JP2022082294A - 管水路の異常検知システム、推定装置、学習モデル生成装置、管水路の異常検知装置、管水路の異常検知方法、推定方法、及び学習モデル生成方法 - Google Patents

Abstract

【課題】管水路の異常を容易に検知する【解決手段】管水路の異常検知システム１００は、管水路内の状態を検知するセンサ５０からのセンサデータと天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する推定装置１０と、推定した天気データと、実際の天気の分類を表す天気データとを比較して、管水路における異常発生の有無を判定する判定装置２０とを備えている。【選択図】図１

Description

本発明は、管水路の異常検知システム、推定装置、学習モデル生成装置、管水路の異常検知装置、管水路の異常検知方法、推定方法、及び学習モデル生成方法に関する。

農業農村整備事業で敷設された基幹的な農業用パイプラインの総延長は１２，０００ｋｍを超え、その支線水路の総延長は膨大な長さに達している。このような農業用パイプラインは、施設の老朽化に伴い、突発的な破損事故が増加傾向にある。特に、畑地に灌漑用水を送配するための小口径で高圧のパイプランでは、破損事故が多数発生している。

パイプライン破損の形態の１つである管体に発生するき裂は、給水栓操作による水撃圧や減圧弁による水圧変動による変形が繰り返し生じることにより成長する。成長したき裂の長さに比例して、漏水量は増加し、最終的には管が分断され、大量の用水が噴出する漏水事故に発展する。したがって、き裂の発生初期の少量の漏水を検知して、大きな漏水事故に至るのを未然に防ぐことが重要である。

従来、農業用パイプラインの漏水検知は、ＴＣ／ＴＭ（テレコン・テレメーター）による流量計測値の異常警報を受け、作業者が現地にて漏水につながる不明水を確認した後、音聴棒で正確な漏水発生位置を調査することにより行われている。また、特許文献１及び２には、漏水によって生じる振動によって、漏水を検知する技術が記載されている。また、特許文献３には、パイプライン内の流量データの変化に基づいて漏水を検知する技術が記載されている。

特開２０１９－０９５２９２号公報 再表２０１７／１９９４５５号公報 再表２０１６／１８１５９３号公報

しかしながら、ＴＣ／ＴＭや音聴棒を利用した漏水検知技術では、漏水発生初期に検知することは困難である上に、作業者の負担が大きい。また、特許文献１～３に記載された技術よりも容易に漏水検知可能な技術が求められている。

本発明の一態様は、上述の問題を鑑みなされたものであって、その目的は、管水路の異常を容易に検知する技術を提供することにある。

上記の課題を解決するために、本発明の一態様に係る管水路の異常検知システムは、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定装置と、推定装置が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定装置とを備えている。

本発明の一態様に係る推定装置は、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、天気データを推定する推定部を備えている。

本発明の一態様に係る学習モデル生成装置は、管水路内の状態を検出するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、前記センサデータを入力として、前記天気データを出力する学習モデルを生成する学習モデル生成部を備えている。

本発明の一態様に係る管水路の異常検知装置は、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定部と、前記推定部が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定部とを備えている。

本発明の一態様に係る管水路の異常検知方法は、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する工程と、推定工程においてが推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する工程とを含む。

本発明の一態様に係る推定方法は、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、天気データを推定する工程を含む。

本発明の一態様に係る管水路の学習モデル生成方法は、管水路内の状態を検出するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、前記センサデータを入力として、前記天気データを出力する学習モデルを生成する工程を含む。

本発明の各態様に係る管水路の異常検知システムは、コンピュータによって実現してもよく、この場合には、コンピュータを前記管水路の異常検知システムが備える各部（ソフトウェア要素）として動作させることにより前記管水路の異常検知システムをコンピュータにて実現させる管水路の異常検知システムの制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、管水路の異常を容易に検知する技術を提供することができる。

