JP7275305B2 - 故障予測装置、学習装置、および学習方法 - Google Patents

Description

本開示は、故障予測装置、学習装置、および学習方法に関する。

モータの主軸の軸受けの故障を予測する予測装置が提案されている。たとえば、特許文献１には、軸受けの故障を予測するために、機械学習を実行する学習装置が開示されている。

特許第６１４０３３１号公報

特許文献１記載の発明では、軸受けの故障の予測に最適な情報が用いられていなかった。したがって、特許文献１記載の発明では、軸受けの故障の予測精度を向上させることができなかった。

本開示は上述のような問題点を解決するためになされたものであって、ある局面における目的は、軸受けの故障の予測精度を向上させることができる技術を提供することである。

本開示のある局面に従うと、電子機器に搭載されているモータの軸受けの故障を予測する故障予測装置であって、変数取得部と、変換部と、生成部と、出力部とを備える。変数取得部は、モータの状態を示す第１状態変数、および電子機器の状態を示す第２状態変数のうち少なくとも１つを状態変数として取得する。変換部は、状態変数を周波数領域に変換する。生成部は、変換部により周波数領域に変換された状態変数の周波数特性と、前記状態変数の周波数特性と前記軸受けの故障に関するモデル故障情報との関係を示すモデルとを用いて、前記軸受けの故障に関する故障情報を生成する。出力部は、生成部により生成された前記故障情報を出力する。

本開示の別の局面に従うと、電子機器に搭載されているモータの軸受けの故障を予測するために用いられる推定モデルを最適化するための学習装置であって、データ取得部と、抽出部と、学習部とを備える。データ取得部は、モータの状態を示す第１状態変数、および電子機器の状態を示す第２状態変数のうち少なくとも１つである状態変数が周波数領域に変換された状態変数の周波数特性と、当該周波数特性に対して軸受けの故障に関する故障情報がラベル付けされた複数の学習用データとを含む学習用データセットを取得する。抽出部は、学習用データセットから、周波数特性を抽出する。学習部は、学習用データセットから抽出された周波数特性を推定モデルに入力して出力される推定結果が、当該学習用データセットにラベル付けされている故障情報に近づくように、推定モデルを最適化する。

本開示によると、周波数領域に変換された状態変数の周波数特性を用いて、モータの主軸の軸受けの故障の予測を行う。したがって、本開示によると、軸受けの故障の予測精度を向上させることができる。

本実施の形態の学習システムの構成例を説明するための図である。 圧縮機の内部を説明するための図である。 本実施の形態の学習装置のハードウェア構成の一例を説明するための図である。 主軸と主軸受けの潤滑状態が正常な場合を説明するための図である。 主軸と主軸受けの潤滑状態が異常な場合を説明するための図である。 故障モードを説明するための図である。 周波数特性を説明するための図である。 学習用データセットの生成手法の一例を説明するための図である。 抽出部と、学習部との処理の詳細を説明するための図である。 推定モデル１４００の構成例を説明するための模式図である。 学習装置のフローチャートの一例である。 本実施の形態の故障予測システムの構成例を説明するための図である。 第１テーブルの一例を説明するための図である。 故障情報の第１変形例を説明するための図である。 故障情報の第２変形例を説明するための図である。 第２テーブルの一例を説明するための図である。 第３テーブルの一例を説明するための図である。 交換時期の表示態様の一例を説明するための図である。 故障予測装置のハードウェア構成の一例を説明するための図である。 生成部の処理を説明するための図である。 故障予測装置のフローチャートの一例である。 実施の形態３の学習システムを説明するための図である。 実施の形態４の故障予測システムを説明するための図である。

以下、本実施の形態の故障予測装置および学習装置等を図面等を参照しながら説明する。各図面において、同一の符号を付したものは、同一またはこれに相当するものであり、以下に記載する実施の形態の全文において共通であるものとする。明細書全文に記載されている構成要素の形態は、あくまでも例示であって、明細書に記載された形態に限定するものではない。特に、構成要素の組み合わせは、各実施の形態における組み合わせのみに限定するものではなく、他の実施の形態に記載した構成要素を別の実施の形態に適用することができる。

実施の形態１．
［学習システムの構成例］
本実施の形態の故障予測装置は、いわゆる人工知能（ＡＩ：artificial intelligence）を用いて、軸受けの故障を予測する。実施の形態１では、軸受けの故障の予測の説明に先立って、まず、学習処理について説明する。この学習処理は、モータの軸受けの故障を予測するために用いられる推定モデルを生成するためのものである。また、後述の実施の形態２で、故障予測装置を説明する。

図１は、本実施の形態の学習システム１０００の構成例を示す図である。学習システム１０００は、学習装置１００と、空調機２００とを有する。空調機２００は、圧縮機５０を含む。本実施の形態の学習システム１０００は、圧縮機５０の軸受けの故障を予測するために用いられる推定モデルを生成するためのものである。なお、図１では特に図示しないが、空調機２００は、圧縮機５０、熱交換器（図示せず）、および熱交換器に風をあてるファン（特に図示せず）とで構成されることにより、所謂、空調サイクルを実現している。なお、図１では、学習装置１００と空調機２００とが一体化している例を示す。

まず、空調機２００を説明する。空調機２００は、交流電源１と、整流回路２と、電解コンデンサ３と、インバータ４と、母線５と、母線電流センサ６と、母線電圧センサ７と、電流センサ８と、三相電力線９と、圧縮機５０とを含む。

整流回路２は、交流電源１からの三相（たとえば、ＵＶＷ相）交流電力を直流電力に変換する。電解コンデンサ３は、整流回路２からの直流電力を平滑する。圧縮機５０は、インバータ４に接続されている。

インバータ４は、母線５から圧縮機５０に対して交流電力を出力する。定型的には、インバータ４は、整流回路２からの直流電力を交流電力に変換し、三相電力線９を介して、三相交流電力を圧縮機５０に出力する。圧縮機５０は、三相交流電力により駆動する。

母線電流センサ６は、母線５の電流（以下、「母線電流」という。）を検出する。換言すれば、母線電流センサ６は、整流回路２により変換された母線電流を検出する。母線電圧センサ７は、母線５の電圧（以下、「母線電圧」という。）を検出する。換言すれば、母線電圧センサ７は、整流回路２により変換された母線電圧を検出する。電流センサ８は、圧縮機５０に出力される三相交流電流（以下、「交流電流」という。）を検出する。

次に、学習装置１００を説明する。第１測定部１０１と、第２測定部１０２と、第３測定部１０３と、第４測定部１０４と、故障判定部１１２と、観測部１１４と、変換部１１６と、取得部１１８と、抽出部１２０と、学習部１２２との機能を有する。

第１測定部１０１は、母線電流センサ６が検出した母線電流を測定する。第１測定部１０１は、測定した母線電流を観測部１１４に時系列データとして出力する。ここで、「時系列データ」とは、所定時間（たとえば、０．１秒）経過毎に出力されるデータであることをいう。第２測定部１０２は、母線電圧センサ７が検出した母線電圧を測定する。第２測定部１０２は、測定した母線電圧を観測部１１４に時系列データとして出力する。第３測定部１０３は、電流センサ８が検出した交流電流を測定する。第３測定部１０３は、測定した交流電流を観測部１１４に時系列データとして出力する。

また、母線電流、母線電圧、および交流電流は、圧縮機５０に含まれるモータ５３（図２参照）の状態を示す変数である。母線電流、母線電圧、および交流電流を「第１状態変数」ともいう。

第４測定部１０４は、圧縮機５０内での冷媒の圧力、圧縮機５０周辺の温度、圧縮機５０周辺の湿度、および冷媒の流量を測定する。「圧縮機５０内での冷媒の圧力」を「冷媒圧力」という。「圧縮機５０周辺の温度」を「圧縮機５０の温度」という。「圧縮機５０周辺の湿度」を「圧縮機５０湿度」という。「冷媒の流量」を「冷媒流量」という。冷媒圧力、温度、湿度、および冷媒圧力は、空調機２００の運転状態を示す情報である。第４測定部１０４は、冷媒圧力、温度、湿度、および冷媒流量を時系列データとして出力する。冷媒圧力、温度、湿度、および冷媒圧力を、「第２状態変数」または「空調機２００の運転状態を示す変数」ともいう。第１状態変数および第２状態変数をまとめて「状態変数」ともいう。つまり、「状態変数」は、「母線電流、母線電圧、交流電流、冷媒圧力、温度、湿度、および冷媒流量」という７つの変数から構成される。「状態変数」は、「パラメータ」または「特徴量」と表現してもよい。

また、第１測定部１０１、第２測定部１０２、第３測定部１０３、および第４測定部１０４をまとめて「測定部」という。本実施の形態では、測定部が測定した「母線電流、母線電圧、交流電流、冷媒圧力、温度、湿度、および冷媒流量」という７つの変数が「状態変数」である。

観測部１１４は、これら７つの変数を観測することにより、この７つの変数を取得する。観測部１１４は、本開示の「変数取得部」に対応する。観測部１１４が取得した７つの変数は、変換部１１６に入力される。変換部１１６は、７つの変数のそれぞれを周波数領域に変換する。変換部１１６は、たとえば、フーリエ変換または高速フーリエ変換により、７つの変数のそれぞれを周波数領域に変換する。なお、変換部１１６は、他の手法により、７つの変数のそれぞれを周波数領域に変換するようにしてもよい。変換部１１６により周波数領域に変換された状態変数の周波数特性は、取得部１１８に出力される。

故障判定部１１２は、たとえば、予め定められた方法を用いて、圧縮機５０の軸受けの故障を判定する。実施の形態２で説明する故障予測装置によって生成される故障情報とは独立して、故障判定部１１２は、故障情報を生成する。また、故障情報は、圧縮機５０内での軸受けの故障の有無、軸受けの故障の度合い、および軸受けの故障の種別のうち少なくとも１つを示す情報である。

また、故障判定部１１２は、実施の形態２で説明する故障予測装置を模擬したシミュレーション環境において、圧縮機５０の故障状態を再現しておき、その故障状態に応答して、故障情報を生成するようにしてもよい。また、故障を認識したユーザの入力操作に応答して、故障判定部１１２が、故障情報を生成するようにしてもよい。故障判定部１１２が生成した故障情報は、取得部１１８に入力される。

取得部１１８は、モータの状態を示す状態変数が周波数領域に変換された状態変数の周波数特性と、当該周波数特性に対して軸受けの故障に関する故障情報がラベル付けされた複数の学習用データとを含む学習用データセットを取得する。取得部１１８は、本開示の「データ取得部」に対応する。また、抽出部１２０は、学習用データセットから、周波数特性を抽出する。学習部１２２は、学習用データセットから抽出された周波数特性を推定モデルに入力して出力される推定結果が、当該学習用データセットにラベル付けされている故障情報に近づくように、推定モデルを最適化する。なお、取得部１１８、抽出部１２０、および学習部１２２の処理の詳細は後述する。

［圧縮機について］
図２は、圧縮機５０の内部を示す図である。図２は、圧縮機５０が有する主軸５２の延伸方向に沿った断面図である。図２を参照して、本実施の形態の圧縮機５０を説明する。図２の圧縮機５０は、吸入管５１と、主軸５２と、モータ５３と、潤滑油５４と、オイルポンプ５５と、副軸受け５６と、主軸受け５７と、圧縮機構５８と、吐出管５９とを含む。空調機２００の一部を構成している圧縮機５０は、配管にて冷媒を介することで、冷凍サイクルを形成している。本実施の形態の学習装置１００は、主軸受け５７の故障を予測するために用いられる推定モデルを生成する。なお、変形例として、学習装置１００は、主軸受け５７および副軸受け５６の故障を予測するために用いられる推定モデルを生成してもよい。また、学習装置１００は、副軸受け５６の故障を予測するために用いられる推定モデルを生成してもよい。

低温かつ低圧である冷媒Ａは、圧縮機５０の内部に吸入管５１から吸入される。または、モータ５３は、たとえば、三相電力線９（図１参照）に直接的または間接的に接続されている。モータ５３は、インバータ４から三相電力線９を経由して出力された交流電力に従い、駆動する。主軸５２は、モータ５３と接続される。モータ５３の駆動により、主軸５２は回転する。主軸５２の回転エネルギーは、圧縮機構５８に伝達される。

潤滑油５４は、圧縮機５０の底部に貯留している。潤滑油５４は、オイルポンプ５５により、副軸受け５６に供給される。供給された潤滑油５４は、副軸受け５６と主軸５２を潤滑する。また、潤滑油５４は、オイルポンプ５５により、主軸受け５７に供給される。供給された潤滑油５４は、主軸受け５７と主軸５２を潤滑する。吐出管５９は、圧縮機構５８で圧縮された高温かつ高圧の冷媒Ａを圧縮機５０の外部に吐出する。

また、本実施の形態では、第１センサ６１と、第２センサ６２と、第３センサ６３と、第４センサ６４とが、圧縮機５０に配置されている。第１センサ６１は、冷媒Ａの圧力を検出する。第２センサ６２は、圧縮機５０の周囲の温度を検出する。第３センサ６３は、圧縮機５０の周囲の湿度を検出する。第４センサ６４は、圧縮機５０に流入される冷媒Ａの流量を測定する。本実施の形態では、流量は、単位時間（たとえば、１秒）当たりに、圧縮機５０に流入される冷媒の量である。

第１センサ６１が検出した冷媒Ａの圧力（つまり、図１に記載の冷媒圧力）は、第４測定部１０４に出力される。第２センサ６２が検出した圧縮機５０の周囲の温度（つまり、図１に記載の温度）は、第４測定部１０４に出力される。第３センサ６３が検出した圧縮機５０の周囲の湿度（つまり、図１に記載の湿度）は、第４測定部１０４に出力される。第４センサ６４が検出した冷媒Ａの流量（つまり、図１に記載の冷媒流量）は、第４測定部１０４に出力される。

［学習装置１００のハードウェア構成例］
図３は、本実施の形態の学習装置１００のハードウェア構成の一例を示す模式図である。図３を参照して、学習装置１００は、主要なハードウェア要素として、プロセッサ３０４と、メモリ３０６と、ネットワークコントローラ３０８と、ストレージ３１０とを含む。

プロセッサ３０４は、各種プログラムを実行することで、学習装置１００の実現に必要な処理を実行する演算主体である。プロセッサ３０４は、たとえば、１以上のＣＰＵ、および１以上のＧＰＵのうちの少なくとも１つ等で構成される。プロセッサ３０４として、複数のコアを有するＣＰＵおよびＧＰＵの少なくとも１つが使用されるようにしてもよい。学習装置１００においては、学習済モデルを生成するための学習処理に適したＧＰＵ等を採用することが好ましい。

メモリ３０６は、プロセッサ３０４が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等を一時的に格納する記憶領域を提供する。メモリ３０６としては、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）等の揮発性メモリデバイスを用いてもよい。

本実施の形態では、ネットワークコントローラ３０８は、空調機２００等との間でデータを送受信する。また、ネットワークコントローラ３０８は、他の装置との間でデータを送受信するようにしてもよい。ネットワークコントローラ３０８は、たとえば、イーサネット（登録商標）、無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の任意の通信方式に対応するようにしてもよい。

ストレージ３１０は、プロセッサ３０４にて実行されるＯＳ３１２、後述の学習用データセット３２４を生成するための前処理プログラム３１６、ならびに、学習用データセット３２４を用いて学習済モデル３２６を生成するための学習用プログラム等を格納する。

周波数特性３２０は、変換部１１６（図１参照）により状態変数が周波数領域に変換された情報である。周波数特性３２０は、変換部１１６から取得部１１８に送信される情報である。故障情報３２２は、故障判定部１１２（図１参照）が生成した情報である。故障情報３２２は、故障判定部１１２から取得部１１８に送信される情報である。

学習用データセット３２４は、周波数特性３２０に故障情報３２２をラベル（あるいは、タグ）として付与した訓練データセットである。学習済モデル３２６は、学習用データセット３２４を用いて学習処理を実行することで得られる。

ストレージ３１０は、たとえば、ハードディスク、ＳＳＤ（Solid State Drive）等の不揮発性メモリデバイスを用いてもよい。

前処理プログラム３１６および学習用プログラム３１８をプロセッサ３０４で実行する際に必要となるライブラリまたは機能モジュールの一部を、ＯＳ３１２が標準で提供するライブラリまたは機能モジュールを用いるようにしてもよい。この場合には、前処理プログラム３１６および学習用プログラム３１８の各単体では、対応する機能を実現するために必要なプログラムモジュールのすべてを含むものにはならないが、ＯＳ３１２の実行環境下にインストールされることで、本実施の形態の機能構成を実現できることになる。そのため、このような一部のライブラリまたは機能モジュールを含まないプログラムであっても、本実施の形態の技術的範囲に含まれ得る。

前処理プログラム３１６および学習用プログラム３１８は、光学ディスク等の光学記録媒体、フラッシュメモリ等の半導体記録媒体、ハードディスクまたはストレージテープ等の磁気記録媒体、ならびにＭＯ等の光磁気記録媒体といった非一過的な記録媒体に格納されて流通し、ストレージ３１０にインストールされてもよい。したがって、本実施の形態の学習用プログラム３１８は、ストレージ３１０等にインストールされたプログラム自体、または、本実施の形態に従う機能または処理を実現するためのプログラムを格納した記録媒体でもあり得る。

また、学習装置１００を実現するためのプログラムは、上述したような任意の記録媒体に格納されて流通するだけでなく、インターネットまたはイントラネットを介してサーバ装置等からダウンロードすることで配布されてもよい。

図３には、汎用コンピュータ（プロセッサ３０４）が前処理プログラム３１６および学習用プログラム３１８を実行することで学習装置１００を実現する構成例を示す。しかし、学習装置１００を実現するために必要な機能の全部または一部を、集積回路等のハードワイヤード回路を用いて実現してもよい。たとえば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（field-programmable gate array）等を用いて実現してもよい。

［主軸受けの故障について］
次に、主軸受け５７の故障について説明する。図４および図５は、主軸受け５７の故障を説明するための図である。図４および図５は、主軸５２および主軸受け５７の箇所において、主軸５２の延伸方向と垂直な面での断面図である。図４は、主軸５２と主軸受け５７の潤滑状態が正常な場合を示す図である。図５は、主軸５２と主軸受け５７の潤滑状態が異常な場合を示す図である。

図４に示すように、潤滑状態が正常な場合には、主軸５２と主軸受け５７との間に潤滑油５４が満たされているため、円滑に主軸５２が回転できる。また、圧縮機５０の温度および圧縮機５０の経年劣化等の影響により、潤滑油５４の粘度が低くなり、その結果、主軸５２と主軸受け５７との間の油膜が確保できなくなる場合がある。この場合には、潤滑状態が異常となる。主軸５２と主軸受け５７の潤滑状態が異常な場合に、主軸５２が回転すると、図５に示すように主軸５２と主軸受け５７とが接触した状態で主軸５２が回転するため、主軸受け５７が損傷する可能性がある。

主軸受け５７が損傷した状態で、主軸５２が回転し続ければ、主軸受け５７の損傷度合いが悪化してしまう。その結果、圧縮機５０が動作できなくなり、たとえば、システム停止（ダウンタイム）が発生し、圧縮機５０の稼働率低下を招いてしまう。

［故障モードについて］
図６は、故障モードを説明するための図である。本実施の形態の学習装置１００は、後述する故障予測装置４００が故障モードを予測できるように、学習処理を実行する。また、故障モードは、故障の種別を示す情報である。図６に示すように、主軸受け５７の故障には、圧痕、異物混入、焼付き、摩耗、および腐食（さび）等の故障モードが存在する。故障モードは、典型的には、故障の種別を示す情報である。

「圧痕」は、圧縮機５０が、過度な衝撃を受けた場合に発生する。「異物混入」は、主軸５２と主軸受け５７との間に異物が混入した場合に発生する。「焼付き」は、潤滑油５４が枯渇した場合に発生する。「摩耗」は、図５で説明したように、潤滑油５４の粘度が低下し、主軸５２と主軸受け５７が金属接触した場合に発生する。「腐食」は、圧縮機５０の経年により発生する。また、故障の種別は、図６で示した例に限られず、他の故障を含むようにしてもよい。

また、図６で説明した故障として、１種類の故障が発生する場合、および２種類以上の故障が発生する場合がある。

［周波数特性］
図７は状態変数が周波数領域に変換された場合の周波数特性を説明するための図である。図７は、状態変数のうちの交流電流の一つであるＵ相電流が周波数領域に変換されることにより得られる周波数特性を説明するための図である。図７において、縦軸が「スペクトル」を示し、横軸が「周波数」を示す。なお、本実施の形態では、「スペクトル」と、「周波数特性」とは同義であるとする。しかしながら、「スペクトル」と、「周波数特性」とは異なる概念であるとしてもよい。

