CN109641603A - 异常检测装置、异常检测方法和计算机程序 - Google Patents
异常检测装置、异常检测方法和计算机程序 Download PDFInfo
- Publication number
- CN109641603A CN109641603A CN201880003324.7A CN201880003324A CN109641603A CN 109641603 A CN109641603 A CN 109641603A CN 201880003324 A CN201880003324 A CN 201880003324A CN 109641603 A CN109641603 A CN 109641603A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- value
- condition
- prediction model
- threshold
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 112
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims description 13
- 238000004590 computer program Methods 0.000 title claims description 7
- 238000001514 detection method Methods 0.000 claims abstract description 119
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 description 29
- 238000012360 testing method Methods 0.000 description 26
- 238000003066 decision tree Methods 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 17
- 238000001556 precipitation Methods 0.000 description 12
- 238000005096 rolling process Methods 0.000 description 12
- 238000009434 installation Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008929 regeneration Effects 0.000 description 3
- 238000011069 regeneration method Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本发明的实施例实现高度精确的异常检测。根据一个实施例,异常检测装置包括:条件生成器、阈值设置器和异常检测器。生成器基于车辆的行驶信息生成用于对车辆的状态的预测值与车辆的状态的测量值之间的差值进行分类的多个条件,该预测值基于控制命令值和预测模型。阈值设置器设置用于条件的多个阈值。异常检测器基于预测模型、阈值和条件对车辆执行异常检测。
Description
技术领域
本发明的实施例涉及异常检测装置、异常检测方法和计算机程序。
背景技术
铁路车辆的维护管理和检查需要每天进行,以维持铁路运营的安全性和可靠性。传统的维护管理一直侧重于铁路车辆的定期检查。但是,为了实现更高的铁路安全性,最近已经开发了通过利用包括从铁路车辆获取的传感器值和控制值的车辆信息执行诊断和状态监测来实现早期异常检测的技术。
在现有技术中,通过将由铁路车辆上的传感器测量的值与阈值进行比较来执行异常检测。在另一种现有技术中,准备了重建铁路车辆的正常操作的模型并将其用于检测异常或异常迹象。但是,对于铁路车辆而言,由于例如路线坡度、天气变化、乘客上下车以及驾驶员的操作,行驶条件以时序方式动态改变。因此,难以基于单个阈值对这种车辆精确地执行异常检测。
本发明的实施例提供了实现高度准确异常检测的异常检测装置、异常检测方法和计算机程序。
发明内容
根据一个实施例,异常检测装置包括:条件生成器、阈值设置器和异常检测器。生成器基于车辆的行驶信息生成用于对车辆的状态的预测值与车辆的状态的测量值之间的差值进行分类的多个条件,该预测值基于控制命令值和预测模型。阈值设置器设置用于条件的多个阈值。异常检测器基于预测模型、阈值和条件对车辆执行异常检测。
附图说明
图1是根据本发明的实施例的异常检测***的框图。
图2是示出铁路车辆的制动槽、制动器和空气弹簧的示例性构造的图。
图3是示出铁路车辆的发电制动器和再生制动器的示例性构造的图。
图4是示出与测量信息和环境信息相关的示例性表的图。
图5是示出与制动信息相关的示例性表的图。
图6是示出示例性转换表的图。
图7是示出示例性模型数据库的图。
图8是示出通过使用正态分布确定阈值的示例性方法的图。
图9是示出示例性检测结果数据库的图。
图10是示出用于生成行驶条件的示例性数据集的图。
图11是示出示例性决策树的图。
图12是示出另一个示例性模型数据库的图。
图13是示出异常检测模型的示例性操作的图。
图14是示出来自异常检测装置的示例性主屏幕输出的图。
图15是示出来自异常检测装置的示例性异常详细屏幕输出的图。
图16是示出用于驾驶员的示例性检查屏幕的图。
图17是示出根据本发明的本实施例的异常检测装置的硬件配置的图。
图18是根据本发明的实施例的异常检测处理的流程图。
图19是处于学习模式的异常检测装置的处理的流程图。
图20是示出另一个示例性模型数据库的图。
具体实施方式
下面将参考附图描述本发明的实施例。附图之间的任何相同部件由相同的附图标记表示,并且将适当地省略其描述。
图1是示出根据本发明的第一实施例的示例性异常检测***的框图。
图1所示的异常检测***包括异常检测装置100、车辆***500、环境信息***600、终端700、输入装置800和屏幕显示装置900。下面将描述图1中所示的异常检测***的概要。
异常检测装置100在学习模式和操作模式下操作。异常检测装置100包括功能(异常检测模型生成器200),该功能在学习模式中基于铁路车辆(在下文中,车辆)的测量信息和车辆的环境信息中的至少一个来创建与铁路车辆的制动***相关的异常检测模型。测量信息从车辆***500获取。环境信息从环境信息***600获取。根据本实施例的车辆的行驶信息包括从车辆***500获取的车辆的测量信息和从环境信息***600获取的车辆的环境信息中的至少一个。异常检测模型包括用于预测车辆的状态的预测模型,以及与来自预测模型的预测值的残差(差值)相关的阈值。作为示例,车辆的状态是车辆的减速度。
异常检测装置100包括通过使用预测模型和操作模式中的阈值来执行车辆的异常检测的功能(异常检测器110)。异常检测是确定是否存在异常。异常检测也称为异常确定。通过将阈值与作为预测模型的预测值与从车辆获取的车辆的状态的实际值之间的差值的残差进行比较来执行异常检测。
异常检测装置100包括基于车辆的行驶信息为多个条件(在下文中,行驶条件)中的每个条件设定阈值的功能(阈值设置器220)。异常检测装置100生成一个预测模型,以及包括与各个行驶条件对应的阈值的异常检测模型。在使用异常检测模型的异常检测中,与车辆存在的行驶条件,换句话说,满足作为异常检测的目标的行驶信息(当前行驶信息)的行驶条件对应的阈值选自异常检测模型中包括的阈值,并与预测模型一起使用。
在学习模式中执行多个行驶条件的创建和多个阈值的设置。在行驶条件的创建中,使用车辆的行驶信息和异常检测的结果(例如,预测模型的预测值与状态值的实际值之间的残差)。学习模式和操作模式可以自动切换或者通过来自例如维护人员的指令切换,或者可以同时执行。
当检测到异常时,异常检测装置100在屏幕显示装置900上显示例如检测到异常的地点、用于异常检测的异常检测模型、用于异常检测的行驶信息,以及预测模型的预测值。这支持铁路运营商的监控。
下面简要描述根据本实施例的车辆的制动***。图2示出了制动槽,以及用于车辆的特定车轮的制动器和空气弹簧的示例性构造。制动槽实际上位于车组的驾驶室内。下面参考图2描述作为异常检测装置100的异常检测目标的车辆的制动***。
作为示例性控制器的制动杆10提供用于驾驶员制动操作的设备。驾驶员通过向上移动制动杆来制动车辆。制动杆10上指示的1到8的数字表示制动槽(制动级),并且数字越大意味着施加到车辆的制动力越强。该槽数量是示例性的并且不会限制车辆使用更多或更少数量的槽。每个制动槽是给车辆或制动器的示例性控制命令值。
对车辆的制动操作不限于由驾驶员执行的操作。例如,在安装有自动车组停止(ATS)、自动车组控制(ATC)或自动车组操作(ATO)的车辆中,在一些情况下,由装置代替驾驶员执行制动操作。在这种情况下,例如,从装置输出的制动命令与控制命令值对应。
图2示出了在铁路20上行驶的车辆的车轮30。用于通过制动器制动车辆的一种设备是胎面制动器42。在该示例中,为了简化描述,仅示出了一个车轮,但实际上,提供了多对左右车轮。
胎面制动器42使用气缸作为动力源。当作为气缸43内的压力的制动缸压力增加时,制动块41压靠在作为车轮30的与轨道接触的表面的胎面上。车轮30和制动块41之间的摩擦力用作胎面制动器42的制动力。
由于胎面制动器以这种方式使用制动块的摩擦力,因此制动块由于连续使用而磨损,这可能降低制动力。胎面制动器是用于车辆的示例性机械制动器,并且另一种方案使用盘式制动器,该盘式制动器通过用刹车片或类似物对着车轮按压固定到车轮轴上的盘来获得制动力。制动器的制动力随着例如制动块或刹车片的磨损状态而变化。当通过本异常检测装置检测到制动***中的异常时,工人等可以检查例如制动块或制动***的盘并检查异常的实际存在。
除了制动器的部件的磨损之外,制动器的制动力还随着车辆上的负载而变化。负载响应装置50安装在图2所示的车辆上。负载响应装置50包括空气弹簧51,并通过感测空气弹簧51的空气弹簧压力来测量车辆上的负载。为了控制车辆的制动,除了制动杆10的操作之外,还可以响应于由负载响应装置50检测到的空气弹簧压力来调节制动器的制动力。因此,无论车辆上的负载如何变化,都可以实现期望的减速度。
为了补充机械制动器的制动力,可以在车辆的制动***中附加地使用电制动器。将参考图3描述电制动器。图3示出了车辆的发电制动器和再生制动器的示例性构造。
主电动机60a和60b安装在图3所示的车辆上。当使用发电制动器时,主电动机60a和60b与电阻器70形成闭合电路,以将主电动机的电力转换成热能。
当使用再生制动器时,由主电动机60a和60b产生的电力通过集电弓80传输到线路90。当二次电池安装在车辆上时,所产生的电力可以用于对二次电池充电。以这种方式,再生制动器通过使用主电动机60a和60b作为发电机将动能转换成电力来获得制动力。
机械制动器和发电制动器是示例性的,并且异常检测装置100可以对制动***中使用的任何其它方案的制动器执行异常检测。
由于制动***具有相对复杂的构造并且制动器和制动***的特性随多个因素和条件而变化,因此难以对车辆的制动***执行准确的异常检测。
例如,在车辆的制动***中使用具有不同特性的多个方案的制动器。此外,如上所述,车辆的制动***的制动力随负载而变化。例如,对于乘用车辆,乘客的数量随时隙和操作间隔而变化很大,因此,制动***的制动力在短持续时间内变化很大。对于货运车辆,负载随货物量而变化很大。此外,当执行制动操作时的减速度可能在具有不同坡度和斜度趋势的车辆的行驶路线和间隔之间变化。此外,降雨的天气条件、大气温度等的任何差异都可能改变制动***的部件的物理性质,从而影响制动***的特性。作为其它因素,驾驶员以不同方式执行制动操作,并且车辆被制造有不同的制动特性。
在本实施例中,通过根据车辆存在的行驶条件切换阈值来使用适合于车辆内部和外部的情况的阈值,容易执行高度准确的异常检测。以这种方式,降低了错误异常检测的风险,从而实现早期异常检测和安全可靠的铁路运营。
下面将进一步详细描述图1所示的异常检测装置100。在以下描述中,作为异常检测装置100的异常检测的目标的制动***可以是用于可选铁路车辆的特定车轮的制动装置、整个车辆中的所有多个制动装置、或者在车组中的多个车辆或车中的整组制动装置。异常检测目标不限于制动***,而可以是电力***、空调***或发电***。异常检测目标不限于铁路车辆,而可以是包括车轮的可选车辆,诸如汽车、建筑机械和飞机。异常检测目标还包括除车辆之外的任何装置或***。
异常检测装置100包括车辆信息收集器101、环境信息收集器102、数据处理器103、异常检测模型生成器200、条件生成器230、异常检测器110、警报器120和屏幕生成器130。
异常检测模型生成器200包括模型生成器210和阈值设置器220。
车辆信息收集器101从车辆内部的车辆***500的各种传感器获取与车辆相关的测量信息(也称为测量数据)。传感器的示例包括:被配置为检测车辆的制动操作等作为控制命令值的传感器;被配置为检测车辆的减速度的传感器;被配置为检测行驶速度的传感器;以及被配置为测量施加到车辆上的负载的传感器。可以包括其它各种传感器。测量信息包括传感器的检测值(例如,控制命令值)和传感器的测量值(例如,驾驶速度、负载或减速度)。当车辆***500根据速度传感器的值计算减速度时,可以获取计算出的减速度作为测量信息的一部分。
可以可选地设置要获取的测量信息的种类(传感器的种类或控制命令值的种类)。可以在可选地设置的周期中获取测量信息。例如,与车辆的行驶速度相关的测量信息在以毫秒为单位的短采样周期内获取。被配置为测量施加到车辆的负载的传感器的值在以分钟为单位的采样周期中获取。
环境信息收集器102从环境信息***600获取车辆的环境信息(也称为行驶环境数据)。环境信息的示例包括与操作路线相关的信息和与天气相关的信息。与操作路线相关的信息的示例包括每个间隔的坡度和斜度(铁路的内外轨道之间的高度差)。与天气相关的信息的示例包括天气、大气温度、降水量、风速和大气压力。环境信息的获取可以是获取在地面***中的数据库中累积的信息,或者获取从外部服务器分发的信息。可以可选地设置要获取的环境信息的种类和获取的频率。
异常检测装置100可以安装为车辆外部的地面装置,例如,安装在铁路运营管理公司的设施或操作命令中心,或者可以作为车载装置安装在车辆上。异常检测装置100不限于特定的安装方式。
当异常检测装置100作为车辆外部的地面装置安装时,车辆内部的车辆***500的测量信息等通过例如车载元件、应答器地面元件和地面信息网络接收。具体而言,车辆***500通过地面元件等将数据发送到地面信息网络,并且异常检测***通过地面信息网络接收数据。地面信息网络可以使用例如金属线缆、同轴线缆、光缆、电话线、无线装置或以太网(注册商标),但不限于特定方案。异常检测装置100通过地面信息网络从环境信息***600接收数据。
当异常检测装置100是车载装置时,异常检测装置100通过车辆内部的信息网络从车辆***500获取数据。车辆内部的信息网络例如是以太网或无线局域网(LAN),但是可以以任何其它方案实现。异常检测装置100可以使用车载元件和应答器地面元件从与地面信息网络连接的环境信息***600获取数据。
输入装置800提供用于维护人员的操作的界面。输入装置800包括鼠标、键盘、语音识别***、图像识别***、触摸板或其组合。维护人员可以通过输入装置800向异常检测装置100输入各种命令或数据来执行操作。
屏幕显示装置900显示从异常检测装置100输出的数据或信息作为静止图像或移动图像。屏幕显示装置900例如是液晶显示器(LCD)、有机电致发光显示器、或者是真空荧光显示器(VFD),但也可以是任何其它方案中的显示装置。
输入装置800和屏幕显示装置900中的每一个可以是多个安装的装置中的一个。例如,输入装置800和屏幕显示装置900可以安装在操作命令中心和车辆的操作台中的每一个处。
输入装置800和屏幕显示装置900可以是一个集成装置。例如,当使用具有触摸板功能的显示器时,单个装置可以用作输入装置800和屏幕显示装置900。
异常检测装置100包括信息数据库310、模型数据库320和检测结果数据库330。
数据库310、320和330都布置在图1所示的异常检测装置100的内部。但是,数据库的布置不限于特定方法。例如,部分数据库可以布置在外部服务器或存储装置中。每个数据库可以由关系数据库管理***和各种NoSQL***实现,但可以在任何其它方案中实现。每个数据库可以采用XML、JSON或CSV的存储格式,或任何其它格式,诸如二进制格式。并非异常检测装置100内的所有数据库都需要通过相同的数据库***和相同的存储格式来实现,但是数据库可以以多种方案的混合来实现。
信息数据库310存储由车辆信息收集器101获取的测量信息和由环境信息收集器102获取的环境信息。诸如存储测量信息和环境信息的存储器装置的存储介质可以***到异常检测装置100中并且用作信息数据库310。
图4和5示出了示例性信息数据库310。行驶信息(测量信息和环境信息)以图4所示的表310a和图5所示的表310b的形式存储。
图4中所示的表310a的“数据ID”列存储表310a中存储的条目的标识号。数据ID用作主键。每个数据ID与图5所示的表310b关联。表310b存储在信息数据库310中。“时间”列存储条目的生成时间。在该示例中,在每个恒定采样时间中生成条目。但是,可以以预先设置到铁路轨道的间隔或以任何其它标准生成条目。
表310a的“驾驶员”列存储执行制动操作的驾驶员的姓名。例如,当诸如ATS、ATC或ATO之类的装置而不是驾驶员执行制动操作时,可以改为存储执行操作的装置的名称或指示该装置的标识符。
表310a的“天气”列存储与从环境信息***600获取的天气相关的信息。
表310a的“大气温度”列存储与从环境信息***600获取的大气温度相关的信息。与大气温度相关的信息可以是实际值或对实际值进行分类的标签。在图4所示的示例中,“大气温度”列存储作为实数的大气温度通过使用如图6所示的转换表310c被转换成的类别T1、T2、T3、T4、T5、T6和T7中的任何一个的标签。例如,-11℃的大气温度被转换成类别T1,15℃的大气温度被转换成类别T4,并且33℃的大气温度被转换成类别T6。当创建稍后描述的预测模型时,通过将类别名称转换为可选整数,例如,类别T1转换为1、类别T2转换为2,类别T3转换为3,而获得的数据可以用作解释变量。
如通过“大气温度”列示例性描述的,信息数据库310可以存储通过对测量信息或环境信息执行计算或转换而获得的处理信息。
表310a的“乘坐率”列以百分比形式存储乘坐率作为施加到车辆的负载的指标。另一个指标可以用于指示负载。乘坐率由例如乘用车辆的容量与乘用车辆中的乘客数量的比率来定义。通常基于负载响应装置的空气弹簧压力来估计乘坐率。在这种情况下,空气弹簧压力可以直接用作指标。
空气弹簧压力是传感器的实际值,与乘坐率不同,其不是通过使用例如转换表或公式间接估计的值,并且因此可以用于减少模型生成中的残差。但是,空气弹簧压力的值取决于制造商和安装在车辆上的负载响应装置的型号,并且因此缺乏通用性。因此,当使用通常使用的诸如乘坐率的指标时,在一些情况下,可以吸收由于其不同的负载响应装置引起的车辆之间的差异。
表310a的“坡度”列以以千分率(permil)为单位表示的值存储路线的坡度。千分率(permil)是通过用米表示1000米的水平距离的高度差而获得的值。千分率(permil)是示例性的,“坡度”列可以存储另一个单位的值。
表310a的“斜度”列存储以毫米为单位的斜度,但是可以存储另一个单位的值。
表310a还包括“风速”列和“大气压力”列。表310a可以包括存储诸如铁路轨道上的当前位置和当前间隔的其它信息的列。
图5中所示的表310b存储诸如时间信息、制动槽和图4所示的表310a中的对应条目的减速度的实际值的信息。在图5所示的示例中,表310b与图4中2560的数据ID对应。表310b中的条目以比表310a的时间间隔短的时间间隔生成。表310b中的条目的生成间隔(采样间隔)可以与表310a的相同。表310b和表310a在该示例中单独提供,但是可以彼此集成。
可以处理存储在信息数据库310中的数据。例如,数据处理器103使屏幕显示装置900显示存储在信息数据库310中的每个表的内容。维护人员或驾驶员通过使用输入装置800对数据执行制造操作。数据处理器103根据制造操作执行数据制造。
可以调整车辆信息收集器101或环境信息收集器102获取信息或数据的间隔。例如,数据处理器103通过输入装置800接收从维护人员或驾驶员指定获取间隔的操作,并根据操作的内容调整获取间隔。
异常检测模型生成器200通过使用存储在信息数据库310中的数据来创建车辆的制动***的异常检测模型。异常检测模型包括预测模型和一个或多个阈值。预测模型由模型生成器210生成,并且每个阈值由阈值设置器220生成。生成的异常检测模型存储在模型数据库320中。
图7示出了示例性模型数据库320。模型数据库320可以存储一个或多个异常检测模型。每个异常检测模型由模型ID识别。预测模型的列存储指示预测模型的数据或存储预测模型的存储器地址(指针)。指示预测模型的数据包括例如减速度模型。阈值的列中的每个单元存储一个或多个阈值。当存储多个阈值时,与每个阈值对应的行驶条件被一起存储(稍后将详细描述)。
在学习模式中执行异常检测模型的生成,例如,当启动异常检测装置100时或者当新添加***作为异常检测目标时。当存在多个***作为异常检测目标时,为每个***生成异常检测模型。
通过使用从信息数据库310提取的数据样本(特征向量)来创建异常检测模型。
数据样本(特征向量)包括一个或多个解释变量。解释变量的示例包括表310b中的制动槽的值(控制命令值)。此外,可以使用车辆的行驶信息和规格(诸如车辆的尺寸和重量)中的任何其它类型的值(诸如速度)作为解释变量。可以通过包括在行驶信息中的多个项目的计算来生成解释变量。在该示例中,预测模型的目标变量是减速度。可以为制动信息表310b中的每个条目生成数据样本,或者可以收集具有较低时间粒度的多个连续条目来生成一个数据样本。
以下描述生成预测模型的方法。假设回归模型用作预测模型。模型生成器210通过使用信息数据库310获得具有解释变量作为元素的特征向量X=(x1,x2,x3,...,xn)。
随后,模型生成器210执行多元回归分析以获得用于预测作为目标变量的减速度的公式(1)。
[表达1]
y=b0+b1x1+b2x2+b3x3+...+bnxn (1)
在上面的公式中,y表示目标变量,xn表示解释变量,并且bn表示偏回归系数。为了吸收解释变量之间的测量单位的差异,可以通过将目标变量和所有解释变量归一化为平均值0和分散度1使用标准偏回归系数作为偏回归系数bn。解释变量的数量可以是一个或多个。
通过多元回归分析的模型生成是示例性的,并且可以通过诸如支持向量回归或自回归的任何其它方法创建目标变量的预测模型。
当创建预测模型时,可以使用交叉验证。例如,可以将数据样本划分为多个集合,使得至少一个集合用作用于验证的测试数据,并且其它集合用于模型创建。这允许检查生成的模型的性能。
在本发明的每个实施例中,信息数据库存储当执行异常检测的制动***处于正常状态时获取的信息。因此,生成的预测模型是通过对正常状态下的车辆的制动***的行为进行建模而获得的模型。但是,信息数据库可以存储当特定制动器发生故障时的信息。
可以通过例如通过变量选择方法或主成分分析调整解释变量的数量来减少用于创建预测模型的解释变量的数量。当不同的解释变量之间存在相关性或者当需要减少计算时间和处理负载时,这种调整是有效的。
在变量选择方法中,通过从一组所有解释变量中选择对预测有效的解释变量的子集来生成模型。可以通过首先使用一个或少量解释变量生成模型,然后生成向其逐个添加解释变量的模型来选择有用的解释变量。替代地,可以通过首先生成具有大量解释变量的模型,然后生成通过逐个移除解释变量而获得的模型来指定有用的解释变量。可以通过使用遗传算法来执行解释变量的选择。
在主成分分析中,求解用于模型生成的数据的相关矩阵或方差-协方差矩阵的特征值问题,以生成新的解释变量,从而减少维数。使用通过主成分分析获得的新解释变量作为公式(1)的变量xn的的回归分析被称为主成分回归。
以下描述使用变量选择方法的示例。例如,当车辆的制动***是异常检测目标并且制动器的减速度是预测模型的目标变量时,首先创建仅使用制动槽作为解释变量的预测模型。假设制动槽与减速度具有最高的相关性。此后,将被认为与减速度具有相关性的任何其它解释变量(诸如车辆的行驶速度)顺序地添加到预测模型,并且检查预测的准确性。采用当获得期望预测准确度时的解释变量。
以下描述由阈值设置器220设置到预测模型的阈值。该阈值用于确定当基于预测模型计算的目标变量的预测值(在该示例中,减速度的预测值)与减速度的测量值(实际值)之间的差值超过阈值时,存在异常。确定存在异常也称为异常的检测。实际值和预测值之间的差值也称为残差。实际值可以大于或小于预测值,因此残差的值可以是正的或负的。当符号不重要时,可以将残差定义为差的绝对值,其是距预测值的距离的绝对值。
图8用于描述使用正态分布的示例性阈值确定方法。图8示出了残差的正态分布400的曲线图。横轴表示残差,纵轴表示概率密度。假设这些残差服从正态分布,获取预测模型的预测值与实际值之间的多个残差以创建正态分布400。用于获取残差的数据可以是用于生成预测模型的数据样本、测试数据、与预测模型的生成无关的行驶信息,或其可选组合。当残差具有较大的方差时,分布具有更宽的裙部,如图中用虚线所示的正态分布401和402所示。
正态分布400用于设置预测模型的阈值。例如,当标准偏差由σ表示时,标准偏差的倍数,诸如2σ或3σ,被设定为阈值。当残差超过被设定为2σ的阈值时,在异常检测中检测到异常。当设置这样的阈值时,约95%的实际值被确定为没有异常(正常)。作为另一个示例性阈值设置,可以将与预定概率(例如,最高X百分点或最低X百分点)对应的残差值或其绝对值设置为阈值。上述阈值确定方法是示例性的,并且可以使用任何其它方法。例如,可以通过假设除正态分布之外的分布来确定阈值,或者由诸如维护人员或驾驶员的人基于其经验来确定阈值。
异常检测器110通过使用存储在模型数据库320中的异常检测模型(预测模型和阈值)对目标***执行异常检测。从用于异常检测的行驶信息生成特征向量,并且通过使用所生成的特征向量和预测模型来预测减速度。将预测的减速度和实际的减速度之间的残差与阈值进行比较。当残差等于或小于阈值时,确定减速度是正常的。当残差大于阈值时,确定减速度是异常的。异常检测器110基于异常检测的结果将信息存储在检测结果数据库330中。异常检测器110将与异常检测的结果相关的信息通知给屏幕生成器130和警报器120。
图9示出了示例性检测结果数据库。数据库以时序方式存储制动槽、减速度的实际值、基于预测模型的减速度的预测值(ID0001)和异常检测结果(异常存在或不存在)。在图9所示的示例中,在任何时间都没有检测到异常。可以将对应时间的行驶信息(例如,驾驶员、天气、大气温度、乘坐率、坡度、斜度、风速和大气压力的项目)添加到检测结果数据库中。
以上描述是关于向预测模型设置一个阈值的示例。但是,在本实施例中,阈值设置器220可以根据行驶条件向预测模型设置多个阈值。在这种情况下,在异常检测时,异常检测器110指定由当前行驶信息满足的行驶条件。然后,通过使用与指定的行驶条件对应的阈值来执行异常检测。阈值设置器220设置多个阈值所需的行驶条件由条件生成器230生成。
条件生成器230通过使用检测结果数据库330和用于异常检测的行驶信息生成用于根据预测模型的预测值与实际值之间的差值对差值进行分类的多个行驶条件(多个条件)。下面详细描述条件生成器230的操作。
条件生成器230通过使用检测结果数据库330和行驶信息创建用于根据残差预测类别的分类器(例如,决策树)。
检测结果数据库中的预测值和实际值之间的每个残差被分类为多个类别(残差类别)。例如,等于或小于阈值A的残差被分类为用于小残差的残差类别A,大于阈值A且小于阈值B的残差被分类为用于中间残差的残差类别B,或者等于或大于阈值B的残差被分类为用于大残差的残差类别C。阈值A可以是首先设置到预测模型的阈值,但不限于此。接下来将描述另一种示例性分类。残差按升序或降序排列。当残差按大小的升序排列时,最小20%的残差的数据集被分类为残差类别A,下一个最小60%的残差的数据集被分类为残差类别B,并且剩余20%的残差的数据集被分类为残差类别C。类别的比率可以可选地确定,并且不限于上述值。
条件生成器230针对如图9所示的检测结果数据库330中的每个条目,根据条目的残差选择残差类别A至C中的任何一个,并将所选择的残差类别分配给条目。此外,条件生成器230指定与图4所示的表310a中的每个条目对应的行驶信息,并将行驶信息与条目关联。但是,当行驶信息已经包括在检测结果数据库330中时,该操作是不必要的。以这种方式,如图10所示,生成其中检测结果数据库中的每个条目与残差类别和行驶信息关联的数据集。该数据集可以存储在条件生成器230的内部缓冲器中,或者可以存储在未示出的存储装置或数据库中。在图10所示的数据集中,所有条目都被设置为残差类别A。通过使用数据集作为学习数据,具体而言,通过将残差类别设置为目标变量和将其它项设置为解释变量,生成决策树。在从中创建数据集的数据库(例如,图9和图4中所示的那些数据库)中,不需要使用生产数据集所不需要的任何项目。例如,在不需要时,异常检测结果的项目不需要包括在图10所示的数据集中。
该示例假设数据集不包括检测到异常的数据。但是,当存在检测到异常的数据时,可以从数据集中排除该数据。当异常检测器110检测到异常时,维护人员可以检查该检测结果是否正确。例如,当检测到异常时,屏幕显示装置900显示检查屏幕(参见稍后描述的图16)以检查该检测结果是否正确。当确定检测结果错误时,维护人员输入用于错误检测的指令。条件生成器230或另一个处理器基于该指令校正检测结果数据库330中的检测结果。在创建决策树时,可以从数据集中排除检测到异常的数据。
图11示出了示例性生成的决策树。该决策树基于与降水量和乘坐率相关的两个解释变量来预测与目标变量对应的残差类别。节点1001a、1001b和1001c是与目标变量对应的端节点。顶节点被称为根节点。除端节点和根节点之外的任何节点都被称为中间节点。根节点和中间节点是解释变量节点。端节点是残差类别节点(目标变量节点)。节点1001a、1001b和1001c分别与残差类别A、残差类别B和残差类别C对应。该决策树将残差分类为针对“晴天(无降水)并且乘坐率等于或低于90%”的残差类别A、将残差分类为针对“晴天(无降水)并且乘坐率高于90%”的残差类别B,或将残差分类为针对“阴雨天气(无降水)”的残差类别C。
条件生成器230获取包括在从残差类别节点(端节点)到根节点的路径中的条件作为与每个残差类别对应的行驶条件。具体而言,条件生成器230获取与从残差类别A到根节点的路径对应的条件“晴天(无降水)和等于或低于90%的乘坐率”、与从残差类别B到根节点的路径对应的条件“晴天(无降水)并且高于90%的乘坐率”,以及与从残差类别C到根节点的路径对应的条件“阴雨天气(无降水)”,分别作为行驶条件A、B和C。
阈值设置器220为每个行驶条件A至C设置阈值。具体而言,阈值设置器220将用于生成预测模型的行驶信息(或未用于生成预测模型的行驶信息)分类为满足行驶条件A至C的组A至C。对分类为组A的行驶信息执行异常检测,并基于检测结果计算残差。计算残差的分布(例如,正态分布)并将其用于设置阈值A(参考关于图8的描述)。以这种方式,为行驶条件A设置阈值A。类似地,与行驶条件B对应的阈值B被设置为组B,并且与行驶条件C对应的阈值C被设置为组C。
与组A对应的残差的分布具有小标准偏差,因此阈值A小。与组C对应的残差的分布具有大标准偏差,因此阈值C大。与组B对应的阈值B在阈值A和阈值C之间。
当天气晴朗且乘坐率等于或低于90%时使用阈值A。当天气晴朗且乘坐率高于90%时使用阈值B。当降水量大于零时使用阈值C。在异常检测时根据这种行驶条件切换阈值,从而基于制动特性准确地实现异常检测。虽然仅使用降水量和乘坐率作为上述行驶条件,但是例如可以使用其它大气温度和湿度项作为行驶条件。
用于学习决策树的算法的示例包括ID3和C4.5,但是可以使用任何算法。可以执行对决策树的修剪以防止噪声和过度学习。决策树的学习是示例性的,并且可以使用任何其它分类器。在决策树中采用多项行驶信息中的哪项解释变量取决于要使用的算法和学习数据。
虽然使用决策树来为上面的每个行驶条件设置阈值,但是维护人员可以采用专业知识来为每个行驶条件设置阈值。
由条件生成器230生成的每对行驶条件和由阈值设置器220设置的阈值存储在模型数据库320中的阈值列中的对应单元中。图12示出了其中为模型0001存储多个阈值和对应的行驶条件的示例。
当在异常检测中使用以这种方式为预测模型设置多个阈值的异常检测模型时,异常检测器110指定行驶条件中满足当前行驶信息的行驶条件。然后,异常检测器110通过使用与指定的行驶条件对应的阈值和预测模型来执行异常检测。以下描述在这种情况下异常检测器110的操作的具体示例。
图13是用于描述异常检测器110的示例性操作的图。图13的上部示出了制动槽。其中间部分示出了制动减速度。其下部示出了实际值和预测模型的预测值之间的残差。在预测模型中,制动槽与解释变量对应,并且减速度与目标变量对应。
在时间t1,执行将制动槽设定为槽“4”的操作。接收到该操作后,制动***将制动力施加到车辆上。因此,车辆的减速度增加并且此后保持接近恒定值。在时间t1和t2之间的间隔中,减速度的预测值和其测量值(实际值)之间具有微小的差异,但是基本上以相同的值过渡,并且预测值和实际值之间的残差小于阈值α。在该间隔中,车辆的行驶环境满足行驶条件A。阈值α与行驶条件A对应。
在时间t2,车辆的行驶环境满足的行驶条件从A改变为B。异常检测器110检测行驶条件的改变并将所使用的阈值改变为β。
可以从测量信息中包括的测量值和控制命令值以及环境信息中包括的路线数据和天气数据来检测行驶环境及其变化。替代地,可以基于例如来自驾驶员或命令中心的明确命令或从地面元件接收到的无线电信号来检测行驶环境及其变化。
在时间t2和t3之间的间隔中,减速度的预测值是恒定的,但是实际值与时间t1和t2之间的实际值相比变化很大。因此,残差在三个时刻超过阈值β,并且异常检测器110在每个时刻检测到异常。
在时间t3,执行将制动槽从槽“4”改变到槽“2”的操作。接收到该操作后,制动***减小施加到车辆的制动力,相应地,车辆的减速度降低。在时间t3和t4之间的间隔中,残差在阈值β的范围内,因此没有检测到异常。
在时间t4,由车辆的行驶环境满足的行驶条件从B返回到A。在检测到行驶条件的改变后,异常检测器110在时间t4将所使用的阈值从β改变为α。在时间t4和t5之间的间隔中,残差在阈值α的范围内,因此没有检测到异常。
在时间t5,执行取消制动的操作。在接收到该操作后,制动***进一步减小施加到车辆的制动力,因此车辆的减速度进一步降低。
在时间t5之后,残差在阈值α的范围内,因此没有检测到异常。
警报器120向铁路操作员、驾驶员或维护人员使用的终端700通知异常检测器110检测到的异常。该通知可以通过发送电子邮件、在终端700的操作屏幕上显示弹出消息,或者通过预定的工具管理协议进行通知来执行,或者可以通过任何其它手段来执行。通知可以包括详细信息(例如,地图上发生异常的地点(当前值)、或发生异常的车辆的标识符)。操作员或维护人员可以通过接收通知来了解异常的检测及其细节。
屏幕生成器130在屏幕显示装置900上显示例如异常检测结果、如果检测到异常时车辆的当前位置、异常检测模型和用于异常检测的阈值、传感器数据,以及基于预测模型的预测值。屏幕生成器130可以包括在异常检测装置100中,或者可以包括在与异常检测装置100连接的车辆信息***中,或者包括在地面***的信息网络上的终端或管理服务器中。
图14示出了由屏幕生成器130显示的示例性主屏幕901。主屏幕901显示关于多个车组的信息。在该示例中,屏幕显示装置900安装在用于管理和监视车组的命令室内。
与车辆相关的信息以表格形式显示在主屏幕901的上部。显示项目的示例包括车组、异常检测结果、线路号(车组标识符)、乘坐率和当前位置的项目,但是可以显示任何其它信息。表中的“异常”列显示异常检测结果。感叹号“!”指示检测到异常。因此,指示在车组B处检测到异常。异常检测结果的这种显示是示例性的并且可以以任何其它方式实现。
地图显示在主屏幕901的下部,其指示每个车组的当前位置。异常的检测和所使用的模型的名称显示在检测到异常的车组B的单词气球中。
在图14中所示的主屏幕901上点击感兴趣的车组执行到异常详细屏幕的转换。屏幕转换的方案不限于此,而是可以采用任何其它方案,诸如预定的键盘操作。
图15示出了通过点击车组B进行转换的示例性异常详细屏幕902。
在图15中,与图13所示的曲线图相同的曲线图显示在屏幕的右侧。具体而言,显示了制动槽的曲线图、减速度的预测值的曲线图、减速度的实际值的曲线图和残差的曲线图。针对包括检测到异常时的时间的特定持续时间显示每个曲线图。显示指示超过阈值的长条,以允许目视检查检测到异常时的时间。
在图15所示的屏幕的左侧部分提供复选框,以允许选择要显示其曲线图的项目。可以提供另一种单独的手段以允许指定图形显示的时间范围。当提供如上所述的这种界面时,铁路运营商等可以理解异常的细节并快速采取措施。
当异常检测器110检测到异常时,可以向维护人员呈现检查屏幕以允许维护人员检查检测结果是否正确。图16示出了示例性检查屏幕903。当确定检测结果错误时,维护人员输入校正结果的指令。条件生成器230基于该指令校正检测结果数据库中的检测结果。
图17示出了根据本实施例的异常检测装置的硬件配置。根据本实施例的异常检测装置由计算机装置100实现。计算机装置100包括CPU 151、输入接口152、显示装置153、通信装置154、主存储装置155和外部存储装置156。这些部件通过总线157相互连接。
中央处理单元(CPU)151在主存储装置155上执行作为计算机程序的异常检测程序。异常检测程序是实现异常检测装置的每个上述功能组件的计算机程序。通过CPU 151执行异常检测程序来实现每个功能组件。
输入接口152是用于向异常检测装置输入来自诸如键盘、鼠标或触摸板的输入装置的操作信号的电路。
显示装置153显示从异常检测装置输出的数据或信息。显示装置153是例如液晶显示器(LCD)、阴极射线管(CRT)或等离子显示器(PDP),但不限于此。从计算机装置100输出的数据或信息可以由显示装置153显示。
通信装置154是允许异常检测装置以无线或有线方式与外部装置通信的电路。可以通过通信装置154从外部装置输入测量信息。从外部装置输入的测量信息可以存储在信息数据库310中。
主存储装置155存储例如异常检测程序、执行异常检测程序所需的数据,以及通过执行异常检测程序而生成的数据。异常检测程序被加载到主存储装置155上并且被执行。主存储装置155是例如RAM、DRAM或SRAM,但不限于此。可以在主存储装置155上构建信息数据库310、模型数据库320和检测结果数据库330。
外部存储装置156存储例如异常检测程序、执行异常检测程序所需的数据,以及通过执行异常检测程序而生成的数据。在执行异常检测程序时,将这些程序和数据读入到主存储装置155上。外部存储装置156是例如硬盘、光盘、闪存或磁带,但不限于此。可以在外部存储装置156上构建信息数据库310、模型数据库320和检测结果数据库330。
异常检测程序可以预先安装在计算机装置100上,或者可以存储在诸如CD-ROM的存储介质中。替代地,可以在互联网上上传异常检测程序。
计算机装置100可以包括一个或多个CPU 151、一个或多个输入接口152、一个或多个显示装置153、一个或多个通信装置154,以及一个或多个主存储装置155,并且可以与诸如打印机或扫描仪之类的***仪器连接。
异常检测装置可以由单个计算机装置100实现,或者可以被配置为包括彼此连接的多个计算机装置100的***。
图18是根据本发明的实施例的在操作模式中执行的异常检测处理的流程图。图18所示的流程图的处理可以在异常检测目标***的某个操作时执行、可以在恒定周期内执行、可以在接收到来自诸如维护人员的用户的指令时执行,或者可以在任何其它时间执行。
在步骤S101,异常检测器110从信息数据库310获取作为异常检测目标的行驶信息。
在步骤S102,异常检测器110从模型数据库320中选择与异常检测目标***(在该示例中,车辆的制动***)对应的预测模型。异常检测器110还在多个行驶条件中选择与获取的行驶信息满足的行驶条件对应的阈值。例如,预测模型是用于从表示对车辆的控制命令值(例如,制动槽)的解释变量预测表示车辆的状态(例如,减速度)的目标变量的模型。换句话说,预测模型是将表示对车辆的控制命令值的解释变量与表示车辆的状态的目标变量关联的模型。
在步骤S103,异常检测器110根据获取的行驶信息生成特征向量。例如,异常检测器110生成包括控制命令值的特征向量。特征向量的元素的数量可以是一个或多个。异常检测器110基于特征向量和预测模型来预测目标变量(在该示例中,减速度)。换句话说,异常检测器110基于控制命令值和预测模型来计算车辆的状态的预测值。
在步骤S104,异常检测器110计算作为预测的减速度和行驶信息中包括的减速度之间的差值的残差,并将计算出的残差与阈值进行比较。
当残差大于阈值(是)时,异常检测器110检测到异常并将通知检测到异常的信息输出到屏幕显示装置900等(S105)。
当残差等于或小于阈值(否)时,异常检测器110检测到没有异常(S106)。换句话说,异常检测器110确定车辆的制动***是正常的。当没有检测到异常时,可以将通知车辆的制动***正常的信息输出到屏幕显示装置900等。
图19是学习模式中的异常检测装置处的阈值设置处理的流程图。该处理可以以恒定周期执行、可以在维护人员指示的时刻执行、或者可以在任何其它时刻执行。下面描述当根据行驶条件的多个阈值被设置到预测模型时的示例性操作。假设异常检测器110基于预先生成的预测模型和一个阈值执行异常检测,并且检测结果数据库330存储与异常检测相关的数据。
在步骤S201,条件生成器230根据基于检测结果数据库330的残差的值将残差类别分配给预测值和实际值之间的残差。条件生成器230生成其中残差类别与行驶信息关联的数据集(参见图10)。
在步骤S202,条件生成器230将数据集的每个项目设置为解释变量并且将残差类别设置为目标变量,并且执行例如机器学习以生成从多个解释变量中的至少一个预测目标变量的分类器。具体而言,条件生成器230生成将与至少一个解释变量相关的多个条件与多个残差类别关联的分类器。在该示例中,生成决策树(参考图11)作为分类器。
在步骤S203,条件生成器230获取分类器中包括的条件作为多个行驶条件。当使用决策树时,获取包括在从每个残差类别节点(端节点)到根节点的路径中的条件作为与残差类别对应的行驶条件。
在步骤S204,阈值设置器220向行驶条件设置多个阈值。例如,阈值设置器基于分类为满足行驶信息的每个行驶条件的残差类别的残差的分布来确定阈值。例如,用于生成决策树的行驶信息(或未用于生成决策树的行驶信息)被分类为满足行驶条件的组。对每个组执行异常检测,并且基于检测结果计算残差。然后,生成残差的概率分布(参考图8)。与概率分布中的预定概率(诸如较高水平X百分点)对应的残差值或者基于标准偏差σ的两倍或三倍的值的值被确定为阈值。
在步骤S205,阈值设置器220将多对阈值和行驶条件与对应的预测模型关联地存储在模型数据库320中。
虽然本实施例描述了预测模型的目标变量是制动器的减速度的示例,但是可以改为使用用于预测车辆的另一个状态(例如,制动器的制动距离)的预测模型。制动距离可以通过计算例如自从制动开始直到车辆停止或直到达到期望的减速度或速度为止的距离来测量。替代地,可以使用用于预测制动器的减速度和制动距离两者的预测模型。在这种情况下,例如,为减速度和制动距离中的每一个准备公式(1)。相应地,预测模型的目标变量的数量是两个。以这种方式,预测模型可以具有多个目标变量而不是单个目标变量。在这种情况下,当每个目标变量或任何一个目标变量的残差超过阈值时,可以检测到异常。
根据本实施例,可以通过根据行驶条件设置阈值来生成适用于各种条件的大量异常检测模型。可以设置适合于例如诸如早晨、下午和晚上的多个时段、诸如市区、郊区和山区的多个区域中的路线、春季、夏季、秋季和冬季的所有季节,以及诸如多雨、多雪、晴天天气的多种天气的详细条件的阈值。
在上述第一实施例中,根据行驶条件将多个阈值设置为相同的预测模型。但是,在第二实施例中,可以根据行驶条件生成多个异常检测模型(多对预测模型和阈值)。在这种情况下,当执行异常检测时,指定满足当前行驶信息的行驶条件,并且使用与指定的行驶条件对应的异常检测模型(预测模型和阈值)。
模型生成器210为多个行驶条件中的每个行驶条件生成预测模型。阈值设置器220设置与每个预测模型对应的阈值(换句话说,与每个行驶条件对应的阈值)。
具体而言,类似于第一实施例,模型生成器210生成多个行驶条件。模型生成器210从行驶信息中提取满足每个行驶条件的数据,并通过使用提取出的数据生成预测模型。通过与上述实施例中的方法相同的方法生成预测模型。阈值设置器220以与上述实施例中相同的方式设置与每个预测模型对应的阈值(换句话说,与每个行驶条件对应的阈值)。生成的预测模型、设置的阈值和对应的行驶条件存储在模型数据库320中。图20示出了根据第二实施例的示例性模型数据库320。生成模型0001_A、0001_B和0001_C来代替图7中所示的模型0001。换句话说,新生成三个异常检测模型来代替一个异常检测模型。该代替一个模型的多个模型的生成被称为模型划分。附加地提供行驶条件列以存储与每个模型对应的行驶条件。
当生成图11所示的上述决策树时,当满足行驶条件“晴天(无降水)并且乘坐率等于或低于90%”时使用模型0001_A。当满足行驶条件“晴天(无降水)并且乘坐率高于90%”时使用模型0001_B。当满足行驶条件“阴雨天气(无降雨)”时使用模型0001_C。
通过递归地重复在本实施例中生成的异常检测模型上的模型划分,可以生成适用于各种条件的大量异常检测模型。可以生成适合于例如诸如早晨、下午和晚上的多个时段、诸如市区、郊区、山区的多个区域中的路线、春季、夏季、秋季和冬季的所有季节,以及诸如多雨、多雪、晴天天气的多种天气的详细条件的异常检测模型。
本实施例可以与第一实施例组合。具体而言,可以对通过模型划分生成的多个异常检测模型中的每一个设置根据行驶条件的多个阈值。这允许生成与更详细条件对应的异常检测模型。
虽然已经描述了某些实施例,但是这些实施例仅作为示例给出,并不旨在限制本发明的范围。实际上,本文描述的新颖实施例可以以各种其它形式实施;此外,在不脱离本发明的精神的情况下,可以对本文描述的实施例的形式进行各种省略、替换和改变。
[标号说明]
10 制动杆
20 铁路
30 车轮
41 制动块
42 胎面制动器
43 气缸
50 负载响应装置
51 空气弹簧
60a,60b 主电动机
70 电阻器
80 集电弓
90 线路
100 异常诊断装置
101 车辆信息收集器
102 环境信息收集器
103 数据处理器
110 异常检测器
120 警报器
130 屏幕生成器
151 CPU
152 输入接口
153 显示装置
154 通信装置
155 主存储装置
156 外部存储装置
157 总线
200 异常检测模型生成器
210 模型生成器
220 阈值设置器
230 条件生成器
310 信息数据库
310a,310b,310c 表
320 模型数据库
330 检测结果数据库
500 车辆***
600 环境信息***
700 终端
800 输入装置
900 屏幕显示装置
901 主屏幕
902 异常详细屏幕
903 检查屏幕
Claims (12)
1.一种异常检测装置,包括:
条件生成器,被配置为基于车辆的行驶信息生成用于对车辆的状态的预测值与车辆的状态的测量值之间的差值进行分类的多个条件,所述预测值基于控制命令值和预测模型;
阈值设置器,被配置为设置用于条件的多个阈值;以及
异常检测器,被配置为基于预测模型、阈值和条件对车辆执行异常检测。
2.如权利要求1所述的异常检测装置,其中,
条件生成器使用包括基于车辆的行驶信息的多个解释变量和与差值对应的类别的一组数据,并且生成将多个条件与多个类别关联的分类器,所述条件与解释变量中的至少一个解释变量相关,并且
与分类器关联的条件与对差值进行分类的条件对应。
3.如权利要求2所述的异常检测装置,其中,阈值设置器基于由分类器分类为类别的差值的分布来确定阈值。
4.如权利要求3所述的异常检测装置,其中,阈值设置器生成差值的概率分布,并将阈值设置为基于概率分布的标准偏差的值或与概率分布中的预定概率对应的差值的值。
5.如权利要求1至4中任一项所述的异常检测装置,其中,阈值设置器通过用户界面接收设置所述多个阈值的指令,并基于设置指令来设置阈值。
6.如权利要求1至5中任一项所述的异常检测装置,其中,异常检测器基于与第一时刻对应的控制命令值和预测模型来计算车辆的状态的预测值、指定条件中由与第一时刻对应的行驶信息满足的条件,并且通过将车辆的状态的预测值与测量值之间的差值与对应于指定条件的阈值进行比较来检测车辆是否具有异常。
7.如权利要求1至6中任一项所述的异常检测装置,还包括:模型生成器,被配置为针对条件生成多个预测模型,在所述多个预测模型中的每个预测模型中,对车辆的控制命令值与车辆的状态关联,其中异常检测器基于预测模型、阈值和条件对车辆执行异常检测。
8.如权利要求7所述的异常检测装置,其中,异常检测器指定条件中由与第一时刻对应的行驶信息满足的条件,基于与指定条件对应的预测模型和与第一时刻对应的控制命令值来计算车辆的状态的预测值,并且通过将车辆的状态的预测值与测量值之间的差值与对应于指定条件的阈值进行比较来检测车辆是否具有异常。
9.如权利要求1至8中任一项所述的异常检测装置,其中,
控制命令值是与车辆的制动的大小相关的命令值,以及
所述状态包括车辆的减速度或空气制动压力。
10.如权利要求1至9中任一项所述的异常检测装置,其中,行驶信息包括车辆的传感器中的至少一个传感器的测量信息和车辆的环境信息中的至少一个。
11.一种异常检测方法,包括:
基于车辆的行驶信息生成用于对车辆的状态的预测值与车辆的状态的测量值之间的差值进行分类的多个条件,所述预测值基于控制命令值和预测模型;
设置用于条件的多个阈值;以及
基于预测模型、阈值和条件对车辆执行异常检测。
12.一种使计算机执行以下处理的计算机程序:
基于车辆的行驶信息生成用于对车辆的状态的预测值与车辆的状态的测量值之间的差值进行分类的多个条件,所述预测值基于控制命令值和预测模型;
设置用于条件的多个阈值;以及
基于预测模型、阈值和条件对车辆执行异常检测。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017140204A JP6889059B2 (ja) | 2017-07-19 | 2017-07-19 | 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 |
JP2017-140204 | 2017-07-19 | ||
PCT/JP2018/007061 WO2019016996A1 (en) | 2017-07-19 | 2018-02-26 | ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND COMPUTER PROGRAM |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109641603A true CN109641603A (zh) | 2019-04-16 |
CN109641603B CN109641603B (zh) | 2021-10-19 |
Family
ID=61656284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880003324.7A Active CN109641603B (zh) | 2017-07-19 | 2018-02-26 | 异常检测装置、异常检测方法和计算机程序 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP6889059B2 (zh) |
CN (1) | CN109641603B (zh) |
TW (1) | TWI688492B (zh) |
WO (1) | WO2019016996A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287439A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于lstm的网络行为异常检测方法 |
CN110395242A (zh) * | 2019-08-13 | 2019-11-01 | 中车青岛四方车辆研究所有限公司 | 一种空气制动压力控制***及制动控制方法 |
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111708354A (zh) * | 2020-07-06 | 2020-09-25 | 四川创客知佳科技有限公司 | 基于大数据的智慧酒店终端故障检测方法 |
CN112217785A (zh) * | 2019-07-10 | 2021-01-12 | 罗伯特·博世有限公司 | 用于在通信网络中的异常识别的设备和方法 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN112729099A (zh) * | 2020-12-26 | 2021-04-30 | 北京磁浮交通发展有限公司 | 间隙探头的检测方法、装置、电子设备及计算机存储介质 |
CN112750333A (zh) * | 2019-10-30 | 2021-05-04 | 株式会社日立制作所 | 异常判定装置、车辆辅助***、服务器 |
CN114972824A (zh) * | 2022-06-24 | 2022-08-30 | 小米汽车科技有限公司 | 杆件检测方法、装置、车辆和存储介质 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2580873A (en) * | 2018-11-02 | 2020-08-05 | Bombardier Transp Gmbh | Method and arrangement for safely operating at least one track-bound vehicle |
JP7206165B2 (ja) * | 2019-07-11 | 2023-01-17 | 東芝インフラシステムズ株式会社 | 遠隔監視装置 |
JP7269822B2 (ja) * | 2019-08-06 | 2023-05-09 | 株式会社日立製作所 | 通信監視装置及び通信監視方法 |
JP7363567B2 (ja) * | 2019-09-20 | 2023-10-18 | 富士電機株式会社 | モデル生成装置、電力変換装置及び電力制御システム |
JP7332152B2 (ja) * | 2019-10-24 | 2023-08-23 | 日本電気株式会社 | 学習モデル生成方法、学習モデル生成装置、及び学習プログラム |
KR20210054096A (ko) * | 2019-11-04 | 2021-05-13 | 한국철도기술연구원 | 팬터그래프 검측장치 |
JP7273755B2 (ja) * | 2020-03-16 | 2023-05-15 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
CN111780809B (zh) * | 2020-07-21 | 2023-09-08 | 重庆大学 | 轨道车辆零部件温度和振动监测预警方法及其*** |
JP7046148B1 (ja) * | 2020-11-26 | 2022-04-01 | 三菱電機株式会社 | 診断システム、診断プログラムおよび診断方法 |
CN114323706B (zh) * | 2021-11-22 | 2024-04-12 | 卡斯柯信号有限公司 | 一种列车ato控车故障检测方法、装置、设备及介质 |
CN114537361B (zh) * | 2022-03-22 | 2022-11-08 | 中车制动***有限公司 | 制动控制***部件故障预测方法 |
WO2023181232A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013091409A (ja) * | 2011-10-26 | 2013-05-16 | Hitachi Ltd | 無線列車信号システム |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106412551A (zh) * | 2015-07-29 | 2017-02-15 | 雅马哈发动机株式会社 | 异常图像检测装置、图像处理***及车辆 |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及*** |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及*** |
US20170178426A1 (en) * | 2015-12-17 | 2017-06-22 | Kabushiki Kaisha Toshiba | Abnormality diagnostic device and method therefor |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4592235B2 (ja) * | 2001-08-31 | 2010-12-01 | 株式会社東芝 | 生産装置の故障診断方法及び生産装置の故障診断システム |
JP2007026134A (ja) * | 2005-07-19 | 2007-02-01 | Matsushita Electric Works Ltd | 異常判定装置 |
EP2622483A4 (en) * | 2010-09-28 | 2014-06-04 | Siemens Ag | ADAPTIVE REMOTE CONTROL OF ROLLING EQUIPMENT |
JP2013100111A (ja) * | 2013-03-07 | 2013-05-23 | Mitsubishi Electric Corp | 異常原因特定装置、異常原因特定システム、および異常原因特定方法 |
JP2015162032A (ja) * | 2014-02-27 | 2015-09-07 | 株式会社日立製作所 | 移動体の診断装置 |
SE538909C2 (sv) * | 2014-04-15 | 2017-02-07 | Eber Dynamics Ab | Förfarande och anordning för att bestämma strukturella parametrar för ett järnvägsspår |
EP2937241B1 (en) * | 2014-04-24 | 2017-03-08 | Hitachi, Ltd. | Railway vehicle damage estimation |
JP6293579B2 (ja) * | 2014-06-02 | 2018-03-14 | 日本信号株式会社 | 軌道検査装置 |
JP6509548B2 (ja) * | 2014-12-15 | 2019-05-08 | 日本製鉄株式会社 | 鉄道車両状態監視装置 |
JP2017022853A (ja) * | 2015-07-09 | 2017-01-26 | 株式会社東芝 | 列車制御装置 |
-
2017
- 2017-07-19 JP JP2017140204A patent/JP6889059B2/ja active Active
-
2018
- 2018-02-26 WO PCT/JP2018/007061 patent/WO2019016996A1/en active Application Filing
- 2018-02-26 CN CN201880003324.7A patent/CN109641603B/zh active Active
- 2018-03-13 TW TW107108389A patent/TWI688492B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013091409A (ja) * | 2011-10-26 | 2013-05-16 | Hitachi Ltd | 無線列車信号システム |
CN106412551A (zh) * | 2015-07-29 | 2017-02-15 | 雅马哈发动机株式会社 | 异常图像检测装置、图像处理***及车辆 |
US20170178426A1 (en) * | 2015-12-17 | 2017-06-22 | Kabushiki Kaisha Toshiba | Abnormality diagnostic device and method therefor |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及*** |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及*** |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287439A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于lstm的网络行为异常检测方法 |
CN112217785A (zh) * | 2019-07-10 | 2021-01-12 | 罗伯特·博世有限公司 | 用于在通信网络中的异常识别的设备和方法 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN112241511B (zh) * | 2019-07-19 | 2024-05-14 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN110395242A (zh) * | 2019-08-13 | 2019-11-01 | 中车青岛四方车辆研究所有限公司 | 一种空气制动压力控制***及制动控制方法 |
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111210604B (zh) * | 2019-10-22 | 2021-06-15 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN112750333B (zh) * | 2019-10-30 | 2022-10-28 | 株式会社日立制作所 | 异常判定装置、车辆辅助***、服务器 |
CN112750333A (zh) * | 2019-10-30 | 2021-05-04 | 株式会社日立制作所 | 异常判定装置、车辆辅助***、服务器 |
CN111708354A (zh) * | 2020-07-06 | 2020-09-25 | 四川创客知佳科技有限公司 | 基于大数据的智慧酒店终端故障检测方法 |
CN112729099A (zh) * | 2020-12-26 | 2021-04-30 | 北京磁浮交通发展有限公司 | 间隙探头的检测方法、装置、电子设备及计算机存储介质 |
CN112729099B (zh) * | 2020-12-26 | 2022-05-17 | 北京磁浮交通发展有限公司 | 间隙探头的检测方法、装置、电子设备及计算机存储介质 |
CN114972824A (zh) * | 2022-06-24 | 2022-08-30 | 小米汽车科技有限公司 | 杆件检测方法、装置、车辆和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2019018755A (ja) | 2019-02-07 |
TW201908163A (zh) | 2019-03-01 |
JP6889059B2 (ja) | 2021-06-18 |
WO2019016996A1 (en) | 2019-01-24 |
TWI688492B (zh) | 2020-03-21 |
CN109641603B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109641603A (zh) | 异常检测装置、异常检测方法和计算机程序 | |
CN109689470B (zh) | 异常诊断装置、异常诊断方法和计算机程序 | |
US10657736B2 (en) | System and method for aircraft fault detection | |
EP3608850A1 (en) | Energy management device, model management method and computer program | |
CN111511622B (zh) | 以编程方式识别自主车辆的个性 | |
US11858377B2 (en) | Information provision service system for electric vehicle using vehicle sensors | |
KR102527319B1 (ko) | 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법 | |
JP7454088B2 (ja) | 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 | |
CN111325437B (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
JP2022547002A (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 | |
CN115273480B (zh) | 一种基于大数据分析的交通预警***及其方法 | |
US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
CN111191824A (zh) | 一种动力电池容量衰减预测方法及*** | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
CN117601926A (zh) | 一种牵引电传动和安全监测设备的协同监测装置和*** | |
Gregori et al. | Assessment of catenary condition monitoring by means of pantograph head acceleration and Artificial Neural Networks | |
CN114676175B (zh) | 一种道路颠簸点检测方法、装置、设备及介质 | |
CN116151680A (zh) | 轨道交通能耗分析***及方法 | |
CN112884233A (zh) | 高速铁路***多模态融合晚点预测方法 | |
CN216118812U (zh) | 一种监管场所云卡口统一运维*** | |
Singh et al. | Prediction of energy consumption for battery electric vehicles | |
CN117985026A (zh) | 一种驾驶风格分析方法、装置及车辆 | |
KR20240023856A (ko) | 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 | |
KR20210132352A (ko) | 철도 차량 부품들의 결함을 진단하고 남은 수명을 계산하는 방법 및 장치 | |
CN117131957A (zh) | 基于机器学习的机油低压力故障的预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |