JP2021161933A - Computer program, blower state monitoring method and blower state monitoring device - Google Patents

Computer program, blower state monitoring method and blower state monitoring device Download PDF

Info

Publication number
JP2021161933A
JP2021161933A JP2020063659A JP2020063659A JP2021161933A JP 2021161933 A JP2021161933 A JP 2021161933A JP 2020063659 A JP2020063659 A JP 2020063659A JP 2020063659 A JP2020063659 A JP 2020063659A JP 2021161933 A JP2021161933 A JP 2021161933A
Authority
JP
Japan
Prior art keywords
blower
measurement data
temperature
drive device
motor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020063659A
Other languages
Japanese (ja)
Other versions
JP7349400B2 (en
Inventor
和也 山田
Kazuya Yamada
寛正 清水
Hiromasa Shimizu
真之 來田
Masayuki Kida
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shinmaywa Industries Ltd
Original Assignee
Shin Meiva Industry Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shin Meiva Industry Ltd filed Critical Shin Meiva Industry Ltd
Priority to JP2020063659A priority Critical patent/JP7349400B2/en
Publication of JP2021161933A publication Critical patent/JP2021161933A/en
Application granted granted Critical
Publication of JP7349400B2 publication Critical patent/JP7349400B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

To provide a computer program, a blower state monitoring method and a blower state monitoring device.SOLUTION: A computer program causes a computer to execute processing of: acquiring, from a blower comprising a blower body including an impeller and a motor for rotationally driving the impeller, and a drive device for supplying the driving power of the motor, at least two types of measurement data measured with respect to the blower; and estimating, based on the acquired measurement data, the failure or deterioration of components constituting the blower.SELECTED DRAWING: Figure 8

Description

本発明は、コンピュータプログラム、ブロワの状態監視方法、及びブロワの状態監視装置に関する。 The present invention relates to a computer program, a blower condition monitoring method, and a blower condition monitoring device.

近年、粉体処理装置における粉体の移送用や排水処理施設などにおける曝気用にブロワが使用されている。ブロワの一種であるターボブロワは、インペラと、インペラを回転駆動するモータとを備え、モータの駆動によりインペラを回転させることにより、空気を所定の供給先へ供給するように構成されている（例えば、特許文献１〜３を参照）。 In recent years, blowers have been used for powder transfer in powder treatment equipment and for aeration in wastewater treatment facilities. A turbo blower, which is a type of blower, includes an impeller and a motor that rotationally drives the impeller, and is configured to supply air to a predetermined supply destination by rotating the impeller by driving the motor (for example,). See Patent Documents 1 to 3).

特開２０１２−２３６１６４号公報Japanese Unexamined Patent Publication No. 2012-236164 特開２０１５−１８２０３６号公報Japanese Unexamined Patent Publication No. 2015-182036 特開２０１６−１８５５１３号公報Japanese Unexamined Patent Publication No. 2016-185513

例えば、ターボブロワは、インペラを回転させるモータ、モータを駆動するための駆動電力を供給するインバータ、インバータを冷却する冷却ファンなどのコンポーネントを備えており、コンポーネントの故障に伴う異常が検知された場合、ターボブロワの動作を自動的に停止させる仕組みを有する。例えば、インバータを冷却する冷却ファンが故障した場合、インバータを冷却することができず、インバータに温度異常が発生する。ターボブロワは、インバータの温度異常を検知した場合、自装置の動作を停止させる。 For example, a turbo blower is equipped with components such as a motor that rotates an impeller, an inverter that supplies driving power to drive the motor, and a cooling fan that cools the inverter. It has a mechanism to automatically stop the operation of the turbo blower. For example, if the cooling fan that cools the inverter fails, the inverter cannot be cooled and a temperature abnormality occurs in the inverter. When the turbo blower detects an abnormal temperature of the inverter, the turbo blower stops the operation of its own device.

このように、従来では、コンポーネントに故障が発生したことに伴う異常を検知した場合、ブロワの動作を停止させることが可能であるが、コンポーネントの故障や劣化を推定することは行っておらず、ブロワが意図しないタイミングで停止しないように、未然に対策を施すことはできない。 As described above, conventionally, when an abnormality caused by a component failure is detected, the blower operation can be stopped, but the component failure or deterioration is not estimated. It is not possible to take measures to prevent the blower from stopping at an unintended timing.

本発明は、ブロワを構成するコンポーネントの故障又は劣化を推定できるコンピュータプログラム、状態監視方法、及び状態監視装置を提供することを目的とする。 An object of the present invention is to provide a computer program, a condition monitoring method, and a condition monitoring device capable of estimating a failure or deterioration of a component constituting a blower.

本発明の一態様に係るコンピュータプログラムは、コンピュータに、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得し、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する処理を実行させるためのコンピュータプログラムである。 A computer program according to an aspect of the present invention comprises a blower including an impeller, a blower main body including a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor. This is a computer program for acquiring at least two types of measurement data measured with respect to the blower and executing a process of estimating failure or deterioration of components constituting the blower based on the acquired measurement data.

本発明の一態様に係るブロワの状態監視方法は、コンピュータを用いて、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得し、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定し、推定結果に基づく情報を出力する処理を実行する。 The blower condition monitoring method according to one aspect of the present invention is a blower main body including an impeller and a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor, using a computer. At least two types of measurement data measured with respect to the blower are acquired from the blower including the above, the failure or deterioration of the components constituting the blower is estimated based on the acquired measurement data, and the information based on the estimation result is output. Execute the process.

本発明の一態様に係るブロワの状態監視装置は、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得する取得部と、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する推定部と、該推定部による推定結果に基づく情報を出力する出力部とを備える。 The blower condition monitoring device according to one aspect of the present invention is derived from a blower including an impeller, a blower main body including a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor. An acquisition unit that acquires at least two types of measurement data measured for the blower, an estimation unit that estimates the failure or deterioration of the components constituting the blower based on the acquired measurement data, and an estimation result by the estimation unit. It is provided with an output unit that outputs based information.

本願によれば、ブロワを構成するコンポーネントの故障又は劣化を推定できる。 According to the present application, it is possible to estimate the failure or deterioration of the components constituting the blower.

実施の形態１に係る状態監視システムの全体構成を示す模式図である。It is a schematic diagram which shows the whole structure of the state monitoring system which concerns on Embodiment 1. FIG. ブロワの概略構成を説明する模式図である。It is a schematic diagram explaining the schematic structure of a blower. ブロワにおける計測系の構成を説明する模式図である。It is a schematic diagram explaining the structure of the measurement system in a blower. 制御装置の構成を説明するブロック図である。It is a block diagram explaining the structure of a control device. 駆動装置の温度上昇度及び出力電流の時系列変化を示すグラフである。It is a graph which shows the time-series change of the temperature rise degree of a drive device, and the output current. 駆動装置の温度上昇度と出力電流との相関を説明する概念図である。It is a conceptual diagram explaining the correlation between the temperature rise degree of a drive device and an output current. 実施の形態１に係る制御装置が学習期間において実行する処理の手順を説明するフローチャートである。It is a flowchart explaining the procedure of the process which the control device which concerns on Embodiment 1 executes in a learning period. 実施の形態１に係る制御装置が運用期間において実行する処理の手順を説明するフローチャートである。It is a flowchart explaining the procedure of the process which the control device which concerns on Embodiment 1 executes in an operation period. 学習モデルの構成例を説明する模式図である。It is a schematic diagram explaining the structural example of a learning model. 学習モデルの生成手順を説明するフローチャートである。It is a flowchart explaining the generation procedure of a learning model. 訓練データの一例を示す概念図である。It is a conceptual diagram which shows an example of training data. 学習モデルを用いた推定手順を説明するフローチャートである。It is a flowchart explaining the estimation procedure using a learning model. モータの温度上昇度と出力電流との相関を説明する概念図である。It is a conceptual diagram explaining the correlation between the temperature rise degree of a motor and an output current. 実施の形態３に係る制御装置が学習期間において実行する処理の手順を説明するフローチャートである。FIG. 5 is a flowchart illustrating a procedure of processing executed by the control device according to the third embodiment during the learning period. 実施の形態３に係る制御装置が運用期間において実行する処理の手順を説明するフローチャートである。It is a flowchart explaining the procedure of the process which the control device which concerns on Embodiment 3 executes in an operation period. 学習モデルの構成例を説明する模式図である。It is a schematic diagram explaining the structural example of a learning model. 学習モデルを用いた推定手順を説明するフローチャートである。It is a flowchart explaining the estimation procedure using a learning model. 学習モデルの構成例を説明する模式図である。It is a schematic diagram explaining the structural example of a learning model. 学習モデルを用いた推定手順を説明するフローチャートである。It is a flowchart explaining the estimation procedure using a learning model. 推定結果の出力例を示す模式図である。It is a schematic diagram which shows the output example of the estimation result.

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る状態監視システムの全体構成を示す模式図である。実施の形態１に係る状態監視システムは、例えば排水処理施設等で用いられる曝気用のブロワ１と、ブロワ１の使用者等が用いる端末装置２とを備える。ブロワ１及び端末装置２は、インターネット網などの通信ネットワークＮに接続されており、互いに情報を送受信できるように構成されている。 Hereinafter, the present invention will be specifically described with reference to the drawings showing the embodiments thereof.
(Embodiment 1)
FIG. 1 is a schematic diagram showing the overall configuration of the condition monitoring system according to the first embodiment. The condition monitoring system according to the first embodiment includes, for example, an aeration blower 1 used in a wastewater treatment facility or the like, and a terminal device 2 used by a user or the like of the blower 1. The blower 1 and the terminal device 2 are connected to a communication network N such as an Internet network, and are configured to be able to send and receive information to and from each other.

ブロワ１は、制御装置１００（図４を参照）を備える。制御装置１００は、ブロワ１の動作を制御すると共に、ブロワ１に関して計測される少なくとも２種類の計測データに基づき、ブロワ１を構成するコンポーネントの故障又は劣化を推定し、推定結果として得られる情報を通信ネットワークＮを介して端末装置２へ送信する。制御装置１００が実行する具体的な処理内容については後に詳述することとする。なお、本実施の形態では、故障の推定により、故障している状態と故障していない状態とを判別してもよく、故障の予兆を検知してもよい。同様に、劣化の推定により、劣化している状態と劣化していない状態とを判別してもよく、劣化の予兆を検知してもよい。 The blower 1 includes a control device 100 (see FIG. 4). The control device 100 controls the operation of the blower 1, estimates the failure or deterioration of the components constituting the blower 1 based on at least two types of measurement data measured with respect to the blower 1, and obtains the information obtained as the estimation result. It is transmitted to the terminal device 2 via the communication network N. The specific processing contents executed by the control device 100 will be described in detail later. In the present embodiment, the state of failure and the state of non-failure may be discriminated by estimating the failure, or a sign of failure may be detected. Similarly, by estimating the deterioration, the deteriorated state and the non-deteriorated state may be discriminated, or a sign of deterioration may be detected.

なお、本実施の形態では、ブロワ１が制御装置１００、駆動装置１１０や各種センサを備えた形態（筐体１ａの内部に設けられた形態）について説明するが、制御装置１００、駆動装置１１０はブロワ１と別体であってもよいし、各種センサも計測対象に応じて筐体１ａの外に設けられていてもよい。また、排水処理施設などに複数のブロワ１が設けられている場合、１台の制御装置１００によって複数のブロワ１の状態を監視してもよい。 In the present embodiment, a form in which the blower 1 is provided with the control device 100, the drive device 110, and various sensors (a form provided inside the housing 1a) will be described, but the control device 100 and the drive device 110 will be described. It may be separate from the blower 1, or various sensors may be provided outside the housing 1a depending on the measurement target. Further, when a plurality of blowers 1 are provided in a wastewater treatment facility or the like, the state of the plurality of blowers 1 may be monitored by one control device 100.

また、ブロワ１は、排水処理施設等で用いられる曝気用の送風機に限らず、粉体処理装置における粉体の移送用など各種の用途に用いられてもよい。 Further, the blower 1 is not limited to an aeration blower used in a wastewater treatment facility or the like, and may be used for various purposes such as powder transfer in a powder treatment apparatus.

図２はブロワ１の概略構成を説明する模式図である。本実施の形態において、ブロワ本体１０はターボ型のブロワ（ターボブロワ）であって、ターボブロワは、インペラ１１（羽根）の回転運動により空気などのガスを送るための送風機である。このような送風機はターボ型と容積型とに大別され、ターボ型には軸流型と遠心型が含まれ、容積型にはルーツ型が含まれる。軸流型の送風機は、吸込方向と吐出方向とが一直線状に並んでおり、低圧大風量に適している。軸流型の送風機は、トンネル送風機等に利用されている。一方、遠心型の送風機は、吸込方向と吐出方向とが略直角に交わっており、遠心力を利用して空気などのガスを送っている。ルーツ型の送風機は、ハウジング内で２つのロータを同期させて逆方向に回転させ、ハウジングとロータとで囲まれた空間の容積が増減することを利用してガスを送るもので、容積型故に回転数に対する送風量が安定しているという特徴がある。遠心型やルーツ型の送風機は、排水処理施設等の曝気用に利用されている。図２に一例として示すブロワ１はターボブロワの中でも遠心型送風機であり、吸込方向と吐出方向とが略直角に交わる。なお、ブロワ１は、遠心型送風機に限らず、軸流型送風機やルーツ型送風機であってもよい。 FIG. 2 is a schematic diagram illustrating a schematic configuration of the blower 1. In the present embodiment, the blower main body 10 is a turbo type blower (turbo blower), and the turbo blower is a blower for sending gas such as air by the rotational movement of the impeller 11 (blades). Such blowers are roughly classified into a turbo type and a positive displacement type. The turbo type includes an axial flow type and a centrifugal type, and the positive displacement type includes a roots type. Axial flow type blowers are suitable for low pressure and large air volume because the suction direction and the discharge direction are aligned in a straight line. Axial-flow blowers are used in tunnel blowers and the like. On the other hand, in the centrifugal blower, the suction direction and the discharge direction intersect at a substantially right angle, and gas such as air is sent by utilizing centrifugal force. The roots type blower sends gas by synchronizing two rotors in the housing and rotating them in opposite directions, and using the increase or decrease in the volume of the space surrounded by the housing and the rotor. The feature is that the amount of air blown with respect to the number of revolutions is stable. Centrifugal and roots type blowers are used for aeration of wastewater treatment facilities and the like. The blower 1 shown as an example in FIG. 2 is a centrifugal blower among turbo blowers, and the suction direction and the discharge direction intersect at substantially right angles. The blower 1 is not limited to the centrifugal blower, and may be an axial blower or a roots blower.

本実施の形態に係るブロワ１は、直方体状の筐体１ａに収容されたブロワ本体１０と、ブロワ１の動作を制御する制御装置１００（図３、４を参照）と、制御装置１００からの制御によりモータ１２を駆動する駆動装置１１０（図３を参照）を備える。 The blower 1 according to the present embodiment is a blower main body 10 housed in a rectangular parallelepiped housing 1a, a control device 100 (see FIGS. 3 and 4) for controlling the operation of the blower 1, and a control device 100. A drive device 110 (see FIG. 3) that drives the motor 12 by control is provided.

ブロワ本体１０は、インペラ１１が収容されるインペラハウジング１１ａ、インペラ１１を回転させるモータ１２、インペラ１１の回転によってガスが導入される吸込口１３、吐出すべきガスが流れる吐出路１４、ブロワ本体１０が吐出するガスの一部をバイパスさせるバイパス路１５等を備える。このバイパス路１５には、ブローオフバルブ１６を介して、放風ラインＬ２、冷却ガス排出ラインＬ３が接続される。また、ブロワ本体１０の吸込口１３に対向する筐体１ａの側面部には、吸い込むべきガスに含まれている塵や埃などの異物を除去するためのフィルタ１７が設けられている。フィルタ１７には例えば不織布が用いられる。 The blower main body 10 includes an impeller housing 11a in which the impeller 11 is housed, a motor 12 that rotates the impeller 11, a suction port 13 in which gas is introduced by the rotation of the impeller 11, a discharge path 14 through which gas to be discharged flows, and a blower main body 10. A bypass path 15 or the like for bypassing a part of the gas discharged by the engine is provided. A blow-off line L2 and a cooling gas discharge line L3 are connected to the bypass path 15 via a blow-off valve 16. Further, a filter 17 for removing foreign matter such as dust and dirt contained in the gas to be sucked is provided on the side surface portion of the housing 1a facing the suction port 13 of the blower main body 10. For example, a non-woven fabric is used for the filter 17.

駆動装置１１０は、制御装置１００からの制御によりモータ１２を駆動する。モータ１２がインペラハウジング１１ａ内のインペラ１１を回転させた場合、筐体１ａの内部には、フィルタ１７を通じて筐体外部のガス（例えば空気）が取り込まれる。筐体１ａの内部に取り込まれたガスは、吸込口１３を通じてインペラハウジング１１ａに導入され、インペラ１１の回転による遠心力によって、吸込方向と略直交する方向（図２の例では上方）に送り出される。インペラハウジング１１ａから送り出されたガスは、吐出路１４を通じて筐体１ａの外部へ送り出される。ブロワ１から送り出されるガスは、図２に部分的に示すガス供給ラインＬ１を通じて、貯水槽などの所定の供給先へ送られる。 The drive device 110 drives the motor 12 under the control of the control device 100. When the motor 12 rotates the impeller 11 inside the impeller housing 11a, gas (for example, air) outside the housing is taken into the inside of the housing 1a through the filter 17. The gas taken into the housing 1a is introduced into the impeller housing 11a through the suction port 13, and is sent out in a direction substantially orthogonal to the suction direction (upper in the example of FIG. 2) by the centrifugal force due to the rotation of the impeller 11. .. The gas sent out from the impeller housing 11a is sent out to the outside of the housing 1a through the discharge path 14. The gas sent out from the blower 1 is sent to a predetermined supply destination such as a water tank through the gas supply line L1 partially shown in FIG.

図３はブロワ１における計測系の構成を説明する模式図である。駆動装置１１０は、商用電源から供給される三相交流電圧などを直流電圧に変換して出力するコンバータ１１１と、制御装置１００からの制御に基づき、コンバータ１１１から入力される直流電圧をＰＷＭ（Pulse Width Modulation）波形の電圧に変換し、モータ１２へ出力するインバータ１１２と、図に示していない駆動手段（例えばモータ）により駆動され、駆動装置１１０を冷却する冷却ファン１１３とを備える。制御装置１００は、要求されるモータ１２の回転数に応じて駆動装置１１０を制御することにより、インバータ１１２から出力されるＰＷＭ波形の電圧パターンを変化させる。ブロワ１は、駆動装置１１０に関して、駆動装置１１０の温度（例えば、内部のインバータ温度や図示しない冷却用ヒートシンクの温度）を計測する温度センサＳ１、インバータ１１２の出力電流を計測する電流センサＳ４などを備える。 FIG. 3 is a schematic diagram illustrating the configuration of the measurement system in the blower 1. The drive device 110 is a converter 111 that converts a three-phase AC voltage supplied from a commercial power source into a DC voltage and outputs the voltage, and PWM (Pulse) the DC voltage input from the converter 111 based on the control from the control device 100. Width Modulation) It includes an inverter 112 that converts it into a waveform voltage and outputs it to the motor 12, and a cooling fan 113 that is driven by a driving means (for example, a motor) not shown in the figure and cools the driving device 110. The control device 100 changes the voltage pattern of the PWM waveform output from the inverter 112 by controlling the drive device 110 according to the required rotation speed of the motor 12. Regarding the drive device 110, the blower 1 includes a temperature sensor S1 for measuring the temperature of the drive device 110 (for example, the temperature of an internal inverter or a cooling heat sink (not shown)), a current sensor S4 for measuring the output current of the inverter 112, and the like. Be prepared.

ブロワ本体１０が備えるモータ１２は、駆動装置１１０から駆動電力が供給されて駆動するように構成される。ブロワ１は、モータ１２に関して、モータ１２の温度を計測する温度センサＳ３などを備える。 The motor 12 included in the blower main body 10 is configured to be driven by being supplied with driving power from the driving device 110. The blower 1 includes a temperature sensor S3 or the like that measures the temperature of the motor 12 with respect to the motor 12.

ブロワ本体１０は、回転するインペラ１１の作用により、吸込口１３からガスを吸い込み、吸い込んだガスを吐出路１４へ圧送する。ブロワ１は、ブロワ本体１０に関して、吸込口１３から吸い込むガスの温度（吸込温度）を計測する温度センサＳ２、吸い込むガスの流量（吸込ガス量）を計測する流量センサＳ５、吐出路１４へ圧送するガスの圧力（吐出圧力）を計測する圧力センサＳ６などを備える。なお、温度センサＳ２は筐体１ａの外部にあって、筐体１aの雰囲気温度を計測する物であってもよい。 The blower main body 10 sucks gas from the suction port 13 by the action of the rotating impeller 11, and pumps the sucked gas to the discharge path 14. The blower 1 is pressure-fed to the temperature sensor S2 that measures the temperature (suction temperature) of the gas sucked from the suction port 13, the flow sensor S5 that measures the flow rate (suction gas amount) of the sucked gas, and the discharge path 14 with respect to the blower main body 10. It is provided with a pressure sensor S6 or the like for measuring a gas pressure (discharge pressure). The temperature sensor S2 may be located outside the housing 1a to measure the atmospheric temperature of the housing 1a.

これらのセンサＳ１〜Ｓ６は、それぞれ上述した物理量を随時計測し、計測結果を示す計測データを制御装置１００へ出力する。 Each of these sensors S1 to S6 measures the above-mentioned physical quantity at any time, and outputs measurement data indicating the measurement result to the control device 100.

なお、ブロワ１に搭載されるセンサは上述のものに限定されない。例えば、インバータ１１２への入力電流を計測する電流センサ、フィルタ１７における圧力損失を計測する差圧計、ブロワ１の消費電力を計測する電力計などを備えてもよい。 The sensor mounted on the blower 1 is not limited to the above. For example, a current sensor that measures the input current to the inverter 112, a differential pressure gauge that measures the pressure loss in the filter 17, a power meter that measures the power consumption of the blower 1, and the like may be provided.

図４は制御装置１００の構成を説明するブロック図である。制御装置１００は、専用又は汎用のコンピュータであり、ブロワ１の動作の制御、及びブロワ１の状態の監視等を行う。制御装置１００は、制御部１０１、記憶部１０２、入力部１０３、出力部１０４、通信部１０５、操作部１０６、及び表示部１０７を備える。 FIG. 4 is a block diagram illustrating the configuration of the control device 100. The control device 100 is a dedicated or general-purpose computer, and controls the operation of the blower 1 and monitors the state of the blower 1. The control device 100 includes a control unit 101, a storage unit 102, an input unit 103, an output unit 104, a communication unit 105, an operation unit 106, and a display unit 107.

制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１０１が備えるＲＯＭには、上述したハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部１０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することにより、制御装置１００を状態監視装置として機能させる。制御部１０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。 The control unit 101 includes, for example, a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM (Random Access Memory), and the like. The ROM included in the control unit 101 stores a control program or the like that controls the operation of each of the above-mentioned hardware units. The CPU in the control unit 101 executes a control program stored in the ROM and various computer programs stored in the storage unit 102, which will be described later, and controls the operation of each part of the hardware to control the state monitoring device 100. To function as. The RAM included in the control unit 101 temporarily stores data and the like used during execution of the calculation.

制御部１０１は、上記の構成に限らず、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路又は制御回路により構成されてもよい。また、制御部１０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。 The control unit 101 is not limited to the above configuration, and may include one or a plurality of GPUs (Graphics Processing Units), FPGAs (Field Programmable Gate Arrays), DSPs (Digital Signal Processors), quantum processors, volatile or non-volatile memories, and the like. It may be composed of the arithmetic circuit or the control circuit of. Further, the control unit 101 may be provided with functions such as a clock for outputting date and time information, a timer for measuring the elapsed time from giving the measurement start instruction to giving the measurement end instruction, and a counter for counting the number.

記憶部１０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部１０２には、制御部１０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。 The storage unit 102 includes a storage device that uses a hard disk, a flash memory, or the like. The storage unit 102 stores a computer program executed by the control unit 101, various data acquired from the outside, various data generated inside the device, and the like.

記憶部１０２に記憶されるコンピュータプログラムは、ブロワ１に関して計測される計測データを取得し、取得した計測データに基づき、ブロワ１を構成するコンポーネントの故障又は劣化を推定する処理を制御部１０１に実行させるための状態監視プログラムＰＧ１を含む。制御部１０１は、状態監視プログラムＰＧ１を実行することにより、ブロワ１に関して計測される計測データに基づき、ブロワ１を構成するコンポーネントの故障又は劣化を推定し、推定結果に基づく情報を出力する処理を実行する。 The computer program stored in the storage unit 102 acquires measurement data measured with respect to the blower 1, and executes a process of estimating the failure or deterioration of the components constituting the blower 1 in the control unit 101 based on the acquired measurement data. Includes a condition monitoring program PG1 for making the data. By executing the condition monitoring program PG1, the control unit 101 estimates the failure or deterioration of the components constituting the blower 1 based on the measurement data measured with respect to the blower 1, and outputs information based on the estimation result. Run.

状態監視プログラムＰＧ１を含むコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍ１により提供されてもよい。記録媒体Ｍ１は、例えば、ＣＤ−ＲＯＭ、ＵＳＢメモリ、コンパクトフラッシュ（登録商標）、ＳＤ（Secure Digital）カード、マイクロＳＤカード、などの可搬型メモリである。制御部１０１は、図に示していない読取装置を用いて、記録媒体Ｍ１から各種プログラムを読み取り、読み取った各種プログラムを記憶部１０２に記憶させる。 The computer program including the condition monitoring program PG1 may be provided by a non-temporary recording medium M1 in which the computer program is readablely recorded. The recording medium M1 is, for example, a portable memory such as a CD-ROM, a USB memory, a compact flash (registered trademark), an SD (Secure Digital) card, or a micro SD card. The control unit 101 reads various programs from the recording medium M1 using a reading device (not shown in the figure), and stores the read various programs in the storage unit 102.

入力部１０３は、各種センサを接続するための接続インタフェースを備える。入力部１０３が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。入力部１０３に接続されるセンサは、例えば、駆動装置１１０の温度を計測する温度センサＳ１、ブロワ本体１０における吸込温度を計測する温度センサＳ２、モータ１２の温度を計測する温度センサＳ３、インバータ１１２の出力電流を計測する電流センサＳ４、ブロワ本体１０における吸込ガス量を計測する流量センサＳ５、ブロワ本体１０の吐出圧力を計測する圧力センサＳ６などを含む。ここで、吸込ガス量は、吸込口１３が吸い込む単位時間あたりのガスの量として流量センサＳ５により計測される値である。ガス量は、温度を２０℃、湿度を６５％、圧力を大気圧とした状態（工業的な標準状態）での換算値を用いてもよく、温度を０℃、湿度を０％、圧力を大気圧とした状態（学術的な基準状態）での換算値を用いてもよい。 The input unit 103 includes a connection interface for connecting various sensors. The connection interface included in the input unit 103 may be a wired interface or a wireless interface. The sensors connected to the input unit 103 are, for example, a temperature sensor S1 for measuring the temperature of the drive device 110, a temperature sensor S2 for measuring the suction temperature of the blower main body 10, a temperature sensor S3 for measuring the temperature of the motor 12, and an inverter 112. The current sensor S4 for measuring the output current of the blower body 10, the flow rate sensor S5 for measuring the amount of suction gas in the blower main body 10, the pressure sensor S6 for measuring the discharge pressure of the blower main body 10, and the like are included. Here, the suction gas amount is a value measured by the flow rate sensor S5 as the amount of gas per unit time sucked by the suction port 13. As the amount of gas, a converted value in a state where the temperature is 20 ° C., the humidity is 65%, and the pressure is atmospheric pressure (industrial standard state) may be used, and the temperature is 0 ° C., the humidity is 0%, and the pressure is set. The converted value in the state of atmospheric pressure (academic standard state) may be used.

出力部１０４は、制御対象の機器を接続するための接続インタフェースを備える。出力部１０４が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。出力部１０４に接続される機器は、上述した駆動装置１１０、ブローオフバルブ１６を制御するための電磁弁などを含む。 The output unit 104 includes a connection interface for connecting a device to be controlled. The connection interface included in the output unit 104 may be a wired interface or a wireless interface. The device connected to the output unit 104 includes the above-mentioned drive device 110, an electromagnetic valve for controlling the blow-off valve 16, and the like.

通信部１０５は、各種の通信データを送受信する通信インタフェースを備える。通信部１０５が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。代替的に、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＺｉｇＢｅｅ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）等の通信規格に準じた通信インタフェースであってもよい。 The communication unit 105 includes a communication interface for transmitting and receiving various communication data. The communication interface included in the communication unit 105 is, for example, a communication interface conforming to the communication standard of LAN (Local Area Network) used in WiFi (registered trademark) and Ethernet (registered trademark). Alternatively, a communication interface conforming to a communication standard such as Bluetooth (registered trademark), ZigBee (registered trademark), 3G, 4G, 5G, LTE (Long Term Evolution) may be used.

通信部１０５は、例えば、ブロワ１のユーザが使用する端末装置２と通信を行う。ブロワ１の制御部１０１は、コンポーネントの故障又は劣化の推定結果が得られた場合、得られた推定結果に基づく情報を通信部１０５より端末装置２へ送信する。このとき、制御部１０１は、端末装置２に表示させる画面の画面データを生成し、生成した画面データを通信部１０５を通じて端末装置２へ送信してもよい。 The communication unit 105 communicates with, for example, the terminal device 2 used by the user of the blower 1. When the estimation result of the failure or deterioration of the component is obtained, the control unit 101 of the blower 1 transmits the information based on the obtained estimation result from the communication unit 105 to the terminal device 2. At this time, the control unit 101 may generate screen data of the screen to be displayed on the terminal device 2 and transmit the generated screen data to the terminal device 2 through the communication unit 105.

操作部１０６は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部１０１は、操作部１０６を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部１０２に記憶させる。なお、本実施の形態では、ブロワ１が操作部１０６を備える構成としたが、操作部１０６は必須ではなく、外部に接続されたコンピュータ（例えば、端末装置２）を通じて操作を受付ける構成であってもよい。 The operation unit 106 is provided with an input interface such as a keyboard and a mouse, and receives various operations and various settings. The control unit 101 performs appropriate processing based on various operations and various settings received through the operation unit 106, and stores the setting information in the storage unit 102 as necessary. In the present embodiment, the blower 1 is provided with the operation unit 106, but the operation unit 106 is not indispensable, and the operation is received through a computer (for example, the terminal device 2) connected to the outside. May be good.

表示部１０７は、液晶パネル又は有機ＥＬ（Electro-Luminescence）パネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部１０７は、例えば、状態監視プログラムＰＧ１による推定結果を表示してもよく、操作部１０６を通じて受付けた各種操作及び各種設定に基づく情報を表示してもよい。なお、本実施の形態では、制御装置１００が表示部１０７を備える構成としたが、制御装置１００の外部に表示装置を備え、この表示装置に表示させるべき表示データを出力する構成であってもよい。 The display unit 107 includes a display panel such as a liquid crystal panel or an organic EL (Electro-Luminescence) panel, and displays information to be notified to the user. The display unit 107 may display, for example, the estimation result by the condition monitoring program PG1 or may display information based on various operations and various settings received through the operation unit 106. In the present embodiment, the control device 100 is provided with the display unit 107, but even if the control device 100 is provided with a display device outside the control device 100 and the display data to be displayed on the display device is output. good.

以下、実施の形態１では、温度センサＳ１により計測される駆動装置１１０の温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に基づき、冷却ファン１１３の故障を推定する構成について説明する。 Hereinafter, in the first embodiment, based on the temperature of the drive device 110 measured by the temperature sensor S1, the suction temperature of the blower main body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. A configuration for estimating the failure of the cooling fan 113 will be described.

図５は駆動装置１１０の温度上昇度及び出力電流の時系列変化を示すグラフである。グラフの横軸は日時、左側の縦軸は駆動装置１１０の温度上昇度（度）、右側の縦軸はインバータ１１２の出力電流（任意目盛り）を表している。ここで、駆動装置１１０の温度上昇度は、駆動装置１１０の温度から吸込温度を減算した値である。 FIG. 5 is a graph showing the time-series changes in the temperature rise of the drive device 110 and the output current. The horizontal axis of the graph represents the date and time, the vertical axis on the left side represents the degree of temperature rise (degrees) of the drive device 110, and the vertical axis on the right side represents the output current (arbitrary scale) of the inverter 112. Here, the degree of temperature rise of the drive device 110 is a value obtained by subtracting the suction temperature from the temperature of the drive device 110.

図５のグラフに示す期間内において、２０１８年７月２日に冷却ファン１１３の故障に伴うインバータ異常が発生し、同年７月１０日に現地調査が行われ、同年７月２３日に冷却ファン１１３の交換作業が行われた。本願発明者らは、冷却ファン１１３が正常に動作している期間（図５の例では、インバータ異常が発生するよりも前の期間（期間Ａ）及び冷却ファン１１３が交換された後の期間（期間Ｃ））において、駆動装置１１０の温度上昇度と、インバータ１１２の出力電流との間には相関（比例関係）があることを確認した。また、図５のグラフにおいて、駆動装置１１０の温度上昇度と、インバータ１１２の出力電流との間に相関（比例関係）がない期間を期間Ｂとして示しているが、発明者らは、インバータ異常が発生するよりも前の段階から、相関が崩れ始める現象が見られることを確認した。 Within the period shown in the graph of FIG. 5, an inverter abnormality occurred due to a failure of the cooling fan 113 on July 2, 2018, a field survey was conducted on July 10, 2018, and the cooling fan was conducted on July 23, 2018. The replacement work of 113 was carried out. The inventors of the present application have described the period during which the cooling fan 113 is operating normally (in the example of FIG. 5, the period before the inverter abnormality occurs (period A) and the period after the cooling fan 113 is replaced (in the example of FIG. 5). In period C)), it was confirmed that there is a correlation (proportional relationship) between the degree of temperature rise of the drive device 110 and the output current of the inverter 112. Further, in the graph of FIG. 5, the period in which there is no correlation (proportional relationship) between the degree of temperature rise of the drive device 110 and the output current of the inverter 112 is shown as period B, but the inventors have shown that the inverter is abnormal. It was confirmed that the phenomenon that the correlation started to collapse was observed from the stage before the occurrence of.

実施の形態１では、これらの知見に基づき、ブロワ１のコンポーネントの１つである冷却ファン１１３の故障を推定する。具体的には、制御装置１００の制御部１０１は、温度センサＳ１により計測される駆動装置１１０の温度、温度センサＳ２により計測される吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に関して計測データを取得し、駆動装置１１０の温度から吸込温度を減算することにより得られる駆動装置１１０の温度上昇度と、インバータ１１２の出力電流との相関を調べることにより、駆動装置１１０を冷却する冷却ファン１１３の故障を推定する処理を実行する。 In the first embodiment, the failure of the cooling fan 113, which is one of the components of the blower 1, is estimated based on these findings. Specifically, the control unit 101 of the control device 100 relates to the temperature of the drive device 110 measured by the temperature sensor S1, the suction temperature measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. Cooling that cools the drive device 110 by acquiring measurement data and examining the correlation between the degree of temperature rise of the drive device 110 obtained by subtracting the suction temperature from the temperature of the drive device 110 and the output current of the inverter 112. The process of estimating the failure of the fan 113 is executed.

図６は駆動装置１１０の温度上昇度と出力電流との相関を説明する概念図である。制御部１０１は、ブロワ１の設置から例えば７２０時間分の計測データを取得し、駆動装置１１０の温度上昇度と出力電流との相関を学習する。上述したように、正常時における駆動装置１１０の温度上昇度と出力電流との間には相関（比例関係）があるので、制御部１０１は、駆動装置１１０の温度、ブロワ本体１０における吸込温度、インバータ１１２の出力電流に関する計測データを取得し、取得した計測データを用いて、駆動装置１１０の温度上昇度と出力電流との間の相関を学習すればよい。
なお、ブロワ１の起動から３０分程度は温度が安定していない（上昇する）ので、制御部１０１は、起動から所定時間（例えば３０分）が経過した後の計測データを用いて相関を学習すればよい。 FIG. 6 is a conceptual diagram illustrating the correlation between the degree of temperature rise of the drive device 110 and the output current. The control unit 101 acquires measurement data for, for example, 720 hours from the installation of the blower 1, and learns the correlation between the degree of temperature rise of the drive device 110 and the output current. As described above, since there is a correlation (proportional relationship) between the degree of temperature rise of the drive device 110 and the output current in the normal state, the control unit 101 determines the temperature of the drive device 110, the suction temperature of the blower main body 10, and the suction temperature. Measurement data regarding the output current of the inverter 112 may be acquired, and the obtained measurement data may be used to learn the correlation between the degree of temperature rise of the drive device 110 and the output current.
Since the temperature is not stable (rises) for about 30 minutes after the blower 1 is started, the control unit 101 learns the correlation using the measurement data after a predetermined time (for example, 30 minutes) has elapsed from the start. do it.

制御部１０１は、駆動装置１１０の温度上昇度と出力電流との相関として、線形近似式と偏差とを導出する。図６に示すグラフの横軸はインバータ１１２の出力電流、縦軸は駆動装置１１０の温度上昇度であり、実線により線形近似式を示し、破線により信頼区間を示している。信頼区間は、相関のバラツキを示す偏差に基づき設定すればよい。 The control unit 101 derives a linear approximation formula and a deviation as a correlation between the degree of temperature rise of the drive device 110 and the output current. The horizontal axis of the graph shown in FIG. 6 is the output current of the inverter 112, the vertical axis is the degree of temperature rise of the drive device 110, a linear approximation formula is shown by a solid line, and a confidence interval is shown by a broken line. The confidence interval may be set based on the deviation indicating the variation of the correlation.

駆動装置１１０の温度上昇度と出力電流との相関を求めた後、制御部１０１は、新たに取得した計測データに基づき、冷却ファン１１３が故障したか否かを推定する。新たに取得した計測データが信頼区間内にあれば、制御部１０１は、冷却ファン１１３が故障していないと推定することができる。新たに取得した計測データが連続して信頼区間外にあるとき、制御部１０１は、冷却ファン１１３が故障している可能性があると推定することができる。なお、単発で信頼区間から外れる場合があるので、この場合、制御部１０１は、推定結果の出力を保留すればよい。 After obtaining the correlation between the degree of temperature rise of the drive device 110 and the output current, the control unit 101 estimates whether or not the cooling fan 113 has failed based on the newly acquired measurement data. If the newly acquired measurement data is within the confidence interval, the control unit 101 can estimate that the cooling fan 113 has not failed. When the newly acquired measurement data are continuously out of the confidence interval, the control unit 101 can estimate that the cooling fan 113 may have failed. In this case, the control unit 101 may suspend the output of the estimation result because it may deviate from the confidence interval in a single shot.

以下、制御装置１００が実行する処理について説明する。
図７は実施の形態１に係る制御装置１００が学習期間において実行する処理の手順を説明するフローチャートである。制御部１０１は、学習期間において、温度センサＳ１により計測される駆動装置１１０の温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データを取得する（ステップＳ１０１）。制御部１０１は、ブロワ１の設置から例えば７２０時間を学習期間とし、各センサＳ１，Ｓ２，Ｓ４から随時出力される計測データを入力部１０３より取得し、取得した計測データを日時に関連付けて記憶部１０２に記憶させる。なお、起動から所定時間（例えば３０分）内の計測データは除外してもよい。 Hereinafter, the processing executed by the control device 100 will be described.
FIG. 7 is a flowchart illustrating a procedure of processing executed by the control device 100 according to the first embodiment during the learning period. During the learning period, the control unit 101 measures the temperature of the drive device 110 measured by the temperature sensor S1, the suction temperature of the blower body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. Acquire data (step S101). The control unit 101 acquires, for example, 720 hours from the installation of the blower 1 as a learning period, acquires measurement data output from each sensor S1, S2, and S4 at any time from the input unit 103, and stores the acquired measurement data in association with the date and time. It is stored in the unit 102. The measurement data within a predetermined time (for example, 30 minutes) from the start may be excluded.

制御部１０１は、学習期間において取得した計測データに基づき、駆動装置１１０の温度上昇度と出力電流との相関を学習する（ステップＳ１０２）。制御部１０１は、記憶部１０２に記憶させた計測データを読み出し、駆動装置１１０の温度から吸込温度を減算することにより得られる駆動装置１１０の温度上昇度と、インバータ１１２の出力電流との相関（線形近似式及び偏差）を導出する。 The control unit 101 learns the correlation between the degree of temperature rise of the drive device 110 and the output current based on the measurement data acquired during the learning period (step S102). The control unit 101 reads out the measurement data stored in the storage unit 102, subtracts the suction temperature from the temperature of the drive device 110, and correlates the temperature rise of the drive device 110 with the output current of the inverter 112 ( Linear approximation formula and deviation) are derived.

制御部１０１は、導出した線形近似式及び偏差を記憶部１０２に記憶させ（ステップＳ１０３）、本フローチャートによる処理を終了する。 The control unit 101 stores the derived linear approximation formula and deviation in the storage unit 102 (step S103), and ends the process according to this flowchart.

図８は実施の形態１に係る制御装置１００が運用期間において実行する処理の手順を説明するフローチャートである。制御部１０１は、記憶部１０２に記憶された状態監視プログラムＰＧ１を読み出して実行することにより、以下の処理を行う。制御部１０１は、駆動装置１１０の温度上昇度と出力電流との相関を求めた後に開始される運用期間において、駆動装置１１０の温度、吸込温度、インバータ１１２の出力電流を含む一組の計測データを取得した場合（ステップＳ１２１）、その計測データが線形近似式と偏差とにより定められる信頼区間内にあるか否かを判断する（ステップＳ１２２）。 FIG. 8 is a flowchart illustrating a procedure of processing executed by the control device 100 according to the first embodiment during the operation period. The control unit 101 performs the following processing by reading and executing the condition monitoring program PG1 stored in the storage unit 102. The control unit 101 sets a set of measurement data including the temperature of the drive device 110, the suction temperature, and the output current of the inverter 112 during the operation period started after obtaining the correlation between the degree of temperature rise of the drive device 110 and the output current. (Step S121), it is determined whether or not the measurement data is within the confidence interval determined by the linear approximation formula and the deviation (step S122).

制御部１０１は、計測データが信頼区間内にあると判断した場合（Ｓ１２２：ＹＥＳ）、判定カウンタを０にセットし（ステップＳ１２３）、計測データが信頼区間外にあると判断した場合（Ｓ１２２：ＮＯ）、判定カウンタを１だけ増加させる（ステップＳ１２４）。なお、判定カウンタの初期値は０に設定されているものとする。 When the control unit 101 determines that the measurement data is within the confidence interval (S122: YES), sets the determination counter to 0 (step S123), and determines that the measurement data is outside the confidence interval (S122: YES). NO), the determination counter is incremented by 1 (step S124). It is assumed that the initial value of the judgment counter is set to 0.

制御部１０１は、判定カウンタが閾値（例えば１０）以上であるか否かを判断し（ステップＳ１２５）、閾値未満であると判断した場合（Ｓ１２５：ＮＯ）、処理をステップＳ１２１へ戻す。 The control unit 101 determines whether or not the determination counter is equal to or greater than the threshold value (for example, 10) (step S125), and if it determines that the determination counter is less than the threshold value (S125: NO), returns the process to step S121.

判定カウンタが閾値以上であると判断した場合（Ｓ１２５：ＹＥＳ）、制御部１０１は、冷却ファン１１３が現時点で故障している、若しくは将来的に故障すると推定し（ステップＳ１２６）、推定結果に基づく情報を出力する（ステップＳ１２７）。例えば、制御部１０１は、冷却ファン１１３が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部１０５より端末装置２に通知する。また、制御部１０１は、冷却ファン１１３が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部１０７に表示させてもよい。このとき、制御部１０１は、駆動装置１１０の温度上昇度及び出力電流の時間推移を示すグラフ、若しくは、駆動装置１１０の温度上昇度と出力電流との相関の時間推移を示すグラフを生成し、生成したグラフを併せて通知又は表示させてもよい。
また、本実施の形態では、冷却ファン１１３が故障している旨の情報若しくは故障の予兆を検知した旨の情報を出力する構成としたが、冷却ファン１１３が故障していないと推定される場合についても、その旨の情報を出力してよい。 When the determination counter determines that the threshold value is equal to or higher than the threshold value (S125: YES), the control unit 101 estimates that the cooling fan 113 is currently out of order or will fail in the future (step S126), and is based on the estimation result. Information is output (step S127). For example, the control unit 101 notifies the terminal device 2 from the communication unit 105 of information that the cooling fan 113 may have failed or that a sign of failure has been detected. Further, the control unit 101 may display the information that the cooling fan 113 may have failed or the information that a sign of failure has been detected on the display unit 107. At this time, the control unit 101 generates a graph showing the time transition of the temperature rise of the drive device 110 and the output current, or a graph showing the time transition of the correlation between the temperature rise of the drive device 110 and the output current. The generated graph may also be notified or displayed.
Further, in the present embodiment, the configuration is such that information indicating that the cooling fan 113 has failed or information indicating that a sign of failure has been detected is output, but it is presumed that the cooling fan 113 has not failed. Also, information to that effect may be output.

以上のように、実施の形態１では、駆動装置１１０の温度上昇度と出力電流との相関から、駆動装置１１０を冷却する冷却ファン１１３の故障を推定し、推定結果に基づく情報を出力することができるので、冷却ファン１１３の交換作業をユーザに促すことができる。 As described above, in the first embodiment, the failure of the cooling fan 113 for cooling the drive device 110 is estimated from the correlation between the temperature rise of the drive device 110 and the output current, and the information based on the estimation result is output. Therefore, it is possible to prompt the user to replace the cooling fan 113.

本実施の形態では、学習期間において駆動装置１１０の温度上昇度と出力電流との相関を導出し、運用期間において駆動装置１１０の温度上昇度と出力電流との相関に基づき冷却ファン１１３の故障を推定する構成としたが、運用期間において設定された期間（例えば１ヶ月）内に冷却ファン１１３の故障が検出されなければ、その期間内のデータを含む計測データに基づき相関の再学習を行ってもよい。なお、再学習の手順は、図７のフローチャートに示す手順と同様である。 In the present embodiment, the correlation between the temperature rise of the drive device 110 and the output current is derived during the learning period, and the failure of the cooling fan 113 is caused based on the correlation between the temperature rise of the drive device 110 and the output current during the operation period. Although the configuration is estimated, if a failure of the cooling fan 113 is not detected within the period set during the operation period (for example, one month), the correlation is relearned based on the measurement data including the data within that period. May be good. The re-learning procedure is the same as the procedure shown in the flowchart of FIG. 7.

また、駆動装置１１０の温度上昇度と出力電流との相関はブロワ１の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ１に応じて、個別に駆動装置１１０の温度上昇度と出力電流との相関を導出してもよい。 Further, since it is assumed that the correlation between the degree of temperature rise of the drive device 110 and the output current differs depending on the type of the blower 1 and the installation environment, the temperature of the drive device 110 is individually adjusted according to the individual blower 1. The correlation between the degree of rise and the output current may be derived.

本実施の形態では、駆動装置１１０の温度上昇度と出力電流との相関に基づき、冷却ファン１１３の故障を推定する構成としたが、ブロワ１の累積起動回数及び累積運転時間の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づき冷却ファン１１３の故障を推定してもよい。また、出力電流の変化量及びブロワ本体１０の吐出圧力の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づき冷却ファン１１３の故障を推定してもよい。 In the present embodiment, the failure of the cooling fan 113 is estimated based on the correlation between the temperature rise of the drive device 110 and the output current, but at least one of the cumulative number of start-ups and the cumulative operation time of the blower 1 is further increased. The correlation between the included parameters may be derived, and the failure of the cooling fan 113 may be estimated based on the derived correlation. Further, a correlation between parameters including at least one of the amount of change in the output current and the discharge pressure of the blower main body 10 may be derived, and the failure of the cooling fan 113 may be estimated based on the derived correlation.

本実施の形態では、ブロワ１が備える制御装置１００において冷却ファン１１３の故障を推定する構成としたが、ブロワ１からアクセス可能な外部サーバにて冷却ファン１１３の故障を推定してもよい。この場合、上述の状態監視プログラムＰＧ１は外部サーバにインストールされる。ブロワ１は、駆動装置１１０の温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、外部サーバに推定処理を実行させ、推定処理の結果を外部サーバから取得すればよい。 In the present embodiment, the control device 100 included in the blower 1 is configured to estimate the failure of the cooling fan 113, but the failure of the cooling fan 113 may be estimated by an external server accessible from the blower 1. In this case, the above-mentioned condition monitoring program PG1 is installed on the external server. The blower 1 may transmit measurement data including the temperature, suction temperature, and output current of the drive device 110 to an external server, cause the external server to execute the estimation process, and acquire the result of the estimation process from the external server.

（実施の形態２）
実施の形態２では、機械学習の学習モデルを用いて冷却ファン１１３の故障を推定する構成について説明する。 (Embodiment 2)
In the second embodiment, a configuration for estimating the failure of the cooling fan 113 using a learning model of machine learning will be described.

実施の形態２では、温度センサＳ１により計測される駆動装置１１０の温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、及び電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データと、冷却ファン１１３の故障可能性との関係を学習してある学習モデル１５０（図９を参照）を用いて、冷却ファン１１３の故障を推定する。学習モデル１５０は、例えば制御装置１００の記憶部１０２に記憶される。 In the second embodiment, the temperature of the drive device 110 measured by the temperature sensor S1, the suction temperature of the blower main body 10 measured by the temperature sensor S2, and the measurement data regarding the output current of the inverter 112 measured by the current sensor S4 , The failure of the cooling fan 113 is estimated using the learning model 150 (see FIG. 9) which has learned the relationship with the failure possibility of the cooling fan 113. The learning model 150 is stored, for example, in the storage unit 102 of the control device 100.

図９は学習モデル１５０の構成例を説明する模式図である。学習モデル１５０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル１５０は、入力層１５１、中間層１５２Ａ，１５２Ｂ、及び出力層１５３を備える。図９の例では、２つの中間層１５２Ａ，１５２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。 FIG. 9 is a schematic diagram illustrating a configuration example of the learning model 150. The learning model 150 is, for example, a learning model for machine learning including deep learning, and is configured by a neural network. The learning model 150 includes an input layer 151, intermediate layers 152A and 152B, and an output layer 153. In the example of FIG. 9, two intermediate layers 152A and 152B are described, but the number of intermediate layers is not limited to two and may be three or more.

入力層１５１、中間層１５２Ａ，１５２Ｂ、及び出力層１５３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル１５０の入力層１５１には、入力層１５１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層１５１のノードに入力されるデータは、例えば、駆動装置１１０の温度、吸込温度、出力電流の計測データである。 The input layer 151, the intermediate layers 152A, 152B, and the output layer 153 have one or more nodes, and the nodes of each layer are connected to the nodes existing in the previous and next layers in one direction with a desired weight and bias. Has been done. The same number of data as the number of nodes included in the input layer 151 is input to the input layer 151 of the learning model 150. In the present embodiment, the data input to the node of the input layer 151 is, for example, measurement data of the temperature, suction temperature, and output current of the drive device 110.

入力された計測データは、入力層１５１を構成するノードを通じて、最初の中間層１５２Ａが備えるノードへ出力される。最初の中間層１５２Ａに入力されたデータは、中間層１５２Ａを構成するノードを通じて、次の中間層１５２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層１５３による演算結果が得られるまで次々と後の層に伝達される。 The input measurement data is output to the node included in the first intermediate layer 152A through the nodes constituting the input layer 151. The data input to the first intermediate layer 152A is output to the node included in the next intermediate layer 152B through the nodes constituting the intermediate layer 152A. At this time, the output is calculated using the activation function including the weights and biases set between the nodes. Hereinafter, in the same manner, the calculation using the activation function including the weight and the bias set between the nodes is executed, and the calculation is transmitted to the subsequent layers one after another until the calculation result by the output layer 153 is obtained.

ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、冷却ファン１１３の状態を示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、冷却ファン１１３の故障可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。なお、学習モデル１５０の生成は、制御装置１００の内部で行ってもよく、外部サーバで行ってもよい。 Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, the above-mentioned measurement data and label data indicating the state of the cooling fan 113 are collected as training data, and when the measurement data is input using the collected training data, the cooling fan 113 fails. Various parameters including weights and biases between nodes are learned by a predetermined learning algorithm so as to output the calculation result regarding the possibility. The learning model 150 may be generated inside the control device 100 or may be generated by an external server.

出力層１５３は、冷却ファン１１３の故障可能性に関する演算結果を出力する。例えば、出力層１５３を第１ノードから第３ノードまでの３個のノードにより構成し、第１ノードから冷却ファン１１３が故障している可能性（確率Ｐ１）を出力し、第２ノードから故障の予兆がある可能性（確率Ｐ２）、第３ノードから故障していない可能性（確率Ｐ３）を出力する。出力層１５３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。 The output layer 153 outputs a calculation result regarding the possibility of failure of the cooling fan 113. For example, the output layer 153 is composed of three nodes from the first node to the third node, the possibility that the cooling fan 113 has failed (probability P1) is output from the first node, and the failure occurs from the second node. The possibility that there is a sign of (probability P2) and the possibility that there is no failure from the third node (probability P3) are output. The number of nodes constituting the output layer 153 and the calculation result assigned to each node are not limited to the above examples, and can be appropriately designed.

図９に示す学習モデル１５０は、駆動装置１１０の温度、吸込温度、出力電流を含む計測データの入力に応じて、冷却ファン１１３の故障可能性に関する演算結果を出力する構成としたが、学習モデル１５０における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル１５０は、駆動装置１１０の温度から吸込温度を減算することにより得られる駆動装置１１０の温度上昇度のデータと、出力電流のデータとの入力に応じて、冷却ファン１１３の故障可能性に関する演算結果を出力する構成としてもよい。また、学習モデル１５０は、例えば、学習モデル１５０は、ブロワ１の累積起動回数、累積運転時間、インバータ１１２の出力電流の変化量、ブロワ本体１０の吐出圧力の少なくとも１つを更に含む計測データの入力に応じて、冷却ファン１１３の故障可能性に関する演算結果を出力する構成としてもよい。 The learning model 150 shown in FIG. 9 is configured to output the calculation result regarding the possibility of failure of the cooling fan 113 in response to the input of measurement data including the temperature, suction temperature, and output current of the drive device 110. The input / output relationship in 150 is not limited to the above, and can be set as appropriate. For example, in the learning model 150, the cooling fan 113 may fail depending on the input of the temperature rise data of the drive device 110 obtained by subtracting the suction temperature from the temperature of the drive device 110 and the output current data. It may be configured to output the calculation result related to sex. Further, the learning model 150 includes, for example, measurement data in which the learning model 150 further includes at least one of the cumulative number of activations of the blower 1, the cumulative operating time, the amount of change in the output current of the inverter 112, and the discharge pressure of the blower main body 10. In response to the input, the configuration may be such that the calculation result regarding the possibility of failure of the cooling fan 113 is output.

図１０は学習モデル１５０の生成手順を説明するフローチャートである。制御装置１００の制御部１０１は、学習モデル１５０の生成に先立ち、訓練データを収集する（ステップＳ２０１）。このとき、制御部１０１は、駆動装置１１０の温度、吸込温度、及び出力電流の計測データを時系列的に取得し、日時情報と共に記憶部１０２に記憶させる。また、各日時の計測データには、冷却ファン１１３が故障していたか否か、及び故障の予兆をしていたか否かを示すラベルを付与する。なお、これらのラベルは、図５に示すようなグラフに基づき、故障していない期間、故障の予兆を示していた期間、故障していた期間を判別し、管理者等が付与すればよい。図１１は訓練データの一例を示す概念図である。 FIG. 10 is a flowchart illustrating a procedure for generating the learning model 150. The control unit 101 of the control device 100 collects training data prior to the generation of the learning model 150 (step S201). At this time, the control unit 101 acquires the measurement data of the temperature, the suction temperature, and the output current of the drive device 110 in time series, and stores the measurement data in the storage unit 102 together with the date and time information. Further, the measurement data of each date and time is given a label indicating whether or not the cooling fan 113 has failed and whether or not the failure has been predicted. It should be noted that these labels may be assigned by the administrator or the like by discriminating the period of non-failure, the period showing a sign of failure, and the period of failure based on the graph as shown in FIG. FIG. 11 is a conceptual diagram showing an example of training data.

訓練データの収集後、制御部１０１は、記憶部１０２に記憶されているデータから、学習モデル１５０へ入力する一組の訓練データを選択する（ステップＳ２０２）。すなわち、制御部１０１は、同一日時の駆動装置１１０の温度、吸込温度、及び出力電流を含む計測データ、並びに冷却ファン１１３の故障状態を示すラベルデータを選択すればよい。 After collecting the training data, the control unit 101 selects a set of training data to be input to the learning model 150 from the data stored in the storage unit 102 (step S202). That is, the control unit 101 may select measurement data including the temperature, suction temperature, and output current of the drive device 110 on the same date and time, and label data indicating the failure state of the cooling fan 113.

次いで、制御部１０１は、選択した訓練データに含まれる計測データを学習モデル１５０へ入力し（ステップＳ２０３）、学習モデル１５０による演算を実行する（ステップＳ２０４）。なお、学習が開始される前の初期段階では、学習モデル１５０を記述する定義情報には初期値が与えられているものとする。 Next, the control unit 101 inputs the measurement data included in the selected training data into the learning model 150 (step S203), and executes the calculation by the learning model 150 (step S204). In the initial stage before the start of learning, it is assumed that the definition information describing the learning model 150 is given an initial value.

次いで、制御部１０１は、ステップＳ２０４で得られた演算結果を評価し（ステップＳ２０５）、学習が完了したか否かを判断する（ステップＳ２０６）。具体的には、制御部１０１は、ステップＳ２０４で得られた演算結果と訓練データに含まれるラベルデータとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する過程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。 Next, the control unit 101 evaluates the calculation result obtained in step S204 (step S205), and determines whether or not the learning is completed (step S206). Specifically, the control unit 101 uses an error function (also referred to as an objective function, a loss function, or a cost function) based on the calculation result obtained in step S204 and the label data included in the training data to obtain the calculation result. Can be evaluated. When the error function becomes less than or equal to the threshold value (or more than the threshold value) in the process of optimizing (minimizing or maximizing) the error function by the gradient descent method such as the steepest descent method, the control unit 101 determines that the learning is completed. to decide. In order to avoid the problem of overfitting, techniques such as cross-validation and early stopping may be adopted to end learning at an appropriate timing.

学習が完了してないと判断した場合（Ｓ２０６：ＮＯ）、制御部１０１は、学習モデル１５０を構成するノード間の重み及びバイアスを更新して（ステップＳ２０７）、処理をステップＳ２０２へ戻し、別の訓練データを用いた学習を継続する。制御部１０１は、ノード間の重み及びバイアスを順次更新する誤差逆伝搬法を用いて、各ノード間の重み及びバイアスを更新することができる。 When it is determined that the learning is not completed (S206: NO), the control unit 101 updates the weights and biases between the nodes constituting the learning model 150 (step S207), returns the process to step S202, and performs another process. Continue learning using the training data of. The control unit 101 can update the weights and biases between the nodes by using the error back propagation method that sequentially updates the weights and biases between the nodes.

学習が完了したと判断した場合（Ｓ２０６：ＹＥＳ）、制御部１０１は、学習済みの学習モデル１５０として記憶部１０２に記憶させ（ステップＳ２０８）、本フローチャートによる処理を終了する。 When it is determined that the learning is completed (S206: YES), the control unit 101 stores the learned learning model 150 in the storage unit 102 (step S208), and ends the process according to this flowchart.

図１２は学習モデル１５０を用いた推定手順を説明するフローチャートである。制御装置１００の制御部１０１は、記憶部１０２に記憶された状態監視プログラムＰＧ１を実行することにより、以下の処理を行う。 FIG. 12 is a flowchart illustrating an estimation procedure using the learning model 150. The control unit 101 of the control device 100 performs the following processing by executing the condition monitoring program PG1 stored in the storage unit 102.

制御部１０１は、入力部１０３を通じて、温度センサＳ１により計測される駆動装置１１０の温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、及び電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データを取得した場合、取得した計測データを学習モデル１５０へ入力し（ステップＳ２２１）、学習モデル１５０による演算を実行する（ステップＳ２２２）。入力層１５１のノードに与えられたデータは、隣接する中間層１５２Ａのノードへ出力される。中間層１５２Ａではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層１５２Ｂへ出力される。中間層１５２Ｂにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層１５３の各ノードへ出力される。出力層１５３の各ノードは、冷却ファン１１３の故障可能性に関する演算結果を出力する。 The control unit 101 passes through the input unit 103 to the temperature of the drive device 110 measured by the temperature sensor S1, the suction temperature of the blower body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. When the measurement data related to the above is acquired, the acquired measurement data is input to the learning model 150 (step S221), and the calculation by the learning model 150 is executed (step S222). The data given to the node of the input layer 151 is output to the node of the adjacent intermediate layer 152A. In the intermediate layer 152A, an operation using an activation function including weights and biases between nodes is performed, and the operation result is output to the intermediate layer 152B in the subsequent stage. In the intermediate layer 152B, an operation using an activation function including weights and biases between nodes is further performed, and the operation result is output to each node of the output layer 153. Each node of the output layer 153 outputs a calculation result regarding the possibility of failure of the cooling fan 113.

制御部１０１は、学習モデル１５０の演算結果に基づき冷却ファン１１３の故障を推定する（ステップＳ２２３）。学習モデル１５０の出力層１５３は各ノードから、冷却ファン１１３が故障している可能性、故障の予兆がある可能性、故障していない可能性を確率Ｐ１〜Ｐ３として出力するので、制御部１０１は、これらの確率Ｐ１〜Ｐ３のうち、最も高い確率を出力するノードを特定することにより、冷却ファン１１３の故障を推定することができる。 The control unit 101 estimates the failure of the cooling fan 113 based on the calculation result of the learning model 150 (step S223). The output layer 153 of the learning model 150 outputs from each node the possibility that the cooling fan 113 has failed, the possibility that there is a sign of failure, and the possibility that it has not failed, as probabilities P1 to P3. Can estimate the failure of the cooling fan 113 by specifying the node that outputs the highest probability among these probabilities P1 to P3.

制御部１０１は、推定結果に基づく情報を出力する（ステップＳ２２４）。例えば、制御部１０１は、冷却ファン１１３が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部１０５より端末装置２に通知する。また、制御部１０１は、冷却ファン１１３が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部１０７に表示させてもよい。なお、制御部１０１は、単発の計測データによる誤判定を避けるために、故障ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、冷却ファン１１３が故障している旨の情報を出力してもよく、故障の予兆ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、冷却ファン１１３の故障の予兆を検知した旨の情報を出力してもよい。 The control unit 101 outputs information based on the estimation result (step S224). For example, the control unit 101 notifies the terminal device 2 from the communication unit 105 of information that the cooling fan 113 may have failed or that a sign of failure has been detected. Further, the control unit 101 may display the information that the cooling fan 113 may have failed or the information that a sign of failure has been detected on the display unit 107. In addition, in order to avoid erroneous determination based on single-shot measurement data, the control unit 101 indicates that the cooling fan 113 has failed only when the number of times estimated to have a failure continues for a predetermined number of times (for example, 10 times) or more. Information may be output, and information indicating that a sign of failure of the cooling fan 113 may be detected may be output only when the number of times estimated that there is a sign of failure is continuous for a predetermined number of times (for example, 10 times) or more. ..

以上のように、実施の形態２では、深層学習を含む機械学習の学習モデル１５０を用いて、駆動装置１１０を冷却する冷却ファン１１３の故障を推定し、推定結果に基づく情報を出力することができるので、必要に応じて冷却ファン１１３の交換作業をユーザに促すことができる。 As described above, in the second embodiment, the failure of the cooling fan 113 for cooling the drive device 110 can be estimated by using the learning model 150 of machine learning including deep learning, and the information based on the estimation result can be output. Therefore, it is possible to prompt the user to replace the cooling fan 113 as needed.

実施の形態２では、学習モデル１５０を用いて冷却ファン１１３の故障を推定する構成としたが、この学習モデル１５０により冷却ファン１１３の故障が検出されなければ、駆動装置１１０の温度、吸込温度、及び出力電流を含む計測データと、計測時の冷却ファン１１３の状態を表すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル１５０を再学習してもよい。 In the second embodiment, the learning model 150 is used to estimate the failure of the cooling fan 113. However, if the learning model 150 does not detect the failure of the cooling fan 113, the temperature of the drive device 110, the suction temperature, and so on. The measurement data including the output current and the label data indicating the state of the cooling fan 113 at the time of measurement may be reacquired as training data, and the learning model 150 may be relearned based on the reacquired training data.

また、駆動装置１１０の温度上昇度と出力電流との相関はブロワ１の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ１に応じて、個別に学習モデル１５０を設定してもよい。 Further, since it is assumed that the correlation between the degree of temperature rise of the drive device 110 and the output current differs depending on the type of the blower 1 and the installation environment, the learning model 150 is individually set according to the individual blower 1. You may.

また、実施の形態２では、制御装置１００が学習モデル１５０を備える構成について説明したが、学習モデル１５０は、制御装置１００からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置１００は、駆動装置１１０の温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、学習モデル１５０を用いた演算を外部サーバに実行させ、学習モデル１５０による演算結果を外部サーバから取得してもよい。制御装置１００は、外部サーバから学習モデル１５０による演算結果を取得することにより、冷却ファン１１３の故障を推定し、推定結果に基づく情報を出力することができる。 Further, in the second embodiment, the configuration in which the control device 100 includes the learning model 150 has been described, but the learning model 150 may be mounted on an external server accessible from the control device 100. In this case, the control device 100 transmits measurement data including the temperature, suction temperature, and output current of the drive device 110 to the external server, causes the external server to execute the calculation using the learning model 150, and performs the calculation by the learning model 150. The result may be obtained from an external server. The control device 100 can estimate the failure of the cooling fan 113 and output the information based on the estimation result by acquiring the calculation result by the learning model 150 from the external server.