本発明の一態様に係る管水路の異常検知システムの要部構成の一例を示すブロック図である。 本発明の一態様に係る学習モデル生成装置において学習モデル生成に用いられる教師データの一例を示す図である。 本発明の一態様に係る推定装置が実行する推定の一例を示す図である。 本発明の一態様に係る推定装置が実行する推定の他の例を示す図である。 本発明の一態様に係る学習モデル生成装置における学習モデル生成処理の流れの一例を示すフローチャートである。 本発明の一態様に係る推定装置における推定処理の流れの一例を示すフローチャートである。 本発明の一態様に係る管水路の異常検知システムの判定装置における判定処理の流れの一例を示すフローチャートである。

〔異常検知システム〕
本発明の一形態に係る管水路の異常検知システムは、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定装置と、推定装置が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定装置とを備えている。

本発明者らは、農業農村整備事業で敷設される農業用パイプラインに配される樹脂管には、管体のき裂、変形による管の継手の抜けのような疲労破壊による漏水が生じやすいことを見出した。地下埋設型の農業用パイプラインで漏水が発生すると、道路の陥没や周辺地域への土壌流出などを招く危険がある。管水路の異常検知システムは、このような農業用パイプラインに適用可能であり、特に地下埋設型の農業用パイプラインに好適である。

管水路の異常検知システムにより検知可能な管水路の異常の例として、管水路におけるき裂の発生、管水路の破損、管水路の破断、管水路の変形による継手の抜け等の漏水を伴う異常が挙げられる。また、管水路の異常検知システムにより検知可能な管水路の異常には、管水路を介した給排水を制御する機器の故障等も含まれる。

図１は、本発明の一態様に係る管水路の異常検知システム１００の要部構成の一例を示すブロック図である。管水路の異常検知システム１００は、推定装置１０及び判定装置２０を備えている。管水路の異常検知システム１００は、さらに、学習モデル生成装置３０、天気データ生成装置４０、センサ５０、記憶装置６０、出力装置７０を備え得る。

センサ５０は、管水路内の状態を検知する。センサ５０は、例えば、管水路内の圧力を計測する圧力計、管水路内の流量を計測する流量計、又は、管水路内の振動を検知する振動センサである。また、センサ５０として、圧力計と流量計のように、複数組み合わせて用いてもよい。すなわち、センサ５０は、管水路内の圧力、流量、及び振動からなる群より選択される少なくとも１つを検知する。そして、センサ５０から取得したセンサデータは、管水路内の圧力、流量、及び振動からなる群より選択される少なくとも１つの所定時間内の変化を表すデータである。センサ５０として、何れのセンサを用いるかは、管水路の状態や設置場所等に応じて選択すればよい。

ここで、圧力計は、流量計と比較して安価であり、管の給水栓の分岐部分に取り付けるのみでよいため、既設の管であっても取り付けが容易である。また、圧力計を用いれば、振動センサを用いる場合のように、管水路内における減衰を考慮する必要が無いので、データ処理が容易であり、管水路内の状態の変化を検出しやすい。したがって、センサ５０は、圧力計であることが好ましい。本実施形態では、センサ５０が圧力計である場合を例として説明するが、本発明はこれに限定されない。

センサ５０は、管水路の異常の発生が予想される区間に複数設けられていることが好ましく、当該区間の上流側及び下流側の２か所に設けられていることがより好ましい。すなわち、センサデータは、管水路の所定区間内の上流側及び下流側の少なくとも２箇所に設けられたセンサから取得したデータである。また、センサ５０は、上記区間の上流側及び下流側の２か所を含む３か所以上に設けられていることがさらに好ましい。これにより、区間内の圧力を適切に計測することができる。

センサ５０は、管水路内の圧力を計測し、計測した圧力を含む圧力データ（センサデータ）を記憶装置６０に記憶させる。これにより、圧力の経時的な変化を取得することができる。センサ５０は、圧力を常時計測するようになっていてもよいし、所定の間隔で定期的に計測するようになっていてもよい。センサ５０は、圧力データを無線又は有線により記憶装置６０に送信するようになっていてもよい。センサ５０は、新たな圧力を計測する度に、圧力データを記憶装置６０に送信するようになっていてもよいし、所定時間毎や所定回数の圧力を計測する毎に、圧力データを記憶装置６０に送信するようになっていてもよい。

記憶装置６０は、管水路の異常検知システム１００にて使用されるプログラム及びデータを記憶する。記憶装置６０は、一例として、センサ５０が検知した圧力データを時系列で所定時間毎に記憶している。記憶装置６０は、圧力データを記憶するデータベースをクラウド又はサーバ上に有していてもよい。

記憶装置６０は、センサ５０が検知した圧力データを時系列で１日（２４時間）毎に記憶していてもよく、この場合、圧力を検知した日付と対応付けて記憶していることが好ましい。また、記憶装置６０は、半日（１２時間）毎に圧力データを記憶してもよいし、６時間毎又は３時間毎に圧力データを記憶してもよい。圧力データは、所定時間内の圧力の変動を表す波形データであり得る。

出力装置７０は、判定装置２０が判定した情報を出力する。出力装置７０による出力の態様は特に限定されない。出力装置７０は、例えば、当該情報を画像として表示する表示装置、当該情報を印刷する印刷装置、又は、当該情報を音声として出力する警報装置であってもよい。

（学習モデル生成装置３０の要部構成）
学習モデル生成装置３０は、管水路内の状態を検出するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、前記センサデータを入力として、前記天気データを出力する学習モデルを生成する。

学習モデル生成装置３０は、制御部３１を備えている。制御部３１は、学習モデル生成装置３０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部３１の各部が構成される。当該各部として、制御部３１は、教師データ取得部３２及び学習モデル生成部３３を備えている。

教師データ取得部３２は、教師データを取得する。教師データ取得部３２は、入力装置（不図示）からの学習の開始指示を表す入力信号に基づき、記憶装置６０に記憶された圧力データを読み出す。記憶装置６０からの圧力データの読み出しは、例えば、Ｗｅｂスクレイピングのような公知の技術により実現し得る。

さらに、教師データ取得部３２は、読み出した圧力データに含まれる圧力が検知された時の天気の分類を表す天気データを天気データ生成装置４０から取得する。記憶装置６０から読み出した圧力データには、圧力を検知した日付が対応付けられている。教師データ取得部３２は、圧力データに対応付けられた日付と天気データに対応付けられた日付とを対応付けた教師データを生成する。教師データ取得部３２は、生成した教師データを学習モデル生成部３３へ出力する。

なお、記憶装置６０に圧力データを記憶する際に、当該圧力データに対応付けられた日付の天気データを天気データ生成装置から取得して、圧力データ及び天気データに日付を対応付けて記憶させてもよい。これにより、教師データ取得部３２は、日付に対応付けられた圧力データ及び天気データを記憶装置６０から読み出すのみで、教師データを生成することができる。

図２は、本発明の一態様に係る学習モデル生成装置３０において学習モデル生成に用いられる教師データ２００の一例を示す図である。図２に示すように、教師データ２００は、日付、圧力データ、天気データを含む。

日付は圧力データが取得された日を表す。圧力データは、センサ５０により検知された圧力が、記憶装置６０に１日毎に時系列で記憶されたデータであり、１日の管水路内の変動を表す波形データである。天気データは、天気データ生成装置４０が生成したデータである。

天気データは、１日の天気を所定の天気の分類に分類したデータであり、天気の分類は「晴」及び「雨」であり得るが、「曇り」、「晴れのち曇り」、「晴れ時々曇り」、「曇り一時雨」等の天気の分類をさらに含んでいてもよい。天気データは、圧力データが取得された日の天気を表している。

なお、教師データ２００は、各日１つの圧力データ及び天気データを含んでいる。しかしながら、管水路にセンサ５０が複数設けられており、記憶装置６０に複数のセンサ５０からの圧力データがそれぞれ記憶されている場合には、教師データ２００に同じ日付で複数の圧力データ及び天気データが含まれる。

学習モデル生成部３３は、教師データ取得部３２から取得した教師データを用いて機械学習を行うことにより、学習モデル８０を生成する。学習モデル生成部３３の一例としては、ニューラルネットワーク、決定木、ランダムフォレスト、サポートベクトルマシン等の既知の機械学習方法を用いて、学習モデル８０を生成する。学習モデル生成装置３０により生成された学習モデル８０は、圧力データを入力として、天気データを出力する。学習モデル生成部３３は、生成した学習モデル８０を記憶装置６０に格納する。

