JP2019032185A - センサ制御支援装置、センサ制御支援方法およびコンピュータプログラム - Google Patents

Abstract

【課題】監視対象に設けられた複数のセンサを制御することで、不要な消費電力を抑制するセンサ制御支援装置を提供する。【解決手段】センサ制御支援装置１０は、センサ選択部９と、センサ制御部１４とを備える。センサ選択部９は、監視対象に対する複数のセンサの計測データと、監視対象の状態を表す状態データとに基づいて、複数のセンサの中から監視対象の状態予測に使用するセンサを選択する。センサ制御部１４は、センサ選択部９の選択結果に基づいて、複数のセンサを制御する。【選択図】図３

Description

本発明の実施形態は、センサ制御支援装置、センサ制御支援方法およびコンピュータプログラムに関する。

近年、センサおよび通信技術の発達と共に、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）が爆発的に普及してきている。特に機器の状態監視・制御や異常検知等といった分類目的に応じて、複数のセンサから得た時系列の計測データを分類・活用する試みは多い。

このように取得される時系列の計測データは膨大であり、このような膨大なデータには、分類目的に対して情報重複が存在する場合がある。また、一部のセンサのデータのみで目的となる分類ができる場合に、それ以外のセンサのデータを収集することは、情報過多となる。また、そのようなセンサを稼働させることは、消費電力の増大になる。一方、分類目的に対して必要となるセンサは、監視対象システムの変更やセンサ構成の変更により、変わる可能性もある。

国際公開第２０１３／０６９５６８号 国際公開第２０１３／１８７２９５号

本発明の実施形態は、監視対象に対する複数のセンサの消費電力を抑制することを可能にする、センサ制御支援装置、センサ制御支援方法およびコンピュータプログラムを提供する。

本発明の実施形態としてのセンサ制御支援装置は、センサ選択部と、センサ制御部とを備える。前記センサ選択部は、監視対象に対する複数のセンサの計測データと、前記監視対象の状態を表す状態データとに基づいて、前記複数のセンサの中から前記監視対象の状態予測に使用するセンサを選択する。前記センサ制御部は、前記センサ選択部の選択結果に基づいて、前記複数のセンサを制御する。

第１の実施形態に係るシステムの全体構成図。 １つの監視対象に複数のセンサが取り付けられた例を示す図。 センサ制御支援装置の詳細構成を示すブロック図。 センサ１〜センサｎから取得したセンサデータを格納したセンサデータテーブルの例を示す図。 センサデータテーブルの他の例を示す図。 分類ラベルテーブルの例を示す図。 各センサのデータ間特徴量テーブルの例を示す図。 データ間特徴量テーブルの結合処理の例を示す図。 分類モデル構築処理の動作イメージを示す図。 出力情報の例を示す図。 第１の実施形態に係るセンサ制御支援装置の動作のフローチャート。 第２の実施形態に係るセンサ制御支援装置を示すブロック図。 第２の実施形態に係るセンサ制御支援装置の動作のフローチャート。 第３の実施形態に係るセンサ制御支援装置を示すブロック図。 第３の実施形態に係るスペックデータテーブルの例を示す図。 第４の実施形態に係るセンサ制御支援装置のハードウェア構成を示す図。

以下、図面を参照しながら、本発明の実施形態について説明する。

（第１の実施形態）
図１は、本実施形態に係るシステムの全体構成図を示す。本システムは、センサ制御支援装置１０と、ゲートウェイ装置２０と、入出力装置３０と、複数のセンサ１〜ｎとを備えている。以下、図１および図２を用いて、本システムの概要について説明する。

複数の監視対象１〜ｎ（ｎは少なくとも２以上）に対して、センサ１〜ｎが設置されている。ここでは、個々の監視対象に、１つのセンサが設置されている。ただし、図２（Ａ）のように、１つの監視対象に複数のセンサ１〜ｎが設置されてもよいし、図２（Ｂ）のように、監視対象ごとに設置されるセンサの個数が異なってもよい。

各センサは、初期状態として、第１〜第ｋの条件が成立した場合に計測データ（センサデータ）を検出し、送信するようになっている。第１〜第ｋの条件は、一例として、一定時間間隔（１０分、または１時間ごとなど）の第１〜第ｋの時点のタイミングの到来を定める。第１の時点が０時、第２の時点が１時、・・・・、第ｋの時点が２３時でもよい。この場合、各センサは、１時間ごとにセンサデータを検出して、送信する。ここではセンサ１〜ｎがセンサデータを検出および送信するタイミングは同じであるとするが、これに限定されない。

ゲートウェイ装置２０は、センサ１〜ｎで検出されたセンサデータを、有線または無線の通信を介して、受信する。ゲートウェイ装置２０は、受信したセンサデータを、センサ制御支援装置１０に送信する。ゲートウェイ装置２０は、受信したセンサデータを即時に、センサ制御支援装置１０に送信してもよいし、受信したセンサデータを一時的に蓄積し、一定の時間毎に、蓄積したセンサデータを送信してもよい。

また、ゲートウェイ装置２０は、制御信号により、センサ１〜ｎを制御可能に構成される。例えば、センサ１〜ｎのオン・オフを制御可能である。また、通常動作モードと低消費電力モードを切り替え制御してもよい。低消費電力モードの例として、センサから受信するセンサデータの頻度（受信するセンサデータの間隔等）を低減してもよい。

センサ制御支援装置１０は、ゲートウェイ装置２０から、センサ１〜ｎのセンサデータを受信する。これによりセンサ制御支援装置１０は、各センサのセンサデータを時系列に受信する。時系列に受信されるセンサデータの列を時系列データと呼ぶ。

また、センサ制御支援装置１０は、センサ１〜ｎでセンサデータが検出されたとき（すなわち、第１〜第ｋの条件が成立したとき）の監視対象の状態を表す状態データを取得する。状態データは、ゲートウェイ装置２０から受信してもよいし、入出力装置３０から取得してもよいし、あるいは図示しないサーバまたは記憶装置から受信してもよい。入出力装置３０は、ユーザ（設計者、現地作業員、保守員等）により操作される端末である。入出力装置３０は、入力されるデータまたは情報を表示する。また、入出力装置３０は、ユーザからの入力を受け付け、入力された指示またはデータを表す信号を、センサ制御支援装置１０に出力する。

状態データは、ユーザ（設計者、現地作業員、保守員等）が監視対象の状態を実際に確認して作成してもよいし、本装置または別のサーバ等の装置が、監視対象のログデータから作成してもよい。状態データは、一例として、監視対象の状態を表す分類ラベルを含む。具体的に、監視対象の状態が正常な場合には、正常クラスを表すラベル、異常な場合には、異常クラスを表すラベルを含む。図１の例のように、ｎ個の監視対象にそれぞれ１台のセンサが設置されている場合は、一例として、ｎ個の１つの監視対象が異常であれば異常クラスのラベルとし、すべての監視対象が正常であれば、正常クラスのラベルとする。以下、状態データを、分類ラベルデータと呼ぶ。

センサ制御支援装置１０は、学習モードと、異常検知モードとを備えている。センサ制御支援装置１０は、学習モードにおいて、センサ１〜ｎのセンサデータと、状態データとを用いて、監視対象の状態を予測するための分類モデルを生成する。監視対象の状態とは、一例として、監視対象の異常の有無である。この場合、分類目的は、異常検知である。なお、学習モードで使用するセンサデータは、ユーザが入出力装置３０を用いて与えてもよい。

分類モデルは、一例として、少なくとも１つのセンサに対応する少なくとも１つの説明変数と、当該少なくとも１つの説明変数に対する少なくとも１つの係数とから、監視対象の予測状態に対応する目的変数を計算する関数である。説明変数には、対応するセンサのセンサデータから計算される特徴量（一例として、後述するデータ間特徴量がある）が与えられる。

