JP2023003226A - 監視システム、監視方法、及び監視プログラム - Google Patents

Abstract

【課題】異常を判定する対象を監視する監視システム、監視方法及びプログラムを提供すること。
【解決手段】監視システムは、異常を判定する対象に備えられる一又は複数のセンサと、対象に備えられる一又は複数のセンサの各々が検出したセンサデータが異常であるか否かを判定する第１処理部と、第１処理部が異常であると判定した場合に、複数のセンサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、第２処理部は、複数の対象の各々に備えられたセンサが検出したセンサデータと対象に関する異常との関係を学習しており、学習の結果を使用して、第１処理部が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する。
【選択図】図１

Description

特許法第３０条第２項適用申請有り （１）開催日 令和２年１１月１３日（会期：１１月１２日～１１月１３日） 集会名、開催場所 株式会社 アイ・アイ・エム／セイコーソリューションズ株式会社／株式会社 コスモ 主催 Ｓｏｃｉｅｔｙ ５．０ ｆｏｒ ＳＤＧｓ ＷＥＥＫ ＣＯＭＰＵＳ ２０２０ Ｏｎｌｉｎｅ インターネットによる通信（Ｚｏｏｍ）を用いたオンライン開催 ＜資 料＞ ＣＯＭＰＵＳ ２０２０ 開催概要 ＜資 料＞ ＣＯＭＰＵＳ ２０２０ 発表資料

特許法第３０条第２項適用申請有り （２）開催日 令和３年１月２０日 集会名、開催場所 デジタルビジネス・イノベーションセンター（ＤＢＩＣ）主催 企業変革実践シリーズ・新春特大号 「ＤＢＩＣ発５人のチャレンジャーが明日を語る」 インターネットによる通信（Ｚｏｏｍ）を用いたオンライン開催 ＜資 料＞ ウェブセミナー企業変革実践シリーズ 開催概要 ＜資 料＞ ウェブセミナー企業変革実践シリーズ 発表資料

特許法第３０条第２項適用申請有り （３）ウェブサイトの掲載日 令和３年４月１日 ウェブサイトのアドレス ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｃａｓｅ／ｔ－ｈｏａｎ／ ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｐｒｏｄｕｃｔｓ／ｌｕｉｎａ／ ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｐｒｏｄｕｃｔｓ／ｌｕｉｎａ／？ｕｔｍ＿ｓｏｕｒｃｅ＝２０２１０４０５＆ｕｔｍ＿ｍｅｄｉｕｍ＝ｅｍａｉｌ ＜資 料＞ 「ＬＵｉＮａ」（ルイナ） 製品解説 ウェブページ

特許法第３０条第２項適用申請有り （４）ウェブサイト掲載日令和３年４月５日ウェブサイトのアドレス〔ＰＲ関連・掲載先ウェブサイトのアドレス〕ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｄｏｗｎｌｏａｄｆｉｌｅｓ／ｌｕｉｎａ＿ｃａｓｅ＿ｔｏｈｏｋｕ．ｐｄｆｈｔｔｐｓ：／／ｗｗｗ．ｓｅｉｋｏ－ｓｏｌ．ｃｏ．ｊｐ／ｃａｓｅ／ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｃａｓｅ／ｔ－ｈｏａｎ／ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｃａｓｅ／ｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｈｔｔｐｓ：／／ｆｏｒｍ．ｓｅｉｋｏ－ｓｏｌ．ｃｏ．ｊｐ／ｍ／ｉｉｍ＿ｄｌ＿ｌｕｉｎａｈｔｔｐｓ：／／ｗｗｗ．ｉｉｍ．ｃｏ．ｊｐ／ｄｏｗｎｌｏａｄｆｉｌｅｓ／ｌｕｉｎａ＿ｃａｓｅ＿ｔｏｈｏｋｕ．ｐｄｆｈｔｔｐｓ：／／ｗｗｗ．ｓｅｉｋｏ－ｓｏｌ．ｃｏ．ｊｐ／ｃａｓｅ／＜資料＞「ＬＵｉＮａ」（ルイナ）紹介記事例ウェブページ

特許法第３０条第２項適用申請有り （５）開催日令和３年４月１４日～１６日集会名、開催場所ＩｎｔｅｒｏｐＴｏｋｙｏ実行委員会主催ＩｎｔｅｒｏｐＴｏｋｙｏ２０２１幕張メッセ（国際展示場）＜資料＞ＩｎｔｅｒｏｐＴｏｋｙｏ２０２１出展案内＜資料＞ＩｎｔｅｒｏｐＴｏｋｙｏ２０２１開催概要

本発明は、監視システム、監視方法、及び監視プログラムに関する。

電気主任技術者制度は、電気保安の安全・安心を確保する制度であるが、電気主任技術者の高年齢化、外部委託受託者への入職者減など将来的に制度を安定的に維持するのが困難な状況となっている。加えて、昨今のコロナ禍において人流が抑制された中でも保安の確保が重要視されており、とりわけ産業インフラ、医療機関及び療養施設の維持運用は重要である。

そのような中、官民が連携し電気主任技術者の確保を進める一方、少ない人員でも保安を確保するべくＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）やＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）などを導入し安全性向上、作業の効率化を図る「スマート保安」化が検討されている。
遠隔システムに関して、パワーコンディショナの出力制御を容易に実行できる技術が知られている（例えば、特許文献１参照）。
自家用電気工作物の９０％は外部委託制度を利用している中小規模事業者であり。殆どが外部委託制度を利用して電気保安を確保している状態である。一部で低圧絶縁監視装置を運用し電気保安の一役を担っているものの、遠隔にてデータを収集する仕組みは殆ど運用されていない。

特開２０２０－１８２２５９号公報

中小規模自家用電気工作物の受変電設備について、定期的な点検が法的に求められている。現状、電気主任技術者などの技術者が現地を訪問して、五感を駆使して点検を実施しているため安全安心の確保は技術者の力量に依存する状態である。
設備の経年劣化に伴う異音、異臭などの故障の予兆は、技術者が点検しているときでなければ判らない。しかし、点検時に故障の予兆が発生しているとは限らず見過ごしてしまうおそれがある。
また、昨今の情勢も加担して、技術者の人材確保、現地へ点検のための派遣なども困難になってきており、点検業務の効率化が求められている。
また、熟練技術者の高年齢化、新たな人材確保が困難な状況であり技術継承が難しくなってきている。
また、こういった問題は、中小規模自家用電気工作物に関する点検に限った問題ではない。例えば、プラントや工場などでは作業員が定期的に装置類の点検を行ったりしている。また、建造物のセキュリティ会社などでは、定期的に点検員が建造物内外を監視したりしている。こういった人間による点検や監視作業は、中小規模自家用電気工作物に関する点検の場合と同様に、人材確保の問題があるのと同時に効率化が求められている。
本発明は、上記の問題点に鑑みてなされたものであって、異常を判定する対象を監視する監視システム、監視方法及びプログラムを提供することを目的とする。

（１）上述の課題に鑑み、本発明の一態様に係る監視システムは、異常を判定する対象に備えられる一又は複数のセンサと、前記対象に備えられる一又は複数の前記センサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定する第１処理部と、前記第１処理部が異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第２処理部は、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（２）本発明の一態様に係る監視システムにおいて、前記第１処理部は、一又は複数の前記センサの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
（３）本発明の一態様に係る監視システムにおいて、前記第２処理部は、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数の前記センサの各々が検出したセンサデータのうち、異常であると判定された前記センサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
（４）本発明の一態様に係る監視システムにおいて、前記第１処理部は、前記対象に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象が備えられた環境との関係を学習する。
（５）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を更新する。
（６）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を学習する。
（７）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
（８）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の前記装置の各々の故障レベルとの関係を更新する。
（９）本発明の一態様に係る監視システムにおいて、一又は複数の前記センサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
（１０）本発明の一態様に係る監視システムにおいて、異常を判定する前記対象に備えられる一又は複数の前記センサ以外の一又は複数の第２センサをさらに備え、前記第１処理部は、一又は複数の前記第２センサの各々が検出したセンサデータが異常であるか否かを判定する。

（１１）本発明の一態様に係る監視方法は、異常を判定する対象に備えられる一又は複数のセンサの各々が検出したセンサデータが異常であるか否かを、センサ毎に判定するステップと、判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを有し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係の学習の結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、コンピュータが実行する監視方法である。

（１２）本発明の一態様に係る監視プログラムは、コンピュータに、異常を判定する対象に備えられる一又は複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラムである。

本発明によれば、異常を判定する対象を監視できる監視システム、監視方法及びプログラムを提供できる。

本発明の実施形態に係る監視システムの概略の一例を示す図である。 本実施形態に係る監視システムに含まれる監視装置の動作の一例を示す図である。 本実施形態に係る監視システムに含まれるセンササーバと監視装置との一例を示す図である。 本実施形態に係る監視システムの動作の一例を示す図である。 実施形態の変形例１に係る監視システムに含まれる監視装置の動作の一例を示す図である。 実施形態の変形例１に係る監視システムに含まれる監視装置の一例を示す図である。 実施形態の変形例１に係る監視システムの動作の一例を示すフローチャートである。 実施形態の変形例２に係る監視システムの概略の一例を示す図である。 実施形態の変形例２に係る監視システムに含まれる監視装置の一例を示す図である。 実施形態の変形例２に係る監視システムの動作の一例を示すフローチャートである。 実施形態の変形例３に係る監視システムに含まれる監視装置の一例を示す図である。 本実施形態の変形例３に係る監視システムの動作の一例を示すフローチャートである。

次に、本実施形態の監視システム、監視方法、及び監視プログラムを、図面を参照しつつ説明する。以下で説明する実施形態は一例に過ぎず、本発明が適用される実施形態は、以下の実施形態に限られない。
また、本願でいう「ＸＸに基づいて」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含む。また、「ＸＸに基づいて」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含む。「ＸＸ」は、任意の要素（例えば、任意の情報）である。

（実施形態）
以下、本発明の実施形態について図面を参照して説明する。同一又は類似の機能を有する構成には、同一の符号を付し、その構成に関して重複する説明は省略する場合がある。
（監視システム）
図１は、本発明の実施形態に係る監視システムの概略の一例を示す図である。本発明の実施形態に係る監視システム１は、異常を判定する対象に備えられる一又は複数のセンサで環境情報をセンシングする。異常を判定する対象の一例は、キュービクル（高圧受電設備）などの受変電設備である。
監視システム１は、一又は複数のセンサの各々がセンシングすることによって得られるセンサデータの時系列データに基づいて、平時と違う動きを検知することによって、故障の予兆を検出する。監視システム１は、故障の予兆を検出した場合に、センサデータの時系列データの変化点（変化のタイミング）を検出する。
監視システム１は、センサデータの時系列データの変化点に基づいて、一又は複数のセンサの各々がセンシングすることによって得られるセンサデータに基づいて、異常発報するか否かを判定する。

