WO2016098773A1 - 鉄道車両状態監視装置 - Google Patents

鉄道車両状態監視装置 Download PDF

Info

Publication number
WO2016098773A1
WO2016098773A1 PCT/JP2015/085085 JP2015085085W WO2016098773A1 WO 2016098773 A1 WO2016098773 A1 WO 2016098773A1 JP 2015085085 W JP2015085085 W JP 2015085085W WO 2016098773 A1 WO2016098773 A1 WO 2016098773A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
railway vehicle
wheel
carriage
railway
Prior art date
Application number
PCT/JP2015/085085
Other languages
English (en)
French (fr)
Inventor
将明 水野
益久 谷本
研介 長澤
須田　義大
世彬 林
健介 木本
Original Assignee
新日鐵住金株式会社
国立大学法人 東京大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 新日鐵住金株式会社, 国立大学法人 東京大学 filed Critical 新日鐵住金株式会社
Priority to AU2015364756A priority Critical patent/AU2015364756B2/en
Priority to CN201580068521.3A priority patent/CN107107927B/zh
Priority to US15/534,064 priority patent/US10379008B2/en
Priority to EP15869978.5A priority patent/EP3235705A4/en
Publication of WO2016098773A1 publication Critical patent/WO2016098773A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61F—RAIL VEHICLE SUSPENSIONS, e.g. UNDERFRAMES, BOGIES OR ARRANGEMENTS OF WHEEL AXLES; RAIL VEHICLES FOR USE ON TRACKS OF DIFFERENT WIDTH; PREVENTING DERAILING OF RAIL VEHICLES; WHEEL GUARDS, OBSTRUCTION REMOVERS OR THE LIKE FOR RAIL VEHICLES
    • B61F5/00—Constructional details of bogies; Connections between bogies and vehicle underframes; Arrangements or devices for adjusting or allowing self-adjustment of wheel axles or bogies when rounding curves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61F—RAIL VEHICLE SUSPENSIONS, e.g. UNDERFRAMES, BOGIES OR ARRANGEMENTS OF WHEEL AXLES; RAIL VEHICLES FOR USE ON TRACKS OF DIFFERENT WIDTH; PREVENTING DERAILING OF RAIL VEHICLES; WHEEL GUARDS, OBSTRUCTION REMOVERS OR THE LIKE FOR RAIL VEHICLES
    • B61F5/00—Constructional details of bogies; Connections between bogies and vehicle underframes; Arrangements or devices for adjusting or allowing self-adjustment of wheel axles or bogies when rounding curves
    • B61F5/02—Arrangements permitting limited transverse relative movements between vehicle underframe or bolster and bogie; Connections between underframes and bogies
    • B61F5/22—Guiding of the vehicle underframes with respect to the bogies
    • B61F5/24—Means for damping or minimising the canting, skewing, pitching, or plunging movements of the underframes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K13/00—Other auxiliaries or accessories for railways
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or train
    • B61L1/02—Electric devices associated with track, e.g. rail contacts
    • B61L1/06—Electric devices associated with track, e.g. rail contacts actuated by deformation of rail; actuated by vibration in rail
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/04—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing railway vehicles
    • G01G19/045—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing railway vehicles for weighing railway vehicles in motion
    • G01G19/047—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing railway vehicles for weighing railway vehicles in motion using electrical weight-sensitive devices

Definitions

  • the present invention detects railway vehicle information represented by wheel weights and the like of wheels of a railway vehicle traveling on a track, and determines a vehicle state such as the presence or absence of abnormality of the railway vehicle based on the detected vehicle information.
  • the present invention relates to a state monitoring device.
  • the present invention relates to a railway vehicle state monitoring apparatus that can easily determine a parameter for determining a vehicle state without requiring a lot of labor.
  • Patent Documents 1 to 3 are methods for comparing an evaluation index with a predetermined threshold value and detecting an abnormality of the railway vehicle according to the magnitude.
  • the threshold value for detecting this abnormality can change as appropriate depending on the structure of the railway vehicle, loading conditions, traveling conditions, and the like. For this reason, in order to detect an abnormality with high accuracy, it is necessary to determine a large number of threshold values for each of these conditions, which requires a lot of time and labor.
  • the present invention has been made to solve such problems of the prior art, and can be easily determined without requiring a great deal of effort in adjusting the parameters for determining the vehicle state such as the presence or absence of abnormality of the railway vehicle. It is an object of the present invention to provide a railway vehicle state monitoring device capable of performing the above.
  • a railway vehicle state monitoring apparatus includes a detection device that detects vehicle information represented by wheel weights of wheels included in a railway vehicle traveling on a track, and the detected vehicle information. And a determination device including a classifier that outputs a vehicle state such as the presence or absence of abnormality of the railway vehicle. Then, the classifier outputs the known vehicle state when the vehicle information is input, using the vehicle information and the vehicle state of the railway vehicle whose vehicle state is known as teacher data. It is generated using machine learning.
  • teacher data (input vehicle information and output vehicle state) are represented by vehicle information and vehicle state represented by wheel weights of wheels of a railway vehicle whose vehicle state such as presence or absence of vehicle abnormality is known.
  • the classifier is generated by machine learning.
  • the vehicle information is detected by the detection device, and the detected vehicle information is input to the classifier, so that the vehicle state as the determination result is output from the classifier.
  • it is only necessary to generate a classifier by machine learning using known data without requiring much time and labor for determining a threshold value as in the prior art. Can be determined.
  • the vehicle information detected by the detection device and input to the classifier is represented by wheel weights of wheels included in the railway vehicle, and the classifier is configured as the vehicle state.
  • the presence / absence of abnormality and the type of abnormality are output.
  • the railway vehicle includes a pair of carriages having two pairs of left and right wheels on the front and rear
  • vehicle information detected by the detection device includes the following equations (1) and (2 )
  • the vehicle status output from the classifier is the presence / absence and type of abnormality of the railway vehicle.
  • P1 is the wheel weight of the front right wheel of the front carriage
  • P2 is the wheel weight of the front left wheel of the front carriage
  • P3 is the wheel weight of the right rear wheel of the front carriage
  • P4 is the front wheel weight
  • P5 is the wheel weight of the left front wheel of the rear cart
  • P6 is the wheel weight of the front left wheel of the rear cart
  • P7 is the rear wheel weight of the rear cart.
  • P8 indicates the wheel weight of the rear left wheel of the rear carriage.
  • the primary spring abnormality is an abnormality of a primary spring (shaft spring) provided on the carriage, and can be exemplified by breakage of a coil spring provided on the carriage.
  • the primary spring is provided for each wheel, and when the primary spring of any wheel becomes abnormal, the weight of the carriage on the wheel provided with the primary spring is the front and back of the wheel in the carriage. Hang on the wheel located in the left and right direction. For example, when the primary spring of the front right wheel of the carriage becomes abnormal, the weight of the carriage that is applied to the front right wheel is applied to the front left wheel and the rear right wheel.
  • the primary spring abnormality of the front-side carriage can be detected by evaluating the difference between the two.
  • index of the front trolley represented by Formula (1) is used as vehicle information (vehicle information input into a classifier) detected by a detection device.
  • the reason for using the primary spring abnormality index of the rear carriage represented by the formula (2) is the same reason.
  • the secondary spring abnormality is an abnormality of the secondary spring provided in the carriage, and for example, an abnormality in the supply and exhaust of the air spring provided in the carriage can be exemplified.
  • the secondary springs are provided on the left and right sides of the front and rear carriages, in other words, on the front and rear, left and right sides of the railway vehicle. If the secondary springs of any truck become abnormal and cannot support the weight of the vehicle body, The weight of the vehicle body applied to the wheel on the side where the secondary spring is provided is applied to the wheel in the vicinity of the secondary spring located in the front-rear direction and the left-right direction of the secondary spring.
  • the weight of the vehicle body on the wheel on the right side of the front carriage (a pair of front and rear wheels) is the wheel located on the left side of the front carriage. (A pair of front and rear wheels) and a wheel (a pair of front and rear wheels) located on the right side of the rear carriage.
  • the influence extends to the wheels in the vicinity of the secondary spring located in the front-rear direction or the left-right direction with respect to the secondary spring in which the abnormality has occurred.
  • the total wheel weights of the wheels located on the right side of the front carriage and the left side of the rear carriage (P1 + P3 + P6 + P8) and the wheels of the wheels located on the left side of the front carriage and the right side of the rear carriage.
  • index of a railway vehicle represented by Formula (3) is used as vehicle information (vehicle information input into a classifier) detected by a detection device.
  • the primary spring abnormality index of the front carriage As described above, in the preferable configuration described above, as the vehicle information to be detected (vehicle information input to the classifier), the primary spring abnormality index of the front carriage, the primary spring abnormality index of the rear carriage, and the railway vehicle Since the secondary spring abnormality index is used, it can be expected that the determination accuracy of the presence / absence and abnormality type of the vehicle abnormality (abnormality related to the primary spring or the secondary spring) output from the classifier as the determination result is increased.
  • the primary spring abnormality index for the front carriage, the primary spring abnormality index for the rear carriage, and the secondary spring abnormality index for the railway vehicle are as follows from the formulas (1) to (3). It can be calculated by detecting the weight.
  • the wheel load of a wheel can be detected by installing a wheel load sensor using a strain gauge or a load cell on a track as described in Patent Document 3, for example.
  • the primary spring abnormality index of the front and rear carts and the secondary spring abnormality index of the railway vehicle described above serve as an index for detecting an abnormality related to the primary spring and the secondary spring, and at the same time, the railway vehicle. It can also be considered as an index showing individual differences. That is, it may be used as an index for distinguishing one railway vehicle from other railway vehicles, in other words, an index for determining vehicle composition.
  • the vehicle information to be detected includes a primary spring abnormality index of the front carriage, a primary spring abnormality index of the rear carriage, and the railway vehicle While the secondary spring abnormality index is used, the vehicle state that is the determination result is set as the vehicle composition.
  • the railway vehicle includes a pair of carriages having two pairs of left and right wheels on the front and rear, and vehicle information detected by the detection device is expressed by the above formulas (1) and (2).
  • the vehicle state output from the classifier is a vehicle organization of the railway vehicle.
  • the vehicle information (the primary spring abnormality index of the front carriage of the railway vehicle and the primary spring abnormality of the rear carriage) detected by the detection device without receiving information relating to vehicle formation from the outside.
  • the vehicle composition can be determined using only the index and the secondary spring abnormality index of the railway vehicle).
  • a classifier first classifier
  • a classification that outputs the vehicle organization as in the present preferred configuration
  • the presence / absence and type of abnormality of the railway vehicle and the vehicle organization of the railway vehicle can be determined at the same time. As a result, whether the determined abnormality of the railway vehicle and the type of abnormality are related to what kind of vehicle formation, information relating to the vehicle formation is received from the outside and linked to the determination result such as the presence or absence of abnormality of the railway vehicle. There is no need to attach it and it can be easily specified.
  • a normal railway vehicle (a railway vehicle having no abnormality) is used during machine learning.
  • the train data of a normal railway vehicle includes vehicle information of the normal railway vehicle (primary spring abnormality index of the front carriage of the railway vehicle, primary spring abnormality index of the rear carriage, and secondary spring abnormality index of the railway vehicle. ) Is actually detectable, so it is easy to prepare.
  • the vehicle information calculated from the vehicle information detected for the normal railway vehicle for example, by numerical simulation using general-purpose mechanism analysis software.
  • the classifier uses, as the vehicle information of the teacher data, a primary spring abnormality index of the front carriage actually detected by the detection device for a normal railway vehicle, and 1 of the rear carriage.
  • a secondary spring abnormality index, a secondary spring abnormality index of the railway vehicle, a primary spring abnormality index of the front carriage of the normal railway vehicle, a primary spring abnormality index of the rear carriage, and 2 of the railway vehicle A primary spring abnormality index of the front carriage of the abnormal railway vehicle, a primary spring abnormality index of the rear carriage, and a secondary spring abnormality index of the railway vehicle calculated by a numerical simulation from a secondary spring abnormality index are used.
  • the normal railway vehicle uses the presence / absence and type of abnormality of the known railway vehicle and the abnormal railway vehicle, the normal railway vehicle and When the vehicle information of the abnormal railway vehicle is input, to output a vehicle state of the normal rail vehicle and said abnormal railcar, it is generated using the machine learning.
  • the detection device includes a sensor provided on the track.
  • the detection device may include a sensor provided in the railway vehicle. Examples of the sensor provided on the track include the above-described wheel load sensor described in Patent Document 3, and examples of the sensor provided on the railway vehicle include the sensors described in Patent Documents 1 and 2 described above.
  • classifier various configurations such as a support vector machine and a neural network can be adopted as long as they can be generated using machine learning.
  • a naive Bayes classification having an advantage that the mechanism is simple and the calculation speed is high.
  • a vessel is preferably used.
  • FIG. 1 is a block diagram illustrating a classifier included in a determination device included in the railway vehicle state monitoring device according to the first embodiment of the present invention.
  • FIG. 2 is an explanatory diagram for explaining a classifier generation method and a classifier determination method shown in FIG.
  • FIG. 3 shows the determination result obtained when the vehicle information of the abnormal railway vehicle in the determination target data is input to the classifier shown in FIG.
  • FIG. 4 shows a determination result obtained when the vehicle information of a normal railway vehicle among the determination target data is input to the classifier shown in FIG.
  • FIG. 5 is a block diagram illustrating a classifier included in the determination device included in the railway vehicle state monitoring apparatus according to the second embodiment of the present invention.
  • FIG. 6 shows the determination result obtained when the determination target data is input to the classifier shown in FIG.
  • FIG. 7 is a schematic diagram showing a schematic configuration of the railway vehicle state monitoring apparatus according to the first and second embodiments of the present invention.
  • monitoring apparatus a railway vehicle state monitoring apparatus (hereinafter, appropriately referred to as “monitoring apparatus”) according to an embodiment of the present invention will be described with reference to the accompanying drawings as appropriate. First, the overall configuration will be described.
  • FIG. 7 is a schematic diagram showing a schematic configuration of the monitoring apparatus according to the embodiment of the present invention.
  • the monitoring apparatus according to the first embodiment and the monitoring apparatus according to the second embodiment are included in the determination apparatus. Only the classifier generation method and the determination method (determination contents) by the classifier are different, and both have a common overall configuration as shown in FIG.
  • the monitoring device 100 according to the present embodiment includes a detection device 1 that detects vehicle information represented by wheel load of wheels 31 included in a railway vehicle 3 that travels on a track, and detected vehicle information. Is input, and a determination device 2 including a classifier 21 that outputs a vehicle state such as the presence or absence of abnormality of the railway vehicle 3 is provided.
  • the detection device 1 included in the monitoring device 100 is attached to the left and right rails R constituting the track, and includes a wheel load sensor 11 for measuring the wheel load of the wheels 31 included in the railcar 3, And an arithmetic unit 12 connected to the heavy sensor 11.
  • a wheel load sensor 11 for measuring the wheel load of the wheels 31 included in the railcar 3
  • an arithmetic unit 12 connected to the heavy sensor 11.
