机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序

摘要

机器学习装置(4)生成在诊断固定侧滑动部件和旋转侧滑动部件滑动的滑动面的状态的滑动面诊断装置(1A)中使用的学习模型(6)。机器学习装置(4)具备：学习用数据存储部(41)，其存储至少包含规定期间内的马达电流值的数据、规定期间内的接触电阻的数据、以及规定期间内的振动(AE波或加速度)的数据作为输入数据的学习用数据；机器学习部(42)，其通过将学习用数据输入至学习模型(6)而使学习模型(6)学习输入数据与滑动面的诊断信息之间的相关关系；和学习完毕模型存储部(43)，其存储用机器学习部(42)进行学习后的学习模型(6)。

说明书

技术领域

本发明涉及机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序。

背景技术

作为构成机械设备的许多机械要素之一，一直以来使用具有滑动面的滑动机械要素。滑动机械要素具备固定侧滑动部件和旋转侧滑动部件，通过两部件的滑动面滑动来实现两部件的相对运动。因此，滑动面的状态大幅度影响滑动机械要素的功能，也出于机械设备的维护的观点考虑，诊断滑动面的状态并管理成恰当的状态是极其重要的。

例如，在专利文献1及专利文献2中公开有诊断滑动机械要素中的滑动面的状态的装置。在专利文献1中公开有通过监控旋转轴与滑动轴承之间的滑动部分的压力、温度等物理量来检测滑动部分的损伤的装置。在专利文献2中公开有如下装置：在轴承装置上安装有作为滑动状态检测部件的弹性波传感器，根据由弹性波传感器所检测出的振动的变化来检测润滑油在衬套与连结销之间的滑动面处于不足倾向的情况。

现有技术文献

专利文献

专利文献1：日本特开2010-180982号公报

专利文献2：日本特开平10-318261号公报

发明内容

在专利文献1及专利文献2所分别公开的装置中，基于各个物理量(压力、温度及振动)而诊断滑动面的状态。因此，在滑动面的状态的变化表现成上述以外的物理量、或复合地表现成多个物理量这样的情况下，以专利文献1及专利文献2所分别公开的装置无法应对。另外，在伴随着基于多个物理量这样的复合事象的诊断中，依赖作业者的经验(包含隐性知识)的部分、作业者的个人差异较大，强烈期望实现使这样的诊断自动化的装置。

本发明鉴于上述的课题，以提供不依赖作业者的经验、就能高精度地诊断滑动机械要素中的滑动面的状态的机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序为目的。

为了达成上述目的，本发明的第1形态的机器学习装置生成在滑动面诊断装置中使用的学习模型，所述滑动面诊断装置诊断固定侧滑动部件和旋转侧滑动部件滑动的滑动面的状态，其中，

所述机器学习装置具备：

学习用数据存储部，其存储一组或多组学习用数据，所述学习用数据至少包含在规定期间内向作为所述旋转侧滑动部件的驱动源的马达供给的马达电流值的数据、所述规定期间内的所述固定侧滑动部件与所述旋转侧滑动部件之间的接触电阻的数据、以及在所述规定期间内在所述固定侧滑动部件及所述旋转侧滑动部件中的至少一方产生的振动的数据作为输入数据；

机器学习部，其通过将一组或多组所述学习用数据输入至所述学习模型而使所述学习模型学习所述输入数据与所述滑动面的诊断信息之间的相关关系；和

学习完毕模型存储部，其存储利用所述机器学习部进行学习后的所述学习模型。

为了达成上述目的，本发明的第2形态的滑动面诊断装置使用由上述机器学习装置所生成的学习模型而诊断固定侧滑动部件和旋转侧滑动部件滑动的滑动面的状态，其中，

所述滑动面诊断装置具备：

输入数据取得部，其取得输入数据，所述输入数据包含规定期间内的向作为所述旋转侧滑动部件的驱动源的马达供给的马达电流值的数据、所述规定期间内的所述固定侧滑动部件与所述旋转侧滑动部件之间的接触电阻的数据、以及所述规定期间内的在所述固定侧滑动部件及所述旋转侧滑动部件中的至少一方产生的振动的数据；和

推论部，其将由所述输入数据取得部所取得的所述输入数据输入至所述学习模型，推论所述滑动面的诊断信息。

发明效果

根据本发明的机器学习装置，能够提供能从马达电流值的数据、接触电阻的数据、及振动的数据高精度地推论(推定)滑动面的诊断信息的学习模型。另外，根据本发明的滑动面诊断装置，不依赖作业者的经验，就能够高精度地诊断滑动面的状态。

上述以外的课题、构成及效果利用后述的具体实施方式变得清楚。

附图说明

图1是表示应用了第1实施方式的滑动面诊断系统2的第1滑动机械要素1A的一个例子的概略构成图。

图2是表示应用了第1实施方式的滑动面诊断系统2的第2滑动机械要素1B的一个例子的概略构成图。

图3是表示构成机器学习装置4及滑动面诊断装置5的计算机200的一个例子的硬件构成图。

图4是表示第1实施方式的机器学习装置4的一个例子的框图。

图5是表示在第1实施方式的机器学习装置4中所使用的数据(监督学习)的一个例子的数据构成图。

图6是表示在第1实施方式的机器学习装置4中所使用的神经网络模型的一个例子的示意图。

图7是表示由第1实施方式的机器学习装置4进行的机器学习方法的一个例子的流程图。

图8是表示第1实施方式的滑动面诊断装置5的一个例子的框图。

图9是表示由第1实施方式的滑动面诊断装置5进行的滑动面诊断方法的一个例子的流程图。

图10是表示在第2实施方式的机器学习装置4中所使用的数据(非监督学习)的一个例子的数据构成图。

图11是表示在第2实施方式的机器学习装置4中所使用的自编码器模型的一个例子的示意图。

图12是表示由第2实施方式的机器学习装置4进行的机器学习方法的一个例子的流程图。

图13是表示由第2实施方式的滑动面诊断装置5进行的滑动面诊断方法的一个例子的流程图。

具体实施方式

以下，参照附图对用于实施本发明的实施方式进行说明。以下，示意性地表示用于达成本发明的目的的说明所需要的范围，主要说明本发明的相应部分的说明所需要的范围，对于省略说明的部分，设为基于公知技术。

(第1实施方式)

图1是表示应用了第1实施方式的滑动面诊断系统2的第1滑动机械要素1A的一个例子的概略构成图。图2是表示应用了第1实施方式的滑动面诊断系统2的第2滑动机械要素1B的一个例子的概略构成图。

