CN114746684A - 机器学习装置、数据处理系统、推理装置以及机器学习方法 - Google Patents

Abstract

本发明提供一种不依赖于作业者的经验等便能高精度地掌握流体压力驱动阀中的异常和异常征兆的机器学习装置等。机器学习装置(200)应用于包括主阀(11)、驱动主阀(11)的驱动装置(12)以及针对驱动装置(12)控制驱动流体(A)的供排的电磁阀(1)的流体压力驱动阀(10)，该机器学习装置(200)具备：学习用数据集存储单元(202)，其存储多组由输入数据和输出数据构成的学习用数据集，所述输入数据包括主阀(11)的阀开度、驱动流体(A)的压力、螺线管部(3)的控制参数以及流体压力驱动阀(10)的温度，所述输出数据由与输入数据建立了对应关系的流体压力驱动阀(10)的诊断信息构成；学习单元(203)，其通过输入多组学习用数据集，由此学习对输入数据和输出数据的相关关系进行推理的学习模型；以及学习完毕模型存储单元(204)，其存储学习完毕模型。

Description

机器学习装置、数据处理系统、推理装置以及机器学习方法

技术领域

本发明涉及用于进行阀系统的异常诊断的机器学习装置、数据处理系统、推理装置以及机器学习方法。

背景技术

以往，已知有利用电磁阀控制驱动流体来开闭主阀的流体压力驱动阀。例如，在专利文献1中，作为在成套设备的配管中使用的流体压力驱动阀，公开了在设备发生异常的紧急时刻，利用电磁阀控制驱动流体而关闭球阀(主阀)，由此切断在配管中流动的流体的紧急断流阀装置。

现有技术文献

专利文献

专利文献1：日本特开2009－97539号公报

发明内容

发明要解决的问题

在如专利文献1所示的用于成套设备的紧急断流阀等流体压力驱动阀中，为了提高成套设备整体的运转率、可靠性，优选不发生意料之外的异常。因此，在这样的流体压力驱动阀中，希望不仅在发生异常时实施掌握该异常的事后维护，还要实现掌握异常征兆的预测性维护。

在此，流体压力驱动阀的异常征兆可能表现为各种事象，但在流体压力驱动阀可能出现的事象与异常征兆之间的因果关系尚未明确确定。其结果是，流体压力驱动阀的预测性维护是基于依赖于作业者的经验(包括隐性知识)的判断来实施的，存在其精度因负责的作业者而存在差异的问题。

本发明鉴于上述问题而完成，其目的在于提供一种用于高精度地掌握流体压力驱动阀中的异常和异常征兆(以下，在本发明中将它们统称为“异常”)的机器学习装置、数据处理系统、推理装置以及机器学习方法。

用于解决问题的方案

为了实现上述目的，本发明的第一方式的机器学习装置，例如如图1－4所示，应用于至少包括主阀11、驱动所述主阀11的驱动装置12、具备针对所述驱动装置12控制驱动流体A的供排的螺线管部3的电磁阀1的流体压力驱动阀10，所述机器学习装置具备：学习用数据集存储单元202，其存储多组由输入数据和输出数据构成的学习用数据集，所述输入数据包括所述主阀11的阀开度、所述驱动流体12的压力、所述螺线管部3的控制参数以及所述流体压力驱动阀10的温度，所述输出数据由与所述输入数据建立了对应关系的所述流体压力驱动阀10的诊断信息构成；学习单元203，其通过输入多组所述学习用数据集，来学习对所述输入数据与所述输出数据之间的相关关系进行推理的学习模型；以及学习完毕模型存储单元204，其存储由所述学习单元203学习了的所述学习模型。

发明效果

采用本发明的机器学习装置，能够提供一种学习完毕模型，该学习完毕模型能够基于在流体压力驱动阀稳定运转时能够获取的各种信息等来推断流体压力驱动阀有无发生异常。因此，通过利用该学习完毕模型，能够不依赖于作业者的经验而高精度地推断在流体压力驱动阀中发生的异常。

附图说明

图1是示出应用本发明的一个实施方式的机器学习装置等的流体压力驱动阀的一例的概略图。

图2是示出应用本发明的一个实施方式的机器学习装置等的电磁阀的一例的概略图。

图3是示出应用本发明的一个实施方式的机器学习装置等的电磁阀的一例的框图。

图4是本发明的一个实施方式的机器学习装置的概略框图。

图5是示出在本发明的一个实施方式的机器学习装置等中使用的数据的构成例(有监督学习)的图。

图6是示出在本发明的一个实施方式的机器学习装置等中使用的数据的构成例(无监督学习)的图。

图7是示出在本发明的一个实施方式的机器学习装置中实施的有监督学习用的神经网络模型的示例的图。

图8是示出本发明的一个实施方式的机器学习方法的示例的流程图。

图9是示出本发明的一个实施方式的数据处理系统的概略框图。

图10是示出根据本发明的一个实施方式的数据处理系统的数据处理工序的示例的流程图。

具体实施方式

以下，参照附图对用于实施本发明的各实施方式进行说明。需要说明的是，以下示意性地示出用于实现本发明的目的的说明所需的范围，主要说明本发明的相应部分的说明所需的范围，省略说明的部分基于公知技术。

在说明本发明的一个实施方式的机器学习装置、数据处理系统、推理装置以及机器学习方法之前，下面首先对应用机器学习装置等的流体压力驱动阀进行说明。

(流体压力驱动阀)

图1是示出本发明的一个实施方式的流体压力驱动阀10的一例的概略图。本实施方式中的流体压力驱动阀10例如可以作为紧急断流阀使用，所述紧急断流阀在成套设备中设置于供各种气体或石油等流动的配管100，在成套设备出现了异常等的紧急停止时，用于切断配管100的流动。另外，流体压力驱动阀10的设置位置和用途不限于上述例子。

图1所示的流体压力驱动阀10具备：主阀11，其配置在配管100的中途；流体压力式的驱动装置12，其根据驱动流体的流体压力驱动与主阀11连结的阀杆13，由此进行主阀11的开闭操作；以及电磁阀1，其具有对驱动装置12控制驱动流体的供排的功能。

该流体压力驱动阀10所使用的驱动流体采用气动量仪压缩空气(以下简称为“空气”)A。该空气A从空气供给源14经由第一空气配管140供给至电磁阀1，然后经由第二空气配管141供给至驱动装置12。另外，在流体压力驱动阀10连接有用于在外部装置15和电磁阀1之间收发各种数据的通信电缆150和用于从外部电源16向电磁阀1供电的电力电缆160。需要说明的是，驱动流体并不限于上述空气A，也可以是其它气体、液体(例如油)。

外部装置15是用于在与流体压力驱动阀10之间收发各种信息的装置，例如由成套设备管理用计算机(包括本地服务器和云服务器)、作业者(维护检修者)使用的诊断用计算机或者USB存储器、外接HDD等外部存储单元构成。该外部装置15也能够与后述的机器学习装置200连接，发送构成学习用数据集的各种数据。另外，该外部装置15具备由GUI(Graphical User Interface：图形用户界面)等构成的报告单元，该报告单元用于在流体压力驱动阀10发生异常时向作业者等报告发生异常一事及其内容。需要说明的是，外部装置15和电磁阀1之间的通信也可以使用无线通信。

本实施方式的流体压力驱动阀10的驱动方式采用无气关闭方式。因此，在稳定运转时，通过从空气供给源14经由电磁阀1向驱动装置12供给空气A(供气)，由此对主阀11进行打开操作，在紧急停止时、试运转时，通过从驱动装置12经由电磁阀1排出空气A(排气)，由此对主阀11进行关闭操作。需要说明的是，流体压力驱动阀10也可以采用无气打开方式，在该情况下，通过向驱动装置12供给空气A而进行关闭操作，通过从驱动装置12排出空气A而对主阀11进行关闭操作。

主阀11采用球阀。该主阀11的具体结构具备配置在配管100的中途的阀体110和可旋转地设置在阀体110内的球状的阀芯111。另外，在阀芯111的上部连结有阀杆13的第一端部130A。与阀杆13被驱动旋转0度～90度相对应，阀芯111在阀体110内旋转，在主阀11的全开状态(图1所示的状态)与全闭状态之间切换。需要说明的是，作为主阀11使用的阀不限于球阀，例如也可以是蝶阀或其它双位阀。

驱动装置12采用配置在主阀11与电磁阀1之间的单动作式的气缸机构。作为该驱动装置12的具体结构，具备：圆筒状的缸120；一对活塞122A、122B，它们可往复直线移动地设置在该缸120内，经由活塞杆121连结；螺旋弹簧123，其设置在第一活塞122A侧；空气供排口124，其形成在第二活塞122B侧；传递机构125，其设置在以沿径向贯穿缸120的方式配置的阀杆13与活塞杆121正交的部分。需要说明的是，驱动装置12不限于单动作式，例如也可以由多动作式等其它形式构成。

第一活塞122A被螺旋弹簧123施力，以使主阀11向关闭方向动作。另外，第二活塞122B利用从空气供排口124供给的空气A(给气)进行推压，以使主阀11向打开方向动作(克服螺旋弹簧123的作用力)。而且，传递机构125由齿轮齿条机构、连杆机构、凸轮机构等构成，将活塞杆121的往复直线运动转换为旋转运动并传递至阀杆13。

阀杆13形成为轴状，以能够转动的状态贯穿驱动装置12而配置。阀杆13的第一端部130A与主阀11连结，阀杆13的第二端部130B由电磁阀1轴支承。需要说明的是，阀杆13也可以是多个轴经由联轴器等连结的结构。

电磁阀1具有针对驱动装置12控制空气A的供排的功能，例如构成为在常闭型二位(通电时“开”，非通电时“闭”)三通电磁阀。该电磁阀1在作为室内型或防爆型的电磁阀1的外壳起作用的收容部6的内部，具备切换空气A流动的流路的滑阀部2和根据通电状态(通电时或非通电时)使滑阀部2变位的螺线管部3。需要说明的是，该电磁阀1不限于上述类型的三通电磁阀，也可以是三位电磁阀、常开型电磁阀、四通电磁阀等，可以以基于它们的任意组合的各种形成来构成。另外，在本实施方式中，电磁阀1作为流体压力驱动阀10中的导阀使用，但电磁阀1的用途不限于此。

滑阀部2具备经由第一空气配管140与空气供给源14连接的输入口20、经由第二空气配管141与驱动装置12连接的输出口21、排出来自驱动装置12的排气的排气口22。

螺线管部3在通电时使滑阀部2变位，以使输入口20与输出口21之间连通，在非通电时使滑阀部2变位，以使输出口21与排气口22之间连通。

通过上述一系列的结构，在电磁阀1处于通电状态的情况下，来自空气供给源14的空气A(供气)依次流过第一空气配管140、输入口20、输出口21及第二空气配管141，供给至空气供排口124，由此，第二活塞122B被推压，螺旋弹簧123压缩。并且，当经由活塞杆121和传递机构125驱动阀杆13旋转与活塞杆121对应于螺旋弹簧123的压缩而移动的量时，阀芯111在阀体110内旋转，主阀11被操作为全开状态。

另一方面，在电磁阀1为非通电状态的情况下，缸120内的空气A(排气)从空气供排口124依次流过第二空气配管141、输出口21及排气口22，排出到外部空气中，由此第二活塞122B的推压力降低，螺旋弹簧123从压缩状态复原。并且，当经由传递机构125驱动阀杆13旋转与活塞杆121对应于螺旋弹簧123的复原而移动的量时，阀芯111在阀体110内旋转，主阀11被操作为全闭状态。

图2是示出本发明的一个实施方式的电磁阀1的一例的剖视图。如图2所示，本实施方式的电磁阀1除了上述滑阀部2和螺线管部3之外，还具备：多个传感器4，它们获取电磁阀1的各部分的状态；基板5，其载置有多个传感器4中的至少一个；以及收容部6，其收容滑阀部2、螺线管部3、多个传感器4及基板5。

收容部6具备：第一收容部60，其收容滑阀部2；第二收容部61，其与第一收容部60相邻，并且收容螺线管部3、多个传感器4及基板5；接线盒62，其连接通信电缆150和电力电缆160。第一收容部60和第二收容部61例如由铝等金属材料制作。

第一收容部60具有作为输入口20、输出口21及排气口22分别发挥作用的开口部(未图示)。

第二收容部61具备：圆筒状的外壳610，其两端(第一外壳端部610a和第二外壳端部610b)敞开；主体611，其配置于外壳610的内部；螺线管盖612，其对固定于第一外壳端部610a的螺线管部3进行覆盖，以隔离外部空气；以及接线盒盖613，其对固定于第二外壳端部610b的接线盒62进行覆盖，以隔离外部空气。

外壳610具有：轴插入口610c，其形成在外壳610的下部，供阀杆13的第二端部130B插入；主体插入口610d，其形成在外壳610的上部，供主体611插入；电缆插入口610e，其形成在第二外壳端部610b侧，供通信电缆150和电力电缆160插入。

在第一收容部60和第二收容部61，以贯穿主体611的方式形成有：第一流路63，其从输入侧流路26分支而连通输入侧流路26与第一压力传感器40之间；第二流路64，其从输出侧流路27分支而连通输出侧流路27与第二压力传感器41之间；以及滑阀流路65，其供用于使滑阀部2与螺线管部3联动的空气A流动。

滑阀部2具备：滑阀孔23，其形成在作为滑阀壳体发挥作用的第二收容部61内；滑阀24，其可移动地配置在滑阀孔23内；滑阀弹簧25，其对滑阀24施力；输入侧流路26，其连通输入口20和滑阀孔23之间；输出侧流路27，其连通输出口21和滑阀孔23；以及排气流路28，其连通排气口22与滑阀孔23之间。

螺线管部3具备：螺线管壳体30；螺线管线圈31，其收容在螺线管壳体30内；活动铁芯32，其可移动地配置在螺线管线圈31内；固定铁芯33，其以固定状态配置在螺线管线圈31内；以及螺线管弹簧34，其对活动铁芯32施力。

在电磁阀1从非通电状态切换到通电状态的情况下，在螺线管部3，线圈电流流过螺线管线圈31，由此螺线管线圈31产生电磁力，通过活动铁芯32利用该电磁力克服螺线管弹簧34的作用力而被固定铁芯33吸引，由此切换在滑阀流路65中流动的空气A的流通状态。并且，在滑阀部2，通过切换在滑阀流路65中流动的空气A的流通状态，由此滑阀24克服滑阀弹簧25的作用力而移动，从而从连通输入口20与排气口22之间的状态切换到连通输入口20与输出口21之间的状态。

基板5具备：第一基板50，其配置为基板面500A、500B沿着从轴插入口610c插入的阀杆13；第二基板51，其接近接线盒62配置；以及第三基板52，其接近螺线管部3配置。

在第一基板50的基板面500A、500B中的第一基板面500A侧配置主体611、螺线管部3以及第三基板52。在与第一基板面500A侧相反侧的第二基板面500B侧配置第二基板51和接线盒62。

在第一基板50、第二基板51和第三基板52的适当位置配置有传感器4。该传感器4例如包括：第一压力传感器40，其测量在输入侧流路26和第一流路63中流动的空气A的流体压力；第二压力传感器41，其测量在输出侧流路27和第二流路64中流动的空气A的流体压力；以及主阀开度传感器42，其测量阀杆13驱动旋转时的旋转角度，根据该旋转角度获取主阀11的阀开度信息。

主阀开度传感器42例如由磁传感器构成，测量由在阀杆13的第二端部130B安装的永磁体131产生的磁场强度，根据该磁场强度获取主阀11的阀开度信息。该主阀开度传感器42优选载置在以沿着从轴插入口610c插入的阀杆13的方式配置的第一基板5的第一基板面500A中与阀杆13的绕轴的外周对置的位置。由此，在收容部6内，能够不浪费配置空间地将载置在第一基板50的主阀开度传感器42和阀杆13的第二端部130B接近配置，从而能够正确地获取阀开度信息。

图3是示出本发明的一个实施方式的电磁阀1的一例的框图。如图3所示，电磁阀1的电气结构例，除了上述基板3和传感器4之外，还具备控制电磁阀1的控制部7、用于与外部装置15通信的通信部8以及与外部电源16连接的电源电路部9。

多个传感器4作为测量各部分的物理量的传感器组，除了上述第一压力传感器40、第二压力传感器41以及主阀开度传感器42之外，还具备：电压传感器43，其测量对螺线管部3的供给电压；电流/电阻传感器44，其测量螺线管部3中的通电时的电流值和非通电时的电阻值；温度传感器45，其测量收容部6的内部温度；以及磁传感器46，其测量螺线管部3产生的磁场强度。

另外，多个传感器4作为获取与各部分的动作历史有关的信息的传感器组，具备：运转计时器(计时器)47，其测量作为螺线管部3的运转时间的对螺线管部的通电时间的合计和当前的通电联动时间中的至少一者；以及动作计数器(计数器)48，其对电磁阀1、驱动装置12以及主阀11各自的动作次数进行计数。

另外，这些传感器40～48不限于如上所述单独设置各个传感器，也可以由特定的传感器兼具其它传感器的功能，而不单独设置该其它传感器。例如，也可以由磁传感器46测量螺线管部3产生的磁场强度，并且根据该磁场强度求出螺线管部3中通电时的电流值，由此不单独设置电流/电阻传感器44。另外，也可以由微控制器70内置传感器的功能或者实现传感器的功能的一部分，例如，可以由微控制器70内置运转计时器47和动作计数器48，从而不单独设置运转计时器47和动作计数器48。

控制部7具备：微控制器70，其处理由多个传感器4获取的表示电磁阀1的各部分的状态的信息，并且控制电磁阀1的各部分；以及阀测试开关71，其控制螺线管部3的通电状态，实施试运转时的对主阀11的开闭操作。

微控制器70具备CPU(Central Processing Unit：中央处理器)等处理器(未图示)和由ROM(Read Only Memory：只读存储器)、RAM(Random Access Memory：随机存取存储器)等构成的存储器。该微控制器70能够包括实现本实施方式中后述的数据处理系统300的功能。

阀测试开关71用于在满足规定的试运转条件的情况下接受来自微控制器70的指令，作为试运转，执行流体压力驱动阀10的行程测试。

行程测试例如通过全行程测试和部分行程测试中的任一者来执行。全行程测试如下执行：将主阀11在全开状态下从通电状态切换为非通电状态而操作为全闭状态，在全闭状态下从非通电状态切换为通电状态而使之返回全开状态。部分行程测试如下执行：不将主阀11操作为全闭状态(即，不停止成套设备)，将主阀11在全开状态下从通电状态切换为非通电状态而部分地关闭到规定的开度，在部分关闭状态下从非通电状态切换为通电状态而使之返回全开状态。

需要说明的是，作为试运转条件，例如，在基于由管理者作为设定值指定的执行频率(例如，1年1次)的执行时期、特定的指定日期时间到来，或接受来自外部装置15的执行命令，或由管理者操作了设置在电磁阀1的试执行按钮(未图示)的情况下，视为满足试运转条件而执行试运转(行程测试)即可。

(机器学习装置)

在具有上述一系列结构的流体压力驱动阀10中，通过具有上述多个传感器4，能够在例如稳定运转时和非稳定运转时(例如，包括进行开闭操作的试运转时、紧急停止时)，能够获取流体压力驱动阀10的各种信息。因此，下面将对学习推理模型(学习完毕模型)的机器学习装置200进行说明，该推理模型能够基于能够从流体压力驱动阀10获取的信息(状态变量)来推断流体压力驱动阀10的诊断信息。需要说明的是，此处所说的机器学习装置200不仅包括作为单独动作的装置而提供的机器学习装置，还包括以储存有用于使任意的处理器执行以下说明的动作的程序或者用于使任意的处理器执行该动作的一个或多个指令的非暂时性计算机可读介质的形式而提供的机器学习装置。

图4是本发明的一个实施方式的机器学习装置200的概略框图。如图4所示，本实施方式的机器学习装置200包括学习用数据集获取单元201、学习用数据集存储单元202、学习单元203和学习完毕模型存储单元204。

学习用数据集获取单元201是用于从经由例如有线或无线通信线路连接的各种设备获取构成学习(训练)用数据集的多个数据的接口单元。在此，作为与学习用数据集获取单元201连接的各种设备，例如能够举出外部装置15或流体压力驱动阀10的作业者使用的作业者用计算机PC1等。需要说明的是，在图4中示出了学习用数据集获取单元201与外部装置15和计算机PC1分别连接的例子，但外部装置15和作业者用计算机PC1也可以由同一计算机构成。在该学习用数据集获取单元201中，能够从例如外部装置15获取流体压力驱动阀10的多个传感器4的检测数据作为输入数据，并且从例如作业者用计算机PC1获取与该输入数据相关联的流体压力驱动阀10的诊断信息作为输出数据。并且，这些相互关联的输入数据和输出数据构成后述的一个学习用数据集。

图5是示出在本发明的一个实施方式的机器学习装置200中使用的数据的构成例(有监督学习)的图。图6是示出在本发明的一个实施方式的机器学习装置200中使用的数据的构成例(无监督学习)的图。需要说明的是，图5、图6也在对数据处理系统和推理装置的说明中被适当参照。

学习用数据集是指用于在后述的机器学习中使用的数据集，如图5、图6所示，其中输入数据至少包括主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度，输出数据包括流体压力驱动阀10的诊断信息。关于这些各种数据的详情，以下说明一例，但本发明并不局限于此。

主阀11的阀开度是指主阀11的开闭状态的值，能够从上述主阀开度传感器42获取。另外，流体压力驱动阀10的温度是指流体压力驱动阀10的特别是内部温度的值，能够通过上述温度传感器45获取。

空气A的压力优选为在流体压力驱动阀10的内部的各部分流动的空气A的压力，具体而言，优选包括从空气供给源14向电磁阀1供给的空气A的电磁阀输入侧压力、从电磁阀1向驱动装置12供排的空气A的电磁阀输出侧压力以及空气A的电磁阀输入侧压力与空气A的电磁阀输出侧压力的压力差中的至少一个。另外，空气A的电磁阀输出侧压力是从电磁阀1向驱动装置12供排的空气A的压力，包括从电磁阀1向驱动装置12供给空气A时的空气A(供气)的压力和从驱动装置12经由电磁阀1向外部空气排出空气A时的空气A(排气)的压力。其中，空气A的电磁阀输入侧压力能够通过上述第一压力传感器40获取，空气A的电磁阀输出侧压力能够通过上述第二压力传感器41获取，压力差能够根据第一压力传感器40和第二压力传感器41的输出算出。

螺线管部3的控制参数是用于控制螺线管部3的各种参数信息，具体而言，优选包括向螺线管线圈31供给的供给电压、对螺线管线圈31通电时的电流值、螺线管线圈31非通电时的电阻值、螺线管部3的运转时间以及在螺线管部3产生的磁场强度中的至少一个。其中，向螺线管线圈31供给的供给电压能够由上述电压传感器43获取，对螺线管线圈31通电时的电流值和非通电时的电阻值能够由上述电流/电阻传感器44获取，螺线管部3的运转时间能够由上述运转计时器47获取，在螺线管部3产生的磁场强度能够由上述磁传感器46获取。

需要说明的是，构成输入数据的主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度可以分别由某特定时刻的一个数据(时刻数据)构成，也可以如图5、图6的括号所示，由在规定期间内的不同的多个时刻分别获取的多个数据(时序数据)构成。需要说明的是，在各数据由时序数据构成的情况下，主阀11的阀开度的时序数据、空气A的压力的时序数据、螺线管部3的控制参数的时序数据以及流体压力驱动阀10的温度的时序数据分别既可以是以相同的采样周期和相同的相位(没有相位差的状态)在多个时刻获取的数据，也可以是采样周期和相位中的至少一者不同的数据。为了有效地提高推理的精度，优选为后者的时序数据的形式。

流体压力驱动阀10的诊断信息是示出在对流体压力驱动阀10进行异常诊断时流体压力驱动阀10是否出现了某种异常的信息，作为其数据形式可以采用各种形式。异常不仅包括在进行了异常诊断的时刻判明了异常的发生那样的事后异常，还包括在进行了异常诊断的时刻处于判断为正常的允许范围但预见到将来异常的发生那样的异常征兆。

例如，如图5所示，作为一个方式的诊断信息能够由表示流体压力驱动阀10正常(无异常)和异常(有异常)中的任一个的信息构成。在该情况下，诊断信息被分类为2个值，例如将表示流体压力驱动阀10处于正常状态的值设为“0”，将表示流体压力驱动阀10处于异常状态的值设为“1”，由作业者使用作业用计算机PC1以与输入数据相关联的形式输入相应的值即可。需要说明的是，在这种情况下，未必需要与具体的异常内容相关的信息。

此外，如图5的虚线所示，上述诊断信息中表示异常的信息也可以包括异常的具体内容，异常的具体内容例如可以包括主阀11的动作不良、空气A回路不良、来自空气供给源14的空气A的供给压力异常、螺线管部3中的供给电压异常、螺线管线圈31劣化和破损、电路短路、螺线管部3的寿命、流体压力驱动阀10的异常发热、铁芯的动作不良等。在该情况下，诊断信息被分类为多个值(3个以上)，例如将表示流体压力驱动阀10处于正常状态的值设为“0”，将表示流体压力驱动阀10的异常属于主阀11的动作不良的值设为“1”，将表示流体压力驱动阀10的异常属于空气A回路不良的值设为“2”，以下皆相同地根据各异常的内容唯一地事先规定好值，之后由作业者使用作业用计算机PC1以与输入数据相关联的形式输入相应的值即可。通过实施这样的诊断信息的设定，能够准备不仅包括有无异常的发生还包括发生了异常时的异常的具体内容的信息(对应于图6所示的异常1/异常2/…/异常n)的学习用数据集。作为上述一个方式的诊断信息，在以下所述的机器学习中，用于实施有监督学习(参见图5)的情况。

