JP2024081517A - Tire wear estimation system, tire wear estimation method, and computation model generation system - Google Patents

Abstract

【課題】タイヤの摩耗状態の推定精度を向上することができるタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムを提供する。【解決手段】演算モデル生成システム１１０の車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗情報取得部２１は、タイヤ７で計測された摩耗状態の情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。データセット生成部２２は、車両情報および教師データとして摩耗情報取得部２１により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の第１データセットに基づいて第２データセットを生成する。学習処理部２３は、第１データセットおよび第２データセットに基づいて演算モデル１３ａを学習させる。【選択図】図４[Problem] To provide a tire wear estimation system, a tire wear estimation method, and a calculation model generation system that can improve the accuracy of estimating the wear state of a tire. [Solution] A vehicle information acquisition unit 12 of a calculation model generation system 110 acquires vehicle information including a mileage measured by the vehicle. A wear information acquisition unit 21 acquires wear state information measured on a tire 7. A wear estimation unit 13 estimates the wear state of the tire 7 using a learning-type calculation model 13a that uses the vehicle information as input data. A data set generation unit 22 acquires a first data set that is composed of vehicle information and wear state information acquired by the wear information acquisition unit 21 as teacher data, and generates a second data set based on a plurality of first data sets. A learning processing unit 23 trains the calculation model 13a based on the first data set and the second data set. [Selected Figure] Figure 4

Description

本発明は、車両に装着されるタイヤの摩耗状態を推定するタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムに関する。 The present invention relates to a tire wear estimation system, a tire wear estimation method, and a computational model generation system for estimating the wear state of tires mounted on a vehicle.

一般に、タイヤは走行状態や走行距離等に応じて摩耗が進行する。また昨今ではタイヤの圧力および温度を計測するセンサをタイヤに取り付け、計測した圧力および温度を表示する装置などが製品化されている。 In general, tires wear down depending on the driving conditions and distance traveled. Recently, devices have been commercialized that attach sensors to tires to measure tire pressure and temperature and display the measured pressure and temperature.

特許文献１には従来のタイヤ摩耗推定システムが記載されている。このタイヤ摩耗推定システムは、第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、少なくとも１つの乗物影響を含む予測変数のうちの一方と、予測変数を受け取り、少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有する。 Patent document 1 describes a conventional tire wear estimation system. The tire wear estimation system has at least one sensor attached to a tire to generate a first predictive variable, at least one of a lookup table and a database that stores data related to a second predictive variable, one of the predictive variables including at least one vehicle effect, and a model that receives the predictive variables and generates an estimated wear rate for at least one tire.

特開２０１８－１５８７２２号公報JP 2018-158722 A

特許文献１に記載のタイヤ摩耗推定システムは、センサ出力から第１の予測変数を生成し、例えばホイール位置およびドライブトレーンを乗物影響として用いてタイヤの摩耗量を推定する。本発明者は、車両で計測されるデータに基づいて、摩耗状態を推定するための演算モデルを学習させる上で、学習に用いる入力データおよび教師データのデータセットに短期的および長期的な情報の双方を含ませることによって、タイヤの摩耗状態の推定精度を改善する余地があることに気づいた。 The tire wear estimation system described in Patent Document 1 generates a first predictive variable from sensor output and estimates the amount of tire wear using, for example, wheel position and drive train as vehicle influences. The inventors realized that there is room to improve the accuracy of estimating the tire wear state by including both short-term and long-term information in the data sets of input data and training data used for learning a computational model for estimating the wear state based on data measured by a vehicle.

本発明は、斯かる事情に鑑みてなされたものであり、その目的とするところは、タイヤの摩耗状態の推定精度を向上することができるタイヤ摩耗推定システム、タイヤ摩耗推定方法および演算モデル生成システムを提供することにある。 The present invention has been made in consideration of the above circumstances, and its purpose is to provide a tire wear estimation system, a tire wear estimation method, and a calculation model generation system that can improve the accuracy of estimating the wear state of tires.

本発明のある態様の演算モデル生成システムは、車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、タイヤで計測された摩耗状態の情報を取得する摩耗情報取得部と、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、前記車両情報および教師データとして前記摩耗情報取得部により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の前記第１データセットに基づいて第２データセットを生成するデータセット生成部と、前記第１データセットおよび前記第２データセットに基づいて前記演算モデルを学習させる学習処理部と、を備える。 The computational model generation system of one embodiment of the present invention includes a vehicle information acquisition unit that acquires vehicle information including mileage measured by the vehicle, a wear information acquisition unit that acquires wear condition information measured by the tires, a wear estimation unit that estimates the wear condition of the tires using a learning computational model with the vehicle information as input data, a dataset generation unit that acquires a first dataset consisting of the vehicle information and wear condition information acquired by the wear information acquisition unit as teacher data and generates a second dataset based on a plurality of the first datasets, and a learning processing unit that trains the computational model based on the first dataset and the second dataset.

本発明の別の態様はタイヤ摩耗推定システムである。タイヤ摩耗推定システムは、車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、を備え、前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものである。 Another aspect of the present invention is a tire wear estimation system. The tire wear estimation system includes a vehicle information acquisition unit that acquires vehicle information including a mileage measured by the vehicle, and a wear estimation unit that estimates the tire wear state using a learning-type computational model with the vehicle information as input data, and the computational model is learned based on a first dataset consisting of the vehicle information and information on the wear state measured by the tire as teacher data, and a second dataset generated from a plurality of the first datasets.

本発明の別の態様はタイヤ摩耗推定方法である。タイヤ摩耗推定方法は、車両で計測される走行距離を含む車両情報を取得する車両情報取得ステップと、前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定ステップと、を備え、前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものである。 Another aspect of the present invention is a tire wear estimation method. The tire wear estimation method includes a vehicle information acquisition step of acquiring vehicle information including a mileage measured by a vehicle, and a wear estimation step of estimating a tire wear state using a learning-type computational model with the vehicle information as input data, the computational model being learned based on a first dataset consisting of the vehicle information and information on the wear state measured by the tire as training data, and a second dataset generated from a plurality of the first datasets.

本発明によれば、タイヤの摩耗状態の推定精度を向上することができる。 The present invention can improve the accuracy of estimating the wear condition of tires.

実施形態に係るタイヤ摩耗推定システムの機能構成を示すブロック図である。1 is a block diagram showing a functional configuration of a tire wear estimation system according to an embodiment. 車載計測装置の機能構成を示すブロック図である。FIG. 2 is a block diagram showing a functional configuration of an on-vehicle measuring device. 演算モデルの摩耗推定および学習について説明するための模式図である。FIG. 11 is a schematic diagram for explaining wear estimation and learning of a computation model. 演算モデル生成システムの機能構成を示すブロック図である。FIG. 2 is a block diagram showing a functional configuration of the computation model generation system. 第１データセットおよび第２データセットについて説明するための模式図である。FIG. 2 is a schematic diagram for explaining a first data set and a second data set. タイヤ摩耗推定システムによる摩耗推定処理の手順を示すフローチャートである。4 is a flowchart showing a procedure of a wear estimation process performed by the tire wear estimation system. 演算モデル生成システムによる演算モデルの生成処理の手順を示すフローチャートである。1 is a flowchart showing a procedure of a computation model generation process performed by the computation model generation system. タイヤ摩耗推定システムによる摩耗状態の推定精度を示すグラフである。4 is a graph showing the estimation accuracy of the wear state by the tire wear estimation system. 一つのタイヤ溝における摩耗状態の推定精度を示す図表である。1 is a chart showing the estimation accuracy of the wear state in one tire groove. 変形例に係る第１データセットおよび第２データセットについて説明するための模式図である。FIG. 13 is a schematic diagram for explaining a first data set and a second data set according to a modified example.

以下、本発明を好適な実施の形態をもとに図１から図１０を参照しながら説明する。各図面に示される同一または同等の構成要素、部材には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示される。また、各図面において実施の形態を説明する上で重要ではない部材の一部は省略して表示する。 The present invention will be described below based on a preferred embodiment with reference to Figures 1 to 10. The same or equivalent components and parts shown in each drawing are given the same reference numerals, and duplicated explanations will be omitted as appropriate. The dimensions of the parts in each drawing are enlarged or reduced as appropriate to facilitate understanding. Some of the parts that are not important for explaining the embodiment are omitted in each drawing.

（実施形態）
図１は、実施形態に係るタイヤ摩耗推定システム１００の機能構成を示すブロック図である。タイヤ摩耗推定システム１００は、車両に搭載された車載計測装置７０と、気象情報サーバ装置８０と、車両に装着された各タイヤ７の摩耗状態を推定する摩耗推定装置１０を備える。 (Embodiment)
1 is a block diagram showing the functional configuration of a tire wear estimation system 100 according to an embodiment. The tire wear estimation system 100 includes an on-board measurement device 70 mounted on a vehicle, a weather information server device 80, and a wear estimation device 10 that estimates the wear state of each tire 7 mounted on the vehicle.

摩耗推定装置１０は、例えばインターネット等の通信ネットワーク９を介して車両に搭載された車載計測装置７０から車両の速度、加速度および位置情報等の車両計測情報、並びにタイヤ７で計測されるタイヤ計測情報を取得する。また摩耗推定装置１０は、気象情報サーバ装置８０から気象情報を取得する。摩耗推定装置１０は、取得した情報に基づいて学習型の演算モデルによる演算を行って各タイヤ７の摩耗状態を推定する。摩耗推定装置１０が推定するタイヤ７の摩耗状態は、タイヤ７の摩耗量、摩耗率などの情報によって表される。タイヤ７の摩耗状態は、例えば摩耗した量（１ｍｍ等の値）であってもよいし、タイヤ溝における初期の溝深さに対する摩耗した量の比率（１０％等の値）であってもよい。摩耗推定は、タイヤ７の摩耗状態、即ちタイヤ７の摩耗量、摩耗率などの情報を推定することを云う。 The wear estimation device 10 acquires vehicle measurement information such as the vehicle's speed, acceleration, and position information, as well as tire measurement information measured on the tires 7, from an on-board measurement device 70 mounted on the vehicle via a communication network 9 such as the Internet. The wear estimation device 10 also acquires weather information from a weather information server device 80. The wear estimation device 10 estimates the wear state of each tire 7 by performing calculations using a learning-type calculation model based on the acquired information. The wear state of the tires 7 estimated by the wear estimation device 10 is represented by information such as the amount of wear and the wear rate of the tires 7. The wear state of the tires 7 may be, for example, the amount of wear (a value such as 1 mm) or the ratio of the amount of wear to the initial groove depth in the tire groove (a value such as 10%). Wear estimation refers to estimating the wear state of the tires 7, i.e., information such as the amount of wear and the wear rate of the tires 7.

図２は、車載計測装置７０の機能構成を示すブロック図である。車載計測装置７０は、車両計測部７１、タイヤ計測部７２、情報取得部７３および通信部７４を備える。車載計測装置７０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。 Figure 2 is a block diagram showing the functional configuration of the on-board measurement device 70. The on-board measurement device 70 comprises a vehicle measurement unit 71, a tire measurement unit 72, an information acquisition unit 73, and a communication unit 74. Each unit in the on-board measurement device 70 can be realized in hardware terms by electronic elements and mechanical parts such as a computer CPU, and in software terms by a computer program, but here, functional blocks realized by the cooperation of these are depicted. Therefore, it will be understood by those skilled in the art that these functional blocks can be realized in various forms by combining hardware and software.

車両計測部７１は、車両に搭載された速度メータ７１ａ、ＧＰＳ受信機７１ｂおよび加速度センサ７１ｃを有する。速度メータ７１ａは、車両の走行速度を計測する。ＧＰＳ受信機７１ｂは、車両の現在の位置情報（緯度、経度および高度）を計測する。加速度センサ７１ｃは、車両の３軸方向の加速度を計測する。３軸方向は、例えば車両の前後方向、左右方向および上下方向とする。 The vehicle measurement unit 71 has a speedometer 71a, a GPS receiver 71b, and an acceleration sensor 71c mounted on the vehicle. The speedometer 71a measures the vehicle's traveling speed. The GPS receiver 71b measures the vehicle's current position information (latitude, longitude, and altitude). The acceleration sensor 71c measures the acceleration of the vehicle in three axial directions. The three axial directions are, for example, the forward/backward, left/right, and up/down directions of the vehicle.

タイヤ計測部７２は、温度センサ７２ａおよび圧力センサ７２ｂを有する。温度センサ７２ａおよび圧力センサ７２ｂは、車両に装着されたタイヤ７のエアバルブ等に配設されていたり、あるいはベルト等でホイールに強固に巻き付け固定されており、タイヤ７の温度および空気圧を計測する。温度センサ７２ａは、タイヤ７のインナーライナー等に配設されていてもよい。尚、加速度センサ７１ｃがタイヤ７のインナーライナーに配設されていてもよい。 The tire measurement unit 72 has a temperature sensor 72a and a pressure sensor 72b. The temperature sensor 72a and the pressure sensor 72b are disposed on the air valve of the tire 7 mounted on the vehicle, or are firmly wrapped around the wheel with a belt or the like and fixed thereto, and measure the temperature and air pressure of the tire 7. The temperature sensor 72a may be disposed on the inner liner of the tire 7. The acceleration sensor 71c may be disposed on the inner liner of the tire 7.

情報取得部７３は、車両計測部７１で計測された車両計測情報（走行速度、位置情報、加速度等）、タイヤ計測部７２で計測されたタイヤ計測情報（タイヤの温度および空気圧等）および後述するタイヤ識別情報等を取得する。情報取得部７３は、車両計測情報およびタイヤ計測情報に含まれる各計測データに対して、計測された時刻情報、または取得した時刻情報を対応付ける。情報取得部７３は、車両計測情報およびタイヤ計測情報を各計測データに対応付けられた時刻情報とともに通信部７４から摩耗推定装置１０へ送信する。 The information acquisition unit 73 acquires vehicle measurement information (traveling speed, position information, acceleration, etc.) measured by the vehicle measurement unit 71, tire measurement information (tire temperature and air pressure, etc.) measured by the tire measurement unit 72, and tire identification information (described below). The information acquisition unit 73 associates each measurement data included in the vehicle measurement information and tire measurement information with measured time information or acquired time information. The information acquisition unit 73 transmits the vehicle measurement information and tire measurement information together with the time information associated with each measurement data from the communication unit 74 to the wear estimation device 10.

