JP7420651B2

JP7420651B2 - 学習装置、予測モデルの生成方法、プログラム、状態予測装置、状態予測方法、及び空気圧縮機

Info

Publication number: JP7420651B2
Application number: JP2020097355A
Authority: JP
Inventors: 浩介梅谷
Original assignee: Kobe Steel Ltd
Current assignee: Kobe Steel Ltd
Priority date: 2020-06-04
Filing date: 2020-06-04
Publication date: 2024-01-23
Anticipated expiration: 2040-06-04
Also published as: JP2021188596A; WO2021246053A1

Description

本発明は、学習装置、予測モデルの生成方法、プログラム、状態予測装置、状態予測方法、及び空気圧縮機に関する。

特許文献１には、空気圧縮機について、圧力センサによりタンク内の圧力が第１の基準圧力から第２の基準圧力に上昇するまでの運転時間を表す実測データを検出して基準データと比較することによって、実測データの運転時間が基準データの運転時間に達した場合に、視覚的あるいは聴覚的にピストンリング交換時期であることを報知することが記載されている。

特開２００８－２８０８５３号公報

ところで、空気圧縮機に設けられたフィルタは、経年的な劣化や目詰まりを起こすため、適時に交換する必要がある。そのためには、空気圧縮機の状態を適切に把握することが重要である。

本発明は、上記課題に鑑みてなされたものであり、その主な目的は、空気圧縮機の状態を把握することが容易な学習装置、予測モデルの生成方法、プログラム、状態予測装置、状態予測方法、及び空気圧縮機を提供することにある。

上記課題を解決するため、本発明の一の態様の学習装置は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得する取得部と、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する学習部と、を備える。

また、本発明の他の態様の予測モデルの生成方法は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得し、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する。

また、本発明の他の態様のプログラムは、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得すること、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成することをコンピュータに実行させる。

また、本発明の他の態様の状態予測装置は、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得する取得部と、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える。

また、本発明の他の態様の状態予測方法は、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得し、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測し、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する。

また、本発明の他の態様のプログラムは、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得すること、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測すること、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出することをコンピュータに実行させる。

また、本発明の他の態様の空気圧縮機は、吸気口から吸込んだ空気を圧縮するスクリューと、前記スクリューを駆動するメインモータと、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度を検出するオイル温度検出部と、オイルを冷却するための冷却ファンと、前記冷却ファンを駆動するファンモータと、オイルの温度に応じて前記ファンモータを制御する制御部と、前記ファンモータの負荷を検出するファンモータ負荷検出部と、前記オイルの温度及び前記ファンモータの負荷の一方を第１状態データ、他方を第２状態データとして取得する取得部と、正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える。

本発明によれば、空気圧縮機の状態を把握することが容易となる。

システムの構成例を示す図である。空気圧縮機の構成例を示す図である。学習工程及び異常判定を説明する図である。データセットの例を示す図である。学習工程の手順例を示す図である。異常判定の手順例を示す図である。予測結果の時間変化例を示す図である。報知処理の手順例を示す図である。空気圧縮機の変形例を示す図である。

以下、本発明の実施形態について、図面を参照しながら説明する。

［システム概要］
図１は、実施形態に係る状態予測装置１、学習装置２、及び空気圧縮機３を含むシステム１００の構成例を示すブロック図である。状態予測装置１、学習装置２、及び空気圧縮機３は、例えばＬＡＮ等の通信ネットワークを介して相互にネットワーク通信が可能である。

状態予測装置１は制御部１０を備えている。制御部１０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、不揮発性メモリ、及び入出力インターフェース等を含むコンピュータである。制御部１０のＣＰＵは、ＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行する。

プログラムは、例えば光ディスク又はメモリカード等の情報記憶媒体を介して供給されてもよいし、例えばインターネット又はＬＡＮ等の通信ネットワークを介して供給されてもよい。

状態予測装置１と同様に、学習装置２は制御部２０を備えており、空気圧縮機３は制御部３０を備えている。

なお、状態予測装置１、学習装置２、及び空気圧縮機３から選択される２又は３つは、一体の装置として構成されてもよい。例えば、状態予測装置１と学習装置２が一体の装置とされてもよいし、状態予測装置１と空気圧縮機３が一体の装置とされてもよい。

状態予測装置１の制御部１０は、状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４、及び報知部１５を備えている。これらの機能部は、制御部１０のＣＰＵがＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。

学習装置２の制御部２０は、状態取得部２１、正常取得部２２、正異学習部２３、及び正常学習部２４を備えている。これらの機能部は、制御部２０のＣＰＵがＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。

図２は、空気圧縮機３の構成例を示す模式図である。空気圧縮機３は、吸気口４１から吸込んだ空気を圧縮するスクリュー４２と、スクリュー４２を駆動するメインモータ４３と、空気の圧縮過程で生じた熱の冷却に利用されたオイルを溜めるオイルタンク４４とを備えている。

また、空気圧縮機３は、オイルタンク４４からスクリュー４２への油路の途中に設けられたオイルクーラ４５と、オイルクーラ４５内のオイルを冷却するための冷却ファン４６と、冷却ファン４６を駆動するファンモータ４７とを備えている。

また、空気圧縮機３は、オイルタンク４４内のオイルの温度を検出するための温度センサ４８と、空気圧縮機３の周囲温度、すなわち吸気口４１から吸込まれる空気の温度を検出するための温度センサ４９とを備えている。

吸気口４１には、吸込む空気に含まれる塵や埃などの異物を取り除くための吸込フィルタ５１及びダストフィルタ５２が設けられている。

オイルタンク４４には、スクリュー４２から送り出されたオイルと圧縮空気とを分離するためのオイルセパレータエレメント５３が設けられている。

吸込フィルタ５１、ダストフィルタ５２、及びオイルセパレータエレメント５３等のフィルタは、経年的な劣化や目詰まりによって、エネルギー効率や冷却性能の低下を引き起こす可能性がある。

図１の説明に戻る。空気圧縮機３の制御部３０は、温度検出部３１，３２、負荷検出部３３，３４、及びモータ制御部３５を備えている。これらの機能部は、制御部３０のＣＰＵがＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。

温度検出部３１は、温度センサ４８（図２参照）からの検出信号に応じて、オイルタンク４４内のオイルの温度を検出する。オイルタンク４４内のオイルの温度は、オイルタンク４４内でオイルと分離されて外部に吐出される圧縮空気の温度でもある。以下、オイルタンク４４内のオイルの温度を「吐出温度」ともいう。

温度検出部３２は、温度センサ４９（図２参照）からの検出信号に応じて、空気圧縮機３の周囲温度を検出する。

負荷検出部３３は、スクリュー４２を駆動するメインモータ４３（図２参照）に供給される電流値に基づいて、メインモータ４３の負荷を検出する。

負荷検出部３４は、冷却ファン４６を駆動するファンモータ４７（図２参照）に供給される電流値に基づいて、ファンモータ４７の負荷を検出する。冷却ファン４６及びそれを駆動するファンモータ４７は、補機とも呼ばれる。以下、ファンモータ４７の負荷を「補機負荷」ともいう。

モータ制御部３５は、吐出温度に応じてファンモータ４７を制御する。具体的には、モータ制御部３５は、吐出温度が基準温度を超過した超過分を抑制するように、ファンモータ４７をフィードバック制御する。

吐出温度及び補機負荷は、フィルタの経年的な劣化や目詰まりが生じると、通常の値よりも上昇するため、異常判定を行う上で重要な変数となる。

本実施形態では、フィルタの経年的な劣化や目詰まりに起因する空気圧縮機３の異常を吐出温度及び補機負荷などの変数に基づいて判定することで、空気圧縮機３が故障に至る前にフィルタ交換などのメンテナンスを適切に実施することを目的としている。

ここで、故障とは、定められた使用条件を満たすにも関わらず継続的な稼働ができなくなる状態を指す。

［学習工程］
以下、学習装置２において実現される、実施形態に係る予測モデルの生成方法としての学習工程について説明する。

図３の上段は、学習工程を説明するための図である。特には、学習工程に用いられる状態データを得るためのデータクレンジングを説明する図である。図４は、学習工程に用いられるデータセットを管理するデータベースの例を示す図である。

状態データは、空気圧縮機３の状態を表すデータであり、吐出温度、周囲温度、メインモータ負荷、及び補機負荷などのデータを含んでいる。データセットは、状態データに加えて、空気圧縮機３の状態が正常時であるか又は異常時であるかを表すラベルを含んでいる。

まず、空気圧縮機３において検出される状態データから、運転中の状態データが抽出され、停止中の状態データが除外される。ここでは、例えば補機負荷が閾値以上である場合に運転中の状態データとされ、補機負荷が閾値未満である場合に停止中の状態データとされる。

次に、抽出された運転中の状態データから、通常運転時の状態データが抽出され、超低負荷時の状態データが除外される。ここでは、例えば吐出温度が閾値以上である場合に通常運転時の状態データとされ、吐出温度が閾値未満である場合に超低負荷時の状態データとされる。

次に、抽出された通常運転時の状態データが例えば１時間毎に平均される。平均された状態データには、正常時又は異常時を表すラベルが付される。ラベルは、例えば状態データに基づいて人によって判断される。このように得られた状態データ及びラベルを含むデータセットが、学習工程に用いられる。

図５は、学習工程の手順例を示す図である。学習装置２の制御部２０は、プログラムに従って同図に示す処理を実行することにより、状態取得部２１、正常取得部２２、正異学習部２３、及び正常学習部２４として機能する。

まず、制御部２０は、正常時又は異常時を表すラベルが付された状態データを、データベース（図４参照）から取得する（Ｓ１１：状態取得部２１としての処理）。状態取得部２１は、第２取得部の例である。

次に、制御部２０は、状態データを説明変数、正常時又は異常時を表すラベルを目的変数として、状態データに基づいて空気圧縮機３の正常時又は異常時を予測するための予測モデル１を生成する（Ｓ１２：正異学習部２３としての処理）。正異学習部２３は、第２学習部の例である。予測モデル１は、例えば０に近いほど正常を表し、１に近いほど異常を表す０～１の数値を出力するように生成される。この場合、出力される数値を、正常又は異常の確度として扱うことができる。

次に、制御部２０は、正常時を表すラベルが付された状態データを、データベース（図４参照）から取得する（Ｓ１３：正常取得部２２としての処理）。

次に、制御部２０は、正常時を表すラベルが付された状態データのうち、吐出温度を除く状態データ（周囲温度、メインモータ負荷、及び補機負荷など）を説明変数、吐出温度を目的変数として、正常時の吐出温度を予測するための予測モデル２を生成する（Ｓ１４：正常学習部２４としての処理）。ここでは、吐出温度を除く状態データ（周囲温度、メインモータ負荷、及び補機負荷など）が第１状態データの例であり、吐出温度が第２状態データの例である。

次に、制御部２０は、正常時を表すラベルが付された状態データのうち、補機負荷を除く状態データ（吐出温度、周囲温度、及びメインモータ負荷など）を説明変数、補機負荷を目的変数として、正常時の補機負荷を予測するための予測モデル３を生成する（Ｓ１５：正常学習部２４としての処理）。ここでは、補機負荷を除く状態データ（吐出温度、周囲温度、及びメインモータ負荷など）が第１状態データの例であり、補機負荷が第２状態データの例である。

予測モデル１～３の生成には、例えば勾配ブースティング木などの手法が用いられる。勾配ブースティング木は、複数の決定木（弱学習器）を組み合わせるアンサンブル学習の一種であり、前段の決定木の予測結果と答えとの誤差に当てはまるように後段の決定木を生成する手法である。これに限らず、予測モデル１～３の生成には、サポートベクタマシン、ガウス過程、又はニューラルネットワーク等の機械学習が用いられてもよい。

［異常判定］
以下、状態予測装置１において実現される、実施形態に係る状態予測方法としての異常判定について説明する。

図３の下段は、異常判定を説明するための図である。異常判定においても、学習工程と同様のデータクレンジングが実施され、平均された状態データが得られる。このように得られた状態データが、予測モデル１～３に入力される。

図６は、異常判定の手順例を示す図である。状態予測装置１の制御部１０は、プログラムに従って同図に示す処理を実行することで、状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４、及び報知部１５として機能する。

まず、制御部１０は、空気圧縮機３において検出され、データクレンジングされた状態データを取得する（Ｓ２１：状態取得部１１としての処理）。

次に、制御部１０は、学習工程で生成された予測モデル１を用い、取得された状態データに基づいて空気圧縮機３が正常時であるか異常時であるか予測する（Ｓ２２：正異判定部１２としての処理）。正異判定部１２は、第２予測部の例である。予測モデル１は、正常時又は異常時を表す０～１の数値を出力する。

次に、制御部１０は、学習工程で生成された予測モデル２を用い、取得された状態データのうちの吐出温度を除く状態データ（周囲温度、メインモータ負荷、及び補機負荷など）に基づいて正常時の吐出温度を予測するとともに（Ｓ２３：正常予測部１３としての処理）、取得された吐出温度から予測された正常時の吐出温度を引いた差分を算出する（Ｓ２４：差分算出部１４としての処理）。ここでは、吐出温度を除く状態データ（周囲温度、メインモータ負荷、及び補機負荷など）が第１状態データの例であり、吐出温度が第２状態データの例である。

次に、制御部１０は、学習工程で生成された予測モデル３を用い、取得された状態データのうちの補機負荷を除く状態データ（吐出温度、周囲温度、及びメインモータ負荷など）に基づいて正常時の補機負荷を予測するとともに（Ｓ２５：正常予測部１３としての処理）、取得された補機負荷から予測された正常時の補機負荷を引いた差分を算出する（Ｓ２６：差分算出部１４としての処理）。ここでは、補機負荷を除く状態データ（吐出温度、周囲温度、及びメインモータ負荷など）が第１状態データの例であり、補機負荷が第２状態データの例である。

なお、Ｓ２４又はＳ２６で算出される値は、差を表す値であればよく、取得された状態データと予測された正常時の状態データとの差分に限らず、取得された状態データと予測された正常時の状態データとの比率であってもよい。

次に、制御部１０は、報知処理を行う（Ｓ２７：報知部１５としての処理）。報知処理では、Ｓ２２で予測された正常時又は異常時を表す値、Ｓ２４で算出された吐出温度の差分、及びＳ２６で算出された補機負荷の差分から選択される１又は複数に基づいて、ユーザに報知すべきか否かが判定される。

図７は、正常時又は異常時を表す値、吐出温度の差分、及び補機負荷の差分の時間変化の典型的な例を模式的に示す図である。同図に示すように、補機負荷の差分は、異常時と判定される前にピークが現れる、すなわち検知感度が高いことが分かった。一方、吐出温度の差分は、検知感度は低いものの、異常の深刻度が現れやすいことが分かった。そこで、正常時又は異常時を表す値、吐出温度の差分、及び補機負荷の差分の２又は３つを適宜組み合わせることによって、空気圧縮機３の状態を多面的に把握することが可能となる。

図８は、報知処理Ｓ２７の手順例を示す図である。制御部１０は、正常時又は異常時を表す値が閾値以上であり（Ｓ３１：ＹＥＳ）、かつ吐出温度の差分も閾値以上である場合に（Ｓ３２：ＹＥＳ）、ユーザへの報知を行う（Ｓ３３）。ユーザへの報知は、例えば表示によるものであってもよいし、音声によるものであってもよく、特に限定されない。これによれば、異常判定だけでなく、吐出温度の差分から異常の深刻度を定量的に評価することが可能となる。本例はあくまでも一例であり、報知処理Ｓ２７はこれに限られない。

以上に説明した実施形態によれば、フィルタの経年的な劣化や目詰まりに起因する空気圧縮機３の異常を効率的に予測し、フィルタ交換などのメンテナンスを適切に実施することが可能となる。

