JP2021149862A

JP2021149862A - Alarm generation system and method for generating alarm

Info

Publication number: JP2021149862A
Application number: JP2020051748A
Authority: JP
Inventors: 純都筑; Jun Tsuzuki
Original assignee: Yokogawa Electric Corp
Current assignee: Yokogawa Electric Corp
Priority date: 2020-03-23
Filing date: 2020-03-23
Publication date: 2021-09-27

Abstract

To provide an alarm generation system and a method for generating an alarm which can accurately notify a user of the future possibility of generation of an abnormality.SOLUTION: The alarm generation system includes: an acquisition unit for acquiring a measured value output from a sensor; a learning unit for generating a learning model having a plurality of parameters, by learning the measured value acquired by the acquisition unit; a prediction unit for predicting a predicted measured value as a measured value to be possibly obtained in the future, by using the learning model generated by the learning unit; an alarm generation unit for generating an alarm when the predicted measured value obtained by the prediction unit satisfies an alarm generation condition; and an optimization unit for optimizing the value of at least one fixation parameter, which is a fixed value, of parameters of the learning model by using a plurality of measured values acquired by the acquisition unit.SELECTED DRAWING: Figure 2

Description

本発明は、アラーム発生システム及びアラーム発生方法に関する。 The present invention relates to an alarm generation system and an alarm generation method.

ペーパーレスレコーダは、一般的に、各種センサの測定値を測定データとして記録するとともに、記録した測定データを表示する装置である。このようなペーパーレスレコーダは、タッチパネル式の液晶表示装置を備えており、ユーザがタッチパネルに対して行った操作に応じて、液晶表示装置に表示される測定データの表示内容を変更可能に構成されているものが多い。 A paperless recorder is generally a device that records measured values of various sensors as measurement data and displays the recorded measurement data. Such a paperless recorder is provided with a touch panel type liquid crystal display device, and is configured so that the display content of the measurement data displayed on the liquid crystal display device can be changed according to the operation performed by the user on the touch panel. There are many things.

また、近年のペーパーレスレコーダは、測定値が所定の条件に合致したとき（例えば、測定値が予め設定された閾値を超えたとき）に、アラームを通知するアラーム機能を備えるものもある。アラームは、例えば、液晶表示装置に表示されたり、電子メールによって送信されたりすることで通知される。以下の特許文献１には、複数のアラーム発生条件の中で最も重要度のレベルが高いアラーム発生条件に関する情報を表示するペーパーレスレコーダが開示されている。 In addition, some recent paperless recorders have an alarm function for notifying an alarm when the measured value meets a predetermined condition (for example, when the measured value exceeds a preset threshold value). The alarm is notified, for example, by being displayed on a liquid crystal display device or being transmitted by e-mail. The following Patent Document 1 discloses a paperless recorder that displays information on an alarm generation condition having the highest level of importance among a plurality of alarm generation conditions.

特開２０１０−７１８３７号公報JP-A-2010-71837

ところで、ユーザが、ペーパーレスレコーダに表示された波形又はペーパーレスレコーダから通知されたアラームによって異常を判断したのでは遅い場合がある。例えば、製品の製造プロセスにおいて、オペレータがペーパーレスレコーダに表示された波形の異常又はアラームを発見してから異常に対処したのでは、製造プロセスが正常状態から逸脱してしまって不良品が製造される状況になる可能性が考えられる。 By the way, it may be slow if the user determines an abnormality based on the waveform displayed on the paperless recorder or the alarm notified from the paperless recorder. For example, in the manufacturing process of a product, if the operator discovers an abnormality or alarm of the waveform displayed on the paperless recorder and then deals with the abnormality, the manufacturing process deviates from the normal state and a defective product is manufactured. There is a possibility of a situation.

このような状況になるのを防止するために、ペーパーレスレコーダがアラームを通知する条件を緩くすると、アラームの精度が悪くなる。例えば、製造プロセスに異常が発生していないにもかかわらず、アラームが通知されてしまう状況になると考えられる。 If the conditions for the paperless recorder to notify the alarm are relaxed in order to prevent such a situation, the accuracy of the alarm will deteriorate. For example, it is considered that an alarm is notified even though no abnormality has occurred in the manufacturing process.

本発明は上記事情に鑑みてなされたものであり、将来的に異常が発生する虞があることを高い精度で通知することができるアラーム発生システム及びアラーム発生方法を提供することを目的とする。 The present invention has been made in view of the above circumstances, and an object of the present invention is to provide an alarm generation system and an alarm generation method capable of notifying with high accuracy that an abnormality may occur in the future.

上記課題を解決するために、本発明の一態様によるアラーム発生システム（２０）は、センサ（１１−１〜１１−ｎ，１２−１〜１２−ｋ）から出力される測定値を取得する取得部（２２ａ）と、前記取得部で取得された前記測定値を学習することによって複数のパラメータを有する学習モデル（２３ｂ）を生成する学習部（２２ｂ）と、前記学習部で生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値（２３ｃ）を求める予測部（２２ｃ）と、前記予測部で求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するアラーム発生部（２２ｄ）と、前記取得部で過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する最適化部（２２ｆ）と、を備える。 In order to solve the above problem, the alarm generation system (20) according to one aspect of the present invention acquires the measured value output from the sensor (11-1 to 11-n, 12-1 to 12-k). A unit (22a), a learning unit (22b) that generates a learning model (23b) having a plurality of parameters by learning the measured values acquired by the acquisition unit, and the learning unit generated by the learning unit. Using a model, the prediction unit (22c) for obtaining the predicted measurement value (23c), which is a measurement value that will be obtained in the future than the present time, and the prediction measurement value obtained by the prediction unit determine the alarm generation condition. When the condition is satisfied, at least one of the parameters of the learning model is fixed by using the alarm generating unit (22d) that generates an alarm and the plurality of measured values acquired in the past by the acquiring unit. It includes an optimization unit (22f) that optimizes the values of one fixed parameter.

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記取得部、前記学習部、前記予測部、及びアラーム発生部とは異なる周期で動作する。 Further, in the alarm generation system according to one aspect of the present invention, the optimization unit operates at a cycle different from that of the acquisition unit, the learning unit, the prediction unit, and the alarm generation unit.

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記固定パラメータの値を変えながら、前記取得部で過去に取得された複数の前記測定値を前記学習部に学習させて前記学習モデルと同じパラメータを有する補助学習モデル（２３ｅ）を作成させるとともに、前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値（２３ｆ）を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する。 Further, in the alarm generation system according to one aspect of the present invention, the optimization unit causes the learning unit to learn a plurality of the measured values acquired in the past by the acquisition unit while changing the values of the fixed parameters. An auxiliary learning model (23e) having the same parameters as the learning model is created, and the auxiliary learning model is used to obtain an auxiliary predictive measurement value (23f) corresponding to the predicted measurement value by the prediction unit, and the acquisition is performed. The value of the fixed parameter that minimizes the error between the plurality of measurement values acquired in the past by the unit and the auxiliary prediction measurement value obtained by the prediction unit is used as the value of the fixed parameter of the learning model. Set.

或いは、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記取得部で過去に取得された複数の前記測定値を学習することによって前記学習モデルと同じパラメータを有する補助学習モデル（２３ｅ）を作成する補助学習部（２２ｆ−１）と、前記補助学習部で作成される前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値（２３ｆ）を求める補助予測部（２２ｆ−２）と、を備え、前記固定パラメータの値を変えながら、前記補助学習部に前記補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記補助予測測定値を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記補助予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する。 Alternatively, in the alarm generation system according to one aspect of the present invention, the optimization unit has an auxiliary learning model having the same parameters as the learning model by learning a plurality of the measured values acquired in the past by the acquisition unit. The auxiliary learning unit (22f-1) that creates the 23e) and the auxiliary prediction unit (23f) that obtains the auxiliary prediction measurement value (23f) corresponding to the prediction measurement value using the auxiliary learning model created by the auxiliary learning unit. 22f-2), and while changing the value of the fixed parameter, the auxiliary learning unit is made to create the auxiliary learning model, and the auxiliary learning model is used to obtain the auxiliary prediction measurement value from the prediction unit. Then, the value of the fixed parameter that minimizes the error between the plurality of measurement values acquired in the past by the acquisition unit and the auxiliary prediction measurement value obtained by the auxiliary prediction unit is set to the learning model. Set to a fixed parameter value.

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記誤差として、前記取得部で過去に取得された複数の前記測定値と、前記補助予測測定値との二乗平均平方根誤差を求める。 Further, in the alarm generation system according to one aspect of the present invention, the optimization unit has, as the error, the root mean square error of a plurality of the measured values acquired in the past by the acquisition unit and the auxiliary predicted measured value. Ask for.

本発明の一態様によるアラーム発生方法は、センサ（１１−１〜１１−ｎ，１２−１〜１２−ｋ）から出力される測定値を取得するステップ（Ｓ１１）と、取得された前記測定値を学習することによって複数のパラメータを有する学習モデル（２３ｂ）を生成するステップ（Ｓ１３）と、生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値（２３ｃ）を求めるステップ（Ｓ１５）と、求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するステップ（Ｓ１７、Ｓ１８）と、過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化するステップ（Ｓ２１〜Ｓ２９）と、を有する。 The alarm generation method according to one aspect of the present invention includes a step (S11) of acquiring a measured value output from a sensor (11-1 to 11-n, 12-1 to 12-k) and the acquired measured value. A step (S13) of generating a learning model (23b) having a plurality of parameters by learning the above, and predictive measurement which is a measured value that will be obtained in the future than the present using the generated learning model. A step (S15) for obtaining a value (23c), a step (S17, S18) for generating an alarm when the obtained predicted measured value satisfies an alarm generation condition, and a plurality of the measured values acquired in the past. The step (S21 to S29) of optimizing the value of at least one fixed parameter in which the value of the parameter of the learning model is fixed.

本発明によれば、将来的に異常が発生する虞があることを高い精度で通知することができるという効果がある。 According to the present invention, there is an effect that it is possible to notify with high accuracy that an abnormality may occur in the future.

