JP2019074837A - 異常判定システム、監視装置、異常判定方法、及びプログラム - Google Patents

Abstract

【課題】対象構造物における異常の有無を、対象構造物の状況に基づいて総合的に判定することができる監視装置を提供する。【解決手段】異常判定システム１において対象構造物６−１〜６−Ｍを監視する監視装置と、通信ネットワーク３を介して監視装置と相互に通信可能な通信装置とを備える。監視装置は、一以上の構造物の各々の状況を示す状況データを取得する取得部５４と、対象構造物に関する確認事項を生成する判定部５３と、確認事項を通信装置に送信し、確認事項に対する確認結果を通信装置２から受信する通信部５１と、状況データに確認結果を対応づけた学習データを用いて予測モデルを生成するモデル生成部５２とを有する。監視装置の判定部５３は、モデル生成部５２により予測モデルが生成済みである場合、対象構造物に関する状況データを予測モデルに入力させた結果に基づいて、対象構造物に異常が発生したか否かを判定する。【選択図】図１

Description

本発明は、異常判定システム、監視装置、異常判定方法、及びプログラムに関する。

火災を予防するための火災検知器がある。このような火災検知器を用いることで、火災を感知した場合に、警報を行なうことができる（例えば、特許文献１）。

特開２０１０−１５２４１６号公報

しかしながら、火災とは、炎の大きさや煙の濃度等が一定以上になった場合に火災であると判断することができるが、人が安全に制御することができる範囲を超えて、火が拡大した状態であると定義することもできる。つまり、たとえ室内において大きな火炎が立ち上がっても、人がそこにいて安全に制御できる状態にあれば、それは火災ではない。例えば、レストランの客席においてコックが料理にアルコールをまぶして瞬間的に大きな火炎を発生させた場合や、居室内において暖炉や囲炉裏に大きな薪をくべて相当量の煙が発生した場合、一般に、火災感知器や煙感知器では火災が発生したと検知して火災警報を発するが、それらが真の火災であるとは限らない。また、逆に検知器では検知されないレベルの火炎であっても、それが普段火の気のない居間や寝室において、居住者の留守中に発生している場合には、真の火災、又は真の火災に発展する可能性がある。
このように、火災等の異常を警報する場合には、火炎や煙の量だけでなく、他の状況も考慮して総合的に判定することが望ましい。

本発明は、このような状況に鑑みてなされたもので、その目的は、対象構造物における異常の有無を、対象構造物の状況に基づいて総合的に判定することができる異常判定システム、監視装置、異常判定方法、及びプログラムを提供することにある。

上述した課題を解決するために、本発明の一態様は、一以上の対象構造物を監視する監視装置と、通信ネットワークを介して前記監視装置と相互に通信可能な通信装置とを備える異常判定システムである。前記監視装置は、一以上の構造物の各々の状況を検知するセンサ群の各々により検知された前記一以上の構造物の状況を示す状況データを取得する取得部と、前記状況データに基づいて前記対象構造物に異常があるか否かを判定し、判定した結果及び前記状況データに基づいて前記対象構造物に関する確認事項を生成する判定部と、前記確認事項を送信し、前記通信装置から前記確認事項に対する確認結果を受信する通信部と、前記状況データに前記確認結果を対応づけた学習データを用いて、機械学習を実行することにより前記対象構造物に異常が発生したか否かを予測する予測モデルを生成するモデル生成部とを有し、前記通信装置は、前記確認事項を前記監視装置から受信し、前記確認結果を前記監視装置に送信し、前記監視装置の前記判定部は、前記モデル生成部により前記予測モデルが作成済みである場合、前記対象構造物に関する前記状況データを前記予測モデルに入力させた結果に基づいて、前記対象構造物に異常が発生したか否かを判定することを特徴とする。

本発明によれば、対象構造物における異常の有無を、対象構造物の状況に基づいて総合的に判定することができる。このため、ユーザは、判定結果に基づいて、大火災等の重大な事態が発生した可能性がある場合には迅速に対応したり、調理等の制御可能な環境下で火炎が生じた場合にはその旨を通知したりすることができ、リスクに応じた適切な対処が可能となる。

第１の実施形態の異常判定システム１の構成例を示すブロック図である。 第１の実施形態の通信装置２およびセンサ群４の設置例を示す図である。 第１の実施形態の通信装置２に表示される表示例を示す図である。 第１の実施形態の監視装置５に取得される状況データの一例を示す図である。 第１の実施形態の監視装置５に取得される状況データの他の例を示す図である。 第１の実施形態の監視装置５の動作例を示すフローチャートである。 第１の実施形態の変形例２の異常判定システム１Ａの構成例を示すブロック図である。

以下、実施形態の異常判定システム、監視装置、異常判定方法、及びプログラムを、図面を参照して説明する。

（第１の実施形態）
まず、図１から図２を参照し、第１の実施形態について説明する。
第１の実施形態に係る異常判定システムは、例えば、異常を判定する対象となる家屋等の対象構造物６（図２参照）に設置されたセンサにより検知された情報に基づいて、火災等の異常があるか否かを判定し、異常があると判定した場合に、居住者や管理者等に通知するとともに、タバコの不始末がないか等の火災の原因と考えられ得る事項を確認する問い合わせを行い、その回答を得ることで、対象構造物６に対する火災に関する判定の精度を向上させていくシステムである。

図１は、第１の実施形態の異常判定システム１の構成例を示すブロック図、図２は、第１の実施形態の通信装置２およびセンサ群４の設置例を示す図である。図１に示すように、異常判定システム１は、通信ネットワーク３を介して相互に通信可能な、通信装置２、センサ群４、及び監視装置５を備える。
異常判定システム１では、対象構造物６毎に通信装置２及びセンサ群４が設けられる。異常判定システム１では、複数の対象構造物６（対象構造物６−１、６−２、…、６−Ｍ）（但し、Ｍは任意の自然数）の各々に設けられた通信装置２（通信装置２−１、２−２、…、２−Ｍ）及びセンサ群４（センサ群４−１、４−２、…、４−Ｍ）のそれぞれが通信ネットワーク３に接続される。異常判定システム１では、一つの対象構造物６に対し一つの通信装置２が設けられていてもよいし、複数の通信装置２が設けられていてもよい。また、異常判定システム１では、複数の監視装置５（監視装置５−１、５−２、…、５−Ｋ）（但し、Ｋは任意の自然数）が通信ネットワーク３に接続されていてもよいし、一つの監視装置５が通信ネットワーク３に接続されていてもよい。

通信装置２は、通信ネットワーク３を介して、監視装置５と通信を行う。
通信装置２は、例えば、通信部２０、入力部２１、及び出力部２２を備える。通信部２０は、監視装置５からの火災警報等の通知を受けるとともに、監視装置５からの問い合わせに対する回答を送信する。入力部２１は、ユーザの操作により監視装置５からの問い合わせに対する回答の入力を受付ける。出力部２２は、監視装置５からの火災警報等の通知や問い合わせの内容を表示画面に出力する。
なお、出力部２２は、監視装置５からの火災警報等の通知に応じて警報音をスピーカに出力したり、警報を示すライトを点灯させたりしてもよい。
通信装置２は、例えば、図２における、対象構造物６に設置された通信機能付きの警報装置としての通信装置２−１や、対象構造物６の居住者等の携帯端末としての通信装置２−２等である。
通信装置２は、例えば、図２に示す通信装置２−１のような、火災警報を受信したり火災通報を行ったりするための専用機器である。また、通信装置２は、図２に示す通信装置２−２のような市販のタブレットやスマートフォンにおいて、火災監視のための専用アプリケーション（以下、火災監視アプリ）として提供されるものであってもよい。この場合、スマートフォン等のユーザ端末装置に、火災監視アプリがインストールされる。火災監視アプリは、例えば、ユーザがスマートフォン等の表示画面に表示された火災警報や、火災に関する確認事項を確認することができるアプリケーションソフトウェアである。例えば、火災監視アプリが動作するユーザ端末装置では、ユーザは、火災に関する確認事項として表示された選択肢を選択することにより、火災に関する確認結果を通知することができる。

通信ネットワーク３は、通信の伝送路である。通信ネットワーク３は、無線通信の伝送路であっても、有線通信の伝送路であってもよく、これらの組合せであってもよい。

センサ群４は、複数のセンサ４０（センサ４０−１〜４０−Ｎ、但しＮは任意の自然数）を備える。
センサ群４は、対象構造物６における環境に関する情報を検知するセンサを含んで構成される。センサ群４は、例えば、対象構造物６に設置され、温度を検知する温度センサ、煙濃度を検知する煙センサ、ＣＯ２（二酸化炭素）やＣＯ（一酸化炭素）濃度を検知するＣＯ２濃度センサやＣＯ濃度センサ、人の在不在を検知する監視カメラや赤外線センサ、及びガスコンロの点火消火を検知するセンサ等が含まれる。
センサ群４の各センサは、通信ネットワーク３を介して、センサ４０の各々による自身の検知結果を監視装置５に送信する。

図２において、対象構造物６内には複数のセンサ４０、通信装置２が配されている。センサ４０は、対象構造物６のキッチンやリビングに設置される。通信装置２は、対象構造物６のリビングに設置されたり、居住者等により所持されたりする。
センサ４０のうち、防犯カメラ４０−１は、キッチンやリビング等の撮像対象領域を撮像する。センサ４０−２は、照明の点灯や消灯を検知する。温度センサ４０−３は、室内の温度を測定する。湿度センサ４０−４は、室内の湿度を測定する。ここでは、温度センサ４０−３、及び湿度センサ４０−４は、エアコンに設置された温度センサ、湿度センサが用いられる。煙検知センサ４０−５は、室内の煙の有無を検知する。ガス濃度センサ４０−６は、室内の検出対象のガスの濃度を検出する。フレームセンサ４０−７は、ガスコンロの点火状態（点火中であるか否か）を検知する。電源センサ４０−８は、テレビの電源のオンオフ状態を検知する。粉塵濃度センサ４０−９は、室内の粉塵の濃度を検出する。この粉塵濃度センサ４０−９は、空気清浄機に設けられた粉塵濃度センサを用いることができる。ＣＯ２濃度センサ４０−１０は、室内におけるＣＯ２の濃度を測定する。
例えば、センサ４０の各々が赤外線通信などの近距離通信機能を有し、センサ４０の各々が検知した検知結果を図示しない集約装置に送信することで各種家電製品に備え付けられたセンサの情報や各種家電製品の稼働の状況を集約するようにしてもよい。そして、集約装置が、通信ネットワーク３を介して集約した情報を監視装置５に送信する。

また、図２に示すように、対象構造物６には、通信装置２−１が設置される。通信装置２−１に、警報や確認事項が表示されることにより、居住者は、この警報や確認事項に基づいて、対象構造物６に火災が発生したか否かを確認する。

図１に戻り、監視装置５は、通信ネットワーク３を介して、通信装置２やセンサ群４と通信を行う。具体的には、監視装置５は、センサ群４からの検知結果を取得することで対象構造物６を監視し、火災の可能性がある場合、その旨の警報を通信装置２に対して行う。
監視装置５は、通信部５１、取得部５４、モデル生成部５２、及び判定部５３を備える。
通信部５１は、センサ群４からセンサ４０の各々による検知結果を受信し、受信した検知結果を取得部５４に出力する。取得部５４は、取得した検知結果を状況データとしてモデル生成部５２に出力する。ここで、取得部５４は、対象構造物６の状況データを取得するだけでなく、監視の対象ではない他の構造物の状況を示す状況データを取得してもよい。取得部５４が監視対象ではない構造物を含む多数の状況データを取得することにより市場にあるセンサ情報をビッグデータとして扱い、より高精度なシステムを構築することが可能となる。
また、通信部５１は、判定部５３の指示に基づいて、確認事項を表す確認事項情報を通信装置２に送信し、その確認事項に対する確認結果を通信装置２から受信する。ここで、確認事項とは、対象構造物６の居住者等に対象構造物６の状況を確認させるために行われる問い合わせの内容である。確認事項に対する確認結果とは、問い合わせに対して行われた確認の結果である。通信部５１は、受信した確認結果をモデル生成部５２、及び判定部５３に出力する。

モデル生成部５２は、状況データに確認結果を対応づけた学習データを用いて機械学習を実行することにより、状況データに対応する予測モデルを生成する。ここで、状況データはセンサ４０の各々による検知結果であり、確認結果はその状況データに示される状況について、居住者等が対象構造物６に異常がないかを確認した結果である。状況データに対応する予測モデルとは、学習データに用いた状況データと似た特徴を有するデータが取得された場合に、学習データに用いた状況データに対する確認結果と同じ結果が得られると予測して対象構造物６に異常が発生したか否かを予測するモデルである。例えば、ある状況データに示される状況について、居住者等により対象構造物６に異常がないと確認された場合、生成された予測モデルは、ある状況データと特徴が似ているデータに対し対象構造物６に異常がないと予測する。なお、モデル生成部５２は、機械学習の方法として、例えば、ニューラルネットワーク、回帰分析、相関分析、デシジョンツリー等を用いてよい。
モデル生成部５２は、例えば、確認結果が所定の閾値以上の数蓄積された場合、予測モデルを生成する。どの程度の数の確認結果に基づいて予測モデルを作成するかは、個々の対象構造物６やその対象構造物６の居住者の状況に応じて決定されてよい。ある程度まとまった量の確認結果に基づいて予測モデルを生成することにより、対象構造物６の構造上の特性や、対象構造物６の居住者の居住パターンに応じた個別の予測モデルを生成することができる。

判定部５３は、状況データに基づいて対象構造物６に異常があるか否かを判定し、判定した結果、及び状況データに基づいて対象構造物６に関する確認事項を生成する。
判定部５３は、状況データに対応する予測モデルが作成されていない場合、状況データを対応する所定の閾値とを比較することにより、対象構造物６に異常があるか否かを判定する。例えば、判定部５３は、対象構造物６の煙センサの検出値が所定の閾値以上である場合に、対象構造物６に異常があり、火災が発生した可能性があると判定する。判定部５３は、状況データに対応する予測モデルが作成されているか否かを、例えば、モデル生成部５２により予測モデルが生成されたか否かに基づいて判定する。モデル生成部５２により予測モデルが生成されていない場合、判定部５３は、状況データに対応する予測モデルが作成されていないと判定する。また、モデル生成部５２により予測モデルが生成されている場合、判定部５３は、状況データを予測モデルに入力させた場合の出力結果に基づいて、状況データに対応する予測モデルが作成されているか否かを判定する。判定部５３は、例えば、予測モデルから、対象構造物６に異常があるか否かを予測できない旨の出力を得た場合、状況データに対応する予測モデルが作成されていないと判定する。
一方、判定部５３は、状況データに対応する予測モデルが作成されている場合、予測モデルに状況データを入力させたときに出力される結果に基づいて、対象構造物６に異常が発生したか否かを判定する。例えば、判定部５３は、状況データを予測モデルに入力させたときに、対象構造物６に異常があり、火災が発生した可能性があることを示す出力結果が得られた場合、対象構造物６に火災が発生した可能性があると判定する。

判定部５３は、対象構造物６に火災が発生した可能性があると判定した場合、例えば、「異常警報・火災ではありませんか」等の警報メッセージＭ（図３参照）、及び複数の選択肢Ａ〜Ｆ（図３参照）を作成する。警報メッセージＭは、例えば、通信装置２の表示画面等に表示され、居住者等により視認されるものである。また、複数の選択肢Ａ〜Ｆは、例えば、通信装置２のタッチパネル等に表示され、対象構造物６の状況を確認した居住者等により、確認した内容を示すものが選択されるものである。
判定部５３は、作成した警報メッセージＭ、及び選択肢Ａ〜Ｆを通信部５１に出力する。
なお、上記では、監視装置５が住居としての対象構造物６に設置されたセンサ群４から検知結果を取得する場合を例示して説明したが、これに限られることはない。監視装置５は、多数の住居に設置されたセンサ群４の各々から検知結果を取得してもよい。監視装置５が単一の住居内のネットワークのみならず、複数のセンサ群４の各々により構成される大規模なネットワークのデータを集中させて処理することで、似たような環境下にある住宅、似たような構造を有する住宅のデータを統合的に蓄積し、処理することが可能となる。多数のデータを統合的に処理することにより高度で適格な予測モデルを構築することができる。
また、監視装置５はクラウドサーバであってもよい。監視装置５は、単数であっても複数のクラウドサーバであってもよい。この場合、例えば、監視装置５は、ネットワーク上に設けられた複数のクラウドサーバを互いに連携させることにより実現される。これにより、異常判定システム１の規模を容易に拡大することができる。監視装置５の規模を拡大する場合には、クラウドサーバを増設すればよいためである。また、通信装置２、及びセンサ群４から監視装置５へのアクセスを複数のクラウドサーバに分散させることにより、特定の監視装置５にアクセスが集中して機能不全に陥ることを防止することも可能となる。

