特開 2022-27684 マンホールポンプの異常未然検知方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022027684

(43)【公開日】2022-02-14

(54)【発明の名称】マンホールポンプの異常未然検知方法

(51)【国際特許分類】

   E03F 5/22 20060101AFI20220203BHJP

   G06N 20/00 20190101ALN20220203BHJP

【ＦＩ】

E03F5/22

G06N20/00

【審査請求】未請求

【請求項の数】1

【出願形態】ＯＬ

(21)【出願番号】P 2021124837

(22)【出願日】2021-07-29

(31)【優先権主張番号】P 2020128196

(32)【優先日】2020-07-29

(33)【優先権主張国・地域又は機関】JP

【国等の委託研究の成果に係る記載事項】（出願人による申告）国等の委託研究の成果に係る特許出願（令和元年度国土技術政策総合研究所「下水道革新的技術実証事業（Ｂ－ＤＡＳＨプロジェクト）」委託研究、産業技術力強化法１７条の適用を受ける出願）

(71)【出願人】

【識別番号】515195440

【氏名又は名称】株式会社新日本コンサルタント

(71)【出願人】

【識別番号】397028016

【氏名又は名称】株式会社日水コン

(71)【出願人】

【識別番号】509042518

【氏名又は名称】エコモット株式会社

(74)【代理人】

【識別番号】110002996

【氏名又は名称】特許業務法人宮田特許事務所

(72)【発明者】

【氏名】阿曽 克司

(72)【発明者】

【氏名】堀 孝成

(72)【発明者】

【氏名】中村 元紀

(72)【発明者】

【氏名】服部 貴彦

(72)【発明者】

【氏名】水谷 智彦

(72)【発明者】

【氏名】谷裏 弘晃

(72)【発明者】

【氏名】松永 崇

(72)【発明者】

【氏名】庄内 道博

(72)【発明者】

【氏名】吉村 貴志

(72)【発明者】

【氏名】岩本 卓三

(72)【発明者】

【氏名】田川 哲哉

【テーマコード（参考）】

2D063

【Ｆターム（参考）】

2D063DC04

(57)【要約】

【課題】維持管理費の効率化やコスト削減し、さらには現場作業員の負担の軽減することができるマンホールポンプ異常の未然検知方法を提供することを目的とする。
【解決手段】マンホールポンプの電流値時系列データを、学習用基準時刻を終点とする所定期間分抽出し、前記学習用基準時刻から予測検出期間経過時点までの間に異常が発生したか否かの状態とともにセットとしてニューラルネットワークに入力して学習させることによって、任意の評価用基準時刻を始点とする前記予測検出期間内の異常確度計算器を作成し、前記異常確度計算器に任意の前記評価用基準時刻までの前記所定期間分の電流値時系列データを入力することにより、当該マンホールポンプにおいて前記評価用基準時刻から前記予測検出期間経過後までの間に異常が発生する確度を推測することを以て未然に異常発生の検知が可能となる。
【選択図】図１

【特許請求の範囲】

【請求項1】

マンホールポンプの電流値時系列データを、学習用基準時刻を終点とする所定期間分抽出し、
前記学習用基準時刻から予測検出期間経過時点までの間に異常が発生したか否かの状態とともにセットとしてニューラルネットワークに入力して学習させることによって、任意の評価用基準時刻を始点とする前記予測検出期間内の異常確度計算器を作成し、
前記異常確度計算器に任意の前記評価用基準時刻までの前記所定期間分の電流値時系列データを入力することにより、当該マンホールポンプにおいて前記評価用基準時刻から前記予測検出期間経過後までの間に異常が発生する確度を推測することを以て未然に異常発生の検知が可能となることを特徴とするマンホールポンプ異常の未然検知方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、マンホールポンプの異常を未然に検知する方法に関する。

【背景技術】

【0002】

汚水を流すマンホールポンプは、全国に約４万７千基設置されている。老朽化した設備の管理維持費や更新の費用が年々増大する一方、現場で作業する人手不足が大きな課題となっている。
従来、下水道のマンホールポンプには、アラート機能が付いており、ポンプの過負荷、ポンプの長時間運転やポンプの故障等の場合にはアラートを発報し、これを受けて作業員が現場に行き、修繕補修を行っていた。
しかしながら、老朽化した施設の維持管理や更新の費用が年々増大する一方、現場で作業する人員の加重な負担も課題になっている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－０２０２６４

【特許文献2】特開２０１６－０１８５２６

【特許文献3】特開２０１６－０１２１５８

【特許文献4】特開２０１２－０３８２９８

【発明の概要】

【発明が解決しようとする課題】

【0004】

そこで本発明は、上記事情に鑑みて、維持管理費の効率化やコストを削減し、さらには現場作業員の負担を軽減することができるマンホールポンプの異常未然検知方法を提供することを目的とする。

【課題を解決するための手段】

【0005】

上記目的を達成するために本発明に係るマンホールポンプの異常未然検知方法は、マンホールポンプの電流値時系列データを、学習用基準時刻を終点とする所定期間抽出し、前記学習用基準時刻から予測検出期間経過時点までの間に異常が発生したか否かの状態とともにセットとしてニューラルネットワークに入力して学習させることによって、任意の評価用基準時刻を始点とする前記予測検出期間内の異常確度計算器を作成し、前記異常確度計算器に任意の前記評価用基準時刻までの前記所定期間分の電流値時系列データを入力することにより、当該マンホールポンプにおいて前記評価用基準時刻から前記予測検出期間経過後までの間に異常が発生する確度を推測することを以て未然に異常発生の検知が可能となることを特徴とする。

【発明の効果】

【0006】

本発明に係るマンホールポンプの異常未然検知方法によれば、近い将来起こり得るマンホールポンプの異常を検知することが可能なので、異常発生までの時間を確保できる。これにより、修繕準備や計画の見直しなどを効率的に行うことができるので、緊急出動や夜間待機の緩和を目指すことができ、延いては現場作業員の負担の軽減にも貢献できるものである。また、本発明に係るマンホールポンプの異常未然検知方法における異常確度計算器は、対象ポンプにつき学習用の異常データが３件以上あれば構築が可能であるため、一般に大量のデータが必要であるといわれる深層学習において、異常データが少ない状況下でもデータを確保しやすい量であることから、有用性が非常に高いものである。

【図面の簡単な説明】

【0007】

【図1】異常確度計算器の教師データの説明図である。

【図2】学習済みニューラルネットワークの評価データにおける異常と正常それぞれの正解数のグラフである。

【図3】未然検知方法の運用事例のグラフである。

【発明を実施するための形態】

【0008】

以下、本発明の異常未然検知方法の実施例について図面に基づいて説明する。
本実施例の異常未然検知方法は、現場作業員の夜間（18:00～翌日9:00の15時間を想定）の出動を軽減することを主な目的としている。そのためには、現在から15時間後までの間にポンプの異常が発生する予兆を捉えることが必要である。
本実施例では、教師データを作成してニューラルネットワークに入力し学習させることによって、予測検出期間内の異常確度計算器を作成し、異常確度計算器によって算出される、評価用基準時刻Ｒ２を始点とする予測検出期間Ｅ内にポンプ異常が起こる確度Ａを以て、ポンプ異常の未然検知を行う。予測検出期間Ｅとは、ポンプ異常の発生の予測の対象となる、評価用基準時刻Ｒ２を始点とする一定期間のことであって、予測検出期間Ｅの長さは教師データの作成時に定めるものである。なお、以降において学習用基準時刻Ｒ１および評価用基準時刻Ｒ２とは、ともに各種イベントを代表する、例えば現在時刻や任意の判定時刻、ポンプの異常発生時刻等を指していて、学習用基準時刻Ｒ１は教師データの作成時に用いる時刻であり、評価用基準時刻Ｒ２は異常確度計算器の利用時にユーザーが指定する時刻のことである。また、教師データの作成において、ポンプの異常発生時刻とは、ポンプの既存のアラート発報機能による異常警報の発報時刻を指す。

【0009】

本実施例では、IoT機能を有する電流計（以降、IoT電流計と記す）を用いてリアルタイムで取得される電流値データを用いる。
本実施例におけるIoT電流計は、０．０５秒毎にサンプリングした電流値データを１分毎に１２００個ずつ送信するものである。
また、以降において電流値時系列データとは、前記電流値データが時刻毎に並んでいるデータ列のことであり、前記IoT電流計による電流値データから、本実施例では最短１分間隔（IoT電流計による電流値データ転送の最短間隔）の任意の学習用基準時刻Ｒ１または評価用基準時刻Ｒ２を終点として収集される。そして、１つの電流値時系列データは、学習用基準時刻Ｒ１または任意の評価用基準時刻Ｒ２を終点とした所定期間Ｐ（本実施例では24時間とする）分の、１分刻毎または１秒刻毎のポンプの運転時間平均の電流値データの列（本実施例では１４３８分刻分と１２０秒刻分の計２４時間分）として構成されている。
ここで、１分刻毎または１秒刻毎のポンプの運転時間平均の電流値データとはそれぞれ、IoT電流計が計測した１分間（本実施例では当該分刻の０秒から５９．９５秒まで）の電流値データ１２００個または1秒間（本実施例では当該秒刻の０秒から０．９５秒まで）の電流値データ２０個のうち、ポンプが運転した時刻（分刻または秒刻）の電流値データのみ、すなわち値がゼロ以外の電流値データについて、その電流値の合計をそのデータ数の合計で除することで平均した電流値データのことであり、毎分刻または毎秒刻を代表した電流値データを意味する。
そして、所定期間Ｐ分の、１分刻毎または1秒刻毎のポンプの運転時間平均の電流値データの列（電流値時系列データ）とは、１分刻毎または１秒刻毎のポンプの運転時間平均の電流値データが、所定時間Ｐ分連なったデータ列のことである。（本実施例では、1分刻毎の運転時間平均１４３８個ののち1秒刻毎の運転時間平均１２０個の連続した２４時間分のデータ列を用いた。）つまり、所定期間Ｐの長さが、異常確度計算器への入力データである電流値時系列データのデータ長となる。

【0010】

異常確度計算器とは、ポンプ異常が発生する時刻よりも前の電流値時系列データから、評価用基準時刻Ｒ２を始点とする予測検出期間Ｅ内にポンプが異常状態となる確からしさである確度Ａを出力するものである。
異常確度計算器の構築は、ニューラルネットワークを用いて次のように行う。まずは、ニューラルネットワークに学習させる教師データを作成する。図１は教師データの説明図である。

【0011】

教師データは、電流値時系列データの集合である入力データと、その時のポンプの状態（正常または異常の別）から構成されており、入力データは、正常時データ５と異常時データ６からなる。正常時データ５と異常時データ６はともに、学習用基準時刻Ｒ１を所定期間Ｐの終点として収集された電流値時系列データから、それぞれ選別されたものである。
異常時データ６は、ポンプの異常発生時刻に至るまでの予測検出期間Ｅ（本実施例では15時間とする）に所定期間Ｐの終点（学習用基準時刻Ｒ１）が含まれる電流値時系列データのことである。したがって実際のポンプ異常１ケースにつき、15時間×60分=900個の時刻をそれぞれ学習用基準時刻Ｒ１とする異常時データ６が収集可能である。但し、これら900個のすべてのデータを使うと、判定される異常に占める当該異常ケースの寄与が高くなりすぎると考えられることから、ランダムに選択した25%程度（本実施例では225個）を採用する。
正常時データ５は、収集した全ての電流値時系列データのうち異常時データ６以外のもの、すなわち、所定期間Ｐの終点（学習用基準時刻Ｒ１）から予測検出期間Ｅ（本実施例では15時間とする）が経過するまでの間にポンプ異常が発生していない場合の電流値時系列データのことである。正常時データ５の個数については、通常は異常発生数が少ないことから大量に収集可能であるが、異常時データ６との識別能力を獲得するために異常時データ数の2倍程度（本実施例では異常時データ１件当たり正常時データ450個）を採用する。
上記を言い換えると、教師データは、所定期間Ｐの終点（学習用基準時刻Ｒ１）から予測検出期間Ｅ経過時点までの間に異常が発生したか否かの状態と、当該所定期間Ｐ分抽出された電流値時系列データとのセットが複数集まったデータ行列である。

【0012】

今回の異常確度計算器の構築の対象としたポンプ施設は、島本郷・田島・永楽町の３つの施設であり、学習及び検証に利用した各施設における異常データは表１および表２に示す通りである。なお、表１および表２のような緊急出動時の修繕記録等から得られるポンプ異常の発生時刻と、その時刻に合致する、ＩｏＴ機能を有する電流計を用いてリアルタイムで取得している電流値データとを照らし合わせることによって、前記異常発生時刻におけるリアルタイムの電流値が、異常発生時の電流値データであることを知ることができる。

【表1】

【表2】

【0013】

教師データは以下のようにして、ニューラルネットワークに学習させる。
まず、Squeeze-and-Excitationブロックを多段にした多層SE構造によりマルチスケールで特徴が獲得しやすいニューラルネットワークをベースネットワークとして学習を開始し、AutoML/NASにより300～400個程度の学習済みニューラルネットワークを自動で作成する。AutoML/NASによる学習とは、ニューラルネットワークの学習において、一般にハイパーパラメータと呼ばれる技術者が設定するパラメータをソフトウエアで自動的に設定したり（AutoML）、ネットワーク構造を自動的に変更（NAS：ネットワーク構造自動検索）して、自動的にチューニング作業を進める機能の総称である。
ニューラルネットワークへの入力項目は、同一ポンプ場の異常３件以上を含む学習データと、ポンプの定格電流と、アラート設定値である。アラート設定値とは、既存システムにおけるアラートがポンプの定格電流の何倍で発報することになっているかを指す係数である。本発明の異常確度計算器は、対象ポンプにつき学習用の異常データが３件以上あれば構築が可能であるため、一般に大量のデータが必要であるといわれる深層学習において、異常データが少ない状況下でもデータを確保しやすい量であることから、有用性が非常に高いものである。

【0014】

こうして作られた300～400個の学習済みニューラルネットワークに表２の評価用データを入力し、正常／異常の正解数の組が最適なニューラルネットワークを選定する。なお、評価データの入力の際には、教師データに含まれてない異常発生日時の含まれる期間をそれぞれ評価用基準時刻Ｒ２として入力した。図２は学習済みニューラルネットワークの評価用データにおける異常と正常それぞれの正解数を示したグラフである。一般にすべてが正解となるような完全なニューラルネットワークは発見できないため、パレート最適解により現実的なニューラルネットワークを選定する。ポンプ施設の特性や現場の要望などを考慮し、見逃し低減を重視したニューラルネットワーク（図２中の一点鎖線の円内）か空振り低減（図２中の二点鎖線の円内）を重視したニューラルネットワークのどちらかを選定する。なお、ニューラルネットワークの選定にあたり各ニューラルネットワークの特性をグラフにより可視化する場合は、対数軸で表示することにより、正常／異常のデータ数が異なることによる見づらさを解消できる場合がある。以上のようにして、異常確度計算器が構築される。
また、選定したニューラルネットワークはパレート最適解であるので、実際に異常発報アプリケーションに組み込み使用する際には、入力データに含まれるノイズ等を原因とする確度Ａの時間的なバラツキによる異常未然検知の不具合を抑えるため、異常発報アプリケーションの運用時に移動平均等の手法でノイズ除去し、確度Ａを安定させる必要がある。なお、異常発報アプリケーションは、異常確度計算器により算出された確度Ａの呼び出し、表示、他セクションへの受け渡し、および異常未然検知情報の発報等の機能を有するものである。

