JP2020185974A - 車両用空調装置の診断装置及び診断方法 - Google Patents

Abstract

【課題】車両用空調装置の故障種別の診断が可能な車両用空調装置の診断装置及び診断方法を提供する。【解決手段】本実施形態によれば、車両用空調装置の診断装置であって、第１蓄積部と、モデル学習部と、診断部と、を備える。第１蓄積部は、車両用空調装置の故障種別に対応した故障模擬データを蓄積する。モデル学習部は、故障模擬データを用いて、故障模擬データに対応する故障種別の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行う。診断部は、機械学習分類モデルを用いて車両用空調装置から取得されたデータに対応する故障種別を診断する。【選択図】図１

Description

本発明の実施形態は、車両用空調装置の診断装置及び診断方法に関する。

鉄道車両は、車両内を空気調和するために、温度を調整する車両用空調装置を搭載する。この車両用空調装置内では、コンプレッサが冷媒を圧縮し、車内外の熱を交換するための冷媒循環機構である冷凍サイクルを構築する。これにより、車内の空気を循環させ、車内温度を上下させる。また、車両用空調装置は、車両に搭載された制御装置により制御され、車両内の温度を調整する。この制御装置は、例えば温度センサで取得した車内の温度等の計測値に基づき、目標温度を設定する。そして、この制御装置は、温度等の計測値を用いて目標温度から一定範囲内の温度となるようにフィードバック制御する。また、乗客の荷重を検知する応荷重装置から取得する乗車率や、湿度が一定湿度以上の場合には、目標温度を補正することもある。

車両用空調装置の異常診断技術として、空調運用時のセンシングデータ群が、事前に手動設定した一定の閾値を超えた場合、あるいは事前に設定した範囲から一定回数逸脱した場合に、異常と診断するシステムが知られている。

このような車両用空調装置の異常診断技術では、一般に所謂教師なし学習により異常診断を実施している。このため、この異常診断技術は、正常状態を基準として、診断対象の事象が正常状態からどれだけ乖離したかにより、異常や異常予兆を判定している。例えば、空調運用時のセンシングデータ群が、正常状態を基準として、事前に手動設定した一定の閾値を超えた場合、あるいは事前に設定した範囲から一定回数逸脱した場合に、異常と診断する。このようなシステムでは、信頼性を向上させるために、判定に用いる参照データを増加させることが行われている。このため、参照データを増加させるために、例えば列車が回送中などで無人の場合にも、空調装置の特殊運転を実施し、異常判定のためのデータを増加させている。

しかしながら、車両用空調装置の実運用で発生する異常は多様であり、教師なし学習による診断方法では、参照データを増加させても、基本的には異常しか検知できない。このため、空調装置内の具体的な異常の発生箇所は作業員が実機を点検してはじめて、冷媒が漏れている、もしくは、熱交換器がつまっている、などの故障種別があきらかになる。この故障種別の究明には、多大な時間とコストを要してしまう恐れがある。

特許第５１１２７６６号公報 ＷＯ２０１７−２１２６０７号公報 ＷＯ２０１７−２１２６３１号公報 特開２０１８−１０００１０号公報 特開２０１８−１３７９６７号公報 特開２０１５−１６２０３２号公報

発明が解決しようとする課題は、車両用空調装置の故障種別の診断が可能な車両用空調装置の診断装置及び診断方法を提供することである。

本実施形態によれば、車両用空調装置の診断装置であって、第１蓄積部と、モデル学習部と、診断部と、を備える。第１蓄積部は、車両用空調装置の故障種別に対応した故障模擬データを蓄積する。モデル学習部は、故障模擬データを用いて、故障模擬データに対応する故障種別の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行う。診断部は、機械学習分類モデルを用いて車両用空調装置から取得されたデータに対応する故障種別を診断する。

第１実施形態に係る断装置の構成を示すブロック図。 診断装置の学習処理の一例を示すフローチャート。 ｋ近傍法による教師有り学習の結果を示す図。 決定木による教師有り学習の結果を示す図。 ランダムフォレストによる教師有り学習の結果を示す図。 診断装置の診断処理の一例を示すフローチャート。 変形例に係る診断装置の学習処理の一例を示すフローチャート。 第２実施形態に係る診断装置の構成を示すブロック図。 第２実施形態に係る診断装置の学習処理の一例を示すフローチャート。 第２実施形態に係る診断装置の診断処理の一例を示すフローチャート。

