JP7394973B2 - 自己発電型センサー、それを含むモニタリングシステム - Google Patents

Description

本発明は、自己発電型センサー及びそれを含むモニタリングシステムに関するものである。

一般的に、産業用機械、設備、ロボットなどを使用する工場では、これらの機械装置の運転状態及び故障発生の有無などの情報や、作業者の安全を確保するために様々な感知センサーを活用している。このような感知センサーは、大規模の装置を効率的かつ安全に管理することを可能にするため、ますます使用範囲が拡大している。

一般的な感知センサーは、別途の電力供給源から供給される電力（例えば、センサーに組み込まれたバッテリーから供給される電力、または電源ケーブルを介して供給される電力）によって作動している。バッテリーから供給される電力によって動作する感知センサーの場合、環境汚染の発生を引き起こすことがある。電源ケーブルを介して供給される電力によって動作する感知センサーの場合、電源供給のために必ず配線及び空間が必要だという問題点がある。

前述した背景技術は、発明者が本発明の導出のために保有していたり、本発明の導出過程で習得した技術情報であり、必ずしも本発明の出願前に一般公衆に公開された公知技術とは限らない。

本発明の一課題は、無線で信号を送信することができ、バッテリーのような電力供給源がなくても自己発電により作動が可能な自己発電型センサーを提供することにある。

本発明の一課題は、電源供給のための配線が不要な自己発電型センサーを提供することにある。

本発明の一課題は、小型化及び軽量化が可能な自己発電型センサーを提供することにある。

本発明の一課題は、対象機器に取り付けられた自己発電型センサーから無線で受信した感知信号に基づいて対象機器の動作状態をモニタリングすることにある。

本発明が解決しようとする課題は、以上で述べた課題に限定されず、言及されていない本発明の他の課題及び利点は、下記の説明によって理解されることができ、本発明の実施例でより明確に理解されるであろう。さらに、本発明が解決しようとする課題及び利点は、特許請求の範囲に示された手段及びその組み合わせで実現できることが分かるであろう。

本発明の一実施例に係る自己発電型センサーは、物理的な外部刺激を電気エネルギーに変換する発電部と、電気エネルギーに対応するセンシング信号を生成して外部に送信するセンシング部とを含み、センシング部は発電部から伝送される電気エネルギーを貯蔵する電気エネルギー貯蔵部と、電気エネルギー貯蔵部に貯蔵される電気エネルギーの貯蔵量と基準貯蔵量との比較結果に応じて通電状態または節電状態に変換するスイッチング部と、スイッチング部が通電状態に変換されることによって、電気エネルギー貯蔵部に貯蔵された電気エネルギーに基づいてセンシング信号を生成して無線で送信するプロセッサを含むことができる。

本発明の一実施例に係るモニタリング装置は、モニタリング対象機器に搭載され、モニタリング対象機器で発生する物理的なエネルギーに対応するセンシング信号を生成して送信する自己発電型センサーと、自己発電型センサーが送信するセンシング信号を収集してモニタリング対象機器の状態をモニタリングするモニタリング装置とを含み、モニタリング装置は、センシング信号と、センシング信号を受信する信号受信周期とを組み合わせたモニタリングセンシングデータを生成する生成部と、モニタリングセンシングデータから信号受信周期の変動率を算出し、信号受信周期の変動率に基づいてモニタリング対象機器の動作異常の有無を判断する判断部と、判断部の判断結果に対応してモニタリング対象機器の動作を制御するモニタリング結果情報を生成する制御部とを含むことができる。

本発明の他の実施例に係るモニタリング装置は、モニタリング対象機器に搭載され、モニタリング対象機器で発生する物理的なエネルギーに対応するセンシング信号を生成して送信する自己発電型センサーと、自己発電型センサーが送信するセンシング信号を収集してモニタリング対象機器の状態をモニタリングするモニタリング装置とを含み、モニタリング装置は、センシング信号と、センシング信号を受信する信号受信周期とを組み合わせた時系列データとしてのモニタリングセンシングデータを生成する第１生成部と、モニタリングセンシングデータを入力としてモニタリング対象機器の状態情報を分類するように予め訓練された教師なし学習に基づいたディープラーニングモデルを用いてモニタリングセンシングデータに対応するモニタリング対象機器の状態情報を分類する分類部を含むことができる。

その他にも、本発明を実装するための他の方法、他のシステム及び前記方法を実行するためのコンピュータプログラムが記憶されたコンピュータ可読記録媒体がさらに提供されることができる。

前述したもの以外の他の側面、特徴、利点が、以下の図面、特許請求の範囲及び発明の詳細な説明から明確になるであろう。

本発明によれば、自己発電型センサーは、別途の電力供給源なしで動作することができる。

また、自己発電型センサーは、電源供給線及び信号通信線が不要なため、既設の工場、船舶、航空、電車など、多様な対象機器に簡単に設置することができる。

また、自己発電型センサーの小型化、軽量化が可能であるため、自己発電型センサーをポストイット（ｐｏｓｔ-ｉｔ）のように対象機器に取り付けて活用することができる。

また、発電部と感知部が一体となるように作製することで、自己発電型センサーの大きさ及び回路の複雑度を低減することができる。

また、対象機器から発生した振動及び/または動きをエネルギーに変換して自己発電型センサーを充電し、一定量以上充電された自己発電型センサーが送信する無線信号に応じて対象機器をモニタリングすることで、対象機器の状態を正確に判断することができる。

本発明の効果は以上で言及されたものに限定されず、言及されていない他の効果は以下の記載から当業者にはっきりと理解されるであろう。

本発明の一実施例に係る自己発電型センサーの側面図である。 本発明の一実施例に係る自己発電型センサーの平面図である。 本発明の一実施例に係る自己発電型センサーのうちセンシング部の構成を概略的に説明するために示すブロック図である。 図３に開示されたセンシング部の回路図である。 本発明の一実施例に係るモニタリングシステムを概略的に説明する例示図である。 図５のモニタリングシステムのうちモニタリング装置の構成を概略的に説明するために示すブロック図である。 本発明の他の実施例に係るモニタリングシステムを概略的に説明する例示図である。 図７のモニタリングシステムのうちモニタリング装置の構成を概略的に説明するために示すブロック図である。 図８のモニタリング装置のうちモニタリング管理部の構成を概略的に説明するために示すブロック図である。 図８のモニタリング装置が分類するモニタリング対象機器の状態情報を示す図である。