本発明の実施形態に係る記録計システムの全体構成を示すブロック図である。It is a block diagram which shows the whole structure of the recorder system which concerns on embodiment of this invention. 本発明の実施形態によるアラーム発生システムの要部構成を示すブロック図である。It is a block diagram which shows the main part structure of the alarm generation system by embodiment of this invention. 本発明の実施形態におけるアラーム認識範囲を説明するための図である。It is a figure for demonstrating the alarm recognition range in embodiment of this invention. 本発明の実施形態に係る記録計システムの動作の一例を示すフローチャートである。It is a flowchart which shows an example of the operation of the recorder system which concerns on embodiment of this invention. 本発明の実施形態において最適化部で行われる処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process performed in the optimization part in embodiment of this invention. 図５に示すフローチャートのステップＳ２２〜Ｓ２６の処理の詳細を説明するための図である。It is a figure for demonstrating the details of the process of steps S22-S26 of the flowchart shown in FIG. 図５に示すフローチャートのステップＳ２１〜Ｓ２８の処理が繰り返されることで生成されるテーブルの一例を示す図である。It is a figure which shows an example of the table generated by repeating the process of steps S21-S28 of the flowchart shown in FIG. 本発明の実施形態によるアラーム発生システムの変形例を示すブロック図である。It is a block diagram which shows the modification of the alarm generation system by embodiment of this invention. 本発明の変形例に係る記録計システムの全体構成を示すブロック図である。It is a block diagram which shows the whole structure of the recorder system which concerns on the modification of this invention.

以下、図面を参照して本発明の実施形態によるアラーム発生システム及びアラーム発生方法について説明する。尚、以下で説明する実施形態は、アラーム発生システムを記録計システムに適用した例である。ここで、記録計システムとは、各種センサの測定値を測定データとして記録するとともに、記録した測定データを表示するシステムである。 Hereinafter, an alarm generation system and an alarm generation method according to an embodiment of the present invention will be described with reference to the drawings. The embodiment described below is an example in which the alarm generation system is applied to the recorder system. Here, the recorder system is a system that records the measured values of various sensors as measurement data and displays the recorded measurement data.

〔実施形態〕
〈記録計システム〉
図１は、本発明の実施形態に係る記録計システムの全体構成を示すブロック図である。図１に示す通り、記録計システム１は、ネットワークＮＷを介して通信可能に接続されたセンサ１１−１〜１１−ｎ（ｎは、ｎ＞０を満たす整数）、記録計Ｒ、及び端末装置３０を備える。また、記録計システム１は、記録計Ｒに直接接続されたセンサ１２−１〜１２−ｋ（ｋは、ｋ＞０を満たす整数）を備える。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、無線基地局等を含む。 [Embodiment]
<Recorder system>
FIG. 1 is a block diagram showing an overall configuration of a recorder system according to an embodiment of the present invention. As shown in FIG. 1, the recorder system 1 includes sensors 11-1 to 11-n (n is an integer satisfying n> 0), a recorder R, and a terminal device communicably connected via a network NW. 30 is provided. Further, the recorder system 1 includes sensors 12-1 to 12-k (k is an integer satisfying k> 0) directly connected to the recorder R. The network NW includes, for example, the Internet, a WAN (Wide Area Network), a LAN (Local Area Network), a provider device, a radio base station, and the like.

センサ１１−１〜１１−ｎ及びセンサ１２−１〜１２−ｋは、例えば、圧力センサ、ｐＨセンサ、振動センサ、温度センサ、流量センサ、腐食センサ、歪センサ、ノイズセンサ、ガスセンサ、電圧センサ、電流センサ、レベルセンサ等である。センサ１１−１〜１１−ｎは、測定対象の測定値を取得し、取得した測定値を識別情報（センサＩＤ）とともに測定情報として記録計Ｒに送信する。センサ１２−１〜１２−ｋは、測定対象の測定値を取得し、取得した測定値を示す情報を記録計Ｒに出力する。 Sensors 11-11 to 11-n and sensors 12 to 12-k include, for example, pressure sensors, pH sensors, vibration sensors, temperature sensors, flow rate sensors, corrosion sensors, strain sensors, noise sensors, gas sensors, voltage sensors, and the like. Current sensors, level sensors, etc. The sensors 11-1 to 11-n acquire the measured value of the measurement target, and transmit the acquired measured value together with the identification information (sensor ID) to the recorder R as the measurement information. The sensors 12-1 to 12-k acquire the measured value of the measurement target, and output the information indicating the acquired measured value to the recorder R.

記録計Ｒは、センサ１１−１〜１１−ｎからネットワークＮＷを介して送信されてくる測定情報を記録するとともに、記録した測定情報を表示する。また、記録計Ｒの背面には、モジュール（電圧、電流、ＰＩＤ、パルス、デジタルＩＯ、アナログＩＯ…等）が接続できるようになっており、センサ１２−１〜１２−ｋは、記録計Ｒの背面に直接配線される。記録計Ｒは、センサ１２−１〜１２−ｋが出力した測定値を示す情報を記録するとともに、記録した情報を表示する。 The recorder R records the measurement information transmitted from the sensors 11-1 to 11-n via the network NW, and displays the recorded measurement information. Modules (voltage, current, PID, pulse, digital IO, analog IO, etc.) can be connected to the back of the recorder R, and the sensors 12-1 to 12-k are connected to the recorder R. Wired directly to the back of the. The recorder R records the information indicating the measured value output by the sensors 12-1 to 12-k, and displays the recorded information.

記録計Ｒは、アラーム発生システム２０を備える。アラーム発生システム２０は、現時点よりも未来で得られるであろう測定値である予測測定値を求め、求めた予測測定値がアラーム発生条件を満たす場合に、アラームが発生したことをユーザＵに通知するための情報を作成する。また、アラーム発生システム２０は、求めた予測測定値とアラームが発生すると予測される時刻との少なくとも一方を表示する。ここで、アラームが発生すると予測される時刻は、予測測定値に基づくものである。尚、アラーム発生システム２０の詳細については後述する。 The recorder R includes an alarm generation system 20. The alarm generation system 20 obtains a predicted measured value, which is a measured value that will be obtained in the future than the present time, and notifies the user U that an alarm has occurred when the obtained predicted measured value satisfies the alarm generation condition. Create information to do so. Further, the alarm generation system 20 displays at least one of the obtained predicted measured value and the time when the alarm is predicted to occur. Here, the time at which the alarm is predicted to occur is based on the predicted measured value. The details of the alarm generation system 20 will be described later.

端末装置３０は、アラーム発生システム２０から通知される情報（例えば、電子メールにて送信される、アラームが発生したことを通知するための情報）を受信して、ユーザＵに知らせるための端末である。端末装置３０は、例えば、携帯性を有するノート型又はタブレット型のコンピュータ、ＰＤＡ（Personal Digital Assistant）、又はスマートフォン等である。尚、端末装置３０は、据置型のものであっても良い。 The terminal device 30 is a terminal for receiving information notified from the alarm generation system 20 (for example, information transmitted by e-mail for notifying that an alarm has occurred) and notifying the user U. be. The terminal device 30 is, for example, a portable notebook or tablet computer, a PDA (Personal Digital Assistant), a smartphone, or the like. The terminal device 30 may be a stationary type.

〈アラーム発生システム〉
図２は、本発明の実施形態によるアラーム発生システムの要部構成を示すブロック図である。図２に示す通り、アラーム発生システム２０は、通信部２１、処理部２２、記憶部２３、及び表示部２４を備える。 <Alarm generation system>
FIG. 2 is a block diagram showing a main configuration of an alarm generation system according to an embodiment of the present invention. As shown in FIG. 2, the alarm generation system 20 includes a communication unit 21, a processing unit 22, a storage unit 23, and a display unit 24.

通信部２１は、第１通信部２１ａ及び第２通信部２１ｂを備える。このような通信部２１は、外部装置と通信を行う。 The communication unit 21 includes a first communication unit 21a and a second communication unit 21b. Such a communication unit 21 communicates with an external device.

第１通信部２１ａは、ネットワークＮＷに接続されたセンサ１１−１〜１１−ｎ等の外部装置と通信して、データの送受信を行う。第１通信部２１ａは、例えば、ネットワークＮＷと有線接続される。尚、第１通信部２１ａは、ネットワークＮＷと無線接続されても良い。第１通信部２１ａは、センサ１１−１〜１１−ｎの各々が出力した測定情報を受信する。尚、測定情報には、センサ１１−１〜１１−ｎの各々の識別情報（センサＩＤ）と測定値を示す情報とが含まれる。 The first communication unit 21a communicates with an external device such as sensors 11-1 to 11-n connected to the network NW to transmit and receive data. The first communication unit 21a is, for example, wiredly connected to the network NW. The first communication unit 21a may be wirelessly connected to the network NW. The first communication unit 21a receives the measurement information output by each of the sensors 11-1 to 11-n. The measurement information includes identification information (sensor ID) of each of the sensors 11-1 to 11-n and information indicating a measured value.

第２通信部２１ｂは、ネットワークＮＷに接続された端末装置３０等の外部装置と通信して、データの送受信を行う。具体的には、第２通信部２１ｂは、ＷｉＦｉ（登録商標）、ＬＴＥ（登録商標）等の無線通信技術で無線通信を行う無線デバイスによって構成される。尚、詳細は後述するが、第２通信部２１ｂは、処理部２２の作成部２２ｅが出力した通知情報を取得し、取得した通知情報を端末装置３０へ送信する。通知情報には、アラームが発生したことを通知するための情報が含まれる。ここで、アラームが発生したことを通知するため情報には、例えば、発生したチャネルの情報、アラームレベル、アラーム種類、発生時刻等が含まれる。 The second communication unit 21b communicates with an external device such as a terminal device 30 connected to the network NW to transmit / receive data. Specifically, the second communication unit 21b is composed of a wireless device that performs wireless communication by wireless communication technology such as WiFi (registered trademark) and LTE (registered trademark). Although the details will be described later, the second communication unit 21b acquires the notification information output by the creation unit 22e of the processing unit 22, and transmits the acquired notification information to the terminal device 30. The notification information includes information for notifying that an alarm has occurred. Here, the information for notifying that an alarm has occurred includes, for example, information on the channel in which the alarm has occurred, the alarm level, the type of alarm, the time of occurrence, and the like.