情報取得部７３は、車両の電子制御装置または車両にデジタルタコメータ等の装置が搭載されている場合には、当該装置において収集した車両の走行速度、加速度および位置情報等を取得するようにしてもよい。通信部７４は、例えばＷｉＦｉ（登録商標）等の無線通信によって通信ネットワーク９に通信接続し、情報取得部７３が取得した車両計測情報、タイヤ計測情報および時刻情報を通信ネットワーク９を介して摩耗推定装置１０へ送信する。 If the vehicle is equipped with an electronic control device or a device such as a digital tachometer, the information acquisition unit 73 may acquire information such as the vehicle's traveling speed, acceleration, and position information collected by the device. The communication unit 74 connects to the communication network 9 by wireless communication such as Wi-Fi (registered trademark), and transmits the vehicle measurement information, tire measurement information, and time information acquired by the information acquisition unit 73 to the wear estimation device 10 via the communication network 9.

図１に戻り、気象情報サーバ装置８０は各地における気象情報を提供する。気象情報サーバ装置８０が提供する気象情報は、各地における降水量、積雪量、降雪量、気温および日照時間等を含む情報である。摩耗推定装置１０は、気象情報サーバ装置８０から車両が走行している場所における気象情報を取得する。 Returning to FIG. 1, the weather information server device 80 provides weather information for various locations. The weather information provided by the weather information server device 80 includes information such as the amount of precipitation, snowfall, temperature, and sunshine hours for various locations. The wear estimation device 10 obtains weather information for the location where the vehicle is traveling from the weather information server device 80.

摩耗推定装置１０は、通信部１１、車両情報取得部１２、摩耗推定部１３および記憶部１４を備える。摩耗推定装置１０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。 The wear estimation device 10 includes a communication unit 11, a vehicle information acquisition unit 12, a wear estimation unit 13, and a memory unit 14. Each unit in the wear estimation device 10 can be realized in hardware terms by electronic elements and mechanical parts such as a computer CPU, and in software terms by a computer program, but here, functional blocks realized by the cooperation of these are depicted. Therefore, it will be understood by those skilled in the art that these functional blocks can be realized in various forms by combining hardware and software.

通信部１１は、無線または有線通信によって通信ネットワーク９に通信接続し、車載計測装置７０の通信部７４との間で通信する。また通信部１１は、通信ネットワーク９を介して気象情報サーバ装置８０との間で通信する。 The communication unit 11 is connected to the communication network 9 by wireless or wired communication, and communicates with the communication unit 74 of the on-board measurement device 70. The communication unit 11 also communicates with the weather information server device 80 via the communication network 9.

車両情報取得部１２は、車両に搭載された車載計測装置７０から送信された車両計測情報（走行速度、位置情報、加速度等）およびタイヤ計測情報（タイヤの温度および空気圧等）を取得する。車両情報取得部１２は、車両計測情報に基づいて車両の走行距離を算出して取得する。 The vehicle information acquisition unit 12 acquires vehicle measurement information (driving speed, position information, acceleration, etc.) and tire measurement information (tire temperature and air pressure, etc.) transmitted from an on-board measurement device 70 mounted on the vehicle. The vehicle information acquisition unit 12 calculates and acquires the vehicle's travel distance based on the vehicle measurement information.

車両情報取得部１２は、車両計測情報の位置情報に基づいて走行距離を算出して取得することができる。また、車両の走行距離は、車両計測情報における走行速度のデータと、当該データに対応付けられた時刻のデータに基づいて算出してもよい。即ち、時系列的に並んだ速度データに、次の時点までの時間差分を乗算することによって車両の走行距離を算出することができる。車両の走行速度は、時系列的に並んだ位置情報に基づく車両の走行距離と位置情報の取得間隔から算出したものを使用してもよい。 The vehicle information acquisition unit 12 can calculate and acquire the travel distance based on the position information of the vehicle measurement information. The travel distance of the vehicle may also be calculated based on the travel speed data in the vehicle measurement information and the time data associated with that data. That is, the travel distance of the vehicle can be calculated by multiplying the speed data arranged in chronological order by the time difference until the next point in time. The travel speed of the vehicle may be calculated from the travel distance of the vehicle based on the position information arranged in chronological order and the acquisition interval of the position information.

車両情報取得部１２は、車両の走行距離に関する情報が車両または車両管理用の外部装置等から提供されていれば、自ら走行距離を算出する必要はなく、車両または外部装置から走行距離に関する情報を取得してもよい。 If information regarding the vehicle's mileage is provided from the vehicle or an external device for vehicle management, the vehicle information acquisition unit 12 does not need to calculate the mileage itself and may acquire information regarding the mileage from the vehicle or the external device.

車両情報取得部１２は、取得した走行距離を摩耗推定部１３へ出力する。車両情報取得部１２は、取得したタイヤ計測情報（タイヤの温度および空気圧等）を摩耗推定部１３へ出力する。車両情報取得部１２は、車両計測情報における加速度の情報を摩耗推定部１３へ出力する。 The vehicle information acquisition unit 12 outputs the acquired mileage to the wear estimation unit 13. The vehicle information acquisition unit 12 outputs the acquired tire measurement information (tire temperature, air pressure, etc.) to the wear estimation unit 13. The vehicle information acquisition unit 12 outputs acceleration information in the vehicle measurement information to the wear estimation unit 13.

また車両情報取得部１２は、車両仕様データ１４ａ、タイヤ仕様データ１４ｂおよびタイヤ位置データ１４ｃのうちタイヤ７の摩耗状態の推定に用いるデータを記憶部１４から取得し、摩耗推定部１３へ出力する。記憶部１４は、例えばＳＳＤ（Solid State Drive）、ハードディスク、ＣＤ－ＲＯＭ、ＤＶＤ等によって構成される記憶装置であり、予め各種の車両およびタイヤ７の仕様に関して提供されているデータを記憶している。 The vehicle information acquisition unit 12 also acquires data used to estimate the wear state of the tire 7 from among the vehicle specification data 14a, tire specification data 14b, and tire position data 14c from the storage unit 14, and outputs the data to the wear estimation unit 13. The storage unit 14 is a storage device configured, for example, by an SSD (Solid State Drive), a hard disk, a CD-ROM, a DVD, etc., and stores data provided in advance regarding the specifications of various vehicles and tires 7.

車両仕様データ１４ａには、例えばメーカー、車両名、車両型式、車体重量、ドライブトレーン、全長、車幅、車高、最大積載荷重などの車両の性能等に関する情報が含まれる。また、タイヤ仕様データ１４ｂには、例えばメーカー、商品名、タイヤサイズ、タイヤ幅、扁平率、耐摩耗性能、タイヤ強度、静的剛性、動的剛性、タイヤ外径、ロードインデックス、製造年月日など、タイヤ７の性能に関する情報が含まれる。また、タイヤ位置データ１４ｃには、摩耗予測するタイヤの車両における位置、タイヤ識別情報や取り付けられている車軸に関する情報が含まれる。タイヤ識別情報は、各タイヤを特定するために各タイヤに付された例えば製造番号などの一連番号である。タイヤ識別情報、タイヤの配置位置および車軸に関する情報は、例えば車両へのタイヤ装着時などに作業者が入力操作することによって記憶部１４に記憶させるようにするとよい。 The vehicle specification data 14a includes information on the vehicle's performance, such as the manufacturer, vehicle name, vehicle model, vehicle weight, drive train, overall length, vehicle width, vehicle height, and maximum load capacity. The tire specification data 14b includes information on the tire 7's performance, such as the manufacturer, product name, tire size, tire width, aspect ratio, wear resistance, tire strength, static stiffness, dynamic stiffness, tire outer diameter, load index, and manufacturing date. The tire position data 14c includes information on the position of the tire on the vehicle whose wear is predicted, tire identification information, and the axle on which the tire is mounted. The tire identification information is a serial number, such as a manufacturing number, that is attached to each tire to identify each tire. The tire identification information, the tire's position, and the axle information may be stored in the memory unit 14 by an operator inputting the information when the tire is mounted on the vehicle, for example.

摩耗推定部１３は、演算モデル１３ａを有し、タイヤ７の摩耗状態を推定する。演算モデル１３ａは、入力された情報に基づいてタイヤ７の摩耗状態（摩耗量や摩耗率などの情報）を算出する学習型モデルである。図３は、演算モデル１３ａの摩耗推定および学習について説明するための模式図である。演算モデル１３ａへの入力データは、概ね車両計測情報、タイヤ計測情報およびその他情報の各系統に分類される。 The wear estimation unit 13 has a calculation model 13a and estimates the wear state of the tire 7. The calculation model 13a is a learning model that calculates the wear state of the tire 7 (information such as the amount of wear and the wear rate) based on input information. Figure 3 is a schematic diagram for explaining the wear estimation and learning of the calculation model 13a. The input data to the calculation model 13a is roughly classified into vehicle measurement information, tire measurement information, and other information.

車両計測情報関連の入力データは、車両の加速度および走行距離を含む。走行距離は、上述のように車両情報取得部１２において取得される。タイヤ計測情報関連の入力データは、タイヤ７の温度および空気圧を含む。 The input data related to the vehicle measurement information includes the vehicle acceleration and the distance traveled. The distance traveled is acquired by the vehicle information acquisition unit 12 as described above. The input data related to the tire measurement information includes the temperature and air pressure of the tire 7.

その他情報による入力データは、気象情報に基づいて推定される路面状態、気温および降水量等、車両仕様データ１４ａに含まれる車両の最大積載荷重、並びにタイヤ仕様データ１４ｂに含まれるタイヤ７の耐摩耗性能等である。タイヤ７の耐摩耗性能は、例えばランボーン摩耗試験に基づき標準配合を１００として各種トレッド配合の耐摩耗性能を指標化したタイヤ摩耗指標値等を用いる。また、その他情報による入力データは、タイヤ位置データ１４ｃに含まれるタイヤ７の位置、タイヤ識別情報や車軸に関する情報である。 The input data from other information includes road surface conditions, temperature, precipitation, etc. estimated based on meteorological information, the maximum vehicle load included in vehicle specification data 14a, and the wear resistance performance of tires 7 included in tire specification data 14b. The wear resistance performance of tires 7 is measured using, for example, a tire wear index value based on a Lambourn wear test, where the standard blend is set to 100 and the wear resistance performance of various tread blends is indexed. The input data from other information includes the position of tires 7, tire identification information, and information related to the axle included in tire position data 14c.

演算モデル１３ａは、例えばニューラルネットワーク等の学習型モデルを用いる。演算モデル１３ａは、例えばＤＮＮ（Deep Neural Network）や、決定木などの手法を用いて構築される。また演算モデル１３ａは、例えば入力情報に対する多重線形回帰モデルとし、学習によってモデル生成されるものであってもよい。 The computation model 13a uses a learning model such as a neural network. The computation model 13a is constructed using a method such as a deep neural network (DNN) or a decision tree. The computation model 13a may also be a multiple linear regression model for input information, for example, which is generated by learning.

図４は、演算モデル生成システム１１０の機能構成を示すブロック図である。演算モデル生成システム１１０は、タイヤ摩耗推定システム１００の構成に加えて、タイヤ摩耗計測装置６０、および、学習処理部２３等を有する演算モデル生成装置２０を備える。 Figure 4 is a block diagram showing the functional configuration of the computational model generation system 110. In addition to the configuration of the tire wear estimation system 100, the computational model generation system 110 includes a tire wear measurement device 60 and a computational model generation device 20 having a learning processing unit 23, etc.

タイヤ摩耗計測装置６０は、タイヤ７のトレッドに設けられた溝の深さを直接計測し、タイヤ７の摩耗状態の情報を取得する。作業者が計測器具やカメラ、目視等によって各溝の深さを計測し、タイヤ摩耗計測装置６０は、作業者が入力する計測データを記憶するものであってもよい。また、タイヤ摩耗計測装置６０は、機械的あるいは光学的な方法によって溝の深さを計測して摩耗状態の情報を記憶する専用の装置であってもよい。 The tire wear measuring device 60 directly measures the depth of the grooves in the tread of the tire 7 and obtains information on the wear state of the tire 7. An operator may measure the depth of each groove using a measuring tool, a camera, or visually, and the tire wear measuring device 60 may store the measurement data entered by the operator. The tire wear measuring device 60 may also be a dedicated device that measures the groove depth using a mechanical or optical method and stores information on the wear state.

具体的には、タイヤ摩耗計測装置６０は、例えば、タイヤの溝が４本あった場合に、幅方向の４か所で計測し、さらに同一溝の周方向、例えば１２０°間隔で、３か所計測する。これにより、タイヤの幅方向または周方向での偏摩耗データもタイヤ摩耗計測装置６０に記憶される。尚、タイヤ摩耗計測装置６０は、タイヤの摩耗で直径が変わるため、走行距離とタイヤの回転数・速度の情報から計算によって溝の深さを間接的に計測してもよい。加えて、溝の深さを直接計測するものに、走行距離とタイヤの回転数・速度から計算によって予測するもの、とを併用してもよい。 Specifically, for example, if a tire has four grooves, the tire wear measuring device 60 measures at four locations in the width direction, and then measures three locations in the circumferential direction of the same groove, for example at 120° intervals. As a result, uneven wear data in the width direction or circumferential direction of the tire is also stored in the tire wear measuring device 60. Note that the tire wear measuring device 60 may indirectly measure groove depth by calculation from information on the mileage and the tire rotation speed and speed, since tire diameter changes with wear. In addition, a device that directly measures groove depth may be used in combination with a device that predicts groove depth by calculation from the mileage and the tire rotation speed and speed.

演算モデル生成装置２０は、摩耗推定装置１０の各構成に加えて摩耗情報取得部２１、データセット生成部２２および学習処理部２３を有する。演算モデル生成装置２０における摩耗推定装置１０の各構成に相当する部分は、摩耗推定装置１０のそれらと同等の機能を有するが、演算モデル１３ａは学習前または学習中のものとなる。 The computational model generating device 20 has each component of the wear estimation device 10, as well as a wear information acquiring unit 21, a data set generating unit 22, and a learning processing unit 23. The parts of the computational model generating device 20 that correspond to each component of the wear estimation device 10 have the same functions as those of the wear estimation device 10, but the computational model 13a is either before learning or is currently being learned.

摩耗情報取得部２１は、通信部１１を介してタイヤ摩耗計測装置６０から車両に装着された各タイヤ７の摩耗状態の情報を取得し、データセット生成部２２へ出力する。タイヤ７の摩耗状態の情報は、各タイヤ７において計測されたタイヤ溝の摩耗量や摩耗率などのデータである。 The wear information acquisition unit 21 acquires information on the wear state of each tire 7 mounted on the vehicle from the tire wear measurement device 60 via the communication unit 11, and outputs the information to the data set generation unit 22. The information on the wear state of the tires 7 is data such as the amount of wear and wear rate of the tire grooves measured for each tire 7.

データセット生成部２２は、車両情報取得部１２から演算モデル１３ａへの入力データとしての車両情報を取得し、摩耗情報取得部２１からタイヤ７の摩耗状態の情報を取得する。車両情報取得部１２から取得する車両情報は、上述のように、演算モデル１３ａへの入力データとしての、車両計測情報、タイヤ計測情報およびその他情報である。データセット生成部２２が取得するタイヤ７の摩耗状態の情報は、演算モデル１３ａを学習させる際に教師データとして用いられる。 The dataset generation unit 22 acquires vehicle information from the vehicle information acquisition unit 12 as input data to the computation model 13a, and acquires information on the wear state of the tires 7 from the wear information acquisition unit 21. As described above, the vehicle information acquired from the vehicle information acquisition unit 12 is vehicle measurement information, tire measurement information, and other information as input data to the computation model 13a. The information on the wear state of the tires 7 acquired by the dataset generation unit 22 is used as training data when training the computation model 13a.

データセット生成部２２は、例えば車両に装着された各タイヤ７の摩耗状態の計測時ごとに、車両情報および各タイヤ７の摩耗状態の情報で構成される第１データセットを取得する。各タイヤ７の摩耗状態の計測は、例えば１か月ごとの定期的に計画されたタイヤの点検時に行われる。また各タイヤ７の摩耗状態の計測は、例えば車両の走行距離に応じて行うようにしてもよい。この場合、車両が所定距離（例えば１０００ｋｍ）を走行する度に各タイヤ７の摩耗状態を計測するが、所定距離は誤差を含むものであってもよい。 The data set generating unit 22 acquires a first data set consisting of vehicle information and information on the wear state of each tire 7, for example, each time the wear state of each tire 7 mounted on the vehicle is measured. The wear state of each tire 7 is measured during a regularly scheduled tire inspection, for example, once a month. The wear state of each tire 7 may also be measured according to the mileage of the vehicle, for example. In this case, the wear state of each tire 7 is measured each time the vehicle travels a specified distance (for example, 1000 km), but the specified distance may include an error.

データセット生成部２２は、車両情報および各タイヤ７の摩耗状態の情報で構成される第１データセットに基づいて第２データセットを生成する。データセット生成部２２は、第１データセットおよび第２データセットを学習処理部２３へ出力する。データセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。 The dataset generation unit 22 generates a second dataset based on a first dataset that is composed of vehicle information and information on the wear state of each tire 7. The dataset generation unit 22 outputs the first dataset and the second dataset to the learning processing unit 23. The dataset generation unit 22 generates the second dataset from at least two first datasets.

図５は、第１データセットおよび第２データセットについて説明するための模式図である。図５において横軸は時間を表しているが、走行距離を横軸としてもよい。上述のように、定期的に各タイヤ７の摩耗状態が計測される度に、第１データセットＡ１からＡ６までのデータセットが生成される。第１データセットＡ１は、Ｔ０時点からＴ１時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報で構成される。第１データセットＡ２は、Ｔ１時点からＴ２時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報で構成される。第１データセットＡ１からＡ６までは、短期的な間隔におけるタイヤ摩耗状態の進行が反映されたデータとなっている。 Figure 5 is a schematic diagram for explaining the first data set and the second data set. In Figure 5, the horizontal axis represents time, but the horizontal axis may also represent distance traveled. As described above, the first data sets A1 to A6 are generated each time the wear state of each tire 7 is measured periodically. The first data set A1 is composed of vehicle information such as the distance traveled from time T0 to time T1 and information on the wear state of the tires 7. The first data set A2 is composed of vehicle information such as the distance traveled from time T1 to time T2 and information on the wear state of the tires 7. The first data sets A1 to A6 are data that reflect the progression of the tire wear state in a short-term interval.

第２データセットＢ１からＢ３までは、第１データセットＡ１からＡ６を組み合わせて生成される。例えば、第２データセットＢ１は、第１データセットＡ１およびＡ２を組み合わせて、Ｔ０時点からＴ２時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報として生成される。第２データセットＢ２は、第１データセットＡ３およびＡ４を組み合わせて、Ｔ２時点からＴ４時点までの走行距離等の車両情報およびタイヤ７の摩耗状態の情報として生成される。第２データセットＢ１からＢ３までは、長期的な間隔におけるタイヤ摩耗状態の進行が反映されたデータとなっている。 The second data sets B1 to B3 are generated by combining the first data sets A1 to A6. For example, the second data set B1 is generated by combining the first data sets A1 and A2, and provides vehicle information such as mileage from time T0 to time T2 and information on the wear state of tires 7. The second data set B2 is generated by combining the first data sets A3 and A4, and provides vehicle information such as mileage from time T2 to time T4 and information on the wear state of tires 7. The second data sets B1 to B3 are data that reflect the progression of tire wear over a long period of time.

学習処理部２３は、データセット生成部２２から取得した第１データセットおよび第２データセットに基づいて、演算モデル１３ａを学習させる。学習処理部２３は、第１データセットおよび第２データセットの各セットについて、入力データに基づいて演算モデル１３ａによって推定されたタイヤ７の摩耗状態と、教師データとしての摩耗状態の情報とを比較する。 The learning processing unit 23 trains the computation model 13a based on the first data set and the second data set acquired from the data set generation unit 22. For each set of the first data set and the second data set, the learning processing unit 23 compares the wear state of the tire 7 estimated by the computation model 13a based on the input data with the wear state information as the teacher data.

学習処理部２３は、推定した摩耗状態と教師データとの比較結果に基づき、重みづけ等の演算過程における各種係数を演算モデル１３ａに新たに設定し、モデルの更新を繰り返すことで学習を実行する。タイヤ摩耗推定システム１００は、演算モデル生成システム１１０によって学習済みの演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。尚、演算モデル１３ａの学習過程では、勾配ブースティングなどの公知の学習方法を用いることができる。また演算モデル１３ａの検証には、ランダムデータサンプリングや交差検証などの公知の検証方法を用いることができる。 The learning processing unit 23 performs learning by setting various coefficients in the calculation process, such as weighting, to the calculation model 13a based on the comparison result between the estimated wear state and the teacher data, and repeatedly updating the model. The tire wear estimation system 100 estimates the wear state of the tire 7 using the calculation model 13a that has been learned by the calculation model generation system 110. Note that in the learning process of the calculation model 13a, a known learning method such as gradient boosting can be used. Also, in verifying the calculation model 13a, a known verification method such as random data sampling or cross verification can be used.

次にタイヤ摩耗推定システム１００および演算モデル生成システム１１０の動作を説明する。図６は、タイヤ摩耗推定システム１００による摩耗推定処理の手順を示すフローチャートである。車両情報取得部１２は、車両計測情報およびタイヤ計測情報等の車両情報の取得を開始する（Ｓ１）。また車両情報取得部１２は、ステップＳ１において、その他情報として車両仕様、タイヤ仕様、タイヤ位置、車両の最大積載荷重、およびタイヤの耐摩耗性能など必要な情報を記憶部１４から読み出す。車両情報取得部１２は、走行距離の算出を開始する（Ｓ２）。 Next, the operation of the tire wear estimation system 100 and the calculation model generation system 110 will be described. FIG. 6 is a flowchart showing the procedure of the wear estimation process by the tire wear estimation system 100. The vehicle information acquisition unit 12 starts acquiring vehicle information such as vehicle measurement information and tire measurement information (S1). In step S1, the vehicle information acquisition unit 12 also reads out other necessary information such as vehicle specifications, tire specifications, tire position, maximum vehicle load, and tire wear resistance from the storage unit 14. The vehicle information acquisition unit 12 starts calculating the mileage (S2).

摩耗推定部１３は、車両情報取得部１２からの入力データを取得し、演算モデル１３ａによってタイヤ７の摩耗状態を推定し（Ｓ３）、処理を終了する。演算モデル１３ａは、演算モデル生成システム１１０によって生成された学習済みの演算モデルが用いられる。 The wear estimation unit 13 acquires input data from the vehicle information acquisition unit 12, estimates the wear state of the tire 7 using the computation model 13a (S3), and ends the process. The computation model 13a uses a trained computation model generated by the computation model generation system 110.

図７は、演算モデル生成システム１１０による演算モデル１３ａの生成処理の手順を示すフローチャートである。図７に示すステップＳ１１からＳ１２までの処理は、図６に示すステップＳ１からＳ２までの処理と同等であり、記載の簡潔化のため説明を省略する。演算モデル生成装置２０の摩耗情報取得部２１は、タイヤ摩耗計測装置６０から各タイヤ７の摩耗状態の情報を取得する（Ｓ１３）。 Figure 7 is a flowchart showing the procedure for generating a computational model 13a by the computational model generation system 110. The processes from steps S11 to S12 shown in Figure 7 are equivalent to the processes from steps S1 to S2 shown in Figure 6, and therefore will not be described for the sake of brevity. The wear information acquisition unit 21 of the computational model generation device 20 acquires information on the wear state of each tire 7 from the tire wear measurement device 60 (S13).

データセット生成部２２は、車両情報取得部１２から入力された車両情報、および摩耗情報取得部２１から入力されたタイヤ７の摩耗状態の情報から構成される第１データセットを取得する（Ｓ１４）。データセット生成部２２は、第１データセットに基づいて第２データセットを生成する（Ｓ１５）。データセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。 The dataset generation unit 22 acquires a first dataset consisting of the vehicle information input from the vehicle information acquisition unit 12 and the information on the wear state of the tire 7 input from the wear information acquisition unit 21 (S14). The dataset generation unit 22 generates a second dataset based on the first dataset (S15). The dataset generation unit 22 generates the second dataset from at least two first datasets.

摩耗推定部１３は、各データセットについて、車両計測情報およびタイヤ計測情報等の車両情報を演算モデル１３ａに入力し、タイヤ７の摩耗状態を推定する（Ｓ１６）。学習処理部２３は、演算モデル１３ａによって推定されたタイヤ７の摩耗状態と、計測された教師データとしてのタイヤ７の摩耗状態とを比較する（Ｓ１７）。学習処理部２３は、ステップＳ１７による比較結果に基づいて演算モデル１３ａを更新する（Ｓ１８）。 The wear estimation unit 13 inputs vehicle information such as vehicle measurement information and tire measurement information into the calculation model 13a for each data set, and estimates the wear state of the tire 7 (S16). The learning processing unit 23 compares the wear state of the tire 7 estimated by the calculation model 13a with the measured wear state of the tire 7 as teacher data (S17). The learning processing unit 23 updates the calculation model 13a based on the comparison result in step S17 (S18).

学習処理部２３は、全てのデータセットについて学習されたか否かを判定する（Ｓ１９）。ステップＳ１９において、全てのデータセットについて学習されていないと判定した場合（Ｓ１９：ＮＯ）、ステップＳ１６に戻って処理を繰り返す。ステップＳ１９において、全てのデータセットについて学習されたと判定された場合（Ｓ１９：ＹＥＳ）、処理を終了する。 The learning processing unit 23 determines whether or not all data sets have been learned (S19). If it is determined in step S19 that all data sets have not been learned (S19: NO), the process returns to step S16 and repeats. If it is determined in step S19 that all data sets have been learned (S19: YES), the process ends.

図８は、タイヤ摩耗推定システム１００による摩耗状態の推定精度を示すグラフである。図８では、実施例である第１データセット（短期データ）および第２データセット（長期データ）を用いた場合の推定精度と、比較例としての短期データのみ、長期データのみを用いた場合の推定精度とを示す。第１データセットは１か月ごとに取得されている。推定精度は、一車両内の全てのタイヤの全てタイヤ溝における摩耗量の推定値と実測値との二乗平均平方根誤差（ＲＭＳＥ）の平均値を各月ごとに計算したものである。尚、第２データセットは、少なくとも２つの第１データセットを組み合わせて生成されている。 Figure 8 is a graph showing the estimation accuracy of the wear state by the tire wear estimation system 100. Figure 8 shows the estimation accuracy when the first dataset (short-term data) and the second dataset (long-term data) are used as an example, and the estimation accuracy when only short-term data and only long-term data are used as comparative examples. The first dataset is acquired once a month. The estimation accuracy is calculated for each month as the average root mean square error (RMSE) between the estimated and actual wear amounts in all tire grooves of all tires in one vehicle. The second dataset is generated by combining at least two of the first datasets.

第１データセット（短期データ）のみを用いて演算モデル１３ａを学習させた場合、月を経るごとにＲＭＳＥ値が増大している。また第２データセット（長期データ）のみを用いて演算モデル１３ａを学習させた場合、月が浅い時期（例えば１月から４月など）には、ＲＭＳＥ値が大きくなっている。実施例である第１データセットおよび第２データセットを用いた場合、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上していることが判る。 When the computation model 13a is trained using only the first data set (short-term data), the RMSE value increases with each passing month. When the computation model 13a is trained using only the second data set (long-term data), the RMSE value is large in the early months of the month (for example, January to April). When the first and second data sets in the embodiment are used, the RMSE value is smaller than in the comparative example, indicating that the accuracy of estimating the wear condition is improved.

新品のタイヤ７が車両に装着され、使用が開始された摩耗初期段階においては、タイヤ７の摩耗の進行速度は速い。また、走行距離が大きくなった摩耗後期段階においては、路面に接するタイヤ７のトレッド部のタイヤ材料が硬くなるため、タイヤ７の摩耗の進行速度が遅くなる。 In the early stages of wear when a new tire 7 is mounted on a vehicle and begins to be used, the rate at which the tire 7 wears is fast. In the later stages of wear when the vehicle has traveled a large distance, the tire material in the tread portion of the tire 7 that comes into contact with the road surface becomes harder, so the rate at which the tire 7 wears slows down.

短期データである第１データセットのみによって学習させた演算モデル１３ａでは、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映させることができる。一方、第１データセットのみによって学習させた演算モデル１３ａでは、摩耗量（またはタイヤ溝の残溝量）の測定誤差、および測定箇所（タイヤ７のトレッド部の周方向の位置）の違いから生じる摩耗量の測定データのばらつきの影響が大きくなってしまう。 The computation model 13a trained only from the first data set, which is short-term data, can reflect the change in the rate of wear progression from the early to later stages of wear. On the other hand, the computation model 13a trained only from the first data set is significantly affected by the measurement error of the amount of wear (or the remaining amount of tire grooves) and the variation in the measurement data of the amount of wear caused by differences in the measurement location (the circumferential position of the tread portion of the tire 7).

長期データである第２データセットのみによって学習させた演算モデル１３ａでは、摩耗量の測定誤差、および測定箇所の違いから生じる摩耗量の測定データのばらつきの影響を小さくすることができる。一方、第２データセットのみによって学習させた演算モデル１３ａでは、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映させ難くなると考えられる。 The computation model 13a trained only from the second data set, which is long-term data, can reduce the effects of wear measurement errors and variability in the wear measurement data resulting from differences in the measurement locations. On the other hand, it is considered that the computation model 13a trained only from the second data set will have difficulty reflecting changes in the wear progression rate from the early wear stage to the later wear stage.

上述のように、実施例である第１データセットおよび第２データセットを用いた場合、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上している。これは、第１データセットおよび第２データセットを用いた演算モデル１３ａの学習によって、摩耗初期段階から摩耗後期段階における摩耗の進行速度の変化を反映しつつ、摩耗量の測定誤差および測定データのばらつきの影響を抑制できることを示している。 As described above, when the first and second data sets of the embodiment are used, the RMSE value is smaller than that of the comparative example, and the estimation accuracy of the wear state is improved. This shows that by learning the computational model 13a using the first and second data sets, it is possible to suppress the effects of measurement errors in the amount of wear and variability in the measurement data while reflecting the change in the rate of wear progression from the early wear stage to the later wear stage.

図９は、一つのタイヤ溝における摩耗状態の推定精度を示す図表である。図９では、一車両内のタイヤの一つのタイヤ溝における、各月の摩耗量の推定値と実測値との二乗平均平方根誤差（ＲＭＳＥ）を計算したものである。第１データセット（短期データ）のみを用いて演算モデル１３ａを学習させた場合、ＲＭＳＥ値は２．８１３となり、第２データセット（長期データ）のみを用いて演算モデル１３ａを学習させた場合、ＲＭＳＥ値は０．４３５となっている。実施例である第１データセットおよび第２データセットを用いた場合、ＲＭＳＥ値は０．３３４となり、比較例よりもＲＭＳＥ値が小さく、摩耗状態の推定精度が向上していることが判る。 Figure 9 is a chart showing the accuracy of estimating the wear state in one tire groove. In Figure 9, the root mean square error (RMSE) between the estimated and actual wear amounts for each month in one tire groove of a tire in one vehicle is calculated. When the calculation model 13a is trained using only the first data set (short-term data), the RMSE value is 2.813, and when the calculation model 13a is trained using only the second data set (long-term data), the RMSE value is 0.435. When the first and second data sets of the embodiment are used, the RMSE value is 0.334, which is smaller than the RMSE value in the comparative example, and it can be seen that the accuracy of estimating the wear state is improved.

演算モデル生成システム１１０は、タイヤ７の摩耗状態について、第１データセット、および複数の第１データセットから生成した第２データセットを用いて演算モデル１３ａを学習させることによって、タイヤ７の摩耗状態を精度良く推定する演算モデル１３ａを生成することができる。 The computational model generation system 110 can generate a computational model 13a that accurately estimates the wear state of the tire 7 by training the computational model 13a using a first dataset and a second dataset generated from a plurality of first datasets regarding the wear state of the tire 7.

また演算モデル生成システム１１０のデータセット生成部２２において、少なくとも２つの短期的な第１データセットから長期的な第２データセットを生成することによって、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。一般的に、時間の経過によって外部環境に曝されたタイヤ材料の物性が変化し、タイヤ７の摩耗率も変化すると考えられており、短期および長期の摩耗進行を考慮した演算モデル１３ａの生成によって、タイヤ７の摩耗状態の推定精度を向上することができる。 In addition, in the data set generation unit 22 of the computational model generation system 110, a long-term second data set is generated from at least two short-term first data sets, thereby generating a computational model 13a that takes into account short-term and long-term wear progression. It is generally believed that the physical properties of tire materials exposed to the external environment change over time, and the wear rate of the tire 7 also changes, and by generating a computational model 13a that takes into account short-term and long-term wear progression, the accuracy of estimating the wear state of the tire 7 can be improved.

またデータセット生成部２２は、第１データセットを車両の走行距離に応じて例えば１０００ｋｍごとに取得し、少なくとも２つの第１データセットから第２データセット生成するようにしてもよい。この場合にも、演算モデル生成システム１１０は、車両の走行距離に応じて短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができ、タイヤ７の摩耗状態の推定精度を向上することができる。 The dataset generation unit 22 may also acquire a first dataset according to the vehicle's travel distance, for example, every 1000 km, and generate a second dataset from at least two of the first datasets. In this case, the computational model generation system 110 can also generate a computational model 13a that takes into account short-term and long-term wear progression according to the vehicle's travel distance, thereby improving the accuracy of estimating the wear state of the tire 7.

タイヤ摩耗推定システム１００は、演算モデル生成システム１１０により第１データセットおよび第２データセットに基づいて学習させた演算モデル１３ａを用いる。これにより、タイヤ摩耗推定システム１００は、タイヤ７の摩耗状態の推定精度を向上することができる。 The tire wear estimation system 100 uses a computational model 13a that is trained by the computational model generation system 110 based on the first data set and the second data set. This enables the tire wear estimation system 100 to improve the accuracy of estimating the wear state of the tire 7.

（変形例）
図１０は、変形例に係る第１データセットおよび第２データセットについて説明するための模式図である。データセット生成部２２は、第１データセットを３つ以上組み合わせて第２データセットを生成してもよい。データセット生成部２２は、例えば連続する第１データセットＡ１からＡ３の３つを組み合わせて第２データセットＣ１を生成する。またデータセット生成部２２は、例えば連続する第１データセットＡ１からＡ４の４つを組み合わせて第２データセットＤ１を生成する。 (Modification)
10 is a schematic diagram for explaining the first data set and the second data set according to the modified example. The data set generating unit 22 may generate the second data set by combining three or more first data sets. For example, the data set generating unit 22 generates the second data set C1 by combining three consecutive first data sets A1 to A3. Also, the data set generating unit 22 generates the second data set D1 by combining four consecutive first data sets A1 to A4.

このように、演算モデル生成システム１１０は、３つ以上の第１データセットを組み合わせた第２データセットを用いることによって、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。またタイヤ摩耗推定システム１００は、演算モデル生成システム１１０により学習させた演算モデル１３ａを用いることによってタイヤ７の摩耗状態の推定精度を向上することができる。 In this way, the computational model generation system 110 can generate a computational model 13a that takes into account short-term and long-term wear progression by using a second data set that combines three or more first data sets. Furthermore, the tire wear estimation system 100 can improve the estimation accuracy of the wear state of the tire 7 by using the computational model 13a trained by the computational model generation system 110.

次に実施形態に係るタイヤ摩耗推定システム１００およびタイヤ摩耗推定方法および演算モデル生成システム１１０の特徴について説明する。
演算モデル生成システム１１０は、車両情報取得部１２、摩耗情報取得部２１、摩耗推定部１３、データセット生成部２２および学習処理部２３を備える。車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗情報取得部２１は、タイヤ７で計測された摩耗状態の情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。データセット生成部２２は、車両情報および教師データとして摩耗情報取得部２１により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の第１データセットに基づいて第２データセットを生成する。学習処理部２３は、第１データセットおよび第２データセットに基づいて演算モデル１３ａを学習させる。これにより、演算モデル生成システム１１０は、タイヤ７の摩耗状態を精度良く推定する演算モデル１３ａを生成することができる。 Next, features of the tire wear estimation system 100 and the tire wear estimation method and computation model generation system 110 according to the embodiment will be described.
The computation model generation system 110 includes a vehicle information acquisition unit 12, a wear information acquisition unit 21, a wear estimation unit 13, a data set generation unit 22, and a learning processing unit 23. The vehicle information acquisition unit 12 acquires vehicle information including a mileage measured by the vehicle. The wear information acquisition unit 21 acquires information on the wear state measured by the tire 7. The wear estimation unit 13 estimates the wear state of the tire 7 using a learning type computation model 13a that uses the vehicle information as input data. The data set generation unit 22 acquires a first data set that is composed of the vehicle information and the wear state information acquired by the wear information acquisition unit 21 as teacher data, and generates a second data set based on a plurality of first data sets. The learning processing unit 23 trains the computation model 13a based on the first data set and the second data set. As a result, the computation model generation system 110 can generate a computation model 13a that accurately estimates the wear state of the tire 7.

またデータセット生成部２２は、少なくとも２つの第１データセットから第２データセットを生成する。これにより、演算モデル生成システム１１０は、短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。 The dataset generation unit 22 also generates a second dataset from at least two first datasets. This allows the computational model generation system 110 to generate a computational model 13a that takes into account short-term and long-term wear progression.

またデータセット生成部２２は、第１データセットを車両の走行距離に応じて取得し、少なくとも２つの第１データセットから第２データセットを生成する。これにより、演算モデル生成システム１１０は、車両の走行距離に応じて短期および長期の摩耗進行を考慮した演算モデル１３ａを生成することができる。 The dataset generation unit 22 also acquires a first dataset according to the vehicle's mileage and generates a second dataset from at least two of the first datasets. This allows the computational model generation system 110 to generate a computational model 13a that takes into account short-term and long-term wear progression according to the vehicle's mileage.

タイヤ摩耗推定システム１００は、車両情報取得部１２および摩耗推定部１３を備える。車両情報取得部１２は、車両で計測される走行距離を含む車両情報を取得する。摩耗推定部１３は、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。演算モデル１３ａは、車両情報および教師データとしてタイヤ７で計測された摩耗状態の情報で構成される第１データセット、および複数の第１データセットから生成される第２データセットに基づいて学習されたものである。これにより、タイヤ摩耗推定システム１００は、タイヤ７の摩耗状態の推定精度を向上することができる。 The tire wear estimation system 100 includes a vehicle information acquisition unit 12 and a wear estimation unit 13. The vehicle information acquisition unit 12 acquires vehicle information including the mileage measured by the vehicle. The wear estimation unit 13 estimates the wear state of the tire 7 using a learning-type calculation model 13a that uses the vehicle information as input data. The calculation model 13a is learned based on the vehicle information and a first dataset that is composed of information on the wear state measured by the tire 7 as teacher data, and a second dataset that is generated from a plurality of first datasets. This enables the tire wear estimation system 100 to improve the accuracy of estimating the wear state of the tire 7.

タイヤ摩耗推定方法は、車両情報取得ステップおよび摩耗推定ステップを備える。車両情報取得ステップは、車両で計測される走行距離を含む車両情報を取得する。摩耗推定ステップは、車両情報を入力データとする学習型の演算モデル１３ａを用いてタイヤ７の摩耗状態を推定する。演算モデル１３ａは、車両情報および教師データとしてタイヤ７で計測された摩耗状態の情報で構成される第１データセット、および複数の第１データセットから生成される第２データセットに基づいて学習されたものである。この方法によれば、タイヤ７の摩耗状態の推定精度を向上することができる。 The tire wear estimation method includes a vehicle information acquisition step and a wear estimation step. The vehicle information acquisition step acquires vehicle information including a mileage measured by the vehicle. The wear estimation step estimates the wear state of the tire 7 using a learning-type calculation model 13a that uses the vehicle information as input data. The calculation model 13a is learned based on the vehicle information and a first dataset that is composed of information on the wear state measured by the tire 7 as teacher data, and a second dataset that is generated from a plurality of first datasets. This method can improve the accuracy of estimating the wear state of the tire 7.

以上、本発明の実施の形態をもとに説明した。これらの実施の形態は例示であり、いろいろな変形および変更が本発明の特許請求範囲内で可能なこと、またそうした変形例および変更も本発明の特許請求の範囲にあることは当業者に理解されるところである。従って、本明細書での記述および図面は限定的ではなく例証的に扱われるべきものである。 The above describes the embodiments of the present invention. These embodiments are merely examples, and it will be understood by those skilled in the art that various modifications and changes are possible within the scope of the claims of the present invention, and that such modifications and changes are also within the scope of the claims of the present invention. Therefore, the descriptions and drawings in this specification should be treated as illustrative rather than restrictive.

７ タイヤ、１２ 車両情報取得部、 １３ 摩耗推定部、 １３ａ 演算モデル、
２１ 摩耗情報取得部、 ２２ データセット生成部、 ２３ 学習処理部、
１００ タイヤ摩耗推定システム、 １１０ 演算モデル生成システム。 7 Tire, 12 Vehicle information acquisition unit, 13 Wear estimation unit, 13a Calculation model,
21 wear information acquisition unit, 22 data set generation unit, 23 learning processing unit,
100 Tire wear estimation system, 110 Computational model generation system.

Claims (5)

車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、
タイヤで計測された摩耗状態の情報を取得する摩耗情報取得部と、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、
前記車両情報および教師データとして前記摩耗情報取得部により取得した摩耗状態の情報で構成される第１データセットを取得し、複数の前記第１データセットに基づいて第２データセットを生成するデータセット生成部と、
前記第１データセットおよび前記第２データセットに基づいて前記演算モデルを学習させる学習処理部と、
を備えることを特徴とする演算モデル生成システム。 a vehicle information acquisition unit that acquires vehicle information including a mileage measured by the vehicle;
a wear information acquisition unit for acquiring information on a wear state measured on a tire;
a wear estimation unit that estimates a tire wear state using a learning type calculation model that uses the vehicle information as input data;
a data set generation unit that acquires a first data set including the vehicle information and wear state information acquired by the wear information acquisition unit as teacher data, and generates a second data set based on a plurality of the first data sets;
a learning processing unit that learns the computation model based on the first data set and the second data set;
A computational model generation system comprising: 前記データセット生成部は、少なくとも２つの前記第１データセットから前記第２データセットを生成することを特徴とする請求項１に記載の演算モデル生成システム。 The computational model generation system according to claim 1, characterized in that the dataset generation unit generates the second dataset from at least two of the first datasets. 前記データセット生成部は、前記第１データセットを車両の走行距離に応じて取得し、少なくとも２つの前記第１データセットから前記第２データセットを生成することを特徴とする請求項１に記載の演算モデル生成システム。 The computational model generation system according to claim 1, characterized in that the dataset generation unit acquires the first dataset according to the vehicle's travel distance and generates the second dataset from at least two of the first datasets. 車両で計測される走行距離を含む車両情報を取得する車両情報取得部と、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定部と、を備え、
前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものであることを特徴とするタイヤ摩耗推定システム。 a vehicle information acquisition unit that acquires vehicle information including a mileage measured by the vehicle;
a wear estimation unit that estimates a tire wear state using a learning-type calculation model that uses the vehicle information as input data,
A tire wear estimation system characterized in that the computational model is trained based on a first dataset consisting of the vehicle information and information on the wear condition measured on the tires as training data, and a second dataset generated from a plurality of the first datasets. 車両で計測される走行距離を含む車両情報を取得する車両情報取得ステップと、
前記車両情報を入力データとする学習型の演算モデルを用いてタイヤの摩耗状態を推定する摩耗推定ステップと、を備え、
前記演算モデルは、前記車両情報および教師データとしてタイヤで計測された摩耗状態の情報で構成される第１データセット、および複数の前記第１データセットから生成される第２データセットに基づいて学習されたものであることを特徴とするタイヤ摩耗推定方法。 A vehicle information acquisition step of acquiring vehicle information including a mileage measured by the vehicle;
a wear estimation step of estimating a tire wear state using a learning-type calculation model that uses the vehicle information as input data,
A tire wear estimation method, characterized in that the computational model is trained based on a first dataset consisting of the vehicle information and information on the wear condition measured on the tires as training data, and a second dataset generated from a plurality of the first datasets.

Images