机械学习装置及方法、寿命预测装置及电动机系统与流程

本发明涉及一种学习与电动机的预测寿命相关联的条件的机械学习装置及机械学习方法、具备该机械学习装置的寿命预测装置及电动机系统。

背景技术：

在使用电动机的领域中，为了事先防止作业效率的降低、严重事故的发生，预测电动机的寿命，根据该预测结果，在电动机达到寿命从而无法运行前，更换电动机或其构成部件，或进行修补或修缮等维护。以往，电动机的设计者或用户通过进行实验等来预测电动机的寿命。根据情况，有时还根据设计者或用户的经验预测电动机的寿命。

例如，如日本特开昭60-144127号公报所记载的那样，已知通过求出用于表示电动机的线圈温度与线圈故障率之间的关系的故障模型，预测电动机的寿命的方法。

此外，例如日本特开2006-98349号公报所记载的那样，已知在高压旋转机械中，预测向旋转机械的线圈施加的绝缘体的绝缘寿命的方法。

此外，例如日本特开2003-130048号公报所记载的那样，已知预测电动机的构成部件即滚动轴承的寿命的方法。

然而，根据电动机的使用环境，其寿命不同。因此，有时在基于实验进行的电动机的寿命预测中正确性不够。此外，为了取得正确性，根据各使用环境再现实验需要时间和人力，较繁杂。此外，依赖于个人的经验因此效率低，个人之间的差异也较大。

技术实现要素：

本发明是鉴于上述问题提出的，其目的是提供一种正确且容易地进行与使用环境对应的电动机的寿命预测的机械学习装置及方法、具备该机械学习装置的寿命预测装置及电动机系统。

为了实现上述目的，机械学习装置学习与电动机的预测寿命相关联的条件，该机械学习装置具备：状态观测部，其观测状态变量，该状态变量由检测电动机的运行状态的传感器的输出数据、以及与电动机有无故障相关的数据中的至少一个数据构成；实际寿命数据取得部，其取得与电动机的实际寿命相关的数据；以及学习部，其按照根据状态变量和实际寿命的组合生成的训练数据集，学习与电动机的预测寿命相关联的条件。

在此，运行状态可以包括指令流过电动机的电流的电流指令、指令向电动机施加的电压的电压指令、指令流过电动机的电流或向电动机施加的电压的频率的频率指令、电动机输出的转矩、电动机的转速、电动机的运行时间、电动机近旁的温度、电动机近旁的湿度、以及电动机中产生的振动中的至少一个。

在此，学习部可以具备：回报计算部，其根据预测寿命和实际寿命计算回报；以及函数更新部，其根据状态变量和回报，更新用于计算电动机的预测寿命的函数。

此外，可以在预测寿命与实际寿命之间的差相对于实际寿命的比例在规定范围内时，回报计算部增加回报，当比例在规定范围外时，回报计算部减少回报。

此外，学习部可以构成为按照针对多个电动机取得的训练数据集学习条件。

此外，具备上述的机械学习装置的电动机的寿命预测装置还具备意图决定部，该意图决定部根据学习部按照训练数据集进行学习而得的结果，对当前的状态变量的输入进行响应，计算电动机的预测寿命。

此外，寿命预测装置还可以具备通知部，该通知部向操作员通知由意图决定部计算出的预测寿命。

此外，寿命预测装置还可以具备通知部，该通知部根据意图决定部计算出的预测寿命，向操作员通知催促更换电动机的信息。

此外，寿命预测装置还可以具备变更指令输出部，该变更指令输出部根据意图决定部计算出的预测寿命，向控制电动机的控制装置输出变更指令，该变更指令用于变更指令流过电动机的电流的电流指令、指令向电动机施加的电压的电压指令、以及指令流过电动机的电流或向电动机施加的电压的频率的频率指令中的至少一个指令。

此外，学习部可以构成为按照由当前的状态变量构成的追加的训练数据集，重新学习条件来进行更新。

此外，电动机系统具备：上述的寿命预测装置；电动机；控制电动机的控制装置；以及检测电动机的运行状态的传感器。

此外，一种机械学习方法，其学习与电动机的预测寿命相关联的条件，该机械学习方法具备如下步骤：观测状态变量的状态观测步骤，该状态变量由检测电动机的运行状态的传感器的输出数据以及与电动机有无故障相关的数据中的至少一个数据构成；实际寿命数据取得步骤，取得与电动机的实际寿命相关的数据；以及学习步骤，按照根据状态变量和实际寿命的组合生成的训练数据集，学习与电动机的预测寿命相关联的条件。

附图说明

通过参照以下的附图，更加明确地理解本发明。

图1是实施例的机械学习装置的原理框图。

图2是表示实施例的机械学习方法的动作流程的流程图。

图3是实施例的使用了强化学习的机械学习装置的原理框图。

图4是表示实施例的使用了强化学习的机械学习方法的动作流程的流程图。

图5是表示实施例的具备机械学习装置的寿命预测装置以及具备该寿命预测装置的电动机系统的原理框图。

图6是表示实施例的具备使用了强化学习的机械学习装置的寿命预测装置的动作流程的流程图。

具体实施方式

以下，参照附图，对学习电动机的预测寿命的机械学习装置及方法、具备该机械学习装置的寿命预测装置及电动机系统进行说明。然而，应当理解本发明并不限于附图或以下说明的实施方式。

图1是实施例的机械学习装置的原理框图。以下，在不同的附图中赋予了相同的参照符号的部分表示是具有相同功能的构成要素。

实施例的机械学习装置1学习与电动机的预测寿命相关联的条件。

机械学习装置1具备状态观测部11、实际寿命数据取得部12以及学习部13。在此，机械学习装置1也可以构成为经由网络与电动机连接的数字计算机。此外，或者也可以将机械学习装置1设置在云服务器上，在该情况下，经由网络连接到电动机。此外，或者也可以将机械学习装置1内置在用于控制电动机的控制装置中，在该情况下，利用该控制装置的处理器来执行机械学习。

状态观测部11观测状态变量，该状态变量由检测电动机的运行状态(运行条件)的传感器的输出数据以及与电动机有无故障相关的数据中的至少一个数据构成。

通过传感器检测的电动机的运行状态包括：指令流过电动机的电流的电流指令、指令向电动机施加的电压的电压指令、指令流过电动机的电流或向电动机施加的电压的频率的频率指令、电动机输出的转矩、电动机的转速、电动机的运行时间、电动机近旁的温度、电动机近旁的湿度、以及在电动机中产生的振动中的至少一个。此外，在电动机的运行状态中还可以包含除此以外的与电动机相关的参数。

通过状态观测部11作为状态变量观测的上述运行状态中的、指令流过电动机的电流的电流指令、指令向电动机施加的电压的电压指令、以及指令流过电动机的电流或向电动机施加的电压的频率的频率指令是控制电动机的控制装置向该电动机(更准确的说，向该电动机提供驱动电力的电力变换器)输入的指令，一般，作为在电动机的控制装置中存储的控制软件的内部数据来使用。以下，将这些运行状态简称为“电动机的输入条件”。

此外，通过状态观测部11作为状态变量观测的上述运行状态中的、电动机输出的转矩、电动机的转速以及电动机的运行时间是作为电动机进行动作的结果而输出的信息，通常，由各种传感器检测。例如，通过转矩传感器检测电动机输出的转矩，通过旋转传感器检测电动机的转速，通过运行时间测量器(计时传感器)检测电动机的运行时间。以下，将这些运行状态简称为“电动机的输出条件”。关于上述的电动机的输入条件，可以由电动机的控制装置发出电流指令、电压指令以及频率指令，作为结果而产生的流过电动机的电流、向电动机施加的电压以及流过电动机的电流或向电动机施加的电压的频率，通过电流传感器、电压传感器以及频率传感器来进行检测，并且将它们包含在作为“电动机的输出条件”的运行状态中。

此外，通过状态观测部11作为状态变量观测的上述运行状态中的、电动机近旁的温度、电动机近旁的湿度以及在电动机中产生的振动是表示设置电动机的环境的状态的信息，这些运行状态也从外部对电动机的动作和寿命产生影响。例如，通过温度传感器(温度计)测量电动机近旁的温度，通过湿度传感器(湿度计)测量电动机近旁的湿度，通过振动传感器(振动计)测量在电动机中产生的振动。以下，将这些运行状态简称为“电动机的外部条件”。

此外，例如可以通过设置在电动机中的故障检测装置生成通过状态观测部11观测的与电动机有无故障相关的数据。在该情况下，在转矩传感器检测出的干扰转矩或通过振动传感器检测出的振动的幅度超过预先决定的阈值时，故障检测装置输出表示电动机发生故障的数据。此外，或者也可以根据在电动机的控制装置中存储的控制软件的内部数据来生成通过状态观测部11观测的与电动机有无故障相关的数据。此外，或者发现或得知电动机故障的设计者或户可以通过自身的操作向状态观测部11输入表示电动机发生故障的数据。