処理部２２は、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、作成部２２ｅ、及び最適化部２２ｆを備える。このような処理部２２は、アラームを発生させるための各種処理を行う。 The processing unit 22 includes an acquisition unit 22a, a learning unit 22b, a prediction unit 22c, an alarm generation unit 22d, a creation unit 22e, and an optimization unit 22f. Such a processing unit 22 performs various processes for generating an alarm.

取得部２２ａは、第１通信部２１ａが受信した測定情報を取得する。取得部２２ａは、測定情報を取得した日時情報を、アラーム発生システム２０が備える時計（図示省略）から取得する。取得部２２ａは、測定情報（センサＩＤと測定値を示す情報）と、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。また、取得部２２ａは、センサ１２−１〜１２−ｋが出力した測定値を示す情報を取得する。取得部２２ａは、測定値を示す情報を取得した日時情報を、アラーム発生システム２０が備える時計（図示省略）から取得する。取得部２２ａは、測定値を示す情報と、その測定値を示す情報を出力したセンサのセンサＩＤと、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。 The acquisition unit 22a acquires the measurement information received by the first communication unit 21a. The acquisition unit 22a acquires the date and time information from which the measurement information has been acquired from the clock (not shown) included in the alarm generation system 20. The acquisition unit 22a associates the measurement information (information indicating the sensor ID and the measurement value) with the acquired date and time information, and stores the measurement information in the measurement value information 23a of the storage unit 23. Further, the acquisition unit 22a acquires information indicating the measured value output by the sensors 12-1 to 12-k. The acquisition unit 22a acquires the date and time information from which the information indicating the measured value is acquired from the clock (not shown) included in the alarm generation system 20. The acquisition unit 22a associates the information indicating the measured value, the sensor ID of the sensor that outputs the information indicating the measured value, and the acquired date and time information, and stores the information indicating the measured value in the measured value information 23a of the storage unit 23.

学習部２２ｂは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。学習部２２ｂは、新たな測定情報及び日時情報が測定値情報２３ａに記憶される度に、上記の関係をセンサＩＤ毎に学習するようにしてもよいし、１分、１時間、１日等の所定の周期で、上記の関係をセンサＩＤ毎に学習するようにしてもよい。学習部２２ｂは、学習することによって得られた学習モデルを、センサＩＤに関連付けて、記憶部２３の学習モデル２３ｂに記憶させる。 The learning unit 22b uses the measured value information 23a of the storage unit 23 to learn the relationship between a plurality of measured values and the date and time information from which the measured values are obtained for each sensor ID. The learning unit 22b may learn the above relationship for each sensor ID each time new measurement information and date / time information are stored in the measurement value information 23a, such as 1 minute, 1 hour, 1 day, etc. The above relationship may be learned for each sensor ID in a predetermined cycle of. The learning unit 22b associates the learning model obtained by learning with the sensor ID and stores it in the learning model 23b of the storage unit 23.

例えば、学習部２２ｂは、ＡＩ（Artificial Intelligence）技術によって、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。ここで、ＡＩ技術の一例は、機械学習、強化学習である。学習部２２ｂは、学習に使用するアルゴリズム、使用状況に基づいて、学習する周期を変化させてもよい。また、学習部２２ｂは、複数の測定値とその測定値が得られる日時情報との関係に基づいて、カルマンフィルタ、ＡＲＩＭＡモデル等の時系列解析手法を使用してもよい。 For example, the learning unit 22b learns the relationship between a plurality of measured values and the date and time information from which the measured values are obtained for each sensor ID by AI (Artificial Intelligence) technology. Here, an example of AI technology is machine learning and reinforcement learning. The learning unit 22b may change the learning cycle based on the algorithm used for learning and the usage situation. Further, the learning unit 22b may use a time series analysis method such as a Kalman filter or an ARIMA model based on the relationship between a plurality of measured values and the date and time information from which the measured values are obtained.

以下では、学習部２２ｂが、カルマンフィルタを用いた機械学習を行うことによって学習モデルを作成する場合を例に挙げて説明する。ここで、カルマンフィルタを用いた機械学習を行うことによって作成される学習モデルは、「予測値」、「傾き」、「ノイズ」の３つのパラメータを有する。「予測値」及び「傾き」は、学習モデルが作成（更新）される度に値が変わる可変パラメータであるが、「ノイズ」は、値が固定である固定パラメータである。 In the following, a case where the learning unit 22b creates a learning model by performing machine learning using a Kalman filter will be described as an example. Here, the learning model created by performing machine learning using the Kalman filter has three parameters of "predicted value", "slope", and "noise". The "predicted value" and the "slope" are variable parameters whose values change each time the learning model is created (updated), while the "noise" is a fixed parameter whose value is fixed.

予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、現時点よりも未来の時刻を示す時刻情報と、その時刻に得られるであろう測定値である予測測定値とを、センサＩＤ毎に予測する。例えば、予測部２２ｃは、１点先の予測測定値、２点先の予測測定値といったような結果を取得する。１点目と２点目がどのぐらい時間的に離れているかは学習データに依存する。学習データの１点の間隔が１秒であれば予測値の１点の間隔も１秒になり、学習データの１点の間隔が１分であれば予測値の１点の間隔も１分になる。予測部２２ｃは、予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の予測測定値情報２３ｃに記憶させる。 Using the learning model stored in the learning model 23b, the prediction unit 22c senses time information indicating a time later than the present time and a predicted measurement value which is a measurement value that will be obtained at that time. Predict for each ID. For example, the prediction unit 22c acquires a result such as a predicted measurement value one point ahead and a predicted measurement value two points ahead. How far the first and second points are in time depends on the training data. If the interval of one point of the training data is 1 second, the interval of one point of the predicted value is also 1 second, and if the interval of one point of the training data is 1 minute, the interval of one point of the predicted value is also 1 minute. Become. The prediction unit 22c associates the predicted measurement value and the time information with the sensor ID and stores the predicted measurement value information 23c in the storage unit 23.

アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値と時刻情報とに基づいて、予測測定値に、アラーム発生条件を満たすものがあるか否かを判定する。具体的に、アラーム発生部２２ｄは、アラーム発生条件を満たすものがあるか否かを判定する時間範囲であるアラーム認識範囲においてアラーム発生条件を満たす予測測定値があるか否かを判定する。 The alarm generating unit 22d determines whether or not the predicted measured value satisfies the alarm generation condition based on the predicted measured value and the time information for each sensor ID stored in the predicted measured value information 23c of the storage unit 23. Is determined. Specifically, the alarm generation unit 22d determines whether or not there is a predicted measurement value that satisfies the alarm generation condition in the alarm recognition range, which is a time range for determining whether or not there is an alarm generation condition.

アラーム認識範囲として、任意の時間範囲を設定可能である。例えば、現時点を基準とした時間範囲を設定することも、未来のある時点を基準とした時間範囲を設定することも可能である。アラーム発生条件は、例えば、予測測定値が上限値を超えること、予測測定値が下限値未満となること、予測測定値の変化値が変化値上限値を超えること、予測測定値の変化値が変化値下限値未満となることの少なくとも一つである。 Any time range can be set as the alarm recognition range. For example, it is possible to set a time range based on the present time, or to set a time range based on a certain point in the future. The alarm generation conditions are, for example, that the predicted measured value exceeds the upper limit, the predicted measured value is less than the lower limit, the change value of the predicted measured value exceeds the upper limit of the change value, and the change value of the predicted measured value is. It is at least one of being less than the lower limit of the change value.

図３は、本発明の実施形態におけるアラーム認識範囲を説明するための図である。図３において、実線は過去に得られた測定値（過去測定値）を示し、一点鎖線は現時点よりも未来で得られるであろう予測測定値を示す。図３に示す例では、アラーム認識範囲として、「現時点から３０分間」と、「現時点から６０分間」とが示されている。ここで、アラーム発生条件が、予測測定値が上限値を超えることが設定されているとする。 FIG. 3 is a diagram for explaining an alarm recognition range in the embodiment of the present invention. In FIG. 3, the solid line shows the measured values obtained in the past (past measured values), and the alternate long and short dash line shows the predicted measured values that will be obtained in the future than the present. In the example shown in FIG. 3, "30 minutes from the present time" and "60 minutes from the present time" are shown as the alarm recognition range. Here, it is assumed that the alarm generation condition is set so that the predicted measured value exceeds the upper limit value.

図３に示す例において、アラーム認識範囲が「現時点から３０分間」に設定されている場合には、その時間範囲にアラーム上限値を超える予測測定値がないため、アラーム発生部２２ｄは、アラーム発生条件を満たすものはないと判定する。これに対し、アラーム認識範囲が「現時点から６０分間」に設定されている場合には、その時間範囲にアラーム上限値を超える予測測定値があるため、アラーム発生部２２ｄは、アラーム発生条件を満たすものがあると判定する。 In the example shown in FIG. 3, when the alarm recognition range is set to "30 minutes from the present time", the alarm generation unit 22d generates an alarm because there is no predicted measurement value exceeding the alarm upper limit value in that time range. It is determined that none of the conditions are met. On the other hand, when the alarm recognition range is set to "60 minutes from the present time", the alarm generation unit 22d satisfies the alarm generation condition because there is a predicted measurement value exceeding the alarm upper limit value in that time range. Judge that there is something.

アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値について、アラーム認識範囲においてアラーム発生条件を満たすものがあるか否かをそれぞれ判定する。アラーム発生部２２ｄは、センサＩＤ毎の予測測定値のうち、アラーム認識範囲においてアラーム発生条件を満たすものが１つでもある場合にアラームを発生する。アラーム発生部２２ｄは、予測測定値とアラームが発生すると予測される時刻とを表示するための情報であるアラーム表示情報を表示部２４に出力する。 The alarm generation unit 22d determines whether or not there is a predicted measurement value for each sensor ID stored in the predicted measurement value information 23c of the storage unit 23 that satisfies the alarm generation condition in the alarm recognition range. The alarm generation unit 22d generates an alarm when there is at least one predicted measurement value for each sensor ID that satisfies the alarm generation condition in the alarm recognition range. The alarm generation unit 22d outputs alarm display information, which is information for displaying the predicted measurement value and the time when the alarm is predicted to occur, to the display unit 24.

