JP7442310B2 - Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model - Google Patents
Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model Download PDFInfo
- Publication number
- JP7442310B2 JP7442310B2 JP2019223815A JP2019223815A JP7442310B2 JP 7442310 B2 JP7442310 B2 JP 7442310B2 JP 2019223815 A JP2019223815 A JP 2019223815A JP 2019223815 A JP2019223815 A JP 2019223815A JP 7442310 B2 JP7442310 B2 JP 7442310B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- failure
- model
- prediction
- failure prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 claims description 56
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 53
- 238000007689 inspection Methods 0.000 description 20
- 230000007257 malfunction Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、改札機の故障予測を行うために用いる学習済みモデルの生成装置、学習済みモデルを用いて改札機の故障予測を行う故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデルに関する。 The present invention relates to a trained model generation device used to predict ticket gate failures, a failure prediction device that uses a learned model to predict ticket gate failures, a failure prediction system, a failure prediction program, and a learned model. Regarding.
従来、改札機の保守は、故障が発生する度に修理を行うと共に、1~6ヶ月毎に各改札機の保守点検を行っていた。また、できるだけ改札機の使用中に故障が発生することを防ぎ、効率的に保守点検を行うために、保守点検周期の見直しを随時行うこともあった。例えば、特許文献1に示されるように、継続的に改札機に設けられた各種センサの値等の稼働状況や故障の履歴を参照し、人為的に、各改札機の動作状況を判断して故障が発生しそうな改札機を抽出して、その改札機の保守点検の時期を早める等の保守点検周期の見直しを行っていた。
Conventionally, ticket gates have been maintained by repairing them every time a breakdown occurs, and by conducting maintenance and inspections on each ticket gate every 1 to 6 months. In addition, in order to prevent malfunctions during ticket gate use as much as possible and to carry out maintenance and inspection efficiently, maintenance and inspection cycles were sometimes reviewed from time to time. For example, as shown in
しかしながら、上記した、従来の各種センサの値等から人為的に改札機の保守点検の時期を見直す方法では、1つの部品が単独で故障する場合には、各種センサの値等からあらかじめ改札機の故障を予測することができるが、現実的には、十分に改札機の故障時期を判断することは困難であった。例えば、改札機は、複数の部品の動作精度が低下することにより、複合的に改札機の動作精度が低下し、改札機の故障に至ることも多い。統計的な手法により各種センサの値を人為的に整理し、ある程度の複合的な故障を予測することができる場合もあるが、現実的には改札機が故障に至る要因は非常に多岐にわたり、このような複数の部品の動作により総合的に生じる改札機の故障を人為的に予測することは事実上不可能であった。 However, with the above-mentioned method of artificially reconsidering the timing of maintenance and inspection of ticket gates based on the values of various sensors, etc., if one component breaks down independently, Although failures can be predicted, in reality it has been difficult to adequately determine when a ticket gate will fail. For example, in a ticket inspection machine, the operational accuracy of a plurality of parts decreases, resulting in a compounded reduction in the operational accuracy of the ticket inspection machine, which often leads to failure of the ticket inspection machine. In some cases, it is possible to predict a certain degree of complex failure by artificially organizing the values of various sensors using statistical methods, but in reality, there are a wide variety of factors that can lead to ticket gate failures. It has been virtually impossible to artificially predict failures in ticket gates that occur comprehensively due to the operations of such multiple parts.
本発明は、改札機の故障予測を精度良く行うことを目的とする。 An object of the present invention is to predict failures of ticket gates with high accuracy.
上記目的を達成するために、本発明の一実施形態に係る学習済みモデル生成装置は、改札機の故障予測を行うために用いる学習済みモデルを生成する学習済みモデル生成装置であって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するモデル用データ取得部と、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成する特徴量演算部と、前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するモデル生成部とを備える。 In order to achieve the above object, a trained model generation device according to an embodiment of the present invention is a trained model generation device that generates a trained model used for predicting failures of ticket gates. Receiving model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the ticket gates, and A model data acquisition unit that receives failure information when a failure occurs in each of the ticket gates during a first period, and calculates the model operation information and the model environment information to calculate the IC card usage rate and A feature calculation unit that generates a first feature that includes a differential value of the number of jammed regular tickets in a predetermined period , and machine learning that uses the first feature as input data and the failure information as training data, and a model generation unit that generates a first trained model that outputs failure prediction information for each of the ticket gates when the operation information and the environment information are input.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第1学習済みモデルを生成することができる。改札機は様々な部品から構成され、これらの部品の状態が複雑に組み合わされて改札機の故障に至る。これらの複雑な部品の状態を総合的に判断することは非常に困難であるところ、機械学習により多くの部品の状況と故障との関係を認識することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第1学習済みモデルを生成することができる。この第1学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができるようになる。 With such a configuration, it is possible to generate the first learned model used for predicting the failure of the ticket gate based on the operating information and environmental information that affect the failure of the ticket gate, and the failure information. A ticket gate is made up of various parts, and the conditions of these parts combine in a complex manner to cause the ticket gate to malfunction. It is extremely difficult to comprehensively judge the status of these complex parts, but machine learning can recognize the relationship between the status of many parts and failures. Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, it is possible to generate a first trained model that can accurately predict failures. By performing failure prediction using this first trained model, it becomes possible to accurately predict failures of ticket gates.
また、前記第1学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第1特徴量の中から第2特徴量を抽出する特徴量抽出部を備え、前記モデル生成部は、前記第2特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第2学習済みモデルを生成し、前記改札機の故障予測は前記第2学習済みモデルを用いて行われることが好ましい。 Also, a feature extraction unit that analyzes the first trained model and extracts a second feature from the first feature under predetermined conditions that take into account the degree of influence for outputting the failure prediction information. The model generation unit is configured to calculate the failure of each of the ticket gates when the operation information and the environment information are input by machine learning using the second feature amount as input data and the failure information as training data. It is preferable that a second trained model is generated that outputs predictive information, and that failure prediction of the ticket gate is performed using the second trained model.
このような構成により、故障予測に大きな影響を及ぼす第2特徴量を用いて第2学習済みモデルを生成することにより、故障予測精度のより高い第2学習済みモデルを生成することができる。この第2学習済みモデルを用いて故障予測を行うことにより、より精度良く改札機の故障予測を行うことができるようになる。 With such a configuration, it is possible to generate a second trained model with higher failure prediction accuracy by generating the second trained model using the second feature amount that has a large influence on failure prediction. By predicting failures using this second trained model, it becomes possible to predict failures of ticket gates with higher accuracy.
本発明の一実施形態に係る故障予測装置は、学習済みモデルを用いて改札機の故障予測を行う故障予測装置であって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第1特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するモデル取得部と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記モデル取得部を介して取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。 A failure prediction device according to an embodiment of the present invention is a failure prediction device that predicts a failure of a ticket gate using a trained model, and the failure prediction device predicts a failure of a ticket gate using a trained model, and the failure prediction device predicts a failure of a ticket gate using a trained model, and the failure prediction device predicts a failure of a ticket gate by using a learned model. The first feature quantity generated by calculating the model operation information that is the operation information of the ticket gate and the model environment information that is the environment information of the ticket gate is used as input data, and the first feature amount is set as input data. When the operation information and the environment information are inputted by machine learning using failure information when a failure occurs in each of the ticket gates as training data, failure prediction information including the failure probability of each of the ticket gates is generated. a model acquisition unit that acquires the learned model generated to output the predicted operation information that is the operation information that is acquired over time in a predetermined second period at each of the plurality of ticket gates; and a prediction data acquisition unit that receives the prediction environment information that is the environment information, and inputs the prediction operation information and the prediction environment information into the trained model acquired through the model acquisition unit. , and a failure prediction unit that outputs the failure prediction information of each of the ticket gates.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる学習済みモデルを取得し、この学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。 With this configuration, a trained model used for predicting failures of ticket gates is obtained, which is generated from operating information and environmental information that affect failures of ticket gates, and failure information, and this trained model is used to predict failures of ticket gates. Predictions can be made. Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, failures can be predicted using a learned model that can accurately predict failures, and ticket gate machine failures can be predicted with high accuracy.
