JP2022156366A - 機械学習装置及び温度異常判定装置 - Google Patents

Abstract

【課題】より効率的に監視対象物と電線の接続部の温度異常を判定するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた温度異常判定装置を提供すること。【解決手段】機械学習装置１０は、監視対象物３と電線４の接続部５の温度異常を判定するための学習モデルを構築する機械学習装置１０であって、接続部５を被写体として含む熱画像を入力データとして取得する入力データ取得部１１と、接続部５の温度異常のレベルをラベルとして取得するラベル取得部１２と、入力データとラベルとの組を教師データとして教師あり学習を行うことにより、熱画像に被写体として含まれる接続部５の温度異常のレベルを判定するための学習モデルを構築する学習モデル構築部１４と、を備える。【選択図】図３

Description

本発明は、機械学習装置及び温度異常判定装置に関する。

従来、電線に接続される監視対象物の熱画像を取得して、温度異常を判定する技術が知られている。この種の技術が記載されているものとして例えば特許文献１及び２がある。特許文献１には、撮影された熱画像と、データベースに記憶されている温度分布パターンとに基づいて、温度異常の有無及びその原因を推定する装置が記載されている。特許文献２には、撮影された熱画像と、診断対象物の許容温度と、周囲温度や周囲湿度に基づいて温度異常を診断する装置が記載されている。

特開２０１２－３２４０５号公報 特開２００８－４５８８８号公報

ところで、発電所や変電所等の電力設備では、監視対象物である機器と電線の接続部の劣化の度合いや接続異常の有無を確認するために、接続部の熱画像を取得して、該熱画像から接続部の温度異常を判定する場合がある。電力設備には監視対象物と電線の接続部が多く存在するため、複数の接続部の熱画像を解析して異常の有無を判定するために時間や手間がかかる。特許文献１によれば温度分布パターンを考慮し、特許文献２によれば周囲温度等を考慮して熱画像の温度異常を判定できるが、より効率的に接続部の温度異常を判定するという点で改善の余地があった。

本発明は、より効率的に監視対象物と電線の接続部の温度異常を判定するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた温度異常判定装置を提供することを目的とする。

本発明は、監視対象物と電線の接続部の温度異常を判定するための学習モデルを構築する機械学習装置であって、前記接続部を被写体として含む熱画像を入力データとして取得する入力データ取得部と、前記接続部の温度異常のレベルをラベルとして取得するラベル取得部と、前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記熱画像に被写体として含まれる前記接続部の温度異常のレベルを判定するための学習モデルを構築する学習モデル構築部と、を備える機械学習装置に関する。

前記入力データ取得部は、前記接続部を流れる電流値と、気象情報を前記入力データとして更に取得する。

前記監視対象物は、三相交流用の電線に接続され、前記入力データ取得部に取得される熱画像は、前記監視対象物と三相全ての電線との接続部を被写体として含む。

また本発明は、前記機械学習装置で構築した前記学習モデルを用いた温度異常判定装置であって、前記監視対象物と電線の接続部を被写体として含む新たな熱画像を取得する熱画像取得部と、前記熱画像と前記学習モデルとに基づいて、前記監視対象物と電線の接続部の温度異常のレベルを判定する温度異常判定部と、を備える温度異常判定装置に関する。

本発明によれば、より効率的に監視対象物と電線の接続部の温度異常を判定するための学習モデルを構築できる機械学習装置及び該学習モデルを用いた温度異常判定装置を提供することができる。

本発明の一実施形態に係る温度異常判定システムが用いられる電力設備の監視対象物を示す斜視図である。 本発明の一実施形態に係る温度異常判定システムの全体構成を示す図である。 本発明の一実施形態に係る機械学習装置の機能ブロック図である。 本発明の一実施形態に係る機械学習装置の入力データ及びラベルを示す図である。 本発明の一実施形態に係る温度異常判定システムが用いられる電力設備の監視対象物の熱画像を示す図である。 本発明の一実施形態に係る温度異常判定装置の機能ブロック図である。 本発明の一実施形態に係る機械学習装置の動作のフローチャートを示す図である。 本発明の一実施形態に係る温度異常判定装置の動作のフローチャートを示す図である。

以下、本発明の好ましい実施形態について、図面を参照しながら説明する。図１は、本実施形態に係る温度異常判定システム１が用いられる電力設備２の監視対象物３を示す斜視図である。図２は、温度異常判定システム１の全体構成を示す図である。

温度異常判定システム１は、電力設備２に設けられた監視対象物３と電線４の接続部５の温度異常を判定するためのシステムである。まず、温度異常判定システム１が用いられる電力設備２について説明する。

電力設備２は、三相交流電力を供給するための設備である。電力設備２としては、例えば、発電所や変電所等が挙げられる。電力設備２には、三相交流用の電線４と電線４に接続される機器である複数の監視対象物３が設けられる。監視対象物３の種類としては、例えば、変圧器や開閉器等が挙げられる。

監視対象物３と電線４の接続部５は、監視対象物３の端部に設けられる板状の機器側端子部５１と、電線４の端部に設けられる板状の電線側端子部５２を含んで構成される。機器側端子部５１と電線側端子部５２のそれぞれには、複数の端子孔が設けられる。機器側端子部５１と電線側端子部５２を重ね合わせてボルトで締結することにより、監視対象物３と電線４が接続される。

図１に示すように、例えば、監視対象物３には、電線４との６つの接続部５である接続部５ａ～５ｆが形成される。具体的には、１つの監視対象物３には、送電方向の上流側の端部に三相交流の各相の電線４との接続部５ａ，５ｂ，５ｃが形成され、送電方向の下流側の端部に三相交流の各相の電線４との接続部５ｄ，５ｅ，５ｆが形成される。即ち、監視対象物３には、３つで１組の電線４との接続部５が存在する。このように、監視対象物３には、電線４との多数の接続箇所が存在する。電力設備２には、多数の監視対象物３が設けられているので、温度異常判定システム１による判定対象である接続部５は多数存在する。

次に、温度異常判定システム１の構成について説明する。図２に示すように、温度異常判定システム１は、機械学習装置１０及び温度異常判定装置２０を備える。

ここで、機械学習装置１０と温度異常判定装置２０とは１対１の組とされて、通信可能に接続されている。なお、図１では図示しないが、機械学習装置１０と温度異常判定装置２０とはネットワークを介して、互いに接続されていてもよい。ネットワークは、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワークにおける具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。あるいは、機械学習装置１０と温度異常判定装置２０とは、ネットワークを用いた通信ではなく、コネクタを介して直接接続してもよい。

機械学習装置１０について図３から図５を参照しながら説明する。図３は機械学習装置１０の機能ブロックを示す図である。図４は機械学習装置１０が取得する入力データとラベルを示す図である。図５は温度異常判定システム１が用いられる電力設備２の監視対象物３の熱画像を示す図である。なお、図５において、三相交流の三相全ての電線４と監視対象物３の接続部５のうち二相分の電線４と監視対象物３の接続部５の図示を省略している。

機械学習装置１０は、教師あり学習により、温度異常判定装置２０で用いる学習モデルを構築する。機械学習装置１０によって構築される学習モデルは、監視対象物３と電線４の接続部５の温度異常を判定するために用いられる。図３に示すように、機械学習装置１０は、入力データ取得部１１と、ラベル取得部１２と、記憶部１３と、学習モデル構築部１４を備える。

入力データ取得部１１は、接続部５に関する各種情報を入力データとして取得する。図４に示すように、入力データ取得部１１が取得する入力データとしては、熱画像と、接続部認識番号と、電流データと、気象データが挙げられる。

熱画像は、図５に示すように接続部５を被写体として含み、被写体の温度分布を示す画像である。例えば、熱画像としては、赤外線カメラ等で接続部５を撮影した画像等が挙げられる。本実施形態では、熱画像は監視対象物３と三相全ての電線４との接続部５を被写体として含む。即ち、１つの熱画像からは、三相分の接続部５の温度データと、三相分の接続部５間における温度差データ（以下、「三相温度差データ」という）が特定される。

ここで、電力設備２において、監視対象物３と電線４の接続不良、機器側端子部５１や電線側端子部５２の表面を覆うめっきの剥離等の劣化等が生じると、接続部５が過熱される。このため、熱画像から得られる接続部５の温度データが高い場合は、監視対象物３と電線４の接続不良や接続部５の劣化等が発生している可能性が高いと判定できる。また、三相の各電線４との接続部５の間の温度差が大きい場合も三相分の電線４の何れかとの接続部５に接続不良や劣化等が発生している可能性が高いと判定できる。

接続部認識番号は、電力設備２において接続部５に付与される識別番号である。１つの接続部認識番号は、監視対象物３と三相全ての電線４との３箇所の接続部５に対して１つ付与される。例えば、図１に示す監視対象物３では、接続部５ａ～５ｃに対して１つの接続部認識番号が割り当てられる。即ち、接続部認識番号と熱画像を紐づけることによって、熱画像に映る接続部５を特定できる。

電流データは、熱画像に含まれる接続部５を流れる電流値である。電流データは、例えば、電力設備２に流れる電流を監視する監視システム等から取得される。

気象データは、電力設備２が位置するエリアの気象情報を意味する。具体的には、気象データとしては、気温データ、湿度データ、日照データが挙げられる。例えば、気温データ及び湿度データは、熱画像の取得時の気温や湿度であってもよく、１日の平均気温や平均湿度であってもよい。また、接続部５の周囲の気温や湿度であってもよい。日照データは、熱画像の取得時の接続部５に対する日照量であってもよく、接続部５に照射される一日の平均日照量であってもよい。これらのデータは、温度や湿度、日照量を測定するセンサや測定機器等から得られる値であってもよく、気象観測所の発表値であってもよい。

ラベル取得部１２は、熱画像の被写体として含まれる接続部５の温度異常の度合い（レベル）をラベルとして取得する。なお、接続部５の温度異常のレベルの設定は、例えば、熟練の作業員が熱画像や気象データ等を解析することによって行ってもよい。

温度異常のレベルとしては、例えば、数値で示されたスコアであってもよく、アルファベットや優良可不可等の記号を用いて温度異常の度合いを段階的に定めたものであってもよい。本実施形態では、以下に示すレベルＡ～レベルＤの４段階のレベルを用いている。

レベルＡは、接続部５に温度異常が発生していない正常な状態である。レベルＢは、次回点検時に接続部５の温度の傾向を確認することが必要な状態である。レベルＣは、接続部５の点検の頻度を短縮させることが必要な状態である。例えば、レベルＣと判定された場合に、判定された接続部５の点検の頻度を年間一回から年間三回に増やしてもよい。レベルＤは、監視対象物３が電線４に接続されていない蓋然性が高く、電力設備２を停電させて点検することが必要な状態である。

ここで、機械学習装置１０で用いるラベルである温度異常のレベルの設定方法の例について説明する。

例えば、温度異常のレベルが設定される接続部５の熱画像等の入力データと、過去の複数の時点における同じ接続部５の熱画像等の入力データを比較することで、温度異常のレベルを設定してもよい。具体的には、過去の複数の時点における同じ接続部５の温度データと気温データの関係をグラフ化し、近似曲線等の基準線を求める。そして、気温データに対する熱画像から得られる温度データの値が、該基準線から逸脱するに従って、温度異常のレベルを上げてもよい。このとき、接続部５に流れる電流データ、熱画像の取得時の湿度データ、日照データを考慮して、温度異常のレベルを補正してもよい。例えば、接続部５を流れる電流値や接続部５に対する日照量が上昇すると、接続部５の温度も上昇する。このため、電流データや日照データの値に応じて、熱画像から得られる接続部５の温度データを調整した上で過去のデータと比較して温度異常のレベルを設定してもよい。さらに、熱画像から得られた接続部５の三相温度差を考慮して温度異常のレベルを設定してもよい。例えば、同じ接続部認識番号の三相それぞれの接続部５間における温度差が大きくなるに従って、温度異常のレベルを高くしてもよい。また、例えば、過去のデータではなく、他の同様の電力設備２における監視対象物３と電線４の接続部５の熱画像、電流データ、気象データ等との比較により、温度異常のレベルを設定してもよい。

記憶部１３は、入力データ取得部１１によって取得された熱画像、接続部認識番号、電流データ、及び気象データを入力データとし、ラベル取得部１２によって取得された温度異常のレベルをラベルとして記憶する。具体的には、記憶部１３は、熱画像と、該熱画像の被写体である接続部５の接続部認識番号と、該接続部５に流れる電流データと、該熱画像の取得時の気象データを互いに紐づけられた１組のデータとして記憶する。そして、記憶部１３は、互いに紐づいた熱画像、接続部認識番号、電流データ、及び気象データを含む１組のデータである入力データと、該入力データに対する温度異常のレベルであるラベルを互いに紐づけて１組の教師データとして記憶する。また、記憶部１３は、学習モデル構築部１４が構築した学習モデルも記憶する。

学習モデル構築部１４は、記憶部１３に記憶された入力データと、ラベルとの組を教師データとして教師あり学習を行うことにより、熱画像に被写体として含まれる接続部５の温度異常のレベルを判定するための学習モデルを構築する。そして、学習モデル構築部１４は、構築した学習モデルを温度異常判定装置２０に送信する。

学習モデル構築部１４は、例えば、サポート・ベクター・マシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、以下ＳＶＭともいう）を用いて実現することが可能である。

温度異常判定装置２０について図６を参照しながら説明する。図６は、温度異常判定装置２０の機能ブロック図である。温度異常判定装置２０は、制御部２１と、記憶部２２と、通信部２３と、表示部２４と、を備える。

制御部２１は、温度異常判定装置２０の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部２１は、ＣＰＵであってよい。制御部２１は、熱画像取得部２１０と、認識番号取得部２１１と、電流データ取得部２１２と、気象データ取得部２１３と、温度特定部２１４と、三相温度差特定部２１５と、温度異常判定部２１６と、出力部２１７とを備える。

熱画像取得部２１０は、機械学習装置１０で機械学習した際に用いた教師データに含まれる接続部５を被写体として含む熱画像とは別個に、接続部５を被写体として含む新たな熱画像を取得する。例えば、作業員が温度異常判定装置２０に備わるキーボードやマウス等の入力デバイスを操作することにより、温度異常判定装置２０に接続部５を被写体として含む新たな写真を読み込ませた後、熱画像取得部２１０が読み込ませた新たな写真を取得してもよい。

認識番号取得部２１１は、熱画像取得部２１０によって取得された熱画像に映る被写体である接続部５の接続部認識番号を取得する。

電流データ取得部２１２は、接続部５を流れる電流値である電流データを取得する。電流データは、例えば、電力設備２に流れる電流を監視する監視システム等から取得される。

気象データ取得部２１３は、気温データ取得部２１３ａと、湿度データ取得部２１３ｂと、日照データ取得部２１３ｃを有する。

気温データ取得部２１３ａは、熱画像取得部２１０によって取得された熱画像の取得時の気温を取得する。具体的には、気温データ取得部２１３ａは、熱画像の取得時の熱画像に含まれる接続部５の周囲の気温を気温データとして取得する。気温データは、接続部５の周囲に設置された温度計や温度センサ等で取得したものであってもよい。

湿度データ取得部２１３ｂは、熱画像取得部２１０によって取得された熱画像の取得時の湿度を取得する。具体的には、湿度データ取得部２１３ｂは、熱画像の取得時の熱画像に含まれる接続部５の周囲の湿度を湿度データとして取得する。湿度データは、接続部５の周囲に設置された湿度計や湿度センサ等で取得したものであってもよい。

日照データ取得部２１３ｃは、接続部５に照射される日照量である日照データを取得する。日照データは、接続部５の周囲に設置された日照計等から取得される。

温度特定部２１４は、熱画像取得部２１０によって取得された熱画像から該熱画像に映る接続部５の温度を特定する。

三相温度差特定部２１５は、温度特定部２１４によって特定された三相分の接続部５の温度から該熱画像に映る接続部５の三相間の温度差を特定する。

温度異常判定部２１６は、熱画像取得部２１０によって取得された熱画像と、学習モデルに基づいて、該熱画像において被写体となっている接続部５の温度異常のレベルを判定する。

出力部２１７は、温度異常判定部２１６によって判定された温度異常のレベルを表示部２４に出力する。また、出力部２１７は、温度異常のレベルの他に、温度特定部２１４によって特定された熱画像に映る接続部５の温度や三相温度差特定部２１５によって特定された接続部５の三相間の温度差を表示部２４に出力してもよい。

記憶部２２は、機械学習装置１０から取得した学習モデルを記憶する。また、記憶部２２は、熱画像取得部２１０によって取得された熱画像や該熱画像に関連する気象データや電流データ、接続部認識番号等を１組の入力データとし、該入力データに対して判定された温度異常のレベルをラベルとして記憶してもよい。

通信部２３は、機械学習装置１０との間でデータを送受信する。例えば、温度異常判定システム１は、機械学習装置１０から温度異常判定装置２０に通信部２３を介して学習モデル構築部１４によって構築された学習モデルを送信できる。反対に温度異常判定システム１は、温度異常判定装置２０から機械学習装置１０に通信部２３を介して熱画像取得部２１０によって取得された新たな熱画像や該熱画像に関連する気象データや電流データ、接続部認識番号等のデータと、判定された温度異常のレベルを送信できる。