また、アラーム発生部２２ｄは、記憶部２３のセンサ設置情報２３ｄから、センサＩＤに関連付けて記憶されているセンサが設置されている位置を示すセンサ設置位置情報を取得する。ここで、センサ設定位置情報は、予めユーザによって設定される。センサ設置位置情報として、例えば、位置に該当する場所の名称を用いることができる。アラーム発生部２２ｄは、現時点の時刻からアラームが発生すると予測される時刻までの時間を示す発生時間を求める。アラーム発生部２２ｄは、アラームの詳細を表示するための情報であるアラーム詳細情報を表示部２４に出力する。アラーム詳細情報には、センサ設置位置情報と、アラーム発生条件と、発生時間とが含まれる。 Further, the alarm generation unit 22d acquires the sensor installation position information indicating the position where the sensor stored in association with the sensor ID is installed from the sensor installation information 23d of the storage unit 23. Here, the sensor setting position information is set in advance by the user. As the sensor installation position information, for example, the name of the place corresponding to the position can be used. The alarm generation unit 22d obtains an generation time indicating the time from the current time to the time when the alarm is predicted to occur. The alarm generation unit 22d outputs alarm detailed information, which is information for displaying the alarm details, to the display unit 24. The detailed alarm information includes sensor installation position information, an alarm occurrence condition, and an occurrence time.

作成部２２ｅは、予測測定値がアラーム発生条件を満たすとアラーム発生部２２ｄで判定された場合に、アラームが発生したことを通知するための通知情報を作成する。作成部２２ｅは、作成した通知情報を、第２通信部２１ｂへ出力する。例えば、作成部２２ｅは、アラームが発生したことを通知するための情報を含む、予め設定される通知先（例えば、端末装置３０）を宛先とする電子メールを作成する。作成部２２ｅは、作成した電子メールを、第２通信部２１ｂへ出力する。 The creation unit 22e creates notification information for notifying that an alarm has occurred when the alarm generation unit 22d determines that the predicted measured value satisfies the alarm generation condition. The creation unit 22e outputs the created notification information to the second communication unit 21b. For example, the creation unit 22e creates an e-mail addressed to a preset notification destination (for example, the terminal device 30), which includes information for notifying that an alarm has occurred. The creation unit 22e outputs the created e-mail to the second communication unit 21b.

最適化部２２ｆは、記憶部２３の測定値情報２３ａ（取得部２２ａで過去に取得された複数の測定値が含まれる情報）を用い、記憶部２３の学習モデル２３ｂに記憶されている学習モデルが有する固定パラメータの値を最適化する。最適化部２２ｆがこのような最適化を行うのは、将来的に異常が発生する虞があることを高い精度で通知することができるようにするためである。この最適化部２２ｆは、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、及び作成部２２ｅとは異なる周期で動作する。例えば、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、及び作成部２２ｅが数秒程度の周期で動作し、最適化部２２ｆは、数分〜数日程度の周期で動作する。 The optimization unit 22f uses the measurement value information 23a of the storage unit 23 (information including a plurality of measurement values acquired in the past by the acquisition unit 22a), and is a learning model stored in the learning model 23b of the storage unit 23. Optimize the fixed parameter values that have. The optimization unit 22f performs such optimization in order to be able to notify with high accuracy that an abnormality may occur in the future. The optimization unit 22f operates at a cycle different from that of the acquisition unit 22a, the learning unit 22b, the prediction unit 22c, the alarm generation unit 22d, and the creation unit 22e. For example, the acquisition unit 22a, the learning unit 22b, the prediction unit 22c, the alarm generation unit 22d, and the creation unit 22e operate in a cycle of about several seconds, and the optimization unit 22f operates in a cycle of about several minutes to several days.

最適化部２２ｆは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係（センサＩＤ毎の関係）を学習部２２ｂに学習させ、補助学習モデルを作成させる。ここで、補助学習モデルは、学習モデル２３ｂに記憶されている学習モデルと同様に、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。最適化部２２ｆは、固定パラメータの値を変えながら、上記の補助学習モデルを学習部２２ｂに学習させる。最適化部２２ｆは、学習部２２ｂに学習させて得られる補助学習モデルをセンサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。 The optimization unit 22f uses the measurement value information 23a of the storage unit 23 to cause the learning unit 22b to learn the relationship (relationship for each sensor ID) between a plurality of measurement values and the date and time information from which the measurement values are obtained, and assist learning. Let them create a model. Here, the auxiliary learning model has two variable parameters (“predicted value” and “slope”) and one fixed parameter (“noise”), similarly to the learning model stored in the learning model 23b. It is a model. The optimization unit 22f causes the learning unit 22b to learn the above auxiliary learning model while changing the value of the fixed parameter. The optimization unit 22f associates the auxiliary learning model obtained by having the learning unit 22b learn with the sensor ID, and stores the auxiliary learning model 23e in the storage unit 23.

最適化部２２ｆは、記憶部２３の補助学習モデル２３ｅに記憶された補助学習モデルを用いて、予測測定値に相当する補助予測測定値を予測部２２ｃに求めさせる。補助学習モデルは、固定パラメータの値を変えながら得られるものであるため、最適化部２２ｆは、補助学習モデルが得られる度に、得られた補助学習モデルを用いて補助予測測定値を予測部２２ｃに求めさせる。最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。 The optimization unit 22f causes the prediction unit 22c to obtain an auxiliary prediction measurement value corresponding to the prediction measurement value by using the auxiliary learning model stored in the auxiliary learning model 23e of the storage unit 23. Since the auxiliary learning model is obtained while changing the value of the fixed parameter, the optimization unit 22f predicts the auxiliary prediction measurement value using the obtained auxiliary learning model each time the auxiliary learning model is obtained. Ask 22c to ask. The optimization unit 22f associates the auxiliary prediction measurement value and the time information with the sensor ID, and stores the auxiliary prediction measurement value information 23f in the storage unit 23.

最適化部２２ｆは、測定値情報２３ａに含まれる測定値と、補助予測測定値情報２３ｆに含まれる補助予測測定値との誤差が最も小さくなる固定パラメータの値を、学習モデル２３ｂに記憶された学習モデルの固定パラメータの値に設定する。最適化部２２ｆは、上記の誤差として、例えば、測定値情報２３ａに含まれる測定値と補助予測測定値情報２３ｆに含まれる補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ：Root Mean Squared Error）、平均絶対誤差（ＭＡＥ：Mean Absolute Error）、平均二乗誤差（ＭＳＥ：Mean Square Error）等を求める。以下では、最適化部２２ｆが、上記の誤差として、二乗平均平方根誤差（ＲＭＳＥ）を求める場合を例に挙げて説明する。尚、最適化部２２ｆは、上記の最適化をセンサＩＤ毎に行う。 The optimization unit 22f stores in the learning model 23b the value of the fixed parameter that minimizes the error between the measured value included in the measured value information 23a and the auxiliary predicted measured value included in the auxiliary predicted measured value information 23f. Set to the fixed parameter value of the training model. As the above error, the optimization unit 22f has, for example, the squared mean squared error (RMSE: Root Mean Squared Error) between the measured value included in the measured value information 23a and the auxiliary predicted measured value included in the auxiliary predicted measured value information 23f. , Mean Absolute Error (MAE), Mean Square Error (MSE), etc. are obtained. In the following, a case where the optimization unit 22f obtains the root mean square error (RMSE) as the above error will be described as an example. The optimization unit 22f performs the above optimization for each sensor ID.

記憶部２３は、前述した測定値情報２３ａ、学習モデル２３ｂ、予測測定値情報２３ｃ、センサ設置情報２３ｄ、補助学習モデル２３ｅ、及び補助予測測定値情報２３ｆを記憶する。尚、測定値情報２３ａ、学習モデル２３ｂ、予測測定値情報２３ｃ、センサ設置情報２３ｄ、補助学習モデル２３ｅ、及び補助予測測定値情報２３ｆは、クラウド上やＰＣ上に記憶されていてもよい。記憶部２３は、例えば、ＨＤＤ（Hard Disk Drive）やフラッシュメモリ、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等により実現される。 The storage unit 23 stores the above-mentioned measurement value information 23a, learning model 23b, prediction measurement value information 23c, sensor installation information 23d, auxiliary learning model 23e, and auxiliary prediction measurement value information 23f. The measured value information 23a, the learning model 23b, the predicted measured value information 23c, the sensor installation information 23d, the auxiliary learning model 23e, and the auxiliary predicted measured value information 23f may be stored on the cloud or on the PC. The storage unit 23 is realized by, for example, an HDD (Hard Disk Drive), a flash memory, a RAM (Random Access Memory), a ROM (Read Only Memory), or the like.

表示部２４は、例えば、タッチパネルが設けられた液晶表示装置を備えており、記憶部２３の測定値情報２３ａから測定値と日時情報とを取得し、取得した測定値と日時情報との関係を表したトレンドチャートを表示する。また、表示部２４は、測定値と日時情報との関係に加え、記憶部２３の予測測定値情報２３ｃから予測測定値と時刻情報とを取得し、取得した予測測定値と時刻情報との関係を表したトレンドチャートを表示する。 The display unit 24 is provided with, for example, a liquid crystal display device provided with a touch panel, acquires the measured value and the date and time information from the measured value information 23a of the storage unit 23, and determines the relationship between the acquired measured value and the date and time information. Display the displayed trend chart. Further, in addition to the relationship between the measured value and the date and time information, the display unit 24 acquires the predicted measured value and the time information from the predicted measured value information 23c of the storage unit 23, and the relationship between the acquired predicted measured value and the time information. Display the trend chart showing.