本発明の一実施形態に係る故障予測システムは、前記学習済みモデル生成装置と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記学習済みモデル生成装置で生成された前記第1学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。 In the failure prediction system according to an embodiment of the present invention, the operation information for prediction is acquired over time in a predetermined second period in the learned model generation device and each of the plurality of ticket gates. a prediction data acquisition unit that receives the prediction environment information that is the information and the environment information, and the prediction operation information and the prediction environment information to the first trained model generated by the learned model generation device. and a failure prediction unit that inputs and outputs the failure prediction information of each of the ticket gates.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる第1学習済みモデルを取得し、この第1学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第1学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。 With such a configuration, a first trained model used for predicting a failure of a ticket gate generated from operating information and environmental information that influences a failure of a ticket gate, and failure information is obtained, and this first trained model is used to predict a failure of a ticket gate. Failure prediction can be performed using Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, failures can be predicted using the first learned model that can accurately predict failures, and failures of ticket gates can be predicted with high accuracy.
また、本発明の一実施形態に係る故障予測システムは、前記学習済みモデル生成装置と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記学習済みモデル生成装置で生成された前記第2学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。 Further, in the failure prediction system according to an embodiment of the present invention, the prediction that is the operation information is acquired over time in a predetermined second period in each of the learned model generation device and the plurality of ticket gates. a prediction data acquisition unit that receives the prediction operation information and the prediction environment information, which is the environment information; and a failure prediction unit that inputs information and outputs the failure prediction information of each of the ticket gates.
このような構成により、故障予測に大きな影響を及ぼす第2特徴量を用いて生成された第2学習済みモデルを取得することにより、より精度の高い第2学習済みモデルを用いて故障予測を行うことができ、より精度良く改札機の故障予測を行うことができる。 With such a configuration, by acquiring the second trained model generated using the second feature that has a large influence on failure prediction, failure prediction is performed using the second trained model with higher accuracy. This makes it possible to more accurately predict ticket gate machine failures.
本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第1特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。 A failure prediction program according to an embodiment of the present invention is a failure prediction program that uses a trained model to predict failures of ticket gates, and is configured to predict failures of ticket gates over time in each of the plurality of ticket gates in a predetermined first period. The first feature quantity generated by calculating the model operation information that is the operation information of the ticket gate and the model environment information that is the environment information of the ticket gate is used as input data, and the first feature amount is set as input data. When the operation information and the environment information are inputted by machine learning using failure information when a failure occurs in each of the ticket gates as training data, failure prediction information including the failure probability of each of the ticket gates is generated. a step of acquiring the trained model generated to output a step of receiving predictive environmental information that is environmental information; and inputting the predictive operating information and the predictive environmental information into the acquired trained model, and outputting the failure predictive information of each of the ticket gates; to cause the computer to perform the steps to cause the computer to perform the steps.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる学習済みモデルを取得し、この学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。 With this configuration, a trained model used for predicting failures of ticket gates is obtained, which is generated from operating information and environmental information that affect failures of ticket gates, and failure information, and this trained model is used to predict failures of ticket gates. Predictions can be made. Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, failures can be predicted using a learned model that can accurately predict failures, and ticket gate machine failures can be predicted with high accuracy.
また、本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成するステップと、前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、前記第1学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。 Further, a failure prediction program according to an embodiment of the present invention is a failure prediction program that predicts failures of ticket gates using a trained model, and is a failure prediction program that uses a learned model to predict failures of ticket gates, and that model operating information that is operating information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired during the first period, and a failure occurs in each of the ticket gates during the first period. a step of receiving failure information in the case of a jam, and calculating the operating information for the model and the environment information for the model to obtain a first information including an IC card usage rate and a differential value of the number of times that regular tickets are jammed in a predetermined period. When the operating information and the environment information are inputted, a step of generating a feature amount and machine learning using the first feature amount as input data and the failure information as training data determine the failure of each of the ticket gates. a step of generating a first trained model that outputs predictive information, and the predictive operating information that is the operating information and the environmental information that are acquired over time in a predetermined second period at each of the plurality of ticket gates. a step of inputting the predictive operation information and the predictive environmental information into the first trained model and outputting the failure predictive information of each of the ticket gates; have the computer execute it.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第1学習済みモデルを生成することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第1学習済みモデルを生成することができる。この第1学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができる。 With such a configuration, it is possible to generate the first learned model used for predicting the failure of the ticket gate based on the operating information and environmental information that affect the failure of the ticket gate, and the failure information. Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, it is possible to generate a first trained model that can accurately predict failures. By performing failure prediction using this first trained model, it is possible to accurately predict failure of the ticket gate.
また、本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成するステップと、前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するステップと、前記第1学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第1特徴量の中から第2特徴量を抽出するステップと、前記第2特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第2学習済みモデルを生成するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、前記第2学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。 Further, a failure prediction program according to an embodiment of the present invention is a failure prediction program that predicts failures of ticket gates using a trained model, and is a failure prediction program that uses a learned model to predict failures of ticket gates, and that model operating information that is operating information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired during the first period, and a failure occurs in each of the ticket gates during the first period. a step of receiving failure information in the case of a jam, and calculating the operating information for the model and the environment information for the model to obtain a first information including an IC card usage rate and a differential value of the number of times that regular tickets are jammed in a predetermined period. When the operating information and the environment information are inputted, a step of generating a feature amount and machine learning using the first feature amount as input data and the failure information as training data determine the failure of each of the ticket gates. a step of generating a first trained model that outputs prediction information; and analyzing the first trained model to generate the first feature amount under predetermined conditions that take into account the degree of influence for outputting the failure prediction information. A step of extracting a second feature quantity from among the ticket gates, and machine learning using the second feature quantity as input data and the failure information as teacher data, when the operation information and the environment information are input, each of the ticket gates generating a second trained model that outputs the failure prediction information of the machine; and predictive operation information that is the operation information acquired over time in a predetermined second period at each of the plurality of ticket gates. and a step of receiving prediction environment information which is the environment information, and inputting the prediction operation information and the prediction environment information into the second trained model to obtain the failure prediction information of each of the ticket gates. The computer executes the step of outputting the output.
このような構成により、故障予測に大きな影響を及ぼす第2特徴量を用いて第2学習済みモデルを生成することにより、故障予測精度のより高い第2学習済みモデルを生成することができる。この第2学習済みモデルを用いて故障予測を行うことにより、より精度良く改札機の故障予測を行うことができるようになる。 With such a configuration, it is possible to generate a second trained model with higher failure prediction accuracy by generating the second trained model using the second feature amount that has a large influence on failure prediction. By predicting failures using this second trained model, it becomes possible to predict failures of ticket gates with higher accuracy.
また、本発明の一実施形態に係る学習済みモデルは、改札機から取得された予測用稼働情報および予測用環境情報に基づいて、前記改札機の故障予測情報を出力するように、コンピュータを機能させるための学習済みモデルであって、ツリー構造に並んだ複数の分岐点からなる決定木で構成され、前記予測用稼働情報は前記改札機において所定の期間で経時的に取得される稼働情報であり、前記予測用環境情報は前記改札機において所定の期間で経時的に取得される環境情報であり、前記予測用稼働情報および前記予測用環境情報が入力され、前記予測用稼働情報および前記予測用環境情報からICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む複数の特徴量が算出され、それぞれの前記分岐点で対応する前記特徴量が演算されて前記特徴量に対応する評価値が算出されると共に、進行方向が決定されて次の前記分岐点に進行することを繰り返し、進行した前記分岐点で算出された前記評価値を合算することにより前記故障予測情報を算出して出力するように、コンピュータを機能させる。 Further, the trained model according to an embodiment of the present invention functions to cause a computer to output failure prediction information of the ticket gate based on the predictive operation information and predictive environment information acquired from the ticket gate. The model is a trained model that consists of a decision tree consisting of a plurality of branch points arranged in a tree structure, and the predictive operating information is operating information that is acquired over time at the ticket gate over a predetermined period. The predictive environmental information is environmental information acquired over time in a predetermined period at the ticket gate, and the predictive operational information and the predictive environmental information are input, and the predictive operational information and the predictive A plurality of feature quantities including the IC card usage rate and the differential value of the number of jammed regular tickets in a predetermined period are calculated from the usage environment information, and the corresponding feature quantity is calculated at each branch point to calculate the feature quantity. The failure prediction information is calculated by repeating the process of determining the direction of travel and proceeding to the next branch point, and adding up the evaluation values calculated at the branch points that have proceeded. Make the computer function to calculate and output.
このような構成により、学習済みモデルは、改札機の故障に影響を及ぼす稼働情報および環境情報を用いて改札機の故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能となる。 With such a configuration, the trained model can predict failures of ticket gates using operating information and environmental information that affect failures of ticket gates. Therefore, it is possible to recognize signs that the ticket gate is malfunctioning beyond human judgment, and the possibility of discovering signs that the ticket gate is malfunctioning is improved even in situations where it is difficult to judge manually. As a result, it becomes possible to predict failures with high accuracy.
また、複数の前記決定木が組み合わされて構成されても良い。 Furthermore, a plurality of decision trees may be combined.
このような構成により、複雑に関連し合った改札機の状況に応じた学習済みモデルを生成することができ、より精度良く故障予測を行うことが可能となる。 With such a configuration, it is possible to generate a trained model according to the complexly related situations of ticket gates, and it is possible to predict failures with higher accuracy.
また、前記故障予測情報は、それぞれの前記改札機が故障すると予測される時期を含んでも良い。 Further, the failure prediction information may include a time when each of the ticket gates is predicted to fail.
このような構成により、改札機が故障すると予想される期間を精度良く把握することができ、適切な時期に改札機の保守・点検を行うことができる。 With such a configuration, it is possible to accurately grasp the period during which the ticket gate is expected to malfunction, and maintenance and inspection of the ticket gate can be performed at an appropriate time.
また、複数の前記第1学習済みモデルが生成され、それぞれの前記第1学習済みモデルが出力する前記故障予測情報は、異なる期間の間に前記改札機が故障する確率を示しても良い。 Further, a plurality of first trained models may be generated, and the failure prediction information output by each of the first trained models may indicate a probability that the ticket gate will fail during different periods.
このような構成により、複数の学習済みモデルを用いて、改札機が故障するまでの期間が異なる複数の故障予測情報を出力することができる。そのため、改札機が故障すると予想される期間をより精度良く把握することができ、より適切な時期に改札機の保守・点検を行うことができる。 With such a configuration, it is possible to output a plurality of pieces of failure prediction information with different periods of time until the ticket gate breaks down, using a plurality of trained models. Therefore, it is possible to more accurately grasp the period during which the ticket gate is expected to malfunction, and maintenance and inspection of the ticket gate can be performed at a more appropriate time.
また、複数の前記第2学習済みモデルが生成され、それぞれの前記第2学習済みモデルが出力する前記故障予測情報は、異なる期間の間に前記改札機が故障する確率を示しても良い。 Further, a plurality of second trained models may be generated, and the failure prediction information output by each of the second trained models may indicate a probability that the ticket gate will fail during different periods.
このような構成により、複数の学習済みモデルを用いて、改札機が故障するまでの期間が異なる複数の故障予測情報を出力することができる。そのため、改札機が故障すると予想される期間をより精度良く把握することができ、より適切な時期に改札機の保守・点検を行うことができる。 With such a configuration, it is possible to output a plurality of pieces of failure prediction information with different periods until the ticket gate breaks down, using a plurality of trained models. Therefore, it is possible to more accurately grasp the period during which the ticket gate is expected to malfunction, and maintenance and inspection of the ticket gate can be performed at a more appropriate time.
また、前記故障予測情報は、故障すると予測される前記改札機の部位を含んでも良い。 Further, the failure prediction information may include a part of the ticket gate that is predicted to fail.
このような構成により、故障すると予測される改札機の部位を優先的に点検することにより、改札機の保守・点検を効率的に行うことができる。 With such a configuration, maintenance and inspection of the ticket gate can be efficiently performed by preferentially inspecting parts of the ticket gate that are predicted to malfunction.
また、それぞれの前記改札機の保守計画を生成すると共に、前記故障予測情報に基づいてそれぞれの前記保守計画を変更する保守計画部を備えても良い。 Further, it may include a maintenance planning section that generates a maintenance plan for each of the ticket gates and changes each of the maintenance plans based on the failure prediction information.
このような構成により、改札機の保守・点検を、より適切かつ効率的に行うことができ、動作中に改札機が故障することを抑制することができる。 With such a configuration, maintenance and inspection of the ticket gate can be performed more appropriately and efficiently, and failure of the ticket gate during operation can be suppressed.
さらに、本発明の一実施形態に係る学習済みモデル生成プログラムは、学習済みモデルを用いて改札機の故障予測を行うために用いる学習済みモデルを生成する学習済みモデル生成プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより第1特徴量を生成するステップと、前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するステップとをコンピュータに実行させる。 Furthermore, a trained model generation program according to an embodiment of the present invention is a trained model generation program that generates a trained model used for predicting failures of ticket gates using the trained model, and includes a plurality of trained models. Receiving model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the ticket gates, and a step of receiving failure information when a failure occurs in each of the ticket gates during a first period; and a step of generating a first feature amount by calculating the model operation information and the model environment information; First learning that outputs failure prediction information for each of the ticket gates when the operation information and the environment information are input by machine learning using the first feature amount as input data and the failure information as teacher data. and causing the computer to execute the step of generating a completed model.
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第1学習済みモデルを生成することができる。改札機は様々な部品から構成され、これらの部品の状態が複雑に組み合わされて改札機の故障に至る。これらの複雑な部品の状態を総合的に判断することは非常に困難であるところ、機械学習により多くの部品の状況と故障との関係を認識することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することにより、精度の高い故障予測を行うことが可能な第1学習済みモデルを生成することができる。この第1学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができるようになる。 With such a configuration, it is possible to generate the first learned model used for predicting the failure of the ticket gate based on the operating information and environmental information that affect the failure of the ticket gate, and the failure information. A ticket gate is made up of various parts, and the conditions of these parts combine in a complex manner to cause the ticket gate to malfunction. It is extremely difficult to comprehensively judge the status of these complex parts, but machine learning can recognize the relationship between the status of many parts and failures. Therefore, by recognizing signs of failure of the ticket gate beyond human judgment, it is possible to generate a first trained model that is capable of highly accurate failure prediction. By performing failure prediction using this first trained model, it becomes possible to accurately predict failures of ticket gates.
まず、図1を参照して、改札機1と、改札機1の保守・修理について説明する。
First, with reference to FIG. 1, the
改札機1は、鉄道の駅等に設置され、駅構内への入退場の管理を行う。改札機1は、切符に記録された情報を読み取り、情報に応じて入退場の適否を判断し、駅構内への入退場の管理を行う。切符として、普通券や定期券、SFカード(Stored Fare Card)、ICカード等が用いられる。改札機1は、投入口(図示せず)、読取部(図示せず)、アンテナ部(図示せず)、解析部(図示せず)、動作制御部(図示せず)、貯留部(図示せず)、搬送部(図示せず)、排出口(図示せず)等を備える。投入口は、普通券や定期券、SFカード等が投入される。読取部は、磁気等により記録された情報を読み取る。アンテナ部は、ICカード等と情報のやり取りを行う。解析部は、読取部やアンテナ部で取得した情報を解析する。動作制御部は、解析部の解析結果に応じて必要な動作を制御する。貯留部は、退場時等において管理が終了した普通券等を貯留する。搬送部は、投入口から投入された普通券等を、読取部を介して排出口や貯留部まで搬送する。排出口は、入場時等において、その後の退場時等に必要となる普通券等を排出する。また、投入口や読取部等の改札機1を構成する各部位には、これらの稼働情報6(図1参照)を取得する稼働センサ(図示せず)が設けられる。また、改札機1は、その内部または周辺に、温度や湿度、照度、気圧、天候等の環境情報7(図1参照)を取得する環境センサ(図示せず)を備える。
The
改札機1が故障すると、駅員等がメンテナンス会社等に故障を連絡するオンコールが行われる。オンコールでは、故障した改札機1を識別する情報と故障の状況とが連絡される。オンコールを受けたメンテナンス会社等の担当者は、該当する改札機1に赴き、修理を行う。また、それぞれの改札機1は、稼働中に故障することを抑制するために、保守計画に基づいて定期的に保守点検が行われる。
When the
次に、図1,図2を用いて、改札機の故障予測システムの全体構成の概略について説明する。 Next, the overall configuration of the ticket gate failure prediction system will be outlined using FIGS. 1 and 2.
1または複数の改札機1は、インターネット回線2に接続される。また、インターネット回線2には、学習済みモデル生成装置3と、故障予測実行部4と、サーバ5とが接続される。
One or
サーバ5は、それぞれの改札機1から、インターネット回線2を介して稼働情報6および環境情報7を経時的に取得し、記憶する。さらに、サーバ5は、それぞれの改札機1において行われたオンコールのオンコールデータ8を、インターネット回線2を介して経時的に取得し、記憶する。具体的には、オンコールデータ8は、改札機1から直接サーバ5に送信されても良いが、一旦コールセンターに集約され、コールセンターからサーバ5や学習済みモデル生成装置に送信されても良い。
The
学習済みモデル生成装置3は、まず、サーバ5からインターネット回線2を介して、所定の期間(第一期間に相当)の間に取得された、それぞれの改札機1に対応する、稼働情報6,環境情報7およびオンコールデータ8を取得する(図2のステップ#1)。
The trained
次に、学習済みモデル生成装置3は、稼働情報6をモデル用稼働情報20(図3参照)、環境情報7をモデル用環境情報21(図3参照)として、改札機1ごとに、モデル用稼働情報20およびモデル用環境情報21を演算して、学習済みモデルを生成するための特徴量(第1特徴量に相当)を算出する(図2のステップ#2)。また、学習済みモデル生成装置3は、改札機1ごとに、オンコールデータ8から故障情報を抽出する。なお、以下の説明では、抽出された故障情報を単にオンコールデータ8とも称す(図2のステップ#3)。
Next, the trained
次に、学習済みモデル生成装置3は、算出された特徴量を機械学習用の入力データとし、抽出した故障情報を教師データとして、同一の改札機1に対応する特徴量と故障情報とを関連付けてAI(人工知能)9により機械学習を行い、予測用の稼働情報6(予測用稼働情報に相当)および予測用の環境情報7(予測用環境情報に相当)を入力することにより、改札機1の故障予測情報を出力する学習済みモデル10を生成する(図2のステップ#4)。ここで、AI9は、インターネット回線2上に設けられても良いし、学習済みモデル生成装置3内に設けられても良い。なお、学習済みモデル生成装置3の具体的な構成については、後に詳述する。
Next, the trained
その後、サーバ5は、それぞれの改札機1から、インターネット回線2を介して、故障予測を行うために用いる、稼働情報6および環境情報7を取得し、記憶する(図2のステップ#5)。
Thereafter, the
次に、故障予測実行部4は、インターネット回線2を介して、サーバ5に記憶された稼働情報6および環境情報7を取得する。そして、故障予測実行部4は、改札機1ごとに、所定の期間(第二期間)に継続的に取得された稼働情報6を予測用稼働情報とし、所定の期間(第二期間)に継続的に取得された環境情報7を予測用環境情報として、予測用稼働情報および予測用環境情報を学習済みモデル10に入力して、改札機1ごとの故障予測情報11を出力する(図2のステップ#6)。なお、故障予測実行部4の具体的な構成については、後に詳述する。
Next, the failure
さらに、インターネット回線2に接続される保守計画部12が設けられても良い。保守計画部12は、各改札機1の保守計画を策定すると共に、故障予測情報11に基づいて、故障する可能性の高い改札機1の保守の優先度を必要に応じて高めるように、保守計画を変更する(図2のステップ#7)。なお、保守計画部12の具体的な構成については、後に詳述する。
Furthermore, a
このように、本実施形態では、各改札機1の稼働情報6および環境情報7を所定の期間収集し、これらを演算して、故障の予測に適した情報を算出して入力データとし、入力データに、実際に発生したオンコールデータ8をラベル付して教師データとして機械学習された学習済みモデル10を用いて故障予測が行われる。そのため、大量の情報を総合的に判断して故障予測を行うことができ、改札機1の故障予測を精度良く行うことができる。特に、改札機1の故障の要因は非常に多く、かつ、互いに複合的に作用しているため、人為的に改札機1から取得した情報から故障を判断することは困難であったところ、機械学習を用いて学習済みモデル10を生成するため、より多くの情報を複合的に判断して故障予測を行うことができる。また、人為的に必要な情報を選択し、それらの相関関係から故障を予測することをプログラムを用いて行うことも不可能ではないが、必要な情報を選択し、それらの相関関係を導くことは結局人為的に行わざるを得ず、改札機1の複雑さを考慮すると現実的ではない。そのため、そのようなプログラムを用いた場合に比べ、上記のように学習済みモデル10を生成して故障予測を行うことにより、より容易かつ精度の高い故障予測を行うことが可能となる。また、改札機1において、気圧・湿度といった気象状況等の環境によって故障に及ぼす影響が変化する。例えば、環境によって切符のつまりやすさが変わったり、電子機器の動作精度に与える影響が変わったりする。そのため、環境情報を入力データに含めて機械学習することにより、稼働情報と環境情報との複雑な相互作用を考慮した学習済みモデル10を生成することができる。そして、精度の高い故障予測に基づいて保守計画を見直すことができるため、実動作中の改札機1が故障する可能性を低減することができる。
In this way, in this embodiment, the operating
〔学習済みモデル生成装置〕
次に、学習済みモデル生成装置3の具体的な構成例について、図1,2を参照しながら図3~図6を用いて説明する。
[Trained model generation device]
Next, a specific example of the configuration of the trained
学習済みモデル生成装置3は、データ通信部13、モデル用データ取得部14、記憶部15、生成制御部16、モデル生成部17、特徴量演算部18、特徴量抽出部19を備える。
The trained
