JP2017107416A

JP2017107416A - センサノード、コントローラノード、センサネットワークシステム、およびその動作方法

Info

Publication number: JP2017107416A
Application number: JP2015240915A
Authority: JP
Inventors: 壽邦篠原; Hisakuni Shinohara
Original assignee: Rohm Co Ltd
Current assignee: Rohm Co Ltd
Priority date: 2015-12-10
Filing date: 2015-12-10
Publication date: 2017-06-15
Anticipated expiration: 2035-12-10
Also published as: US20170171692A1; JP6761633B2

Abstract

【課題】計算量の少ないアルゴリズムで、時系列の事象に対して容易で且つ高精度に異常判定を行うセンサネットワークシステムを提供する。
【解決手段】センサ対象から情報を検知するセンサ部１１と、検知したセンサ情報を抽象化データに演算する演算部１２と、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信する内部通信部１３とを備える複数のセンサノードＳＮと、センサ対象の初期／正常状態時のベクトルデータを予め保存するためのメモリ部２４と、複数のセンサノードＳＮから送信される抽象化した抽象化データを、ネットワーク２００を介して受信する内部通信部２１と、受信した抽象化データをベクトル変換したベクトルデータを、初期／正常状態時のベクトルデータと比較／演算することでセンサ対象の状態を判定する演算部２２とを備えるコントローラノードＣＮとを備える。
【選択図】図７

Description

本実施形態は、センサノード、コントローラノード、センサネットワークシステムおよびその動作方法に関する。

近年、電源を内蔵した小型の無線機能付センサ端末（「センサノード通信端末」あるいは単に「センサノード」という）が開発されている。このようなセンサノードは、例えば屋外の建造物（橋梁、道路、鉄道、ビルディング等）などに複数個にわたって設置され、温度、湿度、歪量等の種々の物理量から成る環境情報の測定や分析に利用されている。

このようなセンサノードを社会インフラの構造物へ導入して、日々サンプリングを行い、インフラの健康状態を監視する応用がある。すなわち、複数のセンサノードから送信される測定データをホスト通信端末によって受信、格納して、その測定データに基いて建造物等の状態を自動的に測定し、監視する無線センサネットワークシステムが種々提案されている。

このようなセンサネットワークシステムの一例として、スマートセンサやセンサフュージョンなど、複数のセンサ（あるいはセンサノード）を連動させて、複合的で且つ知覚的、又は複合的若しくは知覚的な判定を行うセンサネットワークシステムが開発されつつある。複合的／知覚的な判定を行うこのような判定回路には、人工知能などによる機械学習の判定回路を用いることが多い。

特開平６−２４２８０５号公報特開２０１３−７３４１４号公報特開２０１２−１５０７２１号公報

しかしながら、一般にセンサネットワークシステムでは、装備できる演算装置やメモリなどのリソースが限られていることが多いので、このような複合的／知覚的な判定を行うためには、専用の回路やコンピュータなどを別途設置する必要があった。

また、現状あるセンサにおいては、センサ間の相関が用いられることが多く、一般に、特に異常に対する判定精度を上げることが難しい。

例えば、特許文献１には、複数センサの出力結果を知覚機構により統合判断するものが開示されている。この場合、時系列データを基に学習によって知覚データベースが構築される。よって、時系列にシステマティックに変化する動き（例えばシーケンサなどによるシーケンス動作）を捉えることには不向きで、各状況に応じて、近しいデータによる判定が行われることになり、特にシステムに対するシーケンシャルな異常検知感度を高めることは難しい。

また、特許文献２は、複数センサの相関を基にプラントを診断するものを開示しているが、センサ間の相関を複数有することにより判定を行うので、時系列の情報が欠損してしまう。また、相関がない信号を扱うことができないという問題もある。

また、特許文献１および２の共通の問題として、学習や相関算定に大量の演算を必要とするため、リソースが限られる小規模なセンサネットワークシステムには、アーキテクチャ上、向かない。
また、特許文献３は、時系列データを基に異常判定を行うものを開示しているが、判定条件データ（通常×レシピの数）とモデルデータ（異常減少数）を保存するために大量のメモリを要するとともに、モデルデータとの類似性判定処理のために大量の演算を要するので、相当のＣＰＵパワーを消費する。

本実施の形態は、スマートセンサやセンサフュージョンなどの複数センサを有するセンサネットワークシステムにおいて、計算量の少ないアルゴリズムで、時系列の事象に対して容易で且つ高精度に異常判定を行うことができるセンサノード、コントローラノード、センサネットワークシステム、およびその動作方法を提供する。

本実施の形態の一態様によれば、センサ対象から情報を検知するセンサ部と、前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算する演算部と、前記抽象化データを、ネットワークを介してコントローラノードに送信する内部通信部とを備えるセンサノードが提供される。

本実施の形態の他の態様によれば、センサ対象の初期状態時あるいは正常状態時のベクトルデータを予め保存するためのメモリ部と、複数のセンサノードから個別に送信される、前記センサ対象の検知データを抽象化した抽象化データを、ネットワークを介して受信する内部通信部と、受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、前記メモリ部に保存された前記初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定する演算部とを備えるコントローラノードが提供される。

本実施の形態の他の態様によれば、センサ対象から情報を検知するセンサ部と、前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算する演算部と、前記抽象化データを、ネットワークを介してコントローラノードに送信する内部通信部とを備える複数のセンサノードと、前記センサ対象の初期状態時あるいは正常状態時のベクトルデータを予め保存するためのメモリ部と、前記複数のセンサノードから個別に送信される前記抽象化した抽象化データを、前記ネットワークを介して受信する内部通信部と、受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、前記メモリ部に保存された前記初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定する演算部とを備えるコントローラノードとを備えるセンサネットワークシステムが提供される。

本実施の形態の他の態様によれば、複数のセンサノードにおいて、センサ対象から情報を検知するステップと、前記複数のセンサノードにおいて、前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算するステップと、前記複数のセンサノードにおいて、前記抽象化データを、ネットワークを介してコントローラノードに送信するステップと、前記コントローラノードにおいて、前記複数のセンサノードから個別に送信される前記抽象化した抽象化データを、前記ネットワークを介して受信するステップと、受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、メモリ部に予め保存された前記センサ対象の初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定するステップとを有するセンサネットワークシステムの動作方法が提供される。

本実施の形態によれば、スマートセンサやセンサフュージョンなどの複数センサを有するセンサネットワークシステムにおいて、計算量の少ないアルゴリズムで、時系列の事象に対して容易で且つ高精度に異常判定を行うことができるセンサノード、コントローラノード、センサネットワークシステム、およびその動作方法を提供することができる。

