TWI691420B - 異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體 - Google Patents
異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TWI691420B TWI691420B TW107108344A TW107108344A TWI691420B TW I691420 B TWI691420 B TW I691420B TW 107108344 A TW107108344 A TW 107108344A TW 107108344 A TW107108344 A TW 107108344A TW I691420 B TWI691420 B TW I691420B
- Authority
- TW
- Taiwan
- Prior art keywords
- abnormality
- diagnosis
- braking
- deceleration
- vehicle
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims description 23
- 238000004590 computer program Methods 0.000 title claims description 4
- 238000001514 detection method Methods 0.000 claims abstract description 201
- 230000005856 abnormality Effects 0.000 claims description 232
- 230000002159 abnormal effect Effects 0.000 claims description 98
- 238000005259 measurement Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 25
- 239000013598 vector Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 11
- 230000006866 deterioration Effects 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000001172 regenerating effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- Valves And Accessory Devices For Braking Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Regulating Braking Force (AREA)
Abstract
本發明實現精度高的診斷。作為本發明的實施形態的異常診斷裝置具備異常檢測部與診斷部。所述異常檢測部根據針對制動裝置的控制指令值與車輛的減速度的預測模型，進行所述車輛的減速性能的異常檢測，且根據所述控制指令值與所述制動裝置的制動力的預測模型，進行所述制動裝置的異常檢測。所述診斷部根據所述減速性能的異常檢測結果與所述制動裝置的異常檢測結果，對所述車輛進行診斷。
Description
本發明的實施形態是有關於一種異常診斷裝置、異常診斷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。例如，當鐵路車輛的制動裝置發生了故障時，所獲得的制動力變少，存在車輛無法停在目標位置上而有損便利性的情況、或於最壞的情況下存在產生事故之虞。因此，對於鐵路從業者而言，將車輛的維護管理定位在非常重要的位置上。
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，正進行如下的技術的開發：收集及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，而於早期發現制動器的異常。
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，難以進行正確的診斷。
[發明所欲解決之課題] 本發明的實施形態提供一種實現精度高的診斷的異常診斷裝置、異常診斷方法以及電腦程式。 [解決課題之手段]
作為本發明的實施形態的異常診斷裝置具備異常檢測部與診斷部。所述異常檢測部根據針對制動裝置的控制指令值與車輛的減速度的預測模型，進行所述車輛的減速性能的異常檢測，且根據所述控制指令值與所述制動裝置的制動力的預測模型，進行所述制動裝置的異常檢測。所述診斷部根據所述減速性能的異常檢測結果與所述制動裝置的異常檢測結果，對所述車輛進行診斷。
以下，一面參照圖式一面對本發明的實施形態進行說明。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是表示本發明的實施形態的異常診斷系統的一例的
方塊圖。
圖1的異常診斷系統具備：異常診斷裝置100、車輛系統200、環境資訊系統300、終端400、輸入裝置500、以及畫面顯示裝置600。對本異常診斷系統的概要進行說明。
異常診斷裝置100具備學習模式與運用模式。模型生成部140於學習模式中，根據自車輛系統200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300中取得的車輛的環境資訊的至少一者，生成車輛的減速性能的異常檢測模型。將包含車輛的測量資訊與車輛的環境資訊的至少一者的資訊稱為行駛資訊。車輛亦可為將多個車輛連結而成的車輛編組。
另外，模型生成部140根據行駛資訊，生成車輛的制動裝置的異常檢測模型。於本實施形態中，作為制動裝置，設想空氣制動器(air brake)，而生成空氣制動器的異常檢測模型。於車輛編組的情況下，亦可針對設置有制動裝置的車輛分別生成制動裝置的異常檢測模型。亦可不針對各個制動裝置分別生成異常檢測模型，而生成於多個制動裝置中通用的異常檢測模型。
另外，模型生成部140生成制動系統(以下稱為編組制動器)的異常檢測模型。編組制動器包含設置於多個車輛中的制動裝置，編組制動器的異常檢測模型是該些制動裝置的整體的異常檢測模型。
由模型生成部140所生成的各種異常檢測模型儲存於模型資料庫102中。
異常檢測部150於運用模式中，使用減速性能的異常檢測模型進行減速性能的異常檢測。另外，使用空氣制動器的異常檢測模型進行空氣制動器的異常檢測。另外，使用編組制動器的異常檢測模型進行編組制動器的異常檢測。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。減速性能、空氣制動器、及編組制動器的異常檢測結果儲存於檢測結果資料庫103中。
診斷部160根據減速性能的異常檢測結果、空氣制動器的異常檢測結果、及編組制動器的異常檢測結果，進行車輛的診斷。作為一例，當減速性能正常、空氣制動器異常、編組制動器異常時，診斷為存在空氣制動器的整體的劣化前兆。另外，若減速性能異常、編組制動器正常、空氣制動器中的一個異常，則診斷為存在由該一個制動裝置的劣化所引起的減速性能的異常。於此種診斷中使用儲存於診斷規則資料庫104中的各種診斷規則。
診斷部160生成對應於診斷結果的診斷輸出資訊，並使所生成的診斷輸出資訊顯示於畫面顯示裝置600中。藉此，支援由鐵路的維護人員或駕駛者等所進行的監視。
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。
此處，對本實施形態的車輛的空氣制動器及其周邊構成、以及制動等級進行說明。圖2表示制動等級、針對車輛中的某一特定的車輪的空氣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。
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。制動等級對應於針對車輛或空氣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，有作為空氣制動器的一種的踏面制動器（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。再者，作為一例，於各車輛上設置一個空氣制動器。但是，亦可存在不設置空氣制動器的車輛。
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。當藉由本異常診斷裝置而於空氣制動器中檢測到異常時，作業人員等亦可對空氣制動器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，空氣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。
為了補充機械式制動器的制動力，亦可併用電制動器。或者亦存在為了補充電制動器的制動力，而使用機械式制動器的情況。此處，使用圖3對電制動器進行說明。圖3表示某一車輛的發電制動器及再生制動器的構成例。再者，該車輛是編組中的一個車輛，於該車輛的前後連結有其他車輛。
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，即便於使用其他方式的制動器的情況下，亦可將其作為利用異常診斷裝置100進行異常檢測及診斷的對象。
此處，由於制動器的構成比較複雜、及制動器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器進行正確的異常檢測。
例如，於車輛中，如所述般併用特性不同的多種方式的制動器。另外，如所述般車輛的制動器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，因此制動器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器的零件的物理的性質變化，而對制動器的特性造成影響。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，不僅使用空氣制動器的異常檢測模型，而且併用減速性能的異常檢測模型（制動器性能的異常檢測模型）及編組制動器的異常檢測模型，藉此減少誤診斷的風險，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的異常診斷裝置100。於以下的說明中，作為異常診斷的對象的車輛設想鐵路車輛，但並不限定於此，亦可為汽車、施工機械、飛機等具備車輪的任意的車輛。
圖1的異常診斷裝置100具備：車輛資訊收集部110、環境資訊收集部120、資料加工部130、模型生成部140、異常檢測部150、診斷部160、以及發報部170。
車輛資訊收集部110自車輛內的車輛系統200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200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減速度的測量值而取得。
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120自環境資訊系統300中取得車輛的環境資訊。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。
異常診斷裝置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。異常診斷裝置100的設置形態並無特別限定。
當異常診斷裝置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、詢答機地上線圈、及地上的資訊網路而接收車輛內的車輛系統200的測量資訊等。即，車輛系統200經由地上線圈等而朝地上的資訊網路中發送資料，異常診斷裝置100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。而且，異常診斷裝置100亦可經由地上的資訊網路而自環境資訊系統300接收資料。
當異常診斷裝置100為車上裝置時，異常診斷裝置100經由車輛內的資訊網路而自車輛系統200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。異常診斷裝置100亦可使用車上線圈或詢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300的資料。
輸入裝置500提供用於維護人員進行操作的介面。輸入裝置500包含滑鼠、鍵盤、聲音識別系統、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500朝異常診斷裝置100中輸入各種指令或資料，並進行操作。
畫面顯示裝置600以靜態圖像或動態圖像的形式顯示異常診斷裝置100所輸出的資料或資訊。作為一例，畫面顯示裝置600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500及畫面顯示裝置600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500與畫面顯示裝置600。
另外，輸入裝置500與畫面顯示裝置600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500與畫面顯示裝置600。
異常診斷裝置100包含資訊資料庫101、模型資料庫102、檢測結果資料庫103、及診斷規則資料庫104作為資料庫。
於圖1中，資料庫101、資料庫102、資料庫103、資料庫104全部配置於異常診斷裝置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。異常診斷裝置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101於內部儲存車輛資訊收集部110所取得的測量資訊、及環境資訊收集部120所取得的環境資訊。本實施形態的行駛資訊包含測量資訊與環境資訊的至少一者。亦可將儲存有行駛資訊的記憶元件等記憶媒體插入至異常診斷裝置100中，並將該記憶媒體用作資訊資料庫101。
將資訊資料庫101的例子示於圖4及圖5中。作為一例，行駛資訊（測量資訊及環境資訊）以圖4中所示的表格101a與圖5中所示的表格101b的形態來保存。此處，對應於採樣的頻率的高低而分成兩個表格來保存。
圖4的表格101a的「時刻」列儲存條目（entry）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101a的「編組/車輛」列中儲存有對編組與車輛進行識別的值。於本實施形態中，設想於各車輛中配置有一個制動裝置的情況。但是，亦可存在不配置制動裝置的車輛。另外，亦不排除於一個車輛中配置多個制動裝置。
於表格101a的「天氣」列中儲存有自環境資訊系統300中取得的與天氣相關的資訊。
於表格101a的「氣溫」列中儲存有自環境資訊系統300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101c，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。
「氣溫」列以外的列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101a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，乘車率由車輛的定員與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101a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1000 m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101a的「斜面」列中儲存有毫米單位的斜面，但亦可儲存利用其他單位的值。
此外，於表格101a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。
圖5的表格101b儲存時刻資訊與制動等級、車輛的減速度的實測值、及設置於多個車輛中的空氣制動器1～空氣制動器N的空氣制動器壓力的實測值。表格101b的條目以比表格101a短的時間間隔來生成。表格101b的條目的生成間隔（採樣間隔）亦可與表格101a相同。另外，亦可使用將表格101b與表格101a一體化而成的表格。減速度可為加速度感測器的值，亦可為根據速度感測器的值所計算的值。
亦可進行儲存於資訊資料庫101中的資料的加工。例如，資料加工部130使儲存於資訊資料庫101中的各表格的內容顯示在畫面顯示裝置600中。維護人員或駕駛員使用輸入裝置500，進行對於資料的加工操作。資料加工部130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110或環境資訊收集部120取得資訊或資料的間隔。例如，資料加工部130經由輸入裝置500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。
模型生成部140使用儲存於資訊資料庫101中的資料，生成減速性能的異常檢測模型、制動裝置（空氣制動器）的異常檢測模型、編組制動器的異常檢測模型。
減速性能的異常檢測模型包含減速度的預測模型（以下，減速度模型）、及與自減速度模型的預測值的背離相關的臨限值（以下，減速度臨限值）。於利用異常檢測部150的車輛的減速度的異常檢測中使用減速度臨限值。具體而言，為了與作為減速度模型的預測值與減速度的實測值的差分的背離進行比較而使用減速度臨限值。
制動裝置的異常檢測模型包含制動力的預測模型、及與自預測模型的預測值的背離相關的臨限值（以下，個別制動器臨限值）。於空氣制動器的情況下，制動力相當於空氣制動器壓力。於本實施形態中，作為制動力的預測模型，設想空氣制動器壓力的預測模型（以下，空氣制動器壓力模型）。於利用異常檢測部150進行制動裝置的異常檢測中使用個別制動器臨限值。具體而言，為了與作為空氣制動器壓力模型的預測值與空氣制動器壓力的實測值的差分的背離進行比較而使用個別制動器臨限值。
編組制動器的異常檢測模型包含基於多個制動裝置的制動力的值的預測模型（以下，編組制動器模型）、及與自預測模型的預測值的背離相關的臨限值（以下，編組制動器臨限值）。於本實施形態中，作為制動裝置，設想空氣制動器，並設想空氣制動器壓力的合計的預測模型。若為基於多個制動裝置的制動力的值，則亦可使用如平均值或中間值般的統計值等其他值而非制動力的合計。具體而言，為了與作為編組制動器模型的預測值與空氣制動器壓力的實測值的合計的差分的背離進行比較而使用編組制動器臨限值。
由模型生成部140所生成的該些異常檢測模型保存於模型資料庫102中。
圖7是模型資料庫102的例子。各異常檢測模型藉由模型識別符（Identifier，ID）來識別。於預測模型的列中儲存表示預測模型的資料、或儲存有預測模型的記憶體的位址（指標（pointer））。於臨限值的列中儲存對預測模型所設定的臨限值。
作為一例，於異常診斷裝置100的啟動時或新追加成為診斷對象的車輛時，藉由學習模式來進行異常檢測模型的生成。當存在多個診斷對象時，針對各診斷對象生成異常檢測模型。模型生成部140亦可定期地、或對應於維護人員等的指示而再次製作異常檢測模型，並利用再次製作的異常檢測模型來更新之前的異常檢測模型。
以下，對異常檢測模型的生成方法進行詳細說明。異常檢測模型是使用自資訊資料庫101中抽出的資料樣本（特徵向量）來生成。以下，表示生成減速度的異常檢測模型的例子，但亦能夠以相同方式生成空氣制動器的異常檢測模型、及編組制動器的異常檢測模型。
資料樣本（特徵向量）包含一個以上的解釋變數（explanatory variable）。作為解釋變數的一例，使用表格101b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（車輛的尺寸或重量等）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，此處預測模型的目標變數（target variable）為減速度。資料樣本能夠以制動器資訊表格101b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（此處為減速度模型）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140使用資訊資料庫101，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140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]
（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）（參數）。參數只要藉由最大似然估計（maximum likelihood estimation）等來求出即可。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生成目標變數的預測模型。
當生成預測模型時，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生成。藉此，可確認所生成的模型的性能。
亦存在僅使用控制指令值作為解釋變數的情況等藉由簡單的關係式無法獲得足夠的推斷精度的情況。其理由可列舉：減速度的暫態響應性、或路線坡度等外部因素等。因此，為了構築精度更佳的預測模型，亦可考慮暫態響應中・穩定狀態中、或制動等級的切換模式，進而路線坡度的影響來進行參數推斷。
此處，表示減速度的異常檢測模型的生成例。當生成空氣制動器的異常檢測模型時，作為一例，只要使用控制指令值（制動等級）作為解釋變數，使用空氣制動器壓力作為目標變數即可。當生成編組制動器的異常檢測模型時，作為一例，只要使用控制指令值（制動等級）作為解釋變數，使用多個空氣制動器的空氣制動器壓力的合計作為目標變數即可。亦可追加控制指令值以外的解釋變數。
此處，設為於學習模式時，在資訊資料庫101中儲存有於制動裝置（空氣制動器）群為正常的狀態的基礎上所取得的資訊。因此，於學習模式中生成的各種預測模型（減速度模型、空氣制動器壓力模型、編組制動器模型）可以說是將該些空氣制動器為正常狀態作為前提而加以模型化者。但是，亦可容許一部分的空氣制動器發生故障，且該空氣制動器的測量資訊儲存於資訊資料庫101中的狀況。
繼而，對針對預測模型所設定的臨限值的決定方法進行說明。再者，於以下的說明中，當記述為預測模型時，可表示減速度模型、空氣制動器壓力模型、及編組制動器模型的任一者。關於臨限值，亦同樣地可表示減速度臨限值、個別制動器臨限值、編組制動器臨限值的任一者。
此處，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（例如減速度的預測值）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。將預測值與實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401，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401。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402、常態分佈403般，變成邊緣進一步擴大的分佈。
利用常態分佈401，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。
減速度臨限值、個別制動器臨限值、編組制動器臨限值的任一者均可藉由所述方法來決定。
異常檢測部150於運用模式中，使用儲存於模型資料庫102中的各種異常檢測模型、及儲存於資訊資料庫101中的行駛資訊進行異常檢測。例如可於圖5的表格101b或表格101a的各條目中製作特徵向量來進行異常檢測，亦可選擇固定時間間隔的條目，並根據所選擇的條目製作特徵向量來進行異常檢測，亦可根據固定期間的條目群製作特徵向量來進行異常檢測。或者，亦可根據維護人員等所指定的時刻的條目、或維護人員所指定的期間內的條目群製作特徵向量來進行異常檢測。
異常檢測部150進行減速性能的異常檢測、空氣制動器的異常檢測、及編組制動器的異常檢測。
於減速性能的異常檢測中，根據用於異常檢測的行駛資訊生成特徵向量（控制指令值等），並使用所生成的特徵向量與減速度模型，對減速度進行預測。將所預測的減速度與實測的減速度（例如自表格101b中取得）的背離與減速度臨限值進行比較。若為減速度臨限值以下，則判定為減速性能正常，若大於減速度臨限值，則判定為減速性能異常。
於空氣制動器的異常檢測中，根據用於異常檢測的行駛資訊生成特徵向量（控制指令值等），並使用所生成的特徵向量與空氣制動器壓力模型，對空氣制動器壓力進行預測。將所預測的空氣制動器壓力與實測的空氣制動器壓力（例如自表格101b中取得）的背離與個別制動器臨限值進行比較。若為個別制動器臨限值以下，則判定為空氣制動器正常，若大於個別制動器臨限值，則判定為空氣制動器異常。
於編組制動器的異常檢測中，根據用於異常檢測的行駛資訊生成特徵向量（控制指令值等），並使用所生成的特徵向量與編組制動器模型，對多個空氣制動器的空氣制動器壓力的合計進行預測。將所預測的空氣制動器壓力的合計與實測的空氣制動器壓力的合計的背離與編組制動器臨限值進行比較。若為編組制動器臨限值以下，則判定為編組制動器正常，若大於編組制動器臨限值，則判定為編組制動器異常。
此處，表示利用異常檢測部150的減速性能的異常檢測的動作的具體例。
圖9是說明異常檢測部150的動作例的圖。圖9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。於減速度模型中，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。各空氣制動器接受該操作，對車輛施加制動力，因此車輛的減速度上升，其後，暫時穩定在固定的值附近。雖然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減速度臨限值的範圍。
其後，於時刻t2、時刻t3、時刻t4處產生三次背離超過減速度臨限值的時機，異常檢測部150於各個時機檢測異常。
於時刻t5處，進行將制動等級自四級變更成二級的操作。各空氣制動器接受該操作，減少施加至車輛中的制動力，因此車輛的減速度減少。
於時刻t6處，進行解除制動的操作。各空氣制動器接受該操作，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。
於所述時刻t4處檢測到異常後，因背離為減速度臨限值的範圍內，故不檢測異常。
此處表示了減速性能的異常檢測的動作例，但亦能夠以相同方式進行各車輛的空氣制動器的異常檢測、及編組制動器的異常檢測。
異常檢測部150根據減速性能的異常檢測結果、空氣制動器的異常檢測結果、及編組制動器的異常檢測結果，將資訊儲存於檢測結果資料庫103中。
圖10表示檢測結果資料庫103的例子。針對某一編組，按時間序列儲存有制動等級、減速性能的異常檢測結果、各車輛的空氣制動器的異常檢測結果、及編組制動器的異常檢測結果。於該例中，於第1個條目～第6個條目中，異常檢測結果均為無異常，但於第7個條目、第8個條目中，於空氣制動器1中檢測到異常。
當檢測到事先規定的異常時，發報部170朝鐵路的運用者、駕駛員或維護人員所使用的終端400發送異常通知的訊息。事先規定的異常可任意地定義為檢測到減速性能的異常的情況、檢測到空氣制動器中的固定個數以上的空氣制動器的異常的情況、檢測到編組制動器的異常的情況等。
訊息通知可藉由電子郵件的發送、終端400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。
診斷部160根據檢測結果資料庫103與診斷規則資料庫104，進行車輛的診斷。
診斷規則資料庫104保持對有無各空氣制動器（制動裝置）的異常的檢測與有無減速性能的異常的檢測、及有無編組制動器的異常的檢測的組合規定了診斷結果的診斷規則資料。
圖11表示診斷規則資料庫104的例子。於該例中，存在分別具有診斷規則編號1～診斷規則編號8的8個診斷規則。圖的「○」表示異常檢測結果為無異常。圖的「×」表示異常檢測結果為有異常。
診斷規則1規定空氣制動器1～空氣制動器N的異常檢測結果均為無異常，編組制動器的異常檢測結果亦為無異常，減速性能的異常檢測結果亦為無異常時的診斷結果。具體而言，診斷規則1的診斷結果表示正常。
診斷規則2規定空氣制動器1～空氣制動器N的異常檢測結果均為無異常，編組制動器的異常檢測結果亦為無異常，但減速性能的異常檢測結果為有異常時的診斷結果。具體而言，診斷規則2的診斷結果表示於制動塊、車輪或路面狀態中有異常。
診斷規則3規定空氣制動器1～空氣制動器N的異常檢測結果均為無異常，但編組制動器的異常檢測結果為有異常，另一方面，減速性能的異常檢測結果為無異常時的診斷結果。具體而言，診斷規則3的診斷結果表示存在空氣制動器整體的劣化的前兆。
診斷規則4規定空氣制動器1～空氣制動器N的異常檢測結果均為無異常，但編組制動器的異常檢測結果為有異常，減速性能的異常檢測結果亦為有異常時的診斷結果。具體而言，診斷規則4的診斷結果表示存在由空氣制動器整體的劣化所引起的減速度性能的異常。
診斷規則5規定空氣制動器1～空氣制動器N的異常檢測結果中的至少一個為有異常，但編組制動器的異常檢測結果為無異常，減速性能的異常檢測結果亦為無異常時的診斷結果。具體而言，診斷規則5的診斷結果表示於有異常的空氣制動器中存在劣化的前兆、或有異常的空氣制動器正在劣化。
診斷規則6規定空氣制動器1～空氣制動器N的異常檢測結果中的至少一個以上為有異常，但編組制動器的異常檢測結果為無異常，另一方面，減速性能的異常檢測結果為有異常時的診斷結果。具體而言，診斷規則6的診斷結果表示存在由有異常的空氣制動器所引起的減速性能的異常。
診斷規則7規定空氣制動器1～空氣制動器N的異常檢測結果中的所有異常檢測結果為有異常，編組制動器的異常檢測結果亦為有異常，但減速性能的異常檢測結果為無異常時的診斷結果。具體而言，診斷規則7的診斷結果表示因空氣制動器整體的劣化而存在減速性能的異常徵兆。
診斷規則8規定空氣制動器1～空氣制動器N的異常檢測結果中的所有異常檢測結果為有異常，編組制動器的異常檢測結果亦為有異常，進而減速性能的異常檢測結果亦為有異常時的診斷結果。具體而言，診斷規則8的診斷結果表示因空氣制動器整體的劣化而存在減速性能的異常。
亦可定義診斷規則1～診斷規則8以外的診斷規則。例如，作為診斷規則7的變形例，當規定個數以上的個數的空氣制動器的異常檢測結果為有異常時，亦可定義表示由該有異常的空氣制動器的劣化所引起的減速性能的異常徵兆的診斷結果。另外，作為診斷規則8的變形例，當規定個數以上的個數的空氣制動器的異常檢測結果為有異常時，亦可定義表示由該有異常的空氣制動器的劣化所引起的減速性能的異常的診斷結果。亦可定義其他診斷規則。
診斷部160針對儲存於檢測結果資料庫103中的各條目，判斷符合診斷規則1～診斷規則8的哪一個，並生成對應於符合的診斷規則所示的診斷結果的診斷輸出資訊。亦存在符合多個診斷規則的情況。診斷部160使所生成的診斷輸出資訊顯示於畫面顯示裝置600中。當符合表示正常的診斷結果的診斷規則1時，亦可為不進行診斷輸出資訊的生成及顯示的構成。
另外，當檢測到減速性能的異常時，診斷部160亦可算出對應於減速度模型的預測值與減速度的測量值的差分的誤差資訊，並將其作為診斷輸出資訊而輸出。作為誤差資訊的算出例，亦可算出該預測值的減速度的情況下的制動距離與該測量值的減速度的情況下的制動距離的差分。所謂制動距離，是指自開始制動至停止制動為止的距離、或至達到所期望的減速度或速度為止的距離。藉此，可掌握與正常時相比，空氣制動器的劣化、或編組制動器的劣化對減速度造成何種程度的影響。即，所述制動距離的差分表示異常影響度資訊。
圖12表示由畫面顯示裝置600所顯示的診斷輸出資訊的顯示畫面（診斷結果畫面）的例子。於該畫面中，顯示有對編組A進行的診斷的結果。此處，設想畫面顯示裝置600位於進行編組的管理・監視的指令室內的情況。
於診斷結果畫面的最上段，顯示有成為診斷對象的編組為編組A。於第2段中，顯示有多個診斷規則中符合的診斷規則的編號。於第3段中，顯示有符合的診斷規則所示的診斷結果。此處，因診斷規則6符合，故顯示有存在由個別的空氣制動器劣化所引起的減速性能的異常。於第4段中，顯示有特定成為減速性能被判斷為異常的起因的空氣制動器的資訊。哪個空氣制動器成為起因例如只要特定於檢測結果資料庫中異常檢測結果為有異常的空氣制動器即可。於第5段中，顯示有與正常時相比時的制動距離的差分作為異常影響度。
此處所示的診斷輸出資訊為一例，可對應於用途而為各種顯示形態。亦可將診斷輸出資訊依次記錄於另行準備的資料庫中。於此情況下，維護人員等亦可自該資料庫中選擇記錄來進行顯示指示操作，藉此顯示於畫面顯示裝置600中。
所述圖11的診斷規則使用空氣制動器、減速度、及編組制動器的三種異常檢測結果來定義，但亦可使用該些之中的兩種來定義。例如，亦可使用減速度的異常檢測結果與空氣制動器的異常檢測結果來定義診斷規則。
例如，亦可將空氣制動器的異常檢測結果與減速度的異常檢測結果組合，而定義如圖13般的診斷規則。或者，亦可將編組制動器的異常檢測結果與減速度的異常檢測結果組合，而定義如圖14般的診斷規則。
根據本實施形態的異常診斷裝置，將空氣制動器、減速度、編組制動器的三種異常檢測結果或該些之中的兩種組合來對車輛進行診斷，藉此可進行精度高的車輛的診斷。例如，藉由診斷規則3、診斷規則5、或診斷規則7，亦可進行空氣制動器的異常前兆的檢測。另外，藉由診斷規則2，可特定車輛外的環境作為無法獲得所期望的減速性能（制動性能）時的因素。
圖15中表示本實施形態的異常診斷裝置的硬體構成。本實施形態的異常診斷裝置包含電腦裝置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診斷程式。異常診斷程式是實現異常診斷裝置的所述各功能構成的程式。藉由CPU 151執行異常診斷程式，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診斷裝置中的電路。
顯示裝置153顯示自異常診斷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診斷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101中。
主記憶裝置155記憶異常診斷程式、異常診斷程式的執行中所需的資料、及藉由異常診斷程式的執行所生成的資料等。異常診斷程式於主記憶裝置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101、模型資料庫102、檢測結果資料庫103、診斷規則資料庫104亦可構築於主記憶裝置155上。
外部記憶裝置156記憶異常診斷程式、異常診斷程式的執行中所需的資料、及藉由異常診斷程式的執行所生成的資料等。於執行異常診斷程式時，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101、模型資料庫102、檢測結果資料庫103、診斷規則資料庫104亦可構築於外部記憶裝置156上。
再者，異常診斷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，異常診斷程式亦可上傳至網際網路上。
再者，電腦裝置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裝置100來構成，亦可以包含相互連接的多個電腦裝置100的系統的形式來構成。
圖16是於本發明的實施形態的運用模式中進行的診斷處理的流程圖。圖16的流程圖的處理能夠以成為診斷對象的車輛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。此處，作為成為診斷對象的車輛，設想車輛編組。
於步驟S101中，異常檢測部150自資訊資料庫101中取得與成為診斷對象的車輛編組相關的行駛資訊（參照圖5、圖4）。
於步驟S102中，異常檢測部150自模型資料庫102中取得與成為診斷對象的車輛編組相關的異常檢測模型。具體而言，取得減速度的異常檢測模型、搭載於各車輛中的空氣制動器的異常檢測模型、編組制動器的異常檢測模型。亦可於各空氣制動器中存在空氣制動器的異常檢測模型，但此處設想於多個空氣制動器中具有共同的異常檢測模型的情況。
減速度的異常檢測模型包含減速度模型與減速度臨限值。空氣制動器的異常檢測模型包含空氣制動器壓力模型與個別制動器臨限值。編組制動器的異常檢測模型包含編組制動器模型與編組制動器臨限值。
於步驟S103中，異常檢測部150使用儲存於模型資料庫102中的各種異常檢測模型、及資訊資料庫101進行異常檢測。具體而言，根據行駛資訊生成減速度的異常檢測用的特徵向量（控制指令值等），並使用所生成的特徵向量與減速度模型來預測減速度。將所預測的減速度與實測的減速度的背離與減速度臨限值進行比較。若為減速度臨限值以下，則判定為正常，若大於減速度臨限值，則判定為異常。
同樣地，根據行駛資訊生成空氣制動器的異常檢測用的特徵向量（控制指令值等），並使用所生成的特徵向量與空氣制動器壓力模型來預測空氣制動器壓力。將所預測的空氣制動器壓力與實測的空氣制動器壓力的背離與個別制動器臨限值進行比較。若為個別制動器臨限值以下，則判定為正常，若大於個別制動器臨限值，則判定為異常。