図７では、実線は、主軸受け５７が正常である場合を示す。破線は、主軸受け５７について、摩耗（図６の故障モード４参照）による異常が発生した場合を示す。一点鎖線は、主軸受け５７について、焼付き（図６の故障モード２参照）による異常が発生した場合を示す。

図７の例では、主軸受け５７が正常および異常のいずれであっても、基本周波数ｆａのスペクトルは高い。基本周波数ｆａよりも高い周波数の領域を高周波数領域という。高周波数領域は、典型的には、基本周波数ｆａの３倍以上の周波数の領域であるとする。

図７の例において、高周波数領域に属する周波数ｆｂでは、焼付きによる異常が発生した場合のスペクトルが最も高く、摩耗による異常が発生した場合のスペクトルが次に高く、主軸受け５７が正常である場合のスペクトルが最も低い。

図７に示すように、主軸受け５７の異常の発生の有無、および発生している異常の種別等に応じて、ある周波数（図７の例では、周波数ｆｂ）において、周波数特性（スペクトル）が異なる。したがって、状態変数（図７の例では、交流電流）の周波数特性（スペクトル）に基づいて、主軸受け５７の異常の発生の有無、および発生している異常の種別等が判別される。なお、異常とは、故障に至るまでの状態であり、この異常状態が続くと、圧縮機５０が故障すると定義してもよい。また、特に図示しないが、主軸受け５７の複数種類の異常が発生した場合にも、高周波数領域のある周波数において、該複数種類の異常に対応するスペクトルが生じる。

次に、主軸受け５７の異常の発生の有無、および発生している異常の種別等に応じて、ある周波数において、交流電流の周波数特性が異なる理由を説明する。一般的に、モータ５３の主軸５２は高速回転しており、主軸５２を駆動させるための交流電流の周波数成分は大きくなる。したがって、主軸受け５７に異常がある場合には、主軸５２を駆動させるための交流電流に高周波成分のノイズが発生しやすい傾向がある。よって、主軸受け５７の異常の発生の有無、および発生している異常の種別等に応じて、交流電流の高周波数成分の周波数特性に違いが生じることになる。また、同様の理由により、状態変数としての母線電流および母線電圧についても、主軸受け５７の異常の発生の有無、および発生している異常の種別等に応じて、周波数特性の違いが生じる。

また、モータ５３の主軸５２は高速回転しており、特に、主軸受け５７の異常が発生している場合には、圧縮機５０は、大きく振動する場合がある。したがって、主軸受け５７に異常がある場合には、空調機２００の運転状態（つまり、冷媒圧力、温度、湿度、および冷媒流量）の高周波成分のノイズが発生しやすい傾向がある。よって、空調機２００の運転状態についても、主軸受け５７の異常の発生の有無、および発生している異常の種別等に応じて、周波数特性の違いが生じることになる。

また、圧縮機５０が、通常動作、加速動作、および減速動作のいずれを実行していたとしても、状態変数を、周波数領域に変換する際に、サンプリング周波数を細かくすることで、主軸受け５７の正常時と、主軸受け５７の異常時とでスペクトルに差異が生じる。

［学習用データセットについて］
次に、取得部１１８（図１参照）による学習用データセット３２４の取得手法を説明する。本実施の形態では、取得部１１８は、取得部１１８自身が、学習用データセット３２４を生成し、該学習用データセット３２４を取得する。

図８は、学習用データセット３２４の生成手法の一例を説明するための図である。図８を参照して、取得部１１８は、変換部１１６により変換された周波数特性と、故障判定部１１２により生成された故障情報とを対応付ける。

図８では、故障情報３２２として、故障情報３２２Ａと、故障情報３２２Ｂと、故障情報３２２Ｃとが示されている。また、故障情報３２２は、故障判定部１１２により生成される情報である。故障情報３２２は、本開示の「モデル故障情報」に対応する。また、故障情報３２２Ａと、故障情報３２２Ｂと、および故障情報３２２Ｃも「モデル故障情報」である。

故障判定部１１２により故障情報３２２Ａが生成されたときにおいて、変換部１１６により生成された周波数特性を、周波数特性３２０Ａとする。故障判定部１１２により故障情報３２２Ｂが生成されたときにおいて、変換部１１６により生成された周波数特性を、周波数特性３２０Ｂとする。故障判定部１１２により故障情報３２２Ｃが生成されたときにおいて、変換部１１６により生成された周波数特性を、周波数特性３２０Ｃとする。

つまり、故障情報３２２Ａと、周波数特性３２０Ａとは同時刻に生成されたものである。故障情報３２２Ｂと、周波数特性３２０Ｂとは同時刻に生成されたものである。故障情報３２２Ｃと、周波数特性３２０Ｃとは同時刻に生成されたものである。

取得部１１８は、周波数特性３２０に対して、当該周波数特性３２０と同時刻に生成された故障情報をラベル付けすることにより１の学習用データを生成する。換言すれば、取得部１１８は、故障情報と、故障情報が生成されたときの周波数特性とを対応づける。故障情報が生成された時刻と、周波数特性が生成された時刻とが同一であることから、取得部１１８は、たとえば、時刻をキーとして、故障情報と、周波数特性とを対応づける。

図８の例では、取得部１１８は、周波数特性３２０Ａに対して故障情報３２２Ａをラベル付けすることにより１の学習用データを生成する。取得部１１８は、周波数特性３２０Ｂに対して故障情報３２２Ｂをラベル付けすることにより１の学習用データを生成する。取得部１１８は、周波数特性３２０Ｃに対して故障情報３２２Ｃをラベル付けすることにより１の学習用データを生成する。

また、取得部１１８は、複数の学習用データ（図８の例では、３つの学習用データ）を、学習用データセットとして生成する。取得部１１８は、生成した複数の学習用データ（図８の例では、３つの学習用データ）を、学習用データセットとして取得する。

［抽出部と学習部とについて］
図９は、抽出部１２０と、学習部１２２との処理の詳細を説明するための図である。図９の例では、推定モデル１４００と、この推定モデル１４００を規定するためのモデルパラメータ３６４とが記載されている。また、本実施の形態では、学習済モデル３２６（図３参照）は、ネットワーク構造および対応するパラメータ（たとえば、モデルパラメータ３６４）を規定する。推定モデル１４００は、学習済モデル３２６に基づいて構築される。なお、推定モデル１４００と、学習済モデル３２６とは同義としてもよい。本実施の形態の学習部１２２の学習処理は、モデルパラメータ３６４を最適化することで、学習済モデル３２６を生成する。また、推定モデル１４００は、典型的には、ニューラルネットワークであるとする。モデルパラメータ３６４は、「ニューラルネットワークの重み係数」を含む。

抽出部１２０は、学習用データセットから、１の学習用データを選択する。図９の例では、抽出部１２０は、１の学習用データとして、周波数特性３２０Ａと、故障情報３２２Ａとが対応付けられている学習用データを選択している。抽出部１２０は、当該選択された１つの学習用データから、７つの周波数特性を抽出する。７つの周波数特性は、図９の例では、母線電流の周波数特性、母線電圧の周波数特性、交流電流の周波数特性、冷媒圧力の周波数特性、温度の周波数特性、湿度の周波数特性、および冷媒流量の周波数特性である。

抽出部１２０は、抽出した７つの周波数特性を、推定モデル１４００に入力することで、推定結果１４５０を算出する。推定結果１４５０は、故障情報に対応する。学習部１２２は、推定モデル１４００から出力される推定結果１４５０と対応する故障情報３２２Ａ（正解ラベル）とを比較することで誤差を算出する。学習部１２２は、該算出した誤差に応じてモデルパラメータ３６４の値を最適化（調整）する。

換言すれば、学習部１２２は、学習用データ（周波数特性３２０Ａに対して故障情報３２２Ａがラベル付けされたデータ）から抽出された周波数特性３２０Ａを推定モデル１４００に入力して出力される推定結果１４５０が、当該学習用データにラベル付けされている故障情報３２２Ａに近付くように、推定モデル１４００を最適化する。さらに、換言すれば、学習部１２２は、学習用データに含まれる周波数特性３２０Ａを抽出して推定モデル１４００に入力したときに算出される推定結果１４５０が、周波数特性３２０Ａに対応する故障情報３２２Ａと一致するようにモデルパラメータ３６４を調整する。

同様の手順で、学習用データセット３２４に含まれる全ての学習用データに基づいて、推定モデル１４００のモデルパラメータ３６４を繰り返し最適化することで、学習済モデル３２６が生成される。

学習部１２２は、任意の最適化アルゴリズムを用いることにより、モデルパラメータ３６４の値を最適化する。最適化アルゴリズムは、たとえば、ＳＧＤ（Stochastic Gradient Descent：確率的勾配降下法）、Ｍｏｍｅｎｔｕｍ ＳＧＤ（慣性項付加ＳＧＤ）、ＡｄａＧｒａｄ、ＲＭＳｐｒｏｐ、ＡｄａＤｅｌｔａ、Ａｄａｍ（Adaptive moment estimation）等の勾配法である。

［推定モデルについて］
図１０は、図９に示す推定モデル１４００のネットワーク構成例を示す模式図である。図１０を参照して、推定モデル１４００は、入力層１４６０と、中間層１４９０と、活性化関数１４９２と、Ｓｏｆｔｍａｘ関数１４９４とを含む。活性化関数１４９２と、Ｓｏｆｔｍａｘ関数１４９４とは、出力層に相当する。入力層１４６０は、入力層１４６０Ａ、入力層１４６０Ｂ、入力層１４６０Ｃ、入力層１４６０Ｄ、入力層１４６０Ｅ、入力層１４６０Ｆ、および入力層１４６０Ｇを有する。

入力層１４６０Ａは、母線電流の周波数特性が、時系列データとして所定時間（たとえば、０．１秒）経過毎に入力される。入力層１４６０Ｂは、母線電圧の周波数特性が、時系列データとして所定時間経過毎に入力される。入力層１４６０Ｃは、交流電流の周波数特性が、時系列データとして所定時間経過毎に入力される。入力層１４６０Ｄは、冷媒圧力の周波数特性が、時系列データとして所定時間経過毎に入力される。入力層１４６０Ｅは、圧縮機５０の温度の周波数特性が、時系列データとして入力される。入力層１４６０Ｆは、圧縮機５０の湿度の周波数特性が、時系列データとして所定時間経過毎に入力される。入力層１４６０Ｇは、冷媒流量の周波数特性が、時系列データとして所定時間経過毎に入力される。なお、図１０では、図面を簡略化するために、入力層１４６０Ａおよび入力層１４６０Ｇを示す。

