WO2015129512A1 - 移動体の診断装置 - Google Patents

移動体の診断装置 Download PDF

Info

Publication number
WO2015129512A1
WO2015129512A1 PCT/JP2015/054249 JP2015054249W WO2015129512A1 WO 2015129512 A1 WO2015129512 A1 WO 2015129512A1 JP 2015054249 W JP2015054249 W JP 2015054249W WO 2015129512 A1 WO2015129512 A1 WO 2015129512A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
model
diagnostic
sign
devices
Prior art date
Application number
PCT/JP2015/054249
Other languages
English (en)
French (fr)
Inventor
飯星　洋一
了 古谷
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2015129512A1 publication Critical patent/WO2015129512A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K13/00—Other auxiliaries or accessories for railways

Definitions

  • the present invention relates to a mobile diagnostic device.
  • Patent Document 1 proposes abnormal sign detection that automatically detects an abnormal sign by combining a plurality of mobile data in this state-based maintenance. It is done. Furthermore, in Japanese Patent Application Laid-Open No. 2013-107417 (Patent Document 2), a technique for preventing a misdiagnosis in an unsteady state at the time of maintenance is also proposed.
  • Patent Document 1 and Patent Document 2 since a diagnosis is made as abnormal if it deviates from the diagnostic model without considering a change in the environment etc., a normal change as described above will be uniformly diagnosed as an abnormality. Since there is a possibility, a reduction in maintenance efficiency may be considered such that an erroneous determination may cause unnecessary maintenance work.
  • the diagnostic device for detecting an abnormality or an abnormality precursor of the device data used for diagnosis is collected from a plurality of devices mounted on a mobile body, and the data is used based on the collected data.
  • a model for detecting an abnormality or an abnormality sign of the apparatus is generated, an abnormality or an abnormality sign of the apparatus is detected based on a diagnostic index calculated from the generated model, and the diagnosis index of the plurality of apparatuses is detected. The timing of relearning of the generated model is determined.
  • the present invention it is possible to prevent the misjudgment of the abnormality sign by the use condition or the environmental change, the accuracy of the abnormality sign diagnosis is improved, and the maintenance efficiency is further enhanced.
  • FIG. 1 is an example of an abnormality sign determination apparatus.
  • FIG. 2 is an example of the time-sequential change of the task abnormality degree of the abnormality precursor determination apparatus.
  • FIG. 3A is a conceptual view of a normal model for detecting a door abnormality.
  • FIG. 3B is a conceptual view of a normal model for detecting motor abnormality.
  • FIG. 3C is a conceptual diagram of a normal model for detecting an air conditioner abnormality.
  • FIG. 4 is an example of a block diagram showing an outline of the present invention.
  • FIG. 5 is an example of a flowchart of the relearning device.
  • FIG. 6 is an example of a time chart when the present invention is applied.
  • FIG. 7 is another example of a time chart when the present invention is applied.
  • FIG. 1 shows an example of an abnormality determination device for the door of a railway vehicle.
  • sensor signals such as door operation time, driving air pressure for driving the door (door driving pressure), and outside air temperature are transmitted from the vehicle to the abnormality sign determination device 102 as door data.
  • the abnormality sign determination device 102 learns in advance the door operation time, the door drive pressure, and the possible range of the outside air temperature as a normal model using, for example, vector quantization clustering. Then, the distance between the door data collected during vehicle operation and the normal model is calculated. Since this distance increases as the distance from the normal state increases, an abnormality sign is determined using this distance as a diagnostic index, and the abnormality determination information is displayed on the display device 103.
  • the display device 103 displays a trend chart of the diagnostic index, or displays a warning when the diagnostic index exceeds a predetermined value.
