JP7107492B2 - 無線センサ装置及び状態推定システム - Google Patents

Description

本発明は、無線センサ装置及び状態推定システムに関する。

従来、特別な電源を必要とせず測定結果を無線でリアルタイムに送信することができる構造物の監視装置とその監視システムが知られている（例えば、特許文献１）。また、自己発電機能を持たせることで、半永久的にＲＦＩＤ用タグに情報の書込みを可能にした自己発電機能付ＲＦＩＤ用タグを内蔵した軸受が知られている（例えば、特許文献２）。また、複数の加速度センサの出力を集中的に監視することができ、且つ、上述のようなケーブルの布設を不要にした振動検出システムが知られている（例えば、特許文献３）。

また、工作機械の主軸または主軸を駆動するモータが故障に至る前に、その故障の兆候を検出することができる機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システムが知られている（例えば、特許文献４）。また、機器の故障を事前に検知してクラウドやネットワークの保守品質を向上させる故障予測システムが知られている（例えば、特許文献５）。

特開2004-301571号公報 特開2006-52742号公報 特開平9-257561号公報 特開2017-188030号公報 特開2016-173782号公報

しかし、上記特許文献１～５に記載の技術では、例えば、対象物の一例であるモータ等に設置されたセンサから得られる情報を逐次取得する必要がある。このため、対象物の状態を簡易に推定することができない、という課題がある。

本発明は、上記の事情を鑑みてなされたもので、対象物の状態を簡易に推定することができる無線センサ装置及び状態推定システムを提供することを目的とする。

上記の目的を達成するために本発明に係る無線センサ装置は、対象物から出力される信号を電気信号に変換するセンサ部と、前記センサ部によって変換された電気信号を電力として蓄電する蓄電部と、前記蓄電部に蓄電される前記電力が所定値以上である場合に、前記蓄電部に蓄電される前記電力が前記所定値以上となる時間間隔及び前記電気信号の時系列を表す波形情報の少なくとも一方に応じて、前記波形情報又は前記電力が所定値以上蓄電されたことを示す蓄電情報を、他の装置へ送信する送信部と、を備える。

また、前記蓄電部に蓄電された前記電力が前記所定値以上である場合に、前記波形情報の生成を開始する制御部を更に含むようにすることができる。

また、前記制御部は、前記時間間隔が予め定められた範囲内ではない場合に、前記波形情報を他の装置へ送信するように前記送信部を制御するようにすることができる。

また、前記センサ部は、振動信号を電気信号へ変換する振動発電素子、光信号を電気信号へ変換する光発電素子、熱信号を電気信号へ変換する熱発電素子、及び磁気信号を電気信号へ変換する磁気発電素子の少なくとも１つであるようにすることができる。

また、前記センサ部は、前記電力として蓄電するための電気信号を逐次取得する電力取得用素子と、前記波形情報を生成するための電気信号を逐次取得する信号取得用素子とを備えるようにすることができる。

また、前記センサ部は、ｘｙ平面において、ｘ軸方向に線状に伸びた形状を有する第１の圧電素子と、ｙ軸方向に線状に伸びた形状を有する複数の第２の圧電素子とを含む圧電素子であるようにすることができる。

本発明の状態推定システムは、無線センサ装置と状態推定装置とを有する状態推定システムであって、前記無線センサ装置は、対象物から出力される信号を電気信号に変換するセンサ部と、前記センサ部によって変換された電気信号を電力として蓄電する蓄電部と、前記蓄電部に蓄電される前記電力が所定値以上である場合に、前記センサ部によって検出される前記電気信号の時系列を表す波形情報及び前記電力が所定値以上蓄電されたことを示す蓄電情報の少なくとも一方を、前記状態推定装置へ送信する送信部と、を備え、前記状態推定装置は、前記無線センサ装置から送信された前記波形情報及び前記蓄電情報の少なくとも一方を取得する取得部と、前記取得部によって取得された前記波形情報及び前記無線センサ装置から送信された前記蓄電情報の各々の間の時間間隔を表す頻度情報の少なくとも一方を表すセンサ情報と、学習用の前記センサ情報と学習用の対象物の状態を表す状態情報とが予め対応付けられた学習用データから予め学習された学習済みモデルとに基づいて、前記対象物の前記状態情報を出力する情報出力部と、を備える。

前記情報出力部は、前記取得部によって前記蓄電情報が取得された場合には、学習用の前記頻度情報と学習用の前記状態情報とが予め対応付けられた学習用データから予め学習された頻度情報用学習済みモデルとに基づいて、前記対象物の前記状態情報を出力し、前記取得部によって前記波形情報が取得された場合には、学習用の前記波形情報と学習用の前記状態情報とが予め対応付けられた学習用データから予め学習された波形情報用学習済みモデルとに基づいて、前記対象物の前記状態情報を出力するようにすることができる。

また、前記センサ情報は、前記波形情報に対する周波数解析情報であるようにすることができる。

また、前記状態情報は、前記対象物の故障の予測に関する情報であるようにすることができる。

また、前記状態情報は、前記対象物の故障の種別に関する情報であるようにすることができる。

また、前記学習済みモデルは、学習済みのニューラルネットワークモデルであるようにすることができる。

以上説明したように、本発明の無線センサ装置及び状態推定システムによれば、対象物の状態を簡易に推定することができる、という効果が得られる。

本実施形態の状態推定システムの概略構成のブロック図である。 本実施形態の無線センサ装置の概略構成の一例を示す図である。 本実施形態の状態推定装置の概略構成の一例を示す図である。 本実施形態の頻度情報用の学習用データの一例を示す図である。 本実施形態の学習済みモデルの一例を示す図である。 本実施形態に係る送信処理ルーチンの内容を示すフローチャートである。 本実施形態に係る学習処理ルーチンの内容を示すフローチャートである。 本実施形態に係る状態推定処理ルーチンの内容を示すフローチャートである。 第２実施形態の波形情報用の学習用データを説明するための説明図である。 第２実施形態の学習済みモデルの一例を示す図である。 第２実施形態に係る送信処理ルーチンの内容を示すフローチャートである。 第２実施形態に係る学習処理ルーチンの内容を示すフローチャートである。 第２実施形態に係る状態推定処理ルーチンの内容を示すフローチャートである。 実施例１を説明するための説明図である。 実施例１を説明するための説明図である。 実施例１を説明するための説明図である。 実施例１を説明するための説明図である。 実施例２を説明するための説明図である。 実施例２を説明するための説明図である。 本実施形態のセンサ部の変形例を説明するための説明図である。

以下、図面を参照して本発明の実施形態を詳細に説明する。

＜第１実施形態＞

図１は、第１実施形態の状態推定システム１０を示すブロック図である。状態推定システム１０は、複数の信号取得システム１１Ａ，１１Ｂ，１１Ｃと、状態推定装置２０とを含む。複数の信号取得システム１１Ａ，１１Ｂ，１１Ｃと、状態推定装置２０とは、例えばインターネットやＬＡＮなどのネットワークＮを介して接続される。なお、信号取得システム１１Ａと、信号取得システム１１Ｂと、信号取得システム１１Ｃとは同様の構成であるため、以下では、信号取得システム１１Ａについて説明する。

本実施形態では、信号取得システム１１Ａによって取得されたセンサ情報に基づいて、対象物１２の状態を推定する。

＜信号取得システム＞

信号取得システム１１Ａは、図２に示されるように、対象物１２と、無線センサ装置１３とを備えている。

対象物１２は、例えば、モータ等の所定の機器又は建築物等の構造物である。第１実施形態では、対象物１２がモータである場合を例に説明する。

無線センサ装置１３は、図２に示されるように、センサ部１４と、蓄電部１５と、送信処理装置１６とを備えている。

センサ部１４は、対象物１２であるモータに設置され、対象物１２から出力される信号を電気信号に変換する。センサ部１４は、信号取得用素子１４Ａと電力取得用素子１４Ｂとを備える。本実施形態では、信号取得用素子１４Ａ及び電力取得用素子１４Ｂが振動発電素子である場合を例に説明する。対象物１２であるモータの駆動による振動が発生すると、信号取得用素子１４Ａと電力取得用素子１４Ｂとは、モータから出力される振動信号を電気信号に変換する。

信号取得用素子１４Ａは、対象物１２であるモータから出力される振動信号を電気信号へ変換し、制御部１７へ逐次出力する。信号取得用素子１４Ａによって得られる電気信号は、対象物１２であるモータの振動に応じたものとして、制御部１７によって他の装置へ送信される。

電力取得用素子１４Ｂは、対象物１２であるモータから出力される振動信号を電気信号へ変換し、蓄電部１５へ逐次出力する。電力取得用素子１４Ｂによって得られる電気信号は、制御部１７及び送信部１８による送信処理の際の電力として用いられる。

蓄電部１５は、電力取得用素子１４Ｂによって変換された電気信号を電力として蓄電する。

送信処理装置１６は、機能的には、制御部１７と、送信部１８とを備えている。例えば、送信処理装置１６は、制御回路と送信回路とを含む所定の電気回路によって実現される。または、送信処理装置１６は、ＣＰＵと、ＲＡＭと、各処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えたコンピュータによって実現されてもよい。

制御部１７は、蓄電部１５に蓄電される電力が所定値以上である場合に、電力が所定値以上蓄電されたことを示す蓄電情報を、状態推定装置２０へ送信するように、送信部１８を制御する。なお、送信処理の際には、蓄電部１５に蓄電された電力が用いられる。

送信部１８は、制御部１７による制御に応じて、蓄電情報を状態推定装置２０へ送信する。

＜状態推定装置＞

状態推定装置２０は、図３に示されるように、コンピュータ２１と、出力部３０とを備える。

コンピュータ２１は、ＣＰＵと、ＲＡＭと、各処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には、学習用データ記憶部２２と、学習部２３と、学習済みモデル記憶部２４と、受信部２５と、情報出力部２６とを備える。受信部２５は、本発明の取得部の一例である。

学習用データ記憶部２２には、頻度情報用の学習用データが格納される。頻度情報用の学習用データは、学習用の蓄電情報を受信した時間間隔を表す頻度情報と学習用の対象物１２の状態を表す状態情報とが予め対応付けられデータである。頻度情報は、本発明のセンサ情報の一例である。

図４に、頻度情報用の学習用データの一例を示す。図４に示されるデータＩＤ「00001」のデータでは、学習用の頻度情報が「ＸＸＸ１」であった場合に、学習用の状態情報が「ＹＹＹ１」であることが表されている。

対象物１２であるモータが駆動する際、モータが正常な状態である場合には、所定期間内に発生する電気信号は一定である。そのため、電力が所定値以上蓄電されたことを示す蓄電情報の受信も一定であり、蓄電情報を受信した時間間隔を表す頻度情報も一定であると考えられる。一方、モータが異常な状態である場合には、所定期間内に発生する電気信号は不規則となり、蓄電情報を受信する時間間隔を表す頻度情報も不規則となると考えられる。例えば、モータが異常である場合には、モータの振動が大きくなることにより、電力が所定値以上蓄電される時間間隔は短くなると考えられる。または、例えば、モータが異常である場合には、モータの振動が小さくなることにより、電力が所定値以上蓄電される時間間隔は長くなると考えられる。

そこで、本実施形態では、蓄電情報を受信する時間間隔を表す頻度情報を用いて、対象物１２であるモータの状態を推定する。具体的には、モータが正常である場合の頻度情報と、モータが異常である場合の頻度情報とを学習用データとして設定し、その学習用データを用いて学習済みモデルを生成する。そして、学習済みモデルを用いて、モータの状態を推定する。

学習部２３は、学習用データ記憶部２２に格納された頻度情報用の学習用データに基づいて、頻度情報から状態情報を出力するための学習済みモデルを学習させる。

本実施形態の頻度情報用学習済みモデルは、図５に示されるように、頻度情報を入力データとし、各状態情報の確率を出力データとする。本実施形態の頻度情報用学習済みモデルは、例えば、図５に示されるように、モデルの一例としてニューラルネットワークを用いることができ、学習アルゴリズムの一例としてディープラーニングを用いることができる。

状態情報には、例えば、モータが異常であることを示す第１状態、モータが正常であることを示す第２状態、及びモータが正常から異常へ遷移している状態である第３状態が含まれる。この場合には、図５に示されるように、モータが第１状態である確率、第２状態である確率、及び第３状態である確率が、頻度情報用学習済みモデルから出力され、モータの状態は、確率が最も大きい状態であることが推定される。

学習済みモデル記憶部２４には、学習部２３によって得られた頻度情報用学習済みモデルが格納される。

受信部２５は、信号取得システム１１Ａから送信された蓄電情報を受信する。

情報出力部２６は、受信部２５によって受信された蓄電情報の各々の間の時間間隔を表す頻度情報を取得する。そして、情報出力部２６は、頻度情報を、学習済みモデル記憶部２４に格納された頻度情報用学習済みモデルへ入力して、頻度情報用学習済みモデルによる演算処理によって、モータの各状態の確率を、状態情報として出力する。そして、情報出力部２６は、現在のモータの状態は、確率が最も大きい状態であることを推定する。

出力部３０は、情報出力部２６によって出力されたモータの状態情報を結果として出力する。

＜状態推定システムの作用＞

次に、本実施形態の状態推定システム１０の作用について説明する。状態推定システム１０の無線センサ装置１３は、蓄電情報を送信する送信処理ルーチンを実行する。また、状態推定システム１０の状態推定装置２０は、頻度情報用の学習用データに基づいてニューラルネットワークモデルを学習させる学習処理ルーチンと、学習済みニューラルネットワークモデルに基づいて、対象物１２の状態を推定する状態推定処理ルーチンとを実行する。

＜送信処理ルーチン＞

無線センサ装置１３のセンサ部１４である信号取得用素子１４Ａ及び電力取得用素子１４Ｂは、対象物から出力される振動信号を電気信号へ変換する。そして、蓄電部１５は、電力取得用素子１４Ｂによって変換された電気信号を電力として蓄電する。また、無線センサ装置１３は、図６に示す送信処理ルーチンを実行する。

ステップＳ１００において、制御部１７は、蓄電部１５に蓄電される電力が所定値以上であるか否かを判定する。蓄電部１５に蓄電される電力が所定値以上である場合には、ステップＳ１０２へ進む。一方、蓄電部１５に蓄電される電力が所定値未満である場合には、ステップＳ１００へ戻る。

ステップＳ１０２において、制御部１７は、電力が所定値以上蓄電されたことを示す蓄電情報を、状態推定装置２０へ送信するように、送信部１８を制御する。そして、送信部１８は、制御部１７による制御に応じて、蓄電情報を状態推定装置２０へ送信する。

＜学習処理ルーチン＞

状態推定装置２０の学習部２３は、学習処理開始の信号を受け付けると、図７に示す学習処理ルーチンを実行する。

ステップＳ１０４において、学習部２３は、学習用データ記憶部２２に格納された複数の頻度情報用の学習用データを取得する。

ステップＳ１０６において、学習部２３は、上記ステップＳ１０４で取得された複数の頻度情報用の学習用データに基づいて、頻度情報から状態情報を出力するための学習済みのニューラルネットワークモデルを、頻度情報用のモデルとして学習させる。

ステップＳ１０８において、学習部２３は、上記ステップＳ１０６で学習された頻度情報用学習済みモデルを、学習済みモデル記憶部２４に格納して、学習処理ルーチンを終了する。

＜状態推定処理ルーチン＞

状態推定装置２０の情報出力部２６は、学習済みモデル記憶部２４に頻度情報用学習済みモデルが格納され、受信部２５によって蓄電情報が受信され始めると、図８に示す状態推定処理ルーチンを実行する。なお、以下では、信号取得システム１１Ａから蓄電情報が送信され、信号取得システム１１Ａの対象物１２であるモータの状態を推定する場合を例に説明する。

ステップＳ１１０において、情報出力部２６は、受信部２５によって受信された、信号取得システム１１Ａの蓄電情報の各々の間の時間間隔を表す頻度情報を取得する。

ステップＳ１１２において、情報出力部２６は、上記ステップＳ１１０で取得された頻度情報を、学習済みモデル記憶部２４に格納された頻度情報用学習済みモデルへ入力して、モータの各状態の確率を状態情報として推定する。

ステップＳ１１４において、情報出力部２６は、上記ステップＳ１１２で推定された状態情報を結果として出力して、状態推定処理ルーチンを終了する。

以上説明したように、第１実施形態に係る状態推定システムによれば、無線センサ装置から送信された蓄電情報の各々の間の時間間隔を表す頻度情報と、学習用の頻度情報と学習用の対象物の状態情報とが対応付けられた学習用データから予め学習された学習済みモデルとに基づいて、対象物の状態情報を出力する。これにより、蓄電情報を受信した時間間隔に応じて、対象物の状態を簡易に推定することができる。

また、圧電素子であるセンサ部１４について、信号を取得するための信号取得用素子１４Ａと電力を取得するための電力取得用素子１４Ｂとを分けることにより、電力取得用素子１４Ｂによって逐次電力が取得されるため、対象物１２から出力される信号に応じた電気信号を効率的に取得することができる。

また、電力取得用素子１４Ｂから得られた電力によって蓄電情報が他の装置へ送信されるため、対象物１２に関する信号の送信を無電源で行うことができる。この手法は、デバイスの配線レス及び電池レス化が可能であるため、IoT（Internet of Things）デバイス等への実装が可能である。このため、本実施形態によれば、高効率かつ簡便な無電力センサを実現することができる。

＜第２実施形態＞

次に、第２実施形態について説明する。なお、第２実施形態に係る状態推定システムの構成は、第１実施形態と同様の構成となるため、同一符号を付して説明を省略する。

第２実施形態の無線センサ装置１３は、蓄電部１５に蓄電される電力が所定値以上となる時間間隔に応じて、電気信号の時系列を表す波形情報及び電力が所定値以上蓄電されたことを示す蓄電情報の何れかを選択して、他の装置へ送信する点が第１実施形態と異なる。

上記第１実施形態において説明したように、モータが異常な状態である場合には、所定期間内に発生する電気信号は不規則となり、蓄電部１５に蓄電される電力が所定値以上となる時間間隔（以下、単に「時間間隔」と称する。）も不規則になると考えられる。このため、第２実施形態の無線センサ装置１３は、その時間間隔が予め設定された範囲内である場合には、蓄電情報のみを状態推定装置２０へ送信する。一方、第２実施形態の無線センサ装置１３は、その時間間隔が予め設定された範囲内ではない場合に、電気信号の時系列を表す波形情報を状態推定装置２０へ送信する。波形情報は、本発明のセンサ情報の一例である。

これにより、状態推定装置２０側では、時間間隔が予め設定された範囲内ではない場合に、波形情報を用いて対象物１２であるモータの状態を推定することができる。このため、モータの動作が不規則である場合には、より詳細な情報が含まれている波形情報を用いて、モータの状態を推定することができる。

第２実施形態の無線センサ装置１３の制御部１７は、蓄電部１５に蓄電される電力が所定値以上となる時間間隔を取得する。また、制御部１７は、時間間隔が予め設定された範囲内であるか否かを判定する。

そして、制御部１７は、時間間隔が予め設定された範囲内である場合には、蓄電部１５に蓄電される電力が所定値以上となった際に、蓄電情報を状態推定装置２０へ送信するように、送信部１８を制御する。

一方、制御部１７は、時間間隔が予め設定された範囲内でない場合であって、かつ蓄電部１５に蓄電される電力が所定値以上である場合に、波形情報の生成を開始する。そして、制御部１７は、波形情報を状態推定装置２０へ送信するように、送信部１８を制御する。

第２実施形態の状態推定装置２０の受信部２５は、信号取得システム１１Ａから送信された蓄電情報又は波形情報を受信する。

第２実施形態の学習用データ記憶部２２には、波形情報用学習済みモデルを学習させるための波形情報用の学習用データが更に格納される。波形情報用の学習用データは、学習用の波形情報と学習用の対象物１２の状態を表す状態情報とが予め対応付けられデータである。

図９に、第２実施形態の波形情報用の学習用データの一例を示す。図９に示されるデータＩＤ「00001」のデータでは、学習用の頻度情報が「ＷＷＷ１」であった場合に、学習用の状態情報が「ＺＺＺ１」であることが表されている。

第２実施形態の波形情報用学習済みモデルは、図１０に示されるように、波形情報を入力データとし、各状態情報の確率を出力データとする。本実施形態の波形情報用学習済みモデルは、例えば、図１０に示されるように、モデルの一例としてニューラルネットワークを用いることができ、学習アルゴリズムの一例としてディープラーニングを用いることができる。

学習部２３は、学習用データ記憶部２２に格納された学習用データに基づいて、波形情報から状態情報を出力するための波形情報用学習済みモデルを学習させる。

学習済みモデル記憶部２４には、学習部２３によって得られた、頻度情報用学習済みモデル及び波形情報用学習済みモデルが格納される。

第２実施形態の状態推定装置２０の情報出力部２６は、受信部２５によって蓄電情報が受信された場合には、受信された蓄電情報の各々の間の時間間隔を表す頻度情報を取得する。そして、情報出力部２６は、第１実施形態と同様に、頻度情報を、学習済みモデル記憶部２４に格納された頻度情報用学習済みモデルへ入力して、頻度情報用学習済みモデルによる演算処理によって、モータの各状態の確率を、状態情報として出力する。そして、情報出力部２６は、現在のモータの状態は、確率が最も大きい状態であることを推定する。

また、第２実施形態の状態推定装置２０の情報出力部２６は、受信部２５によって波形情報が受信された場合には、波形情報を、学習済みモデル記憶部２４に格納された波形情報用学習済みモデルへ入力して、波形情報用学習済みモデルによる演算処理によって、モータの各状態の確率を、状態情報として出力する。

第２実施形態の状態推定装置２０の出力部３０は、情報出力部２６によって出力されたモータの状態情報を結果として出力する。

＜状態推定システムの作用＞

次に、第２実施形態の状態推定システム１０の作用について説明する。第２実施形態の状態推定システム１０の無線センサ装置１３は、蓄電情報又は波形情報を送信する送信処理ルーチンを実行する。また、状態推定システム１０の状態推定装置２０は、波形情報用の学習用データに基づいてニューラルネットワークモデルを学習させる学習処理ルーチンを更に実行する。また、状態推定システム１０の状態推定装置２０は、波形情報用学習済みモデルに基づいて、対象物１２の状態を推定する状態推定処理ルーチンを更に実行する。

＜送信処理ルーチン＞

無線センサ装置１３のセンサ部１４である信号取得用素子１４Ａ及び電力取得用素子１４Ｂは、対象物１２から出力される振動信号を電気信号へ変換する。そして、蓄電部１５は、電力取得用素子１４Ｂによって変換された電気信号を電力として蓄電する。また、無線センサ装置１３は、図１１に示す送信処理ルーチンを実行する。

ステップＳ２００において、制御部１７は、蓄電部１５に蓄電される電力が所定値以上であるか否かを判定する。蓄電部１５に蓄電される電力が所定値以上である場合には、ステップＳ２０１へ進む。一方、蓄電部１５に蓄電される電力が所定値未満である場合には、ステップＳ２００へ戻る。

ステップＳ２０１において、制御部１７は、蓄電部１５に蓄電される電力が所定値以上となる時間間隔を取得する。そして、ステップＳ２０１において、制御部１７は、時間間隔が予め設定された範囲内であるか否かを判定する。時間間隔が予め設定された範囲内である場合には、ステップＳ２０２へ進む。一方、時間間隔が予め設定された範囲内ではない場合には、ステップＳ２０３へ進む。

ステップＳ２０２において、制御部１７は蓄電情報を状態推定装置２０へ送信するように、送信部１８を制御する。

ステップＳ２０３において、制御部１７は、波形情報の生成を開始する。

ステップＳ２０４において、制御部１７は、上記ステップＳ２０３で生成された波形情報を状態推定装置２０へ送信するように、送信部１８を制御する。

＜学習処理ルーチン＞

状態推定装置２０の学習部２３は、学習処理開始の信号を受け付けると、図１２に示す学習処理ルーチンを更に実行する。

ステップＳ２０６において、学習部２３は、学習用データ記憶部２２に格納された複数の波形情報用の学習用データを取得する。

ステップＳ２０８において、学習部２３は、上記ステップＳ２０６で取得された複数の波形情報用の学習用データに基づいて、ニューラルネットワークモデルを学習させ、波形情報から状態情報を出力するための波形情報用学習済みモデルを生成する。

ステップＳ２１０において、学習部２３は、上記ステップＳ２０８で学習された波形情報用学習済みモデルを、学習済みモデル記憶部２４に格納して、学習処理ルーチンを終了する。

＜状態推定処理ルーチン＞

状態推定装置２０の情報出力部２６は、学習済みモデル記憶部２４に、頻度情報用学習済みモデル及び波形情報用学習済みモデルが格納され、受信部２５によって情報が受信され始めると、図１３に示す状態推定処理ルーチンを実行する。なお、以下では、信号取得システム１１Ａから情報が送信され、信号取得システム１１Ａの対象物１２であるモータの状態を推定する場合を例に説明する。

ステップＳ２１１において、情報出力部２６は、受信部２５によって受信した情報を取得する。

ステップＳ２１２において、情報出力部２６は、上記ステップＳ２１１で取得した情報が、蓄電情報及び波形情報の何れであるかを判定する。取得した情報が蓄電情報である場合には、ステップＳ２１３へ進む。一方、取得した情報が波形情報である場合には、ステップＳ２１５へ進む。

ステップＳ２１３において、情報出力部２６は、受信部２５によって受信された蓄電情報の各々の間の時間間隔を表す頻度情報を取得する。

ステップＳ２１４において、情報出力部２６は、上記ステップＳ２１３で取得された頻度情報を、学習済みモデル記憶部２４に格納された頻度情報用学習済みモデルへ入力して、モータの各状態の確率を状態情報として推定する。

ステップＳ２１５において、情報出力部２６は、上記ステップＳ２１１で取得された波形情報を、学習済みモデル記憶部２４に格納された波形情報用学習済みモデルへ入力して、モータの各状態の確率を状態情報として推定する。

ステップＳ２１６において、情報出力部２６は、上記ステップＳ２１４又は上記ステップＳ２１５で推定された状態情報を結果として出力して、状態推定処理ルーチンを終了する。

以上説明したように、第２実施形態に係る状態推定システムの無線センサ装置は、蓄電部に蓄電される電力が所定値以上である場合に、蓄電部に蓄電される電力が所定値以上となる時間間隔に応じて、電気信号の時系列を表す波形情報及び電力が所定値以上蓄電されたことを示す蓄電情報の何れか一方を、他の装置へ送信する。また、第２実施形態に係る状態推定システムの状態推定装置は、頻度情報用学習済みモデル又は波形情報用学習済みモデルを用いて、対象物の状態を推定する。これにより、蓄電部に蓄電される電力が所定値以上となる時間間隔が予め設定された範囲内ではない場合、より詳細な情報が含まれる波形情報が状態推定装置へ送信されるため、簡易な構成により対象物の状態を推定することができる。

＜第３実施形態＞

次に、第３実施形態について説明する。なお、第３実施形態に係る状態推定システムの構成は、第１実施形態と同様の構成となるため、同一符号を付して説明を省略する。

第３実施形態は、対象物１２が構造物である点が第１又は第２実施形態と異なる。

第１実施形態及び第２実施形態では、対象物１２がモータである場合を例に説明したが、状態を推定する対象はモータに限らず、どのような物であってもよい。例えば、対象物１２が建築物等の構造物である場合には、建築物の振動に応じた電気信号を無線センサ装置１３のセンサ部１４が検知し、状態推定装置２０は無線センサ装置１３から送信された蓄電情報に対応する頻度情報又は波形情報に基づき、建築物の状態を推定することができる。

第３実施形態によれば、対象となる建築物の扉又は窓が開いているか否か等を推定することができる。このため、第３実施形態によれば、対象物１２としての構造物の状態を推定することができる。

＜実施例１＞

次に、第３実施形態に関連する実施例１について説明する。図１４に、実施例１を説明するための説明図を示す。実施例１では、図１４に示されるような実験用の建築物Ｋを建設し、建築物Ｋの壁面に圧電素子Ｓを設置した。圧電素子Ｓは、図１５に示されるように、ポリフッ化ビニリデン（ＰＶＤＦ：PolyVinylidene DiFluoride）Ｐと、電極Ｄ１，Ｄ２と、ラミネートＬとを含んで構成されている。

図１４の右側の図は、建築物ＫをＡ方向から見た場合の平面図である。実施例１では、建築物Ｋの壁面１～４を叩いた際に、圧電素子Ｓから得られる電気信号と予め学習させた学習済みモデルとを用いて、建築物Ｋのどの箇所（１～４）が叩かれたかを推定する実験を行った。なお、図１４におけるＥ１，Ｅ２は、建築物Ｋの模擬的な戸である。また、図１４におけるＷ１，Ｗ２は、建築物Ｋの模擬的な窓である。

実施例１で用いた学習済みモデルは、建築物Ｋの壁面を叩いた際に圧電素子Ｓから得られた電気信号とその際に建物が叩かれた箇所とを表す学習用データによって予め学習されたニューラルネットワークモデルである。なお、学習済みモデルを学習させる際には、学習アルゴリズムとしてディープラーニングを用いた。

図１６に、実施例１の第１の結果を示す。図１６に示される左側のグラフは、圧電素子Ｓから得られた電気信号の時系列を表す波形情報である。グラフ内の１，２，３，４は、図１４の該当箇所が叩かれた際の波形情報であることを示している。図１６の右側のグラフに示されるように、学習回数が増加するにつれて、学習用データに対する判定精度は向上していることがわかる。一方、学習用データとは異なるデータである評価用データに対する判定精度は、学習回数が６００回を超えたあたりから飽和していることがわかる。

次に、図１７に実施例１の第２の結果を示す。図１７に示される左側のグラフは、圧電素子Ｓから得られた電気信号の時系列を表す波形情報をフーリエ変換によって変換した周波数解析情報である。図１７に示される周波数解析情報は、横軸が周波数を表し、縦軸が周波数強度を表す。図１７の右側のグラフでは、学習回数が増加するにつれて、学習用データに対する判定精度は向上していることがわかる。また、評価用データに対する判定精度についても、学習回数が増加するにつれて、評価用データに対する判定精度は向上していることがわかる。

＜実施例２＞

次に、第３実施形態に関連する実施例２について説明する。図１８に、実施例２を説明するための説明図を示す。実施例２では、図１８に示されるような実験用の板Ｉを用意し、板Ｉの表面に圧電素子Ｓを設置した。実験用の板Ｉには、ボルトｂ１～ｂ４が設置されている。

そして、実施例２では、板Ｉを叩く際に、ボルトｂ１～ｂ４の何れか１つを外し、板Ｉを叩いた際に発生する電気信号を学習済みモデルへ入力して、どのボルトが外れているかを推定する実験を行った。

実施例２で用いた学習済みモデルは、板Ｉの表面を叩いた際に圧電素子Ｓから得られた電気信号とその際の外れているボルトの箇所を表すラベルとを表す学習用データによって予め学習されたニューラルネットワークモデルである。なお、学習済みモデルを学習させる際には、学習アルゴリズムとしてディープラーニングを用いた。

図１９に、実施例２の結果を示す。図１９に示される左側のグラフは、圧電素子Ｓから得られた電気信号の時系列を表す波形情報の周波数解析情報である。図１９の右側のグラフに示されるように、学習回数が増加するにつれて、学習用データに対する判定精度は向上していることがわかる。また、評価用データに対する判定精度についても、学習回数が増加するにつれて、評価用データに対する判定精度は向上していることがわかる。

このため、本実施形態によれば、対象物の状態を精度よく推定することができることがわかる。また、周波数解析情報を用いて対象物の状態を推定することにより、対象物の状態を精度よく推定することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記第１実施形態では、対象物から出力される信号が振動信号である場合を例に説明したが、これに限定されるものではない。例えば、対象物から出力される信号は光信号、熱信号、及び磁気信号の何れか１つであってもよい。この場合には、センサ部１４を実現する素子は、それぞれの信号に応じた素子にする必要がある。例えば、対象物から出力される信号が光信号である場合には、センサ部１４は、光信号を電気信号へ変換する光発電素子によって実現される。また、対象物から出力される信号が熱信号である場合には、センサ部１４は、熱信号を電気信号へ変換する熱発電素子によって実現される。また、対象物から出力される信号が磁気信号である場合には、センサ部１４は、磁気信号を電気信号へ変換する磁気発電素子によって実現される。また、これらの複数種類のセンサを組み合わせ、複数種類の異なる信号に基づいて、対象物の状態を推定するようにしてもよい。センサ素子の多重化が容易であり、複数種類のセンサを組み合わせることにより、対象物の状態の推定精度を向上させることができる。

なお、上記第２実施形態では、蓄電部に蓄電される電力が所定値以上となる時間間隔におうじて、波形情報及び蓄電情報の何れか一方を送信する場合を例に説明したがこれに限定されるものではない。例えば、センサ部１４によって得られる電気信号の時系列を表す波形情報に応じて、波形情報及び蓄電情報の何れを送信するかを決定するようにしてもよい。例えば、波形情報のうちの各時刻の値に基づいて、ある時刻の値が予め設定された範囲内の場合には蓄電情報を送信し、ある時刻の値が予め設定された範囲内でない場合には波形情報を送信するようにしてもよい。

また、上記実施形態では、対象物１２から得られる蓄電情報又は波形情報を用いて、対象物１２の状態を推定する場合を例に説明したが、これに限定されるものではない。例えば、対象物１２から得られる波形情報に対する周波数解析情報を用いて、対象物１２の状態を推定するようにしてもよい。

また、上記第２実施形態では、頻度情報と波形情報とを用いて、対象物１２の状態情報を推定する場合を例に説明したが、これに限定されるものではなく、例えば、波形情報のみを用いて対象物１２の状態情報を推定するようにしてもよい。

また、上記実施形態では、対象物１２の一例としてのモータ及び構造物の状態情報を推定する場合を例に説明したが、これに限定されるものではなく、どのようなものが対象物１２であってもよい。

また、状態情報としては、対象物１２の故障の予測に関する情報（例えば、故障の時期）、又は対象物の故障の種別に関する情報としてもよい。

また、センサ部１４に用いられる圧電素子は、どのような形状であってもよい。例えば、センサ部１４に用いられる圧電素子は、図２０に示されるように、ｘｙ平面において、ｘ軸方向に線状に伸びた形状を有する第１の圧電素子Ｓｘと、ｙ軸方向に線状に伸びた形状を有する複数の第２の圧電素子Ｓｙとを含むようにしてもよい。第１の圧電素子Ｓｘ及び第２の圧電素子Ｓｙの各々に対して電極を設けることにより、各圧電素子から異なる信号を得ることができる。なお、第２の圧電素子Ｓｙの各々は長さが異なるため、異なる周波数に共振する。これにより、第２の圧電素子Ｓｙの各々から得られる電気信号に応じて、対象物１２の状態を精度よく推定することができる。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

１０ 状態推定システム
１１Ａ，１１Ｂ，１１Ｃ 信号取得システム
１２ 対象物
１３ 無線センサ装置
１４ センサ部
１４Ａ 信号取得用素子
１４Ｂ 電力取得用素子
１５ 蓄電部
１６ 送信処理装置
１７ 制御部
１８ 送信部
２０ 状態推定装置
２１ コンピュータ
２２ 学習用データ記憶部
２３ 学習部
２４ 学習済みモデル記憶部
２５ 受信部
２６ 情報出力部
３０ 出力部

Claims (9)

1. 対象物から出力される信号を電気信号に変換するセンサ部と、
   前記センサ部によって変換された電気信号を電力として蓄電する蓄電部と、
   前記蓄電部に蓄電される前記電力が所定値以上である場合に、前記蓄電部に蓄電される前記電力が前記所定値以上となる時間間隔及び前記電気信号の時系列を表す波形情報の少なくとも一方に応じて、前記波形情報又は前記電力が所定値以上蓄電されたことを示す蓄電情報を、他の装置へ送信する送信部と、
   前記蓄電部に蓄電された前記電力が前記所定値以上である場合に、前記波形情報の生成を開始する制御部と、
   を備え、
   前記制御部は、前記時間間隔が予め定められた範囲内ではない場合に、前記波形情報を他の装置へ送信するように前記送信部を制御する、
   無線センサ装置。
2. 前記センサ部は、振動信号を電気信号へ変換する振動発電素子、光信号を電気信号へ変換する光発電素子、熱信号を電気信号へ変換する熱発電素子、及び磁気信号を電気信号へ変換する磁気発電素子の少なくとも１つである、
   請求項１に記載の無線センサ装置。
3. 前記センサ部は、前記電力として蓄電するための電気信号を逐次取得する電力取得用素子と、前記波形情報を生成するための電気信号を逐次取得する信号取得用素子とを備える、
   請求項１又は請求項２に記載の無線センサ装置。
4. 前記センサ部は、ｘｙ平面において、ｘ軸方向に線状に伸びた形状を有する第１の圧電素子と、ｙ軸方向に線状に伸びた形状を有する複数の第２の圧電素子とを含む圧電素子である、
   請求項１～請求項３の何れか１項に記載の無線センサ装置。
5. 無線センサ装置と状態推定装置とを有する状態推定システムであって、
   前記無線センサ装置は、
   対象物から出力される信号を電気信号に変換するセンサ部と、
   前記センサ部によって変換された電気信号を電力として蓄電する蓄電部と、
   前記蓄電部に蓄電される前記電力が所定値以上である場合に、前記センサ部によって検出される前記電気信号の時系列を表す波形情報及び前記電力が所定値以上蓄電されたことを示す蓄電情報の少なくとも一方を、前記状態推定装置へ送信する送信部と、を備え、
   前記状態推定装置は、
   前記無線センサ装置から送信された前記波形情報及び前記蓄電情報の少なくとも一方を取得する取得部と、
   前記取得部によって取得された前記波形情報及び前記無線センサ装置から送信された前記蓄電情報の各々の間の時間間隔を表す頻度情報の少なくとも一方を表すセンサ情報と、学習用の前記センサ情報と学習用の対象物の状態を表す状態情報とが予め対応付けられた学習用データから予め学習された学習済みモデルとに基づいて、前記対象物の前記状態情報を出力する情報出力部と、を備え、
   前記情報出力部は、
   前記取得部によって前記蓄電情報が取得された場合には、学習用の前記頻度情報と学習用の前記状態情報とが予め対応付けられた学習用データから予め学習された頻度情報用学習済みモデルとに基づいて、前記対象物の前記状態情報を出力し、
   前記取得部によって前記波形情報が取得された場合には、学習用の前記波形情報と学習用の前記状態情報とが予め対応付けられた学習用データから予め学習された波形情報用学習済みモデルとに基づいて、前記対象物の前記状態情報を出力する、
   状態推定システム。
6. 無線センサ装置と状態推定装置とを有する状態推定システムであって、
   前記無線センサ装置は、
   対象物から出力される信号を電気信号に変換するセンサ部と、
   前記センサ部によって変換された電気信号を電力として蓄電する蓄電部と、
   前記蓄電部に蓄電される前記電力が所定値以上である場合に、前記センサ部によって検出される前記電気信号の時系列を表す波形情報及び前記電力が所定値以上蓄電されたことを示す蓄電情報の少なくとも一方を、前記状態推定装置へ送信する送信部と、を備え、
   前記状態推定装置は、
   前記無線センサ装置から送信された前記波形情報及び前記蓄電情報の少なくとも一方を取得する取得部と、
   前記取得部によって取得された前記波形情報及び前記無線センサ装置から送信された前記蓄電情報の各々の間の時間間隔を表す頻度情報の少なくとも一方を表すセンサ情報と、学習用の前記センサ情報と学習用の対象物の状態を表す状態情報とが予め対応付けられた学習用データから予め学習された学習済みモデルとに基づいて、前記対象物の前記状態情報を出力する情報出力部と、を備え、
   前記センサ情報は、前記波形情報に対する周波数解析情報である、
   状態推定システム。
7. 前記状態情報は、前記対象物の故障の予測に関する情報である、
   請求項５に記載の状態推定システム。
8. 前記状態情報は、前記対象物の故障の種別に関する情報である、
   請求項５に記載の状態推定システム。
9. 前記学習済みモデルは、学習済みのニューラルネットワークモデルである、
   請求項５～請求項８の何れか１項に記載の状態推定システム。

Images