以下、本発明の実施形態に係る車両用空調装置の診断装置及び診断方法について、図面を参照しながら詳細に説明する。なお、以下に示す実施形態は、本発明の実施形態の一例であって、本発明はこれらの実施形態に限定して解釈されるものではない。また、本実施形態で参照する図面において、同一部分又は同様な機能を有する部分には同一の符号又は類似の符号を付し、その繰り返しの説明は省略する場合がある。また、図面の寸法比率は説明の都合上実際の比率とは異なる場合や、構成の一部が図面から省略される場合がある。

（第１実施形態）
図１は、第１実施形態に係る車両用空調装置の診断装置１００の構成を示すブロック図である。図１に示すように、車両用空調装置の診断装置１００（以下では、診断装置１００と記す場合がある）は、車両用空調装置１０１の状態を診断可能であり、学習部１０２と、診断部１０３とを備える。

学習部１０２は、教師あり学習により機械学習分類モデルの学習を行う。この学習部１０２は、故障模擬データベース１０４と、モード抽出部１０５と、モデル学習部１０６と、診断モデル構築部１０７とを有する。

診断部１０３は、学習部１０２により学習された機械学習分類モデルを用いて、車両用空調装置１０１から取得されたデータに対応する故障種別を診断する。この診断部１０３は、営業線データ取得部１０８と、モード判定部１０９と、診断モデル選択部１１０と、予兆・異常検知部１１１とを有する。モード抽出部１０５、モデル学習部１０６、診断モデル構築部１０７部、営業線データ取得部１０８、モード判定部１０９、診断モデル選択部１１０、及び予兆・異常検知部１１１の各処理部は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）またはＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の回路を含むハードウェアにより構成される。

故障模擬データベース１０４は、例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク等により実現される。故障模擬データベース１０４は、車両用空調装置１０１の機器設計段階で取得された最終出荷試験などの正常データに加えて、車両用空調装置１０１における複数の故障種別毎の故障状態を模擬した故障模擬データを蓄積する。本実施形態において、故障種別は故障の種類を示す情報を意味する。例えば、故障種別は、冷媒が不足している場合の冷媒不足故障、熱交換器フィルタが詰まっている場合のフィルタ詰まり故障、配管が詰まっている場合の配管詰まり故障などである。なお、本実施形態では、故障種別を種別要因と呼ぶ場合もある。

また、故障状態は、故障の程度を意味する。例えば、異常、異常予兆などの状態である。すなわち、故障状態は、そのレベルにより異常、異常予兆などのカテゴリに分類可能である。例えば冷媒が６０％不足している場合に対応する故障模擬データを冷媒の異常模擬データとし、３０％不足している場合に対応する故障模擬データを冷媒の異常予兆模擬データとする。このように、故障模擬データベース１０４は、冷媒が不足している場合、熱交換器フィルタが詰まっている場合、配管が詰まっている場合などの、複数の故障種別毎の故障状態を模擬した故障模擬データを蓄積する。なお、本実施形態に係る故障模擬データベース１０４が第１蓄積部に対応する。また、これらの冷媒の不足量は一例であって、不足量をより細かく変更した測定データを蓄積してもよい。

これらの故障模擬データには、故障種別及び故障状態が例えば正解ラベルとして関連付けられており、故障種別毎の故障状態の教師あり学習に用いられる。これにより、診断部１０３は、車両用空調装置１０１から取得されたデータに対応する故障種別及び故障状態を診断することにより、例えば冷媒の異常、異常予兆の検知も可能となる。

故障模擬データは、例えば車両用空調装置１０１が起動してから、時系列でセンシングした、コンプレッサなどの機器の温度、圧力、電流、電圧などである。起動時に取得した時系列データに加えて、目標温度を２５℃から２０℃に変更した場合の時系列データなどを用いてもよい。

また、故障模擬データベース１０４は、車両用空調装置１０１の複数の負荷状態毎に故障模擬データを蓄積している。例えば、車両用空調装置１０１の過負荷モード、標準負荷モード、低負荷モード毎に故障模擬データを蓄積している。ここで、過負荷モードは、例えば車両用空調装置１０１の最高出力から８０％以上の出力状態を意味する。標準負荷モードは、例えば車両用空調装置１０１の８０％未満から４０パーセント以上の出力状態を意味する。低負荷モードは、例えば車両用空調装置１０１の４０％未満の出力から最低出力までの出力状態を意味する。

モード抽出部１０５は、故障模擬データベース１０４が蓄積した故障模擬データに対して、過負荷モード、標準負荷モード、低負荷モードなどのモードに分類する。なお、本実施形態では、三段階の負荷モードに故障模擬データを分類しているが、これに限定されず、更に細分化してもよい。例えば目標温度２０℃モード、目標温度２２℃モードなどのように目標温度毎に細分化してもよい。

モデル学習部１０６は、故障模擬データベース１０４が蓄積した故障模擬データを用いて、故障模擬データに対応する故障種別及び複数種類の故障状態の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行う。例えば、モデル学習部１０６は、故障模擬データに関連付けられた正解ラベルである故障状態を学習する。例えば、冷媒が６０％不足している場合に対応する故障模擬データに対して「冷媒不足の異常」のラベルを付け、冷媒が３０％不足している場合に対応する故障模擬データに対して「冷媒不足の異常予兆」のラベルを付け、冷媒が０％不足している場合に対応する故障模擬データに対して「冷媒の正常」のラベルを付け、学習する。

また、このようなラベルを付けた学習を、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対応する故障模擬データに対して学習する。これにより、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対して、「冷媒不足の異常」、「冷媒不足の異常予兆」、「冷媒の正常」などを出力する機械学習分類モデルが構築される。また、並行して他の故障種別に対応する故障模擬データに対して学習を行ってもよい。例えば、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対して、「配管詰まりの異常」、「配管詰まりの異常予兆」、「配管の正常」などを出力する機械学習分類モデルを構築してもよい。なお、本実施形態では、入力データに対して、入力データに対応するカテゴリを出力する分類器を機械学習分類モデルと呼ぶこととする。例えば、本実施形態に係る機械学習分類モデルは、入力データに対して、「冷媒不足の異常」、「冷媒不足の異常予兆」、「冷媒の正常」などのカテゴリ情報を出力する。

モデル学習部１０６は、負荷状態毎に複数種類の機械学習分類モデルを学習する。また、モデル学習部１０６は、学習に用いる特徴量、機械学習分類モデルを選択可能に構成される。例えば、モデル学習部１０６は、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対して、特徴量を設定し、学習する。この際に、モデル学習部１０６は、一般に知られるｋ近傍法、決定木、ランダムフォレスト、サポートベクターマシン、ロジスティック回帰などから選択された複数の教師有学習により、複数の機械学習分類モデルを学習する。

診断モデル構築部１０７は、過負荷モード、標準負荷モード、及び低負荷モードの各モードの中で最も判定精度の良いモデルを抽出し、組み合わせる。これにより、営業線の空調運用のモード毎に診断モデル、すなわち機械学習分類モデルを使い分けるアンサンブル診断モデルを構築する。より詳細には、診断モデル構築部１０７は、営業線の車両用空調装置１０１のモードが過負荷モードであれば、過負荷モードに対応する機械学習分類モデルの中で、最も分類精度の高い機械学習分類モデルを選択する。同様に、診断モデル構築部１０７は、標準負荷モードに対応する機械学習分類モデルの中で、最も分類精度の高い機械学習分類モデルを選択し、低負荷モードに対応する機械学習分類モデルの中で、最も分類精度の高い機械学習分類モデルを選択する。このように、診断モデル構築部１０７は、過負荷モード、標準負荷モード、及び低負荷モードの各モードの中で最も判定精度の良いモデルを抽出し、組み合わせてアンサンブル診断モデルを構築する。

営業線データ取得部１０８は、故障模擬データと同種のデータを、実際の鉄道車両で運用している車両用空調装置１０１から取得する。なお、本実施系形態に係る営業線データ取得部１０８が取得部に対応する。

モード判定部１０９は、営業線データ取得部１０８が取得したデータに基づき、車両用空調装置１０１の状態を判定する。より具体的には、モード判定部１０９は、営業線データ取得部１０８で取得したデータに対して、車両用空調装置１０１が過負荷状態、標準負荷状態、低負荷状態の内のいずれのモードであるかを判定する。

診断モデル選択部１１０は、モード判定部１０９が判定した状態に応じた機械学習分類モデルを選択する。より具体的には、診断モデル選択部１１０は、診断モデル構築部１０７が構築したアンサンブル診断モデルから、モード判定部１０９が判定したモードに応じた機械学習分類モデルを選択し、診断対象のデータに適用する。

予兆・異常検知部１１１は、診断モデル構築部１０７により負荷状態毎に集約された機械学習分類モデルを用いて診断を行う。すなわち、この予兆・異常検知部１１１は、診断モデル選択部１１０が選択した械学習分類モデルの診断対象のデータへの適用結果に基づき、車両用空調装置１０１の異常予兆、異常を検知し、車上の運転台や、地上の運行管理システム画面などに異常もしくは異常予兆を示す情報を発報する。より詳細には、予兆・異常検知部１１１は、車両用空調装置が所定の状態であると診断した場合に、故障種別を出力する。例えば、予兆・異常検知部１１１は、車両用空調装置１０１が異常、異常予兆の状態と診断した場合に、故障種別、例えば、「冷媒不足」、「熱交換器フィルタ詰まり」、「配管詰り」などの情報とともに、「異常」、「異常予兆」の情報を出力する。

