數據生成裝置、數據生成方法、數據生成程序及傳感器裝置制造方法及圖紙

數據生成裝置具有：第1取得部，其取得表示與物理傳感器的周圍的狀況相關的第1判定結果的第1虛擬感測數據；第2取得部，其取得第1計算基準；以及第1計算部，其使用取得的第1計算基準，根據取得的第1虛擬感測數據來計算感測數據的可靠性，生成第1可靠性數據。

【技術實現步驟摘要】
【國外來華專利技術】數據生成裝置、數據生成方法、數據生成程序及傳感器裝置
本公開涉及對感測數據的可靠性進行評價的技術。
技術介紹
近年來，隨著IoT(InternetofThings：物聯網)技術的發展，收集以感測數據為代表的多樣且龐大的數據(以下簡稱IoT數據)逐漸成為可能。通過有效利用IoT數據，例如可期待創造新的價值或創新。因此，要求促進該數據的流通、有效利用。在一些數據利用場景中，利用側不僅需要感測數據自身，還可能需要該感測數據的附加信息。此外，除了實際配置的傳感器(物理傳感器)之外，還公知有如下的虛擬傳感器的技術(程序模塊)：對通過1個或多個物理傳感器觀測其感測對象而生成的感測數據(物理感測數據)進行分析和加工，生成新的感測數據(虛擬感測數據)。如果設計出生成符合使用者要求的感測數據的虛擬傳感器，則即使實際上不存在這樣的物理傳感器，使用者也能夠利用期望的感測數據。此外，在日本特許第4790864號公報中公開了“監視傳感器數據，識別不準確的傳感器數據，將無效或不準確的傳感器數據最小限度化或減輕”([0007])。此外，在日本特許第4790864號公報中公開了“可以包含傳感器分析組件112，該傳感器分析組件112對從傳感器102～106接收到的數據進行分析來識別性能劣化或發生故障的傳感器”、“傳感器分析組件112的分析能夠基于從傳感器接收到的先前數據、正評價的傳感器附近的傳感器所記錄的數據和/或狀況信息”、以及“能夠使用收集數據的狀況或狀態，判定正進行讀入的傳感器是否妥當，或者判定是否為可疑的給定的其他傳感器和狀況信息”([0023])。并且，在日本特許第4790864號公報中公開了“標記或備注可疑或有問題的數據，以使得路線規劃系統能夠不使用劣化可能性高的數據和/或將劣化可能性高的數據的使用抑制為最低限度”([0028])。
技術實現思路
例如，假設利用側分析感測數據，并基于分析結果進行營銷這樣的數據利用場景。在該場景下，如果將不恰當的感測數據添加到分析對象中，則有可能產生錯誤的分析結果，營銷變得不順利。因此，利用側有時選擇適合于分析的高質量的感測數據。在這種情況下，利用側可能想要例如感測數據的可靠程度等附加信息。例如，可能需要這樣的信息：某個感測數據是相對于影響該感測數據的可靠性的各種因素是可靠的，還是相對于噪聲是可靠的。日本特許第4790864號公報涉及“利用一系列的傳感器來監視干線流系統”的系統，沒有對能夠分析通常感測數據的性能劣化的內容進行充分公開。本專利技術目的在于提供一種生成可靠性數據的技術，該可靠性數據用于描述感測數據的可靠性信息。本公開第1方面的數據生成裝置具有：第1取得部，其取得表示與物理傳感器的周圍的狀況相關的第1判定結果的第1虛擬感測數據；第2取得部，其取得第1計算基準；以及第1計算部，其使用取得的所述第1計算基準，根據取得的所述第1虛擬感測數據來計算感測數據的可靠性，生成第1可靠性數據。根據該數據生成裝置，能夠生成從第1虛擬感測數據掌握的、描述感測數據的可靠性的可靠性數據。在第1方面的數據生成裝置中，所述第1可靠性數據可以表示所述感測數據分別相對于影響所述感測數據的可靠性的至少1個因素的可靠性。根據該數據生成裝置(以下，稱為本公開第2方面的數據生成裝置)，能夠生成描述感測數據相對于影響感測數據的可靠性的因素的可靠性的可靠性數據。在第1方面或第2方面的數據生成裝置中，所述第1計算基準包含分配給所述第1虛擬感測數據所包含的各個狀況項目的權重系數，所述第1計算部使用所述第1虛擬感測數據中的各狀況項目的值和分配給該狀況項目的權重系數來進行運算，并根據該運算的結果來計算所述感測數據的可靠性。由此，能夠考慮各個狀況項目的貢獻率來計算感測數據的可靠性。在第1方面或第2方面的數據生成裝置中，所述第1計算基準包含通過進行如下的機器學習而生成的已學習模型：該機器學習是根據學習用虛擬感測數據來計算在該學習用虛擬感測數據所示的狀況下生成的感測數據的可靠性。由此，通過對設定了已學習模型的神經網絡提供作為輸入數據的第1虛擬感測數據，能夠計算可靠性。在第2方面的數據生成裝置中，所述因素可以包含人的影響、噪聲的影響、周邊裝置的動作的影響、傳感器的設置空間的影響以及有意的變動中的至少一個。根據該數據生成裝置，能夠計算感測數據相對于人的影響、噪聲的影響、周邊裝置的動作的影響、傳感器的設置空間的影響以及有意的變動中的至少一個的可靠性。在第1方面或第2方面的數據生成裝置中，也可以是，所述第1取得部還取得第2虛擬感測數據，該第2虛擬感測數據表示與所述物理傳感器的周圍的狀況相關的第2判定結果，所述第2取得部還取得多個第2計算基準，所述數據生成裝置還具有：第3取得部，其取得表示所述物理傳感器的動作條件的動作條件數據；選擇部，其從所述多個第2計算基準中，選擇與所述第2虛擬感測數據對應的1個；以及第2計算部，其使用選擇出的所述第2計算基準，根據取得的所述動作條件數據來計算所述感測數據的可靠性，生成第2可靠性數據。根據該數據生成裝置(以下，稱為本公開第3方面的數據生成裝置)，能夠生成從物理感測數據的動作條件掌握的、描述感測數據的可靠性信息的可靠性數據。在第3方面的數據生成裝置中，也可以是，所述第2可靠性數據表示在所述第2虛擬感測數據所示的狀況下按照所述動作條件數據所示的動作條件進行動作的物理傳感器所生成的物理感測數據相對于噪聲的可靠性。由此，能夠生成描述物理感測數據相對于噪聲的可靠性信息的可靠性數據。在第3方面的數據生成裝置中，也可以是，所述第2計算基準包含針對所述動作條件數據所示的動作條件中的至少1個的基準值。由此，通過第2計算基準所包含的基準值和與該基準值對應的動作條件數據的值的比較，能夠計算可靠性。在第3方面的數據生成裝置中，也可以是，所述第2計算基準包含通過進行如下的機器學習而生成的已學習模型：該機器學習是根據學習用動作條件數據來計算依據該學習用動作條件數據所示的動作條件的傳感器所生成的感測數據的可靠性。由此，通過向設定了已學習模型的神經網絡提供作為輸入數據的動作條件數據，能夠計算可靠性。在第3方面的數據生成裝置中，所述動作條件可以包括采樣頻率、精度和分辨率中的至少一個。由此，能夠生成從傳感器的采樣頻率、精度以及分辨率中的至少一個掌握的、描述感測數據的可靠性信息的可靠性數據。本公開第4方面的傳感器裝置具有：第1方面至第3方面中的任意方面的數據生成裝置；以及所述物理傳感器。由此，能夠提供除了物理感測數據之外還生成可靠性數據的智能傳感器裝置。本公開第5方面的數據生成方法具有由計算機執行的如下步驟：取得表示與物理傳感器的周圍的狀況相關的第1判定結果的第1虛擬感測數據；取得第1計算基準；以及使用取得的所述第1計算基準，根據取得的所述第1虛擬感測數據來計算感測數據的可靠性，生成第1可靠性數據。根據該數據生成方法，能夠生成從第1虛擬感測數據掌握的、描述感測數據的可靠性的可靠性數據。本公開第6方面的數據生成程序用于使計算機執行如下本文檔來自技高網...

