WO2022215260A1 - 監視システム - Google Patents

監視システム Download PDF

Info

Publication number
WO2022215260A1
WO2022215260A1 PCT/JP2021/015051 JP2021015051W WO2022215260A1 WO 2022215260 A1 WO2022215260 A1 WO 2022215260A1 JP 2021015051 W JP2021015051 W JP 2021015051W WO 2022215260 A1 WO2022215260 A1 WO 2022215260A1
Authority
WO
WIPO (PCT)
Prior art keywords
particles
inference
particle
information indicating
space
Prior art date
Application number
PCT/JP2021/015051
Other languages
English (en)
French (fr)
Inventor
藤原卓
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2021/015051 priority Critical patent/WO2022215260A1/ja
Priority to JP2023512632A priority patent/JPWO2022215260A1/ja
Publication of WO2022215260A1 publication Critical patent/WO2022215260A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Electro-optical investigation, e.g. flow cytometers

Definitions

  • the present disclosure relates to a monitoring system that monitors the air quality of the work environment when performing work such as product manufacturing in a clean room or production line building.
  • the light scattering method is a method of detecting the presence, size, type, amount, etc. of particles by irradiating the space to be monitored with light and detecting the scattered light generated when the light hits the particles. Further, as an example of a simple structure capable of high-precision detection, there is a device that performs the above-described detection by polarization separation of scattered light (eg, Patent Documents 1 to 3).
  • the sensors used for the purpose of detecting particles in clean rooms or production line buildings have been classified as high-performance particle counters, which are large and expensive, and many of them are arranged to grasp the air chambers of the entire space. It was not suitable for use.
  • the light scattering type sensor as described above can realize high-performance detection with a relatively simple structure, and is compact and relatively inexpensive, so it is considered suitable for multiple arrangement.
  • Patent Document 4 As an example of a method for monitoring the air quality of the entire monitored space without arranging a plurality of sensors, there is a dust particle generation position specifying device described in Patent Document 4.
  • the dust particle generation position identifying device described in Patent Document 4 arranges a grid-shaped sampling tube in a space, sequentially and selectively connects each grid-shaped point to obtain particle density data in the air, and generates Locate.
  • Patent Document 4 cannot detect particles at all grid points at the same time. There is a problem that it is difficult to detect particles at all grid points at the same time. There is a problem that it is difficult to detect particles at all grid points at the same time. There is a problem that it is difficult to detect particles at all grid points at the same time. There is a problem that it is difficult to detect particles at all grid points at the same time. There is a problem that it is difficult to detect particles at all grid points at the same time. There is a problem that it is difficult to
  • Patent Document 4 In order to accurately detect particles that are invisible and floating in space and to obtain information such as their sources and how to deal with them, it is necessary to accurately grasp the types of particles and how they scatter. Importantly, the method described in Patent Document 4 requires time to obtain detection results for the entire space, making it difficult to accurately grasp the scattering state of particles.
  • the present disclosure has been made to solve the above problems, and uses a sensor with a simple structure to detect the types of particles generated in a monitored space, the scattering situation, and the generation of particles. It is an object of the present invention to provide a monitoring system capable of accurately obtaining information indicating at least one of a source and a coping method.
  • One aspect of the monitoring system is a monitoring system that monitors particles generated in a space to be monitored.
  • a plurality of particle sensors for detecting particles in the medium by irradiating a medium with light and receiving the scattered light from the particles in the medium via a polarization separation mechanism; Acquisition of particle detection results including information indicating the degree of depolarization and information indicating the signal amplitude of the received light to indicate at least one of the type of particles occurring in space, the source of the particles, the state of scattering, and a countermeasure. and an analysis device that acquires and outputs information.
  • a sensor with a simple structure is used to accurately obtain information indicating at least one of the type of particles generated in the space to be monitored, the state of scattering, the source of the generation, and the countermeasures. It is possible to provide a monitoring system that can
  • FIG. 1 is a configuration diagram showing an example of a monitoring system according to Embodiment 1;
  • FIG. It is a block diagram which shows the example of a particle sensor.
  • It is a block diagram which shows the example of a particle sensor.
  • 4 is a flowchart showing an operation example of the monitoring system according to Embodiment 1;
  • 2 is a block diagram showing a configuration example of an analysis device according to Embodiment 1;
  • FIG. 2 is a block diagram showing a configuration example of a learning device;
  • FIG. FIG. 10 is an explanatory diagram showing an output example of a result by a result output unit;
  • FIG. 9 is a block diagram showing a configuration example of an analysis device according to Embodiment 2;
  • FIG. 11 is a block diagram showing a configuration example of an analysis device according to Embodiment 3;
  • FIG. 11 is a block diagram showing a configuration example of an analysis device according to Embodiment 3;
  • 4 is a conceptual diagram showing an example of the data structure of data held in an analysis DB;
  • FIG. FIG. 2 is a configuration diagram showing an example of hardware configuration of an analysis device and a learning device;
  • FIG. 1 is a configuration diagram showing an example of a monitoring system 100 according to Embodiment 1.
  • a monitoring system 100 shown in FIG. 1 includes a plurality of particle sensors 2 arranged in a space 1 to be monitored, and an analysis device 3 communicably connected to each of the particle sensors 2 .
  • symbol 4 in a figure represents the manufacturing apparatus installed in the space 1, the manufacturing apparatus 4 may or may not exist.
  • each particle sensor 2 communicates with the analysis device 3 wirelessly or by wire, and each particle sensor 3 operates at the same time and transmits sensor data acquired at the same time to the analysis device 3 .
  • FIGS. 2 and 3 are configuration diagrams showing examples of the particle sensor 2.
  • FIG. The particle sensor 2 shown in FIGS. 2 and 3 has a polarization separation mechanism, irradiates light onto a medium sampled at an arrangement location, and receives scattered light from particles in the medium via the polarization separation mechanism. Detect particles in the medium.
  • the particle sensor 2 is not limited to the configuration shown in FIGS. 2 and 3.
  • the particle sensor 2 may have a polarization separation mechanism and require depolarization, or may be the devices described in Patent Documents 1 to 3 described above. may
  • the particle sensor 2 shown in FIG. 2 includes a laser light source 20 that emits light, a lens 21 that collects the light in a detection space 22 provided in the sensor 2, and a fan 23 that draws particles into the detection space 22. , a prism 24 that polarizes and separates scattered light generated by the light hitting particles into s-wave and p-wave, a light-receiving element 25 that receives each of the polarized light (s-wave and p-wave), and output from the light-receiving element 25 It has an amplifier 26 that amplifies an electric signal based on the received intensity of polarized light, and a signal processor 27 that processes the amplified signal.
  • the particle sensor 2 shown in FIG. 3 includes a polarizing plate 28 instead of the prism 24 as a polarization separation mechanism.
  • the particle sensor 2 shown in FIG. 3 includes polarizing plates 28 in two different optical paths capable of detecting scattered light, so that the scattered light is polarized and separated into s-wave and p-wave, and then received by the corresponding light-receiving element 25 .
  • the laser light emitted from the laser light source 20 is condensed by the lens 21 toward the particles taken into the detection space 22 by the air flow generated by the fan 23. be. Scattered light is generated when the focused light hits the particles.
  • the scattered light passes through prism 24 or polarizing plate 28, it is separated into p-wave (first polarized light) and s-wave (second polarized light). Each of the separated polarized light beams is received by the light receiving element 25 , converted into an electric signal, and output to the signal processing section 27 via the amplifier 26 .
  • the signal processing unit 27 calculates the degree of depolarization of the scattered light and the signal amplitude of the scattered light obtained by combining the P signal and the S signal (or peak intensity) and output.
  • the degree of depolarization of scattered light generated by a particle is an example of sensor data that indicates the shape (more specifically, the aspect ratio) of the particle, and the signal amplitude or peak intensity of the scattered light is the size of the particle. It is an example of the sensor data which shows the height.
  • the signal processing unit 27 may have a function as a particle counter that detects the number of particles detected (the number of particles detected) within a specified period of time based on changes in signal amplitude or peak intensity over time.
  • the lens 21, the fan 23, and the amplifier 26 are not essential. or a polarizing plate 28, etc.), a light receiving element 25, and a signal processing section 27.
  • FIG. 1 the lens 21, the fan 23, and the amplifier 26 are not essential. or a polarizing plate 28, etc.), a light receiving element 25, and a signal processing section 27.
  • the monitoring system 100 is assumed to have a plurality of light scattering particle sensors 2 having such a polarization separation mechanism.
  • Each particle sensor 2 wirelessly or preferentially transmits the sensor data as described above to the analysis device 3 periodically or upon request at a predetermined timing.
  • Identification information is given to each particle sensor 2 in advance, and the analysis device 3 may associate and store the identification information of each particle sensor 2 and the information indicating the installation position.
  • the analysis device 3 collects sensor data indicating particle detection results from each particle sensor 2 .
  • the sensor data includes at least information correlated with particle shape such as depolarization degree and information correlated with particle detection presence and size such as signal amplitude or peak intensity.
  • the sensor data may further include the detection time, the position of the sensor (or the identification information that can acquire it), and the number of detections at the detection time.
  • the analysis device 3 may collect sensor data via a database (not shown) that stores the sensor data output by each particle sensor 2, for example. In that case, the analysis device 3 may access such a database and collect the sensor data output by each particle sensor 2 . It is assumed that the analysis device 3 can collect sensor data at the same time from at least two particle sensors 2 . It is preferable that sensor data at the same time can be collected from all the particle sensors 3 arranged in the space 1 . Here, the sensor data at the same time means sensor data detected or output at the same time. It should be noted that the time may not be exactly the same, and any difference (for example, about ⁇ several seconds) that is recognized as the same time within a range that matches the application of the monitoring system may be regarded as the same time. In other words, sensor data associated with times that are recognized to be the same within a predetermined error range may be used.
  • FIG. 4 is a flow chart showing an operation example of the monitoring system 100 according to the first embodiment.
  • the analysis device 3 first acquires sensor data from each particle sensor 2 arranged in the space 1 to be monitored (step a1). Next, based on the sensor data acquired from each particle sensor 2, the analysis device 3 performs data analysis processing (deduction processing described later) to determine the type of particles generated in the space 1, the scattering situation, the generation source and Information indicating at least one of coping methods is obtained (step a2). Finally, the analysis device 3 outputs the obtained information (step a3).
  • the output mode of the information by the analysis device 3 is not particularly limited, but as an example, output of display information to an information display device such as a display, output of control signals, audio data, etc. to output devices such as alarms and speakers. Examples include the output of control signals to various control devices (for example, air conditioners, automatic door control devices, etc.) for realizing output and countermeasures, and the output of log information to information holding devices such as databases.
  • various control devices for example, air conditioners, automatic door control devices, etc.
  • FIG. 5 is a block diagram showing a configuration example of the analysis device 3 in the monitoring system 100 according to Embodiment 1. As shown in FIG. The analysis device 3 shown in FIG. 5 uses the learned model to indicate at least one of the type of particles generated in the space 1, the scattering situation, the source of the particles, and the coping method based on the collected sensor data. get information.
  • the information indicating the types of particles may be information indicating clusters (classifications) of particles.
  • the information indicating the particle scattering state may be information indicating the diffusion speed and diffusion direction of the particles, or information indicating the range affected by the scattering of the particles (hereinafter referred to as "influence range").
  • the information indicating the particle generation source may be information indicating the position within the space 1 .
  • the information indicating how to deal with particles may be instruction information indicating a specific process or action that has been defined in red.
  • the analysis device 3 shown in FIG. 5 includes a data acquisition unit 31, an inference unit 32, and a result output unit 33. Also, the inference unit 32 is connected to the learning model storage unit 51 so as to be accessible.
  • the data acquisition unit 31 acquires sensor data from each particle sensor 2 arranged in the space 1 to be monitored, and stores the acquired sensor data as the position of the particle sensor 2 from which it was acquired (that is, the detection location). It is output to the subsequent inference section 32 in association with the information indicating the detection time of the sensor data and the information indicating the detection time of the sensor data.
  • information output from the data acquisition unit 31 may be referred to as a sensor data set.
  • the data acquisition unit 31 may output the sensor data set obtained by processing/converting the acquired sensor data.
  • processing/conversion includes not only conversion of individual data formats, but also statistical processing for two or more pieces of data, additional processing for adding sensor data and other data (environmental data to be described later) acquired in the past, Deletion processing for deleting a part of multiple elements is also included.
  • the processing/conversion by the data acquisition unit 31 is limited to one-dimensional processing (linear calculation of the same type of data, simple addition/deletion of elements, etc.) in order to prioritize data collection speed. It does not include any computations that are unimportant (for example, taking correlations between different types of data).
  • the data acquisition unit 31 obtains information other than the sensor data that is necessary for the inference unit 32 in the subsequent stage, such as the state and position of the device and workers, the air flow (wind direction) in the space 1, and the like. It is also possible to collect environmental data to indicate and include it in the sensor data set.
  • the inference unit 32 obtains a sensor data set including sensor data collected from each particle sensor 2 from the data acquisition unit 31 (here, information that associates sensor data, detection locations, and detection times for at least two or more sensors). is input, based on the input sensor data set, the learned model stored in the learned model storage unit 51 is used to determine the type of particles occurring in the space 1, the scattering situation, the occurrence Obtain any predetermined information among the information indicating the source and coping method. The inference unit 32 also outputs the obtained information to the result output unit 33 .
  • a sensor data set including sensor data collected from each particle sensor 2 from the data acquisition unit 31 (here, information that associates sensor data, detection locations, and detection times for at least two or more sensors). is input, based on the input sensor data set, the learned model stored in the learned model storage unit 51 is used to determine the type of particles occurring in the space 1, the scattering situation, the occurrence Obtain any predetermined information among the information indicating the source and coping method.
  • the inference unit 32 also outputs the obtained
  • the inference unit 32 Based on the sensor data set input from the data acquisition unit 31, the inference unit 32 uses a trained model to obtain information indicating the type of particles occurring in the space 1, the scattering situation, the source of the particles, and how to deal with them. any of the predetermined information is inferred.
  • the inference unit 32 converts the input sensor data set into the input data set of the trained model, inputs the converted input data set into the trained model, and outputs the inference result from the trained model as It may be obtained as any predetermined information among information indicating the type of particles generated in the space 1, the scattering situation, the source of the generation, and the coping method.
  • the inference unit 32 may input the input sensor data set as it is to the trained model as the input data set.
  • the learned model is obtained by the learning device 6 or the like, which will be described later, in advance, and various information included in the input data set and output data (information indicating the type of particles generated in the space 1, the scattering situation, the source of generation, and the countermeasure method any of the predetermined information) is learned.
  • a learning method (learning algorithm) used to generate a trained model is not particularly limited.
  • the inference unit 32 uses a plurality of trained models that can infer each of the information indicating the type of particles generated in the space 1, the scattering situation, the source of the generation, and the coping method. Based on the data set, information indicating the type of particles generated in the space 1, the scattering situation, the source of generation, and countermeasures may be obtained.
  • the input data set used by the inference unit 32 for inference does not need to include sensor data from all the particle sensors 2. It may be processed to include only sensor data from sensor 2 . However, in that case, the inference unit 32 performs the inference process multiple times while changing the target sensor data so that all the sensor data from the particle sensor 2 in which the particles are detected are used for inference at least once. Run.
  • which sensor data is targeted is not particularly limited. Sensor data is targeted, after preferentially selecting a sensor with a large number of particle detections, sensors that are close to that sensor are grouped into a group of sensors, and sensor data from this group of sensors is targeted. method may be determined.
  • the inference unit 32 determines that particles are detected at a plurality of different locations in the space 1 at approximately the same time based on the input sensor data or inference data, the inference unit 32 groups the detection locations and classifies them. For each subsequent detection location group, inference processing may be performed on sensor data belonging to the group.
  • the inference unit 32 may, for example, make the above judgment based on whether or not particles are detected at the same detection time by two or more particle sensors 2 installed at locations separated by a predetermined distance or more in the space 1. good. After grouping the detection locations in this way, inference processing is performed for each detection location group, so that when particles occur in multiple different locations, the information is not confused for each detection location group. Accurate information can be obtained.
  • the inference unit 32 may be implemented as a device separate from the analysis device 3 (such as an inference device not shown). good.
  • the inference unit 32 may be connected to the analysis device 3 via a network.
  • the inference unit 32 may reside on a cloud server.
  • the trained model inputs an input data set including, for example, particle detection results including depolarization and signal amplitude for each sensor, and the detection time and detection location of the detection results, and performs inference on the input data set. As a result, information indicating the types of particles generated in the space 1 may be output.
  • the trained model is input with an input data set including, for example, particle detection results including depolarization and signal amplitude for each sensor, and the detection time and detection location of the detection results, and the input data set As an inference result for , information indicating the scattering state of particles occurring in the space 1 may be output.
  • the trained model may include, for example, particle detection results including depolarization and signal amplitude at a first detection time and polarization at one detection time prior to the first detection time, for each sensor.
  • Information indicating the scattering state of particles generated inside may be output.
  • the trained model may include particle detection results including, for example, the number of detections in a given time period, depolarization and signal amplitude at each or a representative number of detections for each sensor.
  • the detection time (or its representative time) of the detection result and the detection location are input, and the particle scattering situation occurring in the space 1 is shown as the inference result for the input data set. It may be one that outputs information.
  • the trained model may include particle detection results including, for example, the number of detections in a given time period, depolarization and signal amplitude at each or a representative number of detections for each sensor.
  • an input data set containing the detection time (or its representative time) of the detection result, the detection location, and information indicating the wind direction included in the environmental data, and as the inference result for the input data set, the in space 1 may output information indicating the scattering state of particles occurring in.
  • the trained model is input with an input data set including, for example, particle detection results including depolarization and signal amplitude for each sensor, and the detection time and detection location of the detection results, and the input data set As an inference result for , information indicating the source of particles generated in the space 1 may be output.
  • the trained model may include, for example, particle detection results including depolarization and signal amplitude at a first detection time and polarization at one detection time prior to the first detection time, for each sensor.
