近年,いくつかの鉄道車両は,鉄道車両機器の運転状態を絶えず記録する状態モニタ装置を装備している。それ故に,機械学習を用いてデータを学習し,異常を検出することにより,列車運転の信頼性を向上させる。状態モニタデータは時系列で記録される。そこで,鉄道車両機器に対して,時系列データの学習に適したディープラーニング手法であるLong Short Term Memory(LSTM)を用いた異常検出法を提案する。本論文では,運転中のディーゼル車で記録したデータに本提案の方法を適用する。その結果,本提案の方法を用いて異常データの場合に異常スコアが増加し,鉄道車両機器の異常が検出されることを確認する。(翻訳著者抄録)
perpetuum: Track Defect and Wheel Damage: Detection and Location: https://perpetuum.com/download/track-defect-and-wheel-damage-detection-and-location/(参照日:2021年6月21日)
knorr brake: Comoran: Condition Monitoring for Railway Applications: https://www.knorr-bremse.com/remote/media/documents/railvehicles/product_broschures/brake_systems/Comoran_P_1215_EN.pdf (参照日:2021年6月21日)
Shift2Rail: Delivery of new smart maintenance concept & global safety framework!: https://shift2rail.org/news/read-about-the-latest-results-coming-from-cca/ (参照日:2021年6月21日)
穴見: スマートメンテナンスの取り組み状況について, JR EAST Technical Review, No.62,pp.5-10,2019