JP7344078B2 - Abnormality determination device and abnormality determination method - Google Patents

Abnormality determination device and abnormality determination method Download PDF

Info

Publication number
JP7344078B2
JP7344078B2 JP2019189016A JP2019189016A JP7344078B2 JP 7344078 B2 JP7344078 B2 JP 7344078B2 JP 2019189016 A JP2019189016 A JP 2019189016A JP 2019189016 A JP2019189016 A JP 2019189016A JP 7344078 B2 JP7344078 B2 JP 7344078B2
Authority
JP
Japan
Prior art keywords
determination
vehicle
abnormality determination
error
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019189016A
Other languages
Japanese (ja)
Other versions
JP2021063742A (en
Inventor
雄介 岩▲崎▼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Denso Ten Ltd
Original Assignee
Denso Ten Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Denso Ten Ltd filed Critical Denso Ten Ltd
Priority to JP2019189016A priority Critical patent/JP7344078B2/en
Publication of JP2021063742A publication Critical patent/JP2021063742A/en
Application granted granted Critical
Publication of JP7344078B2 publication Critical patent/JP7344078B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Description

開示の実施形態は、異常判定装置および異常判定方法に関する。 The disclosed embodiments relate to an abnormality determination device and an abnormality determination method.

従来、車両のＥＣＵ（Electronic Control Unit）に人工知能を搭載し、ＥＣＵの制御プログラムを逐次学習して更新する技術がある（例えば、特許文献１参照）。 BACKGROUND ART Conventionally, there is a technology in which an ECU (Electronic Control Unit) of a vehicle is equipped with artificial intelligence, and a control program of the ECU is sequentially learned and updated (see, for example, Patent Document 1).

特開２０１８－６０２６８号公報JP 2018-60268 Publication

しかしながら、例えば、回帰モデル等の人工知能は、再学習を行う度に、毎回多くのパラメータを適合し直す煩雑な工程が必要である。 However, for example, artificial intelligence such as a regression model requires a complicated process of re-adapting many parameters each time re-learning is performed.

実施形態の一態様は、上記に鑑みてなされたものであって、再学習に伴う煩雑な工程の数を低減することができる異常判定装置および異常判定方法を提供することを目的とする。 One aspect of the embodiment has been made in view of the above, and aims to provide an abnormality determination device and an abnormality determination method that can reduce the number of complicated steps associated with relearning.

実施形態の一態様に係る異常判定装置は、機械学習された複数の回帰モデルと、判定部と、決定部と、統計処理部と、変更部とを備える。機械学習された複数の回帰モデルは、センサから入力される車両の状態を示す情報を回帰分析して数値に変換する。判定部は、前記回帰モデル毎に設けられ、前記回帰モデルによって変換された前記数値に基づいて前記車両の状態が異常か否かを判定する。決定部は、各前記判定部による判定結果に所定の重み係数を乗算して前記車両の状態の最終判定結果を決定する。統計処理部は、前記回帰モデル毎の前記数値の統計値と、全前記判定部において共通の適合定数とに基づいて、前記判定部毎に前記車両の状態の判定基準を修正する。変更部は、前記回帰モデルの再学習が行われる場合に、前記統計値と前記適合定数との誤差に応じて前記重み係数を変更する。 An abnormality determination device according to one aspect of the embodiment includes a plurality of regression models subjected to machine learning, a determination unit, a determination unit, a statistical processing unit, and a change unit. A plurality of machine-learned regression models perform regression analysis on information indicating the state of the vehicle input from sensors and convert it into numerical values. The determination unit is provided for each regression model, and determines whether the state of the vehicle is abnormal based on the numerical value converted by the regression model. The determination unit determines a final determination result of the state of the vehicle by multiplying the determination result by each of the determination units by a predetermined weighting coefficient. The statistical processing section corrects the criteria for determining the state of the vehicle for each of the determination sections based on the statistical value of the numerical values for each of the regression models and a common adaptation constant for all of the determination sections. The changing unit changes the weighting coefficient according to an error between the statistical value and the adaptation constant when relearning the regression model.

実施形態の一態様に係る異常判定装置および異常判定方法は、再学習に伴う煩雑な工程の数を低減することができる。 The abnormality determination device and the abnormality determination method according to one aspect of the embodiment can reduce the number of complicated steps associated with relearning.

図１は、実施形態に係る異常判定装置の概略構成を示すブロック図である。FIG. 1 is a block diagram showing a schematic configuration of an abnormality determination device according to an embodiment. 図２は、実施形態に係る出力変換部の構成を示すブロック図である。FIG. 2 is a block diagram showing the configuration of the output converter according to the embodiment. 図３は、実施形態に係る適合定数の説明図である。FIG. 3 is an explanatory diagram of adaptation constants according to the embodiment. 図４は、実施形態に係る適合定数と統計値との誤差と重み係数との関係を示す説明図である。FIG. 4 is an explanatory diagram showing the relationship between the error between the fitting constant and the statistical value and the weighting coefficient according to the embodiment. 図５は、実施形態に係る異常判定装置が実行する処理の一例を示すフローチャートである。FIG. 5 is a flowchart illustrating an example of a process executed by the abnormality determination device according to the embodiment. 図６は、実施形態の変形例に係る出力変換部の構成を示すブロック図である。FIG. 6 is a block diagram showing the configuration of an output converter according to a modification of the embodiment.