本実施の形態２では、ニューラルネットワークによって構成される機械学習の学習モデル１５０を用いて冷却ファン１１３の故障可能性に関する演算結果を取得する構成について説明したが、学習モデル１５０は特定の手法を用いて得られるモデルに限定されない。
例えば、深層学習によるニューラルネットワークに代えて、パーセプトロン、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、残差ネットワーク、自己組織化マップ等による学習モデルであってもよい。
また、上記のニューラルネットワークによる学習モデルに代えて、線形回帰、ロジスティック回帰、サポートベクターマシン等を含む回帰分析手法、決定木、回帰木、ランダムフォレスト、勾配ブースティング木等の探索木を用いた手法、単純ベイズ等を含むベイズ推定法、ＡＲ（Auto Regressive）、ＭＡ（Moving Average）、ＡＲＩＭＡ（Auto Regressive Integrated Moving Average）、状態空間モデル等を含む時系列予測手法、Ｋ近傍法等を含むクラスタリング手法、ブースティング、バギング等を含むアンサンブル学習を用いた手法、階層型クラスタリング、非階層型クラスタリング、トピックモデル等を含むクラスタリング手法、アソシエーション分析、強調フィルタリング等を含むその他の手法により学習された学習モデルであってもよい。
更に、ＰＬＳ（Partial Least Squares）回帰、重回帰分析、主成分分析、因子分析、クラスター分析等を含む多変量分析を用いて学習モデルを構築してもよい。 In the second embodiment, the configuration for acquiring the calculation result regarding the possibility of failure of the cooling fan 113 using the machine learning learning model 150 configured by the neural network has been described, but the learning model 150 uses a specific method. It is not limited to the model that can be obtained.
For example, instead of the neural network by deep learning, a learning model by a perceptron, a convolutional neural network, a recurrent neural network, a residual network, a self-organizing map, or the like may be used.
In addition, instead of the above neural network learning model, a regression analysis method including linear regression, logistic regression, support vector machine, etc., and a method using search trees such as decision tree, regression tree, random forest, and gradient boosting tree. , Bayesian estimation method including simple bays, AR (Auto Regressive), MA (Moving Average), ARIMA (Auto Regressive Integrated Moving Average), time series prediction method including state space model, clustering method including K neighborhood method, etc. , Boosting, methods using ensemble learning including bagging, hierarchical clustering, non-hierarchical clustering, clustering methods including topic models, association analysis, emphasis filtering, etc. There may be.
Furthermore, a learning model may be constructed using multivariate analysis including PLS (Partial Least Squares) regression, multiple regression analysis, principal component analysis, factor analysis, cluster analysis and the like.

（実施の形態３）
実施の形態３では、温度センサＳ３により計測されるモータ１２の温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に基づき、ブローオフバルブ１６の故障を推定する構成について説明する。 (Embodiment 3)
In the third embodiment, the blow-off valve 16 is based on the temperature of the motor 12 measured by the temperature sensor S3, the suction temperature of the blower main body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. The configuration for estimating the failure of the above will be described.

ブロワ１において、ブローオフバルブ１６を構成する電磁弁が故障したり、ダイアフラムゴムが劣化したりすると、放風ラインＬ２へ吐出ガスが流れてしまい、ブロワ１が吐出すべきガスの量が減少する。また、高圧の吐出ガスが、冷却ガス排出ラインＬ３を通ってモータ冷却ガスが排出されるのを妨げるため、モータ１２の温度が上昇する。本願発明者らは、ブローオフバルブ１６が正常に動作している期間において、モータ１２の温度上昇度と、インバータ１１２の出力電流との間には相関があることを確認した。また、発明者らは、ブローオフバルブ１６が発生するよりも前の段階から、相関が崩れ始める現象が見られることを確認した。 In the blower 1, if the solenoid valve constituting the blow-off valve 16 fails or the diaphragm rubber deteriorates, the discharged gas flows to the blower line L2, and the amount of gas to be discharged by the blower 1 decreases. Further, the high-pressure discharge gas prevents the motor cooling gas from being discharged through the cooling gas discharge line L3, so that the temperature of the motor 12 rises. The inventors of the present application have confirmed that there is a correlation between the degree of temperature rise of the motor 12 and the output current of the inverter 112 during the period in which the blow-off valve 16 is operating normally. In addition, the inventors have confirmed that a phenomenon in which the correlation begins to collapse is observed from a stage before the blow-off valve 16 is generated.

実施の形態３では、これらの知見に基づき、ブロワ１のコンポーネントの１つであるブローオフバルブ１６の故障を推定する。具体的には、制御装置１００の制御部１０１は、温度センサＳ３により計測されるモータ温度、温度センサＳ２により計測される吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に関して計測データを取得し、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度と、インバータ１１２の出力電流との相関を調べることにより、ブローオフバルブ１６の故障を推定する処理を実行する。 In the third embodiment, the failure of the blow-off valve 16 which is one of the components of the blower 1 is estimated based on these findings. Specifically, the control unit 101 of the control device 100 obtains measurement data regarding the motor temperature measured by the temperature sensor S3, the suction temperature measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. The process of estimating the failure of the blow-off valve 16 is executed by examining the correlation between the degree of motor temperature rise obtained by acquiring and subtracting the suction temperature from the motor temperature and the output current of the inverter 112.

図１３はモータ１２の温度上昇度と出力電流との相関を説明する概念図である。制御部１０１は、ブロワ１の設置から例えば７２０時間分の計測データを取得し、モータ１２の温度上昇度とインバータ１１２の出力電流との相関を学習する。上述したように、正常時におけるモータ１２の温度上昇度とインバータ１１２の出力電流との間には相関があるので、制御部１０１は、モータ１２の温度、ブロワ本体１０における吸込温度、インバータ１１２の出力電流に関する計測データを各センサＳ３，Ｓ２，Ｓ４より取得し、取得した計測データを用いて、モータ温度上昇度と出力電流との間の相関を学習すればよい。
なお、ブロワ１の起動から３０分程度は温度が安定していない（上昇する）ので、制御部１０１は、起動から所定時間（例えば３０分）が経過した後の計測データを用いて相関を学習すればよい。 FIG. 13 is a conceptual diagram illustrating the correlation between the degree of temperature rise of the motor 12 and the output current. The control unit 101 acquires measurement data for, for example, 720 hours from the installation of the blower 1, and learns the correlation between the degree of temperature rise of the motor 12 and the output current of the inverter 112. As described above, since there is a correlation between the degree of temperature rise of the motor 12 and the output current of the inverter 112 in the normal state, the control unit 101 uses the temperature of the motor 12, the suction temperature of the blower body 10, and the inverter 112. Measurement data regarding the output current may be acquired from each of the sensors S3, S2, and S4, and the correlation between the degree of motor temperature rise and the output current may be learned using the acquired measurement data.
Since the temperature is not stable (rises) for about 30 minutes after the blower 1 is started, the control unit 101 learns the correlation using the measurement data after a predetermined time (for example, 30 minutes) has elapsed from the start. do it.

制御部１０１は、モータ１２の温度上昇度と出力電流との相関を示す近似式と偏差とを導出する。なお、図１３の例では線形近似式を示しているが、近似式は一次関数に限らず、適宜の多項式関数などの適宜の関数を用いればよい。図１３に示すグラフの横軸はインバータ１１２の出力電流、縦軸は駆動装置１１０の温度上昇度であり、実線により近似式を示し、破線により信頼区間を示している。信頼区間は、相関のバラツキを示す偏差に基づき設定すればよい。 The control unit 101 derives an approximate expression and a deviation showing the correlation between the degree of temperature rise of the motor 12 and the output current. Although the linear approximation formula is shown in the example of FIG. 13, the approximation formula is not limited to the linear function, and an appropriate function such as an appropriate polynomial function may be used. The horizontal axis of the graph shown in FIG. 13 is the output current of the inverter 112, the vertical axis is the degree of temperature rise of the drive device 110, the approximate expression is shown by the solid line, and the confidence interval is shown by the broken line. The confidence interval may be set based on the deviation indicating the variation of the correlation.

モータ１２の温度上昇度とインバータ１１２の出力電流との相関を求めた後、制御部１０１は、新たに取得した計測データに基づき、ブローオフバルブ１６が故障したか否かを推定する。新たに取得した計測データが信頼区間内にあれば、制御部１０１は、ブローオフバルブ１６が故障していないと推定することができる。新たに取得した計測データが連続して信頼区間外にあるとき、制御部１０１は、ブローオフバルブ１６が故障している可能性があると推定することができる。なお、単発で信頼区間から外れる場合があるので、この場合、制御部１０１は、推定結果の出力を保留すればよい。 After obtaining the correlation between the degree of temperature rise of the motor 12 and the output current of the inverter 112, the control unit 101 estimates whether or not the blow-off valve 16 has failed based on the newly acquired measurement data. If the newly acquired measurement data is within the confidence interval, the control unit 101 can estimate that the blow-off valve 16 has not failed. When the newly acquired measurement data are continuously out of the confidence interval, the control unit 101 can estimate that the blow-off valve 16 may have failed. In this case, the control unit 101 may suspend the output of the estimation result because it may deviate from the confidence interval in a single shot.

以下、制御装置１００が実行する処理について説明する。
図１４は実施の形態３に係る制御装置１００が学習期間において実行する処理の手順を説明するフローチャートである。制御部１０１は、学習期間において、温度センサＳ３により計測されるモータ温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データを取得する（ステップＳ３０１）。制御部１０１は、ブロワ１の設置から例えば７２０時間を学習期間とし、各センサＳ３，Ｓ２，Ｓ４から随時出力される計測データを入力部１０３より取得し、取得した計測データを日時に関連付けて記憶部１０２に記憶させる。なお、起動から所定時間（例えば３０分）内の計測データは除外してもよい。 Hereinafter, the processing executed by the control device 100 will be described.
FIG. 14 is a flowchart illustrating a procedure of processing executed by the control device 100 according to the third embodiment during the learning period. During the learning period, the control unit 101 acquires measurement data regarding the motor temperature measured by the temperature sensor S3, the suction temperature of the blower body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. (Step S301). The control unit 101 acquires, for example, 720 hours from the installation of the blower 1 as a learning period, acquires measurement data output from each sensor S3, S2, and S4 at any time from the input unit 103, and stores the acquired measurement data in association with the date and time. It is stored in the unit 102. The measurement data within a predetermined time (for example, 30 minutes) from the start may be excluded.

制御部１０１は、学習期間において取得した計測データに基づき、モータ温度上昇度と出力電流との相関を学習する（ステップＳ３０２）。制御部１０１は、記憶部１０２に記憶させた計測データを読み出し、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度と、インバータ１１２の出力電流との相関（近似式及び偏差）を導出する。 The control unit 101 learns the correlation between the degree of motor temperature rise and the output current based on the measurement data acquired during the learning period (step S302). The control unit 101 reads out the measurement data stored in the storage unit 102, and calculates the correlation (approximate formula and deviation) between the motor temperature rise degree obtained by subtracting the suction temperature from the motor temperature and the output current of the inverter 112. Derived.

制御部１０１は、導出した近似式及び偏差を記憶部１０２に記憶させ（ステップＳ３０３）、本フローチャートによる処理を終了する。 The control unit 101 stores the derived approximate expression and deviation in the storage unit 102 (step S303), and ends the process according to this flowchart.

図１５は実施の形態３に係る制御装置１００が運用期間において実行する処理の手順を説明するフローチャートである。制御部１０１は、記憶部１０２に記憶された状態監視プログラムＰＧ１を読み出して実行することにより、以下の処理を行う。制御部１０１は、モータ温度上昇度と出力電流との相関を求めた後に開始される運用期間において、モータ温度、吸込温度、インバータ１１２の出力電流を含む一組の計測データを取得した場合（ステップＳ３２１）、その計測データが近似式と偏差とにより定められる信頼区間内にあるか否かを判断する（ステップＳ３２２）。 FIG. 15 is a flowchart illustrating a procedure of processing executed by the control device 100 according to the third embodiment during the operation period. The control unit 101 performs the following processing by reading and executing the condition monitoring program PG1 stored in the storage unit 102. When the control unit 101 acquires a set of measurement data including the motor temperature, the suction temperature, and the output current of the inverter 112 in the operation period started after obtaining the correlation between the motor temperature rise degree and the output current (step). S321), it is determined whether or not the measurement data is within the confidence interval determined by the approximation formula and the deviation (step S322).

制御部１０１は、計測データが信頼区間内にあると判断した場合（Ｓ３２２：ＹＥＳ）、判定カウンタを０にセットし（ステップＳ３２３）、計測データが信頼区間外にあると判断した場合（Ｓ３２２：ＮＯ）、判定カウンタを１だけ増加させる（ステップＳ３２４）。なお、判定カウンタの初期値は０に設定されているものとする。 When the control unit 101 determines that the measurement data is within the confidence interval (S322: YES), sets the determination counter to 0 (step S323), and determines that the measurement data is outside the confidence interval (S322: YES). NO), the determination counter is incremented by 1 (step S324). It is assumed that the initial value of the judgment counter is set to 0.

制御部１０１は、判定カウンタが閾値（例えば１０）以上であるか否かを判断し（ステップＳ３２５）、閾値未満であると判断した場合（Ｓ３２５：ＮＯ）、処理をステップＳ３２１へ戻す。 The control unit 101 determines whether or not the determination counter is equal to or greater than the threshold value (for example, 10) (step S325), and if it determines that the determination counter is less than the threshold value (S325: NO), returns the process to step S321.

判定カウンタが閾値以上であると判断した場合（Ｓ３２５：ＹＥＳ）、制御部１０１は、ブローオフバルブ１６が現時点で故障している、若しくは将来的に故障すると推定し（ステップＳ３２６）、推定結果に基づく情報を出力する（ステップＳ３２７）。例えば、制御部１０１は、ブローオフバルブ１６が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部１０５より端末装置２に通知する。また、制御部１０１は、ブローオフバルブ１６が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部１０７に表示させてもよい。このとき、制御部１０１は、モータ温度上昇度及び出力電流の時間推移を示すグラフ、若しくは、モータ温度上昇度と出力電流との相関の時間推移を示すグラフを生成し、生成したグラフを併せて通知又は表示させてもよい。
また、本実施の形態では、ブローオフバルブ１６が故障している旨の情報若しくは故障の予兆を検知した旨の情報を出力する構成としたが、冷却ファン１１３が故障していないと推定される場合についても、その旨の情報を出力してよい。 When the determination counter determines that the threshold value is equal to or higher than the threshold value (S325: YES), the control unit 101 estimates that the blow-off valve 16 is currently out of order or will fail in the future (step S326), and is based on the estimation result. Information is output (step S327). For example, the control unit 101 notifies the terminal device 2 from the communication unit 105 of information that the blow-off valve 16 may have failed or that a sign of failure has been detected. Further, the control unit 101 may display the information that the blow-off valve 16 may have failed or the information that a sign of failure has been detected on the display unit 107. At this time, the control unit 101 generates a graph showing the time transition of the motor temperature rise and the output current, or a graph showing the time transition of the correlation between the motor temperature rise and the output current, and also combines the generated graphs. It may be notified or displayed.
Further, in the present embodiment, the information indicating that the blow-off valve 16 has failed or the information indicating that a sign of failure has been detected is output, but it is presumed that the cooling fan 113 has not failed. Also, information to that effect may be output.

以上のように、実施の形態３では、モータ温度上昇度と出力電流との相関から、ブローオフバルブ１６の故障を推定し、推定結果に基づく情報を出力することができるので、電磁弁やダイアフラムゴムの交換作業が必要であるか否かをユーザに知らせることができる。 As described above, in the third embodiment, the failure of the blow-off valve 16 can be estimated from the correlation between the motor temperature rise and the output current, and the information based on the estimation result can be output. Therefore, the solenoid valve and the diaphragm rubber can be output. It is possible to inform the user whether or not the replacement work is necessary.

本実施の形態では、学習期間においてモータ温度上昇度と出力電流との相関を導出し、運用期間においてモータ温度上昇度と出力電流との相関に基づきブローオフバルブ１６の故障を推定する構成としたが、運用期間において設定された期間（例えば１ヶ月）内にブローオフバルブ１６の故障が検出されなければ、その期間内のデータを含む計測データに基づき相関の再学習を行ってもよい。なお、再学習の手順は、図１４のフローチャートに示す手順と同様である。 In the present embodiment, the correlation between the motor temperature rise and the output current is derived during the learning period, and the failure of the blow-off valve 16 is estimated based on the correlation between the motor temperature rise and the output current during the operation period. If a failure of the blow-off valve 16 is not detected within a period (for example, one month) set in the operation period, the correlation may be relearned based on the measurement data including the data within that period. The re-learning procedure is the same as the procedure shown in the flowchart of FIG.

また、モータ温度上昇度と出力電流との相関はブロワ１の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ１に応じて、個別にモータ温度上昇度と出力電流との相関を導出してもよい。 Further, since it is assumed that the correlation between the motor temperature rise and the output current differs depending on the type of the blower 1 and the installation environment, the motor temperature rise and the output current are individually adjusted according to the individual blowers 1. The correlation of may be derived.

本実施の形態では、モータ温度上昇度と出力電流との相関に基づき、ブローオフバルブ１６の故障を推定する構成としたが、ブロワ１の累積起動回数及び累積運転時間の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づきブローオフバルブ１６の故障を推定してもよい。また、出力電流の変化量及びブロワ本体１０の吐出圧力の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づきブローオフバルブ１６の故障を推定してもよい。 In the present embodiment, the failure of the blow-off valve 16 is estimated based on the correlation between the degree of motor temperature rise and the output current, but between parameters including at least one of the cumulative number of times the blower 1 is started and the cumulative operating time. The failure of the blow-off valve 16 may be estimated based on the derived correlation. Further, a correlation between parameters including at least one of the amount of change in the output current and the discharge pressure of the blower main body 10 may be derived, and the failure of the blow-off valve 16 may be estimated based on the derived correlation.

本実施の形態では、ブロワ１が備える制御装置１００においてブローオフバルブ１６の故障を推定する構成としたが、ブロワ１からアクセス可能な外部サーバにてブローオフバルブ１６の故障を推定してもよい。この場合、上述の状態監視プログラムＰＧ１は外部サーバにインストールされる。ブロワ１は、モータ温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、外部サーバに推定処理を実行させ、推定処理の結果を外部サーバから取得すればよい。 In the present embodiment, the control device 100 included in the blower 1 is configured to estimate the failure of the blow-off valve 16, but the failure of the blow-off valve 16 may be estimated by an external server accessible from the blower 1. In this case, the above-mentioned condition monitoring program PG1 is installed on the external server. The blower 1 may transmit measurement data including the motor temperature, the suction temperature, and the output current to the external server, cause the external server to execute the estimation process, and acquire the result of the estimation process from the external server.

（実施の形態４）
実施の形態４では、機械学習の学習モデルを用いてブローオフバルブ１６の故障を推定する構成について説明する。 (Embodiment 4)
In the fourth embodiment, a configuration for estimating the failure of the blow-off valve 16 by using a learning model of machine learning will be described.

実施の形態４では、温度センサＳ３により計測されるモータ温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、及び電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データと、ブローオフバルブ１６の故障可能性との関係を学習してある学習モデル１６０（図１６を参照）を用いて、ブローオフバルブ１６の故障を推定する。学習モデル１６０は、例えば制御装置１００の記憶部１０２に記憶される。 In the fourth embodiment, measurement data regarding the motor temperature measured by the temperature sensor S3, the suction temperature of the blower main body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4, and the blow-off valve. A failure of the blow-off valve 16 is estimated using a learning model 160 (see FIG. 16) that has learned the relationship between the 16 failures and the possibility of failure. The learning model 160 is stored, for example, in the storage unit 102 of the control device 100.

図１６は学習モデル１６０の構成例を説明する模式図である。学習モデル１６０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル１６０は、入力層１６１、中間層１６２Ａ，１６２Ｂ、及び出力層１６３を備える。図１６の例では、２つの中間層１６２Ａ，１６２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。 FIG. 16 is a schematic diagram illustrating a configuration example of the learning model 160. The learning model 160 is, for example, a learning model for machine learning including deep learning, and is configured by a neural network. The learning model 160 includes an input layer 161, intermediate layers 162A and 162B, and an output layer 163. In the example of FIG. 16, two intermediate layers 162A and 162B are described, but the number of intermediate layers is not limited to two and may be three or more.

入力層１６１、中間層１６２Ａ，１６２Ｂ、及び出力層１６３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル１６０の入力層１６１には、入力層１６１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層１６１のノードに入力されるデータは、例えば、モータ温度、吸込温度、出力電流の計測データである。 The input layer 161, the intermediate layers 162A, 162B, and the output layer 163 have one or more nodes, and the nodes of each layer are connected to the nodes existing in the previous and next layers in one direction with a desired weight and bias. Has been done. The same number of data as the number of nodes included in the input layer 161 is input to the input layer 161 of the learning model 160. In the present embodiment, the data input to the node of the input layer 161 is, for example, measurement data of the motor temperature, the suction temperature, and the output current.

入力された計測データは、入力層１６１を構成するノードを通じて、最初の中間層１６２Ａが備えるノードへ出力される。最初の中間層１６２Ａに入力されたデータは、中間層１６２Ａを構成するノードを通じて、次の中間層１６２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層１６３による演算結果が得られるまで次々と後の層に伝達される。 The input measurement data is output to the node included in the first intermediate layer 162A through the nodes constituting the input layer 161. The data input to the first intermediate layer 162A is output to the node included in the next intermediate layer 162B through the nodes constituting the intermediate layer 162A. At this time, the output is calculated using the activation function including the weights and biases set between the nodes. Hereinafter, in the same manner, the operation using the activation function including the weight and the bias set between the nodes is executed, and the operation is transmitted to the subsequent layers one after another until the operation result by the output layer 163 is obtained.

ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、計測時にブローオフバルブ１６が故障していたか否かを示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、ブローオフバルブ１６の故障可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。学習モデル１６０の生成は、制御装置１００の内部で行ってもよく、外部サーバで行ってもよい。なお、学習モデル１６０の生成手順は実施の形態１と同様であるため、その説明を省略することとする。 Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, the above-mentioned measurement data and label data indicating whether or not the blow-off valve 16 has failed at the time of measurement are collected as training data, and the measurement data is input using the collected training data. In this case, various parameters including weights and biases between nodes are learned by a predetermined learning algorithm so as to output the calculation result regarding the possibility of failure of the blow-off valve 16. The learning model 160 may be generated inside the control device 100 or may be generated by an external server. Since the procedure for generating the learning model 160 is the same as that in the first embodiment, the description thereof will be omitted.

出力層１６３は、ブローオフバルブ１６の故障可能性に関する演算結果を出力する。例えば、出力層１６３を第１ノードから第３ノードまでの３個のノードにより構成し、第１ノードからブローオフバルブ１６が故障している可能性（確率Ｐ１）を出力し、第２ノードから故障の予兆がある可能性（確率Ｐ２）、第３ノードから故障していない可能性（確率Ｐ３）を出力する。出力層１６３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。 The output layer 163 outputs a calculation result regarding the possibility of failure of the blow-off valve 16. For example, the output layer 163 is composed of three nodes from the first node to the third node, the possibility that the blow-off valve 16 has failed (probability P1) is output from the first node, and the failure occurs from the second node. The possibility that there is a sign of (probability P2) and the possibility that there is no failure from the third node (probability P3) are output. The number of nodes constituting the output layer 163 and the calculation result assigned to each node are not limited to the above examples, and can be appropriately designed.

図１６に示す学習モデル１６０は、モータ温度、吸込温度、出力電流を含む計測データの入力に応じて、ブローオフバルブ１６の故障可能性に関する演算結果を出力する構成としたが、学習モデル１６０における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル１６０は、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度のデータと、出力電流のデータとの入力に応じて、ブローオフバルブ１６の故障可能性に関する演算結果を出力する構成としてもよい。また、学習モデル１６０は、ブロワ１の累積起動回数、累積運転時間、インバータ１１２の出力電流の変化量、ブロワ本体１０の吐出圧力の少なくとも１つを更に含む計測データの入力に応じて、ブローオフバルブ１６の故障可能性に関する演算結果を出力する構成としてもよい。 The learning model 160 shown in FIG. 16 is configured to output the calculation result regarding the possibility of failure of the blow-off valve 16 in response to the input of measurement data including the motor temperature, the suction temperature, and the output current. The output relationship is not limited to the above, and can be set as appropriate. For example, the learning model 160 outputs a calculation result regarding the possibility of failure of the blow-off valve 16 according to the input of the data of the degree of motor temperature rise obtained by subtracting the suction temperature from the motor temperature and the data of the output current. It may be configured to be used. Further, the learning model 160 is a blow-off valve according to the input of measurement data including at least one of the cumulative number of activations of the blower 1, the cumulative operating time, the amount of change in the output current of the inverter 112, and the discharge pressure of the blower main body 10. It may be configured to output the calculation result regarding the possibility of failure of 16.

図１７は学習モデル１６０を用いた推定手順を説明するフローチャートである。制御装置１００の制御部１０１は、記憶部１０２に記憶された状態監視プログラムＰＧ１を実行することにより、以下の処理を行う。 FIG. 17 is a flowchart illustrating an estimation procedure using the learning model 160. The control unit 101 of the control device 100 performs the following processing by executing the condition monitoring program PG1 stored in the storage unit 102.

制御部１０１は、入力部１０３を通じて、温度センサＳ３により計測されるモータ温度、温度センサＳ２により計測されるブロワ本体１０の吸込温度、及び電流センサＳ４により計測されるインバータ１１２の出力電流に関する計測データを取得した場合、取得した計測データを学習モデル１６０へ入力し（ステップＳ４０１）、学習モデル１６０による演算を実行する（ステップＳ４０２）。入力層１６１のノードに与えられたデータは、隣接する中間層１６２Ａのノードへ出力される。中間層１６２Ａではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層１６２Ｂへ出力される。中間層１６２Ｂにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層１６３の各ノードへ出力される。出力層１６３の各ノードは、ブローオフバルブ１６の故障可能性に関する演算結果を出力する。 The control unit 101 passes through the input unit 103 to measure data regarding the motor temperature measured by the temperature sensor S3, the suction temperature of the blower body 10 measured by the temperature sensor S2, and the output current of the inverter 112 measured by the current sensor S4. Is acquired, the acquired measurement data is input to the learning model 160 (step S401), and the calculation by the learning model 160 is executed (step S402). The data given to the node of the input layer 161 is output to the node of the adjacent intermediate layer 162A. In the intermediate layer 162A, an operation using an activation function including weights and biases between nodes is performed, and the operation result is output to the intermediate layer 162B in the subsequent stage. In the intermediate layer 162B, an operation using an activation function including weights and biases between nodes is further performed, and the operation result is output to each node of the output layer 163. Each node of the output layer 163 outputs a calculation result regarding the possibility of failure of the blow-off valve 16.

制御部１０１は、学習モデル１６０の演算結果に基づきブローオフバルブ１６の故障を推定する（ステップＳ４０３）。学習モデル１６０の出力層１６３は各ノードから、ブローオフバルブが故障している可能性、故障の予兆がある可能性、故障していない可能性を確率Ｐ１〜Ｐ３として出力するので、制御部１０１は、これらの確率Ｐ１〜Ｐ３のうち、最も高い確率を出力するノードを特定することにより、ブローオフバルブ１６の故障を推定することができる。 The control unit 101 estimates the failure of the blow-off valve 16 based on the calculation result of the learning model 160 (step S403). Since the output layer 163 of the learning model 160 outputs the possibility that the blow-off valve has failed, the possibility that there is a sign of failure, and the possibility that it has not failed from each node as probabilities P1 to P3, the control unit 101 outputs. By identifying the node that outputs the highest probability among these probabilities P1 to P3, the failure of the blow-off valve 16 can be estimated.

制御部１０１は、推定結果に基づく情報を出力する（ステップＳ４０４）。例えば、制御部１０１は、ブローオフバルブ１６が故障している可能性がある旨の情報、若しくは、ブローオフバルブ１６が近々故障する可能性がある旨の情報を通信部１０５より端末装置２に通知する。また、制御部１０１は、ブローオフバルブ１６が故障している可能性がある旨の情報、若しくは、ブローオフバルブ１６が近々故障する可能性がある旨の情報を表示部１０７に表示させてもよい。なお、制御部１０１は、単発の計測データによる誤判定を避けるために、故障ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、ブローオフバルブ１６が故障している旨の情報を出力してもよく、故障の予兆ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、ブローオフバルブ１６の故障の予兆を検知した旨の情報を出力してもよい。 The control unit 101 outputs information based on the estimation result (step S404). For example, the control unit 101 notifies the terminal device 2 from the communication unit 105 of information that the blow-off valve 16 may be out of order or that the blow-off valve 16 may be out of order in the near future. .. Further, the control unit 101 may display the information that the blow-off valve 16 may have failed or the information that the blow-off valve 16 may have failed in the near future on the display unit 107. In addition, in order to avoid erroneous determination based on single-shot measurement data, the control unit 101 indicates that the blow-off valve 16 has failed only when the number of times estimated to have a failure continues for a predetermined number of times (for example, 10 times) or more. Information may be output, and information indicating that the sign of failure of the blow-off valve 16 has been detected may be output only when the number of times estimated that there is a sign of failure is continuous for a predetermined number of times (for example, 10 times) or more. ..

以上のように、実施の形態４では、深層学習を含む機械学習の学習モデル１６０を用いて、ブローオフバルブ１６の故障を推定し、推定結果に基づく情報を出力することができるので、電磁弁やダイアフラムゴムの交換作業をユーザに促すことができる。 As described above, in the fourth embodiment, the failure of the blow-off valve 16 can be estimated by using the learning model 160 of machine learning including deep learning, and the information based on the estimation result can be output. It is possible to encourage the user to replace the diaphragm rubber.

実施の形態４では、学習モデル１６０を用いてブローオフバルブ１６の故障を推定する構成としたが、この学習モデル１６０によりブローオフバルブ１６の故障が検出されなければ、モータ温度、吸込温度、及び出力電流を含む計測データと、計測時にブローオフバルブ１６が故障していたか否か、故障の予兆を示していたか否かを表すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル１６０を再学習してもよい。 In the fourth embodiment, the failure of the blow-off valve 16 is estimated using the learning model 160. However, if the failure of the blow-off valve 16 is not detected by the learning model 160, the motor temperature, the suction temperature, and the output current are not detected. The measurement data including Model 160 may be retrained.

また、モータ温度上昇度と出力電流との相関はブロワ１の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ１に応じて、個別に学習モデル１６０を設定してもよい。 Further, since it is assumed that the correlation between the degree of motor temperature rise and the output current differs depending on the type of blower 1 and the installation environment, even if the learning model 160 is individually set according to each blower 1. good.

また、実施の形態４では、制御装置１００が学習モデル１６０を備える構成について説明したが、学習モデル１６０は、制御装置１００からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置１００は、モータ温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、学習モデル１６０を用いた演算を外部サーバに実行させ、学習モデル１６０による演算結果を外部サーバから取得してもよい。制御装置１００は、外部サーバから学習モデル１６０による演算結果を取得することにより、ブローオフバルブ１６の故障を推定し、推定結果に基づく情報を出力することができる。 Further, in the fourth embodiment, the configuration in which the control device 100 includes the learning model 160 has been described, but the learning model 160 may be mounted on an external server accessible from the control device 100. In this case, the control device 100 transmits measurement data including the motor temperature, the suction temperature, and the output current to the external server, causes the external server to execute the calculation using the learning model 160, and outputs the calculation result by the learning model 160 to the outside. It may be obtained from the server. The control device 100 can estimate the failure of the blow-off valve 16 and output the information based on the estimation result by acquiring the calculation result by the learning model 160 from the external server.

本実施の形態４では、ニューラルネットワークによって構成される機械学習の学習モデル１６０を用いてブローオフバルブ１６の故障可能性に関する演算結果を取得する構成について説明したが、学習モデル１６０は特定の手法を用いて得られるモデルに限定されるものではなく、上述したような各種学習モデルであってもよい。 In the fourth embodiment, the configuration for acquiring the calculation result regarding the failure possibility of the blow-off valve 16 by using the machine learning learning model 160 configured by the neural network has been described, but the learning model 160 uses a specific method. The model is not limited to the model obtained by the above-mentioned method, and various learning models as described above may be used.

（実施の形態５）
実施の形態５では、流量センサＳ５により計測される吸込ガス量、温度センサＳ２により計測される吸込温度、圧力センサＳ６により計測される吐出圧力、並びにブロワ１の消費電力に基づき、ブロワ効率の低下（ブロワ本体１０の劣化）を推定する構成について説明する。 (Embodiment 5)
In the fifth embodiment, the blower efficiency is lowered based on the suction gas amount measured by the flow rate sensor S5, the suction temperature measured by the temperature sensor S2, the discharge pressure measured by the pressure sensor S6, and the power consumption of the blower 1. A configuration for estimating (deterioration of the blower body 10) will be described.

実施の形態５では、流量センサＳ５により計測される吸込ガス量、温度センサＳ２により計測される吸込温度、圧力センサＳ６により計測される吐出圧力、並びにブロワ１の消費電力に関する計測データと、ブロワ効率の低下（ブロワ本体１０の劣化）との関係を学習してある学習モデル１７０（図１８を参照）を用いて、ブロワ本体１０の劣化を推定する。学習モデル１７０は、例えば制御装置１００の記憶部１０２に記憶される。 In the fifth embodiment, the amount of suction gas measured by the flow rate sensor S5, the suction temperature measured by the temperature sensor S2, the discharge pressure measured by the pressure sensor S6, the measurement data regarding the power consumption of the blower 1, and the blower efficiency. The deterioration of the blower body 10 is estimated by using the learning model 170 (see FIG. 18) which has learned the relationship with the decrease of the blower body 10 (deterioration of the blower body 10). The learning model 170 is stored, for example, in the storage unit 102 of the control device 100.

図１８は学習モデル１７０の構成例を説明する模式図である。学習モデル１７０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル１７０は、入力層１７１、中間層１７２Ａ，１７２Ｂ、及び出力層１７３を備える。図１８の例では、２つの中間層１７２Ａ，１７２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。 FIG. 18 is a schematic diagram illustrating a configuration example of the learning model 170. The learning model 170 is, for example, a learning model for machine learning including deep learning, and is configured by a neural network. The learning model 170 includes an input layer 171, intermediate layers 172A and 172B, and an output layer 173. In the example of FIG. 18, two intermediate layers 172A and 172B are described, but the number of intermediate layers is not limited to two and may be three or more.

入力層１７１、中間層１７２Ａ，１７２Ｂ、及び出力層１７３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル１７０の入力層１７１には、入力層１７１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層１７１のノードに入力されるデータは、吸込ガス量、吸込温度、吐出圧力、消費電力の計測データである。 The input layer 171 and the intermediate layers 172A and 172B, and the output layer 173 have one or more nodes, and the nodes of each layer are connected to the nodes existing in the previous and next layers in one direction with a desired weight and bias. Has been done. The same number of data as the number of nodes included in the input layer 171 is input to the input layer 171 of the learning model 170. In the present embodiment, the data input to the node of the input layer 171 is the measurement data of the suction gas amount, the suction temperature, the discharge pressure, and the power consumption.

入力された計測データは、入力層１７１を構成するノードを通じて、最初の中間層１７２Ａが備えるノードへ出力される。最初の中間層１７２Ａに入力されたデータは、中間層１７２Ａを構成するノードを通じて、次の中間層１７２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層１７３による演算結果が得られるまで次々と後の層に伝達される。 The input measurement data is output to the node included in the first intermediate layer 172A through the nodes constituting the input layer 171. The data input to the first intermediate layer 172A is output to the node included in the next intermediate layer 172B through the nodes constituting the intermediate layer 172A. At this time, the output is calculated using the activation function including the weights and biases set between the nodes. Hereinafter, in the same manner, the calculation using the activation function including the weight and the bias set between the nodes is executed, and the calculation is transmitted to the subsequent layers one after another until the calculation result by the output layer 173 is obtained.

ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、計測時にブロワ効率が低下していたか否かを示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、ブロワ本体１０の劣化可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。学習モデル１７０の生成は、制御装置１００の内部で行ってもよく、外部サーバで行ってもよい。なお、学習モデル１７０の生成手順は実施の形態１と同様であるため、その説明を省略することとする。 Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, when the above-mentioned measurement data and label data indicating whether or not the blower efficiency has decreased at the time of measurement are collected as training data and the measurement data is input using the collected training data. , Various parameters including weights and biases between nodes are learned by a predetermined learning algorithm so as to output the calculation result regarding the deterioration possibility of the blower main body 10. The learning model 170 may be generated inside the control device 100 or may be generated by an external server. Since the procedure for generating the learning model 170 is the same as that in the first embodiment, the description thereof will be omitted.

出力層１７３は、ブロワ本体１０の劣化可能性に関する演算結果を出力する。例えば、出力層１７３を第１ノードから第３ノードまでの３個のノードにより構成し、第１ノードからブロワ本体１０が劣化している可能性（確率Ｐ１）を出力し、第２ノードから劣化の予兆がある可能性（確率Ｐ２）、第３ノードから劣化していない可能性（確率Ｐ３）を出力する。出力層１７３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。 The output layer 173 outputs a calculation result regarding the possibility of deterioration of the blower main body 10. For example, the output layer 173 is composed of three nodes from the first node to the third node, the possibility that the blower main body 10 is deteriorated (probability P1) is output from the first node, and the deterioration is performed from the second node. The possibility that there is a sign of (probability P2) and the possibility that the third node has not deteriorated (probability P3) are output. The number of nodes constituting the output layer 173 and the calculation result assigned to each node are not limited to the above examples, and can be appropriately designed.

図１８に示す学習モデル１７０は、吸込ガス量、吸込温度、吐出圧力、消費電力を含む計測データの入力に応じて、ブロワ本体１０の劣化可能性に関する演算結果を出力する構成としたが、学習モデル１７０における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル１７０は、吸込ガス量、吸込温度、吐出圧力、及び消費電力と、モータ１２の回転数、フィルタ１７における圧力損失、ブロワ１の累積起動回数、累積運転時間の少なくとも１つとを含む計測データの入力に応じて、ブロワ本体１０の劣化可能性に関する演算結果を出力する構成としてもよい。 The learning model 170 shown in FIG. 18 is configured to output the calculation result regarding the deterioration possibility of the blower main body 10 in response to the input of measurement data including the suction gas amount, the suction temperature, the discharge pressure, and the power consumption. The input / output relationship in the model 170 is not limited to the above, and can be set as appropriate. For example, the learning model 170 includes at least one of the suction gas amount, the suction temperature, the discharge pressure, and the power consumption, the rotation speed of the motor 12, the pressure loss in the filter 17, the cumulative number of times the blower 1 is started, and the cumulative operating time. In response to the input of the measurement data, the configuration may be such that the calculation result regarding the deterioration possibility of the blower main body 10 is output.

図１９は学習モデル１７０を用いた推定手順を説明するフローチャートである。制御装置１００の制御部１０１は、記憶部１０２に記憶された状態監視プログラムＰＧ１を実行することにより、以下の処理を行う。 FIG. 19 is a flowchart illustrating an estimation procedure using the learning model 170. The control unit 101 of the control device 100 performs the following processing by executing the condition monitoring program PG1 stored in the storage unit 102.

制御部１０１は、入力部１０３を通じて、流量センサＳ５により計測される吸込ガス量、温度センサＳ２により計測される吸込温度、圧力センサＳ６により計測される吐出圧力、並びにブロワ１の消費電力に関する計測データを取得した場合、取得した計測データを学習モデル１７０へ入力し（ステップＳ５０１）、学習モデル１７０による演算を実行する（ステップＳ５０２）。入力層１７１のノードに与えられたデータは、隣接する中間層１７２Ａのノードへ出力される。中間層１７２Ａではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層１７２Ｂへ出力される。中間層１７２Ｂにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層１７３の各ノードへ出力される。出力層１７３の各ノードは、ブロワ本体１０の劣化可能性に関する演算結果を出力する。 The control unit 101 passes through the input unit 103 to measure the amount of suction gas measured by the flow rate sensor S5, the suction temperature measured by the temperature sensor S2, the discharge pressure measured by the pressure sensor S6, and the power consumption of the blower 1. Is acquired, the acquired measurement data is input to the learning model 170 (step S501), and the calculation by the learning model 170 is executed (step S502). The data given to the node of the input layer 171 is output to the node of the adjacent intermediate layer 172A. In the intermediate layer 172A, an operation using an activation function including weights and biases between nodes is performed, and the operation result is output to the intermediate layer 172B in the subsequent stage. In the intermediate layer 172B, an operation using an activation function including weights and biases between nodes is further performed, and the operation result is output to each node of the output layer 173. Each node of the output layer 173 outputs a calculation result regarding the possibility of deterioration of the blower main body 10.

制御部１０１は、学習モデル１７０の演算結果に基づきブロワ本体１０の劣化を推定する（ステップＳ５０３）。学習モデル１７０の出力層１７３は各ノードから、ブロワ本体１０が劣化している可能性、劣化の予兆がある可能性、劣化していない可能性を確率Ｐ１〜Ｐ３として出力するので、制御部１０１は、これらの確率Ｐ１〜Ｐ３のうち、最も高い確率を出力するノードを特定することにより、ブロワ本体１０の劣化を推定することができる。 The control unit 101 estimates the deterioration of the blower main body 10 based on the calculation result of the learning model 170 (step S503). Since the output layer 173 of the learning model 170 outputs the possibility that the blower main body 10 has deteriorated, the possibility that there is a sign of deterioration, and the possibility that it has not deteriorated from each node as probabilities P1 to P3, the control unit 101 Can estimate the deterioration of the blower main body 10 by specifying the node that outputs the highest probability among these probabilities P1 to P3.

制御部１０１は、推定結果に基づく情報を出力する（ステップＳ５０４）。例えば、制御部１０１は、ブロワ本体１０が劣化している可能性がある旨の情報を通信部１０５より端末装置２に通知する。また、制御部１０１は、ブロワ本体１０が劣化している可能性がある旨の情報を表示部１０７に表示させてもよい。なお、制御部１０１は、単発の計測データによる誤判定を避けるために、劣化ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、ブロワ本体１０が劣化している旨の情報を出力してもよく、劣化の予兆ありと推定した回数が所定回数（例えば１０回）以上連続した場合にのみ、ブロワ本体１０の劣化の予兆を検知した旨の情報を出力してもよい。 The control unit 101 outputs information based on the estimation result (step S504). For example, the control unit 101 notifies the terminal device 2 of information that the blower main body 10 may have deteriorated from the communication unit 105. Further, the control unit 101 may display the information that the blower main body 10 may have deteriorated on the display unit 107. In addition, in order to avoid erroneous determination based on single-shot measurement data, the control unit 101 indicates that the blower main body 10 is deteriorated only when the number of times estimated to be deteriorated is continuous for a predetermined number of times (for example, 10 times) or more. Information may be output, and information indicating that a sign of deterioration of the blower main body 10 has been detected may be output only when the number of times estimated that there is a sign of deterioration is continuous for a predetermined number of times (for example, 10 times) or more. ..

図２０は推定結果の出力例を示す模式図である。図２０は制御装置１００においてブロワ本体１０の劣化を推定した場合に、端末装置２に表示される画面の例を示している。制御装置１００は、ブロワ本体１０の劣化を推定した場合、端末装置２に表示させる画面の画面データを生成し、生成した画面データを通信部１０５より端末装置２へ送信することにより、図２０に示すようなモニタリング画面２００を表示させればよい。モニタリング画面２００は、例えば、ブロワ１の全体図を模式的に表示する表示欄２０１、推定結果を表示する表示欄２０２、各種メニューを表示させるためのメニューボタン２０３Ａ、計測値を表示させるための計測値ボタン２０３Ｂ、計測値の時間推移を示すグラフを表示させるためのグラフ表示ボタン２０３Ｃ、過去のアラート履歴を表示させるためのアラートボタン２０３Ｄなどを備える。 FIG. 20 is a schematic diagram showing an output example of the estimation result. FIG. 20 shows an example of a screen displayed on the terminal device 2 when the deterioration of the blower main body 10 is estimated by the control device 100. When the deterioration of the blower main body 10 is estimated, the control device 100 generates screen data of the screen to be displayed on the terminal device 2, and transmits the generated screen data from the communication unit 105 to the terminal device 2, so that FIG. 20 shows. The monitoring screen 200 as shown may be displayed. The monitoring screen 200 is, for example, a display field 201 that schematically displays an overall view of the blower 1, a display field 202 that displays estimation results, a menu button 203A for displaying various menus, and measurement for displaying measured values. It includes a value button 203B, a graph display button 203C for displaying a graph showing a time transition of measured values, an alert button 203D for displaying a past alert history, and the like.

端末装置２は、制御装置１００から受信する画面データに基づき、例えば、故障又は劣化が生じたと推定するコンポーネントの場所をモニタリング画面２００の表示欄２０１に表示し、故障又は劣化が生じている旨の文字情報やその対処方法などを表示欄２０２に表示すればよい。また、端末装置２は、計測値ボタン２０３Ｂの操作を受付けた場合、表示させるべき計測値（吸込ガス量、吸込温度、吐出圧力、消費電力など）の送信を制御装置１００に要求し、要求に応じて制御装置１００から送信されてくる計測値を受信して表示してもよい。なお、表示させる計測値は、最新の値であってもよく、過去の一定期間の計測値（履歴）であってもよい。また、端末装置２は、グラフ表示ボタン２０３Ｃの操作を受付けた場合、表示させるべきグラフの画面データを制御装置１００に要求し、要求に応じて制御装置１００から送信されてくる画面データを受信してグラフを表示してもよい。 Based on the screen data received from the control device 100, the terminal device 2 displays, for example, the location of the component presumed to have failed or deteriorated in the display field 201 of the monitoring screen 200, indicating that the failure or deterioration has occurred. Character information and its coping method may be displayed in the display field 202. Further, when the terminal device 2 receives the operation of the measurement value button 203B, the terminal device 2 requests the control device 100 to transmit the measurement value (suction gas amount, suction temperature, discharge pressure, power consumption, etc.) to be displayed, and responds to the request. Correspondingly, the measured value transmitted from the control device 100 may be received and displayed. The measured value to be displayed may be the latest value or a measured value (history) for a certain period in the past. Further, when the terminal device 2 receives the operation of the graph display button 203C, the terminal device 2 requests the control device 100 for the screen data of the graph to be displayed, and receives the screen data transmitted from the control device 100 in response to the request. The graph may be displayed.

本実施の形態では、ブロワ本体１０の状態をモニタリング画面２００に表示する例を示したが、モニタリング画面２００に表示する情報は、ブロワ本体１０の状態に限定されるものではない。例えば、実施の形態１で説明した手順により推定される冷却ファン１１３の状態をモニタリング画面２００に表示してもよく、実施の形態３で説明した手順により推定されるブローオフバルブ１６の状態をモニタリング画面２００に表示してもよい。 In the present embodiment, an example of displaying the state of the blower main body 10 on the monitoring screen 200 is shown, but the information displayed on the monitoring screen 200 is not limited to the state of the blower main body 10. For example, the state of the cooling fan 113 estimated by the procedure described in the first embodiment may be displayed on the monitoring screen 200, and the state of the blow-off valve 16 estimated by the procedure described in the third embodiment may be displayed on the monitoring screen. It may be displayed at 200.

また、本実施の形態では、制御装置１００において画面データを生成し、生成した画面データを端末装置２へ送信することによって、モニタリング画面２００等を端末装置２に表示させる構成としたが、モニタリング画面２００等の表示に必要なデータを制御装置１００から端末装置２へ送信し、端末装置２にて受信したデータに基づき画面データを生成し、モニタリング画面２００等を表示してもよい。 Further, in the present embodiment, the control device 100 generates screen data, and the generated screen data is transmitted to the terminal device 2, so that the monitoring screen 200 and the like are displayed on the terminal device 2. Data necessary for displaying the 200 or the like may be transmitted from the control device 100 to the terminal device 2, screen data may be generated based on the data received by the terminal device 2, and the monitoring screen 200 or the like may be displayed.

また、本実施の形態では、端末装置２にモニタリング画面２００等を表示させる構成としたが、制御装置１００の表示部１０７に表示させてもよい。 Further, in the present embodiment, the terminal device 2 is configured to display the monitoring screen 200 and the like, but the display unit 107 of the control device 100 may be displayed.

以上のように、実施の形態５では、深層学習を含む機械学習の学習モデル１７０を用いて、ブロワ本体１０の劣化を推定し、推定結果に基づく情報を出力することができるので、例えばインペラ１１の清掃作業をユーザに促し、ブロワ効率の低下を抑えることができる。 As described above, in the fifth embodiment, the deterioration of the blower main body 10 can be estimated by using the learning model 170 of machine learning including deep learning, and the information based on the estimation result can be output. Therefore, for example, the impeller 11 It is possible to encourage the user to perform the cleaning work and suppress the decrease in blower efficiency.

実施の形態５では、学習モデル１７０を用いてブロワ本体１０の劣化を推定する構成としたが、この学習モデル１７０によりブロワ本体１０の劣化が検出されなければ、吸込ガス量、吸込温度、吐出圧力、及び消費電力を含む計測データと、計測時にブロワ効率が低下していたか否かを示すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル１７０を再学習してもよい。 In the fifth embodiment, the learning model 170 is used to estimate the deterioration of the blower main body 10, but if the learning model 170 does not detect the deterioration of the blower main body 10, the suction gas amount, the suction temperature, and the discharge pressure are not detected. , And the measurement data including the power consumption and the label data indicating whether or not the blower efficiency was reduced at the time of measurement are reacquired as training data, and the learning model 170 is retrained based on the reacquired training data. May be good.

また、ブロワ効率はブロワ１の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ１に応じて、個別に学習モデル１７０を設定してもよい。 Further, since the blower efficiency is expected to differ depending on the type of the blower 1, the installation environment, and the like, the learning model 170 may be set individually according to the individual blowers 1.

また、実施の形態５では、制御装置１００が学習モデル１７０を備える構成について説明したが、学習モデル１７０は、制御装置１００からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置１００は、吸込ガス量、吸込温度、吐出圧力、及び消費電力を含む計測データを外部サーバへ送信し、学習モデル１７０を用いた演算を外部サーバに実行させ、学習モデル１７０による演算結果を外部サーバから取得してもよい。制御装置１００は、外部サーバから学習モデル１７０による演算結果を取得することにより、ブロワ本体１０の劣化を推定し、推定結果に基づく情報を出力することができる。 Further, in the fifth embodiment, the configuration in which the control device 100 includes the learning model 170 has been described, but the learning model 170 may be mounted on an external server accessible from the control device 100. In this case, the control device 100 transmits measurement data including the suction gas amount, the suction temperature, the discharge pressure, and the power consumption to the external server, causes the external server to execute the calculation using the learning model 170, and uses the learning model 170. The calculation result may be acquired from an external server. By acquiring the calculation result by the learning model 170 from the external server, the control device 100 can estimate the deterioration of the blower main body 10 and output the information based on the estimation result.

本実施の形態４では、ニューラルネットワークによって構成される機械学習の学習モデル１７０を用いてブロワ本体１０の劣化可能性に関する演算結果を取得する構成について説明したが、学習モデル１７０は特定の手法を用いて得られるモデルに限定されるものではなく、上述したような各種学習モデルであってもよい。 In the fourth embodiment, the configuration for acquiring the calculation result regarding the deterioration possibility of the blower main body 10 by using the learning model 170 of machine learning configured by the neural network has been described, but the learning model 170 uses a specific method. The model is not limited to the model obtained by the above-mentioned method, and various learning models as described above may be used.

１ ブロワ
２ 端末装置
１０ ブロワ本体
１１ インペラ
１２ モータ
１３ 吸込口
１４ 吐出路
１５ バイパス路
１６ ブローオフバルブ
１７ フィルタ
１００ 制御装置
１０１ 制御部
１０２ 記憶部
１０３ 入力部
１０４ 出力部
１０５ 通信部
１０６ 操作部
１０７ 表示部
１５０，１６０，１７０ 学習モデル
ＰＧ１ 状態監視プログラム
Ｓ１，Ｓ２，Ｓ３ 温度センサ
Ｓ４ 電流センサ
Ｓ５ 流量センサ
Ｓ６ 圧力センサ 1 Blower 2 Terminal device 10 Blower body 11 Impeller 12 Motor 13 Suction port 14 Discharge path 15 Bypass path 16 Blow-off valve 17 Filter 100 Control device 101 Control unit 102 Storage unit 103 Input unit 104 Output unit 105 Communication unit 106 Operation unit 107 Display unit 150, 160, 170 Learning model PG1 Status monitoring program S1, S2, S3 Temperature sensor S4 Current sensor S5 Flow sensor S6 Pressure sensor

Claims (13)

コンピュータに、
インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、及び前記モータの駆動電力を供給する駆動装置を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得し、
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する
処理を実行させるためのコンピュータプログラム。 On the computer
At least two types of measurement data measured with respect to the blower are acquired from a blower body including an impeller, a blower body including a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor.
A computer program for executing a process of estimating a failure or deterioration of a component constituting the blower based on the acquired measurement data. 前記計測データは、前記駆動装置の温度、前記ブロワ本体における吸込温度、及び前記駆動装置が備えるインバータの出力電流を含み、
前記コンピュータに、
前記駆動装置の温度から前記吸込温度を減算することにより得られる前記駆動装置の温度上昇度と、前記出力電流との相関に基づき、前記駆動装置を冷却する冷却ファンの故障を推定する
処理を実行させるための請求項１に記載のコンピュータプログラム。 The measurement data includes the temperature of the drive device, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
Based on the correlation between the temperature rise of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and the output current, a process of estimating the failure of the cooling fan that cools the drive device is executed. The computer program according to claim 1. 前記計測データは、前記駆動装置の温度、前記ブロワ本体における吸込温度、及び前記駆動装置が備えるインバータの出力電流を含み、
前記コンピュータに、
前記駆動装置の温度上昇度に関するデータと、前記出力電流のデータとが入力された場合、前記駆動装置を冷却する冷却ファンが故障する可能性に係るデータを出力するよう構成された学習モデルを用いて、前記冷却ファンの故障を推定する
処理を実行させるための請求項１に記載のコンピュータプログラム。 The measurement data includes the temperature of the drive device, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
When data on the degree of temperature rise of the drive device and data on the output current are input, a learning model configured to output data on the possibility that the cooling fan that cools the drive device will fail is used. The computer program according to claim 1, wherein the process of estimating the failure of the cooling fan is executed. 前記計測データは、前記モータの温度、前記ブロワ本体における吸込温度、及び前記駆動装置が備えるインバータの出力電流を含み、
前記コンピュータに、
前記モータの温度から前記吸込温度を減算することにより得られる前記モータの温度上昇度と、前記出力電流との相関に基づき、前記ブロワ本体が圧送するガスの一部を外部へ放出するためのブローオフバルブの故障を推定する
処理を実行させるための請求項１に記載のコンピュータプログラム。 The measurement data includes the temperature of the motor, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
Blow-off for releasing a part of the gas pumped by the blower body to the outside based on the correlation between the temperature rise of the motor obtained by subtracting the suction temperature from the temperature of the motor and the output current. The computer program according to claim 1, wherein a process for estimating a valve failure is executed. 前記計測データは、前記モータの温度、前記ブロワ本体における吸込温度、及び前記駆動装置が備えるインバータの出力電流を含み、
前記コンピュータに、
前記モータの温度上昇度に関するデータと、前記出力電流のデータとが入力された場合、記ブロワ本体が圧送するガスの一部を外部へ放出するためのブローオフバルブが故障する可能性に係るデータを出力するよう構成された学習モデルを用いて、前記ブローオフバルブの故障を推定する
処理を実行させるための請求項１に記載のコンピュータプログラム。 The measurement data includes the temperature of the motor, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
When the data on the temperature rise of the motor and the data on the output current are input, the data on the possibility that the blow-off valve for discharging a part of the gas pumped by the blower body to the outside may break down. The computer program according to claim 1, wherein a process of estimating a failure of the blow-off valve is executed by using a learning model configured to output. 前記計測データは、前記ブロワの累積起動回数及び累積運転時間の少なくとも１つを更に含み、
累積起動回数及び累積運転時間の少なくとも１つを更に含むデータを用いて、前記計測データの相関を示す関係式又は前記計測データに対する学習モデルを学習してある
請求項２から請求項５の何れか１つに記載のコンピュータプログラム。 The measurement data further includes at least one of the cumulative number of activations and the cumulative operating time of the blower.
Any of claims 2 to 5 in which a relational expression showing a correlation of the measurement data or a learning model for the measurement data is trained using data further including at least one of the cumulative number of activations and the cumulative operation time. The computer program described in one. 前記出力電流の変化量、及び前記ブロワ本体の吐出圧力の少なくとも一方を示すデータを更に用いて、前記計測データの相関を示す関係式又は前記計測データに対する学習モデルを学習してある
請求項２から請求項６の何れか１つに記載のコンピュータプログラム。 From claim 2, the relational expression showing the correlation of the measurement data or the learning model for the measurement data is learned by further using the data indicating at least one of the change amount of the output current and the discharge pressure of the blower main body. The computer program according to any one of claims 6. 前記計測データは、前記ブロワ本体の吸込ガス量、吸込温度、及び吐出圧力、並びに、前記ブロワの消費電力を含み、
前記コンピュータに、
前記計測データが入力された場合、ブロワ効率に係るデータを出力するよう構成された学習モデルを用いて、前記ブロワ本体の劣化を推定する
処理を実行させるための請求項１に記載のコンピュータプログラム。 The measurement data includes the suction gas amount, the suction temperature, and the discharge pressure of the blower body, and the power consumption of the blower.
On the computer
The computer program according to claim 1, wherein when the measurement data is input, a process of estimating deterioration of the blower main body is executed by using a learning model configured to output data related to the blower efficiency. 前記計測データは、前記モータの回転速度、前記ブロワが備えるフィルタにおける圧力損失、並びに、前記ブロワの累積起動回数及び累積運転時間の少なくとも１つを更に含み、
前記コンピュータに、
前記モータの回転速度、前記フィルタにおける圧力損失、前記ブロワの累積起動回数及び累積運転時間の少なくとも１つを更に含むデータが入力された場合、ブロワ効率に係るデータを出力するよう構成された学習モデルを用いて、前記ブロワ本体の劣化を推定する
処理を実行させるための請求項８に記載のコンピュータプログラム。 The measurement data further includes at least one of the rotation speed of the motor, the pressure loss in the filter included in the blower, and the cumulative number of times the blower is started and the cumulative operating time.
On the computer
A learning model configured to output data related to blower efficiency when data further including at least one of the rotation speed of the motor, the pressure loss in the filter, the cumulative number of activations of the blower, and the cumulative operating time is input. The computer program according to claim 8, wherein the process of estimating the deterioration of the blower main body is executed by using the above. 前記コンポーネントが故障又は劣化したか否かの推定基準を個々のブロワに対して個別に設定してある
請求項１から請求項９の何れか１つに記載のコンピュータプログラム。 The computer program according to any one of claims 1 to 9, wherein an estimation criterion for whether or not the component has failed or deteriorated is individually set for each blower. 前記コンピュータに、
再取得した計測データと、前記コンポーネントが故障又は劣化したか否かを示すラベルデータとを用いて、前記計測データの相関を示す関係式又は前記計測データに対する学習モデルを再学習する
処理を実行させるための請求項１から請求項１０の何れか１つに記載のコンピュータプログラム。 On the computer
Using the reacquired measurement data and label data indicating whether or not the component has failed or deteriorated, a process of relearning a relational expression showing the correlation of the measurement data or a training model for the measurement data is executed. The computer program according to any one of claims 1 to 10. コンピュータを用いて、
インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、及び前記モータの駆動電力を供給する駆動装置を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得し、
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定し、
推定結果に基づく情報を出力する
処理を実行するブロワの状態監視方法。 Using a computer
At least two types of measurement data measured with respect to the blower are acquired from a blower body including an impeller, a blower body including a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor.
Based on the acquired measurement data, the failure or deterioration of the components that make up the blower is estimated, and
A blower status monitoring method that executes processing that outputs information based on the estimation results. インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、及び前記モータの駆動電力を供給する駆動装置を含むブロワから、該ブロワに関して計測される少なくとも２種類の計測データを取得する取得部と、
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する推定部と、
該推定部による推定結果に基づく情報を出力する出力部と
を備えるブロワの状態監視装置。 An acquisition unit that acquires at least two types of measurement data measured with respect to the blower from a blower main body including an impeller, a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor. ,
Based on the acquired measurement data, an estimation unit that estimates the failure or deterioration of the components that make up the blower, and an estimation unit.
A blower condition monitoring device including an output unit that outputs information based on the estimation result by the estimation unit.
JP2020063659A 2020-03-31 2020-03-31 Computer program, blower condition monitoring method, and blower condition monitoring device Active JP7349400B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020063659A JP7349400B2 (en) 2020-03-31 2020-03-31 Computer program, blower condition monitoring method, and blower condition monitoring device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020063659A JP7349400B2 (en) 2020-03-31 2020-03-31 Computer program, blower condition monitoring method, and blower condition monitoring device

Publications (2)

Publication Number Publication Date
JP2021161933A true JP2021161933A (en) 2021-10-11
JP7349400B2 JP7349400B2 (en) 2023-09-22

Family

ID=78002925

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020063659A Active JP7349400B2 (en) 2020-03-31 2020-03-31 Computer program, blower condition monitoring method, and blower condition monitoring device

Country Status (1)

Country Link
JP (1) JP7349400B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022091888A1 (en) * 2020-10-27 2022-05-05 新明和工業株式会社 State-monitoring system, state-monitoring device, state-monitoring method, and computer program
CN116335977A (en) * 2023-03-31 2023-06-27 苏州瑞波机械有限公司 Axial flow fan, control method and storage medium

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005009337A (en) * 2003-06-17 2005-01-13 Ebara Corp Diagnostic system for vacuum pump
US20070153443A1 (en) * 2005-12-31 2007-07-05 Lucent Technologies, Inc. Method and apparatus for preemptively detecting fan failure in an electronic system
JP2012067611A (en) * 2010-09-21 2012-04-05 Nec Computertechno Ltd Fan inspection device, blower, device with fan, and fan failure predicting method
CN103195727A (en) * 2013-03-05 2013-07-10 天津理工大学 Device for on-line monitoring and evaluating state of air blower
JP2018107934A (en) * 2016-12-27 2018-07-05 日本電産株式会社 Motor life estimation method, motor control system, blower system, and multicopter system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005009337A (en) * 2003-06-17 2005-01-13 Ebara Corp Diagnostic system for vacuum pump
US20070153443A1 (en) * 2005-12-31 2007-07-05 Lucent Technologies, Inc. Method and apparatus for preemptively detecting fan failure in an electronic system
JP2012067611A (en) * 2010-09-21 2012-04-05 Nec Computertechno Ltd Fan inspection device, blower, device with fan, and fan failure predicting method
CN103195727A (en) * 2013-03-05 2013-07-10 天津理工大学 Device for on-line monitoring and evaluating state of air blower
JP2018107934A (en) * 2016-12-27 2018-07-05 日本電産株式会社 Motor life estimation method, motor control system, blower system, and multicopter system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022091888A1 (en) * 2020-10-27 2022-05-05 新明和工業株式会社 State-monitoring system, state-monitoring device, state-monitoring method, and computer program
CN116335977A (en) * 2023-03-31 2023-06-27 苏州瑞波机械有限公司 Axial flow fan, control method and storage medium
CN116335977B (en) * 2023-03-31 2023-12-29 苏州瑞波机械有限公司 Axial flow fan, control method and storage medium

Also Published As

Publication number Publication date
JP7349400B2 (en) 2023-09-22

Similar Documents

Publication Publication Date Title
JP7349400B2 (en) Computer program, blower condition monitoring method, and blower condition monitoring device
EP2681496B1 (en) Spm fault detection and diagnostics algorithm
JP4832609B1 (en) Abnormal sign diagnosis device and abnormality sign diagnosis method
JP5820375B2 (en) Method and apparatus for efficiently adjusting a data center cooling unit
US20180247256A1 (en) Inventory management system having functions of performing inventory management and preventive maintenance
US10519960B2 (en) Fan failure detection and reporting
US10691528B1 (en) Automatic repair of computing devices in a data center
CN114109832B (en) Information processing apparatus
JP7036697B2 (en) Monitoring system and monitoring method
JP5480440B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
JP5722720B2 (en) Sensor node, device monitoring system, and low battery level notification method
CN105466707B (en) Method, system and computer program for fault detection in a machine
CN111287951B (en) Detection device, detection method, and computer-readable non-transitory storage medium
JP5287841B2 (en) Fan control device, fan control method, and fan control program
CN106574614A (en) Compressor
JP2021189796A (en) Information processor, information processing method, and computer program
WO2019124367A1 (en) Unit space generating device, plant diagnosing system, unit space generating method, plant diagnosing method, and program
JP2020051718A (en) Humidifying device
JP2021163158A (en) Computer program, method of generating learning model, state monitoring method for gas filter, and state monitoring device for gas filter
JP7499347B2 (en) Condition monitoring system, condition monitoring device, condition monitoring method, and computer program
JPWO2019043861A1 (en) Monitoring device, monitoring method, program
TW202212703A (en) Pump monitoring apparatus, vacuum pump, pump monitoring method, and storage medium storing pump monitoring program
JP7229018B2 (en) Unsoundness prediction device, unsoundness prediction method, program, and computer-readable recording medium
JP7137592B2 (en) Deterioration diagnosis system, deterioration diagnosis device and deterioration diagnosis program
WO2024047996A1 (en) Prediction system, prediction method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221013

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230530

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230613

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230808

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230905

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230911

R150 Certificate of patent or registration of utility model

Ref document number: 7349400

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150