JP2004272375A

JP2004272375A - 遠隔故障予測システム

Info

Publication number: JP2004272375A
Application number: JP2003058901A
Authority: JP
Inventors: Masahiro Hashimoto; 昌寛橋本
Original assignee: Mazda Motor Corp
Current assignee: Mazda Motor Corp
Priority date: 2003-03-05
Filing date: 2003-03-05
Publication date: 2004-09-30

Abstract

【課題】遠隔故障予測システムにおいて故障予測精度を向上させる。
【解決手段】本発明の遠隔故障予測システムによれば、故障予測サーバ１００が、ネットワークを介して故障予測対象車両１１０と接続し、予め故障車両１１１から取得した故障発生前の車両データを用い、近い将来において故障予測対象車両１１０に故障が発生するか否かを予測する。具体的には、故障予測対象車両１１０から車両データを受信し、この受信された車両データと故障車両の車両データとを相関演算する。両者に一定の相関関係があれば、故障車両と同様の故障が発生することになる。この予測結果は故障予測対象車両１１０の顧客に対して報告されるので、顧客に対して故障前に注意を促すことができる。
【選択図】図１

Description

【０００１】
【発明の属する技術分野】
本発明は、遠隔から車両に接続しての故障を予測する遠隔故障予測システムに関する。
【０００２】
【従来の技術】
従来、ネットワークを介して故障した車両と接続し、その故障個所を診断する故障診断システムが提案されている（例えば、特許文献１）。この従来技術によれば、故障診断システムと車両とを遠隔的に接続することで、顧客がサービス工場に出向かなくとも、車両が故障しているかどうかや故障個所を把握でき、大変便利なものであった。
【０００３】
しかしながら、顧客にとってみれば故障してから故障個所を把握できるよりも、故障の前に故障の発生を予知できれば、なおさら便利である。なぜなら、故障が予知できれば、故障する前にサービス工場へと車両を入庫させ、問題の部品を交換することが可能になり、その結果、不意に車両が故障して立ち往生するといった最悪の事態を回避できるからである。
【０００４】
従来、故障を予測する遠隔システムとしては、例えば特許文献２に記載された発明がある。この従来技術は、個々の車両に搭載されているセンサの出力を学習させ、学習により得られた学習値が正常範囲にない場合には異常ありと判断するものであった。
【０００５】
【特許文献１】
特開２００２−２２８５５２号公報
【特許文献２】
特開２００２−２０２００３号公報。
【０００６】
【発明が解決しようとする課題】
しかしながら、上記従来技術においては、「車両ごとに」学習値を取得し、取得された学習値と正常範囲とを比較する手法であった。すなわち、自己の車両から得られた車両データだけを利用して故障を診断していた。
【０００７】
このような判断手法では、他車の車両データは必要ないため、わざわざネットワークを介して遠隔から診断せずとも、車両内において実行可能である。従って、従来技術のようにネットワーク化すればコスト面で有利とはいえない。ネットワークを利用するからにはコストに見合った付加価値が必要である。
【０００８】
そこで、本発明では、ネットワークを介して収集された他の車両のデータ（例えば、故障車両のデータなど）を利用することで、ネットワーク接続の利点を生かすとともに、故障予測の信頼性を向上させることを目的とする。
【０００９】
【課題を解決するための手段】
上記の目的を達成するため、本発明に係る遠隔故障予測システムは、以下の構成を特徴とする。
【００１０】
本願の第１の発明は、故障予測対象車両に対して遠隔から故障の発生予測を行い、故障予測結果を顧客に送信する遠隔故障予測システムであり、故障車両の故障発生前における車両状態に関する車両データを記憶する記憶手段と、ネットワークを介して接続された故障予測対象車両から車両データを受信する受信手段と、前記受信された車両データと比較するための、前記故障車両の故障発生前の車両データを前記記憶手段から読み出す読出手段と、前記受信された車両データと前記故障発生前の車両データとを比較し、該比較の結果に基づいて故障の発生を予測する故障予測手段と、前記故障予測手段による予測結果を前記故障予測対象車両の顧客に対して送信する送信手段とを有することを特徴とする。
【００１１】
また、前記受信手段は、さらに、故障していない正常な車両についての車両データを受信し、前記故障予測手段は、前記故障予測対象車両の車両データと前記正常な車両の車両データとを比較し、該比較の結果にも基づいて故障の発生を予測する遠隔故障予測システムも提供される。
【００１２】
また、上記の何れかの遠隔故障予測システムにおいて、前記故障予測手段は、データマイニング手法を用いて複数の故障車両についての車両データから故障モデルを作成する作成手段をさらに備え、前記作成された故障モデルと前記故障予測対象車両の車両データとを比較して故障を予測するように構成してもよい。
【００１３】
また、前記故障予測手段は、故障予測対象車両と類似の走行状態にあった故障車両又は正常車両の車両データを用いて故障の発生を予測してもよい。
【００１４】
また、前記故障予測手段は、故障予測対象車両と同一又は類似の年式の故障車両又は正常車両の車両データを用いて故障の発生を予測してもよい。
【００１５】
本願の第２の発明は、車両状態を検出する検出手段と該検出された車両状態に関する経時的な車両データを記憶する記憶手段とを有する車両にネットワークを介して接続して故障の発生を予測する遠隔故障予測システムであって、故障車両から、又は該故障車両の入庫されたサービス工場のコンピュータを経由し、該故障車両について少なくとも故障発生直前の車両状態を含む車両データと、発生した故障の種類を識別するための故障識別コードとを受信する手段と、前記受信された故障車両の車両データと前記故障識別コードとを記憶する故障情報データベースと、故障予測対象となる車両から車両データを受信すると、前記故障情報データベースに記憶されている車両データのなかに、前記故障予測対象となる車両の車両データと同一又は類似の傾向を示すものがあるかを判定する手段と、前記同一又は類似の傾向を示すものがある場合には、前記同一又は類似の傾向を示した車両データに対応する故障識別コードを抽出する手段と、前記抽出された故障識別コードに基づく故障予測結果を出力する手段とを備えることを特徴とする。