如此，状态观测部11观测状态变量，该状态变量由检测电动机的运行状态(电动机的输入条件、输出条件以及外部条件)的传感器的输出数据、以及与电动机有无故障相关的数据中的至少一个数据构成。在机械学习装置1经由网络与电动机连接的情况下，或被设置在云服务器上的情况下，状态观测部11经由网络观测状态变量。此外，或者在机械学习装置1被内置在控制电动机的控制装置中的情况下，根据在该控制装置中存储的控制软件的内部数据、从与该控制装置连接的各种传感器输出的传感器数据，观测状态变量。

实际寿命数据取得部12取得与电动机的实际寿命相关的数据。例如，通过测量从开始使用电动机起直至实际达到寿命为止(或发生故障为止)的时间，来得到电动机的实际寿命，例如设计者或用户通过自身的操作向实际寿命数据取得部12输入与测量出的实际寿命相关的数据。或者，在进行电动机的控制或驱动的装置中设置计时器，累计电动机的运行时间，将该累计时间输入给实际寿命数据取得部12。

学习部13按照训练数据集来学习电动机的预测寿命，其中，该训练数据集是根据状态观测部11观测到的状态变量与实际寿命数据取得部12取得的实际寿命的组合而生成的。另外，可以针对多个电动机取得训练数据集，在该情况下，学习部13按照针对多个电动机取得的训练数据集，学习电动机的预测寿命。

图2是表示实施例的机械学习方法的动作流程的流程图。用于学习与电动机的预测寿命相关联的条件的机械学习方法具备状态观测步骤S101、实际寿命数据取得步骤S102、学习步骤S103。

状态观测步骤S101由状态观测部11执行，即观测由检测电动机的运行状态的传感器的输出数据以及与电动机有无故障相关的数据中的至少一个数据构成的状态变量。

实际寿命数据取得步骤S102由实际寿命数据取得部12执行，即取得与电动机的实际寿命相关的数据。

上述步骤S101的处理和步骤S102的处理可以任意地进行调换来执行。

学习步骤S103由学习部13执行，按照训练数据集来学习电动机的预测寿命，其中，该训练数据集是根据状态观测部11观测到的状态变量以及实际寿命数据取得部12取得的实际寿命的组合而生成的。

关于学习部13使用的学习算法，可以使用任何算法。作为一例，对应用强化学习(Reinforcement Learning)的情况进行说明。强化学习是某环境中的智能体(行为主体)观测当前状态，并决定应采取的行为这样的学习。智能体通过选择行为而从环境获得回报，通过一连串的行为来学习获得最多回报的策略。作为强化学习的代表性方法，已知Q学习(Q-learning)、TD学习(TD-learning)。例如，在为Q学习时，通过式1表示行为价值函数Q(s，a)的一般的更新式(行为价值表)。

在式1中，s_t表示时刻t的环境，a_t表示时刻t的行为。由于行为a_t，环境变为s_t+1。r_t+1表示由于该环境的变化而得到的回报(reward)，γ表示折扣率，α表示学习系数。在应用Q学习的情况下，行为a_t相当于预测寿命，根据该预测的寿命导致对电动机或其构成部件进行更换或维护。

图3是实施例的使用强化学习的机械学习装置的原理框图。学习部13具备回报计算部21和函数更新部22。回报计算部21根据由后述的意图决定部决定的预测寿命以及由实际寿命数据取得部12取得的实际寿命来计算回报。函数更新部22根据由状态观测部11观测到的状态变量以及由回报计算部21计算出的回报，更新用于计算电动机的预测寿命的函数。例如，在为Q学习的情况下，将式1表示的行为价值函数Q(s，a)作为用于对行为a_t即预测寿命进行变更的函数来使用。另外，对于除此以外的结构要素与图1所示的结构要素相同，因此对相同的构成要素赋予相同符号，并省略对该构成要素的详细的说明。

