WO2019155627A1 - 鉄道車両の異常検出装置および方法 - Google Patents

鉄道車両の異常検出装置および方法 Download PDF

Info

Publication number
WO2019155627A1
WO2019155627A1 PCT/JP2018/004688 JP2018004688W WO2019155627A1 WO 2019155627 A1 WO2019155627 A1 WO 2019155627A1 JP 2018004688 W JP2018004688 W JP 2018004688W WO 2019155627 A1 WO2019155627 A1 WO 2019155627A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
abnormality
vehicle
vibration
factor
Prior art date
Application number
PCT/JP2018/004688
Other languages
English (en)
French (fr)
Inventor
康介 原
了 古谷
克行 岩崎
隆夫 渡邊
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
Priority to EP18905555.1A priority Critical patent/EP3751249B1/en
Priority to PCT/JP2018/004688 priority patent/WO2019155627A1/ja
Priority to JP2019570259A priority patent/JP6838176B2/ja
Publication of WO2019155627A1 publication Critical patent/WO2019155627A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61F—RAIL VEHICLE SUSPENSIONS, e.g. UNDERFRAMES, BOGIES OR ARRANGEMENTS OF WHEEL AXLES; RAIL VEHICLES FOR USE ON TRACKS OF DIFFERENT WIDTH; PREVENTING DERAILING OF RAIL VEHICLES; WHEEL GUARDS, OBSTRUCTION REMOVERS OR THE LIKE FOR RAIL VEHICLES
    • B61F9/00—Rail vehicles characterised by means for preventing derailing, e.g. by use of guide wheels
    • B61F9/005—Rail vehicles characterised by means for preventing derailing, e.g. by use of guide wheels by use of non-mechanical means, e.g. acoustic or electromagnetic devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • 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
    • B61L15/0072—On-board train data handling
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles

Definitions

  • the present invention relates to a railway vehicle abnormality detection device and method.
  • Japanese Patent Application Laid-Open No. 2004-133826 discloses a vehicle abnormality detection method for detecting vehicle vibration and detecting abnormality of the vehicle and the track of the vehicle based on the detected vibration.
  • the description of ⁇ a vehicle abnormality detection method characterized by specifying whether the cause of vibration is in the carriage or in the track based on the detected vibration value of the carriage and the detected vibration value of the wheel shaft ''. is there. That is, a vehicle abnormality detection method for detecting vibrations of a vehicle and detecting abnormality of a railway vehicle and a track based on the detected vibrations is shown.
  • Patent Document 1 detects the acceleration of both the bogie and the wheel shaft of the railway vehicle, filters the detected bogie acceleration and the detected wheel shaft acceleration, and the noise-treated acceleration is a predetermined threshold value. It is specified whether the cause of the vibration is in the cart or in the track depending on whether or not the value is exceeded.
  • Patent Document 1 the method described in Patent Document 1 is intended for a case where it is possible to clearly distinguish whether the abnormality factor is in the carriage or the track, and the abnormality factor on the vehicle side and the abnormality factor on the track side are combined.
  • the case where abnormal vibration occurs is not particularly taken into consideration, and there is a possibility that the abnormal factor is erroneously detected.
  • a dedicated sensor is required for each device that is supposed to be abnormal, and there has been a problem of high costs.
  • An object of the present invention is to provide a railway vehicle abnormality detection technique that can detect and estimate, and can estimate an abnormality factor in a short time with a small number of sensors.
  • one of the typical railway vehicle abnormality detection devices and methods according to the present invention acquires vibration data and operation data of a vehicle, and uses the acquired vibration data and operation data. And an apparatus having a function of deriving an abnormal factor element through data analysis (for example, correlation analysis) and estimating or specifying an abnormal vibration factor of the railway vehicle based on the abnormal factor element.
  • data analysis for example, correlation analysis
  • a vehicle vibration factor estimating device for estimating a vehicle vibration factor of the railway vehicle is: The vibration data and the operation data detected by the vibration data detection device including a data detection unit for detecting the vibration data of the rail vehicle and the operation data detection device including a data detection unit for detecting the operation data of the rail vehicle are acquired.
  • An abnormal factor element estimation unit that estimates an abnormal factor element of vibration derived by the data analysis unit based on the vibration data and the operation data;
  • An abnormality factor estimation unit that estimates an abnormality factor of vibration in the railway vehicle based on the abnormality factor element estimated by the abnormality factor element estimation unit is provided.
  • the number of sensors is small and the time is short.
  • the cause of the abnormality can be estimated. For example, by analyzing vibration data and operation data and deriving abnormality factor elements, the abnormality factor elements can be narrowed down, the number of parameter survey cases can be reduced, and the time can be shortened. Further, the current value of the characteristic of the derived abnormal factor element is identified, and the abnormal factor is determined based on the comparison result between the current value and the normal value. In determining this abnormal factor, a physical quantity that has not been measured can be estimated by using a dynamic model, for example, a vehicle dynamic model (vehicle model) or a trajectory dynamic model (trajectory model).
  • a dynamic model for example, a vehicle dynamic model (vehicle model) or a trajectory dynamic model (trajectory model).
  • FIG. 1 is a system configuration diagram of an abnormality detection device for a railway vehicle showing Embodiment 1 of the present invention.
  • FIG. 2 is a system configuration diagram of an abnormality detection apparatus for a railway vehicle showing another embodiment of the first embodiment.
  • FIG. 3 is a system configuration diagram of an abnormality detection device for a railway vehicle showing still another embodiment of the first embodiment.
  • FIG. 4 is a diagram illustrating a time history waveform of the vehicle body left-right vibration acceleration when abnormal vibration occurs in the car b of the trained vehicle X due to an abnormality factor on the railway side in the abnormality detection device for the railway vehicle according to the first embodiment. is there.
  • FIG. 5 is a flowchart for explaining a processing procedure in the data analysis unit in the railway vehicle abnormality detection device according to the first embodiment.
  • FIG. 6 is a flowchart illustrating a processing procedure in the parameter estimation unit in the railway vehicle abnormality detection device according to the first embodiment.
  • FIG. 7 is a diagram illustrating a result of comparing the actual measurement value of the vehicle body lateral acceleration PSD with the analysis value of the vehicle body lateral acceleration PSD before and after parameter estimation in the parameter estimation unit of the first embodiment.
  • FIG. 8 is a flowchart illustrating a processing procedure in the abnormality factor estimation unit in the railway vehicle abnormality detection device according to the first embodiment.
  • FIG. 9 is a diagram illustrating an abnormality factor estimation result in the abnormality factor estimation unit according to the first embodiment.
  • FIG. 10 shows a time history waveform of the vehicle body left-right vibration acceleration when abnormal vibration occurs in each car of the trained vehicle X due to an abnormality factor on the track side in the abnormality detection device for the railway vehicle of the first embodiment.
  • FIG. 11 is a diagram illustrating an abnormality factor estimation result in the abnormality factor estimation unit according to the first embodiment.
  • FIG. 12 is a system configuration diagram of an abnormality detection device for a railway vehicle showing Embodiment 2 of the present invention.
  • FIG. 13 shows the vehicle body lateral vibration acceleration in the case where abnormal vibration occurs in the knitted vehicle B by combining the abnormality factor on the vehicle side and the abnormality factor on the track side in the abnormality detection device for a railway vehicle according to the second embodiment. It is the figure which showed the time history waveform.
  • FIG. 14 is a diagram illustrating an abnormality factor estimation result in the abnormality factor estimation unit according to the second embodiment.
  • FIG. 15 is a system configuration diagram of a railway vehicle abnormality detection apparatus showing Embodiment 3 of the present invention.
  • FIG. 16 is a process flow diagram in the parameter estimation unit for the railway vehicle abnormality detection device of the third embodiment.
  • FIG. 1 is a functional block diagram showing a system configuration of a railway vehicle abnormality detection device
  • FIGS. 2 and 3 are block diagrams of the abnormality detection device showing an improved example thereof.
  • a railway vehicle traveling on a track (rail) 20 includes a vehicle body 1 and a carriage 16.
  • the vehicle body 1 is mounted on a carriage 16 via an air spring 8.
  • a vibration data detection unit 60 including a vehicle body accelerometer (not shown) that measures the lateral vibration acceleration of the vehicle body 1 is installed.
  • the vehicle body accelerometer detects the voltage of the vehicle body accelerometer, and the voltage of the vehicle body accelerometer is detected by the vibration data detector 60 as, for example, a vehicle body lateral vibration acceleration signal as vibration data.
  • the vibration data detection unit 60 includes vibration data detection means 61 including a vibration data detection unit that detects vibration data indicating the vibration of the railway vehicle.
  • vibration data detection means 61 any means that can acquire vibration data such as an acceleration sensor or a gyro sensor may be used.
  • vibration data detecting means 61 is installed in the vehicle body 1, it can be installed not only in the vehicle body 1 but also in the bogie frame 11 and the axle box body 12. In this embodiment, the description will be made assuming that the vehicle body 1 is installed.
  • the vibration acquisition direction of the vibration data detection means 61 is a translation (front / rear translation / left / right translation / up / down translation) direction and a rotation (roll / pitch / yaw) direction with respect to the front / rear, left / right, and vertical directions relative to the traveling direction of the railway vehicle. Any of the above can be applied. In the present embodiment, the description will be made assuming that the horizontal translation direction. Further, a plurality of vibration data detection means 61 may be installed for one vehicle, but in the present embodiment, the vibration data detection means 61 will be described as one. Further, the installation position of the vibration data detection means 61 may be the center position of the vehicle body 1 or the end of the vehicle body 1 such as the position of the carriage or the position of the vehicle equipment room.
  • the vehicle body 1 is provided with the operation data detection part 50 which has a function which detects operation data from the operation management system which manages operation data, for example.
  • the operation data detection unit 50 includes operation data detection means 51 including an operation data detection unit that detects operation data such as a travel speed, a travel position, and a boarding rate, for example.
  • FIG. 1 shows an example in which only one vehicle is provided with the vibration data detection means 61 and the operation data detection means 51.
  • a plurality of cars of a plurality of trains may be provided.
  • FIG. 2, and FIG. 3 each include one data analysis unit 100, one parameter estimation unit 120, and one abnormal factor estimation unit 150, but each vehicle or each trained vehicle may include one.
  • the carriage 16 includes a carriage frame 11, an air spring 8, a yaw damper 4, a shaft box body 12, a wheel shaft 13, a shaft spring device 14, a shaft box support rubber 15 of a shaft box that serves as a bearing housing for the wheel shaft 13, and the like.
  • the axle 13 is rotatably held with respect to the axle box 12, and is elastically supported in the vertical direction by the axle spring device 14 between the axle box 12 and the carriage frame 11, and is horizontally supported by the axle box support rubber 15. Elastically supported in the direction.
  • An air spring 8 is disposed between the vehicle body 1 and the carriage frame 11, and the vehicle body 1 is elastically supported by the carriage frame 11 by the air spring 8.
  • the abnormality detection device includes a data analysis unit 100, a parameter estimation unit 120, an abnormality factor estimation unit 150, and the like, and constitutes a vehicle vibration factor estimation device that estimates a factor of abnormal vibration of a railway vehicle.
  • the data analysis unit 100, the parameter estimation unit 120, and the abnormality factor estimation unit 150 are configured by, for example, an arithmetic device that executes each process described later according to a program stored therein.
  • the data analysis unit 100 acquires the vibration data from the vibration data detection means 61 and the operation data from the operation data detection means 51, and causes abnormal factor elements (for example, wheel shape, axle box support device, yaw damper, This function has a function of analyzing, specifying, and outputting a passing error, a gauge error, etc., and is mainly composed of the data analysis means 101.
  • abnormal factor elements for example, wheel shape, axle box support device, yaw damper
  • the data analysis unit 101 receives vibration data and operation data detected by the vibration data detection unit 61 and the operation data detection unit 51, and derives an abnormal factor element of abnormal vibration based on the vibration data and operation data. For example, filtering the vibration data of the left and right acceleration of the vehicle body 1 detected by the vibration data detecting means 61 and extracting data effective for analysis, filtered vibration data (left and right acceleration) and operation data It is an apparatus having an analysis function of performing an analysis process and extracting a feature amount of data, and a function of deriving an abnormal factor element based on the feature amount of the extracted data.
  • This abnormal factor element is an element that may be a factor of abnormalities when abnormal vibrations occur in a railway vehicle. Broadly divided, there are two abnormal factor elements on the vehicle side and abnormal factor elements on the track side.
  • abnormality factor elements on the vehicle side include elements such as the axle box support rubber 15 and the yaw damper 4 of the axle box support device installed in the railway vehicle.
  • the abnormality factor element on the track side is a wheel shape such as a wheel tread of the wheel shaft 13, for example, a track-side element such as a track misalignment or a track misalignment.
  • the alignment irregularity is the unevenness in the longitudinal direction of the track side, and the gauge irregularity is the normal dimensions (Shinkansen: 1435 mm This is the amount of deviation when distortion occurs with respect to the incoming line (1067 mm) (in the curved portion, the amount of deviation with respect to the amount obtained by adding slack to the basic dimension).
  • the data analysis unit 100 will be described later.
  • the parameter estimation unit 120 selects, from the abnormality factor elements output by the data analysis unit 101 of the data analysis unit 100, a dynamic model (vehicle model or trajectory model) and parameters of the dynamic model previously associated with the abnormality factor element.
  • the apparatus has a function of receiving the selected dynamic model, parameters of the dynamic model, vibration data and operation data, and estimating the parameters of the dynamic model in an abnormal state of the railway vehicle.
  • the parameter estimation unit 120 includes a dynamic model selection unit 121, a dynamic model parameter selection unit 122, and a parameter estimation unit 123.
  • the dynamic model selection unit 121 and the dynamic model parameter selection unit 122 of the parameter estimation unit 120 receive the abnormal factor elements derived by the data analysis unit 101 of the data analysis unit 100 and store them in, for example, a database (not shown).
  • the dynamic model previously associated with the abnormal element and the parameters of the dynamic model are selected.
  • This dynamic model is a model (vehicle model or track model) for predicting the vibration characteristics of a railway vehicle.
  • the vehicle body 1, the carriage 16 and the wheel shaft 13 are rigid bodies
  • the axle box support rubber 15 and the yaw damper 4 are springs or dampers on a virtual track simulating a track irregularity such as a track misalignment or a track misalignment.
  • the vehicle's left-right vibration model that predicts vehicle left-right vibration
  • the vehicle vertical system dynamic model that predicts vehicle vertical vibration
  • the parameter of the dynamic model is a characteristic value of a factor element included in the dynamic model.
  • the spring constant of the axle box support rubber 15 which is a vehicle model on the vehicle side, the damping coefficient of the yaw damper 4, and the track on the track side. It corresponds to the wheel tread gradient of the wheelset 13 as a model, the amount of deviation of the track 20, the amount of deviation of the gauge, and the like.
  • the parameter estimation means 123 receives the dynamic model from the dynamic model selection means 121 and the parameters of the dynamic model from the dynamic model parameter selection means 122. In addition to the dynamic model and parameters of the dynamic model, vibration data and operation data detected by the vibration data detection means 61 and the operation data detection means 51 are input. Then, based on the vibration data and the operation data, an estimated value of the parameter of the dynamic model in the abnormal state is derived. A specific processing flow of the parameter estimation unit 120 will be described later.
  • the abnormality factor estimation unit 150 compares the parameter of the dynamic model in the abnormal state estimated by the parameter estimation unit 120 with the parameter of the dynamic model in the normal state, and determines the abnormal factor of the vibration of the railway vehicle based on the comparison result. This is a device having an estimation function.
  • the abnormality factor estimation unit 150 includes a normal value storage unit 151, a normal value comparison unit 152, and an abnormality factor estimation unit 153.
  • the normal value storage unit 151 stores, for example, parameter normal values such as the spring constant of the axle box support rubber 15, the damping coefficient of the yaw damper 4, the wheel tread gradient of the wheel shaft 13, the amount of deviation of the track 20, and the amount of deviation of the gauge. It is a device including a storage unit.
  • the normal value comparison unit 152 receives the estimated value of the parameter of the dynamic model derived by the parameter estimation unit 123 of the parameter estimation unit 120 and the parameter normal value of the normal value storage unit 151.
  • the normal value comparison unit 152 of the abnormality factor estimation unit 150 is configured to calculate the parameter estimated value and the normal value based on the parameter estimated value in the abnormal state and the normal value of the parameter in the normal state stored in the normal value storage unit 151.
  • the ratio of values is calculated (normal value comparison).
  • the abnormality factor estimating means 153 estimates the abnormality factor, that is, the normality and abnormality of the track and the vehicle when vibration data is generated in the railway vehicle. A specific processing flow of the abnormality factor estimation unit 150 will be described later.
  • the determination result output unit 200 has a function of notifying the driver of the vehicle body 1, the operation manager on the ground, maintenance personnel, and the like of the estimation result of the abnormality factor estimated and derived by the abnormality factor estimation unit 153 of the abnormality factor estimation unit 150. It is a device that has.
  • FIGS. 2 and 3 show an improvement of the first embodiment.
  • FIG. 2 shows that operation data detecting means 51 is installed in one vehicle body (car No. a) and 1 in each of the other vehicle bodies (cars b and c). This is an example in which two vibration data detection means 61 are installed.
  • FIG. 3 shows that one operation data detection means 51 and one vibration data detection means 61 are installed in one vehicle body (car No. a) of each of the formation vehicles X, Y, and Z, and other vehicle bodies (car No. b, car No. b, In this example, one vibration data detection means 61 is installed in c).
  • the data of the vibration data detection means 61 installed in each of the cars a, b, c of the single organized vehicle and the operation data detection means 51 installed in the car a are the data analysis means of the data analysis unit 100. 101.
  • each data of the vibration data detecting means 61 installed in each car of the plurality of organized vehicles X, Y, Z and the operation data detecting means 51 installed in one car of each organized vehicle is data
  • the data is supplied to the data analysis means 101 of the analysis unit 100. 2 and 3, the same parts as those in FIG. 1 are denoted by the same reference numerals, and the description thereof is omitted.
  • FIG. 4 shows a case in which abnormal vibration occurs in a railway vehicle due to a decrease in the damping coefficient of the yaw damper 4 due to oil leakage of the yaw damper 4 (see FIG. 1) in the car b of the formation vehicle X (vehicle dynamics model) ( It is the figure which showed typically FIG. 4 (B) reference)).
  • the vibration data detecting means 61 will be described as a case where an acceleration sensor 62 (hereinafter referred to as a lateral acceleration sensor) in the lateral translation direction installed at the position of the carriage is used.
  • FIG. 4 shows the vehicle body lateral acceleration [measured by the lateral acceleration sensor 62 installed in the car No. a. m / s 2] characteristic diagram showing the waveform characteristics 621 in FIG. 4 (B), a characteristic diagram showing the waveform characteristics 622 of the vehicle body lateral acceleration measured by lateral acceleration sensor 62 installed in car b [m / s 2]
  • FIG. 4C is a characteristic diagram illustrating a waveform characteristic 623 of the vehicle body lateral acceleration [m / s 2 ] measured by the lateral acceleration sensor 62 installed in the car No. c.
  • FIG. 5 is a flowchart for explaining the processing procedure of the data analysis unit in the railway vehicle abnormality detection device of the first embodiment.
  • Steps are indicated by S in this flowchart.
  • S ⁇ b> 1 the vehicle body lateral acceleration is acquired from the lateral acceleration sensor 62, and operation data such as the travel position, travel speed, and boarding rate is acquired from the operation data detection means 51.
  • S ⁇ b> 2 to S ⁇ b> 5 are processes in the data analysis unit 101.
  • the waveform characteristic 622 (see FIG. 4B) indicating abnormal vibration is filtered from the vehicle body lateral acceleration [m / s 2 ] acquired in S1 using a known filtering technique, and the abnormal factor Extract valid data for estimation.
  • preprocessing for analysis processing performed in S3 is included, such as processing for extracting only frequency bands that are easily felt by humans from vehicle body lateral acceleration, and processing for extracting only data of a traveling section in which vibration is particularly large.
  • the vibration data and operation data extracted in S1 and S2 are analyzed, and the feature amount of the data (characteristic value of the factor element) is extracted.
  • the feature amount of the data characteristic value of the factor element
  • a process of extracting a frequency band in which vibration is particularly large by frequency analysis of vibration data a process of performing statistical analysis of vibration data and operation data, and extracting a dependency between vibration waveform and travel position, etc.
  • the vibration data detecting means 61 detects a large amount of data from a plurality of cars or a plurality of trained vehicles, and the operation data detecting means 51 is not only a traveling speed, a traveling position and a boarding rate, but also various data such as a combined state of vehicles. By detecting this, it is possible to obtain a more diverse and highly accurate feature amount of data. Further, as a method for extracting data feature amounts, a known statistical analysis technique or the like may be used, or big data analysis using an artificial intelligence technique or the like may be used.
  • an abnormal factor element is derived based on the feature amount of the data extracted in S3.
  • the feature amount of the data is “There is a difference in car number”
  • the axle box support rubber 15, the yaw damper 4, the wheel tread of the wheel shaft 13, and the like are derived from the elements on the vehicle side as abnormal factor elements. Then, these abnormality factor elements are output to the parameter estimation unit 120 in S5.
  • the dynamic model selecting means 121 selects a dynamic model previously associated with the abnormal factor element. In this embodiment, it is assumed that the vehicle left-right acceleration model is selected because the vehicle left-right acceleration is targeted.
  • the parameter related to the abnormality factor is selected from the parameters of the vehicle left-right system dynamic model by the dynamic model parameter selection means 122.
  • the abnormal factor element is a vehicle-side element, it is assumed that the spring constant of the axle box support rubber 15, the damping coefficient of the yaw damper 4, the wheel tread gradient of the wheel shaft 13, and the like are selected.
  • a vehicle left-right dynamic model includes a large number of parameters, but as described above, the number of parameter survey cases is reduced by shortening the number of parameter survey cases by narrowing down the parameters to be estimated beforehand. Can be timed.
  • S ⁇ b> 14 to S ⁇ b> 19 are processes in the parameter estimation unit 123.
  • an initial value (initial estimated value) of the parameter selected in S13 is set.
  • initial values such as the spring constant of the axle box support rubber 15, the damping coefficient of the yaw damper 4, and the wheel tread gradient of the wheel shaft 13 are set.
  • the initial value of the parameter may be a normal value of the parameter or a randomly generated value.
  • vibration analysis vehicle motion analysis
  • the virtual track data includes, for example, a management reference value prepared in advance in the normal value storage unit 151, an actual measurement value measured by a test vehicle, and the like. Use normal values.
  • the analysis value of the vehicle body lateral acceleration obtained in the analysis of S15 is compared with the actual measurement value (normal value), and the error is calculated. For example, when the analysis value 612 matches the actual measurement value 611, it is possible to estimate (specify) an abnormal factor element using the parameter.
  • the error evaluation index is not limited as long as the error can be evaluated (error comparison), but in this embodiment, as shown in FIG. 7, the measured value for each frequency of the vehicle lateral acceleration PSD (Power Spectrum Density).
  • the difference between 711 and the analysis value 712 is integrated (hereinafter, integrated difference value).
  • FIG. 7 shows the frequency [Hz] on the horizontal axis and the vehicle body lateral acceleration PSD [(m / s 2 ) 2 / Hz] on the vertical axis
  • FIG. 7 (A) shows an actual measurement value 711 indicated by a solid line before estimation
  • FIG. 7B is a characteristic diagram showing an actual measurement value 711 and an analysis value 712 after estimation. In the figure, there is a large difference between the measured value and the analyzed value in some frequency bands where abnormal vibration occurs before estimation, but after the estimation, there is almost no difference between them.
  • the estimated value of this parameter is output to the abnormality factor estimating unit 150 in S19.
  • one lateral acceleration sensor 62 is installed on the vehicle body 1.
  • a plurality of lateral acceleration sensors 62 are installed on the vehicle body 1, the carriage 16, the axle box body 12, and the like, a plurality of detected accelerations are detected.
  • an estimated value of a parameter is acquired from the parameter estimation unit 120.
  • the abnormal factor that is, the spring constant of the axle box support rubber 15 in the abnormal state, the damping coefficient of the yaw damper 4, and the estimated value of the wheel tread surface gradient of the wheel shaft 13 are acquired.
  • the normal values of these parameters are acquired from the normal value storage unit 151 in the abnormality factor estimation unit 150.
  • the spring constant of the axle box support rubber 15, the damping coefficient of the yaw damper 4, design values and element test values, the wheel tread surface gradient of the wheel axle 13 in the newly manufactured state, the management value during maintenance, etc. is used.
  • the normal value comparison means 152 calculates the ratio between the estimated value of each parameter and the normal value. Then, in S24, the abnormality factor estimating means 153 compares this ratio with a preset threshold value to make a determination. This comparison determination is repeated a predetermined number of times. Parameters with this ratio equal to or less than the threshold value can be said to be close to the normal state, so they are determined to be in the normal state, and parameters that exceed the threshold value are determined to be in the abnormal state. Then, the parameter determined to be in an abnormal state is used as an abnormality factor, and is output to the determination result output means 200.
  • FIG. 9 schematically shows whether the parameters are normal or abnormal in S24.
  • the vertical axis indicates the vertical axis and the abnormal factor elements such as the spring rigidity of the axle box support rubber 15 on the horizontal axis, the damping coefficient of the yaw damper 4, and the wheel tread gradient.
  • the attenuation coefficient of the yaw damper 4 whose ratio between the estimated value and the normal value exceeds the threshold 91 is determined to be in an abnormal state.
  • the determination result output means 200 notifies the estimation result of the abnormal factor to the driver on the vehicle and the operation manager or maintenance staff on the ground using a known communication technique.
  • an abnormality factor on the vehicle side such as a decrease in the attenuation coefficient of the yaw damper 4 can be estimated.
  • FIG. 10 is a diagram schematically showing a case where an abnormal vibration occurs in a part of the track 20 due to the fact that the amount of misalignment has increased from the management reference value. Since the basic processing flow is the same as that described with reference to FIGS. 1 to 9, only the differences will be described.
  • the data analysis unit 100 acquires the vehicle body lateral acceleration from the lateral acceleration sensor 62, and acquires operation data such as the travel position, travel speed, and boarding rate from the operation data detection means 51.
  • the data analysis unit 100 extracts data feature amounts from the vehicle body lateral acceleration and operation data acquired as described above.
  • FIGS. 10 (A), (B), and (C) with respect to abnormal vehicle body left and right vibrations (abnormal vibrations) that occurred in all cars only in some sections 620, It is assumed that “with section difference” is extracted as a feature amount. Since the data feature amount is “with section difference”, it is determined that the abnormality factor is not on the vehicle side but on the track side. As a result, it is assumed that a deviation in the orbit 20 or a deviation in the gauge is derived as an abnormality factor element from the elements on the orbit side.
  • the parameter estimation unit 120 selects a dynamic model and a dynamic model parameter from the derived abnormality factor elements, and estimates a parameter in an abnormal state.
  • the vehicle left-right system dynamic model is selected because the vehicle left-right acceleration is targeted.
  • the abnormality factor element is a track side element, the amount of deviation or the amount of deviation between the tracks 20 is selected from the parameters of the vehicle left-right dynamic model.
  • virtual vehicle data such as the spring constant of the axle box support rubber 15 and the damping coefficient of the yaw damper 4 in the vehicle left-right system dynamic model is required.
  • a normal value such as a design value is used for the virtual vehicle data. Then, the estimated values of the amount of deviation and the amount of deviation between the tracks 20 are obtained so that the error between the analysis value of the vehicle body lateral acceleration and the actual measurement value matches.
  • the abnormal factor estimation unit 150 calculates the ratio between the estimated value and the normal value of each parameter and compares it with a preset threshold value 111 as shown in FIG.
  • FIG. 11 is a schematic diagram showing the relationship between the amount of misalignment and the amount of misalignment on the horizontal axis, the ratio of the parameter estimated value to the normal value on the vertical axis, and the threshold value.
  • the gauge error amount in which the ratio between the estimated value of the parameter and the normal value exceeds the threshold value 111 is determined as an abnormal state, and an increase in the error value of the gauge 20 on the track 20 is output to the determination result output unit 200 as an abnormality factor.
  • the determination result output means 200 notifies the driver on the vehicle, the operation manager on the ground, the maintenance staff, etc. of the estimation result of the abnormal factor.
  • abnormalities on the track side such as an increase in the amount of misalignment of the track 20 can be estimated by the abnormality detection device for a railway vehicle according to the present embodiment.
  • the railway vehicle abnormality detection device of this embodiment when abnormal vibration occurs, it can be determined which element on the vehicle side or the track side has the abnormality factor.
  • the data analysis unit 100 narrows down the abnormality factor elements in advance, and the parameter estimation unit 120 associates the narrowed abnormality factor elements with the abnormality factor elements in advance. After selecting the dynamic model and the parameters of the dynamic model, the parameters are estimated.
  • the number of parameter survey cases can be reduced, and the abnormality factor estimation can be shortened.
  • the vehicle side parameters such as the spring constant of the axle box support rubber 15 that is not directly measured by the sensor, the damping coefficient of the yaw damper 4, the wheel tread surface gradient of the wheel axle 13, the track 20 It is possible to estimate trajectory-side parameters such as the amount of run-off and the amount of run-off, and the number of sensors can be reduced.
  • the vibration data detecting means 61 is provided in the vehicle body 1, the vehicle left-right system dynamic model is used. However, when the vibration data detecting means 61 is provided in the carriage, the carriage is used. A dynamic model of a vehicle element such as a left-right dynamic model may be used.
  • FIG. 12 is a diagram showing the system configuration of another railway vehicle abnormality detection apparatus of the present invention.
  • abnormal vibration occurs as a process of the abnormality detection device by combining the abnormal factor on the track side (orbital dynamic model) in addition to the abnormal factor on the vehicle side (vehicle dynamic model) in Example 1. This is an example in the case where the abnormality factor is on both the track side and the vehicle side.
  • the parameter estimation unit 120 includes a plurality of parameter estimation units such as the parameter estimation unit 120a and the parameter estimation unit 120b, and the parameter estimation unit 120a performs dynamics based on abnormal factor elements, vibration data, and operation data.
  • the parameter of the model A is estimated
  • the parameter estimation unit 120b estimates the parameter of the dynamic model B based on the parameter estimation value, vibration data, and operation data of the dynamic model A
  • the abnormal factor estimation unit 150 calculates the dynamic model.
  • a difference value between the estimated value and the normal value is obtained based on the parameter estimated values of A and B and the parameter normal value, and the cause of the abnormality is specified.
  • the parameter estimation unit 120a includes a dynamic model A selection unit 121a, a dynamic model A parameter selection unit 122a, and a parameter estimation unit 123a.
  • the parameter estimation unit 120b includes a dynamic model B selection unit 121b and a dynamic model B parameter selection. Means 122b and parameter estimation means 123b.
  • FIG. 13 shows a part of the track 20 (the body of the trained vehicle B) in addition to the decrease in the damping coefficient of the yaw damper 4 due to the oil leakage of the yaw damper 4 in the trained vehicle B as shown in FIG. It is the figure which showed typically the case where an abnormal vibration generate
  • the data analysis unit 100 acquires operation data such as vehicle body left-right acceleration, travel position, travel speed, and boarding rate from vibration data detection means 61 (for example, left-right acceleration sensor 62) and travel data detection means 51.
  • the data analysis unit 100 extracts data feature amounts from the acquired vehicle body lateral acceleration and operation data.
  • “there is a knitting difference” is extracted as a feature amount with respect to the abnormal vehicle body left-right vibration generated only in the knitting vehicle B.
  • “with a section difference” is extracted as a feature amount for abnormal left-right vehicle body vibration that occurs only in a part of the track 20.
  • the feature amount of the data is “there is a composition difference”
  • the abnormality factor is on the vehicle side.
  • the axle box support rubber 15, the yaw damper 4, the wheel tread of the wheel shaft 13, and the like are derived from the elements on the vehicle side as abnormal factor elements.
  • “there is a difference between sections” is the feature amount, it is assumed that a trajectory deviation or a trajectory deviation is derived as an abnormal factor element from the trajectory side element.
  • the abnormal vibration is caused by a combination of both the abnormal factor on the vehicle side and the abnormal factor on the track side.
  • the parameter estimation unit 120a selects the parameter of the dynamic model A by the dynamic model A selection unit 121a and the selection of the parameter of the dynamic model A by the parameter selection unit 122a from the abnormality factor element derived by the data analysis unit 100. Further, based on the vibration data and operation data, the parameter estimation means 123a estimates the parameter in the abnormal state.
  • the parameter estimation unit 120b selects the parameter of the dynamic model B by the dynamic model B selection unit 121b and the parameter of the dynamic model B by the parameter selection unit 122b from the parameter estimation value of the dynamic model A estimated by the parameter estimation unit 120a. Further, based on the vibration data and the operation data, the parameter estimation means 123b estimates the parameter in the abnormal state.
  • the abnormal factor estimating unit 150 obtains a difference value between the estimated value and the normal value by the normal value comparing unit 152 based on the parameter estimated value and the parameter normal value of the dynamic model A estimated by the parameter estimating unit 120b, and estimates the abnormal factor.
  • Means 153 estimates an abnormal factor.
  • the abnormality detection device for a railway vehicle is characterized in that the estimation is performed by separating the abnormality factor elements on the vehicle side and the track side.
  • the parameter estimation unit 120a that estimates the abnormality factor element on the vehicle side will be described.
  • the vehicle left-right system dynamic model is selected by the dynamic model A selection means 121a.
  • the parameter selection means 122a of the dynamic model A the spring constant of the axle box support rubber 15, the damping coefficient of the yaw damper 4 and the wheel shaft 13 are selected from the parameters of the vehicle left-right system dynamic model based on the abnormal factor elements on the vehicle side.
  • the wheel tread slope is selected.
  • the parameter estimation unit 120a executes processing similar to S14 to S19 in FIG. In other words, initial values of these parameters are set, vibration analysis is performed, vehicle lateral acceleration in the set parameters is calculated, and parameters are updated so that the error between the analytical value of the vehicle lateral acceleration and the measured value matches. I do.
  • the vehicle body lateral acceleration detected in another section where no abnormal vibration occurs is used instead of the section where the abnormal vibration occurs.
  • another section where no abnormal vibration occurs it can be determined that the vehicle side is in an abnormal state and the track side is a normal state section.
  • the virtual trajectory data such as the amount of deviation of the trajectory 20 and the amount of misalignment of the trajectory 20 in the required vehicle left-right system dynamic model include, for example, the trajectory measured by the management reference value or the inspection vehicle. Normal values such as actual measurement data are used.
  • the dynamic model B selection means 121b selects the vehicle lateral dynamic model. Further, in the parameter B selection means 121b of the dynamic model B, a deviation amount or a deviation amount between the tracks 20 is selected from the parameters of the vehicle left-right dynamic model based on the abnormality factor on the track side.
  • the parameter estimation unit 120a executes the same processing as S14 to S19 in FIG. In other words, initial values of these parameters are set, vibration analysis is performed, vehicle lateral acceleration in the set parameters is calculated, and parameters are updated so that the error between the analytical value of the vehicle lateral acceleration and the measured value matches. I do.
  • the vehicle body lateral acceleration detected in the section where the abnormal vibration occurs is used as the actual measurement value of the vehicle body lateral acceleration.
  • virtual vehicle data such as the spring constant of the axle box support rubber 15 and the damping coefficient of the yaw damper 4 in the vehicle left-right system dynamic model is required.
  • the estimated value of the vehicle parameter is used. Since the estimation of the vehicle-side parameters of the vehicle left-right system dynamic model has already been completed, the track-side parameters can be estimated with high accuracy. In the present embodiment, finally, an estimated value of the deviation amount or the deviation amount between the tracks 20 is obtained.
  • the abnormality factor estimation unit 150 calculates the ratio between the estimated value and the normal value of each parameter and compares it with a preset threshold value as shown in FIG.
  • FIG. 14A is a diagram showing the relationship between the estimated value of the parameter and the ratio of the normal value and the threshold value in the axle box supporting rubber spring constant, the yaw damper damping coefficient, and the wheel tread slope on the horizontal axis
  • FIG. It is a figure which shows the relationship between the amount of passing deviations, the amount of deviations between gauges, the estimated value of the parameter on the vertical axis, the ratio of normal values, and the threshold value.
  • the damping coefficient of the yaw damper 4 that exceeds the threshold value is determined to be in an abnormal state
  • the track side factor the misalignment amount of the track 20 that exceeds the threshold value is in an abnormal state. It is determined.
  • it is determined that as a cause of abnormality a decrease in the damping coefficient of the yaw damper 4 and an increase in the amount of misalignment of the track 20 are combined.
  • the abnormality factor is the vehicle. There is a feature that it can be determined which element is on the side or the track side.
  • FIG. 15 is a diagram showing a system configuration of another railway vehicle abnormality detection apparatus of the present invention.
  • the abnormality detection apparatus according to the present embodiment includes an abnormality factor element determination unit 161 as a process when the parameter estimation unit 120 has insufficient parameter estimation accuracy compared to the abnormality detection apparatus according to the first embodiment.
  • a factor element determination unit 160 is added.
  • the same members as those described in the first embodiment are denoted by the same reference numerals, and detailed description thereof is omitted.
  • FIG. 16 is a flowchart illustrating a processing procedure of the parameter estimation unit 120 in the present embodiment. Only differences from the first embodiment will be described below.
  • the error between the actual measurement value and the analysis value of the vehicle body lateral acceleration is calculated, and the parameter update is repeated until this error becomes sufficiently small.
  • the number of updates exceeds the preset number of updates in S15 to S18, if the error between the measured value of the vehicle body lateral acceleration and the analyzed value does not become equal to or less than the preset threshold value in S17 ′, it is estimated. Judge that the accuracy is insufficient. Then, the result (insufficient estimation) is output to the abnormal factor element determination unit 161.
  • the abnormality factor element determination means 161 determines whether the abnormality factor is on the vehicle side or the track side from the abnormality factor elements already obtained by the data analysis unit 100, or on the vehicle side and the track side. An abnormality factor is determined as to whether the two are present, and only the result (trajectory abnormality, vehicle abnormality) is output.
  • the abnormality factor determination is not interrupted without interruption.
  • the judgment result can be output.
  • the following effects can be expected. (1) By using a dynamic model, it is possible to estimate a parameter that is not directly measured, so that the number of sensors can be reduced. (2) From the correlation analysis of vibration data and operation data, by narrowing down abnormal factor elements in advance, the number of parameter survey cases can be reduced and factor estimation can be performed in a short time. (3) By utilizing not only the vehicle model but also the track model, not only the vehicle-side abnormality factor but also the track-side abnormality factor can be specified. (4) Even when vibration abnormality occurs due to both the vehicle side and the track side, the abnormality factor can be specified.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Vehicle Body Suspensions (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

車両の異常振動の発生時に、その振動が車両側の要因または軌道側の要因で生じている場合に加え、その両者の複合した要因で生じている場合をも検出、推定することができ、また、少ないセンサ、かつ短時間に異常要因を推定できる鉄道車両の異常検出装置を提供する。鉄道車両の振動データ、および走行位置、走行速度および乗車率などの運行データを取得し、当該取得した振動データと運行データを分析して異常要因要素を導出し、当該異常要因要素に基づき、鉄道車両の振動の異常要因を推定する機能を有する装置を備える。

Description

鉄道車両の異常検出装置および方法
　本発明は、鉄道車両の異常検出装置および方法に関する。
　鉄道事業者において、メンテナンス性向上の需要が高まっており、ＣＢＭ（Condition Based Maintenance）を実現する技術が求められている。その一つとして、近年、鉄道車両において、車両の運用・保守コスト削減やリスク管理のために、例えば、運用中におけるシステムやサービスの停止している時間であるダウンタイム（down time）削減や保守コスト削減などを目的として、車両の振動快適性の異常の予兆、例えば、車両（車体）の振動を早期に検知し、その異常要因を診断、判定できる異常検出装置やモニタリングシステムが必要とされている。
　異常検出方法および装置として、従来、例えば、特開２００４－１７００８０号公報（特許文献１）に記載された技術がある。
特開２００４－１７００８０号公報
　特許文献１には、「車両の振動を検出し、検出した振動に基づいて車両及び該車両の軌道の異常を検出する車両の異常検出方法であって、車両の台車及び輪軸の振動を検出し、検出した台車の振動値と検出した輪軸の振動値とに基づいて、振動の原因が台車にあるか又は軌道にあるかを特定することを特徴とする車両の異常検出方法」との記載がある。つまり、車両の振動を検出し、検出した振動に基づき、鉄道車両および軌道の異常を検出する車両の異常検出方法が示されている。
　即ち、特許文献１に記載の方法は、鉄道車両の台車および輪軸の両方の加速度を検出し、検出した台車の加速度と検出した輪軸の加速度をフィルタリングし、ノイズ処理後の加速度が、所定の閾値を超過しているか否かで振動の原因が台車にあるか、または軌道にあるかを特定するものである。
　しかし、特許文献１に記載の方法では、異常要因が台車にあるか、または軌道にあるかを明確に区別できるときを対象としており、車両側の異常要因と軌道側の異常要因が複合して異常振動が起きる場合については、特に考慮されておらず、その異常要因を誤検出する可能性があった。
　メンテナンス性向上には、異常予兆を検知したあと、短時間に異常要因を推定する必要がある。
　その異常予兆を検知、推定するため、従来にあっては、異常が想定される個々の装置に対して専用のセンサが必要となるため、高コストとなる課題があった。
　そこで、本発明では、車両の異常振動の発生時に、その振動が車両側の異常要因または軌道側の異常要因で生じている場合に加え、その両者の複合した異常要因で生じている場合をも検知、推定することができ、また、少ないセンサで、かつ短時間に異常要因を推定できる鉄道車両の異常検出技術を提供することを目的とする。
　上記の目的を解決するために、代表的な本発明の鉄道車両の異常検出装置および方法の一つは、車両の振動データおよび運行データを取得し、当該取得した振動データおよび運行データを用いて、データ分析（例えば、相関分析）して異常要因要素を導出し、当該異常要因要素に基づき鉄道車両の異常振動要因を推定、または特定する機能を有する装置を備える。
　例えば、軌道上を走行する鉄道車両の異常を検出する異常検出装置において、
　前記鉄道車両の車両振動要因を推定する車両振動要因推定装置を備え、
　前記車両振動要因推定装置は、
　前記鉄道車両の振動データを検出するデータ検出部を含む振動データ検出装置および前記鉄道車両の運行データを検出するデータ検出部を含む運行データ検出装置にて検出した前記振動データおよび前記運行データを取得して分析し、前記鉄道車両の振動の異常要因要素を導出するデータ分析部と、
　前記データ分析部により導出した振動の異常要因要素を、前記振動データと前記運行データに基づき推定する異常要因要素推定部と、
　前記異常要因要素推定部により推定した異常要因要素に基づいて前記鉄道車両における振動の異常要因を推定する異常要因推定部を備えた
　ことを特徴とする。
　本発明によれば、鉄道車両の異常要因が車両側、もしくは軌道側にある場合のみならず、車両側の異常要因と軌道側の異常要因が複合した場合においても、少ないセンサで、かつ短時間にその異常要因を推定できる。
　例えば、振動データおよび運行データを分析して異常要因要素を導出することにより、異常要因要素を絞り込むことができ、パラメータサーベイのケース数を減らし、短時間化を可能とする。また、導出した異常要因要素の特性の現状値を同定し、その現状値と正常値との比較結果に基づき、異常要因を決定する。この異常要因を決定するに際して、力学モデル、例えば、車両力学モデル（車両モデル）や軌道力学モデル（軌道モデル）などを用いることにより、測定していない物理量を推定可能とするものである。
図１は、本発明の実施例１を示す鉄道車両の異常検出装置のシステム構成図である。 図２は、実施例１の別形態を示す鉄道車両の異常検出装置のシステム構成図である。 図３は、実施例１のさらに別形態を示す鉄道車両の異常検出装置のシステム構成図である。 図４は、実施例１の鉄道車両の異常検出装置において、車両側の異常要因によって、編成車両Ｘの号車ｂに異常振動が生じた場合における車体左右振動加速度の時刻歴波形を示した図である。 図５は、実施例１の鉄道車両の異常検出装置において、データ分析部における処理手順を説明するフローチャートである。 図６は、実施例１の鉄道車両の異常検出装置において、パラメータ推定部における処理手順を示すフローチャートである。 図７は、実施例１のパラメータ推定部において、車体左右加速度ＰＳＤの実測値と、パラメータ推定前と推定後の車体左右加速度ＰＳＤの解析値を比較した結果を示した図である。 図８は、実施例１の鉄道車両の異常検出装置において、異常要因推定部における処理手順を示すフローチャートである。 図９は、実施例１の異常要因推定部において、異常要因推定結果を示した図である。 図１０は、実施例１の鉄道車両の異常検出装置において、軌道側の異常要因によって、編成車両Ｘの各号車にて、異常振動が生じた場合における車体左右振動加速度の時刻歴波形を示した図である。 図１１は、実施例１の異常要因推定部において、異常要因推定結果を示した図である。 図１２は、本発明の実施例２を示す鉄道車両の異常検出装置のシステム構成図である。 図１３は、実施例２の鉄道車両の異常検出装置において、車両側の異常要因と軌道側の異常要因が複合して、編成車両Ｂにて、異常振動が生じた場合における車体左右振動加速度の時刻歴波形を示した図である。 図１４は、実施例２の異常要因推定部において、異常要因推定結果を示した図である。 図１５は、本発明の実施例３を示す鉄道車両の異常検出装置のシステム構成図である。 図１６は、実施例３の鉄道車両の異常検出装置について、パラメータ推定部における処理フロー図である。
　以下、本発明の鉄道車両の異常検出装置について図面を参照して説明する。
　はじめに、鉄道車両の異常検出装置の構成について図１～図３を参照して説明する。
　図１は、鉄道車両の異常検出装置のシステム構成を示す機能ブロック図、図２および図３は、その改良例を示す異常検出装置のブロック図である。
　軌道（レール）２０上を走行する鉄道車両は、車体１、台車１６で構成されている。
　車体１は、空気ばね８を介して台車１６に搭載されている。車体１の床面上には、例えば、車体１の左右振動加速度を計測する車体加速度計（図示せず）を含む振動データ検出部６０が設置されている。
　車体加速度計は、車体加速度計の電圧を検出するものであって、車体加速度計の電圧は、振動データ検出部６０によって、例えば、車体左右振動加速度信号を振動データとして検出される。
　振動データ検出部６０は、鉄道車両の振動を示す振動データを検出する振動データ検出部を含む振動データ検出手段６１を備えている。
　なお、振動データ検出手段６１については、後述するが、加速度センサやジャイロセンサなどの振動データを取得できる手段であればなんでも良い。
　また、振動データ検出手段６１は、車体１に設置しているが、車体１のみでなく、台車枠１１や軸箱体１２などへ設置も可能である。本実施例では車体１に設置したものとして説明する。
　振動データ検出手段６１の振動取得方向は、鉄道車両の進行方向に対する前後、左右、および鉛直方向に対して、並進（前後並進・左右並進・上下並進）方向および回転（ロール・ピッチ・ヨー）方向のいずれにおいても適用可能である。本実施例では左右並進方向として説明する。
　また、振動データ検出手段６１は、１つの車両に対して複数台設置しても良いが、本実施例では１台として説明する。また、振動データ検出手段６１の設置位置は、車体１の中央位置でも良いし、台車位置や車両機器室位置などの車体１の端部でも良い。
　また、車体１は、例えば、運行データを管理する運行管理システムから運行データを検出する機能を有する運行データ検出部５０を備えている。
　運行データ検出部５０は、例えば、走行速度、走行位置や乗車率などの運行データを検出する運行データ検出部を含む運行データ検出手段５１を備えている。
　なお、図１では、１つの車両のみに振動データ検出手段６１と運行データ検出手段５１を備えた例を示しているが、例えば、図２に示すように、１編成車両中の複数号車に備えても良いし、図３に示すように、複数編成車両の複数号車に備えても良い。
　また、図１、図２および図３では、データ分析部１００、パラメータ推定部１２０および異常要因推定部１５０をそれぞれ１つとしているが、各号車または各編成車両に１つずつ備えても良い。
　台車１６は、台車枠１１、空気ばね８、ヨーダンパ４、軸箱体１２、輪軸１３、軸ばね装置１４、輪軸１３の軸受けハウジングとなる軸箱の軸箱支持ゴム１５、などで構成されている。
　輪軸１３は、軸箱体１２に対して回転可能に保持され、軸箱体１２と台車枠１１の間は、軸ばね装置１４で鉛直方向に弾性支持されており、軸箱支持ゴム１５で水平方向に弾性支持されている。車体１と台車枠１１との間には、空気ばね８が配置されており、この空気ばね８により、車体１が台車枠１１に弾性支持されている。
　異常検出装置は、データ分析部１００、パラメータ推定部１２０、異常要因推定部１５０、など有し、鉄道車両の異常振動の要因を推定する車両振動要因推定装置を構成する。
　データ分析部１００、パラメータ推定部１２０、異常要因推定部１５０は、例えば、内部に格納されたプログラムに従って後述する各処理を実行する演算装置から構成される。
　データ分析部１００は、振動データ検出手段６１からの振動データおよび運行データ検出手段５１からの運行データを取得し、鉄道車両が振動する異常要因要素（例えば、車輪形状、軸箱支持装置、ヨーダンパや通り狂い、軌間狂いなど）を分析、特定して出力する機能を有するものであり、主にデータ分析手段１０１で構成されている。
　データ分析手段１０１は、振動データ検出手段６１と運行データ検出手段５１により検出された振動データと運行データが入力され、この振動データと運行データに基づき、異常振動の異常要因要素を導出するものであって、例えば、振動データ検出手段６１にて検出した車体１の左右加速度の振動データをフィルタリングし、分析に有効なデータを抽出するフィルタリング機能、フィルタリングされた振動データ（左右加速度）および運行データを分析処理し、データの特徴量を抽出する分析機能、および抽出したデータの特徴量に基づく異常要因要素を導出する機能を有する装置である。
　この異常要因要素とは、鉄道車両に異常な振動が発生した場合に、その異常の要因となっている可能性がある要素のことである。大別すると、車両側の異常要因要素と軌道側の異常要因要素の２つがある。
　車両側の異常要因要素としては、例えば、鉄道車両に設置された軸箱支持装置の軸箱支持ゴム１５やヨーダンパ４などの要素などがある。
　軌道側の異常要因要素としては、輪軸１３の車輪踏面などの車輪形状であり、例えば、軌道２０の通り狂いや軌間狂いなどの軌道側の要素などがある。
　通り狂い（alignment irregularity）とは、軌道側面の長さ方向の凹凸であり、軌間狂い（guage irregularity）とは、軌間（左右レール間隔）のひずみがない正常時の基本寸法（新幹線：１４３５ｍｍ、在来線：１０６７ｍｍ）に対するひずみが生じたときの狂い量（曲線部では、基本寸法にスラックを加えた量に対する狂い量）である。
　なお、データ分析部１００の具体的な処理フローについては後述する。
　パラメータ推定部１２０は、データ分析部１００のデータ分析手段１０１にて出力した異常要因要素から、当該異常要因要素と予め対応付けられた力学モデル（車両モデルや軌道モデル）および力学モデルのパラメータを選択し、当該選択した力学モデル、力学モデルのパラメータ、および振動データと運行データを受けて、前記鉄道車両の異常状態における前記力学モデルのパラメータを推定する機能を有する装置である。
　パラメータ推定部１２０は、力学モデル選択手段１２１、力学モデルのパラメータ選択手段１２２およびパラメータ推定手段１２３により構成されている。
　パラメータ推定部１２０の力学モデル選択手段１２１および力学モデルのパラメータ選択手段１２２は、それぞれデータ分析部１００のデータ分析手段１０１により導出された異常要因要素を受け、例えば、データベース（図示せず）に記憶された異常要因要素と予め対応付けられた力学モデルと、力学モデルのパラメータを選択する。
　この力学モデルとは、鉄道車両の振動特性を予測するためのモデル（車両モデルや軌道モデル）である。その一例としては、軌道２０の通り狂いや軌間狂いといった軌道不整を模擬した仮想軌道上を、車体１、台車１６や輪軸１３を剛体で、軸箱支持ゴム１５やヨーダンパ４などをばねやダンパで模して、各剛体をばねやダンパで接続した仮想車両が走行した場合の、車体左右振動を予測する車両左右系力学モデルや、車体上下振動を予測する車両上下系力学モデルなど、予測したい振動の種類などに応じて多様な力学モデルがある。
　また、力学モデルのパラメータとは、この力学モデルに含まれる要因要素の特性値であり、車両側の車両モデルである軸箱支持ゴム１５のばね定数、ヨーダンパ４の減衰係数、および軌道側の軌道モデルである輪軸１３の車輪踏面勾配や、軌道２０の通り狂い量や軌間狂い量などにあたる。
　パラメータ推定手段１２３は、力学モデル選択手段１２１からの力学モデル、力学モデルのパラメータ選択手段１２２からの力学モデルのパラメータが入力される。
　また、この力学モデルと、力学モデルのパラメータに加えて、振動データ検出手段６１と運行データ検出手段５１で検出した振動データおよび運行データが入力される。
　そして、振動データおよび運行データに基づき、異常状態での力学モデルのパラメータの推定値を導出する。
　なお、パラメータ推定部１２０の具体的な処理フローについては後述する。
　異常要因推定部１５０は、パラメータ推定部１２０にて推定した異常状態での力学モデルのパラメータと正常状態での力学モデルのパラメータを比較し、その比較結果に基づき、鉄道車両の振動の異常要因を推定する機能を有する装置である。
　異常要因推定部１５０は、正常値記憶手段１５１、正常値比較手段１５２および異常要因推定手段１５３により構成されている。
　正常値記憶手段１５１は、例えば、軸箱支持ゴム１５のばね定数、ヨーダンパ４の減衰係数、および輪軸１３の車輪踏面勾配や、軌道２０の通り狂い量や軌間狂い量などのパラメータ正常値を記憶する記憶部を含む装置である。
　正常値比較手段１５２は、パラメータ推定部１２０のパラメータ推定手段１２３により導出された力学モデルのパラメータの推定値および正常値記憶手段１５１のパラメータ正常値が入力される。
　異常要因推定部１５０の正常値比較手段１５２は、異常状態でのパラメータの推定値と、正常値記憶手段１５１に記憶されている正常状態でのパラメータの正常値に基づき、パラメータの推定値と正常値の比率を算出（正常値比較）する。この算出した比率に基づき、異常要因推定手段１５３により、異常要因、つまり、鉄道車両に振動データが発生したとき、軌道および車両の正常、異常、を推定する。
　なお、異常要因推定部１５０の具体的な処理フローについては後述する。
　判定結果出力手段２００は、異常要因推定部１５０の異常要因推定手段１５３にて推定導出した異常要因の推定結果を、車体１の運転者および地上の運行管理者やメンテナンス員などに通知する機能を有する装置である。
　図２および図３は、実施例１の改良例であって、図２は、一つの車体（号車ａ）に運行データ検出手段５１を設置し、その他の車体（号車ｂ、ｃ）にそれぞれ１つの振動データ検出手段６１を設置した例である。また、図３は、編成車両Ｘ、Ｙ、Ｚのそれぞれの一つの車体（号車ａ）に１つの運行データ検出手段５１と１つの振動データ検出手段６１を設置し、その他の車体（号車ｂ、ｃ）にそれぞれ１つの振動データ検出手段６１を設置した例である。
　図２において、１つの編成車両の各号車ａ、ｂ、ｃに設置された振動データ検出手段６１および号車ａに設置された運行データ検出手段５１の各データは、データ分析部１００のデータ分析手段１０１に供給される。また、図３において、複数の編成車両Ｘ、Ｙ、Ｚの各号車に設置された振動データ検出手段６１および各編成車両の１つの号車に設置された運行データ検出手段５１の各データは、データ分析部１００のデータ分析手段１０１に供給される。
　図２および図３において、図１と同一部分には同一符号を付して、その説明は省略する。
　次に、図４～図９を用いて、本実施例の鉄道車両の異常検出装置における、データ分析、パラメータ推定、異常要因推定の各具体的な処理フローについて説明する。
　図４は、編成車両Ｘの号車ｂにおいて、ヨーダンパ４（図１参照）の油漏れによるヨーダンパ４の減衰係数の低下を要因（車両力学モデル）として、鉄道車両に異常な振動が発生した場合（図４（Ｂ）参照））を模式的に示した図である。
　なお、本実施例では振動データ検出手段６１として、台車位置に設置した左右並進方向の加速度センサ６２（以下、左右加速度センサ）を用いた場合として説明する。
　図４において、横軸に距離［ｍ］、縦軸に車体左右加速度［ｍ/s２］を示し、図４（Ａ）は、号車ａに設置した左右加速度センサ６２により測定した車体左右加速度［ｍ/s２］の波形特性６２１を示す特性図、図４（Ｂ）は、号車ｂに設置した左右加速度センサ６２により測定した車体左右加速度［ｍ/s２］の波形特性６２２を示す特性図、図４（Ｃ）は、号車ｃに設置した左右加速度センサ６２により測定した車体左右加速度［ｍ/s２］の波形特性６２３を示す特性図である。
　同図から、号車ｂが号車ａ、ｃに比べ、車体左右加速度の波形特性６２２の振幅が左右に大きく振動しており、車体１（号車ｂ）に異常振動が発生している様子が分かる。
　図５は、実施例１の鉄道車両の異常検出装置におけるデータ分析部の処理手順を説明するフローチャートである。
　図５のフローチャートに基づく動作は以下のとおりである。本フローチャートでステップをＳで表示する。
　まず、Ｓ１において、左右加速度センサ６２から、車体左右加速度を取得し、運行データ検出手段５１から走行位置、走行速度や乗車率などの運行データを取得する。
　Ｓ２からＳ５は、データ分析手段１０１における処理である。
　次に、Ｓ２では、Ｓ１で取得した車体左右加速度[m/s２]の中から異常振動を示す波形特性６２２（図４（Ｂ）参照）を周知のフィルタリング技術を用いてフィルタリングし、異常要因推定のために有効なデータの抽出を行う。
　ここでは、車体左右加速度から、人間が感じ取りやすい周波数帯のみを抽出する処理や、特に振動が大きい走行区間のデータのみを抽出する処理など、Ｓ３で行う分析処理のための前処理が含まれる。
　Ｓ３では、Ｓ１、Ｓ２で抽出した振動データおよび運行データの分析処理を行い、データの特徴量（要因要素の特性値）を抽出する。
　ここでは、例えば、振動データの周波数分析により、特に振動が大きい周波数帯を抽出する処理や、振動データと運行データの統計分析を行い、振動波形と走行位置との依存性を抽出する処理などを行う。
　また、図２や図３の実施形態のように、複数号車または複数編成車両に複数の振動データ検出手段６１と運行データ検出手段５１を備えている場合にあっては、号車間または編成車両間での振動波形の差異を抽出する処理などを行う。
　なお、振動データ検出手段６１では複数号車または複数編成車両などから多量のデータを検出し、運行データ検出手段５１では走行速度、走行位置や乗車率だけでなく、車両の併結状態などの多種のデータを検出することで、より多種多様で高精度なデータの特徴量を得ることができる。また、データの特徴量の抽出方法としては、周知の統計分析技術などを用いても良いし、人工知能技術などを用いたビッグデータ分析でも良い。
　本実施例の場合は、編成車両Ｘのうち号車ｂでのみに生じた異常な振動に対して、「号車差あり」が特徴量として抽出されたとする。
　Ｓ４では、Ｓ３で抽出したデータの特徴量に基づき、異常要因要素の導出を行う。
　本実施例の場合は、データの特徴量が「号車差あり」であることから、異常要因は軌道側でなく、車両側であると判断する。
　この結果、車両側の要素から、軸箱支持ゴム１５、ヨーダンパ４および輪軸１３の車輪踏面などが異常要因要素として導出されたとする。そして、これらの異常要因要素を、Ｓ５において、パラメータ推定部１２０へ出力する。
　次に、パラメータ推定部１２０の処理フローについて、図６を用いて説明する。図６のフローチャートに基づく動作は以下のとおりである。
　まず、Ｓ１１において、データ分析部１００のデータ分析手段１０１から異常要因要素として挙げられた軸箱支持ゴム１５、ヨーダンパ４および輪軸１３の車輪踏面などの情報を取得する。
　Ｓ１２では、Ｓ１１で取得した異常要因要素に基づき、力学モデル選択手段１２１により、異常要因要素と予め対応付けられた力学モデルを選択する。
　本実施例では、車体左右加速度を対象としているため、車両左右系力学モデルを選択したとする。
　Ｓ１３では、力学モデルのパラメータ選択手段１２２により、車両左右系力学モデルのパラメータの中から、異常要因要素に関連するパラメータを選択する。
　本実施例では、異常要因要素が車両側の要素であるため、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配などが選択されたとする。
　通常、車両左右系力学モデルには、多量のパラメータが含まれるが、上述したように異常要因要素により、推定すべきパラメータを予め絞り込むことで、パラメータサーベイのケース数を減らし、異常要因推定を短時間化することができる。
　Ｓ１４からＳ１９は、パラメータ推定手段１２３における処理である。
　Ｓ１４では、Ｓ１３で選択したパラメータの初期値（初期推定値）を設定する。
　本実施例では、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配などの初期値を設定する。パラメータの初期値は、パラメータの正常値でも良いし、ランダムに生成した値でも良い。
　Ｓ１５では、Ｓ１４の力学モデルと設定したパラメータの初期値に基づき、振動解析（車両運動解析）を実施し、設定したパラメータにおける車体左右加速度を算出する。
　なお、振動解析を実施するにあたり、車両左右系力学モデルにおける軌道２０の通り狂い量や軌間狂い量などの仮想軌道のデータが必要となる。
　本実施例では、軌道２０については正常状態と判断するため、この仮想軌道のデータには、正常値記憶手段１５１における、例えば、予め用意した管理基準値や検測車両で測定した実測値などの正常値を用いる。
　Ｓ１６では、Ｓ１５の解析で得られた車体左右加速度の解析値と実測値（正常値）を比較し、その誤差を算出する。例えば、解析値６１２と実測値６１１とが一致した場合、そのパラメータで異常要因要素を推定（特定）することが可能となる。
　誤差の評価指標としては、誤差を評価（誤差比較）できるものであれば制約はないが、本実施例では、図７に示すように車体左右加速度ＰＳＤ(Power Spectrum Density)の周波数ごとの実測値７１１と解析値７１２の差分を積算した値（以下、積算差分値）とする。
　Ｓ１７では、Ｓ１６で算出した車体左右加速度ＰＳＤの積算差分値が、予め設定した閾値を越えていた場合、推定精度が不十分とみなし推定を継続し、閾値以下となった場合もしくは予め設定した更新回数を超過した場合には、推定を終了する。
　推定が継続される場合、Ｓ１８において、パラメータの更新を行う。パラメータの更新方法について制約はないが、例えば、遺伝的アルゴリズムなどの最適化手法を用いて、車体左右加速度ＰＳＤの積算差分値が最小となるように、繰り返しパラメータの更新を行う方法などがある。
　本実施例では、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配などのパラメータの更新を行い、図７に示すように、算出した車体左右加速度ＰＳＤの実測値７１１と解析値７１２が一致（図７（Ｂ）参照）するようなパラメータの推定値を得る。
　図７は、横軸に周波数[Hz]、縦軸に車体左右加速度ＰＳＤ[(m/s2)2/Hz]を示し、図７（Ａ）は、推定前における実線で示す実測値７１１と点線で示す解析値７１２を示す特性図、図７（Ｂ）は、推定後における実測値７１１と解析値７１２を示す特性図である。
　同図において、推定前では、異常振動が発生した一部の周波数帯において、実測値と解析値に大きな差が見られるが、推定後では、それらには差がほとんど見ることができない。
　推定が終了される場合、Ｓ１９において、このパラメータの推定値を、異常要因推定部１５０へ出力する。
　以上のように、力学モデルを用いることで、直接センサで測定していない軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配などの物理量を推定、つまり、物理量を測定するセンサを必要とすることがないことから、少センサ化できるといった特徴がある。
　なお、本実施例では、左右加速度センサ６２を車体１に１台設置したものとしたが、車体１、台車１６および軸箱体１２などに複数設置されている場合は、それらから検出される複数の左右加速度の実測値と、解析値が一致するように、パラメータを更新することで、パラメータの推定を高精度化することができる。
　次に、異常要因推定部１５０の処理フローについて、図８を用いて説明する。図８のフローチャートに基づく動作は以下のとおりである。
　まず、Ｓ２１において、パラメータ推定部１２０からパラメータの推定値を取得する。
　本実施例では、異常要因要素、つまり、異常状態における軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配の推定値を取得する。
　次に、Ｓ２２において、これらのパラメータの正常値を、異常要因推定部１５０における正常値記憶手段１５１から取得する。
　正常値については、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数については設計値や要素試験値、輪軸１３の車輪踏面勾配については新製状態での値や保守時の管理値などが用いられる。
　Ｓ２３では、正常値比較手段１５２により、各パラメータの推定値と正常値の比率を計算する。
　そして、Ｓ２４において、異常要因推定手段１５３により、この比率と、予め設定した閾値を比較し、判定する。この比較判定は、所定回数繰り返す。
　この比率が閾値以下のパラメータは、正常状態と近いといえるため正常状態と判定し、閾値を超過したパラメータは異常状態と判定される。そして、異常状態と判定されたパラメータを異常要因とし、判定結果出力手段２００に出力する。
　図９は、Ｓ２４におけるパラメータの正常および異常の判定を模式的に示すものであり、横軸における軸箱支持ゴム１５のばね剛性、ヨーダンパ４の減衰係数、車輪踏面勾配などの異常要因要素と縦軸におけるパラメータの推定値と正常値の比率、および閾値との関係を示した模式図である。
　本実施例では、図示すように、推定値と正常値の比率が閾値９１を超過しているヨーダンパ４の減衰係数が異常状態と判定される。そして、ヨーダンパ４の減衰係数の低下が異常要因として、判定結果出力手段２００に出力される。判定結果出力手段２００は、この異常要因の推定結果を、車上の運転者および地上の運行管理者やメンテナンス員などに周知の通信技術を用いて通知する。
　以上のように、本実施例の鉄道車両の異常検出装置では、ヨーダンパ４の減衰係数の低下のような、車両側の異常要因を推定することができる。
　次に、本実施例の鉄道車両の異常検出装置における、異常要因推定の別例として、軌道側の異常要因によって異常な振動が生じた場合を図１０、図１１を参照して説明する。
　図１０は、軌道２０の一部において、軌間狂い量が管理基準値よりも増大したことを要因として、異常な振動が発生した場合を模式的に示した図である。基本的な処理フローは、図１から図９で述べた説明と同じであるため、異なる点のみを説明する。
　まず、データ分析部１００は、左右加速度センサ６２から車体左右加速度を取得し、運行データ検出手段５１から走行位置、走行速度や乗車率などの運行データを取得する。
　データ分析部１００では、上述したように取得した車体左右加速度および運行データからデータの特徴量を抽出する。
　本実施例では、図１０（Ａ）、（Ｂ）、（Ｃ）に示すように、一部の区間６２０でのみ、全ての号車で生じた異常な車体左右振動（異常振動）に対して、「区間差あり」が特徴量として抽出されたとする。
　データの特徴量が「区間差あり」であることから、異常要因は、車両側でなく、軌道側であると判断する。この結果、軌道側の要素から、軌道２０の通り狂いや軌間狂いなどが異常要因要素として導出されたとする。
　次に、パラメータ推定部１２０では、導出した異常要因要素から、力学モデルの選択と、力学モデルのパラメータの選択を行い、異常状態でのパラメータの推定を行う。
　本実施例では、前述した図４の例と同様に、車体左右加速度を対象としているため、車両左右系力学モデルを選択したとする。さらに、車両左右系力学モデルのパラメータの中から、異常要因要素が軌道側の要素であるため、軌道２０の通り狂い量や軌間狂い量などが選択される。
　次に、これらのパラメータの初期値を設定し、振動解析を実施し、設定したパラメータにおける車体左右加速度を算出する。
　なお、振動解析を実施するにあたり、車両左右系力学モデルにおける軸箱支持ゴム１５のばね定数やヨーダンパ４の減衰係数などの仮想車両のデータが必要となる。
　本実施例では、車両については正常状態と判断するため、この仮想車両のデータには、例えば、設計値などの正常値を用いる。
　そして、車体左右加速度の解析値と実測値の誤差が一致するような、軌道２０の通り狂い量と軌間狂い量の推定値を得る。
　次いで、異常要因推定部１５０では、各パラメータの推定値と正常値の比率を算出し、図１１に示すように、予め設定した閾値１１１と比較する。
　図１１は、横軸における通り狂い量、軌間狂い量と縦軸におけるパラメータの推定値と正常値の比率および閾値との関係を示す模式図である。
　パラメータの推定値と正常値の比率が閾値１１１を超過している軌間狂い量は、異常状態と判定され、軌道２０の軌間狂い量の増大を異常要因として判定結果出力手段２００に出力する。
　判定結果出力手段２００では、この異常要因の推定結果を、車上の運転者および地上の運行管理者やメンテナンス員などに通知する。
　以上のように、本実施例の鉄道車両の異常検出装置により、軌道２０の軌間狂い量の増大のような、軌道側の異常要因についても推定することができる。
　つまり、本実施例の鉄道車両の異常検出装置では、異常な振動が発生した場合に、異常要因が車両側もしくは軌道側のどの要素にあるかを判定できる。
　さらに、本実施例の鉄道車両の異常検出装置では、データ分析部１００で予め異常要因要素を絞り込み、この絞り込んだ異常要因要素に対して、パラメータ推定部１２０で、異常要因要素と予め対応付けられた力学モデルと力学モデルのパラメータを選択した上で、そのパラメータを推定する。
　これにより、パラメータサーベイのケース数を減らし、異常要因推定を短時間化することができる。
　また、力学モデルを用いることで、直接センサで測定していない軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数、輪軸１３の車輪踏面勾配のような車両側のパラメータや、軌道２０の通り狂い量や軌間狂い量などの軌道側のパラメータを推定することができ、少センサ化できるという特徴がある。
　なお、本実施例では、振動データ検出手段６１が車体１に備えられた例であるため、車両左右系力学モデルを用いたが、振動データ検出手段６１が台車に備えられた場合においては、台車左右系力学モデルなどの車両要素の力学モデルを用いても良い。
　図１２は、本発明の他の鉄道車両の異常検出装置のシステム構成を示す図である。
　本実施例は、異常検出装置の処理として、実施例１の車両側の異常要因（車両力学モデル）に加えて、軌道側の異常要因（軌道力学モデル）が複合することで異常な振動が発生した場合、つまり、異常要因要素が、軌道側および車両側の両者にあった場合における例である。
　まず、異常検出装置の構成について説明する。
　本実施例では、パラメータ推定部１２０として、パラメータ推定部１２０ａとパラメータ推定部１２０ｂのようにパラメータ推定部を複数備え、パラメータ推定部１２０ａにて、異常要因要素および振動データ、運行データを元に力学モデルＡのパラメータを推定し、パラメータ推定部１２０ｂにて、力学モデルＡのパラメータ推定値および振動データ、運行データを元に力学モデルＢのパラメータを推定し、異常要因推定部１５０にて、力学モデルＡおよびＢのパラメータ推定値とパラメータ正常値とを元に推定値と正常値の差分値を求め、異常要因を特定するものである。
　パラメータ推定部１２０ａは、力学モデルＡ選択手段１２１ａ、力学モデルＡのパラメータ選択手段１２２ａ、とパラメータ推定手段１２３ａ、を備え、パラメータ推定部１２０ｂは、力学モデルＢ選択手段１２１ｂ、力学モデルＢのパラメータ選択手段１２２ｂ、とパラメータ推定手段１２３ｂ、を備えている。
　図１３は、図１３（Ｂ）に示すように編成車両Ｂにおいて、ヨーダンパ４の油漏れによるヨーダンパ４の減衰係数の低下が生じたことに加えて、軌道２０の一部（編成車両Ｂの車体左右加速度の区間６２０’）において、軌間狂い量が管理基準値よりも増大したことを要因として、異常な振動が発生した場合を模式的に示した図である。
　次に、本実施例の鉄道車両の異常検出装置における、異常要因推定の具体的な処理について説明するが、実施例１で説明した部材と同様の部材には、同一の符号を付し、その詳細な説明については省略し、実施例１から変更がある部分の動作のみを、以下説明する。
　まず、データ分析部１００は、振動データ検出手段６１（例えば、左右加速度センサ６２）と運行データ検出手段５１から、車体左右加速度および、走行位置、走行速度や乗車率などの運行データを取得する。
　データ分析部１００では、取得した車体左右加速度および運行データからデータの特徴量を抽出する。
　本実施例では、図１３（Ｂ）に示すように、編成車両Ｂでのみ生じた異常な車体左右振動に対して、「編成差あり」が特徴量として抽出されたとする。さらに、軌道２０の一部の区間でのみ生じた異常な車体左右振動に対して、「区間差あり」が特徴量として抽出されたとする。
　データの特徴量が「編成差あり」であることから、異常要因は車両側であると判断する。
　この結果、車両側の要素から、軸箱支持ゴム１５、ヨーダンパ４および輪軸１３の車輪踏面などが異常要因要素として導出されたとする。さらに、「区間差あり」が特徴量であることから、軌道側の要素から、軌道２０の通り狂いや軌間狂いなどが異常要因要素として導出されたとする。
　以上より、異常な振動が、車両側の異常要因と軌道側の異常要因の両者が複合して生じたと判断する。
　次に、パラメータ推定部１２０ａでは、データ分析部１００にて導出した異常要因要素から、力学モデルＡ選択手段１２１ａによる力学モデルＡのパラメータ選択と、パラメータ選択手段１２２ａによる力学モデルＡのパラメータの選択を行い、さらに、振動データおよび運行データに基づいて、パラメータ推定手段１２３ａによる異常状態でのパラメータの推定を行う。
　また、パラメータ推定部１２０ｂでは、パラメータ推定部１２０ａにて推定した力学モデルＡのパラメータ推定値から、力学モデルＢ選択手段１２１ｂによる力学モデルＢのパラメータ選択と、パラメータ選択手段１２２ｂによる力学モデルＢのパラメータの選択を行い、さらに、振動データおよび運行データに基づいて、パラメータ推定手段１２３ｂによる異常状態でのパラメータの推定を行う。
　異常要因推定部１５０は、パラメータ推定部１２０ｂにて推定した力学モデルＡのパラメータ推定値およびパラメータ正常値を元に正常値比較手段１５２にて推定値と正常値の差分値を求め、異常要因推定手段１５３にて異常要因を推定する。
　本実施例では、車両側と軌道側の両者に異常要因要素があるが、これらを同時に推定する場合、車両側および軌道側の両者の推定になること、および多量のパラメータの推定となることなどが原因で、パラメータの推定精度が低下する可能性がある。
　そこで、本実施例に係る鉄道車両の異常検出装置では、車両側と軌道側の異常要因要素を切り分けて推定を行うことを特徴とする。
　まず、車両側の異常要因要素について推定を行うパラメータ推定部１２０ａについて説明する。
　本実施例では、まず、実施例１と同様に、車体左右加速度を対象としているため、力学モデルＡ選択手段１２１ａにおいて、車両左右系力学モデルを選択したとする。さらに、力学モデルＡのパラメータ選択手段１２２ａにおいて、車両左右系力学モデルのパラメータの中から、車両側の異常要因要素に基づき、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数および輪軸１３の車輪踏面勾配などが選択される。
　次に、パラメータ推定部１２０ａは、図６のＳ１４からＳ１９と同様の処理を実行する。
　即ち、これらのパラメータの初期値を設定し、振動解析を実施し、設定したパラメータにおける車体左右加速度を算出して、車体左右加速度の解析値と実測値の誤差が一致するように、パラメータの更新を行う。
　ここで、車体左右加速度の実測値には、異常な振動が発生している区間ではなく、異常な振動が発生していない別の区間で検出した車体左右加速度を用いることを特徴とする。
　異常な振動が発生していない別の区間については、車両側のみ異常状態で、軌道側は正常状態の区間と判断できる。
　そのため、振動解析を実施するにあたり、必要となる車両左右系力学モデルにおける軌道２０の通り狂い量や軌間狂い量などの仮想軌道のデータには、例えば、管理基準値や検測車両で測定した軌道の実測データなどの正常値を用いる。
　このように車両側のみ異常状態で、軌道側は正常状態である区間の振動データを用いて推定を行うことで、車両側のパラメータを精度良く推定することができる。
　本実施例では、最終的に、軸箱支持ゴム１５のばね定数や、ヨーダンパ４の減衰係数および輪軸１３の車輪踏面勾配の推定値が得られる。
　次に、軌道側の異常要因要素について推定を行うパラメータ推定部１２０ｂについて説明する。
　ここでは、前述と同様に、車体左右加速度を対象としているため、力学モデルＢ選択手段１２１ｂにおいて、前記車両左右系力学モデルを選択する。さらに、力学モデルＢのパラメータＢ選択手段１２１ｂにおいて、車両左右系力学モデルのパラメータの中から、軌道側の異常要因要素に基づき、軌道２０の通り狂い量や軌間狂い量などが選択される。
　次に、パラメータ推定部１２０ａは、図６のＳ１４からＳ１９と同様の処理を実行する。即ち、これらのパラメータの初期値を設定し、振動解析を実施し、設定したパラメータにおける車体左右加速度を算出して、車体左右加速度の解析値と実測値の誤差が一致するように、パラメータの更新を行う。
　ここで、車体左右加速度の実測値には、異常な振動が発生している区間で検出した車体左右加速度を用いる。振動解析を実施するにあたり、車両左右系力学モデルにおける軸箱支持ゴム１５のばね定数やヨーダンパ４の減衰係数などの仮想車両のデータが必要となるが、これらには先に推定した異常状態での車両側のパラメータの推定値を用いる。すでに、車両左右系力学モデルの車両側のパラメータについては推定が完了しているため、軌道側のパラメータを精度良く推定することができる。
　本実施例では、最終的に、軌道２０の通り狂い量や軌間狂い量の推定値が得られる。
　そして、異常要因推定部１５０では、各パラメータの推定値と正常値の比率を計算し、図１４に示すように、予め設定した閾値と比較する。
　図１４（Ａ）は、横軸における軸箱支持ゴムばね定数、ヨーダンパ減衰係数、車輪踏面勾配におけるパラメータの推定値と正常値の比率および閾値との関係を示す図、図１４（Ｂ）は、通り狂い量、軌間狂い量と縦軸におけるパラメータの推定値と正常値の比率および閾値との関係を示す図である。
　パラメータの推定値と正常値車両側の要因のうち、閾値を超過したヨーダンパ４の減衰係数が異常状態と判定され、軌道側の要因のうち、閾値を超過した軌道２０の軌間狂い量が異常状態と判定される。
　その結果、異常要因として、ヨーダンパ４の減衰係数の低下と軌道２０の軌間狂い量の増大が複合して生じたものと判定される。
　以上のように、本実施例の鉄道車両の異常検出装置では、車両側の異常要因に加えて、軌道側の異常要因が複合することで異常な振動が発生した場合においても、異常要因が車両側および軌道側のどの要素にあるかを判定できるという特徴がある。
　図１５は、本発明の他の鉄道車両の異常検出装置のシステム構成を示す図である。
　本実施例の異常検出装置は、実施例１の異常検出装置に対して、パラメータ推定部１２０において、パラメータの推定精度が不十分であった場合の処理として、異常要因要素判別手段１６１を含む異常要因要素判別部１６０を追加したものである。実施例１で説明した部材と同様の部材には、同一の符号を付し、その詳細な説明については省略する。
　図１６は、本実施例におけるパラメータ推定部１２０の処理手順を示すフローチャートである。実施例１と異なる点のみ、以下説明する。
　本実施例では、実施例１と同様に、Ｓ１５からＳ１８において、車体左右加速度の実測値と解析値の誤差を算出し、この誤差が十分に小さくなるまでパラメータの更新を繰り返す。しかし、このＳ１５からＳ１８において、更新回数が予め設定した更新回数を超過しても、Ｓ１７’において、車体左右加速度の実測値と解析値の誤差が、予め設定した閾値以下とならない場合は、推定精度が不十分と判断する。そして、その結果（推定不十分）を異常要因要素判別手段１６１に出力する。
　異常要因要素判別手段１６１は、Ｓ３０にて、データ分析部１００ですでに得られている異常要因要素から異常要因が車両側にあるか、または軌道側にあるか、もしくは車両側と軌道側の両者にあるか、異常要因要素を判別し、その結果（軌道異常、車両異常）のみを出力する。
　以上のように、本実施例の鉄道車両の異常検出装置では、パラメータ推定部１２０で、パラメータの推定精度が不十分であった場合においても、異常要因の判定を中断することなく、異常要因の判定結果を出力できる。
　以上述べた実施例によれば、以下のような効果が期待できる。
　（１）力学モデルを用いることで、直接測定しないパラメータを推定できるため、少センサ化できる。
　（２）振動データと運行データの相関分析から、異常要因要素の絞込みを予め行うことで、パラメータサーベイのケース数を減らし、要因推定を短時間で行える。
　（３）車両モデルだけでなく軌道モデルを活用することで、車両側の異常要因だけでなく、軌道側の異常要因も特定できる。
　（４）車両側と軌道側の両方が要因となって、振動異常が発生した場合においても、異常要因を特定できる。
　上記した実施例は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
　また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、ある実施例の構成に他の実施例の構成を加えることも可能である。
　さらに、各実施例の構成の一部について、その他の構成の追加・削除・置換をすることが可能である。
１　車体
４　ヨーダンパ
８　空気ばね
１１　台車枠
１２　軸箱体
１３　輪軸
１４　軸ばね装置
１５　軸箱支持ゴム
１６　台車
２０　軌道
５０　運行データ検出部
５１　運行データ検出手段
６０　振動データ検出部
６１　振動データ検出手段
６２　左右加速度センサ
１００　データ分析部
１０１　データ分析手段
１２０、１２０ａ、１２０ｂ　パラメータ推定部
１２１　力学モデル選択手段
１２２　力学モデルのパラメータ選択手段
１２３　パラメータ推定手段
１５０　異常要因推定部
１５１　正常値記憶手段
１５２　正常値比較手段
１５３　異常要因推定手段
１６０　異常要因要素判別部
１６１　異常要因要素判別手段
２００　判定結果出力手段

Claims (12)

  1. 　軌道上を走行する鉄道車両の異常を検出する異常検出装置において、
    　前記鉄道車両が振動する車両振動要因を推定する車両振動要因推定装置を備え、
    　前記車両振動要因推定装置は、
    　前記鉄道車両の振動を示す振動データを検出するデータ検出部を含む振動データ検出装置および前記鉄道車両の運行データを検出するデータ検出部を含む運行データ検出装置にて検出した前記振動データおよび前記運行データを取得して分析し、前記鉄道車両の振動の異常要因要素を導出するデータ分析部と、
    　前記振動データと前記運行データに基づき前記データ分析部により導出した振動の異常要因要素を推定する異常要因要素推定部と、
    　前記異常要因要素推定部により推定した異常要因要素に基づいて前記鉄道車両における振動の異常要因を推定する異常要因推定部を備えた
    　ことを特徴とする鉄道車両の異常検出装置。
  2. 　請求項１に記載の鉄道車両の異常検出装置であって、
    　前記異常要因要素推定部は、車両側および軌道側の力学モデルのパラメータを推定するパラメータ推定部からなり、
    　前記パラメータ推定部は、
    　前記異常要因要素から、当該異常要因要素と予め対応付けられた力学モデルを選択する力学モデル選択手段と、
    　前記力学モデルのパラメータを選択するパラメータ選択手段と、
    前記力学モデル、前記パラメータ、前記振動データ、前記運行データを受け、前記鉄道車両の異常状態におけるパラメータを推定するパラメータ推定手段を含み、
    　前記異常要因推定部は、
    　前記パラメータ推定部にて推定した異常状態でのパラメータの推定値と、正常状態でのパラメータの正常値を比較し、それらの比率を算出する正常値比較手段と、
    　前記正常値比較手段の比較結果である比率に基づき、前記鉄道車両が異常振動する異常要因を推定する異常要因推定手段を含む、
    　ことを特徴とする鉄道車両の異常検出装置。
  3. 　請求項２に記載の鉄道車両の異常検出装置であって、
    　前記パラメータ推定部は、第１、第２パラメータ推定部からなり、
    　前記異常要因要素が車両側と軌道側の両者にある場合において、
    　前記第１パラメータ推定部は、
    　前記データ分析部からの異常要因要素および前記振動データ、前記運行データを元に、前記車両側の異常要因に基づく異常状態におけるパラメータを推定し、
    　前記第２パラメータ推定部は、
    　前記第１パラメータ推定部にて推定したパラメーおよび前記振動データ、前記運行データを元に、前記軌道側の異常要因に基づく異常状態におけるパラメータを推定し、
    　前記異常要因推定部は、
    　前記第１パラメータ推定部および前記第２パラメータ推定部により推定した異常状態でのパラメータの推定値と正常状態でのパラメータの正常値とに基づいて異常要因を推定する
    　ことを特徴とする鉄道車両の異常検出装置。
  4. 　請求項２または３に記載の鉄道車両の異常検出装置であって、
    　さらに、異常要因要素判別部を備え、
    　前記異常要因要素判別部は、
    　前記パラメータ推定部において、前記パラメータの推定値の推定精度を判定し、当該推定精度が予め設定した閾値以下の場合は、推定精度が不十分と判断し、前記異常要因が前記車両側にあるか、または前記軌道側にあるか、もしくは前記車両側と前記軌道側の両者にあるか、のみを出力する
    　ことを特徴とする鉄道車両の異常検出装置。
  5. 　請求項２～４のいずれか１項に記載の鉄道車両の異常検出装置であって、
    　前記振動データ検出装置が、前記鉄道車両の車体、台車枠、あるいは軸箱体の振動を検出する振動データ検出部を含むことを特徴とする鉄道車両の異常検出装置。
  6. 　請求項２～５のいずれか１項に記載の鉄道車両の異常検出装置であって、
    　前記振動データ検出装置と前記運行データ検出装置を、１編成車両の複数号車、または複数編成車両に備えたことを特徴とする鉄道車両の異常検出装置。
  7. 　請求項２～６のいずれか１項に記載の鉄道車両の異常検出装置であって、
    　前記力学モデルが、車両左右系力学モデルあるいは車両上下系力学モデルであることを特徴とする鉄道車両の異常検出装置。
  8. 　請求項２～７のいずれか１項に記載の鉄道車両の異常検出装置であって、
    　前記パラメータ推定部のパラメータ推定手段は、遺伝的アルゴリズムを用いて前記異常要因要素におけるパラメータを推定することを特徴とする鉄道車両の異常検出装置。
  9. 　請求項１に記載の鉄道車両の異常検出装置において、
    　前記データ分析部は、
    　前記鉄道車両の振動データおよび前記鉄道車両の運行データを取得し、当該取得した振動データと運行データを分析し、前記鉄道車両の振動状態における異常要因要素を導出し、
    　前記異常要因要素推定部は、
    　前記データ分析部にて導出した前記振動データと運行データにおける異常要因要素の特性の現状値を、力学モデルに基づいて同定し、前記異常要因要素を推定し、
    　前記異常要因を推定する推定部は、
    　前記異常要因要素推定部により推定した異常要因要素の推定値と正常状態の正常値との比較し、当該比較した結果に基づいて前記鉄道車両の異常要因を推定する
    　ことを特徴とする鉄道車両の異常検出装置。
  10. 　請求項９に記載された鉄道車両の異常検出装置において、
    　前記異常要因要素推定部は、パラメータ推定部からなり、
    　前記パラメータ推定部は、
    　前記力学モデルを選択する力学モデル選択手段と、
    　前記力学モデルのパラメータを選択するパラメータ選択手段と、
    　前記力学モデル、前記パラメータおよび前記振動データ、前記運行データを元に前記異常要因要素のパラメータを推定し、当該パラメータの推定値を出力するパラメータ推定手段を含み、
    　前記異常要因推定部は、
    　前記正常状態でのパラメータの正常値を記憶する記憶手段と、
    　前記パラメータ推定手段にて推定されたパラメータの推定値と前記記憶手段に予め記憶されているパラメータの正常値を比較する正常値比較手段と、
    　前記パラメータの推定値と正常値の比率を元に前記鉄道車両の異常要因を推定する異常要因推定手段を含み、
    　前記力学モデルは、車両力学モデル、軌道力学モデルである、
    　ことを特徴とする鉄道車両の異常検出装置。
  11. 　請求項１に記載された鉄道車両の異常検出装置における異常検出方法において、
    　前記鉄道車両の振動データおよび前記鉄道車両の運行データを取得するステップと、
    　前記取得した振動データと運行データを分析し、前記鉄道車両の振動状態における異常要因要素を導出するデータ分析ステップと、
    　前記データ分析ステップにて導出した前記振動データと運行データにおける異常要因要素の特性の現状値を、力学モデルに基づいて同定し、異常要因要素を推定する異常要因要素推定ステップと、
    　前記異常要因要素推定ステップにより推定した異常要因要素の推定値と正常状態の正常値との比較結果に基づいて前記鉄道車両の異常要因を推定する異常要因推定ステップを備えた
    　ことを特徴とする鉄道車両の異常検出方法。
  12. 　請求項１１に記載の鉄道車両の異常検出方法において、
    　前記異常要因要素推定ステップは、パラメータ推定ステップからなり、
    　前記パラメータ推定ステップは、
    　前記力学モデルを選択する力学モデル選択ステップと、
    　前記力学モデルのパラメータを選択するパラメータ選択ステップと、
    　前記力学モデル、前記パラメータおよび前記振動データ、前記運行データを元に前記異常要因要素のパラメータを推定し、当該パラメータの推定値を出力する推定ステップを含み、
    　前記異常要因推定ステップは、
    　前記パラメータ推定ステップにて推定されたパラメータの推定値と予め記憶部に記憶されているパラメータの正常値を比較する正常値比較ステップと、
    　前記パラメータの推定値と正常値の比率を元に前記鉄道車両の異常要因を推定する推定ステップを含み、
    　前記力学モデルは、車両力学モデル、軌道力学モデルである、
    　ことを特徴とする鉄道車両の異常検出方法。
PCT/JP2018/004688 2018-02-09 2018-02-09 鉄道車両の異常検出装置および方法 WO2019155627A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP18905555.1A EP3751249B1 (en) 2018-02-09 2018-02-09 Device and method for detecting abnormality in railroad vehicle
PCT/JP2018/004688 WO2019155627A1 (ja) 2018-02-09 2018-02-09 鉄道車両の異常検出装置および方法
JP2019570259A JP6838176B2 (ja) 2018-02-09 2018-02-09 鉄道車両の異常検出装置および方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/004688 WO2019155627A1 (ja) 2018-02-09 2018-02-09 鉄道車両の異常検出装置および方法

Publications (1)

Publication Number Publication Date
WO2019155627A1 true WO2019155627A1 (ja) 2019-08-15

Family

ID=67549367

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/004688 WO2019155627A1 (ja) 2018-02-09 2018-02-09 鉄道車両の異常検出装置および方法

Country Status (3)

Country Link
EP (1) EP3751249B1 (ja)
JP (1) JP6838176B2 (ja)
WO (1) WO2019155627A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3988896A1 (en) * 2020-10-23 2022-04-27 Hitachi, Ltd. Method and system for diagnosing a rotation machine
WO2022176314A1 (ja) * 2021-02-19 2022-08-25 三菱重工エンジニアリング株式会社 加速度監視装置、加速度監視方法およびプログラム
CN117360588A (zh) * 2023-10-24 2024-01-09 武汉理工大学 一种基于光栅阵列的列车识别及定位方法、装置和设备
CN117360588B (zh) * 2023-10-24 2024-05-24 武汉理工大学 一种基于光栅阵列的列车识别及定位方法、装置和设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4304915A1 (de) * 2021-03-10 2024-01-17 Schunk Transit Systems GmbH Verfahren zur überwachung von schienenfahrzeugen

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6196440A (ja) * 1984-10-13 1986-05-15 フリード・クルツプ・ゲゼルシヤフト・ミツト・ベシユレンクテル・ハフツング 車両の要修理構成部材を特定する方法
JPH0815098A (ja) * 1994-06-23 1996-01-19 Sumitomo Metal Ind Ltd 鉄道車両の乗り心地と異常動揺の検知方法及び車両用緩衝器と軌道の状態判断方法
JP2004170080A (ja) 2002-11-15 2004-06-17 Kawasaki Heavy Ind Ltd 車両の異常検出方法及び装置、並びに車両
JP2006192993A (ja) * 2005-01-12 2006-07-27 Nippon Sharyo Seizo Kaisha Ltd 鉄道車両及びその異常検知方法
JP2011245917A (ja) * 2010-05-24 2011-12-08 Hitachi Ltd 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両
JP2012078213A (ja) * 2010-10-01 2012-04-19 Hitachi Ltd 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両
JP2012086671A (ja) * 2010-10-20 2012-05-10 Kyb Co Ltd 鉄道車両の振動解析装置
US20150051792A1 (en) * 2011-12-07 2015-02-19 Railway Metrics And Dynamics Sweden Ab Method and system for detection and analysis of railway bogie operational problems

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4298433B2 (ja) * 2003-08-20 2009-07-22 株式会社日立製作所 鉄道車両の異常検知装置
JP4319101B2 (ja) * 2004-07-08 2009-08-26 株式会社日立製作所 移動体異常検知システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6196440A (ja) * 1984-10-13 1986-05-15 フリード・クルツプ・ゲゼルシヤフト・ミツト・ベシユレンクテル・ハフツング 車両の要修理構成部材を特定する方法
JPH0815098A (ja) * 1994-06-23 1996-01-19 Sumitomo Metal Ind Ltd 鉄道車両の乗り心地と異常動揺の検知方法及び車両用緩衝器と軌道の状態判断方法
JP2004170080A (ja) 2002-11-15 2004-06-17 Kawasaki Heavy Ind Ltd 車両の異常検出方法及び装置、並びに車両
JP2006192993A (ja) * 2005-01-12 2006-07-27 Nippon Sharyo Seizo Kaisha Ltd 鉄道車両及びその異常検知方法
JP2011245917A (ja) * 2010-05-24 2011-12-08 Hitachi Ltd 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両
JP2012078213A (ja) * 2010-10-01 2012-04-19 Hitachi Ltd 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両
JP2012086671A (ja) * 2010-10-20 2012-05-10 Kyb Co Ltd 鉄道車両の振動解析装置
US20150051792A1 (en) * 2011-12-07 2015-02-19 Railway Metrics And Dynamics Sweden Ab Method and system for detection and analysis of railway bogie operational problems

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3988896A1 (en) * 2020-10-23 2022-04-27 Hitachi, Ltd. Method and system for diagnosing a rotation machine
WO2022176314A1 (ja) * 2021-02-19 2022-08-25 三菱重工エンジニアリング株式会社 加速度監視装置、加速度監視方法およびプログラム
CN117360588A (zh) * 2023-10-24 2024-01-09 武汉理工大学 一种基于光栅阵列的列车识别及定位方法、装置和设备
CN117360588B (zh) * 2023-10-24 2024-05-24 武汉理工大学 一种基于光栅阵列的列车识别及定位方法、装置和设备

Also Published As

Publication number Publication date
EP3751249A4 (en) 2021-08-04
EP3751249A1 (en) 2020-12-16
EP3751249B1 (en) 2023-09-06
JP6838176B2 (ja) 2021-03-03
JPWO2019155627A1 (ja) 2021-01-07

Similar Documents

Publication Publication Date Title
Chudzikiewicz et al. Condition monitoring of railway track systems by using acceleration signals on wheelset axle-boxes
JP4298433B2 (ja) 鉄道車両の異常検知装置
WO2019155627A1 (ja) 鉄道車両の異常検出装置および方法
JP5525404B2 (ja) 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両
JPH0815098A (ja) 鉄道車両の乗り心地と異常動揺の検知方法及び車両用緩衝器と軌道の状態判断方法
JP6509548B2 (ja) 鉄道車両状態監視装置
CN107314899B (zh) 铁路机车和动车组转向架轴承在线监测方法
JP2012058208A (ja) 鉄道車両の状態監視システムおよびそれを用いた鉄道車両の状態監視方法
JP7143162B2 (ja) 荷重推定装置、荷重推定方法及びプログラム
CN111444574B (zh) 基于动力学分析的传感器布局优化方法
CN102574536B (zh) 用于在轨道车辆中监测部件状态的方法和电子装置
Firlik et al. Condition monitoring system for light rail vehicle and track
JP2018155517A (ja) 車両の監視装置、監視方法、プログラム
EP4008603B1 (en) System for monitoring and predictive maintening the state of wear of mechanical components and operation method thereof
KR101827116B1 (ko) 차륜 및 베어링 측정 장치
CN107042833B (zh) 用于优化铁路车辆的乘客舒适性的方法
CN112284775B (zh) 铁路客车故障评判方法及系统
JP6669600B2 (ja) 鉄道車両の状態監視システム
KR102094105B1 (ko) 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법
JP6935595B2 (ja) 軌条車両の異常検出装置
JPWO2020027045A1 (ja) 検査システム、検査方法、およびプログラム
WO2023199369A1 (ja) 寿命評価装置および方法
Steišūnas et al. Estimation of ambient temperature impact on vertical dynamic behaviour of passenger rail vehicle with damaged wheels
JP2019039857A (ja) レール波状摩耗に伴う車内騒音評価方法および車内騒音評価システム、並びにこれを用いたレールの保守方法
Weston et al. Track and vehicle condition monitoring during normal operation using reduced sensor sets

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: 18905555

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019570259

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018905555

Country of ref document: EP

Effective date: 20200909