WO2021220767A1 - 機械学習装置、データ処理システム、推論装置及び機械学習方法 - Google Patents

Abstract

【課題】電磁弁装置における異常及び異常の兆候を作業者の経験等に依存することなく精度よく把握することを可能とする機械学習装置等を提供する。 【解決手段】機械学習装置(200)は、シリンダ及びピストンを含む駆動装置(12)と、駆動装置(12)に対する駆動流体(Ａ)の給排を制御する電磁弁(1)と、を含む電磁弁装置に適用されて、シリンダ内の温度及び湿度を含む入力データと、入力データに対応付けられた駆動装置(12)の診断情報からなる出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニット(202)と；学習用データセットを複数組入力することで、入力データと出力データとの相関関係を推論する学習モデルを学習する学習ユニット(203)と；学習済モデルを記憶する学習済モデル記憶ユニット(204)と；を備える。

Description

機械学習装置、データ処理システム、推論装置及び機械学習方法

　本発明は、バルブシステムの異常診断を行うための機械学習装置、データ処理システム、推論装置及び機械学習方法に関するものである。

　従来、電磁弁により駆動流体を制御して駆動装置を介して主弁を開閉する流体圧駆動弁が知られている。例えば、特許文献１には、プラント設備の配管に使用される流体圧駆動弁として、設備に異常が発生したような緊急時に、電磁弁により駆動流体を制御して駆動装置を介してボールバルブ（主弁）を閉じることにより、配管を流れる流体を遮断する緊急遮断弁装置が開示されている。

特開２００９－９７５３９号公報

　特許文献１に示されるような、プラント設備に用いられる緊急遮断弁等の流体圧駆動弁においては、プラント設備全体の稼働率・信頼性を向上させるためには、予期しない異常が発生しないことが好ましい。したがって、このような流体圧駆動弁にあっては、異常が発生した際にその異常を把握する事後保全のみならず、異常の兆候を把握する予兆保全を実現することが望まれている。

　ここで、駆動装置及び電磁弁を少なくとも備える電磁弁装置、又は、主弁、駆動装置及び電磁弁を少なくとも備える流体圧駆動弁の異常の兆候は、様々な事象として表出し得るが、電磁弁装置又は流体圧駆動弁に生じ得る事象と異常の兆候との因果関係は明確に特定されていなかった。その結果、電磁弁装置又は流体圧駆動弁における予兆保全は、作業者の経験（暗黙知を含む）に依存した判断に基づいて実施されることとなり、担当する作業者によってその精度に差が生じるという課題がある。

　本発明は、上述した課題に鑑み、電磁弁装置又は流体圧駆動弁において、特に駆動装置における異常及び異常の兆候（以下、本発明においては、これらをまとめて「異常」という。）を精度よく把握するための、機械学習装置、データ処理システム、推論装置及び機械学習方法を提供することを目的とする。

　上記目的を達成するために、本発明の第１の態様に係る機械学習装置は、例えば図１―５に示すように、シリンダ１２０及びピストン１２２Ａ、１２２Ｂを含む駆動装置１２と、前記駆動装置１２に対して駆動流体Ａの給排を制御する電磁弁１と、を少なくとも含む電磁弁装置、又は、主弁１１と、前記主弁１１を駆動するシリンダ１２０及びピストン１２２Ａ、１２２Ｂを含む駆動装置１２と、前記駆動装置１２に対して駆動流体Ａの給排を制御する電磁弁１と、を少なくとも含む流体圧駆動弁１０に適用されるものであって、前記シリンダ１２０内の温度及び湿度を含む入力データと、前記入力データに対応付けられた前記駆動装置１２の診断情報からなる出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニット２０２と；前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニット２０３と；前記学習ユニット２０３によって学習された前記学習モデルを記憶する学習済モデル記憶ユニット２０４と；を含むものである。

　本発明の機械学習装置によれば、電磁弁装置又は流体圧駆動弁の定常運転時に取得可能な各種情報等に基づいて、駆動装置の異常の発生の有無を推定可能な学習済モデルを提供することができるようになる。よって、この学習済モデルを利用することにより、駆動装置において発生する異常を、作業者の経験に依存することなく高精度に推定することを実現できるようになる。

本発明の一実施の形態に係る機械学習装置等が適用される流体圧駆動弁の一例を示す概略図である。 本発明の一実施の形態に係る機械学習装置等が適用される駆動装置の例を示す概略図である。 本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示す概略図である。 本発明の一実施の形態に係る機械学習装置等が適用される電磁弁の一例を示すブロック図である。 本発明の一実施の形態に係る機械学習装置の概略ブロック図である。 本発明の一実施の形態に係る機械学習装置等で使用されるデータの構成例（教師あり学習）を示す図である。 本発明の一実施の形態に係る機械学習装置等で使用されるデータの構成例（教師なし学習）を示す図である。 本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。 本発明の一実施の形態に係る機械学習方法の例を示すフローチャートである。 本発明の一実施の形態に係るデータ処理システムを示す概略ブロック図である。 本発明の一実施の形態に係るデータ処理システムによるデータ処理工程の例を示すフローチャートである。

　以下、図面を参照して本発明を実施するための各実施の形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

　本発明の一実施の形態に係る機械学習装置、データ処理システム、推論装置及び機械学習方法を説明する前に、以下には先ず機械学習装置等が適用される電磁弁装置又は流体圧駆動弁について、流体圧駆動弁を中心に説明を行う。

（流体圧駆動弁）
　図１は、本発明の一実施の形態に係る流体圧駆動弁１０の一例を示す概略図である。本実施の形態における流体圧駆動弁１０としては、例えば、プラント設備において各種のガスや石油等が流れる配管１００に設置され、プラント設備に異常等が発生した緊急停止時に、配管１００の流れを遮断するための緊急遮断弁として用いることができる。なお、流体圧駆動弁１０の設置場所や用途は、上記の例に限られない。

　図１に示す流体圧駆動弁１０は、配管１００の途中に配置される主弁１１と、主弁１１に連結された弁軸１３ａを駆動流体の流体圧に応じて駆動させることで主弁１１の開閉操作を行う流体圧式の駆動装置１２と、駆動装置１２に対して駆動流体の給排を制御する機能を有する電磁弁１とを備えている。

　この流体圧駆動弁１０に用いられる駆動流体には、計装空気（以下、単に「空気」という）Ａが採用されている。この空気Ａは空気供給源１４から第１の空気配管１４０を介して電磁弁１に供給され、さらに、第２の空気配管１４１を介して駆動装置１２に供給される。また、流体圧駆動弁１０には、外部装置１５及び電磁弁１の間で各種のデータを送受信するための通信ケーブル１５０と、外部電源１６から電磁弁１に電力を供給するための電力ケーブル１６０とが接続されている。なお、駆動流体としては、上記の空気Ａに限られず、他の気体でも液体（例えば、油）でもよい。

　外部装置１５は、流体圧駆動弁１０との間で各種情報を送受信するための装置であって、例えば、プラント管理用のコンピュータ（ローカルサーバ及びクラウドサーバを含む。）、作業者（保守点検者）が使用する診断用コンピュータ、又は、ＵＳＢメモリや外付けＨＤＤ等の外部記憶ユニットで構成されている。この外部装置１５は、後述する機械学習装置２００に接続されて学習用データセットを構成する各種データを送信することも可能である。また、この外部装置１５は、流体圧駆動弁１０に異常が発生した場合に作業者等に対して異常が発生したことやその内容を報知するための、ＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）等からなる報知手段を備えている。なお、外部装置１５及び電磁弁１の間の通信には無線通信を利用してもよい。

　本実施の形態の流体圧駆動弁１０の駆動方式は、エアーレスクローズ方式が採用されている。したがって、定常運転時は空気供給源１４から電磁弁１を介して駆動装置１２に空気Ａを供給（給気）することで、主弁１１が開操作され、緊急停止時や試験運転時は、駆動装置１２から電磁弁１を介して空気Ａを排出（排気）することで、主弁１１が閉操作される。なお、流体圧駆動弁１０は、エアーレスオープン方式を採用してもよく、その場合には、駆動装置１２に空気Ａを供給することで閉操作され、駆動装置１２から空気Ａを排出することで主弁１１を閉操作される。

　主弁１１には、ボールバルブが採用されている。この主弁１１の具体的な構成としては、配管１００の途中に配置される弁箱１１０と、弁箱１１０内に回動可能に設けられたボール状の弁体１１１とを備え、弁体１１１の上部には、弁軸１３ａが連結されている。弁軸１３ａが０度～９０度に回動されることに応じて弁箱１１０内で弁体１１１が回動し、主弁１１の全開状態（図１に示す状態）と全閉状態が切り替えられる。なお、主弁１１として用いられる弁は、ボールバルブに限られず、例えば、バタフライバルブやその他のオンオフ弁であってもよい。

　駆動装置１２には、主弁１１と電磁弁１との間に配置された単作動式のエアシリンダ機構が採用されている。この駆動装置１２の具体的な構成としては、スプリング室１２７及びシリンダ室１２８を有する、円筒状のシリンダ１２０と、このシリンダ１２０内に往復直線移動可能に設けられピストンロッド１２１を介して連結された一対のピストン１２２Ａ、１２２Ｂと、第１のピストン１２２Ａ側に形成されたスプリング室１２７に設けられたコイルばね１２３と、第２のピストン１２２Ｂ側に形成されたシリンダ室１２８に接続された空気給排口１２４と、シリンダ１２０を径方向に沿って貫通するように配置された主軸１３ｂとピストンロッド１２１とが直交する部分に設けられた伝達機構１２５とを備える。なお、駆動装置１２は、単作動式に限られず、例えば、複作動式等の他の形式で構成されていてもよい。

　第１のピストン１２２Ａは、スプリング室１２７に設けられたコイルばね１２３により主弁１１を閉方向に動作するように付勢されている。また、第２のピストン１２２Ｂは、空気給排口１２４からシリンダ室１２８に供給された空気Ａ（給気）により主弁１１を開方向に動作するように（コイルばね１２３の付勢力に抗して）押圧するものである。さらに、伝達機構１２５は、ラックアンドピニオン機構、スコッチヨーク機構、リンク機構、カム機構等で構成されており、ピストンロッド１２１の往復直線運動を回動運動に変換して駆動装置１２の主軸１３ｂに伝達するものである。

　図２は、本発明の一実施の形態に係る機械学習装置等が適用される駆動装置１２の例を示す概略図である。図２（ａ）は伝達機構１２５がラックアンドピニオン機構の例、図２（ｂ）は伝達機構１２５がスコッチヨーク機構の例を示す。

　例えば、伝達機構１２５が、図２（ａ）に示すように、ラックアンドピニオン機構の場合、空気Ａがシリンダ１２０に給気又はシリンダ１２０から排気されることによってピストン１２２及びピストンロッド１２１が往復直線運動を行う。すると、ピストンロッド１２１に設けられたラック１２５ａが往復直線運動を行う。続いて、ラック１２５ａに対して接触して噛み合うピニオン１２５ｂが回動する。すると、ピニオン１２５ｂと同様に回動する主軸１３ｂが回動運動を行う。

　また、伝達機構１２５が、図２（ｂ）に示すように、スコッチヨーク機構の場合、空気Ａがシリンダ１２０に給気又はシリンダ１２０から排気されることによってピストン１２２Ａ、１２２Ｂ及びピストンロッド１２１が往復直線運動を行う。すると、ピストンロッド１２１と同様に移動するローラピン１２５ｃが往復直線運動を行う。続いて、ローラピン１２５ｃに対して軸偏心して接触し組み付けられるヨーク１２５ｄが９０°回動する。すると、ヨーク１２５ｄと同様に９０°回動する主軸１３ｂが回動運動を行う。

　駆動装置１２は、ピストン１２２Ａ、１２２Ｂの動きをそれぞれ規制する位置を変更可能なストッパ１２６Ａ、１２６Ｂと、駆動装置１２の各部の状態を取得する駆動状態センサ４９とをさらに備える。図２（ａ）及び図２（ｂ）に示す例では、ストッパ１２６Ａ、１２６Ｂは、シリンダ１２０のシリンダケース１２０Ａ、１２０Ｂそれぞれのピストンロッド１２１軸上に設置されたボルトにより構成されている。

　駆動状態センサ４９は、例えば、位置センサ４９１、加速度センサ４９２、及び、温度・湿度センサ４９３等である。図２（ａ）及び図２（ｂ）に示す例では、駆動状態センサ４９として、２つの位置センサ４９１、２つの加速度センサ４９２、及び、２つ（図２（ｂ）においては３つ）の温度・湿度センサ４９３が、ストッパ１２６Ａ、１２６Ｂ又はシリンダ１２０に取り付けられている。

　位置センサ４９１は、シリンダ１２０のシリンダケース１２０Ａ、１２０Ｂに対するピストン１２２又はピストンロッド１２１の位置を検出する。位置センサ４９１は、例えば、第１のストッパ１２６Ａ及び第２のストッパ１２６Ｂにそれぞれ取り付けられ、シリンダ１２０に対するピストン１２２Ａ、１２２Ｂ又はピストンロッド１２１の位置（距離）を計測する。位置センサ４９１は、超音波センサ、赤外線センサ、ホールセンサ、リードセンサ等で構成される。

　加速度センサ４９２は、シリンダ１２０に生じる加速度を計測する。具体的には、加速度センサ４９２は、ピストン１２２Ａ、１２２Ｂがシリンダ１２０内を往復直線移動するときに発生する駆動装置１２の振動や、ピストン１２２がストッパ１２６Ａ、１２６Ｂに衝突するときに発生する駆動装置１２の振動（衝撃）を、駆動装置１２の加速度として計測する。

　温度・湿度センサ４９３は、例えば、シリンダ１２０に形成されたタップ孔に取り付けられ、シリンダ１２０内の温度及び湿度を検出する。温度・湿度センサ４９３は、温度を検出する温度センサと、相対湿度を検出する湿度センサとを組み合わせて構成される。駆動装置１２が、図２に示すように、単作動式の場合には、空気給排口１２４ａが電磁弁１に接続されるとともに、空気給排口１２４ｂ、１２４ｃが外部環境に開放されているため、温度・湿度センサ４９３は、電磁弁１から空気給排口１２４ａを介してシリンダ１２０内に給排される空気Ａ（駆動流体）の温度及び湿度を検出するとともに、外部環境から空気給排口１２４ｂ、１２４ｃを介してシリンダ１２０内に給排される外気（外部空気）の温度および湿度を検出する。また、駆動装置１２が、複作動式の場合には、空気供給口１２４ａ、１２４ｂが電磁弁１に接続されて、電磁弁１から空気供給口１２４ａ、１２４ｂを介して第２のピストン１２２Ｂを境にシリンダ１２０内に形成された左右の空気室に空気Ａが交互に給気又は排気されるとともに、空気給排口１２４ｃが外部環境に開放されているため、温度・湿度センサ４９３は、電磁弁１から空気給排口１２４ａ、１２４ｂを介してシリンダ１２０内に給排される空気Ａ（駆動流体）の温度及び湿度を検出するとともに、外部環境から空気給排口１２４ｃを介してシリンダ１２０内に給排される外気（外部空気）の温度および湿度を検出する。

　なお、駆動状態センサ４９が駆動装置１２に取り付けられる位置や数は、図２に示す例に限られず、適宜変更されてもよい。例えば、位置センサ４９１は、シリンダケース１２０Ａ、１２０Ｂに取り付けられてもよい。加速度センサ４９２は、シリンダケース１２０Ａ、１２０Ｂに取り付けられてもよいし、ストッパ１２６Ａの基端部（図２（ｂ）参照。）に代えて、ストッパ１２６Ａの先端部に取り付けられてもよい。温度・湿度センサ４９３は、電磁弁１に接続された空気給排口１２４ａ、第１の空気配管１４０、第２の空気配管１４１、又は電磁弁１の内部に取り付けられてもよい。また、温度・湿度センサ４９３は、外部環境に開放された空気給排口１２４ｂ、１２４ｃのいずれかに取り付けられてもよいし、空気給排口１２４ｂ、１２４ｃのいずれかに接続されたロングニップル及びティーのいずれかに取り付けられてもよい。

　主弁１１の弁軸１３ａ、駆動装置１２の主軸１３ｂ、及び、電磁弁１の軸１３ｃは、それぞれ回動可能な状態でシャフト状に形成される。駆動装置１２の主軸１３ｂは、駆動装置１２を貫通するように配置される。主弁１１の弁軸１３ａ及び電磁弁１の軸１３ｃは、一直線上にカップリングやコネクタ等を介して駆動装置１２の主軸１３ｂと連結され、主軸１３ｂの駆動と同期した回動運動を行う。

　電磁弁１は、駆動装置１２に対して空気Ａの給排を制御する機能を有し、例えば、２ポジションでノーマルクローズタイプ（通電時「開」、非通電時「閉」）の三方電磁弁として構成されている。この電磁弁１は、屋内型又は防爆型の電磁弁１のハウジングとして機能する収容部６の内部に、空気Ａが流れる流路を切り替えるスプール部２と、通電状態（通電時又は非通電時）に応じてスプール部２を変位させるソレノイド部３とを備えている。なお、この電磁弁１には、上述したタイプの三方電磁弁に限られず、３ポジションであっても、ノーマルオープンタイプであっても、四方電磁弁等であってもよく、これらの任意の組み合わせに基づく各種の形成で構成できる。また、本実施の形態では、電磁弁１は、流体圧駆動弁１０におけるパイロットバルブとして用いられるものであるが、電磁弁１の用途はこれに限られない。

　スプール部２は、空気供給源１４に第１の空気配管１４０を介して接続される入力ポート２０と、駆動装置１２に第２の空気配管１４１を介して接続される出力ポート２１と、駆動装置１２からの排気を排出する排気ポート２２とを備える。

　ソレノイド部３は、通電時に、入力ポート２０と出力ポート２１との間を連通するように、スプール部２を変位させ、非通電時に、出力ポート２１と排気ポート２２との間を連通するように、スプール部２を変位させる。

　上述した一連の構成により、電磁弁１が通電状態である場合には、空気供給源１４からの空気Ａ（給気）が、第１の空気配管１４０、入力ポート２０、出力ポート２１及び第２の空気配管１４１の順に流れて、空気給排口１２４に供給されることで、第２のピストン１２２Ｂが押圧されてコイルばね１２３が圧縮する。そして、コイルばね１２３の圧縮に応じてピストンロッド１２１が移動した分だけピストンロッド１２１及び伝達機構１２５を介して主軸１３ｂにコネクタで連結された主弁１１の弁軸１３ａが回動されると、弁箱１１０内で弁体１１１が回動し、主弁１１が全開状態に操作される。

　一方、電磁弁１が非通電状態である場合には、シリンダ１２０内の空気Ａ（排気）が、空気給排口１２４から第２の空気配管１４１、出力ポート２１及び排気ポート２２の順に流れて、外気に排出されることで、第２のピストン１２２Ｂの押圧力が低下し、コイルばね１２３が圧縮状態から復元する。そして、コイルばね１２３の復元に応じてピストンロッド１２１が移動した分だけ伝達機構１２５を介して主軸１３ｂにコネクタで連結された主弁１１の弁軸１３ａが回動されると、弁箱１１０内で弁体１１１が回動し、主弁１１が全閉状態に操作される。

　図３は、本発明の一実施の形態に係る電磁弁１の一例を示す断面図である。本実施の形態に係る電磁弁１は、図３に示すように、上記のスプール部２及びソレノイド部３に加えて、電磁弁１の各部の状態を取得する複数のセンサ４と、複数のセンサ４のうち少なくとも１つが載置された基板５と、スプール部２、ソレノイド部３、複数のセンサ４及び基板５を収容する収容部６とを備える。

　収容部６は、スプール部２を収容する第１の収容部６０と、第１の収容部６０に隣接されるとともに、ソレノイド部３、複数のセンサ４及び基板５を収容する第２の収容部６１と、通信ケーブル１５０及び電力ケーブル１６０が接続されるターミナルボックス６２とを備える。第１の収容部６０及び第２の収容部６１は、例えば、アルミニウム等の金属材料で製作されている。

　第１の収容部６０は、入力ポート２０、出力ポート２１及び排気ポート２２として、それぞれ機能する開口部（不図示）を有する。

　第２の収容部６１は、両端（第１のハウジング端部６１０ａ及び第２のハウジング端部６１０ｂ）が開放された円筒状のハウジング６１０と、ハウジング６１０の内部に配置されるボディー６１１と、第１のハウジング端部６１０ａに固定されたソレノイド部３を外気から覆うソレノイドカバー６１２と、第２のハウジング端部６１０ｂに固定されたターミナルボックス６２を外気から覆うターミナルボックスカバー６１３とを備える。

　ハウジング６１０は、その下部に形成されて軸１３ｃが挿入される軸挿入口６１０ｃと、その上部に形成されてボディー６１１が挿入されるボディー挿入口６１０ｄと、第２のハウジング端部６１０ｂ側に形成されて通信ケーブル１５０及び電力ケーブル１６０が挿入されるケーブル挿入口６１０ｅとを有する。

　第１の収容部６０及び第２の収容部６１には、ボディー６１１を貫通するようにして、入力側流路２６から分岐して入力側流路２６と第１の圧力センサ４０との間を連通する第１の流路６３と、出力側流路２７から分岐して出力側流路２７と第２の圧力センサ４１との間を連通する第２の流路６４と、スプール部２とソレノイド部３とを連動させるための空気Ａが流れるスプール流路６５が形成されている。

　スプール部２は、スプールケースとして機能する第２の収容部６１内に形成されたスプールホール２３と、スプールホール２３内に移動可能に配置されたスプールバルブ２４と、スプールバルブ２４を付勢するスプールスプリング２５と、入力ポート２０とスプールホール２３との間を連通する入力側流路２６と、出力ポート２１とスプールホール２３との連通する出力側流路２７と、排気ポート２２とスプールホール２３との間を連通する排気流路２８とを備える。

　ソレノイド部３は、ソレノイドケース３０と、ソレノイドケース３０内に収容されたソレノイドコイル３１と、ソレノイドコイル３１内に移動可能に配置された可動鉄芯３２と、ソレノイドコイル３１内に固定状態で配置された固定鉄芯３３と、可動鉄芯３２を付勢するソレノイドスプリング３４とを備える。

　電磁弁１が非通電状態から通電状態に切り替えられた場合には、ソレノイド部３において、コイル電流がソレノイドコイル３１に流れることによりソレノイドコイル３１が電磁力を発生し、当該電磁力により可動鉄芯３２がソレノイドスプリング３４の付勢力に抗して固定鉄芯３３に吸引されることで、スプール流路６５を流れる空気Ａの流通状態が切り替えられる。そして、スプール部２において、スプール流路６５を流れる空気Ａの流通状態が切り替えられたことにより、スプールバルブ２４がスプールスプリング２５の付勢力に抗して移動されることで、入力ポート２０と排気ポート２２との間を連通する状態から、入力ポート２０と出力ポート２１との間を連通する状態に切り替えられる。

　基板５は、基板面５００Ａ、５００Ｂが軸挿入口６１０ｃから挿入された軸１３ｃに沿うように配置された第１の基板５０と、ターミナルボックス６２に近接して配置された第２の基板５１と、ソレノイド部３に近接して配置された第３の基板５２とを備える。

　第１の基板５０の基板面５００Ａ、５００Ｂのうち、第１の基板面５００Ａ側には、ボディー６１１、ソレノイド部３及び第３の基板５２が配置される。第１の基板面５００Ａ側と反対側の第２の基板面５００Ｂ側には、第２の基板５１及びターミナルボックス６２が配置される。

