JP2021528304A - 鉄道路線のメンテナンスの計画 - Google Patents

Abstract

本発明は、鉄道路線におけるメンテナンスを自動的に計画する方法であって、方法は、アセットの予測される技術的状態の少なくとも１つを決定する段階を含む、異なる位置における異なるアセットのメンテナンスを決定する段階と、これに応じて計画を自動的に最適化する段階と、を含む、方法に関する。さらに、本発明は、メンテナンスを自動的に計画する鉄道路線計画システムであって、アセットの予測される技術的状態の少なくとも１つを決定する決定構成要素を含む、異なる位置における異なるアセットのメンテナンスを決定する決定構成要素と、これに応じて計画を自動的に最適化する最適化構成要素と、を備える、システムに関する。

Description

本発明は、鉄道路線のメンテナンスルートの計画及び制御に関する。本発明は、特に、鉄道路線構成要素のメンテナンスのためのルートの最適化に関する。実際の欠陥、メンテナンス及び／又は修復作業と、予測される欠陥又は故障とが考慮される。実際のルート、次のルート、及びさらに次のルートを計画、変更、及び監視すべく、過去の経験、予測、及び実際の状況を考慮することができる。

鉄道、鉄道路線、又は鉄道輸送は、車輪付きの車両に載せた物品及び旅客を、軌道としても知られるレール上で移送するために開発された。用意された平面上を車両が走行する道路輸送とは対照的に、鉄道車両（全車両）は、自らが走行する軌道により指向的に誘導される。軌道は一般に、枕木（ｔｉｅ又はｓｌｅｅｐｅｒ）及びバラストの上に設置された鋼レールで構成され、その上を、通常は金属車輪の設けられた全車両が移動する。地下表面に置かれたコンクリート基礎にレールが固定されているスラブ軌道等の他のバリエーションも考えられる。他のものは、マグレブシステム等である。

鉄道輸送システムにおける全車両は一般に道路車両よりも低い摩擦抵抗を受けるので、旅客及び貨物車（客車及び貨車）を連結して、より長い列車にすることができる。動力は、鉄道路線電化システムから電力を引き出すか、又は通常はディーゼルエンジンによってそれ自身の動力を生成するかのいずれかの機関車によって提供される。ほとんどの軌道には信号システムが付随している。鉄道路線は、他の形態の輸送と比較して安全な地上輸送システムであり、高いレベルの旅客及び貨物利用率並びにエネルギー効率を実現可能であるが、しばしば融通性が低く、交通のレベルがより低いことを考慮すると道路輸送よりも資本集約的である。

鉄道路線機器の点検は、列車の安全な移動のために不可欠である。今日、多くのタイプの欠陥検出器が使用されている。これらのデバイスでは、単純なパドル及びスイッチから赤外線スキャン及びレーザスキャン、さらには超音波オーディオ分析に至るまで様々な技術を利用している。これらを使用することで、過去数十年間にわたって多くの鉄道事故が回避されている。

鉄道路線は、貨物に関する収入業務及び旅客サービスを中断させ得るインフラストラクチャ故障の影響を最小限に抑えるべく、定期的な点検及びメンテナンスを続けなければならない。旅客は最も重要な積み荷と見なされ、かつ、通常はより速い速度、より急な斜面、及びより多くの容量／頻度で動作することから、旅客の路線が特に重要である。点検の実施には、車両点検又は歩行点検が含まれる。特に輸送サービスのためのカーブメンテナンスには、計測、留め具の締め付け、及びレール交換が含まれる。

レール波状摩耗は、車輪／レールの接触面の摩滅をもたらす軽量軸車輪の通過が数多いことに起因する、輸送システムの共通課題である。メンテナンスは運行と重なる場合があるので、メンテナンスの時間帯（夜間、オフピークの時間帯、列車のスケジュール又はルートの変更）に厳密に従わなければならない。加えて、メンテナンス作業中の旅客の安全（軌道間の囲い、資材の適切な保管、軌道作業の通知、装置の近接状態に伴う危険性）を常に考慮しなければならない。さらには、トンネル、高架構造物、及び過密な街並みに起因してメンテナンスアクセスの問題が生じ得る。ここでは、特殊装置又は従来のメンテナンス道具のより小さいバージョンが使用される。

容量が個々のルート区間上でアンリンクトリップに分解される幹線道路又は道路網とは異なり、鉄道路線の容量は基本的にネットワークシステムと見なされる。結果として、多くの要素によってシステムの中断が生じる可能性がある。メンテナンスでは、無数の経路実績（列車サービスのタイプ、出発地／目的地、季節的な影響）、路線の容量（長さ、地形、軌道の数、列車制御のタイプ）、列車のスループット（最大速度、加速／減速度）、及び旅客貨物軌道が共有されるサービス特徴（側線、ターミナル容量、切り替えルート、及び設計タイプ）を確認しなければならない。

鉄道路線点検は、突発故障につながり得る不具合がないか鉄道軌道を検査するために使用される。安全性分析のアメリカ連邦鉄道管理局によれば、軌道の欠陥は、米国における鉄道路線事故の２番目の主な原因である。鉄道路線事故の主な原因は人為的エラーに起因するものである。毎年、北米の鉄道では、内部及び外部の不具合がないかレールを点検するために数百万ドルを費やしている。軌道の故障及び脱線の可能性に対する予防策として、非破壊試験（ＮＤＴ）方法が使用されている。

今日のより速い速度での鉄道交通の増加と軸重の増大とに伴い、限界亀裂サイズが小さくなりつつあり、レール点検がより重要になりつつある。１９２７年に、最初のレール点検車両に磁気誘導が導入された。これは、レールに大量の磁場を通し、サーチコイルで漏れ磁束を検出することにより行われた。それ以来、多くの他の点検車両が不具合を探してレールを横断してきた。

レール欠陥及びレール故障に影響を及ぼす現象は数多くある。これらの現象には、曲げ応力及びせん断応力、車輪／レールの接触応力、熱応力、残留応力、並びに動的作用が含まれる。接触応力又は転がり接触疲労（ＲＣＦ）に起因する欠陥は、トングリッピング（ｔｏｎｇｕｅ−ｌｉｐｐｉｎｇ）、きしみ割れ（ゲージコーナー部の亀裂）、及び窪み（小さな表面破損亀裂として始まる）であり得る。

表面及び内部の欠陥の他の形態は、腐食、介入物、継ぎ目、シェリング、横裂、及び／又は空転傷であり得る。

亀裂伝播をもたらし得る現象の１つは、水及び他の液体の存在である。流体が小さな亀裂を満たし、かつ、列車が通過すると、水が空隙に閉じ込められ、亀裂の先端を膨張させ得る。また、閉じ込められた流体は凍結して膨張するか、又は腐食プロセスを開始する可能性がある。

レールの欠陥が見られ得る部分は、頭部、腹底部、転轍軌条の先端、溶接箇所、ボルト孔等である。レールに見られる不具合の大部分は頭部に位置するが、不具合は腹部及び底部にも見られる。これは、レール全体を点検する必要があることを意味する。

レールの不具合を検出するために目下使用されている方法は、超音波、渦電流検査、磁粉探傷検査、Ｘ線撮影、磁気誘導、磁束漏れ、及び電気音響変換器である。

上述の技術は少数の異なる方法で利用される。プローブ及び変換器は、「杖」、手押し車、又はハンドヘルド装置で利用され得る。これらのデバイスは、軌道の小さな区間を点検する場合、又は、正確な位置が求められる場合に使用される。これらの細部重視の点検デバイスは、レール点検車両又は有軌道台車が出す指示を何度も実行に移す。ハンドヘルドの点検デバイスは、比較的容易に除去され得ることから、軌道が頻繁に使用される場合はこれに非常に有用である。ただし、点検の必要な軌道が何千マイルもある場合は、非常に時間がかかり面倒なものと見なされる。さらに、欠陥の最初の兆候はかなり遅くにしか検出することができない。

