JP2023003226A - 監視システム、監視方法、及び監視プログラム - Google Patents
監視システム、監視方法、及び監視プログラム Download PDFInfo
- Publication number
- JP2023003226A JP2023003226A JP2021104280A JP2021104280A JP2023003226A JP 2023003226 A JP2023003226 A JP 2023003226A JP 2021104280 A JP2021104280 A JP 2021104280A JP 2021104280 A JP2021104280 A JP 2021104280A JP 2023003226 A JP2023003226 A JP 2023003226A
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- sensors
- sensor
- abnormality
- processing unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 330
- 238000012545 processing Methods 0.000 claims abstract description 306
- 230000002159 abnormal effect Effects 0.000 claims abstract description 181
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 description 120
- 238000004891 communication Methods 0.000 description 70
- 238000013473 artificial intelligence Methods 0.000 description 51
- 238000001514 detection method Methods 0.000 description 43
- 230000033001 locomotion Effects 0.000 description 41
- 238000012986 modification Methods 0.000 description 33
- 230000004048 modification Effects 0.000 description 33
- 230000008859 change Effects 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 29
- 230000001131 transforming effect Effects 0.000 description 22
- 238000006243 chemical reaction Methods 0.000 description 19
- 241000196324 Embryophyta Species 0.000 description 15
- 235000019645 odor Nutrition 0.000 description 14
- 238000007689 inspection Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000006866 deterioration Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 239000012212 insulator Substances 0.000 description 5
- 241000409201 Luina Species 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【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
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
(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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
(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。
(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。
(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。
(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。
(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。
(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。
(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。
(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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021104280A JP7166395B1 (ja) | 2021-06-23 | 2021-06-23 | 監視システム、監視方法、及び監視プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021104280A JP7166395B1 (ja) | 2021-06-23 | 2021-06-23 | 監視システム、監視方法、及び監視プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7166395B1 JP7166395B1 (ja) | 2022-11-07 |
JP2023003226A true JP2023003226A (ja) | 2023-01-11 |
Family
ID=83931104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021104280A Active JP7166395B1 (ja) | 2021-06-23 | 2021-06-23 | 監視システム、監視方法、及び監視プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7166395B1 (ja) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004297854A (ja) * | 2003-03-25 | 2004-10-21 | Hitachi Information & Control Systems Inc | デマンド監視システム |
JP2010122912A (ja) * | 2008-11-19 | 2010-06-03 | Toshiba Corp | 異常判定装置、方法、及びプログラム |
JP5484591B2 (ja) * | 2010-12-02 | 2014-05-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
JP2015018389A (ja) * | 2013-07-10 | 2015-01-29 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
JP2015162032A (ja) * | 2014-02-27 | 2015-09-07 | 株式会社日立製作所 | 移動体の診断装置 |
JP2017058212A (ja) * | 2015-09-15 | 2017-03-23 | 日本精工株式会社 | 軸受異常診断装置、及び車両 |
JP2019185422A (ja) * | 2018-04-11 | 2019-10-24 | 株式会社Ye Digital | 故障予知方法、故障予知装置および故障予知プログラム |
JP2020123229A (ja) * | 2019-01-31 | 2020-08-13 | 株式会社明電舎 | 異常予兆検出システム、異常予兆検出方法 |
JP2021022290A (ja) * | 2019-07-30 | 2021-02-18 | 双葉電機工業株式会社 | 制御状態監視システムおよびプログラム |
JP2021054632A (ja) * | 2019-10-02 | 2021-04-08 | 株式会社荏原製作所 | 搬送異常予測システム |
-
2021
- 2021-06-23 JP JP2021104280A patent/JP7166395B1/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004297854A (ja) * | 2003-03-25 | 2004-10-21 | Hitachi Information & Control Systems Inc | デマンド監視システム |
JP2010122912A (ja) * | 2008-11-19 | 2010-06-03 | Toshiba Corp | 異常判定装置、方法、及びプログラム |
JP5484591B2 (ja) * | 2010-12-02 | 2014-05-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
JP2015018389A (ja) * | 2013-07-10 | 2015-01-29 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
JP2015162032A (ja) * | 2014-02-27 | 2015-09-07 | 株式会社日立製作所 | 移動体の診断装置 |
JP2017058212A (ja) * | 2015-09-15 | 2017-03-23 | 日本精工株式会社 | 軸受異常診断装置、及び車両 |
JP2019185422A (ja) * | 2018-04-11 | 2019-10-24 | 株式会社Ye Digital | 故障予知方法、故障予知装置および故障予知プログラム |
JP2020123229A (ja) * | 2019-01-31 | 2020-08-13 | 株式会社明電舎 | 異常予兆検出システム、異常予兆検出方法 |
JP2021022290A (ja) * | 2019-07-30 | 2021-02-18 | 双葉電機工業株式会社 | 制御状態監視システムおよびプログラム |
JP2021054632A (ja) * | 2019-10-02 | 2021-04-08 | 株式会社荏原製作所 | 搬送異常予測システム |
Also Published As
Publication number | Publication date |
---|---|
JP7166395B1 (ja) | 2022-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011181070A (ja) | 変電所装置の資産状態を監視するためのシステムおよび方法 | |
TWI566065B (zh) | Communication anomaly detection device, communication anomaly detection method and program | |
US11475758B2 (en) | Monitoring control panels of a fire control system | |
US11423494B2 (en) | Plant assistance assessment system and plant assistance assessment method | |
US11835593B2 (en) | Multi-phase simulation environment | |
Ismail | System development toward effective maintenance management practices | |
JP7166395B1 (ja) | 監視システム、監視方法、及び監視プログラム | |
CN109581126A (zh) | 一种电力带电检测***及方法 | |
CN116263687A (zh) | 事件设备操作 | |
KR101323727B1 (ko) | 원전 비상디젤발전기 엔진제어시스템 제어모듈에 대한 정적 측정 및 동적 진단 장치 | |
WO2022007299A1 (zh) | 一种基于微服务架构的电网故障诊断方法及存储介质 | |
Anam et al. | Monitoring System for Temperature and Humidity Sensors in the Production Room Using Node-Red as the Backend and Grafana as the Frontend | |
WO2020195626A1 (ja) | 異常検知方法、異常検知装置、プログラム | |
CN116843314A (zh) | 监控终端运维管理方法、***、设备及存储介质 | |
Ushakov et al. | Defects in High Voltage Equipment: Types and Content of Tests | |
Eini et al. | Defect detection and preventive maintenance prioritization of distribution cubicles by infrared statistical image processing | |
WO2020051866A1 (zh) | 放疗设备的状态诊断方法、装置、***及存储介质 | |
WO2020166011A1 (ja) | 時系列データ処理方法 | |
Almadhoun et al. | Enhanced solar systems efficiency and reduce energy waste by using IoT devices | |
Chaihang et al. | Thermal inspection System Prediction for Circuit Breaker on Load Panel With Image Classification Technique By Tensorflow: A Case Study Textile Industry | |
Johnson et al. | Vis-SAGA: Visual Analytics for Situational Awareness of Grid Anomalies | |
US11886180B2 (en) | Method and system for facilitating predictive maintainance of testing machine | |
KR101412208B1 (ko) | 지진규모에 따른 경보음 발생장치 | |
US20240103057A1 (en) | Method and apparatus to generate an alert based on health of an earthing system | |
Sorokine et al. | Advanced Cartographic Techniques for Making Sense of Big Dynamic Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210623 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210721 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220225 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220727 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221011 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221025 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7166395 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |