WO2023100300A1 - 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム - Google Patents

寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム Download PDF

Info

Publication number
WO2023100300A1
WO2023100300A1 PCT/JP2021/044155 JP2021044155W WO2023100300A1 WO 2023100300 A1 WO2023100300 A1 WO 2023100300A1 JP 2021044155 W JP2021044155 W JP 2021044155W WO 2023100300 A1 WO2023100300 A1 WO 2023100300A1
Authority
WO
WIPO (PCT)
Prior art keywords
life
unit
stress
consumption
prediction
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2021/044155
Other languages
English (en)
French (fr)
Inventor
孝輔 ▲辻▼川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to CN202180098747.3A priority Critical patent/CN117441291B/zh
Priority to JP2022522394A priority patent/JP7090832B1/ja
Priority to DE112021007632.9T priority patent/DE112021007632T5/de
Priority to PCT/JP2021/044155 priority patent/WO2023100300A1/ja
Publication of WO2023100300A1 publication Critical patent/WO2023100300A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0031—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control implementing a off line learning phase to determine and store useful data for on-line control

Definitions

  • the present disclosure relates to a life prediction device, a life prediction system, a learning device, an inference device, and a life prediction program for predicting the life of components or component parts of industrial machines such as machine tools.
  • the motor control device which is one of the constituent devices of the machine, is composed of a plurality of limited-life parts (capacitors, semiconductor elements, etc.). Since the life of these parts is greatly affected by the operating conditions, the operating environment conditions (operating temperature, altitude, humidity) are defined, and the rating is defined according to the operating environment conditions to ensure the specified product life. ing.
  • a typical long-life component is the aluminum electrolytic capacitor that is mainly installed in the converter section of the motor control device. It is known that the life of aluminum electrolytic capacitors deteriorates according to the Arrhenius law when thermal stress increases as the temperature of the operating environment rises.
  • the life of equipment and products is affected by the operating environment of the machine, so the predicted life and the actual life may be dissociated.
  • the stress applied to the device (hereinafter referred to as device stress), which is a factor affecting the life of the product, is low, so the life of the device is prolonged.
  • the device stress may become excessive and the life of the device may be significantly shortened. The latter, in particular, leads to an increase in maintenance costs due to machine downtime at the time of failure, recurrence of failures when the operating environment is not improved, and the like.
  • Patent Document 1 describes a technique for estimating the lifespan of a device using operation data of the device.
  • the ambient temperature is estimated from the measurement data of the internal temperature of the power supply, and the load factor is calculated from the current value that flows when operating with the load connected.
  • a technique for predicting the life of a power supply from a load factor has been disclosed.
  • Patent Document 1 it is possible to predict the life of the device using the internal temperature of the device and the value of the current flowing through the device, but it is not possible to notify the user of the factors affecting the life. For example, even if it is possible to extend the life of the device by changing the usage conditions of the device, the user cannot know which conditions should be changed.
  • the present disclosure has been made in view of the above, and aims to obtain a life prediction device capable of providing a user with life prediction results of devices or parts that make up an industrial machine and factors affecting the life. aim.
  • the life prediction device provides a basic life of an object that is a device or part that constitutes an industrial machine, and a consumption life that is a life consumed from the basic life.
  • life data a device stress inference unit that infers device stress based on device state information that is information about the usage state of the object, and a consumption per predetermined cycle based on the device stress a life consumption inferring unit that infers the life consumption that is the life of the object, and a life prediction unit that predicts the life of the prediction device of the object based on the life data and the life consumption held in the life storage unit.
  • the life prediction device outputs the device stress inferred by the device stress inference section and the predicted device life predicted by the life prediction section so as to be notified to the outside.
  • the life prediction device has the effect of being able to provide the user with life prediction results of devices or parts that make up an industrial machine and factors affecting the life.
  • FIG. 1 is a diagram showing a configuration example of a life prediction system realized by applying the life prediction device according to the first embodiment
  • FIG. FIG. 4 is a diagram showing an example of the relationship between device stress and predicted device life
  • Flowchart showing an example of the operation of the life prediction device according to the first embodiment A diagram showing an example of hardware that realizes a lifespan prediction device
  • FIG. 4 is a diagram showing another configuration example of the life prediction device according to the first embodiment
  • FIG. 11 is a diagram showing a configuration example of a life prediction system realized by applying the life prediction device according to the second embodiment
  • FIG 11 is a diagram showing an example of contents displayed on the display unit by the life expectancy prediction device according to the third embodiment;
  • a diagram showing a configuration example of a learning device that performs machine learning for realizing the device stress inference unit of the life prediction device Diagram for explaining a neural network Flowchart showing an example of the operation of the learning device Diagram showing a configuration example of an inference device that realizes the device stress inference unit of the life prediction device Flowchart showing an example of the operation of the life prediction apparatus according to the fifth embodiment for estimating the life of an object using an inference device
  • a lifespan prediction device a lifespan prediction system, a learning device, an inference device, and a lifespan prediction program according to embodiments of the present disclosure will be described below in detail based on the drawings.
  • FIG. 1 is a diagram showing a configuration example of a life prediction system realized by applying a life prediction device according to a first embodiment.
  • the life prediction system shown in FIG. 1 includes a life prediction device 4, an electric motor system 100 whose life is to be predicted by the life prediction device 4, and a display unit 9 that displays the life prediction results of the life prediction device 4. include.
  • the device status information 8 shown in FIG. 1 is used when the life prediction device 4 predicts the life of an object.
  • the electric motor system 100 includes an electric motor control device 1, an electric motor 2, and a mechanism section 3, and is driven based on commands from a host controller (not shown).
  • the motor control device 1 is mainly composed of a converter circuit 11, a smoothing capacitor 12 and an inverter circuit 13.
  • the converter circuit 11 is composed of a plurality of rectifying elements and switching elements, and mainly converts the three-phase AC voltage of the input system power into a DC voltage by three-phase full-wave rectification. Output between bus line N.
  • the smoothing capacitor 12 is arranged between the positive electrode bus line P and the negative electrode bus line N.
  • the smoothing capacitor 12 removes the ripple component contained in the DC voltage rectified and output between the positive electrode bus P and the negative electrode bus N by the converter circuit 11 to generate a stable bus voltage.
  • a first current sensor 51 is provided between the positive electrode bus line P and the smoothing capacitor 12 .
  • a voltage sensor 52 is provided between the positive electrode bus line P and the negative electrode bus line N. As shown in FIG.
  • the inverter circuit 13 is connected in parallel with the smoothing capacitor 12, and is composed of a plurality of rectifying elements and switching elements.
  • the electric motor 2 is controlled by turning ON/OFF the switching element based on a drive command from an inverter control section (not shown).
  • the electric motor 2 is connected to the inverter circuit 13 by a power cable.
  • a power cable to the electric motor 2 is provided with a second current sensor 53 .
  • the electric motor 2 is provided with an angle sensor 54 .
  • the electric motor 2 is coupled with the mechanical section 3 via a coupling.
  • the mechanism section 3 is composed of a ball screw 31, a nut 32, a table 33, a bearing 34 that supports the ball screw 31, and the like.
  • a position sensor 55 for detecting the position of the table 33 is also provided.
  • the sensor information 5 includes, for example, the bus current detected by the first current sensor 51, the bus voltage detected by the voltage sensor 52, the motor current detected by the second current sensor 53, and the angle sensor 54. machine speed and machine position detected by the position sensor 55; temperature measured by a temperature sensor (not shown); and humidity measured by a humidity sensor.
  • the setting information 6 is information related to the operation of devices or parts preset in the electric motor system 100 .
  • the setting information 6 includes the carrier frequency used when an inverter control unit (not shown) of the inverter circuit 13 generates a drive command, the cooling state of the devices that make up the electric motor system 100, and the cooling state of the devices that make up the electric motor system 100.
  • the cooling state of the device is, for example, the operating state of a cooling fan provided in the electric motor 2 .
  • the calculation information 7 is information calculated using part or all of the operating state of the mechanism section 3 and the sensor information 5, and includes the friction amount of the mechanism section 3 when the table 33 is moved, the load inertia, the operating time, processing conditions and the like.
  • the device state information 8 which is information about the usage state of each device that configures the electric motor system 100. That is, the device state information 8 is composed of sensor information 5, setting information 6, and calculation information 7.
  • FIG. 8 the device state information 8 is referred to in this specification, but the device state information 8 also includes information on the usage states of the components that make up the electric motor system 100 . Further, even when the object of life prediction is a part, the "part” may be described as the "apparatus”. For example, "device life” may mean the life of the device or the life of a part.
  • the calculation information 7 is generated outside the life prediction device 4, but the calculation information 7 is generated inside the life prediction device 4 based on the sensor information 5. good too.
  • the lifespan prediction device 4 includes one or more lifespan calculators 40-1, 40-2, .
  • life calculation units 40 are provided in the same number as the devices and parts whose life is to be calculated. For example, if five of the devices and parts that make up the electric motor system 100 need life calculation, the life prediction device 4 includes five life calculation units 40-1 to 40-5. becomes.
  • the life calculation unit 40 may be individually provided for each of the electric motor control device 1, the electric motor 2, and the mechanical unit 3 to predict the life of each of them, or may be provided in the parts constituting the electric motor system 100 It may be provided separately for each of the life-limited parts, such as the smoothing capacitor 12 of the motor control device 1 and the semiconductor element.
  • the lifespan storage unit 44 stores in advance as lifespan data the basic lifespan, which is the initial lifespan at the start of operation of the device under the standard usage conditions, and the consumption lifespan, which is the lifespan consumed from the basic lifespan.
  • the basic life is the life of the device (or part) when used under the conditions recommended by the manufacturer, for example, the life of the device when used under the recommended conditions described in the catalog of the device.
  • the device stress inference unit 41 receives as input the device state information 8 generated based on the information obtained from the electric motor system 100 and infers the device stress from the input device state information 8 .
  • Device stress deduction section 41 outputs the deduced device stress to life consumption amount deduction section 42 and display section 9 .
  • the life consumption inference unit 42 receives the device stress as input and infers the life consumption from the input device stress.
  • the life consumption inferring unit 42 outputs the inferred life consumption to the life prediction unit 43 .
  • the lifespan consumption is the lifespan consumed per calculation cycle of the lifespan consumption inferring unit 42 .
  • the consumption life contained in the above-mentioned life data is obtained by accumulating the life consumption from the start of operation of the device.
  • ⁇ Ln is the life consumption amount
  • ⁇ t is the calculation cycle of the life consumption amount inferring unit 42
  • Ln is the consumption life.
  • the life prediction unit 43 calculates the life of the object ( equipment or parts) life expectancy.
  • the life prediction unit 43 outputs the predicted device life L predicted by calculation to the display unit 9 so as to notify the outside. Further, the life prediction unit 43 updates the consumption life Ln held by the life storage unit 44 based on the life consumption amount ⁇ Ln. That is, the life prediction unit 43 updates the life consumption Ln by adding the life consumption amount ⁇ Ln to the life consumption Ln held by the life storage unit 44 .
  • the operation of the life calculation unit 40 corresponding to the smoothing capacitor 12 of the motor control device 1, that is, the operation of the life calculation unit 40 predicting the life of the smoothing capacitor 12 will be described.
  • Ta is the ambient temperature of the smoothing capacitor 12 .
  • ⁇ Tx is the temperature rise from ambient temperature.
  • IR is the ripple current flowing through the smoothing capacitor 12 .
  • ESR is the equivalent series resistance of the smoothing capacitor 12 .
  • ⁇ is the heat dissipation coefficient of the smoothing capacitor 12 .
  • the aluminum electrolytic capacitor used as the smoothing capacitor 12 causes deterioration in life according to the Arrhenius law due to thermal stress caused by the temperature rise.
  • Lbc is the basic life of the smoothing capacitor 12 when the rated voltage is applied and the rated ripple voltage is applied under the operating upper limit temperature. To is the allowable internal temperature of the smoothing capacitor 12 .
  • Vo is the rated voltage of the smoothing capacitor 12 .
  • Vx is a DC voltage applied to the smoothing capacitor 12 during use.
  • the exponent K is the applied voltage reduction rate of the smoothing capacitor 12 .
  • the device stress inference unit 41 can be inferred by applying equation (2), the input device state information 8 is ambient temperature and bus current, and the output device stress is , the internal temperature Tx of the capacitor.
  • the bus line current corresponds to the ripple current IR.
  • the equivalent series resistance ESR and the heat radiation coefficient ⁇ are used as fixed values for calculation.
  • the life consumption inference unit 42 can make inferences by applying formula (3).
  • the life consumption inferring unit 42 uses the internal temperature Tx of the capacitor as the input device stress, and outputs the life time L obtained from the internal temperature Tx and equation (3) as the life consumption ⁇ Ln.
  • the life prediction unit 43 calculates the predicted device life L from the life consumption ⁇ Ln using the above-described formula (1).
  • the life prediction device 4 outputs the predicted device life L calculated by the life calculation unit 40 in this manner to the display unit 9 so as to notify the outside. Further, the life prediction device 4 outputs the obtained device state information 8 and the device stress inferred by the device stress inferring portion 41 to the display portion 9 so as to notify the outside.
  • the display unit 9 displays the predicted device life L, device status information 8 and device stress output by the life prediction device 4 .
  • the display unit 9 is provided in a device external to the life prediction device 4, such as a display device, but the display unit 9 may be provided inside the life prediction device 4. good.
  • the life prediction device 4 only needs to be able to output the predicted device life L, the device state information 8 and the device stress so as to notify the outside of the life prediction device 4 .
  • FIG. 2 is a diagram showing an example of the relationship between device stress and predicted device life.
  • S min is the minimum device stress and S max is the maximum device stress.
  • L min is the expected device life at minimum device stress and L max is the expected device life at maximum device stress.
  • S x and L n denote device stress and predicted device life, respectively, at current operating conditions. In this way, the relationship between current operating conditions, device stress, and life can be easily grasped. Further, in the present embodiment, since the predicted device life is calculated from the life consumption amount, the predicted device life can be easily calculated when the device stress is changed.
  • FIG. 3 is a flow chart showing an example of the operation of the life prediction device 4 according to the first embodiment.
  • the life prediction device 4 first collects information used for life prediction (step S1). That is, the life prediction device 4 acquires the above-described device state information 8 from the outside.
  • the life prediction device 4 then infers device stress (step S2). That is, the device stress inference section 41 of the life calculation section 40 constituting the life prediction device 4 infers the device stress of the life prediction target based on the device state information 8 .
  • the lifespan prediction device 4 then infers the lifespan consumption (step S3). That is, the life consumption inference unit 42 of the life calculation unit 40 constituting the life prediction device 4 infers the life consumption based on the device stress of the life prediction target.
  • the life prediction device 4 next calculates the prediction device life (step S4). That is, the life prediction unit 43 of the life calculation unit 40 constituting the life prediction device 4 calculates the prediction device life based on the life consumption of the life prediction target.
  • the life prediction device 4 then notifies the collected information, the device stress, and the predicted device life (step S5). That is, the life prediction device 4 outputs the information collected in step S1, the device stress inferred in step S2, and the predicted device life calculated in step S4 to the display unit 9, and causes the display unit 9 to display them. to notify the user.
  • the life expectancy prediction device 4 can be realized by, for example, the hardware shown in FIG. FIG. 4 is a diagram showing an example of hardware that implements the life expectancy prediction device 4. As shown in FIG. 4
  • processor 101 is a CPU (Central Processing Unit, central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, DSP (Digital Signal Processor)) or system LSI (Large Scale Integration).
  • memory 102 include non-volatile or volatile semiconductor memories such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, magnetic disks, and the like.
  • the processor 101 operates as a device stress inference section 41 , a life consumption amount inference section 42 and a life prediction section 43 by reading and executing this life prediction program from the memory 102 .
  • life storage unit 44 that constitutes each life calculation unit 40 of the life prediction device 4 is implemented by the memory 102 .
  • the processor 101 and the memory 102 shown in FIG. 4 may be hardware constituting a computer. That is, the life prediction device 4 may be realized by a computer having a processor 101 and a memory 102 and a life prediction program executed by the processor 101 of the computer. Each function of the life prediction device 4 may be implemented by a plurality of computers operating in cooperation.
  • life prediction programs described above for operating as the device stress inference unit 41, the life consumption amount inference unit 42, and the life prediction unit 43 are pre-stored in the memory 102, the present invention is not limited to this.
  • the life prediction program described above is written in a recording medium such as a CD (Compact Disc)-ROM or a DVD (Digital Versatile Disc)-ROM, and is supplied to the user. good. Further, the life expectancy prediction program described above may be provided to the user via a network such as the Internet.
  • lifespan prediction device 4 Although the hardware that implements the lifespan prediction device 4 has been described, other lifespan prediction devices that will be described later can also be implemented with similar hardware.
  • the life prediction apparatus 4 As described above, according to the life prediction apparatus 4 according to the present embodiment, a plurality of factors affecting the life according to the operating environment are simplified and calculated as one device stress, and the predicted device life is calculated. Since it is also possible to provide the information to the user, the user can easily grasp the operating environment of the machine and determine the maintenance conditions.
  • FIG. 5 is a diagram showing another configuration example of the life prediction device according to the first embodiment.
  • the life prediction device 4a includes life calculation units 40a-1, 40a-2, . . . instead of the life calculation units 40-1, 40-2, . .
  • the life calculation unit 40a (life calculation units 40a-1, 40a-2, . 44a is replaced.
  • the same reference numerals as in FIG. 1 denote the same constituent elements as in the life prediction device 4 shown in FIG.
  • the description of the components denoted by the same reference numerals as in FIG. 1 is omitted.
  • the life consumption inference unit 42a receives the deterioration coefficient calculated from the basic life and the consumption life from the life storage unit 44a.
  • the deterioration coefficient may be calculated by the life storage unit 44a or by the life prediction unit 43.
  • FIG. instead of inputting the deterioration coefficient to the life consumption amount inference unit 42a, information used for calculating the deterioration coefficient is input to the life consumption amount inference unit 42a, and the life consumption amount inference unit 42a calculates the deterioration coefficient. good too.
  • the deterioration coefficient Lk input to the life consumption inferring unit 42a is the result of dividing the remaining life Lr, which is a value obtained by subtracting the consumption life from the basic life, by the basic life.
  • the life consumption amount inferred by the life consumption amount inferring unit 42a can be corrected by using the coefficient Lk associated with deterioration as the amount of influence associated with deterioration of the prediction target. For example, as deterioration progresses in an aluminum electrolytic capacitor used as the smoothing capacitor 12, the capacitance decreases and the equivalent series resistance increases, so the error in the life estimation results increases as the deterioration progresses.
  • the life prediction device 4a having the configuration shown in FIG. 5 is suitable, and the prediction accuracy can be improved.
  • the lifespan consumption inferred by the lifespan consumption inference unit 42a is corrected, for example, by multiplying the lifespan consumption inferred in the same manner as the lifespan consumption inference unit 42 described above by the deterioration coefficient Lk.
  • a deterioration coefficient may be included in the calculation formula used for inferring the lifetime consumption, and correction may be performed by updating the deterioration coefficient Lk each time the lifetime prediction unit 43 calculates the predicted device lifetime.
  • FIG. 6 is a diagram showing a configuration example of a life prediction system realized by applying the life prediction device according to the second embodiment.
  • a lifespan prediction system according to the second embodiment includes a lifespan prediction device 4, an information input device 300, and a motion estimation unit 200 similar to those in the first embodiment.
  • Embodiment 1 the sensor information 5 and the calculated information 7 obtained by the electric motor system 100 actually operating were used as inputs to the life prediction device 4 together with the setting information 6 .
  • motion estimating section 200 simulates the motion of electric motor system 100 under conditions input via information input device 300 and generates sensor information 5 and calculation information 7 .
  • the information input device 300 is, for example, an electronic computer that executes software conforming to a CNC (Computerized Numerically Controlled) device that controls machine tools.
  • Input information to the information input device 300 includes operating conditions (operating program or operating pattern, parameters, etc.), machine information (mechanical configuration, etc.), and operating environment (ambient temperature, power supply environment, etc.).
  • the information input device 300 determines a movement command, simulation conditions (operating time, machine prediction model to be simulated), etc. based on the input information.
  • the motion estimating unit 200 is a machine prediction model that includes the electric motor system prediction model selected by the information input device 300, performs a simulation according to the operating conditions input from the information input device 300, and outputs sensor information 5.
  • the motion estimator 200 can be implemented, for example, by a computer and a program that causes the computer to execute a simulation.
  • a lifespan prediction device 4 according to the present embodiment is the same as the lifespan prediction device 4 shown in FIG. 1 described in the first embodiment. Note that the life prediction device 4 shown in FIG. 6 may be replaced with the life prediction device 4a shown in FIG.
  • FIG. 7 is a diagram showing an example of contents displayed on the display unit 9 by the life prediction device 4 according to the second embodiment. As shown in FIG. 7, the life prediction device 4 causes the display unit 9 to display the input conditions and the output results.
  • the display unit 9 displays machine information, operating conditions, and operating environment as input conditions.
  • the display unit 9 displays, as output results, device stress and predicted device life for each of the constituent devices and components (motor #1, motor #2, inverter unit, cooling fan, etc.) determined in the mechanical configuration. indicate.
  • the device stress is defined as 100% when the basic life is achieved.
  • the life prediction system As described above, according to the life prediction system according to the second embodiment, it is possible to grasp device stress and predicted device life under specified operating conditions without operating an industrial machine such as the electric motor system 100. It is possible to determine the operating conditions and mechanical configuration according to the life required by the user.
  • FIG. 8 is a diagram showing a configuration example of the life prediction device 4b according to the third embodiment.
  • the device status information 8 shown in FIG. 8 is similar to the device status information 8 described in the first embodiment, and is generated by the method described in the first or second embodiment.
  • a lifespan prediction device 4b according to the third embodiment has a configuration in which a modified lifespan calculation unit 400 is added to the lifespan prediction device 4 according to the first embodiment.
  • the life prediction device 4b shown in FIG. 8 is configured to include one set of the life calculation unit 40 and the modified life calculation unit 400, but may be configured to include two or more sets.
  • the modified lifespan calculation unit 400 includes a lifespan comparison unit 401 , an operating condition changer 402 , a changed device stress inference unit 403 , a changed lifespan consumption amount inference unit 404 and a changed lifespan prediction unit 405 .
  • the lifespan comparison unit 401 compares the predicted device lifespan calculated by the lifespan prediction unit 43 with the target device lifespan preset by the user. It is assumed that the target device life is stored in the life storage unit 44 . If the result of the comparison is "predicted device life ⁇ target device life", the operating condition changing unit 402 changes the operating condition.
  • the operating condition changing unit 402 prestores operating conditions associated with the device status information 8 corresponding to the device whose life is to be predicted.
  • the operating condition change unit 402 selects the electric motor that can be controlled by the motor control device 1 among the information included in the device state information 8. Targeting current, motor speed, machine speed, etc., the operating conditions are changed to reduce equipment stress.
  • the operating conditions here include the time constant (acceleration) during acceleration/deceleration, operating speed, machining load, and the like.
  • the changed device stress inferring unit 403, the changed life consumption amount inferring unit 404, and the changed life predicting unit 405 each Execute the process and calculate the change prediction device life.
  • the change device stress inference unit 403 performs the same processing as the device stress inference unit 41 described above to infer the device stress.
  • the modified lifespan consumption inference unit 404 performs the same processing as the lifespan consumption inference unit 42 described above to infer the lifespan consumption.
  • the changed life prediction unit 405 performs the same processing as the life prediction unit 43 described above to obtain the predicted device life and outputs it as the changed predicted device life.
  • the changed predicted device life is input to the life comparison unit 401 and compared with the target device life.
  • the changed life calculation unit 400 calculates the operating conditions to be changed and the device status information 8 (changed The display unit 9 displays the post-apparatus status information 8) and the apparatus stress and predicted apparatus life obtained using the post-change apparatus status information 8).
  • the operating condition changing unit 402 changes the operating conditions so as to further reduce the device stress.
  • the changed device stress inferring unit 403, the changed life consumption amount inferring unit 404, and the changed life predicting unit 405 each execute processing to recalculate the changed predicted device life.
  • the target device life stored in the life storage unit 44 is updated by subtracting the life consumption amount inferred by the life consumption amount inference unit 42 every calculation cycle of the life prediction unit 43 .
  • FIG. 9 is a diagram showing an example of contents displayed on the display unit 9 by the life prediction device 4b according to the third embodiment. As shown in FIG. 9, the life prediction device 4b causes the display unit 9 to display the input conditions and the output results.
  • the life prediction device 4b displays the input conditions, the output results, the details of the changes in the operating conditions, and the state of the device after the changes in the operating conditions (device stress, predicted device life) on the display unit 9.
  • the "output result" shown in FIG. 9 is obtained by adding the target operating time to the "output result” shown in FIG.
  • the "input condition” shown in FIG. 9 is obtained by adding an operating condition (target operating time) to the "input condition” shown in FIG.
  • a plurality of operating conditions may be changed.
  • FIG. 9 shows an example of changing two operating conditions, the time constant and the stop time.
  • FIG. 9 shows an example in which the display unit 9 displays changes in operating conditions, device stress, and predicted device life, but the device stress is not essential. Displaying at least the change in operating conditions and the expected life of the device can provide the user with the necessary information.
  • the life prediction device 4c may be configured to notify the control device 10 of the operating conditions to be changed and control to reduce device stress.
  • FIG. 10 is a diagram showing another configuration example of the life prediction device according to the third embodiment.
  • the life prediction device 4c shown in FIG. 10 When the life prediction device 4c shown in FIG. 10 is applied to realize a life prediction system, the actual operation of the life prediction object is automatically controlled so as to satisfy the target device life.
  • the life prediction target is the electric motor system 100 described above
  • the electric motor control device 1 is the control device 10 in FIG. 10 .
  • the user can grasp the operating conditions for satisfying the target device life requested by the user. Further, according to the life prediction device 4c according to the third embodiment, it is possible to automatically change the operating conditions so as to satisfy the target device life.
  • the lifespan calculation unit 40 of the lifespan prediction device 4b can be replaced with the lifespan calculation unit 40a of the lifespan prediction device 4a described in the first embodiment.
  • the life calculation unit 40 of the life prediction device 4c can be replaced with the life calculation unit 40a.
  • FIG. 11 is a diagram showing a configuration example of a life prediction device 4d according to the fourth embodiment.
  • the device status information 8 shown in FIG. 11 is similar to the device status information 8 described in the first embodiment, and is generated by the method described in the first or second embodiment.
  • the basic configuration of a lifespan prediction device 4d according to the present embodiment is the same as that of the lifespan prediction device 4 according to the first embodiment. It is different from the life prediction device 4 in that it can be updated by consumption.
  • the life consumption calculated by the life consumption inferring unit 42 of the life prediction device 4d is referred to as the first life consumption
  • the life consumption calculated by the external life prediction device 450 is referred to as the second life consumption. Called lifetime consumption.
  • the external lifetime prediction device 450 estimates the second lifetime consumption of the object by offline estimation.
  • Offline estimation here is an estimation performed by a dedicated operation for estimating the consumption life during regular maintenance of the target object. In off-line estimation, it is possible to accurately calculate the life consumption by performing a dedicated operation for estimation, but there is a problem that the machine cannot be operated during that time.
  • the external life prediction device 450 diagnoses life deterioration of the object, and sets the life deterioration amount obtained by the diagnosis as the second life consumption amount.
  • the remaining life of the smoothing capacitor 12 can be calculated with high accuracy without calculating the amount of thermal stress. Mechanical motion must be stopped.
  • online estimation here is real-time estimation that does not perform dedicated operations for estimation. Since online estimation does not require dedicated operations, lifetime consumption estimation can be performed while the machine continues to operate.
  • the life prediction device 4d estimates the first life consumption amount by online estimation and updates the consumption life held by the life storage unit 44 by online estimation when the industrial machine is operating in a steady state, and the industrial machine During maintenance, the second life consumption is estimated by offline estimation and the life consumption held by the life storage unit 44 is updated, thereby obtaining a more accurate life estimation result during steady-state machine operation.
  • the offline estimation is performed outside the life prediction device 4d, that is, the external life prediction device 450, the offline estimation may be performed inside the life prediction device 4d.
  • a lifetime consumption estimator that performs offline estimation may be provided in the lifetime prediction device 4d.
  • the life prediction device 4d According to the life prediction device 4d according to the fourth embodiment, it is possible to improve the accuracy of estimating the life of the prediction device.
  • the device stress inference unit 41 of the life prediction device 4 according to the first embodiment described above can also be realized by applying machine learning. Therefore, in the present embodiment, a technique for realizing the device stress inference unit 41 by applying machine learning, specifically, a learning device that generates a trained model that realizes the device stress inference unit 41, and a learned model that realizes the device stress inference unit 41 An inference device that uses a model to infer device stress is described. As an example, a case where machine learning is applied to the device stress inference unit 41 of the life prediction device 4 will be described, but it is also possible to apply machine learning to the device stress inference unit 41 of the life prediction devices 4a to 4d described above. is.
  • FIG. 12 is a diagram showing a configuration example of a learning device 61 that performs machine learning for realizing the device stress inference section 41 of the life prediction device 4.
  • the learning device 61 includes a data acquisition section 62 and a model generation section 63 .
  • the learning device 61 may be provided inside the lifespan prediction device 4 or may be provided outside the lifespan prediction device 4 .
  • the learned model storage unit 71 shown in FIG. 12 may be provided outside the learning device 61 or may be provided inside the learning device 61 .
  • the data acquisition unit 62 obtains data such as ambient temperature, bus voltage, bus current, motor current, carrier frequency, motor applied voltage, cooling state of the apparatus, motor rotation speed, friction amount, transported material amount, load inertia, feed speed, and machine position. , humidity, operating time, and processing conditions, and apparatus stress as learning data.
  • Device stress corresponds to training data for machine learning.
  • the device stress acquired by the data acquisition unit 62 differs depending on the trained model to be generated.
  • the device stress is the capacitor temperature.
  • the junction temperature is used as the device stress.
  • the device stress is the coil temperature of the electric motor 2.
  • the electric motor 2 it is well known that the deterioration of the insulating material of the coil progresses according to the temperature.
  • the device stress is taken as the axial load. It is well known that an axial load affects the service life of the component parts (ball screw 31, bearing 34, etc.) of the mechanism section 3 .
  • the model generation unit 63 learns the relationship between the device state information 8 and the device stress based on the learning data created based on the combination of the device state information 8 and the device stress output from the data acquisition unit 62 . That is, the model generation unit 63 generates a learned model that outputs the optimum device stress when the device state information 8 of the life prediction target is input.
  • the learning data is data in which the device state information 8 and the device stress are associated with each other.
  • the learning device 61 is used to learn the device stress corresponding to the device state information 8.
  • the learning device 61 is connected to the life prediction device 4 via a network, and is a separate device from the life prediction device 4. It may be configured to operate as Also, the learning device 61 may be incorporated in the life prediction device 4 . Furthermore, the learning device 61 may reside on a cloud server.
  • the learning algorithm used by the model generation unit 63 can be a known algorithm such as supervised learning, unsupervised learning, or reinforcement learning. As an example, a case where a neural network is applied will be described.
  • the model generation unit 63 learns the device stress corresponding to the device state information 8 by so-called supervised learning according to the neural network model.
  • supervised learning refers to a method in which input and result (label) data sets are given to the learning device 61 to learn the features of the learning data, and the result is inferred from the input.
  • a neural network consists of an input layer consisting of multiple neurons, an intermediate layer (hidden layer) consisting of multiple neurons, and an output layer consisting of multiple neurons.
  • the intermediate layer may be one layer, or two or more layers.
  • FIG. 13 is a diagram for explaining the neural network.
  • a three-layer neural network as shown in FIG. Y (Y1-Y2) is input, and the result is further multiplied by weight W2 (w21-w26) and output from output layer Z (Z1-Z3).
  • W2 weight of weight W1
  • W2 weight of weight W2
  • Z1-Z3 output layer Z
  • the neural network used in the model generation unit 63 of the learning device 61 performs a so-called The device stress corresponding to the device state information 8 is learned by supervised learning.
  • the neural network learns by adjusting the weights W1 and W2 so that the device state information 8 is input to the input layer and the result output from the output layer approaches the device stress.
  • the model generation unit 63 generates and outputs a learned model by executing the above learning.
  • the learned model storage unit 71 stores the learned model output from the model generation unit 63.
  • FIG. 14 is a flow chart showing an example of the operation of the learning device 61. As shown in FIG. 14
  • the learning device 61 first acquires learning data (step S11). Specifically, the data acquisition unit 62 acquires the device state information 8 and the device stress, associates them, and creates learning data. Although the device status information 8 and the device stress are acquired at the same time, it is sufficient to acquire the device status information 8 and the device stress in association with each other. may
  • the learning device 61 then performs learning processing (step S12). Specifically, the model generation unit 63 generates the device state information 8 by so-called supervised learning according to the learning data created based on the combination of the device state information 8 acquired by the data acquisition unit 62 and the device stress. and generate a trained model.
  • the learning device 61 next stores the learned model in the learned model storage unit 71 (step S13). Specifically, the model generation unit 63 outputs the learned model generated in step S12, and the learned model storage unit 71 stores the learned model.
  • FIG. 15 is a diagram showing a configuration example of an inference device 65 that implements the device stress inference unit 41 of the life prediction device 4.
  • the inference device 65 includes a data acquisition unit 66 and an inference unit 67 .
  • the inference device 65 may be provided inside the lifespan prediction device 4 or may be provided outside the lifespan prediction device 4 .
  • a trained model storage unit 71 shown in FIG. 15 corresponds to the trained model storage unit 71 shown in FIG. 12 and stores a trained model generated by the learning device 61 .
  • the data acquisition unit 66 acquires the device status information 8.
  • the inference unit 67 uses the learned model stored in the learned model storage unit 71 to infer the device stress corresponding to the device state information 8 . That is, the inference unit 67 inputs the device state information 8 acquired by the data acquisition unit 66 to the learned model stored in the learned model storage unit 71, executes inference, and acquires device stress as an inference result. .
  • the inference device 65 is used to infer the device stress corresponding to the device state information 8.
  • the inference device 65 is connected to the life prediction device 4 via a network, and is a separate device from the life prediction device 4. It may be configured to operate as Also, the inference device 65 may be incorporated in the life prediction device 4 .
  • the reasoning device 65 may reside on a cloud server.
  • the inference device 65 infers device stress using the learned model generated by the learning device 61 that constitutes the life prediction device 4.
  • the inference device 65 A trained model generated outside the prediction device 4 may be acquired and device stress may be inferred using this trained model.
  • FIG. 16 is a flowchart showing an example of the operation of the life prediction device according to the fifth embodiment for estimating the life of an object using the inference device 65.
  • FIG. 16 is a flowchart showing an example of the operation of the life prediction device according to the fifth embodiment for estimating the life of an object using the inference device 65.
  • the inference device 65 first acquires data used for inference of device stress (step S21). Specifically, the data acquisition unit 66 acquires the device status information 8 .
  • the inference device 65 then inputs the data acquired in step S21 to the learned model stored in the learned model storage unit 71 (step S22) to obtain an inference result. That is, the inference unit 67 inputs the device state information 8 acquired by the data acquisition unit 66 to the learned model stored in the learned model storage unit 71, and the device stress output from the learned model along with this. to get
  • the inference device 65 then outputs device stress as the inference result (step S23), and based on this device stress, the life consumption amount inference unit 42 and the life prediction unit 43 estimate the device life (step S24). .
  • the estimated device life is output from the life prediction section 43 to the display section 9 as a predicted device life.
  • the device state information 8 including information that can be obtained from the electric motor system 100, factors that change in the operating environment can be inferred as device stress, making it possible to easily and highly accurately predict the service life.
  • supervised learning is applied to the learning algorithm used by the model generation unit 63
  • the present invention is not limited to this.
  • reinforcement learning unsupervised learning, semi-supervised learning, and the like as learning algorithms.
  • the model generation unit 63 may learn device stress according to learning data created for a plurality of industrial machines.
  • the model generation unit 63 may acquire learning data from a plurality of industrial machines used in the same area, or may acquire learning data collected from a plurality of industrial machines operating independently in different areas. It is also possible to learn the device stress using the data for the device. It is also possible to add or remove industrial machines that collect data for learning from the targets on the way.
  • a learning device that has learned the device stress for a certain industrial machine may be applied to another industrial machine to re-learn and update the device stress for the other industrial machine.
  • model generation unit 63 deep learning that learns to extract the feature amount itself can be used, and other known methods such as genetic programming, functional logic programming, Machine learning may be performed according to support vector machines and the like.
  • Embodiment 6 In the fifth embodiment, a case has been described in which machine learning is applied to realize the device stress inferring unit 41 of the life prediction device 4, but it is also possible to apply machine learning to realize the life consumption amount inferring unit 42. be. Therefore, in the present embodiment, a technique for realizing the life consumption inference unit 42 by applying machine learning, specifically, a learning device that generates a trained model that realizes the life consumption inference unit 42, and An inference device that infers lifetime consumption using a trained model will be described. As an example, a case where machine learning is applied to the life consumption amount inferring unit 42 of the life prediction device 4 will be described, but it is also possible to apply machine learning to the life consumption amount inference unit 42a of the life prediction device 4a described above. In addition, it is also possible to apply machine learning to the lifetime consumption inferring unit 42 of the lifetime prediction devices 4b to 4d.
  • a learning phase in which the learning device generates a learned model that realizes the life consumption amount inference unit 42, and the life consumption amount inference unit 42 is realized by the inference device inferring the life consumption amount using the learned model.
  • the explanation will be divided into the utilization phase and the utilization phase.
  • FIG. 17 is a diagram showing a configuration example of a learning device 81 that performs machine learning for realizing the life consumption inference unit 42 of the life prediction device 4.
  • the learning device 81 includes a data acquisition section 82 and a model generation section 83 .
  • the learning device 81 may be provided inside the lifespan prediction device 4 or may be provided outside the lifespan prediction device 4 .
  • the learned model storage unit 72 shown in FIG. 17 may be provided outside the learning device 81 or may be provided inside the learning device 81 .
  • the data acquisition unit 82 acquires device stress and life consumption as learning data. Lifetime consumption corresponds to training data for machine learning. The life consumption amount is calculated based on, for example, the time until the device breaks down when operated with a constant device stress, that is, based on the actual life data and the calculation cycle ⁇ t of the life consumption amount inferring unit 42 . The data acquisition unit 82 may also acquire the above-described deterioration coefficient as learning data in addition to the device stress.
  • the model generation unit 83 learns the relationship between the device stress and the life consumption based on the learning data created based on the combination of the device stress and the life consumption output from the data acquisition unit 82 . That is, the model generation unit 83 generates a learned model that outputs the optimum life consumption when the device stress of the life prediction target is input.
  • the learning data is data in which the device stress and the life consumption are associated with each other.
  • the learning device 81 is used to learn the life consumption corresponding to the device stress. It may be a configuration that operates. Also, the learning device 81 may be incorporated in the life prediction device 4 . Furthermore, the learning device 81 may reside on a cloud server.
  • the learning algorithm used by the model generating unit 83 can be a known algorithm such as supervised learning, unsupervised learning, or reinforcement learning, like the model generating unit 63 of the learning device 61 described above.
  • the operation of the model generation unit 83 to generate a trained model is the same as the operation of the model generation unit 63 of the learning device 61 described above to generate a trained model, except that the learning data used is different. Therefore, the detailed description of the operation of the model generation unit 83 to generate a trained model is omitted.
  • the model generation unit 83 outputs the generated learned model to the learned model storage unit 72 .
  • the learned model storage unit 72 stores the learned model output from the model generation unit 83.
  • FIG. 18 is a diagram showing a configuration example of an inference device 85 that implements the life consumption inference unit 42 of the life prediction device 4.
  • the inference device 85 includes a data acquisition unit 86 and an inference unit 87 .
  • the inference device 85 may be provided inside the lifespan prediction device 4 or may be provided outside the lifespan prediction device 4 .
  • a trained model storage unit 72 shown in FIG. 18 corresponds to the trained model storage unit 72 shown in FIG. 17 and stores a trained model generated by the learning device 81 .
  • the data acquisition unit 86 acquires device stress.
  • the inference unit 87 uses the learned model stored in the learned model storage unit 72 to infer the lifetime consumption corresponding to the device stress. That is, the inference unit 87 inputs the apparatus stress acquired by the data acquisition unit 86 to the learned model stored in the learned model storage unit 72 to execute inference, and acquires the life consumption as an inference result.
  • the inference device 85 is used to infer the life consumption corresponding to the device stress. It may be a configuration that operates. Also, the inference device 85 may be incorporated in the life prediction device 4 . Furthermore, the inference device 85 may reside on a cloud server.
  • the inference device 85 infers the life consumption using the learned model generated by the learning device 81 that constitutes the life prediction device 4, but the inference device 85 A trained model generated outside the life expectancy prediction device 4 may be acquired, and the life consumption amount may be inferred using this learned model.
  • FIG. 19 is a flowchart showing an example of the operation of the life prediction device according to the sixth embodiment for estimating the life of an object using the inference device 85. As shown in FIG. 19
  • the inference device 85 first acquires data used for inference of life consumption (step S31). Specifically, the data acquisition unit 86 acquires device stress.
  • the inference device 85 then inputs the data acquired in step S31 to the learned model stored in the learned model storage unit 72 (step S32) to obtain an inference result. That is, the inference unit 87 inputs the device stress acquired by the data acquisition unit 86 to the learned model stored in the learned model storage unit 72, and accordingly, the lifetime consumption output from the learned model is calculated as get.
  • the inference device 85 then outputs the life consumption amount as the inference result (step S33), and the life prediction unit 43 estimates the device life based on this life consumption amount (step S34).
  • the estimated device life is output from the life prediction section 43 to the display section 9 as a predicted device life.
  • the learning device 81 includes the above-described deterioration coefficient in the learning data used in machine learning, and the model generation unit 83 performs learning for inferring the life consumption from the device stress and the deterioration coefficient. may be generated.
  • the inference device 85 acquires the deterioration factor in addition to the device stress, and infers the lifetime consumption from the acquired device stress and the deterioration factor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

寿命予測装置（４）は、産業用機械を構成する装置または部品である対象物の基本寿命および基本寿命から消費した寿命である消費寿命を寿命データとして保持する寿命記憶部（４４）と、対象物の使用状態に関する情報である装置状態情報（８）に基づいて装置ストレスを推論する装置ストレス推論部（４１）と、装置ストレスに基づいて、定められた周期あたりに消費した対象物の寿命である寿命消費量を推論する寿命消費量推論部（４２）と、寿命記憶部（４４）が保持する寿命データおよび寿命消費量に基づいて対象物の予測装置寿命を予測する寿命予測部（４３）と、を備え、装置ストレス推論部（４１）で推論された装置ストレス、及び寿命予測部（４３）で予測された予測装置寿命を外部に通知するように出力する。

Description

寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム
　本開示は、工作機械をはじめとした産業用機械の構成装置または構成部品の寿命を予測する寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラムに関する。
　工作機械をはじめとした産業用機械を用いる分野において、機械を構成する装置や部品の故障による事故を未然に防止するためにこれらの寿命を予測し、構成部品の寿命となる前に、部品を交換するなどの保全が行われる。このため、保全においては各構成部品の製品寿命を正確に把握することが必要となる。
　しかしながら、構成装置の寿命は一様ではなく、動作環境に応じて大きく変化することが知られている。
　例えば、上記機械の構成装置の一つである電動機制御装置は、複数の寿命部品（コンデンサ、半導体素子等）で構成されている。これらの部品は動作条件が寿命に大きく影響するため、使用環境条件（動作温度、標高、湿度）を定義し、使用環境条件に応じて定格を定義することで所定の製品寿命を保証するようにしている。
　代表的な寿命部品として、主に電動機制御装置におけるコンバータ部に搭載されるアルミ電解コンデンサがある。このアルミ電解コンデンサは、使用環境の温度上昇に伴い熱的ストレスが上昇するとアレニウスの法則に従い寿命が劣化することが知られている。
　このように、機械の動作環境により装置および製品の寿命が影響を受けるため、寿命予測値と実寿命とが解離することがある。実動作環境が穏和な場合は、製品寿命に影響を与える要因である、装置に掛かるストレス（以下装置ストレスとする）は低いため装置寿命は長くなる。逆に、動作環境が過酷な場合には、装置ストレスが過大となり著しく装置寿命が劣化してしまう場合がある。特に後者については、故障時のマシンダウンや、動作環境が改善されない場合における故障の再発など保守コストの増大などに繋がる。
　このような問題に対し、装置の動作データを用いて装置の寿命を推定する技術が、例えば特許文献１に記載されている。
　特許文献１には、電源装置の内部温度の測定データから周囲温度を推測するとともに、負荷が接続された状態で動作している時に流れる電流値から負荷率を算出し、電源装置の周囲温度および負荷率から電源装置の寿命を予測する技術が開示されている。
特開２０２０－０５８１６７号公報
　特許文献１に記載の技術によれば、装置の内部温度と装置に流れる電流値とを用いて寿命を予測することが可能であるが、寿命に影響を与える要因をユーザに知らせることができない。例えば、装置の使用条件を変更することにより装置の寿命を延ばすことが可能な場合であっても、どの条件を変更すればよいのかをユーザが知ることができない。
　本開示は、上記に鑑みてなされたものであって、産業用機械を構成する装置または部品の寿命予測結果と、寿命に影響を与える要因とをユーザに提供可能な寿命予測装置を得ることを目的とする。
　上述した課題を解決し、目的を達成するために、本開示にかかる寿命予測装置は、産業用機械を構成する装置または部品である対象物の基本寿命および基本寿命から消費した寿命である消費寿命を寿命データとして保持する寿命記憶部と、対象物の使用状態に関する情報である装置状態情報に基づいて装置ストレスを推論する装置ストレス推論部と、装置ストレスに基づいて、定められた周期あたりに消費した対象物の寿命である寿命消費量を推論する寿命消費量推論部と、寿命記憶部が保持する寿命データおよび寿命消費量に基づいて対象物の予測装置寿命を予測する寿命予測部と、を備える。寿命予測装置は、装置ストレス推論部で推論された装置ストレス、及び寿命予測部で予測された予測装置寿命を外部に通知するように出力する。
　本開示にかかる寿命予測装置は、産業用機械を構成する装置または部品の寿命予測結果と、寿命に影響を与える要因とをユーザに提供することができる、という効果を奏する。
実施の形態１にかかる寿命予測装置を適用して実現される寿命予測システムの構成例を示す図 装置ストレスと予測装置寿命との関係の一例を示す図 実施の形態１にかかる寿命予測装置の動作の一例を示すフローチャート 寿命予測装置を実現するハードウェアの一例を示す図 実施の形態１にかかる寿命予測装置の他の構成例を示す図 実施の形態２にかかる寿命予測装置を適用して実現される寿命予測システムの構成例を示す図 実施の形態２にかかる寿命予測装置が表示部に表示させる内容の一例を示す図 実施の形態３にかかる寿命予測装置の構成例を示す図 実施の形態３にかかる寿命予測装置が表示部に表示させる内容の一例を示す図 実施の形態３にかかる寿命予測装置の他の構成例を示す図 実施の形態４にかかる寿命予測装置の構成例を示す図 寿命予測装置の装置ストレス推論部を実現するための機械学習を行う学習装置の構成例を示す図 ニューラルネットワークを説明するための図 学習装置の動作の一例を示すフローチャート 寿命予測装置の装置ストレス推論部を実現する推論装置の構成例を示す図 実施の形態５にかかる寿命予測装置が推論装置を利用して対象物の寿命を推定する動作の一例を示すフローチャート 寿命予測装置の寿命消費量推論部を実現するための機械学習を行う学習装置の構成例を示す図 寿命予測装置の寿命消費量推論部を実現する推論装置の構成例を示す図 実施の形態６にかかる寿命予測装置が推論装置を利用して対象物の寿命を推定する動作の一例を示すフローチャート
　以下に、本開示の実施の形態にかかる寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラムを図面に基づいて詳細に説明する。
実施の形態１．
　図１は、実施の形態１にかかる寿命予測装置を適用して実現される寿命予測システムの構成例を示す図である。図１に示す寿命予測システムは、寿命予測装置４と、寿命予測装置４が寿命を予測する対象の電動機システム１００と、寿命予測装置４による寿命の予測結果などを表示する表示部９と、を含む。図１に示す装置状態情報８は、寿命予測装置４が対象物の寿命を予測する際に用いられる。
　電動機システム１００は、電動機制御装置１と電動機２と機構部３とを備え、図示しない上位コントローラからの指令に基づいて駆動される。
　電動機制御装置１は、主に、コンバータ回路１１、平滑コンデンサ１２およびインバータ回路１３で構成されている。
　コンバータ回路１１は、複数の整流素子とスイッチング素子とで構成され、主に入力される系統電源の三相交流電圧を三相全波整流して直流電圧へ変換し、それを正極母線Ｐと負極母線Ｎとの間に出力する。
　平滑コンデンサ１２は、正極母線Ｐと負極母線Ｎとの間に配置されている。平滑コンデンサ１２は、コンバータ回路１１が正極母線Ｐと負極母線Ｎとの間に整流出力する直流電圧に含まれるリプル成分を取り除き安定した母線電圧を生成する。
　正極母線Ｐと平滑コンデンサ１２との間には第１の電流センサ５１が設けられている。正極母線Ｐと負極母線Ｎとの間には電圧センサ５２が設けられている。
　インバータ回路１３は、平滑コンデンサ１２と並列に接続されており、複数の整流素子とスイッチング素子とで構成される。インバータ回路１３ではスイッチング素子を図示しないインバータ制御部からの駆動指令に基づいてＯＮ／ＯＦＦすることで電動機２を制御する。
　電動機２は、インバータ回路１３と電源ケーブルにより接続される。この電動機２への電源ケーブルには、第２の電流センサ５３が設けられている。また、電動機２には角度センサ５４が設けられている。電動機２は、カップリングを介して機構部３と結合されている。
　機構部３は、ボールねじ３１、ナット３２、テーブル３３、ボールねじ３１を支持する軸受３４などで構成されている。またテーブル３３の位置を検出する位置センサ５５が設けられている。
　電動機システム１００に設けられた各種センサで検出した情報がセンサ情報５である。センサ情報５としては、例えば、第１の電流センサ５１により検出された母線電流、電圧センサ５２により検出された母線電圧、第２の電流センサ５３により検出された電動機電流、角度センサ５４により検出された電動機速度、位置センサ５５により検出された機械速度及び機械位置、図示しない温度センサにより計測された温度、湿度センサにより計測された湿度などがある。
　設定情報６は、電動機システム１００に予め設定された、装置または部品の動作に関する情報である。具体的には、設定情報６は、インバータ回路１３の図示しないインバータ制御部が駆動指令を生成する際に用いるキャリア周波数、電動機システム１００を構成する装置の冷却状態、電動機システム１００を構成する装置が使用される場所の標高などである。装置の冷却状態とは、例えば、電動機２に設けられている冷却ファンの稼働状態である。
　算出情報７は、機構部３の動作状態およびセンサ情報５の一部または全部を用いて算出された情報であり、テーブル３３を動かした時の機構部３の摩擦量、負荷イナーシャ、稼働時間、加工条件などである。
　これらのセンサ情報５、設定情報６および算出情報７をまとめた情報が、電動機システム１００を構成する各装置の使用状態に関する情報である装置状態情報８にあたる。すなわち、装置状態情報８は、センサ情報５、設定情報６および算出情報７で構成される。説明の便宜上、本明細書では装置状態情報８と記載するが、装置状態情報８は、電動機システム１００を構成する部品の使用状態に関する情報も含む。また、寿命予測の対象物が部品である場合であっても、「部品」を「装置」と記載する場合がある。例えば、「装置寿命」は、装置の寿命を意味する場合もあるし、部品の寿命を意味する場合もある。
　なお、図１に示す構成では、寿命予測装置４の外部で算出情報７が生成されるものとしているが、寿命予測装置４の内部で、センサ情報５に基づき算出情報７を生成するようにしてもよい。
　寿命予測装置４は、装置ストレス推論部４１、寿命消費量推論部４２、寿命予測部４３および寿命記憶部４４からなる１つ以上の寿命算出部４０－１，４０－２，…を備える。なお、これ以降の説明では、寿命算出部４０－１，４０－２，…を区別せずに共通の事項を説明する場合、これらをまとめて寿命算出部４０と記載する。寿命算出部４０は、電動機システム１００を構成する装置および部品のうち、寿命を算出する対象の装置および部品と同じ数だけ設けられる。例えば、電動機システム１００を構成する装置および部品のうち、寿命の算出が必要なものが５つである場合、寿命予測装置４は、５つの寿命算出部４０－１～４０－５を備えた構成となる。寿命算出部４０は、例えば、電動機制御装置１、電動機２および機構部３のそれぞれに対し、これらの寿命を予測するために個別に備えてもよいし、電動機システム１００を構成する部品の中の寿命部品、例えば、電動機制御装置１の平滑コンデンサ１２、半導体素子などのそれぞれに対して個別に備えてもよい。
　寿命記憶部４４にはあらかじめ、基準となる使用条件での装置稼働開始時点の初期寿命時間である基本寿命と、基本寿命から消費した寿命である消費寿命とが、寿命データとして記憶されている。基本寿命とは、メーカが推奨する条件で装置（または部品）を使用した場合の寿命であり、例えば、装置のカタログに記載された推奨条件で使用した場合の装置寿命である。
　装置ストレス推論部４１は、電動機システム１００から取得した情報などに基づいて生成された装置状態情報８を入力とし、入力された装置状態情報８から装置ストレスを推論する。装置ストレス推論部４１は、推論した装置ストレスを寿命消費量推論部４２および表示部９へ出力する。
　寿命消費量推論部４２は、装置ストレスを入力とし、入力された装置ストレスから寿命消費量を推論する。寿命消費量推論部４２は、推論した寿命消費量を寿命予測部４３へ出力する。
　ここで、寿命消費量は、寿命消費量推論部４２の演算周期あたりに消費した寿命である。装置の稼働開始時からの寿命消費量を積算したものが、上述した寿命データに含まれる消費寿命である。以下の説明では、寿命消費量をΔＬｎ、寿命消費量推論部４２の演算周期をΔｔ、消費寿命をＬｎとする。
　寿命予測部４３は、寿命消費量推論部４２から入力された寿命消費量ΔＬｎと、寿命記憶部４４が記憶している寿命データとに基づいて、寿命算出部４０が寿命を算出する対象物（装置または部品）の寿命を予測する。
　具体的には、寿命予測部４３は、基本寿命から消費寿命Ｌｎを減算して得られる残寿命Ｌｒと、寿命消費量ΔＬｎと、演算周期Δｔとに基づいて、対象物の寿命である予測装置寿命Ｌを式（１）のように算出する。
　　Ｌ　＝　Ｌｒ／ΔＬｎ×Δｔ　　　…（１）
　寿命予測部４３は、算出により予測した予測装置寿命Ｌを外部に通知するように表示部９に出力する。また、寿命予測部４３は、寿命記憶部４４が保持している消費寿命Ｌｎを寿命消費量ΔＬｎに基づいて更新する。すなわち、寿命予測部４３は、寿命記憶部４４が保持している消費寿命Ｌｎに寿命消費量ΔＬｎを加算することで、消費寿命Ｌｎを更新する。
　一例として、電動機制御装置１の平滑コンデンサ１２に対応する寿命算出部４０の動作、すなわち、寿命算出部４０が、平滑コンデンサ１２を対象として寿命を予測する動作について、説明する。
　平滑コンデンサ１２に生ずる発熱は、コンデンサの内部温度をＴｘとして式（２）で表される。
　　Ｔｘ　＝　Ｔａ＋ΔＴｘ　＝　Ｔａ＋ＩＲ＾２×ＥＳＲ×β　　　　　…（２）
　なお、式（２）において、Ｔａは平滑コンデンサ１２の周囲温度である。ΔＴｘは周囲温度からの温度上昇である。ＩＲは平滑コンデンサ１２に流れるリプル電流である。ＥＳＲは平滑コンデンサ１２の等価直列抵抗（Equivalent　Series　Resistance）である。βは平滑コンデンサ１２の放熱係数である。
　平滑コンデンサ１２として使用されるアルミ電解コンデンサは、その温度上昇に伴う熱的ストレスにより、アレニウスの法則に従い寿命劣化を惹起する。アルミ電解コンデンサの寿命時間Ｌは式（３）で表される。
　　Ｌ　＝　Ｌｂｃ×［２＾｛(Ｔｏ－Ｔｘ)／１０｝］×(Ｖｏ／Ｖｘ)＾Ｋ　…（３）
　なお、式（３）において、Ｌｂｃは平滑コンデンサ１２の使用上限温度下での定格電圧印加かつ定格リプル電圧印加での基本寿命である。Ｔｏは平滑コンデンサ１２の許容内部温度である。Ｖｏは平滑コンデンサ１２の定格電圧である。Ｖｘは使用時に平滑コンデンサ１２に印加される直流電圧である。べき数Ｋは平滑コンデンサ１２の印加電圧軽減率である。
　上記を寿命予測装置４に当てはめると、装置ストレス推論部４１は、式（２）を適用して推論でき、入力となる装置状態情報８は、周囲温度、母線電流とし、出力となる装置ストレスは、コンデンサの内部温度Ｔｘとすることができる。ここで、母線電流はリプル電流ＩＲに対応する。等価直列抵抗ＥＳＲおよび放熱係数βは固定値として演算に使用する。
　同様に、寿命消費量推論部４２は、式（３）を適用して推論できる。寿命消費量推論部４２は、入力となる装置ストレスを上記のコンデンサの内部温度Ｔｘとし、この内部温度Ｔｘおよび式（３）から得られる寿命時間Ｌを、上記の寿命消費量ΔＬｎとして出力する。寿命予測部４３は、寿命消費量ΔＬｎから前述の式（１）により予測装置寿命Ｌを算出する。
　寿命予測装置４は、このようにして寿命算出部４０で算出した予測装置寿命Ｌを外部に通知するように表示部９に出力する。また、寿命予測装置４は、取得した装置状態情報８と、装置ストレス推論部４１で推論した装置ストレスとを外部に通知するように表示部９に出力する。
　表示部９は、寿命予測装置４が出力する予測装置寿命Ｌ、装置状態情報８および装置ストレスを表示する。
　なお、図１では、寿命予測装置４の外部の装置、例えばディスプレイ等の表示装置に表示部９を設けた構成としたが、表示部９が寿命予測装置４の内部に設けられた構成としてもよい。つまり、寿命予測装置４は、予測装置寿命Ｌ、装置状態情報８および装置ストレスを寿命予測装置４の外部に通知するように出力できればよい。
　図２は、装置ストレスと予測装置寿命との関係の一例を示す図である。図２において、Ｓminが装置ストレスの最小値であり、Ｓmaxが装置ストレスの最大値である。Ｌminは装置ストレスが最小のときの予測装置寿命であり、Ｌmaxは装置ストレスが最大のときの予測装置寿命である。ＳxおよびＬnは、それぞれ現在の動作条件での装置ストレスと予測装置寿命を示す。このように、現在の動作条件と装置ストレスと寿命との関係を、容易に把握することができる。また、本実施の形態では寿命消費量から予測装置寿命を算出するため、装置ストレスを変化させた場合の予測装置寿命を容易に算出可能である。
　上述した寿命予測装置４が装置または部品の予測装置寿命を予測する動作は図３に示すフローチャートで表すことができる。図３は、実施の形態１にかかる寿命予測装置４の動作の一例を示すフローチャートである。
　図３に示すように、寿命予測装置４は、まず、寿命予測に用いる情報を収集する（ステップＳ１）。すなわち、寿命予測装置４は、上述した装置状態情報８を外部から取得する。
　寿命予測装置４は、次に、装置ストレスを推論する（ステップＳ２）。すなわち、寿命予測装置４を構成する寿命算出部４０の装置ストレス推論部４１が、装置状態情報８に基づき、寿命予測対象物の装置ストレスを推論する。
　寿命予測装置４は、次に、寿命消費量を推論する（ステップＳ３）。すなわち、寿命予測装置４を構成する寿命算出部４０の寿命消費量推論部４２が、寿命予測対象物の装置ストレスに基づき、寿命消費量を推論する。
　寿命予測装置４は、次に、予測装置寿命を算出する（ステップＳ４）。すなわち、寿命予測装置４を構成する寿命算出部４０の寿命予測部４３が、寿命予測対象物の寿命消費量に基づき、予測装置寿命を算出する。
　寿命予測装置４は、次に、収集した情報と、装置ストレスと、予測装置寿命とを報知する（ステップＳ５）。すなわち、寿命予測装置４は、ステップＳ１で収集した情報と、ステップＳ２で推論した装置ストレスと、ステップＳ４で算出した予測装置寿命とを表示部９に出力し、これらを表示部９に表示させることでユーザに報知する。
　次に、実施の形態１にかかる寿命予測装置４を実現するハードウェアについて説明する。寿命予測装置４は、例えば、図４に示すハードウェア、すなわち、プロセッサ１０１およびメモリ１０２により実現することが可能である。図４は、寿命予測装置４を実現するハードウェアの一例を示す図である。
　プロセッサ１０１の例は、ＣＰＵ（Central　Processing　Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital　Signal　Processor）ともいう）またはシステムＬＳＩ（Large　Scale　Integration）である。メモリ１０２の例は、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリー、等の、不揮発性または揮発性の半導体メモリ、磁気ディスク等などである。
　寿命予測装置４の各寿命算出部４０を構成する装置ストレス推論部４１、寿命消費量推論部４２および寿命予測部４３は、これらの各部として動作するための寿命予測プログラムをプロセッサ１０１が実行することにより実現される。装置ストレス推論部４１、寿命消費量推論部４２および寿命予測部４３として動作するための寿命予測プログラムはメモリ１０２に予め格納されている。プロセッサ１０１は、この寿命予測プログラムをメモリ１０２から読み出して実行することにより、装置ストレス推論部４１、寿命消費量推論部４２および寿命予測部４３として動作する。
　また、寿命予測装置４の各寿命算出部４０を構成する寿命記憶部４４はメモリ１０２により実現される。
　なお、図４に示すプロセッサ１０１およびメモリ１０２は、電子計算機を構成するハードウェアであってもよい。すなわち、寿命予測装置４は、プロセッサ１０１およびメモリ１０２を備える電子計算機と、電子計算機のプロセッサ１０１で実行される寿命予測プログラムとで実現される形態であってもよい。複数の電子計算機が連携して動作することで寿命予測装置４の各機能が実現される形態であってもよい。
　なお、装置ストレス推論部４１、寿命消費量推論部４２および寿命予測部４３として動作するための上記の寿命予測プログラムはメモリ１０２に予め格納されているものとしたがこれに限定されない。上記の寿命予測プログラムは、ＣＤ（Compact　Disc）－ＲＯＭ、ＤＶＤ（Digital　Versatile　Disc）－ＲＯＭなどの記録媒体に書き込まれた状態でユーザに供給され、ユーザがメモリ１０２にインストールする形態であってもよい。また、上記の寿命予測プログラムは、インターネットなどのネットワークを介してユーザに提供される形態であってもよい。
　寿命予測装置４を実現するハードウェアについて説明したが、後述する他の寿命予測装置も同様のハードウェアで実現可能である。
　以上説明したように、本実施の形態にかかる寿命予測装置４によれば、動作環境に応じた寿命に影響を与える複数の要因を、１つの装置ストレスとして単純化して算出し、予測装置寿命と併せてユーザに提供することが可能となるため、ユーザが容易に機械の動作環境を把握し、保守条件を決定することが可能となる。
　なお、図５に示す構成の寿命予測装置としてもよい。図５は、実施の形態１にかかる寿命予測装置の他の構成例を示す図である。図５に示すように、寿命予測装置４ａは、上述した寿命予測装置４の寿命算出部４０－１，４０－２，…のに代わりに寿命算出部４０ａ－１，４０ａ－２，…を備える。寿命算出部４０ａ（寿命算出部４０ａ－１，４０ａ－２，…）は、上述した寿命算出部４０の寿命消費量推論部４２および寿命記憶部４４を、寿命消費量推論部４２ａおよび寿命記憶部４４ａに置き換えた構成である。図５においては、図１に示す寿命予測装置４と同様の構成要素に図１と同じ符号を付している。図１と同じ符号を付した構成要素については説明を省略する。
　寿命消費量推論部４２ａには、装置ストレス推論部４１が出力する装置ストレスに加えて、基本寿命および消費寿命により算出した劣化係数を寿命記憶部４４ａから入力する。劣化係数は寿命記憶部４４ａが算出してもよいし寿命予測部４３が算出してもよい。また、劣化係数を寿命消費量推論部４２ａに入力するのではなく、劣化係数の算出に用いる情報を寿命消費量推論部４２ａに入力し、寿命消費量推論部４２ａが劣化係数を算出する構成としてもよい。
　寿命消費量推論部４２ａに入力する劣化係数Ｌｋは、基本寿命から消費寿命を減算して得られる値である残寿命Ｌｒを基本寿命で除算した結果である。このような構成の場合、劣化に伴う係数Ｌｋを、予測対象物の劣化に伴う影響量として、寿命消費量推論部４２ａが推論する寿命消費量を補正できる。例えば、平滑コンデンサ１２として用いるアルミ電解コンデンサにおいては劣化が進行すると、静電容量が低下したり等価直列抵抗が増加したりするため、劣化の進行に伴い寿命の推定結果の誤差が大きくなる。このような、劣化により寿命消費量が影響を受ける部品の寿命を予測する場合、図５に示す構成の寿命予測装置４ａが適しており、予測精度の向上が可能となる。
　寿命消費量推論部４２ａが推論する寿命消費量の補正は、例えば、上述した寿命消費量推論部４２と同様の方法で推論した寿命消費量に劣化係数Ｌｋを乗算することで行う。寿命消費量の推論に用いる計算式に劣化係数を含ませておき、寿命予測部４３が予測装置寿命を算出するごとに劣化係数Ｌｋを更新するようにして補正を行ってもよい。
実施の形態２．
　図６は、実施の形態２にかかる寿命予測装置を適用して実現される寿命予測システムの構成例を示す図である。実施の形態２にかかる寿命予測システムは、実施の形態１と同様の寿命予測装置４と、情報入力装置３００と、動作推定部２００とを含む。
　実施の形態１では、電動機システム１００が実際に動作することにより得られるセンサ情報５および算出情報７を、設定情報６とともに寿命予測装置４への入力としていた。これに対して、実施の形態２では、動作推定部２００が、情報入力装置３００を介して入力された条件で電動機システム１００の動作をシミュレーションし、センサ情報５および算出情報７を生成する。
　情報入力装置３００は、例えば、工作機械を制御するＣＮＣ（Computerized　Numerically　Controlled）装置に準じたソフトウェアを実行する電子計算機である。情報入力装置３００への入力情報は、動作条件（動作プログラムまたは運転パターン、パラメータ等）、機械情報（機械構成等）及び動作環境（周囲温度、電源環境等）である。情報入力装置３００は、入力情報に基づいて、移動指令、シミュレーション条件（稼働時間、シミュレーション対象とする機械予測モデル）などを決定する。
　動作推定部２００は、情報入力装置３００により選択された電動機システム予測モデルを含んだ機械予測モデルであり、情報入力装置３００からの入力による動作条件に従ってシミュレーションを実施し、センサ情報５を出力する。動作推定部２００は、例えば、電子計算機と、電子計算機にシミュレーションを実行させるプログラムとで実現可能である。
　本実施の形態にかかる寿命予測装置４は、実施の形態１で説明した図１に示す寿命予測装置４と同様である。なお、図６に示す寿命予測装置４を図５に示す寿命予測装置４ａに置き換えてもよい。
　図７は、実施の形態２にかかる寿命予測装置４が表示部９に表示させる内容の一例を示す図である。図７に示すように、寿命予測装置４は、入力条件と、出力結果とを表示部９に表示させる。
　図７に示す例では、表示部９は、入力条件として、機械情報、動作条件、動作環境を表示する。また、表示部９は、出力結果として、機械構成で決定した、構成装置及び構成部品（電動機＃１、電動機＃２、インバータユニット、冷却ファン、など）のそれぞれについて、装置ストレスおよび予測装置寿命を表示する。なお、装置ストレスは、基本寿命が達成される場合を１００％としている。
　このようにすることで、選択した条件における現在の装置ストレスおよび予測装置寿命を、ユーザが容易に把握することができる。また、得られた予測装置寿命および装置ストレスに応じて、動作条件や選択する機械構成を変更するといったことが可能であるため、機械の構成装置や部品選定に予測装置寿命および装置ストレスを使用してもよい。
　以上説明したように、実施の形態２にかかる寿命予測システムによれば、電動機システム１００などの産業用機械を動作させることなく、指定した動作条件での装置ストレスおよび予測装置寿命を把握できるため、ユーザが求める寿命に併せて動作条件や機械構成を決定することが可能である。
実施の形態３．
　図８は、実施の形態３にかかる寿命予測装置４ｂの構成例を示す図である。なお、図８に示す装置状態情報８は、実施の形態１で説明した装置状態情報８と同様のものであり、実施の形態１または実施の形態２で示した方法により生成される。
　実施の形態３にかかる寿命予測装置４ｂは、実施の形態１にかかる寿命予測装置４に対し変更寿命算出部４００を追加した構成である。なお、図８に示す寿命予測装置４ｂは寿命算出部４０および変更寿命算出部４００を１組備える構成としているが、２組以上備える構成としてもよい。
　変更寿命算出部４００は、寿命比較部４０１、動作条件変更部４０２、変更装置ストレス推論部４０３、変更寿命消費量推論部４０４および変更寿命予測部４０５を備える。
　寿命比較部４０１は、寿命予測部４３により算出された予測装置寿命と、ユーザにより予め設定された目標装置寿命とを比較する。目標装置寿命は、寿命記憶部４４が記憶しているものとする。比較の結果が「予測装置寿命＜目標装置寿命」である場合、動作条件変更部４０２が動作条件を変更する。
　動作条件変更部４０２は、寿命予測対象の装置に対応する装置状態情報８と関連付けた動作条件を予め保持している。
　一例として、寿命予測装置４ｂの寿命予測対象物が上述した電動機制御装置１である場合の動作を説明する。
　動作条件変更部４０２は、寿命比較部４０１による比較結果が「予測装置寿命＜目標装置寿命」の場合、装置状態情報８に含まれる情報のうち、電動機制御装置１で制御できる情報である、電動機電流、電動機回転数、機械速度などを対象として、装置ストレスが低減するよう動作条件を変更する。ここでの動作条件は、加減速時の時定数（加速度）、動作速度、加工負荷などである。
　動作条件変更部４０２が動作条件を変更することにより得られた変更後の装置状態情報８に基づいて、変更装置ストレス推論部４０３、変更寿命消費量推論部４０４および変更寿命予測部４０５のそれぞれが処理を実行し、変更予測装置寿命を算出する。ここで、変更装置ストレス推論部４０３は、上述した装置ストレス推論部４１と同様の処理を実行して装置ストレスを推論する。変更寿命消費量推論部４０４は、上述した寿命消費量推論部４２と同様の処理を実行して寿命消費量を推論する。変更寿命予測部４０５は、上述した寿命予測部４３と同様の処理を実行して予測装置寿命を求め、これを変更予測装置寿命として出力する。
　変更予測装置寿命は寿命比較部４０１に入力され、目標装置寿命と比較される。
　寿命比較部４０１による比較結果が「変更予測装置寿命≧目標装置寿命」である場合、変更寿命算出部４００は、変更する動作条件と、動作条件を変更することで得られる装置状態情報８（変更後の装置状態情報８）と、変更後の装置状態情報８を用いて求めた装置ストレスおよび予測装置寿命とを表示部９に表示する。
　一方、寿命比較部４０１による比較結果が「変更予測装置寿命＜目標装置寿命」である場合、さらに装置ストレスが低減する様に動作条件変更部４０２が動作条件を変更し、この変更により得られた変更後の装置状態情報８に基づいて、変更装置ストレス推論部４０３、変更寿命消費量推論部４０４および変更寿命予測部４０５のそれぞれが処理を実行して変更予測装置寿命を再度算出する。
　以下、寿命比較部４０１による比較結果が「変更予測装置寿命≧目標装置寿命」となるまで、同様の処理を繰り返す。
　また、寿命記憶部４４が記憶する目標装置寿命は、寿命予測部４３の演算周期毎に、寿命消費量推論部４２が推論した消費寿命量が減算され、更新される。
　図９は、実施の形態３にかかる寿命予測装置４ｂが表示部９に表示させる内容の一例を示す図である。図９に示すように、寿命予測装置４ｂは、入力条件と、出力結果とを表示部９に表示させる。
　図９に示すように、寿命予測装置４ｂは、入力条件と、出力結果と、動作条件の変更内容および動作条件変更後の装置状態（装置ストレス、予測装置寿命）と、を表示部９に表示させる。
　図９に示す「出力結果」は、図７に示す「出力結果」に目標稼働時間を追加したものである。図９に示す「入力条件」は、図７に示す「入力条件」に稼働条件（目標稼働時間）を追加したものである。ここで、変更する動作条件は、複数であってもよい。図９は、時定数および停止時間の２つの動作条件を変更する場合の例を示している。
　このようにすることで、ユーザは、目標装置寿命達成の有無と、目標装置寿命を満たすための動作条件とを把握することができる。なお、図９では、動作条件の変更内容と、装置ストレスと、予測装置寿命とを表示部９が表示する例を示したが、装置ストレスは必須ではない。動作条件の変更内容および予測装置寿命を少なくとも表示すれば、ユーザに必要な情報を提供することができる。
　また、図１０に示すように、変更する動作条件を制御装置１０に通知し、装置ストレスを軽減するように制御させる構成の寿命予測装置４ｃとしてもよい。図１０は、実施の形態３にかかる寿命予測装置の他の構成例を示す図である。
　図１０に示す寿命予測装置４ｃを適用して寿命予測システムを実現する場合、寿命予測の対象物の実動作が目標装置寿命を満たすように自動的に制御される。ここで、寿命予測の対象物が上述した電動機システム１００の場合、電動機制御装置１が図１０の制御装置１０となる。
　以上説明したように、実施の形態３にかかる寿命予測装置４ｂによれば、ユーザが要求する目標装置寿命を満たすための動作条件をユーザが把握できる。また、実施の形態３にかかる寿命予測装置４ｃによれば、自動的に目標装置寿命を満たすように動作条件を変更することが可能となる。
　なお、寿命予測装置４ｂの寿命算出部４０は、実施の形態１で説明した寿命予測装置４ａの寿命算出部４０ａに置き換えることが可能である。同様に、寿命予測装置４ｃの寿命算出部４０を寿命算出部４０ａに置き換えることも可能である。
実施の形態４．
　図１１は、実施の形態４にかかる寿命予測装置４ｄの構成例を示す図である。なお、図１１に示す装置状態情報８は、実施の形態１で説明した装置状態情報８と同様のものであり、実施の形態１または実施の形態２で示した方法により生成される。
　本実施の形態にかかる寿命予測装置４ｄの基本構成は実施の形態１にかかる寿命予測装置４と同様であるが、寿命記憶部４４が保持する消費寿命を外部寿命予測装置４５０で算出された寿命消費量で更新可能とする点が寿命予測装置４と異なる。なお、これ以降の説明では、寿命予測装置４ｄの寿命消費量推論部４２が算出する寿命消費量を第１の寿命消費量と称し、外部寿命予測装置４５０が算出する寿命消費量を第２の寿命消費量と称する。
　外部寿命予測装置４５０は、オフライン推定により、対象物の第２の寿命消費量を推定する。
　ここでのオフライン推定とは、対象物の定期メンテナンス時などの消費寿命の推定のために、専用動作により行う推定である。オフライン推定では、推定のための専用動作を行うことで精度よく寿命消費量を算出できるが、その間は機械を稼働させることができないという問題がある。
　例えば、上述した平滑コンデンサ１２の寿命消費量のオフライン推定として、電動機制御装置１の主電源をＯＦＦする際に、一定期間Δτの間一定の電流Ｉを流してその間の平滑コンデンサ１２の電圧降下ΔＶを計測する。そして、平滑コンデンサ１２の残容量Ｃを、式「Ｃ＝（Ｉ×Δτ）／ΔＶ」に適用して算出し、算出した残容量Ｃをコンデンサ容量の許容値と比較して寿命劣化の診断を行う方法が知られている。この方法を利用して、外部寿命予測装置４５０は、対象物の寿命劣化を診断し、診断により得られた寿命劣化量を第２の寿命消費量とする。
　オフライン推定によれば、熱的ストレス量を算出することなく平滑コンデンサ１２の残寿命を高精度に算出することができるが、メンテナンス時に電動機制御装置１の主電源をＯＮ／ＯＦＦする必要があり、機械動作を止める必要がある。
　また、ここでのオンライン推定とは、推定のための専用動作を行わないリアルタイムでの推定である。オンライン推定では専用動作が不要なため、機械動作を継続しながら寿命消費量の推定を実施可能である。
　本実施の形態にかかる寿命予測装置４ｄは、定常時の産業用機械稼働時には、オンライン推定により第１の寿命消費量の推定および寿命記憶部４４が保持する消費寿命の更新を行い、産業用機械のメンテナンス時には、オフライン推定による第２の寿命消費量の推定および寿命記憶部４４が保持する消費寿命の更新を行うことで、定常時の機械稼働時により正確な寿命推定結果を得る。
　なお、寿命予測装置４ｄの外部、すなわち、外部寿命予測装置４５０においてオフライン推定を行うこととしたが、寿命予測装置４ｄの内部でオフライン推定を行う構成としてもよい。例えば、オフライン推定を行う寿命消費量推定部を寿命予測装置４ｄ内に設けてもよい。
　実施の形態４にかかる寿命予測装置４ｄによれば、予測装置寿命の推定精度を高めることができる。
実施の形態５．
　上述した実施の形態１にかかる寿命予測装置４の装置ストレス推論部４１は、機械学習を適用して実現することも可能である。そこで、本実施の形態では、機械学習を適用して装置ストレス推論部４１を実現する手法、具体的には、装置ストレス推論部４１を実現する学習済モデルを生成する学習装置、および、学習済モデルを利用して装置ストレスを推論する推論装置について、説明する。なお、一例として、寿命予測装置４の装置ストレス推論部４１に機械学習を適用する場合について説明するが、上述した寿命予測装置４ａ～４ｄの装置ストレス推論部４１に機械学習を適用することも可能である。
　以下、装置ストレス推論部４１を実現する学習済モデルを学習装置が生成する学習フェーズと、学習済モデルを利用して推論装置が装置ストレスを推論することで装置ストレス推論部４１を実現する活用フェーズとに分けて説明する。
＜学習フェーズ＞
　図１２は、寿命予測装置４の装置ストレス推論部４１を実現するための機械学習を行う学習装置６１の構成例を示す図である。学習装置６１は、データ取得部６２およびモデル生成部６３を備える。学習装置６１は、寿命予測装置４の内部に設けられてもよいし、寿命予測装置４の外部に設けられてもよい。また、図１２に示す学習済モデル記憶部７１は、学習装置６１の外部に設けられていてもよいし、学習装置６１の内部に設けられていてもよい。
　データ取得部６２は、周囲温度、母線電圧、母線電流、電動機電流、キャリア周波数、電動機印加電圧、装置の冷却状態、電動機の回転数、摩擦量、搬送物質量、負荷イナーシャ、送り速度、機械位置、湿度、稼働時間および加工条件のうち少なくとも一つを含む装置状態情報８と、装置ストレスとを学習用データとして取得する。装置ストレスが機械学習の教師データに相当する。
　ここで、データ取得部６２が取得する装置ストレスは、生成する学習済モデルによって異なる。
　例えば、電動機制御装置１に接続されるまたは内蔵されるコンデンサの学習済モデルを生成する場合、装置ストレスをコンデンサ温度とする。
　また、例えば、電動機制御装置１に内蔵される半導体素子の学習済モデルを生成する場合、装置ストレスをジャンクション温度とする。半導体素子においては、ジャンクション温度に応じて半導体素子内部の劣化が進行することが公知である。
　また、例えば、電動機２の学習済モデルを生成する場合、装置ストレスを電動機２のコイル温度とする。電動機２を含む一般的な電動機においては、温度に応じてコイルの絶縁素材の劣化が進行することが公知である。
　また、例えば、機構部３の学習済モデルを生成する場合、装置ストレスを軸方向荷重とする。機構部３の構成部品（ボールねじ３１、軸受３４、等）においては、軸方向荷重が寿命時間に影響を与えることが公知である。
　モデル生成部６３は、データ取得部６２から出力される装置状態情報８および装置ストレスの組合せに基づいて作成される学習用データに基づいて、装置状態情報８と装置ストレスとの関係を学習する。すなわち、モデル生成部６３は、寿命予測の対象物の装置状態情報８が入力されると最適な装置ストレスを出力する学習済モデルを生成する。ここで、学習用データは、装置状態情報８と装置ストレスとを互いに関連付けたデータである。
　なお、学習装置６１は、装置状態情報８に対応する装置ストレスを学習するために使用されるが、例えば、ネットワークを介して寿命予測装置４に接続され、この寿命予測装置４とは別個の装置として動作する構成であってもよい。また、学習装置６１は寿命予測装置４に内蔵されていてもよい。さらに、学習装置６１は、クラウドサーバ上に存在していてもよい。
　モデル生成部６３が用いる学習アルゴリズムは、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムとすることができる。一例として、ニューラルネットワークを適用した場合について説明する。
　モデル生成部６３は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、装置状態情報８に対応する装置ストレスを学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置６１に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。
　ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層(隠れ層)、及び複数のニューロンからなる出力層で構成される。中間層は、１層、又は２層以上でもよい。
　図１３は、ニューラルネットワークを説明するための図である。例えば、図１３に示すような３層のニューラルネットワークであれば、複数の入力が入力層Ｘ（Ｘ１－Ｘ３）に入力されると、その値に重みＷ１（ｗ１１－ｗ１６）を掛けて中間層Ｙ（Ｙ１－Ｙ２）に入力され、その結果にさらに重みＷ２（ｗ２１－ｗ２６）を掛けて出力層Ｚ（Ｚ１－Ｚ３）から出力される。この出力結果は、重みＷ１および重みＷ２の値によって変わる。
　本実施の形態にかかる学習装置６１のモデル生成部６３で用いるニューラルネットワークは、データ取得部６２によって取得される装置状態情報８と装置ストレスとの組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により、装置状態情報８に対応する装置ストレスを学習する。
　すなわち、ニューラルネットワークは、入力層に装置状態情報８を入力して出力層から出力された結果が、装置ストレスに近づくように重みＷ１および重みＷ２を調整することで学習する。
　モデル生成部６３は、以上のような学習を実行することで学習済モデルを生成し、出力する。
　学習済モデル記憶部７１は、モデル生成部６３から出力された学習済モデルを記憶する。
　次に、図１４を用いて、学習装置６１が学習済モデルを生成する動作について説明する。図１４は、学習装置６１の動作の一例を示すフローチャートである。
　学習装置６１は、まず、学習用データを取得する（ステップＳ１１）。具体的には、データ取得部６２が、装置状態情報８と装置ストレスとを取得し、これらを関連付けて学習用データを作成する。なお、装置状態情報８と装置ストレスとを同時に取得するものとしたが、装置状態情報８と装置ストレスとを関連付けて取得できればよく、装置状態情報８と装置ストレスとをそれぞれ別のタイミングで取得してもよい。
　学習装置６１は、次に、学習処理を行う（ステップＳ１２）。具体的には、モデル生成部６３が、データ取得部６２で取得された装置状態情報８と装置ストレスとの組合せに基づいて作成される学習用データに従って、いわゆる教師あり学習により、装置状態情報８に対応する装置ストレスを学習し、学習済モデルを生成する。
　学習装置６１は、次に、学習済モデルを学習済モデル記憶部７１に記憶させる（ステップＳ１３）。具体的には、モデル生成部６３が、ステップＳ１２で生成した学習済モデルを出力し、学習済モデル記憶部７１が学習済モデルを記憶する。
＜活用フェーズ＞
　つづいて、推論装置が学習済モデルを用いて装置ストレスを推論する活用フェーズについて説明する。
　図１５は、寿命予測装置４の装置ストレス推論部４１を実現する推論装置６５の構成例を示す図である。推論装置６５は、データ取得部６６および推論部６７を備える。推論装置６５は、寿命予測装置４の内部に設けられてもよいし、寿命予測装置４の外部に設けられてもよい。図１５に示す学習済モデル記憶部７１は、図１２に示す学習済モデル記憶部７１に対応し、学習装置６１で生成済みの学習済モデルを記憶している。
　データ取得部６６は、装置状態情報８を取得する。
　推論部６７は、学習済モデル記憶部７１が記憶している学習済モデルを利用して、装置状態情報８に対応する装置ストレスを推論する。すなわち、推論部６７は、学習済モデル記憶部７１が記憶している学習済モデルにデータ取得部６６が取得した装置状態情報８を入力して推論を実行させ、装置ストレスを推論結果として取得する。
　なお、推論装置６５は、装置状態情報８に対応する装置ストレスを推論するために使用されるが、例えば、ネットワークを介して寿命予測装置４に接続され、この寿命予測装置４とは別個の装置として動作する構成であってもよい。また、推論装置６５は寿命予測装置４に内蔵されていてもよい。さらに、推論装置６５は、クラウドサーバ上に存在していてもよい。
　また、本実施の形態では、寿命予測装置４を構成する学習装置６１が生成した学習済モデルを用いて、推論装置６５が装置ストレスを推論するものとして説明を行うが、推論装置６５は、寿命予測装置４の外部で生成された学習済モデルを取得し、この学習済モデルを用いて装置ストレスを推論するようにしてもよい。
　次に、図１６を用いて、推論装置６５が装置ストレスを推論する動作および推論した装置ストレスから対象物の寿命を推定する動作について説明する。図１６は、実施の形態５にかかる寿命予測装置が推論装置６５を利用して対象物の寿命を推定する動作の一例を示すフローチャートである。
　推論装置６５は、まず、装置ストレスの推論に用いるデータを取得する（ステップＳ２１）。具体的には、データ取得部６６が、装置状態情報８を取得する。
　推論装置６５は、次に、ステップＳ２１で取得したデータを学習済モデル記憶部７１が記憶している学習済モデルに入力し（ステップＳ２２）、推論結果を得る。すなわち、推論部６７が、データ取得部６６が取得した装置状態情報８を、学習済モデル記憶部７１が記憶している学習済モデルに入力し、これに伴い学習済モデルから出力される装置ストレスを取得する。
　推論装置６５は、次に、推論結果である装置ストレスを出力し（ステップＳ２３）、この装置ストレスを元に、寿命消費量推論部４２および寿命予測部４３が装置寿命を推定する（ステップＳ２４）。推定した装置寿命は、予測装置寿命として寿命予測部４３から表示部９に出力される。
　これにより、電動機システム１００より取得できる情報を含む装置状態情報８から、動作環境において変化する要因を装置ストレスとして推論することができ、容易かつ高精度な寿命予測が可能となる。
　このように、機械学習を利用して寿命予測装置４の装置ストレス推論部４１を実現することが可能である。
　なお、本実施の形態では、モデル生成部６３が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習、又は半教師あり学習等を適用することも可能である。
　また、モデル生成部６３は、複数の産業用機械に対して作成される学習用データに従って、装置ストレスを学習するようにしてもよい。なお、モデル生成部６３は、同一のエリアで使用される複数の産業用機械から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の産業用機械から収集される学習用データを利用して装置ストレスを学習してもよい。また、学習用データを収集する産業用機械を途中で対象に追加したり、対象から除去したりすることも可能である。さらに、ある産業用機械に関して装置ストレスを学習した学習装置を、これとは別の産業用機械に適用し、当該別の産業用機械に関して装置ストレスを再学習して更新するようにしてもよい。
　また、モデル生成部６３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep Learning）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。
実施の形態６．
　実施の形態５では、機械学習を適用して寿命予測装置４の装置ストレス推論部４１を実現する場合について説明したが、機械学習を適用して寿命消費量推論部４２を実現することも可能である。そこで、本実施の形態では、機械学習を適用して寿命消費量推論部４２を実現する手法、具体的には、寿命消費量推論部４２を実現する学習済モデルを生成する学習装置、および、学習済モデルを利用して寿命消費量を推論する推論装置について、説明する。なお、一例として、寿命予測装置４の寿命消費量推論部４２に機械学習を適用する場合について説明するが、上述した寿命予測装置４ａの寿命消費量推論部４２ａに機械学習を適用することも可能であるし、寿命予測装置４ｂ～４ｄの寿命消費量推論部４２に機械学習を適用することも可能である。
　以下、寿命消費量推論部４２を実現する学習済モデルを学習装置が生成する学習フェーズと、学習済モデルを利用して推論装置が寿命消費量を推論することで寿命消費量推論部４２を実現する活用フェーズとに分けて説明する。
＜学習フェーズ＞
　図１７は、寿命予測装置４の寿命消費量推論部４２を実現するための機械学習を行う学習装置８１の構成例を示す図である。学習装置８１は、データ取得部８２およびモデル生成部８３を備える。学習装置８１は、寿命予測装置４の内部に設けられてもよいし、寿命予測装置４の外部に設けられてもよい。また、図１７に示す学習済モデル記憶部７２は、学習装置８１の外部に設けられていてもよいし、学習装置８１の内部に設けられていてもよい。
　データ取得部８２は、装置ストレスと、寿命消費量とを学習用データとして取得する。寿命消費量が機械学習の教師データに相当する。この寿命消費量は、例えば、一定の装置ストレスで動作した場合に装置が壊れるまでの時間、すなわち実寿命データと、寿命消費量推論部４２の演算周期Δｔとに基づいて算出する。また、データ取得部８２は、装置ストレスに加えて、上述した劣化係数を学習用データとして取得してもよい。
　モデル生成部８３は、データ取得部８２から出力される装置ストレスおよび寿命消費量の組合せに基づいて作成される学習用データに基づいて、装置ストレスと寿命消費量との関係を学習する。すなわち、モデル生成部８３は、寿命予測の対象物の装置ストレスが入力されると最適な寿命消費量を出力する学習済モデルを生成する。ここで、学習用データは、装置ストレスと寿命消費量とを互いに関連付けたデータである。
　なお、学習装置８１は、装置ストレスに対応する寿命消費量を学習するために使用されるが、例えば、ネットワークを介して寿命予測装置４に接続され、この寿命予測装置４とは別個の装置として動作する構成であってもよい。また、学習装置８１は寿命予測装置４に内蔵されていてもよい。さらに、学習装置８１は、クラウドサーバ上に存在していてもよい。
　モデル生成部８３が用いる学習アルゴリズムは、上述した学習装置６１のモデル生成部６３と同様に、教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムとすることができる。
　モデル生成部８３が学習済モデルを生成する動作は、使用する学習用データが異なる点を除いて、上述した学習装置６１のモデル生成部６３が学習済モデルを生成する動作と同様である。そのため、モデル生成部８３が学習済モデルを生成する動作の詳細については説明を省略する。
　モデル生成部８３は、生成した学習済モデルを学習済モデル記憶部７２へ出力する。
　学習済モデル記憶部７２は、モデル生成部８３から出力された学習済モデルを記憶する。
＜活用フェーズ＞
　つづいて、推論装置が学習済モデルを用いて装置ストレスを推論する活用フェーズについて説明する。
　図１８は、寿命予測装置４の寿命消費量推論部４２を実現する推論装置８５の構成例を示す図である。推論装置８５は、データ取得部８６および推論部８７を備える。推論装置８５は、寿命予測装置４の内部に設けられてもよいし、寿命予測装置４の外部に設けられてもよい。図１８に示す学習済モデル記憶部７２は、図１７に示す学習済モデル記憶部７２に対応し、学習装置８１で生成済みの学習済モデルを記憶している。
　データ取得部８６は、装置ストレスを取得する。
　推論部８７は、学習済モデル記憶部７２が記憶している学習済モデルを利用して、装置ストレスに対応する寿命消費量を推論する。すなわち、推論部８７は、学習済モデル記憶部７２が記憶している学習済モデルにデータ取得部８６が取得した装置ストレスを入力して推論を実行させ、寿命消費量を推論結果として取得する。
　なお、推論装置８５は、装置ストレスに対応する寿命消費量を推論するために使用されるが、例えば、ネットワークを介して寿命予測装置４に接続され、この寿命予測装置４とは別個の装置として動作する構成であってもよい。また、推論装置８５は寿命予測装置４に内蔵されていてもよい。さらに、推論装置８５は、クラウドサーバ上に存在していてもよい。
　また、本実施の形態では、寿命予測装置４を構成する学習装置８１が生成した学習済モデルを用いて、推論装置８５が寿命消費量を推論するものとして説明を行うが、推論装置８５は、寿命予測装置４の外部で生成された学習済モデルを取得し、この学習済モデルを用いて寿命消費量を推論するようにしてもよい。
　次に、図１９を用いて、推論装置８５が装置ストレスを推論する動作および推論した装置ストレスから対象物の寿命を推定する動作について説明する。図１９は、実施の形態６にかかる寿命予測装置が推論装置８５を利用して対象物の寿命を推定する動作の一例を示すフローチャートである。
　推論装置８５は、まず、寿命消費量の推論に用いるデータを取得する（ステップＳ３１）。具体的には、データ取得部８６が、装置ストレスを取得する。
　推論装置８５は、次に、ステップＳ３１で取得したデータを学習済モデル記憶部７２が記憶している学習済モデルに入力し（ステップＳ３２）、推論結果を得る。すなわち、推論部８７が、データ取得部８６が取得した装置ストレスを、学習済モデル記憶部７２が記憶している学習済モデルに入力し、これに伴い学習済モデルから出力される寿命消費量を取得する。
　推論装置８５は、次に、推論結果である寿命消費量を出力し（ステップＳ３３）、この寿命消費量に基づいて、寿命予測部４３が装置寿命を推定する（ステップＳ３４）。推定した装置寿命は、予測装置寿命として寿命予測部４３から表示部９に出力される。
　このように、機械学習を利用して寿命予測装置４の寿命消費量推論部４２を実現することが可能である。
　なお、学習装置８１が機械学習で用いる学習用データに上述した劣化係数を含めるようにして、モデル生成部８３は、装置ストレスおよび劣化係数から寿命消費量を推論するための学習を行い学習済モデルの生成を行ってもよい。この場合、推論装置８５は、装置ストレスに加えて劣化係数を取得し、取得した装置ストレスおよび劣化係数から寿命消費量を推論する。
　以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
　１　電動機制御装置、２　電動機、３　機構部、４，４ａ，４ｂ，４ｃ，４ｄ　寿命予測装置、５　センサ情報、６　設定情報、７　算出情報、８　装置状態情報、９　表示部、１０　制御装置、１１　コンバータ回路、１２　平滑コンデンサ、１３　インバータ回路、３１　ボールねじ、３２　ナット、３３　テーブル、３４　軸受、４０，４０－１～４０－５，４０ａ－１，４０ａ－２　寿命算出部、４１　装置ストレス推論部、４２，４２ａ　寿命消費量推論部、４３　寿命予測部、４４，４４ａ　寿命記憶部、５１　電流センサ（第１の電流センサ）、５２　電圧センサ、５３　電流センサ（第２の電流センサ）、５４　角度センサ、５５　位置センサ、６１，８１　学習装置、６２，６６，８２，８６　データ取得部、６３，８３　モデル生成部、６５，８５　推論装置、６７，８７　推論部、７１，７２　学習済モデル記憶部、１００　電動機システム、２００　動作推定部、３００　情報入力装置、４００　変更寿命算出部、４０１　寿命比較部、４０２　動作条件変更部、４０３　変更装置ストレス推論部、４０４　変更寿命消費量推論部、４０５　変更寿命予測部、４５０　外部寿命予測装置。

Claims (24)

  1. 　産業用機械を構成する装置または部品である対象物の基本寿命および当該基本寿命から消費した寿命である消費寿命を寿命データとして保持する寿命記憶部と、
    　前記対象物の使用状態に関する情報である装置状態情報に基づいて装置ストレスを推論する装置ストレス推論部と、
    　前記装置ストレスに基づいて、定められた周期あたりに消費した前記対象物の寿命である寿命消費量を推論する寿命消費量推論部と、
    　前記寿命記憶部が保持する前記寿命データおよび前記寿命消費量に基づいて前記対象物の予測装置寿命を予測する寿命予測部と、
    　を備え、
    　装置ストレス推論部で推論された前記装置ストレス、及び前記寿命予測部で予測された前記予測装置寿命を外部に通知するように出力する、
    　ことを特徴とする寿命予測装置。
  2. 　前記寿命予測部は、前記寿命消費量が前記寿命消費量推論部から入力されるごとに、前記対象物の前記予測装置寿命を予測するとともに、入力された前記寿命消費量に基づいて、前記寿命記憶部が保持する寿命データに含まれる消費寿命を更新する、
    　ことを特徴とする請求項１に記載の寿命予測装置。
  3. 　前記装置状態情報は、前記対象物に設けられたセンサが検出するセンサ情報と、前記対象物の動作に関する情報と、を含む、
    　ことを特徴とする請求項１または２に記載の寿命予測装置。
  4. 　前記寿命消費量推論部は、前記寿命消費量を推論後、前記基本寿命および前記消費寿命に基づいて算出された劣化係数を用いて前記寿命消費量の推論結果を補正し、補正後の推論結果を出力する、
    　ことを特徴とする請求項１から３のいずれか一つに記載の寿命予測装置。
  5. 　前記基本寿命から前記消費寿命を減算して得られる値を前記基本寿命で除した結果を前記劣化係数とする、
    　ことを特徴とする請求項４に記載の寿命予測装置。
  6. 　前記装置状態情報が、指定した動作条件に従って前記対象物の動作のシミュレーションを実施する動作推定部が出力する情報に基づいて生成される、
    　ことを特徴とする請求項１から５のいずれか一つに記載の寿命予測装置。
  7. 　前記装置状態情報を外部に通知するように出力する、
    　ことを特徴とする請求項１から６のいずれか一つに記載の寿命予測装置。
  8. 　前記寿命予測部による寿命の予測結果である前記予測装置寿命が予め定められた目標装置寿命よりも短い場合に、前記装置ストレス推論部が推論する前記装置ストレスが減少するよう前記装置状態情報を変更する動作条件変更部、
    　を備えることを特徴とする請求項１から７のいずれか一つに記載の寿命予測装置。
  9. 　前記動作条件変更部が前記装置状態情報を変更した場合、
    　前記動作条件変更部による前記装置状態情報の変更内容と、変更後の前記装置状態情報に対応する条件で前記対象物が動作した場合の前記対象物の変更予測装置寿命の予測結果と、を外部に通知するように出力する、
    　ことを特徴とする請求項８に記載の寿命予測装置。
  10. 　前記動作条件変更部が前記装置状態情報を変更した場合、変更後の前記装置状態情報を前記対象物に出力し、変更後の前記装置状態情報が示す条件で前記対象物を動作させる、
    　ことを特徴とする請求項８に記載の寿命予測装置。
  11. 　前記対象物の前記寿命消費量をオフライン推定により求める寿命消費量推定部、
    　を備え、
    　前記対象物が稼働中は前記寿命消費量推論部が求めた寿命消費量を使用して前記寿命予測部が前記予測装置寿命を予測し、
    　前記対象物が停止中は前記寿命消費量推定部が求めた寿命消費量を使用して前記寿命予測部が前記予測装置寿命を予測する、
    　ことを特徴とする請求項１から１０のいずれか一つに記載の寿命予測装置。
  12. 　前記装置状態情報は、電動機制御装置の周囲温度、前記電動機制御装置の電源電圧、前記電動機制御装置の電源周波数、前記電動機制御装置の母線電圧、前記電動機制御装置の母線電流、前記電動機制御装置が制御する電動機の電動機電流、前記電動機制御装置が電動機の制御に用いるキャリア周波数、前記電動機制御装置の冷却状態、前記電動機制御装置が制御する電動機の回転数、前記電動機制御装置が制御する電動機に接続された機械の移動速度、前記電動機制御装置が制御する電動機に接続された機械の摩擦量、前記電動機制御装置が制御する電動機に接続された機械の負荷イナーシャ、前記電動機制御装置が制御する電動機に接続された機械の軸方向荷重、前記電動機制御装置が制御する電動機に接続された機械の振動、前記電動機制御装置の設置場所の標高、前記電動機制御装置の設置場所の湿度、前記電動機制御装置の稼働時間、および、前記電動機制御装置を用いて行う加工の加工条件、のうちの少なくとも一つを含む、
    　ことを特徴とする請求項１から１１のいずれか一つに記載の寿命予測装置。
  13. 　前記装置ストレスを電動機制御装置に接続されるまたは内蔵されるコンデンサの温度とする、
    　ことを特徴とする請求項１から１２のいずれか一つに記載の寿命予測装置。
  14. 　前記装置ストレスを電動機制御装置に内蔵されるスイッチング素子の温度とする、
    　ことを特徴とする請求項１から１２のいずれか一つに記載の寿命予測装置。
  15. 　前記装置ストレスを電動機制御装置に制御される電動機のコイルの温度とする、
    　ことを特徴とする請求項１から１２のいずれか一つに記載の寿命予測装置。
  16. 　前記装置ストレスを電動機制御装置に制御される電動機に接続された機械の軸方向荷重とする、
    　ことを特徴とする請求項１から１２のいずれか一つに記載の寿命予測装置。
  17. 　請求項１から１６のいずれか一つに記載の寿命予測装置と、
    　前記対象物を含む電動機システムと、
    　を備えることを特徴とする寿命予測システム。
  18. 　産業用機械を構成する装置または部品である対象物の使用状態に関する情報である装置状態情報と、前記対象物の寿命予測に用いる装置ストレスとを取得するデータ取得部と、
    　前記装置状態情報および前記装置ストレスに基づいて作成される学習用データを用いて、前記装置状態情報から前記装置ストレスを推論するための学習済モデルを生成するモデル生成部と、
    　を備えることを特徴とする学習装置。
  19. 　産業用機械を構成する装置または部品である対象物の使用状態に関する情報である装置状態情報を取得するデータ取得部と、
    　前記装置状態情報から前記対象物の寿命予測に用いる装置ストレスを推論するための学習済モデルを用いて、前記データ取得部が取得した前記装置状態情報から前記装置ストレスを推論する推論部と、
    　を備えることを特徴とする推論装置。
  20. 　産業用機械を構成する装置または部品である対象物の寿命予測に用いる装置ストレスと、定められた周期あたりに消費した前記対象物の寿命である寿命消費量とを取得するデータ取得部と、
    　前記装置ストレスおよび前記寿命消費量に基づいて作成される学習用データを用いて、前記装置ストレスから前記寿命消費量を推論するための学習済モデルを生成するモデル生成部と、
    　を備えることを特徴とする学習装置。
  21. 　前記データ取得部は、前記装置ストレスおよび前記寿命消費量に加えて、前記対象物の基本寿命および当該基本寿命から消費した寿命である消費寿命に基づいて算出された劣化係数を取得し、
    　前記モデル生成部は、前記装置ストレスおよび前記劣化係数から前記寿命消費量を推論するための学習済モデルを生成する、
    　ことを特徴とする請求項２０に記載の学習装置。
  22. 　産業用機械を構成する装置または部品である対象物の装置ストレスを取得するデータ取得部と、
    　前記装置ストレスから定められた周期あたりに消費した前記対象物の寿命である寿命消費量を推論するための学習済モデルを用いて、前記データ取得部が取得した前記装置ストレスから前記寿命消費量を推論する推論部と、
    　を備えることを特徴とする推論装置。
  23. 　前記データ取得部は、前記装置ストレスに加えて、前記対象物の基本寿命および当該基本寿命から消費した寿命である消費寿命に基づいて算出された劣化係数を取得し、
    　前記推論部は、
    　前記装置ストレスおよび前記劣化係数から前記寿命消費量を推論するための前記学習済モデルを用いて、前記データ取得部が取得した前記装置ストレスおよび前記劣化係数から前記寿命消費量を推論する、
    　ことを特徴とする請求項２２に記載の推論装置。
  24. 　産業用機械を構成する装置または部品である対象物の基本寿命および当該基本寿命から消費した寿命である消費寿命を寿命データとして保持する第１ステップと、
    　前記対象物の使用状態に関する情報である装置状態情報に基づいて装置ストレスを推論する第２ステップと、
    　前記装置ストレスに基づいて、定められた周期あたりに消費した前記対象物の寿命である寿命消費量を推論する第３ステップと、
    　前記第１ステップで保持した前記寿命データおよび前記寿命消費量に基づいて前記対象物の寿命を予測する第４ステップと、
    　をコンピュータに実行させることを特徴とする寿命予測プログラム。
PCT/JP2021/044155 2021-12-01 2021-12-01 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム Ceased WO2023100300A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180098747.3A CN117441291B (zh) 2021-12-01 2021-12-01 寿命预测装置、寿命预测系统、学习装置、推断装置及计算机程序产品
JP2022522394A JP7090832B1 (ja) 2021-12-01 2021-12-01 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム
DE112021007632.9T DE112021007632T5 (de) 2021-12-01 2021-12-01 Lebensdauervorhersagevorrichtung, Lebensdauervorhersagesystem, Lernvorrichtung, Inferenzvorrichtung und Lebensdauervorhersageprogramm
PCT/JP2021/044155 WO2023100300A1 (ja) 2021-12-01 2021-12-01 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/044155 WO2023100300A1 (ja) 2021-12-01 2021-12-01 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム

Publications (1)

Publication Number Publication Date
WO2023100300A1 true WO2023100300A1 (ja) 2023-06-08

Family

ID=82155954

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/044155 Ceased WO2023100300A1 (ja) 2021-12-01 2021-12-01 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム

Country Status (4)

Country Link
JP (1) JP7090832B1 (ja)
CN (1) CN117441291B (ja)
DE (1) DE112021007632T5 (ja)
WO (1) WO2023100300A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7757890B2 (ja) * 2022-07-12 2025-10-22 株式会社デンソー モータ駆動装置、および車載システム
KR102826212B1 (ko) * 2022-09-13 2025-06-27 주식회사 레오이노비젼 분류 및 다중 회귀 하이브리드 기계학습 알고리즘을 활용한 부품 단종시점 예측 방법
WO2024127670A1 (ja) * 2022-12-16 2024-06-20 三菱電機株式会社 推論装置および推論方法
WO2024127671A1 (ja) * 2022-12-16 2024-06-20 三菱電機株式会社 推論装置および推論方法
WO2024127672A1 (ja) * 2022-12-16 2024-06-20 三菱電機株式会社 推論装置および推論方法
WO2025154141A1 (ja) * 2024-01-15 2025-07-24 三菱電機株式会社 制御装置、電気機器、制御方法、制御プログラム、および制御システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003090868A (ja) * 2001-09-19 2003-03-28 Konica Corp 寿命推定装置及び寿命推定方法
JP2017046540A (ja) * 2015-08-28 2017-03-02 ファナック株式会社 電動機の予測寿命を学習する機械学習装置および方法ならびに該機械学習装置を備えた寿命予測装置および電動機システム
JP2020034473A (ja) * 2018-08-31 2020-03-05 ファナック株式会社 ファンモータの寿命予測方法およびファンモータの寿命予測装置
JP2020038313A (ja) * 2018-09-05 2020-03-12 コニカミノルタ株式会社 画像形成装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3721853B2 (ja) * 1999-05-26 2005-11-30 日産自動車株式会社 組電池の寿命及び残容量判定装置
DE102015001050A1 (de) * 2015-01-29 2016-08-04 Man Truck & Bus Ag Verfahren und Vorrichtung zur Steuerung und/oder Regelung mindestens eines einen Alterungszustand eines elektrischen Energiespeichers beeinflussenden Betriebsparameters des elektrischen Energiespeichers
JP7014121B2 (ja) 2018-10-03 2022-02-01 オムロン株式会社 電源システム、電源装置の動作状態表示法、およびプログラム
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003090868A (ja) * 2001-09-19 2003-03-28 Konica Corp 寿命推定装置及び寿命推定方法
JP2017046540A (ja) * 2015-08-28 2017-03-02 ファナック株式会社 電動機の予測寿命を学習する機械学習装置および方法ならびに該機械学習装置を備えた寿命予測装置および電動機システム
JP2020034473A (ja) * 2018-08-31 2020-03-05 ファナック株式会社 ファンモータの寿命予測方法およびファンモータの寿命予測装置
JP2020038313A (ja) * 2018-09-05 2020-03-12 コニカミノルタ株式会社 画像形成装置

Also Published As

Publication number Publication date
JP7090832B1 (ja) 2022-06-24
CN117441291B (zh) 2024-10-01
DE112021007632T5 (de) 2024-02-29
JPWO2023100300A1 (ja) 2023-06-08
CN117441291A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
JP7090832B1 (ja) 寿命予測装置、寿命予測システム、学習装置、推論装置および寿命予測プログラム
CN106485343B (zh) 机械学习装置及方法、寿命预测装置及电动机系统
JP6243385B2 (ja) モータ電流制御における補正値を学習する機械学習装置および方法ならびに該機械学習装置を備えた補正値計算装置およびモータ駆動装置
CN107491038B (zh) 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法
JP6010204B1 (ja) パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置
JPWO2023100300A5 (ja)
JP5375948B2 (ja) 冷却装置を有する電子装置および冷却プログラム
CN114256832A (zh) 配电网电压的区域协调控制方法、装置与电子设备
JP2019528032A (ja) バッテリ管理システム
KR101515743B1 (ko) 설비기기의 디맨드 제어 장치
US20230229220A1 (en) Systems and Methods for Predicting Power Converter Health
JP5241765B2 (ja) 電力管理システム及びプログラム
CN113544959B (zh) 具有人工智能的中压变频驱动器
JP7577476B2 (ja) ロボットシステムおよび回生抵抗の寿命予測方法
AU2022204337B2 (en) Run-time reliability reporting for electrical hardware systems
WO2018122635A1 (en) Method and system for regulating temperature of data center
CN113530762A (zh) 状态监视装置以及状态监视方法
CN118301911A (zh) 数据中心的空调控制方法及电子设备、存储介质
US20180056428A1 (en) Dynamic Power Limitation
JP7119885B2 (ja) 異常検知装置、異常検知方法、およびプログラム
JP6974131B2 (ja) 推定装置および方法
JP7615547B2 (ja) 情報処理装置、情報処理システム、プログラム
EP4252084B1 (en) Controller and method for controlling performance of a system
Vyas et al. Parameter Estimation of DC-DC Buck Converter Using Particle Swarm Optimization Algorithm
WO2025069608A1 (ja) 診断方法、診断処理装置、端末、診断システム

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2022522394

Country of ref document: JP

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

Ref document number: 21966383

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180098747.3

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 112021007632

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21966383

Country of ref document: EP

Kind code of ref document: A1