道路／レールの点検台車には多くのアプローチがある。これらはほとんど全超音波試験のみであるが、複数の試験を実行する能力を有するものがいくつかある。これらの台車には、パターンを認識し、かつ、分類情報を含む、高度なプログラムを使用した高速コンピュータが搭載されている。台車には、保管スペース、道具保管庫、及び作業台も装備されている。ＧＰＳユニットは、新たな欠陥をマーキングし、かつ、前にマーキングされた欠陥の位置を特定するために、コンピュータと共に使用されることが多い。このＧＰＳシステムによって、後続車は、先頭車両が不具合を検出した場所を正確に見つけることができる。係る台車の利点の１つは、これらが軌道の全区間を閉鎖又は遅延させることなく、通常の鉄道交通に対処できることである。ただし、鉄道管理では、５０ｍｐｈ（８０ｋｍ／時）を超える速度で軌道を点検するために使用しようとこれらの台車を注文することが多いので、点検済みと報告された軌道が実際には点検されていない。「鉄道輸送（Ｒａｉｌ ｔｒａｎｓｐｏｒｔ）」及び「レール点検（Ｒａｉｌ ｉｎｓｐｅｃｔｉｏｎ）」というキーワードで２０１８年３月のウィキペディアを参照されたい。

より速い速度でより重い荷物を運ぶ鉄道交通が増加するにつれて、鉄道路線を点検するより迅速でより効率的な方法が必要になる。これに加えて、列車とレールとの相互作用の制御、すなわち、高荷重によって鉄道の摩耗が増大した際に鉄道上の列車に対する荷重、乱用荷重、荷重依存料金をチェックすること、列車のメンテナンス又はその将来の故障を監視すること等も有利であろう。

欧州特許第２８６２７７８Ａ１号は、１つ又は複数の別個のセンサによって生成されるセンサ信号から測定結果を生成する方法に関する。信号は、同じイベントからの２つ以上のデータ点を含み、センサはそれぞれ、レール車両を輸送するように構成されたレールに配置される。センサは、レールの物理的特性を測定するように構成されている。センサはそれぞれ、物理的に距離を置いたデータ管理装置にセンサ信号を送信するように構成された送信器を含む。物理的に距離を置いたデータ管理装置は、センサ信号を受信するように構成された受信器と、センサ信号を評価するように構成されたプロセッサと、メモリとを含む。この方法は、センサ信号を受信する段階と、センサ信号を評価する段階とを含む。データ管理装置は、受信したセンサ信号をメモリに格納し、上記評価は、１つ又は複数の格納されたセンサ信号からの少なくとも２つのデータ点を互いに組み合わせる及び／又は比較する段階を含む。この文献は、センサ信号からのデータ点を比較する及び／又は組み合わせることによって、センサ信号の評価にさらに対処する。それによって、複数の異なる測定結果をセンサ信号から計算することができると述べられている。

このようなセンサの測定値は、メンテナンスもしくは修復又は予測されるメンテナンスもしくは修復の地点を決定するために取得することができる。

このようなメンテナンス又は修復作業を計画するための試みが行われてきた。

米国特許第５，９７８，７１７号では、軌道メンテナンス管理は、軌道インフラストラクチャの利用可能性及びパフォーマンス全体が最適レベルにあることを確実にするすべてのメンテナンスエンジニアリング作業の集約と定義されている。この従来技術は、効果的な軌道メンテナンス管理のためのツールを提供し、競合的な輸送サービスを依然として提供しながら、リソース投入と軌道インフラストラクチャの状態との経済的なバランスが維持されることを確実にする。この文献は、不可欠なデータベースと、このデータベースを最新にしておく手段とを組み込むとともに、メンテナンス決定を改善するためにデータのセットを可視化及び相関させる手段も提供する。また、この従来技術は、問題エリアを識別するのを助ける移動計算によって軌道状態を表す。

これらの文献のすべては、参照により明細書に援用される。

本発明の目的は、鉄道路線インフラストラクチャのメンテナンスの計画のための改善された又は代替的なシステム及び方法を提供することである。

この目的は、本明細書に係る実施形態及び／又は実施形態及び／又は特許請求の範囲に係る主題によって達成される。

本発明によれば、縦移動、振動、全車両速度、全車両タイプ、天候、開始状態に関して永続的及び／又は連続的及び／又は定期的な測定値を取得し、以前は行われていなかった状態監視及び予測メンテナンスストラテジのためにこれらを組み合わせることができる。

本発明の主題は、高度に複雑な鉄道路線インフラストラクチャの監視と、広範な理由でのメンテナンスの必要性を明らかにすることを可能する。鉄道路線インフラストラクチャの構成要素の局所近傍を有利に調整することができる。しかしながら、またはるかに離れて位置する同じ又は類似のタイプの構成要素を、本発明によって検出することができ、したがって、下記及び上記で開示される解析に応じてメンテナンス作業を開始又は調整することができる。

本発明の主題は、鉄道路線環境から導出されるデータに基づいてメンテナンス措置を自動的に計画する方法及びシステムに関する。方法は、鉄道路線インフラストラクチャに適用された少なくとも１つのセンサからの少なくとも１つの信号を捕捉する段階を含むことができる。

「センサ」という表現は、その環境におけるパラメータ及び／又は変化を検出し、他のデバイスに各信号を提供することを目的とする少なくとも１つのデバイス、モジュール、モデル、及び／又はサブシステムを含むことができる。パラメータは、長さ、質量、時間、電流、電圧、温度、湿度、光度、及び、加速度、振動、速度、時間、距離、照明、画像、ジャイロスコピック情報、音響、超音波、空気圧、磁性、電磁性、位置、光学センサ情報等のような、そこから導出される任意のパラメータとすることができる。

そのような介入は、オペレーティングインスタンスによってさらに開始することができる。

本発明では、「メンテナンス」は、鉄道路線関連インフラストラクチャの任意の修復、介入、交換、改造、移動、近代化、又は操作と理解される。

このようなメンテナンスは、予測的に開始することができる。「予測（ｐｒｅｄｉｃｔｉｏｎ）」（又は予測（ｐｒｅｄｉｃｔｉｎｇ））という用語は、予測モデリング、機械学習、及び、将来又はそうでなければ知られていない事象に関する予測を行う現在及び過去の事実を分析するデータマイニングによる様々な統計学的技法を含む予測的分析を意味することを意図している。

予測メンテナンスは、適切なセンサが特性の変化を検出した場合にトリガしてよい。一例として、或る光源が異常を示す場合、これは光源がもうすぐ機能停止することを示してよい。応用をさらに例示すると、より以前のセンサデータが公差内のデータを供給していたが、音センサが車輪の異常音発生を検出できた場合、これは、これらの２つの言及したセンサ間での鉄道路線インフラストラクチャにおける故障を示してよい。

鉄道路線関連インフラストラクチャは、鉄道路線ネットワークの円滑、効率的かつ安全な運行をサポートする任意の固定又は可動デバイスとしてよい。さらに、全車両の異常は、ほんのいくつかの現象を例示すると、レール、枕木、スイッチ、接触線材の摩滅を促進させ得るので、全車両を或る程度監視してよい。不十分に解放されたブレーキは、軸又は車輪に対して温度を増大させる可能性があり、さらにはいずれの場合にも回避すべき危険な状況をもたらし得る。

メンテナンスは、通常、機械及び／又はツールのサポートを伴って又は伴わずにスケジュールすることができる。さらには、ロボットが、限定されたメンテナンス措置を実行するように構成される場合がある。鉄道路線関連の応用では、メンテナンスは、かなりの長さであり得る距離をカバーする必要性を意味し得る。そのために、メンテナンス措置の開始はよく組織されている必要があり得る。ツールがデバイスを交換しなければならない現場に進む場合、上述したような異常をいまだ示していない近傍の光源も交換することが望ましい。光源が実際に故障のために置換を必要とすることになったときに、後で再度その位置まで進むことが必要となるのを防ぐために、予防的に光源を交換することは良いアイデアであり得る。上記及び下記の例は、修復（又はむしろメンテナンス）措置の組み合わせが有利及び／又はよりコスト効率的であり得る例示的な状況に関して提供されていることは明らかであろう。

ツール、スペアパーツ、及び／又は機械リソースは、通常、限定されている。したがって、明確かつ高度に効率的なメンテナンス計画及び制御が望ましいと思われる。

熟練の専門家であれば、或る程度まで経験によってこのようなメンテナンス措置を制御することができるが、おそらくは、いくつかのまれに実行される措置は忘れられる場合があるか、又は、その重要性又は効率性が認識されない場合がある。

本発明の主題は、機械、スペアパーツ、及び／又はツールのようなメンテナンスリソースの利用を自動的に制御する方法を開示する。様々なセンサが、それらの読み出し値をローカル及び／又は集中化サーバに提供する。機械学習及び人工知能（ＡＩ）の助けによって、ミッション計画の限定されたリソースを最適化することができる方法が開示される。しかしながら、この方法はさらに、手動の介入及び／又は優先度の手動の事前定義を許容することができる。一例として、突然の吹雪の場合にスノープラウが必要になり得る。ここで、オペレータは、緊急又は必要な場合以外に通常の状態下で利用可能であり得ない好適なデバイスが見つけられる場所を、機械よりもよく知っている。機械は、この手動介入の後に、必要なリソースと連携し、好適であり得る他のメンテナンスを途中でさらに提案することができる。

１つ又は複数のセンサは、異なるセンサからの異なる信号を集中又は分散解析システムに提供してよい。各センサは、同じ種類又は異なる種類の別のセンサである。

分析データは、異なる種類とすることができる。同じ又はさらなるセンサに由来するさらに異なる分析データをさらに取得することができる。本発明は、さらなるセンサからの少なくとも１つ、好ましくは複数のさらなる信号を捕捉するさらなる段階を含むことができる。

異なる位置における異なるアセットのメンテナンスを決定する段階を含むことができる、鉄道路線におけるメンテナンスを自動的に計画する方法が開示される。予測システムから導出できるアセットの技術的条件は、予測の決定に従って計画を自動的に最適化するために使用することができる。

計画の最適化は、アセットの技術的条件、列車の劣化作用、全車両の交通負荷情報、メンテナンス有効性メトリック、及び／又は気象情報のような、現在又は予測される基準のいずれかによって達成することができる。

現在又は予測される基準の任意の組み合わせを、これに応じて適用し、考慮することができる。

「全車両」という表現は、鉄道路線上を移動する任意の車両、車輪付きの車両、動力車両及び無動力車両、例えば、機関車、鉄道車両、客車、貨車、建築現場車両、軌道自転車、及び／又はトロリー等を含むことができる。

本発明に係る方法は、センサからの信号から収集することができる異なるアセットのメンテナンス情報の決定に基づくことができる。

この方法は、少なくとも１つのセンサから収集される情報をさらに含むことができる。情報は、分析アプローチに基づくことができる。「分析アプローチ」という用語は、信号又はデータを分析するのに使用される任意の分析ツールを含むように意図されている。非限定的な例は、フィルタ処理、パターン認識、統計分析、確率分析、統計モデル、主成分分析、ＩＣＡ、動的時間伸縮法、最尤推定値、モデル化、推定、機械学習、教師あり学習、教師なし学習、強化学習、ニューラルネットワーク、畳み込みネットワーク、深層畳み込みネットワーク、ディープラーニング、ウルトラディープラーニング、遺伝的アルゴリズム、マルコフモデル、隠れマルコフモデル、ベイジアンスコア等のようなデジタル分析方法である。これらの分析手法は、単独で又はそれらの任意の組み合わせで、連続して及び／又は並行して適用することができる。したがって、異なる分析アプローチは、１つ又は複数の分析手法の種類、及び／又は、さらには同じ方法であるがただ異なる順序で使用する場合に、単に複数の分析手法の順序に関して異なってよい。

この方法は、全車両に関連付けられるか、又は、全車両上に、さらには、限定されないが、鉄道軌道、総路線、線路、電化システム、枕木（ｓｌｅｅｐｅｒ又はｃｒｏｓｓｔｉｅ）、軌道、レール、レールに基づく懸架鉄道線路、スイッチ、フログ、転轍機、クロッシング、連動装置、待避線、マスト、信号機器、電子ハウジング、建造物、トンネル、鉄道の駅、及び／又は情報計算ネットワークのような鉄道路線インフラストラクチャ上に配置されるセンサをさらに含むことができる。さらに、センサは、マスト、トンネルのルーフ等に関連付けるか又は配置することができる。

さらに、方法は、その環境におけるパラメータ及び／又は変化を検出し、他のデバイスに各信号を提供することを目的とする少なくとも１つのデバイス、モジュール、モデル、及び／又はサブシステムの情報を提供することができるセンサから収集することができる信号を含むことができる。パラメータは、長さ、質量、時間、電流、電圧、温度、湿度、光度、及び、加速度、振動、速度、時間、距離、照明、画像、ジャイロスコピック情報、音響、超音波、空気圧、磁性、電磁性、位置、光学センサ情報等のような、そこから導出される任意のパラメータとすることができる。

この方法は、少なくとも１つの分析アプローチに基づくことができる計画最適化をさらに含むことができ、各アプローチは、フィルタ処理、パターン認識、統計分析、確率分析、統計モデル、主成分分析、ＩＣＡ、動的時間伸縮法、最尤推定値、モデル化、推定、機械学習、教師あり学習、教師なし学習、強化学習、ニューラルネットワーク、畳み込みネットワーク、深層畳み込みネットワーク、ディープラーニング、ウルトラディープラーニング、遺伝的アルゴリズム、マルコフモデル、隠れマルコフモデル、ベイジアンスコア等のようなデジタル分析方法の少なくとも１つを含むことができる。これらの分析手法は、単独で又はそれらの任意の組み合わせで、連続して及び／又は並行して適用することができる。したがって、異なる分析アプローチは、１つ又は複数の分析手法の種類、及び／又は、さらには同じ方法であるがただ異なる順序で使用する場合に、単に複数の分析手法の順序に関して異なってよい。

この方法は、現在又は予測される基準の少なくとも１つに基づいて計画を最適化する少なくとも１つの段階をさらに含むことができる。現在又は予測される基準とは、アセットライフサイクル、地球物理学的位置、アセットの運行上の重要性、メンテナンス措置の時間、メンテナンス措置の複雑性、メンテナンス措置のコスト、全車両の交通情報、メンテナンス措置に使用される交換用パーツのストック、メンテナンス措置に必要な安全措置、旅客にとって望ましい快適性措置、予算情報、人員利用可能性、予測又はスケジュールされた交通の負荷、メンテナンス車両利用可能性、及び／又はツール利用可能性であり得る。アセットライフサイクルは、アセット健康状態又はアセットの残りの耐用寿命と定義される。

この方法は、現在の技術的状態についてメンテナンスを決定する段階と、予測される技術的状態のメンテナンスを決定する段階と、上記計画を自動的に最適化する段階とのうちの少なくとも２つについて、異なるサーバを関与させる段階をさらに含むことができる。 「サーバ」という用語は、他のプログラム又はデバイスに機能を提供するコンピュータプログラム及び／又はデバイス、並びに／又は、その各々又は両方の複数とすることができる。サーバは、複数のクライアント間でデータ又はリソースを共有する、又は、計算機能及び／又は記憶機能を実行する等、「サービス」と呼ばれることが多い様々な機能を提供することができる。単一のサーバは、複数のクライアントにサービスを提供することができ、単一のクライアントは複数のサーバを使用することができる。クライアントプロセスは、同じデバイス上で実行されてもよいし、ネットワーク経由で異なるデバイス上のサーバ、例えば遠隔サーバもしくはクラウドに接続してもよい。サーバは、別のレベルのインフラストラクチャにかなり短い情報を伝送するだけ等、かなり原始的な機能を有することもできるし、記憶、処理、及び伝送ユニット等のより高度な構造を有することもできる。

方法は、更新された最適化及び／又は更新された個々に決定された優先度設定に応じて現在のメンテナンス計画を変更する段階をさらに含むことができることを理解されたい。

方法のさらなる段階は、自動フィードバックもしくは手動フィードバック又はそれらの組み合わせのいずれかである、現在のメンテナンス及び／又は修復措置のフィードバックを提供及び受信することを含んでよい。

方法は、メンテナンス計画を自動的に及び／又は手動で制御する段階をさらに含むことができる。

本発明の有利な応用のさらなる例は、一般に特定の動きと組み合わさって到来する特定の振動を識別し、データの回収／処理をより容易にするようにこれら２つを互いに関連付けることであり得る。しかしながら、その結果は通常、上記及び下記で論じるように、特定の分析アプローチを受ける。

別の例は、鉄道路線の枕木に搭載される、様々な感度、レンジ、解像度等の加速度データを測定、記録、処理、及び遠隔システムに送信するセンサシステムであり得る。現在の技術水準に比較して、上記の適応は、よりエネルギー効率的な、無線による、また連続的で正確な鉄道路線の監視を可能にする。これにより大量の高品質なデータに基づく分析が可能になり、したがって今までにない鉄道路線及び鉄道路線インフラストラクチャの状態の洞察並びに前例のないその発展が可能になる。センサシステムデータは通常、単一のセンサ要素のデータ品質を改善するために（典型的には平均引き下げサンプリングプロセスを使用して）クレンジング及び平滑化され得る。定性的に十分な合成信号を生成するために、最適な推定技法（典型的にはカルマンフィルタの変形）によって、複数のセンサの測定値を合成することができる。

「推定（ｅｓｔｉｍａｔｉｏｎ）」という用語は、入力データが厳密な値を発見するには大きい、不完全、不確実、又は不安定であり得る場合であっても、いくつかの目的で使用可能な値である推定値又は概算値の半自動的、好ましくは自動的な発見を意味するように意図されている。

さらに、本発明は、複数のデータ源から縦移動、振動、列車速度、列車タイプのような情報を導出するために信号処理及び／又は機械学習及び人工知能（ＡＩ）の方法を使用することができる。したがって、本発明は、正確な使用統計を集めるとともに鉄道インフラストラクチャにより大きな摩耗及び摩滅を引き起こし得る列車の固有の属性（例えば、いわゆる「フラット車輪」）を検出するために、全車両のカテゴリ（高速列車、旅客列車、貨物列車）を分類すること及びベンダ固有の列車の「フットプリント」を使用してタイプを識別することが可能であり得る。本発明は、識別された列車をインフラストラクチャにスケジュールされたメンテナンス措置に関連付けることができるが、さらに、特定の鉄道路線インフラストラクチャ要素のライフサイクルに或る係数を適用してよい。

本発明は、関与するアセットの実際の摩耗を反映する累積応力を計算することがさらに可能であり得る。本発明は、ユーザが集中的又はより正確なメンテナンス活動を取ることを可能にする組み合わせられたデータに基づいて、アセットの健康状態を自動的に導出することができる。本発明は、前例のない故障又はアセットが誤用されている場合に早期の対抗措置を可能にするように異常を自動的に検出することができ、及び／又は、故障の要素及び原因を自動的に識別することができる。

メンテナンスを自動的に計画する鉄道路線計画システムは、アセットの予測される技術的状態の少なくとも１つを決定する決定構成要素を含む、異なる位置における異なるアセットのメンテナンスを決定する決定構成要素と、これに応じて上記計画を自動的に最適化する最適化構成要素と、を備えることができる。

またさらに、本発明は、関与する任意のアセットの将来の「健康状態」を予測することができる。このために、アセットの実際の使用を反映する健康状態を導出するために複数のソースを使用することができる。一例として、フログ（２つのレールの交差点）の応力、ひいては摩耗は、列車がフログ上を走行すること及び温度が経時的に変化することの主な結果である。本発明は、応力を導出するとともにその応力を経時的に累算するために、継続的に記録され組み合わせられたデータを使用することができる。現在の技術水準とは対照的に、この応力は、アセットを通過する推定総トン概数よりもはるかに正確に反映し得る列車タイプ、速度、振動の力、温度、各通過列車の進行方向を考慮して計算することができる。

鉄道路線計画システムは、アセットの技術的条件、全車両の劣化作用、全車両の交通負荷情報、メンテナンス有効性メトリック、及び気象情報のような、現在又は予測される基準の少なくとも１つに基づいて計画を最適化する少なくとも１つの構成要素をさらに含むことができる。

「最適化（ｏｐｔｉｍｉｚａｔｉｏｎ）」（又は最適化（ｏｐｔｉｍｉｚｉｎｇ））という用語は、利用可能な代替物の或るセットからの（いくつかの基準に関して）最善の利用可能な要素の半自動的、好ましくは自動的選択を含むように意図されている。これは、様々な異なるタイプの目的関数及び異なるタイプのドメインを含む定義されたドメイン（又は入力）を所与とした或る目的関数の最善の値であり得る。

システムは、異なる地球物理学的位置におけるセンサをさらに備えることができ、異なるアセットのメンテナンスを決定する上記決定構成要素は、上記センサからの信号から収集される情報を提供するように構成されている。

さらに、少なくとも１つのセンサから収集される情報は、少なくとも１つの分析アプローチを含むことができる分析構成要素によって処理することができ、各アプローチは、フィルタ処理、パターン認識、統計分析、確率分析、統計モデル、主成分分析、ＩＣＡ、動的時間伸縮法、最尤推定値、モデル化、推定、機械学習、教師あり学習、教師なし学習、強化学習、ニューラルネットワーク、畳み込みネットワーク、深層畳み込みネットワーク、ディープラーニング、ウルトラディープラーニング、遺伝的アルゴリズム、マルコフモデル、隠れマルコフモデル、ベイジアンスコア等のようなデジタル分析方法の少なくとも１つを含む。これらの分析手法は、単独で又はそれらの任意の組み合わせで、連続して及び／又は並行して適用することができる。したがって、異なる分析アプローチは、１つ又は複数の分析手法の種類、及び／又は、さらには同じ方法であるがただ異なる順序で使用する場合に、単に複数の分析手法の順序に関して異なってよい。

センサは、枕木、フログ、転轍機、レールフログ、レールブレード、及び／又は特に連動装置における電流を測定するために連動装置のような鉄道路線インフラストラクチャの少なくとも１つに関連付ける又は配置することができる。

センサから収集される信号は、長さ、質量、時間、電流、電圧、温度、湿度、光度、及び、加速度、振動、速度、時間、距離、照明、画像、ジャイロスコピック情報、音響、超音波、空気圧、磁性、電磁性、位置、光学センサ情報等の、そこから導出される任意のパラメータの少なくとも１つの情報を提供することができる。

最適化のための計画構成要素は、少なくとも１つの分析アプローチを使用することができ、各アプローチは、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、強化学習、統計分析、統計モデル、主成分分析、独立成分分析（ＩＣＡ）、動的時間伸縮法、最尤推定値、モデル化、推定、ニューラルネットワーク、畳み込みネットワーク、深層畳み込みネットワーク、ディープラーニング、ウルトラディープラーニング、遺伝的アルゴリズム、マルコフモデル及び／又は隠れマルコフモデル、教師あり学習、教師なし学習及び／又は強化学習の少なくとも１つを含んでよい。

以下の現在又は予測される基準の少なくとも１つに基づく計画の最適化のための構成要素は、アセットライフ、地球物理学的位置、アセットの運行上の重要性、メンテナンス措置の時間、メンテナンス措置の複雑性、メンテナンス措置のコスト、全車両の交通情報、メンテナンス措置に使用される交換用パーツのストック、メンテナンス措置に必要な安全性措置、予算情報、人員利用可能性、メンテナンス車両利用可能性、及びツール利用可能性を含むことができる。

コンピュテーション構成要素は、第１の分析データ及び第２の分析データに基づいて関連データをコンピュートするように構成されている。論じたように、コンピュテーション構成要素は、関連データを提供するように構成されている任意のものであり得、ローカル及び／又は遠隔要素及び／又は下位要素を含むことができる。

任意の構成要素が、別の分析構成要素とは異なる分析アプローチを処理するように構成され得る。これは、取得されたデータの特性、それらのフォーマット、それらの関連度、及びそれらの精度に応じて決まる。

上記で開示された任意のセンサから導出されるデータは、適切な場合、ローカルに処理することができる。データは、さらに事前処理し、次に、さらなる使用のためにさらなるコンピューテーションインスタンスに伝えることができ、及び／又は、シグナリング、応答、警告にローカルで影響を与えることができる。

現在の技術的状態に関してメンテナンスを特定するための構成要素の少なくとも２つのために、異なるサーバを備えることができる。自動化プロセス構成要素は、予測される技術的状態のメンテナンスを特定するための構成要素及び計画を自動的に最適化するための構成要素に従ってメンテナンスを決定してよい。

さらに、更新された最適化に従って現在のメンテナンス計画を変更するための構成要素を備えることができる。自動化センサによる及び／又は人間の入力によるフィードバックが、メンテナンス措置の再計画に影響を与えてよい。

本発明に係るシステムは、上記及び下記で論じられる方法を実行するように特に構成することができる。特に、システムは、さらなる信号を捕捉するための少なくとも１つ、好ましくは複数のさらなるセンサを備えることができる。

「鉄道路線インフラストラクチャ」という用語は、枕木（ｓｌｅｅｐｅｒ又はｃｒｏｓｓｔｉｅ）、軌道、レール、スイッチ、フログ、転轍機、クロッシング、連動装置、待避線、マスト、信号機器、電子ハウジング、建造物、トンネル等の、任意の鉄道路線上、その近傍地点、その付近における及び／又は任意の鉄道路線に関する要素又はその部分を含む。

「センサ」という用語は、その環境におけるパラメータ及び／又は変化を検出し、他のデバイスに各信号を提供することを目的とする少なくとも１つのデバイス、モジュール、モデル、及び／又はサブシステムを含むことが意図されている。パラメータは、長さ、質量、時間、電流、電圧、温度、湿度、光度、及び、加速度、振動、速度、時間、距離、照明、画像、ジャイロスコピック情報、音響、超音波、空気圧、磁性、電磁性、位置、光学センサ情報等のような、そこから導出される任意のパラメータとすることができる。

「異なる種類のセンサ」という用語は、異なるパラメータ又は異なる技術で同じパラメータを測定するように構成されているセンサを意味するように意図されている。後者の一例は、両方とも速度を測定するために設けられる、レーザ又は誘導ループである。

「分析アプローチ」という用語は、信号又はデータを分析するのに使用される任意の分析ツールを含むように意図されている。非限定的な例は、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、強化学習、統計分析、統計モデル、主成分分析、独立成分分析（ＩＣＡ）、動的時間伸縮法、最尤推定値、モデル化、推定、ニューラルネットワーク、畳み込みネットワーク、深層畳み込みネットワーク、ディープラーニング、ウルトラディープラーニング、遺伝的アルゴリズム、マルコフモデル、及び／又は隠れマルコフモデル等のデジタル分析方法である。これらの分析手法は、単独で又はそれらの任意の組み合わせで、連続して及び／又は並行して適用することができる。したがって、異なる分析アプローチは、１つ又は複数の分析手法の種類、及び／又は、さらには同じ方法であるがただ異なる順序で使用する場合に、単に複数の分析手法の順序に関して異なってよい。

「関連データ」という用語は、他方に影響を与える少なくとも２つのデータセットを含むように意図されている。一方のデータセットは、他方のデータセットに影響を与えることができ、及び／又は、それらのデータセットは、互いに影響を与え、及び／又は、統合データに影響を与え、及び／又は、統合データセットから導出されるデータに影響を与える。単なる累積データが含まれることは意図されていない。非限定的な例は、別のデータセット（例えば、振動データを含む）と統合され、両方のデータセットを考慮した結果を提供する、１つのデータセット（例えば、列車固有データを含む）であり得る。

「サーバ」という用語は、他のプログラム又はデバイスに機能を提供するコンピュータプログラム及び／もしくはデバイス、並びに／又は、その各々又は両方の複数とすることができる。サーバは、複数のクライアント間でデータ又はリソースを共有する、又は、計算機能及び／又は記憶機能を実行する等、「サービス」と呼ばれることが多い様々な機能を提供することができる。単一のサーバは、複数のクライアントにサービスを提供することができ、単一のクライアントは複数のサーバを使用することができる。クライアントプロセスは、同じデバイス上で実行されてもよいし、ネットワーク経由で異なるデバイス上のサーバ、例えば遠隔サーバ又はクラウドに接続してもよい。サーバは、別のレベルのインフラストラクチャにかなり短い情報を伝送するだけ等、かなり原始的な機能を有することもできるし、記憶、処理、及び伝送ユニット等のより高度な構造を有することもできる。

「メンテナンス計画」及び「メンテナンスルーティング」という表現は、区別なく使用され得ることを理解されたい。この文脈における計画は、ツール、機械の連携、及び全車両のスケジューリングのさらなる制御も含み得る。

本発明では、「鉄道路線インフラストラクチャ」、「鉄道路線ネットワーク」、及び類似の表現は、区別なく理解されてよく、鉄道軌道、総路線、線路、電化システム、枕木（ｓｌｅｅｐｅｒ又はｃｒｏｓｓｔｉｅ）、軌道、レール、レールに基づく懸架鉄道線路、スイッチ、フログ、転轍機、クロッシング、連動装置、待避線、マスト、信号機器、電子ハウジング、建造物、トンネル、鉄道の駅、及び／又は情報計算ネットワークを含むことができる。

好ましい利点は、ツール、スペアパーツ、及び／又は機械の割り当てに関する効率の改善であり得る。さらに好ましい利点は、鉄道路線環境における要素又はシステムの故障によるダウンタイムの低減であり得る。ダウンタイムは、かなりコスト集約的であり、また仕事量を減少させる可能性がある。

本技術は、下記のナンバリングされた実施形態によっても定義される。

本発明に係る、鉄道路線インフラストラクチャへのいくつかのセンサの設置の一例を示す図である。

本発明に係る、図１によるセンサの設置及び関連インフラストラクチャの一例を示す図である。

センサの様々な転置及び異なる利用可能なメンテナンスオプションを伴う鉄道路線インフラストラクチャの一部を示す図である。

以下、メンテナンス方法の実施形態を論じる。数字を後ろに伴う文字Ｍは、方法の実施形態の略記である。明細書において方法の実施形態を参照する場合はいつでも、これらの実施形態を意味している。

［方法］

Ｍ０１：鉄道路線におけるメンテナンスを自動的に計画する方法であって、上記方法は、アセットの予測される技術的状態の少なくとも１つを決定する段階を含む、異なる位置における異なるアセットのメンテナンスを決定する段階と、これに応じて上記計画を自動的に最適化する段階と、を含む、方法。

Ｍ０２：以下の現在又は予測される基準：
ａ．アセットの技術的条件、
ｂ．列車の劣化作用、
ｃ．列車の交通負荷情報、
ｄ．メンテナンス有効性メトリック、及び、
ｅ．気象情報、
の少なくとも１つに基づいて上記計画を最適化するさらなる段階を含む、先行する実施形態に記載の方法。

Ｍ０３：異なるアセットのメンテナンスを決定する段階は、センサからの信号から収集される情報に基づく、先行する実施形態に記載の方法。

Ｍ０４：１つのセンサから少なくとも収集される上記情報は、少なくとも１つの分析アプローチに基づくものであり、各アプローチは、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、及び／又は、強化学習の少なくとも１つを含む、先行する実施形態に記載の方法。

Ｍ０５：上記センサは、全車両、枕木、フログ、転轍機、レールフログ、レールブレード、及び／又は、特に連動装置における電流を測定するための連動装置の少なくとも１つに関連付けられる又は配置される、先行する２つの実施形態のいずれかに記載の方法。

Ｍ０６：上記センサから収集される上記信号は、温度、加速度、振動、超音波、時間、距離、電流、圧力、動き、湿度、降水量、及び／又は音響の少なくとも１つの情報を提供する、先行する実施形態のいずれかに記載の方法。

Ｍ０７：上記計画の最適化は、少なくとも１つの分析アプローチに基づくものであり、各アプローチは、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、及び／又は強化学習の少なくとも１つを含む、先行する実施形態のいずれかに記載の方法。

Ｍ０８：以下の現在又は予測される基準：
ａ．アセットライフサイクル、
ｂ．地球物理学的位置、
ｃ．アセットの運行上の重要性、
ｄ．メンテナンス措置の時間、
ｅ．メンテナンス措置の複雑性、
ｆ．メンテナンス措置のコスト、
ｇ．列車の交通情報、
ｈ．メンテナンス措置に使用される交換用パーツのストック、
ｉ．メンテナンス措置に必要な安全措置、
ｊ．予算情報、
ｋ．人員利用可能性、
ｌ．メンテナンス車両利用可能性、及び、
ｍ．ツール利用可能性、
の少なくとも１つに基づいて上記計画を最適化するさらなる段階を含む、先行する実施形態に記載の方法。

Ｍ０９：現在の技術的状態についてメンテナンスを決定する段階と、予測される技術的状態のメンテナンスを決定する段階と、上記計画を自動的に最適化する段階とのうちの少なくとも２つについて、異なるサーバを関与させる段階をさらに含む、先行する実施形態のいずれかに記載の方法。

Ｍ１０：更新された最適化に従って現在のメンテナンス計画を変更する段階をさらに含む、先行する実施形態のいずれかに記載の方法。

Ｍ１１：現在のメンテナンス措置のフィードバックを提供及び受信する段階をさらに含む、先行する実施形態のいずれかに記載の方法。

Ｍ１２：上記メンテナンス計画を自動的に制御する段階をさらに含む、先行する実施形態のいずれかに記載の方法。

以下、システムの実施形態を論じる。これらの実施形態は、数字を後ろに伴う文字「Ｓ」で略記される。明細書においてシステムの実施形態を参照する場合はいつでも、これらの実施形態を意味している。

［システム］

Ｓ０１：メンテナンスを自動的に計画する鉄道路線計画システムであって、アセットの予測される技術的状態の少なくとも１つを決定する決定構成要素を含む、異なる位置における異なるアセットのメンテナンスを決定する決定構成要素と、これに応じて上記計画を自動的に最適化する最適化構成要素と、を備える、システム。

Ｓ０２：以下の現在又は予測される基準：
ａ．アセットの技術的条件、
ｂ．列車の劣化作用、
ｃ．列車の交通負荷情報、
ｄ．メンテナンス有効性メトリック、及び、
ｅ．気象情報、
の少なくとも１つに基づいて上記計画を最適化するさらなる構成要素を含む、先行する実施形態に記載のシステム。

Ｓ０３：異なる地球物理学的位置におけるセンサをさらに備え、異なるアセットのメンテナンスを決定する上記決定構成要素は、上記センサからの信号から収集される情報を提供するように構成されている、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ０４：１つのセンサから少なくとも収集される上記情報は、少なくとも１つの分析アプローチを含む分析構成要素によって処理され、各アプローチは、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、及び／又は、強化学習の少なくとも１つを含む、先行するシステムの実施形態に記載のシステム。

Ｓ０５：上記センサは、枕木、フログ、転轍機、レールフログ、レールブレード、及び／又は、特に連動装置における転轍機電流を測定するための連動装置などの鉄道路線インフラストラクチャの１つに少なくとも関連付けられる又は配置される、先行する２つのシステムの実施形態のいずれかに記載のシステム。

Ｓ０６：上記センサから収集される上記信号は、温度、加速度、振動、超音波、時間、距離、電流、圧力、動き、湿度、降水量、及び／又は音響の少なくとも１つの情報を提供する、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ０７：最適化のための上記計画構成要素は、少なくとも１つの分析アプローチを使用するものであり、各アプローチは、信号フィルタ処理、パターン認識、確率モデリング、ベイジアンスキーム、機械学習、教師あり学習、教師なし学習、及び／又は強化学習の少なくとも１つを含む、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ０８：以下の現在又は予測される基準：
ａ．アセットライフサイクル、
ｂ．地球物理学的位置、
ｃ．アセットの運行上の重要性、
ｄ．メンテナンス措置の時間、
ｅ．メンテナンス措置の複雑性、
ｆ．メンテナンス措置のコスト、
ｇ．列車の交通情報、
ｈ．メンテナンス措置に使用される交換用パーツのストック、
ｉ．メンテナンス措置に必要な安全措置、
ｊ．予算情報、
ｋ．人員利用可能性、
ｌ．メンテナンス車両利用可能性、及び、
ｍ．ツール利用可能性、
の少なくとも１つに基づいて上記計画を最適化するさらなる構成要素を含む、先行するシステムの実施形態に記載のシステム。

Ｓ０９：現在の技術的状態についてメンテナンスを決定する上記構成要素と、予測される技術的状態のメンテナンスを決定する上記構成要素と、上記計画を自動的に最適化する構成要素とのうちの少なくとも２つについて、異なるサーバをさらに備える、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ１０：更新された最適化に従って現在のメンテナンス計画を変更する構成要素をさらに含む、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ１１：現在のメンテナンス措置のフィードバックを提供及び受信する構成要素をさらに含む、先行するシステムの実施形態のいずれかに記載のシステム。

Ｓ１２：上記メンテナンス計画を自動的に制御する構成要素をさらに含む、先行するシステムの実施形態のいずれかに記載のシステム。

本明細書において「約」、「実質的に」、又は「ほぼ」等の相対的な用語が使用されるときはいつでも、係る用語は、正確な用語も含むものと解釈されるべきである。すなわち、例えば「実質的にまっすぐ」は、「（完全に）まっすぐ」も含むものと解釈されるべきである。

添付の特許請求の範囲に段階が記載されているときはいつでも、この文書に記載されている段階の順序が好ましい順序であり得るが、記載されている順序でこれらの段階を実行することは必須でない場合があることに留意されたい。すなわち、別段の指定がない限り、又は当業者にとって明確でない限り、記載されている段階の順序は必須でない場合がある。すなわち、本文献で、例えば、方法が段階（Ａ）及び（Ｂ）を含むと述べている場合は、これは、必ずしも段階（Ａ）が段階（Ｂ）に先行することを意味するわけではないが、段階（Ａ）が（少なくとも部分的に）段階（Ｂ）と同時に実行されること、又は段階（Ｂ）が段階（Ａ）に先行することも可能である。さらに、段階（Ｘ）が別の段階（Ｚ）に先行すると言っている場合は、これは、段階（Ｘ）と（Ｚ）との間に段階がないことを示唆するわけではない。すなわち、段階（Ｚ）に先行する段階（Ｘ）は、段階（Ｘ）が段階（Ｚ）の直前に実行される状況だけでなく、（Ｘ）が１つ又は複数の段階（Ｙ１）、...、の前に実行され、その後に段階（Ｚ）が続く状況も包含する。「後」又は「前」のような用語を使用している場合は、対応する考慮事項が適用される。

［図面の詳細な説明］

図１は、鉄道路線インフラストラクチャのために構成されたシステムの概略的な描写を提供する。ここには、レール２及び枕木３を含む鉄道路線１それ自体を伴う鉄道路線区間の一例が示されている。枕木３の代わりに、レール２のための道床を設けてもよい。

さらに、鉄道路線の近傍地点又は付近に通常配置される構築要素の単に１つのさらなる例であるマスト４が示されている。トンネル５も示されている。言うまでもないが、他の構築物、建造物等が存在し得るが、これらは上記及び下記で記載される本発明のために使用されてもよい。

第１のセンサ１０を、枕木のうちの１つ又は複数の上に配置することができる。センサ１０は、加速度センサ及び／又は任意の他の種類の鉄道路線固有センサとすることができる。例は、上記で言及されている。

また、第２センサ１１が、第１のセンサ１０から離れた別の枕木の上に配置される。本例ではほんの小さな距離に見えるが、これらの距離は、隣の枕木までの距離から、１キロメートル以上の範囲に及んでよい。枕木に取り付けられる他のセンサも使用することができる。センサはさらに、異なる種類のものとすることができる。例えば、第１のセンサ１０が加速度センサであり得る場合に、第２センサ１１は、磁気センサ又は特定のニーズに好適な任意の他の組み合わせとすることができる。様々なセンサが上記に列挙されている。

別の種類のセンサ２０を、マスト４又は任意の他の構造物に取り付けることができる。これは、光センサ、温度センサ、さらには加速度センサ等のような別のセンサとすることができる。さらなる種類のセンサ３０を、トンネル５の始点において又はトンネル５内で、鉄道路線の上に配置することができる。これは、列車の高さを特定する高さセンサ、光センサ、ドップラーセンサ等とすることができる。ここ及び上記で言及したこれらのセンサのすべては、単に非限定的な例である。

図２は、異なるニーズのために変更され得るハードウェア／ソフトウェアインフラストラクチャの一例を提供するように意図されている。センサ１０及び１１は、送信、格納、再送、及び／又は処理等のような機能を伴って、サーバ１５等の共通の構成要素１５に接続することができる。センサ１０、１１、２０、３０のすべては、加えて又は代替的に、データを収集、データを格納及び送信している別のサーバ又はストレージ４０に接続することができる。後者の場合、サーバ１５は、事前処理ユニット、データ収集ユニット、フィルタ又はキャリブレーションユニットとみなされ得る。

図示の例では、データは、必要に応じて定期的に又は不定期に、遠隔のサーバ５０、複数のサーバ５０、６０、クラウドコンピューティング、クラウドストレージ等にさらに提出（プッシュ及び／又はプル）される。これらの構成要素は、例えばニューラルネットワークの訓練に使用されるような、より高度なコンピューティングに使用されてよい。

センサ、サーバ等のような他の構成要素間の任意の送信は、ニーズ及びさらなるインフラストラクチャに応じて、ハードワイヤード及び／又は無線とすることができる。

センサ１０、１１、２０、３０のすべては、交通制御、セキュリティ上の理由、課金目的のソース等のためにさらに使用されてよく、データは、予測、予防の目的であるか、又は、メンテナンスチームによる即時もしくは迅速な応答を促し得る例外値に起因するかに関わらず、メンテナンス目的でさらにコピーされてよい。

サーバ２００は、メンテナンスチームのための作業サーバとすることができる。この実施形態では、サーバ２００は、サーバ４０及び／又はサーバ５０に接続されている。サーバ２００は、メンテナンスエンティティ１００において及び／又はスペアパーツエンティティ１１０からのチームメンバの利用可能性情報を含み得るさらなるデータをネットワークから収集するように構成することができる。

センサは、それらの値を、上記で説明したように無線又は有線接続され得るローカルネットワークに提供してよい。さらに、ローカル読み出しを実現し、ローカル読み出しによって、シグナリング、強制ブレーキ、又は任意の他の措置を開始することができる。さらに、例えば、センサが例外値のみを検出するように意図されている場合、読み出し値を無視することができる。また、サーバ１５、又はヒエラルキーもしくはネットワーク（４０、５０）における任意の他のサーバは、単一又は複数の信号を無視するか、又は、関連度の重みを量るという意味で、重み付けを適用してよい。

図３は、現実の鉄道路線ネットワークの例示的な抽象図を示している。センサ又はデバイス１１０において、異常状態が検出されている場合がある。この実施形態において同じメーカーのセンサ又はデバイスが、位置１０６にある。さらに、スイッチ又はスイッチ２４０の構成要素は、アセットライフサイクルの最後に近づいている。

さらに、図示しないが、１１０又は１０６におけるもののような類似のセンサ又はデバイスが、遠隔位置又はさらに別のエンティティに存在してよい。本発明に係る方法は、次に、機能不全の理由の特定に基づいて生じ得る懸念について、これが製造不具合又は任意の他の根本的な不具合（例えば、誤適用）に基づくものであっても、監視又は遠隔データベースに警告することができる。

本発明の方法及びシステムは、センサ又はデバイス１１０における修復及び／又はメンテナンス措置を開始する理由およびそれらを開始するために費やされる労力を少なくともチェックする必要性を決定する。

本発明に係る方法は、位置１０８と１１２との間に位置するレーンをメンテナンスダウンタイムの間は閉鎖しなければならないことを、鉄道路線運行管理者に通知する。これにより、運行調整者（図示せず）が、駅２００における列車を主要駅１００に到着させるのに必要なすべての措置を組織することが可能になる。この列車は、通常の状態では、位置２２０、２３０、２４０に沿って、さらには１０８、１１０、及び１１２を介して、主要駅１００まで進む。しかしながら、センサ又はデバイス１１０を通過するレーンが閉鎖されなければならないので、運行調整者は、２２０、２３０、２４０、１０６、１０４、１０２、２５０及び２６０を介した主要駅１００へのルート変更をアナウンス及びスケジュールすることができる。

メンテナンス計画システムは、しかしながら、スイッチ２４０も交換するか、又はメンテナンス措置が適用されるべきかを決定する場合がある。このような場合、運行管理者は、少なくともメンテナンス措置のためにスイッチ２４０が動作停止している時間中は、位置２００における列車を、２５０及び２６０を介して主要駅１００に到達するようにさらにルート変更しなければならない。

メンテナンス計画スキームは、必要とされる優先度に応じて、スケジュールしてよく、センサ又はデバイス１１０に送られたメンテナンスミッションに予測的に含めることができる。センサ又はデバイス１０８及び１１２は、まず、メンテナンスリソースが何らかの形でこれらの２つのセンサ又はデバイスの近くに位置するので、予防メンテナンス措置のための優先度を受信してよい。さらに、対応するレーンは、レーンを後で閉鎖しなければならない場合よりも列車の運行に対する影響を小さくすることができるように、何らかの形で閉鎖しなければならない。

作業場３００から、センサ又はデバイス１０８、１１０及び１１２にメンテナンス措置を適用するために一般の列車交通に対して閉鎖されているレーンへのメンテナンスリソースの移送中、本発明に係る方法は、スケジュールされた列車交通及び運行管理者と連携し、作業場３００から２２０、２３０及び２４０を介して実際の活動位置までに利用可能なメンテナンス機械のための経路を、開放したままにする。

本発明に係る方法は、さらに、位置１１０、１１２及び１０８においてメンテナンス措置を実行した後、作業場３００の方向に戻るが、スイッチ２４０にも何らかの作業を行う必要があることを念頭に置いている。したがって、運行調整者と連携して、参照符号２２０、２３０、２４０、さらに１０６、１０４及び１０２でここに示されているインフラストラクチャの全部分の閉鎖を開始する。センサ又はデバイス１０８、１１０及び１１２が位置する部分は、主要駅１００とセンサ又はデバイス１０８（小さい駅であり得る）との間の列車の往復交通のために解放することができることに留意されたい。

メンテナンスされる必要があったスイッチ２４０又はスイッチ２４０の構成要素を修復した後、機械は、必要又は予防的にサービス提供されるいかなる措置も実行するために、センサ１０２、１０４及び１０６に送られ得る。この場合、駅２００から２２０、２３０、２４０、１０８、１１０、１１２を介した主要駅１００までの分岐線は、運行調整者に対して解放することができることに留意されたい。

本発明の方法及びシステムによって割り当てられたすべての作業を完了した後、この実施形態では、機械は、作業場に戻らなければならない。この戻り道には、差し迫った作業がメンテナンス計画システムによってスケジュールされていない場合、比較的低い優先度を割り当てることができる。

メンテナンス措置の必要性又はそれらの有用性は、ローカルに及び／又はリモートで訓練することができる人工ニューラルネットワークのような機械学習方法の使用を介して決定され得る。列車タイプ分類及び列車タイプの以前のリストの１つの結果として、本発明は、速度を計算するとともに、列車通過から記録されたデータの振動エネルギーを蓄積する。このような情報は、現在の技術水準では継続的に利用可能でなく、したがって状態監視及び予測に使用できなかったものであるが、メンテナンス措置がどこでいつ意味を持つかを決定する基礎として使用することができる。

また、本発明の主題は、異なる信号処理方法又は分析アプローチを介して記録された信号の異なる発信元を分離するために、１つのアセットにおいて複数のセンサからのデータを使用する。この例では、列車は、１つのアセットにおける３つの連続するセンサシステムを横切って走行し、列車生成信号から及びアセット生成信号からノイズを分離するために独立成分分析が使用される。これらの検出から取得されたこのような情報は、メンテナンス措置が必要とされる可能性をより高く又は低く見えるようにすることができる。重量のある列車は明らかに、小さな列車よりも多くのリソースを消費し得、トロリーは、高速列車よりも少ないリソースを使用し得る。

以前の段階において導出された情報は、異常を検出し、健康状態の結論を提供し、故障している構成要素を診断及び／又は状態進展傾向を予測するために使用することができる。

通常挙動の境界は、事前設定され、自動的に設定され、及び／又は、（サポートベクタマシンによるような）機械学習方法を介して設定される。異常は、境界の外側にあるが、既知の故障に類似しない。このような導出モデルが可能でない現在の技術水準に比較して、本発明は、不確実性を低減し、高い精度で自動化異常検出を可能にすることができる。本発明は、バラスト又は幾何形状の故障モード、すなわちここでは、支持されていない枕木又はレールの表面故障に関連するパターンを識別するために、上記情報を使用することができる。このようなパターンは、故障、又は特定の速度及び列車タイプにおける特定の縦移動のような許容されない状態をダイレクトに示す単一の値によって形成される。代替的に、又は加えて、このようなパターンは、測定され組み合わせられたデータの周波数及び時間ドメインに存在し、フーリエ変換又はウェーブレット変換等の信号処理方法を介して変形される。人工ニューラルネットワークのような機械学習分類方法は、欠陥（ここでは亀裂）及び／又は構成要素（ここではフログ）及び／又は位置（ここではフログの先端）の分類を識別するために使用される。特定の測定を実行するために専用の一時的な測定デバイスが使用される現在の技術水準に比較して、本発明は、信号の１つ以上のレンジを使用して１つ又は複数のソースから複数の状態評価を導出する。

Claims (17)

1. 鉄道路線インフラストラクチャにおけるメンテナンスを自動的に計画する方法であって、前記方法は、アセットの予測される技術的状態の少なくとも１つを決定する段階を含む、異なる位置における異なるアセットのメンテナンスを決定する段階と、これに応じて前記計画を自動的に最適化する段階と、を含む、方法。
2. 以下の現在又は予測される基準：
   ａ．アセットの技術的条件、
   ｂ．列車の劣化作用、
   ｃ．列車の交通負荷情報、
   ｄ．メンテナンス有効性メトリック、及び、
   ｅ．気象情報、
   の少なくとも１つに基づいて前記計画を最適化するさらなる段階を含む、請求項１に記載の方法。
3. 前記鉄道路線インフラストラクチャの異なるアセットのメンテナンスを決定する段階は、センサからの信号から収集される情報に基づく、請求項２に記載の方法。
4. １つのセンサから少なくとも収集される前記情報は、少なくとも１つの分析アプローチに基づく、請求項３に記載の方法。
5. 前記センサは、鉄道路線インフラストラクチャのアセット及び／又は全車両の少なくとも１つに関連付けられるか、又はその上／地点／中に配置される、請求項３又は４に記載の方法。
6. 前記センサから収集される前記信号は、好ましくは加速度の情報を提供し、及び／又は、計画最適化は、少なくとも１つの分析アプローチに基づく、請求項３〜５のいずれか一項に記載の方法。
7. 以下の現在又は予測される基準：
   ａ．アセットライフサイクル、
   ｂ．地球物理学的位置、
   ｃ．アセットの運行上の重要性、
   ｄ．メンテナンス措置の時間、
   ｅ．前記メンテナンス措置の複雑性、
   ｆ．前記メンテナンス措置のコスト、
   ｇ．列車の交通情報、
   ｈ．前記メンテナンス措置に使用される交換用パーツのストック、
   ｉ．前記メンテナンス措置に必要な安全措置、
   ｊ．予算情報、
   ｋ．人員利用可能性、
   ｌ．メンテナンス車両利用可能性、及び、
   ｍ．ツール利用可能性、
   の少なくとも１つに基づいて前記計画を最適化するさらなる段階を含む、請求項６に記載の方法。
8. 現在の技術的状態についてメンテナンスを決定する段階と、予測される技術的状態のメンテナンスを決定する段階と、前記計画を自動的に最適化する段階とのうちの少なくとも２つについて、異なるサーバを関与させる段階をさらに含む、請求項１〜７のいずれか一項に記載の方法。
9. 前記メンテナンスの計画を自動的に制御する段階をさらに含む、請求項１〜８のいずれか一項に記載の方法。
10. メンテナンスを自動的に計画する鉄道路線計画システムであって、アセットの予測される技術的状態の少なくとも１つを決定する決定構成要素を含む、異なる位置における異なるアセットのメンテナンスを決定する決定構成要素と、これに応じて前記計画を自動的に最適化する最適化構成要素と、を備える、鉄道路線計画システム。
11. 以下の現在又は予測される基準：
    ａ．アセットの技術的条件、
    ｂ．列車の劣化作用、
    ｃ．列車の交通負荷情報、
    ｄ．メンテナンス有効性メトリック、及び、
    ｅ．気象情報、
    の少なくとも１つに基づいて前記計画を最適化するさらなる構成要素を含む、請求項１０に記載の鉄道路線計画システム。
12. 異なる地球物理学的位置におけるセンサをさらに備え、異なるアセットのメンテナンスを決定する前記決定構成要素は、前記センサからの信号から収集される情報を提供するように構成されている、請求項１０又は１１に記載の鉄道路線計画システム。
13. １つのセンサから少なくとも収集される前記情報は、少なくとも１つの分析アプローチを備える分析構成要素によって処理される、請求項１２に記載の鉄道路線計画システム。
14. 前記センサは、少なくとも鉄道路線インフラストラクチャ及び／又は全車両の１つの上／又は／地点に関連付けられるか又は配置される、請求項１２又は１３に記載の鉄道路線計画システム。
15. 前記センサから収集される前記信号は、加速度の少なくとも１つの情報を提供する、請求項１２〜１４のいずれか一項に記載の鉄道路線計画システム。
16. 以下の現在又は予測される基準：
    ａ．アセットライフサイクル、
    ｂ．地球物理学的位置、
    ｃ．アセットの運行上の重要性、
    ｄ．メンテナンス措置の時間、
    ｅ．前記メンテナンス措置の複雑性、
    ｆ．前記メンテナンス措置のコスト、
    ｇ．列車の交通情報、
    ｈ．前記メンテナンス措置に使用される交換用パーツのストック、
    ｉ．前記メンテナンス措置に必要な安全措置、
    ｊ．予算情報、
    ｋ．人員利用可能性、
    ｌ．メンテナンス車両利用可能性、及び、
    ｍ．ツール利用可能性、
    の少なくとも１つに基づいて前記計画を最適化するさらなる構成要素を備える、請求項１５に記載の鉄道路線計画システム。
17. 現在の技術的状態についてメンテナンスを決定する前記決定構成要素と、予測される技術的状態のメンテナンスを決定する前記決定構成要素と、前記計画を自動的に最適化する前記最適化構成要素とのうちの少なくとも２つについて、異なるサーバをさらに備える、請求項１０〜１６のいずれか一項に記載の鉄道路線計画システム。

Images