滑动机械要素1A、1B大体划分成滑动面100、110进行线接触的第1滑动机械要素1A(参照图1)和滑动面100、110进行面接触的第2滑动机械要素1B(参照图2)。

第1滑动机械要素1A及第2滑动机械要素1B分别具备：具有固定侧滑动面100的固定侧滑动部件10；和具有旋转侧滑动面110的旋转侧滑动部件11。此外，在本说明书中，“滑动面”用作不仅包含表示固定侧滑动面100及旋转侧滑动面110这两方的情况、也包含表示它们中的任意一方的情况的用语。

固定侧滑动部件10固定于支承部件(未图示)。旋转侧滑动部件11固定于旋转轴12，旋转轴12与作为驱动源的马达13连结。通过从马达控制装置14向马达13供给电流而旋转驱动马达13，从而旋转侧滑动部件11与旋转轴12一体地旋转。此时，固定侧滑动面100和旋转侧滑动面110借助润滑剂滑动。润滑剂可以是任意的物质，例如是油、水、水溶液等。

如图1所示，第1滑动机械要素1A具有线接触的滑动面100、110，例如，构成承受径向载荷的滑动轴承。在第1滑动机械要素1A中，固定侧滑动部件10及旋转侧滑动部件11形成为圆环状，配置成以旋转轴12为中心的同心状。旋转侧滑动部件11以覆盖旋转轴12的外周面的方式固定于旋转轴12。旋转侧滑动部件11的外周面相当于旋转侧滑动面110。此外，也可以不将旋转侧滑动部件11和旋转轴12设为分开的部件，而是旋转轴12自身作为旋转侧滑动部件11发挥功能，在该情况下，旋转轴12的外周面相当于旋转侧滑动面110。另外，固定侧滑动部件10以覆盖旋转侧滑动面110的方式配置。固定侧滑动部件10的内周面相当于固定侧滑动面100。

如图2所示，第2滑动机械要素1B具有面接触的滑动面100、110，例如，构成承受推力载荷的滑动轴承、机械密封。在第2滑动机械要素1B中，固定侧滑动部件10及旋转侧滑动部件11形成为圆环状，与旋转轴12排列成同轴状地配置。固定侧滑动部件10的位于旋转侧滑动部件11侧的环状的侧面相当于固定侧滑动面100。旋转侧滑动部件11固定于旋转轴12的外周面。旋转侧滑动部件11的位于固定侧滑动部件10侧的环状的侧面相当于旋转侧滑动面110。固定侧滑动部件10及旋转侧滑动部件11以通过施力部件15在旋转轴12的轴向上按压固定侧滑动面100及旋转侧滑动面110的方式被支承。此外，施力部件15也可以设于固定侧滑动部件10侧来替代如图2所示设于旋转侧滑动部件11侧，或者，施力部件15也可以除了如图2所示设于旋转侧滑动部件11侧之外，还设于固定侧滑动部件10侧。另外，施力部件15也可以并非如图2所示设于旋转侧滑动部件11侧，而是省略。

针对具有上述结构的滑动机械要素1A、1B设有诊断滑动面100、110的状态的滑动面诊断系统2。滑动面诊断系统2具备测定装置3、机器学习装置4和滑动面诊断装置5。

测定装置3设置于滑动机械要素1A、1B的各部，测定滑动机械要素1A、1B的各部的物理量、状态量。测定装置3在学习阶段(phase)中与机器学习装置4连接而用于学习用的数据测定，在推论阶段中与滑动面诊断装置5连接而用于诊断用的数据测定。测定装置3具备马达电流传感器30、接触电阻测定电路31、声发射(以下，称为“AE”)测定电路32和加速度传感器33。

马达电流传感器30例如安装于将马达13和马达控制装置14连接的电力线，测定从马达控制装置14向马达13供给的马达电流值。此外，马达电流传感器30也可以设于马达13的内部或马达控制装置14的内部。

接触电阻测定电路31与固定侧滑动部件10和旋转侧滑动部件11分别电连接并施加规定的电压，由此测定固定侧滑动部件10与旋转侧滑动部件11之间的接触电阻。作为接触电阻的测定值，例如，于在固定侧滑动部件10与旋转侧滑动部件11之间不存在充分的润滑剂的情况下，测定表示接触状态的电阻值(0Ω)。另外，于在固定侧滑动部件10与旋转侧滑动部件11之间存在充分的润滑剂的情况下，测定表示绝缘状态的电阻值(例如，100kΩ级)。

AE测定电路32具备固定于固定侧滑动部件10的AE传感器320和与AE传感器320电连接的信号处理电路321。AE传感器320检测在固定侧滑动部件10产生的AE波，并作为AE信号输出。信号处理电路321例如具有前置放大器及鉴别器，使由AE传感器320所输出的AE信号通过规定的滤波器而放大，从而测定AE波。此外，也可以是，AE传感器320固定于旋转侧滑动部件11来替代固定于固定侧滑动部件10，或者，AE传感器320除了固定于固定侧滑动部件10之外还固定于旋转侧滑动部件11。另外，AE传感器320在图1、图2的例子中安装于固定侧滑动部件10的外周圆筒面，但也可以适当改变AE传感器320的安装位置、安装形态。AE传感器320例如也可以安装于固定侧滑动部件10的轴向端面，还可以借助转接器、壳体等部件安装于固定侧滑动部件10。

加速度传感器33固定于固定侧滑动部件10，测定在固定侧滑动部件10产生的加速度。加速度传感器33例如是测定1轴的加速度的传感器，以测定与滑动面100、110正交的方向(箭头D1、D2)上的加速度的方式固定于固定侧滑动部件10。在第1滑动机械要素1A中，箭头D1(参照图1)所示的方向是固定侧滑动部件10的径向、且是旋转轴12的载荷方向。在第2滑动机械要素1B中，箭头D2(参照图2)所示的方向是固定侧滑动部件10的轴向、且是旋转侧滑动部件11和固定侧滑动部件10被按压的按压方向。此外，也可以是，加速度传感器33固定于旋转侧滑动部件11来替代固定于固定侧滑动部件10，或者，加速度传感器33除了固定于固定侧滑动部件10之外，还固定于旋转侧滑动部件11。另外，在图1、图2的例子中，加速度传感器33安装于固定侧滑动部件10的外周圆筒面，但也可以适当改变加速度传感器33的安装位置、安装形态。加速度传感器33例如也可以安装于固定侧滑动部件10的轴向端面，还可以借助转接器、壳体等部件安装于固定侧滑动部件10。

