JP2015518246A - 照明制御用のフォトセンサの障害検出、位置特定及び性能モニタリング - Google Patents

Abstract

照明制御システムのセンサをモニタリングする方法及びシステムである。当該方法は、所与の時間ｔにおける照度の結合確率分布関数（ＰＤＦ）を決定するように、照明制御システム２１０の複数のセンサの訓練を行うステップと、訓練からパラメータを収集し、パラメータを事前データのストレージに記憶するステップＳ２１２と、複数のセンサの照度を観察するステップＳ２２２と、事前データストレージに記憶されたパラメータに部分的に基づいて、複数のセンサのうち少なくとも１つの障害のあるセンサがあるかどうかを決定するステップＳ２２４と、少なくとも１つの障害のあるセンサの存在の決定と事前データとに基づいて、障害のあるセンサの位置を特定するステップＳ２３２、Ｓ２３４とを含む。

Description

本発明は、概して、照明制御、より具体的には、照明制御システムにおけるセンサの性能のモニタリングに関する。

高度照明制御全般の普及及びその制御のためのネットワーク化されたシステムの使用は、特に増加することが予想されている。このような需要は、エネルギー節約、生態学的影響フットプリントの縮小、政府報奨金の活用に関する問題の意識、及び、特定の建築性能目標及び環境性能評価システム（ＬＥＥＤ）の認可証といった産業界の認可証の条件を満たす要求の増加によって刺激される。

このような進歩に対する要望の結果、照明制御システムの複雑さは、単純な光スイッチから、複数のサブシステムを組み込んだより高度で複雑なシステムに移行している。このような高度な照明制御システムの最適性能を維持するには、従来、照明制御システムにおいて一般的には適用されてきていない高度なストラテジが部分的に必要である。

照明制御システムの１つの重要な性能的側面は、例えば光センサであるそのセンサの性能である。このようなセンサの性能は、正常動作を確実にするためにモニタリングされる必要がある。異常又は欠陥のあるセンサは、高度照明制御システムの性能に明らかに影響を及ぼし、機会の喪失及び倹約の阻害につながる。光センサ異常は、例えばユーザによる不正使用、センサの表面の埃、電子的劣化、反射環境の変化、通信問題等を含む複数の原因によることがある。較正された性能に従って動作することのできない光センサは、照明制御システム全体の性能に支障を来す。通常、このような問題は気付かれないか、又は、照明制御システムの性能によるものとされる。現在では、照明システムにおける問題が、障害があって交換、修理、及び自己又は手動較正が必要な光センサに起因するのかどうかを判定するために利用可能なソリューションはない。このような照明システムのユーザは、性能全体に支障がある場合には当該システムを使用不可にする傾向があり、したがって、電力消費量を増加させるので、この点は、大きな不利点である。

したがって、少なくとも光センサの障害を検出するためのソリューションを有する照明制御システムを提供することが有利である。また、当該ソリューションは、問題が検出されるとすぐに、自動的に又は例えば建物の運営担当者によって、行われる補正動作を可能にすることが更に有利である。

本明細書に開示される特定の実施形態は、照明制御システムのセンサをモニタリングするシステムを含む。当該システムは、ネットワークに接続された複数のセンサと、ネットワークに接続され、訓練サブシステム、検出サブシステム及び位置特定サブシステムを含むコンピュータデバイスとを含み、訓練サブシステムは、システムの最適動作を決定し、検出サブシステムは、複数のセンサから測定値を収集し、少なくとも訓練サブシステムから提供されたデータに部分的に基づいて、複数のセンサのうち障害のあるセンサを決定し、位置特定サブシステムは、複数のセンサのそれぞれに対して決定される障害指示子に基づいて、複数のセンサのうち障害のあるセンサの場所を決定する。

