WO2023032201A1 - 健全度診断装置および健全度診断方法 - Google Patents

健全度診断装置および健全度診断方法 Download PDF

Info

Publication number
WO2023032201A1
WO2023032201A1 PCT/JP2021/032651 JP2021032651W WO2023032201A1 WO 2023032201 A1 WO2023032201 A1 WO 2023032201A1 JP 2021032651 W JP2021032651 W JP 2021032651W WO 2023032201 A1 WO2023032201 A1 WO 2023032201A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature amount
data
soundness
unit
amount data
Prior art date
Application number
PCT/JP2021/032651
Other languages
English (en)
French (fr)
Inventor
勲 西岡
賢司 藤崎
智晴 竹内
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2023544977A priority Critical patent/JP7475553B2/ja
Priority to DE112021008198.5T priority patent/DE112021008198T5/de
Priority to PCT/JP2021/032651 priority patent/WO2023032201A1/ja
Publication of WO2023032201A1 publication Critical patent/WO2023032201A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption

Definitions

  • the present disclosure relates to a soundness diagnosis device and a soundness diagnosis method for diagnosing the soundness of equipment.
  • Patent Literature 1 discloses a technique for accurately diagnosing an abnormality of a brake in consideration of various conditions such as a running section in the case where the diagnosis target is a brake mounted on a railroad vehicle.
  • the device to be diagnosed is a device operated by a person, such as a brake mounted on a railroad vehicle
  • the data detected by the sensor varies among individuals depending on the characteristics of the person operating the device. easier to get out. Therefore, even if the soundness of equipment is diagnosed using data that includes individual differences, there is a problem that the accuracy of the diagnosis decreases.
  • the present disclosure has been made in view of the above, and an object thereof is to obtain a soundness diagnosis device capable of suppressing deterioration in accuracy when diagnosing the soundness of equipment.
  • the present disclosure is a soundness diagnosis device for diagnosing the soundness of equipment.
  • the soundness diagnosis device has a data loading unit that acquires the operation data of the device during the diagnosis target period, and based on the physical characteristics of the device, extracts the data part to be the target of the feature amount data from the operation data as sample data, and extracts the sample data
  • a feature data generation unit that generates feature data using
  • an inference unit that performs soundness diagnosis on the feature data that is sequentially generated using a trained model that has undergone model learning of the normal state of the device.
  • a visualization unit that visualizes the transition of the soundness diagnosis result obtained by the inference unit.
  • the soundness diagnostic device of the present disclosure has the effect of suppressing a decrease in accuracy when diagnosing the soundness of equipment.
  • FIG. 1 is a first diagram showing a configuration example of a soundness diagnosis device according to an embodiment
  • Flowchart showing the operation of the soundness diagnosis device according to the embodiment 4 is a flow chart showing the operation of generating feature data by the feature data generator of the soundness diagnostic device according to the embodiment
  • FIG. 4 is a diagram showing an example of a configuration of a processing circuit provided in the soundness diagnosis device according to the embodiment when the processing circuit is realized by a processor and a memory
  • FIG. 4 is a diagram showing an example of a configuration of a processing circuit provided in the soundness diagnosis device according to the embodiment when the processing circuit is configured by dedicated hardware
  • FIG. 1 is a first diagram showing a configuration example of a soundness diagnosis device 20 according to this embodiment.
  • the soundness diagnosis device 20 is a device that diagnoses the soundness of the equipment mounted on the railway vehicle 10 using the operation data 31 on the equipment mounted on the railway vehicle 10 .
  • the operation data 31 is data indicating the operation state of equipment detected by sensors (not shown) mounted on the railcar 10 .
  • the brake system 11 is a system that includes a brake cylinder (not shown) and controls braking force by air pressure.
  • the soundness diagnosis device 20 includes a condition setting unit 21, a data loading unit 22, a feature data generation unit 23, a learning unit 24, an inference unit 25, and a visualization unit 26. Prepare.
  • the condition setting section 21 and the visualization section 26 are included in an operation UI (User Interface) 27 .
  • FIG. 2 is a flow chart showing the operation of the soundness diagnosis device 20 according to this embodiment.
  • the condition setting unit 21 receives various condition settings for the data loading unit 22 and the feature amount data generation unit 23 from the user 40 of the soundness diagnosis device 20, and sets conditions for the data loading unit 22 and the feature amount data generation unit 23. Settings are made (step S11). Specifically, the condition setting unit 21 receives from the user 40 a diagnosis target period for which the data loading unit 22 acquires the operation data 31 . Further, the condition setting unit 21 receives from the user 40 the setting of various conditions when the feature amount data generation unit 23 generates the feature amount data 32 based on the physical characteristics of the brake system 11 .
  • the condition setting unit 21 is, for example, an interface such as a mouse and a keyboard. When the condition setting unit 21 and the visualization unit 26 are integrated in the operation UI 27, the condition setting unit 21 may be a touch panel or the like.
  • the data loading unit 22 acquires the operation data 31 of the brake system 11 during the diagnostic period (step S12).
  • the data loading unit 22 acquires the operation data 31 of the diagnosis target period from the operation data 31 of the entire period detected by the railroad vehicle 10, but is not limited to this.
  • the data loading unit 22 may acquire the operation data 31 for the entire period output from the railroad vehicle 10 and extract the operation data 31 for the diagnosis target period from the operation data 31 for the entire period.
  • the operation data 31 for the entire period detected by the railcar 10 may be stored in the storage unit, and the data loading unit 22 may read the operation data 31 from the storage unit.
  • the data loading unit 22 outputs the operation data 31 of the brake system 11 during the diagnosis target period to the feature amount data generating unit 23 .
  • the feature amount data generation unit 23 cuts out the target data portion of the feature amount data 32 from the operation data 31 as sample data based on the physical characteristics of the equipment, that is, the brake system 11, and generates the feature amount data using the cut out sample data. 32 is generated (step S13).
  • the operation of the feature amount data generation unit 23 to generate the feature amount data 32 will be described in detail.
  • FIG. 3 is a flow chart showing the operation of generating the feature data 32 by the feature data generator 23 of the soundness diagnostic device 20 according to the present embodiment.
  • the feature amount data generation unit 23 detects the brake release timing when the railroad vehicle 10 departs from the brake cylinder pressure data included in the operation data 31. (Step S21).
  • the feature amount data 32 should always show the same behavior and the tendency should change little by little with changes in soundness, that is, progress of deterioration.
  • the operation data 31 of the brake system 11 is always acquired while the railroad vehicle 10 is running, and the value varies depending on the complicated control during running. I need to cut out the quantity.
  • the brake system 11 of the railway vehicle 10 is mainly used during deceleration, stopping, and the like. However, the brake system 11 tends to vary depending on the characteristics of the railway vehicle 10 driver, that is, individual differences.
  • the data of the part where the brake cylinder pressure decreases as the brakes are released is cut out and used as the feature amount data 32.
