WO2023181717A1

WO2023181717A1 - 推論装置、推論方法、および学習装置

Info

Publication number: WO2023181717A1
Application number: PCT/JP2023/005247
Authority: WO
Inventors: 浩二矢部; 勇二廣澤
Original assignee: 三菱電機株式会社
Priority date: 2022-03-22
Filing date: 2023-02-15
Publication date: 2023-09-28

Abstract

冷媒を圧縮する圧縮機（６）の特性に関する特性データを推論する推論装置（１０）は、特性データと相関のある入力データを取得するデータ取得部（１１１）と、入力データに基づき特性データを推論するための学習済モデル（２０）を用いて、データ取得部（１１１）によって取得された入力データに基づき特性データを推論する推論部（１１３）とを備える。

Description

推論装置、推論方法、および学習装置

　本開示は、冷媒を圧縮する圧縮機の特性に関する特性データを推論する推論装置、推論方法、および学習装置に関する。

　従来、冷媒を圧縮する圧縮機が知られている。たとえば、特開２００９－２０９７７４号公報（特許文献１）には、シリンダと、シリンダの内周面に沿って回転するローリングピストンとを備え、シリンダ内でローリングピストンが回転することによって冷媒を圧縮する圧縮機が開示されている。

特開２００９－２０９７７４号公報

　特開２００９－２０９７７４号公報（特許文献１）に開示された圧縮機によれば、ローリングピストンとシリンダとの隙間の寸法を押しのけ容積の０．３％～０．４％にすることによって、圧縮機の性能が低下することを防止することができる。しかしながら、押しのけ容積の０．３％～０．４％という値は、実験により導き出された値に過ぎないため、ローリングピストンとシリンダとの隙間の寸法を押しのけ容積の０．３％～０．４％にしたとしても、実際に製造された圧縮機の性能が必ずしも良好であるとは限らない。

　圧縮機の性能などの特性を確認するためには、実際に圧縮機の特性を検査すればよいが、圧縮機の特性を検査する度に検査装置における圧力条件を安定させる必要があり、製造工程において圧縮機の特性を全数検査しようとすると、多大な時間を要する。このため、通常は抜き取り検査によって圧縮機の特性検査が行われている。しかしながら、圧縮機を構成する複数の部品には、個体ばらつきがあるため、複数の部品が組み合わされた圧縮機の特性は、圧縮機ごとにばらついている。また、組立前の各部品の寸法などが許容範囲内であったとしても、複数の部品が組み合わされると、複数の部品が相互に影響し合うため、許容範囲外の隙間などが生じて特性の低下に影響を与えることもある。このため、抜き取り検査では、製造された全ての圧縮機の特性が許容範囲内であることを保証することは難しい。さらに、圧縮機を製造するための製造装置、または製造現場の環境に依存して、圧縮機の特性がばらつくこともあり得る。

　本開示は、上記課題を解決するためになされたものであって、圧縮機の特性を容易に確認する技術を提供することを目的とする。

　本開示に係る推論装置は、冷媒を圧縮する圧縮機の特性に関する特性データを推論する推論装置である。推論装置は、特性データと相関のある入力データを取得するデータ取得部と、入力データに基づき特性データを推論するための学習済モデルを用いて、データ取得部によって取得された入力データに基づき特性データを推論する推論部とを備える。

　本開示に係る推論方法は、冷媒を圧縮する圧縮機の特性に関する特性データをコンピュータによって推論する推論方法である。推論方法は、コンピュータが実行する処理として、特性データと相関のある入力データを取得するステップと、入力データに基づき特性データを推論するための学習済モデルを用いて、取得するステップによって取得された入力データに基づき特性データを推論するステップとを含む。

　本開示に係る学習装置は、教師あり学習を行うための学習装置である。学習装置は、冷媒を圧縮する圧縮機の特性に関する特性データと相関のある入力データと、特性データとを含む学習用データを取得するデータ取得部と、学習用データを用いて、入力データに基づき特性データ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。

　本開示に係る学習装置は、教師なし学習を行うための学習装置である。学習装置は、冷媒を圧縮する圧縮機の特性に関する特性データと相関のある入力データを含む学習用データを取得するデータ取得部と、学習用データを用いて、入力データに基づき特性データ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。

　本開示によれば、学習済モデルを用いて、圧縮機の特性に関する特性データと相関のある入力データに基づき圧縮機の特性を推論することができるため、圧縮機の特性をユーザに容易に確認させることができる。

実施の形態１に係る圧縮機の構成を示す図である。電動機の断面を示す図である。圧縮機構部の断面を示す図である。実施の形態１に係る推論装置の構成を示す図である。教師あり学習の概要を説明するための図である。実施の形態１に係る推論装置における教師あり学習の入力および出力を説明するための図である。学習フェーズにおける学習装置の構成を示す図である。ニューラルネットワークの構成を示す図である。学習装置（制御部）が学習フェーズにおいて実行する処理に関するフローチャートである。活用フェーズにおける推論装置の構成を示す図である。推論装置（制御部）が活用フェーズにおいて実行する処理に関するフローチャートである。実施の形態２に係る推論装置における教師あり学習の入力および出力を説明するための図である。実施の形態３に係る推論装置における教師あり学習の入力および出力を説明するための図である。実施の形態３に係る推論装置における圧縮機の製造方法に関するフローチャートである。

　以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。以下では、複数の実施の形態について説明するが、各実施の形態で説明された構成を適宜組み合わせることは出願当初から予定されている。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。

　実施の形態１．
　［圧縮機の構成］
　図１～図３を参照しながら、実施の形態１に係る圧縮機６を説明する。圧縮機６は、冷媒回路を冷媒が循環することによって室内などの空調対象を冷房または暖房する空気調和機に用いられ得る。なお、圧縮機６は、冷媒が循環することによってショーケースまたはユニットクーラーなどの冷却対象を冷却する冷凍装置に用いられてもよい。

　図１は、実施の形態１に係る圧縮機６の構成を示す図である。なお、図１においては、圧縮機６を正しく設置した場合において、圧縮機６の横方向をＸ軸方向、圧縮機６の上下方向をＹ軸方向、Ｘ軸およびＹ軸に直交する方向をＺ軸方向と定義する。図１においては、Ｘ－Ｙ平面に沿って圧縮機６を切断した場合の圧縮機６の縦断面が示されている。

　圧縮機６は、ロータリ圧縮機であり、シェル（ハウジング）６０と、冷媒（たとえば、冷媒ガス）を圧縮させるための圧縮機構部６２と、圧縮機構部６２に冷媒を圧縮させるための動力を供給する電動機６１と、シャフト６１３と、電動機６１に電力を供給するためのガラス端子６７と、シェル６０内に冷媒を吸入するアキュムレータ６３と、圧縮機構部６２によって圧縮された冷媒をシェル６０の内部から吐出する吐出管６６とを備える。

　シェル６０は、電動機６１、圧縮機構部６２、およびシャフト６１３を収容する。電動機６１は、圧入または焼き嵌めによってシェル６０内に固定されている。なお、電動機６１は、溶接によって後述する固定子６１１がシェル６０に直接的に取り付けられてもよい。シェル６０内においては、電動機６１の下側に圧縮機構部６２が配置されている。シェル６０の底部には、後述するローリングピストン６２２などの摺動部を潤滑するための冷凍機油が貯留されている。圧縮機構部６２は、シャフト６１３を介して電動機６１に接続されている。

　アキュムレータ６３は、アキュムレータ６３の内部に冷媒が吸入される吸入管６４と、圧縮機構部６２に冷媒を供給する供給管６５とを有する。

　上述した圧縮機６は、複数の部品が蝋を用いた溶接などによって接合されることで組み立てられている。たとえば、シェル６０は、圧縮機６の上面側に配置されるシェル部品６０Ａと圧縮機６の側面側に配置されるシェル部品６０Ｃとが溶接部分Ｗ１で溶接され、圧縮機６の下面側に配置されるシェル部品６０Ｂとシェル部品６０Ｃとが溶接部分Ｗ２で溶接されることによって、構成される。シェル６０とアキュムレータ６３とは、溶接部分Ｗ３で溶接される。シェル６０と供給管６５とは、溶接部分Ｗ４で溶接される。シェル６０と吐出管６６とは、溶接部分Ｗ５で溶接される。

　図２は、電動機６１の横断面を示す図である。図２においては、図１に示すＡ－Ａ’線においてＸ－Ｚ平面に沿って電動機６１を切断した場合の電動機６１の横断面が示されている。図２に示すように、電動機６１は、固定子６１１と、固定子６１１に巻き付けられた巻線６１５と、固定子６１１の内側に配置された回転子６１２とを備える。電動機６１は、たとえば、回転子６１２に永久磁石が設けられたＰＭ（Permanent Magnet）モータである。

　固定子６１１は、鉄心またはコイルなどで形成され、円形または略円形の断面を有する固定子コア６１０を備える。固定子コア６１０の中央部には、回転子６１２を配置するための円形断面を有する中央穴部６１９が形成されている。回転子６１２は、固定子コア６１０に形成された中央穴部６１９において、Ｘ－Ｚ平面に沿った方向に回転可能である。

　さらに、固定子コア６１０には、周方向に沿って複数のスロット６１４が形成されている。複数のスロット６１４の各々には、巻線６１５が取り付けられている。巻線６１５には、ガラス端子６７を介して電力が供給される。なお、巻線６１５は、分布巻き方式および集中巻き方式など、周知の巻き方で固定子コア６１０に取り付けられればよく、巻線６１５の取り付け方は特に限定されない。

　回転子６１２は、円形または略円形の断面を有する。回転子６１２の外径は、固定子６１１の内径よりも小さい。これにより、回転子６１２は、固定子６１１に接触することなく固定子コア６１０の中央穴部６１９に収まるように固定子６１１の内側に配置される。回転子６１２の中央部には、Ｙ軸方向に沿ってシャフト６１３を通すための円形断面を有するシャフト穴部６１６が形成されている。また、回転子６１２には、シャフト穴部６１６を取り囲むように複数の風穴部６１７が形成されている。複数の風穴部６１７の外側には複数の永久磁石６１８が設けられている。なお、電動機６１は、永久磁石６１８が回転子６１２の内部に埋め込まれたＩＰＭ（Interior Permanent Magnet）モータに限らず、永久磁石６１８が回転子６１２の外周面に貼り付けられたＳＰＭ（Surface Permanent Magnet）モータであってもよい。

　図３は、圧縮機構部６２の断面を示す図である。図３においては、図１に示すＢ－Ｂ’線においてＸ－Ｚ平面に沿って圧縮機構部６２を切断した場合の圧縮機構部６２の横断面が示されている。図３に示すように、圧縮機構部６２は、シリンダ６２１と、シリンダ６２１の内側に配置されたローリングピストン６２２とを備える。

　シリンダ６２１は、円形または略円形の断面を有する。シリンダ６２１の中央部には、ローリングピストン６２２を配置するとともに冷媒を圧縮するための円形断面を有する圧縮室６３０が形成されている。ローリングピストン６２２は、シリンダ６２１に形成された圧縮室６３０において、Ｘ－Ｚ平面に沿った方向に回転可能である。

　さらに、シリンダ６２１には、背圧室６２８およびベーン溝６２４が形成されている。ベーン溝６２４は、圧縮室６３０と背圧室６２８とを接続する。ベーン溝６２４には、長尺上のベーン６２５が設けられている。図３の例では、ベーン６２５は、ベーン溝６２４に沿ってＺ軸方向に摺動可能である。

　ローリングピストン６２２は、円形または略円形の断面を有する。ローリングピストン６２２は、円形または略円形の断面を有する偏心軸部６２６の外周に取り付けられている。偏心軸部６２６には、ローリングピストン６２２および偏心軸部６２６の中心から外れた位置において、Ｙ軸方向に沿ってシャフト６１３を通すための円形断面を有するシャフト穴部６２７が形成されている。すなわち、ローリングピストン６２２および偏心軸部６２６には、Ｙ軸方向に沿ってシャフト６１３が挿入されている。

　ベーン６２５の先端は、ローリングピストン６２２の外周面の一部に理想的には接しており、シリンダ６２１の内周面とローリングピストン６２２の外周面とで形成される圧縮室６３０を吸入側と圧縮側とに分ける。

　ローリングピストン６２２は、シャフト６１３の回転に従ってＸ－Ｚ平面に沿った方向に回転する。但し、ローリングピストン６２２の中心から外れた位置にシャフト６１３が挿入されているため、ローリングピストン６２２の中心から外れた位置を軸として、ローリングピストン６２２がシリンダ６２１の内周面に沿って偏心回転する。ローリングピストン６２２がシリンダ６２１内で偏心回転すると、ローリングピストン６２２の外周面の一部がシリンダ６２１の内周面の一部に理想的には密着する。

