JP7366786B2 - 情報処理装置、システム、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、システム、情報処理方法及びプログラムに関する。

移動体が路盤上を移動する際に、移動体に設置された加速度センサ等のセンサを介して測定されたデータを用いて路盤の異常を診断することが行われている。
特許文献１には、定められた軌道を車両が走行する軌道系交通システムの軌道設備又は車両設備の異常を診断する方法が開示されている。
また、特許文献２には、車両が移動する軌道の状態を車両の振動から把握するシステムが開示されている。

特開２００８－１４８４６６号公報 特開２００５－２３１４２７号公報

移動体によっては、速度が制限される場合がある。速度が低速になる程、移動体に設置されたセンサを介して得られるデータが微弱なデータとなる場合がある。このような場合、センサを介して微弱なデータしか得られず、移動体が移動する路盤の異常の診断ができなくなる場合があるという問題がある。
そこで、本発明は、速度が制限されている移動体に設置されたセンサの信号を用いたより精度のよい路盤の異常診断の実現を支援することを目的とする。

本発明の情報処理装置は、移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、を有し、前記加速度に関するデータは、前記センサに含まれる加速度センサにより測定された、前記移動体にかかる加速度の二乗平均のデータを含む。
本発明の情報処理装置は、移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、を有し、前記角速度に関するデータは、前記センサに含まれる角速度センサにより測定された、前記移動体にかかる回転方向の角速度の二乗平均のデータを含む。
本発明の情報処理装置は、移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、を有し、前記移動体は、前記路盤上の軌条に沿って移動する車両であり、前記複数の物理量は、前記軌条の軌間のズレの幅を含む。

本発明によれば、速度が制限されている移動体に設置されたセンサの信号を用いたより精度のよい路盤の異常診断の実現を支援することができる。

図１は、診断システムのシステム構成の一例を示す図である。 図２は、診断装置のハードウェア構成の一例を示す図である。 図３は、診断装置の機能構成の一例を示す図である。 図４は、センサデータ収集処理の一例を示すフローチャートである。 図５は、データ取得処理の一例を示すフローチャートである。 図６は、異常予測モデルの学習処理の一例を示すフローチャートである。 図７は、診断処理の一例を示すフローチャートの一例である。 図８は、実験状況を説明する図である。 図９は、実験で取得されたデータを示す図である。 図１０は、実験で取得されたデータを示す図である。 図１１は、実験で取得されたデータを示す図である。 図１２は、実験結果を説明する図である。 図１３は、実験結果を説明する図である。

＜実施形態＞
以下、本発明の一実施形態について図面に基づいて説明する。

（診断システム）
図１は、本実施形態の診断システム１００のシステム構成の一例を示す図である。
診断システム１００は、移動体１１０に設置され、移動体１１０が移動する路盤に異常があるか否かを診断するシステムである。移動体１１０は、路盤上に設置された軌条に沿った軌道を移動する鉄道車両である。ただし、他の例として、移動体１１０は、道路上を移動する車両、レール上を移動する天井クレーン等の他の移動体であってもよい。本実施形態では、移動体１１０は、低速として定められた速度帯（例えば、２０ｋｍ／ｈ未満、１０ｋｍ／ｈ以下等）で軌条に沿って移動し、この速度帯以上の速度で移動することができない。
診断システム１００は、診断装置１０１、加速度センサ１０２、角速度センサ１０３、軌間センサ１０４、測位計１０５を含む。

診断装置１０１は、路盤に異常があるか否かの予測に用いられる予測モデルを学習し、学習した予測モデルを用いて、路盤の診断を行う情報処理装置である。路盤の異常とは、路盤に生じた正常状態からの何等かの乖離であって、軌条の破損、軌条の断裂等の重篤なものだけでなく、軌条の摩耗、擦り傷等の軽微なものや、路盤の変形（例えば、へこみ等）、軌条の変形等を含む。診断装置１０１は、例えば、パーソナルコンピュータ（ＰＣ）、移動体に組み込まれたコンピュータ、サーバ装置、タブレット装置等である。
加速度センサ１０２は、移動体１１０にかかる加速度の測定に用いられるセンサである。角速度センサ１０３は、移動体１１０の角速度の測定に用いられるセンサである。加速度センサ１０２は、移動体１１０の予め定められた１対の車輪を介して伝わる加速度を、適切に検知できるように、この１対の車輪から予め定められた範囲（例えば、この１対の車輪の中間の位置から予め定められた閾値以下の距離の範囲）内の位置に設置されている。以下では、この予め定められた１対の車輪を基準車輪対とする。
また、角速度センサ１０３は、基準車輪対と軌条との接触により生じる角速度を適切に検知できるように、基準車輪対から予め定められた範囲（例えば、この１対の車輪の中間の位置から予め定められた閾値以下の距離の範囲）内の位置に設置されている。

軌間センサ１０４は、２つの２次元レーザ計測計を含み軌道における２本の軌条（レール）間の距離である軌間の測定に用いられるセンサである。軌間センサ１０４の２つの２次元レーザ計測計それぞれは、測定位置において、移動体１１０の進行方向を前方向とし、重力方向を下方向とした場合の左右方向における軌道の２つの軌条それぞれの端部の位置を測定する。そして、軌間センサ１０４は、２つの２次元レーザ計測計それぞれにより測定された位置に基づいて、測定位置における軌間を計測する。軌間センサ１０４の２つの２次元レーザ計測計それぞれは、軌条上の基準車輪対が接触する位置の近傍の位置（例えば、接触位置から、前方に予め定められた距離だけ進んだ位置）におけるレールの位置を測定できるように、移動体１１０の筐体の下部に設置されている。本実施形態では、軌間センサ１０４が測定する軌間は、軌条において基準車輪対が接触する位置における軌間であると仮定する。
以下では、移動体１１０の進行方向を前方向とする。また、以下では、重力方向を下方向とする。

測位計１０５は、路盤上の予め定められた位置に設置されているＲＦＩＤタグを読み取るＲＦＩＤタグリーダ、レーザドップラ速度計を含み、移動体１１０の位置を測定する計測器である。測位計１０５は、ＲＦＩＤタグリーダを介して、ＲＦＩＤタグからの信号を読み取ることで、移動体１１０の位置を求める。また、測位計１０５は、レーザドップラ速度計を介して、移動体１１０の速度を求める。本実施形態では、測位計１０５は、路盤上における基準車輪対の位置（例えば、移動体１１０のスタート地点から１００ｍの位置等）を、移動体１１０の位置として測定する。ただし、測位計１０５は、他の方法を用いて、移動体１１０の位置を求めてもよい。例えば、測位計１０５は、ＧＰＳを用いて、移動体１１０の位置を求めることとしてもよい。また、測位計１０５は、レーザ距離計を用いて、移動体１１０の位置を求めてもよい。また、測位計１０５は、移動体１１０に設置されたスピードメータからの車速信号に基づいて、移動体１１０の位置を求めてもよい。

（診断装置の詳細）
図２は、診断装置１０１のハードウェア構成の一例を示す図である。診断装置１０１は、ＣＰＵ２０１、主記憶装置２０２、補助記憶装置２０３、デバイスＩ／Ｆ２０４、入力部２０５、出力部２０６を含む。各要素は、システムバス２０７を介して、相互に通信可能に接続されている。
ＣＰＵ２０１は、診断装置１０１を制御する中央演算装置である。主記憶装置２０２は、ＣＰＵ２０１のワークエリア、データの一時的な記憶領域として機能するＲａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）等の記憶装置である。補助記憶装置２０３は、各種プログラム、各種設定情報、各種計測データ等を記憶する記憶装置である。補助記憶装置２０３は、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）等である。

デバイスＩ／Ｆ２０４は、加速度センサ１０２、角速度センサ１０３、軌間センサ１０４、測位計１０５等の外部のデバイスとの接続に用いられるインターフェースである。ＣＰＵ２０１は、デバイスＩ／Ｆ２０４を介して、加速度センサ１０２、角速度センサ１０３、軌間センサ１０４、測位計１０５との間で情報の入出力を行う。
入力部２０５は、マウス、キーボード、タッチパネル、専用のコントローラ、マイク等の入力装置である。出力部２０６は、モニタ、スピーカ、タッチパネルの表示部等の出力装置である。
ＣＰＵ２０１が、補助記憶装置２０３等に記憶されたプログラムにしたがって処理を実行することで、図３で後述する診断装置１０１の機能、図４－７で後述するフローチャートの処理等が実現される。

図３は、診断装置１０１の機能構成の一例を示す図である。診断装置１０１は、取得部３０１、生成部３０２、学習部３０３、診断部３０４を含む。
取得部３０１は、加速度センサ１０２、角速度センサ１０３、軌間センサ１０４を介して、予め定められた種類の物理量に関するデータを取得する。本実施形態では、取得部３０１は、加速度センサ１０２、角速度センサ１０３、軌間センサ１０４等の計測器の少なくとも１つから出力される信号に基づいて求められる、予め定められた種類の物理量に関するデータを取得する。また、取得部３０１は、取得したデータに基づいて、学習部３０３により用いられる学習データを取得する。

生成部３０２は、取得部３０１により取得されたデータに基づいて、学習データを用いて、路盤の異常を予測する予測モデルの学習に用いられる学習データを生成する。以下では、路盤の異常を予測する予測モデルを、異常予測モデルとする。
学習部３０３は、生成部３０２により取得されたデータに基づいて学習データを用いて、異常予測モデルを学習する。
診断部３０４は、取得部３０１により取得されたデータと、学習部３０３により学習された異常予測モデルと、に基づいて、路盤上に設定された場所に異常が存在するか否かを診断する。

（診断システムの処理の概要）
本実施形態の診断システム１００の処理の概要を説明する。
移動体１１０が路盤上を移動する際、路盤の異常（路盤の変形、軌条の変形等）により、移動体１１０に変動が生じる。この変動は、必ずしも、移動体１１０を基準とした１つの方向、又は、回転方向についての１種類の物理量として現れるとは限らない。以下では、方向と回転方向とを合わせた概念を、方向・回転方向とする。物理量には、加速度、速度、角速度、傾斜角、幅（長さ）等の種類がある。この変動は、移動体１１０を基準とした種々の方向・回転方向についての種々の物理量の複合として現れる場合があると考えられる。そのため、路盤の異常は、方向・回転方向、又は、種類が異なる複数の物理量に関する複数のデータとして現れると考えられる。
また、移動体１１０は、低速度帯での移動を行うため、各センサデータが、低速度帯以上の速度で移動している移動体に設置されたセンサから出力されるセンサデータよりも微弱となる。そのため、１つのデータのみに着目しても、路盤の異常の影響が表れているか否かを判別できない場合がある。

そこで、本実施形態では、診断システム１００は、方向・回転方向、又は、種類の異なる複数の物理量に関する複数のデータを含む入力データに対応する場所の異常の有無を予測する異常予測モデルを学習する。そして、診断システム１００は、移動体１１０が路盤上を移動する際に、改めて取得された方向・回転方向、又は、種類の異なる複数の物理量に関する複数のデータを含む入力データを、学習された異常予測モデルに入力する。これにより、診断システム１００は、入力データに対応する場所における異常の有無を診断する。
以上が、診断システム１００の処理の概要である。

（異常予測モデルの詳細）
本実施形態で診断システム１００が用いる異常予測モデルについて説明する。異常予測モデルは、方向・回転方向、又は、種類の異なる複数の物理量それぞれに関する複数のデータを含む形式の入力データを受付け、入力データに対応する場所における異常の有無を予測するモデルである。本実施形態では、異常予測モデルは、左右方向の加速度、上下方向の加速度、前後方向の加速度、ロール方向の角速度、ヨー方向の角速度、ロール方向の傾斜角、ピッチ方向の傾斜角の７つの物理量に関する複数のデータを含む形式の入力データを受け付ける。
本実施形態では、異常予測モデルは、ランダムフォレストであるとする。本実施形態の異常予測モデルのランダムフォレストは、３０階層の３００個の決定木を含む。各決定木は、入力データに対応する場所が異常であるか否かの２値の情報と、異常である確率と、を出力する。異常予測モデルは、各決定木の出力である異常であるか否かを示す２値の情報を多数決することで、入力データに対応する場所が異常であるか否かの最終的な予測値を決定し、出力する。

本実施形態では、異常予測モデルのランダムフォレストは、３０階層の３００個の決定木を含むこととした。ただし、他の例として、異常予測モデルのランダムフォレストは、２９以下の階層の決定木を含むこととしてもよいし、３１以上の階層の決定木を含むこととしてもよい。また、異常予測モデルのランダムフォレストは、２９９個以下の決定木を含むこととしてもよいし、３０１個以上の決定木を含むこととしてもよい。
ランダムフォレストには、以下のような利点がある。ランダムフォレストは、目的変数が量的（回帰）でも質的（分類）でも利用可能なモデルである。回帰（出力が数値）の場合、ランダムフォレストは、複数の決定木の結果を平均することで、最終的な出力値を決定する。また、分類（出力がカテゴリ）の場合、ランダムフォレストは、多数の決定木の結果の多数決を取ることで、最終的な出力値（カテゴリ）の値を出力する。また、ランダムフォレストには、相関のある説明変数を与えても問題ない。ランダムフォレストでは、各説明変数の重要度を求めることができる。
本実施形態では、異常予測モデルの情報は、補助記憶装置２０３に記憶されている。

（異常予測モデル学習処理）
図４～７を用いて、診断システム１００が実行する予測モデルの学習処理の詳細を説明する。
図４は、診断システム１００が実行するデータ収集処理の一例を示すフローチャートである。診断システム１００は、移動体１１０が路盤上をスタート地点から移動し始めたことに併せて、図４の処理を開始する。以下では、センサから出力されるデータをセンサデータとする。
Ｓ４０１において、取得部３０１は、測位計１０５を介して、処理時点における移動体１１０の位置（基準車輪対の位置）と、移動体１１０の速度と、を取得する。
Ｓ４０２において、取得部３０１は、加速度センサ１０２から出力される複数の方向の加速度を示すセンサデータを取得する。本実施形態では、取得部３０１は、この複数の方向の加速度を示すセンサデータとして、前後方向にかかる加速度、上下方向にかかる加速度、左右方向にかかる加速度をそれぞれ示す３つのセンサデータを取得する。

Ｓ４０３において、取得部３０１は、角速度センサ１０３から出力される複数の回転方向の角速度を示すセンサデータを取得する。本実施形態では、取得部３０１は、この複数の回転方向の角速度を示すセンサデータとして、ロール方向の角速度、ピッチ方向の角速度、ヨー方向の角速度をそれぞれ示す３つのセンサデータを取得する。
ロール方向とは、角速度センサ１０３を通り、移動体１１０の進行方向（前方向）の軸の回転方向である。ピッチ方向とは、角速度センサ１０３を通り、移動体１１０の左右方向の軸の回転方向である。ヨー方向とは、角速度センサ１０３を通り、移動体１１０の上下方向の軸の回転方向である。
Ｓ４０４において、取得部３０１は、軌間センサ１０４から出力される、軌条において基準車輪対の接触する位置におけるレールの幅である軌間を示すセンサデータを取得する。

Ｓ４０５において、取得部３０１は、ロール方向について、これまでにＳ４０３で取得した角速度のセンサデータの値を積分（合計）することで、Ｓ４０１で取得した位置における移動体１１０のロール方向の傾斜角を求める。また、取得部３０１は、求めたロール方向の傾斜角を、これまでにＳ４０２で取得した加速度のセンサデータの値で補正し、補正した傾斜角を、移動体１１０のロール方向の傾斜角として取得する。また、取得部３０１は、ピッチ方向について、これまでにＳ４０３で取得した角速度のセンサデータの値を積分（合計）することで、Ｓ４０１で取得した位置における移動体１１０のピッチ方向の傾斜角を求める。また、取得部３０１は、求めたピッチ方向の傾斜角を、これまでにＳ４０２で取得した加速度のセンサデータの値で補正し、補正した傾斜角を、移動体１１０のピッチ方向の傾斜角として取得する。ただし、他の例として、取得部３０１は、傾斜角を直接検出することが可能なセンサを用いて、直接傾斜角のデータを取得することとしてもよい。
Ｓ４０６において、取得部３０１は、Ｓ４０１で取得した速度と、Ｓ４０２～Ｓ４０４で取得されたセンサデータと、Ｓ４０５で取得した傾斜角のデータとを、Ｓ４０１で取得した位置と対応付けて、補助記憶装置２０３に記憶する。
Ｓ４０７において、取得部３０１は、予め定められた期間待機する。本実施形態では、取得部３０１は、２ｍｓｅｃ待機する。これにより、取得部３０１は、Ｓ４０７での待機期間（２ｍｓｅｃ）ごとにＳ４０１～Ｓ４０５で各データを取得することとなる。ただし、取得部３０１は、Ｓ４０７で、１ｍｓｅｃ、５ｍｓｅｃ、１ｓｅｃ等、任意の期間待機することとしてもよい。

Ｓ４０８において、取得部３０１は、移動体１１０の移動が完了したか否かを判定する。本実施形態では、取得部３０１は、直近のＳ４０１の処理で取得した移動体１１０の位置が路盤上のゴール地点以降の地点である場合、移動体１１０の移動が完了したと判定する。また、取得部３０１は、直近のＳ４０１の処理で取得した移動体１１０の位置が路盤上のゴール地点以降の地点でない場合、移動体１１０の移動が完了していないと判定する。
取得部３０１は、移動体１１０の移動が完了したと判定した場合、図４の処理を終了し、移動体１１０の移動が完了していないと判定した場合、処理をＳ４０１に進める。
以上の図４の処理により、診断システム１００は、移動体１１０の路盤上の移動の際に２ｍｓｅｃごとに各データを取得できる。以下では、図４の処理により補助記憶装置２０３に路盤上の位置と対応付けて記憶されたデータ群を、生データ群とする。

図５は、予め定められた複数の物理量それぞれに関するデータ取得処理の一例を示すフローチャートである。
Ｓ５０１において、取得部３０１は、図４の処理で記憶された生データ群の各データを、路盤上に予め定められた複数の場所それぞれに対応するデータ群に分割する。本実施形態では、路盤上には、軌条に沿ったスタート地点からゴール地点までを、予め定められた間隔（例えば、１ｍ、２５ｃｍ等）で区切った複数の場所が設定されている。即ち、取得部３０１は、生データ群の各データを、各データに対応する路盤上の位置を含む場所に対応するデータとして振り分ける。

Ｓ５０２において、取得部３０１は、路盤上に設定された複数の場所それぞれにおいて、移動体１１０にかかる加速度に関するデータを取得する。より具体的には、取得部３０１は、複数の場所それぞれについて、以下の処理を行う。
即ち、取得部３０１は、Ｓ５０１でその場所に対応するデータとして振り分けたデータ群から、加速度センサ１０２から出力された各方向（前後方向、上下方向、左右方向）の加速度のセンサデータを取得する。そして、取得部３０１は、方向ごとに、その場所に対応する加速度のセンサデータの二乗平均（各センサデータの二乗の平均値）を求め、求めた値を、その場所において移動体１１０にかかる各方向の加速度に関するデータとする。取得部３０１は、二乗平均をとることで、移動体１１０が低速度帯で移動し、微弱なセンサデータしか取得できない場合でも、加速度に関するより強調されたデータを取得できる。ただし、他の例として、取得部３０１は、方向ごとに、その場所に対応する加速度のセンサデータの平均値、最大値、最小値、振幅、絶対値の平均等を、各方向の加速度に関するデータとして取得してもよい。また、取得部３０１は、これらのデータと、その場所に対応する加速度のセンサデータの二乗平均のデータと、のうちの複数のデータを、それぞれ加速度に関するデータとして取得してもよい。
これにより、取得部３０１は、路盤上の複数の場所それぞれについて、移動体１１０にかかる各方向の加速度に関するデータを取得できる。

Ｓ５０３において、取得部３０１は、路盤上に設定された複数の場所それぞれにおいて、移動体１１０の角速度に関するデータを取得する。より具体的には、取得部３０１は、複数の場所それぞれについて、以下の処理を行う。
即ち、取得部３０１は、Ｓ５０１でその場所に対応するデータとして振り分けたデータ群から、角速度センサ１０３から出力された各回転方向（ロール方向、ピッチ方向、ヨー方向）の角速度のセンサデータを取得する。そして、取得部３０１は、回転方向ごとに、その場所に対応するセンサデータの二乗平均（各センサデータの二乗の平均値）を求め、求めた値を、その場所における移動体１１０の各回転方向の角速度に関するデータとする。ただし、他の例として、取得部３０１は、回転方向ごとに、その場所に対応する角速度のセンサデータの平均値、最大値、最小値、振幅、絶対値の平均等を、各回転方向の角速度に関するデータとして取得してもよい。また、取得部３０１は、これらのデータと、その場所に対応する角速度のセンサデータの二乗平均のデータと、のうちの複数のデータを、それぞれ角速度に関するデータとして取得してもよい。
これにより、取得部３０１は、路盤上の複数の場所それぞれについて、移動体１１０の各回転方向の角速度に関するデータを取得できる。

Ｓ５０４において、取得部３０１は、路盤上に設定された複数の場所それぞれにおいて、移動体１１０の傾斜角に関するデータを取得する。より具体的には、取得部３０１は、複数の場所それぞれについて、以下の処理を行う。
即ち、取得部３０１は、Ｓ５０１でその場所に対応するデータとして振り分けたデータ群から、各回転方向（ロール方向、ピッチ方向）の傾斜角のデータを取得する。そして、取得部３０１は、回転方向ごとに、その場所に対応する傾斜角の平均を求め、求めた値を、その場所における移動体１１０の各回転方向（ロール方向、ピッチ方向）の傾斜角に関するデータとする。ただし、他の例として、取得部３０１は、回転方向ごとに、その場所に対応する傾斜角のデータの最大値、最小値、振幅、絶対値の平均、二乗平均等を、各回転方向の傾斜角に関するデータとして取得してもよい。また、取得部３０１は、これらのデータと、その場所に対応する傾斜角の平均のデータと、のうちの複数のデータを、それぞれ傾斜角に関するデータとして取得してもよい。
これにより、取得部３０１は、路盤上の複数の場所それぞれについて、移動体１１０の各回転方向の傾斜角に関するデータを取得できる。

Ｓ５０５において、取得部３０１は、路盤上に設定された複数の場所それぞれにおける軌間のズレ幅に関するデータを取得する。より具体的には、取得部３０１は、複数の場所それぞれについて、以下の処理を行う。
即ち、取得部３０１は、Ｓ５０１でその場所に対応するデータとして振り分けたデータ群から、軌間のデータを取得する。そして、取得部３０１は、その場所に対応する軌間のデータと軌間の幅として予め定められた値との差分の平均を求め、その場所における軌間のズレ幅に関するデータとする。ただし、他の例として、取得部３０１は、その場所に対応する軌間のデータと軌間の幅として予め定められた値との差分の最大値、最小値、振幅、絶対値の平均、二乗平均等を、軌間のズレ幅に関するデータとして取得してもよい。また、取得部３０１は、これらのデータと、その場所に対応する軌間のデータと軌間の幅として予め定められた値との差分の平均のデータと、のうちの複数のデータをそれぞれ傾斜角に関するデータとして取得してもよい。
これにより、取得部３０１は、路盤上の複数の場所それぞれについて、軌間のズレ幅に関するデータを取得できる。
Ｓ５０６において、取得部３０１は、Ｓ５０２～Ｓ５０５それぞれで取得した各種のデータを補助記憶装置２０３に記憶する。即ち、取得部３０１は、路盤上に設定された各場所に対応する３つの方向の加速度に関するデータ、３つの回転方向の角速度に関するデータ、２つの回転方向の傾斜角に関するデータ、軌間のズレ幅に関するデータの９種類のデータを記憶する。ただし、他の例として、取得部３０１は、Ｓ５０２～Ｓ５０５のうちの少なくとも１つにおいて、各物理量に関するデータとして、複数のデータが取得された場合、９種類以上のデータを記憶することとなる。

図６は、異常予測モデルの学習処理の一例を示すフローチャートである。
Ｓ６０１において、生成部３０２は、図４の処理が実行された時点における路盤上における異常がある場所の情報を取得する。本実施形態では、補助記憶装置２０３は、図４の処理が実行された時点における路盤上における異常がある場所の情報を、予め記憶している。そのため、生成部３０２は、補助記憶装置２０３から、この情報を取得する。
ただし、他の例として、生成部３０２は、入力部２０５を介したユーザからの入力に基づいて、図４の処理が実行された時点における路盤上における異常がある場所の情報を取得することとしてもよい。

Ｓ６０２において、生成部３０２は、Ｓ５０６で記憶された複数のデータから、異常予測モデルに入力可能な形式のデータを取得する。
本実施形態では、異常予測モデルは、入力データとして、左右方向の加速度に関するデータ、上下方向の加速度に関するデータ、前後方向の加速度に関するデータ、ロール方向の角速度に関するデータ、ヨー方向の角速度に関するデータ、ロール方向の傾斜角に関するデータ、ピッチ方向の傾斜角に関するデータの７種類のデータを、入力データとして受け付ける予測モデルであるとする。そのため、生成部３０２は、Ｓ５０６で記憶された複数のデータから、これらの７種類のデータを取得する。
そして、生成部３０２は、取得した７種類のデータそれぞれについて、路盤上に設定された複数の場所それぞれに対応するデータを特定する。生成部３０２は、Ｓ６０１で取得した情報に基づいて、路盤上に設定された複数の場所それぞれに異常があるか否かを特定する。生成部３０２は、路盤上に設定された複数の場所それぞれについて、対応するデータと、異常の有無を示す情報と、を対応づけた対応情報を、異常予測モデルの学習に用いられる学習データとして生成する。学習データにおける異常の有無を示す情報は、対応する学習データについてのラベルデータとして扱われる情報である。

本実施形態では、異常予測モデルは、左右方向の加速度に関するデータ、上下方向の加速度に関するデータ、前後方向の加速度に関するデータ、ロール方向の角速度と傾斜角とに関するデータ、ヨー方向の角速度に関するデータ、ピッチ方向の傾斜角とに関するデータを入力データとする。即ち、診断システム１００は、異常予測モデルに基づいて、５つの異なる方向・回転方向に関する物理量に関するデータを用いて異常の診断を行うこととなる。このように、診断システム１００は、複数の異なる方向・回転方向に関する物理量に関するデータを用いて異常の診断を行うことで、路盤の異常の影響が複数の方向・回転方向についての物理量として現れる場合であっても、より精度よく路盤の異常を診断できる。

本実施形態では、異常予測モデルは、左右方向の加速度に関するデータ、上下方向の加速度に関するデータ、前後方向の加速度に関するデータ、ロール方向の角速度に関するデータ、ヨー方向の角速度に関するデータ、ロール方向の傾斜角に関するデータ、ピッチ方向の傾斜角に関するデータの７つのデータを含む形式の入力データを受け付ける予測モデルであるとした。
ただし、他の例として、異常予測モデルは、方向・回転方向、又は、種類の異なる複数の物理量それぞれに関するデータを含む複数のデータであれば、他の複数のデータを含む形式の入力データとして受け付ける予測モデルであることとしてもよい。
Ｓ６０３において、学習部３０３は、Ｓ６０２で生成された学習データを用いて、公知の教師あり学習の手法を用いて、異常予測モデルを学習する。

（異常診断処理）
診断システム１００が実行する診断処理の詳細を説明する。
診断システム１００は、図６の処理による異常予測モデルの学習後において、路盤の診断を行う時期になったら、図７の処理を行う前に、改めて図４、図５と同様の処理を行う。
図７は、診断処理の一例を示すフローチャートである。
Ｓ７０１において、診断部３０４は、改めて行われた図５の処理におけるＳ５０６で記憶された複数のデータから、左右方向の加速度に関するデータ、上下方向の加速度に関するデータ、前後方向の加速度に関するデータ、ロール方向の角速度に関するデータ、ヨー方向の角速度に関するデータ、ロール方向の傾斜角に関するデータ、ピッチ方向の傾斜角に関するデータの７種類のデータを取得する。そして、診断部３０４は、取得した７種類のデータを含み、異常予測データに対する入力データの形式のデータを取得する。以下では、Ｓ７０１で取得されたこのデータを、診断データとする。
Ｓ７０２において、診断部３０４は、路盤上に設定された複数の場所から、１つを診断対象の場所として選択する。以下では、Ｓ７０２で選択された場所を選択場所とする。
Ｓ７０３において、診断部３０４は、Ｓ７０１で取得した診断データのうち、選択場所に対応するデータを特定する。診断部３０４は、特定したデータを含む入力データを、異常予測モデルに入力し、異常予測モデルからの出力を、選択場所に対応する診断結果として取得する。
Ｓ７０４において、診断部３０４は、路盤上に設定された複数の場所の全てについて診断が完了したか否かを判定する。診断部３０４は、路盤上に設定された複数の場所の全てについて診断が完了したと判定した場合、処理をＳ７０５に進める。また、診断部３０４は、路盤上に設定された複数の場所の中に診断が完了していない場所があると判定した場合、処理をＳ７０２に進める。

Ｓ７０５において、診断部３０４は、Ｓ７０３で取得した路盤上に設定された複数の場所それぞれについての診断結果を出力する。ただし、他の例として、診断部３０４は、異常と診断された場所についての診断結果のみを出力することとしてもよい。
本実施形態では、診断部３０４は、診断結果を出力部２０６のモニタに表示することで、出力することとする。ただし、他の例として、診断部３０４は、診断結果を、補助記憶装置２０３に記憶することで、出力することとしてもよい。また、診断部３０４は、診断結果を、予め定められた送信先に送信することで出力することとしてもよい。

（効果）
以上、本実施形態の処理により、診断システム１００は、異常予測モデルを学習することで、速度が制限されている移動体１１０に設置されたセンサの信号を用いたより精度のよい路盤の異常診断の実現を支援することができる。また、診断システム１００は、学習した異常予測モデルを用いて、路盤の異常を診断することで、より精度よく路盤の異常を診断できる。

（実効性検証実験）
発明者らは、本実施形態の処理の実効性を検証するための実験を行った。以下では、この実験を、本実験とする。本実験とその実験結果とについて説明する。
図８は、本実験の状況を説明する図である。
本実験では、移動体１１０として、天井クレーン装置８００を用いた。天井クレーン装置８００は、レール８１０に沿って移動する。
天井クレーン装置８００は、ガーダ８０１、トロリ８０２、クレーン部８０３、走行部８０４を含む。天井クレーン装置８００は、総重量が１５５．２ｔである。ガーダ８０１は、トロリ８０２等を支持する柱状の構造物である。トロリ８０２は、クレーン部８０３を介して荷をつってガーダ上を移動する台車である。本実験では、トロリ８０２は、ガーダ８０１の中央に配置されている。クレーン部８０３は、荷を吊り下げる機構であり、トロリ８０２と連動して移動する。走行部８０４は、車輪を有し、レール８１０に設置され、天井クレーン装置８００のレール８１０上での移動に用いられる。

レール８１０は、東西方向に水平に配置されたレールであり、長さが３６０ｍである。以下では、レール８１０のうち、北側に配置されたレールは、レール８１０Ａとする。また、以下では、レール８１０のうち、南側に配置されたレールは、レール８１０Ｂとする。
また、以下では、レール８１０Ａに設置されている方の走行部８０４を、走行部８０４Ａとする。また、以下では、レール８１０Ｂに設置されている方の走行部８０４を、走行部８０４Ｂとする。

走行部８０４Ａ、８０４Ｂそれぞれは、東西方向において同じ位置となるように移動する。そのため、ガーダ８０１は、長手方向が、南北方向に水平となる。また、レール８１０のレール間の幅（レール８１０Ａとレール８１０Ｂとの距離）は、３８．５ｍである。
本実験における診断対象の路盤は、レール８１０Ａとレール８１０Ａの設置面とである。
本実験では、診断システム１００は、移動体１１０である天井クレーン装置８００に設置される。加速度センサ１０２、角速度センサ１０３、は、ガーダ８０１上における走行部８０４Ａの直上部に配置されている。

本実験では、天井クレーン装置８００を、図８中のＡ地点をスタート位置として東向きにＤ地点まで走行させた。天井クレーン装置８００は、Ｂ地点からＣ地点までの区間では、時速７．２ｋｍ／ｈの定速で移動した。診断装置１０１は、天井クレーン装置８００がＢ地点からＣ地点までの区間で低速移動を行っている間に、図４と同様の処理を行うことで、生データ群を取得した。ただし、本実験では、診断装置１０１は、傾斜角センサを含み、Ｓ４０５では、この傾斜角センサを介して、ロール方向及びピッチ方向の傾斜角を取得した。
そして、診断装置１０１は、取得した生データ群に基づいて、図５と同様の処理を行うことで、複数の物理量それぞれに関するデータを生成した。ただし、診断装置１０１は、本実験では、軌間センサ１０４を用いなかったため、Ｓ５０５の処理については実行していない。また、本実験では、路盤上に予め定められた複数の場所は、レール８１０上のＢ地点からＣ地点までの区間を０．２５ｍの間隔で区切った複数の場所であるとした。
また、診断装置１０１は、Ｓ５０２で、各場所に対応する加速度に関するデータとして、各場所に対応する加速度のセンサデータの平均のデータと、２乗平均のデータと、を取得した。以下では、各場所に対応する加速度のセンサデータの平均のデータを、加速度（平均）データとする。また、以下では、各場所に対応する加速度のセンサデータの２乗平均のデータを、加速度（２乗平均）データとする。

また、診断装置１０１は、Ｓ５０３で、各場所に対応する角速度に関するデータとして、各場所に対応する角速度のセンサデータの平均のデータと、２乗平均のデータと、を取得した。以下では、各場所に対応する角速度のセンサデータの平均のデータを、角速度（平均）データとする。また、以下では、各場所に対応する角速度のセンサデータの２乗平均のデータを、角速度（２乗平均）データとする。
また、診断装置１０１は、Ｓ５０４では、図５で説明したデータと同様のデータを取得した。
ここで実行された図５の処理で生成されたデータを、学習用データとする。
本実験では、異常予測モデルは、左右方向の加速度、前後方向の加速度、上下方向の加速度、ロール方向の角速度、ヨー方向の角速度、ロール方向の傾斜角、ピッチ方向の傾斜角の７つの物理量に関する複数のデータを含む入力データを受け付ける。

生成された学習用データのうち、左右方向の加速度（平均）データ、前後方向の加速度（平均）データ、上下方向の加速度（平均）データ、ロール方向の角速度（平均）データ、ヨー方向の角速度（平均）データを、図９に示す。
生成された学習用データのうち、ロール方向の傾斜角のデータ、ピッチ方向の傾斜角のデータを、図１０に示す。
生成された学習用データのうち、左右方向の加速度（２乗平均）データ、前後方向の加速度（２乗平均）データ、上下方向の加速度（２乗平均）データ、ロール方向の角速度（２乗平均）データ、ヨー方向の角速度（２乗平均）データを、図１１に示す。

図９～１１の各グラフの横軸は、レール８１０上でＢ地点からＣ地点までの３３０ｍ区間内の位置を示す。以下では、図９～１１の各グラフの横軸に示されている区間は、この３３０ｍの区間内の１３５ｍの区間である。以下では、この１３５ｍの区間を設定区間とする。縦軸は、データの値を示す。各グラフは、対応する横軸が示す位置に存在する場所に対応するデータの値を示すグラフである。

続いて、診断装置１０１は、図６の処理を行うことで、異常予測モデルを学習した。
本実験では、生成部３０２は、Ｓ６０１で、Ｂ地点からＣ地点までの区間における各場所についての異常の有無を示す情報を取得する。そして、生成部３０２は、Ｓ６０２で、Ｂ地点からＣ地点までの区間における各場所について、左右方向の加速度（平均）データ、前後方向の加速度（平均）データ、上下方向の加速度（平均）データ、ロール方向の角速度（平均）データ、ヨー方向の角速度（平均）データ、ロール方向の傾斜角のデータ、ピッチ方向の傾斜角のデータ、左右方向の加速度（２乗平均）データ、前後方向の加速度（２乗平均）データ、上下方向の加速度（２乗平均）データ、ロール方向の角速度（２乗平均）データ、ヨー方向の角速度（２乗平均）データの１２個のデータ（図９－１１に示すデータ）と、異常の有無を示す情報と、の組を、学習データとして生成する。本実験では、Ｓ６０２で生成された学習データのうち、正常（異常ではない）に対応する学習データの数は、１５００個である。また、Ｓ６０２で生成された学習データのうち、異常に対応する学習データの数は、１００個である。そして、学習部３０３は、Ｓ６０３で、生成部３０２により生成されたこの１６００個の学習データを用いて、異常予測モデルに対して教師あり学習を行った。

そして、診断装置１０１は、学習した異常予測モデルを用いて、図７と同様の処理を行うことで、路盤に異常があるか否かを診断した。ただし、本実験では、診断部３０４は、Ｓ７０１で、設定区間における、左右方向の加速度（平均）データ、前後方向の加速度（平均）データ、上下方向の加速度（平均）データ、ロール方向の角速度（平均）データ、ヨー方向の角速度（平均）データ、ロール方向の傾斜角のデータ、ピッチ方向の傾斜角のデータ、左右方向の加速度（２乗平均）データ、前後方向の加速度（２乗平均）データ、上下方向の加速度（２乗平均）データ、ロール方向の角速度（２乗平均）データ、ヨー方向の角速度（２乗平均）データの１２個のデータを含む診断データを取得することとした。
そして、診断部３０４は、設定区間に設定された２９１個の場所それぞれについて、各場所に対応する診断データを異常予測モデルに入力することで、診断を行った。

診断結果について、図１２、図１３を用いて説明する。
図１２の上部のグラフは、設定区間における各場所について、異常予測モデルが出力した診断結果を示すグラフである。横軸は、設定区間における位置を示す。縦軸は、各々の決定木が異常とした確率の平均である異常度をしめす。異常度とは、異常予測モデル内の各決定木が出力した異常である確率の平均を示す指標である。
図１２の下部の図は、設定区間における異常がある場所を示す図である。この図が示すように、本実験においては、設定区間における６０ｍ付近において、レールに軽微な亀裂があることが事前の点検において確認されている。

図１２の上部のグラフを見ると、設定区間における６０ｍ付近の場所において、異常度が他の場所よりも高くなっていることが分かる。本実験では、レール８１０Ａ上の設定区間における６０ｍ付近の場所にレールの摩耗があることが確認されているため、この場所の付近で異常度が上昇していることは適切な結果である。
設定区間に設定された２９１個の場所について、異常予測モデルを用いた予測結果の詳細を、図１３の表に示す。図１３の表に示されるように、真に正常である２６８個の場所のうちの２６０個の場所が正しく正常と予測されている。また、真に異常である２３個の場所のうちの２０個の場所が正しく異常と予測されている。そのため、本実験で学習された異常予測モデルの正答率は、（正しく予測した場所の個数）／（全ての場所の個数）＝（２６０＋２０）／（２９１）≒０．９６となる。この結果から、発明者らは、良好な正答率で、路盤の異常の有無を予測できることを確認した。

（変形例１）
本実施形態では、診断システム１００は、図７の処理において、Ｓ７０２～Ｓ７０４の処理で、全ての診断場所についての診断が終了してから、Ｓ７０５で診断結果を出力することとした。ただし、他の例として、診断システム１００は、図７の処理において、１つの診断場所についてＳ７０２～Ｓ７０３の処理で診断が完了する度に、その診断場所に対する診断結果を出力することとしてもよい。その場合、診断システム１００は、それまでに診断が完了した全ての診断場所についての診断結果を出力することとしてもよい。

（変形例２）
本実施形態では、診断装置１０１は、異常予測モデルを学習し、学習した異常予測モデルを用いて、路盤の異常を診断することとした。ただし、他の例として、診断装置１０１は、異常予測モデルの学習処理を行わないこととしてもよい。その場合、例えば、外部の情報処理装置が、診断装置１０１の取得部３０１により取得されたデータを用いて、学習データの生成と異常予測モデルの学習を行うこととしてもよい。そして、診断装置１０１は、この外部の情報処理装置から、学習された異常予測モデルを取得し、取得した異常予測モデルを用いて、図７と同様の診断処理を行う等することで、路盤の異常の診断を行うこととしてもよい。
また、この外部の情報処理装置は、学習データの生成を行わないこととしてもよい。その場合、診断装置１０１が、取得部３０１により取得されたデータを用いて、異常予測モデルの学習に用いられる学習データの生成を行う。そして、この外部の情報処理装置が、診断装置１０１により生成された学習データを用いて、異常予測モデルの学習を行うこととしてもよい。そして、診断装置１０１は、この外部の情報処理装置から、学習された異常予測モデルを取得し、取得した異常予測モデルを用いて、図７と同様の診断処理を行う等することで、路盤の異常の診断を行うこととしてもよい。
（変形例３）
本実施形態では、異常予測モデルは、入力データとして、軌間のズレ幅に関するデータを含まない形式のデータを受付けることとした。ただし、他の例として、異常予測モデルは、軌間のズレ幅に関するデータを含む入力データを受付ける予測モデルであるとしてもよい。

（変形例４）
本実施形態では、異常予測モデルは、ランダムフォレストであるとした。ただし、他の例として、異常予測モデルは、判別分析、ロジスティック回帰、Ｏｎｅ Ｃｌａｓｓ サポートベクタマシン（ＳＶＭ）、ニューラルネットワーク等の他の予測モデルであってもよい。
（その他の変形例）
本実施形態の診断システムの機能構成の一部又は全てをハードウェアとして診断装置１０１等に実装してもよい。

１００ 診断システム、１０１ 診断装置、２０１ ＣＰＵ

Claims (15)

1. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
   前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
   を有し、
   前記加速度に関するデータは、前記センサに含まれる加速度センサにより測定された、前記移動体にかかる加速度の二乗平均のデータを含む情報処理装置。
2. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
   前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
   を有し、
   前記角速度に関するデータは、前記センサに含まれる角速度センサにより測定された、前記移動体にかかる回転方向の角速度の二乗平均のデータを含む情報処理装置。
3. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
   前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
   を有し、
   前記移動体は、前記路盤上の軌条に沿って移動する車両であり、
   前記複数の物理量は、前記軌条の軌間のズレの幅を含む情報処理装置。
4. 前記路盤上の診断場所に対応する前記複数の物理量に関する複数のデータであって、前記形式の前記複数のデータを、診断対象である診断データとして取得する第２の取得手段と、
   前記学習手段により学習された前記予測モデルと、前記第２の取得手段により取得された前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を更に有する請求項１乃至３の何れか１項に記載の情報処理装置。
5. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の診断場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータを、診断対象である診断データとして取得する取得手段と、
   前記取得手段により取得された前記診断データの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルであって、前記路盤上の場所に対応する前記複数の物理量に関する前記形式の複数のデータと前記場所における異常の有無を示す情報との対応情報に基づいて学習された前記予測モデルと、前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を有し、
   前記加速度に関するデータは、前記センサに含まれる加速度センサにより測定された、前記移動体にかかる加速度の二乗平均のデータを含む情報処理装置。
6. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の診断場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータを、診断対象である診断データとして取得する取得手段と、
   前記取得手段により取得された前記診断データの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルであって、前記路盤上の場所に対応する前記複数の物理量に関する前記形式の複数のデータと前記場所における異常の有無を示す情報との対応情報に基づいて学習された前記予測モデルと、前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を有し、
   前記角速度に関するデータは、前記センサに含まれる角速度センサにより測定された、前記移動体にかかる回転方向の角速度の二乗平均のデータを含む情報処理装置。
7. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の診断場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータを、診断対象である診断データとして取得する取得手段と、
   前記取得手段により取得された前記診断データの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルであって、前記路盤上の場所に対応する前記複数の物理量に関する前記形式の複数のデータと前記場所における異常の有無を示す情報との対応情報に基づいて学習された前記予測モデルと、前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を有し、
   前記移動体は、前記路盤上の軌条に沿って移動する車両であり、
   前記複数の物理量は、前記軌条の軌間のズレの幅を含む情報処理装置。
8. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
   前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
   前記路盤上の診断場所に対応する前記複数の物理量に関する複数のデータであって、前記形式の前記複数のデータを、診断対象である診断データとして取得する第２の取得手段と、
   前記学習手段により学習された前記予測モデルと、前記第２の取得手段により取得された前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を有し、
   前記加速度に関するデータは、前記センサに含まれる加速度センサにより測定された、前記移動体にかかる加速度の二乗平均のデータを含むシステム。
9. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
   前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
   前記路盤上の診断場所に対応する前記複数の物理量に関する複数のデータであって、前記形式の前記複数のデータを、診断対象である診断データとして取得する第２の取得手段と、
   前記学習手段により学習された前記予測モデルと、前記第２の取得手段により取得された前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
   を有し、
   前記角速度に関するデータは、前記センサに含まれる角速度センサにより測定された、前記移動体にかかる回転方向の角速度の二乗平均のデータを含むシステム。
10. 移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する第１の取得手段と、
    前記第１の取得手段により取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習手段と、
    前記路盤上の診断場所に対応する前記複数の物理量に関する複数のデータであって、前記形式の前記複数のデータを、診断対象である診断データとして取得する第２の取得手段と、
    前記学習手段により学習された前記予測モデルと、前記第２の取得手段により取得された前記診断データと、に基づいて、前記診断場所に異常があるか否かを診断する診断手段と、
    を有し、
    前記移動体は、前記路盤上の軌条に沿って移動する車両であり、
    前記複数の物理量は、前記軌条の軌間のズレの幅を含むシステム。
11. 前記システムは、第１の情報処理装置と第２の情報処理装置とを含み、
    前記第１の情報処理装置は、
    前記第１の取得手段と、
    前記学習手段と、
    を有し、
    前記第２の情報処理装置は、
    前記第２の取得手段と、
    前記診断手段と、
    を有する請求項８乃至１０の何れか１項に記載のシステム。
12. 情報処理装置が実行する情報処理方法であって、
    移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する取得ステップと、
    前記取得ステップで取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習ステップと、
    を含み、
    前記加速度に関するデータは、前記センサに含まれる加速度センサにより測定された、前記移動体にかかる加速度の二乗平均のデータを含む情報処理方法。
13. 情報処理装置が実行する情報処理方法であって、
    移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する取得ステップと、
    前記取得ステップで取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習ステップと、
    を含み、
    前記角速度に関するデータは、前記センサに含まれる角速度センサにより測定された、前記移動体にかかる回転方向の角速度の二乗平均のデータを含む情報処理方法。
14. 情報処理装置が実行する情報処理方法であって、
    移動体が路盤上を移動する際に前記移動体に設置されたセンサにより測定されるセンサデータに基づいて決定される前記路盤上の場所に対応する複数の物理量に関する複数のデータであって、前記移動体に対してかかる複数の異なる方向の加速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の角速度に関するデータそれぞれと、前記移動体の複数の異なる回転方向の傾斜角に関するデータそれぞれと、のうちの少なくとも２つ以上のデータを含む前記複数のデータと前記場所における異常の有無を示す情報との対応情報を取得する取得ステップと、
    前記取得ステップで取得された前記対応情報に基づいて、前記複数のデータの形式の入力データを受付け、前記入力データに対応する場所の異常の有無を予測する予測モデルを学習する学習ステップと、
    を含み、
    前記移動体は、前記路盤上の軌条に沿って移動する車両であり、
    前記複数の物理量は、前記軌条の軌間のズレの幅を含む情報処理方法。
15. コンピュータを、請求項１乃至７の何れか１項に記載の情報処理装置の各手段として、機能させるためのプログラム。

Images