  • the portion where the brake cylinder pressure drops as the brake is released is the BC (Brake Cylinder) pressure drop portion where the air in the brake cylinder is released. Since the BC pressure fall has little individual difference among drivers and always behaves the same as a physical characteristic of the brake system 11, it meets the requirements of the feature amount data 32 having the characteristic of deterioration progression described above.
  • the feature amount data generation unit 23 extracts sample data from the brake cylinder pressure data included in the operation data 31 for a specified time-series range including the brake release timing when the railroad vehicle 10 departs, that is, the BC pressure drop point. (step S22).
  • the feature amount data generator 23 may cut out the sample data with the BC pressure falling time as a starting point, or may cut out the sample data with a starting point at a specified past time after the BC pressure falling time. .
  • the feature data generation unit 23 cleanses the extracted sample data (step S23).
  • the feature amount data generation unit 23 can remove elements that become noise when calculating the feature amount data 32 by removing irregular sample data that is clearly different from aging.
  • the feature data generation unit 23 performs filtering to extract sample data that matches the set conditions from the cleansed sample data (step S24).
  • the feature amount data generating unit 23 narrows down the environmental conditions during running of the railway vehicle 10 so that the environmental conditions during running of the railway vehicle 10 are unified, that is, the analysis conditions for the soundness diagnosis are unified.
  • the feature amount data generation unit 23 performs filtering based on the position of the brake notch at the time of stop, the boarding rate of the railway vehicle 10, the brake loosening speed, and the like. Note that it is also assumed that the tendency of the occupancy rate differs depending on the route on which the railway vehicle 10 is used. Therefore, the feature amount data generation unit 23 may change the filtering conditions depending on the route on which the railroad vehicle 10 is used.
  • the feature amount data generation unit 23 may perform filtering so as to classify the analysis conditions into a plurality of conditions instead of narrowing down to one condition so as to unify the analysis conditions in the soundness diagnosis. For example, when the feature amount data generating unit 23 performs filtering based on the boarding rate of the railway vehicle 10, classification is performed into groups such as boarding rate of less than 30%, boarding rate of 30% or more and less than 70%, boarding rate of 70% or more, and the like. Filtering may be performed to
  • the feature data generation unit 23 processes the filtered sample data to generate feature data 32 (step S25).
  • the feature amount data generation unit 23 processes the sample data after filtering based on domain knowledge, that is, the physical characteristics of the brake system 11, which is the equipment to be diagnosed. For example, the feature amount data generation unit 23 may obtain a temporary difference by one-time differentiation, may obtain a cumulative sum by one-time integration, or may combine a plurality of feature amounts.
  • the feature amount data generation unit 23 outputs the generated feature amount data 32 to the learning unit 24 and the inference unit 25 .
  • the feature amount data generation unit 23 may store the generated feature amount data 32 in the storage unit. In this case, the learning unit 24 and the inference unit 25 read the feature amount data 32 from the storage unit.
  • the feature amount data generation unit 23 determines the timing at which the brakes are released when the railroad vehicle 10 departs from the brake cylinder pressure included in the operation data 31, based on the vehicle speed information and the brake notch information of the railroad vehicle 10. Cut out the range including as sample data. It can also be said that the feature amount data generator 23 extracts a range including the timing at which the brakes of the railway vehicle 10 are released from the operation data 31 as sample data. The feature amount data generation unit 23 cleans the extracted sample data, and performs filtering so that the environmental conditions during running of the railroad vehicle 10 are unified. The feature data generator 23 processes the filtered sample data based on the physical characteristics of the brake system 11 to generate feature data 32 .
  • the learning unit 24 performs model learning of the normal state using the feature amount data 32 acquired in the normal state among the feature amount data 32 (step S14).
  • the learning unit 24 obtains a learned model 33 as a result of the model learning.
  • the feature amount data 32 acquired during normal operation may be based on data obtained during testing at the factory where the railway vehicle 10 was manufactured, or may be based on data that has been specified after the operation of the railway vehicle 10 is started. It may be based on data obtained early in the introduction of the period.
  • the learning unit 24 performs model learning of the normal state using machine learning. For example, an outlier detection technique can be used for the machine learning model.
  • outlier detection techniques include algorithms such as OCSVM (One Class Support Vector Machine), but are not limited to these.
  • OCSVM One Class Support Vector Machine
  • a technique other than the outlier detection technique, such as deep learning may be used.
  • the learning unit 24 outputs the learned model 33 obtained as a result of model learning to the inference unit 25 .
  • the learning unit 24 may store the learned model 33 in the storage unit.
  • the inference unit 25 reads the learned model 33 from the storage unit.
  • the inference unit 25 uses the learned model 33 obtained by model learning of the normal state of the device, that is, the learned model 33 obtained as a result of the model learning in the learning unit 24, to the feature amount data 32 that is sequentially generated.
  • a soundness diagnosis is performed (step S15).
  • the inference unit 25 may perform a soundness diagnosis on the feature amount data 32 that is sequentially generated at predetermined intervals, for example, once a week. You may perform a soundness diagnosis at timing.
  • the inference unit 25 calculates the degree of deviation from the normal state as a score for the feature amount data 32 that is sequentially generated, and normalizes the scored degree of deviation from the normal state.
  • the obtained result is defined as the soundness diagnosis result 34 .
  • the inference unit 25 calculates the distance from the boundary plane of the learned model 33 for each feature amount data 32 and normalizes it.
  • the inference unit 25 outputs the soundness diagnosis result 34 obtained as a result of the soundness diagnosis to the visualization unit 26 .
  • the inference unit 25 may store the soundness diagnosis result 34 in the storage unit.
  • the visualization unit 26 reads the soundness diagnosis result 34 from the storage unit.
  • the visualization unit 26 visualizes transitions in the soundness diagnosis results 34 obtained by the inference unit 25 (step S16).
  • the visualization unit 26 utilizes, for example, a scatter diagram, a line graph, etc., for the soundness diagnosis results 34 based on the plurality of feature amount data 32, and plots the soundness diagnosis results 34 from the past to the present in time series to visualize the transition trend. visualize.
  • the soundness diagnostic device 20 is assumed to be used by the user 40, such as an engineer of an equipment manufacturer who manufactures equipment mounted on the railroad vehicle 10, such as the brake system 11 in the example of FIG. .
  • the equipment manufacturer user 40 estimates the future soundness trend from the transition trend of the soundness diagnosis result 34 from the past to the present, and provides the railway operator with maintenance, equipment replacement, etc. of the brake system 11 at the optimum timing. Recommend.
  • the user 40 may set a plurality of thresholds for the soundness diagnosis result 34 to determine the timing of maintenance of the brake system 11, the timing of device replacement, and the like.
  • the user 40 can statistically analyze the health degree diagnosis results 34 from a microscopic point of view based on each sample point and the health degree diagnosis results 34 from a macro point of view based on the periodic health degree diagnosis results 34 such as monthly. Check and judge the results. For example, when maintenance of the railway vehicle 10 is performed by the railway operator, it is assumed that the tendency of the feature amount data 32 obtained by the health degree diagnosis device 20 will differ before and after the maintenance. In general, it is considered that the feature amount data 32 tend to improve when the railcar 10 is maintained by the railroad company.
  • the user 40 confirms the soundness diagnosis result 34 by assuming that maintenance or the like has been performed by the railway operator when the tendency of the feature amount data 32 changes after a certain point. When the maintenance information of the railway vehicle 10 is obtained from the railway operator, the user 40 confirms the soundness diagnosis result 34 based on the maintenance information.
  • the soundness diagnostic device 20 may be installed at the equipment manufacturer described above. It may be installed in an operating railroad operator, railcar 10, or the like. If the operation UI 27 is installed by the device manufacturer and the rest is installed in the railway operator operating the railway vehicle 10 or the railway vehicle 10, the operation UI 27 may be a terminal device such as a tablet. .
  • the soundness diagnostic device 20 can remotely diagnose the soundness of the brake system 11 even if it is installed in a different place from the brake system 11 to be diagnosed.
  • the user 40 of the soundness diagnosis device 20 can use the condition setting unit 21 to load the data load unit 22 by using the operation UI 27 regardless of where the parts other than the operation UI 27 of the soundness diagnosis device 20 are installed. And it is possible to set conditions for the feature amount data generation unit 23 and check the soundness diagnosis result 34 visualized by the visualization unit 26 .
  • the condition setting unit 21 receives various condition settings for the data loading unit 22 and the feature amount data generation unit 23 from the user 40, and sets conditions for the data loading unit 22 and the feature amount data generation unit 23. However, it is not limited to this.
  • the condition setting unit 21 also accepts condition settings from the user 40 regarding the learning method in the learning unit 24 and the soundness diagnosis timing in the inference unit 25, and sets conditions for the learning unit 24 and the inference unit 25. good.
  • the condition setting section 21 is an interface that receives operations from the user 40 .
  • the part that displays the soundness diagnosis result 34 is a display such as an LCD (Liquid Crystal Display).
  • the processing circuit may be a memory that stores a program and a processor that executes the program stored in the memory, or may be dedicated hardware. Processing circuitry is also called control circuitry.
  • FIG. 4 is a diagram showing an example of the configuration of the processing circuit 90 when the processing circuit included in the soundness diagnostic device 20 according to the present embodiment is realized by the processor 91 and the memory 92.
  • a processing circuit 90 shown in FIG. 4 is a control circuit and includes a processor 91 and a memory 92 .
  • each function of the processing circuit 90 is implemented by software, firmware, or a combination of software and firmware.
  • Software or firmware is written as a program and stored in memory 92 .
  • each function is realized by the processor 91 reading and executing the program stored in the memory 92.
  • the processing circuit 90 has a memory 92 for storing a program that results in the execution of the processing of the soundness diagnosis device 20 .
  • This program can also be said to be a program for causing the soundness diagnosis device 20 to execute each function realized by the processing circuit 90 .
  • This program may be provided by a storage medium storing the program, or may be provided by other means such as a communication medium.
  • the program includes an acquisition step in which the data loading unit 22 acquires the operation data 31 of the device during the diagnosis target period, and the feature amount data generation unit 23 extracts the feature amount data 32 from the operation data 31 based on the physical characteristics of the device.
  • a visualization step in which the visualization unit 26 visualizes the transition of the health degree diagnosis result 34 obtained by the inference unit 25 .
  • the processor 91 is, for example, a CPU (Central Processing Unit), a processing device, an arithmetic device, a microprocessor, a microcomputer, or a DSP (Digital Signal Processor).
  • the memory 92 is a non-volatile or volatile memory such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable ROM), EEPROM (registered trademark) (Electrically EPROM), etc.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory EPROM (Erasable Programmable ROM), EEPROM (registered trademark) (Electrically EPROM), etc.
  • a semiconductor memory, a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD (Digital Versatile Disc), a Blu-ray disc, or a HDD (Hard Disk Drive) is applicable.
  • FIG. 5 is a diagram showing an example of the configuration of the processing circuit 93 when the processing circuit included in the soundness diagnostic device 20 according to the present embodiment is configured with dedicated hardware.
  • the processing circuit 93 shown in FIG. 5 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate Array), or a combination thereof. thing applies.
  • the processing circuit 93 may be partially realized by dedicated hardware and partially realized by software or firmware.
  • the processing circuitry 93 can implement each of the functions described above by dedicated hardware, software, firmware, or a combination thereof.
  • the soundness diagnostic device 20 controls the brake system 11, which is a device mounted on the railroad vehicle 10, at the time when the railroad vehicle 10 departs, that is, when the brakes are released.
  • the data of the BC pressure falling portion where the brake cylinder pressure drops is extracted from the operation data 31, and cleansing, filtering, etc. are performed to generate the feature amount data 32.
  • the soundness diagnosis device 20 uses the feature amount data 32 to learn normal data through machine learning, and diagnoses the soundness of the brake system 11 based on the degree of deviation from the normal state.
  • the soundness diagnosis device 20 suppresses the influence of individual differences among drivers even for the equipment that tends to cause individual differences depending on the driver of the railway vehicle 10, and prevents a decrease in accuracy when diagnosing the soundness of the equipment. can be suppressed.
  • the soundness diagnosis device 20 can obtain the feature amount data 32 based on the already obtainable operation data 31, the soundness diagnosis can be performed without additionally introducing a special sensor, detection device, or the like. be able to.
  • a user 40 of the soundness diagnostic device 20 can remotely confirm the current soundness of the brake system 11 without inspecting the actual brake system 11 of the railcar 10 on site, and judge the timing of maintenance and equipment replacement. be able to.
  • the device whose health degree is to be diagnosed by the health degree diagnosis device 20 is the brake system 11. is not limited to the braking system 11 .
  • the portion of the BC pressure drop when the railroad vehicle 10 departs was cut out. If there is a timing of data that has a small number of physical characteristics and similar behavior is detected, the soundness diagnostic device 20 can be applied.
  • FIG. 6 is a second diagram showing a configuration example of the soundness diagnosis device 20A according to the present embodiment.
  • model learning for a normal state is performed in advance using the feature amount data 32 acquired during normal operation among the feature amount data 32
  • a learned model 33 obtained as a result of model learning is stored in a storage unit inside the soundness diagnosis device 20A.
  • the inference unit 25 reads a learned model 33 obtained by performing model learning on the normal state of the device from the storage unit, and uses the read-out learned model 33 to diagnose the soundness of the feature amount data 32 that is sequentially generated. be able to.

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Regulating Braking Force (AREA)

Abstract

機器の健全度を診断する健全度診断装置（２０）であって、診断対象期間における機器の稼働データ（３１）を取得するデータロード部（２２）と、機器の物理特性に基づいて、稼働データ（３１）から特徴量データ（３２）の対象とするデータ箇所をサンプルデータとして切り出し、サンプルデータを用いて特徴量データ（３２）を生成する特徴量データ生成部（２３）と、機器の正常時状態をモデル学習した学習済モデル（３３）を用いて、逐次生成される特徴量データ（３２）に対して健全度診断を行う推論部（２５）と、推論部（２５）によって得られた健全度診断結果（３４）の推移を可視化する可視化部（２６）と、を備える。

Description

健全度診断装置および健全度診断方法
　本開示は、機器の健全度を診断する健全度診断装置および健全度診断方法に関する。
　従来、鉄道車両などでは、発生する異常を早期に検出するため、鉄道車両などに搭載された機器の状態をセンサで検出し、センサデータを用いた異常診断が行われている。特許文献１には、診断対象が鉄道車両に搭載されるブレーキの場合において、走行区間などの各種の条件を考慮して、ブレーキの異常を精度良く診断する技術が開示されている。
特開２０２０－０９３７７０号公報
　しかしながら、上記従来の技術によれば、診断対象の機器が鉄道車両に搭載されるブレーキのように人が操作する機器の場合、操作する人の特性によって、センサで検出されるデータに個人差が出やすくなる。そのため、個人差が含まれるデータを用いて機器の健全度を診断しても、診断の精度が低下する、という問題があった。
　本開示は、上記に鑑みてなされたものであって、機器の健全度を診断する際の精度の低下を抑制可能な健全度診断装置を得ることを目的とする。
　上述した課題を解決し、目的を達成するために、本開示は、機器の健全度を診断する健全度診断装置である。健全度診断装置は、診断対象期間における機器の稼働データを取得するデータロード部と、機器の物理特性に基づいて、稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、サンプルデータを用いて特徴量データを生成する特徴量データ生成部と、機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される特徴量データに対して健全度診断を行う推論部と、推論部によって得られた健全度診断結果の推移を可視化する可視化部と、を備えることを特徴とする。
　本開示の健全度診断装置は、機器の健全度を診断する際の精度の低下を抑制できる、という効果を奏する。
実施の形態に係る健全度診断装置の構成例を示す第１の図 実施の形態に係る健全度診断装置の動作を示すフローチャート 実施の形態に係る健全度診断装置の特徴量データ生成部が特徴量データを生成する動作を示すフローチャート 実施の形態に係る健全度診断装置が備える処理回路をプロセッサおよびメモリで実現する場合の処理回路の構成の一例を示す図 実施の形態に係る健全度診断装置が備える処理回路を専用のハードウェアで構成する場合の処理回路の構成の一例を示す図 実施の形態に係る健全度診断装置の構成例を示す第２の図
　以下に、本開示の実施の形態に係る健全度診断装置および健全度診断方法を図面に基づいて詳細に説明する。
実施の形態．
　図１は、本実施の形態に係る健全度診断装置２０の構成例を示す第１の図である。健全度診断装置２０は、鉄道車両１０に搭載されている機器についての稼働データ３１を用いて、鉄道車両１０に搭載されている機器の健全度を診断する装置である。稼働データ３１は、鉄道車両１０に搭載される図示しないセンサなどによって検出された、機器の稼働状態を示すデータである。本実施の形態では、具体的に、鉄道車両１０に搭載されている機器がブレーキシステム１１の場合について説明する。ブレーキシステム１１は、図示しないブレーキシリンダーを備え、空気圧によってブレーキ力を制御するシステムとする。
　健全度診断装置２０の構成および動作について説明する。図１に示すように、健全度診断装置２０は、条件設定部２１と、データロード部２２と、特徴量データ生成部２３と、学習部２４と、推論部２５と、可視化部２６と、を備える。条件設定部２１および可視化部２６は、操作ＵＩ（User　Interface）２７に含まれる。図２は、本実施の形態に係る健全度診断装置２０の動作を示すフローチャートである。
　条件設定部２１は、健全度診断装置２０のユーザ４０から、データロード部２２および特徴量データ生成部２３に対する各種の条件設定を受け付け、データロード部２２および特徴量データ生成部２３に対して条件設定を行う（ステップＳ１１）。具体的には、条件設定部２１は、データロード部２２が稼働データ３１を取得する対象となる診断対象期間をユーザ４０から受け付ける。また、条件設定部２１は、特徴量データ生成部２３がブレーキシステム１１の物理特性に基づいて特徴量データ３２を生成する際の各種の条件の設定をユーザ４０から受け付ける。条件設定部２１は、例えば、マウス、キーボードなどのインタフェースである。条件設定部２１および可視化部２６が操作ＵＩ２７で一体になっている場合、条件設定部２１は、タッチパネルなどであってもよい。
　データロード部２２は、診断対象期間におけるブレーキシステム１１の稼働データ３１を取得する（ステップＳ１２）。データロード部２２は、図１の例では、鉄道車両１０で検出された全期間の稼働データ３１から診断対象期間の稼働データ３１を取得しているが、これに限定されない。データロード部２２は、鉄道車両１０から出力された全期間の稼働データ３１を取得し、全期間の稼働データ３１から診断対象期間の稼働データ３１を抽出してもよい。なお、鉄道車両１０で検出された全期間の稼働データ３１が記憶部に格納され、データロード部２２は、記憶部から稼働データ３１を読み出してもよい。データロード部２２は、診断対象期間のブレーキシステム１１の稼働データ３１を特徴量データ生成部２３に出力する。
　特徴量データ生成部２３は、機器すなわちブレーキシステム１１の物理特性に基づいて、稼働データ３１から特徴量データ３２の対象とするデータ箇所をサンプルデータとして切り出し、切り出したサンプルデータを用いて特徴量データ３２を生成する（ステップＳ１３）。特徴量データ生成部２３が特徴量データ３２を生成する動作について詳細に説明する。図３は、本実施の形態に係る健全度診断装置２０の特徴量データ生成部２３が特徴量データ３２を生成する動作を示すフローチャートである。
　特徴量データ生成部２３は、例えば、鉄道車両１０の車速情報およびブレーキノッチ情報に基づいて、稼働データ３１に含まれるブレーキシリンダー圧力のデータから、鉄道車両１０の発車時のブレーキ緩解タイミングを検出する（ステップＳ２１）。
　一般的に、ブレーキシステム１１に対する健全度診断を行うには、ブレーキシステム１１の物理的な特性に対応する特徴量データ３２の生成が必要である。特徴量データ３２は、常に同様の挙動を示し、かつ、健全度変化、すなわち劣化進行によって少しずつ傾向が変化していく必要がある。ブレーキシステム１１の稼働データ３１は、鉄道車両１０の走行中常に取得されており、走行中の複雑な制御によって様々に値が変化することから、稼働データ３１から前述の劣化進行の特性をもつ特徴量を切り出す必要がある。鉄道車両１０のブレーキシステム１１は、主に減速時、停車時などで使用されている。しかしながら、ブレーキシステム１１については、鉄道車両１０の運転士の特性、すなわち個人差が出やすく、また、同じブレーキレベルでも鉄道車両１０の乗車率の違いによってブレーキ力が変化する。そのため、本実施の形態では、鉄道車両１０が発車する、すなわちブレーキが緩解する時点に着目し、ブレーキ緩解に伴ってブレーキシリンダー圧力が下がる部分のデータを切り出し、特徴量データ３２の対象とする。ブレーキ緩解に伴ってブレーキシリンダー圧力が下がる部分とは、ブレーキシリンダー内の空気が解放されるＢＣ（Brake　Cylinder）圧立下りの部分である。ＢＣ圧立下りは、運転士の個人差が少なく、かつ、ブレーキシステム１１の物理特性として常に同じ挙動となるため、前述の劣化進行の特性をもつ特徴量データ３２の要件に合致する。
　特徴量データ生成部２３は、稼働データ３１に含まれるブレーキシリンダー圧力のデータから、鉄道車両１０の発車時のブレーキ緩解タイミング、すなわちＢＣ圧立下り時点を含む規定された時系列の範囲をサンプルデータとして切り出す（ステップＳ２２）。特徴量データ生成部２３は、ＢＣ圧立下り時点を開始点としてサンプルデータを切り出してもよいし、ＢＣ圧立下り時点よりも規定された過去の時点を開始点としてサンプルデータを切り出してもよい。
　特徴量データ生成部２３は、切り出したサンプルデータをクレンジングする（ステップＳ２３）。特徴量データ生成部２３は、経年変化とは明らかに異なるイレギュラーなサンプルデータを除去することで、特徴量データ３２を算出する際にノイズとなる要素を取り除くことができる。
　特徴量データ生成部２３は、クレンジング後のサンプルデータから、設定された条件に合致するサンプルデータを抽出するフィルタリングを行う（ステップＳ２４）。特徴量データ生成部２３は、鉄道車両１０の走行時の環境条件が統一されるように、すなわち健全度診断における分析条件が統一されるように、鉄道車両１０の走行時の環境条件を絞り込む。例えば、特徴量データ生成部２３は、停止時のブレーキノッチの位置、鉄道車両１０の乗車率、ブレーキ緩め速度などによってフィルタリングを行う。なお、鉄道車両１０が使用される路線によって、乗車率の傾向が異なることも想定される。そのため、特徴量データ生成部２３は、鉄道車両１０が使用される路線によって、フィルタリングを行うときの条件を変更してもよい。また、特徴量データ生成部２３は、健全度診断における分析条件が統一されるように１つの条件に絞り込むのではなく、複数の条件に分類するようにフィルタリングを行ってもよい。例えば、特徴量データ生成部２３は、鉄道車両１０の乗車率でフィルタリングを行う場合、乗車率が３０％未満、乗車率が３０％以上７０％未満、乗車率が７０％以上などのグループに分類するようにフィルタリングを行ってもよい。
　特徴量データ生成部２３は、フィルタリング後のサンプルデータを加工して特徴量データ３２を生成する（ステップＳ２５）。特徴量データ生成部２３は、ドメイン知識、すなわち診断対象の機器であるブレーキシステム１１の物理特性に基づいて、フィルタリング後のサンプルデータを加工する。例えば、特徴量データ生成部２３は、一回微分によって一時差分をとってもよいし、一回積分によって累積和をとってもよいし、複数の特徴量を結合してもよい。特徴量データ生成部２３は、生成した特徴量データ３２を学習部２４および推論部２５に出力する。なお、特徴量データ生成部２３は、生成した特徴量データ３２を記憶部に格納してもよい。この場合、学習部２４および推論部２５は、記憶部から特徴量データ３２を読み出す。
　このように、特徴量データ生成部２３は、鉄道車両１０の車速情報およびブレーキノッチ情報に基づいて、稼働データ３１に含まれるブレーキシリンダー圧力から、鉄道車両１０の発車時のブレーキが緩解されるタイミングを含む範囲をサンプルデータとして切り出す。特徴量データ生成部２３は、稼働データ３１から、鉄道車両１０のブレーキが緩解されるタイミングを含む範囲をサンプルデータとして切り出すとも言える。特徴量データ生成部２３は、切り出したサンプルデータに対してクレンジングを行い、鉄道車両１０の走行時の環境条件が統一されるようにフィルタリングを行う。特徴量データ生成部２３は、ブレーキシステム１１の物理特性に基づいて、フィルタリング後のサンプルデータに加工を施して特徴量データ３２を生成する。
　健全度診断装置２０の説明に戻る。学習部２４は、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態をモデル学習する（ステップＳ１４）。学習部２４は、当該モデル学習の結果、学習済モデル３３を得る。正常時に取得された特徴量データ３２は、鉄道車両１０が製造された工場での試験時に得られたデータに基づくものであってもよいし、鉄道車両１０の運用が開始されてから規定された期間の導入初期に得られたデータに基づくものであってもよい。学習部２４は、機械学習を用いて、正常時状態をモデル学習する。機械学習のモデルには、例えば、外れ値検知手法を用いることができる。さらに具体的には、外れ値検知手法には、ＯＣＳＶＭ（One　Class　Support　Vector　Machine）などのアルゴリズムがあるが、これに限定されない。機械学習のモデルについては、深層学習など外れ値検知手法以外の手法を用いてもよい。学習部２４は、モデル学習の結果得られた学習済モデル３３を推論部２５に出力する。なお、学習部２４は、学習済モデル３３を記憶部に格納してもよい。この場合、推論部２５は、記憶部から学習済モデル３３を読み出す。
　推論部２５は、機器の正常時状態をモデル学習した学習済モデル３３、すなわち学習部２４でモデル学習の結果得られた学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行う（ステップＳ１５）。推論部２５は、逐次生成される特徴量データ３２に対して、規定された間隔で、例えば、１週間ごとに健全度診断を行ってもよいし、ユーザ４０から指定されたユーザ４０の確認したいタイミングで健全度診断を行ってもよい。推論部２５は、健全度診断の方法について、例えば、逐次生成される特徴量データ３２について、正常時状態からの乖離度合いをスコアとして算出し、スコア化した正常時状態からの乖離度合いを正規化したものを健全度診断結果３４とする。推論部２５は、ＯＣＳＶＭを活用する場合、各特徴量データ３２に対して学習済モデル３３の境界平面からの距離を算出し、正規化する。推論部２５は、健全度診断を行った結果得られた健全度診断結果３４を可視化部２６に出力する。なお、推論部２５は、健全度診断結果３４を記憶部に格納してもよい。この場合、可視化部２６は、記憶部から健全度診断結果３４を読み出す。
　可視化部２６は、推論部２５によって得られた健全度診断結果３４の推移を可視化する（ステップＳ１６）。可視化部２６は、例えば、複数の特徴量データ３２に基づく健全度診断結果３４を散布図、折れ線グラフなどを活用し、過去から現在までの健全度診断結果３４を時系列プロットすることで推移傾向を可視化する。
　ここで、健全度診断装置２０については、鉄道車両１０に搭載される機器、図１の例ではブレーキシステム１１を製造する機器メーカの技術者などが、ユーザ４０として使用することを想定している。機器メーカのユーザ４０は、過去から現在までの健全度診断結果３４の推移傾向から将来の健全度傾向を推測し、鉄道事業者に対して最適なタイミングでブレーキシステム１１のメンテナンス、機器交換などを推奨する。ユーザ４０は、例えば、健全度診断結果３４に対して複数の閾値を設定することで、ブレーキシステム１１のメンテナンスのタイミング、機器交換のタイミングなどを判断してもよい。このとき、ユーザ４０は、各サンプル点に基づくミクロな視点での健全度診断結果３４、および月別などの定期的な健全度診断結果３４に基づくマクロな視点での健全度診断結果３４の統計的な結果を確認して判断する。例えば、鉄道事業者によって鉄道車両１０のメンテナンスが行われた場合、メンテナンスの前後において、健全度診断装置２０で得られる特徴量データ３２の傾向に違いが出てくることも想定される。一般的に、鉄道事業者によって鉄道車両１０のメンテナンスが行われた場合、特徴量データ３２は改善する傾向になると考えられる。ユーザ４０は、ある時点を境に特徴量データ３２の傾向が変化した場合、鉄道事業者によってメンテナンスなどが行われたものとみなして、健全度診断結果３４を確認する。ユーザ４０は、鉄道事業者から鉄道車両１０のメンテナンスの情報が得られる場合、メンテナンスの情報をふまえて健全度診断結果３４を確認する。
　健全度診断装置２０の設置場所については、前述の機器メーカに設置されてもよいし、健全度診断装置２０のうち、操作ＵＩ２７の部分が機器メーカに設置され、残りの部分が鉄道車両１０を運行する鉄道事業者、または鉄道車両１０などに設置されてもよい。操作ＵＩ２７の部分が機器メーカに設置され、残りの部分が鉄道車両１０を運行する鉄道事業者、または鉄道車両１０などに設置される場合、操作ＵＩ２７は、タブレットなどの端末装置であってもよい。健全度診断装置２０は、診断対象のブレーキシステム１１と異なる場所に設置されていても、遠隔でブレーキシステム１１の健全度を診断することができる。健全度診断装置２０のユーザ４０は、健全度診断装置２０の操作ＵＩ２７以外の部分がどこに設置されていても、操作ＵＩ２７が手元にあることで、条件設定部２１を用いて、データロード部２２および特徴量データ生成部２３に対して条件の設定を行い、可視化部２６で可視化された健全度診断結果３４を確認することができる。
　なお、条件設定部２１は、ユーザ４０から、データロード部２２および特徴量データ生成部２３に対する各種の条件設定を受け付け、データロード部２２および特徴量データ生成部２３に対して条件設定を行っていたが、これに限定されない。条件設定部２１は、ユーザ４０から、学習部２４における学習方法、推論部２５における健全度診断のタイミングなどについても条件設定を受け付け、学習部２４および推論部２５に対して条件設定を行ってもよい。
　つづいて、本実施の形態に係る健全度診断装置２０のハードウェア構成について説明する。健全度診断装置２０において、条件設定部２１は、ユーザ４０からの操作を受け付けるインタフェースである。可視化部２６のうち、健全度診断結果３４を表示する部分はＬＣＤ（Liquid　Crystal　Display）などのディスプレイである。データロード部２２、特徴量データ生成部２３、学習部２４、推論部２５、および可視化部２６のうち健全度診断結果３４を表示する部分以外の部分は、処理回路により実現される。処理回路は、プログラムを格納するメモリ、およびメモリに格納されるプログラムを実行するプロセッサであってもよいし、専用のハードウェアであってもよい。処理回路は制御回路とも呼ばれる。
　図４は、本実施の形態に係る健全度診断装置２０が備える処理回路をプロセッサ９１およびメモリ９２で実現する場合の処理回路９０の構成の一例を示す図である。図４に示す処理回路９０は制御回路であり、プロセッサ９１およびメモリ９２を備える。処理回路９０がプロセッサ９１およびメモリ９２で構成される場合、処理回路９０の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ９２に格納される。処理回路９０では、メモリ９２に記憶されたプログラムをプロセッサ９１が読み出して実行することにより、各機能を実現する。すなわち、処理回路９０は、健全度診断装置２０の処理が結果的に実行されることになるプログラムを格納するためのメモリ９２を備える。このプログラムは、処理回路９０により実現される各機能を健全度診断装置２０に実行させるためのプログラムであるともいえる。このプログラムは、プログラムが記憶された記憶媒体により提供されてもよいし、通信媒体など他の手段により提供されてもよい。
　上記プログラムは、データロード部２２が、診断対象期間における機器の稼働データ３１を取得する取得ステップと、特徴量データ生成部２３が、機器の物理特性に基づいて、稼働データ３１から特徴量データ３２の対象とするデータ箇所をサンプルデータとして切り出し、サンプルデータを用いて特徴量データ３２を生成する生成ステップと、学習部２４が、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態をモデル学習する学習ステップと、推論部２５が、学習部２４でモデル学習の結果得られた学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行う推論ステップと、可視化部２６が、推論部２５によって得られた健全度診断結果３４の推移を可視化する可視化ステップと、を健全度診断装置２０に実行させるプログラムであるとも言える。
　ここで、プロセッサ９１は、例えば、ＣＰＵ（Central　Processing　Unit）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital　Signal　Processor）などである。また、メモリ９２は、例えば、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable　Programmable　ROM）、ＥＥＰＲＯＭ（登録商標）（Electrically　EPROM）などの、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（Digital　Versatile　Disc）、ブルーレイディスク、またはＨＤＤ（Hard　Disk　Drive）などが該当する。
　図５は、本実施の形態に係る健全度診断装置２０が備える処理回路を専用のハードウェアで構成する場合の処理回路９３の構成の一例を示す図である。図５に示す処理回路９３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）、またはこれらを組み合わせたものが該当する。処理回路９３については、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。このように、処理回路９３は、専用のハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。
　以上説明したように、本実施の形態によれば、健全度診断装置２０は、鉄道車両１０に搭載される機器であるブレーキシステム１１について、鉄道車両１０が発車する時点、すなわちブレーキが緩解する時点のブレーキシリンダー圧力が下がるＢＣ圧立下り部分のデータを稼働データ３１から切り出し、クレンジング、フィルタリングなどを行って特徴量データ３２を生成する。健全度診断装置２０は、特徴量データ３２を用いて、機械学習によって正常時のデータを学習し、正常時との乖離度によって、ブレーキシステム１１の健全度を診断する。これにより、健全度診断装置２０は、鉄道車両１０の運転士による個人差が出やすい機器についても、運転士の個人差の影響を抑制し、機器の健全度を診断する際の精度の低下を抑制することができる。
　また、健全度診断装置２０は、既に取得可能な稼働データ３１に基づいて特徴量データ３２を得ることができるため、追加で特殊なセンサ、検知機器などを導入することなく、健全度診断を行うことができる。
　健全度診断装置２０のユーザ４０は、現地で実際の鉄道車両１０のブレーキシステム１１を点検することなく、遠隔で現在のブレーキシステム１１の健全度を確認でき、メンテナンス、機器交換のタイミングを判断することができる。
　なお、本実施の形態では、健全度診断装置２０が健全度を診断する対象の機器がブレーキシステム１１の場合について具体的に説明したが、健全度診断装置２０が健全度を診断する対象の機器はブレーキシステム１１に限定されない。本実施の形態では、ブレーキシステム１１の特徴量データ３２の対象として、鉄道車両１０が発車する際のＢＣ圧立下りの部分を切り出していたが、人が操作する機器であっても、個人差が少なく、物理特性として同じような挙動が検出されるデータのタイミングがあれば、健全度診断装置２０を適用することが可能である。
　さらに、本実施の形態では、健全度診断装置２０が学習部２４を備える構成について具体的に説明したが、健全度診断装置２０の構成はこれに限定されない。例えば、対象の機器、またはユーザ４０ごとに正常時状態をモデル学習する必要が無ければ、図６に示すように、健全度診断装置２０Ａは、学習部２４を備えない構成であってもよい。図６は、本実施の形態に係る健全度診断装置２０Ａの構成例を示す第２の図である。この場合、健全度診断装置２０Ａの外部に設けられた図示しない学習部において、予め、特徴量データ３２のうち正常時に取得された特徴量データ３２を用いて正常時状態のモデル学習が行われ、モデル学習の結果得られた学習済モデル３３が健全度診断装置２０Ａの内部の記憶部に格納される。推論部２５は、機器の正常時状態をモデル学習した学習済モデル３３を記憶部から読み出し、読み出した学習済モデル３３を用いて、逐次生成される特徴量データ３２に対して健全度診断を行うことができる。
　以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。
　１０　鉄道車両、１１　ブレーキシステム、２０，２０Ａ　健全度診断装置、２１　条件設定部、２２　データロード部、２３　特徴量データ生成部、２４　学習部、２５　推論部、２６　可視化部、２７　操作ＵＩ、３１　稼働データ、３２　特徴量データ、３３　学習済モデル、３４　健全度診断結果、４０　ユーザ。

