移動体異常検知システムおよび移動体
【課題】個体差の影響を低減した上で複数個体間の計測データの比較から異常を検知する移動体異常検知システムを提供する。また異常検知の際に発生する誤検知と見過しを低減し、さらに異常の程度を提示する移動体異常検知システムを提供する。
【解決手段】複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサの計測データを入力として各個体の異常を検知する異常検知装置において、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備える。
【解決手段】複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサの計測データを入力として各個体の異常を検知する異常検知装置において、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、移動体の状態を監視する状態監視装置を有する移動体異常検知システムに関し、特に鉄道車両の異常検知に関する移動体異常検知システムおよび移動体に関する。
【背景技術】
【０００２】
移動体の異常を検知するシステムに関して、移動体の状態データを取得し、故障発生時（故障：機器が通常の状態と異なる状態）にデータを解析して異常を検出（異常：機器の故障によりシステムとして望まれない状態、機器を停止するなどして回復が必要）するシステムが広く知られている。
【０００３】
例えば、特許文献１では、鉄道車両の台車について異常がない正常時と想定される異常時の音をマイクロホンで測定し、測定した音を周波数解析により時系列の周波数成分に変換し、変換した周波数成分のデータをクラスタリング処理によって正常と異常にカテゴリ分類し、未知の入力データが前記クラスタリング処理によってどのカテゴリに分類されるか、あるいは新規のカテゴリに分類されることによって、未知の入力データの異常検知を行う鉄道車両台車異常検知システムを提供している。
【０００４】
また特許文献２では、複数の鉄道車両の台車に加速度検出手段を設けて、これらの加速度検出手段が検出する加速度信号を相対比較し、いずれかの信号が他の加速度信号に対して所定値以上に大きな値となった場合に異常が発生したと判断する鉄道車両走行時の異常検知方法を提供している。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００７−２５６１５３号公報
【特許文献２】特開２０００−６８０７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
前記特許文献１に挙げたシステムによれば、異常判定を行う際、事前に正常時、異常時の区別がついたデータを用いて判定するため、軽微な異常であっても過去のデータとの差異があれば検出可能である。
しかし、例えば保守点検によって潤滑油を交換することによって部品、あるいは部品間の物理的性質が変化するときや部品自体を交換したとき等、検知対象の状態が変化した場合に対する異常検知については、特に考慮されていない。
従って、このような場合、事前のデータに対して未知の入力データは異なるカテゴリを示すことになり、機器が正常であっても異常と検知する（誤検知）可能性がある。
【０００７】
また、前記特許文献２に挙げた異常検知方法によれば、台車などの走行装置に異常が発生した場合、車両を安全に停止することができる効果を奏するが、複数の検知対象の個体差よりも正常異常間の差が小さいような異常発生時に対する異常検知については、特に考慮されていない。
従って、このような場合、機器が異常であっても正常と検知（見過し）する可能性がある。
【０００８】
本発明は、係る課題に対して鑑みなされたものであり、その目的は、部品交換などにより検知対象の状態が変化した場合や複数の検知対象の個体差よりも正常異常間の差が小さいような場合に対しても異常有無を判断することが可能である移動体異常検知システムおよび移動体を提供することにある。
例えば、具体的には、本発明の第1の目的は、個体差の影響を低減し得た上で異常を検知する移動体異常検知システムおよび移動体を提供することにある。
【０００９】
また、本発明の第２の目的は、異常検知の際に発生する前述したような誤検知と見過しを低減し、さらに異常の程度を提示することが可能な移動体異常検知システムおよび移動体を提供するものである。
【課題を解決するための手段】
【００１０】
前記第１の目的を達成するために、本発明の移動体異常検知システムおよび移動体は、例えば、移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備え、前記異常検知装置は、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備える。
【００１１】
前記第２の目的を達成するために、本発明の移動体異常検知システムおよび移動体では、例えば、移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置を備え、前記異常検知装置は、各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを備える。
【発明の効果】
【００１２】
本発明によれば、各個体の異常の誤検知、見過しを低減することができ、また異常の程度が判定可能となる。これにより、移動体のオペレータは異常の程度に応じて移動体の運転継続をするか否かの判断が可能となる。
【図面の簡単な説明】
【００１３】
【図１】図１は、本発明の移動体異常検知システムのシステム構成図である。
【図２】図２は、本発明の異常検知装置の機能ブロック図である。
【図３】図３は、異常検知装置内で蓄積、検知対象とする状態データ列のデータ構成図である。
【図４】図４は、異常検知装置内で蓄積、検知対象とする状態データ列のイメージ図である。
【図５】図５は、第１の異常判定部の機能ブロック図である。
【図６】図６は、第１の異常判定部の内部出力となるカテゴリベクトルデータのデータ構成図である。
【図７】図７は、第１の異常判定部の内部出力となるカテゴリベクトルデータのイメージ図である。
【図８】図８は、第１の異常判定部の外部出力となる異常検知結果のデータ構成を示す図である。
【図９】図９は、第１の異常判定部の外部出力となる異常検知結果のイメージを示す図である。
【図１０】図１０は、第２の異常判定部の機能ブロック図である。
【図１１】図１１は、個体差によるカテゴリ分布の差異が発生しない閾値を設定したときのカテゴリ出現分布のイメージを示す図である。
【図１２】図１２は、異常程度判定部の処理フローチャートを示す図である。
【図１３】図１３は、第２の異常判定部の外部出力となる異常検知結果のデータ構成例を示す図である。
【図１４】図１４は、本発明で扱う異常の定義を示す図である。
【図１５】図１５は、異常程度判定部で用いる異常程度判定論理と異常程度判定テーブルを示す図である。
【図１６】図１６は、本発明の移動体異常検知システムを用いた移動体の表示部の画面例を示す図である。
【発明を実施するための形態】
【００１４】
本発明による移動体異常検知システムの実施の形態を、図面を参照して説明する。以下の実施例では、移動体として鉄道車両を用いたシステムについて述べる。
【実施例１】
【００１５】
まず、本発明の移動体異常検知システムについて説明する。図１は本発明の移動体異常検知システムのシステム構成を表した図である。
【００１６】
同図において、輪軸１０１，１０２，１０３，１０４は、鉄道車両１００の台車（図示せず）に取付けられている。回転速度センサ（速度発電機）１０５は、各輪軸の回転速度を計測する速度センサである。音声センサ（マイク）１０６は、輪軸１０１、１０２および輪軸１０３、１０４が取付けられている台車および台車に設置された各種機器の音を測定するものである。異常検知装置１０７は、回転速度センサ１０５から得られる回転速度と、音声センサ１０６から得られる測定音を処理し、各輪軸および台車などの異常などを検知するものである。
【００１７】
回転速度センサ１０５および音声センサ１０６は、車両１００の各輪軸１０１，１０２，１０３，１０４に設置され、異常検知装置１０７は、各輪軸の回転速度センサ１０５および音声センサ１０６と電気的に接続し、該両センサによる各輪軸の回転速度や測定音を収集し、該収集した回転速度や測定音などから車両（台車、輪軸など）の異常有無を検知する。ここで、回転速度を各輪軸で個別に収集するのは、各輪軸には車輪半径の個体差やすべりの有無によって回転速度が異なるためである。