　図１に示すように、圧縮機構部６２は、上部フレーム６２３Ａと、下部フレーム６２３Ｂと、上部マフラ６２４Ａと、下部マフラ６２４Ｂとをさらに備える。

　上部フレーム６２３Ａおよび下部フレーム６２３Ｂは、上下方向（Ｙ軸方向）から挟み込むように圧縮機構部６２のシリンダ６２１およびローリングピストン６２２を支持する。上部フレーム６２３Ａは、シリンダ６２１およびローリングピストン６２２の上部に理想的には密着することによって、シリンダ６２１およびローリングピストン６２２を支持する。下部フレーム６２３Ｂは、シリンダ６２１およびローリングピストン６２２の下部に理想的には密着することによって、シリンダ６２１およびローリングピストン６２２を支持する。

　また、上部フレーム６２３Ａおよび下部フレーム６２３Ｂは、Ｙ軸方向に沿ってシャフト６１３を挿入することが可能であり、図示しない軸受けによって、シャフト６１３をＸ－Ｚ平面に沿った方向に回転可能に支持する。上部フレーム６２３Ａには、長尺上のシャフト６１３の一部を構成する上側シャフト部６１３Ａが挿入され、シャフト６１３は、上側シャフト部６１３Ａにおいて上部フレーム６２３Ａによって回転可能に支持される。下部フレーム６２３Ｂには、長尺上のシャフト６１３の一部を構成する下側シャフト部６１３Ｂが挿入され、シャフト６１３は、下側シャフト部６１３Ｂにおいて下部フレーム６２３Ｂによって回転可能に支持される。

　電動機６１、圧縮機構部６２、およびシャフト６１３の各々が、シェル６０内で正確な位置で組み合わされ、かつ各部品の寸法が正確であった場合、理想的には、Ｙ軸方向に沿った各部品の中心軸が一致する。たとえば、図１に示すように、上部フレーム６２３Ａの中心軸と下部フレーム６２３Ｂの中心軸とが一致する。また、シェル６０の中心軸とシャフト６１３の中心軸とが一致する。

　［圧縮機の動作］
　上述のように構成された圧縮機６においては、ガラス端子６７から供給された電力によって固定子６１１の巻線６１５に電流が流れると、固定子６１１に回転磁界が発生する。固定子６１１に発生した回転磁界に永久磁石６１８が吸い寄せられるように回転磁界に作用して、回転子６１２が回転する。回転子６１２の回転に従って、回転子６１２に挿入されたシャフト６１３が回転する。そして、シャフト６１３の回転力がローリングピストン６２２に伝わることによって、ローリングピストン６２２がシリンダ６２１の内周面に沿って偏心回転する。

　アキュムレータ６３によって吸入された冷媒は、供給管６５を介して圧縮機構部６２の圧縮室６３０に供給される。圧縮室６３０においては、ローリングピストン６２２が回転することによって冷媒が圧縮される。図３に示すように、圧縮室６３０は、吸入された冷媒が存在する吸入側の領域と、圧縮された冷媒（以下、「圧縮冷媒」とも称する。）が存在する圧縮側の領域とを含む。これら吸入側および圧縮側の領域は、ローリングピストン６２２の外周面がシリンダ６２１の内周面およびベーン６２５の先端の各々と接することによって作られる。圧縮冷媒は、圧縮側の領域から排出されて、上部マフラ６２４Ａを通ってシェル６０内を上昇する。圧縮冷媒には、冷凍機油が混入されている。

　圧縮冷媒および冷凍機油の混合物は、回転子６１２に形成された風穴部６１７を通過する際に圧縮冷媒と冷凍機油とに分離される。これにより、冷凍機油が吐出管６６に流入することを防止することができる。冷凍機油と分離した圧縮冷媒は、吐出管６６を通って冷媒が循環する冷媒回路の高圧側へと供給される。

　［圧縮機の個体ばらつきと圧縮機の特性との相関関係］
　圧縮機６の特性は、圧縮機６の性能を含む。圧縮機６の性能は、圧縮機６の入力電力（ガラス端子６７から供給される入力電力）と冷凍能力とから算出される成績係数（ＣＯＰ：Coefficient of Performance）によって表される。成績係数（ＣＯＰ）とは、単位電力（たとえば、１ｋＷ）当たりの冷凍能力を示す圧縮機６の特性データである。

　圧縮機６の性能を低下させる要因としては、圧縮機構部６２の各部品における固体ばらつきが挙げられる。特に、圧縮機構部６２において圧縮機６の性能に影響を与える主な要因としては、ローリングピストン６２２と上部フレーム６２３Ａとの隙間（図１のＧ１）の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間（図１のＧ２）の寸法、ローリングピストン６２２の外周面とシリンダ６２１の内周面との隙間（図３のＧ３）の寸法、ベーン６２５の先端部とローリングピストン６２２の外周面との隙間（図３のＧ４）の寸法、ベーン６２５の摺動方向における側面とシリンダ６２１のベーン溝６２４との隙間（図３のＧ５）の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間（図示は省略する。）の寸法、およびベーン６２５と下部フレーム６２３Ｂとの隙間（図示は省略する。）の寸法が挙げられる。上述した圧縮機構部６２の各部品における隙間が大きいと、その隙間から漏れる冷媒の量が大きくなり、圧縮能力が低下する。さらに、ローリングピストン６２２の内径が基準よりも大きい場合は、電動機６１の力が圧縮機構部６２に伝わりきらず、圧縮能力が低下するおそれがあり、ローリングピストン６２２の内径が基準よりも小さい場合は、ローリングピストン６２２とシャフト６１３とが接触するおそれがある。

　上述した圧縮機構部６２の各部品における隙間が大きいと、その隙間から漏れる冷媒の量が大きくなり、冷凍能力が低下する。圧縮機６の成績係数は、単位電力当たりの冷凍能力であるため、冷凍能力が低下すると、成績係数が小さくなる。すなわち、各部品の隙間が大きいと、圧縮機６の性能が低下する。特に、圧縮機６の性能に影響を与える主な要因としては、シェル６０における溶接部分Ｗ１および溶接部分Ｗ２、シェル６０とアキュムレータ６３との溶接部分Ｗ３、シェル６０と供給管６５との溶接部分Ｗ４、およびシェル６０と吐出管６６との溶接部分Ｗ５の各々における溶接度合が挙げられる。各溶接部分における溶接強度が小さいと、複数の部品の接合部分に隙間が生じて、冷媒が漏れるおそれがある。

　圧縮機６の性能が低下することを防止するためには、圧縮機構部６２における密閉性が重要である。このため、上述した圧縮機構部６２の各部品は、組立前から精度よく機械加工および表面処理が施されている。しかしながら、各部品の寸法には必ず個体ばらつきがあるため、各部品の個体ばらつきに起因して隙間が発生することがあり得る。圧縮機６の製造時においては、これらの各部品の寸法が予め決められた許容範囲内であるか否かを検査するようになっており、寸法が許容範囲内であると認められた部品を用いて圧縮機６が製造される。

　圧縮機構部６２の各部品が組み合わさることによって圧縮機６が製造され、各部品の寸法が圧縮機６の性能に影響していることは定性的には把握することができる。しかしながら、圧縮機構部６２の各部品の寸法が許容範囲内であったとしても、組み立てられた圧縮機６における各隙間の寸法が許容範囲内であるとは限らない。

　たとえば、許容範囲の下限値に近い寸法を有する部品（たとえば、ローリングピストン６２２の外径）と、許容範囲の上限値に近い寸法を有する部品（たとえば、シリンダ６２１の内径）とが組み合わさると、それらの部品の隙間は大きくなり、隙間の寸法が許容範囲を超えるおそれがある。また、許容範囲の上限値に近い寸法を有する部品（たとえば、ローリングピストン６２２の外径）と、許容範囲の下限値に近い寸法を有する部品（たとえば、シリンダ６２１の内径）とが組み合わさると、それらの部品の隙間は小さくなり、隙間の寸法が許容範囲未満になるおそれがある。

　さらに、圧縮機構部６２の各部品が組み合わさることによって複数の隙間が生じ、これらの複数の隙間が互いに影響し合うこともある。このため、２つの部品間の隙間をある程度把握できたとしても、圧縮機構部６２の各部品が組み合わさった後の各隙間を把握することはできず、結局は圧縮機６を製造した後でなければ、圧縮機６全体としての性能を確認することは難しい。

　また、圧縮機６の性能を低下させるもう１つの要因としては、電動機６１の各部品における固体ばらつきが挙げられる。特に、電動機６１において圧縮機６の性能に影響を与える主な要因としては、巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値が挙げられる。巻線６１５に鎖交する回転子６１２の磁束量に起因して、電磁誘導の法則に基づいて誘起電圧が生じる。誘起電圧の大きさは、巻線６１５に鎖交する回転子６１２の磁束量の大きさに比例する。言い換えると、巻線６１５に鎖交する回転子６１２の磁束量は、誘起電圧に対応する。

　巻線６１５に鎖交する回転子６１２の磁束量は、主に回転子６１２に挿入された永久磁石６１８の磁束密度、永久磁石６１８の寸法、回転子６１２の外径寸法、および固定子６１１の内径寸法などによって変動し、これらがばらつくことによって圧縮機６の入力電力（ガラス端子６７から供給される入力電力）も変動し易くなる。一般的に、回転子６１２の磁束量が小さくなると、電動機６１の巻線６１５へ流れる電流も大きくなって銅損が大きくなり、電動機６１に供給される駆動電力が大きくなる。これにより、電動機６１の入力電力が変動する。さらに、電動機６１を制御するために、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量を示すデータが電動機６１の制御装置に予め入力される。しかしながら、予め入力される磁束量は、圧縮機６の個体ばらつきが反映されていない代表値である。したがって、制御装置に入力された磁束量の代表値から実際の磁束量の値が乖離しているほど、圧縮機６の入力も変動し易くなる。

　また、巻線６１５の抵抗値がばらつくことによっても、圧縮機６の入力電力がばらつく。圧縮機６の成績係数は、単位電力当たりの冷凍能力であるため、圧縮機６の入力電力が大きくなると、成績係数が小さくなる。すなわち、巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値に依存して、圧縮機６の性能が変動する。

　さらに、圧縮機構部６２の個体ばらつきと電動機６１の個体ばらつきとの間にも相互作用がある。たとえば、圧縮機構部６２における隙間から漏れる冷媒の量が大きいと、圧縮対象となる冷媒が少なくなるため、冷凍能力が小さくなるとともに、圧縮トルクが小さくなり、その結果、電動機６１において発生するトルクも小さくなる。電動機６１のトルクが小さいと、電動機６１の入力電力が小さくなるなどの影響がある。また、圧縮機構部６２において発生する隙間の箇所によっても電動機６１に与える影響も異なる。

　このように、圧縮機構部６２における各部品と電動機６１における各部品とが複雑に絡み合うことによって圧縮機の性能が決まるため、圧縮機構部６２における各部品と電動機６１における各部品とを組み合わせて圧縮機６を製造した後でなければ、圧縮機６全体としての性能を正確に確認することは難しい。

　圧縮機６の性能を確認するためには、製造後の圧縮機６を検査すればよいが、圧縮機６を検査する度に検査装置における圧力条件を安定させる必要があり、製造工程において圧縮機６の性能を全数検査しようとすると、多大な時間を要してしまう。このため、通常は抜き取り検査によって圧縮機６の性能検査が行われている。しかしながら、上述したように、圧縮機構部６２および電動機６１における各部品には、個体ばらつきがあるため、複数の部品を組み合わせた場合の圧縮機６の性能は、圧縮機６ごとにばらついている。すなわち、圧縮機構部６２および電動機６１における各部品の寸法および性能を単体で保証していたとしても、これらを組み合わせた場合の相乗効果までは把握することができず、抜き取り検査では、製造される圧縮機６の全数の性能を保証することは難しい。

　そこで、本開示は、ＡＩ（Artificial Intelligence）を利用して、圧縮機６の特性に関する特性データと相関のある入力データ（たとえば、圧縮機６の個体ばらつきを示す個体データ）に基づき、圧縮機６の特性データを推論する技術を提供する。

　［推論装置］
　図４は、実施の形態１に係る推論装置１０の構成を示す図である。図４に示すように、推論装置１０は、主な機能構成として、制御部１１と、記憶部１２と、入力部１３とを備える。

　制御部１１は、各種のプログラムを実行することで各種の処理を実行する演算主体であり、一例として、プロセッサなどのコンピュータが挙げられる。プロセッサは、たとえば、マイクロコントローラ（microcontroller)、ＣＰＵ（central processing unit）、またはＭＰＵ（Micro-processing unit）などで構成される。なお、プロセッサは、プログラムを実行することによって各種の処理を実行する機能を有するが、これらの機能の一部または全部を、ＡＳＩＣ（Application Specific Integrated Circuit）、ＧＰＵ（Graphics Processing Unit）、またはＦＰＧＡ（Field-Programmable Gate Array）などの専用のハードウェア回路を用いて実装してもよい。「プロセッサ」は、ＣＰＵまたはＭＰＵのようにストアードプログラム方式で処理を実行する狭義のプロセッサに限らず、ＡＳＩＣ、ＧＰＵ、またはＦＰＧＡなどのハードワイヤード回路を含み得る。このため、プロセッサは、コンピュータ読み取り可能なコードおよび／またはハードワイヤード回路によって予め処理が定義されている、処理回路（processing circuitry）と読み替えることもできる。なお、プロセッサは、１つのチップで構成されてもよいし、複数のチップで構成されてもよい。さらに、プロセッサおよび関連する処理回路は、ローカルエリアネットワークまたは無線ネットワークなどを介して、有線または無線で相互接続された複数のコンピュータで構成されてもよい。プロセッサおよび関連する処理回路は、入力データに基づきリモートで演算し、その演算結果を離れた位置にある他のデバイスへと出力するような、クラウドコンピュータで構成されてもよい。

　記憶部１２は、制御部１１が各種のプログラムを実行するにあたって、プログラムコードまたはワークメモリなどを一時的に格納する記憶領域を提供するメモリである。記憶部１２は、１または複数の非一時的コンピュータ可読媒体（non-transitory computer readable medium）であってもよい。記憶部１２の一例としては、ＤＲＡＭ（dynamic random access memory）およびＳＲＡＭ（static random access memory）などの揮発性メモリ、または、ＲＯＭ（Read Only Memory）およびフラッシュメモリなどの不揮発性メモリが挙げられる。さらに、記憶部１２は、制御部１１が各種のプログラムを実行するために必要な各種のデータを格納する記憶領域を提供する記憶装置であってもよい。記憶部１２は、１または複数のコンピュータ読み取り可能な記憶媒体（computer readable storage medium）であってもよい。記憶部１２の一例としては、ＳＳＤ（solid state drive）またはＨＤＤ（hard disk drive）などの記憶装置が挙げられる。

　入力部１３は、圧縮機の特性に関する特性データと相関のある入力データが入力されるインターフェースである。たとえば、入力部１３には、入力データとして、圧縮機構部６２および電動機６１に関する圧縮機６の個体ばらつきを示す個体データが入力される。

　制御部１１は、データ取得部１１１と、モデル生成部１１２と、推論部１１３と、提示部１１４とを備える。

　データ取得部１１１は、入力部１３から入力された入力データを取得する。たとえば、データ取得部１１１は、入力部１３を介して入力データとして圧縮機６の個体データを取得する。モデル生成部１１２は、入力データと、入力データに対応する正解データである圧縮機６の特性を示す特性データとをセットにした後述する学習用データ３０を用いて、入力データに基づき特性データを推論するための後述する学習済モデル２０を生成する。推論部１１３は、学習済モデル２０を用いて、入力データに基づき特性データを推論する。提示部１１４は、推論部１１３によって出力された特性データに基づき、個体ばらつきの調整方法をユーザに提示する。たとえば、提示部１１４は、圧縮機構部６２における最適な組み合わせ、圧縮機構部６２における各部品の寸法の調整方法、電動機６１における最適な巻線抵抗値、および巻線６１５に鎖交する回転子６１２の磁束量の調整方法などを画面に表示してユーザに提示する。

　［学習フェーズ］
　図５～図９を参照しながら、学習フェーズにおける推論装置１０の適用例を説明する。上述したように、推論装置１０は、圧縮機６の特性データと相関のある入力データと、入力データに対応する正解データである圧縮機６の特性データとをセットにした学習用データ３０を用いて、教師あり学習を行う。教師あり学習とは、要因と結果（ラベル）のデータセットを用いて、これらの学習用データ３０にある特徴を学習し、入力から結果を推論する手法である。

　図５は、教師あり学習の概要を説明するための図である。図５に示すように、学習フェーズにおいて、推論装置１０は、学習用プログラム４０を実行することで、入力１と入力２（正解）とを含む学習用データ３０に基づき、学習済モデル２０を生成（更新）する。

　活用フェーズにおいて、推論装置１０は、学習済モデル２０を用いて、入力１に基づき、出力を得る。

　図６は、実施の形態１に係る推論装置１０における教師あり学習の入力および出力を説明するための図である。図６に示すように、推論装置１０においては、入力１の入力データとして、圧縮機構部６２の個体データと、電動機６１の個体データとが用いられる。

　圧縮機構部６２の個体データは、ローリングピストン６２２の寸法、シリンダ６２１の寸法、ベーン６２５の寸法、上部フレーム６２３Ａの寸法、および下部フレーム６２３Ｂの寸法のうちの少なくとも１つを含む。ローリングピストン６２２の寸法は、たとえば、シリンダ６２１の内周面およびベーン６２５の先端部に接するローリングピストン６２２の外周面の寸法（外径）、およびローリングピストン６２２の高さ（図１のＹ方向の長さ）のうちの少なくとも１つを含む。シリンダ６２１の寸法は、たとえば、ローリングピストン６２２の外周面に接するシリンダ６２１の内周面の寸法（内径）、およびベーン６２５の摺動方向における側面に接するシリンダ６２１のベーン溝６２４の厚み（図３のＸ方向の長さ）のうちの少なくとも１つを含む。ベーン６２５の寸法は、たとえば、シリンダ６２１のベーン溝６２４に接するベーン６２５の摺動方向における側面の寸法（図３のＺ方向の長さ）、およびベーン６２５の摺動方向と直交する方向（図３のＸ方向）におけるベーン溝６２４の幅の寸法を含む。上部フレーム６２３Ａの寸法は、たとえば、上部フレーム６２３Ａの高さ（図１のＹ方向の長さ）を含む。下部フレーム６２３Ｂの寸法は、たとえば、下部フレーム６２３Ｂの高さ（図１のＹ方向の長さ）を含む。

　電動機６１の個体データは、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値のうちの少なくとも１つを含む。

　推論装置１０においては、正解データである入力２として、圧縮機６の特性データである成績係数が用いられる。すなわち、正解データである入力２としては、入力１の個体データを有する圧縮機構部６２および電動機６１を用いて組み立てられた圧縮機６の成績係数が用いられる。また、推論装置１０においては、出力として、圧縮機６の特性データである成績係数が得られる。

　上述した入力１の入力データは、圧縮機６を組み立てる前から取得することが可能である。なお、入力１としては、図６に示す全ての入力データが用いられてもよいし、図６に示す入力データのうちの少なくとも１つが用いられてもよい。たとえば、圧縮機構部６２の個体データのみが入力１の入力データに用いられてもよいし、電動機６１の個体データのみが入力１の入力データに用いてもよい。また、圧縮機構部６２の個体データのうち、ローリングピストン６２２の寸法、シリンダ６２１の寸法、ベーン６２５の寸法、上部フレーム６２３Ａの寸法、および下部フレーム６２３Ｂの寸法のうちの少なくとも１つが入力１の入力データに用いられてもよい。電動機６１の個体データのうち、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値のうちの少なくとも１つが入力１の入力データに用いられてもよい。

　さらに、図６に示す入力データのうち、圧縮機６の成績係数に影響を与え易いデータのみが入力１の入力データに用いられてもよい。このようにすれば、推論装置１０を効率よく学習させることができる。

　図７は、学習フェーズにおける学習装置１１０の構成を示す図である。学習装置１１０は、推論装置１０の制御部１１によって実現される。学習装置１１０は、学習用プログラム記憶部１２１および学習済モデル記憶部１２２の各々とデータの受け渡しが可能である。学習用プログラム記憶部１２１および学習済モデル記憶部１２２は、推論装置１０の記憶部１２によって実現される。

　図７に示すように、学習装置１１０は、データ取得部１１１と、モデル生成部１１２とを備える。学習装置１１０は、学習用プログラム記憶部１２１によって記憶された学習用プログラム４０を実行することで、入力１と入力２（正解）とを含む学習用データ３０に基づき、学習済モデル２０を生成する。

　データ取得部１１１は、入力１と入力２（正解）とを含む学習用データ３０を取得する。具体的には、データ取得部１１１は、入力１として、図６に示す圧縮機６の特性データと相関のある入力データを取得する。データ取得部１１１は、入力２（正解）として、圧縮機６の特性データである成績係数を取得する。

　モデル生成部１１２は、データ取得部１１１によって取得された入力１と入力２（正解）とを含む学習用データ３０を用いて、入力データに基づき圧縮機６の特性データを推論する学習済モデル２０を生成する。モデル生成部１１２は、生成した学習済モデル２０を学習済モデル記憶部１２２に記憶させる。

　図８は、ニューラルネットワークの構成を示す図である。モデル生成部１１２は、たとえば、ニューラルネットワークモデルに従って、教師あり学習によって学習済モデル２０を生成する。

　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）、およ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、または２層以上でもよい。

　図８においては、３層のニューラルネットワークが表されている。図８においては、入力が３個、出力が３個の構成が表されている。複数の入力が入力層Ｘ１，Ｘ２，Ｘ３に入力されると、その値に重みｗ１１～ｗ１６を掛けた値が中間層Ｙ１，Ｙ２に入力され、その結果にさらに重みｗ２１～ｗ２６を掛けた値が出力層Ｚ１，Ｚ２，Ｚ３から出力される。この出力結果は、重みｗ１１～ｗ１６，ｗ２１～ｗ２６の値によって変わる。

　ニューラルネットワークは、データ取得部１１１によって取得された入力１と入力２（正解）とを含む学習用データ３０に基づき、教師あり学習を行う。すなわち、ニューラルネットワークは、入力層に入力１を入力して出力層から出力された結果が、入力２（正解）に近づくように重みを調整することで学習する。

　モデル生成部１１２は、上述したような教師あり学習を行うことで、学習済モデル２０を生成する。

　図９は、学習装置１１０（推論装置１０）が学習フェーズにおいて実行する処理に関するフローチャートである。なお、図９においては、学習装置１１０に対応する推論装置１０が実行する処理が示されている。また、図９において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。

　図９に示すように、推論装置１０は、データ取得部１１１によって、入力１と入力２（正解）とを含む学習用データ３０を取得する（Ｓ１）。なお、推論装置１０は、入力１および入力２（正解）を同時に取得する場合に限らず、入力１および入力２（正解）を互いに異なるタイミングで取得してもよい。

　推論装置１０は、モデル生成部１１２によって、学習用データ３０に基づき、教師あり学習を行うことで、学習済モデル２０を生成する（Ｓ２）。推論装置１０は、生成した学習済モデル２０を、学習済モデル記憶部１２２に記憶し（Ｓ３）、本処理を終了する。

　［活用フェーズ］
　図１０および図１１を参照しながら、活用フェーズにおける推論装置１０の適用例を説明する。図１０は、活用フェーズにおける推論装置１０の構成を示す図である。推論装置１０は、学習済モデル記憶部１２２とデータの受け渡しが可能である。

　図１０に示すように、推論装置１０は、データ取得部１１１と、推論部１１３とを備える。推論装置１０は、学習済モデル２０を用いて、入力１に基づき出力を得る。

　データ取得部１１１は、入力１を取得する。具体的には、データ取得部１１１は、入力１として、図６に示す圧縮機６の特性データと相関のある入力データを取得する。

　推論部１１３は、学習済モデル２０を用いて、入力１に基づき出力として圧縮機６の特性データを得る。具体的には、推論部１１３は、学習済モデル記憶部１２２から、学習済モデル２０を読み出す。推論部１１３は、学習済モデル２０を用いて、データ取得部１１１によって取得された入力１である入力データに基づき、出力として圧縮機６の特性データを推論する。

　図１１は、推論装置１０（制御部１１）が活用フェーズにおいて実行する処理に関するフローチャートである。なお、図１１において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。

