JP7007715B2 - 状態判定装置、貨幣処理機状態判定システム、状態判定方法及びプログラム - Google Patents

Description

本発明は、状態判定装置、貨幣処理機状態判定システム、状態判定方法及びプログラムに関する。

貨幣処理機におけるエラー対策として、エラーの要因を除去する仕組みを設ける方法がある。
例えば、特許文献１には、硬貨通路の入口部にジャム硬貨排除機構を備える硬貨処理機が開示されている。この硬貨処理機では、回転円盤の周縁部に硬貨通路の入口部が位置するように回転円盤および硬貨通路が配置されている。回転円盤上の硬貨は、回転円盤が回転する遠心力で硬貨通路へ順次送り出される。

ここで、貨幣通路の入口部には、複数枚の硬貨が重なった状態で硬貨通路に進入することを防止するための厚み規制部材が設けられている。厚み規制部材と回転円盤との間に複数の硬貨がくさび状に重なって一度に入り込んだ場合など、貨幣通路の入口部でジャムが生じる可能性がある。
そこで、この貨幣処理機では、貨幣通路の入口部にジャム硬貨排除機構を設け、硬貨がつかえたことを検出するとその硬貨を排除する。これにより、この貨幣処理機では、貨幣通路の入口部に硬貨がつかえた場合に、エラーを発生させてつかえた硬貨を人手で排除する必要なしに、自動的に排除することができる。

特開平６－４４４３３号公報

貨幣処理機におけるもう１つのエラー対策として、貨幣処理機内部のクリーニングおよび部品交換など貨幣処理機のメンテナンスを行う方法がある。貨幣処理機など機器のメンテナンスが、定期的に行われることが一般的であるのに対し、機器内の汚れまたは部品の消耗等によるエラーの発生頻度は機器の使用状況に依存する。一旦エラーが発生すると、エラーを解消するまで機器を使用できないといった不都合が生じるため、エラー発生前にメンテナンスを行ってエラーの要因を解消できることが好ましい。

エラー発生前にメンテナンスを行うために、貨幣処理機の状態を判定することが考えられる。貨幣処理機の状態がわかれば、ユーザや保守員はその状態に基づいてメンテナンスの要否を判断することができる。しかしながら、貨幣処理機から得られる膨大なセンサデータを解析して、貨幣処理機の状態を判定することは困難である。

本発明は、貨幣処理機の状態を精度よく判定することができる状態判定装置、貨幣処理機状態判定システム、状態判定方法及びプログラムを提供する。

本発明の第１の態様によれば、状態判定装置は、貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部とを備え、前記記憶部は、貨幣の金種毎に前記モデルを記憶し、前記状態判定部は、貨幣の金種毎に異常の有無を判定する。

前記状態判定部は、前記貨幣の金種毎のモデルからの出力値をもとに複数の金種の貨幣全体について前記貨幣処理機の異常の有無を判定するようにしてもよい。

本発明の第２の態様によれば、状態判定装置は、貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部と、前記貨幣処理機でエラーが発生した場合、前記エラーが発生した貨幣処理機のセンサによる測定で得られたセンサデータのうち、エラー発生から過去の第１期間におけるセンサデータに基づく学習用データを異常時の学習用データとし、前記第１期間よりも過去の第２期間におけるセンサデータに基づく学習用データを正常時の学習用データとして機械学習を行うことで、前記センサによる測定で得られたセンサデータの入力に対して前記貨幣処理機の異常の度合いの判定値を出力するモデルを更新する機械学習処理部とを備える。
前記第１期間および前記第２期間の何れも、前記貨幣処理機における貨幣搬送枚数で特定される期間であってもよい。

前記モデルを用いて前記貨幣処理機に対するメンテナンスを促す報知の要否を判定する報知処理部と、前記報知処理部が前記報知の必要ありと判定した場合、当該報知を出力する出力部と、を備えるようにしてもよい。

前記モデルを用いて前記貨幣処理機における異常の有無を判定する状態判定部を備え、前記機械学習処理部は、前記貨幣処理機でエラーが発生し、かつ、前記状態判定部が前記貨幣処理機における異常無しと判定した場合に、前記モデルの更新を行うようにしてもよい。

本発明の第３の態様によれば、貨幣処理機状態判定システムは、状態判定装置と貨幣処理機とを備え、前記状態判定装置は、貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部とを備え、前記記憶部は、貨幣の金種毎に前記モデルを記憶し、前記状態判定部は、貨幣の金種毎に異常の有無を判定する。

本発明の第４の態様によれば、状態判定方法は、貨幣処理機の状態を判定する状態判定装置における状態判定方法であって、前記状態判定装置は、貨幣処理機における貨幣の搬送に関するセンサデータを取得する工程と、得られたセンサデータと、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力する金種毎のモデルとを用いて、前記貨幣処理機の状態を金種毎に判定する工程とを含む。

本発明の第５態様によれば、プログラムは、コンピュータに、貨幣処理機における貨幣の搬送に関するセンサデータを取得する工程と、得られたセンサデータと、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力する金種毎のモデルとを用いて、前記貨幣処理機の状態を金種毎に判定する工程とを実行させるためのプログラムである。

本発明によれば、貨幣処理機の状態を精度よく判定することができる。

本発明の第一実施形態に係る貨幣処理機状態判定システムの機能構成を示す概略ブロック図である。 同実施形態に係る硬貨の搬送経路におけるセンサの設置例を示す図である。 同実施形態に係る状態判定装置がモデルの学習に用いる学習用データのデータ構造例を示す図である。 同実施形態に係るモデル記憶部が記憶するモデルの例を示す図である。 同実施形態で追加学習時の学習用データに対する貨幣処理機の状態の決定方法の例を示す図である。 同実施形態に係る機械学習処理部が行う前処理の手順の例を示すフローチャートである。 同実施形態に係る機械学習処理部が初期のモデルを生成する処理手順の例を示すフローチャートである。 同実施形態に係る機械学習処理部が追加学習を行う処理手順の例を示すフローチャートである。 同実施形態に係る状態判定装置が報知の要否および追加学習の要否を判定する処理手順の例を示すフローチャートである。 本発明の第二実施形態に係る貨幣処理機状態判定システムの機能構成を示す概略ブロック図である。

以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

＜第一実施形態＞
図１は、本発明の第一実施形態に係る貨幣処理機状態判定システムの機能構成を示す概略ブロック図である。図１に示すように、貨幣処理機状態判定システム１は、貨幣処理機１００と、状態判定装置２００とを備える。貨幣処理機１００は、貨幣処理側通信部１１０と、貨幣処理部１２０と、貨幣処理側記憶部１８０と、貨幣処理側制御部１９０とを備える。貨幣処理側記憶部１８０は、センサ情報記憶部１８１と、金種情報記憶部１８２と、エラー情報記憶部１８３と、保守情報記憶部１８４とを備える。状態判定装置２００は、サーバ側通信部２１０と、出力部２２０と、サーバ側記憶部２８０と、サーバ側制御部２９０とを備える。サーバ側記憶部２８０は、モデル記憶部２８１を備える。サーバ側制御部２９０は、機械学習処理部２９１と、状態判定部２９２と、報知処理部２９３とを備える。
また、貨幣処理機１００と状態判定装置２００とは通信ネットワーク９００を介して通信接続する。状態判定装置２００と通信接続する貨幣処理機１００の数は１台以上であればよい。

通信ネットワーク９００は、貨幣処理機１００と状態判定装置２００との通信を仲介する。通信ネットワーク９００としていろいろな通信ネットワークを用いることができる。例えば、通信ネットワーク９００としてインターネットまたは電話回線、あるいはこれらの組合せを用いるようにしてもよい。あるいは、通信ネットワーク９００として貨幣処理機状態判定システム１専用の通信ネットワークを構築するようにしてもよい。

貨幣処理機状態判定システム１は、貨幣の処理、および、貨幣の処理を実行する貨幣処理機１００の状態管理を行う。
貨幣処理機１００は、貨幣の処理を行う。以下では、貨幣処理機１００が硬貨包装機である場合を例に説明するが、これに限定されない。貨幣処理機１００として、例えば入出金機または紙幣硬貨計数機など、貨幣の処理を行い、貨幣の処理に関するエラー（貨幣の詰まり、搬送不良等）が発生する場合があり、かつ、貨幣の処理に関するメンテナンスが行われるいろいろな機器を用いることができる。

貨幣処理側通信部１１０は、他の機器と通信を行う。特に、貨幣処理側通信部１１０は、通信ネットワーク９００を介して状態判定装置２００のサーバ側通信部２１０と通信接続する。
貨幣処理部１２０は、貨幣の処理を実行する。例えば、貨幣処理機１００が硬貨包装機である場合、貨幣処理部１２０は、硬貨の投入を受け、投入された硬貨のうち指定された硬貨を選別し、選別した硬貨を５０枚ずつ包装して棒金を生成する。
貨幣処理部１２０はセンサを備えている。状態判定装置２００の機械学習処理部２９１は、貨幣処理部１２０のセンサによるセンサ値に基づいて機械学習を行うことで、貨幣処理機１００のメンテナンスの要否判定用のモデルを生成し更新する。貨幣処理部１２０が備えるセンサについて、図２を参照して硬貨の搬送経路の場合を例に説明する。

図２は、硬貨の搬送経路におけるセンサの設置例を示す図である。貨幣処理機１００は、投入された硬貨を１枚ずつ搬送経路１２１へ送出する。貨幣処理機１００が硬貨包装機である場合、搬送経路１２１では、入口１２２側から１枚ずつ硬貨の挿入を受け、硬貨の金種を判定し、硬貨でないと判定した物を排除し、包装対象の硬貨を選別し、包装対象の硬貨が５０枚（包装分の枚数）に達すると、包装が完了するまで次の硬貨を通さない。ここでいう硬貨は、１円、５円、１０円、５０円、１００円および５００円の６金種の硬貨である。貨幣処理機状態判定システム１は、これら６金種の硬貨以外のコインを硬貨でない物として扱う。

図２の構成で、選別モジュール１２３が、選別モジュール１２３自らを通過するものが硬貨か否か、および、硬貨である場合は硬貨の金種を判定する。
停止タイミングセンサ１３１は、発光部１３１ａと受光部１３１ｂとを備え、発光部１３１ａからの光が受光部１３１ｂに到達するか否かで、硬貨の通過の有無を検出する。これにより、停止タイミングセンサ１３１は、包装対象の硬貨が包装分の枚数に達した場合に次の硬貨を止めるタイミングを検出する。

例えば、搬送経路１２１上で停止タイミングセンサ１３１の近傍かつ上流（入口１２２側）に、硬貨を停止させるための機構を設けておく。停止タイミングセンサ１３１が、包装対象の硬貨の５０枚目の通過を検出すると、この機構が動作して次の硬貨を通過させなくなる。
停止タイミングセンサ１３１は、特定の種類のセンサに限定されず、停止タイミングセンサ１３１自らの領域を通過する硬貨の有無を検出できるものであればよい。ここでいうセンサの領域は、センサが硬貨等の通過物を検出可能な位置である。

排除タイミングセンサ１３２は、硬貨でないと判定された物を排除するタイミングを検出する。排除タイミングセンサ１３２が、硬貨でないと判定された物が排除タイミングセンサ１３２自らに到達したことを検出すると、排除口１２４が開口する。これにより、硬貨でないと判定された物は、排除口１２４から搬送経路１２１の外へ排除される。
排除タイミングセンサ１３２は、排除タイミングセンサ左１３２ａと、排除タイミングセンサ右１３２ｂとの組み合わせで構成されている。排除タイミングセンサ左１３２ａ、排除タイミングセンサ右１３２ｂの各々は、光センサを用いて構成され、センサ自らの領域を通過する物の有無を検出する。検出漏れを防ぐために、排除タイミングセンサ左１３２ａと排除タイミングセンサ右１３２ｂとが、搬送経路１２１の幅方向（通貨の進行方向に対して直角方向）に並んで配置されている。
排除タイミングセンサ１３２は、特定の種類のセンサに限定されず、排除タイミングセンサ１３２自らの領域を通過する硬貨の有無を検出できるものであればよい。

選別タイミングセンサ１３３は、包装対象の硬貨を選別するタイミングを検出する。選別タイミングセンサ１３３が、包装対象以外の硬貨と判定された硬貨が選別タイミングセンサ１３３自らに到達したことを検出すると、選別口１２５が開口する。これにより、包装対象以外の硬貨が選別口１２５から搬送経路１２１の外へ排出される。一方、包装対象の硬貨と判定された硬貨が選別タイミングセンサ１３３に到達しても選別口１２５は閉じたままである。これにより、包装対象の硬貨は、搬送経路１２１の下流側へ送出され、５０枚毎に纏められて包装される。

選別タイミングセンサ１３３は、選別タイミングセンサ左１３３ａと、選別タイミングセンサ右１３３ｂとの組み合わせで構成されている。選別タイミングセンサ左１３３ａ、選別タイミングセンサ右１３３ｂの各々は、光センサを用いて構成され、センサ自らの領域を通過する物の有無を検出する。検出漏れを防ぐために、選別タイミングセンサ左１３３ａと選別タイミングセンサ右１３３ｂとが、搬送経路１２１の幅方向に並んで配置されている。
選別タイミングセンサ１３３は、特定の種類のセンサに限定されず、選別タイミングセンサ１３３自らの領域を通過する硬貨の有無を検出できるものであればよい。
停止タイミングセンサ１３１と、排除タイミングセンサ１３２と、選別タイミングセンサ１３３とを総称して、センサ１３０と表記する。

状態判定装置２００の機械学習処理部２９１が学習に用いるセンサデータは、センサ値（センサ１３０による測定値）そのものであってもよいし、センサの測定結果に基づく演算で得られるものであってもよい。
図２のように、機械学習処理部２９１が、貨幣処理機１００に本来設置されるセンサを用いて学習を行うことで、学習用に別途センサを用いる必要がない。この点で、貨幣処理機１００のハードウェア構成が複雑にならずに済む。
機械学習処理部２９１が学習に用いるセンサは、特定のものに限定されず、貨幣処理機１００の異常の有無に応じたセンサデータを得られるものであればよい。

図３は、状態判定装置２００がモデルの学習に用いる学習用データのデータ構造例を示す図である。
図３の例で、学習用データは、モデルへの入力データを示す「入力」欄と、モデルからの出力データを示す「出力」欄とを含んで構成される。「入力」欄の各値は、値のレンジ（とり得る最大値および最小値の大きさ）が学習に影響することを避けるため、０～１の範囲に正規化されている。

「入力」欄の「第１区間ｕｐ」欄には、停止タイミングセンサ１３１のセンサ値が立ち上がってから、排除タイミングセンサ１３２のセンサ値が立ち上がるまでの時間（を正規化した値）が格納される。ここでいうセンサ値の立ち上がりは、硬貨がセンサの領域に到達してセンサが硬貨を検出するようになることである。センサ値の立ち下がりは、硬貨がセンサの領域を通り過ぎてセンサが硬貨を検出しなくなることである。「第１区間」は、停止タイミングセンサ１３１から排除タイミングセンサ１３２までの区間を示す。「ｕｐ」は、センサ値の立ちあがりを示す。
「第２区間ｕｐ」欄には、排除タイミングセンサ１３２のセンサ値が立ち上がってから、選別タイミングセンサ１３３のセンサ値が立ち上がるまでの時間（を正規化した値）が格納される。「第２区間」は、排除タイミングセンサ１３２から選別タイミングセンサ１３３までの区間を示す。

「第１区間ｄｏｗｎ」欄には、停止タイミングセンサ１３１のセンサ値が立ち下がってから、排除タイミングセンサ１３２のセンサ値が立ち下がるまでの時間（を正規化した値）が格納される。「ｄｏｗｎ」は、センサ値の立ち下がりを示す。
「第２区間ｄｏｗｎ」欄には、排除タイミングセンサ１３２のセンサ値が立ち下がってから、選別タイミングセンサ１３３のセンサ値が立ち下がるまでの時間（を正規化した値）が格納される。

「１３１滞留」欄には、停止タイミングセンサ１３１のセンサ値が立ち上がってから、停止タイミングセンサ１３１のセンサ値が立ち下がるまでの時間（を正規化した値）が格納される。ここで、硬貨がセンサの領域に位置することを、硬貨がセンサに滞留すると称する。「１３１滞留」欄の値は、硬貨が停止タイミングセンサ１３１に滞留した時間を示す。硬貨がセンサ間を移動する移動時間だけでなく、移動時間と相関関係がある滞留時間を入力値として用いることで予測精度が高めることができる。
「１３２滞留」欄には、排除タイミングセンサ１３２のセンサ値が立ち上がってから、排除タイミングセンサ１３２のセンサ値が立ち下がるまでの時間（を正規化した値）が格納される。「１３２滞留」欄の値は、硬貨が排除タイミングセンサ１３２に滞留した時間を示す。

「１３３滞留」欄には、選別タイミングセンサ１３３のセンサ値が立ち上がってから、選別タイミングセンサ１３３のセンサ値が立ち下がるまでの時間（を正規化した値）が格納される。「１３３滞留」欄の値は、硬貨が選別タイミングセンサ１３３に滞留した時間を示す。
「出力」欄には、搬送経路１２１の状態に応じた所定の値が格納される。具体的には、搬送経路１２１が正常である場合、出力欄には「０．９」が格納される。搬送経路１２１が異常である場合、出力欄には「０．１」が格納される。

貨幣処理機１００の開発段階、生産段階およびテスト段階では、貨幣処理機１００の実機を用いて実験を行い、学習用データを取得することが考えられる。この場合、搬送経路１２１に汚れを付着させた状態、または、搬送経路１２１に異物を挿入した模擬的な異常状態でデータを取得することで、搬送経路１２１の異常時のデータを取得することができる。一方、搬送経路１２１に模擬的な異常を発生させていない正常な状態でデータを取得することで、搬送経路１２１の正常時のデータを取得することができる。
搬送経路１２１が正常な状態は、貨幣処理部１２０が正常な状態の例に該当する。貨幣処理部１２０が正常な状態を、貨幣処理機１００が正常な状態とも称する。搬送経路１２１が異常な状態は、貨幣処理部１２０が異常な状態の例に該当する。貨幣処理部１２０が異常な状態を、貨幣処理機１００が異常な状態とも称する。

貨幣処理機１００の運用時に学習用データを取得する場合、実験時と異なり搬送経路１２１が正常か異常かは、必ずしも明確に定まらない。この場合、後述するように、例えばエラー発生時からその２日前までを異常とし、エラー発生時の２日前から４日前までを正常とするなど、エラー発生時を基準に過去に遡って正常または異常を決定するようにしてもよい。
貨幣処理機１００が紙幣を扱う場合も、硬貨を扱う場合と同様、紙幣がセンサ間を移動する移動時間および紙幣がセンサに滞留する滞留時間をセンサデータとして用いることができる。さらに、貨幣処理機１００が紙幣を扱う場合、紙幣の斜行（搬送方向に対する傾き）の度合いや搬送モータの回転速度もセンサデータとして用いることができる。

貨幣処理側記憶部１８０は、各種データを記憶する。貨幣処理側記憶部１８０は、貨幣処理機１００が備える記憶デバイスを用いて構成される。
センサ情報記憶部１８１は、センサデータを硬貨の種類（金種）と対応付けて貨幣１枚毎に記憶する。
なお、センサデータが、センサの測定結果から演算で得られる場合、センサ情報記憶部１８１が、センサの測定結果を記憶するようにしてもよい。この場合、状態判定装置２００側でセンサの測定結果からセンサデータを生成するようにしてもよい。

貨幣処理機１００が状態判定装置２００へセンサデータを送信する頻度は、いろいろな頻度に設定可能である。例えば、貨幣処理機１００が、１動作毎にセンサデータを状態判定装置２００へ送信するなど短い頻度でセンサデータを送信するようにしてもよい。ここでいう１動作は、貨幣処理機１００が行う一纏まりの動作である。貨幣処理機１００が硬貨包装機である場合、棒金１本を巻く一連の動作を１動作とすることができる。あるいは、貨幣処理機１００に対する入金１回など、１回の取引における一連の動作を１動作とすることができる。
センサ情報記憶部１８１が記憶するセンサデータのうち、状態判定装置２００へ送信済みのセンサデータは削除可能である。貨幣処理機１００が短い頻度でセンサデータを状態判定装置２００へ送信することで、センサ情報記憶部１８１の記憶容量が小さくて済む。

金種情報記憶部１８２は、各金種に関するデータを記憶する。例えば、金種情報記憶部１８２は、金種毎の硬貨の大きさまたは磁気情報など、選別モジュール１２３が硬貨の種類（金種）を判定するための情報を記憶している。
エラー情報記憶部１８３は、貨幣処理部１２０で発生したエラーの履歴情報を記憶する。ここでいうエラーは、貨幣処理機１００等の機器が、機器自らにおける異常を検出して行う、異常の通知である。
保守情報記憶部１８４は、貨幣処理部１２０に対して行われたメンテナンスの履歴情報を記憶する。
貨幣処理側制御部１９０は、貨幣処理機１００の各部を制御して各種処理を実行する。貨幣処理側制御部１９０は、例えば貨幣処理機１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が、貨幣処理側記憶部１８０からプログラムを読み出して実行することで構成される。

状態判定装置２００は、貨幣処理機１００の状態を管理する。状態判定装置２００は、貨幣処理機１００からセンサデータを取得し、得られたセンサデータに基づいてメンテナンスを促す報知の要否を判定する。また、状態判定装置２００は、得られたセンサデータを用いて報知用のモデルの更新を行う。状態判定装置２００は、例えばワークステーション（Workstation）等のコンピュータを用いて構成される。

状態判定装置２００がサーバとして構成され、複数の貨幣処理機１００に共通でモデルを用いるようにしてもよい。これにより、状態判定装置２００は、多数のセンサデータを取得して、貨幣処理機１００毎にモデルを設ける場合よりもモデルの更新頻度を高めることができる。多数の学習用モデルを用いて学習を行える点で、状態判定装置２００は、精度の高いモデルを得られる。
あるいは、状態判定装置２００が貨幣処理機１００毎にモデルを備えるようにしてもよい。これにより、状態判定装置２００は貨幣処理機１００毎の特性をモデルに反映させることができ、この点で精度の高いモデルを得られる。

サーバ側通信部２１０は、他の機器と通信を行う。特に、サーバ側通信部２１０は、通信ネットワーク９００を介して貨幣処理機１００の貨幣処理側通信部１１０と通信接続する。
サーバ側通信部２１０は、貨幣処理機１００における貨幣の搬送に関するセンサデータを取得する取得部の例に該当する。
出力部２２０は、貨幣処理機１００のメンテナンスが必要である旨を報知する報知情報を出力する。例えば、状態判定装置２００が備えるディスプレイおよびスピーカが出力部２２０として用いられ、貨幣処理機１００のメンテナンスが必要である旨のメッセージをディスプレイに表示し、報知音をスピーカから出力するようにしてもよい。あるいは、サーバ側通信部２１０を出力部２２０として用いて、保守作業員のスマートフォン（Smartphone）またはパソコン（Personal Computer；ＰＣ）など、保守作業員が使用する端末装置に報知情報を送信するようにしてもよい。

サーバ側記憶部２８０は、各種データを記憶する。サーバ側記憶部２８０は、状態判定装置２００が備える記憶デバイスを用いて構成される。
モデル記憶部２８１は、貨幣処理機１００における異常の有無を判定するためのモデルを記憶する。モデル記憶部２８１は、金種毎にモデルを記憶する。
モデル記憶部２８１は、貨幣処理機１００における貨幣の搬送に関するセンサデータを入力値として貨幣処理機１００の異常度合いを示す出力値を出力するモデルを記憶する記憶部の例に該当する。

図４は、モデル記憶部２８１が記憶するモデルの例を示す図である。
図４に示すモデルは、入力層５１１、中間層５１３および出力層５１５の３層のニューラルネットワークにて構成されている。入力層５１１は、ｍ個（ｍは正整数）の入力ノード５１１－１～５１１－ｍを備える。中間層５１３は、ｎ個（ｎは正整数）の中間ノード５１３－１～５１３－ｎを備える。出力層５１５は、１個の出力ノード５１５－１を備える。

入力ノード５１１－１～５１１－ｍの各々と、中間ノード５１３－１～５１３－ｎの各々とは、入力－中間間経路５１２－１－１～５１１－ｍ－ｎで接続されている。入力－中間間経路５１２－１－１～５１２－ｍ－ｎを総称して、入力－中間間経路５１２と表記する。
中間ノード５１３－１～５１３－ｎの各々と、出力ノード５１５－１とは、中間－出力間経路５１４－１－１～５１４－ｎ－１で接続されている。中間－出力間経路５１４－１－１～５１４－ｎ－１を総称して中間－出力間経路５１４と表記する。

これらの経路の各々はシグモイド関数で構成され、各径路に荷重（重み付け係数）が設定される。図４に示すモデルでは、入力層５１１各ノードにて値の入力を受けると、入力された値に対して入力－中間間経路５１２で荷重を乗算して中間層５１３の各ノードへ出力する。中間層５１３の各ノードでは、入力された値の平均をとる。
さらに、図４に示すモデルでは、中間層５１３に入力された値に対して中間－出力間経路５１４で荷重を乗算して出力層５１５のノード（出力ノード５１５－１）へ出力する。出力層５１５のノードでは、入力された値の平均をとる。
かかる構成にて、図４に示すモデルは、入力層５１１の各ノードに０～１の範囲の実数値の入力データの入力を受けて、出力層５１５のノードから０～１の範囲の実数値の出力データを出力する。
この出力データの値と閾値とを比較して、出力データの値が閾値より大きい場合に、貨幣処理機１００に異常有りと判定することができる。

入力層５１１のノードの数は、例えば７個とすることができる。中間層５１３のノードの数は、例えば５０個とすることができる。出力層５１５のノードの数は、例えば１個とすることができる。
但し、状態判定装置２００が用いるモデルは、図４に示すものに限定されない。例えば、中間層が２層以上設けられていてもよい。また、各層のノードの数は上述した数に限定されない。さらには、状態判定装置２００が用いるモデルは学習可能なモデルであればよく、ニューラルネットワークに限定されない。

サーバ側制御部２９０は、状態判定装置２００の各部を制御して各種処理を行う。サーバ側制御部２９０は、状態判定装置２００が備えるＣＰＵがサーバ側記憶部２８０からプログラムを読み出して実行することで構成される。
機械学習処理部２９１は、モデル記憶部２８１が記憶する金種毎のモデルの各々を機械学習にて生成および更新する。具体的には、機械学習処理部２９１は、学習用データを用いて入力－中間間経路５１２の各荷重および中間－出力間経路５１４の各荷重の値を調整する。

機械学習処理部２９１が、ニューラルネットワークを用いて貨幣処理機１００の状態を判定することで、人手で判定を行う場合と比較して判定時間を短縮することができ、また、人間では予測できないようなデータ間の相関関係を考慮した判定を行って、メンテナンスの要否を判定することが可能となる。
機械学習処理部２９１が用いる学習方法として誤差逆伝播法とモーメンタム法との組み合わせを用いることができる。この場合、モーメンタム定数を例えば０．９に設定する。但し、機械学習処理部２９１が用いる学習方法は特定の方法に限定されず、いろいろな学習方法を適用可能である。

機械学習処理部２９１は、初期学習にてモデルを生成し、追加学習にてモデルの更新を繰り返す。初期学習では、機械学習処理部２９１は、上述した貨幣処理機１００を用いた実験で得られた学習用データを用いて、入力－中間間経路５１２の各荷重および中間－出力間経路５１４の各荷重の値を設定する。追加学習では、機械学習処理部２９１は、貨幣処理機１００の運用時に得られた学習用データを用いて、入力－中間間経路５１２の各荷重および中間－出力間経路５１４の各荷重の値を更新する。
追加学習の場合、学習用データを得られた各時点で貨幣処理機１００が正常か異常かは、必ずしも明確でない。そこで、機械学習処理部２９１は、エラー発生時を基準として貨幣処理機１００の状態を正常または異常の何れかに決定し、学習用データにおける出力値を設定する。

図５は、追加学習時の学習用データに対する貨幣処理機１００の状態の決定方法の例を示す図である。
図５の例で、機械学習処理部２９１は、貨幣処理機１００にエラーが発生したタイミングを基準時として、エラー発生時からその２日前までのタイミングで得られた学習用データを異常時の学習用データと決定し、エラー発生２日前から４日前までのタイミングで得られた学習用データを正常時の学習用データと決定している。

機械学習処理部２９１は、学習閾値を基準に、エラー発生時から学習閾値までの学習用データを異常時のデータと決定し、学習閾値から過去の所定期間（例えば、エラー発生時から学習閾値までの期間と同じ期間）の学習用データを正常時のデータと決定する。ここでいう学習閾値は、追加学習のための学習用データを正常時のデータと異常時のデータとに振り分ける基準となる閾値である。図５の例では、学習閾値は、エラー発生２日前に設定されている。
図５に示すエラー発生時からその２日前までの期間は、エラー発生から過去の第１期間の例に該当する。エラー発生２日前から４日前までの期間は、第１期間よりも過去の第２期間の例に該当する。

また、機械学習処理部２９１は、報知処理部２９３が報知の必要無しと判定し、貨幣処理機１００でエラーが発生し、かつ、状態判定部２９２が貨幣処理機１００における異常無しと判定した場合に、モデルの更新を行う。報知処理部２９３が報知を必要と判定している場合、状態判定部２９２が異常有りと判定した場合のいずれも、現状のモデルで異常を検出できており、モデルを更新する必要はないと考えられる。この場合に機械学習処理部２９１がモデルの更新を行わないよう抑制することで、機械学習処理部２９１の負荷が小さくて済む。

状態判定部２９２は、機械学習処理部２９１が生成および更新したモデルを用いて貨幣処理機１００における異常の有無を判定する。特に、状態判定部２９２は、貨幣１枚毎、および、複数枚の貨幣毎それぞれに異常の有無を判定する。貨幣一枚毎の判定では正常と判定される場合でも、複数の貨幣全体、あるいは複数の金種の貨幣全体で見ると、異常の傾向が強くエラー発生が予測される場合が考えられる。状態判定部２９２が、硬貨１枚毎、および、複数枚の貨幣毎それぞれに異常の有無を判定することで、複数の貨幣全体、あるいは複数の金種の貨幣全体で見て異常の傾向が強い場合も異常と判定することができる。

報知処理部２９３は、機械学習処理部２９１が生成および更新したモデルを用いて貨幣処理機１００に対するメンテナンスを促す報知の要否を判定する。報知処理部２９３は、機械学習処理部２９１が金種別に生成および更新したモデルを用いて、貨幣１枚毎、および、複数枚の貨幣毎それぞれに異常の有無を判定する。
状態判定部２９２も報知処理部２９３も、モデルからの同じ出力に対して閾値を適用して判定を行う。一方、状態判定部２９２がモデル更新の要否の判定に用いる判定閾値と、報知処理部２９３が判定に用いる報知閾値とは、異なる値に設定することができる。例えば、判定閾値には０．５など一定の値を設定し、報知閾値の値については、貨幣処理機１００を運用する顧客の要望に応じて値を可変に設定することができる。具体的には、こまめなメンテナンスを希望する顧客の場合、報知閾値の値を０．４など小さめの値に設定することで、状態判定装置２００が、比較的軽微な異常の段階でメンテナンスを促す報知を行うようになる。一方、メンテナンスの回数が少ないことを希望する顧客の場合、報知閾値の値を０．６など大きめの値に設定することで、状態判定装置２００によるメンテナンスの報知の頻度を下げ、異常の傾向が強まった場合にメンテナンスを実施することができる。

次に、図６～図８を参照して、状態判定装置２００の動作について説明する。
図６は、機械学習処理部２９１が行う前処理の手順の例を示すフローチャートである。この前処理で、機械学習処理部２９１は、センサデータから学習用データを生成する。
図６の処理で、機械学習処理部２９１は、センサデータ値から学習用データの項目の値を算出する（ステップＳ１０１）。例えば、機械学習処理部２９１は、あるセンサにおけるセンサ値の立ち上がりの時刻と立ち下がりの時刻との差を、そのセンサにおける貨幣の滞留時間として算出する。上述したように、センサ値の立ち上がり時刻は、貨幣がセンサに差し掛かってセンサ値がオフ（非検出）の値からオン（検出）の値に切り替わった時刻である。センサ値の立ち下がり時刻は貨幣がセンサを通り抜けてセンサ値がオン（検出）の値からオフ（非検出）の値に切り替わった時刻である。センサにおける貨幣の滞留時間は、貨幣がセンサに差し掛かってからそのセンサを通り抜けるまでの時間である。
但し、貨幣処理機１００がステップＳ１０１の処理を行うようにしてもよい。この場合、貨幣処理機１００から状態判定装置２００へ学習用データの項目の値を送信し、状態判定装置２００側ではステップＳ１０１の処理を行わない。

次に、機械学習処理部２９１は、学習用データの各項目の値を０～１の範囲の値にする正規化を行う（ステップＳ１０２）。学習用データの項目毎のレンジ（とり得る値の範囲）の大きさの違いが、学習に対する影響の度合いの違いとなることを避けるためである。
例えば、機械学習処理部２９１は、学習用データの項目の値から、その最小値として定められている所定値を減算する。さらに機械学習処理部２９１は、得られた減算結果を、その学習用データの項目の最大値として定められている所定値から最小値として定められている所定値を減算した値で除算する。

次に、機械学習処理部２９１は、学習用データのうち同じ値の組合せを取り除くバッティング処理を行う（ステップＳ１０３）。
ここで、学習用データの中に同じ値の組合せが含まれる場合、その値の組合せが正常として扱われるか異常として扱われるかは、貨幣処理機１００の運用によって異なり得る。同じ値の組合せが正常、異常の両方に割り振られていると、適切な学習を行えない可能性がある。そこで、機械学習処理部２９１は、同じ値の組合せが正常、異常の両方に割り振られることを避けるためにバッティング処理を行う。

例えば、機械学習処理部２９１が、学習用データにおける同じ値の組合せの出現について、正常に割り当てられている回数と、異常に割り当てられている回数とを計数し、いずれか多い方の値の組合せを１つだけ残すようにしてもよい。あるいは、機械学習処理部２９１が、学習用データにおける同じ値の組合せを全て削除するようにしてもよい。
ステップＳ１０３の後、図６の処理を終了する。

図７は、機械学習処理部２９１が初期のモデルを生成する処理手順の例を示すフローチャートである。
図７の処理で、機械学習処理部２９１は、センサデータを取得する（ステップＳ２０１）。
次に、機械学習処理部２９１は、図６を参照して説明した前処理を行う（ステップＳ２０２）。これにより、機械学習処理部２９１は、センサデータから学習用データを取得する。
そして、機械学習処理部２９１は、得られた学習用データを用いて学習を行い、モデルを構築する（ステップＳ２０３）。機械学習処理部２９１は、得られたモデルを学習済みモデルとしてモデル記憶部２８１に記憶させる（ステップＳ２０４）。
ステップＳ２０４の後、図７の処理を終了する。

図８は、機械学習処理部２９１が追加学習を行う処理手順の例を示すフローチャートである。図９を参照して後述するように、機械学習処理部２９１は、貨幣処理機１００にエラーが発生した場合に図８の処理を行う。
図８の処理で、機械学習処理部２９１は、学習閾値をエラー発生の２日前に設定する（ステップＳ３１１）。上述したように、学習閾値は、追加学習のための学習用データを正常時のデータと異常時のデータとに振り分ける基準となる閾値である。

ここで、実験またはシミュレーション等によって学習用データ取得する場合は、正常または異常を想定して貨幣処理機１００の状態が設定されており、得られた学習用データを正常または異常の何れかに振り分けることができる。
一方、運用時にエラーが生じた場合、エラーの前の期間におけるデータを正常時のデータとすべきが異常時のデータとすべきかは、必ずしも決まっていない。そこで、機械学習処理部２９１は、エラーの前の期間におけるデータを学習（教師有り学習）に用いられるように、学習閾値を設定し、設定した学習閾値を用いてエラーの前の期間におけるデータを正常または異常の何れかに振り分ける。

なお、学習閾値の具体的な値は、図８に示すエラー発生２日前に限定されない。例えば、機械学習処理部２９１が学習閾値をエラー発生１日前に設定するなど、２日以外の日単位で学習閾値を設定するようにしてもよい。あるいは、機械学習処理部２９１が、学習閾値をエラー発生６時間前に設定するなど、日単位以外の単位で学習閾値を設定するようにしてもよい。また、学習閾値に用いる時間は、単純な時間（カレンダー上の時間）であってもよいし、貨幣処理機１００の稼動時間であってもよい。
あるいは、機械学習処理部２９１が、貨幣処理機１００における貨幣搬送枚数でエラー発生から１０００枚前など、時間以外の基準による学習閾値を設定するようにしてもよい。

ステップＳ３１１で学習閾値を設定した機械学習処理部２９１は、学習用データの基となるセンサデータを取得する（ステップＳ３１２）。例えば、機械学習処理部２９１は、学習閾値の設定である２日の倍の４日分のセンサデータを取得する。但し、機械学習処理部２９１がセンサデータを取得する期間は、これに限定されない。例えば、学習閾値が貨幣処理機１００における貨幣搬送枚数でエラー発生から１０００枚前に設定されている場合、機械学習処理部２９１が、エラー発生から２０００枚前からエラー発生時までのセンサデータを取得するようにしてもよい。

次に、機械学習処理部２９１は、得られたセンサデータを正常データと異常データとに区分する（ステップＳ３１３）。ここでいう正常データは、貨幣処理機１００が正常状態にあるとして扱われるデータである。異常データは、貨幣処理機１００が異常状態にあるとして扱われるデータである。
次に、機械学習処理部２９１は、図７を参照して説明した前処理を行う（ステップＳ３１４）。これにより、機械学習処理部２９１は、センサデータに基づく学習用データを取得する。
そして、機械学習処理部２９１は、得られた学習用データを用いて機械学習を行い、学習済みモデルを更新する（ステップＳ３１５）。
ステップＳ３１５の後、図８の処理を終了する。

図９は、状態判定装置２００が報知の要否および追加学習の要否を判定する処理手順の例を示すフローチャートである。
図９の処理で、サーバ側制御部２９０は、センサデータを取得し、正規化を行う（ステップＳ４０１）。ステップＳ４０１で得られるセンサデータは、報知の要否およびモデルの更新の要否を判定するために用いられる。

次に、サーバ側制御部２９０は、貨幣処理機１００におけるエラー発生の有無を判定する（ステップＳ４０２）。具体的には、貨幣処理機１００が、センサデータに加えて、発生させたエラーの情報を状態判定装置２００へ送信する。サーバ側制御部２９０は、貨幣処理機１００が送信する、発生させたエラーの情報の有無を判定することで、貨幣処理機１００におけるエラー発生の有無を判定する。
エラーが発生していると判定した場合（ステップＳ４０２：ＹＥＳ）、状態判定部２９２は、貨幣処理機１００の状態判定に用いるためのモデルを選択する（ステップＳ４１１）。具体的には、状態判定部２９２は、モデル記憶部２８１が金種毎に記憶しているモデルのうち、判定対象となっている金種のモデルを選択する。

次に、状態判定部２９２は、選択したモデルにステップＳ４０１で得られたセンサデータを入力して、モデルからの出力値を算出する（ステップＳ４１２）。金種毎のモデルにセンサデータを入力して得られる出力値を金種出力値とも称する。
そして、状態判定部２９２は、算出した金種出力値が判定閾値以下か否かを判定する（ステップＳ４０４）。金種出力値が判定閾値以下であると判定した場合（ステップＳ４１３：ＮＯ）、状態判定部２９２は、全ての金種のデータについて判定を行ったか否かを判定する（ステップＳ４３１）。判定を行っていない金種があると判定した場合（ステップＳ４３１：ＮＯ）、ステップＳ４１１へ戻り、まだ判定を行っていない金種に対する処理を引き続き行う。
一方、ステップＳ４３１で全ての金種について判定を行ったと判定した場合（ステップＳ４３１：ＹＥＳ）、図９の処理を終了する。

一方、ステップＳ４１３で、金種出力値が判定閾値より大きいと判定した場合（ステップＳ４１３：ＹＥＳ）、機械学習処理部２９１は、図８を参照して説明した追加学習を行う（ステップＳ４２１）。この場合、エラーの傾向を検知して小さい値の金種出力値を算出すべきであるのに対し、実際に得られた金種出力値は判定閾値より大きいことから、モデルを更新するために機械学習処理部２９１が追加学習を行う。
ステップＳ４２１の後、ステップＳ４３１へ遷移する。

一方、ステップＳ４０２でエラーが発生していないと判定した場合（ステップＳ４０２：ＮＯ）、報知処理部２９３は、報知の要否の判定に用いるためのモデルおよび報知閾値を選択する（ステップＳ４１１）。具体的には、報知処理部２９３は、モデル記憶部２８１が金種毎に記憶しているモデルのうち、判定対象となっている金種のモデルを選択する。また、報知閾値には金種別報知閾値と全体報知閾値との２種類があり、サーバ側記憶部２８０が、金種毎に金種別報知閾値を記憶し、各金種に共通で全体報知閾値を記憶しておく。報知処理部２９３は、サーバ側記憶部２８０が金種毎に記憶している金種別報知閾値のうち、判定対象となっている金種の金種別報知閾値を選択する。

次に、報知処理部２９３は、選択したモデルにステップＳ４０１で得られたセンサデータを入力して、モデルからの出力値を算出する（ステップＳ４４２）。ステップＳ４４２での処理は、ステップＳ４１２での処理と同様である。
そして、報知処理部２９３は、算出した金種出力値が金種別報知閾値以下か否かを判定する（ステップＳ４４３）。
金種出力値が金種別報知閾値以下であると判定した場合（ステップＳ４４３：ＹＥＳ）、報知処理部２９３は、保守作業員へ予防保守を報知する（ステップＳ４７１）。ここでいう予防保守は、エラー発生等の不具合を未然に防止するための保守である。
ステップＳ４７１の後、図９の処理を終了する。

一方、ステップＳ４４３で金種出力値が金種別報知閾値よりも大きいと判定した場合（ステップＳ４４３：ＮＯ）、報知処理部２９３は、全ての金種のデータについて判定を行ったか否かを判定する（ステップＳ４５１）。判定を行っていない金種があると判定した場合（ステップＳ４５１：ＮＯ）、ステップＳ４４１へ戻り、まだ判定を行っていない金種に対する処理を引き続き行う。

一方、ステップＳ４５１で全ての金種について判定を行ったと判定した場合（ステップＳ４５１：ＹＥＳ）、報知処理部２９３は、金種の割合を用いて、金種別出力値から全体出力値を算出する（ステップＳ４６１）。
そして、報知処理部２９３は、算出した全体出力値が全体報知閾値以下か否かを判定する（ステップＳ４６２）。全体報知閾値は、例えば０．５に設定されるなど、予め定数値に設定される。

全体出力値が全体報知閾値以下であると判定した場合（ステップＳ４６２：ＹＥＳ）、ステップＳ４７１へ進む。
一方、ステップＳ４６２で、全体出力値が全体報知閾値より大きいと判定した場合（ステップＳ４６２：ＮＯ）、図９の処理を終了する。
一方、ステップＳ４３１で、金種出力値が判定閾値以上であったと判定した場合（ステップＳ４３１：ＮＯ）、ステップＳ４５１へ進む。

以上のように、サーバ側通信部２１０は、貨幣処理機１００における貨幣の搬送に関するセンサデータを取得する。モデル記憶部２８１は、貨幣処理機１００における貨幣の搬送に関するセンサデータを入力値として貨幣処理機１００の異常度合いを示す出力値を出力するモデルを記憶する。状態判定部２９２は、サーバ側通信部２１０により取得されたセンサデータとモデル記憶部２８１に記憶されたモデルとを用いて、貨幣処理機１００の状態を判定する。
このように状態判定部２９２がモデルを用いて貨幣処理機１００の状態を判定することで、貨幣処理機１００の状態を精度よく判定することができる。例えば、状態判定部２９２が機械学習によって得られたモデルを用いて貨幣処理機１００の状態を判定することで、人間による判定では気付かないようなセンサデータと貨幣処理機１００との関係に基づいて、貨幣処理機１００の異常の傾向を検出できる可能性がある。

また、モデル記憶部２８１は、貨幣の金種毎にモデルを記憶する。状態判定部２９２は、貨幣の金種毎に異常の有無を判定する。
このように、状態判定部２９２は貨幣の金種毎に異常の有無を判定することで、特定の金種について貨幣処理機１００に異常が生じる場合に、当該異常を検出することができ、また、当該異常が生じる金種を特定することができる。状態判定装置２００によれば、この点で、貨幣処理機１００の状態を精度よく判定することができる。

また、状態判定部２９２は、貨幣の金種毎のモデルからの出力値をもとに複数の金種の貨幣全体について貨幣処理機１００の異常の有無を判定する。
貨幣の金種毎の判定では正常と判定される場合でも、複数の金種全体で見ると、貨幣処理機１００の異常の傾向が強くエラー発生が予測される場合が考えられる。状態判定部２９２が、複数の金種の貨幣全体について貨幣処理機１００の異常の有無を判定することで、複数の金種全体で見て異常の傾向が強い場合も異常と判定することができる。

また、機械学習処理部２９１は、貨幣処理機１００でエラーが発生した場合、エラーが発生した貨幣処理機１００のセンサによる測定で得られたセンサデータのうち、エラー発生から過去の第１期間におけるセンサデータに基づく学習用データを異常時の学習用データとし、第１期間よりも過去の第２期間におけるセンサデータに基づく学習用データを正常時の学習用データとして機械学習を行うことでモデルを更新する。
これにより、状態判定装置２００では、貨幣処理機１００の運用時のデータを用いて、貨幣処理機１００の状態判定処理を更新できる。ここで、貨幣処理機１００の運用時には、貨幣処理機１００の状態が正常か異常かは必ずしも明確でない。これに対し、状態判定装置２００では、機械学習処理部２９１が、第１期間における学習用データを異常時の学習用データとし、第２期間における学習用データを正常時の学習用データとして学習を行う。これにより、状態判定装置２００では、貨幣処理機１００の運用時のデータを用いて、貨幣処理機１００の状態判定処理を更新することが可能になる。

また、貨幣処理機１００の内部状態の変化として、メンテナンス後など良好な状態にある貨幣処理機１００が、時間経過とともに汚れの付着および部品の消耗等によって徐々に状態が悪化し、エラー発生に至ることが考えられる。
この場合、機械学習処理部２９１が、エラー発生時に近い過去の第１期間における学習用データを異常時の学習用データとして機械学習を行うことで、貨幣処理機１００の状態が比較的悪化した期間における学習用データを異常時の学習用データとして機械学習を行うことができる。また、機械学習処理部２９１が、第１期間よりも過去の第２期間における学習用データを正常時の学習用データとして機械学習を行うことで、貨幣処理機１００の状態が比較的良好な期間における学習用データを正常時の学習用データとして機械学習を行うことができる。この点で、機械学習処理部２９１が高精度に機械学習を行うことができ、高精度なモデルを得られることが期待される。

また、報知処理部２９３は、モデル記憶部２８１が記憶するモデルを用いて貨幣処理機１００に対するメンテナンスを促す報知の要否を判定する。出力部２２０は、報知処理部２９３が報知の必要ありと判定した場合、当該報知を出力する。
状態判定装置２００によれば、出力部２２０が出力する報知に応じて保守作業員が貨幣処理機１００のメンテナンスを行うことで、貨幣処理機１００におけるエラーの発生を低減させることができる。

また、状態判定装置２００がメンテナンスを促す報知の要否の判定を行うことで、この処理を貨幣処理機１００側で行う場合よりも、ハードウェア構成の変更が容易である。例えば、大量のデータを処理する場合、状態判定装置２００のＣＰＵのアップグレードおよびハードディスク等の記憶媒体の増設を比較的容易に行える。状態判定装置２００が貨幣処理機１００の状態判定を行う点についても同様である。

また、状態判定部２９２は、モデル記憶部２８１が記憶するモデルを用いて貨幣処理機１００における異常の有無を判定する。機械学習処理部２９１は、貨幣処理機１００でエラーが発生し、かつ、状態判定部２９２が貨幣処理機１００における異常無しと判定した場合に、モデルの更新を行う。
ここで、貨幣処理機１００でのエラー発生時に状態判定部９２が貨幣処理機１００における異常有りと判定している場合、正しく判定できている点で、モデルの更新は不要と考えられる。この場合に機械学習処理部２９１がモデルの更新を行わないよう抑制することで、機械学習処理部２９１の負荷が小さくて済む。

なお、状態判定部２９２がステップＳ４０２～Ｓ４５１で行う処理と、ステップＳ４６１～Ｓ４７１で行う処理とは、ステップＳ４６１～Ｓ４７１での処理の方が大きい単位を対象とするいろいろな処理とすることができる。
例えば、状態判定部２９２が、ステップＳ４０２～Ｓ４５１で貨幣１枚毎に判定を行い、ステップＳ４６１～Ｓ４７１で複数枚の硬貨毎に判定を行うようにしてもよい。貨幣処理機１００が硬貨包装機である場合、ステップＳ４６１～Ｓ４７１で硬貨５０枚毎（棒金１本分毎）に判定を行うようにしてもよい。
あるいは、状態判定部２９２が、ステップＳ４０２～Ｓ４５１で金種１種類毎に判定を行い、ステップＳ４６１～Ｓ４７１で複数の金種毎（複数種類の金種毎）に判定を行うようにしてもよい。例えば、状態判定部２９２がステップＳ４６１～Ｓ４７１で６種類の金種全体について判定を行う場合、ステップＳ４６１で式（１）に基づいて全体出力を算出するようにしてもよい。

ここで、ｎ１、ｎ５、ｎ１０、ｎ５０、ｎ１００、ｎ５００は、それぞれ、１円玉、５円玉、１０円玉、５０円玉、５００円玉、５００円玉についてのセンサデータの平均値である。ｐ１、ｐ５、ｐ１０、ｐ５０、ｐ１００、ｐ５００は、それぞれ、１円玉、５円玉、１０円玉、５０円玉、５００円玉、５００円玉の枚数の、全体の枚数に占める割合である。
状態判定部２９２は、式（１）を用いて、金種毎の枚数に応じてセンサデータの重み付け平均を行う。
あるいは、状態判定部２９２が、ステップＳ４０２～Ｓ４５１で金種１種類毎に判定を行い、ステップＳ４６１～Ｓ４７１で１動作毎に判定を行うようにしてもよい。

＜第二実施形態＞
第一実施形態では、状態判定装置２００が報知を行う場合を例に説明した。これに対し、貨幣処理機が報知を行うようにしてもよい。第二実施形態では、貨幣処理機が報知を行う場合について説明する。
図１０は、本発明の第二実施形態に係る貨幣処理機状態判定システムの機能構成を示す概略ブロック図である。図１０に示すように、貨幣処理機状態判定システム２は、貨幣処理機３００と、モデル管理装置４００とを備える。貨幣処理機３００は、貨幣処理部１２０と、出力部２２０と、貨幣処理側ＩＦ（Interface）部３１０と、貨幣処理側記憶部３８０と、貨幣処理側制御部３９０とを備える。貨幣処理側記憶部３８０は、センサ情報記憶部１８１と、金種情報記憶部１８２と、エラー情報記憶部１８３と、保守情報記憶部１８４と、学習済みモデル記憶部３８５とを備える。貨幣処理側制御部３９０は、状態判定部２９２と、報知処理部２９３とを備える。モデル管理装置４００は、サーバ側記憶部２８０と、サーバ側ＩＦ部４１０と、サーバ側制御部４９０とを備える。サーバ側記憶部２８０は、モデル記憶部２８１を備える。サーバ側制御部４９０は、機械学習処理部２９１を備える。
図１０の各部のうち、図１の各部に対応して同様の機能を有する部分には、同一の符号（１２０、１８１、１８２、１８３、１８４、２２０、２８０、２８１、２９１、２９２、２９３）を付して説明を省略する。

図１に示される貨幣処理機状態判定システム１では、貨幣処理機１００と状態判定装置２００とが通信ネットワーク９００を介して通信接続する、いわゆるオンラインの構成となっている。これに対し、図１０に示される貨幣処理機状態判定システム２では、貨幣処理機３００とモデル管理装置４００とが可搬記憶媒体９１０を介してデータのやり取りを行う、いわゆるオフラインの構成となっている。そのために、貨幣処理機３００は貨幣処理側ＩＦ部３１０を備え、モデル管理装置４００は、サーバ側ＩＦ部４１０を備えている。

可搬記憶媒体９１０は、持ち運び可能な記憶媒体であり、貨幣処理機３００とモデル管理装置４００との間のデータのやり取りを仲介する。可搬記憶媒体９１０は、貨幣処理機３００に接続されてセンサデータ等のデータを書き込まれた後、モデル管理装置４００に接続されて、貨幣処理機３００に書き込まれたデータを読み出される。また、可搬記憶媒体９１０は、モデル管理装置４００に接続されて学習済みモデル等のデータを書き込まれた後、貨幣処理機３００に接続されて、モデル管理装置４００に書き込まれたデータを読み出される。ここでいう接続は、データの入出力が可能な接続であればよい。例えば、可搬記憶媒体９１０が、貨幣処理機３００またはモデル管理装置４００のポートに差し込まれるなど、貨幣処理機３００またはモデル管理装置４００と物理的に接続されるようにしてもよい。あるいは、可搬記憶媒体９１０が、貨幣処理機３００またはモデル管理装置４００と近距離無線通信等によって通信接続するようにしてもよい。

可搬記憶媒体９１０は、例えばＵＳＢ（Universal Serial Bus）フラッシュメモリであってもよいが、これに限定されない。
貨幣処理側ＩＦ部３１０およびサーバ側ＩＦ部４１０は、それぞれ、可搬記憶媒体９１０に対してデータの入出力を行う。例えば、可搬記憶媒体９１０がＵＳＢフラッシュメモリである場合、貨幣処理側ＩＦ部３１０およびサーバ側ＩＦ部４１０は、それぞれ、ＵＳＢポートを含んで構成される。

なお、貨幣処理機３００が貨幣処理側ＩＦ部３１０に加えて貨幣処理側通信部１１０を備えていてもよい。モデル管理装置４００がサーバ側ＩＦ部４１０に加えてサーバ側通信部２１０を備えていてもよい。また、図１の構成で、貨幣処理機１００が貨幣処理側通信部１１０に加えて貨幣処理側ＩＦ部３１０を備えていてもよい。状態判定装置２００がサーバ側通信部２１０に加えてサーバ側ＩＦ部４１０を備えていてもよい。

また、貨幣処理機状態判定システム１では状態判定装置２００が出力部２２０を備え、状態判定装置２００のサーバ側制御部２９０が状態判定部２９２および報知処理部２９３を備えているのに対し、貨幣処理機状態判定システム２では、貨幣処理機３００が出力部２２０を備え、貨幣処理機３００の貨幣処理側制御部３９０が状態判定部２９２および報知処理部２９３を備えている。また、貨幣処理側記憶部３８０は、図１の貨幣処理機１００が備える各部に加えて学習済みモデル記憶部３８５を備えている。

貨幣処理機状態判定システム１では、状態判定装置２００が貨幣処理機１００の状態を判定して報知を行うのに対し、貨幣処理機状態判定システム２では、上記の構成により、貨幣処理機３００自らが、貨幣処理機３００の状態を判定して報知を行う。
貨幣処理機状態判定システム２では、モデル管理装置４００がモデルの学習を行い、貨幣処理機３００がモデルを用いた状態判定および報知を行う。そのために、モデル管理装置４００の機械学習処理部２９１が生成または更新したモデルを可搬記憶媒体９１０が貨幣処理機３００へ伝達する。貨幣処理機３００では、学習済みモデル記憶部３８５が当該モデルを記憶する。状態判定部２９２は、学習済みモデル記憶部３８５からモデルを読み出して、貨幣処理機３００の状態を判定する。

例えば、貨幣処理機３００にエラーが発生して保守作業員が呼ばれたときに、保守作業員がモデル管理装置４００から可搬記憶媒体９１０にコピーされた最新のモデルを持参して現場へ向かう。保守作業員は、現場で、可搬記憶媒体９１０にコピーされた最新のモデルを学習済みモデル記憶部３８５に書き込む（記憶させる）。
そのために、貨幣処理機３００のセンサ情報記憶部１８１は、直近４日分のセンサデータを記憶しておき、貨幣処理機３００にエラーが発生すると、エラー発生からその４日前までのデータを保持する。

貨幣処理機３００の状態判定部２９２が行う処理は、図９を参照して説明した、状態判定装置２００の状態判定部２９２が行う処理と同様である。なお、第２実施形態でもモデルの生成および更新はモデル管理装置４００が行う。図９のステップＳ４４１で、モデル管理装置４００の機械学習処理部４９１が、可搬記憶媒体９１０を介して貨幣処理機３００から得られたセンサデータに基づいて追加学習を行うことで、モデルを更新する。更新されたモデルは可搬記憶媒体９１０を介して貨幣処理機３００に伝達され、学習済みモデル記憶部３８５が当該モデルを記憶する。
第二実施形態で、貨幣処理部１２０は、センサを備えてセンサデータを取得する点で、貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部の例に該当する。学習済みモデル記憶部３８５は、貨幣処理機３００における貨幣の搬送に関するセンサデータを入力値として貨幣処理機３００の異常度合いを示す出力値を出力するモデルを記憶する記憶部の例に該当する。
また、第二実施形態では、貨幣処理機３００が状態判定装置の例に該当し、貨幣処理機３００自らの状態を判定する。

以上のように、貨幣処理部１２０は、貨幣処理機３００における貨幣の搬送に関するセンサデータを取得する。学習済みモデル記憶部３８５は、貨幣処理機３００における貨幣の搬送に関するセンサデータを入力値として貨幣処理機３００の異常度合いを示す出力値を出力するモデルを記憶する。状態判定部２９２は、貨幣処理部１２０により取得されたセンサデータと学習済みモデル記憶部３８５に記憶されたモデルとを用いて、貨幣処理機３００の状態を判定する。
このように状態判定部２９２がモデルを用いて貨幣処理機３００の状態を判定することで、貨幣処理機３００の状態を精度よく判定することができる。例えば、状態判定部２９２が機械学習によって得られたモデルを用いて貨幣処理機３００の状態を判定することで、人間による判定では気付かないようなセンサデータと貨幣処理機３００との関係に基づいて、貨幣処理機３００の異常の傾向を検出できる可能性がある。

また、図１０に示す構成では、貨幣処理機３００を通信ネットワークに接続する必要がない点で、通信機能を有していない貨幣処理機にも容易に本発明を適用できる。
また、貨幣処理機３００とモデル管理装置４００とのデータのやり取りに通信ネットワークを使用しない点で、通信ネットワークの帯域を圧迫しない。
また、上記各実施形態では、貨幣処理機３００とモデル管理装置４００とを別装置として構成したが、貨幣処理機３００がモデル管理装置４００の各部を備える一体の装置として構成してもよい。

なお、貨幣処理側制御部１９０、サーバ側制御部２９０、貨幣処理側制御部３９０、および、サーバ側制御部４９０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。

１、２ 貨幣処理機状態判定システム
１００、３００ 貨幣処理機
１１０ 貨幣処理側通信部
１２０ 貨幣処理部
１８０、３８０ 貨幣処理側記憶部
１８１ センサ情報記憶部
１８２ 金種情報記憶部
１８３ エラー情報記憶部
１８４ 保守情報記憶部
１９０、３９０ 貨幣処理側制御部
２００ 状態判定装置
２１０ サーバ側通信部
２２０ 出力部
２８０ サーバ側記憶部
２８１ モデル記憶部
２９０、４９０ サーバ側制御部
２９１ 機械学習処理部
２９２ 状態判定部
２９３ 報知処理部
３１０ 貨幣処理側ＩＦ部
３８５ 学習済みモデル記憶部
４００ モデル管理装置
４１０ サーバ側ＩＦ部
９００ 通信ネットワーク
９１０ 可搬記憶媒体

Claims (9)

1. 貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、
   前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、
   前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部と
   を備え、
   前記記憶部は、貨幣の金種毎に前記モデルを記憶し、
   前記状態判定部は、貨幣の金種毎に異常の有無を判定する状態判定装置。
2. 前記状態判定部は、前記貨幣の金種毎の前記モデルからの出力値をもとに複数の金種の貨幣全体について前記貨幣処理機の異常の有無を判定する、請求項１に記載の状態判定装置。
3. 貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、
   前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、
   前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部と、
   前記貨幣処理機でエラーが発生した場合、前記エラーが発生した貨幣処理機のセンサによる測定で得られたセンサデータのうち、エラー発生から過去の第１期間におけるセンサデータに基づく学習用データを異常時の学習用データとし、前記第１期間よりも過去の第２期間におけるセンサデータに基づく学習用データを正常時の学習用データとして機械学習を行うことで、前記モデルを更新する機械学習処理部と
   を備える状態判定装置。
4. 前記第１期間および前記第２期間の何れも、前記貨幣処理機における貨幣搬送枚数で特定される期間である、請求項３に記載の状態判定装置。
5. 前記モデルを用いて前記貨幣処理機に対するメンテナンスを促す報知の要否を判定する報知処理部と、
   前記報知処理部が前記報知の必要ありと判定した場合、当該報知を出力する出力部と、 を備える請求項１ないし４のいずれか１項に記載の状態判定装置。
6. 前記モデルを用いて前記貨幣処理機における異常の有無を判定する状態判定部を備え、 前記機械学習処理部は、前記貨幣処理機でエラーが発生し、かつ、前記状態判定部が前記貨幣処理機における異常無しと判定した場合に、前記モデルの更新を行う、
   請求項３または４に記載の状態判定装置。
7. 貨幣処理機における貨幣の搬送に関するセンサデータを取得する取得部と、
   前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力するモデルを記憶する記憶部と、
   前記取得部により取得されたセンサデータと前記記憶部に記憶されたモデルとを用いて、前記貨幣処理機の状態を判定する状態判定部と
   を備え、
   前記記憶部は、貨幣の金種毎に前記モデルを記憶し、
   前記状態判定部は、貨幣の金種毎に異常の有無を判定する貨幣処理機状態判定システム。
8. 貨幣処理機の状態を判定する状態判定装置における状態判定方法であって、
   前記状態判定装置は、
   貨幣処理機における貨幣の搬送に関するセンサデータを取得する工程と、
   得られたセンサデータと、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力する金種毎のモデルとを用いて、前記貨幣処理機の状態を金種毎に判定する工程と
   を含む状態判定方法。
9. コンピュータに、
   貨幣処理機における貨幣の搬送に関するセンサデータを取得する工程と、
   得られたセンサデータと、前記貨幣処理機における貨幣の搬送に関するセンサデータを入力値として前記貨幣処理機の異常度合いを示す出力値を出力する金種毎のモデルとを用いて、前記貨幣処理機の状態を金種毎に判定する工程と
   を実行させるためのプログラム。

Images