TW202040444A - 磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體 - Google Patents

磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體 Download PDF

Info

Publication number
TW202040444A
TW202040444A TW109108201A TW109108201A TW202040444A TW 202040444 A TW202040444 A TW 202040444A TW 109108201 A TW109108201 A TW 109108201A TW 109108201 A TW109108201 A TW 109108201A TW 202040444 A TW202040444 A TW 202040444A
Authority
TW
Taiwan
Prior art keywords
wear
vehicle
value
data
prediction
Prior art date
Application number
TW109108201A
Other languages
English (en)
Inventor
丸地康平
佐藤誠
Original Assignee
日商東芝股份有限公司
日商東芝基礎設施系統股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日商東芝股份有限公司, 日商東芝基礎設施系統股份有限公司 filed Critical 日商東芝股份有限公司
Publication of TW202040444A publication Critical patent/TW202040444A/zh

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
    • F16D66/00—Arrangements for monitoring working conditions, e.g. wear, temperature
    • F16D66/02—Apparatus for indicating wear
    • F16D66/021—Apparatus for indicating wear using electrical detection or indication means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
    • F16D66/00—Arrangements for monitoring working conditions, e.g. wear, temperature
    • F16D2066/005—Force, torque, stress or strain

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Braking Arrangements (AREA)
  • Current-Collector Devices For Electrically Propelled Vehicles (AREA)

Abstract

本發明使用以車輛進行運行控制而測定出的資料來預測磨損零件的磨損資訊。本實施形態的磨損預測裝置包括：模型構建部，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及預測部，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。