比較例におけるセンサネットワークシステムを例示する模式的概念構成図。実施の形態に係るセンサネットワークシステムを例示する模式的概念構成図。実施の形態に係るセンサネットワークシステムの変形例１の模式的概念構成図。実施の形態に係るセンサネットワークシステムの変形例２の模式的概念構成図。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードを例示する模式的ブロック構成図。実施の形態に係るセンサネットワークシステムに適用可能なコントローラノードを例示する模式的ブロック構成図。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードとコントローラノードとの接続例１を示す模式的ブロック構成図。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードとコントローラノードとの接続例２を示す模式的ブロック構成図。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードとコントローラノードとの接続例３を示す模式的ブロック構成図。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードとコントローラノードの処理手順例１を示す模式的フローチャート。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードとコントローラノードの処理手順例２を示す模式的フローチャート。実施の形態に係るセンサネットワークシステムを適用可能な踏切監視システムを例示する模式的概念構成図。図１２に例示したセンサネットワークシステムで感知した音量データ例の模式図であって、（ａ）原信号の時系列データ例、（ｂ）図１３（ａ）の原信号を信号処理して状態量に変換したデータ例。図１２に例示したセンサネットワークシステムで感知した照度データ例の模式図であって、（ａ）原信号の時系列データ例、（ｂ）図１４（ａ）の原信号を信号処理して状態量に変換したデータ例。図１２に例示したセンサネットワークシステムで感知した角度データ例と加速度データ例の模式図であって、（ａ）角度データの原信号の時系列データ例、（ｂ）加速度データの原信号の時系列データ例、（ｃ）図１５（ａ）および（ｂ）の原信号を信号処理して状態量に変換したデータ例。図１３〜図１５にそれぞれ例示した状態量に変換したデータを重ねて表示した例を示す模式図。図１２に例示したセンサネットワークシステムで感知した各データを重ねて表示した例を示す模式図。図１２に例示したセンサネットワークシステムで感知したデータ例を示す模式図であって、（ａ）センサノードによって検知した時系列データ例、（ｂ）図１８（ａ）に例示した時系列データを抽象化したデータ例、（ｃ）予め保存しておいた初期／正常状態時の時系列ベクトル化データ例、（ｄ）図１８（ｂ）に例示した抽象化データを時系列ベクトル化したデータ例、（ｅ）図１８（ｃ）および図１８（ｄ）に例示した時系列ベクトル化データを基にセンサ対象の状態を判定するための判定波形の例。

次に、図面を参照して、実施の形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。ただし、図面は模式的なものであり、厚みと平面寸法との関係、各層の厚みの比率等は現実のものとは異なることに留意すべきである。したがって、具体的な厚みや寸法は以下の説明を参酌して判断すべきものである。又、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれていることはもちろんである。

又、以下に示す実施の形態は、技術的思想を具体化するための装置や方法を例示するものであって、この実施の形態は、構成部品の材質、形状、構造、配置等を下記のものに特定するものでない。この実施の形態は、特許請求の範囲において、種々の変更を加えることができる。

（比較例）
比較例におけるセンサネットワークシステムの模式的概念構成は、図１に例示するように表される。比較例におけるセンサネットワークシステムは、図１に例示するように、センサ対象２と、センサ対象２に設置され、例えば、音、照度、角度、加速度、磁気、ジャイロ、温度、湿度、圧力、振動、衝撃、赤外線、運動、ガス、臭いなどのセンサエレメントを備える複数のセンサノードＳＮ（ＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎ）とを備え、インターネットなどの遠距離用のネットワーク３００を介してクラウドコンピューティングシステム８０に接続可能である。複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎ）とネットワーク３００を介するクラウドコンピューティングシステム８０との接続には、有線通信と無線通信とのいずれか一方若しくは両方を適用可能である。

クラウドコンピューティングシステム８０は、センサ対象２に設置された複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎからそれぞれ個別に定期的あるいは不定期的に伝送されるセンサ情報（検知データ）をデータサーバ（図示せず）内に蓄積し、データサーバ内に蓄積されたセンサ情報を演算部（図示せず）において人工知能や遺伝的アルゴリズムにしたがって分析・判定する。

このように、比較例におけるセンサネットワークシステムにおいては、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎからそれぞれ個別に伝送されるセンサ情報を一括して蓄積するので、データサーバ側に大容量の記憶領域が必要となり、さらに、記憶領域内に蓄積されたセンサ情報を人工知能や遺伝的アルゴリズムにしたがって分析・判定するので、大量の演算が必要になり、ＣＰＵの負荷や処理時間が増大する。

（実施形態に係るセンサネットワークシステム）
実施形態に係るセンサネットワークシステムの模式的概念構成は、図２に例示するように表される。実施形態に係るセンサネットワークシステムは、図５に例示するように、センサ対象２から情報を検知するセンサ部１１と、検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、数値化したデータを、状態量を表す抽象化データに演算する演算部１２と、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信する内部通信部１３とを備える複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎと、図６に例示するように、センサ対象２の初期状態時あるいは正常状態時のベクトルデータを予め保存するためのメモリ部２４と、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎから個別に送信される抽象化した抽象化データを、ネットワーク２００を介して受信する内部通信部２１と、受信した抽象化データをベクトルデータ化し、変換後のベクトルデータを、メモリ部２４に保存された初期状態時あるいは正常状態時のベクトルデータと比較／演算することでセンサ対象２の状態を判定する演算部２２とを備えるコントローラノードＣＮとを備える。

より具体的には、センサ対象２と、センサ対象２に設置されるとともに、例えば、音、照度、角度、加速度、磁気、ジャイロ、温度、湿度、圧力、振動、衝撃、赤外線、運動、ガス、臭いなどのセンサエレメントを備える複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎと、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）Ｓｍａｒｔ（登録商標）、Ｗｉ−Ｆｉ（登録商標）、特定小電力近距離無線通信（Ｗｉ−ＳＵＮ：登録商標）などの比較的近距離用のネットワーク２００を介して複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎからそれぞれ個別に定期的あるいは不定期的に伝送されるセンサ情報を収集するコントローラノードＣＮとを備える。複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎとネットワーク２００を介するコントローラノードＣＮとの接続には、通常無線通信が使用されるが、有線通信も適用可能である。すなわち、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎとネットワーク２００を介するコントローラノードＣＮとの接続の少なくとも一部を有線通信にしてもよい。

Ｗｉ−ＳＵＮは、例えば家庭内やオフィスビルなどの商業施設内への導入が可能である。Ｗｉ−ＳＵＮは、サブギガヘルツ帯と呼ばれる９２０ＭＨｚ前後の周波数の電波で通信する無線通信技術であり、一般家庭用としては、家庭用エネルギー管理システム（ＨＥＭＳ：Home Energy Management System）と家電製品などとを連携させたＨＥＭＳネットワークとしてのＨＡＮ（Home Area Network）へ適用可能である。商業施設においては、ビル用エネルギー管理システム（ＢＥＭＳ：Building Energy Management System）と設備機器などとを連携させたＢＥＭＳネットワークに適用可能である。

一方、実施形態に係るセンサネットワークシステムには、自己発電型と称する電池レス無線技術を採用したワイヤレスセンサシステムも適用可能である。ＥｎＯｃｅａｎ（登録商標）は、電磁誘導や太陽光などの自然エネルギーを電気エネルギーに変えることによって電力を得る、いわゆるエネルギーハーベスティング（環境発電）を用いた技術であり、電源なしで無線通信を行うことを可能にする。