  • the railway car has a plurality of doors, and there are individual differences among the doors. Therefore, if a normal model is learned for each door and an abnormality sign diagnosis is performed, the accuracy is higher for each of the plurality of doors. It is possible to make a high abnormality symptom diagnosis.
  • the diagnostic index calculated from the abnormality sign determination apparatus described in FIG. 1 increases as the value goes away from the normal state as shown in FIG. 2, so that the sign or abnormality can be determined based on the size.
  • the diagnostic index is calculated based on the diagnostic index although the apparatus itself is normal. There was a risk that it would be misjudged as an abnormality.
  • FIG. 3 is a conceptual view showing an increase in the degree of abnormality due to environmental change or state change.
  • FIG. 3A is a conceptual view of a normal model for detecting a door abnormality.
  • the degree of abnormality is the minimum value of distances from a plurality of clusters. For example, when the temperature becomes lower than that at the time of normal model creation, the resistance of the grease increases and the degree of abnormality increases.
  • the door is taken as an example, but the same phenomenon occurs because the resistance of the grease increases as the temperature decreases also in the rotating body such as the motor and the pump.
  • FIG. 3B is a conceptual view of a normal model for detecting motor abnormality. For example, if the operating conditions (load) change during learning, the output changes and the degree of abnormality increases. Taking a rail car as an example, as described above, it is conceivable that the number of passengers in use along the railway fluctuates in many years of operation, and the vehicle is operated with a load different from that at the time of opening.
  • FIG. 3C is a conceptual view of a normal model for detecting an air conditioner abnormality. For example, if the air conditioner is operated at a temperature higher than that at the time of learning due to long-term climate change, the power consumption of the air conditioner is different from that at the time of learning, and the degree of abnormality increases. Mobiles in particular are used in a variety of environments, all of which are difficult to learn in advance.
  • FIG. 4 is an example of a block diagram showing an outline of the present invention.
  • the degree of abnormality is calculated from device data 1 to n (sensor information, control information, etc.) obtained from each device through the state estimation devices 1 to n having normal models corresponding to each device.
  • the abnormality judging devices 1 to n perform the abnormality judgment based on the degree of abnormality, and the abnormality predictor diagnosis device collects a plurality of abnormality judgments mounted on the same moving body, and outputs an abnormality judgment display for each device of the moving body.
  • the degree of abnormality calculated from the plurality of state estimation devices is observed by the relearning device to determine the timing of the relearning, and the abnormality determination is prohibited or interrupted when the relearning is necessary. .
  • the determination that the deterioration is caused by the environmental change or the operating condition change may be performed by comparing the average value of the degree of abnormality calculated from each device with a predetermined value set in advance.
  • the classification method of the device for example, as long as it is a train door, it may be all the doors in the formation train, or it may be the door for each of the vehicles constituting the formation train .
  • the smaller the group the better the response to environmental changes.
  • the platform of the stop station is concentrated on one side, it may be possible to capture only one door of the train as a group.
  • the abnormality prognostic diagnosis device may adopt only one of the above-described calculation of the average value of the degree of abnormality, or calculates a plurality of average values and determines each of the average value and the predetermined value. May be configured to
  • the average may be determined. It is also possible to determine that the possibility of an abnormality is high if the average value of the degree of abnormality rises even if the average value of the abnormality degree is the same by using the dispersion information as well. it can.
  • the number of devices for determining an abnormality sign is large, not all devices but some devices are used to calculate the average value of the degree of abnormality performed to determine whether or not to perform the relearning request. It is good also as composition to choose. As the number of devices used for the average value of the degree of abnormality increases, the effect on the average value of the degree of abnormality of one device decreases, so that the tendency of the degree of abnormality as a whole can be grasped. The lower the cost, the lower the processing cost.
  • the selection of the device to be used for the average value of the degree of abnormality may be randomly selected each time, may be determined based on the information of the failure history of the device, or the number itself selected may be changed depending on the time.
  • FIG. 5 is an example of a flowchart of the relearning apparatus of the present invention.
  • step S501 the average of the degree of abnormality calculated from each state estimation device of FIG. 4 is calculated.
  • step S502 the average value of the degree of abnormality is compared with a predetermined value set in advance, and if the average value is larger than the predetermined value, the process proceeds to step S503, otherwise the process ends.
  • a predetermined value set in advance
  • an average value by various classifications may be calculated in S501, and each may be compared with a predetermined value.
  • the accuracy of the determination can be adjusted by the setting of the predetermined value and the number of average values to be compared. For example, in comparison with all the average values, if higher than the predetermined value, the process may proceed to S503, or if at least one is higher than the predetermined value, the process may proceed to S503.
  • step S503 the abnormality determination display by the abnormality determination apparatus of FIG. 4 is prohibited as the abnormality determination prohibition process.
  • step S504 the relearning request is displayed on the display device of the abnormality determination device.
  • the average value is used in step S501, a representative value of the entire amount such as the median may be used.
  • processing such as sending an email to the diagnostic device manager may be performed.
  • FIG. 6 is an example of a time chart when the present invention is applied.
  • 6 (a) and 6 (b) show the time change of the degree of abnormality of each device.
  • the degree of abnormality of each of the plurality of doors is calculated.
  • the average of the plurality of abnormality degrees is calculated, and the relearning determination threshold value is set to a value smaller than the abnormality determination threshold value (FIG. 6 (c)).
  • the abnormality judgment flag 1 of the device corresponding to the corresponding FIG. 6 (a) responds (FIG. 6 (d)), and the abnormality judgment is displayed.
  • Ru the abnormality judgment flag 1 of the device corresponding to the corresponding FIG. 6 (a) responds
  • FIG. 7 is another example of a time chart when the present invention is applied.
  • the object is the door of a railway vehicle as in FIG. 6, and in this case, the degree of abnormality of a plurality of doors increases, and when the average of these abnormality degrees is calculated as shown in FIG. 7 (c), each abnormality degree is abnormal
  • the relearning flag changes due to the abnormality degree average exceeding the relearning determination threshold before becoming larger than the degree determination threshold.
  • abnormality judgment by abnormality judgment flag is performed only when the relearning flag is 0 in the abnormality precursor diagnosis device of FIG. In the example shown in FIG. 7, the abnormality determination display is not made and the erroneous diagnosis can be prevented.
  • a simulation signal may be added to one of the devices to detect an abnormality or an abnormality sign of the device, or a simulation signal may be added to a plurality of devices. It may be configured to output a display such as a message prompting relearning.
  • the model may be newly generated again, or the average value of the obtained degree of abnormality may be fed back and updated with respect to the existing model.
  • the model may be stored in a database (not shown) provided in the abnormality sign determination device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

　移動体に搭載された複数の装置から診断に用いるデータを収集し、前記収集したデータに基づいて前記装置の異常もしくは異常予兆を検出するためのモデルを生成し、前記生成したモデルから算出される診断指標にもとづいて前記装置の異常もしくは異常予兆を検出し、前記複数の装置の診断指標にもとづいて前記生成したモデルの再学習のタイミングを決める。

Description

移動体の診断装置
　本発明は、移動体の診断装置に関する。
　近年、自動車や鉄道車両などの移動体には様々な処理装置が搭載され、それらの処理装置の効率的な保守管理が重要となってきている。このような保守効率改善のため、移動体に搭載された装置のセンサ値、制御値などのデータから、装置の状態を推定し、推定された装置の状態に基づいて保守を行う状態ベース保全の導入が進んでいる。
　本技術分野の背景技術として、日本国特開２００６－１６０１５３号公報（特許文献１）では、この状態ベース保全において複数の移動体データを組み合わせて自動的に異常予兆を検知する異常予兆検知が提案されている。さらに日本国特開２０１３－１０７４１７号公報（特許文献２）では、メンテナンス時の非定常状態における誤診断を防止するための技術も提案されている。
日本国特開２００６－１６０１５３号公報 日本国特開２０１３－１０７４１７号公報
　特許文献１、及び特許文献２のいずれの開示技術においても長期運転における環境状況の変化や使用状況の変化により、診断のためのモデルを作成する際に想定していない環境や使用が生じると正常なものを異常と誤診断する恐れがあった。例えば、異常予兆などの診断において、種類の同じ機器が複数ある場合、そのうち１つの機器の値が診断のためのモデルから離れた挙動を示すようになれば、当該機器の異常を検知できるが、環境状態や使用状況の変化により、全体として複数の機器が同様の挙動変化を示し出す場合、当該挙動変化は、環境状態や使用状況の変化に対して起こりうる正常な変化であるため、異常予兆ではないと判断できることがある。特許文献１、特許文献２では、当該環境などの変化を考慮せず、診断モデルから乖離すれば異常と診断するため、上述のような正常な変化に対しても一律に異常と診断してしまう可能性があるため、誤判定によって本来必要のない保守作業が発生してしまうという保守効率の低下が考えられる。
　本課題を解決するため、本発明では、装置の異常もしくは異常予兆を検出する診断装置において、移動体に搭載された複数の装置から診断に用いるデータを収集し、前記収集したデータに基づいて前記装置の異常もしくは異常予兆を検出するためのモデルを生成し、前記生成したモデルから算出される診断指標にもとづいて前記装置の異常もしくは異常予兆を検出し、前記複数の装置の診断指標にもとづいて前記生成したモデルの再学習のタイミングを決める。
　本発明により使用状況や環境変化による異常予兆の誤判定を防止でき、異常予兆診断の精度が向上して、保守効率が更に高まる。
　上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
図１は、異常予兆判定装置の一例である。 図２は、異常予兆判定装置の課題異常度の時系列変化の一例である。 図３Ａは、ドア異常を検知するための正常モデルの概念図である。 図３Ｂは、モータ異常を検知するための正常モデルの概念図である。 図３Ｃは、エアコン異常を検知するための正常モデルの概念図である。 図４は、本発明の概要を示すブロック図の一例である。 図５は、再学習装置のフローチャートの一例である。 図６は、本発明適用時のタイムチャートの一例である。 図７は、本発明適用時のタイムチャートの別の一例である。
　以下本発明の実施形態を、図面を参照して説明する。
　図１は、鉄道車両のドアを対象とした異常判定装置の一例を示す。診断対象１０１としてドアの異常予兆を診断するため、車両からドア動作時間、ドアを駆動する駆動空気圧（ドア駆動圧）、外気温などのセンサ信号をドアデータとして異常予兆判定装置１０２に送信する。異常予兆判定装置１０２では予め前記ドア動作時間、ドア駆動圧、外気温が取りうる範囲を例えばベクトル量子化クラスタリングを用いて正常モデルとして学習する。そして車両運行中に収集される前記ドアデータと前記正常モデルとの距離を算出する。この距離は正常状態から離れるほど大きくなるため、この距離を診断指標として異常予兆を判定し、異常判定情報を表示装置１０３に表示する。具体的には前記表示装置１０３は診断指標のトレンドチャートを表示したり、診断指標が予め決められた所定値を超えた場合には警告を表示したりする。なお鉄道車両には複数のドアがあり、各ドアには個体差があるため各ドアに対してそれぞれ正常モデルを学習して異常予兆診断を行えば、複数のドアの各々に対してより精度の高い異常予兆診断を行うことができる。
　図２を用いて異常予兆判定装置の課題を説明する。図１で説明した異常予兆判定装置から算出される診断指標は図２に示すように正常状態から離れるに従って値が大きくなるため、その大きさに基づいて予兆や異常を判定出来る。しかし前述のようにこの診断指標はモデル作成時に想定した各センサの取りうる範囲を超えるような環境変化や運転状態変化が発生すると装置自体は正常であるものの当該診断指標に基づいて算出する異常度が増加して異常と誤判断する恐れがあった。
　なお、環境変化や運転状態変化とは、例えば鉄道であれば、繁忙期と閑散期とでの運転頻度の差や、季節による外部環境（気温、湿度など）に伴う空調機の出力変化、更に長期的な変化としては、長年の沿線の利用乗客数の変動に伴う運行変化なども考えられる。また、自動車等を考慮すれば、自動車の保有者の引っ越しなどに伴う気候環境の変化なども想定される。その他、移動体に限らず、中・長期的な環境、使用の変化が起こりうる機器に対して、徐々に想定しうる範囲を超えるデータ変化が適切な範囲で起こりうるものであれば、本発明を適用すれば効果を得ることができる。
　図３は環境変化や状態変化による異常度の増加を示す概念図である。
　図３Ａはドア異常を検知するための正常モデルの概念図である。ここで異常度は複数のクラスタからの距離の最小値であり、たとえば温度が正常モデル作成時より低くなるとグリースの抵抗が大きくなり異常度が増加する。本実施例ではドアを事例としたがモータやポンプなどの回転体においても温度が低くなるとグリースの抵抗が大きくなるため同様の現象が生じる。
　図３Ｂはモータ異常を検知するための正常モデルの概念図である。たとえば学習時と運転条件（負荷）が変わってしまうと出力が変わるために異常度が増加する。鉄道車両を例とすると、上述のように長年の運行で沿線の利用乗客数が変動し、開業時とは異なる負荷で運転するケースが考えられる。
　図３Ｃはエアコン異常を検知するための正常モデルの概念図である。例えば長期的な気候の変化で学習時よりも高い温度でエアコンを運転するとエアコンの消費電力が学習時と異なるため異常度が増加する。特に移動体は様々な環境で使用され、このすべてを予め学習することが困難である。
　図４は本発明の概要を示すブロック図の一例である。各装置から得られる装置データ１～ｎ（センサ情報、制御情報等）から各装置に対応した正常モデルをもつ状態推定装置１～ｎを経て異常度が算出される。
　異常判定装置１～ｎでは異常度に基づき異常判定をおこない、異常予兆診断装置では同じ移動体に搭載された複数の異常判定をまとめ、移動体の装置毎の異常判定表示出力を行う。本発明では複数の状態推定装置から算出される異常度を再学習装置で観測して再学習のタイミングをきめるとともに、再学習が必要な場合には異常判定を禁止・中断する構成となっている。
　この構成により、異常度を算出する状態推定装置の多くが悪化を検出する場合は環境変化や運転条件変化によると判断し、再学習を促すとともに異常判定装置による異常判定を禁止・中断することで正常を異常と誤診断することを防止できる。さらには環境変化や運転条件変化による再学習タイミングを自動的に判断できるため、診断装置（正常モデル）の管理が容易となる。このように、環境変化や運転条件変化による悪化であるとの判断は、各装置から算出される異常度の平均値と、予め設定する所定値とを比較して行えばよい。ここで、平均を出すべき装置の分類方法については、例えば列車のドアであれば、当該編成列車内の全てのドアとしてもよいし、当該編成列車を構成する各々の車両ごとのドアとしてもよい。より少ないまとまりであればあるほど、環境変化への応答性能が高まる。また、停車駅のホームが一方の側に集中する場合を想定して、編成列車の片側のドアだけを一つのまとまりとしてとらえても良い。その他にも、路線区間を走行する編成列車をひとまとまりとしてもよい。このように、外部環境として似たような状況に置かれる装置群をまとまりとしてとらえることで、より精度の高い判定が行える。異常予兆診断装置は、上述の異常度の平均値の算出のうち、１つだけを採用してもよいし、複数の平均値の算出を行って、それぞれの平均値と所定値に対して判定を行う構成としてもよい。