Description

磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體
本發明的實施形態是有關於一種磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體。
為了鐵路系統的安全且穩定的持續運行，藉由檢修來確認鐵路系統的健全性，並根據需要來實施修繕是不可或缺的。尤其，煞車塊（brake shoe）或集電弓（pantograph）的滑塊等每當被使用時便會發生磨損的零件的檢修尤為重要。當在檢修時確認了規定以上的磨損時，藉由更換已磨損的零件，從而可確保鐵路系統的安全。
以往，作為推測煞車塊或滑塊的磨損量的方法，有基於行駛距離來推測煞車片（brake pad）的磨損量的方法。而且，亦有基於累計行駛距離與煞車時的溫度來推測磨損量的方法。而且，有使用攝影機（video camera）來偵測集電弓的磨損量的方法。
然而，該些方法在適用於未搭載推測所需的感測器（sensor）（例如特定部位的溫度感測器、攝影機等）的車輛時，需要新追加所述感測器。
本發明的實施形態是，使用以車輛進行運行控制而測定出的資料來預測磨損零件的磨損狀態。 [解決課題之手段]
本實施形態的磨損預測裝置包括：模型構建部，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及預測部，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。
以下，一邊參照圖式，一邊說明本發明的實施形態。
圖1是本發明的實施形態的磨損預測裝置的方塊圖。圖1的磨損預測裝置包括檢修資料記憶部11、車輛資料記憶部12、模型構建部13、模型記憶部14、運行資料記憶部15、磨損預測部（以下稱作預測部）16、預測結果記憶部17及預測結果輸出部18。圖1的磨損預測裝置亦可更包括輸入裝置，所述輸入裝置供作為本裝置的操作者或管理者的用戶輸入指示或資料。此時，輸入裝置例如為鍵盤（keyboard）、滑鼠（mouse）、觸摸板（touch pad）或智慧電話（smartphone）等。
圖1的磨損預測裝置藉由對與鐵路車輛等車輛相關的資料進行收集及分析，從而構建對被用於車輛的磨損零件的磨損狀態（磨損量或更換必要的有無等）進行推測的模型。並且，使用該模型來預測作為對象的車輛的磨損零件將來的磨損狀況。藉此，可進行磨損零件的庫存管理或檢修時期的合理化。本實施形態中，作為車輛，對鐵路車輛進行處理，但對於汽車等其他種類的車輛，同樣的實施形態亦可實現。鐵路車輛既可為單個車輛，亦可為將多個車輛連結而成的車輛編組。
[學習階段] 檢修資料記憶部11記憶有各車輛編組的各車輛的磨損零件中的作為監測對象的磨損零件的檢修值的歷程（檢修資料）。磨損零件是可能因磨損而成為更換對象的零件。檢修資料包含磨損零件的測定歷程、或磨損零件的更換歷程。作為磨損零件的示例，有用於對車輛的車輪進行制動的煞車塊（煞瓦）。而且，亦有從架空線（架線）進行集電的集電弓的滑塊等。亦可為其他零件。
磨損零件在車輛的運行中被車輛所包括的機構按壓至對象物，以對車輛給予作用。若磨損零件為煞車塊，對象物為車輛的車輪，機構為煞車用的氣缸（煞車氣缸（Brake Cylinder，BC）），則藉由煞車氣缸將煞車塊按壓至車輪，以使車輛減速（實施煞車）。而且，若磨損零件為集電弓的滑塊，對象物為架線，機構為集電弓，則藉由集電弓將滑塊按壓至架線，以從架線向車輛集電。
對於各磨損零件賦予有磨損零件識別碼（Identification，ID）。例如，假設某車輛編組的車輛數為10，在每個車輛中，在4處設置有作為磨損零件的煞車塊。在所有煞車塊為監測對象的情況下，對於該車輛編組記憶有合計40個磨損零件的檢修資料。對於其他車輛編組，亦同樣記憶有檢修資料。在檢修資料記憶部11或未圖示的其他記憶部中，亦可保存有各磨損零件被設置於哪個車輛編組的哪個車輛的哪個位置的資訊。再者，當設置於某部位的磨損零件被更換為新的磨損零件時，更換後的磨損零件的磨損零件ID使用與更換前的磨損零件相同的ID。但是，亦可在更換前後變更ID。
圖2的（A）表示作為檢修資料的各磨損零件（此處為煞車塊）的磨損量的測定歷程的示例。圖2的（B）表示作為檢修資料的各磨損零件（此處為煞車塊）的更換歷程的示例。圖2的（A）或圖2的（B）中，顯示了ID001的磨損零件的測定歷程或更換歷程。
圖2的（A）的測定歷程包含進行檢修的時期（檢修時期）與磨損量的測定值。本例中，每隔大致3個月進行檢修（測定）。亦可取代磨損量而測定剩餘厚度量。
在圖2的（B）的更換歷程的情況下，包含進行檢修的時期（檢修時期）與有無更換的資訊。本例中，針對每個檢修時期而記憶有無更換的資訊。但是，更換歷程的格式並不限定於此。例如，亦可僅記憶對磨損零件進行了更換的時期。
車輛資料記憶部12記憶有搭載於車輛編組的車輛中的感測器（車上感測器）的測定值的歷程、及車輛編組中的運轉指令值的歷程，以作為車輛資料。
圖3表示記憶於車輛資料記憶部12中的車輛資料的一例（第一例）。本例中，對於某車輛編組，依時間序列而記憶有動力運轉指令、煞車指令、每個車輛的空氣彈簧（Air spring，AS）壓力、及煞車氣缸（Brake Cylinder，BC）壓力等資料。本例中，資料是每隔1秒的時間序列資料。對於其他車輛編組，亦記憶有同樣的車輛資料。亦可對各車輛編組賦予車輛編組ID，於相同的資料庫（data base）內，保存該些車輛編組的車輛資料。煞車指令的值是與設於駕駛室的煞車桿（brake lever）上顯示的多個煞車凹槽（notch）對應的煞車的控制指令值。煞車指令的值越大，則意味著制動力越大。動力運轉指令的值是用於進行與設於駕駛室的動力運轉桿上顯示的多個動力運轉凹槽對應的加減速的控制指令值。動力運轉指令的值越大，則意味著加速至越大的速度。再者，煞車桿及動力運轉桿是用於給予煞車指令及動力運轉指令的部件的一例，亦可利用其他部件例如手柄（handle）來給予該些指令。
此處，使用圖4來說明煞車塊、BC壓力及AS壓力。 圖4示意性地表示了在軌道（rail）21上行駛的車輛的車輪及其周邊構成。在軌道21上承載有車輪22。在車輛中，設有作為空氣煞車的一種的踏面煞車（tread brake）23。藉由踏面煞車23來進行車輪22的制動。此處，僅示出了1個車輪22，但實際上，1個車輛設有多組的左右一對車輪。作為一例，每個車輛設有4個空氣煞車。但是，亦可存在未設有空氣煞車的車輛。而且，亦可於1個車輛設有多個空氣煞車。
踏面煞車23是以空氣氣缸（air cylinder）24作為動力。藉由提高空氣氣缸24內的壓力即煞車氣缸壓力（BC壓力），煞車塊25被按壓至車輪22的踏面（與軌道21接觸的面）。BC壓力是將煞車塊25按壓至車輪踏面的力，煞車塊25被按壓至車輪22的力與BC壓力成正比。車輪22與煞車塊25之間的摩擦力成為踏面煞車23的制動力。
由於車輪22與煞車塊25間的摩擦力，煞車塊25將隨著使用而發生磨損。當煞車塊25發生磨損時，制動力有可能下降，因此需要根據磨損量來更換煞車塊25。因此，在檢修時測定煞車塊25的磨損量，若磨損量為規定值以上，則進行更換為新品等的作業。測定出的磨損量與檢修日期時間一同作為檢修值而保存至檢修資料記憶部11中。
圖4中，對煞車塊25施加壓力的氣缸是工作流體為空氣的空氣氣缸，亦可為液壓缸等使用空氣以外的工作流體的氣缸。
踏面煞車23的制動力除了因煞車塊25的磨損以外，亦根據對車輛的負載而發生變動。如圖4所示，在車輛中，搭載有負載補償裝置26。負載補償裝置26包括空氣彈簧27，藉由偵測空氣彈簧27的空氣彈簧壓力（AS壓力），可測定車輛所承受的負載。空氣彈簧（Air spring，AS）壓力取決於車輛的搭乘數。搭乘數越多，則AS壓力越大。根據由負載補償裝置26所檢測出的AS壓力，來調整煞車的制動力。例如，AS壓力越大，則使煞車的制動力越強。煞車的制動力越強，則煞車塊25的磨損量將越多，因此AS壓力對煞車塊25的磨損量造成影響。
如上所述，磨損零件除了煞車塊以外，亦可為集電弓的滑塊等其他零件。
圖5是集電弓的立體圖。集電弓31被設於車輛的車頂，是用於從架空線（架線）32接受電的裝置。集電弓的滑塊33是被設置於集電弓31上部的摩擦構件。滑塊33是一邊以與架空線接觸的狀態移動（一邊在架空線上滑行）一邊接受電的構件。因此，滑塊33會因與架空線的摩擦而發生磨損。當磨損量達到規定值以上時，進行更換為新品等的作業。
在磨損零件為集電弓的滑塊的情況下，亦可使按壓滑塊的壓力、集電弓的上下方向的位移、速度、流經架線的電流、電壓等中的至少一個包含於車輛資料中。作為一例，在利用彈簧來將滑塊按壓至架線的構成的情況下，按壓滑塊的壓力可使用彈簧壓力。亦可使圖3所示的項目的全部或一部分包含於該車輛資料中。
車輛資料亦可並非為圖3般的時間序列資料，而是在車輛編組的每次運行時將車上感測器的測定值及運行指令累計所得的資料。使用圖6來說明此時的車輛資料的示例。
圖6表示車輛資料的另一例（第二例）。關於某車輛編組，對於各運行設定有運行ID。並且，在每次運行時，記憶有出發時刻、結束時刻、每個動力運轉指令值的累計時間、每個煞車指令值的累計時間、車輛的各號車的每一號車的AS壓力累計值及BC壓力累計值。對於其他車輛編組，亦記憶有同樣的資料。此處，所謂運行，是指車輛編組依據規定的時刻表（運行計劃）從出發地點行駛至結束地點為止。此處是在每次運行時記憶累計值，但亦可以車站的每個區間等其他單位來記憶累計值。
模型構建部13將車輛資料（測定值的歷程及運行指令的歷程）作為學習資料，將檢修資料（磨損量的測定歷程或磨損零件的更換歷程）作為教學資料，來構建磨損狀態（磨損量或更換必要的有無等）的推測模型。
對於使用磨損零件的測定歷程（參照圖2的（A））作為教學資料的情況、及使用更換歷程（參照圖2的（B））作為教學資料的情況，分別表示構建推測模型的示例。
[使用磨損零件的測定歷程作為教學資料的情況] 以剛剛更換之後的時間點（磨損量為0的時間點）為基準，針對檢修資料的每個測定期間（檢修時期），製作與多個說明變量對應的學習資料、與目標變量對應的教學資料。學習資料及教學資料是針對每個磨損零件而製作。
圖7表示所製作的學習資料及教學資料的一例。本例中，使用圖2的（A）所示的磨損量的測定歷程作為教學資料。
例如，圖2的（A）中的檢修時期2018/3/10 10：00直至下個檢修時期2018/6/8 17：00為止的期間（檢修間隔）的磨損量增加了0.1。與2018/6/8 17：00的檢修時期對應地，在圖7的第一列，作為教學資料，設定有磨損量0.1。
而且，根據車輛資料來算出所述期間內的說明變量的值，並將所算出的說明變量的值累計相加，而設定為學習資料。作為說明變量，理想的是使用會對磨損零件的磨損造成影響的資料。圖例中，將動力運轉指令值1的累計值、動力運轉指令值2的累計值、動力運轉指令值3的累計值…動力運轉指令值6的累計值、AS壓力的累計值、BC壓力的累計值等設定為學習資料。亦可進而設定有動力運轉指令值0的累計值。
圖7中的BC壓力的累計值是對設有磨損零件的車輛測定出的BC壓力的累計值。但是，亦可為對包含該車輛的多個車輛（例如前後1車輛）測定出的BC壓力的累計值的平均值，還可為對所有車輛測定出的BC壓力的累計值的平均值。此處的記載對於AS壓力亦同樣適用。
說明變量的項目並不限定於圖7的示例。例如，亦可為急煞車的累計次數，還可為速度的累計值（速度是與車輪的轉速相關的值）。速度亦可基於車輪直徑而經修正。而且，亦可根據車輛是處於停止中抑或是運行中，來分別使用不同的說明變量。而且，亦可僅基於煞車中的資料，來算出說明變量的值。
再者，用於製作學習資料的車輛資料的格式並不限定，圖3及圖6的車輛資料皆可使用。
對於檢修資料中的其他的檢修時期，亦以同樣的方式來製作教學資料及學習資料。
如上所述，準備好圖7般的學習資料與教學資料後，藉由機器學習來構建由說明變量算出目標變量（圖7的示例中為磨損量）的推測模型。用於學習的演算法（algorithm）使用線性回歸、邏輯式回歸（logistic regression）、決策樹、隨機森林（random forest）、神經網路（neural network）等中任一種皆可。亦可構建多種模型，並選擇模型誤差（後述）最少的模型。或者，亦可如系集（ensemble）學習般，綜合多個模型的結果來得出1個解的模型。
以下，對推測模型的構建方法進行說明。設想使用線性回歸模型的情況。推測模型的函數（模型函數）的示例如式（1）所示。 [數1]
Figure 02_image001
y為目標變量，x1 ～xn 為說明變量，b0 ～bn 為回歸係數。再者，為了吸收各說明變量的測定單位的差異，亦可將目標變量與所有說明變量歸一化為平均值0、方差1。
作為一例，說明變量及回歸係數的計算（參數計算）是藉由將對函數的輸出值與教學資料之差（即模型誤差）進行定義的目標函數最小化而進行。例如，藉由解開將下述的平方誤差設為最小化的問題，從而算出說明變量及回歸係數。i表示學習資料的個數（教學資料的個數）。 [數2]
Figure 02_image003
[使用磨損零件的更換歷程作為教學資料的情況] 在使用磨損零件的更換歷程作為檢修資料的情況下，以剛剛更換之後的時間點為基準，在每個檢修時期，設定已更換或未更換這二值的目標變量作為教學資料（目標變量的值）。而且，根據車輛資料來算出從上次檢修時期直至此次檢修時期為止的期間內的說明變量的值，並設定為學習資料。學習資料的製作方法與以上所述的方法同樣。
圖8表示所製作的學習資料及教學資料的一例。除了目標變量的值（教學資料）變為表示有無更換的二值資訊以外，與圖7相同。關於目標變量的值，1表示有更換，0表示未更換。
此時，用於學習的演算法亦是使用支援向量機（Support Vector Machine，SVM）、邏輯式回歸、決策樹、隨機森林、神經網路等中的任一種皆可。作為一例，若教學資料為有無更換，則作為一例的目標變量為更換必要的有無。
例如在邏輯式回歸的情況下，可使用邏輯式函數（S型函數（sigmoid function））作為模型函數。邏輯式函數的示例如式（3）所示。式中的各符號的定義與式（1）同樣。回歸係數b0 ～bn 的計算可藉由對規定的目標函數進行最佳化（最小化或最大化）而利用一般的方法來進行。邏輯式函數的輸出值是比0大且比1小的範圍。邏輯式函數的輸出值對應於有必要更換磨損零件的概率。 [數3]
Figure 02_image005
亦可構建多種模型，並選擇模型誤差的平均值、最小值、最大值等統計值為最小或閾值以下的模型。所謂模型誤差，是指模型的輸出（目標變量的值）與測試用的檢修資料的值之差。在使用學習時所用的教學資料作為測試用的檢修資料的情況下，使用根據用於學習的車輛資料而算出的說明變量，作為模型的輸入。在使用並未用於學習的檢修資料作為測試用的檢修資料的情況下，使用根據並未用於學習的車輛資料而算出的說明變量，作為模型的輸入。
而且，亦可使用生存時間分析來構建推測模型。此時，可選擇一個說明變量，將所選擇的說明變量的值視為時間而進行生存時間分析，藉此來構建推測模型。演算法亦可使用卡普蘭-麥爾法（Kaplan-Meier method）、魏普法（Weibull method）等的任一個。作為一例，在使用BC壓力作為說明變量的情況下，基於車輛資料及檢修資料，製作將橫軸設為BC壓力的累計值、將縱軸設為生存概率的圖表作為推測模型。教學資料使用是否已更換的二值資訊。基於測試用的車輛資料來計算BC壓力的累計值，並根據圖表來確定與所計算的值對應的生存概率。若所確定的生存概率不足或超過，則決定為有必要更換磨損零件。
模型記憶部14記憶由模型構建部13所構建的推測模型。推測模型是針對作為監測對象的每個磨損零件而生成，因此在模型記憶部14中，針對作為監測對象的每個磨損零件而記憶推測模型。而且，亦可對應於每個編組的種類、或者滑塊或煞車塊的材質或種類，來改變所構建的模型的種類。