　図１１に示すように、推論装置１０は、データ取得部１１１によって、入力１を取得する（Ｓ１１）。推論装置１０は、取得した入力１を学習済モデル２０に入力する（Ｓ１２）。推論装置１０は、学習済モデル２０を用いて、入力１である圧縮機６の特性データと相関のある入力データに基づき、出力として圧縮機６の特性データを推論する（Ｓ１３）。これにより、推論装置１０は、学習済モデル２０を用いて、圧縮機６の特性データと相関のある入力データ（たとえば、圧縮機６の個体ばらつきを示す個体データ）に基づき、圧縮機６の特性データを得ることができる。

　推論装置１０は、学習済モデル２０を用いて推論した圧縮機６の成績係数が仕様の許容範囲内であるか否かを判定して判定結果を画面表示などでユーザに報知する判定処理を実行する（Ｓ１４）。

　推論装置１０は、推論した圧縮機６の成績係数が仕様の許容範囲外である場合は、圧縮機６の成績係数が仕様の許容範囲内となるための個体ばらつきの調整方法を、画面表示などによってユーザに提示する提示処理を実行する（Ｓ１５）。その後、推論装置１０は、本処理を終了する。

　以上のように、実施の形態１に係る推論装置１０は、学習済モデル２０を用いて、圧縮機構部６２および電動機６１に関する圧縮機６の個体ばらつきを示す個体データに基づき、圧縮機６の性能（成績係数）を示す特性データを推論することができる。これにより、圧縮機６の性能検査を行わなくとも、圧縮機６を組み立てる前から取得することが可能な個体データに基づき、圧縮機６の性能を確認することができ、圧縮機６の性能を容易に確認することができる。そして、複数の部品の組み合わせにより性能が劣っていることが確認される場合は、未だ圧縮機６の組立前であることから、部品を変更した上で、再度、学習済モデル２０を用いて圧縮機６の性能（成績係数）を推論し、推論された性能が仕様の許容範囲内であるか否かを確認することができる。またその際には、画面表示などによって性能が許容範囲内となり得る交換部品の寸法または寸法範囲などをユーザに提示したり、交換部品の数を最も少なくすることができるような部品交換の方法をユーザに提示したり、さらにその交換部品の寸法または寸法範囲などをユーザに提示したりすることも可能である。この際の部品の提案は、寸法が上下限に近い部品、または性能への影響が大きい部品の提案などを優先して行うことで、より効率的に部品の組み合わせを示すことができる。また、圧縮機６の性能が仕様の許容範囲内であった場合でも、許容範囲の上下限に近い場合は、当該圧縮機６を検査対象にすることで、許容範囲外となる性能を有する圧縮機６が流出することを防ぐことができ、不具合品が流出することを防止することができる。

　また、推論装置１０は、学習済モデル２０を用いて推論した圧縮機６の成績係数が予め決められた仕様の許容範囲内であるか否かを判定し、判定結果を出力するため、成績係数が仕様の許容範囲外である圧縮機６のみを性能検査の対象とすることができる。

　さらに、推論装置１０は、推論した圧縮機６の成績係数が仕様の許容範囲外である場合に、圧縮機６の成績係数が仕様の許容範囲内となるための個体ばらつきの調整方法を提示するため、圧縮機６の製造効率を向上させることができる。

　実施の形態２．
　図１２を参照しながら、実施の形態２に係る推論装置１０について説明する。なお、以下では、実施の形態２に係る推論装置１０について、実施の形態１に係る推論装置１０と異なる部分のみを説明する。

　図１２は、実施の形態２に係る推論装置１０における教師あり学習の入力および出力を説明するための図である。図１２に示すように、実施の形態２に係る推論装置１０においては、入力１の入力データとして、圧縮機構部６２の個体データと、電動機６１の個体データとが用いられる。

　圧縮機構部６２の個体データは、ローリングピストン６２２と上部フレーム６２３Ａとの隙間（図１のＧ１）の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間（図１のＧ２）の寸法、ローリングピストン６２２の外周面とシリンダ６２１の内周面との隙間（図３のＧ３）の寸法、ベーン６２５の先端部とローリングピストン６２２の外周面との隙間（図３のＧ４）の寸法、ベーン６２５の摺動方向における側面とシリンダ６２１のベーン溝６２４との隙間（図３のＧ５）の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間（図示は省略する。）の寸法、およびベーン６２５と下部フレーム６２３Ｂとの隙間（図示は省略する。）の寸法の少なくとも１つを含む。

　電動機６１の個体データは、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値の少なくとも１つを含む。

　推論装置１０においては、正解データである入力２として、圧縮機６の特性データである成績係数が用いられる。また、推論装置１０においては、出力として、圧縮機６の特性データである成績係数が得られる。

　上述した入力１の入力データは、圧縮機６を組み立てる前から取得することが可能である。なお、入力１としては、図１２に示す全ての入力データが用いられてもよいし、図１２に示す入力データのうちの少なくとも１つが用いられてもよい。たとえば、圧縮機構部６２の個体データのみが入力１の入力データに用いられてもよいし、電動機６１の個体データのみが入力１の入力データに用いてもよい。また、圧縮機構部６２の個体データのうち、ローリングピストン６２２と上部フレーム６２３Ａとの隙間（図１のＧ１）の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間（図１のＧ２）の寸法、ローリングピストン６２２の外周面とシリンダ６２１の内周面との隙間（図３のＧ３）の寸法、ベーン６２５の先端部とローリングピストン６２２の外周面との隙間（図３のＧ４）の寸法、ベーン６２５の摺動方向における側面とシリンダ６２１のベーン溝６２４との隙間（図３のＧ５）の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間（図示は省略する。）の寸法、およびベーン６２５と下部フレーム６２３Ｂとの隙間（図示は省略する。）の寸法のうちの少なくとも１つが入力１の入力データに用いられてもよい。

　さらに、図１２に示す入力データのうち、圧縮機６の成績係数に影響を与え易いデータのみが入力１の入力データに用いられてもよい。このようにすれば、推論装置１０を効率よく学習させることができる。

　すなわち、学習フェーズにおいて学習装置１１０として機能する実施の形態２に係る推論装置１０は、入力１として、図１２に示すような各部品間の隙間の寸法を取得し、入力２（正解）として、圧縮機６の成績係数を取得する。そして、推論装置１０は、取得した各部品間の隙間を含む学習用データ３０を用いて、学習済モデル２０を生成する。

　また、活用フェーズにおける実施の形態２に係る推論装置１０は、入力１として、図１２に示すような各部品間の隙間の寸法を取得する。そして、推論装置１０は、取得した各部品間の隙間の寸法に基づき、学習済モデル２０を用いて、圧縮機６の成績係数を推論する。

　以上のように、実施の形態２に係る推論装置１０は、学習済モデル２０を用いて、圧縮機構部６２および電動機６１に関する圧縮機６の個体ばらつきを示す個体データに基づき、圧縮機６の性能（成績係数）を示す特性データを推論することができる。これにより、圧縮機６の性能検査を行わなくとも、圧縮機６を組み立てる前から取得することが可能な個体データに基づき、圧縮機６の性能を確認することができ、圧縮機６の性能を容易に確認することができる。そして、性能が劣っている圧縮機６については、再検査をしたり、出荷を停止したりすることができるため、不具合品が流出することを防止することができる。

　実施の形態３．
　図１３を参照しながら、実施の形態３に係る推論装置１０について説明する。なお、以下では、実施の形態３に係る推論装置１０について、実施の形態１および実施の形態２に係る推論装置１０と異なる部分のみを説明する。

　図１３は、実施の形態３に係る推論装置１０における教師あり学習の入力および出力を説明するための図である。実施の形態３に係る推論装置１０において入力２および出力に用いられる特性データは、実施の形態１および実施の形態２で例示したような圧縮機６の性能（成績係数）に限らず、圧縮機の特性に関するデータであれば、いずれのデータであってもよい。すなわち、推論装置１０は、入力と出力との関係性を他の圧縮機６の特性に当て嵌めることによって、当該他の特性も推論することが可能である。たとえば、図１３に示すように、実施の形態３に係る特性データは、圧縮機６の騒音を示す騒音データ、圧縮機６の振動を示す振動データ、圧縮機６の組立状態に関する組立データ、圧縮機６の性能（成績係数）のうちの少なくとも１つを含む。

　圧縮機６の騒音データは、圧縮機６が駆動した際に圧縮機６から生じる音（騒音）の音圧レベル（たとえば、単位はデシベル）を含む。圧縮機６の振動データは、圧縮機６が駆動した際に圧縮機６が振動する度合いを示す振動レベルを含む。

　圧縮機６の組立データは、電動機６１の固定子６１１と回転子６１２との間の空隙の寸法、圧縮機６の密閉性を示す値、圧縮機６における溶接状態を示す値、および圧縮機６の固有値のうちの少なくとも１つを含む。圧縮機６の密閉性は、たとえば、圧縮機６を液体に沈めたときに液体表面に現れる冷媒または気体の泡の量、泡の大きさ、または泡が現れる頻度を検出することで確認することができる。このため、圧縮機６の密閉性を示す値には、上述した泡の量、泡の大きさ、または泡が現れる頻度を数値化またはレベル分けした値を適用することができる。圧縮機６における溶接状態を示す値には、たとえば、図１に示す溶接部分Ｗ１～Ｗ５に付着した蝋の量または寸法（たとえば、溶接部分の幅、太さ、または高さ）などを適用することができる。圧縮機６の固有値は、圧縮機６の固有振動数（共振周波数）である。

　圧縮機６の組立時の品質チェック項目は多岐にわたるが、圧縮機６の組立においては、複数の部品が複雑に組み合わされる。このため、どの部品および加工状態が上述した圧縮機６の組立状態に関する組立データに影響しているか、人間では判断し難い。しかしながら、推論装置１０によれば、学習済モデル２０を用いて、組立データと相関のある入力データに基づき、組立データを推論することができる。

　上述した実施の形態３に係る特性データと相関のある入力１の入力データとしては、圧縮機６を構成する各単体部品の個体ばらつきに関するデータと、圧縮機６の製造に関するデータと、複数の部品の組み合わせによって生じ得るデータとが用いられる。

　単体部品の個体ばらつきに関するデータは、図６に示す実施の形態１と同様に、ローリングピストン６２２の寸法、シリンダ６２１の寸法、ベーン６２５の寸法、上部フレーム６２３Ａの寸法、下部フレーム６２３Ｂの寸法、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量、および巻線６１５の抵抗値のうちの少なくとも１つを含む。

　さらに、実施の形態３に係る推論装置１０において、単体部品の個体ばらつきに関するデータは、固定子６１１の外径の寸法、固定子６１１の内径の寸法、固定子６１１の幅の寸法、回転子６１２の外径の寸法、回転子６１２の内径の寸法、シャフト６１３の寸法、シェル６０の寸法、およびアキュムレータ６３の寸法のうちの少なくとも１つを含む。図２に示すように、固定子６１１の幅の寸法は、固定子６１１（固定子コア６１０）の外周と内周との間の寸法６１０Ａを含む。シャフト６１３の寸法は、シャフト６１３の横断面（Ｘ－Ｚ断面）における直径の寸法を含む。シェル６０の寸法は、シェル６０の横断面（Ｘ－Ｚ断面）における幅の寸法を含む。アキュムレータ６３の寸法は、アキュムレータ６３の横断面（Ｘ－Ｚ断面）における幅の寸法を含む。

　圧縮機６の製造に関するデータは、圧縮機６を製造するための図示しない製造装置の識別情報、製造装置に生じる電流、製造装置に生じる電圧、製造装置に生じる騒音、製造装置に生じる振動、圧縮機６の製造に要する時間、圧縮機６の製造時における溶接の温度、溶接における溶接量（たとえば、蝋の量）、圧縮機６の製造現場の温度、および製造現場の湿度のうちの少なくとも１つを含む。

　圧縮機６の製造は、固定子６１１、回転子６１２、シャフト６１３、シェル６０、およびアキュムレータ６３などの複数の部品を加工すること、および、これらの複数の部品を組み合わせて圧縮機６を組み立てることを含む。また、製造装置は、たとえば、固定子６１１、回転子６１２、およびシャフト６１３などの各部品を刃物を用いて加工する装置を含む。製造装置の識別情報は、たとえば、製造装置を識別する製造番号および管理番号などを含む。

　複数の部品の組み合わせによって生じ得るデータは、図１２に示す実施の形態２と同様に、ローリングピストン６２２と上部フレーム６２３Ａとの隙間（図１のＧ１）の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間（図１のＧ２）の寸法、ローリングピストン６２２の外周面とシリンダ６２１の内周面との隙間（図３のＧ３）の寸法、ベーン６２５の先端部とローリングピストン６２２の外周面との隙間（図３のＧ４）の寸法、ベーン６２５の摺動方向における側面とシリンダ６２１のベーン溝６２４との隙間（図３のＧ５）の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間（図示は省略する。）の寸法、およびベーン６２５と下部フレーム６２３Ｂとの隙間（図示は省略する。）の寸法の少なくとも１つを含む。