以上が本実施形態に係る構成の説明であるが、以下に診断装置１００の処理例を説明する。

図２は、診断装置１００の学習処理の一例を示すフローチャートである。図２に示すように、モード抽出部１０５は、故障模擬データベース１０４から正常データ、異常予兆データ、異常データの時系列データをそれぞれ抽出する（ステップＳ２０１）。時系列データは、例えば冷媒不足率が０％、３０％、６０％の各々３０分間の時系列な故障模擬データである。なお、冷媒不足率が０％のデータは正常データに対応し、３０％のデータは異常予兆データに対応し、６０％のデータは異常データに対応する。

次に、モード抽出部１０５は、抽出した時系列な故障模擬データに対して、標準負荷モード、過負荷モード、低負荷モードなどのモードに分類する（ステップＳ２０２）。
Ｓ２０３Ａ〜Ｓ２０７Ａのループでは、標準負荷モードの時系列データ群に適用し、複数の教師ありの機械学習分類モデルを学習して、各々の機械学習分類モデルの分類精度を演算する。

より具体的には、先ず、モデル学習部１０６では、教師ありの機械学習分類モデル数を３つとする（ステップＳ２０３Ａ）。モデル学習部１０６は、教師ありの機械学習分類モデルの学習に、例えばｋ近傍法、決定木、及びランダムフォレストを用いる。

次に、モデル学習部１０６は、時系列な故障模擬データとして、正常データ、異常予兆データ、異常データそれぞれで５０点ずつ取得し、圧力、及び温度をそれぞれ正規化した特徴量１及び特徴量２を選択する（ステップＳ２０４Ａ）。上述のように、選択可能な特徴量数は可変であり、モデルに応じて自由に変更してよい。

次に、モデル学習部１０６は、教師ありの機械学習分類モデルを学習し、図４、図５、及び図６に示すように、特徴量の識別空間を構成する（ステップＳ２０５Ａ）。図３は、ｋ近傍法による教師有り学習の結果を示す図であり、図４は、決定木による教師有り学習の結果を示す図であり、図５は、ランダムフォレストによる教師有り学習の結果を示す図である。それぞれの図の横軸は、特徴量１を示し、縦軸は特徴量２を示す。また、各図中のラインは正常、異常予兆、異常を分類する決定境界である。すなわち、図３の特徴量における識別空間３０１は「正常」を示し、識別空間３０２は「異常」を示し、識別空間３０３は「異常予兆」を示す。同様に、図４の特徴量における識別空間４０１は「正常」を示し、識別空間４０２は「異常」を示し、識別空間４０３は「異常予兆」を示す。同様に、図５の特徴量における識別空間５０１は「正常」を示し、識別空間５０２は「異常」を示し、識別空間５０３は「異常予兆」を示す。

次に、モデル学習部１０６は、各教師ありの機械学習分類モデルの分類精度を求める（ステップＳ２０５Ａ）。例えば、モデル学習部１０６は、未学習の時系列な故障模擬データに対して、各機械学習分類モデルにより分類実験を行う。これにより、各教師ありの機械学習分類モデルによる分類精度が求まると、ループＳ２０３Ａ〜Ｓ２０７Ａを抜ける。

診断モデル構築部１０７は、標準負荷モードに対応する３種の機械学習分類モデルの中から最も分類精度がよいモデルを選択する（ステップＳ２０８Ａ）。例えば、標準負荷モードで、ｋ近傍法の分類精度が８６％、決定木の分類精度が８２％、ランダムフォレストの分類精度が９２％であれば、ランダムフォレストによる械学習分類モデルを選択する。これにより、後述する診断処理での標準負荷モードでは、ランダムフォレストによる械学習分類モデルを用いて、車両用空調装置１０１の状態を診断する。なお、手動で機械学習分類モデルを指定してもよい。

Ｓ２０３Ｂ〜Ｓ２０７ＢのループもＳ２０３Ａ〜Ｓ２０７Ａのループと同様の処理を行う。すなわち、Ｓ２０３Ｂ〜Ｓ２０７Ｂのループでは、過負荷モードの時系列データ群に適用し、複数の教師ありの機械学習分類モデルを学習して、各々の機械学習分類モデルの分類精度を演算する。そして、診断モデル構築部１０７は、過負荷モードに対応する３種の機械学習分類モデルの中から最も分類精度がよいモデルを選択する（ステップＳ２０８Ｂ）。

Ｓ２０３Ｃ〜Ｓ２０７ＣのループもＳ２０３Ａ〜Ｓ２０７Ａのループと同様の処理を行う。すなわち、Ｓ２０３Ｃ〜Ｓ２０７Ｃのループでは、低負荷モードの時系列データ群に適用し、複数の教師ありの機械学習分類モデルを学習して、各々の機械学習分類モデルの分類精度を演算する。そして、診断モデル構築部１０７は、低負荷モードに対応する３種の機械学習分類モデルの中から最も分類精度がよいモデルを選択する（ステップＳ２０８Ｃ）。

診断モデル構築部１０７は、各モードの最も分類精度がよい教師ありの機械学習分類モデルを集めて、アンサンブル診断モデルを構築する（ステップＳ２０９）。

このように学習部１０２は、モード毎に複数種類の機械学習分類モデルを学習し、各モードの最も分類精度がよい教師ありの機械学習分類モデルを集めて、アンサンブル診断モデルを構築する。一般に、どのようなデータ分布にでも、常に分類精度が最高な機械学習分類モデルは存在しない。そのため、モードごとに得意な分類モデルを抽出し、組み合わせることによって、常に単一手法の分類モデルを適用するよりも、分類精度が向上したアンサンブル診断モデルを構築することが可能となる。

図６は、車両用空調装置の診断装置の診断処理の一例を示すフローチャートである。図６に示すように、まず、営業線データ取得部１０８は、現在運用中の営業線データから車両用空調装置１０１の時系列データを取得する（ステップＳ６０１）。次に、モード判定部１０９は、診断モデル構築部１０７が構築したアンサンブル診断モデル内に、同じ運転条件に該当するモードがあるか否かを判定する（ステップＳ６０２）。

該当するモードがある場合（ステップＳ６０２のＹＥＳ）、診断モデル選択部１１０は、モード判定部１０９が判定した状態に応じた機械学習分類モデルを選択する。そして、予兆・異常検知部１１１は、診断モデル選択部１１０が選択した機械学習分類モデルを営業線データ取得部１０８が取得した時系列データに適用する（ステップＳ６０３）。

予兆・異常検知部１１１は、診断モデル選択部１１０が選択した機械学習分類モデルにおける診断対象のデータへの適用結果から、時系列データが車両用空調装置１０１の「異常予兆」、又は「異常」に分類できるか否かを判定する（ステップＳ６０４）。「異常予兆」、又は「異常」に分類できる場合（ステップＳ６０４のＹＥＳ）、予兆・異常検知部１１１は、車上の運転台や、地上の運行管理システム画面などに異常もしくは異常予兆を示す情報と故障種別とを示す情報を発報する。例えば、「故障種別」と「異常予兆」、又は「異常」の情報を発報する。このとき、誤診断防止のため、異なる時断面のデータで複数回診断して、一定回数以上、「異常」、又は「異常予兆」と分類した場合に発報してもよい。

一方で、該当するモードがある場合（ステップＳ６０２のＮＯ）、診断モデル選択部１１０は、全体処理を終了する。同様に「異常予兆」、又は「異常」に分類できない場合（ステップＳ６０４のＮＯ）、予兆・異常検知部１１１は、全体処理を終了する。

なお、本実施形態では冷媒不足率の例で説明したが、これに限定されない。例えば、熱交換器フィルタのつまりや、配管つまりなどの異なる種別の故障模擬データであっても、同様に、異常、異常予兆、及び故障種別の発報を行うことが可能である。

以上説明したように、本実施形態によれば、車両用空調装置１０１の異常を具体的に模擬したデータ群を、故障種別毎の異常及び異常予兆の教師データとして機械学習分類モデルの学習に用いることとした。これにより、予兆・異常検知部１１１は、異常・異常予兆、及び故障の種別の発報を行うことが可能となる。また、異常を模擬したデータを運用開始前から予め用意可能であるので、運用開始直後から診断装置１００の運用が可能となる。さらに、各モードで診断モデルを使い分けることで、単一の診断モデルを適用するよりもより診断精度の高いアンサンブル診断モデルを構築できる。

（第１実施形態の変形例）
本変形例に係る診断モデル構築部１０７は、各モードに対応する複数の機械学習分類モデルの多数決により車両用空調装置１０１の状態を診断するモデルを構築する点で第１実施形態に係る診断モデル構築部１０７と相違する。以下では、第１実施形態に係る診断装置１００と異なる点を説明する。

図３〜図５に示すように、識別境界を示すラインは複雑な形状を示す場合があり、識別境界近辺の特徴量の判定精度が低下してしまう恐れがある。このため、本変形では、各モードに対応する複数の機械学習分類モデルの多数決により車両用空調装置１０１の状態を診断する。すなわち、診断部１０３は、負荷状態毎の複数の機械学習分類モデルの診断結果の内の最も多数を占める診断結果を、負荷状態毎の診断結果とする。

