JP2016113029A - 鉄道車両状態監視装置 - Google Patents
鉄道車両状態監視装置 Download PDFInfo
- Publication number
- JP2016113029A JP2016113029A JP2014253515A JP2014253515A JP2016113029A JP 2016113029 A JP2016113029 A JP 2016113029A JP 2014253515 A JP2014253515 A JP 2014253515A JP 2014253515 A JP2014253515 A JP 2014253515A JP 2016113029 A JP2016113029 A JP 2016113029A
- Authority
- JP
- Japan
- Prior art keywords
- railway vehicle
- vehicle
- wheel
- carriage
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
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、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。【選択図】図７
Description
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。
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。
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。
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、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）
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。
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）
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。
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、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２次ばね異常指標を用いている。
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、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。
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次ばね異常指標及び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。
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（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、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。
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２次ばね異常指標とを用いると共に、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。
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。
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。
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。
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）。
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）
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。
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）
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、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（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、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。
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（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、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、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２次ばね異常指標とを用いると共に、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、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。
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、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、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。
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。
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、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。
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、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）前側の台車の前方内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。
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、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）前側の台車の前方内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。
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。
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、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）
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、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。
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
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)
- 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、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。 - 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。 - 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）
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。 - 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）
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。 - 前記分類器は、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２次ばね異常指標とを用いると共に、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。
- 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。
- 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。
- 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。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014253515A JP6509548B2 (ja) | 2014-12-15 | 2014-12-15 | 鉄道車両状態監視装置 |
| EP15869978.5A EP3235705A4 (en) | 2014-12-15 | 2015-12-15 | Railway vehicle state monitoring device |
| 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 |
| AU2015364756A AU2015364756B2 (en) | 2014-12-15 | 2015-12-15 | Railway vehicle condition monitoring apparatus |
| PCT/JP2015/085085 WO2016098773A1 (ja) | 2014-12-15 | 2015-12-15 | 鉄道車両状態監視装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014253515A JP6509548B2 (ja) | 2014-12-15 | 2014-12-15 | 鉄道車両状態監視装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016113029A true JP2016113029A (ja) | 2016-06-23 |
| JP6509548B2 JP6509548B2 (ja) | 2019-05-08 |
Family
ID=56126662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014253515A Active JP6509548B2 (ja) | 2014-12-15 | 2014-12-15 | 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180065628A (ko) * | 2016-12-08 | 2018-06-18 | 재단법인대구경북과학기술원 | 철도차량이상판별장치 및 철도차량 이상 판별 방법 |
| JP2019018755A (ja) * | 2017-07-19 | 2019-02-07 | 株式会社東芝 | 異常検知装置、異常検知方法およびコンピュータプログラム |
| KR20190091868A (ko) * | 2018-01-29 | 2019-08-07 | 한국전자통신연구원 | 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법 |
| 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 |
| JP2022011823A (ja) * | 2020-06-30 | 2022-01-17 | 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 |
| KR20230008952A (ko) * | 2021-07-07 | 2023-01-17 | 한국철도기술연구원 | 대차 주행안전성 예측 장치 및 방법 |
| JP7535982B2 (ja) | 2021-08-11 | 2024-08-19 | 三菱電機株式会社 | 検修管理システム、検修管理方法、および検修管理プログラム |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190178754A1 (en) * | 2017-12-08 | 2019-06-13 | Jiaxing Broadsens Technology, Ltd. | Method and system for monitoring structural status of railcar draft gear |
| CN109094599B (zh) * | 2018-08-01 | 2020-02-14 | 中车青岛四方机车车辆股份有限公司 | 一种电磁横向主动减振系统以其控制方法和装置 |
| 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 (8)
| 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 |
| US20110077815A1 (en) * | 2008-06-13 | 2011-03-31 | Knorr-Bremse Systeme Fur Schienenfahrzeuge Gmbh | Method for monitoring at least one system parameter which influences the operating behaviour of vehicles or trains of vehicles |
| 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 (7)
| 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 |
| CN101346268B (zh) * | 2005-12-23 | 2012-04-25 | Asf-基斯通公司 | 铁路火车监视系统 |
| JP2007256153A (ja) * | 2006-03-24 | 2007-10-04 | Hitachi Ltd | 鉄道車両台車異常検知システム |
| 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 |
| US9187104B2 (en) * | 2013-01-11 | 2015-11-17 | International Buslness Machines Corporation | Online learning using information fusion for equipment predictive maintenance in railway operations |
-
2014
- 2014-12-15 JP JP2014253515A patent/JP6509548B2/ja active Active
-
2015
- 2015-12-15 US US15/534,064 patent/US10379008B2/en active Active
- 2015-12-15 EP EP15869978.5A patent/EP3235705A4/en not_active Withdrawn
- 2015-12-15 WO PCT/JP2015/085085 patent/WO2016098773A1/ja active Application Filing
- 2015-12-15 CN CN201580068521.3A patent/CN107107927B/zh active Active
- 2015-12-15 AU AU2015364756A patent/AU2015364756B2/en active Active
Patent Citations (8)
| 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 |
| US20110077815A1 (en) * | 2008-06-13 | 2011-03-31 | Knorr-Bremse Systeme Fur Schienenfahrzeuge Gmbh | Method for monitoring at least one system parameter which influences the operating behaviour of vehicles or trains of vehicles |
| 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 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180065628A (ko) * | 2016-12-08 | 2018-06-18 | 재단법인대구경북과학기술원 | 철도차량이상판별장치 및 철도차량 이상 판별 방법 |
| JP2019018755A (ja) * | 2017-07-19 | 2019-02-07 | 株式会社東芝 | 異常検知装置、異常検知方法およびコンピュータプログラム |
| KR20190091868A (ko) * | 2018-01-29 | 2019-08-07 | 한국전자통신연구원 | 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법 |
| 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 |
| 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 |
| JP2022011823A (ja) * | 2020-06-30 | 2022-01-17 | 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 |
| 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 |
| KR20230008952A (ko) * | 2021-07-07 | 2023-01-17 | 한국철도기술연구원 | 대차 주행안전성 예측 장치 및 방법 |
| KR102673205B1 (ko) * | 2021-07-07 | 2024-06-11 | 한국철도기술연구원 | 대차 주행안전성 예측 장치 및 방법 |
| JP7535982B2 (ja) | 2021-08-11 | 2024-08-19 | 三菱電機株式会社 | 検修管理システム、検修管理方法、および検修管理プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107107927B (zh) | 2020-02-18 |
| AU2015364756A1 (en) | 2017-06-22 |
| EP3235705A4 (en) | 2018-01-24 |
| JP6509548B2 (ja) | 2019-05-08 |
| US20170363517A1 (en) | 2017-12-21 |
| CN107107927A (zh) | 2017-08-29 |
| AU2015364756B2 (en) | 2019-01-03 |
| WO2016098773A1 (ja) | 2016-06-23 |
| US10379008B2 (en) | 2019-08-13 |
| EP3235705A1 (en) | 2017-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016098773A1 (ja) | 鉄道車両状態監視装置 | |
| Jesussek et al. | Fault detection and isolation for a nonlinear railway vehicle suspension with a Hybrid Extended Kalman filter | |
| 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 | |
| Shrestha et al. | Review of adhesion estimation approaches for rail vehicles | |
| CN108698622A (zh) | 轨道状态评价方法、装置以及程序 | |
| JP5887651B2 (ja) | 車両の異常検出方法 | |
| WO2017164133A1 (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 | |
| JP6747598B2 (ja) | 検査システム、検査方法、およびプログラム | |
| JP7024874B6 (ja) | 検査システム、検査方法、およびプログラム | |
| JP2019177783A (ja) | 車両試験システム | |
| JP6979898B2 (ja) | 鉄道車両の状態監視装置 | |
| JP2019177784A (ja) | 車両試験システム | |
| JP6770414B2 (ja) | 乗り心地測定方法及び装置 | |
| WO2021014854A1 (ja) | 検査システム、検査方法、およびプログラム | |
| 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 | |
| JPWO2020121943A1 (ja) | 検査システム、検査方法、およびプログラム | |
| JP6930609B2 (ja) | 脱線係数の推定方法、装置、及びプログラム | |
| CN106078358A (zh) | 基于列车轮对在线监测系统的镟床测量数据运用方法 | |
| JP2022074554A (ja) | 鉄道車両の車輪フランジの摩耗診断システムおよび摩耗診断方法 | |
| Firlik et al. | Condition monitoring of a light rail vehicle—From concept to implementation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171030 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20171030 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20171030 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171129 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180130 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181002 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181121 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190312 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190403 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6509548 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |