数据生成装置、数据生成方法、数据生成程序及传感器装置制造方法及图纸

数据生成装置具有：第1取得部，其取得表示与物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；第2取得部，其取得第1计算基准；以及第1计算部，其使用取得的第1计算基准，根据取得的第1虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。

【技术实现步骤摘要】
【国外来华专利技术】数据生成装置、数据生成方法、数据生成程序及传感器装置
本公开涉及对感测数据的可靠性进行评价的技术。
技术介绍
近年来，随着IoT(InternetofThings：物联网)技术的发展，收集以感测数据为代表的多样且庞大的数据(以下简称IoT数据)逐渐成为可能。通过有效利用IoT数据，例如可期待创造新的价值或创新。因此，要求促进该数据的流通、有效利用。在一些数据利用场景中，利用侧不仅需要感测数据自身，还可能需要该感测数据的附加信息。此外，除了实际配置的传感器(物理传感器)之外，还公知有如下的虚拟传感器的技术(程序模块)：对通过1个或多个物理传感器观测其感测对象而生成的感测数据(物理感测数据)进行分析和加工，生成新的感测数据(虚拟感测数据)。如果设计出生成符合使用者要求的感测数据的虚拟传感器，则即使实际上不存在这样的物理传感器，使用者也能够利用期望的感测数据。此外，在日本特许第4790864号公报中公开了“监视传感器数据，识别不准确的传感器数据，将无效或不准确的传感器数据最小限度化或减轻”([0007])。此外，在日本特许第4790864号公报中公开了“可以包含传感器分析组件112，该传感器分析组件112对从传感器102～106接收到的数据进行分析来识别性能劣化或发生故障的传感器”、“传感器分析组件112的分析能够基于从传感器接收到的先前数据、正评价的传感器附近的传感器所记录的数据和/或状况信息”、以及“能够使用收集数据的状况或状态，判定正进行读入的传感器是否妥当，或者判定是否为可疑的给定的其他传感器和状况信息”([0023])。并且，在日本特许第4790864号公报中公开了“标记或备注可疑或有问题的数据，以使得路线规划系统能够不使用劣化可能性高的数据和/或将劣化可能性高的数据的使用抑制为最低限度”([0028])。
技术实现思路
例如，假设利用侧分析感测数据，并基于分析结果进行营销这样的数据利用场景。在该场景下，如果将不恰当的感测数据添加到分析对象中，则有可能产生错误的分析结果，营销变得不顺利。因此，利用侧有时选择适合于分析的高质量的感测数据。在这种情况下，利用侧可能想要例如感测数据的可靠程度等附加信息。例如，可能需要这样的信息：某个感测数据是相对于影响该感测数据的可靠性的各种因素是可靠的，还是相对于噪声是可靠的。日本特许第4790864号公报涉及“利用一系列的传感器来监视干线流系统”的系统，没有对能够分析通常感测数据的性能劣化的内容进行充分公开。本专利技术目的在于提供一种生成可靠性数据的技术，该可靠性数据用于描述感测数据的可靠性信息。本公开第1方面的数据生成装置具有：第1取得部，其取得表示与物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；第2取得部，其取得第1计算基准；以及第1计算部，其使用取得的所述第1计算基准，根据取得的所述第1虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。根据该数据生成装置，能够生成从第1虚拟感测数据掌握的、描述感测数据的可靠性的可靠性数据。在第1方面的数据生成装置中，所述第1可靠性数据可以表示所述感测数据分别相对于影响所述感测数据的可靠性的至少1个因素的可靠性。根据该数据生成装置(以下，称为本公开第2方面的数据生成装置)，能够生成描述感测数据相对于影响感测数据的可靠性的因素的可靠性的可靠性数据。在第1方面或第2方面的数据生成装置中，所述第1计算基准包含分配给所述第1虚拟感测数据所包含的各个状况项目的权重系数，所述第1计算部使用所述第1虚拟感测数据中的各状况项目的值和分配给该状况项目的权重系数来进行运算，并根据该运算的结果来计算所述感测数据的可靠性。由此，能够考虑各个状况项目的贡献率来计算感测数据的可靠性。在第1方面或第2方面的数据生成装置中，所述第1计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用虚拟感测数据来计算在该学习用虚拟感测数据所示的状况下生成的感测数据的可靠性。由此，通过对设定了已学习模型的神经网络提供作为输入数据的第1虚拟感测数据，能够计算可靠性。在第2方面的数据生成装置中，所述因素可以包含人的影响、噪声的影响、周边装置的动作的影响、传感器的设置空间的影响以及有意的变动中的至少一个。根据该数据生成装置，能够计算感测数据相对于人的影响、噪声的影响、周边装置的动作的影响、传感器的设置空间的影响以及有意的变动中的至少一个的可靠性。在第1方面或第2方面的数据生成装置中，也可以是，所述第1取得部还取得第2虚拟感测数据，该第2虚拟感测数据表示与所述物理传感器的周围的状况相关的第2判定结果，所述第2取得部还取得多个第2计算基准，所述数据生成装置还具有：第3取得部，其取得表示所述物理传感器的动作条件的动作条件数据；选择部，其从所述多个第2计算基准中，选择与所述第2虚拟感测数据对应的1个；以及第2计算部，其使用选择出的所述第2计算基准，根据取得的所述动作条件数据来计算所述感测数据的可靠性，生成第2可靠性数据。根据该数据生成装置(以下，称为本公开第3方面的数据生成装置)，能够生成从物理感测数据的动作条件掌握的、描述感测数据的可靠性信息的可靠性数据。在第3方面的数据生成装置中，也可以是，所述第2可靠性数据表示在所述第2虚拟感测数据所示的状况下按照所述动作条件数据所示的动作条件进行动作的物理传感器所生成的物理感测数据相对于噪声的可靠性。由此，能够生成描述物理感测数据相对于噪声的可靠性信息的可靠性数据。在第3方面的数据生成装置中，也可以是，所述第2计算基准包含针对所述动作条件数据所示的动作条件中的至少1个的基准值。由此，通过第2计算基准所包含的基准值和与该基准值对应的动作条件数据的值的比较，能够计算可靠性。在第3方面的数据生成装置中，也可以是，所述第2计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用动作条件数据来计算依据该学习用动作条件数据所示的动作条件的传感器所生成的感测数据的可靠性。由此，通过向设定了已学习模型的神经网络提供作为输入数据的动作条件数据，能够计算可靠性。在第3方面的数据生成装置中，所述动作条件可以包括采样频率、精度和分辨率中的至少一个。由此，能够生成从传感器的采样频率、精度以及分辨率中的至少一个掌握的、描述感测数据的可靠性信息的可靠性数据。本公开第4方面的传感器装置具有：第1方面至第3方面中的任意方面的数据生成装置；以及所述物理传感器。由此，能够提供除了物理感测数据之外还生成可靠性数据的智能传感器装置。本公开第5方面的数据生成方法具有由计算机执行的如下步骤：取得表示与物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；取得第1计算基准；以及使用取得的所述第1计算基准，根据取得的所述第1虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。根据该数据生成方法，能够生成从第1虚拟感测数据掌握的、描述感测数据的可靠性的可靠性数据。本公开第6方面的数据生成程序用于使计算机执行如下本文档来自技高网...

【技术保护点】
1.一种数据生成装置，其具有：/n第1取得部，其取得表示与物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；/n第2取得部，其取得第1计算基准；以及/n第1计算部，其使用取得的所述第1计算基准，根据取得的所述第1虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。/n

【技术特征摘要】
【国外来华专利技术】20171201 JP 2017-2320901.一种数据生成装置，其具有：
第1取得部，其取得表示与物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；
第2取得部，其取得第1计算基准；以及
第1计算部，其使用取得的所述第1计算基准，根据取得的所述第1虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。


2.根据权利要求1所述的数据生成装置，其中，
所述第1可靠性数据表示所述感测数据分别相对于影响所述感测数据的可靠性的至少1个因素的可靠性。


3.根据权利要求1或2所述的数据生成装置，其中，
所述第1计算基准包含分配给所述第1虚拟感测数据所包含的各个状况项目的权重系数，
所述第1计算部使用所述第1虚拟感测数据中的各状况项目的值和分配给该状况项目的权重系数来进行运算，并根据该运算的结果来计算所述感测数据的可靠性。


4.根据权利要求1或2所述的数据生成装置，其中，
所述第1计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用虚拟感测数据来计算在该学习用虚拟感测数据所示的状况下生成的感测数据的可靠性。


5.根据权利要求2所述的数据生成装置，其中，
所述因素包含人的影响、噪声的影响、周边装置的动作的影响、传感器的设置空间的影响以及有意的变动中的至少一个。


6.根据权利要求1至5中的任意一项所述的数据生成装置，其中，
所述第1取得部还取得第2虚拟感测数据，该第2虚拟感测数据表示与所述物理传感器的周围的状况相关的第2判定结果，
所述第2取得部还取得多个第2计算基准，
所述数据生成装置还具有：
第3取得部，其取得表示所述物理传感器的动作条件的动作条件数据；
选择部，其从所述多个第2计算基准中，选择与...

【专利技术属性】
技术研发人员：三野宏之，酒井隆介，上田直亚，元木悠平，中村佳代，森俊博，
申请(专利权)人：欧姆龙株式会社，
类型：发明
国别省市：日本;JP