中間層１４９０は、所定数の層数を有する全結合ネットワークからなり、入力層１４６０Ａ～入力層１４６０Ｇの各々からの出力を、各ノードについて決定される重みおよびバイアスを用いてノード毎に順次結合する。

中間層１４９０の出力側には、ＲｅＬＵ等の活性化関数１４９２が配置され、最終的には、Ｓｏｆｔｍａｘ関数１４９４により確率分布に正規化された上で、推定結果１４５０が出力される。なお、中間層１４９０の層の数は、１以上であるとする。

［学習処理のフローチャート］
図１１は、学習装置１００のフローチャートの一例を示す図である。ステップＳ２において、故障判定部１１２は、圧縮機５０の故障が発生したか否かを判断する。ステップＳ２において、故障判定部１１２は、圧縮機５０の故障が発生したと判断するまで、ステップＳ２の処理を繰返す。故障判定部１１２が圧縮機５０の故障が発生した場合に、故障判定部１１２は、故障情報を生成し、処理は、ステップＳ４に進む。

ステップＳ４において、取得部１１８は、故障判定部１１２により生成された故障情報を取得する。次に、ステップＳ６において、観測部１１４は、状態変数を取得する。次に、ステップＳ８において、変換部１１６は、状態変数を周波数領域に変換することにより、周波数特性を生成する。次に、ステップＳ１０において、取得部１１８は、ステップＳ４で取得した故障情報と、ステップＳ８で生成された周波数特性とを対応づけることにより、学習用データセットを生成する（図８参照）。

次に、ステップＳ１２で、抽出部１２０は、学習用データセットに含まれる複数の学習用データのうちから１の学習用データを選択する。次に、ステップＳ１４で、抽出部１２０は、選択した学習用データから周波数特性を抽出する。次に、ステップＳ１６で、抽出部１２０は、抽出した周波数特性を推定モデル１４００に入力して、推定結果１４５０を生成する。次に、ステップＳ１８において、学習部１２２は、ステップＳ１２で選択したデータセットの故障情報と、ステップＳ１６で生成された推定結果との誤差に基づいて、モデルパラメータ３６４を最適化する。次に、ステップＳ２０において、学習部１２２は、生成された学習用データセットの全てを処理済みであるか否かを判断する。ステップＳ２０において、学習部１２２は、生成された学習用データセットの全てを処理済みではないと判断した場合には（ステップＳ２０でＮＯ）、処理は、ステップＳ１２に戻る。一方、ステップＳ２０において、学習部１２２は、生成された学習用データセットの全てを処理済みであると判断した場合には（ステップＳ２０でＹＥＳ）、学習処理は終了する。学習処理が終了することにより、学習装置１００により適切に、学習済モデル３２６が生成される。

本実施の形態の学習装置１００は、故障判定部１１２により生成された故障情報を用いたいわゆる教師あり学習に基づく学習処理を実行する。なお、変形例として、学習装置１００は、いわゆる教師なし学習に基づく学習処理を実行するようにしてもよい。教師なし学習とは、入力データ（たとえば、周波数特性）のみを大量に学習装置１００に与えることで、入力データがどのような分布をしているか学習し、対応するデータセットを与えなくても、入力データに対して圧縮・分類・整形等を行う手法である。学習装置１００は、学習用データセットの特徴を、類似するデータセット同士にクラスタリングする。学習装置１００は、このクラスタリングの結果を用いて、何らかの基準を設けて学習用データセットが最適になるように、推定モデルからの出力の割り当てを行うことで、推定モデルのモデルパラメータを更新する。また、教師なし学習と教師あり学習との中間的な学習として、学習装置１００は、「半教師あり学習」に基づいた学習処理を実行するようにしてもよい。半教師あり学習は、全ての周波数特性のうち一部の周波数特性と、該周波数特性に対応する故障情報とからなる１以上の学習用データと、全ての周波数特性のうち他の周波数特性については、故障情報を用いずに学習する手法である。

実施の形態２．
［故障予測装置の構成］
実施の形態２では、故障予測装置を説明する。故障予測装置は、実施の形態１で生成された学習済モデル３２６を用いて、主軸受け５７の故障を予測する。また、故障予測装置は、学習済モデル３２６を、ネットワーク（図示せず）経由で、学習装置１００から取得するようにしてもよい。また、故障予測装置は、学習装置１００と一体化されており、故障予測装置は、学習装置１００が生成した学習済モデル３２６を取得するようにしてもよい。また、故障予測装置は、光学ディスク４２６（図１９参照）から、学習済モデル３２６を取得するようにしてもよい。また、学習装置１００とは異なる装置（たとえば、学習装置１００とは異なる学習装置）から、学習済モデル３２６を取得するようにしてもよい。故障予測装置が保持する学習済モデル３２６と、学習装置１００が直近に生成した学習済モデル３２６とは同一であることが好ましい。

図１２は、本実施の形態の故障予測システム１１００の構成例を示す図である。なお、図１２において、図１と同一の参照符号が付されている構成部は、同様の機能を有する。

故障予測装置４００は、図２に示されるモータ５３の主軸受け５７の故障を予測する。故障予測装置４００は、第１測定部１０１と、第２測定部１０２と、第３測定部１０３と、第４測定部１０４と、観測部１１４と、変換部１１６と、生成部２０２と、出力部２０４と、指令部５０２と、通知部５０４との機能を有する。

観測部１１４は、モータの状態を示す状態変数を取得する。状態変数は、図１等で説明した７つの変数である。変換部１１６は、７つの変数のそれぞれを周波数領域に変換する。生成部２０２は、学習済モデル３２６を含む。学習済モデル３２６は、学習装置１００が学習処理（図１１参照）を実行することにより生成されたモデルである。生成部２０２は、周波数特性と、学習済モデル３２６とを用いて、主軸受け５７の故障に関する故障情報を生成する。学習済モデル３２６は、変換部１１６により周波数領域に変換された状態変数の周波数特性と、状態変数の周波数特性と主軸受けの故障に関するモデル故障情報との関係を示すモデルである。生成部２０２の詳細な処理は、図２０で説明する。出力部２０４は、生成部２０２により生成された故障情報を出力する。図１２の例での出力部２０４の出力先は、指令部５０２および通知部５０４である。

学習済モデル３２６は、変換部１１６により周波数領域に変換された状態変数の周波数特性の入力を受けて、故障情報を、推定結果として出力する推定モデルである。図９等で説明したように、学習済モデル３２６は、学習用データセットを用いた学習処理により生成される。学習用データセットは、変換部１１６により周波数領域に変換された状態変数の周波数特性に対して、モデル故障情報をラベル付けした学習用データを複数含む。

また、指令部５０２は、インバータ４に対して指令信号を送信する。通知部５０４は、故障情報に基づく通知を実行する。

［故障情報について］
次に、生成部２０２が生成する故障情報を説明する。実施の形態１で説明したように、故障情報は、圧縮機５０内での主軸受け５７の故障の有無、主軸受け５７の故障の度合い、および主軸受け５７の故障の種別のうち少なくとも１つを示す情報である。本実施の形態では、故障情報は、主軸受け５７の故障の度合いを示す情報であるとする。

生成部２０２は、第１テーブルを保持する。生成部２０２は、第１テーブルを参照して、故障度合いを特定する。図１３は、第１テーブルの一例を示す図である。図１３の例では、左列に、正常または異常が示されており、中列に故障モードの個数が示されており、右列に、故障度合いとしての故障レベルが示されている。図１３の例では、故障モードの個数と、故障度合いとが対応づけられている。故障モードは、図６で説明した通りである。

図１３の例では、たとえば、故障モードの数が「０個」に対しては、故障レベル０が対応づけられている。また、故障モードの数が「０個」である場合には、主軸受け５７は正常であると規定されている。故障モードの数が「１個」に対しては、故障レベル１が対応づけられている。故障モードの数が「２個」に対しては、故障レベル２が対応づけられている。故障モードの数が「３個」に対しては、故障レベル３が対応づけられている。故障モードの数が「４個」に対しては、故障レベル４が対応づけられている。故障モードの数が「５個以上」に対しては、故障レベル５が対応づけられている。

生成部２０２は、学習済モデル３２６に基づいて故障モードの個数を取得する。その後、生成部２０２は、図１３の第１テーブルを参照して、故障モードの個数に対応した故障度合い（故障レベル）を特定する。たとえば、生成部２０２は、学習済モデル３２６に基づいて、故障モードの個数として、「３個」を取得した場合には、故障レベルとして「３」を特定する。この場合には、生成部２０２は、故障度合いとして「３」を示す故障情報を生成する。このように、本実施の形態では、生成部２０２は、故障情報として、全体的な故障度合いを特定する。

また、故障情報の変形例を説明する。図１４は、故障情報の第１変形例を説明するための図である。図１４および後述の図１５の例では、横軸は、時間の経過を示し、縦軸は、故障度合いを示す。図１４および後述の図１５の例では、実線は、故障モード０を示し、破線は、故障モード１を示し、一点鎖線は、故障モード２を示す。

故障モード０は、主軸受け５７が何ら故障していない、つまり、図６に示した主軸受け５７の故障の種類のいずれにも該当しないモードをいう。また、故障モード１および故障モード２は図６で説明した通りである。図１４では、故障モード２は、時間の経過に応じた故障度合いの増加度合いが最も大きい旨が示されている。図１４では、故障モード１は、時間の経過に応じた故障度合いの増加度合いが２番目に大きい旨が示されている。図１４では、故障モード０（つまり、何ら、故障していないモード）は、時間の経過に応じた故障度合いの増加度合いが最も小さい旨が示されている。生成部２０２は、第１変形例として、故障モード毎の故障度合いを示す故障情報を生成するようにしてもよい。

図１５は、故障情報の第２変形例を説明するための図である。図１５の例では、故障モード毎に閾値値が定められている。図１５の例では、故障モード０の閾値として閾値Ｔｈ０が定められている。また、故障モード１の閾値として閾値Ｔｈ１が定められている。また、故障モード２の閾値として閾値Ｔｈ２が定められている。また、Ｔｈ０＞Ｔｈ１＞Ｔｈ２となっている。

第２変形例では、故障モード毎の故障度合いが、該故障モードに対応する閾値以上であれば、該故障モードで異常であると生成部２０２により判断される。一方、故障モード毎の故障度合いが、該故障モードに対応する閾値未満であれば、該故障モードで正常であると生成部２０２により判断される。たとえば、故障モード１の故障度合いが、該故障モード１に対応する閾値Ｔｈ１以上であれば、該故障モード１で異常であると生成部２０２により判断される。一方、故障モード毎の故障度合いが、該故障モードに対応する閾値未満であれば、該故障モードで正常であると生成部２０２により判断される。この第２変形例では、生成部２０２は、主軸受け５７が正常および異常のいずれであるかが故障モード毎に示されている故障情報を生成する。なお、図１５では、故障モード０に対して閾値Ｔｈ０が対応づけられているが、故障モード０についての閾値は規定されなくてもよい。