センサ対象２は、例えば、対人通知信号機と灯火のうちのいずれか一方若しくは両方である。ここで、対人通知信号機は、踏切・鉄道信号（鉄道用信号機、遮断機など）、道路信号（信号機など）、航空信号（航空障害灯、飛行場灯火など）、航路信号（灯浮標、標識灯（航路標識）など）を含む。また、灯火は、常備灯、避難誘導灯、非常灯、街路灯などを含む。

対人通知信号機や灯火が配置されるのは、例えば、鉄道、道路、空港、港湾、橋梁、ビルディング等の建造物等である。さらに、対人通知信号機や灯火が配置された建造物等に限定されず、大気汚染、森林火災、ワイン醸造品質管理、野外で遊ぶ児童達のケア、スポーツをする人達のケア、スマートフォンの検知、原子力発電所や防衛施設などへの周辺アクセス制御、原子力発電所の放射能レベル検知、電磁界強度レベル制御、交通渋滞などの交通混雑状況の把握、スマート道路、スマート照明、高機能ショッピング、ノイズ環境マップ、船舶の高効率シップメント、水質管理、ごみ処理管理、スマートパーキング、ゴルフコース管理、水漏れ・ガスもれ管理、自動運転管理、都市部における効率的なインフラ配置および管理、および農場など様々な分野を対象とすることができる。

各センサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎおよびコントローラノードＣＮは、電池（例えば、ｐｎ接合型太陽電池、色素増感太陽電池、有機薄膜太陽電池、化合物系太陽電池、電気二重層コンデンサ、リチウムイオン電池、など）、環境発電装置などの電源手段をそれぞれ備えることで、電力線等を介して外部から各センサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎおよびコントローラノードＣＮに電力を供給する必要がなく、それぞれを自律的に運用することができる。したがって、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎおよびコントローラノードＣＮによる自律分散型のセンサネットワークシステムを構築することができる。

各センサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎは、後述するように（図１０を参照）、センサ対象２から情報を検知し（検知処理：Ｓ１０１）、検知したセンサ情報の一部若しくは全部について少なくとも１データを（例えば時系列に）必要に応じてフィルタリングしデジタル数値化して（Ａ／Ｄ変換：Ｓ１０２）、数値化されたデータを例えば状態量を表す抽象化データに演算し（信号処理１：Ｓ１０３）、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信する（内部通信：Ｓ１０４）。

それに対して、コントローラノードＣＮは、後述するように（図１０を参照）、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎから個別に送信される抽象化データを受信し（内部通信：Ｓ２０１）、受信した抽象化データを集約するとともに（集約処理：Ｓ２０２）、受信した抽象化データを（例えば時系列の）ベクトルデータ化するために変換し（信号処理２：Ｓ２０３）、変換後のベクトルデータを偏差ベクトルのノルムの累計、内積などを用いて比較／演算することでセンサ対象２の状態を判定し（ベクトル判定：Ｓ２０４）、判定したセンサ対象２の状態を、所定の通報先９０Ａにネットワーク３００を介して通知する、あるいは所定の通報先９０Ｂに直接通知する（外部通信：Ｓ２０５）。なお、ベクトル判定（Ｓ２０４）は、動作初期時、再起動時、定期更新などのタイミングで予めコントローラノードＣＮに保存しておいたセンサ対象２の初期状態時あるいは正常状態時のベクトルデータと、信号処理２（Ｓ２０３）において変換されたベクトルデータとを比較して演算することにより行われる。ここで、初期状態時あるいは正常状態時のベクトルデータは、例えば、数回（例えば５回程度）のサンプリングの平均値を用いてもよい。

また、コントローラノードＣＮは、不図示のクラウドコンピューティングシステム８０にも接続可能であり、センサ対象２の初期状態時あるいは正常状態時のベクトルデータや、判定したセンサ対象２の状態を示すデータなどを、クラウドコンピューティングシステム８０にアップロードしたり、クラウドコンピューティングシステム８０からダウンロードしたりすることもできる。

なお、詳細は後述するが、信号処理１（Ｓ１０３）は、各センサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎが実行する代わりに、コントローラノードＣＮが実行するように構成することもできる。

また、検知したセンサ情報の種類毎にベクトルデータを生成してもよい。

実施形態に係るセンサネットワークシステムにおいては、複数のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎを用いて収集した時系列データを例えば状態量を表すデータに抽象化して、さらに例えば時系列のベクトルデータに変換する。変換処理方法としては、信号の規格化、関数変換、短時間のピークホールド／メジアンフィルタ、周波数領域での差分処理若しくはそのＲＭＳなどによる数値化や量子化、条件分けによる分岐や事前の値による状況判定処理などが挙げられる。

また、各センサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎを用いて収集したデータを抽象化することで、データ量を削減することができる。

このベクトルデータを動作初期時、再起動時、定期更新などのタイミングで、初期状態時あるいは正常状態時のベクトルデータとしてコントローラノードＣＮに保存しておき、必要に応じて、新たな出力系列（新たに検知して変換したベクトルデータ）と比較しながらリアルタイムに演算を行う。時系列データの先頭の値から現在の値までを比較する場合は、時系列挙動全体の判定（傾向判定）、現在値に近いデータのみの比較から、突発異常の検知が可能である。

また、複数の時系列ベクトルデータを作成することにより、様々な異常に対して反応しやすい時系列データを複数同時に検証することができる。ベクトルデータの比較方法としては、偏差ベクトルのノルムの累計、内積などを用いることができ、それによる計算量は、遺伝的アルゴリズムや人工知能による演算量に比べて圧倒的に少ない。

このように、スマートセンサやセンサフュージョンなどの複数センサをもつセンサノードＳＮを有する実施形態に係るセンサネットワークシステムにおいて、計算量の少ないアルゴリズムで、時系列の事象に対して、容易且つ高精度に異常判定できることから、シーケンサなどによる機器の動きなどを監視することに適したセンサネットワークシステムを実現することができる。

したがって、センサノードＳＮ群を制御するコントローラノードＣＮに実装されたＣＰＵやＭＰＵなどにより判定を行うことができるため、自律型のセンサネットワークシステム（例えば異常判定システム）の構築が容易となる。

また、パソコンやスマートフォン、クラウドコンピューティングシステム８０など上位に接続するセンサネットワークシステムの場合は、１次の異常判定をセンサネットワークシステム内のコントローラノードＣＮなどで実施することができるため、異常発生時や定期的若しくは任意の診断時など、通常時のデータ伝送を避け、必要な場合のみに生データをクラウドコンピューティングシステム８０などの上位にアップロードすればよく、通常の通信負荷や上位側の演算負荷、データ容量などを低減することができる。

（変形例１）
実施形態に係るセンサネットワークシステムの変形例１の模式的概念構成は、図３に例示するように表される。

実施形態に係る変形例１のセンサネットワークシステムにおいては、複数種類のセンサノードＳＮ１・ＳＮ２・ＳＮ３・ＳＮ４・ＳＮ５・ＳＮ６・ＳＮ７・…・ＳＮｎ−１・ＳＮｎがセンサ対象２に設置される。

より具体的には、第１の種類のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎと、第２の種類のセンサノードＳＮ４・ＳＮ６と、第３の種類のセンサノードＳＮ５・ＳＮ７とセンサ対象２に設置される。例えば、第１の種類のセンサノードＳＮ１・ＳＮ２・ＳＮ３・…・ＳＮｎ−１・ＳＮｎは、音量を検知する音センサ（例えばＳｉマイクロホン）であり、第２の種類のセンサノードＳＮ４・ＳＮ６は、照度を検知する光（フォト）センサであり、第３の種類のセンサノードＳＮ５・ＳＮ７は、物体の加速度を検知する加速度センサである。

なお、センサノードＳＮの種類は、３種類に限らず、２種類であってもよいし、４種類以上であってもよい。また、種類毎に複数個のセンサノードＳＮが設置されてもよいし、単数のセンサノードＳＮが設置されてもよい。

上記以外の各部の構成は、図２に例示した実施形態に係るセンサネットワークシステムの各部の構成と同様である。

（変形例２）
実施形態に係るセンサネットワークシステムの変形例２の模式的概念構成は、図４に例示するように表される。

実施形態に係る変形例２のセンサネットワークシステムにおいては、複数のセンサノードＳＮ１・ＳＮ４が集積化センサノードＩＳＮ１に集積化されており、複数のセンサノードＳＮ３・ＳＮ５・ＳＮ６が集積化センサノードＩＳＮ２に集積化されている。

例えば、集積化センサノードＩＳＮ１に集積化されているのは、第１の種類（例えば音センサ）のセンサノードＳＮ１と、第２の種類（例えば光センサ）のセンサノードＳＮ４とであり、集積化センサノードＩＳＮ２に集積化されているのは、第１の種類（例えば音センサ）のセンサノードＳＮ３と、第２の種類（例えば光センサ）のセンサノードＳＮ６と、第３の種類（例えば加速度センサ）のセンサノードＳＮ５とである。

なお、集積化されるセンサノードＳＮの種類の数は、２種類や３種類に限らず、４種類以上であってもよいし、１種類の複数個のセンサノードＳＮが集積化されてもよい。また、種類毎に複数個のセンサノードＳＮが集積化されてもよい。

なお、変形例１，２に例示したように、複数種類のセンサノードＳＮを用いて複数種類の検知データを取得し、それらの検知データを組み合わせて、センサ対象２の状態を判定に用いることで、判定の精度を向上させることができる。

（センサノード）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮの模式的ブロック構成は、図５に例示するように表される。実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮは、図５に例示するように、センサ対象２から情報を検知するセンサ部１１と、検知したセンサ情報の一部若しくは全部について少なくとも１データを例えば時系列に数値化して、数値化したデータを例えば状態量を表す抽象化データに演算する演算部１２と、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信する内部通信部１３と、検知したセンサ情報等を記憶するメモリ部１４と、センサノードＳＮ内に電力を供給する電源部１５とを備える。

センサ部１１は、対人通知信号機や灯火などのセンサ対象２から情報を検知するセンサエレメントであり、例えば、音、照度、角度、加速度、磁気、ジャイロ、温度、湿度、圧力、振動、衝撃、赤外線、運動、ガス、臭いなどのセンサエレメントである。センサ部１１は、音、照度、角度、加速度、磁気、ジャイロ、温度、湿度、圧力、振動、衝撃、赤外線、運動、ガス、臭いなどのうち、複数個若しくは複数種類のセンサエレメント、又は複数個で且つ複数種類のセンサエレメントであってもよい。また、抽象化データは、後述するように、検知現象毎に複数種類生成されてもよい。

演算部１２は、センサ部１１が検知したセンサ情報を数値化して、数値化したデータを、状態量を表す抽象化データに演算する演算ユニット（中央演算制御装置｛ＣＰＵ｝や超小型演算処理装置｛ＭＰＵ｝など）である。

メモリ部１４は、検知したセンサ情報等を記憶するための記憶手段である。メモリ部１４には、ＲＯＭ／ＲＡＭ、フラッシュメモリ、磁気記憶装置（ハードディスクドライブ、フロッピー（登録商標）ディスクなど）、光記憶装置、光磁気記憶装置、不揮発性ロジックなどのストレージ装置を用いることができる。

内部通信部１３は、コントローラノードＣＮとの通信手段であり、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信するための通信手段である。ネットワーク２００としては、例えば、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）Ｓｍａｒｔ（登録商標）、Ｗｉ−ＳＵＮ（登録商標）などの比較的近距離用の無線ネットワーク手段が用いられるが、有線ネットワーク手段を採用してもよい。

電源部１５は、電池（例えば、ｐｎ接合型太陽電池、色素増感太陽電池、有機薄膜太陽電池、化合物系太陽電池、電気二重層コンデンサ、リチウムイオン電池、など）、環境発電装置などのいずれか１つ若しくは複数種類の電源手段である。電源部１５を備えることで、電力線等を介して外部から各センサノードＳＮに電力を供給する必要がなく、各センサノードＳＮを自律的に運用することができる。

（コントローラノード）
実施の形態に係るセンサネットワークシステムに適用可能なコントローラノードＣＮの模式的ブロック構成は、図６に例示するように表される。実施の形態に係るセンサネットワークシステムに適用可能なコントローラノードＣＮは、図６に例示するように、センサ対象２の初期状態時あるいは正常状態時のベクトルデータを動作初期時、再起動時、定期更新などのタイミングで予め保存するためのメモリ部２４と、複数のセンサノードＳＮから個別に送信される、センサ対象２の検知データを抽象化した抽象化データを、ネットワーク２００を介して受信する内部通信部２１と、受信した抽象化データ少なくとも１データを（例えば時系列の）ベクトルデータ化し、変換後のベクトルデータを、偏差ベクトルのノルムの累計、内積などを用いて、メモリ部２４に保存された初期状態時あるいは正常状態時のベクトルデータと比較／演算することでセンサ対象２の状態を判定する演算部２２と、演算部２２によって判定されたセンサ対象２の状態を、所定の通報先９０Ａにネットワーク３００を介して通知する、あるいは所定の通報先９０Ｂに直接通知する外部通信部２３と、コントローラノードＣＮ内に電力を供給する電源部２５とを備える。なお、内部通信部２１は、センサ対象２の抽象化前の検知データを複数のセンサノードＳＮの少なくとも１つから受信し、演算部２２は、受信した検知データを、状態量を表す抽象化データに演算するように構成されても良い。

内部通信部２１は、センサノードＳＮとの通信手段であり、複数のセンサノードＳＮから個別に送信される抽象化データを、ネットワーク２００を介して受信する。ネットワーク２００としては、例えば、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）Ｓｍａｒｔ（登録商標）、Ｗｉ−ＳＵＮ（登録商標）などの比較的近距離用の無線ネットワーク手段が用いられるが、有線ネットワーク手段を採用してもよい。

演算部２２は、受信した抽象化データを例えば時系列のベクトルデータ化し、変換後のベクトルデータを偏差ベクトルのノルムの累計、内積などを用いて比較／演算することでセンサ対象２の状態を判定する演算ユニット（中央演算制御装置｛ＣＰＵ｝や超小型演算処理装置｛ＭＰＵ｝など）である。また、このベクトルデータは、各センサノードＳＮによる検知現象毎に複数種類生成されてもよい。

外部通信部２３は、演算部２２によって判定されたセンサ対象２の状態を、所定の通報先９０Ａにネットワーク３００を介して通知する、あるいは所定の通報先９０Ｂに直接通知するための通信手段である。ネットワーク３００としては、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ−Ｆｉ（登録商標）、インターネットなどの遠距離用のネットワーク手段を採用してもよい。

メモリ部２４は、センサ対象２の初期状態時あるいは正常状態時のベクトルデータを動作初期時、再起動時、定期更新などのタイミングで予め保存するための記憶手段である。メモリ部２４には、ＲＯＭ／ＲＡＭ、フラッシュメモリ、磁気記憶装置（ハードディスクドライブ、フロッピー（登録商標）ディスクなど）、光記憶装置、光磁気記憶装置、不揮発性ロジックなどのストレージ装置を用いることができる。

電源部２５は、電池（例えば、ｐｎ接合型太陽電池、色素増感太陽電池、有機薄膜太陽電池、化合物系太陽電池、電気二重層コンデンサ、リチウムイオン電池、など）、環境発電装置などの電源手段である。電源部２５を備えることで、電力線等を介して外部からコントローラノードＣＮに電力を供給する必要がなく、各センサノードＳＮを自律的に運用することができる。無線給電や配線による給電を行ってもよい。

（センサノードとコントローラノードとの接続例１）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮとコントローラノードＣＮとの接続例１の模式的ブロック構成は、図７に例示するように表される。図７に示す接続例１では、複数個（あるいは複数種類）のセンサノードＳＮ１・…・ＳＮｎをコントローラノードＣＮに接続させた例を示している。この場合、各センサノードＳＮ１・…・ＳＮｎの内部通信部１３が、コントローラノードＣＮの内部通信部２１にそれぞれ接続される。

なお、図７において、各ブロックを結ぶ細線は、制御の流れを例示し、各ブロックを結ぶ太線は、データの流れを例示する。

（センサノードとコントローラノードとの接続例２）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮとコントローラノードＣＮとの接続例２の模式的ブロック構成は、図８に例示するように表される。図８に示す接続例２では、複数個（あるいは複数種類）のセンサノードＳＮ１およびＳＮ４を集積化した集積化センサノードＩＳＮ１を、コントローラノードＣＮに接続させた例を示している。この場合、集積化センサノードＩＳＮ１内の各センサノードＳＮ１・…・ＳＮｎの内部通信部１３が、コントローラノードＣＮの内部通信部２１にそれぞれ接続される。

なお、図８において、各ブロックを結ぶ細線は、制御の流れを例示し、各ブロックを結ぶ太線は、データの流れを例示する。

（センサノードとコントローラノードとの接続例３）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮとコントローラノードＣＮとの接続例３の模式的ブロック構成は、図９に例示するように表される。図９に示す接続例３では、複数個（あるいは複数種類）のセンサノードＳＮのセンサ部１１Ａ、１１Ｂ，１１Ｃを集積化センサノードＩＳＮ２に集積化しているが、センサ部１１以外の演算部１２、内部通信部１３、メモリ部１４、および電源部１５については、集積化センサノードＩＳＮ２内部で共用化しており、集積化センサノードＩＳＮ２内の内部通信部１３が、コントローラノードＣＮの内部通信部２１に接続される。

なお、図９において、各ブロックを結ぶ細線は、制御の流れを例示し、各ブロックを結ぶ太線は、データの流れを例示する。

（センサノードとコントローラノードの処理手順例１）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮとコントローラノードＣＮの処理手順例１は、図１０に例示するように表される。

図１０に例示するように、複数のセンサノードＳＮ１・…・ＳＮｎは、センサ対象２から情報を検知し（検知処理：Ｓ１０１）、検知したセンサ情報を例えば時系列に必要に応じてフィルタリングしデジタル数値化して（Ａ／Ｄ変換：Ｓ１０２）、数値化されたデータを例えば状態量を表す抽象化データに演算し（信号処理１：Ｓ１０３）、抽象化データを、ネットワーク２００を介してコントローラノードＣＮに送信する（内部通信：Ｓ１０４）。

それに対して、コントローラノードＣＮは、複数のセンサノードＳＮ１・…・ＳＮｎから個別に送信される抽象化データを受信し（内部通信：Ｓ２０１）、受信した抽象化データを集約するとともに（集約処理：Ｓ２０２）、受信した抽象化データを例えば時系列のベクトルデータ化するために変換し（信号処理２：Ｓ２０３）、変換後のベクトルデータを偏差ベクトルのノルムの累計、内積などを用いて比較／演算することでセンサ対象２の状態を判定し（ベクトル判定：Ｓ２０４）、判定したセンサ対象２の状態を、所定の通報先９０Ａにネットワーク３００を介して通知する、あるいは所定の通報先９０Ｂに直接通知する（外部通信：Ｓ２０５）。なお、ベクトル判定（Ｓ２０４）は、動作初期時、再起動時、定期更新などのタイミングで予めコントローラノードＣＮに保存しておいたセンサ対象２の初期状態時あるいは正常状態時のベクトルデータと、信号処理２（Ｓ２０３）において変換されたベクトルデータとを比較して演算することにより行われる。

（センサノードとコントローラノードの処理手順例２）
実施の形態に係るセンサネットワークシステムに適用可能なセンサノードＳＮとコントローラノードＣＮの処理手順例２は、図１１に例示するように表される。図１１に例示する処理手順例２においては、必要に応じてフィルタリングしＡ／Ｄ変換（Ｓ１０２）において数値化されたデータを、状態量を表すデータに抽象化する信号処理１（Ｓ１０３）を、各センサノードＳＮ１・…・ＳＮｎの演算部１２が実行する代わりに、コントローラノードＣＮの演算部２２が実行するようにした点で、図１０に例示した処理手順例１と相違する。

図１１に例示した処理手順例２によれば、各センサノードＳＮ１・…・ＳＮｎの演算部２２の負荷を軽減することができる。

（応用例：踏切監視システム）
実施の形態に係るセンサネットワークシステムを適用可能な踏切監視システムの模式的概念構成は、図１２に例示するように表される。

図１２に例示するように、踏切監視システムは、センサ対象２である踏切設備として、踏切警報機３０と、遮断機４０と、線路（レール）４２とを備える。踏切警報機３０は、警報音発生器（スピーカ）３１と、警報灯３２と、方向表示器３３とを備え、遮断機４０は、遮断桿４１を備える。

スピーカ３１には、スピーカ３１から発せられる警報音（音量）を検知する音センサ（例えばＳｉマイクロホン）を備えたセンサノードＳＮ１１が設置される。また、警報灯３２には、警報灯３２から発せられる赤色灯火の照度を検知するフォトセンサを備えたセンサノードＳＮ１２が設置され、方向表示器３３にも、接近する列車の進行方向を表示する矢印光の照度を検知するフォトセンサを備えたセンサノードＳＮ１３が設置される。

また、遮断桿４１には、列車接近時に道路を遮断するための遮断桿４１の３軸加速度を検知する加速度センサを備えたセンサノードＳＮ１４と遮断桿４１の３軸角度を検知する角度センサを備えたセンサノードＳＮ１５、磁場変動により車体や車両を検知するセンサノードＳＮ１６とが集積化された集積化センサノードＩＳＮ３が設置される。

さらに、線路４２のレール間には、線路４２を通過する車両（図示せず）と車体や車両による磁場の歪を検知する磁気センサを備えたセンサノードＳＮ１７が設置される。同様に、例えば上下線などの複線の場合、別の線路４２（図示せず）のレール間には、磁気センサを備えたセンサノードＳＮ１８が設置される。

図１２に例示した踏切監視システムのセンサ対象２の各部に設置するセンサノードＳＮは、センサ対象２の各部の近傍、センサ対象２の各部の内部、若しくはセンサ対象２の各部の外部に適宜設置することができる。例えば、警報灯３２に設置されるセンサノードＳＮ１２は、警報灯３２のセードやカバーの内側など、警報灯３２の筐体内部に設置してもよい。

実施の形態に係るセンサネットワークシステムを適用した踏切監視システムのセンサ対象２の各部に設置されるセンサノードＳＮと、各センサノードＳＮによる検知事象の一例を表１に示す。各センサノードＳＮ１１・…・ＳＮ１８のセンサ素子（センサ部１１）は、複数の物理量を計測できるものを１つのノードに同梱（集積化）してもよい。例えば、前述の遮断桿４１の例では、３軸加速度と３軸角度とを組み合わせて集積化した集積化センサノードＩＳＮ３が遮断桿４１に設置される。

センサノード群（センサノードＳＮ１１・…・ＳＮ１８）によって取得されたデータは、ネットワーク２００（直接無線通信、ホッピング通信、有線など）を介してコントローラノードＣＮに送信されてコントローラノードＣＮ内に集約・保存される。

コントローラノードＣＮに送られる各信号は、平滑化処理（短時間のピークホールド／メジアンフィルタ）されて、例えば警報灯３２の場合は点滅信号の点滅によらない持続信号（状態量）に変換される。さらに、点滅信号は、必要に応じてＯｎ／Ｏｆｆの持続時間観測やピッチ検知（例えば０．５秒）などによって検証されてもよい。なお、平滑処理は、上述したように、コントローラノードＣＮに送られる前に各センサノードＳＮ１１・…・ＳＮ１８内で実行してもよいし、あるいはコントローラノードＣＮに送られた後にコントローラノードＣＮ内で実行してもよい。

図１２に例示した踏切監視システムに適用したセンサネットワークシステムで感知した音量データの原信号の時系列データ例は、図１３（ａ）に示すように模式的に表され、図１３（ａ）の原信号を信号処理して状態量に変換したデータ例は、図１３（ｂ）に示すように模式的に表される。また、図１２に例示した踏切監視システムに適用したセンサネットワークシステムで感知した照度データの原信号の時系列データ例は、図１４（ａ）に示すように模式的に表され、図１４（ａ）の原信号を信号処理して状態量に変換したデータ例は、図１４（ｂ）に示すように模式的に表される。また、図１２に例示した踏切監視システムに適用したセンサネットワークシステムで感知した角度データの原信号の時系列データ例は、図１５（ａ）に示すように模式的に表され、加速度データの原信号の時系列データ例は、図１５（ｂ）に示すように模式的に表され、図１５（ａ）および（ｂ）の原信号を信号処理して状態量に変換したデータ例は、図１５（ｃ）に示すように模式的に表される。また、図１３〜図１５にそれぞれ例示した状態量に変換したデータを重ねて表示した例は、図１６に示すように模式的に表される。図１６において、平滑化波形ＳＶ１は、図１３（ｂ）に例示した音量データの変換信号、平滑化波形ＳＶ２は、図１４（ｂ）に例示した照度データの変換信号、平滑化波形ＳＶ３は、図１５（ｃ）に例示した遮断桿の状態の変換信号にそれぞれ対応する。

また、図１２に例示した踏切監視システムに適用したセンサネットワークシステムで感知した各データを抽象化して重ねて表示した例は、図１７に示すように模式的に表される。

図１７に例示するように、時刻Ｔ１において、警報灯３２の点滅開始と方向表示器３３の点灯開始がセンサノードＳＮ１２・ＳＮ１３によってそれぞれ検知され始める（平滑化波形ＳＶ１１）。その後、時刻Ｔ２において、警報音発生器３１から警報音の出力開始がセンサノードＳＮ１１によって検知され始める（平滑化波形ＳＶ１２）。

さらに、時刻Ｔ３において遮断桿４１の閉動作の開始が集積化センサノードＩＳＮ３によって検知され（平滑化波形ＳＶ１３−１）、時刻Ｔ４において遮断桿４１の閉動作の停止（遮断桿４１が閉じられた状態）が集積化センサノードＩＳＮ３によって検知される（平滑化波形ＳＶ１３−２）までの間（期間Ｐ１）遮断桿４１の閉動作が検知され続ける。

時刻Ｔ４において遮断桿４１が完全に閉じられた後、時刻Ｔ５において、列車が進入可能であることを列車の運転士などに示す踏切非常警報灯（図示せず）の発光開始が不図示のフォトセンサノードによって検知され始める（平滑化波形ＳＶ１４）。

その後、時刻Ｔ６において列車の接近・通過がセンサノードＳＮ１７・ＳＮ１８のいずれか若しくは両方によって検知され始め、時刻Ｔ７において列車が通過し終わるのをセンサノードＳＮ１７・ＳＮ１８のいずれか若しくは両方によって検知されるまで、列車が通過している状態が検知され続ける（平滑化波形ＳＶ１５）。

時刻Ｔ７において列車が通過し終わった後、時刻Ｔ８において遮断桿４１の開動作の開始が集積化センサノードＩＳＮ３によって検知され（平滑化波形ＳＶ１３−３）、時刻Ｔ９において遮断桿４１の開動作の停止（遮断桿４１が開かれた状態）が集積化センサノードＩＳＮ３によって検知される（平滑化波形ＳＶ１３−４）までの間（期間Ｐ２）遮断桿４１の開動作が検知され続ける。なお、Ｔ６からＴ７の区間は踏切の動作との時間ずれが起こりうるため、判定ベクトルを分離して扱ったり、Ｔ６やＴ７の検知で時間軸をドリフトさせたりするなどの手法を用いる。

時刻Ｔ９において遮断桿４１が完全に開かれた後、時刻Ｔ１０において、踏切非常警報灯の発光停止が不図示のフォトセンサノードによって検知される（平滑化波形ＳＶ１４）。

その後、時刻Ｔ１１において、警報音発生器３１から警報音の出力停止がセンサノードＳＮ１１によって検知される（平滑化波形ＳＶ１２）。さらに時刻Ｔ１２において、警報灯３２の点滅停止と方向表示器３３の点灯停止がセンサノードＳＮ１２・ＳＮ１３によってそれぞれ検知される（平滑化波形ＳＶ１１）。

ここで、図１２に例示したセンサネットワークシステムの一部のセンサノードＳＮ１１によって検知した部分的な時系列データ例は、図１８（ａ）に示すように模式的に表され、図１８（ａ）に例示した時系列データを抽象化したデータ例は、図１８（ｂ）に示すように模式的に表され、予め保存しておいた初期／正常状態時の時系列ベクトル化データ例は、図１８（ｃ）に示すように模式的に表され、図１８（ｂ）に例示した抽象化データを時系列ベクトル化したデータ例は、図１８（ｄ）に示すように模式的に表され、図１８（ｃ）および図１８（ｄ）に例示した時系列ベクトル化データを基にセンサ対象の状態を判定するための判定波形の例は、図１８（ｅ）に示すように模式的に表される。

コントローラノードＣＮの演算部２２は、図１３〜図１７、および図１８（ｂ）に例示したような時系列に抽象化された各データを経過時間毎にベクトル化し（図１８（ｄ））、予めメモリ部２４に保存しておいたセンサ対象２の初期／正常状態時のベクトルデータ（図１８（ｃ））と経過時間毎にベクトル比較して、例えば残差を累積し、その推移をモニタすることで、センサ対象２の状態（図１８（ｅ））を判定することができる。

例えば、図１８（ａ）は、センサノードＳＮ１１によって検知される警報音発生器３１からの警報音の発生波形を例示しており、この波形を信号処理（図１８（ｂ）の例ではピークホールドと量子化）によって状態量に変換（平滑化）した波形が図１８（ｂ）の変換信号（鳴動）に対応する。同様にして、センサノードＳＮ１２／ＳＮ１３によって検知された閃光灯の発生波形や集積化センサノードＩＳＮ３によって検知された遮断桿４１の発生波形をそれぞれ抽象化した波形が、図１８（ｂ）の変換信号（閃光灯）や変換信号（遮断棹）にそれぞれ対応する。

また、図１８（ｃ）に例示した初期／正常状態時の時系列ベクトル化データ（鳴動）と、図１８（ｄ）に例示した抽象化を時系列ベクトル化したデータ（鳴動）とを経過時間毎に比較（ベクトル判定）した結果が図１８（ｅ）に例示した判定波形に対応する。

また、図１８（ｅ）において、判定波形ＤＷ２は、異常が発生し鳴動しなかった場合（予め保存しておいた初期／正常時のベクトル化データとの相違がある場合）に対応し、判定波形ＤＷ１は、正常に動作している場合（予め保存しておいた初期／正常時のベクトル化データに近い場合）に対応する。この例では、図１８（ｄ）の時刻Ｔ２１、Ｔ２２、Ｔ２３の鳴動データに異常（データの欠損）が発生しているので、判定波形ＤＷ１とＤＷ２との間には、図１８（ｅ）に例示するような差が生じる。

ここで、コントローラノードＣＮの演算部２２が実行するベクトル判定で用いる指標の例を、以下の（１）〜（５）に例示する。

（１）ユークリッド距離状

（２）２乗和状

（３）マンハッタン距離状

（４）チェビシェフ距離状

（５）内積

本実施形態のように、規則性の高い時系列パターンをもつ信号については、取り込んだ時系列パターンと初期／正常動作時のパターンと判定すればよいが、規則性の低い信号の場合は、正常時に取りうるベクトルを複数抽出（基準ベクトル群）し、最新のベクトルと基準ベクトル群全てとの間でベクトル比較を行い、最も近傍の基準ベクトルとの間で正常／異常判定を行えばよい。

本実施形態でのデータを用いて説明すると、基準ベクトル（点滅，鳴動，遮断桿）は、
b1.(0,0,0), b2.(8,8,0), b3.(8,8,5), b4.(8,8,8), b5.(8,7,8), b6.(0,0,6)
で与えられる。例えば、図１８（ｄ）に例示したように、警報音発生器３１（鳴動）の時刻Ｔ２１、Ｔ２２、Ｔ２３のデータに異常（例えば故障）がある場合、その信号のベクトルは、時系列順に
s1.(0,0,0), s2.(8,0,0), s3.(8,0,5), s4.(8,0,8), s5.(8,0,8), s6.(0,0,6), s7.(0,0,0)
と、推移していく。このことから、例えば重み付けなしのマンハッタン距離で判定する場合、s2からの基準ベクトルへの距離は、b1からb6に順番に8,8,13,16,15,14であり、この場合近傍のベクトルは、b1若しくはb2（本来の比較対象）であり、残渣は8となる。同様にs3からの距離は、13,13,8,11,10,9であり、b3が近傍であることが分かり、かつ残渣が８と大きいため正常からの乖離すなわち異常の判定ができる。

以上説明したように、本実施形態によれば、スマートセンサやセンサフュージョンなどの複数センサを有するセンサネットワークシステムにおいて、計算量の少ないアルゴリズムで、時系列の事象に対して容易で且つ高精度に異常判定を行うことができるセンサノード、コントローラノード、センサネットワークシステム、およびその動作方法を提供することができる。

[その他の実施の形態]
上記のように、実施の形態について記載したが、この開示の一部をなす論述および図面は例示的なものであり、限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例および運用技術が明らかとなろう。

このように、ここでは記載していない様々な実施の形態などを含む。

本実施の形態のセンサネットワークシステムは、橋梁、道路、鉄道、ビルディング等の各種建造物などにインフラストラクチャモニタリングに適用可能である。さらに、建造物に限定されるものではなく、大気汚染、森林火災、ワイン醸造品質管理、野外で遊ぶ児童達や介護者のケア、スポーツをする人達のケア、スマートフォンの検知、原子力発電所や防衛施設などへの周辺アクセス制御、原子力発電所の放射能レベル検知、電磁界強度レベル制御、交通渋滞などの交通混雑状況の把握、スマート道路、スマート照明、高機能ショッピング、ノイズ環境マップ、船舶の高効率シップメント、水質管理、ごみ処理管理、スマートパーキング、ゴルフコース管理、水漏れ・ガスもれ管理、自動運転管理、都市部における効率的なインフラ配置および管理、および農場など様々な分野に適用可能である。

また、本実施の形態のセンサネットワークシステムは、上記のような各種建造物などに設置される対人通知信号機や灯火などをセンサ対象とし、ここで、対人通知信号機は、踏切・鉄道信号（鉄道用信号機、遮断機など）、道路信号（信号機など）、航空信号（航空障害灯、飛行場灯火など）、航路信号（灯浮標、標識灯（航路標識）など）を含む。また、灯火は、常備灯、避難誘導灯、非常灯、街路灯などを含む。

２…センサ対象
１１、１１Ａ、１１Ｂ、１１Ｃ…センサ部
１２、２２…演算部
１３、２１…内部通信部
１４、２４…メモリ部
１５、２５…電源部
２３…外部通信部
３０…踏切警報機
３１…警報音発生器（スピーカ）
３２…警報灯
３３…方向表示器
４０…遮断機
４１…遮断桿
４２…線路（レール）
８０…クラウドコンピューティングシステム
９０Ａ、９０Ｂ…通報先
２００、３００…ネットワーク
ＣＮ…コントローラノード
ＤＷ１、ＤＷ２…判定波形
ＩＳＮ１、ＩＳＮ２、ＩＳＮ３…集積化センサノード
ＳＮ、ＳＮ１、ＳＮ２、ＳＮ３、ＳＮ４、ＳＮ５、ＳＮ６、ＳＮ７、ＳＮ１１、ＳＮ１２、ＳＮ１３、ＳＮ１４、ＳＮ１５、ＳＮ１６、ＳＮ１７、ＳＮ１８、ＳＮｎ−１、ＳＮｎ…センサノード
ＳＶ１、ＳＶ２、ＳＶ３、ＳＶ１１、ＳＶ１２、ＳＶ１３−１、ＳＶ１３−２、ＳＶ１３−３、ＳＶ１３−４、ＳＶ１４、ＳＶ１５…抽象化波形
Ｔ１、Ｔ２、Ｔ３、Ｔ４、Ｔ５、Ｔ６、Ｔ７、Ｔ８、Ｔ９、Ｔ１０、Ｔ１１、Ｔ１２、Ｔ２１、Ｔ２２、Ｔ２３…時刻

Claims

センサ対象から情報を検知するセンサ部と、
前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算する演算部と、
前記抽象化データを、ネットワークを介してコントローラノードに送信する内部通信部と
を備えることを特徴とするセンサノード。
前記センサ部は、複数個若しくは複数種類のセンサエレメント、又は複数個で且つ複数種類のセンサエレメントを備えることを特徴とする請求項１に記載のセンサノード。
前記センサエレメントは、音、照度、角度、加速度、磁気のうちのいずれか１つ以上のセンサエレメントであることを特徴とする請求項２に記載のセンサノード。
前記抽象化データは、検知現象毎に複数種類生成されることを特徴とする請求項１に記載のセンサノード。
前記演算部は、前記検知したセンサ情報の前記少なくとも１データを時系列に生成することを特徴とする請求項１に記載のセンサノード。
前記センサノード内に電力を供給する電源部をさらに備えることを特徴とする請求項１に記載のセンサノード。
前記電源部は、電池と発電装置のうちのいずれか一方若しくは両方を有する電源手段であることを特徴とする請求項６に記載のセンサノード。
前記ネットワークは、無線通信のネットワークであることを特徴とする請求項１に記載のセンサノード。
前記抽象化データに演算する処理は、平滑化処理を含むことを特徴とする請求項１に記載のセンサノード。
前記センサ対象は、対人通知信号機と灯火のうちのいずれか一方若しくは両方を含むことを特徴とする請求項１に記載のセンサノード。
センサ対象の初期状態時あるいは正常状態時のベクトルデータを予め保存するためのメモリ部と、
複数のセンサノードから個別に送信される、前記センサ対象の検知データを抽象化した抽象化データを、ネットワークを介して受信する内部通信部と、
受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、前記メモリ部に保存された前記初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定する演算部と
を備えることを特徴とするコントローラノード。
前記内部通信部は、前記センサ対象の抽象化前の検知データを前記複数のセンサノードの少なくとも１つから受信し、
前記演算部は、前記受信した検知データを、状態量を表す抽象化データに演算することを特徴とする請求項１１に記載のコントローラノード。
前記ベクトルデータは、前記センサノードによる検知現象毎に複数種類生成されることを特徴とする請求項１１に記載のコントローラノード。
前記演算部は、前記ベクトルデータの前記少なくとも１データを時系列に生成することを特徴とする請求項１１に記載のコントローラノード。
前記コントローラノード内に電力を供給する電源部をさらに備えることを特徴とする請求項１１に記載のコントローラノード。
前記電源部は、電池と発電装置のうちのいずれか一方若しくは両方を有する電源手段であることを特徴とする請求項１５に記載のコントローラノード。
前記ネットワークは、無線通信のネットワークであることを特徴とする請求項１１に記載のコントローラノード。
前記比較／演算は、偏差ベクトルのノルムの累計、内積のうちの少なくとも１つを含むことを特徴とする請求項１１に記載のコントローラノード。
前記センサ対象は、対人通知信号機と灯火のうちのいずれか一方若しくは両方を含むことを特徴とする請求項１１に記載のコントローラノード。
前記演算部によって判定された前記センサ対象の状態を、所定の通報先に通知する外部通信部をさらに備えることを特徴とする請求項１１に記載のコントローラノード。
センサ対象から情報を検知するセンサ部と、前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算する演算部と、前記抽象化データを、ネットワークを介してコントローラノードに送信する内部通信部とを備える複数のセンサノードと、
前記センサ対象の初期状態時あるいは正常状態時のベクトルデータを予め保存するためのメモリ部と、前記複数のセンサノードから個別に送信される前記抽象化した抽象化データを、前記ネットワークを介して受信する内部通信部と、受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、前記メモリ部に保存された前記初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定する演算部とを備えるコントローラノードと
を備えることを特徴とするセンサネットワークシステム。
前記ネットワークは、無線通信のネットワークであることを特徴とする請求項２１に記載のセンサネットワークシステム。
前記ベクトルデータは、前記センサノードによる検知現象毎に複数種類生成されることを特徴とする請求項２１に記載のセンサネットワークシステム。
前記センサエレメントは、音、照度、角度、加速度、磁気のうちのいずれか１つ以上のセンサエレメントであることを特徴とする請求項２１に記載のセンサネットワークシステム。
複数のセンサノードにおいて、センサ対象から情報を検知するステップと、
前記複数のセンサノードにおいて、前記検知したセンサ情報の一部若しくは全部について少なくとも１データを数値化し、前記数値化したデータを、状態量を表す抽象化データに演算するステップと、
前記複数のセンサノードにおいて、前記抽象化データを、ネットワークを介してコントローラノードに送信するステップと、
前記コントローラノードにおいて、前記複数のセンサノードから個別に送信される前記抽象化した抽象化データを、前記ネットワークを介して受信するステップと、
受信した前記抽象化データをベクトルデータ化し、変換後のベクトルデータを、メモリ部に予め保存された前記センサ対象の初期状態時あるいは正常状態時のベクトルデータと比較／演算することで前記センサ対象の状態を判定するステップと
を有することを特徴とするセンサネットワークシステムの動作方法。