测定装置3例如以规定的测定周期测定各部的物理量、状态量，构成为每次经过测定周期都能向机器学习装置4及滑动面诊断装置5输出其测定时间点下的测定值。此外，构成测定装置3的马达电流传感器30、接触电阻测定电路31、AE测定电路32及加速度传感器33各自的测定周期既可以相同，也可以不同。另外，测定装置3也可以替代如上所述每次经过测定周期都输出离散的测定值，而如模拟信号这样输出连续的测定值。

机器学习装置4作为学习阶段的主体而动作，利用机器学习生成在诊断滑动面100、110的状态之际所使用的学习模型6。作为机器学习的方法，机器学习装置4能够采用“监督学习”及“非监督学习”中任一种。在本实施方式中采用“监督学习”，在后述的第2实施方式中，采用“非监督学习”。

滑动面诊断装置5作为推论阶段的主体而动作，使用由机器学习装置4所生成的学习完毕的学习模型6而根据由测定装置3所测定出的测定值诊断滑动面100、110的状态。学习完毕的学习模型6从机器学习装置4借助任意的通信网、记录介质等向滑动面诊断装置5提供。

图3是表示构成机器学习装置4及滑动面诊断装置5的计算机200的一个例子的硬件构成图。

机器学习装置4及滑动面诊断装置5分别由通用或专用的计算机200构成。如图3所示，作为其主要的构成要素，计算机200具备总线210、处理器212、存储器214、输入器件216、显示器件218、储存装置220、通信I/F(接口)部222、外部设备I/F部224、I/O(输入输出)器件I/F部226、及介质输入输出部228。此外，上述的构成要素也可以根据使用计算机200的用途适当省略。

处理器212由一个或多个运算处理装置(CPU、MPU、GPU、DSP等)构成，作为总括计算机200整体的控制部动作。存储器214存储各种数据及程序230，例如，由作为主存储器起作用的易失性存储器(DRAM、SRAM等)、和非易失性存储器(ROM、闪存等)构成。

输入器件216例如由键盘、鼠标、数字键、电子笔等构成。显示器件218例如由液晶显示器、有机EL显示器、电子纸、投影仪等构成。输入器件216及显示器件218也可以如触摸面板显示器这样一体地构成。储存装置220例如由HDD、SSD等构成，存储操作系统、程序230的执行所需要的各种数据。

通信I/F部222利用有线或无线与互联网、内联网等网络240连接，按照规定的通信标准在与其他计算机之间进行数据的收发。外部设备I/F部224利用有线或无线与打印机、扫描仪等外部设备250连接，按照规定的通信标准在与外部设备250之间进行数据的收发。I/O器件I/F部226与各种传感器、致动器等I/O器件260连接，在与I/O器件260之间例如进行传感器的检测信号、向致动器的控制信号等各种信号、数据的收发。介质输入输出部228例如由DVD驱动器、CD驱动器等驱动装置构成，对DVD、CD等介质270进行数据的读写。

在具有上述构成的计算机200中，处理器212向存储器214的工件存储区调出程序230并执行，经由总线210控制计算机200的各部。此外，程序230也可以存储于储存装置220来替代存储于存储器214。也可以是，程序230以能安装的文件形式或能执行的文件形式记录于CD、DVD等非暂时性记录介质，借助介质输入输出部228向计算机200提供。程序230也可以借助通信I/F部222经由网络240下载来提供给计算机200。

计算机200例如由固定型计算机或便携型计算机构成，是任意形态的电子设备。计算机200既可以是客户端型计算机，也可以是服务器型计算机、云型计算机。计算机200也可以应用于机器学习装置4及滑动面诊断装置5以外的其他装置。

(机器学习装置4)

图4是表示第1实施方式的机器学习装置4的一个例子的框图。在图4所示的机器学习装置4中，将第1滑动机械要素1A作为学习模型6的对象，但也可以将第2滑动机械要素1B作为学习模型6的对象。

机器学习装置4具备学习用数据取得部40、学习用数据存储部41、机器学习部42、和学习完毕模型存储部43。机器学习装置4例如由图3所示的计算机200构成。在该情况下，学习用数据取得部40由通信I/F部222或I/O器件I/F部226构成，机器学习部42由处理器212构成，学习用数据存储部41及学习完毕模型存储部43由储存装置220构成。

学习用数据取得部40借助通信网20与各种外部装置连接，是取得至少包含输入数据在内的学习用数据的接口单元。外部装置例如是设于第1滑动机械要素1A的测定装置3、设于模拟了第1滑动机械要素1A的试验装置7上的测定装置3、及作业者使用的作业者用终端8等。此外，在滑动面诊断装置5与通信网20连接的情况下，学习用数据取得部40也可以从设于作为滑动面诊断装置5的诊断对象的第1滑动机械要素1A上的测定装置3取得学习用数据。

在试验装置7的各部设有马达电流传感器30、接触电阻测定电路31、AE测定电路32及加速度传感器33作为测定装置3。如图4所示，在试验装置7是模拟了第1滑动机械要素1A的装置的情况下，试验装置7例如构成为实施环块(Block on Ring)型的一个方向滑动摩擦试验的装置。

学习用数据存储部41是存储一组或多组由学习用数据取得部40所取得的学习用数据的数据库。此外，构成学习用数据存储部41的数据库的具体构成适当设计即可。

机器学习部42使用存储于学习用数据存储部41的学习用数据而实施机器学习。即，机器学习部42通过将多组学习用数据输入学习模型6来使学习模型6学习学习用数据所包含的输入数据与滑动面100、110的诊断信息之间的相关关系，由此生成学习完毕的学习模型6。在本实施方式中，作为基于机器学习部42进行的监督学习的具体方法，对采用神经网络的情况进行说明。

学习完毕模型存储部43是存储由机器学习部42所生成的学习完毕的学习模型6的数据库。存储于学习完毕模型存储部43中的学习完毕的学习模型6借助任意的通信网、记录介质等提供给实际系统(例如，滑动面诊断装置5)。此外，在图4中，学习用数据存储部41和学习完毕模型存储部43表示为单独的存储部，但它们也可以由单一存储部构成。

图5是表示在第1实施方式的机器学习装置4中所使用的数据(监督学习)的一个例子的数据构成图。

学习用数据至少包含在规定期间中向马达13供给的马达电流值的数据、规定期间内的固定侧滑动部件10与旋转侧滑动部件11之间的接触电阻的数据、及在规定期间中在固定侧滑动部件10及旋转侧滑动部件11中的至少一方产生的振动的数据作为输入数据。作为输入数据的马达电流值的数据、接触电阻的数据、及振动的数据各自的规定期间以设定成相同的期间为基本，但在确认在各数据间产生时间差的关系的情况下，也可以设定成与该时间差相对应的期间。此外，也可以是，输入数据除了马达电流值的数据、接触电阻的数据、及振动的数据以外，还包含其他数据，例如，也可以是，还包含在固定侧滑动部件10和旋转侧滑动部件11滑动时所产生的声音、固定侧滑动部件10及旋转侧滑动部件11中的至少一方的温度、固定侧滑动部件10与旋转侧滑动部件11之间的润滑压力、润滑剂的流量、润滑剂的温度、及润滑剂的性状值(颜色、粒径分布)的数据中的至少一个数据。

规定期间内的马达电流值的数据由在规定期间内的多个测定时间点由马达电流传感器30所测定出的多个测定值(马达电流值)构成。马达电流值的数据例如与表示测定时间点的测定时刻相关联地构成为以测定时刻按照时间序列顺序排列的数组数据。此外，在马达电流传感器30输出连续的测定值这样的情况下，学习用数据取得部40以规定的采样周期使测定值数据化。由此，规定期间内的马达电流值的数据由规定期间内的多个采样时间点下的多个测定值(马达电流值)构成。

规定期间内的接触电阻的数据由在规定期间内的多个测定时间点由接触电阻测定电路31所测定出的多个测定值(接触电阻)构成。接触电阻的数据例如与表示测定时间点的测定时刻相关联地构成为以测定时刻按照时间序列顺序排列的数组数据。此外，在接触电阻测定电路31输出连续的测定值这样的情况下，学习用数据取得部40以规定的采样周期使测定值数据化。由此，规定期间内的接触电阻的数据由规定期间内的多个采样时间点下的多个测定值(接触电阻)构成。

规定期间内的振动的数据是规定期间内的AE波的数据、及规定期间内的在与滑动面100、110正交的方向上产生的加速度的数据中的至少一个。在本实施方式中，振动的数据说明为由AE波的数据及加速度的数据构成的数据。此外，振动的数据只要是表示在固定侧滑动部件10及旋转侧滑动部件11中的至少一方所产生的振动的数据即可，也可以使用除了AE波的数据及加速度的数据以外的数据。

规定期间内的AE波的数据由在规定期间内的多个测定时间点由AE测定电路32所测定出的多个测定值(AE波)构成。AE波的数据例如与表示测定时间点的测定时刻相关联地构成为以测定时刻按照时间序列顺序排列的数组数据。此外，在AE测定电路32输出连续的测定值这样的情况下，学习用数据取得部40以规定的采样周期使测定值数据化。由此，规定期间内的AE波的数据由规定期间内的多个采样时间点下的多个测定值(AE波)构成。

规定期间内的加速度的数据由在规定期间内的多个测定时间点由加速度传感器33所测定出的多个测定值(加速度)构成。加速度的数据例如与表示测定时间点的测定时刻相关联地构成为以测定时刻按照时间序列顺序排列的数组数据。此外，在加速度传感器33输出连续的测定值这样的情况下，学习用数据取得部40以规定的采样周期使测定值数据化。由此，规定期间内的加速度的数据由规定期间内的多个采样时间点下的多个测定值(加速度)构成。

在采用“监督学习”作为机器学习的情况下，学习用数据还包含表示规定期间内的滑动面100、110的状态是多个状态中的某一个状态的诊断信息作为与输入数据建立了对应的输出数据。输出数据在监督学习中例如被称为训练数据、正确标签。

诊断信息是与滑动面100、110的磨损有关的诊断信息、与滑动面100、110的烧伤有关的诊断信息、及与润滑剂的污损有关的诊断信息中的至少一个。

作为滑动面100、110的状态，在诊断有无异常的情况下，诊断信息构成为表示滑动面100、110的状态是正常及异常中的某一个的信息。在该情况下，诊断信息被分类成2值，例如，将表示滑动面100、110处于正常状态的值定义为“0”，将表示滑动面100、110处于异常状态的值定义为“1”。在本实施方式中，诊断信息说明为表示是正常及异常中的某一个的信息。

因而，本实施方式的学习用数据如图5所示，是包含马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据在内的输入数据与包含表示是正常及异常中的某一个的诊断信息在内的输出数据建立对应而构成的。此处的异常也可以不仅包含在诊断时间点时弄清楚了异常的产生这样的事后的异常，还包含虽然在诊断时间点处于判断为正常的容许范围但预见到将来的异常的产生这样的异常的征兆。

此外，诊断信息中的表示异常的信息也可以以与图5所示的异常1/异常2/…/异常n相对应的方式例如包含与异常的具体的内容、程度相应的多个异常。

作为异常的具体内容，例如，包含与磨损有关的异常、与烧伤有关的异常或与润滑剂的污损有关的异常。在该情况下，诊断信息被分类成多值(3以上的整数)，例如，将表示滑动面100、110处于正常状态的值定义为“0”，将表示是与磨损有关的异常的值定义为“1”，将表示是与烧伤有关的异常的值定义为“2”，以下同样地定义为与各异常的内容相应的值。

作为异常的具体程度，例如，若是与磨损有关的异常，则包含以多个级别对磨损的程度进行分类。在该情况下，诊断信息被分类成多值(3以上的整数)，例如，将表示滑动面100、110处于正常状态的值定义为“0”，将表示是磨损的程度处于低级别的异常的值定义为“1”，将表示是磨损的程度处于中级别的异常的值定义为“2”，以下同样地定义为与各异常的程度相应的值。

在此，对学习用数据所包含的输入数据(规定期间内的、马达电流值的数据、接触电阻的数据、AE波的数据及加速度的数据)与滑动面100、110的诊断信息之间的相关关系进行说明。

马达电流值在使马达13以规定的旋转速度旋转驱动时从马达控制电路14向马达13供给，因此，根据滑动面100、110的状态而变化。例如，在滑动面100、110的摩擦系数高的状态下，马达电流值上升。因此，马达电流值的数据间接地表示滑动面100、110的摩擦阻力，主要为了监视滑动面100、110的摩擦阻力而使用。接触电阻根据固定侧滑动部件10与旋转侧滑动部件11之间是绝缘状态还是接触状态而连续地变化。因此，接触电阻的数据主要为了监视滑动面100、110中的润滑剂的润滑状态而使用。

另外，在产生了异物混入润滑剂或由滑动面100、110的磨损产生的磨损粉增加这样的润滑剂的污损的情况下，在滑动面100、110产生突发性的振动，计测为加速度、AE波的变化。另外，在由于烧伤而产生了滑动面100、110的损伤这样的情况下，计测为AE波。因此，加速度的数据及AE波的数据主要为了监视滑动面100、110中的润滑剂的污损状态、滑动面100、110的烧伤状态而使用。

对于马达电流值的数据、接触电阻的数据、AE波的数据及加速度的数据，作为各个数据的主要监视用途而如上述这样，但滑动面100、110的状态受到滑动面100、110的使用环境、使用条件、维护状况等的各种影响而复杂地变化。为了恰当地诊断如此复杂地变化的滑动面100、110的状态，仅单独监视各个数据是困难的，以往依赖作业者的经验的部分较大。因此，学习用数据设为包含规定期间内的、马达电流值的数据、接触电阻的数据、AE波的数据及加速度的数据作为输入数据的构成，由此，即使是在滑动面100、110的状态如上述这样受到各种影响而复杂地变化的情况下，也能高精度地诊断滑动面100、110的状态。

在学习用数据取得部40取得上述的学习用数据的情况下，将由设于第1滑动机械要素1A或试验装置7的测定装置3所测定出的规定期间内的马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据作为输入数据，从测定装置3取得。另外，若作业者诊断由测定装置3测定出输入数据的规定期间内的滑动面100、110的状态，并将所诊断的其诊断结果(例如，正常或异常)输入至作业者用终端8，则学习用数据取得部40将基于利用作业者用终端8所输入的诊断结果的诊断信息作为输出数据(训练数据)，从作业者用终端8取得。并且，学习用数据取得部40通过使这些输入数据与输出数据建立对应来构成一个学习用数据，存储于学习用数据存储部41。

图6是表示在第1实施方式的机器学习装置4中所使用的神经网络模型的一个例子的示意图。

学习模型6构成为图6所示的神经网络模型。神经网络模型由位于输入层的l个神经元(x1～xl)、位于第1中间层的m个神经元(y11～y1m)、位于第2中间层的n个神经元(y21～y2n)、及位于输出层的o个神经元(z1～zo)构成。

学习用数据所包含的输入数据分别与输入层的各神经元建立对应。学习用数据所包含的输出数据分别与输出层的各神经元建立对应。此外，也可以对向输入层输入之前的输入数据实施规定的前处理，还可以对从输出层输出之后的输出数据实施规定的后处理。

第1中间层及第2中间层也被称为隐藏层，作为神经网络，除了第1中间层及第2中间层之外，也可以还具有多个隐藏层，还可以仅将第1中间层设为隐藏层。另外，在输入层与第1中间层之间、第1中间层与第2中间层之间、第2中间层与输出层之间布设有将各层的神经元之间连接的突触，权重wi(i是自然数)与各突触建立对应。

神经网络模型使用学习用数据，向输入层输入该学习用数据所包含的输入数据，对作为其推论结果而从输出层输出的输出数据和该学习用数据所包含的输出数据(训练数据)进行比较，由此学习输入数据与输出数据之间的相关关系。

具体而言，学习用数据所包含的输入数据分别输入至输入层的各神经元。并且，对于输出层的各神经元的值，通过对除了输入层以外的全部神经元进行如下处理而计算出，所述处理是作为与该神经元连接的输入侧的神经元的值、和与连接输出侧的神经元及输入侧的神经元的突触建立了对应的权重wi之间的乘积的数列的和而进行计算的处理。

并且，分别比较作为推论结果而输出到输出层的各神经元的值(z1～zo)和与学习用数据所包含的输出数据分别对应的训练数据的值(t1～to)而求出误差，以使该误差变小的方式实施调整与各突触建立对应的权重wi的处理(反向传播)。

在将上述的一系列工序反复实施规定次数、或者上述的误差变为比容许值小等满足了规定的学习结束条件的情况下，结束机器学习，生成为学习完毕的神经网络模型(与突触分别建立了对应的全部权重wi)。

(机器学习方法)

图7是表示由第1实施方式的机器学习装置4进行的机器学习方法的一个例子的流程图。此外，机器学习方法相当于图5的学习阶段。

首先，在步骤S100中，学习用数据取得部40作为用于开始机器学习的事先准备而准备所期望数量的学习用数据，将所准备的该学习用数据存储于学习用数据存储部41。对于在此所准备的学习用数据的数量，考虑最终获得的学习模型6所要求的推论精度而设定即可。

准备学习用数据的方法方面能够采用几个方法。例如，于在特定的第1滑动机械要素1A、试验装置7中的滑动面100、110产生了异常的情况下，或者，在作业者识别到异常的征兆的情况下，使用测定装置3而取得其前后的期间内的各种测定值，并且，作业者使用作业者用终端8而以与这些测定值建立对应的形式输入诊断结果，由此准备构成学习数据的输入数据和输出数据(例如，该情况的输出数据的值是“1”)。并且，通过反复进行这样的作业，从而能够准备多组学习用数据。另外，作为其他方法，例如，也能够通过有意地使第1滑动机械要素1A、试验装置7的滑动面100、110产生异常的状态，来取得学习用数据。而且，作为学习用数据，不仅准备多组由产生了异常的情况下的输入数据及输出数据构成的学习用数据，还准备多组由未产生异常时、即第1滑动机械要素1A、试验装置7的滑动面100、110处于正常状态时的输入数据及输出数据(例如，该情况下的输出数据的值是“0”)构成的学习用数据。

接着，在步骤S110中，机器学习部42为了开始机器学习而准备学习前的学习模型6。在此准备的学习前的学习模型6由图6所例示的神经网络模型构成，各突触的权重设定成初始值。作为学习用数据所包含的输入数据的马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据分别与输入层的各神经元建立对应。作为学习用数据所包含的输出数据的诊断信息分别与输出层的各神经元建立对应。