表示部２４は、制御部２１の出力部２１７から出力された温度異常レベルの判定結果や熱画像に映る接続部５の温度、三相間の温度差等を表示するモニタである。

次に、本実施形態に係る温度異常判定システム１における機械学習時の動作について説明する。図６は、この機械学習時の機械学習装置１０の動作を示すフローチャートである。

ステップＳ１１において、機械学習装置１０の入力データ取得部１１は、入力データとして熱画像と、該熱画像に紐づけられた接続部認識番号と、電流データと、気象データを取得する。

ステップＳ１２において、機械学習装置１０のラベル取得部１２は、接続部５の温度異常のレベルをラベルとして取得する。

ステップＳ１３において、機械学習装置１０の学習モデル構築部１４は、入力データとラベルとの組を教師データとして受け付ける。

ステップＳ１４において、機械学習装置１０の学習モデル構築部１４は、この教師データを用いて機械学習を実行する。

ステップＳ１５において、学習モデル構築部１４は、機械学習を終了するか機械学習を繰り返すかを判定する。学習モデル構築部１４は、機械学習を繰り返すと判定した場合（ステップＳ１５でＮｏ）、処理をステップＳ１１に戻す。そして、機械学習装置１０は同じ動作を繰り返す。一方、学習モデル構築部１４は、機械学習を終了すると判定した場合（ステップＳ１５でＹｅｓ）、処理をステップＳ１６に進める。なお、機械学習を終了させる条件は任意に定めることができる。例えば、予め定められた回数だけ機械学習を繰り返した場合に、機械学習を終了させるようにしてもよい。

ステップＳ１６において、機械学習装置１０は、その時点までの機械学習により構築した学習モデルを、ネットワーク等を介して温度異常判定装置２０に送信する。

また、機械学習装置１０の記憶部１３は、この学習モデルを記憶する。これにより、温度異常判定装置２０から学習モデルを要求された場合に、その温度異常判定装置２０に学習モデルを送信することができる。また、新たな教師データを取得した場合に、学習モデルに対して更なる機械学習を行うこともできる。

次に、温度異常判定装置２０による監視対象物３と電線４の接続部５の温度異常判定の処理の一例について図８を参照しながら説明する。図８は、温度異常判定装置２０による温度異常判定の処理の流れを示すフローチャートである。

ステップＳ２１において、熱画像取得部２１０が、監視対象物３と電線４の接続部５を被写体として含む新たな熱画像を取得する。このとき熱画像取得部２１０によって取得される熱画像は、監視対象物３と三相全ての電線４との接続部５を被写体として含むものである。

ステップＳ２２において、ステップＳ２１で取得された熱画像に関連する接続部認識番号、電流データ、及び気象データが取得される。具体的には、認識番号取得部２１１が、ステップＳ２１で取得された熱画像の被写体である接続部５の接続部認識番号を取得する。また、電流データ取得部２１２が、ステップＳ２１で取得された熱画像の被写体である接続部５を流れる電流データを取得する。また、気象データ取得部２１３が、ステップＳ２１で取得された熱画像の被写体である接続部５の周囲の気温データ、湿度データ、該接続部５に照射される日照データを取得する。

ステップＳ２３において、温度特定部２１４が、ステップＳ２１で取得された熱画像に映る三相分の接続部５の温度を特定する。

ステップＳ２４において、三相温度差特定部２１５が、ステップＳ２３で特定された三相分の接続部５の温度から接続部５の三相間の温度差を特定する。

ステップＳ２５において、温度異常判定部２１６は、ステップＳ２１で取得された熱画像、ステップＳ２２で取得された接続部認識番号、電流データ、及び気象データを含む１組のデータと、機械学習装置１０から送信された学習モデルとに基づいて温度異常のレベルを判定する。

ステップＳ２６において、出力部２１７は、ステップＳ２３で特定された接続部５の三相分の温度と、ステップＳ２４で特定された三相間の温度差と、ステップＳ２５で判定された温度異常のレベルを表示部２４に出力する。この結果、熱画像取得部２１０によって取得された新たな熱画像に映る接続部５の温度と、三相間の温度差と、温度異常のレベルが表示部２４に表示される。

以上説明した本実施形態に係る温度異常判定システム１の機械学習装置１０又は温度異常判定装置２０によれば、以下のような効果を奏する。

本実施形態に係る機械学習装置１０は、監視対象物３と電線４の接続部５の温度異常を判定するための学習モデルを構築する機械学習装置１０であって、接続部５を被写体として含む熱画像を入力データとして取得する入力データ取得部１１と、接続部５の温度異常のレベルをラベルとして取得するラベル取得部１２と、入力データとラベルとの組を教師データとして教師あり学習を行うことにより、熱画像に被写体として含まれる接続部５の温度異常のレベルを判定するための学習モデルを構築する学習モデル構築部１４と、を備える。

これにより、より効率的に監視対象物３と電線４の接続部５の温度異常のレベルを判定するための学習モデルを構築できる。よって、該学習モデルを用いることで多数の接続部５が存在する場合であっても、より効率的に接続異常や劣化の可能性がある接続部５を判定できる。

本実施形態に係る機械学習装置１０において、入力データ取得部１１は、接続部５を流れる電流値と、気象情報を入力データとして更に取得する。

これにより、接続部５の温度に影響を与える外気温や湿度等の気象情報や接続部５を流れる電流値等の複数の要素を考慮して接続部５の温度異常のレベルを判定できるより高い判定精度の学習モデルを構築できる。

本実施形態に係る機械学習装置１０において、監視対象物３は、三相交流用の電線４に接続され、入力データ取得部１１に取得される熱画像は、監視対象物３と三相全ての電線４との接続部５を被写体として含む。

これにより、三相の接続部５の熱画像を入力データとするので、三相の接続部５の温度差を考慮して温度異常のレベルを判定できるより判定精度の高い学習モデルを構築できる。

また本実施形態に係る温度異常判定装置２０は、機械学習装置１０で構築した学習モデルを用いた温度異常判定装置２０であって、監視対象物３と電線４の接続部５を被写体として含む新たな熱画像を取得する熱画像取得部２１０と、熱画像と学習モデルとに基づいて、監視対象物３と電線４の接続部５の温度異常のレベルを判定する温度異常判定部２１６と、を備える。

これにより、本実施形態の学習モデルに新たな熱画像を入力することで温度異常のレベルを判定するので、より効率的に接続異常や劣化の可能性がある接続部５を判定できる。

以上、本発明の実施形態について説明したが、本発明は、上記実施形態に制限されるものではなく適宜変更が可能である。

上記実施形態では、機械学習装置１０は熱画像、電流データや気象情報、接続部認識番号を入力データとして取得して教師あり学習を行っていたが、電流データや気象情報、接続部認識番号を取得せずに、熱画像のみを入力データとして教師あり学習を行う構成であってもよい。

上記実施形態では、機械学習装置１０は、監視対象物３と三相全ての電線４との接続部５を被写体として含む熱画像を入力データとして教師あり学習を行っていたが、三相全ての電線４との接続部５を被写体として含んでいなくてもよい。例えば、機械学習装置１０は、三相のうち少なくとも何れか一相の電線４との接続部５を被写体として含む熱画像を入力データとして教師あり学習を行ってもよい。

３ 監視対象物
４ 電線
５，５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆ 接続部
１０ 機械学習装置
１１ 入力データ取得部
１２ ラベル取得部
１４ 学習モデル構築部
２０ 温度異常判定装置

Claims (4)

1. 監視対象物と電線の接続部の温度異常を判定するための学習モデルを構築する機械学習装置であって、
   前記接続部を被写体として含む熱画像を入力データとして取得する入力データ取得部と、
   前記接続部の温度異常のレベルをラベルとして取得するラベル取得部と、
   前記入力データと前記ラベルとの組を教師データとして教師あり学習を行うことにより、前記熱画像に被写体として含まれる前記接続部の温度異常のレベルを判定するための学習モデルを構築する学習モデル構築部と、を備える機械学習装置。
2. 前記入力データ取得部は、前記接続部を流れる電流値と、気象情報を前記入力データとして更に取得する請求項１に記載の機械学習装置。
3. 前記監視対象物は、三相交流用の電線に接続され、
   前記入力データ取得部に取得される熱画像は、前記監視対象物と三相全ての電線との接続部を被写体として含む請求項１又は２に記載の機械学習装置。
4. 請求項１から３の何れか１項に記載の機械学習装置で構築した前記学習モデルを用いた温度異常判定装置であって、
   前記監視対象物と電線の接続部を被写体として含む新たな熱画像を取得する熱画像取得部と、
   前記熱画像と前記学習モデルとに基づいて、前記監視対象物と電線の接続部の温度異常のレベルを判定する温度異常判定部と、を備える温度異常判定装置。

Images