JP2015162032A - 移動体の診断装置 - Google Patents

Abstract

【課題】移動体の使用状況や環境変化によって生じる誤診断を防止する。【解決手段】移動体に搭載された複数の装置から診断に用いるデータを収集し、前記収集したデータに基づいて前記装置の異常もしくは異常予兆を検出するためのモデルを生成し、前記生成したモデルから算出される診断指標にもとづいて前記装置の異常もしくは異常予兆を検出し、前記複数の装置の診断指標にもとづいて前記生成したモデルの再学習のタイミングを決める。【選択図】図４

Description

本発明は、移動体の診断装置に関する。

近年、自動車や鉄道車両などの移動体には様々な処理装置が搭載され、それらの処理装置の効率的な保守管理が重要となってきている。このような保守効率改善のため、移動体に搭載された装置のセンサ値，制御値などのデータから、装置の状態を推定し，推定された装置の状態に基づいて保守を行う状態ベース保全の導入が進んでいる。

本技術分野の背景技術として、特開２００６−１６０１５３号公報（特許文献１）では、この状態ベース保全において複数の移動体データを組み合わせて自動的に異常予兆を検知する異常予兆検知が提案されている。さらに特開２０１３−１０７４１７号公報（特許文献２）では、メンテナンス時の非定常状態における誤診断を防止するための技術も提案されている。

特開２００６−１６０１５３号公報 特開２０１３−１０７４１７号公報

特許文献１、及び特許文献２のいずれの開示技術においても長期運転における環境状況の変化や使用状況の変化により、診断のためのモデルを作成する際に想定していない環境や使用が生じると正常なものを異常と誤診断する恐れがあった。例えば、異常予兆などの診断において、種類の同じ機器が複数ある場合、そのうち１つの機器の値が診断のためのモデルから離れた挙動を示すようになれば、当該機器の異常を検知できるが、環境状態や使用状況の変化により、全体として複数の機器が同様の挙動変化を示し出す場合、当該挙動変化は、環境状態や使用状況の変化に対して起こりうる正常な変化であるため、異常予兆ではないと判断できることがある。特許文献１、特許文献２では、当該環境などの変化を考慮せず、診断モデルから乖離すれば異常と診断するため、上述のような正常な変化に対しても一律に異常と診断してしまう可能性があるため、誤判定によって本来必要のない保守作業が発生してしまうという保守効率の低下が考えられる。

本課題を解決するため，本発明では，置の異常もしくは異常予兆を検出する診断装置において、移動体に搭載された複数の装置から診断に用いるデータを収集し、前記収集したデータに基づいて前記装置の異常もしくは異常予兆を検出するためのモデルを生成し、前記生成したモデルから算出される診断指標にもとづいて前記装置の異常もしくは異常予兆を検出し、前記複数の装置の診断指標にもとづいて前記生成したモデルの再学習のタイミングを決める。

本発明により使用状況や環境変化による異常予兆の誤判定を防止でき，異常予兆診断の精度が向上して，保守効率が更に高まる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

異常予兆判定装置の一例。 異常予兆判定装置の課題異常度の時系列変化の一例。 環境変化や状態変化による異常度の増加を示す概念図。 本発明の概要を示すブロック図の一例 再学習装置のフローチャートの一例 本発明適用時のタイムチャートの一例 本発明適用時のタイムチャートの別の一例

以下本発明の実施形態を、図面を参照して説明する。

図１は、鉄道車両のドアを対象とした異常判定装置の一例を示す。診断対象１０１としてドアの異常予兆を診断するため，車両からドア動作時間，ドアを駆動する駆動空気圧（ドア駆動圧），外気温などのセンサ信号をドアデータとして異常予兆判定装置１０２に送信する。異常予兆判定装置１０２では予め前記ドア動作時間，ドア駆動圧，外気温が取りうる範囲を例えばベクトル量子化クラスタリングを用いて正常モデルとして学習する．そして車両運行中に収集される前記ドアデータと前記正常モデルとの距離を算出する．この距離は正常状態から離れるほど大きくなるため，この距離を診断指標として異常予兆を判定し，異常判定情報を表示装置１０３に表示する．具体的には前記表示装置１０３は診断指標のトレンドチャートを表示したり，診断指標が予め決められた所定値を超えた場合には警告を表示したりする。なお鉄道車両には複数のドアがあり、各ドアには個体差があるため各ドアに対してそれぞれ正常モデルを学習して異常予兆診断を行えば、複数のドアの各々に対してより精度の高い異常予兆診断を行うことができる。

図２をもちいて異常予兆判定装置の課題を説明する．図１で説明した異常予兆判定装置から算出される診断指標は図２に示すように正常状態から離れるに従って値が大きくなるため，その大きさに基づいて予兆や異常を判定出来る．しかし前述のようにこの診断指標はモデル作成時に想定した各センサの取りうる範囲を超えるような環境変化や運転状態変化が発生すると装置自体は正常であるものの当該診断指標に基づいて算出する異常度が増加して異常と誤判断する恐れがあった。

なお、環境変化や運転状態変化とは、例えば鉄道であれば、繁忙期と閑散期とでの運転頻度の差や、季節による外部環境（気温、湿度など）に伴う空調機の出力変化、更に長期的な変化としては、長年の沿線の利用乗客数の変動に伴う運行変化なども考えられる。また、自動車等を考慮すれば、自動車の保有者の引っ越しなどに伴う気候環境の変化なども想定される。その他、移動体に限らず、中・長期的な環境、使用の変化が起こりうる機器に対して、徐々に想定しうる範囲を超えるデータ変化が適切な範囲で起こりうるものであれば、本発明を適用すれば効果を得ることができる。

図３は環境変化や状態変化による異常度の増加を示す概念図である。

図３（ａ）はドア異常を検知するための正常モデルの概念図である。ここで異常度は複数のクラスタからの距離の最小値であり、たとえば温度が正常モデル作成時より低くなるとグリースの抵抗が大きくなり異常度が増加する。本実施例ではドアを事例としたがモータやポンプなどの回転体においても温度が低くなるとグリースの抵抗が大きくなるため同様の現象が生じる。

図３（ｂ）はモータ異常を検知するための正常モデルの概念図である。たとえば学習時と運転条件（負荷）が変わってしまうと出力が変わるために異常度が増加する。鉄道車両を例とすると、上述のように長年の運行で沿線の利用乗客数が変動し、開業時とは異なる負荷で運転するケースが考えられる。

図３（ｃ）はエアコン異常を検知するための正常モデルの概念図である。例えば長期的な気候の変化で学習時よりも高い温度でエアコンを運転するとエアコンの消費電力が学習時と異なるため異常度が増加する。特に移動体は様々な環境で使用され、このすべてを予め学習することが困難である。

図４は本発明の概要を示すブロック図の一例である。各装置から得られる装置データ１〜ｎ（センサ情報、制御情報等）から各装置に対応した正常モデルをもつ状態推定装置１〜ｎを経て異常度が算出される。

異常判定装置１〜ｎでは異常度に基づき異常判定をおこない、異常予兆診断装置では同じ移動体に搭載された複数の異常判定をまとめ、移動体の装置毎の異常判定表示出力を行う。本発明では複数の状態推定装置から算出される異常度を再学習装置で観測して再学習のタイミングをきめるとともに、再学習が必要な場合には異常判定を禁止・中断する構成となっている。

この構成により、異常度を算出する状態推定装置の多くが悪化を検出する場合は環境変化や運転条件変化によると判断し、再学習を促すとともに異常判定装置による異常判定を禁止・中断することで正常を異常と誤診断することを防止できる。さらには環境変化や運転条件変化による再学習タイミングを自動的に判断できるため、診断装置（正常モデル）の管理が容易となる。このように、環境変化や運転条件変化による悪化であるとの判断は、各装置から算出される異常度の平均値と、予め設定する所定値とを比較して行えばよい。ここで、平均を出すべき装置の分類方法については、例えば列車のドアであれば、当該編成列車内の全てのドアとしてもよいし、当該編成列車を構成する各々の車両ごとのドアとしてもよい。より少ないまとまりであればあるほど、環境変化への応答性能が高まる。また、停車駅のホームが一方の側に集中する場合を想定して、編成列車の片側のドアだけを一つのまとまりとしてとらえても良い。その他にも、路線区間を走行する編成列車をひとまとまりとしてもよい。このように、外部環境として似たような状況に置かれる装置群をまとまりとしてとらえることで、より精度の高い判定が行える。異常予兆診断装置は、上述の異常度の平均値の算出のうち、１つだけを採用してもよいし、複数の平均値の算出を行って、それぞれの平均値と所定値に対して判定を行う構成としてもよい。

また、平均だけでなく分散も求めておいてもよい。分散の情報も用いることで、異常度の平均値の上がり方が同じ場合であっても、各装置にバラつきがある上がり方をしている方は、異常の可能性が高いと判定することもできる。

更に、異常予兆を判定する装置数が多い場合は、再学習要求を行うか否かを決定するために行う異常度の平均値の算出に用いる装置を、全装置ではなく、一部の装置を選択する構成としても良い。異常度の平均値に用いる装置を増やせば増やすほど、１つの装置の異常度の平均値への影響が減るため、全体としての異常度の傾向を把握することができ、用いる装置数を減らせば減らすほど、処理コストが少なく済む。

異常度の平均値に用いる装置の選択は、毎回ランダムに選択してもよいし、装置の故障歴の情報に基づいて決めてもよいし、時期によって選択する数自体を変更してもよい。

図５は本発明の再学習装置のタイムチャートの一例である。ステップＳ501では図４の各状態推定装置から算出される異常度の平均を算出する。

ステップＳ502では前記異常度の平均値とあらかじめ設定した所定値と比較し、平均値が所定値よりも大きければステップＳ503に進み、そうでなければ処理を終了する。当該判定は、図４で述べた通り、Ｓ５０１にて様々な分類による平均値を算出し、各々を所定値と比較する構成としてもよい。当該所定値の設定や、比較する平均値の数によって、判定の精度を調節することができる。例えば、全ての平均値との比較において、所定値より高い場合にＳ５０３へ進む構成としてもよいし、すくなくともいずれか１つが所定値より高い場合にＳ５０３へ進む構成としても良い。

ステップＳ503では異常判定禁止処理として図４の異常判定装置による異常判定表示を禁止する。

ステップＳ504では異常判定装置の表示装置に再学習要求を表示する。なおステップＳ501では平均値を用いたが中央値などの全体量の代表値を用いても良い。またステップＳ504では画面に再学習要求を表示したが、診断装置管理者にメールするなどの処理を行っても良い。

図６は本発明を適用した時のタイムチャートの一例である。図６（ａ）、図６（ｂ）はそれぞれの装置の異常度の時間変化を示す。例えば鉄道車両のドアを対象とした場合、複数のドアに対してそれぞれの異常度が算出される。この複数の異常度の平均を算出し、再学習判定しきい値を異常判定しきい値よりも小さい値に設定する（図６（ｃ））。すると一つの異常度が増加しても平均値はほとんど変化しないため、該当する図６（ａ）に対応する装置の異常判定フラグ１が反応し（図６（ｄ））、異常判定表示がなされる。

図７は本発明を適用した時のタイムチャートの別の一例である。対象は図６と同じく鉄道車両のドアであり、本ケースでは複数のドアの異常度が増加しており、図７（ｃ）のようにこれらの異常度平均を算出すると、各異常度が異常度判定しきい値よりも大きくなる前に異常度平均が再学習判定しきい値を超えて再学習フラグが変化することがわかる。これにより異常度１が異常判定しきい値を超えて異常判定装置から異常判定フラグ１が出力されても、図4の異常予兆診断装置において再学習フラグが０の時だけ異常判定フラグによる異常判定を表示する構成としておけば、図７の例では異常判定表示がされず誤診断を防止できる。

したがって本発明を適用した移動体の診断装置では一つの装置に異常信号を混入した倍には該当機器の異常判定が出力され、複数の装置に異常信号を混入した場合には再学習を要求する表示もしくはメールが送信される。また図6,7では鉄道車両のドアを対象して説明したが、図３の説明でも述べたように移動体に搭載される特に複数の同じ種類の部品のモニタリングに適用すれば本発明の効果は高まる。

また、表示装置１０３のテストとして、装置の１つに模擬信号を加えることで、当該装置の異常もしくは異常予兆を検出する構成としてもよいし、複数の装置に模擬信号を加えると、前記モデルの再学習を促すメッセージ等の表示を出力する構成としてもよい。

なお、モデルの再学習の方法については、新規にモデルを生成し直してもよいし、既存のモデルに対して、得られた異常度の平均値をフィードバックさせて更新してもよい。当該モデルは、異常予兆判定装置内に備えられるデータベース（図示しない）に保存しておけばよい。

１０１・・・診断対象
１０２・・・異常予兆判定装置
１０３・・・表示装置

Claims (7)

1. 前記複数のデータから予め生成されるモデルであって、前記装置の異常予兆を検出するための前記モデルを備えるデータベースを有し、
   前記モデルと、前記装置から新たに受信するデータとに基づいて前記装置の異常もしくは異常予兆を検出する移動体の診断装置において、
   前記新たに受信する複数のデータに基づいて、前記モデルの再学習を行うこと
   を特徴とする移動体の診断装置。
2. 請求項１に記載の移動体の診断装置において、
   前記複数の装置のうち、同種類の装置からデータを受信して前記モデルを生成し、
   前記モデルと、前記同種類の装置から新たに受信するデータとに基づいて算出される診断指標によって、前記装置の異常もしくは異常予兆を検出すること
   を特徴とする移動体の診断装置。
3. 請求項２に記載の移動体の診断装置において、
   前記同種類の装置から新たに受信する複数のデータから得られる診断指標の平均値もしくは中心値と、所定値とに基づいて前記モデルの再学習の実施の判定を行うこと
   を特徴とする移動体の診断装置。
4. 請求項３に記載の移動体の診断装置において、
   前記異常もしくは異常予兆を検出するために、前記診断指標と比較する第一の所定値と、
   前記モデルの再学習の実施の判定を行ために、前記平均値もしくは中心値と比較する第二の所定値とを備え、
   前記第二の所定値は、前記第一の所定値よりも小さく設定すること
   を特徴とする移動体の診断装置。
5. 請求項２に記載の診断装置において、
   前記平均値もしくは中心値は、前記同種類の装置のうち、任意に選択した装置から得られるデータによって算出すること
   を特徴とする移動体の診断装置。
6. 請求項１ないし請求項５のいずれかに記載の診断装置において、
   前記移動体は鉄道車両であり、
   前記複数の装置は、前記鉄道車両に搭載されるドア、空調装置、ブレーキ、トラクション装置のいずれかであること
   を特徴とする移動体の診断装置。
7. 請求項１ないし請求項６のいずれかに記載の診断装置において、
   前記複数の装置のうち少なくとも１つに模擬信号を加えると、前記装置の異常もしくは異常予兆を検出し、
   前記複数の装置のうち少なくとも２つに前記模擬信号を加えると、前記モデルの再学習を促す表示を出力すること
   を特徴とする移動体の診断装置。