以下、添付図面を参照して、異常判定装置および異常判定方法の実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。異常判定装置は、例えば、車両のエンジンのノッキングを検知するセンサから入力される情報に基づいて、ノッキング異常が発生したか否かを判定する。なお、実施形態に係る異常判定装置は、ノッキング異常以外に、車両の状態を検知する任意のセンサから入力される情報に基づいて、車両における任意の異常の発生を判定することができる。 Hereinafter, embodiments of an abnormality determination device and an abnormality determination method will be described in detail with reference to the accompanying drawings. Note that the present invention is not limited to the embodiments described below. The abnormality determination device determines whether or not a knocking abnormality has occurred, for example, based on information input from a sensor that detects knocking in a vehicle engine. Note that the abnormality determination device according to the embodiment can determine the occurrence of any abnormality in the vehicle other than the knocking abnormality based on information input from any sensor that detects the state of the vehicle.

図１は、実施形態に係る異常判定装置１の概略構成を示すブロック図である。異常判定装置１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを有するマイクロコンピュータや各種の回路を含む。 FIG. 1 is a block diagram showing a schematic configuration of an abnormality determination device 1 according to an embodiment. The abnormality determination device 1 includes a microcomputer having a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM (Random Access Memory), and various other circuits.

異常判定装置１は、ＣＰＵがＲＯＭに記憶されたプログラムを、ＲＡＭを作業領域として使用して実行することにより機能する数値算出部２と、回帰モデル３－１～３－ｎと、出力変換部４－１～４－ｎと、多数決処理部６とを備える。 The abnormality determination device 1 includes a numerical calculation unit 2 that functions when the CPU executes a program stored in the ROM using the RAM as a work area, regression models 3-1 to 3-n, and an output conversion unit. 4-1 to 4-n and a majority decision processing section 6.

なお、異常判定装置１が備える数値算出部２、回帰モデル３－１～３－ｎ、出力変換部４－１～４－ｎ、および多数決処理部６は、一部または全部がＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアで構成されてもよい。 Note that the numerical calculation unit 2, regression models 3-1 to 3-n, output conversion units 4-1 to 4-n, and majority decision processing unit 6 included in the abnormality determination device 1 are partially or completely implemented using ASIC (Application Specific It may be configured with hardware such as an FPGA (Field Programmable Gate Array) or an FPGA (Field Programmable Gate Array).

異常判定装置１が備える回帰モデル３－１～３－ｎ、出力変換部４－１～４－ｎ、および多数決処理部６は、それぞれ以下に説明する情報処理の作用を実現または実行する。なお、異常判定装置１の内部構成は、図１に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。 The regression models 3-1 to 3-n, the output conversion units 4-1 to 4-n, and the majority decision processing unit 6 included in the abnormality determination device 1 each realize or execute the information processing function described below. Note that the internal configuration of the abnormality determination device 1 is not limited to the configuration shown in FIG. 1, and may be any other configuration as long as it performs information processing to be described later.

図１に示すように、異常判定装置１は、車両に搭載される初期の品質担保や判定精度の向上のために、既存のロジックである数値算出部２を使用する判定処理系と、並列に設けられる複数の回帰モデル３－１～３－ｎを使用する判定処理系とを備える。 As shown in FIG. 1, an abnormality determination device 1 is installed in parallel with a determination processing system that uses a numerical value calculation unit 2, which is an existing logic, in order to ensure the initial quality installed in the vehicle and improve determination accuracy. and a determination processing system that uses a plurality of regression models 3-1 to 3-n.

数値算出部２は、センサ１００から入力されるエンジンの状態を示す情報を数値に変換して出力変換部４－１へ出力する。回帰モデル３－１～３－ｎは、予め機械学習によって学習したパラメータが設定されており、センサ１００から入力されるエンジンの状態を示す情報を回帰分析し、数値に変換して出力変換部４－２～４－ｎへ出力する。 Numeric value calculation section 2 converts information indicating the state of the engine inputted from sensor 100 into a numerical value and outputs the numerical value to output conversion section 4-1. The regression models 3-1 to 3-n are set with parameters learned in advance through machine learning, perform regression analysis on information indicating the engine status inputted from the sensor 100, convert it into numerical values, and send the output conversion unit 4 to the regression model 3-1 to 3-n. Output to -2 to 4-n.

出力変換部４－１～４－ｎは、適合定数５を記憶しており、適合定数５と入力される数値とに基づいて車両の状態が異常か否かを判定し、各判定結果を多数決処理部６内の対応する重み付け部７－１～７－ｎへ出力する。適合定数５については、図３を参照して後述する。 The output conversion units 4-1 to 4-n store a conformity constant 5, and determine whether the vehicle condition is abnormal based on the conformity constant 5 and the input numerical value, and each determination result is determined by a majority vote. It is output to the corresponding weighting sections 7-1 to 7-n in the processing section 6. The adaptation constant 5 will be described later with reference to FIG.

各重み付け部７－１～７－ｎは、出力変換部４－１～４－ｎから入力される判定結果に対して、予め設定される重み係数を乗算して決定部８へ出力する。決定部８は、各重み付け部７－１～７－ｎから入力される判定結果を多数決処理することによって、車両の状態の最終判定結果を決定し、ＥＣＵ１０１へ出力する。 Each of the weighting units 7-1 to 7-n multiplies the determination results inputted from the output conversion units 4-1 to 4-n by a preset weighting coefficient and outputs the result to the determination unit 8. The determining unit 8 determines the final determination result of the state of the vehicle by performing majority voting on the determination results input from each of the weighting units 7-1 to 7-n, and outputs it to the ECU 101.

なお、以下では、複数の回帰モデル３－１～３－ｎのうち、任意の一つ、または全てを指す場合には、回帰モデル３と記載する。また、出力変換部４－１～４－ｎについても同様に、任意の一つ、または全てを指す場合には、出力変換部４と記載する。また、重み付け部７－１～７－ｎについても同様に、任意の一つ、または全てを指す場合には、重み付け部７と記載する。 Note that, in the following, when any one or all of the plurality of regression models 3-1 to 3-n is referred to, it will be referred to as regression model 3. Similarly, when any one or all of the output conversion units 4-1 to 4-n are referred to, they are referred to as output conversion unit 4. Similarly, when referring to any one or all of the weighting units 7-1 to 7-n, the term weighting unit 7 is used.

かかる異常判定装置１は、例えば、故障や異常判定の精度が低下した場合に、整備工場等において回帰モデル３の再学習が行われる。異常判定装置１は、回帰モデル３の再学習を行う度に、各重み付け部７において乗算に使用される重み係数を毎回適合し直す工程が必要となる。 In such an abnormality determination device 1, for example, when the accuracy of failure or abnormality determination decreases, relearning of the regression model 3 is performed at a maintenance shop or the like. The abnormality determination device 1 requires a step of re-adapting the weighting coefficients used for multiplication in each weighting section 7 each time the regression model 3 is re-learned.

具体的には、回帰モデル３の出力は、絶対値である。そのため、再学習による回帰モデル３の変更前に、テスト用入力データに対する各ＡＩ（人工知能）や既存の制御ロジックの出力結果から、制御が成立しうる重み係数を適合する必要がある。同様に、出力変換部４において使用される定数やＭＡＰ（線形変換関数）等も適合し直す工程が必要となる。そして、かかる工程は、作業内容が煩雑である。 Specifically, the output of regression model 3 is an absolute value. Therefore, before changing the regression model 3 by relearning, it is necessary to adapt weighting coefficients that allow control to be established from the output results of each AI (artificial intelligence) and existing control logic for test input data. Similarly, a process of re-adapting the constants, MAP (linear conversion function), etc. used in the output conversion section 4 is required. Further, the work content of this process is complicated.

そこで、実施形態に係る出力変換部４は、再学習に伴う煩雑な工程の数を低減する構成を備える。次に、図２～図４を参照して、実施形態に係る出力変換部４の構成および動作について説明する。 Therefore, the output conversion unit 4 according to the embodiment has a configuration that reduces the number of complicated steps associated with relearning. Next, the configuration and operation of the output converter 4 according to the embodiment will be described with reference to FIGS. 2 to 4.

図２は、実施形態に係る出力変換部４の構成を示すブロック図である。図３は、実施形態に係る適合定数５の説明図である。図４は、実施形態に係る適合定数５と統計値との誤差と重み係数との関係を示す説明図である。 FIG. 2 is a block diagram showing the configuration of the output converter 4 according to the embodiment. FIG. 3 is an explanatory diagram of the adaptation constant 5 according to the embodiment. FIG. 4 is an explanatory diagram showing the relationship between the error between the fitting constant 5 and the statistical value and the weighting coefficient according to the embodiment.

図２に示すように、出力変換部４は、判定部４１と、統計処理部４２と、変更部４３とを備える。判定部４１は、回帰モデル３から入力される数値と、統計処理部４２に記憶された適合定数５とに基づいて車両の状態が異常か否かを判定し、判定結果を重み付け部７へ出力する。 As shown in FIG. 2, the output converting section 4 includes a determining section 41, a statistical processing section 42, and a changing section 43. The determining unit 41 determines whether the state of the vehicle is abnormal based on the numerical value input from the regression model 3 and the adaptation constant 5 stored in the statistical processing unit 42, and outputs the determination result to the weighting unit 7. do.

統計処理部４２は、経年劣化や機差違いを吸収（自動修正）させる統計処理を行う。具体的には、統計処理部４２は、例えば、統計的な基準値（平均値や３σ等）からの変化割合、基準値超えが発生した割合等の相対値を適合定数５として記憶している。 The statistical processing unit 42 performs statistical processing to absorb (automatically correct) aging deterioration and machine differences. Specifically, the statistical processing unit 42 stores relative values such as the rate of change from a statistical standard value (average value, 3σ, etc.), the rate at which the standard value is exceeded, etc., as the adaptation constant 5. .

図３の下図には、統計処理部４２による統計処理のシミュレーション結果を示しており、上図には、統計処理部４２による実際の統計処理結果を示している。なお、図３の横軸は、入力される数値を示しており、縦軸は、確率を示している。 The lower diagram in FIG. 3 shows simulation results of statistical processing by the statistical processing unit 42, and the upper diagram shows actual statistical processing results by the statistical processing unit 42. Note that the horizontal axis in FIG. 3 indicates input numerical values, and the vertical axis indicates probability.

シミュレーションにおいて、統計処理部４２へ入力される全数値の統計を取った場合に、所定の基準値（例えば、３σ）を超え、車両の状態が異常であることを示す数値の数が、例えば、全数値の３％である場合、この３％を適合定数とする。 In the simulation, when statistics are taken on all the numerical values input to the statistical processing unit 42, the number of numerical values that exceed a predetermined reference value (for example, 3σ) and indicate that the state of the vehicle is abnormal is, for example, If it is 3% of the total value, this 3% is taken as the adaptation constant.

そして、統計処理部４２は、上記基準値を判定部４１へ出力する。判定部４１は、統計処理部４２から入力される基準値を判定基準として使用し、基準値を超える数値が回帰モデル３から入力される場合に、車両の状態を異常と判定する。 Then, the statistical processing unit 42 outputs the reference value to the determination unit 41. The determination unit 41 uses the reference value input from the statistical processing unit 42 as a determination criterion, and determines the state of the vehicle to be abnormal when a numerical value exceeding the reference value is input from the regression model 3.