　第１の基板５０、第２の基板５１及び第３の基板５２の適所には、センサ４が配置されている。このセンサ４としては、例えば、入力側流路２６及び第１の流路６３を流れる空気Ａの流体圧を計測する第１の圧力センサ４０と、出力側流路２７及び第２の流路６４を流れる空気Ａの流体圧を計測する第２の圧力センサ４１と、主弁１１の弁軸１３ａからの回動を駆動装置１２の主軸１３ｂを介して電磁弁１の軸１３ｃが回動するときの回動角度を計測し、当該回動角度に応じて主弁１１の弁開度情報を取得する主弁開度センサ４２とを含む。

　主弁開度センサ４２は、例えば、磁気センサにより構成されており、軸１３ｃに取り付けられた永久磁石１３１が発生する磁気の強さを計測し、当該磁気の強さに応じて主弁１１の弁開度情報を取得する。この主弁開度センサ４２は、軸挿入口６１０ｃから挿入された軸１３ｃに沿うように配置された第１の基板５の第１の基板面５００Ａのうち軸１３ｃの軸周りの外周に対向する位置に載置されると好ましい。これにより、収容部６内において、配置スペースを無駄にすることなく、第１の基板５０に載置された主弁開度センサ４２と、軸１３ｃとを近接して配置することが可能となり、弁開度情報を正確に取得することができる。

　図４は、本発明の一実施の形態に係る電磁弁１及び流体圧駆動弁１０の一例を示すブロック図である。電磁弁１は、図４に示すように、電気的な構成例として、上記の基板３及びセンサ４の他に、電磁弁１を制御する制御部７と、外部装置１５と通信するための通信部８と、外部電源１６に接続される電源回路部９とを備える。

　複数のセンサ４は、各部の物理量を計測するセンサ群として、上記の第１の圧力センサ４０、第２の圧力センサ４１、主弁開度センサ４２の他に、ソレノイド部３に対する供給電圧を計測する電圧センサ４３と、ソレノイド部３における通電時の電流値及び非通電時の抵抗値を計測する電流・抵抗センサ４４と、収容部６の内部温度を計測する温度センサ４５と、ソレノイド部３が発生する磁気の強さを計測する磁気センサ４６とを備える。

　また、複数のセンサ４は、各部の動作履歴に関する情報を取得するセンサ群として、ソレノイド部３の稼働時間としてソレノイド部に対する通電時間の合計及び現在の通電連働時間の少なくとも一方を計測する稼働時間計（タイマ）４７と、電磁弁１、駆動装置１２及び主弁１１それぞれの作動回数を計数する作動カウンタ（カウンタ）４８とを備える。

　なお、複数のセンサ４（以下では、「複数のセンサ４」は、駆動状態センサ４９を含む符号４０～４９で示すセンサを示す用語として定義する。）は、上述のようにそれぞれのセンサが個別に設けられたものに限られず、特定のセンサが他のセンサの機能を兼ねることで、当該他のセンサが個別に設けられていなくてもよい。例えば、磁気センサ４６が、ソレノイド部３が発生する磁気の強さを計測するとともに、当該磁気の強さに基づいてソレノイド部３における通電時の電流値を求めることで、電流・抵抗センサ４４が個別に設けられていなくてもよい。また、マイクロコントローラ７０が、センサの機能を内蔵したり、センサの機能の一部を実現したりしてもよく、例えば、マイクロコントローラ７０が、稼働時間計４７及び作動カウンタ４８を内蔵することで、稼働時間計４７及び作動カウンタ４８が個別に設けられていなくてもよい。

　制御部７は、複数のセンサ４により取得された電磁弁１及び駆動装置１２を含む流体圧駆動弁１０の各部の状態を示す情報を処理するとともに、流体圧駆動弁１０の各部を制御するマイクロコントローラ７０と、ソレノイド部３の通電状態を制御し、試験運転時における主弁１１の開閉操作を行うバルブテストスイッチ７１とを備える。

　マイクロコントローラ７０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等のプロセッサ（不図示）と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等により構成されるメモリとを備える。このマイクロコントローラ７０は、本実施の形態において後述するデータ処理システム３００を実現する機能を含むことができる。

　バルブテストスイッチ７１は、所定の試験運転条件が満たされた場合にマイクロコントローラ７０からの指令を受けて、試験運転として、流体圧駆動弁１０のストロークテストを実行するためのものである。

　ストロークテストは、例えば、フルストロークテスト及びパーシャルストロークテストのいずれかにより実行される。フルストロークテストは、主弁１１を全開状態において通電状態から非通電状態に切り替えることで全閉状態に操作し、全閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。パーシャルストロークテストは、主弁１１を全閉状態に操作することなく（すなわち、プラント設備を停止することなく）、主弁１１を全開状態において通電状態から非通電状態に切り替えることで所定の開度まで部分的に閉じて、部分的な閉状態において非通電状態から通電状態に切り替えることで全開状態に戻すことで実行される。

　なお、試験運転条件としては、例えば、管理者により設定値として指定された実行頻度（例えば、１年に１回）による実行時期や特定の指定日時が到来したり、外部装置１５からの実行命令を受け付けたり、電磁弁１に設けられた試験実行ボタン（不図示）が管理者により操作されたりした場合に、試験運転条件を満たすものとして、試験運転（ストロークテスト）が実行されるようにすればよい。

　次に、電磁弁装置又は流体圧駆動弁１０に適用される機械学習装置、データ処理システム、推論装置及び機械学習方法について、機械学習装置、データ処理システム、推論装置及び機械学習方法が流体圧駆動弁１０に適用された例を中心に説明を行う。

（機械学習装置）
　上述した一連の構成を備える流体圧駆動弁１０においては、上述した複数のセンサ４を備えることにより、例えば定常運転時及び非定常運転時（例えば、開閉操作が行われる試験運転時や緊急停止時を含む。）において流体圧駆動弁１０の各種情報を取得することができる。そこで、以下には、流体圧駆動弁１０から取得可能な情報（状態変数）に基づいて流体圧駆動弁１０（特に駆動装置１２）の診断情報を推定することが可能な推論モデル（学習済モデル）を学習する機械学習装置２００について、説明を行う。なお、ここでいう機械学習装置２００は、それ単独で動作する装置として提供されるもののみならず、任意のプロセッサに以下に説明する動作を実行させるためプログラム、あるいは当該動作を実行させるための１乃至複数の命令を格納した非一時的なコンピュータ読取可能媒体の形式で提供されるものを含む。

　図５は、本発明の一実施の形態に係る機械学習装置２００の概略ブロック図である。本実施の形態に係る機械学習装置２００は、図５に示すように、学習用データセット取得ユニット２０１と、学習用データセット記憶ユニット２０２と、学習ユニット２０３と、学習済モデル記憶ユニット２０４とを備えている。

　学習用データセット取得ユニット２０１は、例えば有線又は無線の通信回線を介して接続された各種機器から学習（トレーニング）用データセットを構成する複数のデータを取得するためのインタフェースユニットである。ここで、学習用データセット取得ユニット２０１に接続される各種機器としては、例えば外部装置１５や流体圧駆動弁１０の作業者が使用する作業者用コンピュータＰＣ１等を挙げることができる。なお、図５においては外部装置１５とコンピュータＰＣ１とは別々に接続された例を示しているが、外部装置１５と作業者用コンピュータＰＣ１とは同一のコンピュータにより構成されていてもよい。この学習用データセット取得ユニット２０１では、流体圧駆動弁１０の複数のセンサ４の検出データを入力データとして例えば外部装置１５から取得すると共に、この入力データに関連付けられる流体圧駆動弁１０の診断情報を出力データとして、例えば作業者用コンピュータＰＣ１から取得することができる。そして、これら互いに関連付けられる入力データと出力データとが、後述する一の学習用データセットを構成する。

　図６は、本発明の一実施の形態に係る機械学習装置２００で使用されるデータの構成例（教師あり学習）を示す図である。図７は、本発明の一実施の形態に係る機械学習装置２００で使用されるデータの構成例（教師なし学習）を示す図である。なお、図６、図７は、データ処理システム及び推論装置の説明でも適宜参照する。

　学習用データセットは、図６、図７に示すように、入力データとして、シリンダ１２０内の温度及び湿度を、出力データとして、駆動装置１２の診断情報を含んでおり、後述する機械学習において使用するためのデータセットを指すものである。これらの各種データの詳細について以下に一例を説示するが、本発明はこれらに限定されるものではない。

　シリンダ１２０内の温度及び湿度は、電磁弁１から空気給排口１２４（図２に示す単作動式の場合には、１２４ａ、複作動式の場合には、１２４ａ、１２４ｂ）を介して駆動装置１２に給排される空気Ａ（駆動流体）の温度及び湿度、及び、外部環境から空気給排口１２４（図２に示す単作動式の場合には、１２４ｂ、１２４ｃ、複作動式の場合には、１２４ｃ）を介して駆動装置１２に給排される外気（外部空気）の温度及び湿度の少なくとも１つを含む。シリンダ１２０内の温度及び湿度は上述した温度・湿度センサ４９３により取得できる。

　なお、入力データを構成する、シリンダ１２０内の温度及び湿度は、ある特定の時点における１つのデータ（時点データ）で構成されていてもよいし、図６、図７の括弧書きで示すように、所定期間内の異なる複数の時点でそれぞれ取得された複数のデータ（時系列データ）で構成されていてもよい。なお、入力データが、空気Ａの温度及び湿度の時系列データと、外気の温度及び湿度の時系列データとで構成されている場合には、空気Ａの温度及び湿度、及び、外気の温度及び湿度の各々は、同一のサンプリング周期及び同一の位相（位相差がない状態）で複数の時点で取得されたものでもよいし、サンプリング周期及び位相の少なくとも一方が異なるものでもよい。推論の精度を効果的に向上させるためには、後者の時系列データの形式であることが好ましい。

　駆動装置１２の診断情報は、駆動装置１２に対する異常診断が行われたときの、駆動装置１２に何らかの異常が発生しているか否かを示す情報であって、そのデータ形式としては種々のものを採用することができる。異常は、異常診断が行われた時点において異常の発生が判明したような事後的な異常だけなく、異常診断が行われた時点では正常と判断される許容範囲ではあるが、将来的な異常の発生が予見されたような異常の兆候も含む。

　例えば、一態様としての診断情報は、図６に示すように、駆動装置１２が正常であること（異常なし）及び異常であること（異常あり）のいずれかを表す情報で構成することができる。この場合、診断情報は、２値に分類され、例えば駆動装置１２が正常な状態であることを示す値を「０」とし、駆動装置１２が異常な状態であることを示す値を「１」として、作業用コンピュータＰＣ１を用いて作業者により入力データに関連付けた形で該当する値が入力されればよい。なお、この場合には具体的な異常の内容に関する情報は必ずしも必要ない。

　加えて、上記診断情報のうち、駆動装置１２が異常であることを表す情報は、図６の破線で示すように、異常の具体的な内容をも含んでいてもよい。異常の具体的な内容としては、例えば、駆動装置１２によって駆動される主弁１１の弁開度に関する異常、又は、駆動装置１２が作動したときの作動時間、作動速度、若しくは不作動に関する異常が含まれ、さらに詳細には、空気Ａが流れる空気回路の不良、空気供給源１４からの空気Ａの供給圧力の異常、シリンダ１２０とピストン１２２Ａ、１２２Ｂの動作不良、ピストン１２２Ａ、１２２Ｂの摩耗、ピストンロッド１２１又はコイルばね１２３の劣化・破損、シリンダ１２０の破損、空気給排口１２４（１２４ａ～１２４ｃ）の詰まり、伝達機構１２５の動作不良、ストッパ１２６Ａ、１２６Ｂの破損等が含まれる。この場合、診断情報は、多値（３以上の整数）に分類され、例えば、駆動装置１２が正常な状態であることを示す値を「０」とし、駆動装置１２の作動時間の遅れに該当する異常であることを示す値を「１」、駆動装置１２の不作動に該当する異常であることを示す値を「２」、以下同様に各異常の内容に合わせて値を一意に事前に定めた上で、作業用コンピュータＰＣ１を用いて作業者により入力データに関連付けた形で該当する値が入力されればよい。このような診断情報の設定を行うことで、異常の発生の有無のみならず、異常が発生したときの異常の具体的な内容の情報（図７に示す異常１／異常２／…／異常ｎに対応する。）をも含んだ学習用データセットを準備することができる。上述した一態様としての診断情報は、以下に述べる機械学習においては、教師あり学習（図６参照。）を行う場合に利用されるものである。

　また、駆動装置１２の診断情報としては、上述したもの以外にも採用することができる。例えば、他の態様としての診断情報は、図７に示すように、駆動装置１２が異常でなく正常であることのみを表す情報とすることができる。この場合、診断情報には駆動装置１２が正常であることを表す情報しか含まれないため、必然的にこの診断情報を出力データとして含む学習用データセットは、駆動装置１２が正常である場合の入力データと出力データとで構成されたデータセットのみとなる。したがって、この場合における学習用データセットの出力データは常に同じであるため、学習用データセットは出力データをデータとして有している必要は必ずしもないことは、当業者であれば当然に理解できるであろう。当該他の態様としての診断情報は、以下に述べる機械学習においては、教師なし学習（図７参照。）を行う場合に利用されるものである。

　オプションとして、学習用データセット内の入力データには、更に、主弁１１の弁開度、空気Ａの圧力、ソレノイド部３の制御パラメータ、電磁弁１の温度、駆動装置１２の動作状態、流体圧駆動弁１０の総稼働時間、流体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間、主弁１１の作動回数、駆動装置１２の作動回数、ソレノイド部３の作動回数、及び、主弁１１の開閉時間を選択的に含むことができる。

　主弁１１の弁開度は、主弁１１の開閉状態の値を指すものであって、上述した主弁開度センサ４２より取得できる。また、電磁弁１の温度は、電磁弁１の特に内部温度の値を指すものであって、上述した温度センサ４５により取得できる。

　空気Ａの圧力は、流体圧駆動弁１０の内部の各部を流れる空気Ａの圧力であることが好ましく、具体的には、空気供給源１４から電磁弁１に供給される空気Ａの電磁弁入力側圧力、電磁弁１から駆動装置１２に給排される空気Ａの電磁弁出力側圧力、及び、空気Ａの電磁弁入力側圧力と空気Ａの電磁弁出力側圧力との差圧の少なくとも１つを含むことが好ましい。また、空気Ａの電磁弁出力側圧力は、電磁弁１から駆動装置１２に給排される空気Ａの圧力であって、電磁弁１から駆動装置１２に空気Ａが供給されるときの空気Ａ（給気）の圧力と、駆動装置１２から電磁弁１を介して外気に空気Ａが排出されるときの空気Ａ（排気）の圧力とを含む。このうち、空気Ａの電磁弁入力側圧力は上述した第１の圧力センサ４０により取得でき、空気Ａの電磁弁出力側圧力は上述した第２の圧力センサ４１により取得でき、差圧は第１の圧力センサ４０と第２の圧力センサ４１の出力から算出できる。

　ソレノイド部３の制御パラメータは、ソレノイド部３を制御するための各種パラメータ情報であって、具体的にはソレノイドコイル３１へ供給される供給電圧、ソレノイドコイル３１への通電時の電流値、ソレノイドコイル３１の非通電時における抵抗値、ソレノイド部３の稼働時間、及び、ソレノイド部３に生じる磁気の強度の少なくとも１つを含むと好ましい。このうち、ソレノイドコイル３１へ供給される供給電圧は上述した電圧センサ４３により取得でき、ソレノイドコイル３１への通電時の電流値、及び、非通電時における抵抗値は上述した電流・抵抗センサ４４により取得でき、ソレノイド部３の稼働時間は上述した稼働時間計４７により取得でき、ソレノイド部３に生じる磁気の強度は上述した磁気センサ４６により取得できる。