  • the trained model includes particle detection results, including, for example, the number of detections in a given time period, the detection depolarization and signal amplitude for each or a representative number of detections, for each sensor. , an input data set containing the detection time (or its representative time) and the detection location of the detection result, and indicating the source of the particles occurring in the space 1 as the inference result for the input data set. It may be one that outputs information. By including the number of detections indicating the amount of particles at each detection location in the input data set, it is possible to obtain information indicating the source of the particles with higher accuracy.
  • the trained model is input with an input data set including, for example, particle detection results including depolarization and signal amplitude for each sensor, and the detection time and detection location of the detection results, and the input data set As an inference result for , information indicating how to deal with particles generated in the space 1 may be output.
  • the trained model may include, for example, particle detection results including depolarization and signal amplitude at a first detection time and polarization at one detection time prior to the first detection time, for each sensor.
  • Information indicating how to deal with particles generated inside may be output.
  • the trained model includes particle detection results, including, for example, the number of detections in a given time period, the detection depolarization and signal amplitude for each or a representative number of detections, for each sensor.
  • an input data set including the detection time (or its representative time) and the detection location of the detection result, and as the inference result for the input data set indicate how to deal with particles occurring in space 1. It may be one that outputs information.
  • the number of detections that indicate the amount of particles at each detection location it is possible to obtain information that more accurately indicates how to deal with the particles that are occurring.
  • the sensor data set input to the inference unit 32 contains all the information contained in the input data set input to the trained model used by the inference unit 32 or information that can be converted into such information. .
  • Such a trained model may be obtained, for example, by a learning device for the monitoring system 100 as shown in FIG.
  • the learning device 6 shown in FIG. 6 includes a data acquisition unit 61 and a model generation unit 62 . Also, the model generation unit 62 is connected to the learning model storage unit 51 so as to be accessible.
  • the data acquisition unit 61 collects a particle detection result including depolarization and signal amplitude as sensor data collected from two or more particle sensors 2 arranged at different positions, and the detection time and A learning input data set including detection locations and information indicating the types of particles generated in the space 1 as correct data are acquired as learning data.
  • the model generation unit 62 generates two or more particle sensors arranged at arbitrary positions based on the learning data generated based on the combination of the learning input data set and the correct data collected by the data acquisition unit 61. generated in space 1, inferred against an input data set comprising particle detection results including depolarization and signal amplitude collected from 2, and detection times and detection locations of the detection results. It learns information indicating the type of particles present. That is, a trained model for inferring optimal information indicating the types of particles generated in the space 1 is generated from the training input data set and correct data applied to the monitoring system 100 .
  • the learning data is data in which the learning input data set and the correct data are associated with each other.
  • the data acquisition unit 61 includes a particle detection result including depolarization and signal amplitude as sensor data collected from two or more particle sensors 2 arranged at different positions, and the detection result An input data set for learning including the detection time and detection location of , and information indicating the scattering state of particles occurring in the space 1 as correct data are acquired as data for learning.
  • the model generation unit 62 generates two or more particle sensors arranged at arbitrary positions based on the learning data generated based on the combination of the learning input data set and the correct data collected by the data acquisition unit 61. Particles originating in space 1 inferred against an input data set comprising particle detection results, including depolarization and signal amplitude collected from 2, and the detection time and detection location of the detection results. It learns information that indicates the dispersal status of That is, a trained model for inferring optimal information indicating the scattering state of particles occurring in the space 1 is generated from the learning input data set and correct data applied to the monitoring system 100 .
  • the data acquisition unit 61 includes a particle detection result including depolarization and signal amplitude as sensor data collected from two or more particle sensors 2 arranged at different positions, and the detection result An input data set for learning including the detection time and detection location of , and information indicating the source of the particles generated in the space 1 as correct data are acquired as data for learning.
  • the model generation unit 62 generates two or more particle sensors arranged at arbitrary positions based on the learning data generated based on the combination of the learning input data set and the correct data collected by the data acquisition unit 61. Particles originating in space 1 inferred against an input data set comprising particle detection results, including depolarization and signal amplitude collected from 2, and the detection time and detection location of the detection results. Learn information that indicates the source of That is, a trained model for inferring optimal information indicating the source of particles generated in the space 1 is generated from the training input data set and correct data applied to the monitoring system 100 .
  • the data acquisition unit 61 includes a particle detection result including depolarization and signal amplitude as sensor data collected from two or more particle sensors 2 arranged at different positions, and the detection result An input data set for learning including the time and place of detection of , and information indicating how to deal with particles generated in the space 1 as correct data are acquired as data for learning.
  • the model generation unit 62 generates two or more particle sensors arranged at arbitrary positions based on the learning data generated based on the combination of the learning input data set and the correct data collected by the data acquisition unit 61. Particles originating in space 1 inferred against an input data set comprising particle detection results, including depolarization and signal amplitude collected from 2, and the detection time and detection location of the detection results. Learn information about how to deal with That is, a trained model for inferring optimal information indicating how to deal with particles generated in the space 1 from the learning input data set and the correct data, which is applied to the monitoring system 100, is generated.
  • the learning input data set acquired by the data acquisition unit 61 is not limited to the above example.
  • the learning input data set may be the same data as the input data set to be input to the trained model.
  • the learning algorithm used by the model generation unit 62 can be, for example, known algorithms such as supervised learning, reinforcement learning, and unsupervised learning. As an example, a case where a neural network is applied will be described.
  • the model generation unit 62 generates output data (in this example, types of particles occurring in the space 1, scattering information that indicates the situation, source, or action).
  • supervised learning refers to a method in which input and result (label) data pairs are given to a learning device to learn features in the learning data and to infer results from the input.
  • a neural network consists of an input layer consisting of multiple neurons, an intermediate layer (hidden layer) consisting of multiple neurons, and an output layer consisting of multiple neurons.
  • the intermediate layer may be one layer or two layers or more.
  • the neural network when a value is input to multiple input layers, the value is multiplied by a weight and the process of inputting it to the subsequent intermediate layer is repeated, and finally output from the output layer. At this time, the output result changes depending on the value of the weight given when moving through each layer.
  • the neural network performs so-called supervised learning according to the learning data created based on the combination of the learning input data set and the correct data acquired by the data acquisition unit 61, and the inference result for an arbitrary input data set. to learn the output data.
  • the neural network adjusts the weights between neurons when moving between layers so that the input data set for learning is input to the input layer and the result output from the output layer approaches the correct data. learn.
  • the model generation unit 62 may generate a learned model by executing the above learning.
  • the learning device 6 selects one of predetermined information from among information indicating the type of particles generated in the space 1, the state of scattering, the source of the generation, and countermeasures, from the sensor data that can be collected by the monitoring system 100. Used for learning, it may be included in the monitoring system 100 or implemented as a device separate from this monitoring system 100 . Also, the learning device 6 may be connected to the monitoring system 100 via a network. Furthermore, the learning device 6 may reside on a cloud server.
  • the present invention is not limited to this.
  • the learning algorithm it is possible to apply reinforcement learning, unsupervised learning, or semi-supervised learning in addition to supervised learning.
  • Reinforcement Learning is applied as a learning algorithm.
  • an agent subject of action
  • the environment dynamically changes according to the actions of the agent (in this example, various control devices and manufacturing device 4 for the space 1), and the agent is rewarded according to the change in the environment.
  • the agent repeats this and learns the course of action that yields the most rewards through a series of actions.
  • Q-learning and TD-learning are known.
  • a general update formula for the action-value function Q(s, a) is represented by Equation 1.
  • Equation 1 S t represents the state of the environment at time t, and a t represents the action at time t.
  • Action a t changes the state to s t+1 .
  • r t+1 represents the reward obtained by changing the state
  • ⁇ represents the discount rate
  • ⁇ represents the learning coefficient.
  • ⁇ is in the range of 0 ⁇ 1
  • ⁇ is in the range of 0 ⁇ 1.
  • the method of coping with particles in space 1 is action at, the learning input data set indicating the state in space 1 at that time is state st , and the best behavior in state st at time t is Learn behavior a t .
  • the update formula represented by Equation 1 increases the action value Q if the action value Q of action a with the highest Q value at time t+1 is greater than the action value Q of the action executed at time t. In this case, the action value Q is decreased. In other words, the action value function Q(s, a) is updated so that the action value Q of action a at time t approaches the best action value at time t+1. As a result, the best action value in a certain environment and the action value in the previous environment will be propagated sequentially. Based on the actions and states entered in this way, we compute the rewards and, according to the calculated rewards, write a function to determine the best action (how to deal with the particles) for any given state (the input dataset).
  • the action-value function Q(s t , a t ) represented by Equation 1 is obtained as output data (information indicating how to deal with it) as an inference result for an arbitrary state (input data set) It is used as a function for
  • the learning as described above may be repeated, and the finally updated action-value function Q(s t , a t ) may be stored in the learned model storage unit 51 as a learned model.
  • the model generating unit 62 uses learning data created based on a combination of depolarization and signal amplitude, which are mutually correlated sensor data acquired by the data acquiring unit 61. , may learn the types of particles.
  • the model generator 62 may generate a trained model that infers the type of particles from the depolarization and signal amplitude of the sensor data from the particle sensor 2 in the monitoring system 100 .
  • the learning data is data in which the degree of depolarization and the signal amplitude are associated with each other.
  • the unsupervised learning style is a method of learning the features of the learning data by giving the learning data that does not contain the results (labels) to the learning device.
  • the model generator 62 may learn the types of particles by so-called unsupervised learning, for example, according to a clustering (grouping) technique based on the K-means method.
  • the K-means method is a non-hierarchical clustering algorithm that uses the average of clusters to classify the given number of clusters into k. More specifically, the K-means method is processed in the following flow. First, clusters are randomly assigned to each data xi. Next, the center Vj of each cluster is calculated based on the allocated data. Then, find the distance between each xi and Vj, and reassign xi to the closest central cluster. Then, if the allocation of all xi clusters does not change in the above process, or if the amount of change falls below a predetermined threshold, it is determined that convergence has occurred, and the process ends.
  • the inference unit 32 uses the trained model thus generated to infer to which cluster the depolarization degree and signal amplitude included in the sensor data of each particle sensor 2 belong, Information indicating the type of particles may be obtained as an inference result.
  • the model generation unit 62 may learn output data, which is the inference result, according to learning data created for a plurality of monitoring systems 100 .
  • the model generator 62 may acquire learning data from one or more monitoring systems 100 used in the same type of space, or may acquire learning data from one or more monitoring systems 100 used in another type of space. It is also possible to learn the output data as the inference result using the learning data collected from the . It is also possible to add or remove learning data collection destinations on the way.
  • the learning device that has learned the output data that is the inference result for a certain monitoring system 100 is applied to another monitoring system 100, and the output data that is the inference result for the other monitoring system 100 is re-learned. It is also possible to update the learned model by
  • model generation unit 62 it is also possible to use deep learning that learns to extract the feature amount itself, and other known rewards such as genetic programs, functional logic programs, Machine learning may be performed according to support vector machines and the like.
  • the result output unit 33 outputs the information (inference result) input from the inference unit 32 to the outside.
  • the result output unit 33 outputs the information (inference result) input from the inference unit 32 to a predetermined output destination according to its type. For example, if the input information indicates the type of particles and the scattering state, the result output unit 33 may process the information into information for display and output it to an information display device such as the display 71 . Further, for example, if the input information is information indicating the particle generation source, the result output unit 33 may process it into information for display and output it to an information display device such as the display 71. An alarm may be sounded by outputting a control signal to an alarm device 72 near the source.
  • the result output unit 33 processes the information into information for display, outputs the information to an information display device such as the display 71, and urges the observer to act.
  • a control signal is output to the control device 73 associated in advance according to the content of the coping method.
  • Countermeasures include, for example, increasing the flow rate of the exhaust port closest to the source, directing the spot suction machine toward the source, and forcibly exhausting all the air in the target space when the concentration of particles is extremely high.
  • FIG. 5 shows the display 71, the alarm device 72, and the control device 73 as output destinations of the results, but this is only an example and the present invention is not limited to these.
  • the result output unit 33 may superimpose the obtained inference result on the map in the space 1 and display it. For example, it can be easily visualized by displaying it like a bird's-eye view. For example, when the information indicating the type of particle is obtained, the result output unit 33 superimposes a map in the space 1 on the display 71 and displays characters corresponding to the type of particle at a position corresponding to the detection location of the particle. , symbols or figures may be displayed. Also, at that time, color coding according to the type may be performed together.
  • the result output unit 33 displays a map (such as a sketch) in the space 1 or a position corresponding to the particle generation source by superimposing it on the image on the display 71 . may be displayed with characters, symbols, figures, or the like to that effect. Further, for example, when information indicating the scattering state of particles is obtained, the result output unit 33 displays the information indicating the scattering state (influence range) of the particles on the display 71 by superimposing it on the map or image in the space 1. may be displayed. In this case, the result output unit 33 calculates the density of particles in each block on the map or the image from information such as the number of times particles are detected, which is included in each sensor data.
  • the display color may be darkened when the image is displayed, and the lower the density, the lighter the display color. That is, the result output unit 33 can change the display mode such as changing at least the characters, symbols, figures, or colors to be displayed according to the estimated types of particles and the concentration of particles in the display destination area.
  • FIG. 7 is an explanatory diagram showing an example of output of results by the result output unit 33.
  • FIG. The example shown in FIG. 7 is an example in which when the influence range of particles is displayed on the display 71 as a scattering state of particles by being superimposed on a map or image in the space 1, the display color of the influence range is divided according to the density of the particles. is. Note that, in FIG. 7, the density of hatching is different, not the display color, due to drawing rules.
  • information on the type of particles and the method of object are indicated by characters together with the information on the scattering state of the particles.
  • the result output unit 33 may display the locations where the particles are detected colored according to their density, and display the areas from high to low in color from dark to light depending on the particle density. Furthermore, the result output unit 33 may allow the user to adjust the density threshold value, display update speed, grid fineness, etc., so that the source of particles and the state of scattering of particles can be understood. There is no limit to the number of particle generation sources that can be displayed, and it is preferable to display all the generation sources.
  • the result output unit 33 may compare the concentrations (the number of detections per unit time) between the particle sensors 2 and interpolate the data between grids. Further, in the example shown in FIG. 7, the result output unit 33 displays the types of detected particles and countermeasures to be taken by the user under the bird's-eye view showing the concentration distribution of particles in the space 1. showing action.
  • the result output unit 33 or another instruction unit may develop information indicating sampling timing when performing quality results such as sampling inspection of products in a production line or the like. That is, an instruction may be output to decrease the frequency of quality inspection when the concentration of particles is low and to increase the frequency of quality inspection when the concentration of particles is high. It is also possible to improve production efficiency by changing the frequency of product quality inspections depending on the concentration of particles.
  • the impact on product manufacturing can be minimized by prioritizing, for example, applying coping methods from locations with high particle concentrations. can be reduced to In other words, the productivity of the product can be improved by prioritizing the countermeasures based on the obtained information.
  • the result output unit 33 also compares the scattering situation or the source output from the inference unit 32 with, for example, environmental data to identify the device or person included in the influence range, which is regarded as the source. It is also possible to identify a device or a person. Note that the result output unit 33, for example, based on the temporal distribution movement of particles obtained by comparing the previous output result and the latest output result, determines the presence or absence of movement of the generation source, You may specify whether it is a fixed device or a mobile device.
  • the spatial distribution and time change of the concentration of the detected particles are obtained from the obtained results, and the scattering situation (diffusion speed, diffusion direction) indicated by it is For example, there is a method of identifying whether the source is a person (including other moving objects) or a manufacturing device, using an analysis device, based on the object arrangement information. It should be noted that the result output unit 33 can also select an output method of a more optimal coping method from the information on the source thus obtained. For example, if the source is considered to be a moving worker, it is conceivable to inform the worker of how to deal with it, or to sound an alarm.
  • the result output unit 33 updates the display each time the sensor data acquired by the data acquisition unit 31 is updated and the inference result is updated, so that the visualization is closer to real time and easier to understand.
  • the installation positions of the particle sensors 2 are not particularly limited, but for example, they may be arranged at equal intervals on the floor surface in the space 1 or on the device.
  • the most common clean room maintains cleanliness by blowing clean air from the ceiling to the floor, so the particle sensors 2 are placed on the floor surface or on the manufacturing equipment 4 or the like at equal intervals when viewed from above. By doing so, the generation of particles in the space 1 can be monitored with relatively little leakage.
  • the particle sensors 2 are densely arranged in places where the possibility of particle generation in the space 1 is relatively high, for example, places where friction occurs and its surroundings, and relatively low places and their surroundings. They may be sparsely arranged in the surrounding area.
  • the data acquisition unit 31 determines the frequency of collecting data from the sensors in the densely arranged area to the sparsely arranged area. It may be higher than the frequency of collecting data from sensors within. By doing so, it is possible to strengthen the monitoring of areas where particles are more likely to occur. Note that when the particle sensors 2 are arranged at equal intervals, the data acquisition unit 31 changes the sensor data collection frequency based on the preset prediction information of the location of occurrence or the information of the occurrence probability. It is also possible to change the data collection frequency of sensors installed in places where the possibility of occurrence is high to be higher than the frequency of data collection of sensors installed in places where the possibility of occurrence is low.
  • sensor data at the same time is collected from at least two particle sensors 2, and the collected sensor data is adapted to the monitoring system 100 by machine learning or the like in advance. Since the inference unit 32 is provided for inferring information indicating at least the type of particles occurring in the space 1, the scattering situation, the source of the particles, or the coping method using the generated trained model, the particle sensor is expensive. can be obtained with higher accuracy using the particle sensor 2 having a simple structure without arranging a plurality of .
  • the particle sensor 2 can be small and simple in structure.
  • the building can be flexibly adapted.
  • the present embodiment it is possible to visually grasp invisible things such as the generation of particles in the space 1 that is the object of monitoring. can minimize the impact of For example, when an operator takes an air shower and enters a monitoring target area, it is possible to confirm whether or not particles have been reliably removed.
  • the source of particles moves over time, it can be determined whether the source is a moving object or not. It is possible to appropriately take measures such as prompting to take a bath regardless of whether it is automatic or manual. In this way, it is possible to accurately present the type of particles, the source of the particles, the state of scattering, or the countermeasures against the detection information of particles that are invisible to the naked eye.
  • FIG. 8 is a block diagram showing a configuration example of the analysis device 3 in the monitoring system 100 according to the second embodiment.
  • the analysis device 3 shown in FIG. 8 further includes an inference data generation unit 34 compared to the analysis device 3 shown in FIG. It should be noted that the components other than the analysis device 3 may be the same as those in the first embodiment.
  • the inference data generation unit 34 obtains the moving speed of the detected particles based on the sensor data set obtained by the data obtaining unit 31, and infers the data set further including the obtained moving speed of the particles as the inference data set. Output to unit 32 .
  • the inference data generation unit 34 serves as a preprocessing unit for the inference unit 32 that prepares data necessary for inference by information classification, arithmetic processing, and the like.
  • the inference unit 32 uses a trained model to determine the type of particles generated in the space 1, the scattering situation, the generation source, and the coping method. Predetermined information is inferred from among the information indicating . For example, the inference unit 32 converts the input data set of the trained model from the input data set for inference, inputs the converted input data set into the trained model, and outputs the inference result from the trained model. , the type of particles generated in the space 1, the scattering situation, the source of the generation, and the coping method.
  • the inference unit 32 uses a plurality of trained models that can infer each of the information indicating the type of particles generated in the space 1, the scattering situation, the generation source, and the coping method, and the input inference Information indicating the type of particles generated in the space 1, the scattering situation, the source of the generation, and the coping method may be obtained based on the data set for use.
  • the inference unit 32 includes particle detection results including the degree of depolarization and signal amplitude for each sensor, the moving speed of the particles detected in the detection results, and the detection time and detection location of the detection results.
  • the inference data set is input, the inference data set is input to the trained model as an input data set, and the type of particles generated in space 1, the scattering situation, the source and the countermeasure method are determined. Any predetermined information among the indicated information may be inferred.
  • the inference unit 32 may generate particle detection results for each sensor, including the number of detections within a predetermined period of time, the degree of depolarization and signal amplitude at each detection time or at a representative detection time, and the detection results.
  • the inference data set including the moving speed of the particles detected as a result, the detection time (or its representative time), and the detection location of the detection result is input
  • the inference data set is used as an input data set. Any predetermined information among information indicating the type of particles generated in the space 1, the scattering situation, the source of the generation, and the coping method may be inferred by inputting it to the trained model.
  • the learned model used here may be the example of the learned model described above with the movement speed added to the input data set.
  • the present embodiment differs from Embodiment 1 in that the moving speed of particles is added to the input data set of the trained model.
  • the movement speed is also added to the learning input data set in the model generation unit 62 that generates the trained model.
  • Calculation of the moving speed of particles is performed, for example, by calculating the degree of similarity between the sensor data of the sensor in which the particle was detected and the past sensor data of the sensors arranged around it, and determining if the degree of similarity is equal to or greater than a predetermined threshold. It is also possible to determine that the sets of sensor data are due to the movement of particles of the same type, and to obtain the moving speed of the detected particles from the detection times and detection locations of the sets of sensor data.
  • the sensor data for which the degree of similarity is to be calculated includes, for example, a combination of depolarization degree and signal amplitude, and a combination of depolarization degree, signal amplitude, and number of times of detection.
  • the type of particles generated in the space 1 and the scattering situation are determined using a data set including the moving speed of detected particles obtained from the presence of a plurality of particle sensors 2. Since it is possible to infer any of the predetermined information among the information indicating the source and countermeasures, it is possible to use a particle sensor with a simple structure to achieve higher accuracy without the need to deploy multiple expensive particle sensors. You can get those information.
  • FIG. 9 is a block diagram showing a configuration example of the analysis device 3 in the monitoring system 100 according to Embodiment 3. As shown in FIG.
  • the inference section 32 includes a first inference section 321 and a second inference section 321 . It should be noted that the components other than the inference unit 32 may be the same as those in the first or second embodiment. That is, although not shown, the analysis device 3 may further include an inference data generator 34 .
  • the first inference unit 321 learns based on the input data set. Information indicating the types of particles generated in the space 1 is obtained by using the learned model stored in the model storage unit 51 . The first inference unit 321 sends the obtained inference result (information indicating the type of particles generated in the space 1) to the second inference unit 322 together with the input sensor data set or inference data set. output to
  • the first inference unit 321 receives an input data set including, for example, particle detection results including depolarization and signal amplitude for each sensor, and the detection time and detection location of the detection results, as described above. Then, as an inference result for the input data set, a trained model that outputs information indicating the types of particles generated in the space 1 may be used to obtain information indicating the types of particles. Note that the used trained model is not limited to this. For example, the first inference unit 321 calculates, for each sensor, a particle detection result including depolarization and signal amplitude, a moving speed of the particle detected in the detection result, a detection time and a detection location of the detection result.
  • the sensor data set or the inference data set input to the first inference unit 321 includes all information included in the input data set input to the trained model used by the first inference unit 321 or all of them. Information that can be converted into information and all information included in the input data set input to the trained model used by the second inference unit 321 to be described later or information that can be converted into such information is assumed to be included. do. It should be noted that all information contained in the input data set input to the trained model used by the second inference unit 321 or information that can be converted into such information may not necessarily be contained. It is directly output to the second inference section 321 .
  • the second inference unit 322 is the sensor data set acquired by the data acquisition unit 31 or the inference data set generated by the inference data generation unit 34, and the inference result of the first inference unit 321, the space 1
  • information indicating the type of particles generated in space 1 is input, based on the input data set, generated in space 1 using a trained model stored in trained model storage unit 51 Obtain information that indicates the particle emission status, source, or countermeasures.
  • the second inference unit 322 receives the input After dividing the sensor data set or the inference data set, for each type of particle, based on the data set after classification, using the trained model stored in the trained model storage unit 51 In the space 1 Obtain information indicating the particle scattering situation, source, or countermeasures that are occurring in the Note that the reasoning process is the same as that of the reasoning unit 32 in the first or second embodiment, except that the sensor data set or the reasoning data set input according to the type of particles is selected and the reasoning process is performed. good.
  • the second inference unit 322 outputs the obtained inference result (information indicating the scattering situation for each type of particle, the source of generation, or the coping method) to the result output unit 33 .
  • the input data set used for inference does not need to include sensor data from all the particle sensors 2. For example, It may be processed so as to include only sensor data from some of the particle sensors 2 . However, in that case, the first inference unit 321 and the second inference unit 322 are configured so that all the sensor data from the particle sensor 2 in which the particles are detected are used for inference at least once. Execute the inference process multiple times while changing the data.
  • the first inference unit 321 and the second inference unit 322 based on the input sensor data or inference data, it was determined that particles were detected at a plurality of different locations in the space 1 at approximately the same time.
  • detection location groups may be generated, and inference processing may be executed for each generated detection location group on sensor data belonging to the group.
  • the second inference unit 322 may take over the results of grouping by the first inference unit 321 (information on detection location groups and information on data sets belonging thereto).
  • the first inference unit 321 and the second inference unit 322 for example, make the above determination by two or more particle sensors 2 installed at locations separated by a predetermined distance or more in the space 1. can be determined by whether or not is detected.
  • the classification of the detection locations may be performed based on the positional relationship between the detection locations of the particles and the sensor positions of each sensor data, for example, and it is also possible to use a known clustering method. After grouping the detection locations in this way, inference processing is performed for each detection location group, so that when particles occur in multiple different locations, the information is not confused for each detection location group. Accurate information can be obtained.
  • the inference unit 32 by configuring the inference unit 32 in a multi-stage (two-stage) configuration, it is possible to obtain more accurate and highly accurate information about particles.
  • FIG. 9 shows an example in which the inference unit 32 includes two inference units. It is also possible to Specifically, the inference processing performed by the first inference unit 321 is performed in the first inference processing, and the inference processing performed by the second inference unit 322 is performed in the second inference processing, thereby obtaining the same effect. be able to. In such a case, the inference unit that performs the first inference processing is regarded as the first inference unit, and the inference unit that performs the second inference processing is regarded as the second inference unit.
  • the first inference unit 321 is configured to estimate the type of particles generated in the space 1
  • the second inference unit 322 estimates We classified and selected the input data set for each type of particle, and obtained the scattering situation, source, or countermeasures of particles belonging to the type, but the combination of information estimated by each inference part is not limited to this. .
  • the first inference unit 321 is configured to estimate the source of particles generated in the space 1, and the second inference unit 322 generates particles estimated by the first inference unit 321. It is also possible to classify and select the input data set for each source to obtain the scattering state of particles that are supposed to have been generated from the source, the source, or the coping method. Note that the classification of the input data set for each source may be performed based on, for example, the positional relationship between the sensor data detection location and the source, and a known clustering method can be used.
  • FIG. 9 shows an example of a two-stage inference section
  • the inference section 32 can also be configured to have three or more stages, for example.
  • the first reasoning unit is configured to estimate the type of particles occurring in space 1 .
  • the second inference unit is configured to estimate, for each type of particle estimated by the first inference unit, the source of particles belonging to the type.
  • the third inference unit for each type and source of particles estimated by the first inference unit and the second inference unit, or information indicating a coping method may be estimated.
  • the first inference unit is configured to estimate the source of particles occurring in space 1. Then, the second inference unit estimates, for each particle generation source estimated by the first inference unit, the scattering state (for example, diffusion speed and diffusion direction) of particles that are assumed to have been generated from the source. configured to Then, the third inference unit, for each generation source and scattering situation of the particles estimated by the first inference unit and the second inference unit, may be configured to estimate information indicating how to deal with.
  • the scattering state for example, diffusion speed and diffusion direction
  • FIG. 10 is a block diagram showing a configuration example of the analysis device 3 in the monitoring system 100 according to the fourth embodiment.
  • the analysis device 3 shown in FIG. 10 includes a data analysis section 35 in place of the inference section 32 .
  • the data analysis unit 35 is also connected to an analysis database 52 (hereinafter referred to as an analysis DB 52) so as to be accessible.
  • the configuration may be the same as that of any one of the first to third embodiments except that the data analysis unit 35 is provided instead of the inference unit 32, and the analysis DB 52 is provided instead of the learned model storage unit 51. That is, although not shown, the analysis device 3 may further include an inference data generator 34 .
  • the analysis DB 52 from the sensor data set (data group generated from sensor data and environmental data acquired from two or more particle sensors 2) output from the data acquisition unit 31, the type of particles detected by the sensor, generation Information is stored to identify the source and/or remedy.
  • the analysis DB 52 may be a database that holds particle sizes, particle shapes (aspect ratios), and generation sources (devices or people) in association with each other.
  • the analysis DB 52 may be a database that holds the size of particles, the shape (aspect ratio) of particles, the number of detected particles, and the countermeasures for the particles in association with each other.
  • FIG. 11 is an explanatory diagram conceptually showing an example of the data structure of data held in the analysis DB 52.
  • the data held in the analysis DB 52 has a triaxial data structure.
  • the combination of the three types of data contained in the sensor data set is considered to be a set of rectangular parallelepipeds in a three-dimensional space in which the value range of each data is separated by appropriate delimiters. At least one or all of the information indicating the type of particles and how to deal with them are associated with each area in the field).
  • the data analysis unit 35 determines which rectangular parallelepiped the sensor data set corresponds to based on the values of the three types of predetermined data included in the sensor data set input from the data acquisition unit 31, that is, the three-dimensional data Identify which area of the space it corresponds to, and acquire at least one or all of the information indicating the type of particles linked to the identified area and the object method.
  • the degree of depolarization correlated with the particle shape, the signal amplitude correlated with the particle size, and the number of detected particles correlated with the detected number of particles are plotted as axis data in a three-dimensional data space. is used to obtain information indicating the types of detected particles and countermeasures for each sensor.
  • the data analysis unit 35 determines the position of the generation source based on the information on the installation location of each particle sensor 2 and the information on the number of detections, and the particle sensor 2 with the highest number of detections is installed.
  • a generation source identification process may be performed to identify a location as the generation source.
  • the location information of the devices and people in the space 1 indicated by the environment data is compared with the position of the generation source to determine whether the source is a device or a person, and which device. It is also possible to perform a process of identifying who the person is.
  • the data structure held by the analysis DB 52 is regarded as a three-dimensional data space, and the combination of the three types of data included in the acquired data set is associated with the data to be the analysis result.
  • the data structure held by the analysis DB 52 associates data to be acquired with a combination of two types of data, or associates data to be an analysis result with a combination of four or more types of data. It may be attached. That is, the number of dimensions of the data space for obtaining data as the analysis result, that is, the number of combinations of data used in the acquired data set is not limited to three, and may be less than three or four or more.
  • step a2 based on the sensor data acquired from each particle sensor 2, the data analysis unit 35 performs data analysis processing using the database as described above, and analyzes the particles generated in the space 1. Obtain information indicating type, dispersal status, source and/or countermeasures.
  • the detection locations are grouped. For each detection location group after classification, the analysis processing may be performed on the sensor data belonging to the group.
  • the data set used for analysis by the data analysis unit 35 does not need to include sensor data from all the particle sensors 2. It may be processed to include only sensor data from sensor 2 . However, in that case, the data analysis unit 35 is targeted so that all sensor data from the particle sensor 2 in which particles are detected are used for analysis (more specifically, reference parameters of the DB) at least once. The analysis process is executed multiple times while changing the sensor data to be used.
  • FIG. 12 is a configuration diagram showing an example of the hardware configuration of the analysis device 3, the learning device 6, and their peripherals according to this embodiment.
  • each function of the analysis device 3 and the learning device 6 may be implemented by the signal processing section 9 .
  • each function of the signal processing unit 9 may be realized by the processor 91 and the memory 92 .
  • the signal processing unit 9 also communicates with an external input/output I/F 110 as an interface for external input/output of various information, an input device 120 such as a mouse and a keyboard, and an output device 130 such as a display via a bus or the like. may be connected.
  • the analysis device 3 and the learning device 6 are provided with at least a processor 91 and a memory 92 for realizing the functions of the signal processing section 9 described above.
  • the signal processing unit 9 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • the signal processing unit 9 may implement each function of the analysis device 3 or the learning device 6, or may implement them collectively.
  • the processor 91 may be, for example, a CPU (Central Processing Unit, also referred to as a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, or a DPS) that executes programs stored in memory.
  • a CPU Central Processing Unit
  • each function of the signal processing unit 9 is implemented by software, firmware, or a combination of software and firmware.
  • Software and firmware are written as programs and stored in the memory 92 .
  • the processor 91 realizes each function by reading and executing a program stored in the memory 92, for example. That is, the analysis device 3 and the learning device 6 or each means included in them store a program that results in execution of various steps for realizing the functions of each means realized by the signal processing unit 9.
  • a memory 92 is provided for It can also be said that these programs cause a computer to implement the tracking method described above.
  • the memory 92 corresponds to, for example, non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, magnetic disk, flexible disk, optical disk, compact disk, mini disk, DVD, etc. do.
  • each function of the signal processing unit 9 is partly realized by dedicated hardware (such as a processing circuit) and partly by software or firmware (more specifically, the processor 91 or the like that operates according to it). You may make it Also, at that time, the hardware, software, or firmware uses the information input via the external input/output I/F 110 and the input device 120 to the outside via the external input/output I/F 110 and the output device 130. Information can be output.
  • the analysis device 3 and the learning device 6 can implement the functions described above by hardware, software, firmware, or a combination thereof.
  • 1 space (monitoring target space), 2 particle sensor, 3 analysis device, 4 manufacturing device, 20 laser light source, 21 lens, 22 detection space, 23 fan, 24 prism, 25 light receiving element, 26 amplifier, 27 signal processing unit, 28 polarizer, 100 monitoring system, 31 data acquisition unit, 32 inference unit, 321 first inference unit, 322 second inference unit, 33 result output unit, 34 inference data generation unit, 51 trained model storage unit, 52 Analysis database (analysis DB), 6 learning device, 61 data acquisition unit, 62 model generation unit, 71 display, 72 alarm device, 73 control device, 9 signal processing unit, 91 processor, 92 memory, 110 external input/output I/F, 120 input device, 130 output device

Landscapes

  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

簡易な構造のセンサを使って、監視対象とされた空間内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を精度よく得ることができる監視システムを提供する。　本開示にかかる監視システムは、監視対象とされる空間で発生する粒子を監視する監視システムであって、空間内に複数配置され、それぞれ偏光分離機構を有し、配置場所において採取される媒質に光を照射して媒質中の粒子による散乱光を偏光分離機構を介して受光することにより媒質中の粒子を検出する複数の粒子センサと、複数の粒子センサの各々から、散乱光の偏光解消度を示す情報および受信光の信号振幅を示す情報を含む粒子の検出結果を取得して、空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を取得して、出力する解析装置と、を備えることを特徴とする。

Description

監視システム
　本開示は、クリーンルーム或いは生産ライン建屋内等で製品製造などの作業をする場合における作業環境の空気質を監視する監視システムに関する。
　ＰＭ２．５、花粉又は埃などの浮遊する微小な物質（以下、粒子という）を検出する方法の１つに、光散乱方式と呼ばれる方法がある。光散乱方式は、監視対象とされた空間に光を照射して、その光が粒子に当たって生じる散乱光を検出することにより、粒子の有無、大きさ、種類、量などの検出を行う方法であり、さらに、簡易な構造で高精度な検出が可能な一例として散乱光を偏光分離して上記検出を行うものが挙げられる（例えば、特許文献１～３）。
　これまでクリーンルーム或いは生産ライン建屋内等で粒子の検出目的に用いられるセンサは、高性能パーティクルカウンタに分類される大型で高価格なものが多く、多数配置して空間全体の空気室の把握をする用途には向いていなかった。これに対して、上述したような光散乱方式のセンサは、高性能な検出を比較的簡易な構造で実現できることから小型かつ比較的安価なため、多数配置に適していると考えられる。
　なお、センサを複数配置せずに監視対象とされた空間全体の空気質を監視する方法の一例として、特許文献４に記載の塵埃粒子発生位置特定装置が挙げられる。特許文献４に記載の塵埃粒子発生位置特定装置は、空間内に格子状のサンプリングチューブを配置し、格子状の各点を順次選択的に接続して空気中の粒子密度データを取得し、発生位置を特定する。
日本国特許第６２０７７２２号公報 日本国特許第６２７０７００号公報 日本国特許第６５４２３８５号公報 日本国特許第３４７０３７０号公報
　しかし、特許文献４に記載の方法は、同時に全ての格子点の粒子を検出することができないため、正確な粒子の飛散状況（例えば、各時刻における濃度分布や濃度の時間変化など）を把握することが困難であるという問題がある。
　目に見えず、かつ空間内を浮遊する粒子を精度よく検出し、その発生源、対処法等の情報を精度よく得ようとすると、粒子の種類やそれらの飛散状況を正確に把握することが重要となるが、特許文献４に記載の方法では、空間全体の検出結果を得るのに時間を要するため、正確な粒子の飛散状況の把握が困難である。
　本開示は、上記のような問題点を解決するためになされたものであり、簡易な構造のセンサを使って、監視対象とされた空間内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を精度よく得ることができる監視システムを提供することを目的とする。
　本開示にかかる監視システムの一態様は、監視対象とされる空間で発生する粒子を監視する監視システムであって、空間内に複数配置され、それぞれ偏光分離機構を有し、配置場所において採取される媒質に光を照射して媒質中の粒子による散乱光を偏光分離機構を介して受光することにより媒質中の粒子を検出する複数の粒子センサと、複数の粒子センサの各々から、散乱光の偏光解消度を示す情報および受信光の信号振幅を示す情報を含む粒子の検出結果を取得して、空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を取得して、出力する解析装置と、を備えることを特徴とする。
　本開示によれば、簡易な構造のセンサを使って、監視対象とされた空間内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を精度よく得ることができる監視システムを提供することができる。
実施の形態１による監視システムの例を示す構成図である。 粒子センサの例を示す構成図である。 粒子センサの例を示す構成図である。 実施の形態１による監視システムの動作例を示すフローチャートである。 実施の形態１における解析装置の構成例を示すブロック図である。 学習装置の構成例を示すブロック図である。 結果出力部による結果の出力例を示す説明図である。 実施の形態２における解析装置の構成例を示すブロック図である。 実施の形態３における解析装置の構成例を示すブロック図である。 実施の形態３における解析装置の構成例を示すブロック図である。 分析用ＤＢに保持されるデータのデータ構造の例を示す概念図である。 解析装置および学習装置のハード構成の例を示す構成図である。
実施の形態１．
　以下、本開示にかかる実施の形態１による監視システムについて、図面を参照して説明する。図１は、実施の形態１による監視システム１００の例を示す構成図である。図１に示す監視システム１００は、監視対象とされた空間１内に配置される複数の粒子センサ２と、粒子センサ２の各々と通信可能に接続される解析装置３とを備える。なお、図中の符号４は、空間１内に設置されている製造装置を表しているが、製造装置４はあってもなくてもよい。
　図１に示す例では、空間１を６×４の格子状に分割した領域に計２４個の粒子センサ２を配置している。なお、粒子センサ２の配置および個数はこれに限定されない。例えば、粒子センサ２の数は上記以下でも上記以上でもよい。本例において、各粒子センサ２は解析装置３と無線または有線で通信を行い、各粒子センサ３が同時刻に動作し同時刻に取得したセンサデータを解析装置３に送信する。
　図２および図３は、粒子センサ２の例を示す構成図である。図２および図３に示す粒子センサ２は、偏光分離機構を有し、配置場所において採取される媒質に光を照射して媒質中の粒子による散乱光を偏光分離機構を介して受光することにより媒質中の粒子を検出する。なお、粒子センサ２は、図２および図３に示す構成に限定されず、例えば、偏光分離機構を有し、偏光解消度を求められるもの、上述した特許文献１～３に記載の装置であってもよい。
　図２に示す粒子センサ２は、光を照射するレーザー光源２０と、センサ２内に設けられる検出用空間２２に該光を集光させるレンズ２１と、検出用空間２２に粒子を取り込むファン２３と、該光が粒子に当たって発生した散乱光をｓ波とｐ波に偏光分離するプリズム２４と、偏光光（ｓ波とｐ波）のそれぞれを受光する受光素子２５と、受光素子２５から出力される偏光光の受信強度に基づく電気信号を増幅するアンプ２６と、増幅後の信号を処理する信号処理部２７とを有する。
　図３に示す粒子センサ２は、偏光分離機構として、プリズム２４に代えて偏光板２８を備えている。図３に示す粒子センサ２は、散乱光を検出可能な２つの異なる光路にそれぞれ偏光板２８を備えることで、散乱光をｓ波とｐ波に偏光分離した後、対応する受光素子２５で受光させる。
　図２または図３に示す粒子センサ２では、ファン２３によって生じる空気の流れに乗って検出用空間２２に取り込まれる粒子に向けて、レーザー光源２０から照射されたレーザー光がレンズ２１により集光される。集光された光が粒子に当たると散乱光が発生する。その散乱光がプリズム２４または偏光板２８を通過すると、ｐ波（第１の偏光光）とｓ波（第２の偏光光）とに分離される。分離された各偏光光がそれぞれ受光素子２５に受光され、電気信号に変換されてアンプ２６を介して信号処理部２７に出力される。信号処理部２７は、それぞれ偏光光の受信強度に基づく電気信号（Ｐ信号とＳ信号）を基に、散乱光の偏光解消度と、Ｐ信号およびＳ信号を組み合わせた散乱光の信号振幅（またはピーク強度）とを出力する。ここで、粒子によって発生した散乱光の偏光解消度は、粒子の形状（より具体的には、アスペクト比）を示すセンサデータの例であり、散乱光の信号振幅またはピーク強度は、粒子の大きさを示すセンサデータの例である。なお、信号処理部２７が、信号振幅またはピーク強度の時間変化を基に規定の時間内での粒子の検出回数（検出個数）を検出するパーティクルカウンタとしての機能を有していてもよい。
　なお、粒子センサ２において、レンズ２１、ファン２３、アンプ２６は必須ではなく、高精度で簡易な構造の光散乱式のセンサとしては、例えば、光源と、偏光分離機構（上記例でいうプリズム２４又は偏光板２８等）と、受光素子２５と、信号処理部２７とを備えていればよい。
　本実施の形態において、監視システム１００は、このような偏光分離機構を有する光散乱方式の粒子センサ２を複数有しているものとする。各粒子センサ２は、上述したようなセンサデータを、決められたタイミングで、定期的にまたは要求に応じて解析装置３に無線又は優先で送信する。
　各粒子センサ２には識別情報が予め与えられており、解析装置３は、それら各粒子センサ２の識別情報と設置位置を示す情報とを対応づけて記憶していてもよい。解析装置３は、各粒子センサ２から粒子の検出結果を示すセンサデータを収集する。センサデータには、偏光解消度など粒子の形状と相関のある情報と、信号振幅またはピーク強度など粒子の検出有無および大きさと相関のある情報とが少なくとも含まれる。センサデータは、さらに検出時間、センサの位置（もしくはそれを取得可能な識別情報等）、当検出時間における検出個数を含んでもよい。
　なお、解析装置３は、例えば、各粒子センサ２が出力したセンサデータを格納する図示しないデータベースを介して、センサデータを収集してもよい。その場合、解析装置３は、そのようなデータベースにアクセスして、各粒子センサ２が出力したセンサデータを収集してもよい。解析装置３は、少なくとも２以上の粒子センサ２から同時刻のセンサデータを収集できるものとする。なお、空間１に配置されたすべての粒子センサ３から同時刻のセンサデータを収集できるのが好ましい。ここで、同時刻のセンサデータとは、同じ時刻に検出もしくは出力されたセンサデータをいう。なお、厳密に同じ時刻でなくてもよく、監視システムの用途に合致する範囲内において同じ時刻と認められる差異（例えば、±数秒程度）であれば、同じ時刻とみなしてもよい。換言すると、予め定められた誤差範囲内において同じ時刻と認められる時刻と対応づけられたセンサデータであればよい。
　図４は、実施の形態１による監視システム１００の動作例を示すフローチャートである。図４に示す例では、まず解析装置３が、監視対象とされた空間１内に配置されている各粒子センサ２からセンサデータを取得する（ステップａ１）。次いで、解析装置３は、各粒子センサ２から取得したセンサデータを基に、データ解析処理（後述する推論処理）を行って空間１内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を得る（ステップａ２）。最後に、解析装置３は、得られた情報を出力する（ステップａ３）。
　解析装置３による情報の出力態様は、特に限定されないが、一例として、ディスプレイなどの情報表示機器への表示情報の出力、警報器などやスピーカなどの出力機器等への制御信号・音声データ等の出力、対処方法を実現するための各種制御装置（例えば、空調機器、自動扉制御装置など）への制御信号の出力、データベース等の情報保持装置へのログ情報の出力などが挙げられる。
　次に、解析装置３による解析処理について説明する。図５は、実施の形態１による監視システム１００における解析装置３の構成例を示すブロック図である。図５に示す解析装置３は、学習済みモデルを使用して、収集したセンサデータから空間１内において発生している粒子の種類、飛散状況、粒子の発生源および対処方法の少なくともいずれかを示す情報を得る。
　ここで、粒子の種類を示す情報は、粒子のクラスタ（分類）を示す情報であってもよい。また、粒子の飛散状況を示す情報は、粒子の拡散速度および拡散方向を示す情報や、粒子の飛散によって影響を受ける範囲（以下、影響範囲という）を示す情報であってもよい。また、粒子の発生源を示す情報は、空間１内に位置を示す情報であってもよい。また、粒子の対処方法を示す情報は、赤ら締め定めておいた具体的処理または行動を指示する指示情報であってもよい。
　図５に示す解析装置３は、データ取得部３１と、推論部３２と、結果出力部３３とを備える。また、推論部３２は、学習モデル記憶部５１とアクセス可能に接続されている。
　データ取得部３１は、監視対象とされた空間１内に配置されている各粒子センサ２からセンサデータを取得し、取得したセンサデータを、取得元の粒子センサ２の位置（すなわち検出場所）を示す情報およびセンサデータの検出時間を示す情報と対応づけて後段の推論部３２に出力する。以下、データ取得部３１から出力される情報を、センサデータセットという場合がある。このとき、データ取得部３１は、取得したセンサデータに対して加工・変換などを行ったものを、センサデータセットとして出力してもよい。ここで、加工・変換には個々のデータ形式の変換のみならず、２以上のデータに対する統計処理や、過去に取得したセンサデータやその他のデータ（後述する環境データなど）を追加する追加処理、複数ある要素の一部を削除する削除処理等も含まれる。本例では、データ取得部３１による加工・変換は、データの収集速度を優先するため、一次元的な処理（同種のデータの線形演算、または単なる要素の追加・削除など）に留まるとして、複雑な演算（例えば、異種のデータ間の相関をとるなど）は含まないものとする。また、データ取得部３１は、センサデータ以外の情報であって、後段の推論部３２が必要な情報、例えば、装置や作業員の状態・位置・空間１内の空気の流れ（風向き）などを示す環境データを収集して、センサデータセットに含ませることも可能である。
　推論部３２は、データ取得部３１から各粒子センサ２から収集したセンサデータを含むセンサデータセット（ここでは、少なくとも２以上のセンサについてのセンサデータと検出場所と検出時間とを対応づけた情報）が入力されると、入力されたセンサデータセットを基に、学習済みモデル記憶部５１に記憶されている学習済みモデルを利用して空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を得る。また、推論部３２は、得られた情報を結果出力部３３に出力する。
　推論部３２は、データ取得部３１から入力されたセンサデータセットを基に、学習済みモデルを用いて、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を推論する。推論部３２は、例えば、入力されたセンサデータセットを学習済みモデルの入力データセットに変換し、変換した入力データセットを学習済みモデルに入力して、学習済みモデルから出力される推論結果を、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報として得てもよい。なお、センサデータセットの形式が既に入力データセットの形式に合致している場合は、推論部３２は、入力されたセンサデータセットをそのまま入力データセットとして学習済みモデルに入力すればよい。学習済みモデルは、予め後述する学習装置６等で、入力データセットに含まれる各種情報と、出力データ（空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報）との関係を学習したものであればよい。学習済みモデルの生成に用いる学習方法（学習アルゴリズム）は特に限定されない。なお、推論部３２は、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のそれぞれを推論可能な複数の学習済みモデルを利用して、入力されたセンサデータセットを基に、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のそれぞれを得てもよい。
　なお、推論部３２が推論に用いる入力データセットは、すべての粒子センサ２からのセンサデータを含んでいる必要はなく、例えば、空間１内に配置された粒子センサ２のうちの一部の粒子センサ２からのセンサデータのみを含むよう加工されてもよい。ただし、その場合は、推論部３２は、粒子が検出された粒子センサ２からのセンサデータのすべてが少なくとも１度は推論に用いられるよう、対象とするセンサデータを変えながら複数回、推論処理を実行する。ここで、１回の推論処理において、どのセンサデータを対象にするかは特に限定されないが、例えば、予め空間１内の領域を分割等してブロックごとに当該ブロック内に位置するセンサから取得したセンサデータを対象にする、粒子の検出回数が多いセンサを優先的に選択した上で、そのセンサと位置が近いセンサを一群のセンサとし、該一群のセンサからのセンサデータを対象にする、といった方法で決定されてもよい。
　また、推論部３２は、入力されたセンサデータまたは推論用データに基づき、空間１内の複数の異なる場所で略同時間に粒子が検出されたと判断した場合に、検出場所をグループ分けし、分類後の検出場所グループごとに、当該グループに属するセンサデータを対象にして推論処理を実行してもよい。ここで、推論部３２は、例えば、上記判断を、空間１内の所定距離以上離れた場所に設置された２以上の粒子センサ２で同じ検出時間に粒子が検出されたかどうかで判断してもよい。このように検出場所をグループ分けした上で、検出場所グループごとに推論処理を行うことで、粒子が複数の異なる場所で発生した場合に、情報を混同させずにそれぞれの検出場所グループに対して的確な情報を得ることができる。
　なお、図４に示す例では、解析装置３内に推論部３２を含む例を示したが、推論部３２は、解析装置３とは別個の装置（図示しない推論装置など）として実装されてもよい。例えば、推論部３２は、ネットワークを介して解析装置３に接続されてもよい。さらに、推論部３２は、クラウドサーバ上に存在してもよい。
　学習済みモデルは、例えば、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の種類を示す情報を出力するものであってもよい。
　また、学習済みモデルは、例えば、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の飛散状況を示す情報を出力するものであってもよい。他の例として、学習済みモデルは、例えば、センサごとの、第１の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、第１の検出時間より１つ前の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の飛散状況を示す情報を出力するものであってもよい。各検出場所での１つ前の時間の粒子の検出結果を入力データセットに含ませることで、より高精度に粒子の飛散状況を示す情報を得ることができる。さらに他の例として、学習済みモデルは、例えば、センサごとの、既定の時間内での検出回数、検出回ごともしくは代表的な検出回での偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の飛散状況を示す情報を出力するものであってもよい。各検出場所での粒子の量を示す検出回数を入力データセットに含ませることで、より高精度に粒子の飛散状況を示す情報を得ることができる。さらに他の例として、学習済みモデルは、例えば、センサごとの、既定の時間内での検出回数、検出回ごともしくは代表的な検出回での偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間（またはその代表時間）および検出場所と、環境データに含まれる風向きを示す情報とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の飛散状況を示す情報を出力するものであってもよい。
　また、学習済みモデルは、例えば、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の発生源を示す情報を出力するものであってもよい。他の例として、学習済みモデルは、例えば、センサごとの、第１の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、第１の検出時間より１つ前の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、各検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の発生源を示す情報を出力するものであってもよい。時系列において１つ前の時間の粒子の検出結果を入力データセットに含ませることで、より高精度に粒子の発生源を示す情報を得ることができる。さらに他の例として、学習済みモデルは、例えば、センサごとの、既定の時間内での検出回数、検出回ごともしくは代表的な検出回の検出偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の発生源を示す情報を出力するものであってもよい。各検出場所での粒子の量を示す検出回数を入力データセットに含ませることで、より高精度に粒子の発生源を示す情報を得ることができる。
　また、学習済みモデルは、例えば、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の対処方法を示す情報を出力するものであってもよい。他の例として、学習済みモデルは、例えば、センサごとの、第１の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、第１の検出時間より１つ前の検出時間における偏光解消度および信号振幅を含む粒子の検出結果と、各検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の対処方法を示す情報を出力するものであってもよい。時系列において１つ前の時間の粒子の検出結果を入力データセットに含ませることで、より高精度に発生中の粒子の対処方法を示す情報を得ることができる。さらに他の例として、学習済みモデルは、例えば、センサごとの、既定の時間内での検出回数、検出回ごともしくは代表的な検出回の検出偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間（またはその代表時間）および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の対処方法を示す情報を出力するものであってもよい。各検出場所での粒子の量を示す検出回数を入力データセットに含ませることで、より高精度に発生中の粒子の対処方法を示す情報を得ることができる。
　推論部３２に入力されるセンサデータセットには、推論部３２が利用する学習済みモデルに入力する入力データセットに含まれるすべての情報またはそれら情報に変換可能な情報が含まれているものとする。
　このような学習済みモデルは、例えば、図６に示すような監視システム１００に関する学習装置によって得られたものであってもよい。図６に示す学習装置６は、データ取得部６１と、モデル生成部６２とを備える。また、モデル生成部６２は、学習モデル記憶部５１とアクセス可能に接続されている。
　一例として、データ取得部６１は、異なる位置に配置された２以上の粒子センサ２から収集されるセンサデータとしての偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む学習用入力データセットと、正解データとしての空間１内において発生している粒子の種類を示す情報とを、学習用データとして取得する。
　また、モデル生成部６２は、データ取得部６１が収集した学習用入力データセットと正解データの組み合わせに基づいて生成される学習用データに基づいて、任意の位置に配置された２以上の粒子センサ２から収集される偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットに対して推論結果とされる、空間１内において発生している粒子の種類を示す情報を学習する。すなわち、監視システム１００に適用される、学習用入力データセットと正解データから最適な、空間１内において発生している粒子の種類を示す情報を推論する学習済みモデルを生成する。ここで、学習用データは、学習用入力データセットと、正解データとを互いに関連付けたデータである。
　また、別の例として、データ取得部６１は、異なる位置に配置された２以上の粒子センサ２から収集されるセンサデータとしての偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む学習用入力データセットと、正解データとしての空間１内において発生している粒子の飛散状況を示す情報とを、学習用データとして取得する。
　また、モデル生成部６２は、データ取得部６１が収集した学習用入力データセットと正解データの組み合わせに基づいて生成される学習用データに基づいて、任意の位置に配置された２以上の粒子センサ２から収集される偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットに対して推論される、空間１内において発生している粒子の飛散状況を示す情報を学習する。すなわち、監視システム１００に適用される、学習用入力データセットと正解データから最適な、空間１内において発生している粒子の飛散状況を示す情報を推論する学習済みモデルを生成する。
　また、別の例として、データ取得部６１は、異なる位置に配置された２以上の粒子センサ２から収集されるセンサデータとしての偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む学習用入力データセットと、正解データとしての空間１内において発生している粒子の発生源を示す情報とを、学習用データとして取得する。
　また、モデル生成部６２は、データ取得部６１が収集した学習用入力データセットと正解データの組み合わせに基づいて生成される学習用データに基づいて、任意の位置に配置された２以上の粒子センサ２から収集される偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットに対して推論される、空間１内において発生している粒子の発生源を示す情報を学習する。すなわち、監視システム１００に適用される、学習用入力データセットと正解データから最適な、空間１内において発生している粒子の発生源を示す情報を推論する学習済みモデルを生成する。
　また、別の例として、データ取得部６１は、異なる位置に配置された２以上の粒子センサ２から収集されるセンサデータとしての偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む学習用入力データセットと、正解データとしての空間１内において発生している粒子の対処方法を示す情報とを、学習用データとして取得する。
　また、モデル生成部６２は、データ取得部６１が収集した学習用入力データセットと正解データの組み合わせに基づいて生成される学習用データに基づいて、任意の位置に配置された２以上の粒子センサ２から収集される偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットに対して推論される、空間１内において発生している粒子の対処方法を示す情報を学習する。すなわち、監視システム１００に適用される、学習用入力データセットと正解データから最適な、空間１内において発生している粒子の対処方法を示す情報を推論する学習済みモデルを生成する。
　なお、データ取得部６１が取得する学習用入力データセットは、上記の例に限定されない。学習用入力データセットは、学習済みモデルに入力する入力データセットと同じデータであればよい。
　モデル生成部６２が用いる学習アルゴリズムは、例えば、教師あり学習、強化学習、教師なし学習などの公知のアルゴリズムを用いることができる。一例として、ニューラルネットワークを適用した場合について説明する。モデル生成部６２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、任意の入力データセットに対する推論結果とされる出力データ（本例では、空間１内において発生している粒子の種類、飛散状況、発生源または対処方法を示す情報）を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。
　ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）および複数のニューロンからなる出力層で構成される。中間層は、１層または２層以上でもよい。
　ニューラルネットワークの一例としては、複数の入力層に入力されると、その値に重みを掛けて後段の中間層に入力される処理を繰り返し、最終的に出力層から出力される。このとき、出力結果は各層を移動するときに付与される重みの値によって変化する。本題において、ニューラルネットワークは、データ取得部６１によって取得される学習用入力データセットと正解データの組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、任意の入力データセットに対する推論結果とされる出力データを学習する。換言すると、ニューラルネットワークは、入力層に学習用入力データセットを入力して出力層から出力された結果が、正解データに近づくように、層間を移動する際のニューロン間の重みを調整することで学習する。
　モデル生成部６２は、以上のような学習を実行することで、学習済みモデルを生成してもよい。
　学習装置６は、監視システム１００が収集可能なセンサデータから、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を学習するために使用されるが、監視システム１００に含まれていてもよいし、この監視システム１００とは別個の装置として実装されてもよい。また、学習装置６は、ネットワークを介して監視システム１００に接続されてもよい。さらに、学習装置６は、クラウドサーバ上に存在してもよい。
　なお、上記の例では、モデル生成部６２が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習または半教師あり学習を適用することも可能である。
　次に、学習アルゴリズムとして強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ　Ｌｅａｒｎｉｎｇ）を適用した場合について説明売る。例えば、強化学習では、ある環境内におけるエージェント（行動主体）が、現在の状態（環境パラメータ）を観測し、取るべき行動を決定する。エージェント（本例の場合、空間１に対する各種制御装置や製造装置４等）の行動により環境が動的に変化し、エージェントには環境の変化に応じて報酬が与えられる。エージェントはこれを繰り返し、一連の行動を通じて報酬が最も多く得られる行動方針を学習する。強化学習の代表的な手法として、Ｑ学習（Ｑ－ｌｅａｒｎｉｎｇ）やＴＤ学習（ＴＤ－ｌｅａｒｎｉｎｇ）が知られている。例えば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式は数１で表される。
Figure JPOXMLDOC01-appb-M000001
　数１において、Ｓｔは時刻ｔにおける環境の状態を表し、ａｔは時刻ｔにおける行動を表す。行動ａｔにより、状態はｓｔ＋１に変わる。ｒｔ＋１はその状態の変化によってもらえる報酬を表し、γは割引率を表し、αは学習係数を表す。なお、γは０＜γ≦１、αは０＜α≦１の範囲とする。本例では、例えば、空間１内における粒子への対処方法を行動ａｔとし、その時の空間１内の状態を示す学習用入力データセットを状態ｓｔとし、時刻ｔの状態ｓｔにおける最良の行動ａｔを学習する。
　数１で表される更新式は、時刻ｔ＋１における最もＱ値の高い行動ａの行動価値Ｑが、時刻ｔにおいて実行された行動あの行動価値Ｑよりも大きければ行動価値Ｑを大きくし、ぎゃうの場合は行動価値Ｑを小さくする。換言すれば、時刻ｔにおける行動ａの行動価値Ｑを、時刻ｔ＋１における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。それにより、ある環境における最良の行動価値あ、それ以前の環境における行動価値に順次伝搬していくようになる。このように入力された行動と状態に基づいて、報酬を計算し、計算された報酬に従って、任意の状態（入力データセット）に対する最良の行動（粒子への対処方法）を決定するための関数を更新し、学習済みモデル記憶部５１に出力してもよい。例えば、Ｑ学習の場合、数１で表される行動価値関数Ｑ（ｓｔ，ａｔ）を、任意の状態（入力データセット）に対する推論結果としての出力データ（対処方法を示す情報）を得るための関数として用いる。
　以上のような学習を繰り返し実行し、最終的に更新された行動価値関数Ｑ（ｓｔ，ａｔ）を学習済みモデルとして学習済みモデル記憶部５１に記憶してもよい。
　次に、学習アルゴリズムとして教師なし学習を適用した場合について説明する。教師なし学習を用いる場合、例えば、モデル生成部６２は、データ取得部６１が取得する互いに相関のあるセンサデータである偏光解消度と信号振幅の組み合わせに基づいて作成される学習用データに基づいて、粒子の種類を学習してもよい。換言すると、モデル生成部６２は、監視システム１００において粒子センサ２からのセンサデータの偏光解消度および信号振幅から、粒子の種類を推論する学習済みモデルを生成してもよい。ここで、学習用データは、偏光解消度と信号振幅を互いに関連付けたデータである。
　教師なし学風とは、結果（ラベル）を含まない学習用データを学習装置に与えることで、それらの学習用データにある特徴を学習する手法をいう。モデル生成部６２は、例えば、Ｋ平均法によるクラスタリング（グループ分け）手法に従って、いわゆる教師なし学習により、粒子の種類を学習するものであってもよい。
　Ｋ平均法は、非階層型クラスタリングのアルゴリズムであり、クラスタの平均を用い、与えられたクラスタ数をｋ個に分類する手法である。より具体的には、Ｋ平均法は以下のような流れで処理される。まず、各データｘｉに対してランダムにクラスタを割り振る。次いで、割り振ったデータをもとに各クラスタの中心Ｖｊを計算する。次いで、各ｘｉとＶｊとの距離を求め、ｘｉを最も近い中心のクラスタに割り当てなおす。そして、上記の処理ですべてのｘｉのクラスタの割り当てが変化しなかった場合、あるいは変化量が事前に設定した一定の閾値を下回った場合に、収束したと判断して処理を終了する。推論部３２は、例えば、そのようにして生成された学習済みモデルを用いて、粒子センサ２ごとのセンサデータに含まれる偏光解消度と信号振幅がいずれのクラスタに属するかを推論することで、推論結果として粒子の種類を示す情報を得てもよい。
　上記各例において、モデル生成部６２は、複数の監視システム１００に対して作成される学習用データに従って推論結果とされる出力データを学習するようにしてもよい。なお、モデル生成部６２は、同種の空間で使用される１つまたは複数の監視システム１００から学習用データを取得してもよいし、別種の空間で使用される１つまたは複数の監視システム１００から収集される学習用データを利用して推論結果とされる出力データを学習することも可能である。また、学習用データの収集先を途中で追加、除去することも可能である。さらに、ある監視システム１００に関して推論結果とされる出力データを学習した学習装置を、これとは別の監視システム１００に適用し、当該別の監視システム１００に関して推論結果とされる出力データを再学習して学習済みモデルを更新することも可能である。
　また、モデル生成部６２に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の応報、例えば、遺伝的プログラム、機能論理プログラム、サポートベクタマシンなどに従って機械学習を実行してもよい。
　結果出力部３３は、推論部３２から入力された情報（推論結果）を外部に出力する。結果出力部３３は、推論部３２から入力された情報（推論結果）を、その種類等に応じて所定の出力先に出力する。結果出力部３３は、例えば、入力された情報が粒子の種類や飛散状況を示す情報であれば、表示用の情報に加工してディスプレイ７１などの情報表示機器に出力してもよい。また、結果出力部３３は、例えば、入力された情報が粒子の発生源を示す情報であれば、表示用の情報に加工してディスプレイ７１などの情報表示機器に出力してもよいし、発生源に近い警報装置７２に制御信号を出力して警報を鳴らしてもよい。また、結果出力部３３は、例えば、入力された情報が対処方法を示す情報であれば、表示用の情報に加工してディスプレイ７１などの情報表示機器に出力して監視員に行動を促したり、自動制御可能であれば、対処方法の内容に応じて予め対応づけられた制御装置７３に制御信号を出力する。対処方法は、例えば、発生源に最も近い排気口の流量を上げる、あるいはスポット吸引機を発生源に向ける、粒子の濃度が非常に高い時には対象空間内の空気を全て強制排出するなどが考えられる。なお、図５では、結果の出力先として、ディスプレイ７１、警報装置７２および制御装置７３を示しているが、あくまで一例であり、これに限定されない。
　結果出力部３３は、得られた推論結果を、空間１内のマップと重畳させて表示させてもよい。例えば、鳥瞰図のように表示することでわかりやすく視覚化する。結果出力部３３は、例えば、粒子の種類を示す情報が得られる場合に、ディスプレイ７１に、空間１内のマップと重畳させて該粒子の検出場所に対応した位置に粒子の種類に応じた文字、記号または図形などを表示してもよい。また、その際、種類に応じた色分けなどを併せて行ってもよい。また、結果出力部３３は、例えば、粒子の発生源を示す情報が得られる場合に、ディスプレイ７１に、空間１内のマップ（見取り図など）または映像と重畳させて粒子の発生源に対応する位置にその旨を示す文字、記号または図形などを表示させてもよい。また、結果出力部３３は、例えば、粒子の飛散状況を示す情報が得られる場合において、ディスプレイ７１に、空間１内のマップまたは映像と重畳させて粒子の飛散状況（影響範囲）を示す情報を表示させてもよい。その場合において、結果出力部３３は、各センサデータに含まれる粒子の検出回数などの情報からマップ上または映像上の各ブロックにおける粒子の濃度を算出し、粒子の濃度が高いほど影響範囲を表示する際の表示色を濃くし、濃度が低いほど表示色を薄くするなど、濃度による色分けを行ってもよい。すなわち、結果出力部３３は、推定された粒子の種類や表示先の領域における粒子の濃度に応じて少なくとも表示する文字、記号、図形または色を変化させるなど表示態様を異ならせることができる。
　図７は、結果出力部３３による結果の出力例を示す説明図である。図７に示す例は、ディスプレイ７１に、空間１内のマップまたは映像と重畳させて粒子の飛散状況として粒子の影響範囲を表示する際に、粒子の濃度によって影響範囲の表示色を分けた例である。なお、図７では図面規則の関係上、表示色ではなく網掛けの濃さを異ならせている。また、図７では、粒子の飛散状況の情報とともに、粒子の種類および対象方法の情報が文字によって示されている。このように、結果出力部３３は、粒子が検出された場所がその濃度により色づけされており、粒子濃度により高い方から低い方へ色が濃いものから薄いものに表示してもよい。さらに、結果出力部３３は、粒子の発生源や粒子の飛散の様子が分かるように、ユーザが、濃度の閾値、表示の更新速度、格子の細かさなどを調整できるようにしてもよい。なお、粒子の発生源の表示数には限りがなく、全ての発生源を表示するのが好ましい。
　また、結果出力部３３は、粒子センサ２間で濃度（単位時間あたりの検出回数）を比較し、格子間のデータを補完してもよい。また、結果出力部３３は、図７に示す例において、そのような空間１内における粒子の濃度分布が示された鳥瞰図の下に、検出された粒子の種類およびその対処方法としてユーザーが取るべき行動を表示している。
　濃度を表示する場合において、結果出力部３３または図示しない他の指示部が、生産ライン等において製品の抜き取り検査等の品質結果を行う際の、抜き取りタイミングを示す情報を展開してもよい。すなわち、粒子の濃度が低いときは品質検査の頻度を下げ、粒子の濃度が高いときは品質検査の頻度を上げる指示を出力してもよい。粒子の濃度により製品の品質検査の頻度を変えることで生産効率を向上させることも可能である。
　また、監視対象とされる空間１において複数の場所で粒子が発生した場合に、例えば粒子の濃度が高い場所から対処方法を適用するなど優先順位を付けることで製品製造等への影響を最低限に抑えることができる。すなわち、得られた情報から対処の優先度を付けることで、製品の生産性を向上させることができる。
　また、結果出力部３３は、推論部３２より出力される飛散状況または発生源を、例えば、環境データと照合することで、影響範囲内に含まれる装置や人を特定する、発生源とされる装置または人を特定することも可能である。なお、結果出力部３３は、例えば、前回の出力結果と最新の出力結果とを比較して得られる粒子の時間的な分布移動を基に、発生源の移動の有無を判定し、発生源が固定の装置か移動体であるかを特定してもよい。なお、発生源の特定方法の他の例としては、得られた結果から検出粒子の濃度の空間分布と時間変化を求め、それにより示される飛散状況（拡散速度、拡散方向）と、空間１の物体配置情報とから、発生源として例えば人（他の移動体を含む）なのか製造装置なのかを解析装置にて特定する方法が挙げられる。なお、結果出力部３３は、そのようにして得られた発生源の情報からより最適な対処方法の出力方法を選択することも可能である。例えば、発生源が移動している作業者と考えられる場合は作業員に対処法を知らせる、アラームを鳴らすなどが考えられる。
　結果出力部３３は、例えば、データ取得部３１により取得されるセンサデータが更新されて推論結果が更新されるごとに上記表示の更新を行うことで、よりリアルタイムに近くかつ分かりやすく視覚化する。
　本実施の形態において、粒子センサ２の設置位置は特に限定されないが、例えば、空間１内の床面または装置の上に等間隔に配置されてもよい。最も一般的なクリーンルームは、天井から床に向かって清浄な空気を流す事でクリーン度を保っているので、粒子センサ２を床面または製造装置４等の上に上から見て等間隔に配置することで、空間１内における粒子の発生を比較的漏れが少なく監視できる。また、例えば、粒子センサ２は、空間１内において粒子の発生する可能性が相対的に高い場所、例えば摩擦が起こるような場所およびその周囲には密に配置し、相対的に低い場所およびその周囲には疎に配置してもよい。後者の場合すなわち粒子センサ２の配置間隔に疎密がある場合に配置する場合において、データ取得部３１は、密に配置された領域内のセンサからデータを収集する頻度を、疎に配置された領域内のセンサからデータを収集する頻度より高くしてもよい。このようにすることで、より粒子の発生する可能性の高い領域の監視を強めることができる。なお、粒子センサ２の配置間隔が等間隔である場合において、予め設定された発生場所の予測情報または発生確率の情報を基に、データ取得部３１が、センサデータの収集頻度を変化させる、すなわち発生の可能性の高い場所に設置されたセンサのデータの収集頻度を、発生の可能性の低い場所に設置されたセンサのデータの収集頻度よりも高くする変化させることも可能である。
　以上のように、本実施の形態によれば、少なくとも２以上の粒子センサ２から同時刻のセンサデータを収集し、収集したセンサデータに対して、予め機械学習等により監視システム１００に適合させて生成した学習済みモデルを利用して、少なくとも空間１内において発生している粒子の種類、飛散状況、発生源または対処方法を示す情報を推論する推論部３２を備えているので、高額な粒子センサを複数配置しなくても、簡易な構造の粒子センサ２を使って、より高精度にそれらの情報を得ることができる。
　例えば、クリーンルーム内または生産ライン建屋内で粒子が発生した場合、検出場所だけでなく、粒子の種類、発生源、飛散状況、対処方法が分かれば、粒子の発生および発生した粒子の影響をすばやく止めることができる。ここでいう対処方法は手動、自動を問わない。粒子発生およびその影響をすばやく止めることができれば、クリーンルーム内または生産ライン建屋内で製造している製品の生産性・品質・歩留りの低下を最小限に抑えることができる。また、粒子の発生状況を時間と共に記録しておくことで、将来の不具合、不良品解析に用いることも可能である。
　また、本実施の形態によれば、粒子センサ２は小型で簡易な構造のものでよいため、粒子センサ２の配置位置を監視エリアに適した配置にすることによって、様々なクリーンルーム或は生産ライン建屋に柔軟に対応することができる。
　また、本実施の形態によれば、監視対象とされた空間１内の粒子の発生状況といった目に見えないものを、視覚的に捉えることができるので、適切な対処をすばやく実施でき、粒子発生の影響を最小限に抑えることが出来る。例えば、作業者がエアシャワーを浴び監視対象エリアに入室した際、確実に粒子が除去されたか否かを確認することができる。また、時間と共に粒子の発生源が移動する場合など発生源が移動体か否かを判断することができるので、粒子が残存する場合にその作業者に向けてアラームを鳴らすなどして再度エアシャワーを浴びるように促すなどといった対処を自動か手動を問わず、適切に行うことができる。このように、目には見えない粒子の検出情報に対して、粒子の種類、発生源、飛散状況または対処方法を的確に提示することができるので、クリーンルーム等の清浄度を保つことができる。
実施の形態２．
　次に、実施の形態２による監視システム１００について、図面を参照して説明する。図８は、実施の形態２による監視システム１００における解析装置３の構成例を示すブロック図である。図８に示す解析装置３は、図５に示す解析装置３と比べてさらに推論用データ生成部３４を備える。なお、解析装置３以外は、実施の形態１と同様でよい。
　推論用データ生成部３４は、データ取得部３１が取得したセンサデータセットを基に、検出された粒子の移動速度を求め、求めた粒子の移動速度をさらに含むデータセットを推論用データセットとして推論部３２に出力する。推論用データ生成部３４は、推論部３２に対して、推論に必要なデータを情報の分類や演算処理等によって整える前処理部の役目を担う。
　推論部３２は、推論用データ生成部３４から入力される推論用データセットを基に、学習済みモデルを用いて、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を推論する。推論部３２は、例えば、入力された推論用データセットから学習済みモデルの入力データセットを変換し、変換した入力データセットを学習済みモデルに入力して、学習済みモデルから出力される推論結果を、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報として得てもよい。なお、推論部３２は、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のそれぞれを推論可能な複数の学習済みモデルを利用して、入力された推論用データセットを基に、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のそれぞれを得てもよい。
　一例として、推論部３２は、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果で検出された粒子の移動速度と、該検出結果の検出時間および検出場所とを含む推論用データセットが入力されると、該推論用データセットを入力用データセットとして学習済みモデルに入力して、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を推論してもよい。
　他の例として、推論部３２は、センサごとの、既定の時間内での検出回数、検出回ごともしくは代表的な検出回での偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果で検出された粒子の移動速度と、該検出結果の検出時間（またはその代表時間）および検出場所とを含む推論用データセットが入力されると、該推論用データセットを入力用データセットとして学習済みモデルに入力して、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を推論してもよい。ここで使用される、学習済みモデルは、上述した学習済みモデルの例において、入力データセットに移動速度が追加されたものであってもよい。
　このように、本実施の形態では、学習済みモデルの入力データセットに粒子の移動速度が追加される点で実施の形態１と異なる。なお、学習済みモデルを生成するモデル生成部６２における学習用入力データセットにも同様、移動速度が追加される。
　粒子の移動速度の算出は、例えば、粒子が検出されたセンサのセンサデータと、その周囲に配置されたセンサの過去のセンサデータとの類似度を算出し、類似度が所定の閾値以上であったセンサデータの組みを、同種の粒子の移動によるものと判断して、それらセンサデータの組みの検出時間と検出場所とから検出粒子の移動速度を求めてもよい。ここで、類似度の算出対象とするセンサデータとしては、例えば、偏光解消度と信号振幅の組みや、偏光解消度と信号振幅と検出回数の組みなどが挙げられる。
　以上のように、本実施の形態によれば、さらに粒子センサ２が複数あることから得られる検出粒子の移動速度を含むデータセットを用いて空間１内において発生している粒子の種類、飛散状況、発生源および対処方法を示す情報のうち予め決められたいずれかの情報を推論できるので、高額な粒子センサを複数配置しなくても、簡易な構造の粒子センサを使って、より高精度にそれらの情報を得ることができる。
　特に、粒子の移動速度の情報を追加して推論結果を得ることで、例えば、粒子の飛散状況（またはその影響範囲）を高精度に得ることができるので、例えば、生産ライン等において、どこで粒子が発生しているかがリアルタイムに把握できる。そして、そのようなリアルタイムの情報に基づいて、それぞれの箇所での最適な対処方法を得ることも可能である。なお、上述したように、推論用データセットから推論結果として対処方法を示す情報を得ることも可能である。
実施の形態３．
　次に、実施の形態３による監視システム１００について、図面を参照して説明する。図９は、実施の形態３による監視システム１００における解析装置３の構成例を示すブロック図である。
　図９に示す解析装置３において、推論部３２は、第１の推論部３２１と、第２の推論部３２１とを含む。なお、推論部３２以外は、実施の形態１または実施の形態２と同様でよい。すなわち、図示省略しているが、解析装置３は、推論用データ生成部３４をさらに含んでもよい。
　第１の推論部３２１は、データ取得部３１によって取得されたセンサデータセットまたは推論用データ生成部３４が生成した推論用データセットが入力されると、入力されたデータセットを基に、学習済みモデル記憶部５１に記憶されている学習済みモデルを利用して空間１内において発生している粒子の種類を示す情報を得る。第１の推論部３２１は、得られた推論結果（空間１内において発生している粒子の種類を示す情報）を、入力されたセンサデータセットまたは推論用データセットとともに、第２の推論部３２２に出力する。
　第１の推論部３２１は、例えば、上述したような、センサごとの偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として、空間１内において発生している粒子の種類を示す情報を出力する学習済みモデルを利用して、粒子の種類を示す情報を得てもよい。なお、利用する学習済みモデルは、これに限定されない。例えば、第１の推論部３２１は、センサごとの、偏光解消度および信号振幅を含む粒子の検出結果と、該検出結果で検出された粒子の移動速度と、該検出結果の検出時間および検出場所とを含む入力データセットを入力して、該入力データセットに対する推論結果として空間１内において発生している粒子の種類を示す情報を出力する学習済みモデルを利用してもよい。ここで、第１の推論部３２１に入力されるセンサデータセットまたは推論用データセットには、第１の推論部３２１が利用する学習済みモデルに入力する入力データセットに含まれるすべての情報またはそれら情報に変換可能な情報と、後述する第２の推論部３２１が利用する学習済みモデルに入力する入力データセットに含まれるすべての情報またはそれら情報に変換可能な情報とが含まれているものとする。なお、第２の推論部３２１が利用する学習済みモデルに入力する入力データセットに含まれるすべての情報またはそれら情報に変換可能な情報は必ずしも含まれていなくてもよく、その場合、該情報は直接第２の推論部３２１に出力される。
　第２の推論部３２２は、データ取得部３１によって取得されたセンサデータセットまたは推論用データ生成部３４が生成した推論用データセットと、第１の推論部３２１の推論結果である、空間１内において発生している粒子の種類を示す情報とが入力されると、入力されたデータセットを基に、学習済みモデル記憶部５１に記憶されている学習済みモデルを利用して空間１内において発生している粒子の飛散状況、発生源または対処方法を示す情報を得る。ここで、第２の推論部３２２は、第１の推論部３２１により得られた、空間１内において発生している粒子の種類を示す情報によって識別される粒子の種類に応じて、入力されたセンサデータセットまたは推論用データセットを分けた上で、粒子の種類ごとに、分類後のデータセットを基に、学習済みモデル記憶部５１に記憶されている学習済みモデルを利用して空間１内において発生している粒子の飛散状況、発生源または対処方法を示す情報を得る。なお、粒子の種類に応じて入力されたセンサデータセットまたは推論用データセットを選別して推論処理を行う点以外は、実施の形態１または実施の形態２における推論部３２の推論処理と同様でよい。
　第２の推論部３２２は、得られた推論結果（粒子の種類ごとの飛散状況、発生源または対処方法を示す情報）を結果出力部３３に出力する。
　第１の推論部３２１および第２の推論部３２２においても、推論に用いる入力データセットは、すべての粒子センサ２からのセンサデータを含んでいる必要はなく、例えば、空間１内に配置された粒子センサ２のうちの一部の粒子センサ２からのセンサデータのみを含むよう加工されてもよい。ただし、その場合は、第１の推論部３２１および第２の推論部３２２は、粒子が検出された粒子センサ２からのセンサデータのすべてが少なくとも１度は推論に用いられるよう、対象とするセンサデータを変えながら複数回、推論処理を実行する。
　また、第１の推論部３２１および第２の推論部３２２においても、入力されたセンサデータまたは推論用データに基づき、空間１内の複数の異なる場所で略同時間に粒子が検出されたと判断した場合に、検出場所グループを生成し、生成した検出場所グループごとに、当該グループに属するセンサデータを対象にして推論処理を実行してもよい。なお、第１の推論部３２１がグループ分けした結果（検出場所グループの情報およびそれに属するデータセットの情報）を、第２の推論部３２２が引き継ぐことも可能である。ここで、第１の推論部３２１および第２の推論部３２２は、例えば、上記判断を、空間１内の所定距離以上離れた場所に設置された２以上の粒子センサ２で同じ検出時間に粒子が検出されたかどうかで判断してもよい。また、検出場所の分類は、例えば、粒子の検出場所と各センサデータのセンサ位置との位置関係に基づいて行えばよく、公知のクラスタリング手法を用いることも可能である。このように検出場所をグループ分けした上で、検出場所グループごとに推論処理を行うことで、粒子が複数の異なる場所で発生した場合に、情報を混同させずにそれぞれの検出場所グループに対して的確な情報を得ることができる。
　以上のように、本実施の形態によれば、推論部３２を多段（２段）構成とすることで、より的確で高精度な、粒子に関する情報を得ることができる。
　ここで、図９では、推論部３２が２つの推論部を含む例を示したが、例えば、１度のデータ解析処理（ａ２）において、１つの推論部が２回の推論処理を行うよう構成することも可能である。具体的には、１回目の推論処理で第１の推論部３２１が行う推論処理を行い、２回目の推論処理で第２の推論部３２２が行う推論処理を行うことで、同様の効果を得ることができる。そのような場合において、１回目の推論処理を行う推論部を第１の推論部、２回目の推論処理を行う推論部を第２の推論部とみなす。
　また、上述した例では、第１の推論部３２１で、空間１内において発生している粒子の種類を推定するよう構成し、第２の推論部３２２で、第１の推論部３２１によって推定された粒子の種類ごとに入力用データセットを分類・選別して、当該種類に属する粒子の飛散状況、発生源または対処方法を得たが、各推論部で推定する情報の組み合わせはこの限りではない。
　例えば、第１の推論部３２１で、空間１内において発生している粒子の発生源を推定するよう構成し、第２の推論部３２２で、第１の推論部３２１によって推定された粒子の発生源ごとに入力用データセットを分類・選別して、当該発生源より生じたとされる粒子の飛散状況、発生源または対処方法を得るよう構成することも可能である。なお、発生源ごとの入力用データセットの分類は、例えばセンサデータの検出場所と発生源との位置関係に基づいて行えばよく、公知のクラスタリング手法を用いることが可能である。
　また、図９では、２段構成の推論部の例を提示したが、推論部３２を、例えば３段以上の構成にすることも可能である。一例として、第１の推論部を、空間１内において発生している粒子の種類を推定するよう構成する。そして、第２の推論部を、第１の推論部によって推定された粒子の種類ごとに、当該種類に属する粒子の発生源を推定するよう構成する。そして、第３の推論部を、第１の推論部および第２の推論部によって推定された粒子の種類および発生源ごとに、当該発生源から発生したとされる当該種類に属する粒子の飛散状況を示す情報または対処方法を示す情報を推定するよう構成してもよい。
　他の例として、第１の推論部を、空間１内において発生している粒子の発生源を推定するよう構成する。そして、第２の推論部を、第１の推論部によって推定された粒子の発生源ごとに、当該発生源より発生したとされる粒子の飛散状況（例えば、拡散速度と拡散方向など）を推定するよう構成する。そして、第３の推論部を、第１の推論部および第２の推論部によって推定された粒子の発生源および飛散状況ごとに、当該発生源から発生したとされる当該飛散状況に応じた粒子の対処方法を示す情報を推定するよう構成してもよい。
　このように、推論部３２を多段構成とすることで、より的確で高精度な、粒子に関する情報を得ることができる。
実施の形態４．
　次に、実施の形態４による監視システム１００について、図面を参照して説明する。図１０は、実施の形態４による監視システム１００における解析装置３の構成例を示すブロック図である。
　図１０に示す解析装置３は、推論部３２に代えて、データ分析部３５を備える。また、データ分析部３５は、分析用データベース５２（以下、分析用ＤＢ５２という）とアクセス可能に接続されている。なお、推論部３２に代えてデータ分析部３５を備える点、学習済みモデル記憶部５１に代えて分析用ＤＢ５２を備える点以外の構成については、実施の形態１～３のいずれかと同様でよい。すなわち、図示省略しているが、解析装置３は、推論用データ生成部３４をさらに含んでもよい。
　分析用ＤＢ５２には、データ取得部３１から出力されるセンサデータセット（２以上の粒子センサ２から取得したセンサデータおよび環境データから生成されるデータ群）から、センサが検出した粒子の種類、発生源および対処方法の少なくともいずれかの情報を特定するための情報が蓄積されている。例えば、分析用ＤＢ５２は、粒子のサイズと、粒子の形状（アスペクト比）と、発生源（装置や人）とを対応づけて保持するデータベースであってもよい。また、例えば、分析用ＤＢ５２は、粒子のサイズと、粒子の形状（アスペクト比）と、粒子の検出個数と、該粒子の対処方法とを対応づけて保持するデータベースであってもよい。
　図１１は、分析用ＤＢ５２に保持されるデータのデータ構造の例を概念的に示す説明図である。図１１に示す例では、分析用ＤＢ５２に保持されるデータは、３軸のデータ構造になっている。すなわち、センサデータセットに含まれる３種のデータの組み合わせを、各データの値域を適度な区切りで区切った３次元空間の直方体の集合体と考え、それぞれの直方体（３次元データ空間を領域分割した際の各領域）に対して粒子の種類および対処方法を示す情報の少なくともいずれかもしくはそれらすべてを紐づける。
　データ分析部３５は、データ取得部３１から入力されるセンサデータセットに含まれる予め定められた３種のデータの値を基に、該センサデータセットがどの直方体に該当するか、すなわち３次元データ空間のどの領域に該当するかを特定し、特定した領域に紐づけられている粒子の種類および対象方法を示す情報の少なくともいずれかもしくはそれらすべてを取得する。
　図１１に示す例では、粒子の形状と相関のある偏光解消度と、粒子のサイズと相関のある信号振幅と、粒子の検出個数と相関のある検出回数とを３次元データ空間の軸データに用いて、各センサごとに、検出粒子の種類および対処方法を示す情報を得る例を示している。
　なお、上記に加えて、データ分析部３５は、例えば、発生源の位置を、各粒子センサ２の設置場所の情報と検出回数の情報から、検出回数が最も多い粒子センサ２が設置されている場所を発生源と特定する発生源特定処理を行ってもよい。なお、発生源特定処理では、さらに環境データで示される空間１内の装置および人の位置情報と発生源の位置とを照合して、発生源が装置であるか人であるか、またどの装置であるか誰であるかを特定する処理を行うことも可能である。
　なお、上記の例では、分析用ＤＢ５２が保持するデータ構造を３次元データ空間に見立てて、取得されたデータセットに含まれる３種のデータの組み合わせに対して、分析結果とするデータを対応づける例を示したが、分析用ＤＢ５２が保持するデータ構造は２種のデータの組み合わせに対して取得したいデータを対応づけたり、４種以上のデータの組み合わせに対して分析結果とされるデータを対応づけるものであってもよい。すなわち、分析結果とされるデータを得るためのデータ空間の次元数、すなわち取得されたデータセットにおける利用データの組み合わせ数は、３つに限定されず、３未満でも４以上でもよい。
　本実施の形態の動作は、基本的に実施の形態１～３と同様でよい。ただし、ステップａ２において、データ分析部３５が、各粒子センサ２から取得したセンサデータを基に、上述したようなデータベースを利用したデータ分析処理等を行って空間１内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を得る。
　なお、データ分析部３５においても、入力されたセンサデータまたは推論用データに基づき、空間１内の複数の異なる場所で略同時間に粒子が検出されたと判断した場合に、検出場所をグループ分けし、分類後の検出場所グループごとに、当該グループに属するセンサデータを対象にして分析処理を実行してもよい。
　また、データ分析部３５が分析に用いるデータセットは、すべての粒子センサ２からのセンサデータを含んでいる必要はなく、例えば、空間１内に配置された粒子センサ２のうちの一部の粒子センサ２からのセンサデータのみを含むよう加工されてもよい。ただし、その場合は、データ分析部３５は、粒子が検出された粒子センサ２からのセンサデータのすべてが少なくとも１度は分析（より具体的にはＤＢの参照パラメータ）に用いられるよう、対象とするセンサデータを変えながら複数回、分析処理を実行する。
　以上のように、本実施の形態によれば、機械学習を利用しない簡易な構成で、空間１内において発生している粒子の種類、飛散状況、発生源および対処方法の少なくともいずれかを示す情報を得ることができる。なお、他の点に関しては、実施の形態１～３と同様である。
　図１２は、本実施の形態の解析装置３、学習装置６およびそれらの周辺のハードウェア構成の例を示す構成図である。図１２に示すように、解析装置３および学習装置６の各機能は、信号処理部９により実現されてもよい。また、信号処理部９の各機能は、プロセッサ９１とメモリ９２とにより実現されてもよい。また、信号処理部９は、バス等を介して、さらに各種情報の外部入出力用のインタフェースである外部入出力Ｉ／Ｆ１１０、マウスやキーボードなどの入力装置１２０、およびディスプレイなどの出力装置１３０と接続されていてもよい。
　すなわち、解析装置３および学習装置６は、上述の信号処理部９の機能を実現するためのプロセッサ９１およびメモリ９２を少なくとも備える。
　信号処理部９は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものであってもよい。信号処理部９は、解析装置３または学習装置６の各機能のそれぞれを実現してもよいし、まとめて実現してもよい。
　プロセッサ９１は、例えば、メモリに格納されるプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＰＳともいう）であってもよい。その場合、信号処理部９の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアやファームウェアはプログラムとして記述され、メモリ９２に格納される。プロセッサ９１は、例えば、メモリ９２に記憶されたプログラムを読み出して実行することにより、各機能を実現する。すなわち、解析装置３および学習装置６もしくはそれらに含まれる各手段等は、信号処理部９が実現する各手段の機能を実現するための各種ステップが結果的に実行されることになるプログラムを格納するためのメモリ９２を備える。また、これらのプログラムは、上述した追尾方法をコンピュータに実現させるものであるともいえる。ここで、メモリ９２は、例えば、ＲＡＭ、ＲＯＭ、フラシュメモリー、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性または揮発性の半導体メモリや、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等が該当する。
　なお、信号処理部９の各機能について、一部を専用のハードウェア（処理回路等）で実現し、一部をソフトウェアまたはファームウェア（より具体的には、それに従って動作するプロセッサ９１等）で実現するようにしてもよい。また、その際、それらハードウェア、ソフトウェアまたはファームウェアは、外部入出力Ｉ／Ｆ１１０および入力装置１２０を介して入力される情報を利用する、外部入出力Ｉ／Ｆ１１０および出力装置１３０を介して外部に情報を出力する等ができる。
　このように、解析装置３および学習装置６は、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。
　１　空間（監視対象空間）、２　粒子センサ、３　解析装置、４　製造装置、２０　レーザー光源、２１　レンズ、２２　検出用空間、２３　ファン、２４　プリズム、２５　受光素子、２６　アンプ、２７　信号処理部、２８　偏光板、１００　監視システム、３１　データ取得部、３２　推論部、３２１　第１の推論部、３２２　第２の推論部、３３　結果出力部、３４　推論用データ生成部、５１　学習済みモデル記憶部、５２　分析用データベース（分析用ＤＢ）、６　学習装置、６１　データ取得部、６２　モデル生成部、７１　ディスプレイ、７２　警報装置、７３　制御装置、９　信号処理部、９１　プロセッサ、９２　メモリ、１１０　外部入出力Ｉ／Ｆ、１２０　入力装置、１３０　出力装置

Claims (14)

  1. 　監視対象とされる空間で発生する粒子を監視する監視システムであって、
    　前記空間内に複数配置され、それぞれ偏光分離機構を有し、配置場所において採取される媒質に光を照射して前記媒質中の粒子による散乱光を前記偏光分離機構を介して受光することにより前記媒質中の粒子を検出する複数の粒子センサと、
    　前記複数の粒子センサの各々から、前記散乱光の偏光解消度を示す情報および前記受信光の信号振幅を示す情報を含む粒子の検出結果を取得して、前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を取得して、出力する解析装置と、を備える
    　ことを特徴とする監視システム。
  2. 　前記解析装置は、
    　前記複数の粒子センサの各々から、前記散乱光の偏光解消度を示す情報および前記受信光の信号振幅を示す情報を含む粒子の検出結果を取得するデータ取得部と、
    　前記データ取得部により取得された前記粒子の検出結果と、前記検出結果の検出時間および検出場所を示す情報とを含むセンサデータセットを基に、予め定められた学習済みモデルを利用して、前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を推論する推論部と、
    　前記推論結果とされる前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を外部に出力する結果出力部と、を有する
    　請求項１に記載の監視システム。
  3. 　前記解析装置は、
    　前記データ取得部により取得された前記粒子の検出結果と、前記検出結果の検出時間および検出場所を示す情報とを含むセンサデータセットを基に、検出された粒子の移動速度を算出し、前記センサデータセットに、算出した移動速度を追加した推論用データセットを生成する推論用データ生成部を有する
    　請求項２に記載の監視システム。
  4. 　前記推論部は、
    　前記センサデータセットまたは前記センサデータセットに検出された粒子の移動速度が追加された推論用データセットを基に、前記空間において発生している粒子の種類、発生源および飛散状況の少なくともいずれかを示す情報を推論する第１の推論部と、
    　前記センサデータセットまたは前記推論用データセットと、前記第１の推論部によって取得された情報とを基に、前記第１の推論部によって取得された情報以外の情報であって、前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を推論する第２の推論部と、を含む
    　請求項２または３に記載の監視システム。
  5. 　前記第１の推論部は、前記粒子センサごとの前記散乱光の偏光解消度を示す情報および前記受信光の信号振幅を示す情報を含む粒子の検出結果を含むデータセットに基づいて、前記粒子センサで検出された粒子の種類を推論し、
    　前記第２の推論部は、前記粒子センサごとの前記散乱光の偏光解消度を示す情報および前記受信光の信号振幅を示す情報を含む粒子の検出結果と、前記検出結果の検出時間および検出場所を示す情報と、前記検出結果で示される粒子の移動速度とを含むデータセットに基づいて、前記粒子の種類ごとに、前記空間内において発生している粒子の飛散状況、発生源または対処方法を示す情報を推論する
    　請求項４に記載の監視システム。
  6. 　前記推論部は、前記空間内の複数の異なる場所で略同時間に粒子が検出されたと判断した場合に、検出場所のグループごとに、前記推論を行う
    　請求項２から５のうちのいずれか１項に記載の監視システム。
  7. 　前記解析装置は、
    　前記推論部に代えて、前記データ取得部により取得された前記粒子の検出結果と、前記検出結果の検出時間および検出場所を示す情報とを含むセンサデータセット、または前記センサデータセットに検出された粒子の移動速度が追加された推論用データセットを基に、前記センサデータセットまたは前記推論用データセットに含まれる２種以上のデータの値域の組み合わせに対応する、前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を保持する分析用データベースを利用して、推論結果として前記空間において発生している粒子の種類、発生源、飛散状況および対処方法の少なくともいずれかを示す情報を取得するデータ分析部を有する
    　請求項１から６のうちのいずれか１項に記載の監視システム。
  8. 　前記結果出力部は、推論結果として粒子の発生源を示す情報が得られる場合において、前回の出力結果と最新の出力結果とを比較して発生源の移動の有無を判定し、発生源が固定の装置か移動体であるかを特定する
    　請求項１から７のうちのいずれか１項に記載の監視システム。
  9. 　前記結果出力部は、前記空間のマップまたは映像上に前記推論結果を重畳して表示する
    　請求項１から８のうちのいずれか１項に記載の監視システム。
  10. 　前記結果出力部は、前記空間のマップまたは映像への前記推論結果の重畳において、粒子の種類または表示先の各領域で検出されている粒子の濃度に応じて表示態様を異ならせる
    　請求項９に記載の監視システム。
  11. 　前記複数の粒子センサは、前記空間内の床面または装置の上に等間隔に、または粒子の発生する可能性の高さに応じた粗密となるように配置される
    　請求項１から１０のうちのいずれか１項に記載の監視システム。
  12. 　前記データ取得部は、粒子の発生する可能性の高さまたは前記粒子センサの配置の粗密に応じて、前記複数の粒子センサの各々から粒子の検出結果を取得する頻度を変化させる
    　請求項１から１１のうちのいずれか１項に記載の監視システム。
  13. 　前記対処方法を示す情報には、品質検査のタイミングの更新、警報の出力、換気装置の制御、空間内にいる作業員への情報提示の少なくとも１つが含まれる
    　請求項１から１２のうちのいずれか１項に記載の監視システム。
  14. 　前記複数の粒子センサは、偏光分離機構として偏光板を備える
    　請求項１から１３のうちのいずれか１項に記載の監視システム。
PCT/JP2021/015051 2021-04-09 2021-04-09 監視システム WO2022215260A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/015051 WO2022215260A1 (ja) 2021-04-09 2021-04-09 監視システム
JP2023512632A JPWO2022215260A1 (ja) 2021-04-09 2021-04-09

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/015051 WO2022215260A1 (ja) 2021-04-09 2021-04-09 監視システム

Publications (1)

Publication Number Publication Date
WO2022215260A1 true WO2022215260A1 (ja) 2022-10-13

Family

ID=83545791

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/015051 WO2022215260A1 (ja) 2021-04-09 2021-04-09 監視システム

Country Status (2)

Country Link
JP (1) JPWO2022215260A1 (ja)
WO (1) WO2022215260A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6117648U (ja) * 1984-07-09 1986-02-01 日立電子エンジニアリング株式会社 ダストモニタの集中管理装置
JPH1114112A (ja) * 1997-06-20 1999-01-22 Sanpo Denki Kk クリーンルームの空気清浄性能評価方法、装置及びプログラムを記録した可読記録媒体
WO2015156037A1 (ja) * 2014-04-08 2015-10-15 三菱電機株式会社 浮遊粒子検出装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6117648U (ja) * 1984-07-09 1986-02-01 日立電子エンジニアリング株式会社 ダストモニタの集中管理装置
JPH1114112A (ja) * 1997-06-20 1999-01-22 Sanpo Denki Kk クリーンルームの空気清浄性能評価方法、装置及びプログラムを記録した可読記録媒体
WO2015156037A1 (ja) * 2014-04-08 2015-10-15 三菱電機株式会社 浮遊粒子検出装置

Also Published As

Publication number Publication date
JPWO2022215260A1 (ja) 2022-10-13

Similar Documents

Publication Publication Date Title
US11941868B2 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
US20140046878A1 (en) Method and system for detecting sound events in a given environment
JP5224401B2 (ja) 監視システムおよび方法
JP5218906B2 (ja) 煙検出装置及び煙検出方法
US20180112173A1 (en) A method and system for automated microbial colony counting from streaked saple on plated media
US10235629B2 (en) Sensor data confidence estimation based on statistical analysis
JP6903142B2 (ja) 異常検出装置、異常検出方法及びプログラム
CN104254873A (zh) 视频监控系统中的警报量归一化
CN111199555A (zh) 毫米波雷达目标识别方法
JP2012118838A (ja) 監視対象者の行動を監視する装置及び方法
CN102037354A (zh) 监测水质的系统和方法
US20220067584A1 (en) Model generation apparatus, model generation method, computer-readable storage medium storing a model generation program, model generation system, inspection system, and monitoring system
JP4723544B2 (ja) 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
Anderka et al. Automatic ATM Fraud Detection as a Sequence-based Anomaly Detection Problem.
CN106706109B (zh) 一种基于时域二维特性的振动源识别方法及系统
Umoh et al. Support vector machine-based fire outbreak detection system
US20220165433A1 (en) Assessment of exposure to airborne pathogens
Bennetts et al. Creating true gas concentration maps in presence of multiple heterogeneous gas sources
WO2022215260A1 (ja) 監視システム
Shukla et al. Survey on image mining, its techniques and application
US20210271217A1 (en) Using Real Time Data For Facilities Control Systems
KR20220112913A (ko) 불꽃 및 연기 자동 감지 방법 및 이를 이용하는 확장 cnn 기반의 감시 시스템
CN115917458A (zh) 数据处理装置、数据处理方法及数据处理程序
Czibula et al. A novel approach using fuzzy self-organizing maps for detecting software faults
KR20200080087A (ko) 설비 결함 검출 장치 및 방법

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: 21936063

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023512632

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21936063

Country of ref document: EP

Kind code of ref document: A1