学習モデル生成装置３０による学習モデル８０の生成は、入力装置（不図示）からの学習の開始指示を表す入力信号に基づいて行われてもよいし、所定の間隔で定期的に行なわれてもよい。また、学習モデル生成装置３０は、圧力データが更新された際に学習モデル８０を再生成するようになっていてもよく、学習モデル８０を毎日再生成してもよい。学習モデル生成装置３０による学習モデル８０の生成は、管水路の区間毎に行われることが好ましく、また、季節や作物の育成段階が変化する度に行ってもよい。

（推定装置１０の要部構成）
推定装置１０は、管水路内の状態を検知するセンサから取得したセンサデータと、センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、センサデータを入力として、天気データを推定する。

推定装置１０は、制御部１１を備えている。制御部１１は、推定装置１０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部１１の各部が構成される。当該各部として、制御部１１は、入力データ取得部１２及び推定部１３を備えている。

入力データ取得部１２は、センサ５０により検知された圧力を含む圧力データを取得する。入力データ取得部１２は、入力装置（不図示）からの推定の開始指示を表す入力信号に基づき、圧力データを取得する。一例として、入力データ取得部１２は、記憶装置６０から圧力データを読み出すが、センサ５０から直接圧力データを取得するようになっていてもよい。入力データ取得部１２による圧力データの取得は、例えば、Ｗｅｂスクレイピングのような公知の技術により実現し得る。入力データ取得部１２は、取得した圧力データを推定部１４３へ出力する。

推定部１３は、記憶装置６０に記憶された学習モデル８０を用いて、圧力データに含まれる圧力が検知された日の天気を推定する。推定部１３は、記憶装置６０から学習モデル８０を読み出し、入力データ取得部１２から送られた圧力データを学習モデル８０に入力して、学習モデル８０から出力された天気データを取得する。推定部１３は、取得した天気データを、推定結果として判定装置２０へ出力する。

農業用パイプラインは需要主導型であり、農業従事者等が給水栓を操作（開閉）することにより管水路内に圧力変動が生じる。すなわち、圧力データにおける波形の変化は、給水栓が操作されたことを示している。農業従事者は、当日の天気が晴の場合には、例えば、午前中に給水栓を開き、午後に給水栓を閉じるというように、圃場への給水作業を行う。一方、当日の天気が雨の場合には、圃場に給水する必要がないため、農業従事者は給水栓を操作しない。したがって、晴の日の圧力データは変動が生じるが、雨の日の圧力データは変動が生じない。

本発明者らは、このように、農業用パイプラインでは、管水路内の圧力データが農業従事者の給水栓の操作により変動すること、及び、農業従事者による給水栓の操作が当日の天気の影響をうけることを見出した。すなわち、管水路内の圧力データの変動は、当日の天気の影響を受ける。この知見に基づき、本発明者らは、圧力データ及び天気データを教師データとして機械学習を行うことにより生成された学習モデルを用いて、圧力データを入力として、天気データを推定する本発明に想到するに至った。

図３及び４は、本発明の一態様に係る推定装置１０が実行する推定の一例を示す図である。図３に示すように、推定部１３は、入力データ取得部１２より取得した圧力データ３００又は圧力データ３０１を学習モデル８０に入力する。圧力データ３００及び圧力データ３０１は、午前と午後に圧力の変動が生じている。したがって、このような圧力データが入力されると、学習モデル８０は、天気データ３０３として「晴」を出力する。一方、図４に示すように、圧力データ４００及び圧力データ４０１は、一日を通じて圧力変動が生じていないか、極わずかな変動しか生じていない。したがって、このような圧力データが入力されると、学習モデル８０は、天気データ３０４として「雨」を出力する。

（判定装置２０の要部構成）
判定装置２０は、推定装置１０が推定した天気データと、学習モデルに入力した圧力データ取得時の実際の天気の分類を表す天気データとを比較して、管水路における異常発生の有無を判定する。

判定装置２０は、制御部２１を備えている。制御部２１は、判定装置２０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部２１の各部が構成される。当該各部として、制御部２１は、データ取得部２２及び判定部２３を備えている。