　駆動装置１２の動作状態は、シリンダ１２０に対する第１のピストン１２２Ａの位置、シリンダ１２０に対する第２のピストン１２２Ｂの位置、及び、シリンダ１２０及びピストン１２２Ａ、１２２Ｂの間で生じる振動に基づく駆動装置１２の加速度の少なくとも１つを含むことが好ましい。シリンダ１２０に対するピストン１２２Ａ、１２２Ｂの位置は上述した位置センサ４９１により取得できる。駆動装置１２の加速度は、ピストン１２２Ａ、１２２Ｂがシリンダ１２０内を往復直線移動するときに発生する振動に基づくシリンダ１２０の加速度と、ピストン１２２Ａ、１２２Ｂがストッパ１２６Ａ、１２６Ｂに衝突するときに発生する振動（衝撃）に基づくシリンダ１２０の加速度とを含む。駆動装置１２の加速度は上述した加速度センサ４９２により取得できる。

　流体圧駆動弁１０の総稼働時間と流体圧駆動弁１０に対して最後に電源が投入されてからの稼働時間とは上述した稼働時間計４７により取得でき、主弁１１の作動回数と駆動装置１２の作動回数とソレノイド部３の作動回数とは上述した作動カウンタ４８により取得でき、主弁１１の開閉時間は図示しないタイマ等を用いて取得できる。

　上述のように入力データの種類を増やすことは、機械学習の後に得られる学習済モデルの推定精度を向上させるのに概ね寄与するものであるが、診断情報との相関度合いが低い入力データを採用することは、却って学習済モデルの推定精度の向上を阻害する可能性がある。したがって、入力データとして採用するデータの数及び種類については、学習済モデルが適用される流体圧駆動弁１０の状態等を考慮して適宜選択されるべきものである。

　特に、駆動装置１２では、シリンダ１２０内の空気Ａ又は外気の相対湿度が高くなると、シリンダ１２０内で結露が発生し、結露の発生状況によってはシリンダ１２０内に錆や腐食が発生し、駆動装置１２の各部（特にシリンダケース１２０Ａ、１２０Ｂ、ピストン１２２Ａ、１２２Ｂ、コイルばね１２３）において、劣化又は破損等の異常が生じるおそれがある。このような駆動装置１２の異常は、流体圧駆動弁１０の駆動特性の変化に影響を与えると想定される。

　したがって、本実施の形態においては、シリンダ１２０内の温度及び湿度を含む入力データに基づいて、駆動装置１２の異常診断を行うものである。つまり、シリンダ１２０内の温度及び湿度から、シリンダ１２０内での結露の発生状況（結露が発生した回数や時間、結露が継続して発生した回数や時間、結露が発生した回数や時間を累積した累積値等）を把握することで、駆動装置１２に発生する異常を検出することができる。

　さらに、入力データが、図６、図７の破線で示すように、空気供給源１４から電磁弁１を介して駆動装置１２に給排される空気Ａの温度及び湿度を含むことで、空気供給源１４からの空気Ａを原因とするシリンダ１２０内での結露の発生状況を把握し、駆動装置１２に異常が発生したときの原因が、空気供給源１４において、例えば、吸気供給設備やエアドライヤ等の異常に起因するものであるか否かの異常診断を行うことが可能となる。また、入力データが、図６、図７の破線で示すように、外部環境から駆動装置１２に給排される外気の温度及び湿度を含むことで、季節、天候、時間帯（朝昼晩）等に応じて温度及び湿度が変動する外気を原因とするシリンダ１２０内での結露の発生状況を把握し、駆動装置１２に異常が発生したときの原因が、外部環境に基づく外気の温度及び湿度の変動に起因するものであるか否かの異常診断を行うことが可能となる。

　学習用データセット記憶ユニット２０２は、学習用データセット取得ユニット２０１で取得した学習用データセットを構成するための複数のデータを、関連する入力データと出力データとを関連付けて１つの学習用データセットとし、格納するためのデータベースである。この学習用データセット記憶ユニットを構成するデータベースの具体的な構成については適宜調整することができる。例えば、図５においては、説明の都合上、この学習用データセット記憶ユニット２０２と後述する学習済モデル記憶ユニット２０４とを別々の記憶手段として示しているが、これらは単一の記憶媒体（データベース）によって構成することもできる。

　学習ユニット２０３は、学習用データセット記憶ユニット２０２に記憶された複数の学習用データセットを用いて機械学習を実行することで、複数の学習用データセットに含まれる入力データと出力データとの相関関係を学習した学習済モデルを生成するものである。本実施の形態においては、後に詳しく説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。

　学習済モデル記憶ユニット２０４は、学習ユニット２０３で生成された学習済モデルを記憶するためのデータベースである。この学習済モデル記憶ユニット２４に記憶された学習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実システムへ適用される。実システム（データ処理システム３００）に対する学習済モデルの具体的な適用態様については、後に詳述する。

　次に、上述のようにして得られた複数の学習用データセットを用いた、学習ユニット２０３における学習手法について、教師あり学習を中心に説明する。図８は、本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。図８に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び、出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。なお、図８においては、出力層が複数個（ｏ個）設定されたニューラルネットワークモデルを例示しているが、例えば上述した診断情報が一の値から特定されるものである場合、すなわち、後述する教師データの数が１個（ｔ１のみ）である場合には、出力層のニューロンの数も１個（ｚ１のみ）とすることができる。

　また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。

　本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセットを用いて、シリンダ１２０内の温度及び湿度と、駆動装置１２の診断情報との相関関係を学習する。具体的には、状態変数としてのシリンダ１２０内の温度及び湿度のそれぞれを入力層のニューロンに対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法で、つまり、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。なお、上記状態変数を入力層のニューロンに入力するに際し、状態変数として取得した情報をどのような形式として入力するかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。具体的には、入力データそれぞれに対応させるニューロンの数を調整するため、あるいはニューロンに対応可能な値に調整するために、特定の入力データに対して前処理を実行することができる。

　そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値、すなわち本実施の形態においては１以上の診断情報と、学習用データセットの一部を構成する、同じく１以上の診断情報からなる教師データｔ１～ｔｏとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロバケーション）ことを反復する。

　そして、上述した一連の工程を所定回数反復実施すること、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習済モデルとして学習済モデル記憶ユニット２０４に記憶する。

（機械学習方法）
　上記に関連して、本発明は、機械学習方法を提供する。以下に本発明に係る機械学習方法について、図６（学習フェーズ）、図７（学習フェーズ）、図８、図９を参照して説明を行う。図９は、本発明の一実施の形態に係る機械学習方法の例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置２００に基づいて説明を行うが、前提となる構成については、上記機械学習装置２００に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えば外部装置１５、作業用コンピュータＰＣ１あるいはマイクロコントローラ７０を構成するコンピュータ装置や、ネットワーク上に配されたサーバ装置等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。

　本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始するための事前準備として、先ず、所望の数の学習用データセット（図６参照。）を準備し、準備した複数個の学習用データセットを学習用データセット記憶ユニット２０２に記憶する（ステップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる学習済みモデルに求められる推論精度を考慮して設定するとよい。

　この教師あり学習に用いられる学習用データセットを準備する方法にはいくつかの方法が採用できる。例えば特定の駆動装置１２において異常が発生した場合、あるいは作業者が異常の兆候を認識した場合において、そのときの流体圧駆動弁１０の定常運転時における各種情報を複数のセンサ４等を用いて取得し、これらの情報に関連付ける形で作業者が診断情報を、作業用コンピュータＰＣ１等を用いて特定・入力することで、学習データセットを構成する入力データと出力データ（例えば、この場合の出力データの値は「１」）とを準備する。そしてこのような作業を繰り返すことで所望の数の学習用データセットを準備する方法が採用できる。なお、学習用データセットを準備する方法としてはこのような方法以外にも、例えば積極的に駆動装置１２に異常状態を作ることで学習用データセットを取得する等、種々の方法を採用することができる。ただし、流体圧駆動弁１０の各種情報は流体圧駆動弁１０夫々に特有の傾向が存在することが多いため、学習用データセットを構成するデータを取得する対象としては、後述する機械学習を経て得られる学習済みモデルを適用する予定の一の流体圧駆動弁１０のみから収集することが好ましい。また、学習用データセットとしては、異常が発生した場合の入出力データで構成されたもののみならず、異常が発生していないとき、すなわち駆動装置１２の正常状態における入力データ及び出力データ（例えば、この場合の出力データの値は「０」）で構成された学習用データセットが所定数含まれる。

　ステップＳ１１が完了すると、次いで学習ユニット２０３における学習を開始すべく、学習前のニューラルネットワークモデルを準備する（Ｓ１２）。ここで準備される学習前のニューラルネットワークモデルは、その構造としては、例えば図８で示した構造を有し、且つ各ノードの重みが初期値に設定されている。そして、学習用データセット記憶ユニット２０２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用データセットを選択し（ステップＳ１３）、当該一の学習用データセット中の入力データを、準備された学習前のニューラルネットワークモデルの入力層（図８参照。）に入力する（ステップＳ１４）。

　ここで、上記ステップＳ１４の結果として生成された出力層（図８参照。）の値は、学習前のニューラルネットワークモデルによって生成されたものであるため、ほとんどの場合望ましい結果とは異なる値、すなわち、正しい診断情報とは異なる情報を示す値である。そこで、次に、ステップＳ１３において取得された一の学習用データセット中の教師データとしての診断情報とステップＳ１３において生成された出力層の値とを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成する診断情報と出力層の値とを比較し、好ましい出力層が得られるよう、学習前のニューラルネットワークモデル内の各ノードに対応付けられた重みを調整する処理（バックプロパゲーション）であってよい。なお、学習前のニューラルネットワークモデルの出力層に出力される値の数及び形式は、学習対象としての学習用データセット中の教師データと同様の数及び形式である。

　ここでいう機械学習について具体的に例示すると、仮に、教師データを構成する診断情報が、正常の場合を「０」とし、異常の場合を「１」としたいずれかの値（２値分類）で構成され、且つステップＳ１３で選択された一の学習用データセット内の出力データの値が「１」である場合、出力層の値は、０～１の所定の値、具体的に言えば、例えば「０．６３」といった値が出力される。そこで、ステップＳ１５では、仮に同様の入力データが入力層に入力された場合に学習中のニューラルネットワークモデルによって得られる値が「１」に近づくように、当該学習中のニューラルネットワークモデルの各ノードに対応付けられた重みを調整する。

　ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット２０２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合には、学習中のニューラルネットワークモデルに対してステップＳ１３～Ｓ１５の工程を未学習の学習用データセットを用いて複数回実施する。最終的に生成される学習済モデルの精度は、一般にこの回数に比例して高くなる。

　機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各ノードに対応付けられた重みが一連の工程によって調整され生成されたニューラルネットワークを学習済モデルとして、学習済モデル記憶ユニット２０４に記憶し（ステップＳ１７）、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、後述するデータ処理システム３００に適用され使用され得るものである。

　上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回の機械学習処理を繰り返し実行することでその精度を向上させ、データ処理システム３００に適用するに足る学習済モデルを得るものを説示している。しかし、本発明はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個の学習済モデル記憶ユニット２０４に格納しておき、この複数個の学習済モデル群に妥当性判断用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された値の精度を比較検討して、データ処理システム３００に適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に用いた学習用データセットと同様のデータセットで構成され、且つ学習に用いられていないものであればよい。

　以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、流体圧駆動弁１０の適所に設けられた複数のセンサ４により取得される各種データから、異常（事後的な異常及び異常の予兆を含む。）が発生するか否かを示す診断情報を的確に導出することが可能な学習済モデルを得ることができる。

　上記機械学習装置２００の学習方法及び機械学習方法では、「教師あり学習」について説明したが、学習済みモデルを生成する方法としては、畳み込みニューラルネットワーク（CNN）等のその他の公知の「教師あり学習」の手法を用いることでもよいし、また、出力データを構成する診断情報として、上述した他の態様に係る診断情報、すなわち流体圧駆動弁１０が異常でなく正常であることのみを表す情報を含む学習用データセット（図７参照。）を用いた「教師なし学習」を用いてもよい。「教師なし学習」を用いることで、入力データに対応付けられた出力データにおける診断情報が、駆動装置１２の正常状態の情報しか入手できない場合であっても、図７の「学習フェーズ」で示すように、入力データと出力データとの正常状態の特徴を表す相関関係を学習することにより、学習済みモデルを得ることができる。この場合、後述するデータ処理システム３００における推論時には、正常状態の特徴に所定量合致しないと判断した入力データを正常状態でない、つまり、異常状態であるとみなすことで、診断情報の推論が実現できる。この「教師なし学習」の具体的な手法としては、例えば、図７に簡略的に示すオートエンコーダ等を用いた公知の手法を用いることができ、詳細な説明はここでは省略する。

（データ処理システム）
　次に、図１０を参照して、上述した機械学習装置２００及び機械学習方法によって生成された学習済モデルの適用例を説示する。図１０は、本発明の一実施の形態に係るデータ処理システムを示す概略ブロック図である。

　本実施の形態に係るデータ処理システム３００としては、上述した流体圧駆動弁１０のマイクロコントローラ７０内に搭載された態様を例示する。なお、このデータ処理システム３００については、その少なくとも一部を他の機器、例えば外部装置１５や流体圧駆動弁１０に接続された他の装置に適用することも可能である。

　このデータ処理システム３００は、入力データ取得ユニット３０１と、推論ユニット３０２と、学習済モデル記憶ユニット３０３と、報知ユニット３０４とを少なくとも含むものである。

　入力データ取得ユニット３０１は、流体圧駆動弁１０が有する複数のセンサ４に接続されて各センサ４が出力するデータを取得するためのインタフェースユニットである。この入力データ取得ユニット３０１は、シリンダ１２０内の温度及び湿度を取得する。なお、図１０に示す例においては、後述する推論に利用可能な入力データの全てが取得できるように、流体圧駆動弁１０の備える全てのセンサ４に接続されているが、入力データ取得ユニット３０１にどのセンサ４を接続するかについては、後述する推論ユニット３０２において用いられる学習済モデル等に合わせて適宜選択することができる。また、推論ユニット３０２の推論結果は、図示しない記憶手段に記憶することが好ましく、記憶された過去の推論結果は、例えば学習済モデル記憶ユニット３０３内の学習済モデルの推論精度の更なる向上のための、オンライン学習に用いられる学習用データセットとして利用することができる。

　推論ユニット３０２は、入力データ取得ユニット３０１により取得された流体圧駆動弁１０の各種データから、駆動装置１２に異常が発生しているか否かを推論するためのものである。この推論には、例えば上述した機械学習装置２００及び機械学習方法を用いて学習が行われた学習済モデルが用いられ、この学習済モデルは任意の記憶媒体で構成された学習済モデル記憶ユニット３０３内に格納されている。なお、この推論ユニット３０２は、学習済モデルを用いた推論処理を行う機能のみならず、推論処理の前処理として、入力データ取得ユニット３０１により取得された入力データを所望の形式等に調整して学習済モデルに入力する前処理機能や、推論処理の後処理として、学習済モデルが出力した出力値に、例えば所定の閾値を適用することで異常（事後的な異常及び異常の予兆を含む。）の発生の有無（異常なし（正常）又は異常あり（異常））を最終的に判断する後処理機能をも含んでいる。

　学習済モデル記憶ユニット３０３は、上述した通り、推論ユニット３０２において用いられる学習済モデルを格納するための記憶媒体である。この学習済モデル記憶ユニット３０３内に格納される学習済モデルの数は１つに限定されない。例えば入力されるデータの数が異なる、あるいはその学習手法の異なる（例えば、上述した機械学習装置２００等で実施される教師あり学習と教師なし学習）複数個の学習済モデルが格納され、選択的に利用可能とすることができる。

　報知ユニット３０４は、推論ユニット３０２の推論結果を作業者等に報知するためのものである。具体的な報知の手段は種々採用でき、例えば推論結果について通信部８を介して外部装置１５に送信し、外部装置１５のＧＵＩに表示等を行ったり、流体圧駆動弁１０に予め発光部材やスピーカ等を設け、それらを動作させたりすることで、作業者等に異常の発生の有無を知らせることができる。

　以上の構成を備えたデータ処理システムによるデータ処理プロセスについて、図６（推論フェーズ）、図７（推論フェーズ）、図１１を参照して以下に説明を行う。図１１は、本発明の一実施の形態に係るデータ処理システム３００によるデータ処理工程の例を示すフローチャートである。

　流体圧駆動弁１０の電磁弁１に外部電源１６からの電力の供給が開始され、それに伴って駆動装置１２の異常の診断が開始されると、入力データ取得ユニット３０１が、複数のセンサ４により取得された流体圧駆動弁１０の各部の状態を示す各種データを取得する（ステップＳ２１）。入力データ取得ユニット３０１が、所望の入力データ（シリンダ１２０内の温度及び湿度（図６、図７参照。））を取得できた時点で、当該入力データに基づく推論ユニット３０２による推論が実施される（ステップＳ２２）。このとき、推論に用いられる学習済モデルは事前に特定されていることが好ましい。また、事前に特定された学習済モデルが、例えばその入力データとして所定の時系列データを要するものである場合には、入力データ取得ユニット３０１において必要なデータ量が取得された後に、ステップＳ２２における推論が実施される。

　具体的には、推論ユニット３０２は、入力データに前処理を施して学習モデル済モデルに入力するとともに、その学習モデル済モデルからの出力値に対して後処理を施すことにより、推論結果である異常（事後的な異常及び異常の予兆を含む。）の発生の有無を判断する。教師あり学習（図６の「推論フェーズ」参照。）における後処理では、推論ユニット３０２は、学習モデル済モデルの出力値（２値分類であれば、０～１の間の数）と所定の閾値とを比較し、例えば、学習モデル済モデルの出力値が、所定の閾値以上であれば「異常あり（異常）」、所定の閾値未満であれば「異常なし（正常）」と判断することで、その判断結果を推論結果として出力する。また、教師なし学習（図７の「推論フェーズ」参照。）における後処理では、推論ユニット３０２は、学習モデル済モデルの出力値（特徴量）と、入力データに基づく特徴量との差（距離）を求め、その差（距離）が所定の閾値以上であれば「異常あり（異常）」、所定の閾値未満であれば「異常なし（正常）」と判断することで、その判断結果を推論結果として出力する。

　そして、ステップＳ２２において、推論ユニット３０２による推論が実施された結果、その推論結果が「異常なし（正常）」を示す場合（ステップＳ２３でＮｏ）には、引き続き一連の推論を継続するようステップＳ２１に戻る。一方、その推論結果が、図６、図７に示すように、「異常あり（異常）」を示す場合（ステップＳ２３でＹｅｓ）には、報知ユニット３０４により推論結果が「異常あり（異常）」であること、すなわち、駆動装置１２に異常（事後的な異常及び異常の予兆を含む。）が発生したことを作業者等に報知する（ステップＳ２４）。そして、ステップＳ２４において異常の発生を報知した後は、引き続き一連の推論を継続するようステップＳ２１に戻る。なお、駆動装置１２の使用用途や検出された異常の内容によっては、異常が検出された段階で流体圧駆動弁１０を停止するといった対応を実行するようにしてもよい。

（推論装置）
　本発明は、上述したデータ処理システム３００の態様によるもののみならず、推論を行うための推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つのプロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、シリンダ１２０内の温度及び湿度を含む入力データを取得する処理と、当該入力データが入力された際に流体圧駆動弁１０における診断情報を推論する処理と、を含む。本発明を上述した推論装置の態様で提供することで、データ処理システム３００を実装する場合に比して簡単に種々の流体圧駆動弁１０への適用が可能となる。このとき、推論装置が診断情報を推論する処理を行うに際しては、ここまで本書において説明した、本発明における、機械学習装置及び機械学習方法によって学習された学習済みモデルを用い、データ処理システムの推論ユニット３０２が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

　本発明は上述した実施の形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

１…電磁弁、３…ソレノイド部、４…センサ、１０…流体圧駆動弁、１１…主弁、１２…（流体圧式）駆動装置、１４…空気供給源、１５…外部装置、２６…入力側流路、２７…出力側流路、２８…排気流路、３０…ソレノイドケース、３１…ソレノイドコイル、３２…可動鉄芯、４０…第１の圧力センサ、４１…第２の圧力センサ、４２…主弁開度センサ、４３…電圧センサ、４４…電流・抵抗センサ、４５…温度センサ、４６…磁気センサ、４７…稼働時間計（タイマ）、４８…作動カウンタ（カウンタ）、４９…駆動状態センサ、７０…マイクロコントローラ、１００…配管、２００…機械学習装置、２０１…学習用データセット取得ユニット、２０２…学習用データセット記憶ユニット、２０３…学習ユニット、２０４…学習済モデル記憶ユニット、３００…データ処理システム、３０１…入力データ取得ユニット、３０２…推論ユニット、３０３…学習済モデル記憶ユニット、３０４…報知ユニット、Ａ…空気（駆動流体）、ＰＣ１…作業用コンピュータ

Claims (8)

1. 　シリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える電磁弁装置に適用される機械学習装置であって、
   　前記シリンダ内の温度及び湿度を含む入力データと、前記入力データに対応付けられた前記駆動装置の診断情報からなる出力データとで構成される学習用データセットを複数組記憶する学習用データセット記憶ユニットと；
   　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習する学習ユニットと；
   　前記学習ユニットによって学習された前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
   　機械学習装置。
2. 　前記診断情報は、前記駆動装置が正常であること及び異常であることのいずれかを表す情報である、
   　請求項１に記載の機械学習装置。
3. 　前記診断情報は、前記駆動装置が異常でなく正常であることのみを表す情報である、
   　請求項１に記載の機械学習装置。
4. 　前記入力データを構成する前記シリンダ内の温度及び湿度は、前記電磁弁から前記シリンダ内に給排される前記駆動流体の温度及び湿度、及び、外部環境から前記シリンダ内に給排される外部空気の温度及び湿度、の少なくとも１つである、
   　請求項１乃至請求項３のいずれか一項に記載の機械学習装置。
5. 　前記診断情報は、前記駆動装置によって駆動される主弁の弁開度に関する異常、又は、前記駆動装置が作動したときの作動時間、作動速度若しくは不作動に関する診断情報である、
   　請求項１乃至請求項４のいずれか一項に記載の機械学習装置。
6. 　シリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える電磁弁装置に用いられるデータ処理システムであって、
   　前記シリンダ内の温度及び湿度を含む入力データを取得する入力データ取得ユニットと；
   　前記入力データ取得ユニットにより取得された前記入力データを、請求項１乃至請求項５のいずれか一項に記載の機械学習装置によって生成された学習済モデルに入力し、前記駆動装置の診断情報を推論する推論ユニットと；を備える、
   　データ処理システム。
7. 　シリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える電磁弁装置に用いられる推論装置であって、
   　前記推論装置は、メモリと、少なくとも１つのプロセッサとを備え、
   　前記少なくとも１つのプロセッサは、
   　前記シリンダ内の温度及び湿度を含む入力データを取得する処理と；
   　前記入力データが入力されると、前記駆動装置の診断情報を推論する処理と；を実行するように構成される、
   　推論装置。
8. 　シリンダ及びピストンを含む駆動装置と、前記駆動装置に対して駆動流体の給排を制御する電磁弁と、を少なくとも備える電磁弁装置に適用されるコンピュータを用いた機械学習方法であって、
   　前記シリンダ内の温度及び湿度を含む入力データと、前記入力データに対応付けられた前記駆動装置の診断情報からなる出力データとで構成される学習用データセットを複数組記憶するステップと；
   　前記学習用データセットを複数組入力することで、前記入力データと前記出力データとの相関関係を推論する学習モデルを学習するステップと；
   　学習された前記学習モデルを記憶するステップと；を備える、
   　機械学習方法。

Images