JP2013055777A - 制御データ収集評価装置および制御データ収集評価方法 - Google Patents

Abstract

【課題】電車制御装置が故障に近い状態かどうかを判定可能な制御データ収集評価装置を得ること。
【解決手段】シミュレーションデータを取得するシミュレーションデータ取得部１１と、実車データを取得する実車データ取得部１４と、シミュレーションデータおよび実車データを蓄積するためのデータ蓄積部１５と、シミュレーションデータを特異値分解して第１の特徴量を求め、また、実車データを特異値分解して第２の特徴量を求めるＳＶＤ処理部１６と、第１の特徴量を第１のマハラノビス距離に変換し、第１のマハラノビス距離に基づいて電車制御装置の状態を判定するための異常判定閾値を設定し、また、第２の特徴量を第２のマハラノビス距離に変換し、第２のマハラノビス距離と異常判定閾値とを比較した結果に基づいて、電車制御装置の状態を判定するマハラノビス距離変換処理部１７と、を備える。
【選択図】図３

Description

本発明は、電車制御装置の制御データを収集および評価する制御データ収集評価装置に関するものである。

従来、電車制御装置の動作を検証する装置は、主回路・主機のシミュレータを用いて制御シミュレーションを実行することで事前に電車制御装置の動作検証をしている。このような技術が、下記特許文献１において開示されている。

特開２００７−２１５３８４号公報 （００１８、００２１段落、図２）

しかしながら、上記従来の技術によれば、電車制御装置について故障あり又はなしの状態は判断できるが、故障なしの状態において不具合の予兆を検知できない、すなわち、故障に近い状態かどうかは分からない、という問題があった。

本発明は、上記に鑑みてなされたものであって、電車制御装置が故障に近い状態かどうかを判定可能な制御データ収集評価装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、電車に搭載された電車制御装置の状態を判定する制御データ収集評価装置であって、前記電車制御装置を電車搭載前にシミュレーションした結果であるシミュレーションデータ、および前記電車制御装置が搭載された電車が走行時に当該電車制御装置が記録したデータである実車データを蓄積するためのデータ蓄積部と、前記シミュレーションデータを取得し、前記データ蓄積部に蓄積させるシミュレーションデータ取得部と、前記実車データを取得し、前記データ蓄積部に蓄積させる実車データ取得部と、前記データ蓄積部から読み出した前記シミュレーションデータを特異値分解して第１の特徴量を求め、また、前記データ蓄積部から読み出した前記実車データを特異値分解して第２の特徴量を求める分析処理部と、前記第１の特徴量を第１のマハラノビス距離に変換し、前記第１のマハラノビス距離に基づいて前記電車制御装置の状態を判定するための異常判定閾値を設定し、また、前記第２の特徴量を第２のマハラノビス距離に変換し、前記第２のマハラノビス距離と前記異常判定閾値とを比較した結果に基づいて、前記電車制御装置の状態を判定するマハラノビス距離変換処理部と、を備えることを特徴とする。

この発明によれば、電車制御装置が故障に近い状態かどうかを判定することができる、という効果を奏する。

図１は、電車制御装置を搭載した電車および制御データ収集評価装置が設置された車両基地を示す図である。 図２は、制御データ収集評価装置の構成例を示す図である。 図３は、データ管理装置の構成例を示す図である。 図４は、電車制御装置の状態を判定する処理を示すフローチャートである。 図５は、正常時の特異値マップの構成例を示す図である。 図６は、主回路主機モデルにハンダクラックを想定した抵抗成分を組み込んだ図である。 図７は、主回路主機モデルで異常模擬したときのシミュレーションの評価パラメータを示す図である。 図８は、データ蓄積部に蓄積されているＵ相モータ電流の波形を示す図である。 図９は、故障に近い状態の特異値マップの構成例を示す図である。 図１０は、マハラノビス距離変換処理部における判定結果を示す図である。

以下に、本発明にかかる制御データ収集評価装置の実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、電車制御装置を搭載した電車および制御データ収集評価装置が設置された車両基地を示す図である。電車１が車両基地２へ戻ってきたとき、電車１に搭載された電車制御装置３が電車１走行時に記録したモータ電流等の実車データを、車両基地２に設置された制御データ収集評価装置４が取得する。制御データ収集評価装置４は、取得した実車データの分析処理を行い、電車制御装置３の不具合の予兆を検知、すなわち、故障に近い状態にあるかどうかを判定する。

