具体实施方式

参照附图对用于实施本发明的方式进行说明。在各图中，对相同或相当的部分标注相同的标号，适当简化或省略重复的说明。

实施方式1

图1是实施方式1的制动装置劣化预测系统1的结构图。

制动装置劣化预测系统1应用于电梯2。

电梯2设置于建筑物3。建筑物3具有多个楼层。在电梯2中，井道4贯穿建筑物3的各楼层。在电梯2中，层站5设置于建筑物3的各楼层。各楼层的层站5与井道4对置。在电梯2中，多个层站门6分别设置于各楼层的层站5。电梯2具有曳引机7、主绳索8、对重9、轿厢10、制动装置11、控制盘12和监视装置13。

曳引机7例如设置于井道4的上部。曳引机7具有马达和绳轮。曳引机7的马达是使绳轮旋转的装置。

主绳索8卷绕于曳引机7的绳轮，使得能够追随于曳引机7的绳轮的旋转而移动。主绳索8的一端设置于轿厢10。主绳索8的另一端设置于对重9。

对重9被设置成能够追随于主绳索8的移动在井道4的内部沿铅垂方向行驶。

轿厢10被设置成能够追随于主绳索8的移动在井道4的内部沿铅垂方向行驶。轿厢10具有轿厢门14。轿厢门14是在轿厢10停止于建筑物3的各楼层中的任意楼层时进行开闭的装置。轿厢门14是使层站门6联动地进行开闭的装置。

制动装置11是在轿厢10停止时对轿厢10进行制动的装置。制动装置11具有制动鼓15、制动靴16、线圈17、柱塞18、弹簧19和制动控制装置20。制动鼓15设置于曳引机7的马达的输出轴，使得能够与曳引机7的马达同步地旋转。制动靴16与制动鼓15的外表面对置。制动靴16是借助摩擦力对制动鼓15的旋转进行制动从而对轿厢10进行制动的设备。弹簧19是借助弹力将制动靴16按压于制动鼓15的设备。线圈17是通过通电产生磁场的设备。柱塞18是通过线圈17产生的磁场克服弹簧19的弹力并使制动靴16以远离制动鼓15的方式移位的设备。制动控制装置20是对制动装置11的动作进行控制的装置。制动装置11的动作包含吸引和释放。制动控制装置20搭载用于输出吸引指令和释放指令的元件。在制动装置11对轿厢10进行制动时输出吸引指令。在制动装置11对轿厢10进行制动时输出释放指令。制动装置11也可以具有将弹簧19的弹力传递到制动靴16的制动臂。

控制盘12例如设置于井道4的上部。控制盘12是对电梯2的动作进行控制的装置。电梯2的动作例如包含轿厢10的行驶。控制盘12与曳引机7和制动装置11连接，使得能够对电梯2的动作进行控制。

监视装置13例如设置于建筑物3。监视装置13是对电梯2的动作进行监视的装置。监视装置13与控制盘12连接，使得能够进行与电梯2的动作有关的数据通信。

在电梯2中设置有未图示的动作计测装置和环境计测装置。

动作计测装置是在制动装置11进行动作时取得动作计测数据的装置。动作计测数据是表示与制动装置11的动作有关的信息的多成分的数据。动作计测装置的一部分或全部例如设置于制动装置11、曳引机7或轿厢10。动作计测装置例如包含传感器和开关等。动作计测装置例如包含电流计、制动开关和编码器。

电流计例如设置于向线圈17供给电力的布线。电流计是测定向线圈17通电的电流的传感器。制动开关设置于制动装置11。制动开关是检测制动装置11的工作状态的开关。制动装置11的工作状态包含制动状态和解放状态。制动开关例如具有通过检测制动装置11的一部分的机械位移来检测制动装置11的工作状态的机构。编码器设置于曳引机7的马达。编码器是通过脉冲信号输出曳引机7的马达的旋转角的传感器。

动作计测数据的各成分的信息被输出到控制盘12。或者，动作计测数据的各成分的信息通过制动控制装置20被输出到控制盘12。控制盘12以能够输出的方式将动作计测数据与信号数据和计算数据一起作为动作数据进行存储。信号数据是表示有无控制信号的输入或输出的信息的多成分的数据。控制信号例如是制动电压指令、吸引指令、释放指令、制动电压指令和制动触点信号。控制软件的变量也可以包含计算数据的信息。计算数据是根据动作计测数据和信号数据等计算的多成分的数据。

