺動面診断システム２を構成する測定装置３、機械学習装置４及び摺動面診断装置５の基本的な構成や動作は、第１の実施形態と同様であるため、以下では第１の実施形態との相違点を中心に説明する。
（機械学習装置４）
　機械学習装置４は、第１の実施形態（図４参照）と同様に、学習用データ取得部４０と、学習用データ記憶部４１と、機械学習部４２と、学習済みモデル記憶部４３とを備える。
　図１０は、第２の実施形態に係る機械学習装置４で使用されるデータ（教師なし学習）の一例を示すデータ構成図である。
　機械学習として「教師なし学習」を採用する場合、学習データは、診断情報が所定期間における摺動面１００、１１０の状態が所定の状態であることを表すときの入力データのみを含む。すなわち、学習データは、出力データを含まない構成としてもよく、機械学習装置４が採用する機械学習の手法に応じて出力データの有無や出力データの形式を適宜選択することができる。
　摺動面１００、１１０の状態として、異常の有無を診断する場合には、診断情報は、摺動面１００、１１０の状態が正常及び異常のいずれかであることを表す情報として構成される。この場合に、本実施形態に係る学習用データは、図１０に示すように、摺動面１００、１１０の状態が正常であるときの所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを含む入力データのみで構成される。
　学習用データ取得部４０は、上記の学習用データを取得する場合、摺動機械要素１Ａ、１Ｂ又は試験装置７に設けられた測定装置３にて測定された所定期間におけるモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータを入力データとして、測定装置３から取得する。そして、作業者が、測定装置３にて入力データが測定された所定期間における摺動面１００、１１０の状態を診断し、その診断した診断結果が正常であることを作業者用端末８に入力すると、学習用データ取得部４０は、その入力データのみで一の学習用データを構成し、学習用データ記憶部４１に記憶する。
　機械学習部４２は、学習モデル６に学習用データを一又は複数組入力することで、学習用データに含まれる入力データと摺動面１００、１１０の状態が正常であることを表す診断情報との相関関係を学習モデル６に学習させることで、学習済みの学習モデル６を生成する。本実施形態では、機械学習部４２による教師なし学習の具体的な手法として、オートエンコーダを採用する場合について説明する。
　図１１は、第２の実施形態に係る機械学習装置４で使用されるオートエンコーダモデルの一例を示す模式図である。
　学習モデル６は、図１０に示すオートエンコーダモデルとして構成される。オートエンコーダモデルは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、中間層にあるｍ個のニューロン（ｙ１～ｙｍ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成される。入力層と出力層のニューロンの個数は同じであり、中間層のニューロンの個数よりも多い。
　入力層の各ニューロンには、学習用データに含まれる入力データのそれぞれが対応付けられる。中間層は、隠れ層とも呼ばれており、複数の隠れ層を有するものでもよい。また、入力層と中間層との間、中間層と出力層との間には、各層のニューロンの間を接続するシナプスが張られており、それぞれのシナプスには、重みｗｉ（ｉは自然数）が対応付けられる。
　オートエンコーダモデルは、学習用データを用いて、当該学習用データに含まれる入力データを入力層に入力し、その推論結果として出力層から出力された出力データと、当該学習用データに含まれる入力データとを比較し、重みｗｉを調整する処理を実施することで、入力データが有するパターンや傾向を学習する。
　上記の一連の工程を所定回数反復実施すること、又は、上記の誤差が許容値より小さくなること等の所定の学習終了条件が満たされた場合には、機械学習を終了し、学習済みのオートエンコーダモデル（シナプスのそれぞれに対応付けられた全ての重みｗｉ）として生成される。
（機械学習方法）
　図１２は、第２の実施形態に係る機械学習装置４による機械学習方法の一例を示すフローチャートである。
　まず、ステップＳ３００において、学習用データ取得部４０は、機械学習を開始するための事前準備として、所望の数の学習用データを準備し、その準備した学習用データを学習用データ記憶部４１に記憶する。
　学習用データを準備する方法には、いくつかの方法を採用することができる。例えば、特定の摺動機械要素１Ａ、１Ｂや試験装置７における摺動面１００、１１０が正常な状態である場合の所定期間における各種の測定値を測定装置３を用いて取得することで、学習データを構成する入力データを準備する。そして、このような作業を繰り返すことで学習用データを複数組準備することが可能である。
　次に、ステップＳ３１０において、機械学習部４２は、機械学習を開始すべく、学習前の学習モデル６を準備する。ここで準備する学習前の学習モデル６は、図１１に例示したオートエンコーダモデルで構成されており、各シナプスの重みが初期値に設定されている。入力層の各ニューロンには、学習用データに含まれる入力データとしてのモータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータのそれぞれが対応付けられる。
　次に、ステップＳ３２０において、機械学習部４２は、学習用データ記憶部４１に記憶された複数組の学習用データから、例えば、ランダムに一の学習用データを取得する。
　次に、ステップＳ３３０において、機械学習部４２は、一の学習用データに含まれる入力データを、準備された学習前（又は学習中）の学習モデル６の入力層に入力する。その結果、学習モデル６の出力層から推論結果として出力データが出力されるが、当該出力データは、学習前（又は学習中）の学習モデル６によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データに含まれる入力データとは異なる情報を示す。
　次に、ステップＳ３４０において、機械学習部４２は、ステップＳ３２０において取得された一の学習用データに含まれる入力データと、ステップＳ３３０において出力層から推論結果として出力された出力データとを比較し、各シナプスの重みを調整することで、機械学習を実施する。
　次に、ステップＳ３５０において、機械学習部４２は、機械学習を継続する必要があるか否かを判定する。その結果、継続すると判定した場合（ステップＳ３５０でＮｏ）、ステップＳ３２０に戻り、学習中の学習モデル６に対してステップＳ３２０～Ｓ３４０の工程を実施し、機械学習を終了すると判定した場合（ステップＳ３５０でＹｅｓ）、ステップＳ３６０に進む。
　そして、機械学習部４２は、ステップＳ３６０において、各シナプスに対応付けられた重みが調整されることで生成された学習済みの学習モデル６を学習済みモデル記憶部４３に記憶し、図１２に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ３００が学習用データ記憶工程、ステップＳ３１０～Ｓ３５０が機械学習工程、ステップＳ３６０が学習済みモデル記憶工程に相当する。
　以上のように、本実施形態に係る機械学習装置４及び機械学習方法によれば、モータ電流値のデータ、接触電気抵抗のデータ、及び、振動（本実施形態では、ＡＥ波及び加速度）のデータから、摺動面１００、１１０の診断情報を高精度に推論（推定）することが可能な学習モデル６を提供することができる。
（摺動面診断装置５）
　摺動面診断装置５は、第１の実施形態（図８参照）と同様に、入力データ取得部５０と、推論部５１と、学習済みモデル記憶部５２と、出力処理部５３とを備える。
　推論部５１は、入力データ取得部５０により取得された入力データを学習モデル６に入力し、摺動面１００、１１０の診断情報を推論する推論処理を行う。推論処理には、機械学習装置４及び機械学習方法にて教師なし学習が実施された学習済みの学習モデル６が用いられる。
（摺動面診断方法）
　図１３は、第２の実施形態に係る摺動面診断装置５による摺動面診断方法の一例を示すフローチャートである。図１３では、摺動面１００、１１０の診断情報が、正常及び異常のいずれかであることを表す２値分類として定義されたものとして説明する。
　まず、ステップＳ４００において、入力データ取得部５０が、測定装置３（モータ電流センサ３０、接触電気抵抗測定回路３１、ＡＥ測定回路３２、及び、加速度センサ３３）により測定された測定値に基づく入力データ（所定期間における、モータ電流値のデータ、接触電気抵抗のデータ、ＡＥ波のデータ、及び、加速度のデータ）を取得する。
　次に、ステップＳ４１０において、推論部５１は、入力データに前処理を施して学習モデル６の入力層に入力し、その学習モデル６の出力層から出力された出力データを取得する。
　次に、ステップＳ４２０において、推論部５１は、教師なし学習の後処理の一例として、入力データに基づく特徴量と、出力データに基づく特徴量との差を求める。特徴量は、例えば、多次元空間上の特徴ベクトルとして表現されるパラメータであり、差は、特徴ベクトル間の距離として表現される。そして、推論部５１は、その差が所定の閾値未満であれば、診断情報は「正常」であると判断し、所定の閾値以上であれば、診断情報は「異常」であると判断することで、その判断結果を推論結果として出力する。
　次に、ステップＳ４３０において、出力処理部５３は、推論部５１の推論結果である摺動面１００、１１０の診断情報が「正常」及び「異常」のいずれを表すかを判定する。その結果、「正常」と判定した場合には、ステップＳ４４０に進み、「異常」と判定した場合には、ステップＳ４５０（省略可能）に進み、図１３に示す一連の摺動面診断方法を終了する。摺動面診断方法において、ステップＳ４００が入力データ取得工程、ステップＳ４１０～Ｓ４２０が推論工程、ステップＳ４３０～Ｓ４５０が出力処理工程に相当する。
　以上のように、本実施形態に係る摺動面診断装置５及び摺動面診断方法によれば、作業者の経験に依存することなく、摺動面１００、１１０の状態を高精度に診断することができる。
（他の実施形態）
　本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
　上記実施形態では、機械学習部４２による機械学習の具体的な手法として、ニューラルネットワーク（第１の実施形態）及びオートエンコーダ（第２の実施形態）をそれぞれ採用した場合について説明したが、機械学習部４２は、任意の他の機械学習の手法を採用してもよい。他の機械学習の手法としては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
　本発明は、図３に示すコンピュータ２００に、上記実施形態に係る機械学習方法が備える各工程を実行させるためのプログラム（機械学習プログラム）２３０の態様で提供することもできる。また、本発明は、図３に示すコンピュータ２００に、上記実施形態に係る摺動面診断方法が備える各工程を実行させるためのプログラム（摺動面診断プログラム）２３０の態様で提供することもできる。
（推論装置、推論方法及び推論プログラム）
　本発明は、上記実施形態に係る摺動面診断装置５（摺動面診断方法又は摺動面診断プログラム）の態様によるもののみならず、摺動面の状態を診断するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、所定期間におけるモータ電流値のデータ、所定期間における接触電気抵抗のデータ、及び、所定期間における振動（ＡＥ波及び加速度の少なくとも１つ）のデータを含む入力データを取得する入力データ取得処理（入力データ取得工程）と、入力データ取得処理にて入力データを取得すると、摺動面の診断情報を推論する推論処理（推論工程）とを含む。
　推論装置（推論方法又は推論プログラム）の態様で提供することで、摺動面診断装置５を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が摺動面の状態を推論する際、上記実施形態に係る機械学習装置４及び機械学習方法により生成された学習済みの学習モデル６を用いて、摺動面診断装置５の推論部５１が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
　本発明は、機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラムに利用可能である。
１Ａ…第１の摺動機械要素、１Ｂ…第２の摺動機械要素、２…摺動面診断システム、
３…測定装置、４…機械学習装置、５…摺動面診断装置、６…学習モデル、
１０…固定側摺動部材、１１…回転側摺動部材、１２…回転軸、１３…モータ、
１４…モータ制御回路、１５…付勢部材、
３０…モータ電流センサ、３１…接触電気抵抗測定回路、
３２…ＡＥ測定回路、３３…加速度センサ、
４０…学習用データ取得部、４１…学習用データ記憶部、
４２…機械学習部、４３…モデル記憶部、
５０…入力データ取得部、５１…推論部、５２…モデル記憶部、５３…出力処理部、
１００…固定側摺動面、１１０…回転側摺動面、２００…コンピュータ、

 

Claims (13)

  1. 　固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを生成する機械学習装置であって、
    　所定期間において前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間において前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを１又は複数組記憶する学習用データ記憶部と、
    　前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習部と、
    　前記機械学習部により学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
    　機械学習装置。
  2. 　前記学習用データは、
    　　前記入力データに対応付けられ、前記所定期間における前記摺動面の状態が複数の状態のうちのいずれかであることを表す前記診断情報を出力データとしてさらに含み、
    　前記機械学習部は、
    　　前記入力データと前記出力データとの相関関係を教師あり学習により前記学習モデルに学習させる、
    　請求項１に記載の機械学習装置。
  3. 　前記学習用データは、
    　　前記診断情報が前記所定期間における前記摺動面の状態が所定の状態であることを表すときの前記入力データのみを含み、
    　前記機械学習部は、
    　　前記入力データと前記摺動面の状態が前記所定の状態であることを表す前記診断情報との相関関係を教師なし学習により前記学習モデルに学習させる、
    　請求項１に記載の機械学習装置。
  4. 　前記入力データに含まれる前記振動のデータは、
    　　アコースティックエミッション波のデータ、及び、前記摺動面と直交する方向に生じる加速度のデータ、の少なくとも一つである、
    　請求項１乃至請求項３のいずれか一項に記載の機械学習装置。
  5. 　前記診断情報は、
    　　前記摺動面の摩耗に関する診断情報、前記摺動面の焼付きに関する診断情報、及び、前記摺動面を潤滑する潤滑剤の汚損に関する診断情報である、の少なくとも一つである、
    　請求項１乃至請求項４のいずれか一項に記載の機械学習装置。
  6. 　請求項１乃至請求項５のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置であって、
    　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得部と、
    　前記入力データ取得部により取得された前記入力データを前記学習モデルに入力し、前記摺動面の診断情報を推論する推論部と、を備える、
    　摺動面診断装置。
  7. 　固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断するために用いられる推論装置であって、
    　前記推論装置は、メモリと、プロセッサとを備え、
    　前記プロセッサは、
    　　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得処理と、
    　　前記入力データ取得処理にて前記入力データを取得すると、前記摺動面の診断情報を推論する推論処理と、を実行する、
    　推論装置。
  8. 　固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断装置に用いられる学習モデルを学習する機械学習方法であって、
    　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを入力データとして少なくとも含む学習用データを、学習用データ記憶部に１又は複数組記憶する学習用データ記憶工程と、
    　前記学習モデルに前記学習用データを１又は複数組入力することで、前記入力データと前記摺動面の診断情報との相関関係を前記学習モデルに学習させる機械学習工程と、
    　前記機械学習工程により学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    　機械学習方法。
  9. 　コンピュータに、請求項８に記載の機械学習方法が備える各工程を実行させるための、
    　機械学習プログラム。
  10. 　請求項１乃至請求項５のいずれか一項に記載の機械学習装置により生成された学習モデルを用いて、固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を診断する摺動面診断方法であって、
    　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得工程と、
    　前記入力データ取得工程により取得された前記入力データを前記学習モデルに入力し、前記摺動面の診断情報を推論する推論工程と、を備える、
    　摺動面診断方法。
  11. 　コンピュータに、請求項１０に記載の摺動面診断方法が備える各工程を実行させるための、
    　摺動面診断プログラム。
  12. 　固定側摺動部材と回転側摺動部材とが摺動する摺動面の状態を推論する推論方法であって、
    　所定期間における前記回転側摺動部材の駆動源であるモータに供給されるモータ電流値のデータ、前記所定期間における前記固定側摺動部材と前記回転側摺動部材との間の接触電気抵抗のデータ、及び、前記所定期間における前記固定側摺動部材及び前記回転側摺動部材の少なくとも一方に生じる振動のデータを含む入力データを取得する入力データ取得工程と、
    　　前記入力データ取得工程にて前記入力データを取得すると、前記摺動面の診断情報を推論する推論工程と、を備える、
    　推論方法。
  13. 　コンピュータに、請求項１２に記載の推論方法が備える各工程を実行させるための、
    　推論プログラム。

     
PCT/JP2021/035082 2020-09-30 2021-09-24 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム WO2022071114A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180066372.2A CN116324193A (zh) 2020-09-30 2021-09-24 机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序
KR1020237014234A KR20230075496A (ko) 2020-09-30 2021-09-24 기계 학습 장치, 미끄럼 이동면 진단 장치, 추론 장치, 기계 학습 방법, 기계 학습 프로그램, 미끄럼 이동면 진단 방법, 미끄럼 이동면 진단 프로그램, 추론 방법 및 추론 프로그램
US18/246,648 US20240011821A1 (en) 2020-09-30 2021-09-24 Machine learning apparatus, sliding-surface diagnosis apparatus, inference apparatus, machine learning method, machine learning program, sliding-surface diagnosis method, sliding-surface diagnosis program, inference method, and inference program
EP21875416.6A EP4224025A1 (en) 2020-09-30 2021-09-24 Machine learning device, slide surface diagnosis device, inference device, machine learning method, machine learning program, slide surface diagnosis method, slide surface diagnosis program, inference method, and inference program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020164735A JP7044333B1 (ja) 2020-09-30 2020-09-30 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム
JP2020-164735 2020-09-30

Publications (1)

Publication Number Publication Date
WO2022071114A1 true WO2022071114A1 (ja) 2022-04-07

Family

ID=80950321

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/035082 WO2022071114A1 (ja) 2020-09-30 2021-09-24 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム

Country Status (7)

Country Link
US (1) US20240011821A1 (ja)
EP (1) EP4224025A1 (ja)
JP (1) JP7044333B1 (ja)
KR (1) KR20230075496A (ja)
CN (1) CN116324193A (ja)
TW (1) TW202232005A (ja)
WO (1) WO2022071114A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022113888A1 (de) 2022-06-01 2023-12-07 Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen, Körperschaft des öffentlichen Rechts Verfahren und System zur Überwachung eines Gleitlagers

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5741740Y2 (ja) * 1977-11-04 1982-09-13
JPS5913692B2 (ja) * 1977-02-14 1984-03-31 株式会社安川電機 軸受潤滑状態の余裕度判定方法
JPH10318261A (ja) 1997-05-20 1998-12-02 Hitachi Constr Mach Co Ltd 軸受用給脂時期判別制御装置
JP2007292731A (ja) * 2006-03-28 2007-11-08 Victor Co Of Japan Ltd 軸受検査方法及びモータの製造方法
JP2010180982A (ja) 2009-02-06 2010-08-19 Nippon Soken Inc 回転軸支持構造、および、機関の制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5741740B1 (ja) 2014-03-14 2015-07-01 オムロン株式会社 封止接点装置およびその製造方法
JP5913692B1 (ja) 2015-06-24 2016-04-27 海寧金永和家紡紹造有限公司 ソファーカバー

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5913692B2 (ja) * 1977-02-14 1984-03-31 株式会社安川電機 軸受潤滑状態の余裕度判定方法
JPS5741740Y2 (ja) * 1977-11-04 1982-09-13
JPH10318261A (ja) 1997-05-20 1998-12-02 Hitachi Constr Mach Co Ltd 軸受用給脂時期判別制御装置
JP2007292731A (ja) * 2006-03-28 2007-11-08 Victor Co Of Japan Ltd 軸受検査方法及びモータの製造方法
JP2010180982A (ja) 2009-02-06 2010-08-19 Nippon Soken Inc 回転軸支持構造、および、機関の制御装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022113888A1 (de) 2022-06-01 2023-12-07 Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen, Körperschaft des öffentlichen Rechts Verfahren und System zur Überwachung eines Gleitlagers

Also Published As

Publication number Publication date
JP2022056795A (ja) 2022-04-11
TW202232005A (zh) 2022-08-16
KR20230075496A (ko) 2023-05-31
EP4224025A1 (en) 2023-08-09
JP7044333B1 (ja) 2022-03-30
US20240011821A1 (en) 2024-01-11
CN116324193A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Eren et al. A generic intelligent bearing fault diagnosis system using compact adaptive 1D CNN classifier
Zhang et al. Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders
CN110554657B (zh) 一种数控机床运行状态健康诊断系统及诊断方法
EP0573357B1 (fr) Procédé de diagnostic d'un processus évolutif
CN113128561A (zh) 一种机床轴承故障诊断方法
TW202133968A (zh) 異常檢知裝置、異常檢知方法以及記錄電腦可讀取程式之記錄媒體
WO2022071114A1 (ja) 機械学習装置、摺動面診断装置、推論装置、機械学習方法、機械学習プログラム、摺動面診断方法、摺動面診断プログラム、推論方法、及び、推論プログラム
Malawade et al. Neuroscience-inspired algorithms for the predictive maintenance of manufacturing systems
Wu et al. Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance
JP2022546052A (ja) センサアグノスティックなメカニカル機械故障識別
WO2021090765A1 (ja) 異常検知装置、異常検知方法及びコンピュータプログラム
CN113360304A (zh) 用于对机器的异常状态进行原因分析的方法和计算单元
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
CN116561514A (zh) 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质
Zahra et al. Predictive maintenance with neural network approach for UAV propulsion systems monitoring
Jia et al. Multitask convolutional neural network for rolling element bearing fault identification
WO2020071066A1 (ja) 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
Mahesh et al. Data-driven intelligent condition adaptation of feature extraction for bearing fault detection using deep responsible active learning
Han et al. A study on fault classification system based on deep learning algorithm considering speed and load condition
Demircan Vibration based condition monitoring of pumping systems in textile dyehouses
RU2795745C1 (ru) Независимая от датчика идентификация неисправности механического станка
Arslan et al. Convolutional auto-encoder based degradation point forecasting for bearing data set
Jin Modeling of Machine Life Using Accelerated Prognostics and Health Management (APHM) and Enhanced Deep Learning Methodology
Mahamad Diagnosis, classification and prognosis of rotating machine using artificial intelligence
Gituku Application of Domain Invariant Features in Condition Monitoring of Rolling Element Bearings Under Changing Operating Conditions

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: 21875416

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18246648

Country of ref document: US

ENP Entry into the national phase

Ref document number: 20237014234

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021875416

Country of ref document: EP

Effective date: 20230502