図１に示すように、監視システム１は、監視装置１００と、センササーバ２００と、センサ３００－１からセンサ３００－ｎ（ｎは、ｎ＞０の整数）と、ウェブサーバ４００とを備える。図１には、監視装置１００と、センササーバ２００と、センサ３００－１からセンサ３００－ｎと、ウェブサーバ４００とに加え、端末装置５００が示されている。
監視装置１００と、センササーバ２００と、ウェブサーバ４００と、端末装置５００とは、ネットワークＮＷを介して通信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、プロバイダ装置、無線基地局などを含む。

センサ３００－１からセンサ３００－ｎの各々は、センササーバ２００に接続される。センサ３００－１からセンサ３００－ｎの各々の一例は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
超音波センサによって高感度に変化を捉えることができる。例えば、超音波センサによって絶縁体表面の部分放電を検出できるため高圧絶縁劣化を検出できる。高圧絶縁劣化を検出できることによって、設備の破損、汚損、腐食、異音をチェックできるため、視覚と聴覚とを代替できる。
オゾンセンサによって発生したガスを検出できる。例えば、オゾンセンサによって有機絶縁体で放電時に生成するオゾンを検出できるため高圧絶縁劣化を検出できる。高圧絶縁劣化を検出できることによって、設備の破損、汚損、腐食、異音をチェックできるため、視覚と聴覚とを代替できる。
臭いセンサによって臭い成分を検出できる。例えば、臭いセンサによって絶縁体の過熱・焼損時の異臭を検出できるため接触不良・過負荷を検出できる。接触不良・過負荷を検出できることによって、設備の変色、腐食、異臭、過熱をチェックできるため、視覚と、嗅覚と触覚とを代替できる。
音波センサによって人が感じる音の変化を捉えることができる。例えば、音波センサによって放電音、異音（振動音、うなり）を検出できるため接触不良・過負荷を検出できる。接触不良・過負荷を検出できることによって、設備の破損、汚損、腐食、異音をチェックできるため、視覚と聴覚とを代替できる。
超音波センサと、オゾンセンサと、臭いセンサと、音波センサとを使用することによって、人の味覚以外の五感を代替できる。

センササーバ２００は、センサ３００－１からセンサ３００－ｎの各々がセンシングすることによって取得した検出値を取得する。検出値の一例は、４ｍＡから２０ｍＡのアナログデータである。センササーバ２００は、センサ３００－１からセンサ３００－ｎの各々が取得した検出値をデジタルデータに変換することによってセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。センササーバ２００は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを監視装置１００へ送信する。
監視装置１００は、センササーバ２００が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。監視装置１００は、受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含むセンサデータ通知を作成し、作成したセンサデータ通知を、ウェブサーバ４００へ送信する。

ウェブサーバ４００は、監視装置１００が送信したセンサデータ通知を受信する。ウェブサーバ４００は、受信したセンサデータ通知に含まれる一又は複数のセンサデータに基づいて、一又は複数のセンサデータの各々の時系列データなどの監視対象の状態を通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００にアクセスすることによって、監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

図２は、本実施形態に係る監視システムに含まれる監視装置の動作の一例を示す図である。
監視装置１００は、受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する（１）。
監視装置１００において、変化点検出ＡＩは、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。変化点検出ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、平時と違う動きが生じたセンサが存在するか否かを判定することによって、当該センサを備える対象について、故障の予兆を検出する（２）。変化点検出ＡＩは、平時と違う動きが生じた時系列データがあると判定することによって故障の予兆を検出した場合に、その平時と違う動きを検出したタイミングを取得する。

監視装置１００において、異常判定ＡＩは、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。異常判定ＡＩは、変化点検出ＡＩから平時と違う動きを検出したタイミングを特定する情報を取得する。異常判定ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データと、平時と違う動きを検出したタイミングとに基づいて、そのタイミング前後数時間のセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常が生じたか否かを判定する（３）。
異常判定ＡＩは、異常が生じたか否かの判定結果に基づいて異常が発生したことを通知するための異常発報を行うか否かを判定する。監視装置１００は、異常発報を行うと判定した場合に、異常発生通知を作成し、作成した異常発生通知をウェブサーバ４００へ送信する。

ウェブサーバ４００は、監視装置１００が送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。
以下、監視システム１に含まれるセンササーバ２００と、監視装置１００とについて詳細に説明する。

図３は、本実施形態に係る監視システムに含まれるセンササーバと監視装置との一例を示す図である。
（センササーバ２００）
センササーバ２００は、ゲートウェイ２１０と、センサボックス２２０と、変換ボックス２３０とを備える。
変換ボックス２３０には、センサ３００－１からセンサ３００－ｎが接続される。変換ボックス２３０は、センサ３００－１からセンサ３００－ｎの各々がセンシングすることによって取得した検出値を取得する。
変換ボックス２３０は、センサ３００－１からセンサ３００－ｎの各々が取得した検出値の各々をデジタルデータに変換することによってセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。変換ボックス２３０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサボックス２２０へ出力する。

センサボックス２２０は、変換ボックス２３０が出力したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。センサボックス２２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを所定のプロトコルで、ゲートウェイ２１０へ出力する。所定のプロトコルの一例は、ＴＣＰ／ＩＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ／Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）である。また、センサボックス２２０は、無停電電源装置（ＵＰＳ： Ｕｎｉｎｔｅｒｒｕｐｔｉｂｌｅ Ｐｏｗｅｒ Ｓｕｐｐｌｙ）を備える。

ゲートウェイ２１０は、センサボックス２２０が出力したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。ゲートウェイ２１０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを監視装置１００へ送信する。
ゲートウェイ２１０は、ネットワークＮＷを介して、外部の通信装置と通信する。ゲートウェイ２１０は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信する。ゲートウェイ２１０は、例えば有線ＬＡＮなどの通信方式で通信してもよい。
センサボックス２２０に無停電電源装置を備えることによって、仮に停電が発生してセンササーバ２００への電源の供給が停止した場合でも、無停電電源装置から電源を供給できるため、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、監視装置１００へ送信できる。

（監視装置１００）
監視装置１００は、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。監視装置１００の一例は、キュービクル（高圧受電設備）などの受変電設備から離れた場所に設置される。監視装置１００は、例えば、通信部１１０と、作成部１２０と、第１処理部１３０－１と、第２処理部１３０－２と、出力部１４０と、記憶部１５０とを備える。

通信部１１０は、通信モジュールによって実現される。通信部１１０は、ネットワークＮＷを介して、外部の通信装置と通信する。通信部１１０は、例えば無線ＬＡＮ、ブルートゥース（登録商標）又はＬＴＥ（登録商標）などの無線通信方式で通信する。通信部１１０は、例えば有線ＬＡＮなどの通信方式で通信してもよい。通信部１１０は、ネットワークＮＷを介して、センササーバ２００、及びウェブサーバ４００と通信するために必要な通信情報を保持する。
具体的には、通信部１１０は、センササーバ２００が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。通信部１１０は、作成部１２０が出力したセンサデータ通知を取得し、取得したセンサデータ通知をウェブサーバ４００へ送信する。通信部１１０は、作成部１２０が出力した異常発生通知を取得し、取得した異常発生通知をウェブサーバ４００へ送信する。
作成部１２０は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサデータ通知を作成する。作成部１２０は、作成したセンサデータ通知を通信部１１０へ出力する。

第１処理部１３０－１は、センサデータデータベース（ＤＢ：ｄａｔａｂａｓｅ）１３２－１を備える。第１処理部１３０－１は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第１処理部１３０－１は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２－１に記憶させる。
第１処理部１３０－１は、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する。
第１処理部１３０－１は、作成したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を機械学習する。ここで、環境とは、人、生物を取り巻く自然などの外的なことの総体のなかで、異常を判定する対象に何らかの影響を与えるものをいう。例えば、第１処理部１３０－１は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、教師無し学習を行うことによってセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータについて、センサデータ同士のパターンを学習する。
第１処理部１３０－１は、学習した結果に基づいて、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータが、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できるか否かを判定する。

第１処理部１３０－１は、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータをセンサデータＤＢ１３２－１に記憶させる。
第１処理部１３０－１は、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できないものがあると判定した場合に、その分類できない新たに取得したセンサデータが異常であると判定する。
第１処理部１３０－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成する。第１処理部１３０－１は、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０－２へ出力する。

第２処理部１３０－２は、学習モデル１３２－２を備える。学習モデル１３２－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られる。
センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象に異常が発生したか否かを人が判定し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習させることによって、学習モデル１３２－２が更新されてもよい。
第２処理部１３０－２は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０－２は、第１処理部１３０－１が出力した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを取得する。
第２処理部１３０－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する。

第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象が異常でないと判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。
作成部１２０は、第２処理部１３０－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報を含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。作成部１２０は、作成した異常発生通知を、通信部１１０へ出力する。
出力部１４０は、第２処理部１３０－２から対象が異常であるか否かの判定結果を取得し、取得した対象が異常であるか否かの判定結果を出力する。例えば、出力部１４０は、対象が異常であるか否かの判定結果を表示部（図示なし）に表示させることによって出力してもよいし、音声で出力してもよい。

記憶部１５０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やフラッシュメモリ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などにより実現される。
作成部１２０と、第１処理部１３０－１と、第２処理部１３０－２と、出力部１４０とは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのハードウェアプロセッサが記憶部１５０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。コンピュータプログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

（監視システムの動作）
図４は、本実施形態に係る監視システムの動作の一例を示すフローチャートである。ここでは、一例として、監視装置１００において、第１処理部１３０－１は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を教師無し学習し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータ同士のパターンとの関係を学習している場合について説明する。
また、監視装置１００において、第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られる学習モデル１３２－２を備えている場合について説明する。

（ステップＳ１－１）
センサ３００－１は、センシングすることによって検出値を取得する。
（ステップＳ２－１）
センサ３００－１は、取得した検出値を、センササーバ２００へ送信する。
センサ３００－２からセンサ３００－ｎ－１において、ステップＳ１－１からＳ２－１と同様の処理が行われる。
（ステップＳ３－１）
センサ３００－ｎは、センシングすることによって検出値を取得する。
（ステップＳ４－１）
センサ３００－ｎは、取得した検出値を、センササーバ２００へ送信する。

（ステップＳ５－１）
センササーバ２００において、変換ボックス２３０は、センサ３００－１からセンサ３００－ｎの各々が送信した検出値を取得する。
（ステップＳ６－１）
センササーバ２００において、変換ボックス２３０は、取得したセンサ３００－１からセンサ３００－ｎの各々が送信した検出値を、Ａ／Ｄ変換する。
（ステップＳ７－１）
センササーバ２００において、センサボックス２２０は、変換ボックス２３０がデジタルデータへ変換することによって得られるセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。センサボックス２２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、所定のプロトコルで、ゲートウェイ２１０へ出力する。
（ステップＳ８－１）
センササーバ２００において、ゲートウェイ２１０は、センサボックス２２０が出力したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。ゲートウェイ２１０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、監視装置１００へ送信する。

