JP7442310B2 - 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル - Google Patents
学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル Download PDFInfo
- Publication number
- JP7442310B2 JP7442310B2 JP2019223815A JP2019223815A JP7442310B2 JP 7442310 B2 JP7442310 B2 JP 7442310B2 JP 2019223815 A JP2019223815 A JP 2019223815A JP 2019223815 A JP2019223815 A JP 2019223815A JP 7442310 B2 JP7442310 B2 JP 7442310B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- failure
- model
- prediction
- failure prediction
- 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.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 claims description 56
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 53
- 238000007689 inspection Methods 0.000 description 20
- 230000007257 malfunction Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、改札機の故障予測を行うために用いる学習済みモデルの生成装置、学習済みモデルを用いて改札機の故障予測を行う故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデルに関する。
従来、改札機の保守は、故障が発生する度に修理を行うと共に、１～６ヶ月毎に各改札機の保守点検を行っていた。また、できるだけ改札機の使用中に故障が発生することを防ぎ、効率的に保守点検を行うために、保守点検周期の見直しを随時行うこともあった。例えば、特許文献１に示されるように、継続的に改札機に設けられた各種センサの値等の稼働状況や故障の履歴を参照し、人為的に、各改札機の動作状況を判断して故障が発生しそうな改札機を抽出して、その改札機の保守点検の時期を早める等の保守点検周期の見直しを行っていた。
しかしながら、上記した、従来の各種センサの値等から人為的に改札機の保守点検の時期を見直す方法では、１つの部品が単独で故障する場合には、各種センサの値等からあらかじめ改札機の故障を予測することができるが、現実的には、十分に改札機の故障時期を判断することは困難であった。例えば、改札機は、複数の部品の動作精度が低下することにより、複合的に改札機の動作精度が低下し、改札機の故障に至ることも多い。統計的な手法により各種センサの値を人為的に整理し、ある程度の複合的な故障を予測することができる場合もあるが、現実的には改札機が故障に至る要因は非常に多岐にわたり、このような複数の部品の動作により総合的に生じる改札機の故障を人為的に予測することは事実上不可能であった。
本発明は、改札機の故障予測を精度良く行うことを目的とする。
上記目的を達成するために、本発明の一実施形態に係る学習済みモデル生成装置は、改札機の故障予測を行うために用いる学習済みモデルを生成する学習済みモデル生成装置であって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するモデル用データ取得部と、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成する特徴量演算部と、前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するモデル生成部とを備える。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第１学習済みモデルを生成することができる。改札機は様々な部品から構成され、これらの部品の状態が複雑に組み合わされて改札機の故障に至る。これらの複雑な部品の状態を総合的に判断することは非常に困難であるところ、機械学習により多くの部品の状況と故障との関係を認識することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第１学習済みモデルを生成することができる。この第１学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができるようになる。
また、前記第１学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第１特徴量の中から第２特徴量を抽出する特徴量抽出部を備え、前記モデル生成部は、前記第２特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第２学習済みモデルを生成し、前記改札機の故障予測は前記第２学習済みモデルを用いて行われることが好ましい。
このような構成により、故障予測に大きな影響を及ぼす第２特徴量を用いて第２学習済みモデルを生成することにより、故障予測精度のより高い第２学習済みモデルを生成することができる。この第２学習済みモデルを用いて故障予測を行うことにより、より精度良く改札機の故障予測を行うことができるようになる。
本発明の一実施形態に係る故障予測装置は、学習済みモデルを用いて改札機の故障予測を行う故障予測装置であって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第１特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するモデル取得部と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記モデル取得部を介して取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる学習済みモデルを取得し、この学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。
本発明の一実施形態に係る故障予測システムは、前記学習済みモデル生成装置と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記学習済みモデル生成装置で生成された前記第１学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる第１学習済みモデルを取得し、この第１学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第１学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。
