铁道车辆状态监视装置的制作方法

本发明涉及对以在轨道上行驶的铁道车辆所具备的车轮的轮荷等表示的车辆信息进行检测、并基于检测到的车辆信息对铁道车辆有无异常等车辆状态进行判定的铁道车辆状态监视装置。尤其是，本发明涉及用于判定车辆状态的参数的调整无需很大的劳力和时间、就能够简易地进行判定的铁道车辆状态监视装置。

背景技术：

以往，为了提高铁道车辆的行驶安全性，在营业车辆(营业运转中的铁道车辆)安装各种的传感器，利用传感器对在营业线路上行驶中的营业车辆的状态进行监视，从而进行在营业车辆的行驶时检测营业车辆的异常的在线·实时监视(参照例如专利文献1、2)。

然而，若欲利用上述的方法对行驶中的铁道车辆的异常进行检测，则必须在全部的铁道车辆安装传感器，传感器的保养·检修等花费劳力和时间。因此，存在无法容易地检测铁道车辆的异常并且需要巨额的费用这样的问题。

为了解决上述的问题，提出了如下方法：在轨道设置用于测定车轮的轮荷的轮荷传感器，基于通过轮荷传感器测定到的轮荷所表示的指标的大小检测铁道车辆的异常(参照例如专利文献3)。

根据该方法，与在每个铁道车辆安装传感器的情况相比，能够容易地且廉价地检测铁道车辆的异常。

然而，专利文献1～3所记载的方法均是如下方法：将评价指标与预定的阈值比较，根据其大小关系来检测铁道车辆的异常。用于检测该异常的阈值可以根据铁道车辆的构造、装载条件、行驶条件等而变成恰当的值。因此，为了精度良好地检测异常，需要针对这些条件中的各条件分别决定许多阈值，需要很多的时间和劳力。

现有技术文献

专利文献

专利文献1：日本特开2009-220815号公报

专利文献2：日本特开2011-51518号公报

专利文献3：日本特开2013-120100号公报

技术实现要素：

发明要解决的问题

本发明是为了解决该现有技术的问题点而做成的，其课题在于提供一种用于判定铁道车辆有无异常等车辆状态的参数的调整无需很大的劳力和时间、就能够简易地进行判定的铁道车辆状态监视装置。

用于解决问题的方案

为了解决所述课题，本发明的铁道车辆状态监视装置的特征在于，具备：检测装置，其对以在轨道上行驶的铁道车辆所具备的车轮的轮荷等表示的车辆信息进行检测；以及判定装置，其具备分类器，该分类器被输入有检测到的所述车辆信息并输出所述铁道车辆的有无异常等车辆状态。并且，所述分类器是以如下方式使用机器学习来生成的：使用所述车辆状态已知的铁道车辆的所述车辆信息和所述车辆状态作为示教数据，在输入了所述车辆信息时输出已知的所述车辆状态。

根据本发明，将车辆有无异常等车辆状态已知的铁道车辆的以车轮的轮荷等表示的车辆信息和车辆状态用作示教数据(所输入的车辆信息和所输出的车辆状态的组合)，通过机器学习生成分类器。并且，车辆信息由检测装置检测，该检测到的车辆信息向分类器输入，从而作为判定结果的车辆状态从分类器输出。根据本发明，无需用于如以往那样决定阈值的很大的时间、劳力，仅通过使用了已知的数据的机器学习来生成分类器即可，因此，能够简易地判定车辆状态。

优选的是，由所述检测装置检测且向所述分类器输入的所述车辆信息以所述铁道车辆所具备的车轮的轮荷表示，所述分类器将所述铁道车辆有无异常和异常的类别作为所述车辆状态输出。

具体而言，例如，所述铁道车辆在前后具备一对转向架，该转向架在前后具有左右两对车轮，由所述检测装置检测的车辆信息是由以下的式(1)和式(2)分别表示的所述铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、由以下的式(3)表示的所述铁道车辆的2次弹簧异常指标，从所述分类器输出的车辆状态是所述铁道车辆有无异常和异常的类别。

前侧的转向架的1次弹簧异常指标＝(p1+p4)-(p2+p3)···(1)

后侧的转向架的1次弹簧异常指标＝(p5+p8)-(p6+p7)···(2)

铁道车辆的2次弹簧异常指标＝(p1+p3+p6+p8)-(p2+p4+p5+p7)···(3)

其中，p1表示前侧的转向架的右前方侧的车轮的轮荷；p2表示前侧的转向架的左前方侧的车轮的轮荷；p3表示前侧的转向架的右后方侧的车轮的轮荷；p4表示前侧的转向架的左后方侧的车轮的轮荷；p5表示后侧的转向架的右前方侧的车轮的轮荷；p6表示后侧的转向架的左前方侧的车轮的轮荷；p7表示后侧的转向架的右后方侧的车轮的轮荷；p8表示后侧的转向架的左后方侧的车轮的轮荷表示的。

1次弹簧异常是设置于转向架的1次弹簧(轴弹簧)的异常，例如，能够例示设置于转向架的螺旋弹簧的折损。

1次弹簧设置于每个车轮，当任意的车轮的1次弹簧异常时，原来施加于设置有该1次弹簧的车轮的、转向架的重量施加于该转向架中的位于上述车轮的前后方向和左右方向的车轮。例如，当转向架的右前方侧的车轮的1次弹簧异常时，原来施加于右前方侧的车轮的、转向架的重量施加于左前方侧的车轮和右后方侧的车轮。这样，当产生1次弹簧异常时，其影响波及到相对于产生了1次弹簧异常的车轮位于前后方向和左右方向的车轮。

因而，想到：通过对位于前侧的转向架的右前方侧和左后方侧的车轮各自的轮荷的合计(p1+p4)与位于前侧的转向架的左前方侧和右后方侧的车轮各自的轮荷的合计(p2+p3)之差进行评价，能够检测前侧的转向架的1次弹簧异常。因此，在上述的优选的构成中，作为由检测装置检测的车辆信息(向分类器输入的车辆信息)，使用了由式(1)表示的前侧的转向架的1次弹簧异常指标。使用由式(2)表示的后侧的转向架的1次弹簧异常指标也是基于同样的理由。

另一方面，2次弹簧异常是指设置于转向架的2次弹簧的异常，例如，能够例示设置于转向架的空气弹簧的供排气的异常。

2次弹簧分别设置于前后的转向架的左右，换言之，设置于铁道车辆的前后左右，当任意的转向架的2次弹簧异常而无法支承车身的重量时，原来施加于该转向架的设置有2次弹簧那一侧的车轮的、车身的重量施加于位于该2次弹簧的前后方向和左右方向的2次弹簧的附近的车轮。例如，当前侧的转向架的右侧的2次弹簧异常时，原来施加于位于前侧的转向架的右侧的车轮(前后1对车轮)的、车身的重量施加于位于前侧的转向架的左侧的车轮(前后1对车轮)和位于后侧的转向架的右侧的车轮(前后1对车轮)。如此，当产生2次弹簧异常时，其影响波及到相对于产生了异常的2次弹簧位于前后方向或左右方向的2次弹簧的附近的车轮。

因而，想到：通过对位于前侧的转向架的右侧和位于后侧的转向架的左侧的车轮各自的轮荷的合计(p1+p3+p6+p8)与位于前侧的转向架的左侧和位于后侧的转向架的右侧的车轮各自的轮荷的合计(p2+p4+p5+p7)之差进行评价，能够检测铁道车辆的2次弹簧异常。因此，在上述的优选的构成中，作为由检测装置检测的车辆信息(向分类器输入的车辆信息)，使用了由式(3)表示的铁道车辆的2次弹簧异常指标。

