JP2002257689A - 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体 - Google Patents

自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体

Info

Publication number
JP2002257689A
JP2002257689A JP2001054518A JP2001054518A JP2002257689A JP 2002257689 A JP2002257689 A JP 2002257689A JP 2001054518 A JP2001054518 A JP 2001054518A JP 2001054518 A JP2001054518 A JP 2001054518A JP 2002257689 A JP2002257689 A JP 2002257689A
Authority
JP
Japan
Prior art keywords
vehicle
corrosion
amount
neural network
predicting
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.)
Withdrawn
Application number
JP2001054518A
Other languages
English (en)
Inventor
Hideaki Yaegashi
英明 八重樫
Tsuneo Sakauchi
恒雄 坂内
Shinobu Yoshimura
忍 吉村
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.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co 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 Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Priority to JP2001054518A priority Critical patent/JP2002257689A/ja
Publication of JP2002257689A publication Critical patent/JP2002257689A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/82—Elements for improving aerodynamics

Landscapes

  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

(57)【要約】 【課題】 【解決手段】 自動車の使用されている環境の温度、水
かかり量、湿度、塩分量、経過時間、走行距離数、所定
間隔で区切ったメッシュ空間位置、当該空間位置に対応
した自動車車体区分を入力データとし、腐食量を出力デ
ータとする教師データによってニューラルネットワーク
１１を学習し、腐食量を予測する自動車の環境の温度、
水かかり量、湿度、塩分量、経過時間、走行距離数、所
定間隔で区切ったメッシュ空間位置、当該空間位置に対
応した自動車車体区分を学習済みニューラルネットワー
クにキーボード１５またはデータ入出力装置２０から入
力して、学習済みニューラルネットワークから出力され
た結果を腐食量の予測値としてディスプレイ１６に表示
する自動車用腐食現象予測装置。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、自動車用腐食現象
予測装置、自動車用腐食現象予測方法、自動車用腐食現
象予測プログラム、および自動車用腐食現象予測プログ
ラムを記憶したコンピュータ読み取り可能な記録媒体に
関する。
【０００２】
【従来の技術】自動車の腐食は、自動車そのものの寿命
を左右する大きな問題であり、開発段階でその腐食寿命
を精度良く予測する必要性は極めて高い。
【０００３】従来から行われてきたシミュレーションに
よる腐食現象予測は、規格化された台上およびフィール
ドでの促進腐食試験や、市場モニター車から得られた腐
食情報を、線形多変量解析またはワイブル解析などの手
法を用いることで行われている。
【０００４】
【発明が解決しようとする課題】しかしながら、従来か
ら行われている手法では、部位および環境条件を限定し
た形で行うに止まっており、しかもその精度は必ずしも
満足いくものとはなっていなかった。
【０００５】その理由として、自動車腐食は、使用材
料、車体構造、環境などの様々な因子が非常に複雑に絡
み合い生じている現象であり、そのような腐食影響因子
が、目的とする予測したい腐食現象に対して線形関係に
あることが希であるのにもかかわらず、それらが線形関
係にあるものと仮定して解析していたことが挙げられ
る。
【０００６】また、例え個々の腐食影響因子と目的とす
る予測したい腐食現象との関係が、線形関係にないこと
がわかっていても、どのような非線形関係にあるのか、
そのメカニズムを明らかにした上でモデル式を確立し、
既知の非線形多変量解析に当てはめ、腐食現象を予測す
ることは、可能であるとは思われるものの、実際には極
めて困難な作業であり、現実的な方法とは言い難い。
【０００７】そこで本発明の目的は、このような従来非
常に難しいとされている自動車における腐食現象を簡便
かつ高精度で予測することができる自動車用腐食現象予
測装置を提供することである。
【０００８】また本発明の他の目的は、自動車における
腐食現象を簡便かつ高精度で予測することができる自動
車用腐食現象予測方法を提供することである。
【０００９】さらに本発明の他の目的は、自動車におけ
る腐食現象を簡便かつ高精度で予測することができる自
動車用腐食現象予測プログラムと、このプログラムを記
憶したコンピュータ読み取り可能な記憶媒体を提供する
ことである。
【００１０】
【課題を解決するための手段】本発明の目的は、以下の
構成により達成される。
【００１１】（１）自動車の走行条件、自動車の車体構
造、自動車に使用している材料要件、および自動車の部
位が入力データとして入力される入力層と、腐食量が出
力データとして出力される出力層と、を備えたニューラ
ルネットワークを有することを特徴とする自動車用腐食
現象予測装置。
【００１２】（２）自動車の走行条件、自動車の車体構
造、自動車に使用している材料要件、および自動車の部
位を入力データとし、腐食量を出力データとする教師デ
ータによって学習されている学習済みニューラルネット
ワークと、腐食量を予測する自動車の走行条件、当該自
動車の車体構造、当該自動車に使用している材料要件、
および当該自動車の部位を前記学習済みニューラルネッ
トワークに入力するデータ入力手段と、前記学習済みニ
ューラルネットワークから出力された結果を表示する表
示手段と、を有することを特徴とする自動車用腐食現象
予測装置。
【００１３】（３）前記自動車の走行条件は、自動車の
使用されている環境の温度、水かかり量、湿度、塩分
量、経過時間、走行距離数であることを特徴とする自動
車用腐食現象予測装置。
【００１４】（４）前記自動車の部位は、所定間隔で区
切ったメッシュ空間位置と、当該空間位置に対応した自
動車車体区分であることを特徴とする自動車用腐食現象
予測装置。
【００１５】（５）前記メッシュ空間は、１０〜５０ｃ
ｍ間隔のメッシュ空間であることを特徴とする自動車用
腐食現象予測装置。
【００１６】（６）自動車の走行条件、自動車の車体構
造、自動車に使用している材料要件、および自動車の部
位を入力データとして、腐食量を出力データとする教師
データによりニューラルネットワークを学習させる段階
と、学習させた前記ニューラルネットワークに、腐食量
を予測する自動車の走行条件、当該自動車の車体構造、
当該自動車に使用している材料要件、および当該自動車
の部位を入力する段階と、前記ニューラルネットワーク
から腐食量の予測結果を得る段階と、を有することを特
徴とする自動車用腐食現象予測方法。
【００１７】（７）自動車の走行条件、自動車の車体構
造、自動車に使用している材料要件、および自動車の部
位を入力データとし、腐食量を出力データとする教師デ
ータによって学習されている学習済みニューラルネット
ワークに、腐食量を予測する自動車の走行条件、当該自
動車の車体構造、当該自動車に使用している材料要件、
および当該自動車の部位を入力する段階と、前記学習済
みニューラルネットワークから腐食量の予測結果を得る
段階と、を有することを特徴とする自動車用腐食現象予
測方法。
【００１８】（８）前記自動車の走行条件は、自動車の
使用されている環境の温度、水かかり量、湿度、塩分
量、経過時間、走行距離数であることを特徴とする自動
車用腐食現象予測方法。
【００１９】（９）前記自動車の部位は、所定間隔で区
切ったメッシュ空間位置と、当該空間位置に対応した自
動車車体区分であることを特徴とする自動車用腐食現象
予測方法。
【００２０】（１０）前記メッシュ空間は、１０〜５０
ｃｍ間隔のメッシュ空間であることを特徴とする自動車
用腐食現象予測方法。
【００２１】（１１）自動車の走行条件、自動車の車体
構造、自動車に使用している材料要件、および自動車の
部位を入力データとし、腐食量を出力データとする教師
データによりニューラルネットワークを学習させるステ
ップと、学習させた前記ニューラルネットワークに、腐
食量を予測する自動車の走行条件、当該自動車の車体構
造、当該自動車に使用している材料要件、および当該自
動車の部位を入力するステップと、前記ニューラルネッ
トワークから腐食量の予測結果を得るステップと、を有
することを特徴とする自動車用腐食現象予測プログラ
ム。
【００２２】（１２）自動車の走行条件、自動車の車体
構造、自動車に使用している材料要件、および自動車の
部位を入力データとし、腐食量を出力データとする教師
データによって学習された学習済みニューラルネットワ
ークに、腐食量を予測する自動車の走行条件、当該自動
車の車体構造、当該自動車に使用している材料要件、お
よび当該自動車の部位を入力するステップと、前記学習
済みニューラルネットワークから腐食量の予測結果を得
るステップと、を有することを特徴とする自動車用腐食
現象予測プログラム。
【００２３】（１３）前記自動車の走行条件は、自動車
の使用されている環境の温度、水かかり量、湿度、塩分
量、経過時間、走行距離数であることを特徴とする自動
車用腐食現象予測プログラム。
【００２４】（１４）前記自動車の部位は、所定間隔で
区切ったメッシュ空間位置と、当該空間位置に対応した
自動車車体区分であることを特徴とする自動車用腐食現
象予測プログラム。
【００２５】（１５）前記メッシュ空間は、１０〜５０
ｃｍ間隔のメッシュ空間であることを特徴とする自動車
用腐食現象予測プログラム。
【００２６】（１６）上記自動車用腐食現象予測プログ
ラムを記憶したことを特徴とするコンピュータ読み取り
可能な記憶媒体。
【００２７】
【発明の効果】請求項１記載の本発明による自動車用腐
食現象予測装置によれば、自動車の走行条件、自動車の
車体構造、自動車に使用している材料要件、および自動
車の部位が入力データとして入力される入力層と、腐食
量が出力データとして出力される出力層と、を備えたニ
ューラルネットワークを用いることで、非線形な関係に
ある様々な影響因子が複数存在する自動車の腐食現象
を、簡便かつ高精度で予測することが可能になる。
【００２８】請求項２記載の本発明による自動車用腐食
現象予測装置によれば、自動車の走行条件、自動車の車
体構造、自動車に使用している材料要件、および自動車
の部位を入力データとし、腐食量を出力データとする教
師データにより学習済みのニューラルネットワークを用
いて腐食量を予測することとしたので、非線形な関係に
ある様々な影響因子が複数存在する自動車の腐食現象
を、簡便かつ高精度で予測することが可能になる。
【００２９】請求項３記載の本発明による自動車用腐食
現象予測装置によれば、自動車の走行条件として、自動
車の使用されている環境の温度、水かかり量、湿度、塩
分量、経過時間、走行距離数を用いることで、腐食量を
予測する自動車の使用環境や走行距離数などに応じた様
々な環境や走行条件での腐食量を予測することができ
る。
【００３０】請求項４記載の本発明による自動車用腐食
現象予測装置によれば、自動車の部位は、所定間隔で区
切ったメッシュ空間位置と、この空間位置に対応した自
動車車体区分であることとしたので、自動車車体の様々
な部位に応じた腐食量を予測することができる。
【００３１】請求項５記載の本発明による自動車用腐食
現象予測装置によれば、メッシュ空間を１０〜５０ｃｍ
間隔のメッシュ空間としたので、より正確に各部分ごと
の腐食量を予測することができる。
【００３２】請求項６記載の本発明による自動車用腐食
現象予測方法によれば、自動車の走行条件、自動車の車
体構造、自動車に使用している材料要件、および自動車
の部位を入力データとし、腐食量を出力データとする教
師データによりニューラルネットワークを学習して、こ
の学習したニューラルネットワークにより腐食量を予測
することとしたので、非線形な関係にある様々な影響因
子が複数存在する自動車の腐食現象を、簡便かつ高精度
で予測することが可能になる。
【００３３】請求項７記載の本発明による自動車用腐食
現象予測方法によれば、自動車の走行条件、自動車の車
体構造、自動車に使用している材料要件、および自動車
の部位を入力データとし、腐食量を出力データとする教
師データにより学習済みのニューラルネットワークを用
いて腐食量を予測することとしたので、非線形な関係に
ある様々な影響因子が複数存在する自動車の腐食現象
を、簡便かつ高精度で予測することが可能になる。
【００３４】請求項８記載の本発明による自動車用腐食
現象予測方法によれば、自動車の走行条件として、自動
車の使用されている環境の温度、水かかり量、湿度、塩
分量、経過時間、走行距離数を用いることで、腐食量を
予測する自動車の使用環境や走行距離数などに応じた様
々な環境や走行条件での腐食量を予測することができ
る。
【００３５】請求項９記載の本発明による自動車用腐食
現象予測方法によれば、自動車の部位は、所定間隔で区
切ったメッシュ空間位置と、この空間位置に対応した自
動車車体区分であることとしたので、自動車車体の様々
な部位に応じた腐食量を予測することができる。
【００３６】請求項１０記載の本発明による自動車用腐
食現象予測方法によれば、メッシュ空間を１０〜５０ｃ
ｍ間隔のメッシュ空間としたので、より正確に各部分ご
との腐食量を予測することができる。
【００３７】請求項１１記載の本発明による自動車用腐
食現象予測プログラムによれば、自動車の走行条件、自
動車の車体構造、自動車に使用している材料要件、およ
び自動車の部位を入力データとし、腐食量を出力データ
とする教師データによりニューラルネットワークに学習
させ、この学習させたニューラルネットワークにより腐
食量を予測することとしたので、非線形な関係にある様
々な影響因子が複数存在する自動車の腐食現象を、簡便
かつ高精度で予測することが可能になる。
【００３８】請求項１２記載の本発明による自動車用腐
食現象予測方法によれば、自動車の走行条件、自動車の
車体構造、自動車に使用している材料要件、および自動
車の部位を入力データとし、腐食量を出力データとする
教師データにより学習済みのニューラルネットワークを
用いて腐食量を予測することとしたので、非線形な関係
にある様々な影響因子が複数存在する自動車の腐食現象
を、簡便かつ高精度で予測することが可能になる。
【００３９】請求項１３記載の本発明による自動車用腐
食現象予測プログラムによれば、自動車の走行条件とし
て、自動車の使用されている環境の温度、水かかり量、
湿度、塩分量、経過時間、走行距離数を用いることで、
腐食量を予測する自動車の使用環境や走行距離数などに
応じた様々な環境や走行条件での腐食量を予測すること
ができる。
【００４０】請求項１４記載の本発明による自動車用腐
食現象予測プログラムによれば、自動車の部位は、所定
間隔で区切ったメッシュ空間位置と、この空間位置に対
応した自動車車体区分であることとしたので、自動車車
体の様々な部位に応じた腐食量を予測することができ
る。
【００４１】請求項１５記載の本発明による自動車用腐
食現象予測プログラムによれば、メッシュ空間を１０〜
５０ｃｍ間隔のメッシュ空間としたので、より正確に各
部分ごとの腐食量を予測することができる。
【００４２】請求項１６記載の本発明によるコンピュー
タ読み取り可能な記憶媒体によれば、前述の自動車用腐
食現象予測プログラムを記憶したので、コンピュータに
対し前述したプログラムを提供することができる。
【００４３】
【発明の実施の形態】以下添付した図面を参照して本発
明の一実施の形態を説明する。
【００４４】図１は、本発明を適用した自動車用腐食現
象予測装置の機能構成を説明するためのブロック図であ
る。
【００４５】この自動車用腐食現象予測装置は、ニュー
ラルネットワーク１１、ニューラルネットワーク１１の
入力層に接続されたデータ入力のための入力インターフ
ェース（Ｉ／Ｆ）１２、およびニューラルネットワーク
１１の出力層に接続された出力Ｉ／Ｆ１３からなる処理
装置１０と、入力Ｉ／Ｆ１２に接続されたキーボード１
５と、出力Ｉ／Ｆ１３に接続されたディスプレイ１６
と、入力Ｉ／Ｆ１２および出力Ｉ／Ｆ１３の両方に接続
されたデータ入出力装置２０およびデータベース２１と
からなる。
【００４６】処理装置１０は、図１においては、その機
能をブロック図として示したが、実際には、コンピュー
タによって、これら機能を実現するために提供されたプ
ログラムが実行されることにより、処理装置１０として
機能するものである。
【００４７】中でもニューラルネットワーク１１は、人
間の神経細胞の人工的なモデルであるニューロンユニッ
トをネットワーク状に接続し、人間の脳の情報処理様式
を模したシステムであり、このようニューロンネットワ
ークをコンピュータ上でプログラムを実行することによ
り再現したものがニューラルネットワーク１１である。
本実施の形態では、このニューラルネットワーク１１を
後述する教師データにより学習することで、自動車の腐
食量を予想している。
【００４８】入力Ｉ／Ｆ１２は、ニューラルネットワー
ク１１の入力層に接続され、外部の入力装置から入力さ
れたデータをニューラルネットワーク１１の入力層に中
継する。
【００４９】出力Ｉ／Ｆ１３は、ニューラルネットワー
ク１１の出力層に接続され、外部の出力装置にニューラ
ルネットワーク１１の出力層から出力されたデータを中
継する。
【００５０】キーボード１５は、処理装置１０に対して
データを入力するための入力装置である。なお、入力装
置としては、ＧＵＩ（グラフィカルユーザインターフェ
ース）機能を備えるコンピュータにあっては、マウスな
どによりディスプレイ上に表示された項目を選択するこ
とにより入力するようにしてもよいし、また、ペン入力
装置などを使用してもよい。
【００５１】ディスプレイ１６は、たとえばＣＲＴ、液
晶ディスプレイなどの表示装置である。
【００５２】データ入出力装置２０は、たとえばフレキ
シブルディスクや、ＭＯ、ＣＤ−ＲＯＭなどの可搬式記
憶媒体に対してデータの読み書きを行うための装置であ
る。
【００５３】データベース２１は、たとえばハードディ
スクドライブ（ＨＤＤ）のように大容量のデータ記憶装
置である。ここでは、データベース２１に後述する教師
データと、予測結果を検証するための検証用データが記
憶されている。
【００５４】以下、ニューラルネットワークについて説
明する。
【００５５】図２は、ニューラルネットワーク１１の一
構造例を示す図面である。本実施形態のように自動車の
腐食量を予測するためには、多入力、１出力のニューロ
ンを１つのユニットとし、多数のユニットが層状にグル
ープ化されているニューラルネットワークを用いる。た
だし、ここに示す中間層の構成は一例であり、中間層の
構成は予測対象の規模により様々な形態をとるものとす
る。
【００５６】このニューラルネットワーク１１は、入力
データは入力層から出力層へ一方向へのみ伝達され、各
層のユニットは次の上位層のユニットすべてに結合され
ており、同一層内のユニットの相互結合は有していな
い。
【００５７】このような構造を持つニューラルネットワ
ークが、最終的に出力として望ましい値を算出するため
には、入力データからニューラルネットワークを介して
出力された値と教師データの値（入力デ一タに対して出
力すべき真の値）が充分な精度で一致するまで、学習を
繰り返す必要がある。
【００５８】なお、今回は、学習に際して、その誤差修
正方法として、教師データと出力信号の二乗誤差が最小
になるように、最急降下法を用いて出力層−中間層間と
中間層−入力層間の結合係数、およびしきい値を順次修
正するアルゴリズムである誤差逆伝播法（ＢＰ（Ｂａｃ
ｋｐｒｏｐａｇａｔｉｏｎ）法）を利用した。
【００５９】このニューラルネットワークの学習におい
て最も重要なのは教師データとしてどのようなパラメー
タを用いるかである。したがって、本実施の形態では、
自動車の腐食を予測するために、下記のような観点から
用いるパラメータを設定した。
【００６０】（１）説明変数として、材料、構造、環境
条件で抜け漏れがないこと。
【００６１】（２）同一条件のデータでもデータにばら
つきが存在する場合は、敢えて平均化操作を行わない。
【００６２】（３）矛盾するデータ（同一入力に対し
て、相反するデータを出力する）は事前にデータを統一
する。
【００６３】（４）各入力項目と出力項目の関係を定性
的に判断し、必要に応じて、出力項目と正ないし負の相
関を持つように、入力データの数値化や関数変換を行う
こと。
【００６４】このような観点から、選択した具体的なパ
ラメータとしては、教師データとして以下の１４項目を
腐食影響因子（入力パラメータ）として選定し、ニュー
ラルネットワークの入力層に配置する。
【００６５】（１）位置（Ｘ）、（２）位置（Ｙ）、
（３）位置（Ｚ）、（４）部位、（５）腐食量予測対象
の鋼板種類、（６）相手パネルの鋼板種類、（７）第１
のパネル合わせ構造、（８）第２のパネル合わせ構造、
（９）防錆シーラントまたはメタルシーラの塗布の有
無、（１０）ペイントシールの塗布の有無、（１１）ワ
ックスまたはアンダーコートの塗布の有無、（１２）走
行地域、（１３）走行距離、（１４）経過月数。
【００６６】なお、出力層に配置する出力パラメータ
は、腐食量である。
【００６７】以下、各入力パラメータについて説明す
る。
【００６８】（１）位置（Ｘ）、（２）位置（Ｙ）、
（３）位置（Ｚ）は、自動車の部位を示すパラメータの
一つである。このパラメータは、階層型ニューラルネッ
トワークを学習させる際の自動車の腐食環境因子と構造
因子を明確に区分するための一つの手法として用いたパ
ラメータである。この手法の適用により車両全体の汎用
的な腐食現象の予測を可能とすることができる。
【００６９】具体的には、図３に示すように、車両を１
０〜５０ｃｍ間隔のメッシュで区切りことで、１００〜
６００００個の構成格子に細分化し、注目すべき車両の
特定の部位を、それらの構成格子にナンバリングするこ
とにより具体的な空間位置を定量的に決定する。なお、
メッシュ間隔は、基本的には任意の間隔でよく、１０〜
