JP2023068569A - 塩害発生有無判定システム、作業者端末、モデル学習装置、及び塩害発生有無判定方法 - Google Patents

Abstract

【課題】送配電設備における塩害の有無を容易かつ高い精度で判定し作業者の負担を軽減する。【解決手段】塩害発生有無判定システムは、送配電設備が設置されている現場において取得される音データに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶し、現場において取得された分析対象の音データを説明変数として分析モデルに入力することにより得られる目的変数に基づく情報を出力する。また、塩害発生有無判定システムは、上記分析モデルとして、現場において取得される、音データと環境の計測情報とに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルを用いる。【選択図】図３Ａ

Description

本発明は、塩害発生有無判定システム、作業者端末、モデル学習装置、及び塩害発生有無判定方法に関する。

特許文献１には、無人で碍子の汚損を判別し、碍子を洗浄するための最適な時期を知ることを目的として構成された碍子汚損判別装置について記載されている。碍子汚損判別装置は、送電線鉄塔に取り付けられた、碍子騒音の波形を測定するセンサ、波形を非汚損碍子のものと比較する波形比較回路、波形が異常のときに送信信号を出力するＣＰＵ、及び波形を送信する送信機を有する波形記録器と、監視所内に設けられた、波形を受信する受信機、波形内の特定の周波数の騒音を非汚損碍子のものと比較する騒音比較回路、比較差が所定の値以上のときに表示信号を出力するＣＰＵ、及び比較結果を表示するディスプレイを有する解析器とを含む。碍子汚損判別装置は、碍子騒音の波形を測定し、特定の周波数における騒音を、非汚損碍子のものと比較し、比較差が所定値以上のときに碍子の汚損を自動通報する。

特開平１０－１９７３２６公報

電柱や送電線鉄塔等に設けられているがいし（碍子）等の送配電設備は、塩害（絶縁低下）により部分放電が発生し、近隣に騒音（コロナ騒音）や電波障害等の影響を与えることがある。また、塩害が進行すると広範囲に亘る停電等を引き起こす要因となる。そのため、送電事業者等の電力設備の管理を行う者は、塩害が生じる可能性のある地域を随時巡回し、送配電設備について点検や保守（洗浄等）等の作業を行っている。

ところで、塩害が生じている地域や塩害が生じている設備の特定は、作業者の感や経験に頼っているのが実情であり、多少でも不安がある場合は作業者が現場に赴いて点検や保守等の作業を行っている。とくに台風や強風、豪雪等の大きな自然災害が発生した際は対象範囲を拡大して点検や保守を行う必要があるため、作業者は塩害の対策や対応のために多大な労力と時間を費やしている。

本発明はこのような背景に鑑みてなされたものであり、送配電設備における塩害の有無を容易かつ高い精度で判定することが可能な、塩害発生有無判定システム、作業者端末、モデル学習装置、及び塩害発生有無判定方法を提供することを目的とする。

上記目的を達成するための本発明のうちの一つは、送配電設備における塩害の発生有無を判定する情報処理システム（塩害発生有無判定システム）であって、送配電設備が設置されている現場において取得される音データに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶し、分析対象として現場において取得された音データに基づく情報を前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する。

本発明の塩害発生有無判定システムによれば、現場において取得される音データに基づき、現場周辺に存在する送配電設備から発せられるリーク音に関する情報が自動的に出力される。そのため、現場において送配電設備の点検や保守等の作業を行う作業者は、現場周辺に存在する送配電設備についての塩害の発生の有無を容易に判断することができ、点検や保守等の作業を効率よく進めることができる。また、多様な環境で取得された音データを用いて学習した分析モデルを用いることで、作業者は塩害の発生有無を精度よく判断することができる。

上記目的を達成するための本発明のうちの他の一つは、送配電設備における塩害の発生有無を判定する情報処理システム（塩害発生有無判定システム）であって、送配電設備が設置されている現場において取得される、音データと環境の計測情報とに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶し、分析対象として現場において取得された、音データと環境の計測情報とに基づく情報を前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する。

本発明の塩害発生有無判定システムによれば、現場において取得される、音データ及び環境の計測情報（温度、湿度、気圧等）に基づき、現場周辺に存在する送配電設備から発せられるリーク音に関する情報が自動的に出力される。そのため、現場において送配電設備の点検や保守等の作業を行う作業者は、現場周辺に存在する送配電設備についての塩害の発生の有無を容易に判断することができ、点検や保守等の作業を効率よく進めることができる。また、音データとともに環境の計測情報を説明変数として学習した分析モデルを用いることで、現場の環境の違い（温度、湿度、気圧等の違い）による音データへの影響を考慮してリーク音に関する情報が生成されるので、作業者は塩害の発生有無を精度よく判断することができる。

上記目的を達成するための本発明のうちの他の一つは、上記の塩害発生有無判定システムであって、管理の対象である送配電設備に関する情報である設備情報を記憶し、分析対象として現場において取得される前記音データに基づく情報を前記分析モデルに入力することにより得られる前記目的変数の内容を前記設備情報に反映する。

本発明の塩害発生有無判定システムによれば、現場において取得される分析対象の情報に基づく説明変数を分析モデルに入力することにより得られた目的変数の内容を、送配電設備に関する情報が管理されている設備情報に自動的に反映する。そのため、電気事業者等の組織において送配電設備の管理を行う者は、送配電設備の管理を効率よく行うことができる。

上記目的を達成するための本発明のうちの他の一つは、上記の塩害発生有無判定システムを構成する情報処理装置（作業者端末）であって、送配電設備が存在する現場において作業を行う作業者によって用いられ、前記分析モデルを記憶し、分析対象として現場において取得された音データに基づく情報を説明変数として前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する。

このように本発明の作業者端末は、現場において取得された音データを分析モデルに入力することにより得られる目的変数に基づく情報を出力するので、作業者は現場で目的変数の内容を確認することができ、作業を効率よく進めることができる。

上記目的を達成するための本発明のうちの他の一つは、上記の塩害発生有無判定システムを構成する情報処理装置（モデル学習装置）であって、送配電設備が存在する現場周辺において作業を行う作業者によって用いられる作業者端末と通信可能に接続され、前記分析モデルを随時生成し、生成した前記分析モデルを前記作業者端末に送信する。

このように、本発明のモデル学習装置は、学習済の分析モデルを随時生成して作業者端末に送信するので、作業者の夫々が利用する作業者端末の分析モデルを最新の状態に効率よく管理することができる。

その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄、及び図面により明らかにされる。

本発明によれば、送配電設備における塩害の有無を容易かつ高い精度で判定することができる。これにより例えば、点検や保守を行う作業者の作業を支援することができる。

塩害発生有無判定システムの概略的な構成を示す図である。 現場において作業者が説明変数の生成に用いる情報（音データ（環境音）、計測情報）を取得している様子を示す図である。 モデル学習装置が備える主な機能を示す図である。 モデル学習装置のハードウェア構成を示す図である。 音データの一例を示す図である。 作業者端末が備える主な機能を示す図である。 作業者端末のハードウェア構成を示す図である。 学習データのデータ構造の一例である。 設備情報のデータ構造の一例である。 作業者端末情報のデータ構造の一例である。 分析結果のデータ構造の一例である。 学習処理を説明するフローチャートである。 分析処理を説明するフローチャートである。 分析モデル受信処理を説明するフローチャートである。 設備情報更新処理を説明するフローチャートである。

以下、図面を適宜参照しつつ本発明の実施形態について説明する。尚、以下の記載及び図面は、本発明を説明するための例示であり、説明の明確化のため、適宜、省略及び簡略化がなされている。本発明は、他の種々の形態でも実施することが可能である。とくに限定しない限り、各構成要素は単数でも複数でも構わない。

以下の説明において、同一の又は類似する構成に同一の符号を付して重複した説明を省略することがある。また、以下の説明において、符号の前に付した「Ｓ」の文字は処理ステップの意味である。

図１に、本発明の一実施形態として説明する情報処理システム（以下、「塩害発生有無判定システム１」）の概略的な構成を示している。同図に示すように、塩害発生有無判定システム１は、電気事業者が運営する設備管理部門やデータセンタ等に設置された情報処理装置（コンピュータ）であるモデル学習装置１００と、現場で送配電設備の点検や保守等の作業を行う作業者２が用いる情報処理装置である一つ以上の作業者端末２００と、を含む。作業者端末２００は、例えば、スマートフォン、タブレット、ノートブック型コンピュータ、専用端末等である。

モデル学習装置１００と作業者端末２００とは、通信ネットワーク５を介して通信可能に接続している。通信ネットワーク５は、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット、各種無線通信網（３Ｇ通信網、４Ｇ通信網、５Ｇ通信網等）、各種専用線）である。

