JP7149098B2 - 予兆診断装置及び方法 - Google Patents

Description

本発明は機器の異常の予兆を診断する予兆診断装置及び方法に関する。

各種の機器は、これを運転するに当たり、安全上或は性能を維持する必要性から機器の劣化の度合いを把握し、異常が発生する前にその予兆を診断しておくことが有効である。機器として、例えば自動車の予兆検知は自動車の安全性を確保するために重要である。近年の自動車の動向として利用者の安全性を向上させるための機器が付帯され始めているが、追加コストが発生するため、あまり普及が進んでいない。

一方、物流の増加やカーシェアリングビジネスの拡大により、商用車、乗用車ともに稼動時間が増加の傾向にある。したがって、これまで以上に自動車の状態を監視し、異常をいち早く見つけて、ドライバーや自動車販売業者、運送会社、運行管理業者などに通知することが必要である。

ＣＡＮデータ、ＯＢＤデータを使って予兆検知する技術がある。これらの予知技術では、自動車の運転時のＣＡＮデータ、ＯＢＤデータ等の測定データを使って、過去における自動車の正常運転のデータと、診断対象となる時刻の測定データとの差から、機器の異常を検知する。

特許文献１では、車両の故障発生時に車両の電子制御装置（ＥＣＵ）に記憶された複数のパラメータに関する運転データを、基準となる正常時の運転データである基準値と比較して故障診断を行う。

特開２０１０－１３７６４４号公報

井手 剛、機械学習による異常検知、コロナ社、２０１４年８月

上記従来技術では、正常データと比較して異常検知する際に、運転時の周辺の環境及び自動車の状況が異なると、正確な検知が難しかった。例として、自動車のブレーキ装置の異常検知を行う場合、ブレーキ装置を踏んだ状況が一致しないと正確な検知が難しかった。例えば、ブレーキを踏んだ場所や、天気、道路の混雑状況によっては、同じようにブレーキを踏んでも挙動は異なるので、適切に検知できない。

以上のことから本発明においては、同じ環境下で実行された挙動同士を比較することにより高精度な異常予知検知を可能とする予兆診断装置及び方法を提供することを目的とする。

以上のことから本発明においては、「機器の運転時の測定データを使って、過去における機器の正常運転時のデータと、診断対象となる時刻の測定データとの差から、機器の異常を検知する予兆診断装置であって、機器の運転時の測定データと機器の運転時の周辺の環境及び機器の状況を入力する入力手段と、機器の正常運転時のデータを記憶する記憶手段と、診断対象となる時刻における正常運転時のデータが計測された時の機器の運転時の周辺の環境及び機器の状況に類似した周辺の環境及び機器の状況の時の正常運転時のデータを記憶手段から選定し、診断対象となる時刻における正常運転時のデータと記憶手段から選定した正常運転時のデータを使って異常検知する処理手段を備えることを特徴とする予兆診断装置」としたものである。

また本発明は、「機器の運転時の測定データを使って、過去における機器の正常運転時のデータと、診断対象となる時刻の測定データとの差から、機器の異常を検知する予兆診断方法であって、機器の運転時の測定データと機器の運転時の周辺の環境及び機器の状況を得て、機器の正常運転時のデータを記憶し、診断対象となる時刻における正常運転時のデータと、当該正常運転時のデータが計測された時の機器の運転時の周辺の環境及び機器の状況に類似した周辺の環境及び機器の状況の時の過去に記憶された正常運転時のデータを用いて異常検知する処理手段を備えることを特徴とする予兆診断方法」としたものである。

本発明によれば、例えばブレーキを踏んだ状況が一致した過去データと比較を行うことで、より高精度に異常を検出可能である。

本発明の実施例１に係る自動車予兆診断装置のハード構成例を示す図。 本発明の実施例１に係る自動車予兆診断装置のソフト構成例を示す図。 外部の入力部１１０、出力部１２０の一例を示す図。 移動端末及びネットワークデータＤ０のフォーマット例を示す図。 可動データベースＤＢ内の自動車走行物理モデルを示す図。 可動データベースＤＢ内の経験モデルを示す図。 データ処理部１５０における処理内容を示すフローチャート。 前処理済みの運転データＤ４の一例を示す図。 類似外部環境検知部１６０における処理内容を示すフローチャート。 類似外部環境検知部１６０の出力データＤ５の例を示す図。 異常状態検知部１７０の考え方を説明するための図。 自動車異常予兆診断ツールの入力画面 自動車異常予兆診断ツールの出力画面 実施例２の入力部と出力部

以下本発明の実施例について、図面を参照して詳細に説明する。

本発明の実施例１に係る自動車予兆診断装置のハード構成例を図１に示す。本発明の自動車予兆診断装置１００は計算機システムにより構成され、ネットワークＮを通じて外部の入力部１１０、出力部１２０と通信を行うデータセンター内に形成される。

図１の構成要素のうち、データセンター外部の入力部１１０、出力部１２０の一例が図３に示されている。データセンター外部の入力部１１０と出力部１２０は、例えば自動車内の移動情報端末であり、あるいは入力部１１０は固定設置の情報端末であってもよい。

自動車内の移動情報端末は、自動車内設置のセンサで取得したセンサデータとして、例えば速度、加速度、ＧＰＳデータを取得する移動情報端末センサデータ取得手段を備えており、移動情報端末センサデータＤ１１を送信する。また自動車内の移動情報端末は異常検知通知手段を備えており、自動車予兆診断装置１００から送信されてきた診断結果データＤ６を自動車内に表示、通報する。なお、移動情報端末が実行する機能の一部は、搭乗者が保有する携帯端末が実行するものであってもよい。

また入力部１１０のうち固定設置の情報端末は、例えば気象台などに設けられた情報端末であり、天気や地図などの自動車の外部環境のデータを取得し、これらをネットワークデータＤ１２として、ネットワークＮを介して送信する。このため情報端末は、ネットワークデータ取得手段を備えている。

図１に戻り、自動車予兆診断装置１００は、計算機装置における演算部やデータベースを用いて構成される。演算部であるデータ処理部１５０は、これを機能別に記述すると、ブレーキ期間抽出手段１５１、駐停車データ取除手段１５２、自動車直進データ抽出手段１５３、道路傾斜計算手段１５４により構成されたものということができる。またデータベースとして、稼働データベースＤＢを備える。更にそのほかに、図１の自動車予兆診断装置１００は、各種の検知部としてデータ検出部１３０、類似外部環境検知部１６０、異常状態検知部１７０を備えている。なお、データ検出部１３０、類似外部環境検知部１６０、異常状態検知部１７０については、これを演算部の一部と把握し、構成するものであってもよい。

図１の自動車予兆診断装置１００は、主に処理機能を主体にしてハード構成を記載したものであるが、図２は取り扱うデータや、処理の手順といったソフト的な観点から記載したものである。

図２において、データ検出部１３０は、外部の入力部１１０から送信されてきたデータ（移動情報端末センサデータＤ１１、ネットワークデータＤ１２）を、所定のフォーマットに成形して出力する。フォーマットについては図４を用いて後述するが、図２では移動端末及びネットワークデータＤ０がこれに相当している。なおフォーマット化された移動端末及びネットワークデータＤ０は、後述するデータ処理部１５０において使用されるとともに、適宜稼働データベースＤＢに蓄積保管される。

データ処理部１５０のブレーキ期間抽出手段１５１では、データ検出部１３０から出力された移動端末及びネットワークデータＤ０のうち、特に移動情報端末センサデータＤ１１からブレーキが作動する期間のみを、稼動データベースＤＢに蓄積されている経験モデルをもとに抽出する。ここで経験モデルとは、自動車の運動方程式をもとに、自動車が減速しているか、つまり、ブレーキが作動しているかどうかを判定するためのモデルである。詳細については、後述する。

駐停車データ取除手段１５２は、自動車の駐車時と停車時のデータを、自動車の速度データをもとに速度０を検索することで取除く。ここでは、正常運転時における新旧の動作を比較の対象としているために、停車や駐車時などの運転時以外のデータを不要データとして除外したものである。

自動車直進データ抽出手段１５３は、移動情報端末センサデータＤ１１に含まれている自動車の速度データと加速データをもとに、自動車が左右に曲がる際のデータを取り除いて、直進のデータのみを抽出する。実施例１では、直進運転方程式から経験モデルを作成したため、直進運転データを抽出する。回転を考慮した経験モデルがあれば直進データ抽出を省略しても良い。

道路傾斜計算手段１５４は、移動情報端末センサデータＤ１１に含まれている自動車ＧＰＳ情報を用いて道路傾斜計算を実行する。

データ検出部１３０やデータ処理部１５０における上記一連の処理は、計算機システムのなかで繰り返し実行され、その都度自動車運転中における処理結果が、前回処理済み運転データＤ４として得られる。前回処理済み運転データＤ４は、逐次稼働データベースＤＢに蓄積保存される。前回処理済み運転データＤ４について図８を用いて後述する。

なお、自動車出荷直後あるいはその後の定期的な点検などによりメンテナンスされた直後の、前回処理済み運転データＤ４は、自動車における正常な状態でのいわゆる教師データというべきものである。これに対し、運転時間を経て得られた前回処理済み運転データＤ４は、その時の自動車の状態を反映する形のものになっており、次第に教師データとの異同を生じてくるものと考えることができる。

類似外部環境検知部１６０では、逐次稼働データベースＤＢに蓄積保存されたネットワークデータＤ１２の中の外部環境データに着目し、現在の外部環境に類似した状況における過去データである類似外部環境の従来運転データＤ５（過去の時点における前回処理済み運転データＤ４）と、最新の前回処理済み運転データＤ４を抽出する。類似外部環境検知部１６０の処理内容について図９を用いて後述する。また類似外部環境の従来運転データＤ５の一例について、図１０を用いて後述する。

異常状態検知部１７０においては、環境が類似する新旧の前回処理済み運転データＤ４の比較により、異常状態を検知する。検知した結果は、異常状態表示データＤ６として、出力部１２０にて出力される。出力部１２０は、図３に示すように、移動情報端末であり、この中に異常検知通知手段があり、診断結果データを自動車内に表示、通報する。

以下、具体的なデータ事例を基にして、本発明の処理を詳細に説明する。まず図２のデータフローの一例では、最初にデータ検出部１３０において移動情報端末センサデータＤ１１とネットワークデータＤ１２を入力とし、これらを合わせて所定のフォーマットに成形した移動端末及びネットワークデータＤ０を出力している。

図４に、移動端末及びネットワークデータＤ０のフォーマット例を示している。移動端末及びネットワークデータＤ０は、自動車内の移動情報端末からの移動情報端末センサデータＤ１１と、例えば気象台などに設けられた情報端末からの天気や地図などについてのネットワークデータＤ１２で構成されており、移動情報端末センサデータＤ１１として「速度、加速度、ＧＰＳ」データＤ１、ネットワークデータＤ１２として「地図情報」データＤ２並びに「天気情報」データＤ３から構成されている。なお、これらのデータは、データ取得時刻などが付与されることにより、互いに対応づけされて把握されている。

このうち、「速度、加速度、ＧＰＳ」データＤ１は、ある時間間隔Ｄ１２での車の速度Ｘ（Ｄ１３）、速度Ｙ（Ｄ１４）、加速度Ｘ（Ｄ１５）、加速度Ｙ（Ｄ１６）、Ｘ座標（Ｄ１７）、Ｙ座標（Ｄ１８）からなる。速度Ｘ（Ｄ１３）は自動車直進方向の速度であり、速度Ｙ（Ｄ１４）は自動車横方向の速度である。加速度Ｘ（Ｄ１５）は自動車直進方向の加速度であり、加速度Ｙ（Ｄ１６）は自動車横方向の加速度である。また、それぞれの時刻のデータに１からのＩＤ（Ｄ１１）を付与する。

なお時間の単位はｍｓであり、最初の時刻からの時間を記載する。速度の単位はｋｍ／ｈを採用し、一次元のデータ列として記載する。加速度の単位はｍ／ｓ^２を採用し、加速の場合プラス、減速の場合マイナスにし、一次元のデータ列として記載する。Ｘ座標、Ｙ座標は、ＧＳＰから得られるデータであり、経度と緯度を示す二次元のデータ列である。本装置では事前に基準場所を決めておき、経度と緯度の情報をもとに、基準場所からの距離を計算する。経度の方向ではＸ座標、緯度の方向ではＹ座標とし、単位はｍを採用する。上記単位と座標はあくまでも一例であり、フォーマットを変更しても良い。

「地図情報」データＤ２は、情報端末の外部データ取得手段から得られる地図をもとにしている。地図は三次元のデータであり、経度と緯度と高さ情報を含む。ＧＰＳ情報と同じように、経度方向と緯度方向のデータをＸ座標Ｄ２１とＹ座標Ｄ２２に変換する。Ｚ座標Ｄ２３では高さの情報を記載する。

「天気情報」データＤ３は、情報端末の外部データ取得手段から得られる天気をもとにしている。「天気情報」データＤ３は、時間Ｄ３１、天気Ｄ３２、温度Ｄ３３、湿度Ｄ３４からなる。

図１、図２の可動データベースＤＢには、自動車の走行物理モデル、経験モデル、運動方程式、車種情報などを記憶蓄積している。このうち、自動車の走行物理モデルについて図５を用いて説明する。図５は坂道における自動車の状態を示している。

図５において、θｋはｋ時刻の道路の傾斜であり、ｍは自動車質量であり、ｖｋはｋ時刻の速度であり、ａｋはｋ時刻の加速度であり、Ｆｋはｋ時刻の制動力である。μは道路とタイヤの摩擦係数である。

図５において車両の運動方程式は（１）式で表すことができる。なお、（１）式において、ρ、Ｃｄ、Ａはそれぞれ、空気密度、抗力係数、全面投影面積である。

（１）式は、（２）式のように変形することができ、これによれば加速度ａｋは、同じ時刻の制動力Ｆｋ、速度二乗ｖｋ^２、道路傾斜θｋの線形関数となることがわかる。ここでの運動方程式と走行物理モデルは稼動データベースＤＢに格納されている。

走行物理モデルから得られた経験モデルを、図６を用いて説明する。（２）式により速度二乗ｖｋ^２を横軸としａｋ＋ｇθｋを縦軸とし、制動力Ｆｋ＝０の線を作成する。この線の上になると、Ｆｋ＞０となり、加速の状態として判定する。この線の下になると、Ｆｋ＜０であり、ブレーキを踏んで減速する。これで、任意時刻のブレーキ状態を判定することが可能となる。

図７は、図１のデータ処理部１５０における処理内容を示すフローチャートである。データ処理部１５０は、移動端末及びネットワークデータＤ０の前処理を実施して、前処理済みの運転データＤ４を出力する。データ処理部１５０における、これら一連の流れを、図７のフローチャートで説明する。

図７のフローチャートの最初の処理ステップＳ７１０では、図６で説明した経験モデルを用いることでブレーキ期間を抽出する。従来の一般的な方法では、自動車内においてブレーキペダルセンサやブレーキ液圧力センサなどを使用することでブレーキの踏む状態を計測することが可能であるが、本発明では自動車外のデータセンターにおいて、移動情報端末センサデータＤ１１を使用して判断するため、上記ブレーキに関するセンサデータが存在しない。

そのため、稼動データベースＤＢに事前に用意した経験モデルを用いてブレーキ期間を抽出する。経験モデルを用いて任意時刻のブレーキ状態を判定することが可能となり、判定した時刻に繋がるブレーキ状態のデータの集合はブレーキ期間となり、これでブレーキ期間抽出が可能となる。

処理ステップＳ７２０では、横方向の速度と加速度で判定し自動車直進データを抽出する。図４に示したように移動情報端末センサデータＤ１１は、速度と加速度のセンサデータ（Ｄ１３―Ｄ１６）を保持しており、横方向の速度と加速度が指定の閾値より大きい運転データを取り除くことで自動車直進データを抽出することができる。

処理ステップＳ７３０では、速度０の箇所を検索することで駐停車データを取り除く。ブレーキの故障を診断するため、ブレーキを使用するデータが有効であり、それ以外のデータを取り除く。図４に示した移動情報端末センサデータＤ１１には速度データＤ１３、Ｄ１４があり、速度データには直進速度と回転速度があり、直進速度を用いて駐停車データを取り除く。