データ取得部２２は、推定装置１０から送られた推定結果を取得する。データ取得部２２は、入力装置（不図示）からの判定の開始指示を表す入力信号に基づき、推定結果を取得する。そして、データ取得部２２は、学習モデル８０に入力された圧力データに対応付けられた日（当日）の天気データを、天気データ生成装置４０から取得する。推定結果の天気データには、学習モデル８０に入力された圧力データに対応付けられた日付の情報が含まれており、データ取得部２２は当該日付の情報を参照して、当該日付の天気データを天気データ生成装置４０から取得してもよい。データ取得部２２は、取得した推定結果の天気データと当日の天気データとを、判定部２３へ出力する。

判定部２３は、データ取得部２２から送られた推定結果の天気データと当日の天気データとを比較して、管水路における異常発生の有無を判定する。判定部２３は、判定結果を出力装置７０に出力する。

上述したように、管水路内の圧力データの変動は、当日の天気の影響を受けるため、管水路に異常がなければ、晴の日の圧力データは変動が生じるが、雨の日の圧力データは変動が生じない。しかしながら、管水路にき裂の発生のような異常があれば、天気の影響ではない変動が圧力データに生じる。

そのため、圧力データから推定された天気と、実際のその日の天気とが異なっていれば、圧力データに天気の影響ではない変動が生じており、管水路に異常が発生している可能性が有ると判定することができる。例えば、圧力データに変動が生じでおり、推定装置１０により「晴」と推定されたが、実際のその日の天気は「雨」であった場合には、圧力データに生じた変動は管水路の異常により生じている可能性があると判定することができる。

判定部２３は、このように、推定装置１０による推定結果の天気データと、天気データ生成部から取得した実際の天気データとを比較する。そして、判定部２３は、天気データが異なる場合には「管水路に異常有り」と判定し、天気データが一致する場合には「管水路に異常無し」と判定する。

（天気データ生成装置４０の要部構成）
天気データ生成装置４０は、取得した天気を表すテキストデータに基づき、当該天気を所定の天気の分類に分類した天気データを生成する。

天気データ生成装置４０は、制御部４１を備えている。制御部４１は、天気データ生成装置４０の各部を統括して制御するものであり、一例として、プロセッサ及びメモリにより実現される。この例において、プロセッサはストレージ（不図示）にアクセスし、ストレージに格納されているプログラム（不図示）をメモリにロードし、当該プログラムに含まれる一連の命令を実行する。これにより、制御部４１の各部が構成される。当該各部として、制御部４１は、テキスト取得部４２及び分類部４３を備えている。

テキスト取得部４２は、天気を表すテキストデータを取得する。テキスト取得部４２は、教師データ取得部３２からの天気データの取得開始指示を表す入力信号に基づき、天気を表すテキストデータを取得する。また、テキスト取得部４２は、データ取得部２２からの天気データの取得開始指示を表す入力信号に基づき、天気を表したテキストデータを取得する。テキスト取得部４２は、教師データ取得部３２が読み出した圧力データ又は学習モデル８０に入力された圧力データに対応付けられた日の天気を表したテキストデータを取得する。テキスト取得部４２は、取得した天気を表すテキストデータを、分類部４３へ出力する。

テキスト取得部４２は、一例として、気象庁等の気象情報を提供する機関が公開しているデータベースに保存された天気概況を天気を表すテキストデータとして取得する。天気を表すテキストデータは、圧力データに対応付けられた日の１日の天気を表すデータであるが、圧力データが半日毎の圧力データである場合は、当該半日の天気を表すテキストデータであればよい。また、圧力データが所定時間毎（６時間毎、３時間毎）の圧力データである場合は、天気を表すテキストデータは、当該所定時間毎の天気を表すテキストデータであり得る。さらに、天気を表すテキストデータは、地域毎に天気を表すテキストデータであり得る。すなわち、天気を表すテキストデータは、管水路の異常検知システムを適用する区間が存在する地域の天気を表すテキストデータであり得る。

分類部４３は、テキスト取得部４２から送られた天気を表すテキストデータに基づき、当該天気を所定の天気の分類に分類した天気データを生成する。分類部４３は、取得した天気を表すテキストデータから、当該天気に関するキーワード（例えば、晴、雨等）を抽出する。分類部４３によるキーワードの抽出は、例えば、テキストマイニングのような公知の技術により実現し得る。

