優れた建物インテリジェンスは、信頼できるデータから始まる
KyoSensaがTectorをセンシング基盤として選んだ理由。そして、信頼性の高いセンサーは、効果的な建物モニタリングの出発点にすぎないということ。
あらゆる建物モニタリングシステムの根幹にあるのは、極めてシンプルな要素です。
それは、入力されるデータの質です。
どれほど高度な機械学習や分析、予測モデルを導入しても、元となる測定データが不安定であれば、その上に構築される分析や判断の信頼性も低下します。センサーデータにばらつきがあり、通信が断続的で、設置環境に適していなければ、高度なソフトウェアだけでその問題を補うことはできません。
そのためKyoSensaにとって、どのセンシング技術を採用するかは、プラットフォーム全体を左右する重要な技術判断の一つでした。
私たちが選んだのがTectorです。
選定の理由は、単に機能が多いからでも、仕様表の数字が優れているからでもありません。
私たちが求めていたのは、実際の建物、実際の環境条件の中で、長期間にわたって安定して運用できることがすでに実証されているセンシング技術でした。
そして同時に、その上に、より高度な建物インテリジェンスを構築できることも重要でした。
KyoSensaが目指しているのは、建物を時間の経過とともに理解していくことです。
そのためには、まず信頼できる測定が必要です。
そして、その測定データをどのように理解し、関連づけ、判断につなげるかというところから、KyoSensaの役割が始まります。
センサーは、どれも同じではない
水分センサーは、一見すると単純な機器に見えるかもしれません。
設置して、数値を取得し、一定のしきい値を超えたら警告を出す。
しかし、長期的な建物モニタリングは、それほど単純ではありません。
センサーは、屋根、壁、構造材、床下など、簡単にはアクセスできない場所に何年も設置されることがあります。気温や湿度の変化に耐え、建物内部から安定して通信し、長期的な比較に耐えられる一貫したデータを継続して取得する必要があります。
そして、単純なしきい値監視を超えた分析を行う場合、その重要性はさらに高まります。
KyoSensaのようなシステムが異常な挙動を見つけるためには、まずその建物が通常どのように振る舞うのかを理解しなければなりません。
そのためには、数か月、やがては数年にわたる測定データを比較していく必要があります。
単発の測定ではほとんど問題にならない小さな不整合であっても、それが機械学習モデルの基礎データになると、長期的には大きな意味を持つ場合があります。
つまり、センサーネットワークの品質は、その先にある分析全体の品質に直結します。
なぜTectorを選んだのか
Tectorには、KyoSensaが必要としていた重要な特徴がいくつもありました。
同社のワイヤレスセンサーは、木造構造、フラットルーフ、その他の建築部位における長期的な水分モニタリングを想定して設計されています。現行世代ではLoRaWAN通信を使用し、含水率、相対湿度、温度などを測定します。
KyoSensaにとって特に重要だったのは、この技術がすでに実験室の段階を超え、実際の建物で使われていることでした。
Tectorのセンサーは、建設現場、使用中の建物、文化的価値の高い建築物など、モニタリング結果が実際の判断につながる環境で導入されています。
例えば、コペンハーゲン市庁舎塔の改修工事では、RambøllがTectorによる連続測定を利用し、構造内部の水分状態を確認しながら、乾燥の進行に応じて暖房や除湿を調整しました。
フェロー諸島で初となるCLT建築では、建設中の品質管理として継続的な測定が行われ、木材が次の施工工程へ進めるだけの十分な乾燥状態に達しているかを判断するために活用されました。一部のセンサーは完成後も建物内に残され、長期モニタリングに利用されています。
また、パリのノートルダム大聖堂の修復にもTectorの技術が導入されており、容易にアクセスできないオーク材の構造部について、時間の経過に伴う水分状態を継続的に把握できるようになっています。
さらにコペンハーゲンでは、庭園、太陽光パネル、屋外設備、複数の貫通部を備えた学校施設の複雑な屋根にもセンサーが設置されています。
建設中には、開放状態だった屋根構成内への雨水浸入をシステムが検知し、影響を受けた場所を特定したうえで、屋根を閉じる前に追加の乾燥が必要かどうかを判断することができました。
こうしたモニタリング設備は供用開始後も残すことができ、将来的に漏水が発生した場合にも、発見が遅れて建物への影響が大きくなる前に状態を把握するための重要な手段になります。
これらの事例は、それぞれ大きく異なります。
だからこそ、私たちはそこに価値を感じました。
建設中の品質管理、完成後の長期モニタリング、現代的な木造建築、複雑なフラットルーフ、歴史的建築物の保存。
異なる用途や建築条件の中で、基盤となるセンシング技術が実際に機能してきた実績があることは、KyoSensaがその上に、より高度なインテリジェンス層を構築するうえで重要な判断材料となりました。
正確な測定は、ゴールではなくスタート
センサーは、何を測定したかを教えてくれます。
しかし、建物所有者や施設管理者が本当に知りたいのは、その先にあることです。
この数値は、この建物にとって何を意味するのか。
水分値を単独で見ても、得られる情報には限界があります。
同じ数値でも、ある場所では完全に正常であり、別の場所では異常を示している可能性があります。
急激な上昇は漏水を示しているかもしれません。しかし、それが大雨の直後に起きており、その部位では過去にも同じ反応を繰り返しているのであれば、正常な挙動である可能性もあります。
高い水分値でも短時間で通常の状態へ戻る場合と、それほど大きな変化ではなくても数週間にわたって残り続ける場合とでは、意味が大きく異なります。
さらに重要なのが、センサー同士の関係です。
あるエリアのセンサーが降雨に対してほぼ同じ反応をしている中で、一つだけ異なる動きを示せば、その差には意味がある可能性があります。
これまで常に似た挙動をしていた二つのセンサーが、ある時点から異なる動きを始めることもあります。
通常であれば数日で乾燥する場所が、同じような条件にもかかわらず今回は大幅に長い時間を要している場合もあります。
こうした変化は、従来型の警報しきい値を一度も超えていなくても、注意すべき兆候になり得ます。
KyoSensaが解決しようとしているのは、まさにこの問題です。
センサーネットワークからBuilding Fingerprintへ
KyoSensaは、建物ごとに私たちがBuilding Fingerprintと呼ぶ特性モデルを継続的に構築していきます。
一つ一つの測定値を独立した出来事として扱うのではなく、建物全体がどのように振る舞うのかを学習します。
過去のセンサー挙動、季節変動、降雨、周辺環境、乾燥と回復のパターン、高い水分状態がどれだけ続くか、さらにセンサーやエリア間の関係性などを分析します。
日本では、地域ごとの地震情報も組み合わせることができ、一定規模以上の揺れの後に通常とは異なる挙動が発生していないかを、追加の文脈とともに評価できます。
時間の経過とともに、その建物にとって何が通常なのかというモデルが形成されていきます。
KyoSensaはそのうえで、現在実際に起きていることと、これまでの学習から予想される挙動を比較します。
この違いは重要です。
従来型のモニタリングでは、「測定値が設定値を超えたか」という問いが中心になります。
KyoSensaでは、それに加えて別の問いを投げかけます。
この建物は、普段の自分自身とは違う振る舞いをしていないか。
これは同じ問いではありません。
数値そのものは正常範囲内でも、変化の速度、継続時間、あるいは周囲のセンサーとの関係に異常が現れることがあります。
一方で、高めの数値が出ていても、既知の気象条件や過去の挙動と整合していれば、必ずしも異常とは限りません。
KyoSensaの目的は、警報を増やすことではありません。
より意味のある情報を提供することです。
建物インテリジェンスには文脈が必要
そのためKyoSensaは、センサーの測定値だけではなく、周辺の情報も組み合わせて分析します。
分かりやすい例が気象データです。
雨の強さや降った時刻によって、水分変化の意味は大きく変わります。
KyoSensaは、過去に似たような雨が降ったときに建物がどう反応したか、各部位がどの程度の速さで反応したか、そして通常どれくらいの時間で元の状態に戻るのかを比較することができます。
同じ考え方は建物全体にも適用されます。
個々のセンサーだけでなく、エリアごとの挙動、センサー同士の関係、予測値と実測値との差、乾燥曲線の変化、通常より長く残る状態、これまでのパターンから徐々に外れ始めている変化などを分析します。
KyoSensaのInsight Engineは、こうした情報をまとめ、どの変化に注意すべきかを判断します。
一方で、KyoSensaは人を判断プロセスから外すことを目的としていません。
建物管理には、コスト、運用、現場の状況など、ソフトウェアだけでは把握できない要素があります。
そのため重要な兆候については、人による確認につなげることができます。
建物所有者や管理者が大量の生データを自ら読み解くのではなく、自動分析と人による確認を組み合わせることで、より実用的な意思決定を支援します。
技術は継続的に観察します。
重要な判断は、人が行います。
モニタリングを、もう一段上のレベルへ
センサーが数台ではなく、複数の建物や大規模な施設群に導入されるようになると、この違いはさらに大きくなります。
多数の物件を管理する担当者が、毎朝すべてのセンサーグラフを開いて、異常がないか一つずつ確認する必要はありません。
また、重要な歴史的建築物の所有者が、長期モニタリングの恩恵を受けるために、水分挙動の専門家になる必要もありません。
KyoSensaが担うのは、その解釈です。
建物情報、センサー配置、環境データ、アラート、分析履歴、レポートを一つの運用環境に集約し、日常的な変化と確認が必要な挙動を区別します。
何が起きたのかだけでなく、なぜその変化が重要だと判断されたのかという背景も残すことができます。
建物管理会社やメンテナンス事業者であれば、同じ仕組みを多数の物件へ展開しながら、それぞれの建物について個別のBuilding Fingerprintを維持できます。
京都の築数百年の京町家と、現代の商業施設のフラットルーフが同じように振る舞うはずはありません。
倉庫を木造寺社と同じ基準で判断することもできません。
外見上はよく似た二つの建物であっても、方角、材料、排水、換気、修繕履歴、利用状況、長年の風雨へのさらされ方によって、その反応は異なります。
KyoSensaは、その違いを無視するのではなく、学習します。
なぜこれが予測につながるのか
長期モニタリングの価値は、履歴が蓄積されるほど高まっていきます。
最初の目的は、意味のある変化を早期に検知することです。
次に、その変化がなぜ起きているのかを理解すること。
そして最終的には、従来型のアラームが発報する前に、現在の状態がどの方向へ進んでいるのかを推定できるようにすることです。
ここで、安定したセンシングと建物ごとの機械学習を組み合わせることの価値が大きくなります。
単に「水分値がこの数字を超えたら危険」と設定しただけでは、そのシステムが建物を理解しているとは言えません。
通常の挙動を学び、似た事象を比較し、センサー間の関係変化を捉え、通常どのくらいで回復するのかを理解し、現在の推移が過去のパターンから外れ始めたときにそれを認識する必要があります。
そのためには、長期間にわたって一貫して取得されたデータが不可欠です。
これこそが、私たちがセンサーパートナーの選定を重視した理由の一つです。
選ぶべきなのは、センサーだけではない
建物所有者、施工会社、施設管理者が長期モニタリングを検討する際、ハードウェアはもちろん重要です。
信頼性があり、対象となる建物に適しており、実際の環境で実績のある製品を選ぶ必要があります。
しかし、評価をそこで終えるべきではありません。
より重要なのは、センサーを設置したあとに、そのシステムで何ができるようになるのかということです。
データを誰が解釈するのか。
建物の過去の履歴を理解できるのか。
正常な環境変化と、異常の兆候を区別できるのか。
センサーを一台ずつ独立して見るのではなく、複数のセンサーやエリアを関連づけて分析できるのか。
気象や地震など、外部の事象を分析に組み込めるのか。
数年使い続けたときに、システム自体がより有用になっていくのか。
それとも、何年経っても同じグラフを表示し続けるだけなのか。
こうした問いが、KyoSensaの設計思想を形作っています。
私たちは、自社名を付けるためだけに新しい水分センサーを一から作ろうとは考えませんでした。
優れたセンシング技術を基盤として使い、その上に、時間とともに価値が高まるシステムを構築することを選びました。
Tectorは、そのための信頼できる基盤です。
そしてKyoSensaは、そこから得られる測定値を、建物そのものに対する継続的な理解へと変えていきます。
この違いこそが、私たちが構築しているものの中心にあります。
センサーは、建物のある一点で何が起きているのかを測定します。
KyoSensaは、それらの情報を時間、天候、外部事象、場所、そして建物全体の挙動と結びつけます。
Sensors measure. KyoSensa learns.