塩害発生有無判定システム１は、電柱や送電線鉄塔、変電所等に設けられている各種送配電設備（がいし（碍子）、送配電線、各種変電設備、各種配電設備等）が設置されている現場周辺において取得した音データ（環境音）を機械学習モデル（以下、「分析モデル」と称する。）を用いて分析することにより、塩害に起因して送配電設備から発せられる音（以下、「リーク音」と称する。）の有無を判定し、判定した結果に基づく情報を分析結果として現場で作業を行う作業者２や送配電設備の管理者等のユーザに提供する。

作業者２は、通常の点検／保守の際や、自然災害（台風、強風、降雨、降雪、霧等）等により送配電設備に塩害が生じている可能性が高まった際、送配電設備が存在する現場に赴き、作業者端末２００が出力する分析結果を参照して現場周辺の送配電設備における塩害の発生有無を判断し、必要な場合は洗浄等の対策を講じる。

このように、塩害発生有無判定システム１は、現場において取得される情報に基づき、自動的に分析結果を生成してユーザに提供するので、ユーザは、感や経験に頼ることなく、提供される分析結果に基づき容易かつ高い精度で塩害の発生有無を判断することができる。また、送配電設備について、人の耳では気付けなかったような微細なリーク音やノイズに埋もれたリーク音を高い精度で検出することが可能になり、ユーザは塩害の発生有無を精度よく判断して送配電設備の点検／保守作業を効率よく行うことができる。

モデル学習装置１００は、現場において取得される情報（音データ（環境音）、計測情報）に基づく説明変数（特徴量）に、ユーザから受け付けた目的変数（ラベル）（リーク音の有無、リーク音の種類等）を対応づけた学習データ（教師データ、訓練データ）を用いて分析モデルの学習を行う。説明変数の生成に用いる上記情報としては、現場の様々な環境下で取得されたものが用いられる。目的変数（ラベル）としては、例えば、音データに塩害由来の成分が含まれているか否かを、フーリエ変換に基づく周波数解析や、環境音識別技術（音響イベント分析（分類）技術、音響シーン分類（識別）技術、異常音検知技術等）等により判定した結果を用いる。尚、分析モデルとして、例えば、環境音の識別に用いられる機械学習モデルを用いてもよい。また例えば、正常な場合（リーク音を含んでいない）の音データ（説明変数）として、例えば、既存の環境音のコーパスを用いてもよい。

図２に、作業者２が送配電設備３が設けられている現場において説明変数の生成に用いる情報（音データ（環境音）、計測情報）を取得している様子を示している。作業者２は現場にマイクロフォン２７と計測装置２８（環境センサ（温度センサ、湿度センサ、気圧センサ等））を取り付けた三脚を設置して音データと計測情報を取得（採音）している。この例では、作業者２はマイクロフォン２７を電柱の上部に設けられているがいしの方向に向けている。マイクロフォン２７と計測装置２８により取得された情報は、例えば、作業者２が現場に持ち込んでいる作業者端末２００（例えば、ノートブック型パーソナルコンピュータ、スマートフォン、タブレット等）に取り込まれる。

尚、マイクロフォン２７として高感度のものを用いることで、より広範囲の送配電設備３を対象として音データを取得することができる。この例では、地上に設置した三脚にマイクロフォン２７と計測装置２８を接続して情報（音データ、計測情報）を取得しているが、これらは例えば作業者２が点検や保守に際して利用する車両に取り付けてもよい。そのようにすることで、作業者２は設置や撤収の手間を省くことができ、効率よく作業を進めることができる。

図３Ａに、モデル学習装置１００が備える主な機能を示している。同図に示すように、モデル学習装置１００は、記憶部１１０、情報取得管理部１２０、学習データ生成部１３０、分析モデル学習部１３５、分析モデル配信部１４０、分析結果受信部１４５、及び設備情報更新部１５０の各機能を有する。

上記機能のうち、記憶部１１０は、音データ１１１、計測情報１１２、学習データ１１３、分析モデル１１４、設備情報１１５、及び作業者端末情報１１６を記憶する。

このうち音データ１１１は、様々な現場で取得された多数の音データ（音の波形データ）を含む。尚、塩害が生じている場合に送配電設備から発せられるリーク音は通常は連続的であるため、一つの音データは、例えば、リーク音の有無を精度よく判別するのに必要な時間長さのデータ（以下、「音クリップ」（sound clip/audio clip）と称する。）として取得される。

図４に音データの一例を示す。音データは、例えば、分析の単位となる所定期間（数十ミリ秒～数十秒等）における波形データである。

図３Ａに戻り、計測情報１１２は、各種センサ（環境センサ（温度、湿度、気圧等）、位置センサ（ＧＰＳセンサ（GPS:Global Positioning System）等）により、音データ１１１が取得される現場において後述する計測装置２８等の計測機器を用いて計測されたデータである。計測情報１１２は、例えば、分析モデル１１４に音データが取得された現場の環境の違い（温度、湿度、気圧等の違い）による音データの波形への影響を学習させるために用いられる。

学習データ１１３は、分析モデル１１４の学習に用いる学習データである。学習データは、現場において取得された情報（音データ、計測情報）に基づき生成される説明変数に目的変数（ラベル）（リーク音の有無、リーク音の種類等）を対応づけたデータである。上記説明変数は、例えば、音クリップから抽出される特徴量である。尚、学習データ１１３は、説明変数として少なくとも音データを含んでいればよく、計測情報を説明変数として採用するか否か、採用する場合にどのような計測情報を用いるかは、必要性や場面に応じて決定してよい。

分析モデル１１４は、学習データ１１３を用いて学習される機械学習モデルである。分析モデル１１４において用いられる音データ１１１の特徴量として、例えば、メル周波数ケプストラム係数（MFCC: Mel frequency cepstrum coefficient）やケプストラム、ＭＰＥＧ－７音響特徴量等の音響特徴量がある。分析モデル１１４の実体は、例えば、調整可能なパラメータを含んだ、多項式、行列式、数式、ベクトル等である。分析モデル１１４の種類は必ずしも限定されないが、例えば、各種深層学習（CNN: convolutional neural network）、RNN（Recurrent Neural Network））、混合正規分布（GMM: Gaussian mixture model）、隠れマルコフモデル（HMM: hidden Markovmodel）、サポートベクタマシーン（SVM: sup-port vector machine）である。尚、分析モデル１１４として、定常状態を学習することにより異常状態を学習するいわゆる異常検知モデル（オートエンコーダ（VAE（Variational Autoencoder）等）により学習した機械学習モデル等）を用いてもよい。

設備情報１１５は、電気事業者等が送配電設備の管理に用いる情報であり、地域に設けられている送配電設備に関する情報（設備の種別や型式、設備の設置位置、設置日、過去に行われた点検／保守等の作業日や作業内容、現在の塩害の有無等）を含む。

作業者端末情報１１６は、モデル学習装置１００からの分析モデル１１４の配信先となる作業者端末２００に関する情報を含む。

同図に示す機能のうち、情報取得管理部１２０は、現場や試験環境等において取得された音データ１１１や計測情報１１２を管理する。

学習データ生成部１３０は、学習データ１１３を生成する。学習データ生成部１３０は、例えば、ユーザインタフェースを介して、説明変数を提示しつつ当該説明変数について設定する目的変数をユーザから受け付けることにより学習データ１１３を生成する。

分析モデル学習部１３５は、学習データ１１３を用いて分析モデル１１４の学習を行う。

分析モデル配信部１４０は、分析モデル学習部１３５によって学習された最新の分析モデル１１４を、通信ネットワーク５を介して作業者端末２００に配信（送信）する。

分析結果受信部１４５は、通信ネットワーク５を介して作業者端末２００から送られてくる分析結果を受信する。

設備情報更新部１５０は、作業者端末２００から送られてくる分析結果を受信し、受信した分析結果の内容を設備情報１１５に反映する。

図３Ｂは、モデル学習装置１００のハードウェア構成を示す図である。同図に示すように、モデル学習装置１００は、プロセッサ１１、主記憶装置１２、補助記憶装置１３、入力装置１４、出力装置１５、及び通信装置１６を備える。モデル学習装置１００は、通信可能に接続された複数の情報処理装置により構成してもよい。

同図に示す構成については、その全部又は一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。モデル学習装置１００の機能の全部又は一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現してもよい。モデル学習装置１００の機能の全部又は一部は、例えば、ＳａａＳ（Software as a Service）、ＰａａＳ（Platform as a Service）、ＩａａＳ（Infrastructure as a Service）等を利用して実現されるものであってもよい。

同図において、プロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。

主記憶装置１２は、プロセッサ１１がプログラムを実行する際に利用する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等である。モデル学習装置１００が備える各種の機能は、プロセッサ１１が、補助記憶装置１３に格納（記憶）されているプログラムやデータを主記憶装置１２に読み出して実行することにより実現される。

補助記憶装置１３は、例えば、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置１３には、記録媒体の読取装置や通信装置１６を介してプログラムやデータを読み込むことができる。補助記憶装置１３に格納（記憶）されているプログラムやデータは主記憶装置１２に随時読み込まれる。

入力装置１４は、外部からの入力を受け付けるインタフェースであり、例えば、タッチパネル、キーボード、マウス、カードリーダ、ペン入力方式のタブレット、音声入力装置等である。

出力装置１５は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置１５は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。尚、例えば、モデル学習装置１００が、通信装置１６を介して他の装置との間で情報の入力や出力を行う構成としてもよい。

入力装置１４及び出力装置１５は、ユーザとの間で情報の受け付けや情報の提示を行うユーザインタフェースを構成する。

通信装置１６は、他の装置との間の通信を実現する装置である。通信装置１６は、インターネット等の通信ネットワーク５を介して他の装置との間の通信を実現する、有線方式又は無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢモジュール等である。

モデル学習装置１００には、例えば、オペレーティングシステム、ファイルシステム、ＤＢＭＳ（DataBase Management System）（リレーショナルデータベース、ＮｏＳＱＬ等）、ＫＶＳ（Key-Value Store）等が導入されていてもよい。

モデル学習装置１００が備える前述した各機能は、プロセッサ１１が、主記憶装置１２に格納されているプログラムを読み出して実行することにより、もしくは、モデル学習装置１００を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）によって実現される。モデル学習装置１００は、前述した各種の情報（データ）を、例えば、データベースのテーブルやファイルシステムが管理するファイルとして記憶する。

図５Ａに、作業者端末２００が備える主な機能を示している。同図に示すように、作業者端末２００は、記憶部２１０、分析対象情報取得部２２０、説明変数生成部２２５、分析処理部２３０、分析結果提示部２３５、分析結果送信部２４０、及び分析モデル更新部２４５の各機能を有する。

上記機能のうち、記憶部２１０は、分析対象情報２１１、説明変数２１２、分析モデル１１４、及び分析結果２１３の各情報を記憶する。

上記情報のうち分析対象情報２１１は、現場において分析対象として入力される情報（音データ、計測情報）である。

説明変数２１２は、分析対象として入力される情報（マイクロフォン２７から入力される音データ、計測装置２８から入力される計測情報）に基づき生成される説明変数（特徴量）である。

分析モデル１１４は、モデル学習装置１００から配信される。分析モデル１１４については前述と同様であるので説明を省略する。

分析結果２１３は、分析処理部２３０が、分析モデル１１４を用いて行った分析結果に関する情報（リーク音の有無、リーク音の種類、塩害の発生有無等）を含む。

上記機能のうち、説明変数生成部２２５は、分析対象情報２１１から特徴量を抽出して説明変数２１２を生成する。

分析処理部２３０は、説明変数２１２を分析モデル１１４に入力し、それにより分析モデル１１４が出力する目的変数を取得する。

分析結果提示部２３５は、分析処理部２３０が取得した目的変数に基づき分析結果２１３を生成し、生成した分析結果２１３をユーザに提示する。

分析結果送信部２４０は、通信ネットワーク５を介してモデル学習装置１００に分析結果２１３を送信する。

分析モデル更新部２４５は、通信ネットワーク５を介してモデル学習装置１００から送られてくる分析モデル１１４を受信し、記憶部２１０が記憶している分析モデル１１４を受信した分析モデル１１４に更新する。尚、分析モデル更新部２４５は、分析モデル１１４の更新差分のみをモデル学習装置１００から受信し、受信した更新差分により分析モデル１１４を更新するようにしてもよい。

図５Ｂは、作業者端末２００のハードウェア構成例である。同図に示すように、作業者端末２００は、プロセッサ２１、主記憶装置２２、補助記憶装置２３、入力装置２４、出力装置２５、通信装置２６、マイクロフォン２７、及び計測装置２８を備える。このうちプロセッサ２１、主記憶装置２２、補助記憶装置２３、入力装置２４、出力装置２５、及び通信装置２６については夫々、モデル学習装置１００のプロセッサ１１、主記憶装置１２、補助記憶装置１３、入力装置１４、出力装置１５、及び通信装置１６と同様であるので説明を省略する。マイクロフォン２７や計測装置２８は作業者端末２００本体と一体のものでもよいし外付けのものでもよい。

マイクロフォン２７は、音データ（音の波形データ）を取得する装置であり、例えば、ダイナミックマイクロフォンやコンデンサマイクロフォンである。尚、マイクロフォン２７には増幅回路が付属し、取得した音データは増幅回路によって所定の必要電力に増幅される。

計測装置２８は、各種センサ（温度センサ、湿度センサ、気圧センサ等）とセンサの出力値の増幅回路を用いて構成され、現場の環境に関する情報（温度、湿度、気圧等）の計測値を出力する。

図６は、学習データ１１３のデータ構造の一例である。同図に示すように、例示する学習データ１１３は、データＩＤ６１１、音データ６１２、計測情報６１３、リーク音有無６１４、リーク音種類６１５等の各項目を有する一つ以上のレコードで構成される。学習データ１１３の一つのレコードは一つの学習データに対応している。

上記項目のうち、データＩＤ６１１には、学習データの識別子であるデータＩＤが格納される。音データ６１２と計測情報６１３は説明変数に相当する。また、リーク音有無６１４とリーク音種類６１５は目的変数に相当する。ユーザは、例えば、モデル学習装置１００が提供するユーザインタフェースを介して画面に提示される説明変数の内容を確認しつつ、当該説明変数に対応する目的変数の内容を設定する。

図７は、設備情報１１５のデータ構造の一例である。同図に示すように、例示する設備情報１１５は、設備ＩＤ７１１、種別７１２、型式７１３、設置位置７１４、設置日７１５、前回作業日７１６、作業内容７１７、及び塩害有無７１８等の各項目を有する一つ以上のレコードで構成される。設備情報１１５の一つのレコードは一つの送配電設備に対応している。

上記項目のうち、設備ＩＤ７１１には、当該送配電設備の識別子（以下、「設備ＩＤ」と称する。）が格納される。種別７１２には、当該送配電設備３の種類を示す情報が格納される。型式７１３には、当該送配電設備３の型式（型番）を示す情報が格納される。設置位置７１４には、当該送配電設備が設置されている場所（位置）を示す情報が格納される。設置日７１５には、当該送配電設備が設置された日が格納される。前回作業日７１６には、当該送配電設備について作業者２が前回（直近に）作業（点検、保守等）を行った日が格納される。作業内容７１７には、当該送配電設備について作業者２が前回行った作業の内容を示す情報が格納される。塩害有無７１８には、当該送配電設備に塩害が生じていたか否かを示す情報（塩害が生じていた場合は「有」、生じていなかった場合は「無」）が格納される。

図８は、作業者端末情報１１６のデータ構造の一例である。同図に示すように、例示する作業者端末情報１１６は、端末ＩＤ８１１、ＮＷアドレス８１２、現在Ｖｅｒ．８１３、最終更新日時８１４等の各項目を有する一つ以上のレコードで構成される。作業者端末情報１１６の一つのレコードは一つの作業者端末２００に対応している。

端末ＩＤ８１１には、作業者端末２００の識別子（以下、「端末ＩＤ」と称する。）が格納される。ＮＷアドレス８１２には、当該作業者端末２００に付与されているネットワークアドレス（ＩＰアドレス等）が格納される。現在Ｖｅｒ．８１３には、当該作業者端末２００に格納されている分析モデル１１４の現在のバージョンを示す情報が格納される。最終更新日時８１４には、当該作業者端末２００の分析モデル１１４の直近の更新日時が格納される。

図９は、分析結果２１３のデータ構造の一例である。同図に示すように、例示する分析結果２１３は、音データ取得日９１１、音データ取得位置９１２、リーク音有無９１３、リーク音種類９１４、塩害発生有無９１５等の各項目を有する一つ以上のレコードで構成される。分析結果２１３の一つのレコードは、ある現場で取得された一つの音データについて行われた分析結果に対応している。

音データ取得日９１１には、当該音データ（分析対象の音データ）を取得した日が格納される。音データ取得位置９１２には当該音データを取得した位置を示す情報が格納される。リーク音有無９１３には、分析モデル１１４が出力する目的変数のうちリーク音の有無を示す情報が格納される。リーク音種類９１４には、分析モデル１１４が出力する目的変数のうちリーク音の種類を示す情報が格納される。塩害発生有無９１５には、当該現場の送配電設備に現在、塩害が発生しているか否かを示す情報（発生している場合は「有」、発生していない場合は「無」）が格納される。

尚、作業者端末２００の分析結果提示部２３５は、例えば、当該現場でリーク音が発生している場合や、発生しているリーク音の強度が予め設定した値以上である場合に塩害が発生していると判定し、分析結果２１３の塩害発生有無９１５に「有」を設定する。

続いて、塩害発生有無判定システム１において行われる主な処理について説明する。

図１０は、モデル学習装置１００の分析モデル学習部１３５が、分析モデル１１４の学習に際して行う処理（以下、「学習処理Ｓ１０００」と称する。）を説明するフローチャートである。以下、同図とともに学習処理Ｓ９００について説明する。

まず、分析モデル学習部１３５は、学習データ１１３を補助記憶装置１３から主記憶装置１２に読み出す（Ｓ１０１１）。

続いて、分析モデル学習部１３５は、学習データ１１３を用いて分析モデル１１４の学習を行う（Ｓ１０１２）。

続いて、分析モデル配信部１４０が、学習済の最新の分析モデル１１４を、通信ネットワーク５を介して各作業者端末２００に配信（送信）する。（Ｓ１０１３）。

尚、分析モデル１１４の学習には多くの情報処理資源を必要とするため、当該学習は、例えば、クラウドシステムが提供する機械学習用のＡＰＩ（Application Programming Interface）等を利用して行うようにしてもよい。

また、分析モデル学習部１３５が、例えば、学習済の分析モデル１１４について予測精度の検証を行うようにしてもよい。その場合、例えば、学習データを学習用のデータと検証用のデータに予め分類しておき、学習に際しては学習用のデータを用いて学習し、検証に際しては検証用のデータを用いて検証を行うようにする。

図１１は、現場で取得した分析対象となる情報（音データ、計測情報）を分析する際に作業者端末２００が行う処理（以下、「分析処理Ｓ１１００」と称する。）を説明するフローチャートである。分析処理Ｓ１１００は、作業者端末２００が単体で実行してもよいし、作業者端末２００が、例えば、通信ネットワーク５を介してクラウドサービス等のリソースと連携しつつ実行してもよい。分析処理Ｓ１１００は、例えば、作業者２が作業者端末２００に対して所定の開始操作を行ったことを契機として開始される。以下、同図とともに分析処理Ｓ１１００について説明する。

まず、作業者端末２００の分析対象情報取得部２２０が、マイクロフォン２７及び計測装置２８から分析対象情報２１１を取得する（Ｓ１１１１～Ｓ１１１２）。尚、この際、分析対象情報取得部２２０が、取得した分析対象情報２１１を作業者２に提示（表示等）するようにしてもよい。

続いて、作業者端末２００の説明変数生成部２２５が、取得した分析対象情報２１１から特徴量を抽出して説明変数２１２を生成する（Ｓ１１１３）。

続いて、作業者端末２００の分析処理部２３０が、説明変数２１２を分析モデル１１４に入力し、分析モデル１１４が出力する目的変数を取得する（Ｓ１１１４）。

続いて、作業者端末２００の分析結果提示部２３５が、取得した目的変数に基づく情報を分析結果（リーク音の有無、リーク音の種類、塩害発生の有無等）として提示する（Ｓ１１１５）。

続いて、作業者端末２００の分析結果送信部２４０が、通信ネットワーク５を介して分析結果をモデル学習装置１００に送信する（Ｓ１１１６）。

このように、作業者２は、作業者端末２００を利用して、知識や経験を有していなくても精度よく現場に存在する送配電設備について塩害が発生しているか否かを判断することができる。このため、送配電設備の点検作業を効率よく確実に行うことができ、作業者２の作業負荷を大幅に軽減することができる。

図１２は、作業者端末２００が分析モデル１１４を更新する際に行う処理（以下、「分析モデル受信処理Ｓ１２００」と称する。）を説明するフローチャートである。以下、同図とともに分析モデル受信処理Ｓ１２００について説明する。

作業者端末２００の分析モデル更新部２４５は、モデル学習装置１００から新たな分析モデル１１４（最新の学習データ１１３を用いて学習した最新の分析モデル１１４）もしくは更新差分を受信したか否かを随時監視している（Ｓ１２１１）。尚、モデル学習装置１００の分析モデル配信部１４０は、新たな学習データ１１３により分析モデル１１４を更新した場合等の適宜なタイミングで作業者端末２００に分析モデルを配信する。

分析モデル更新部２４５は、モデル学習装置１００から新たな分析モデル１１４もしくは更新差分を受信すると、受信した分析モデル１１４の内容に分析モデル１１４を更新（もしくは更新差分を分析モデル１１４に反映）する（Ｓ１２１２）。

このように、作業者端末２００の分析モデル１１４は、常に最新の学習データ１１３により学習した最新の状態に維持されるので、作業者２は、現場において継続的に安定して塩害が発生しているか否かを判断を行うことができる。

図１３は、モデル学習装置１００が設備情報１１５を更新する際に行う処理（以下、「設備情報更新処理Ｓ１３００」と称する。）を説明するフローチャートである。以下、同図とともに設備情報更新処理Ｓ１３００について説明する。

モデル学習装置１００の設備情報更新部１５０は、作業者端末２００から分析結果を受信したか否かを随時監視している（Ｓ１３１１）。

設備情報更新部１５０は、作業者端末２００から新たな分析結果を受信すると、受信した分析結果の内容を設備情報１１５の該当する送配電設備の内容（塩害有無７１８等）に反映する（Ｓ１３１２）。

このように、各所に設けられている送配電設備の分析結果が設備情報１１５として一元的に管理されるので、例えば、電気事業者等の組織において送配電設備の管理を行う者は、送配電設備の管理を効率よく行うことができる。尚、作業者端末２００から受信した分析結果を、例えば、分析モデル１１４の学習データ１１３を生成する際の目的変数（ラベル）として利用してもよい。

以上、本発明の実施形態について詳述したが、以上の説明は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明はその趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその等価物が含まれることは勿論である。例えば、上記の実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、上記実施形態の構成の一部について、他の構成の追加、削除、置換をすることが可能である。

１ 塩害発生有無判定システム、２ 作業者、３ 送配電設備、２７ マイクロフォン、２８ 計測装置、５ 通信ネットワーク、１００ モデル学習装置、１１０ 記憶部、１１１ 音データ、１１２ 計測情報、１１３ 学習データ、１１４ 分析モデル、１１５ 設備情報、１１６ 作業者端末情報、１２０ 情報取得管理部、１３０ 学習データ生成部、１３５ 分析モデル学習部、１４０ 分析モデル配信部、１４５ 分析結果受信部、１５０ 設備情報更新部、２００ 作業者端末、２１０ 記憶部、２１１ 分析対象情報、２１２ 説明変数、２１３ 分析結果、２２０ 分析対象情報取得部、２２５ 説明変数生成部、２３０ 分析処理部、２３５ 分析結果提示部、２４０ 分析結果送信部、２４５ 分析モデル更新部、Ｓ１０００ 学習処理、Ｓ１１００ 分析処理、Ｓ１２００ 分析モデル受信処理、Ｓ１３００ 設備情報更新処理

Claims (7)

1. 送配電設備における塩害の発生有無を判定する情報処理システムであって、
   送配電設備が設置されている現場において取得される音データに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶し、
   分析対象として現場において取得された音データに基づく情報を前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する、
   塩害発生有無判定システム。
2. 送配電設備における塩害の発生有無を判定する情報処理システムであって、
   送配電設備が設置されている現場において取得される、音データと環境の計測情報とに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶し、
   分析対象として現場において取得された、音データと環境の計測情報とに基づく情報を前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する、
   塩害発生有無判定システム。
3. 請求項１に記載の塩害発生有無判定システムであって、
   管理の対象である送配電設備に関する情報である設備情報を記憶し、
   分析対象として現場において取得される前記音データに基づく情報を前記分析モデルに入力することにより得られる前記目的変数の内容を前記設備情報に反映する、
   塩害発生有無判定システム。
4. 請求項１に記載の塩害発生有無判定システムを構成する情報処理装置であって、
   送配電設備が存在する現場において作業を行う作業者によって用いられ、
   前記分析モデルを記憶し、
   分析対象として現場において取得された音データに基づく情報を説明変数として前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力する、
   作業者端末。
5. 請求項１に記載の塩害発生有無判定システムを構成する情報処理装置であって、
   送配電設備が存在する現場周辺において作業を行う作業者によって用いられる作業者端末と通信可能に接続され、
   前記分析モデルを随時生成し、
   生成した前記分析モデルを前記作業者端末に送信する、
   モデル学習装置。
6. 送配電設備における塩害の発生有無を判定する方法であって、
   情報処理装置が、
   送配電設備が設置されている現場において取得される音データに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶するステップ、及び、
   分析対象として現場において取得された音データに基づく情報を説明変数として前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力するステップ、
   を実行する、塩害発生有無判定方法。
7. 送配電設備における塩害の発生有無を判定する方法であって、
   情報処理装置が、
   送配電設備が設置されている現場において取得される、音データと環境の計測情報とに基づく情報を説明変数とし、塩害に起因して送配電設備から発せられるリーク音に関する情報を目的変数として構成された学習データにより学習した機械学習モデルである分析モデルを記憶するステップ、及び、
   分析対象として現場において取得された、音データと環境の計測情報とに基づく情報を前記説明変数として前記分析モデルに入力することにより得られる前記目的変数に基づく情報を出力するステップ、
   を実行する、塩害発生有無判定方法。
   

Images