【0015】

選定された学習済みニューラルネットワーク（異常確度計算器）は、俗に言う重みファイルとして、入力データである評価用基準時刻Ｒ２までの所定期間Ｐ分の電流値時系列データとともに異常発報アプリケーションに読み込まれて、当該マンホールポンプにおいて評価用基準時刻Ｒ２から前記予測検出期間Ｅ経過後までの間に異常が発生する確度Ａを算出する。この確度Ａに対して、前述のように移動平均等の手法で異常発報アプリケーションによりノイズ除去を行ったものを、最終異常確度Ｂとする。なお、本実施例では確度Ａに対し１５時間の移動平均をとったものを最終異常確度Ｂとした。この最終異常確度Ｂがしきい値Ｔ（本実施例では60％とする）を超えたときに異常発報アプリケーションにより異常未然検知情報の発報を行うこととする。なお、本実施例では入力データとしてIoT機能を有する電流計によるリアルタイム計測結果を用い、30分毎に最終異常確度Ｂの算出を行った。

【0016】

次いで、構築した異常確度計算器の的中率について記載する。的中率の算定の定義は以下の通りである。既存システムのアラート発報以前の時刻帯において、最終異常確度Ｂが60%以上である異常検知(予報通知)があった場合を的中と判定する。既存システムのアラート発報に対して異常確度計算器による異常未然検知が的中した件数の割合を的中率とする。
上記表２の検証用データに対する、異常確度計算器の的中率は表３の通りである。８件の既存アラート発報のうち７件について的中となり、的中率は87.5%であった。

【表3】

【0017】

次に、本発明のマンホールポンプ異常の未然検知方法を実際に運用した結果を示す。本結果は、異常発報アプリケーションによって異常未然検知情報が維持管理業者６に通知され、維持管理業者が対応を行った事例である。図３は、異常確度計算器および異常発報アプリケーションが算出および通知した、田屋北汚水中継ポンプ所No.1マンホールポンプの異常確度と評価用基準時刻Ｒ２の関係を示すグラフである。2021年7月8日5:30に最終異常確度Ｂ（異常確度Ａの15時間移動平均）が60%に到達したことにより、異常発報アプリケーションから維持管理業者に異常未然検知の通知が発報された。この通知を受け、2021年7月8日14:00に維持管理業者が現場対応を行った。この現場対応においては、ケーシング内部に異物（し渣）が混入していることが発見されたため異物除去を行ったところ、当該ポンプの電流値が定格電流以下に下がった。その結果、2021年7月9日6:30に最終異常確度Ｂが60%を下回り、維持管理業者の待機体制は解除となった。このようにして、本発明の未然検知方法によって異常未然検知情報が維持管理業者に予め昼間に通知されたことで、異常が起こる前に補修修繕対応のための時間を昼間のうちに確保できた結果、維持管理業者が夜間（18:00～翌日9:00）に出動することなく対応を完了することができた。これにより、現場作業員の負担の軽減に大きく貢献できた。

【0018】

本発明は、上記の実施形態に限定されない。例えば、予測検出期間Ｅは15時間に限らず、例えば15時間後までの各１時間単位のように、複数に分けてもよい。また、教師データの作成におけるポンプの異常発生時刻は、ポンプの既存のアラート発報機能による異常警報の発報時刻でなくともよく、例えば別のシステム等によるポンプの正常または異常状態の峻別データ等でもよい。

【符号の説明】

【0019】

Ａ 確度
Ｅ 予測検出期間
Ｐ 所定期間
Ｒ１ 学習用基準時刻
Ｒ２ 評価用基準時刻

【図1】

【図2】

【図3】