  • the calculation unit 12 calculates each abnormality index described later based on the wheel weight measured by the wheel weight sensor 11 and transmitted from the wheel weight sensor 11. Specifically, for example, the calculation unit 12 stores calculation formulas (formulas (1) to (3)) for each abnormality index, and substitutes the wheel load transmitted from the wheel load sensor 11 into the calculation formula.
  • PC personal computer
  • the calculating part 12 outputs each calculated abnormality parameter
  • the determination device 2 included in the monitoring device 100 is installed with a program that functions as a classifier 21 that is generated using machine learning and outputs a vehicle state according to input vehicle information.
  • PC a program that functions as a classifier 21 that is generated using machine learning and outputs a vehicle state according to input vehicle information.
  • the calculation unit 12 of the detection device 1 and the determination device 2 are separated, but the present invention is not limited to this, and the calculation unit 12 and the determination device 2 are separated. It is also possible to configure using a single PC in which a program that fulfills both functions is installed.
  • monitoring device 100 According to the first and second embodiments of the present invention will be described in order.
  • FIG. 1 is a block diagram illustrating a classifier included in a determination device included in the monitoring device according to the first embodiment of the present invention.
  • FIG. 1A is a block diagram showing how a classifier is generated using machine learning
  • FIG. 1B is a block diagram showing how a vehicle state is determined using the generated classifier.
  • the monitoring device 100 according to the first embodiment includes a first step in which the detection device 1 detects vehicle information represented by wheel weights of wheels included in a railway vehicle traveling on a track, and a determination device for the detected vehicle information. And the second step of outputting the vehicle state such as the presence / absence of an abnormality of the railway vehicle (railway vehicle whose vehicle state is unknown) from the classifier 21 (FIG. 1B). )reference).
  • the monitoring device 100 is intended for a railway vehicle including a pair of carriages having two pairs of left and right wheels on the front and rear.
  • vehicle information detected in the first step is represented by the following equations (1) and (2) as shown in FIG.
  • the primary spring abnormality index of the front trolley of the vehicle, the primary spring abnormality index of the rear trolley, and the secondary spring abnormality index of the railway vehicle represented by the following expression (3) are used.
  • P1 is the wheel weight of the front right wheel of the front carriage
  • P2 is the wheel weight of the front left wheel of the front carriage
  • P3 is the wheel weight of the right rear wheel of the front carriage
  • P4 is the front wheel weight
  • P5 is the wheel weight of the left front wheel of the rear cart
  • P6 is the wheel weight of the front left wheel of the rear cart
  • P7 is the rear wheel weight of the rear cart.
  • each abnormality index represented by the above formulas (1) to (3) is calculated by the calculation unit 12 included in the detection device 1.
  • the vehicle state output from the classifier 21 in the second step is the presence / absence and type of abnormality of the railway vehicle, as shown in FIG.
  • the classifier 21 of the first embodiment is a naive Bayes classifier as will be described later, the probability that the railway vehicle is normal and various abnormalities in the railway vehicle (FIG. 1 (b ), For the sake of convenience, only the abnormality A and the abnormality B are described) and the probability of occurrence) is calculated.
  • the determination apparatus 2 outputs the vehicle state with the highest probability among the probabilities that various types of abnormalities output from the classifier 21 have occurred, as a final determination result.
  • the classifier 21 used in the second step includes vehicle information on railway vehicles whose vehicle state is known as teacher data (a combination of input vehicle information and output vehicle state), and The vehicle state is generated using machine learning so that the vehicle state is output when vehicle information is input.
  • teacher data about a normal railway vehicle a railway vehicle having no abnormality
  • teacher data about an abnormal railway vehicle are required.
  • the train data of a normal railway vehicle includes vehicle information of the normal railway vehicle (primary spring abnormality index of the front carriage of the railway vehicle, primary spring abnormality index of the rear carriage, and secondary spring abnormality index of the railway vehicle. ) Is actually detectable, so it is easy to prepare.
  • the classifier 21 used in the second step uses the primary spring abnormality index of the front carriage, the primary spring abnormality index of the rear carriage, which is actually detected for a normal railway vehicle, as the vehicle information of the teacher data, and Calculated by numerical simulation from the secondary spring abnormality index of the railway vehicle, the primary spring abnormality index of the front carriage of a normal railway vehicle, the primary spring abnormality index of the rear carriage, and the secondary spring abnormality index of the railway vehicle.
  • the primary spring abnormality index of the front carriage of the abnormal vehicle, the primary spring abnormality index of the rear carriage, and the secondary spring abnormality index of the railway vehicle are used.
  • normal railway vehicle and abnormal railway So as to output both the vehicle condition is preferably generated using a machine learning.
  • FIG. 2 is an explanatory diagram for explaining a generation method of the classifier 21 and a determination method by the classifier 21.
  • FIG. 2A by inputting teacher data to the classifier 21, a frequency distribution of vehicle information is formed for each vehicle state.
  • FIG. 2 (a) the frequency distribution of the primary spring abnormality index of the front carriage formed for each vehicle state (normal, abnormality A, abnormality B) is shown.
  • a similar frequency distribution is formed for other vehicle information (primary spring abnormality index of the rear carriage, secondary spring abnormality index of the railway vehicle).
  • primary spring abnormality index of the rear carriage secondary spring abnormality index of the railway vehicle.
  • FIG. 2 (a) for convenience, there are three cases where the vehicle state is normal, abnormality A, and abnormality B, but in practice, the number of frequencies according to the number of types of abnormality is shown. A distribution is formed.
  • a normal distribution (probability density distribution) is formed based on the frequency distribution formed as described above.
  • the normal distribution of the primary spring abnormality index of the front carriage formed for each vehicle state (normal, abnormality A, abnormality B) is shown superimposed.
  • a similar normal distribution is formed and stored for other vehicle information (primary spring abnormality index of the rear carriage, secondary spring abnormality index of the railway vehicle) (see FIG. 2C).
  • the classifier 21 is generated.
  • the abnormal rail vehicle (abnormal A and abnormal B) is also actually detected. It is possible to form a frequency distribution of the vehicle information, and to form a normal distribution (probability density distribution) shown in FIG. 2B based on this frequency distribution.
  • the vehicle information detected for the normal railway vehicle is used for the abnormal railway vehicle. It is conceivable to calculate by numerical simulation. Specifically, for example, the normal distribution (probability density distribution) of the vehicle information about the abnormal railway vehicle (the abnormality A, in the example shown in FIG.
  • the normal distribution (probability density distribution) (see FIG. 2B) formed using the vehicle information actually detected for the normal railway vehicle is averaged without changing its standard deviation ⁇ . Only the value ⁇ is shifted by the amount of change obtained in the above (3), and the shifted normal distribution is calculated as the normal distribution of the vehicle information about the abnormal railway vehicle. This is a calculation based on the assumption that the normal distribution of vehicle information for normal railway vehicles and the normal distribution of vehicle information for abnormal rail vehicles differ from each other in mean value ⁇ , but the standard deviation ⁇ will be equivalent. Is the method.
  • the vehicle information (primary spring abnormality index of the front carriage, the rear carriage) detected in the first step is added to the classifier 21 generated as described above.
  • (Secondary spring abnormality index of railway vehicle, secondary spring abnormality index of railway vehicle) is input (the part indicated as “detected value” in FIG. 2C indicates each vehicle information that is input).
  • the classifier 21 calculates the probability of each vehicle state according to the value of each input vehicle information. In the example shown in FIG. 2 (c), the probability that the railway vehicle is normal, the probability that abnormality A has occurred in the railway vehicle, and the railway vehicle according to the input value of the primary spring abnormality index of the front carriage.
  • the probabilities that the abnormality B has occurred are calculated as n 1 , a 1 , and b 1 , respectively. Further, the probability that the railway vehicle is normal, the probability that the railway vehicle has an abnormality A, and the probability that the railway vehicle has an abnormality B according to the value of the primary spring abnormality index of the input rear carriage. the calculated as n 2, a 2, b 2, respectively. Furthermore, the probability that the railway vehicle is normal, the probability that the railway vehicle has an abnormality A, and the probability that the railway vehicle has an abnormality B are determined in accordance with the value of the secondary spring abnormality index of the railway vehicle that is input. Calculated as n 3 , a 3 , b 3 .
  • the classifier 21 has a probability P N (equation (4) in FIG. 2C) that the railway vehicle is normal, and a probability that an abnormality A occurs in the railway vehicle.
  • P A (Equation (5) in FIG. 2C) and probability P B (Equation (6) in FIG. 2C) that an abnormality B has occurred in the railway vehicle are calculated.
  • the determination device 2 outputs the vehicle state having the highest probability among the probabilities P N , P A , and P B calculated by the classifier 21 as a final determination result.
  • Vehicle information primary spring of the front bogie
  • An abnormality index, a primary spring abnormality index of a rear carriage, and a secondary spring abnormality index of a railway vehicle, and a classifier 21 is generated by machine learning using the detected vehicle information.
  • the vehicle state was determined by inputting the detected vehicle information.
  • An abnormality in which a leveling valve connected to an air spring provided on the inner track side of the front carriage fails and the exhaust operation remains performed (abbreviated as “front inner track exhaust”)
  • the leveling valve connected to the air spring provided on the outer gauge side of the front carriage fails and remains exhausted (abbreviated as “front outer gauge exhaust”).
  • FIG. 3 shows a determination result obtained when the vehicle information of the abnormal rail vehicle among the determination target data is input to the classifier 21.
  • the type of abnormality output as the determination result completely matched the assumed (simulated) type of abnormality.
  • FIG. 4 shows a determination result obtained when vehicle information of a normal railway vehicle among the determination target data is input to the classifier 21. As shown in FIG. 4, most of the determination results are determined to be normal. Thereby, according to the monitoring apparatus 100 which concerns on 1st Embodiment, it turns out that it can determine with a comparatively sufficient precision also about a normal railway vehicle.
  • FIG. 5 is a block diagram illustrating a classifier included in the determination device included in the monitoring device according to the second embodiment of the present invention.
  • FIG. 1A is a block diagram showing how a classifier is generated using machine learning
  • FIG. 1B is a block diagram showing how a vehicle state is determined using the generated classifier.
  • the monitoring apparatus 100 according to the second embodiment also includes a first step of detecting vehicle information represented by wheel weights of wheels included in a railway vehicle traveling on a track by the detection device 1. Then, the detected vehicle information is input to the classifier 21 included in the determination device 2, and the second step of outputting the vehicle state of the railway vehicle (railway vehicle whose vehicle state is unknown) is executed from the classifier 21 (FIG.
  • the second embodiment is different from the first embodiment only in that the vehicle state output from the classifier 21 in the second step is not the presence / absence of abnormality and the type of abnormality, but the train formation of the railway vehicle. More specifically, the classifier 21 calculates the probability that the railway vehicle to be determined has each vehicle formation, and the determination device 2 has the highest probability among the vehicle formation probabilities output from the classifier 21. Is output as a final determination result. Since it is not necessary to determine the presence or absence of abnormality and the type of abnormality, in the second embodiment, it is only necessary to prepare teacher data for normal railway vehicles as teacher data, and teacher data for abnormal rail vehicles is not necessarily required. Absent.
  • 10 types of vehicle formation of X series (a formation, b formation, c formation, d formation, e formation, f formation, g formation, h formation, i formation, j formation) and 11 types of vehicle formation of k series (k (Knitting, l-knitting, m-knitting, n-knitting, o-knitting, p-knitting, q-knitting, r-knitting, s-knitting, t-knitting, u-knitting) vehicle information when passing through the curved section of the track under the following conditions (Primary spring abnormality index of the front carriage, primary spring abnormality index of the rear carriage, secondary spring abnormality index of the railway vehicle) is detected, and the classifier 21 is detected by machine learning using the detected vehicle information.
  • k series k (Knitting, l-knitting, m-knitting, n-knitting, o
  • the vehicle state was determined by inputting the detected vehicle information to the generated classifier 21.
  • Teacher data Vehicle information detected for normal railway vehicles that passed the curve section (for 10 days)
  • -Judgment target data vehicle information detected for normal railway vehicles that have passed the curve section (for 20 days after acquiring teacher data)
  • FIG. 6 shows a determination result obtained when the determination target data is input to the classifier 21. As shown in FIG. 6, most of the determination results are the same as the actual vehicle formation. Thereby, according to the monitoring apparatus 100 which concerns on 2nd Embodiment, it turns out that it can determine comparatively accurately also about vehicle organization.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Traffic Control Systems (AREA)

Abstract

【課題】鉄道車両の異常の有無等の車両状態を判定するためのパラメータの調整に多大な手間を要することなく簡易に判定が可能な鉄道車両状態監視装置を提供する。 【解決手段】本発明に係る鉄道車両状態監視装置１００は、軌道上を走行する鉄道車両３が具備する車輪３１の輪重等で表わされる車両情報を検出する検出装置１と、前記検出した車両情報が入力され、前記鉄道車両の異常の有無等の車両状態を出力する分類器２１を具備する判定装置２とを備えている。そして、前記分類器は、教師データとして前記車両状態が既知である鉄道車両の前記車両情報及び前記車両状態を用いて、前記車両情報が入力されたときに前記既知の車両状態を出力するように、機械学習を用いて生成されている。

Description

鉄道車両状態監視装置
　本発明は、軌道上を走行する鉄道車両が具備する車輪の輪重等で表わされる車両情報を検出し、検出した車両情報に基づき、鉄道車両の異常の有無等の車両状態を判定する鉄道車両状態監視装置に関する。特に、本発明は、車両状態を判定するためのパラメータの調整に多大な手間を要することなく簡易に判定が可能な鉄道車両状態監視装置に関する。
　従来より、鉄道車両の走行安全性を向上させるために、営業車両（営業運転中の鉄道車両）に種々のセンサを取り付け、営業線を走行中の営業車両の状態をセンサによって監視することで、営業車両の異常を営業車両の走行時に検出するオンライン・リアルタイム監視が行われている（例えば、特許文献１、２参照）。
　しかしながら、上記の方法で、走行中の鉄道車両の異常を検出しようとすると、全ての鉄道車両にセンサを取り付けなければならず、センサの保守・点検等に手間が掛かる。このため、鉄道車両の異常を容易に検出できないと共に多額の費用が必要になるという問題がある。
　上記の問題を解決するため、車輪の輪重を測定するための輪重センサを軌道に設け、輪重センサによって測定した輪重によって表わされる指標の大小に基づき鉄道車両の異常を検出する方法が提案されている（例えば、特許文献３参照）。
　斯かる方法によれば、鉄道車両毎にセンサを取り付ける場合に比べて鉄道車両の異常を容易に且つ安価に検出することができる。
　しかしながら、特許文献１～３に記載の方法は、いずれも評価指標を所定のしきい値と比較し、その大小に応じて鉄道車両の異常を検出する方法である。この異常を検出するためのしきい値は、鉄道車両の構造、積載条件、走行条件等に応じて適切な値が変わり得る。このため、精度良く異常を検出するには、これらの各条件毎に多数のしきい値を決定する必要があり、多大なる時間と労力を要する。
特開２００９－２２０８１５号公報 特開２０１１－５１５１８号公報 特開２０１３－１２０１００号公報
　本発明は、斯かる従来技術の問題点を解決するべくなされたものであり、鉄道車両の異常の有無等の車両状態を判定するためのパラメータの調整に多大な手間を要することなく簡易に判定が可能な鉄道車両状態監視装置を提供することを課題とする。
　前記課題を解決するため、本発明に係る鉄道車両状態監視装置は、軌道上を走行する鉄道車両が具備する車輪の輪重等で表わされる車両情報を検出する検出装置と、前記検出した車両情報が入力され、前記鉄道車両の異常の有無等の車両状態を出力する分類器を具備する判定装置とを備えている。そして、前記分類器は、教師データとして前記車両状態が既知である鉄道車両の前記車両情報及び前記車両状態を用いて、前記車両情報が入力されたときに前記既知の車両状態を出力するように、機械学習を用いて生成されていることを特徴とする。
　本発明によれば、車両の異常の有無等の車両状態が既知である鉄道車両の車輪の輪重等で表わされる車両情報と車両状態とを教師データ（入力する車両情報と出力する車両状態との組み合わせ）として用いて、機械学習により分類器が生成される。そして、検出装置で車両情報が検出され、その検出された車両情報が分類器に入力されることで、判定結果としての車両状態が分類器から出力される。本発明によれば、従来のようにしきい値を決定するための多大なる時間や労力を要することなく、既知のデータを用いた機械学習により分類器を生成するだけで良いため、簡易に車両状態を判定可能である。
　好ましくは、前記検出装置で検出し前記分類器に入力される前記車両情報は、前記鉄道車両が具備する車輪の輪重で表わされ、前記分類器は、前記車両状態として、前記鉄道車両の異常の有無及び異常の種別を出力する。
　具体的には、例えば、前記鉄道車両は、前後に左右２対の車輪を有する台車を前後に１対具備し、前記検出装置で検出する車両情報は、以下の式（１）及び式（２）でそれぞれ表わされる前記鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、以下の式（３）で表わされる前記鉄道車両の２次ばね異常指標であり、前記分類器から出力する車両状態は、前記鉄道車両の異常の有無及び異常の種別である。
　前側の台車の１次ばね異常指標＝（Ｐ１＋Ｐ４）－（Ｐ２＋Ｐ３）・・・（１）
　後側の台車の１次ばね異常指標＝（Ｐ５＋Ｐ８）－（Ｐ６＋Ｐ７）・・・（２）
　鉄道車両の２次ばね異常指標＝（Ｐ１＋Ｐ３＋Ｐ６＋Ｐ８）－（Ｐ２＋Ｐ４＋Ｐ５＋Ｐ７）・・・（３）
　ただし、Ｐ１は前側の台車の前方右側の車輪の輪重を、Ｐ２は前側の台車の前方左側の車輪の輪重を、Ｐ３は前側の台車の後方右側の車輪の輪重を、Ｐ４は前側の台車の後方左側の車輪の輪重を、Ｐ５は後側の台車の前方右側の車輪の輪重を、Ｐ６は後側の台車の前方左側の車輪の輪重を、Ｐ７は後側の台車の後方右側の車輪の輪重を、Ｐ８は後側の台車の後方左側の車輪の輪重を示す。
　１次ばね異常とは台車に設けられた１次ばね（軸ばね）の異常であり、例えば、台車に設けられたコイルばねの折損を例示できる。
　１次ばねは車輪毎に設けられており、いずれかの車輪の１次ばねが異常になると、その１次ばねが設けられた車輪に掛かっていた台車の重量は、その台車におけるその車輪の前後方向及び左右方向に位置する車輪に掛かる。例えば、台車の前方右側の車輪の１次ばねが異常になると、前方右側の車輪に掛かっていた台車の重量は、前方左側の車輪及び後方右側の車輪に掛かる。このように、１次ばね異常が発生すると、その影響は、１次ばね異常が発生した車輪に対して前後方向及び左右方向に位置する車輪に及ぶことになる。
　従って、前側の台車の前方右側及び後方左側に位置する車輪のそれぞれの輪重の合計（Ｐ１＋Ｐ４）と、前側の台車の前方左側及び後方右側に位置する車輪のそれぞれの輪重の合計（Ｐ２＋Ｐ３）との差を評価することにより、前側の台車の１次ばね異常を検出することができると考えられる。このため、上記の好ましい構成では、検出装置で検出する車両情報（分類器に入力する車両情報）として、式（１）で表わされる前側の台車の１次ばね異常指標を用いている。式（２）で表わされる後側の台車の１次ばね異常指標を用いているのも同様の理由である。
　一方、２次ばね異常とは台車に設けられた２次ばねの異常であり、例えば、台車に設けられた空気ばねの給排気の異常を例示できる。
　２次ばねは前後の台車の左右それぞれに、換言すれば鉄道車両の前後左右に設けられており、いずれかの台車の２次ばねが異常になって車体の重量を支持できなくなると、その台車の２次ばねが設けられた側の車輪に掛かっていた車体の重量は、その２次ばねの前後方向及び左右方向に位置する２次ばねの近傍の車輪に掛かることになる。例えば、前側の台車の右側の２次ばねが異常になると、前側の台車の右側に位置する車輪（前後１対の車輪）に掛かっていた車体の重量は、前側の台車の左側に位置する車輪（前後１対の車輪）及び後側の台車の右側に位置する車輪（前後１対の車輪）に掛かる。このように、２次ばね異常が発生すると、その影響は、異常が発生した２次ばねに対して前後方向又は左右方向に位置する２次ばねの近傍の車輪に及ぶことになる。
　従って、前側の台車の右側及び後側の台車の左側に位置する車輪のそれぞれの輪重の合計（Ｐ１＋Ｐ３＋Ｐ６＋Ｐ８）と、前側の台車の左側及び後側の台車の右側に位置する車輪のそれぞれの輪重の合計（Ｐ２＋Ｐ４＋Ｐ５＋Ｐ７）との差を評価することにより、鉄道車両の２次ばね異常を検出することができると考えられる。このため、上記の好ましい構成では、検出装置で検出する車両情報（分類器に入力する車両情報）として、式（３）で表わされる鉄道車両の２次ばね異常指標を用いている。
　以上のように、上記の好ましい構成では、検出する車両情報（分類器に入力する車両情報）として、前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標を用いるため、判定結果として分類器から出力する車両の異常（１次ばねや２次ばねに関連した異常）の有無及び異常の種別の判定精度が高まることを期待できる。
　なお、前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標は、式（１）～（３）から明らかなように、車輪の輪重を検出することで算出可能である。車輪の輪重は、例えば、特許文献３に記載のように、歪ゲージを用いた輪重センサやロードセルを軌道に設置することで検出可能である。
　ここで、前述した前側及び後側の台車の１次ばね異常指標並びに鉄道車両の２次ばね異常指標は、１次ばねや２次ばねに関わる異常を検出するための指標になると同時に、鉄道車両の個体差を示す指標になると考えることもできる。すなわち、一の鉄道車両を他の鉄道車両と識別するための指標、換言すれば車両編成を判定するための指標として用いることも考えられる。
　この場合、上記の好ましい構成と同様に、検出する車両情報（分類器に入力する車両情報）としては前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標を用いる一方、判定結果である車両状態を車両編成とすることになる。
　すなわち、好ましくは、前記鉄道車両は、前後に左右２対の車輪を有する台車を前後に１対具備し、前記検出装置で検出する車両情報は、前述の式（１）及び式（２）でそれぞれ表わされる前記鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、前述の式（３）で表わされる前記鉄道車両の２次ばね異常指標であり、前記分類器から出力する車両状態は、前記鉄道車両の車両編成である。
　斯かる好ましい構成によれば、車両編成に関する情報を外部から受信することなく、検出装置で検出した車両情報（鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、鉄道車両の２次ばね異常指標）のみを用いて車両編成を判定することができる。このため、例えば、前述した好ましい構成のように、鉄道車両の異常の有無及び異常の種別を出力する分類器（第１の分類器）と、本好ましい構成のように、車両編成を出力する分類器（第２の分類器）との双方を生成して判定装置が具備しておき、検出装置で検出した車両情報を第１の分類器及び第２の分類器の双方にそれぞれ入力することで、鉄道車両の異常の有無及び異常の種別と、当該鉄道車両の車両編成とを同時に判定可能である。これにより、判定した鉄道車両の異常の有無及び異常の種別が如何なる車両編成に対してのものなのかを、車両編成に関する情報を外部から受信して鉄道車両の異常の有無等の判定結果に紐付ける必要が無く、容易に特定可能である。
　ここで、車両状態として鉄道車両の異常の有無及び異常の種別を出力する分類器（第１の分類器）を生成するには、機械学習の際、正常な鉄道車両（異常の無い鉄道車両）についての教師データと、異常な鉄道車両についての教師データとが必要である。
