新日鉄住金ソリューションズは2016年、鉄道車両の安全性監視システムを発売する予定。日々収集する車輪の脱線係数データなどを基に、機械学習で突発異常などを自動検知する。
新日鉄住金ソリューションズは、レールと車輪の圧力バランスを示す鉄道車両の脱線係数（脱線するかどうかの指標）や速度、温度などの計測データを収集し、効率よく警告・可視化する「安全性監視システム」を開発している。2016年にも発売する予定だ。
鉄道車両の走行安全性を評価する指標の1つである脱線係数は、計測機器の耐久性の問題があり、以前は常時測定が不可能だった。「車輪にセンサーを取り付けた特殊な試験用輪軸を電車に装着し、大きな計測器を用いての測定とデータの解析が必要だった」（季刊『新日鉄住金Vol.1』より引用）のだ。
ところが、数年前に日々脱線係数を測定できるソリューションが実用化された。それが、新日鐵住金と日鉄住金レールウェイテクノス、東京地下鉄、交通安全環境研究所が共同開発した「PQモニタリング台車」だ。
非接触式センサーを装備することで脱線係数を常時測定できるようになった。PQモニタリング台車には車両重量による垂直方向の力（P=輪重）を測るセンサーと、横向きに働く横圧（Q）を測るセンサーが装備されている。車輪とレールの接触している部分の輪重と横圧を測定し、脱線係数（Q÷P）を算出する。計測する際に接触している箇所がないので、常時計測が可能になったというわけだ。
各路線で運行している列車1～2台の一部車両にPQモニタリング台車を装着すれば毎日、脱線係数を自動計測できる。既に東京メトロやJRなど数社が導入している。従来方式では、脱線係数の計測が年に1回か、数カ月に1回だったので、計測頻度が飛躍的に高まった。そこで新日鉄住金ソリューションズは、日々収集する計測データを活用して、効率よく警告・可視化するクラウドベースのシステムを開発している。
機械学習で異常走行を検出
システムの概要は、下図の通り。PQモニタリング台車から24ミリ秒ごとに収集して蓄積するセンサーデータが、センサーログ蓄積データベースに送られる。さらに機械学習のアルゴリズムによって、異常走行の検出や故障時期の予測などを行う。
「現在、機械学習のアルゴリズムを開発しており、実証実験に取り組んでいる段階だ」と、新日鉄住金ソリューションズ技術本部システム研究開発センター データ分析・基盤研究部の籔さやか主任研究員は説明する。
異常走行の検出や故障時期の予測が精緻にできれば、レールなどのメンテナンス計画を最適化できる。必要なタイミングでメンテナンスすればいいので、従来に比べてコストを削減できる。
異常には、突発異常や傾向異常などがある。突発異常の監視では、脱線係数がある閾値を超えた箇所を可視化。最大脱線係数の分布を確認する。傾向異常の監視では、変化が発生した箇所を可視化。最大脱線係数の傾向を確認する。
新日鉄住金ソリューションズは長年、人工知能や最適化技術のシステム化に取り組んでいる。今回の安全性監視システムの開発には、これまで培ってきた技術とノウハウが生きているという。