つぎに、制御データ収集評価装置４の構成について説明する。図２は、制御データ収集評価装置の構成例を示す図である。制御データ収集評価装置は、ゲートコントロールユニット（ＧＣＵ）５と、主回路主機モデル７を組み込んだ高速シミュレータ６と、シミュレータホストパーソナルコンピュータ（ＰＣ）８と、アナログ計測器９と、データ管理装置１０と、を備える。制御データ収集評価装置４は、実車データから電車１に搭載された電車制御装置３の不具合の予兆を検知するほか、電車制御装置３単体でのシミュレーションを行い、シミュレーション対象の電車制御装置３（ＧＣＵ５）の不具合の予兆を検知することが可能な構成となっている。

ＧＣＵ５は、シミュレーション対象の電車制御装置３であって、ここでは、ＶＶＶＦ（Variable Voltage Variable Frequency）制御装置とする。ＧＣＵ５は、データ管理装置１０から入力したＴＩＭＳ（Train Information Management System）伝送指令に基づいて、ＴＩＭＳ伝送指令に対応したゲートパルスを高速シミュレータ６に出力する。

高速シミュレータ６は、高速演算処理を実施する計算機システム上に主回路主機モデル７を組み込んだシミュレーション装置である。高速シミュレータ６は、ＧＣＵ５から入力したゲートパルスに応じて主回路主機モデル７のシミュレーションを実施し、シミュレーションの結果として主回路主機モデル７で処理されたモータ電流等のフィードバックデータをＧＣＵ５に出力する。

主回路主機モデル７は、ＩＰＭ（Intelligent Power Module）等のパワーモジュールを含む主回路およびモータ等を含む主機を計算機システム上にモデル化したものである。

シミュレータホストＰＣ８は、高速シミュレータ６を起動する装置である。シミュレーションを行う際に一般的に用いられる装置である。

アナログ計測器９は、ＧＣＵ５から高速シミュレータ６へ出力されるゲートパルス、および高速シミュレータ６からＧＣＵ５へ出力されるモータ電流等のフィードバックデータを高速サンプリング（例えば、１０μｓｅｃでサンプリング）するデータサンプリング部である。アナログ計測器９は、サンプリングしたデータをデータ管理装置１０の要求に従いデータ管理装置１０へ出力する。

データ管理装置１０は、あらかじめ設定した運転パターンをＧＣＵ５へＴＩＭＳ伝送指令として出力する。また、ＴＩＭＳ伝送指令及びアナログ測定器９から入力したデータを連携、同期して蓄積し、蓄積したデータを分析処理することにより、ＧＣＵ５の状態が、故障に近い状態かどうかを判定する。さらに、電車１に搭載された電車制御装置３から取得した実車データを前記アナログ測定器９から入力したデータと同等のデータ形式に変換して蓄積し、蓄積したデータを分析処理することにより、電車制御装置３の状態が、故障に近い状態かどうかを判定する。なお、従来同様、ＧＣＵ５または電車制御装置３が正常な状態にある、もしくは故障の状態であると判定することも可能である。

つぎに、データ管理装置１０の構成について説明する。図３は、データ管理装置１０の構成例を示す図である。データ管理装置１０は、運転指令出力部１２および機器情報収集部１３を備えたシミュレーションデータ取得部１１と、実車データ取得部１４と、データ蓄積部１５と、ＳＶＤ処理部１６と、マハラノビス距離変換処理部１７と、を備える。

シミュレーションデータ取得部１１は、ＧＣＵ５およびアナログ計測器９から取得したデータをシミュレーションデータとしてデータ蓄積部１５に蓄積する。

運転指令出力部１２は、運転パターンに従って伝送指令としてＴＩＭＳ伝送指令を作成し、ＴＩＭＳ伝送指令をＧＣＵ５へ出力する。

機器情報収集部１３は、アナログ計測器９でサンプリングされたデータを入力する。そして、取得したデータおよび運転指令出力部１２から取得した運転パターンの時間同期処理を行い、ＣＳＶ変換したデータをシミュレーションデータとしてデータ蓄積部１５に蓄積する。

実車データ取得部１４は、電車１に搭載された電車制御装置３から実車データを取得し、前記シミュレーションデータと同等のデータ形式でデータ蓄積部１５に蓄積する。電車制御装置３から実車データを取得する方法としては、無線通信によって実車データを受信する方法があるがこれに限定するものではない。例えば、電車制御装置３が保持する実車データを、記録メディアを介して実車データ取得部１４が取得することも可能である。

データ蓄積部１５は、機器情報収集部１３からのシミュレーションデータおよび実車データ取得部１４からの実車データを蓄積する。

ＳＶＤ処理部１６は、データ蓄積部１５に蓄積されたデータを逐次解析することができる分析処理部である。ここでは、分析ツールであるＳＶＤ（Singular Value Decomposition）による特異値分解を行い、分析結果として特徴量をマハラノビス距離変換処理部１７へ出力する。

マハラノビス距離変換処理部１７は、取得した特徴量のデータをマハラノビス距離に変換し、求めたマハラノビス距離に基づいて、シミュレーションを実施したＧＣＵ５または電車１に搭載された電車制御装置３が故障に近い状態かどうかを判定する。

つづいて、制御データ収集評価装置４が、電車１に搭載された電車制御装置３が故障に近い状態かどうかを判定する処理について説明する。図４は、制御データ収集評価装置４が、電車制御装置３の状態を判定する処理を示すフローチャートである。まず、制御データ収集評価装置４が、シミュレーションを実施し、シミュレーションの結果を分析処理して電車制御装置３が故障に近い状態かどうかを判定するときに用いる異常判定閾値を求めるまでの処理について説明する。

まず、データ管理装置１０では、運転指令出力部１２が、ＧＣＵ５に対して規定の運転パターンに従ってＴＩＭＳ伝送指令を出力する。ＧＣＵ５は、入力したＴＩＭＳ伝送指令に対応したゲートパルスを高速シミュレータ６に出力する。高速シミュレータ６は、入力したゲートパルスに従ってシミュレーションを実施し、主回路主機モデル７で処理された実際の運転走行時を模擬したモータ電流等をＧＣＵ５へフィードバックデータとして出力する。ＧＣＵ５は、ＴＩＭＳ伝送指令とモータ電流等のフィードバックデータから、制御上最適なゲートパルスを高速シミュレータ６へ出力する。

このとき、アナログ計測部９は、ＧＣＵ５から出力されたゲートパルスおよび高速シミュレータ６から出力されたモータ電流等のフィードバックデータを高速サンプリングする。そして、アナログ計測部９は、サンプリングしたデータをデータ管理装置１０へ出力する。

データ管理装置１０では、機器情報収集部１３が、アナログ計測器９がサンプリングしたデータを取り込む。つぎに、機器情報収集部１３が、運転指令出力部１２から取得した運転パターンのデータ、および自身で取り込んだデータを同期処理する。そして、同期データをＣＳＶ変換して、シミュレーションデータとしてデータ蓄積部１５に出力して蓄積する（ステップＳ１）。

上記処理を運転パターンが終了するまで継続することにより、運転パターン終了後、データ蓄積部１５には、運転パターンで定められた全運転期間のシミュレーションデータ（運転パターン、ゲートパルスおよびモータ電流等のフィードバックデータ）が蓄積される。

つぎに、データ管理装置１０では、ＳＶＤ処理部１６が、データ蓄積部１５からシミュレーションデータを読み出して特異値分解により分析処理する（ステップＳ２）。具体的に、ＳＶＤ処理部１６が行う特異値分解について説明する。図５は、正常時の特異値マップの構成例を示す図である。一例としてＵ相モータ電流を示し、ＧＣＵ５が正常であって故障に近い状態ではない場合について説明する。なお、以降の説明においてもＵ相モータ電流を用いるがこれに限定するものではなく、Ｖ相モータ電流、Ｗ相モータ電流を用いてもよい。

特異値分解とは、特徴的な挙動を特徴成分として抽出可能な数学的手法の１つである。例えば、過去のデータから特徴的な波形成分を抽出して、新たに取得したデータ（波形成分）が特徴的な波形成分に対してどの程度近いのかを評価するものである。特徴成分を表す項目は多数あるが、ここでは、波形成分ごとのオフセット量を第一特徴量、波形成分ごとの形状のばらつきを第二特徴量として、２つの特徴量を用いて表す。

図５において、特異値マップにマッピングされた点はそれぞれの波形成分の状態を示すものであり、大きく４つのグループに分離される。グループ（１）は力行時の非同期パルスモード波形のグループ、グループ（２）は力行時の同期パルスモード波形のグループ、グループ（３）はブレーキ時の同期パルスモード波形のグループ、グループ（４）はブレーキ時の非同期パルスモード波形のグループである。経過時間に対する軌跡について、グループ（１）および（４）では規則性は無いがグループ（２）および（３）ではある方向（図５中に示す各矢印の方向）に連続的に遷移する。この様に、ＧＣＵ５が正常な状態では、特異値マップにマッピングされる点、すなわちＵ相モータ電流を表す波形成分は、いずれかのグループに含まれる。このとき、分布が安定しているグループ（２）、（３）を用いてＧＣＵ５の不具合の予兆を検知する。

ここで、ＧＣＵ５が故障に近い場合、このＧＣＵ５について取得したシミュレーションデータを分析処理したとき、特異値マップにどのようにマッピングされるかについて説明する。図６は、主回路主機モデル７にハンダクラックを想定した抵抗成分を組み込んだ図である。図６に示すように異常模擬として主回路部分にハンダクラックを想定した抵抗成分を組み込むと、シミュレーションの結果としてＧＣＵ５に出力されるモータ電流は正常時とは異なる波形を示す。

また、図７は、主回路主機モデル７で異常模擬したときのシミュレーションの評価パラメータを示す図である。まず、大項目が運転域全体に示す内容で正常時のデータを取得し、つぎに、大項目が異常模擬に示す内容、すなわち、波形特性が異常変化したときの特徴量変化による異常把握を試行するため、ハンダクラックを模擬した５０ｍΩの抵抗成分を用いて異常模擬のときのデータを取得する。

図８は、データ蓄積部１５に蓄積されているＵ相モータ電流の波形を示す図である。正常時に取得したデータ（正常モデル）と異常模擬時に取得したデータ（異常モデル）を示す。正常モデルと異常モデルの各波形を重ね合わせると、正常モデルと異常モデルでは図８に示す丸印の部分の波形が異なる。

この場合、異常モデルについて特異値マップにマッピングすると、図９のＢグループとして表すことができる。図９は、故障に近い状態の特異値マップの構成例を示す図である。例えば、図５に示すグループ（２）について、本来、ＧＣＵ５が正常であればＡグループの位置にマッピングされるべき点が、Ａグループの位置から外れたＢグループの位置にマッピングされている。ハンダクラックが生じたことにより、導通状態は保たれているが、抵抗値が変わったことにより取得したデータの波形に変化が発生すると考えられる。主回路主機モデル７で、抵抗値変化状態を作り、シミュレーションした結果、Ｂグループの位置にマッピングされることになる。この状態を、故障に近い状態として評価することができる。

このように、ＳＶＤ処理部１６は、特異値分解した結果として特異値マップを作成し、ＧＣＵ５が正常動作しているときは同一条件のデータをいずれかのグループ（一定の範囲）にマッピングする場合に、ＧＣＵ５が正常に動作していないが故障に至っていないときのデータを、正常時にマッピングされるべきグループの付近にマッピングする。具体的には、ＧＣＵ５が正常であればグループ（２）にマッピングされるべき点が、ＧＣＵ５が故障に近い状態のときはグループ（２）付近にマッピングされる。図５に示す同期モードであるグループ（２）、（３）にマッピングされた場合、Ｕ相モータ電流の波形が過去のものと異なっていることを示すことから、ＧＣＵ５が故障に近い状態にあると評価することができる。なお、評価する際には、同期モードであるグループ（２）および（３）を用いることとし、非同期モードであるグループ（１）および（４）では評価しない。

なお、電車制御装置であるＧＣＵ５が故障状態にあるとき、Ｕ相モータ電流であれば、図８に示した異常モデルよりも形状が変形し、さらに１つ１つの波形において傾向性もなくなる。この場合、特異値マップにマッピングしても一定の範囲のグループには収まらず、特異値マップ全体に不規則にマッピングされることになる。このように、故障状態と故障に近い状態との間にも違いがあることから、制御データ収集評価装置において、電車制御装置であるＧＣＵ５が故障に近い状態にあるかどうかを評価することが可能となる。

図４のフローチャートに戻って、つぎに、マハラノビス距離変換処理部１７が、ＳＶＤ処理部１６で求められた特徴量（第１の特徴量とする）をマハラノビス距離（第１のマハラノビス距離とする）に変換する（ステップＳ３）。そして、第１のマハラノビス距離に基づいて、電車制御装置３の状態を判定するための異常判定閾値を設定する（ステップＳ４）。マハラノビス距離とは、統計学で用いられる距離であり、多変数間の相関に基づくものであり、多変量解析に用いられる。具体的には、グループとみなせるものは小さい距離、グループ外とみなせるものは大きな距離に変換する。特異値マップにおいて、正常時の特徴量分布に対してグループ外とみなせる特徴量はマハラノビス距離が大きな値を示すことから、正常時とは異なると判定することができる。

図１０は、マハラノビス距離変換処理部１７における判定結果を示す図である。図９に示す特異値マップの各点をマハラノビス距離に変換したものを上段に、各点をマハラノビス距離の小さい順に並べたものを下段に示す。Ｂグループに示す異常モデル波のときは全てマハラノビス距離が２０以上の値をとることから、例えば、異常判定閾値を１０に設定することで異常が発生したことを検知することができる。このように、図８に示す程度の波形の違いであっても、マハラノビス距離に変換したときに大きな値の違いとなって表れることから、具体的な数値に基づいて、異常判定を行うことができる。

制御データ収集評価装置４では、上記処理（ステップＳ１〜Ｓ４）を、電車１に搭載する前のＧＣＵ５（電車制御装置３）について実施する。

つづいて、制御データ収集評価装置４が、電車１に搭載された電車制御装置３から実車データを取得し、実車データを分析処理して電車制御装置３が故障に近い状態かどうかを判定するまでの処理について説明する。

電車１が日常運行終了後、車両基地２に入庫すると、制御データ収集評価装置４では、実車データ取得部１４が、電車１に搭載された電車制御装置３から実車データを取得する。実車データ取得部１４は、取得した実車データをデータ蓄積部１５に蓄積されているシミュレーションデータと同等のデータ形式に変換し、データ蓄積部１５に蓄積する（ステップＳ５）。

制御データ収集評価装置４では、ＳＶＤ処理部１６が、データ蓄積部１５から実車データを読み出して、特異値分解により分析処理する（ステップＳ６）。具体的な処理については前述のステップＳ２のときと同様である。このとき、実車データから求めた特徴量を、第２の特徴量とする。

制御データ収集評価装置４では、マハラノビス距離変換処理部１７が、第２の特徴量をマハラノビス距離（第２のマハラノビス距離とする）に変換する（ステップＳ７）。そして、このときの第２のマハラノビス距離と異常判定閾値とを比較して、電車１に搭載された電車制御装置３の状態を判定する（ステップＳ８）。具体的に、マハラノビス距離変換処理部１７は、第２のマハラノビス距離が異常判定閾値よりも小さいときは電車制御装置３が正常動作していると判定し、第２のマハラノビス距離が異常判定閾値以上のときは電車制御装置３が故障に近い状態にあると判定する。これにより、制御データ収集評価装置４では、電車１に搭載された電車制御装置３が正常な状態にあるかどうかを自動判定することができる。

このように、制御データ収集評価装置４では、実車搭載前のシミュレーション時に求めたマハラノビス距離に基づいて設定した異常判定閾値に対して、日常運行時の実車データから求めたマハラノビス距離を比較することにより、電車１に搭載された電車制御装置３の不具合の予兆を検知することができる。

以上説明したように、本実施の形態では、制御データ収集評価装置が、実車搭載前の電車制御装置をシミュレーションしたときの状態を正常時として、シミュレーションデータを分析処理して求めたマハラノビス距離から異常判定閾値を設定する。そして、日常運行される電車に搭載された電車制御装置から取得した実車データを分析処理して求めたマハラノビス距離と異常判定閾値とを比較して、電車に搭載された電車制御装置の状態を判定することとした。これにより、異常判定閾値と比較して、実車データから求めたマハラノビス距離が大きいときには、電車に搭載された電車制御装置の不具合の予兆を検知することができ、電車制御装置の状態を自動判定することができる。また、電車１に搭載した状態で電車制御装置３に不具合の予兆がないかどうかを把握することが可能となる。

なお、異常判定閾値と実車データから求めた第２のマハラノビス距離とを比較する場合について説明したが、これに限定するものではない。例えば、シミュレーション時に求めた第１のマハラノビス距離と実車データから求めた第２のマハラノビス距離とを直接比較して、電車制御装置の状態を判定してもよい。この場合においても、２つのマハラノビス距離の大小関係から電車制御装置の状態を判定することができる。

実施の形態２．
実施の形態１では、制御データ収集評価装置４は、日常運行による走行時の実車データを取得して電車１に搭載された電車制御装置３の状態を判定した。

一方、定期検査のため、３〜４年毎に電車制御装置３を電車１から取り出すことがある。このとき、制御データ収集評価装置４では、取り出した電車制御装置３をＧＣＵ５（図２参照）として設定することにより、運用中の電車制御装置３について、実車搭載前に実施したシミュレーションと同じシミュレーション（検査）を行うことができる。

制御データ収集評価装置４では、実施の形態１と同様、このときのシミュレーションから取得したシミュレーションデータを分析処理して特徴量（第３の特徴量とする）を求めて、さらにマハラノビス距離（第３のマハラノビス距離とする）を求める。そして、第３のマハラノビス距離と異常判定閾値とを比較することによって、取り出した電車制御装置３の状態を判定することができる。具体的に、マハラノビス距離変換処理部１７は、第３のマハラノビス距離が異常判定閾値よりも小さいときは電車制御装置３が正常動作していると判定し、第３のマハラノビス距離が異常判定閾値以上のときは電車制御装置３が故障に近い状態にあると判定する。これにより、現在の電車制御装置３の状態を把握することができ、定期検査毎にシミュレーションを実施することで、従来では実施できなかった電車制御装置３のシミュレーションの履歴を取得することが可能となる。

なお、実施の形態１と同様、電車搭載前のシミュレーション時に求めた第１のマハラノビス距離と、ここで求めた第３のマハラノビス距離とを直接比較して、電車制御装置の状態を判定してもよい。この場合においても、２つのマハラノビス距離の大小関係から電車制御装置の状態を判定することができる。

以上のように、本発明にかかる制御データ収集評価装置は、ＶＶＶＦ方式の制御装置に有用であり、特に、電車や工業製品生産ライン等に適している。

１ 電車
２ 車両基地
３ 電車制御装置
４ 制御データ収集評価装置
５ ＧＣＵ
６ 高速シミュレータ
７ 主回路主機モデル
８ シミュレータホストＰＣ
９ アナログ計測器
１０ データ管理装置
１１ シミュレーションデータ取得部
１２ 運転指令出力部
１３ 機器情報収集部
１５ データ蓄積部
１６ ＳＶＤ処理部
１７ マハラノビス距離変換処理部

Claims (10)

1. 電車に搭載された電車制御装置の状態を判定する制御データ収集評価装置であって、
   前記電車制御装置を電車搭載前にシミュレーションした結果であるシミュレーションデータ、および前記電車制御装置が搭載された電車が走行時に当該電車制御装置が記録したデータである実車データを蓄積するためのデータ蓄積部と、
   前記シミュレーションデータを取得し、前記データ蓄積部に蓄積させるシミュレーションデータ取得部と、
   前記実車データを取得し、前記データ蓄積部に蓄積させる実車データ取得部と、
   前記データ蓄積部から読み出した前記シミュレーションデータを特異値分解して第１の特徴量を求め、また、前記データ蓄積部から読み出した前記実車データを特異値分解して第２の特徴量を求める分析処理部と、
   前記第１の特徴量を第１のマハラノビス距離に変換し、前記第１のマハラノビス距離に基づいて前記電車制御装置の状態を判定するための異常判定閾値を設定し、また、前記第２の特徴量を第２のマハラノビス距離に変換し、前記第２のマハラノビス距離と前記異常判定閾値とを比較した結果に基づいて、前記電車制御装置の状態を判定するマハラノビス距離変換処理部と、
   を備えることを特徴とする制御データ収集評価装置。
2. 前記マハラノビス距離変換処理部は、前記第２のマハラノビス距離が前記異常判定閾値よりも小さいときは前記電車制御装置が正常動作していると判定し、前記第２のマハラノビス距離が前記異常判定閾値以上のときは前記電車制御装置が故障に近い状態にあると判定する、
   ことを特徴とする請求項１に記載の制御データ収集評価装置。
3. 前記シミュレーションデータおよび前記実車データを、Ｕ相またはＶ相またはＷ相のモータ電流のデータとする、
   ことを特徴とする請求項１または２に記載の制御データ収集評価装置。
4. さらに、
   前記データ蓄積部が、前記電車制御装置を電車から取り出してシミュレーションした結果である検査時シミュレーションデータを蓄積する場合に、
   前記シミュレーションデータ取得部は、前記検査時シミュレーションデータを取得し、前記データ蓄積部に蓄積させ、
   前記分析処理部は、前記データ蓄積部から読み出した前記検査時シミュレーションデータを特異値分解して第３の特徴量を求め、
   前記マハラノビス距離変換処理部は、前記第３の特徴量を第３のマハラノビス距離に変換し、前記第３のマハラノビス距離と前記異常判定閾値とを比較した結果、前記第３のマハラノビス距離が前記異常判定閾値よりも小さいときは前記電車制御装置が正常動作していると判定し、前記第３のマハラノビス距離が前記異常判定閾値以上のときは前記電車制御装置が故障に近い状態にあると判定する、
   ことを特徴とする請求項１、２または３に記載の制御データ収集評価装置。
5. 前記検査時シミュレーションデータを、Ｕ相またはＶ相またはＷ相のモータ電流のデータとする、
   ことを特徴とする請求項４に記載の制御データ収集評価装置。
6. 電車に搭載された電車制御装置の状態を判定する制御データ収集評価装置における制御データ収集評価方法であって、
   前記制御データ収集評価装置が、前記電車制御装置を電車搭載前にシミュレーションした結果であるシミュレーションデータ、および前記電車制御装置が搭載された電車が走行時に当該電車制御装置が記録したデータである実車データを蓄積するためのデータ蓄積部、を備える場合に、
   前記シミュレーションデータを取得し、前記データ蓄積部に蓄積するシミュレーションデータ取得ステップと、
   前記データ蓄積部から読み出した前記シミュレーションデータを特異値分解して第１の特徴量を求める第１の分析処理ステップと、
   前記第１の特徴量を第１のマハラノビス距離に変換する第１のマハラノビス距離変換ステップと、
   前記第１のマハラノビス距離に基づいて前記電車制御装置の状態を判定するための異常判定閾値を設定する異常判定閾値設定ステップと、
   前記実車データを取得し、前記データ蓄積部に蓄積する実車データ取得ステップと、
   前記データ蓄積部から読み出した前記実車データを特異値分解して第２の特徴量を求める第２の分析処理ステップと、
   前記第２の特徴量を第２のマハラノビス距離に変換する第２のマハラノビス距離変換ステップと、
   前記第２のマハラノビス距離と前記異常判定閾値とを比較した結果に基づいて、前記電車制御装置の状態を判定する搭載時状態判定ステップと、
   を含むことを特徴とする制御データ収集評価方法。
7. 前記搭載時状態判定ステップでは、前記第２のマハラノビス距離が前記異常判定閾値よりも小さいときは前記電車制御装置が正常動作していると判定し、前記第２のマハラノビス距離が前記異常判定閾値以上のときは前記電車制御装置が故障に近い状態にあると判定する、
   ことを特徴とする請求項６に記載の制御データ収集評価方法。
8. 前記シミュレーションデータおよび前記実車データを、Ｕ相またはＶ相またはＷ相のモータ電流のデータとする、
   ことを特徴とする請求項６または７に記載の制御データ収集評価方法。
9. 前記データ蓄積部が、前記電車制御装置を電車から取り出してシミュレーションした結果である検査時シミュレーションデータを蓄積する場合に、
   さらに、
   前記検査時シミュレーションデータを取得し、前記データ蓄積部に蓄積する検査時シミュレーションデータ取得ステップと、
   前記検査時シミュレーションデータを特異値分解して第３の特徴量を求める第３の分析処理ステップと、
   前記第３の特徴量を第３のマハラノビス距離に変換する第３のマハラノビス距離変換ステップと、
   前記第３のマハラノビス距離と前記異常判定閾値とを比較した結果に基づいて、前記電車制御装置の状態を判定する検査時状態判定ステップと、
   を含み、
   前記検査時状態判定ステップでは、前記第３のマハラノビス距離が前記異常判定閾値よりも小さいときは前記電車制御装置が正常動作していると判定し、前記第３のマハラノビス距離が前記異常判定閾値以上のときは前記電車制御装置が故障に近い状態にあると判定する、
   ことを特徴とする請求項６、７または８に記載の制御データ収集評価方法。
10. 前記検査時シミュレーションデータを、Ｕ相またはＶ相またはＷ相のモータ電流のデータとする、
    ことを特徴とする請求項９に記載の制御データ収集評価方法。

Images