　正常な鉄道車両の教師データは、正常な鉄道車両の車両情報（鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、鉄道車両の２次ばね異常指標）を実際に検出可能であるため、用意することは容易である。これに対し、異常な鉄道車両の教師データは、異常な鉄道車両を用意すること自体が困難（しかも多数用意することは極めて困難）であるため、車両情報を実際に検出することが困難であり、用意することは容易ではない。
　このため、異常な鉄道車両の教師データについては、その車両情報として、正常な鉄道車両について検出した車両情報から、例えば、汎用機構解析ソフトを用いた数値シミュレーションによって算出したものを用いることが好ましい。
　すなわち、好ましくは、前記分類器は、前記教師データの前記車両情報として、正常な鉄道車両について前記検出装置で実際に検出した前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標と、前記正常な鉄道車両の前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標から数値シミュレーションによって算出した異常な鉄道車両の前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標とを用いると共に、前記教師データの前記車両状態として、前記正常な鉄道車両及び前記異常な鉄道車両についての既知の異常の有無及び異常の種別を用い、前記正常な鉄道車両及び前記異常な鉄道車両の車両情報が入力されたときに、前記正常な鉄道車両及び前記異常な鉄道車両の車両状態を出力するように、機械学習を用いて生成されている。
　斯かる好ましい構成によれば、分類器の機械学習のための教師データとして、異常な鉄道車両について実際に検出した車両情報を用意する必要が無いため、容易に機械学習を行うことができる。
　前記車両情報は、各鉄道車両に設けられたセンサを用いて検出することも可能であるものの、保守・点検等の手間やコストを考えると、軌道に設けられたセンサを用いて検出することが好ましい。
　すなわち、前記検出装置は、前記軌道に設けられたセンサを具備することが好ましい。しかしながら、前記検出装置は、前記鉄道車両に設けられたセンサを具備することも可能である。軌道に設けられたセンサとしては、前述した特許文献３に記載の輪重センサを、鉄道車両に設けられたセンサとしては、前述した特許文献１、２に記載のセンサを例示できる。
　前記分類器としては、サポートベクターマシンやニューラルネットワークなど、機械学習を用いて生成できる限りにおいて種々の構成を採用可能であるが、特に、仕組みが単純で計算速度が速いという利点を有するナイーブベイズ分類器が好ましく用いられる。
　本発明によれば、従来のようにしきい値を決定するための多大なる時間や労力を要することなく、既知のデータを用いた機械学習により分類器を生成するだけで良いため、簡易に車両状態を判定可能である。
図１は、本発明の第１実施形態に係る鉄道車両状態監視装置が備える判定装置が具備する分類器を説明するブロック図である。 図２は、図１に示す分類器の生成方法及び分類器による判定方法を説明する説明図である。 図３は、判定対象データのうち異常な鉄道車両の車両情報を図１に示す分類器に入力した場合に得られた判定結果を示す。 図４は、判定対象データのうち正常な鉄道車両の車両情報を図１に示す分類器に入力した場合に得られた判定結果を示す。 図５は、本発明の第２実施形態に係る鉄道車両状態監視装置が備える判定装置が具備する分類器を説明するブロック図である。 図６は、判定対象データを図５に示す分類器に入力した場合に得られた判定結果を示す。 図７は、本発明の第１及び第２実施形態に係る鉄道車両状態監視装置の概略構成を示す模式図である。
　以下、添付図面を適宜参照しつつ、本発明の実施形態に係る鉄道車両状態監視装置（以下、適宜、「監視装置」と略称する）について説明する。まず最初に、全体構成について説明する。
　＜全体構成＞
　図７は、本発明の実施形態に係る監視装置の概略構成を示す模式図である。なお、後述する第１実施形態に係る監視装置及び第２の実施形態に係る監視装置（以下、これらを総称して、適宜「本実施形態に係る監視装置」という）は、判定装置が具備する分類器の生成方法及び分類器による判定方法（判定内容）が異なるだけであって、双方共に図７に示すような共通する全体構成を有する。
　図７に示すように、本実施形態に係る監視装置１００は、軌道上を走行する鉄道車両３が具備する車輪３１の輪重で表わされる車両情報を検出する検出装置１と、検出した車両情報が入力され、鉄道車両３の異常の有無等の車両状態を出力する分類器２１を具備する判定装置２とを備えている。
　本実施形態に係る監視装置１００が備える検出装置１は、軌道を構成する左右のレールＲに取り付けられ、鉄道車両３が具備する車輪３１の輪重を測定するための輪重センサ１１と、輪重センサ１１に接続された演算部１２とを具備している。輪重センサ１１としては、前述した特許文献３に記載のような歪ゲージを用いた輪重センサや、ロードセルを用いることが可能である。演算部１２は、輪重センサ１１で測定され、輪重センサ１１から送信された輪重に基づき、後述する各異常指標を算出する。具体的には、例えば、演算部１２は、各異常指標の計算式（式（１）～式（３））が記憶され、輪重センサ１１から送信された輪重を前記計算式に代入して各異常指標を算出するプログラムがインストールされたＰＣ（パーソナルコンピュータ）とされている。そして、演算部１２は、算出した各異常指標を車両情報として判定装置２（分類器２１）に出力する。
　本実施形態に係る監視装置１００が備える判定装置２は、例えば、機械学習を用いて生成され、入力された車両情報に応じた車両状態を出力する分類器２１としての機能を果たすプログラムがインストールされたＰＣとされている。
　なお、図７に示す監視装置１００では、検出装置１の演算部１２と、判定装置２とが別体とされているが、本発明はこれに限るものではなく、演算部１２と判定装置２の双方の機能を果たすプログラムをインストールした単一のＰＣを用いて構成することも可能である。
　以下、本発明の第１及び第２実施形態に係る監視装置１００について、順に説明する。
　＜第１実施形態＞
　図１は、本発明の第１実施形態に係る監視装置が備える判定装置が具備する分類器を説明するブロック図である。図１（ａ）は機械学習を用いて分類器を生成する様子を示すブロック図であり、図１（ｂ）は生成された分類器を用いて車両状態を判定する様子を示すブロック図である。
　第１実施形態に係る監視装置１００は、軌道上を走行する鉄道車両が具備する車輪の輪重等で表わされる車両情報を検出装置１で検出する第１ステップと、検出した車両情報を判定装置２が具備する分類器２１に入力し、分類器２１から鉄道車両（車両状態が未知である鉄道車両）の異常の有無等の車両状態を出力する第２ステップとを実行する（図１（ｂ）参照）。
　第１実施形態に係る監視装置１００は、前後に左右２対の車輪を有する台車を前後に１対具備する鉄道車両を対象としている。
　そして、前記第１ステップで検出する車両情報（分類器２１に入力される車両情報）は、図１（ｂ）に示すように、以下の式（１）及び式（２）でそれぞれ表わされる鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、以下の式（３）で表わされる鉄道車両の２次ばね異常指標とされている。
　前側の台車の１次ばね異常指標＝（Ｐ１＋Ｐ４）－（Ｐ２＋Ｐ３）・・・（１）
　後側の台車の１次ばね異常指標＝（Ｐ５＋Ｐ８）－（Ｐ６＋Ｐ７）・・・（２）
　鉄道車両の２次ばね異常指標＝（Ｐ１＋Ｐ３＋Ｐ６＋Ｐ８）－（Ｐ２＋Ｐ４＋Ｐ５＋Ｐ７）・・・（３）
　ただし、Ｐ１は前側の台車の前方右側の車輪の輪重を、Ｐ２は前側の台車の前方左側の車輪の輪重を、Ｐ３は前側の台車の後方右側の車輪の輪重を、Ｐ４は前側の台車の後方左側の車輪の輪重を、Ｐ５は後側の台車の前方右側の車輪の輪重を、Ｐ６は後側の台車の前方左側の車輪の輪重を、Ｐ７は後側の台車の後方右側の車輪の輪重を、Ｐ８は後側の台車の後方左側の車輪の輪重を示す。
　上記の式（１）～（３）で表わされる各異常指標は、前述のように、検出装置１が具備する演算部１２によって算出される。
　また、前記第２ステップで分類器２１から出力する車両状態は、図１（ｂ）に示すように、鉄道車両の異常の有無及び異常の種別である。具体的には、第１実施形態の分類器２１は、後述のようにナイーブベイズ分類器とされているため、鉄道車両が正常である確率と、鉄道車両に各種別の異常（図１（ｂ）では、便宜上、異常Ａ、異常Ｂのみ記載している）が生じている確率とを算出する。そして、判定装置２は、分類器２１から出力された各種別の異常が生じている確率のうち、最も確率の高い車両状態を最終的な判定結果として出力する。
　図１（ａ）に示すように、前記第２ステップで用いる分類器２１は、教師データ（入力する車両情報と出力する車両状態との組み合わせ）として車両状態が既知である鉄道車両の車両情報及び車両状態を用いて、車両情報が入力されたときに前記既知の車両状態を出力するように、機械学習を用いて生成されている。
　具体的には、機械学習の際、正常な鉄道車両（異常の無い鉄道車両）についての教師データと、異常な鉄道車両についての教師データとが必要である。
　正常な鉄道車両の教師データは、正常な鉄道車両の車両情報（鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、鉄道車両の２次ばね異常指標）を実際に検出可能であるため、用意することは容易である。これに対し、異常な鉄道車両の教師データは、異常な鉄道車両を用意すること自体が困難（しかも多数用意することは極めて困難）であるため、車両情報を実際に検出することが困難であり、用意することは容易ではない。
　このため、異常な鉄道車両の教師データについては、その車両情報として、正常な鉄道車両について検出した車両情報から数値シミュレーションによって算出したものを用いることが好ましい。
　すなわち、前記第２ステップで用いる分類器２１は、教師データの車両情報として、正常な鉄道車両について実際に検出した前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標と、正常な鉄道車両の前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標から数値シミュレーションによって算出した異常な車両の前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標とを用いると共に、教師データの車両状態として、正常な鉄道車両及び異常な鉄道車両についての既知の異常の有無及び異常の種別を用い、正常な鉄道車両及び異常な鉄道車両の車両情報が入力されたときに、正常な鉄道車両及び異常な鉄道車両の車両状態を出力するように、機械学習を用いて生成されることが好ましい。
　第１実施形態の分類器２１としては、ナイーブベイズ分類器が用いられている。以下、第１実施形態の分類器２１の生成方法（機械学習方法）及び分類器２１による判定方法について、図２を参照しつつ、より具体的に説明する。
　図２は、分類器２１の生成方法及び分類器２１による判定方法を説明する説明図である。
　まず、図２（ａ）に示すように、分類器２１に教師データを入力することによって、各車両状態毎に車両情報の頻度分布が形成される。なお、図２（ａ）に示す例では、各車両状態（正常、異常Ａ、異常Ｂ）毎に形成された前側の台車の１次ばね異常指標の頻度分布を示しているが、実際には他の車両情報（後側の台車の１次ばね異常指標、鉄道車両の２次ばね異常指標）についても同様の頻度分布が形成される。また、図２（ａ）に示す例では、便宜上、車両状態が正常、異常Ａ、異常Ｂの３つである場合を示しているが、実際には異常の種別の数に応じた数の頻度分布が形成される。
　次に、図２（ｂ）に示すように、上記のようにして形成された頻度分布に基づき正規分布（確率密度分布）が形成される。図２（ｂ）に示す例では、各車両状態（正常、異常Ａ、異常Ｂ）毎に形成された前側の台車の１次ばね異常指標の正規分布を重ねて示しているが、実際には他の車両情報（後側の台車の１次ばね異常指標、鉄道車両の２次ばね異常指標）についても同様の正規分布が形成され（図２（ｃ）参照）、記憶される。
　以上のようにして、分類器２１は生成される。
　なお、異常な鉄道車両についての車両情報を実際に検出できる場合には、図２（ａ）を参照して上述したように、異常な鉄道車両について（異常Ａ、異常Ｂについて）も実際に検出した車両情報の頻度分布を形成し、この頻度分布に基づき図２（ｂ）に示す正規分布（確率密度分布）を形成可能である。
　しかしながら、前述のように、異常な鉄道車両についての車両情報を実際に検出することは困難であるため、異常な鉄道車両については、その車両情報を、正常な鉄道車両について検出した車両情報を用いた数値シミュレーションによって算出することが考えられる。具体的には、例えば、以下の（１）～（４）の手順で、異常な鉄道車両についての車両情報の正規分布（確率密度分布）（図２（ｂ）に示す例では、異常Ａ、異常Ｂの正規分布）を形成することが考えられる。
　（１）正常な鉄道車両を想定して、汎用機構解析ソフト（例えば、シムパックジャパン（株）製マルチボディダイナミクス解析ツール「SIMPACK」）を用いた数値シミュレーションを実行し、車両情報（前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標）の数値計算結果を算出する。
　（２）異常な鉄道車両を想定して、上記汎用機構解析ソフトを用いた数値シミュレーションを実行し、車両情報（前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標及び鉄道車両の２次ばね異常指標）の数値計算結果を算出する。この際、想定した異常の種別（図２（ｂ）に示す例では、異常Ａ、異常Ｂ）毎に数値計算結果を算出する。
　（３）上記（１）及び（２）に基づき、正常な鉄道車両と異常な鉄道車両とで、車両情報がどの程度変化するか、その変化量を求める。すなわち、上記（１）で算出した異常な鉄道車両の数値計算結果から上記（２）で算出した正常な鉄道車両の数値計算結果を減算して、上記変化量を求める。
　（４）前述のように、正常な鉄道車両について実際に検出した車両情報を用いて形成した正規分布（確率密度分布）（図２（ｂ）参照）を、その標準偏差σは変えずに平均値μだけを上記（３）で求めた変化量分だけズラし、そのズラした正規分布を、異常な鉄道車両についての車両情報の正規分布として算出する。これは、正常な鉄道車両についての車両情報の正規分布と異常な鉄道車両についての車両情報の正規分布は、互いの平均値μは異なるものの、標準偏差σは同等であろうという仮定に基づく算出方法である。
　次に、図２（ｃ）に示すように、上記のようにして生成した分類器２１に、前記第１ステップで検出した各車両情報（前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標、鉄道車両の２次ばね異常指標）が入力される（図２（ｃ）において「検出値」と表示されている箇所が入力された各車両情報を示す）。分類器２１は、入力された各車両情報の値に応じて、各車両状態である確率を算出する。図２（ｃ）に示す例では、入力された前側の台車の１次ばね異常指標の値に応じて、鉄道車両が正常である確率、鉄道車両に異常Ａが生じている確率、鉄道車両に異常Ｂが生じている確率をそれぞれｎ１、ａ１、ｂ１として算出する。また、入力された後側の台車の１次ばね異常指標の値に応じて、鉄道車両が正常である確率、鉄道車両に異常Ａが生じている確率、鉄道車両に異常Ｂが生じている確率をそれぞれｎ２、ａ２、ｂ２として算出する。さらに、入力された鉄道車両の２次ばね異常指標の値に応じて、鉄道車両が正常である確率、鉄道車両に異常Ａが生じている確率、鉄道車両に異常Ｂが生じている確率をそれぞれｎ３、ａ３、ｂ３として算出する。
　そして、分類器２１は、上記のようにして算出した確率に基づき、鉄道車両が正常である確率ＰＮ（図２（ｃ）の式（４））、鉄道車両に異常Ａが生じている確率ＰＡ（図２（ｃ）の式（５））、鉄道車両に異常Ｂが生じている確率ＰＢ（図２（ｃ）の式（６））を算出する。
　最後に、判定装置２は、分類器２１が算出した確率ＰＮ、ＰＡ、ＰＢのうち最も確率の高い車両状態を最終的な判定結果として出力する。
　以下、第１実施形態に係る監視装置１００によって鉄道車両の異常の有無及び異常の種別を判定した結果の一例について説明する。
　Ｘ系列の５種の車両編成（ａ編成、ｂ編成、ｃ編成、ｄ編成、ｅ編成）について、以下の条件で、軌道の曲線区間を通過する際の車両情報（前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標、鉄道車両の２次ばね異常指標）を検出し、この検出した車両情報を用いた機械学習によって分類器２１を生成し、生成した分類器２１に検出した車両情報を入力することによって車両状態を判定した。
　（Ａ）対象とする曲線区間
　　・入口緩和曲線：長さ４７ｍ
　　・円曲線：長さ６０．１ｍ、半径２５１ｍ、カント０．０６５ｍ、スラック０．００９ｍ
　　・出口緩和曲線：長さ４７ｍ
　　・輪重センサ設置位置：円曲線の始点から１５ｍの位置
　（Ｂ）用いたデータ
　　・教師データ：上記曲線区間を通過した正常な鉄道車両について検出した車両情報（１０日間分）、及び、該検出した正常な鉄道車両についての車両情報から数値シミュレーションによって算出した異常な鉄道車両の車両情報及びその異常の種別
　　・判定対象データ：上記曲線区間を通過した正常な鉄道車両について検出した車両情報（教師データ取得後の１３日間分）、及び、該検出した正常な鉄道車両についての車両情報から汎用機構解析ソフトを用いた数値シミュレーションによって算出した異常な鉄道車両の車両情報
　　なお、教師データに含まれる異常の種別及び判定対象データによって判定される異常の種別のいずれについても、
　（１）前側の台車の内軌側に設けられた空気ばねに接続されたレベリングバルブが故障して、排気動作を行ったままになる異常（「前内軌排気」と略称する）、
　（２）前側の台車の外軌側に設けられた空気ばねに接続されたレベリングバルブが故障して、排気動作を行ったままになる（「前外軌排気」と略称する）、
　（３）前側の台車の内軌側に設けられた空気ばねに接続されたレベリングバルブが故障して、給気動作を行ったままになる異常（「前内軌給気」と略称する）、
　（４）前側の台車の外軌側に設けられた空気ばねに接続されたレベリングバルブが故障して、給気動作を行ったままになる異常（「前外軌給気」と略称する）、
　（５）前側の台車の前方内軌側の軸ばねの折損（「１軸内軌折損」と略称する）、
　（６）前側の台車の前方外軌側の軸ばねの折損（「１軸外軌折損」と略称する）
の６種類を異常の種別として想定した。
　図３は、上記判定対象データのうち異常な鉄道車両の車両情報を分類器２１に入力した場合に得られた判定結果を示す。
　図３に示すように、判定結果として出力された異常の種別は、想定した（模擬した）異常の種別と完全に一致した。
　これにより、第１実施形態に係る監視装置１００によれば、異常な鉄道車両についてその異常の種別を精度良く判定可能であることがわかる。
　図４は、上記判定対象データのうち正常な鉄道車両の車両情報を分類器２１に入力した場合に得られた判定結果を示す。
　図４に示すように、判定結果の大半は正常だと判定されている。
　これにより、第１実施形態に係る監視装置１００によれば、正常な鉄道車両についても比較的精度良く判定可能であることがわかる。
　＜第２実施形態＞
　図５は、本発明の第２実施形態に係る監視装置が備える判定装置が具備する分類器を説明するブロック図である。図１（ａ）は機械学習を用いて分類器を生成する様子を示すブロック図であり、図１（ｂ）は生成された分類器を用いて車両状態を判定する様子を示すブロック図である。
　第２実施形態に係る監視装置１００も、第１実施形態と同様に、軌道上を走行する鉄道車両が具備する車輪の輪重等で表わされる車両情報を検出装置１で検出する第１ステップと、検出した車両情報を判定装置２が具備する分類器２１に入力し、分類器２１から鉄道車両（車両状態が未知である鉄道車両）の車両状態を出力する第２ステップとを実行する（図５（ｂ）参照）。
　第２実施形態では、前記第２ステップで分類器２１から出力する車両状態が、異常の有無及び異常の種別ではなく、鉄道車両の車両編成である点だけが第１実施形態と異なる。より具体的には、分類器２１は、判定対象である鉄道車両が各車両編成である確率を算出し、判定装置２は、分類器２１から出力された各車両編成の確率のうち、最も確率の高い車両編成を最終的な判定結果として出力する。異常の有無及び異常の種別を判定する必要が無いため、第２実施形態では、教師データとして正常な鉄道車両についての教師データを用意すれば良く、異常な鉄道車両についての教師データは必ずしも必要ではない。
　以下、第２実施形態に係る監視装置１００によって鉄道車両の車両編成を判定した結果の一例について説明する。
　Ｘ系列の１０種の車両編成（ａ編成、ｂ編成、ｃ編成、ｄ編成、ｅ編成、ｆ編成、ｇ編成、ｈ編成、ｉ編成、ｊ編成）及びＹ系列の１１種の車両編成（ｋ編成、ｌ編成、ｍ編成、ｎ編成、ｏ編成、ｐ編成、ｑ編成、ｒ編成、ｓ編成、ｔ編成、ｕ編成）について、以下の条件で、軌道の曲線区間を通過する際の車両情報（前側の台車の１次ばね異常指標、後側の台車の１次ばね異常指標、鉄道車両の２次ばね異常指標）を検出し、この検出した車両情報を用いた機械学習によって分類器２１を生成し、生成した分類器２１に検出した車両情報を入力することによって車両状態を判定した。
　（Ａ）対象とする曲線区間
　　・入口緩和曲線：長さ４７ｍ
　　・円曲線：長さ６０．１ｍ、半径２５１ｍ、カント０．０６５ｍ、スラック０．００９ｍ
　　・出口緩和曲線：長さ４７ｍ
　　・輪重センサ設置位置：円曲線の始点から１５ｍの位置
　（Ｂ）用いたデータ
　　・教師データ：上記曲線区間を通過した正常な鉄道車両について検出した車両情報（１０日間分）
　　・判定対象データ：上記曲線区間を通過した正常な鉄道車両について検出した車両情報（教師データ取得後の２０日間分）
　図６は、上記判定対象データを分類器２１に入力した場合に得られた判定結果を示す。
　図６に示すように、判定結果の大半は実際の車両編成と一致する判定結果が得られている。
　これにより、第２実施形態に係る監視装置１００によれば、車両編成についても比較的精度良く判定可能であることがわかる。
１・・・検出装置
２・・・判定装置
３・・・鉄道車両
１１・・・輪重センサ
１２・・・演算部
２１・・・分類器
３１・・・車輪
１００・・・鉄道車両状態監視装置

Claims (8)

  1. 　軌道上を走行する鉄道車両が具備する車輪の輪重等で表わされる車両情報を検出する検出装置と、
    　前記検出した車両情報が入力され、前記鉄道車両の異常の有無等の車両状態を出力する分類器を具備する判定装置とを備え、
    　前記分類器は、教師データとして前記車両状態が既知である鉄道車両の前記車両情報及び前記車両状態を用いて、前記車両情報が入力されたときに前記既知の車両状態を出力するように、機械学習を用いて生成されていることを特徴とする鉄道車両状態監視装置。
  2. 　前記検出装置で検出し前記分類器に入力される前記車両情報は、前記鉄道車両が具備する車輪の輪重で表わされ、
    　前記分類器は、前記車両状態として、前記鉄道車両の異常の有無及び異常の種別を出力することを特徴とする請求項１に記載の鉄道車両状態監視装置。
  3. 　前記鉄道車両は、前後に左右２対の車輪を有する台車を前後に１対具備し、
    　前記検出装置で検出する車両情報は、以下の式（１）及び式（２）でそれぞれ表わされる前記鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、以下の式（３）で表わされる前記鉄道車両の２次ばね異常指標であり、
    　前記分類器から出力する車両状態は、前記鉄道車両の異常の有無及び異常の種別であることを特徴とする請求項１に記載の鉄道車両状態監視装置。
    　前側の台車の１次ばね異常指標＝（Ｐ１＋Ｐ４）－（Ｐ２＋Ｐ３）・・・（１）
    　後側の台車の１次ばね異常指標＝（Ｐ５＋Ｐ８）－（Ｐ６＋Ｐ７）・・・（２）
    　鉄道車両の２次ばね異常指標＝（Ｐ１＋Ｐ３＋Ｐ６＋Ｐ８）－（Ｐ２＋Ｐ４＋Ｐ５＋Ｐ７）・・・（３）
    　ただし、Ｐ１は前側の台車の前方右側の車輪の輪重を、Ｐ２は前側の台車の前方左側の車輪の輪重を、Ｐ３は前側の台車の後方右側の車輪の輪重を、Ｐ４は前側の台車の後方左側の車輪の輪重を、Ｐ５は後側の台車の前方右側の車輪の輪重を、Ｐ６は後側の台車の前方左側の車輪の輪重を、Ｐ７は後側の台車の後方右側の車輪の輪重を、Ｐ８は後側の台車の後方左側の車輪の輪重を示す。
  4. 　前記鉄道車両は、前後に左右２対の車輪を有する台車を前後に１対具備し、
    　前記検出装置で検出する車両情報は、以下の式（１）及び式（２）でそれぞれ表わされる前記鉄道車両の前側の台車の１次ばね異常指標及び後側の台車の１次ばね異常指標と、以下の式（３）で表わされる前記鉄道車両の２次ばね異常指標であり、
    　前記分類器から出力する車両状態は、前記鉄道車両の車両編成であることを特徴とする請求項１に記載の鉄道車両状態監視装置。
    　前側の台車の１次ばね異常指標＝（Ｐ１＋Ｐ４）－（Ｐ２＋Ｐ３）・・・（１）
    　後側の台車の１次ばね異常指標＝（Ｐ５＋Ｐ８）－（Ｐ６＋Ｐ７）・・・（２）
    　鉄道車両の２次ばね異常指標＝（Ｐ１＋Ｐ３＋Ｐ６＋Ｐ８）－（Ｐ２＋Ｐ４＋Ｐ５＋Ｐ７）・・・（３）
    　ただし、Ｐ１は前側の台車の前方右側の車輪の輪重を、Ｐ２は前側の台車の前方左側の車輪の輪重を、Ｐ３は前側の台車の後方右側の車輪の輪重を、Ｐ４は前側の台車の後方左側の車輪の輪重を、Ｐ５は後側の台車の前方右側の車輪の輪重を、Ｐ６は後側の台車の前方左側の車輪の輪重を、Ｐ７は後側の台車の後方右側の車輪の輪重を、Ｐ８は後側の台車の後方左側の車輪の輪重を示す。
  5. 　前記分類器は、前記教師データの前記車両情報として、正常な鉄道車両について前記検出装置で実際に検出した前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標と、前記正常な鉄道車両の前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標から数値シミュレーションによって算出した異常な鉄道車両の前記前側の台車の１次ばね異常指標、前記後側の台車の１次ばね異常指標及び前記鉄道車両の２次ばね異常指標とを用いると共に、前記教師データの前記車両状態として、前記正常な鉄道車両及び前記異常な鉄道車両についての既知の異常の有無及び異常の種別を用い、前記正常な鉄道車両及び前記異常な鉄道車両の車両情報が入力されたときに、前記正常な鉄道車両及び前記異常な鉄道車両の車両状態を出力するように、機械学習を用いて生成されていることを特徴とする請求項３に記載の鉄道車両状態監視装置。
  6. 　前記検出装置は、前記軌道に設けられたセンサを具備することを特徴とする請求項１から５の何れかに記載の鉄道車両状態監視装置。
  7. 　前記検出装置は、前記鉄道車両に設けられたセンサを具備することを特徴とする請求項１から５の何れかに記載の鉄道車両状態監視装置。
  8. 　前記分類器は、ナイーブベイズ分類器であることを特徴とする請求項１から７の何れかに記載の鉄道車両状態監視装置。
PCT/JP2015/085085 2014-12-15 2015-12-15 鉄道車両状態監視装置 WO2016098773A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
AU2015364756A AU2015364756B2 (en) 2014-12-15 2015-12-15 Railway vehicle condition monitoring apparatus
CN201580068521.3A CN107107927B (zh) 2014-12-15 2015-12-15 铁道车辆状态监视装置
US15/534,064 US10379008B2 (en) 2014-12-15 2015-12-15 Railway vehicle condition monitoring apparatus
EP15869978.5A EP3235705A4 (en) 2014-12-15 2015-12-15 Railway vehicle state monitoring device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-253515 2014-12-15
JP2014253515A JP6509548B2 (ja) 2014-12-15 2014-12-15 鉄道車両状態監視装置

Publications (1)

Publication Number Publication Date
WO2016098773A1 true WO2016098773A1 (ja) 2016-06-23

Family

ID=56126662

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/085085 WO2016098773A1 (ja) 2014-12-15 2015-12-15 鉄道車両状態監視装置

Country Status (6)

Country Link
US (1) US10379008B2 (ja)
EP (1) EP3235705A4 (ja)
JP (1) JP6509548B2 (ja)
CN (1) CN107107927B (ja)
AU (1) AU2015364756B2 (ja)
WO (1) WO2016098773A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019138771A (ja) * 2018-02-09 2019-08-22 日本製鉄株式会社 鉄道車両の状態監視装置
JP2021506677A (ja) * 2018-08-01 2021-02-22 中▲車▼青▲島▼四方▲機車車▼輌股▲分▼有限公司Ｃｒｒｃ Ｑｉｎｇｄａｏ Ｓｉｆａｎｇ Ｃｏ．， Ｌｔｄ． 電磁横方向アクティブ制振システム、及びその制御方法と装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180065628A (ko) * 2016-12-08 2018-06-18 재단법인대구경북과학기술원 철도차량이상판별장치 및 철도차량 이상 판별 방법
JP6889059B2 (ja) * 2017-07-19 2021-06-18 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム
US20190178754A1 (en) * 2017-12-08 2019-06-13 Jiaxing Broadsens Technology, Ltd. Method and system for monitoring structural status of railcar draft gear
KR102527319B1 (ko) * 2018-01-29 2023-05-03 한국전자통신연구원 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법
JP7402127B2 (ja) 2020-06-30 2023-12-20 株式会社日立製作所 軌道の保守要否判断方法、保守要否判断装置および車両
KR102673205B1 (ko) * 2021-07-07 2024-06-11 한국철도기술연구원 대차 주행안전성 예측 장치 및 방법
GR1010518B (el) * 2022-04-13 2023-08-10 Αττικο Μετρο Α.Ε., Διαγνωστικη μοναδα για αναρτησεις, τροχους και τροχιες σιδηροδρομικων οχηματων με μετρηση σηματων ταλαντωσης απο το εν λειτουργια οχημα

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
US20090175509A1 (en) * 2008-01-03 2009-07-09 Apple Inc. Personal computing device control using face detection and recognition
JP2012058207A (ja) * 2010-09-13 2012-03-22 Railway Technical Research Institute 鉄道車両の状態監視システムにおける健全性判定方法
JP5085175B2 (ja) * 2007-03-30 2012-11-28 公益財団法人鉄道総合技術研究所 鉄道車両用懸架装置の動特性推定方法
JP5139163B2 (ja) * 2008-06-06 2013-02-06 株式会社総合車両製作所 移動体の異常検出方法
JP2013511704A (ja) * 2009-11-18 2013-04-04 クノル−ブレムゼ ジステーメ フューア シーネンファールツォイゲ ゲゼルシャフト ミット ベシュレンクテル ハフツング レール車両の、少なくとも一つの輪軸を有している台車の状態を監視するための方法
JP2013120100A (ja) * 2011-12-06 2013-06-17 Nippon Steel & Sumitomo Metal 車両の異常検出方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5085175A (ja) 1973-11-29 1975-07-09
JPS5139163A (ja) 1974-09-30 1976-04-01 Suwa Seikosha Kk Tokeiyomojiban
PL1963161T3 (pl) * 2005-12-23 2012-07-31 Amsted Rail Co Inc System monitorowania pociągów kolejowych
JP2007256153A (ja) * 2006-03-24 2007-10-04 Hitachi Ltd 鉄道車両台車異常検知システム
DE102008028264B3 (de) * 2008-06-13 2009-12-17 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren zur Überwachung wenigstens eines das Betriebsverhalten von Fahrzeugen oder Fahrzeugzügen beeinflussenden Systemparameters
JP4388594B2 (ja) 2009-06-05 2009-12-24 東海旅客鉄道株式会社 鉄道車両の異常検知装置
JP5306947B2 (ja) 2009-09-03 2013-10-02 公益財団法人鉄道総合技術研究所 鉄道車両の状態監視システム
US20140200951A1 (en) * 2013-01-11 2014-07-17 International Business Machines Corporation Scalable rule logicalization for asset health prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
JP5085175B2 (ja) * 2007-03-30 2012-11-28 公益財団法人鉄道総合技術研究所 鉄道車両用懸架装置の動特性推定方法
US20090175509A1 (en) * 2008-01-03 2009-07-09 Apple Inc. Personal computing device control using face detection and recognition
JP5139163B2 (ja) * 2008-06-06 2013-02-06 株式会社総合車両製作所 移動体の異常検出方法
JP2013511704A (ja) * 2009-11-18 2013-04-04 クノル−ブレムゼ ジステーメ フューア シーネンファールツォイゲ ゲゼルシャフト ミット ベシュレンクテル ハフツング レール車両の、少なくとも一つの輪軸を有している台車の状態を監視するための方法
JP2012058207A (ja) * 2010-09-13 2012-03-22 Railway Technical Research Institute 鉄道車両の状態監視システムにおける健全性判定方法
JP2013120100A (ja) * 2011-12-06 2013-06-17 Nippon Steel & Sumitomo Metal 車両の異常検出方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3235705A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019138771A (ja) * 2018-02-09 2019-08-22 日本製鉄株式会社 鉄道車両の状態監視装置
JP2021506677A (ja) * 2018-08-01 2021-02-22 中▲車▼青▲島▼四方▲機車車▼輌股▲分▼有限公司Ｃｒｒｃ Ｑｉｎｇｄａｏ Ｓｉｆａｎｇ Ｃｏ．， Ｌｔｄ． 電磁横方向アクティブ制振システム、及びその制御方法と装置
US10960901B2 (en) 2018-08-01 2021-03-30 Crrc Qingdao Sifang Co., Ltd. Electromagnetic transverse active damping system, and control method and apparatus therefor

Also Published As

Publication number Publication date
US10379008B2 (en) 2019-08-13
CN107107927B (zh) 2020-02-18
AU2015364756A1 (en) 2017-06-22
US20170363517A1 (en) 2017-12-21
CN107107927A (zh) 2017-08-29
EP3235705A1 (en) 2017-10-25
JP6509548B2 (ja) 2019-05-08
AU2015364756B2 (en) 2019-01-03
JP2016113029A (ja) 2016-06-23
EP3235705A4 (en) 2018-01-24

Similar Documents

Publication Publication Date Title
WO2016098773A1 (ja) 鉄道車両状態監視装置
JP6096424B2 (ja) 軌道状態監視装置
JP5827598B2 (ja) 故障確率算出装置及び故障確率算出方法並びに鉄道保守システム
JP5887651B2 (ja) 車両の異常検出方法
Dižo et al. Vibration analysis of a coach with the wheel-flat due to suspension parameters changes
JP6747598B2 (ja) 検査システム、検査方法、およびプログラム
Mızrak et al. Determining effects of wagon mass and vehicle velocity on vertical vibrations of a rail vehicle moving with a constant acceleration on a bridge using experimental and numerical methods
Muñoz et al. Estimation of lateral track irregularity using a Kalman filter. Experimental validation
KR20130013133A (ko) 차축에 작용하는 외력을 이용한 차륜의 탈선 예측방법
JP6722573B2 (ja) 状態監視装置
JP7024874B6 (ja) 検査システム、検査方法、およびプログラム
JP6979898B2 (ja) 鉄道車両の状態監視装置
JP2020012733A (ja) 軌道の状態評価方法及び評価装置
JP2019177784A (ja) 車両試験システム
JPWO2020008525A1 (ja) 検査システム、検査方法、およびプログラム
Shahidi et al. Estimation of bogie performance criteria through on-board condition monitoring
WO2020121943A1 (ja) 検査システム、検査方法、およびプログラム
JP6770414B2 (ja) 乗り心地測定方法及び装置
JP6930609B2 (ja) 脱線係数の推定方法、装置、及びプログラム
RU2601467C2 (ru) Способ определения годности грузовых железнодорожных вагонов по величине зазоров в скользунах
JP7332152B2 (ja) 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
Yang et al. A load estimation model for axle box bearings of high-speed trains based on vehicle dynamic response
CN106078358A (zh) 基于列车轮对在线监测***的镟床测量数据运用方法
Firlik et al. Condition monitoring of a light rail vehicle—From concept to implementation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15869978

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15534064

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2015364756

Country of ref document: AU

Date of ref document: 20151215

Kind code of ref document: A

REEP Request for entry into the european phase

Ref document number: 2015869978

Country of ref document: EP