しかし、統計処理部４２は、経年劣化や機差違い等の要因によって、実際に回帰モデル３から入力される数値の統計処理を行った場合、統計処理結果とシミュレーション結果との間にずれが生じることがある。 However, due to factors such as aging and machine differences, when the statistical processing unit 42 actually performs statistical processing on the numerical values input from the regression model 3, a discrepancy occurs between the statistical processing results and the simulation results. Sometimes.

図３に示す例では、実際の統計処理結果の数値が全体的に高くなっている。このような場合、判定部４１は、基準値に基づき車両の異常判定を行うと、実際には、３％の確率でしか発生しない車両の異常を、例えば、４％の確率で異常が発生するものとして判定することになり、正常な車両の状態を異常と誤判定する恐れがある。 In the example shown in FIG. 3, the numerical values of the actual statistical processing results are generally high. In such a case, when determining the abnormality of the vehicle based on the reference value, the determination unit 41 determines that the abnormality of the vehicle actually occurs with a probability of only 3%, but that the abnormality occurs with a probability of 4%, for example. Therefore, there is a risk that a normal vehicle condition may be erroneously determined to be abnormal.

そこで、統計処理部４２は、適合定数５と、実際の統計値とに基づいて、判定部４１による判定基準を自動的に修正する。例えば、図３に示す例の場合、統計処理部４２は、判定部４１による異常判定の閾値を上げることで、判定基準を下げる修正を行う。 Therefore, the statistical processing unit 42 automatically corrects the criteria for determination by the determination unit 41 based on the adaptation constant 5 and the actual statistical value. For example, in the case of the example shown in FIG. 3, the statistical processing unit 42 lowers the determination standard by increasing the threshold for abnormality determination by the determination unit 41.

異常判定装置１は、全ての出力変換部４に共通の同じ適合定数５を記憶した統計処理部４２が設けられる。そして、適合定数５は、予め決定された統計的な基準値を超える数値が全数値に占める割合を示す定数である。 The abnormality determination device 1 is provided with a statistical processing section 42 that stores the same adaptation constant 5 common to all output conversion sections 4. The suitability constant 5 is a constant indicating the proportion of the total number of values exceeding a predetermined statistical reference value.

このため、各統計処理部４２は、回帰モデル３の再学習が行われる場合に、適合定数５に基づいて、各判定部４１による判定基準を適切に自動修正することができる。したがって、異常判定装置１は、回帰モデル３の再学習が行われる場合に、出力変換部４において使用される定数やＭＡＰを適合し直す工程が不要となる。 Therefore, each statistical processing unit 42 can automatically correct the determination criteria by each determination unit 41 based on the adaptation constant 5 when the regression model 3 is retrained. Therefore, when the regression model 3 is re-trained, the abnormality determination device 1 does not require a process of re-adapting the constants and MAP used in the output conversion unit 4.

図２へ戻り、変更部４３について説明する。変更部４３は、適合定数５が複数の出力変換部４に共通であることと、適合定数５が回帰モデル３の再学習前後で不変であることを利用して、重み係数を変更する。 Returning to FIG. 2, the changing unit 43 will be explained. The changing unit 43 changes the weighting coefficient by utilizing the fact that the fitness constant 5 is common to the plurality of output conversion units 4 and that the fitness constant 5 is unchanged before and after relearning the regression model 3.

具体的には、変更部４３は、回帰モデル３の再学習が行われる場合に、統計処理部４２から統計値と適合定数５とを取得し、統計値と適合定数５との誤差を算出する。かかる誤差は、大きいほど判定部４１の判定結果の信頼性が低いことを意味する。 Specifically, when the regression model 3 is retrained, the changing unit 43 acquires the statistical value and the fitness constant 5 from the statistical processing unit 42, and calculates the error between the statistical value and the fitness constant 5. . The larger this error is, the lower the reliability of the determination result of the determination unit 41 is.

そこで、変更部４３は、算出した誤差が大きいほど軽減した重み係数を後段の重み付け部７へ出力して設定する。ただし、誤差が比較的小さい場合、重み係数の変更が車両状態の異常判定に大きく影響することがない。 Therefore, the changing unit 43 outputs and sets a weighting coefficient that is reduced as the calculated error becomes larger, to the subsequent weighting unit 7. However, if the error is relatively small, changing the weighting coefficient will not greatly affect the abnormality determination of the vehicle state.

このため、図４に示すように、統計値と適合定数５との誤差が許容範囲（例えば、１０％）内であれば、重み係数を１に維持する。これにより、異常判定装置１は、回帰モデル３の再学習が行われる場合に、重み係数の不要な変更工程を省略することができる。 Therefore, as shown in FIG. 4, if the error between the statistical value and the adaptation constant 5 is within the allowable range (for example, 10%), the weighting coefficient is maintained at 1. Thereby, the abnormality determination device 1 can omit an unnecessary change step of the weighting coefficient when relearning the regression model 3 is performed.

また、変更部４３は、統計値と適合定数５との誤差が許容範囲（例えば、１０％）を超える場合、誤差が大きくなるほど重み係数を軽減する。これにより、異常判定装置１は、車両状態の異常判定精度を向上させることができる。 Further, when the error between the statistical value and the adaptation constant 5 exceeds an allowable range (for example, 10%), the changing unit 43 reduces the weighting coefficient as the error increases. Thereby, the abnormality determination device 1 can improve the accuracy of abnormality determination of the vehicle state.

