公开的实施方式涉及马达控制系统、马达控制装置、马达控制方法以及状态估计装置。
背景技术：
在专利文献1中记载了以下的方法：通过单独地比较所检测出的输出电流和进气温度与各自对应的额定值，来判断动作状态是否处于满足规定的寿命的使用环境条件。
在先技术文献
专利文献
专利文献1：日本专利文献特开2008-17602号公报。
技术实现要素：
但是，当实际使用设备时，由于该时间点的设备内的环境状态(部件温度、设备内环境温度等)不明确，因此无法识别多个动作状态(输出电流、输出转矩等)相对于各自对应的额定值(额定电流、额定转矩等)处于哪种程度的使用程度(有怎样程度的裕度)。因此，成为大大限制设备或系统的潜在的耐用能力的主要因素。
本发明是鉴于上述的问题而完成的，其目的在于提供能够提高实质的耐用能力的马达控制系统、马达控制装置、马达控制方法以及状态估计装置。
为了解决上述问题，根据本发明的一个观点，应用马达控制系统，具备：马达控制装置，基于控制指令对驱动电力进行供电控制；马达，被所述驱动电力驱动；以及环境状态检测部，检测所述马达控制装置和所述马达的至少一者中的环境状态数据，所述马达控制系统具有动作状态监视部，所述动作状态监视部基于所述环境状态数据来输出所述马达控制装置和所述马达的至少一者的动作状态值相对于动作额定值的动作裕度。
另外，根据本发明的其他观点，应用一种马达控制装置，基于控制指令来控制向马达供应的驱动电力，所述马达控制装置具有：环境状态检测部，检测所述马达控制装置中的环境状态数据；以及动作状态监视部，基于所述环境状态数据输出所述马达控制装置的动作状态值相对于动作额定值的动作裕度。
另外，根据本发明的其他观点，应用一种马达控制装置的马达控制方法，所述马达控制装置基于控制指令来控制向马达供应的驱动电力，所述马达控制方法执行：检测所述马达控制装置中的环境状态数据；以及基于所述环境状态数据输出所述马达控制装置的动作状态值相对于动作额定值的动作裕度。
另外，根据本发明的其他观点，应用一种状态估计装置，具有：动作状态监视部，基于从对象设备检测到的环境状态数据来输出所述对象设备的动作状态值相对于动作额定值的动作裕度。
根据本发明，能够提高实质的耐用能力。
附图说明
图1是表示实施方式涉及的马达控制系统整体的简要的系统框图构成的一个例子的图；
图2是表示在马达控制系统中检测的各状态数据的界限耐用值和额定值的关系的一个例子的图；
图3是表示动作额定值与动作状态值的关系的图；
图4是表示应用了深层学习的情况下的判定部的神经网络的简要模型构成的一个例子的图；
图5是表示判定部学习用数据集的图；
图6是表示状态数据的矢量空间中的边界曲线和各指标值的计算方法例的图；
图7是表示应用了深层学习的情况下的计算部的神经网络的简要模型构成的一个例子的图。
具体实施方式
以下，参照附图来说明实施方式。
<马达控制系统的简要构成>
首先，使用图1来说明本实施方式涉及的马达控制系统整体的系统框图构成。如图1所示，马达控制系统1包括上级控制装置2、马达控制装置3、马达4以及各种外部传感器5。
上级控制装置2通过包括cpu(centralprocessingunit，中央处理器)、rom(readonlymemory，只读存储器)、ram(randomaccessmemory，随机访问存储器)等的计算机构成，参照从马达控制装置3输入的动作裕度(后面叙述)等信息并将控制指令输出到马达控制装置3，由此控制该马达控制系统1整体的动作。
马达控制装置3是基于从上级控制装置2输入的控制指令来控制向马达4供电的驱动电力的装置。该马达控制装置3包括电源再生转换器31、平滑电容器32、逆变器33、控制部34、动作状态监视部301以及各种内部传感器38。
电源再生转换器31与作为商用电源的3相交流电源7连接，并具有将从该3相交流电源7供应的交流电力向直流电力进行电力变换并供应给直流母线的功能、以及将直流母线的直流电力向交流电力进行电力变换并再生到3相交流电源7的功能。该电源再生转换器31是将由例如igbt(insulatedgatebipolartranslator，绝缘栅门极晶体管)、mosfet(metal-oxide-semiconductorfieldeffecttransistor，金属氧化物半导体场效应晶体管)、hemt(highelectronmobilitytransistor，高电子迁移率晶体管)等功率半导体构成的6个臂开关元件q进行桥接而成的设备，在3相交流电源7侧与各相rst对应地连接，并且在直流侧与直流母线39连接。
另外，这里列举了电源再生转换器，但是也可以是二极管整流转换器等其他的交流-直流变换器(未特别图示)。
平滑电容器32以架设在直流母线39之间的方式连接，对由上述电源再生转换器31进行全波整流的直流电力进行平滑。
逆变器33与马达4连接，并具有将从直流母线39供应的直流电力进行pwm(pulsewidthmodulation，脉冲宽度调制)变换而变换为处于预定的振幅和频率的相当3相交流的驱动电力并供应给马达4的功能、以及将从马达4输入的交流的再生电力变换为直流电力并再生到直流母线39的功能。该逆变器33与上述电源再生转换器31同样地是例如将由igbt、mosfet、hemt等功率半导体构成的6个臂开关元件q进行桥接而成的设备，在直流侧与直流母线39连接，并且在马达4侧与各相uvw对应地连接。
控制部34通过包括cpu、rom、ram等的计算机构成，基于从上述的上级控制装置2输入的控制指令生成针对上述的电源再生转换器31和逆变器33的各臂开关元件q的接通/断开(on/off)控制信号并输出。
动作状态监视部301是基于后述的环境状态数据输出该马达控制装置3和马达4的至少一者的动作状态值相对于动作额定值的动作裕度的处理部。该动作状态监视部301包括保存部35、计算部36以及比较部37。
保存部35是与该马达控制装置3以及连接的马达4对应地存储预先计算出的动作额定值的存储部。该保存部35可以通过上述控制部34具备的rom或ram等存储装置的一部分存储区域安装，也可以通过专用的存储装置安装。
计算部36基于由上述的内部传感器38、外部传感器5检测出的各种环境状态数据来计算动作状态值的运算部。该计算部36可以通过上述控制部34执行的软件安装，也可以通过专用的硬件运算电路安装。
比较部37是基于上述的保存部35存储的动作额定值和由上述的计算部36计算出的动作状态值的比较来计算动作裕度并输出到上级控制装置2的运算部。对于该比较部37，也是可以通过上述控制部34执行的软件安装，还可以通过专用的硬件运算电路安装。
另外，后面详细叙述上述的环境状态数据、动作额定值、动作状态值以及动作裕度。
并且，在本实施方式的例子中，作为用于检测输入到上述动作状态监视部301的计算部36的各种环境状态数据的传感器(环境状态检测部)，具有马达控制装置3自身在其内部配置的内部传感器38以及在马达控制装置3的外部配置的外部传感器5。在图示的例子中，作为马达控制装置3的内部传感器38，设置有转换器温度传感器38a、平滑电容温度传感器38b、逆变器温度传感器38c、装置内环境温度传感器38d、湿度传感器38e以及振动传感器38f。另外，作为外部传感器5设置有外部气温传感器5a和马达温度传感器5b。
上述的转换器温度传感器38a、平滑电容温度传感器38b、逆变器温度传感器38c分别检测电源再生转换器31、平滑电容器32、逆变器33的部件温度作为环境状态数据。另外，装置内环境温度传感器38d、湿度传感器38e、振动传感器38f分别检测马达控制装置3的框体内的环境温度、湿度、振动值作为环境状态数据。马达温度传感器5b检测马达4自身的温度作为环境状态数据。外部气温传感器5a检测该马达控制系统1的周围的外部气温作为环境状态数据。
<本实施方式的特征>
当前，工厂等的产业设备或其他很多驱动设备有很多是将供电的马达4的机械的驱动力作为驱动源来动作的。作为用于控制这样的马达4的驱动的马达控制系统1，有如上述的本实施方式那样具有上级控制装置2、马达控制装置3以及马达4的系统。
该马达控制系统1是根据其用途在各种作业环境中被使用并且对马达4强制进行各种控制的系统，但是为了不超过其耐用限度而引起动作异常，预先对各设备设定作为与其产品规格对应的指标值的各种额定值。该额定值是在各设备中针对可影响到其动作状态或设备状态的正常状态的各状态变量分别设定的值。例如，对马达4的速度、转矩、驱动电力(电流)等与动作状态有关的状态变量，温度、湿度、振动等与环境状态有关的状态变量等多个状态变量分别单独设定对应的额定值。并且，这些额定值是对于各设备或系统具备的各使用部件的部件规格考虑预定的设计裕量(安全率)而决定的。
但是，当实际使用设备时，由于该时间点的设备内的环境状态(部件温度或设备内环境温度等)不明确，因此无法识别多个动作状态(输出电流、输出转矩等)相对于各自对应的额定值(额定电流、额定转矩等)处于哪种程度的使用程度(有怎样程度的裕度)。因此，成为大大限制设备或系统的潜在的耐用能力的主要因素。
与此相对，在本实施方式中，具有动作状态监视部301，所述动作状态监视部301基于环境状态数据输出马达控制装置3和马达4的至少一者的动作状态值相对于动作额定值的动作裕度。由此，该马达控制系统1的使用者、上级控制装置2根据上述动作状态监视部301输出的动作裕度来调整设备的动作控制和使用环境的平衡，由此容易在充分利用系统整体的潜在的资源的情况下确保系统整体的正常状态。
<关于额定值>
首先，关于额定值以下重新进行图示、说明。图2示出了在马达控制系统1中被检测出的各动作状态数据和各环境状态数据(状态变量)的界限耐用值与额定值的关系的一个例子。另外，图中所示的各环境状态数据是由上述内部传感器38和外部传感器5检测出的状态数据，并且关于各动作状态数据是分别基于在控制部34内生成的对应指令的状态数据。并且，这里所述的各状态数据的界限耐用值(参照图中的粗虚线框)是根据马达控制装置3和马达4分别具备的使用部件决定的值，相当于即使增大对应的状态数据的情况下为了维持全部的使用部件为正常状态而一定不能超越的值。
并且，在图2中，在将各状态数据各自的界限耐用值一律标准化为100％之后(图中对齐为相同的高度)，以柱状曲线图示出了各个额定值相对于界限使用值的比例。这里，额定值是对于各部件规格考虑了预定的设计裕量(安全率)决定的值，是如果对应的状态数据处于该额定值的范围内则能够保证各设备的正常动作的基准规格值。
另外，在各状态数据中，将界限下限值至界限上限值的范围标准化而示出。另外，为了避免图示的繁杂，统一示出了与各部件温度有关的环境状态数据。另外，关于输出(电力)、电流、电压、损失、速度以及转矩(推力)的各动作状态数据，成为根据该马达控制系统1中的任意的控制状态而变化的状态数据。另外，关于部件温度、设备内温度(装置内环境温度)、外部气温、湿度以及振动值的各环境状态数据，成为系统的各设备接受影响的状态数据。
看该图2可知，与各状态数据对应的额定值分别与对应的界限耐用值比较具有相当大的裕度而被设定得较低。这是因为，由于该时间点的环境状况而有时即使各状态数据超过各额定值的情况也被允许，但是界限耐用值是一定不能超过的值。
例如，在马达控制系统1中的各状态数据之间，如果一者与额定值比足够低，则即使另一者与额定值比高少许，该马达控制系统1也能够维持正常状态，但是在两者超过额定值的情况下，也存在产生异常的折衷的关系。因此，在以各个状态数据独立地观察的情况下，即使实质的界限耐用值高，也必须以分别具有大的裕度的低的值设定各额定值。
即，当实际使用设备时，由于该时间点的设备内的环境状态(部件温度、设备内环境温度等)不明确，因此无法识别多个动作状态(输出电流、输出转矩等)相对于各自对应的额定值(额定电流、额定转矩等)处于哪种程度的使用程度(有怎样程度的裕度)。因此，成为大大限制设备或系统的潜在的耐用能力的主要因素。
<关于动作额定值、动作状态值、动作裕度>
在本实施方式中，将与多个动作状态数据对应的额定值统一组合的组合值作为动作额定值，将多个动作状态数据统一组合的组合值作为动作状态值。并且，上述动作状态监视部301基于在该时间点检测出的环境状态数据输出动作裕度，该动作裕度是该时间点的动作状态值相对于用于维持该设备和系统的正常状态的动作额定值处于哪种程度的设备使用状况的指标(参照图3)。
该动作额定值是保证马达控制装置3和马达4的至少一者的正常状态的指标值。这样的动作额定值通过统计学的计算预先计算、设定即可，该统计学的计算是考虑了在马达控制系统1的实际动作试验中实测的各状态数据的界限使用值、反映了所述界限使用值各自对系统整体的正常状态的影响度的权重、上述折衷等的关系性或相关性等的计算。
另外，在本实施方式的例子中，上述计算部36计算的动作状态值是表示被检测出的全部的状态数据对该马达控制系统1整体的正常状态产生多大的影响度的数值。即，动作状态值是基于在该马达控制系统1动作时(运转时)检测出的状态数据以与动作额定值相同的尺度表示对该检测时的马达控制系统1附加多大的负荷的指标值(即，相当于将各个动作状态数据统一组合的组合值)。并且，如果该动作状态值为上述动作额定值以下，则能够判定为处于动作状态的该马达控制系统1整体的正常状态被维持，在动作状态值超过了上述动作额定值的情况下，能够判定为不能保证处于动作状态的该马达控制系统1的正常状态(有发生异常的可能性)。
这样的动作状态值通过统计学的计算作为变化值计算出即可，所述统计学的计算是考虑了在马达控制系统1的实际动作中实测的各状态数据本身、反映了这些所述状态数据的各个对系统整体的正常状态的影响度的权重、以及上述折衷等的关系性或相关等的计算。
另外，在本实施方式的例子中，上述比较部37输出的动作裕度是表示上述动作状态值相对于上述动作额定值的比率的数值。在本实施方式的例子的比较部37中，具体地，以将动作状态值除以动作额定值的值乘以100后的百分率(％)的值计算。另外，此时，也可以应用对动作额定值考虑安全率而减去预定的裕量而得的值。如上所述，动作状态监视部301能够基于环境状态数据输出该马达控制装置3和马达4的至少一者的动作状态值相对于动作额定值的动作裕度。并且，输入了该动作裕度的上级控制装置2能够进行考虑了以该动作裕度表示的该时间点的系统的动作状态和环境状态的裕度的控制。并且，通过以另外的显示装置显示该动作裕度，在该马达控制系统1的使用者也能够进行考虑了上述裕度的控制操作、环境的变更。
另外，关于上述的马达控制系统1整体中的“正常状态”的定义，可以是该马达控制系统1能够正常动作的状态(即按照控制指令动作的状态)，或者也可以是马达控制系统1不超过规定的寿命而动作的状态。
<本实施方式的效果>
如上所述，本实施方式的马达控制系统1具有动作状态监视部301，所述动作状态监视部301基于环境状态数据输出马达控制装置3和马达4的至少一者的动作状态值相对于动作额定值的动作裕度。由此，该马达控制系统1的使用者和上级控制装置2根据上述动作状态监视部301输出的动作裕度来调整设备的动作控制和使用环境的平衡，由此容易地在充分利用系统整体的潜在的资源的情况下确保系统整体的正常状态。其结果是，能够提高马达控制系统1的实质的耐用能力。另外，通过如上地能够把握动作裕度，例如在动作裕度高的情况下，也能够使用动作额定值以上的设备，能够有助于所谓的生产节拍的提高等，并且也有降低马达控制装置3相对于马达4的容量体、能够实现小型化和低成本化的优点。
另外，在本实施方式中，尤其是，动作状态监视部301具有保存马达控制装置3和马达4的动作额定值的保存部35、基于环境状态数据计算动作状态值的计算部36、以及比较动作额定值和动作状态值并输出动作裕度的比较部37。由此，该马达控制系统1的使用者、上级控制装置2根据动作裕度来调整动作控制和使用环境的平衡，由此容易在充分利用系统整体的潜在的资源的情况下确保系统整体的正常状态。
另外，在本实施方式中，作为针对系统整体的各指标值，设定、计算了动作额定值、动作状态值以及动作裕度，但是不限于此。此外，可以针对各设备设定、计算动作额定值、动作状态值以及动作裕度，在此情况下，能够调整在各设备中的动作控制和使用环境的平衡。
另外，在本实施方式中，尤其是，动作额定值是保证马达控制装置3和马达4的正常状态的指标值。由此，该马达控制系统1的使用者、上级控制装置2容易以被设定的动作额定值作为基准、并以不超过该基准的方式调整动作控制和使用环境的平衡。并且，尤其是，在动作裕度高的情况下，也能够使用动作额定值以上的设备。
并且，在本实施方式中，尤其是，动作状态值是基于环境状态数据以与上述动作额定值相同的尺度表示对在环境状态数据检测时的马达控制系统1附加多大的负荷的指标值。由此，能够将在该时间点施加给马达控制系统1整体的实质的负荷设为动作状态值，将其作为与动作额定值相同的尺度的指标值来参照。即，该马达控制系统1的使用者、上级控制装置2以该动作状态值不超过动作额定值的方式调整动作控制和使用环境的平衡，由此能够维持马达控制系统1整体的正常状态。另外，尤其是，在动作裕度高的情况下，也能够使用动作额定值以上的设备。
并且，在本实施方式中，尤其是，动作裕度是动作状态值相对于动作额定值的比率。由此，该马达控制系统1的使用者、上级控制装置2通过参照动作裕度，能够以比率描述容易地把握该时间点的动作状态值相对于动作额定值有多大的裕度。例如，在部件温度和装置内环境温度与动作额定值比足够低的使用环境中，相应地动作裕度变高，相应地也能够使用动作额定值以上的设备。
另外，在本实施方式中，尤其是，马达控制装置3包括动作状态监视部301。由此，保存部35应存储的动作额定值只要以与能够与该马达控制装置3组合应用的马达4的机器种类数相同的数量存储即可，能够简化该设定和选择。另外，保存部35、计算部36以及比较部37可以集中配置在上级控制装置2，或者与马达控制装置3分担配置，或者集中配置在独立的状态估计装置。在上级控制装置2或状态估计装置具备保存部35的情况下，需要将设定了可应用的马达控制装置3的机器种类和可应用的马达4的机器种类的组合数量的动作额定值存储在保存部35中。
另外，在本实施方式中，尤其是，环境状态数据包含部件温度、外部气温、设备内环境温度、湿度、振动值中的至少一者。由此，基于系统的各设备受到影响的环境状态数据，能够计算具体的各指标值。
<变形例>
另外，以上说明的实施方式能够在不脱离其主旨和技术构思的范围内进行各种变形。
<通过机械学习设定各指标值的情况下>
在上述实施方式中，说明了通过统计学的运算方法设定、计算动作额定值和动作状态值，但是不限于此。此外，例如也可以通过使用机械学习等的方法设定、计算各指标值。
各指标值的设定、计算方法能够应用各种机械学习方法，但是以下例如说明了对机械学习算法应用了深层学习(deeplearning)的情况的例子。作为其一个例子，在本变形例中，首先说明在系统(或设备)的状态数据空间中求出能够区分正常动作和异常动作的边界曲线、并基于此求出各指标值的方法。
<关于基于机械学习的动作状态的判定方法>
图4示出了在判定马达控制系统1的动作状态的正常性的判定部中利用了深层学习的情况下的神经网络的简要模型构成的一个例子。该判定部是在设计阶段实际作成的马达控制系统1的实际动作试验中求出动作额定值时使用的处理部，被配置在上述实施方式中的上级控制装置2、马达控制装置3、或能够获取状态数据的其他的独立的处理装置(状态估计装置)中。在该图4中，判定部的神经网络被设计为：对于动作状态数据以及从各传感器5、38输入的多个环境状态数据，输出在检测这些状态数据时该马达控制系统1(或对象设备)的动作状态是正常动作还是异常动作，作为判定信息。
在图示的例子中，将各状态数据输入至输入节点，仅将与正常动作、异常动作的各动作状态对应的两个输出节点中的任一者作为真值而进行2值输出(所谓的聚类(clustering)输出)。这些判定处理是基于该判定部的学习阶段的机械学习处理中的学习内容的处理，即，该判定部的神经网络学习了表示各状态数据与动作状态的相关(对应关系)的特征量。
关于该判定部的机械学习处理，如上所述设计的多层神经网络在上述处理装置上以软件的(或硬件的)方式被安装之后，使用保存于未特别图示的数据库中的多个判定部学习用数据集通过所谓的监督式学习使判定部学习。这里使用的判定部学习用数据集例如如图5所示，将各状态数据的检测值和在检测这些各状态数据时由用户或预定的实际判定处理另外判定出的马达控制系统1(或对象设备)的实际的动作状态对应起来作为一个判定部学习用数据集而创建。并且，与各种状态数据的组合对应地创建多个这样的判定部学习用数据集并保存于数据库。
在本变形例的判定部的学习阶段中，使用将判定部学习用数据集中的状态数据作为输入数据、将动作状态作为输出数据的组合的训练数据，通过以判定部的神经网络的输入层与输出层之间的关系性成立的方式调整连接各节点的各边缘的权重系数的所谓反向传播处理(误差反传播)等进行学习。另外，除了上述的反向传播以外，也可以并用所谓的堆叠自编码器、限制波尔兹曼机、丢弃(dropout)、附加噪声、以及稀疏正则化等公知的各种学习手法来提高处理精度。
另外，如上所述，在判定部中判定动作状态的算法除了基于图示的深层学习的算法以外，也可以例如应用利用了支持矢量机、贝叶斯网络等的其他的机械学习算法(未特别图示)。在此情况下，关于作为输入的状态数据的结果而判定马达控制系统1(或对象设备)产生的动作状态并输出该判定信息这样的基本构成，也是同等的。
<关于利用了动作状态边界曲线的指标值的计算手法例子>
并且，由以上的机械学习处理得到的判定部在多个某状态数据的多维矢量空间中能够形成区分与该系统(或对象设备)固有的动作状态有关的正常动作的区域和异常动作的区域的边界曲线(曲面)。图6示出了这样的边界曲线bc的一个例子，为了方便图示，以多个某状态数据中的动作状态数据和环境状态数据这两种分别进行维度压缩，并以二维平面表示矢量空间整体。
如该图6所示，边界曲线bc局部有少许变形，但是作为整体成为大概表示近似反比例关系的曲线。即，环境状态数据中的实际负荷越小，相应地动作状态数据的负荷的允许度越高，相反地，动作状态数据中的实际负荷越小，相应地环境状态数据的负荷的允许度越高。并且，以该边界曲线bc区分的正常动作区域中的任意的点p2表示处于正常动作状态的系统(或对象设备)的状态。
这里，在处于上述的边界曲线bc上的某个点p1中，在假定对应的动作状态数据的坐标值x1和环境状态数据的坐标值y1之和(＝x1+y1)近似一定的情况下，能够假设该坐标值和大体上相当于动作额定值。与此相对，能够假设正常动作区域中的任意的点p2处的动作状态数据的坐标值x2与环境状态数据的坐标值y2之和(＝x2+y2)大体上当于动作状态值。即，在该计算手法例子中，在图6的矢量平面上，确定边界曲线bc上的任意多个的各点p1的动作状态数据和环境状态数据的各自的负荷的和的平均相当于作为固定值的动作额定值，确定正常动作区域中的任意的点p2的、动作状态数据和环境状态数据的各自的负荷的和相当于作为变化值的动作状态值。
另外，此情况下的动作额定值与动作状态值的坐标值和分别成为不具有基于特定的物理量的基本单位的无量纲量。因此，例如通过将假定为该马达控制系统1(或对象设备)的使用寿命最长的动作状态和环境状态所对应的点p0处的坐标值和(＝x0+y0)设为共同的基本单元，能够进行动作额定值和动作状态值的运算上的比较和动作裕度的计算。
另外，除了上述的坐标值和以外，例如处于边界曲线bc上的任意的点p1所对应的动作状态数据的坐标值x1和环境状态数据的坐标值y1之积(＝x1×y1：所谓的反比例常数)能够假定为大致一定的固定值，因此也可以将该坐标值积的平均作为动作额定值。基于此，也可以将正常动作区域中的任意的点p2的动作状态数据的坐标值x2和环境状态数据的坐标值y2之积(＝x2×y2)作为动作状态值。在此情况下，上述点p0的坐标值积(＝x0×y0)成为共同的基本单位。
<关于基于机械学习的指标值的计算方法>
计算部36可以具备上述判定部，在状态数据检测时依次通过上述的矢量空间上的各运算方法计算各指标值，但是也可以汇总这些运算处理而通过一个机械学习来安装。
在该各指标值的设定、计算方法中也能够应用各种机械学习方法，以下说明例如在机械学习算法中应用深层学习(deeplearning)的情况下的例子。
图7表示在计算部36中利用了深层学习的情况下的神经网络的简要模型构成的一个例子。在该图7中，计算部36的神经网络被设计为：对于动作状态数据以及从各传感器5、38输入的多个环境状态数据输出检测这些状态数据时的该马达控制系统1(或对象设备)的动作状态值。
在图示的例子中，将各状态数据输入至输入节点，从与动作状态值对应的一个输出节点输出连续值(所谓的回归输出)。这些运算处理是基于该计算部36的学习阶段的机械学习处理中的学习内容的处理，即，该计算部36的神经网络学习了表示各状态数据与动作状态值的相关(对应关系)的特征量。
关于该计算部36的机械学习处理，如上所述设计的多层神经网络在马达控制装置3上、上级控制装置2上被以软件的(或硬件的)方式安装之后，使用保存于未特别图示的数据库中的多个计算部学习用数据集通过所谓的监督式学习使计算部36学习。未特别图示，这里使用的计算部学习用数据集将各状态数据的检测值与使用这些各状态数据和上述边界曲线bc预先计算出的动作状态值对应起来创建为一个计算部学习用数据集。并且，与各种状态数据的组合对应地创建多个这样的计算部学习用数据集并保存于数据库。
在本变形例中的计算部36的学习阶段，使用将计算部学习用数据集中的状态数据作为输入数据、将动作状态值作为输出数据的组合的训练数据，通过以计算部36的神经网络的输入层与输出层之间的关系性成立的方式调整连接各节点的各边缘的权重系数的所谓反向传播处理(误差反传播)等进行学习。另外，除了上述的反向传播以外，也可以并用所谓的堆叠自编码器、限制波尔兹曼机、丢弃(dropout)、附加噪声以及稀疏正则化等公知的各种学习手法来提高处理精度。另外，该计算部36的学习阶段相当于各权利要求记载的机械学习处理。
另外，如上所述，关于计算部36中判定各指标值的算法，除了基于图示的深层学习的算法以外，例如也可以应用利用了支持矢量机、贝叶斯网络等的其他的机械学习算法(未特别图示)。在此情况下，关于作为输入的状态数据的结果而判定马达控制系统1(或对象设备)产生的动作状态并输出该判定信息这样的基本构成，也是同等的。
<基于变形例的效果>
如以上说明的那样，在本变形例的马达控制系统1中，计算部36基于机械学习处理(深层学习和其他机械学习)中的学习内容来计算动作状态值。由此，计算部36不依靠基于人为设计的数理模型的运算方法，而能够基于针对从机械学习处理中机械学习到的实际的各状态数据间的关系性得到的正常状态的特征量来计算动作额定值、动作状态值以及动作裕度的各指标值，因此能够在实际动作上以有效的精度得到上述各指标值。
另外，在本实施方式中，尤其是，计算部36在机械学习处理中学习被输入的环境状态数据与应输出的动作状态值的对应关系。由此，计算部36能够作为反映了多个状态数据与各指标值之间的复杂的关系性的函数运算部发挥功能，能够以高的精度计算各指标值。
另外，在以上的说明中，在有“垂直”“平行”“平面”等的记载的情况下，该记载不是严密的意思。即，这些“垂直”“平行”“平面”允许设计上、制造上的公差、误差，意味着“实质垂直”“实质平行”“实质平面”。
另外，在以上的说明中，在外观上的尺寸或大小、形状、位置等有“同一”“相同”“相等”“不同”等记载的情况下，该记载不是严密的意思。即，这些“同一”“相等”“不同”允许设计上、制造上的公差、误差，意味着“实质上同一”、“实质上相同”、“实质上相等”、“实质上不同”。
另外，除了以上所述的以外，也可以适当组合上述实施方式和各变形例的方法而利用。此外，未一一例示，但是上述实施方式和各变形例在不脱离其主旨的范围内添加各种变更而实施。
符号说明
1马达控制系统
2上级控制装置
3马达控制装置
4马达
5a,5b外部传感器(环境状态检测部)
63相交流电源
31电源再生转换器
32平滑电容器
33逆变器
34控制部
35保存部
36计算部
37比较部
38a～f内部传感器(环境状态检测部)
39直流母线
301动作状态监视部。