【技術保護點】
1.一種數據生成裝置，其具有：/n第1取得部，其取得表示與物理傳感器的周圍的狀況相關的第1判定結果的第1虛擬感測數據；/n第2取得部，其取得第1計算基準；以及/n第1計算部，其使用取得的所述第1計算基準，根據取得的所述第1虛擬感測數據來計算感測數據的可靠性，生成第1可靠性數據。/n

【技術特征摘要】
【國外來華專利技術】20171201 JP 2017-2320901.一種數據生成裝置，其具有：
第1取得部，其取得表示與物理傳感器的周圍的狀況相關的第1判定結果的第1虛擬感測數據；
第2取得部，其取得第1計算基準；以及
第1計算部，其使用取得的所述第1計算基準，根據取得的所述第1虛擬感測數據來計算感測數據的可靠性，生成第1可靠性數據。


2.根據權利要求1所述的數據生成裝置，其中，
所述第1可靠性數據表示所述感測數據分別相對于影響所述感測數據的可靠性的至少1個因素的可靠性。


3.根據權利要求1或2所述的數據生成裝置，其中，
所述第1計算基準包含分配給所述第1虛擬感測數據所包含的各個狀況項目的權重系數，
所述第1計算部使用所述第1虛擬感測數據中的各狀況項目的值和分配給該狀況項目的權重系數來進行運算，并根據該運算的結果來計算所述感測數據的可靠性。


4.根據權利要求1或2所述的數據生成裝置，其中，
所述第1計算基準包含通過進行如下的機器學習而生成的已學習模型：該機器學習是根據學習用虛擬感測數據來計算在該學習用虛擬感測數據所示的狀況下生成的感測數據的可靠性。


5.根據權利要求2所述的數據生成裝置，其中，
所述因素包含人的影響、噪聲的影響、周邊裝置的動作的影響、傳感器的設置空間的影響以及有意的變動中的至少一個。


6.根據權利要求1至5中的任意一項所述的數據生成裝置，其中，
所述第1取得部還取得第2虛擬感測數據，該第2虛擬感測數據表示與所述物理傳感器的周圍的狀況相關的第2判定結果，
所述第2取得部還取得多個第2計算基準，
所述數據生成裝置還具有：
第3取得部，其取得表示所述物理傳感器的動作條件的動作條件數據；
選擇部，其從所述多個第2計算基準中，選擇與...

【專利技術屬性】
技術研發人員：三野宏之，酒井隆介，上田直亞，元木悠平，中村佳代，森俊博，
申請(專利權)人：歐姆龍株式會社，
類型：發明
國別省市：日本;JP