　さらに、実施の形態３に係る推論装置１０において、複数の部品の組み合わせによって生じ得るデータは、シャフト６１３と上部フレーム６２３Ａとの隙間の寸法、シャフト６１３と下部フレーム６２３Ｂとの隙間の寸法、上部フレーム６２３Ａの中心軸と下部フレーム６２３Ｂの中心軸とのずれを示す値、シェル６０の中心軸とシャフト６１３の中心軸とのずれを示す値、固定子６１１と回転子６１２との焼き嵌め代（締め代）、溶接後のシェル６０の寸法、および溶接後のアキュムレータ６３の寸法を含む。

　学習フェーズにおいて学習装置１１０として機能する実施の形態３に係る推論装置１０は、入力１として、図１３に示す入力データを取得し、入力２（正解）として、図１３に示す特性データを取得する。そして、推論装置１０は、取得したこれらの学習用データ３０を用いて、学習済モデル２０を生成する。

　また、活用フェーズにおける実施の形態３に係る推論装置１０は、入力１として、図１３に示す入力データを取得する。そして、推論装置１０は、取得した入力データに基づき、学習済モデル２０を用いて、図１３に示す特性データを推論する。

　圧縮機６の特性データは、図１３に示す入力データによって影響され得るため、入力データと特性データとを対応付けた学習用データ３０を用いが機械学習によって訓練された学習済モデル２０を用いれば、推論装置１０は、入力データに基づき、入力データと相関のある特性データを精度高く推論することができる。以下、図１３に示す入力データと特性データとの相関関係の一例について説明する。

　先ず、圧縮機６の騒音および振動に関して説明する。圧縮機６の騒音および振動は、単体部品の個体ばらつき、複数の部品の組み合わせの精度、および、複数の部品を接合する溶接の状態が影響し得る。各部品の寸法または溶接状態によって圧縮機６の固有値が変化すると、圧縮機６の振動および騒音が増大し得る。たとえば、圧縮機構部６２において圧縮機６の騒音データおよび振動データに影響を与える主な要因としては、上側シャフト部６１３Ａと下側シャフト部６１３Ｂの同軸度、およびベーン６２５とシリンダ６２１のベーン溝６２４との隙間（図３のＧ１）の寸法が挙げられる。

　上側シャフト部６１３Ａと下側シャフト部６１３Ｂの同軸度は、上側シャフト部６１３Ａの中心軸と下側シャフト部６１３Ｂの中心軸とのずれ度合いを表しており、同軸度が０であるときに上側シャフト部６１３Ａの中心軸と下側シャフト部６１３Ｂの中心軸とが完全に一致する。すなわち、上側シャフト部６１３Ａと下側シャフト部６１３Ｂの同軸度が大きいほど、シリンダ６２１の上下でシャフト６１３の回転中心がずれるため、電動機６１から圧縮機構部６２に対する回転エネルギーの伝達が妨げられるとともに、回転エネルギーが振動エネルギーへと変換される。よって、上側シャフト部６１３Ａと下側シャフト部６１３Ｂの同軸度が大きいほど、定性的には圧縮機６の騒音の音圧レベルが大きくなるとともに、圧縮機６の振動レベルが大きくなる。このように、上側シャフト部６１３Ａと下側シャフト部６１３Ｂの同軸度のばらつきは、圧縮機６の騒音特性および振動特性を悪化させる傾向にある。

　ベーン６２５とシリンダ６２１のベーン溝６２４との隙間が大き過ぎると、ベーン６２５がベーン溝６２４の中で振動し易くなり、ベーン６２５がベーン溝６２４に衝突することによって振動エネルギーが発生する。すなわち、ベーン６２５とベーン溝６２４との隙間が大き過ぎると、定性的には圧縮機６の騒音の音圧レベルが大きくなるとともに、圧縮機６の振動レベルが大きくなる。また、ベーン６２５とベーン溝６２４との隙間が小さ過ぎると、ベーン６２５とベーン溝６２４との間に生じる摩擦力に起因して、振動エネルギーが発生する。ベーン６２５とベーン溝６２４との間に生じる摩擦力によって電動機６１の回転速度が脈動するため、圧縮機６が振動し易くなるとともに、圧縮機６から騒音が発生し易くなる。すなわち、ベーン６２５とベーン溝６２４との隙間が小さ過ぎると、定性的には圧縮機６の騒音の音圧レベルが大きくなるとともに、圧縮機６の振動レベルが大きくなる。このように、ベーン６２５とベーン溝６２４との隙間のばらつきは、圧縮機６の騒音特性および振動特性を悪化させる傾向にある。

　また、電動機６１において圧縮機６の騒音データおよび振動データに影響を与える主な要因としては、巻線６１５に鎖交する回転子６１２の磁束量、固定子６１１の内径真円度、および回転子６１２の偏心量が挙げられる。

　巻線６１５に鎖交する回転子６１２の磁束量がばらつくほど、定性的には圧縮機６の騒音の音圧レベルが変動し易くなるとともに、圧縮機６の振動レベルが変動し易くなる。このように、固定子６１１の巻線６１５に鎖交する回転子６１２の磁束量のばらつきは、圧縮機６の騒音特性および振動特性を悪化させる傾向にある。

　固定子６１１の内径真円度は、円形断面を有する固定子６１１の内周面を形成する円が真円に近いか否かを表しており、内径真円度が０であるときに固定子６１１が真円になる。図２に示すように、固定子６１１の内周面と、回転する回転子６１２の外周面との間には隙間が生じるが、固定子６１１の内径真円度に応じて、固定子６１１の内周面と回転子６１２の外周面との隙間の寸法が大きくなったり、小さくなったりする。この隙間の寸法が変動すると、固定子６１１と回転子６１２との間に働く磁気吸引力が不安定になり、定性的には圧縮機６の騒音の音圧レベルが大きくなるとともに、圧縮機６の振動レベルが大きくなる。このように、固定子６１１の内径真円度のばらつきは、圧縮機６の騒音特性および振動特性を悪化させる傾向にある。

　回転子６１２の偏心量は、回転子６１２の回転中心軸が理想位置からずれた場合における回転中心軸と理想位置とのずれ量を表しており、偏心量が０であるときに回転中心軸が理想位置に位置する。上述したように、ローリングピストン６２２の外周面とシリンダ６２１の内周面とは理想的には密着するが、回転子６１２の偏心量に依存して、ローリングピストン６２２の外周面とシリンダ６２１の内周面との間に隙間（図３のＧ２）が生じ得る。また、図３に示すように、ベーン６２５の先端部と、回転するローリングピストン６２２の外周面とは、理想的には密着するが、回転子６１２の偏心量に依存して、ベーン６２５の先端部とローリングピストン６２２の外周面との間に隙間（図３のＧ３）が生じ得る。すなわち、回転子６１２の偏心量に応じて、固定子６１１の内周面と回転子６１２の外周面との隙間の寸法、およびベーン６２５の先端部とローリングピストン６２２の外周面との隙間の寸法が大きくなったり、小さくなったりする。これらの隙間の寸法が変動すると、固定子６１１と回転子６１２との間に働く磁気吸引力が不安定になり、定性的には圧縮機６の騒音の音圧レベルが大きくなるとともに、圧縮機６の振動レベルが大きくなる。このように、回転子６１２の偏心量のばらつきは、圧縮機６の騒音特性および振動特性を悪化させる傾向にある。

　上述したような単体部品の個体ばらつき、複数の部品の組み合わせの精度、および、複数の部品を接合する溶接の状態は、製造装置によって加工された各部品の寸法精度、および製造現場における作業者の作業環境などによって影響され得る。このため、単体部品の個体ばらつき、複数の部品の組み合わせ、および、複数の部品を接合する溶接の状態は、製造装置の識別情報、製造装置に生じる電流、製造装置に生じる電圧、圧縮機６の製造に要する時間、圧縮機６の製造時における溶接の温度、溶接における溶接量（たとえば、蝋の量）、圧縮機６の製造現場の温度（火力）、および製造現場の湿度などによって変動し得る。

　たとえば、部品の膨張率および作業者の作業効率は、製造現場の温度および湿度によって変動し得る。また、製造装置によって部品を加工する際、刃物が部品に接触するときに電流または電圧が生じる。製造装置による部品の加工状態は、製造装置に生じる電流または電圧に依存する。さらに、圧縮機６の製造において何らかの異常が生じた場合、圧縮機６の製造に要する時間が長くなる場合がある。溶接時(蝋付け時)の蝋の量が少ない場合、溶接が甘くなるため、圧縮機６からの冷媒漏れにつながり、蝋の量が多い場合、溶接が強くなるため、固有値が変化してしまう。このように、圧縮機６の騒音および振動は、製造装置の識別情報、製造装置に生じる電流、製造装置に生じる電圧、圧縮機６の製造に要する時間、圧縮機６の製造時における溶接の温度、溶接における溶接量（たとえば、蝋の量）、圧縮機６の製造現場の温度、および製造現場の湿度などによって変動し得る。

　したがって、推論装置１０は、入力データとして、単体部品の個体ばらつきに関するデータ、圧縮機６の製造に関するデータ、および複数の部品の組み合わせによって生じ得るデータのうち、少なくとも１つを用いて、特性データとして圧縮機６の騒音データおよび振動データを推論するように機械学習によって学習済モデル２０を訓練すれば、入力データに基づき、圧縮機６の騒音データおよび振動データを精度高く推論することができる。推論装置１０は、このような推論を、圧縮機６の組立前、組立の途中、または組立後に行うことで、圧縮機６の騒音データおよび振動データが適正であるか否かを確認することができる。

　なお、圧縮機６は複数の部品が複雑に組み合わされているため、部品の形状および加工状態、部品の組み合わせによる相互作用、製造装置の個体ばらつき、作業者の作業精度の差など、どの入力データが圧縮機６の騒音および振動に影響しているか、人間では正確に判断し難い。しかしながら、推論装置１０は、図１３に示す全ての入力データを学習済モデル２０に入力すれば、圧縮機６の騒音データおよび振動データを精度高く推論することができる。このため、圧縮機６の騒音および振動に影響している入力データを事前に予知することが難しい場合は、圧縮機６の騒音データおよび振動データを推論するために、図１３に示す全ての入力データを用いればよい。

　次に、電動機６１の固定子６１１と回転子６１２との間の空隙（以下、「エアギャップ」とも称する。）の寸法に関して説明する。エアギャップの寸法は、固定子６１１と回転子６１２との組立中心のずれ、固定子６１１の内径の寸法、回転子６１２の外径の寸法、シャフト６１３の傾き、各部品の溶接状態、シェル６０の寸法、製造装置（たとえば、組立冶具）の精度のばらつき、固定子６１１のシェル６０に対する固定状態、および固定子６１１と回転子６１２との固定状態などが影響し得る。

　したがって、推論装置１０は、入力データとして、上述した単体部品の個体ばらつきに関するデータ、圧縮機６の製造に関するデータ、および複数の部品の組み合わせによって生じ得るデータのうち、少なくとも１つを用いて、特性データとしてエアギャップの寸法を推論するように機械学習によって学習済モデル２０を訓練すれば、入力データに基づき、エアギャップの寸法を精度高く推論することができる。推論装置１０は、このような推論を、圧縮機６の組立前、組立の途中、または組立後に行うことで、エアギャップの寸法が適正であるか否かを確認することができる。

　なお、圧縮機６は複数の部品が複雑に組み合わされているため、部品の形状および加工状態、部品の組み合わせによる相互作用、製造装置の個体ばらつき、作業者の作業精度の差など、どの入力データがエアギャップの寸法に影響しているか、人間では正確に判断し難い。しかしながら、推論装置１０は、図１３に示す全ての入力データを学習済モデル２０に入力すれば、エアギャップの寸法を精度高く推論することができる。このため、エアギャップの寸法に影響している入力データを事前に予知することが難しい場合は、エアギャップの寸法を推論するために、図１３に示す全ての入力データを用いればよい。

　次に、圧縮機６の密閉性に関して説明する。圧縮機６は、冷媒または気体を圧縮して圧力を高めるため、密閉性が重要な指標となる。特に、圧縮機６において微小な隙間があった場合、長い年月により冷媒が徐々に漏れるため、初期では発見し難いという課題がある。このような圧縮機６の密閉性に関しても、単体部品の個体ばらつき、複数の部品の組み合わせの精度、および、複数の部品を接合する溶接の状態が影響し得る。特に、溶接状態は、重要なデータであり、製造装置の溶接時に生じる電流、電圧、加工時の温度、振動、騒音、溶接量、溶接の見た目を入力データとして学習することで、推論装置１０は、圧縮機６の密閉性を示す値を精度高く推論することが可能である。

　したがって、推論装置１０は、入力データとして、単体部品の個体ばらつきに関するデータ、圧縮機６の製造に関するデータ、および複数の部品の組み合わせによって生じ得るデータのうち、少なくとも１つを用いて、特性データとして圧縮機６の密閉性を示す値を推論するように機械学習によって学習済モデル２０を訓練すれば、入力データに基づき、圧縮機６の密閉性を示す値を精度高く推論することができる。推論装置１０は、このような推論を、圧縮機６の組立前、組立の途中、または組立後に行うことで、圧縮機６の密閉性を示す値が適正であるか否かを確認することができる。

　なお、圧縮機６は複数の部品が複雑に組み合わされているため、部品の形状および加工状態、部品の組み合わせによる相互作用、製造装置の個体ばらつき、作業者の作業精度の差など、どの入力データが圧縮機６の密閉性に影響しているか、人間では正確に判断し難い。しかしながら、推論装置１０は、図１３に示す全ての入力データを学習済モデル２０に入力すれば、圧縮機６の密閉性を精度高く推論することができる。このため、圧縮機６の密閉性に影響している入力データを事前に予知することが難しい場合は、圧縮機６の密閉性を推論するために、図１３に示す全ての入力データを用いればよい。

　次に、圧縮機６の固有値に関して説明する。単体部品のばらつき、複数の部品の組立状態、製造装置の影響など、圧縮機６において生じる不具合は様々であるが、これらが変化すると圧縮機６の固有値が変化し得る。

　したがって、推論装置１０は、入力データとして、上述した単体部品の個体ばらつきに関するデータ、圧縮機６の製造に関するデータ、および複数の部品の組み合わせによって生じ得るデータのうち、少なくとも１つ用いて、特性データとして圧縮機６の固有値を推論するように機械学習によって学習済モデル２０を訓練すれば、入力データに基づき、圧縮機６の固有値を精度高く推論することができる。推論装置１０は、このような推論を、圧縮機６の組立前、組立の途中、または組立後に行うことで、圧縮機６の固有値が適正であるか否かを確認することができる。

　なお、圧縮機６は複数の部品が複雑に組み合わされているため、部品の形状および加工状態、部品の組み合わせによる相互作用、製造装置の個体ばらつき、作業者の作業精度の差など、どの入力データが圧縮機６の固有値に影響しているか、人間では正確に判断し難い。しかしながら、推論装置１０は、図１３に示す全ての入力データを学習済モデル２０に入力すれば、圧縮機６の固有値を精度高く推論することができる。このため、圧縮機６の固有値に影響している入力データを事前に予知することが難しい場合は、圧縮機６の固有値を推論するために、図１３に示す全ての入力データを用いればよい。

　次に、圧縮機６の溶接状態に関して説明する。図１のＷ１～Ｗ５で示すように、圧縮機６は密閉するために多くの部分で溶接が施されている。これらの溶接状態は、作業者の熟練度、溶接するための製造装置の個体差によりばらつきが生じる。溶接が上手くいっていない場合、圧縮機６の密閉性および回転子６１２の傾きなどに影響することで、エアギャップの寸法が影響され得る。また、溶接状態は、内部に空隙が多く発生する状態など、外部から判断し難い。

　したがって、推論装置１０は、入力データとして、上述した単体部品の個体ばらつきに関するデータ、圧縮機６の製造に関するデータ、および複数の部品の組み合わせによって生じ得るデータのうち、少なくとも１つを用いて、特性データとして圧縮機６における溶接状態を示す値を推論するように機械学習によって学習済モデル２０を訓練すれば、入力データに基づき、圧縮機６における溶接状態を示す値を精度高く推論することができる。推論装置１０は、このような推論を、圧縮機６の組立前、組立の途中、または組立後に行うことで、圧縮機６における溶接状態を示す値が適正であるか否かを確認することができる。

　なお、圧縮機６は複数の部品が複雑に組み合わされているため、部品の形状および加工状態、部品の組み合わせによる相互作用、製造装置の個体ばらつき、作業者の作業精度の差など、どの入力データが圧縮機６における溶接状態を示す値に影響しているか、人間では正確に判断し難い。しかしながら、推論装置１０は、図１３に示す全ての入力データを学習済モデル２０に入力すれば、圧縮機６における溶接状態を示す値を精度高く推論することができる。このため、圧縮機６における溶接状態を示す値を事前に予知することが難しい場合は、圧縮機６における溶接状態を示す値を推論するために、図１３に示す全ての入力データを用いればよい。

　入力１の製造に関するデータとして、製造装置の情報を用いる場合、たとえば、刃物による加工の初期段階、中間段階、および終了段階といったように、各段階に分けて製造装置の情報を用いてもよい。加工の初期段階は刃物が部品に当たり、中間段階は加工が安定して行われ、終了段階は刃物が部品から外れるといった挙動となる。このため、製造装置の電流、電圧、騒音、および振動などの各データは、加工の初期段階、中間段階、および終了段階で異なる挙動となる。よって、入力１として使用する入力データは、加工の初期段階、中間段階、および終了段階で分けて学習済モデル２０に入力されることが好ましい。

　さらに、上述したように訓練された学習済モデル２０を備えた推論装置１０によれば、製造装置の異常状態を推論することも可能である。たとえば、出力（特性データ）に刃物の摩耗または欠けなどの製造装置の異常状態を適用すれば、刃物が摩耗または欠けなどによって微小に変化した場合でも、推論装置１０は、製造装置の電流、電圧、騒音データ、および振動データなどの入力データに基づき、製造装置の異常状態を推論することができる。また、製造装置の電流、電圧、騒音データ、および振動データなどの入力データは、波形データであってもよいが、高速フーリエ変換（FFT:Fast Fourier Transform）が施されたデータであってもよい。高速フーリエ変換を用いれば、製造装置の異常状態をより明確に認識することができるため、製造装置の電流、電圧、騒音データ、および振動データなどの入力データを高速フーリエ変換したものを入力１の入力データとして用いることで、推論装置１０は、製造装置の異常状態を精度高く推論することができる。

　さらに、上述したように訓練された学習済モデル２０を備えた推論装置１０によれば、各部の寸法、真円度などの幾何公差、および表面粗さなどの単体部品の仕上がり状態を推論することも可能である。たとえば、出力（特性データ）に単体部品の仕上がり状態を適用すれば、推論装置１０は、製造装置の電流、電圧、騒音データ、および振動データなどの入力データに基づき、単体部品の仕上がり状態を推論することができる。

　なお、上述した入力１の入力データは全て用いる必要はなく、出力（特性データ）に対する影響が小さいと考えられる入力データは省略することができる。さらに、入力１の入力データとして例示した以外のデータであっても、圧縮機６の製造に関する情報であれば入力１の入力データとして用いてもよい。

　推論装置１０は、圧縮機６の製造の最終工程で特性データを推論することもできるが、圧縮機６の製造の途中で特性データを推論してもよい。推論装置１０によって、圧縮機６の製造の途中で圧縮機６を構成する複数の部品の組立状態などを確認することで、最終工程に至る前に複数の部品を組み合わせた組み合わせ部品の修正または当該組み合わせ部品の廃棄をすることができる。これにより、推論装置１０は、圧縮機６の製造の途中で推論した時点から最終工程までの余分な工程を削減することができる。

　推論装置１０は、圧縮機６の製造の途中で特性データを推論し、推論した当該特性データに基づき、次工程の処理に進むか否かを決めてもよい。あるいは、推論装置１０は、図１３に示すように、出力（特性データ）に圧縮機６の組立を許可するか否かに関する組立可否データを適用してもよい。組立可否データは、たとえば、圧縮機６の組立を許可するか否かを示すデータを含む。具体的には、推論装置１０は、圧縮機６の製造の途中で複数の部品を組み合わせた後、複数の部品の組み合わせによって生じ得るデータに基づき、学習済モデル２０を用いて、組立可否データを推論し、当該組立可否データに基づき、次工程の処理に進むか否かを決めてもよい。

　図１４を参照しながら、圧縮機６の製造の途中における組立可否データの推論について詳細に説明する。図１４は、実施の形態３に係る推論装置１０における圧縮機６の製造方法に関するフローチャートである。図１４に示すフローチャートは、推論装置１０（制御部１１）の機能を有するコンピュータによって圧縮機６を製造するための各種の処理ステップ（製造方法）を規定する。なお、図１４において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。

　図１４に示すように、推論装置１０は、第１部品に第２部品を組み合わせる（Ｓ２１）。たとえば、推論装置１０は、第１部品であるシリンダ６２１に第２部品であるベーン６２５を組み合わせる。

　推論装置１０は、第１部品の個体ばらつきを示すデータ、第２部品の個体ばらつきを示すデータ、および第１部品と第２部品との組み合わせによって生じ得るデータに基づき、学習済モデル２０を用いて、組立可否データを推論する（Ｓ２２）。第１部品の個体ばらつきを示すデータは、たとえば、ベーン６２５の寸法である。第２部品の個体ばらつきを示すデータは、たとえば、シリンダ６２１の寸法である。第１部品と第２部品との組み合わせによって生じ得るデータは、たとえば、第１部品と第２部品とを組み合わせた組み合わせ部品の個体ばらつきを示すデータであり、ベーン６２５とシリンダ６２１を組み合わせた組み合わせ部品におけるベーン６２５とシリンダ６２１との隙間の寸法である。

　推論装置１０は、ベーン６２５の寸法、シリンダ６２１の寸法、およびベーン６２５とシリンダ６２１との隙間の寸法を入力１（入力データ）として、当該入力データに基づき、学習済モデル２０を用いて、次工程における圧縮機６の組立を許可するか否かに関する組立可否データを推論する。組立可否データは、圧縮機６の組立を許可する旨、または圧縮機６の組立を許可しない旨のいずれかを示す。たとえば、推論装置１０は、ベーン６２５とシリンダ６２１との隙間の寸法が基準値を満たしている場合は、圧縮機６の組立を許可する旨の組立可否データを推論し、ベーン６２５とシリンダ６２１との隙間の寸法が基準値を満たしていない場合は、圧縮機６の組立を許可しない旨の組立可否データを推論する。

　推論装置１０は、推論した組立可否データに基づき、圧縮機６の組立を継続可能か否かを判定する（Ｓ２３）。

　推論装置１０は、圧縮機６の組立を継続可能でない場合（Ｓ２３でＮＯ）、たとえば、ベーン６２５とシリンダ６２１との隙間の寸法が基準値を満たしていない場合、第１部品と第２部品とを組み合わせた組み合わせ部品を手直しで修正するための処理、または、組み合わせ部品を廃棄するための廃棄処理を行う（Ｓ２４）。たとえば、推論装置１０は、組み合わせ部品を作業者に手直しで修正させることを促す画像を図示しないディスプレイに表示させたり、組み合わせ部品を廃棄ルートに移動させたりする。その後、推論装置１０は、本処理を終了する。

　一方、推論装置１０は、圧縮機６の組立を継続可能である場合（Ｓ２３でＹＥＳ）、たとえば、ベーン６２５とシリンダ６２１との隙間の寸法が基準値を満たしている場合、組み合わせ部品に対して、第３部品を組み合わせる（Ｓ２５）。これにより、推論装置１０は、第１部品と第２部品と第３部品とを組み合わせて圧縮機６を組み立てることができる。たとえば、推論装置１０は、第１部品であるシリンダ６２１に第２部品であるベーン６２５を組み合わせた組み合わせ部品に対して、第３部品であるローリングピストン６２２を組み合わせることで、圧縮機６を構成する圧縮機構部６２を組み立てる。その後、推論装置１０は、本処理を終了する。

　なお、図１４においては、推論装置１０（制御部１１）が各処理を実行する例を説明したが、推論装置１０（制御部１１）がＳ２２の推論処理のみを実行し、残りの処理は、コンピュータに含まれる推論装置１０（制御部１１）以外の機能部によって実行されてもよい。

　また、図１４においては、第１部品（たとえば、シリンダ６２１）、第２部品（たとえば、ベーン６２５）、および第３部品（たとえば、ローリングピストン６２２）を組み合わせて、１つの組み合わせ部品（たとえば、圧縮機構部６２）を組み立てる際の処理を例示したが、その他の組み合わせ部品（たとえば、電動機６１）を含む２つ以上の組み合わせ部品を組み立てる際の処理に図１４に示すフローチャートを適用してもよい。

　以上のように、実施の形態３に係る推論装置１０は、学習済モデル２０を用いて、圧縮機６の組立を許可するか否かに関する組立可否データと相関のある入力データに基づき、組立可否データを推論する。具体的には、推論装置１０は、第１部品の個体ばらつきを示すデータ、第２部品の個体ばらつきを示すデータ、および第１部品と第２部品とを組み合わせた組み合わせ部品の個体ばらつきを示すデータに基づき、組立可否データを推論する。これにより、推論装置１０は、圧縮機６の組立が完了した後に、組み立てた圧縮機６を手直しで修正したり、組み立てた圧縮機６を廃棄したりする必要がなく、圧縮機６を組み立てるために要した時間、および圧縮機６の組立に用いられた部品が無駄になってしまうことを防止することができる。

　さらに、推論装置１０は、圧縮機６の組立が継続可能でない場合は、第１部品と第２部品とを組み合わせた組み合わせ部品を手直しすることができる。これにより、推論装置１０は、圧縮機６の組立が完了した後の検査で圧縮機６の特性が基準値を満たさないことを検出するよりも、手直しに要する手間および時間を少なくすることができる。

　なお、学習済モデル２０に入力される入力データは、第１部品の個体ばらつきを示すデータ、第２部品の個体ばらつきを示すデータ、および第１部品と第２部品とを組み合わせた組み合わせ部品の個体ばらつきを示すデータの全てを含む場合に限らない。たとえば、学習済モデル２０に入力される入力データは、第１部品の個体ばらつきを示すデータおよび第２部品の個体ばらつきを示すデータのみを含む場合、あるいは、第１部品と第２部品とを組み合わせた組み合わせ部品の個体ばらつきを示すデータのみを含む場合であってもよい。学習済モデル２０に入力される入力データは、第１部品の個体ばらつきを示すデータおよび第２部品の個体ばらつきを示すデータと、第１部品と第２部品とを組み合わせた組み合わせ部品の個体ばらつきを示すデータとのうちの少なくとも１つを含んでいればよい。

　なお、学習済モデル２０に入力される入力データには、前工程で用いる部品のデータ（たとえば、寸法）に、次工程で用いる部品のデータ（たとえば、寸法）を加えてもよい。たとえば、図１４の例において、推論装置１０は、第１部品と第２部品との組み合わせ部品のデータ（たとえば、隙間の寸法）に加えて、次工程で用いる予定の第３部品のデータ（たとえば、寸法）を入力１の入力データとして適用して、学習済モデル２０を用いて、組立可否データを推論してもよい。さらに、第３部品の個体ばらつきを示すデータは、次工程で用いる予定の第３部品の個体ばらつきを示すデータ（たとえば、寸法）に限らず、次工程で用いる予定のロットごとの複数の第３部品の個体ばらつきを示すデータ（たとえば、寸法）のばらつきを正規分布に適用した場合のデータ（たとえば、平均値、標準偏差）であってもよい。すなわち、推論装置１０は、次工程で用いる予定の第３部品が未だ決まっていなくても、次工程で用いる予定の複数の第３部品の個体ばらつきを示すデータから仮定したロットごとの平均値または所定の管理値に対する標準偏差などのデータを、入力１の入力データとして適用して、学習済モデル２０を用いて、組立可否データを推論してもよい。

　学習済モデル２０の出力（特性データ）は、圧縮機６の特性に関するデータであれば、上述した実施の形態１～３において例示したデータに限らず、その他のデータが適用され得る。さらに、学習済モデル２０の入力１（入力データ）は、出力（特性データ）と相関のあるデータであれば、上述した実施の形態１～３において例示したデータに限らず、その他のデータが適用され得る。さらに、入力１（入力データ）と出力（特性データ）との組み合わせは、両者の間に相関関係のあるデータであれば、如何なるデータの組み合わせが適用されてもよい。

　＜変形例＞
　入力１に用いられる各部品のデータは、圧縮機６の製造時に実行される抜き取り検査によって得られたデータを用いてもよい。このようにすれば、製造された圧縮機６の数が多く、製造期間が長くなるほど、学習用データ３０に用いられる多くの個体データを集めることができる。

　入力１の個体データは、圧縮機６における公差の範囲外の個体ばらつきを示すデータを含んでいてもよい。具体的には、事前に圧縮機６の性能が仕様の範囲外となる部品の組み合わせを敢えて試作し、得られた特性データと、使用した各部品の個体データとを含む学習用データを用いて、推論装置１０の機械学習を行ってもよい。このように、敢えて公差の範囲外の個体ばらつきを示す個体データを学習用データ３０に含ませることによって、推論装置１０の推論精度を向上させることができる。圧縮機６の量産時においては、部品の個体ばらつきが中央値付近に集まるため、中央値付近から外れた部品は用いられない。すなわち、圧縮機６の量産時には中央値付近の部品寸法または隙間が多くなるため、抜き取り検査においても中央値付近の特性データが多くなる。よって、仮に仕様の上下限に近い部品寸法または隙間を用いて圧縮機６の性能を推論しようとした場合、推論装置１０による推論精度が低下するおそれがある。このため、上述したように、圧縮機６における公差の範囲外の個体ばらつきを示す個体データを用いて機械学習を行うことによって、部品寸法または隙間が上下限に近い部品を用いた圧縮機６に対する特性データの推論精度を向上させることができる。

　推論装置１０は、ネットワークを介して圧縮機６を制御する制御装置と通信可能に接続されたサーバ装置であってもよく、クラウドサーバであってもよい。また、推論装置１０は、同一のエリアに存在する複数の圧縮機６から収集される入力データおよび特性データを学習用データ３０として取得してもよいし、異なるエリアに存在する複数の圧縮機６から収集される入力データおよび特性データを学習用データ３０として取得してもよい。また、その際はエリアの情報も学習用データ３０に含ませることによってエリアの違いを考慮して機械学習を行うこともできる。このエリアとは、圧縮機６の性能を検査する検査装置の個体が異なる場合も異なるエリアとして扱ってもよい。また、ある圧縮機６に関して機械学習を行った後、他の圧縮機６に関して再度機械学習を行ってもよい。

　推論装置１０のモデル生成部１１２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）が用いられてもよいし、他の公知の方法が用いられてもよい。たとえば、モデル生成部１１２は、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。

　上述した推論装置１０は、教師あり学習を用いていたが、教師なし学習、半教師あり学習、または強化学習などの公知の学習方法を用いてもよい。たとえば、教師なし学習を行う場合、推論装置１０は、学習用データ３０として、図６、図１２、または図１３に示す入力１の入力データのみを用いればよい。推論装置１０は、学習フェーズにおいて、集めた入力データをクラスタリングすることによって、集めた入力データの特徴または傾向を学習する。そして、推論装置１０は、活用フェーズにおいて、学習済モデル２０を用いて、入力された入力データが所属するクラスを特定することによって、当該クラスに対応する圧縮機６の特性データを推論結果として出力すればよい。

　図６、図１２、または図１３に示す出力は、圧縮機６の特性データとして圧縮機６の成績係数が用いられたが、圧縮機６の特性データとして成績係数を算出するための圧縮機６の入力電力（ガラス端子６７から供給される入力電力）と圧縮機６の空調能力とが用いられてもよい。すなわち、推論装置１０は、学習済モデル２０を用いて、図６、図１２、または図１３に示す入力１の圧縮機６の入力データに基づき、圧縮機６の入力電力および空調能力を推論してもよい。

　＜まとめ＞
　一態様に係る推論装置１０は、冷媒を圧縮する圧縮機６の特性に関する特性データを推論する。推論装置１０は、特性データと相関のある入力データを取得するデータ取得部１１１と、入力データに基づき特性データを推論するための学習済モデル２０を用いて、データ取得部１１１によって取得された入力データに基づき特性データを推論する推論部１１３とを備える。

　上記の構成によれば、推論装置１０は、圧縮機６の特性データを確認しなくとも、圧縮機６を組み立てる前から取得することが可能な入力データに基づき、圧縮機６の特性データをユーザに容易に確認させることができる。

　圧縮機６は、冷媒を圧縮させるための圧縮機構部６２と、圧縮機構部６２に冷媒を圧縮させるための動力を供給する電動機６１と、圧縮機構部６２と電動機６１とを接続するシャフト６１３と、圧縮機構部６２、電動機６１、およびシャフト６１３を収容するシェル６０と、シェル６０内に冷媒を吸入するアキュムレータ６３とを備える。入力データは、圧縮機構部６２、電動機６１、シャフト６１３、シェル６０、およびアキュムレータ６３のうちの少なくとも１つの個体ばらつきを示す。

　上記の構成によれば、推論装置１０は、圧縮機６の圧縮機構部６２、電動機６１、シャフト６１３、シェル６０、およびアキュムレータ６３のうちの少なくとも１つの個体ばらつきに基づき、圧縮機６の特性データをユーザに確認させることができる。

　圧縮機構部６２は、シリンダ６２１と、電動機６１からの動力に基づきシリンダ６２１の内周面に沿って回転するローリングピストン６２２と、シリンダ６２１の内周面とローリングピストン６２２の外周面とで形成される圧縮室６３０を吸入側と圧縮側とに分けるベーン６２５と、ローリングピストン６２２を上側から支持する上部フレーム６２３Ａと、ローリングピストン６２２を下側から支持する下部フレーム６２３Ｂとを備える。入力データは、ローリングピストン６２２の寸法、シリンダ６２１の寸法、ベーン６２５の寸法、上部フレーム６２３Ａの寸法、下部フレーム６２３Ｂの寸法、ローリングピストン６２２と上部フレーム６２３Ａとの隙間の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間の寸法、ローリングピストン６２２とシリンダ６２１との隙間の寸法、ベーン６２５とローリングピストン６２２との隙間の寸法、ベーン６２５とシリンダ６２１との隙間の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間の寸法、ベーン６２５と下部フレーム６２３Ｂとの隙間の寸法、シャフト６１３と上部フレーム６２３Ａとの隙間の寸法、シャフト６１３と下部フレーム６２３Ｂとの隙間の寸法、上部フレーム６２３Ａの中心軸と下部フレーム６２３Ｂの中心軸とのずれを示す値、およびシェル６０の中心軸とシャフト６１３の中心軸とのずれを示す値のうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、ローリングピストン６２２の寸法、シリンダ６２１の寸法、ベーン６２５の寸法、上部フレーム６２３Ａの寸法、下部フレーム６２３Ｂの寸法、ローリングピストン６２２と上部フレーム６２３Ａとの隙間の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間の寸法、ローリングピストン６２２とシリンダ６２１との隙間の寸法、ベーン６２５とローリングピストン６２２との隙間の寸法、ベーン６２５とシリンダ６２１との隙間の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間の寸法、ローリングピストン６２２と上部フレーム６２３Ａとの隙間の寸法、ローリングピストン６２２と下部フレーム６２３Ｂとの隙間の寸法、ローリングピストン６２２とシリンダ６２１との隙間の寸法、ベーン６２５とローリングピストン６２２との隙間の寸法、ベーン６２５とシリンダ６２１との隙間の寸法、ベーン６２５と上部フレーム６２３Ａとの隙間の寸法、ベーン６２５と下部フレーム６２３Ｂとの隙間の寸法、シャフト６１３と上部フレーム６２３Ａとの隙間の寸法、シャフト６１３と下部フレーム６２３Ｂとの隙間の寸法、上部フレーム６２３Ａの中心軸と下部フレーム６２３Ｂの中心軸とのずれを示す値、およびシェル６０の中心軸とシャフト６１３の中心軸とのずれを示す値のうちの少なくとも１つに基づき、圧縮機６の特性データをユーザに確認させることができる。

　電動機６１は、固定子６１１と、固定子６１１に巻き付けられた巻線６１５と、固定子６１１の内側に設けられた回転子６１２とを備える。入力データは、固定子６１１の外径の寸法、固定子６１１の内径の寸法、固定子６１１の幅の寸法、回転子６１２の外径の寸法、回転子６１２の内径の寸法、巻線６１５に鎖交する回転子６１２の磁束量、巻線６１５の抵抗値、および固定子６１１と回転子６１２との焼き嵌め代のうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、固定子６１１の外径の寸法、固定子６１１の内径の寸法、固定子６１１の幅の寸法、回転子６１２の外径の寸法、回転子６１２の内径の寸法、巻線６１５に鎖交する回転子６１２の磁束量、巻線６１５の抵抗値、および固定子６１１と回転子６１２との焼き嵌め代のうちの少なくとも１つに基づき、圧縮機６の特性データをユーザに確認させることができる。

　入力データは、少なくとも１つの部品を加工または組み合わせて圧縮機６を製造するための製造装置の識別情報、製造装置に生じる電流、製造装置に生じる電圧、製造装置に生じる騒音、製造装置に生じる振動、圧縮機６の製造に要する時間、圧縮機６の製造時における溶接の温度、溶接における溶接量、圧縮機６の製造現場の温度、製造現場の湿度、溶接後のシェル６０の寸法、および溶接後のアキュムレータ６３の寸法のうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、製造装置の識別情報、製造装置に生じる電流、製造装置に生じる電圧、製造装置に生じる騒音、製造装置に生じる振動、圧縮機６の製造に要する時間、圧縮機６の製造時における溶接の温度、溶接における溶接量、圧縮機６の製造現場の温度、製造現場の湿度、溶接後のシェル６０の寸法、および溶接後のアキュムレータ６３の寸法のうちの少なくとも１つに基づき、圧縮機６の特性データをユーザに確認させることができる。

　特性データは、圧縮機６の性能を含む。
　上記の構成によれば、推論装置１０は、圧縮機６の入力データに基づき、圧縮機６の性能をユーザに確認させることができる。

　特性データは、圧縮機６の入力電力および圧縮機６の空調能力と、入力電力に対する空調能力から算出される成績係数とのうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、圧縮機６の入力データに基づき、圧縮機６の入力電力および空調能力と、圧縮機６の成績係数とのうちの少なくとも１つをユーザに確認させることができる。

　特性データは、圧縮機６の騒音を示す騒音データ、圧縮機６の振動を示す振動データ、圧縮機６の組立状態に関する組立データ、および圧縮機６の組立可否を示すデータのうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、圧縮機６の入力データに基づき、圧縮機６の騒音データ、圧縮機６の振動データ、圧縮機６の組立データ、および圧縮機６の組立可否を示すデータのうちの少なくとも１つをユーザに確認させることができる。

　組立データは、圧縮機６が備える電動機６１の固定子６１１と回転子６１２との間の空隙の寸法、圧縮機６の密閉性を示す値、圧縮機６における溶接状態を示す値、および圧縮機６の固有値のうちの少なくとも１つを含む。

　上記の構成によれば、推論装置１０は、圧縮機６の入力データに基づき、電動機６１の固定子６１１と回転子６１２との間の空隙の寸法、圧縮機６の密閉性を示す値、圧縮機６における溶接状態を示す値、および圧縮機６の固有値のうちの少なくとも１つをユーザに確認させることができる。

　推論装置１０は、推論部１１３によって出力された特性データに基づき個体ばらつきの調整方法を提示する提示部１１４をさらに備える。

　上記の構成によれば、推論装置１０は、推論した圧縮機６の特性データに基づき、圧縮機６の個体ばらつきの調整方法をユーザに提示することができるため、圧縮機６の製造効率を向上させることができる。

　学習済モデル２０は、個体データと特性データとを含む学習用データ３０を用いて、入力データに基づき特性データを推論するように機械学習が行われることによって生成されている。

　上記の構成によれば、推論装置１０は、圧縮機６の入力データと特性データとを含む学習用データ３０を用いた機械学習によって生成された学習済モデル２０を用いて、圧縮機６の個体データに基づき圧縮機６の特性データを推論することができる。

　学習用データ３０に含まれる入力データは、圧縮機６における公差の範囲外の個体ばらつきを示すデータを含む。

　上記の構成によれば、推論装置１０は、公差の範囲外の個体データが入力された場合でも、圧縮機６の特性データの推論精度を向上させることができる。

　一態様に係る推論方法は、冷媒を圧縮する圧縮機６の特性に関する特性データをコンピュータによって推論する方法である。推論方法は、コンピュータが実行する処理として、特性データと相関のある入力データを取得するステップ（Ｓ１１）と、入力データに基づき特性データを推論するための学習済モデル２０を用いて、取得するステップによって取得された入力データに基づき特性データを推論するステップ（Ｓ１３）とを含む。

　上記の構成によれば、コンピュータは、圧縮機６の特性データを確認しなくとも、圧縮機６を組み立てる前から取得することが可能な入力データに基づき、圧縮機６の特性データをユーザに容易に確認させることができる。

　一態様に係る学習装置１１０は、教師あり学習を行う。学習装置１１０は、冷媒を圧縮する圧縮機６の特性に関する特性データと相関のある入力データと、特性データとを含む学習用データ３０を取得するデータ取得部１１１と、学習用データ３０を用いて、入力データに基づき特性データを推論するための学習済モデル２０を生成するモデル生成部１１２とを備える。

　上記の構成によれば、学習装置１１０は、圧縮機６の入力データと特性データとを含む学習用データ３０を用いた教師あり学習によって、圧縮機６の入力データに基づき圧縮機６の特性データを推論するための学習済モデル２０を生成することができる。

　一態様に係る学習装置１１０は、教師なし学習を行う。学習装置１１０は、冷媒を圧縮する圧縮機６の特性に関する特性データと相関のある入力データを含む学習用データ３０を取得するデータ取得部１１１と、学習用データ３０を用いて、入力データに基づき特性データを推論するための学習済モデル２０を生成するモデル生成部１１２とを備える。

　上記の構成によれば、学習装置１１０は、圧縮機６の入力データを含む学習用データ３０を用いた教師なし学習によって、圧縮機６の入力データに基づき圧縮機６の特性データを推論するための学習済モデル２０を生成することができる。

　今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

　６　圧縮機、１０　推論装置、１１　制御部、１２　記憶部、１３　入力部、２０　学習済モデル、３０　学習用データ、４０　学習用プログラム、６０　シェル、６０Ａ，６０Ｂ，６０Ｃ　シェル部品、６１　電動機、６２　圧縮機構部、６３　アキュムレータ、６４　吸入管、６５　供給管、６６　吐出管、６７　ガラス端子、１１０　学習装置、１１１　データ取得部、１１２　モデル生成部、１１３　推論部、１１４　提示部、１２１　学習用プログラム記憶部、１２２　学習済モデル記憶部、６１０　固定子コア、６１１　固定子、６１２　回転子、６１３　シャフト、６１３Ａ　上側シャフト部、６１３Ｂ　下側シャフト部、６１４　スロット、６１５　巻線、６１６，６２７　シャフト穴部、６１７　風穴部、６１８　永久磁石、６１９　中央穴部、６２１　シリンダ、６２２　ローリングピストン、６２３Ａ　上部フレーム、６２３Ｂ　下部フレーム、６２４　ベーン溝、６２４Ａ　上部マフラ、６２４Ｂ　下部マフラ、６２５　ベーン、６２６　偏心軸部、６２８　背圧室、６３０　圧縮室。

Claims

　冷媒を圧縮する圧縮機の特性に関する特性データを推論する推論装置であって、
　前記特性データと相関のある入力データを取得するデータ取得部と、
　前記入力データに基づき前記特性データを推論するための学習済モデルを用いて、前記データ取得部によって取得された前記入力データに基づき前記特性データを推論する推論部とを備える、推論装置。
　前記圧縮機は、前記冷媒を圧縮させるための圧縮機構部と、前記圧縮機構部に前記冷媒を圧縮させるための動力を供給する電動機と、前記圧縮機構部と前記電動機とを接続するシャフトと、前記圧縮機構部、前記電動機、および前記シャフトを収容するシェルと、前記シェル内に冷媒を吸入するアキュムレータとを備え、
　前記入力データは、前記圧縮機構部、前記電動機、前記シャフト、前記シェル、および前記アキュムレータのうちの少なくとも１つの個体ばらつきを示す、請求項１に記載の推論装置。
　前記圧縮機構部は、シリンダと、前記電動機からの前記動力に基づき前記シリンダの内周面に沿って回転するローリングピストンと、前記シリンダの内周面と前記ローリングピストンの外周面とで形成される圧縮室を吸入側と圧縮側とに分けるベーンと、前記ローリングピストンを上側から支持する上部フレームと、前記ローリングピストンを下側から支持する下部フレームとを備え、
　前記入力データは、前記ローリングピストンの寸法、前記シリンダの寸法、前記ベーンの寸法、前記上部フレームの寸法、前記下部フレームの寸法、前記ローリングピストンと前記上部フレームとの隙間の寸法、前記ローリングピストンと前記下部フレームとの隙間の寸法、前記ローリングピストンと前記シリンダとの隙間の寸法、前記ベーンと前記ローリングピストンとの隙間の寸法、前記ベーンと前記シリンダとの隙間の寸法、前記ベーンと前記上部フレームとの隙間の寸法、前記ベーンと前記下部フレームとの隙間の寸法、前記シャフトと前記上部フレームとの隙間の寸法、前記シャフトと前記下部フレームとの隙間の寸法、前記上部フレームの中心軸と前記下部フレームの中心軸とのずれを示す値、および前記シェルの中心軸と前記シャフトの中心軸とのずれを示す値のうちの少なくとも１つを含む、請求項２に記載の推論装置。
　前記電動機は、固定子と、前記固定子に巻き付けられた巻線と、前記固定子の内側に設けられた回転子とを備え、
　前記入力データは、前記固定子の外径の寸法、前記固定子の内径の寸法、前記固定子の幅の寸法、前記回転子の外径の寸法、前記回転子の内径の寸法、前記巻線に鎖交する前記回転子の磁束量、前記巻線の抵抗値、および前記固定子と前記回転子との焼き嵌め代のうちの少なくとも１つを含む、請求項２または請求項３に記載の推論装置。
　前記入力データは、少なくとも１つの部品を加工または組み合わせて前記圧縮機を製造するための製造装置の識別情報、前記製造装置に生じる電流、前記製造装置に生じる電圧、前記製造装置に生じる騒音、前記製造装置に生じる振動、前記圧縮機の製造に要する時間、前記圧縮機の製造時における溶接の温度、前記溶接における溶接量、前記圧縮機の製造現場の温度、前記製造現場の湿度、前記溶接後の前記シェルの寸法、および前記溶接後の前記アキュムレータの寸法のうちの少なくとも１つを含む、請求項２～請求項４のいずれか１項に記載の推論装置。
　前記特性データは、前記圧縮機の性能を含む、請求項１～請求項５のいずれか１項に記載の推論装置。
　前記特性データは、前記圧縮機の入力電力および前記圧縮機の空調能力と、前記入力電力に対する前記空調能力から算出される成績係数とのうちの少なくとも１つを含む、請求項１～請求項５のいずれか１項に記載の推論装置。
　前記特性データは、前記圧縮機の騒音を示す騒音データ、前記圧縮機の振動を示す振動データ、前記圧縮機の組立状態に関する組立データ、および前記圧縮機の組立可否を示すデータのうちの少なくとも１つを含む、請求項１～請求項７のいずれか１項に記載の推論装置。
　前記組立データは、前記圧縮機が備える電動機の固定子と回転子との間の空隙の寸法、前記圧縮機の密閉性を示す値、前記圧縮機における溶接状態を示す値、および前記圧縮機の固有値のうちの少なくとも１つを含む、請求項８に記載の推論装置。
　前記推論部によって出力された前記特性データに基づき前記個体ばらつきの調整方法を提示する提示部をさらに備える、請求項２に記載の推論装置。
　前記学習済モデルは、前記入力データと前記特性データとを含む学習用データを用いて、前記入力データに基づき前記特性データを推論するように機械学習が行われることによって生成されている、請求項１～請求項１０のいずれか１項に記載の推論装置。
　前記学習用データに含まれる前記入力データは、前記圧縮機における公差の範囲外の個体ばらつきを示すデータを含む、請求項１１に記載の推論装置。
　冷媒を圧縮する圧縮機の特性に関する特性データをコンピュータによって推論する推論方法であって、
　前記コンピュータが実行する処理として、
　前記特性データと相関のある入力データを取得するステップと、
　前記入力データに基づき前記特性データを推論するための学習済モデルを用いて、前記取得するステップによって取得された前記入力データに基づき前記特性データを推論するステップとを含む、推論方法。
　教師あり学習を行うための学習装置であって、
　冷媒を圧縮する圧縮機の特性に関する特性データと相関のある入力データと、前記特性データとを含む学習用データを取得するデータ取得部と、
　前記学習用データを用いて、前記入力データに基づき前記特性データ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、学習装置。
　教師なし学習を行うための学習装置であって、
　冷媒を圧縮する圧縮機の特性に関する特性データと相関のある入力データを含む学習用データを取得するデータ取得部と、
　前記学習用データを用いて、前記入力データに基づき前記特性データ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、学習装置。