JP6672101B2 - プログラム、及び類否判定装置 - Google Patents

Description

本発明は、計測データを用いて変状の予兆を検知する技術に関する。

トンネルや橋梁、高架線、建物、地盤、傾斜地といった監視対象物に分散設置した多数のセンサでなる無線センサネットワークを利用して、監視対象物の状態を監視する技術が知られている（例えば、特許文献１参照）。

特開２０１３−１０９４３１号公報

従来の状態監視は、多数のセンサの計測データから、監視対象物に顕在化した何らかの状態変化を検出するものであった。そこで、複数のセンサの計測データ間の関係性に着目し、監視対象物の状態変化が顕在化する前にその予兆の段階で検知する研究が進められている。具体的な手法としては、過去に収集した計測データから、発生した状態変化の予兆として表れた計測データの変化を保存しておき、新たに計測したデータと比較することで、状態変化の予兆を検知する手法が考えられる。

しかしながら、監視対象物が大規模になるほど、配置されるセンサの数が多くなり、計測データ間の関係性を考慮すべきセンサの組み合わせは膨大なものとなることから、演算量が多くなり、リアルタイムな予兆検知を実現する上で大きな問題となる。また、過去に発生した状態変化の予兆を示す計測データ間の関係性が、再度、完全に同一の変化として表れることは現実的にほぼ無く、どの程度の類似をもって状態変化の予兆とみなすかといった判断も重要である。

本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、複数のセンサの計測データを利用した状態変化の予兆検知において、状態変化の予兆に至ったときの計測データと類似するか否かの判定（類否判定）を行うための技術を実現することである。

上記課題を解決するための第１の発明は、
コンピュータに、計測位置別の時系列の計測データ群（例えば、図９の計測データ群３０６）と、変状の発生に至ったときの時系列の基準計測データ群（図１２の基準計測データ群３１８）との類否を判定させるためのプログラムであって、
１）前記基準計測データ群のデータと、２）前記基準計測データ群のうちの特定計測位置の計測データとその他の計測位置それぞれの計測データとの依存関係を各時刻時点について算出する所定の依存関係算出処理を実行して、当該依存関係を表す指標値のデータである基準データ（例えば、図１２の基準データ３２０）と、３）各時刻時点の前記基準データについて所定の多変量解析を行って求めた合成変数の算出関数のデータ（例えば、図１２の第１主成分係数３２２）と、４）前記算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第１の基準値」という）のデータ（例えば、図１２の第１主成分得点３２４）とを記憶する記憶手段（例えば、図９の記憶部３００）、
前記計測データ群のうちの一の計測位置の計測データとその他の計測位置それぞれの計測データとの依存関係を各時刻時点について算出する前記依存関係算出処理を実行して、当該依存関係を表す指標値のデータである判定対象データ（例えば、図６の判定対象データＤ_β）を算出する判定対象データ算出手段（例えば、図９の判定対象データ算出部２０６）、
前記３）の算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第１の判定対象値」という）（例えば、図６の第１主成分得点Ｓ_β）を求める第１の解析手段（例えば、図９の第１の解析部２０８）、
前記第１の基準値の時系列変化と前記第１の判定対象値の時系列変化との第１の相関値（例えば、図７の第１の相関値Ｍ１）を算出する第１の相関値算出手段（例えば、図９の第１の相関値算出部２１０）、
前記第１の相関値を用いて、前記一の計測位置を判定対象位置とした場合の前記計測データ群と前記基準計測データ群との類否を判定する判定手段（例えば、図９の類否判定部２１６）、
として前記コンピュータを機能させるためのプログラム（例えば、図９の予兆検知プログラム３０２）である。

また、他の発明として、
計測位置別の時系列の計測データ群と、変状の発生に至ったときの時系列の基準計測データ群との類否を判定する類否判定装置（例えば、図９の予兆検知装置１０）であって、
１）前記基準計測データ群のデータと、２）前記基準計測データ群のうちの特定計測位置の計測データとその他の計測位置それぞれの計測データとの依存関係を各時刻時点について算出する所定の依存関係算出処理を実行して、当該依存関係を表す指標値のデータである基準データと、３）各時刻時点の前記基準データについて所定の多変量解析を行って求めた合成変数の算出関数のデータと、４）前記算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第１の基準値」という）のデータとを記憶する記憶手段と、
前記計測データ群のうちの一の計測位置の計測データとその他の計測位置それぞれの計測データとの依存関係を各時刻時点について算出する前記依存関係算出処理を実行して、当該依存関係を表す指標値のデータである判定対象データを算出する判定対象データ算出手段と、
前記３）の算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第１の判定対象値」という）を求める第１の解析手段と、
前記第１の基準値の時系列変化と前記第１の判定対象値の時系列変化との第１の相関値を算出する第１の相関値算出手段と、
前記第１の相関値を用いて、前記一の計測位置を判定対象位置とした場合の前記計測データ群と前記基準計測データ群との類否を判定する判定手段と、
を備えた類否判定装置を構成しても良い。

この第１の発明等によれば、計測データ群と、変状の発生に至ったときの基準計測データ群との類否を判定することができる。すなわち、基準計測データ群における特定計測位置についての他の計測位置との計測データの時系列の依存関係と、計測データ群における判定対象位置についての他の計測位置との計測データの時系列の依存関係と、が類似するか否か（類否）を、基準データについての多変量解析を行って求めた合成変数の算出関数に基づく基準データの合成変数値（第１の基準値）と、判定対象データの合成変数値（第１の判定対象値）との相関値を用いて判定することができる。

第２の発明として、第１の発明のプログラムであって、
各時刻時点の前記判定対象データについて前記多変量解析を行って合成変数の算出関数（例えば、図８の第１主成分係数Ｃ_β）を求め、当該算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第２の基準値」という）（例えば、図８の第１主成分得点Ｓ_α）と、当該算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第２の判定対象値」という）（例えば、図８の第１主成分得点Ｓ_β）とを求める第２の解析手段（例えば、図９の第２の解析部２１２）、
前記第２の基準値の時系列変化と前記第２の判定対象値の時系列変化との第２の相関値を算出する第２の相関値算出手段（例えば、図９の第２の相関値算出部２１４）、
として前記コンピュータを更に機能させ、
前記判定手段は、前記第１の相関値および前記第２の相関値を用いて類否を判定する、
プログラムを構成しても良い。

この第２の発明によれば、更に、判定対象データについて多変量解析を行って求めた合成変数の算出関数に基づく基準データの各時刻時点の合成変数値（第２の基準値）と、判定対象データの各時刻時点の合成変数値（第２の判定基準値）との相関値（第２の相関値）を用いて、計測データ群と基準計測データ群との類否を判定することができる。

第３の発明として、第１の発明のプログラムであって、
前記判定手段は、前記第１の基準値と前記第１の判定対象値との差を更に用いて、類否を判定する、
プログラムを構成しても良い。

この第３の発明によれば、更に、第１の基準値と第１の判定対象値との差を用いて、計測データ群と基準計測データ群との類否を判定することができる。

第４の発明として、第１〜第３の何れかの発明のプログラムであって、
前記基準計測データ群は、所定期間のデータ群であり、
前記計測データ群は、前記所定期間より長い期間のデータ群であり、
前記計測データ群から前記所定期間に対応する長さのデータ群を抽出することと、当該抽出したデータ群について、前記判定対象データ算出手段、前記第１の解析手段、前記第１の相関値算出手段、及び前記判定手段に処理させることとを、抽出時期を変化させて繰り返し実行する繰り返し制御手段、
として前記コンピュータを機能させるためのプログラムを構成しても良い。

この第４の発明によれば、例えば、計測毎に現在日時を抽出時期として繰り返し実行することで、最新の計測データ群と基準計測データ群との類否判定をリアルタイムに行うことができる。

第５の発明として、第１〜第４の何れかの発明のプログラムであって、
前記基準計測データ群は、監視対象物に対する計測位置の分散配置をモデル化することで計測位置を低減させたデータ群であり、
前記監視対象物に対する計測位置別の時系列の監視対象計測データ群を入力する入力手段、
計測位置の数を前記基準計測データ群に合わせるように、前記監視対象計測データ群の計測データを前記モデル化に基づいて縮約して前記計測データ群を生成するデータ縮約手段、
として前記コンピュータを機能させるためのプログラムを構成しても良い。

この第５の発明によれば、予め、監視対象物に対する計測位置の分散配置をモデル化することで計測位置を低減させた基準計測データ群を作成しておき、計測位置の数を基準計測データ群に合わせるように、監視対象物に対する監視対象計測データ群の計測データを縮約した、計測データ群を生成することができる。これにより、監視対象物に配置した計測位置が多い場合に、類否判定に要する演算量を低減させることができる。

予兆検知システムの構成図。 センサの計測データ間の依存関係の一例。 センサの計測データ間の依存関係の算出の説明図。 予兆検知の概要図。 基準データの算出の説明図。 基準データと判定対象データとの類否判定の説明図。 基準データと判定対象データとの類否判定の説明図。 基準データと判定対象データとの類否判定の説明図。 予兆検知装置の機能構成図。 計測データ群のデータ構成例。 依存関係データのデータ構成例。 変状予兆パターンデータのデータ構成例。 類否判定結果データのデータ構成例。 予兆検知処理のフローチャート。 類否判定処理のフローチャート。 監視対象物のモデル化の一例。 センサ（計測位置）の低減の説明図。

［システム構成］
図１は、本実施形態の予兆検知システム１の構成の一例を示す図である。図１によれば、予兆検知システム１は、通信回線Ｎを介してデータ通信可能に接続された類否判定装置である予兆検知装置１０、及び、中継装置２０と、中継装置２０へ計測データを出力する複数のセンサＧと、を備える。

通信回線Ｎは、データ通信が可能な通信路を意味する。すなわち、通信回線Ｎとは、直接接続のための専用線（専用ケーブル）やイーサネット（登録商標）等によるＬＡＮ（Local Area Network）の他、電話通信網やケーブル網、インターネット等の通信網を含む意味であり、また、通信方法については有線／無線を問わない。

センサＧは、直交する３軸（Ｘ軸・Ｙ軸・Ｚ軸）別の加速度を計測して計測値に応じた信号を出力する公知の３軸加速度センサであり、監視対象物である鉄道用のトンネル６の内壁の側面や天井面に分散配置されている。センサＧの配置位置は固定であり、つまり、センサＧの配置位置が計測位置である。

予兆検知装置１０は、コンピュータによって実現され、そのコンピュータのシステム構成としては、１台のコンピュータ装置で構成することとしても良いし、複数台のコンピュータ装置が通信網を介して接続された構成としても良い。予兆検知装置１０は、中継装置２０を介して収集した各センサＧの計測データに基づき、トンネル６の内壁崩落（変状）の予兆を検知する。

［原理］
予兆検知システム１は、所定の計測周期でセンサＧによる計測を実行して計測データを時系列に保存する。そして、所定の判定周期（本実施形態では、計測周期に等しいこととする）で、保存した時系列の計測データを用いて、トンネル６の内壁崩落（変状）の予兆検知の判定を行う。

予兆検知の判定は、センサＧ間の計測データの依存関係に基づいて行う。依存関係は向きを持ち、図２に示すように、ある時刻における各センサ間の計測データの依存関係は、センサＧをノードとし、依存元のセンサＧから依存先のセンサＧに向かう有向枝を設定した有向グラフや、行方向を依存元センサＧ、列方向を依存先センサＧとし、行列成分として依存関係“有り”を「１」、依存関係“無し”を「０」とした関係性行列として表すことができる。

図３は、センサＧ間の計測データの依存関係の算出を説明する図である。ある時刻ｔにおける依存元のセンサＧ１から依存先のセンサＧ２への依存関係は、時刻ｔから遡った過去の所定期間におけるセンサＧ１の計測データ｛ａ_ｔ，ａ_ｔ−１，・・，ａ_ｔ−ｋ｝、及び、センサＧ２の計測データ｛ｂ_ｔ，ｂ_ｔ−１，・・，ｂ_ｔ−ｋ｝に基づいて算出する。

具体的には、時刻ｔにおけるセンサＧ１の計測データの予測値ａ＾_ｔを算出する時系列モデルを構築する。すなわち、予測値ａ＾_ｔを目的変数とし、センサＧ２の過去の所定期間の計測データ｛ｂ_ｔ−１，・・，ｂ_ｔ−ｋ｝を説明変数とする回帰分析により、次式（１）の定数β（β_ｂ１，β_ｂ２，・・，β_ｂｋ）を決定する。

次いで、時刻ｔから過去の所定期間におけるセンサＧ１の計測データ｛ａ_ｔ，ａ_ｔ−１，・・，ａ_ｔ−ｋ｝の平均値ａ_ｍを算出し、次式（２）によって、構築した時系列モデルの決定係数Ｘを算出する。

そして、この決定係数Ｘが所定の閾値以上ならば、依存元のセンサＧ１から依存先のセンサＧ２への関係性“有り”とし、閾値未満ならば、関係性“無し”とする。

このように、各センサＧの時系列の計測データから、各時刻における各センサＧ間の計測データの依存関係を求めることで、依存関係の時系列の変化を得ることができる。そして、過去に内壁崩落（変状）が発生した直前の依存関係の変化と類似するか否か（類否）を判定することで、同様の内壁崩落（変状）の予兆を検知する。

概略的には、図４に示すように、過去に内壁崩落（変状）が発生した直前の時刻ｔ_５から遡った所定の参照期間（図４では、時刻ｔ_１〜ｔ_５の期間）における依存関係の時系列の変化を基準パターンとする。また、予兆検知の判定対象となる時刻ｕ_５から、基準パターンの参照時間と同じ長さだけ遡った期間（図４では、時刻ｕ_１〜ｕ_５）における依存関係の時系列の変化を判定対象パターンとする。

そして、基準パターンと判定対象パターンとが類似するか否か（類否）を判定し、類似するならば、判定対象の時刻ｕ_５において、内壁崩落（変状）の予兆を検知したと判定する。

図４を参照して概略を説明したが、本実施形態では、より具体的に次のような特徴的な判定処理を行う。図５〜８は、基準パターンと判定対象パターンとの類似判定の詳細を説明する図である。まず、図５に示すように、基準パターンに対して、センサＧのうちの基準センサαについて、基準センサα以外の他のセンサＧとの依存関係の時系列変化を示す基準データを生成する。すなわち、基準パターンにおける各時刻の関係性行列から、基準センサαについての行を抽出し、時系列に行方向に並べることで、行方向を時刻、列方向をセンサとした行列を生成し、基準データＤ_αとする。ここで、基準センサαは、内壁崩落が発生した箇所或いはその近傍箇所を計測位置とするセンサＧとすると好適である。図５ではセンサＧ２を基準センサαとして示している。図６に示すように、基準データＤ_αは、センサＧの数をｎ、基準パターンの参照期間の長さをｍとすると、ｍ行ｎ列の行列となる。

判定対象パターンについても同様に、各時刻ｔにおけるセンサＧ間の計測データの依存関係を示す関係性行列から、基準センサαの行を抽出して時系列に並べることで、行方向を時刻、列方向をセンサとしたｍ行ｎ列の行列を生成し、基準センサαについての依存関係の時系列変化を示す判定対象データＤ_βとする。

次いで、基準データＤ_αに対して、多変量解析の１つである主成分分析を行って、基準データＤ_αの合成変数の算出関数のデータである第１主成分を構成する係数（以下、「第１主成分係数Ｃ_α」という）｛Ｃ_α１，Ｃ_α２，・・，Ｃ_αｎ｝を算出する。そして、この第１主成分係数Ｃ_αと、基準データＤ_αとをもとに、次式（３）によって、基準データの合成変数値（第１の基準値）である基準データＤ_αの時刻時点ｊ毎の第１主成分得点Ｓ_αｊ｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝を算出する。

また、基準データの第１主成分係数Ｃ_αと、判定対象データＤ_βとをもとに、次式（４）によって、判定対象データＤ_βの合成変数値（第１の判定対象値）である判定対象データＤ_βの時刻ｊ毎の第１主成分得点Ｓ_βｊ｛Ｓ_β１，Ｓ_β２，・・、Ｓ_βｍ｝を算出する。

そして、基準データＤ_αの第１主成分得点Ｓ_α（合成変数値、第１の基準値）と、判定対象データの第１主成分得点Ｓ_β（合成変数値／第１の判定対象値）との相関値（第１の相関値Ｍ１）を算出する。すなわち、図７に示すように、時刻時点ｊ毎に、基準データＤ_αの第１主成分得点Ｓ_αｊと、判定対象データＤ_βの第１主成分得点Ｓ_βｊとのデータを組（座標位置）としてプロットして、これらのプロット点（データ組）の相関値を算出する。

また、図８に示すように、基準データＤ_αと判定対象データＤ_βとを入れ替えて、同様に、相関値（第２の相関値Ｍ２）を算出する。すなわち、判定対象データＤ_βに対する主成分分析（多変量解析）を行って、判定対象データＤ_βの合成変数の算出関数のデータである判定対象データＤ_βの第１主成分を構成する係数（以下、「第１主成分係数Ｃ_β」という）｛Ｃ_β１，Ｃ_β２，・・，Ｃ_βｎ｝を算出する。

次いで、この判定対象データＤ_βの第１主成分係数Ｃ_βと、判定対象データＤ_βとをもとに、次式（５）によって、判定対象データＤ_βの合成変数値（第２の判定対象値）である判定対象データの時刻時点ｊ別の第１主成分得点Ｓ_β｛Ｓ_β１，Ｓβ２，・・、Ｓ_βｍ｝を算出する。

また、判定対象データＤ_βの第１主成分係数Ｃ_βと、基準データＤ_αとをもとに、次式（６）によって、基準データＤ_αの合成変数値（第２の基準値）である基準データの第１主成分得点Ｓ_α｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝を算出する。

そして、基準データＤ_αの第１主成分得点Ｓ_α（第２の基準値）と、判定対象データＤ_βの第１主成分得点Ｓ_β（第２の判定対象値）との相関値（第２の相関値Ｍ２）を算出する。

続いて、このように算出した相関値（第１の相関値Ｍ１、第２の相関値Ｍ２）をもとに、基準データＤ_αと判定対象データＤ_βとが類似するか否かを判定する。すなわち、第１の相関値Ｍ１が所定の閾値ν１以上であり、且つ、第２の相関値Ｍ２が所定の閾値ν２以上であるならば、基準データＤ_αと判定対象データＤ_βとは“類似”と判定する。つまり、時刻Ｕ_ｍにおいて、内壁崩落（変状）の予兆を検知したと判定する。

［機能構成］
図９は、予兆検知装置１０の機能構成図である。図９によれば、予兆検知装置１０は、操作部１０２と、表示部１０４と、音声出力部１０６と、通信部１０８と、処理部２００と、記憶部３００とを備えて構成されるコンピュータシステムである。

操作部１０２は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の入力装置で実現され、なされた操作入力に応じた操作信号を処理部２００に出力する。表示部１０４は、例えば液晶ディスプレイ等の表示装置で実現され、処理部２００からの表示信号に基づく各種表示を行う。音声出力部１０６は、例えばスピーカ等の音出力装置で実現され、処理部２００からの音声信号に基づく各種音声出力を行う。通信部１０８は、例えば無線通信モジュールやルータ、モデム、有線用の通信ケーブルのジャックや制御回路等で実現される通信装置であり、外部装置とのデータ通信を行う。

処理部２００は、ＣＰＵ（Central Processing Unit）やＦＰＧＡ（Field Programmable Gate Array）等の演算装置や演算回路で実現され、記憶部３００に記憶されたプログラムやデータ、各センサの計測データ等にもとづいて、予兆検知装置１０の全体制御を行う。また、処理部２００は、機能的な処理ブロックとして、計測データ収集制御部２０２と、依存関係算出部２０４と、判定対象データ算出部２０６と、第１の解析部２０８と、第１の相関値算出部２１０と、第２の解析部２１２と、第２の相関値算出部２１４と、類否判定部２１６と、計時部２１８と、を有する。計測データ収集制御部２０２、依存関係算出部２０４、判定対象データ算出部２０６、第１の解析部２０８、第１の相関値算出部２１０、第２の解析部２１２、第２の相関値算出部２１４、類否判定部２１６、及び、計時部２１８は、処理部２００がプログラムを実行することでソフトウェア的に実現することも、専用の演算回路で実現することも可能である。本実施形態では前者のソフトウェア的に実現することとして説明する。

計測データ収集制御部２０２は、所定の計測周期で各センサＧによる計測を実行させて計測データを取得し、取得した計測データを、計測した日時と対応付けて、計測データ群３０６として時系列に蓄積記憶する。

図１０は、計測データ群３０６のデータ構成の一例を示す図である。図１０によれば、計測データ群３０６は、センサ３０６ａ別に、計測日時３０６ｂ毎の計測データを格納している。

依存関係算出部２０４は、センサＧ間の計測データの依存関係を算出する。具体的には、対象時刻ｔにおける依存元のセンサＧの計測データの予測値ａ＾_ｔを算出する時系列モデルを構築する。すなわち、予測値ａ＾_ｔを目的変数とし、依存先のセンサＧの過去の所定期間の計測データ｛ｂ_ｔ−１，・・，ｂ_ｔ−ｋ｝を説明変数とする回帰分析により、式（１）の定数β（β_ｂ１，β_ｂ２，・・，β_ｂｋ）を決定する。次いで、対象時刻ｔから過去の所定期間における依存元のセンサＧの計測データ｛ａ_ｔ，ａ_ｔ−１，・・，ａ_ｔ−ｋ｝の平均値ａ_ｍを算出し、式（２）によって、構築した時系列モデルの決定係数Ｘを算出する。そして、この決定係数Ｘが所定の閾値以上ならば、依存元のセンサＧから依存先のセンサＧへの関係性“有り”とし、閾値未満ならば、関係性“無し”とする。

依存関係算出部２０４は、一方を依存元、他方を依存先とする二つのセンサＧの組み合わせ毎に依存関係を算出し、算出した依存関係は、依存関係データ３３０として記憶される。図１１は、依存関係データ３３０のデータ構成の一例を示す図である。図１１によれば、依存関係データ３３０は、計測日時３３０ａ毎に、関係性行列に相当するデータとして、依存元のセンサ３３０ｂと、依存先のセンサ３３０ｃとの組み合わせ別に、依存関係の有無を格納している。

判定対象データ算出部２０６は、基準パターンに相当する変状予兆パターンとの類似判定の対象となる判定対象データを算出する。変状予兆パターンとは、過去に変状が発生した直前の各センサＧ間の依存関係の時系列変化である。各センサＧによる過去の計測データから求められた複数の変状予兆パターンについてのデータのうち、変状が発生する直前までのデータを変状予兆パターンデータ３１０として記憶することができる。

図１２は、変状予兆パターンデータ３１０のデータ構成の一例を示す図である。図１２に示すように、変状予兆パターンデータ３１０は、複数の変状予兆パターン別に、識別番号である変状予兆パターンＩＤ３１２と、データ参照期間３１４と、変状の発生地点やその近傍などの特定測定位置のセンサＧを示す基準センサ３１６と、データ参照期間３１４における各センサの時系列の計測データである基準計測データ群３１８と、基準計測データ群３１８から算出された、基準センサ３１６についての他のセンサＧとの依存関係の時系列変化である基準データ３２０と、基準データ３２０から算出された第１主成分係数３２２と、基準データ３２０、及び、第１主成分係数３２２から算出された第１主成分得点３２４と、を格納している。

判定対象データ算出部２０６は、依存関係データ３３０から、変状予兆パターンデータ３１０で定められる変状予兆パターンのデータ参照期間３１４に等しい期間だけ現在日時から過去に遡った期間における各センサＧ間の依存関係の時系列変化を抽出し、更に、この依存関係の時系列変化から、各時刻における変状予兆パターンの基準センサ３１６についての依存関係を抽出して、判定対象データを生成する。

第１の解析部２０８は、変状予兆パターンデータ３１０で定められる変状予兆パターンの第１主成分係数３２２を用いて、式（４）によって、判定対象データ算出部２０６によって算出された判定対象データの第１主成分得点Ｓ_β｛Ｓ_β１，Ｓ_β２，・・，Ｓ_βｍ｝（合成変数値／第１の判定対象値）を算出する。

第１の相関値算出部２１０は、変状予兆パターンデータ３１０で定められる変状予兆パターンの時系列の第１主成分得点３２４と、第１の解析部２０８によって算出された判定対象データの時系列の第１主成分得点Ｓ_β｛Ｓ_β１，Ｓ_β２，・・，Ｓ_βｍ｝との相関値（第１の相関値Ｍ１）を算出する。

第２の解析部２１２は、判定対象データ算出部２０６によって算出された判定対象データに対する主成分分析を行って、判定対象データの第１主成分係数Ｃ_β｛Ｃ_β１，Ｃ_β２，・・，Ｃ_βｎ｝（合成変数の算出関数のデータ）を算出し、この判定対象データの第１主成分係数Ｃ_β｛Ｃ_β１，Ｃ_β２，・・，Ｃ_βｎ｝を用いて、式（５）によって、判定対象データの時系列の第１主成分得点Ｓ_β｛Ｓ_β１，Ｓ_β２，・・，Ｓ_βｍ｝（第２の判定対象値）を算出する。また、この判定対象データの第１主成分係数Ｃ_β｛Ｃ_β１，Ｃ_β２，・・，Ｃ_βｎ｝を用いて、式（６）によって、変状予兆パターンの時系列の第１主成分得点Ｓ_α｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝（第２の基準値）を算出する。

第２の相関値算出部２１４は、第２の解析部２１２によって算出された判定対象データの第１主成分得点Ｓ_β｛Ｓ_β１，Ｓ_β２，・・，Ｓ_βｍ｝と、変状予兆パターンの第１主成分得点Ｓ_α｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝との相関値（第２の相関値Ｍ２）を算出する。

類否判定部２１６は、第１の相関値算出部２１０によって算出された第１の相関値Ｍ１、及び、第２の相関値算出部２１４によって算出された第２の相関値Ｍ２に基づいて、変状予兆パターンと判定対象パターンとが類似するか否かを判定する。すなわち、第１の相関値Ｍ１が所定の閾値ν１以上であり、且つ、第２の相関値Ｍ２が所定の閾値ν２以上であるならば、変状予兆パターンと判定対象パターンとは“類似する”と判定し、それ以外ならば“類似しない”と判定する。

そして、“類似する”と判定したならば、変状の予兆を検知したとして、その旨や、変状の予兆を検知した判定に用いた基準センサαを知らせる所定の報知処理を行う。例えば、表示部１０４に所定の報知画面を表示させたり、音声出力部１０６から所定の報知音声を出力させるといった報知処理を行うことができる。

類否判定部２１６による類否の判定結果は、類否判定結果データ３３２として記憶される。図１３は、類否判定結果データ３３２のデータ構成の一例を示す図である。図１３によれば、類否判定結果データ３３２は、変状予兆パターン３３２ａ別に、各計測時刻３３２ｂにおける類否判定の結果を格納する。

計時部２１８は、現在日時の管理や、タイマ処理など時間の経過の管理に係る処理を実行する。

記憶部３００は、ＲＯＭやＲＡＭ等のＩＣメモリや、ハードディスク等の記憶装置で実現され、処理部２００が予兆検知装置１０を統合的に制御するためのプログラムやデータ等を記憶しているとともに、処理部２００の作業領域として用いられ、処理部２００が実行した演算結果や、通信部１０８からの受信データ等が一時的に格納される。
また、記憶部３００には、予兆検知プログラム３０２と、センサＤＢ３０４と、計測データ群３０６と、変状予兆パターンデータ３１０と、依存関係データ３３０と、類否判定結果データ３３２と、が記憶される。

センサＤＢ３０４は、センサＧに関するデータであり、各センサＧの識別情報、種類、配置位置等のデータを含む。

［処理の流れ］
図１４は予兆検知処理の流れを説明するフローチャートであり、図１５は予兆検知処理においてサブルーチンとして実行される類否判定処理の流れを説明するフローチャートである。これらの処理は、処理部２００が予兆検知プログラム３０２を実行することで実現される。

予兆検知処理では、所定の計測周期で到来する計測タイミングとなったならば（ステップＡ１：ＹＥＳ）、計測データ収集制御部２０２が、各センサＧの計測データを収集し、現在日時ｔ_Ｓを計測日時として対応付けて、計測データ群３０６に追加する（ステップＡ３）。次いで、依存関係算出部２０４が、計測データ群３０６として記憶されている各センサＧの計測データに基づき、現在日時ｔ_Ｓにおける各センサＧの計測データ間の依存関係を算出し、依存関係データ３３０に追加する（ステップＡ５）。なお、現在日時ｔ_Ｓとしたが、より正確には、到来した算出タイミングにおける最新の計測日時という意味である。

続いて、変状予兆パターンデータ３１０として定められる変状予兆パターンそれぞれを対象としたループＡの繰り返し処理を行う。ループＡの処理では、判定対象データ算出部２０６が、依存関係データ３３０として記憶されている、各センサＧ間の時系列の依存関係のデータから、対象の変状予兆パターンのデータ参照期間ｍに相当する期間だけ現在日時ｔから過去に遡った期間の依存関係のデータを抽出し、更に、抽出した依存関係のデータから、対象の変状予兆パターンの基準センサαについての時刻毎の依存関係のデータを抽出して、判定対象データＤ_βを生成する（ステップＡ７）、次いで、変状予兆パターンデータ３１０で定められる判定対象の変状予兆パターンの基準データＤ_αと、算出した判定対象データＤ_βとが類似するか否かを判定する類否判定処理（図１５参照）を行う（ステップＡ９）。ループＡの処理はこのように行われる。

全ての変状予兆パターンを対象としたループＡの処理を行い、何れかの変状予兆パターンと“類似する”と判定したならば（ステップＡ１１：ＹＥＳ）、その類似すると判定した変状予兆パターンにおける基準センサが変状の予兆を検知したと判断して、その旨を報知する所定の報知処理を行う（ステップＡ１３）。以上の処理を行うと、ステップＡ１に戻り、同様の処理を繰り返す。

図１５は、類否判定処理の流れを説明するフローチャートである。類否判定処理では、第１の解析部２０８が、基準データＤ_αの第１主成分係数Ｃ_αを用いて、判定対象データＤ_βの第１主成分得点Ｓ_βを算出する（ステップＢ１）。次いで、第１の相関値算出部２１０が、基準データＤ_αの第１主成分得点Ｓ_αと、判定対象データＤ_βの第１主成分得点Ｓ_βとの相関値（第１の相関値Ｍ１）を算出する（ステップＢ３）。

第１の相関値Ｍ１が所定の閾値ν１以上ならば（ステップＢ５：ＹＥＳ）、続いて、第２の解析部２１２が、判定対象データＤ_βに対する主成分分析を行って、第１主成分係数Ｃ_βを算出する（ステップＢ７）。次いで、この判定対象データＤ_βの第１の主成分係数Ｃ_βを用いて、判定対象データＤ_βの第１主成分得点Ｓ_βを算出する（ステップＢ９）。また、この判定対象データＤ_βの第１の主成分係数Ｃ_βを用いて、基準データＤ_αの第１主成分得点Ｓ_αを算出する（ステップＢ１１）。そして、第２の相関値算出部２１４が、基準データＤ_αの第１主成分得点Ｓ_αと、判定対象データＤ_βの第１主成分得点Ｓ_βとの相関値（第２の相関値Ｍ２）を算出する（ステップＢ１３）。

第２の相関値Ｍ２が所定の閾値ν２以上ならば（ステップＢ１５：ＹＥＳ）、類否判定部２１６は、基準データＤ_αと判定対象データＤ_βとは“類似する”と判定する（ステップＢ１７）。一方、第１の相関値Ｍ１が所定の閾値ν１未満である（ステップＢ５：ＮＯ）、或いは、第２の相関値Ｍ２が所定の閾値ν２未満であるならば（ステップＢ１５：ＮＯ）、基準データＤ_αと判定対象データＤ_βとは“類似しない”と判定する（ステップＢ１９）。以上の処理を行うと、類否判定処理は終了となる。

［作用効果］
このように、本実施形態の予兆検知システム１によれば、トンネル６の内壁に分散配置した多数のセンサＧの計測データ間の依存関係に基づき、過去に発生した内壁崩落（変状）の発生直前までの基準計測データ群との類否を判定することで、内壁崩落（変状）の予兆を検知することができる。

［変形例］
なお、本発明の適用可能な実施形態は上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能なのは勿論である。

（Ａ）主成分得点Ｓ_α，Ｓ_βの差
基準データＤ_αと判定対象データＤ_βとが類似するか否かの判定（類否判定）として、上述の実施形態では、第１の相関値Ｍ１、及び、第２の相関値Ｍ２を用いて判定したが、第２の相関値を用いず、基準データＤ_αの時系列の第１主成分得点Ｓ_α（第１の基準値）と、判定対象データＤ_βの時系列の第１主成分得点Ｓ_β（第１の判定対象値）との差を用いることとしても良い。

具体的には、基準データＤ_αの時系列の第１主成分得点｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝と、判定対象データＤ_βの時系列の第１主成分得点｛Ｓ_α１，Ｓ_α２，・・，Ｓ_αｍ｝と、時刻毎の差の合計値Ｍ３を、式（７）によって算出する。

そして、第１の相関値Ｍ１が所定の閾値ν１以上であり、且つ、この差の合計値Ｍ３が所定の閾値ν３以下である場合に、基準データＤ_αと判定対象データＤ_βとは“類似する”と判定する。

（Ｂ）予兆検知の対象のセンサＧ
また、上述の実施形態では、計測データ群３０６から、変状予兆パラメータにおける基準センサαと他の各センサＧとの時系列の依存関係のデータを抽出して判定対象データＤ_βを算出することとした。つまり、過去に変状の予兆を検知したセンサ（基準センサα）に着目して、同様の変状の予兆を検知したかを判定することとした。これを、基準センサαとは別の任意のセンサＧについての依存関係のデータを抽出して、判定対象データＤ_βを算出することとしても良い。

具体的には、全てのセンサＧそれぞれについて、当該センサＧと他の各センサＧとの時系列の依存関係のデータから判定対象データＤ_βを算出し、この判定対象データＤ_βと基準データＤ_αとの類否を判定する。これにより、過去に変状が発生したときの、あるセンサ（基準センサα）を基準とした時系列の依存関係と、同様の依存関係が別のセンサＧを基準とした場合に生じているかを判定することで、その別のセンサＧについても変状の予兆が生じているかを判定することができる。

（Ｃ）主成分分析
また、上述の実施形態では、主成分分析として第１主成分についてのみ行うこととしたが、第２主成分、第３主成分、・・といった他の主成分についても行うこととしても良い。具体的には、第１主成分と同様に、主成分毎に主成分係数Ｃを算出して主成分得点Ｓを求め、これらの主成分別の主成分得点を乗算した乗算値を算出する。そして、この乗算値に基づいて相関値（第１の相関値Ｍ１、第２の相関値Ｍ２）を求めることとすれば良い。

（Ｄ）多変量解析
また、上述の実施形態では、基準データＤ_αや判定対象データＤ_βに対して行う多変量解析として主成分分析を行うこととしたが、これ以外の分析手法としても良い。

（Ｅ）分散配置モデル
上述の実施形態では、監視対象物であるトンネル６の内壁に配置した多数のセンサＧの計測データに基づき、基準データとなる変状予兆パターンを作成・記憶しておくこととした。これを、監視対象物であるトンネル６の内壁を模した小型内壁面モデルを用いた試験によって得られた計測データをもとに、基準データとなる変状予兆パターンを作成することとしても良い。

具体的には、例えば、図１６（ａ）に示すような監視対象物であるトンネル６の内壁（以下、「監視対象内壁面６」という）に対して、図１６（ｂ）に示すような縮尺した小型内壁面モデル８を作成する。監視対象内壁面６には、水平方向に４列、壁面に沿った上下方向に４列の合計１６個のセンサＧ１〜Ｇ１６が行列状に配置されている。小型内壁面モデル８は、監視対象内壁面６におけるセンサＧ１〜Ｇ１６の分散配置をモデル化したものであり、監視対象内壁面６を小型化して模した試験用の壁面に、監視対象内壁面６より少ない５個のセンサＧ２１〜Ｇ２５を配置している。

図１７に示すように、この小型内壁面モデル８におけるセンサＧ２１〜Ｇ２５は、それぞれ、センサＧ１〜Ｇ１６を配置位置に応じてグループ分けしたセンサ組に対応付けられている。すなわち、センサＧ２１は、センサＧ１，Ｇ２，Ｇ５，Ｇ６のセンサ組に対応付けられ、センサＧ２２は、センサＧ３，Ｇ４，Ｇ７，Ｇ８のセンサ組に対応付けられ、センサＧ２３は、センサＧ６，Ｇ７，Ｇ１０，Ｇ１１のセンサ組に対応付けられ、センサＧ２４は、センサＧ９，Ｇ１０，Ｇ１３，Ｇ１４のセンサ組に対応付けられ、センサＧ２５は、センサＧ１１，Ｇ１２，Ｇ１５，Ｇ１６のセンサ組に対応付けられている。

また、小型内壁モデル８を用いて、内壁崩落といった変状を人為的に発生させ、その直前までのセンサＧ２１〜Ｇ２５それぞれの計測データに基づくセンサ間の依存関係の時系列変化を、変状予兆パターンとして求めておく。そして、監視対象内壁面６の１６個のセンサＧ１〜Ｇ１６それぞれの計測データを、小型内壁面モデル８と同数の５個の計測データに縮約する。つまり、複数のセンサで成るセンサ組を１つのセンサとみなす。例えば、小型内壁モデル８の５個のセンサＧ２１〜Ｇ２５それぞれに対応付けられているセンサ組毎に、当該センサ組を構成する各センサＧの計測データの平均値を算出し、当該センサ組の計測データとする。次いで、この縮約した計測データに基づき、判定対象データＤ_βを算出し、算出した判定対象データＤ_βを、変状予兆パターンの基準データＤ_αと類似するか否かを判定（類否判定）することで、監視対象内壁面６のセンサＧ１〜Ｇ１６によって変状の予兆を検知したかを判定する。

（Ｆ）監視対象物
また、上述の実施形態では、監視対象物を鉄道のトンネル６の内壁としたが、橋梁といった構造物としても良いし、線路に係る斜面や線路脇の山の斜面、自動車道の車道に係る斜面、河川の防波堤に係る斜面としても良い。

（Ｇ）センサＧ
上述の実施形態では、センサＧを３軸加速度センサとしたが、変位センサや振動センサ、角速度センサ、温度センサ、照度センサ、歪みセンサ、ジャイロセンサといった、監視対象物に応じた任意の物理量を計測するセンサを用いることができる。

１ 予兆検知システム
１０ 予兆検知装置
１０２ 操作部、１０４ 表示部、１０６ 音声出力部、１０８ 通信部
２００ 処理部
２０２ 計測データ収集制御部、２０４ 依存関係算出部
２０６ 判定対象データ算出部、２０８ 第１の解析部
２１０ 第１の相関値算出部、２１２ 第２の解析部
２１４ 第２の相関値算出部、２１６ 類否判定部
２１８ 計時部
３００ 記憶部
３０２ 予兆検知プログラム、３０４ センサＤＢ
３０６ 計測データ群、３１０ 変状予兆パターンデータ
３３０ 依存関係データ、３３２ 類否判定結果データ
２０ 中継装置
Ｇ センサ
Ｎ 通信回線
４ 線路、６ 斜面
８ 小型内壁面モデル

Claims (5)

1. コンピュータに、計測位置別の時系列の計測データ群と、変状の発生に至ったときの時系列の基準計測データ群との類否を判定させるためのプログラムであって、
   前記基準計測データ群は、監視対象物に対して分散配置されたＮ箇所の計測位置を配置位置に応じた所定のグループ分けとしてモデル化した各グループに対応するＭ箇所分（Ｎ＞Ｍ）の計測データであり、
   １）前記基準計測データ群のデータと、２）前記基準計測データ群の計測データ間の依存関係を各時刻時点について算出する所定の依存関係算出処理を実行して求めた、当該依存関係を表す指標値のデータである基準データと、３）各時刻時点の前記基準データについて所定の多変量解析を行って求めた合成変数の算出関数のデータと、４）前記算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第１の基準値」という）のデータとを記憶する記憶手段、
   前記監視対象物に対するＮ箇所の計測位置別の時系列の監視対象計測データ群を入力する入力手段、
   前記監視対象計測データ群のＮ箇所の計測データを前記グループ分けに基づいてＭ箇所分の計測データに統計処理することで前記計測データ群を生成するデータ縮約手段、
   前記データ縮約手段により生成された計測データ群の計測データ間の依存関係を各時刻時点について算出する前記依存関係算出処理を実行して、当該依存関係を表す指標値のデータである判定対象データを算出する判定対象データ算出手段、
   前記３）の算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第１の判定対象値」という）を求める第１の解析手段、
   前記第１の基準値の時系列変化と前記第１の判定対象値の時系列変化との第１の相関値を算出する第１の相関値算出手段、
   前記第１の相関値を用いて前記計測データ群と前記基準計測データ群との類否を判定する判定手段、
   として前記コンピュータを機能させるためのプログラム。
2. 各時刻時点の前記判定対象データについて前記多変量解析を行って合成変数の算出関数を求め、当該算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第２の基準値」という）と、当該算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第２の判定対象値」という）とを求める第２の解析手段、
   前記第２の基準値の時系列変化と前記第２の判定対象値の時系列変化との第２の相関値を算出する第２の相関値算出手段、
   として前記コンピュータを更に機能させ、
   前記判定手段は、前記第１の相関値および前記第２の相関値を用いて類否を判定する、
   請求項１に記載のプログラム。
3. 前記判定手段は、前記第１の基準値と前記第１の判定対象値との差を更に用いて、類否を判定する、
   請求項１に記載のプログラム。
4. 前記基準計測データ群は、所定期間のデータ群であり、
   前記計測データ群は、前記所定期間より長い期間のデータ群であり、
   前記計測データ群から前記所定期間に対応する長さのデータ群を抽出することと、当該抽出したデータ群について、前記判定対象データ算出手段、前記第１の解析手段、前記第１の相関値算出手段、及び前記判定手段に処理させることとを、抽出時期を変化させて繰り返し実行する繰り返し制御手段、
   として前記コンピュータを機能させるための請求項１〜３の何れか一項に記載のプログラム。
5. 計測位置別の時系列の計測データ群と、変状の発生に至ったときの時系列の基準計測データ群との類否を判定する類否判定装置であって、
   前記基準計測データ群は、監視対象物に対して分散配置されたＮ箇所の計測位置を配置位置に応じた所定のグループ分けとしてモデル化した各グループに対応するＭ箇所分（Ｎ＞Ｍ）の計測データであり、
   １）前記基準計測データ群のデータと、２）前記基準計測データ群の計測データ間の依存関係を各時刻時点について算出する所定の依存関係算出処理を実行して求めた、当該依存関係を表す指標値のデータである基準データと、３）各時刻時点の前記基準データについて所定の多変量解析を行って求めた合成変数の算出関数のデータと、４）前記算出関数に基づく前記基準データの各時刻時点の合成変数値（以下「第１の基準値」という）のデータとを記憶する記憶手段と、
   前記監視対象物に対するＮ箇所の計測位置別の時系列の監視対象計測データ群を入力する入力手段と、
   前記監視対象計測データ群のＮ箇所の計測データを前記グループ分けに基づいてＭ箇所分の計測データに統計処理することで前記計測データ群を生成するデータ縮約手段と、
   前記データ縮約手段により生成された計測データ群の計測データ間の依存関係を各時刻時点について算出する前記依存関係算出処理を実行して、当該依存関係を表す指標値のデータである判定対象データを算出する判定対象データ算出手段と、
   前記３）の算出関数に基づく前記判定対象データの各時刻時点の合成変数値（以下「第１の判定対象値」という）を求める第１の解析手段と、
   前記第１の基準値の時系列変化と前記第１の判定対象値の時系列変化との第１の相関値を算出する第１の相関値算出手段と、
   前記第１の相関値を用いて前記計測データ群と前記基準計測データ群との類否を判定する判定手段と、
   を備えた類否判定装置。

Images