另外，作为流体压力驱动阀10的诊断信息，也可以采用上述以外的信息。例如，如图6所示，其它方式的诊断信息能够采用仅表示流体压力驱动阀10不是异常而是正常的信息。在这种情况下，由于在诊断信息中仅包括表示流体压力驱动阀10正常的信息，因此必然地，包括该诊断信息作为输出数据的学习用数据集仅为由流体压力驱动阀10正常时的输入数据和输出数据构成的数据集。因此，该情况下的学习用数据集的输出数据始终相同，所以本领域技术人员当然能够理解学习用数据集未必具有输出数据作为数据。作为该其它方式的诊断信息，在以下所述的机器学习中，用于实施无监督学习(参见图6)的情况。

作为选择，在学习用数据集内的输入数据中还能够选择性地包括流体压力驱动阀10的总运转时间、对流体压力驱动阀10最后接通电源后的运转时间、主阀11的动作次数、驱动装置12的动作次数、螺线管部3的动作次数以及主阀11的开闭时间。其中，流体压力驱动阀10的总运转时间和对流体压力驱动阀10最后接通电源后的运转时间能够通过上述运转计时器47获取，主阀11的动作次数、驱动装置12的动作次数以及螺线管部3的动作次数能够通过上述动作计数器48获取，主阀11的开闭时间能够使用未图示的计时器等获取。增加输入数据的类型大致有助于提高在机器学习之后得到的学习完毕模型的推断精度，但采用与诊断信息的相关程度较低的输入数据反而有可能阻碍学习完毕模型的推断精度的提高。因此，应考虑应用学习完毕模型的流体压力驱动阀10的状态等，适当地选择用作输入数据的数据的数量和类型。

学习用数据集存储单元202是用于将用于构成由学习用数据集获取单元201获取的学习用数据集的多个数据与相关的输入数据和输出数据相关联地储存为一个学习用数据集的数据库。能够适当地调整构成该学习用数据集存储单元的数据库的具体结构。例如，在图4中，为了便于说明，将该学习用数据集存储单元202和后述的学习完毕模型存储单元204表示为相互独立的存储单元，但它们也能够由单个存储介质(数据库)构成。

学习单元203通过使用存储在学习用数据集存储单元202的多个学习用数据集执行机器学习，由此生成对多个学习用数据集中所包括的输入数据与输出数据的相关关系进行了学习的学习完毕模型。在本实施方式中，如后面详细说明的那样，机器学习的具体方法采用使用了神经网络的有监督学习。但机器学习的具体方法并不限于此，只要能够从学习用数据集学习输入与输出的相关关系，也能够采用其它学习方法。例如，也能够使用集成学习(随机森林、提升算法等)。

学习完毕模型存储单元204是用于存储由学习单元203生成的学习完毕模型的数据库。存储在该学习完毕模型存储单元24中的学习完毕模型根据请求，经由包括因特网的通信线路、存储介质应用于实际系统。稍后将详细描述学习完毕模型对实际系统(数据处理系统300)的具体应用方式。

接下来，以有监督学习为中心，对使用了如上所述得到的多个学习用数据集的、学习单元203中的学习方法进行说明。图7是示出在本发明的一个实施方式的机器学习装置中实施的有监督学习用的神经网络模型的示例的图。图7所示的神经网络模型中的神经网络由位于输入层的l个神经元(x1～x1)、位于第一中间层的m个神经元(y11～y1m)、位于第二中间层的n个神经元(y21～y2n)以及位于输出层的o个神经元(z1～zo)构成。第一中间层和第二中间层也被称为隐藏层，作为神经网络，除了第一中间层和第二中间层以外，还可以具有多个隐藏层，或者也可以仅将第一中间层作为隐藏层。需要说明的是，在图7中，例示了设定有多个(o个)输出层的神经网络模型，但例如在上述诊断信息由一个值确定的情况下，即后述的训练数据的数量为1个(仅t1)的情况下，输出层的神经元的数量也能够为1个(仅z1)。

另外，在输入层与第一中间层之间、第一中间层与第二中间层之间、第二中间层与输出层之间，覆盖有将层间的神经元连接起来的节点，各个节点与权重wi(i为自然数)建立对应关系。

本实施方式的神经网络模型中的神经网络使用学习用数据集，学习主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度与流体压力驱动阀10的诊断信息的相关关系。具体而言，将作为状态变量的主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度分别与输入层的神经元建立对应关系，使用一般的神经网络的输出值的计算方法，也就是使用针对位于输入层的神经元以外的所有神经元以与输出侧的神经元连接的输入侧的神经元的值和权重wi的乘法值的数列之和的形式计算该输出侧的神经元的值的方法，来计算位于输出层的神经元的值，所述权重wi与将输出侧的神经元和输入侧的神经元连接起来的节点建立有对应关系。需要说明的是，关于在将上述状态变量输入到输入层的神经元时以怎样的形式输入作为状态变量获取的信息，可以考虑所生成的学习完毕模型的精度等而适当设定。具体而言，为了调整与各个输入数据对应的神经元的数量，或者为了调整为能够与神经元对应的值，能够对特定的输入数据执行预处理。

然后，将计算出的位于输出层的o个神经元z1～zo的值，即在本实施方式中将1个以上诊断信息与构成学习用数据集的一部分的、同样由1个以上诊断信息构成的训练数据t1～to分别进行比较，求出误差，反复进行调整与各节点建立了对应关系的权重wi(反向传播)，以使求出的误差变小。

然后，在满足了反复实施规定次数的上述一系列工序或者所述误差小于允许值等规定条件的情况下，结束学习，将该神经网络模型(的各节点所对应的全部权重wi)作为学习完毕模型存储在学习完毕模型存储单元204中。

(机器学习方法)

与上述相关，本发明提供一种机器学习方法。以下，参照图5(学习阶段)、图6(学习阶段)、图7、图8对本发明的机器学习方法进行说明。图8是示出本发明的一个实施方式的机器学习方法的示例的流程图。在以下所示的机器学习方法中，基于上述机器学习装置200进行说明，但作为前提的结构不限于上述机器学习装置200。另外，该机器学习方法是通过使用计算机来实现的，但作为计算机能够应用各种计算机，例如能够举出构成外部装置15、作业用计算机PC1或微控制器70的计算机装置、配置在网络上的服务器装置等。另外，关于该计算机的具体结构，例如能够采用至少包括由CPU、GPU等构成的运算装置、由易失性或非易失性存储器等构成的存储装置、用于与网络、其它设备进行通信的通信装置以及连接这些各装置的总线的结构。

作为本实施方式的机器学习方法的有监督学习，作为用于开始机器学习的事前准备，首先，准备希望数量的学习用数据集(参见图5)，将准备好的多个学习用数据集存储在学习用数据集存储单元202中(步骤S11)。关于此处准备的学习用数据集的数量，可以考虑最终得到的学习完毕模型所要求的推理精度来设定。

准备该有监督学习中使用的学习用数据集的方法能够采用几种方法。例如，在特定的流体压力驱动阀10出现了异常的情况下或者作业者识别到异常征兆的情况下，使用多个传感器4等获取此时的流体压力驱动阀10的稳定运转时的各种信息，作业者使用作业用计算机PC1等以与这些信息建立关联的形式来确定、输入诊断信息，由此准备构成学习数据集的输入数据和输出数据(例如，这种情况下的输出数据的值为“1”)。并且，能够采用通过重复这样的作业来准备希望数量的学习用数据集的方法。需要说明的是，作为准备学习用数据集的方法，除了这样的方法以外，还能够采用例如通过积极地在流体压力驱动阀10中制造异常状态来获取学习用数据集等各种方法。但是，流体压力驱动阀10的各种信息在各流体压力驱动阀10多存在特有的倾向，因此，作为获取构成学习用数据集的数据的对象，优选仅从预定的一个流体压力驱动阀10收集构成学习用数据集的数据，该流体压力驱动阀10应用经由后述的机器学习而得到的学习完毕模型。另外，学习用数据集不仅包括由出现异常时的输入输出数据构成的数据集，还包括规定量的由未发生异常时即流体压力驱动阀10的正常状态下的输入数据和输出数据(例如，此时的输出数据的值为“0”)构成的学习用数据集。

当步骤S11完成时，接下来为了开始学习单元203的学习(S12)而准备学习前的神经网络模型。这里准备的学习前的神经网络模型具有例如图7所示的结构作为其结构，并且各节点的权重被设定为初始值。然后，从存储在学习用数据集存储单元202中的多个学习用数据集中，例如随机地选择一个学习用数据集(步骤S13)，将该一个学习用数据集中的输入数据输入到所准备的学习前的神经网络模型的输入层(参见图7)(步骤S14)。

在此，作为上述步骤S14的结果而生成的输出层(参见图7)的值是由学习前的神经网络模型生成的值，因此大部分情况下都是与期望的结果不同的值，即示出与正确的诊断信息不同的信息的值。因此，接下来，使用在步骤S13中获取的一个学习用数据集中的作为训练数据的诊断信息和在步骤S13中生成的输出层的值，实施机器学习(步骤S15)。在此实施的机器学习例如可以是将构成训练数据的诊断信息与输出层的值进行比较并且调整与学习前的神经网络模型中的各节点建立了对应关系的权重以获得优选的输出层的处理(反向传播)。需要说明的是，输出到学习前的神经网络模型的输出层的值的数量和形式是与作为学习对象的学习用数据集中的训练数据相同的数量和形式。

如果对此处所说的机器学习具体地进行例示，则假设构成训练数据的诊断信息由将正常情况设为“0”、将异常情况设为“1”的任一值(二值分类)构成，并且在步骤S13中选择的一个学习用数据集内的输出数据的值为“1”的情况下，输出层的值为0～1的规定的值，具体而言例如输出“0.63”这样的值。因此，在步骤S15中，假若同样的输入数据被输入到输入层时，调整与学习中的神经网络模型的各节点建立了对应关系的权重，使得通过该学习中的神经网络模型获得的值接近“1”。

当在步骤S15中实施机器学习时，例如根据存储在学习用数据集存储单元202内的未学习的学习用数据集的剩余数量来确定是否需要进一步继续机器学习(步骤S16)。然后，在继续进行机器学习的情况下(步骤S16为“否”)，返回步骤S13，在结束机器学习的情况下(步骤S16为“是”)，进入步骤S17。在继续上述机器学习的情况下，使用未学习的学习用数据集对学习中的神经网络模型实施多次步骤S13～S15的工序。最终生成的学习完毕模型的精度一般与该次数成正比地提高。

在结束机器学习的情况下(步骤S16为“是”)，将通过一系列的工序调整与各节点建立了对应关系的权重而生成的神经网络作为学习完毕模型，存储在学习完毕模型存储单元204(步骤S17)，结束一系列的学习过程。在此所存储的学习完毕模型能够应用于后述的数据处理系统300进行使用。

在上述机器学习装置的学习过程和机器学习方法中说明了，为了生成一个学习完毕模型而通过对一个(学习前的)神经网络模型反复执行多次机器学习处理来提高其精度，得到足以应用于数据处理系统300的学习完毕模型。但是，本发明并不限于该获取方法。例如，也可以将实施了规定次数的机器学习的学习完毕模型作为一个候补事先储存在多个学习完毕模型存储单元204，对该多个学习完毕模型组输入有效性判断用的数据集，生成输出层(的神经元的值)，比较研究在输出层中确定的值的精度，选定一个适用于数据处理系统300的最佳学习完毕模型。需要说明的是，有效性判定用数据集只要由与用于学习的学习用数据集相同的数据集构成，并且不用于学习即可。

如以上说明的那样，通过应用本实施方式的机器学习装置和机器学习方法，能够得到如下学习完毕模型：能够从由设置在流体压力驱动阀10的适当部位的多个传感器4获取的各种数据中，正确地导出示出是否出现异常(包括事后异常和异常预兆)的诊断信息。

在上述机器学习装置200的学习方法和机器学习方法中，说明了“有监督学习”。然而，作为生成学习完毕模型的方法，可以使用卷积神经网络(CNN)等的其它已知的“有监督学习”方法，并且还可以使用“无监督学习”，该“无监督学习”使用了包括上述其它方式的诊断信息、即仅表示流体压力驱动阀10不是异常而是正常的信息作为构成输出数据的诊断信息的学习用数据集(参见图6)。通过使用“无监督学习”，即使在关于与输入数据建立了对应关系的输出数据中的诊断信息只能得到流体压力驱动阀10的正常状态的信息的情况下，也能如图6的“学习阶段”所示，通过学习表示输入数据和输出数据的正常状态的特征的相关关系，来得到学习完毕模型。在该情况下，在后述的数据处理系统300中的推理时，通过将判断为与正常状态的特征以规定量不符合的输入数据视为不是正常状态，即视为异常状态，能够实现诊断信息的推理。作为该“无监督学习”的具体方法，例如能够使用图6中简略示出的使用了自动编码器等的已知的方法，在此省略详细说明。

(数据处理系统)

接下来，参照图9说明通过上述机器学习装置200和机器学习方法生成的学习完毕模型的应用例。图9是示出本发明的一个实施方式的数据处理系统的概略框图。

作为本实施方式的数据处理系统300，例示搭载在上述流体压力驱动阀10的微控制器70内的方式。需要说明的是，关于该数据处理系统300，也可以将其至少一部分应用于其它设备，例如与外部装置15、流体压力驱动阀10连接的其它装置。

该数据处理系统300至少包括输入数据获取单元301、推理单元302、学习完毕模型存储单元303和报告单元304。

输入数据获取单元301是与流体压力驱动阀10具有的多个传感器4连接、用于获取各传感器4输出的数据的接口单元。该输入数据获取单元301至少获取主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度。需要说明的是，在图9所示的例子中，与流体压力驱动阀10所具备的全部传感器4连接，以便能够获取在后述的推理中能够使用的全部输入数据，但关于在输入数据获取单元301连接哪个传感器4，能够根据在后述的推理单元302中使用的学习完毕模型等适当选择。另外，推理单元302的推理结果优选存储在未图示的存储单元中，所存储的过去的推理结果例如能够作为用于进一步提高学习完毕模型存储单元303内的学习完毕模型的推理精度的、用于在线学习的学习用数据集来利用。

推理单元302用于根据由输入数据获取单元301获取的流体压力驱动阀10的各种数据推理流体压力驱动阀10是否出现异常。在该推理中，例如使用采用上述机器学习装置200和机器学习方法进行了学习的学习完毕模型，该学习完毕模型被储存在由任意的存储介质构成的学习完毕模型存储单元303内。需要说明的是，该推理单元302不仅具有实施使用了学习完毕模型的推理处理的功能，还包括作为推理处理的预处理的将由输入数据获取单元301获取的输入数据调整为希望的形式等而输入到学习完毕模型的预处理功能、作为推理处理的后处理的通过对学习完毕模型输出的输出值应用例如规定的阈值来最终判断异常(包括事后异常和异常的预兆)的有无出现(无异常(正常)或有异常(异常)的后处理功能。

如上所述，学习完毕模型存储单元303是用于储存推理单元302中使用的学习完毕模型的存储介质。储存在该学习完毕模型存储单元303内的学习完毕模型的数量不限于一个。例如，能够储存所输入的数据的数量不同或者其学习方法不同(例如，由上述机器学习装置200等实施的有监督学习和无监督学习)的多个学习完毕模型，并且能够选择性地使用这些学习模型。

报告单元304用于向作业者等报告推理单元302的推理结果。具体的报告方法能够采用各种方法，例如通过通信部8将推理结果发送到外部装置15，在外部装置15的GUI上进行显示等，或者在流体压力驱动阀10预先设置发光部件、扬声器等，使它们动作，由此能够向作业者等报告有无出现异常。

下面，参照图5(推理阶段)、图6(推理阶段)、图10，对具有以上结构的数据处理系统的数据处理过程进行说明。图10是示出本发明的一个实施方式的数据处理系统300的数据处理工序的示例的流程图。

当开始从外部电源16向流体压力驱动阀10的电磁阀1供电，随之开始流体压力驱动阀10的异常诊断时，输入数据获取单元301获取由多个传感器4获取的表示流体压力驱动阀10的各部分的状态的各种数据(步骤S21)。在输入数据获取单元301得以获得了所希望的输入数据(主阀11的阀开度、空气A的压力、螺线管部3的控制参数以及流体压力驱动阀10的温度(参见图5、图6))的时刻，实施基于该输入数据的推理单元302的推理(步骤S22)。此时，优选事先确定用于推理的学习完毕模型。另外，在事先确定的学习完毕模型例如需要规定的时序数据作为其输入数据的情况下，在输入数据获取单元301中获取必要的数据量之后，实施步骤S22中的推理。

具体而言，推理单元302对输入数据实施预处理并输入到学习模型完成模型，并且对来自该学习模型完成模型的输出值实施后处理，由此判断作为推理结果的有无出现异常(包括事后异常和异常预兆)。有监督学习(参见图5的“推理阶段”)的后处理中，推理单元302将学习模型完成模型的输出值(如果是二值分类，则为0～1之间的数值)和规定的阈值进行比较，例如，如果学习模型完成模型的输出值为规定的阈值以上，则判断为“有异常(异常)”，如果小于规定的阈值，则判断为“无异常(正常)”，从而将该判断结果作为推理结果输出。另外，在无监督学习(参见图6的“推理阶段”)的后处理中，推理单元302求出学习模型完成模型的输出值(特征量)与基于输入数据的特征量之差(距离)，如果该差(距离)为规定的阈值以上，则判断为“有异常(异常)”，如果该差(距离)小于规定的阈值，则判断为“无异常(正常)”，从而将该判断结果作为推理结果输出。

然后，在步骤S22中，实施推理单元302的推理，并且在该推理结果表示“无异常(正常)”的情况下(步骤S23为“否”)，返回步骤S21，继续进行一系列的推理。另一方面，如图5、图6所示，在该推理结果表示“有异常(异常)”的情况下(步骤S23为“是”)，通过报告单元304向作业者等报告推理结果是“有异常(异常)”，即在流体压力驱动阀10中出现异常(包括事后异常和异常预兆)(步骤S24)。然后，在步骤S24中报告出现异常后，返回步骤S21，继续进行一系列的推理。需要说明的是，也可以根据流体压力驱动阀10的使用用途、所检测出的异常的内容，执行在检测出异常的阶段停止流体压力驱动阀10这一应对。

(推理装置)

本发明不仅能够采用上述数据处理系统300的方式，也能够以用于实施推理的推理装置的方式提供。在这种情况下，推理装置包括存储器和至少一个处理器，其中的处理器能够执行一系列的处理。该一系列的处理包括：获取包括主阀的阀开度、驱动流体的压力、螺线管的控制参数以及流体压力驱动阀的温度的输入数据的处理；以及在输入了该输入数据时推理流体压力驱动阀10中的诊断信息的处理。通过以上述推理装置的方式提供本发明，与安装数据处理系统300的情况相比，能够简单地适用于各种流体压力驱动阀10。本领域技术人员当然能够理解：此时，在推理装置实施推理诊断信息的处理时，也可以使用此前在本说明书中说明的、由数据处理系统的推理单元302使用本发明中的通过机器学习装置和机器学习方法学习得到的学习完毕模型实施的推理方法。

本发明不限于上述实施方式，在不脱离本发明的主旨的范围内能够进行各种变更来实施。而且这些都包括在本发明的技术思想中。

附图标记说明

1：电磁阀；3：螺线管部；4：传感器；10：流体压力驱动阀；11：主阀；12：(流体压力式)驱动装置；14：空气供给源；15：外部装置；26：输入侧流路；27：输出侧流路；28：排气流路；30：螺线管壳体；31：螺线管线圈；32：活动铁芯；40：第一压力传感器；41：第二压力传感器；42：主阀开度传感器；43：电压传感器；44：电流/电阻传感器；45：温度传感器；46：磁传感器；47：运转计时器(计时器)；48：动作计数器(计数器)；70：微控制器；100：配管；200：机器学习装置；201：学习用数据集获取单元；202：学习用数据集存储单元；203：学习单元；204：学习完毕模型存储单元；300：数据处理系统；301：输入数据获取单元；302：推理单元；303：学习完毕模型存储单元；304：报告单元；A：空气(驱动流体)；PC1：作业用计算机。

Claims (11)

1.一种机器学习装置，应用于至少具备主阀、驱动所述主阀的驱动装置以及具备针对所述驱动装置控制驱动流体的供排的螺线管部的电磁阀的流体压力驱动阀，其中，具备：

学习用数据集存储单元，其存储多组由输入数据和输出数据构成的学习用数据集，所述输入数据包括所述主阀的阀开度、所述驱动流体的压力、所述螺线管部的控制参数以及所述流体压力驱动阀的温度，所述输出数据由与所述输入数据建立了对应关系的所述流体压力驱动阀的诊断信息构成；

学习单元，其通过输入多组所述学习用数据集，由此学习对所述输入数据和所述输出数据的相关关系进行推理的学习模型；以及

学习完毕模型存储单元，其存储由所述学习单元学习了的所述学习模型。

2.根据权利要求1所述的机器学习装置，其中，

所述诊断信息是表示所述流体压力驱动阀正常和异常中的任一个的信息。

3.根据权利要求1所述的机器学习装置，其中，

所述诊断信息是仅表示所述流体压力驱动阀不是异常而是正常的信息。

4.根据权利要求1到3中任一项所述的机器学习装置，其中，

所述流体压力驱动阀与用于向所述电磁阀供给所述驱动流体的驱动流体供给源连接，

构成所述输入数据的所述驱动流体的压力是从所述驱动流体供给源向所述电磁阀供给的所述驱动流体的电磁阀输入侧压力、从所述电磁阀向所述驱动装置供排的所述驱动流体的电磁阀输出侧压力以及所述电磁阀输入侧压力与所述电磁阀输出侧压力的压力差中的至少一个。

5.根据权利要求1到4中任一项所述的机器学习装置，其中，

构成所述输入数据的所述螺线管部的控制参数是所述螺线管部的供给电压、所述螺线管部通电时的电流值、所述螺线管部的电阻值、所述螺线管部的运转时间以及所述螺线管部的磁场强度中的至少一个。

6.根据权利要求1到5中任一项所述的机器学习装置，其中，

所述流体压力驱动阀还具备检测所述流体压力驱动阀的运转时间的计时器，

所述输入数据还包括由所述计时器获取的流体压力驱动阀的总运转时间和对所述流体压力驱动阀最后接通电源后的运转时间。

7.根据权利要求1到6中任一项所述的机器学习装置，其中，

所述流体压力驱动阀还具备分别检测所述主阀、所述驱动装置及所述螺线管部的动作次数的计数器，

所述输入数据还包括所述主阀的动作次数、所述驱动装置的动作次数以及所述螺线管部的动作次数。

8.根据权利要求1到7中任一项所述的机器学习装置，其中，

所述输入数据还包括所述主阀的开闭时间。

9.一种数据处理系统，用于流体压力驱动阀，该流体压力驱动阀至少具备主阀、驱动所述主阀的驱动装置以及包括针对所述驱动装置控制驱动流体的供排的螺线管部的电磁阀，其中，所述数据处理系统具备：

输入数据获取单元，其获取包括所述主阀的阀开度、所述驱动流体的压力、所述螺线管部的控制参数以及所述流体压力驱动阀的温度的输入数据；和

推理单元，其将由所述输入数据获取单元获取的所述输入数据输入到由权利要求1到8中任一项所述的机器学习装置生成的学习完毕模型，推理所述流体压力驱动阀的诊断信息。

10.一种推理装置，用于流体压力驱动阀，该流体压力驱动阀至少具备主阀、驱动所述主阀的驱动装置以及包括针对所述驱动装置控制驱动流体的供排的螺线管部的电磁阀，其中，

所述推理装置具备存储器和至少一个处理器，

所述至少一个处理器构成为执行如下处理：

获取包括所述主阀的阀开度、所述驱动流体的压力、所述螺线管部的控制参数以及所述流体压力驱动阀的温度的输入数据；和

当输入所述输入数据时，推理所述流体压力驱动阀的诊断信息。

11.一种机器学习方法，使用应用于流体压力驱动阀的计算机，该流体压力驱动阀至少具备主阀、驱动所述主阀的驱动装置以及包括针对所述驱动装置控制驱动流体的供排的螺线管部的电磁阀，其中，所述机器学习方法具备如下步骤：

存储多组由输入数据和输出数据构成的学习用数据集，所述输入数据包括所述主阀的阀开度、所述驱动流体的压力、所述螺线管部的控制参数以及所述流体压力驱动阀的温度，所述输出数据由与所述输入数据建立了对应关系的所述流体压力驱动阀的诊断信息构成；

通过输入多组所述学习用数据集，由此学习对所述输入数据和所述输出数据的相关关系进行推理的学习模型；

对学习了的所述学习模型进行存储。

Images