センサ制御支援装置１０は、センサ１〜ｎのうち、生成した分類モデルに含まれる説明変数に対応するセンサを、監視対象の状態予測に使用するセンサとして選択する。選択されたセンサを、選択センサと呼ぶ。それ以外のセンサ、すなわち状態予測で使用しないセンサを、非選択センサとする。

センサ制御支援装置１０は、選択センサの情報として、選択センサのセンサＩＤを表す信号をゲートウェイ装置２０に送信する。また、非選択センサの情報として、非選択センサのセンサＩＤとを表す信号を、ゲートウェイ装置２０に送信する。ゲートウェイ装置２０と通信は、無線通信でも、有線通信でもかまわない。センサＩＤは、一例としてセンサ番号であるが、これに限定されない。選択センサの情報に、選択センサのセンサＩＤ以外の情報を含めてもよい。例えば、後述するようにセンサのセンシングの条件を含めてもよい。

ゲートウェイ装置２０は、選択センサの情報（または非選択センサの情報）に基づいて、センサ１〜ｎを制御する。具体的に、ゲートウェイ装置２０は、選択センサの稼働を維持し、非選択センサの稼働を停止するように、センサ１〜ｎを制御する。つまり、選択センサのオン（ＯＮ）にし、非選択センサの電源をオフ（ＯＦＦ）にする。非選択センサのメイン回路をＯＦＦにし、ゲートウェイ装置２０との通信を行う受信回路等の通信回路の電源はＯＦＦにしなくてもよい。

センサ制御支援装置１０は、異常検知モードにおいて、分類モデルと、ゲートウェイ装置２０から受信さる選択センサのセンサデータとに基づき、監視対象の状態を予測する。異常が検知された場合には、異常が検知されたことを示す異常検知データを生成して、入出力装置３０に出力してもよい。分類モデルを、センサ制御支援装置１０とは別の異常検知装置に搭載し、当該異常検知装置で、異常検知モードの動作を実行してもよい。

図１では、入出力装置３０とゲートウェイ装置２０とが別々の装置であるが、これらが同じ装置であってもよい。

このように、監視対象に対する複数のセンサ１〜ｎのうち、異常検知に使用する選択センサのみオンにし、非選択センサをオフにすることで、消費電力を低減できる。以下、センサ制御支援装置についてさらに詳細に説明する。

図３は、センサ制御支援装置１０の構成を示すブロック図である。

センサ制御支援装置１０は、センサ選択部９と、通信部１１と、センサ制御部１４と、出力情報生成部１５と、記憶部１６と、記憶部１７、記憶部１８と、入力インターフェース１９とを備える。センサ選択部９は、データ処理部１２と、モデル構築部１３とを備える。

通信部１１は、ゲートウェイ装置２０と、有線または無線のネットワークを介して接続されている。通信部１１は、ゲートウェイ装置２０から、稼働中のセンサで検出された計測データ（センサデータ）を受信する。最初の学習モードでは、センサ１〜ｎが稼働しており、センサ１〜ｎからのセンサデータが受信されているとする。通信部１１は、受信したセンサデータを記憶部１６のセンサデータテーブルに格納する。学習モードで使用するセンサデータは、入出力装置３０からユーザが入力して、センサデータテーブルに格納してもよい。各センサは、初期状態として、第１〜第ｋの条件が成立した場合にセンサデータを検出し、送信する。第１〜第ｋの条件は、本例では、一定時間間隔の第１〜第ｋの時点が到来したタイミングの到来とする。第１〜第ｋの条件の他の例として、特定のイベントが起きたこと（例えば、一定値以上の値が検出された場合、特定のパターンの信号が検出された場合など）でもよい。

ここで、センサは、ある物理量を観測しデジタル信号に変換する機器の総称である。例えば、加速度センサ、磁気センサ、画像センサ、湿度センサ、温度センサ、圧電素子、質量センサ、光センサなどさまざまなセンサがある。熱電発電素子または太陽電池などの電力生成装置も、センサである。この場合、発電量がセンサ値に相当すると考えることができる。

本実施形態では、監視対象は、空調設備等の設備でもよいし、ＭＦＰ（Ｍｕｌｔｉｆｕｎｃｔｉｏｎ Ｐｅｒｉｐｈｅｒａｌ）等の機器でもよいし、その他の物または製品であってもかまわない。また、監視対象は、ヒト、動物または植物などの生体でもよい。さらに、本実施形態では分類目的として、状態が正常か異常かを検知する異常検知を扱うが、他の分類目的でもかまわない。

図４は、センサ１〜センサｎから収集したセンサデータを格納したセンサデータテーブルの例を示す。ｉ番目のセンサＩＤを持つセンサ（センサｉ）に対して、ｋ個のセンサデータの値が、学習データとして保持されている。学習データの値は、センサデータの値そのものでもよいが、センサデータの値を統計処理した値でもよいし、センサデータの値に基づき算出される値でよい。この場合、このような演算を、通信部１１または別の処理部で行ってもよいし、入出力装置３０側で行ってもよい。学習データの値を、特徴量と呼んでもよい。

図４のテーブルには、ｎ＊ｋ個の要素ｓ_ｉ，ｊ（ｉはセンサのＩＤ，ｊは学習データＩＤを指す）が保持されている。例えば、要素ｓ_１，１は、センサＩＤ＝１および学習データＩＤ＝１の学習データの値（＝０．４）を表す。

各学習データには、学習データＩＤが対応づけられている。学習データＩＤは、対応する学習データが検出された時点（すなわち学習データが検出された条件）を識別する。例えばセンサ１〜ｎのそれぞれの学習データＩＤ＝１は、第１の時点（すなわち第１の条件）に対応する。

図５は、センサデータテーブルの他の例を示す。この例では、学習データは、時系列の複数の値を保持するベクトル（波形データ）である。このテーブルは、要素ｓ_{ｉ，ｊ，ｔ}をｎ＊ｋ＊Ｔ個、保持する。時刻ｔは、１以上Ｔ以下の値を取り、Ｔは２以上の正の実数である。例えば、ｓ_{１，１，１}は、センサＩＤ＝１、学習データＩＤ＝１、時刻ｔ＝１におけるセンサ特徴量（＝２．１）を表す。また、ｓ_１，１は、センサＩＤ＝１、学習データＩＤ＝１の学習データ（ｔ＝１，ｔ＝２，…，ｔ＝Ｔ）＝（２．１、７．４、９．５、・・・、６．９）を表す。

図４および図５のセンサデータテーブル例において、取得できなかったセンサデータまたは時刻が存在した場合、テーブル内の該当セルに、無効値（“ＮＡ”など）を格納すればよい。

通信部１１は、予め指定された外部の装置から分類ラベルデータ（状態データ）を受信する。外部の装置は、ゲートウェイ装置２０でもよいし、別のサーバでもよい。通信部１１は、分類ラベルデータを、記憶部１６の分類ラベルテーブルに格納する。分類ラベルデータを、ユーザが入力出力装置３０を用いて入力してもよい。

図６に分類ラベルテーブルの例を示す。分類ラベルテーブルは、学習データＩＤと、分類ラベルとを含む。分類ラベルには、正常クラスを表す”１”のラベルと、異常クラスを表す”０”のラベルとがある。各ラベルには、学習データＩＤが付与されている。なお、分類ラベルが不明の場合には、該当するセルに、無効値（“ＮＡ”など）を格納すればよい。

センサ選択部９におけるデータ処理部１２は、モデル構築部１３で分類モデルを生成するための前処理を行う。データ処理部１２は、センサデータテーブルから、各センサの学習データ１〜ｋを読み出す。データ処理部１２は、センサごとに、学習データ１〜ｋの任意の２つを組み合わせて複数のデータ組を生成し、各データ組について、特徴量（以下、データ間特徴量）を算出する。そして、生成したデータ間特徴量を、ｋ行ｋ列を持つマトリックスの該当するセルに格納する。これにより、データ間特徴量テーブルを生成する。データ間特徴量テーブルは、センサごとに生成される。

例えば、センサｉのｊ番目の学習データＳ_ｉ，ｊと、センサｉのｒ番目の学習データＳ_ｉ，ｒのデータ間特徴量ｘ_ｊ，ｒは、例えば、以下の式で計算される。

式（１）中のＤｉｓ関数は、２つの学習データ間の距離を計算する関数である。２つの学習データ間で加法、減法、乗法、または除法を行う関数が考えられる。学習データが時系列データの場合は、２つの時系列データの類似度を示す相関係数を計算する関数、または、非線形のゆがみを考慮した時系列データ間の距離関数であるＤｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ、または、部分時系列を考慮できる距離関数であるＳｈａｐｌｅｔなどが考えられる。

ｊとｒが等しい場合（すなわち、自己同士のデータ間特徴量の場合）は、データ間特徴量ｘ_ｊ，ｒを０にする。また、データ組における少なくとも一方の学習データの値が無効値（ＮＡ）である場合、または当該学習データの値が信頼できない場合も、データ間特徴量を０にする。

図７は、各センサのデータ間特徴量テーブルの例を示す。図のＳ_１〜Ｓ_ｎは、センサ１〜センサｎを表す。データ間特徴量は、ｘ_ｊ，ｒ（ｊ＝１，．．，ｋ；ｒ＝１，．．，ｋ）によって表されている。例えば、ｘ_１，２は、学習データ１（学習データＩＤ＝１の学習データ）と学習データ２（学習データＩＤ＝２の学習データ）のデータ間特徴量を表す。データ間特徴量の例としては、２つの学習データ間の類似度または差がある。例えばデータ間特徴量が差の場合、ｘ_１，２は、学習データ１の値から学習データ２の値を減じた値であり、ｘ_２，１は、学習データ２の値から学習データ１の値を減じた値である。

データ処理部１２は、記憶部１６から分類ラベルデータを取得する。なお、データ処理部１２は、分類ラベルが２値化（バイナリ化）されていない場合に、前処理として、２値化の処理を行う。例えば、閾値以上の値を１、閾値未満の値を０に変換することにより、各分類ラベルを、１または０に変換する。

データ処理部１２は、センサ１〜ｎのデータ間特徴量テーブルの結合処理を行う。具体的には、全センサのデータ間特徴量テーブルを行方向に結合することにより、説明変数テーブルを生成する。図７のデータ間特徴量テーブルに結合処理を行った場合、（ｎ＊ｋ）列ｋ行の説明変数テーブルが生成される。説明変数テーブルの各列について、列方向に平均０、分散１になるように標準化を行ってもよい。または各行について、行方向に平均０、分散１になるように標準化を行ってもよい。

図８に、データ間特徴量テーブルの結合処理の例を示す。図の上の各センサのデータ間特徴量テーブルを行方向に統合することで、図の下の説明変数テーブルが生成される。

説明変数テーブルにおいて、（センサＩＤ、学習データＩＤ）＝（１、１）の列には、センサ１について、学習データ１と学習データ１間のデータ間特徴量（＝０）、学習データ２と学習データ１間のデータ間特徴量、・・・、学習データ３と学習データ１間のデータ間特徴量、学習データｋと学習データ１間のデータ間特徴量が格納されている。（センサＩＤ、学習データＩＤ）＝（２、ｋ）の列には、センサ２について、学習データ１と学習データ２間のデータ間特徴量、学習データ２と学習データ２間のデータ間特徴量（＝０）、学習データ３と学習データ２間のデータ間特徴量、・・・、学習データｋと学習データ２間のデータ間特徴量が格納されている。センサｎについての学習データｊと学習データｒとのデータ間特徴量をｘ_{ｎ，ｊ，ｒ}と表してもよい。

説明変数テーブルの作成方法は、上記の例に限定されない。他の作成方法の例として、センサごとに、各行の学習データと組み合わせる各列の学習データを、所定のラベル（例えば正常クラスのラベル）をもつ学習データに限定してもよい。これにより、説明変数テーブルのサイズを小さく抑えることができる。なお、分類ラベルとして無効値（“ＮＡ”など）が含まれる場合、当該無効値が付与された分類ラベルに対応する学習データを用いて算出されたデータ間特徴量を、データ間特徴量テーブルまたは説明変数テーブルから削除してもよい。

データ処理部１２は、分類ラベルデータおよび説明変数テーブルを、センサ選択部９におけるモデル構築部１３に提供する。

モデル構築部１３は、データ処理部１２から受けた説明変数テーブルと分類ラベルデータに基づき、分類モデルを構築する。

以下、モデル構築部１３が、分類モデルとして、ロジスティック回帰モデルを生成する例を示す。分類モデルとして、ロジスティック回帰モデル以外のモデル、例えばＳＶＭを生成することも可能である。

ロジスティック回帰モデルは、以下の式に従う回帰モデルである。

ｌｏｇｉｔはロジスティック関数を示す。ｌｏｇｉｔ（ｚ）は、０より大きく１より小さい範囲の値域を有する。β_０は切片を示す。

ｘ_{ｉ，ｊ，ｒ}は、ｉ番目のセンサに対応する説明変数であり、より詳細には、ｉ番目のセンサおけるｊ番目の学習データとｒ番目の学習データのデータ間特徴量を表す（ｉ番目のセンサのデータ間特徴量テーブルにおいて、ｊ番目の行とｒ番目の列とが交差するセルのデータ間特徴量に相当）。

β_{ｉ，ｊ，ｒ}は、データ間特徴量ｘ_{ｉ，ｊ，ｒ}に対する係数（回帰係数）である。ここで、１つのセンサｉに関する回帰係数をまとめて、β_ｉ＝｛β_{ｉ，１，１}，β_{ｉ，１，２}，…，β_{ｉ，ｋ，ｋ}｝と記述する。また、すべてのセンサについてのβｉをまとめて、β＝｛β_１，β_２，…，β_ｎ｝と記述する。

ｚは、回帰係数β_{ｉ，ｊ，ｒ}とデータ間特徴量ｘ_{ｉ，ｊ，ｒ}とを乗算し、加算した値である。例えば、ｚは、説明変数テーブルにおいて任意の１行における複数のデータ間特徴量ｘ_{ｉ，ｊ，ｒ}を、複数の回帰係数β_{ｉ，ｊ，ｒ}で重み付け合計した値である。変形例としてｚの式として、β_０を含まない式を用いてもよい。

Ｘは、ｎ個のセンサのｊ番目の学習データに関するデータ間特徴量ｘ_{ｉ，ｊ，ｒ}（ｉ＝１〜ｎ、ｒ＝１〜ｋ）を含むベクトルである。ベクトルの要素数は、ｎ＊ｋである。すなわち、Ｘは、説明変数テーブルの任意の１行に対応する。Ｐ（ｙ＝１｜Ｘ）（すなわちｌｏｇｉｔ（ｚ）の値）は、ベクトルＸが与えられた際に分類ラベル（ここでは正常クラスのラベル）が１になる確率を表す。Ｐ（ｙ＝１｜Ｘ）は、０より大きく１より小さい値を有する

上述の分類モデルを用いて、監視対象に付与する分類ラベルを決定する場合、一例として閾値を用いる方法がある。下記の例に示すように、関数ｌｏｇｉｔ（ｚ）の値（１になる確率）が閾値Ｃより大きければ、分類ラベルとして１を付与し、閾値Ｃ以下であれば、分類ラベルとして０を付与する。閾値Ｃは、ユーザが入出力装置３０からパラメータとして入力してもよい。

式（２）中の回帰係数である、β＝｛β_１，β_２，…，β_ｎ｝＝｛β_{１，１，１}，β_{１，１，２}，…，β_{１，ｋ，ｋ}，β_２，１１，β_{２，１，２}，…，β_{２，ｋ，ｋ}，…，β_{ｎ，１，１}，β_{ｎ，１，２}，…，β_{ｎ，ｋ，ｋ}｝と、β_０とを求める必要がある。ｊ＝１〜ｋ、ｒ＝１〜ｋに関して、β_{ｉ，ｊ,ｒ}がすべて０である場合、そのセンサｉは用いられない（選択する必要はない）ことを意味する。また、ｊ＝ｓとした場合に、ｒ＝１〜ｋに関して、β_{ｉ，ｓ,ｒ}がすべて０であり、かつ、ｒ＝ｓとした場合に、ｊ＝１〜ｋに関して、β_{ｉ，ｊ,ｓ}がすべて０の場合には、学習データｓは必要ない、すなわち、学習データｓのＩＤに対応する条件を選択する必要はないことを意味する。

β＝｛β_１，β_２，…，β_ｎ｝とβ_０は、例えば最尤推定法または最小二乗法を用いて求めることができる。この際、過学習等を防止するため、正則化を含む推定手法であり、かつ、変数選択と分類モデル構築とを同時に行うことが可能な推定手法を用いる。具体的には、ＬａｓｓｏまたはＥｌａｓｔｉｃ Ｎｅｔを用いる。ＬａｓｓｏはＥｌａｓｔｉｃ Ｎｅｔの一種であるので、ここではＥｌａｓｔｉｃ Ｎｅｔを用いる例を示す。

Ｅｌａｓｔｉｃ Ｎｅｔでは、最小二乗法でβとβ_０を求める際に、罰則項λＥ（β）を用いて、損失関数Ｊの最小化問題の式（３）を解く。式（３）は凹関数である。罰則項は、式（４）に示される。損失関数Ｊは、式（５）のように、目的変数の真値ｙ_ｊと、βと、β_０とを持つロジスティック回帰関数により算出された推定値（ｌｏｇｉｔの値）ｙ＾_ｊとの二乗誤差の和である。式（５）は、分類ラベルの値（真値ｙ_ｊ）と、分類モデルの出力値（ｌｏｇｉｔの値）の差異の定量化値を表し、式（３）は、式（５）に基づく値を最小化する関数の一例である。

λは罰則項の強さを決定するパラメータである。λは任意の方法で決定すればよい。一例として、交差検証法を用いることができる。例えば、説明変数テーブルを行方向（紙面に沿って横方向）に沿って分割して複数の部分テーブルを生成し、複数の部分テーブルから交差検証法により最適なλを決定する。分割数は、一般的には１０〜１００程度である。例えばｋ＝２００とし、１０分割により、ｋ＝１〜２０、２１〜４０、・・・、１９１〜２００の１０個の部分テーブルをそれぞれ得る。２〜１０番目の部分テーブルを訓練事例として用いて分類モデル構築を行い、１番目の部分テーブルをテスト事例として利用して、分類モデルの評価（精度の評価等）を行い、所定の基準を満たす（例えば最も識別率の高くなる）λを決定する。これを、各部分テーブルが１回ずつテスト事例として利用されるまで繰り返す。これらの決定したλの中から、最適なλを決定する。例えば最も識別率の高いλを採択する。交差検証法の具体例は一例に過ぎず、他にも様々な具体例が存在する。

αは、式（４）の第一項と第二項の強さを調節するパラメータである。Ｅｌａｓｔｉｃ
Ｎｅｔでは０＜α＜１の範囲である。なお、Ｌａｓｓｏの場合はα＝１である。パラメータの値は任意であるが、例えば、α＝０．５とする。

なお、Ｅｌａｓｔｉｃ ＮｅｔまたはＬａｓｓｏを含めた正則化に関しては、Regularization and variable selection via the elastic net[Zou, Hui; Hastie, Trevor 2005]を参照されたい。

このようにして求めた回帰係数βの要素（β_{ｉ，ｊ，ｒ}：ｉ＝１〜ｎ，ｊ＝１〜ｋ，ｒ＝１〜ｋ）には、非ゼロの要素と、０の要素が存在する。

モデル構築部１３は、βｉ＝（β_{ｉ，１，１、}β_{ｉ，１，２、…、}β_{ｉ，ｋ，ｋ}）において、少なくとも１つの要素が非ゼロであれば、センサｉを選択する。一方、β_{ｉ，１，１、}β_{ｉ，１，２、…、}β_{ｉ，ｋ，ｋ}、のすべてがゼロであれば、センサｉを選択しない。

また、非ゼロのβ_{ｉ，ｊ，ｒ}に対して、センサｉに関する学習データｊと学習データｒを、代表データとしてそれぞれ選択する。一方、ｊ＝ｓとした場合に、ｒ＝１〜ｋに関して、β_{ｉ，ｓ,ｒ}がすべて０であり、かつ、ｒ＝ｓとした場合に、ｊ＝１〜ｋに関して、β_{ｉ，ｊ,ｓ}がすべて０の場合には、センサｉに関して、学習データｓは選択しない。

ここでは非ゼロか否かで、センサおよび学習データの選択可否を判断したが、変形例として、閾値より大きいか否かで、選択可否を判断してもよい。

図９は、分類モデル構築処理の動作イメージを示す。図の左側には、学習データＩＤ＝１〜ｋに対応する分類ラベルが示されている。この例では、ｋ＝１〜ｐでは、監視対象は正常（分類ラベルが１）であり、ｋ＝ｐ＋１〜ｑでは、監視対象は異常（分類ラベルが０）である。これらの分類ラベルの値を真値とみなして、分類モデルの構築（回帰係数の推定）を行う。

図における“ｌｏｇｉｔ”のカッコ内に、説明変数テーブルと、ベクトルβ＝（β_{１，１，１}、β_{１，１，２}、β_{１，１，３}、・・・、β_{ｉ，ｊ，ｒ}、・・・β_{ｎ，ｋ，ｋ}）^Ｔが示されている。これは、説明変数テーブルの各行の値を格納したベクトル｛ｘ_{１，１，１}、ｘ_{１，１，２}、ｘ_{１，１，３}、・・・、ｘ_{ｉ，ｊ，ｒ}、・・・ｘ_{ｎ，ｋ，ｋ}｝が、ベクトルβ＝｛β_{１，１，１}、β_{１，１，２}、β_{１，１，３}、・・・、β_{ｉ，ｊ，ｒ}、・・・β_{ｎ，ｋ，ｋ}｝と乗算されることを表現している。すなわち、前述した式（２）のｚの式を模式的に表現している。

説明変数テーブルの１行目から出ている矢印付きの破線（一番上の破線）で示すように、各センサの学習データ１が取得されたとき、監視対象は正常、すなわち、分類ラベルは１である。同様に、説明変数テーブルのｋ行目から出ている矢印付きの破線（一番下の破線）で示すように、各センサの学習データｋが取得されたときは、監視対象は異常、すなわち、分類ラベルは０である。

β_１の各要素、すなわち、β_{１，１，１}、β_{１，１，２}、β_{１，１，３}、…，β_{１，１，ｋ}はすべて０になったため、センサ１は選択されない。

β_{ｉ，ｊ，ｒ}は非ゼロであるため、センサｉは選択される。センサｉの学習データ１〜ｋのうち、少なくとも学習データｊおよび学習データｒは、代表データとして選択される。

β_{ｎ，ｋ，ｋ}は０であるが、β_ｎの要素｛β_{ｎ，１，１}、β_{ｎ，１，２}、β_{ｎ，１，３}、・・・、β_{ｎ，ｋ，ｋ}｝のうち、β_{ｎ，ｋ，ｋ}以外の要素の少なくとも１つが非ゼロであれば、センサｎは選択される。非ゼロの要素に対応する学習データとペアをなす学習データも、代表データとして選択される。