５０ｃｍ間隔に限定されるものではない。しかし、あま
り細かすぎるとナンバリング数が多くなりすぎ、一方、
メッシュの目が粗すぎても、車体構造の変化に対応した
メッシュ位置が得られなくなる。そこで、本実施の形態
では、これらの観点から上記のとおり１０〜５０ｃｍ間
隔としている。
【００７０】（４）部位は、自動車の部位を示すパラメ
ータの一つであり、自動車の腐食環境を大局的に示す区
分するためのものである。具体的には、図４に示すよう
に、フロアー、エンジンコンパートメント、ボディーサ
イド、フード、ドア、トランクリッドといった特定のゾ
ーンのどこに属するのかを分類するパラメータであり、
上述した位置（Ｘ）〜（Ｚ）のパラメータと合わせて用
いることで車両全体の汎用的な腐食現象の予測を可能と
する。なお、本入力パラメータは、たとえばフロアーは
「１」、エンジンコンパートメントは「２」、ボディー
サイドは「３」、フードは「４」、ドアは「５」、トラ
ンクリッドは「６」のようにナンバリングすることで質
的変数として用いる。
【００７１】なお、前記（１）〜（３）の位置と（４）
の部位は、簡易的には、自動車の部位を直接車体の左右
方向の位置と、車体前後方向の位置としてもよい。その
場合、入力パラメータは、前記（１）〜（４）に代え
て、部位（Ｘ：車体左右方向の位置）と、部位（Ｙ：車
体前後方向の位置）とする。
【００７２】（５）腐食量予測対象の鋼板種類、および
（６）相手パネルの鋼板種類は、材料要件を示すパラメ
ータの一つであり、たとえば無処理鋼板（冷延鋼板）、
電気亜鉛ニッケル合金めっき鋼板、有機被覆電気亜鉛ニ
ッケル合金めっき鋼板、合金化溶融亜鉛めっき鋼板、電
気亜鉛めっき鋼板などの分類で、同一種類の表面鋼板で
あっても、めっき目付け量の差異によって別種類の鋼板
種類として分類する。本入力パラメータにおいても上述
した入力パラメータと同様、各々の鋼板種毎に任意にナ
ンバリングし、質的変数として取り扱う。なお、ナンバ
リングにあたっては判別がつくのであれば、耐食性が良
い順、もしくは悪い順に数字を与えた方が、ニューラル
ネットワークの学習がスムーズに行われるため好まし
い。
【００７３】（７）第１のパネル合わせ構造は、車体構
造を示すパラメータの一つであり、パネル合わせ構造
が、垂直パネル合わせ構造か、もしくは水平パネル合わ
せ構造かの２者択一である。たとえば垂直合わせであれ
ば「０」、水平合わせであれば「１」のように識別し、
質的変数として取り扱う。
【００７４】（８）第２のパネル合わせ構造は、車体構
造を示すパラメータの一つであり、パネル合わせ構造
が、ヘムフランジか否かの２者択一であり、たとえばヘ
ムフランジであれば「０」、そうでなければ「１」のよ
うに識別し、質的変数として取り扱う。
【００７５】（９）防錆シーラントまたはメタルシーラ
の塗布の有無、（１０）ペイントシールの塗布の有無、
および（１１）ワックスまたはアンダーコートの塗布の
有無は、材料要件を示すパラメータの一つであり、パネ
ル合わせ部に対しそれらの防錆補助材の塗布があれば
「０」、そうでなければ「１」のように識別し、質的変
数として取り扱う。
【００７６】なお、前記（５）〜（１１）は車体構造お
よび材料要件に関するパラメータであるため、腐食量を
予測する部位があらかじめ決まっている場合には、その
分部の構造や材料要件から特定される影響因子、たとえ
ば電着塗膜の厚さなどを入力パラメータとしてもよい。
【００７７】（１２）走行地域は、自動車の走行条件を
示すパラメータの一つであり、たとえば日本、カナダ、
欧州、束南アジアなどの地域を任意にナンバリングし、
質的変数として取り扱う。なお、この走行地域ついて
は、腐食環境を決定する因子を気象要件などの外的要因
と、構造要件の内的要因に区分した場合、外的要因とな
るが、上述したような地域毎に質的変数として取り扱っ
た場合は、設定した地域だけの外的環境要件しか表さな
い。したがって腐食現象の予測にあたって、一定の地域
のみの予測となる。そこで、上記のような地理的な地域
により区分した質的変数に代えて、腐食現象を予測する
地域特有の特性値、たとえば、その地域の気温、降水
量、湿度、日射量、融雪塩散布量、海塩粒子の散布量な
どの量的変数を入力パラメータとしてもよい。
【００７８】（１３）走行距離は、自動車の走行条件を
示すパラメータの一つであり、ｋｍ単位の量的変数とし
て取り扱う。
【００７９】（１４）経過月数は、自動車の走行条件を
示すパラメータの一つであり、月数単位の量的変数とし
て取り扱う。
【００８０】次に、上述したような様々な入力パラメー
タに対して適切な腐食量が出力できるように、それらの
入力パラメータの各々のデータセットに対応する出力パ
ラメータとして、実際の腐食量（板厚減少量）のデータ
をニューラルネットワークの出力層に当てはめて学習さ
せる。なお、腐食量は、錆の発生などによる板厚現象量
のほかに、単に錆の発生の有無を質的変数（たとえば錆
有りを「１」、錆無しを「０」）として入力してもよ
い。
【００８１】ニューラルネットワークの学習にあたり、
学習データセットの習熟度を上げることは必要ではあ
る。しかし未学習データに対しての予測能力（汎化能
力）を持たせるためには、学習回数に関して、過剰学習
が発生しないような適切な学習回数に止め、本予測装置
の予測精度を最大にしなければならない。
【００８２】図５は、学習回数と誤差の推移の一般的な
関係を示す図である。この図から明らかなように、学習
回数が多くなれば多くなるほど、「学習データの習熟曲
線」に対して、「未学習データの予測曲線」が近接して
習熟度は高くなるが、学習を繰り返し過ぎると、急激に
「学習データの習熟曲線」に対して「未学習データの予
測曲線」が離れてしまい、推定精度が落ちる「過剰学
習」という現象が生じる。
【００８３】そこで、ニューラルネットワークの学習に
おいては、この過剰学習が発生しないように注意する必
要がある。このためには、たとえば入力データと出力デ
ータが対となった検証用データを用意して、ある程度学
習が進むたびに、この検証用データを用いて、入力デー
タのみを学習が進んだニューラルネットワークに入力
し、その出力と、検証用データの値を比較することで、
過剰学習を防止することが可能である。なお、検証用デ
ータは、入力データと出力データの対となったデータの
うち、学習に使用しなかったデータを使用すればよい。
【００８４】なお、上述した教師データおよび検証用デ
ータは、本実施の形態ではあらかじめデータベース２１
に蓄積しておき、データベース２１からニューラルネッ
トワークへ入力する。もちろん、これに代えて、キーボ
ード１５からの入力でもよいし、またデータ入出力装置
２０から様々な記憶媒体に記憶されたデータを入力する
ようにしてもよい。
【００８５】以上のようにしてニューラルネットワーク
に対する学習が終了すれば、キーボード１５、またはデ
ータ入出力装置２０から腐食量を予測する自動車の入力
パラメータを入力データとして入力することで、ニュー
ラルネットワーク１１から腐食量の予測結果が出力され
て、ディスプレイ１６に表示される。
【００８６】なお、ホン発明の自動車の車体構造とは、
たとえば垂直合わせ、水平合わせなどパネル合わせの向
きおよび単純合わせ、ヘムフランジ、立ちフランジなど
パネル合わせの種類を示すものである。
【００８７】また、本発明の自動車の部位とは、たとえ
ばフロアー、エンジンコンパートメント、ボディーサイ
ド、フード、ドア、トランクリッドなど、その位置が自
動車の腐食環境を大局的に示す区分をいうものである。
【００８８】
【実施例】以下、上述した実施の形態における腐食量予
測装置を用いた実験の結果を説明する。
【００８９】入力パラメータは、（１）位置（Ｘ）、
（２）位置（Ｙ）、（３）位置（Ｚ）、（４）部位（フ
ロアー：１、エンジンコンパートメント：２、ボディー
サイド：３、フード：４、ドア：５、トランクリッド：
６）、（５）腐食量予測対象の鋼板種類（無処理鋼板
（冷延鋼板）：１、電気亜鉛ニッケル合金めっき鋼板
（めっき目付け量２０ｇ／ｍ2）：２、電気亜鉛ニッケ
ル合金めっき鋼板（めっき目付け量３０ｇ／ｍ2）：
３、有機被覆電気亜鉛ニッケル合金めっき鋼板（めっき
目付け量２０ｇ／ｍ2）：４、有機被覆電気亜鉛ニッケ
ル合金めっき鋼板（めっき目付け量３０ｇ／ｍ2）：
５、合金化溶融亜鉛めっき鋼板（めっき目付け量：６０
ｇ／ｍ2）：６）、（６）相手パネルの鋼板種類（上記
（５）と同様）、（７）第１のパネル合わせ構造、
（８）第２のパネル合わせ構造、（９）防錆シーラント
またはメタルシーラの塗布の有無、（１０）ペイントシ
ールの塗布の有無、（１１）ワックス、またはアンダー
コートの塗布の有無、（１２）走行地域（日本、（青
森、高知、千葉）、カナダ（モントリオール）、マレー
シア）、（１３）走行距離（ｋｍ）、（１４）経過月
数、である。
【００９０】そして、これら入力パラメータの各部位毎
の腐食量として板厚減少量がセットになったデータを用
意し、教師データおよび検証用データとした。なお、こ
のような教師データおよび検証用データとしては、実車
を用いた走行試験や腐食試験の結果、あるいは、環境実
験室などによる実験結果などを用いた。
【００９１】また、ニューラルネットワーク決定パラメ
ータは、表１に示すとおりである。
【００９２】
【表１】
【００９３】上記の入力と出力のデータがセットとなっ
たデータセットを１１７４データセット用意し、このう
ち、２０４データセットをランダムに抜き出して検証用
データとし、残る９７０データセットを学習用データセ
ットとしてニューラルネットワークの学習に用い、ニュ
ーラルネットワークの予測モデルを構築した。
【００９４】そして、解析に用いなかった２０４個の検
証用データの入力データのみをニューラルネットワーク
の入力層に入力し、ニューラルネットワークの出力層か
ら得られる予測値と、検証用データの腐食量実測値を調
べたところ、図６に示すような相関関係が得られた。こ
の図に示した予測値と実測値の線形相関係数γは０．８
７となり、非常によい予測値精度であることがわかる。
【００９５】以上本発明を適用した実施の形態および実
施例を説明したが、本発明はこのような実施の形態およ
び実施例に限定されるものではない。たとえば上記実施
の形態および実施例では、自動車車体の腐食量について
予測するものであるが、自動車車体に限らず、同様の手
法により、たとえば自動車内部の部品についても適用可
能である。
【図面の簡単な説明】
【図１】 本発明を適用した自動車用腐食現象予測装置
の構成を説明するためのブロック図である。
【図２】 上記自動車用腐食現象予測装置に用いたニュ
ーラルネットワークの一構造例を示す図面である。
【図３】 車両位置を特定するメッシュ空間を示す図面
である。
【図４】 自動車車体の区分例を示す図面である。
【図５】 学習回数と誤差の推移の一般的な関係を示す
図である。
【図６】 実施例におけるニューラルネットワークの出
力層から得られる予測値と、検証用データの腐食量実測
値の相関を示す図面である。
【符号の説明】
１０…処理装置 １１…ニューラルネットワーク １２…入力インターフェース １３…出力インターフェース １５…キーボード １６…ディスプレイ ２０…データ入出力装置 ２１…データベース
───────────────────────────────────────────────────── フロントページの続き (72)発明者 坂内 恒雄 神奈川県横浜市神奈川区宝町２番地 日産 自動車株式会社内 (72)発明者 吉村 忍 千葉県習志野市藤崎３−18−５ Ｆターム(参考） 2G050 AA01 AA04 BA02 BA03 BA06 BA10 EA01 EA02 5B046 AA04 DA01 JA00 KA05

Claims (16)

    【特許請求の範囲】
  1. 【請求項１】 自動車の走行条件、自動車の車体構造、
    自動車に使用している材料要件、および自動車の部位が
    入力データとして入力される入力層と、腐食量が出力デ
    ータとして出力される出力層と、を備えたニューラルネ
    ットワークを有することを特徴とする自動車用腐食現象
    予測装置。
  2. 【請求項２】 自動車の走行条件、自動車の車体構造、
    自動車に使用している材料要件、および自動車の部位を
    入力データとし、腐食量を出力データとする教師データ
    によって学習されている学習済みニューラルネットワー
    クと、 腐食量を予測する自動車の走行条件、当該自動車の車体
    構造、当該自動車に使用している材料要件、および当該
    自動車の部位を前記学習済みニューラルネットワークに
    入力するデータ入力手段と、 前記学習済みニューラルネットワークから出力された結
    果を表示する表示手段と、 を有することを特徴とする自動車用腐食現象予測装置。
  3. 【請求項３】 前記自動車の走行条件は、自動車の使用
    されている環境の温度、水かかり量、湿度、塩分量、経
    過時間、走行距離数であることを特徴とする請求項１ま
    たは請求項２記載の自動車用腐食現象予測装置。
  4. 【請求項４】 前記自動車の部位は、所定間隔で区切っ
    たメッシュ空間位置と、当該空間位置に対応した自動車
    車体区分であることを特徴とする請求項１または請求項
    ２記載の自動車用腐食現象予測装置。
  5. 【請求項５】 前記メッシュ空間は、１０〜５０ｃｍ間
    隔のメッシュ空間であることを特徴とする請求項４記載
    の自動車用腐食現象予測装置。
  6. 【請求項６】 自動車の走行条件、自動車の車体構造、
    自動車に使用している材料要件、および自動車の部位を
    入力データとして、腐食量を出力データとする教師デー
    タによりニューラルネットワークを学習させる段階と、 学習させた前記ニューラルネットワークに、腐食量を予
    測する自動車の走行条件、当該自動車の車体構造、当該
    自動車に使用している材料要件、および当該自動車の部
    位を入力する段階と、 前記ニューラルネットワークから腐食量の予測結果を得
    る段階と、 を有することを特徴とする自動車用腐食現象予測方法。
  7. 【請求項７】 自動車の走行条件、自動車の車体構造、
    自動車に使用している材料要件、および自動車の部位を
    入力データとし、腐食量を出力データとする教師データ
    によって学習されている学習済みニューラルネットワー
    クに、腐食量を予測する自動車の走行条件、当該自動車
    の車体構造、当該自動車に使用している材料要件、およ
    び当該自動車の部位を入力する段階と、 前記学習済みニューラルネットワークから腐食量の予測
    結果を得る段階と、 を有することを特徴とする自動車用腐食現象予測方法。
  8. 【請求項８】 前記自動車の走行条件は、自動車の使用
    されている環境の温度、水かかり量、湿度、塩分量、経
    過時間、走行距離数であることを特徴とする請求項６ま
    たは請求項７記載の自動車用腐食現象予測方法。
  9. 【請求項９】 前記自動車の部位は、所定間隔で区切っ
    たメッシュ空間位置と、当該空間位置に対応した自動車
    車体区分であることを特徴とする請求項６または請求項
    ７記載の自動車用腐食現象予測方法。
  10. 【請求項１０】 前記メッシュ空間は、１０〜５０ｃｍ
    間隔のメッシュ空間であることを特徴とする請求項９記
    載の自動車用腐食現象予測方法。
  11. 【請求項１１】 自動車の走行条件、自動車の車体構
    造、自動車に使用している材料要件、および自動車の部
    位を入力データとし、腐食量を出力データとする教師デ
    ータによりニューラルネットワークを学習させるステッ
    プと、 学習させた前記ニューラルネットワークに、腐食量を予
    測する自動車の走行条件、当該自動車の車体構造、当該
    自動車に使用している材料要件、および当該自動車の部
    位を入力するステップと、 前記ニューラルネットワークから腐食量の予測結果を得
    るステップと、 を有することを特徴とする自動車用腐食現象予測プログ
    ラム。
  12. 【請求項１２】 自動車の走行条件、自動車の車体構
    造、自動車に使用している材料要件、および自動車の部
    位を入力データとし、腐食量を出力データとする教師デ
    ータによって学習された学習済みニューラルネットワー
    クに、腐食量を予測する自動車の走行条件、当該自動車
    の車体構造、当該自動車に使用している材料要件、およ
    び当該自動車の部位を入力するステップと、 前記学習済みニューラルネットワークから腐食量の予測
    結果を得るステップと、 を有することを特徴とする自動車用腐食現象予測プログ
    ラム。
  13. 【請求項１３】 前記自動車の走行条件は、自動車の使
    用されている環境の温度、水かかり量、湿度、塩分量、
    経過時間、走行距離数であることを特徴とする請求項１
    １または請求項１２記載の自動車用腐食現象予測プログ
    ラム。
  14. 【請求項１４】 前記自動車の部位は、所定間隔で区切
    ったメッシュ空間位置と、当該空間位置に対応した自動
    車車体区分であることを特徴とする請求項１１または請
    求項１２記載の自動車用腐食現象予測プログラム。
  15. 【請求項１５】 前記メッシュ空間は、１０〜５０ｃｍ
    間隔のメッシュ空間であることを特徴とする請求項１４
    記載の自動車用腐食現象予測プログラム。
  16. 【請求項１６】 請求項１１〜１５のいずれか一つに記
    載の自動車用腐食現象予測プログラムを記憶したことを
    特徴とするコンピュータ読み取り可能な記憶媒体。
JP2001054518A 2001-02-28 2001-02-28 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体 Withdrawn JP2002257689A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2001054518A JP2002257689A (ja) 2001-02-28 2001-02-28 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2001054518A JP2002257689A (ja) 2001-02-28 2001-02-28 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体

Publications (1)

Publication Number Publication Date
JP2002257689A true JP2002257689A (ja) 2002-09-11

Family

ID=18914839

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001054518A Withdrawn JP2002257689A (ja) 2001-02-28 2001-02-28 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体

Country Status (1)

Country Link
JP (1) JP2002257689A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007526980A (ja) * 2003-03-11 2007-09-20 オクサンド 構造物（特に土木構造物）の視覚的検査および鑑定を最適化するための携帯用装置および仮想現実方法
JP2012251846A (ja) * 2011-06-02 2012-12-20 Nippon Telegr & Teleph Corp <Ntt> 腐食解析システムおよび方法
JP2014228258A (ja) * 2013-05-27 2014-12-08 株式会社神戸製鋼所 ボイラ炉壁管の硫化腐食予測方法
KR101477421B1 (ko) * 2013-09-27 2014-12-30 현대제철 주식회사 차량 부품 도막 노화도 평가방법
JP2019185359A (ja) * 2018-04-09 2019-10-24 トヨタ自動車株式会社 機械学習装置
CN111444617A (zh) * 2020-03-27 2020-07-24 贵州中医药大学第一附属医院 涂层质量在线预测方法、系统以及计算机可读存储介质
CN111971546A (zh) * 2018-03-27 2020-11-20 东京电力控股株式会社 移动体的特性劣化评价方法、特性劣化评价装置、特性劣化速度图生成方法以及特性劣化速度图生成装置
CN113008995A (zh) * 2019-12-19 2021-06-22 恩德莱斯和豪斯集团服务股份公司 用于监测在管道系统中包括的对象的状况的系统和方法
CN114121174A (zh) * 2021-11-19 2022-03-01 武汉材料保护研究所有限公司 一种碳钢腐蚀速率预测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007526980A (ja) * 2003-03-11 2007-09-20 オクサンド 構造物（特に土木構造物）の視覚的検査および鑑定を最適化するための携帯用装置および仮想現実方法
JP4719143B2 (ja) * 2003-03-11 2011-07-06 オクサンド 構造物（特に土木構造物）の視覚的検査および鑑定を最適化するための携帯用装置および仮想現実方法
JP2012251846A (ja) * 2011-06-02 2012-12-20 Nippon Telegr & Teleph Corp <Ntt> 腐食解析システムおよび方法
JP2014228258A (ja) * 2013-05-27 2014-12-08 株式会社神戸製鋼所 ボイラ炉壁管の硫化腐食予測方法
KR101477421B1 (ko) * 2013-09-27 2014-12-30 현대제철 주식회사 차량 부품 도막 노화도 평가방법
CN111971546A (zh) * 2018-03-27 2020-11-20 东京电力控股株式会社 移动体的特性劣化评价方法、特性劣化评价装置、特性劣化速度图生成方法以及特性劣化速度图生成装置
EP3779406A4 (en) * 2018-03-27 2021-12-22 Tokyo Electric Power Company Holdings, Incorporated METHOD FOR EVALUATING THE DEGRADATION OF THE PROPERTIES OF A MOVING BODY, DEVICE FOR EVALUATING THE DEGRADATION OF THE PROPERTIES, METHOD FOR CREATING A SPEED MAP OF THE DEGRADATION OF THE DEGRADATION OF THE PERFORMANCE
CN111971546B (zh) * 2018-03-27 2024-03-29 东京电力控股株式会社 移动体的特性劣化评价方法、特性劣化评价装置、特性劣化速度图生成方法以及特性劣化速度图生成装置
JP2019185359A (ja) * 2018-04-09 2019-10-24 トヨタ自動車株式会社 機械学習装置
CN113008995A (zh) * 2019-12-19 2021-06-22 恩德莱斯和豪斯集团服务股份公司 用于监测在管道系统中包括的对象的状况的系统和方法
CN111444617A (zh) * 2020-03-27 2020-07-24 贵州中医药大学第一附属医院 涂层质量在线预测方法、系统以及计算机可读存储介质
CN114121174A (zh) * 2021-11-19 2022-03-01 武汉材料保护研究所有限公司 一种碳钢腐蚀速率预测方法

Similar Documents

Publication Publication Date Title
Zhong et al. Genetically designed models for accurate imputation of missing traffic counts
Zheng et al. Bayesian hierarchical modeling of the non-stationary traffic conflict extremes for crash estimation
CN109492817A (zh) 一种封闭区域内未来泊位需求数量短时预测方法
Abu-Eisheh et al. Forecasting automobile demand for economies in transition: A dynamic simultaneous-equation system approach
JP2002257689A (ja) 自動車用腐食現象予測装置、自動車用腐食現象予測方法、自動車用腐食現象予測プログラム、および自動車用腐食現象予測プログラムを記憶したコンピュータ読み取り可能な記憶媒体
CN107180367A (zh) 一种基于机器学习的车辆估价的方法、存储介质及装置
Ranpise et al. Development of traffic noise prediction model for major arterial roads of tier-II city of India (Surat) using artificial neural network
Asher et al. Economic and efficient hybrid vehicle fuel economy and emissions modeling using an artificial neural network
CN106649709A (zh) 一种基于数据挖掘的车辆停留行为模式预测与评估方法
Zheng et al. Validating the Bayesian hierarchical extreme value model for traffic conflict-based crash estimation on freeway segments with site-level factors
Sun et al. Long short-term memory network-based emission models for conventional and new energy buses
Motallebiaraghi et al. High-fidelity modeling of light-duty vehicle emission and fuel economy using deep neural networks
JP4220169B2 (ja) 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体
Haydari et al. Impact of deep rl-based traffic signal control on air quality
Hu et al. A Car‐Following Driver Model Capable of Retaining Naturalistic Driving Styles
Liu et al. Naturalistic drive cycle synthesis for pickup trucks
JP2002180295A (ja) 電着塗装解析方法および電着塗装解析装置
Ahlburg et al. Predicting higher education enrollment in the United States: an evaluation of different modeling approaches
Iankov et al. Forecasting greenhouse gas emissions performance of the future Australian light vehicle traffic fleet
Liu et al. A method to improve accuracy of velocity prediction using Markov model
US20180060872A1 (en) Customer support system and customer support method
Ondruš et al. Speedometer reliability in regard to road traffic sustainability
JP2003049298A (ja) 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体
Giorgio Statistics for Experimental and Technological Research
Whitefoot Quantifying the impact of environmental policy on engineering design decisions

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20080513