本発明の一実施例に係る自己発電型センサーは、物理的な外部刺激を電気エネルギーに変換する発電部と、電気エネルギーに対応するセンシング信号を生成して外部に送信するセンシング部とを含み、センシング部は発電部から伝送される電気エネルギーを貯蔵する電気エネルギー貯蔵部と、電気エネルギー貯蔵部に貯蔵される電気エネルギーの貯蔵量と基準貯蔵量との比較結果に応じて通電状態または節電状態に変換するスイッチング部と、スイッチング部が通電状態に変換することによって、電気エネルギー貯蔵部に貯蔵された電気エネルギーに基づいてセンシング信号を生成して無線で送信するプロセッサを含むことができる。

本発明の利点及び特徴、並びにそれらを達成する方法は、添付の図面と共に詳細に説明される実施例を参照すれば明確になるであろう。しかしながら、本発明は、以下に提示される実施例に限定されるものではなく、互いに異なる様々な形態で実装されることができ、本発明の思想及び技術範囲に含まれる全ての変換、均等物から代替物を含むものと理解されるべきである。以下に提示される実施例は、本発明の開示を完全にし、本発明が属する技術分野において通常の知識を有する者に発明の範疇を完全に知らせるために提供されるものである。本発明を説明することにおいて、関連する公知技術に対する具体的な説明が本発明の要旨を阻害する可能性があると判断される場合、その詳細な説明を省略する。

本出願で使用される用語は、単に特定の実施例を説明するために使用されたものであり、本発明を限定しようとする意図ではない。単数の表現は、文脈上明らかに別段の意味を持たない限り、複数の表現を含む。本出願において、「含む」または「有する」などの用語は、本明細書に記載の特徴、数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものが存在することを指定するものであり、１つまたは複数の他の特徴や数字、ステップ、動作、構成要素、部品、またはそれらを組み合わせたものの存在または追加の可能性を予め排除しないことと理解されるべきである。第１、第２などの用語は様々な構成要素を説明するために使用されることができるが、構成要素は前記用語によって限定されるべきではない。前記用語は、１つの構成要素を他の構成要素と区別する目的でのみ使用される。

以下、本発明に係る実施例を添付された図面を参照して詳細に説明することにし、添付図面を参照して説明することにあたり、同一又は対応する構成要素には同一の図面番号を付与し、これに対する重複する説明は省略することにする。

図１は、本発明の一実施例に係る自己発電型センサーの側面図である。図２は、本発明の一実施例に係る自己発電型センサーの平面図である。図３は、本発明の一実施例に係る自己発電型センサーのうちセンシング部の構成を概略的に説明するために示すブロック図である。図４は、図３に開示されたセンシング部の回路図である。

図１～図４を参照すると、自己発電型センサー１００は、発電部１１０、増幅部１２０、固定部１３０、及びセンシング部１４０を含むことができる。

発電部１１０は、物理的な外部刺激を電気エネルギーに変換することができる。ここで物理的な外部刺激は、圧力、摩擦振動、音及び超音波のうちの１つ以上を含むことができる。また、物理的な外部刺激は熱または光を含むことができる。このような物理的な外部刺激は、自己発電型センサー１００が搭載された対象機器（図５の２００）で発生することができる。

発電部１１０は、物理的な外部刺激を電気エネルギーに変換する素子を含むことができる。そのような素子は、自己発電素子、自己発電センサーなどを含むことができ、例えば、圧電素子、摩擦電気発電素子、振動発電素子などを含むことができる。また、このような素子は、熱電素子または太陽光発電素子などを含むことができるが、これらに限定されるものではない。

増幅部１２０は発電部１１０と電気的に接続され、物理的な外部刺激を増幅して発電部１１０に出力することができる。例えば、物理的な刺激が摩擦振動である場合、増幅部１２０は、摩擦振動を増幅する重量錘（図示せず）を含むことができる。ここで、重量錘は質量体としてセラミックまたは鉄などの特性を有するボール（ｂａｌｌ）であり、物理的な外部刺激である摩擦振動によって重量錘の移動及び／または衝突で生成された物理的なエネルギーを発電部１１０で出力することができる。

固定部１３０は、自己発電型センサー１００を対象機器２００に取り付けるための構成要素であり、対象機器２００の形態、取付位置等を考慮し、この分野で公知の技術に応じて適切に選択して形成されることができる。本実施例において、固定部１３０は、一面が発電部１１０の下面に取り付けられ、他面が対象機器２００に取り付けられることができる。本実施例において、固定部１３０は、接着剤、接着シート、磁石などを用いることができる。

センシング部１４０は、発電部１１０で変換された電気エネルギーに対応するセンシング信号を生成して外部に送信することができる。図３及び図４を参照すると、センシング部１４０は、電力変換部１４１、電気エネルギー貯蔵部１４２、スイッチング部１４３及びプロセッサ１４４を含むことができる。

電力変換部（ＰＭＩＣ：ｐｏｗｅｒ ｍａｎａｇｅｍｅｎｔ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ、１４１）は、発電部１１０から伝送される電気エネルギーに含まれる交流電圧を整流して直流電圧に変換し、電気エネルギー貯蔵部１４２に伝送することができる。

電気エネルギー貯蔵部１４２は、発電部１１０から伝送され、電力変換部１４１を経た直流電圧を貯蔵することができる。本実施例において、電気エネルギー貯蔵部１４２は、キャパシタ及び二次電池などを含むことができる。しかしながら、電気エネルギー貯蔵部１４２はこれらに限定されるものではなく、この分野で公知の装置が制限なく使用されることができる。具体的に、スーパーキャパシタ、ハイブリッドスーパーキャパシタ、リチウム電池、リチウム硫黄電池、ＭＬＣＣ（ｍｕｌｔｉ-ｌａｙｅｒ ｃｅｒａｍｉｃ ｃａｐａｃｉｔｏｒ）、ナトリウム硫黄電池、レドックスフロー電池などを用いることができる。

本実施例において、電気エネルギー貯蔵部１４２は、電力変換部１４１から伝送される直流電圧を充電及び放電するキャパシタ（図４のＣ９）を含むことができる。このキャパシタＣ９は、スイッチング部１４３が通電状態に変換することによって充電された直流電圧をプロセッサ１４４に放電し、スイッチング部１４３が絶縁状態に変換することによって電力変換部１４１から伝送される直流電圧を充電することができる。

本実施例において、電気エネルギー貯蔵部１４２は、メイン電気エネルギー貯蔵部（図示せず）と、サブ電気エネルギー貯蔵部（図示せず）とを含むことができる。メイン電気エネルギー貯蔵部は、後述する電気エネルギー貯蔵部１４２の動作と同じであることができる。サブ電気エネルギー貯蔵部は、プロセッサ１４４がセンシング信号を生成して無線で送信した後に残った余剰電力を貯蔵しておいて、必要な際にこれを利用することができる。

スイッチング部１４３は、電気エネルギー貯蔵部１４２とプロセッサ１４４とを電気的に通電状態に変換したり、節電状態に変換したりすることができる。スイッチング部１４３は、電気エネルギー貯蔵部１４２に貯蔵される直流電圧と基準蓄積量としての基準電圧との比較結果に応じて通電状態または節電状態に変換することができる。

図４を参照すると、スイッチング部１４３は、ノイズ除去部１４３－１、電圧検出部１４３－２、及びスイッチ素子１４３－３を含むことができる。

ノイズ除去部１４３－１は、電力変換部１４１から出力される直流電圧のノイズを除去することができる。本実施例において、ノイズ除去部１４３－１は、Ｌ ／ Ｃノイズフィルタを含むことができる。

電圧検出部１４３－２は、電気エネルギー貯蔵部１４２としてのキャパシタＣ９に充電される電圧を検出することができる。

スイッチ素子１４３－３は、電圧検出部１４３－２の電圧検出結果、キャパシタＣ９に充電される電圧が既定の基準値（例えば、３．０Ｖ）以上であることによって通電状態に変換され、キャパシタＣ９で放電される直流電圧がプロセッサ１４４に出力されることができる。スイッチ素子１４３－３は、電圧検出部１４３－２の電圧検出の結果、キャパシタＣ９に充電される電圧が既定の基準値（例えば、３．０Ｖ）未満であることによって節電状態に変換され、キャパシタＣ９は、電力変換部１４１からの直流電圧で充電されることができる。

本実施例において、スイッチ素子１４３－３の通電状態への変換、すなわちターンオンとキャパシタＣ９の放電開始は、同じ意味で解釈されることができる。本実施例において、スイッチ素子１４３－３としては、半導体、ダイオード、トランジスタ、シュミットトリガ素子などが用いられることができ、これに限定されるものではない。

本実施例のスイッチング部１４３は、一般的なスイッチング部と異なり、電気エネルギー貯蔵部１４２としてのキャパシタＣ９に貯蔵された電圧が０．０Ｖの状態で基準電圧３．０Ｖ未満までは節電状態で、３．０Ｖ以上になると通電状態に変換することが困難である可能性がある。

＊５４一般的なスイッチング部は、高電圧から低電圧に下がるにつれてスイッチングを行うように設計されており、電圧をモニタリングする回路が持続的に低くなる電圧をモニタリングしているため、設計どおりに正確な電圧及び時間にスイッチング部を作動させることが可能である。

しかし、本実施例に一般的なスイッチング部を適用した結果、０．０Ｖで正電圧方向に電圧が上昇することを正確に感知できず、誤動作を起こすことが確認された。また、スイッチング部の誤動作を防止するためには、不規則で間欠的な自己発電方式の電源特性を制御しなければならない困難が存在することが確認された。本実施例では、電源が一定である電力をセンシング部１４０に供給するのではなく、発電部１１０を介して不規則で間欠的な電力が供給される。したがって、本実施例に一般的なスイッチング部を適用する場合、電圧をモニタリングしながら正確な時点でスイッチ素子１４３－３が動作することが実装されにくい。一般的なスイッチ素子は、十分な電源を通じて電力を供給されながら電圧をモニタリングすることを基準に設計されている。結果的に、一般的なスイッチ素子は、３．０Ｖ以下で電圧をモニタリングするために必要な電力が発電量と類似または同等であるため、本実施例には適さない可能性がある。言い換えれば、本実施例に一般的なスイッチ素子が採用された場合、本実施例の目的及び効果が実装されにくい。すなわち、自己発電型センサー１００の目的及び効果が実装されるためには、上述したスイッチング部１４３が採用されることが必須である。

特に供給される電源の特徴上、キャパシタＣ９の電圧が不規則に±０．２Ｖ程度揺れることに伴い、キャパシタＣ９に十分な電力がない状態でスイッチ素子１４３－３が作動し、電力不十分でセンシング部１４０全体が作動しない場合が頻繁に発生している。したがって、これらの問題を克服するために、Ｌ／Ｃノイズフィルタを含むノイズ除去部１４３－１を用いて電力変換部１４１から入力される直流電圧のノイズを除去し、電圧検出部１４３－２及びスイッチ素子１４３－３をさらに含んでスイッチング部１４３を構成した。

図４において、発電部１１０で発生した振動エネルギーは、電力変換部１４１で直流電圧に変換され、電気エネルギー貯蔵部１４２としてのキャパシタＣ９を充電させる。キャパシタＣ９は充電されるにつれて電圧が０Ｖから徐々に上昇する。キャパシタＣ９の充電電圧がスイッチング部１４３に設定された電圧値（例えば、３．０Ｖ）に達すると、スイッチング部１４３がターンオンすると同時にキャパシタＣ９は放電を開始し、キャパシタＣ９の放電電力がプロセッサ１４４に出力され、プロセッサ１４４が動作を開始する。プロセッサ１４４が電力を消費するにつれてキャパシタＣ９が放電し、キャパシタＣ９が放電するにつれてキャパシタＣ９の電圧値が低くなる。キャパシタＣ９に残っている電圧がスイッチング部１４３に設定された電圧値より低くなると、スイッチング部１４３がターンオフされ、プロセッサ１４４が動作を停止する。

プロセッサ１４４は、スイッチング部１４３が通電状態に変換され、電気エネルギー貯蔵部１４２としてのキャパシタＣ９が放電する電圧を受信し、動作を開始してセンシング信号を生成し、生成したセンシング信号を無線で送信することができる。

本実施例において、プロセッサ１４４は、メモリ１４４－１、生成部１４４－２、通信部１４４－３、制御部１４４－４を含むことができる。

メモリ１４４－１は、プロセッサ１４４を駆動するプログラムを記憶することができ、自己発電型センサー１００の固有情報を示すＭＡＣアドレスを記憶することができ、生成部１４４－２が生成したセンシング信号を記憶することができる。

生成部１４４－２は、自らの固有情報、すなわちＭＡＣアドレス及びキャパシタＣ９が放電した時間情報を含むセンシング信号を生成することができる。ここで、センシング信号からキャパシタＣ９の放電周期を知ることができる。選択的な実施例として、生成部１４４－２が生成するセンシング信号は、プロセッサ１４４に含まれた温度測定素子（図示せず）が測定した温度値をさらに含むことができ、さらに湿度、圧力、照度、電流量などの追加情報を生成してさらに含むことができる。

通信部１４４－３は、生成部１４４－２が生成したセンシング情報を無線通信方式、例えばブルートゥース（登録商標）（ｂｌｕｅｔｏｏｔｈ）、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ ｌｏｗ ｅｎｅｒｇｙ）、赤外線通信（ＩｒＤＡ、ｉｎｆｒａｒｅｄ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ）、ＺｉｇＢｅｅ 、ＬｏＲａなどを利用して外部に送信することができる。ただし、無線通信方式に限定されず、有線通信も可能である。

制御部１４４－４は、プロセッサ１４４全体の動作を制御することができる。制御部１４４－４は、スイッチング部１４３がターンオンされて電気エネルギー貯蔵部１４２としてのキャパシタＣ９から電力が供給されると、プロセッサ１４４の動作を開始し、スイッチング部１４３がターンオフされて電気エネルギー貯蔵部１４２としてのキャパシタＣ９から電力供給が中断されると、プロセッサ１４４の動作を終了することができる。

従来の自己発電型感知センサーは、電力エネルギーを生成する発電部と、対象機器の振動などを感知するセンシング部とが別々に構成されており、発電部に接続された電力制御回路とセンシング部に接続されたセンサー制御回路とが別々に存在しなければならないことによって、自己発電型感知センサーの構造が複雑で、電力消費量が多いという欠点がある。すなわち、従来の自己発電型感知センサーの構造が複雑になることによって製造コストが上昇し、自己発電で生産される電力量の限界によって、多数の圧電素子、摩擦電気素子等を用いて出力を高めなければならないという欠点がある。一方、本実施例は、発電部とセンシング部が一つに統合された構成となっているため、上述したような従来技術の欠点を非常に効率的に解消することができる。

図５は、本発明の一実施例によるモニタリングシステムを概略的に説明する例示図であり、図６は、図５のモニタリングシステムのうちモニタリング装置の構成を概略的に説明するために示すブロック図である。以下の説明において、図１～図４の説明と重複する部分は、その説明を省略する。

図５及び図６を参照すると、モニタリングシステム１は、自己発電型センサー１００、モニタリング対象機器２００及びモニタリング装置３００を含むことができる。

自己発電型センサー１００は、モニタリング対象機器２００に搭載され、モニタリング対象機器２００で発生する物理的なエネルギーに対応するセンシング信号を生成してモニタリング装置３００に送信することができる。自己発電型センサー１００の詳細な説明は図１～図４と同様であるため詳細な説明は省略する。

モニタリング装置３００は、モニタリング対象機器２００に搭載された自己発電型センサー１００が送信するセンシング信号を収集し、モニタリング対象機器２００の状態をモニタリングすることができる。本実施例において、モニタリング装置３００は、ビーコンスキャナー（ｂｅａｃｏｎ ｓｃａｎｎｅｒ）、ゲートウェイ（ｇａｔｅｗａｙ）、中継器（ｒｅｐｅａｔｅｒ）などで構成されることができる。

本実施例において、モニタリング装置３００は、通信部３１０、メモリ３２０、生成部３３０、判断部３４０、及び制御部３５０を含むことができる。

通信部３１０は、自己発電型センサー１００と、モニタリング装置３００との間の送受信信号をパケットデータ形式で提供するために必要な通信インターフェースを提供することができる。本実施例において、通信部３１０は、無線通信インターフェース、例えば、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ ｌｏｗ ｅｎｅｒｇｙ）、赤外線通信（ＩｒＤＡ、 ｉｎｆｒａｒｅｄ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ）、ＺｉｇＢｅｅ、ＬｏＲａなどを用いることができ、これに限定されず、有線通信インターフェースも利用できる。また、通信部３１０は、他のネットワーク装置と有無線接続を介して制御信号またはデータ信号のような信号を送受信するために必要なハードウェア及びソフトウェアを含む装置であることができる。

メモリ３２０は、制御部３５０が処理するデータを一時的または恒久的に記憶する機能を実行することができる。本実施例において、メモリ３２０は、自己発電型センサー１００が送信するセンシング信号を記憶することができ、生成部３３０が生成したモニタリングセンシングデータを記憶することができる。ここで、メモリ３２０は磁気記憶媒体（ｍａｇｎｅｔｉｃ ｓｔｏｒａｇｅ ｍｅｄｉａ）またはフラッシュ記憶媒体（ｆｌａｓｈ ｓｔｏｒａｇｅ ｍｅｄｉａ）を含むことができるが、本発明の範囲はこれに限定されるものではない。そのようなメモリ３２０は、内蔵メモリ及び／または外部メモリを含むことができ、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭなどの揮発性メモリ、ＯＴＰＲＯＭ（ｏｎｅ ｔｉｍｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ｍａｓｋＲＯＭ、ｆｌａｓｈＲＯＭ、 ＮＡＮＤフラッシュメモリ、またはＮＯＲフラッシュメモリなどの不揮発性メモリ、ＳＳＤ、 ＣＦ（ｃｏｍｐａｃｔ ｆｌａｓｈ）カード、ＳＤカード、Ｍｉｃｒｏ－ＳＤカード、Ｍｉｎｉ－ＳＤカード、Ｘｄカード、またはメモリスティック（ｍｅｍｏｒｙ ｓｔｉｃｋ）などのフラッシュドライブ、またはＨＤＤなどの記憶装置を含むことができる。

生成部３３０は、自己発電型センサー１００が送信するセンシング信号と、センシング信号を受信する信号受信周期とを組み合わせたモニタリングセンシングデータを生成することができる。ここで、所定の時間間隔で同一のセンシング信号を受信するモニタリング装置３００は、生成部３３０を介して信号受信周期を算出することができ、これをセンシング信号に結合させてモニタリングセンシングデータを生成することができる。

判断部３４０は、モニタリングセンシングデータから信号受信周期の変動率を算出し、信号受信周期の変動率に基づいてモニタリング対象機器２００の動作異常有無を判断することができる。判断部３４０は、信号受信周期の変動率が既定の範囲以下である場合、モニタリング対象機器２００が正常に動作していると判断し、信号受信周期の変動率が既定の範囲を超える場合、モニタリング対象機器２００の動作異常を判断することができる。

ここで、既定の範囲は、自己発電型センサー１００によって収集された信号（データ）に基づいて設定されることができる。例えば、所定の期間の間に自己発電型センサー１００から収集された信号（データ）は、ディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）を介して学習されることができ、それによって既定の範囲が導出されることができる。言い換えれば、既定の範囲は、自己発電型センサー１００のユーザまたは技術者によって設定されず、自己発電型センサー１００から収集された信号によって設定されることができる。

制御部３５０は、判断部３４０の判断結果を受信してモニタリング対象機器２００の動作を制御するモニタリング結果情報を生成することができる。制御部３５０は、判断部３４０から信号受信周期の変動率が既定の範囲を超えてモニタリング対象機器２００が動作異常であるという判断結果を受信した場合、モニタリング対象機器２００の動作を終了するようにモニタリング結果情報を生成することができる。制御部３５０は、モニタリング対象機器２００の動作を終了する前に、モニタリング対象機器２００を動作異常と判断した判断結果に対応して通知を発生するよう指示するモニタリング結果情報を生成することができる。

このようなモニタリング結果情報は、モニタリング装置３００に設けられたディスプレイ部（図示せず）を介して出力されるか、管理者の端末に伝送され、管理者が確認した後、モニタリング対象機器２００を制御することができる。

本実施例において、制御部３５０は、モニタリング装置３００全体の動作を制御することができる。制御部３５０は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）などのデータを処理することができるあらゆる種類の装置を含むことができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラム内に含まれたコードまたは命令語で表された機能を実行するために物理的に構造化された回路を有する、ハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）、プロセッサコア（ｐｒｏｃｅｓｓｏｒ ｃｏｒｅ）、マルチプロセッサ（ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ-ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。

図７は、本発明の他の実施例に係るモニタリングシステムを概略的に説明する例示図である。以下の説明において、図１～図６の説明と重複する部分は、その説明を省略する。図７を参照すると、モニタリングシステム２は、自己発電型センサー１００、モニタリング対象機器２００、ゲートウェイ３００、モニタリング装置４００、管理者端末５００及びネットワーク６００を含むことができる。

自己発電型センサー１００は、モニタリング対象機器２００に搭載され、モニタリング対象機器２００で発生する物理的なエネルギーに対応するセンシング信号を生成してゲートウェイ３００に送信することができる。自己発電型センサー１００の詳細な説明は図１～図４と同様であるため詳細な説明は省略する。

ゲートウェイ３００は、対象機器２００に搭載された自己発電型センサー１００が送信するセンシング信号を収集し、ネットワーク６００を介してモニタリング装置４００に伝送することができる。本実施例において、ゲートウェイ３００は、図５及び図６に示されたモニタリング装置３００と同様の機能を実行することができ、それに対する詳細な説明は省略する。本実施例において、ゲートウェイ３００は、自己発電型センサー１００と無線通信インターフェースを介してデータを送受信し、ネットワーク６００を介してモニタリング装置４００とデータを送受信することができる。

モニタリング装置４００は、ゲートウェイ３００及びネットワーク６００を介してモニタリング対象機器２００に搭載された自己発電型センサー１００が送信するセンシング信号を収集し、モニタリング対象機器２００の状態をモニタリングすることができる。

モニタリング装置４００は、センシング信号と、センシング信号を受信する信号受信周期とを組み合わせた時系列データとしてのモニタリングセンシングデータを生成し、モニタリングセンシングデータを入力としてモニタリング対象機器の状態情報を分類するように予め訓練された教師なし学習に基づいたディープラーニングモデルを使用して、モニタリングセンシングデータに対応するモニタリング対象機器２００の状態情報を分類することができる。

本実施例において、モニタリング装置４００は、モニタリングセンシングデータを用いてモニタリング対象機器２００の状態をモニタリングできるように、モニタリングセンシングデータに対してディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）などのマシンラーニング（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を行うことができ、マシンラーニングに用いられるデータ、結果データなどを記憶することができる。

マシンラーニングの一種であるディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）技術は、データに基づき、多段階で深いレベルまで学習することができる。ディープラーニングは、段階を上げればあげるほど、複数のデータからコアデータを抽出するマシンラーニングアルゴリズムの集合を表すことができる。

ディープラーニング構造は人工ニューラルネットワーク（ＡＮＮ）を含むことができ、例えば、ディープラーニング構造は、ＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）,ＲＮＮ（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）,ＤＢＮ（ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）など、深層ニューラルネットワーク（ＤＮＮ）として構成されることができる。本実施例に係るディープラーニング構造は、公知の様々な構造を利用することができる。例えば、本発明に係るディープラーニング構造は、ＣＮＮ、ＲＮＮ、ＤＢＮなどを含むことができる。ＲＮＮは、自然言語処理などに多く用いられており、時間の流れに応じて変化する時系列データ（ｔｉｍｅ-ｓｅｒｉｅｓ ｄａｔａ）処理に効果的な構造で、瞬間ごとに層を積み上げて人工ニューラルネットワーク構造を構成することができる。ＤＢＮは、ディープラーニング技術であるＲＢＭ（ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎ ｍａｃｈｉｎｅ）を多層に積み重ねて構成されるディープラーニング構造を含むことができる。ＲＢＭ学習を繰り返して、一定数の層になると、該当数の層を有するＤＢＮを構成することができる。ＣＮＮは、人が物体を認識するときに物体の基本的な特徴を抽出した後、脳内で複雑な計算を経てその結果を基に物体を認識するという仮定に基づいて作られた人の脳機能を模写したモデルを含むことができる。

一方、人工ニューラルネットワークの学習は、所与の入力に対して所望の出力が出るようにノード間の接続線のウェイト（ｗｅｉｇｈｔ）を調整（必要であればバイアス（ｂｉａｓ）値も調整）することで行うことができる。さらに、人工ニューラルネットワークは、学習によってウェイト（ｗｅｉｇｈｔ）値を持続的にアップデートすることができる。また、人工ニューラルネットワークの学習にはバックプロバゲーション（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）などの方法を用いることができる。

一方、モニタリング装置４００には、人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を搭載することができ、受信される圧縮機運転データを入力データとするマシンラーニングに基づいた圧縮機の状態情報群集化を行うことができる。

モニタリング装置４００は、人工ニューラルネットワーク、例えば、ＣＮＮ、ＲＮＮ、ＤＢＮなどの深層ニューラルネットワーク（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ: ＤＮＮ）を含むことができ、深層ニューラルネットワークを学習することができる。このような人工ニューラルネットワークのマシンラーニング方法としては、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）と、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）と、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）のいずれも用いることができる。モニタリング装置４００は、設定に従って学習した後に人工ニューラルネットワーク構造をアップデートするように制御することができる。

教師あり学習とは、学習データに対するラベル（ｌａｂｅｌ）が与えられた状態で人工ニューラルネットワークを学習させる方法を意味し、ラベルとは、学習データが人工ニューラルネットワークに入力される場合、人工ニューラルネットワークが推論しなければならない正解（または結果値）を意味することができる。教師なし学習は、学習データに対するラベルが与えられていない状態で人工ニューラルネットワークを学習させる方法を意味することができる。強化学習は、ある環境で定義されたエージェントが各状態で累積報酬を最大化する行動または行動順序を選択するように学習させる学習方法を意味することができる。本実施例においては、モニタリング対象機器２００の状態を判断するために教師なし学習を行うことができるが、これに限定されるものではない。

管理者端末５００は、モニタリング装置４００が提供するモニタリングアプリケーション及び／またはモニタリングサイトに接続し、モニタリング対象機器２００に対するモニタリングサービスを受けることができる。

このような管理者端末５００は、コンピューティング装置（図示せず）の機能を実行することができる通信端末を含むことができ、ユーザが操作するデスクトップコンピュータ５０１、スマートフォン５０２、ノートパソコン５０３、タブレットＰＣ、スマートＴＶ、携帯電話、ＰＤＡ（ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、ラップトップ、メディアプレーヤー、マイクロサーバ、ＧＰＳ（ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ）装置、電子書籍端末、デジタル放送用端末、ナビゲーション、キオスク、ＭＰ３プレーヤー、デジタルカメラ、家電機器及びその他のモバイルまたは非モバイルコンピューティング装置であることができるが、これらに限定されない。また、管理者端末５００は、通信機能及びデータプロセッシング機能を備えた時計、メガネ、ヘアバンド及びリングなどのウェアラブル端末であることができる。このような管理者端末５００は、上述した内容に限定されず、ウェブブラウジングが可能な端末は制限なく借用されることができる。

ネットワーク６００は、ゲートウェイ３００と、モニタリング装置４００と、管理者端末５００とを接続させる役割を果たすことができる。このようなネットワーク６００は、例えば、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋｓ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋｓ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋｓ）、ＩＳＤＮ（ｉｎｔｅｇｒａｔｅｄ ｓｅｒｖｉｃｅ ｄｉｇｉｔａｌ ｎｅｔｗｏｒｋｓ）などの有線ネットワークや、無線ＬＡＮｓ、ＣＤＭＡ、ブルートゥース、衛星通信などの無線ネットワークを網羅することができるが、本発明の範囲がこれに限定されるものではない。また、ネットワーク６００は、近距離通信及び／または遠距離通信を用いて情報を送受信することができる。ここで、近距離通信は、ブルートゥース（ｂｌｕｅｔｏｏｔｈ）、ＲＦＩＤ（ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、赤外線通信（ＩｒＤＡ、ｉｎｆｒａｒｅｄ ｄａｔａ ａｓｓｏｃｉａｔｉｏｎ）、ＵＷＢ（ｕｌｔｒａ-ｗｉｄｅｂａｎｄ）、ＺｉｇＢｅｅ、Ｗｉ-Ｆｉ（ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ）技術を含むことができ、遠距離通信は、ＣＤＭＡ（ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＦＤＭＡ（ｆｒｅｑｕｅｎｃｙ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＴＤＭＡ（ｔｉｍｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＯＦＤＭＡ（ｏｒｔｈｏｇｏｎａｌ ｆｒｅｑｕｅｎｃｙ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＳＣ-ＦＤＭＡ（ｓｉｎｇｌｅ ｃａｒｒｉｅｒ ｆｒｅｑｕｅｎｃｙ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）技術を含むことができる。

ネットワーク６００は、ハブ、ブリッジ、ルーター、スイッチなどのネットワーク要素の接続を含むことができる。ネットワーク６００は、インターネットなどのパブリックネットワーク、及び安全な企業プライベートネットワークなどのプライベートネットワークをはじめとする１つまたは複数の接続ネットワーク、例えば、複数のネットワーク環境を含むことができる。ネットワーク６００へのアクセスは、１つまたは複数の有線または無線アクセスネットワークを介して提供されることができる。さらに、ネットワーク６００は、物などの分散された構成要素間で情報を送受信して処理するＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ、モノのインターネット）網及び／または５Ｇ通信に対応することができる。

図８は、図７のモニタリングシステムのうちモニタリング装置の構成を概略的に説明するために示すブロック図であり、図９は、図９のモニタリング装置のうちモニタリング管理部の構成を概略的に説明するために示すブロック図である。以下の説明において、図１～図７の説明と重複する部分は、その説明を省略する。

図８及び図９を参照すると、モニタリング装置４００は、通信部４１０、記憶媒体４２０、プログラム記憶部４３０、データベース４４０、モニタリング管理部４５０及び制御部４６０を含むことができる。

通信部４１０は、ネットワーク６００と連動してゲートウェイ３００と、モニタリング装置４００と管理者端末５００との間の送受信信号をパケットデータ形式で提供するために必要な通信インターフェースを提供することができる。また、通信部４１０は、ゲートウェイ３００が収集した情報をモニタリング装置４００に伝送する役割を果たすことができる。さらに、通信部４１０は、管理者端末５００から所定の情報要求信号を受信する役割を果たすことができ、モニタリング管理部４５０が処理した情報を管理者端末５００に伝送する役割を果たすことができる。ここで、通信網とは、ゲートウェイ３００と、モニタリング装置４００と管理者端末５００とを接続させる役割を果たす媒体であり、管理者端末５００がモニタリング装置４００に接続した後、情報を送受信できるように接続経路を提供する経路を含むことができる。また、通信部４１０は、他のネットワーク装置と有無線接続を介して制御信号またはデータ信号などの信号を送受信するために必要なハードウェア及びソフトウェアを含む装置であることができる。

記憶媒体４２０は、制御部４６０が処理するデータを一時的または恒久的に記憶する機能を実行する。ここで、記憶媒体４２０は磁気記憶媒体（ｍａｇｎｅｔｉｃ ｓｔｏｒａｇｅ ｍｅｄｉａ）またはフラッシュ記憶媒体（ｆｌａｓｈ ｓｔｏｒａｇｅ ｍｅｄｉａ）を含むことができるが、本発明の範囲がこれに限定されるものではない。

プログラム記憶部４３０は、ゲートウェイ３００を介して自己発電型センサー１００からセンシング信号が受信されたときにモニタリングセンシングデータを生成する作業、予め訓練された教師なし学習に基づいたディープラーニングモデルを用いてモニタリングセンシングデータに対応するモニタリング対象機器２００の状態情報を分類する作業、予め訓練された深層ニューラルネットワークモデルを用いてモニタリング対象機器２００の異常状態を判断する作業、モニタリング対象機器２００の異常状態判断に対応してモニタリング対象機器２００が完全に故障する前に通知を発生させる作業などを行う制御ソフトウェアを搭載している。

データベース４４０は、モニタリング対象機器２００に対するモニタリングセンシングデータと、モニタリング対象機器２００に対する状態情報履歴と、モニタリング対象機器２００に対する異常状態判断結果履歴などを記憶する管理データベースをさらに含むことができる。

また、データベース４４０は、モニタリング対象機器２００に対するモニタリングサービスの提供を受ける管理者の情報を記憶するユーザデータベースを含むことができる。ここで、管理者の情報は、管理者の名前、所属、身分事項、性別、年齢、連絡先、Ｅメール、住所、画像など認知症老人及び保護者に関する基本的な情報と、アイディー（ＩＤ）（またはＥメール）及びパスワード（ｐａｓｓｗｏｒｄ）など、ユーザの認証（ログイン）に関する情報、接続国、接続位置、接続に用いた装置に関する情報、接続されたネットワーク環境など接続に関する情報などを含むことができる。

また、ユーザデータベースには、管理者の固有情報と、モニタリングアプリケーションまたはモニタリングサイトに接続した管理者が提供された情報及び/またはカテゴリ履歴、管理者が設定した環境設定情報、管理者が利用したリソース使用量情報、管理者のリソース使用量に対する課金及び支払い情報が記憶されることができる。

モニタリング管理部４５０は、収集されたセンシング信号を用いてモニタリング対象機器２００に対するモニタリング結果情報を生成することができる。図９を参照すると、モニタリング管理部４５０は、収集部４５１、第１生成部４５２、分類部４５３、判断部４５４、第２生成部４５５を含むことができる。

収集部４５１は、ゲートウェイ３００及びネットワーク６００を介してモニタリング対象機器２００に搭載された自己発電型センサー１００からセンシング信号を収集することができる。

第１生成部４５２は、収集部４５１が収集したセンシング信号と、センシング信号を受信する信号受信周期とを組み合わせた時系列データとしてのモニタリングセンシングデータを生成することができる。ここで、信号受信周期は、ゲートウェイ３００で生成してセンシング信号に含まれる第１信号受信周期と、モニタリング装置４００が第１信号周期が含まれたセンシング信号を受信する第２信号受信周期とを含むことができる。

分類部４５３は、第１生成部４５２が生成したモニタリングセンシングデータを入力としてモニタリング対象機器の状態情報を分類するように予め訓練された教師なし学習に基づいたディープラーニングモデルを用いてモニタリングセンシングデータに対応するモニタリング対象機器２００の状態情報を分類することができる。ここで、教師なし学習に基づいたディープラーニングモデルは、オートエンコーダ（ａｕｔｏ ｅｎｃｏｄｅｒ）、ｋ平均法（ｋ-ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ）、自己組織化マップ（ｓｅｌｆ-ｏｒｇａｎｉｚｉｎｇ ｍａｐ）、深い信念ネットワーク（ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、サポートベクトルマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）などのアルゴリズムのうちの１つまたは複数を使用することができる。

また、アルゴリズムの種類に応じて、教師なし学習に基づいたディープラーニングモデルで最終出力されるモニタリング対象機器２００の状態情報は、モニタリング対象機器２００がアイドル（ｉｄｌｅ）状態であるか否かと、モニタリング対象機器２００が稼働中であるか否かと、モニタリング対象機器２００が生産する生産製品の種類と、生産製品の日別生産量のうち一つまたは複数で分類された形態になることができる。

図１０には、モニタリング装置４００が生成したモニタリングセンシングデータａを教師なし学習に基づいたディープラーニングモデルで学習して生成された分類結果ｂとしてのモニタリング対象機器２００が生産する生産製品の種類と、生産製品の日別生産量を示している。

判断部４５４は、分類部４５３で分類したモニタリング対象機器の状態情報を用いてモニタリング対象機器の異常状態を判断するよう予め訓練された深層ニューラルネットワークモデルを用いてモニタリング対象機器２００の異常状態を判断することができる。ここで、深層ニューラルネットワークモデルは、モニタリング対象機器２００がアイドル（ｉｄｌｅ）状態であるか否かと、モニタリング対象機器２００が稼働中であるか否かと、モニタリング対象機器２００が生産する生産製品の種類と、生産製品の日別生産量を含む訓練データを使用して予め訓練されたニューラルネットワークモデルであることができる。

第２生成部４５５は、判断部４５４の判断結果を受信してモニタリング対象機器２００の動作を制御するモニタリング結果情報を生成することができる。第２生成部４５５は、判断部４５４からモニタリング対象機器２００が異常状態であると判断した結果に対応してモニタリング対象機器２００の動作を終了するようにモニタリング結果情報を生成することができる。制御部３５０は、モニタリング対象機器２００の動作を終了する前に、モニタリング対象機器２００を異常状態と判断した判断結果に対応して通知を発生するよう指示するモニタリング結果情報を生成することができる。このようなモニタリング結果情報生成により、モニタリング対象機器２００が完全に故障する前に通知を発生させ、これに対応させることができる。

図８に戻り、制御部４６０は、一種の中央処理装置としてプログラム記憶部４３０に搭載された制御ソフトウェアを駆動してモニタリング装置４００全体の動作を制御することができる。制御部４６０は、プロセッサ（ｐｒｏｃｅｓｓｏｒ）などのデータを処理できるあらゆる種類の装置を含むことができる。ここで、「プロセッサ（ｐｒｏｃｅｓｓｏｒ）」とは、例えば、プログラム内に含まれたコードまたは命令語で表された機能を実行するために物理的に構造化された回路を有する、ハードウェアに組み込まれたデータ処理装置を意味することができる。このようにハードウェアに組み込まれたデータ処理装置の一例として、マイクロプロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）、プロセッサコア（ｐｒｏｃｅｓｓｏｒ ｃｏｒｅ）、マルチプロセッサ（ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ-ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などの処理装置を網羅することができるが、本発明の範囲がこれに限定されるものではない。

以上説明した本発明に係る実施例は、コンピュータ上で様々な構成要素を介して実行することができるコンピュータプログラムの形態で実装されることができ、そのようなコンピュータプログラムはコンピュータ可読媒体に記録されることができる。このとき、媒体は、ハードディスク、フロッピーディスク及び磁気テープなどの磁気媒体、ＣＤ－ＲＯＭ及びＤＶＤなどの光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）などの光磁気媒体（ｍａｇｎｅｔｏ-ｏｐｔｉｃａｌ ｍｅｄｉｕｍ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語を記憶及び実行するように特別に構成されたハードウェア装置を含むことができる。

一方、前記コンピュータプログラムは、本発明のために特別に設計及び構成されているか、コンピュータソフトウェア分野の当業者に公知され使用可能なものであることができる。コンピュータプログラムの例には、コンパイラによって作成されるような機械語コードだけでなく、インタプリタなどを使用し、コンピュータによって実行されることができる高級言語コードも含まれることができる。

本発明の明細書（特に特許請求の範囲におき）において「前記」の用語及び同様の指示用語の使用は、単数及び複数の両方に該当するものであることができる。また、本発明において範囲（ｒａｎｇｅ）を記載した場合、前記範囲に属する個別の値を適用した発明を含むものとして（これに反する記載がない場合）、発明の詳細な説明に前記範囲を構成する各個別の値を記載したのと同じである。

本発明に係る方法を構成するステップについて明らかに順序を記載したり反したりする記載がない場合、前記ステップは適当な順序で行われることができる。必ずしも前記ステップの記載順序に従って本発明が限定されるものではない。本発明において、すべての例または例示的な用語（例えば、等）の使用は、単に本発明を詳細に説明するためのものであり、特許請求の範囲によって限定されない限り、前記の例または例示的な用語によって本発明の範囲が限定されるものではない。さらに、当業者は、様々な修正、組み合わせ及び変更が追加された特許請求の範囲またはその均等物の範囲内で設計条件及び要因によって構成され得ることを理解するであろう。

したがって、本発明の思想は、前記説明した実施例に限定されて決められてはならず、後述する特許請求の範囲のみならず、この特許請求の範囲と均等またはこれから等価的に変更された全ての範囲は、本発明の思想の範疇に属するとする。

Claims (3)

1. モニタリングシステムであって、
   モニタリング対象機器に搭載され、前記モニタリング対象機器で発生する物理的なエネルギーに対応するセンシング信号を生成して送信する自己発電型センサー、及び
   前記自己発電型センサーが送信するセンシング信号を収集し、前記モニタリング対象機器の状態をモニタリングするモニタリング装置を含み、
   前記モニタリング装置は、
   前記センシング信号と、前記センシング信号を受信する信号受信周期とを組み合わせた時系列データとしてのモニタリングセンシングデータを生成する第１生成部と、
   モニタリングセンシングデータを入力としてモニタリング対象機器の状態情報を分類するよう、予め訓練された教師なし学習に基づいたディープラーニングモデルを用いて前記モニタリングセンシングデータに対応する前記モニタリング対象機器の状態情報を分類する分類部とを含み、
   モニタリング対象機器の状態情報を用いてモニタリング対象機器の異常状態を判断するよう、予め訓練された深層ニューラルネットワークモデルを用いて前記モニタリング対象機器の異常状態を判断する判断部をさらに含み、
   前記深層ニューラルネットワークモデルは、
   前記モニタリング対象機器がアイドル（ｉｄｌｅ）状態であるか否かと、前記モニタリング対象機器が稼働中であるか否かと、前記モニタリング対象機器が生産する生産製品の種類と、前記生産製品の日別生産量を含む訓練データを用いて予め訓練されたニューラルネットワークモデルである、
   モニタリングシステム。
2. 前記モニタリング対象機器の状態情報は、
   前記モニタリング対象機器がアイドル（ｉｄｌｅ）状態であるか否かと、前記モニタリング対象機器が稼動中であるか否かと、前記モニタリング対象機器が生産する生産製品の種類と、前記生産製品の日別生産量のうちの１つまたは複数を含む、請求項１に記載のモニタリングシステム。
3. 前記モニタリング対象機器の異常状態判断に対応して、前記モニタリング対象機器の動作を制御するモニタリング結果情報を生成する第２生成部をさらに含む、請求項１に記載のモニタリングシステム。