図３は、通信装置２に表示された表示例を示す図である。図３に示すように、通信装置２は、通信部２０を介して取得した監視装置５の判定部５３により作成された警報メッセージＭ、及び選択肢Ａ〜Ｆを表示する。
図３に示すように、通信装置２の表示画面には「異常警報・火災ではありませんか」と記載された警報メッセージＭが表示され、その下に「レベルＡ：正常」、「火災ではない」と記載された選択肢Ａ、「レベルＢ：誤報」、「火災ではない」と記載された選択肢Ｂ、「レベルＣ：調理等」、「火炎や煙が発生したが火災ではない」と記載された選択肢Ｃ、「レベルＤ：ボヤ」、「火炎や煙が発生したが消し止めた」と記載された選択肢Ｄ、「レベルＥ：火災」、「延焼の危険性あり」と記載された選択肢Ｅ、「レベルＦ：大火災」、「火災拡大、消火不可避」と記載された選択肢Ｆがそれぞれ表示される。

図４は、第１の実施形態の監視装置５により取得される状況データの例を示す図である。
図４（ａ）〜（ｄ）の各々は、対象構造物６のキッチンおよびリビングに設置されたセンサ群４から取得された状況データの時系列の変化を示す。図４（ａ）〜（ｄ）では、状況データとして、煙センサ、温度センサ（図４（ａ）〜（ｄ）で「温度」と記載）、ＣＯ濃度センサ（図４（ａ）〜（ｄ）で「ＣＯ」と記載）、ガスコンロの点灯を検知するセンサ（図４（ａ）〜（ｄ）で「ガスコンロ」と記載）、照明の点灯を検知するセンサ（図４（ａ）では「照明」と記載）、人体の在不在を検知するセンサ（図４（ａ）〜（ｄ）で「人体」と記載）、および火炎の発生量を検知するセンサ（図４（ａ）〜（ｄ）で「炎」と記載）によりそれぞれ検知された検知結果が示される。

また、図４（ａ）〜（ｄ）の各々において、第１の縦軸はセンサ検出値、第２の縦軸は照明等の家電装置の稼働情報（オンオフ情報）、及び横軸は時間をそれぞれ示す。図４（ａ）〜（ｄ）の各々において煙センサ、温度センサ、ＣＯ濃度センサ、及び火炎の発生量を検知するセンサの検出値の各々の検出値は、第１の縦軸により示され、ガスコンロの点灯を検知するセンサ、照明の点灯を検知するセンサの各々の検出値（オンオフ値）、及び人体の在不在を検知するセンサの検出値は、第２の縦軸により示される。
また、第１の縦軸における「ｔｈ」は、センサ検出値の閾値を示す。例えば、煙センサ、ＣＯ濃度センサ、及び火炎の有無を検知するセンサ等により検出された値が閾値ｔｈ以上の値となった場合に、異常があると判定される可能性がある。

図４（ａ）は、例えば、バスルームからの湯気がキッチンにある煙センサに検知された場合の状況データの時系列の変化の例である。この例では、状況データが取得された時刻のうち、時刻Ｔ１において、煙センサの検出値が閾値以上となった。状況データが取得された時刻のうち、全ての時刻において、温度センサ、及びＣＯ濃度センサは、閾値未満の値であり、照明は点灯し続け、ガスコンロは点火されていなかった。

予測モデルが作成されていない場合、判定部５３は、状況データを取得し、取得した状況データに基づいて、対象構造物６に火災が発生した可能性があると判定する。つまり、予測モデルが作成されていない場合、判定部５３は、図４（ａ）に示す状況データを取得すると、例えば、時刻Ｔ１において煙センサの検出値が閾値ｔｈ以上であることに基づいて、対象構造物６に火災が発生した可能性があると判定する。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成する。
通信装置２は、判定部５３により作成された警報メッセージＭ、及び選択肢Ａ〜Ｆを表示画面に表示させるとともに、警報音を出力する。
警報音を聞いた居住者等により通信装置２の表示画面が視認される。そして、居住者等によりに表示された選択肢Ａ〜Ｆのうちいずれか一つを選択する操作が行われることにより、通信装置２の入力部２１に確認結果が入力される。例えば、入力部２１に、選択肢Ｂが選択された旨を示す情報が入力された場合、「火災ではない」ことが確認されたことを示す。
通信装置２は、入力部２１に入力された確認結果を、監視装置５に送信する。
監視装置５は、通信部５１を介して通信装置２から確認結果を受信する。モデル生成部５２は、学習データを用いて機械学習を実行することにより、予測モデルを生成する。ここで、学習データは、図４（ａ）に示す状況データに対し「火災ではない」との確認結果を対応付けたものである。すなわち、ここでモデル生成部５２により生成された予測モデルは、図４（ａ）に示す状況データが異常を示すものではないことを学習済みのモデルとなる。

予測モデルが作成されていた場合、判定部５３は、予測モデルに状況データを入力することで得られた出力に基づいて、対象構造物６に火災が発生した可能性があるか否かを判定する。例えば、判定部５３が図４（ａ）に示す状況データと似た特徴を有するデータ、つまり、バスルームからの湯気により煙センサが所定の閾値以上となった場合の状況データを取得したとする。この場合、判定部５３は、状況データを予測モデルに入力させ、予測モデルから対象構造物６に火災の可能性は低いとの判定結果を取得する。ここで判定部５３により状況データが入力された予測モデルは、図４（ａ）に示す状況データが異常を示すものではないことを学習済みのモデルである。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成せず、その代わりに、例えば、「バスルームのドアを開放したままシャワーを使用しないで下さい。」とのメッセージを作成する。
通信装置２は、判定部５３により作成されたメッセージを表示画面に表示させる。

図４（ｂ）は、例えば、キッチンで調理中に炎と煙とが発生した場合の状況データの時系列の変化の例である。この例では、時刻Ｔ２〜Ｔ４において、煙センサ、及び炎センサの検出値が閾値以上となった。時刻Ｔ２〜Ｔ４において、温度センサ、およびＣＯ濃度センサの検出値は増加したが閾値未満であった。また、図４（ｂ）に示す状況データが取得された全ての時刻において、照明は点灯し、人が居り、ガスコンロは点火されていた。

予測モデルが作成されていない場合、判定部５３は、図４（ｂ）に示す状況データを取得すると、例えば、時刻Ｔ２において煙センサ、および炎センサの検出値が閾値ｔｈ以上であることに基づいて、対象構造物６に火災が発生した可能性があると判定する。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成する。
通信装置２は、判定部５３により作成された警報メッセージＭ、及び選択肢Ａ〜Ｆを表示画面に表示させるとともに、警報音を出力する。
警報音を聞いた居住者等により通信装置２の表示画面が視認される。そして、居住者等によりに表示された選択肢Ａ〜Ｆのうちいずれか一つを選択する操作が行われることにより、通信装置２の入力部２１に確認結果が入力される。例えば、入力部２１に、選択肢Ｃが選択された旨を示す情報が入力された場合、「火煙は発生したが火災ではない」ことが確認されたことを示す。
通信装置２は、入力部２１に入力された確認結果を、監視装置５に送信する。
監視装置５は、通信部５１を介して通信装置２から確認結果を受信する。モデル生成部５２は、学習データを用いて機械学習を実行することにより、予測モデルを生成する。ここで、学習データは、図４（ｂ）に示す状況データに対し「火煙が発生したが火災ではない」との確認結果を対応付けたものである。すなわち、ここでモデル生成部５２により生成された予測モデルは、図４（ｂ）に示す状況データが、火炎が発生するものの調理等によるものであり直ちに異常を示すものではないことを学習済みのモデルとなる。

予測モデルが作成された後、例えば、判定部５３が図４（ｂ）に示す状況データと似た特徴を有するデータ、つまり、キッチンで調理中に炎と煙が発生した場合の状況データを取得したとする。この場合、判定部５３は、状況データを予測モデルに入力させ、予測モデルから対象構造物６に異常ないとの判定結果を取得する。ここで判定部５３により状況データが入力された予測モデルは、図４（ｂ）に示す状況データが、火炎が発生するものの調理等によるものであり直ちに異常を示すものではないことを学習済みのモデルである。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成せず、その代わりに、例えば、「キッチンで煙が発生しています。現場を確認すると共に、換気扇をオンして下さい。」とのメッセージを作成する。
通信装置２は、判定部５３により作成されたメッセージを表示画面に表示させる。

図４（ｃ）は、例えば、リビングでタバコがゴミ箱に落ちて煙が発生した場合の状況データの時系列の変化の例である。この例では、時刻Ｔ５、Ｔ６において、煙センサの検出値が閾値以上となった。また、図４（ｃ）に示す状況データが取得された全ての時刻において、温度センサ、およびＣＯ濃度センサの検出値は閾値未満であり、照明は点灯し、人が居り、ガスコンロは点火されていない状態であった。

予測モデルが作成されていない場合、判定部５３は、図４（ｃ）に示す状況データを取得すると、例えば、時刻Ｔ５において煙センサの検出値が閾値ｔｈ以上であることに基づいて、対象構造物６に火災が発生した可能性があると判定する。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成する。
通信装置２は、判定部５３により作成された警報メッセージＭ、及び選択肢Ａ〜Ｆを表示画面に表示させるとともに、警報音を出力する。
警報音を聞いた居住者等により通信装置２の表示画面が視認される。そして、居住者等によりに表示された選択肢Ａ〜Ｆのうちいずれか一つを選択する操作が行われることにより、通信装置２の入力部２１に確認結果が入力される。例えば、入力部２１に、選択肢Ｄが選択された旨を示す情報が入力された場合、「火煙が発生したが消し止めた」ことが確認されたことを示す。
通信装置２は、入力部２１に入力された確認結果を、監視装置５に送信する。
監視装置５は、通信部５１を介して通信装置２から確認結果を受信する。モデル生成部５２は、学習データを用いて機械学習を実行することにより、予測モデルを生成する。ここで、学習データは、図４（ｃ）に示す状況データに対し「火煙が発生したが消し止めた」との確認結果を対応付けたものである。すなわち、ここで、モデル生成部５２により生成された予測モデルは、図４（ｃ）に示す状況データが、火災となる可能性があるものの消し止められる程度のものであることを学習済みのモデルとなる。

予測モデルが作成された後、例えば、判定部５３が図４（ｃ）に示す状況データと似た特徴を有するデータ、つまり、リビングでタバコがゴミ箱に落ちて煙が発生した場合の状況データを取得したとする。この場合、判定部５３は、状況データを予測モデルに入力させ、予測モデルから対象構造物６に異常ないとの判定結果を取得する。ここで、判定部５３により状況データが入力された予測モデルは、図４（ｃ）に示す状況データが、火災となる可能性があるものの、消し止められる程度のものであることを学習済みのモデルである。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成せず、代わりに、例えば、「リビングで煙が発生しています。現場を確認の上、消火して下さい。」とのメッセージを作成する。
通信装置２は、判定部５３により作成されたメッセージを表示画面に表示させる。

図４（ｄ）は、例えば、就寝後にリビングのゴミ箱に落ちたタバコの火が周囲に移り、煙が広がった場合の状況データの時系列の変化の例である。この例では、時刻Ｔ７〜Ｔ９において、煙センサ、及びＣＯ濃度センサの検出値が閾値以上となった。また、図４（ｄ）に示す状況データが取得された全ての時刻において、温度センサ、および炎センサの検出値は閾値未満であった。また、図４（ｄ）に示す状況データが取得された全ての時刻において、照明は消灯し、キッチンおよびリビングには人が不在であり、ガスコンロは点火されていなかった。

予測モデルが作成されていない場合、判定部５３は、図４（ｄ）に示す状況データを取得すると、例えば、時刻Ｔ７において煙センサの検出値が閾値ｔｈ以上であることに基づいて、対象構造物６に火災が発生した可能性があると判定する。そして、判定部５３は、警報メッセージＭ、及び選択肢Ａ〜Ｆを作成する。
通信装置２は、判定部５３により作成された警報メッセージＭ、及び選択肢Ａ〜Ｆを表示画面に表示させるとともに、警報音を出力する。
警報音を聞いた居住者等により通信装置２の表示画面が視認される。そして、居住者等によりに表示された選択肢Ａ〜Ｆのうちいずれか一つを選択する操作が行われることにより、通信装置２の入力部２１に確認結果が入力される。例えば、入力部２１に、選択肢Ｅが選択された旨を示す情報が入力された場合、「延焼の危険性あり」であることが確認されたことを示す。
通信装置２は、入力部２１に入力された確認結果を、監視装置５に送信する。
監視装置５は、通信部５１を介して通信装置２から確認結果を受信する。モデル生成部５２は、学習データを用いて機械学習を実行することにより、予測モデルを生成する。ここで、学習データは、図４（ｄ）に示す状況データに対し「延焼の危険性あり」との確認結果を対応付けたものである。すなわち、ここでモデル生成部５２により生成された予測モデルは、図４（ｄ）に示す状況データが、火炎が発生し延焼の危険性があることを学習済みのモデルとなる。

予測モデルが作成された後、例えば、判定部５３が図４（ｄ）に示す状況データと似た特徴を有するデータ、つまり、就寝後にリビングのゴミ箱に落ちたタバコの火が周囲に移り、煙が広がった場合の状況データを取得したとする。この場合、判定部５３は、状況データを予測モデルに入力させ、予測モデルから対象構造物６に異常ありとの判定結果を取得する。ここで、判定部５３により状況データが入力された予測モデルは、図４（ｄ）に示す状況データが、火炎が発生し延焼の危険性があること示すものであることを学習済みのモデルである。そして、判定部５３は、警報メッセージＭとして、例えば、「リビングで炎が発生しています。現場を確認してください。可能なら消火して下さい。」とのメッセージを作成する。
通信装置２は、判定部５３により作成されたメッセージを表示画面に表示させる。

図５は、第１の実施形態の監視装置５により取得される状況データの例を示す他の図である。
図５（ａ）〜（ｄ）の各々は、対象構造物６のキッチンおよびリビングに設置されたセンサ群４から取得された状況データの時系列の変化を示す。図５（ａ）〜（ｄ）では、状況データとして煙センサ、温度センサ（図５（ａ）〜（ｄ）で「温度」と記載）、ＣＯ濃度センサ（図５（ａ）〜（ｄ）で「ＣＯ」と記載）、ガスコンロの点灯を検知するセンサ（図５（ａ）〜（ｄ）で「ガスコンロ」と記載）、照明の点灯やテレビを検知するセンサ（図５（ａ）では「照明・テレビ」と記載）、人体の在不在を検知するセンサ（図５（ａ）〜（ｄ）で「人体」と記載）、および火炎の発生量を検知するセンサ（図５（ａ）〜（ｄ）で「炎」と記載）によりそれぞれ検知された検知結果が示される。

図５（ａ）は、例えば、隣家の住民が当該住居の窓から煙発生を確認した場合の状況データの時系列の変化の例である。この例では、状況データが取得された時刻のうち、時刻Ｔ１０〜Ｔ１２において、煙センサ及びＣＯ濃度センサの検出値がそれぞれ閾値以上となった。また、時刻Ｔ１１、Ｔ１２において炎センサの検出値が閾値以上となった。また。時刻Ｔ１２において温度センサの検出値が閾値以上となった。また、全ての時刻において、照明及びテレビは消灯し、人は不在であった。
図５（ａ）では、例えば、監視装置５が居住者の通信装置２に警報メッセージ等を送信したが、居住者は外出するなどして不在であり、居住者からの応答がない場合に想定される状況データに該当する。この場合、監視装置５は、隣家の住民やセキュリティ会社の通信装置２に対し、警報メッセージ等を送信するようにしてもよい。
隣家の住民やセキュリティ会社担当者が対象構造物６を外部から視認し、炎が確認できる場合には、例えば選択肢Ｆを押下する。
以後、監視装置５は、図５（ａ）に似た特徴をもつ状況データを取得した場合、隣家の住民の通信装置２に「隣家で火災が発生しています。現場を確認の上、消火・避難準備して下さい。」とのメッセージを送信する。
なお、隣家の住民やセキュリティ会社の通信装置２にからも応答がない場合、監視装置５は、消防署に通報するようにしてもよい。

図５（ｂ）は、例えば、ガスコンロ上の天ぷら鍋が過熱により着火し、火炎が発生した場合の状況データの時系列の変化の例である。この例では、状況データが取得された時刻のうち、時刻Ｔ１３〜Ｔ１６において、炎センサの検出値が閾値以上となった。また、時刻Ｔ１４〜Ｔ１６において、煙センサ、ＣＯ濃度センサ及び温度センサの検出値がそれぞれ閾値以上となった。また、全ての時刻において、ガスコンロは点火し、照明及びテレビは点灯し、人は不在であった。
図５（ｂ）では、例えば、監視装置５が居住者の通信装置２に警報メッセージ等を送信し、キッチンから目を離していた居住者がキッチンを確認したが炎が視認された場合、例えば選択肢Ｆを押下する。
以後、監視装置５は、図５（ｂ）に似た特徴をもつ状況データを取得した場合、「キッチンで火災が発生しています。現場を確認の上、消火するか、または避難して下さい。」とのメッセージを通信装置２に送信する。

図５（ｃ）は、例えば、灰皿の上でメモ用紙を燃やした場合の状況データの時系列の変化の例である。この例では、状況データが取得された時刻のうち、時刻Ｔ１７〜Ｔ２０において、炎センサの検出値が閾値以上となった。また、全ての時刻において、煙センサ、ＣＯ濃度センサ、及び温度センサの検出値の各々は閾値未満であり、ガスコンロは消火、照明及びテレビは点灯し、人が居る状態であった。
図５（ｃ）では、例えば、監視装置５が居住者の通信装置２に警報メッセージ等を送信し、灰皿の上でメモ用紙を燃やした居住者が、例えば選択肢Ｃを押下する。
以後、監視装置５は、図５（ｃ）に似た特徴をもつ状況データを取得した場合、「リビングで炎が発生しています。現場を確認して下さい。」とのメッセージを通信装置２に送信する。

図５（ｄ）は、例えば、灰皿の上でメモ用紙を燃やした炎がテーブル上の雑誌に燃え移った場合の状況データの時系列の変化の例である。この例では、状況データが取得された時刻のうち、時刻Ｔ２２において、炎センサの検出値が閾値以上となった。また、煙センサ、ＣＯ濃度センサ、及び温度センサの検出値の各々は，時刻Ｔ２１から増加する傾向にあったが、閾値未満であった。また、全ての時刻において、ガスコンロは消火、照明及びテレビは点灯し、人が居る状態であった。
図５（ｄ）では、例えば、監視装置５が居住者の通信装置２に警報メッセージ等を送信し、寝室にいた居住者がリビングを確認すると炎が視認された場合、選択肢Ｅを押下する。
以後、監視装置５は、図５（ｄ）に似た特徴をもつ状況データを取得した場合、「リビングで炎が発生しています。現場を確認して下さい。」とのメッセージを通信装置２に送信する。

図６は、第１の実施形態の監視装置５の動作例を示すフローチャートである。
まず、監視装置５の通信部５１は、通信ネットワーク３を介して、センサ群４から状況データを取得する（ステップＳ１）。
次に、監視装置５の判定部５３は、状況データに対応する予測モデルが作成されているか否かを判定する（ステップＳ２）。判定部５３は、モデル生成部５２により予測モデルが作成されたか否か、および予測モデルが作成されていた場合に状況データを予測モデルに入力させた場合に出力される結果が、予測できないことを示すものであるか否かに基づいて、状況データに対応する予測モデルが作成されているか否かを判定する。

ステップＳ２において状況データに対応する予測モデルが作成されていない場合、判定部５３は、状況データを対応する所定の閾値と比較する（ステップＳ３）。これにより、対象構造物６に異常があるか否かを判定する（ステップＳ４）。判定部５３は、状況データが対応する所定の閾値以上である場合、対象構造物６に異常があると判定し、警報メッセージＭ、および選択肢Ａ〜Ｆを作成する。そして、通信部５１は、判定部５３により作成された警報メッセージＭ、および選択肢Ａ〜Ｆを通信装置２に送信する（ステップＳ５）。通信装置２は、警報メッセージＭを表示させ、居住者等に対象構造物６の状況の確認を促す。また、通信装置２は、選択肢Ａ〜Ｆを表示させ、対象構造物６の状況を確認した居住者等に状況を選択させる。居住者等により選択された確認結果が、通信装置２から監視装置５に送信される。
通信部５１は、通信ネットワーク３を介して、通信装置２から確認結果を受信する（ステップＳ６）。
監視装置５のモデル生成部５２は、状況データに確認結果に対応付けた学習データを用いて機械学習を実行することにより予測モデルを作成する（ステップＳ７）。
そして、監視装置５は、ステップＳ１に示す処理に戻り、状況データを取得する。

一方、ステップＳ２において状況データに対応する予測モデルが作成されている場合、判定部５３は、状況データを予測モデルに入力させた場合の出力結果を取得する（ステップＳ８）。判定部５３は、予測モデルからの出力結果に基づいて、メッセージを作成するか否かを判定する（ステップＳ９）。判定部５３は、予測モデルからの出力結果に基づいて、メッセージを作成する。例えば、判定部５３は、バスルームからの湯気がキッチンにある煙センサに検知されただけで異常を示すものではないと判定した場合、「バスルームのドアを開放したままシャワーを使用しないで下さい。」というメッセージを作成する。また、判定部５３は、就寝後にリビングのゴミ箱に落ちたタバコの火が周囲に移り、煙が広がっており異常であると判定した場合、「リビングで炎が発生しています。現場を確認してください。可能なら消火して下さい。」というメッセージを作成する。そして、通信部５１は、判定部５３により作成されたメッセージを通信装置２に送信する（ステップＳ１０）。
そして、監視装置５は、ステップＳ１に示す処理に戻り、状況データを取得する。

以上説明したように、第１の実施形態の異常判定システム１は、一以上の対象構造物６を監視する監視装置５と、通信ネットワーク３を介して監視装置５と相互に通信可能な通信装置２とを備える。監視装置５は、一以上の構造物の各々の状況を検知するセンサ群４の各々により検知された一以上の構造物の状況を示す状況データを取得する取得部５４と、状況データに基づいて対象構造物６に異常があるか否かを判定し、判定した結果及び状況データに基づいて対象構造物６に関する確認事項を生成する判定部５３と、確認事項を通信装置２に送信し、確認事項に対する確認結果を通信装置２から受信する通信部５１と、状況データに確認結果を対応づけた学習データを用いて、機械学習を実行することにより対象構造物に異常が発生したか否かを予測する予測モデルを生成するモデル生成部５２とを有し、通信装置２は、確認事項を監視装置５から受信し、確認結果を監視装置５に送信し、監視装置５の判定部５３は、予測モデルが作成済みである場合、対象構造物６に関する状況データを予測モデルに入力させた結果に基づいて、対象構造物６に異常が発生したか否かを判定する。
これにより、第１の実施形態の異常判定システム１は、対象構造物６における異常の有無を、対象構造物６の状況に基づいて総合的に判定することができる。異常判定システム１では、通信部５１が状況データを取得することで、判定部５３が状況データに基づいて対象構造物６に異常があるか否かを判定することができ、判定部５３が選択肢Ａ〜Ｆを生成し、通信部５１が選択肢Ａ〜Ｆを通信装置２に送信して選択結果を受信することができる。そして、モデル生成部５２が状況データに確認結果を対応づけた学習データを用いて、予測モデルを生成することで、判定部５３が状況データに対応する予測モデルがある場合に予測モデルを用いて対象構造物６に異常が発生したか否かを判定することができるためである。

（第１の実施形態の変形例１）
次に第１の実施形態の変形例１について説明する。本変形例１では、上記第１の実施形態において、監視装置５が居室内の各機器の制御をおこなう。
図４（ａ）〜（ｄ）に示す状況データが得られたことに基づいて、警報音や警報メッセージによって警報を行なう場合、警報メッセージをリビングのテレビの画面に表示するとともに、テレビのスピーカから警報音や音声による警報メッセージを出力するようにしてもよい。
図４（ｂ）に示す状況データが得られたことに基づいて「換気扇をＯＮにして下さい。」と警報する場合において、警報を行なった後、一定時間内に換気扇がＯＮになっていないことが検出された場合には、監視装置５から換気扇に対して換気扇をＯＮにする制御信号を送信するようにしてもよい。これにより、警報を受けたユーザが換気扇をＯＮにすることができない状況であっても換気扇を運転させることができる。
図４（ｃ）に示す状況データが得られたことに基づいて、「リビングで煙が発生しています。現場を確認の上、消火して下さい。」と警報する場合、この警報を行なうとともに、消火器から音響を発し消火器の位置を知らせるようにし、かつ、住宅内の照明をｏｎする。
図４（ｄ）に示す状況データが得られた事に基づいて、「リビングで煙が発生しています。現場を確認の上、消火して下さい。」と警報する場合、この警報を行なうとともに、消火器から音響を発し消火器の位置を知らせるようにし、かつ、住宅内の照明をｏｎにし、さらに避難経路上のドアの電子錠を解錠するようにしてもよい。これにより、居室内のユーザの避難経路を確保することができ、また、居室外から居室内に救助に向かうことが可能となる。

（第１の実施形態の変形例２）
次に第１の実施形態の変形例２について説明する。本変形例２では、上記第１の実施形態において、通信ネットワーク３の状況等に応じて、センサ４０により検知されたデータの送信を行う。
図７は、第１の実施形態の変形例２の異常判定システム１Ａの構成例を示すブロック図である。図７に示すように、第１の実施形態の変形例２では、複数の対象構造物６Ａ（対象構造物６Ａ−１、６Ａ−２、…、６Ａ−Ｍ）の各々に設けられたセンサ群４Ａ（センサ群４Ａ−１、…、４Ａ−Ｎ）の各々が、送信制御部４１を備える。送信制御部４１は、センサ群４Ａに設けられた、一又は複数のセンサ４０により検知されたデータにおける監視装置５に対する送信を制御する。
送信制御部４１は、例えばセンサ４０により検知されたデータが、そのセンサ４０に定められた所定の閾値未満である場合は当該データを監視装置５に送信せず、所定の閾値以上である場合に当該データを監視装置５に送信する。これにより、通信ネットワーク３における通信トラフィックが増大することを抑制することが可能となる。

また、送信制御部４１は、センサ４０に定められた所定の時間（数分あるいは数時間）毎に定期的なヘルスチェックを行う。ヘルスチェックにおいては、送信制御部４１は、データが閾値未満であるか否かに関わらず、センサ４０により検知されたデータを監視装置５に送信する。これにより、対象構造物６がセンサ４０の各々により正常にセンシングされていることを監視装置５に対して通知することができる。

また、センサ４０毎に定められる所定の閾値は、複数あってもよい。閾値は例えば上限の閾値だけでなく下限の閾値があってもよいし、上限の閾値について予備警報レベルと火災警報レベル等の複数の閾値が設けられていてもよい。
また、送信制御部４１は、監視装置５の指示に従って、閾値、及びヘルスチェックにおける定期的な時間の間隔を変更するようにしてもよい。これにより、ある特定のセンサから火災が疑われるデータが検知された場合には、全てのセンサ４０について、詳細なデータを閾値に関わらず継続して取得することが可能となる。

また、送信制御部４１は、監視装置５の指示に従って、送信するデータの内容を変更するようにしてもよい。これにより、ある特定のセンサから火災が疑われるデータが検知された場合には、全てのセンサ４０について、詳細なデータを閾値に関わらず継続して取得することが可能となる。例えば人感センサは、設置場所によって人が頻繁に出入りする場合があるため、人の在不在が変化する度に監視装置５にデータを送信していると、火災検知器等、異常時あるいは異常が疑われる場合にのみ検知されるデータと比較して多くの通信が発生することが予想される。このような場合、通常時に定期的に通知を行い、火災が疑われる場合に詳細に人の在不在を通知するようにする。つまり、データの種別によって当該データを送信するか否かを決定し、また状況によって当該データを送信するか否かを変更することで、通信負荷の増大を抑制しながら効果的な監視を行うことが可能となる。
また、送信制御部４１がセンサ群４Ａに設けられることにより、送信制御部４１は、対象構造物６に関するデータの各々を監視装置５に対して送信するか否かを一括して制御することが可能となる。また、送信制御部４１がセンサ群４Ａに設けられることにより、監視装置５は、送信制御部４１に対して、送信条件（ヘルスチェックにおける定期的な時間の間隔等）を一括して設定したり変更したりすることが可能となる。このため、個々のセンサ４０に対して、個別に送信条件を設定したり変更したりする場合と比較して、通信ネットワーク３における通信トラフィックを抑制することが可能となる。

上記変形例２においては、送信制御部４１がセンサ群４Ａに備えられた場合を例示して説明したが、これに限定されることはない。送信制御部４１は、個々のセンサ４０に備えられていてもよいし、センサ群４Ａとは別に、センサ群４Ａと通信ネットワーク３との間に設けられた送信判定装置（不図示）に備えられていてもよい。送信判定装置が対象構造物６ごとに設けられていてもよいし、複数の対象構造物６に対して一つの送信判定装置が設けられる構成であってもよい。
また、送信制御部４１は、監視装置５に備えられていてもよい。この場合、送信制御部４１は、例えば、監視装置５の通信部５１により受信されたセンサ群４Ａからのデータのうち、所定の条件を満たすデータを取得部５４に出力し、所定の条件を満たさないデータは取得部５４に出力しない。送信制御部４１が所定の条件を満たすデータのみを取得部５４に出力することにより、通信部５１により受信された全てのデータが取得部５４に出力された場合よりも、取得部５４の処理負担を軽減させることが可能となる。なおかつ、送信制御部４１が所定の条件を満たすデータを取得部５４に出力することにより、判定部５３により対象構造物６に火災が発生した可能性があると判定され得るデータについては、取得部５４に出力することができ、そのデータについて判定部５３に火災が発生した可能性を判定させることができるため、火災の発生を検知する精度を高く維持することが可能である。

（第２の実施形態）
第２実施形態においては、第１の実施形態において説明した監視装置５を宅内の見守りシステムに適用する場合について説明する。
すなわち、第１の実施形態においては、監視の機能を火災検知に用いる場合について説明したが、第２の実施形態においては、監視の機能を見守りシステムに用いることで、センシング精度を高めることができる。
（ケース１）
例えば、高齢者独居住宅において、日中において居住者が動かない状態が継続している場合、単にソファーで居眠りをしているのか、あるいは、急病で倒れており何らかの対応が必要となっているかを、超音波センサ、テレビ・照明のｏｎ／ｏｆｆ、電話通話、冷蔵庫・ポットの使用状態、等の情報から判断することができる。

より具体的には、それまで動いていた者が、居室内で動かなくなったことを超音波センサによって検出された場合、センサの検知結果に基づいて、テレビと照明がｏｎであり、電話の通話が過去２時間にわたって行なわれておらず、冷蔵庫のドアの開閉や電気ポットによって湯を沸かす（あるいは出湯する）ことが過去２時間にわたって行なわれていないことが検出された。このような場合には、居住者が何らかの原因で倒れている可能性があると判断し、通信装置２によって居住者本人に対して異常の有無を確認する警報を出す。そして、居住者から「異常なし」の連絡がスマホやインターホンの確認ボタンにより押下された場合は、今回のセンサ情報の組み合わせでは異常なしと判断するよう学習する。一方で、警報に対して居住者から応答がなければ、契約セキュリティ会社や近隣知人に連絡を行う。