本明細書に開示される特定の実施形態は、照明制御システム内のセンサをモニタリングする当該照明システム内の装置を含む。当該装置は、少なくとも、ネットワークに接続された複数のセンサからデータを収集する、ネットワークへのインタフェースと、訓練サブシステム、検出サブシステム及び位置特定サブシステムを含む障害検出ユニットと、訓練サブシステム、検出サブシステム及び位置特定サブシステムのうちの少なくとも１つのシステムのデータを記憶する記憶コンポーネントとを含み、訓練サブシステムは、照明制御システムの最適動作を決定し、検出サブシステムは、複数のセンサから測定値を収集し、少なくとも訓練サブシステムから提供されたデータに部分的に基づいて、複数のセンサのうち障害のセンサがあるかどうかを決定し、位置特定サブシステムは、複数のセンサのそれぞれについて決定される障害指示子に基づいて、複数のセンサのうち障害のあるセンサの場所を決定する。

本明細書に開示される特定の実施形態は、照明制御システムのセンサをモニタリングする方法を含む。当該方法は、所与の時間ｔにおける照度の結合確率分布関数（ＰＤＦ）を決定するように、照明制御システムの複数のセンサの訓練を行うステップと、訓練からパラメータを収集し、パラメータを事前データのストレージに記憶するステップと、複数のセンサの照度を観察するステップと、事前データストレージに記憶されたパラメータに部分的に基づいて、複数のセンサのうち少なくとも１つの障害のあるセンサがあるかどうかを決定するステップと、少なくとも１つの障害のあるセンサの存在の決定と事前データとに基づいて、障害のあるセンサの位置を特定するステップとを含む。

本発明と見なされる主題は、明細書の結びにおける請求項に具体的に指摘され、明瞭に主張されている。本発明の上記並びに他の特徴及び利点は、添付図面と共に解釈される以下の詳細な説明から明らかとなろう。

図１は、本発明の一実施形態に係る照明制御システムの概略図である。 図２は、本発明の一実施形態に係るセンサ障害検出及び位置特定システムの概略フローチャートである。 図３は、典型的な部屋の西向きの窓から収集した照度データの照度分布を示すグラフである。 図４は、６０分間の観察期間に基づいた照度データのクラスタの最適数を示すグラフである。 図５は、（ガウス混合モデル及び単一のガウスモデルに基づいた）例えば典型的な部屋の窓の付近の昼光照度の推定結合確率分布関数（ＰＤＦ）の比較を示すグラフである。 図６は、ガウス混合モデルに基づいた典型的な部屋の例えば窓付近及び扉付近の机の昼光照度の推定結合ＰＤＦを示すグラフである。 図７は、例えば典型的なダイニングルームからの照度をテストする障害検出システムを実証するタイミングチャートである。 図８は、例えば典型的なオフィスルームからの照度をテストする障害検出システムを実証するタイミングチャートである。 図９は、例えば典型的なカフェテリアルームからの照度をテストする障害検出システムを実証するタイミングチャートである。

開示されている実施形態は、本明細書における革新的な教示内容の多くの有利な使用のうちの幾つかの例に過ぎないことに留意することが重要である。一般に、本願の明細書における記述は、様々な請求項に係る発明のいずれも限定するものではない。更に、一部の記述は、幾つかの発明特徴に適用されるが、他の発明特徴には適用されない場合もある。一般に、特に明記されない限り、単数の要素は複数であってもよく、また、その反対も、普遍性を失うことなく同様である。図面中、同様の参照符号は、幾つかの図面に亘って同様の部分を指す。

本明細書において説明される様々な実施形態によれば、照明制御システムの複数のセンサの固有の相関関係だけでなく、ある時間に亘る単一のセンサの相関関係が、既存のシステムに優る利点を提供する。このために、照明制御システムのセンサから履歴データが収集される。このようなデータは、センサが接続されているネットワークを介して収集される。データが一旦収集されると、各センサの動作状態と、それに対する可能な補正動作とを決定するために、幾つかのステップが取られる。

図１は、本発明の一実施形態に係る照明制御システム１００の例示的かつ非限定的な概略図を示す。複数のセンサ１３０−１乃至１３０−Ｎ（Ｎは１よりも大きい整数であり、集合的にセンサ１３０と呼ぶ）が、ネットワーク１２０に結合されている。ネットワーク１２０は、シリアルバス、パラレルバス、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）等（無線又は有線に関わらず）又はこれらの任意の組み合わせを含む。ネットワーク１２０には、ネットワークインターフェースを介して、例えばコンピュータシステムに特有である計算回路及びプロセッサと、各センサ１３０の履歴データを記憶するデータストレージ１１２と、障害検出ユニット１１４とを含むコンピュータシステム１１０が接続されている。一実施形態では、センサ１３０は、フォトセンサである。

障害検出ユニット１１４は、コンピュータシステム１１０によって実行されると、以下により詳細に説明される検出及び位置特定のためのステップを行う、有形コンピュータ可読媒体に埋め込まれた一連の命令を含む。障害検出ユニット１１４は更に、コンピュータシステム１１０によって行われた処理の結果を示すディスプレイ又は他の手段を含んでもよい。

障害検出ユニット１１４は、訓練動作、障害検出動作、及び障害位置特定動作を行う。訓練動作では、幾つかの統計値が、センサ１３０のグループに対し、ストレージ１１２に含まれる履歴データの一部について計算される。このような統計値は、履歴データのグループへの分類、及び、各グループの統計変数、即ち、例えば結合分布関数のパラメータの推定であるが、限定、平均、分散及び／又は共分散によるものではない推定を含む。

障害検出動作では、プロセスは、各時間事象又は各継続時間（例えば３０分間のスパン）に対し、また、センサ１３０のうちの１組のセットからの特定の読み取り値に対して行われ、コンピュータシステム１１０は、先のセンサ測定関係が与えられて、現在測定されたデータが正しい、又は、生じる可能性が高い確率を計算する。即ち、相関関係が決定される。確率が低い場合、コンピュータシステム１１０は、この測定事象は、問題又は障害があると特定できる。障害は、無視できるほどの確率を有する事象、即ち、起きる可能性の低い事象として見なされ、次のように表される。
ここで、ｘ（ｔ）は、チェックされたセンサ１３０のうちの１組のセンサの読み取り値である。障害位置特定動作では、障害のある１つ又は複数のセンサを特定する試みがなされる。

この動作は、特定のセンサからの測定値の尤度の評価に基づいている。センサ１３０のうち障害のあるセンサが特定されると、障害のあるセンサは、更なる調査が必要なセンサとしてフラグされる。その調査は、手動であってもよく、即ち、建物の運営担当者が、性能偏差の原因を調査し、当該障害のあるセンサの問題を解決してもよい。或いは、可能である場合、例えばコンピュータシステム１１０によって自己較正プロセスを開始してセンサ１３０のうちの障害のあるセンサに自己較正を行わせることによって、１つ以上の自己較正動作が行われてもよい。自己較正アルゴリズムについては、本明細書では述べない。一実施形態によれば、障害又は異常は、センサ１３０から受信される、次の特性、即ち、低確率の偽アラーム及び低確率の誤検出を有する測定データ内で特定される。

障害のあるセンサは、異常測定データを提供しているセンサであり、異常測定データは、例えばユーザの不正使用、センサの表面の埃、電子的劣化、反射環境の変化、通信問題等である様々な理由に起因する。障害のあるセンサは、センサの実際の故障に限定されない。

センサによって測定された照度／輝度（以下、普遍性を失うことなく、「昼光照度」の用語を使用する）の結合分布の効果的な推定が、効果的な障害検出システムをデザインするのに重要である。説明のために、昼光照度の結合確率分布関数（ＰＤＦ）を説明するためにガウス混合モデルが選択される。つまり、昼光照度のＰＤＦは、複数のガウス分布の重ね合わせによって近似される。したがって、ガウス混合モデルの次の情報、即ち、所与の時間ｔにおけるガウス分布成分の最適数、各ガウス分布の平均ベクトル及び共分散行列、及び、組み合わせられたときの各ガウス分布の適切な重みを求める必要がある。したがって、所与の時間ｔについて、ガウス分布成分の最適数は、Ｌ^＊（ｔ）と表される。ｋ番目のガウス分布の平均ベクトル、共分散行列及び重みを、それぞれ、μ_ｋ（ｔ）、Σ_ｋ（ｔ）及びπ_ｋ（ｔ）と表すと、所与の時間ｔにおける昼光照度の結合分布が次の通りに与えられる。
ここで、ｘ（ｔ）は、昼光照度を表す列ベクトルであり、Ｎ（ｘ（ｔ）｜μ_ｋ（ｔ），Σ_ｋ（ｔ））は、平均μ_ｋ（ｔ）及び共分散Σ_ｋ（ｔ）を有する多変量ガウス分布を表す。パラメータセット｛Ｌ^＊（ｔ）、μ_ｋ（ｔ）、Σ_ｋ（ｔ）、π_ｋ（ｔ）｝は、昼光照度のＰＤＦを完全に記述する。障害検出サブシステムの一実施形態に従ってパラメータセット｛Ｌ^＊（ｔ）、μ_ｋ（ｔ）、Σ_ｋ（ｔ）、π_ｋ（ｔ）｝を探す方法を以下により詳細に説明する。

図２は、本発明の一実施形態に係るセンサ障害検出及び位置特定システムの例示的かつ非限定的なフローチャート２００を示す。システム２００は、３つのサブシステム、即ち、訓練サブシステム２１０、検出サブシステム２２０及び障害位置特定サブシステム２３０を含む。訓練サブシステム２１０の役割は、記憶された訓練データから、昼光照度の結合確率密度関数を推定することである。訓練サブシステム２１０は、通常、オフラインで訓練され、検出サブシステム２２０及び位置特定サブシステム２３０に、これらのサブシステムによって使用される推定モデルパラメータを提供する。検出サブシステム２２０の役割は、センサ１３０からの測定値に障害があるか否かを検出することである。サブシステム２２０は、オンラインで動作し、訓練サブシステム２１０からの推定モデルパラメータに基づいてリアルタイム測定値をテストする。障害が検出されると、検出サブシステム２２０は、位置特定サブシステム２３０に、各センサ１３０からの測定値をテストし、どのセンサ１３０が障害のある測定値を提供しているのか決定するように伝える。サブシステム２１０、２２０及び２３０の詳細は、以下により詳細に説明される。

図２に示される訓練サブシステム２１０は、３つの動作、即ち、訓練データのグループ分け（Ｓ２１２）、ガウス分布の最適数Ｌ^＊（ｔ）の推定（Ｓ２１４）及びμ_ｋ（ｔ）、Σ_ｋ（ｔ）、π_ｋ（ｔ）の推定（Ｓ２１６）を含む。

Ｓ２１２では、訓練サブシステム２１０は、データの観察時間と、所望の観察期間長さとに応じて、訓練データをグループ分けする。訓練データは、センサ１３０のうち機能的センサから測定された事前に記憶された標準の昼光照度として規定される。観察時間は、昼光照度が測定された時間インスタンスである。観察期間長さは、本来は連続的である時間情報を離散化するための継続時間である。例えば観察期間長さが３０分間である場合、３０分間の時間間隔ですべての昼光照度測定値がグループ化され、同じＰＤＦに従っていると見なされる。Ｓ２１４では、訓練サブシステム２１０は、ガウス分布成分の最適数を決定する。Ｌ^＊（ｔ）を見つけることは、昼光照度を記述するクラスタの最適数を見つけることに相当し、クラスタは、以下により詳細に説明される。

図３は、センサ１３０のうちの１つのセンサから、例えば典型的な部屋の中の西向きの窓から、１６：００−１６：０１の間に集められた照度データの照度分布を示す例示的かつ非限定的なグラフである。図３を単に観察することによって、データが、照度レベルに基づいて幾つかのクラスタに大まかにグループ化できることが容易に理解できる。クラスタの最適数は、ここでは、過度なモデル複雑さをもたらすことなく、データを適切に記述するクラスタの数と規定される。例えば１０の異なるクラスタへの分割よりも３つのクラスタが、図３における照度データを記述するにはふさわしい選択である。例えば、Ｌ^＊（ｔ）を見つけるために、このステップでは、Ｘ平均アルゴリズムが使用される。

図４は、西向きの部屋のＬ^＊（ｔ）の結果の例示的かつ非限定的な図である。図４から、照度のクラスタの最適数は、昼光の利用可能性に基づいて時間と共に変化することが分かる。例えば、昼光がない夜間では、クラスタの最適数は、たった２である一方で、西向きの部屋では、直射日光のある１５：００から１８：００の間では、クラスタの最適数は、８乃至１１である。なお、照度のクラスタの最適数は、観察期間長さ及び建物の環境にも依存する。

図２に戻るに、Ｓ２１６では、Ｓ２１４において見つけたＬ^＊（ｔ）に基づいてパラメータセットμ_ｋ（ｔ）、Σ_ｋ（ｔ）、π_ｋ（ｔ）を見つける必要がある。ここでは、１＜ｋ＜Ｌ^＊（ｔ）であり、π_ｋ（ｔ）は、次を満たす。
最適パラメータセットは、ここでは、最尤解、即ち、
と規定される。最適なμ_ｋ（ｔ）、Σ_ｋ（ｔ）、π_ｋ（ｔ）を見つけるための閉形式はないが、効率的な期待値最大化（ＥＭ）アルゴリズムを直接的に適用して解を見つけてもよい。

図５は、ガウス混合モデル及び従来の単一ガウスモデル（曲線５２０）に基づいた１６：００−１６：０１（１分間の観察期間）の間の典型的な部屋の西向きの窓付近の昼光照度（赤実線曲線５１０として示される）の推定ＰＤＦを比較する例示的かつ非限定的なグラフを示す。従来の単一ガウス分布仮定５２０に比べて、ガウス混合モデル５１０は、はるかにより正確に昼光照度を記述し、昼光照度分布の多様な性質を明瞭に具現化している。図６に、２つの昼光測定値についてのガウス混合モデルの別の例が示される。具体的には、図６は、２つの測定値を有するガウス混合モデルに基づいた１６：００−１６：０１（１分間の観察期間）の間の典型的な部屋の西向きの窓付近及び当該部屋の扉付近の机における昼光照度の推定結合ＰＤＦを示すグラフを提供する。

図２に戻るに、システムが訓練サブシステム２１０によって訓練されると、検出サブシステム２２０は、Ｓ２２２において、新しい入力観察ｘ（ｔ）を受信する。当該新しい入力観察について、対応する確率密度が、先に見つけられたパラメータセット、
に基づいて、Ｓ２２４において決定される。その後、Ｓ２２６において、確率密度は、次の単純な検出規則：
に基づいた所定の閾値δと比較される。つまり、Ｉ（ｔ）＞δの場合、観察は、Ｓ２２８において、正常と表示される。しかし、Ｉ（ｔ）＜δの場合、観察には障害があり、センサ１３０のうちどれが障害のあるセンサであるか判定するために位置特定サブシステム２３０によって処理が続けられる。

最後に、位置特定サブシステム２３０は、測定値を評価し、センサ１３０のうちの障害のある１つ（又は複数）のセンサの位置を特定する。図２に示されるように、障害のあるセンサは、それらの障害指示子Ｉ_ｊ（ｔ）を試験することによって位置が特定される。ここで、ｊは、センサの番号１３０_−ｊを表す。本発明に係る障害指示子は、特定のセンサからの測定値の尤度の評価と規定される。障害指示子は、測定値の尤度を反映できる限り、異なる関数であってもよい。例えばセンサｊの障害指示子は、次の条件付き確率密度であってもよい。
ここで、Ｄは、センサの総数である。別の例として、障害指示子は、センサｊの周辺確率密度として求められてもよい。
ここで、
は、ベクトル
のｊ番目の要素を表し、
は、行列
のｊ番目の行及びｊ番目の列の要素を表す。したがって、この場合、ガウス混合モデルの各成分が、単一の変量ガウスになる。個々のセンサのそれぞれの障害指示子が上記の通りに又は別の方法で計算されると、センサｊがエラーを有するか否かを判定する規則は、次の通りに、単に、Ｉ_ｊ（ｔ）を閾値δ_ｊと比較することによって求められる。
つまり、Ｉ_ｊ（ｔ）がδ_ｊよりも大きい場合、センサｊは、正常に動作していると判定される（２３６）。また、そうでなければ、障害があると判定される（２３８）。一実施形態では、各センサ１３０のステータスはコンピュータシステム１１０によって表示される。当然ながら、障害検出及び位置特定のための閾値は同じである必要はない。閾値の適切な値は、訓練データから得られる。例えば、障害指示子が周辺確率密度である場合、閾値は、次の通りに見出される。
ここで、ηは、サブシステム２２０及び２３０による障害検出のマージンを提供するスカラー（例えば１０^−２）である。

図７乃至図９に関する以下の記述は、非限定的な例によって、本発明の様々な実施形態に係る照明システムの動作を説明する。例示のために、３つの異なる環境、即ち、ダイニングルーム（図７）、オフィスルーム（図８）及び建物の廊下（図９）について説明される。実験におけるすべてのセンサのサンプルレートは、１サンプル／分である。観察期間長さは、１分間である。ダイニングルームには、５個のセンサが配備され、オフィスルームには、１３個のセンサが配備され、建物の廊下には、４つのセンサが配備されている。これらのセンサは、様々な場所に置かれている。オフィスルーム及びダイニングルームの場合、センサは、天井、テーブル／机及び窓に置かれている。廊下の場合、センサは、廊下に沿って様々な場所にある窓に置かれている。

図７は、上記した典型的なダイニングルームからの照度をテストする障害検出及び位置特定システムを論証する例示的かつ非限定的なタイミングチャートを提供する。この例では、訓練データは、２８日間の期間に亘って集められ、障害検出及び位置特定システムを訓練するために、５個すべてのセンサからの測定値が使用されている。この例では、９つの３０分間の人為的な障害のある期間が、照度データにランダムに挿入されている。各障害のある期間の間、窓を通した照度を測定しているセンサ（図７では、「センサ＃１：窓」と表される）に障害があると推定されている。

図７の上のグラフは、障害のある測定値が挿入された照度データを示す。図７の下のグラフは、サブシステム２２０及び２３０によって行われた検出の出力を示す。障害が検出されると、出力は１であり、そうでなければ、出力は０である。閾値は、周辺確率密度である障害指示子に基づいて設定されている。

様々な照度測定値間の相関関係を効果的に利用することによって、障害検出サブシステム２２０は、障害のある測定値が正常測定値に近い場合でも、当該障害のある測定値を検出することができる。例えば、丸印７１０、７２０及び７３０でハイライトされた障害のある測定値は、正常測定値に似ている。しかし、サブシステム２２０及び２３０は、対応する丸印７１５、７２５及び７３５によって示されるように、僅かな異常も検出する。

図８は、例えば１３個のセンサを有する典型的なオフィスルームからの照度をテストするシステム１００の動作を論証する例示的かつ非限定的なタイミングチャートを提供する。この例では、訓練データは、３０日間の期間に亘って集められ、障害検出及び位置特定システムを訓練するために、１３個すべてのセンサからの測定値が使用されている。ここでも、９つの３０分間の人為的な障害のある期間が、照度データにランダムに挿入されている。各障害のある期間の間、窓を通した照度を測定しているセンサ（図８では、「センサ＃１：東向きの窓」と表される）に障害があると推定されている。図８の上のグラフが、障害のある測定値が挿入された照度データを示す。

図８の下のグラフは、サブシステム２２０及び２３０の出力を示す。障害が検出されると、出力は１であり、そうでなければ、出力は０である。閾値は、周辺確率密度である障害指示子に基づいて設定されている。様々な照度測定値間の相関関係を効果的に利用することによって、障害検出サブシステムは、障害のある測定値が正常測定値に近い場合でも、当該障害のある測定値を検出することができる。例えば、丸印８１０及び８２０でハイライトされた障害のある測定値は、正常測定値に似ている。しかし、検出器は、対応する丸印８１５及び８２５によって示されるように、僅かな異常も検出する。

図９は、例えば４個のセンサを有する建物の廊下からの照度をテストする障害検出システムを論証する例示的かつ非限定的なタイミングチャートを提供する。この例では、訓練データは、３０日間の期間に亘って集められ、障害検出及び位置特定システムを訓練するために、４個すべてのセンサからの測定値が使用されている。ここでも、９つの３０分間の人為的な障害のある期間が、照度データにランダムに挿入されている。各障害のある期間の間、窓を通した照度を測定しているセンサ（図９では、「センサ＃１：西向きのカフェテリア」と表される）に障害があると想定されている。図９の上のグラフが、障害のある測定値が挿入された照度データを示す。

図９の下のグラフは、サブシステム２２０及び２３０の出力を示す。障害が検出されると、出力は１であり、そうでなければ、出力は０である。閾値は、周辺確率密度である障害指示子に基づいて設定されている。様々な照度測定値間の相関関係を効果的に利用することによって、障害検出サブシステムは、障害のある測定値が正常測定値に近い場合でも、当該障害のある測定値を検出することができる。例えば、丸印９１０、９２０及び９３０でハイライトされた障害のある測定値は、正常測定値に似ている。しかし、検出器は、対応する丸印９１５、９２５及び９３５によって示されるように、僅かな異常を依然として検出できる。

本明細書に開示されている様々な実施形態は、ハードウェア、ファームウェア、ソフトウェア又はこれらの任意の組み合わせとして実施可能である。更に、ソフトウェアは、デジタル回路、アナログ回路、磁気媒体又はこれらの組み合わせの形であってよいプログラム記憶ユニット、非一時的コンピュータ可読媒体又は非一時的マシン可読記憶媒体上に明白に具現化されるアプリケーションプログラムとして実施されることが好適である。アプリケーションプログラムは、任意の適切なアーキテクチャを含むマシンにアップロードされ、実行される。好適には、マシンは、１つ以上の中央処理演算ユニット（「ＣＰＵ」）、メモリ、及び／又は、入出力インタフェースといったハードウェアを有するコンピュータプラットフォーム上に実施される。コンピュータプラットフォームは更に、オペレーティングシステム及びマイクロ命令コードを含んでもよい。本明細書において説明される様々な処理及び機能は、コンピュータ又はプロセッサが明示的に示されているかいないかに関わらず、ＣＰＵによって実行されるマイクロ命令コードの一部であっても、アプリケーションプログラムの一部であっても、又は、それらの組み合わせであってもよい。更に、追加のデータ記憶ユニット及び印刷ユニットといった様々な他の周辺ユニットがコンピュータプラットフォームに接続されていてもよい。

本発明は、幾つかの説明された実施形態について相当に詳しく及び特殊性と共に説明されたが、任意のそのような詳細若しくは実施形態又は任意の特定の実施形態に本発明を限定することを意図しておらず、本発明は、添付の請求項を参照して解釈されるべきであり、これにより、従来技術に鑑みて、当該請求項の最も広義の解釈を提供し、したがって、本発明の意図する範囲を効果的に包含するものである。更に、上記は、本発明を、発明者によって予見されている、実施可能とする説明が利用可能となっている実施形態について説明しているが、現在予見されていない本発明の実体のない変更態様も、当該実施形態の等価物を表している。

Claims (15)

1. 照明制御システムのセンサをモニタリングするシステムであって、
   ネットワークに接続された複数のセンサと、
   前記ネットワークに接続され、訓練サブシステム、検出サブシステム及び位置特定サブシステムを含むコンピュータデバイスと、
   を含み、
   前記訓練サブシステムは、前記システムの最適動作を決定し、前記検出サブシステムは、前記複数のセンサから測定値を収集し、少なくとも前記訓練サブシステムから提供されたデータに部分的に基づいて、前記複数のセンサのうち障害のあるセンサを決定し、前記位置特定サブシステムは、前記複数のセンサのそれぞれに対して決定される障害指示子に基づいて、前記複数のセンサのうち前記障害のあるセンサの場所を決定する、システム。
2. 前記複数のセンサは、フォトセンサである、請求項１に記載のシステム。
3. 前記訓練サブシステムは、所与の時間ｔにおける照度の結合確率分布関数（ＰＤＦ）を決定する、請求項１に記載のシステム。
4. 前記検出サブシステムは、確率密度を決定する、請求項１に記載のシステム。
5. 前記検出サブシステムは、前記確率密度を所定閾値と比較して、前記複数のセンサのうち障害のあるセンサがあるかどうかを決定する、請求項４に記載のシステム。
6. 前記位置特定サブシステムは、各センサにつき、前記センサのそれぞれの確率密度をそれぞれの所定閾値と比較して、各センサに障害があるかどうかを決定する、請求項１に記載のシステム。
7. 照明制御システム内のセンサをモニタリングする前記照明システム内の装置であって、
   少なくとも、ネットワークに接続された複数のセンサからデータを収集する、前記ネットワークへのインタフェースと、
   訓練サブシステム、検出サブシステム及び位置特定サブシステムを含む障害検出ユニットと、
   前記訓練サブシステム、前記検出サブシステム及び前記位置特定サブシステムのうちの少なくとも１つのシステムのデータを記憶する記憶コンポーネントと、
   を含み、
   前記訓練サブシステムは、前記照明制御システムの最適動作を決定し、前記検出サブシステムは、前記複数のセンサから測定値を収集し、少なくとも前記訓練サブシステムから提供されたデータに部分的に基づいて、前記複数のセンサのうち障害のセンサがあるかどうかを決定し、前記位置特定サブシステムは、前記複数のセンサのそれぞれについて決定される障害指示子に基づいて、前記複数のセンサのうち前記障害のあるセンサの場所を決定する、装置。
8. 前記複数のセンサは、フォトセンサである、請求項７に記載の装置。
9. 前記訓練サブシステムは、所与の時間ｔにおける照度の結合確率分布関数（ＰＤＦ）を決定する、請求項７に記載の装置。
10. 前記検出サブシステムは更に、確率密度を決定する、請求項７に記載の装置。
11. 前記検出サブシステムは更に、前記確率密度を所定閾値と比較して、前記複数のセンサのうち障害のあるセンサがあるかどうかを決定する、請求項１０に記載の装置。
12. 前記位置特定サブシステムは更に、各センサにつき、前記センサのそれぞれの確率密度をそれぞれの所定閾値と比較して、各センサに障害があるかどうかを決定する、請求項１０に記載の装置。
13. 照明制御システムのセンサをモニタリングする方法であって、
    所与の時間ｔにおける照度の結合確率分布関数（ＰＤＦ）を決定するように、前記照明制御システムの複数のセンサの訓練を行うステップと、
    前記訓練からパラメータを収集し、前記パラメータを事前データのストレージに記憶するステップと、
    前記複数のセンサの照度を観察するステップと、
    前記事前データストレージに記憶された前記パラメータに部分的に基づいて、前記複数のセンサのうち少なくとも１つの障害のあるセンサがあるかどうかを決定するステップと、
    前記少なくとも１つの障害のあるセンサの存在の決定と前記事前データとに基づいて、前記障害のあるセンサの位置を特定するステップと、
    を含む、方法。
14. 前記訓練からパラメータを収集するステップは更に、ガウス分布成分の最適数を決定するステップを含む、請求項１３に記載の方法。
15. 前記障害のあるセンサがあるかどうかを決定するステップは、確率密度を決定するステップを含む、請求項１３に記載の方法。