特許 7524569 アラーム発生システム及びアラーム発生方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-22

(45)【発行日】2024-07-30

(54)【発明の名称】アラーム発生システム及びアラーム発生方法

(51)【国際特許分類】

   G08B 31/00 20060101AFI20240723BHJP

   G05B 23/02 20060101ALI20240723BHJP

   H04Q 9/00 20060101ALI20240723BHJP

   G01D 21/00 20060101ALI20240723BHJP

   G08B 21/18 20060101ALI20240723BHJP

【ＦＩ】

G08B31/00 B

G05B23/02 R

H04Q9/00 311J

G01D21/00 Q

G08B21/18

【請求項の数】 5

(21)【出願番号】P 2020051748

(22)【出願日】2020-03-23

(65)【公開番号】P2021149862

(43)【公開日】2021-09-27

【審査請求日】2022-12-28

(73)【特許権者】

【識別番号】000006507

【氏名又は名称】横河電機株式会社

(74)【代理人】

【識別番号】100106909

【弁理士】

【氏名又は名称】棚井 澄雄

(74)【代理人】

【氏名又は名称】佐伯 義文

(74)【代理人】

【識別番号】100167553

【弁理士】

【氏名又は名称】高橋 久典

(74)【代理人】

【識別番号】100181124

【弁理士】

【氏名又は名称】沖田 壮男

(72)【発明者】

【氏名】都筑 純

【審査官】石井 則之

(56)【参考文献】

【文献】国際公開第２０１９／２３４９１３（ＷＯ，Ａ１）

【文献】特開２００７－０４４７１５（ＪＰ，Ａ）

【文献】特開２０１９－１０１６８３（ＪＰ，Ａ）

【文献】特開２０１９－０８７１０１（ＪＰ，Ａ）

【文献】特開２０１０－１１３７２５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０８Ｂ ３１／００

Ｇ０５Ｂ ２３／０２

Ｈ０４Ｑ ９／００

Ｇ０１Ｄ ２１／００

Ｇ０８Ｂ ２１／１８

(57)【特許請求の範囲】

【請求項1】

センサから出力される測定値を取得する取得部と、
前記取得部で取得された前記測定値を学習することによって複数のパラメータを有する学習モデルを生成する学習部と、
前記学習部で生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求める予測部と、
前記予測部で求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するアラーム発生部と、
前記取得部で過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する最適化部と、
を備え、
前記最適化部は、前記取得部、前記学習部、前記予測部、及び前記アラーム発生部が動作する第１周期よりも長い第２周期で動作し、
前記固定パラメータは、前記第２周期内において値が固定なパラメータであり、
前記最適化部は、前記固定パラメータの値を変えながら、前記取得部で過去に取得された複数の前記測定値を前記学習部に学習させて前記学習モデルと同じパラメータを有する補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する、
アラーム発生システム。

【請求項2】

センサから出力される測定値を取得する取得部と、
前記取得部で取得された前記測定値を学習することによって複数のパラメータを有する学習モデルを生成する学習部と、
前記学習部で生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求める予測部と、
前記予測部で求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するアラーム発生部と、
前記取得部で過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する最適化部と、
を備え、
前記最適化部は、前記取得部、前記学習部、前記予測部、及び前記アラーム発生部が動作する第１周期よりも長い第２周期で動作し、
前記固定パラメータは、前記第２周期内において値が固定なパラメータであり、
前記最適化部は、
前記取得部で過去に取得された複数の前記測定値を学習することによって前記学習モデルと同じパラメータを有する補助学習モデルを作成する補助学習部と、
前記補助学習部で作成される前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値を求める補助予測部と、
を備え、
前記固定パラメータの値を変えながら、前記補助学習部に前記補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記補助予測測定値を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記補助予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する、
アラーム発生システム。

【請求項3】

前記最適化部は、前記誤差として、前記取得部で過去に取得された複数の前記測定値と、前記補助予測測定値との二乗平均平方根誤差を求める、請求項１又は請求項２記載のアラーム発生システム。

【請求項4】

センサから出力される測定値を取得する第１ステップと、
取得された前記測定値を学習することによって複数のパラメータを有する学習モデルを生成する第２ステップと、
生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求める第３ステップと、
求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生する第４ステップと、
過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する第５ステップと、
を有し、
前記第５ステップは、前記第１ステップ、前記第２ステップ、前記第３ステップ、及び前記第４ステップが実行される第１周期よりも長い第２周期で実行され、
前記固定パラメータは、前記第２周期内において値が固定なパラメータであり、
前記第５ステップは、前記固定パラメータの値を変えながら、過去に取得された複数の前記測定値を学習させて前記学習モデルと同じパラメータを有する補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値を求めさせ、過去に取得された複数の前記測定値と、求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する、
アラーム発生方法。

【請求項5】

センサから出力される測定値を取得する第１ステップと、
取得された前記測定値を学習することによって複数のパラメータを有する学習モデルを生成する第２ステップと、
生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求める第３ステップと、
求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生する第４ステップと、
過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する第５ステップと、
を有し、
前記第５ステップは、前記第１ステップ、前記第２ステップ、前記第３ステップ、及び前記第４ステップが実行される第１周期よりも長い第２周期で実行され、
前記固定パラメータは、前記第２周期内において値が固定なパラメータであり、
前記第５ステップは、
過去に取得された複数の前記測定値を学習することによって前記学習モデルと同じパラメータを有する補助学習モデルを作成するステップと、
作成される前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値を求めるステップと、
を有し、
前記固定パラメータの値を変えながら、前記補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記補助予測測定値を求めさせ、過去に取得された複数の前記測定値と、求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する、
アラーム発生方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、アラーム発生システム及びアラーム発生方法に関する。

