TWI688492B - 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 - Google Patents

異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 Download PDF

Info

Publication number
TWI688492B
TWI688492B TW107108389A TW107108389A TWI688492B TW I688492 B TWI688492 B TW I688492B TW 107108389 A TW107108389 A TW 107108389A TW 107108389 A TW107108389 A TW 107108389A TW I688492 B TWI688492 B TW I688492B
Authority
TW
Taiwan
Prior art keywords
vehicle
abnormality detection
value
conditions
threshold
Prior art date
Application number
TW107108389A
Other languages
English (en)
Other versions
TW201908163A (zh
Inventor
菊池元太
丸地康平
服部陽平
Original Assignee
日商東芝股份有限公司
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 filed Critical 日商東芝股份有限公司
Publication of TW201908163A publication Critical patent/TW201908163A/zh
Application granted granted Critical
Publication of TWI688492B publication Critical patent/TWI688492B/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Valves And Accessory Devices For Braking Systems (AREA)

Abstract

本發明實現精度高的異常檢測。作為本發明的實施形態的異常檢測裝置具備：條件生成部、臨限值設定部、以及異常檢測部。所述條件生成部根據車輛的行駛資訊，生成對基於控制指令值及預測模型的所述車輛的狀態的預測值、與所述車輛的狀態的測量值的差分進行區分的多個條件。所述臨限值設定部對所述多個條件設定多個臨限值。所述異常檢測部根據所述預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測。

Description

異常檢測裝置、異常檢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異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體。
為了維持鐵路的安全‧穩定的運行，必須日常地實施鐵路車輛的維護管理或檢查。先前，進行以鐵路車輛的定期的檢査為中心的維護管理，但近年來，為了確保鐵路的更高度的安全性，正進行如下的技術的開發：活用自鐵路車輛中取得的感測器的值或控制值等車輛資訊，進行診斷或狀態監視，藉此進行異常的早期發現。
存在如下的技術：藉由利用鐵路車輛上的感測器所測量的值與臨限值的比較來進行異常檢測的技術；或準備使鐵路車輛的正常系統的動作再現的模型，並使用該模型檢測異常或異常前兆的技術。但是，於行駛條件因路線坡度或天氣的變化、乘客的上下車、駕駛員的操作等而在時間序列上動態地變化的鐵路車輛 中，難以根據相同的臨限值進行正確的異常檢測。
本發明的實施形態提供一種實現精度高的異常檢測的異常檢測裝置、異常檢測方法以及電腦程式。
作為本發明的實施形態的異常檢測裝置具備：條件生成部、臨限值設定部、以及異常檢測部。所述條件生成部根據車輛的行駛資訊，生成對基於控制指令值及預測模型的車輛的狀態的預測值、與所述車輛的狀態的測量值的差分進行區分的多個條件。所述臨限值設定部對所述多個條件設定多個臨限值。所述異常檢測部根據所述預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測。
10:制動桿
20:軌道
30:車輪
41:制動塊
42:踏面制動器
43:氣缸
50:負荷補償裝置
51:氣墊
60a、60b:主電動機
70:電阻器
80:集電弓
90:架線
100:異常檢測裝置/電腦裝置
101:車輛資訊收集部
102:環境資訊收集部
103:資料加工部
110:異常檢測部
111:模型選擇部
120:發報部
130:畫面生成部
151:CPU
152:輸入介面
153:顯示裝置
154:通信裝置
155:主記憶裝置
156:外部記憶裝置
157:匯流排
200:異常檢測模型生成部
210:模型生成部
220:臨限值設定部
230:條件生成部
310:資訊資料庫
310a、310b、310c:表格
320:模型資料庫
330:檢測結果資料庫
400、401、402:常態分佈
500:車輛系統
600:環境資訊系統
700:終端
800:輸入裝置
900:畫面顯示裝置
901:主畫面
902:異常詳細畫面
903:確認畫面
1001a、1001b、1001c:節點
A、B:行駛條件
t、t1~t5:時刻
α、β:臨限值
σ:標準偏差
S101~S106、S201~S205:步驟
圖1是本發明的實施形態的異常檢測系統的方塊圖。
圖2是表示鐵路車輛的制動等級(brake notch)、制動器、氣墊(air spring)的構成例的圖。
圖3是表示鐵路車輛的發電制動器及再生制動器的構成例的圖。
圖4是表示與測量資訊及環境資訊相關的表格的例子的圖。
圖5是表示與制動資訊相關的表格的例子的圖。
圖6是表示轉換表格的例子的圖。
圖7是表示模型資料庫的例子的圖。
圖8是表示使用常態分佈(normal distribution)的臨限值的決定方法的例子的圖。
圖9是表示檢測結果資料庫的例子的圖。
圖10是表示用於生成行駛條件的資料組的例子的圖。
圖11是表示決策樹(decision tree)的例子的圖。
圖12是表示模型資料庫的另一例的圖。
圖13是表示異常檢測模型的動作例的圖。
圖14是表示異常檢測裝置所輸出的主畫面的例子的圖。
圖15是表示異常檢測裝置所輸出的異常詳細畫面的例子的圖。
圖16是表示駕駛員用的確認畫面的例子的圖。
圖17是表示本發明的實施形態的異常檢測裝置的硬體構成的圖。
圖18是本發明的實施形態的異常檢測處理的流程圖。
圖19是與異常檢測裝置的學習模式相關的處理的流程圖。
圖20是表示模型資料庫的另一例的圖。
以下，一面參照圖式一面對本發明的實施形態進行說明。另外，於圖式中，對同一個構成要素標註相同的編號，並適宜省略說明。
圖1是表示本發明的第1實施形態的異常檢測系統的一例的方塊圖。
圖1的異常檢測系統具備：異常檢測裝置100、車輛系統500、環境資訊系統600、終端700、輸入裝置800、以及畫面顯示裝置900。以下，對圖1的異常檢測系統的概要進行說明。
異常檢測裝置100具備學習模式與運用模式。異常檢測裝置100具有於學習模式中，根據自車輛系統500中取得的鐵路車輛(以下，車輛)的測量資訊、及自環境資訊系統600中取得的車輛的環境資訊的至少一者，製作與鐵路車輛的制動系統相關的異常檢測模型的功能(異常檢測模型生成部200)。本實施形態的車輛的行駛資訊包含自車輛系統500中取得的車輛的測量資訊、及自環境資訊系統600中取得的車輛的環境資訊的至少一者。異常檢測模型包含預測車輛的狀態的預測模型、及與自預測模型的預測值的背離(偏差)相關的臨限值。作為一例，車輛的狀態為車輛的減速度。
異常檢測裝置100具備於運用模式中，使用預測模型與臨限值來進行車輛的異常檢測的功能(異常檢測部110)。所謂異常檢測，是指判斷有無異常。異常檢測亦被稱為異常判定。異常檢測藉由將作為預測模型的預測值與自車輛中取得的車輛的狀態 的實測值的差分的背離與臨限值加以比較來進行。
另外，異常檢測裝置100具有對基於車輛的行駛資訊的多個條件(以下，行駛條件)分別設定臨限值的功能(臨限值設定部220)。於此情況下，異常檢測裝置100生成包含一個預測模型、及對應於多個行駛條件的多個臨限值的異常檢測模型。於使用該異常檢測模型的異常檢測中，自異常檢測模型中所含有的多個臨限值中選擇對應於正放置有車輛的行駛條件，即成為異常檢測的對象的行駛資訊(當前的行駛資訊)所滿足的行駛條件的臨限值，並使用所選擇的臨限值與預測模型。
多個行駛條件的製作、及多個臨限值的設定於學習模式中進行。於行駛條件的製作中利用車輛的行駛資訊、及異常檢測的結果(預測模型的預測值與狀態值的實測值的背離等)。學習模式與運用模式可自動地切換或藉由維護人員等的指示來切換，亦可分別同時執行。
異常檢測裝置100於檢測到異常的情況下，作為一例，將檢測到異常的部位、用於異常檢測的異常檢測模型、用於異常檢測的行駛資訊、由預測模型所得的預測值等顯示於畫面顯示裝置900中。藉此，支援由鐵路的運用者所進行的監視。
此處，對本實施形態的車輛的制動系統進行簡單說明。圖2表示制動等級、針對車輛的某一特定的車輪的制動器及氣墊的構成例。再者，制動等級實際上位於電車的駕駛室內。以下，一面參照圖2一面對作為異常檢測裝置100進行異常檢測的對象 的車輛的制動系統進行說明。
作為控制器的一例的制動桿(brake lever)10對駕駛員提供進行制動操作的手段。駕駛員將制動桿自下方朝上方移動，藉此可對車輛施加制動。顯示於制動桿10上的1~8的數值為制動等級(制動階段)，該數值越大，越強的制動力作用於車輛上。此處的等級數是例子，並不排除使用比其多的等級數或比其少的等級數的車輛。制動等級對應於針對車輛或制動器的控制指令值的一例。
再者，對於車輛的制動操作並不限定於駕駛員進行的制動操作。例如，於搭載有自動列車停車裝置(Automatic Train Stop：ATS)、自動列車控制裝置(Automatic Train Control：ATC)、自動列車駕駛裝置(Automatic Train Operation：ATO)的車輛中，存在該些裝置代替駕駛員來進行制動操作的情況。於此情況下，作為一例，自該些裝置中輸出的與制動器制動相關的指令對應於控制指令值。
於圖2中顯示有於軌道20上行駛的車輛的車輪30。作為對該車輛進行利用制動器的制動的手段之一，有踏面制動器(tread brake)42。此處，為了說明而僅顯示一個車輪，但實際上設置有多組左右一對的車輪。
踏面制動器42將氣缸作為動力。藉由提高作為氣缸43內的壓力的制動缸(brake cylinder)壓力，而將制動塊(brake shoe)41按壓於車輪30的作為與軌道接觸的面的踏面上。車輪30與制 動塊41之間的摩擦力成為踏面制動器42的制動力。
如此，由於踏面制動器利用制動塊的摩擦力，因此存在制動塊因持續使用而磨耗，且制動力下降的可能性。踏面制動器是用於車輛的機械式制動器的一例，此外，亦存在利用襯墊等將固定於車輪軸上的圓盤按壓於車輪上，而獲得制動力的圓盤制動器(disk brake)等方式。制動器的制動力根據制動塊或襯墊等的磨耗狀態而變動。當藉由本異常檢測裝置而於制動系統中檢測到異常時，作業人員等亦可對制動系統的制動塊或圓盤等進行確認，而確認是否實際上無異常。
除零件的磨耗以外，制動器的制動力亦根據對於車輛的負荷而變動。於圖2的車輛中搭載有負荷補償裝置(load compensating device)50。負荷補償裝置50具備氣墊51，藉由檢測氣墊51的氣墊壓力，可測定車輛所承受的負荷。作為車輛的制動控制，除制動桿10的操作以外，亦可對應於由負荷補償裝置50所檢測到的氣墊壓力來調整制動器的制動力。藉此，不論車輛所承受的負荷的增減，均可達成所期望的減速度。
於車輛的制動系統中，為了補充機械式制動器的制動力，亦可併用電制動器。使用圖3對電制動器進行說明。圖3是車輛的發電制動器及再生制動器的構成例。
於圖3的車輛中搭載有主電動機60a、主電動機60b。當使用發電制動器時，主電動機60a、主電動機60b與電阻器70構成閉合電路，將主電動機的電力進一步轉換成熱能。
另一方面，當使用再生制動器時，將由主電動機60a、主電動機60b所發電的電力自集電弓(pantograph)80朝架線90中輸電。或者，當於車輛中搭載有蓄電池時，亦可使用所發電的電力對蓄電池進行充電。如此，於再生制動器中，將主電動機60a、主電動機60b用作發電機，並將動能轉換成電力，藉此確保制動力。
機械式制動器或發電制動器為一例，即便於將其他方式的制動器用於制動系統的情況下，亦可將其作為利用異常檢測裝置100進行異常檢測的對象。
此處，由於制動系統的構成比較複雜、及制動器或制動系統的特性可因多個因素或條件而變動，因此難以對車輛的制動系統進行正確的異常檢測。
例如，於車輛的制動系統中併用特性不同的多種方式的制動器。另外，如上所述，車輛的制動系統的制動力根據負荷而變化。例如，關於旅客用的車輛，乘客數根據時間段或運行區間而大幅度變動，因此制動系統的制動力於短期間內大幅度變動。關於貨物用的車輛，負荷亦對應於貨物裝載量而大幅度變化。此外，坡度或斜面(cant)的傾向根據車輛行駛的路線或區間而不同，存在進行了制動操作時的減速度變動的可能性。進而，有時降水的有無、氣溫的高低等氣象條件的差異會使構成制動系統的零件的物理的性質變化，而對制動系統的特性造成影響。此外，制動操作的特徵根據駕駛員而不同，而且有時亦因各車輛的個體差而 於制動器的特性中產生差異。
因此，於本實施形態中，對應於正放置有車輛的行駛條件來切換所使用的臨限值，藉此使用對應於車輛內外的狀況的適當的臨限值，藉此簡易地進行高精度的異常檢測。藉此，針對有無異常，減少產生誤檢測的風險，並維持異常的早期發現與鐵路的安全‧穩定的運行。
以下，更詳細地說明圖1的異常檢測裝置100。於以下的說明中，作為異常檢測裝置100進行異常檢測的對象的制動系統可為針對鐵路的任意的車輛的特定的車輪的制動裝置，亦可為車輛整體的多個制動裝置整體，亦可為多個車輛或編組的制動裝置群的整體。異常檢測的對象不僅是制動系統，亦可將動力系統、空調系統、電力系統等作為對象。另外，進行異常檢測的對象並不限定於鐵路車輛，亦可為汽車、施工機械、飛機等具備車輪的任意的車輛。亦不排除車輛以外的裝置或系統。
異常檢測裝置100具備：車輛資訊收集部101、環境資訊收集部102、資料加工部103、異常檢測模型生成部200、條件生成部230、異常檢測部110、發報部120、以及畫面生成部130。
異常檢測模型生成部200包含模型生成部210與臨限值設定部220。
車輛資訊收集部101自車輛內的車輛系統500的各種感測器中取得與車輛相關的測量資訊(亦可稱為測量資料)。作為感測器的例子，有將車輛的制動操作等作為控制指令值來檢測的感 測器、檢測車輛的減速度的感測器、檢測駕駛速度的感測器、測量車輛所承受的負荷的感測器等。此外，亦可考慮各種感測器。測量資訊包含感測器的檢測值(控制指令值等)、感測器的測量值(駕駛速度、負荷、減速度等)等。此外，當於車輛系統500中根據速度感測器的值來計算減速度時，亦可將該經計算的減速度作為測量資訊的一部分而取得。
成為取得對象的測量資訊的種類(感測器的種類或控制指令值的種類)可任意地設定。取得測量資訊的週期可任意地設定。例如，關於與車輛的駕駛速度相關聯的測量資訊，於以毫秒為單位的短的採樣週期內取得值。關於測量車輛所承受的負荷的感測器，於以分鐘為單位的採樣週期內取得值。
環境資訊收集部102自環境資訊系統600中取得車輛的環境資訊(亦可稱為行駛環境資料)。作為環境資訊的例子，有與運行路線相關的資訊、或與氣象相關的資訊等。作為與運行路線相關的資訊的例子，有各區間的坡度或斜面(鐵路的內側及外側的軌道的高低差)等與運行路線相關的資訊。作為與氣象相關的資訊的例子，有天氣、氣溫、降水量、風速、氣壓等與氣象相關的資訊。環境資訊的取得可藉由自地上系統內的資料庫中取得積存於其中的資訊來進行，亦可藉由取得自外部的伺服器所傳送的資訊來進行。作為取得對象的環境資訊的種類、及進行取得的頻率可任意地設定。
異常檢測裝置100可作為地上裝置而設置於鐵路的運行 管理公司的設施或運營指揮中心(operation direction center)內等車輛外，亦可作為車上裝置而設置於車輛上。異常檢測裝置100的設置形態並無特別限定。
當異常檢測裝置100作為地上裝置而設置於車輛外時，作為一例，經由車上線圈、訊答機地上線圈、及地上的資訊網路而接收車輛內的車輛系統500的測量資訊等。即，車輛系統500經由地上線圈等而朝地上的資訊網路中發送資料，異常檢測系統經由地上的資訊網路而接收資料。於地上的資訊網路中可使用金屬電纜、同軸電纜、光纜、電話線、無線、乙太網路(Ethernet)(註冊商標)等，但方式並無特別限定。異常檢測裝置100亦可經由地上的資訊網路而自環境資訊系統600接收資料。
當異常檢測裝置100為車上裝置時，異常檢測裝置100經由車輛內的資訊網路而自車輛系統500中取得資料。車輛內的資訊網路有乙太網路或無線區域網路(Local Area Network，LAN)等，但亦可為利用其他方式的網路。異常檢測裝置100亦可使用車上線圈或訊答機地上線圈而取得與地上的資訊網路連接的環境資訊系統600的資料。
輸入裝置800提供用於維護人員進行操作的介面。輸入裝置800包含滑鼠、鍵盤、語音識別系統、圖像識別系統、觸控面板或該些的組合等。維護人員可自輸入裝置800朝異常檢測裝置100中輸入各種指令或資料，並進行操作。
畫面顯示裝置900以靜態圖像或動態圖像的形式顯示異 常檢測裝置100所輸出的資料或資訊。作為一例，畫面顯示裝置900為液晶顯示器(Liquid Crystal Display，LCD)、有機電致發光顯示器、螢光顯示管(真空螢光顯示器(Vacuum Fluorescent Display，VFD))等，但亦可為利用其他方式的顯示裝置。
輸入裝置800及畫面顯示裝置900分別可設置多台。例如，亦可於運營指揮中心與車輛的駕駛室內分別設置輸入裝置800與畫面顯示裝置900。
另外，輸入裝置800與畫面顯示裝置900亦可為經一體化的一個裝置。例如當存在帶有觸控面板功能的顯示器時，同一個裝置可兼任輸入裝置800與畫面顯示裝置900。
異常檢測裝置100包含資訊資料庫310、模型資料庫320、及檢測結果資料庫330作為資料庫。
於圖1中，資料庫310、資料庫320、資料庫330全部配置於異常檢測裝置100的內部。但是，資料庫的配置方法並無特別限定。例如，亦可將一部分的資料庫配置於外部的伺服器或儲存裝置等中。資料庫可藉由關聯式資料庫管理系統或各種非結構化查詢語言(Not Only Structured Query Language，NoSQL)系統來安裝，但亦可使用其他方式。作為資料庫的保存格式，可為可延伸標示語言(Extensible Markup Language，XML)、JavaScript對象表示法(JavaScript Object Notation，JSON)、逗號分隔值(Comma-Separated Values，CSV)等，亦可為二進制形式等其他形式。異常檢測裝置100內的所有資料庫無需以同一種資料庫系 統及保存格式來實現，亦可混合有利用多種方式者。
資訊資料庫310於內部儲存車輛資訊收集部101所取得的測量資訊、及環境資訊收集部102所取得的環境資訊。亦可將儲存有測量資訊與環境資訊的記憶元件等記憶媒體插入至異常檢測裝置100中，並將該記憶媒體用作資訊資料庫310。
將資訊資料庫310的例子示於圖4及圖5中。行駛資訊(測量資訊及環境資訊)以圖4中所示的表格310a與圖5中所示的表格310b的形態來保存。
圖4的表格310a的「資料識別符(Identifier，ID)」列對儲存於表格310a中的條目(entry)的識別號進行儲存。資料ID成為主鍵(primary key)。各個資料ID與如圖5般的表格310b建立了對應。表格310b亦保存於資訊資料庫310中。「時刻」列儲存條目的生成時刻。於該例中，於各固定的採樣時間生成條目。但是，條目亦能夠以事先對鐵軌設定的區間單位生成等以其他基準生成。
於表格310a的「駕駛員」列中儲存有進行了制動操作的駕駛員名。於進行制動操作的主體並非駕駛員，而是ATS、ATC、ATO等裝置的情況下，亦可儲存進行了操作的裝置名或表示裝置的識別符等來替代駕駛員名。
於表格310a的「天氣」列中儲存有自環境資訊系統600中取得的與天氣相關的資訊。
於表格310a的「氣溫」列中儲存有自環境資訊系統600 中取得的與氣溫相關的資訊。與氣溫相關的資訊可為所測定的實測值，亦可為對實測值進行了分級的標號。於圖示的例中，使用圖6的轉換表格310c，儲存自實數值的氣溫所轉換的T1、T2、T3、T4、T5、T6、T7的任一個等級的標號。例如，當氣溫為-11℃時，轉換成等級T1，當氣溫為15℃時，轉換成等級T4，當氣溫為33℃時，轉換成等級T6。再者，當製作後述的預測模型時，亦可使用如將等級T1轉換成1、將T2轉換成2、將T3轉換成3般，將等級名轉換成任意的整數的資料作為解釋變數(explanatory variable)。
如「氣溫」列的例子般，於資訊資料庫310中，亦可儲存對測量資訊或環境資訊進行了運算或轉換的加工後的資訊。
於表格310a的「乘車率」列中儲存有百分率形式的乘車率作為車輛所承受的負荷的指標。為了表示負荷，亦可使用其他指標。作為一例，乘車率由旅客用車輛的定員與旅客用車輛的乘客數的比率來定義。乘車率大多根據負荷補償裝置的氣墊壓力來推斷，因此亦可直接將氣墊壓力用於指標。
氣墊壓力是感測器的實測值，並非如乘車率般使用轉換表或式等來間接地推斷的值，因此存在可減少模型生成時的誤差的可能性。但是，氣墊壓力採用取決於車輛中所搭載的負荷補償裝置的生產商或型號的值，亦存在缺乏通用性的一面。因此，可認為亦存在使用如乘車率般的通常所使用的指標可吸收各車輛的負荷補償裝置的差異的差的情況。
於表格310a的「坡度」列中儲存有以千分率(permil)單位表示路線的坡度的值。所謂千分率，是指以米(metre)單位表示水平距離每1000m的高低差的值。千分率為例示，亦可儲存利用其他單位的值。
於表格310a的「斜面」列中儲存有毫米單位的斜面，此處亦可同樣地儲存利用其他單位的值。
此外，於表格310a中顯示有「風速」列與「氣壓」列。亦可存在儲存有當前位置、鐵軌中的當前的區間等其他資訊的列。
如圖5般的表格310b針對圖4的表格310a的對應的條目，儲存時刻資訊與制動等級、減速度的實測值等資訊。圖5的例子是對應於圖4的資料ID：2560的表格310b。表格310b的條目以比表格310a短的時間間隔來生成。表格310b的條目的生成間隔(採樣間隔)亦可與表格310a相同。另外，雖然將表格310b與表格310a設為不同的表格，但亦可使用將該些表格一體化而成的表格。
亦可進行儲存於資訊資料庫310中的資料的加工。例如，資料加工部103使儲存於資訊資料庫310中的各表格的內容顯示在畫面顯示裝置900中。維護人員或駕駛員使用輸入裝置800，進行對於資料的加工操作。資料加工部103根據加工操作，進行資料加工。
另外，亦可調整利用車輛資訊收集部101或環境資訊收集部102取得資訊或資料的間隔。例如，資料加工部103經由輸 入裝置800而自維護人員或駕駛員接受取得間隔的指定操作，並根據操作的內容來調整取得間隔。
異常檢測模型生成部200使用儲存於資訊資料庫310中的資料，製作車輛的制動系統的異常檢測模型。異常檢測模型包含預測模型、及一個或多個臨限值。模型生成部210生成預測模型，臨限值設定部220生成臨限值。所生成的異常檢測模型保存於模型資料庫320中。
圖7是模型資料庫320的例子。於模型資料庫320中可保存一個或多個異常檢測模型。各異常檢測模型藉由模型ID來識別。於預測模型的列中儲存表示符合的預測模型的資料、或儲存有該預測模型的記憶體的位址(指標(pointer))。於表示預測模型的資料中，例如包含減速度模型。於臨限值的列中儲存一個或多個臨限值。當儲存多個臨限值時，亦一併儲存對應於各臨限值的行駛條件(詳細情況將後述)。
作為一例，於異常檢測裝置100的啟動時或新追加系統作為異常檢測對象時，藉由學習模式來進行異常檢測模型的生成。當存在多個成為異常檢測對象的系統時，針對各系統生成異常檢測模型。
異常檢測模型是使用自資訊資料庫310中抽出的資料樣本(特徵向量)來製作。
資料樣本(特徵向量)包含一個以上的解釋變數。作為解釋變數的一例，使用表格310b的制動等級的值(控制指令值)。 除此以外，亦可將行駛資訊中的其他種類的值(速度等)或車輛的規格(作為一例，車輛的尺寸、重量等)用作解釋變數。亦可對行駛資訊中所含有的多個項目進行運算來生成解釋變數。另外，此處將預測模型的目標變數(target variable)設為減速度。資料樣本能夠以制動器資訊表格310b的條目單位來生成，亦可降低時間的粒度，將連續的多個條目彙總成一個，並根據該些而生成一個資料樣本。
以下，對預測模型的生成方法進行說明。設想將迴歸模型用作預測模型的情況。模型生成部210使用資訊資料庫310，獲得將解釋變數作為要素的特徵向量X=(x1、x2、x3、‧‧‧、xn)。
繼而，模型生成部210進行複迴歸分析(multiple regression analysis)，求出對作為目標變數的減速度進行預測的式(1)。
[數學式1]y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+…+b n x n (1)
此處，y為目標變數，xn為解釋變數，bn為偏迴歸係數(partial regression coefficient)。再者，為了吸收各解釋變數的測定單位的差，將目標變數與所有解釋變數正規化成平均值0、分散1，藉此可使用標準偏迴歸係數作為偏迴歸係數bn。解釋變數可為一個，亦可為多個。
利用複迴歸分析的模型生成是例子，此外，亦可使用支援向量迴歸(Support Vector Regression)、自我迴歸等其他方法來 製作目標變數的預測模型。
當製作預測模型時，亦可使用交叉驗證。例如，可將資料樣本分割成多個集合，將其中的至少一個集合設為驗證用的測試資料，將其他集合用於模型的製作。藉此，可確認所生成的模型的性能。
於本發明的實施形態中，設為於資訊資料庫中儲存有在成為異常檢測對象的制動系統為正常的狀態的基礎上所取得的資訊。因此，所生成的預測模型可以說是將車輛的制動系統的正常狀態的動作加以模型化者。但是，亦可容許於資訊資料庫中儲存有一部分的制動器產生故障時的資訊的情況。
為了抑制用於預測模型的製作的解釋變數的個數，例如亦可使用變數選擇法或主成分分析(Principle Components Analysis)等來調整解釋變數的數量。於不同的解釋變數彼此存在關聯的情況、或要求計算時間與處理負荷的削減的情況等有效。
所謂變數選擇法，是指自所有解釋變數的集合中選出對於預測有效的解釋變數的部分集合來生成模型的方法。可最初生成使用一個或少數的解釋變數的模型，其後生成一個一個地追加解釋變數的模型，並選出有用的解釋變數，反之亦可最初生成解釋變數多的模型，其後生成將解釋變數一個一個地去除的模型，藉此特定有用的解釋變數。此外，亦可使用基因演算法(genetic algorithm)進行解釋變數的選擇。
所謂主成分分析，是指藉由解答用於模型生成的資料的 相關矩陣(correlation matrix)或變異數共變異數矩陣(variance-covariance matrix)的固有值問題，而生成新的解釋變數，並總括維度數的方法。將使用藉由主成分分析所獲得的新的解釋變數作為式(1)的變數xn，並進行迴歸分析稱為主成分迴歸。
表示使用變數選擇法的例子。當異常檢測的對象為車輛的制動系統，並將預測模型的目標變數設為制動器的減速度時，例如，最初製作僅將被推測為與減速度的關聯關係最高的制動等級用於解釋變數的預測模型。其後，於預測模型中依次追加車輛的行駛速度等其他被認為與減速度具有關聯關係的解釋變數，並確認預測精度。選取可獲得所期望的預測精度時的解釋變數。
繼而，對藉由臨限值設定部220來對預測模型設定的臨限值進行說明。作為臨限值的使用方法，當藉由預測模型所計算的目標變數的預測值(此處為減速度的預測值)與減速度的測量值(實測值)的差分超過臨限值時，進行有異常的決定。將進行有異常的決定亦稱為檢測異常。將實測值與預測值的差分稱為背離。可能存在實測值大於預測值的情況、及實測值小於預測值的情況兩者，因此背離的值可採用正負任一者的符號。當著眼於自預測值的距離的絕對值，且符號不成為問題時，亦可將差分的絕對值定義為背離。
圖8表示使用常態分佈的臨限值的決定方法的例子。圖8的圖表表示背離的常態分佈400，橫軸為背離，縱軸為概率密度。取得多個預測模型的預測值與實測值的背離，並假定所述多個背 離按照常態分佈，而製作常態分佈400。用於取得多個背離的資料可為用於預測模型的生成的資料樣本，亦可為測試資料，亦可為與預測模型的生成無關的其他行駛資訊，亦可為該些的任意的組合。當背離的偏差更大時，如由虛線表示的常態分佈401、常態分佈402般，變成邊緣進一步擴大的分佈。
利用常態分佈400，設定針對預測模型的臨限值。作為一例，若將標準偏差設為σ，則將2σ或3σ等標準偏差的常數倍的值設定成臨限值。當將2σ設定成臨限值時，若背離超過2σ，則於異常檢測中檢測異常。若設定此種臨限值，則實測值的約95%被判斷為無異常(正常)。作為臨限值的另一設定例，亦可將對應於規定的概率(例如上位X個百分點或下位X個百分點)的背離的值或其絕對值設定成臨限值。此處所述的臨限值的決定方法為一例，並不排除使用其他方法。例如，可假定常態分佈以外的分佈來決定臨限值，維護人員、駕駛員等人亦可根據經驗來設定臨限值。
異常檢測部110使用儲存於模型資料庫320中的異常檢測模型(預測模型與臨限值)，進行作為異常檢測的對象的系統的異常檢測。根據用於異常檢測的行駛資訊來生成特徵向量，並使用所生成的特徵向量與預測模型來預測減速度。將所預測的減速度與實測的減速度的背離與臨限值進行比較。若為臨限值以下，則判定為正常，若大於臨限值，則判定為異常。異常檢測部110根據異常檢測的結果，將資訊儲存於檢測結果資料庫330中。異 常檢測部110向畫面生成部130及發報部120通知與異常檢測的結果相關的資訊。
圖9表示檢測結果資料庫的例子。按時間序列儲存有制動等級、減速度的實測值、由預測模型(ID0001)所得的減速度的預測值、以及有無異常檢測。於圖9的例中，於任何時間點均未檢測到異常。亦可於檢測結果資料庫中追加符合的時刻的行駛資訊(例如司機、天氣、氣溫、乘車率、坡度、斜面、風速、氣壓等項目)。
以上表示了對預測模型設定一個臨限值的例子，但於本實施形態中，臨限值設定部220可對預測模型設定對應於行駛條件的多個臨限值。於此情況下，異常檢測部110於進行異常檢測時，特定當前的行駛資訊所滿足的行駛條件。而且，使用對應於所特定的行駛條件的臨限值進行異常檢測。為了臨限值設定部220設定多個臨限值而需要的行駛條件藉由條件生成部230來生成。
條件生成部230利用檢測結果資料庫330與用於異常檢測的行駛資訊，生成將預測模型的預測值與實測值的差分對應於該差分的值而加以區分的多個行駛條件(多個條件)。以下，對條件生成部230的動作進行詳細說明。
條件生成部230利用檢測結果資料庫330與行駛資訊，製作預測對應於背離的等級的分類器(例如決策樹)。
將檢測結果資料庫中的預測值與實測值的背離分類成多個等級(背離等級)。例如，若背離為臨限值A以下，則設為背 離小的背離等級A，若背離大於臨限值A且未滿臨限值B，則設為背離為中等程度的背離等級B，若背離為臨限值B以上，則設為背離大的背離等級C。臨限值A亦可為對預測模型最初設定的臨限值，但並不限定於此。作為其他等級分類的例子，亦能夠以如下方式分類。將背離按升序或降序排列。若設為將背離的大小按升序排列，則將最前列20%的背離最小的資料的集合設為背離等級A，將背離第二小的60%的資料集合設為背離等級B，將剩餘的20%的資料的集合設為背離等級C。各等級的比例可任意地決定，並不限定於此處所示的值。
條件生成部230針對如圖9般的檢測結果資料庫330的各條目，對應於該條目的背離而選擇背離等級A~背離等級C的任一者，並分配所選擇的背離等級。進而，根據圖4的表格310a來特定對應於各條目的行駛資訊，並與各條目建立對應。但是，當於檢測結果資料庫330中已包含行駛資訊時，不需要該動作。藉此，如圖10所示，於檢測結果資料庫的各條目中生成使背離等級與行駛資訊建立了對應的資料組。資料組可儲存於條件生成部230的內部緩衝器中，亦可儲存於未圖示的記憶裝置或資料庫中。於圖10的資料組中，背離等級全部變成A。將該資料組用作學習資料，將背離等級設為目標變數，將除此以外的項目設定為解釋變數，藉此生成決策樹。再者，於製作資料組時，當於成為製作基礎的資料庫(圖9、圖4等)中存在不需要的項目時，無需使用所述項目。例如，若不需要有無異常檢測的項目，則亦可不包含 於圖10的資料組中。
此處，設想於資料組內不存在檢測到異常的資料的情況，但於存在檢測到異常的資料的情況下，亦可將該資料自資料組中排除。另外，當異常檢測部110檢測到異常時，亦可使維護人員確認該檢測結果的正誤。例如，當檢測到異常時，將確認檢測結果的正誤的確認畫面(參照後述的圖16)顯示於畫面顯示裝置900中。當判斷檢測結果為誤檢測時，維護人員輸入該意思的指示。根據該指示，條件生成部230或其他處理部修正檢測結果資料庫330的檢測結果。於資料組中，檢測到異常的資料亦可於製作決策樹時排除。
圖11表示所生成的決策樹的例子。該決策樹根據與降水量及乘車率相關的兩個解釋變數，預測對應於目標變數的背離等級。節點(node)1001a、節點1001b、節點1001c是對應於目標變數的末端節點。最上方的節點被稱為根節點。末端節點及根節點以外的節點被稱為中間節點。根節點及中間節點是解釋變數節點。末端節點是背離等級節點(目標變數節點)。節點1001a、節點1001b、節點1001c分別對應於背離等級A、背離等級B、背離等級C。該決策樹將「晴天時(無降水)、且乘車率為90%以下」時分類成背離等級A，將「晴天時(無降水)、且乘車率大於90%」時分類成背離等級B，將「雨天時(有降水)」分類成背離等級C。
條件生成部230取得自各背離等級節點(末端節點)至根節點為止的路徑(path)中所含有的條件作為對應於各背離等級 的行駛條件。其結果，分別取得對應於自背離等級A至根節點為止的路徑的條件「晴天時(無降水)、且乘車率為90%以下」、對應於自背離等級B至根節點為止的路徑的條件「晴天時(無降水)、且乘車率大於90%」、以及對應於自背離等級C至根節點為止的路徑的條件「雨天時(有降水)」作為行駛條件A、行駛條件B、行駛條件C。
臨限值設定部220對行駛條件A~行駛條件C的各者設定臨限值。具體而言，將用於預測模型的生成的行駛資訊(或未用於預測模型的生成的行駛資訊)分類成滿足行駛條件A~行駛條件C的群組A~群組C。對分類成群組A的行駛資訊進行異常檢測，並根據檢測結果來計算背離。求出背離的分佈(常態分佈等)，並利用該分佈設定臨限值A(參照圖8的說明)。藉此，設定針對行駛條件A的臨限值A。同樣地，對群組B亦設定對應於行駛條件B的臨限值B，對群組C亦設定對應於行駛條件C的臨限值C。
對應於群組A的背離的分佈因標準偏差變小，故臨限值A變成小的值。對應於群組C的背離的分佈因標準偏差變大，故臨限值C變成大的值。對應於群組B的臨限值B變成臨限值A與臨限值C之間的值。
臨限值A是於晴天且乘車率為90%以下時使用的臨限值，臨限值B是於晴天且乘車率大於90%時使用的臨限值，臨限值C是於降水量大於0時使用的臨限值。當對應於此種行駛條件 進行異常檢測時，藉由切換臨限值，可實現準確地再現制動器特性的異常檢測。此處，僅將降水量與乘車率用於行駛條件，但可將氣溫、濕度等其他項目用作行駛條件。
於用於決策樹的學習的演算法中存在多個ID3、C4.5等，但亦可使用任何演算法。為了防止雜訊或過度學習，亦可進行決策樹的剪枝。決策樹的學習是例子，亦可使用其他分類器。於決策樹中採用行駛資訊的多個項目中的哪個項目的解釋變數取決於演算法、或所使用的學習資料。
此處，利用決策樹設定各行駛條件的臨限值，但維護人員亦可參考專家的見解來進行針對各行駛條件的臨限值的設定。
由條件生成部230及臨限值設定部220所生成及設定的行駛條件與臨限值的各組儲存於模型資料庫320的臨限值列的符合的單元內。將針對模型0001，儲存多個臨限值與分別對應於多個臨限值的行駛條件的例子示於圖12中。
如此，於使用在預測模型中設定有多個臨限值的異常檢測模型的情況下，異常檢測部110於進行異常檢測時，特定多個行駛條件中的滿足當前的行駛資訊的行駛條件。而且，使用對應於所特定的行駛條件的臨限值與預測模型進行異常檢測。以下，對該情況下的異常檢測部110的動作的具體例進行說明。
圖13是說明異常檢測部110的動作例的圖。圖13的上段表示制動等級。中段表示制動器的減速度。下段表示實測值與由預測模型所得的預測值的背離。於預測模型中，制動等級對應 於解釋變數，減速度對應於目標變數。
於時刻t1處，進行使制動等級進入至四級的操作。制動系統接受該操作，對車輛施加制動力，因此車輛的減速度上升，其後穩定在固定的值附近。在時刻t1與時刻t2之間的區間內，減速度的預測值與測量值(實測值)產生些許的偏差，但大致同樣地推移，預測值與實測值的背離變成未滿臨限值α的範圍。於該區間內，車輛的行駛環境滿足行駛條件A。臨限值α是對應於行駛條件A者。
於時刻t2處，車輛的行駛環境所滿足的行駛條件自A變成B。異常檢測部110檢測行駛條件的變化，並將所使用的臨限值變更成β。
行駛環境及其變化可根據測量資訊中所含有的測量值或控制指令值、環境資訊中所含有的路線資料或氣象資料來檢測。此外，亦可根據駕駛員或指揮中心的明確的指令、自地上線圈所接收到的無線信號等，檢測行駛環境及其變化。
於時刻t2與時刻t3之間，減速度的預測值固定，但實測值相比於時刻t1與時刻t2之間，大幅度變動。因此，背離超過臨限值β的時機產生了三次，異常檢測部110於各個時機檢測異常。
於時刻t3處，進行將制動等級自四級變更成二級的操作。制動系統接受該操作，減少施加至車輛中的制動力，因此車輛的減速度減少。在時刻t3與時刻t4之間，背離為臨限值β的範 圍內，因此不檢測異常。
於時刻t4處，車輛的行駛環境所滿足的行駛條件自B回到A。由於異常檢測部110已檢測到行駛條件的變化，因此以時刻t4為界線，將所使用的臨限值自β變更成α。在時刻t4與時刻t5之間，背離為臨限值α的範圍內，因此不檢測異常。
於時刻t5處，進行解除制動的操作。制動系統接受該操作，進一步減少施加至車輛中的制動力，因此車輛的減速度進一步減少。於時刻t5以後，背離亦為臨限值α的範圍內，因此不檢測異常。
發報部120向鐵路的運用者、駕駛員或維護人員所使用的終端700通知已由異常檢測部110檢測到異常的意思。該通知可藉由電子郵件的發送、終端700的操作畫面上的彈出訊息的顯示、利用規定的機器管理協定的通知等來進行，亦可為利用其他手段者。於通知中亦可包含異常的詳細資訊(例如已產生異常的地圖上的位置(當前值)、已產生異常的車輛的識別符等)。運用者或維護人員藉由接收該通知，而可知道檢測到異常的意思及其詳細情況。
畫面生成部130將異常檢測的有無、有異常檢測時所檢測到的車輛的當前位置、用於異常檢測的異常檢測模型與臨限值、感測器的資料、由預測模型所得的預測值等顯示於畫面顯示裝置900中。畫面生成部130可為異常檢測裝置100所具備者，亦可為配置於連接有異常檢測裝置100的車輛資訊系統、或地上 系統的資訊網路中的終端或管理伺服器等所具備者。
圖14表示由畫面生成部130所顯示的主畫面901的例子。該主畫面901顯示多個編組的資訊。此處，設想畫面顯示裝置900位於對多個編組進行管理監視的指令室內的情況。
於主畫面901的上部，以表形式顯示與車輛相關的資訊。作為顯示項目的例子，可列舉編組、異常檢測的有無、車次(編組的識別符)、乘車率、當前位置等，但亦可顯示其他資訊。 於表中的「異常」列中顯示異常檢測的有無。感嘆號“！”表示有異常檢測。可知於編組B中檢測到異常。該與異常檢測的有無相關的顯示僅為一例，亦可為其他表達方式。
於主畫面901的下部顯示地圖，顯示有各個編組的當前位置。針對檢測到異常的編組B，藉由對話框來顯示進行了異常檢測的意思、及所使用的模型名。
於圖14的主畫面901上點擊符合的編組，藉此可轉變至異常詳細畫面。畫面轉變的方式並不限定於此，亦可藉由規定的鍵盤操作等其他方式來進行。
圖15表示藉由點擊編組B而轉變的異常詳細畫面902的例子。
圖15於畫面右側顯示有與圖8相同的圖表。即，顯示有制動等級的圖表、減速度的預測值的圖表、減速度的實測值的圖表、背離的圖表。分別顯示有包含異常檢測時刻的固定期間。以可於視覺上確認檢測到異常的時刻的方式，顯示表示超過臨限 值的縱長的棒狀的圖畫。
於圖15的畫面左側設置有複選框(check box)，可選擇進行圖表顯示的項目。亦可不同於此，設置指定進行圖表顯示的時間範圍的手段。藉由提供如以上般的介面，鐵路的運用者等可掌握異常的詳細情況，並採取迅速的應對。
當異常檢測部110檢測到異常時，亦可對主管人員提示確認畫面，並使維護人員確認該檢測結果的正誤。圖16中表示確認畫面903的例子。當判斷檢測結果為誤檢測時，維護人員輸入其修正的指示。條件生成部230根據該指示，修正檢測結果資料庫中的檢測結果。
圖17中表示本實施形態的異常檢測裝置的硬體構成。本實施形態的異常檢測裝置包含電腦裝置100。電腦裝置100具備中央處理單元(Central Processing Unit，CPU)151、輸入介面152、顯示裝置153、通信裝置154、主記憶裝置155、以及外部記憶裝置156，且該些裝置藉由匯流排157而相互連接。
CPU(中央運算裝置)151於主記憶裝置155上執行作為電腦程式的異常檢測程式。異常檢測程式是實現異常檢測裝置的所述各功能構成的程式。藉由CPU 151執行異常檢測程式，而實現各功能構成。
輸入介面152是用以將來自鍵盤、滑鼠、及觸控面板等輸入裝置的操作信號輸入至異常檢測裝置中的電路。
顯示裝置153顯示自異常檢測裝置中輸出的資料或資 訊。顯示裝置153例如為LCD(液晶顯示器)、陰極射線管(Cathode Ray Tube，CRT)、及電漿顯示器(Plasma Display Panel，PDP)，但並不限定於此。自電腦裝置100中輸出的資料或資訊可藉由該顯示裝置153來顯示。
通信裝置154是用以藉由無線或有線來使異常檢測裝置與外部裝置進行通信的電路。測量資訊可經由通信裝置154而自外部裝置輸入。可將自外部裝置所輸入的測量資訊儲存於資訊資料庫310中。
主記憶裝置155記憶異常檢測程式、異常檢測程式的執行中所需的資料、及藉由異常檢測程式的執行所生成的資料等。異常檢測程式於主記憶裝置155上得到展開，並得到執行。主記憶裝置155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)，但並不限定於此。資訊資料庫310、模型資料庫320、檢測結果資料庫330亦可構築於主記憶裝置155上。
外部記憶裝置156記憶異常檢測程式、異常檢測程式的執行中所需的資料、及藉由異常檢測程式的執行所生成的資料等。於執行異常檢測程式時，該些程式或資料被主記憶裝置155讀出。外部記憶裝置156例如為硬碟、光碟、快閃記憶體、及磁帶，但並不限定於此。資訊資料庫310、模型資料庫320、檢測結果資料庫330亦可構築於外部記憶裝置156上。
再者，異常檢測程式可事先安裝於電腦裝置100中，亦可記憶於光碟-唯讀記憶體(Compact Disc-Read Only Memory，CD-ROM)等記憶媒體中。另外，異常檢測程式亦可上傳至網際網路上。
再者，電腦100可分別具備一個或多個處理器151、輸入介面152、顯示裝置153、通信裝置154、及主記憶裝置155，亦可連接有印表機或掃描器等周邊機器。
另外，異常檢測裝置可由單一的電腦100來構成，亦可以包含相互連接的多個電腦100的系統的形式來構成。
圖18是於本發明的實施形態的運用模式中進行的異常檢測處理的流程圖。圖18的流程圖的處理能夠以異常檢測對象的系統的某一動作為契機來執行，亦能夠以固定週期來執行，亦可於自維護人員等使用者接收到指示的時機執行，亦可於其他時機執行。
於步驟S101中，異常檢測部110自資訊資料庫310中取得成為異常檢測的對象的行駛資訊。
於步驟S102中，異常檢測部110自模型資料庫320中，選擇對應於成為異常檢測對象的系統(此處為車輛的制動系統)的預測模型。另外，選擇對應於多個行駛條件之中，所取得的行駛資訊所滿足的行駛條件的臨限值。作為一例，預測模型是根據表示對於車輛的控制指令值(制動等級等)的解釋變數，預測表示車輛的狀態(減速度等)的目標變數的模型。即，預測模型是 將表示對於車輛的控制指令值的解釋變數與表示車輛的狀態的目標變數建立了對應的模型。
於步驟S103中，異常檢測部110根據所取得的行駛資訊來生成特徵向量。例如，生成包含控制指令值的特徵向量。特徵向量的要素數可為一個，亦可為多個。異常檢測部110根據特徵向量與預測模型來預測目標變數(此處為減速度)。即，異常檢測部10計算基於控制指令值與預測模型的車輛的狀態的預測值。
於步驟S104中，異常檢測部110計算作為所預測的減速度與行駛資訊中所含有的減速度的差的背離，並將所計算的背離與臨限值進行比較。
若背離大於臨限值(是(YES))，則異常檢測部110檢測異常，並將通知異常檢測的資訊輸出至畫面顯示裝置900等中(S105)。
若背離為臨限值以下(否(NO))，則異常檢測部110不檢測異常(S106)。即，異常檢測部110決定車輛的制動系統正常。當不檢測異常時，亦可將通知車輛的制動系統正常的意思的資訊輸出至畫面顯示裝置900等中。
圖19是與異常檢測裝置的學習模式相關的臨限值設定處理的流程圖。本處理能夠以固定週期來執行，亦可於維護人員所指示的時機執行，亦可於其他時機執行。表示針對預測模型，設定對應於行駛條件的多個臨限值時的動作例。作為前提，設為藉由異常檢測部110，根據事先生成的預測模型與一個臨限值來進 行異常檢測，並於檢測結果資料庫330中儲存有與異常檢測相關的資料。
於步驟S201中，條件生成部230根據檢測結果資料庫330，對應於背離的值對預測值與實測值的背離分配背離等級。條件生成部230生成將背離等級與行駛資訊建立了對應的資料組(參照圖10)。
於步驟S202中，條件生成部230將資料組的各項目設為解釋變數，將背離等級設為目標變數，並進行機器學習等，藉此生成根據多個解釋變數中的至少一個解釋變數來預測目標變數的分類器。即，生成將與至少一個解釋變數相關的多個條件與多個背離等級建立了對應的分類器。此處，生成決策樹(參照圖11)作為分類器。
於步驟S203中，條件生成部230取得分類器中所含有的多個條件作為多個行駛條件。於決策樹的情況下，取得自各背離等級節點(末端節點)至根節點為止的路徑中所含有的條件作為對應於各背離等級的行駛條件。
於步驟S204中，臨限值設定部220對多個行駛條件設定多個臨限值。作為一例，臨限值設定部根據被分類成行駛資訊滿足各行駛條件的背離等級的背離的分佈，決定臨限值。例如，將用於決策樹的生成的行駛資訊(或未用於決策樹的生成的行駛資訊)分類成滿足各行駛條件的群組。對各群組進行異常檢測，並根據檢測結果來計算背離。而且，生成背離的概率分佈(參照 圖8)。將於概率分佈中對應於規定的概率(上位X個百分點等)的背離的值、或基於標準偏差σ的2倍或3倍的值決定為臨限值。
於步驟S205中，臨限值設定部220將多個臨限值與多個行駛條件的多個組與符合的預測模型建立對應，並儲存於模型資料庫320中。
於本實施形態中，以預測模型的目標變數為制動器的減速度的情況為例進行了說明，但亦可使用預測車輛的其他狀態，例如制動器的制動距離的預測模型來代替。制動距離的測量例如亦可藉由計算自開始制動至停止制動為止的距離來進行、或藉由計算至達到所期望的減速度或速度為止的距離來進行。另外，亦可使用預測制動器的減速度與制動距離兩者的預測模型。於此情況下，作為一例，針對減速度與制動距離的各者準備式(1)。其結果，預測模型的目標變數的數量變成兩個，如此，預測模型的目標變數亦可為多個而非一個。於此情況下，可針對所有目標變數，於背離超過臨限值的情況下檢測異常，亦可針對任一個目標變數，若背離超過臨限值則檢測異常。
根據本實施形態，藉由設定對應於行駛條件的臨限值，可生成適合於與廣泛的變化相關的條件的許多異常檢測模型。例如，藉由於早晨、中午、夜晚等多個時間段，都市圈、郊外、丘陵等多個地區的路線，春、夏、秋、冬的四季，雨、雪、晴等多種天氣的情況下進行，可設定適合於細緻的條件的臨限值。
於所述第1實施形態中，對應於行駛條件對同一個預測 模型設定多個臨限值，但作為第2實施形態，亦可對應於行駛條件生成多個異常檢測模型(預測模型與臨限值的多個組)。於此情況下，當進行異常檢測時，特定滿足當前的行駛資訊的行駛條件，並使用對應於所特定的行駛條件的異常檢測模型(預測模型與臨限值)。
模型生成部210對多個行駛條件分別生成預測模型。臨限值設定部220設定對應於各預測模型的臨限值(即，對應於各行駛條件的臨限值)。
具體而言，模型生成部210以與第1實施形態相同的方式生成多個行駛條件。模型生成部210自行駛資訊中抽出滿足各行駛條件的資料，並使用所抽出的資料生成預測模型。預測模型的生成方法與所述實施形態相同。另外，臨限值設定部220以與所述實施形態相同的方式設定對應於各預測模型的臨限值(即，對應於各行駛條件的臨限值)。將所生成的預測模型、所設定的臨限值、及對應於兩者的行駛條件儲存於模型資料庫320中。將第2實施形態的模型資料庫320的例子示於圖20中。生成模型0001_A、模型0001_B、模型0001_C來代替圖7的模型0001。即，新生成三個異常檢測模型來代替一個異常檢測模型。將如所述般生成代替一個模型的多個模型稱為模型分割。另外，追加有儲存對應於各模型的行駛條件的行駛條件的列。
於生成了所述圖11的決策樹的情況下，當「晴天時(無降水)、且乘車率為90%以下」的行駛條件得到滿足時使用模型 0001_A。當「晴天時(無降水)、且乘車率大於90%」的行駛條件得到滿足時使用模型0001_B。當「雨天時(有降水)」的行駛條件得到滿足時使用模型0001_C。
針對本實施形態中所生成的異常檢測模型，進一步遞歸地重複模型分割，藉此可生成適合於與廣泛的變化相關的條件的許多異常檢測模型。例如，藉由於早晨、中午、夜晚等多個時間段，都市圈、郊外、丘陵等多個地區的路線，春、夏、秋、冬的四季，雨、雪、晴等多種天氣的情況下進行，可生成適合於細緻的條件的異常檢測模型。
亦可將本實施形態與第1實施形態加以組合。即，可對藉由模型分割而生成的多個異常檢測模型的各者設定對應於行駛條件的多個臨限值。藉此，可生成對應於更細緻的條件的異常檢測模型。
再者，本發明並不由所述各實施形態直接限定，可於實施階段，在不脫離其主旨的範圍內對構成要素進行變形來具體化。另外，藉由將所述各實施形態中所揭示的多個構成要素適宜組合而可形成各種發明。另外，例如亦可考慮自各實施形態中所示的所有構成要素中刪除了幾個構成要素的構成。進而，亦可將不同的實施形態中所記載的構成要素適宜組合。
100‧‧‧異常檢測裝置/電腦裝置
101‧‧‧車輛資訊收集部
102‧‧‧環境資訊收集部
103‧‧‧資料加工部
110‧‧‧異常檢測部
120‧‧‧發報部
130‧‧‧畫面生成部
200‧‧‧異常檢測模型生成部
210‧‧‧模型生成部
220‧‧‧臨限值設定部
230‧‧‧條件生成部
310‧‧‧資訊資料庫
320‧‧‧模型資料庫
330‧‧‧檢測結果資料庫
500‧‧‧車輛系統
600‧‧‧環境資訊系統
700‧‧‧終端
800‧‧‧輸入裝置
900‧‧‧畫面顯示裝置

Claims (12)

  1. 一種異常檢測裝置，其包括：條件生成部，根據車輛的行駛資訊，生成對基於控制指令值及預測模型的所述車輛的狀態的預測值、與所述車輛的狀態的測量值的差分進行區分的多個條件；臨限值設定部，對所述多個條件設定多個臨限值；以及異常檢測部，根據所述預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測。
  2. 如申請專利範圍第1項所述的異常檢測裝置，其中所述條件生成部使用包含基於所述車輛的行駛資訊的多個解釋變數、及對應於所述差分的等級的資料組，生成將與至少一個所述解釋變數相關的多個條件與多個所述等級建立對應的分類器，且將與所述分類器相關的所述多個條件設為對所述差分進行區分的所述多個條件。
  3. 如申請專利範圍第2項所述的異常檢測裝置，其中所述臨限值設定部根據藉由所述分類器而分類成所述等級的差分的分佈，決定所述臨限值。
  4. 如申請專利範圍第3項所述的異常檢測裝置，其中所述臨限值設定部生成所述差分的概率分佈，並將基於所述概率分佈的標準偏差的值、或於所述概率分佈中對應於規定的概率的所述差分的值設為所述臨限值。
  5. 如申請專利範圍第1項至第4項中任一項所述的異常檢測裝置，其中所述臨限值設定部經由使用者介面而接受所述多個臨限值的設定指示，並根據所述設定指示來設定所述多個臨限值。
  6. 如申請專利範圍第1項至第4項中任一項所述的異常檢測裝置，其中所述異常檢測部根據對應於第1時間點的控制指令值、及所述預測模型來算出所述車輛的狀態的預測值，並特定所述多個條件之中，對應於所述第1時間點的行駛資訊所滿足的所述條件，且將所述預測值與所述車輛的狀態的測量值的差分與對應於經特定的條件的所述臨限值進行比較，藉此檢測所述車輛有無異常。
  7. 如申請專利範圍第1項至第4項中任一項所述的異常檢測裝置，其包括模型生成部，所述模型生成部針對所述多個條件，生成將對於所述車輛的控制指令值與所述車輛的狀態建立對應的多個預測模型，所述異常檢測部根據所述多個預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測。
  8. 如申請專利範圍第7項所述的異常檢測裝置，其中所述異常檢測部特定所述多個條件之中，對應於第1時間點的行駛資訊所滿足的所述條件，並根據對應於經特定的條件的所述預測模型與對應於所述第1時間點的控制指令值，算出所述車輛的狀態的預測值，且將所述預測值與所述車輛的狀態的測量值 的差分與對應於所述經特定的條件的所述臨限值進行比較，藉此檢測所述車輛有無異常。
  9. 如申請專利範圍第1項至第4項中任一項所述的異常檢測裝置，其中所述控制指令值是與所述車輛的制動器的大小相關的指令值，所述狀態包含所述車輛的減速度、或空氣制動器壓力。
  10. 如申請專利範圍第1項至第4項中任一項所述的異常檢測裝置，其中所述行駛資訊包含所述車輛的至少一個感測器的測量資訊及所述車輛的環境資訊的至少一者。
  11. 一種異常檢測方法，其根據車輛的行駛資訊，生成對基於控制指令值及預測模型的所述車輛的狀態的預測值、與所述車輛的狀態的測量值的差分進行區分的多個條件，對所述多個條件設定多個臨限值，且根據所述預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測。
  12. 一種電腦可讀取記錄媒體，其儲存有用以使電腦執行如下步驟的程式：根據車輛的行駛資訊，生成對基於控制指令值及預測模型的所述車輛的狀態的預測值、與所述車輛的狀態的測量值的差分進行區分的多個條件的步驟； 對所述多個條件設定多個臨限值的步驟；以及根據所述預測模型、所述多個臨限值、及所述多個條件來進行所述車輛的異常檢測的步驟。
TW107108389A 2017-07-19 2018-03-13 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體 TWI688492B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-140204 2017-07-19
JP2017140204A JP6889059B2 (ja) 2017-07-19 2017-07-19 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

Publications (2)

Publication Number Publication Date
TW201908163A TW201908163A (zh) 2019-03-01
TWI688492B true TWI688492B (zh) 2020-03-21

Family

ID=61656284

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107108389A TWI688492B (zh) 2017-07-19 2018-03-13 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體

Country Status (4)

Country Link
JP (1) JP6889059B2 (zh)
CN (1) CN109641603B (zh)
TW (1) TWI688492B (zh)
WO (1) WO2019016996A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11834023B2 (en) * 2021-04-22 2023-12-05 Transportation Ip Holdings, Llc Control system
GB2580873A (en) * 2018-11-02 2020-08-05 Bombardier Transp Gmbh Method and arrangement for safely operating at least one track-bound vehicle
CN110287439A (zh) * 2019-06-27 2019-09-27 电子科技大学 一种基于lstm的网络行为异常检测方法
DE102019210227A1 (de) * 2019-07-10 2021-01-14 Robert Bosch Gmbh Vorrichtung und Verfahren zur Anomalieerkennung in einem Kommunikationsnetzwerk
JP7206165B2 (ja) * 2019-07-11 2023-01-17 東芝インフラシステムズ株式会社 遠隔監視装置
CN112241511B (zh) * 2019-07-19 2024-05-14 上海杰之能软件科技有限公司 交通工具辅助电气系统的性能检测方法及装置、终端
JP7269822B2 (ja) * 2019-08-06 2023-05-09 株式会社日立製作所 通信監視装置及び通信監視方法
CN110395242B (zh) * 2019-08-13 2020-06-16 中车青岛四方车辆研究所有限公司 一种空气制动压力控制系统及制动控制方法
JP7363567B2 (ja) * 2019-09-20 2023-10-18 富士電機株式会社 モデル生成装置、電力変換装置及び電力制御システム
CN111210604B (zh) * 2019-10-22 2021-06-15 高新兴创联科技有限公司 基于轨道车运行事件关联模型的异常事件预警方法
JP7332152B2 (ja) * 2019-10-24 2023-08-23 日本電気株式会社 学習モデル生成方法、学習モデル生成装置、及び学習プログラム
JP7382791B2 (ja) * 2019-10-30 2023-11-17 株式会社日立製作所 異常判定装置、車両支援システム
DE112019007854T5 (de) * 2019-11-04 2022-07-28 Korea Railroad Research Institute Prüfvorrichtung für Stromabnehmer
JP7273755B2 (ja) * 2020-03-16 2023-05-15 株式会社東芝 情報処理装置、情報処理方法及びプログラム
CN112925299A (zh) * 2020-07-06 2021-06-08 四川创客知佳科技有限公司 一种基于大数据的智慧酒店终端监测方法
CN111780809B (zh) * 2020-07-21 2023-09-08 重庆大学 轨道车辆零部件温度和振动监测预警方法及其系统
JP7046148B1 (ja) * 2020-11-26 2022-04-01 三菱電機株式会社 診断システム、診断プログラムおよび診断方法
CN112729099B (zh) * 2020-12-26 2022-05-17 北京磁浮交通发展有限公司 间隙探头的检测方法、装置、电子设备及计算机存储介质
CN113933858A (zh) * 2021-09-28 2022-01-14 中国科学院深圳先进技术研究院 定位传感器的异常检测方法、装置及终端设备
CN114323706B (zh) * 2021-11-22 2024-04-12 卡斯柯信号有限公司 一种列车ato控车故障检测方法、装置、设备及介质
CN114537361B (zh) * 2022-03-22 2022-11-08 中车制动系统有限公司 制动控制系统部件故障预测方法
WO2023181232A1 (ja) * 2022-03-24 2023-09-28 日本電気株式会社 モデル分析装置、モデル分析方法、及び、記録媒体
CN114972824B (zh) * 2022-06-24 2023-07-14 小米汽车科技有限公司 杆件检测方法、装置、车辆和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015227834A (ja) * 2014-06-02 2015-12-17 日本信号株式会社 軌道検査装置
TW201704054A (zh) * 2015-07-09 2017-02-01 東芝股份有限公司 列車控制裝置
US20170029001A1 (en) * 2014-04-15 2017-02-02 Eber Dynamics Ab Method and apparatus to determine structural parameters of a railway track
JP6125559B2 (ja) * 2014-04-24 2017-05-10 株式会社日立製作所 鉄道車両の損害推定方法
US20170178426A1 (en) * 2015-12-17 2017-06-22 Kabushiki Kaisha Toshiba Abnormality diagnostic device and method therefor

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4592235B2 (ja) * 2001-08-31 2010-12-01 株式会社東芝 生産装置の故障診断方法及び生産装置の故障診断システム
JP2007026134A (ja) * 2005-07-19 2007-02-01 Matsushita Electric Works Ltd 異常判定装置
US8849732B2 (en) * 2010-09-28 2014-09-30 Siemens Aktiengesellschaft Adaptive remote maintenance of rolling stocks
JP5685175B2 (ja) * 2011-10-26 2015-03-18 株式会社日立製作所 無線列車信号システム及び通信機
JP2013100111A (ja) * 2013-03-07 2013-05-23 Mitsubishi Electric Corp 異常原因特定装置、異常原因特定システム、および異常原因特定方法
JP2015162032A (ja) * 2014-02-27 2015-09-07 株式会社日立製作所 移動体の診断装置
JP6509548B2 (ja) * 2014-12-15 2019-05-08 日本製鉄株式会社 鉄道車両状態監視装置
KR101832189B1 (ko) * 2015-07-29 2018-02-26 야마하하쓰도키 가부시키가이샤 이상화상 검출장치, 이상화상 검출장치를 구비한 화상 처리 시스템 및 화상 처리 시스템을 탑재한 차량
CN106203626A (zh) * 2016-06-30 2016-12-07 北京奇虎科技有限公司 汽车驾驶行为检测方法及装置、汽车
CN106652465B (zh) * 2016-11-15 2020-04-07 成都通甲优博科技有限责任公司 一种道路异常驾驶行为的识别方法及系统
CN106596123B (zh) * 2016-11-22 2020-03-27 东软集团股份有限公司 设备故障诊断的方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170029001A1 (en) * 2014-04-15 2017-02-02 Eber Dynamics Ab Method and apparatus to determine structural parameters of a railway track
JP6125559B2 (ja) * 2014-04-24 2017-05-10 株式会社日立製作所 鉄道車両の損害推定方法
JP2015227834A (ja) * 2014-06-02 2015-12-17 日本信号株式会社 軌道検査装置
TW201704054A (zh) * 2015-07-09 2017-02-01 東芝股份有限公司 列車控制裝置
US20170178426A1 (en) * 2015-12-17 2017-06-22 Kabushiki Kaisha Toshiba Abnormality diagnostic device and method therefor

Also Published As

Publication number Publication date
JP2019018755A (ja) 2019-02-07
TW201908163A (zh) 2019-03-01
CN109641603B (zh) 2021-10-19
WO2019016996A1 (en) 2019-01-24
CN109641603A (zh) 2019-04-16
JP6889059B2 (ja) 2021-06-18

Similar Documents

Publication Publication Date Title
TWI688492B (zh) 異常檢測裝置、異常檢測方法以及電腦可讀取記錄媒體
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
JP6588814B2 (ja) 異常診断装置及び方法
CN111207938B (zh) 一种铁道车辆故障检测方法
CN109109909B (zh) 悬挂式磁悬浮列车服役状态采集与数据融合方法及系统
CN111853113B (zh) 磨损预测装置、磨损预测方法以及计算机能读取的记录介质
CN108216167B (zh) 列车控制方法及装置
JP2017118617A (ja) 鉄道車両の検査システム
Cunillera et al. Real-time train motion parameter estimation using an unscented Kalman filter
KR20230057248A (ko) 차량 상태 모니터링 방법 및 장치
CN118230546A (zh) 一种基于多源数据的城市绿色交通管理系统及方法
CN117864216A (zh) 基于ai的轨道交通动态安全预警系统
CN112232553B (zh) 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法
CN112884233B (zh) 高速铁路系统多模态融合晚点预测方法
CN114778152A (zh) 一种自适应动态调整列车脱轨振动阈值的方法及系统
Wang et al. Forecasting urban rail transit vehicle interior noise and its applications in railway alignment design
Zhu et al. Reliability analysis of metro vehicles bogie system based on fuzzy fault tree
Leoni et al. Real Time Passenger Mass Estimation for e-scooters
KR102334220B1 (ko) 철도 차량 부품들의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치
Kulkarni et al. Identification of vehicle response features for onboard diagnosis of vehicle running instability
JP2021146758A (ja) 情報処理装置、情報処理方法及びプログラム
CN110414855A (zh) 一种基于分类的地铁车辆安全性评价方法
CN118246681B (zh) 基于人工智能的公共交通能源管理方法
RU2787310C1 (ru) Бортовой аналитический комплекс для транспортных средств
Shaotong A train dispatching early warning control method based on Bayesian network theory