[預測階段] 運行資料記憶部15記憶有各車輛編組的運行實績與運行計劃（時刻表資料），作為運行資料。
圖9的（A）及圖9的（B）表示運行資料的一例。圖9的（A）對於各車輛編組過去的運行，表示包含出發時刻、最終到達時刻、出發車站、最終到達車站等的運行實績資料。圖9的（B）對於各車輛編組的經計劃的運行，表示包含出發時刻、最終到達時刻、出發車站、最終到達車站等的運行計劃資料。對於各運行賦予有運行ID。亦可將運行ID與車輛編組的ID相對應的資料保存於運行資料記憶部15或未圖示的記憶部中。亦可在圖9的（A）的運行實績資料及圖9的（B）的運行計劃資料中，進而追加其他項目的資訊。例如，亦可追加在中途停車或通過的車站的資訊。
預測部16使用記憶於模型記憶部14中的推測模型、對象車輛的運行計劃資料、至少一台車輛（既可包含對象車輛，亦可不包含對象車輛）的運行實績資料、及車輛資料記憶部12內的車輛資料（測定值的歷程及運轉指令的歷程），來預測被用於對象車輛的磨損零件的磨損狀態。具體而言，預測部16預測對象車輛執行所述運行計劃資料所表示的運行計劃時的說明變量的值，將說明變量的預測值分配給推測模型的說明變量（用作推測模型的輸入變量），來計算推測模型的輸出值（目標變量）。推測模型的輸出值是磨損零件的磨損狀態的預測值。
為了算出說明變量的預測值，從過去的運行實績資料中提取與對象車輛的運行計劃類似的事例（對象運行實績資料）。例如，假設對於某車輛編組，作為當前日的1天後的運行計劃，存在從○○車站直至△△車站耗費2小時運行的計劃（對象車輛的運行計劃）。此時，在過去的運行實績中，檢索與所述運行計劃最類似的事例。例如，確定在○○車站至△△車站的相同區間運行的事例，從所確定的事例中，基於與所述對象車輛的運行時間（2小時）之差來選擇事例。例如，將所述運行時間之差為最小的事例檢索為類似的事例。根據與所找到的事例對應的車輛資料，來算出說明變量的值。將所算出的說明變量的值用作針對對象車輛的所述運行計劃的說明變量的預測值。此處，是選擇1個事例作為類似的事例，但亦可選擇多個事例。此時，例如亦可對與所選擇的事例對應的車輛資料的值進行平均，基於平均所得的車輛資料來算出說明變量的值。
在對過去的類似的事例進行檢索時，例如亦可考慮車輛或被用於車輛的機器（磨損零件或其他零件等）的類似性。例如，亦可收縮為同一種類的磨損零件（例如被用於各車輛的煞車塊的種類相同等）的車輛編組的資料來進行檢索。藉此，可提高說明變量的預測值的計算精度。
在算出說明變量的預測值後，預測部16將所算出的預測值作為推測模型的輸入，計算推測模型的輸出值（目標變量的值）。所計算出的值為磨損狀態的預測值。在模型構建時所用的教學資料為磨損量的測定值的情況下，預測值為磨損量。在模型構建時所用的教學資料為有無更換的情況下，預測值為更換必要的有無或概率。預測值是更換必要的有無或其概率中的哪一個，取決於用於模型構建的演算法。作為一例，若為邏輯式回歸，則預測值為有必要更換的概率，若為決策樹，則預測值為更換必要的有無。但是，亦可使用決策樹來構成對所述概率進行預測的模型。再者，亦可取代有必要更換的概率，而使用無必要更換的概率。
預測部16對於對象車輛的所述磨損零件，使預測對象的日期逐個營業日地推進，重複同樣的預測處理，藉此，可獲得磨損狀態的預測值的時間序列資料。
預測結果記憶部17記憶由預測部16所算出的磨損狀態的預測值。藉由利用預測部16來反覆進行預測處理，從而於預測結果記憶部17中保存磨損資訊的預測值的時間序列資料。對於對象車輛的其他磨損零件，亦同樣地進行預測處理，藉此，於預測結果記憶部17中，保存其他磨損零件的磨損狀態的預測值或其時間序列資料。
預測結果輸出部18包含將資料或資訊顯示於畫面的顯示裝置。預測結果輸出部18基於記憶於預測結果記憶部17中的預測值來生成顯示用的資料，並將所生成的資料顯示於畫面。例如，基於記憶於預測結果記憶部17中的預測值，將預測值的時間序列資料顯示於畫面。
圖10表示預測結果輸出部18的資料顯示例。顯示了磨損量的預測值的推移。橫軸表示時間，縱軸表示磨損量的預測值。亦顯示有作為更換標準的磨損量的規定值（閾值）、及檢修日。規定值是更換磨損零件的基準，是磨損量達到規定值以上時更換磨損零件的標準。圖示例中，在下次檢修日的時間點，磨損量的預測值小於規定值，但在下下次檢修日，磨損量的預測值為規定值以上。因而，一目了然的是，在下下次的檢修日要更換磨損零件、或者要更換的可能性高。
圖11是對作為監測對象的磨損零件中的磨損量的預測值已達到規定值以上的磨損零件的ID進行保存的表。依據達到規定值以上的日期近的順序，來對資料進行排序（sort）。預測ID為122的磨損零件在下次檢修預定日之前，磨損量將達到規定值以上。因此，對於ID122的資料的背景，塗有用於提醒注意的顏色。
圖12是以時間序列來表示磨損零件的更換預測數的圖表。橫軸表示時間，縱軸表示磨損零件的累計更換預測數。累計更換預測數是將使用相同種類的磨損零件（例如相同型號的磨損零件）的所有車輛編組（或特定編組）作為對象，而對磨損量的預測值達到規定值以上的所述磨損零件的個數進行的合計。針對各月的每1日，標繪（plot）有直至前月為止的累計更換數。圖例中，作為磨損零件，示出了煞車塊與集電弓的滑塊的示例。
藉由顯示圖12般的圖表，可容易地掌握在何時需要幾個磨損零件。亦可利用資料庫來管理磨損零件的庫存數。此時，亦可確定庫存將變得不足的時期，並顯示注意標記（mark）。圖12中，在5月中，煞車塊的累計更換預測數為12，超過庫存的10，因此顯示有注意標記M。
圖10～圖12中，推測模型的輸出值為磨損量的推測值，但在輸出值為有必要更換磨損零件的概率或更換必要的有無的情況下，亦可同樣地進行資料顯示。在輸出值為有必要更換磨損零件的概率的情況下，只要在概率為閾值以上時，判斷為有必要更換，在概率小於閾值時，判斷為無必要更換即可。
圖13是本實施形態的學習階段的流程圖。本處理是藉由學習階段的開始觸發（trigger）而開始（S100）。開始觸發例如既可為從輸入裝置收到本裝置的用戶指示，亦可為到達預定的時刻，還可為其他的任意事件（event）已成立。
當學習階段開始時，模型構建部13從檢修資料記憶部11讀出檢修資料，並從車輛資料記憶部12讀出車輛資料（S101）。
基於所讀出的檢修資料來生成與目標變量對應的教學資料，並基於車輛資料來生成與一個或多個說明變量對應的學習資料（S102）。
基於所生成的教學資料與學習資料，藉由使用任意回歸演算法（線性回歸、決策樹、隨機森林、神經網路等）的機器學習，來構建根據一個或多個說明變量來推測目標變量（例如磨損量）的模型即推測模型（S103）。
模型記憶部14將由模型構建部13所構建的推測模型關聯於模型ID而記憶於內部（S104）。模型ID對應於每個推測模型而不同。
針對作為監測對象的每個磨損零件來構建此種推測模型（S105）。作為一例，作為監測對象的磨損零件是設於各車輛編組的各車輛中的所有煞車塊。但是，亦可針對多個車輛的每一個車輛而選擇1個煞車塊作為群組（group）的代表，將所選擇的煞車塊作為監測對象。此時，在更換作為監測對象的煞車塊時，亦可判斷為，屬於相同群組的其他煞車塊亦同時更換。亦可利用此處所記載的方法以外的方法，來決定作為監測對象的磨損零件。
圖14是本實施形態的預測階段的流程圖。本處理是藉由預測階段的開始觸發而開始（S200）。開始觸發例如既可為收到本裝置的用戶指示，亦可為到達預定的時刻，還可為其他的任意事件已成立。本處理是關於對象車輛，針對作為監測對象的每個磨損零件來進行。
預測部16從運行資料記憶部15中讀出對象車輛的運行計劃資料（S201）。作為一例，讀出對在對象車輛中作為監測對象的磨損零件進行了更換的日期的下個營業日的所述對象車輛的運行計劃資料。
根據運行資料記憶部15中的1台以上的車輛的運行實績資料，來確定與對象車輛的運行計劃資料類似的事例（S202）。
從車輛資料記憶部12中讀出與所確定的事例對應的車輛資料，對於作為監測對象的磨損零件（搭載於對象車輛的磨損零件），算出說明變量的預測值（S203）。
基於所算出的說明變量的預測值和與所述磨損零件對應的推測模型，來預測磨損狀態（例如磨損量）（S204）。
預測結果記憶部17將磨損狀態的預測值關聯於磨損零件ID而記憶於內部（S205）。
預測結果輸出部18基於記憶於預測結果記憶部17中的預測值，生成顯示用的資料（例如預測值的推移圖表），並顯示所生成的資料（S206）。
例如一邊使運行日（營業日）逐日推進，一邊進行以上的處理。在對於第2日以後的各日（預測對象日）算出說明變量的值（例如BC壓力的累計值）時，只要基於針對關於直至預測對象日為止的各日而確定的事例的車輛資料，來算出預測對象日的說明變量的值即可。再者，當然亦可並非從剛剛更換磨損零件之後開始逐日地推進本處理，而是進行多日後的日期的預測。此時亦同樣，只要針對從剛剛更換磨損零件之後直至預測對象日為止的各日的每一日，基於運行計劃來確定類似的過去的事例，並基於與所確定的事例對應的車輛資料，來算出預測對象日的說明變量的值即可。
以上，根據本實施形態，可高精度地預測將來的時間點的磨損零件的磨損狀態（磨損量或更換必要的有無等）。相關技術的方法只是推測當前的磨損量，而無法預估將來的時間點的磨損量。與此相對，本實施形態中，可在當前時間點高精度地預測將來的各時間點的磨損狀態。藉此，可使磨損零件的檢查時期合理化，並且可使磨損零件的庫存管理合理化。而且，根據本實施形態，使用以車輛進行運行控制而測定出的資料（BC壓力、AS壓力、動力運轉指令、煞車指令等）來進行學習，因此未必需要對車輛新追加感測器等。
（變形例） 所述第一實施形態中，預測部16基於對象車輛的運行計劃資料來預測將來的磨損狀態，但亦可基於對象車輛的運行實績資料來推測當前或過去的磨損狀態。例如有時根據運行實績資料來推測上次檢修時期之後的任意日的磨損狀態。
（第二實施形態） 圖15是本發明的第二實施形態的磨損預測裝置的方塊圖。相對於圖1的磨損預測裝置而追加了環境資料記憶部19。於環境資料記憶部19中，保存有與車輛編組的運行時的運行環境相關的資料（環境資料）。
作為環境資料的一例，有路線坡道及路線彎道（curve）等路線資訊。路線資訊是與地圖上的位置資訊相關聯。而且，本實施形態中，對於車輛資料（參照圖3）亦關聯有位置資訊。作為位置資訊的具體例，可列舉公里里程（距出發地點的距離）或全球定位系統（Global Positioning System，GPS）的位置資訊。
作為環境資料的另一例，有氣溫及降水量等天氣資訊。天氣資訊與位置資訊及時間資訊相關聯。亦可使用氣象廳等的公開資料作為天氣資訊。在利用天氣資訊時，可使用距車輛資料的位置資訊最近的觀測位置的天氣資訊。
本實施形態中，模型構建部13使用環境資料的歷程來構建推測模型。例如，當模型構建部13製作學習資料時，追加如坡道區間的BC壓力累計值、非坡道區間的BC壓力累計值、彎道區間的BC壓力累計值、非彎道區間的BC壓力累計值、雨天時的BC壓力累計值等般、與環境條件相應的說明變量。此處設坡道區間是坡道值為一定值以上的區間，非坡道區間是坡道值小於一定值的區間，彎道區間是曲率半徑為一定值以下的區間，非彎道區間是曲率半徑為一定值以上的區間。此處，關於坡道而分為2個區間，關於彎道而分為2個區間，但亦可分別分為3個以上的區間，追加與各區間相應的說明變量。因坡道的程度及彎道的程度、或者雨或雪等天氣，磨損量有可能發生變化，因此，藉由如此般對應於每種環境條件來增加說明變量，可提高推測精度。
當基於推測模型來進行推測時，只要算出對象車輛的運行計劃資料的運行期間內的運行環境，基於表示所算出的運行環境的環境資料，來算出所述追加的說明變量的值即可。
而且，本實施形態中，當從運行實績資料中檢索與對象車輛的運行計劃資料類似的事例時，亦可使用環境資料的類似性。例如，算出對象車輛的運行計劃資料的運行期間內的運行環境（此處為季節），將運行實績資料中的檢索範圍收縮為與所算出的季節相同的季節。而且，作為另一例，根據過去的天氣資訊，關於各事例來確定降水量等的值，並選擇與天氣預報值相近的值的事例。藉此，可提高說明變量的預測值的計算精度。亦可將借助本方法進行的事例的選擇與所述的本實施形態的學習資料的製作加以組合，還可不組合。
（第三實施形態） 所述第一實施形態或第二實施形態中，亦可於模型函數中追加與車輛或搭載於車輛的機器的構成相應的修正項（說明變量）。例如列舉與煞車塊是幾號車的煞車塊相應的修正項、與是M車（具有馬達等動力的車輛）還是T車（不具有馬達等動力的車輛，即拖掛車）相應的修正項、與煞車塊是前輪側的煞車塊還是後輪側的煞車塊相應的修正項、與煞車塊設於朝向行進方向為左側的車輪及右側的車輪的哪一側相應的修正項、與煞車塊的種類相應的修正項。進而，可列舉與車輛編組的種類相應的修正項、或與煞車結構的種類相應的修正項。在磨損零件為集電弓的情況下，亦有與集電弓結構的種類相應的修正項、或與滑塊的種類相應的修正項等。
例如，若為基於車號的修正項，則針對每號車來準備變量，對於表示1號車的變量G1，若是位於1號車的煞車塊，則給予值g1（g1為0以外的任意實數），若是除此以外的車號，則給予0。同樣，若是位於2號車的煞車塊，則給予g2（g2為0以外的任意實數），若是除此以外的車號，則給予0。對於3號車以後，亦同樣地定義修正項。此時的模型函數的示例如以下的式（4）所示。本例中，車輛為1號車～10號車。所述其他種類的修正項亦可同樣地追加。 [數4]
Figure 02_image007
亦可不對模型函數追加修正項，而是根據各條件來各自學習，以構建不同的推測模型。例如，亦可如1號車用的模型及2號車用的模型般，構建各自的模型。
模型構建部13亦可對車輛資料進行分析，藉由學習來選擇用於模型函數的說明變量。例如，亦可對於車輛資料的所有變量算出與目標變量的相關性，依照相關性從高到低的順序來選擇規定個數的變量。例如，亦可算出車輛資料的所有變量各自的統計量（最大值、最小值或累計值等），對於統計量算出與各變量的目標函數的相關性，依照相關性從高到低的順序來選擇規定個數的變量。此時，亦可針對以上所述的每個條件來進行本處理，從而針對每個條件來構建模型。
在磨損零件為集電弓的滑塊的情況下，亦可根據車輛處於停止中抑或是移動中，來各自定義說明變量，還可僅採用其中任一個說明變量。同樣，亦可基於是否是集電弓抬起，來各自定義說明變量，還可僅採用其中任一個說明變量。而且，亦可對模型函數追加車輛編組是否處於風區（air section）區間內的修正項（例如風區區間內時為值a，區間外時為值b等，a、b為任意實數）、或者車輛編組距變電站的距離是否近的修正項（例如當距離為一定值以下時為值c，為一定值以上時為值d等，c、d為任意實數）。
（第四實施形態） 圖16表示本實施形態的磨損預測裝置的硬體構成。作為本實施形態的磨損預測裝置，可使用第一實施形態至第三實施形態的任一實施形態的磨損預測裝置。本實施形態的磨損預測裝置包含電腦裝置100。電腦裝置100包括中央處理單元（Central Processing Unit，CPU）101、輸入介面（interface）102、顯示裝置103、通訊裝置104、主記憶裝置105及外部記憶裝置106，它們藉由匯流排（bus）107而相互連接。
CPU（中央運算裝置）101在主記憶裝置105上執行作為電腦程式（computer program）的磨損預測程式。磨損預測程式是實現磨損預測裝置的所述各功能構成的程式。藉由CPU101執行磨損預測程式，從而實現各功能構成。
輸入介面102是用於將來自鍵盤、滑鼠及觸控面板（touch panel）等輸入裝置的操作信號輸入至磨損預測裝置的電路。