【００１６】
また、上記遠隔故障予測システムは、前記故障識別コードの複数についてそれぞれの緊急度を管理する管理手段をさらに備え、前記抽出の結果、複数の故障識別コードが抽出された場合には、抽出された故障識別コードのうち緊急度の高いものを故障予測結果として出力してもよい。
【００１７】
また、前記故障情報データベースには、故障発生時刻に関する情報がさらに記憶されており、前記故障車両の車両データのうち前記故障予測対象車両の車両データと一致した部分の時刻から、前記故障発生時刻までの時間を故障発生予測時間として出力してもよい。
【００１８】
また、上記のいずれかの遠隔故障予測システムにおいて、前記故障予測対象となる車両の車両データと同一又は類似の傾向を示した前記故障情報データベースに記憶されている車両データとの一致度合いを算出する手段と、前記算出された一致度合いに故障発生確率を算出する手段とをさらに備え、前記算出された故障発生確率も出力するようにしてもよい。
【００１９】
本願の第３の発明によれば、上記何れかの遠隔故障予測システムに対して故障予測要求を送信する手段と、前記遠隔故障予測システムから故障予測結果を受信する手段と、前記受信された故障予測結果を報知する手段とを有する車両が提供される。
【００２０】
本願の第４の発明によれば、上記何れかに記載された遠隔故障予測システムにネットワークを介して接続されたサービス工場用のコンピュータであって、前記サービス工場に入庫された故障車両から少なくとも故障発生直前の車両状態を含む車両データを受信する手段と、前記受信された車両データを、前記故障識別コードとともに前記遠隔故障予測システムに送信する手段とを有するサービス工場用のコンピュータが提供される。
【００２１】
尚、同目的は、上記の各構成を備える遠隔故障予測システムに対応する遠隔故障予測方法によっても達成される。
【００２２】
また、同目的は、上記遠隔故障予測システムに含まれる各手段を、コンピュータによって実現するためのプログラム、及びそのプログラムコードが格納されているコンピュータ読み取り可能な記憶媒体によっても達成される。
【００２３】
【発明の効果】
本発明によれば、従来技術よりも故障予測の信頼性を向上させることが可能な遠隔故障予測システム、遠隔故障予測方法及び遠隔故障予測プログラムが実現される。
【００２４】
即ち、請求項１、６、１２及び１３に記載の発明によれば、ネットワーク接続の利点を生かし、故障予測対象車両の車両データと、実際に故障が発生した車両の故障発生前の車両データとに基づいて故障予測対象車両の故障の発生を予測することで、故障予測の信頼性を向上させることができる。
【００２５】
また、請求項２の発明によれば、故障車両の車両データに加え、正常車両の車両データを用いることで、故障車両の車両データだけを用いる場合よりも故障予測の信頼性を向上させることができる。
【００２６】
また、請求項３の発明によれば、複数の故障車両の車両データについてデータマイニング手法によりシステムを運用しながらモデル化を行なうため、事前のモデリングが不要となり、新規の故障データも随時追加でき、故障予測の信頼性を向上させることができる。また、データマイニング手法を用いることで故障車両の車両データと故障予測対象の車両データの一致度合い（故障発生確率）を提供できるため、顧客に対して故障発生確率を報知することもできる。
【００２７】
また、請求項４の発明によれば、故障予測対象車両と同一又は類似の走行状態にあった故障車両又は正常車両の車両データを用いて故障の発生を予測するため、類似の走行状態にない車両の車両データをも含めて予測をするよりも、予測の精度を向上させることができる。
【００２８】
また、請求項５の発明によれば、故障予測対象車両と類似の年式の故障車両又は正常車両の車両データを用いて故障の発生を予測するため、異なる年式の車両の車両データをも含めて予測をするよりも、予測の精度を向上させることができる。
【００２９】
また、請求項７に記載の発明によれば、予測された故障の緊急度に応じて顧客に故障予測結果を通知するため、例えば、緊急度の高い故障が予測されたときには、顧客に対してサービス工場への入庫を強く奨めることができる。
【００３０】
また、請求項８に記載の発明によれば、故障情報データベースに記憶されている故障発生時刻に関する情報に基づいて、故障予測車両において同様の故障が発生するであろう故障発生予想時間を顧客に通知できるため、顧客は車両をサービス工場に入庫させるタイミングを決定しやすくなるであろう。
【００３１】
また、請求項９に記載の発明によれば、故障予測対象となる車両の車両データと故障車両の車両データの一致度合いから故障発生確率を算出するようにしたので、顧客は特定の故障の発生を定量的なデータとして把握することが可能となる。
【００３２】
また、請求項１０に記載の発明によれば、上述の遠隔故障予測システムに対応した車両を提供することができる。
【００３３】
また、請求項１１に記載の発明によれば、上記の遠隔故障予測システムに適したサービス工場用のコンピュータを提供することができる。
【００３４】
【発明の実施の形態】
以下、本発明に係る遠隔故障予測システムについての一実施形態を、図面を参照して詳細に説明する。なお、以下では、一見すると特許請求の範囲には記載されていないと思われる実施形態が存在するかもしれないが、これらは意識的に除外したものではなく、特許請求の範囲に記載の発明と均等であるためにあえて、特許請求の範囲には記載していないことを理解していただきたい。
【００３５】
［第１の実施形態］
図１は、本実施形態に係るシステムの構成例を示した図である。情報センター１００は、顧客の車両１１０、１１１やサービス工場１２０などから送信される各種の情報を蓄積するとともに、故障予測結果を提供するコンピュータ群である。情報センター１００は、顧客の車両１１０、サービス工場１２０とインターネット１３０やモバイル通信回線などを経由して接続している。
【００３６】
顧客の車両１１０及び１１１は、故障の予測に必要なデータを取得して情報センター１００に送信する。
【００３７】
サービス工場１２０は、いわゆる修理工場などであり、故障車両１１１から車両データを読み出したり、故障個所や故障の原因に関する情報を情報センター１００に送信したりする。サービス工場にはサービス工場用のクライアント装置が設定されている。このクライアント装置は、一種のコンピュータであり、ＣＰＵ、メモリ、ハードディスクドライブ及び通信インタフェースなどを備えている。以下の説明では、フローチャートに対応するプログラムをＣＰＵが実行することにより、各種の処理が実行されることになる。
【００３８】
情報センター１００には、故障の予測処理を実行する故障予測サーバ１０１と、顧客（全ての顧客又は故障予測サービスの契約者）の情報を格納した顧客情報データベース１０２と、故障車両１１１やサービス工場のクライアント装置１２１から送信された故障データを格納する故障情報データベース１０３と、顧客の車両１１０、１１１から送信されてきた車両データを蓄積する車両情報データベース１０４と、サービス工場の位置などに関する情報を格納するサービス工場データベース１０５と、地図データを格納した地図データベース１０６と、故障を診断又は予測するための各種プログラムを格納した診断プログラムデータベース１０７とを含んでいる。
【００３９】
故障予測サーバ１０１は、一種のコンピュータであり、ＣＰＵ、メモリ、ハードディスクドライブ及び通信インタフェースなどを備えている。以下の説明では、フローチャートに対応するプログラムをＣＰＵが実行することにより、各種の処理が実行されることになる。
【００４０】
この故障予測サーバ１０１により、例えば、故障車両１１１の故障発生前の車両状態に関する車両データを記憶する記憶手段（例：故障予測サーバ１０１のメモリ、ハードディスクドライブ、故障情報データベース１０３、車両情報データベース１０４など）と、ネットワーク１３０を介して接続された故障予測対象車両１１０から車両データを受信する受信手段（例：故障予測サーバ１０１の通信インタフェース）と、前記受信された車両データと比較するための、前記故障車両の故障発生前の車両データを前記記憶手段から読み出す読出手段（例：故障予測サーバ１０１のＣＰＵ）と、前記受信された車両データと前記故障発生前の車両データとを比較し、該比較の結果に基づいて故障の発生を予測する故障予測手段（例：故障予測サーバ１０１のＣＰＵ）と、前記故障予測手段による予測結果を前記故障予測対象車両の顧客に対して送信する送信手段（例：故障予測サーバ１０１の通信インタフェース）とを有する遠隔故障予測システムが実現される。
【００４１】
図２は、本実施形態に係る車両の構成例を示したブロック図である。遠隔車両用クライアント装置２００は、ＣＰＵ、メモリなどからなるメインコントローラであり、各種制御ユニットやセンサから制御データやセンサ出力を取得し、メモリに蓄積したり、蓄積した情報をモバイル端末（モバイル通信インタフェース）２５０や近距離無線通信インタフェース２５５を介して情報センター１００に送信したり、情報センター１００から故障予測結果を受信したりする。近距離無線通信インタフェース２２５は、無線ＬＡＮ、ブルートゥース及びＥＴＣ用の無線規格などを採用できる。また、遠隔車両用クライアント装置２００は、故障予測サーバ１０１に対し、モバイル端末（モバイル通信インタフェース）２５０や近距離無線通信インタフェース２５５を介して、故障予測要求を送信したり、故障予測結果を受信する。
【００４２】
ボディー系システム２１０は、パワーウインドウユニット２１１、ヘッドライトユニット２１２、オーディオユニット２１３、エアコンユニット２１４、ワイパーユニット２１５及びドアロックユニット２１６などを含み、制御結果や電流・電圧などのデータを車両用クライアント装置２００へと出力する。
【００４３】
制御系システム２２０には、ブレーキがロックしないように制御するＡＢＳ（アンチロック・ブレーキ・システム）２２１、車両の挙動を制御するＤＳＣ（ダイナミック・スタビリティ・コントローラ）２２２、燃料の供給を制御するＥＧＩ（エレクトリック・ガス・インジェクション）２２３、自動変速機を制御するＥＡＴ（エレクトリック・オートマティック・トランスミッション）２２４及び自動走行などドライバの運転を補助するＩＣＣＷ（インテリジェント・クルーズ・コントロール＆ワーニング）２２５などを含み、車両用クライアント装置２２０に対して制御結果などを通知する。
【００４４】
また車両には各種のセンサ群が搭載されている。例えば、ＧＰＳ（グローバル・ポジショニング・システム）衛星からの電波を受信して車両の現在位置を算出するＧＰＳセンサ２３１、渋滞情報などを受信するＶＩＣＳ情報受信機２３２、車両の速度を検出する車速センサ２３３、前方の車両など他の車両との距離を計測する車間距離センサ２３４、車両のヨーレートを検出するヨーレートセンサ２３５、車両の加速度を検出する加速度センサ、車両の操舵角を検出する操舵角センサ２３７、スロットルの開度を検出するスロットル開度センサ２３８、ブレーキの踏み込み圧力を検出するブレーキ圧センサ２３９及びウインカスイッチの動作状態を検出するウインカＳＷセンサ２４０などが車両には搭載されている。なお、図示してはいないが、気温センサや雨量センサなどを搭載していてもよい。
【００４５】
ナビゲーション・コントローラ２６０は、ＧＰＳセンサ２３１からの測位データに基づいて、ハードディス・クドライブなどに記憶されている地図情報を検索し、現在位置の地図を表示する装置である。顧客たるドライバへの入出力装置２７０は、液晶ディスプレイなどの表示装置と音声主力装置などを含んでおり、ナビゲーション・コントローラ２６０からの地図データを出力したり、情報センター１００からの故障予測結果を出力したりする。このように、入出力装置２７０を通じて、故障予測結果を顧客に報知することが可能となる。
【００４６】
図３は、サービス工場１２０の構成例を示した図である。サービス工場用クライアント１２１は、テスター３０１からの故障診断情報や、故障した車両１１１に搭載されている車両用クライアント装置２００に蓄積されている故障発生前の車両データを読み出し、発生した故障を表す故障識別コードとともに情報センター１００に送信するコンピュータである。なお、サービス工場用クライアント１２１は、情報センター１００と通信するための通信インタフェースも備えている。なお、車両と通信する際には、例えば、近距離無線通信インタフェース３１０を介して車両１１１と接続することができる。テスター３０１は、故障車両に設けられたコネクターに接続することで詳細な故障診断を行なう装置である。
【００４７】
図４は、本実施形態に係る車両データの収集に関するフローチャートである。ステップＳ４００において、車両用クライアント装置２００に搭載されているＣＰＵは、各種センサやユニットからの出力を、それぞれ適切なタイミングでサンプリングし、メモリに記憶する。
【００４８】
ステップＳ４０２において、車両用クライアント装置２００に搭載されているＣＰＵは所定のタイミング（例えば、定期的、エンジン始動時、エンジン始動が所定時間経過後、及びドライバによる明示的な指示が入力されたときなど）になったと判断すると、メモリに記憶されている車両データを読み出し、車両又はドライバを特定する情報を付加し、モバイル通信インタフェース２５０又は近距離無線通信インタフェース２５５を介して情報センター１００に送信する。
【００４９】
ステップＳ４１０において、情報センター１００の故障予測サーバ１０１は、モバイル通信インタフェースなどを介して車両から送信された車両データを受信する。ステップＳ４１２において、故障予測サーバ１０１は、受信した車両データを、対応する車両又はドライバを特定する情報と関連付けて車両情報データベース１０４に記憶する。
【００５０】
以上の手順により、故障をしていない正常車両についての車両データが車両データベース１０４に格納される。
【００５１】
図５は、故障の予測に使用される故障データの収集に関するフローチャートである。故障データの収集方法は、概ね２通りがある。１つは、故障した車両から故障データを読み出し故障情報データベース１０３へ書き込む方法である（ステップＳ５００、Ｓ５０２）。もう１つは、故障車両１１１が入庫されたサービス工場のクライアント装置１２１により故障車両１１１から故障データを読み出した後、故障情報データベース１０３へと書き込む方法である（Ｓ５１０、Ｓ５１２）。
【００５２】
ステップＳ５００において、故障車両１１１に搭載された車両用クライアント装置２００は、故障の発生を認識した顧客により故障データの送信が指定されると、故障発生時刻、車両番号（車体番号）及び故障識別コードなどをメモリから読み出し、故障データを作成する。この故障発生時刻と故障識別コードは、顧客が入出力装置２７０を操作して入力することができる。車両番号などの車両を特定するために役立つ情報は、例えば、ＲＯＭなどに記憶されているものを読み出せばよい。
【００５３】
なお、車両用クライアント装置２００が故障診断プログラムを搭載している場合には、故障診断プログラムを実行することにより常時、定期的又は所定のタイミング（スイッチ操作時など）で各種センサやユニットからのデータを取得して故障の発生を監視し、故障の発生を検出すると、故障発生時刻と、発生した故障に対応する故障識別コードとを決定し、故障データを作成し、情報センター１００へとアップロードすることができる。
【００５４】
ステップＳ５０２において、車両用クライアント装置２００は、メモリに記憶されていた車両データと故障データとを情報センター１００内の故障予測サーバ１０１に送信する。ステップＳ５０４において、故障予測サーバ１０１は、インターネット１３０を経由して車両データと故障データとを受信する。ステップＳ５０６において、故障予測サーバ１０１は、受信した車両データを車両情報データベース１０４に記憶する。ステップＳ５０８において、故障予測サーバ１０１は、受信した故障データを車両情報データベースに記憶する。
【００５５】
以上のようにして、故障予測に使用するための判断要素となる故障データと車両データとが各データベースに記憶される。なお、故障データやその車両データは故障モデルといえるものであるが、データマイニング手法においてはこの故障モデルは、時々刻々とデータが追加されることで絶えず変化しており、他のデータとの比較の段階で確定されるものである。その意味では、故障予測サーバ１０１が、受信した故障データを故障情報データベース１０３や車両情報データベース１０４に登録する処理や、これらから所望の車両データを抽出する処理は、故障モデルの作成処理に該当するといえよう。
【００５６】
ところで、故障データや車両データは、サービス工場１２０から収集してもよい。ステップＳ５１０において、テスター３０１が故障車両１１１に接続され、故障診断が実行される。この故障診断においては、テスター３０１及び／又はクライアント装置１２１が、故障車両１１１のメモリに記憶されている車両データを読み出して詳細な調査を実行したり、あるいは特定の検査用信号を各種ユニットに送信し、各種ユニットからの応答データを検査したりするなどして、故障データを作成する。
【００５７】
なお、サービス工場用クライアント１２１は、無線通信インタフェース３１０を介して故障車両１１１と接続し、メモリに格納されている車両データを読み出してもよく、この場合はさらに、サービス工場用のクライアント装置１２１において診断プログラムを実行し、故障個所を詳細に診断して故障データを作成してもよい。ステップＳ５１２において、サービス工場用のクライアント装置１２１は、作成された故障データと、故障車両から読み出し車両データとを情報センター１００の故障予測サーバ１０１に送信する。その後は、ステップＳ５０４以降の処理を実行する。
【００５８】
このように故障データの収集について２つの方法を例示したが、後者の方法では、車載するには高価すぎるような専門の診断装置を使用できるため、より詳細な診断結果が得られる利点があろう。
【００５９】
図６は、本実施形態に係る遠隔故障予測処理についてのフローチャートである。
【００６０】
ステップＳ６００において、車両側で故障予測がトリガーされる。例えば、車両用クライアント装置２００は、車両の搭乗者により入出力装置２７０が操作され故障予測の要求を受け付ける。ステップＳ６０２において、車両用クライアント装置２００は、メモリに記憶されていた所定期間の車両データを読み出し、故障予測サーバ１０１に送信する。
【００６１】
ステップＳ６０４において、故障予測サーバ１０１は、インターネット１３０を経由して車両データを受信する。ステップＳ６０６において、故障予測サーバ１０１は、受信した車両データを用いて故障発生予測処理を実行する。ステップＳ６０８において、故障予測サーバ１０１は、故障予測を要求してきた車両に対して、予測結果を送信する。
【００６２】
ステップＳ６１０において、車両用クライアント装置２００は、故障予測結果を受信する。ステップＳ６１２において、車両用クライアント装置２００は、受信した故障予測結果を、入出力装置２７０に出力させる。以上のようなフローで故障の予測が実行される。
【００６３】
図７は、本実施形態に故障予測処理に関するフローチャートである。なお、本実施形態ではデータマイニング手法の一種であるＭＢＲ（ＭｅｍｏｒｙＢａｓｅｄＲｅａｓｏｎｉｎｇ）を使用する。このＭＢＲでは、過去の既知データ（故障データや正常車両のデータなど）に基づいて、未知データ（故障予測対象の車両データ）の行動（将来故障するか否か）を予測できる。とりわけ、本実施形態では、大量の故障データや車両データを直接使用することで故障モデルや正常モデルを作成しているため、他方式のように事前のモデリングは不要である。従って、システムを変更することなく、新規の故障データを随時追加するだけで、過去に存在しなかった新規の故障の予測も実現できる利点がある。
【００６４】
また、過去の故障事実（故障データ）に基づいて予測を実行しているため、故障の根拠も明確であり、従来技術に比べても予測の信頼性が高い。
【００６５】
また、データの部分集合（例えば、以下の時間幅Ｔの車両データ）で推論を実行するためノイズにも強い特徴がある。
【００６６】
また、本実施形態では、予測車両の車両データが故障データとどのくらい一致しているかを定量化できるため、顧客は特定の故障がどの程度の確率で発生するかを容易に把握できる利点もある。
【００６７】
ステップＳ７００において、故障予測サーバ１０１は、予測対象車両１１０の車両識別情報（車両番号など）を検索キーとして、対応する車両データを車両情報データベース１０４から抽出する。なお、ここで抽出される車両データの時間幅をＴとする。このＴがあまりに長すぎると、予測処理に時間がかかってしまうため、故障予測精度を十分に保つのに相応しく、かつ、できる限り短い時間幅に設定することが望ましいであろう。
【００６８】
例えば、複数の故障識別コードのうち、故障を予測するには最長期間の車両データを必要とする故障識別コードに設定してもよい。また、各故障識別コードごとに必要となる時間幅は異なる可能性があることを考慮し、予測の対象となる故障識別コードごとに時間幅Ｔを可変とし、適切な値に設定してもよい。この場合は、経験的に各故障識別コードごとに必要となる時間幅Ｔを決定すればよい。
【００６９】
ステップＳ７０２において、全故障識別コードのうちｉ（初期値は０）番目の故障識別コードに関して、故障発生前ｄ〜ｄ−Ｔまでの故障データを読み出す（ｄの初期値は０）。
【００７０】
図８は、ＭＢＲを用いた故障予測処理の概念を示した図である。ここでは、１番目の故障識別コードについて説明する。同一の故障データについて複数の車両が登録されていることもある。図８の故障情報データベース１０３には、１番目の故障識別コードについては、車両番号ＸＸＸ１２３の車両が故障発生時刻２００３年８月８日２０時２０分００秒と登録されている。
【００７１】
そこで、車両番号ＸＸＸ１２３の車両データであって、故障発生時刻２００３年８月８日２０時２０分００秒のｄ分前からｄ＋Ｔ分前までの車両データを抽出する。例えば、ｄが１で、Ｔが２であれば、２００３年８月８日２０時１７分００秒から同１９分００秒までの車両データが抽出される。これらがマッチング用の故障データとなる。
【００７２】
ステップＳ７０４において、故障予測サーバ１０１は、故障予測対象車両の車両データと故障識別コードｉに関する故障データとをマッチング処理する。マッチング処理には、例えば相関演算などを使用する。マッチング処理により双方の一致性（例：相関値）が得られる。
【００７３】
例えば、図８に示すように、故障車両の空燃比データを予測対象車両の空燃比データと相関演算する。これにより、故障識別コードごとの一致性（相関値）が得られる。
【００７４】
ステップＳ７０６において、故障予測サーバ１０１は、ｉ番目の故障識別コードに対する一致性が所定の閾値以上であるかを判定する。この閾値は経験的に決定してもよいし、あるいは精度を重視するのであれば高めに設定し、事前の注意を重視するのであれば、低く設定すればよい。
【００７５】
なお、閾値があまりにも低いと予測精度が悪化し、必要以上に故障予測がドライバに通知されてしまうかもしれない。これでは、いたずらにドライバの不安感を煽る恐れもある。そこで、不安感を煽らない程度に閾値を設定することが肝要であろう。あるいは、具体的な一致度合い（例えば、「１ヶ月以内にワイパーブレードが故障する確率が２０％です。」など）をドライバに通知してもよいだろう。このようにしてと双方の車両データが同一又は類似の傾向を示しているかが判定される。ステップＳ７０６で判定した結果、一致性が閾値を超えていればステップＳ７０８へと進み、一致性が閾値以下であればステップＳ７１０へと進む。
【００７６】
ステップＳ７０８において、故障予測サーバ１０１は、ｉ番目の故障識別コードを故障リストに追加する。故障リストは、メモリ又はハードディスクドライブなどの記憶手段に格納される。
【００７７】
ステップＳ７１０において、故障予測サーバ１０１は、故障データのうち故障時からＤｉまでの全区間でマッチング処理が終了したかを判定する。
【００７８】
図９は、全データの時間幅Ｄｉとマッチング区間Ｔ（ｄ〜ｄ＋Ｔ）との関係を示した図である。故障発生時（ｄ＝０）からＴ分前の区間だけでなく、より過去の時間において故障の予兆現象が発生している可能性がある。そこで、マッチング対象となる全データの時間幅Ｄｉを長めに設定し、区間Ｔごとに切り出してそれぞれマッチングを行い、故障予測の精度をあげている。
【００７９】
なお、Ｄｉは、故障識別コードごとに異なってもよいし、故障識別コードの違いにかかわらず一定であってもよい。故障識別コードごとに必要となる時間幅は異なることもあるため、経験的に故障識別コードごとのＤｉを設定して記憶しておき、故障識別コードごとに対応するＤｉを読み出して、故障予測処理に使用してもよい。ステップＳ７１０においてｄ＜Ｄｉであれば、ｄの値をインクリメントしてステップＳ７０２に戻る。なおインクリメントの幅はＴである。
【００８０】
ステップＳ７１２において、故障予測サーバ１０１は、全ての故障コードについて故障予測を終了したかを判定する。終了していなければ、ｉの値をインクリメントしてステップＳ７０２へと戻り、次の故障識別コードについて故障予測を行なう。
【００８１】
ステップＳ７１４において、故障予測サーバ１０１は、記憶手段に記憶されている故障リストを読み出し、何れかの故障識別コードが登録されているかを判定する。いずれかの故障識別コードが登録されていれば、その故障識別コードに対応する故障が近い将来において発生すると予測されたことになる。故障の発生が予測されていなければステップＳ７１４に進む。故障の発生が予測された場合にはステップＳ７１６へと進む。
【００８２】
ステップＳ７１６において、故障予測サーバ１０１は、ドライバに報告するための故障予測結果（予測レポート）を作成する。例えば、故障リストに登録されている故障識別コードについて、緊急度別にソートし、故障予測結果を作成してもよい。この故障予測結果には、例えば、予測された全ての故障を含ませてもよいし、あるいは運行の支障をきたすようなものや安全性に直結するような緊急度の高い故障のみを含ませてもよい。なぜなら、緊急度の低いものを通知すると、過度に不安になるドライバも存在するかもしれないので、緊急度の高いもののみを通知させる利点がある。
【００８３】
また、故障の緊急度が高い場合には、その緊急度を反映させ、ドライバにとって緊急の度合いが分かりやすいような故障予測結果を作成してもよい。
【００８４】
ステップＳ７１８において、故障予測サーバ１０１は、故障なしを示す予測結果を作成し記憶手段に記憶する。予測結果としては、例えば、「故障の発生は予測されませんでした。快適なドライビングをお楽しみ下さい。」とか、「現時点では故障の発生は予測されませんでした。この故障予測は、故障しないことを保証するものではありません。」とか、「現時点では故障の発生は予測されませんでした。但し、不意に故障が発生することもありますので、運行前点検や定期点検などは必ず実行しましょう。」などのメッセージとすればよいだろう。
【００８５】
以上のように本実施形態によれば、車両状態を検出する検出手段（例：加速度センサ２３６など）と該検出された車両状態に関する経時的な車両データを記憶する記憶手段（例車両用クライアント装置２００内のメモリなど）とを有する車両にネットワークを介して接続して故障の発生を予測する遠隔故障予測システムであって、故障車両１１１から、又は該故障車両の入庫されたサービス工場のコンピュータ（例：サービス工場用クライアント装置１２１など）を経由し、該故障車両について少なくとも故障発生直前の車両状態を含む車両データと、発生した故障の種類を識別するための故障識別コードとを受信する手段（例：故障予測サーバ１０１の通信インタフェースなど）と、前記受信された故障車両の車両データと前記故障識別コードとを記憶する故障情報データベース（例：故障情報データベース１０３、車両情報データベース１０４など）と、故障予測対象となる車両から車両データを受信すると、前記故障情報データベースに記憶されている車両データのなかに、前記故障予測対象となる車両の車両データと同一又は類似の傾向を示すものがあるかを判定する手段（例：故障予測サーバ１０１のＣＰＵ）と、前記同一又は類似の傾向を示すものがある場合には、前記同一又は類似の傾向を示した車両データに対応する故障識別コードを抽出する手段（例：故障予測サーバ１０１のＣＰＵなど）と、前記抽出された故障識別コードに基づく故障予測結果を出力する手段（例：故障予測サーバ１０１の通信インタフェースなど）とを備えた遠隔故障予測システムが提供される。
【００８６】
この構成により、本実施形態にかかる発明では、実際の故障車両の車両データに基づいて故障を予測するため、従来よりも故障予測の精度を上昇させることができる。
【００８７】
［第２の実施形態］
上述した第１の実施形態に係る遠隔故障予測システムを基本とする第２の実施形態を説明する。以下の説明においては、第１の実施形態と同様な構成については重複する説明を省略し、本実施形態における特徴的な部分を中心に説明する。
【００８８】
第２の実施形態では、通常の車両データを車両情報データベース１０３に登録した際にも、故障予測処理を実行するものである。
【００８９】
図１０は、第２の実施形態にかかる故障予測に関するフローチャートである。図４及び図６と共通のステップについては同一の引用符号を付すことで説明を簡潔にする。本実施形態では、ステップＳ４００からステップＳ４１２を実行した後、ステップＳ１０１４以降を追加している。
【００９０】
ステップＳ１０１４において、故障予測サーバ１０１は、前回の予測処理から所定時間が経過しているかを判定する。このように所定期間が経過したときに予測結果を提供するのは次の理由による。車両の故障はそれほど頻繁に発生するものではないところ、車両データが届くたびに故障の予測処理を実行すれば、無駄にシステムの負荷を増加させてしまう。よって、故障予測をするのに適切なタイミングでのみ実行すれば十分なのである。
【００９１】
処理を具体的に説明すると、故障予測サーバ１０１は、車両データを送信してきた車両について、前回故障予測処理を行なった時刻を顧客データベース１０２から読み出す一方で、現在の時刻をタイマーから取得し、両者の差分をとる。この差分が所定時間を超えていればステップＳ６０６へと進み、故障発生の予測処理を実行する。
【００９２】
一方、この差分が所定時間を超えていなければ、すなわち、前回の予測処理から十分に時間が経過していなければ、予測処理を実行せず処理を終了する。
【００９３】
なお、ステップＳ６０６において得られた故障予測の結果、故障が予測されなかった場合には、ドライバに予測結果を通知することなく処理を終了してもよい。
【００９４】
本実施形態では、車両データを送信したタイミングで、故障予測を行なうため、ドライバが故障予測の実行を失念しているときでも、自動で故障予測結果を報告することができる。
【００９５】
また、車両データを送信したタイミングであっても、前回の予測処理から十分に時間が経過していなければ、予測処理を実行せず処理を終了するようにしたので、無駄な予測処理の実行を抑制することができる。
【００９６】
また、故障が予測されなかった場合には、ドライバに予測結果を通知することなく終了するため、ドライバに無駄な情報が送信されることを抑制できる。本実施形態では、ドライバが意識せずとも、故障予測を実行しているため、故障の発生が予測されない場合には、そのままドライバに意識させないようにする方が運転に集中でき、好ましいかもしれない。
【００９７】
［第３の実施形態］
本実施形態は、故障が発生する時刻についても予測結果をドライバに提供するものである。
【００９８】
図１１は、本実施形態に係る故障予測処理のフローチャートである。図７と同様の個所については同一の引用符号を付すことで説明を省略する。
【００９９】
ステップ７０６において、故障識別コードｉについて故障の発生が予測されると、ステップＳ１１０９において、故障予測サーバ１０１は、そのときのｄの値から故障識別コードｉに対応する故障が発生するであろう時刻を計算により求め、故障識別コードｉと対応付けて故障リストに記憶する。そして、ステップＳ７１６に代わるステップＳ１１１６において、故障予測サーバ１０１は、故障の種別を表す情報（例：故障識別コード）と故障予想時刻とを含む故障予測結果を作成する。
【０１００】
故障予想時刻がｄを用いて算出される理由は次のとおりである。ステップＳ７０６において故障が発生すると予測された時のｄの値は、故障車両において故障が発生した時刻から過去にｄだけ遡った時刻と一致している。従って、故障予測対象車両の車両データが、故障発生時刻からｄ日前の故障データと一致した場合には、車両において車両データを取得した日からｄ日後に同様の故障が発生する可能性があるといえる。
【０１０１】
よって、車両データに含まれる車両データの取得日時にｄを加えることで故障発生予測時刻を算出できるのであある。
【０１０２】
以上のように本実施形態では、故障の種別だけでなく、故障の発生時刻をも予測してドライバに把握させることができるため、ドライバは緊急にサービス工場に入庫すべきかどうかを判断しやすくなる。
【０１０３】
［第４の実施形態］
本実施形態では、故障予測結果の予測精度（故障確率）をドライバに提示することで、故障予測の信頼性を定量的に報告するものである。
【０１０４】
図１２は、本実施形態係る故障予測処理のフローチャートである。図７と同様の個所については同一の引用符号を付すことで説明を省略する。
【０１０５】
ステップ７０６において、故障識別コードｉについて故障の発生が予測されると、ステップＳ１２０７において、故障予測サーバ１０１は、一致性（相関値）を確率に変換し、故障確率を算出する。ステップＳ１２０８において、故障予測サーバ１０１は、故障識別コード及び故障確率を故障リストに追加する。
【０１０６】
そして、ステップＳ１２１６において、故障予測サーバ１０１は、故障識別コード及び故障確率を含む故障予測結果を作成する。
【０１０７】
以上のようにして、故障確率（予測精度）についても定量的にドライバに報告できるため、ドライバは、予測結果の信頼性を容易に判断できる。
【０１０８】
［他の実施形態］
上述の実施形態では、故障車両を含め、すべての車両データを車両情報データベース１０４に蓄積していた。しかしながら、故障車両の車両データについては故障情報データベース１０３に蓄積するようにしてもよい。車両の普及台数を考慮すれば、車両データの量は膨大になるおそれがあるため、古い情報については車両情報データベース１０３から随時削除する必要がある。そこで、本当に必要な故障車両の車両データだけを故障情報データベース１０３残すことで、車両情報データベース１０３の記憶量を削減できよう。
【０１０９】
また、上述の実施形態ではＭＢＲを用い故障を予測する例を説明した。しかしながら、本発明はこれに限定されることはなく、例えば、事前にモデリングを実行するニューラルネットワークや重回帰分析など他のデータマイニング手法を適用してもよい。
【０１１０】
また、上述のステップＳ７０２において故障データを抽出する際に、故障予測サーバ１０１は、故障予測対象車両１１０と類似の走行状態にあった故障車両１１１又は他の正常車両の車両データに絞り込んで抽出してもよい。
【０１１１】
例えば、車両が高速道路を１００ｋｍで走行中であるとか、１３０Ｒのカーブを５０ｋｍ／ｈで走行しているとか、斜度１５度の坂を走行しているといった走行状態を、比較対象となる車両間で同一又は類似とすることで、故障予測精度を向上させ、さらには、絞込みにより故障予想時間の短縮効果が得られる。
【０１１２】
なお、走行状態については、車両データに含まれる時間ごとの緯度経度情報や、速度情報、加速度情報、夜か昼か、気温、雨か晴れかなどによって特定可能である。例えば、故障予測サーバ１１０は、緯度経度情報から車両データが取得されたときの位置を特定し、さらに地図データベースからその位置が高速道路なのか、１３０Ｒのカーブなのか、斜度１５度の坂なのかといった走行状態を特定する。同様に、故障車両のデータについても走行状態を特定することで、マッチングの候補を絞り込むことができる。
【０１１３】
また、故障予測サーバ１０１は、走行状態だけでなく、顧客データベース１０２又は車両データベース１０４に格納されている年式、近接した車体番号、顧客住所などの走行環境に基づいて絞込みをかけてもよい。例えば、顧客の住所が海辺にあれば塩害による腐食の進度が他の地域よりも速いと考えれ、しかも、同一地域であれば車両の同様の傾向を示すと考えられるからである。
【０１１４】
このように故障予測サーバ１１０が、故障予測対象車両と走行状態・走行環境が同一又は類似である故障車両又は正常車両の故障データに絞り込んで、故障予測処理を実行することで、故障予測精度を向上させるだけでなく、故障予測の短縮効果も得られよう。
【０１１５】
故障の予測結果については、故障予測サーバ１１０から車両用クライアント装置２００に対して直接送信してもよいが、電子メールとして顧客に送信してもよい。例えば、故障予測サーバ１１０は、故障予測対象車両１１０の車両番号に基づいて顧客データベース１０２を検索し、顧客の電子メールアドレスを抽出する。そして、故障予測サーバ１１０は、抽出された電子メールアドレスに対して予測結果を送信する。
【０１１６】
なお、ドライバの電子メールアドレスだけでなく、そのドライバが所属する会社の電子メールアドレスなどのように複数の電子メールアドレスを顧客データベースに登録しておけば、故障予測サーバ１１０は、ドライバだけでなく、そのドライバが所属する会社にも予測結果を配信できるため、会社全体として安全管理に役立てられる利点がある。
【図面の簡単な説明】
【図１】図１は、本実施形態に係るシステムの構成例を示した図である。
【図２】図２は、本実施形態に係る車両の構成例を示したブロック図である。
【図３】図３は、本実施形態に係るサービス工場１２０の構成例を示した図である。
【図４】図４は、本実施形態に係る車両データの収集に関するフローチャートである。
【図５】図５は、本実施形態に係る故障予測に使用される故障データの収集に関するフローチャートである。
【図６】図６は、本実施形態に係る遠隔故障予測処理のフローチャートである。
【図７】図７は、本実施形態に係る遠隔故障予測処理のフローチャートである。
【図８】図８は、ＭＢＲを用いた故障予測処理の概念を示した図である。
【図９】図９は、全データの時間幅Ｄｉとマッチング区間Ｔ（ｄ〜ｄ＋Ｔ）との関係を示した図である。
【図１０】図１０は、第２の実施形態に係る遠隔故障予測処理のフローチャートである。
【図１１】図１１は、第３の実施形態に係る遠隔故障予測処理のフローチャートである。
【図１２】図１２は、第４の実施形態に係る遠隔故障予測処理のフローチャートである。
【符号の説明】
１００…情報センター
１０１…故障予測サーバ
１１０…故障予測対象車両
１１１…故障車両
１２０…サービス工場
１２１…サービス工場用クライアント

Claims

故障予測対象車両に対して遠隔から故障の発生予測を行い、故障予測結果を顧客に送信する遠隔故障予測システムにおいて、
故障車両の故障発生前の車両状態に関する車両データを記憶する記憶手段と、
ネットワークを介して接続された故障予測対象車両から車両データを受信する受信手段と、
前記受信された車両データと比較するための、前記故障車両の故障発生前の車両データを前記記憶手段から読み出す読出手段と、
前記受信された車両データと前記故障発生前の車両データとを比較し、該比較の結果に基づいて故障の発生を予測する故障予測手段と、
前記故障予測手段による予測結果を前記故障予測対象車両の顧客に対して送信する送信手段と
を有する遠隔故障予測システム。
前記受信手段は、さらに、故障していない正常な車両についての車両データを受信し、前記故障予測手段は、前記故障予測対象車両の車両データと前記正常な車両の車両データとを比較し、該比較の結果にも基づいて故障の発生を予測することを特徴とする請求項１に記載の遠隔故障予測システム。
前記故障予測手段は、データマイニング手法を用いて複数の故障車両についての車両データから故障モデルを作成する作成手段をさらに備え、前記作成された故障モデルと前記故障予測対象車両の車両データとを比較して故障を予測することを特徴とする請求項１又は２に記載の遠隔故障予測システム。
前記故障予測手段は、故障予測対象車両と類似の走行状態にあった故障車両又は正常車両の車両データを用いて故障の発生を予測することを特徴とする請求項１に記載の遠隔故障予測システム。
前記故障予測手段は、故障予測対象車両と同一又は類似の年式の故障車両又は正常車両の車両データを用いて故障の発生を予測することを特徴とする請求項１に記載の遠隔故障予測システム。
車両状態を検出する検出手段と該検出された車両状態に関する経時的な車両データを記憶する記憶手段とを有する車両にネットワークを介して接続して故障の発生を予測する遠隔故障予測システムであって、
故障車両から、又は該故障車両の入庫されたサービス工場のコンピュータを経由し、該故障車両について少なくとも故障発生直前の車両状態を含む車両データと、発生した故障の種類を識別するための故障識別コードとを受信する手段と、
前記受信された故障車両の車両データと前記故障識別コードとを記憶する故障情報データベースと、
故障予測対象となる車両から車両データを受信すると、前記故障情報データベースに記憶されている車両データのなかに、前記故障予測対象となる車両の車両データと同一又は類似の傾向を示すものがあるかを判定する手段と、
前記同一又は類似の傾向を示すものがある場合には、前記同一又は類似の傾向を示した車両データに対応する故障識別コードを抽出する手段と、
前記抽出された故障識別コードに基づく故障予測結果を出力する手段と
を備えた遠隔故障予測システム。
前記故障識別コードの複数についてそれぞれの緊急度を管理する管理手段をさらに備え、
前記抽出の結果、複数の故障識別コードが抽出された場合には、抽出された故障識別コードのうち緊急度の高いものを故障予測結果として出力することを特徴とする請求項６に記載の遠隔故障予測システム。
前記故障情報データベースには、故障発生時刻に関する情報がさらに記憶されており、前記故障車両の車両データのうち前記故障予測対象車両の車両データと概ね一致したとされる部分の時刻から、前記故障発生時刻までの時間を故障発生予測時間として出力することを特徴とする請求項６又は７に記載の遠隔故障予測システム。
前記故障予測対象となる車両の車両データと同一又は類似の傾向を示した前記故障情報データベースに記憶されている車両データとの一致度合いを算出する手段と、
前記算出された一致度合いに故障発生確率を算出する手段と
をさらに備え、
前記算出された故障発生確率も出力することを特徴とする請求項６乃至８の何れかに記載の遠隔故障予測システム。
請求項１乃至９の何れかに記載された遠隔故障予測システムに対して故障予測要求を送信する手段と、
前記遠隔故障予測システムから故障予測結果を受信する手段と、
前記受信された故障予測結果を報知する手段と
を有する車両。
請求項１乃至９の何れかに記載された遠隔故障予測システムにネットワークを介して接続されたサービス工場用のコンピュータであって、
前記サービス工場に入庫された故障車両から少なくとも故障発生直前の車両状態を含む車両データを受信する手段と、
前記受信された車両データを、前記故障識別コードとともに前記遠隔故障予測システムに送信する手段と
を有するサービス工場用のコンピュータ。
故障予測対象車両に対して遠隔から故障の発生予測を行い、故障予測結果を顧客に送信する遠隔故障予測方法において、
故障車両の故障発生前における車両状態に関する車両データを記憶するステップと、
ネットワークを介して接続された故障予測対象車両から車両データを受信するステップと、
前記受信された車両データと比較するための、前記故障車両の車両データを読み出すステップと、
前記受信された車両データと、前記読み出された故障発生前の車両データとを比較し、比較の結果に基づいて故障の発生を予測するステップと、
前記故予測ステップにおける予測結果を前記故障予測対象車両の顧客に対して送信するステップと
を有する遠隔故障予測方法。
故障予測対象車両に対して遠隔から故障の発生予測を行い、故障予測結果を顧客に送信する遠隔故障予測プログラムにおいて、
故障車両の故障発生前における車両状態に関する車両データを記憶するステップと、
ネットワークを介して接続された故障予測対象車両から車両データを受信するステップと、
前記受信された車両データと比較するための、前記故障車両の車両データを読み出すステップと、
前記受信された車両データと、前記読み出された故障発生前の車両データとを比較し、比較の結果に基づいて故障の発生を予測するステップと、
前記故予測ステップにおける予測結果を前記故障予測対象車両の顧客に対して送信するステップと
をコンピュータに実行させるための遠隔故障予測プログラム。