另外，根據行駛資訊生成編組制動器的異常檢測用的特徵向量（控制指令值等），並使用所生成的特徵向量與編組制動器模型來預測多個空氣制動器的空氣制動器壓力的合計。將所預測的空氣制動器壓力的合計與實測的空氣制動器壓力的合計的背離與編組制動器臨限值進行比較。若為編組制動器臨限值以下，則判定為正常，若大於編組制動器臨限值，則判定為異常。
於步驟S104中，診斷部160使用減速度的異常檢測結果、空氣制動器的異常檢測結果、及編組制動器的異常檢測結果與儲存於診斷規則資料庫中的多個診斷規則，進行成為診斷對象的車輛編組的診斷。診斷部160特定符合該些異常檢測結果的診斷規則，並決定診斷規則所示的診斷結果。
於步驟S105中，診斷部160生成對應於診斷結果的診斷輸出資訊，並將診斷輸出資訊顯示於畫面顯示裝置600的畫面中。
於本流程圖的處理中，使用空氣制動器、減速度、及編組制動器的三種異常檢測結果進行了診斷，但亦可使用該些之中的兩種進行診斷。
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。
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‧‧‧異常診斷裝置/電腦裝置101‧‧‧資訊資料庫101a、101b、101c‧‧‧表格102‧‧‧模型資料庫103‧‧‧檢測結果資料庫104‧‧‧診斷規則資料庫110‧‧‧車輛資訊收集部120‧‧‧環境資訊收集部130‧‧‧資料加工部140‧‧‧模型生成部150‧‧‧異常檢測部151‧‧‧CPU152‧‧‧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160‧‧‧診斷部170‧‧‧發報部200‧‧‧車輛系統300‧‧‧環境資訊系統400‧‧‧終端401、402、403‧‧‧常態分佈500‧‧‧輸入裝置600‧‧‧畫面顯示裝置t、t1～t6‧‧‧時刻σ‧‧‧標準偏差S101～S105‧‧‧步驟
圖1是本發明的實施形態的異常診斷系統的方塊圖。
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是表示與測量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是表示異常檢測部的動作例的圖。
圖10是表示檢測結果資料庫的例子的圖。
圖11是表示診斷規則資料庫的例子的圖。
圖12是表示診斷輸出資訊的顯示畫面例的圖。
圖13是表示診斷規則資料庫的另一例的圖。
圖14是表示診斷規則資料庫的又一例的圖。
圖15是表示本發明的實施形態的異常診斷裝置的硬體構成的圖。
圖16是本發明的實施形態的診斷處理的流程圖。
100‧‧‧異常診斷裝置/電腦裝置
101‧‧‧資訊資料庫
102‧‧‧模型資料庫
103‧‧‧檢測結果資料庫
104‧‧‧診斷規則資料庫
110‧‧‧車輛資訊收集部
120‧‧‧環境資訊收集部
130‧‧‧資料加工部
140‧‧‧模型生成部
150‧‧‧異常檢測部
160‧‧‧診斷部
170‧‧‧發報部
200‧‧‧車輛系統
300‧‧‧環境資訊系統
400‧‧‧終端
500‧‧‧輸入裝置
600‧‧‧畫面顯示裝置
Claims (14)
- 一種異常診斷裝置，其包括：異常檢測部，根據針對制動裝置的控制指令值與車輛的減速度的預測模型，進行所述車輛的減速性能的異常檢測，且根據所述控制指令值與所述制動裝置的制動力的預測模型，進行所述制動裝置的異常檢測；以及診斷部，根據所述減速性能的異常檢測結果與所述制動裝置的異常檢測結果，對所述車輛進行診斷。
- 如申請專利範圍第1項所述的異常診斷裝置，其中所述控制指令值是針對經連結的多個車輛中所具備的多個制動裝置者，所述異常檢測部進行所述多個制動裝置的異常檢測，所述診斷部根據所述減速性能的異常檢測結果與所述多個制動裝置的異常檢測結果，對所述車輛進行診斷。
- 如申請專利範圍第2項所述的異常診斷裝置，其中所述診斷部根據對有無所述減速性能的異常的檢測、與有無所述制動裝置的異常的檢測的組合規定了診斷結果的診斷規則資料，對所述車輛進行診斷。
- 如申請專利範圍第2項或第3項所述的異常診斷裝置，其中所述異常檢測部根據基於所述多個制動裝置的制動力的值的預測模型，進行包含所述多個制動裝置的制動系統的異常檢測 所述診斷部使用所述制動系統的異常檢測結果對所述車輛進行診斷。
- 如申請專利範圍第4項所述的異常診斷裝置，其中基於所述多個制動裝置的制動力的所述值是所述多個制動裝置的制動力的合計。
- 如申請專利範圍第4項所述的異常診斷裝置，其中所述診斷部根據對有無所述減速性能的異常的檢測與有無所述制動裝置的異常的檢測、及有無所述制動系統的異常的檢測的組合規定了診斷結果的診斷規則資料，對所述車輛進行診斷。
- 如申請專利範圍第1項至第3項中任一項所述的異常診斷裝置，其中所述異常檢測部根據所述減速度的預測模型的預測值與所述減速度的測量值的差分，進行所述減速性能的異常檢測。
- 如申請專利範圍第1項至第3項中任一項所述的異常診斷裝置，其中所述異常檢測部根據所述制動力的預測模型的預測值與所述制動力的測量值的差分，進行所述制動裝置的異常檢測。
- 如申請專利範圍第8項所述的異常診斷裝置，其中當檢測到所述制動裝置的異常時，所述診斷部算出對應於所述減速度的預測模型的預測值與所述減速度的測量值的差分的異常影響度資訊。
- 如申請專利範圍第9項所述的異常診斷裝置，其中 所述診斷部算出取決於所述預測值的減速度的制動距離與取決於所述測量值的減速度的制動距離的差分作為所述異常影響度資訊。
- 如申請專利範圍第1項至第3項中任一項所述的異常診斷裝置，其中所述控制指令值是與所述制動力相關的指令值。
- 如申請專利範圍第1項至第3項中任一項所述的異常診斷裝置，其中所述制動裝置是空氣制動器，所述制動力是空氣制動器壓力。
- 一種異常診斷方法，其包括：根據針對制動裝置的控制指令值與車輛的減速度的預測模型，進行所述車輛的減速性能的異常檢測；根據所述控制指令值與所述制動裝置的制動力的預測模型，進行所述制動裝置的異常檢測；以及根據所述減速性能的異常檢測結果與所述制動裝置的異常檢測結果，對所述車輛進行診斷。
- 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電腦程式：根據針對制動裝置的控制指令值與車輛的減速度的預測模型，進行所述車輛的減速性能的異常檢測的步驟；根據所述控制指令值與所述制動裝置的制動力的預測模型， 進行所述制動裝置的異常檢測的步驟；以及根據所述減速性能的異常檢測結果與所述制動裝置的異常檢測結果，對所述車輛進行診斷的步驟。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017138257A JP6889057B2 (ja) | 2017-07-14 | 2017-07-14 | 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 |
| JP2017-138257 | 2017-07-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201908181A TW201908181A (zh) | 2019-03-01 |
| TWI691420B true TWI691420B (zh) | 2020-04-21 |
Family
ID=61656283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107108344A TWI691420B (zh) | 2017-07-14 | 2018-03-13 | 異常診斷裝置、異常診斷方法以及電腦可讀取記錄媒體 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP6889057B2 (zh) |
| CN (1) | CN109689470B (zh) |
| TW (1) | TWI691420B (zh) |
| WO (1) | WO2019012730A1 (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6714626B2 (ja) | 2018-02-26 | 2020-06-24 | 株式会社京三製作所 | 鉄道設備状態判定装置及び鉄道設備状態判定方法 |
| CN113227751B (zh) * | 2019-01-11 | 2024-06-04 | 松下知识产权经营株式会社 | 诊断系统、诊断方法、程序以及记录介质 |
| JP2020132006A (ja) * | 2019-02-21 | 2020-08-31 | 株式会社京三製作所 | 鉄道設備状態判定装置および鉄道設備状態判定方法 |
| JP7230691B2 (ja) * | 2019-05-30 | 2023-03-01 | 株式会社デンソー | 異常検出方法、異常検出装置、及び異常検出システム |
| US20220234635A1 (en) * | 2019-06-27 | 2022-07-28 | Mitsubishi Electric Corporation | Deterioration diagnosis apparatus, deterioration diagnosis system, and deterioration diagnosis method |
| WO2021002013A1 (ja) * | 2019-07-04 | 2021-01-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 異常検知装置および異常検知方法 |
| CN112440746A (zh) * | 2019-08-29 | 2021-03-05 | 北京新能源汽车股份有限公司 | 一种车载终端通讯故障的控制方法、装置、系统及车辆 |
| CN110751633A (zh) * | 2019-10-11 | 2020-02-04 | 上海眼控科技股份有限公司 | 基于深度学习的多轴大车制动检测方法、装置、系统 |
| JP7493375B2 (ja) | 2019-10-23 | 2024-05-31 | 三菱電機株式会社 | 診断システムおよび診断方法 |
| JP7312676B2 (ja) * | 2019-11-13 | 2023-07-21 | ナブテスコ株式会社 | ブレーキ異常判定装置、ブレーキ状態記憶装置、異常判定方法、異常判定プログラム、及びブレーキ制御装置 |
| IT202000005194A1 (it) * | 2020-03-11 | 2021-09-11 | Faiveley Transport Italia Spa | Sistema di monitoraggio per almeno una pluralità di dispositivi omogenei di almeno un veicolo ferroviario |
| 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 |
| DE112020007013T5 (de) * | 2020-03-30 | 2023-01-19 | Mitsubishi Electric Corporation | Überwachungssystem |
| CN112158237B (zh) * | 2020-09-24 | 2022-07-19 | 交控科技股份有限公司 | 集成tcms和ato功能的深度融合系统和列车 |
| 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 |
| JP7374382B2 (ja) * | 2021-05-17 | 2023-11-06 | 三菱電機株式会社 | データ蓄積装置、機器監視システムおよびデータ蓄積方法 |
| CN113110399A (zh) * | 2021-05-20 | 2021-07-13 | 三一重机有限公司 | 作业机械故障诊断方法和系统 |
| JP7475553B2 (ja) | 2021-09-06 | 2024-04-26 | 三菱電機株式会社 | 健全度診断装置および健全度診断方法 |
| JP7292538B1 (ja) * | 2022-06-17 | 2023-06-16 | 三菱電機株式会社 | 健全性評価装置、健全性評価方法、および健全性評価プログラム |
| WO2023248130A1 (en) * | 2022-06-21 | 2023-12-28 | Faiveley Transport Italia S.P.A. | Methods for verifying the operation of at least one braking means of at least one vehicle and corresponding verification systems |
| WO2023248378A1 (ja) * | 2022-06-22 | 2023-12-28 | 三菱電機株式会社 | 実減速度取得装置、劣化判別装置、ブレーキ制御装置、実減速度取得方法、劣化判別方法、およびブレーキ制御方法 |
| CN115946673B (zh) * | 2022-12-28 | 2024-04-19 | 重庆赛力斯凤凰智创科技有限公司 | 一种汽车制动的故障诊断方法、系统、设备和介质 |
| CN117078687B (zh) * | 2023-10-17 | 2023-12-15 | 常州海图信息科技股份有限公司 | 基于机器视觉的轨道巡检系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI372856B (zh) * | 2008-05-21 | 2012-09-21 | Univ Kun Shan | |
| TW201400335A (zh) * | 2012-06-19 | 2014-01-01 | Fu-Ling Chang | 車輛怠速熄火與啟動及顯示車輛位置的控制方法與裝置 |
| US20140371990A1 (en) * | 2011-09-12 | 2014-12-18 | Continental Teves Ag & Co. Ohg | Sensor system comprising a vehicle model unit |
| US9477990B1 (en) * | 2013-10-18 | 2016-10-25 | State Farm Mutual Automobile Insurance Company | Creating a virtual model of a vehicle event based on sensor information |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0891206A (ja) * | 1994-09-21 | 1996-04-09 | Hitachi Ltd | ブレーキ異常検知装置 |
| US5744707A (en) * | 1996-02-15 | 1998-04-28 | Westinghouse Air Brake Company | Train brake performance monitor |
| CA2211815A1 (en) * | 1997-07-29 | 1999-01-29 | Craig Luker | Method and apparatus for determining vehicle brake effectiveness |
| EP2428424A3 (en) * | 2006-02-13 | 2013-04-03 | New York Air Brake Corporation | Distributed train intelligence system and method |
| JP5254261B2 (ja) * | 2010-02-09 | 2013-08-07 | 株式会社日立製作所 | 車上制御装置 |
| JP2012205332A (ja) * | 2011-03-24 | 2012-10-22 | Hokkaido Railway Co | 車両の監視装置及びこれを用いた車両の監視システム |
| DE102011089653A1 (de) * | 2011-12-22 | 2013-06-27 | Siemens Aktiengesellschaft | Verfahren und Anordnung zum Überwachen eines Bremssystems einer Bremsanordnung eines Schienenfahrzeugs |
| 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 |
| CN104875772B (zh) * | 2015-05-29 | 2017-01-11 | 南京中车浦镇城轨车辆有限责任公司 | 试验列车定点停车预警制动装置 |
| JP6588814B2 (ja) * | 2015-12-17 | 2019-10-09 | 株式会社東芝 | 異常診断装置及び方法 |
-
2017
- 2017-07-14 JP JP2017138257A patent/JP6889057B2/ja active Active
-
2018
- 2018-02-26 CN CN201880003331.7A patent/CN109689470B/zh active Active
- 2018-02-26 WO PCT/JP2018/007060 patent/WO2019012730A1/en active Application Filing
- 2018-03-13 TW TW107108344A patent/TWI691420B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI372856B (zh) * | 2008-05-21 | 2012-09-21 | Univ Kun Shan | |
| US20140371990A1 (en) * | 2011-09-12 | 2014-12-18 | Continental Teves Ag & Co. Ohg | Sensor system comprising a vehicle model unit |
| TW201400335A (zh) * | 2012-06-19 | 2014-01-01 | Fu-Ling Chang | 車輛怠速熄火與啟動及顯示車輛位置的控制方法與裝置 |
| US9477990B1 (en) * | 2013-10-18 | 2016-10-25 | State Farm Mutual Automobile Insurance Company | Creating a virtual model of a vehicle event based on sensor information |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6889057B2 (ja) | 2021-06-18 |
| CN109689470A (zh) | 2019-04-26 |
| WO2019012730A1 (en) | 2019-01-17 |
| TW201908181A (zh) | 2019-03-01 |
| JP2019022306A (ja) | 2019-02-07 |
| CN109689470B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| JP6588814B2 (ja) | 異常診断装置及び方法 | |
| JP5416630B2 (ja) | 移動体異常判断支援システム | |
| JP5827598B2 (ja) | 故障確率算出装置及び故障確率算出方法並びに鉄道保守システム | |
| US20210217256A1 (en) | Method and Apparatus for Diagnosing and Monitoring Vehicles, Vehicle Components and Routes | |
| 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 | |
| KR20200058132A (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| JP2017118617A (ja) | 鉄道車両の検査システム | |
| EP3751249B1 (en) | Device and method for detecting abnormality in railroad vehicle | |
| JP6586837B2 (ja) | 軸受異常診断装置、及び車両 | |
| CN110809280A (zh) | 一种铁路无线网络质量的检测预警方法及装置 | |
| JP6937345B2 (ja) | 情報処理装置及び情報処理方法 | |
| CN109883598B (zh) | 一种轨道机车牵引力的检测方法 | |
| JP6619083B2 (ja) | データ統合分析システム | |
| KR20220129755A (ko) | 기어박스의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치 | |
| JP2021146758A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| KR102673205B1 (ko) | 대차 주행안전성 예측 장치 및 방법 | |
| CN112685827B (zh) | 数据记录装置以及数据记录方法 | |
| CN111143752B (zh) | 一种电动车辆的安全重要度的计算方法以及电动车辆 | |
| JP7493375B2 (ja) | 診断システムおよび診断方法 | |
| KR20230120751A (ko) | 철도 차량의 화면표시기의 상태를 진단하는 방법 및 시스템 | |
| CN117131957A (zh) | 基于机器学习的机油低压力故障的预测方法及系统 | |
| JP2023066591A (ja) | ブレーキ装置健全性判断装置およびブレーキ装置健全性判断方法 | |
| KR20210132352A (ko) | 철도 차량 부품들의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치 |