（ステップＳ９－１）
監視装置１００において、通信部１１０は、センササーバ２００が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。
（ステップＳ１０－１）
監視装置１００において、作成部１２０は、通信部１１０が受信したセンササーバ２００が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサ通知を作成する。
（ステップＳ１１－１）
監視装置１００において、作成部１２０は、作成したセンサ通知を通信部１１０へ出力する。通信部１１０は、作成部１２０が出力したセンサ通知を取得し、取得したセンサ通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００が送信したセンサデータ通知を受信する。ウェブサーバ４００は、受信したセンサデータ通知に含まれる一又は複数のセンサデータに基づいて、一又は複数のセンサデータの各々の時系列データなどの監視対象の状態を通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００にアクセスすることによって、監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

（ステップＳ１２－１）
監視装置１００において、第１処理部１３０－１は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第１処理部１３０－１は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２－１に記憶させる。第１処理部１３０－１は、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する。
（ステップＳ１３－１）
監視装置１００において、第１処理部１３０－１は、学習した結果に基づいて、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータが、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できるか否かを判定することによって、センサ３００－１からセンサ３００－ｎの各々に対応する新たに取得したセンサデータに異常なものが含まれるか否かを判定する。センサ３００－１からセンサ３００－ｎの各々に対応する新たに取得したセンサデータの全てが異常でないと判定した場合には、ステップＳ９－１へ戻る。
第１処理部１３０－１は、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できないものがあると判定した場合に、その分類できない新たに取得したセンサデータが異常であると判定する。
第１処理部１３０－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成する。第１処理部１３０－１は、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０－２へ出力する。

（ステップＳ１４－１）
監視装置１００において、第２処理部１３０－２は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０－２は、第１処理部１３０－１が異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第１処理部１３０－１から取得する。
第２処理部１３０－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する。
第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象が異常でないと判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。対象が異常でないと判定した場合には、ステップＳ９－１へ戻る。
（ステップＳ１５－１）
監視装置１００において、作成部１２０は、第２処理部１３０－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報を含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。

（ステップＳ１６－１）
監視装置１００において、作成部１２０は、作成した異常発生通知を、通信部１１０へ出力する。通信部１１０は、作成部１２０が出力した異常発生通知を取得し、取得した異常発生通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００が送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

前述した実施形態では、第１処理部１３０－１は、通信部１１０から取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２－１に記憶させ、記憶させたセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成し、作成したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を機械学習する場合について説明したが、この例に限られない。
例えば、第１処理部１３０－１は、センサデータＤＢ１３２－１に記憶させたセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータのうち、古いセンサデータを消去してもよい。つまり、第１処理部１３０－１は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを学習した後に、直近のデータを優先的に使用して再学習してもよい。
前述した実施形態では、第１処理部１３０－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成し、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０－２へ出力する場合について説明したが、この例に限られない。例えば、センサ３００－１からセンサ３００－ｎの各々が検出値とともに検出時刻に関する情報も出力するようにしてもよい。この場合、第１処理部１３０－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータの検出時刻を特定する情報を取得し、取得した異常であると判定したセンサデータの検出時刻を特定する情報を、異常であると判定したセンサデータを取得したタイミングを特定する情報として使用してもよい。

前述した実施形態では、第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する場合について説明したが、この例に限られない。
例えば、第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータのうち、異常であると判定したセンサデータに対応するセンサ以外のセンサに対応するセンサデータと、学習モデル１３２－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
また、例えば、第２処理部１３０－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２－２と基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
この場合、学習モデル１３２－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られたものであってもよい。
前述した実施形態では、一例として、中小規模自家用電気工作物を監視する場合について説明したが、この例に限られない。例えば、プラントや工場などにおける点検システム、建造物のセキュリティ会社などの監視システムにも使用できる。このように構成することによって、人によるプラントや工場の点検負荷や建造物の監視負荷を抑えつつ、異常を定・警報発報をすることができる。

前述した実施形態において、監視システム１は、異常を判定する対象に備えられるセンサ３００－１からセンサ３００－ｎ以外に、一又は複数の第２センサを備えていてもよい。第１処理部１３０－１は、一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定してもよい。
第２処理部１３０－２は、一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２－２とにさらに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
この場合、学習モデル１３２－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られたものであってもよい。
前述した実施形態では、監視システム１において、監視装置１００に一台のセンササーバ２００が接続される場合について説明したが、この例に限られない。例えば、監視装置１００に複数のセンササーバが接続されてもよい。複数のセンササーバの各々には、複数のセンサが接続されてもよい。複数のセンサは、センサ３００－１からセンサ３００－ｎとは異なる異常を判定する対象に備えられていてもよい。この場合、センサデータＤＢ１３２－１と学習モデル１３２－２とは異常を判定する対象毎に備えられてもよい。このように構成することによって、複数の対象の各々のについて異常発報を行うか否かを判定できる。

本実施形態に係る監視システム１によれば、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１から３００－ｎと、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを判定する第１処理部１３０－１と、第１処理部１３０－１が異常であると判定した場合に、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部１３０－２とを備える。
このように構成することによって、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを判定することに加え、異常であると判定した場合に、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。
このため、平時と違う変化を検知することに加えて、常時取得される一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。

また、現場作業の効率化を図ると共に熟練技術者の知見を取り込むことができるため、ＡＩによる故障の予兆の検出の標準化を図ることができる。センサとＡＩとを組み合わせることにより技術者の五感を代替できる。自家用電気工作物の受変電設備にセンサを取付け、計測値の変化を検出し、故障の判定結果とともにＡＩに学習させる。また、技術者が点検・測定を行った結果とＡＩの判定結果を照合し、ＡＩの評価と精度向上を図ることができる。
災害や感染症の発生などで技術者が現地に出向けない状況でも、リモートで電気設備の状態を確認できる。つまり、遠隔（リモート）かつ高精度で均一な設備の劣化の兆候の検出が可能になる。
常時変化する計測データを時系列で解析するため、現場に技術者がいなくても設備劣化の徴候を自動的に検出できる。
劣化徴候は、技術者の力量に関わらず高精度で均一な検出が可能となる。つまり、高効率な点検と、保全活動とが可能になる。
故障の徴候の表れた機器を計画的に処置することにより不要な停電事故の回避が可能である。

前述した監視システム１において、第１処理部１３０－１は、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
このように構成することによって、監視システム１は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータを機械学習した後に、直近のセンサデータを優先的に使用して再学習できるため、直近のセンサデータを優先的に使用しない場合と比較して、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータが異常であるか否かを判定するのに使用するデータ数（量）を少なくできるため、判定に要する時間を短縮できる。
前述した監視システム１において、第２処理部１３０－２は、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
このように構成することによって、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎのいずれかが異常であると判定した場合に、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定できる。このため、平時と違う変化を検知することに加えて、常時取得される一又は複数のセンサ３００－１からセンサ３００－ｎのうち、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定できる。

前述した監視システム１において、第１処理部１３０－１は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、一又は複数のセンサデータの各々と、異常を判定する対象が備えられた環境との関係を学習する。
このように構成することによって、監視システム１において、第１処理部１３０－１は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、一又は複数のセンサデータの各々と、異常を判定する対象が備えられた環境との関係を学習できる。具体的には、第１処理部１３０－１は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、教師無し学習を行う。このため、第１処理部１３０－１は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータが異常であるか否かを判定できる。

前述した監視システム１において、第２処理部１３０－２は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、一又は複数のセンサデータの各々と、異常を判定する対象に含まれる複数の装置の各々の異常との関係を学習する。
このように構成することによって、第２処理部１３０－２は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータと、発生した異常とに基づいて、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータと、発生した異常との関係を機械学習できる。このため、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。

前述した監視システム１において、第２処理部１３０－２は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータの組み合わせに基づいて、一又は複数のセンサデータの組み合わせと、異常を判定する対象に含まれる複数の装置の各々の異常との関係を学習する。
このように構成することによって、第２処理部１３０－２は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータの組み合わせと、発生した異常とに基づいて、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータの組み合わせと、発生した異常との関係を機械学習できる。このため、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータのうち、異常であると判定されたセンサが検出したセンサデータ以外のセンサデータに基づいて、異常発報するか否かを判定できる。

前述した監視システム１において、一又は複数のセンサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
このように構成することによって、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎの各々である超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかが検出したセンサデータが異常であるか否かを判定することに加え、異常であると判定した場合に、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。
このため、平時と違う変化を検知することに加えて、常時取得される一又は複数のセンサ３００－１からセンサ３００－ｎが検出したセンサデータに基づいて、異常発報するか否かを判定できる。

前述した監視システム１において、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎ以外の一又は複数の第２センサをさらに備える。第１処理部１３０－１は、一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定する。
このように構成することによって、監視システム１は、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎ以外の一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定できる。このため、異常を判定する対象の環境に加えて、異常を判定する対象以外の環境が異常であるか否かを判定できる。

（実施形態の変形例１）
実施形態の変形例１に係る監視システム１ａは、一又は複数のセンサの各々がセンシングすることによって得られるセンサデータの時系列データに基づいて、平時と違う動きを検知することによって故障の予兆を検出する。監視システム１ａは、故障の予兆を検出した場合に、センサデータの時系列データの変化点（変化のタイミング）を検出する。
監視システム１ａは、センサデータの時系列データの変化点に基づいて、一又は複数のセンサの各々がセンシングすることによって得られるセンサデータに基づいて、故障レベルを判定する。監視システム１ａは、故障レベルの判定結果に基づいて、異常発報するか否かを判定する。
実施形態の変形例１に係る監視システム１ａは、図１を適用できる。ただし、監視装置１００の代わりに、監視装置１００ａを備える点で異なる。

監視装置１００ａは、センササーバ２００が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。監視装置１００ａは、受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含むセンサデータ通知を作成し、作成したセンサデータ通知を、ウェブサーバ４００へ送信する。
図５は、実施形態の変形例１に係る監視システムに含まれる監視装置の動作の一例を示す図である。
監視装置１００ａは、受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する（１）。
監視装置１００ａにおいて、変化点検出ＡＩは、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。変化点検出ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、平時と違う動きが生じていないかを判定することによって故障の予兆を検出する（２）。変化点検出ＡＩは、平時と違う動きが生じた時系列データがあると判定することによって故障の予兆を検出した場合に、その平時と違う動きを検出したタイミングを取得する。

