WO2019131486A1 - 信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法 - Google Patents

信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法 Download PDF

Info

Publication number
WO2019131486A1
WO2019131486A1 PCT/JP2018/047185 JP2018047185W WO2019131486A1 WO 2019131486 A1 WO2019131486 A1 WO 2019131486A1 JP 2018047185 W JP2018047185 W JP 2018047185W WO 2019131486 A1 WO2019131486 A1 WO 2019131486A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal processing
data
communication
unit
value
Prior art date
Application number
PCT/JP2018/047185
Other languages
English (en)
French (fr)
Inventor
壽邦 篠原
Original Assignee
ローム株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ローム株式会社 filed Critical ローム株式会社
Publication of WO2019131486A1 publication Critical patent/WO2019131486A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction

Definitions

  • the present embodiment relates to a signal processing device, a wireless sensor network system, and a signal processing method.
  • the IoT sensor is connected using a wireless sensor network or the like.
  • a wireless sensor network is a network for arranging a large number of wireless sensors to collect information.
  • communication methods such as ZigBee, EnOcean, Wi-SUN, BLE, etc., SIGFOX, LoRa, Wi-Fi Halow, RPMA, Flexnet, NB-IoT are used.
  • the communication band is very limited, and it is difficult to transmit data as it is. Therefore, in the case of a normal IoT sensor, there is a problem that the transmission interval is intermittent (about 1 minute to about 1 hour), and the situation between transmissions can not be known. On the other hand, when average value processing etc. are performed normally, the problem that the average value will be greatly influenced by the outlier which occurs rarely arises. Furthermore, although the maximum value, the minimum value, the standard deviation value, etc. are useful as feature quantities of data between transmissions, they are strongly affected by outliers by more than the average value, and it is realistic even if they are transmitted as they are Will send meaningless data (outliers including noise).
  • the present embodiment provides a signal processing apparatus, a wireless sensor network system, and a signal processing method that can transmit feature quantities of eligible data even when the communication band is limited.
  • a storage unit for storing time-series data of physical quantities detected in time series by the sensor element or the measuring device, and primary side cleansing that is a cleansing process for the time-series data.
  • a signal processing apparatus comprising: an operation unit that compresses the time-series data; and a communication unit that transmits the operation result of the operation unit to a higher-level device through narrowband wireless communication.
  • a wireless sensor network system comprising: a signal processing device; and an upper device receiving data from the signal processing device via narrow band wireless communication, the signal A storage unit that stores time-series data of physical quantities detected by the sensor device or the measuring device in time series by the processing device; an operation unit that compresses the time-series data;
  • a wireless sensor network system is provided that includes a communication unit that transmits to a higher-level device by communication.
  • a storing step of storing time-series data of physical quantities detected in time series by the sensor element or the measuring device, an operation step of compressing the time-series data, and the operation There is provided a signal processing method including: a communication step of transmitting the calculation result of the step to the upper apparatus by narrowband wireless communication.
  • the present embodiment it is possible to provide a signal processing device, a wireless sensor network system, and a signal processing method capable of transmitting the feature amount of the appropriate data even when the communication band is limited.
  • FIG. 2 is a schematic configuration diagram showing an example of the hardware configuration of the signal processing device according to the present embodiment.
  • the typical block diagram which shows another hardware structural example of the signal processing apparatus which concerns on this Embodiment. It is an explanatory view of adjustment statistical operation which a signal processing device concerning this embodiment performs, (a) State before sorting, (b) State after sorting, (c) State after deletion, (d) Winsor rise In the case of statistics.
  • Explanatory drawing which shows the variation of the event detected by the signal processing apparatus which concerns on this Embodiment.
  • the graph which shows the example which applied the parametric model of machine learning to the signal processing device concerning this embodiment.
  • Edge is not a broad edge as the game of the cloud (in the narrow sense edge, in addition to gateways, edge servers, IoT routers, etc. concept), but in the narrow sense edge of the meaning of the substantial edge is there. That is, it means the boundary between the physical world (Physical) and the virtual world (Cyber), or the edge of the virtual world (an area closer to the physical world).
  • physical quantities in the real world are sensed by a sensor or the like at this edge, converted into electrical signals, and further converted into digital data, and thereafter data handling in the virtual world.
  • a FAN with a large communication bandwidth limit is arranged on the upper side of the edge in the IoT domain.
  • FAN Field Area Network
  • HAN Home Area Network
  • FAN in a narrow sense Field Area Network
  • narrow band wireless communication such as ZigBee, EnOcean, Wi-SUN, BLE, others, SIGFOX, LoRa, Wi-Fi Halow, RPMA, Flexnet, NB-IoT Description will be made on the assumption that communication is performed.
  • Outliers are values that deviate significantly from other values in statistics. In addition, noise beyond the signal level or signal range of the significant signal can also be classified as an outlier. In data analysis methods such as statistical analysis, multivariate analysis, artificial intelligence, machine learning, etc. frequently used in IoT, these outliers adversely affect analysis results and prediction accuracy, and so are called robust estimation or robust statistics. It is excluded by "pre-processing of data analysis called cleansing" using mathematical techniques.
  • Primary side cleansing is a cleansing process performed on the primary side of the FAN, that is, the edge side.
  • cleansing requires a complicated operation with a large amount of operation and a large amount of memory, so it is executed on a richer resource "a broad edge excluding narrow edges" or higher.
  • the cloud is mentioned as an example here, a standalone PC, an on-premises server, etc. correspond to the "upper rank”.
  • the upper-level device 40 such a higher-level device will be referred to as the "upper-level device 40" (see FIG. 1).
  • Adjustment statistics operation is similar to Trimmed mean (Trimmed mean, trimmed mean, Adjusted mean), Winsorized mean (Winsorized mean), etc., and after sorting data to exclude extreme data, the required number from both sides It is to create statistics such as arithmetic mean, geometric mean, harmonic mean, maximum, minimum, range, standard deviation, variance by deleting (adjusting) the data of only ones.
  • Winsorized statistics the same statistical value or feature value as described above is calculated by replacing the adjusted minimum and maximum values with the values to be deleted. Further, the representative value obtained by the adjustment statistic calculation is referred to as “adjustment statistic”.
  • the feature amount extraction is to extract a representative value or a determination value representing a feature of data (or a calculated value thereof) obtained by a sensor or the like.
  • adjustment statistics that is, statistics such as arithmetic mean, geometric mean, harmonic mean, maximum, minimum, range, standard deviation, variance are an example of feature quantities. Converting data obtained by a sensor or the like into adjustment statistics by calculation is referred to as “feature amount calculation”.
  • feature amount calculation Converting data obtained by a sensor or the like into adjustment statistics by calculation.
  • feature amount calculation when extracting the feature amount, from the communication point of view, only a representative value with a smaller amount of data is adopted and transferred to the original data sequence. It can be regarded. This is also expressed as "feature compression”.
  • FIG. 1 A schematic configuration showing an outline of the wireless sensor network system according to the present embodiment is represented as shown in FIG.
  • this wireless sensor network system collects various data in the physical world (Physical) with a sensor network, and analyzes / knowledges using a large-scale data processing technology etc. in the virtual world (Cyber). It is part of the Cyber-Physical System (CPS), which seeks to revitalize industry and solve social problems through the information / values created there.
  • the signal processing device 10 disposed at the edge is connected to the upper side device 40 such as a cloud via the narrowband communication network 21 and the wide band communication network 22.
  • a gateway 20 is disposed between the narrowband communication network 21 and the broadband communication network 22, and an edge server 30 or the like is also disposed at an edge in a broad sense.
  • the thin lines connecting the devices mean that they are connected by low speed communication, and the thick lines mean that they are connected by high speed communication.
  • the signal processing apparatus 10 includes a sensor element for detecting the physical quantity of the surroundings in a time-series manner, a communication unit for transmitting data detected by the sensor element, data detected by a measuring instrument, etc. Prepare.
  • the signal processing apparatus 10 also includes a memory for temporarily storing data, etc., but the details will be described later.
  • ZigBee, EnOcean, Wi-SUN, BLE (Bluetooth Low Energy) or the like is used for communication between the signal processing device 10 and the gateway 20.
  • the gateway 20 is a device, software, or system that relays communication between two parties (for example, ZigBee and Wi-Fi) having different communication protocols (protocols) or between networks, and can cope with the difference between the two protocols. .
  • the gateway 20 receives the data transmitted from the signal processing device 10, and transmits the received data to the upper apparatus 40.
  • the gateway 20 receives, from the higher-level device 40, control instructions and setting information for the signal processing device 10.
  • the gateway 20 may have a function of storing and computing received data as well as simply relaying the data transmitted from the signal processing device 10.
  • Wi-Fi 3G / LTE, wired LAN (Local Area Network), Bluetooth (registered trademark) or the like is used.
  • FIG. 1 A schematic configuration showing a specific example of the wireless sensor network system according to the present embodiment is expressed as shown in FIG.
  • FIG. Here, the case where many signal processing apparatuses 10 are installed in an indoor apparatus group (apparatus, utility, infrastructure, etc.) or an outdoor building (bridge, road, railway, building, etc.) is illustrated.
  • the gateway 20 transmits the data received from the signal processing device 10 to the upper apparatus 40 via the Internet 50.
  • the higher-level device 40 can detect the presence or absence of abnormality of the device group or the building that is the monitored object, based on the data received from the gateway 20.
  • Each signal processing device 10 may have a relay routing function for transferring data transmitted from another signal processing device 10 to the gateway 20.
  • each signal processing device 10 may have an ad hoc function for directly communicating with each other.
  • the plurality of signal processing devices 10 constituting the sensor network may constitute a tree-type network or may constitute a mesh-type network.
  • FIG. 3 A hardware configuration example of the signal processing device 10 according to the present embodiment is represented as shown in FIG.
  • the signal processing apparatus 10 according to the present embodiment is a sensor edge (sensor node) that detects illuminance, sound, acceleration, inclination, and the like, and includes the sensor element 11, the memory 12, and calculation.
  • a unit 13, a communication unit 14, and a power supply 15 are provided.
  • the sensor element 11 detects the physical quantity of the monitored object in time series.
  • the type of sensor element 11 is not particularly limited, and any sensor element that detects any physical quantity is applicable.
  • various sensors such as magnetic sensors, electric fields sensors, current sensors, voltage sensors, pressure sensors, flow sensors, temperature sensors, illuminance sensors, humidity sensors, etc.
  • the element 11 can be used.
  • the sensor element 11 since the sensor element 11 is not operated intermittently but is always operated, it is suitable for applications where physical quantities must be constantly detected.
  • the signal processing apparatus 10 may include a plurality of sensor elements 11.
  • time-series data A physical quantity (hereinafter, referred to as “time-series data”) detected in time series by the sensor element 11 is temporarily stored in the memory 12.
  • the output signal of the sensor element 11 is filtered by an analog filter (not shown) and is output by an A / D (Analog to Digital) converter (not shown) After being converted into digital data, it is stored in the memory 12.
  • the operation unit 13 performs various operations using time-series data stored in the memory 12. For example, primary side cleansing, representative value calculation, adjustment statistical calculation, etc. are performed on time series data.
  • Such an arithmetic unit 13 is configured by a CPU (Central Processing Unit).
  • the memory 12 and other peripheral devices may be configured as an MCU (micro controller: Micro Control Unit).
  • the communication unit 14 is a communication module that transmits the calculation result of the calculation unit 13 to the upper device 40 by narrowband wireless communication.
  • the above-mentioned communication method such as Wi-SUN is used.
  • the power supply 15 supplies a drive voltage to each of the elements 11, 12, 13 and 14 that constitute the signal processing device 10.
  • the signal processing device 10 is configured to operate only with the internal power supply 15 without receiving power supply from the outside.
  • the power supply 15 may be configured by a solar cell and a storage battery.
  • the storage battery is charged by the power generated by the solar cell, and the elements 11, 12, 13, and 14 constituting the signal processing device 10 are driven by the output voltage of the storage battery.
  • a super capacitor etc. are also used instead of a storage battery.
  • the signal processing apparatus 10 is a sensing edge (sensing node) that receives an external signal from the measuring instrument 1, and includes an ADC 16, a memory 12, and an operation unit 13. , Communication unit 14, and power supply 15.
  • the measuring instrument 1 is a device that measures the physical quantity of the monitored object in time series.
  • the measuring instrument 1 is provided with a sensor element (not shown), and this sensor element outputs an analog signal.
  • the ADC 16 on the signal processing device 10 side is configured to convert an analog signal output from the measuring instrument 1 into a digital signal.
  • the other elements 12, 13 and 14 are the same as in FIG.
  • this configuration example is a sensing edge, this sensing edge is also an example of the signal processing apparatus 10 according to the present embodiment, and is included in the configuration requirements of the wireless sensor network system according to the present embodiment. Do.
  • the adjustment statistic operation performed by the signal processing device 10 according to the present embodiment is expressed as shown in FIG.
  • the operation unit 13 of the signal processing device 10 stores time-series data detected by the sensor element 11 in the memory 12 as shown in FIG.
  • time series data is generally data sampled at equal intervals, data acquired at irregular intervals may be used without any problem.
  • FIG. 5B the time-series data stored in the memory 12 is sorted in the ascending order (or the descending order) of the values.
  • the predetermined bottom area 12B and top area 12T in the memory 12 are deleted, only the data stored in the middle area 12M is taken out, and arithmetic mean, geometric mean, harmonic mean ⁇ Perform various statistical operations such as maximum, minimum, range, standard deviation, and variance.
  • winsorized statistics as shown in FIG. 5D, the minimum value of the middle area 12M is copied to the bottom area 12B, and the maximum value of the middle area 12M is copied to the top area 12T, and the bottom area is displayed. 12B.
  • Top area 12T data is taken out and various statistical operations are performed.
  • the required number of data is deleted from the bottom area 12B and the top area 12T is illustrated here, the required number can be changed as appropriate. That is, from the case where the outlier process is not performed at all to the case where it is made extremely strong, the operation unit 13 changes the degree of strength of the outlier process appropriately according to the characteristics of the sensor value or the sensing value or the disturbance noise. Is desirable. Of course, the case where the outlier processing is not performed at all means the case where the required number is "0".
  • the parameter for determining the degree of strength of the outlier processing may be set in advance in the signal processing device 10, or may be received as setting information from the gateway 20 or the upper device 40.
  • FIG. 6A shows the flow of measurement, calculation and transmission performed on the signal processing device 10 side
  • FIG. 6B shows the flow of reception and calculation performed on the upper side device 40 side.
  • the operation unit 13 of the signal processing device 10 determines whether to perform the measurement process, and when it is determined to perform the measurement process, takes in the data detected by the sensor element 11 (step S1 ⁇ S2).
  • Such measurement execution determination may be performed by timer driving (generally, it is taken in every quasi cycle).
  • the taken-in data is stored in the memory 12 and it is judged whether or not the transmission process is to be performed (step S3 ⁇ S4).
  • Such transmission execution determination may be performed by timer driving (generally, transmission processing is performed at predetermined intervals).
  • step S4 when it is determined that the transmission process is to be performed, the adjustment statistic is calculated, and the feature amount calculation is performed (step S4 ⁇ S5 ⁇ S6). At least one of steps S5 and S6 may be performed.
  • the communication protocol is converted to a communication protocol such as EEP (EnOcean) or ECHONET Lite (Wi-SUN), transmitted to the communication unit 14 which is a communication module, and transmitted to the outside by the communication unit 14 (steps S7 ⁇ S8 ⁇ S9). Subsequently, the same operation is repeated for the next measurement process (step S1).
  • EEP EnOcean
  • Wi-SUN ECHONET Lite
  • the reception / calculation flow may be implemented by the edge server (router) 30.
  • the upper-level device 40 takes in the data event-driven and stores it in the memory, and repeats the same operation for the next reception process (steps S11 ⁇ S12 ⁇ S11 ⁇ ). Further, data is read from the memory asynchronously with such a memory store, and it is judged whether or not the operation condition is satisfied (step S13).
  • the calculation condition is, for example, the number of data, the total cycle time, etc. The details will be described later.
  • step S13 when it is determined that the calculation condition is satisfied, the adjustment statistic is calculated, and the feature amount calculation is performed (step S13 ⁇ S14 ⁇ S15). At least one of steps S14 and S15 may be performed.
  • the data is converted to a data format such as JSON or XML, and the data is transmitted to the outside (step S16 ⁇ S17).
  • data transmission in step S17 may be data storage, data analysis, or the like.
  • the calculation condition in step S13 is the number of received data or the aggregation cycle time by the setting on the upper side.
  • the number of data received within the same cycle depends on the state of network communication.
  • the reception cycle transmission cycle when viewed from the edge
  • the communication environment there are cases where there are a lot of interference and noise with multi-station communication, and cases where retransmission processing is performed, etc., so the periodicity becomes loose.
  • the part corresponding to the "calculation condition determination” in step S13 is the “transmission execution determination” in step S4.
  • the “transmission execution determination” in step S4 may be moved by the number of times “data acquisition” from the sensor, but more generally, the transmission period of the edge is defined, and the transmission period (here, “transmission The timer drive of "execution determination” corresponds.
  • the edge transmission cycle (transmission every 20 seconds, transmission every minute, transmission one hour ago, etc.) depends on the program configuration, it is usually a data acquisition cycle, so a more strict cycle is usually obtained. To be controlled.
  • the signal processing apparatus 10 is a sensor node or sensing node used in a wireless sensor network system, and performs statistical adjustment operation on time series data, and one or more time series data are calculated.
  • the feature amount is extracted, and the extracted feature amount is transmitted to the outside.
  • outliers can be efficiently excluded, and statistics such as maximum / minimum / range / standard deviation / variance are very strongly affected by the outliers, and statistics such as arithmetic mean, geometric mean, harmonic mean
  • data can be transmitted excluding the influence of outliers.
  • a cleansing process is required by a technique such as Smirnov-Grabbs test (recursive t test), Thompson test, Mahalanobis distance, M estimation, artificial intelligence estimation.
  • the primary cleansing process is performed on the edge side, and there is also an advantage that the cleansing load on the upper side is reduced.
  • outlier measures Next, an outlier countermeasure will be described with reference to FIGS. 7 to 9. As described above, the outlier is a value greatly deviated from the other values in the statistics, and becomes a factor that greatly disturbs the result of the statistical analysis and the AI determination.
  • FIG. 7 A graph showing the effect when the outlier measures are taken is represented as shown in FIG. Here, the case where the least squares method is used as a method of correlation detection is illustrated.
  • the estimated correlation 62 is affected by the outlier 61 and does not follow the distribution of the measured values.
  • the estimated correlation 63 has the influence of the outlier 61 suppressed and is along the distribution of the measured values.
  • a cleansing process is performed to exclude, correct and interpolate outliers and outliers.
  • the cleansing process performed on the upper side is robust estimation / statistics (Robust Estimation or Statistics) such as Smirnov-Grabbs test (recursive t test), Thompson test, Mahalanobis distance, M estimation, artificial intelligence, etc.
  • Robust estimation and statistics require a large amount of memory and computation, and are difficult to implement at the edge. Since the signal processing apparatus 10 according to the present embodiment performs adjustment statistic calculation instead of robust estimation and statistics, outliers are obtained even if the capacity of the memory 12 or the calculation capability of the calculation unit 13 is poor. It is possible to suppress the influence of
  • FIG. 8 shows the case where the outlier measures have not been taken
  • FIG. 9 shows the case where the outlier measures have been taken.
  • the horizontal axis shows elapsed time
  • the vertical axis shows signal strength.
  • the maximum value 71 in the case where the outlier measures are not taken is largely fluctuated in each section under the influence of the outliers, whereas as shown in FIG.
  • the maximum value 81 when the countermeasure is taken is a value that is substantially constant over the entire section because the influence of the outliers is suppressed. Also, focusing on the section with an elapsed time of 200 seconds to 250 seconds, as shown in FIG. 8, the average value 73 when the outlier measures are not taken is the effect of the large outliers generated around 230 seconds of elapsed time. As shown in FIG. 9, the average value 83 when the outlier measures are taken is compared with the waveform because the influence of such large outliers is suppressed as shown in FIG. And a reasonable negative value. Furthermore, as shown in FIG. 8, the minimum value 72 when the outlier measures are not taken is a value of about “-4” under the influence of the outliers, while it is shown in FIG.
  • the minimum value 82 when the outlier measures are taken is a value of about “ ⁇ 2” because the influence of the outliers is suppressed. As such, the maximum value and the minimum value are strongly affected by outliers, and the average value is also easily affected. If the outlier measures are taken, the influence of the outliers is suppressed and stable detection is possible.
  • the cleansing strength of the minimum value 82 is set stronger than the maximum value 81. That is, the minimum value 82 is larger than the maximum value 81 in the required number described above. As a result, more outliers are excluded at the minimum value 82 than at the maximum value 81.
  • FIG. 10 (a) shows the case where primary side cleansing is not performed
  • FIG. 10 (b) shows the case where primary side cleansing is performed.
  • the horizontal axis shows elapsed time
  • the vertical axis shows relative humidity.
  • general signal transmission includes spike-like signals and noise (appearing as the thickness of lines), but as shown in FIG. 10 (b), signal processing When the primary side cleansing is performed in the device 10, spike-like signals and noise (reduction in line thickness) are excluded.
  • FIG. Fig. 11 (a) shows the case where the primary side cleansing is not performed
  • Fig. 11 (b) shows the case where the primary side cleansing is performed.
  • the sensor element 11 of the same model number as in the case of FIG. 10 is used, since there are individual differences in the sensor element 11, the occurrence situation of outliers and noise is different from that of FIG. Even in this case, as shown in FIG. 11B, if the primary side cleansing is performed in the signal processing device 10, spiked signals are excluded. That is, individual differences relating to outliers and noise of the sensor element 11 can also be absorbed (see FIGS. 10 (b) and 11 (b)).
  • FIG. 12A shows the case where the transmission cycle is every 5 seconds
  • FIG. 12B shows the case where the transmission cycle is every 1 minute
  • FIG. 12C shows the case where the transmission cycle is every 3 minutes
  • FIG. 12D shows the case where the transmission cycle is every 10 minutes.
  • the horizontal axis shows the elapsed time
  • the vertical axis shows the noise level. As shown in FIG. 12, although the signal strength of the noise level fluctuates continuously in the late night zone or in the day, the characteristic is lost when the transmission cycle is lengthened.
  • FIG. 13A shows that the transmission cycle is every 5 seconds
  • FIG. 13B shows that the transmission cycle is every one minute
  • FIG. 13C shows that the transmission cycle is three.
  • FIG. 13D shows the case where the transmission cycle is every 10 minutes.
  • the graph of FIG. 13 includes three lines, these three lines indicate three representative values (as a concept, values close to the maximum value, the average value, and the minimum value) of the adjustment statistics. ing.
  • the signal processing apparatus 10 operates the sensor element 11 constantly (or in a cycle shorter than the transmission cycle) to perform data acquisition and adjustment statistical calculation. Therefore, as shown in FIG. 13, even if the transmission cycle is lengthened, features are less likely to be lost, which is suitable for abnormality detection. In addition, since the feature amount remains even if the data amount is greatly reduced, the effect of scalability of information transmission and data amount reduction is high.
  • FIG. 14 (a) shows Comparative Example 1
  • FIG. 14 (b) shows Comparative Example 2 (one embodiment)
  • FIG. 14 (c) shows Comparative Example 3
  • FIG. 14 (d) shows the main embodiment.
  • the device such as the gateway 20 is not shown because it focuses on the amount of data flowing between the edge and the cloud.
  • the thickness of the arrow in the figure means the amount of data.
  • Comparative Example 1 will be described with reference to FIG. 14 (a).
  • high-speed broadband communication for example, LTE
  • FIG. 14A a large amount of data is acquired at the edge, all of the acquired data is transferred to the cloud by broadband communication, and the cleansing process is performed in the cloud to be necessary. retrieve only data. This makes it possible to produce high quality data that can be used in AI analysis.
  • Comparative Example 2 is generally called edge computing, and as shown in FIG. 14B, the edge carries out a cleansing process to take out only necessary data and raise it to the cloud by broadband communication.
  • the amount of data flowing through the network is reduced as compared with Comparative Example 1, so (1) the connectable number increases, (2) the communication cost decreases because only a small amount of bandwidth is used, (3) the cloud side There are merits such as reduction of CPU load and charge.
  • Comparative Example 3 will be described with reference to FIG.
  • low-speed narrow band communication for example, FAN
  • FAN low-speed narrow band communication
  • FIG. 14C data is thinned at the edge, and the thinned data is raised to the cloud by narrow band communication, and the cleansing processing is performed on the cloud.
  • Comparative Example 3 since data is thinned at an edge, the amount of information obtained in the cloud is small.
  • the edge carries out a cleansing process to take out only necessary data and raise it to a cloud by narrow band communication. Since the data is not simply thinned out as in Comparative Example 3, the amount of important information obtained in the cloud is not reduced. Of course, the amount of data flowing through the network is reduced, (1) the number of possible connections is increased, (2) the communication cost is reduced because only a small amount of bandwidth is used, (3) the CPU load on the cloud side and its charges are small. Can also be obtained.
  • the main form of the present embodiment is superior to Comparative Example 2 in that the data amount can be compressed before narrow band communication.
  • narrow band communication narrow band wireless communication
  • Compressing the amount of data without reducing information before such low-speed narrowband communication is extremely important for large-scale data processing using a wide variety of IoT sensors such as human sensors and acceleration sensors. High practical value.
  • the example of the cloud is given as the upper rank, but the same effect can be obtained with a stand-alone PC or an on-premises server corresponding to the other top rank.
  • a cleansing process is illustrated as a process of data compression, the same effect can be obtained with other compression methods.
  • the signal processing apparatus 10 includes humidity, a human sensor, an acceleration sensor, a thermocouple, a platinum resistor, a CT (current) sensor, a radiation thermometer, a wattmeter, torque / torque / Tachometer, microphone (sound sensor), pressure gauge, differential pressure gauge, length measuring sensor, level sensor, level sensor, flow meter, flow meter, conductivity meter, electrostatic sensor, strain gauge, liquid leakage sensor, etc.
  • a common measuring instrument such as an FA sensor can be used to detect various events. Even in Wi-SUN, etc. where there are no commercially available sensors, ordinary IoT sensors enable non-compliant measurements.
  • FIG. 15 the case where an amplifier output, a temperature regulator output, and a power supply line are used as input / output (I / O), and Wi-SUN is used as a wireless network is illustrated.
  • a humidity measuring device as a measuring device, it is possible to prevent the occurrence of dew condensation prevention, fermentation uniformity, mold and the like.
  • a human sensor as a measuring instrument, it is possible to monitor the entry prohibited / restricted area.
  • vibration pattern analysis can be performed to detect motor / pump abnormality and assembly abnormality.
  • thermocouple As a measuring instrument, it is possible to detect oven temperature distribution, cooling water temperature, motor / pump abnormality, exhaust heat (flow velocity).
  • a platinum resistor as a measuring instrument, it is possible to detect the liquid temperature in the pipe / refrigeration / freezer uniformity / operation abnormality.
  • CT current
  • PID temperature regulator setting
  • adiabatic failure detection adiabatic failure detection
  • heater life monitoring heater life monitoring
  • fan abnormal stop detection abnormal overload detection
  • power and power factor measurement can be performed by using a power meter as a measuring instrument. Further, by using a torque / tachometer as a measuring instrument, motor / pump abnormality can be detected. Further, by using a microphone (sound sensor) as a measuring instrument, abnormal sound can be detected. In addition, by using a pressure gauge as a measuring instrument, it is possible to detect a pipe blockage tendency detection / valve operation abnormality. Further, by using a differential pressure gauge as a measuring instrument, exhaust displacement monitoring (positive pressure / negative pressure monitoring: HACCP countermeasure) and filter breakthrough detection can be implemented. In addition, by using a length measuring sensor as a measuring instrument, it is possible to detect stroke confirmation, clearance monitor, chatter confirmation, conveyor abnormality.
  • safety confirmation can be implemented by using a level sensor as a measuring device. Further, by using a level sensor as a measuring instrument, liquid level / powder level / blending abnormality can be detected.
  • flow rate monitoring pulse flow
  • heat quantity monitoring (+ thermocouple) can be implemented by using a flow meter as a measuring device.
  • a current meter as a measuring instrument
  • exhaust monitoring and fan abnormality can be detected.
  • chemical concentration and water quality can be detected by using a conductivity meter as a measuring instrument.
  • electrostatic measurement dust control
  • a strain gauge as a measuring instrument, a strain detection / load cell (load confirmation) can be implemented.
  • liquid leakage can be detected by using a liquid leakage sensor as a measuring device.
  • the state determination value may be used as follows. Since the original plural parameters are classified as states, the amount of data can be reduced, which is one of feature compression.
  • the calculation unit 13 of the signal processing apparatus 10 according to the present embodiment may perform such feature amount compression.
  • a graph showing an example in which a parametric model of machine learning is applied to the signal processing device 10 according to the present embodiment is expressed as shown in FIG.
  • Parametric models are methods of estimating parameters from a training data set.
  • PCA principal component analysis
  • the P1 area 101 shown in the figure is in the normal state and in the stopped state
  • the P2 area 102 is in the normal state and in the operating state
  • the P3 area 103 is in the abnormal state (with leak).
  • a graph showing an example in which a nonparametric model of machine learning is applied to the signal processing device 10 according to the present embodiment is represented as shown in FIG.
  • a nonparametric model is one that makes no assumptions about parameters, is not characterized by a fixed parameter set, and the number of parameters changes with the training data set.
  • the output of a composite sensor that measures the pressure and flow rate at a certain nozzle upstream is machine-learned by a k-nearestory classifier.
  • the P10 area 110 shown in the figure is in the stop state
  • the P11 area 111 is in the normal operation state
  • the P12 area 112 is in the overload operation state.
  • multilayer perceptron can be used as an example in a neural network. That is, the class labels of the numbers are learned by the MLP, and the parameters obtained as a result of learning are stored in the memory 12 of the edge (the signal processing device 10). The image data to be measured is converted into a gray scale image, the part related to the number is extracted, the class label is determined by MLP, and only the class label is transmitted to the upper apparatus 40. If the number of pixels in the extraction unit is 28, for example, the data can be compressed approximately 5000 times.
  • the signal processing apparatus 10 compresses the time-series data and the memory 12 for storing time-series data of physical quantities detected in time series by the sensor element 11 or the measuring instrument 1.
  • the calculation unit 13 includes a communication unit 14 that transmits the calculation result of the calculation unit 13 to the upper device by narrowband wireless communication.
  • operation unit 13 may perform at least one of primary side cleansing, which is a cleansing process for time series data, and feature quantity extraction for extracting a representative value representing a feature of time series data. .
  • the operation unit 13 may exclude a value greatly deviated from other values in the statistics, or a value exceeding the signal level or signal range of the significant signal.
  • the calculating part 13 may implement the adjustment statistics calculation which calculates a statistics value using the time series data after removing an outlier.
  • the operation unit 13 deletes only the necessary number of data from both sides or one side of the sorted data, and calculates arithmetic mean, geometric mean, harmonic mean, maximum, minimum, range, At least one of standard deviation and variance may be calculated.
  • the operation unit 13 deletes only the necessary number of data from both sides or one side of the data after sorting, and replaces the minimum value and the maximum value after deletion with the effective values after deletion.
  • at least one of arithmetic mean, geometric mean, harmonic mean, maximum, minimum, range, standard deviation, and variance may be calculated.
  • the computing unit 13 may change the necessary number according to the characteristics of the sensor value or the sensing value or the state of the disturbance noise.
  • the operation unit 13 may adaptively extract multivariate analysis, artificial intelligence, or machine learning as a representative value or determination value representing a feature of time-series data.
  • operation unit 13 extracts the state determination value of the parameter estimated by the parametric model or the nonparametric model, and communication unit 14 transmits only the state determination value extracted by operation unit 13 to the upper apparatus. Good.
  • the computing unit 13 may determine the class label by a neural network such as a multilayer perceptron, and the communication unit 14 may transmit only the class label determined by the computing unit 13 to the higher-level device.
  • a neural network such as a multilayer perceptron
  • the wireless sensor network system is a wireless sensor network system including the signal processing device 10 and the upper side device 40 that receives data from the signal processing device 10 via the narrow band wireless communication.
  • the memory 12 stores the time-series data of physical quantities detected by the sensor element 11 or the measuring device 1 in time series, the operation unit 13 which compresses the time-series data, and the operation unit 13 And a communication unit that transmits the calculation result to the upper device by narrowband wireless communication.
  • a plurality of signal processing devices 10 are installed on the monitored object, and each signal processing device 10 transmits the detected data to the gateway 20 via the narrowband communication network 21, and the gateway 20 transmits the detected data to the signal processing device 10.
  • Data transmitted from the gateway 20 may be transmitted to the upper apparatus 40 via the broadband communication network 22, and the upper apparatus 40 may detect the presence or absence of an abnormality of the monitored object based on the data received from the gateway 20.
  • each signal processing device 10 may be provided with a relay routing function for transferring data transmitted from another signal processing device 10 to the gateway 20.
  • each signal processing device 10 may have an ad hoc function for directly communicating with each other.
  • the communication unit 14 of the signal processing apparatus 10 communicates with the upper device 40 by narrowband wireless communication, but it is not limited whether wireless communication or wired communication is performed. . That is, as long as the communication unit 14 of the signal processing apparatus 10 communicates with the upper apparatus 40 by narrowband communication, the technical idea of the present embodiment is included.
  • the upper side apparatus 40 may be an apparatus (an apparatus to which data is to be transmitted) disposed on the upper side with respect to the signal processing apparatus 10.
  • a signal processing device capable of transmitting feature amounts of eligible data even when the communication band is limited. can do.
  • the sensor network system of the present embodiment is applicable to monitoring of various plant facilities such as devices, utilities, and factory infrastructure, and infrastructure monitoring for various structures such as bridges, roads, railways, buildings, and the like. Furthermore, it is not limited to them, air pollution, forest fire, wine making quality control, care of children and carers who play outdoors, care of people doing sports, detection of smartphones, nuclear power plants and defense facilities Access control to areas, radiation level detection at nuclear power plants, electromagnetic field intensity level control, traffic congestion status such as traffic congestion, smart roads, smart lighting, high-performance shopping, noise environment maps, high efficiency of ships Applicable to various fields such as shipment, water quality management, waste disposal management, smart parking, golf course management, water and gas leakage management, autonomous operation management, efficient infrastructure placement and management in urban areas, and farms is there.
  • the signal processing apparatus is applicable to various fields such as sensor nodes, sensing nodes, and AI chips used in such a sensor network system.
  • measuring instrument 10 signal processing device (edge in a narrow sense) 11: Sensor element 12: Memory (storage unit) 12B ... bottom area 12T ... top area 12M ... middle area 13 ... arithmetic unit 14 ... communication unit 15 ... power supply 16 ...

Abstract

信号処理装置（１０）は、センサ素子（１１）もしくは測定器（１）によって時系列的に検知された物理量の時系列データを記憶するメモリ（１２）と、時系列データを圧縮する演算部（１３）と、演算部（１３）の演算結果を狭帯域無線通信により上位側装置に送信する通信部（１４）とを備える。

Description

信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法
　本実施形態は、信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法に関する。
　ＩｏＴセンサ化が進む中、センサの出力データ量は膨大となっており、通信量が増大しつつある。複数のセンサを常時動作させている状況では、使用する通信電力の確保や通信コストなどが問題となることもある。
　ＩｏＴセンサは、ワイヤレスセンサネットワークなどを用いて接続される。ワイヤレスセンサネットワークとは、多数の無線センサを配置して情報を収集するためのネットワークである。ワイヤレスセンサネットワークでは、ＺｉｇＢｅｅ，ＥｎＯｃｅａｎ，Ｗｉ－ＳＵＮ，ＢＬＥ他、ＳＩＧＦＯＸ，ＬｏＲａ，Ｗｉ－Ｆｉ Ｈａｌｏｗ，ＲＰＭＡ，Ｆｌｅｘｎｅｔ，ＮＢ－ＩｏＴなどの通信方式が使用される。
特開２０１０－１９８５９５号公報 特開２０１４－１５３２５６号公報
　ワイヤレスセンサネットワークでは、通信帯域が非常に制限されており、データをそのまま送信することは困難である。そのため、通常のＩｏＴセンサでは、送信間隔が間欠的（１分毎～１時間毎程度）であり、送信間の状況が分からないといった問題がある。これに対し、普通に平均値処理などを行うと、稀に発生する外れ値によって大きく平均値が影響を受けるといった問題が生じる。さらに、送信間のデータの特徴量として、最大値や最小値、標準偏差値などが有用ではあるが、これらは平均値以上に外れ値の影響を強く受けてしまい、そのまま送信しても現実的には意味のないデータ（ノイズを含む外れ値）を送信することになる。
　本実施の形態は、通信帯域が制限されている場合でも適格なデータの特徴量を送信することができる信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法を提供する。
　本実施の形態の一態様によれば、センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶部と、前記時系列データに対するクレンジング処理である１次側クレンジングと、前記時系列データを圧縮する演算部と、前記演算部の演算結果を狭帯域無線通信により上位側装置に送信する通信部とを備える信号処理装置が提供される。
　本実施の形態の他の態様によれば、信号処理装置と、前記信号処理装置からのデータを狭帯域無線通信を介して受信する上位側装置とを備えるワイヤレスセンサネットワークシステムであって、前記信号処理装置が、センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶部と、前記時系列データを圧縮する演算部と、前記演算部の演算結果を狭帯域無線通信により上位側装置に送信する通信部とを備えるワイヤレスセンサネットワークシステムが提供される。
　本実施の形態の他の態様によれば、センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶ステップと、前記時系列データを圧縮する演算ステップと、前記演算ステップの演算結果を狭帯域無線通信により上位側装置に送信する通信ステップとを有する信号処理方法が提供される。
　本実施の形態によれば、通信帯域が制限されている場合でも適格なデータの特徴量を送信することができる信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法を提供することができる。
本実施の形態に係るワイヤレスセンサネットワークシステムの概要を示す模式的構成図。 本実施の形態に係るワイヤレスセンサネットワークシステムの具体例を示す模式的構成図。 本実施の形態に係る信号処理装置のハードウェア構成例を示す模式的構成図。 本実施の形態に係る信号処理装置の別のハードウェア構成例を示す模式的構成図。 本実施の形態に係る信号処理装置が実施する調整統計演算の説明図であり、（ａ）ソート前の状態、（ｂ）ソート後の状態、（ｃ）削除後の状態、（ｄ）ウィンザライズド統計の場合。 本実施の形態に係るワイヤレスセンサネットワークシステムの動作例を示すフローチャートであり、（ａ）信号処理装置側で実施される測定・演算・送信フロー、（ｂ）上位側装置側で実施される受信・演算フロー。 外れ値対策を行った場合の効果を示すグラフ。 一般的なＩｏＴセンサから送信された出力信号を示す波形図。 本実施の形態に係る信号処理装置から送信された出力信号を示す波形図。 本実施の形態に係る信号処理装置が実施する１次側クレンジングの効果を説明するためのグラフであり、（ａ）１次側クレンジングを実施しなかった場合、（ｂ）１次側クレンジングを実施した場合。 本実施の形態に係る信号処理装置が実施する１次側クレンジングの効果を説明するための別のグラフであり、（ａ）１次側クレンジングを実施しなかった場合、（ｂ）１次側クレンジングを実施した場合。 一般的なＩｏＴセンサから送信されたセンサ信号を上位側装置側で受信した場合の受信信号を示す波形図であり、（ａ）送信周期が５秒毎である場合、（ｂ）送信周期が１分毎である場合、（ｃ）送信周期が３分毎である場合、（ｄ）送信周期が１０分毎である場合。 本実施の形態に係る信号処理装置から送信されたセンサ信号を上位側装置側で受信した場合の受信信号を示す波形図であり、（ａ）送信周期が５秒毎である場合、（ｂ）送信周期が１分毎である場合、（ｃ）送信周期が３分毎である場合、（ｄ）送信周期が１０分毎である場合。 信号処理装置の適用場面を比較するための概念図であり、（ａ）比較例１、（ｂ）比較例２（本実施の一形態）、（ｃ）比較例３、（ｄ）本実施の主形態。 本実施の形態に係る信号処理装置によって検知される事象のバリエーションを示す説明図。 本実施の形態に係る信号処理装置に機械学習のパラメトリックモデルを適応した例を示すグラフ。 本実施の形態に係る信号処理装置に機械学習のノンパラメトリックモデルを適応した例を示すグラフ。
　次に、図面を参照して、実施の形態を説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。また、以下の実施の形態は、技術的思想を具体化するための装置や方法を例示するものであって、装置の構成や配置、データの種類などを下記のものに特定するものでない。この実施の形態は、特許請求の範囲において、種々の変更を加えることができる。
　（用語）
　まず、本実施の形態における用語について説明する。
　エッジ（狭義のエッジ）は、クラウドの対局としての広義のエッジ（狭義のエッジに加えて、ゲートウェイやエッジサーバ、ＩｏＴルータなどを含む概念）ではなく、実質的な端という意味の狭義のエッジである。すなわち、物理世界（Physical）と仮想世界（Cyber）との境界や、仮想世界の端（より物理世界に近い領域）を意味する。一般には、このエッジにおいて現実世界の物理量がセンサ等によりセンシングされ、電気信号に変換され、更にデジタルデータに変換されることで、これ以降が仮想世界でのデータハンドリングとなる。特に、ＩｏＴ領域でのエッジの上位側には、通信帯域の制限が大きいＦＡＮが配置される。
　ＦＡＮ（Field Area Network）の用語は、広義の近距離通信の意味で使用する。本実施の形態におけるＦＡＮには、宅内ネットワーク（ＨＡＮ：Home Area Network）と宅外ネットワーク（狭義のＦＡＮ：Field Area Network）の両方が含まれるものとする。無線通信であるか有線通信であるかは問わないが、ここでは、ＺｉｇＢｅｅ，ＥｎＯｃｅａｎ，Ｗｉ－ＳＵＮ，ＢＬＥ他、ＳＩＧＦＯＸ，ＬｏＲａ，Ｗｉ－Ｆｉ Ｈａｌｏｗ，ＲＰＭＡ，Ｆｌｅｘｎｅｔ，ＮＢ－ＩｏＴなどの狭帯域無線通信である場合を想定して説明する。
　外れ値とは、統計において他の値から大きく外れた値である。また、有意信号の信号レベルもしくは信号範囲を超えるノイズも外れ値として分類できる。ＩｏＴにおいて多用される統計分析・多変量解析・人工知能・機械学習などのデータ分析手法において、この外れ値は分析結果や予測の精度に大きな悪影響を与えるため、ロバスト推定もしくはロバスト統計といわれるような数学的手法を用いて、“クレンジングと呼称されるデータ分析の前処理”により除外される。
　１次側クレンジングとは、ＦＡＮの1次側、すなわちエッジ側で実施されるクレンジング処理である。一般的には、クレンジングは、演算量が多い複雑な演算と大量のメモリを要求するため、よりリソースが潤沢な“狭義のエッジを除く広義のエッジ”もしくは上位にて実行される。ここでは事例としてクラウドを挙げているが、スタンドアローンＰＣやオンプレミスサーバなども「上位」に該当する。以下、このような上位側の装置を「上位側装置４０」と呼ぶことにする（図１参照）。
　調整統計演算とは、トリム平均（Trimmed mean、刈込平均、調整平均）・ウィンザライズド平均（Winsorized mean）などと同様に、極端なデータを除外するためにデータをソートした後、両側から必要数のみのデータを削除（調整）して、相加平均・相乗平均・調和平均・最大・最小・レンジ・標準偏差・分散といった統計量を作出することである。ウィンザライズド統計の場合は、調整後の最小・最大値を削除する値と置き換えることで上記と同様の統計値や特徴量を算出する。また、調整統計演算で得られた代表値を「調整統計量」とする。
　特徴量抽出とは、センサ等により得られるデータ（もしくはその計算値）の特徴を表す代表値もしくは判定値を抽出することである。具体的には、調整統計量、すなわち、相加平均・相乗平均・調和平均・最大・最小・レンジ・標準偏差・分散といった統計量が特徴量の一例となる。センサ等により得られるデータを計算により調整統計量に変換することを「特徴量演算」という。また、特徴量抽出を行った場合、通信的な観点で見ると、元のデータ系列に対し、よりデータ量が少ない代表値のみを採用し転送することから、一種の非可逆圧縮すなわちデータ圧縮とみなすことができる。これを「特徴量圧縮（Feature Compressing）」とも表現する。
　（ワイヤレスセンサネットワークシステムの概要）
　本実施の形態に係るワイヤレスセンサネットワークシステムの概要を示す模式的構成は、図１に示すように表される。このワイヤレスセンサネットワークシステムは、図１に示すように、物理世界（Physical）にある多様なデータをセンサネットワークで収集し、仮想世界（Cyber）で大規模データ処理技術等を駆使して分析／知識化を行い、そこで創出した情報／価値によって、産業の活性化や社会問題の解決を図っていくサイバーフィジカルシステム（Cyber-Physical System：CPS）の一部である。具体的には、エッジ（狭義のエッジ）に配置された信号処理装置１０が狭帯域通信網２１と広帯域通信網２２を介してクラウドなどの上位側装置４０に接続されている。狭帯域通信網２１と広帯域通信網２２との間にはゲートウェイ２０が配置され、広義のエッジにはエッジサーバ３０なども配置されている。装置間を繋ぐ細い線は低速通信で接続されていることを意味し、太い線は高速通信で接続されていることを意味している。
　信号処理装置１０は、周囲の物理量などを時系列的に検知するためのセンサ素子や、センサ素子によって検知されたデータ、測定器などによって検出されたデータやその演算結果などを送信する通信部を備える。信号処理装置１０は、データを一時的に記憶するメモリなども備えるが、詳細については後述する。信号処理装置１０とゲートウェイ２０との間の通信には、ＺｉｇＢｅｅ、ＥｎＯｃｅａｎ、Ｗｉ－ＳＵＮ、ＢＬＥ（Bluetooth Low Energy）などが使用される。
　ゲートウェイ２０は、通信規約（プロトコル）が異なる二者間（例えば、ＺｉｇＢｅｅとＷｉ－Ｆｉ）やネットワーク間の通信を中継する機器やソフトウェア、システムであり、双方のプロトコルの違いに対応できるものである。具体的には、ゲートウェイ２０は、信号処理装置１０から送信されたデータを受信し、受信したデータを上位側装置４０に送信する。また、ゲートウェイ２０は、信号処理装置１０に対する制御命令や設定情報などを上位側装置４０から受信する。さらに、ゲートウェイ２０は、信号処理装置１０から送信されたデータを単に中継するだけでなく、受信したデータを記憶したり演算したりする機能を備えていてもよい。ゲートウェイ２０と上位側装置４０との間の通信には、Ｗｉ－Ｆｉ、３Ｇ／ＬＴＥ、有線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などが使用される。
　（ワイヤレスセンサネットワークシステムの具体例）
　本実施の形態に係るワイヤレスセンサネットワークシステムの具体例を示す模式的構成は、図２に示すように表される。ここでは、多数の信号処理装置１０が屋内の装置群（装置、ユーティリティ、インフラ等）や屋外の建造物（橋梁、道路、鉄道、ビルディング等）に設置されている場合を例示している。信号処理装置１０とゲートウェイ２０との間には、通信帯域の制限が大きいＦＡＮが配置されているものとする。ゲートウェイ２０は、信号処理装置１０から受信したデータをインターネット５０を介して上位側装置４０に送信する。これにより、上位側装置４０は、ゲートウェイ２０から受信したデータに基づいて、監視対象物である装置群や建造物の異常の有無を検知することが可能である。
　なお、各信号処理装置１０は、他の信号処理装置１０から送信されたデータをゲートウェイ２０へ転送するための中継ルーティング機能を備えていてもよい。また、各信号処理装置１０は、互いに直接通信するためのアドホック機能を備えていてもよい。さらに、センサネットワークを構成する複数の信号処理装置１０は、ツリー型のネットワークを構成していてもよいし、メッシュ型のネットワークを構成していてもよい。
　（信号処理装置のハードウェア構成例１）
　本実施の形態に係る信号処理装置１０のハードウェア構成例は、図３に示すように表される。図３に示すように、本実施の形態に係る信号処理装置１０は、照度・音・加速度・傾斜などを検知するセンサエッジ（センサノード）であって、センサ素子１１と、メモリ１２と、演算部１３と、通信部１４と、電源１５とを備える。
　センサ素子１１は、監視対象物の物理量を時系列的に検知する。センサ素子１１の種類は特に限定されず、いかなる物理量を検知するセンサ素子でも適用可能である。例えば、加速度センサ、ジャイロセンサ、音響センサ（マイクなど）の他、磁気センサ、電界センサ、電流センサ、電圧センサ、圧力センサ、流量センサ、温度センサ、照度センサ、湿度センサなど、様々なセンサをセンサ素子１１として用いることができる。本実施の形態では、センサ素子１１を間欠動作させるのでなく常時動作させるようにしているため、物理量を常時検知しなければならない用途に好適である。図３では、信号処理装置１０内に１個のセンサ素子１１しか示していないが、信号処理装置１０は、複数個のセンサ素子１１を備えていてもよい。
　センサ素子１１によって時系列的に検知された物理量（以下、「時系列データ」という。）は、メモリ１２に一時的に記憶される。センサ素子１１がアナログ信号を出力するように構成されている場合、センサ素子１１の出力信号は、アナログフィルタ（不図示）によってフィルタ処理され、Ａ／Ｄ（Analog to Digital）コンバータ（不図示）によってデジタルデータに変換された後、メモリ１２に記憶される。
　演算部１３は、メモリ１２に記憶された時系列データを用いて各種の演算を実施する。例えば、時系列データに対する１次側クレンジング、代表値算出、調整統計演算などを実施する。このような演算部１３は、ＣＰＵ（Central Processing Unit）で構成される。メモリ１２やその他の周辺装置（不図示）とともに、ＭＣＵ（マイクロコントローラ：Micro Control Unit）として構成されてもよい。
　通信部１４は、演算部１３の演算結果を狭帯域無線通信により上位側装置４０に送信する通信モジュールである。この無線通信には、前述のＷｉ－ＳＵＮ等の通信方式が使用される。
　電源１５は、信号処理装置１０を構成する各要素１１，１２，１３，１４に駆動電圧を供給する。信号処理装置１０は、外部から電源供給を受けずに、内部の電源１５のみによって動作するように構成されているのが望ましい。例えば、電源１５は、太陽電池と蓄電池によって構成されていてもよい。この場合、太陽電池の発電電力によって蓄電池が充電され、蓄電池の出力電圧によって信号処理装置１０を構成する各要素１１，１２，１３，１４が駆動される。蓄電池の代わりにスーパーキャパシタ等も使用される。
　（信号処理装置のハードウェア構成例２）
　本実施の形態に係る信号処理装置１０の別のハードウェア構成例は、図４に示すように表される。図４に示すように、本実施の形態に係る信号処理装置１０は、測定器１からの外部信号を受信するセンシングエッジ（センシングノード）であって、ＡＤＣ１６と、メモリ１２と、演算部１３と、通信部１４と、電源１５とを備える。測定器１は、監視対象物の物理量を時系列的に測定する機器である。測定器１は、図示しないセンサ素子を備え、このセンサ素子がアナログ信号を出力しているものとする。信号処理装置１０側のＡＤＣ１６は、測定器１から出力されるアナログ信号をデジタル信号に変換するようになっている。その他の各要素１２，１３，１４については図３と同様である。なお、本構成例はセンシングエッジであるが、このセンシングエッジも、本実施の形態に係る信号処理装置１０の一例であり、本実施の形態に係るワイヤレスセンサネットワークシステムの構成要件に含まれるものとする。
　（調整統計演算）
　本実施の形態に係る信号処理装置１０が実施する調整統計演算は、図５に示すように表される。まず、信号処理装置１０の演算部１３は、図５（ａ）に示すように、センサ素子１１によって検知された時系列データをメモリ１２に記憶する。時系列データは、一般には等間隔でサンプリングされるデータではあるが、不等間隔で取得されたデータでも問題ない。次いで、図５（ｂ）に示すように、メモリ１２に記憶された時系列データを値の小さい順（または大きい順）にソートする。次いで、図５（ｃ）に示すように、メモリ１２における所定のボトム領域１２Ｂおよびトップ領域１２Ｔを削除し、ミドル領域１２Ｍに記憶されたデータのみを取り出して、相加平均・相乗平均・調和平均・最大・最小・レンジ・標準偏差・分散といった各種の統計演算を実施する。ウィンザライズド統計の場合は、図５（ｄ）に示すように、ミドル領域１２Ｍの最小値をボトム領域１２Ｂにコピーするとともに、ミドル領域１２Ｍの最大値をトップ領域１２Ｔにコピーして、ボトム領域１２Ｂ・ミドル領域１２Ｍ・トップ領域１２Ｔの全体からデータを取り出して各種の統計演算を実施する。
　なお、ここでは、ボトム領域１２Ｂおよびトップ領域１２Ｔから必要数のデータを削除する場合を例示しているが、この必要数は適宜変更することが可能である。すなわち、演算部１３は、外れ値処理を全くしない場合から非常に強くする場合まで、外れ値処理の強弱の度合いをセンサ値またはセンシング値の特性または外乱ノイズの状態などに応じて適宜変更するのが望ましい。もちろん、外れ値処理を全くしない場合とは、必要数が「０」の場合を意味する。外れ値処理の強弱の度合いを決定するパラメータは、信号処理装置１０に予め設定されていてもよいし、ゲートウェイ２０や上位側装置４０から設定情報として受信してもよい。
　（動作例）
　本実施の形態に係るワイヤレスセンサネットワークシステムの動作例は、図６に示すように表される。図６（ａ）は、信号処理装置１０側で実施される測定・演算・送信フローを示し、図６（ｂ）は、上位側装置４０側で実施される受信・演算フローを示している。
　以下、図６（ａ）に従って、信号処理装置１０側で実施される測定・演算・送信フローについて説明する。まず、信号処理装置１０の演算部１３は、測定処理を実施するかどうか判定を行い、実施すると判定した場合はセンサ素子１１によって検知されたデータを取り込む（ステップＳ１→Ｓ２）。このような測定実施判定は、タイマ駆動で行うようにしてもよい（一般的には準周期毎に取り込む）。次いで、取り込んだデータをメモリ１２に記憶し、送信処理を実施するかどうか判定を行う（ステップＳ３→Ｓ４）。このような送信実施判定は、タイマ駆動によって行うようにしてもよい（一般的には一定周期毎に送信処理を実施する）。次いで、送信処理を実施すると判定した場合は、調整統計量を演算し、特徴量演算を実施する（ステップＳ４→Ｓ５→Ｓ６）。ステップＳ５とＳ６は、少なくとも一方を実施すればよい。次いで、ＥＥＰ（ＥｎＯｃｅａｎ）やＥＣＨＯＮＥＴ　Ｌｉｔｅ（Ｗｉ－ＳＵＮ）などの通信プロトコルに変換し、通信モジュールである通信部１４に伝達し、通信部１４によって外部に送信する（ステップＳ７→Ｓ８→Ｓ９）。以降は、次の測定処理について同様の動作を繰り返す（ステップＳ１→・・・）。
　以下、図６（ｂ）に従って、上位側装置４０側で実施される受信・演算フローについて説明する。この受信・演算フローは、エッジサーバ（ルータ）３０で実施される場合もある。まず、上位側装置４０は、データを受信すると、そのデータをイベントドリブンで取り込んでメモリに記憶し、次の受信処理について同様の動作を繰り返す（ステップＳ１１→Ｓ１２→Ｓ１１→・・・）。また、このようなメモリストアとは非同期にメモリからデータを読み出し、演算条件を満たしているかどうか判定を行う（ステップＳ１３）。演算条件とは、例えば、データ数や集計周期時間などであるが、詳細については後述する。次いで、演算条件を満たしていると判定した場合は、調整統計量を演算し、特徴量演算を実施する（ステップＳ１３→Ｓ１４→Ｓ１５）。ステップＳ１４とＳ１５は、少なくとも一方を実施すればよい。最後に、ＪＳＯＮやＸＭＬなどのデータフォーマットに変換し、外部にデータを送信する（ステップＳ１６→Ｓ１７）。図６（ｂ）に示される受信・演算フローをクラウドなど上位で実施する場合、ステップＳ１７のデータ送信は、データ保存やデータ分析などであってもよい。
　なお、本実施の形態では、下位側にＦＡＮ（ネットワーク）が存在するため、ステップＳ１３でいう演算条件は、受信したデータ数もしくは上位側の設定による集計周期時間となる。ただし、ネットワーク越しにデータを受信するため、同じ周期内に受信するデータ数はネットワーク通信の状況に依存する。受信周期（エッジから見た場合、送信周期）は、下位側であるエッジの送信周期に加え、通信環境などに左右され、制御できるものではない。すなわち、通信環境は、多局の通信との干渉・ノイズが多い場合や、再送処理が行われる場合などがあるため、周期性が緩む。
　下位側においては、ステップＳ１３の「演算条件判定」に相当するところは、ステップＳ４の「送信実施判定」になる。下位側では、送信する前に演算するという形をとるため、ステップＳ４の「送信実施判定」とステップＳ１３の「演算条件判定」が等価になる。ステップＳ４の「送信実施判定」は、センサから「データ取込」した回数で動かすことがあるが、より一般的には、エッジの送信周期が規定されており、その送信周期（ここでは「送信実施判定」のタイマ駆動が該当する。）である。エッジの送信周期（２０秒毎送信、１分毎送信、１時間前送信など）は、プログラムの構成にも依存するものの、データの取り込み周期そのものとなるため、通常は、より厳密な周期が得られるように制御される。
　デジタル出力を持つセンサ側が一定周期でデータを取得して結果を受け渡す場合、結果的には、このセンサ内周期が送信周期になり、センサのスペックなどに依存するため、自由に送信周期が決められないことが多い。特にＦＡＮで使用されることが多い、比較的長い周期の送信（例えば、１分毎送信や１時間毎送信など）では、センサ内部メモリの容量上限の関係で、この手法は直接使用できないことが多い。
　以上のように、本実施の形態に係る信号処理装置１０は、ワイヤレスセンサネットワークシステムで用いられるセンサノードもしくはセンシングノードであって、時系列データを調整統計演算し、時系列データの単独もしくは複数の特徴量を抽出し、抽出した特徴量を外部に送信する。これにより、外れ値を効率的に除外することができ、最大・最小・レンジ・標準偏差・分散といった外れ値の影響が非常に強い統計量を始め、相加平均・相乗平均・調和平均といった統計量に関しても外れ値の影響を除外したデータを送信することができる。
　ワイヤレスセンサネットワークでは、通信帯域が非常に制限されており、データをそのまま送信することは困難であるものの、これらの統計量を用いた特徴量のみをデータ送信することで大幅にデータを圧縮することが可能となり、現実的な通信が可能となる。この際に代表値のみを送信するため、直接外れ値の影響を受けることになるが、送信前に調整統計演算によって外れ値の影響を除外することにより、適格なデータの特徴量を送信することができる。
　クラウドなど上位側では、通常、外れ値除外のために、スミルノフ・グラブス検定（再帰的ｔ検定）・トンプソン検定・マハラノビス距離・Ｍ推定・人工知能推定などの手法でクレンジング処理が必要である。本実施の形態では、エッジ側で１次のクレンジング処理が行われることとなり、上位側のクレンジング負荷が低減される利点もある。
　（外れ値対策）
　次に、図７～図９を参照しながら、外れ値対策について説明する。既に説明したように、外れ値（Outlier）は、統計において他の値から大きく外れた値であり、統計解析やＡＩ判定の結果を大きく乱す要因となる。
　外れ値対策を行った場合の効果を示すグラフは、図７に示すように表される。ここでは、相関検出の手法として最小二乗法を用いた場合を例示している。図７に示すように、グラフ上にプロットされた測定値の全値による推定を行った場合、推定相関６２は、外れ値６１の影響を受け、測定値の分布に沿っていない。一方、外れ値６１を除いた推定を行った場合、推定相関６３は、外れ値６１の影響が抑制され、測定値の分布に沿ったものとなっている。
　クラウドなど上位側では、外れ値や異常値を除外・補正・補間するためにクレンジング処理を実施する。一般に、上位側で実施されるクレンジング処理は、スミルノフ・グラブス検定（再帰的ｔ検定）、トンプソン検定、マハラノビス距離、Ｍ推定、人工知能などのロバスト推定・統計（Robust Estimation or Statistics）であるが、ロバスト推定・統計は、大量のメモリと演算が必要であり、エッジで実施するのは難しい。本実施の形態に係る信号処理装置１０は、ロバスト推定・統計ではなく調整統計演算を実施するようにしているため、メモリ１２の容量や演算部１３の演算能力が貧弱であっても、外れ値の影響を抑制することが可能である。
　一般的なＩｏＴセンサから送信された出力信号を示す波形例は、図８に示すように表され、本実施の形態に係る信号処理装置１０から送信された出力信号を示す波形例は、図９に示すように表される。図８は、外れ値対策を行っていない場合を示し、図９は、外れ値対策を行った場合を示している。横軸は経過時間を示し、縦軸は信号強度を示している。図８に示すように、外れ値対策を行っていない場合の最大値７１は、外れ値の影響を受けて区間ごとに大きく変動しているのに対して、図９に示すように、外れ値対策を行った場合の最大値８１は、外れ値の影響が抑制されて全区間でほぼ一定の値となっている。また、経過時間２００秒～２５０秒の区間に着目すると、図８に示すように、外れ値対策を行っていない場合の平均値７３は、経過時間２３０秒付近で発生した大きな外れ値の影響を受けてプラスの値になっているのに対して、図９に示すように、外れ値対策を行った場合の平均値８３は、このような大きな外れ値の影響が抑制されて、波形と比較し妥当なマイナスの値になっている。さらに、図８に示すように、外れ値対策を行っていない場合の最小値７２は、外れ値の影響を受けて「－４」程度の値になっているのに対して、図９に示すように、外れ値対策を行った場合の最小値８２は、外れ値の影響が抑制されて「－２」程度の値になっている。このように、最大値や最小値は外れ値の影響が強く、平均値も影響を受けやすい。外れ値対策を行えば、外れ値の影響が抑制され、安定した検知が可能である。
　なお、本事例では、最大値８１に比べて最小値８２のクレンジング強度を強く設定している。すなわち、前述の必要数は、最大値８１に比べて最小値８２の方が大きい。その結果、最大値８１に比べて最小値８２の方が多く外れ値が除外されている。
　（１次側クレンジングの効果）
　次に、図１０および図１１を参照しながら、１次側クレンジングの効果について説明する。
　本実施の形態に係る信号処理装置１０が実施する１次側クレンジングの効果を説明するためのグラフは、図１０に示すように表される。図１０（ａ）は、１次側クレンジングを実施しなかった場合を示し、図１０（ｂ）は、１次側クレンジングを実施した場合を示している。横軸は経過時間を示し、縦軸は相対湿度を示している。図１０（ａ）に示すように、一般的な信号伝達にはスパイク的な信号やノイズ（線の太さとして現われている）が含まれるが、図１０（ｂ）に示すように、信号処理装置１０において１次側クレンジングを実施すれば、スパイク的な信号やノイズ（線の太さが減少）が除外されている。
　本実施の形態に係る信号処理装置１０が実施する１次側クレンジングの効果を説明するための別のグラフは、図１１に示すように表される。図１１（ａ）は、１次側クレンジングを実施しなかった場合を示し、図１１（ｂ）は、１次側クレンジングを実施した場合を示している。ここでも、図１０の場合と同じ型番のセンサ素子１１を用いているが、センサ素子１１には個体差があるため、図１０とは外れ値やノイズの発生状況が異なる波形となっている。この場合でも、図１１（ｂ）に示すように、信号処理装置１０において１次側クレンジングを実施すれば、スパイク的な信号が除外されている。すなわち、センサ素子１１の外れ値やノイズに関する個体差も吸収することが可能である（図１０（ｂ）、図１１（ｂ）参照）。
　（特徴量圧縮の効果）
　次に、図１２および図１３を参照しながら、特徴量圧縮の効果について説明する。
　一般的なＩｏＴセンサから送信されたセンサ信号を上位側装置４０側で受信した場合の受信信号を示す波形例は、図１２に示すように表される。図１２（ａ）は、送信周期が５秒毎である場合、図１２（ｂ）は、送信周期が１分毎である場合、図１２（ｃ）は、送信周期が３分毎である場合、図１２（ｄ）は、送信周期が１０分毎である場合を示している。横軸は経過時間を示し、縦軸は騒音レベルを示している。図１２に示すように、深夜帯でも日中でも騒音レベルの信号強度は連続的に変動しているが、送信周期を長くすると特徴が失われてしまう。
　本実施の形態に係る信号処理装置１０から送信されたセンサ信号を上位側装置４０側で受信した場合の受信信号を示す波形例は、図１３に示すように表される。図１２と同じく、図１３（ａ）は、送信周期が５秒毎である場合、図１３（ｂ）は、送信周期が１分毎である場合、図１３（ｃ）は、送信周期が３分毎である場合、図１３（ｄ）は、送信周期が１０分毎である場合を示している。図１３のグラフには３本の線が含まれるが、この３本の線は、調整統計量のうち３つの代表値（概念としては、最大値・平均値・最小値に近い値）を示している。既に説明したように、本実施の形態に係る信号処理装置１０は、センサ素子１１を常時（もしくは送信周期より短い周期で）動作させてデータ取得や調整統計演算を実施している。そのため、図１３に示すように、送信周期を長くしても特徴が失われにくく、異常検知に適している。また、大幅にデータ量を削減しても特徴量は残るため、情報伝達のスケーラビリティおよびデータ量削減の効果が高い。
　（適用場面の比較）
　信号処理装置１０の適用場面は、図１４に示すように表される。図１４（ａ）は比較例１、図１４（ｂ）は比較例２（本実施の一形態）、図１４（ｃ）は比較例３、図１４（ｄ）は本実施の主形態を示している。ここでは、エッジ‐クラウド間を流れるデータ量に着目しているため、ゲートウェイ２０などの装置は図示していない。図中の矢印の太さはデータ量を意味している。
　まず、図１４（ａ）を参照しながら、比較例１について説明する。比較例１では、高速なブロードバンド通信（例えばＬＴＥ）を使用する場合を想定している。このような場合、通常は、図１４（ａ）に示すように、エッジで多くのデータを取得し、取得したデータの全てをブロードバンド通信によってクラウドに上げ、クラウドでクレンジング処理を実施して必要なデータだけを取り出す。これにより、ＡＩ分析でも使える質の高いデータにすることができる。
　次に、図１４（ｂ）を参照しながら、比較例２について説明する。比較例２でも、高速なブロードバンド通信を使用する場合を想定している。比較例２は、一般にエッジコンピューティングと呼ばれるものであり、図１４（ｂ）に示すように、エッジでクレンジング処理を実施して必要なデータだけを取り出し、ブロードバンド通信によってクラウドに上げる。これにより、比較例１に比べてネットワークを流れるデータ量が削減されるため、（１）接続可能数が増える、（２）帯域を少ししか使わないため通信コストが下がる、（３）クラウド側のＣＰＵ負荷およびその課金が少なくなる、等のメリットがある。
　次に、図１４（ｃ）を参照しながら、比較例３について説明する。比較例３では、低速なナローバンド通信（例えばＦＡＮ）を使用する場合を想定している。このような場合、通常は、図１４（ｃ）に示すように、エッジでデータを間引き、間引いたデータをナローバンド通信によってクラウドに上げ、クラウドでクレンジング処理を実施する。比較例３によれば、エッジでデータを間引くため、クラウドで得られる情報量が少ない。クラウドで本実施の主形態と同じ結果を得るには、例えば１分毎の送信周期である場合、最低でも１０時間程度の時間を要する。
　最後に、図１４（ｄ）を参照しながら、本実施の主形態について説明する。本実施の主形態でも、低速なナローバンド通信を使用する場合を想定している。具体的には、図１４（ｄ）に示すように、エッジでクレンジング処理を実施して必要なデータだけを取り出し、ナローバンド通信によってクラウドに上げる。比較例３のようにデータを単純に間引いているわけではないため、クラウドで得られる重要な情報量は減じていない。もちろん、ネットワークを流れるデータ量が削減されるため、（１）接続可能数が増える、（２）帯域を少ししか使わないため通信コストが下がる、（３）クラウド側のＣＰＵ負荷およびその課金が少なくなる、等のメリットも得られる。
　さらに、本実施の主形態は、比較例２に比べ、ナローバンド通信の手前でデータ量を圧縮することができる点で優れている。一般の通信業界では、ナローバンド通信（狭帯域無線通信）は４００ｋｂｐｓ程度かそれ以下の速度を指す場合が多い。このような低速なナローバンド通信の手前で情報を減ずることなくデータ量を圧縮することは、人感センサや加速度センサなどの多種多様なＩｏＴセンサを用いて大規模なデータ処理を実施するうえで非常に実用的価値が高い。
　図１４においては、上位としてクラウドの事例を挙げているが、その他の上位に該当するスタンドアローンＰＣやオンプレミスサーバなどでも同様の効果が得られる。また、データ圧縮の処理としてクレンジング処理を例示しているが、その他の圧縮手法においても同様の効果が得られる。
　（検知事象のバリエーション）
　本実施の形態に係る信号処理装置１０によって検知される事象の一例は、図１５に示すように表される。図１５に示すように、本実施の形態に係る信号処理装置１０は、湿度、人感センサ、加速度センサ、熱電対、白金抵抗体、ＣＴ（電流）センサ、放射温度計、電力計、トルク／タコメータ、マイク（音センサ）、圧力計、差圧計、測長センサ、水平度センサ、レベルセンサ、流量計、流速計、導電率計、静電気センサ、ひずみゲージ、漏液センサのような多種多様なＦＡセンサなど一般の測定器を用いて、様々な事象を検知することができる。市販のセンサがないＷｉ－ＳＵＮなどにおいても、通常のＩｏＴセンサが未対応の測定を可能とする。
　ここでは、図１５に示すように、入出力（Ｉ／Ｏ）としてアンプ出力、温調器出力、電源線を用い、ワイヤレスネットワークとしてＷｉ－ＳＵＮを用いた場合を例示している。このような場合、例えば、測定器として湿度測定器を用いることにより、結露防止・発酵均一性・カビ等の発生を防止することができる。また、測定器として人感センサを用いることにより、進入禁止／制限区域を監視することができる。また、測定器として加速度センサを用いることにより、振動パターン解析を実施して、モータ／ポンプ異常・組み付け異常を検知することができる。また、測定器として熱電対を用いることにより、オーブン温度分布・冷却水温度・モータ／ポンプ異常・排熱（流速）を検知することができる。また、測定器として白金抵抗体を用いることにより、配管内液体温度・冷蔵／冷凍庫均一性／動作異常を検知することができる。また、測定器としてＣＴ（電流）センサを用いることにより、温調器設定（ＰＩＤ等）異常・断熱不良検知・ヒータ寿命モニタや、ファン異常停止検知・異常過負荷検知を実施することができる。また、測定器として放射温度計を用いることにより、表面温度異常・オーブン出口等での温度モニタ（出来栄え検査）を実施することができる。また、測定器として電力計を用いることにより、電力・力率測定を実施することができる。また、測定器としてトルク／タコメータを用いることにより、モータ／ポンプ異常を検知することができる。また、測定器としてマイク（音センサ）を用いることにより、異常音を検知することができる。また、測定器として圧力計を用いることにより、配管閉塞傾向検知・バルブ動作異常を検知することができる。また、測定器として差圧計を用いることにより、排気量監視（陽圧／陰圧監視：ＨＡＣＣＰ対策）・フィルタ破過検出を実施することができる。また、測定器として測長センサを用いることにより、ストローク確認・クリアランスモニタ・ビビり確認・コンベア異常を検知することができる。また、測定器として水平度センサを用いることにより、安全確認（回転機構等）を実施することができる。また、測定器としてレベルセンサを用いることにより、液面／粉体レベル・配合異常を検知することができる。また、測定器として流量計を用いることにより、流量監視（脈流）・熱量監視（＋熱電対）を実施することができる。また、測定器として流速計を用いることにより、排気監視・ファン異常を検知することができる。また、測定器として導電率計を用いることにより、薬品濃度・水質を検知することができる。また、測定器として静電気センサを用いることにより、静電気測定（粉塵対策）を実施することができる。また、測定器としてひずみゲージを用いることにより、歪み検知・ロードセル（荷重確認）を実施することができる。また、測定器として漏液センサを用いることにより、液体漏洩を検知することができる。
　（人工知能・機械学習での事例）
　次に、本実施の形態に係る信号処理装置１０に多変量解析・人工知能（ＡＩ）・機械学習（ＭＬ）を適応する場合について説明する。例えば、ＡＩ演算を用いる場合は、代表値や調整統計量をＡＩ演算で算出するほか、以下のように状態判定値を用いる場合がある。もともとの複数パラメータを状態として区分することから、データ量が削減できることになり、特徴量圧縮の一つになる。このような特徴量圧縮を本実施の形態に係る信号処理装置１０の演算部１３が実施するようにしてもよい。
　本実施の形態に係る信号処理装置１０に機械学習のパラメトリックモデルを適応した例を示すグラフは、図１６に示すように表される。パラメトリックモデルはトレーニングデータセットからパラメータを推定する方法である。例として、圧力（上流・下流）・流量・温度（上流・下流）を測定する複合センサの出力を多変量解析であるＰＣＡ（主成分解析）を行い、第１主成分および第２主成分に次元削減し、ロジスティック回帰を行った。図中に示されるＰ１エリア１０１は正常状態で停止状態、Ｐ２エリア１０２は正常状態で稼働状態、Ｐ３エリア１０３は異常状態（リークあり）である。この３状態がクラスタ分離されており、データとしては１／４０程度に圧縮できる。例えば５分毎の送信周期である場合、学習速度が図14（ｃ）のクラウドに比べて約６００～３０００倍になる。
　本実施の形態に係る信号処理装置１０に機械学習のノンパラメトリックモデルを適応した例を示すグラフは、図１７に示すように表される。ノンパラメトリックモデルは、パラメータについて前提を設けないものをいい、固定のパラメータ集合で特徴付けられず、トレーニングデータセットと共にパラメータ個数が変化する。例として、あるノズル上流圧力と流量を測定する複合センサの出力をｋ近傍法分類器によって機械学習させた。図中に示されるＰ１０エリア１１０は停止状態、Ｐ１１エリア１１１は通常稼働状態、Ｐ１２エリア１１２は過負荷稼働状態である。この３状態がクラスタ分離されており、データとしては１／１６程度に圧縮できる。例えば１０分毎の送信周期である場合、学習速度が図14（ｃ）のクラウドに比べて約６０００倍になる。
　また、ニューラルネットワークでの例として多層パーセプトロン（ＭＬＰ）を用いることができる。すなわち、ＭＬＰによって数字のクラスラベルを学習させ、学習の結果得られたパラメータをエッジ（信号処理装置１０）のメモリ１２に格納する。測定される画像データをグレースケール画像に変換し、数字に関する部位を抜き出し、ＭＬＰによってクラスラベルを判定し、上位側装置４０にはクラスラベルのみを送信する。抜き出し部のＰｉｘｅｌ数が例えば２８の場合、データとしては約５０００倍に圧縮できる。
　以上のように、本実施の形態に係る信号処理装置１０は、センサ素子１１もしくは測定器１によって時系列的に検知された物理量の時系列データを記憶するメモリ１２と、時系列データを圧縮する演算部１３と、演算部１３の演算結果を狭帯域無線通信により上位側装置に送信する通信部１４とを備える。
　具体的には、演算部１３は、時系列データに対するクレンジング処理である１次側クレンジングと、時系列データの特徴を表す代表値を抽出する特徴量抽出のうちの少なくとも一方を実施してもよい。
　また、演算部１３は、１次側クレンジングとして、統計において他の値から大きく外れた値、または有意信号の信号レベルもしくは信号範囲を超える値を除外してもよい。
　また、演算部１３は、外れ値を除外した後の時系列データを用いて統計値を演算する調整統計演算を実施してもよい。
　また、演算部１３は、時系列データをソートした後、ソート後のデータの両側もしくは片側から必要数のみのデータを削除して、相加平均、相乗平均、調和平均、最大、最小、レンジ、標準偏差、分散のうちの少なくとも１つを演算してもよい。
　また、演算部１３は、時系列データをソートした後、ソート後のデータの両側もしくは片側から必要数のみのデータを削除して、削除後の最小値および最大値を削除後の有効値と置き換えたうえで、相加平均、相乗平均、調和平均、最大、最小、レンジ、標準偏差、分散のうちの少なくとも１つを演算してもよい。
　また、演算部１３は、センサ値またはセンシング値の特性または外乱ノイズの状態に応じて必要数を変更してもよい。
　また、演算部１３は、時系列データの特徴を表す代表値もしくは判定値を多変量解析、人工知能、または機械学習を適応して抽出してもよい。
　また、演算部１３は、パラメトリックモデルまたはノンパラメトリックモデルによって推定したパラメータの状態判定値を抽出し、通信部１４は、演算部１３によって抽出された状態判定値のみを上位側装置に送信してもよい。
　また、演算部１３は、多層パーセプトロンなどのニューラルネットワークによってクラスラベルを判定し、通信部１４は、演算部１３によって判定されたクラスラベルのみを上位側装置に送信してもよい。
　また、本実施の形態に係るワイヤレスセンサネットワークシステムは、信号処理装置１０と、信号処理装置１０からのデータを狭帯域無線通信を介して受信する上位側装置４０とを備えるワイヤレスセンサネットワークシステムであって、信号処理装置１０が、センサ素子１１もしくは測定器１によって時系列的に検知された物理量の時系列データを記憶するメモリ１２と、時系列データを圧縮する演算部１３と、演算部１３の演算結果を狭帯域無線通信により上位側装置４０に送信する通信部１４とを備える。
　また、複数の信号処理装置１０が監視対象物に設置され、各々の信号処理装置１０は、検知したデータを狭帯域通信網２１を介してゲートウェイ２０に送信し、ゲートウェイ２０は、信号処理装置１０から受信したデータを広帯域通信網２２を介して上位側装置４０に送信し、上位側装置４０は、ゲートウェイ２０から受信したデータに基づいて、監視対象物の異常の有無を検知してもよい。
　また、各々の信号処理装置１０は、他の信号処理装置１０から送信されたデータをゲートウェイ２０へ転送するための中継ルーティング機能を備えてもよい。
　また、各々の信号処理装置１０は、互いに直接通信するためのアドホック機能を備えてもよい。
　また、本実施の形態に係る信号処理方法は、センサ素子１１もしくは測定器１によって時系列的に検知された物理量の時系列データを記憶する記憶ステップと、時系列データを圧縮する演算ステップと、演算ステップの演算結果を狭帯域無線通信により上位側装置４０に送信する通信ステップとを有する。
　なお、上記の説明では、信号処理装置１０の通信部１４が狭帯域無線通信により上位側装置４０と通信することとしているが、無線通信であるか有線通信であるかは限定されるものではない。すなわち、信号処理装置１０の通信部１４が狭帯域通信により上位側装置４０と通信する以上、本実施の形態の技術的思想に含まれる。
　また、上記の説明では、上位側装置４０がクラウドに配置されている場合を例示したが、上位側装置４０の配置場所は適宜変更することが可能である。すなわち、上位側装置４０は、信号処理装置１０から見て上位側に配置された装置（データの送信先となる装置）であればよい。
　以上説明したように、本実施の形態によれば、通信帯域が制限されている場合でも適格なデータの特徴量を送信することができる信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法を提供することができる。
　[その他の実施の形態]
　上記のように、実施の形態について記載したが、この開示の一部をなす論述および図面は例示的なものであり、限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例および運用技術が明らかとなろう。
　このように、ここでは記載していない様々な実施の形態などを含む。
　本実施の形態のセンサネットワークシステムは、装置・ユーティリティ・工場インフラ等の各種工場設備のモニタリングや、橋梁、道路、鉄道、ビルディング等の各種建造物などにインフラストラクチャモニタリングに適用可能である。さらに、それらに限定されるものではなく、大気汚染、森林火災、ワイン醸造品質管理、野外で遊ぶ児童達や介護者のケア、スポーツをする人達のケア、スマートフォンの検知、原子力発電所や防衛施設などへの周辺アクセス制御、原子力発電所の放射能レベル検知、電磁界強度レベル制御、交通渋滞などの交通混雑状況の把握、スマート道路、スマート照明、高機能ショッピング、ノイズ環境マップ、船舶の高効率シップメント、水質管理、ごみ処理管理、スマートパーキング、ゴルフコース管理、水漏れ・ガスもれ管理、自動運転管理、都市部における効率的なインフラ配置および管理、および農場など様々な分野に適用可能である。
　本実施の形態の信号処理装置は、このようなセンサネットワークシステムに用いられるセンサノードやセンシングノード、ＡＩチップなど様々な分野に適用可能である。
１…測定器
１０…信号処理装置（狭義のエッジ）
１１…センサ素子
１２…メモリ（記憶部）
１２Ｂ…ボトム領域
１２Ｔ…トップ領域
１２Ｍ…ミドル領域
１３…演算部
１４…通信部
１５…電源
１６…ＡＤＣ
２０…ゲートウェイ
３０…エッジサーバ
４０…上位側装置

Claims (15)

  1. 　センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶部と、
    　前記時系列データを圧縮する演算部と、
    　前記演算部の演算結果を狭帯域無線通信により上位側装置に送信する通信部と、
    　を備えることを特徴とする信号処理装置。
  2. 　前記演算部は、前記時系列データに対するクレンジング処理である１次側クレンジングと、前記時系列データの特徴を表す代表値を抽出する特徴量抽出のうちの少なくとも一方を実施することを特徴とする請求項１に記載の信号処理装置。
  3. 　前記演算部は、前記１次側クレンジングとして、統計において他の値から大きく外れた値、または有意信号の信号レベルもしくは信号範囲を超える値を除外することを特徴とする請求項２に記載の信号処理装置。
  4. 　前記演算部は、外れ値を除外した後の時系列データを用いて統計値を演算する調整統計演算を実施することを特徴とする請求項３に記載の信号処理装置。
  5. 　前記演算部は、前記時系列データをソートした後、ソート後のデータの両側もしくは片側から必要数のみのデータを削除して、相加平均、相乗平均、調和平均、最大、最小、レンジ、標準偏差、分散のうちの少なくとも１つを演算することを特徴とする請求項４に記載の信号処理装置。
  6. 　前記演算部は、前記時系列データをソートした後、ソート後のデータの両側もしくは片側から必要数のみのデータを削除して、削除後の最小値および最大値を削除後の有効値と置き換えたうえで、相加平均、相乗平均、調和平均、最大、最小、レンジ、標準偏差、分散のうちの少なくとも１つを演算することを特徴とする請求項４に記載の信号処理装置。
  7. 　前記演算部は、センサ値またはセンシング値の特性または外乱ノイズの状態に応じて前記必要数を変更することを特徴とする請求項５または６に記載の信号処理装置。
  8. 　前記演算部は、前記時系列データの特徴を表す代表値もしくは判定値を多変量解析、人工知能、または機械学習を適応して抽出することを特徴とする請求項１に記載の信号処理装置。
  9. 　前記演算部は、パラメトリックモデルまたはノンパラメトリックモデルによって推定したパラメータの状態判定値を抽出し、
    　前記通信部は、前記演算部によって抽出された状態判定値のみを前記上位側装置に送信することを特徴とする請求項８に記載の信号処理装置。
  10. 　前記演算部は、ニューラルネットワークによってクラスラベルを判定し、
    　前記通信部は、前記演算部によって判定されたクラスラベルのみを前記上位側装置に送信することを特徴とする請求項８に記載の信号処理装置。
  11. 　信号処理装置と、
    　前記信号処理装置からのデータを狭帯域無線通信を介して受信する上位側装置と、
    　を備えるワイヤレスセンサネットワークシステムであって、
    　前記信号処理装置が、
    　センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶部と、
    　前記時系列データを圧縮する演算部と、
    　前記演算部の演算結果を狭帯域無線通信により上位側装置に送信する通信部と、
    　を備えることを特徴とするワイヤレスセンサネットワークシステム。
  12. 　複数の前記信号処理装置が監視対象物に設置され、
    　各々の前記信号処理装置は、検知したデータを狭帯域通信網を介してゲートウェイに送信し、
    　前記ゲートウェイは、前記信号処理装置から受信したデータを広帯域通信網を介して前記上位側装置に送信し、
    　前記上位側装置は、前記ゲートウェイから受信したデータに基づいて、前記監視対象物の異常の有無を検知することを特徴とする請求項１１に記載のワイヤレスセンサネットワークシステム。
  13. 　各々の前記信号処理装置は、他の前記信号処理装置から送信されたデータを前記ゲートウェイへ転送するための中継ルーティング機能を備えることを特徴とする請求項１２に記載のワイヤレスセンサネットワークシステム。
  14. 　各々の前記信号処理装置は、互いに直接通信するためのアドホック機能を備えることを特徴とする請求項１２に記載のワイヤレスセンサネットワークシステム。
  15. 　センサ素子もしくは測定器によって時系列的に検知された物理量の時系列データを記憶する記憶ステップと、
    　前記時系列データを圧縮する演算ステップと、
    　前記演算ステップの演算結果を狭帯域無線通信により上位側装置に送信する通信ステップと、
    　を有することを特徴とする信号処理方法。
PCT/JP2018/047185 2017-12-25 2018-12-21 信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法 WO2019131486A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-247409 2017-12-25
JP2017247409 2017-12-25

Publications (1)

Publication Number Publication Date
WO2019131486A1 true WO2019131486A1 (ja) 2019-07-04

Family

ID=67067285

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/047185 WO2019131486A1 (ja) 2017-12-25 2018-12-21 信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法

Country Status (1)

Country Link
WO (1) WO2019131486A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034940A (zh) * 2019-12-25 2021-06-25 中国航天系统工程有限公司 一种基于Fisher有序聚类的单点信号交叉口优化配时方法
CN114997506B (zh) * 2022-06-17 2024-05-14 西北师范大学 一种基于链路预测的大气污染传播路径预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008027011A (ja) * 2006-07-19 2008-02-07 Nec Corp プローブ情報収集システムおよびその収集装置ならびに収集方法およびプログラム
JP2008171074A (ja) * 2007-01-09 2008-07-24 National Institute Of Advanced Industrial & Technology 三次元形状モデル生成装置、三次元形状モデル生成方法、コンピュータプログラム、及び三次元形状モデル生成システム
JP2009136446A (ja) * 2007-12-05 2009-06-25 Toshiba Corp 超音波診断装置、及び超音波診断装置の制御プログラム
JP2009210582A (ja) * 2008-03-04 2009-09-17 Nec (China) Co Ltd Ｔｏａ（到達時刻）とｒｓｓ（受信信号強度）の融合による適応型測位法、装置、およびシステム
JP2011500204A (ja) * 2007-10-17 2011-01-06 データスコープ・インヴェストメント・コーポレイション 生体内血圧センサの較正
JP2017122976A (ja) * 2016-01-05 2017-07-13 ローム株式会社 センサ装置、センサネットワークシステム、およびデータ圧縮方法
JP2017144132A (ja) * 2016-02-19 2017-08-24 株式会社豊田中央研究所 個人識別装置、個人識別方法、及び個人識別プログラム
WO2017141997A1 (ja) * 2016-02-15 2017-08-24 国立大学法人電気通信大学 特徴量変換モジュール、パターン識別装置、パターン識別方法、およびプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008027011A (ja) * 2006-07-19 2008-02-07 Nec Corp プローブ情報収集システムおよびその収集装置ならびに収集方法およびプログラム
JP2008171074A (ja) * 2007-01-09 2008-07-24 National Institute Of Advanced Industrial & Technology 三次元形状モデル生成装置、三次元形状モデル生成方法、コンピュータプログラム、及び三次元形状モデル生成システム
JP2011500204A (ja) * 2007-10-17 2011-01-06 データスコープ・インヴェストメント・コーポレイション 生体内血圧センサの較正
JP2009136446A (ja) * 2007-12-05 2009-06-25 Toshiba Corp 超音波診断装置、及び超音波診断装置の制御プログラム
JP2009210582A (ja) * 2008-03-04 2009-09-17 Nec (China) Co Ltd Ｔｏａ（到達時刻）とｒｓｓ（受信信号強度）の融合による適応型測位法、装置、およびシステム
JP2017122976A (ja) * 2016-01-05 2017-07-13 ローム株式会社 センサ装置、センサネットワークシステム、およびデータ圧縮方法
WO2017141997A1 (ja) * 2016-02-15 2017-08-24 国立大学法人電気通信大学 特徴量変換モジュール、パターン識別装置、パターン識別方法、およびプログラム
JP2017144132A (ja) * 2016-02-19 2017-08-24 株式会社豊田中央研究所 個人識別装置、個人識別方法、及び個人識別プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FOREMAN W. JOHN: "Data smart : Using data science to transform information into insight", MDN CORPORATION, 1 September 2017 (2017-09-01), pages 357 - 367 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034940A (zh) * 2019-12-25 2021-06-25 中国航天系统工程有限公司 一种基于Fisher有序聚类的单点信号交叉口优化配时方法
CN114997506B (zh) * 2022-06-17 2024-05-14 西北师范大学 一种基于链路预测的大气污染传播路径预测方法

Similar Documents

Publication Publication Date Title
Ha et al. Sensing data fusion for enhanced indoor air quality monitoring
Yang et al. Modeling personalized occupancy profiles for representing long term patterns by using ambient context
US20190195525A1 (en) Method and apparatus for operating heating and cooling equipment via a network
Varade et al. Framework of air pollution assessment in smart cities using IoT with machine learning approach
Mahajan et al. Prediction of network traffic in wireless mesh networks using hybrid deep learning model
Ni et al. Improving energy efficiency while preserving historic buildings with digital twins and artificial intelligence
WO2019131486A1 (ja) 信号処理装置、ワイヤレスセンサネットワークシステム、および信号処理方法
Myint et al. IoT-Based SCADA System Design and Generation Forecasting for Hydropower Station
KR20210085772A (ko) 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법
Zakharov et al. Intellectual data analysis system of building temperature mode monitoring
Rahimpour et al. Non-intrusive load monitoring of hvac components using signal unmixing
Huang et al. Intelligent building hazard detection using wireless sensor network and machine learning techniques
KR20220146158A (ko) 일사량 예측 장치 및 그 방법
CN116167250A (zh) 一种基于温差加权和时间序列算法的机房环境评估方法
CN116629024A (zh) 铸造工艺粉尘排放数据预测方法及系统
Tong et al. Surrogate model-based energy-efficient scheduling for LPWA-based environmental monitoring systems
Sinha et al. Improving HVAC system performance using smart meters
CN111416870A (zh) 一种工业物联网系统
CN108876078B (zh) 计算耗能系统性能的改善策略的方法和耗能系统监控装置
CN109670243A (zh) 一种基于勒贝格空间模型的寿命预测方法
Verma et al. RACER: Real-Time Automated Complex Event Recognition in Smart Environments
CN114553914B (zh) 适用于物联网网关的数据处理方法及装置
CN116777086B (zh) 基于多模数据的钢结构智能生产线预测性维护方法及系统
CN117270612B (zh) 空压机进气端温湿度调控方法、装置、设备及介质
Muzi et al. A predictive model for the automated management of conditioning systems in smart buildings

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18895174

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18895174

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP