CN115461263A - 有轨台车系统 - Google Patents

Abstract

本发明提供一种有轨台车系统。有轨台车系统(3)具备行驶轨道(9)以及沿着该行驶轨道(9)行驶的行驶台车(7)。有轨台车系统(3)具备传感器(21)以及诊断装置(17)。传感器(21)相对于行驶轨道(9)位置固定地设置，测定振动或者声音。诊断装置(17)基于由传感器(21)测定出的测定数据，诊断通过了行驶轨道(9)中的与传感器(21)的设置位置对应的测定地点的行驶台车(7)的状态。

Description

有轨台车系统

技术领域

本发明涉及在有轨台车系统中诊断台车的状态的构成。

背景技术

一直以来，在有轨台车系统中，考虑到故障的可能性而通过各种方法诊断台车的状态。专利文献1公开了行驶台车的行驶车轮的劣化检测方法。

专利文献1所公开的行驶台车具备驱动轮单元。驱动轮单元具备行驶车轮、减速器以及行驶马达等构成。行驶马达具有编码器。通过该编码器检测行驶车轮的转速。从行驶马达取出输出扭矩的信号和编码器信号，并根据编码器信号与行驶台车所具备的线性传感器的信号之间的差分来求出滑移速度。基于行驶马达的输出扭矩与滑移速度通过了行驶扭矩与滑移速度的空间(例如，二维平面)中的规定的异常区域的情况，检测出行驶车轮的劣化。

现有技术文献

专利文献

专利文献1：日本专利第6337528号公报

发明内容

发明要解决的课题

但是，在上述专利文献1的技术中，为了检测行驶车轮的劣化，必须对所有成为对象的高架行驶车设置编码器以及线性传感器，在这一点上存在改善的余地。

本发明是鉴于以上情况而完成的，其目的在于提供一种有轨台车系统，在台车侧不设置特别的传感器，就能够进行台车的状态的诊断。

用于解决课题的手段

本发明要解决的课题如上所述，以下对用于解决该课题的手段及其效果进行说明。

根据本发明的观点，提供以下构成的有轨台车系统。即，该有轨台车系统具备轨道以及沿着该轨道行驶的台车。上述有轨台车系统具备测定部以及诊断装置。上述测定部相对于上述轨道位置固定地设置，测定振动和声音中的至少一方。上述诊断装置基于由上述测定部测定出的测定数据，诊断通过了测定地点的台车的状态，该测定地点与上述轨道中的上述测定部的设置位置对应。

由此，即使在台车侧不设置特别的传感器，也能够诊断台车的状态。由于可以不将测定部设置于各行驶台车，因此能够降低成本。

在上述有轨台车系统中优选成为以下构成。即，该有轨台车系统具备特征量提取部以及学习控制部。上述特征量提取部提取与由上述测定部测定出的测定数据中的上述台车通过上述测定地点时的数据相当的部分数据即学习用部分数据中包含的学习用特征量。上述学习控制部使用基于上述测定部对多个台车测定出的测定数据的学习用特征量的集合即学习用数据集，形成与上述台车的状态的诊断相关的学习模型。

由此，能够良好地取得学习模型。

在上述有轨台车系统中优选成为以下构成。即，该有轨台车系统具备学习用部分数据截取部。上述学习用部分数据截取部从由上述测定部测定出的测定数据截取上述学习用部分数据。

由此，能够良好地取得学习用部分数据。

在上述有轨台车系统中优选成为以下构成。即，上述特征量提取部提取与由上述测定部测定出的测定数据中的上述台车通过上述测定地点时的数据相当的部分数据即诊断用部分数据中包含的诊断用特征量。上述诊断装置基于由上述学习控制部学习完毕的上述学习模型，计算与由上述特征量提取部提取出的上述诊断用特征量对应的机械学习评价值。

由此，能够使用机械学习评价值来良好地进行上述台车的状态的诊断。

在上述有轨台车系统中优选成为以下构成。即，该有轨台车系统具备诊断用部分数据截取部。上述诊断用部分数据截取部从由上述测定部测定出的测定数据截取上述诊断用部分数据。

由此，能够良好地取得诊断用部分数据。

在上述有轨台车系统中优选成为以下构成。即，该有轨台车系统具备位置传感器。上述位置传感器相对于上述轨道位置固定地设置，检测通过上述测定地点的上述台车。基于上述位置传感器检测到上述台车的定时，从上述测定数据截取上述部分数据。

由此，能够更良好地取得部分数据。

在上述有轨台车系统中优选成为以下构成。即，一边使上述测定数据在时间轴方向上各种偏移，一边求出成为基准的参照数据与成为截取的对象的测定数据之间的相关性。在使上述测定数据在时间轴方向上偏移为上述相关性成为最大的状态下，在以上述参照数据为基准而确定的时间区间中，从上述测定数据截取上述部分数据。

由此，能够准确地取得部分数据(学习用部分数据及诊断用部分数据)。

在上述有轨台车系统中优选成为以下构成。即，上述轨道从建筑物的顶棚或者设置于地面的架台悬吊设置。上述台车是沿着上述轨道行驶的高架输送车。

高架输送车设置在高处，因此在一般情况下，其维护作业较困难。但是，根据该构成，不将高架输送车从轨道卸下就能够确认其状态，能够缓和维护作业的繁杂。

附图说明

图1是表示本发明的一个实施方式的有轨台车系统的构成的概要图。

图2是表示有轨台车系统所具备的行驶轨道的图。

图3是表示诊断装置的构成的框图。

图4是关于为了取得学习用数据集而在有轨台车系统中进行的处理的流程图。

图5是关于进行机械学习的处理的流程图。

图6是关于状态判别部为了进行判定而在有轨台车系统中进行的处理的流程图。

图7是表示行驶台车的运转时间与评价值之间的关系的曲线图。

图8是对检测信号的偏移处理进行说明的曲线图。

具体实施方式

接着，参照附图对本发明的实施方式进行说明。图1是表示本发明的一个实施方式的有轨台车系统3的构成的概要图。图2是表示有轨台车系统3所具备的行驶轨道9的图。图3是表示诊断装置17的构成的框图。

图1所示的有轨台车系统3例如是设置在半导体制造工厂的自动输送系统。有轨台车系统3能够输送FOUP等输送对象物5。FOUP是Front Opening Unified Pod的简称。

有轨台车系统3具备多个行驶台车7以及行驶轨道(轨道)9。

行驶台车7是沿着行驶轨道9行驶的有轨台车。在本实施方式中，作为行驶台车7，使用被称作OHT的高架输送车。OHT是Overhead Hoist Transfer的简称。但是，行驶台车7并不限定于此。在本实施方式的有轨台车系统3中，具有实质相同的构成的多个行驶台车7同时行驶。由此，能够提高输送的效率。

如图1所示，各个行驶台车7具有台车控制部11。台车控制部11构成为具有CPU、ROM、RAM、HDD等的公知的计算机。

台车控制部11控制行驶台车7所具备的多关节机械臂或者起重机等移载机构对输送对象物5的移载动作、以及该行驶台车7所具备的行驶机构(未图示)进行的自动行驶等。由台车控制部11控制的行驶台车7在与其他行驶台车7隔开适当间隔的状态下沿着行驶轨道9行驶。

如图2所示，行驶轨道9设置在使用有轨台车系统3的半导体制造工厂等的建筑物13内。具体而言，行驶轨道9从建筑物13的顶棚悬吊设置。另外，行驶轨道9也可以从设置于地面的架台悬吊设置。行驶轨道9例如具有对图1所示那样的行驶台车7的行驶路径进行引导的形状。另外，行驶轨道9的形状没有特别限定。

有轨台车系统3具备学习系统1。如图1所示，学习系统1具备测定装置15、诊断装置17以及通知部45。

测定装置15能够测定随着行驶台车7的行驶而产生的振动和声音中的至少一方。在本实施方式中，测定装置15由传感器(测定部)21构成。传感器21检测行驶台车7行驶时的行驶轨道9的振动或者声音，并将与该传感器21的检测结果相应的检测信号输出到诊断装置17。该检测信号相当于由传感器21测定出的测定数据。

如上所述，本实施方式的传感器21检测行驶轨道9的振动或者声音。在本实施方式中，传感器21设置在行驶轨道9侧，而不设置于行驶台车7。换言之，传感器21相对于行驶轨道9被位置固定地设置。在传感器21是检测振动的振动传感器的情况下，该传感器例如由加速度传感器、AE(Acoustic Emission)传感器、超声波传感器或者冲击脉冲传感器等构成。在传感器21是检测声音的声音传感器的情况下，该传感器例如由麦克风等构成。以下，有时将配置传感器21的位置称作测定地点P1。如图2所示，测定地点P1被决定于行驶轨道9上的适当部位。虽然未图示，但在测定地点P1附近设定有被称作诊断区域的特别区域。

在学习系统1中设置有位置传感器25。位置传感器25检测通过测定地点P1的行驶台车7。位置传感器25相对于行驶轨道9被位置固定地设置。

位置传感器25在行驶轨道9上配置在相当于测定地点P1的部分的附近。位置传感器25由具有投受光部的光电传感器构成。在通过投受光部检测到该投受光部投射的光被行驶台车7的反射部等反射的情况时，位置传感器25将台车检测信号输出到诊断装置17。但是，位置传感器25的构成并不限定于此。

诊断装置17能够基于由传感器21检测到的检测信号，诊断通过了行驶轨道9上的测定地点P1的行驶台车7的状态。诊断装置17与传感器21以及位置传感器25分别电连接。

诊断装置17构成为具有CPU、ROM、RAM、HDD等的公知的计算机。诊断装置17通过执行由ROM、RAM以及HDD等构成的存储部所存储的程序，来进行各种处理(包含后述的诊断)。

通知部45由液晶监视器等显示器、灯、蜂鸣器等构成。通知部45与诊断装置17电连接。通知部45通过显示信息、基于声音以及/或者光的告知，将诊断装置17对行驶台车7的状态进行了诊断的结果通知给作业者等。由此，作业者等能够迅速地得知行驶台车7的状态。

如图1以及图3所示，诊断装置17具有AD转换部37、数据截取部31、数据转换部33以及分析部35。

AD转换部37将传感器21输出的模拟信号转换成数字信号。AD转换部37将转换后的数字信号输出到数据截取部31。

数据截取部31从传感器21输出的检测信号中，取出包含由于行驶台车7的通过而行驶轨道9产生振动或者声音的定时的规定的时间范围的部分。该时间范围以位置传感器25输出台车检测信号的定时为基准来决定。以下，有时将如此截取的检测信号称作部分信号(部分数据)。根据状况，部分信号被用于学习或者用于诊断。因而，数据截取部31作为学习用部分数据截取部以及诊断用部分数据截取部发挥功能。

数据转换部33对由数据截取部31截取的部分信号进行转换而取得频谱。数据转换部33具有特征量提取部39。

特征量提取部39取得由数据截取部31截取的部分信号中包含的频谱。具体地说明，特征量提取部39将数据截取部31输出的部分信号作为对象来执行离散傅里叶变换处理。由此，能够得到将部分信号表示为频率与以该频率进行振动的信号的强度之间的关系的频谱。在本实施方式中，将该频谱用作为特征量(学习用特征量或者诊断用特征量)。

分析部35通过对从数据转换部33输入的多个频谱进行机械学习来形成学习模型。在本实施方式中，学习模型是输入频谱而输出评价值的函数。当形成学习模型时，分析部35使用该学习模型，对于任意的行驶台车7，根据从数据转换部33输入的频谱来计算评价值。该评价值基于机械学习，因此能够称作机械学习评价值。从学习模型得到的评价值被用于该行驶台车7的状态的诊断。

分析部35具有机械学习部(学习控制部)41以及状态判别部(诊断部)43。

机械学习部41将与多个行驶台车7对应的部分信号的频谱用作为一组学习数据，而形成与行驶台车7的状态的诊断相关的学习模型。在本实施方式中，作为学习模型，使用公知的单类SVM(One Class SVM)。SVM是Support Vector Machine的简称。在本实施方式中，通过单类SVM的无监督学习，进行离群值检测(换言之，为异常检测)。

以下，对学习模型的构建进行详细说明。图4以及图5是关于用于机械学习部41形成学习模型的学习系统1的处理的流程图。

首先，学习系统1通过图4所示的处理收集用于机械学习部41形成学习模型的数据。

首先，对于沿着行驶轨道9行驶的行驶台车7，通过传感器21取得关于由于行驶而产生的振动或者声音的检测信号(步骤S101)。此处，通过行驶轨道9的测定地点的行驶台车7均是正常的行驶台车7。在以下，有时将通过测定正常的行驶台车7而得到的数据称作正常数据。

接着，诊断装置17的数据截取部31从由传感器21取得的检测信号截取一部分信号(步骤S102)。如此，得到上述部分信号。从检测信号截取部分信号的时间范围为，以位置传感器25检测到行驶台车7通过测定地点P1的定时为基准，从该定时的规定时间之前到该定时的规定时间后为止。

接着，在诊断装置17的数据转换部33中，特征量提取部39对来自数据截取部31的部分信号执行离散傅里叶变换处理，并提取频谱(步骤S103)。在本实施方式中，向学习模型输入的特征量为该频谱。严格来说，特征量是频谱中所包含的每个频率成分的信号的强度。对频谱适当进行平滑处理。平滑处理的方法多种多样，但例如能够举出对高斯滤波器进行卷积积分的方法。

接着，诊断装置17所具有的省略图示的存储部将特征量提取部39取得的频谱存储为构成学习用数据集的学习用数据(步骤S104)。

反复进行步骤S101～步骤S104的处理，直到使行驶台车7通过测定地点P1足够的次数，并得到大量(例如，几千个)频谱为止(步骤S105)。为了在相同条件下取得频谱，将为了收集数据而使行驶台车7通过测定地点P1的行驶速度控制为在规定的数据取得用速度下成为恒定。

设定于行驶轨道9的测定地点P1，不仅是1台行驶台车7能够通过，而是多个行驶台车7能够通过。在本实施方式中，如果对于1台正常的行驶台车7得到了例如几百个左右的频谱，则替换为作为其他个体的正常的行驶台车7(步骤S106)来进行能够收集相同程度的频谱的作业。

通过以上处理，能够得到学习用数据集。在本实施方式中，学习用数据集实质上是大量频谱的集合。该学习用数据集存储于诊断装置17的存储部。另外，存储于该存储部的学习用数据集能够适当变更(更新)。

由于存在步骤S106的台车替换作业，因此在通过图4的处理而得到的学习用数据集中包含从多个行驶台车7(互不相同的个体)得到的频谱。通过使用这样的学习用数据集来进行机械学习，能够抑制过度地学习行驶台车7的个体特有的特征。关于从几台行驶台车7收集频谱，只要是2台以上则是任意的，但优选设为行驶台车7的个体差变得不明显那样的一定程度上较大的数量。

在该学习用数据集中不包含从异常的行驶台车7得到的频谱，所有频谱都是从正常的行驶台车7得到的。

接着，学习系统1使用所得到的学习用数据集，通过图5所示的处理来进行基于机械学习部41的机械学习。图5的处理相当于机械学习的训练阶段。

首先，在诊断装置17的分析部35中，机械学习部41将用于判别行驶台车7的异常的判别式的参数适当进行初始化(步骤S201)。在本实施方式中，判别式如以下那样表示。

[数式1]

在上述数式中，f(x)为判别式，相当于本实施方式的学习模型。向判别式f的输入即x是表示所输入的频谱的N维向量。在本实施方式中，在用多个频率成分各自的信号强度来表示频谱的情况下，N是指该频率成分的数量。判别式f的输出是被称作评价值的标量值，详细情况将后述。

K(xi,x)是单类SVM的公知的核函数。核函数是频谱越成为离群值则越接近原点那样的向高维空间的映射函数。在单类SVM中，在向该高维空间的映射中确定离原点的距离成为最大的超平面。该超平面成为判定离群值的基准。在本实施方式中，使用高斯核作为核函数，但核函数并不限于此。

αi、xi、ρ是成为机械学习的对象的参数。在本实施方式中，学习模型的形成相当于得到αi、xi、ρ的最佳值来确定判别式。在步骤S201中，该参数被初始化。用于初始化的值(参数的初始值)例如能够设为随机值。上述以外的参数即σ被称作超参数，由设计者适当确定。

接着，机械学习部41取出学习用数据集所包含的频谱中的一个，以N维向量x的形式代入判别式f，求出值f(x)(步骤S202)。然后，调整αi、xi、ρ，以使所得到的值f(x)接近0(步骤S203)。对于学习用数据集的所有频谱反复进行步骤S202以及步骤S203的处理(步骤S204)。由此，完成1轮量的学习。轮表示对学习用数据集所包含的学习用数据进行1次学习。

步骤S202～步骤S204的处理并进一步反复进行适当次数(步骤S205)。由此，实现多轮量的学习。对于一个学习用数据集反复进行适当次数的学习，由此得到性能良好的学习模型。

通过图5的处理而得到参数αi、xi、ρ的值，该参数的值存储于诊断装置17的存储部。代入了该参数αi、xi、ρ的值的上述判别式f表示学习完毕模型。因而，也可以认为所得到的参数αi、xi、ρ的值本身实质上是学习完毕模型。

在使用了单类SVM的离群值检测中，如果f(x)的值为0或者正，则意味着x不是离群值。如果f(x)的值为负，则意味着x是离群值，f(x)的值越小则表示值的离群程度越大。本实施方式的状态判别部43为，利用行驶台车7产生异常时的频谱相对于正常时的频谱处于离群值的关系，来进行行驶台车7的正常/异常的诊断。

在实际进行诊断的情况下，进行图6所示的处理。图6的处理相当于机械学习的推理阶段。

首先，通过传感器21取得由于行驶台车7的行驶而引起的振动或者声音(步骤S301)。此时，行驶台车7被控制为，以与上述数据取得用速度相同的速度通过测定地点P1。从该检测信号截取部分信号(步骤S302)。在以下，有时将该部分信号称作诊断用部分信号。进而，从该诊断用部分信号中提取频谱(步骤S303)。

步骤S301～步骤S303的处理与图4的步骤S101～步骤S103实质上相同。但是，在图6的情况下，不清楚通过测定地点P1的行驶台车7是否产生异常。

接着，状态判别部43将在步骤S303中得到的频谱输入判别式，计算评价值(步骤S304)。此时，作为判别式的参数αi、xi、ρ，使用通过图5的处理求出的参数。因而，在步骤S304中使用的判别式与学习完毕的学习模型同义。

接着，状态判别部43判断计算出的评价值是否小于阈值v1(步骤S305)。在图7中用曲线图表示使相同的行驶台车7持续运转时的评价值的推移。通过在学习模型(判别式)中完成了图5的训练阶段之后，实际进行行驶台车7的耐久试验等，由此能够得到该曲线图。

在本实施方式中，如图7的曲线图所示，阈值v1被设定为假定行驶台车7即将发生故障的值。

具体地说明，在图7的曲线图中，行驶台车7在t2的定时发生故障，变得无法运转。在该情况下，优选在比t2稍靠前的例如t1的定时产生某种警告。因此，成为正常与异常的判别界限的阈值v1被确定为，相对于与在行驶台车7确认到明显故障那样的状态相当的评价值(以下，称作故障时评价值v2。)预设了一定程度的余量的值。阈值v1以及故障时评价值v2为负值。故障时评价值v2能够参考上述耐久试验的结果等来确定。阈值v1比故障时评价值v2大出上述余量的量。考虑有轨台车系统3持续运转的重要性以及构件更换成本等，来适当确定该余量的大小。

在步骤S305的判断中，在评价值为阈值v1以下的情况下，状态判别部43判别为行驶台车7的状态为异常(步骤S306)。在该情况下，状态判别部43将判别结果(行驶台车7的状态为异常)发送到通知部45(步骤S307)。其结果，在通知部45中，例如通知“行驶台车7的状态为异常”以及“需要对行驶台车7准备更换用行驶台车或者构件”中的一方或者双方。剩余的能够运转时间的长度，是到预测为评价值成为故障时评价值v2以下的定时为止的时间长度。例如，能够通过图7的曲线图以及当前的评价值来推断剩余的能够运转时间的长度。

在步骤S305的判断中，在评价值为阈值v1以上的情况下，状态判别部43判定为行驶台车7的状态为正常(步骤S308)。

无论判别结果是正常还是异常，处理都返回到步骤S301，根据行驶台车7的通过而再次进行诊断。

另外，通知部45的通知优选包含需要准备行驶台车7的构件或更换用行驶台车的含义的信息。在该情况下，能够催促作业者等进行适当的准备。

如以上说明的那样，本实施方式的有轨台车系统3具备行驶轨道9、以及沿着该行驶轨道9行驶的行驶台车7。有轨台车系统3具备传感器21以及诊断装置17。传感器21相对于行驶轨道9位置固定地设置，测定振动或者声音。诊断装置17基于由传感器21测定出的测定数据，诊断通过了行驶轨道9中的与传感器21的设置位置对应的测定地点P1的行驶台车7的状态。

由此，即使不在行驶台车7侧设置特别的传感器，也能够诊断行驶台车7的状态。由于可以不将传感器21设置于各行驶台车7，因此能够降低成本。

本实施方式的有轨台车系统3具备特征量提取部39以及机械学习部41。特征量提取部39提取部分信号即学习用部分信号中包含的频谱，该部分信号与由传感器21检测到的检测信号中的行驶台车7通过测定地点P1时的检测信号相当。机械学习部41使用学习用数据集来形成与行驶台车7的状态诊断相关的学习模型，该学习用数据集是基于传感器21对多个行驶台车7测定出的检测信号的频谱的集合。

由此，能够良好地取得学习模型。

本实施方式的有轨台车系统3具备数据截取部31。数据截取部31从由传感器21检测到的检测信号截取学习用部分信号。

由此，能够良好地取得学习用部分信号。

在本实施方式的有轨台车系统3中，特征量提取部39提取部分信号即诊断用部分信号中包含的频谱，该部分信号与由传感器21检测到的检测信号中的行驶台车7通过测定地点P1时的检测信号相当。诊断装置17基于由机械学习部41学习完毕的学习模型，计算与由特征量提取部39提取出的频谱对应的评价值。

由此，能够使用评价值良好地进行行驶台车7的状态的诊断。

本实施方式的有轨台车系统3具备数据截取部31。数据截取部31从由传感器21检测到的检测信号截取诊断用部分信号。

由此，能够良好地取得诊断用部分信号。

本实施方式的有轨台车系统3具备位置传感器25。位置传感器25相对于行驶轨道9位置固定地设置，检测通过测定地点P1的行驶台车7。数据截取部31基于位置传感器25检测到行驶台车7的定时，截取部分信号(学习用部分信号以及诊断用部分信号)。

由此，能够更良好地取得部分信号。

在本实施方式的有轨台车系统3中，行驶轨道9从建筑物13的顶棚悬吊地设置。行驶台车7是沿着行驶轨道9行驶的高架输送车。

高架输送车被设置在高处，因此在一般情况下，其维护作业较繁杂。但是，根据本实施方式，无需将作为高架输送车的行驶台车7从行驶轨道9卸下就能够确认其状态，能够缓和维护作业的繁杂度。

接着，对与数据截取部31进行的截取相关的变形例进行说明。

在上述实施方式中，以位置传感器25输出台车检测信号的定时为基准，确定从检测信号截取部分信号的范围。但是，在该构成中，例如由于行驶台车7的车轮的安装位置的个体差，在行驶台车7通过测定地点P1的情况下，在行驶轨道9产生振动或者声音的定时产生偏差，这有可能使判别结果的精度降低。因此，在本变形例中，进行在时间轴的方向上对成为截取对象的检测信号进行调整的校正。

在变形例的学习系统1中，在收集用于学习用数据集的数据之前，将成为用于确定数据截取部31对数据的截取区间的基准的参考信号(参照数据)预先存储于诊断装置17的存储部。使行驶台车7通过测定地点P1，基于此时的AD转换部37的输出结果，能够得到该参考信号。作为此时的行驶台车7使用正常状态的行驶台车7，该行驶台车7以上述数据取得用速度通过测定地点P1。

之后，开始图4的处理。在图8的曲线图中例示了传感器21为振动传感器的情况下，在步骤S101中得到的检测信号的波形与上述参考信号的波形之间的关系。但是，在图8中，为了方便而简化表示检测信号。数据截取部31为，一边使所得到的检测信号53在时间轴方向上进行各种偏移一边计算与参考信号51之间的相关性，由此搜索相关性成为最大的偏移方向以及量。数据截取部31使检测信号53在时间轴方向上偏移，以使检测信号53相对于参考信号51的相关性成为最大。

在本变形例中，数据截取部31截取检测信号的时间区间，不以位置传感器25输出台车检测信号的定时为基准、而以参考信号为基准来确定。数据截取部31在该时间区间中截取检测信号而得到部分信号。

检测信号的偏移不仅在图4的处理中进行，在图6的处理中也同样地进行。在本变形例中，通过消除传感器21所取得的波形的定时的偏差的处理，能够提高学习模型的诊断精度。

如以上说明的那样，在本变形例的有轨台车系统3中，数据截取部31一边使检测信号53在时间轴方向上进行各种偏移，一边求出成为基准的参考信号51与成为截取对象的检测信号53之间的相关性。数据截取部31为，在使检测信号53在时间轴方向上偏移为相关性成为最大的状态下，在以参考信号51为基准而确定的时间区间中从检测信号53截取部分信号。

由此，能够以消除定时的偏差的形式取得部分信号。

以上对本发明的优选实施方式进行了说明，但上述构成例如能够如以下那样变更。

在上述实施方式中，机械学习部41与状态判别部43设置于一个诊断装置17，但也可以设置于不同的装置。例如，能够仅将图3的机械学习部41取出而作为与诊断装置17不同的装置。在以下，将具有机械学习部41且与诊断装置17不同的计算机称作训练装置。在该例子中，形成学习模型的场所与对行驶台车7的状态进行诊断的场所不同。通过诊断装置17中的数据收集而得到的学习用数据集被提供给训练装置。由训练装置形成的学习模型的数据(实质上为上述判别式的参数)被提供给诊断装置17。装置间的数据的提供例如能够通过公知的通信来进行。

状态判别部43还能够在评价值的每单位时间的减少量较大的状态连续地持续时(例如，图7的t3定时)，判定为行驶台车7的状态正接近异常。与评价值小于阈值v1的情况相同，能够使用通知部45通知该判别结果。

只要考虑上述教导，则本发明明显能够得到较多变更方式以及变形方式。因而，应当理解本发明在附加的专利请求范围内能够通过本说明书记载的方法以外的方法实施。

符号的说明

3：有轨台车系统；7：行驶台车(台车)；9：行驶轨道(轨道)；13：建筑物；17：诊断装置；21：传感器(测定部)；25：位置传感器；31：数据截取部(学习用部分数据截取部、诊断用部分数据截取部)；39：特征量提取部；41：机械学习部(学习控制部)；51：参考信号(参照数据)；53：检测信号(测定数据)。

Claims (8)

1.一种有轨台车系统，具备轨道以及沿着该轨道行驶的台车，其特征在于，具备：

测定部，相对于上述轨道位置固定地设置，测定振动和声音中的至少一方；以及

诊断装置，基于由上述测定部测定出的测定数据，诊断通过了测定地点的台车的状态，该测定地点与上述轨道中的上述测定部的设置位置对应。

2.根据权利要求1所述的有轨台车系统，其特征在于，还具备：

特征量提取部，提取与由上述测定部测定出的测定数据中的上述台车通过上述测定地点时的数据相当的部分数据即学习用部分数据中包含的学习用特征量；以及

学习控制部，使用基于上述测定部对多个台车测定出的测定数据的学习用特征量的集合即学习用数据集，形成与上述台车的状态的诊断相关的学习模型。

3.根据权利要求2所述的有轨台车系统，其特征在于，

还具备学习用部分数据截取部，该学习用部分数据截取部从由上述测定部测定出的测定数据截取上述学习用部分数据。

4.根据权利要求2或3所述的有轨台车系统，其特征在于，

上述特征量提取部提取与由上述测定部测定出的测定数据中的上述台车通过上述测定地点时的数据相当的部分数据即诊断用部分数据中包含的诊断用特征量，

上述诊断装置基于由上述学习控制部学习完毕的上述学习模型，计算与由上述特征量提取部提取出的上述诊断用特征量对应的机械学习评价值。

5.根据权利要求4所述的有轨台车系统，其特征在于，

还具备诊断用部分数据截取部，该诊断用部分数据截取部从由上述测定部测定出的测定数据截取上述诊断用部分数据。

6.根据权利要求3或5所述的有轨台车系统，其特征在于，

还具备位置传感器，该位置传感器相对于上述轨道位置固定地设置，检测通过上述测定地点的上述台车，

基于上述位置传感器检测到上述台车的定时，从上述测定数据截取上述部分数据。

7.根据权利要求3或5所述的有轨台车系统，其特征在于，

一边使上述测定数据在时间轴方向上进行各种偏移，一边求出成为基准的参照数据与成为截取对象的测定数据之间的相关性，

在使上述测定数据在时间轴方向上偏移为上述相关性成为最大的状态下，在以上述参照数据为基准而确定的时间区间中，从上述测定数据截取上述部分数据。

8.根据权利要求1至7中任一项所述的有轨台车系统，其特征在于，

上述轨道从建筑物的顶棚或者设置在地面的架台悬吊设置，

上述台车是沿着上述轨道行驶的高架输送车。

Images