接着，在步骤S120中，机器学习部42从存储于学习用数据存储部41中的多组学习用数据例如随机地取得一组学习用数据。

接着，在步骤S130中，机器学习部42将一组学习用数据所包含的输入数据输入至所准备的学习前(或学习中)的学习模型6的输入层。其结果，从学习模型6的输出层输出输出数据作为推论结果，该输出数据是通过学习前(或学习中)的学习模型6而生成的。因此，在学习前(或学习中)的状态下，作为推论结果而输出的输出数据表示与学习用数据所包含的输出数据(训练数据)不同的信息。

接着，在步骤S140中，机器学习部42比较在步骤S120中所取得的一个学习用数据所包含的输出数据(训练数据)和在步骤S130中从输出层作为推论结果而输出的输出数据，并调整各突触的权重，从而实施机器学习。由此，机器学习部42使学习模型6学习输入数据与输出数据(滑动面100、110的诊断信息)之间的相关关系。

例如，在构成训练数据的诊断信息定义为以“0”表示正常状态、以“1”表示异常状态的2值分类的情况下，设为在步骤S120中所选择的一个学习用数据集所包含的输出数据的值是“1”，而对于从输出层所输出的输出数据的值，输出了0～1的规定值、具体而言例如“0.63”这样的值。在该情况下，在步骤S140中，以假设在同样的输入数据输入至学习中的学习模型6的输入层的情况下，从输出层输出的值接近“1”的方式，调整与该学习中的学习模型6的各突触建立了对应的权重。

接着，在步骤S150中，机器学习部42例如基于输出数据与训练数据之间的误差、存储于学习用数据存储部41内的未学习的学习用数据的剩余数而判定是否需要继续机器学习。

在步骤S150中机器学习部42判定为继续机器学习的情况下(在步骤S150中，否)，返回步骤S120，使用未学习的学习用数据对学习中的学习模型6实施多次步骤S120～S140的工序。另一方面，在步骤S150中机器学习部42判定为结束机器学习的情况下(在步骤S150中，是)，进入步骤S160。

并且，在步骤S160中，机器学习部42将通过调整与各突触建立了对应的权重而生成的学习完毕的学习模型6存储于学习完毕模型存储部43，结束图7所示的一系列的机器学习方法。在机器学习方法中，步骤S100相当于学习用数据存储工序，步骤S110～S150相当于机器学习工序，步骤S160相当于学习完毕模型存储工序。

如以上这样，根据本实施方式的机器学习装置4及机器学习方法，能够提供能从马达电流值的数据、接触电阻的数据、及振动(在本实施方式中，AE波及加速度)的数据高精度地推论(推定)滑动面100、110的诊断信息的学习模型6。

(滑动面诊断装置5)

图8是表示第1实施方式的滑动面诊断装置5的一个例子的框图。在图8所示的滑动面诊断装置5中，将第1滑动机械要素1A作为学习模型6的对象，但也可以将第2滑动机械要素1B作为学习模型6的对象。

滑动面诊断装置5具备输入数据取得部50、推论部51、学习完毕模型存储部52和输出处理部53。滑动面诊断装置5例如由图3所示的计算机200构成。在该情况下，输入数据取得部50由通信I/F部222或I/O器件I/F部226构成，推论部51及输出处理部53由处理器212构成，学习完毕模型存储部52由储存装置220构成。此外，滑动面诊断装置5既可以装入马达控制装置14，也可以装入马达控制装置14的上位的管理装置(例如，机械设备的控制器、管理多个机械设备的设备管理系统等)。

输入数据取得部50与设于第1滑动机械要素1A的测定装置3(马达电流传感器30、接触电阻测定电路31、AE测定电路32、及加速度传感器33)连接，是取得基于由测定装置3所测定出的测定值的输入数据(规定期间内的、马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据)的接口单元。

推论部51向学习模型6输入由输入数据取得部50所取得的输入数据，进行推论滑动面100、110的诊断信息的推论处理。在推论处理中使用利用机器学习装置4及机器学习方法实施监督学习得到的学习完毕的学习模型6。

推论部51不仅包含进行使用了学习模型6的推论处理的功能，还包含如下功能：作为推论处理的前处理，将由输入数据取得部50所取得的输入数据调整成所期望的形式等而输入至学习模型6的前处理功能；作为推论处理的后处理，将规定的逻辑式、计算式应用于从学习模型6所输出的输出数据的值，从而最终判断滑动面100、110的状态的后处理功能。此外，推论部51的推论结果优选存储于学习完毕模型存储部52或其他存储装置(未图示)，过去的推论结果例如为了进一步提高学习模型6的推论精度，能够用作在线学习、再学习所使用的学习用数据。

学习完毕模型存储部52是存储在推论部51的推论处理中使用的学习完毕的学习模型6的数据库。此外，存储于学习完毕模型存储部52的学习模型6的数量并不限定于一个。例如，也可以存储输入数据的数量不同或者机器学习的方法不同的多个学习模型6，能够选择性地利用。

输出处理部53进行输出推论部51的推论结果、即滑动面100、110的诊断信息的输出处理。具体的输出手段能采用各种手段。可以是，输出处理部53例如利用显示、声音向作业者通知诊断信息，或者，将诊断信息作为第1滑动机械要素1A的诊断履历而向例如马达控制装置14或马达控制装置14的上位的管理装置(未图示)发送，并存储于马达控制装置14、马达控制装置14的管理装置的存储部，或者将诊断信息利用于马达13的驱动控制。

(滑动面诊断方法)

图9是表示由第1实施方式的滑动面诊断装置5进行的滑动面诊断方法的一个例子的流程图。在图9中，设为滑动面100、110的诊断信息定义为表示正常“0”及异常“1”中某一个的2值分类而进行说明。此外，滑动面诊断方法相当于图5的推论阶段。

通过从马达控制装置14向马达13供给电流而旋转驱动马达13，第1滑动机械要素1A的旋转侧滑动部件11成为旋转的状态。此时，图9所示的一系列的滑动面诊断方法由滑动面诊断装置5在规定的诊断定时执行。诊断定时例如可以是每隔规定的时间间隔，也可以是规定的事象产生时(作业者的操作指示时、维护动作时等)。

首先，在步骤S200中，输入数据取得部50取得基于由测定装置3(马达电流传感器30、接触电阻测定电路31、AE测定电路32、及加速度传感器33)所测定出的测定值的输入数据(规定期间内的、马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据)。此时，输入数据要求包含在与规定期间相同的期间或比规定期间长的期间内由测定装置3所测定出的测定值。

接着，在步骤S210中，推论部51对输入数据实施前处理并输入至学习模型6的输入层，取得从该学习模型6的输出层所输出的输出数据。

接着，在步骤S220中，作为监督学习的后处理的一个例子，推论部51比较输出数据的值(0～1之间的数)和规定的阈值，例如，若输出数据的值不足规定的阈值，则判断为诊断信息是“正常”；若输出数据的值为规定的阈值以上，则判断为诊断信息是“异常”，由此将其判断结果作为推论结果输出。

接着，在步骤S230中，输出处理部53判定作为推论部51的推论结果的滑动面100、110的诊断信息表示“正常”及“异常”中的哪一个，在判定为“正常”的情况下，进入步骤S240，在判定为“异常”的情况下，进入步骤S250。

并且，在步骤S240中，输出处理部53输出表示“正常”的信息。此外，也可以省略步骤S240。

另外，在步骤S250中，输出处理部53输出表示“异常”的信息，结束图9所示的一系列的滑动面诊断方法。在滑动面诊断方法中，步骤S200相当于输入数据取得工序，步骤S210～S220相当于推论工序，步骤S230～S250相当于输出处理工序。

如以上这样，根据本实施方式的滑动面诊断装置5及滑动面诊断方法，不依赖作业者的经验，就能够高精度地诊断滑动面100、110的状态。

(第2实施方式)

在第1实施方式中，对采用了“监督学习”作为机器学习的方法的情况进行了说明，在本实施方式中，对采用了“非监督学习”的情况进行说明。此外，第2实施方式的滑动机械要素1A、1B以及构成滑动面诊断系统2的测定装置3、机器学习装置4及滑动面诊断装置5的基本的构成、动作与第1实施方式是同样的，因此以下以与第1实施方式之间的不同点为中心进行说明。

(机器学习装置4)

机器学习装置4与第1实施方式(参照图4)同样地具备学习用数据取得部40、学习用数据存储部41、机器学习部42和学习完毕模型存储部43。

图10是表示在第2实施方式的机器学习装置4中所使用的数据(非监督学习)的一个例子的数据构成图。

在采用“非监督学习”作为机器学习的情况下，学习数据仅包含诊断信息表示规定期间内的滑动面100、110的状态是规定的状态时的输入数据。即，学习数据也可以设为不包含输出数据的构成，能够根据机器学习装置4所采用的机器学习的方法适当选择输出数据的有无、输出数据的形式。

作为滑动面100、110的状态，在诊断异常的有无的情况下，诊断信息构成为表示滑动面100、110的状态是正常及异常中的某一个的信息。在该情况下，如图10所示，本实施方式的学习用数据仅由包含滑动面100、110的状态为正常时的规定期间内的马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据在内的输入数据构成。

学习用数据取得部40在取得上述的学习用数据的情况下，将由设于滑动机械要素1A、1B或试验装置7的测定装置3所测定出的规定期间内的马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据作为输入数据，从测定装置3取得。并且，若作业者诊断由测定装置3测定出输入数据的规定期间内的滑动面100、110的状态，并将所诊断的其诊断结果是正常的结果输入至作业者用终端8，则学习用数据取得部40仅利用该输入数据构成一个学习用数据，存储于学习用数据存储部41。

机器学习部42将一组或多组学习用数据输入至学习模型6，并使学习模型6学习学习用数据所包含的输入数据与表示滑动面100、110的状态为正常的诊断信息之间的相关关系，由此生成学习完毕的学习模型6。在本实施方式中，对采用自编码器作为基于机器学习部42进行的非监督学习的具体方法的情况进行说明。

图11是表示在第2实施方式的机器学习装置4中所使用的自编码器模型的一个例子的示意图。

学习模型6构成为图10所示的自编码器模型。自编码器模型由位于输入层的l个神经元(x1～xl)、位于中间层的m个神经元(y1～ym)、及位于输出层的o个神经元(z1～zo)构成。输入层的神经元的个数与输出层的神经元的个数相同，比中间层的神经元的个数多。

学习用数据所包含的输入数据分别与输入层的各神经元建立对应。中间层也被称为隐藏层，也可以具有多个隐藏层。另外，在输入层与中间层之间、中间层与输出层之间布设有将各层的神经元之间连接的突触，权重wi(i是自然数)与各突触建立对应。

自编码器模型使用学习用数据，向输入层输入该学习用数据所包含的输入数据，比较作为其推论结果而从输出层所输出的输出数据与该学习用数据所包含的输入数据，实施调整权重wi的处理，从而学习输入数据所具有的图案、倾向。

在反复实施规定次数上述的一系列的工序或者上述的误差比容许值小等满足了规定的学习结束条件的情况下，结束机器学习，作为学习完毕的自编码器模型(与突触分别建立了对应的全部权重wi)生成。

(机器学习方法)

图12是表示由第2实施方式的机器学习装置4进行的机器学习方法的一个例子的流程图。

首先，在步骤S300中，学习用数据取得部40作为用于开始机器学习的事先准备而准备所期望数量的学习用数据，将所准备的该学习用数据存储于学习用数据存储部41。

准备学习用数据的方法方面能够采用几个方法。例如，通过使用测定装置3而取得特定的滑动机械要素1A、1B、试验装置7中的滑动面100、110处于正常状态的情况下的规定期间内的各种测定值，来准备构成学习数据的输入数据。并且，通过反复进行这样的作业，从而能够准备多组学习用数据。

接着，在步骤S310中，机器学习部42为了开始机器学习而准备学习前的学习模型6。在此准备的学习前的学习模型6由图11所例示的自编码器模型构成，各突触的权重设定成初始值。学习用数据所包含的作为输入数据的马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据分别与输入层的各神经元建立对应。

接着，在步骤S320中，机器学习部42从存储于学习用数据存储部41的多组学习用数据例如随机地取得一组学习用数据。

接着，在步骤S330中，机器学习部42向所准备的学习前(或学习中)的学习模型6的输入层输入一组学习用数据所包含的输入数据。其结果，从学习模型6的输出层输出输出数据作为推论结果，该输出数据是由学习前(或学习中)的学习模型6生成的。因此，在学习前(或学习中)的状态下，作为推论结果而输出的输出数据表示与学习用数据所包含的输入数据不同的信息。

接着，在步骤S340中，机器学习部42比较在步骤S320中所取得的一组学习用数据所包含的输入数据与在步骤S330中作为推论结果从输出层输出的输出数据，并调整各突触的权重，从而实施机器学习。

接着，在步骤S350中，机器学习部42判定是否需要继续机器学习。其结果，在判定为继续的情况下(在步骤S350中，否)，返回步骤S320，对学习中的学习模型6实施步骤S320～S340的工序，在判定为结束机器学习的情况下(在步骤S350中，是)，进入步骤S360。

并且，机器学习部42在步骤S360中将通过调整与各突触建立了对应的权重而生成的学习完毕的学习模型6存储于学习完毕模型存储部43，结束图12所示的一系列的机器学习方法。在机器学习方法中，步骤S300相当于学习用数据存储工序，步骤S310～S350相当于机器学习工序，步骤S360相当于学习完毕模型存储工序。

如以上这样，根据本实施方式的机器学习装置4及机器学习方法，能够提供能从马达电流值的数据、接触电阻的数据、及振动(在本实施方式中，AE波及加速度)的数据高精度地推论(推定)滑动面100、110的诊断信息的学习模型6。

(滑动面诊断装置5)

滑动面诊断装置5与第1实施方式(参照图8)同样地具备输入数据取得部50、推论部51、学习完毕模型存储部52和输出处理部53。

推论部51向学习模型6输入由输入数据取得部50所取得的输入数据，进行推论滑动面100、110的诊断信息的推论处理。在推论处理中使用利用机器学习装置4及机器学习方法实施非监督学习得到的学习完毕的学习模型6。

(滑动面诊断方法)

图13是表示由第2实施方式的滑动面诊断装置5进行的滑动面诊断方法的一个例子的流程图。在图13中，设为滑动面100、110的诊断信息定义为表示是正常及异常中某一个的2值分类而进行说明。

首先，在步骤S400中，输入数据取得部50取得基于由测定装置3(马达电流传感器30、接触电阻测定电路31、AE测定电路32、及加速度传感器33)所测定出的测定值的输入数据(规定期间内的、马达电流值的数据、接触电阻的数据、AE波的数据、及加速度的数据)。

接着，在步骤S410中，推论部51对输入数据实施前处理并输入至学习模型6的输入层，取得从该学习模型6的输出层所输出的输出数据。

接着，在步骤S420中，作为非监督学习的后处理的一个例子，推论部51求出基于输入数据的特征量与基于输出数据的特征量之差。特征量例如是表述为多维空间上的特征矢量的参数，差表述为特征矢量之间的距离。并且，若该差不足规定的阈值，则推论部51判断为诊断信息是“正常”，若该差为规定的阈值以上，则推论部51判断为诊断信息是“异常”，由此将其判断结果作为推论结果输出。

接着，在步骤S430中，输出处理部53判定作为推论部51的推论结果的滑动面100、110的诊断信息表示“正常”及“异常”中的哪一个。其结果，在判定为“正常”的情况下，进入步骤S440，在判定为“异常”的情况下，进入步骤S450(能省略)，结束图13所示的一系列的滑动面诊断方法。在滑动面诊断方法中，步骤S400相当于输入数据取得工序，步骤S410～S420相当于推论工序，步骤S430～S450相当于输出处理工序。

如以上这样，根据本实施方式的滑动面诊断装置5及滑动面诊断方法，不依赖作业者的经验，就能够高精度地诊断滑动面100、110的状态。

(其他实施方式)

本发明并不受上述的实施方式制约，能在不脱离本发明的主旨的范围内进行各种改变而实施。并且，它们全部包含于本发明的技术思想。

在上述实施方式中，对分别采用神经网络(第1实施方式)及自编码器(第2实施方式)作为基于机器学习部42进行的机器学习的具体方法的情况进行了说明，但机器学习部42也可以采用任意的其他机器学习的方法。作为其他机器学习的方法，例如，能列举出决策树、回归树等树型、装袋算法、提升算法等集成学习、循环型神经网络、卷积神经网络等神经网络型(包含深度学习)、层次聚类、非层次聚类、k邻近法、k平均法等聚类型、主成分分析、因子分析、逻辑回归等多变量分析、支持向量机等。

本发明也能够以用于使图3所示的计算机200执行上述实施方式的机器学习方法所具备的各工序的程序(机器学习程序)230的形态提供。另外，本发明也能够以用于使图3所示的计算机200执行上述实施方式的滑动面诊断方法所具备的各工序的程序(滑动面诊断程序)230的形态提供。

(推论装置、推论方法及推论程序)

本发明不仅能够基于上述实施方式的滑动面诊断装置5(滑动面诊断方法或滑动面诊断程序)的形态，也能够以为了诊断滑动面的状态而使用的推论装置(推论方法或推论程序)的形态提供。在该情况下，作为推论装置(推论方法或推论程序)，包含存储器和处理器，其中的处理器能够设为用于执行一系列的处理。该一系列的处理包含如下处理：输入数据取得处理(输入数据取得工序)，取得包含规定期间内的马达电流值的数据、规定期间内的接触电阻的数据、及规定期间内的振动(AE波及加速度中的至少一个)的数据在内的输入数据；和推论处理(推论工序)，若在输入数据取得处理中取得了输入数据，则推论滑动面的诊断信息。

通过以推论装置(推论方法或推论程序)的形态提供，与安装滑动面诊断装置5的情况相比，能简单地向各种装置应用。对本领域技术人员来说当然能理解，在推论装置(推论方法或推论程序)推论滑动面的状态之际，使用由上述实施方式的机器学习装置4及机器学习方法所生成的学习完毕的学习模型6而应用滑动面诊断装置5的推论部51所实施的推论方法。

工业实用性

本发明能利用于机器学习装置、滑动面诊断装置、推论装置、机器学习方法、机器学习程序、滑动面诊断方法、滑动面诊断程序、推论方法及推论程序。

附图标记说明

1A：第1滑动机械要素，1B：第2滑动机械要素，2：滑动面诊断系统，3：测定装置，4：机器学习装置，5：滑动面诊断装置，6：学习模型，10：固定侧滑动部件，11：旋转侧滑动部件，12：旋转轴，13：马达，14：马达控制电路，15：施力部件，30：马达电流传感器，31：接触电阻测定电路，32：AE测定电路，33：加速度传感器，40：学习用数据取得部，41：学习用数据存储部，42：机器学习部，43：模型存储部，50：输入数据取得部，51：推论部，52：模型存储部，53：输出处理部，100：固定侧滑动面，110：旋转侧滑动面，200：计算机。