（ケース２）
例えば居住者が浴室において意識を失って倒れた場合、浴室の赤外線センサは、人体の存在を検出したとする。同じく超音波センサはその人が浴室で動いていない事を検出し、浴室内に湯を供給する湯沸かし器が３０分以上ｏｎしておらず（または３０分以上ｏｎが継続しており）、住居内の他室に、他の人がいないことが検知された。このような場合には、浴室内のインターホンで通信装置２（または監視装置５）から「異常ありませんか」と居住者に呼びかけ、応答がなければ救急要請し、あるいは、近隣住民の通信装置２にメッセージを送信し、当該居住者の安否確認の要請をする。ここで、居住者からインターホンに設けられた「異常ありません」を示す確認ボタンの押下がなされた時には、異常状態から監視状態に復帰すると共に、この居住者は３０分以上湯沸かしを使用せずに（あるいは３０分以上継続して出湯して）浴室に留まる場合があることを学習する。
このような安全安心見守りシステムにおいては、予め居住者の特性（生活パターン）をデータとして保持していることが有効となる。上記のような高齢者独居住宅の他にも、避難困難な身体障害者、妊婦および乳児、喫煙飲酒習慣のある独身男性、精神疾患のある要保護観察者、といった居住者の特性をデータ化し記憶する。そしてこれら情報を学習するためのデータとして用いることで、その居住者の生活パターンについて学習した学習済みモデルを生成することができる。

（ケース３）
居住者が聴力障害者である場合、その情報を予め監視装置５に記憶させることにより、火災、見守りに関する警報を発する際には、音響による警報だけでなく、光警報器、テレビ、照明等によって視覚によって把握可能な警報を発するようにしてもよい。例えば、テレビ画面に「火災です」と表示する、あるいは照明を点滅させる等により警報を発するようにしてもよい。これにより、視覚によって把握可能な警報を発することで、居住者が聴力障害者であったとしても、異常を居住者に伝えることが可能となる。
（ケース４）
喫煙飲酒習慣のある独身男性の場合、統計的に、寝たばこ等に基づく火災危険度が高いことが知られている。よってこのような住居者にあっては、予めリビングや寝室の煙、ＣＯ２センサの警報閾値を高感度に設定（異常として判定しやすくなるように閾値を変更）すると共に、異常検知時の警報音を通常よりも大きな音となるように設定する。またケース２に示すような、居住者が動かない状態が一定以上継続した場合には、居眠りの可能性が高いことから、警報を発しない設定とする。

ケース１からケース３において説明した居住者については、一般の居住者に比べて、異常状態であるか否かの判断が難しかったり、あるいは警報を認識してもらいにくい状態であることから、警報閾値を高感度に設定しておく。もちろんその後の運用段階で、実際のデータを蓄積していき、適宜閾値レベルを学習することで警報の仕方を調整していくことができる。
また、ケース１からケース４においては、住宅の居住者の特性に応じた警報を行う場合を例に説明したが、これに限らず、ホテル等において宿泊者の特性を記憶させることで、宿泊者の特性に応じた警報を行うようにしてもよい。居住者や宿泊者の特性に応じた警報を行うことで、警報の効果をより有効にすることが可能となる。

また、この第２の実施形態において、居住者の特性を記憶するだけでなく、居室についても特性データとして予め記憶しておくことが望ましい。以下、その例を説明する。
（ケース５）
バスルームの前の廊下や洗面室に設置された煙感知器は、バスルームからの湯気が流入する可能性がある。この場合の各センサの信号パターンは、図４（ａ）に示した通りである。よって予め煙感知器における蓄積時間を一般的な設置箇所（リビング等）の蓄積時間よりも長く設定することで、湯気による非火災報を防止することができる。
このような居室内の環境に応じた特性データに基づく設定値の変更は、以下のような場合がある。
（ケース５−１）
居室がキッチンである場合、ガスコンロのフレームセンサの検知結果と連動することで、ガスコンロが利用され調理中であると判断された時には、煙センサ、ＣＯ２濃度センサ、温度センサの警報閾値を低感度化（異常として判定しにくくなるように閾値を変更）させる。
（ケース５−２）
居室がリビングである場合、テレビや照明、人体センサの検知結果と連動するとともに、居住者のタイムスケジュールと連動させることで、現在時刻が居室に人がいない時間帯に該当することがスケジュールに基づいて判定された場合には、煙センサ、ＣＯ２濃度センサ、温度センサの警報閾値を高感度化（異常として判定しやすくなるように閾値を変更）させる。
（ケース５−３）
居室が暖炉のような裸火を使うことのあるリビングである場合、炎センサやＣＯ２濃度センサ、温度センサの警報閾値を低感度化（異常として判定しにくくなるような閾値に変更）したり、警報を発するまでの蓄積時間を長くしたりする等の設定を予め行う。
（ケース５−４）
居室が、ホテル、寄宿舎等の宿泊施設においては、基本的に火気がなく禁煙である場合が多いことから、煙センサ、ＣＯ２濃度センサ、温度センサの警報閾値を高感度化（異常として判定しやすくなるように閾値を変更）させる。警報表示方法については宿泊施設の利用者のスマートフォンを利用する他、居室内に設置されたテレビから警報メッセージを出力する。非常の場合はそれらに避難経路を出力する。また、警報メッセージを出力させたにもかかわらず逃げ遅れた可能性がある場合には、宿泊施設の利用者のスマートフォン等から、避難困難の状況連絡とＧＰＳ（ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）を用いた位置情報連絡を行い、システム側から適切な避難経路の指示を行う。
例えば、タバコの煙が発生している可能性があることを表す煙感知器の信号を感知した場合、「室内は禁煙です。タバコを吸っていませんか。」とのメッセージを宿泊施設の利用者のスマートフォンから出力する。また、例えば、バスルーム近傍に設置された煙感知器が、湯気と思われる煙感知器の信号を感知した場合、「シャワーご利用の際はバスルームのドアを閉めて下さい。」とのメッセージを宿泊施設の利用者のスマートフォンから出力する。また、例えば、宿泊施設における他室や他階での火災が感知された場合、「火事です。すぐに避難して下さい。避難経路は図示の通りです。」等の警報メッセージを宿泊施設の利用者のスマートフォンから出力する。

（他の変形例）
監視装置５は、ユーザによって火災ではないと判断された場合における各種センサ情報を統合するだけでなく、火災であると判断された場合における各種センサ情報を統合することで、学習することもできる。例えば、センサ情報を統合し、火災と断定された際の基準を学習していく。ユーザによる火災断定は、警報ボタン・非火災ボタンによる操作入力だけでなく、音声認識を用い、ユーザから電話等を利用して音声による火災通報や、居室内に設けられたマイクロフォンから「火事だ」という音声が入力された際に、音声認識等により火災発生を確定させる。なお、非火災ボタンは、警報システムの警報リセットボタンと共用してもよい。
また、火災判断システムが火災であると判断した結果を携帯電話やスマートフォンに通知することで、警報音や警報光を出力させる。この時、ユーザが火災であること認識した場合にはスマートフォン等の「火災断定ボタン」を押し、逆に火災ではなく安全な状態であることを確認した場合には「非火災ボタン」を押す。このように、火災であることを監視装置５に入力させることで、火災が生じた場合における各センサの検知結果等を学習することができる。

また、上述した異常判定システムは、数多くのフィールドからのデータを取得して蓄積することにより、火災／非火災判断の確度を上げていくことができる。よってシステム導入当初は従来の火災警報システムと同等の火災判断レベルに設定しておき、フィールドデータの蓄積と共に火災／非火災判断の閾値および判断アルゴリズムを変更（更新）していく。場合によっては判断ノードを追加していく。例えば従来の火災警報システムでは火災判断要素として取り入れていなかったセンシング要素である、ガスコンロの点火状態、テレビや電灯の稼働状況、ドアの電気錠施錠状態、室内の音量等のセンシング要素（センサの検知結果）についても、従来の主要センシング要素である温度や煙濃度、ＣＯおよびＣＯ２濃度と合わせてセンサネットワークを通じて処理システム内に収集し、火災／非火災判断のための情報として参照し、火災の判断に関係性があるか否か（特徴ある動きがあるか否か）を学習していくようにしてもよい。

また、上述した異常判定システムにおいて、室内にユーザがいない場合における火災の発生が特に問題であり、その判定レベルをどのように設定するかが重要である。室内にユーザがいない時に発生した火災を、室外の人が見つけて通報したタイミングでは、火災発生を把握するタイミングとしては遅い（十分ではない）。よって、戸外からの通報を受けた場合には、室内からの通報を受けた場合における条件とは分けて情報処理する。例えば、戸外からの通報の場合、その通報時間よりも５分から２０分ほど早い時刻を火災発生時刻と仮定し、その時点での各種センサ情報を基に火災判断基準を構築することで、戸外のユーザが発見した火災発生であっても、室内のユーザが火災を発見可能なタイミングとして用いることが可能となる。

（故障判断における例）
また、上述した実施形態において、監視装置５は、各センサの信号値の経時変化を監視し、通常では起こりえない変化を示したセンサがあると判定された場合には、そのセンサの故障の可能性があると判断し、その旨のメッセージを出力することで管理者にメンテナンスを促すようにしてもよい。例えば、通常レベルの信号値が突然最大値または最小値を示したまま変化しない（例えば、煙感知器の発光部であるＬＥＤが故障により発光しない状態となり、受光部においてＬＥＤからの光を全く検出できない状態）場合、通常レベルの信号値が長時間掛けて除々に変化し初期の値に戻らなくなり、予め定められた故障値レベルを越えた場合（ＣＯ濃度センサの経年劣化による故障）の場合、通常では起こりえない急激な信号値の大小変化を繰り返す（電気的ノイズの影響による信号値の変化）場合等がある。

なお、本発明における異常判定システム１及び監視装置５の機能を実現するための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プログラムをコンピュータシステムに読み込ませて実行することにより処理を行なってもよい。
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とする。
また、「コンピュータシステム」は、ネットワーク接続環境を備えたＷＷＷシステムも含むものとする。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、ＣＤ−ＲＯＭ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（ＲＡＭ）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よい。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）であってもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…異常判定システム、２…通信装置、３…通信ネットワーク、４…センサ群、５…監視装置、５１…通信部、５２…モデル生成部、５３…判定部、５４…取得部。

Claims (14)

1. 一以上の対象構造物を監視する監視装置と、通信ネットワークを介して前記監視装置と相互に通信可能な通信装置とを備える異常判定システムであって、
   前記監視装置は、
   一以上の構造物の各々の状況を検知するセンサ群の各々により検知された前記一以上の構造物の状況を示す状況データを取得する取得部と、
   前記状況データに基づいて前記対象構造物に異常があるか否かを判定し、判定した結果及び前記状況データに基づいて前記対象構造物に関する確認事項を生成する判定部と、
   前記確認事項を前記通信装置に送信し、前記確認事項に対する確認結果を前記通信装置から受信する通信部と、
   前記状況データに前記確認結果を対応づけた学習データを用いて、機械学習を実行することにより前記対象構造物に異常が発生したか否かを予測する予測モデルを生成するモデル生成部とを有し、
   前記通信装置は、前記確認事項を前記監視装置から受信し、前記確認結果を前記監視装置に送信し、
   前記監視装置の前記判定部は、前記モデル生成部により前記予測モデルが作成済みである場合、前記対象構造物に関する前記状況データを前記予測モデルに入力させた結果に基づいて、前記対象構造物に異常が発生したか否かを判定する
   ことを特徴とする異常判定システム。
2. 前記監視装置は、前記通信ネットワークに設けられた一以上のクラウドサーバであり、
   前記取得部は、前記状況データを、前記通信ネットワークを介して取得する
   ことを特徴とする請求項１に記載の異常判定システム。
3. 前記判定部は、前記対象構造物に火災が発生する可能性があるか否かを判定し、火災に関連した確認事項を生成する
   ことを特徴とする請求項１又は請求項２に記載の異常判定システム。
4. 前記判定部は、前記確認事項に対する回答として選択可能な複数の選択肢を生成する
   ことを特徴とする請求項１から請求項３のいずれか一項に記載の異常判定システム。
5. 前記モデル生成部は、ニューラルネットワーク、回帰分析法、相関分析法、デシジョンツリー法のうちいずれかを用いて前記機械学習を実行する
   ことを特徴とする請求項１から請求項４のいずれか一項に記載の異常判定システム。
6. 前記状況データは、前記対象構造物の火災を検知する火災検知センサの検知結果、及び前記対象構造物の温度、湿度、ガス濃度、照明の点灯消灯、人の在不在をそれぞれ検知するセンサの各々の検知結果のうち少なくともいずれかである
   ことを特徴とする請求項１から請求項５のいずれか一項に記載の異常判定システム。
7. 前記判定部は、前記状況データに基づいて、前記対象構造物の状況を検知するセンサの各々が故障しているか否かを判定する
   ことを特徴とする請求項１から請求項６のいずれか一項に記載の異常判定システム。
8. 前記センサ群により検知されたデータを前記監視装置に対して送信する送信制御部を更に備え、
   前記送信制御部は、前記センサ群により検知されたデータの値、データの種別、及びデータの各々に対応する所定の閾値のうち少なくとも一つに基づいて前記センサ群により検知されたデータを前記監視装置に対して送信するか否かを判定する
   ことを特徴とする請求項１から請求項７のいずれか一項に記載の異常判定システム。
9. 前記送信制御部は、前記監視装置の指示に基づいて上記所定の閾値を変更する
   ことを特徴とする請求項８に記載の異常判定システム。
10. 前記送信制御部は、データの各々に対応する所定の時間間隔で、前記センサ群により検知されたデータを前記監視装置に対して送信する
    ことを特徴とする請求項８又は請求項９に記載の異常判定システム。
11. 前記送信制御部は、前記監視装置の指示に基づいて上記所定の時間間隔を変更する
    ことを特徴とする請求項１０に記載の異常判定システム。
12. 一以上の対象構造物を監視する監視装置であって、
    一以上の構造物の各々の状況を検知するセンサ群の各々により検知された前記一以上の構造物の状況を示す状況データを取得する取得部と、
    前記状況データに基づいて前記対象構造物に異常があるか否かを判定し、判定した結果及び前記状況データに基づいて前記対象構造物に関する確認事項を生成する判定部と、
    前記確認事項を通信ネットワークを介して通信可能な通信装置に送信し、前記確認事項に対する確認結果を前記通信装置から受信する通信部と、
    前記状況データに前記確認結果を対応づけた学習データを用いて、機械学習を実行することにより前記対象構造物に異常が発生したか否かを予測する予測モデルを生成するモデル生成部とを有し、
    前記判定部は、前記モデル生成部により前記予測モデルが作成済みである場合、前記対象構造物に関する前記状況データを前記予測モデルに入力させた結果に基づいて、前記対象構造物に異常が発生したか否かを判定する
    ことを特徴とする監視装置。
13. 一以上の対象構造物を監視する監視装置の異常判定方法であって、
    取得部が、一以上の構造物の各々の状況を検知するセンサ群の各々により検知された前記一以上の構造物の状況を示す状況データを取得する工程と、
    判定部が、前記状況データに基づいて前記対象構造物に異常があるか否かを判定し、判定した結果及び前記状況データに基づいて前記対象構造物に関する確認事項を生成する工程と、
    通信部が、前記確認事項を通信ネットワークを介して通信可能な通信装置に送信し、前記確認事項に対する確認結果を前記通信装置から受信する工程と、
    モデル生成部が、前記状況データに前記確認結果を対応づけた学習データを用いて、機械学習を実行することにより前記対象構造物に異常が発生したか否かを予測する予測モデルを生成する工程と、
    前記判定部が、前記モデル生成部により前記予測モデルが作成済みである場合、前記対象構造物に関する前記状況データを前記予測モデルに入力させた結果に基づいて、前記対象構造物に異常が発生したか否かを判定する工程と
    を有することを特徴とする異常判定方法。
14. 一以上の対象構造物を監視する監視装置のコンピュータに、
    一以上の構造物の各々の状況を検知するセンサ群の各々により検知された前記一以上の構造物の状況を示す状況データを取得する工程と、
    前記状況データに基づいて前記対象構造物に異常があるか否かを判定し、判定した結果及び前記状況データに基づいて前記対象構造物に関する確認事項を生成する判定工程と、
    前記確認事項を通信ネットワークを介して通信可能な通信装置に送信し、前記確認事項に対する確認結果を前記通信装置から受信する工程と、
    前記状況データに前記確認結果を対応づけた学習データを用いて、機械学習を実行することにより前記対象構造物に異常が発生したか否かを予測する予測モデルを生成する工程と、
    を実行させ、
    前記判定工程では、前記予測モデルが作成済みである場合、前記対象構造物に関する前記状況データを前記予測モデルに入力させた結果に基づいて、前記対象構造物に異常が発生したか否かを判定する工程を実行させる
    プログラム。

Images