また、表示部２４は、アラーム発生部２２ｄが出力した予測測定値とアラームが発生すると予測される時刻とを表示するための情報であるアラーム表示情報を取得し、取得したアラーム表示情報に基づいて、予測測定値とアラームが発生すると予測される時刻とのいずれか一方又は両方を表示する。ここでは、表示部２４が、予測測定値とアラームが発生すると予測される時刻との両方を表示する場合について説明する。また、表示部２４は、アラームの詳細を表示する。 Further, the display unit 24 acquires alarm display information which is information for displaying the predicted measurement value output by the alarm generating unit 22d and the time when the alarm is predicted to occur, and based on the acquired alarm display information. , Display one or both of the predicted measurement value and the time when the alarm is expected to occur. Here, a case where the display unit 24 displays both the predicted measured value and the time when the alarm is predicted to occur will be described. In addition, the display unit 24 displays the details of the alarm.

上述した処理部２２の取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、作成部２２ｅ、及び最適化部２２ｆは、例えば、ＣＰＵ（Central Processing Unit）等のハードウェアプロセッサが記憶部２３に格納されたプログラム（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又は全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェア（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の協働によって実現されてもよい。プログラムは、予めＨＤＤやフラッシュメモリ等の記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭ等の着脱可能な記憶媒体（非一過性の記憶媒体）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。 The acquisition unit 22a, the learning unit 22b, the prediction unit 22c, the alarm generation unit 22d, the creation unit 22e, and the optimization unit 22f of the processing unit 22 described above are stored in, for example, a hardware processor such as a CPU (Central Processing Unit). It is realized by executing the program (software) stored in 23. In addition, some or all of these functional units are hardware (circuits) such as LSI (Large Scale Integration), ASIC (Application Specific Integrated Circuit), FPGA (Field-Programmable Gate Array), GPU (Graphics Processing Unit), etc. It may be realized by the part; including circuitry), or it may be realized by the cooperation of software and hardware. The program may be stored in advance in a storage device such as an HDD or a flash memory (a storage device including a non-transient storage medium), or a removable storage medium such as a DVD or a CD-ROM (non-transient). It is stored in a sex storage medium) and may be installed by attaching the storage medium to a drive device.

〈記録計システムの動作〉
図４は、本発明の実施形態に係る記録計システムの動作の一例を示すフローチャートである。尚、以下では、主に、記録計システム１に設けられたアラーム発生システム２０の動作について説明する。図４に示すフローチャートは、一定の時間間隔（例えば、数秒程度）で繰り返し行われる。 <Operation of recorder system>
FIG. 4 is a flowchart showing an example of the operation of the recorder system according to the embodiment of the present invention. In the following, the operation of the alarm generation system 20 provided in the recorder system 1 will be mainly described. The flowchart shown in FIG. 4 is repeated at regular time intervals (for example, about several seconds).

（ステップＳ１１）
アラーム発生システム２０において、第１通信部２１ａは、センサ１１−１〜１１−ｎが送信した測定情報（センサＩＤと測定値とが含まれる情報）を受信する。取得部２２ａは、第１通信部２１ａが受信した測定情報を取得する。また、取得部２２ａは、センサ１２−１〜１２−ｋが出力した測定値を示す情報を取得する。 (Step S11)
In the alarm generation system 20, the first communication unit 21a receives the measurement information (information including the sensor ID and the measured value) transmitted by the sensors 11-1 to 11-n. The acquisition unit 22a acquires the measurement information received by the first communication unit 21a. Further, the acquisition unit 22a acquires information indicating the measured value output by the sensors 12-1 to 12-k.

（ステップＳ１２）
アラーム発生システム２０において、取得部２２ａは、測定情報を取得した日時情報を、アラーム発生システム２０が備える時計から取得する。取得部２２ａは、測定情報（センサＩＤと測定値とが含まれる情報）と、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。取得部２２ａは、測定値を示す情報を取得した日時情報を、アラーム発生システム２０が備える時計から取得する。取得部２２ａは、測定値を示す情報と、その測定値を示す情報を出力したセンサのセンサＩＤと、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。 (Step S12)
In the alarm generation system 20, the acquisition unit 22a acquires the date and time information from which the measurement information was acquired from the clock included in the alarm generation system 20. The acquisition unit 22a associates the measurement information (information including the sensor ID and the measured value) with the acquired date and time information, and stores the measurement information in the measurement value information 23a of the storage unit 23. The acquisition unit 22a acquires the date and time information from which the information indicating the measured value is acquired from the clock provided in the alarm generation system 20. The acquisition unit 22a associates the information indicating the measured value, the sensor ID of the sensor that outputs the information indicating the measured value, and the acquired date and time information, and stores the information indicating the measured value in the measured value information 23a of the storage unit 23.

（ステップＳ１３）
アラーム発生システム２０において、学習部２２ｂは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。
（ステップＳ１４）
アラーム発生システム２０において、学習部２２ｂは、学習することによって得られた学習モデルを、センサＩＤに関連付けて、記憶部２３の学習モデル２３ｂに記憶させる。尚、学習モデル２３ｂに記憶される学習モデルは、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。 (Step S13)
In the alarm generation system 20, the learning unit 22b uses the measured value information 23a of the storage unit 23 to learn the relationship between a plurality of measured values and the date and time information from which the measured values are obtained for each sensor ID.
(Step S14)
In the alarm generation system 20, the learning unit 22b stores the learning model obtained by learning in the learning model 23b of the storage unit 23 in association with the sensor ID. The learning model stored in the learning model 23b is a model having two variable parameters (“predicted value” and “slope”) and one fixed parameter (“noise”).

（ステップＳ１５）
アラーム発生システム２０において、予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、予測測定値と時刻情報とを、センサＩＤ毎に算出する。
（ステップＳ１６）
アラーム発生システム２０において、予測部２２ｃは、予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の予測測定値情報２３ｃに記憶させる。 (Step S15)
In the alarm generation system 20, the prediction unit 22c calculates the predicted measurement value and the time information for each sensor ID by using the learning model stored in the learning model 23b.
(Step S16)
In the alarm generation system 20, the prediction unit 22c stores the predicted measurement value and the time information in the predicted measurement value information 23c of the storage unit 23 in association with the sensor ID.

（ステップＳ１７）
アラーム発生システム２０において、アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値と時刻情報とに基づいて、予測測定値に、アラーム発生条件を満たすものがあるか否かを判定する。予測測定値に、アラーム発生条件を満たすものが無い場合（ステップＳ１７の判定結果が「ＮＯ」の場合）には図４に示す一連の処理が終了する。 (Step S17)
In the alarm generation system 20, the alarm generation unit 22d sets the alarm generation condition in the predicted measurement value based on the predicted measurement value and the time information for each sensor ID stored in the predicted measurement value information 23c of the storage unit 23. Determine if there is something to meet. If none of the predicted measured values satisfy the alarm generation condition (when the determination result in step S17 is "NO"), the series of processes shown in FIG. 4 is completed.

（ステップＳ１８）
アラーム発生システム２０において、アラーム発生部２２ｄは、予測測定値に、アラーム発生条件を満たすものがある場合（ステップＳ１７の判定結果が「ＹＥＳ」の場合）に、アラームを発生する。
（ステップＳ１９）
アラーム発生システム２０において、作成部２２ｅは、通知情報を作成する。そして、作成部２２ｅは、作成した通知情報を、第２通信部２１ｂへ出力する。第２通信部２１ｂは、作成部２２ｅが出力した通知情報を取得し、取得した通知情報を端末装置３０へ送信する。 (Step S18)
In the alarm generation system 20, the alarm generation unit 22d generates an alarm when there is a predicted measurement value that satisfies the alarm generation condition (when the determination result in step S17 is “YES”).
(Step S19)
In the alarm generation system 20, the creation unit 22e creates notification information. Then, the creation unit 22e outputs the created notification information to the second communication unit 21b. The second communication unit 21b acquires the notification information output by the creation unit 22e, and transmits the acquired notification information to the terminal device 30.

端末装置３０は、アラーム発生システム２０が送信した通知情報を受信する。そして、端末装置３０は、受信した通知情報を取得し、取得した通知情報に含まれるアラームが発生したことを通知するための情報を表示する。 The terminal device 30 receives the notification information transmitted by the alarm generation system 20. Then, the terminal device 30 acquires the received notification information and displays the information for notifying that the alarm included in the acquired notification information has occurred.

〈最適化部で行われる処理〉
図５は、本発明の実施形態において最適化部で行われる処理の一例を示すフローチャートである。図５に示すフローチャートは、図４に示すフローチャートとは別に、一定の時間間隔（例えば、数分〜数日程度）で繰り返し行われる。 <Processing performed in the optimization section>
FIG. 5 is a flowchart showing an example of processing performed by the optimization unit in the embodiment of the present invention. The flowchart shown in FIG. 5 is repeated at regular time intervals (for example, about several minutes to several days) separately from the flowchart shown in FIG.

（ステップＳ２１）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの値（初期値）を設定する。ここで設定する値は任意の値で良い。例えば、補助学習モデルで用いる固定パラメータの値を「０」〜「２０」の範囲で変化させる場合には、値「０」を設定する。 (Step S21)
In the alarm generation system 20, the optimization unit 22f sets a fixed parameter value (initial value) used in the auxiliary learning model. The value set here may be any value. For example, when changing the value of the fixed parameter used in the auxiliary learning model in the range of "0" to "20", the value "0" is set.

（ステップＳ２２）
アラーム発生システム２０において、最適化部２２ｆは、記憶部２３の測定値情報２３ａを用い、過去に得られた複数の測定値とその測定値が得られる日時情報との関係（センサＩＤ毎の関係）を学習部２２ｂに学習させる。例えば、最適化部２２ｆは、記憶部２３の測定値情報２３ａから、過去に得られた５００点の測定値を読み出し、読み出した５００点の測定値を用いて上記の関係を学習させる。 (Step S22)
In the alarm generation system 20, the optimization unit 22f uses the measured value information 23a of the storage unit 23, and the relationship between a plurality of measured values obtained in the past and the date and time information from which the measured values are obtained (relationship for each sensor ID). ) Is learned by the learning unit 22b. For example, the optimization unit 22f reads out the measured values of 500 points obtained in the past from the measured value information 23a of the storage unit 23, and learns the above relationship using the read measured values of 500 points.

（ステップＳ２３）
アラーム発生システム２０において、最適化部２２ｆは、学習部２２ｂに学習させることによって得られた補助学習モデルを、センサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。尚、補助学習モデル２３ｅに記憶される補助学習モデルは、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。 (Step S23)
In the alarm generation system 20, the optimization unit 22f stores the auxiliary learning model obtained by training the learning unit 22b in the auxiliary learning model 23e of the storage unit 23 in association with the sensor ID. The auxiliary learning model stored in the auxiliary learning model 23e is a model having two variable parameters (“predicted value” and “slope”) and one fixed parameter (“noise”).

（ステップＳ２４）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデル２３ｅに記憶されている補助学習モデルを用いて、センサＩＤ毎の補助予測測定値と時刻情報とを、予測部２２ｃに求めさせる。
（ステップＳ２５）
アラーム発生システム２０において、最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。 (Step S24)
In the alarm generation system 20, the optimization unit 22f causes the prediction unit 22c to obtain the auxiliary prediction measurement value and the time information for each sensor ID by using the auxiliary learning model stored in the auxiliary learning model 23e.
(Step S25)
In the alarm generation system 20, the optimization unit 22f stores the auxiliary prediction measurement value and the time information in the auxiliary prediction measurement value information 23f of the storage unit 23 in association with the sensor ID.

（ステップＳ２６）
アラーム発生システム２０において、最適化部２２ｆは、測定値情報２３ａから読み出した測定値と補助予測測定値情報２３ｆに含まれる補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ）をセンサＩＤ毎に求める。尚、最適化部２２ｆは、求めた二乗平均平方根誤差（ＲＭＳＥ）を記憶部２３に記憶させる。 (Step S26)
In the alarm generation system 20, the optimization unit 22f obtains the root mean square error (RMSE) of the measured value read from the measured value information 23a and the auxiliary predicted measured value included in the auxiliary predicted measured value information 23f for each sensor ID. .. The optimization unit 22f stores the obtained root mean square error (RMSE) in the storage unit 23.

図６は、図５に示すフローチャートのステップＳ２２〜Ｓ２６の処理の詳細を説明するための図である。図６において、実線は過去に得られた測定値（過去測定値）を示し、点線は補助予測測定値を示す。まず、最適化部２２ｆは、図６（ａ）に示す通り、記憶部２３の測定値情報２３ａから読み出した５００点の測定値のうち、最も古い３０点（第１点目〜第３０点目）の測定値を学習部２２ｂに逐次学習させて補助学習モデルを逐次作成（更新）させる。尚、補助学習データで用いられる固定パラメータの値は、ステップＳ２１で既に設定されている。 FIG. 6 is a diagram for explaining the details of the processes of steps S22 to S26 of the flowchart shown in FIG. In FIG. 6, the solid line shows the measured value (past measured value) obtained in the past, and the dotted line shows the auxiliary predicted measured value. First, as shown in FIG. 6A, the optimization unit 22f has the oldest 30 points (1st to 30th points) among the 500 measured values read from the measured value information 23a of the storage unit 23. ) Is sequentially learned by the learning unit 22b to sequentially create (update) an auxiliary learning model. The fixed parameter values used in the auxiliary learning data have already been set in step S21.

次に、最適化部２２ｆは、図６（ｂ）に示す通り、第３１点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第９１点目の補助予測測定値を予測部２２ｃに求めさせる。続いて、最適化部２２ｆは、第３２点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第９２点目の補助予測測定値を予測部２２ｃに求めさせる。このように、最適化部２２ｆは、第（３０＋ｉ）点目（ｉは、１≦ｉ≦６０を満たす整数）の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第（９０＋ｉ）点目の補助予測測定値を予測部２２ｃに求めさせる処理を順次行わせる。 Next, as shown in FIG. 6B, the optimization unit 22f causes the learning unit 22b to learn the measured value at the 31st point to update the auxiliary learning model, and uses the updated auxiliary learning model to update the auxiliary learning model. The prediction unit 22c is made to obtain the auxiliary prediction measurement value of the 91st point. Subsequently, the optimization unit 22f causes the learning unit 22b to learn the measured value at the 32nd point to update the auxiliary learning model, and uses the updated auxiliary learning model to obtain the auxiliary prediction measured value at the 92nd point. Have the prediction unit 22c obtain it. In this way, the optimization unit 22f was updated by having the learning unit 22b learn the measured value of the (30 + i) point (i is an integer satisfying 1 ≦ i ≦ 60) to update the auxiliary learning model. Using the auxiliary learning model, the prediction unit 22c is sequentially subjected to the process of obtaining the auxiliary prediction measurement value of the (90 + i) point.

次いで、最適化部２２ｆは、図６（ｃ）に示す通り、第９１点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第１５１点目の補助予測測定値を予測部２２ｃに求めさせる。続いて、最適化部２２ｆは、第９２点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第１５２点目の補助予測測定値を予測部２２ｃに求めさせる。このように、最適化部２２ｆは、第（９０＋ｉ）点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第（１５０＋ｉ）点目の補助予測測定値を予測部２２ｃに求めさせる処理を順次行わせる。最適化部２２ｆは、以下同様の処理を行って、図６（ｄ）〜図６（ｉ）に示す通り、学習部２２ｂの学習に用いられる測定値よりも６０点先の補助予測測定値を予測部２２ｃに順次求めさせる。 Next, as shown in FIG. 6C, the optimization unit 22f causes the learning unit 22b to learn the measured value at the 91st point to update the auxiliary learning model, and uses the updated auxiliary learning model to update the 151st The prediction unit 22c is made to obtain the auxiliary prediction measurement value of the point. Subsequently, the optimization unit 22f causes the learning unit 22b to learn the measured value at the 92nd point to update the auxiliary learning model, and uses the updated auxiliary learning model to obtain the auxiliary prediction measured value at the 152nd point. Have the prediction unit 22c obtain it. In this way, the optimization unit 22f causes the learning unit 22b to learn the measured value at the (90 + i) point to update the auxiliary learning model, and uses the updated auxiliary learning model to update the auxiliary learning model at the (150 + i) point. The process of having the prediction unit 22c obtain the auxiliary prediction measurement value is sequentially performed. The optimization unit 22f performs the same processing thereafter to obtain an auxiliary predicted measurement value 60 points ahead of the measurement value used for learning of the learning unit 22b, as shown in FIGS. 6 (d) to 6 (i). The prediction unit 22c is made to obtain the values one by one.

最適化部２２ｆは、第５００点目の補助予測測定値が求められると、例えば、測定値情報２３ａから読み出した第９０点目〜第５００点目の測定値と、予測部２２ｃで求められた第９０点目〜第５００点目の補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ）をセンサＩＤ毎に求める。尚、最適化部２２ｆは、求めた二乗平均平方根誤差（ＲＭＳＥ）を記憶部２３に記憶させる。 When the auxiliary prediction measurement value of the 500th point was obtained, the optimization unit 22f obtained, for example, the measurement values of the 90th to 500th points read from the measurement value information 23a and the prediction unit 22c. The squared average square root error (RMSE) from the 90th to 500th auxiliary predicted measured values is obtained for each sensor ID. The optimization unit 22f stores the obtained root mean square error (RMSE) in the storage unit 23.

（ステップＳ２７）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了したか否かを判断する。例えば、補助学習モデルで用いる固定パラメータの値を、「０」〜「２０」の範囲で順次「１」ずつ変更させる場合には、固定パラメータの値が「２０」になったか否かを判断する。 (Step S27)
In the alarm generation system 20, the optimization unit 22f determines whether or not the change of the fixed parameter used in the auxiliary learning model is completed. For example, when the fixed parameter value used in the auxiliary learning model is sequentially changed by "1" in the range of "0" to "20", it is determined whether or not the fixed parameter value is "20". ..

（ステップＳ２８）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了していない場合（ステップＳ２７の判断結果が「ＮＯ」の場合）には、補助学習モデルで用いる固定パラメータの値を変更する。例えば、補助学習モデルで用いる固定パラメータの値を、「０」〜「２０」の範囲で順次「１」ずつ変更させる場合において、固定パラメータの現在の値が「０」であるときには、値「１」を設定する。尚、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの値を変更した後は、ステップＳ２２の処理を再び行う。 (Step S28)
In the alarm generation system 20, the optimization unit 22f uses the fixed parameter used in the auxiliary learning model when the change of the fixed parameter used in the auxiliary learning model is not completed (when the determination result in step S27 is “NO”). Change the value of. For example, when the value of the fixed parameter used in the auxiliary learning model is sequentially changed by "1" in the range of "0" to "20", when the current value of the fixed parameter is "0", the value is "1". "Is set. The optimization unit 22f performs the process of step S22 again after changing the value of the fixed parameter used in the auxiliary learning model.

（ステップＳ２９）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了した場合（ステップＳ２７の判断結果が「ＹＥＳ」の場合）には、記憶部２３に記憶された二乗平均平方根誤差（ＲＭＳＥ）が最小となる固定パラメータをセンサＩＤ毎に求める。そして、最適化部２２ｆは、求めた固定パラメータを、学習モデル２３ｂに記憶された学習モデルに設定する処理を、センサＩＤ毎に行う。 (Step S29)
In the alarm generation system 20, the optimization unit 22f has the root mean square stored in the storage unit 23 when the change of the fixed parameters used in the auxiliary learning model is completed (when the determination result in step S27 is “YES”). A fixed parameter that minimizes the root mean square error (RMSE) is obtained for each sensor ID. Then, the optimization unit 22f performs a process of setting the obtained fixed parameters in the learning model stored in the learning model 23b for each sensor ID.

図７は、図５に示すフローチャートのステップＳ２１〜Ｓ２８の処理が繰り返されることで生成されるテーブルの一例を示す図である。図７に示すテーブルは、ステップＳ２１で設定された（ステップＳ２８で変更された）固定パラメータの値と、ＲＭＳＥとが対応づけられたものである。図７に示す例では、ＲＭＳＥの最小値は、「４．０」である。このため、最適化部２２ｆは、ＲＭＳＥの最小値「４．０」に対応づけられた値「１．０」を、学習モデル２３ｂに記憶された学習モデルに設定する処理を行う。 FIG. 7 is a diagram showing an example of a table generated by repeating the processes of steps S21 to S28 of the flowchart shown in FIG. In the table shown in FIG. 7, the fixed parameter values set in step S21 (changed in step S28) are associated with RMSE. In the example shown in FIG. 7, the minimum value of RMSE is "4.0". Therefore, the optimization unit 22f performs a process of setting the value "1.0" associated with the minimum value "4.0" of RMSE to the learning model stored in the learning model 23b.

以上の通り、本実施形態では、アラーム発生システム２０が、センサ１１−１〜１１−ｎ，１２−１〜１２−ｋから出力される測定値を取得し、取得した測定値を学習することによって複数のパラメータを有する学習モデルを生成し、生成した学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求め、求めた予測測定値がアラーム発生条件を満たす場合に、アラームを発生するようにしている。また、アラーム発生システム２０が、過去に取得された複数の測定値を用い、学習モデルが有するパラメータのうちの値が固定である少なくとも１つの固定パラメータ（「ノイズ」）の値を最適化するようにしている。これにより、将来的に異常が発生する虞があることを高い精度で通知することができる。 As described above, in the present embodiment, the alarm generation system 20 acquires the measured values output from the sensors 11-1 to 11-n and 12-1 to 12-k, and learns the acquired measured values. A learning model having a plurality of parameters is generated, and the generated learning model is used to obtain a predicted measured value which is a measured value that will be obtained in the future than the present time, and the obtained predicted measured value satisfies the alarm generation condition. In some cases, an alarm is generated. Further, the alarm generation system 20 uses a plurality of measured values acquired in the past to optimize the value of at least one fixed parameter (“noise”) in which the value of the parameters of the learning model is fixed. I have to. As a result, it is possible to notify with high accuracy that an abnormality may occur in the future.

〈アラーム発生システムの変形例〉
図８は、本発明の実施形態によるアラーム発生システムの変形例を示すブロック図である。尚、図８においては、図２に示したブロックと同様のブロックについては同一の符号を付してある。図８に示すアラーム発生システム２０が、図２に示すアラーム発生システム２０と異なる点は、最適化部２２ｆが補助学習部２２ｆ−１と補助予測部２２ｆ−２とを備える点である。 <Modification example of alarm generation system>
FIG. 8 is a block diagram showing a modified example of the alarm generation system according to the embodiment of the present invention. In FIG. 8, the same reference numerals are given to blocks similar to the blocks shown in FIG. The alarm generation system 20 shown in FIG. 8 differs from the alarm generation system 20 shown in FIG. 2 in that the optimization unit 22f includes an auxiliary learning unit 22f-1 and an auxiliary prediction unit 22f-2.

図２に示すアラーム発生システム２０の最適化部２２ｆは、補助学習モデルを学習部２２ｂに学習させるとともに、補助予測測定値を予測部２２ｃに求めさせるものであった。これに対し、本変形例に係るアラーム発生システム２０の最適化部２２ｆは、補助学習モデルを補助学習部２２ｆ−１に学習させるとともに、補助予測測定値を補助予測部２２ｆ−２に求めさせるものである。 The optimization unit 22f of the alarm generation system 20 shown in FIG. 2 causes the learning unit 22b to learn the auxiliary learning model and causes the prediction unit 22c to obtain the auxiliary prediction measurement value. On the other hand, the optimization unit 22f of the alarm generation system 20 according to this modification causes the auxiliary learning unit 22f-1 to learn the auxiliary learning model and the auxiliary prediction unit 22f-2 to obtain the auxiliary prediction measurement value. Is.

補助学習部２２ｆ−１は、学習部２２ｂと同様のものであり、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。補助学習部２２ｆ−１は、上記の関係を学習することによって、学習モデルと同じパラメータを有する補助学習モデルを作成する。尚、補助学習モデルは、学習モデルと同様に、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有する。補助学習部２２ｆ−１は、学習することによって得られた補助学習モデルを、センサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。 The auxiliary learning unit 22f-1 is the same as the learning unit 22b, and uses the measured value information 23a of the storage unit 23 to establish the relationship between a plurality of measured values and the date and time information from which the measured values are obtained for each sensor ID. learn. The auxiliary learning unit 22f-1 creates an auxiliary learning model having the same parameters as the learning model by learning the above relationship. The auxiliary learning model has two variable parameters (“predicted value” and “slope”) and one fixed parameter (“noise”), similarly to the learning model. The auxiliary learning unit 22f-1 associates the auxiliary learning model obtained by learning with the sensor ID and stores it in the auxiliary learning model 23e of the storage unit 23.

補助予測部２２ｆ−２は、予測部２２ｃと同様のものであり、補助学習部２２ｆ−１で作成される補助学習モデル２３ｅを用いて、時刻情報とその時刻に得られるであろう測定値である補助予測測定値とを、センサＩＤ毎に予測する。補助予測部２２ｆ−２は、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。 The auxiliary prediction unit 22f-2 is similar to the prediction unit 22c, and uses the auxiliary learning model 23e created by the auxiliary learning unit 22f-1 with time information and measured values that will be obtained at that time. A certain auxiliary prediction measurement value is predicted for each sensor ID. The auxiliary prediction unit 22f-2 stores the auxiliary prediction measurement value and the time information in the auxiliary prediction measurement value information 23f of the storage unit 23 in association with the sensor ID.

本変形例において、最適化部２２ｆは、補助学習モデルが有する固定パラメータの値を変えながら、上記の補助学習モデルを補助学習部２２ｆ−１に学習させる。最適化部２２ｆは、補助学習部２２ｆ−１に学習させて得られる補助学習モデルをセンサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。 In this modification, the optimization unit 22f causes the auxiliary learning unit 22f-1 to learn the above auxiliary learning model while changing the value of the fixed parameter of the auxiliary learning model. The optimization unit 22f associates the auxiliary learning model obtained by training the auxiliary learning unit 22f-1 with the sensor ID, and stores the auxiliary learning model 23e in the storage unit 23.

また、本変形例において、最適化部２２ｆは、記憶部２３の補助学習モデル２３ｅに記憶された補助学習モデルを用いて、予測測定値に相当する補助予測測定値を補助予測部２２ｆ−２に求めさせる。補助学習モデルは、固定パラメータの値を変えながら得られるものであるため、最適化部２２ｆは、補助学習モデルが得られる度に、得られた補助学習モデルを用いて補助予測測定値を補助予測部２２ｆ−２に求めさせる。最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。 Further, in the present modification, the optimization unit 22f uses the auxiliary learning model stored in the auxiliary learning model 23e of the storage unit 23 to transfer the auxiliary prediction measurement value corresponding to the prediction measurement value to the auxiliary prediction unit 22f-2. Ask for it. Since the auxiliary learning model is obtained while changing the value of the fixed parameter, the optimization unit 22f uses the obtained auxiliary learning model to assist predict the auxiliary prediction measurement value every time the auxiliary learning model is obtained. The unit 22f-2 is requested. The optimization unit 22f associates the auxiliary prediction measurement value and the time information with the sensor ID, and stores the auxiliary prediction measurement value information 23f in the storage unit 23.

本変形例に係るアラーム発生システム２０では、最適化部２２ｆが、学習部２２ｂに代えて補助学習部２２ｆ−１に補助学習モデルを学習させるようにしている。また、最適化部２２ｆが、予測部２２ｃに代えて補助予測部２２ｆ−２に補助予測測定値を求めさせるようにしている。これにより、学習部２２ｂ及び予測部２２ｃの処理負荷を軽減させることができる。 In the alarm generation system 20 according to this modification, the optimization unit 22f causes the auxiliary learning unit 22f-1 to learn the auxiliary learning model instead of the learning unit 22b. Further, the optimization unit 22f causes the auxiliary prediction unit 22f-2 to obtain the auxiliary prediction measurement value instead of the prediction unit 22c. As a result, the processing load of the learning unit 22b and the prediction unit 22c can be reduced.

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。例えば、前述した実施形態では、アラーム発生システム２０が、一台の端末装置３０へ通知情報を送信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、アラーム発生システム２０は、複数の端末装置３０へ通知情報を送信してもよい。 Although the embodiments of the present invention have been described in detail with reference to the drawings, the specific configuration is not limited to this embodiment, and design changes and the like within a range not deviating from the gist of the present invention are also included. For example, in the above-described embodiment, the case where the alarm generation system 20 transmits the notification information to one terminal device 30 has been described, but the present invention is not limited to this example. For example, the alarm generation system 20 may transmit notification information to a plurality of terminal devices 30.

また、前述した実施形態では、アラーム発生システム２０が、センサ１１−１〜１１−ｎ及びセンサ１２−１〜１２−ｋの各々が送信した測定情報を取得した日時情報を取得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１１−１〜１１−ｎ及びセンサ１２−１〜１２−ｋの各々が、検出対象を測定した日時情報を取得し、取得した日時情報を含む測定情報を、アラーム発生システム２０へ送信してもよい。 Further, in the above-described embodiment, the case where the alarm generation system 20 acquires the date and time information when the measurement information transmitted by each of the sensors 11-11 to 11-n and the sensors 12-1 to 12-k is acquired has been described. However, it is not limited to this example. For example, each of the sensors 11-11 to 11-n and the sensors 12-1 to 12-k acquires the date and time information for measuring the detection target, and transmits the measurement information including the acquired date and time information to the alarm generation system 20. You may.

また、前述した実施形態では、記録計システム１は、センサ１１−１〜１１−ｎ及びセンサ１２−１〜１２−ｋ、アラーム発生システム２０、及び端末装置３０を備える例について説明したが、この例に限られない。例えば、アラーム発生システム２０に含まれる表示部２４を、アラーム発生システム２０とは別の装置として構成してもよい。 Further, in the above-described embodiment, an example in which the recorder system 1 includes sensors 11-11 to 11-n, sensors 12 to 1 to 12-k, an alarm generation system 20, and a terminal device 30 has been described. Not limited to examples. For example, the display unit 24 included in the alarm generation system 20 may be configured as a device different from the alarm generation system 20.