Claims (20)

  1. 　機器の健全度を診断する健全度診断装置であって、
    　診断対象期間における前記機器の稼働データを取得するデータロード部と、
    　前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、前記サンプルデータを用いて前記特徴量データを生成する特徴量データ生成部と、
    　前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論部と、
    　前記推論部によって得られた健全度診断結果の推移を可視化する可視化部と、
    　を備えることを特徴とする健全度診断装置。
  2. 　前記特徴量データのうち正常時に取得された前記特徴量データを用いて前記正常時状態をモデル学習し、当該モデル学習の結果、前記学習済モデルを得る学習部、
    　を備えることを特徴とする請求項１に記載の健全度診断装置。
  3. 　前記学習部は、機械学習を用いて、前記正常時状態をモデル学習し、
    　前記推論部は、逐次生成される前記特徴量データについて、前記正常時状態からの乖離度合いをスコアとして算出し、スコア化した前記正常時状態からの乖離度合いを正規化したものを前記健全度診断結果とする、
    　ことを特徴とする請求項２に記載の健全度診断装置。
  4. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記特徴量データ生成部は、前記稼働データから、前記鉄道車両のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出す、
    　ことを特徴とする請求項１から３のいずれか１つに記載の健全度診断装置。
  5. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記特徴量データ生成部は、前記鉄道車両の車速情報およびブレーキノッチ情報に基づいて、前記稼働データに含まれるブレーキシリンダー圧力から、前記鉄道車両の発車時のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出す、
    　ことを特徴とする請求項１から３のいずれか１つに記載の健全度診断装置。
  6. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記特徴量データ生成部は、切り出した前記サンプルデータに対してクレンジングを行い、前記鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行う、
    　ことを特徴とする請求項１から５のいずれか１つに記載の健全度診断装置。
  7. 　前記特徴量データ生成部は、前記機器の前記物理特性に基づいて、フィルタリング後の前記サンプルデータに加工を施して前記特徴量データを生成する、
    　ことを特徴とする請求項６に記載の健全度診断装置。
  8. 　前記可視化部は、過去から現在までの前記健全度診断結果を時系列プロットすることで推移傾向を可視化する、
    　ことを特徴とする請求項１から７のいずれか１つに記載の健全度診断装置。
  9. 　前記機器と異なる場所に設置され、遠隔で前記機器の健全度を診断する、
    　ことを特徴とする請求項１から８のいずれか１つに記載の健全度診断装置。
  10. 　前記データロード部が前記稼働データを取得する対象となる前記診断対象期間、および前記特徴量データ生成部が前記機器の物理特性に基づいて前記特徴量データを生成する際の各種の条件の設定を前記健全度診断装置のユーザから受け付ける条件設定部、
    　を備え、
    　前記健全度診断装置のユーザは、前記条件設定部を用いて前記条件の設定を行い、前記可視化部で可視化された前記健全度診断結果を確認する、
    　ことを特徴とする請求項９に記載の健全度診断装置。
  11. 　機器の健全度を診断する健全度診断装置の健全度診断方法であって、
    　データロード部が、診断対象期間における前記機器の稼働データを取得する取得ステップと、
    　特徴量データ生成部が、前記機器の物理特性に基づいて、前記稼働データから特徴量データの対象とするデータ箇所をサンプルデータとして切り出し、前記サンプルデータを用いて前記特徴量データを生成する生成ステップと、
    　推論部が、前記機器の正常時状態をモデル学習した学習済モデルを用いて、逐次生成される前記特徴量データに対して健全度診断を行う推論ステップと、
    　可視化部が、前記推論部によって得られた健全度診断結果の推移を可視化する可視化ステップと、
    　を含むことを特徴とする健全度診断方法。
  12. 　学習部が、前記特徴量データのうち正常時に取得された前記特徴量データを用いて前記正常時状態をモデル学習し、当該モデル学習の結果、前記学習済モデルを得る学習ステップ、
    　を含むことを特徴とする請求項１１に記載の健全度診断方法。
  13. 　前記学習ステップにおいて、前記学習部は、機械学習を用いて、前記正常時状態をモデル学習し、
    　前記推論ステップにおいて、前記推論部は、逐次生成される前記特徴量データについて、前記正常時状態からの乖離度合いをスコアとして算出し、スコア化した前記正常時状態からの乖離度合いを正規化したものを前記健全度診断結果とする、
    　ことを特徴とする請求項１２に記載の健全度診断方法。
  14. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記生成ステップにおいて、前記特徴量データ生成部は、前記稼働データから、前記鉄道車両のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出す、
    　ことを特徴とする請求項１１から１３のいずれか１つに記載の健全度診断方法。
  15. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記生成ステップにおいて、前記特徴量データ生成部は、前記鉄道車両の車速情報およびブレーキノッチ情報に基づいて、前記稼働データに含まれるブレーキシリンダー圧力から、前記鉄道車両の発車時のブレーキが緩解されるタイミングを含む範囲を前記サンプルデータとして切り出す、
    　ことを特徴とする請求項１１から１３のいずれか１つに記載の健全度診断方法。
  16. 　前記機器は鉄道車両に搭載されるブレーキシステムであり、
    　前記生成ステップにおいて、前記特徴量データ生成部は、切り出した前記サンプルデータに対してクレンジングを行い、前記鉄道車両の走行時の環境条件が統一されるようにフィルタリングを行う、
    　ことを特徴とする請求項１１から１５のいずれか１つに記載の健全度診断方法。
  17. 　前記生成ステップにおいて、前記特徴量データ生成部は、前記機器の前記物理特性に基づいて、フィルタリング後の前記サンプルデータに加工を施して前記特徴量データを生成する、
    　ことを特徴とする請求項１６に記載の健全度診断方法。
  18. 　前記可視化ステップにおいて、前記可視化部は、過去から現在までの前記健全度診断結果を時系列プロットすることで推移傾向を可視化する、
    　ことを特徴とする請求項１１から１７のいずれか１つに記載の健全度診断方法。
  19. 　前記健全度診断装置は前記機器と異なる場所に設置され、遠隔で前記機器の健全度を診断する、
    　ことを特徴とする請求項１１から１８のいずれか１つに記載の健全度診断方法。
  20. 　条件設定部が、前記データロード部が前記稼働データを取得する対象となる前記診断対象期間、および前記特徴量データ生成部が前記機器の物理特性に基づいて前記特徴量データを生成する際の各種の条件の設定を前記健全度診断装置のユーザから受け付ける条件設定ステップ、
    　を含み、
    　前記健全度診断装置のユーザは、前記条件設定部を用いて前記条件の設定を行い、前記可視化部で可視化された前記健全度診断結果を確認する、
    　ことを特徴とする請求項１９に記載の健全度診断方法。
PCT/JP2021/032651 2021-09-06 2021-09-06 健全度診断装置および健全度診断方法 WO2023032201A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023544977A JP7475553B2 (ja) 2021-09-06 2021-09-06 健全度診断装置および健全度診断方法
DE112021008198.5T DE112021008198T5 (de) 2021-09-06 2021-09-06 Unversehrtheitsdiagnose-Vorrichtung und Unversehrtheitsdiagnose-Verfahren
PCT/JP2021/032651 WO2023032201A1 (ja) 2021-09-06 2021-09-06 健全度診断装置および健全度診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/032651 WO2023032201A1 (ja) 2021-09-06 2021-09-06 健全度診断装置および健全度診断方法

Publications (1)

Publication Number Publication Date
WO2023032201A1 true WO2023032201A1 (ja) 2023-03-09

Family

ID=85411089

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/032651 WO2023032201A1 (ja) 2021-09-06 2021-09-06 健全度診断装置および健全度診断方法

Country Status (3)

Country Link
JP (1) JP7475553B2 (ja)
DE (1) DE112021008198T5 (ja)
WO (1) WO2023032201A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003237561A (ja) * 2002-02-18 2003-08-27 Nabco Ltd 鉄道車両用ブレーキ装置及びその制御方法
JP2020093770A (ja) * 2015-12-17 2020-06-18 株式会社東芝 状態診断装置及び方法
JP6851558B1 (ja) * 2020-04-27 2021-03-31 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6889057B2 (ja) 2017-07-14 2021-06-18 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003237561A (ja) * 2002-02-18 2003-08-27 Nabco Ltd 鉄道車両用ブレーキ装置及びその制御方法
JP2020093770A (ja) * 2015-12-17 2020-06-18 株式会社東芝 状態診断装置及び方法
JP6851558B1 (ja) * 2020-04-27 2021-03-31 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム

Also Published As

Publication number Publication date
DE112021008198T5 (de) 2024-07-11
JPWO2023032201A1 (ja) 2023-03-09
JP7475553B2 (ja) 2024-04-26

Similar Documents

Publication Publication Date Title
US20220157097A1 (en) System and method for determining vehicle component conditions
US20190171199A1 (en) Diagnostic apparatus, diagnostic method, and diagnostic program
CN106740441B (zh) 用于诊断刹车灯的方法和装置
JPWO2017159701A1 (ja) 軌道状態評価方法、装置、及びプログラム
JP2008097363A (ja) 異常診断方法及びその装置
JP2008250594A (ja) 装置診断方法および装置診断用モジュールならびに装置診断用モジュールを実装した装置
JP2014174983A (ja) ターゲットシステムにおいて障害を特定する方法、該方法によりターゲットシステムを修復する手順、該方法を実行するコンピュータシステムおよびコンピュータプログラムならびに該プログラムを格納するコンピュータ可読媒体
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
ITCO20090068A1 (it) Metodo e sistema per diagnosticare compressori
KR100758152B1 (ko) 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법
WO2023032201A1 (ja) 健全度診断装置および健全度診断方法
JP7166839B2 (ja) ヘルスモニタリングシステム
WO2021019760A1 (ja) 異常診断方法、異常診断装置および異常診断プログラム
JP2001318031A (ja) 装置の異常診断方法
JP2005091103A (ja) 歯車診断方法及び歯車診断装置
JP2020107248A (ja) 異常判定装置および異常判定方法
US20220088802A1 (en) Information processing method, information processing apparatus, display method, display apparatus, recording medium, method of manufacturing products, and method of acquiring learning data
US20220177016A1 (en) Method and device for diagnosing a railroad switch with a point machine
JP2023151268A (ja) 車両用ドア装置診断システム、及び、車両用ドア装置診断方法
EP3743816A1 (en) Maintenance intervention predicting
WO2020204043A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法
KR102385534B1 (ko) 데이터 간 상호 유사도에 기반한 가상수명데이터 생성장치 및 방법
JP2008256442A (ja) タイヤ耐久力性能予測方法、タイヤ耐久力性能予測装置、及びタイヤ耐久力性能予測プログラム
US20230315559A1 (en) Fault diagnosis apparatus, non-transitory computer-readable recording medium, and fault diagnosis method
CN112685827B (zh) 数据记录装置以及数据记录方法

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: 21956086

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023544977

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 112021008198

Country of ref document: DE