如以上那样，在上述的优选的构成中，作为所检测的车辆信息(向分类器输入的车辆信息)，使用前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标，因此，能够期待提高作为判定结果从分类器输出的车辆有无异常(与1次弹簧、2次弹簧相关联的异常)和异常的类别的判定精度。

此外，前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标如从式(1)～(3)明确那样能够通过检测车轮的轮荷来算出。车轮的轮荷例如像专利文献3所记载那样能够通过在轨道设置使用了应变仪的轮荷传感器、负荷传感器来进行检测。

在此，前述的前侧和后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标成为用于检测与1次弹簧、2次弹簧有关的异常的指标的同时，也能够想到成为表示铁道车辆的个体差异的指标。即，也想到用作将一个铁道车辆与其他铁道车辆进行识别的指标，换言之，用作用于判定车辆编组的指标。

在该情况下，与上述的优选的构成同样地，作为所检测的车辆信息(向分类器输入的车辆信息)，使用前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标，而将作为判定结果的车辆状态设为车辆编组。

即，优选的是，所述铁道车辆在前后具备一对转向架，该转向架在前后具有左右两对车轮，由所述检测装置检测的车辆信息是由前述的式(1)和式(2)分别表示的所述铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、由前述的式(3)表示的所述铁道车辆的2次弹簧异常指标，从所述分类器输出的车辆状态是所述铁道车辆的车辆编组。

根据该优选的构成，不从外部接收与车辆编组有关的信息，仅使用由检测装置检测到的车辆信息(铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、以及铁道车辆的2次弹簧异常指标)就能够判定车辆编组。因此，判定装置生成并具备例如像前述的优选的构成那样输出铁道车辆有无异常和异常的类别的分类器(第1分类器)以及如本优选的构成那样输出车辆编组的分类器(第2分类器)这两者，由检测装置检测到的车辆信息分别向第1分类器和第2分类器这两者输入，从而能够同时判定铁道车辆有无异常和异常的类别、以及该铁道车辆的车辆编组。由此，无需从外部接收与车辆编组有关的信息而与铁道车辆有无异常等判定结果相联系，就可容易地确定判定后的铁道车辆有无异常和异常的类别是针对什么样的车辆编组。

在此，为了生成输出铁道车辆有无异常和异常的类别作为车辆状态的分类器(第1分类器)，在进行机器学习之际，需要关于正常的铁道车辆(没有异常的铁道车辆)的示教数据和关于异常的铁道车辆的示教数据。

能够实际检测正常的铁道车辆的车辆信息(铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)，因此，容易准备正常的铁道车辆的示教数据。与此相对，准备异常的铁道车辆本身就困难(而且准备很多极其困难)，因此，难以实际检测车辆信息，准备异常的铁道车辆的示教数据并不容易。

因此，优选的是，对于异常的铁道车辆的示教数据，作为其车辆信息，使用例如通过使用了通用机构分析软件的数值模拟根据针对正常的铁道车辆检测到的车辆信息算出来的车辆信息。

即，优选的是，所述分类器是以如下方式使用机器学习来生成的：使用针对正常的铁道车辆利用所述检测装置实际检测到的所述前侧的转向架的1次弹簧异常指标、所述后侧的转向架的1次弹簧异常指标以及所述铁道车辆的2次弹簧异常指标、通过数值模拟根据所述正常的铁道车辆的所述前侧的转向架的1次弹簧异常指标、所述后侧的转向架的1次弹簧异常指标以及所述铁道车辆的2次弹簧异常指标算出来的异常的铁道车辆的所述前侧的转向架的1次弹簧异常指标、所述后侧的转向架的1次弹簧异常指标以及所述铁道车辆的2次弹簧异常指标来作为所述示教数据的所述车辆信息，同时使用关于所述正常的铁道车辆和所述异常的铁道车辆的已知的有无异常和异常的类别作为所述示教数据的所述车辆状态，在输入所述正常的铁道车辆的车辆信息时输出所述正常的铁道车辆的车辆状态，在输入所述异常的铁道车辆的车辆信息时输出所述异常的铁道车辆的车辆状态。

根据该优选的构成，作为用于分类器的机器学习的示教数据，无需准备针对异常的铁道车辆实际检测到的车辆信息，能够容易地进行机器学习。

所述车辆信息虽然也能够使用被设置于各铁道车辆的传感器来进行检测，但想到保养·检修等的劳力和时间、成本，优选使用被设置于轨道的传感器来进行检测。

即，优选的是，所述检测装置具备设置于所述轨道的传感器。然而，所述检测装置也能够具备设置于所述铁道车辆的传感器。作为设置于轨道的传感器，能够例示前述的专利文献3所记载的轮荷传感器；作为设置于铁道车辆的传感器，能够例示前述的专利文献1、2所记载的传感器。

作为所述分类器，只要能够使用支持向量机、神经式网络等机器学习来生成，就能够采用各种构成，尤其是，优选使用具有结构单纯且计算速度较快这样的优点的朴素贝叶斯分类器。

发明的效果

根据本发明，无需用于如以往那样决定阈值的很多的时间、劳力，仅通过使用了已知的数据的机器学习来生成分类器即可，因此，能够简易地判定车辆状态。

附图说明

图1是说明本发明的第1实施方式的铁道车辆状态监视装置所具备的判定装置所具备的分类器的框图。

图2是说明图1所示的分类器的生成方法和由分类器进行的判定方法的说明图。

图3表示在将判定对象数据中的异常的铁道车辆的车辆信息输入到图1所示的分类器的情况下所获得的判定结果。

图4表示将判定对象数据中的正常的铁道车辆的车辆信息输入到图1所示的分类器的情况所获得的判定结果。

图5是说明本发明的第2实施方式的铁道车辆状态监视装置所具备的判定装置所具备的分类器的框图。

图6表示在将判定对象数据输入到图5所示的分类器的情况下所获得的判定结果。

图7是表示本发明的第1实施方式和第2实施方式的铁道车辆状态监视装置的概略结构的示意图。

具体实施方式

以下，在适当参照附图的同时对本发明的实施方式的铁道车辆状态监视装置(以下适当简称为“监视装置”)进行说明。首先，最初，说明整体结构。

＜整体结构>

图7是表示本发明的实施方式的监视装置的概略结构的示意图。此外，后述的第1实施方式的监视装置和第2实施方式的监视装置(以下将这些适当统称为“本实施方式的监视装置”)仅判定装置所具备的分类器的生成方法和由分类器进行的判定方法(判定内容)不同，两者均具有图7所示那样的通用的整体结构。

如图7所示，本实施方式的监视装置100具备：检测装置1，其对以在轨道上行驶的铁道车辆3所具备的车轮31的轮荷表示的车辆信息进行检测；以及判定装置2，其具备分类器21，该分类器21输入有检测到的车辆信息，并输出铁道车辆3有无异常等车辆状态。

本实施方式的监视装置100所具备的检测装置1具备：轮荷传感器11，其安装于构成轨道的左右的轨道r，用于对铁道车辆3所具备的车轮31的轮荷进行测定；以及运算部12，其与轮荷传感器11连接。作为轮荷传感器11，可使用前述的专利文献3所记载那样的使用了应变仪的轮荷传感器、负载传感器。运算部12基于由轮荷传感器11测定并从轮荷传感器11发送来的轮荷算出后述的各异常指标。具体而言，例如，运算部12设为pc(个人计算机)，该pc存储有各异常指标的计算式(式(1)～式(3))，且安装有将从轮荷传感器11发送来的轮荷代入所述计算式而算出各异常指标的程序。并且，运算部12将算出来的各异常指标作为车辆信息向判定装置2(分类器21)输出。

本实施方式的监视装置100所具备的判定装置2例如设为安装有发挥作为分类器21的功能的程序的pc，该分类器21是使用机器学习而生成的，用于输出与所输入的车辆信息相应的车辆状态。