［指令部の処理］
次に、指令部５０２（図１２参照）の処理を説明する。指令部５０２は、インバータ４に対して指令信号を送信することにより、インバータ４を制御する。インバータ４は、指令部５０２からの指令信号に基づいて、圧縮機５０に対して、たとえば、ＰＷＭ（pulse width modulation）制御を実行する。指令信号には、周波数を示す指令値が含まれている。インバータ４は、この指令値により示される周波数に基づくＰＷＭ制御を実行する。

また、指令部５０２は、出力部２０４から出力された故障情報に応じて、ＰＷＭ制御の周波数の指令値を制御する。以下では、故障情報が、主軸受け５７の故障度合いを示す情報であるとして説明する。

指令部５０２は、第２テーブルを保持しており、この第２テーブルを参照して、ＰＷＭ制御の周波数の指令値を決定する。図１６は、第２テーブルの一例を示す図である。

図１６の例では、主軸受け５７の故障度合いとして、故障レベル０～故障レベル５（図１３参照）が規定されている。図１６の例では、故障レベル０～故障レベル５それぞれに、ＰＷＭ制御の周波数Ｆが対応づけられている。図１６の例では、主軸受け５７の故障の度合いが大きければ、ＰＷＭ制御の周波数は小さくなるように規定されており、主軸受け５７の故障の度合いが小さければ、ＰＷＭ制御の周波数は大きくなるように規定されている。

図１６の例では、故障レベル０には、周波数Ｆ０が対応づけられている。また、故障レベル１には、周波数Ｆ１が対応づけられている。また、故障レベル２には、周波数Ｆ２が対応づけられている。また、故障レベル３には、周波数Ｆ３が対応づけられている。また、故障レベル４には、周波数Ｆ４が対応づけられている。また、故障レベル５には、周波数Ｆ５が対応づけられている。たとえば、Ｆ０＞Ｆ１＞Ｆ２＞Ｆ３＞Ｆ４＞Ｆ５である。あるいは、故障レベルが１以上であるときには、指令部５０２は、ＰＷＭ制御の周波数Ｆを０Ｈｚに設定してもよい。

指令部５０２は、出力部２０４から出力された故障情報により示される、主軸受け５７の故障度合いの数値（故障レベル）を取得する。指令部５０２は、図１６の第２テーブルを参照して、取得した数値に対応する周波数Ｆを特定する。指令部５０２は、特定した周波数Ｆを示す指令値を指令信号に含ませて、該指令信号をインバータ４に送信する。出力部２０４から出力された故障情報により示される、主軸受け５７の故障度合いの数値（故障レベル）が、たとえば、「２」である場合には、指令部５０２は、周波数Ｆ２を特定する。指令部５０２は、特定した周波数Ｆ２を示す指令値を指令信号に含ませて、該指令信号をインバータ４に送信する。

［通知部の処理］
次に、通知部５０４（図１２参照）の処理を説明する。通知部５０４は、故障情報に基づく通知を実行する。通知部５０４は、たとえば、故障情報をユーザに通知する。故障情報が通知される態様は、ユーザが知得可能であれば、どのような態様であってもよい。たとえば、通知部５０４は、故障の有無、または故障の度合いを表示装置（図示せず）に表示させる。表示装置は、故障予測装置４００に含まれる装置としてもよいし、故障予測装置４００の外部の装置としてもよい。また、通知部５０４は、音声により、故障情報をユーザに通知するようにしてもよい。また、通知部５０４は、故障情報を用紙に印刷して出力することにより、故障情報をユーザに通知するようにしてもよい。

通知部５０４は、故障情報により示される故障の度合いに応じて、交換時期を通知するようにしてもよい。ここで、交換時期は、主軸受け５７の交換時期としてもよく、圧縮機５０の交換時期としてもよく、空調機２００の交換時期としてもよい。

通知部５０４は、第３テーブルを保持しており、この第３テーブルを参照して、交換時期を決定する。図１７は、第３テーブルの一例を示す図である。

図１７の例では、主軸受け５７の故障度合いとして、故障レベル１～故障レベル５（図１３参照）が規定されている。図１７の例では、故障レベル１～故障レベル５それぞれに、交換時期が対応づけられている。図１７の例では、主軸受けの故障の度合いが大きければ、交換時期が短くなるように規定されており、主軸受けの故障の度合いが小さければ、交換時期が長くなるように規定されている。

図１７の例では、故障レベル０には、交換時期は対応づけられていない。故障レベルが「０」である場合には、主軸受け５７および圧縮機５０を交換する必要がないことから、交換時期は規定されていない。図１７の例では、故障レベル１には、交換時期として「５ヶ月」が対応づけられている。また、故障レベル２には、交換時期として「４ヶ月」が対応づけられている。また、故障レベル３には、交換時期として「３ヶ月」が対応づけられている。また、故障レベル４には、交換時期として「２ヶ月」が対応づけられている。また、故障レベル５には、交換時期として「１ヶ月」が対応づけられている。

通知部５０４は、出力部２０４から出力された故障情報により示される、主軸受け５７の故障度合いの数値（故障レベル）を取得する。通知部５０４は、図１７の第３テーブルを参照して、取得した数値に対応する交換時期を特定する。通知部５０４は、特定した交換時期を示す通知信号を表示装置に送信する。出力部２０４から出力された故障情報により示される、主軸受け５７の故障度合いの数値（故障レベル）が、たとえば、「３」である場合には、通知部５０４は、交換時期として「３ヶ月」を特定する。通知部５０４は、特定した交換時期として「３ヶ月」を示す通知信号を表示装置に送信する。

表示装置は、送信された通知信号に基づいた表示を行う。図１８は、交換時期の表示態様の一例を示す図である。図１８の例は、表示装置による交換時期（３ヶ月）の表示態様の一例を示す。図１８の例では、「あと３ヶ月で圧縮機を交換してください」という文字が表示されている。

［故障予測装置のハードウェア構成］
図１９は、故障予測装置４００のハードウェア構成の一例を示す図である。図１９を参照して、故障予測装置４００は、主要なハードウェア要素として、プロセッサ４０４と、メモリ４０６と、光学ドライブ４２８と、ネットワークコントローラ４３０と、ストレージ４１０とを含む。

プロセッサ４０４は、各種プログラムを実行することで、故障予測装置４００の実現に必要な処理を実行する演算主体である、プロセッサ４０４としては、たとえば、１以上のＣＰＵ、および１以上のＧＰＵのうちの少なくとも１つ等で構成される。複数のコアを有するＣＰＵまたはＧＰＵを用いてもよい。

メモリ４０６は、プロセッサ４０４が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等を一時的に格納する記憶領域を提供する。メモリ４０６としては、たとえば、ＤＲＡＭまたはＳＲＡＭ等の揮発性メモリデバイスを用いてもよい。

ネットワークコントローラ４３０は、ローカルネットワーク等を介して、管理装置３００を含む任意の情報処理装置等との間でデータを送受信する。ネットワークコントローラ４３０は、たとえば、イーサネット（登録商標）、無線ＬＡＮ、およびＢｌｕｅｔｏｏｔｈ（登録商標）等の任意の通信方式に対応するようにしてもよい。

ストレージ４１０は、プロセッサ４０４にて実行されるＯＳ４２４、本実施の形態の故障予測装置４００の機能を実現するためのアプリケーションプログラム４２２、および学習済モデル３２６等を格納する。ストレージ４１０としては、たとえば、ハードディスク、ＳＳＤ等の不揮発性メモリデバイスを用いてもよい。

光学ディスク４２６は、非一過的（non-transitory）な記録媒体の一例であり、任意のプログラムを不揮発的に格納した状態で流通する。光学ドライブ４２８が光学ディスク４２６からプログラムを読み出して、ストレージ４１０にインストールすることで、本実施の形態に従う故障予測装置４００を構成できる。また、光学ディスク４２６は、学習済モデル３２６を記憶し、故障予測装置４００は該学習済モデル３２６を光学ディスク４２６から取得するようにしてもよい。

図１９には、非一過的な記録媒体の一例として、光学ディスク４２６等の光学記録媒体を示すが、これに限らず、フラッシュメモリ等の半導体記録媒体、ハードディスクまたはストレージテープ等の磁気記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体を用いてもよい。

また、故障予測装置４００を実現するためのプログラムは、上述したような任意の記録媒体に格納されて流通するだけでなく、インターネットまたはイントラネットを介してサーバ装置等からダウンロードすることで配布されてもよい。

［生成部の処理］
図２０は、生成部２０２の処理を説明するための図である。変換部１１６により変換された状態変数の周波数特性は、所定時間（たとえば、０．１秒）が経過する毎に、時系列データとして、推定モデル１４００に入力される。図２０の例では、状態変数の周波数特性は、７つの周波数特性（図２０の例では、母線電流の周波数特性、母線電圧の周波数特性、交流電流の周波数特性、冷媒圧力の周波数特性、温度の周波数特性、湿度の周波数特性、および冷媒流量の周波数特性）である。

状態変数の周波数特性が、推定モデル１４００に入力されることで、推定モデル１４００が定義する演算処理が実行されて、推定結果１４５０として故障情報が出力される。なお、図２０では、便宜上、推定モデル１４００と、学習済モデル３２６との双方が記載されている。

［故障予測処理のフローチャート］
図２１は、故障予測装置４００のフローチャートの一例を示す図である。図２１の処理は、所定時間（たとえば、０．１秒）が経過する毎に実行される。ステップＳ１０２において、観測部１１４は、状態変数を取得する。次に、ステップＳ１０４において、変換部１１６は、状態変数を周波数領域に変換することにより、周波数特性を生成する。次に、ステップＳ１０６において、生成部２０２は、周波数特性を推定モデル１４００に入力することにより、推定結果１４５０を故障情報として生成する。次に、ステップＳ１０８において、出力部２０４は、故障情報を出力する。次に、ステップＳ１１０において、通知部５０４は、故障情報に基づいた通知を実行する。次に、ステップＳ１１２において、指令部５０２は、故障情報に基づいたＰＷＭ制御をインバータ４に実行させる。なお、故障予測装置４００は、ステップＳ１１０の処理と、ステップＳ１１２の処理とは同時に行うようにしてもよい。また、故障予測装置４００は、ステップＳ１１０の処理よりもステップＳ１１２の処理を先に実行するようにしてもよい。

［小括］
次に、実施の形態１および実施の形態２の小括を説明する。

（１） 一般的に、モータ５３の主軸５２は高速回転しており、主軸５２を駆動させるための交流等の周波数成分は大きくなる。したがって、主軸受け５７に異常がある場合には、主軸５２を駆動させるため、高周波成分のノイズが発生しやすい傾向がある。そこで、この傾向を鑑みて、実施の形態２の故障予測装置４００の生成部２０２は、周波数特性と、推定モデル１４００とを用いて、軸受けの故障に関する故障情報を生成する。周波数特性は、変換部１１６により状態変数が周波数領域に変換された情報である。推定モデル１４００は、状態変数の周波数特性と主軸受け５７の故障に関するモデル故障情報との関係を示す。したがって、高周波成分のノイズが発生している場合等に、生成部２０２は、主軸受け５７の故障の予測の精度の高い故障情報を生成できる。よって、実施の形態２の故障予測装置４００は、主軸受け５７の故障の予測精度を向上させることができる。その結果、実施の形態２の故障予測装置４００は、主軸受け５７の故障によるシステムダウンを抑制でき、圧縮機５０等の軸受け機構を有する電子機器（上述の実施の形態では、空調機）の稼働率を向上させることができる。

（２） また、図９等で説明したように、推定モデル１４００は、学習装置１００により学習されたモデルである。したがって、推定モデル１４００は、新たに発生した故障等に応じて更新されるものであることから、故障予測装置４００は、主軸受け５７の故障の予測の精度が高い故障情報を生成できる。

（３） 図１２等で説明したように、状態変数は、交流電流、母線電圧、および母線電流を含む。したがって、主軸受け５７の異常が発生しているときに高周波成分のノイズが発生しやすい変数に基づいて、故障予測装置４００は、故障の予測を行うことができる。よって、故障予測装置４００は、主軸受け５７の故障の予測精度を向上させることができる。

（４） モータ５３は、インバータ４に直接的または間接的に接続されている。また、図１６等でも説明したように、指令部５０２は、故障情報に応じてインバータ４に出力する周波数の指令値を制御する。したがって、故障予測装置４００は、故障情報に応じた制御を、モータ５３に対して実行することができる。

（５） また、図１２等で説明したように、状態変数は、モータ５３を搭載している空調機２００の運転状態（つまり、第２状態変数）を含む。したがって、故障予測装置４００は、主軸受け５７の故障の予測として、空調機２００の運転状態を反映させた予測を実行することができる。

（６）また、図１２等で説明したように、空調機２００の運転状態は、冷媒圧力、温度、湿度、および冷媒流量を含む。したがって、主軸受け５７の異常が発生しているときに高周波成分のノイズが発生しやすい変数に基づいて、故障予測装置４００は、故障の予測を行うことができる。したがって、主軸受け５７の故障の予測精度を向上させることができる。

（７） また、図１８等で説明したように、通知部５０４は、故障情報に基づく通知を実行する。したがって、故障予測装置４００は、主軸受け５７が故障する可能性があること、または、主軸受け５７が故障したことを、ユーザに認識させることができる。

（８） また、図１８等で説明したように、通知部５０４は、故障情報により示される故障の度合いに応じて、交換時期を通知する。したがって、主軸受け５７等の交換時期をユーザに認識させることができる。

（９） また、図１５等で説明したように、通知部５０４は、故障の種別（たとえば、故障モード）を通知するようにしてもよい。したがって、故障予測装置４００は、主軸受け５７の故障の種別を、ユーザに認識させることができる。

（１０） また、図１３等で説明したように、故障情報は、主軸受け５７の故障の有無、主軸受け５７の故障の度合い、および主軸受け５７の故障の種別のうち少なくとも１つを示す情報としてもよい。したがって、故障予測装置４００は、主軸受け５７の故障の有無、主軸受け５７の故障の度合い、および主軸受け５７の故障の種別の少なくとも１つをユーザに認識させることができる。

（１１） 実施の形態１の学習装置１００では、図８等で説明したように、取得部１１８は、モータ５３の状態を示す状態変数が周波数領域に変換された状態変数の周波数特性と、当該周波数特性に対して主軸受け５７の故障に関する故障情報がラベル付けされた複数の学習用データとを含む学習用データセットを取得する。また、図９等で説明したように、学習部１２２は、学習用データセットから抽出された周波数特性を推定モデル１４００に入力して出力される推定結果が、当該学習用データセットにラベル付けされている故障情報に近づくように、前記推定モデルを最適化する。したがって、主軸受け５７に異常がある場合には、主軸５２を駆動させるための交流に高周波成分のノイズが発生しやすい傾向を反映させて、主軸受け５７の故障の予測精度を向上させるように、学習装置１００は、推定モデル１４００を最適化することができる。

（１２） また、図１２等で説明したように、状態変数は、交流電流、母線電圧、および母線電流を含む。したがって、学習装置１００は、主軸受け５７の異常が発生しているときに高周波成分のノイズが発生しやすい変数に基づいて、故障予測装置４００は、故障の予測を行うことができるように、推定モデル１４００を最適化することができる。

実施の形態３．
図２２は、実施の形態３の学習システムを説明するための図である。実施の形態１では、空調機２００と、学習装置１００とが一体化しているとして説明した。しかしながら、実施の形態３では、空調機２００と、学習装置１００とが一体化していない構成を説明する。典型的には、学習装置１００は、クラウドサーバに設置されている。以下、図２２を参照して、実施の形態３の学習システムを説明する。

図２２の例では、学習装置１００Ａと、空調機２００Ａと、学習システム１０００Ｂと、学習システム１０００Ｃと、ネットワーク１５００とを有する。図２２の例では、学習装置１００Ａがクラウドサーバに配置されている。学習システム１０００Ｂは、学習装置１００Ｂと、空調機２００Ｂとを有する。学習システム１０００Ｃは、学習装置１００Ｃと、空調機２００Ｃとを有する。ネットワーク１５００は、インターネットまたはイントラネット等で構成される。空調機２００Ａ、学習装置１００Ａ、学習システム１０００Ｂ、および学習システム１０００Ｃはそれぞれ異なる地点（たとえば、工場または家屋等）に配置される。

なお、図２２の例では、学習装置１００Ａ、および空調機２００Ａの数はそれぞれ１つである例を示している。しかし、学習装置１００Ａ、および空調機２００Ａの少なくとも１つの数は、２以上としてもよい。また、学習システムの数は２つである例（学習システム１０００Ｂおよび学習システム１０００Ｃ）を示している。しかし、学習システムの数は、１としてもよく、３以上としてもよい。

図２２の例では、学習装置１００Ａと、学習装置１００Ｂと、学習装置１００Ｃと、空調機２００Ａとがネットワーク１５００に接続されている。学習装置１００Ａ内の故障判定部１１２は、空調機２００Ａの軸受けの故障を判定する。学習装置１００Ａは、故障情報等に基づいて、たとえば、図８等で説明した手法により、学習用データセットを生成する。また、学習装置１００Ａは、生成した学習用データセット等に基づいて、学習済モデル３２６を生成する。

学習装置１００Ａは、ネットワーク１５００を経由して、他の学習装置（学習装置１００Ｂおよび学習装置１００Ｃ）に対して、学習装置１００Ａが生成した学習済モデル３２６を送信するようにしてもよい。他の学習装置は、この学習済モデル３２６を受信すると、他の学習装置は、この学習済モデル３２６に基づいて、該他の学習装置が保持していた学習済モデルを更新する。

また、学習装置１００Ａは、他の学習装置が更新した学習済モデルを受信するようにしてもよい。学習装置１００Ａは、他の学習装置から受信した学習済モデルに基づいて、学習装置１００Ａが保持していた学習済モデルを更新する。つまり、学習装置１００Ａと、他の学習装置とは、学習済モデルを共有するようにしてもよい。

また、学習装置１００Ａは、学習装置１００Ａが取得した学習用データセット（たとえば、学習装置１００Ａが生成した学習用データセット）を、他の学習装置（学習装置１００Ｂおよび学習装置１００Ｃ）に送信するようにしてもよい。他の学習装置は、この学習用データセットを受信すると、他の学習装置は、受信した学習用データに基づいて、該他の学習装置が保持していた学習済モデルを更新する。

また、学習装置１００Ａは、他の学習装置が取得した学習用データセットを受信するようにしてもよい。学習装置１００Ａは、他の学習装置から受信した学習用データセットに基づいて、学習装置１００Ａが保持していた学習済モデルを更新する。つまり、学習装置１００Ａと、他の学習装置とは、学習用データセットを共有する。

また、学習装置１００Ａは、学習装置１００Ａの故障判定部１１２が取得した故障情報を、他の学習装置（学習装置１００Ｂおよび学習装置１００Ｃ）に送信するようにしてもよい。他の学習装置は、この故障情報を受信すると、他の学習装置は、受信した故障情報に基づいて、該他の学習装置が保持していた学習済モデルを更新する。

また、学習装置１００Ａは、他の学習装置が取得した故障情報を受信するようにしてもよい。学習装置１００Ａは、他の学習装置から受信した故障情報に基づいて、学習装置１００Ａが保持していた学習済モデルを更新する。つまり、学習装置１００Ａと、他の学習装置とは、故障情報を共有するようにしてもよい。

また、学習装置１００Ａは、他の学習装置に対して、故障情報、学習用データセット、および学習済モデル３２６のうち少なくとも２つを送信するようにしてもよい。また、学習装置１００Ａは、他の学習装置から、故障情報、学習用データセット、および学習済モデル３２６のうち少なくとも２つを受信するようにしてもよい。

本実施の形態の学習装置１００Ａは、故障情報、学習用データセット、および学習済モデル３２６のうち少なくとも１つを、他の学習装置から受信するようにしてもよい。したがって、本実施の形態の学習装置１００Ａは、「他の学習装置から、故障情報、学習用データセット、および学習済モデル３２６を受信しない学習装置」と比較して、推定モデル１４００を更新するための情報の量を多くすることができる。したがって、本実施の形態の学習装置１００Ａは、「他の学習装置から、故障情報、学習用データセット、および学習済モデル３２６を受信しない学習装置」と比較して、より精度の高い学習済モデルを生成することができる。

