JP7349400B2 - Computer program, blower condition monitoring method, and blower condition monitoring device - Google Patents
Computer program, blower condition monitoring method, and blower condition monitoring device Download PDFInfo
- Publication number
- JP7349400B2 JP7349400B2 JP2020063659A JP2020063659A JP7349400B2 JP 7349400 B2 JP7349400 B2 JP 7349400B2 JP 2020063659 A JP2020063659 A JP 2020063659A JP 2020063659 A JP2020063659 A JP 2020063659A JP 7349400 B2 JP7349400 B2 JP 7349400B2
- Authority
- JP
- Japan
- Prior art keywords
- blower
- drive device
- temperature
- motor
- output current
- 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.)
- Active
Links
Images
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
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）。
BACKGROUND OF THE INVENTION In recent years, blowers have been used for transporting powder in powder processing equipment and for aeration in wastewater treatment facilities. A turbo blower, which is a type of blower, includes an impeller and a motor that rotates the impeller, and is configured to supply air to a predetermined destination by rotating the impeller by driving the motor (for example, (See
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 includes components such as a motor that rotates the impeller, an inverter that supplies driving power to drive the motor, and a cooling fan that cools the inverter.If an abnormality due to component failure is detected, It has a mechanism that automatically stops the operation of the turbo blower. For example, if a cooling fan that cools an inverter breaks down, 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 its own operation.
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。 In this way, conventionally, if an abnormality due to a component failure is detected, it is possible to stop the operation of the blower, but it is not possible to estimate the failure or deterioration of the component. No measures can be taken 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 state monitoring method, and a state monitoring device that can estimate failure or deterioration of components 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 one aspect of the present invention provides a computer with a blower including an impeller and a motor that rotationally drives the impeller, a control device, and a drive device that supplies driving power for the motor. The present invention is a computer program for acquiring at least two types of measurement data measured regarding 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。 A method for monitoring the state of a blower according to one aspect of the present invention includes, using a computer, a blower main body including an impeller and a motor that rotationally drives the impeller, a control device, and a drive device that supplies driving power for the motor; At least two types of measurement data measured regarding the blower are acquired from a blower including the blower, and based on the acquired measurement data, failure or deterioration of the components constituting the blower is estimated, and information based on the estimation result is output. Execute processing.
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。 A blower condition monitoring device according to one aspect of the present invention includes a blower main body including an impeller and a motor that rotationally drives the impeller, a control device, and a drive device that supplies driving power for the motor. an acquisition unit that acquires at least two types of measurement data measured regarding the blower; an estimation unit that estimates failure or deterioration of components constituting the blower based on the acquired measurement data; and an estimation result by the estimation unit. and an output unit that outputs information based on the 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, failure or deterioration of components constituting the blower can be estimated.
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。
DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will be specifically described below based on drawings showing embodiments thereof.
(Embodiment 1)
FIG. 1 is a schematic diagram showing the overall configuration of a condition monitoring system according to the first embodiment. The condition monitoring system according to the first embodiment includes an
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
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。
Note that in this embodiment, a mode will be described in which the
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
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
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
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
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
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
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
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
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。
These sensors S1 to S6 each measure the above-mentioned physical quantities as needed, and output measurement data indicating the measurement results to the
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。
Note that the sensors mounted on the
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
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
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
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
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
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 status monitoring program PG1 may be provided by a non-temporary recording medium M1 that readably records the computer program. 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
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
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
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
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
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
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
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
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 degree of temperature rise of the
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 Figure 5, an inverter abnormality occurred on July 2, 2018 due to a failure of the cooling
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, a failure of the cooling
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 temperature rise degree of the
Note that the temperature is not stable (increases) for about 30 minutes after the
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
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 determining the correlation between the temperature rise degree of the
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。
The processing executed by the
FIG. 7 is a flowchart illustrating the procedure of processing that the
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
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
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 that the
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。
If the
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
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。
If it is determined that the determination counter is equal to or greater than the threshold value (S125: YES), the
Furthermore, in this embodiment, the configuration is configured to output information that the cooling
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, failure of the cooling
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 this embodiment, the correlation between the temperature rise of the
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。
Furthermore, it is assumed that the correlation between the temperature rise degree of the
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 this embodiment, the failure of the cooling
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 this embodiment, the
（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 will be described in which a failure of the cooling
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 measurement data regarding the temperature of the
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
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。
One or more nodes exist in the
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 through the nodes forming the
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 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 backpropagation method is used. In this embodiment, the above-mentioned measurement data and label data indicating the state of the cooling
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
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
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 the procedure for generating the
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
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
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
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。
If it is determined that learning has not been completed (S206: NO), the
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。
If it is determined that the learning has been completed (S206: YES), the
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 the estimation procedure using the
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
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
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
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, a failure of the cooling
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
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。
Furthermore, since it is assumed that the correlation between the temperature rise degree of the
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。
Furthermore, in the second embodiment, a configuration in which the
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, a configuration has been described in which the
For example, instead of a neural network based on deep learning, a learning model based on a perceptron, a convolutional neural network, a recurrent neural network, a residual network, a self-organizing map, etc. may be used.
In addition, instead of the neural network learning model described above, regression analysis methods including linear regression, logistic regression, support vector machines, etc., and methods using search trees such as decision trees, regression trees, random forests, and gradient boosting trees are also available. , Bayesian estimation methods including naive Bayes, AR (Auto Regressive), MA (Moving Average), ARIMA (Auto Regressive Integrated Moving Average), time series prediction methods including state space models, clustering methods including K-nearest neighbor method, etc. Learning models trained by methods using ensemble learning including boosting, bagging, etc., clustering methods including hierarchical clustering, non-hierarchical clustering, topic models, etc., and other methods including 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
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
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, a failure of the blow-off
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
Note that the temperature is not stable (increases) for about 30 minutes after the
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
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 determining the correlation between the degree of temperature rise of the
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。
The processing executed by the
FIG. 14 is a flowchart illustrating the procedure of processing that the
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
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
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 the procedure of processing that the
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。
If the
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
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。
If it is determined that the determination counter is equal to or greater than the threshold value (S325: YES), the
Furthermore, in the present embodiment, the configuration is configured to output information that the blow-off
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, failure of the blow-off
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 this 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
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。
In addition, since the correlation between the motor temperature rise and the output current is expected to differ depending on the type of
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 this embodiment, the failure of the blow-off
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 this embodiment, the
（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 will be described in which a failure of the blow-off
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
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
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。
One or more nodes exist in the
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 through the nodes forming the
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 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 backpropagation method is used. In this embodiment, the above-mentioned measurement data and label data indicating whether or not the blow-off
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
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
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 the estimation procedure using the
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
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
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
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, a failure of the blow-off
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
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。
Furthermore, since it is assumed that the correlation between the motor temperature rise and the output current differs depending on the type of
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。
Furthermore, in the fourth embodiment, a configuration in which the
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, a configuration has been described in which a machine
（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 determined based on 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
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, measurement data regarding 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
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
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。
One or more nodes exist in the
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 through the nodes forming the
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 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 backpropagation method is used. In this embodiment, the above-mentioned measurement data and label data indicating whether or not the blower efficiency was decreasing at the time of measurement are collected as training data, and when 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 calculation results regarding the possibility of deterioration of the
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
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
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 the estimation procedure using the
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
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
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
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 example of outputting the estimation results. FIG. 20 shows an example of a screen displayed on the
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
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。
Although the present embodiment shows an example in which the state of the blower
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。
Furthermore, in the present embodiment, the
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 this embodiment, the monitoring screen 200 and the like are displayed on the
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
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 deterioration of the blower
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 blower efficiency is assumed to vary depending on the type of
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, a configuration in which the
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, a configuration has been described in which the
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
Claims (18)
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、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む、前記ブロワに関する計測データを取得し、
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コンピュータプログラム。 to the computer,
The temperature of the drive device, the suction temperature in the blower main body, and the drive device are determined from a blower body including an impeller, a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor. Obtaining measurement data regarding the blower including an output current of an inverter provided ;
Executing a process of estimating a failure of a cooling fan that cools the driving device based on a correlation between the temperature rise degree of the driving device obtained by subtracting the suction temperature from the temperature of the driving device and the output current. A computer program to do this.
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、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む、前記ブロワに関する計測データを取得し、
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コンピュータプログラム。 to the computer,
The temperature of the drive device, the suction temperature in the blower main body, and the drive device are determined from a blower body including an impeller, a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor. Obtaining measurement data regarding the blower including an output current of an inverter provided;
When data regarding the degree of temperature rise of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and data on the output current are input, the cooling fan that cools the drive device malfunctions. A computer program for executing a process of estimating a failure of the cooling fan using a learning model configured to output data regarding possibilities.
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、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む、前記ブロワに関する計測データを取得し、
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コンピュータプログラム。 to the computer,
A blower body including an impeller, a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor, the temperature of the motor, the suction temperature in the blower body, and the drive device. Obtaining measurement data regarding the blower including the output current of the inverter;
Blow-off for releasing part of the gas pumped by the blower body to the outside based on the correlation between the temperature rise degree of the motor obtained by subtracting the suction temperature from the motor temperature and the output current. A computer program that performs the process of estimating valve failure.
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、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む、前記ブロワに関する計測データを取得し、
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コンピュータプログラム。 to the computer,
A blower body including an impeller, a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor, the temperature of the motor, the suction temperature in the blower body, and the drive device. Obtaining measurement data regarding the blower including the output current of the inverter;
When data regarding the degree of temperature rise of the motor obtained by subtracting the suction temperature from the temperature of the motor and data on the output current are input, a portion of the gas that the blower body pumps is transferred to the outside. A computer program for executing a process of estimating a failure of the blow-off valve using a learning model configured to output data regarding the possibility that the blow-off valve for discharging the air will fail.
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１から請求項４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 a cumulative number of activations and a cumulative operating time of the blower,
Any one of claims 1 to 4 , wherein a relational expression indicating a correlation between the measured data or a learning model for the measured data is learned using data that further includes at least one of the cumulative number of starts and the cumulative operating time. The computer program according to one.
請求項１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。 A relational expression indicating a correlation between the measured data or a learning model for the measured data is further learned using data indicating at least one of the amount of change in the output current and the discharge pressure of the blower main body. 6. A computer program according to claim 5 .
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。 The measurement data further includes the suction gas amount and discharge pressure of the blower main body, and the power consumption of the blower,
to the computer;
Any one of claims 1 to 6 for executing a process of estimating deterioration of the blower body using a learning model configured to output data related to blower efficiency when the measurement data is input. The computer program according to one of the above .
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７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 rotational speed of the motor, the pressure loss in a filter included in the blower, and the cumulative number of activations and cumulative operating time of the blower,
to the computer;
A learning model configured to output data related to blower efficiency when data further including at least one of the rotational 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 7 , for causing the computer program to execute a process of estimating deterioration of the blower main body using.
請求項１から請求項８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 8 , wherein estimation criteria used when estimating failure or deterioration are individually set for each blower.
再取得した計測データと、推定対象の対象物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９の何れか１つに記載のコンピュータプログラム。 to the computer;
A process of relearning a relational expression indicating a correlation between the measurement data or a learning model for the measurement data using the reacquired measurement data and label data indicating whether the object to be estimated has failed or deteriorated. The computer program according to any one of claims 1 to 9 , for causing the computer program to execute.
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し、
推定結果に基づく情報を出力する
処理をコンピュータにより実行するブロワの状態監視方法。 A blower body including an impeller , a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor, the temperature of the drive device, the suction temperature in the blower body, and the drive device. obtain measurement data regarding the blower, including an output current of an inverter included in the blower ;
Estimating a failure of a cooling fan that cools the drive device based on the correlation between the temperature rise degree of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and the output current;
A blower condition monitoring method that uses a computer to output information based on estimation results.
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し、When data regarding the degree of temperature rise of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and data on the output current are input, the cooling fan that cools the drive device malfunctions. Estimating a failure of the cooling fan using a learning model configured to output probability data;
推定結果に基づく情報を出力するOutput information based on estimation results
処理をコンピュータにより実行するブロワの状態監視方法。A blower condition monitoring method in which processing is performed by a computer.
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し、Blow-off for releasing part of the gas pumped by the blower body to the outside based on the correlation between the temperature rise degree of the motor obtained by subtracting the suction temperature from the motor temperature and the output current. Estimate valve failure,
推定結果に基づく情報を出力するOutput information based on estimation results
処理をコンピュータにより実行するブロワの状態監視方法。A blower condition monitoring method in which processing is performed by a computer.
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し、When data regarding the degree of temperature rise of the motor obtained by subtracting the suction temperature from the temperature of the motor and data on the output current are input, a portion of the gas that the blower body pumps is transferred to the outside. estimating failure of the blow-off valve using a learning model configured to output data regarding the likelihood of failure of the blow-off valve for discharging;
推定結果に基づく情報を出力するOutput information based on estimation results
処理をコンピュータにより実行するブロワの状態監視方法。A blower condition monitoring method in which processing is performed by a computer.
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。 The temperature of the drive device, the suction temperature in the blower main body, and the drive device are determined from a blower body including an impeller, a motor that rotationally drives the impeller, and a drive device that supplies driving power for the motor. an acquisition unit that acquires measurement data regarding the blower, including an output current of an inverter ;
an estimation unit that estimates a failure of a cooling fan that cools the drive device based on a correlation between a temperature rise degree of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and the output current; ,
A blower condition monitoring device comprising: an output section that outputs information based on an estimation result by the estimation section.
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推定部と、When data regarding the degree of temperature rise of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and data on the output current are input, the cooling fan that cools the drive device malfunctions. an estimating unit that estimates a failure of the cooling fan using a learning model configured to output data regarding the possibility;
推定結果に基づく情報を出力する出力部とan output section that outputs information based on the estimation results;
を備えるブロワの状態監視装置。A blower condition monitoring device comprising:
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推定部と、Blow-off for releasing part of the gas pumped by the blower body to the outside based on the correlation between the temperature rise degree of the motor obtained by subtracting the suction temperature from the motor temperature and the output current. an estimation unit that estimates a failure of the valve;
推定結果に基づく情報を出力する出力部とan output section that outputs information based on the estimation results;
を備えるブロワの状態監視装置。A blower condition monitoring device comprising:
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推定部と、When data regarding the degree of temperature rise of the motor obtained by subtracting the suction temperature from the temperature of the motor and data on the output current are input, a portion of the gas that the blower body pumps is transferred to the outside. an estimating unit that estimates a failure of the blow-off valve using a learning model configured to output data related to the possibility that the blow-off valve for discharging will fail;
推定結果に基づく情報を出力する出力部とan output section that outputs information based on the estimation results;
を備えるブロワの状態監視装置。A blower condition monitoring device comprising:
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 JP2021161933A (en) | 2021-10-11 |
| JP7349400B2 true 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) |
Families Citing this family (2)
| 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 |
| 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 |
Citations (5)
| 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 |
-
2020
- 2020-03-31 JP JP2020063659A patent/JP7349400B2/en active Active
Patent Citations (5)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021161933A (en) | 2021-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7349400B2 (en) | Computer program, blower condition monitoring method, and blower condition monitoring device | |
| US10621545B2 (en) | Inventory management system having functions of performing inventory management and preventive maintenance | |
| EP2681496B1 (en) | Spm fault detection and diagnostics algorithm | |
| JP4832609B1 (en) | Abnormal sign diagnosis device and abnormality sign diagnosis method | |
| KR102518079B1 (en) | Information processing apparatus, information processing system, information processing method, program, substrate processing apparatus, reference data determination apparatus, and reference data determination method | |
| CN110050125B (en) | Information processing apparatus, information processing system, information processing method, and substrate processing apparatus | |
| CN110568809A (en) | Control device, control system, control method, recording medium, and machine learning device | |
| EP4004733A1 (en) | Automatic repair of computing devices in a data center | |
| JP5722720B2 (en) | Sensor node, device monitoring system, and low battery level notification method | |
| WO2020066052A1 (en) | Monitoring system and monitoring method | |
| CN105466707B (en) | Method, system and computer program for fault detection in a machine | |
| JP2018088179A (en) | Machine learning apparatus which learns failure prediction of fan, device containing machine learning apparatus and method of learning machine | |
| JP6655595B2 (en) | Unit space generation device, plant diagnosis system, unit space generation method, plant diagnosis method, and program | |
| JP7499347B2 (en) | Condition monitoring system, condition monitoring device, condition monitoring method, and computer program | |
| JP2021163158A (en) | Computer program, method of generating learning model, state monitoring method for gas filter, and state monitoring device for gas filter | |
| US20220090604A1 (en) | Pump monitoring apparatus, vacuum pump, pump monitoring method, and storage medium storing pump monitoring program | |
| AU2022205056B2 (en) | Determining drive system anomalies based on power and/or current changes in an irrigation system | |
| JP7309060B2 (en) | Learning device and reasoning device for maintenance of air conditioning equipment | |
| JP2022109737A (en) | Abnormality detection method, and abnormality detection apparatus | |
| JP7229018B2 (en) | Unsoundness prediction device, unsoundness prediction method, program, and computer-readable recording medium | |
| JP6820799B2 (en) | Information processing device, reference data determination device, information processing method, reference data determination method and program | |
| JP7137592B2 (en) | Deterioration diagnosis system, deterioration diagnosis device and deterioration diagnosis program | |
| WO2022123787A1 (en) | Learning device and inference device for state of air conditioning system | |
| JP7381353B2 (en) | Prediction device, prediction method and program | |
| JP2024020021A (en) | Device state notification device, device state notification 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 |