环境计测装置是取得环境计测数据的装置。环境计测数据是表示与制动装置11的动作环境有关的信息的多成分的数据。环境计测装置的一部分或全部例如设置于制动装置11、曳引机7或轿厢10。环境计测装置例如设置于井道4。多个环境计测装置例如包含秤和温度计。

秤设置于轿厢10。秤是测定搭乘轿厢10的利用者等的重量的传感器。温度计设置于井道4。温度计例如是测定气温的传感器。温度计也可以设置于制动装置11。此时，温度计例如是测定制动装置11的温度的传感器。

环境计测数据的各成分的信息被输出到控制盘12。或者，环境计测数据的各成分的信息通过制动控制装置20被输出到控制盘12。控制盘12以能够输出的方式存储环境计测数据。

在制动装置劣化预测系统1中，信息中心21例如设置于建筑物3的外部。信息中心21是收集电梯2和其他电梯的信息的据点。

制动装置劣化预测系统1是预测制动装置11的劣化时期的系统。另外，制动装置劣化预测系统1也可以具有诊断制动装置11的异常的功能。

制动装置劣化预测系统1具有数据服务器22、维护辅助装置23和显示装置24。

数据服务器22例如设置于信息中心21。数据服务器22与监视装置13连接，使得能够进行电梯2的动作等信息的通信。数据服务器22具有观测数据存储部25、属性数据存储部26和异常数据存储部27。

观测数据存储部25是存储观测数据库的部分。观测数据库包含多个观测数据。观测数据包含动作数据和环境计测数据。

属性数据存储部26是存储属性数据库的部分。属性数据库包含多个属性数据。属性数据包含基于电梯的属性的数据。此外，属性数据包含基于制动装置的属性的数据。属性数据例如包含制动装置的机型、轿厢的装置重量、电梯的种类和电梯的设置地域等信息。电梯的种类例如包含是否是展望用电梯等信息。电梯的种类例如与井道的环境相关联。电梯的种类例如与电梯的机型相关联。电梯的设置地域例如通过气候等而与井道的环境相关联。电梯的设置地域例如通过空气中的盐或硫等的浓度而与井道的环境相关联。

异常数据存储部27是存储异常历史数据库的部分。异常历史数据库包含针对电梯2和其他电梯判定制动装置11的异常而得到的多个数据。

维护辅助装置23例如设置于信息中心21。维护辅助装置23具有观测部28、数据取得部29、分类部30、转换部31、学习部32、判定部33、生成部34、预测部35、存储部36和报知部37。

观测部28是在制动装置11进行动作时取得动作数据的部分。观测部28与监视装置13连接，使得能够取得包含动作数据的观测数据。

数据取得部29是生成实绩数据集的部分。实绩数据集包含在生成的时点之前取得的环境数据和动作数据的多个组。环境数据包含环境计测数据和属性数据。数据取得部29与观测数据存储部25连接，使得能够取得观测数据。数据取得部29与属性数据存储部26连接，使得能够取得属性数据。

分类部30是根据环境数据对动作数据进行分类的部分。分类部30与观测部28连接，使得能够取得动作数据。分类部30与观测部28和属性数据存储部26连接，使得能够取得环境计测数据和属性数据作为环境数据。分类部30与数据取得部29连接，使得能够取得实绩数据集。

转换部31是将动作数据转换成状态数据和指标数据的部分。

状态数据是多成分的数据。状态数据的各成分对应于制动装置11的各故障现象。制动装置11的各故障现象例如包含中继开关的触点的固定、弹簧19的劣化、制动靴16的位置的偏移、制动装置11的制动能力的降低和制动控制装置20的电子电路的异常。

指标数据是表示制动装置11的劣化的数据。指标数据例如是表示每个预先设定的时间单位的劣化指标值的时序数据。劣化指标值是成为表示制动装置11的劣化的指标的值。劣化指标值也可以是多成分的值。制动装置11的劣化例如是制动靴16的磨损。制动装置11的劣化例如使制动装置11的制动能力降低。制动装置11的制动能力的降低例如成为制动装置11发生打滑的要因。时序数据的时间单位例如是1日。转换部31与分类部30连接，使得能够取得根据环境数据分类后的动作数据。

学习部32是使用状态数据学习制动装置11的异常的诊断模型的部分。学习部32进行学习的方法是机器学习的方法。学习部32与转换部31连接，使得能够取得状态数据。例如通过信息中心21的操作员进行的开始学习的操作，学习部32进行学习。

判定部33是如下部分：根据转换部31对学习部32进行学习后由观测部28取得的动作数据进行转换而得到的状态数据，根据学习部32学习到的诊断模型判定制动装置11的异常。判定部33与转换部31连接，使得能够取得状态数据。判定部33与学习部32连接，使得能够取得诊断模型。例如，每当在判定部33起动时取得状态数据时，判定部33进行判定。例如通过信息中心21的操作员进行的起动操作来进行判定部33的起动。判定部33与监视装置13连接，使得能够输出判定结果。

生成部34是生成表示指标数据所示的劣化相对于时间的变化的劣化模型的部分。劣化模型是预测劣化指标值将来的变化的模型。劣化模型包含趋势成分、周期成分和短期变动成分。趋势成分是表示增加或减少的单调变化的长期倾向的成分。周期成分是表示周期变化的倾向的成分。短期变动成分是表示短期变动的成分。生成部34与转换部31连接，使得能够取得指标数据。

预测部35是根据生成部34生成的劣化模型预测制动装置11的劣化时期的部分。制动装置11的劣化时期是劣化指标值达到预先设定的阈值的时期。预测部35与生成部34连接，使得能够读入劣化模型。

存储部36是存储判定结果数据的部分。判定结果数据是表示判定部33的判定结果的数据。存储部36与判定部33连接，使得能够取得判定结果数据。存储部36是存储预测结果数据的部分。预测结果数据是表示预测部35的预测结果的数据。存储部36与预测部35连接，使得能够取得预测结果数据。

报知部37是报知判定部33对制动装置11的异常判定结果的部分。报知部37与判定部33连接，使得能够取得判定结果数据。报知部37是报知预测部35对制动装置11的劣化时期预测结果的部分。报知部37与预测部35连接，使得能够取得预测结果数据。报知部37根据判定结果数据或预测结果数据生成报知数据。报知数据是表示报知内容的数据。

显示装置24是显示已取得的数据所示的内容的装置。显示装置24例如是显示器。显示装置24例如设置于信息中心21。显示装置24与报知部37连接，使得能够取得报知数据。

接着，使用图2对制动装置劣化预测系统1的功能进行说明。

图2是示出实施方式1的制动装置劣化预测系统进行劣化预测的例子的图。

在曲线图A中示出指标数据的例子。曲线图A的横轴表示时间。曲线图A的纵轴表示劣化指标值。在曲线图A中，实线表示由转换部31从动作数据转换的指标数据。指标数据所示的制动装置11的劣化相对于时间的变化包含趋势成分、周期成分和短期变动成分。在曲线图A中，趋势成分是表示单调增加的长期倾向的成分。周期成分是表示周期变化的倾向的成分。短期变动成分是表示短期变动的成分。在曲线图A中，虚线表示预测部35对劣化指标值的预测结果。

例如如下取得动作数据。

控制盘12在轿厢10停止时，将使制动装置11进行动作的信号输出到制动控制装置20。

制动控制装置20按照从控制盘12输入的控制信号使制动装置11进行动作。在制动装置11进行动作时，动作计测装置取得动作计测数据。动作计测装置将动作计测数据输出到制动控制装置20或控制盘12。在制动装置11进行动作时，环境计测装置取得环境计测数据。环境计测装置将环境计测数据输出到制动控制装置20或控制盘12。制动控制装置20将输入的动作计测数据和环境计测数据输出到控制盘12。

控制盘12根据动作计测数据和控制信号等信息计算计算数据。计算数据例如包含根据编码器的脉冲信号的计数而计算出的轿厢10的位置数据。计算数据例如包含从输出制动吸引指令信号到制动开关检测制动装置11的实际动作为止的时间差数据。计算数据例如包含制动装置11持续进行制动动作的时间数据。计算数据例如包含制动装置11的动作频度数据。控制盘12将动作计测数据、信号数据和计算数据作为动作数据通过监视装置13输出到观测部28。控制盘12将环境计测数据通过监视装置13输出到观测部28。

观测部28从控制盘12通过监视装置13取得动作数据和环境计测数据。观测部28将动作数据和环境计测数据作为观测数据输出到观测数据存储部25。

观测数据存储部25将取得的观测数据存储于观测数据库。观测数据例如包含标志数据、数值数据和波形数据。动作数据例如包含标志数据、数值数据和波形数据作为要素。

标志数据例如包含开关是否进行动作、传感器是否进行动作和有无控制信号等信息。标志数据由真伪值、整数值或字符串等来表现。

数值数据例如包含传感器计测出的物理量的值等信息。数值数据例如包含向线圈17通电的电流、制动装置11进行制动的持续时间、轿厢10的位置、气温、制动装置11的温度、制动装置11的动作频度、气温和搭乘轿厢10的利用者的重量。数值数据由整数值或实数值等来表现。

波形数据例如包含传感器计测出的物理量的时间变化等信息。波形数据例如包含向线圈17通电的电流的模式变化、轿厢10的位置的时间变化和制动温度的时间变化。波形数据由包含每隔预定的时间间隔的多个数值的列表等来表现。

制动装置劣化预测系统1例如通过信息中心21的操作员进行的操作而开始劣化预测。

在制动装置劣化预测系统1开始进行劣化预测时，数据取得部29生成实绩数据集。数据取得部29从观测数据存储部25取得以当前为起点而预先设定的过去的期间内取得的多个观测数据。数据取得部29从属性数据存储部26取得以当前为起点而预先设定的过去的期间内取得的多个属性数据。判定部33取得部将取得的多个观测数据和多个属性数据作为多个动作数据和环境数据而与制动装置11的动作时刻对应起来。数据取得部29根据对应关系生成实绩数据集。数据取得部29向分类部30输出实绩数据集。

分类部30根据实绩数据集中包含的环境数据对与该环境数据对应的动作数据进行分类。例如在环境数据包含分类用的标记数据的情况下，分类部30将与标记数据的值彼此相等的环境数据对应的动作数据分类到同一集群。或者，分类部30例如将与通过无示教学习的方法被分类到同一集群的环境数据对应的动作数据分类到同一集群。此时，分类部30例如使用作为非层级分类方法的k平均法，作为无示教学习的方法。或者，分类部30也可以使用层级分类方法。分类部30将分类后的动作数据输出到转换部31。

转换部31按照分类部30的每个分类，经过特征量提取工序、标准化工序、异常度计算工序和预备工序的各工序，将动作数据转换成指标数据。

在特征量提取工序中，转换部31将分类后的多个动作数据转换成多个特征数据。转换部31按照动作数据的每个成分提取1个以上的特征量。在利用真伪值表示动作数据的要素时，转换部31从真值或伪值中提取例如+1或-1的数值作为特征量。在利用数值表示动作数据的成分时，转换部31例如直接提取该数值作为特征量。例如在波形数据等中利用数值的列表表示动作数据的成分时，转换部31例如提取列表中包含的数值的平均值和标准偏差等作为1个以上的特征量。或者，在利用数值的列表表示动作数据的成分时，转换部31例如直接提取列表中包含的多个数值作为多个特征量。转换部31也可以通过这里未例示的方法从动作数据的成分中提取特征量。转换部31生成包含按照动作数据的每个成分提取出的1个以上的特征量作为成分的多成分的特征数据。

在标准化工序中，转换部31将多个特征数据转换成多个标准化数据。标准化数据是多成分的数据。转换部31将特征数据的各成分转换成标准化数据的各成分。标准化数据的成分例如分别被标准化，使得与包含原来的动作数据的分类有关的平均成为0。标准化数据的成分例如分别被标准化，使得与包含原来的动作数据的分类有关的标准偏差成为1。

在异常度计算工序中，转换部31将多个标准化数据转换成多个异常度数据。异常度数据是多成分的数据。异常度数据的各成分是表示与通常状态之间的差异的指标。异常度数据的各成分例如根据特征数据的各成分来计算。转换部31例如针对特征数据的各成分，将与平均值之间的平方偏差除以方差，由此计算异常度数据的各成分。转换部31也可以通过其他机器学习等方法将标准化数据转换成异常度数据。

在预备工序中，转换部31将多个异常度数据转换成指标数据。转换部31将无示教学习的方法作为预备处理应用于异常度数据。无示教学习的方法例如是基于PCA(Principal Component Analysis：主成分分析)的维度削减的方法。转换部31根据取得原来的动作数据的时刻，按照预先设定的时间单位划分被应用预备处理的多个异常度数据。转换部31将按照该时间单位划分的异常度数据的值的平均值、最大值或累计值设为该时间单位的劣化指标值。在异常度数据是多成分的数据时，劣化指标值也可以是多成分的值。转换部31将劣化指标值的时序数据作为指标数据，按照分类部30的每个分类输出到生成部34。

生成部34针对取得的指标数据，按照分类部30的每个分类生成劣化模型。生成部34针对分类部30的每个分类的劣化模型，单独生成趋势成分和周期成分。生成部34例如通过回归模型单独生成趋势成分和周期成分。回归模型中的回归曲线例如是累计威布尔分布函数、累计对数正态分布函数。回归模型中的回归曲线例如是具有周期倾向的曲线。

生成部34判定劣化模型的生成是否成功。生成部34例如根据劣化模型的残差来判定劣化模型的生成是否成功。或者，生成部34例如根据将劣化模型应用于测试用的数据的情况下的误差来判定劣化模型的生成是否成功。例如，在生成部34将指标数据的一部分用于劣化模型的生成的情况下，测试用的数据是指标数据的其余部分。

生成部34在判定为劣化模型的生成失败的情况下，也可以通过不同的方法再次生成劣化模型。例如，生成部34也可以使用不同的回归曲线生成趋势成分或周期成分。

预测部35读入判定为生成成功的劣化模型。预测部35根据读入的劣化模型预测劣化指标值将来的值。预测部35根据劣化指标值的预测，判定劣化指标值在以当前为起点而预先设定的将来的时期是否达到阈值。阈值例如是针对劣化指标值预先设定的值。或者，阈值是作为判定偏离值的值而根据指标数据计算的值。此时，阈值例如是平均值加上标准偏差的常数倍而得到的值。或者，阈值是过去发生异常时的劣化指标值的值。此时，阈值例如根据异常数据存储部27存储的异常历史数据库的数据来确定。

在判定为劣化指标值在将来的时期达到阈值时，预测部35预测劣化指标值达到阈值的劣化时期。

预测部35计算劣化时期的预测可靠度。劣化指标值的预测的可靠度例如根据残差的标准偏差来计算。

预测部35将预测结果数据输出到存储部36。预测结果数据包含劣化预测时期和可靠度。

存储部36存储判定结果。

预测部35将判定结果数据输出到报知部37。

在由预测部35预测出的劣化时期在以维护点检的时期为基准而预先设定的报知期间的范围内的情况下，报知部37生成包含劣化时期的报知数据。报知期间例如是比预定维护点检的时期靠前的期间。或者，在由预测部35预测出的劣化时期在报知期间的范围内、且劣化时期的预测可靠度比预定的基准高的情况下，报知部37生成包含劣化时期的报知数据。报知部37通过将报知数据输出到显示装置24，通过显示装置24报知报知数据的内容。

显示装置24显示报知数据的内容。显示部例如显示“劣化指标值达到100％的时期为3个月后。预测的可靠度为80％。预定的维护点检的时期是6个月后。”等。或者，显示部例如显示“当前的劣化指标值为50％。在过去相似的100个案例中，40个案例进行维护点检。下月的劣化指标值的预测值为70％。在过去相似的100个案例中，80个案例进行维护点检。”等。

接着，使用图3对与制动装置劣化预测系统1的劣化预测有关的动作的例子进行说明。

图3是示出实施方式1的制动装置劣化预测系统的动作的例子的流程图。

在步骤S1中，分类部30从数据取得部29取得实绩数据集。分类部30根据实绩数据集中包含的环境数据对与该环境数据对应的动作数据进行分类。然后，制动装置劣化预测系统1的动作进入步骤S2。

在步骤S2中，转换部31按照分类部30的每个分类，将动作数据转换成指标数据。然后，制动装置劣化预测系统1的动作进入步骤S3。

在步骤S3中，生成部34针对指标数据，按照分类部30的每个分类生成劣化模型。然后，制动装置劣化预测系统1的动作进入步骤S4。

在步骤S4中，预测部35读入劣化模型。预测部35根据读入的劣化模型预测劣化指标值将来的值。然后，制动装置劣化预测系统1的动作进入步骤S5。

在步骤S5中，预测部35根据劣化指标值的预测，判定劣化指标值将来是否达到阈值。在判定结果为“是”的情况下，制动装置劣化预测系统1的动作进入步骤S6。在判定结果为“否”的情况下，制动装置劣化预测系统1的动作进入步骤S7。

在步骤S6中，预测部35预测劣化时期。然后，制动装置劣化预测系统1的动作进入步骤S7。

在步骤S7中，预测部35将预测结果输出到报知部37和存储部36。然后，制动装置劣化预测系统1的动作结束。

如以上说明的那样，实施方式1的制动装置劣化预测系统1具有观测部28、转换部31、生成部34和预测部35。观测部28在对电梯2的轿厢10进行制动的制动装置11进行动作时，取得与制动装置11的动作有关的动作数据。转换部31将观测部28取得的动作数据转换成表示每个预先设定的时间单位的制动装置11的劣化的指标数据。生成部34生成包含表示长期变化的倾向的趋势成分和表示周期变化的周期成分的劣化模型，作为表示指标数据所示的劣化相对于时间的变化的模型。预测部35根据劣化模型预测制动装置11的劣化时期。

预测部35通过表示周期变化的周期成分，将季节变化等的影响取入劣化模型。预测部35通过表示长期变化的倾向的趋势成分，将部件消耗等的影响取入劣化模型。由此，能够高精度地预测制动装置11的劣化时期。

此外，转换部31提取动作数据中包含的数据的特征量。转换部31根据特征量将动作数据转换成指标数据。

转换部31提取在劣化预测中有意义的特征量。生成部34根据基于特征量转换后的指标数据生成劣化模型。由此，能够生成高精度的劣化模型。

此外，制动装置劣化预测系统1具有分类部30。分类部30根据与制动装置11的动作环境有关的环境数据对动作数据进行分类。生成部34按照分类部30的每个分类，生成劣化模型。

转换部31能够使用被划分成有意义的分类的数据进行转换成指标数据的转换处理。由此，生成部34能够生成高精度的劣化模型。

此外，生成部34按照每个成分生成表示趋势成分和周期成分的模型，由此生成劣化模型。

生成部34能够针对趋势成分和周期成分，分别独立地利用有效的模型生成劣化模型。因此，劣化模型的自由度变高。此外，生成部34能够使趋势成分和周期成分单独地适合于指标数据的对应成分。因此，生成部34能够更加可靠地生成劣化模型。

此外，预测部35在预测劣化时期时，计算该劣化时期的预测可靠度。

制动装置11的维护点检的计划也可以根据劣化时期的预测来修正。此时，通过优先考虑可靠度高的劣化时期的预测，维护点检的计划的可靠性变高。

此外，制动装置劣化预测系统1具有报知部37。在由预测部35预测出的劣化时期在以维护点检的时期为基准而预先设定的范围内的情况下，报知部37报知劣化时期。

在劣化时期比维护点检的时期靠前的情况下，可能需要提前进行制动装置11的维护点检。这种情况下，例如信息中心21的操作员能够迅速地得知劣化时期的预测结果。因此，容易修正维护点检的计划。

此外，在由预测部35预测出的劣化时期在以维护点检的时期为基准而预先设定的范围内、且该劣化时期的预测可靠度比预先设定的基准高的情况下，报知部37报知劣化时期。

由此，例如信息中心21的操作员能够根据可靠度高的劣化时期的预测来修正维护点检的计划。

另外，生成部34也可以在制动装置11的维护点检后对劣化模型进行更新。

制动装置11的劣化状态可能由于维护点检中的例如部件的更换等而不连续地变化。因此，在维护点检后，有时劣化模型的可靠度降低。这种情况下，生成部34通过对劣化模型进行更新，能够抑制劣化时期的预测可靠度的降低。

此外，生成部34也可以通过同时生成表示趋势成分和周期成分的模型，生成劣化模型。

生成部34例如通过SARIMA(Seasonal AutoRegressive Integrated MovingAverage：季节性自回归整合移动平均)模型生成劣化模型。或者，生成部34例如通过状态空间模型生成劣化模型。此时，劣化模型例如通过差分而包含趋势成分。此外，劣化模型例如通过季节差分而包含周期成分。由此，生成部34能够考虑趋势成分和周期成分的相互影响来生成劣化模型。

此外，制动装置劣化预测系统1具有判定部33，该判定部33根据动作数据判定制动装置11的动作的异常。在制动装置11的劣化预测中，转换部31也可以将由判定部33判定为发生异常的频度包含在表示制动装置11的劣化的指标值内，将动作数据转换成指标数据。

在制动装置11中频繁发生异常的情况下，能够估计为制动装置11的劣化正在发展。生成部34能够生成考虑到发生异常的频度的劣化模型。转换部31也可以将报知部37未报知的轻度异常的频度作为劣化指标值包含在指标数据中。

转换部31在从动作数据到指标数据的转换中，也可以颠倒各工序的顺序。转换部31在从动作数据到指标数据的转换中，也可以省略1个以上的工序。转换部31在从动作数据到指标数据的转换中，也可以将时间单位设为1个月。由此，可更加明确地表示季节变化的影响。

转换部31在异常度计算工序中，也可以根据标准化数据的多个成分计算1个异常度成分。由此，制动装置劣化预测系统1能够检测标准化数据的多个成分之间的关系中产生的异常。

此外，生成部34也可以针对分类部30的1个分类，生成多个劣化模型。预测部35也可以根据多个劣化模型分别预测劣化时期。预测部35也可以输出预测出的劣化时期中可靠度最高的劣化时期作为预测结果。

报知部37也可以通过向维护员持有的维护终端输出报知数据，将报知数据的内容报知给维护员。报知部37也可以通过向多个输出目的地同时输出报知数据来进行报知。

数据服务器22设置于信息中心21，由此，制动装置劣化预测系统1能够利用电梯2和其他电梯的信息。由此，制动装置劣化预测系统1的劣化预测的精度提高。

分类部30设置于信息中心21，由此，动作数据的分类算法的更新等维护容易。转换部31设置于信息中心21，由此，动作数据的转换算法的更新等维护容易。生成部34设置于信息中心21，由此，劣化模型的生成算法的更新等维护容易。预测部35设置于信息中心21，由此，劣化时期的预测算法的更新等维护容易。

维护辅助装置23也可以设置于建筑物3。此时，维护辅助装置23例如与控制盘12直接进行通信。维护辅助装置23例如通过监视装置13而与数据服务器22进行通信。数据服务器22也可以设置于建筑物3。

制动装置劣化预测系统1的一部分或全部的功能也可以在设置于建筑物3的装置中实现。

实施方式1中的系统、装置、设备、部分等之间的电连接可以是直接或间接连接中的任意一方。实施方式1中的系统、装置、设备、部分等之间的数据等的通信可以是直接或间接通信中的任意一方。

接着，使用图4对制动装置劣化预测系统1的硬件结构的例子进行说明。

图4是示出实施方式1的制动装置劣化预测系统的主要部的硬件结构的图。

制动装置劣化预测系统1的各功能能够通过处理电路来实现。处理电路具有至少1个处理器1b和至少1个存储器1c。处理电路也可以与处理器1b和存储器1c一起或者作为它们的代替品而具有至少1个专用的硬件1a。

在处理电路具有处理器1b和存储器1c的情况下，制动装置劣化预测系统1的各功能通过软件、固件或软件和固件的组合来实现。软件和固件中的至少一方作为程序来描述。该程序存储于存储器1c。处理器1b通过读出并执行存储器1c中存储的程序，实现制动装置劣化预测系统1的各功能。

处理器1b也称作CPU(Central Processing Unit：中央处理单元)、处理装置、运算装置、微处理器、微计算机、DSP。存储器1c例如由RAM、ROM、闪存、EPROM、EEPROM等非易失性或易失性半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、DVD等构成。

在处理电路具有专用的硬件1a的情况下，处理电路例如通过单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或它们的组合来实现。

制动装置劣化预测系统1的各功能能够分别通过处理电路来实现。或者，制动装置劣化预测系统1的各功能还能够统一通过处理电路来实现。关于制动装置劣化预测系统1的各功能，也可以通过专用的硬件1a实现一部分，通过软件或固件实现另一部分。这样，处理电路通过硬件1a、软件、固件或它们的组合来实现制动装置劣化预测系统1的各功能。

产业上的可利用性

本发明的制动装置劣化预测系统能够应用于电梯。

标号说明

1：制动装置劣化预测系统；2：电梯；3：建筑物；4：井道；5：层站；6：层站门；7：曳引机；8：主绳索；9：对重；10：轿厢；11：制动装置；12：控制盘；13：监视装置；14：轿厢门；15：制动鼓；16：制动靴；17：线圈；18：柱塞；19：弹簧；20：制动控制装置；21：信息中心；22：数据服务器；23：维护辅助装置；24：显示装置；25：观测数据存储部；26：属性数据存储部；27：异常数据存储部；28：观测部；29：数据取得部；30：分类部；31：转换部；32：学习部；33：判定部；34：生成部；35：预测部；36：存储部；37：报知部；1a：硬件；1b：处理器；1c：存储器。