此外，在图7所示的监视装置100中，检测装置1的运算部12和判定装置2设为分体的，但本发明并不限于此，也可使用安装有发挥运算部12和判定装置2这两者的功能的程序的单一pc而构成。

以下，依次说明本发明的第1实施方式和第2实施方式的监视装置100。

＜第1实施方式>

图1是说明本发明的第1实施方式的监视装置所具备的判定装置所具备的分类器的框图。图1的(a)是表示使用机器学习来生成分类器的情形的框图，图1的(b)是表示使用所生成的分类器来判定车辆状态的情形的框图。

第1实施方式的监视装置100执行如下步骤(参照图1的(b))：第1步骤，在该第1步骤中，由检测装置1检测以在轨道上行驶的铁道车辆所具备的车轮的轮荷等表示的车辆信息；以及第2步骤，在该第2步骤中，将检测到的车辆信息向判定装置2所具备的分类器21输入，从分类器21输出铁道车辆(车辆状态未知的铁道车辆)有无异常等车辆状态。

第1实施方式的监视装置100以铁道车辆为对象，该铁道车辆在前后具备1对转向架，该转向架在前后具有左右两对车轮。

并且，如图1的(b)所示，在所述第1步骤中检测的车辆信息(向分类器21输入的车辆信息)设为由以下的式(1)和式(2)分别表示的铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、由以下的式(3)表示的铁道车辆的2次弹簧异常指标。

前侧的转向架的1次弹簧异常指标＝(p1+p4)-(p2+p3)···(1)

后侧的转向架的1次弹簧异常指标＝(p5+p8)-(p6+p7)···(2)

铁道车辆的2次弹簧异常指标＝(p1+p3+p6+p8)-(p2+p4+p5+p7)···(3)

其中，p1表示前侧的转向架的右前方侧的车轮的轮荷；p2表示前侧的转向架的左前方侧的车轮的轮荷；p3表示前侧的转向架的右后方侧的车轮的轮荷；p4表示前侧的转向架的左后方侧的车轮的轮荷；p5表示后侧的转向架的右前方侧的车轮的轮荷；p6表示后侧的转向架的左前方侧的车轮的轮荷；p7表示后侧的转向架的右后方侧的车轮的轮荷；p8表示后侧的转向架的左后方侧的车轮的轮荷。

由上述的式(1)～(3)表示的各异常指标如前述那样由检测装置1所具备的运算部12算出来。

另外，如图1的(b)所示，在所述第2步骤中从分类器21输出的车辆状态是铁道车辆有无异常和异常的类别。具体而言，第1实施方式的分类器21如后述那样设为朴素贝叶斯分类器，因此，算出铁道车辆正常的概率和在铁道车辆产生了各类别的异常(在图1的(b)中，出于方便，仅记载有异常a、异常b)的概率。然后，判定装置2将从分类器21输出来的产生了各类别的异常的概率中的、概率最高的车辆状态作为最终的判定结果输出。

如图1的(a)所示，在所述第2步骤中所使用的分类器21是通过如下方式使用机器学习生成的：使用车辆状态已知的铁道车辆的车辆信息和车辆状态作为示教数据(所输入的车辆信息和所输出的车辆状态的组合)，在输入车辆信息时输出已知的所述车辆状态。

具体而言，在进行机器学习之际需要关于正常的铁道车辆(没有异常的铁道车辆)的示教数据和关于异常的铁道车辆的示教数据。

能够实际检测正常的铁道车辆的车辆信息(铁道车辆的前侧的转向架的1次弹簧异常指标和后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)，因此，容易准备正常的铁道车辆的示教数据。与此相对，准备异常的铁道车辆本身就困难(而且准备很多极其困难)，因此，难以实际检测车辆信息，准备异常的铁道车辆的示教数据并不容易。

因此，关于异常的铁道车辆的示教数据，优选的是，使用通过数值模拟根据针对正常的铁道车辆检测到的车辆信息算出来的车辆信息作为该异常的铁道车辆的示教数据的车辆信息。

即，优选的是，所述第2步骤中所使用的分类器21是以如下方式使用机器学习来生成的：使用针对正常的铁道车辆实际检测到的前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标、通过数值模拟根据正常的铁道车辆的前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标算出来的异常的车辆的前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标作为示教数据的车辆信息，同时使用关于正常的铁道车辆和异常的铁道车辆的已知的有无异常和异常的类别作为示教数据的车辆状态，在输入正常的铁道车辆的车辆信息时输出正常的铁道车辆的车辆状态，在输入异常的铁道车辆的车辆信息时输出异常的铁道车辆的车辆状态。

使用了朴素贝叶斯分类器作为第1实施方式的分类器21。以下，在参照图2的同时更具体地说明第1实施方式的分类器21的生成方法(机器学习方法)和由分类器21进行的判定方法。

图2是说明分类器21的生成方法和由分类器21进行的判定方法的说明图。

首先，如图2的(a)所示，通过向分类器21输入示教数据，针对各车辆状态形成车辆信息的频率分布。此外，在图2的(a)所示的例子中，示出了针对各车辆状态(正常、异常a、异常b)形成的前侧的转向架的1次弹簧异常指标的频率分布，但实际上关于其他车辆信息(后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)也形成同样的频率分布。另外，在图2的(a)所示的例子中，出于方便，示出了车辆状态是正常、异常a、异常b这3个的情况，但实际上形成与异常的类别的数量相应的数量的频率分布。

接着，如图2的(b)所示，基于如上述那样形成的频率分布形成正态分布(概率密度分布)。在图2的(b)所示的例子中，重叠地示出了针对各车辆状态(正常、异常a、异常b)形成的前侧的转向架的1次弹簧异常指标的正态分布，但实际上关于其他车辆信息(后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)也形成同样的正态分布(参照图2的(c))，并被存储。

如以上那样生成分类器21。

此外，在能够实际检测关于异常的铁道车辆的车辆信息的情况下，参照图2的(a)而如上述那样，关于异常的铁道车辆(针对异常a、异常b)也形成实际检测到的车辆信息的频率分布，能够基于该频率分布形成图2的(b)所示的正态分布(概率密度分布)。

然而，如前述那样，难以实际检测关于异常的铁道车辆的车辆信息，因此，想到：针对异常的铁道车辆，通过使用了针对正常的铁道车辆检测到的车辆信息的数值模拟来算出该异常的铁道车辆的车辆信息。具体而言，例如，想到：按照以下的(1)～(4)的步骤形成关于异常的铁道车辆的车辆信息的正态分布(概率密度分布)(在图2的(b)所示的例子中，异常a、异常b的正态分布)。

(1)假定正常的铁道车辆，并执行使用了通用机构分析软件(例如、simpack株式会社(日文：シムパックジャパン(株))制多体动力学分析工具“simpack”)的数值模拟，算出车辆信息(前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标)的数值计算结果。

(2)假定异常的铁道车辆，并执行使用了上述通用机构分析软件的数值模拟，算出车辆信息(前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标以及铁道车辆的2次弹簧异常指标)的数值计算结果。此时，按照每个假定的异常的类别(图2的(b)所示的例子中，异常a、异常b)算出数值计算结果。

(3)基于上述(1)和(2)求出在正常的铁道车辆和异常的铁道车辆中车辆信息发生多大程度地变化、即该变化量。即，从以上述(1)算出来的异常的铁道车辆的数值计算结果减去以上述(2)算出来的正常的铁道车辆的数值计算结果来求出上述变化量。

(4)对于如前述那样使用针对正常的铁道车辆实际检测到的车辆信息而形成的正态分布(概率密度分布)(参照图2的(b))，使其标准偏差σ不变而仅使平均值μ偏离与由上述(3)求出来的变化量相应的量，将该偏离后的正态分布作为关于异常的铁道车辆的车辆信息的正态分布来算出。这是基于如下的假定的计算方法：关于正常的铁道车辆的车辆信息的正态分布和关于异常的铁道车辆的车辆信息的正态分布虽然彼此的平均值μ不同，但标准偏差σ相等。

接着，如图2的(c)所示，向如上述那样生成的分类器21输入在所述第1步骤中检测到的各车辆信息(前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)(在图2的(c)中表示为“检测值”的部位表示所输入的各车辆信息)。分类器21根据所输入的各车辆信息的值算出是各车辆状态的概率。在图2的(c)所示的例子中，根据所输入的前侧的转向架的1次弹簧异常指标的值将铁道车辆正常的概率、在铁道车辆产生了异常a的概率、在铁道车辆产生了异常b的概率分别作为n1、a1、b1来算出。另外，根据所输入的后侧的转向架的1次弹簧异常指标的值将铁道车辆正常的概率、在铁道车辆产生了异常a的概率、在铁道车辆产生了异常b的概率分别作为n2、a2、b2来算出。而且，根据所输入的铁道车辆的2次弹簧异常指标的值将铁道车辆正常的概率、在铁道车辆产生了异常a的概率、在铁道车辆产生了异常b的概率分别作为n3、a3、b3来算出。

然后，分类器21基于如上述那样算出来的概率算出铁道车辆正常的概率pn(图2的(c)的式(4))、在铁道车辆产生了异常a的概率pa(图2的(c)的式(5))、在铁道车辆产生了异常b的概率pb(图2的(c)的式(6))。

最后，判定装置2将分类器21算出来的概率pn、pa、pb中的概率最高的车辆状态作为最终的判定结果输出。

以下，说明利用第1实施方式的监视装置100对铁道车辆有无异常和异常的类别进行了判定的结果的一个例子。

对于x系列的5种车辆编组(a编组、b编组、c编组、d编组、e编组)，以以下的条件对通过轨道的曲线区间之际的车辆信息(前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)进行检测，通过使用了检测到的该车辆信息的机器学习来生成分类器21，将检测到的车辆信息输入到所生成的分类器21来对车辆状态进行了判定。

(a)作为对象的曲线区间

·入口缓和曲线：长度47m

·圆曲线：长度60.1m、半径251m、超高0.065m、轨间距离扩大量(日文：スラック)0.009m

·出口缓和曲线：长度47m

·轮荷传感器设置位置：距圆曲线的起点15m的位置

(b)所使用的数据

·示教数据：对于通过了上述曲线区间的正常的铁道车辆检测到的车辆信息(10天的量)以及通过数值模拟根据检测到的该关于正常的铁道车辆的车辆信息算出来的异常的铁道车辆的车辆信息及其异常的类别

·判定对象数据：对于通过了上述曲线区间的正常的铁道车辆检测到的车辆信息(取得示教数据之后的13天的量)、以及通过使用了通用机构分析软件的数值模拟根据检测到的该对于正常的铁道车辆的车辆信息算出来的异常的铁道车辆的车辆信息

此外，示教数据所含有的异常的类别和通过判定对象数据进行判定的异常的类别均将如下6种假定为异常的类别：

(1)与设置于前侧的转向架的内轨侧的空气弹簧连接的高度调整阀发生故障而保持进行了排气动作的状态的异常(简称为“前内轨排气”)；

(2)与设置于前侧的转向架的外轨侧的空气弹簧连接的高度调整阀发生故障而保持进行了排气动作的状态(简称为“前外轨排气”)；

(3)与设置于前侧的转向架的内轨侧的空气弹簧连接的高度调整阀发生故障而保持进行了供气动作的状态的异常(简称为“前内轨供气”)；

(4)与设置于前侧的转向架的外轨侧的空气弹簧连接的高度调整阀发生故障而保持进行了供气动作的状态的异常(简称为“前外轨供气”)；

(5)前侧的转向架的前方内轨侧的轴弹簧的折损(简称为“1轴内轨折损”)；

(6)前侧的转向架的前方外轨侧的轴弹簧的折损(简称为“1轴外轨折损”)。

图3表示在将上述判定对象数据中的异常的铁道车辆的车辆信息输入到分类器21的情况下所获得的判定结果。

如图3所示，作为判定结果输出来的异常的类别与假想的(模拟的)异常的类别完全一致。

由此可知，根据第1实施方式的监视装置100，针对异常的铁道车辆能够精度良好地判定其异常的类别。

图4表示在将上述判定对象数据中的正常的铁道车辆的车辆信息输入到分类器21的情况下所获得的判定结果。

如图4所示，判定结果的大部分判定为正常。

由此可知，根据第1实施方式的监视装置100，针对正常的铁道车辆也能精度比较良好地进行判定。

＜第2实施方式>

图5是说明本发明的第2实施方式的监视装置所具备的判定装置所具备的分类器的框图。图1的(a)是表示使用机器学习来生成分类器的情形的框图，图1的(b)是表示使用所生成的分类器来判定车辆状态的情形的框图。

第2实施方式的监视装置100也与第1实施方式同样地执行如下步骤(参照图5的(b))：第1步骤，在该第1步骤中，由检测装置1检测以在轨道上行驶的铁道车辆所具备的车轮的轮荷等表示的车辆信息；以及第2步骤，在该第2步骤中，将检测到的车辆信息向判定装置2所具备的分类器21输入，从分类器21输出铁道车辆(车辆状态未知的铁道车辆)的车辆状态。

在第2实施方式中，在所述第2步骤中从分类器21输出的车辆状态不是有无异常和异常的类别而是铁道车辆的车辆编组，这点与第1实施方式不同。更具体而言，分类器21算出作为判定对象的铁道车辆是各车辆编组的概率，判定装置2将从分类器21输出来的各车辆编组的概率中的、概率最高的车辆编组作为最终的判定结果输出。无需判定有无异常和异常的类别，因此，在第2实施方式中，准备关于正常的铁道车辆的示教数据作为示教数据即可，未必需要关于异常的铁道车辆的示教数据。

以下，说明利用第2实施方式的监视装置100对铁道车辆的车辆编组进行了判定的结果的一个例子。

对于x系列的10种车辆编组(a编组、b编组、c编组、d编组、e编组、f编组、g编组、h编组、i编组、j编组)和y系列的11种的车辆编组(k编组、l编组、m编组、n编组、o编组、p编组、q编组、r编组、s编组、t编组、u编组)，以以下的条件对通过轨道的曲线区间之际的车辆信息(前侧的转向架的1次弹簧异常指标、后侧的转向架的1次弹簧异常指标、铁道车辆的2次弹簧异常指标)进行检测，通过使用了检测到的该车辆信息的机器学习来生成分类器21，向所生成的分类器21输入所检测到的车辆信息，从而对车辆状态进行了判定。

(a)作为对象的曲线区间

·入口缓和曲线：长度47m

·圆曲线：长度60.1m、半径251m、超高0.065m、轨间距离扩大量0.009m

·出口缓和曲线：长度47m

·轮荷传感器设置位置：距圆曲线的起点15m的位置

(b)所使用的数据

·示教数据：针对通过了上述曲线区间的正常的铁道车辆检测到的车辆信息(10天的量)

·判定对象数据：针对通过了上述曲线区间的正常的铁道车辆检测到的车辆信息(取得示教数据之后的20天的量)

图6表示在将上述判定对象数据输入到分类器21的情况下所获得的判定结果。

如图6所示，判定结果的大部分获得了与实际的车辆编组一致的判定结果。

由此可知，根据第2实施方式的监视装置100，针对车辆编组也能精度比较良好地判定。

附图标记说明

1、检测装置；2、判定装置；3、铁道车辆；11、轮荷传感器；12、运算部；21、分类器；31、车轮；100、铁道车辆状态监视装置。