【背景技術】

【0002】

ペーパーレスレコーダは、一般的に、各種センサの測定値を測定データとして記録するとともに、記録した測定データを表示する装置である。このようなペーパーレスレコーダは、タッチパネル式の液晶表示装置を備えており、ユーザがタッチパネルに対して行った操作に応じて、液晶表示装置に表示される測定データの表示内容を変更可能に構成されているものが多い。

【0003】

また、近年のペーパーレスレコーダは、測定値が所定の条件に合致したとき（例えば、測定値が予め設定された閾値を超えたとき）に、アラームを通知するアラーム機能を備えるものもある。アラームは、例えば、液晶表示装置に表示されたり、電子メールによって送信されたりすることで通知される。以下の特許文献１には、複数のアラーム発生条件の中で最も重要度のレベルが高いアラーム発生条件に関する情報を表示するペーパーレスレコーダが開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１０－７１８３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、ユーザが、ペーパーレスレコーダに表示された波形又はペーパーレスレコーダから通知されたアラームによって異常を判断したのでは遅い場合がある。例えば、製品の製造プロセスにおいて、オペレータがペーパーレスレコーダに表示された波形の異常又はアラームを発見してから異常に対処したのでは、製造プロセスが正常状態から逸脱してしまって不良品が製造される状況になる可能性が考えられる。

【0006】

このような状況になるのを防止するために、ペーパーレスレコーダがアラームを通知する条件を緩くすると、アラームの精度が悪くなる。例えば、製造プロセスに異常が発生していないにもかかわらず、アラームが通知されてしまう状況になると考えられる。

【0007】

本発明は上記事情に鑑みてなされたものであり、将来的に異常が発生する虞があることを高い精度で通知することができるアラーム発生システム及びアラーム発生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】

【0008】

上記課題を解決するために、本発明の一態様によるアラーム発生システム（２０）は、センサ（１１－１～１１－ｎ，１２－１～１２－ｋ）から出力される測定値を取得する取得部（２２ａ）と、前記取得部で取得された前記測定値を学習することによって複数のパラメータを有する学習モデル（２３ｂ）を生成する学習部（２２ｂ）と、前記学習部で生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値（２３ｃ）を求める予測部（２２ｃ）と、前記予測部で求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するアラーム発生部（２２ｄ）と、前記取得部で過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化する最適化部（２２ｆ）と、を備える。

【0009】

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記取得部、前記学習部、前記予測部、及びアラーム発生部とは異なる周期で動作する。

【0010】

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記固定パラメータの値を変えながら、前記取得部で過去に取得された複数の前記測定値を前記学習部に学習させて前記学習モデルと同じパラメータを有する補助学習モデル（２３ｅ）を作成させるとともに、前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値（２３ｆ）を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する。

【0011】

或いは、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記取得部で過去に取得された複数の前記測定値を学習することによって前記学習モデルと同じパラメータを有する補助学習モデル（２３ｅ）を作成する補助学習部（２２ｆ－１）と、前記補助学習部で作成される前記補助学習モデルを用いて前記予測測定値に相当する補助予測測定値（２３ｆ）を求める補助予測部（２２ｆ－２）と、を備え、前記固定パラメータの値を変えながら、前記補助学習部に前記補助学習モデルを作成させるとともに、前記補助学習モデルを用いて前記補助予測測定値を前記予測部に求めさせ、前記取得部で過去に取得された複数の前記測定値と、前記補助予測部で求められた前記補助予測測定値との誤差が最も小さくなる前記固定パラメータの値を、前記学習モデルの前記固定パラメータの値に設定する。

【0012】

また、本発明の一態様によるアラーム発生システムは、前記最適化部が、前記誤差として、前記取得部で過去に取得された複数の前記測定値と、前記補助予測測定値との二乗平均平方根誤差を求める。

【0013】

本発明の一態様によるアラーム発生方法は、センサ（１１－１～１１－ｎ，１２－１～１２－ｋ）から出力される測定値を取得するステップ（Ｓ１１）と、取得された前記測定値を学習することによって複数のパラメータを有する学習モデル（２３ｂ）を生成するステップ（Ｓ１３）と、生成された前記学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値（２３ｃ）を求めるステップ（Ｓ１５）と、求められた前記予測測定値がアラーム発生条件を満たす場合に、アラームを発生するステップ（Ｓ１７、Ｓ１８）と、過去に取得された複数の前記測定値を用い、前記学習モデルが有する前記パラメータのうちの値が固定である少なくとも１つの固定パラメータの値を最適化するステップ（Ｓ２１～Ｓ２９）と、を有する。

【発明の効果】

【0014】

本発明によれば、将来的に異常が発生する虞があることを高い精度で通知することができるという効果がある。

【図面の簡単な説明】

【0015】

【図1】本発明の実施形態に係る記録計システムの全体構成を示すブロック図である。

【図2】本発明の実施形態によるアラーム発生システムの要部構成を示すブロック図である。

【図3】本発明の実施形態におけるアラーム認識範囲を説明するための図である。

【図4】本発明の実施形態に係る記録計システムの動作の一例を示すフローチャートである。

【図5】本発明の実施形態において最適化部で行われる処理の一例を示すフローチャートである。

【図6】図５に示すフローチャートのステップＳ２２～Ｓ２６の処理の詳細を説明するための図である。

【図7】図５に示すフローチャートのステップＳ２１～Ｓ２８の処理が繰り返されることで生成されるテーブルの一例を示す図である。

【図8】本発明の実施形態によるアラーム発生システムの変形例を示すブロック図である。

【図9】本発明の変形例に係る記録計システムの全体構成を示すブロック図である。

【発明を実施するための形態】

【0016】

以下、図面を参照して本発明の実施形態によるアラーム発生システム及びアラーム発生方法について説明する。尚、以下で説明する実施形態は、アラーム発生システムを記録計システムに適用した例である。ここで、記録計システムとは、各種センサの測定値を測定データとして記録するとともに、記録した測定データを表示するシステムである。