また、アラーム発生システム２０に含まれる表示部２４を、アラーム発生システム２０とは別の装置として構成した場合に、表示部２４を含まないアラーム発生システム２０をクラウド上に構成してもよい。この場合、表示部２４を含まないアラーム発生システム２０との間の通信を、ゲートウェイで行ってもよいし、センサ１１−１〜１１−ｎの各々が行ってもよい。また、この場合、表示部２４の代わりに、パーソナルコンピュータ、スマートフォン等の端末装置で構成してもよい。 Further, when the display unit 24 included in the alarm generation system 20 is configured as a device different from the alarm generation system 20, the alarm generation system 20 not including the display unit 24 may be configured on the cloud. In this case, communication with the alarm generation system 20 that does not include the display unit 24 may be performed by the gateway, or may be performed by each of the sensors 11-1 to 11-n. Further, in this case, instead of the display unit 24, a terminal device such as a personal computer or a smartphone may be used.

また、前述した実施形態では、アラーム発生システム２０が記録計Ｒに設けられている例について説明した。しかしながら、アラーム発生システム２０の機能の一部を、記録計Ｒとは別の装置で実現しても良い。図９は、本発明の変形例に係る記録計システムの全体構成を示すブロック図である。図９に示す通り、本変形例に係る記録計システム１は、ネットワークＮＷに接続され、アラーム発生システム２０の機能の一部を実現するサーバ装置４０を備える。サーバ装置４０は、記録計Ｒ（アラーム発生システム２０）と通信可能に接続される。 Further, in the above-described embodiment, an example in which the alarm generation system 20 is provided in the recorder R has been described. However, a part of the function of the alarm generation system 20 may be realized by a device different from the recorder R. FIG. 9 is a block diagram showing an overall configuration of a recorder system according to a modified example of the present invention. As shown in FIG. 9, the recorder system 1 according to this modification includes a server device 40 that is connected to the network NW and realizes a part of the functions of the alarm generation system 20. The server device 40 is communicably connected to the recorder R (alarm generation system 20).

サーバ装置４０は、例えば、アラーム発生システム２０の学習部２２ｂ及び学習モデル２３ｂを記憶する記憶部（記憶部２３の一部）の機能を実現するよう構成しても良い。このように構成した場合、サーバ装置４０で実現される学習部２２ｂは、アラーム発生システム２０から、複数の測定値情報を取得し、取得した複数の測定値情報に基づいて、複数の測定値とその測定値が得られる日時情報との関係を、センサＩＤ毎に学習する。 The server device 40 may be configured to realize, for example, the functions of the learning unit 22b of the alarm generation system 20 and the storage unit (a part of the storage unit 23) that stores the learning model 23b. In this configuration, the learning unit 22b realized by the server device 40 acquires a plurality of measured value information from the alarm generation system 20, and based on the acquired plurality of measured value information, a plurality of measured values and a plurality of measured values are obtained. The relationship with the date and time information from which the measured value is obtained is learned for each sensor ID.

或いは、サーバ装置４０は、例えば、アラーム発生システム２０の学習部２２ｂ及び学習モデル２３ｂを記憶する記憶部の機能に加え、予測部２２ｃ及び予測測定値情報２３ｃを記憶する記憶部の機能を実現するよう構成しても良い。このように構成した場合、サーバ装置４０で実現される予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、所定の期間の後に、つまり現時点よりも未来に得られるであろう一又は複数の測定値である予測測定値と、その予測測定値が得られるであろう時刻である発生時刻とを、センサＩＤ毎に予測する。そして、サーバ装置４０は、予測した結果を、アラーム発生システム２０へ送信する。 Alternatively, the server device 40 realizes, for example, the function of the storage unit that stores the learning unit 22b and the learning model 23b of the alarm generation system 20, and the function of the storage unit that stores the prediction unit 22c and the predicted measurement value information 23c. It may be configured as follows. When configured in this way, the prediction unit 22c realized by the server device 40 will be obtained after a predetermined period of time, that is, in the future than the present time, by using the learning model stored in the learning model 23b. The predicted measured value, which is one or more measured values, and the occurrence time, which is the time at which the predicted measured value will be obtained, are predicted for each sensor ID. Then, the server device 40 transmits the predicted result to the alarm generation system 20.

或いは、サーバ装置４０は、アラーム発生システム２０の学習部２２ｂ、予測部２２ｃ、並びに学習モデル２３ｂ及び予測測定値情報２３ｃを記憶する記憶部の機能に加え、アラーム発生部２２ｄの機能を実現するよう構成しても良い。この構成の場合に、サーバ装置４０は、アラーム発生条件を満たすものがあるか否かの判定結果を、アラーム発生システム２０へ送信する。 Alternatively, the server device 40 realizes the functions of the alarm generation unit 22d in addition to the functions of the learning unit 22b and the prediction unit 22c of the alarm generation system 20, and the storage unit that stores the learning model 23b and the prediction measurement value information 23c. It may be configured. In the case of this configuration, the server device 40 transmits the determination result of whether or not there is something satisfying the alarm generation condition to the alarm generation system 20.

また、上述したアラーム発生システム２０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。尚、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。 Further, a computer program for realizing the function of the alarm generation system 20 described above may be recorded on a computer-readable recording medium, and the program recorded on the recording medium may be read into the computer system and executed. good. The "computer system" referred to here may include hardware such as an OS and peripheral devices. The "computer-readable recording medium" is a writable non-volatile memory such as a flexible disk, a magneto-optical disk, a ROM, or a flash memory, a portable medium such as a DVD (Digital Versatile Disc), or a built-in computer system. A storage device such as a hard disk.

更に「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（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。 Furthermore, the "computer-readable recording medium" is a volatile memory inside a computer system that serves as a server or client when a program is transmitted via a network such as the Internet or a communication line such as a telephone line (for example, DRAM (Dynamic)). It also includes those that hold the program for a certain period of time, such as Random Access Memory)).

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。 Further, the program may be transmitted from a computer system in which this program is stored in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium. Here, the "transmission medium" for transmitting a program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.

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。
更に、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。 Further, the above program may be for realizing a part of the above-mentioned functions.
Further, a so-called difference file (difference program) may be used, which can realize the above-mentioned functions in combination with a program already recorded in the computer system.

１１−１〜１１−ｎセンサ
１２−１〜１２−ｋセンサ
２０アラーム発生システム
２２ａ取得部
２２ｂ学習部
２２ｃ予測部
２２ｄアラーム発生部
２２ｆ最適化部
２２ｆ−１補助学習部
２２ｆ−２補助予測部
２３ｂ学習モデル
２３ｃ予測測定値情報
２３ｅ補助学習モデル
２３ｆ補助予測測定値情報 11-1 to 11-n sensor 12-1 to 12-k sensor 20 Alarm generation system 22a Acquisition unit 22b Learning unit 22c Prediction unit 22d Alarm generation unit 22f Optimization unit 22f-1 Auxiliary learning unit 22f-2 Auxiliary prediction unit 23b Learning model 23c Predicted measurement value information 23e Auxiliary learning model 23f Auxiliary predicted measurement value information

Claims

An acquisition unit that acquires the measured value output from the sensor,
A learning unit that generates a learning model having a plurality of parameters by learning the measured values acquired by the acquisition unit, and a learning unit.
Using the learning model generated by the learning unit, a prediction unit for obtaining a predicted measurement value, which is a measurement value that will be obtained in the future than the present time, and a prediction unit.
An alarm generation unit that generates an alarm when the predicted measurement value obtained by the prediction unit satisfies the alarm generation condition, and an alarm generation unit.
An optimization unit that optimizes the value of at least one fixed parameter in which the value of the parameters of the learning model is fixed, using a plurality of the measured values acquired in the past by the acquisition unit.
Alarm generation system with.

The alarm generation system according to claim 1, wherein the optimization unit operates at a cycle different from that of the acquisition unit, the learning unit, the prediction unit, and the alarm generation unit.

The optimization unit creates an auxiliary learning model having the same parameters as the learning model by causing the learning unit to learn a plurality of the measured values acquired in the past by the acquisition unit while changing the values of the fixed parameters. At the same time, the auxiliary learning model is used to cause the prediction unit to obtain an auxiliary prediction measurement value corresponding to the prediction measurement value, and the plurality of measurement values acquired in the past by the acquisition unit and the prediction unit obtain the auxiliary prediction measurement value. The alarm generation system according to claim 1 or 2, wherein the value of the fixed parameter having the smallest error from the auxiliary predicted measurement value is set to the value of the fixed parameter of the learning model.

The optimization unit
An auxiliary learning unit that creates an auxiliary learning model having the same parameters as the learning model by learning a plurality of the measured values acquired in the past by the acquisition unit.
An auxiliary prediction unit that obtains an auxiliary prediction measurement value corresponding to the prediction measurement value using the auxiliary learning model created by the auxiliary learning unit, and an auxiliary prediction unit.
With
While changing the value of the fixed parameter, the auxiliary learning unit is made to create the auxiliary learning model, and the auxiliary learning model is used to obtain the auxiliary prediction measurement value from the prediction unit, which is acquired in the past by the acquisition unit. The value of the fixed parameter that minimizes the error between the plurality of measured values obtained and the auxiliary predicted measured value obtained by the auxiliary prediction unit is set as the value of the fixed parameter of the learning model.
The alarm generation system according to claim 1 or 2.

The alarm according to claim 3 or 4, wherein the optimization unit obtains a root mean square error between a plurality of the measured values acquired in the past by the acquisition unit and the auxiliary predicted measured value as the error. Generation system.

Steps to get the measured value output from the sensor,
A step of generating a learning model having a plurality of parameters by learning the acquired measured values, and
Using the generated learning model, a step of obtaining a predicted measured value, which is a measured value that will be obtained in the future than the present time, and
When the obtained predicted measured value satisfies the alarm generation condition, the step of generating an alarm and the step of generating an alarm,
A step of optimizing the value of at least one fixed parameter in which the value of the parameter of the learning model is fixed by using the plurality of the measured values acquired in the past.
Alarm generation method with.