監視装置１００ａにおいて、故障レベル判定ＡＩは、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。故障レベル判定ＡＩは、変化点検出ＡＩから平時と違う動きを検出したタイミングを特定する情報を取得する。
故障レベル判定ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データと、平時と違う動きを検出したタイミングとに基づいて、そのタイミング前後数時間のセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、故障レベルを判定する（３）。
異常判定ＡＩは、故障レベルの判定結果に基づいて異常が発生したことを通知するための異常発報を行うか否かを判定する。監視装置１００ａは、異常発報を行うと判定した場合に、異常発生通知を作成し、作成した異常発生通知をウェブサーバ４００へ送信する。
以下、監視システム１ａに含まれる監視装置１００ａについて詳細に説明する。

図６は、実施形態の変形例１に係る監視システムに含まれる監視装置の一例を示す図である。
（監視装置１００ａ）
監視装置１００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。監視装置１００ａの一例は、キュービクル（高圧受電設備）などの受変電設備から離れた場所に設置される。監視装置１００ａは、例えば、通信部１１０と、作成部１２０ａと、第１処理部１３０－１と、第２処理部１３０ａ－２と、出力部１４０ａと、記憶部１５０とを備える。
作成部１２０ａは、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０ａは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサデータ通知を作成する。作成部１２０ａは、作成したセンサデータ通知を通信部１１０へ出力する。

第２処理部１３０ａ－２は、学習モデル１３２ａ－２を備える。学習モデル１３２ａ－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られる。
機械学習の一例は教師あり学習である。例えば、機械学習に決定木の手法が使用されてもよい。決定木は、木構造を使用して、分類や回帰を行うモデルである。大元である根ノードから、条件分岐を経て先端の葉ノードへたどり着くと、数値やクラスなどの値が出力される。故障レベルの一例は、故障無し、軽故障、中故障、重故障である。
軽故障レベルの一例は、沿面放電、コロナ放電が発生するものの目立った痕跡が残らないもの、換言すれば目視では検知できないレベルの故障である。超音波等のセンサ検出値が変化することで、コロナ放電の発生が検出される。
中故障レベルの一例は、沿面放電、コロナ放電が発生し、絶縁体に痕跡らしきものが確認できる、換言すれば目視で何とか検知できる可能性があるレベルの故障である。
重故障レベルの一例は、沿面放電、コロナ放電が発生し、絶縁体及び導体（接地含む）に明らかな痕跡が確認できる、換言すれば目視で検知できるレベルの故障である。
センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを人が判定し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習させることによって、学習モデル１３２ａ－２が更新されてもよい。

第２処理部１３０ａ－２は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ａ－２は、第１処理部１３０－１が出力した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを取得する。
第２処理部１３０ａ－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ａ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ａ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する。

第２処理部１３０ａ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルが軽故障と中故障と重故障とのいずれかであると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルが故障無しであると判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。
作成部１２０ａは、第２処理部１３０ａ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報と、対象の故障レベルを特定する情報とを含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。作成部１２０ａは、作成した異常発生通知を、通信部１１０へ出力する。
出力部１４０ａは、第２処理部１３０ａ－２から対象の故障レベルの判定結果を取得し、取得した対象の故障レベルの判定結果を出力する。例えば、出力部１４０ａは、対象の故障レベルの判定結果を表示部（図示なし）に表示させることによって出力してもよいし、音声で出力してもよい。

作成部１２０ａと、第２処理部１３０ａ－２と、出力部１４０ａとは、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部１５０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。コンピュータプログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

（監視システムの動作）
図７は、本実施形態の変形例１に係る監視システムの動作の一例を示すフローチャートである。ここでは、一例として、監視装置１００ａにおいて、第１処理部１３０－１は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を教師無し学習し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータ同士のパターンとの関係を学習している場合について説明する。
また、監視装置１００ａにおいて、第２処理部１３０ａ－２が、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られる学習モデル１３２ａ－２を備えている場合について説明する。
ステップＳ１－２からＳ１３－２は、図４を参照して説明したステップＳ１－１からＳ１３－１を適用できるため、ここでの説明は省略する。

（ステップＳ１４－２）
監視装置１００ａにおいて、第２処理部１３０ａ－２は、通信部１１０が受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ａ－２は、異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第１処理部１３０－１から取得する。
第２処理部１３０ａ－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、センサデータＤＢ１３２－１に記憶したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ａ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ａ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する。
第２処理部１３０ａ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルの判定結果に基づいて、異常発報を行うか否かを判定する。異常発報を行わないと判定した場合には、ステップＳ９－２へ戻る。

（ステップＳ１６－２）
監視装置１００ａにおいて、作成部１２０ａは、第２処理部１３０ａ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報と、対象の故障レベルを特定する情報とを含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。
（ステップＳ１７－２）
監視装置１００ａにおいて、作成部１２０ａは、作成した異常発生通知を、通信部１１０へ出力する。通信部１１０は、作成部１２０ａが出力した異常発生通知を取得し、取得した異常発生通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００ａが送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

前述した実施形態の変形例１では、第２処理部１３０ａ－２が、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとして、故障無し、軽故障、中故障、重故障とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとして、故障無し、軽故障、中故障、重故障を特定する情報との関係を機械学習することによって得られる学習モデル１３２ａ－２を備える場合について説明したが、この例に限られない。
例えば、故障レベルとして、１から３種類の故障レベルが適用されてもよいし、５種類以上の故障レベルが適用されてもよい。また、故障レベルに、故障無しが含まれてもよいし、含まれなくてもよい。

前述した実施形態の変形例１では、第２処理部１３０ａ－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ａ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する場合について説明したが、この例に限られない。
例えば、第２処理部１３０ａ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの少なくとも一部に対応するセンサデータと、学習モデル１３２ａ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
また、例えば、第２処理部１３０ａ－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータのうち、異常であると判定したセンサデータに対応するセンサ以外のセンサと、学習モデル１３２ａ－２と基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
前述した実施形態の変形例１において、監視装置１００ａは、異常を判定する対象に備えられるセンサ３００－１からセンサ３００－ｎ以外に、一又は複数の第２センサを備えていてもよい。
第２処理部１３０ａ－２は、一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２ａ－２とにさらに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
この場合、学習モデル１３２ａ－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られたものであってもよい。

実施形態の変形例１に係る監視システム１ａによれば、監視システム１ａは、監視システム１において、第２処理部１３０ａ－２は、一又は複数のセンサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
このように構成することによって、第２処理部１３０ａ－２は、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータの組み合わせと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの組み合わせと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習できる。
このため、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。
また、現場作業の効率化を図ると共に熟練技術者の知見を取り込むことができるため、ＡＩによる故障の予兆の検出の標準化を図ることができる。センサとＡＩとを組み合わせることにより技術者の五感を代替できる。自家用電気工作物の受変電設備にセンサを取付け、計測値の変化を検出し、故障レベルの判定結果とともにＡＩに学習させる。また、技術者が点検・測定を行った結果とＡＩの判定結果を照合し、ＡＩの評価と精度向上を図ることができる。

（実施形態の変形例２）
図８は、実施形態の変形例２に係る監視システムの概略の一例を示す図である。実施形態の変形例２に係る監視システム１ｂは、異常を判定する複数の対象の各々に備えられる複数のセンサで環境情報をセンシングする。異常を判定する対象の一例は、キュービクルなどの受変電設備である。
センササーバ２００－１からセンササーバ２００－ｋは、例えば、異常を判定する複数の対象の各々に１台ずつ設けられている。監視システム１ｂは、センササーバ２００－１からセンササーバ２００－ｋを介して、一又は複数の対象の各々に備えられた一又は複数のセンサの各々がセンシングすることによって得られるセンサデータを取得する。そして、監視システム１ｂは、それぞれのセンサデータの時系列データについて平時と違う動きを検知することによって、当該センサデータを出力したセンサが備えられた対象について、故障の予兆を検出する。監視システム１ｂは、故障の予兆を検出した場合に、センサデータの時系列データの変化点を検出する。
監視システム１ｂは、センサデータの時系列データの変化点に基づいて、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる複数のセンサの各々がセンシングすることによって得られるセンサデータに基づいて、異常発報するか否かを判定する。

図８に示すように、監視システム１ｂは、監視装置１００ｂと、センササーバ２００－１からセンササーバ２００－ｋ（ｋは、ｋ＞１の整数）と、センササーバ２００－１からセンササーバ２００－ｋの各々に接続されたセンサ３００－１からセンサ３００－ｎ（ｎは、ｎ＞０の整数）と、ウェブサーバ４００とを備える。図８には、監視装置１００ｂと、センササーバ２００－１からセンササーバ２００－ｋと、センササーバ２００－１からセンササーバ２００－ｋの各々に接続されたセンサ３００－１からセンサ３００－ｎと、ウェブサーバ４００とに加え、端末装置５００が示されている。
監視装置１００ｂと、センササーバ２００－１からセンササーバ２００－ｋと、ウェブサーバ４００と、端末装置５００とは、ネットワークＮＷを介して通信する。
センササーバ２００－１からセンササーバ２００－ｋの各々は、前述したセンササーバ２００を適用できるため、ここでの説明は省略する。

監視装置１００ｂは、センササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。監視装置１００ｂは、受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含むセンサデータ通知を作成し、作成したセンサデータ通知を、ウェブサーバ４００へ送信する。

ウェブサーバ４００は、監視装置１００ｂが送信したセンサデータ通知を受信する。ウェブサーバ４００は、受信したセンサデータ通知に含まれる複数のセンサデータに基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、複数のセンサデータの各々の時系列データなどの監視対象の状態を通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００にアクセスすることによって、監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

実施形態の変形例２に係る監視システムに含まれる監視装置の動作の一例は、図２を適用できる。
監視装置１００ｂは、センササーバ２００－１からセンササーバ２００－ｋの各々について受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する（１）。
監視装置１００ｂにおいて、変化点検出ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。変化点検出ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、平時と違う動きが生じたセンサが存在するか否かを判定することによって、当該センサを備える対象について、故障の予兆を検出する（２）。変化点検出ＡＩは、平時と違う動きが生じた時系列データがあると判定することによって故障の予兆を検出した場合に、その平時と違う動きを検出したタイミングを取得する。

監視装置１００ｂにおいて、異常判定ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。異常判定ＡＩは、変化点検出ＡＩから平時と違う動きを検出したタイミングを特定する情報と、平時と違う動きが生じたセンサを特定する情報とを取得する。
異常判定ＡＩは、取得した平時と違う動きが生じたセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、平時と違う動きが生じたセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
異常判定ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データと、平時と違う動きを検出したタイミングとに基づいて、そのタイミング前後数時間のセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常が生じたか否かを判定する（３）。
異常判定ＡＩは、異常が生じたか否かの判定結果に基づいて異常が発生したことを通知するための異常発報を行うか否かを判定する。監視装置１００ｂは、異常発報を行うと判定した場合に、異常が発生した対象を識別する情報を含む異常発生通知を作成し、作成した異常発生通知をウェブサーバ４００へ送信する。