処理ステップＳ７４０では、ＧＰＳ情報のＸＹ座標Ｄ１７、Ｄ１８と地図情報Ｄ２と併用することで高さを計算し道路傾斜を計算する。移動情報端末センサデータＤ１１には、ＧＰＳ情報があり、経度と緯度を表すＸＹ座標データＤ１７、Ｄ１８がある。また、ネットワークデータ２２０には、地図情報Ｄ２があり、ＧＰＳ情報と地図情報を併用することで、道路の傾斜を計算することができる。

図７の一連の処理の結果として得られた前処理済みの運転データＤ４の一例を図８に示し、説明する。前処理済みの運転データＤ４は、ＩＤ（Ｄ１１）、時間Ｄ１２、速度Ｄ１３、加速度Ｄ１５、道路傾斜Ｄ４１、天気Ｄ３２、温度Ｄ３３、湿度Ｄ３４、ブレーキ状況Ｄ４２の各データである。これらのデータのうち、道路傾斜Ｄ４１とブレーキ状況Ｄ４２は、稼働データベースＤＢを用いて判断し取得した二次情報であるが、その他のデータは移動端末及びネットワークデータＤ０に得られたデータの中から、条件（ブレーキ期間、駐停車、直進）に応じて適宜選択したデータである。

このようにして得られた前処理済みの運転データＤ４は、稼働データベースＤＢに逐次送付され、記憶される。

次に、類似外部環境検知部１６０は、稼動データベースＤＢに格納された前処理済みの運転データＤ４を入力データとして使用して、外部環境が類似する従来稼動データを検索し、類似外部環境の従来運転データＤ５として取り出す。

図９は、類似外部環境検知部１６０における処理内容を示すフローチャートである。類似外部環境検知部１６０における最初の処理ステップＳ９１０では、図８に例示する前処理済みの運転データＤ４について、全ての外部環境要素を抽出する。ここで、外部環境要素とは、評価する自動車挙動以外の要素である。例えば、自動車の加速度を評価する場合、自動車走行の天気状況Ｄ３２、道路傾斜Ｄ４１などを含み、ブレーキ期間の初期速度と終了速度を含む。

本実施例では、車両挙動と外部環境を図８に表しており、加速度Ｄ１５は車両挙動であり、それ以外の速度Ｄ１３、道路傾斜Ｄ４１、天気Ｄ３２、温度Ｄ３３、湿度Ｄ３４は外部環境となる。また、一つのブレーキ期間の初期速度と終了速度を外部環境とする。これらの定義は、予兆診断の装置により異なる。これらの項目については、事前に稼動データベースＤＢに用意する。

処理ステップＳ９２０では、外部環境要素の影響度を評価する。ここで、稼動データベースＤＢには、従来の自動車での稼動データが格納されており、それを用いて外部環境要素の影響度を評価する。評価方法は、従来の稼動データを２つのグループＡとＢに分け、グループＡの任意のブレーキ期間を抽出し、グループＢの中で最も類似する車両挙動と類似しない車両挙動を検索する。

類似の判定方法の一例は、非特許文献１で知られた手法が採用可能であり、２つの車両挙動の加速度時系列データの類似度を計算することができる。車両挙動が類似しながら、外部要素が類似する場合、影響度の点数に１をプラスする。その反対に、影響度の点数は１をマイナスする。例えば、グループＡの一つのブレーキ期間の加速度時系列データＴ１よりグループＢから最も類似する加速度時系列データＴ２を検索し、時系列データＴ２の外部環境要素と時系列データＴ１の外部感興要素との類似度を評価する。例えば、初期速度の場合、時系列データＴ１の初期速度と時系列データＴ２の初期速度の差の絶対値Ｔ１２で表記する。また、加速度時系列データＴ１よりグループＢから最も離れた加速度時系列データＴ３を検索し、Ｔ１の初期速度とＴ３の初期速度の差の絶対値Ｔ１３を計算する。初期速度差の絶対値Ｔ１２はＴ１３より大きい場合、外部環境要素「初期速度」の影響度に１をプラスする。Ｔ１２はＴ１３より小さい場合、影響度は１をマイナスする。グループＡにおいて、全てのブレーキ期間を用いて、全ての外部環境要素の影響度を計算する。

処理ステップＳ９３０では、類似の外部環境要素を選択する。外部環境要素の影響度の大きい順位で並べ、影響度の点数がマイナスになる要素を省略する。そして、処理ステップＳ９２０で計算した影響度の点数により重みをつける。例えば、影響度の点数の最も大きい外部環境要素の重みを１とし、他の外部環境要素の点数は下記の（３）式で計算する。

処理ステップＳ９４０では、類似外部環境の自動車挙動を出力する。処理ステップＳ９３０で計算した重みを用いて最も類似の外部環境を検索する。複数の外部環境要素があるため、外部環境要素の類似度をそれぞれの重みを用いて評価する。例えば、外部環境要素Ａ、Ｂ、Ｃがあり、２つの外部環境の要素の類似度それぞれＳａ、Ｓｂ、Ｓｃで表記し、重みはＷａ、Ｗｂ、Ｗｃで記す。この時の類似度は、（４）式で求められる。

外部環境要素の類似度Ｓａ、Ｓｂ、Ｓｃの計算方法を説明する。図８の前処理済みの運転データＤ４において、外部環境要素である天気Ｄ３２は、雨や雪などの文字列で記載しており、文字列が一致する場合、類似度を１にし、一致しない場合０とする。

外部環境要素である天気情報のうち温度Ｄ３３と湿度Ｄ３４は数字で表示しており、数字の差の絶対値で評価する。差の絶対値が大きい場合類似度が低く、小さい場合類似度が高いので、全ての差の絶対値を０から１までの数字に正規化し、Ｄｉｆで表記する。そして、類似度は１－Ｄｉｆで計算する。

外部環境要素である速度Ｄ１３は時系列の数字列であり、その類似度は非特許文献１で記載しているＤＴＷ法で計算する。ブレーキ期間の初期速度と終点速度は数字で表示しており、温度と湿度と同じ方法で計算する。

それぞれの外部環境要素について、その類似度を計算してから、テスト運転データの外部環境の最も類似する外部環境を検索でき、その検索結果の外部環境時の車両挙動を出力する。本実施例では、最も類似する外部環境の自動車加速度時系列データを出力する。

図１０は、類似外部環境検知部１６０の出力データＤ５の例を示す図である。出力データＤ５は、図９の処理ステップＳ９４０で抽出した類似外部環境の自動車挙動であり、自動車の直進加速度のデータＤ１５である。また、データの順番を示すＩＤ（Ｄ１１）と時間（Ｄ１２：ｍｓ）情報を含んでいる。

異常状態検知部１７０の入力データは類似外部環境の従来運転データＤ５と前処理済みの運転データＤ４であり、出力は異常状態表示データＤ６である。異常状態検知部１７０の考え方を、図１１を用いて説明する。図１１において、横軸に時間、縦軸に加速度Ｄ１５を記述している。

図１１では、異常状態検知部１７０の入力データは、自動車ブレーキを踏んだときの挙動の加速度Ｄ１５である場合を示している。時系列データＡは前処理済みの運転データＤ４としてテストデータの加速度Ｄ１５であり、時系列データＢは類似外部環境の従来運転データＤ５としての加速度Ｄ１５である。時系列データＡの加速度と波形の類似する時系列データＢの加速度間の距離を計算することで、異常程度を表す数字「異常度」を計算する。異常度計算の詳細手法は、非特許文献１で説明した手法が採用できる。

図１２、図１３は自動車異常予兆診断ツールの入力画面９０の一例である。ここでは自動車異常予兆診断ツールの入力画面９０は、自動車車内に携帯情報端末を用いて構成するものとして説明するが、自動車異常予兆診断ツールは、任意の場所に構成することが可能である。

この場合、自動車異常予兆診断ツールを、携帯情報端末を用いて起動する。起動された入力画面９０の一例は図１２、図１３のようであり、タイトルは「自動車異常予兆診断ツール」である。入力画面９０には、「予兆診断パラメータ１２１０」と「予兆診断結果１２２０」の２つのタブがある。「予兆診断パラメータ１２１０」を押すと、図１２の画面を表示する。「予兆診断ツール１２２０」タブを押すと、図１３の画面を表示する。

図１２の表示では、これを大別すると、本装置の方法の概要表示領域１２３０、パラメータ設定表示領域１２４０、診断実行表示領域１２５０で構成されている。

このうち、概要表示領域１２３０では、トレーニングデータと比較した異常度を算出し、表示する。ここで整備時点とは、自動車が整備工場で整備を受けた直後の時点であり、この時点では、自動車の状態は正常と仮定する。その後、決められた運転距離或いは決められた運転時間の運転データを取得し、トレーニングデータとする。またその後取得した運転データをテストデータと呼ぶ。テストデータの取得時の運転距離と運転時間はトレーニングデータと別に設定する。

また、パラメータ設定表示領域１２４０では、トレーニングデータ取得設定、テストデータ取得設定、異常度閾値設定の設定項目について、選択可能、設定可能に表示されている。トレーニングデータ取得設定では、「運転距離で設定」と「運転時間で設定」の２つの選択肢があり、それぞれ「ｋｍ」と「日間」の単位で設定する。同様に、テストデータ取得設定は、「運転距離で設定」と「運転時間で設定」が可能である。異常度閾値設定では、数字を入力して設定する方法と、「推奨値を使用」の２つの選択肢がある。

診断実行表示領域１２５０には、「予兆診断実行」ボタンが設定されている。パラメータ設定表示領域１２４０においてパラメータを入力し、「予兆診断実行」ボタンを押すと運転データ取得と予兆診断を開始する。

図１３に示す「予兆診断結果１２２０」タブの画面表示では、これを大別すると、異常度表示エリア１３１０とアラームエリア１３２０で構成されている。

異常度表示エリア１３１０には、グラフがあり、横軸はテストデータの順番であり、縦軸は異常度である。ここにはテストデータの計算した異常度を表示する。また、予兆診断パラメータタブで設定した閾値を横の線で表示し、テストデータの閾値は閾値を超えない場合緑色で表示し、越えた場合赤色で表示する。本実施例では緑色と赤色で表示するが、他の色でも可能である。

また、異常度が閾値を超える場合、アラームエリア１３２０では「異常度が閾値を超えています。ブレーキ装置の点検を推奨します。」というメッセージを表示する。メッセージの内容は一例であり、他のアラームか「推奨」などの内容でも良い。

実施例２においては、図３とは相違する外部の入力部１１０、出力部１２０の新たな構成例について図１４を用いて説明する。

図１４では、外部の入力部１１０に、移動情報端末センサデータ取得手段と外部データ取得手段以外に、追加センサデータ取得手段を新たに設けている。物理的には、自動車に追加センサを設置し、そこから追加センサデータＤ１４を取得する。

自動車ブレーキ装置の異常予兆診断を実施する場合、追加センサはブレーキ踏力センサや踏込量センサを使用可能である。ブレーキ踏力センサか踏込量センサから取得した追加センサデータＤ１４をブレーキ装置の入力とし、自動車挙動の加速度を出力とすれば、入力と出力の関係でブレーキ装置の異常予兆診断が可能である。

以上、実施例１、実施例２においてはブレーキ操作を例にとって、異常予知を行う事を述べたが、これは自動車に加えられる各種の操作に対しても同様に適用が可能である。例えばフットブレーキ以外に、ハンドブレーキ、アクセル、ハンドルなどの操作により自動車に加えられる操作量と、その後の状態変化を監視、記憶し比較することで異常予知が可能である。

なおフットブレーキ以外の場合に、稼働データベースＤＢに何をモデルとして備え、あるいはデータ処理部１５０の具体処理を操作量ごとにどのように定めるのかは適宜行いうることである。要は、データ処理部１５０において、自動車に加えられた操作の操作期間を抽出し、正常運転以外のデータを除外し、あるいは類似環境のデータを比較の対象として選択、評価するものであればよい。

また自動車が制御対象である場合を例示したが、これは一般の機器に適用拡大することが可能である。

本発明においては、制御対象の機器である自動車が正常運転を行っている時のデータを比較の対象とし、かつ自動車運転時の周囲環境及び自動車状況について類似のケースを選択して比較するようにした点に特徴を有する。

ＤＢ：稼働データベース
１００：自動車予兆診断装置
１１０：入力部
１２０：出力部
１３０：データ検出部
１５０：データ処理部
１５１：ブレーキ期間抽出手段
１５２：駐停車データ取除手段
１５３：自動車直進データ抽出手段
１５４：道路傾斜計算手段１５４
１６０：類似外部環境検知部
１７０：異常状態検知部

Claims (9)

1. 自動車の運転時の測定データを使って、過去における自動車の正常運転時のデータと、診断対象となる時刻の測定データとの差から、自動車の異常を検知する予兆診断装置であって、
   自動車の運転時の測定データと前記自動車の運転時の周辺の環境及び前記自動車の状況を入力する入力手段と、入力手段において入力したデータについて、前記自動車のブレーキ期間及び直進時のデータと道路傾斜のデータを求める前処理部と、前記前処理部からのデータの項目について前記自動車の正常運転時のデータとして記憶する記憶手段と、診断対象となる前記測定データが計測された時刻における前記自動車の運転時の周辺の環境及び前記自動車の状況に類似した周辺の環境及び前記自動車の状況の過去における正常運転時のデータを前記記憶手段から選定し、診断対象となる時刻における前記測定データと前記記憶手段から選定した正常運転時のデータを使って異常検知する処理手段を備えるとともに、
   前記前処理部は、自動車の運動方程式をもとに作成されて、ブレーキが作動しているかどうかを判定するための経験モデルを備え、自動車の運転時の測定データから前記自動車のブレーキ期間のデータを得ることを特徴とする予兆診断装置。
2. 請求項１に記載の予兆診断装置であって、
   前記自動車の運転時の周辺の環境及び前記自動車の状況を特定し、正常運転データのうち、類似した状況の正常運転データを選定し、これを使って異常検知を行うことを特徴とする予兆診断装置。
3. 請求項２に記載の予兆診断装置であって、
   運転時の周辺の環境及び前記自動車の状況を、移動情報端末によって取得される情報を用いて特定することを特徴とする予兆診断装置。
4. 請求項２に記載の予兆診断装置であって、
   運転時の周辺の環境及び前記自動車の状況を、移動情報端末に加えて、車載センサによって取得される情報も用いて特定することを特徴とする予兆診断装置。
5. 請求項２から請求項４のいずれか１項に記載の予兆診断装置であって、
   前記自動車の運転時の測定データは、前記自動車に加えられたブレーキ、ハンドル、アクセル操作のうち、少なくとも１つの操作により生じた状態を測定したものであることを特徴とする予兆診断装置。
6. 請求項２から請求項５のいずれか１項に記載の予兆診断装置であって、
   運転時の周辺の環境及び前記自動車の状況を、移動情報端末によって取得される前記自動車の速度、加速度、位置情報を用いて特定し、これを使って前記自動車のブレーキ装置を異常検知することを特徴とする予兆診断装置。
7. 請求項１から請求項６のいずれか１項に記載の予兆診断装置であって、
   前記処理手段は、連続的に取得される前記測定データについて、前記自動車が運転中に操作量が与えられた期間の前記測定データを前記正常運転時のデータとして記憶することを特徴とする予兆診断装置。
8. 請求項１から請求項７のいずれか１項に記載の予兆診断装置であって、
   前記自動車の運転時の周辺の環境は、前記自動車の位置に置ける気象の情報を含むことを特徴とする予兆診断装置。
9. 自動車の運転時の測定データを使って、過去における自動車の正常運転時のデータと、診断対象となる時刻の測定データとの差から、自動車の異常を検知する予兆診断方法であって、
   前記自動車の運転時の測定データと前記自動車の運転時の周辺の環境及び前記自動車の状況から、前処理により前記自動車のブレーキ期間及び直進時のデータと道路傾斜のデータを求め、前処理後のデータの項目について前記自動車の正常運転時のデータとして記憶し、診断対象となる前記測定データが計測された時刻における前記自動車の運転時の周辺の環境及び前記自動車の状況に類似した周辺の環境及び自動車の状況の時の過去に記憶された正常運転時のデータを用いて異常検知するとともに、
   自動車の運動方程式をもとに作成されて、ブレーキが作動しているかどうかを判定するための経験モデルを用いて、自動車の運転時の測定データから前記自動車のブレーキ期間のデータを得ることを特徴とする予兆診断方法。

Images