　また、平均だけでなく分散も求めておいてもよい。分散の情報も用いることで、異常度の平均値の上がり方が同じ場合であっても、各装置にバラつきがある上がり方をしている方は、異常の可能性が高いと判定することもできる。
　更に、異常予兆を判定する装置数が多い場合は、再学習要求を行うか否かを決定するために行う異常度の平均値の算出に用いる装置を、全装置ではなく、一部の装置を選択する構成としても良い。異常度の平均値に用いる装置を増やせば増やすほど、１つの装置の異常度の平均値への影響が減るため、全体としての異常度の傾向を把握することができ、用いる装置数を減らせば減らすほど、処理コストが少なく済む。
　異常度の平均値に用いる装置の選択は、毎回ランダムに選択してもよいし、装置の故障歴の情報に基づいて決めてもよいし、時期によって選択する数自体を変更してもよい。
　図５は本発明の再学習装置のフローチャートの一例である。ステップＳ５０１では図４の各状態推定装置から算出される異常度の平均を算出する。
　ステップＳ５０２では前記異常度の平均値とあらかじめ設定した所定値と比較し、平均値が所定値よりも大きければステップＳ５０３に進み、そうでなければ処理を終了する。当該判定は、図４で述べた通り、Ｓ５０１にて様々な分類による平均値を算出し、各々を所定値と比較する構成としてもよい。当該所定値の設定や、比較する平均値の数によって、判定の精度を調節することができる。例えば、全ての平均値との比較において、所定値より高い場合にＳ５０３へ進む構成としてもよいし、すくなくともいずれか１つが所定値より高い場合にＳ５０３へ進む構成としても良い。
　ステップＳ５０３では異常判定禁止処理として図４の異常判定装置による異常判定表示を禁止する。
　ステップＳ５０４では異常判定装置の表示装置に再学習要求を表示する。なおステップＳ５０１では平均値を用いたが中央値などの全体量の代表値を用いても良い。またステップＳ５０４では画面に再学習要求を表示したが、診断装置管理者にメールするなどの処理を行っても良い。
　図６は本発明を適用した時のタイムチャートの一例である。図６（ａ）、図６（ｂ）はそれぞれの装置の異常度の時間変化を示す。例えば鉄道車両のドアを対象とした場合、複数のドアに対してそれぞれの異常度が算出される。この複数の異常度の平均を算出し、再学習判定しきい値を異常判定しきい値よりも小さい値に設定する（図６（ｃ））。すると一つの異常度が増加しても平均値はほとんど変化しないため、該当する図６（ａ）に対応する装置の異常判定フラグ１が反応し（図６（ｄ））、異常判定表示がなされる。
　図７は本発明を適用した時のタイムチャートの別の一例である。対象は図６と同じく鉄道車両のドアであり、本ケースでは複数のドアの異常度が増加しており、図７（ｃ）のようにこれらの異常度平均を算出すると、各異常度が異常度判定しきい値よりも大きくなる前に異常度平均が再学習判定しきい値を超えて再学習フラグが変化することがわかる。これにより異常度１が異常判定しきい値を超えて異常判定装置から異常判定フラグ１が出力されても、図４の異常予兆診断装置において再学習フラグが０の時だけ異常判定フラグによる異常判定を表示する構成としておけば、図７の例では異常判定表示がされず誤診断を防止できる。
　したがって本発明を適用した移動体の診断装置では一つの装置に異常信号を混入した場合には該当機器の異常判定が出力され、複数の装置に異常信号を混入した場合には再学習を要求する表示もしくはメールが送信される。また図６、７では鉄道車両のドアを対象して説明したが、図３の説明でも述べたように移動体に搭載される特に複数の同じ種類の部品のモニタリングに適用すれば本発明の効果は高まる。
　また、表示装置１０３のテストとして、装置の１つに模擬信号を加えることで、当該装置の異常もしくは異常予兆を検出する構成としてもよいし、複数の装置に模擬信号を加えると、前記モデルの再学習を促すメッセージ等の表示を出力する構成としてもよい。
　なお、モデルの再学習の方法については、新規にモデルを生成し直してもよいし、既存のモデルに対して、得られた異常度の平均値をフィードバックさせて更新してもよい。当該モデルは、異常予兆判定装置内に備えられるデータベース（図示しない）に保存しておけばよい。
１０１・・・診断対象
１０２・・・異常予兆判定装置
１０３・・・表示装置

Claims (7)

  1. 前記複数のデータから予め生成されるモデルであって、前記装置の異常予兆を検出するための前記モデルを備えるデータベースを有し、
    前記モデルと、前記装置から新たに受信するデータとに基づいて前記装置の異常もしくは異常予兆を検出する移動体の診断装置において、
    前記新たに受信する複数のデータに基づいて、前記モデルの再学習を行うこと
    を特徴とする移動体の診断装置。
  2. 請求項１に記載の移動体の診断装置において、
    前記複数の装置のうち、同種類の装置からデータを受信して前記モデルを生成し、
    前記モデルと、前記同種類の装置から新たに受信するデータとに基づいて算出される診断指標によって、前記装置の異常もしくは異常予兆を検出すること
    を特徴とする移動体の診断装置。
  3. 請求項２に記載の移動体の診断装置において、
    前記同種類の装置から新たに受信する複数のデータから得られる診断指標の平均値もしくは中心値と、所定値とに基づいて前記モデルの再学習の実施の判定を行うこと
    を特徴とする移動体の診断装置。
  4. 請求項３に記載の移動体の診断装置において、
    前記異常もしくは異常予兆を検出するために、前記診断指標と比較する第一の所定値と、前記モデルの再学習の実施の判定を行ために、前記平均値もしくは中心値と比較する第二の所定値とを備え、
    前記第二の所定値は、前記第一の所定値よりも小さく設定すること
    を特徴とする移動体の診断装置。
  5. 請求項３に記載の診断装置において、
    前記平均値もしくは中心値は、前記同種類の装置のうち、任意に選択した装置から得られるデータによって算出すること
    を特徴とする移動体の診断装置。
  6. 請求項１ないし請求項５のいずれかに記載の診断装置において、
    前記移動体は鉄道車両であり、
    前記複数の装置は、前記鉄道車両に搭載されるドア、空調装置、ブレーキ、トラクション装置のいずれかであること
    を特徴とする移動体の診断装置。
  7. 請求項１ないし請求項５のいずれかに記載の診断装置において、
    前記複数の装置のうち少なくとも１つに模擬信号を加えると、前記装置の異常もしくは異常予兆を検出し、
    前記複数の装置のうち少なくとも２つに前記模擬信号を加えると、前記モデルの再学習を促す表示を出力すること
    を特徴とする移動体の診断装置。
PCT/JP2015/054249 2014-02-27 2015-02-17 移動体の診断装置 WO2015129512A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-036141 2014-02-27
JP2014036141A JP2015162032A (ja) 2014-02-27 2014-02-27 移動体の診断装置

Publications (1)

Publication Number Publication Date
WO2015129512A1 true WO2015129512A1 (ja) 2015-09-03

Family

ID=54008833

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/054249 WO2015129512A1 (ja) 2014-02-27 2015-02-17 移動体の診断装置

Country Status (2)

Country Link
JP (1) JP2015162032A (ja)
WO (1) WO2015129512A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109050587A (zh) * 2018-09-19 2018-12-21 中车青岛四方车辆研究所有限公司 地铁列车主动径向控制装置和控制方法
JP2019018755A (ja) * 2017-07-19 2019-02-07 株式会社東芝 異常検知装置、異常検知方法およびコンピュータプログラム
EP3531036A4 (en) * 2016-11-21 2019-10-30 Mitsubishi Electric Corporation DEVICE FOR DIAGNOSIS OF WEAR, METHOD FOR DIAGNOSIS OF WEAKNESS AND PROGRAM FOR DIAGNOSIS OF WEAKNESS
CN112602155A (zh) * 2018-08-27 2021-04-02 皇家飞利浦有限公司 生成针对经训练的模型的元数据

