WO2021229947A1 - 学習システム - Google Patents

Abstract

学習システムは、走行台車の状態の診断に関するものである。この学習システムは、センサ（２１）と、機械学習部（４１）と、状態判別部（４３）と、を備える。センサ（２１）は、走行台車の走行に起因する振動を測定する。機械学習部（４１）は、複数の走行台車に対してセンサ（２１）が測定することにより得られる検出信号に基づく学習用データの集合である学習用データセットを用いて、走行台車の状態の診断に関する学習モデルを形成する。状態判別部（４３）は、機械学習部（４１）により形成された学習済みの学習モデルに基づいて、任意の走行台車に対してセンサ（２１）が測定した測定データから、当該走行台車の状態を診断する。

Description

学習システム

　本発明は、走行台車の状態を診断するための学習システムに関する。

　従来から、走行台車に関しては、故障の可能性を考慮して、走行台車の状態が様々な方法で診断されている。特許文献１は、走行台車の走行車輪の劣化検出方法を開示する。

　特許文献１が開示する走行台車は、駆動輪ユニットを備える。駆動輪ユニットは、走行車輪、減速機及び走行モータ等の構成を備える。走行モータは、エンコーダを有する。このエンコーダにより走行車輪の回転数が検出される。走行モータから出力トルクの信号とエンコーダ信号とが取り出され、エンコーダ信号と、走行台車に備えられたリニアセンサの信号との差分により、スリップ速度が求められる。走行モータの出力トルクとスリップ速度とが、走行トルクとスリップ速度の空間（例えば、２次元平面）における、所定の異常領域を通過したことに基づいて、走行車輪の劣化が検出される。

特許第６３３７５２８号公報

　機械学習は、人間が感覚及び経験等により行っていた作業をコンピュータに行わせることができることから、近年注目されている。そこで、走行台車の状態の診断に機械学習を適用することが考えられる。しかし、上記特許文献１のような天井走行車の走行車輪の状態を、機械学習を用いて診断する場合、学習モデルを形成するために多数の学習データが必要となる。

　学習データの取得方法としては、１台の天井走行車の走行を繰り返して収集することが考えられる。しかし、１台の天井走行車だけを用いる場合、その天井走行車の個体特有の構成を学習モデルが過学習してしまい、学習モデルの汎化性能を低下させることがある。

　本発明は以上の事情に鑑みてされたものであり、その目的は、走行台車の状態の診断に関する学習システムを提供することにある。

課題を解決するための手段及び効果

　本発明の解決しようとする課題は以上の如くであり、次にこの課題を解決するための手段とその効果を説明する。

　本発明の観点によれば、以下の構成の学習システムが提供される。即ち、この学習システムは、走行台車の状態の診断に関するものである。この学習システムは、測定部と、学習制御部と、診断部と、を備える。前記測定部は、前記走行台車の走行に起因する振動及び音響の少なくとも一方を測定する。前記学習制御部は、複数の前記走行台車に対して前記測定部が測定した測定データに基づく学習用データの集合である学習用データセットを用いて、前記走行台車の状態の診断に関する学習モデルを形成する。前記診断部は、前記学習制御部により形成された学習済みの前記学習モデルに基づいて、任意の前記走行台車に対して前記測定部が測定した測定データから、当該走行台車の状態を診断する。

　これにより、複数の走行台車に対応する検出信号を用いて学習モデルを形成するので、走行台車の個体差程度のものと評価されるべき特徴が異常として診断されるのを防止することができる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、前記走行台車は、軌道に沿って走行する有軌道台車である。前記測定部は、前記軌道に対して位置固定に設けられ、当該軌道において定められた測定地点を前記走行台車が通過する際の振動及び音響の少なくとも一方を測定するものである。

　これにより、走行台車側に特別のセンサを設けなくても、当該走行台車の状態を診断することができる。測定部を各走行台車に設けなくても良いため、コストを低減できるとともに、測定部自体の個体差が学習に影響することを防止できる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、この学習システムは、特徴量抽出部を備える。前記特徴量抽出部は、前記測定部により測定された測定データのうち前記走行台車が前記測定地点を通過する際のデータに相当する部分データである学習用部分データに含まれる学習用特徴量を抽出する。前記学習用データセットは、前記学習用データとしての前記学習用特徴量の集合である。

　これにより、学習モデルを良好に取得することができる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、この学習システムは、学習用部分データ切出部を備える。前記学習用部分データ切出部は、前記測定部により測定された測定データから、前記学習用部分データを切り出す。

　これにより、学習用特徴量を良好に取得することができる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、前記特徴量抽出部は、前記測定部により測定された測定データのうち前記走行台車が前記測定地点を通過する際の部分データである診断用部分データに含まれる診断用特徴量を抽出する。前記診断部は、前記学習制御部により形成された学習済みの前記学習モデルに基づいて、前記特徴量抽出部により抽出された前記診断用特徴量に対応する機械学習評価値を算出する。

　これにより、機械学習評価値を用いて、任意の台車の状態の診断を良好に行うことができる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、この学習システムは、診断用部分データ切出部を備える。前記診断用部分データ切出部は、前記測定部により測定された測定データから、前記診断用部分データを切り出す。

　これにより、診断用部分データを良好に取得することができる。

　前記の学習システムにおいては、以下の構成とすることが好ましい。即ち、前記軌道は、建屋の天井、又は地上に設置された架台から吊り下げて設けられたものである。前記走行台車は、前記軌道に沿って走行する天井搬送車である。

　天井搬送車は高所に設置されるので、一般に、そのメンテナンス作業が困難である。しかし、この構成によれば、天井搬送車を軌道から降ろすことなくその状態を確認することができ、メンテナンス作業の煩雑さを緩和することができる。

本発明の一実施形態に係る学習システムの構成を示す概略図。 有軌道台車システムが備える走行レールを示す図。 診断装置の構成を示すブロック図。 学習用データセットを取得するために学習システムにおいて行われる処理についてのフローチャート。 機械学習を行う処理についてのフローチャート。 状態判別部が判定を行うために学習システムにおいて行われる処理についてのフローチャート。 走行台車の稼動時間と評価値との関係を示すグラフ。 検出信号のオフセット処理について説明するグラフ。

　次に、図面を参照して本発明の実施の形態を説明する。図１は、本発明の一実施形態に係る学習システム１の構成を示す概略図である。図２は、有軌道台車システム３に備えられた走行レール９を示す図である。図３は、診断装置１７の構成を示すブロック図である。

　図１に示す学習システム１は、所定のシステム又は装置、本実施形態では有軌道台車システム３に適用される。有軌道台車システム３は、例えば、半導体製造工場に設置される自動搬送システムである。有軌道台車システム３は、ＦＯＵＰ等の搬送対象物５を搬送することができる。ＦＯＵＰは、Ｆｒｏｎｔ　Ｏｐｅｎｉｎｇ　Ｕｎｉｆｉｅｄ　Ｐｏｄの略称である。

　有軌道台車システム３は、複数の走行台車７と、走行レール（軌道）９と、を備える。

　走行台車７は、走行レール９に沿って走行する有軌道台車である。本実施形態では、走行台車７として、ＯＨＴと呼ばれる天井搬送車が用いられている。ＯＨＴとは、Ｏｖｅｒｈｅａｄ　Ｈｏｉｓｔ　Ｔｒａｎｓｆｅｒの略称である。しかし、走行台車７はこれに限定されない。本実施形態の有軌道台車システム３では、実質的に同一の構成を有する複数の走行台車７が同時に走行する。これにより、搬送の効率を高めることができる。

　それぞれの走行台車７は、図１に示すように、台車制御部１１を有する。台車制御部１１は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ等を有する公知のコンピュータとして構成されている。

　台車制御部１１は、走行台車７が備える多関節のロボットアーム或いはホイスト等の移載機構による搬送対象物５の移載動作、及び当該走行台車７が備える走行機構（非図示）による自動走行等を制御する。台車制御部１１により制御される走行台車７は、他の走行台車７と適宜の間隔をあけた状態で、走行レール９に沿って走行する。

　図２に示すように、走行レール９は、有軌道台車システム３が用いられる半導体製造工場等の建屋１３内に設けられている。具体的には、走行レール９は、建屋１３の天井から吊り下げて設けられている。なお、走行レール９は、地上に設置された架台から吊り下げて設けられたものであっても良い。走行レール９は、例えば図１に示すような走行台車７の走行経路を案内可能な形状を有する。なお、走行レール９の形状は特に限定されない。

　図１に示すように、学習システム１は、測定装置１５と、診断装置１７と、通知部４５と、を備える。

　測定装置１５は、走行台車７の走行に伴って発生する振動及び音響の少なくとも一方を測定することができる。本実施形態では、測定装置１５は、センサ（測定部）２１から構成されている。センサ２１は、走行台車７の走行時における走行レール９の振動又は音響を検出し、当該センサ２１の検出結果に応じた検出信号を診断装置１７に出力する。この検出信号は、センサ２１により測定された測定データに相当する。

　前述のように、本実施形態のセンサ２１は、走行レール９の振動又は音響を検出する。本実施形態において、センサ２１は走行レール９側に設けられており、走行台車７には設けられない。言い換えれば、センサ２１は走行レール９に対して位置固定に設けられている。センサ２１が振動を検出する振動センサである場合、当該センサは、例えば、加速度センサ、ＡＥ（Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ）センサ、超音波センサ、又はショックパルスセンサ等から構成される。センサ２１が音響を検出する音響センサである場合、当該センサは、例えばマイク等から構成される。以下、センサ２１が配置される位置を測定地点Ｐ１と呼ぶことがある。測定地点Ｐ１は、図２に示すように、走行レール９における適宜の箇所に定められる。図示しないが、測定地点Ｐ１の近傍には、診断エリアと呼ばれる特別な領域が設定される。

　学習システム１には、位置センサ２５が設けられている。位置センサ２５は、測定地点Ｐ１を通過する走行台車７を検出する。位置センサ２５は、走行レール９に対して位置固定に設けられている。

　位置センサ２５は、走行レール９において、測定地点Ｐ１に相当する部分の近傍に配置されている。位置センサ２５は、投受光部を有する光電センサから構成される。投受光部が投光した光が走行台車７の反射部等で反射されたことを当該投受光部で検出したとき、位置センサ２５は台車検出信号を診断装置１７に出力する。ただし、位置センサ２５の構成はこれに限定されない。

　診断装置１７は、センサ２１により検出された検出信号に基づいて、走行レール９における測定地点Ｐ１を通過した走行台車７の状態を診断することができる。診断装置１７は、センサ２１及び位置センサ２５のそれぞれに電気的に接続されている。

　診断装置１７は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ等を有する公知のコンピュータとして構成されている。診断装置１７は、ＲＯＭ、ＲＡＭ及びＨＤＤ等から構成された記憶部に記憶されたプログラムを実行することで、各種の処理（後述の診断を含む）を行う。

　通知部４５は、液晶モニタ等のディスプレイ、ライト、ブザー等から構成される。通知部４５は、診断装置１７に対して電気的に接続される。通知部４５は、情報の表示、音声及び／又は光による報知により、診断装置１７が走行台車７の状態を診断した結果を作業者等に通知する。これにより、作業者等は、走行台車７の状態を速やかに知ることができる。

　図１及び図３に示すように、診断装置１７は、ＡＤ変換部３７と、データ切出部３１と、データ変換部３３と、分析部３５と、を有する。

　ＡＤ変換部３７は、センサ２１が出力するアナログ信号をデジタル信号に変換する。ＡＤ変換部３７は、変換後のデジタル信号をデータ切出部３１に出力する。

　データ切出部３１は、センサ２１が出力する検出信号から、走行台車７の通過によって走行レール９の振動又は音響が発生するタイミングを含む所定の時間範囲の部分だけを取り出す。この時間範囲は、位置センサ２５が台車検出信号を出力するタイミングを基準として定められる。以下では、このように切り出された検出信号を部分信号（部分データ）と呼ぶことがある。部分信号は、状況に応じて、学習に用いられたり、診断に用いられたりする。従って、データ切出部３１は、学習用部分データ切出部及び診断用部分データ切出部として機能する。

　データ変換部３３は、データ切出部３１により切り出された部分信号を変換して、周波数スペクトルを取得する。データ変換部３３は、特徴量抽出部３９を有する。

　特徴量抽出部３９は、データ切出部３１により切り出された部分信号に含まれる周波数スペクトルを取得する。具体的に説明すると、特徴量抽出部３９は、データ切出部３１が出力する部分信号を対象として離散フーリエ変換処理を実行する。これにより、部分信号を、周波数と、当該周波数にて振動する信号の強度と、の関係として表す周波数スペクトルが得られる。本実施形態では、この周波数スペクトルが特徴量（学習用特徴量又は診断用特徴量）として用いられる。

　分析部３５は、データ変換部３３から入力される多数の周波数スペクトルを機械学習することにより、学習モデルを形成する。本実施形態において、学習モデルは、周波数スペクトルを入力して評価値を出力する関数である。学習モデルが形成されると、分析部３５は、この学習モデルを用いて、任意の走行台車７についてデータ変換部３３から入力される周波数スペクトルから、評価値を計算する。この評価値は、機械学習によるものであるので、機械学習評価値と呼ぶことができる。学習モデルから得られた評価値が、当該走行台車７の状態の診断に用いられる。

　分析部３５は、機械学習部（学習制御部）４１と、状態判別部（診断部）４３と、を有する。

　機械学習部４１は、複数の走行台車７に対応する部分信号の周波数スペクトルを一群の学習データとして用いて、走行台車７の状態の診断に関する学習モデルを形成する。本実施形態では、学習モデルとして、公知の１クラスＳＶＭ（Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ）が用いられる。ＳＶＭは、Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅの略称である。本実施形態では、１クラスＳＶＭの教師なし学習により、外れ値検知（言い換えれば、異常検知）が行われる。

　以下、学習モデルの構築について詳細に説明する。図４及び図５は、機械学習部４１が学習モデルを形成するための、学習システム１における処理についてのフローチャートである。

　先ず、学習システム１は、機械学習部４１が学習モデルを形成するためのデータを、図４に示す処理によって収集する。

　最初に、走行レール９に沿って走行する走行台車７について、走行に起因する振動又は音響についての検出信号が、センサ２１により取得される（ステップＳ１０１）。ここで、走行レール９の測定地点を通過する走行台車７は、何れも、正常な走行台車７である。以下では、正常な走行台車７を測定することにより得られたデータを、正常データと呼ぶことがある。

　次に、診断装置１７のデータ切出部３１が、センサ２１により取得された検出信号から、一部の信号を切り出す（ステップＳ１０２）。こうして、上述の部分信号が得られる。部分信号が検出信号から切り出される時間範囲は、走行台車７が測定地点Ｐ１を通過するのを位置センサ２５が検知するタイミングを基準として、当該タイミングの所定時間前から、当該タイミングの所定時間後までである。

　次に、診断装置１７のデータ変換部３３において、特徴量抽出部３９が、データ切出部３１からの部分信号に対して離散フーリエ変換処理を実行し、周波数スペクトルを抽出する（ステップＳ１０３）。本実施形態において、学習モデルに入力される特徴量は、この周波数スペクトルである。厳密に言えば、特徴量は、周波数スペクトルに含まれる周波数成分毎の信号の強さである。周波数スペクトルに対しては、適宜スムージングが行われる。スムージングの手法は様々であるが、例えばガウシアンフィルタを畳み込み積分する方法を挙げることができる。

　次に、診断装置１７が有する図略の記憶部が、特徴量抽出部３９が取得した周波数スペクトルを、学習用データセットを構成する学習用データとして記憶する（ステップＳ１０４）。

　ステップＳ１０１～ステップＳ１０４の処理は、測定地点Ｐ１に走行台車７を十分な回数だけ通過させ、多数（例えば、数千個）の周波数スペクトルが得られるまで反復される（ステップＳ１０５）。同一の条件で周波数スペクトルを取得するために、データの収集のために走行台車７が測定地点Ｐ１を通過する走行速度は、所定のデータ取得用速度で一定となるように制御される。

　走行レール９に設定された測定地点Ｐ１は、１台だけでなく複数の走行台車７が通過可能である。本実施形態では、１台の正常な走行台車７につき例えば数百個程度の周波数スペクトルが得られたら、別の個体である正常な走行台車７に交代させて（ステップＳ１０６）、周波数スペクトルの収集を同程度の数だけ得る作業が行われる。

　以上の処理により、学習用データセットが得られる。本実施形態では、学習用データセットは、実質的には多数の周波数スペクトルの集合である。この学習用データセットは診断装置１７の記憶部に記憶される。なお、この記憶部に記憶された学習用データセットは、適宜変更（更新）が可能である。

　ステップＳ１０６の台車交代作業があるため、図４の処理で得られる学習用データセットには、複数の走行台車７（互いに異なる個体）から得られた周波数スペクトルが含まれる。このような学習用データセットを用いて機械学習を行うことで、走行台車７の個体特有の特徴を過剰に学習するのを抑制することができる。何台の走行台車７から周波数スペクトルを収集するかは、２台以上であれば任意であるが、走行台車７の個体差が目立たなくなるようなある程度大きい数とすることが好ましい。

　この学習用データセットには、異常な走行台車７から得られた周波数スペクトルは含まれておらず、全ての周波数スペクトルが、正常な走行台車７から得られたものである。

　続いて、学習システム１は、得られた学習用データセットを用いて、図５に示す処理により、機械学習部４１による機械学習を行う。図５の処理は、機械学習の訓練フェーズに相当する。

　最初に、診断装置１７の分析部３５において、機械学習部４１が、走行台車７の異常を判別するための判別式のパラメータを、適宜初期化する（ステップＳ２０１）。本実施形態では、判別式は以下のように表される。

 

　上記の数式において、ｆ（ｘ）が判別式であり、本実施形態の学習モデルに相当する。判別式ｆへの入力であるｘは、入力される周波数スペクトルを表すＮ次元のベクトルである。本実施形態では、Ｎは、周波数スペクトルを複数の周波数成分のそれぞれの信号の強さで表す場合に、その周波数成分の数を意味する。判別式ｆの出力は、評価値と呼ばれるスカラ値であり、詳細は後述する。

　Ｋ（ｘｉ，ｘ）は、１クラスＳＶＭの公知のカーネル関数である。カーネル関数は、周波数スペクトルが外れ値になる程原点の近くになるような、高次元空間への写像関数である。１クラスＳＶＭでは、この高次元空間への写像において、原点からの距離が最大となる超平面を定める。この超平面が、外れ値を判定する基準となる。本実施形態では、カーネル関数としてガウシアンカーネルが用いられているが、カーネル関数はこれに限定されない。

　αｉ、ｘｉ、ρは、機械学習の対象となるパラメータである。本実施形態で、学習モデルの形成とは、αｉ、ｘｉ、ρの最適値を得て判別式を確定することに相当する。ステップＳ２０１では、このパラメータが初期化される。初期化に用いられる値（パラメータの初期値）は、例えば乱数値とすることができる。上記以外のパラメータであるσは、ハイパーパラメータと呼ばれ、設計者により適宜定められる。

　次に、機械学習部４１は、学習用データセットに含まれている周波数スペクトルを１つ取り出し、Ｎ次元のベクトルｘの形で判別式ｆに代入して、値ｆ（ｘ）を求める（ステップＳ２０２）。そして、得られた値ｆ（ｘ）が０に近くなるように、αｉ、ｘｉ、ρを調整する（ステップＳ２０３）。ステップＳ２０２及びステップＳ２０３の処理は、学習用データセットの全ての周波数スペクトルについて反復される（ステップＳ２０４）。これにより、１エポック分の学習が完了する。エポックとは、学習用データセットに含まれる学習用データを１回学習することを示している。

　ステップＳ２０２～ステップＳ２０４の処理は、更に適宜の回数だけ繰り返される（ステップＳ２０５）。これにより、複数エポック分の学習が実現する。１つの学習用データセットについて適切な回数だけ学習が繰り返して行われることで、性能の良い学習モデルが得られる。

　図５の処理によりパラメータαｉ、ｘｉ、ρの値が得られ、当該パラメータの値は診断装置１７の記憶部に記憶される。このパラメータαｉ、ｘｉ、ρの値が代入された上述の判別式ｆは、学習済モデルを表している。従って、得られたパラメータαｉ、ｘｉ、ρの値そのものが実質的に学習済モデルであると考えることもできる。

　１クラスＳＶＭを用いた外れ値検出では、ｆ（ｘ）の値が０又はプラスであればｘは外れ値でないことを意味する。ｆ（ｘ）の値がマイナスであればｘは外れ値であることを意味し、ｆ（ｘ）の値が小さい程、値の外れの度合いが大きいことを示す。本実施形態の状態判別部４３は、走行台車７に異常が生じているときの周波数スペクトルが、正常なときの周波数スペクトルに対して外れ値の関係にあることを利用して、走行台車７の正常／異常の診断を行う。

　実際に診断を行う場合、図６に示す処理が行われる。図６の処理は、機械学習の推論フェーズに相当する。

　最初に、走行台車７の走行に起因する振動又は音響がセンサ２１により取得される（ステップＳ３０１）。このとき、走行台車７は、上述のデータ取得用速度と同じ速度で測定地点Ｐ１を通過するように制御される。この検出信号から部分信号が切り出される（ステップＳ３０２）。以下では、この部分信号を診断用部分信号と呼ぶことがある。更に、この診断用部分信号から周波数スペクトルが抽出される（ステップＳ３０３）。

　ステップＳ３０１～ステップＳ３０３の処理は、図４のステップＳ１０１～ステップＳ１０３と実質的に同様である。ただし、図６の場合、測定地点Ｐ１を通過する走行台車７に異常が生じているか否かは不明である。

　次に、状態判別部４３は、ステップＳ３０３で得られた周波数スペクトルを判別式に入力して、評価値を算出する（ステップＳ３０４）。このとき、判別式のパラメータαｉ、ｘｉ、ρとしては、図５の処理により求められたパラメータが用いられる。従って、ステップＳ３０４で用いられる判別式は、学習済みの学習モデルと同義である。

　次に、状態判別部４３は、算出された評価値が閾値ｖ１未満であるか否かを判断する（ステップＳ３０５）。図７には、同一の走行台車７を稼動させ続けたときの評価値の推移がグラフで示されている。このグラフは、学習モデル（判別式）において図５の訓練フェーズを完了させた後、走行台車７の耐久試験を実際に行うこと等により得ることができる。

　本実施形態では、閾値ｖ１は、図７のグラフで示すように、走行台車７がまもなく故障することが想定される値に設定されている。

　具体的に説明すると、図７のグラフでは、走行台車７はｔ２のタイミングで故障し、稼動不能になる。この場合、ｔ２よりも少し前の例えばｔ１のタイミングで、何らかの警告を発生させることが好ましい。そこで、正常と異常の判別境界となる閾値ｖ１は、走行台車７に明らかな故障が認められるような状態に相当する評価値（以下、故障時評価値ｖ２という。）に対して、ある程度のマージンを見込んだ値となるように定められる。閾値ｖ１及び故障時評価値ｖ２は負の値である。故障時評価値ｖ２は、上記の耐久試験の結果等を参考に定めることができる。閾値ｖ１は、故障時評価値ｖ２よりも、上記のマージンの分だけ大きくなる。このマージンの大きさは、有軌道台車システム３の稼動継続の重要性、及び、部品交換コスト等を考慮して、適宜定められる。

　ステップＳ３０５の判断で、評価値が閾値ｖ１以下である場合、状態判別部４３は、走行台車７の状態が異常であると判別する（ステップＳ３０６）。この場合、状態判別部４３は、判別結果（走行台車７の状態が異常であること）を通知部４５に送信する（ステップＳ３０７）。この結果、通知部４５において、例えば、「走行台車７の状態が異常であること」、及び「走行台車７に対して交換用走行台車又は部品の用意が必要であること」のうち、一方又は両方が通知される。残りの稼動可能時間の長さは、評価値が故障時評価値ｖ２以下になることが予想されるタイミングまでの時間の長さである。残りの稼動可能時間の長さは、例えば、図７のグラフと、現在の評価値と、により推定することができる。

　ステップＳ３０５の判断で、評価値が閾値ｖ１以上である場合、状態判別部４３は、走行台車７の状態が正常であると判別する（ステップＳ３０８）。

　判別結果が正常／異常の何れであっても、処理はステップＳ３０１に戻り、走行台車７の通過に応じて再び診断が行われる。

　なお、通知部４５による通知は、走行台車７の部品又は交換用走行台車の準備が必要になる旨の情報を含むことが好ましい。この場合、適切な準備を作業者等に促すことができる。

　次に、データ切出部３１による切出しに関する変形例について説明する。

　上記の実施形態では、位置センサ２５が台車検出信号を出力するタイミングを基準として、検出信号から部分信号が切り出される範囲が定められている。しかし、この構成では、例えば走行台車７の車輪の取付位置の個体差によって、走行台車７が測定地点Ｐ１を通過する場合に走行レール９に振動又は音響が生じるタイミングにズレが生じ、これが判別結果の精度を低下させる懸念がある。そこで、本変形例では、切出しの対象となる検出信号を時間軸の方向で調整する補正が行われる。

　変形例の学習システム１では、学習用データセットのためのデータを収集する前に、データ切出部３１によるデータの切出し区間を定めるための基準となるリファレンス信号を、診断装置１７の記憶部に予め記憶しておく。このリファレンス信号は、走行台車７に測定地点Ｐ１を通過させ、そのときのＡＤ変換部３７の出力結果に基づいて得ることができる。このときの走行台車７としては正常な状態の走行台車７が用いられ、当該走行台車７は、上述のデータ取得用速度で測定地点Ｐ１を通過する。

　その後、図４の処理が開始される。図８のグラフには、センサ２１が振動センサである場合の、ステップＳ１０１で得られた検出信号の波形と、前記リファレンス信号の波形と、の関係が例示されている。ただし、図８では、便宜上、検出信号を簡略化して表している。データ切出部３１は、得られた検出信号５３を時間軸方向で様々にオフセットしながらリファレンス信号５１との相関を計算することで、相関が最大となるオフセットの方向及び量を探索する。データ切出部３１は、検出信号５３のリファレンス信号５１に対する相関が最も大きくなるように、検出信号５３を時間軸方向でオフセットする。

　本変形例では、データ切出部３１が検出信号を切り出す時間区間は、位置センサ２５が台車検出信号を出力するタイミングではなく、リファレンス信号を基準として定められる。データ切出部３１は、この時間区間で検出信号を切り出して、部分信号を得る。

　検出信号のオフセットは、図４の処理だけでなく、図６の処理においても同様に行われる。本変形例では、センサ２１が取得する波形のタイミングのズレを解消する処理により、学習モデルによる診断の精度を高めることができる。

　以上に説明したように、本実施形態の学習システム１は、走行台車７の状態の診断に関するものである。この学習システム１は、センサ２１と、機械学習部４１と、状態判別部４３と、を備える。センサ２１は、走行台車７の走行に起因する振動を測定する。機械学習部４１は、複数の走行台車７に対してセンサ２１が測定した検出信号に基づく周波数スペクトルの集合である学習用データセットを用いて、走行台車７の状態の診断に関する学習モデルを形成する。状態判別部４３は、機械学習部４１により形成された学習済みの学習モデルに基づいて、任意の走行台車７に対してセンサ２１が測定した検出信号から、当該走行台車７の状態を診断する。

　これにより、複数の走行台車７に対応する検出信号を用いて学習モデルを形成するので、走行台車７の個体差程度のものと評価されるべき特徴が異常として診断されるのを防止することができる。

　本実施形態の学習システム１において、走行台車７は、走行レール９に沿って走行する有軌道台車である。センサ２１は、走行レール９に対して位置固定に設けられ、走行レール９において定められた測定地点Ｐ１を走行台車７が通過する際の振動及び音響の少なくとも一方を測定するものである。

　これにより、走行台車７側に特別のセンサを設けなくても、当該走行台車７の状態を診断することができる。センサ２１を各走行台車７に設けなくても良いため、コストを低減できるとともに、センサ２１の個体差が学習に影響することを防止できる。

　本実施形態の学習システム１は、特徴量抽出部３９を備える。特徴量抽出部３９は、センサ２１の検出信号のうち、走行台車７が測定地点Ｐ１を通過する際の検出信号に相当する部分信号である学習用部分信号に含まれる周波数スペクトルを抽出する。学習用データセットは、学習用データとしての周波数スペクトルの集合である。

　これにより、学習モデルを良好に取得することができる。

　本実施形態の学習システム１は、データ切出部３１を備える。データ切出部３１は、センサ２１の検出信号から、学習用部分信号を切り出す。

　これにより、学習のために用いられる周波数スペクトルを良好に取得することができる。

　本実施形態の学習システム１において、特徴量抽出部３９は、センサ２１の検出信号のうち走行台車７が測定地点Ｐ１を通過する際の部分信号である診断用部分信号に含まれる周波数スペクトルを抽出する。状態判別部４３は、機械学習部４１により形成された学習済みの学習モデルに基づいて、特徴量抽出部３９により抽出された周波数スペクトルに対応する評価値を算出する。

　これにより、評価値を用いて、任意の走行台車７の状態の診断を良好に行うことができる。

　本実施形態の学習システム１は、データ切出部３１を備える。データ切出部３１は、センサ２１の検出信号から、診断用部分信号を切り出す。

　これにより、診断のために用いられる周波数スペクトルを良好に取得することができる。

　本実施形態の学習システム１において、走行レール９は、建屋１３の天井から吊り下げて設けられたものである。走行台車７は、走行レール９に沿って走行する天井搬送車である。

　天井搬送車は高所に設置されるので、一般的に、そのメンテナンス作業は困難である。しかし、本実施形態によれば、天井搬送車を走行レール９から降ろすことなくその状態を確認することができ、メンテナンス作業の煩雑さを緩和することができる。

　以上に本発明の好適な実施の形態を説明したが、上記の構成は例えば以下のように変更することができる。

　上記の実施形態では、機械学習部４１と状態判別部４３とは、１つの診断装置１７に備えられているが、異なる装置に備えられても良い。例えば、図３の機械学習部４１だけを取り出して、診断装置１７とは別の装置にすることができる。以下では、機械学習部４１を有する、診断装置１７とは異なるコンピュータを訓練装置と呼ぶ。この例では、学習モデルが形成される場所が、走行台車７の状態の診断が行われる場所と相違することになる。診断装置１７でのデータ収集により得られた学習用データセットが、訓練装置に提供される。訓練装置で形成された学習モデルのデータ（実質的には、上記の判別式のパラメータ）が、診断装置１７に提供される。装置間のデータの提供は、例えば公知の通信により行うことができる。

　センサ２１は、走行レール９にではなく走行台車７に（言い換えれば、走行レール９に対して位置非固定に）設けられても良い。

　機械学習部４１が形成する学習モデルは、１クラスＳＶＭを用いたものに限定されない。学習モデルとして、例えば、正常データと異常データの双方を学習データとして用いるＢｏｏｓｔｉｎｇ又はＳＶＭが用いられても良い。この場合、機械学習は教師あり学習になる。

　データ切出部３１によるデータの切出しは、省略することもできる。特徴量抽出部３９による特徴量（周波数スペクトル）の取得を省略して、センサ２１により得られた波形をそのまま学習モデルに入力することもできる。

　状態判別部４３は、評価値について単位時間当たりの減少量が大きい状態が連続的に続いたとき（例えば、図７のｔ３のタイミング）、走行台車７の状態が異常に近づいていると判別することもできる。この判別結果は、評価値が閾値ｖ１未満になった場合と同様に、通知部４５を用いて通知することができる。

　上述の教示を考慮すれば、本発明が多くの変更形態及び変形形態をとり得ることは明らかである。従って、本発明が、添付の特許請求の範囲内において、本明細書に記載された以外の方法で実施され得ることを理解されたい。

　１　学習システム
　３　有軌道台車システム（システム）
　７　走行台車
　９　走行レール（軌道）
　１３　建屋
　２１　センサ（測定部）
　３１　データ切出部（学習用部分データ切出部、診断用部分データ切出部）
　３９　特徴量抽出部
　４１　機械学習部（学習制御部）
　４３　状態判別部（診断部）
　Ｐ１　測定地点

Claims (7)

1. 　走行台車の状態の診断に関する学習システムであって、
   　前記走行台車の走行に起因する振動及び音響の少なくとも一方を測定する測定部と、
   　複数の前記走行台車に対して前記測定部が測定した測定データに基づく学習用データの集合である学習用データセットを用いて、前記走行台車の状態の診断に関する学習モデルを形成する学習制御部と、
   　前記学習制御部により形成された学習済みの前記学習モデルに基づいて、任意の前記走行台車に対して前記測定部が測定した測定データから、当該走行台車の状態を診断する診断部と、
   を備えることを特徴とする学習システム。
2. 　請求項１に記載の学習システムであって、
   　前記走行台車は、軌道に沿って走行する有軌道台車であり、
   　前記測定部は、前記軌道に対して位置固定に設けられ、当該軌道において定められた測定地点を前記走行台車が通過する際の振動及び音響の少なくとも一方を測定するものであることを特徴とする学習システム。
3. 　請求項２に記載の学習システムであって、
   　前記測定部により測定された測定データのうち前記走行台車が前記測定地点を通過する際のデータに相当する部分データである学習用部分データに含まれる学習用特徴量を抽出する特徴量抽出部を備え、
   　前記学習用データセットは、前記学習用データとしての前記学習用特徴量の集合であることを特徴とする学習システム。
4. 　請求項３に記載の学習システムであって、
   　前記測定部により測定された測定データから、前記学習用部分データを切り出す学習用部分データ切出部を備えることを特徴とする学習システム。
5. 　請求項３又は４に記載の学習システムであって、
   　前記特徴量抽出部は、前記測定部により測定された測定データのうち前記走行台車が前記測定地点を通過する際の部分データである診断用部分データに含まれる診断用特徴量を抽出し、
   　前記診断部は、前記学習制御部により形成された学習済みの前記学習モデルに基づいて、前記特徴量抽出部により抽出された前記診断用特徴量に対応する機械学習評価値を算出することを特徴とする学習システム。
6. 　請求項５に記載の学習システムであって、
   　前記測定部により測定された測定データから、前記診断用部分データを切り出す診断用部分データ切出部を備えることを特徴とする学習システム。
7. 　請求項２から６までの何れか一項に記載の学習システムであって、
   　前記軌道は、建屋の天井、又は地上に設置された架台から吊り下げて設けられたものであり、
   　前記走行台車は、前記軌道に沿って走行する天井搬送車であることを特徴とする学習システム。

Images