図７は、変形例に係る診断装置１００の学習処理の一例を示すフローチャートである。図７に示すように、最適モデル選択のステップＳ２０８Ａ〜Ｃ（図２）を省略して、診断モデル構築部１０７は、過負荷モード、標準負荷モード、及び低負荷モードのモード毎に複数のモデルを組み合わせた診断モデルを構築する（ステップＳ２１０）。

診断モデル選択部１１０は、モード判定部１０９が判定した状態に応じた３以上の奇数個の機械学習分類モデルを選択する。より具体的には、診断モデル選択部１１０は、診断モデル構築部１０７が構築した診断モデルに対して、モード判定部１０９が判定したモードに応じて適用するモデルを使い分ける。例えば、標準負負荷モードであれば、標準負負荷モードに対応する３以上の奇数個の機械学習分類モデルを選択する。同様に、過負荷モードであれば、過負荷モードに対応する３以上の奇数個の機械学習分類モデルを選択する。同様に、低負荷モードであれば、低負荷モードに対応する３以上の奇数個の機械学習分類モデルを選択する。

予兆・異常検知部１１１は、診断モデル選択部１１０が選択した機械学習分類モデルの診断対象のデータへの適用結果に基づき、多数決により空調装置の異常予兆、異常を検知し、車上の運転台や、地上の運行管理システム画面などに異常もしくは異常予兆を示す情報を発報する。例えば、診断モデル選択部１１０により過負荷モードに対応する３以上の奇数個の機械学習分類モデルが選択された場合、奇数個の機械学習分類モデルの多数決の診断結果に基づき、空調装置の異常予兆・異常を検知し、異常・異常予兆、及び故障種別の情報の発報を行う。この場合、予兆・異常検知部１１１は、例えば「異常」と診断する機械学習分類モデルの数が２で、「異常予兆」と診断する機械学習分類モデルの数が１であれば、「異常」と診断する。

以上説明したように、本変形例によれば、予兆・異常検知部１１１は、診断対象のデータへの適用結果に基づき、多数決により車両用空調装置１０１の異常予兆、異常を検知し、異常・異常予兆、及び故障の種別の発報を行うこととした。これにより、識別境界近傍の特徴量に対してもより高精度に異常予兆、異常を検知可能となる。

（第２実施形態）
第２実施形態に係る車両空調の診断装置１００は、車両用空調装置１０１のメンテナンス処理を行った場合に、車両用空調装置１０１がどの程度回復したかを判断する機能を更に有する点で第１実施形態に係る診断装置１００と相違する。以下では、第１実施形態に係る診断装置１００と異なる点を説明する。

図８は、第２実施形態に係る車両用空調装置の診断装置１００の構成を示すブロック図である。図８に示すように、営業線データベース１１２を更に備える点で第１実施形態に係る診断装置１００と異なる。

営業線データベース１１２は、例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク等により実現される。営業線データベース１１２は、車両用空調装置１０１の運用開始時から経時データが蓄積されている。例えば、営業線データベース１１２には、車両用空調装置１０１のメンテナンス又は大清掃などの回復処理をするまでの、運用開始から１年後までの経時データと、運用開始１年後から２年後までの経時データと、運用開始後２年後から３年後までの経時データが分類されて蓄積されている。より詳細には、正解ラベルとして経時時間が経時データに関連付けられている。経時データは、例えば車両用空調装置１０１が起動してから、時系列でセンシングした、コンプレッサなどの機器の温度、圧力、電流、電圧などである。なお、本実施形態に係る営業線データベース１１２が第２蓄積部に対応する。

モデル学習部１０６は、営業線データベース１１２が蓄積した経時データを用いて、複数種類の経時データに対応する複数種類の経時状態の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行う。例えば、モデル学習部１０６は、経時データに関連付けられた正解ラベルである経時時間を学習する。例えば、運用開始から１年後までのデータに対応する経時データに対して「運用開始から１年」のラベルを付け、運用開始１年後から２年後まで経時データに対応する経時データに対して「運用開始１年後から２年」のラベルを付け、運用開始後２年後から３年後までの経時データに対応するデータに対して「運用開始２年後から３年」のラベルを付け、学習する。

また、このようなラベルを付けた学習を、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対応する経時データに対して学習する。これにより、過負荷モード、標準負荷モード、及び低負荷モードのそれぞれに対して、例えば「運用開始から１年」、「運用開始１年後から２年」、「運用開始２年後から３年」を出力する機械学習分類モデルが構築される。なお、本実施形態に係るモデル学習部１０６は、正解ラベルを３分類として学習したが、これに限定されず、さらに細かく経時時間を分類してもよい。例えば、３月ずつ正解ラベルを設け、１２分類として学習してもよい。

予兆・異常検知部１１１は、メンテナンス又は大清掃などの回復処理を行った車両用空調装置１０１の診断対象のデータへ、診断モデル選択部１１０が選択したアンサンブル診断モデルを適用する。これにより、予兆・異常検知部１１１は、メンテナンス又は大清掃を行った車両用空調装置１０１から取得された診断用のデータに対し、回復状態を示す情報を出力する。例えば、予兆・異常検知部１１１は、診断用のデータに対し、「運用開始から１年」、「運用開始１年後から２年」、及び「運用開始２年後から３年」の内のいずれかの情報を出力する。そして、予兆・異常検知部１１１は、車上の運転台や、地上の運行管理システム画面などに回復状態を示す情報を発報する。

図９は、第２実施形態に係る診断装置１００の学習処理の一例を示すフローチャートである。以下では図２のフローチャートと相違する点を説明する。

図９に示すように、モード抽出部１０５は、営業線データベース１１２から「運用開始から１年後まで」、「運用開始１年後から２年後まで」、及び「運用開始２年後から３年後まで」の時系列データをそれぞれ抽出する（ステップＳ２１１）。

Ｓ２０３Ａ〜Ｓ２０７Ａのループでは、標準負荷モードの時系列データ群に適用し、「運用開始から１年」、「運用開始１年後から２年」、及び「運用開始２年後から３年」の内のいずれかの情報を出力するように、複数の教師ありの機械学習分類モデルを学習する。続けて、各々の機械学習分類モデルの分類精度を演算する。そして、診断モデル構築部１０７は、過負荷モードに対応する３種の機械学習分類モデルの中から最も分類精度がよいモデルを選択する（ステップＳ２０８Ａ）。

Ｓ２０３Ｂ〜Ｓ２０７Ｂのループ、及びＳ２０３Ｃ〜Ｓ２０７ＣのループもＳ２０３Ａ〜Ｓ２０７Ａのループと同様の処理を行う。すなわち、Ｓ２０３Ｂ〜Ｓ２０７Ｂのループでは、過負荷モードの時系列データ群に適用し、Ｓ２０３Ｃ〜Ｓ２０７Ｃのループでは、低負荷モードの時系列データ群に適用し、複数の教師ありの機械学習分類モデルを学習して、各々の機械学習分類モデルの分類精度を演算する。

このように学習部１０２は、モード毎に、「運用開始から１年」、「運用開始１年後から２年」、及び「運用開始２年後から３年」の内のいずれかの情報を出力する複数種類の機械学習分類モデルを学習し、各モードの最も分類精度がよい教師ありの機械学習分類モデルを集めて、アンサンブル診断モデルを構築する（ステップＳ２０９）。このように、営業線データベース１１２には、メンテナンスもしくは大清掃前の、運用開始から１年後までのデータと、運用開始１年後から２年後までのデータと、運用開始後２年後から３年後までのデータが蓄積されており、上記３期間のデータを教師とする診断モデルを作成可能である。

図１０は、第２実施形態に係る車両用空調装置の診断装置の診断処理の一例を示すフローチャートである。以下では図６のフローチャートと相違する点を説明する。
予兆・異常検知部１１１は、回復処理を行った車両用空調装置１０１の時系列データに対し、経過年数を診断する（ステップＳ６０６）。すなわち、予兆・異常検知部１１１は、「運用開始から１年」、「運用開始１年後から２年」、及び「運用開始２年後から３年」の内のいずれかの情報を出力する。

そして、予兆・異常検知部１１１は、車上の運転台や、地上の運行管理システム画面などに回復状態を示す情報を発報する（ステップＳ６０６）。

このように、車両用空調装置１０１がどの程度回復したかを判断する。すなわち、第１の実施形態は、正常・異常予兆・異常の３状態に分類する診断モデルであったことに対し、第２実施形態では、運用開始から０〜１年、１年〜２年、２年〜３年、の３状態に分類する。

以上説明したように、本実施形態によれば、車両用空調装置１０１の経時データ群を、教師データとして機械学習分類モデルの学習に用いることとした。これにより、予兆・異常検知部１１１は、「運用開始から１年」、「運用開始１年後から２年」、及び「運用開始２年後から３年」など状態回復の発報を行うことが可能となる。このように、車両用空調装置１０１が、過去の車両用空調装置１０１の状態に対して、どの程度の劣化状態なのか診断可能となり、メンテナンスなどの回復処理をした後に、何年前の状態に戻ったのか評価できる。

上述した実施形態で説明した車両用空調装置の診断装置の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、制御装置およびモータ制御システムの少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。

また、車両用空調装置の診断装置の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

以上、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施することが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形例は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００：車両用空調装置の診断装置、１０１：車両用空調装置、１０３：診断部、１０４：故障模擬データベース、１０６：モデル学習、１０７：診断モデル構築部、１０８：営業線データ取得部、１０９：モード判定部、１１０：診断モデル選択部、１１１：予兆・異常検知部、１１２：営業線データベース。

Claims (13)

1. 車両用空調装置の故障種別に対応した故障模擬データを蓄積する第１蓄積部と、
   前記故障模擬データを用いて、前記故障模擬データに対応する故障種別の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行うモデル学習部と、
   前記機械学習分類モデルを用いて前記車両用空調装置から取得されたデータに対応する故障種別を診断する診断部と、
   を備える車両用空調装置の診断装置。
2. 前記故障模擬データは、前記故障種別、及び前記故障種別の前記車両用空調装置の状態の情報を含み、
   前記診断部は、前記車両用空調装置が所定の状態であると診断した場合に、前記故障種別を出力する、請求項１に記載の車両用空調装置の診断装置。
3. 前記車両用空調装置の状態は、異常、異常予兆の状態を含み、
   前記診断部は、前記車両用空調装置が前記異常、及び前記異常予兆のいずれかの状態と診断した場合に、前記故障種別を出力する、請求項２に記載の車両用空調装置の診断装置。
4. 前記モデル学習部は、学習に用いる特徴量、前記機械学習分類モデルを選択可能に構成される、請求項１乃至３のいずれか一項に記載の車両用空調装置の診断装置。
5. 前記第１蓄積部は、前記車両用空調装置の複数の負荷状態毎に前記故障模擬データを蓄積しており、
   前記モデル学習部は、前記負荷状態毎に複数種類の前記機械学習分類モデルを学習する、請求項１乃至４のいずれか一項に記載の車両用空調装置の診断装置。
6. 前記負荷状態毎の複数の前記機械学習分類モデルの中から、最も判定精度の高い前記機械学習分類モデルを選択して集約する診断モデル構築部を更に備え、
   前記診断部は、前記負荷状態毎に前記集約された前記機械学習分類モデルを用いて診断を行う、請求項５に記載の車両用空調装置の診断装置。
7. 前記診断モデル構築部は、手動で前記機械学習分類モデルを選択可能である、請求項６に記載の車両用空調装置の診断装置。
8. 前記診断部は、前記負荷状態毎の複数の前記機械学習分類モデルの診断結果の内の最も多数を占める診断結果を、前記負荷状態毎の診断結果とする、請求項５に記載の車両用空調装置の診断装置。
9. 前記車両用空調装置の状態は、異常、異常予兆の状態を含み、
   前記診断部は、
   運行中の車両に搭載される前記車両用空調装置からデータを取得する取得部と、
   前記データに基づき、前記車両用空調装置のモードを判定するモード判定部と、
   前記モード判定部が判定したモードに応じた前記機械学習分類モデルを選択する診断モデル選択部と、
   前記診断モデル選択部により選択された前記機械学習分類モデルにより前記車両用空調装置の異常、及び異常予兆を検知し、故障種別の情報を出力する予兆・異常検知部と、
   を有する、請求項２に記載の車両用空調装置の診断装置。
10. 前記故障模擬データは、前記車両用空調装置の故障種別、異常、及び異常予兆の情報を含み、
    前記診断部は、一定回数診断したあとに、異常又は異常予兆を示す情報を出力する、請求項１に記載の車両用空調装置の診断装置。
11. 運行中の車両に搭載される前記車両用空調装置の実績データを蓄積する第２蓄積部を更に備える、請求項１乃至１０のいずれか一項に記載の車両用空調装置の診断装置。
12. 前記モデル学習部は、所定の経過期間ごとの前記実績データを用いて、前記実績データに対応する経過期間の情報を出力するように、前記機械学習分類モデルの学習を行っており、
    前記診断部は、前記車両用空調装置から取得された前記実績データに対応する前記経過期間を判定し、前記車両用空調装置の状態を診断する、請求項１１に記載の車両用空調装置の診断装置。
13. 車両用空調装置の故障種別に対応した故障模擬データを用いて、前記故障模擬データに対応する故障種別の情報を出力するように、教師あり学習により機械学習分類モデルの学習を行うモデル学習工程と、
    前記機械学習分類モデルを用いて前記車両用空調装置から取得されたデータに対応する故障種別を診断する診断工程と、
    を備える、車両用空調装置の診断方法。

Images