顯示裝置103顯示從磨損預測裝置輸出的資料或資訊。顯示裝置103例如為液晶顯示器（Liquid Crystal Display，LCD）、陰極射線管（Cathode Ray Tube，CRT）及電漿顯示面板（Plasma Display Panel，PDP），但並不限於此。由預測結果輸出部18所生成的資料或資訊可藉由該顯示裝置103予以顯示。
通訊裝置104是供磨損預測裝置以無線或有線來與外部裝置進行通訊的電路。檢修資料、車輛資料、運行資料及環境資料可經由通訊裝置104而從外部裝置輸入。可將從外部裝置輸入的檢修資料、車輛資料、運行資料及環境資料保存於檢修資料記憶部11、車輛資料記憶部12、運行資料記憶部15及環境資料記憶部19中。作為一例，通訊裝置104亦可藉由與搭載於車輛的通訊裝置進行通訊，來獲取車輛資料，並將所獲取的車輛資料保存於車輛資料記憶部12中。
主記憶裝置105記憶磨損預測程式、磨損預測程式的執行所需的資料、及藉由磨損預測程式的執行而生成的資料等。磨損預測程式是於主記憶裝置105上展開並執行。主記憶裝置105例如為隨機存取記憶體（Random Access Memory，RAM）、動態隨機存取記憶體（Dynamic Random Access Memory，DRAM）、靜態隨機存取記憶體（Static Random Access Memory，SRAM），但並不限於此。檢修資料記憶部11、車輛資料記憶部12、運行資料記憶部15及環境資料記憶部19亦可構建於主記憶裝置105上。
外部記憶裝置106記憶磨損預測程式、磨損預測程式的執行所需的資料、及藉由磨損預測程式的執行而生成的資料等。該些程式或資料在磨損預測程式的執行時，被讀出至主記憶裝置105中。外部記憶裝置106例如為硬碟（hard disk）、光碟、快閃記憶體（flash memory）及磁帶，但並不限於此。檢修資料記憶部11、車輛資料記憶部12、運行資料記憶部15及環境資料記憶部19亦可構建於外部記憶裝置106上。
再者，磨損預測程式既可預先安裝（install）於電腦裝置100，亦可記憶於唯讀光碟（Compact Disc-Read Only Memory，CD-ROM）等記憶媒體。而且，磨損預測程式亦可上傳（upload）至網際網路（Internet）上。
而且，磨損預測裝置既可包含單個電腦裝置100，亦可構成為包含經由網路而相互連接的多個電腦裝置100的系統。磨損預測裝置亦可配置於雲端（cloud）上，並經由網際網路而從用戶受理操作輸入。 [技術方案1]一種磨損預測裝置，包括： 模型構建部，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測部，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。 [技術方案2]如技術方案1所述的磨損預測裝置，其中 所述預測部基於所述對象車輛的運行計劃資料，獲取所述對象車輛的所述機構對所述磨損零件的按壓力的預測值，並基於所述按壓力的預測值，來預測所述磨損零件將來的所述磨損狀態。 [技術方案3]如技術方案2所述的磨損預測裝置，其中 所述預測部基於所述對象車輛的運行計劃資料，從至少一台車輛的多個運行實績資料中，選擇至少一個對象運行實績資料，將所述至少一個對象運行實績資料所表示的運行期間內的所述按壓力的測定值設為所述按壓力的預測值。 [技術方案4]如技術方案3所述的磨損預測裝置，其中 所述多個運行實績資料包含表示所述車輛的運行環境的環境資料， 所述預測部基於所述運行計劃資料來算出所述對象車輛的運行環境，基於所算出的運行環境來確定所述對象運行實績資料。 [技術方案5]如技術方案3或技術方案4所述的磨損預測裝置，其中 所述預測部將具有與所述運行計劃資料相同的出發地點及相同的最終到達地點的運行實績資料設為所述對象運行實績資料。 [技術方案6]如技術方案5所述的磨損預測裝置，其中 所述預測部將與所述運行計劃資料所表示的運行時間之差為最小或為閾值以下的運行實績資料設為所述對象運行實績資料。 [技術方案7]如技術方案2至技術方案6中任一項所述的磨損預測裝置，其中 所述模型構建部基於表示所述車輛的運行環境的環境資料的歷程，來構建所述推測模型， 所述預測部基於所述運行計劃資料來算出所述對象車輛的運行環境，並基於所算出的所述運行環境來預測所述磨損狀態。 [技術方案8]如技術方案2至技術方案7中任一項所述的磨損預測裝置，其中 所述推測模型對所述對象車輛的運行計劃資料所表示的運行期間內的所述按壓力的預測值進行累計相加，將累計值作為所述推測模型的輸入，來算出所述推測模型的輸出值。 [技術方案9]如技術方案1至技術方案8中任一項所述的磨損預測裝置，其中 所述磨損零件為煞車塊， 所述機構為煞車用的氣缸， 所述對象物為所述車輛的車輪， 所述作用為所述車輛的減速， 所述檢修值表示所述煞車塊的磨損量或有無更換。 [技術方案10]如技術方案9所述的磨損預測裝置，其中 所述按壓力為所述氣缸的壓力。 [技術方案11]如技術方案1至技術方案8中任一項所述的磨損預測裝置，其中 所述機構為集電弓， 所述磨損零件為所述集電弓的滑塊， 所述對象物為架線， 所述作用為對所述車輛的集電， 所述檢修值表示所述集電弓的磨損量或有無更換。 [技術方案12]一種磨損預測方法，包括： 模型構建步驟，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測步驟，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。 [技術方案13]一種記錄媒體，其保存有用於使電腦執行下述步驟的電腦程式，即： 模型構建步驟，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測步驟，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。
再者，本發明並不就此限定於所述各實施形態，在實施階段，可在不脫離其主旨的範圍內對構成要素進行變形而具體化。而且，可藉由將所述各實施形態中所揭示的多個構成要素適當組合，而形成各種發明。而且，例如亦可考慮從各實施形態所示的所有構成要素中刪除若干個構成要素的構成。進而，亦可將不同的實施形態中記載的構成要素適當組合。
11:檢修資料記憶部 12:車輛資料記憶部 13:模型構建部 14:模型記憶部 15:運行資料記憶部 16:磨損預測部（預測部） 17:預測結果記憶部 18:預測結果輸出部 19:環境資料記憶部 21:軌道 22:車輪 23:踏面煞車 24:空氣氣缸 25:煞車塊 26:負載補償裝置 27:空氣彈簧 31:集電弓 32:架空線（架線） 33:滑塊 100:電腦裝置 101:CPU 102:輸入介面 103:顯示裝置 104:通訊裝置 105:主記憶裝置 106:外部記憶裝置 107:匯流排 M:注意標記 S100~S105、S200~S206:步驟
圖1是第一實施形態的磨損預測裝置的方塊圖。 圖2是表示檢修資料的示例的圖。 圖3是表示車輛資料的第一例的圖。 圖4是煞車塊、煞車氣缸壓力及空氣彈簧（air spring）壓力的說明圖。 圖5是集電弓的滑塊的說明圖。 圖6是表示車輛資料的第二例的圖。 圖7是表示學習資料及教學資料的一例的圖。 圖8是表示學習資料及教學資料的另一例的圖。 圖9是表示運行資料（運行實績及運行計劃）的示例的圖。 圖10是表示基於預測結果的資料顯示例的圖。 圖11是表示基於預測結果的另一資料顯示例的圖。 圖12是表示基於預測結果的又一資料顯示例的圖。 圖13是學習階段（phase）的處理的流程圖。 圖14是預測階段的處理的流程圖。 圖15是第二實施形態的磨損預測裝置的方塊圖。 圖16是表示第一實施形態至第三實施形態中任一實施形態的磨損預測裝置的硬體（hardware）構成的圖。
11:檢修資料記憶部
12:車輛資料記憶部
13:模型構建部
14:模型記憶部
15:運行資料記憶部
16:磨損預測部(預測部)
17:預測結果記憶部
18:預測結果輸出部

Claims (13)

  1. 一種磨損預測裝置，包括： 模型構建部，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測部，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。
  2. 如請求項1所述的磨損預測裝置，其中 所述預測部基於所述對象車輛的運行計劃資料，獲取所述對象車輛的所述機構對所述磨損零件的按壓力的預測值，並基於所述按壓力的預測值，來預測所述磨損零件將來的所述磨損狀態。
  3. 如請求項2所述的磨損預測裝置，其中 所述預測部基於所述對象車輛的運行計劃資料，從至少一台車輛的多個運行實績資料中，選擇至少一個對象運行實績資料，將所述至少一個對象運行實績資料所表示的運行期間內的所述按壓力的測定值設為所述按壓力的預測值。
  4. 如請求項3所述的磨損預測裝置，其中 所述多個運行實績資料包含表示所述車輛的運行環境的環境資料， 所述預測部基於所述運行計劃資料來算出所述對象車輛的運行環境，基於所算出的運行環境來確定所述對象運行實績資料。
  5. 如請求項3所述的磨損預測裝置，其中 所述預測部將具有與所述運行計劃資料相同的出發地點及相同的最終到達地點的運行實績資料設為所述對象運行實績資料。
  6. 如請求項5所述的磨損預測裝置，其中 所述預測部將與所述運行計劃資料所表示的運行時間之差為最小或為閾值以下的運行實績資料設為所述對象運行實績資料。
  7. 如請求項2至請求項6中任一項所述的磨損預測裝置，其中 所述模型構建部基於表示所述車輛的運行環境的環境資料的歷程，來構建所述推測模型， 所述預測部基於所述運行計劃資料來算出所述對象車輛的運行環境，並基於所算出的所述運行環境來預測所述磨損狀態。
  8. 如請求項2至請求項6中任一項所述的磨損預測裝置，其中 所述推測模型對所述對象車輛的運行計劃資料所表示的運行期間內的所述按壓力的預測值進行累計相加，將累計值作為所述推測模型的輸入，來算出所述推測模型的輸出值。
  9. 如請求項1至請求項6中任一項所述的磨損預測裝置，其中 所述磨損零件為煞車塊， 所述機構為煞車用的氣缸， 所述對象物為所述車輛的車輪， 所述作用為所述車輛的減速， 所述檢修值表示所述煞車塊的磨損量或有無更換。
  10. 如請求項9所述的磨損預測裝置，其中 所述按壓力為所述氣缸的壓力。
  11. 如請求項1至請求項6中任一項所述的磨損預測裝置，其中 所述機構為集電弓， 所述磨損零件為所述集電弓的滑塊， 所述對象物為架線， 所述作用為對所述車輛的集電， 所述檢修值表示所述集電弓的磨損量或有無更換。
  12. 一種磨損預測方法，包括： 模型構建步驟，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測步驟，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。
  13. 一種記錄媒體，其保存有用於使電腦執行下述步驟的電腦程式，即： 模型構建步驟，基於一機構對磨損零件的按壓力的測定值的歷程、與表示所述磨損零件的磨損狀態的檢修值的歷程，來構建所述磨損狀態的推測模型，所述機構是將設於車輛的所述磨損零件按壓至對象物以對所述車輛給予作用的機構；以及 預測步驟，使用所述推測模型，對設於對象車輛的磨損零件的磨損狀態進行預測。
TW109108201A 2019-04-26 2020-03-12 磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體 TW202040444A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019086732A JP2020183767A (ja) 2019-04-26 2019-04-26 摩耗予測装置、摩耗予測方法及びコンピュータプログラム
JP2019-086732 2019-04-26

Publications (1)

Publication Number Publication Date
TW202040444A true TW202040444A (zh) 2020-11-01

Family

ID=72985769

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109108201A TW202040444A (zh) 2019-04-26 2020-03-12 磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體

Country Status (4)

Country Link
JP (2) JP2020183767A (zh)
CN (1) CN111853113B (zh)
TW (1) TW202040444A (zh)
ZA (1) ZA202001198B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7456273B2 (ja) * 2020-05-11 2024-03-27 Tdk株式会社 データ解析システム、データ解析方法及びデータ解析プログラム
CN114834425A (zh) * 2021-06-04 2022-08-02 长城汽车股份有限公司 车辆告警方法、装置以及车辆
CN113865885B (zh) * 2021-09-26 2024-04-26 青岛迈金智能科技股份有限公司 一种用于检测自行车损耗的方法及装置
KR102587370B1 (ko) * 2021-11-19 2023-10-12 주식회사 이에스피 에너지 효율과 운전 안전성 향상을 위한 차량용 통합 제어 시스템
JP7442755B2 (ja) 2022-01-04 2024-03-04 三菱電機株式会社 車輪踏面粗さ推定装置および車輪踏面粗さ推定方法
CN114370471B (zh) * 2022-01-05 2023-09-01 东风柳州汽车有限公司 刹车片磨损提醒方法、装置、设备及存储介质

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10066245B4 (de) * 2000-06-14 2007-06-06 Bayerische Motoren Werke Ag Verfahren zur Überwachung der Stärke der Bremsbeläge einer Fahrzeug-Bremsanlage
DE10142790B4 (de) * 2001-08-31 2007-01-18 Winkle, Günther, Dipl.-Ing.(TU) Bremsdiagnose für Schienen- und Straßenfahrzeuge
US6659233B2 (en) * 2001-12-04 2003-12-09 Hydro-Aire, Inc. System and method for aircraft braking system usage monitoring
US6847869B2 (en) * 2003-01-09 2005-01-25 Westinghouse Air Brake Technologies Corporation Software based brake shoe wear determination
US7694555B2 (en) 2007-03-27 2010-04-13 Gm Global Technology Operations, Inc. Brake pad prognosis system
GB2457376B (en) * 2008-02-14 2011-12-07 Goodrich Corp Brake wear measurement system
DE102011113025A1 (de) 2011-09-09 2013-03-14 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Bremssteuereinrichtung für eine Bremsanlage eines Schienenfahrzeugs, Bremsanlage, Schienenfahrzeug und Verfahren zum Betreiben einer Bremssteuereinrichtung
US10126187B2 (en) * 2013-11-07 2018-11-13 Hottinger Baldwin Messtechnik Gmbh Device for monitoring wear on overhead lines
JP6207075B2 (ja) * 2013-12-20 2017-10-04 三菱重工業株式会社 摩耗量演算装置、車両、摩耗量演算方法、および、プログラム
CN103742575B (zh) * 2013-12-30 2017-11-14 北京交通大学 一种基于在线监测的动车组闸片磨损量的估算方法
KR101551972B1 (ko) * 2014-02-25 2015-09-18 현대자동차주식회사 Esc 시스템을 이용한 브레이크 마찰재 마모 경고 시스템
JP6338907B2 (ja) * 2014-03-27 2018-06-06 Ntn株式会社 電動ブレーキ装置
DE102014113371A1 (de) * 2014-09-17 2016-03-17 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren zur Überwachung und Diagnose von Komponenten eines Schienenfahrzeugs, mit erweiterbarer Auswertungssoftware
DE102015004537B4 (de) * 2015-04-04 2021-02-18 Audi Ag Verschleißbestimmung an einer Reibbremse
US10760633B2 (en) * 2015-07-13 2020-09-01 Proceq Sa Method and device for determining wear of a carbon ceramic brake disc in a vehicle by impedance measurements
CN204788947U (zh) * 2015-07-14 2015-11-18 北京信息科技大学 一种湿式离合器摩擦片磨损量的测试试验台
CN106594131B (zh) * 2015-10-16 2019-04-19 比亚迪股份有限公司 刹车片磨损预警方法及系统
CN105416267B (zh) * 2015-11-11 2018-09-04 宁波合力制动系统有限公司 一种用于制动器上的制动片组合的智能控制方法
JP6414118B2 (ja) * 2016-03-28 2018-10-31 トヨタ自動車株式会社 車両用ブレーキシステムおよび摩擦部材摩耗検知方法
CN105973737A (zh) * 2016-04-28 2016-09-28 辽宁科技学院 一种用于摩擦片磨损量的获取方法
GB201716147D0 (en) * 2017-10-04 2017-11-15 Continental Automotive Gmbh Vehicle brake pad monitoring

Also Published As

Publication number Publication date
JP7454088B2 (ja) 2024-03-21
JP2020183767A (ja) 2020-11-12
JP2023129446A (ja) 2023-09-14
CN111853113B (zh) 2022-08-23
ZA202001198B (en) 2021-02-24
CN111853113A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
TW202040444A (zh) 磨損預測裝置、磨損預測方法以及電腦可讀取記錄媒體
JP6889059B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
TWI691420B (zh) 異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體
CN110376003B (zh) 基于bim的智能列车整车服役寿命预测方法及其系统
US20160133070A1 (en) Vehicle preventive maintenance system
JP6420714B2 (ja) 鉄道地上設備の保守支援システム、保守支援方法、及び保守支援プログラム
CN114072825A (zh) 使用数字孪生监测、预测和维护铁路元素的状况
WO2016071993A1 (ja) 車両消耗品需要予測システムおよび車両消耗品需要予測プログラム
WO2021188647A1 (en) Systems and methods for managing velocity profiles
US20230194281A1 (en) Energy consumption prediction for machine
CN109493449B (zh) 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法
JP7284049B2 (ja) 冠水検知装置、冠水検知システム、及び冠水検知プログラム
CN116341706A (zh) 基于综合能源感知的城市移动负荷概率预测系统与方法
Xing et al. Operation Energy Consumption Estimation Method of Electric Bus Based on CNN Time Series Prediction
CN117251722A (zh) 一种基于大数据的智慧交通管理系统
WO2023114655A1 (en) Machine and battery system prognostics
CN114676175A (zh) 一种道路颠簸点检测方法、装置、设备及介质
JP2021146758A (ja) 情報処理装置、情報処理方法及びプログラム
CN113657555B (zh) 一种基于改进半监督聚类的冰雪环境驾驶经验评价方法
WO2023195218A1 (ja) 鉄道保守支援システム、鉄道保守支援方法
WO2021010074A1 (ja) 機器診断装置、機器診断システム及び機器診断方法
Yang et al. Research on time-of-station prediction of tram based on support vector machine
Sun et al. Modeling the traction energy consumption for urban rail line considering operation characteristics
Cunillera et al. Train motion model calibration: research agenda and practical recommendations
WO2023119044A1 (en) Method and system for detecting and providing information representative of particulate emissions due to the use of a braking system of a vehicle