1

論文番号 ６０５

テレメータシステムを活用した故障予兆検知

四国旅客鉄道株式会社 三﨑 友樹 四国旅客鉄道株式会社 為広 重行 日本電気航空宇宙システム株式会社 川端 正憲 日本電気株式会社 大澤 健一 日本電気株式会社 佐藤 大地 日本電気株式会社 建山 弓弦

1．序論

四国旅客鉄道（株）（以下、JR 四国）では 2017 年より

テレメータシステムを更新しており、信号保安設備のリ

アルタイムでの集中監視および 2 年間分のビッグデータ

の蓄積に成功した。今回、機械学習技術の一種である異

種混合学習技術を用いて、運転方向回路の分析モデルの

作成と 7 日先の故障予兆検知を実現したので報告する。

2．JR 四国を取り巻く現状と課題

2.1 現状

日本では 2025 年に団塊世代が後期高齢者となり超高

齢社会になると言われている。地方においても労働人口

減少が続く一方で、IoT や AI をはじめとする新技術がめ

まぐるしい発展を続けており、鉄道業界における電気設

備のあり方や、これを取り巻く環境も大きく変化するこ

とが想定されるため、JR 四国では、2017 年度にテレメー

タシステムを更新し、取得可能となったビッグデータを

活用し、TBM（Time Based Maintenance：時間周期による

均一的な取り替え・保全方法）から CBM（Condition Based

Maintenance：機器を個別に状態監視する方法）への移行

を目指している。 2.2 課題

現状、JR 四国では 3 ヵ月～2 年の周期にて TBM を行っ

ているが、これだけでは設備故障を未然に防ぐことは困

難である。また、テレメータシステムを用いたリアルタ

イムでの監視を行っているが、完全な故障要因の特定に

は至っていない。 JR 四国が目指す CBM は、電気設備の検査の省力化およ

び取り替え基準の延伸である。この 2 点を実現するため

には、鉄道電気設備の故障要因を特定し、故障予兆を検

知することは必要不可欠である。そこで、日本電気株式

会社（以下、NEC）の判断根拠の説明が可能なホワイト

ボックス型 AI である異種混合学習技術を用いることで

解決できると考えた。異種混合学習技術については、5

章にて説明する。

3．テレメータシステムと運転方向回路

3.1 テレメータシステム

テレメータシステムの構成を図－1 に示す。ビッグデ

ータの活用を目的とし、中央集中方式を採用、指令所機

器室と拠点駅間の伝送は IP 伝送網にて構築した。拠点駅

図－1 システム構成図

に伝送変換器を設け、計測端末からメタルケーブルによ

るバイフェーズ伝送にてデータを収集する構成である。

機器室や信号器具箱などの設置箇所毎にリレーの接点情

報（以下、接点入力情報）、電圧や電流といった機器の計

測情報（以下、アナログ情報）を取得している。

3.2 運転方向回路

単線区間では、複線区間の閉そく方式と異なり上り列

車と下り列車の運転を一本の線路にて行う。よって、列

車の運転方向を設定する運転方向回路が存在し、運転方

向を保持するための回線（FC 回線）電圧及び運転方向を

表示するための回線（FK 回線）電圧をテレメータシステ

ムで計測し、取得している。

本研究では、運転方向回路を対象とし、予讃線 観音

寺・豊浜間（以下、観音寺・豊浜間）の 2018 年 2 月 1 日

から同年 12 月 19 日までのデータを使用し、7 日先の故

障予兆検知を実現した。

4． テレメータシステムデータ加工手法の確立

4.1 テレメータシステムデータの特徴と活用の課題

4.1.1 テレメータシステムデータの特徴

テレメータシステムで取得される接点入力情報および

アナログ情報のデータ（以下、テレメータデータ）につ

いて、そのデータ取得の条件を表－1 に示す。

2

表－1 データ取得の条件

4.1.2 テレメータデータ活用の課題

テレメータデータを分析する上で、下記 3 点の課題を

解決し、分析可能なデータを作成する必要がある。

・データ集積条件とタイミング

接点入力情報については、アナログ情報のデータ取

得条件を満たした場合でもデータ取得を行うが、ア

ナログ情報については、接点入力情報のデータ取得

条件を満たさなかった場合は、データの取得を行わ

ず、保存されるデータは欠損状態（空白）となる。

・複数拠点でのデータ取得

運転方向回路は、両駅機器室、閉そく信号機器具箱

など、複数の離れた箇所に運転方向回路を構築する

ための機器が設置されており、運転方向の設定状態

や列車の在線状況により、それぞれの設備設置箇所

でデータ取得のタイミングが異なる。また、取得デ

ータ項目も設備設置箇所で異なる。分析データとし

て扱うにはデータ取得タイミングの同定、及び取得

データ項目の同定をする必要がある。

・列車の在線状況や、信号条件の設定状況による変動

運転方向回路をはじめ、信号関係設備には、列車の