图4是表示实施例的使用强化学习的机械学习方法的动作流程的流程图。

首先，在状态观测步骤S101中，状态观测部11观测状态变量，该状态变量由检测电动机的运行状态的传感器的输出数据、与电动机有无故障相关的数据中的至少一个数据构成。

接着，在实际寿命数据取得步骤S102中，实际寿命数据取得部12取得与电动机的实际寿命相关的数据。

另外，上述步骤S101的处理和步骤S102的处理可以任意地进行调换来执行。

接着，在回报计算步骤S103-1中，回报计算部21根据由意图决定部决定的预测寿命以及由实际寿命数据取得部12取得的实际寿命计算回报。

接着，在函数更新步骤S103-2中，函数更新部22根据由状态观测部11观测到的状态变量以及由回报计算部21计算出的回报，更新用于计算电动机的预测寿命的函数。

接着，对具备上述机械学习装置的电动机的寿命预测装置进行说明。在此，作为一例说明作为学习部的学习算法使用了强化学习的情况。

图5是表示具备实施例的机械学习装置的寿命预测装置以及具备该寿命预测装置的电动机系统的原理框图。在此，对通过控制装置32控制电动机31的情况进行说明。

电动机31的寿命预测装置100具备机械学习装置1、意图决定部14、第1通知部15-1、第2通知部15-2、变更指令输出部16。关于第1通知部15-1以及第2通知部15-2，也可以如后所述那样作为1个通知部来实现。另外，在此未进行图示，但也可以另外设置用于输出与意图决定部14决定的预测寿命相关的数据的数据输出部。

此外，电动机系统1000具备寿命预测装置100、电动机31、控制装置32、传感器33。

电动机31的种类并不限于本发明，既可以是交流电动机也可以是直流电动机。

控制装置32根据在其内部存储的控制软件，使用由传感器33检测出的各种数据来控制电动机31。作为用于控制电动机31的驱动指令，具有指令流过电动机31的电流的电流指令、指令向电动机31施加的电压的电压指令、以及指令流过电动机31的电流或向电动机31施加的电压的频率的频率指令等。控制装置32针对电动机31的控制方法并不特别限定本发明，也可以是公知的控制方法。

传感器33检测电动机31的运行状态。例如，具有检测电动机31输出的转矩的转矩传感器、检测电动机31的转速的旋转传感器、检测电动机31的运行时间的运行时间测量器(计时传感器)、检测流过电动机31的电流的电流传感器、检测向电动机31施加的电压的电压传感器、检测流过电动机31的电流或向电动机31施加的电压的频率的频率传感器、检测向电动机31提供的驱动电力的电力传感器、测量电动机31近旁的温度的温度传感器(温度计)、测量电动机31近旁的湿度的湿度传感器(湿度计)、测量在电动机31中产生的振动的振动传感器等。即，传感器33检测电动机31的上述运行状态中的被称为输出条件以及外部条件的运行状态。

机械学习装置1具备状态观测部11、实际寿命数据取得部12以及学习部13。

如上所述，状态观测部11观测状态变量，该状态变量由用于检测电动机31的运行状态的传感器的输出数据、以及与电动机31有无故障相关的数据中的至少一个数据构成。状态观测部11例如从传感器33取得作为状态变量观察的运行状态中的被称为输出条件以及外部条件的运行状态，例如从控制装置32取得被称为输入条件的运行状态。此外，关于与电动机31有无故障相关的数据，如上所述，状态观测部11既可以从设置在电动机31的故障检测装置(未图示)取得，也可以从控制装置32取得，或者还可以经由发现或得知了电动机31的故障的设计者或用户进行的输入操作来取得。

实际寿命数据取得部12取得与电动机31的实际寿命相关的数据。

学习部13具备回报计算部21和函数更新部22，按照训练数据集来学习电动机31的预测寿命，其中，该训练数据集是根据状态观测部11观测到的状态变量和实际寿命数据取得部12取得的实际寿命的组合而生成的。

学习部13内的回报计算部21根据意图决定部14决定的预测寿命以及实际寿命数据取得部12取得的实际寿命计算回报。具体地说，在预测寿命N与实际寿命M之间的差相对于实际寿命M的比例即“|N－M|/M”在规定范围α以内时，回报计算部21增加回报，在规定范围外时，回报计算部21减少回报。在此，“|N－M|”表示预测寿命N与实际寿命M之间的差的绝对值。这样计算回报是因为预测寿命N与实际寿命M之间的差相对于实际寿命M的比例即“|N－M|/M”越小，越能够通过机械学习装置1的学习正确地计算预测寿命。规定范围α为回报判断因子，例如可以根据作为机械学习装置1进行学习的结果而得到的预测寿命的正确度等来任意地进行设定。

学习部13内的函数更新部22根据状态观测部11观测到的状态变量以及回报计算部21计算出的回报，更新用于计算电动机31的预测寿命的函数。例如，在为Q学习的情况下，将用式1表示的行为价值函数Q(s，a)作为用于对行为a_t即预测寿命进行变更的函数来使用。

意图决定部14根据学习部13按照训练数据集进行学习而得到的结果，对当前的状态变量的输入进行响应，计算电动机31的预测寿命。在本实施例中，作为一例使用强化学习来作为学习算法，因此根据学习部13内的回报计算部21计算出的回报，学习部13内的函数更新部22更新用于计算预测寿命的函数，意图决定部14根据变更后的函数，选择得到最多回报的预测寿命，并输出该预测寿命。向回报计算部21、第1通知部15-1、第2通知部15-2以及变更指令输出部16输出由意图决定部14决定的预测寿命。回报计算部21根据由意图决定部14决定的预测寿命以及由实际寿命数据取得部12取得的实际寿命，如上所述那样计算回报。

第1通知部15-1向操作员通知由意图决定部14计算出的预测寿命，第2通知部15-2根据由意图决定部14计算出的预测寿命，向操作员通知催促更换电动机的信息。另外，对于第1通知部15-1以及第2通知部15-2，也可以作为1个通知部而实现。由此，设计者或作业者能够获知电动机31的预测寿命，因此能够在电动机31无法运行前更换电动机31或其构成部件，或能够进行修补或修缮等维护。通过对电动机31的构成部件进行更换或进行维护，能够延长电动机31的寿命。此外，或者作为第1通知部15-1和/或第2通知部15-2的通知内容，可以一并通知在计算预测寿命时得到的对于电动机31的寿命产生大的影响的运行状态(输入条件、输出条件以及外部条件)。例如，考虑如下的方案：在作业者使用电动机31加工物品的情况下，在将“转矩T_A、转速S_A、运行时间t_A”设为输出条件A，将“转矩T_B、转速S_B、运行时间t_B”设为输出条件B时，意图决定部14针对这些输出条件A和输出条件B计算预测寿命，将预测寿命大的一方的运行状态提示给客户。由此，设计者或作业者能够采取应对来变更对电动机31的寿命产生影响的运行状态。例如，在设计者或作业者知晓温度、湿度对电动机31的寿命产生影响的情况下，可以采取应对来调整电动机31的周边环境，从而成为使电动机31的寿命得到延长的恰当的温度、湿度。

作为第1通知部15-1和第2通知部15-2，例如具有个人计算机、便携终端、触摸面板等显示器或控制装置32附带的显示器等，例如可以通过文字或图来显示预测寿命。此外，例如也可以通过扬声器、蜂鸣器、闹铃等这样的可发出声音的音响设备来实现第1通知部15-1和第2通知部15-2。此外，或者关于第1通知部15-1和第2通知部15-2，也可以采取使用打印机打印到纸面等来进行显示的方式。此外，或者也可以适当地对这些方式进行组合来实现。

变更指令输出部16根据由意图决定部14计算出的预测寿命，向用于控制电动机31的控制装置32输出变更指令，该变更指令用于变更指令流过电动机31的电流的电流指令、指令向电动机31施加的电压的电压指令、以及指令流过电动机31的电流或向电动机31施加的电压的频率的频率指令中的至少一个指令。如上所述，指令流过电动机31的电流的电流指令、指令向电动机31施加的电压的电压指令、以及指令流过电动机31的电流或者向电动机31施加的电压的频率的频率指令被称为电动机31的输入条件。在计算预测寿命时，变更指令输出部16能够掌握对电动机31的寿命产生大的影响的电压指令、电流指令或频率指令，因此可以根据这些指令向控制装置32输出变更指令。

图6是表示实施例的具备使用了强化学习的机械学习装置的寿命预测装置的动作流程的流程图。

一般，在强化学习中随机选择行为的初始值。在实施例中，在步骤S201中，随机选择行为即预测寿命。

在步骤S202中，控制装置32根据在其内部存储的控制软件，使用由传感器33检测出的各种数据控制电动机31。通过控制装置32的控制，驱动电动机31。在该期间，传感器33检测上述电动机31的运行状态中的被称为输出条件以及外部条件的运行状态。

在步骤S203中，状态观测部11观测状态变量，该状态变量由检测电动机31的运行状态的传感器的输出数据、与电动机31有无故障相关的数据中的至少一个数据构成。

接着，在实际寿命数据取得步骤S204中，实际寿命数据取得部12取得与电动机的实际寿命相关的数据。

另外，上述步骤S203的处理和步骤S204的处理可以任意调换来执行。

接着，在步骤S205中，状态观测部11判别预测寿命N与实际寿命M之间的差相对于实际寿命M的比例即“|N－M|/M”是否在规定范围α以内。在判定为预测寿命N与实际寿命M之间的差相对于实际寿命M的比例即“|N－M|/M”在规定范围α以内的情况下，在步骤S206中回报计算部21增加回报。另一方面，在判定为预测寿命N与实际寿命M之间的差相对于实际寿命M的比例即“|N－M|/M”不在规定范围α以内的情况下，在步骤S207中回报计算部21减少回报。

在步骤S208中，函数更新部22根据由状态观测部11观测到的状态变量以及由回报计算部21计算出的回报，更新用于计算电动机31的预测寿命的函数。

接着，在步骤S209中，意图决定部14根据在步骤S208中更新后的函数，选择得到最多回报的电动机31的预测寿命，并输出该预测寿命。向回报计算部21、第1通知部15-1、第2通知部15-2以及变更指令输出部16输出由意图决定部14决定的预测寿命。之后，返回到步骤S202，以后，重复执行步骤S202～S209的处理。由此，机械学习装置1学习预测寿命。也可以从多个电动机31取得训练数据集，在该情况下，学习部13按照针对多个电动机31取得的训练数据集，重复执行步骤S201～S209的处理，来学习预测寿命。当针对多个电动机31取得了训练数据集时，机械学习装置1的学习精度提高。

另外，上述的状态观测部11、实际寿命数据取得部12、学习部13以及意图决定部14例如可以以软件程序形式来构筑，或者可以通过各种电子电路和软件程序的组合来构筑。例如，在通过软件程序形式构筑上述各部时，使电动机31的控制装置32内的运算处理装置按照该软件程序进行动作，或者使该软件程序在云服务器上运行，由此能够实现上述各部的功能。此外，或者也可以将具备状态观测部11、实际寿命数据取得部12以及学习部13的机械学习装置1作为写入了用于实现各部的功能的软件程序的半导体集成电路来实现。此外，或者也可以通过不仅包含具备状态观测部11、实际寿命数据取得部12以及学习部13的机械学习装置1还包含意图决定部14的形式，实现写入了用于实现各部的功能的软件程序的半导体集成电路。

此外，使用控制装置32为了对电动机31进行驱动控制而本来就具备的传感器所检测出的数据来执行机械学习处理1，因此不需要另外设置新的硬件装置，因此还能够对已有的电动机的控制装置追加软件程序来应用。在该情况下，只要将写入了用于实现机械学习装置1、意图决定部14各部的功能的软件程序的半导体集成电路组装到该已有的电动机控制装置中，或将用于实现机械学习装置1、意图决定部14各部的功能的软件程序本身追加安装到该已有的电动机控制装置内的运算处理装置中即可。此外，也可以将针对某个电动机31学习了预测寿命的机械学习装置1安装在与之不同的电动机控制装置中，针对该不同的电动机驱动装置重新学习并更新预测寿命。

通过本发明，能够实现一种能够正确且容易地进行与使用环境对应的电动机的寿命预测的机械学习装置及方法、具备该机械学习装置的寿命预测装置及电动机系统。

通过本发明的机械学习装置及其方法，一边使电动机实际运行一边学习预测寿命，因此能够学习与实际的使用状况对应的正确的预测寿命。此外，通过本发明的具备机械学习装置的寿命预测装置及电动机系统，能够计算与实际的使用状况对应的正确的预测寿命。由此，设计者或作业者能够获知电动机的正确的预测寿命，因此能够在电动机无法运行前更换电动机或其构成部件，或者进行修补或修缮等维护。通过对电动机的构成部件进行更换或进行维护，能够延长电动机的寿命。此外，能够获知计算预测寿命时得到的对电动机的寿命产生大的影响的运行状态，因此设计者或作业者能够采取应对来变更对电动机的寿命产生影响的运行状态。此外，还能够直接指令电动机的控制装置，以便变更对电动机的寿命产生影响的运行状态。