JP6557110B2 - 状態診断装置及びプログラム - Google Patents

Description

本発明は、振動データに基づいて鉄道車両の駆動用機器の状態を診断する状態診断装置等に関する。

鉄道車両は、安全性の維持のために定期検査等が行われる。また、運行中の異常を速やかに検知し事故を未然に防ぐことを目的として、鉄道車両に搭載されている各種機器や部品の状態を監視する技術が開発・実用化されている。状態監視の手法としては、診断対象の機器や部品それぞれに、温度センサや振動センサといった各種センサを取り付ける手法が一般的である（例えば、特許文献１参照）。

特開２００８−１４８４６６号公報

検査対象となる機器のうち、鉄道車両において特に重点的に検査される機器は駆動用機器である。鉄道車両の駆動用機器としては、電気車の場合には、主電動機と減速機、気動車の場合には、ディーゼルエンジンや変速機、減速機、推進軸といった回転機械が用いられている。これらの駆動用機器は、故障を起こすと列車の安全で正常な運行を妨げることになる重要な機器であるため、その異常を早期に検知して、故障や破損を未然に防ぐことが重要である。また、駆動用機器に発生し得る故障には様々な種類があるが、疑わしい異常が発生した場合には、故障に至る前に、見逃すこと無く確実に検知することが望まれる。このため、単に故障の発生を検知するのみではなく、故障に至る前の異常の段階で検知すること、どのような種類の故障が起きているのか、起きそうなのかについても判定することが求められている。

本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、上記の課題を解決する一助となる、鉄道車両の駆動用機器についての新たな診断技術を提供することである。

上記課題を解決するための第１の発明は、
鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された振動データがオクターブバンド分析された分析結果（例えば、図２のオクターブバンド分析結果１２）を、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段（例えば、図１１のコンターマップ生成部２０４）と、
前記集約手段の集約結果（例えば、図２のコンターマップ１４）が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データ（例えば、図２の学習データ２０）に適合するか否かを判別する判別手段（例えば、図１１の正常判定部２１０、故障判定部２１４）と、
を備えた状態診断装置である。

また、他の発明として、
コンピュータを、
鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された振動データがオクターブバンド分析された分析結果を、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段、
前記集約手段の集約結果が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データに適合するか否かを判別する判別手段、
として機能させるためのプログラム（例えば、図１１の状態診断プログラム３０２）を構成しても良い。

この第１の発明等によれば、鉄道車両に搭載された駆動用機器の振動を検知した振動データに基づいて、駆動用機器の状態が、Ｎ種類の既知状態の何れかであるかを診断するこができる。振動データに基づく既知状態の判別は、振動データをオクターブバンド分析した分析結果を、鉄道列車の動作モード及び走行速度別、或いは、走行速度別に集約した集約結果が、Ｎ種類の既知状態それぞれの集約結果基準データに適合するか否かによって行われる。駆動用機器の既知状態の集約結果基準データとして、正常状態、及び、複数種類の故障状態のデータを用意することで、故障の発生を検知するとともに、発生した故障の種類を診断することができる。また、正常状態ではないが、故障に至る前の不調状態、例えば摺動部品が摩耗した状態のデータを用意することで、故障につながる状態になっていることを検知することができる。

また、駆動用機器の多くは回転機械であるため、その異常は振動に表れると推定される。このため、駆動用機器の近傍に振動センサを設けるといった簡易な構成で、駆動用機器の状態監視を実現することができる。

第２の発明として、第１の発明の状態診断装置であって、
前記集約結果基準データを記憶する記憶手段（例えば、図１１の記憶部３００）と、
前記判別手段により何れの前記集約結果基準データにも適合しないと判別された場合に、ユーザの操作入力に従って、当該判別された集約結果のデータを、新たな既知状態と対応付け、新たな集約結果基準データ（例えば、図３の学習データ［故障ｚ_ｎ＋１］２４＿ｎ＋１）として前記記憶手段に記憶させる追加手段（例えば、図１１の故障データ追加部２１６）と、
を更に備えた状態診断装置を構成しても良い。

この第２の発明によれば、振動データから判別される駆動用機器の状態が何れの既知状態でもない、すなわち未知の状態である場合には、振動データに係る集約データが、ユーザの操作入力に従って、例えば原因調査によって明らかとなった新たな既知状態と対応付けて新たな集約結果基準データとして記憶される。これにより、駆動用機器の状態として未知の状態と判別されたときに、その状態を新たな既知状態とすることができ、既知状態の種類を増やすことができるため、以降において、より多くの状態を検知・診断することができるようになる。

第３の発明として、第２の発明の状態診断装置であって、
前記追加手段は、前記判別手段により適合すると判別された場合に、当該判別された集約結果のデータを、当該適合すると判別された種類の既知状態と対応付けて、新たな集約結果基準データとして前記記憶手段に記憶させる、
状態診断装置を構成しても良い。

この第３の発明によれば、振動データから判別される駆動用機器の状態が何れかの既知状態である場合に、振動データに係る集約データが、判別した既知状態と対応付けて新たな集約結果基準データとして記憶される。これにより、以降における診断の精度を向上させることができる。

第４の発明として、第１〜第３の何れかの発明の状態診断装置であって、
前記判別手段は、
前記集約手段の集約結果を主成分分析する主成分分析手段と、
前記主成分分析の結果が、前記集約結果基準データに適合するか否かを分類する分類手段と、
を有する、
状態診断装置を構成しても良い。

この第４の発明によれば、振動データに基づく既知状態の判別は、集約結果を主成分分析し、この主成分分析結果が集約結果基準データに適合するか否かによって行われる。集約結果に対する主成分分析によって、演算効率の良い診断とし、診断の高速化を図ることができる。

第５の発明として、第１〜第４の何れかの発明の状態診断装置であって、
前記集約手段は、時間的に前後の前記振動データに係る分析結果を比較し、定常状態の分析結果を抽出する抽出手段を有し、前記抽出手段により抽出された分析結果を集約する、
状態診断装置を構成しても良い。

この第５の発明によれば、所定の単位期間毎の振動データに対するオクターブバンド分析の分析結果のうち、定常状態の分析結果のみを抽出して集約することができる。これにより、既知状態の診断の精度を向上させることができる。

状態診断システムの概略構成図。 状態診断の概要図。 状態診断の詳細図。 オクターブバンド分析の説明図。 コンターマップの説明図。 コンターマップの生成の説明図。 定常状態におけるオクターブバンド分析結果の抽出の説明図。 コンターマップの一例。 コンターマップの差の一例。 状態診断の全体手順の説明図。 状態診断装置の機能構成図。 状態診断処理のフローチャート。

［原理］
（Ａ）システムの概要
図１は、本実施形態の状態診断システム１の適用例である。図１に示すように、状態診断システム１は、振動センサ３と、状態診断装置５と、を備えて構成され、鉄道車両７に搭載されて使用される。鉄道車両７は、本実施形態では電気車とするが、気動車であってもよい。振動センサ３は、診断対象となるモータ（主電動機）や減速器等の駆動用機器の近傍に設置され、駆動用機器の動作によって生じる振動を検知する。図１では台車に設置する例を示している。状態診断装置５は、振動センサ３によって検知された振動データに基づき、診断対象である駆動用機器の状態（正常や故障等）を診断する。なお、鉄道車両７がディーゼル車の場合、ディーゼル機関（エンジン）や変速機、減速機等が、診断対象の駆動用機器となる。

（Ｂ）状態監視の概要
図２は、状態診断装置５による状態診断の流れの概要図である。状態診断装置５は、振動センサ３で検知された振動データ１０に基づき、１クラス分類器３０を用いて、駆動用機器の動作状態を診断する。すなわち、振動データ１０に対するオクターブバンド分析を行い、そのオクターブバンド分析結果１２を鉄道車両の走行速度別に集約したコンターマップ１４を生成する。次いで、このコンターマップ１４に基づく主成分分析を行って、特徴ベクトル１６を算出する。そして、この特徴ベクトル１６をテストデータとし、所与の“状態Ｚ”に対応付けられた学習データ２０に基づく１クラス分類器３０によって、特徴ベクトル１６が学習データ２０に適合するか否か、すなわち、駆動用機器の動作状態が“状態Ｚ”であるか否かを判断する。

１クラス分類器３０は、機械学習の結果として生成される分類器（判別器）の一種であり、テストデータが所与の学習データのクラスに分類されるかを判断する。本実施形態では、学習データ２０は、既知の“状態Ｚ”のときの振動データに対するオクターブバンド分析結果を走行速度別に集約した集約結果基準データに相当し、当該振動データに基づく特徴ベクトルの集合とすることで、振動データを得たときの状態が“状態Ｚ”であるか否かを判断する。

（Ｃ）状態監視の手順
図３は、状態診断装置５による状態診断の詳細図である。図３に示すように、状態診断装置５は、得られた振動データに基づく特徴ベクトル（以下、振動データと特徴ベクトルとを含めてテストデータ１８という）を、１クラス分類器を用いて、予め記憶した学習データ２０と適合するかを判定することで、診断対象の状態を判定する。

学習データ２０は、診断対象である駆動用機器が既知の状態であるときの振動データに基づく特徴ベクトルの集合であり、状態が“正常”のときの学習データ［正常］２２と、状態が“故障”のときの学習データ［故障］２４と、がある。また、駆動用機器の故障は複数種類あり、故障の種類毎に学習データ［故障］２４が用意されている。図３では、ｎ種類の故障ｚ_ｉ（ｉ＝１，２，・・，ｎ）それぞれについての学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）が用意されている。なお、故障に至る前の不調状態のデータを学習データとして用意することで、故障に至る前の不調状態の診断をすることができる。

状態診断の手順としては、先ず、学習データ［正常］２２を用いて、テストデータ１８が学習データ［正常］２２と適合するかを判定する。適合するならば、診断対象の駆動用機器の状態は“正常”と判定する。そして、テストデータ１８を、学習データ［正常］２２に追加する。

適合しないならば、続いて、複数の学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）それぞれを用いて、テストデータ１８が学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）それぞれと適合するかを判定する。何れかと適合すると判定したならば、診断対象の駆動用機器の状態は、適合すると判定した学習データ［故障ｚ_ｉ］２４＿ｉに対応する“故障ｚ_ｉ”と判定する。そして、テストデータ１８を、判定した故障ｚ_ｉに対応する学習データ［故障ｚ_ｉ］２４＿ｉに追加する。また、テストデータ１８が何れの学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）とも適合しないならば、既知の故障ｚ_ｉとは異なる新たな種類の“故障ｚ_ｎ＋１”と判定する。そして、例えば、原因調査によって“故障ｚ_ｎ＋１”の内容が判明すると、テストデータ１８をその“故障ｚ_ｎ＋１”と対応付けて、新たな学習データ［故障ｚ_ｎ＋１］２４＿ｎ＋１として生成・記憶する。

（Ｄ）特徴ベクトル
振動データに基づく特徴ベクトルの算出としては、先ず、振動データに対するオクターブバンド分析を行う。図４は、振動データに対するオクターブバンド分析の説明図である。図４に示すように、振動データ１０に対するオクターブバンド分析が所定のフィルタ処理によって連続的に行われ、オクターブバンド分析結果の記録を、所定の単位期間Δｔ（例えば、１秒）毎に行うことができる。その結果、単位期間Δｔ別のオクターブバンド分析結果１２として、周波数帯域（オクターブバンド）に対する振動の大きさ（オクターブバンドレベル）が得られる。またこのとき、オクターブバンド分析を行った期間における鉄道車両の走行速度の平均（平均速度）を、当該オクターブバンド分析結果１２に対応する走行速度とする。なお、ここで“単位期間”とは、一般的な意味では単位時間と同じであるが、各単位時間の時刻（タイミング）を峻別する意味で“単位期間”と称して説明する。

なお、記録しておくデータとしては、データ量の削減の観点から、走行中にリアルタイムにオクターブバンド分析を行い、振動データ１０を記録せずに、単位期間Δｔ毎のオクターブバンド分析結果のみを記録する方法が好適である。しかし、説明の簡明化のため、本実施形態では、１回の走行に係る振動データ１０を記録しておき、事後的に単位期間Δｔ毎にオクターブバンド分析を行うこととして説明する。勿論、振動データ１０の代わりに、オクターブバンド分析結果を記録することとしてもよい。

次いで、これらの単位期間別のオクターブバンド分析結果から、コンターマップを作成する。図５は、オクターブバンド分析結果に基づくコンターマップの作成の説明図である。図５（ａ）は、コンターマップ１４の一例である。図５（ａ）に示すように、コンターマップ１４は、横軸を周波数、縦軸を走行速度として、振動の大きさの分布を表したマップである。図５（ａ）では、横方向に長い帯状のグラフとなっているが、画素１点１点の白黒の濃淡が振動の大きさの高低を表している。

図５（ｂ）に示すように、コンターマップ１４における走行速度（縦軸）は、所定の単位速度Δｖ（例えば、２０ｋｍ／ｈ）ごとの速度域に区切られている。そして、オクターブバンド分析結果１２における周波数帯域別の振動の大きさの値が、当該オクターブバンド分析結果１２の速度を含む速度域に対応する値となる。

本実施形態では、１回の走行に係る振動データを用いて、動作モード別にコンターマップを生成する。ここで、１回の走行とは、ある程度の長さに亘る期間での走行であり、例えば、始発駅から終着駅までの走行や、１日の走行とすることができる。また、動作モードとは、力行、惰行及びブレーキの運転操作と、そのノッチ数との組み合わせであり、例えば、力行５ノッチ、・・、力行１ノッチ、惰行、ブレーキ１ノッチ、・・、ブレーキ５ノッチといったように設定される。すなわち、１回の走行に係る振動データに対して、単位期間毎のオクターブバンド分析を行って得られた多数のオクターブバンド分析結果を用いて、当該１回の走行についての動作モード別の複数のコンターマップを作成する。

図６は、１回の走行に係るコンターマップの生成の説明図である。図６に示すように、１回の走行に係る振動データ１０から得られる複数のオクターブバンド分析結果１２を、動作モード別に分類する。続いて、動作モードそれぞれについて、複数のオクターブ分析結果１２を、対応する走行速度に応じて、コンターマップ１４における速度域別に分類する。次いで、速度域それぞれについて、当該速度域に分類されたオクターブバンド分析結果１２の平均を算出する。そして、この速度域別の平均分析結果１３それぞれを、対応する速度域の値としてコンターマップ１４を生成する。

また、コンターマップの作成に用いるオクターブバンド分析結果は、診断対象の駆動用機器が定常状態であるときのデータのみを抽出して使用し、駆動用機器の動作が切り替わる過渡状態であるときのデータは不使用とする。

図７は、定常状態でのオクターブバンド分析結果の抽出の説明図である。図７に示すように、振動データ１０から得られた複数のオクターブバンド分析結果１２に対して、時間的に前後のもの同士を比較することで、定常状態であるか否かを判断する。具体的には、あるオクターブバンド分析結果１２と、時間的に直前のオクターブバンド分析結果１２との差分を求め、その差分が所定の閾値以下であるならば定常状態と判断し、閾値を超えるならば過渡状態と判断する。ここで、オクターブバンド分析結果同士の差分とは、周波数帯域別の振動の大きさの差である。各周波数帯域の振動の大きさ同士の差分をとり、それらの二乗和の平方根が閾値を超える場合には過渡状態と判断する。

図８は、コンターマップの一例である。図８（ａ）は、診断対象の状態が“正常”である場合の振動データに基づくコンターマップであり、図８（ｂ）は、診断対象の状態が“故障”である場合の振動データに基づくコンターマップである。これらを比較すると、走行速度には殆ど依存せず、特定の周波数における振動の大きさに違いが表れていることがわかる。つまり、“正常”の場合に比較して“故障”の場合には、特定の周波数成分が多く含まれており、この特定の周波数成分は、故障によって発生する振動の周波数といえる。

そして、図９に示すように、図８（ａ）に示した“正常”の場合のコンターマップと、図８（ｂ）に示した“故障”の場合のコンターマップとの差を求めると、故障によって発生する振動の周波数成分がより明確になる。

このように、２つのコンターマップの差を対応する２つの振動データの非類似度とみな
せることから、パターン認識の手法を適用することで、コンターマップに基づいて特徴ベクトルを算出する。具体的には、コンターマップに対する主成分分析を行って主成分を求め、その係数を特徴ベクトルとする。主成分の数は、その寄与率に応じて適当に定めることができる。

（Ｅ）状態診断
このように求めた１回の走行に該当する特徴ベクトルに基づき、予め用意した学習データを参照した１クラス分類器を用いて、診断対象の状態を診断する。本実施形態では、１クラス分類器として、１クラスサポートベクターマシンの手法を採用する。

１クラスサポートベクターマシンは、特徴ベクトルを２つのクラス（集団）に分類する学習モデルであるサポートベクターマシンを応用した手法である。サポートベクターマシンは、２クラスのデータ間の距離（マージン）が最大となるようにクラスが定められた学習データを分類する超平面を求め、この超平面を利用して、判定対象の特徴ベクトルをどちらかのクラスに分類する。そして、１クラスサポートベクターマシンは、学習データとして正常データの１クラスのみを用い、学習データのクラスとそれ以外とを分類する超平面を求め、この超平面を利用して特徴ベクトルを分類する。その結果、１クラスサポートベクターマシンは、特徴ベクトルが張る空間で、学習データの幾つかを通って学習データの大半を囲むことができる識別境界を作成して、この識別境界によって、判定対象の特徴ベクトルを正常か異常かのどちらかに分類する。この識別境界を作成するためのデータがサポートベクターであり、サポートベクターは識別境界上かその外側に位置する。

１クラスサポートベクターマシンにおいて、特徴ベクトルｘの正常／異常の判別に用いられる判別関数ｆ（ｘ）は、次式（１）で定められる。
この判別関数ｆ（ｘ）が正値の場合には、判定対象の特徴ベクトルは、学習データである正常データのクラスに分類されない、すなわち異常であることを表し、負値の場合には、判定対象の特徴ベクトルは、学習データである正常データのクラスに分類される、すなわち正常であることを表す。

式（１）において、関数ｋ（ｘ，ｙ）はカーネル関数であり、ガウシアンカーネルを用いると、次式（２）で定められる。
式（２）において、「ｘ」，「ｙ」は特徴ベクトルである。「γ」は、例えば、学習データのデータ間の距離に応じて定められるパラメータである。

また、式（１）において、「ｘ_ｉ」は、サポートベクターであり、正常データの特徴ベクトルのうち、対応する係数αが「０」でないものである。「ｘ_ｊ」は、識別境界上に位置するサポートベクターの何れかである。

サポートベクターｘ_ｉの係数α_ｉは、次式（３）の最小化問題の解として算出される。
式（３）において、「ν」は、学習データに含まれていると想定される異常データの割合の上限であり、学習データには異常データは殆ど含まれていないと想定して、非常に小さい値、例えば「０．０１」に設定される。「ｌ」は、学習データを構成する特徴ベクトルの数である。

このような１クラスサポートベクターマシンの手法による１クラス分類器では、判別関数ｆ（ｘ）によって算出される値によって、判定対象の特徴ベクトルｘが学習データのクラスに分類されるか否かがが判定される。すなわち、判別関数ｆ（ｘ）が負値であるならば、特徴ベクトルｘは学習データのクラスに分類され、判別関数ｆ（ｘ）が正値ならば、特徴ベクトルｘは学習データのクラスに分類されないことを表す。

つまり、学習データ［正常］に基づく１クラス分類器では、特徴ベクトルが学習データ［正常］のクラスに分類されるか否か、すなわち、診断対象の状態が“正常”であるか否かを判定することができる。また、学習データ［故障ｚ_ｉ］に基づく１クラス分類器では、特徴ベクトルが学習データ［故障ｚ_ｉ］のクラスに分類されるか否か、すなわち、診断対象の状態“故障ｚ_ｉ”であるか否かを判定することができる。

（Ｆ）状態診断の全体の流れ
図１０は、状態診断装置５による状態診断の全体の流れを示す図である。図１０では、下方向を時間軸としている。また、説明の簡明化のため、動作モードに関する図示および説明を省略するが、実際は、動作モード別に学習データが蓄積記憶され、動作モード別に振動データ１０に対する状態診断が行われる。

図１０に示すように、例えば、定期検査の終了時点など、診断対象の状態が正常であることが確認された時刻ｔ_０を起点とする学習期間が設定される。この学習期間は、診断対象の状態が“正常”であるときの複数の学習データ［正常］を用意するための期間である。また、学習期間は、診断対象の状態が“正常”であるとみなせ、複数回の走行が行われる程度の期間、例えば、数日〜２週間程度の長さに設定される。つまり、診断対象の状態が“正常”である場合の複数回の走行に係る振動データが得られる。これらの振動データそれぞれに基づく特徴ベクトルを算出し、これらを学習データ［正常］として蓄積記憶する。

学習期間が終了すると、診断期間となる。診断期間では、記憶している学習データを用いて、診断対象の状態を診断する。すなわち、１回の走行毎に、当該走行で得られた振動データに基づいて特徴ベクトルを算出し、記憶している学習データそれぞれと適合するか否かを判定して診断対象の状態を診断し、診断結果に応じて学習データへの追加／新規作成を行う（図３参照）。つまり、診断期間の開始時点ｔ_１では、診断対象の状態が“正常”についての学習データ［正常］のみが用意されており、診断対象の状態として“故障”と診断されることで、当該故障についての新たな学習データ［故障］として追加されてゆくことになる。また、どのような故障であるかを対応づけることで、故障の種類ごとに分類して学習データを追加することで、以降における詳細な状態診断を可能とする。

［機能構成］
図１１は、状態診断装置５の機能構成図である。図１１によれば、状態診断装置５は、操作入力部１０２と、表示部１０４と、音声出力部１０６と、通信部１０８と、処理部２００と、記憶部３００とを備えて構成され、一種のコンピュータシステムである。

操作入力部１０２は、例えばキーボードやマウス、タッチパネル、各種スイッチ等で実現される入力装置であり、操作入力に応じた操作信号を処理部に出力する。表示部１０４は、例えば液晶ディスプレイや有機ＥＬディスプレイ等で実現される表示装置であり、処理部２００からの表示信号に基づく各種表示を行う。音声出力部１０６は、例えばスピーカ等で実現される音声出力装置であり、処理部２００からの音声信号に基づく各種音声出力を行う。通信部１０８は、例えば無線通信モジュールやルータ、モデム、有線用の通信ケーブルのジャックや制御回路等で実現される通信装置であり、外部装置との間でデータ通信を行う。

処理部２００は、例えばＣＰＵ等の演算装置で実現され、記憶部３００に記憶されたプログラムやデータ、操作入力部１０２や通信部１０８からの入力データ等に基づいて、状態診断装置５を構成する各部への指示やデータ転送を行って、状態診断装置５を統括的に制御する。また、処理部２００は、オクターブバンド分析部２０２と、コンターマップ生成部２０４と、特徴ベクトル算出部２０６と、学習データ生成部２０８と、正常判定部２１０と、正常データ追加部２１２と、故障判定部２１４と、故障データ追加部２１６と、を有し、状態診断プログラム３０２に従った状態診断処理（図１２）を行う。

オクターブバンド分析部２０２は、振動センサ３によって検知された振動データ１０に対して所定のフィルタ処理を行うことで連続的なオクターブバンド分析を行い、このオクターブバンド分析結果を所定の単位期間（例えば１秒）ごとに記憶部３００に記憶させる。結果的に、振動データ１０は、単位期間ごとのデータのつながりということもできる。

コンターマップ生成部２０４は、オクターブバンド分析部によるオクターブバンド分析結果に基づき、コンターマップを生成する。すなわち、１回の走行で得られた振動データに対して単位期間ごとに分析して得られた多数のオクターブバンド分析結果に対して、時間的の前後のもの同士を比較して、定常状態のものを抽出する（図７参照）。次いで、抽出したオクターブバンド分析結果を動作モード別に振り分け、同じ動作モードにおけるオクターブバンド分析結果を、対応する走行速度によって所定の速度域別に更に分類し、速度域毎に、オクターブバンド分析結果の平均を求める。そして、速度域別の平均分析結果を用いて、当該走行についてのコンターマップを生成する（図５，図６参照）。したがって、動作モード別のコンターマップを生成することとなる。

特徴ベクトル算出部２０６は、動作モードそれぞれについて、コンターマップ生成部２０４によって生成されたコンターマップに基づき、特徴ベクトルを算出する。すなわち、コンターマップに対する主成分分析を行って主成分を求め、求めた主成分に基づく特徴ベクトルを算出する。

学習データ生成部２０８は、学習期間において“正常”の学習データを生成するための機能部である。学習期間においては、振動データを正常とみなすため、特徴ベクトル算出部２０６が算出した特徴ベクトルを、動作モード別に学習データ［正常］２２として蓄積記憶する。

正常判定部２１０は、診断期間において、診断対象の振動データが“正常”であるか否かを判定する機能部である。すなわち、診断対象の振動データの動作モードに対応する学習データ［正常］２２に基づく１クラス分類器を用いて、診断対象の振動データに係る特徴ベクトルが当該学習データ［正常］２２に適合するか否かを判定することで、 “正常”であるか否かを判定する。

正常データ追加部２１２は、正常判定部２１０が“正常”と判定した場合に、判定対象であった特徴ベクトルを、該当する動作モードの学習データ［正常］２２に追加する。

故障判定部２１４は、正常判定部２１０が“正常”でないと判定した特徴ベクトルに基づき、診断対象の振動データが“故障”であるか否か、また“故障”の種類を判定する。すなわち、既知の故障ｚ_ｉ（ｉ＝１，２，・・，ｎ）それぞれについて、診断対象の振動データの動作モードに対応する学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）に基づく１クラス分類器を用いて、特徴ベクトルが学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）に適合するかを判定することで、診断対象の状態が“故障ｚ_ｉ”であるかを判定する。その結果、故障ｚ_ｉ（ｉ＝１，２，・・，ｎ）の何れでもないと判定した場合には、診断対象の状態は、新たな“故障ｚ_ｎ＋１”と判定する。

故障データ追加部２１６は、故障判定部２１４が判定した“故障ｚ_ｉ”に対応する学習データ［故障ｚ_ｉ］２４＿ｉに、判定対象であった特徴ベクトルを追加する。このとき、既知の“故障ｚ_ｉ”と判定されたならば、判定された“故障ｚ_ｉ”に対応する学習データ［故障ｚ_ｉ］２４＿ｉに追加する。一方、新たな“故障ｚ_ｎ＋１”と判定されたならば、特徴ベクトルを、例えば操作入力部１０２から入力される、原因調査の上で内容が判明されたその“故障ｚ_ｎ＋１”の名称と対応付けて、新たな学習データ［故障ｚ_ｎ＋１］として記憶させる。

記憶部３００は、処理部２００が状態診断装置５を統括的に制御するための諸機能を実現するためのプログラムやデータを記憶するとともに、処理部２００の作業領域として用いられ、処理部２００が各種プログラムに従って実行した演算結果や、操作入力部１０２や通信部１０８からの入力データが一時的に格納される。記憶部３００には、状態診断プログラム３０２と、走行データ３０４と、学習データ［正常］２２と、学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）と、が記憶される。学習データ［正常］２２と、学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）とは、動作モード別に、当該動作モードと関連づけられて記憶される。

走行データ３０４は、１回の走行に関するデータであり、走行日時と、振動データ１０と、振動データ１０の測定時刻と同期した時刻データと対応付けて記録された動作モードの時系列データと、振動データ１０の測定時刻と同期した時刻データと対応付けて記録された鉄道列車の走行速度データと、を含んでいる。オクターブバンド分析部２０２が、振動データ１０をフィルタ処理してオクターブバンド分析を行ったオクターブバンド分析結果を更に含めて記録してもよい。

［処理の流れ］
図１２は、状態診断処理のフローチャートである。この処理は、所定の１回の走行が終了した後に、当該走行において測定された振動データを対象として、処理部２００が状態診断プログラム３０２に従って実行する処理である。

先ず、取得した振動データに基づいて特徴ベクトルを算出する（ステップＳ１）。すなわち、オクターブバンド分析部２０２が、振動データに対するオクターブバンド分析を行い、コンターマップ生成部２０４が、オクターブバンド分析結果を、対応するデータ期間の動作モード別に振り分けて動作モード別のコンターマップを生成し、特徴ベクトル算出部２０６が、コンターマップに対する主成分分析を行って主成分の値に基づく特徴ベクトルを算出する。次いで、当該走行が行われた期間が学習期間であるか診断期間であるかを判断し、学習期間ならば（ステップＳ３：ＹＥＳ）、学習データ生成部２０８が、算出した特徴ベクトルを、該当する動作モードの学習データ［正常］２２として記憶する（ステップＳ５）。

一方、診断期間ならば（ステップＳ３：ＮＯ）、正常判定部２１０が、学習データ［正常］２２に基づく１クラス分類器を用いて、算出した特徴ベクトルが、該当する動作モードの学習データ［正常］２２に適合するかを判定する（ステップＳ７）。その結果、適合すると判定したならば（ステップＳ９：ＮＯ）、診断対象の状態は“正常”と判定する（ステップＳ１１）。そして、正常データ追加部２１２が、算出した特徴ベクトルを、該当する動作モードの学習データ［正常］２２に追加する（ステップＳ１３）。

一方、適合しないと判定したならば（ステップＳ９：ＮＯ）、該当する動作モードの学習データ［故障ｚ_ｉ］２４＿ｉ（ｉ＝１，２，・・，ｎ）と対応付けて記憶されている、既知状態である故障ｚ_ｉ（ｉ＝１，２，・・，ｎ）それぞれを対象としたループＡの処理を行う。ループＡでは、故障判定部２１４が、対象の故障ｚ_ｉに対応する学習データ［故障ｚ_ｉ］２４＿ｉに基づく１クラス分類器を用いて、算出した特徴ベクトルが学習データ［故障ｚ_ｉ］２４＿ｉに適合するかを判定する（ステップＳ１５）。その結果、適合すると判定したならば（ステップＳ１７：ＹＥＳ）、診断対象の状態は“故障ｚ_ｉ”と判定する（ステップＳ１９）。ループＡはこのように行われる。

全ての既知状態の故障ｚ_ｉを対象としたループＡの処理を終了すると、既知状態の故障ｚ_ｉ（ｉ＝１，２，・・，ｎ）のうち、少なくとも１つの故障ｚ_ｉと判定したならば（ステップＳ２１：ＹＥＳ）、故障データ追加部２１６が、算出された特徴ベクトルを、判定した故障ｚ_ｉに対応する学習データ［故障ｚ_ｉ］２４＿ｉに追加する（ステップＳ２３）。故障と判定していないならば（ステップＳ２１：ＮＯ）、故障判定部２１４は、診断対象の状態は新たな“故障ｚ_ｎ＋１”と判定する（ステップＳ２５）。そして、故障データ追加部２１６が、算出した特徴ベクトルを、該当する動作モードの新たな“故障ｚ_ｎ＋１”と対応付けて新たな学習データ［故障ｚ_ｎ＋１］として記憶させる（ステップＳ２７）。以上の処理を行うと、状態診断処理は終了となる。

［作用効果］
このように、本実施形態の状態診断システム１によれば、診断対象の駆動用機器の近傍に設置された振動センサ３によって計測される振動データに基づき、駆動用機器の状態が正常であるか故障が発生したかを判定するとともに、故障が発生した場合にはどのような種類の故障であるのかを診断することができる。

すなわち、状態診断装置５は、振動データをオクターブバンド分析した分析結果を、鉄道車両の走行速度別に集約したコンターマップを生成し、このコンターマップに対する主成分分析を行って、特徴ベクトルを算出する。そして、算出した特徴ベクトルを、正常及び複数種類の故障を含む複数種類の既知状態と対応付けた学習データ２０それぞれと適合するか否かを判定することで、駆動用機器の状態を、適合した学習データ２０に対応付けられている状態であると判定する。

［変形例］
なお、本発明の適用可能な実施形態は上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能なのは勿論である。

（Ａ）システム構成
状態診断システム１は、少なくとも、振動センサ３が鉄道車両７に搭載されていれば良く、状態診断装置５の機能の一部又は全部を地上側の外部装置が担うこととしても良い。例えば、オクターブバンド分析によってデータ量を大幅に削減できることから、振動データに対するオクターブバンド分析までの処理を車上装置（図１における状態診断装置５）において行い、それ以降の処理であるコンターマップの生成や特徴ベクトルの算出、正常／故障の判定を地上装置（例えば、駅や車庫等に設置された外部装置）で行うようにすることができる。

またこの場合、車上装置（状態診断装置５）と地上装置（外部装置）との間のデータ送受信は、列車の走行中に、当該列車に搭載された状態診断装置から、所与の無線通信網を介して外部装置へ送信することとしても良いし、走行中は、振動データに対する処理データを状態診断装置の内部記憶装置に蓄積記憶しておき、運行終了後に、蓄積記憶したデータを、有線通信や無線通信によって外部装置へ送信することしても良い。或いは、状態診断装置は、振動データに対する処理データをＵＳＢメモリ等の外部記憶装置に蓄積記憶しておき、運行終了後に、この外部記憶装置によって外部装置へ入力することとしても良い。

（Ｂ）診断対象
また、上述の実施形態では、診断対象を鉄道車両の駆動用機器としたが、動作によって周期的な振動が生じるような回転機械であれば、他の機器にも同様に適用可能である。

（Ｃ）診断できる状態（項目）
また、上述の実施形態では、診断できる状態を正常と故障としたが、故障に至る前の不調の状態も診断可能である。学習データを「故障」とラベル付けするのではなく、「不調」とラベル付けして上述した状態診断処理を行えば良い。こうすることで、正常なのか、異常なのか、異常のうちのどこのどういう異常なのか、異常の程度はどの程度か（故障といえるか、不調の程度か）、までを診断することが可能となる。

（Ｄ）コンターマップ
振動データのオクターブバンド分析結果からコンターマップを生成する際に、当該分析結果を、鉄道車両の動作モード別に振り分けた（集約した上で）、さらに走行速度毎に集約してコンターマップを生成することとして説明した。しかし、動作モード別の振り分けをせずに、１つの動作モードとみなしてコンターマップを生成することとしてもよい。その場合は、単に、走行速度別に分析結果を集約することとなる。

１ 状態診断システム
３ 振動センサ
５ 状態診断装置
１０２ 操作入力部、１０４ 表示部、１０６ 音声出力部、１０８ 通信部
２００ 処理部
２０２ オクターブバンド分析部、２０４ コンターマップ生成部
２０６ 特徴ベクトル算出部、２０８ 学習データ生成部
２１０ 正常判定部、２１２ 正常データ追加部
２１４ 故障判定部、２１６ 故障データ追加部
３００ 記憶部
３０２ 状態診断プログラム
３０４ 走行データ
１０ 振動データ、１２ オクターブバンド分析結果
１４ コンターマップ、１６ 特徴ベクトル
２０ 学習データ、２２ 学習データ［正常］、２４ 学習データ［故障］
３０ １クラス分類器
７ 鉄道車両

Claims (8)

1. 鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された単位時間毎の振動データそれぞれについてオクターブバンド分析された分析結果を、当該オクターブバンド分析に係る周波数帯域毎に、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段と、
   前記集約手段の集約結果が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データに適合するか否かを判別する判別手段と、
   を備えた状態診断装置。
2. 前記集約結果基準データを記憶する記憶手段と、
   前記判別手段により何れの前記集約結果基準データにも適合しないと判別された場合に、当該判別された集約結果のデータを、新たな既知状態と対応付け、新たな集約結果基準データとして前記記憶手段に記憶させる追加手段と、
   を更に備えた請求項１に記載の状態診断装置。
3. 鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された振動データがオクターブバンド分析された分析結果を、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段と、
   前記集約手段の集約結果が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データに適合するか否かを判別する判別手段と、
   前記集約結果基準データを記憶する記憶手段と、
   前記判別手段により何れの前記集約結果基準データにも適合しないと判別された場合に、当該判別された集約結果のデータを、新たな既知状態と対応付け、新たな集約結果基準データとして前記記憶手段に記憶させる追加手段と、
   を備えた状態診断装置。
4. 前記追加手段は、前記判別手段により適合すると判別された場合に、当該判別された集約結果のデータを、当該適合すると判別された種類の既知状態と対応付けて、新たな集約結果基準データとして前記記憶手段に記憶させる、
   請求項２又は３に記載の状態診断装置。
5. 前記判別手段は、
   前記集約手段の集約結果を主成分分析する主成分分析手段と、
   前記主成分分析の結果が、前記集約結果基準データに適合するか否かを分類する分類手段と、
   を有する、
   請求項１〜４の何れか一項に記載の状態診断装置。
6. 前記集約手段は、時間的に前後の前記振動データに係る分析結果を比較し、定常状態の分析結果を抽出する抽出手段を有し、前記抽出手段により抽出された分析結果を集約する、
   請求項１〜５の何れか一項に記載の状態診断装置。
7. コンピュータを、
   鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された単位時間毎の振動データそれぞれについてオクターブバンド分析された分析結果を、当該オクターブバンド分析に係る周波数帯域毎に、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段、
   前記集約手段の集約結果が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データに適合するか否かを判別する判別手段、
   として機能させるためのプログラム。
8. コンピュータを、
   鉄道車両に搭載された駆動用機器の振動を検知するための振動センサによって検知された振動データがオクターブバンド分析された分析結果を、前記鉄道車両の動作モード及び走行速度別、或いは、走行速度別に集約する集約手段、
   前記集約手段の集約結果が、前記駆動用機器のＮ種類の既知状態（Ｎ≧１）それぞれの集約結果基準データに適合するか否かを判別する判別手段、
   前記集約結果基準データを記憶する記憶手段、
   前記判別手段により何れの前記集約結果基準データにも適合しないと判別された場合に、当該判別された集約結果のデータを、新たな既知状態と対応付け、新たな集約結果基準データとして前記記憶手段に記憶させる追加手段、
   として機能させるためのプログラム。