このように、異常判定装置１では、回帰モデル３の再学習が行われる場合に、変更部４３が統計値と適合定数５とに基づいて、重み係数を自動的に修正するので、再学習の度に重み係数を適合し直す工程が不要となる。 In this way, in the abnormality determination device 1, when the regression model 3 is retrained, the changing unit 43 automatically modifies the weighting coefficient based on the statistical value and the adaptation constant 5, so that the relearning is performed. This eliminates the need to re-adapt the weighting coefficients each time.

また、異常判定装置１は、例えば、統計値と適合定数５との相対的な誤差を回帰モデル３同士間で比較する誤差比較部が設けられてもよい。かかる構成の場合、異常判定装置１は、誤差比較部によって、再学習後の統計値と適合定数５との誤差が他の回帰モデル３と比較して大きいと判定される回帰モデル３が新たな回帰モデル３と交換される。これにより、異常判定装置１は、車両状態の異常判定精度を向上させることができる。 Further, the abnormality determination device 1 may be provided with an error comparison unit that compares the relative error between the statistical value and the adaptation constant 5 between the regression models 3, for example. In such a configuration, the abnormality determination device 1 determines that the regression model 3 whose error between the statistical value after relearning and the fitness constant 5 is determined to be large compared to other regression models 3 by the error comparison unit is a new regression model 3. Replaced with regression model 3. Thereby, the abnormality determination device 1 can improve the accuracy of abnormality determination of the vehicle state.

次に、図５を参照し、実施形態に係る異常判定装置１が実行する処理について説明する。図５は、実施形態に係る異常判定装置１が実行する処理の一例を示すフローチャートである。異常判定装置１は、回帰モデル３の再学習を行う場合に、図５に示す処理を実行する。 Next, with reference to FIG. 5, processing executed by the abnormality determination device 1 according to the embodiment will be described. FIG. 5 is a flowchart illustrating an example of a process executed by the abnormality determination device 1 according to the embodiment. The abnormality determination device 1 executes the process shown in FIG. 5 when relearning the regression model 3.

具体的には、回帰モデル３の再学習を行う場合、異常判定装置１では、図５に示すように、数値算出部２および各回帰モデル３が、学習用のセンサ出力を数値に変換し（ステップＳ１０１）、出力変換部４へ出力する。 Specifically, when relearning the regression model 3, in the abnormality determination device 1, the numerical value calculation unit 2 and each regression model 3 convert the sensor output for learning into numerical values ( Step S101), output to the output converter 4.

各出力変換部４では、判定部４１が、回帰モデル３から入力される数値に基づいて車両の状態を判定し（ステップＳ１０２）、判定結果を多数決処理部６へ出力する。このとき、統計処理部４２にも回帰モデル３から順次、数値が入力される。 In each output conversion unit 4, the determination unit 41 determines the state of the vehicle based on the numerical value input from the regression model 3 (step S102), and outputs the determination result to the majority decision processing unit 6. At this time, numerical values are sequentially input from the regression model 3 to the statistical processing unit 42 as well.

多数決処理部６では、各重み付け部７が、判定部４１から入力される判定結果に重み係数を乗算し（ステップＳ１０３）、決定部８へ出力する。決定部８は、各重み付け部７から入力される判定結果を多数決処理することによって、車両の状態の最終判定結果を決定し（ステップＳ１０４）、ＥＣＵ１０１へ出力する。 In the majority vote processing unit 6, each weighting unit 7 multiplies the determination result inputted from the determination unit 41 by a weighting coefficient (step S103), and outputs the result to the determination unit 8. The determining unit 8 determines the final determination result of the state of the vehicle by subjecting the determination results input from each weighting unit 7 to a majority vote process (step S104), and outputs it to the ECU 101.

その後、異常判定装置１は、再学習が修了したか否かを判定する（ステップＳ１０５）。このとき、異常判定装置１は、全ての学習用のセンサ出力についての回帰分析が完了した場合に、再学習が終了したと判定する。 After that, the abnormality determination device 1 determines whether relearning has been completed (step S105). At this time, the abnormality determination device 1 determines that relearning has been completed when regression analysis of all learning sensor outputs has been completed.

そして、異常判定装置１は、再学習が終了していないと判定した場合（ステップＳ１０５，Ｎｏ）、処理をステップＳ１０１へ移し、再学習が終了するまでステップＳ１０１～ステップＳ１０５の処理を繰り返す。 Then, when the abnormality determination device 1 determines that the relearning has not been completed (step S105, No), the process moves to step S101, and the processes of steps S101 to S105 are repeated until the relearning is completed.

そして、異常判定装置１は、再学習が終了したと判定した場合（ステップＳ１０５，Ｙｅｓ）、処理をステップＳ１０６へ移す。ステップＳ１０６において、統計処理部４２は、回帰モデル３から入力される数値の統計処理を行い、統計値と適合定数５とに基づいて車両の判定基準を修正し、修正後の判定基準を判定部４１へ出力する。 Then, when the abnormality determination device 1 determines that the relearning has ended (step S105, Yes), the process moves to step S106. In step S106, the statistical processing unit 42 performs statistical processing on the numerical values input from the regression model 3, corrects the vehicle judgment criteria based on the statistical values and the adaptation constant 5, and transfers the modified judgment criteria to the judgment unit. Output to 41.

また、判定部４１は、統計値と適合定数５とを変更部４３へ出力する。変更部４３は、統計値と適合定数５との誤差を算出する（ステップＳ１０７）。続いて、変更部４３は、誤差が許容範囲内か否かを判定する（ステップＳ１０８）。 Further, the determining unit 41 outputs the statistical value and the adaptation constant 5 to the changing unit 43. The changing unit 43 calculates the error between the statistical value and the fitness constant 5 (step S107). Subsequently, the changing unit 43 determines whether the error is within an allowable range (step S108).

そして、変更部４３は、誤差が許容範囲内であると判定した場合（ステップＳ１０８，Ｙｅｓ）、重み係数を維持し（ステップＳ１０９）、処理を終了する。また、変更部４３は、誤差が許容範囲内でないと判定した場合（ステップＳ１０８，Ｎｏ）、誤差が大きいほど重み係数を軽減し（ステップＳ１１０）、軽減した重み係数を重み付け部７に設定して処理を終了する。 If the changing unit 43 determines that the error is within the allowable range (step S108, Yes), the changing unit 43 maintains the weighting coefficient (step S109) and ends the process. Further, when the changing unit 43 determines that the error is not within the allowable range (step S108, No), the larger the error, the more the weighting coefficient is reduced (step S110), and setting the reduced weighting coefficient in the weighting unit 7. Finish the process.

なお、上述した実施形態は一例であり、実施形態に係る異常判定装置１は、種々の変形が可能である。次に、図６を参照し、変形例に係る異常判定装置について説明する。変形例に係る異常判定装置は、出力変換部の構成が図２に示す出力変換部４とは異なる。このため、ここでは、変形例に係る出力変換部について説明し、他の構成要素については、重複する説明を省略する。 Note that the embodiment described above is an example, and the abnormality determination device 1 according to the embodiment can be modified in various ways. Next, with reference to FIG. 6, an abnormality determination device according to a modified example will be described. In the abnormality determination device according to the modification, the configuration of the output conversion section is different from the output conversion section 4 shown in FIG. 2. Therefore, here, the output converter according to the modified example will be described, and redundant description of the other components will be omitted.

図６は、実施形態の変形例に係る出力変換部の構成を示すブロック図である。図２に示した出力変換部４では、個々の出力変換部４が入力される数値の統計値と適合定数５との誤差に基づいて重み係数を変更したが、変形例に係る出力変換部４ａ－１は、他の出力変換部４ａ―２～４ａ―ｎにおける統計値と適合定数５との誤差も使用して重み係数を変更する。 FIG. 6 is a block diagram showing the configuration of an output converter according to a modification of the embodiment. In the output conversion unit 4 shown in FIG. 2, each output conversion unit 4 changes the weighting coefficient based on the error between the statistical value of the input numerical value and the adaptation constant 5, but the output conversion unit 4a according to a modified example -1 changes the weighting coefficient by also using the error between the statistical value in the other output conversion units 4a-2 to 4a-n and the adaptation constant 5.

このため、図６に示すように、出力変換部４ａ－１の変更部４３ａは、他の各出力変換部４ａ－２～４ａ―ｎから統計値と適合定数５との誤差を取得する。また、出力変換部４ａ－１の変更部４３ａは、出力変換部４ａ－１における統計値と適合定数５との誤差を他の各出力変換部４ａ－２～４ａ―ｎへ出力する。 Therefore, as shown in FIG. 6, the changing unit 43a of the output converting unit 4a-1 obtains the error between the statistical value and the adaptation constant 5 from each of the other output converting units 4a-2 to 4a-n. Further, the changing unit 43a of the output converting unit 4a-1 outputs the error between the statistical value in the output converting unit 4a-1 and the adaptation constant 5 to each of the other output converting units 4a-2 to 4a-n.

そして、各出力変換部４ａ－１～４ａ―ｎの変更部４３ａは、全回帰モデル３の相対的な誤差に基づいて、後段の重み付け部７に設定する重み係数を変更する。これにより、異常判定装置１は、より適切な重み係数を設定することができる。 Then, the changing unit 43a of each output converting unit 4a-1 to 4a-n changes the weighting coefficient set in the subsequent weighting unit 7 based on the relative error of the full regression model 3. Thereby, the abnormality determination device 1 can set more appropriate weighting coefficients.

例えば、各出力変換部４ａ－１～４ａ―ｎの変更部４３ａは、Ｓｏｆｔｍａｘ関数を使用して、各回帰モデル３の誤差を、誤差の確からしさを示す確率に変換し、変換した確率に基づいて重み係数を変更する。これにより、異常判定装置１は、より信頼性の高い重み係数を設定することができる。 For example, the changing unit 43a of each output converting unit 4a-1 to 4a-n converts the error of each regression model 3 into a probability indicating the certainty of the error using a Softmax function, and based on the converted probability to change the weighting coefficient. Thereby, the abnormality determination device 1 can set more reliable weighting coefficients.

また、各出力変換部４ａ－１～４ａ―ｎの変更部４３ａは、車両の状態を示す同一の情報に対する各判定部４１の判定結果に乗算する重み係数を全重み係数の総和が１となるように調整する。これにより、異常判定装置１は、決定部８による車両の状態の最終判定結果を決定する処理を簡略化すること可能となる。 Further, the changing unit 43a of each output converting unit 4a-1 to 4a-n sets a weighting coefficient by which the determination result of each determining unit 41 for the same information indicating the state of the vehicle is multiplied so that the sum of all weighting coefficients becomes 1. Adjust as follows. Thereby, the abnormality determination device 1 can simplify the process of determining the final determination result of the vehicle state by the determination unit 8.

また、異常判定装置１は、回帰モデル３間の誤差を算出する場合、回帰モデル３間の誤差に基づいて各回帰モデル３の確からしさを評価し、評価結果を、例えば、クラウドへ通知することにより、回帰モデル３やロジックの問題点を開発者へ知らせることができる。 Further, when calculating the error between the regression models 3, the abnormality determination device 1 evaluates the certainty of each regression model 3 based on the error between the regression models 3, and notifies the evaluation result to, for example, the cloud. This allows developers to be informed of problems with regression model 3 and logic.

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。 Further advantages and modifications can be easily deduced by those skilled in the art. Therefore, the broader aspects of the invention are not limited to the specific details and representative embodiments shown and described above. Accordingly, various changes may be made without departing from the spirit or scope of the general inventive concept as defined by the appended claims and their equivalents.

１ 異常判定装置
２ 数値算出部
３，３－１～３－ｎ 回帰モデル
４，４－１～４－ｎ，４ａ－１～４ａ―ｎ 出力変換部
４１ 判定部
４２ 統計処理部
４３，４３ａ 変更部
５ 適合定数
６ 多数決処理部
７，７－１～７－ｎ 重み付け部
８ 決定部
１００ センサ
１０１ ＥＣＵ 1 Abnormality determination device 2 Numerical calculation unit 3, 3-1 to 3-n Regression model 4, 4-1 to 4-n, 4a-1 to 4a-n Output conversion unit 41 Judgment unit 42 Statistical processing unit 43, 43a Change Section 5 Compatibility constant 6 Majority processing section 7, 7-1 to 7-n Weighting section 8 Determination section 100 Sensor 101 ECU

Claims (7)

センサから入力される車両の状態を示す情報を回帰分析して数値に変換する機械学習された複数の回帰モデルと、
前記回帰モデル毎に設けられ、前記回帰モデルによって変換された前記数値に基づいて前記車両の状態が異常か否かを判定する判定部と、
各前記判定部による判定結果に所定の重み係数を乗算して前記車両の状態の最終判定結果を決定する決定部と、
前記回帰モデル毎の前記数値の統計値と、全前記判定部において共通の適合定数とに基づいて、前記判定部毎に前記車両の状態の判定基準を修正する統計処理部と、
前記回帰モデルの再学習が行われる場合に、前記統計値と前記適合定数との誤差に応じて前記重み係数を変更する変更部と
を備えることを特徴とする異常判定装置。 Multiple machine-learned regression models that perform regression analysis on information indicating the vehicle status input from sensors and convert it into numerical values;
a determination unit that is provided for each regression model and determines whether the state of the vehicle is abnormal based on the numerical value converted by the regression model;
a determination unit that determines a final determination result of the state of the vehicle by multiplying the determination result by each of the determination units by a predetermined weighting coefficient;
a statistical processing unit that corrects a criterion for determining the state of the vehicle for each of the determination units based on statistical values of the numerical values for each of the regression models and a common adaptation constant for all of the determination units;
An abnormality determination device comprising: a changing unit that changes the weighting coefficient according to an error between the statistical value and the adaptation constant when relearning the regression model. 前記変更部は、
前記回帰モデルの再学習後における前記誤差が所定の許容範囲内である場合に、前記重み係数を維持させる
ことを特徴とする請求項１に記載の異常判定装置。 The change part is
The abnormality determination device according to claim 1, wherein the weighting coefficient is maintained when the error after relearning the regression model is within a predetermined tolerance range. 前記変更部は、
前記回帰モデルの再学習後における前記誤差が所定の許容範囲を超える場合に、前記誤差が大きいほど前記重み係数を軽減させる
ことを特徴とする請求項１または請求項２に記載の異常判定装置。 The change part is
The abnormality determination device according to claim 1 or 2, wherein when the error after relearning the regression model exceeds a predetermined tolerance range, the larger the error, the more the weighting coefficient is reduced. 前記変更部は、
全前記回帰モデルの相対的な前記誤差に基づいて、前記重み係数を変更する
ことを特徴とする請求項１～３のいずれか一つに記載の異常判定装置。 The change part is
The abnormality determination device according to claim 1, wherein the weighting coefficient is changed based on the relative errors of all the regression models. 前記変更部は、
各前記回帰モデルの前記誤差を当該誤差の確からしさを示す確率に変換し、当該確率に基づいて各前記重み係数を決定する
ことを特徴とする請求項４に記載の異常判定装置。 The change part is
The abnormality determination device according to claim 4, wherein the error of each of the regression models is converted into a probability indicating the likelihood of the error, and each of the weighting coefficients is determined based on the probability. 前記変更部は、
車両の状態を示す同一の情報に対する各前記判定部の判定結果に乗算する前記重み係数を全前記重み係数の総和が１となるように調整する
ことを特徴とする請求項４または請求項５に記載の異常判定装置。 The change part is
According to claim 4 or claim 5, the weighting coefficients by which the determination results of each of the determination units for the same information indicating the state of the vehicle are multiplied are adjusted so that the sum of all the weighting coefficients is 1. The abnormality determination device described. センサから入力される車両の状態を示す情報を回帰分析して数値に変換する機械学習された複数の回帰モデル
を用い、
前記回帰モデル毎に、前記回帰モデルによって変換された前記数値に基づいて前記車両の状態が異常か否かを判定する判定工程と、
各前記判定工程による判定結果に所定の重み係数を乗算して前記車両の状態の最終判定結果を決定する決定工程と、
前記回帰モデル毎の前記数値の統計値と、全前記判定工程において共通の適合定数とに基づいて、前記判定工程毎に前記車両の状態の判定基準を修正する統計処理工程と、
前記回帰モデルの再学習が行われる場合に、前記統計値と前記適合定数との誤差に応じて前記重み係数を変更する変更工程と
を含むことを特徴とする異常判定方法。 Using multiple machine-learned regression models that perform regression analysis on information indicating the vehicle's condition input from sensors and convert it into numerical values,
a determination step of determining, for each regression model, whether the state of the vehicle is abnormal based on the numerical value converted by the regression model;
a determination step of multiplying the determination results from each of the determination steps by a predetermined weighting coefficient to determine a final determination result of the state of the vehicle;
a statistical processing step of correcting a criterion for determining the state of the vehicle in each of the determination steps based on statistical values of the numerical values for each of the regression models and a common adaptation constant in all of the determination steps;
An abnormality determination method, comprising: a changing step of changing the weighting coefficient according to an error between the statistical value and the adaptation constant when relearning the regression model.
JP2019189016A 2019-10-15 2019-10-15 Abnormality determination device and abnormality determination method Active JP7344078B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019189016A JP7344078B2 (en) 2019-10-15 2019-10-15 Abnormality determination device and abnormality determination method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019189016A JP7344078B2 (en) 2019-10-15 2019-10-15 Abnormality determination device and abnormality determination method

Publications (2)

Publication Number Publication Date
JP2021063742A JP2021063742A (en) 2021-04-22
JP7344078B2 true JP7344078B2 (en) 2023-09-13

Family

ID=75486111

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019189016A Active JP7344078B2 (en) 2019-10-15 2019-10-15 Abnormality determination device and abnormality determination method

Country Status (1)

Country Link
JP (1) JP7344078B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022249315A1 (en) * 2021-05-26 2022-12-01 三菱電機株式会社 Abnormality-determining device
CN118140260A (en) * 2022-10-03 2024-06-04 株式会社斯巴鲁 Information processing device, program

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015219029A (en) 2014-05-14 2015-12-07 株式会社デンソー Diagnosis data extraction device and vehicle diagnosis device
US20180239662A1 (en) 2017-02-15 2018-08-23 Sap Se Sensor data anomaly detection
JP2018178810A (en) 2017-04-10 2018-11-15 株式会社デンソーテン Knocking controller, knocking adaptation method and knocking adaptation program
JP2019036112A (en) 2017-08-15 2019-03-07 日本電信電話株式会社 Abnormal sound detector, abnormality detector, and program
JP2021039685A (en) 2019-09-05 2021-03-11 株式会社デンソーテン Abnormality detection device and abnormality detection method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06109498A (en) * 1992-09-29 1994-04-19 Toshiba Corp Detector for unsteady and abnormal state

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015219029A (en) 2014-05-14 2015-12-07 株式会社デンソー Diagnosis data extraction device and vehicle diagnosis device
US20180239662A1 (en) 2017-02-15 2018-08-23 Sap Se Sensor data anomaly detection
JP2018178810A (en) 2017-04-10 2018-11-15 株式会社デンソーテン Knocking controller, knocking adaptation method and knocking adaptation program
JP2019036112A (en) 2017-08-15 2019-03-07 日本電信電話株式会社 Abnormal sound detector, abnormality detector, and program
JP2021039685A (en) 2019-09-05 2021-03-11 株式会社デンソーテン Abnormality detection device and abnormality detection method

Also Published As

Publication number Publication date
JP2021063742A (en) 2021-04-22

Similar Documents

Publication Publication Date Title
JP7344078B2 (en) Abnormality determination device and abnormality determination method
Demetriou et al. Incipient fault diagnosis of dynamical systems using online approximators
CN109840362B (en) Multi-objective optimization-based integrated just-in-time learning industrial process soft measurement modeling method
KR101930420B1 (en) Metrology sampling method with sampling rate decision scheme and computer program product thereof
EP2228545B1 (en) Methods and apparatus to arbitrate valve position sensor redundancy
US20200326698A1 (en) Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method
CN110333074B (en) Multi-measuring-point transmission mechanism fault diagnosis method and system based on convolutional neural network
KR102156858B1 (en) Method for diagnosing and predicting robot arm's failure
US20190392533A1 (en) System and method for determining fault patterns from sensor data in product validation and manufacturing processes
CN110673515A (en) Monitoring of industrial facilities
CN115033724B (en) Multi-mode modulation algorithm-based method for identifying abnormal working conditions of electric smelting magnesium furnace
CN111784994A (en) Fire detection method and device
CN112926807A (en) Ultra-short-term prediction method and system for heat productivity of cabinet equipment by considering prediction error
KR20220068799A (en) System for detecting error of automation equipment and method thereof
EP2482149B1 (en) Electronic control unit
CN110889646B (en) Method for checking correctness of operating parameters of generator set adapting to working condition change
CN112489841A (en) Water level fault-tolerant control method for steam generator of nuclear power unit
JP2019113914A (en) Data identification device and data identification method
CN116243668A (en) Residual error generator optimization design method of dynamic control system in process industry
CN113688875B (en) Industrial system fault identification method and device
TWI794907B (en) Prognostic and health management system for system management and method thereof
CN112947370B (en) Safety analysis method and system for steam boiler system
CN110244563B (en) Neural network internal model controller model mismatch identification and online updating method
KR20200067604A (en) System for controlling and monitoring object
US20240037290A1 (en) Aircraft component selection

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220929

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230628

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230808

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230901

R150 Certificate of patent or registration of utility model

Ref document number: 7344078

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150