JP2014132732A - 家電状態推定装置 - Google Patents

Abstract

【課題】取り付け工事等の特殊作業が不要であり、高機能家電ではない一般的な家電においても状態推定が可能となる家電状態推定装置を提供する。
【解決手段】家電の近辺に配置されたセンサの測定値を、所定区間に渡って取得する測定値取得部21と、前記取得された所定区間に渡るセンサの測定値より、特徴量を算出する特徴量算出部22と、前記算出された特徴量より、家電の状態を推定する状態推定部23と、を備える。さらに、センサ測定値を、家電が所定の状態にある旨の情報と共に所定区間に渡って取得する学習用測定値取得部31と、学習用測定値取得部にて取得された測定値より、特徴量を算出する学習用特徴量算出部32と、学習用特徴量算出部にて算出された特徴量と、当該特徴量に対応する前記取得された当該家電の所定の状態と、の対応関係を、学習によって求める学習部32と、を備える。
【選択図】図１

Description

本発明は、家電の付近に配置されたセンサからの情報を利用して家電状態の推定を行う、家電状態推定装置に関する。

家電のオン・オフなどの状態が推定できると、様々なサービスへ利用できる。遠隔の家族の見守りでは、家電の状態推定結果からユーザの生活状況を把握することで、例えば遠隔の家族の異常を早期検知できる。また、消費電力の見える化では、分電盤などに電力センサを取り付けることで、宅内の合計消費電力が分かるが、家電毎の消費電力を把握したいというニーズもある。この場合、個別の家電に電力センサを取り付ける必要があるが、電力センサのコストが問題となる。

そこで、非特許文献2では電力センサを利用し、家電の消費電流パターンから家電状態を推定する。事前に各家電の消費電流パターンを学習した後、家電の合計消費電流パターンから、各家電の状態を推定する。合計消費電力のデータと、家電の状態推定結果を統合処理することで、コストを抑えつつ家電毎の消費電力が推定している。

一方、通信機能やCPUを備える高機能家電が登場し始めており、これらの家電の場合、家電状態を容易に検知できる。非特許文献1では、通信機能を備えた電気ポットが電源オン／オフや給湯などを検知し、利用状況をe-mailを通して遠隔の家族に自動通知する。

"みまもりほっとライン i-POT（登録商標）", ZOJIRUSHI[オンライン](http://www.mimamori.net/index.html) "Life Pattern Sensor with Non-intrusive Appliance Monitoring", 国際会議ICCE 2009

しかしながら、高機能家電は普及には至っておらず、通信機能やCPUを搭載していない一般的な家電においても状態推定できることが望まれている。一般的な家電の状態を推定する方法の1つとして、宅内の様々なセンサの利用が考えられる。タブレットやスマートフォン等の端末が普及しており、それらの端末が備える端末センサが利用できる。また、それ以外にも電力センサや気温計、湿度計、人感センサ等の特定の用途で利用している専用センサがある。

一般的な家電の状態推定に関して、上記非特許文献2では家電毎に電力センサを取り付ける必要なく、分電盤等に取り付けた単一のセンサのみで安価に各家電の状態推定を実現できるという利点がある。しかしながら、次に示す課題があった。

・電力センサを必要とするため、電力センサがない家庭では、家電状態を推定することができなかった。また、分電盤等に取り付ける等の特殊な工事が必要とされた。

・家電の消費電流パターンの学習時に、他の家電の影響を除くため、家電に直接電力センサを接続する必要がある。そのため、学習対象の全家電に対し電力センサを接続し、消費電流パターンを学習させる手間が必要であった。

上記従来技術の課題に鑑み、本発明は、取り付け工事等の特殊作業が不要であり、高機能家電ではない一般的な家電においても状態推定が可能となる家電状態推定装置を提供することを目的とする。

上記目的を達成するため、本発明は、家電の状態を推定する家電状態推定装置であって、家電の近辺に配置されたセンサの測定値を、所定区間に渡って取得する測定値取得部と、前記取得された所定区間に渡るセンサの測定値より、特徴量を算出する特徴量算出部と、前記算出された特徴量より、家電の状態を推定する状態推定部と、を備えることを第１の特徴とする。

また本発明は、家電の近辺に配置されたセンサの測定値を、当該家電が所定の状態にある旨の情報と共に所定区間に渡って取得する学習用測定値取得部と、前記学習用測定値取得部にて取得された測定値より、特徴量を算出する学習用特徴量算出部と、前記学習用特徴量算出部にて算出された特徴量と、当該特徴量に対応する前記取得された当該家電の所定の状態と、の対応関係を、学習によって求める学習部と、を前記家電状態推定装置がさらに備え、前記状態推定部は、前記算出された特徴量に対して、前記学習によって求められた対応関係を適用することで、家電の状態を推定することを第２の特徴とする。

また本発明は、前記センサが、少なくとも音を測定することを第３の特徴とする。

前記第１の特徴によれば、家電とは別個に存在するセンサの測定値から特徴量を算出して、家電の状態を推定する。従って、取り付け工事等の特殊作業は不要であり、高機能家電以外の家電でも状態推定が可能となる。

前記第２の特徴によれば、家電にセンサを接続することなく、家電状態推定のための学習が可能となる。

前記第３の特徴によれば、音を利用することにより、家電の付近に配置されたセンサにより家電状態を高精度で推定することができる。

家電状態推定装置の機能ブロック図である。 本発明の全体構成の一例を示す図である。 本発明の全体構成の一例を示す図である。 本発明の全体構成の一例を示す図である。 特徴量及び学習を説明するための図である。 学習を実施する際のユーザにおける手順を示す図である。

図１は、一実施形態に係る家電状態推定装置の機能ブロック図である。家電状態推定装置10は、状態推定対象の家電付近のセンサが取得した測定値を用いて当該家電の状態を推定するための構成として、測定値取得部21、特徴量算出部22及び状態推定部23を備え、また、当該状態推定を可能とするための学習を行う構成として、学習用測定値取得部31、学習用特徴量算出部32及び学習部33を備える。当該各部の概要は以下の通りである。

測定値取得部21は、状態推定対象となっている家電の付近に配置されたセンサが測定した測定値を取得する。当該測定値は、センサの種類に対応する何らかの物理量を所定期間(例えば1秒間など)に渡って取得した時系列データを含むことが好ましい。当該時系列データは、音に関するものを含むことが好ましい。特徴量算出部22は当該取得された測定より、特徴量を算出する。

状態推定部23は、当該算出された特徴量より、状態推定対象の家電の状態を推定する。当該推定の際に、前記学習用構成としての各部31,32,33によって得られた学習結果を利用する。すなわち、当該学習結果において、特徴量と家電状態との対応関係が得られているので、当該対応関係を特徴量算出部22の算出した特徴量に対して適用することによって、家電状態が推定される。

学習用測定値取得部31は、測定値取得部21が取得するのと同じセンサによる測定値を、状態推定対象の家電の当該測定値を得た際の状態の情報と共に、学習用データとして受け取る。当該学習用の家電状態は、ユーザ等によってマニュアル入力される。学習用特徴量算出部32は、学習用測定値取得部31が取得した測定値より、特徴量算出部22が算出するのと同種類の特徴量を算出する。

学習部33は、学習用特徴量算出部32が算出した特徴量と、学習用測定値取得部31にて測定値と共に取得された家電状態と、を学習用データとして用いて、学習を実施することにより、特徴量と家電状態との対応関係を求める。

図２〜図４は、家電状態推定装置10と、当該家電状態推定装置10に測定値を提供するセンサと、当該センサが近辺に配置されることにより当該センサに自身の状態に関連する物理量を測定され、状態推定の対象となる家電と、を含む本発明の全体構成の例を示す図である。

図２では、家電が「家電1」として1台あり、センサが「センサ1」として1個あり、これらに対して家電状態推定装置10が状態推定を実施する例が示されている。欄C10に示すように、家電1はエアコン、電灯、洗濯機、掃除機、ドライヤー、電子レンジ、食洗機など各種のものであってよい。

また、欄C20に示すように、センサ1は(1)のような情報端末（ＰＣ、タブレット、スマートフォンなど）に備え付けの端末センサとして構成されていてもよいし、(2)のような専用センサとして構成されていてもよい。すなわち、専用センサの例として、通信機能を持ち、消費電力の見える化やホームオートメーション、健康・見守りなどの用途で利用されているスマートタップ、歩数計、温湿度計などを利用してもよい。

センサ1はその他マイク、温湿度センサ、照度センサ、加速度センサ、地磁気センサ、カメラなどであってもよく、家電1の状態を推定するために取得する物理量等は、温度、湿度、照度、加速度、地磁気、電力、画像などであってもよい。

なお、家電1とセンサ1とは、別の機器として構成され、回路及び／又は電源系統などを共有していないことが好ましい。例えば、家電1は冷蔵庫であり、センサ1は当該冷蔵庫の筐体に別途取り付けられたマイクとすること等が好ましい。センサ1は、家電状態推定装置10に含まれていてもよい。

センサ1から家電状態推定装置10への測定量の伝達は、有線あるいは無線により、ネットワークを介してなされてもよい。例えば、Wi-Fi（登録商標）やBluetooth（登録商標）、ZigBee（登録商標）、イーサネット（登録商標）、PLC(Power Line Communication)などの通信メディアを利用することができる。

図３は、図２を拡張した一例であり、家電1を状態推定対象としてその付近にセンサが複数、センサ1〜センサnとして配置され、当該各センサ1〜nからの測定値を家電状態推定装置10が受け取り、当該全測定値に基づいて、家電1の状態が推定される。この場合、各測定値から算出される各特徴量を統合した特徴量によって、家電1の状態が推定される。各センサ1〜nは、異なる種類のセンサであることが好ましい。

図４は、図２を拡張した一例であり、複数の家電1〜家電mの各々を状態推定対象として、センサ1が当該各家電1〜mの状態に依存する1つの物理量を測定し、当該測定値を用いて、家電状態推定装置10が各家電1〜家電mの各々の状態を推定する。例えば、家庭のリビングにセンサ1が配置され、当該リビングにある複数の家電の状態が全て推定される。

この場合、各家電1〜家電mごとに図２の場合と同様に特徴量と家電状態との関係を、その他の家電が稼働していない状態にあるものとして学習し、全家電の状態と、特徴量と、の関係を学習によって求めればよい。

さらに同様に、本発明は図３と図４とを併合した構成としてもよい。すなわち、状態推定対象の家電が家電1〜家電mと複数存在し、測定を実施するセンサも1センサ1〜センサnと複数存在し、当該各センサの測定値によって全ての家電1〜家電mの状態が推定されてもよい。

図５は、家電状態推定装置10における特徴量及び学習を、各手順(1)〜(4)として説明するための図である。(1)に示すように、学習用測定値取得部31でまず、学習用の測定値を取得する。当該取得された測定値の例としてここでは、マイクなどの音センサによる録音として、音圧の時系列データがグラフG1に示されている。

家電の動作音や報知音など、音は家電の状態を顕著に反映するため、本発明においてセンサで取得されることが好ましい物理量の１つである。利用する特徴量の例としては、音声認識で広く利用されているMFCC(Mel Frequency Cepstral Coefficients；メル周波数ケプストラム係数)、RMS(Root Mean Square；二乗平均平方根)、ZCR(Zero-Crossing Rate；ゼロ交差レート)などを用いることができる。

また、センサが音以外の物理量を取得している場合は、当該物理量において状態認識を実施するのに好適な所定の特徴量を利用すればよい。物理量が時系列データとして得られる場合は、当該音に対するのと同様の特徴量を利用してもよい。

(1)にて取得された測定値は、マイク(音センサ)から音を16kHzサンプリングしたものであり、特徴量算出のウィンドウサイズを1000、ウィンドウオーバーラップを0としている。先ず、音データをウィンドウサイズ毎に抽出し、グラフG1中に示すように、特徴量ベクトルV(i)(i=1,2,…)を算出する。MFCCの次元数を13とした場合、RMS、ZCRと合計して、特徴量ベクトルV(i)は15次元ベクトルとなる。

なお、図示はしていないが、センサを音以外を含めて複数種類利用し、当該センサの測定値から算出されるその他の種類の特徴量が得られている場合は、当該音の特徴量ベクトルの次元数を増やして、その他の種類の特徴量を当該増やされた箇所の要素とすればよい。

例えば、音センサに加えてさらに電力センサを利用する場合、電力センサを通して得られる電力をP(i)(i=1,2,…)、電力センサのサンプリング間隔をPSとする。電力の特徴量として、例えば平均電力や差分平均電力などを利用してよい。平均電力PA(j)(j=1,2,…)は電力P(i)のT秒毎の平均であり、次式で計算される。
PA(j)=P((j−1)*PS/T+1)+P((j−1)*PS/T+2)+…+P(j*PS/T)

家電のオン・オフにより、平均電力PA(j)は増大することから、家電の状態推定に利用できる特徴量の1つと言える。例えば、平均電力PA(j)が0の場合、全家電がオフと推定できる。

一方、差分平均電力DPA(j)は平均電力PA(j)の差であり次式で計算される。
DPA(j)= PA(j+1)− PA(j)
家電のオン・オフにより、差分平均電力DPA(j)は正・負の値となることから、家電の状態推定に利用できる特徴量の1つと言える。

こうして、当該例においては、音センサから15個、電力センサから平均電力PA(j)及び差分平均電力DPA(j)よりなる2個の特徴量が取得できる。従って、音の15次元に対して電力から2次元を追加することで合計17次元の特徴量ベクトルを使い、以下説明するように家電状態の学習や推定を実行することで、1個のセンサ（音センサ）のみを用いた場合と比較して推定精度が向上する。なお、音センサ及び電力センサの２種類以外にも、任意種類のセンサを２種類に限らず複数利用する際も、同様にして要素が各センサの特徴量に対応する特徴量ベクトルを構築すればよい。

図５に戻り、次に、(3)に示すように、特徴量ベクトルV(i)をT秒毎に平均化し、平均特徴量ベクトルVA(j)(j=1,2,…)を算出する。ここではT=1秒の例を示してある。

一方、(2)に示すように、当該各平均特徴量ベクトルVA(j)(j=1,2,…)の求められた区間に対しては、当該各区間に対応する家電の状態ES(j)(j=1,2,…)が、学習用測定値取得部31にてユーザよりマニュアル入力されたものを取得している。各状態ES(j)は、家電数に応じた要素数のベクトルとして構成し、各要素の値が各家電の状態を表すようにしてよい。

当該状態は、少なくとも各家電のオン・オフ(稼働中か、そうでない[停止中又は待機中]か)を区別するよう予め定義しておき、ユーザによって入力される。例えば、エアコンの送風強度に関して、「強」「普通」「弱」など、稼働中も様々な動作モードが存在する家電の場合は、当該動作モードの区別も状態として定義しておいてもよい。

以上、(2)で得た家電の状態ES(j)(j=1,2,…)と、対応する(3)で得た平均特徴量ベクトルVA(j)(j=1,2,…)と、の対応関係を、(4)に示すように学習部33が所定の学習アルゴリズムによって求め、当該対応関係を表すパラメータを取得する。当該パラメータを用いて、状態推定部23は家電状態の推定が可能となる。なお、学習アルゴリズムの例としては、SVM(Support Vector Machine；サポートベクトルマシン)やHMM(Hidden Markov Model；隠れマルコフモデル)等が挙げられ、その他各種の周知の学習手法を利用してもよい。

図６は、図５で説明したような学習を実施する際の、ユーザ側の手順を示すフローチャート（及びその補足説明を示したもの）である。順次行う各ステップS1〜S4は以下の通りである。

ステップS1にて、ユーザは家電状態推定装置10に対して学習の手順を開始する旨の指示を与える。家電状態推定装置10がインターフェースとしてタッチパネルなどを有していれば、例えば欄C1に示すように、当該指示を与えるための学習開始ボタンを押下する。

ステップS2にて、ユーザは家電状態推定装置10に対して学習を実施する家電名を入力する。欄C2にはタッチパネルインターフェースで入力する例が示されている。当該家電は、複数同時に指定されてもよい。またこの際、ユーザは学習させる家電の状態の指定も行う。

ステップS3にて、ユーザは家電状態推定装置10に対してセンサの測定値を用いて実際に学習を開始する旨を入力し、同時に、（あるいは前もって）ステップS2で入力した対象家電をステップS2で指定した状態となす。ステップS4にて、ユーザは家電状態推定装置10に対して学習の終了の旨を指示する。

以上ステップS3及びS4により、家電状態推定装置10において図５で説明したような学習が実行され、家電の状態ES(j)(j=1,2,…)と、対応する平均特徴量ベクトルVA(j)(j=1,2,…)とが、各家電の各状態につき順次蓄積されてゆく。家電状態推定装置10では所定量の学習がなされた時点において学習結果を求めてもよいし、学習データの蓄積に伴い逐次学習を行うようにしてもよい。

10…家電状態推定装置、21…測定値取得部、22…特徴量算出部、23…状態推定部、31…学習用測定値取得部、32…学習用特徴量算出部、33…学習部

Claims (5)

1. 家電の状態を推定する家電状態推定装置であって、
   家電の近辺に配置されたセンサの測定値を、所定区間に渡って取得する測定値取得部と、
   前記取得された所定区間に渡るセンサの測定値より、特徴量を算出する特徴量算出部と、
   前記算出された特徴量より、家電の状態を推定する状態推定部と、を備えることを特徴とする家電状態推定装置。
2. 家電の近辺に配置されたセンサの測定値を、当該家電が所定の状態にある旨の情報と共に所定区間に渡って取得する学習用測定値取得部と、
   前記学習用測定値取得部にて取得された測定値より、特徴量を算出する学習用特徴量算出部と、
   前記学習用特徴量算出部にて算出された特徴量と、当該特徴量に対応する前記取得された当該家電の所定の状態と、の対応関係を、学習によって求める学習部と、をさらに備え、
   前記状態推定部は、前記算出された特徴量に対して、前記学習によって求められた対応関係を適用することで、家電の状態を推定することを特徴とする請求項１に記載の家電状態推定装置。
3. 前記センサは状態推定対象の家電に対して複数種類存在して、当該家電の近辺に配置され、
   前記特徴量算出部は、当該複数のセンサの各々につき、対応する特徴量を算出し、
   前記状態推定部は、前記各々算出された特徴量を１つに統合した特徴量より、家電の状態を推定することを特徴とする請求項１または２に記載の家電状態推定装置。
4. 前記センサが、少なくとも音を測定することを特徴とする請求項１ないし３のいずれかに記載の家電状態推定装置。
5. 前記センサが、温度、湿度、照度、加速度、地磁気、電力、画像、のうちの少なくとも１つを測定することを特徴とする請求項４に記載の家電状態推定装置。