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6030787B2 (ja) * 2015-03-17 2016-11-24 東海旅客鉄道株式会社 温度異常検出システム、温度異常検出方法
JP6074093B2 (ja) * 2015-05-27 2017-02-01 東海旅客鉄道株式会社 温度異常検出システム、温度異常検出方法
JP6880560B2 (ja) * 2016-03-30 2021-06-02 株式会社Ihi 故障予測装置、故障予測方法及び故障予測プログラム
JP6945297B2 (ja) * 2016-12-05 2021-10-06 株式会社日立製作所 機器診断装置、機器診断システム及び機器診断方法
JP6753818B2 (ja) * 2017-06-19 2020-09-09 日本電信電話株式会社 検知装置および検知方法
JP7082461B2 (ja) * 2017-07-26 2022-06-08 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
WO2019180778A1 (ja) * 2018-03-19 2019-09-26 日本電気株式会社 情報処理装置、情報処理方法及び記録媒体
JP6984551B2 (ja) * 2018-06-27 2021-12-22 日本電信電話株式会社 異常検知装置、および、異常検知方法
JP7187397B2 (ja) * 2019-07-18 2022-12-12 オークマ株式会社 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム
JP7166395B1 (ja) 2021-06-23 2022-11-07 セイコーソリューションズ株式会社 監視システム、監視方法、及び監視プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
JP5369246B1 (ja) * 2013-07-10 2013-12-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP5480440B1 (ja) * 2013-12-03 2014-04-23 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
JP5369246B1 (ja) * 2013-07-10 2013-12-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP5480440B1 (ja) * 2013-12-03 2014-04-23 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3531036A4 (en) * 2016-11-21 2019-10-30 Mitsubishi Electric Corporation DEVICE FOR DIAGNOSIS OF WEAR, METHOD FOR DIAGNOSIS OF WEAKNESS AND PROGRAM FOR DIAGNOSIS OF WEAKNESS
JP2019018755A (ja) * 2017-07-19 2019-02-07 株式会社東芝 異常検知装置、異常検知方法およびコンピュータプログラム
CN112602155A (zh) * 2018-08-27 2021-04-02 皇家飞利浦有限公司 生成针对经训练的模型的元数据
CN109050587A (zh) * 2018-09-19 2018-12-21 中车青岛四方车辆研究所有限公司 地铁列车主动径向控制装置和控制方法

Also Published As

Publication number Publication date
JP2015162032A (ja) 2015-09-07

Similar Documents

Publication Publication Date Title
WO2015129512A1 (ja) 移動体の診断装置
AU2013320505B2 (en) Method for diagnosing railroad components of a railroad network for rail transport
CN107271839B (zh) 用于监测车辆的车载电气系统的方法和控制装置
CN113748030A (zh) 用于车辆轮胎性能建模和反馈的系统和方法
US20170345229A1 (en) Systems and Methods For Data Acquisition From A Remote System
CN105730370A (zh) 汽车驾驶系统及控制方法
CN107490485A (zh) 车辆健康度检测方法、装置及车辆
CN108369781B (zh) 评价由车辆的至少一个传感器检测到的危险情况的方法
US20070136015A1 (en) Diagnosis apparatus for diagnosing state of equipment
JP6061782B2 (ja) 異音検知装置及びプログラム
JP6796545B2 (ja) 鉄道車両機器診断装置および鉄道車両機器診断方法
JP2017077055A (ja) 状態診断装置及びプログラム
CN112469613A (zh) 用于对车辆、车辆组件和行车道进行诊断和监控的方法和设备
JP2009175929A (ja) ドライバ状態推定装置及びプログラム
JP6988674B2 (ja) 診断装置、診断システム、及び診断方法
US20190340849A1 (en) Diagnostic device, diagnostic system, and diagnostic method
CN110362059B (zh) 诊断装置和诊断方法
DE102016209831A1 (de) System und Verfahren zur verbesserten Warnung vor Glätte
CN104816607A (zh) 汽车空调压缩机监测方法及装置
CN104712734B (zh) 用于轨道车辆的传动单元的监控单元
EP4095533B1 (en) Early detection of cable failure in automotive networks
US20220385544A1 (en) Early detection of cable failure in automotive networks
JPWO2020170301A1 (ja) 情報処理装置、プログラム及び情報処理方法
US20090256695A1 (en) Method for the Automatic Initialization of Electronic Wheel Systems and Vehicle
JP5856446B2 (ja) 鉄道車両用保守システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15755959

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15755959

Country of ref document: EP

Kind code of ref document: A1