JP7475553B2

JP7475553B2 - 健全度診断装置および健全度診断方法

Info

Publication number: JP7475553B2
Application number: JP2023544977A
Authority: JP
Inventors: 勲西岡; 賢司藤崎; 智晴竹内
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2021-09-06
Filing date: 2021-09-06
Publication date: 2024-04-26
Anticipated expiration: 2041-09-06
Also published as: JPWO2023032201A1; WO2023032201A1; DE112021008198T5

Description

本開示は、機器の健全度を診断する健全度診断装置および健全度診断方法に関する。

従来、鉄道車両などでは、発生する異常を早期に検出するため、鉄道車両などに搭載された機器の状態をセンサで検出し、センサデータを用いた異常診断が行われている。特許文献１には、診断対象が鉄道車両に搭載されるブレーキの場合において、走行区間などの各種の条件を考慮して、ブレーキの異常を精度良く診断する技術が開示されている。

特開２０２０－０９３７７０号公報

しかしながら、上記従来の技術によれば、診断対象の機器が鉄道車両に搭載されるブレーキのように人が操作する機器の場合、操作する人の特性によって、センサで検出されるデータに個人差が出やすくなる。そのため、個人差が含まれるデータを用いて機器の健全度を診断しても、診断の精度が低下する、という問題があった。

本開示は、上記に鑑みてなされたものであって、機器の健全度を診断する際の精度の低下を抑制可能な健全度診断装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示は、機器の健全度を診断する健全度診断装置である。健全度診断装置は、診断対象期間における機器の稼働データを取得するデータロード部と、機器の物理特性に基づいて、稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、切り出したサンプルデータに対してクレンジングを行い、鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行い、サンプルデータを用いて特徴量データを生成する特徴量データ生成部と、機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される特徴量データに対して健全度診断を行う推論部と、推論部によって得られた健全度診断結果の推移を可視化する可視化部と、を備える。機器は鉄道車両に搭載されるブレーキシステムである。特徴量データ生成部は、稼働データから、鉄道車両のブレーキが緩解されるタイミングを含む範囲をサンプルデータとして切り出し、鉄道車両が使用される路線によってフィルタリングを行うときの条件を変更することを特徴とする。

本開示の健全度診断装置は、機器の健全度を診断する際の精度の低下を抑制できる、という効果を奏する。

実施の形態に係る健全度診断装置の構成例を示す第１の図実施の形態に係る健全度診断装置の動作を示すフローチャート実施の形態に係る健全度診断装置の特徴量データ生成部が特徴量データを生成する動作を示すフローチャート実施の形態に係る健全度診断装置が備える処理回路をプロセッサおよびメモリで実現する場合の処理回路の構成の一例を示す図実施の形態に係る健全度診断装置が備える処理回路を専用のハードウェアで構成する場合の処理回路の構成の一例を示す図実施の形態に係る健全度診断装置の構成例を示す第２の図

以下に、本開示の実施の形態に係る健全度診断装置および健全度診断方法を図面に基づいて詳細に説明する。

実施の形態．
図１は、本実施の形態に係る健全度診断装置２０の構成例を示す第１の図である。健全度診断装置２０は、鉄道車両１０に搭載されている機器についての稼働データ３１を用いて、鉄道車両１０に搭載されている機器の健全度を診断する装置である。稼働データ３１は、鉄道車両１０に搭載される図示しないセンサなどによって検出された、機器の稼働状態を示すデータである。本実施の形態では、具体的に、鉄道車両１０に搭載されている機器がブレーキシステム１１の場合について説明する。ブレーキシステム１１は、図示しないブレーキシリンダーを備え、空気圧によってブレーキ力を制御するシステムとする。

健全度診断装置２０の構成および動作について説明する。図１に示すように、健全度診断装置２０は、条件設定部２１と、データロード部２２と、特徴量データ生成部２３と、学習部２４と、推論部２５と、可視化部２６と、を備える。条件設定部２１および可視化部２６は、操作ＵＩ（User Interface）２７に含まれる。図２は、本実施の形態に係る健全度診断装置２０の動作を示すフローチャートである。

条件設定部２１は、健全度診断装置２０のユーザ４０から、データロード部２２および特徴量データ生成部２３に対する各種の条件設定を受け付け、データロード部２２および特徴量データ生成部２３に対して条件設定を行う（ステップＳ１１）。具体的には、条件設定部２１は、データロード部２２が稼働データ３１を取得する対象となる診断対象期間をユーザ４０から受け付ける。また、条件設定部２１は、特徴量データ生成部２３がブレーキシステム１１の物理特性に基づいて特徴量データ３２を生成する際の各種の条件の設定をユーザ４０から受け付ける。条件設定部２１は、例えば、マウス、キーボードなどのインタフェースである。条件設定部２１および可視化部２６が操作ＵＩ２７で一体になっている場合、条件設定部２１は、タッチパネルなどであってもよい。

データロード部２２は、診断対象期間におけるブレーキシステム１１の稼働データ３１を取得する（ステップＳ１２）。データロード部２２は、図１の例では、鉄道車両１０で検出された全期間の稼働データ３１から診断対象期間の稼働データ３１を取得しているが、これに限定されない。データロード部２２は、鉄道車両１０から出力された全期間の稼働データ３１を取得し、全期間の稼働データ３１から診断対象期間の稼働データ３１を抽出してもよい。なお、鉄道車両１０で検出された全期間の稼働データ３１が記憶部に格納され、データロード部２２は、記憶部から稼働データ３１を読み出してもよい。データロード部２２は、診断対象期間のブレーキシステム１１の稼働データ３１を特徴量データ生成部２３に出力する。

特徴量データ生成部２３は、機器すなわちブレーキシステム１１の物理特性に基づいて、稼働データ３１から特徴量データ３２の対象とするデータ箇所をサンプルデータとして切り出し、切り出したサンプルデータを用いて特徴量データ３２を生成する（ステップＳ１３）。特徴量データ生成部２３が特徴量データ３２を生成する動作について詳細に説明する。図３は、本実施の形態に係る健全度診断装置２０の特徴量データ生成部２３が特徴量データ３２を生成する動作を示すフローチャートである。

特徴量データ生成部２３は、例えば、鉄道車両１０の車速情報およびブレーキノッチ情報に基づいて、稼働データ３１に含まれるブレーキシリンダー圧力のデータから、鉄道車両１０の発車時のブレーキ緩解タイミングを検出する（ステップＳ２１）。

一般的に、ブレーキシステム１１に対する健全度診断を行うには、ブレーキシステム１１の物理的な特性に対応する特徴量データ３２の生成が必要である。特徴量データ３２は、常に同様の挙動を示し、かつ、健全度変化、すなわち劣化進行によって少しずつ傾向が変化していく必要がある。ブレーキシステム１１の稼働データ３１は、鉄道車両１０の走行中常に取得されており、走行中の複雑な制御によって様々に値が変化することから、稼働データ３１から前述の劣化進行の特性をもつ特徴量を切り出す必要がある。鉄道車両１０のブレーキシステム１１は、主に減速時、停車時などで使用されている。しかしながら、ブレーキシステム１１については、鉄道車両１０の運転士の特性、すなわち個人差が出やすく、また、同じブレーキレベルでも鉄道車両１０の乗車率の違いによってブレーキ力が変化する。そのため、本実施の形態では、鉄道車両１０が発車する、すなわちブレーキが緩解する時点に着目し、ブレーキ緩解に伴ってブレーキシリンダー圧力が下がる部分のデータを切り出し、特徴量データ３２の対象とする。ブレーキ緩解に伴ってブレーキシリンダー圧力が下がる部分とは、ブレーキシリンダー内の空気が解放されるＢＣ（Brake Cylinder）圧立下りの部分である。ＢＣ圧立下りは、運転士の個人差が少なく、かつ、ブレーキシステム１１の物理特性として常に同じ挙動となるため、前述の劣化進行の特性をもつ特徴量データ３２の要件に合致する。

特徴量データ生成部２３は、稼働データ３１に含まれるブレーキシリンダー圧力のデータから、鉄道車両１０の発車時のブレーキ緩解タイミング、すなわちＢＣ圧立下り時点を含む規定された時系列の範囲をサンプルデータとして切り出す（ステップＳ２２）。特徴量データ生成部２３は、ＢＣ圧立下り時点を開始点としてサンプルデータを切り出してもよいし、ＢＣ圧立下り時点よりも規定された過去の時点を開始点としてサンプルデータを切り出してもよい。

特徴量データ生成部２３は、切り出したサンプルデータをクレンジングする（ステップＳ２３）。特徴量データ生成部２３は、経年変化とは明らかに異なるイレギュラーなサンプルデータを除去することで、特徴量データ３２を算出する際にノイズとなる要素を取り除くことができる。

特徴量データ生成部２３は、クレンジング後のサンプルデータから、設定された条件に合致するサンプルデータを抽出するフィルタリングを行う（ステップＳ２４）。特徴量データ生成部２３は、鉄道車両１０の走行時の環境条件が統一されるように、すなわち健全度診断における分析条件が統一されるように、鉄道車両１０の走行時の環境条件を絞り込む。例えば、特徴量データ生成部２３は、停止時のブレーキノッチの位置、鉄道車両１０の乗車率、ブレーキ緩め速度などによってフィルタリングを行う。なお、鉄道車両１０が使用される路線によって、乗車率の傾向が異なることも想定される。そのため、特徴量データ生成部２３は、鉄道車両１０が使用される路線によって、フィルタリングを行うときの条件を変更してもよい。また、特徴量データ生成部２３は、健全度診断における分析条件が統一されるように１つの条件に絞り込むのではなく、複数の条件に分類するようにフィルタリングを行ってもよい。例えば、特徴量データ生成部２３は、鉄道車両１０の乗車率でフィルタリングを行う場合、乗車率が３０％未満、乗車率が３０％以上７０％未満、乗車率が７０％以上などのグループに分類するようにフィルタリングを行ってもよい。

特徴量データ生成部２３は、フィルタリング後のサンプルデータを加工して特徴量データ３２を生成する（ステップＳ２５）。特徴量データ生成部２３は、ドメイン知識、すなわち診断対象の機器であるブレーキシステム１１の物理特性に基づいて、フィルタリング後のサンプルデータを加工する。例えば、特徴量データ生成部２３は、一回微分によって一時差分をとってもよいし、一回積分によって累積和をとってもよいし、複数の特徴量を結合してもよい。特徴量データ生成部２３は、生成した特徴量データ３２を学習部２４および推論部２５に出力する。なお、特徴量データ生成部２３は、生成した特徴量データ３２を記憶部に格納してもよい。この場合、学習部２４および推論部２５は、記憶部から特徴量データ３２を読み出す。

このように、特徴量データ生成部２３は、鉄道車両１０の車速情報およびブレーキノッチ情報に基づいて、稼働データ３１に含まれるブレーキシリンダー圧力から、鉄道車両１０の発車時のブレーキが緩解されるタイミングを含む範囲をサンプルデータとして切り出す。特徴量データ生成部２３は、稼働データ３１から、鉄道車両１０のブレーキが緩解されるタイミングを含む範囲をサンプルデータとして切り出すとも言える。特徴量データ生成部２３は、切り出したサンプルデータに対してクレンジングを行い、鉄道車両１０の走行時の環境条件が統一されるようにフィルタリングを行う。特徴量データ生成部２３は、ブレーキシステム１１の物理特性に基づいて、フィルタリング後のサンプルデータに加工を施して特徴量データ３２を生成する。

健全度診断装置２０の説明に戻る。学習部２４は、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態をモデル学習する（ステップＳ１４）。学習部２４は、当該モデル学習の結果、学習済モデル３３を得る。正常時に取得された特徴量データ３２は、鉄道車両１０が製造された工場での試験時に得られたデータに基づくものであってもよいし、鉄道車両１０の運用が開始されてから規定された期間の導入初期に得られたデータに基づくものであってもよい。学習部２４は、機械学習を用いて、正常時状態をモデル学習する。機械学習のモデルには、例えば、外れ値検知手法を用いることができる。さらに具体的には、外れ値検知手法には、ＯＣＳＶＭ（One Class Support Vector Machine）などのアルゴリズムがあるが、これに限定されない。機械学習のモデルについては、深層学習など外れ値検知手法以外の手法を用いてもよい。学習部２４は、モデル学習の結果得られた学習済モデル３３を推論部２５に出力する。なお、学習部２４は、学習済モデル３３を記憶部に格納してもよい。この場合、推論部２５は、記憶部から学習済モデル３３を読み出す。

推論部２５は、機器の正常時状態をモデル学習した学習済モデル３３、すなわち学習部２４でモデル学習の結果得られた学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行う（ステップＳ１５）。推論部２５は、逐次生成される特徴量データ３２に対して、規定された間隔で、例えば、１週間ごとに健全度診断を行ってもよいし、ユーザ４０から指定されたユーザ４０の確認したいタイミングで健全度診断を行ってもよい。推論部２５は、健全度診断の方法について、例えば、逐次生成される特徴量データ３２について、正常時状態からの乖離度合いをスコアとして算出し、スコア化した正常時状態からの乖離度合いを正規化したものを健全度診断結果３４とする。推論部２５は、ＯＣＳＶＭを活用する場合、各特徴量データ３２に対して学習済モデル３３の境界平面からの距離を算出し、正規化する。推論部２５は、健全度診断を行った結果得られた健全度診断結果３４を可視化部２６に出力する。なお、推論部２５は、健全度診断結果３４を記憶部に格納してもよい。この場合、可視化部２６は、記憶部から健全度診断結果３４を読み出す。

可視化部２６は、推論部２５によって得られた健全度診断結果３４の推移を可視化する（ステップＳ１６）。可視化部２６は、例えば、複数の特徴量データ３２に基づく健全度診断結果３４を散布図、折れ線グラフなどを活用し、過去から現在までの健全度診断結果３４を時系列プロットすることで推移傾向を可視化する。

ここで、健全度診断装置２０については、鉄道車両１０に搭載される機器、図１の例ではブレーキシステム１１を製造する機器メーカの技術者などが、ユーザ４０として使用することを想定している。機器メーカのユーザ４０は、過去から現在までの健全度診断結果３４の推移傾向から将来の健全度傾向を推測し、鉄道事業者に対して最適なタイミングでブレーキシステム１１のメンテナンス、機器交換などを推奨する。ユーザ４０は、例えば、健全度診断結果３４に対して複数の閾値を設定することで、ブレーキシステム１１のメンテナンスのタイミング、機器交換のタイミングなどを判断してもよい。このとき、ユーザ４０は、各サンプル点に基づくミクロな視点での健全度診断結果３４、および月別などの定期的な健全度診断結果３４に基づくマクロな視点での健全度診断結果３４の統計的な結果を確認して判断する。例えば、鉄道事業者によって鉄道車両１０のメンテナンスが行われた場合、メンテナンスの前後において、健全度診断装置２０で得られる特徴量データ３２の傾向に違いが出てくることも想定される。一般的に、鉄道事業者によって鉄道車両１０のメンテナンスが行われた場合、特徴量データ３２は改善する傾向になると考えられる。ユーザ４０は、ある時点を境に特徴量データ３２の傾向が変化した場合、鉄道事業者によってメンテナンスなどが行われたものとみなして、健全度診断結果３４を確認する。ユーザ４０は、鉄道事業者から鉄道車両１０のメンテナンスの情報が得られる場合、メンテナンスの情報をふまえて健全度診断結果３４を確認する。

健全度診断装置２０の設置場所については、前述の機器メーカに設置されてもよいし、健全度診断装置２０のうち、操作ＵＩ２７の部分が機器メーカに設置され、残りの部分が鉄道車両１０を運行する鉄道事業者、または鉄道車両１０などに設置されてもよい。操作ＵＩ２７の部分が機器メーカに設置され、残りの部分が鉄道車両１０を運行する鉄道事業者、または鉄道車両１０などに設置される場合、操作ＵＩ２７は、タブレットなどの端末装置であってもよい。健全度診断装置２０は、診断対象のブレーキシステム１１と異なる場所に設置されていても、遠隔でブレーキシステム１１の健全度を診断することができる。健全度診断装置２０のユーザ４０は、健全度診断装置２０の操作ＵＩ２７以外の部分がどこに設置されていても、操作ＵＩ２７が手元にあることで、条件設定部２１を用いて、データロード部２２および特徴量データ生成部２３に対して条件の設定を行い、可視化部２６で可視化された健全度診断結果３４を確認することができる。

なお、条件設定部２１は、ユーザ４０から、データロード部２２および特徴量データ生成部２３に対する各種の条件設定を受け付け、データロード部２２および特徴量データ生成部２３に対して条件設定を行っていたが、これに限定されない。条件設定部２１は、ユーザ４０から、学習部２４における学習方法、推論部２５における健全度診断のタイミングなどについても条件設定を受け付け、学習部２４および推論部２５に対して条件設定を行ってもよい。

つづいて、本実施の形態に係る健全度診断装置２０のハードウェア構成について説明する。健全度診断装置２０において、条件設定部２１は、ユーザ４０からの操作を受け付けるインタフェースである。可視化部２６のうち、健全度診断結果３４を表示する部分はＬＣＤ（Liquid Crystal Display）などのディスプレイである。データロード部２２、特徴量データ生成部２３、学習部２４、推論部２５、および可視化部２６のうち健全度診断結果３４を表示する部分以外の部分は、処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。処理回路は制御回路とも呼ばれる。

図４は、本実施の形態に係る健全度診断装置２０が備える処理回路をプロセッサ９１およびメモリ９２で実現する場合の処理回路９０の構成の一例を示す図である。図４に示す処理回路９０は制御回路であり、プロセッサ９１およびメモリ９２を備える。処理回路９０がプロセッサ９１およびメモリ９２で構成される場合、処理回路９０の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ９２に格納される。処理回路９０では、メモリ９２に記憶されたプログラムをプロセッサ９１が読み出して実行することにより、各機能を実現する。すなわち、処理回路９０は、健全度診断装置２０の処理が結果的に実行されることになるプログラムを格納するためのメモリ９２を備える。このプログラムは、処理回路９０により実現される各機能を健全度診断装置２０に実行させるためのプログラムであるともいえる。このプログラムは、プログラムが記憶された記憶媒体により提供されてもよいし、通信媒体など他の手段により提供されてもよい。

上記プログラムは、データロード部２２が、診断対象期間における機器の稼働データ３１を取得する取得ステップと、特徴量データ生成部２３が、機器の物理特性に基づいて、稼働データ３１から特徴量データ３２の対象とするデータ箇所をサンプルデータとして切り出し、サンプルデータを用いて特徴量データ３２を生成する生成ステップと、学習部２４が、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態をモデル学習する学習ステップと、推論部２５が、学習部２４でモデル学習の結果得られた学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行う推論ステップと、可視化部２６が、推論部２５によって得られた健全度診断結果３４の推移を可視化する可視化ステップと、を健全度診断装置２０に実行させるプログラムであるとも言える。

ここで、プロセッサ９１は、例えば、ＣＰＵ（Central Processing Unit）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital Signal Processor）などである。また、メモリ９２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（登録商標）（Electrically EPROM）などの、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク、またはＨＤＤ（Hard Disk Drive）などが該当する。

図５は、本実施の形態に係る健全度診断装置２０が備える処理回路を専用のハードウェアで構成する場合の処理回路９３の構成の一例を示す図である。図５に示す処理回路９３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものが該当する。処理回路９３については、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。このように、処理回路９３は、専用のハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。

以上説明したように、本実施の形態によれば、健全度診断装置２０は、鉄道車両１０に搭載される機器であるブレーキシステム１１について、鉄道車両１０が発車する時点、すなわちブレーキが緩解する時点のブレーキシリンダー圧力が下がるＢＣ圧立下り部分のデータを稼働データ３１から切り出し、クレンジング、フィルタリングなどを行って特徴量データ３２を生成する。健全度診断装置２０は、特徴量データ３２を用いて、機械学習によって正常時のデータを学習し、正常時との乖離度によって、ブレーキシステム１１の健全度を診断する。これにより、健全度診断装置２０は、鉄道車両１０の運転士による個人差が出やすい機器についても、運転士の個人差の影響を抑制し、機器の健全度を診断する際の精度の低下を抑制することができる。

また、健全度診断装置２０は、既に取得可能な稼働データ３１に基づいて特徴量データ３２を得ることができるため、追加で特殊なセンサ、検知機器などを導入することなく、健全度診断を行うことができる。

健全度診断装置２０のユーザ４０は、現地で実際の鉄道車両１０のブレーキシステム１１を点検することなく、遠隔で現在のブレーキシステム１１の健全度を確認でき、メンテナンス、機器交換のタイミングを判断することができる。

なお、本実施の形態では、健全度診断装置２０が健全度を診断する対象の機器がブレーキシステム１１の場合について具体的に説明したが、健全度診断装置２０が健全度を診断する対象の機器はブレーキシステム１１に限定されない。本実施の形態では、ブレーキシステム１１の特徴量データ３２の対象として、鉄道車両１０が発車する際のＢＣ圧立下りの部分を切り出していたが、人が操作する機器であっても、個人差が少なく、物理特性として同じような挙動が検出されるデータのタイミングがあれば、健全度診断装置２０を適用することが可能である。

さらに、本実施の形態では、健全度診断装置２０が学習部２４を備える構成について具体的に説明したが、健全度診断装置２０の構成はこれに限定されない。例えば、対象の機器、またはユーザ４０ごとに正常時状態をモデル学習する必要が無ければ、図６に示すように、健全度診断装置２０Ａは、学習部２４を備えない構成であってもよい。図６は、本実施の形態に係る健全度診断装置２０Ａの構成例を示す第２の図である。この場合、健全度診断装置２０Ａの外部に設けられた図示しない学習部において、予め、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態のモデル学習が行われ、モデル学習の結果得られた学習済モデル３３が健全度診断装置２０Ａの内部の記憶部に格納される。推論部２５は、機器の正常時状態をモデル学習した学習済モデル３３を記憶部から読み出し、読み出した学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行うことができる。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１０鉄道車両、１１ブレーキシステム、２０，２０Ａ健全度診断装置、２１条件設定部、２２データロード部、２３特徴量データ生成部、２４学習部、２５推論部、２６可視化部、２７操作ＵＩ、３１稼働データ、３２特徴量データ、３３学習済モデル、３４健全度診断結果、４０ユーザ。

Claims

機器の健全度を診断する健全度診断装置であって、
診断対象期間における前記機器の稼働データを取得するデータロード部と、
前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、切り出した前記サンプルデータに対してクレンジングを行い、鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行い、前記サンプルデータを用いて前記特徴量データを生成する特徴量データ生成部と、
前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論部と、
前記推論部によって得られた健全度診断結果の推移を可視化する可視化部と、
を備え、
前記機器は前記鉄道車両に搭載されるブレーキシステムであり、
前記特徴量データ生成部は、前記稼働データから、前記鉄道車両のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出し、前記鉄道車両が使用される路線によって前記フィルタリングを行うときの条件を変更する、
ことを特徴とする健全度診断装置。
機器の健全度を診断する健全度診断装置であって、
診断対象期間における前記機器の稼働データを取得するデータロード部と、
前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、切り出した前記サンプルデータに対してクレンジングを行い、鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行い、前記サンプルデータを用いて前記特徴量データを生成する特徴量データ生成部と、
前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論部と、
前記推論部によって得られた健全度診断結果の推移を可視化する可視化部と、
を備え、
前記機器は前記鉄道車両に搭載されるブレーキシステムであり、
前記特徴量データ生成部は、前記鉄道車両の車速情報およびブレーキノッチ情報に基づいて、前記稼働データに含まれるブレーキシリンダー圧力から、前記鉄道車両の発車時のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出し、前記鉄道車両が使用される路線によって前記フィルタリングを行うときの条件を変更する、
ことを特徴とする健全度診断装置。
前記特徴量データのうち正常時に取得された前記特徴量データを用いて前記正常時状態をモデル学習し、当該モデル学習の結果、前記学習済モデルを得る学習部、
を備えることを特徴とする請求項１または２に記載の健全度診断装置。
前記学習部は、機械学習を用いて、前記正常時状態をモデル学習し、
前記推論部は、逐次生成される前記特徴量データについて、前記正常時状態からの乖離度合いをスコアとして算出し、スコア化した前記正常時状態からの乖離度合いを正規化したものを前記健全度診断結果とする、
ことを特徴とする請求項３に記載の健全度診断装置。
前記特徴量データ生成部は、前記機器の前記物理特性に基づいて、フィルタリング後の前記サンプルデータに加工を施して前記特徴量データを生成する、
ことを特徴とする請求項１から４のいずれか１つに記載の健全度診断装置。
前記可視化部は、過去から現在までの前記健全度診断結果を時系列プロットすることで推移傾向を可視化する、
ことを特徴とする請求項１から５のいずれか１つに記載の健全度診断装置。
前記機器と異なる場所に設置され、遠隔で前記機器の健全度を診断する、
ことを特徴とする請求項１から６のいずれか１つに記載の健全度診断装置。
前記データロード部が前記稼働データを取得する対象となる前記診断対象期間、および前記特徴量データ生成部が前記機器の物理特性に基づいて前記特徴量データを生成する際の各種の条件の設定を前記健全度診断装置のユーザから受け付ける条件設定部、
を備え、
前記健全度診断装置のユーザは、前記条件設定部を用いて前記条件の設定を行い、前記可視化部で可視化された前記健全度診断結果を確認する、
ことを特徴とする請求項７に記載の健全度診断装置。
機器の健全度を診断する健全度診断装置の健全度診断方法であって、
データロード部が、診断対象期間における前記機器の稼働データを取得する取得ステップと、
特徴量データ生成部が、前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、切り出した前記サンプルデータに対してクレンジングを行い、鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行い、前記サンプルデータを用いて前記特徴量データを生成する生成ステップと、
推論部が、前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論ステップと、
可視化部が、前記推論部によって得られた健全度診断結果の推移を可視化する可視化ステップと、
を含み、
前記機器は前記鉄道車両に搭載されるブレーキシステムであり、
前記生成ステップにおいて、前記特徴量データ生成部は、前記稼働データから、前記鉄道車両のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出し、前記鉄道車両が使用される路線によって前記フィルタリングを行うときの条件を変更する、
ことを特徴とする健全度診断方法。
機器の健全度を診断する健全度診断装置の健全度診断方法であって、
データロード部が、診断対象期間における前記機器の稼働データを取得する取得ステップと、
特徴量データ生成部が、前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、切り出した前記サンプルデータに対してクレンジングを行い、鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行い、前記サンプルデータを用いて前記特徴量データを生成する生成ステップと、
推論部が、前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論ステップと、
可視化部が、前記推論部によって得られた健全度診断結果の推移を可視化する可視化ステップと、
を含み、
前記機器は前記鉄道車両に搭載されるブレーキシステムであり、
前記生成ステップにおいて、前記特徴量データ生成部は、前記鉄道車両の車速情報およびブレーキノッチ情報に基づいて、前記稼働データに含まれるブレーキシリンダー圧力から、前記鉄道車両の発車時のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出し、前記鉄道車両が使用される路線によって前記フィルタリングを行うときの条件を変更する、
ことを特徴とする健全度診断方法。
学習部が、前記特徴量データのうち正常時に取得された前記特徴量データを用いて前記正常時状態をモデル学習し、当該モデル学習の結果、前記学習済モデルを得る学習ステップ、
を含むことを特徴とする請求項９または１０に記載の健全度診断方法。
前記学習ステップにおいて、前記学習部は、機械学習を用いて、前記正常時状態をモデル学習し、
前記推論ステップにおいて、前記推論部は、逐次生成される前記特徴量データについて、前記正常時状態からの乖離度合いをスコアとして算出し、スコア化した前記正常時状態からの乖離度合いを正規化したものを前記健全度診断結果とする、
ことを特徴とする請求項１１に記載の健全度診断方法。
前記生成ステップにおいて、前記特徴量データ生成部は、前記機器の前記物理特性に基づいて、フィルタリング後の前記サンプルデータに加工を施して前記特徴量データを生成する、
ことを特徴とする請求項９から１２のいずれか１つに記載の健全度診断方法。
前記可視化ステップにおいて、前記可視化部は、過去から現在までの前記健全度診断結果を時系列プロットすることで推移傾向を可視化する、
ことを特徴とする請求項９から１３のいずれか１つに記載の健全度診断方法。
前記健全度診断装置は前記機器と異なる場所に設置され、遠隔で前記機器の健全度を診断する、
ことを特徴とする請求項９から１４のいずれか１つに記載の健全度診断方法。
条件設定部が、前記データロード部が前記稼働データを取得する対象となる前記診断対象期間、および前記特徴量データ生成部が前記機器の物理特性に基づいて前記特徴量データを生成する際の各種の条件の設定を前記健全度診断装置のユーザから受け付ける条件設定ステップ、
を含み、
前記健全度診断装置のユーザは、前記条件設定部を用いて前記条件の設定を行い、前記可視化部で可視化された前記健全度診断結果を確認する、
ことを特徴とする請求項１５に記載の健全度診断方法。