データ通信部13は、インターネット回線2を介して、改札機1やAI9等との間でデータの送受信を行う。モデル用データ取得部14は、データ通信部13で受信した改札機1のモデル用稼働情報20およびモデル用環境情報21とオンコールデータ8とを取得し、記憶部15に記憶させる(図4のステップ#1)。モデル用稼働情報20およびモデル用環境情報21は、改札機1から取得される稼働情報6と環境情報7とを所定の期間(第一期間)にわたり経時的に収集した情報である。所定の期間は任意に設定できるが、例えば1ヶ月間とすることができ、故障予測を行う月の前月の1ヶ月間でも良いし、直前の1ヶ月間でも良い。モデル用稼働情報20およびモデル用環境情報21は、各改札機1から取得され、改札機1にひも付けられた情報であり、例えば、合計で2000個の情報(特徴量)からなる。また、記憶部15は、モデル用稼働情報20およびモデル用環境情報21、オンコールデータ8の他にも、後述の学習用入力データ22や、第1学習済みモデル23、第2学習済みモデル24等の各種データを記憶する。生成制御部16はCPUやGPU等のプロセッサを備え、モデル生成部17や特徴量演算部18等の学習済みモデル生成装置3の動作を制御する。
The
特徴量演算部18は、生成制御部16の制御に基づいて、モデル用稼働情報20およびモデル用環境情報21のうちの少なくともモデル用稼働情報20の一部を演算して第1特徴量25を算出する(図4のステップ#2)。例えば、図5に示すように、第1特徴量25は、稼働情報6のうちのICカード、普通券、定期券、SFカードのそれぞれの使用回数から、1日当たりのICカードの利用率が算出される。さらに、第1特徴量25として、ICカードの利用率の3日間の合計や平均値、7日間の合計や平均値が算出されても良い。他にも、所定の期間における普通券がつまった回数の微分値等が第1特徴量25として算出される。このように、第1特徴量25は、モデル用稼働情報20およびモデル用環境情報21に、演算された項目およびその値が加えられて構成される。その結果、第1特徴量25は、例えば、合計で20000個の情報(特徴量)からなる。第1特徴量25は、改札機1の故障に影響を及ぼす可能性のある情報であり、これらの情報を多く生成し、複合的に判断することにより、改札機1の故障を精度良く予測できるようになる。
The
モデル生成部17はCPUやGPU等のプロセッサを備え、生成制御部16の制御に基づいて、入力データが第1特徴量25で、教師データがオンコールデータ8(故障情報)である学習用入力データ22をAI9に入力して機械学習させ、第1学習済みモデル23を生成する(図4のステップ#3)。オンコールデータ8は、改札機1が故障した際に行われるオンコールの情報と、オンコールに伴って行われる修理の結果を含む情報であり、オンコール毎に蓄積される。そのため、オンコールデータ8は種々の情報を含み、図6に示すように、オンコールデータ8から抽出される故障情報は、少なくとも、対象となる改札機1を識別するIDと、オンコールが行われたコール日時と、オンコール内容と、修理の結果判明した故障部位と、故障要因とを含んで構成される。
The
特徴量抽出部19は、生成制御部16の制御に基づいて、第1特徴量25を第1学習済みモデル23に入力して解析し、各特徴量の故障予測への影響度を求める。そして、特徴量抽出部19は、生成制御部16の制御に基づいて、20000個の特徴量から故障予測への影響度が大きいものから順に、例えば100個抽出し、この抽出された100個の特徴量を第2特徴量26とする(図4のステップ#4)。
The
そして、モデル生成部17は、生成制御部16の制御に基づいて、入力データが第2特徴量26で、教師データがオンコールデータ8である学習用入力データ27をAI9に入力して機械学習させ、第2学習済みモデル24を生成する(図4のステップ#5)。
Then, under the control of the
なお、第1学習済みモデル23および第2学習済みモデル24は、所定の予測期間、例えは7日以内に、改札機1が故障するか否かの故障予測を行うために用いられるモデルである。また、第1学習済みモデル23および第2学習済みモデル24は、例えば、決定木である。このような決定木構造の第1学習済みモデル23および第2学習済みモデル24は、決定木の各分岐点で所定の特徴量(第1特徴量25または第2特徴量26)の評価を行い、分岐点毎に、評価結果に応じた評価値(故障確率)が付与されていく構造である。そして、決定木の分岐に沿って評価値が合算されて故障予測情報が求められる。なお、第1学習済みモデル23および第2学習済みモデル24は、複数の決定木が関連して設けられる、XGBoostやRandom Forest、LightGBM、CatBoost、AdaBoost等のアンサンブルモデルであっても良い。
Note that the first trained
このように、稼働情報6および環境情報7から、改札機1の故障に影響を及ぼす可能性のある特徴量を選定し、これらを故障への影響度が明確となるように演算して特徴量を追加して第1特徴量25を生成する。そして、故障への影響が大きいと推測されるこれらの第1特徴量25を入力データとして第1学習済みモデル23を生成する。そのため、各特徴量の相互作用が適格に反映された故障予測を行うことができ、改札機1の故障予測を精度良く行うことができる。
In this way, from the
さらに、第1学習済みモデル23を用いて第1特徴量25を解析し、故障への影響度が大きい特徴量を抽出して第2特徴量26とし、これらの第2特徴量26を入力データとして第2学習済みモデル24を生成する。その結果、故障予測精度がより高い第2学習済みモデル24を用いて故障予測を行うことができ、改札機1の故障予測をより精度良く行うことができる。
Furthermore, the
〔故障予測実行部〕
次に、故障予測実行部4の具体的な構成例について、図1,2を参照しながら図3,図7を用いて説明する。
[Failure prediction execution unit]
Next, a specific configuration example of the failure
故障予測実行部4は、データ通信部28、モデル取得部29、予測用データ取得部30、記憶部31、予測制御部32、故障予測部33を備える。
The failure
データ通信部28は、インターネット回線2を介して、改札機1や学習済みモデル生成装置3等との間でデータの送受信を行う。モデル取得部29は、データ通信部13を介して、学習済みモデル生成装置3から、故障予測に用いる学習済みモデルである、第1学習済みモデル23または第2学習済みモデル24を取得し、記憶部31に記憶させる(図7のステップ#1)。予測用データ取得部30は、データ通信部13で受信した改札機1の予測用稼働情報34および予測用環境情報35を取得し、記憶部31に記憶させる(図7のステップ#2)。予測用稼働情報34および予測用環境情報35は、改札機1から取得される稼働情報6と環境情報7とを所定の期間(第二期間)にわたり経時的に収集した情報である。所定の期間は任意に設定できるが、例えば、故障予測を行う前日である。予測制御部32はCPU等のプロセッサを備え、故障予測部33等の動作を制御する。
The
故障予測部33は、予測制御部32の制御に基づいて、予測用稼働情報34および予測用環境情報35を学習済みモデルに入力して故障予測を行い(図7のステップ#3)、故障予測情報36を記憶部31に格納した後出力する(図7のステップ#4)。学習済みモデルは、本実施形態では第2学習済みモデル24であるが、第1学習済みモデル23を用いることも可能である。
The
故障予測情報36は、予測期間内に、改札機1のそれぞれが故障する確率を示すものである。予測期間が7日である場合、7日以内に改札機1が故障する確率が、それぞれの改札機1ごとに0以上1以下の値で示される。この値は、1に近づくほど故障する確率が高くなることを示す。故障予測情報36は、第2学習済みモデル24が決定木で構成される場合、予測用稼働情報34および予測用環境情報35から第2特徴量26を算出し、各分岐点で第2特徴量26の評価を行い、分岐点を通過する毎に評価値を足し合わせていくことにより導出される。
The
なお、第2学習済みモデル24を用いて行った故障予測を以下のような条件で検証した。第一期間を4ヶ月、第1特徴量25を19303個として第2学習済みモデル24を生成し、その後1ヶ月間故障予測を行った。その結果、モデル精度はAUC(Area under an ROC curve):75.31%、Precision(空振りしない率):10%、Recall(見逃ししない率):70%となった。このことから、本実施形態によると、従来の人為的な判断に基づく保守計画を行った場合に比べて精度良く故障を予測でき、本実施形態の故障予測を行った場合に改札機1が実動作中に故障する確率は、従来に比べて飛躍的に低減することがうかがわれる。
Note that the failure prediction performed using the second learned
さらに、故障予測情報36として、各改札機1において、故障することが予測される故障部位がその故障確率と共に出力されても良い。例えば、各改札機1において、故障する確率の高い上位3か所の部位が出力される。
Further, as the
故障予測において、各第2特徴量26の評価値が算出される。各改札機1の部位ごとの故障確率は、各第2特徴量26の評価値のうちの、各部位の故障に影響があるとあらかじめ定められた第2特徴量26の評価値を足し合わせることにより求めることができる。故障予測情報36として、改札機1ごとに、故障する確率が高い部位が、故障する確率と共に出力される。
In failure prediction, an evaluation value of each
このように、故障に影響が大きいと推測される特徴量(第1特徴量25,第2特徴量26)を用いて機械学習された学習済みモデル(第1学習済みモデル23,第2学習済みモデル24)を用いて故障予測を行うため、改札機1の故障予測を精度良く行うことができる。特に、故障予測への影響の大きさを考慮して抽出された第2特徴量26を用いて機械学習された第2学習済みモデル24を用いて故障予測を行うことにより、改札機1の故障予測をより精度良く行うことができる。その結果、故障予測情報36に基づいて、故障する確率の高い改札機1に対して保守すべき期限が明確となり、保守計画の周期・時期を見直して、より適切に保守・点検を行うことが可能となる。
In this way, the trained models (first trained
また、改札機1ごとに故障する確率の高い部位を出力することにより、重点的に保守・点検するべき部位が明確となり、効率的に保守・点検を行うことが可能になる。
In addition, by outputting the parts with a high probability of failure for each
〔保守計画〕
故障予測実行部4は、さらに保守計画部37を備えても良い。保守計画部37は、まず、各改札機1に対して定期的に保守・点検を行う保守計画を定める。その上で、保守計画部37は、上記故障予測情報36に基づいて、各改札機1に対して、故障することが予想される期限内に保守・点検が行われるように、保守計画を変更する。
[Maintenance plan]
The failure
保守計画部37は図示しない表示装置と接続される構成であっても良い。保守計画部37は、表示装置に保守計画や故障予測情報36を表示する。保守の担当者・管理者等は、表示装置に表示された保守計画や故障予測情報36を参照しながら、保守計画をさらに見直すこともできる。
The
このように、故障予測情報36に基づいて保守計画を変更することにより、効率的に保守・点検を行いながら、故障前に改札機1の保守・点検を行い、動作中の改札機1が故障することを抑制することができる。
In this way, by changing the maintenance plan based on the
なお、保守計画部37は、故障予測実行部4が備える構成に限らず、任意の箇所に設けられても良い。例えば、保守計画部37は、図1に示す保守計画部12のように、インターネット回線2に接続される構成としても良い。
Note that the
〔別実施形態〕
(1)上記実施形態において、学習済みモデル生成装置3および故障予測実行部4の構成は、上述の機能ブロックに分割する場合に限らず、学習済みモデル生成装置3および故障予測実行部4の機能を実現できれば、機能ブロックの構成は任意である。例えば、生成制御部16、モデル生成部17、特徴量演算部18、特徴量抽出部19の機能ブロックは、このような構成に限らず、互いの機能の一部または全部を統合した機能ブロックにより構成されても良いし、それぞれの機能ブロックをさらに細分化した機能ブロックから構成されても良い。また、上記実施形態において、学習済みモデル生成装置3および故障予測実行部4の機能の一部または全部は統合された構成であっても良い。
[Another embodiment]
(1) In the above embodiment, the configuration of the learned
(2)上記各実施形態において、学習済みモデル生成装置3は単独で、学習済みモデルを生成して完結し、故障予測実行部4に学習済みモデルを送信しない構成であっても良い。逆に、故障予測実行部4は、学習済みモデル生成装置3で生成された学習済みモデルを用いず、別途生成された学習済みモデルを用いて故障予測を行っても良い。
(2) In each of the above embodiments, the learned
(3)上記各実施形態において、学習済みモデル生成装置3が実現する学習済みモデル生成方法および故障予測実行部4が実現する故障予測方法の一部または全部は、上記装置構成に限らず、任意の構成で実現することができる。また、学習済みモデル生成装置3が実現する学習済みモデル生成方法および故障予測実行部4が実現する故障予測方法の一部または全部は、プログラムにより実現されても良い。プログラムは記憶部15や記憶部31等の任意の記録装置に記憶され、生成制御部16が備えるCPUやGPU等の任意のプロセッサ(コンピュータに相当)がこのプログラムを実行する。
(3) In each of the above embodiments, part or all of the learned model generation method realized by the learned
(4)上記各実施形態において、オンコールデータ8は、オンコールの情報のみを含み、修理の結果を含まない構成としても良い。この場合、オンコールデータ8(故障情報)は、対象となる改札機1を識別するIDと、オンコールが行われたコール日時と、オンコール内容から構成される。なお、オンコール内容は、オンコールが行われたか否かを示す情報のみであっても良く、この場合のオンコールデータ8(故障情報)は、対象となる改札機1を識別するIDと、オンコールが行われたコール日時と、オンコールの有無から構成されることとなる。
(4) In each of the embodiments described above, the on-
(5)上記各実施形態において、学習済みモデル生成装置3は、特徴量抽出部19を備えず、第2特徴量26および第2学習済みモデル24を生成しない構成としても良い。この場合、学習済みモデル生成装置3は、第1特徴量25および第1学習済みモデル23のみを生成する。
(5) In each of the embodiments described above, the trained
(6)上記各実施形態において、予測期間が7日である場合のみの故障予測を行う構成に限らず、異なる複数の予測期間の間に故障する確率をそれぞれ出力する故障予測を行っても良い。例えば、予測期間として、1ヶ月、14日、7日、3日を設定し、故障予測として、各改札機1が、1ヶ月以内に故障する確率、14日以内に故障する確率、7日以内に故障する確率、3日以内に故障する確率を出力する。この場合、第1学習済みモデル23および第2学習済みモデル24は、1ヶ月以内に故障する確率を求めるための学習済みモデル、14日以内に故障する確率を求めるための学習済みモデル、7日以内に故障する確率を求めるための学習済みモデル、3日以内に故障する確率を求めるための学習済みモデルの4種類が生成される。そして、故障予測実行部4は、4種類の第1学習済みモデル23または4種類の第2学習済みモデル24を用いて故障予測を行い、4種類の故障予測情報36を出力する。
(6) In each of the above embodiments, the configuration is not limited to the configuration in which failure prediction is performed only when the prediction period is 7 days, but failure prediction may be performed that outputs the probability of failure during a plurality of different prediction periods. . For example, the prediction period is set to 1 month, 14 days, 7 days, and 3 days, and the failure predictions are the probability that each
これにより、複数の期間の間に故障する確率が示され、保守・点検を行うべきタイミングをより的確に把握することができる。これに伴い、保守計画の変更もより的確に行うことができる。 This shows the probability of failure during a plurality of periods, making it possible to more accurately grasp the timing at which maintenance and inspection should be performed. Accordingly, maintenance plans can be changed more accurately.
(7)上記各実施形態において、第1学習済みモデル23および第2学習済みモデル24は、故障予測の実施に伴って更新されても良い。所定の期間に行われた故障予測にて使用された、予測用稼働情報34および予測用環境情報35を、第1学習済みモデル23または第2学習済みモデル24に入力して機械学習させることにより、第1学習済みモデル23または第2学習済みモデル24が更新される。この際、これらの予測用稼働情報34および予測用環境情報35を用いて故障予測された結果と、保守・修理を行った結果が教師データに加えられても良い。
(7) In each of the above embodiments, the first trained
このように、故障予測に伴って学習済みモデルを更新することにより、学習済みモデルの精度が向上し、より精度の高い故障予測を行うことが可能となる。 In this way, by updating the learned model in conjunction with failure prediction, the accuracy of the learned model improves, making it possible to perform more accurate failure prediction.
(8)上記各実施形態において、改札機1は環境センサを備えない構成とすることもできる。この場合、稼働情報6とオンコールデータ8(故障情報)から学習済みモデル10が生成され、故障予測の際には、稼働情報6が学習済みモデル10に入力される。さらに、その他の情報が学習済みモデル10の生成に用いられても良く、稼働情報6、環境情報7、その他の情報のうちのいずれかの情報が組み合わされて学習済みモデル10の生成に用いられても良い。
(8) In each of the above embodiments, the
環境情報7は故障予測に大きな影響を及ぼさない場合がある。このような場合、環境センサを備えない構成とすることで、改札機1をより簡易な構成とすることができる。
The
(9)改札機1、学習済みモデル生成装置3、故障予測実行部4、保守計画部12は、インターネット回線2に接続される構成に限らず、互いに任意の構成でデータの受け渡しが可能な構成であれば良い。例えば、これらの機器は、機器間の少なくとも一部が、インターネット回線2以外のイントラネット等のネットワーク回線に接続されても良く、LAN等の専用回線で送受信可能な構成でも良く、記憶媒体を介してデータの受け渡しを行う構成であっても良い。
(9) The
(10)学習済みモデル10の生成に用いられる故障情報は、オンコールデータ8から抽出されても良いが、オンコールデータ8以外から入手されても良い。例えば、改札機1の管理者が判断して故障情報を作成し、インターネット回線2等を介して学習済みモデル生成装置3に入力しても良いし、改札機1が自身で故障を判断し、故障情報を生成して、インターネット回線2等を介して学習済みモデル生成装置3に入力しても良い。
(10) The failure information used to generate the trained
本発明は、鉄道の駅やその他の交通機関の駅に設置される改札機に限らず、テーマパーク等の各種施設に設置される改札機における、学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデルに適用することができる。 The present invention provides a trained model generation device, a failure prediction device, and a failure prediction device for use not only in ticket gates installed in railway stations and other transportation stations, but also in ticket gates installed in various facilities such as theme parks. It can be applied to systems, failure prediction programs, and trained models.
1 改札機
2 インターネット回線
3 学習済みモデル生成装置
4 故障予測実行部
5 サーバ
6 稼働情報
7 環境情報
8 オンコールデータ
9 AI
10 学習済みモデル
11 故障予測情報
12 保守計画部
13 データ通信部
14 モデル用データ取得部
15 記憶部
16 生成制御部
17 モデル生成部
18 特徴量演算部
19 特徴量抽出部
20 モデル用稼働情報
21 モデル用環境情報
22 学習用入力データ
23 第1学習済みモデル(学習済みモデル)
24 第2学習済みモデル(学習済みモデル)
25 第1特徴量(特徴量)
26 第2特徴量(特徴量)
27 学習用入力データ
28 データ通信部
29 モデル取得部
30 予測用データ取得部
31 記憶部
32 予測制御部
33 故障予測部
34 予測用稼働情報
35 予測用環境情報
36 故障予測情報
37 保守計画部
1
10 Learned
24 Second trained model (trained model)
25 First feature amount (feature amount)
26 Second feature amount (feature amount)
27
Claims (10)
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するモデル用データ取得部と、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成する特徴量演算部と、
前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するモデル生成部とを備える学習済みモデル生成装置。 A trained model generation device that generates a trained model used to predict failures of ticket gates,
Receiving model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the plurality of ticket gates; , a model data acquisition unit that receives failure information when a failure occurs in each of the ticket gates during the first period;
a feature amount calculation unit that generates a first feature amount including an IC card usage rate and a differential value of the number of jammed regular tickets in a predetermined period by calculating the model operation information and the model environment information;
First learning that outputs failure prediction information for each of the ticket gates when the operation information and the environment information are input by machine learning using the first feature amount as input data and the failure information as teacher data. A trained model generation device comprising a model generation unit that generates a trained model.
前記モデル生成部は、前記第2特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第2学習済みモデルを生成し、前記改札機の故障予測は前記第2学習済みモデルを用いて行われる請求項1に記載の学習済みモデル生成装置。 a feature extraction unit that analyzes the first learned model and extracts a second feature from the first feature under predetermined conditions that take into account the degree of influence for outputting the failure prediction information; ,
The model generation unit generates the failure prediction information of each of the ticket gates when the operation information and the environment information are input by machine learning using the second feature amount as input data and the failure information as training data. 2. The learned model generation device according to claim 1, wherein a second learned model is generated to be output, and failure prediction of the ticket gate is performed using the second learned model.
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第1特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するモデル取得部と、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記モデル取得部を介して取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測装置。 A failure prediction device that predicts failures of ticket gates using a trained model,
Calculating model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the plurality of ticket gates. The operation information and the environment information are input by machine learning using the first feature generated by the above as input data and failure information when a failure occurs in each of the ticket gates during the first period as training data. a model acquisition unit that acquires the trained model generated to output failure prediction information including a failure probability of each of the ticket gates;
a prediction data acquisition unit that receives prediction operation information that is the operation information and prediction environment information that is the environment information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
a failure prediction unit that inputs the prediction operation information and the prediction environment information into the trained model acquired via the model acquisition unit and outputs the failure prediction information of each ticket gate. Failure prediction device.
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記学習済みモデル生成装置で生成された前記第1学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測システム。 The trained model generation device according to claim 1;
a prediction data acquisition unit that receives prediction operation information that is the operation information and prediction environment information that is the environment information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
a failure prediction unit that inputs the predictive operation information and the predictive environment information to the first trained model generated by the trained model generation device and outputs the failure predictive information of each ticket gate; A failure prediction system equipped with
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記学習済みモデル生成装置で生成された前記第2学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測システム。 The trained model generation device according to claim 2;
a prediction data acquisition unit that receives prediction operation information that is the operation information and prediction environment information that is the environment information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
a failure prediction unit that inputs the predictive operation information and the predictive environment information to the second trained model generated by the trained model generation device and outputs the failure predictive information of each ticket gate; A failure prediction system equipped with
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第1特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 A failure prediction program that predicts failures of ticket gates using a trained model,
Calculating model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the plurality of ticket gates. The operation information and the environment information are input by machine learning using the first feature generated by the above as input data and failure information when a failure occurs in each of the ticket gates during the first period as training data. then, obtaining the trained model generated to output failure prediction information including the failure probability of each of the ticket gates;
a step of receiving predictive operating information that is the operating information and predictive environmental information that is the environmental information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
A failure prediction program that causes a computer to execute the step of inputting the prediction operation information and the prediction environment information into the acquired trained model and outputting the failure prediction information of each of the ticket gates.
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成するステップと、
前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
前記第1学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 A failure prediction program that predicts failures of ticket gates using a trained model,
Receiving model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the plurality of ticket gates; , receiving failure information when a failure occurs in each of the ticket gates during the first period;
generating a first feature amount including an IC card usage rate and a differential value of the number of jammed regular tickets in a predetermined period by calculating the model operation information and the model environment information;
First learning that outputs failure prediction information for each of the ticket gates when the operation information and the environment information are input by machine learning using the first feature amount as input data and the failure information as teacher data. a step of generating a completed model;
a step of receiving predictive operating information that is the operating information and predictive environmental information that is the environmental information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
A failure prediction program that causes a computer to execute the step of inputting the predictive operation information and the predictive environment information into the first trained model and causing the computer to output the failure predictive information of each of the ticket gates.
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第1特徴量を生成するステップと、
前記第1特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第1学習済みモデルを生成するステップと、
前記第1学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第1特徴量の中から第2特徴量を抽出するステップと、
前記第2特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第2学習済みモデルを生成するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
前記第2学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 A failure prediction program that predicts failures of ticket gates using a trained model,
Receiving model operation information that is operation information of the ticket gate and model environment information that is environmental information of the ticket gate, which are acquired over time in a predetermined first period in each of the plurality of ticket gates; , receiving failure information when a failure occurs in each of the ticket gates during the first period;
generating a first feature amount including an IC card usage rate and a differential value of the number of jammed regular tickets in a predetermined period by calculating the model operation information and the model environment information;
First learning that outputs failure prediction information for each of the ticket gates when the operation information and the environment information are input by machine learning using the first feature amount as input data and the failure information as teacher data. a step of generating a completed model;
analyzing the first trained model and extracting a second feature from among the first features under predetermined conditions that take into account the degree of influence for outputting the failure prediction information;
A second learned machine that outputs the failure prediction information of each of the ticket gates when the operation information and the environment information are input by machine learning using the second feature amount as input data and the failure information as teacher data. a step of generating a model;
a step of receiving predictive operating information that is the operating information and predictive environmental information that is the environmental information, which are acquired over time in a predetermined second period at each of the plurality of ticket gates;
A failure prediction program that causes a computer to execute a step of inputting the predictive operation information and the predictive environment information into the second trained model and causing the computer to output the failure predictive information of each of the ticket gates.
ツリー構造に並んだ複数の分岐点からなる決定木で構成され、
前記予測用稼働情報は前記改札機において所定の期間で経時的に取得される稼働情報であり、前記予測用環境情報は前記改札機において所定の期間で経時的に取得される環境情報であり、
前記予測用稼働情報および前記予測用環境情報が入力され、前記予測用稼働情報および前記予測用環境情報からICカード利用率及び所定の期間における普通券がつまった回数の微分値を含む複数の特徴量が算出され、それぞれの前記分岐点で対応する前記特徴量が演算されて前記特徴量に対応する評価値が算出されると共に、進行方向が決定されて次の前記分岐点に進行することを繰り返し、進行した前記分岐点で算出された前記評価値を合算することにより前記故障予測情報を算出して出力するように、コンピュータを機能させるための学習済みモデル。 A learned model for operating a computer to output failure prediction information of the ticket gate based on predictive operation information and predictive environment information acquired from the ticket gate,
It consists of a decision tree consisting of multiple branch points arranged in a tree structure,
The predictive operating information is operational information that is acquired over time at the ticket gate over a predetermined period, and the predictive environmental information is environmental information that is acquired over time over a predetermined period at the ticket gate.
The predictive operating information and the predictive environmental information are input, and a plurality of features including an IC card usage rate and a differential value of the number of times regular tickets are jammed in a predetermined period are obtained from the predictive operational information and the predictive environmental information. The amount is calculated, the corresponding feature amount is calculated at each of the branch points, an evaluation value corresponding to the feature amount is calculated, and a traveling direction is determined to determine whether to proceed to the next branch point. A learned model for causing a computer to function so as to calculate and output the failure prediction information by repeatedly summing up the evaluation values calculated at the progressed branch points.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019223815A JP7442310B2 (en) | 2019-12-11 | 2019-12-11 | Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019223815A JP7442310B2 (en) | 2019-12-11 | 2019-12-11 | Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021093019A JP2021093019A (en) | 2021-06-17 |
JP7442310B2 true JP7442310B2 (en) | 2024-03-04 |
Family
ID=76313166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019223815A Active JP7442310B2 (en) | 2019-12-11 | 2019-12-11 | Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7442310B2 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (en) | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | Remote supervisory system |
JP2011113305A (en) | 2009-11-26 | 2011-06-09 | Nippon Conlux Co Ltd | Banknote processing apparatus |
JP2018045516A (en) | 2016-09-15 | 2018-03-22 | 三菱重工業株式会社 | Classification device, classification method, and program |
JP2018147080A (en) | 2017-03-02 | 2018-09-20 | 富士ゼロックス株式会社 | Information processor and information processing program |
JP2018195133A (en) | 2017-05-18 | 2018-12-06 | 富士ゼロックス株式会社 | Information processing apparatus and information processing program |
-
2019
- 2019-12-11 JP JP2019223815A patent/JP7442310B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135412A (en) | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | Remote supervisory system |
JP2011113305A (en) | 2009-11-26 | 2011-06-09 | Nippon Conlux Co Ltd | Banknote processing apparatus |
JP2018045516A (en) | 2016-09-15 | 2018-03-22 | 三菱重工業株式会社 | Classification device, classification method, and program |
JP2018147080A (en) | 2017-03-02 | 2018-09-20 | 富士ゼロックス株式会社 | Information processor and information processing program |
JP2018195133A (en) | 2017-05-18 | 2018-12-06 | 富士ゼロックス株式会社 | Information processing apparatus and information processing program |
Also Published As
Publication number | Publication date |
---|---|
JP2021093019A (en) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8880962B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
Alrabghi et al. | A novel approach for modelling complex maintenance systems using discrete event simulation | |
Asadzadeh et al. | An integrated systemic model for optimization of condition-based maintenance with human error | |
RU2540830C2 (en) | Adaptive remote maintenance of rolling stocks | |
CN103617110B (en) | Server device condition maintenance system | |
Aizpurua et al. | Supporting group maintenance through prognostics-enhanced dynamic dependability prediction | |
US8473330B2 (en) | Software-centric methodology for verification and validation of fault models | |
CN104123592B (en) | Bank's backstage TPS transaction events trend forecasting method and system | |
Tosun et al. | Ai-based software defect predictors: Applications and benefits in a case study | |
CN107273688A (en) | Equipment life and health degree monitoring method and system based on primary fault data | |
CN114072825A (en) | Monitoring, predicting and maintaining condition of railway elements using digital twinning | |
CN114519524A (en) | Enterprise risk early warning method and device based on knowledge graph and storage medium | |
CN112101839A (en) | Method for establishing express delivery time prediction model, prediction method and related equipment | |
CN113592019A (en) | Fault detection method, device, equipment and medium based on multi-model fusion | |
WO2021005861A1 (en) | Failure part specification support system | |
CN116843071B (en) | Transportation network operation index prediction method and device for intelligent port | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
CN110884973A (en) | Model development framework for remotely monitoring condition-based maintenance | |
JP7442310B2 (en) | Trained model generator, failure prediction device, failure prediction system, failure prediction program, and trained model | |
AU2020202134A1 (en) | Data driven machine learning for modeling aircraft sensors | |
JP2023032839A (en) | Maintenance plan system, maintenance plan method and failure prediction device | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
Helgo | Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis | |
Thunem et al. | Ussing an Agent-Oriented Framework for Supervision, Diagnosis and Prognosis Applications in Advanced Automation Environments | |
JP2022169915A (en) | Learned model generating device, failure predicting device, failure predicting system, failure predicting program, and learned model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221128 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231019 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240130 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7442310 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |