JP2019206247A - 故障予測装置および故障予測方法 - Google Patents

Abstract

【課題】故障時期の予測精度を向上させることができる故障予測装置および故障予測方法を提供すること。【解決手段】実施形態に係る故障予測装置は、取得部と、学習部と、予測部とを備える。取得部は、複数の車両から車両情報を取得する。学習部は、取得部によって取得される車両情報に基づいて車両の装備品が故障する場合の車両情報の傾向を機械学習する。予測部は、学習部による学習結果に基づいて車両の装備品の故障を予測する。【選択図】図１

Description

開示の実施形態は、故障予測装置および故障予測方法に関する。

従来、機器に設けられたセンサから出力される機器が故障するまでのセンサ情報を教師情報とした機械学習によって生成される学習モデルを使用し、機器の故障を予測する故障予測装置がある（例えば、特許文献１参照）。

特開２０１６−１７３７８２号公報

しかしながら、故障の予測対象となる機器のセンサから取得されるセンサ情報からだけでは、機器の故障を正確に予測できない場合がある。このため、従来の故障予測装置は、車両の装備品等のような安全に関わる機器の故障予測には向いていない。

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、より正確に車両の装備品の故障を予測することができる故障予測装置および故障予測方法を提供することを目的とする。

実施形態の一態様に係る故障予測装置は、取得部と、学習部と、予測部とを備える。取得部は、複数の車両から車両情報を取得する。学習部は、前記取得部によって取得される前記車両情報に基づいて前記車両の装備品が故障する場合の前記車両情報の傾向を機械学習する。予測部は、前記学習部による学習結果に基づいて前記車両の装備品の故障を予測する。

実施形態の一態様に係る故障予測装置および故障予測方法は、より正確に車両の装備品の故障を予測することができる。

図１は、実施形態に係る故障予測方法の概要を示す説明図である。 図２は、実施形態に係る故障予測装置の構成の一例を示すブロック図である。 図３は、実施形態に係る学習部、予測部の動作の説明図である。 図４Ａは、実施形態の変形例１に係る学習部、予測部の動作の説明図である。 図４Ｂは、実施形態の変形例２に係る学習部、予測部の動作の説明図である。 図４Ｃは、実施形態の変形例３に係る学習部、予測部の動作の説明図である。 図５は、実施形態に係る故障予測装置の制御部が実行する処理の一例を示すフローチャートである。

以下、添付図面を参照して、故障予測装置および故障予測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。図１は、実施形態に係る故障予測方法の概要を示す説明図である。

図１に示すように、実施形態に係る故障予測装置１は、例えば、インターネット等の通信ネットワークを介して複数の車両Ｃ１，Ｃ２，・・・Ｃｎ（ｎは、３以上の自然数）との間で無線による各種情報の送受信が可能に接続される。以下、複数の車両Ｃ１，Ｃ２，・・・Ｃｎのうち、任意の１台または複数台の車両を指す場合には、符号を付することなく、単に、車両と記載する。

故障予測装置１は、複数の車両から定期の取得タイミングで車両情報を取得する（ステップＳ１）。車両情報には、各車両に設けられたセンサが出力するセンサ情報および車両の走行情報が含まれる。例えば、故障予測装置１は、車両の前後上下左右方向の加速度を検知する加速度センサから出力される出力値を車両情報として取得する。

また、故障予測装置１は、車両の速度センサの出力値、ＧＰＳ（Global Positioning System）センサから出力される車両の位置情報、カーナビゲーション装置によって取得される天気情報等を車両情報として取得する。

また、故障予測装置１は、車両の周囲を撮像する車載カメラから出力される画像情報、車両の周囲に存在する物標を検知するレーダから出力される物標の検知情報等を車両情報として取得する。また、故障予測装置１は、車両の走行距離、走行速度、急加速の回数、急減速の回数、急旋回の回数、およびエンジンの空吹かしの回数等の情報を車両情報として取得する。

故障予測装置１は、これらの情報を、車速、エンジン回転数、スロットル開度、ステアリング角度情報から算出できるので、これら情報を各車両から得て演算処理にて算出し、記憶しておくことにより、後述する機械学習に利用することができる。

故障予測装置１は、一例として上記した車両情報を定期の取得タイミングで取得する。かかる故障予測装置１は、ある時点を基準とした所定期間の車両情報を収集する。例えば、故障予測装置１は、車両の購入から３カ月経過後の２４時間走行分の車両情報、１０００ｋｍ走行から５０ｋｍ走行分の車両情報を収集する。

また、故障予測装置１は、故障発生時にはその故障発生情報（故障内容、発生時点等）を取得する。なお、故障予測装置１は、車両に故障データを記憶する機能がある場合には、車両に記憶された故障データを車両情報として収集することができる。

また、故障予測装置１は、車両修理工場経由で故障データを収集することもできる。かかる場合、車両と接続され、修理工場での修理データも入力が可能な修理工場のツールによって車両から故障データを収集する。

そして、故障予測装置１は、修理工場のツールから車両の故障データを取得して収集する。また、故障予測装置１は、例えば、故障発生前に車両のメンテナンス（部品交換等）が行われていた場合には、修理と同様の方法にてその情報も収集することができる。

故障予測装置１は、この故障発生時点と定期収集の車両情報の時間的関係で学習して、故障予測（センサ出力と故障の関係）を行うことになる。また、故障予測装置１は、他例として運転操作内容（例えば急ハンドルの回数推移と故障発生時期との関係）で故障予測を行うことになる。

そして、故障予測装置１は、複数の車両から定期の取得タイミングで取得する車両情報に基づいて、車両の装備品が故障する場合の車両情報の傾向を機械学習する（ステップＳ２）。

故障予測装置１は、例えば、走行距離、走行期間、新車走行開始からの経過期間、およびセンサ情報の変化の相関、故障発生時期および箇所とセンサ情報の変化との相関、急発進や急ブレーキ等の異常走行とセンサ情報の変化と故障発生時期および箇所との相関、各センサ情報の変化間の相関等について機械学習する。

また、故障予測装置１は、例えば、車両Ｃ１から不定期の取得タイミングで車両情報を取得する（ステップＳ３）。なお、ここでは図示していないが、故障予測装置１は、車両Ｃ１以外の車両Ｃ２，Ｃｎからも不定期の取得タイミングで車両情報を取得する。

例えば、故障予測装置１は、車両Ｃ１のイグニッションスイッチがＯＮにされてからＯＦＦにされる期間に車両Ｃ１で収集された車両情報をイグニッションスイッチがＯＦＦにされる不定期の取得タイミングで取得する。

なお、故障予測装置１は、例えば、車両Ｃ１が一定時間（例えば、１５分）走行した後の所定時間（例えば、１０秒）分の車両情報が車両Ｃ１によって収集されたタイミングで、車両Ｃ１から車両情報を取得してもよい。

故障予測装置１は、車両Ｃ１から不定期の取得タイミングで車両情報を取得した場合に、取得した車両情報と、上記した機械学習の学習結果とに基づいて車両Ｃ１の装備品が故障する故障時期を予測する（ステップＳ４）。そして、故障予測装置１は、故障時期の予測結果を車両Ｃ１へ通知する（ステップＳ５）。

例えば、故障予測装置１は、取得したセンサ情報および走行情報のパターンと類似する学習結果を検索することにより、当該類似した学習結果における故障時期（類似パターン発生から故障発生までの期間に関する学習結果に基づく）を当該車両の故障発生予測時期とし通知する。

このように、故障予測装置１は、車両Ｃ１からセンサ情報および走行情報を含む車両情報を取得した場合に、複数の車両Ｃ１，Ｃ２，・・・Ｃｎから取得した車両情報に基づく機械学習の学習結果を用いて車両Ｃ１の装備品が故障する故障時期を予測する。

これにより、故障予測装置１は、車両Ｃ１のセンサ情報だけに基づいて機械学習した学習結果を用いて車両Ｃ１の装備品の故障時期を予測する装置よりも故障時期の予測精度を向上させることができる。

また、故障予測装置１は、センサ情報だけでなく車両の走行情報も故障時期の予測材料として使用するので、センサ情報だけに基づいて車両Ｃ１の装備品の故障時期を予測する装置よりも故障時期の予測精度を向上させることができる。

また、ここでは、故障予測装置１が車両Ｃ１の装備品の故障時期を予測して車両Ｃ１へ通知する場合について説明したが、故障予測装置１は、上記した手順によって近い将来車両Ｃ１の装備品が故障することを正確に予測し、その旨を車両Ｃ１へ通知することもできる。

次に、図２を参照し、実施形態に係る故障予測装置１の構成の一例について説明する。図２は、実施形態に係る故障予測装置１の構成の一例を示すブロック図である。図２に示すように、故障予測装置１は、通信部２と、記憶部３と、制御部４とを備える。

通信部２は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部２は、インターネット等の通信ネットワークＮを介して複数の車両Ｃ１，Ｃ２，・・・Ｃｎとの間で無線よる各種情報の送受信を行う。

記憶部３は、例えば、ハードディスク装置（磁気ディスク記録装置）等の情報記憶デバイスであり、学習結果３１を記憶する。学習結果３１は、車両の装備品が故障する場合のセンサ情報および走行情報の傾向が機械学習されて生成される複数の機械学習モデルを含む。

複数の機械学習モデルには、例えば、車両に設けられる加速度センサ、車載カメラ、レーダ等の各センサ用の機械学習モデル、車両のタイヤ、マフラ、タイミングベルト、ドライブシャフトブーツ等の走行に関連する種々の装備品用の機械学習モデル等が含まれる。

制御部４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。

制御部４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取得部４０、故障検出部４１、学習部４２、予測部４３、対応通知部４４、および異変通知部４５を備える。なお、制御部４は、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。

制御部４が備える取得部４０、故障検出部４１、学習部４２、予測部４３、対応通知部４４、および異変通知部４５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、制御部４の内部構成は、図２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。

取得部４０は、複数の車両から定期の取得タイミングで車両情報を取得する。また、取得部４０は、複数の車両から不定期の取得タイミングでも車両情報を取得する。

そして、取得部４０は、取得した車両情報を故障検出部４１へ出力する。このとき、取得部４０は、取得した車両情報に対して、定期の取得タイミングで取得した情報か否かを示す情報を付加して学習部４２へ出力する。

故障検出部４１は、取得部４０から入力される車両情報に基づいて車両の装備品に故障が発生しているか否かを判定して装備品の故障を検出する。そして、故障検出部４１は、故障が発生している場合、故障の検出結果となる故障発生情報（故障内容、発生時点等）を取得部４１から入力された車両情報に含めて学習部４２へ出力する。

学習部４２は、故障検出部４１から入力される車両情報に定期の取得タイミングで取得した情報であることを示す情報が付加されている場合、車両情報および故障発生情報等に基づいて装備品が故障する車両情報の傾向を機械学習する。

そして、学習部４２は、機械学習によって装備品が故障する車両情報の新たな傾向を学習した場合、記憶部３に記憶された学習結果３１を更新する。また、学習部４２は、故障検出部４１から入力される車両情報に定期の取得タイミングで取得した情報でないことを示す情報が付加されている場合、車両情報を予測部４３へ出力する。

予測部４３は、学習部４２から入力される車両情報と、記憶部３に記憶された学習結果３１とに基づいて、車両の装備品の故障時期を予測する。ここで、図３を参照し、学習部４２および予測部４３の動作の一例について説明する。図３は、実施形態に係る学習部４２、予測部４３の動作の説明図である。

図３には、車両に設けられるあるセンサから出力されるセンサ出力値の時間経過に伴う推移の傾向を示している。ここでは、使用年数の長期化や使用回数の増加に伴ってセンサ出力値が徐々に上昇し、故障前にセンサ出力値が急激に上昇する傾向があるセンサを例に挙げて説明する。

図３に示すように、学習部４２は、複数の車両から定期の取得タイミングで取得されるセンサ出力値（センサ情報の一例）および走行情報を含む車両情報に基づく機械学習によって、センサ出力値の時間経過に伴う推移の傾向（図３に示すグラフ）を導出する。

これにより、学習部４２は、車両購入からの経過期間や走行距離が類似した複数の各車両から取得するセンサ情報および走行情報を機械学習することで、信頼性が高いセンサ出力値の推移の傾向を導出することができる。

そして、学習部４２は、例えば、センサが正常動作している日時ｔ０から日時ｔ１までの一定期間Ｔ１に取得されたセンサ情報および走行情報に基づいて、故障判定閾値Ｔｈａを決定する。

例えば、学習部４２は、日時ｔ０から日時ｔ１までの期間に取得したセンサ情報および走行情報に基づいて、正常なセンサであれば出力するはずがないセンサ出力値を機械学習によって導出し、導出したセンサ出力値を故障判定閾値Ｔｈａとして決定する。

なお、学習部４２は、複数の車両から定期の取得タイミングで車両情報が取得される毎に、機械学習によってセンサ出力値の時間経過に伴う推移の傾向および故障判定閾値Ｔｈａを更新する。

そして、予測部４３は、例えば、定期の取得タイミングではない日時ｔ２に車両Ｃ１からセンサ出力値Ｄ１が取得された場合、日時ｔ２から期間Ｔ２が経過後の日時ｔ３をセンサの故障日時として予測する。そして、予測部４３は、予測した故障日時を車両Ｃ１へ通知する。

このように、予測部４３は、定期の取得タイミングで取得された車両情報に基づく信頼性の高い学習結果を使用することで、不定期の取得タイミングで車両情報が取得された装備品の故障時期を正確に予測することができる。

また、予測部４３は、複数の車両から取得されるセンサ情報および走行情報を含む車両情報に基づき、学習部４２によって逐次更新されるセンサ出力値および故障判定閾値Ｔｈａを使用して、例えば、車両Ｃ１のセンサが故障する故障時期を予測する。

これにより、予測部４３は、例えば、車両Ｃ１のセンサ出力値だけを機械学習して車両Ｃ１のセンサが故障する故障時期を予測する装置よりも、正確な故障時期を予測することができる。

また、かかる予測方法によれば、予測部４３は、学習部４２によって、センサ出力値の時間経過に伴う推移の傾向、および故障判定閾値Ｔｈａが導出された後であれば、購入後間もない他の車両のセンサについて、時間的にかなり先の故障時期を通知することができる。

ただし、車両のユーザによっては、車両を走行させる度に、かなり先の故障時期が通知されることを好ましく思わない場合もある。そこで、故障予測装置１は、学習部４２および予測部４３の動作を変更することも可能である。

次に、図４Ａ、図４Ｂ、および図４Ｃを参照し、実施形態の変形例に係る学習部４２、予測部４３の動作について説明する。図４Ａは、実施形態の変形例１に係る学習部４２、予測部４３の動作の説明図である。

また、図４Ｂは、実施形態の変形例２に係る学習部４２、予測部４３の動作の説明図である。図４Ｃは、実施形態の変形例３に係る学習部４２、予測部４３の動作の説明図である。なお、図４Ａおよび図４Ｂに示すセンサ出力値の推移の傾向を示すグラフは、図３に示すグラフと同一である。また、図４Ａおよび図４Ｂに示す故障判定閾値Ｔｈａは、図３に示す故障判定閾値Ｔｈａと同一である。

図４Ａに示すように、変形例１では、学習部４２は、前述した手順と同様の手順によって、センサ出力値の推移の傾向および故障判定閾値Ｔｈａを導出する。そして、予測部４３は、不定期の取得タイミングで車両情報が取得される度に故障時期を予測するのではなく、故障時期が間近に迫った場合に、故障時期を予測して車両へ通知する。

例えば、図４Ａに白抜き矢印で示すように、予測部４３は、取得されるセンサ出力値の上昇加速度が予め定めた加速度を超えた日時ｔ４に、故障日時を日時ｔ５と予測して車両へ通知する。これにより、予測部４３は、車両のユーザへ頻繁に故障時期を通知することを抑制することができる。

また、図４Ｂに示すように、変形例２では、学習部４２は、前述した手順と同様の手順によって、センサ出力値の推移の傾向および故障判定閾値Ｔｈａを導出し、さらに、故障前判定閾値Ｔｈｂを導出する。

このとき、学習部４２は、例えば、図３に示した一定期間Ｔ１に取得されるセンサ出力値の最大値よりも高く、故障判定閾値Ｔｈａよりも低い値を故障前判定閾値Ｔｈｂとして導出する。

そして、予測部４３は、例えば、定期の取得タイミングではない日時ｔ６に取得されたセンサ出力値が故障前判定閾値Ｔｈｂに達した場合、日時ｔ６以降に故障日時を予測して車両のユーザへ通知する。

例えば、予測部４３は、その後、定期の取得タイミングではない日時ｔ７で図４Ｂに白抜き矢印で示すように、センサ出力値の上昇加速度が予め定めた加速度を超えた日時ｔ７に、故障日時を日時ｔ８と予測して車両へ通知する。

これにより、予測部４３は、例えば、日時ｔ６よりも前の期間に、故障時期が間近に迫っていないにも関わらず、何らかの原因でセンサ出力値の上昇加速度が予め定めた加速度を超えた場合に、故障時期が間近に迫ったと誤判定することを防止することができる。

したがって、予測部４３は、故障時期が真に間近に迫った場合に限って故障時期を通知することができるので、故障時期の頻繁な通知を好まないユーザに不快感を与えることを防止することができる。

なお、これまで、故障前にセンサ出力値が急激に上昇する傾向があるセンサを例に挙げて説明したが、車両の装備品によっては、故障や破損等の異常が発生する直前に状態が急変しない場合もある。

かかる場合、学習部４２および予測部４３は、変形例３の手順で動作する。例えば、タイヤやドライブシャフトブーツ等のようにユーザの急操作により劣化が徐々に進む装備品の故障時期を予測する場合、学習部４２は、図４Ｃに示すように、ユーザによる急操作の回数の積分値（図４Ｃに示すハッチングを付した部分）を導出する。

学習部４２は、例えば、車両のステアリングホイルやブレーキペダルの操作速度および加速度センサの出力値等のセンサ情報に基づいて急操作の回数を判定し、急操作の積分値を導出する。

そして、学習部４２は、急操作回数の積分値と車両の走行距離等の走行情報とに基づいて、急操作回数と装備品の故障時期との関係を機械学習し、装備品が故障する急操作回数の積分値の故障判定閾値を決定する。

予測部４３は、定期の取得タイミングでないタイミングで車両情報を取得した車両について、急操作回数の積分値が積分値用の故障判定閾値に達する時期を装備品の故障時期と予測して車両へ通知する。

これにより、予測部４３は、急操作や経年劣化によって徐々に性能が低下するような装備品についても、正確な故障時期を予測して車両へ通知することができる。予測部４３は、上記した種々の手順によって故障時期を予測した装備品と、その故障時期を対応通知部４４および異変通知部４５へ出力する。

図２へ戻り、対応通知部４４は、取得部４０によって不定期の取得タイミングで車両情報が取得された時期から、予測部４３によって予測された故障時期までの期間の長さに応じた車両のユーザが取るべき対応を車両へ通知する。

例えば、対応通知部４４は、予測された故障時期までの期間が比較的長い（例えば、１年間）の場合、車両の点検をユーザへ推奨する通知を行う。また、対応通知部４４は、例えば、予測された故障時期までの期間が比較的短い（例えば、１か月間）場合、車両の停止警告をユーザへ通知する。これにより、ユーザは、車両の装備品が故障する前に、車両の点検や走行停止等、適切な対応をとることができる。

異変通知部４５は、予測部４３によって故障時期が予測された装備品の故障によって車両に発生する異変と、異変の発生時期とを推定して車両へ通知する。例えば、異変通知部４５は、エンジンの駆動に関連する装備品が１年後に故障すると予測された場合、３か月後から燃費が低下する可能性があること、６か月後から異音が発生する可能異性があること、１年後にエンジンが停止する可能性があることを通知する。

これにより、ユーザは、装備品の劣化を段階的に認識することができるので、車両の装備品が故障する前に、車両の点検や装備品の交換等、適切な対応をとることができる。

次に、図５を参照し、実施形態に係る故障予測装置１の制御部４が実行する処理の一例について説明する。図５は、実施形態に係る故障予測装置１の制御部４が実行する処理の一例を示すフローチャートである。

制御部４は、故障予測装置１に電源が投入されている期間に、図５に示す処理を繰り返し実行する。図５に示すように、制御部４は、まず、車両情報を取得したか否かを判定する（ステップＳ１０１）。そして、制御部４は、車両情報を取得しないと判定した場合（ステップＳ１０１，Ｎｏ）、車両情報を取得するまでステップＳ１０１の判定処理を繰り返す。

また、制御部４は、車両情報を取得したと判定した場合（ステップＳ１０１，Ｙｅｓ）、車両情報を取得したタイミングが定期の取得タイミングであったか否かを判定する（ステップＳ１０２）。

そして、制御部４は、定期の取得タイミングであったと判定した場合（ステップＳ１０２，Ｙｅｓ）、取得した車両情報に基づいて車両の装備品の故障傾向を機械学習する（ステップＳ１０３）。

このとき、制御部４が定期の取得タイミングで取得する車両情報には、センサ情報および走行情報の他に、故障発生情報が含まれる場合と、故障発生情報が含まれない場合とがある。制御部４は、車両情報に故障発生情報が含まれない場合、まだ故障が発生していないという事実（車両情報）に基づき、装備品の故障傾向を機械学習する。

また、制御部４は、車両情報に故障発生情報が含まれる場合、前回の定期の取得タイミングで車両情報を取得してからの期間における故障発生情報（故障の有無、故障の発生時期、および故障内容等を含む）を車両から取得する。そして、制御部４は、故障発生時点と定期収集時の車両情報の時間的関係に基づいて、装備品の故障傾向を機械学習する。

なお、制御部４は、例えば、車両情報に装備品の修理に関する情報や、故障発生前にメンテナンス（部品交換等）が含まれている場合にも同様に、修理時点やメンテナンス時点と定期収集時の車両情報の時間的関係に基づいて、装備品の故障傾向を機械学習する。

また、制御部４は、定期の取得タイミング以外のタイミングで車両の装備品に故障が発生した場合に、車両から故障発生情報を取得してもよい。かかる構成の場合、制御部４は、前回の定期の取得タイミングで取得した故障前の車両情報と、故障発生時に取得する故障発生情報との内容および時間関係に基づいて装備品の故障傾向を機械学習する。そして、制御部４は、機械学習の学習結果３１を記憶部３に記憶させて（ステップＳ１０４）処理を終了し、再度、ステップＳ１０１から処理を開始する。

また、制御部４は、定期の取得タイミングでなかったと判定した場合（ステップＳ１０２，Ｎｏ）、今回取得した車両情報と、記憶部３に記憶された学習結果３１とに基づいて装備品の故障時期を予測する（ステップＳ１０５）。

続いて、制御部４は、予測した故障時期までの時間に応じて、車両のユーザの取るべき対応をユーザへ通知する（ステップＳ１０６）。その後、制御部４は、故障時期を予測した故障の発生によって車両に発生する異変、異変の発生時期を車両のユーザへ通知し（ステップＳ１０７）、処理を終了する。

なお、図５に示す処理を各車両に搭載される車載装置で実行させてもよい。この場合、車載装置は、車載装置が搭載されている車両の走行中（エンジン動作中または電源オン（電気自動車の場合）中）に、図５に示す処理を繰り返し実行する。

また、上述した実施形態では、故障予測装置１は、不定期の取得タイミングで車両情報を取得した車両の装備品の故障時期を予測したが、定期の取得タイミングで車両情報を取得した車両の装備品の故障時期を予測することもできる。

また、故障予測装置１は、車種毎に装備品が故障する車両情報の傾向を機械学習し、該当する車種の車両へ機械学習した車両情報の傾向を提供する構成であってもよい。かかる構成の場合、故障予測装置１は、タイプ（例えば、セダンタイプ、ミニバンタイプ、ＲＶタイプ等）が類似する車両を同一の車種として設定したり、排気量や車重が類似する車両を同一の車種として設定したりすることができる。

また、故障予測装置１に対する車種の設定は、例えば、車両のメーカ等がマニュアルで個別に行ってもよい。また、故障予測装置１は、機械学習の結果、故障特性が類似している車両を同一の車種として設定することもできる。なお、故障予測装置１は、車種毎に装備品が故障する車両情報の傾向を機械学習する場合、各車両から車種情報を収集する。

故障予測装置１は、車両情報の収集対象が多い場合、不定期の取得タイミングで取得する車両情報に基づいて機械学習を行うこともできる。かかる場合、故障予測装置１は、車両が走行を開始してから車両情報を収集した時期までの期間を示す時期情報、および走行距離情報を取得して機械学習を行う。

また、上述した実施形態にでは、故障予測装置１は、車両のイグニッションスイッチがＯＮされた後ＯＦＦにされる不定期の取得タイミングで車両情報を取得したが、不定期の取得タイミングはこれに限定されるものではない。

故障予測装置１は、例えば、センサ出力の変動がやや大きい時、急ブレーキや急ハンドル等の過激な走行があった時、メンテナンス実施時、不走行期間が長かった場合の再走行時、等の走行状態の変化が大きかった時、またこれらに不定期取得が所定期間なかった場合を不定期の取得タイミングとして車両情報を取得してもよい。

なお、車両から故障予測装置１へ車両情報を送信するトリガは、車両側の判断で行わせることが望ましい。かかる場合、故障予測装置１は、車両側から車両情報のアップロード要求を受けた場合に、車両から車両情報を取得する。

また、故障予測装置１は、車両に対して車両情報のアップロード要求を行って、車両から車両情報を取得してもよい。かかる場合、故障予測装置１は、センサ情報に変動がある場合に行う任意要求と、車両からしばらく車両情報のアップロード場合に行う必須要求とのうち、少なくともいずれか一方を行って、車両から車両情報を取得する。

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。

１ 故障予測装置
２ 通信部
３ 記憶部
３１ 学習結果
４ 制御部
４０ 取得部
４１ 故障検出部
４２ 学習部
４３ 予測部
４４ 対応通知部
４５ 異変通知部
Ｎ 通信ネットワーク
Ｃ１，Ｃ２，Ｃｎ 車両

Claims (7)

1. 複数の車両から車両情報を取得する取得部と、
   前記取得部によって取得される前記車両情報に基づいて前記車両の装備品が故障する場合の前記車両情報の傾向を機械学習する学習部と、
   前記学習部による学習結果に基づいて前記車両の装備品の故障を予測する予測部と
   を備えることを特徴とする故障予測装置。
2. 前記故障の発生を検出する故障検出部
   をさらに備え、
   前記学習部は、
   前記故障検出部による検出結果に基づいて前記傾向を機械学習する
   ことを特徴とする請求項１に記載の故障予測装置。
3. 前記予測部は、
   前記取得部によって前記車両情報が取得される場合に、当該車両情報と前記学習結果とに基づいて前記車両の装備品の故障時期を予測する
   ことを特徴とする請求項１または請求項２に記載の故障予測装置。
4. 前記学習部は、
   定期の取得タイミングで前記取得部によって取得される前記車両情報に基づいて前記傾向を機械学習し、
   前記予測部は、
   不定期の取得タイミングで前記取得部によって前記車両情報が取得される場合に、前記故障時期を予測する
   ことを特徴とする請求項３に記載の故障予測装置。
5. 前記取得部によって前記車両情報が取得される時期から前記予測部によって予測される前記故障時期までの期間の長さに応じた前記車両のユーザの取るべき対応を通知する対応通知部
   をさらに備えることを特徴とする請求項３または請求項４に記載の故障予測装置。
6. 前記予測部によって前記故障時期が予測された前記装備品の故障によって前記車両に発生する異変と、当該異変の発生時期とを推定して通知する異変通知部
   をさらに備えることを特徴とする請求項３〜５のいずれか一つに記載の故障予測装置。
7. 複数の車両から車両情報を取得する取得工程と、
   前記取得工程によって取得される前記車両情報に基づいて前記車両の装備品が故障する場合の前記車両情報の傾向を機械学習する学習工程と、
   前記学習工程による学習結果に基づいて前記車両の装備品の故障を予測する予測工程と
   を含むことを特徴とする故障予測方法。

Images