分類部４３は、抽出したキーワードに基づいて、天気を分類する。天気の分類は「晴」及び「雨」であり得るが、「曇り」、「晴れのち曇り」、「晴れ時々曇り」、「曇り一時雨」等の天気の分類をさらに含んでいてもよい。天気の分類が「晴」及び「雨」である場合、分類部４３は、抽出したキーワードに基づいて、天気を「晴」又は「雨」のいずれかに分類して天気データを生成する。分類部４３は、生成した天気データを、教師データ取得部３２又はデータ取得部２２に送る。

（学習モデル生成処理の流れ）
図５は、本発明の一態様に係る学習モデル生成装置３０における学習モデル生成処理の流れの一例を示すフローチャートである。

教師データ取得部３２は、入力装置（不図示）からの学習の開始指示を表す入力信号に基づき、記憶装置６０に記憶された圧力データを読み出す（ステップＳ１）。教師データ取得部３２は、読み出した圧力データに対応付けられた日付を参照して、天気データ生成装置４０から当該日付の天気データを取得する（ステップＳ２）。教師データ取得部３２は、圧力データに、日付が一致する天気データを対応付け、教師データを生成する（ステップＳ３）。教師データ取得部３２は、生成した教師データを学習モデル生成部３３へ出力する。

学習モデル生成部３３は、教師データ取得部３２から取得した教師データを用いて機械学習を行うことにより、学習モデル８０を生成する（ステップＳ４、学習モデルを生成する工程）。学習モデル生成部３３は、生成した学習モデル８０を記憶装置６０に格納する（ステップＳ５）。以上で、学習モデル生成処理（学習モデル生成方法）は終了する。

（推定処理の流れ）
図６は、本発明の一態様に係る推定装置１０における推定処理の流れの一例を示すフローチャートである。

入力データ取得部１２は、入力装置（不図示）からの推定の開始指示を表す入力信号に基づき、記憶装置６０に記憶された推定対象の圧力データを取得する（ステップＳ１１）。入力データ取得部１２は、取得した圧力データを推定部１３へ出力する。

推定部１３は、取得した圧力データを学習モデル８０に入力し、出力された天気データを取得する（ステップＳ１２、推定する工程）。そして、推定部１３は、取得した天気データを推定結果として判定装置２０へ出力する（ステップＳ１３）。以上で、推定処理（推定方法）は終了する。

（判定処理の流れ）
図７は、本発明の一態様に係る管水路の異常検知システム１００の判定装置２０における判定処理の流れの一例を示すフローチャートである。

データ取得部２２は、入力装置（不図示）からの判定の開始指示を表す入力信号に基づき、推定装置１０から推定結果の天気データを取得する（ステップＳ２１）。そして、データ取得部２２は、天気データ生成装置４０から当日の天気データを取得する（ステップＳ２２）。データ取得部２２は、取得した推定結果と天気データとを、判定部２３へ出力する。

判定部２３は、データ取得部２２から送られた推定結果の天気データと当日の天気データとが一致するか否かを判定する（ステップＳ２３、判定する工程）。ステップＳ２３において、推定結果の天気データと当日の天気データとが一致すると判定した場合（Ｙｅｓ）、判定部２３は管水路に異常発生の虞なしと判定する（ステップＳ２４）。ステップＳ２３において、推定結果の天気データと当日の天気データとが一致しないと判定した場合（Ｎｏ）、判定部２３は管水路に異常発生の虞ありと判定する（ステップＳ２５）。そして、判定部２３は、判定結果を出力装置７０へ出力する（ステップＳ２６）。以上で、判定処理（管水路の異常検知方法）は終了する。

（効果）
以上のように、管水路の異常検知システム１００は、管水路内の圧力データが農業従事者の給水栓の操作により変動すること、及び、農業従事者による給水栓の操作が当日の天気の影響をうけるという、本発明者らが見出した知見に基づくものである。管水路の異常検知システム１００は、センサ５０が計測した圧力のデータを入力として学習モデルが推定した天気と実際のその日の天気とが、一致する場合は管水路に異常はないと判定し、異なる場合には管水路に異常があると判定する。

したがって、管水路の異常検知システム１００は、センサ５０を管水路に取り付けるのみで管水路の異常を検知することが可能であり、管水路が設置されている場所での点検作業等の必要がなく、作業者の負担が小さい。また、管水路の異常検知システム１００は、センサ５０が計測した値に基づき管水路の異常の有無を判断するので、作業者の経験則に基づくような判断と異なり、適切な判断が可能である。さらに、管水路の異常検知システム１００は、センサ５０を管水路の異常が疑われる位置に設置して異常を検知することもできるので、常時管水路全体を監視する必要もない。

また、管水路の異常検知システム１００は、管水路の所定の区間毎に取得した圧力データを用いて学習した学習モデル８０を利用して異常を検知するので、管水路の全体の状態に基づく異常の検知と比較して、精度が高い。さらに、管水路の異常検知システム１００は、所定の期間毎や季節毎に学習モデル８０を生成して異常の検知に利用することができるので、所定の期間又は季節に応じた異常の検知が可能であり、精度が高い。また、管水路の異常検知システム１００は、圧力データが蓄積される度に学習モデル８０を再学習させるのみで、異常の検知の精度を高めることが可能である。

また、管水路の異常検知システム１００は、センサ５０として圧力計を用いれば、安価であると共に設置が容易である。さらに、管水路の異常検知システム１００は、センサ５０として圧力計を用いれば、振動センサを用いる場合のように、管水路内における減衰を考慮する必要が無いので、データ処理が容易であり、管水路内の状態の変化を検出しやすい。また、管水路の異常検知システム１００は、センサ５０として圧力計を用いれば、管水路にき裂が生じた時点で管水路内の圧力は変化するので、管水路から漏水が発生する前、又は漏水が発生した初期の段階で、管水路の異常を検知することができる。

〔変形例〕
異常検知システムを、推定装置に対応する推定部と、判定装置に対応する判定部とを一体として含む異常検知装置として実現してもよい。すなわち、管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定部と、推定装置が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定部とを備えた、管水路の異常検知装置についても、本発明の範疇に含まれる。

〔ソフトウェアによる実現例〕
推定装置１０、判定装置２０、学習モデル生成装置３０、及び天気データ生成装置４０の制御ブロック（特に制御部１１、制御部２１、制御部３１、及び制御部４１）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、推定装置１０、判定装置２０、学習モデル生成装置３０、及び天気データ生成装置４０は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔まとめ〕
本発明の一態様に係る管水路の異常検知システム１００は、管水路内の状態を検知するセンサ５０から取得したセンサデータ（圧力データ）と、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する推定装置１０と、推定装置１０が推定した天気データと、入力したセンサデータ取得時の実際の天気の分類を表す天気データとを比較して、管水路における異常発生の有無を判定する判定装置２０とを備えている。

前記の構成によれば、センサ５０を管水路に取り付けるのみで管水路の異常を検知することが可能であり、管水路が設置されている場所での点検作業等の必要がなく、作業者の負担が小さい。したがって、管水路の異常を容易に検知することができる。

本発明の一態様に係る管水路の異常検知システム１００は、前記の構成に加えて、センサデータは、管水路内の圧力、流量、及び振動からなる群より選択される少なくとも１つの所定時間内の変化を表すデータである。

前記の構成によれば、管水路の状態や設置場所等に応じてセンサデータを選択することで、適切な異常の検知が可能である。また、センサデータが圧力であれば、圧力計が安価であるという利点もある。

本発明の一態様に係る管水路の異常検知システム１００は、前記の構成に加えて、センサデータは、管水路の所定区間内の上流側及び下流側の少なくとも２箇所に設けられたセンサ５０から取得したデータである。前記の構成によれば、所定区間内のセンサデータを適切に取得することができる。

本発明の一態様に係る管水路の異常検知システム１００は、前記の構成に加えて、取得した天気を表すテキストデータに基づき、当該天気を所定の天気の分類に分類した天気データを生成する天気データ生成装置４０をさらに備えている。前記の構成によれば、推定及び判定に用いる天気データを取得することができる。

本発明の一態様に係る推定装置１０は、管水路内の状態を検知するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する推定部１３を備えている。

前記の構成によれば、管水路の異常検知に利用する天気データを推定することができる。そして、推定した天気データを用いて容易に管水路の異常検知を実現できる。

本発明の一態様に係る学習モデル生成装置は、管水路内の状態を検出するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、センサデータを入力として、天気データを出力する学習モデル８０を生成する学習モデル生成部３３を備えている。

前記の構成によれば、管水路の異常検知に利用する学習モデルを生成することができる。そして、生成した学習モデルを用いて容易に管水路の異常検知を実現できる。

本発明の一態様に係る管水路の異常検知装置は、管水路内の状態を検知するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する推定部１３と、推定部１３が推定した天気データと、入力したセンサデータ取得時の実際の天気の分類を表す天気データとを比較して、管水路における異常発生の有無を判定する判定部２３とを備えている。前記の構成によれば、本発明の一態様に係る管水路の異常検知システム１００と同様の効果が、単体の装置で実現できる。

本発明の一態様に係る管水路の異常検知方法は、管水路内の状態を検知するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する工程と、推定する工程においてが推定した天気データと、入力したセンサデータ取得時の実際の天気の分類を表す天気データとを比較して、管水路における異常発生の有無を判定する工程とを含む。前記の構成によれば、本発明の一態様に係る管水路の異常検知システム１００と同様の効果が得られる。

本発明の一態様に係る推定方法は、管水路内の状態を検知するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデル８０を用いて、センサデータを入力として、天気データを推定する工程を含む。前記の構成によれば、本発明の一態様に係る推定装置１０と同様の効果が得られる。

本発明の一態様に係る学習モデル生成方法は、管水路内の状態を検出するセンサ５０から取得したセンサデータと、センサ５０による検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、センサデータを入力として、天気データを出力する学習モデル８０を生成する工程を含む。前記の構成によれば、本発明の一態様に係る学習モデル生成装置３０と同様の効果が得られる。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１０ 推定装置
１３ 推定部
２０ 判定装置
２３ 判定部
３０ 学習モデル生成装置
３３ 学習モデル生成部
４０ 天気データ生成装置
５０ センサ
８０ 学習モデル
１００ 管水路の異常検知システム

Claims (10)

1. 管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定装置と、
   前記推定装置が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定装置と
   を備えた、管水路の異常検知システム。
2. 前記センサデータは、前記管水路内の圧力、流量、及び振動からなる群より選択される少なくとも１つの所定時間内の変化を表すデータである、請求項１に記載の管水路の異常検知システム。
3. 前記センサデータは、前記管水路の所定区間内の上流側及び下流側の少なくとも２箇所に設けられたセンサから取得したデータである、請求項１または２に記載の管水路の異常検知システム。
4. 取得した天気を表すテキストデータに基づき、当該天気を所定の天気の分類に分類した前記天気データを生成する天気データ生成装置をさらに備えた、請求項１から３のいずれか１項に記載の管水路の異常検知システム。
5. 管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、天気データを推定する推定部を備えた、推定装置。
6. 管水路内の状態を検出するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、前記センサデータを入力として、前記天気データを出力する学習モデルを生成する学習モデル生成部を備えた、学習モデル生成装置。
7. 管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する推定部と、
   前記推定部が推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する判定部と
   を備えた、管水路の異常検知装置。
8. 管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、前記天気データを推定する工程と、
   前記推定する工程においてが推定した天気データと、入力した前記センサデータ取得時の実際の天気の分類を表す天気データとを比較して、前記管水路における異常発生の有無を判定する工程と
   を含む、管水路の異常検知方法。
9. 管水路内の状態を検知するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより生成された学習モデルを用いて、前記センサデータを入力として、天気データを推定する工程を含む、推定方法。
10. 管水路内の状態を検出するセンサから取得したセンサデータと、前記センサによる検出時の天気の分類を表す天気データとを教師データとして機械学習を行うことにより、前記センサデータを入力として、前記天気データを出力する学習モデルを生成する工程を含む、学習モデル生成方法。

Images