【0017】

〔実施形態〕
〈記録計システム〉
図１は、本発明の実施形態に係る記録計システムの全体構成を示すブロック図である。図１に示す通り、記録計システム１は、ネットワークＮＷを介して通信可能に接続されたセンサ１１－１～１１－ｎ（ｎは、ｎ＞０を満たす整数）、記録計Ｒ、及び端末装置３０を備える。また、記録計システム１は、記録計Ｒに直接接続されたセンサ１２－１～１２－ｋ（ｋは、ｋ＞０を満たす整数）を備える。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、プロバイダ装置、無線基地局等を含む。

【0018】

センサ１１－１～１１－ｎ及びセンサ１２－１～１２－ｋは、例えば、圧力センサ、ｐＨセンサ、振動センサ、温度センサ、流量センサ、腐食センサ、歪センサ、ノイズセンサ、ガスセンサ、電圧センサ、電流センサ、レベルセンサ等である。センサ１１－１～１１－ｎは、測定対象の測定値を取得し、取得した測定値を識別情報（センサＩＤ）とともに測定情報として記録計Ｒに送信する。センサ１２－１～１２－ｋは、測定対象の測定値を取得し、取得した測定値を示す情報を記録計Ｒに出力する。

【0019】

記録計Ｒは、センサ１１－１～１１－ｎからネットワークＮＷを介して送信されてくる測定情報を記録するとともに、記録した測定情報を表示する。また、記録計Ｒの背面には、モジュール（電圧、電流、ＰＩＤ、パルス、デジタルＩＯ、アナログＩＯ…等）が接続できるようになっており、センサ１２－１～１２－ｋは、記録計Ｒの背面に直接配線される。記録計Ｒは、センサ１２－１～１２－ｋが出力した測定値を示す情報を記録するとともに、記録した情報を表示する。

【0020】

記録計Ｒは、アラーム発生システム２０を備える。アラーム発生システム２０は、現時点よりも未来で得られるであろう測定値である予測測定値を求め、求めた予測測定値がアラーム発生条件を満たす場合に、アラームが発生したことをユーザＵに通知するための情報を作成する。また、アラーム発生システム２０は、求めた予測測定値とアラームが発生すると予測される時刻との少なくとも一方を表示する。ここで、アラームが発生すると予測される時刻は、予測測定値に基づくものである。尚、アラーム発生システム２０の詳細については後述する。

【0021】

端末装置３０は、アラーム発生システム２０から通知される情報（例えば、電子メールにて送信される、アラームが発生したことを通知するための情報）を受信して、ユーザＵに知らせるための端末である。端末装置３０は、例えば、携帯性を有するノート型又はタブレット型のコンピュータ、ＰＤＡ（Personal Digital Assistant）、又はスマートフォン等である。尚、端末装置３０は、据置型のものであっても良い。

【0022】

〈アラーム発生システム〉
図２は、本発明の実施形態によるアラーム発生システムの要部構成を示すブロック図である。図２に示す通り、アラーム発生システム２０は、通信部２１、処理部２２、記憶部２３、及び表示部２４を備える。

【0023】

通信部２１は、第１通信部２１ａ及び第２通信部２１ｂを備える。このような通信部２１は、外部装置と通信を行う。

【0024】

第１通信部２１ａは、ネットワークＮＷに接続されたセンサ１１－１～１１－ｎ等の外部装置と通信して、データの送受信を行う。第１通信部２１ａは、例えば、ネットワークＮＷと有線接続される。尚、第１通信部２１ａは、ネットワークＮＷと無線接続されても良い。第１通信部２１ａは、センサ１１－１～１１－ｎの各々が出力した測定情報を受信する。尚、測定情報には、センサ１１－１～１１－ｎの各々の識別情報（センサＩＤ）と測定値を示す情報とが含まれる。

【0025】

第２通信部２１ｂは、ネットワークＮＷに接続された端末装置３０等の外部装置と通信して、データの送受信を行う。具体的には、第２通信部２１ｂは、ＷｉＦｉ（登録商標）、ＬＴＥ（登録商標）等の無線通信技術で無線通信を行う無線デバイスによって構成される。尚、詳細は後述するが、第２通信部２１ｂは、処理部２２の作成部２２ｅが出力した通知情報を取得し、取得した通知情報を端末装置３０へ送信する。通知情報には、アラームが発生したことを通知するための情報が含まれる。ここで、アラームが発生したことを通知するため情報には、例えば、発生したチャネルの情報、アラームレベル、アラーム種類、発生時刻等が含まれる。

【0026】

処理部２２は、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、作成部２２ｅ、及び最適化部２２ｆを備える。このような処理部２２は、アラームを発生させるための各種処理を行う。

【0027】

取得部２２ａは、第１通信部２１ａが受信した測定情報を取得する。取得部２２ａは、測定情報を取得した日時情報を、アラーム発生システム２０が備える時計（図示省略）から取得する。取得部２２ａは、測定情報（センサＩＤと測定値を示す情報）と、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。また、取得部２２ａは、センサ１２－１～１２－ｋが出力した測定値を示す情報を取得する。取得部２２ａは、測定値を示す情報を取得した日時情報を、アラーム発生システム２０が備える時計（図示省略）から取得する。取得部２２ａは、測定値を示す情報と、その測定値を示す情報を出力したセンサのセンサＩＤと、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。

【0028】

学習部２２ｂは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。学習部２２ｂは、新たな測定情報及び日時情報が測定値情報２３ａに記憶される度に、上記の関係をセンサＩＤ毎に学習するようにしてもよいし、１分、１時間、１日等の所定の周期で、上記の関係をセンサＩＤ毎に学習するようにしてもよい。学習部２２ｂは、学習することによって得られた学習モデルを、センサＩＤに関連付けて、記憶部２３の学習モデル２３ｂに記憶させる。

【0029】

例えば、学習部２２ｂは、ＡＩ（Artificial Intelligence）技術によって、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。ここで、ＡＩ技術の一例は、機械学習、強化学習である。学習部２２ｂは、学習に使用するアルゴリズム、使用状況に基づいて、学習する周期を変化させてもよい。また、学習部２２ｂは、複数の測定値とその測定値が得られる日時情報との関係に基づいて、カルマンフィルタ、ＡＲＩＭＡモデル等の時系列解析手法を使用してもよい。

【0030】

以下では、学習部２２ｂが、カルマンフィルタを用いた機械学習を行うことによって学習モデルを作成する場合を例に挙げて説明する。ここで、カルマンフィルタを用いた機械学習を行うことによって作成される学習モデルは、「予測値」、「傾き」、「ノイズ」の３つのパラメータを有する。「予測値」及び「傾き」は、学習モデルが作成（更新）される度に値が変わる可変パラメータであるが、「ノイズ」は、値が固定である固定パラメータである。

【0031】

予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、現時点よりも未来の時刻を示す時刻情報と、その時刻に得られるであろう測定値である予測測定値とを、センサＩＤ毎に予測する。例えば、予測部２２ｃは、１点先の予測測定値、２点先の予測測定値といったような結果を取得する。１点目と２点目がどのぐらい時間的に離れているかは学習データに依存する。学習データの１点の間隔が１秒であれば予測値の１点の間隔も１秒になり、学習データの１点の間隔が１分であれば予測値の１点の間隔も１分になる。予測部２２ｃは、予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の予測測定値情報２３ｃに記憶させる。

【0032】

アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値と時刻情報とに基づいて、予測測定値に、アラーム発生条件を満たすものがあるか否かを判定する。具体的に、アラーム発生部２２ｄは、アラーム発生条件を満たすものがあるか否かを判定する時間範囲であるアラーム認識範囲においてアラーム発生条件を満たす予測測定値があるか否かを判定する。

【0033】

アラーム認識範囲として、任意の時間範囲を設定可能である。例えば、現時点を基準とした時間範囲を設定することも、未来のある時点を基準とした時間範囲を設定することも可能である。アラーム発生条件は、例えば、予測測定値が上限値を超えること、予測測定値が下限値未満となること、予測測定値の変化値が変化値上限値を超えること、予測測定値の変化値が変化値下限値未満となることの少なくとも一つである。

【0034】

図３は、本発明の実施形態におけるアラーム認識範囲を説明するための図である。図３において、実線は過去に得られた測定値（過去測定値）を示し、一点鎖線は現時点よりも未来で得られるであろう予測測定値を示す。図３に示す例では、アラーム認識範囲として、「現時点から３０分間」と、「現時点から６０分間」とが示されている。ここで、アラーム発生条件が、予測測定値が上限値を超えることが設定されているとする。

【0035】

図３に示す例において、アラーム認識範囲が「現時点から３０分間」に設定されている場合には、その時間範囲にアラーム上限値を超える予測測定値がないため、アラーム発生部２２ｄは、アラーム発生条件を満たすものはないと判定する。これに対し、アラーム認識範囲が「現時点から６０分間」に設定されている場合には、その時間範囲にアラーム上限値を超える予測測定値があるため、アラーム発生部２２ｄは、アラーム発生条件を満たすものがあると判定する。

【0036】

アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値について、アラーム認識範囲においてアラーム発生条件を満たすものがあるか否かをそれぞれ判定する。アラーム発生部２２ｄは、センサＩＤ毎の予測測定値のうち、アラーム認識範囲においてアラーム発生条件を満たすものが１つでもある場合にアラームを発生する。アラーム発生部２２ｄは、予測測定値とアラームが発生すると予測される時刻とを表示するための情報であるアラーム表示情報を表示部２４に出力する。

【0037】

また、アラーム発生部２２ｄは、記憶部２３のセンサ設置情報２３ｄから、センサＩＤに関連付けて記憶されているセンサが設置されている位置を示すセンサ設置位置情報を取得する。ここで、センサ設定位置情報は、予めユーザによって設定される。センサ設置位置情報として、例えば、位置に該当する場所の名称を用いることができる。アラーム発生部２２ｄは、現時点の時刻からアラームが発生すると予測される時刻までの時間を示す発生時間を求める。アラーム発生部２２ｄは、アラームの詳細を表示するための情報であるアラーム詳細情報を表示部２４に出力する。アラーム詳細情報には、センサ設置位置情報と、アラーム発生条件と、発生時間とが含まれる。

【0038】

作成部２２ｅは、予測測定値がアラーム発生条件を満たすとアラーム発生部２２ｄで判定された場合に、アラームが発生したことを通知するための通知情報を作成する。作成部２２ｅは、作成した通知情報を、第２通信部２１ｂへ出力する。例えば、作成部２２ｅは、アラームが発生したことを通知するための情報を含む、予め設定される通知先（例えば、端末装置３０）を宛先とする電子メールを作成する。作成部２２ｅは、作成した電子メールを、第２通信部２１ｂへ出力する。

【0039】

最適化部２２ｆは、記憶部２３の測定値情報２３ａ（取得部２２ａで過去に取得された複数の測定値が含まれる情報）を用い、記憶部２３の学習モデル２３ｂに記憶されている学習モデルが有する固定パラメータの値を最適化する。最適化部２２ｆがこのような最適化を行うのは、将来的に異常が発生する虞があることを高い精度で通知することができるようにするためである。この最適化部２２ｆは、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、及び作成部２２ｅとは異なる周期で動作する。例えば、取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、及び作成部２２ｅが数秒程度の周期で動作し、最適化部２２ｆは、数分～数日程度の周期で動作する。

【0040】

最適化部２２ｆは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係（センサＩＤ毎の関係）を学習部２２ｂに学習させ、補助学習モデルを作成させる。ここで、補助学習モデルは、学習モデル２３ｂに記憶されている学習モデルと同様に、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。最適化部２２ｆは、固定パラメータの値を変えながら、上記の補助学習モデルを学習部２２ｂに学習させる。最適化部２２ｆは、学習部２２ｂに学習させて得られる補助学習モデルをセンサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。

【0041】

最適化部２２ｆは、記憶部２３の補助学習モデル２３ｅに記憶された補助学習モデルを用いて、予測測定値に相当する補助予測測定値を予測部２２ｃに求めさせる。補助学習モデルは、固定パラメータの値を変えながら得られるものであるため、最適化部２２ｆは、補助学習モデルが得られる度に、得られた補助学習モデルを用いて補助予測測定値を予測部２２ｃに求めさせる。最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。

【0042】

最適化部２２ｆは、測定値情報２３ａに含まれる測定値と、補助予測測定値情報２３ｆに含まれる補助予測測定値との誤差が最も小さくなる固定パラメータの値を、学習モデル２３ｂに記憶された学習モデルの固定パラメータの値に設定する。最適化部２２ｆは、上記の誤差として、例えば、測定値情報２３ａに含まれる測定値と補助予測測定値情報２３ｆに含まれる補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ：Root Mean Squared Error）、平均絶対誤差（ＭＡＥ：Mean Absolute Error）、平均二乗誤差（ＭＳＥ：Mean Square Error）等を求める。以下では、最適化部２２ｆが、上記の誤差として、二乗平均平方根誤差（ＲＭＳＥ）を求める場合を例に挙げて説明する。尚、最適化部２２ｆは、上記の最適化をセンサＩＤ毎に行う。

【0043】

記憶部２３は、前述した測定値情報２３ａ、学習モデル２３ｂ、予測測定値情報２３ｃ、センサ設置情報２３ｄ、補助学習モデル２３ｅ、及び補助予測測定値情報２３ｆを記憶する。尚、測定値情報２３ａ、学習モデル２３ｂ、予測測定値情報２３ｃ、センサ設置情報２３ｄ、補助学習モデル２３ｅ、及び補助予測測定値情報２３ｆは、クラウド上やＰＣ上に記憶されていてもよい。記憶部２３は、例えば、ＨＤＤ（Hard Disk Drive）やフラッシュメモリ、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等により実現される。

【0044】

表示部２４は、例えば、タッチパネルが設けられた液晶表示装置を備えており、記憶部２３の測定値情報２３ａから測定値と日時情報とを取得し、取得した測定値と日時情報との関係を表したトレンドチャートを表示する。また、表示部２４は、測定値と日時情報との関係に加え、記憶部２３の予測測定値情報２３ｃから予測測定値と時刻情報とを取得し、取得した予測測定値と時刻情報との関係を表したトレンドチャートを表示する。

【0045】

また、表示部２４は、アラーム発生部２２ｄが出力した予測測定値とアラームが発生すると予測される時刻とを表示するための情報であるアラーム表示情報を取得し、取得したアラーム表示情報に基づいて、予測測定値とアラームが発生すると予測される時刻とのいずれか一方又は両方を表示する。ここでは、表示部２４が、予測測定値とアラームが発生すると予測される時刻との両方を表示する場合について説明する。また、表示部２４は、アラームの詳細を表示する。

【0046】

上述した処理部２２の取得部２２ａ、学習部２２ｂ、予測部２２ｃ、アラーム発生部２２ｄ、作成部２２ｅ、及び最適化部２２ｆは、例えば、ＣＰＵ（Central Processing Unit）等のハードウェアプロセッサが記憶部２３に格納されたプログラム（ソフトウェア）を実行することにより実現される。また、これらの機能部のうち一部又は全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤやフラッシュメモリ等の記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭ等の着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

【0047】

〈記録計システムの動作〉
図４は、本発明の実施形態に係る記録計システムの動作の一例を示すフローチャートである。尚、以下では、主に、記録計システム１に設けられたアラーム発生システム２０の動作について説明する。図４に示すフローチャートは、一定の時間間隔（例えば、数秒程度）で繰り返し行われる。

【0048】

（ステップＳ１１）
アラーム発生システム２０において、第１通信部２１ａは、センサ１１－１～１１－ｎが送信した測定情報（センサＩＤと測定値とが含まれる情報）を受信する。取得部２２ａは、第１通信部２１ａが受信した測定情報を取得する。また、取得部２２ａは、センサ１２－１～１２－ｋが出力した測定値を示す情報を取得する。

【0049】

（ステップＳ１２）
アラーム発生システム２０において、取得部２２ａは、測定情報を取得した日時情報を、アラーム発生システム２０が備える時計から取得する。取得部２２ａは、測定情報（センサＩＤと測定値とが含まれる情報）と、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。取得部２２ａは、測定値を示す情報を取得した日時情報を、アラーム発生システム２０が備える時計から取得する。取得部２２ａは、測定値を示す情報と、その測定値を示す情報を出力したセンサのセンサＩＤと、取得した日時情報とを関連付けて、記憶部２３の測定値情報２３ａに記憶させる。

【0050】

（ステップＳ１３）
アラーム発生システム２０において、学習部２２ｂは、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。
（ステップＳ１４）
アラーム発生システム２０において、学習部２２ｂは、学習することによって得られた学習モデルを、センサＩＤに関連付けて、記憶部２３の学習モデル２３ｂに記憶させる。尚、学習モデル２３ｂに記憶される学習モデルは、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。

【0051】

（ステップＳ１５）
アラーム発生システム２０において、予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、予測測定値と時刻情報とを、センサＩＤ毎に算出する。
（ステップＳ１６）
アラーム発生システム２０において、予測部２２ｃは、予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の予測測定値情報２３ｃに記憶させる。

【0052】

（ステップＳ１７）
アラーム発生システム２０において、アラーム発生部２２ｄは、記憶部２３の予測測定値情報２３ｃに記憶されているセンサＩＤ毎の予測測定値と時刻情報とに基づいて、予測測定値に、アラーム発生条件を満たすものがあるか否かを判定する。予測測定値に、アラーム発生条件を満たすものが無い場合（ステップＳ１７の判定結果が「ＮＯ」の場合）には図４に示す一連の処理が終了する。

【0053】

（ステップＳ１８）
アラーム発生システム２０において、アラーム発生部２２ｄは、予測測定値に、アラーム発生条件を満たすものがある場合（ステップＳ１７の判定結果が「ＹＥＳ」の場合）に、アラームを発生する。
（ステップＳ１９）
アラーム発生システム２０において、作成部２２ｅは、通知情報を作成する。そして、作成部２２ｅは、作成した通知情報を、第２通信部２１ｂへ出力する。第２通信部２１ｂは、作成部２２ｅが出力した通知情報を取得し、取得した通知情報を端末装置３０へ送信する。

【0054】

端末装置３０は、アラーム発生システム２０が送信した通知情報を受信する。そして、端末装置３０は、受信した通知情報を取得し、取得した通知情報に含まれるアラームが発生したことを通知するための情報を表示する。

【0055】

〈最適化部で行われる処理〉
図５は、本発明の実施形態において最適化部で行われる処理の一例を示すフローチャートである。図５に示すフローチャートは、図４に示すフローチャートとは別に、一定の時間間隔（例えば、数分～数日程度）で繰り返し行われる。

【0056】

（ステップＳ２１）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの値（初期値）を設定する。ここで設定する値は任意の値で良い。例えば、補助学習モデルで用いる固定パラメータの値を「０」～「２０」の範囲で変化させる場合には、値「０」を設定する。

【0057】

（ステップＳ２２）
アラーム発生システム２０において、最適化部２２ｆは、記憶部２３の測定値情報２３ａを用い、過去に得られた複数の測定値とその測定値が得られる日時情報との関係（センサＩＤ毎の関係）を学習部２２ｂに学習させる。例えば、最適化部２２ｆは、記憶部２３の測定値情報２３ａから、過去に得られた５００点の測定値を読み出し、読み出した５００点の測定値を用いて上記の関係を学習させる。

【0058】

（ステップＳ２３）
アラーム発生システム２０において、最適化部２２ｆは、学習部２２ｂに学習させることによって得られた補助学習モデルを、センサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。尚、補助学習モデル２３ｅに記憶される補助学習モデルは、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有するモデルである。

【0059】

（ステップＳ２４）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデル２３ｅに記憶されている補助学習モデルを用いて、センサＩＤ毎の補助予測測定値と時刻情報とを、予測部２２ｃに求めさせる。
（ステップＳ２５）
アラーム発生システム２０において、最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。

【0060】

（ステップＳ２６）
アラーム発生システム２０において、最適化部２２ｆは、測定値情報２３ａから読み出した測定値と補助予測測定値情報２３ｆに含まれる補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ）をセンサＩＤ毎に求める。尚、最適化部２２ｆは、求めた二乗平均平方根誤差（ＲＭＳＥ）を記憶部２３に記憶させる。

【0061】

図６は、図５に示すフローチャートのステップＳ２２～Ｓ２６の処理の詳細を説明するための図である。図６において、実線は過去に得られた測定値（過去測定値）を示し、点線は補助予測測定値を示す。まず、最適化部２２ｆは、図６（ａ）に示す通り、記憶部２３の測定値情報２３ａから読み出した５００点の測定値のうち、最も古い３０点（第１点目～第３０点目）の測定値を学習部２２ｂに逐次学習させて補助学習モデルを逐次作成（更新）させる。尚、補助学習データで用いられる固定パラメータの値は、ステップＳ２１で既に設定されている。

【0062】

次に、最適化部２２ｆは、図６（ｂ）に示す通り、第３１点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第９１点目の補助予測測定値を予測部２２ｃに求めさせる。続いて、最適化部２２ｆは、第３２点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第９２点目の補助予測測定値を予測部２２ｃに求めさせる。このように、最適化部２２ｆは、第（３０＋ｉ）点目（ｉは、１≦ｉ≦６０を満たす整数）の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第（９０＋ｉ）点目の補助予測測定値を予測部２２ｃに求めさせる処理を順次行わせる。

【0063】

次いで、最適化部２２ｆは、図６（ｃ）に示す通り、第９１点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第１５１点目の補助予測測定値を予測部２２ｃに求めさせる。続いて、最適化部２２ｆは、第９２点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第１５２点目の補助予測測定値を予測部２２ｃに求めさせる。このように、最適化部２２ｆは、第（９０＋ｉ）点目の測定値を学習部２２ｂに学習させて補助学習モデルを更新させ、更新された補助学習モデルを用いて第（１５０＋ｉ）点目の補助予測測定値を予測部２２ｃに求めさせる処理を順次行わせる。最適化部２２ｆは、以下同様の処理を行って、図６（ｄ）～図６（ｉ）に示す通り、学習部２２ｂの学習に用いられる測定値よりも６０点先の補助予測測定値を予測部２２ｃに順次求めさせる。

【0064】

最適化部２２ｆは、第５００点目の補助予測測定値が求められると、例えば、測定値情報２３ａから読み出した第９０点目～第５００点目の測定値と、予測部２２ｃで求められた第９０点目～第５００点目の補助予測測定値との二乗平均平方根誤差（ＲＭＳＥ）をセンサＩＤ毎に求める。尚、最適化部２２ｆは、求めた二乗平均平方根誤差（ＲＭＳＥ）を記憶部２３に記憶させる。

【0065】

（ステップＳ２７）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了したか否かを判断する。例えば、補助学習モデルで用いる固定パラメータの値を、「０」～「２０」の範囲で順次「１」ずつ変更させる場合には、固定パラメータの値が「２０」になったか否かを判断する。

【0066】

（ステップＳ２８）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了していない場合（ステップＳ２７の判断結果が「ＮＯ」の場合）には、補助学習モデルで用いる固定パラメータの値を変更する。例えば、補助学習モデルで用いる固定パラメータの値を、「０」～「２０」の範囲で順次「１」ずつ変更させる場合において、固定パラメータの現在の値が「０」であるときには、値「１」を設定する。尚、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの値を変更した後は、ステップＳ２２の処理を再び行う。

【0067】

（ステップＳ２９）
アラーム発生システム２０において、最適化部２２ｆは、補助学習モデルで用いる固定パラメータの変更が終了した場合（ステップＳ２７の判断結果が「ＹＥＳ」の場合）には、記憶部２３に記憶された二乗平均平方根誤差（ＲＭＳＥ）が最小となる固定パラメータをセンサＩＤ毎に求める。そして、最適化部２２ｆは、求めた固定パラメータを、学習モデル２３ｂに記憶された学習モデルに設定する処理を、センサＩＤ毎に行う。

【0068】

図７は、図５に示すフローチャートのステップＳ２１～Ｓ２８の処理が繰り返されることで生成されるテーブルの一例を示す図である。図７に示すテーブルは、ステップＳ２１で設定された（ステップＳ２８で変更された）固定パラメータの値と、ＲＭＳＥとが対応づけられたものである。図７に示す例では、ＲＭＳＥの最小値は、「４．０」である。このため、最適化部２２ｆは、ＲＭＳＥの最小値「４．０」に対応づけられた値「１．０」を、学習モデル２３ｂに記憶された学習モデルに設定する処理を行う。

【0069】

以上の通り、本実施形態では、アラーム発生システム２０が、センサ１１－１～１１－ｎ，１２－１～１２－ｋから出力される測定値を取得し、取得した測定値を学習することによって複数のパラメータを有する学習モデルを生成し、生成した学習モデルを用いて、現時点よりも未来で得られるであろう測定値である予測測定値を求め、求めた予測測定値がアラーム発生条件を満たす場合に、アラームを発生するようにしている。また、アラーム発生システム２０が、過去に取得された複数の測定値を用い、学習モデルが有するパラメータのうちの値が固定である少なくとも１つの固定パラメータ（「ノイズ」）の値を最適化するようにしている。これにより、将来的に異常が発生する虞があることを高い精度で通知することができる。

【0070】

〈アラーム発生システムの変形例〉
図８は、本発明の実施形態によるアラーム発生システムの変形例を示すブロック図である。尚、図８においては、図２に示したブロックと同様のブロックについては同一の符号を付してある。図８に示すアラーム発生システム２０が、図２に示すアラーム発生システム２０と異なる点は、最適化部２２ｆが補助学習部２２ｆ－１と補助予測部２２ｆ－２とを備える点である。

【0071】

図２に示すアラーム発生システム２０の最適化部２２ｆは、補助学習モデルを学習部２２ｂに学習させるとともに、補助予測測定値を予測部２２ｃに求めさせるものであった。これに対し、本変形例に係るアラーム発生システム２０の最適化部２２ｆは、補助学習モデルを補助学習部２２ｆ－１に学習させるとともに、補助予測測定値を補助予測部２２ｆ－２に求めさせるものである。

【0072】

補助学習部２２ｆ－１は、学習部２２ｂと同様のものであり、記憶部２３の測定値情報２３ａを用い、複数の測定値とその測定値が得られる日時情報との関係をセンサＩＤ毎に学習する。補助学習部２２ｆ－１は、上記の関係を学習することによって、学習モデルと同じパラメータを有する補助学習モデルを作成する。尚、補助学習モデルは、学習モデルと同様に、２つの可変パラメータ（「予測値」及び「傾き」）と、１つの固定パラメータ(「ノイズ」）とを有する。補助学習部２２ｆ－１は、学習することによって得られた補助学習モデルを、センサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。

【0073】

補助予測部２２ｆ－２は、予測部２２ｃと同様のものであり、補助学習部２２ｆ－１で作成される補助学習モデル２３ｅを用いて、時刻情報とその時刻に得られるであろう測定値である補助予測測定値とを、センサＩＤ毎に予測する。補助予測部２２ｆ－２は、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。

【0074】

本変形例において、最適化部２２ｆは、補助学習モデルが有する固定パラメータの値を変えながら、上記の補助学習モデルを補助学習部２２ｆ－１に学習させる。最適化部２２ｆは、補助学習部２２ｆ－１に学習させて得られる補助学習モデルをセンサＩＤに関連付けて、記憶部２３の補助学習モデル２３ｅに記憶させる。

【0075】

また、本変形例において、最適化部２２ｆは、記憶部２３の補助学習モデル２３ｅに記憶された補助学習モデルを用いて、予測測定値に相当する補助予測測定値を補助予測部２２ｆ－２に求めさせる。補助学習モデルは、固定パラメータの値を変えながら得られるものであるため、最適化部２２ｆは、補助学習モデルが得られる度に、得られた補助学習モデルを用いて補助予測測定値を補助予測部２２ｆ－２に求めさせる。最適化部２２ｆは、補助予測測定値と時刻情報とを、センサＩＤに関連付けて、記憶部２３の補助予測測定値情報２３ｆに記憶させる。

【0076】

本変形例に係るアラーム発生システム２０では、最適化部２２ｆが、学習部２２ｂに代えて補助学習部２２ｆ－１に補助学習モデルを学習させるようにしている。また、最適化部２２ｆが、予測部２２ｃに代えて補助予測部２２ｆ－２に補助予測測定値を求めさせるようにしている。これにより、学習部２２ｂ及び予測部２２ｃの処理負荷を軽減させることができる。

【0077】

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。例えば、前述した実施形態では、アラーム発生システム２０が、一台の端末装置３０へ通知情報を送信する場合について説明したが、この例に限られない。例えば、アラーム発生システム２０は、複数の端末装置３０へ通知情報を送信してもよい。

【0078】

また、前述した実施形態では、アラーム発生システム２０が、センサ１１－１～１１－ｎ及びセンサ１２－１～１２－ｋの各々が送信した測定情報を取得した日時情報を取得する場合について説明したが、この例に限られない。例えば、センサ１１－１～１１－ｎ及びセンサ１２－１～１２－ｋの各々が、検出対象を測定した日時情報を取得し、取得した日時情報を含む測定情報を、アラーム発生システム２０へ送信してもよい。

【0079】

また、前述した実施形態では、記録計システム１は、センサ１１－１～１１－ｎ及びセンサ１２－１～１２－ｋ、アラーム発生システム２０、及び端末装置３０を備える例について説明したが、この例に限られない。例えば、アラーム発生システム２０に含まれる表示部２４を、アラーム発生システム２０とは別の装置として構成してもよい。

【0080】

また、アラーム発生システム２０に含まれる表示部２４を、アラーム発生システム２０とは別の装置として構成した場合に、表示部２４を含まないアラーム発生システム２０をクラウド上に構成してもよい。この場合、表示部２４を含まないアラーム発生システム２０との間の通信を、ゲートウェイで行ってもよいし、センサ１１－１～１１－ｎの各々が行ってもよい。また、この場合、表示部２４の代わりに、パーソナルコンピュータ、スマートフォン等の端末装置で構成してもよい。

【0081】

また、前述した実施形態では、アラーム発生システム２０が記録計Ｒに設けられている例について説明した。しかしながら、アラーム発生システム２０の機能の一部を、記録計Ｒとは別の装置で実現しても良い。図９は、本発明の変形例に係る記録計システムの全体構成を示すブロック図である。図９に示す通り、本変形例に係る記録計システム１は、ネットワークＮＷに接続され、アラーム発生システム２０の機能の一部を実現するサーバ装置４０を備える。サーバ装置４０は、記録計Ｒ（アラーム発生システム２０）と通信可能に接続される。

【0082】

サーバ装置４０は、例えば、アラーム発生システム２０の学習部２２ｂ及び学習モデル２３ｂを記憶する記憶部（記憶部２３の一部）の機能を実現するよう構成しても良い。このように構成した場合、サーバ装置４０で実現される学習部２２ｂは、アラーム発生システム２０から、複数の測定値情報を取得し、取得した複数の測定値情報に基づいて、複数の測定値とその測定値が得られる日時情報との関係を、センサＩＤ毎に学習する。

【0083】

或いは、サーバ装置４０は、例えば、アラーム発生システム２０の学習部２２ｂ及び学習モデル２３ｂを記憶する記憶部の機能に加え、予測部２２ｃ及び予測測定値情報２３ｃを記憶する記憶部の機能を実現するよう構成しても良い。このように構成した場合、サーバ装置４０で実現される予測部２２ｃは、学習モデル２３ｂに記憶されている学習モデルを用いて、所定の期間の後に、つまり現時点よりも未来に得られるであろう一又は複数の測定値である予測測定値と、その予測測定値が得られるであろう時刻である発生時刻とを、センサＩＤ毎に予測する。そして、サーバ装置４０は、予測した結果を、アラーム発生システム２０へ送信する。

【0084】

或いは、サーバ装置４０は、アラーム発生システム２０の学習部２２ｂ、予測部２２ｃ、並びに学習モデル２３ｂ及び予測測定値情報２３ｃを記憶する記憶部の機能に加え、アラーム発生部２２ｄの機能を実現するよう構成しても良い。この構成の場合に、サーバ装置４０は、アラーム発生条件を満たすものがあるか否かの判定結果を、アラーム発生システム２０へ送信する。

【0085】

また、上述したアラーム発生システム２０の機能を実現するためのコンピュータプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行するようにしてもよい。尚、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disc）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

【0086】

更に「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。

【0087】

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。

【0088】

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
更に、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

【符号の説明】

【0089】

１１－１～１１－ｎ センサ
１２－１～１２－ｋ センサ
２０ アラーム発生システム
２２ａ 取得部
２２ｂ 学習部
２２ｃ 予測部
２２ｄ アラーム発生部
２２ｆ 最適化部
２２ｆ－１ 補助学習部
２２ｆ－２ 補助予測部
２３ｂ 学習モデル
２３ｃ 予測測定値情報
２３ｅ 補助学習モデル
２３ｆ 補助予測測定値情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】