JP2009146086A - 車両故障診断予測装置 - Google Patents

Abstract

【課題】走行データから正常状態のモデルを作成し、その車両に特化した故障診断、予測を行なう車両故障診断予測装置を提供する。
【解決手段】故障診断予測を行なうモデル道路の条件を予め設定し、車両状態データ検出手段１１は、その条件での走行時に車載センサ２１から状態データを収集し、車両状態データベース１５に蓄積する。所定の期間または距離分の状態データの収集後、正常状態モデル作成手段１３は、それらの状態データから正常状態モデルを作成する。故障診断予測手段１７は、正常状態モデルが作成された後にモデル道路条件の道路走行中、車両状態データ検出手段１１により検出された状態データと正常状態モデルを比較し、故障を診断する。故障診断予測手段１７は、また、車両状態データベース１５に蓄積された過去の車両状態データの回帰分析による将来の状態データと正常状態モデルを比較し、故障を予測する。
【選択図】図１

Description

本発明は、走行中の車両の故障を診断、予測する車両故障診断予測装置に関する。

従来からいくつかの車載用の故障診断装置が提案されている（例えば、特許文献１〜３）。
特開２００７−１７８３１０号公報 特開２００７−２８６０１８号公報 特開２００７−２５３７４９号公報

特許文献１の故障診断装置は、周囲の車両等を検知し、その位置情報を運転者に知らせたり、操舵を自動制御する車載レーダの故障診断装置であり、レーダの反射波が必ずあるべき場所、例えば、トンネルや立体駐車場、渋滞箇所、車庫等をＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）とナビゲーション装置で使用される地図データにより検出し、その場所でのみ車載レーダの故障診断を行なうものである。
このとき、そのような場所では、レーダの反射波の信号受信強度が予め定めたしきい値よりも大きくなることを利用し、信号受信強度がしきい値に満たない場合に故障と診断する。

また、特許文献２の故障診断装置は、排ガス劣化の要因となる車両の故障箇所を診断する装置であり、車載センサからの動作データや特性値をしきい値と比較して故障を検出し、ＦＴＡ（Ｆａｕｌｔ Ｔｒｅｅ Ａｎａｌｙｓｉｓ）用のテーブルにより、故障原因を特定するものである。特に、動作データや特性値から複数の故障が検出された場合の処理方法を提案している。

さらに、特許文献３の故障診断装置は、電磁誘導型車輪速センサの故障判定と、車輪速センサの出力を基にした走行制御を、車輪速センサが外部ノイズに影響を受けない地域の走行中にのみ行なうか、外部ノイズに影響される地域では、判定のしきい値を変更するものである。
外部ノイズの影響を受けやすい地域は、ロードヒータの設置されている場所や高圧送電線の近辺、通信施設付近であり、これらの地域をＧＰＳと地図データにより検出する。

しかしながら、上記の提案は、故障診断を、現在のセンサ入力データと予め設定されているしきい値とを比較することにより行なうものであり、その車両の過去の走行履歴は考慮されていない。また、しきい値は、その車両の車種等により予め設定され、故障診断装置内に格納されているものである。
すなわち、車両個々の走行を考慮した故障診断が行なわれていないという問題がある。

また、特許文献１および特許文献３の方法では、故障診断を行なう、または行なわない地理的位置をＧＰＳおよび地図データで決定してはいるが、地形や走行/停止状態等で異なる運転状態の変化を取り入れて故障検知や予測を行なうことができないという問題がある。

本発明は、このような問題に鑑みてなされたもので、その目的とするところは、走行データから正常状態のモデルを作成し、その車両に特化した故障診断、予測を行なう車両故障診断予測装置を提供することである。

前述した課題を解決するための発明は、走行中の車両の故障を検出、予測する車両故障診断予測装置であって、予め設定した所定の道路条件で走行中の車両の状態データを検出する車両状態データ検出手段と、前記車両状態データ検出手段により検出された前記予め設定した所定の道路条件での車両の状態データを蓄積する状態データ格納手段と、前記状態データ格納手段に蓄積された所定の期間分または所定の距離分の前記車両の状態データから前記所定の道路条件での状態データの正常状態モデルを作成する正常状態モデル作成手段と、前記正常状態モデル作成手段による前記正常状態モデルの作成後、前記予め設定した所定の道路条件で走行する際に、前記車両状態データ検出手段により検出された前記車両の状態データと前記正常状態モデルを比較することにより走行中の故障を検出、予測する故障診断予測手段と、を有することを特徴とする車両故障診断予測装置である。