また、本実施の形態の学習装置１００Ａは、故障情報、学習用データセット、および学習済モデル３２６のうち少なくとも２つを他の学習装置に対して送信するようにしてもよい。したがって、本実施の形態の学習装置１００Ａは、「他の学習装置に対して故障情報、学習用データセット、および学習済モデル３２６を送信しない学習装置」と比較して、他の学習装置において推定モデルを更新するための情報の量を多くすることができる。よって、本実施の形態の学習装置１００Ａは、「他の学習装置に対して故障情報、学習用データセット、および学習済モデル３２６を送信しない学習装置」と比較して、より精度の高い学習済モデルを他の学習装置に生成させることができる。

なお、実施の形態３において、後発的に他の学習システムが追加されるようにしてもよい。また、後発的に他の空調装置が追加されるようにしてもよい。また、後発的に他の学習装置が追加されるようにしてもよい。また、後発的に他の学習システム（学習システム１０００Ｂまたは学習システム１０００Ｃ）が除去されるようにしてもよい。また、後発的に他の空調機（空調機２００Ｂまたは空調機２００Ｃ）が除去されるようにしてもよい。また、後発的に、他の学習装置（学習装置４００Ｂまたは学習装置４００Ｃ）が除去されるようにしてもよい。また、一の空調機（たとえば、空調機２００Ａ）に対応する学習装置（たとえば、学習装置１００Ａ）は、他の空調装置についての推定モデルを更新するようにしてもよい。

また、図２２に示す複数の学習装置それぞれの学習結果（たとえば、最適化された推定モデル１４００または最適化されたモデルパラメータ３６４等）を収集する収集装置を、学習システムは備えるようにしてもよい。収集装置は、たとえば、学習結果と、該学習結果の取得先の圧縮機５０の属性情報とを対応づけて、該学習結果と、該属性情報とを取得する。圧縮機５０の属性情報は、たとえば、圧縮機の型番および圧縮機の仕様等のうち少なくとも１つを含む。収集装置は、１の属性情報に対応付けられているＮ個（Ｎは２以上の整数）の学習結果（つまり、Ｎ個の学習装置それぞれの学習結果）に基づいて、学習結果を更新する。収集装置は、たとえば、Ｎ個の学習結果に含まれる「故障情報および周波数特性の組合わせ」に基づいて、学習結果を更新する。たとえば、収集装置は、Ｎ個のモデルパラメータ３６４に基づいてさらに新たなモデルパラメータ３６４を生成する。該更新された学習結果は、Ｎ個の学習結果に基づいて生成されたものである。したがって、該更新された学習結果は、Ｎ個の学習結果のいずれよりも故障予測の精度が高い。収集装置は、該更新された学習結果の生成に用いられたＮ個の学習結果に対応する１の属性情報を有する全ての故障予測装置に対して、該更新された学習結果を送信する。したがって、該全ての故障予測装置は、該更新された学習結果（たとえば、さらに最適化されたモデルパラメータ３６４）に基づいて、故障予測を実行することができる。つまり、該全ての故障予測装置は、故障予測の精度が高い学習結果に基づいて、故障予測を実行することができる。したがって、故障予測装置の予測精度を向上させることができる。

実施の形態４．
図２３は、実施の形態４の故障予測システムを説明するための図である。実施の形態２では、空調機２００と、故障予測装置４００とが一体化しているとして説明した。しかしながら、実施の形態４では、空調機２００と、故障予測装置４００とが一体化していない構成を説明する。典型的には、故障予測装置４００は、クラウドサーバに設置されている。以下、図２３を参照して、実施の形態４の故障予測システムを説明する。

図２３の例では、故障予測装置４００Ａと、空調機２００Ａと、故障予測システム１１００Ｂと、故障予測システム１１００Ｃと、ネットワーク１６００とを有する。故障予測システム１１００Ｂは、故障予測装置４００Ｂと、空調機２００Ｂとを有する。故障予測システム１１００Ｃは、故障予測装置４００Ｃと、空調機２００Ｃとを有する。ネットワーク１６００は、インターネットまたはイントラネット等で構成される。空調機２００Ａ、故障予測装置４００Ａ、故障予測システム１１００Ｂ、および故障予測システム１１００Ｃはそれぞれ異なる地点（たとえば、工場または家屋等）に配置される。

なお、図２３の例では、故障予測装置４００Ａ、および空調機２００Ａの数はそれぞれ１つである例を示している。しかし、故障予測装置４００Ａ、および空調機２００Ａの少なくとも１つの数は、２以上としてもよい。また、故障予測システムの数は２つである例（故障予測システム１１００Ｂおよび故障予測システム１１００Ｃ）を示している。しかし、故障予測システムの数は、１としてもよく、３以上としてもよい。

図２３の例では、故障予測装置４００Ａと、故障予測装置４００Ｂと、故障予測装置４００Ｃと、空調機２００Ａとがネットワーク１６００に接続されている。故障予測装置４００Ａは、他の故障予測装置（故障予測装置４００Ｂおよび故障予測装置４００Ｃ）の生成部２０２が生成した故障情報を受信する。故障予測装置４００Ａは、受信した故障情報と、該故障情報の送信先の識別情報（たとえば、ＩＤ：Identification）とを関連付けて、記憶する。たとえば、故障予測装置４００Ａは、故障予測装置４００Ｂから故障情報を受信した場合には、この故障情報と、故障予測装置４００ＢのＩＤと関連付けて記憶する。その後、故障予測装置４００Ａの通知部５０４は、該故障予測装置４００Ｂに対応する空調機（図２２の例では、空調機２００Ｂ）に関して、この故障情報に基づく通知を行う。故障予測装置４００Ａの通知部５０４は、たとえば、図１８において、「あと３ヶ月で、空調機２００Ｂの圧縮機を交換してください」という画像を表示するような通知を行う。

本実施の形態の故障予測装置４００Ａは、他の故障予測装置に対応する空調機に関して、故障情報に基づく通知を行うことができる。したがって、故障予測装置４００Ａのユーザは、該故障予測装置４００Ａに対応する空調機２００Ａに関する故障情報のみならず、他の故障予測装置に対応する空調機に関する故障情報をも認識することができる。したがって、故障予測装置４００Ａのユーザは、計画的に修理および保守品の手配を可能となり、空調機の故障によるシステムダウンを抑制でき、空調機の稼働率を向上させることができる。

また、故障予測装置４００Ａは、他の故障予測装置に対して、故障予測装置４００Ａの生成部２０２が生成した故障情報を送信するようにしてもよい。他の故障予測装置は、受信した故障情報と、該故障情報の送信先の識別情報（つまり、故障予測装置４００ＡのＩＤ）とを関連付けて、記憶する。その後、他の故障予測装置の通知部５０４は、該故障予測装置４００Ａに対応する空調機（図２２の例では、空調機２００Ａ）に関して、この故障情報に基づく通知を行う。他の故障予測装置４００の通知部５０４は、たとえば、図１８において、「あと３ヶ月で、空調機２００Ａの圧縮機を交換してください」という画像を表示するような通知を行う。

このように、故障予測装置４００Ａは、故障予測装置４００Ａに対応する空調機２００Ａに関する故障情報を、他の故障予測装置に対して送信する。したがって、故障予測装置４００Ａは、他の故障予測装置に、空調機２００Ａに関する故障情報を通知させることができる。したがって、他の故障予測装置のユーザは、該他の故障予測装置に対応する（空調機２００Ａ）に関する故障情報のみならず、空調機２００Ａに関する故障情報をも認識することができる。したがって、他の故障予測装置４００のユーザは、計画的に修理および保守品の手配を可能となり、空調機の故障によるシステムダウンを抑制でき、空調機の稼働率を向上させることができる。

なお、故障予測装置４００Ａが他の故障予測装置に故障情報を送信すること、および故障予測装置４００Ａが他の故障予測装置から故障情報を受信することを、「故障予測装置４００Ａと、他の故障予測装置との間で、故障情報を共有する」と表現してもよい。

＜変形例＞
（１） 前述の実施の形態の状態変数は、「母線電流、母線電圧、交流電流、冷媒圧力、温度、湿度、および冷媒流量」という７つの変数であるとして説明した。しかしながら、状態変数は、この７つの変数の少なくとも１つとしてもよい。また、故障予測装置４００は、第１状態変数を用いる一方、第２状態変数を用いないようにしてもよい。また、故障予測装置４００は、第２状態変数を用いる一方、第１状態変数を用いないようにしてもよい。

また、主軸受け５７の異常が発生している場合に、７つの変数のうち「ノイズが最も発生する傾向がある変数」は、「母線電流」であるとしてもよい。つまり、主軸受け５７の故障予測の精度は、７つの変数のうち「母線電流」が最も高いとしてもよい。したがって、故障予測装置４００は、「母線電流」の周波数特性を用いる一方、他の変数（６つの変数）の周波数特性を用いずに故障情報を生成するようにしてもよい。

また、主軸受け５７の異常が発生している場合に、７つの変数のうち「ノイズが２番目に発生する傾向がある変数」は、「冷媒圧力」であるとしてもよい。つまり、主軸受け５７の故障予測の精度は、７つの変数のうち「冷媒圧力」が２番目に高いとしてもよい。したがって、故障予測装置４００は、「母線電流」の周波数特性および「冷媒圧力」の周波数特性を用いる一方、他の変数（５つの変数）の周波数特性を用いずに故障情報を生成するようにしてもよい。故障予測装置４００は、故障予測の精度を向上させるために、この５つの変数のうち少なくとも１つの変数を用いるようにしてもよい。

また、前述の実施の形態では、第１状態変数は、母線電流、母線電圧、および交流電流であるとして説明した。しかしながら、第１状態変数は、モータ５３の状態を示す変数であれば、他の変数であってもよい。第１状態変数は、たとえば、モータ５３の動作音を示す値を含むようにしてもよい。第１状態変数は、モータ５３のモータトルクを示す値を含むようにしてもよい。第１状態変数は、モータ５３に出力される交流電力を含むようにしてもよい。また、第２状態変数は、冷媒圧力、温度、湿度、および冷媒流量であるとして説明した。しかしながら、第２状態変数は、空調機２００の状態を示す変数であれば、他の変数であってもよい。第２状態変数は、圧縮機５０自体の動作音、圧縮機５０の周辺の動作音、空調機２００自体の動作音、および空調機２００の周辺の動作音のうち少なくとも１つを含んでもよい。また、第２状態変数は、たとえば、冷媒Ａ（図２参照）の温度を含むようにしてもよい。また、第２状態変数は、圧縮機５０内の温度を含むようにしてもよい。また、第２状態変数は、圧縮機５０内の湿度を含むようにしてもよい。また、第２状態変数は、指令部５０２により制御されるＰＷＭ制御の周波数を含むようにしてもよい。

（２） 故障予測装置４００は、人工知能により学習された学習済みモデルを用いて、故障予測処理を実行するとして説明した。しかしながら、故障予測装置４００は、人工知能を用いない態様で、故障予測処理を実行するようにしてもよい。たとえば、故障予測装置４００は、図７に示すような、周波数と周波数特性（つまり、スペクトル）が関連付けられた関連情報を用いて、故障予測処理を実行するようにしてもよい。ここで、関連情報は、複数種類の故障の種別それぞれに対応して、規定されている。故障予測装置４００は、複数種類の関連情報を記憶している。故障予測装置４００の変換部１１６が、状態変数を周波数領域に変換することにより、周波数特性を生成する。故障予測装置４００の生成部２０２は、変換部１１６により生成された周波数特性と、複数種類の関連情報とに基づいて、パターンマッチング処理を実行することにより、故障の種別を特定する。たとえば、故障予測装置４００の生成部２０２は、複数種類の関連情報のうち、変換部１１６により生成された周波数特性と同一である関連情報または該周波数特性と最も近い関連情報に対応する故障の種別を特定する。生成部２０２は、該特定した故障の種別を示す故障情報を生成する。このような構成を採用した故障予測装置４００であっても、適切に故障情報を生成することができる。

（３） また、上述の学習装置１００または故障予測装置４００は、図１０等で説明したニューラルネットワークを利用した処理（つまり、学習処理または故障予測処理）を実行するとして説明した。しかしながら、上述の学習装置１００または故障予測装置４００は、他の手法を用いた処理を実行するようにしてもよい。他の手法は、たとえば、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）、遺伝的プログラミング、機能論理プログラミング、およびサポートベクターマシン等を含む。

（４） 上述の実施の形態では、モータ５３および主軸受け５７が圧縮機５０に搭載されている例を説明した。しかしながら、モータ５３および主軸受け５７が他の装置に搭載されるようにしてもよい。他の装置は、たとえば、車両のエンジン等である。

（５） 上述の実施の形態では、圧縮機５０が搭載されている電子機器は、空調機２００であるとして説明した。しかしながら、圧縮機５０は、他の電子機器に搭載されるようにしてもよい。他の電子機器は、たとえば、空気工具または冷蔵庫である。

（６） 上述の学習システムおよび故障予測システムにおいて、一の装置が有している機能を他の装置が有するようにしてもよい。たとえば、図１等で説明した故障判定部１１２を、学習装置１００が有していると説明した。しかし、たとえば、学習装置１００とは異なる外部装置が、故障判定部１１２を有するようにしてもよい。また、図１２では、指令部５０２および通知部５０４を故障予測装置４００が有していると説明した。しかし、たとえば、学習装置１００とは異なる外部装置が、指令部５０２および通知部５０４を有するようにしてもよい。

また、今回開示された各実施の形態は全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。本発明の範囲は上記した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全ての変更が含まれることが意図される。また、実施の形態および各変形例において説明された発明は、可能な限り、単独でも、組合わせても、実施することが意図される。

１ 交流電源、２ 整流回路、３ 電解コンデンサ、４ インバータ、５ 母線、６ 母線電流センサ、７ 母線電圧センサ、８ 電流センサ、９ 三相電力線、５０ 圧縮機、５１ 吸入管、５２ 主軸、５３ モータ、５４ 潤滑油、５５ オイルポンプ、５６ 副軸受け、５７ 主軸受け、５８ 圧縮機構、５９ 吐出管、６１ 第１センサ、６２ 第２センサ、６３ 第３センサ、６４ 第４センサ、１００ 学習装置、１０１ 第１測定部、１０２ 第２測定部、１０３ 第３測定部、１０４ 第４測定部、１１２ 故障判定部、１１４ 観測部、１１６ 変換部、１１８ 取得部、１２０ 抽出部、１２２ 学習部、２００ 空調機、２０２ 生成部、２０４ 出力部、３００ 管理装置、３０４ プロセッサ、３０６ メモリ、３０８ ネットワークコントローラ、３１０ ストレージ、３１６ 前処理プログラム、３１８ 学習用プログラム、３２０ 周波数特性、３２２ 故障情報、３２４ 学習用データセット、３２６ 学習済モデル、３６４ モデルパラメータ、４００ 故障予測装置、４２２ アプリケーションプログラム、４２６ 光学ディスク、４２８ 光学ドライブ、５０２ 指令部、５０４ 通知部。

Claims (16)

1. 電子機器に搭載されているモータの軸受けの故障を予測する故障予測装置であって、
   前記モータの状態を示す第１状態変数、および前記電子機器の状態を示す第２状態変数のうち少なくとも１つである状態変数を取得する変数取得部と、
   前記状態変数を周波数領域に変換する変換部と、
   前記変換部により周波数領域に変換された前記状態変数の周波数特性と、前記状態変数の周波数特性と前記軸受けの故障モードに関するモデル故障情報との関係を示すモデルとを用いて前記軸受けの故障モードを特定し、前記故障モードに基づいて前記軸受けの故障情報を生成する生成部と、
   前記生成部により生成された前記故障情報を出力する出力部と、を備える故障予測装置。
2. 前記生成部は、前記故障モードの数を特定し、前記故障モードの数に基づいて前記故障情報を生成する、請求項１に記載の故障予測装置。
3. 前記モデルは、前記変換部により周波数領域に変換された前記状態変数の周波数特性の入力を受けて、前記故障情報を、推定結果として出力する推定モデルであり、
   前記推定モデルは、学習用データセットを用いた学習処理により生成され、前記学習用データセットは、前記変換部により周波数領域に変換された前記状態変数の周波数特性に対して、前記モデル故障情報をラベル付けした学習用データを複数含む、請求項１または請求項２に記載の故障予測装置。
4. 前記モータは圧縮機に搭載され、
   前記圧縮機はインバータに接続され、
   前記インバータは、母線から前記圧縮機に交流電力を出力し、
   前記第１状態変数は、前記モータに流れる交流電流、前記母線の電圧、前記母線の電流、前記モータの駆動音、前記モータのトルク、および前記交流電力のうち少なくとも１つを含む、請求項１～請求項３のいずれか１項に記載の故障予測装置。
5. 前記故障情報に応じて前記インバータに出力する周波数の指令値を制御する指令部をさらに備える、請求項４に記載の故障予測装置。
6. 前記電子機器は、前記圧縮機を有する空調機であり、
   前記第２状態変数は、前記空調機の運転状態を含む、請求項４または請求項５に記載の故障予測装置。
7. 前記電子機器は、圧縮機を有する空調機であり、
   前記第２状態変数は、前記空調機の運転状態を含む、請求項１～請求項３のいずれか１項に記載の故障予測装置。
8. 前記空調機の運転状態は、前記圧縮機内に流れる冷媒の圧力、前記冷媒の流量、前記圧縮機の周辺の温度、前記圧縮機の周辺の動作音、および前記圧縮機の周辺の湿度のうち少なくとも１つを含む、請求項６または請求項７に記載の故障予測装置。
9. 前記故障予測装置は、前記故障情報に基づく通知を実行する通知部をさらに備える、請求項１～請求項８のいずれか１項に記載の故障予測装置。
10. 前記通知部は、前記故障情報により示される故障の度合いに応じて、交換時期を通知する、請求項９に記載の故障予測装置。
11. 前記生成部は、前記変換部により周波数領域に変換された前記状態変数の周波数特性に応じて、前記軸受けの故障モードの種別を特定することにより、故障モードの種別を特定可能な前記故障情報を生成し、
    前記通知部は、故障モードの種別を通知する、請求項９または請求項１０に記載の故障予測装置。
12. 前記故障情報は、前記軸受けの故障モードの有無、前記軸受けの故障の度合い、および前記軸受けの故障モードの種別のうち少なくとも１つを示す情報である、請求項１～請求項１１のいずれか１項に記載の故障予測装置。
13. 電子機器に搭載されているモータの軸受けの故障を予測するために用いられる推定モデルを最適化するための学習装置であって、
    前記モータの状態を示す第１状態変数、および前記電子機器の状態を示す第２状態変数のうち少なくとも１つである状態変数が周波数領域に変換された前記状態変数の周波数特性と、当該周波数特性に対して前記軸受けの故障に関する故障情報がラベル付けされた複数の学習用データとを含む学習用データセットを取得するデータ取得部と、
    前記学習用データセットから、前記周波数特性を抽出する抽出部と、
    前記学習用データセットから抽出された前記周波数特性を前記推定モデルに入力して出力される推定結果が、当該学習用データセットにラベル付けされている前記故障情報に近づくように、前記推定モデルを最適化する学習部とを備え、
    前記学習部により最適化された前記推定モデルは、前記軸受けの故障モードを特定し、前記故障モードに基づいて前記軸受けの前記故障情報を生成する故障予測装置に用いられる、学習装置。
14. 前記モータは圧縮機に搭載され、前記圧縮機は、インバータにより母線から交流電力が出力され、前記第１状態変数は、前記モータに流れる交流電流、前記母線の電圧、前記母線の電流、前記モータの駆動音、前記モータのトルク、および前記交流電力のうち少なくとも１つを含む、請求項１３に記載の学習装置。
15. 前記学習装置は、
    他の学習装置に対して、前記故障情報、前記学習用データセット、および最適化された前記推定モデルのうち少なくとも１つを送信し、
    前記他の学習装置から、前記故障情報、前記学習用データセット、および最適化された前記推定モデルのうち少なくとも１つを受信する、請求項１３または請求項１４に記載の学習装置。
16. 電子機器に搭載されているモータの軸受けの故障を予測するために用いられる推定モデルを最適化するための学習方法であって、
    前記モータの状態を示す第１状態変数、および前記電子機器の状態を示す第２状態変数のうち少なくとも１つである状態変数が周波数領域に変換された前記状態変数の周波数特性と、当該周波数特性に対して前記軸受けの故障に関する故障情報がラベル付けされた複数の学習用データとを含む学習用データセットを取得するステップと、
    前記学習用データセットから、前記周波数特性を抽出するステップと、
    前記学習用データセットから抽出された前記周波数特性を前記推定モデルに入力して出力される推定結果が、当該学習用データセットにラベル付けされている前記故障情報に近づくように、前記推定モデルを最適化するステップとを備え、
    最適化された前記推定モデルは、前記軸受けの故障モードを特定し、前記故障モードに基づいて前記軸受けの前記故障情報を生成する故障予測装置に用いられる、学習方法。

Images