モデル構築部１３は、分類モデルと、選択したセンサのセンサＩＤ（選択センサＩＤ）と、当該選択したセンサに関する代表データの学習データＩＤ（代表データＩＤ）とを記憶部１８に格納する。非選択センサＩＤを記憶部１８に追加してもよい。分類モデルは、非ゼロである回帰係数を含み、ゼロである回帰係数を含まない。また分類モデルは、式（２）に示した関数の型の情報を含む。記憶部１８に格納されたこれらの情報を、モデル関連情報と呼ぶ。

また、モデル構築部１３は、選択センサＩＤおよび代表データＩＤと、非選択センサＩＤとを記憶部１７に格納する。記憶部１７に格納されたこれらの情報を、センサ制御情報と呼ぶ。

出力情報生成部１５は、記憶部１８に記憶されたモデル関連情報に基づき、ユーザに提示する出力情報を生成する。出力情報生成部１５は、生成した出力情報を、入出力装置３０に供給する。入出力装置３０は、出力情報生成部１５から受けた出力情報を、画面に表示する。出力情報の例を図１０に示す。一例として出力情報は、選択センサＩＤと、代表データＩＤとを含む。出力情報は、これらの情報以外に、非選択センサＩＤを含んでもよい。また、分類モデルを表すデータ（関数の型と回帰係数の値とを含む）を含んでも良い。また、また、センサごとに代表データの個数を表す情報など、他の関連情報を含んでもよい。

上述した罰則項の式（４）の代わりに、以下の式（６）を用いてもよい。

式（６）は、式（４）の右辺に、１／｜｜Ｎｉ｜｜を追加したものである。Ｎｉは、センサｉに対応し、ｉの範囲は１〜ｎである。１／｜｜Ｎｉ｜｜は、定数である。Ｎｉの値は、センサ毎に、予め与えておく。Ｎｉは０より大きい自然数とする。ユーザは、センサ１〜ｎのうち、優先度の高いセンサ（すなわち選びたいセンサ）ほど、Ｎｉの値を大きくする。これにより、選びたいセンサほど、１／｜｜Ｎｉ｜｜を含む項の値が小さくなり、罰則項の値が小さくなる。例えば、後述するコスト（設置コスト等）が小さいセンサほど、Ｎｉの値を大きくする。

上述した実施形態では、各センサのデータ間特徴量テーブルを結合して説明変数テーブルを生成したが、この処理を省略してもよい。その場合も、上記と同様の処理により、分類モデルを構築できる。

センサ制御部１４は、センサ選択部９によるセンサの選択結果に基づいて、センサ１〜ｎを制御する。より詳細には、センタ制御部１４は、記憶部１７に記憶されたセンサ制御情報を用いて、センサ１〜ｎを制御する。センサ１〜ｎの制御は、ゲートウェイ装置２０を介して行うが、センサ制御部１４がセンサ１〜ｎと直接通信可能な場合は、センサ制御部１４が直接、センサ１〜ｎに制御信号を送って、これらのセンサを制御することも可能である。

センサ制御部１４は、記憶部１７に記憶されているセンサ制御情報（選択センサＩＤおよび代表データＩＤと、非選択センサＩＤ）を、ゲートウェイ装置２０に送信する。ゲートウェイ装置２０は、センサ制御部１４から受信したセンサ制御情報に含まれる選択センサＩＤと非選択センサＩＤとに基づき、センサ１〜ｎのオン・オフを制御する。例えば選択センサＩＤが、Ｓ_２とＳ_ｎであり、非選択センサＩＤが、Ｓ_１、Ｓ_２〜Ｓ_ｎ−１であれば、センサ２とセンサｎのオンを維持し、センサ１、センサ３〜センサｎ−１をオフにする。具体的には、ゲートウェイ装置２０は、電源オフを指示する制御信号を生成して、生成した制御信号をセンサ１、センサ３〜センサｎ−１に送信する。センサ１、センサ３〜センサｎ−１は、この制御信号を受信すると、メイン回路等の回路の電源をオフにする。これにより、消費電力を低減させる。電源をオフにする代わりに、センサを低消費電力モードに遷移させてもよい。低消費電力モードの一例として、センサデータの収集頻度を下げてもよい。あるいは、ＣＰＵのクロックを低下させてもよいし、その他の方法を用いてもよい。

また、ゲートウェイ装置２０は、選択センサＩＤが表すセンサに、代表データＩＤに対応する条件でセンサデータを検出することを指示する制御信号を送信する。制御信号を受信したセンサは、制御信号が示す条件に基づいてセンサデータを検出し、検出したセンサデータをゲートウェイ装置２０に送信する。例えば図９の例では、センサ２に関する代表データＩＤが１、２、６、８、・・・のため、これらに対応する条件が満たされたときにセンサデータを検出し、学習データＩＤが３、４、５、７等に対応する条件が満たされた場合にはセンサデータの検出を行わない。条件がタイミングを指定する場合は、学習データＩＤが１、２、６、８、・・・に対応するタイミングでセンサデータを検出し、学習データＩＤが３、４、５、７等に対応するタイミングではセンサデータを検出しない。もしくは、学習データＩＤが３、４、５、７等の場合については、これらの対応するタイミングでセンサデータは検出するが、検出したセンサデータを送信しないことも可能である。この場合、送信電力を削減できる。このように、代表データＩＤに対応する条件が満たされたときにのみセンサデータを検出または送信することで、消費電力を低減できる。なお、センサのオン・オフの制御のみ行い、代表データＩＤに基づく制御を行わないことも可能である。この場合、異常検知に不要なセンサデータを収集することになるが、動作上問題はない。

本実施形態では、センサ制御部１４が自律的にゲートウェイ装置２０にセンサ制御情報を通知したが、センサ制御部１４が、ユーザからの指示に基づき、センサ制御情報を通知してもよい。この場合、ユーザが、入出力装置３０の画面に表示された出力情報に基づき、選択センサＩＤおよび代表データＩＤと、非選択センサＩＤとを特定して、センサ制御情報を、入出力装置３０を用いて入力する。入力インターフェース１９でこの指示を受信して、センサ制御部１４に、入力されたセンサ制御情報を通知する。センサ制御部１４は、ゲートウェイ装置２０にセンサ制御情報を送信する。

図１１は、本実施形態に係るセンサ制御支援装置の動作のフローチャートである。通信部１１が、ゲートウェイ装置２０または入出力装置３０からセンサデータおよび分類ラベルデータ（状態データ）を受信し、受信したセンサデータおよび分類ラベルデータを記憶部１６に格納する（Ａ１１）。

データ処理部１２が、記憶部１６から各センサのセンサデータを読み出し、センサ毎に、複数のデータ間特徴量を計算する（Ａ１２）。より詳細には、ｋ行ｋ列を有し、センサｉのｊ番目の学習データＳ_ｉ，ｊとｒ番目の学習データＳ_ｉ，ｒとの間のデータ間特徴量を、該当セルに格納したデータ間特徴量テーブル（図７または図８参照）を作成する。全センサのデータ間特徴量テーブルを行方向に結合することにより、説明変数テーブルを作成する（図８参照）。説明変数テーブルに対し、列方向（または行方向）に標準化を行ってもよい。例えば、各列について、列に属するセル群の値が、平均０および分散１になるようにする。

また、データ処理部１２は、記憶部１６から分類ラベルデータを読み出す。分類ラベルデータに含まれる各分類ラベルがバイナリ化されていない場合は、分類ラベルをバイナリ化する。例えば、閾値以上の値を１、閾値未満の値を０に変換することにより、各分類ラベルを、１または０に変換する。

データ処理部１２は、分類ラベルデータと、説明変数テーブルとを、モデル構築部１３に提供する。

モデル構築部１３が、分類ラベルデータと、説明変数テーブルを用いて、分類モデルを構築する（Ａ１３）。つまり、分類モデルに含まれる回帰係数（説明変数）βを算出する。一例として、説明変数テーブルを行方向に沿って分割（例えば１０分割）する。分類ラベルデータについても分割（例えば１０分割）し、分割された分類ラベルデータを、分割された説明変数テーブルに対応づける。交差検証法を用いて、罰則項のλを決定し、正則化付の誤差関数の最小化問題を解いて、複数の回帰係数を含むベクトルβを算出する。

モデル構築部１３は、ベクトルβから非ゼロの回帰係数を選択し、選択した回帰係数に対応するセンサを選択センサ、それ以外のセンサを非選択センサとする（Ａ１４）。また、非ゼロの回帰係数の計算に必要とされる学習データ（選択センサに関連する学習データ）を、代表データとする（同Ａ１４）。選択センサ、非選択センサ、代表データの決定方法の詳細は、前述した通りである。

モデル構築部１３は、選択センサＩＤおよび代表データＩＤと、非選択センサＩＤとを、センサ制御情報として、記憶部１７に格納する。また、モデル構築部１３は、分類モデル、選択センサＩＤ、代表データＩＤ等を、モデル関連情報として、記憶部１８に格納する。

センサ制御部１４は、記憶部１７からセンサ制御情報（非選択センサＩＤと、選択センサＩＤおよび代表データＩＤ）を読み出し、ゲートウェイ装置２０に送信する（Ａ１５）。非選択センサＩＤまたは選択センサＩＤの一方の送信を省略してもよい。このゲートウェイ装置２０側で当該一方のＩＤが示すセンサ以外のセンサを、他方のＩＤが示すセンサと判断すればよい。

ゲートウェイ装置２０は、非選択センサに、電源をオフまたは低消費電力モードにするよう制御信号を送信する。制御信号を受信したセンサは、例えば電源をオフまたは低消費電力モードに遷移する。なお、センサは、電源をオフにした場合でも、その後、ゲートウェイ装置２０からのＯＮへの指示信号などを受信できるよう、受信回路等の通信回路については電源を供給しておいてもよい。

また、ゲートウェイ装置２０は、選択センサに、代表データＩＤに対応する条件でのみセンサデータを検出することを指示する制御信号を送信する。制御信号を受信したセンサは、当該制御信号で指示された条件が成立したときのみセンサデータを検出し、検出したセンサデータを本装置１０に送信する。

以上、本実施形態によれば、分類目的に応じて監視が必要なセンサのみ稼働させることで、人手でセンサの稼働を設定する手間を削減すると共に、消費電力および通信コストを低減することが可能となる。

（第２の実施形態）
図１２は、第２の実施形態に係るセンサ制御支援装置１０を示すブロック図である。図３に示した第１の実施形態に係るセンサ制御支援装置に、モデル再構築判定部５１が追加されている。モデル再構築判定部５１は、分類モデルを再構築するか否かを判断し、再構築することを決定した場合は、モデル構築部１３に分類モデルの再構築を指示する。モデル構築部１３は、分類モデルを再構築し、記憶部１８に記憶されているモデル関連情報、および記憶部１７に記憶されているセンサ制御情報を更新する。モデル再構築判定部５１は、更新後のセンサ制御情報を送信するように、センサ制御部１４に指示する。センサ制御部１４は、記憶部１７に記憶された更新後のセンサ制御情報を、ゲートウェイ装置２０に送信する。

分類モデルを再構築する理由を述べる。最初に分類モデルが構築された後、通信部１１で収集されたセンサデータおよび状態データが記憶部１６に蓄積されていく。分類モデルの構築後に、監視対象にセンサが新たに設置されたり、設置済みのセンサが除去されたりするなど、センサ構成に変更が生じる場合がある。また、同じセンサを使いつつ、センサの監視対象自体が別の監視対象に変更されたり、監視対象が拡張されたりする場合もある。この場合、同じ分類モデルを使用すると、異常検知の識別率が低下する可能性がある。また、分類モデルに含まれる説明変数に対応するセンサが除去された場合には、必要なセンサデータが収集できず、異常検知を実行できない。したがって、このような場合に、分類モデルを再構築する必要がある。

モデル再構築判定部５１が分類モデルを再構築するか否かを判断する例を、以下に説明する。

（分類モデルの再構築判断の第１の例）
第１の例として、モデル再構築判定部５１は、記憶部１６に記憶されているセンサデータを一定の周期または任意のタイミング（例えばユーザが指示したタイミング）で監視する。最初または前回再構築した分類モデル（既存分類モデル）で使用されているセンサのＩＤ（選択センサＩＤ）と、その後に収集したセンサデータのセンサＩＤとを比較することで、センサに変更（追加、除去等）が生じたかを判断する。すなわち、当該既存分類モデルで用いられている説明変数に対応するセンサをオンにし、それ以外のセンサをオフにするセンサ制御を開始した後、センサデータが収集されるセンサに変更が生じたかを判断する。例えば、今回収集されたセンサデータにセンサＩＤとして“ｎ＋１”が検出された場合は、新たなセンサが設置されたと判断する。また、選択センサＩＤに対応するセンサのセンサＩＤが検出されなかった場合は、既存のセンサが除去されたと判断する。

センサに変更が生じたことを検出した場合は、モデル再構築判定部５１は、分類モデルの再構築を決定する。モデル再構築判定部５１は、モデル構築部１３に分類モデルの再構築を指示する。ただし、分類モデルの構築に相応のデータ量が必要な場合、必要なデータ量が集まるまでは、モデル構築を行わず、必要なデータ量が蓄積された時点で、モデル構築を指示してもよい。

モデル構築部１３は、センサ変更が生じた後に計測されたセンサデータと、当該計測時の監視対象の状態を表す状態データ（分類ラベルデータ）とに基づいて、第１の実施形態と同様にして、分類モデルを構築する。そして、分類モデルに基づき、選択センサＩＤおよび代表データＩＤと、非選択センサＩＤとを特定する。モデル構築部１３は、記憶部１７に、新たなセンサ制御情報（選択センサＩＤ、代表データＩＤ、非選択センサＩＤ）を追加する。この際、前回のセンサ制御情報は消去されてもよいし、そのまま残しておいても良い。また、モデル構築部１３は、記憶部１８に、新たなモデル関連情報（分類モデル、選択センサＩＤ、代表データＩＤ等）を追加する。前回のモデル関連情報は消去されてもよいし、そのまま残しておいても良い。

モデル再構築判定部５１は、センサ制御部１４に、新たなセンサ制御情報（更新後のセンサ制御情報）の送信を指示する。センサ制御部１４は、記憶部１７から更新後のセンサ制御情報を読み出して、ゲートウェイ装置２０に送信する。ゲートウェイ装置２０は、更新後のセンサ制御情報に基づき、各センサを制御する。

（分類モデルの再構築判断の第２の例）
モデル再構築指示をユーザが、入出力装置３０を用いて入力し、入力インターフェース１９でこれを受信する。入力インターフェース１９は、当該指示をモデル再構築判定部５１に通知する。モデル再構築判定部５１は、当該指示に基づき、モデル再構築を決定する。その後の動作は、第１の例と同じである。ユーザがモデル再構築を判断する理由として、異常検知の識別率が低下した場合や、最初に分類モデルを構築してから所定期間が経過した場合、センサ劣化によりセンサを置換した場合などがある。センサを置換した場合にセンサＩＤが変更される場合は、上述した第１の例に従って、モデル再構築が行われることもできる。

（分類モデルの再構築判断の第３の例）
最初または前回の分類モデルを構築してから一定期間が経過した場合に、モデル再構築判定部５１がモデル再構築を決定する。または、本装置内で分類モデルを用いて異常検知を行っている場合に、異常検知の識別率が低下した場合に、モデル再構築判定部５１がモデル再構築を決定する。異常検知の識別率が低下した場合の例として、異常検知の識別率が閾値を下回った場合や、一定期間内に一定回数以上の誤検知が発生した場合などがある。これらの場合、モデル再構築判定部５１は、モデル再構築を決定する。その後の動作は、第１の例と同じである。

（分類モデルの再構築判断の第４の例）
分類ラベルの定義が変更された場合に、モデル再構築判定部５１がモデル再構築を決定する。例えば、分類ラベルが正常および異常の２つの状態を示す場合から、３つ以上の状態を示す場合に変更されたとする。３つ以上の状態の例として、状態Ａ、状態Ｂ、状態Ｃがあり、分類ラベルがこれらの状態を表すように変更される。一例として、状態Ａが“０１”、状態Ｂが“１０”、状態Ｃが“１１”によって表される。２つの閾値を用いて３つの区間を生成し、いずれの区間に監視対象の状態値が属するかで、監視対象に分類ラベルを割り当てることができる。

３つ以上の状態を扱う場合、分類モデルとして、多項ロジスティック回帰モデルまたは多クラスＳＶＭを用いることが可能である。これにより３つ以上の状態のいずれの状態に該当するかを判定できる。

分類ラベルが変更されたか否かの判断は、分類ラベルデータを解析することで検出してもよい。あるいは、ユーザが入出力装置３０から分類ラベル変更によるモデル再構築指示信号を入力し、その信号に基づいて、モデル再構築判定部５１がモデル再構築を決定してもよい。モデル構築部１３は、状態数に応じた関数を、分類モデル用の関数として用いればよい。

図１３は、本実施形態に係るセンサ制御支援装置の動作のフローチャートである。ここでは、上述した第１の例に係る動作を示す。

モデル再構築判定部５１は、最初または前回分類モデル（既存分類モデル）を構築した後、記憶部１６に記憶されているセンサデータを一定の周期または任意のタイミングで監視する（Ｂ１１）。

既存分類モデルで使用されるセンサのＩＤ（選択センサＩＤ）が、その後に収集したセンサデータのセンサＩＤと一致するかを判断する（Ｂ１２）。新しいセンサＩＤが見つかった場合も、もしくは、収集したセンサデータに選択センサＩＤが見つからなかった場合、モデル再構築判定部５１は、分類モデルの再構築を決定する。前者は、一例として、新たなセンサが追加されたことが考えられる。後者は、一例として、既存のセンサが除去された場合が考えられる。

モデル構築部１３は、モデル再構築判定部５１による分類モデルの再構築の決定に従って、分類モデルを再構築する（Ｂ１３）。モデル構築部１３は、センサ変更が検出された後のセンサデータと、分類ラベルデータとに基づいて、第１の実施形態と同様にして、分類モデルを構築する。ただし、分類モデルの構築には相応のデータ量が必要なため、必要なデータ量が集まるまでは、モデル構築を行わず、必要なデータ量が蓄積された時点でモデル構築を行ってもよい。

モデル構築部１３は、再構築後の分類モデルに基づき、第１の実施形態と同様にして、選択センサＩＤ、代表データＩＤ、非選択センサＩＤを特定する（Ｂ１４）。モデル構築部１３は、記憶部１７のセンサ制御情報（選択センサＩＤおよび代表データＩＤと、非選択センサＩＤ）を更新し、また、記憶部１８のモデル関連情報（分類モデル、選択センサＩＤ、代表データＩＤ等）を更新する。

センサ制御部１４は、更新後のセンサ制御情報を、ゲートウェイ装置２０に通知する（Ｂ１５）。ゲートウェイ装置２０は、更新後のセンサ制御情報に基づき、各センサを制御する。

以上、本実施形態によれば、監視用に設置されるセンサが変更された場合に、状態予測に必要な選択センサを再度特定し、特定した選択センサをオンにし、それ以外の非選択センサをオフにすることで、人手でセンサの稼働を設定する手間を削減すると共に、消費電力および通信コストを低減することが可能となる。

（第３の実施形態）
図１４は、第３の実施形態に係るセンサ制御支援装置を示すブロック図である。図１２に示した第２の実施形態に係るセンサ制御支援装置に、モデル選択部５２と、センサのスペックデータを保持する記憶部５３とが追加されている。モデル選択部５２は、最初または前回構築された分類モデルと、今回再構築された分類モデルとのうちの一方を選択し、選択した方の分類モデルを使用することをモデル構築部１３に通知する。モデル構築部１３は、最初または前回の分類モデルを引き続き使用することが決定された場合は、記憶部１７および記憶部１８の情報を更新しない。また、モデル再構築判定部５１は、センサ制御部１４にセンサ制御情報の送信を指示しない。一方、再構築された分類モデルを使用することが決定された場合は、第２の実施形態で分類モデルが再構築された場合と同様の動作を行う。

モデル選択部５２が、モデル選択を行う例を以下に説明する。

（モデル選択の第１の例）
モデル選択部５２は、最初または前回構築された分類モデル（既存分類モデル）の識別率と、今回構築した分類モデル（最新分類モデル）の識別率とを比較し、識別率の高い方の分類モデルを選択する。各分類モデルの識別率は、各分類モデルの構築に利用していないセンサデータと状態データとを用いて計算できる。

（モデル選択の第２の例）
モデル選択部５２は、既存分類モデルに含まれる説明変数に対応するセンサのコストと、最新分類モデルに含まれる説明変数に対応するセンサのコストとに基づいて、いずれか一方の分類モデルを選択する。各センサのコストは、予め与えられていていてもよいし、各センサのスペックデータを利用して計算してもよい。

図１５は、各センサのスペックデータを格納したスペックデータテーブルの例を示す。このテーブルは、各センサについて、下記の項目を含む。
・サンプリング周波数［Ｈｚ］
・センサ単価［円］
・連続稼働時間［ｍｉｎ］
・データ格納に必要なＤＢ容量［Ｂ］
・センサ単体の消費電力量

モデル選択部５２は、各分類モデルに含まれる説明変数に対応するセンサ（すなわち、選択センサＩＤのセンサ）について、スペックデータテーブルから、該当するセンサのスペックデータを特定し、特定したスペックデータから、センサのコストを算出する。コストの指標として、以下の例が考えられる。
・運用コスト［円］
・必要ＤＢ容量［Ｂ］
・消費電力量［ｋＷｈ］

運用コストは、一例として、定期点検、交換の費用などを含む。運用コストをある期間（例えば５年など）で総和したトータルコストを算出してもよい。必要ＤＢ容量は、センサにより取得されたセンサデータを記憶するための記憶容量である。消費電力量は、選択したセンサの消費電力量である。

モデル選択部５２は、既存分類モデルおよび最新分類モデルのそれぞれにおいて、選択センサのコストを合計する。合計コストを比較して、低い方の分類モデルを選択する。別の方法として、これらの分類モデルごとに、コストの最も高いセンサを特定し、特定したセンサが上限を超える場合は、そのセンサを使用する分類モデルを選択しないようにしてもよい。コストを利用した判断を行う限り、ここで述べた以外の方法でモデル選択を行ってもよい。

（モデル選択の第３の例）
各分類モデルの情報を、入出力装置３０を介してユーザに提示し、ユーザが選択した方の分類モデルを選択してもよい。この際、センサのスペックデータテーブルまたはセンサのコスト等を、モデル選択のための参考情報として、ユーザに提示してもよい。

既存分類モデルと最新分類モデルの一方を選択するのではなく、両方を選択してもよい。この場合、両方の分類モデルの少なくとも一方で使用されるセンサを選択センサとし、いずれの分類モデルでも使用されないセンサを非選択センサとすればよい。また、異常検知は、２つの分類モデルの検知結果を総合して行う。例えば両方の分類モデルが同じ検知結果を出力した場合は、その検知結果を採用する。異なる検知結果を出力した場合は、閾値Ｃ（前述した数３参照）からの距離が小さい方の検知結果を採用してもよい。ここで述べた以外の方法で、異常検知有無を判断してもよい。

（第４の実施形態）
第１〜第３の実施形態に係るセンサ制御支援装置のハードウェア構成について説明する。
図１６に、本実施形態に係るセンサ制御支援装置のハードウェア構成を示す。本実施形態に係るセンサ制御支援装置は、コンピュータ装置１００により構成される。コンピュータ装置１００は、ＣＰＵ１５１と、入力インターフェース１５２と、表示装置１５３と、通信装置１５４と、主記憶装置１５５と、外部記憶装置１５６とを備え、これらはバス１５７により相互に接続されている。

ＣＰＵ（中央演算装置）１５１は、主記憶装置１５５上で、コンピュータプログラムであるセンサ制御支援を実行する。センサ制御支援は、センサ制御支援装置の上述の各機能構成を実現するプログラムのことである。ＣＰＵ１５１が、センサ制御支援を実行することにより、各機能構成は実現される。

入力インターフェース１５２は、キーボード、マウス、及びタッチパネルなどの入力装置からの操作信号を、センサ制御支援装置に入力するための回路である。

表示装置１５３は、センサ制御支援装置から出力されるデータまたは情報を表示する。表示装置１５３は、例えば、ＬＣＤ（液晶ディスプレイ）、ＣＲＴ（ブラウン管）、及びＰＤＰ（プラズマディスプレイ）であるが、これに限られない。コンピュータ装置１００から出力されたデータまたは情報は、この表示装置１５３により表示することができる。

通信装置１５４は、センサ制御支援装置が外部装置と無線または有線で通信するための回路である。計測データは、通信装置１５４を介して外部装置から入力することができる。外部装置から入力した計測データを、センサデータベースに格納することができる。

主記憶装置１５５は、センサ制御支援、センサ制御支援の実行に必要なデータ、及びセンサ制御支援の実行により生成されたデータなどを記憶する。センサ制御支援は、主記憶装置１５５上で展開され、実行される。主記憶装置１５５は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。各実施形態における記憶部１６、１７、１８、５３は、主記憶装置１５５上に構築されてもよい。

外部記憶装置１５６は、センサ制御支援、センサ制御支援の実行に必要なデータ、及びセンサ制御支援の実行により生成されたデータなどを記憶する。これらのプログラムやデータは、センサ制御支援の実行の際に、主記憶装置１５５に読み出される。外部記憶装置１５６は、例えば、ハードディスク、光ディスク、フラッシュメモリ、及び磁気テープであるが、これに限られない。各実施形態における記憶部１６、１７、１８、５３は、外部記憶装置１５６上に構築されてもよい。

なお、センサ制御支援は、コンピュータ装置１００に予めインストールされていてもよいし、ＣＤ−ＲＯＭなどの記憶媒体に記憶されていてもよい。また、センサ制御支援は、インターネット上にアップロードされていてもよい。

なお、コンピュータ装置１００は、プロセッサ１５１、入力インターフェース１５２、表示装置１５３、通信装置１５４、及び主記憶装置１５５を、それぞれ１つ又は複数備えてもよいし、プリンタやスキャナなどの周辺機器を接続されていてもよい。

また、センサ制御支援装置は、単一のコンピュータ装置１００により構成されてもよいし、相互に接続された複数のコンピュータ装置１００からなるシステムとして構成されてもよい。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

９：センサ選択部
１０：センサ制御支援装置
１１：通信部
１２：データ処理部
１３：モデル構築部
１４：センサ制御部
１５：出力情報生成部
１６、１７、１８：記憶部
１９：入力インターフェース
２０：ゲートウェイ装置
３０：入出力装置
５１：モデル再構築判定部
５２：モデル選択部
５３：記憶部
１００：コンピュータ装置
１５１：プロセッサ（ＣＰＵ）
１５２：入力インターフェース
１５３：表示装置
１５４：通信装置
１５５：主記憶装置
１５６：外部記憶装置
１５７：バス

Claims (10)

1. 監視対象に対する複数のセンサの計測データと、前記監視対象の状態を表す状態データとに基づいて、前記複数のセンサの中から前記監視対象の状態予測に使用するセンサを選択するセンサ選択部と、
   前記センサ選択部の選択結果に基づいて、前記複数のセンサを制御するセンサ制御部と、
   を備えたセンサ制御支援装置。
2. 前記センサ制御部は、前記複数のセンサのうち前記選択されたセンサ以外のセンサをオフまたは低消費電力モードにするよう制御する
   請求項１に記載のセンサ制御支援装置。
3. 前記計測データを収集する通信部を備え、
   前記センサ制御部は、前記低消費電力モードとして、前記選択されたセンサ以外のセンサからの前記計測データの収集頻度を低くする
   請求項２に記載のセンサ制御支援装置。
4. 前記センサ選択部は、前記計測データと、前記状態データとに基づいて、前記複数のセンサのうち少なくとも１つのセンサに対応する少なくとも１つの説明変数と、前記監視対象の予測状態を表す目的変数とを対応づけた分類モデルを構築し、
   前記センサ選択部は、前記少なくとも１つの説明変数に対応するセンサを、前記状態予測に使用するセンサとする
   請求項１ないし３のいずれか一項に記載のセンサ制御支援装置。
5. 前記計測データを収集する通信部を備え、
   前記センサ選択部は、前記収集された計測データにおいて、前記複数のセンサと異なるセンサを検出した場合、または前記選択されたセンサを検出しなかった場合、前記分類モデルを再構築し、
   前記センサ選択部は、前記再構築した分類モデルに含まれる説明変数に対応するセンサを、前記状態予測に使用するセンサとする
   請求項４に記載のセンサ制御支援装置。
6. 前記センサ選択部は、前記分類モデルの識別率と、前記再構築された分類モデルの識別率とを計算し、計算した識別率に基づいて、前記分類モデルと前記再構築された分類モデルとのうちの一方を選択し、
   前記センサ選択部は、前記選択した分類モデルに含まれる前記説明変数に対応するセンサを、前記状態予測に使用するセンサとする
   請求項５に記載のセンサ制御支援装置。
7. 前記センサ選択部は、前記分類モデルに含まれる前記説明変数に対応するセンサのコストと、前記再構築された分類モデルに含まれる前記説明変数に対応するセンサのコストとに基づいて、前記分類モデルと前記再構築された分類モデルとのうちの一方を選択し、
   前記センサ選択部は、前記選択した分類モデルに含まれる前記説明変数に対応するセンサを、前記状態予測に使用するセンサとする
   請求項５または６に記載のセンサ制御支援装置。
8. ユーザ指示を受信する入力インターフェースを備え、
   前記センサ選択部は、前記入力インターフェースで受信した前記ユーザ指示に基づき、前記分類モデルと前記再構築された分類モデルとのうちの一方を選択し、
   前記センサ選択部は、前記選択した分類モデルに含まれる前記説明変数に対応するセンサを、前記状態予測に使用するセンサとする
   請求項５ないし７のいずれか一項に記載のセンサ制御支援装置。
9. 監視対象に対する複数のセンサの計測データと、前記監視対象の状態を表す状態データとに基づいて、前記複数のセンサの中から前記監視対象の状態予測に使用するセンサを選択し、
   前記センサの選択結果に基づいて、前記複数のセンサを制御する
   センサ制御支援方法。
10. 監視対象に対する複数のセンサの計測データと、前記監視対象の状態を表す状態データとに基づいて、前記複数のセンサの中から前記監視対象の状態予測に使用するセンサを選択するステップと、
    前記センサの選択結果に基づいて、前記複数のセンサを制御するセンサ制御ステップと、
    をコンピュータに実行させるためのコンピュータプログラム。

Images