また、本発明の一実施形態に係る故障予測システムは、前記学習済みモデル生成装置と、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、前記学習済みモデル生成装置で生成された前記第２学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える。
このような構成により、故障予測に大きな影響を及ぼす第２特徴量を用いて生成された第２学習済みモデルを取得することにより、より精度の高い第２学習済みモデルを用いて故障予測を行うことができ、より精度良く改札機の故障予測を行うことができる。
本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第１特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより生成された改札機の故障予測に用いる学習済みモデルを取得し、この学習済みモデルを用いて故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な学習済みモデルを用いて故障予測を行うことができ、精度良く改札機の故障予測を行うことができる。
また、本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成するステップと、前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、前記第１学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第１学習済みモデルを生成することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能な第１学習済みモデルを生成することができる。この第１学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができる。
また、本発明の一実施形態に係る故障予測プログラムは、学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成するステップと、前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するステップと、前記第１学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第１特徴量の中から第２特徴量を抽出するステップと、前記第２特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第２学習済みモデルを生成するステップと、複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、前記第２学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる。
このような構成により、故障予測に大きな影響を及ぼす第２特徴量を用いて第２学習済みモデルを生成することにより、故障予測精度のより高い第２学習済みモデルを生成することができる。この第２学習済みモデルを用いて故障予測を行うことにより、より精度良く改札機の故障予測を行うことができるようになる。
また、本発明の一実施形態に係る学習済みモデルは、改札機から取得された予測用稼働情報および予測用環境情報に基づいて、前記改札機の故障予測情報を出力するように、コンピュータを機能させるための学習済みモデルであって、ツリー構造に並んだ複数の分岐点からなる決定木で構成され、前記予測用稼働情報は前記改札機において所定の期間で経時的に取得される稼働情報であり、前記予測用環境情報は前記改札機において所定の期間で経時的に取得される環境情報であり、前記予測用稼働情報および前記予測用環境情報が入力され、前記予測用稼働情報および前記予測用環境情報からＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む複数の特徴量が算出され、それぞれの前記分岐点で対応する前記特徴量が演算されて前記特徴量に対応する評価値が算出されると共に、進行方向が決定されて次の前記分岐点に進行することを繰り返し、進行した前記分岐点で算出された前記評価値を合算することにより前記故障予測情報を算出して出力するように、コンピュータを機能させる。
このような構成により、学習済みモデルは、改札機の故障に影響を及ぼす稼働情報および環境情報を用いて改札機の故障予測を行うことができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することができ、人為的には判断が難しい状況でも、改札機が故障する予兆を発見することができる可能性が向上する。その結果、精度良く故障予測を行うことが可能となる。
また、複数の前記決定木が組み合わされて構成されても良い。
このような構成により、複雑に関連し合った改札機の状況に応じた学習済みモデルを生成することができ、より精度良く故障予測を行うことが可能となる。
また、前記故障予測情報は、それぞれの前記改札機が故障すると予測される時期を含んでも良い。
このような構成により、改札機が故障すると予想される期間を精度良く把握することができ、適切な時期に改札機の保守・点検を行うことができる。
また、複数の前記第１学習済みモデルが生成され、それぞれの前記第１学習済みモデルが出力する前記故障予測情報は、異なる期間の間に前記改札機が故障する確率を示しても良い。
このような構成により、複数の学習済みモデルを用いて、改札機が故障するまでの期間が異なる複数の故障予測情報を出力することができる。そのため、改札機が故障すると予想される期間をより精度良く把握することができ、より適切な時期に改札機の保守・点検を行うことができる。
また、複数の前記第２学習済みモデルが生成され、それぞれの前記第２学習済みモデルが出力する前記故障予測情報は、異なる期間の間に前記改札機が故障する確率を示しても良い。
このような構成により、複数の学習済みモデルを用いて、改札機が故障するまでの期間が異なる複数の故障予測情報を出力することができる。そのため、改札機が故障すると予想される期間をより精度良く把握することができ、より適切な時期に改札機の保守・点検を行うことができる。
また、前記故障予測情報は、故障すると予測される前記改札機の部位を含んでも良い。
このような構成により、故障すると予測される改札機の部位を優先的に点検することにより、改札機の保守・点検を効率的に行うことができる。
また、それぞれの前記改札機の保守計画を生成すると共に、前記故障予測情報に基づいてそれぞれの前記保守計画を変更する保守計画部を備えても良い。
このような構成により、改札機の保守・点検を、より適切かつ効率的に行うことができ、動作中に改札機が故障することを抑制することができる。
さらに、本発明の一実施形態に係る学習済みモデル生成プログラムは、学習済みモデルを用いて改札機の故障予測を行うために用いる学習済みモデルを生成する学習済みモデル生成プログラムであって、複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、前記モデル用稼働情報および前記モデル用環境情報を演算することにより第１特徴量を生成するステップと、前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するステップとをコンピュータに実行させる。
このような構成により、改札機の故障に影響を及ぼす稼働情報および環境情報と、故障情報とにより、改札機の故障予測に用いる第１学習済みモデルを生成することができる。改札機は様々な部品から構成され、これらの部品の状態が複雑に組み合わされて改札機の故障に至る。これらの複雑な部品の状態を総合的に判断することは非常に困難であるところ、機械学習により多くの部品の状況と故障との関係を認識することができる。そのため、改札機が故障する予兆を人為的な判断を超えて認識することにより、精度の高い故障予測を行うことが可能な第１学習済みモデルを生成することができる。この第１学習済みモデルを用いて故障予測を行うことにより、精度良く改札機の故障予測を行うことができるようになる。
まず、図１を参照して、改札機１と、改札機１の保守・修理について説明する。
改札機１は、鉄道の駅等に設置され、駅構内への入退場の管理を行う。改札機１は、切符に記録された情報を読み取り、情報に応じて入退場の適否を判断し、駅構内への入退場の管理を行う。切符として、普通券や定期券、ＳＦカード（Ｓｔｏｒｅｄ Ｆａｒｅ Ｃａｒｄ）、ＩＣカード等が用いられる。改札機１は、投入口（図示せず）、読取部（図示せず）、アンテナ部（図示せず）、解析部（図示せず）、動作制御部（図示せず）、貯留部（図示せず）、搬送部（図示せず）、排出口（図示せず）等を備える。投入口は、普通券や定期券、ＳＦカード等が投入される。読取部は、磁気等により記録された情報を読み取る。アンテナ部は、ＩＣカード等と情報のやり取りを行う。解析部は、読取部やアンテナ部で取得した情報を解析する。動作制御部は、解析部の解析結果に応じて必要な動作を制御する。貯留部は、退場時等において管理が終了した普通券等を貯留する。搬送部は、投入口から投入された普通券等を、読取部を介して排出口や貯留部まで搬送する。排出口は、入場時等において、その後の退場時等に必要となる普通券等を排出する。また、投入口や読取部等の改札機１を構成する各部位には、これらの稼働情報６（図１参照）を取得する稼働センサ（図示せず）が設けられる。また、改札機１は、その内部または周辺に、温度や湿度、照度、気圧、天候等の環境情報７（図１参照）を取得する環境センサ（図示せず）を備える。
改札機１が故障すると、駅員等がメンテナンス会社等に故障を連絡するオンコールが行われる。オンコールでは、故障した改札機１を識別する情報と故障の状況とが連絡される。オンコールを受けたメンテナンス会社等の担当者は、該当する改札機１に赴き、修理を行う。また、それぞれの改札機１は、稼働中に故障することを抑制するために、保守計画に基づいて定期的に保守点検が行われる。
次に、図１，図２を用いて、改札機の故障予測システムの全体構成の概略について説明する。
１または複数の改札機１は、インターネット回線２に接続される。また、インターネット回線２には、学習済みモデル生成装置３と、故障予測実行部４と、サーバ５とが接続される。
サーバ５は、それぞれの改札機１から、インターネット回線２を介して稼働情報６および環境情報７を経時的に取得し、記憶する。さらに、サーバ５は、それぞれの改札機１において行われたオンコールのオンコールデータ８を、インターネット回線２を介して経時的に取得し、記憶する。具体的には、オンコールデータ８は、改札機１から直接サーバ５に送信されても良いが、一旦コールセンターに集約され、コールセンターからサーバ５や学習済みモデル生成装置に送信されても良い。
学習済みモデル生成装置３は、まず、サーバ５からインターネット回線２を介して、所定の期間（第一期間に相当）の間に取得された、それぞれの改札機１に対応する、稼働情報６，環境情報７およびオンコールデータ８を取得する（図２のステップ＃１）。
次に、学習済みモデル生成装置３は、稼働情報６をモデル用稼働情報２０（図３参照）、環境情報７をモデル用環境情報２１（図３参照）として、改札機１ごとに、モデル用稼働情報２０およびモデル用環境情報２１を演算して、学習済みモデルを生成するための特徴量（第１特徴量に相当）を算出する（図２のステップ＃２）。また、学習済みモデル生成装置３は、改札機１ごとに、オンコールデータ８から故障情報を抽出する。なお、以下の説明では、抽出された故障情報を単にオンコールデータ８とも称す（図２のステップ＃３）。
次に、学習済みモデル生成装置３は、算出された特徴量を機械学習用の入力データとし、抽出した故障情報を教師データとして、同一の改札機１に対応する特徴量と故障情報とを関連付けてＡＩ（人工知能）９により機械学習を行い、予測用の稼働情報６（予測用稼働情報に相当）および予測用の環境情報７（予測用環境情報に相当）を入力することにより、改札機１の故障予測情報を出力する学習済みモデル１０を生成する（図２のステップ＃４）。ここで、ＡＩ９は、インターネット回線２上に設けられても良いし、学習済みモデル生成装置３内に設けられても良い。なお、学習済みモデル生成装置３の具体的な構成については、後に詳述する。
その後、サーバ５は、それぞれの改札機１から、インターネット回線２を介して、故障予測を行うために用いる、稼働情報６および環境情報７を取得し、記憶する（図２のステップ＃５）。
次に、故障予測実行部４は、インターネット回線２を介して、サーバ５に記憶された稼働情報６および環境情報７を取得する。そして、故障予測実行部４は、改札機１ごとに、所定の期間（第二期間）に継続的に取得された稼働情報６を予測用稼働情報とし、所定の期間（第二期間）に継続的に取得された環境情報７を予測用環境情報として、予測用稼働情報および予測用環境情報を学習済みモデル１０に入力して、改札機１ごとの故障予測情報１１を出力する（図２のステップ＃６）。なお、故障予測実行部４の具体的な構成については、後に詳述する。
さらに、インターネット回線２に接続される保守計画部１２が設けられても良い。保守計画部１２は、各改札機１の保守計画を策定すると共に、故障予測情報１１に基づいて、故障する可能性の高い改札機１の保守の優先度を必要に応じて高めるように、保守計画を変更する（図２のステップ＃７）。なお、保守計画部１２の具体的な構成については、後に詳述する。
このように、本実施形態では、各改札機１の稼働情報６および環境情報７を所定の期間収集し、これらを演算して、故障の予測に適した情報を算出して入力データとし、入力データに、実際に発生したオンコールデータ８をラベル付して教師データとして機械学習された学習済みモデル１０を用いて故障予測が行われる。そのため、大量の情報を総合的に判断して故障予測を行うことができ、改札機１の故障予測を精度良く行うことができる。特に、改札機１の故障の要因は非常に多く、かつ、互いに複合的に作用しているため、人為的に改札機１から取得した情報から故障を判断することは困難であったところ、機械学習を用いて学習済みモデル１０を生成するため、より多くの情報を複合的に判断して故障予測を行うことができる。また、人為的に必要な情報を選択し、それらの相関関係から故障を予測することをプログラムを用いて行うことも不可能ではないが、必要な情報を選択し、それらの相関関係を導くことは結局人為的に行わざるを得ず、改札機１の複雑さを考慮すると現実的ではない。そのため、そのようなプログラムを用いた場合に比べ、上記のように学習済みモデル１０を生成して故障予測を行うことにより、より容易かつ精度の高い故障予測を行うことが可能となる。また、改札機１において、気圧・湿度といった気象状況等の環境によって故障に及ぼす影響が変化する。例えば、環境によって切符のつまりやすさが変わったり、電子機器の動作精度に与える影響が変わったりする。そのため、環境情報を入力データに含めて機械学習することにより、稼働情報と環境情報との複雑な相互作用を考慮した学習済みモデル１０を生成することができる。そして、精度の高い故障予測に基づいて保守計画を見直すことができるため、実動作中の改札機１が故障する可能性を低減することができる。
〔学習済みモデル生成装置〕
次に、学習済みモデル生成装置３の具体的な構成例について、図１，２を参照しながら図３～図６を用いて説明する。
次に、学習済みモデル生成装置３の具体的な構成例について、図１，２を参照しながら図３～図６を用いて説明する。
学習済みモデル生成装置３は、データ通信部１３、モデル用データ取得部１４、記憶部１５、生成制御部１６、モデル生成部１７、特徴量演算部１８、特徴量抽出部１９を備える。
データ通信部１３は、インターネット回線２を介して、改札機１やＡＩ９等との間でデータの送受信を行う。モデル用データ取得部１４は、データ通信部１３で受信した改札機１のモデル用稼働情報２０およびモデル用環境情報２１とオンコールデータ８とを取得し、記憶部１５に記憶させる（図４のステップ＃１）。モデル用稼働情報２０およびモデル用環境情報２１は、改札機１から取得される稼働情報６と環境情報７とを所定の期間（第一期間）にわたり経時的に収集した情報である。所定の期間は任意に設定できるが、例えば１ヶ月間とすることができ、故障予測を行う月の前月の１ヶ月間でも良いし、直前の１ヶ月間でも良い。モデル用稼働情報２０およびモデル用環境情報２１は、各改札機１から取得され、改札機１にひも付けられた情報であり、例えば、合計で２０００個の情報（特徴量）からなる。また、記憶部１５は、モデル用稼働情報２０およびモデル用環境情報２１、オンコールデータ８の他にも、後述の学習用入力データ２２や、第１学習済みモデル２３、第２学習済みモデル２４等の各種データを記憶する。生成制御部１６はＣＰＵやＧＰＵ等のプロセッサを備え、モデル生成部１７や特徴量演算部１８等の学習済みモデル生成装置３の動作を制御する。
特徴量演算部１８は、生成制御部１６の制御に基づいて、モデル用稼働情報２０およびモデル用環境情報２１のうちの少なくともモデル用稼働情報２０の一部を演算して第１特徴量２５を算出する（図４のステップ＃２）。例えば、図５に示すように、第１特徴量２５は、稼働情報６のうちのＩＣカード、普通券、定期券、ＳＦカードのそれぞれの使用回数から、１日当たりのＩＣカードの利用率が算出される。さらに、第１特徴量２５として、ＩＣカードの利用率の３日間の合計や平均値、７日間の合計や平均値が算出されても良い。他にも、所定の期間における普通券がつまった回数の微分値等が第１特徴量２５として算出される。このように、第１特徴量２５は、モデル用稼働情報２０およびモデル用環境情報２１に、演算された項目およびその値が加えられて構成される。その結果、第１特徴量２５は、例えば、合計で２００００個の情報（特徴量）からなる。第１特徴量２５は、改札機１の故障に影響を及ぼす可能性のある情報であり、これらの情報を多く生成し、複合的に判断することにより、改札機１の故障を精度良く予測できるようになる。
モデル生成部１７はＣＰＵやＧＰＵ等のプロセッサを備え、生成制御部１６の制御に基づいて、入力データが第１特徴量２５で、教師データがオンコールデータ８（故障情報）である学習用入力データ２２をＡＩ９に入力して機械学習させ、第１学習済みモデル２３を生成する（図４のステップ＃３）。オンコールデータ８は、改札機１が故障した際に行われるオンコールの情報と、オンコールに伴って行われる修理の結果を含む情報であり、オンコール毎に蓄積される。そのため、オンコールデータ８は種々の情報を含み、図６に示すように、オンコールデータ８から抽出される故障情報は、少なくとも、対象となる改札機１を識別するＩＤと、オンコールが行われたコール日時と、オンコール内容と、修理の結果判明した故障部位と、故障要因とを含んで構成される。
特徴量抽出部１９は、生成制御部１６の制御に基づいて、第１特徴量２５を第１学習済みモデル２３に入力して解析し、各特徴量の故障予測への影響度を求める。そして、特徴量抽出部１９は、生成制御部１６の制御に基づいて、２００００個の特徴量から故障予測への影響度が大きいものから順に、例えば１００個抽出し、この抽出された１００個の特徴量を第２特徴量２６とする（図４のステップ＃４）。
そして、モデル生成部１７は、生成制御部１６の制御に基づいて、入力データが第２特徴量２６で、教師データがオンコールデータ８である学習用入力データ２７をＡＩ９に入力して機械学習させ、第２学習済みモデル２４を生成する（図４のステップ＃５）。
なお、第１学習済みモデル２３および第２学習済みモデル２４は、所定の予測期間、例えは７日以内に、改札機１が故障するか否かの故障予測を行うために用いられるモデルである。また、第１学習済みモデル２３および第２学習済みモデル２４は、例えば、決定木である。このような決定木構造の第１学習済みモデル２３および第２学習済みモデル２４は、決定木の各分岐点で所定の特徴量（第１特徴量２５または第２特徴量２６）の評価を行い、分岐点毎に、評価結果に応じた評価値（故障確率）が付与されていく構造である。そして、決定木の分岐に沿って評価値が合算されて故障予測情報が求められる。なお、第１学習済みモデル２３および第２学習済みモデル２４は、複数の決定木が関連して設けられる、ＸＧＢｏｏｓｔやＲａｎｄｏｍ Ｆｏｒｅｓｔ、ＬｉｇｈｔＧＢＭ、ＣａｔＢｏｏｓｔ、ＡｄａＢｏｏｓｔ等のアンサンブルモデルであっても良い。
このように、稼働情報６および環境情報７から、改札機１の故障に影響を及ぼす可能性のある特徴量を選定し、これらを故障への影響度が明確となるように演算して特徴量を追加して第１特徴量２５を生成する。そして、故障への影響が大きいと推測されるこれらの第１特徴量２５を入力データとして第１学習済みモデル２３を生成する。そのため、各特徴量の相互作用が適格に反映された故障予測を行うことができ、改札機１の故障予測を精度良く行うことができる。
さらに、第１学習済みモデル２３を用いて第１特徴量２５を解析し、故障への影響度が大きい特徴量を抽出して第２特徴量２６とし、これらの第２特徴量２６を入力データとして第２学習済みモデル２４を生成する。その結果、故障予測精度がより高い第２学習済みモデル２４を用いて故障予測を行うことができ、改札機１の故障予測をより精度良く行うことができる。
〔故障予測実行部〕
次に、故障予測実行部４の具体的な構成例について、図１，２を参照しながら図３，図７を用いて説明する。
次に、故障予測実行部４の具体的な構成例について、図１，２を参照しながら図３，図７を用いて説明する。
故障予測実行部４は、データ通信部２８、モデル取得部２９、予測用データ取得部３０、記憶部３１、予測制御部３２、故障予測部３３を備える。
データ通信部２８は、インターネット回線２を介して、改札機１や学習済みモデル生成装置３等との間でデータの送受信を行う。モデル取得部２９は、データ通信部１３を介して、学習済みモデル生成装置３から、故障予測に用いる学習済みモデルである、第１学習済みモデル２３または第２学習済みモデル２４を取得し、記憶部３１に記憶させる（図７のステップ＃１）。予測用データ取得部３０は、データ通信部１３で受信した改札機１の予測用稼働情報３４および予測用環境情報３５を取得し、記憶部３１に記憶させる（図７のステップ＃２）。予測用稼働情報３４および予測用環境情報３５は、改札機１から取得される稼働情報６と環境情報７とを所定の期間（第二期間）にわたり経時的に収集した情報である。所定の期間は任意に設定できるが、例えば、故障予測を行う前日である。予測制御部３２はＣＰＵ等のプロセッサを備え、故障予測部３３等の動作を制御する。
故障予測部３３は、予測制御部３２の制御に基づいて、予測用稼働情報３４および予測用環境情報３５を学習済みモデルに入力して故障予測を行い（図７のステップ＃３）、故障予測情報３６を記憶部３１に格納した後出力する（図７のステップ＃４）。学習済みモデルは、本実施形態では第２学習済みモデル２４であるが、第１学習済みモデル２３を用いることも可能である。
故障予測情報３６は、予測期間内に、改札機１のそれぞれが故障する確率を示すものである。予測期間が７日である場合、７日以内に改札機１が故障する確率が、それぞれの改札機１ごとに０以上１以下の値で示される。この値は、１に近づくほど故障する確率が高くなることを示す。故障予測情報３６は、第２学習済みモデル２４が決定木で構成される場合、予測用稼働情報３４および予測用環境情報３５から第２特徴量２６を算出し、各分岐点で第２特徴量２６の評価を行い、分岐点を通過する毎に評価値を足し合わせていくことにより導出される。
なお、第２学習済みモデル２４を用いて行った故障予測を以下のような条件で検証した。第一期間を４ヶ月、第１特徴量２５を１９３０３個として第２学習済みモデル２４を生成し、その後１ヶ月間故障予測を行った。その結果、モデル精度はＡＵＣ（Ａｒｅａ ｕｎｄｅｒ ａｎ ＲＯＣ ｃｕｒｖｅ）：７５．３１％、Ｐｒｅｃｉｓｉｏｎ（空振りしない率）：１０％、Ｒｅｃａｌｌ（見逃ししない率）：７０％となった。このことから、本実施形態によると、従来の人為的な判断に基づく保守計画を行った場合に比べて精度良く故障を予測でき、本実施形態の故障予測を行った場合に改札機１が実動作中に故障する確率は、従来に比べて飛躍的に低減することがうかがわれる。
さらに、故障予測情報３６として、各改札機１において、故障することが予測される故障部位がその故障確率と共に出力されても良い。例えば、各改札機１において、故障する確率の高い上位３か所の部位が出力される。
故障予測において、各第２特徴量２６の評価値が算出される。各改札機１の部位ごとの故障確率は、各第２特徴量２６の評価値のうちの、各部位の故障に影響があるとあらかじめ定められた第２特徴量２６の評価値を足し合わせることにより求めることができる。故障予測情報３６として、改札機１ごとに、故障する確率が高い部位が、故障する確率と共に出力される。
このように、故障に影響が大きいと推測される特徴量（第１特徴量２５，第２特徴量２６）を用いて機械学習された学習済みモデル（第１学習済みモデル２３，第２学習済みモデル２４）を用いて故障予測を行うため、改札機１の故障予測を精度良く行うことができる。特に、故障予測への影響の大きさを考慮して抽出された第２特徴量２６を用いて機械学習された第２学習済みモデル２４を用いて故障予測を行うことにより、改札機１の故障予測をより精度良く行うことができる。その結果、故障予測情報３６に基づいて、故障する確率の高い改札機１に対して保守すべき期限が明確となり、保守計画の周期・時期を見直して、より適切に保守・点検を行うことが可能となる。
また、改札機１ごとに故障する確率の高い部位を出力することにより、重点的に保守・点検するべき部位が明確となり、効率的に保守・点検を行うことが可能になる。
〔保守計画〕
故障予測実行部４は、さらに保守計画部３７を備えても良い。保守計画部３７は、まず、各改札機１に対して定期的に保守・点検を行う保守計画を定める。その上で、保守計画部３７は、上記故障予測情報３６に基づいて、各改札機１に対して、故障することが予想される期限内に保守・点検が行われるように、保守計画を変更する。
故障予測実行部４は、さらに保守計画部３７を備えても良い。保守計画部３７は、まず、各改札機１に対して定期的に保守・点検を行う保守計画を定める。その上で、保守計画部３７は、上記故障予測情報３６に基づいて、各改札機１に対して、故障することが予想される期限内に保守・点検が行われるように、保守計画を変更する。
保守計画部３７は図示しない表示装置と接続される構成であっても良い。保守計画部３７は、表示装置に保守計画や故障予測情報３６を表示する。保守の担当者・管理者等は、表示装置に表示された保守計画や故障予測情報３６を参照しながら、保守計画をさらに見直すこともできる。
このように、故障予測情報３６に基づいて保守計画を変更することにより、効率的に保守・点検を行いながら、故障前に改札機１の保守・点検を行い、動作中の改札機１が故障することを抑制することができる。
なお、保守計画部３７は、故障予測実行部４が備える構成に限らず、任意の箇所に設けられても良い。例えば、保守計画部３７は、図１に示す保守計画部１２のように、インターネット回線２に接続される構成としても良い。
〔別実施形態〕
（１）上記実施形態において、学習済みモデル生成装置３および故障予測実行部４の構成は、上述の機能ブロックに分割する場合に限らず、学習済みモデル生成装置３および故障予測実行部４の機能を実現できれば、機能ブロックの構成は任意である。例えば、生成制御部１６、モデル生成部１７、特徴量演算部１８、特徴量抽出部１９の機能ブロックは、このような構成に限らず、互いの機能の一部または全部を統合した機能ブロックにより構成されても良いし、それぞれの機能ブロックをさらに細分化した機能ブロックから構成されても良い。また、上記実施形態において、学習済みモデル生成装置３および故障予測実行部４の機能の一部または全部は統合された構成であっても良い。
（１）上記実施形態において、学習済みモデル生成装置３および故障予測実行部４の構成は、上述の機能ブロックに分割する場合に限らず、学習済みモデル生成装置３および故障予測実行部４の機能を実現できれば、機能ブロックの構成は任意である。例えば、生成制御部１６、モデル生成部１７、特徴量演算部１８、特徴量抽出部１９の機能ブロックは、このような構成に限らず、互いの機能の一部または全部を統合した機能ブロックにより構成されても良いし、それぞれの機能ブロックをさらに細分化した機能ブロックから構成されても良い。また、上記実施形態において、学習済みモデル生成装置３および故障予測実行部４の機能の一部または全部は統合された構成であっても良い。
（２）上記各実施形態において、学習済みモデル生成装置３は単独で、学習済みモデルを生成して完結し、故障予測実行部４に学習済みモデルを送信しない構成であっても良い。逆に、故障予測実行部４は、学習済みモデル生成装置３で生成された学習済みモデルを用いず、別途生成された学習済みモデルを用いて故障予測を行っても良い。
（３）上記各実施形態において、学習済みモデル生成装置３が実現する学習済みモデル生成方法および故障予測実行部４が実現する故障予測方法の一部または全部は、上記装置構成に限らず、任意の構成で実現することができる。また、学習済みモデル生成装置３が実現する学習済みモデル生成方法および故障予測実行部４が実現する故障予測方法の一部または全部は、プログラムにより実現されても良い。プログラムは記憶部１５や記憶部３１等の任意の記録装置に記憶され、生成制御部１６が備えるＣＰＵやＧＰＵ等の任意のプロセッサ（コンピュータに相当）がこのプログラムを実行する。
（４）上記各実施形態において、オンコールデータ８は、オンコールの情報のみを含み、修理の結果を含まない構成としても良い。この場合、オンコールデータ８（故障情報）は、対象となる改札機１を識別するＩＤと、オンコールが行われたコール日時と、オンコール内容から構成される。なお、オンコール内容は、オンコールが行われたか否かを示す情報のみであっても良く、この場合のオンコールデータ８（故障情報）は、対象となる改札機１を識別するＩＤと、オンコールが行われたコール日時と、オンコールの有無から構成されることとなる。
（５）上記各実施形態において、学習済みモデル生成装置３は、特徴量抽出部１９を備えず、第２特徴量２６および第２学習済みモデル２４を生成しない構成としても良い。この場合、学習済みモデル生成装置３は、第１特徴量２５および第１学習済みモデル２３のみを生成する。
（６）上記各実施形態において、予測期間が７日である場合のみの故障予測を行う構成に限らず、異なる複数の予測期間の間に故障する確率をそれぞれ出力する故障予測を行っても良い。例えば、予測期間として、１ヶ月、１４日、７日、３日を設定し、故障予測として、各改札機１が、１ヶ月以内に故障する確率、１４日以内に故障する確率、７日以内に故障する確率、３日以内に故障する確率を出力する。この場合、第１学習済みモデル２３および第２学習済みモデル２４は、１ヶ月以内に故障する確率を求めるための学習済みモデル、１４日以内に故障する確率を求めるための学習済みモデル、７日以内に故障する確率を求めるための学習済みモデル、３日以内に故障する確率を求めるための学習済みモデルの４種類が生成される。そして、故障予測実行部４は、４種類の第１学習済みモデル２３または４種類の第２学習済みモデル２４を用いて故障予測を行い、４種類の故障予測情報３６を出力する。
これにより、複数の期間の間に故障する確率が示され、保守・点検を行うべきタイミングをより的確に把握することができる。これに伴い、保守計画の変更もより的確に行うことができる。
（７）上記各実施形態において、第１学習済みモデル２３および第２学習済みモデル２４は、故障予測の実施に伴って更新されても良い。所定の期間に行われた故障予測にて使用された、予測用稼働情報３４および予測用環境情報３５を、第１学習済みモデル２３または第２学習済みモデル２４に入力して機械学習させることにより、第１学習済みモデル２３または第２学習済みモデル２４が更新される。この際、これらの予測用稼働情報３４および予測用環境情報３５を用いて故障予測された結果と、保守・修理を行った結果が教師データに加えられても良い。
このように、故障予測に伴って学習済みモデルを更新することにより、学習済みモデルの精度が向上し、より精度の高い故障予測を行うことが可能となる。
（８）上記各実施形態において、改札機１は環境センサを備えない構成とすることもできる。この場合、稼働情報６とオンコールデータ８（故障情報）から学習済みモデル１０が生成され、故障予測の際には、稼働情報６が学習済みモデル１０に入力される。さらに、その他の情報が学習済みモデル１０の生成に用いられても良く、稼働情報６、環境情報７、その他の情報のうちのいずれかの情報が組み合わされて学習済みモデル１０の生成に用いられても良い。
環境情報７は故障予測に大きな影響を及ぼさない場合がある。このような場合、環境センサを備えない構成とすることで、改札機１をより簡易な構成とすることができる。
（９）改札機１、学習済みモデル生成装置３、故障予測実行部４、保守計画部１２は、インターネット回線２に接続される構成に限らず、互いに任意の構成でデータの受け渡しが可能な構成であれば良い。例えば、これらの機器は、機器間の少なくとも一部が、インターネット回線２以外のイントラネット等のネットワーク回線に接続されても良く、ＬＡＮ等の専用回線で送受信可能な構成でも良く、記憶媒体を介してデータの受け渡しを行う構成であっても良い。
（１０）学習済みモデル１０の生成に用いられる故障情報は、オンコールデータ８から抽出されても良いが、オンコールデータ８以外から入手されても良い。例えば、改札機１の管理者が判断して故障情報を作成し、インターネット回線２等を介して学習済みモデル生成装置３に入力しても良いし、改札機１が自身で故障を判断し、故障情報を生成して、インターネット回線２等を介して学習済みモデル生成装置３に入力しても良い。
本発明は、鉄道の駅やその他の交通機関の駅に設置される改札機に限らず、テーマパーク等の各種施設に設置される改札機における、学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデルに適用することができる。
１ 改札機
２ インターネット回線
３ 学習済みモデル生成装置
４ 故障予測実行部
５ サーバ
６ 稼働情報
７ 環境情報
８ オンコールデータ
９ ＡＩ
１０ 学習済みモデル
１１ 故障予測情報
１２ 保守計画部
１３ データ通信部
１４ モデル用データ取得部
１５ 記憶部
１６ 生成制御部
１７ モデル生成部
１８ 特徴量演算部
１９ 特徴量抽出部
２０ モデル用稼働情報
２１ モデル用環境情報
２２ 学習用入力データ
２３ 第１学習済みモデル（学習済みモデル）
２４ 第２学習済みモデル（学習済みモデル）
２５ 第１特徴量（特徴量）
２６ 第２特徴量（特徴量）
２７ 学習用入力データ
２８ データ通信部
２９ モデル取得部
３０ 予測用データ取得部
３１ 記憶部
３２ 予測制御部
３３ 故障予測部
３４ 予測用稼働情報
３５ 予測用環境情報
３６ 故障予測情報
３７ 保守計画部
２ インターネット回線
３ 学習済みモデル生成装置
４ 故障予測実行部
５ サーバ
６ 稼働情報
７ 環境情報
８ オンコールデータ
９ ＡＩ
１０ 学習済みモデル
１１ 故障予測情報
１２ 保守計画部
１３ データ通信部
１４ モデル用データ取得部
１５ 記憶部
１６ 生成制御部
１７ モデル生成部
１８ 特徴量演算部
１９ 特徴量抽出部
２０ モデル用稼働情報
２１ モデル用環境情報
２２ 学習用入力データ
２３ 第１学習済みモデル（学習済みモデル）
２４ 第２学習済みモデル（学習済みモデル）
２５ 第１特徴量（特徴量）
２６ 第２特徴量（特徴量）
２７ 学習用入力データ
２８ データ通信部
２９ モデル取得部
３０ 予測用データ取得部
３１ 記憶部
３２ 予測制御部
３３ 故障予測部
３４ 予測用稼働情報
３５ 予測用環境情報
３６ 故障予測情報
３７ 保守計画部
Claims (10)
- 改札機の故障予測を行うために用いる学習済みモデルを生成する学習済みモデル生成装置であって、
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するモデル用データ取得部と、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成する特徴量演算部と、
前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するモデル生成部とを備える学習済みモデル生成装置。 - 前記第１学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第１特徴量の中から第２特徴量を抽出する特徴量抽出部を備え、
前記モデル生成部は、前記第２特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第２学習済みモデルを生成し、前記改札機の故障予測は前記第２学習済みモデルを用いて行われる請求項１に記載の学習済みモデル生成装置。 - 学習済みモデルを用いて改札機の故障予測を行う故障予測装置であって、
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第１特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するモデル取得部と、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記モデル取得部を介して取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測装置。 - 請求項１に記載の前記学習済みモデル生成装置と、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記学習済みモデル生成装置で生成された前記第１学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測システム。 - 請求項２に記載の前記学習済みモデル生成装置と、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信する予測用データ取得部と、
前記学習済みモデル生成装置で生成された前記第２学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させる故障予測部とを備える故障予測システム。 - 学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を演算することにより生成された第１特徴量を入力データとし、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障確率を含む故障予測情報を出力するように生成された前記学習済みモデルを取得するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
取得された前記学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 - 学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成するステップと、
前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
前記第１学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 - 学習済みモデルを用いて改札機の故障予測を行う故障予測プログラムであって、
複数の前記改札機のそれぞれにおいて所定の第一期間で経時的に取得される、前記改札機の稼働情報であるモデル用稼働情報および前記改札機の環境情報であるモデル用環境情報を受信すると共に、前記第一期間にそれぞれの前記改札機に故障が生じた場合の故障情報を受信するステップと、
前記モデル用稼働情報および前記モデル用環境情報を演算することにより、ＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む第１特徴量を生成するステップと、
前記第１特徴量を入力データとし、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されると、それぞれの前記改札機の故障予測情報を出力する第１学習済みモデルを生成するステップと、
前記第１学習済みモデルを解析して、前記故障予測情報を出力するための影響度を考慮した所定の条件で前記第１特徴量の中から第２特徴量を抽出するステップと、
前記第２特徴量を入力データ、前記故障情報を教師データとする機械学習により、前記稼働情報および前記環境情報が入力されるとそれぞれの前記改札機の前記故障予測情報を出力する第２学習済みモデルを生成するステップと、
複数の前記改札機のそれぞれにおいて所定の第二期間で経時的に取得される、前記稼働情報である予測用稼働情報および前記環境情報である予測用環境情報を受信するステップと、
前記第２学習済みモデルに前記予測用稼働情報および前記予測用環境情報を入力して、それぞれの前記改札機の前記故障予測情報を出力させるステップとをコンピュータに実行させる故障予測プログラム。 - 改札機から取得された予測用稼働情報および予測用環境情報に基づいて、前記改札機の故障予測情報を出力するように、コンピュータを機能させるための学習済みモデルであって、
ツリー構造に並んだ複数の分岐点からなる決定木で構成され、
前記予測用稼働情報は前記改札機において所定の期間で経時的に取得される稼働情報であり、前記予測用環境情報は前記改札機において所定の期間で経時的に取得される環境情報であり、
前記予測用稼働情報および前記予測用環境情報が入力され、前記予測用稼働情報および前記予測用環境情報からＩＣカード利用率及び所定の期間における普通券がつまった回数の微分値を含む複数の特徴量が算出され、それぞれの前記分岐点で対応する前記特徴量が演算されて前記特徴量に対応する評価値が算出されると共に、進行方向が決定されて次の前記分岐点に進行することを繰り返し、進行した前記分岐点で算出された前記評価値を合算することにより前記故障予測情報を算出して出力するように、コンピュータを機能させるための学習済みモデル。 - 複数の前記決定木が組み合わされて構成される請求項９に記載の学習済みモデル。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019223815A JP7442310B2 (ja) | 2019-12-11 | 2019-12-11 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019223815A JP7442310B2 (ja) | 2019-12-11 | 2019-12-11 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021093019A JP2021093019A (ja) | 2021-06-17 |
| JP7442310B2 true JP7442310B2 (ja) | 2024-03-04 |
Family
ID=76313166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019223815A Active JP7442310B2 (ja) | 2019-12-11 | 2019-12-11 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7442310B2 (ja) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006135412A (ja) | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
| JP2011113305A (ja) | 2009-11-26 | 2011-06-09 | Nippon Conlux Co Ltd | 紙幣処理装置 |
| JP2018045516A (ja) | 2016-09-15 | 2018-03-22 | 三菱重工業株式会社 | 分類装置、分類方法およびプログラム |
| JP2018147080A (ja) | 2017-03-02 | 2018-09-20 | 富士ゼロックス株式会社 | 情報処理装置及び情報処理プログラム |
| JP2018195133A (ja) | 2017-05-18 | 2018-12-06 | 富士ゼロックス株式会社 | 情報処理装置及び情報処理プログラム |
-
2019
- 2019-12-11 JP JP2019223815A patent/JP7442310B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006135412A (ja) | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
| JP2011113305A (ja) | 2009-11-26 | 2011-06-09 | Nippon Conlux Co Ltd | 紙幣処理装置 |
| JP2018045516A (ja) | 2016-09-15 | 2018-03-22 | 三菱重工業株式会社 | 分類装置、分類方法およびプログラム |
| JP2018147080A (ja) | 2017-03-02 | 2018-09-20 | 富士ゼロックス株式会社 | 情報処理装置及び情報処理プログラム |
| JP2018195133A (ja) | 2017-05-18 | 2018-12-06 | 富士ゼロックス株式会社 | 情報処理装置及び情報処理プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021093019A (ja) | 2021-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8880962B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
| RU2540830C2 (ru) | Адаптивное дистанционное обслуживание подвижных составов | |
| Asadzadeh et al. | An integrated systemic model for optimization of condition-based maintenance with human error | |
| Alrabghi et al. | A novel approach for modelling complex maintenance systems using discrete event simulation | |
| Heng et al. | Intelligent condition-based prediction of machinery reliability | |
| US8473330B2 (en) | Software-centric methodology for verification and validation of fault models | |
| Li et al. | Toward a methodology of requirements definition for prognostics and health management system to support aircraft predictive maintenance | |
| CN112036505B (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
| CN118096131A (zh) | 一种基于电力场景模型的运维巡检方法 | |
| Vrignat et al. | Failure event prediction using hidden markov model approaches | |
| Friederich et al. | Towards data-driven reliability modeling for cyber-physical production systems | |
| CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
| Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
| CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
| AU2020202134A1 (en) | Data driven machine learning for modeling aircraft sensors | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN118446118A (zh) | 基于神经网络的高速公路机电系统故障预测方法、装置、电子设备及存储介质 | |
| CN110884973A (zh) | 用于远程监控基于状况的维护的模型开发框架 | |
| Friederich et al. | A framework for validating data-driven discrete-event simulation models of cyber-physical production systems | |
| CN118710068B (zh) | 一种天眼运输管理系统的车辆安全风险评估方法 | |
| CN118940193B (zh) | 一种地铁隧道结构安全风险动态预测方法及系统 | |
| JP7442310B2 (ja) | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
| JP2022169915A (ja) | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル | |
| JP7650758B2 (ja) | 保守計画システム、保守計画方法、および故障予測装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221128 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240130 |
|
| 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: 20240206 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240220 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7442310 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D01 |