以上、本発明の実施形態について説明したが、本発明は以上に説明した実施形態に限定されるものではなく、種々の変更が当業者にとって可能であることはもちろんである。

例えば図９に示すように、空気圧縮機３Ａが状態予測装置１を兼ねてもよい。すなわち、空気圧縮機３Ａの制御部３０において、状態予測装置１の状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４、及び報知部１５が実現されてもよい。

１状態予測装置、１０制御部、１１状態取得部、１２正異判定部、１３正常予測部、１４差分算出部、１５報知部、２学習装置、２０制御部、２１状態取得部、２２正常取得部、２３正異学習部、２４正常学習部、３空気圧縮機、３０制御部、３１，３２温度検出部、３３，３４負荷検出部、３５モータ制御部、４１吸気口、４２スクリュー、４３メインモータ、４４オイルタンク、４５オイルクーラ、４６冷却ファン、４７ファンモータ、４８，４９温度センサ、５１吸込フィルタ、５２ダストフィルタ、５３オイルセパレータエレメント

Claims

空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得する取得部と、
前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する学習部と、
を備え、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
学習装置。
前記第１状態データは、前記空気圧縮機に吸い込まれる空気の温度、及び空気を圧縮するスクリューを駆動するメインモータの負荷をさらに含む、
請求項１に記載の学習装置。
前記空気圧縮機の正常時又は異常時の状態を表す前記第１状態データ及び前記第２状態データを取得する第２取得部と、
前記第１状態データ及び前記第２状態データを説明変数、正常時又は異常時を表すラベルを目的変数として、第１状態データ及び第２状態データに基づいて前記空気圧縮機の正常時又は異常時を予測するための予測モデルを生成する第２学習部と、
をさらに備える、
請求項１または２に記載の学習装置。
空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得し、
前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する、
予測モデルの生成方法であって、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
予測モデルの生成方法。
空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データ及び第２状態データを取得すること、
前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成すること、
をコンピュータに実行させ、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
プログラム。
空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得する取得部と、
前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、
前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、
を備え、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
状態予測装置。
前記第１状態データは、前記空気圧縮機に吸い込まれる空気の温度、及び空気を圧縮するスクリューを駆動するメインモータの負荷をさらに含む、
請求項６に記載の状態予測装置。
前記空気圧縮機の正常時又は異常時の第１状態データ及び第２状態データを説明変数、正常時又は異常時を表すラベルを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データ及び第２状態データに基づいて前記空気圧縮機の正常時又は異常時を予測する第２予測部をさらに備える、
請求項６または７に記載の状態予測装置。
前記算出部により算出された値が所定以上であり、且つ前記第２予測部により異常時が予測された場合に、ユーザに報知する報知部をさらに備える、
請求項８に記載の状態予測装置。
空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得し、
前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測し、
前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する、
状態予測方法であって、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
状態予測方法。
空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データ及び第２状態データを取得すること、
前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測すること、
前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出すること
をコンピュータに実行させ、
前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、及びオイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷のうちの一方を少なくとも含み、
前記第２状態データは、前記オイルの温度及び前記ファンモータの負荷のうちの他方を含む、
プログラム。
吸気口から吸込んだ空気を圧縮するスクリューと、
前記スクリューを駆動するメインモータと、
空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度を検出するオイル温度検出部と、
オイルを冷却するための冷却ファンと、
前記冷却ファンを駆動するファンモータと、
オイルの温度に応じて前記ファンモータを制御するモータ制御部と、
前記ファンモータの負荷を検出するファンモータ負荷検出部と、
前記オイルの温度及び前記ファンモータの負荷の一方を第１状態データ、他方を第２状態データとして取得する取得部と、
正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、
前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、
を備える、空気圧縮機。
外部の空気の温度を検出する外部空気温度検出部と、
前記メインモータの負荷を検出するメインモータ負荷検出部と、
をさらに備え、
前記第１状態データは、前記外部の空気の温度及び前記メインモータの負荷をさらに含む、
請求項１２に記載の空気圧縮機。