ここで、前記予め設定した所定の道路条件は、頻繁に走行する同一区間内の、停車する確率の高い交差点、または、一定速度で通過できる確率の高い平坦路のうち、少なくともいずれかを含むものであることが望ましい。
また、前記予め設定した所定の道路条件は、所定の距離以上の長さのある平坦路、または、所定の距離以上の長さのある上り勾配路および下り勾配路、または、所定の曲率と長さを持つカーブ路のうち、少なくともいずれかを含むものであってもよい。
前記車両状態データ検出手段は、前記予め設定した所定の道路条件を、ＧＰＳおよび地図データにより検出する。

前記車両状態データ検出手段は、充電率、回生電力量、水温、アイドル回転数、排気温、タイヤの空気圧、燃料消費率、ヨーレート、アクセル開度、シフトポジション、速度のうち少なくとも一つを検出する。
そして、前記正常状態モデル作成手段は、前記状態データ格納手段により蓄積された所定の期間または所定の走行距離分の前記車両の状態データから、前記予め設定した所定の道路条件ごとに平均値μおよび標準偏差σを算出し、μ−３σ〜μ＋３σの範囲を前記正常状態モデルとすることが好ましい。

前記故障診断予測手段は、前記車両の状態データが、同一の道路条件の前記正常状態モデルの範囲外にある場合に故障と判断する。
また、前記故障診断予測手段は、前記状態データ格納手段に格納されている所定の一定期間または一定距離分の前記状態データの回帰分析により所定の期間後の状態データを予測し、前記所定の期間後の状態データが前記正常状態モデルの範囲外にある場合に故障の可能性があると予測する。

以上の構成により、個々の車両が予め設定した道路条件を走行する際の状態データを車両状態データ検出手段により検出し、検出されたデータを状態データ格納手段により所定の一定期間分あるいは一定距離分蓄積し、蓄積された状態データから、正常状態モデル作成手段により正常状態モデルを作成し、その後、故障診断予測手段により、同一道路条件を走行した際の状態データから故障診断を行なうことが可能になる。
また、過去の所定の一定期間の状態データを状態データ格納手段に蓄積しておき、その傾向を故障診断予測手段により求め、近い将来に発生する可能性のある故障を予測することが可能になる。

本発明によれば、走行データから正常状態のモデルを作成し、その車両に特化した故障診断、予測を行なう車両故障診断予測装置を提供することが可能になる。

以下、図面に基づいて本発明の好適な実施形態について詳細に説明する。
図１は、本実施の形態の車両故障診断予測装置のシステム構成を示す図である。

図１に示すように、本実施の形態の車両故障診断予測装置１は、制御装置１０、車載センサ２１、ＧＰＳセンサ３１、地図データ３３等からなる。
制御装置１０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、入出力インタフェース等によって構成されており、例えば、ＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）等の既存の制御ユニットの一部として構成してもよい。

制御装置１０には、車載センサ２１が接続されている。車載センサ２１は、例えば、車速センサ、エンジン回転数センサ、水温センサ、アクセルペダルセンサ、ブレーキペダルセンサ、シフトポジションセンサ等であり、各センサのデータが入出力インタフェースを介して制御装置１０に入力される。

また、制御装置１０には、ＧＰＳセンサ３１および地図データ３３が接続されている。これは例えばナビゲーションシステム等である。ＧＰＳセンサ３１によりＧＰＳ信号を受信して車両の位置が検出される。

制御装置１０は、車両状態データ検出手段１１と、正常状態モデル作成手段１３、車両状態データベース１５、故障診断予測手段１７の各機能を持つ。
これらの機能は、ソフトウエアとして制御装置１０のＲＯＭ等のメモリに格納されており、必要に応じてＲＡＭに読み出されて処理が実行される。

車両状態データ検出手段１１は、予め定めた道路条件と同一の道路を車両が走行または停止するときに、車両の各部に取り付けられている種々の車載センサ２１からの信号を受け取り、充電率、回生電力量、水温、アイドル回転数、排気温、タイヤの空気圧、燃費、ヨーレート、アクセル開度、速度、シフトポジション等の状態データを収集する。
ここで道路条件は、ＧＰＳセンサ３１および地図データ３３によって決定する。道路条件の設定については後述する。

正常状態モデル作成手段１３は、車両状態データ検出手段１１によって収集された車両状態データを、車両状態データベース１５に所定の期間分あるいは所定の距離分、道路条件ごとに蓄積し、蓄積された状態データから正常状態モデルを作成する。
正常状態モデル作成手段１３では、例えば、蓄積された車両状態データの平均値μおよび標準偏差σを算出し、μ−３σ〜μ＋３σを正常状態モデルとする。尚、μ、σは平均値、標準偏差を示す記号として用いる。従って、実測値としては異なる場合（例えば、異なる条件の車両状態データ同士であれば、当然実測値は異なる。）であっても、同じ記号で表記する。
作成した正常状態モデルは、車両状態データベース１５に道路条件ごとに格納しておく。

故障診断予測手段１７は、正常状態モデル作成手段１３による正常状態モデルの作成後、車両状態データ検出手段１１が収集する道路条件の合致する道路での車両状態データについて、車両状態データベース１５に格納されている同一条件の正常状態モデルと比較し、μ−３σ〜μ＋３σの正常範囲にない場合に故障として警告等の診断結果を出力する。

また、故障診断予測手段１７は、車両状態データベース１５に蓄積されている過去の所定期間の車両状態データについて回帰分析を行い、現在から所定の期間後の車両状態データが正常状態モデルの正常範囲にあるか否かを判定し、正常範囲を逸脱する可能性がある場合には、故障が予測できるとして警告等の診断結果を出力する。

次に、以上に簡単に説明した車両状態データ検出手段１１、正常状態モデル作成手段１３、故障診断予測手段１７の処理の流れを、図２〜図４に沿って説明する。

図２は、車両状態検出手段１１の処理の流れを示すフローチャートである。
まず、制御装置１０は、故障診断予測処理を行う道路条件（モデル道路）の設定を行なう（ステップ１０１）。
次に、制御装置１０は、走行時に、走行中の位置が状態データを検出するべきモデル道路（道路条件）か否かを判断する（ステップ１０２）。
すなわち、まず、ＧＰＳセンサ３１によって走行中の車両の位置を検出する。そして、車両の位置がステップ１０１で設定した道路条件に合致するか否かを判定する。
そして、走行中の位置がモデル道路の場合には（ステップ１０２のＹｅｓ）車両の状態データを検出する（ステップ１０３）。そうでない場合には（ステップ１０２のＮｏ）ステップ１０２の処理を繰り返す。

図３は、正常状態モデル作成手段１３の処理の流れを示すフローチャートである。
まず、車両状態データ検出手段１１で検出された状態データを車両状態データベース１５に道路条件（モデル道路区間）ごとに蓄積する（ステップ２０１）。

そして、例えば１ヶ月等の一定期間、または１０００ｋｍ等の一定距離の状態データが車両状態データ検出手段１１に蓄積されたら、（ステップ２０２）、正常状態モデルを作成する（ステップ２０３）。
すなわち、例えば、道路条件ごとに蓄積された状態データの平均値μと標準偏差σを算出する。そして、μ±３σの範囲を正常状態モデルとする。
このとき、μとσの値を正常状態モデルとして車両状態データベース１５に格納しておけばよい。
正常状態モデルは、μ±３σの範囲とは限らず、状況に応じて設定すればよい。

以上の処理で正常状態モデルの作成が完了し、正常状態モデルが車両状態データベース１５に格納され、この後から故障診断予測が可能になる。
すなわち、例えば１ヶ月の一定期間、あるいは１０００ｋｍ等の一定距離の走行により正常状態モデルを作成し、それを利用してその後の走行で故障診断予測を行なう。

図４は、故障診断予測手段１７の処理の流れを示すフローチャートである。
故障診断予測処理は、車両状態データ検出手段１１（図２）により検出された状態データを元に診断予測処理を行う。
まず、車両状態データベース検出手段１１は、正常状態モデルを作成したのと同じ道路条件（モデル道路）についての車両状態データを受け取り、車両状態データベース１５から、この道路条件（モデル道路）についての各車両状態データの正常状態モデル（平均値μおよび標準偏差σ）を読み出す（ステップ３０１）。

そして、現在の各車両状態データが正常範囲内（μ±３σ）にあるか否かを調べる（ステップ３０２）。全車両状態データのなかに正常範囲外の車両状態データがある場合は（ステップ３０３のＹｅｓ）、故障と判断し、警告等を出力する（ステップ３０４）。尚、故障と判断した場合であっても、他の車両状態データに対する故障の予測処理を行う為にステップ３０５に進んでも良い。

一方、全車両状態データが正常範囲内にある場合には（ステップ３０３のＮｏ）、故障の予測処理を行う（ステップ３０５〜）。
すなわち、車両状態データベース１５に蓄積されている過去一定期間（例えば１ヶ月間）の各車両状態データの回帰モデル（例えば直線回帰）を計算し、その回帰モデルによる将来の各車両状態データが現在から所定の期間後（例えば１ヶ月後）も正常範囲内（μ±３σ）にあるか否かを調べる（ステップ３０５）。全車両状態データのなかに正常範囲外になる車両状態データがある場合は（ステップ３０６のＹｅｓ）、故障が予測されると判断し、警告等を出力する（ステップ３０７）。
最後に、現在の車両状態データを過去データとして車両状態データベース１５に格納しておく（ステップ３０８）。

図５は、道路条件（モデル道路）の第１の実施例の説明図である。道路条件として通勤経路等の頻繁に走行する一定区間を採用することができる。
すなわち、自宅と勤務先を毎日往復するような場合である。この場合、運転者等は、車両に装備されているナビゲーションシステムの地図データ３３により経路を設定する。そして、運転者等は、その経路内で、例えば、停車する確率の高い交差点（交差点ａ、交差点ｂ）、一定速度で通過できる確率の高い平坦路（平坦路ｃ）等を道路条件として指定する。そして、制御装置１０は、指定された位置を車両状態データの検出位置として登録しておく（図２のステップ１０１）。

そして、実際にこの通勤経路等の一定区間を走行する際には、ＧＰＳセンサ３１により車両の位置を検出して、登録された位置（交差点ａ、ｂ、平坦路ｃ）において状態データを検出する（ステップ１０３）。
このとき、走行方向（例えば、交差点ａを地点Ａから地点Ｂに向けて走行する）も道路条件となる。
よって、図５の場合、地点Ａから地点Ｂまでの一定区間内の交差点ａ、ｂ、および平坦路ｃで、Ａ方向およびＢ方向に走行している場合の車両状態データが検出され、正常状態モデル作成手段１３および故障診断予測手段１７により使用される。

図６は、正常状態モデル作成手段１３によって車両状態データベース１５に蓄積される車両状態データの例である。
モデル道路区間である交差点ａ、平坦路ｃ、交差点ｂのそれぞれの走行方向（Ａ/Ｂ方向）について、走行日時とともに、各車両状態データ（例えば、充電率、回生電力量、水温、回転数、排気量、平坦路ｃについては、それに加えて、燃費、ヨーレート、アクセル開度）が車両状態データベース１５に蓄積される。

そして、所定の期間、例えば１ヶ月間分の車両状態データが車両状態データベース１５に蓄積された段階で、正常状態モデル作成手段１３により正常状態モデルが作成される。
図７は、正常状態モデルの例である。
モデル道路区間である交差点ａ、平坦路ｃ、交差点ｂのそれぞれの走行方向（Ａ/Ｂ方向）について、例えば平均値μと標準偏差σを算出し、車両状態データベース１５に格納する。

図８は、故障診断予測手段１７の説明図である。
故障診断予測手段１７は、正常状態モデルが作成された後、車両がモデル道路区間（例えば交差点ａ、平坦路ｃ、交差点ｂ）を走行する際に故障の診断および予測を行なう。

例えば、o月ｐ日ｑ時にＢ方向に走行中、交差点ａで停止したものとする。
このとき、車両状態データ検出手段１１は、ＧＰＳセンサ３１によって交差点ａをＢ方向に走行中であることを検出し、停車時に車両状態データを検出する（図８（ａ））。
故障診断予測手段１７は、車両状態データベース１５から交差点ａＢ方向の正常状態モデルを検索する。そして、故障診断予測手段１７は、o月ｐ日ｑ時の各車両状態データ（例えば、充電率、回生電力量、水温、回転数、排気量）がμ±３σの正常範囲内にあるか否かを判定し、正常範囲内にない場合（図８（ｂ））、故障と判定する。

車両状態データは、各モデル道路区間を走行するごとに車両状態データベース１５に格納される。
故障診断予測手段１７は、図８（ｃ）に示すように、車両状態データベース１５に格納されている過去の各車両状態データを回帰分析する。同図では、例えば直線回帰モデルを用いている。
この回帰モデルにより、過去の車両状態データから将来の車両状態データを予測できる。
例えば、故障診断予測手段１７は、所定の期間内に、車両状態データの予測値が正常範囲（例えばμ±３σ）からはずれる場合、故障に至る時期を出力する。

以上のように、本実施の形態の車両故障診断予測装置１によって、通勤経路のような一定区間について、停車する確率の高い交差点や一定速度で走行できる確率の高い平坦路での車両状態データから故障を検出あるいは予測が可能になる。

図９は、道路条件（モデル道路）の第２の実施例の説明図である。道路条件として、高速道路等の安定した走行が可能な道路を採用する。例えば、一定の長さのある平坦路、一定の長さのある勾配路（上りおよび下り）、一定の曲率と長さを持つカーブ路を故障診断の対象となる道路条件とする。

高速道路等の安定走行可能な道路の場合は、故障診断の対象となる道路条件の値を予め設定して格納しておく（ステップ１０１）。
すなわち、平坦路の長さ（例えば５００ｍ）や、勾配路の傾斜度（例えば３％、５％等）と長さ（例えば５００ｍ）、カーブ路の曲率半径（例えば３００ｍ、５００ｍ等）と長さ（５００ｍ）を設定しておく。

そして、車両走行中に、現在走行中の位置と地図データ３３の位置を参照し、高速道路等の安定走行可能な道路上か否かを判定する。
高速道路等の安定走行可能な道路上に車両が位置する場合には、地図データ３３上の現在位置から、その道路の特性である勾配データや曲率半径、平坦路や勾配路、カーブ路が継続する長さのデータを検索し、格納してある道路条件（モデル道路）と比較する。
そして、モデル道路の条件と合致する場合（ステップ１０２のＹｅｓ）には車両状態データを検出する（ステップ１０３）。モデル道路の条件と合致しない場合には（ステップ１０２のＮｏ）ステップ１０２の処理を繰り返す。

図９（ａ）に示すように、地図データ３３で高速道路を上り方向に走行している場合、車両状態データ検出手段１１は、勾配や曲率半径、距離のデータからモデル道路の条件に合う区間を検出する。
図９（ｂ）に示すように、高速道路のｐ０〜ｐ９の区間を上り方向に走行する場合、ｐ０〜ｐ１、ｐ４〜ｐ５、ｐ６〜ｐ７は平坦路、ｐ１〜ｐ２、ｐ２〜ｐ３、ｐ３〜ｐ４、ｐ５〜ｐ６、ｐ７〜ｐ８、ｐ８〜ｐ９は勾配路であるとする。これらの区間では、各データがモデル道路の条件を満たすことから、車両状態データ検出手段１１は、車両状態データを検出する。
一方、ｐ２〜ｐ３およびｐ６〜ｐ７の区間では、距離のデータがモデル道路の条件を満たさないことから、車両状態データ検出手段１１は、車両状態データを検出しない。

図１０は、正常状態モデル作成手段１３によって車両状態データベース１５に蓄積される車両状態データの例である。
例えば、モデル道路の条件を満たすモデル道路区間（平坦路、上り勾配、下り勾配）ごとに、走行日時とともに各車両状態データ（例えば、充電率、回生電力量、水温、回転数、排気量、燃費、ヨーレート、アクセル開度）が車両状態データベース１５に蓄積される。

そして、所定の期間（例えば１ヶ月間分）あるいは所定の距離（例えば１０００ｋｍ分）の車両状態データが車両状態データベース１５に蓄積された段階で、正常状態モデル作成手段１３により正常状態モデルが作成される。
図１１は、正常状態モデルの例である。
モデル道路区間である平坦路、上り勾配路、下り勾配路について、例えば平均値μと標準偏差σを算出し、車両状態データベース１５に格納する。

故障診断予測手段１７は、正常状態モデルが作成された後、車両がモデル道路の条件に合う道路を走行する際に故障の診断および予測を行なう。
このとき、車両状態データ検出手段１１は、ＧＰＳセンサ３１によってモデル道路の条件に合う道路を走行していることを検出し、走行中の車両状態データを検出する。
故障診断予測手段１７は、車両状態データベース１５から同じモデル道路の条件の正常状態モデルを検索する。そして、故障診断予測手段１７は、検出した車両状態データがμ±３σの正常範囲内にあるか否かを判定し、正常範囲内にない場合（図８（ｂ））、故障と判定する。

車両状態データは、各モデル道路の区間を走行するごとに車両状態データベース１５に格納される。
故障診断予測手段１７は、第１の実施例の場合と同様に、図８（ｃ）に示すように、車両状態データベース１５に格納されている過去の各車両状態データを回帰分析する。そして、故障診断予測手段１７は、所定の期間内に、車両状態データの予測値が正常範囲（例えばμ±３σ）からはずれる場合、故障に至る時期を出力する。

以上のように、本実施の形態の車両故障診断予測装置１によって、高速道路のような安定走行が可能な道路について、走行中の車両状態データから故障を検出あるいは予測が可能になる。

図１２は、道路条件（モデル道路）の第３の実施例の説明図である。モデル道路の設定処理（図２のステップ１０１）において、道路条件等をクラスタ分析に基づいて複数のクラスタに分類し、このクラスタをモデル道路とするものである。各クラスタごとに正常状態モデルを作成し、故障診断では、走行中の道路条件に相当するクラスタの正常状態モデルと車両状態のデータを比較し、故障診断を行なう。

図１２（ａ）に示すように、地図データ３３から一定長さ以上の道路区間を切り出す（道路の分割区間）。そして、例えば、各道路の分割区間の勾配や曲率の平均値を計算し、その分割区間の特徴量とする。この特徴量を元にクラスタ分析を行なう。

クラスタ分析を行なうと、例えば、図１２（ｂ）に示すように、各道路の分割区間がクラスタＡ〜クラスタＥに分類される。
ここで、特徴量として、平均速度等のデータを併用してもよい。また、クラスタ数はここでは５にしたが、さらに増やしてもよい。

次に、正常状態モデル作成処理（図３）においては、車両走行中に、現在走行中の位置と地図データ３３の位置を参照し、走行中の道路条件がどのクラスタに当たるかを判定し、走行中の車両状態データを検出して、クラスタごとに記憶し、蓄積する（ステップ２０１）。

一定距離（例えば１０００ｋｍ）または一定時間（例えば１ヶ月）の走行後、各クラスタ（例えばクラスタＡ〜クラスタＥ）ごとに、蓄積されている各車両状態データの統計処理を行い、例えば、平均値μと標準偏差σを正常状態モデルとして車両状態データベース１５に格納する。

図１３は、正常状態モデル作成手段１３によって作成された正常状態モデルの例である。
クラスタ（クラスタＡ〜クラスタＥ）ごとに、充電率や回生電力量、水温、回転数、排気量、燃費、ヨーレート、アクセル開度等の車両状態データの平均値μおよび標準偏差σが格納されている。

故障診断予測手段１７は、正常状態モデルが作成された後、車両が道路条件のクラスタ（例えばクラスタＡ〜クラスタＥ）に分類される条件の道路を走行する際に故障の診断および予測を行なう。

このとき、車両状態データ検出手段１１は、ＧＰＳセンサ３１と地図データ３３から現在走行中の道路条件がどのクラスタに属するかを判定し、クラスタに分類される道路条件の道路を走行中である場合に走行中の車両状態データを検出する。
故障診断予測手段１７は、車両状態データベース１５から同じクラスタの正常状態モデルを検索する。そして、故障診断予測手段１７は、検出した車両状態データがμ±３σの正常範囲内にあるか否かを判定し、正常範囲内にない場合（図８（ｂ））、故障と判定する。

また、車両状態データは、各モデル道路の区間を走行するごとに車両状態データベース１５に格納される。
故障診断予測手段１７は、第１の実施例の場合と同様に、図８（ｃ）に示すように、車両状態データベース１５に格納されている過去の各車両状態データを回帰分析する。そして、故障診断予測手段１７は、所定の期間内に、車両状態データの予測値が正常範囲（例えばμ±３σ）からはずれる場合、故障に至る時期を出力する。

以上のように、本実施の形態の車両故障診断予測装置１によって、道路条件を複数のクラスタに分類することにより、さまざまな道路条件においても走行中の車両状態データから故障を検出あるいは予測が可能になる。

尚、本発明は、前述した実施の形態に限定されるものではなく、種々の改変が可能であり、それらも、本発明の技術範囲に含まれる。

本実施の形態の車両故障診断予測装置１のシステム構成を示す図 車両状態データ検出手段１１の処理の流れを示すフローチャート 正常状態モデル作成手段１３の処理の流れを示すフローチャート 故障診断予測手段１７の処理の流れを示すフローチャート 第１の実施形態のモデル道路条件を説明する図 第１の実施形態の車両状態データの説明図 第１の実施形態の正常状態モデルの説明図 第１の実施形態の故障診断予測手段１７を説明する図 第２の実施形態のモデル道路条件を説明する図 第２の実施形態の車両状態データの説明図 第２の実施形態の正常状態モデルの説明図 第３の実施形態の車両状態データの説明図 第３の実施形態の正常状態モデルの説明図

符号の説明

１………車両故障診断予測装置
１０………制御装置
１１………車両状態データ検出手段
１３………正常状態モデル作成手段
１５………車両状態データベース
１７………故障診断予測手段
２１………車載センサ
３１………ＧＰＳセンサ
３３………地図データ

Claims (9)

1. 走行中の車両の故障を検出、予測する車両故障診断予測装置であって、
   予め設定した所定の道路条件で走行中の車両の状態データを検出する車両状態データ検出手段と、
   前記車両状態データ検出手段により検出された前記予め設定した所定の道路条件での車両の状態データを蓄積する状態データ格納手段と、
   前記状態データ格納手段に蓄積された所定の期間分または所定の距離分の前記車両の状態データから前記所定の道路条件での状態データの正常状態モデルを作成する正常状態モデル作成手段と、
   前記正常状態モデル作成手段による前記正常状態モデルの作成後、前記予め設定した所定の道路条件で走行する際に、前記車両状態データ検出手段により検出された前記車両の状態データと前記正常状態モデルを比較することにより走行中の故障を検出、予測する故障診断予測手段と、
   を有することを特徴とする車両故障診断予測装置。
2. 前記予め設定した所定の道路条件は、頻繁に走行する同一区間内の、停車する確率の高い交差点、または、一定速度で通過できる確率の高い平坦路のうち、少なくともいずれかを含むものであることを特徴とする請求項１記載の車両故障診断予測装置。
3. 前記予め設定した所定の道路条件は、所定の距離以上の長さのある平坦路、または、所定の距離以上の長さのある上り勾配路および下り勾配路、または、所定の曲率と長さを持つカーブ路のうち、少なくともいずれかを含むものであることを特徴とする請求項１記載の車両故障診断予測装置。
4. 前記予め設定した所定の道路条件は、所定の長さ以上の道路区間について、少なくとも勾配および曲率を特徴量とするクラスタ分析により求めたクラスタに属することであることを特徴とする請求項１記載の車両故障診断予測装置。
5. 前記車両状態データ検出手段は、前記予め設定した所定の道路条件を、ＧＰＳおよび地図データにより検出することを特徴とする請求項１乃至請求項４のいずれかに記載の車両故障診断予測装置。
6. 前記車両状態データ検出手段は、充電率、回生電力量、水温、アイドル回転数、排気温、タイヤの空気圧、燃料消費率、ヨーレート、アクセル開度、シフトポジション、速度のうち少なくとも一つを検出することを特徴とする請求項１乃至請求項５のいずれかに記載の車両故障診断予測装置。
7. 前記正常状態モデル作成手段は、前記状態データ格納手段により蓄積された所定の期間または所定の走行距離分の前記車両の状態データから、前記予め設定した所定の道路条件ごとに平均値μおよび標準偏差σを算出し、μ−３σ〜μ＋３σの範囲を前記正常状態モデルとすることを特徴とする請求項１乃至請求項６のいずれかに記載の車両故障診断予測装置。
8. 前記故障診断予測手段は、前記車両の状態データが、同一の道路条件の前記正常状態モデルの範囲外にある場合に故障と判断することを特徴とする請求項１乃至請求項７のいずれかに記載の車両故障診断予測装置。
9. 前記故障診断予測手段は、前記状態データ格納手段に格納されている所定の一定期間または一定距離分の前記状態データの回帰分析により所定の期間後の状態データを予測し、前記所定の期間後の状態データが前記正常状態モデルの範囲外にある場合に故障の可能性があると予測することを特徴とする請求項１乃至請求項８のいずれかに記載の車両故障診断予測装置。

Images