なお、各輪軸の前記回転速度が小さい場合、または、各輪軸の個体差やすべりの有無を考慮しなくてよいと判断される場合は、各輪軸ではなく任意の輪軸にのみ回転速度センサ１０５を備えてもよい。
【００１８】
音声センサ１０６は、輪軸１０２、１０３および輪軸１０３、１０４と同期して回転する回転機器（例えば、軸受け、ギアボックス内の歯車、継ぎ手、モータ等）および輪軸を設置した台車の測定音を個別に収集する。
また、各輪軸１０１，１０２，１０３，１０４の回転速度を測定する複数の回転速度センサ１０５を備えることにより、音声センサ１０６による測定音を回転速度センサ１０５による回転速度でリサンプリングするなどして、各輪軸の個体差となる回転速度による測定音のピーク周波数帯のズレを低減可能となり、輪軸間で測定音に基づくデータを比較することによる異常発生の有無を検知可能となる。
【００１９】
異常検知装置１０７は、各輪軸周辺の測定音を元に異常発生の有無を検知し、異常発生時にはその発生箇所を各軸単位で特定する。
なお、本発明では一つの鉄道車両１００に対して一つの異常検知装置１０７を設置する構成としたが、鉄道車両１００を含む編成全体を対象として、複数の台車の輪軸の回転速度、測定音を取得して処理する異常検知システムを構成してもよい。
【００２０】
次に、図２を用いて、図１に示した異常検知装置の詳細を説明する。図２は、異常検知装置１０７の全体構成を表した機能ブロック図である。
【００２１】
同図において、異常検知装置１０７は、複数の輪軸１０１〜１０４に対向して設置された回転速度センサ１０５および音声センサ１０６からの回転速度および測定音が入力される入力信号処理手段２０１，２０２，２０３，２０４、と、該複数の入力信号処理手段を切り替えるデータ入力切替部２０８と、学習用データ（過去蓄積データ）が格納される学習用データ（過去蓄積データ）部２０９と、検知対象データが格納される検知対象データ部２１０と、別個体データが格納される別固体データ部２１１と、各データ部のデータに基づいて異常判定を行う第１の異常判定部２０５および第２の異常判定部２０６と、第１、第２の異常判定部の判定データを基に異常程度を判定する異常程度判定部２０７と、異常程度判定部２０７の判定データに基づき異常発生場所や異常程度などを表示する表示部２１２を備えている。つまり、異常検知装置１０７は、各輪軸の測定音、回転速度のデータ入力に対して、異常発生箇所と異常程度を表すデータを出力する装置である。
【００２２】
入力信号処理手段２０１，２０２，２０３，２０４は、それぞれ輪軸１０１，１０２，１０３，１０４に対応し、該輪軸１０１，１０２，１０３，１０４の回転速度センサおよび音声センサに接続されている。入力信号処理手段２０１〜入力信号処理手段２０４は、対象とする輪軸が異なるのみであり、それらの処理は同一であるため、ここでは入力信号処理手段２０１を例に説明する。
【００２３】
入力信号処理手段２０１は、図１で説明した音声センサ１０６および回転速度センサ１０５の測定音および回転速度を入力とする。これらの測定音および回転速度とも時系列データである。入力信号処理手段２０１は、測定音を回転速度でリサンプリングする。具体的には、１回転あるいは１回転を分割した時刻で測定音をサンプリングする。
次に、サンプリングした測定音をあらかじめ定めたデータ数分を収集して周波数解析を施す。周波数解析には、周知のウェーブレット変換や短時間フーリエ変換技術を用いればよい。入力信号処理手段２０１における前記一連の操作は、一般的に次数比分析と呼ばれており、次数比分析によって時系列の測定音は、図３に示すような状態データ列になる。
【００２４】
図３は、状態データ列のデータ構成を示す図であり、該図により状態データ列のデータ構成について説明する。状態データ列は、図示の如く、輪軸を特定する個体ＩＤと、時刻、速度、成分１、成分２・・・成分Ｎからなる。ここで、時刻はサンプリングを行った測定音の代表時刻であり、例えば周波数解析に投入した最初の時刻を用いる。速度は回転速度を表し、成分は回転速度を基準とする次数における測定音の強さを表す。また、次数とは周波数を回転速度の周波数で割った無次元数であり、次数＝１で回転速度の周波数と等しいことを表す。
状態データ列は、図４に示されるイメージ図のようなデータとして入力信号処理手段２０１の出力となる。
【００２５】
データ入力切替部２０８は、入力信号処理手段２０１〜入力信号処理手段２０４が出力した各個体の状態データ列を、検知対象、学習期間の指定によって切り替える。ここで、検知対象は、異常検知判定を行う対象の個体（輪軸）を表す。学習期間は測定音を異常判定の学習用に用いる期間であり、外部装置による入力あるいは設定値として与える。
異常検知装置１０７は、接続した全ての輪軸が全て対象となるように順番に処理する。
【００２６】
状態データ列は、前記検知対象と個体ＩＤ、前記学習期間と時刻によって学習用データ部２０９、検知対象データ部２１０、別個体データ部２１１の少なくとも一つに登録するかを判定される。例えば、検知対象が個体ＩＤに等しくかつ学習期間に含まれるデータは、学習用データ部２０９に書き込み登録され、検知対象が個体ＩＤに等しくかつ学習期間に含まれないデータは、検知対象データ部２１０に書き込み登録される。検知対象が個体ＩＤと異なる場合は、別固体データ部２１１に振り分ける。
データ入力切替部２０８は、リアルタイム処理によって逐次状態データを振り分けてもよいが、この場合一つの入力状態データ列に対して全ての検知対象について上記の振り分け処理を行う。または、状態データ列を一時的にメモリ等の記憶媒体に保存し、前記記憶媒体中のデータを検知対象ごとに読み出して上記の振り分け処理を行ってもよい。
【００２７】
第１の異常判定部２０５は、学習用データ部２０９の学習用データに対して検知対象データ部２１０の検知対象データの異常判定処理を行い、検知対象が異常であるか否かを判定する。詳細は図５を用いて後述する。
第２の異常判定部２０６は、別固体データ部２１１の別固体データに対して検知対象データの異常判定処理を行い、検知対象が異常であるか否かを判定する。詳細は図１０を用いて後述する。
【００２８】
異常程度判定部２０７は、第１の異常判定部２０５と、第２の異常判定部２０６の出力データである異常判定結果に基づき異常の程度を判定し、その判定結果を表示部２１２に出力する。詳細は図１２を用いて後述する。
【００２９】
表示部２１２は、異常程度判定部２０７からの出力データに基づき異常程度、異常部位を表示する。詳細は図１６を用いて後述する。
以上述べた本発明の異常検知装置によれば、異常の発生部位だけでなく、異常の程度も出力可能となる。
【００３０】
図５は、第１の異常判定部２０５の一構成例を機能的に表したブロック図である。同図において、第１の異常判定部２０５は、学習用データ２０９および検知対象データ２１０に対して、学習部４０６（クラスタリング処理手段）と、中間出力であるカテゴリベクトルデータ部４０７と、検知部４０８と、第１の異常検知結果出力部４０９を備えており、第１の異常検知結果出力部４０９から検知対象データの異常判定結果を、異常検知結果として出力する構成となっている。
【００３１】
学習部４０６は、学習用データ部２０９からの学習用データが過去の蓄積データであれば、学習期間終了時点でバッチ処理を行う。学習用データ部２０９からの学習用データが学習期間内にリアルタイムに与えられればデータ投入時の逐次行うリアル処理としてもよい。
いずれの場合においても学習部４０６は、学習用データ部２０９の学習用データ入力に対してクラスタリング処理を行い、クラスターに分割してカテゴリベクトルデータを出力し、カテゴリベクトルデータ部４０７に供給する。
【００３２】
ここで、クラスタリング処理は、一般に知られる適応共鳴理論等を用いればよい。クラスター分割のための類似性の判定には上記いずれの場合にしても学習時のデータ間の類似度の評価値を算出し、その評価値があらかじめ定めた閾値を越えるか否かによってカテゴリ分類するか否かを決定する。
【００３３】
図６は、クラスタリング処理された結果であるカテゴリベクトルデータ（カテゴリベクトルデータ部４０７に入力されるデータ）の書式を示したものである。カテゴリベクトルデータは、図示の如く、類似するクラスターで分類したカテゴリ（番号で表記）と、そのカテゴリの特徴を現す代表ベクトルの成分を持つ。代表ベクトルの持ち方は、前記した各種クラスタリング処理に順ずるものとし、カテゴリに含まれる学習用データのベクトル成分の平均等を取る。
【００３４】
図７はカテゴリ分類のイメージを示した図であり、例として代表的（ベクトルの支配的）な成分を縦軸、横軸にとって学習用データのカテゴリ分類を示したものである。この図に示すように類似した成分をもったデータをカテゴリとして表す。
【００３５】
再び図５に戻り、検知部４０８について説明する。検知部４０８は、検知対象データ部２１０からの検知対象データを入力とし、学習結果であるカテゴリベクトルデータ部４０７のデータを参照して、検知対象データが正常か異常かを判定する。検知部４０８では、検知対象データがカテゴリベクトルデータに含まれる各カテゴリとの類似性を判定し、類似性が高いデータを学習時にも存在したデータを正常（学習時は機器が正常であることが保障されていることを前提とする）とし、存在しないデータを異常として扱う。
【００３６】
類似性の判定には、適応共鳴理論等に用いられる判定に順ずるが、いずれの場合にしても学習時のカテゴリに対する検知対象データの類似度の評価値を算出し、その評価値があらかじめ定めた閾値を越えるか否かにより正常・異常を判定する。
このときの閾値は、学習部４０６と共通の値を設定する。異常と判定されたデータに関しては、新たに代表ベクトルを与えて新たなカテゴリを生成する。
【００３７】
以降に処理する検知対象データでは、カテゴリベクトルデータに加えて新たに追加した前記新カテゴリについても前記の類似性判定処理を行い、新カテゴリと類似性が高いと判定されたデータは異常となる。
【００３８】
図８は、第１の異常検知結果部４０９の異常検知結果の書式を表したものである。
同図において、時刻は検知対象データの時系列データがもつ時刻、カテゴリは検知部４０８が最も類似しているとして付与したカテゴリ、正常ｏｒ異常は検知部４０８の異常判定結果である。
【００３９】
図９は、学習用データのカテゴリと検知対象データのカテゴリを時系列で示したものであり、横軸が時刻、縦軸がカテゴリを表している。
また学習用データのカテゴリを黒丸印、検知対象データのカテゴリを黒三角印として表現している。図に示すように学習時に含まれるカテゴリは正常、検知時に新規生成されたカテゴリを異常としている。
【００４０】
以上、図５〜図９を用いて説明した第１の異常判定部２０５の処理により、検知対象データは過去に学習した同じ個体に対する類似性判定を行うことにより、個体が正常か異常かの判定が行える。
【００４１】
図１０は、図２の第２の異常判定部２０６の構成例を表した機能ブロック図である。同図において、第２の異常判定部２０６は、別個体データ部２１１の別固体データおよび検知対象データ部２１０の検知対象データに対して、学習部（クラスタリング処理手段）７０６と、中間出力であるカテゴリベクトルデータ部７０７と、検知部７０８と、第２の異常検知結果部７０９を備えており、第２の異常検知結果出力部７０９から検知対象データの異常判定結果を、異常検知結果として出力する構成となっている。すなわち、第２の異常判定部２０６は、正常時の個体差を上回る違いが検知対象データに出現したか否かを検知し、出現した場合には異常と判定する。
【００４２】
学習部７０６は、図５の学習部４０６の処理と同一のロジックを備える。ただし、学習の入力となるデータが別個体データである点、クラスター分割のための閾値が、学習部４０６と異なる。
一般的に機器には、個体差があり、その違いが個体ごとのデータに現れてくる。よって学習部７０６で設定する閾値は、正常時の個体差では各個体を表すカテゴリの出現分布に差はない。
すなわちクラスター分割の際に生成される同一カテゴリに含まれるデータが別個体由来であるように設定する。
【００４３】
図１１は、上記の閾値によって別個体データをカテゴリ分類した際のイメージを示す図である。
縦軸、横軸は図９と同様それぞれ時刻、カテゴリ、黒丸印が個体１の正常データのカテゴリ、黒三角印が個体２の正常データのカテゴリを表す。
【００４４】
図９では、すべてのカテゴリが個体１、個体２のデータを含んでおり、この場合「閾値は個体差を区別しない」と定義する。実際のデータでは、個体差を完全に区別しないケースは限られるため、例えば個体１のデータのカテゴリに、他のどの個体のデータも含まない場合がある。
【００４５】
この場合、前記カテゴリに含まれるデータが個体１の全データのＸ％以下（Ｘ<<１００、例として１％など）でも「閾値は個体差を区別しない」と定義してもよい。
閾値の算出にあたっては事前に正常とわかっている複数個体のデータを取得して、バッチ処理で学習部７０６を起動してカテゴリベクトルデータを出力し、「閾値は個体差を区別しない」を満たすための閾値をあらかじめ検討するなどして定めればよい。
【００４６】
再び図１０に戻り、カテゴリベクトルデータ部７０７のカテゴリベクトルデータについて説明する。
カテゴリベクトルデータは元のデータが学習データから別個体データとなったデータ上の違いのみであるため、その書式についての説明は省略する。
【００４７】
次に、検知部７０８について説明する。検知部７０８は、図５の検知部４０８と同一のロジックを備えるが、閾値が検知部４０８とは異なり、学習部７０７と閾値と共通の値を利用する。
【００４８】
以上、図１０、図１１を用いて説明した第２の異常判定部２０６の処理をもって、検知対象データは別個体に対する類似性判定を行うことにより、個体が正常か異常かの判定を行う。
仮に別個体中に異常が発生した場合、カテゴリベクトルデータには異常のカテゴリが含まれることとなるが、検知対象の個体が正常であれば正常、異常であっても別個体と同様（同種）の異常であれば正常判定、別個体とはまた別の第二の異常であれば異常判定となる。
ここで別個体が同時に同種の異常を起こすことは確率的に考えにくく発生しない、と前提を置けば、上記のように異常が正常に埋没するケースは起こらない、としてもよい。
【００４９】
図１３は、第２の異常検知結果部７０９のデータ構成について示した図である。基本的な構成は、第１の異常検知結果部４０９と同様であるが、上記に示したように個体によって別個の異常を検知することが可能となるため、別個の異常には通番を付与して管理し、識別可能な書式を定義する。
【００５０】
以上、図２で示したシステム構成、図５、図１０で示した異常判定部を備えることにより、別々の機能を持つ異常判定部が入力データ、パラメータ（類似度の閾値）を変更するのみで、同一のアルゴリズムをもったソフトウェアが利用可能となる。
このため、本発明のシステム構成によれば、メモリやストレージのリソース、ソフトウェアの開発・保守工数が低減可能と成り得る。
【００５１】
図１２は、図２の異常程度判定部２０７の処理フローチャートを示したものである。以下、処理の流れに従い説明する。
【００５２】
同図のステップ（以下Ｓと省略する）８０１において、システムは、メモリ中から第１の異常判定部２０５の異常判定結果１を読み込む。読み込み対象となるのは検知対象データの異常判定結果１であり、複数の時系列ベクトルデータである。
【００５３】
Ｓ８０２において、システムは、学習用データ（学習用データ部２０９の出力データ）に含まれるデータ数をカウントし、データ数がシステムのあらかじめ定める規定数を以上の場合には処理はＳ８０３に進み、それ以外の場合はＳ８０４に進む。
ここで定めた規定数は、あらかじめ定めた学習時間に相当するデータ数、あるいはあらかじめ定めた区間の距離に相当するデータ数を設定してもよい。あるいはあらかじめ定めた区間への進入から脱出分のデータの連続的な取得を分岐条件としてもよい。いずれの場合においても、統計的に十分とされるデータ数が得られることがＳ８０３に進む条件となる。
【００５４】
Ｓ８０３において、システムは、読み込んだ異常判定結果１の異常カテゴリ数をカウントする。
次にシステムは、全異常判定結果１のデータ数に対する異常カテゴリ数の割合を算出し、前記異常カテゴリ数の割合があらかじめ定めた値（例えば７０％等）以上ならばシステムはＳ８０５に処理を進める。それ以外はＳ８０６に処理を進める。
【００５５】
Ｓ８０４において、システムは、判定結果１として「結果なし」を返す。
Ｓ８０５において、システムは、判定結果１として「正常」を返す。
Ｓ８０６において、システムは、判定結果１として「異常」を返す。
Ｓ８０７において、システムは、Ｓ８０４〜Ｓ８０６で定めた判定結果１をメモリ等電子媒体に一時保存する。
【００５６】
上記Ｓ８０４〜Ｓ８０７の処理を行うことによって、学習データすなわち過去の個体の状態に対する検知対象の状態の異常判定が完了する。
【００５７】
Ｓ８０８において、システムは、メモリ中から異常判定結果２を読み込む。読み込み対象となるのは別個体データの異常判定結果２であり、複数の時系列ベクトルデータである。
Ｓ８０９において、Ｓ８０３と同様に、システムは、読み込んだ異常判定結果２の異常カテゴリ数をカウントし、あらかじめ規定した割合以上ならば処理をＳ８１０に進める。それ以外はＳ８１１に進める。
【００５８】
Ｓ８１０において、システムは、判定結果２として「正常」を返す。
Ｓ８１１において、システムは、判定結果２として「異常」を返す。
Ｓ８１２において、システムは、判定結果２をメモリ等電子媒体に一時保存する。
【００５９】
上記Ｓ８１０〜Ｓ８１２の処理を行うことによって、学習データすなわち別の個体の状態に対する検知対象の状態の異常判定が完了する。
【００６０】
Ｓ８１３において、システムは、判定結果１、判定結果２を同時に読み込み、異常程度判定テーブルに従い、異常の程度を算出する。異常程度判定テーブルの導出論理、テーブルの詳細は図１３、図９を用いて後述する。
Ｓ８１４において、異常判定テーブルにしたがって算出した異常程度を出力する。
以上の処理フローによって、異常程度判定部２０７は検知対象の異常程度を出力する。
【００６１】
図１４は、本発明で扱う異常の定義を模式的に表したものであり、類似度を正常、異常の評価軸として各種状態の定義と第１の異常判定部２０５の閾値、第２の異常判定部２０６の閾値を表している。
なお、同図における状態１３０１は、同一固体間で差なし、状態１３０２は、軽微な故障の兆候（軽故障）、状態１３０３は、別固体の固体差、状態１３０４は、重大な故障の兆候（重故障）を示し、状態１３０２の類似度と状態１３０３の類似度が同程度と仮定している。
【００６２】
同図において、第１の異常判定部２０５は、同一個体間の過去と現在を比較して類似度が大きい状態１３０１と類似度が小さく軽微な故障の兆候を示す状態１３０２（軽故障と定義）とを識別する方法である。
一方で、第２の異常判定部２０６は、別個体同士で個体差がある状態１３０３と別個体同士の個体差よりも大きな差がある状態１３０４（重故障と定義）とを識別する方法である。
本発明の背景でも説明したように、第１の異常判定部２０５は、同一個体間の個体差についても識別する感度の高い異常判定部であり、状態１３０２のような別個体間の比較であればさらにその類似度は小さくなると推定されることから、状態１３０３についても類似度小と判定することが予想される。
【００６３】
すなわち、第１の異常判定部２０５の閾値の類似度＞状態１３０３の類似度＞第２の異常判定部２０６の閾値の類似度となる。
【００６４】
さらに、状態１３０２の軽故障の定義として第２の異常判定部２０６の閾値よりも類似度が大きいものと定義すれば、
【００６５】
第１の異常判定部２０５の閾値の類似度＞状態１３０２の類似度（軽故障）＞第２の異常判定部２０６の閾値の類似度＞状態１３０４の類似度（重故障）がなりたつ。すなわち図１４に示したベン図１３３０のような包含関係が成立する。
【００６６】
図１５は、図１４で示した定義上に第１の異常判定部２０５の判定結果（判定結果１）の包含関係９１０、第２の異常判定部２０６の判定結果（判定結果２）の包含関係９２０について表したものであり、それぞれ実線の集合境界がそれぞれの異常判定部が類似度大として異常判定を行う境界である。
この包含関係を判定結果１の有無（学習用データ数が十分に存在しないときに発生）を加えて、判定結果１、判定結果２の正常、異常に対する異常程度を表したものが、図１５に示した異常程度判定テーブル９３０である。
【００６７】
本発明では、異常程度判定テーブル９３０が二つの判定結果を組み合わせることによって、軽故障と重故障の二つの異常程度が表現可能となっている点が特徴である（テーブル９３０の左から４番目の軽故障）。
【００６８】
すなわち、図１５の包含から、判定結果１単独では軽故障と重故障が識別できず、判定結果２の単独では正常と軽故障が識別できないことがわかるが、判定結果１で異常、判定結果２で正常となれば、組み合わせて異常程度は軽故障と判定できる。
また、判定結果１を利用できない状況下であっても、縮退モードとして重故障の判別は可能である。
図１２のＳ８１３では、上記で示した異常程度判定テーブル９３０を用いて異常程度を判定したものである。
【００６９】
図１６は、図２に示す本発明の異常検知装置１０７による表示部２１２の画面例を示したものである。
表示部２１２の画面１００１には、例えば、図示の如く、異常発生時刻および経過時刻１００２と、異常発生部位のビジュアル表示１００３、表示メッセージ１００４、１００５が表示される。
表示メッセージ１００４、１００５には、動作モード、異常発生部位、異常程度、移動体のオペレータ向け指示メッセージなどを含んでいる。
また、メッセージ１００４は、軽故障時のメッセージで、異常程度から注意喚起を与えている。
メッセージ１００５は、重故障時（縮退モード）のメッセージで、異常程度から警告喚起を与えている。
上記で示した表示画面を備えることで、移動体のオペレータは異常程度を理解した上で適切な行動をとることが可能となる。
【符号の説明】
【００７０】
１００ 鉄道車両
１０１、１０２，１０３，１０４ 輪軸
１０５ 回転速度センサ（速度発電機）
１０６ 音声センサ（マイク）
１０７ 異常検知装置
２０５ 異常判定部１
２０６ 異常判定部２
２０７ 異常程度判定部
２１２ 表示部
【技術分野】
【０００１】
本発明は、移動体の状態を監視する状態監視装置を有する移動体異常検知システムに関し、特に鉄道車両の異常検知に関する移動体異常検知システムおよび移動体に関する。
【背景技術】
【０００２】
移動体の異常を検知するシステムに関して、移動体の状態データを取得し、故障発生時（故障：機器が通常の状態と異なる状態）にデータを解析して異常を検出（異常：機器の故障によりシステムとして望まれない状態、機器を停止するなどして回復が必要）するシステムが広く知られている。
【０００３】
例えば、特許文献１では、鉄道車両の台車について異常がない正常時と想定される異常時の音をマイクロホンで測定し、測定した音を周波数解析により時系列の周波数成分に変換し、変換した周波数成分のデータをクラスタリング処理によって正常と異常にカテゴリ分類し、未知の入力データが前記クラスタリング処理によってどのカテゴリに分類されるか、あるいは新規のカテゴリに分類されることによって、未知の入力データの異常検知を行う鉄道車両台車異常検知システムを提供している。
【０００４】
また特許文献２では、複数の鉄道車両の台車に加速度検出手段を設けて、これらの加速度検出手段が検出する加速度信号を相対比較し、いずれかの信号が他の加速度信号に対して所定値以上に大きな値となった場合に異常が発生したと判断する鉄道車両走行時の異常検知方法を提供している。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２００７−２５６１５３号公報
【特許文献２】特開２０００−６８０７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
前記特許文献１に挙げたシステムによれば、異常判定を行う際、事前に正常時、異常時の区別がついたデータを用いて判定するため、軽微な異常であっても過去のデータとの差異があれば検出可能である。
しかし、例えば保守点検によって潤滑油を交換することによって部品、あるいは部品間の物理的性質が変化するときや部品自体を交換したとき等、検知対象の状態が変化した場合に対する異常検知については、特に考慮されていない。
従って、このような場合、事前のデータに対して未知の入力データは異なるカテゴリを示すことになり、機器が正常であっても異常と検知する（誤検知）可能性がある。
【０００７】
また、前記特許文献２に挙げた異常検知方法によれば、台車などの走行装置に異常が発生した場合、車両を安全に停止することができる効果を奏するが、複数の検知対象の個体差よりも正常異常間の差が小さいような異常発生時に対する異常検知については、特に考慮されていない。
従って、このような場合、機器が異常であっても正常と検知（見過し）する可能性がある。
【０００８】
本発明は、係る課題に対して鑑みなされたものであり、その目的は、部品交換などにより検知対象の状態が変化した場合や複数の検知対象の個体差よりも正常異常間の差が小さいような場合に対しても異常有無を判断することが可能である移動体異常検知システムおよび移動体を提供することにある。
例えば、具体的には、本発明の第1の目的は、個体差の影響を低減し得た上で異常を検知する移動体異常検知システムおよび移動体を提供することにある。
【０００９】
また、本発明の第２の目的は、異常検知の際に発生する前述したような誤検知と見過しを低減し、さらに異常の程度を提示することが可能な移動体異常検知システムおよび移動体を提供するものである。
【課題を解決するための手段】
【００１０】
前記第１の目的を達成するために、本発明の移動体異常検知システムおよび移動体は、例えば、移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備え、前記異常検知装置は、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備える。
【００１１】
前記第２の目的を達成するために、本発明の移動体異常検知システムおよび移動体では、例えば、移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置を備え、前記異常検知装置は、各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを備える。
【発明の効果】
【００１２】
本発明によれば、各個体の異常の誤検知、見過しを低減することができ、また異常の程度が判定可能となる。これにより、移動体のオペレータは異常の程度に応じて移動体の運転継続をするか否かの判断が可能となる。
【図面の簡単な説明】
【００１３】
【図１】図１は、本発明の移動体異常検知システムのシステム構成図である。
【図２】図２は、本発明の異常検知装置の機能ブロック図である。
【図３】図３は、異常検知装置内で蓄積、検知対象とする状態データ列のデータ構成図である。
【図４】図４は、異常検知装置内で蓄積、検知対象とする状態データ列のイメージ図である。
【図５】図５は、第１の異常判定部の機能ブロック図である。
【図６】図６は、第１の異常判定部の内部出力となるカテゴリベクトルデータのデータ構成図である。
【図７】図７は、第１の異常判定部の内部出力となるカテゴリベクトルデータのイメージ図である。
【図８】図８は、第１の異常判定部の外部出力となる異常検知結果のデータ構成を示す図である。
【図９】図９は、第１の異常判定部の外部出力となる異常検知結果のイメージを示す図である。
【図１０】図１０は、第２の異常判定部の機能ブロック図である。
【図１１】図１１は、個体差によるカテゴリ分布の差異が発生しない閾値を設定したときのカテゴリ出現分布のイメージを示す図である。
【図１２】図１２は、異常程度判定部の処理フローチャートを示す図である。
【図１３】図１３は、第２の異常判定部の外部出力となる異常検知結果のデータ構成例を示す図である。
【図１４】図１４は、本発明で扱う異常の定義を示す図である。
【図１５】図１５は、異常程度判定部で用いる異常程度判定論理と異常程度判定テーブルを示す図である。
【図１６】図１６は、本発明の移動体異常検知システムを用いた移動体の表示部の画面例を示す図である。
【発明を実施するための形態】
【００１４】
本発明による移動体異常検知システムの実施の形態を、図面を参照して説明する。以下の実施例では、移動体として鉄道車両を用いたシステムについて述べる。
【実施例１】
【００１５】
まず、本発明の移動体異常検知システムについて説明する。図１は本発明の移動体異常検知システムのシステム構成を表した図である。
【００１６】
同図において、輪軸１０１，１０２，１０３，１０４は、鉄道車両１００の台車（図示せず）に取付けられている。回転速度センサ（速度発電機）１０５は、各輪軸の回転速度を計測する速度センサである。音声センサ（マイク）１０６は、輪軸１０１、１０２および輪軸１０３、１０４が取付けられている台車および台車に設置された各種機器の音を測定するものである。異常検知装置１０７は、回転速度センサ１０５から得られる回転速度と、音声センサ１０６から得られる測定音を処理し、各輪軸および台車などの異常などを検知するものである。
【００１７】
回転速度センサ１０５および音声センサ１０６は、車両１００の各輪軸１０１，１０２，１０３，１０４に設置され、異常検知装置１０７は、各輪軸の回転速度センサ１０５および音声センサ１０６と電気的に接続し、該両センサによる各輪軸の回転速度や測定音を収集し、該収集した回転速度や測定音などから車両（台車、輪軸など）の異常有無を検知する。ここで、回転速度を各輪軸で個別に収集するのは、各輪軸には車輪半径の個体差やすべりの有無によって回転速度が異なるためである。
なお、各輪軸の前記回転速度が小さい場合、または、各輪軸の個体差やすべりの有無を考慮しなくてよいと判断される場合は、各輪軸ではなく任意の輪軸にのみ回転速度センサ１０５を備えてもよい。
【００１８】
音声センサ１０６は、輪軸１０２、１０３および輪軸１０３、１０４と同期して回転する回転機器（例えば、軸受け、ギアボックス内の歯車、継ぎ手、モータ等）および輪軸を設置した台車の測定音を個別に収集する。
また、各輪軸１０１，１０２，１０３，１０４の回転速度を測定する複数の回転速度センサ１０５を備えることにより、音声センサ１０６による測定音を回転速度センサ１０５による回転速度でリサンプリングするなどして、各輪軸の個体差となる回転速度による測定音のピーク周波数帯のズレを低減可能となり、輪軸間で測定音に基づくデータを比較することによる異常発生の有無を検知可能となる。
【００１９】
異常検知装置１０７は、各輪軸周辺の測定音を元に異常発生の有無を検知し、異常発生時にはその発生箇所を各軸単位で特定する。
なお、本発明では一つの鉄道車両１００に対して一つの異常検知装置１０７を設置する構成としたが、鉄道車両１００を含む編成全体を対象として、複数の台車の輪軸の回転速度、測定音を取得して処理する異常検知システムを構成してもよい。
【００２０】
次に、図２を用いて、図１に示した異常検知装置の詳細を説明する。図２は、異常検知装置１０７の全体構成を表した機能ブロック図である。
【００２１】
同図において、異常検知装置１０７は、複数の輪軸１０１〜１０４に対向して設置された回転速度センサ１０５および音声センサ１０６からの回転速度および測定音が入力される入力信号処理手段２０１，２０２，２０３，２０４、と、該複数の入力信号処理手段を切り替えるデータ入力切替部２０８と、学習用データ（過去蓄積データ）が格納される学習用データ（過去蓄積データ）部２０９と、検知対象データが格納される検知対象データ部２１０と、別個体データが格納される別固体データ部２１１と、各データ部のデータに基づいて異常判定を行う第１の異常判定部２０５および第２の異常判定部２０６と、第１、第２の異常判定部の判定データを基に異常程度を判定する異常程度判定部２０７と、異常程度判定部２０７の判定データに基づき異常発生場所や異常程度などを表示する表示部２１２を備えている。つまり、異常検知装置１０７は、各輪軸の測定音、回転速度のデータ入力に対して、異常発生箇所と異常程度を表すデータを出力する装置である。
【００２２】
入力信号処理手段２０１，２０２，２０３，２０４は、それぞれ輪軸１０１，１０２，１０３，１０４に対応し、該輪軸１０１，１０２，１０３，１０４の回転速度センサおよび音声センサに接続されている。入力信号処理手段２０１〜入力信号処理手段２０４は、対象とする輪軸が異なるのみであり、それらの処理は同一であるため、ここでは入力信号処理手段２０１を例に説明する。
【００２３】
入力信号処理手段２０１は、図１で説明した音声センサ１０６および回転速度センサ１０５の測定音および回転速度を入力とする。これらの測定音および回転速度とも時系列データである。入力信号処理手段２０１は、測定音を回転速度でリサンプリングする。具体的には、１回転あるいは１回転を分割した時刻で測定音をサンプリングする。
次に、サンプリングした測定音をあらかじめ定めたデータ数分を収集して周波数解析を施す。周波数解析には、周知のウェーブレット変換や短時間フーリエ変換技術を用いればよい。入力信号処理手段２０１における前記一連の操作は、一般的に次数比分析と呼ばれており、次数比分析によって時系列の測定音は、図３に示すような状態データ列になる。
【００２４】
図３は、状態データ列のデータ構成を示す図であり、該図により状態データ列のデータ構成について説明する。状態データ列は、図示の如く、輪軸を特定する個体ＩＤと、時刻、速度、成分１、成分２・・・成分Ｎからなる。ここで、時刻はサンプリングを行った測定音の代表時刻であり、例えば周波数解析に投入した最初の時刻を用いる。速度は回転速度を表し、成分は回転速度を基準とする次数における測定音の強さを表す。また、次数とは周波数を回転速度の周波数で割った無次元数であり、次数＝１で回転速度の周波数と等しいことを表す。
状態データ列は、図４に示されるイメージ図のようなデータとして入力信号処理手段２０１の出力となる。
【００２５】
データ入力切替部２０８は、入力信号処理手段２０１〜入力信号処理手段２０４が出力した各個体の状態データ列を、検知対象、学習期間の指定によって切り替える。ここで、検知対象は、異常検知判定を行う対象の個体（輪軸）を表す。学習期間は測定音を異常判定の学習用に用いる期間であり、外部装置による入力あるいは設定値として与える。
異常検知装置１０７は、接続した全ての輪軸が全て対象となるように順番に処理する。
【００２６】
状態データ列は、前記検知対象と個体ＩＤ、前記学習期間と時刻によって学習用データ部２０９、検知対象データ部２１０、別個体データ部２１１の少なくとも一つに登録するかを判定される。例えば、検知対象が個体ＩＤに等しくかつ学習期間に含まれるデータは、学習用データ部２０９に書き込み登録され、検知対象が個体ＩＤに等しくかつ学習期間に含まれないデータは、検知対象データ部２１０に書き込み登録される。検知対象が個体ＩＤと異なる場合は、別固体データ部２１１に振り分ける。
データ入力切替部２０８は、リアルタイム処理によって逐次状態データを振り分けてもよいが、この場合一つの入力状態データ列に対して全ての検知対象について上記の振り分け処理を行う。または、状態データ列を一時的にメモリ等の記憶媒体に保存し、前記記憶媒体中のデータを検知対象ごとに読み出して上記の振り分け処理を行ってもよい。
【００２７】
第１の異常判定部２０５は、学習用データ部２０９の学習用データに対して検知対象データ部２１０の検知対象データの異常判定処理を行い、検知対象が異常であるか否かを判定する。詳細は図５を用いて後述する。
第２の異常判定部２０６は、別固体データ部２１１の別固体データに対して検知対象データの異常判定処理を行い、検知対象が異常であるか否かを判定する。詳細は図１０を用いて後述する。
【００２８】
異常程度判定部２０７は、第１の異常判定部２０５と、第２の異常判定部２０６の出力データである異常判定結果に基づき異常の程度を判定し、その判定結果を表示部２１２に出力する。詳細は図１２を用いて後述する。
【００２９】
表示部２１２は、異常程度判定部２０７からの出力データに基づき異常程度、異常部位を表示する。詳細は図１６を用いて後述する。
以上述べた本発明の異常検知装置によれば、異常の発生部位だけでなく、異常の程度も出力可能となる。
【００３０】
図５は、第１の異常判定部２０５の一構成例を機能的に表したブロック図である。同図において、第１の異常判定部２０５は、学習用データ２０９および検知対象データ２１０に対して、学習部４０６（クラスタリング処理手段）と、中間出力であるカテゴリベクトルデータ部４０７と、検知部４０８と、第１の異常検知結果出力部４０９を備えており、第１の異常検知結果出力部４０９から検知対象データの異常判定結果を、異常検知結果として出力する構成となっている。
【００３１】
学習部４０６は、学習用データ部２０９からの学習用データが過去の蓄積データであれば、学習期間終了時点でバッチ処理を行う。学習用データ部２０９からの学習用データが学習期間内にリアルタイムに与えられればデータ投入時の逐次行うリアル処理としてもよい。
いずれの場合においても学習部４０６は、学習用データ部２０９の学習用データ入力に対してクラスタリング処理を行い、クラスターに分割してカテゴリベクトルデータを出力し、カテゴリベクトルデータ部４０７に供給する。
【００３２】
ここで、クラスタリング処理は、一般に知られる適応共鳴理論等を用いればよい。クラスター分割のための類似性の判定には上記いずれの場合にしても学習時のデータ間の類似度の評価値を算出し、その評価値があらかじめ定めた閾値を越えるか否かによってカテゴリ分類するか否かを決定する。
【００３３】
図６は、クラスタリング処理された結果であるカテゴリベクトルデータ（カテゴリベクトルデータ部４０７に入力されるデータ）の書式を示したものである。カテゴリベクトルデータは、図示の如く、類似するクラスターで分類したカテゴリ（番号で表記）と、そのカテゴリの特徴を現す代表ベクトルの成分を持つ。代表ベクトルの持ち方は、前記した各種クラスタリング処理に順ずるものとし、カテゴリに含まれる学習用データのベクトル成分の平均等を取る。
【００３４】
図７はカテゴリ分類のイメージを示した図であり、例として代表的（ベクトルの支配的）な成分を縦軸、横軸にとって学習用データのカテゴリ分類を示したものである。この図に示すように類似した成分をもったデータをカテゴリとして表す。
【００３５】
再び図５に戻り、検知部４０８について説明する。検知部４０８は、検知対象データ部２１０からの検知対象データを入力とし、学習結果であるカテゴリベクトルデータ部４０７のデータを参照して、検知対象データが正常か異常かを判定する。検知部４０８では、検知対象データがカテゴリベクトルデータに含まれる各カテゴリとの類似性を判定し、類似性が高いデータを学習時にも存在したデータを正常（学習時は機器が正常であることが保障されていることを前提とする）とし、存在しないデータを異常として扱う。
【００３６】
類似性の判定には、適応共鳴理論等に用いられる判定に順ずるが、いずれの場合にしても学習時のカテゴリに対する検知対象データの類似度の評価値を算出し、その評価値があらかじめ定めた閾値を越えるか否かにより正常・異常を判定する。
このときの閾値は、学習部４０６と共通の値を設定する。異常と判定されたデータに関しては、新たに代表ベクトルを与えて新たなカテゴリを生成する。
【００３７】
以降に処理する検知対象データでは、カテゴリベクトルデータに加えて新たに追加した前記新カテゴリについても前記の類似性判定処理を行い、新カテゴリと類似性が高いと判定されたデータは異常となる。
【００３８】
図８は、第１の異常検知結果部４０９の異常検知結果の書式を表したものである。
同図において、時刻は検知対象データの時系列データがもつ時刻、カテゴリは検知部４０８が最も類似しているとして付与したカテゴリ、正常ｏｒ異常は検知部４０８の異常判定結果である。
【００３９】
図９は、学習用データのカテゴリと検知対象データのカテゴリを時系列で示したものであり、横軸が時刻、縦軸がカテゴリを表している。
また学習用データのカテゴリを黒丸印、検知対象データのカテゴリを黒三角印として表現している。図に示すように学習時に含まれるカテゴリは正常、検知時に新規生成されたカテゴリを異常としている。
【００４０】
以上、図５〜図９を用いて説明した第１の異常判定部２０５の処理により、検知対象データは過去に学習した同じ個体に対する類似性判定を行うことにより、個体が正常か異常かの判定が行える。
【００４１】
図１０は、図２の第２の異常判定部２０６の構成例を表した機能ブロック図である。同図において、第２の異常判定部２０６は、別個体データ部２１１の別固体データおよび検知対象データ部２１０の検知対象データに対して、学習部（クラスタリング処理手段）７０６と、中間出力であるカテゴリベクトルデータ部７０７と、検知部７０８と、第２の異常検知結果部７０９を備えており、第２の異常検知結果出力部７０９から検知対象データの異常判定結果を、異常検知結果として出力する構成となっている。すなわち、第２の異常判定部２０６は、正常時の個体差を上回る違いが検知対象データに出現したか否かを検知し、出現した場合には異常と判定する。
【００４２】
学習部７０６は、図５の学習部４０６の処理と同一のロジックを備える。ただし、学習の入力となるデータが別個体データである点、クラスター分割のための閾値が、学習部４０６と異なる。
一般的に機器には、個体差があり、その違いが個体ごとのデータに現れてくる。よって学習部７０６で設定する閾値は、正常時の個体差では各個体を表すカテゴリの出現分布に差はない。
すなわちクラスター分割の際に生成される同一カテゴリに含まれるデータが別個体由来であるように設定する。
【００４３】
図１１は、上記の閾値によって別個体データをカテゴリ分類した際のイメージを示す図である。
縦軸、横軸は図９と同様それぞれ時刻、カテゴリ、黒丸印が個体１の正常データのカテゴリ、黒三角印が個体２の正常データのカテゴリを表す。
【００４４】
図９では、すべてのカテゴリが個体１、個体２のデータを含んでおり、この場合「閾値は個体差を区別しない」と定義する。実際のデータでは、個体差を完全に区別しないケースは限られるため、例えば個体１のデータのカテゴリに、他のどの個体のデータも含まない場合がある。
【００４５】
この場合、前記カテゴリに含まれるデータが個体１の全データのＸ％以下（Ｘ<<１００、例として１％など）でも「閾値は個体差を区別しない」と定義してもよい。
閾値の算出にあたっては事前に正常とわかっている複数個体のデータを取得して、バッチ処理で学習部７０６を起動してカテゴリベクトルデータを出力し、「閾値は個体差を区別しない」を満たすための閾値をあらかじめ検討するなどして定めればよい。
【００４６】
再び図１０に戻り、カテゴリベクトルデータ部７０７のカテゴリベクトルデータについて説明する。
カテゴリベクトルデータは元のデータが学習データから別個体データとなったデータ上の違いのみであるため、その書式についての説明は省略する。
【００４７】
次に、検知部７０８について説明する。検知部７０８は、図５の検知部４０８と同一のロジックを備えるが、閾値が検知部４０８とは異なり、学習部７０７と閾値と共通の値を利用する。
【００４８】
以上、図１０、図１１を用いて説明した第２の異常判定部２０６の処理をもって、検知対象データは別個体に対する類似性判定を行うことにより、個体が正常か異常かの判定を行う。
仮に別個体中に異常が発生した場合、カテゴリベクトルデータには異常のカテゴリが含まれることとなるが、検知対象の個体が正常であれば正常、異常であっても別個体と同様（同種）の異常であれば正常判定、別個体とはまた別の第二の異常であれば異常判定となる。
ここで別個体が同時に同種の異常を起こすことは確率的に考えにくく発生しない、と前提を置けば、上記のように異常が正常に埋没するケースは起こらない、としてもよい。
【００４９】
図１３は、第２の異常検知結果部７０９のデータ構成について示した図である。基本的な構成は、第１の異常検知結果部４０９と同様であるが、上記に示したように個体によって別個の異常を検知することが可能となるため、別個の異常には通番を付与して管理し、識別可能な書式を定義する。
【００５０】
以上、図２で示したシステム構成、図５、図１０で示した異常判定部を備えることにより、別々の機能を持つ異常判定部が入力データ、パラメータ（類似度の閾値）を変更するのみで、同一のアルゴリズムをもったソフトウェアが利用可能となる。
このため、本発明のシステム構成によれば、メモリやストレージのリソース、ソフトウェアの開発・保守工数が低減可能と成り得る。
【００５１】
図１２は、図２の異常程度判定部２０７の処理フローチャートを示したものである。以下、処理の流れに従い説明する。
【００５２】
同図のステップ（以下Ｓと省略する）８０１において、システムは、メモリ中から第１の異常判定部２０５の異常判定結果１を読み込む。読み込み対象となるのは検知対象データの異常判定結果１であり、複数の時系列ベクトルデータである。
【００５３】
Ｓ８０２において、システムは、学習用データ（学習用データ部２０９の出力データ）に含まれるデータ数をカウントし、データ数がシステムのあらかじめ定める規定数を以上の場合には処理はＳ８０３に進み、それ以外の場合はＳ８０４に進む。
ここで定めた規定数は、あらかじめ定めた学習時間に相当するデータ数、あるいはあらかじめ定めた区間の距離に相当するデータ数を設定してもよい。あるいはあらかじめ定めた区間への進入から脱出分のデータの連続的な取得を分岐条件としてもよい。いずれの場合においても、統計的に十分とされるデータ数が得られることがＳ８０３に進む条件となる。
【００５４】
Ｓ８０３において、システムは、読み込んだ異常判定結果１の異常カテゴリ数をカウントする。
次にシステムは、全異常判定結果１のデータ数に対する異常カテゴリ数の割合を算出し、前記異常カテゴリ数の割合があらかじめ定めた値（例えば７０％等）以上ならばシステムはＳ８０５に処理を進める。それ以外はＳ８０６に処理を進める。
【００５５】
Ｓ８０４において、システムは、判定結果１として「結果なし」を返す。
Ｓ８０５において、システムは、判定結果１として「正常」を返す。
Ｓ８０６において、システムは、判定結果１として「異常」を返す。
Ｓ８０７において、システムは、Ｓ８０４〜Ｓ８０６で定めた判定結果１をメモリ等電子媒体に一時保存する。
【００５６】
上記Ｓ８０４〜Ｓ８０７の処理を行うことによって、学習データすなわち過去の個体の状態に対する検知対象の状態の異常判定が完了する。
【００５７】
Ｓ８０８において、システムは、メモリ中から異常判定結果２を読み込む。読み込み対象となるのは別個体データの異常判定結果２であり、複数の時系列ベクトルデータである。
Ｓ８０９において、Ｓ８０３と同様に、システムは、読み込んだ異常判定結果２の異常カテゴリ数をカウントし、あらかじめ規定した割合以上ならば処理をＳ８１０に進める。それ以外はＳ８１１に進める。
【００５８】
Ｓ８１０において、システムは、判定結果２として「正常」を返す。
Ｓ８１１において、システムは、判定結果２として「異常」を返す。
Ｓ８１２において、システムは、判定結果２をメモリ等電子媒体に一時保存する。
【００５９】
上記Ｓ８１０〜Ｓ８１２の処理を行うことによって、学習データすなわち別の個体の状態に対する検知対象の状態の異常判定が完了する。
【００６０】
Ｓ８１３において、システムは、判定結果１、判定結果２を同時に読み込み、異常程度判定テーブルに従い、異常の程度を算出する。異常程度判定テーブルの導出論理、テーブルの詳細は図１３、図９を用いて後述する。
Ｓ８１４において、異常判定テーブルにしたがって算出した異常程度を出力する。
以上の処理フローによって、異常程度判定部２０７は検知対象の異常程度を出力する。
【００６１】
図１４は、本発明で扱う異常の定義を模式的に表したものであり、類似度を正常、異常の評価軸として各種状態の定義と第１の異常判定部２０５の閾値、第２の異常判定部２０６の閾値を表している。
なお、同図における状態１３０１は、同一固体間で差なし、状態１３０２は、軽微な故障の兆候（軽故障）、状態１３０３は、別固体の固体差、状態１３０４は、重大な故障の兆候（重故障）を示し、状態１３０２の類似度と状態１３０３の類似度が同程度と仮定している。
【００６２】
同図において、第１の異常判定部２０５は、同一個体間の過去と現在を比較して類似度が大きい状態１３０１と類似度が小さく軽微な故障の兆候を示す状態１３０２（軽故障と定義）とを識別する方法である。
一方で、第２の異常判定部２０６は、別個体同士で個体差がある状態１３０３と別個体同士の個体差よりも大きな差がある状態１３０４（重故障と定義）とを識別する方法である。
本発明の背景でも説明したように、第１の異常判定部２０５は、同一個体間の個体差についても識別する感度の高い異常判定部であり、状態１３０２のような別個体間の比較であればさらにその類似度は小さくなると推定されることから、状態１３０３についても類似度小と判定することが予想される。
【００６３】
すなわち、第１の異常判定部２０５の閾値の類似度＞状態１３０３の類似度＞第２の異常判定部２０６の閾値の類似度となる。
【００６４】
さらに、状態１３０２の軽故障の定義として第２の異常判定部２０６の閾値よりも類似度が大きいものと定義すれば、
【００６５】
第１の異常判定部２０５の閾値の類似度＞状態１３０２の類似度（軽故障）＞第２の異常判定部２０６の閾値の類似度＞状態１３０４の類似度（重故障）がなりたつ。すなわち図１４に示したベン図１３３０のような包含関係が成立する。
【００６６】
図１５は、図１４で示した定義上に第１の異常判定部２０５の判定結果（判定結果１）の包含関係９１０、第２の異常判定部２０６の判定結果（判定結果２）の包含関係９２０について表したものであり、それぞれ実線の集合境界がそれぞれの異常判定部が類似度大として異常判定を行う境界である。
この包含関係を判定結果１の有無（学習用データ数が十分に存在しないときに発生）を加えて、判定結果１、判定結果２の正常、異常に対する異常程度を表したものが、図１５に示した異常程度判定テーブル９３０である。
【００６７】
本発明では、異常程度判定テーブル９３０が二つの判定結果を組み合わせることによって、軽故障と重故障の二つの異常程度が表現可能となっている点が特徴である（テーブル９３０の左から４番目の軽故障）。
【００６８】
すなわち、図１５の包含から、判定結果１単独では軽故障と重故障が識別できず、判定結果２の単独では正常と軽故障が識別できないことがわかるが、判定結果１で異常、判定結果２で正常となれば、組み合わせて異常程度は軽故障と判定できる。
また、判定結果１を利用できない状況下であっても、縮退モードとして重故障の判別は可能である。
図１２のＳ８１３では、上記で示した異常程度判定テーブル９３０を用いて異常程度を判定したものである。
【００６９】
図１６は、図２に示す本発明の異常検知装置１０７による表示部２１２の画面例を示したものである。
表示部２１２の画面１００１には、例えば、図示の如く、異常発生時刻および経過時刻１００２と、異常発生部位のビジュアル表示１００３、表示メッセージ１００４、１００５が表示される。
表示メッセージ１００４、１００５には、動作モード、異常発生部位、異常程度、移動体のオペレータ向け指示メッセージなどを含んでいる。
また、メッセージ１００４は、軽故障時のメッセージで、異常程度から注意喚起を与えている。
メッセージ１００５は、重故障時（縮退モード）のメッセージで、異常程度から警告喚起を与えている。
上記で示した表示画面を備えることで、移動体のオペレータは異常程度を理解した上で適切な行動をとることが可能となる。
【符号の説明】
【００７０】
１００ 鉄道車両
１０１、１０２，１０３，１０４ 輪軸
１０５ 回転速度センサ（速度発電機）
１０６ 音声センサ（マイク）
１０７ 異常検知装置
２０５ 異常判定部１
２０６ 異常判定部２
２０７ 異常程度判定部
２１２ 表示部
【特許請求の範囲】
【請求項１】
移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサ、回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備えた移動体異常検知システムにおいて、
前記異常検知装置は、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備えることを特徴とする移動体異常検知システム。
【請求項２】
請求項１に記載の移動体異常検知システムにおいて、前記異常検知対象の個体は、少なくとも台車、輪軸、台車に設置された回転機器のうちいずれか一つであることを特徴とする移動体異常検知システム。
【請求項３】
移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置とを備え、
前記異常検知装置は、各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と前記第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを備えることを特徴とする移動体異常検知システム。
【請求項４】
請求項３記載の移動体異常検知システムにおいて、前記１の異常判定部と前記第２の異常判定部は、同一の論理構造を備えることを特徴とする移動体異常検知システム。
【請求項５】
請求項３記載の移動体異常検知システムにおいて、前記異常程度判定部は、学習データのデータ数に応じて前記第１の異常判定部の利用有無を切り替えて縮退動作を行うことを特徴とする移動体異常検知システム。
【請求項６】
請求項１乃至５記載の移動体異常検知システムにおいて、前記異常検知装置は、異常部位、異常程度を表示する表示部を備えることを特徴とする移動体異常検知システム。
【請求項７】
移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサ、回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備えた移動体において、
前記各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを含む前記異常検知装置を設置したことを特徴とする移動体。
【請求項８】
請求項７に記載の移動体において、前記移動体が、鉄道車両であり、前期異常検知対象の個体は、少なくとも台車、輪軸、台車に設置された回転機器のうちいずれか一つであることを特徴とする移動体。
【請求項９】
移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置とを備えた移動体において、
前記各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と前記第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを含む前記異常検知装置を設置したことを特徴とする移動体。
【請求項１０】
請求項９記載の移動体において、前記１の異常判定部と前記第２の異常判定部は、同一の論理構造を備えることを特徴とする移動体。
【請求項１】
移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサ、回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備えた移動体異常検知システムにおいて、
前記異常検知装置は、各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを備えることを特徴とする移動体異常検知システム。
【請求項２】
請求項１に記載の移動体異常検知システムにおいて、前記異常検知対象の個体は、少なくとも台車、輪軸、台車に設置された回転機器のうちいずれか一つであることを特徴とする移動体異常検知システム。
【請求項３】
移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置とを備え、
前記異常検知装置は、各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と前記第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを備えることを特徴とする移動体異常検知システム。
【請求項４】
請求項３記載の移動体異常検知システムにおいて、前記１の異常判定部と前記第２の異常判定部は、同一の論理構造を備えることを特徴とする移動体異常検知システム。
【請求項５】
請求項３記載の移動体異常検知システムにおいて、前記異常程度判定部は、学習データのデータ数に応じて前記第１の異常判定部の利用有無を切り替えて縮退動作を行うことを特徴とする移動体異常検知システム。
【請求項６】
請求項１乃至５記載の移動体異常検知システムにおいて、前記異常検知装置は、異常部位、異常程度を表示する表示部を備えることを特徴とする移動体異常検知システム。
【請求項７】
移動体の異常検知対象とする複数個体の音声を個体ごとに計測する音声センサと、複数個体の回転速度を個体ごとに計測する回転速度センサと、前記音声センサ、回転速度センサの計測データを入力として各個体の異常を検知する異常検知装置を備えた移動体において、
前記各個体の計測データを処理して個体差を低減する入力信号処理手段と、計測データを検知対象データ、別個体データに振り分けるデータ入力切替部と、別個体データと検知対象データから各個体の異常判定を行う異常判定部とを含む前記異常検知装置を設置したことを特徴とする移動体。
【請求項８】
請求項７に記載の移動体において、前記移動体が、鉄道車両であり、前期異常検知対象の個体は、少なくとも台車、輪軸、台車に設置された回転機器のうちいずれか一つであることを特徴とする移動体。
【請求項９】
移動体の各個体に備える各種計測装置と各個体の計測装置からの計測データを入力として個体の異常を検知する異常検知装置とを備えた移動体において、
前記各個体の計測装置からの計測データを処理する入力信号処理手段と、各入力信号処理手段の出力データを学習用データ、検知対象データ、別個体データの少なくともいずれか一つに振り分けるデータ入力切替部と、学習用データと検知対象データから各個体の異常判定を行う第１の異常判定部と、別個体データと検知対象データから各個体の異常判定を行う第２の異常判定部と、前記第１の異常判定部と前記第２の異常判定部の異常判定結果から異常程度を判定する異常程度判定部とを含む前記異常検知装置を設置したことを特徴とする移動体。
【請求項１０】
請求項９記載の移動体において、前記１の異常判定部と前記第２の異常判定部は、同一の論理構造を備えることを特徴とする移動体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【公開番号】特開２０１２−５８１７１（Ｐ２０１２−５８１７１Ａ）
【公開日】平成２４年３月２２日（２０１２．３．２２）
【国際特許分類】
【出願番号】特願２０１０−２０４０１３（Ｐ２０１０−２０４０１３）
【出願日】平成２２年９月１３日（２０１０．９．１３）
【出願人】（０００００５１０８）株式会社日立製作所 (27,607)
【出願人】（３９００２１５７７）東海旅客鉄道株式会社 (413)
【公開日】平成２４年３月２２日（２０１２．３．２２）
【国際特許分類】
【出願日】平成２２年９月１３日（２０１０．９．１３）
【出願人】（０００００５１０８）株式会社日立製作所 (27,607)
【出願人】（３９００２１５７７）東海旅客鉄道株式会社 (413)
[ Back to top ]