ウェブサーバ４００は、監視装置１００ｂが送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。
以下、監視システム１ｂに含まれる監視装置１００ｂについて詳細に説明する。

図９は、実施形態の変形例２に係る監視システムに含まれる監視装置の一例を示す図である。
（監視装置１００ｂ）
監視装置１００ｂは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。監視装置１００ｂの一例は、キュービクル（高圧受電設備）などの受変電設備から離れた場所に設置される。監視装置１００ｂは、例えば、通信部１１０と、作成部１２０ｂと、第１処理部１３０ｂ－１と、第２処理部１３０ｂ－２と、出力部１４０ｂと、記憶部１５０とを備える。

通信部１１０は、ネットワークＮＷを介して、センササーバ２００－１からセンササーバ２００－ｋ、及びウェブサーバ４００と通信するために必要な通信情報を保持する。
具体的には、通信部１１０は、センササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。
作成部１２０ｂは、通信部１１０が受信したセンササーバ２００－１からセンササーバ２００－ｋの各々によって送信されたセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０ｂは、取得したセンササーバ２００－１からセンササーバ２００－ｋの各々によって送信されたセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサデータ通知を作成する。作成部１２０ｂは、作成したセンサデータ通知を通信部１１０へ出力する。

第１処理部１３０ｂ－１は、センサデータデータベース１３２ｂ－１を備える。第１処理部１３０ｂ－１は、通信部１１０がセンササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第１処理部１３０ｂ－１は、取得したセンササーバ２００－１からセンササーバ２００－ｋの各々についてのセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２ｂ－１に記憶させる。
第１処理部１３０ｂ－１は、センサデータＤＢ１３２ｂ－１に記憶したセンササーバ２００－１からセンササーバ２００－ｋの各々についてのセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する。
第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について作成したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について異常を判定する対象が備えられた環境を機械学習する。例えば、第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、教師無し学習を行うことによってセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータについて、センサデータ同士のパターンを学習する。
例えば、センササーバ２００－１の配下にあるセンサ３００－１で検出されたセンサデータの時系列データをもとに、センサデータ同士のパターンを学習する。同様に、センササーバ２００－１の配下の他のセンサのそれぞれについて、時系列データ内のセンサデータ同士のパターンを学習する。他のセンササーバの配下にある各センサについても同様である。
第１処理部１３０ｂ－１は、学習した結果に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータが、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できるか否かを判定する。

第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータをセンサデータＤＢ１３２ｂ－１に記憶させる。
第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できないものがあると判定した場合に、その分類できない新たに取得したセンサデータが異常であると判定する。
第１処理部１３０ｂ－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成する。第１処理部１３０ｂ－１は、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０ｂ－２へ出力する。

第２処理部１３０ｂ－２は、学習モデル１３２ｂ－２を備える。学習モデル１３２ｂ－２は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られる。もしくは、学習モデル１３２ｂ－２は、対象に備えられた一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータについて、異なるセンサからのセンサデータの組み合わせと、当該対象が異常であるか否かを特定する情報との関係を、複数の対象の各々について取得して機械学習することによって得られる。
センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象に異常が発生したか否かを人が判定し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習させることによって、学習モデル１３２ｂ－２が更新されてもよい。
第２処理部１３０ｂ－２は、通信部１１０がセンササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ｂ－２は、第１処理部１３０ｂ－１が出力した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを取得する。
第２処理部１３０ｂ－２は、取得したセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、異常であると判定したセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
第２処理部１３０ｂ－２は、異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ｂ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｂ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する。

第２処理部１３０ｂ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象が異常でないと判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。
作成部１２０ｂは、第２処理部１３０ｂ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報と異常が発生した対象を識別する情報とを含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。作成部１２０ｂは、作成した異常発生通知を、通信部１１０へ出力する。
出力部１４０ｂは、第２処理部１３０ｂ－２から対象を識別する情報と対象が異常であるか否かの判定結果とを取得し、取得した対象を識別する情報と対象が異常であるか否かの判定結果とを出力する。例えば、出力部１４０ｂは、対象を識別する情報と対象が異常であるか否かの判定結果とを表示部（図示なし）に表示させることによって出力してもよいし、音声で出力してもよい。

第１処理部１３０ｂ－１と、第２処理部１３０ｂ－２とは、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部１５０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。コンピュータプログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

（監視システムの動作）
図１０は、実施形態の変形例２に係る監視システムの動作の一例を示すフローチャートである。センササーバ２００－１からセンササーバ２００－ｋの各々が備えるセンサ３００－１からセンサ３００－ｎの各々が、センササーバ２００－１からセンササーバ２００－ｋの各々へ検出値を送信した後の動作について説明する。
また、ここでは、一例として、監視装置１００ｂにおいて、第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々によって送信されたセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を教師無し学習している。具体的には、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータ同士のパターンとの関係を学習している場合について説明する。
また、第２処理部１３０ｂ－２が、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られる学習モデル１３２ｂ－２を備えている場合について説明する。

（ステップＳ１－３）
センササーバ２００－１において、変換ボックス２３０は、センサ３００－１からセンサ３００－ｎの各々が送信した検出値を取得する。
（ステップＳ２－３）
センササーバ２００－１において、変換ボックス２３０は、取得したセンサ３００－１からセンサ３００－ｎの各々が送信した検出値を、Ａ／Ｄ変換する。
（ステップＳ３－３）
センササーバ２００－１において、センサボックス２２０は、変換ボックス２３０がデジタルデータへ変換することによって得られるセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。センサボックス２２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、所定のプロトコルで、ゲートウェイ２１０へ出力する。
（ステップＳ４－３）
センササーバ２００－１において、ゲートウェイ２１０は、センサボックス２２０が出力したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。ゲートウェイ２１０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、監視装置１００ｂへ送信する。
センササーバ２００－２からセンササーバ２００－ｋ－１において、ステップＳ１－３からＳ４－３と同様の処理が行われる。

（ステップＳ５－３）
センササーバ２００－ｋにおいて、変換ボックス２３０は、センサ３００－１からセンサ３００－ｎの各々が送信した検出値を取得する。
（ステップＳ６－３）
センササーバ２００－ｋにおいて、変換ボックス２３０は、取得したセンサ３００－１からセンサ３００－ｎの各々が送信した検出値を、Ａ／Ｄ変換する。
（ステップＳ７－３）
センササーバ２００－ｋにおいて、センサボックス２２０は、変換ボックス２３０がデジタルデータへ変換することによって得られるセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。センサボックス２２０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、所定のプロトコルで、ゲートウェイ２１０へ出力する。
（ステップＳ８－３）
センササーバ２００－ｋにおいて、ゲートウェイ２１０は、センサボックス２２０が出力したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。ゲートウェイ２１０は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、監視装置１００ｂへ送信する。

（ステップＳ９－３）
監視装置１００ｂにおいて、通信部１１０は、センササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。
（ステップＳ１０－３）
監視装置１００ｂにおいて、作成部１２０ｂは、通信部１１０が受信したセンササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０ｂは、取得したセンササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサ通知を作成する。
（ステップＳ１１－３）
監視装置１００ｂにおいて、作成部１２０ｂは、作成したセンサ通知を通信部１１０へ出力する。通信部１１０は、作成部１２０ｂが出力したセンサ通知を取得し、取得したセンサ通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００ｂが送信したセンサデータ通知を受信する。ウェブサーバ４００は、受信したセンサデータ通知に含まれるセンササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、複数のセンサデータの各々の時系列データなどの監視対象の状態を通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００にアクセスすることによって、監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。

（ステップＳ１２－３）
監視装置１００ｂにおいて、第１処理部１３０ｂ－１は、通信部１１０が受信したセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第１処理部１３０ｂ－１は、取得したセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２ｂ－１に記憶させる。第１処理部１３０ｂ－１は、センサデータＤＢ１３２ｂ－１に記憶したセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する。
（ステップＳ１３－３）
監視装置１００ｂにおいて、第１処理部１３０ｂ－１は、学習した結果に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータが、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できるか否かを判定することによって、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応する新たに取得したセンサデータに異常なものが含まれるか否かを判定する。センサ３００－１からセンサ３００－ｎの各々に対応する新たに取得したセンサデータの全てが異常でないと判定した場合には、ステップＳ９－３へ戻る。
第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、新たに取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに、既に取得しているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに分類できないものがあると判定した場合に、その分類できない新たに取得したセンサデータが異常であると判定する。
第１処理部１３０ｂ－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成する。第１処理部１３０ｂ－１は、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０ｂ－２へ出力する。

（ステップＳ１４－３）
監視装置１００ｂにおいて、第２処理部１３０ｂ－２は、通信部１１０が受信したセンササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ｂ－２は、第１処理部１３０ｂ－１が異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第１処理部１３０ｂ－１から取得する。
第２処理部１３０ｂ－２は、取得したセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、異常であると判定したセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
第２処理部１３０ｂ－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ｂ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｂ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する。
第２処理部１３０ｂ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象が異常でないと判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。対象が異常でないと判定した場合には、ステップＳ９－３へ戻る。
（ステップＳ１５－３）
監視装置１００ｂにおいて、作成部１２０ｂは、第２処理部１３０ｂ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報を含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。

（ステップＳ１６－３）
監視装置１００ｂにおいて、作成部１２０ｂは、作成した異常発生通知を、通信部１１０へ出力する。通信部１１０は、作成部１２０ｂが出力した異常発生通知を取得し、取得した異常発生通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００ｂが送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。
図１０に示されるフローチャートにおいて、監視装置１００ｂは、センササーバ２００－１からセンササーバ２００－ｋの少なくとも一つが送信するセンサデータに基づいて、上述した処理を実行してもよい。

前述した実施形態の変形例２では、一例として、センササーバ２００－１からセンササーバ２００－ｋが、異常を判定する複数の対象の各々に１台ずつ設けられている場合について説明したが、この例に限られない。例えば、異常を判定する複数の対象について一台のセンササーバが設けられていてもよいし、異常を判定する一つの複数の対象について複数のセンササーバが設けられていてもよい。
前述した実施形態の変形例２では、第１処理部１３０ｂ－１は、通信部１１０から取得したセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを、センサデータＤＢ１３２ｂ－１に記憶させ、記憶させたセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成し、作成したセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を機械学習する場合について説明したが、この例に限られない。
例えば、第１処理部１３０ｂ－１は、センサデータＤＢ１３２ｂ－１に記憶させたセンササーバ２００－１からセンササーバ２００－ｋの各々についての、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータのうち、古いセンサデータを消去してもよい。つまり、第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを学習した後に、直近のデータを優先的に使用して再学習してもよい。

前述した実施形態では、第１処理部１３０ｂ－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータを取得したタイミングを特定する情報を作成し、作成した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを、第２処理部１３０ｂ－２へ出力する場合について説明したが、この例に限られない。例えば、センサ３００－１からセンサ３００－ｎの各々が検出値とともに検出時刻に関する情報も出力するようにしてもよい。この場合、第１処理部１３０ｂ－１は、新たに取得したセンサデータが異常であると判定した場合に、異常であると判定したセンサデータの検出時刻を特定する情報を取得し、取得した異常であると判定したセンサデータの検出時刻を特定する情報を、異常であると判定したセンサデータを取得したタイミングを特定する情報として使用してもよい。
前述した実施形態の変形例２では、第２処理部１３０ｂ－２は、第１処理部１３０ｂ－１によって異常であると判定されたセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｂ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定する場合について説明したが、この例に限られない。
例えば、第２処理部１３０ｂ－２は、第１処理部１３０ｂ－１によって異常であると判定されたセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータのうち、異常であると判定したセンサデータに対応するセンサ以外のセンサに対応するセンサデータと、学習モデル１３２ｂ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
また、例えば、第２処理部１３０ｂ－２は、第１処理部１３０ｂ－１によって異常であると判定されたセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２ｂ－２と基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
この場合、学習モデル１３２ｂ－２は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られたものであってもよい。

前述した実施形態の変形例２において、監視装置１００ｂは、センササーバ２００－１からセンササーバ２００－ｋの少なくとも一つが送信するセンサデータに基づいて、上述した処理を実行してもよい。
前述した実施形態の変形例２において、監視システム１ｂは、異常を判定する複数の対象の各々に備えられるセンサ３００－１からセンサ３００－ｎ以外に、一又は複数の第２センサを備えていてもよい。第１処理部１３０ｂ－１は、一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定してもよい。
第２処理部１３０ｂ－２は、異常を判定する複数の対象の各々に備えられる一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２ｂ－２とにさらに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを判定してもよい。
この場合、学習モデル１３２ｂ－２は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象が異常であるか否かを特定する情報との関係を機械学習することによって得られたものであってもよい。
前述した実施形態の変形例２において、センササーバ２００－１からセンササーバ２００－ｋの各々が備えるセンサの数は異なるようにしてもよい。

実施形態の変形例２に係る監視システム１ｂによれば、監視システム１ｂは、異常を判定する対象に備えられる一又は複数のセンサ３００－１から３００－ｎと、対象に備えられる一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを、センサ毎に判定する第１処理部１３０ｂ－１と、第１処理部１３０ｂ－１が異常であると判定した場合に、複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部１３０ｂ－２とを備え、第２処理部１３０ｂ－２は、複数の対象の各々に備えられたセンサ３００－１からセンサ３００－ｎが検出したセンサデータと対象に関する異常との関係を学習しており、当該学習の結果を使用して、第１処理部１３０ｂ－１が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する。
このように構成することによって、監視システム１ｂは、異常を判定する対象に備えられる一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを判定することに加え、異常であると判定した場合に、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。
このため、平時と違う変化を検出することに加えて、平時と違う変化を検出することによって異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎに基づいて、異常発報するか否かを判定できるため、判定精度を向上できる。
仮に、第２処理部１３０ｂ－２が、特定の対象に備えられたセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータとその特定の対象に関する異常との関係を学習した場合には、学習結果（学習モデル）が特定の対象の環境の影響を大きく受けたものとなる。このため、その学習モデルの汎用性が低くなる。本実施形態の変形例２に係る監視システム１ｂでは、第２処理部１３０ｂ－２は、複数の対象の各々に備えられたセンサ３００－１からセンサ３００－ｎが検出したセンサデータと対象に関する異常との関係を学習しているため、汎用性を高くできる。その結果、学習結果（学習モデル）を使用して、第１処理部１３０ｂ－１が異常であると判定したセンサデータを出力したセンサを備えた対象について異常発報するか否かの判定精度を高くできる。

前述した監視システム１ｂにおいて、第１処理部１３０ｂ－１は、複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
このように構成することによって、監視システム１ｂは、複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータを機械学習した後に、直近のセンサデータを優先的に使用して再学習できるため、直近のセンサデータを優先的に使用しない場合と比較して、複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを判定するのに使用するデータ数（量）を少なくできるため、判定に要する時間を短縮できる。
前述した監視システム１ｂにおいて、第２処理部１３０ｂ－２は、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数のセンサの各々が検出したセンサデータのうち、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
このように構成することによって、監視システム１ｂは、異常を判定する一又は複数の対象の各々に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎのいずれかが異常であると判定した場合に、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる複数のセンサ３００－１からセンサ３００－ｎのうち、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定できる。
このため、平時と違う変化を検知することに加えて、平時と違う変化を検出することによって異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる複数のセンサ３００－１からセンサ３００－ｎのうち、異常であると判定されたセンサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定できるため、判定精度を向上できる。

前述した監視システム１ｂにおいて、第１処理部１３０ｂ－１は、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、一又は複数のセンサデータの各々と、異常を判定する対象が備えられた環境との関係を学習する。
このように構成することによって、監視システム１ｂにおいて、第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータに基づいて、一又は複数のセンサデータの各々と、異常を判定する対象が備えられた環境との関係を学習できる。具体的には、第１処理部１３０ｂ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、教師無し学習を行う。このため、第１処理部１３０ｂ－１は、複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータが異常であるか否かを判定できる。

前述した監視システム１ｂにおいて、第２処理部１３０ｂ－２は、複数の対象の各々に備えられた一又は複数のセンサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、一又は複数のセンサデータの各々と、異常を判定する対象に含まれる複数の装置の各々の異常との関係を更新する。
このように構成することによって、一又は複数のセンサデータの各々と、異常を判定する対象に含まれる複数の装置の各々の異常との関係を更新できるため、異常発報するか否かの判定精度を向上できる。

前述した監視システム１ｂにおいて、第２処理部１３０ｂ－２は、複数の対象の各々に備えられた一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータの組み合わせに基づいて、一又は複数のセンサデータの組み合わせと、異常を判定する複数の対象の各々に含まれる複数の装置の各々の異常との関係を学習する。
このように構成することによって、第２処理部１３０ｂ－２は、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータの組み合わせと、発生した異常とに基づいて、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータの組み合わせと、発生した異常との関係を機械学習できる。このため、複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。

前述した監視システム１ｂにおいて、監視システム１ｂは、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎ以外の一又は複数の第２センサをさらに備える。第２処理部１３０ｂ－２は、一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定する。
このように構成することによって、監視システム１ｂは、異常を判定する対象に備えられる一又は複数のセンサ３００－１からセンサ３００－ｎ以外の一又は複数の第２センサの各々が検出したセンサデータが異常であるか否かを判定できる。このため、異常を判定する対象の環境に加えて、異常を判定する対象以外の環境が異常であるか否かを判定できる。

（実施形態の変形例３）
実施形態の変形例３に係る監視システム１ｃは、センササーバ２００－１からセンササーバ２００－ｋを介して、一又は複数の対象の各々について、一又は複数のセンサの各々がセンシングすることによって得られるセンサデータを取得する。そして、監視システム１ｃは、それぞれのセンサデータの時系列データについて平時と違う動きを検知することによって、当該センサデータを出力したセンサが備えられた対象について、故障の予兆を検出する。監視システム１ｃは、故障の予兆を検出した場合に、センサデータの時系列データの変化点（変化のタイミング）を検出する。
監視システム１ｃは、センサデータの時系列データの変化点に基づいて、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる複数のセンサの各々がセンシングすることによって得られるセンサデータに基づいて、故障レベルを判定する。監視システム１ｃは、故障レベルの判定結果に基づいて、異常発報するか否かを判定する。なお、故障レベルは、実施形態で説明した故障レベルと同等なものを想定している。
実施形態の変形例３に係る監視システム１ｃは、図８を適用できる。ただし、監視装置１００ｂ代わりに、監視装置１００ｃを備える点で異なる。

監視装置１００ｃは、センササーバ２００－１からセンササーバ２００－ｋの各々が送信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを受信する。監視装置１００ｃは、センササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含むセンサデータ通知を作成し、作成したセンサデータ通知を、ウェブサーバ４００へ送信する。
実施形態の変形例３に係る監視システム１ｃに含まれる監視装置の動作の一例は、図５を適用できる。
監視装置１００ｃは、センササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを作成する（１）。
監視装置１００ｃにおいて、変化点検出ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。変化点検出ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、平時と違う動きが生じたセンサが存在するか否かを判定することによって、当該センサを備える対象について、故障の予兆を検出する（２）。変化点検出ＡＩは、平時と違う動きが生じた時系列データがあると判定することによって故障の予兆を検出した場合に、その平時と違う動きを検出したタイミングを取得する。

監視装置１００ｃにおいて、故障レベル判定ＡＩは、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。故障レベル判定ＡＩは、変化点検出ＡＩから平時と違う動きを検出したタイミングを特定する情報と、平時と違う動きが生じたセンサを特定する情報とを取得する。
故障レベル判定ＡＩは、取得した平時と違う動きが生じたセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、平時と違う動きが生じたセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
故障レベル判定ＡＩは、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データと、平時と違う動きを検出したタイミングとに基づいて、そのタイミング前後数時間のセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、故障レベルを判定する（３）。
異常判定ＡＩは、故障レベルの判定結果に基づいて異常が発生したことを通知するための異常発報を行うか否かを判定する。監視装置１００ｃは、異常発報を行うと判定した場合に、異常発生通知を作成し、作成した異常発生通知をウェブサーバ４００へ送信する。
以下、監視システム１ｃに含まれる監視装置１００ｃについて詳細に説明する。

図１１は、実施形態の変形例３に係る監視システムに含まれる監視装置の一例を示す図である。
（監視装置１００ｃ）
監視装置１００ａは、パーソナルコンピュータ、サーバ、スマートフォン、タブレットコンピュータ又は産業用コンピュータ等の装置によって実現される。監視装置１００ｃの一例は、キュービクル（高圧受電設備）などの受変電設備から離れた場所に設置される。監視装置１００ｃは、例えば、通信部１１０と、作成部１２０ｃと、第１処理部１３０ｃ－１と、第２処理部１３０ｃ－２と、出力部１４０ｃと、記憶部１５０とを備える。
作成部１２０ｃは、通信部１１０が、センササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。作成部１２０ｃは、センササーバ２００－１からセンササーバ２００－ｋの各々について、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを含む、ウェブサーバ４００を宛先とするセンサデータ通知を作成する。作成部１２０ｃは、作成したセンサデータ通知を通信部１１０へ出力する。

第１処理部１３０ｃ－１は、第１処理部１３０ｂ－１を適用できる。センサデータＤＢ１３２ｃ－１は、センサデータＤＢ１３２ｂ－１を適用できる。
第２処理部１３０ｃ－２は、学習モデル１３２ｃ－２を備える。学習モデル１３２ｃ－２は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られる。
機械学習の一例は教師あり学習である。例えば、機械学習に決定木の手法が使用されてもよい。決定木は、木構造を使用して、分類や回帰を行うモデルである。大元である根ノードから、条件分岐を経て先端の葉ノードへたどり着くと、数値やクラスなどの値が出力される。故障レベルの一例は、故障無し、軽故障、中故障、重故障である。
センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを人が判定し、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習させることによって、学習モデル１３２ｃ－２が更新されてもよい。

第２処理部１３０ｃ－２は、通信部１１０がセンササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ｃ－２は、第１処理部１３０ｃ－１が出力した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを取得する。
第２処理部１３０ｃ－２は、取得したセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、異常であると判定したセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
第２処理部１３０ｃ－２は、異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ｃ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｃ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する。

第２処理部１３０ｃ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルが軽故障と中故障と重故障とのいずれかであると判定した場合に異常が発生したことを通知するための異常発報を行うと判定し、センサ３００－１からセンサ３００－ｎが備えられた対象故障レベルが故障無しであると判定した場合に異常が発生したことを通知するための異常発報を行わないと判定する。
作成部１２０ｃは、第２処理部１３０ｃ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報と、対象の故障レベルを特定する情報とを含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。作成部１２０ｃは、作成した異常発生通知を、通信部１１０へ出力する。
出力部１４０ｃは、第２処理部１３０ｃ－２から対象の故障レベルの判定結果を取得し、取得した対象の故障レベルの判定結果を出力する。例えば、出力部１４０ｃは、対象の故障レベルの判定結果を表示部（図示なし）に表示させることによって出力してもよいし、音声で出力してもよい。

作成部１２０ｃと、第１処理部１３０ｃ－１と、第２処理部１３０ｃ－２と、出力部１４０ｃとは、例えば、ＣＰＵなどのハードウェアプロセッサが記憶部１５０に格納されたコンピュータプログラム（ソフトウェア）を実行することにより実現される。
また、これらの機能部のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；ｃｉｒｃｕｉｔｒｙを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。コンピュータプログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

（監視システムの動作）
図１２は、実施形態の変形例３に係る監視システムの動作の一例を示すフローチャートである。ここでは、一例として、監視装置１００ｃにおいて、第１処理部１３０ｃ－１は、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データに基づいて、異常を判定する対象が備えられた環境を教師無し学習している。具体的には、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータ同士のパターンとの関係を学習している場合について説明する。
また、第２処理部１３０ｃ－２が、センササーバ２００－１からセンササーバ２００－ｋの各々について、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られる学習モデル１３２ｃ－２を備えている場合について説明する。
ステップＳ１－４からＳ１３－４は、図１０を参照して説明したステップＳ１－３からＳ１３－３を適用できるため、ここでの説明は省略する。

（ステップＳ１４－４）
監視装置１００ｃにおいて、第２処理部１３０ｃ－２は、通信部１１０がセンササーバ２００－１からセンササーバ２００－ｋの各々から受信したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。第２処理部１３０ｃ－２は、第１処理部１３０ｃ－１が出力した異常であると判定したセンサデータを取得したタイミングを特定する情報とそのセンサデータに対応するセンサを特定する情報とを取得する。
第２処理部１３０ｃ－２は、取得したセンサを特定する情報に基づいて、センササーバ２００－１からセンササーバ２００－ｋの各々について取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データから、異常であると判定したセンサデータに対応するセンサを備える対象に備えられているセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの時系列データを取得する。
第２処理部１３０ｃ－２は、取得した異常であると判定したセンサデータを取得したタイミングを特定する情報に基づいて、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータから、そのタイミング前後数時間に取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータを取得する。
第２処理部１３０ｃ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｃ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する。
（ステップＳ１５－４）
監視装置１００ｃにおいて、第２処理部１３０ｃ－２は、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルの判定結果に基づいて、異常発報を行うか否かを判定する。異常発報を行わないと判定した場合には、ステップＳ９－４へ戻る。

（ステップＳ１６－４）
監視装置１００ｃにおいて、作成部１２０ｃは、第２処理部１３０ｃ－２が異常発報を行うと判定した場合に、異常が発生したことを特定する情報と、異常が発生した対象を識別する情報と、対象の故障レベルを特定する情報とを含む、ウェブサーバ４００を宛先とする異常発生通知を作成する。
（ステップＳ１７－４）
監視装置１００ｃにおいて、作成部１２０ｃは、作成した異常発生通知を、通信部１１０へ出力する。通信部１１０は、作成部１２０ｃが出力した異常発生通知を取得し、取得した異常発生通知を、ウェブサーバ４００へ送信する。
ウェブサーバ４００は、監視装置１００ｃが送信した異常発生通知を受信する。ウェブサーバ４００は、受信した異常発生通知に基づいて、異常が発生したことを通知するための画像などのオブジェクトを作成する。
端末装置５００は、ウェブサーバ４００から、異常が発生したことを通知するための画像監視対象の状態を通知するための画像を取得し、取得した監視対象の状態を通知するための画像を表示する。
図１２に示されるフローチャートにおいて、監視装置１００ｃは、センササーバ２００－１からセンササーバ２００－ｋの少なくとも一つが送信するセンサデータに基づいて、上述した処理を実行してもよい。

前述した実施形態の変形例３では、第２処理部１３０ｃ－２が、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとして、故障無し、軽故障、中故障、重故障とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとして、故障無し、軽故障、中故障、重故障を特定する情報との関係を機械学習することによって得られる学習モデル１３２ｃ－２を備える場合について説明したが、この例に限られない。
例えば、故障レベルとして、１から３種類の故障レベルが適用されてもよいし、５種類以上の故障レベルが適用されてもよい。また、故障レベルに、故障無しが含まれてもよいし、含まれなくてもよい。

前述した実施形態の変形例３では、第２処理部１３０ｃ－２は、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータと、学習モデル１３２ｃ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定する場合について説明したが、この例に限られない。
例えば、第２処理部１３０ｃ－２は、取得したセンサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの少なくとも一部に対応するセンサデータと、学習モデル１３２ｃ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
また、例えば、第２処理部１３０ｃ－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータのうち、異常であると判定したセンサデータに対応するセンサ以外のセンサと、学習モデル１３２ｃ－２とに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
前述した実施形態の変形例３において、監視装置１００ｃは、センササーバ２００－１からセンササーバ２００－ｋの少なくとも一つが送信するセンサデータに基づいて、上述した処理を実行してもよい。
前述した実施形態の変形例３において、監視装置１００ｃは、異常を判定する対象に備えられるセンサ３００－１からセンサ３００－ｎ以外に、一又は複数の第２センサを備えていてもよい。
第２処理部１３０ｃ－２は、一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、学習モデル１３２ｃ－２とにさらに基づいて、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを判定してもよい。
この場合、学習モデル１３２ｃ－２は、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象に発生する異常とに基づいて、センサ３００－１からセンサ３００－ｎの各々の少なくとも一部に対応するセンサデータ及び一又は複数の第２センサの各々の少なくとも一部に対応するセンサデータと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習することによって得られたものであってもよい。

実施形態の変形例３に係る監視システム１ｃによれば、監視システム１ｃは、監視システム１ｂにおいて、第２処理部１３０ｃ－２は、複数の対象の各々に備えられた一又は複数のセンサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数のセンサデータの組み合わせと、異常を判定する対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
このように構成することによって、第２処理部１３０ｃ－２は、一又は複数の対象の各々に備えられた一又は複数のセンサ３００－１からセンサ３００－ｎの各々が検出したセンサデータの組み合わせと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルとに基づいて、センサ３００－１からセンサ３００－ｎの各々に対応するセンサデータの組み合わせと、センサ３００－１からセンサ３００－ｎが備えられた対象の故障レベルを特定する情報との関係を機械学習できる。
このため、一又は複数のセンサ３００－１から３００－ｎの各々が検出したセンサデータに基づいて、異常発報するか否かを判定できる。
また、現場作業の効率化を図ると共に熟練技術者の知見を取り込むことができるため、ＡＩによる故障の予兆の検出の標準化を図ることができる。センサとＡＩとを組み合わせることにより技術者の五感を代替できる。自家用電気工作物の受変電設備にセンサを取付け、計測値の変化を検出し、故障レベルの判定結果とともにＡＩに学習させる。また、技術者が点検・測定を行った結果とＡＩの判定結果を照合し、ＡＩの評価と精度向上を図ることができる。
監視システム１ｃにおいて、第２処理部１３０ｃ－２は、複数の対象の各々に備えられた一又は複数のセンサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数のセンサデータの組み合わせと、異常を判定する対象に含まれる複数の装置の各々の故障レベルとの関係を更新する。
このように構成することによって、一又は複数のセンサデータの組み合わせと、異常を判定する対象に含まれる複数の装置の各々の故障レベルとの関係を更新できるため、異常発報するか否かの判定精度を向上できる。

以上、本発明の実施形態を説明したが、これらの実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。実施形態は、その他様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。実施形態やその変形例には、例えば当業者が容易に想定できるもの、実質的に同一のもの、均等の範囲のものなどが含まれる。
例えば、上述した各装置の機能を実現するためのコンピュータプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたコンピュータプログラムをコンピュータシステムに読み込ませ、実行するようにしてもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してコンピュータプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

１、１ａ…監視システム、 １００、１００ａ、１００ｂ、１００ｃ…監視装置、 １１０…通信部、 １２０、１２０ａ、１２０ｂ、１２０ｃ…作成部、 １３０－１、１３０ｂ－１、１３０ｃ－１…第１処理部、 １３２－１、１３２ｂ－１、１３２ｃ－１ｃ…センサデータＤＢ、 １３０－２、１３０ａ－２、１３０ｂ－２、１３０ｃ－２…第２処理部、 １３２－２、１３２ａ－２、１３２ｂ－２、１３２ｃ－２…学習モデル、 １４０、１４０ａ、１４０ｂ、１４０ｃ…出力部、 １５０…記憶部、２００…センササーバ、 ２１０…ゲートウェイ、 ２２０…センサボックス、２３０…変換ボックス、３００－１、・・・、３００－ｎ…センサ、 ４００…ウェブサーバ、 ５００…端末装置

（１）上述の課題に鑑み、本発明の一態様に係る監視システムは、異常を判定する対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定する第１処理部と、前記第１処理部が複数の前記センサデータのうち少なくとも一のセンサデータを異常であると判定した場合に、異常であると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第２処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（２）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に異常であると判定する。
（３）本発明の一態様に係る監視システムは、異常を判定する対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定する第１処理部と、前記第１処理部が異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第１処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に異常であると判定し、前記第２処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（４）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記センサの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
（５）本発明の一態様に係る監視システムにおいて、前記第２処理部は、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数の前記センサの各々が検出したセンサデータのうち、異常であると判定された前記センサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
（６）本発明の一態様に係る監視システムにおいて、前記第１処理部は、前記対象に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象が備えられた環境との関係を学習する。
（７）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を更新する。
（８）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を学習する。
（９）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
（１０）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の前記装置の各々の故障レベルとの関係を更新する。
（１１）本発明の一態様に係る監視システムにおいて、一又は複数の前記センサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
（１２）本発明の一態様に係る監視システムにおいて、異常を判定する前記対象に備えられる一又は複数の前記センサ以外の一又は複数の第２センサをさらに備え、前記第１処理部は、一又は複数の前記第２センサの各々が検出したセンサデータが異常であるか否かを判定する。

（１３）本発明の一態様に係る監視方法は、異常を判定する対象に備えられる複数のセンサの各々が検出したセンサデータが異常であるか否かを、センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうち少なくとも一のセンサデータを異常であると判定した場合に、異常であると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを有し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係の学習の結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、コンピュータが実行する監視方法である。
（１４）本発明の一態様に係る監視方法は、異常を判定する対象に備えられる複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを有し、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に異常であると判定し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、コンピュータが実行する監視方法である。

（１５）本発明の一態様に係る監視プログラムは、コンピュータに、異常を判定する対象に備えられる複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうち少なくとも一のセンサデータを異常であると判定した場合に、異常であると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラムである。
（１６）本発明の一態様に係る監視プログラムは、コンピュータに、異常を判定する対象に備えられる複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定させ、分類できない場合に異常であると判定させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、コンピュータが実行する監視方法である。

（１）上述の課題に鑑み、本発明の一態様に係る監視システムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムであって、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定する第１処理部と、前記第１処理部が複数の前記センサデータのうち少なくとも一のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第２処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が平時と違う動きをしていると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（２）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定する。
（３）本発明の一態様に係る監視システムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムであって、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定する第１処理部と、前記第１処理部が平時と違う動きをしていると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第１処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定し、前記第２処理部は、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が平時と違う動きをしていると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（４）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記センサの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
（５）本発明の一態様に係る監視システムにおいて、前記第２処理部は、平時と違う動きをしていると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数の前記センサの各々が検出したセンサデータのうち、平時と違う動きをしていると判定された前記センサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
（６）本発明の一態様に係る監視システムにおいて、前記第１処理部は、前記対象に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象が備えられた環境との関係を学習する。
（７）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を更新する。
（８）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を学習する。
（９）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
（１０）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の前記装置の各々の故障レベルとの関係を更新する。
（１１）本発明の一態様に係る監視システムにおいて、一又は複数の前記センサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
（１２）本発明の一態様に係る監視システムにおいて、異常を判定する前記対象に備えられる一又は複数の前記センサ以外の一又は複数の第２センサをさらに備え、前記第１処理部は、一又は複数の前記第２センサの各々が検出したセンサデータが異常であるか否かを判定する。

（１３）本発明の一態様に係る監視方法は、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうち少なくとも一のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを有し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係の学習の結果を使用して、平時と違う動きをしていると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータが実行する監視方法である。
（１４）本発明の一態様に係る監視方法は、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで平時と違う動きをしていると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを有し、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで平時と違う動きをしていると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータが実行する監視方法である。

（１５）本発明の一態様に係る監視プログラムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータに、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうち少なくとも一のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記センサデータを検出したタイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、平時と違う動きをしていると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラムである。
（１６）本発明の一態様に係る監視プログラムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータに、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで平時と違う動きをしていると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定させ、分類できない場合に平時と違う動きをしていると判定させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた前記センサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで平時と違う動きをしていると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラム。

（１）上述の課題に鑑み、本発明の一態様に係る監視システムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムであって、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定し、複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得する第１処理部と、前記第１処理部が複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを取得したタイミングを取得し、取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が平時と違う動きをしていると判定した前記一部のセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（２）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定する。
（３）本発明の一態様に係る監視システムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムであって、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサと、前記対象に備えられる複数の前記センサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定し、複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得する第１処理部と、前記第１処理部が前記対象に備えられる複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを取得したタイミングを取得し、取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部とを備え、前記第１処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定し、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が平時と違う動きをしていると判定した前記一部のセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システムである。
（４）本発明の一態様に係る監視システムにおいて、前記第１処理部は、複数の前記センサの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する。
（５）本発明の一態様に係る監視システムにおいて、前記第２処理部は、平時と違う動きをしていると判定された前記一部の前記センサデータを検出した前記一部の前記センサを備える対象に備えられる複数の前記センサの各々が検出したセンサデータのうち、平時と違う動きをしていると判定された前記一部の前記センサデータを検出した前記一部のセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する。
（６）本発明の一態様に係る監視システムにおいて、前記第１処理部は、前記対象に備えられた複数の前記センサの各々が検出したセンサデータに基づいて、複数の前記センサデータの各々と、異常を判定する前記対象が備えられた環境との関係を学習する。
（７）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、複数の前記センサデータの各々と、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を更新する。
（８）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を学習する。
（９）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の故障レベルとの関係を学習する。
（１０）本発明の一態様に係る監視システムにおいて、前記第２処理部は、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の前記装置の各々の故障レベルとの関係を更新する。
（１１）本発明の一態様に係る監視システムにおいて、一又は複数の前記センサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである。
（１２）本発明の一態様に係る監視システムにおいて、異常を判定する前記対象に備えられる複数の前記センサ以外の一又は複数の第２センサをさらに備え、前記第１処理部は、一又は複数の前記第２センサの各々が検出したセンサデータが異常であるか否かを判定する。

（１３）本発明の一態様に係る監視方法は、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得するステップと、前記一部の前記センサデータを取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを有し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係の学習の結果を使用して、平時と違う動きをしていると判定した前記一部の前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータが実行する監視方法である。
（１４）本発明の一態様に係る監視方法は、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで前記対象に備えられる複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得するステップと、前記一部の前記センサデータを取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータ取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを有し、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定し、分類できない場合に平時と違う動きをしていると判定し、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで平時と違う動きをしていると判定した前記一部のセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータが実行する監視方法である。

（１５）本発明の一態様に係る監視プログラムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータに、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得するステップと、前記一部の前記センサデータを取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、平時と違う動きをしていると判定した前記一部の前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラムである。
（１６）本発明の一態様に係る監視プログラムは、受変電設備、プラント、工場、建造物のいずれかを監視する監視システムのコンピュータに、異常を判定する対象を監視するため、前記対象に備えられる複数のセンサの各々が常時検出したセンサデータの時系列データが平時と違う動きをしているか否かを、前記センサ毎に判定するステップと、判定する前記ステップで前記対象に備えられる複数の前記センサデータのうちの一部のセンサデータの時系列データが平時と違う動きをしていると判定した場合に、平時と違う動きをしていると判定した前記一部の前記センサデータを特定し、前記センサデータを取得したタイミングを取得するステップと、
前記一部の前記センサデータを取得した前記タイミングに基づいて複数の前記センサの各々が検出したセンサデータを取得し、取得した複数の前記センサデータに基づいて、異常発報するか否かを判定するステップとを実行させ、前記センサ毎に判定するステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータの時系列データに基づいて、複数の前記センサの各々に対応するセンサデータについて、センサデータ同士のパターンを教師無し学習しており、当該学習の結果を使用して、複数の前記センサの各々が検出した前記センサデータが、既に取得している複数の前記センサの各々に対応する時系列データに分類できるか否かを判定させ、分類できない場合に平時と違う動きをしていると判定させ、異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられた複数の前記センサの各々が検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記センサ毎に判定するステップで平時と違う動きをしていると判定した前記一部のセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラム。

Claims (12)

1. 異常を判定する対象に備えられる一又は複数のセンサと、
   前記対象に備えられる一又は複数の前記センサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定する第１処理部と、
   前記第１処理部が異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定する第２処理部と
   を備え、
   前記第２処理部は、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係を学習しており、当該学習の結果を使用して、前記第１処理部が異常であると判定したセンサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、監視システム。
2. 前記第１処理部は、一又は複数の前記センサの各々が検出したセンサデータを学習した後に、直近のセンサデータを優先的に使用して再学習する、請求項１に記載の監視システム。
3. 前記第２処理部は、異常であると判定されたセンサデータを検出したセンサを備える対象に備えられる一又は複数の前記センサの各々が検出したセンサデータのうち、異常であると判定された前記センサデータを検出したセンサ以外のセンサが検出したセンサデータに基づいて、異常発報するか否かを判定する、請求項１又は請求項２に記載の監視システム。
4. 前記第１処理部は、前記対象に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象が備えられた環境との関係を学習する、請求項１から請求項３のいずれか一項に記載の監視システム。
5. 前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の状態に基づいて、一又は複数の前記センサデータの各々と、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を更新する、請求項１から請求項４のいずれか一項に記載の監視システム。
6. 前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の異常との関係を学習する、請求項１から請求項５のいずれか一項に記載の監視システム。
7. 前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータの組み合わせに基づいて、一又は複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の装置の各々の故障レベルとの関係を学習する、請求項１から請求項６のいずれか一項に記載の監視システム。
8. 前記第２処理部は、複数の前記対象の各々に備えられた一又は複数の前記センサの各々が検出したセンサデータに基づいて判定された異常を判定する対象に含まれる複数の装置の各々の故障レベルに基づいて、複数の前記センサデータの組み合わせと、異常を判定する前記対象に含まれる複数の前記装置の各々の故障レベルとの関係を更新する、請求項７に記載の監視システム。
9. 一又は複数の前記センサの各々は、超音波センサと、オゾンセンサと、臭いセンサと、音波センサとのいずれかである、請求項１から請求項８のいずれか一項に記載の監視システム。
10. 異常を判定する前記対象に備えられる一又は複数の前記センサ以外の一又は複数の第２センサをさらに備え、
    前記第２処理部は、一又は複数の前記第２センサの各々が検出したセンサデータにさらに基づいて、異常発報するか否かを判定する、請求項１から請求項９のいずれか一項に記載の監視システム。
11. 異常を判定する対象に備えられる一又は複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、
    判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップと
    を有し、
    異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定する、コンピュータが実行する監視方法。
12. コンピュータに、
    異常を判定する対象に備えられる一又は複数のセンサの各々が検出したセンサデータが異常であるか否かを、前記センサ毎に判定するステップと、
    判定する前記ステップで異常であると判定した場合に、複数の前記センサの各々が検出したセンサデータに基づいて、異常発報するか否かを判定するステップと
    を実行させ、
    異常発報するか否かを判定する前記ステップでは、複数の前記対象の各々に備えられたセンサが検出したセンサデータと前記対象に関する異常との関係の学習結果を使用して、異常であると判定した前記センサデータを出力したセンサを備えた対象について、異常発報するか否かを判定させる、監視プログラム。

Images