在線状況や、信号条件の設定状況によって、接点入

力情報やアナログ情報が大きく変動する。この変動

を適切に捉えることで、設備の状態を加味したモデ

ル作成が見込まれる。

4.2 テレメータデータの加工

テレメータデータの分析に向けたデータ加工フローを

図－2 に示す。加工フローに従い運転方向回路の故障予

兆検知に向けたデータを作成することとした。次項以降

に、それぞれのデータ加工についての詳細を示す。

4.2.1 データ補間その 1

一般的に機械学習においてデータの欠損は好ましくな

い。そのため欠損部分に対してデータ補間を実施する。

拠点ごとのデータを時間で昇順ソートし、格納されてい

る値それぞれにおいてアナログ情報の取得条件より、2

秒前までその値で補間を実施し、それ以降は欠損してい

る箇所を前値で補間（以下、前後値補間）を実施した。

4.2.2 複数拠点データの結合

データ結合イメージを図－3 に示す。複数拠点のデー

タを一つのデータとして扱うために、設備設置箇所毎で

図－2 データ加工フロー

図－3 複数拠点データの結合イメージ

取得していたデータを時系列順に結合を行う。

4.2.3 データ補間その 2

4.2.2 項にて結合したデータは、結合した際に、他拠

点のデータ項目が欠損している状態となっているため、

前後値補間にて結合後のデータに対して、データ補間を

実施する。これにより、欠損のないデータが完成する。

4.2.4 在線状態のイベント化とイベント同定

本研究で対象とした、観音寺・豊浜間の運転方向回路

のイベントパターンを図－4 に示す。方向回線および信

号条件による信号機の現示状況と、列車の在線状況によ

り、上下それぞれ 8 パターン×2（上り・下り）のイベン

トがあると仮定した。そして、各イベントにデータの振

り分けを行うため、リレーパターンの整理を行い、設定

したリレーの動作状態に一致する結合データの振り分け

を行った。

観音寺・豊浜間の各機器室にて接点入力情報として、

取得している運転方向回路の関係するリレーの情報およ

びリレーパターンの整理を行ったイベントのうち 1 条件

を表－2 に示す。

本研究にて考案したイベント振り分け手法による、集

計結果を表－3 に示す。同じイベントが連続した場合は 1

イベントとし、データ内のイベント数の抽出を行った。

当該日の列車本数は上りが 44 本、下りが 43 本であった

が、全列車を抽出できており、イベント化の効果が確認

できる。

本研究で考案したイベント化（以下、イベント同定）

によって、集計したパターンを図－5 に示す。イベント

の変化パターンを時系列に並べることで、時間ごとの列

車位置に加え、信号機の制御タイミングと列車密度を推

定できるようになり、運転方向回路のデータから列車の

運行状況を判断できるようになり、列車の動きを考慮し

たデータ解析が可能となる。

監視内容 データ取得条件

接点入力

情報

・接点伝送端末が監視している設備の接

点状態が変化した場合

・アナログ情報のデータ取得条件を満た

した場合

・ 終データ取得後、約 3 分間経過した

場合

アナログ

情報

・規定値以上のデータ変動が発生した後、

2 秒間安定した場合

・ 終データ取得後、約 3 分間経過した

場合

3

図－4 運転方向回路のイベントパターン（上り）

表－2

上り方向上り 2 進入時（場内未開通）リレー動作状態

表－3 1 日あたりのイベント数

図－5 信号機の制御タイミングと列車密度

前述したとおり、信号関係設備では、列車の在線状況や、

信号条件の設定状況が、接点入力情報やアナログ情報が

大きく変動することから、信号関係設備のデータ分析に

おいて、イベント同定は分析精度向上に対し大きな効果

が期待できる。

図－6 異種混合学習技術

図－7 分析タスク

5．異種混合学習技術を用いた 7 日先の故障予兆検知

5.1 異種混合学習技術

本研究で用いた異種混合学習技術の特徴を図－6 に示

す。異種混合学習技術は膨大な予測モデルの候補から、

複数の規則性とその条件を“自動的に”導きだす。さら

に自律的に新たなデータを追随し、精度を維持する。ま

た、作成されたモデルは予測値を算出する根拠を人間が

理解できる形で導出することが可能である。

5.2 7 日先の故障予兆検知

5.2.1 分析タスク

本研究にて設計した、分析タスクを図－7 に示す。分

析対象は、運転方向設定時の電圧降下が列車運行に影響

を与えることを考慮し、列車が発車する側の駅の FK 回線

電圧とした。そして、予測先については、仮にシステム

にて電圧降下を予測した際に、対処に要する時間を考慮

し、7 日先（約 280 列車通過後）とした。JR 四国では、

運転方向回路における FK回線電圧の下限値を 22Vと設定

しているが、本研究では、故障に至る可能性がある電圧

降下の下限値を 24V と設定し、故障予兆を検知するモデ

ルを作成した。そして、異種混合学習技術モデルの精度

評価をするために、予測値、実績値共に 24V を下回るか

どうかを評価指標とした。

5.2.2 初回分析結果と課題

初回分析では上下 8 パターンのイベントのうち、方向

設定時の場内未開通時を分析対象とし、得られた全デー

タを用いて分析を実施した。結果を図－8～図－10 に示

す。また、評価結果を図－11 に示す。

4

図－8 予実グラフ

図－9 異種混合学習技術モデル（分岐条件）

図－10 異種混合学習技術モデル（説明変数係数）

図－11 24V 未満に関する混同行列

予実グラフにおいては、青線が実績値を示しており、

赤線が異種混合学習技術による予測値を示している。一

通りの傾向を捉えているが、以下の課題が存在する。

・24V 未満のデータに対しての誤差が大きい

・分析パラメータにチューニングの余地あり

・他イベントの情報を加味できていないため在線状態と

の関連性が不明

上記課題への対策を実施、再度分析を実施した。

適合率

再現率

F 値

5

図－12 対策後の予実グラフ

図－13 対策後の異種混合学習技術モデル（分岐条件）

図－14 対策後の異種混合学習技術モデル（説明変数係数）

図－15 対策後の 24V 未満に関する混同行列

5.2.3 終分析結果

前項の課題を基に、下記対策を実施した。

・24V 以下を強く学習させるために、学習データ量をチ

ューニング

・各イベントのセンサ値を説明変数として活用

・列車の動きによる影響を把握するため、イベントパタ

ーンを駅間進入時に場内信号機が青となったパターン

に特定し説明変数に加える

以上の対策を実施した、 終分析結果を図－12～図－15

に示す。

F 値

再現率

適合率

6

図－16 在線状態別の FK 回線電圧と各要因との相関

これにより、異常の可能性がある 24V 未満に対しても誤

差の改善ができ、再現率において、6.3％、F 値（適合率

と再現率の調和平均）において 0.9％改善した。また、

モデルが大幅に簡略化されモデルの可読性が向上した。

異種混合学習により導出した、FK 回線電圧とその増減

要因との相関を図－16 に示す。この図は以下のことを意

味する。

・下り方向設定時(場内未開通)には観音寺 RH 方向の FK

回線電圧、及び上 2 下 1 閉そくの回線電流との間に正

の相関がある

・下り方向駅間進入時(場内未開通)には観音寺 RH 方向の

FK 回線電圧、及び上 2 下 1 閉そくの FC 回線電圧との

間に負の相関がある

・下り方向下り 2 進入時(場内開通)には観音寺 RH 方向の

FK 回線電圧、及び上 2 下 1 閉そくの FK 回線電圧との

間に負の相関が、豊浜 RH 方向の FK 回線電圧との間に

正の相関がある

・下り方向場内進入時(出発復位)には観音寺 RH 方向の

FK 回線電圧、及び豊浜 RH 方向の FK 回線電圧との間に

負の相関がある

・上 1 下 2 閉そくのデータは相関が無いことが分かる。

下り方向駅間進入時(場内開通)、及び下り方向下り 1

進入時のデータとは相関が無い

６．結論

観音寺・豊浜間の 2018 年 2 月 1 日から同年 12 月 19 日

までのデータにより、異種混合学習技術を用いて運転方

向回路の 7 日先の故障予兆検知を行った。その結果、

93.3％と高い再現率を得た。また、列車の在線状況によ

る運転方向回路の回線電圧への様々な相関性および鉄道

電気設備のデータ分析におけるイベント同定の重要性を

も明らかにした。

図－17 テレメータシステムの将来構想

後に、テレメータシステムの将来構想を図－17 に示

す。JR 四国工務部電気課では、「メンテナンス方法の革

新」とテレメータの将来構想テーマを掲げている。来た

るべき 2025 年に備え、電気指令員へのオペレーション支

援の実現および装置老朽化によるメンテナンス計画策定

と修繕コストの 適化を図る。今後は、全イベントパタ

ーンの分析や気温や湿度といったテレメータデータ以外

の有用なデータを活用し、予測精度の向上に取り組む。

参考文献

［1］三﨑友樹：「新型テレメータシステムと2025」，JREA，

Vol.62，No.3，pp.41-44（2019）

［2］岩井亮祐：「テレメータシステムの更新」，鉄道と電

気技術，Vol.28，No.10，pp.20-24（2017）

［3］松本直征・為広重行・岩井亮祐・渡邊健治・西園青

史・小林和弘：「新型テレメータシステムの開発」，

サイバネティクス，Vol.23，No.2，pp.40-45（2018）

［4］藤巻遼平・森永聡・江藤力・本橋洋介・菅野亨太：

フジサンケイビジネスアイ賞「異種混合学習技術と

ビッグデータ分析ソリューションの研究開発」

pp.100-112(2015)