JP2020190951A - Speed changer development assisting system and method - Google Patents
Speed changer development assisting system and method Download PDFInfo
- Publication number
- JP2020190951A JP2020190951A JP2019096189A JP2019096189A JP2020190951A JP 2020190951 A JP2020190951 A JP 2020190951A JP 2019096189 A JP2019096189 A JP 2019096189A JP 2019096189 A JP2019096189 A JP 2019096189A JP 2020190951 A JP2020190951 A JP 2020190951A
- Authority
- JP
- Japan
- Prior art keywords
- waveform set
- waveform
- analyzed
- series data
- shift
- 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.)
- Granted
Links
- 238000011161 development Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims description 17
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims description 84
- 230000001133 acceleration Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 abstract description 3
- 208000024891 symptom Diseases 0.000 abstract 3
- 238000012706 support-vector machine Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Landscapes
- Control Of Transmission Device (AREA)
Abstract
Description
本開示は、車両に搭載される変速機の開発支援システムおよび方法に関する。 The present disclosure relates to a development support system and method for a transmission mounted on a vehicle.
従来、送配電系統に設置され、系統事故時の電圧・電流波形を事故前部から一定時間記録し、通信回線を介してそのデータをサーバーに収集することのできる電力系統事故波形データ収集システムのデータを集めて成る電力系統事故波形データ検索装置が知られている（例えば、特許文献１参照）。この電力系統事故波形データ検索装置は、収集したデータを記憶するデータ格納部と、記憶されたデータの特徴を抽出する特徴抽出部と、抽出された特徴によってデータを分類するデータ分類部と、分類されたデータを検索する検索部と、検索条件を入力する端末装置と、検索結果を表示する表示装置とを含む。データ格納部は、送配電系統の物理的条件に関する情報や、データ収録時の環境条件に関する情報、事故波形を分析して得られる情報、事故後に調査して取得できる情報を複数の事故波形データ毎に格納する。特徴抽出部は、データベースに新たなデータが追加されるたびに波形の瞬時値データからその波形にパルス状波形成分、鋸波成分、矩形波成分、高調波成分、低周波振動成分、半波整流波形成分の少なくとも何れか一つが含まれるか否かを判定すると共に、その事故の様相を判定する。データ分類部は、既に格納されているデータおよび特徴抽出部で判定された特徴データに基づいてデータを分類し、データの選別や並べ替えを行う。これにより、新たな事故波形データが収集された際には、利用者による端末装置からの指示に応じて、あるいは自動的に、送配電系統の物理的条件に関する情報と、データ収録時の環境条件に関する情報と、事故波形を分析して得られる情報とを基に過去のデータが検索され、一致している情報要素の数が多い順に事故波形データがソートされる。そして、各事故波形データに付随して記録されている事故後に調査して取得できる情報が表示装置に出力される。 Conventionally, a power system accident waveform data collection system that is installed in a power transmission and distribution system and can record voltage and current waveforms at the time of a system accident from the front of the accident for a certain period of time and collect the data on a server via a communication line. A power system accident waveform data retrieval device that collects data is known (see, for example, Patent Document 1). This power system accident waveform data search device classifies data into a data storage unit that stores the collected data, a feature extraction unit that extracts the features of the stored data, and a data classification unit that classifies the data according to the extracted features. It includes a search unit for searching the searched data, a terminal device for inputting search conditions, and a display device for displaying search results. The data storage unit provides information on the physical conditions of the power transmission and distribution system, information on the environmental conditions at the time of data recording, information obtained by analyzing the accident waveform, and information that can be investigated and acquired after the accident for each of multiple accident waveform data. Store in. Every time new data is added to the database, the feature extractor adds a pulsed waveform component, sawtooth wave component, square wave component, harmonic component, low frequency vibration component, and half-wave rectification to the waveform from the instantaneous value data of the waveform. It is determined whether or not at least one of the waveform components is included, and the aspect of the accident is determined. The data classification unit classifies the data based on the already stored data and the feature data determined by the feature extraction unit, and sorts and sorts the data. As a result, when new accident waveform data is collected, information on the physical conditions of the power transmission and distribution system and the environmental conditions at the time of data recording are automatically responded to or automatically instructed by the user from the terminal device. The past data is searched based on the information about the information and the information obtained by analyzing the accident waveform, and the accident waveform data is sorted in descending order of the number of matching information elements. Then, the information that can be investigated and acquired after the accident recorded along with each accident waveform data is output to the display device.
ところで、車両に搭載される自動変速機（オートマチックトランスミッション）といった変速機の変速時におけるフィーリング（変速の質、以下、「変速フィーリング」という）は、車両の乗り心地等に大きな影響を与えるものであり、変速機の開発・改良においては、より良好な変速フィーリングを得るために制御プログラムのパラメータ調整（適合）に多くの工数がかけられる。かかるパラメータ調整に際しては、変速機が搭載された試験車両や実車を走行させ、変速機の動作中における各種物理量の時系列データが取得される。また、変速フィーリングの改善が望まれる場合には、時系列データの解析により、生じている現象（不具合）が特定され、特定された現象に対し、想定される要因や対策の候補が複数抽出される。そして、抽出された候補の中から当該現象の要因や対策が決定され、それらを踏まえて制御プログラムのパラメータが調整されていく。 By the way, the feeling at the time of shifting (shift quality, hereinafter referred to as "shift feeling") of a transmission such as an automatic transmission mounted on a vehicle has a great influence on the riding comfort of the vehicle. Therefore, in the development and improvement of the transmission, a lot of man-hours are required for adjusting (adapting) the parameters of the control program in order to obtain a better shifting feeling. In adjusting such parameters, a test vehicle or an actual vehicle equipped with a transmission is run, and time-series data of various physical quantities during the operation of the transmission are acquired. In addition, when improvement of shift feeling is desired, the phenomenon (fault) occurring is identified by analysis of time series data, and multiple possible factors and countermeasure candidates are extracted for the identified phenomenon. Will be done. Then, the factors and countermeasures for the phenomenon are determined from the extracted candidates, and the parameters of the control program are adjusted based on them.
ここで、現象の特定や、当該現象の要因や対策の決定には経験やスキルが要求され、誤った要因や対策が選択されてしまうと、いわゆる手戻りが発生してしまう。これに対して、動作中の変速機から取得された各種物理量の時系列データから、そこに生じている現象等の特定を支援することができる上記特許文献１に記載されたようなシステムがあれば、手戻りを未然に防止して工数を削減したり、経験の少ない技術者に過去の知見を伝えたりすることができるであろう。しかしながら、上記特許文献１に記載された技術のように、動作中の変速機から取得された新たな時系列データの特徴量を抽出し、抽出した特徴量に基づいて現象を判別する場合、新たな現象等が追加されるたびに、特徴量の設計や当該特徴量の抽出方法の構築を行うことが必要となる。このため、時系列データから特徴量を抽出するシステムを変速機の開発等に利用しても、却って工数が増加してしまい、特徴量の設計態様等によってはシステムの解析精度が悪化してしまうおそれもある。 Here, experience and skill are required to identify a phenomenon and determine the cause and countermeasure of the phenomenon, and if an erroneous factor or countermeasure is selected, so-called rework will occur. On the other hand, there is a system as described in Patent Document 1 that can support the identification of the phenomenon occurring there from the time series data of various physical quantities acquired from the transmission in operation. For example, it will be possible to prevent rework and reduce man-hours, and to convey past knowledge to inexperienced engineers. However, when a feature amount of new time-series data acquired from an operating transmission is extracted and a phenomenon is discriminated based on the extracted feature amount, as in the technique described in Patent Document 1, a new case is used. It is necessary to design the feature amount and construct the extraction method of the feature amount every time such a phenomenon is added. For this reason, even if a system that extracts features from time-series data is used for the development of transmissions, the man-hours will increase, and the analysis accuracy of the system will deteriorate depending on the design mode of the features. There is also a risk.
そこで、本開示は、工数の削減を図りつつ、変速機の物理量の時系列データを複数含む問題波形セットに生じている現象を精度よく特定して適正な対策を講じるための情報を提供することを主目的とする。 Therefore, the present disclosure provides information for accurately identifying the phenomenon occurring in the problem waveform set including a plurality of time-series data of the physical quantity of the transmission while reducing the man-hours and taking appropriate measures. Is the main purpose.
本開示の変速機の開発支援システムは、それぞれ車両に搭載される変速機の物理量の時間変化を示す複数の時系列データを含む問題波形セットに生じている現象を解析するための変速機の開発支援システムであって、前記物理量の解析済み時系列データをそれぞれ複数含む複数の解析済み波形セットと、前記複数の解析済み波形セットのそれぞれに付随した付随情報とを記憶する記憶装置と、前記問題波形セットの前記時系列データの変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、前記変速フェーズごとに同数のデータにサンプリングして前記複数の時系列データを入力ベクトルに変換する前処理部と、前記入力ベクトルに基づいて、それぞれについて予め定められた現象が前記問題波形セットに生じているか否かを判定するように教師あり学習によって構築された複数の分類器と、前記問題波形セットに類似した前記解析済み波形セットを前記複数の解析済み波形セットから抽出する類似波形抽出部と、前記複数の分類器による判定結果と、前記類似波形抽出部により抽出された前記解析済み波形セットの前記付随情報とを含む解析結果を生成する解析結果生成部とを含むものである。 The transmission development support system of the present disclosure is a development of a transmission for analyzing a phenomenon occurring in a problem waveform set including a plurality of time series data indicating the time change of the physical quantity of the transmission mounted on the vehicle. A support system, a storage device that stores a plurality of analyzed waveform sets including a plurality of analyzed time series data of the physical quantities, and incidental information associated with each of the plurality of analyzed waveform sets, and the above-mentioned problem. The range from the start of the shift to the end of the shift of the time series data of the waveform set is divided into a plurality of shift phases, and the same number of data is sampled for each shift phase to convert the plurality of time series data into an input vector. The pre-processing unit, a plurality of classifiers constructed by supervised learning to determine whether or not a predetermined phenomenon occurs in the problem waveform set based on the input vector, and the problem. A similar waveform extraction unit that extracts the analyzed waveform set similar to the waveform set from the plurality of analyzed waveform sets, determination results by the plurality of classifiers, and the analyzed waveform extracted by the similar waveform extraction unit. It includes an analysis result generation unit that generates an analysis result including the accompanying information of the set.
本開示の変速機の開発支援システムでは、問題波形セットに生じている現象の解析が分類問題として扱われ、教師あり学習によって構築された複数の分類器により、それぞれについて予め定められた現象が問題波形セットに生じているか否かが判定される。また、問題波形セットに生じている現象の要因となる変速機の物理現象は、変速フェーズと関わりが深く、問題波形セットに何らかの現象が生じている場合、特定の変速フェーズに含まれるデータに特徴的な傾向が認められることが多い。このため、問題波形セットの複数の時系列データは、変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、変速フェーズごとに同数のデータにサンプリングすることで、各分類器に入力される入力ベクトルに変換される。これにより、新たな現象等が追加されるたびに特徴量の設計や当該特徴量の抽出方法の構築を行うことなく、当該問題波形セットに生じている現象を適正に反映した入力ベクトルを得ることができるので、工数の削減を図りつつ、複数の分類器を用いて、問題波形セットに生じている現象を精度よく判別することが可能となる。そして、本開示の変速機の開発支援システムでは、問題波形セットに類似した解析済み波形セットが類似波形抽出部によって複数の解析済み波形セットから抽出され、複数の分類器による判定結果と、抽出された解析済み波形セットの付随情報とを含む解析結果が解析結果生成部によって生成される。これにより、開発支援システムによる解析結果を利用することで、経験やスキルの有無に拘わらず、問題波形セットに生じている現象を特定すると共に、当該現象への対策の情報を得ることができる。この結果、本開示の変速機の開発支援システムによれば、工数の削減を図りつつ、変速機の物理量の時系列データを複数含む問題波形セットに生じている現象を精度よく特定して適正な対策を講じるための情報を提供することが可能となる。 In the transmission development support system of the present disclosure, the analysis of the phenomenon occurring in the problem waveform set is treated as a classification problem, and the problem is a predetermined phenomenon for each of a plurality of classifiers constructed by supervised learning. It is determined whether or not it occurs in the waveform set. In addition, the physical phenomenon of the transmission that causes the phenomenon occurring in the problem waveform set is closely related to the shifting phase, and when some phenomenon occurs in the problem waveform set, it is characterized by the data included in the specific shifting phase. Tendency is often observed. Therefore, a plurality of time-series data of the problem waveform set is input to each classifier by dividing the range from the start of the shift to the end of the shift into a plurality of shift phases and sampling the same number of data for each shift phase. Is converted into an input vector. As a result, an input vector that appropriately reflects the phenomenon occurring in the problem waveform set can be obtained without designing the feature amount or constructing the extraction method of the feature amount each time a new phenomenon or the like is added. Therefore, it is possible to accurately discriminate the phenomenon occurring in the problem waveform set by using a plurality of classifiers while reducing the man-hours. Then, in the transmission development support system of the present disclosure, an analyzed waveform set similar to the problem waveform set is extracted from a plurality of analyzed waveform sets by the similar waveform extraction unit, and is extracted as a judgment result by a plurality of classifiers. The analysis result generation unit generates an analysis result including the accompanying information of the analyzed waveform set. As a result, by using the analysis result by the development support system, it is possible to identify the phenomenon occurring in the problem waveform set regardless of the presence or absence of experience and skill, and to obtain information on countermeasures for the phenomenon. As a result, according to the transmission development support system of the present disclosure, the phenomenon occurring in the problem waveform set including a plurality of time-series data of the physical quantity of the transmission is accurately identified and appropriate while reducing the man-hours. It will be possible to provide information for taking measures.
次に、図面を参照しながら、本開示の発明を実施するための形態について説明する。 Next, a mode for carrying out the invention of the present disclosure will be described with reference to the drawings.
図１は、本開示の変速機の開発支援システム１を示すブロック図である。同図に示す開発支援システム１は、車両に搭載される自動変速機やベルト式無段変速機、電気式無段変速機（ハイブリッドトランスミッション）、デュアルクラッチトランスミッションといった変速機の開発（実機の改良を含む）を支援するためのものである。開発支援システム１は、ＣＰＵ，ＲＯＭ，ＲＡＭ、入出力インターフェース等を含む図示しないコンピュータに実装され、変速機（試作機または実機）の変速フィーリングの改善が望まれる場合に、変速機が搭載された試験車両や実車を走行させて得られた、改善すべき現象が生じている変速中の互いに異なる各種物理量の時系列データを一まとまりにした問題波形セットＱＷｓを解析対象とする。本実施形態において、改善すべき変速中の現象には、例えば、変速に際してクラッチやブレーキといった係合要素が勢いよく係合することで発生するショック等が含まれる。 FIG. 1 is a block diagram showing a transmission development support system 1 of the present disclosure. The development support system 1 shown in the figure is the development of transmissions such as automatic transmissions, belt-type continuously variable transmissions, electric continuously variable transmissions (hybrid transmissions), and dual clutch transmissions mounted on vehicles (improvement of actual machines). (Including) is to support. The development support system 1 is mounted on a computer (not shown) including a CPU, ROM, RAM, input / output interface, etc., and is mounted when it is desired to improve the shifting feeling of the transmission (prototype or actual machine). The problem waveform set QWs, which is a collection of time-series data of various physical quantities different from each other during shifting, which are obtained by running a test vehicle or an actual vehicle and in which a phenomenon to be improved is occurring, is analyzed. In the present embodiment, the phenomenon during shifting to be improved includes, for example, a shock generated by vigorously engaging engaging elements such as a clutch and a brake during shifting.
本実施形態において、問題波形セットＱＷｓは、図２に例示するように、改善すべき現象が生じた変速機の変速開始から変速終了までの期間を含む所定時間（例えば、数秒間）内における当該変速機の入力回転数（入力軸の回転数）Ｎｉｎの時間変化を示す時系列データ、当該所定時間内における当該変速機の出力回転数（出力軸の回転数）Ｎｏｕｔの時間変化を示す時系列データ、および当該所定時間内における当該変速機を搭載した車両の加速度（車両加速度）ａの時間変化を示す時系列データを含む。同一の現象に対応した入力回転数Ｎｉｎの時系列データ、出力回転数Ｎｏｕｔの時系列データおよび車両加速度ａの時系列データは、予め定められた順番で配列され、それにより一まとまりのデータセットである問題波形セットＱＷｓが作成される。 In the present embodiment, as illustrated in FIG. 2, the problem waveform set QWs is the said within a predetermined time (for example, several seconds) including the period from the start of the shift to the end of the shift of the transmission in which the phenomenon to be improved occurs. Time series data showing the time change of the input rotation speed (rotation speed of the input shaft) Nin of the transmission, and the time series showing the time change of the output rotation speed (rotation speed of the output shaft) Nout of the transmission within the predetermined time. The data and time-series data showing the time change of the acceleration (vehicle acceleration) a of the vehicle equipped with the transmission within the predetermined time are included. The time series data of the input rotation speed Nin, the time series data of the output rotation speed Nout, and the time series data of the vehicle acceleration a corresponding to the same phenomenon are arranged in a predetermined order, thereby forming a single data set. A problem waveform set QWs is created.
図１に示すように、開発支援システム１は、複数の解析済みデータを記憶する記憶装置（データベース）２と、問題波形セットＱＷｓの複数の時系列データに前処理を施す前処理部３と、問題波形セットＱＷｓを分類するための複数の分類器４と、記憶装置２から問題波形セットＱＷｓに関連した解析済みデータを抽出する類似波形抽出部５と、解析結果を生成・出力する解析結果生成部６とを含む。前処理部３、複数の分類器４、類似波形抽出部５および解析結果生成部６は、何れもＣＰＵ等のハードウェアとコンピュータにインストールされたプログラム（ソフトウェア）との協働により構築される。
As shown in FIG. 1, the development support system 1 includes a storage device (database) 2 that stores a plurality of analyzed data, a
記憶装置２は、解析済みデータとして、複数の解析済み波形セットＡＷｓと、それぞれ対応する解析済み波形セットＡＷｓに紐付けられた複数の付随情報とを記憶する。各解析済み波形セットＡＷｓは、複数種類の変速機について取得された、改善すべき現象であって既に対策が施された現象が生じている変速中の物理量の時系列データを複数含むデータセットである。本実施形態において、各解析済み波形セットＡＷｓも、改善すべき現象が生じた変速開始から変速終了までの期間を含む所定時間（例えば、数秒間）内における当該変速機の入力回転数Ｎｉｎの時間変化を示す時系列データ、当該所定時間内における当該変速機の出力回転数Ｎｏｕｔの時間変化を示す時系列データ、および当該所定時間内における車両加速度ａの時間変化を示す時系列データを含む。複数の解析済み波形セットＡＷｓの時系列データ間において、データ長、データ値の取得間隔（保存間隔）およびデータ点数は、何れも同一であってもよく、例えばデータ長等が異なっていてもよい。更に、各解析済み波形セットＡＷｓには、それぞれにおいて発生しているショック等の現象がラベル付けされている。なお、１つの解析済み波形セットＡＷｓに対して、複数の現象がラベル付けされることもある。また、付随情報には、対応する現象への対策、すなわち当該現象を解消するために行われた設計変更やプログラムの変更、パラメータ調整の手順等が記述された複数のレポートが含まれる。
The
前処理部３は、問題波形セットＱＷｓの複数の時系列データを複数の分類器４による分類処理等に適した入力ベクトルに変換し、当該入力ベクトルを複数の分類器４および類似波形抽出部５に与えるものである。複数の分類器４は、互いに異なる現象に対応しており、前処理部３からの入力ベクトルに基づいて、それぞれについて予め定められた１つの現象（改善すべき現象）が問題波形セットＱＷｓに生じているか否かを判定するように、何れも教師あり学習であるＳＶＭ（サポートベクターマシン）により構築されている。本実施形態では、ＳＶＭとして、次式（１）に示すような評価関数（目的関数、ただし、“ｗ”は、識別関数の係数ベクトルであり、“ξｎ”は、スラック変数である。）を最小化することで、クラス間のマージンを最大にする識別境界（超平面）Ｈを定める非線形ＳＶＭ（ＲＢＦカーネル）が用いられる。更に、ＳＶＭの教師データ（学習データ）としては、何らかの現象が生じている解析済み波形セットＡＷｓである複数の正例データと、現象が生じていない解析済み波形セットＡＷｓである複数の負例データとが用いられる。
The
また、式（１）において、“Ｃ”は、正例データまたは負例データの正則化係数を示し、正例データの正則化係数Ｃには、当該正例データの数の逆数に比例した重みclassweightcが乗じられ、負例データの正則化係数Ｃには、負例データの数の逆数に比例した重みclassweightcが乗じられる。本実施形態において、正例データの重みclassweightcは、classweightc＝全教師データ数／（２×正例データの数）とされ、負例データの重みclassweightcは、classweightc＝全教師データ数／（２×負例データの数）とされている。更に、重みclassweightcの総和は、重みなし（classweightc＝１）の場合と同様に、教師データの総数と同一になる。これにより、図３に示すように、正例データ（図３における○印参照）の数が負例データ（図３における×印参照）の数に比べて少ない場合であっても、正例データと負例データとのデータ数の相違が教師あり学習に与える影響を低減させることが可能となる。従って、図３において実線で示すように、各分類器４における識別境界Ｈを上記重みclassweightcが用いられない場合（図３中破線参照）に比べてより適正に定めることができる。この結果、ＳＶＭ（教師あり学習）によって、それぞれについて予め定められた現象が問題波形セットＱＷｓに生じているか否かをより精度よく判定可能な複数の分類器４を構築することが可能となる。 Further, in the equation (1), “C” indicates the regularization coefficient of the regular example data or the negative example data, and the regularization coefficient C of the regular example data is a weight proportional to the inverse number of the number of the regular example data. Classweight c is multiplied, and the regularization coefficient C of the negative example data is multiplied by the weight classweight c proportional to the inverse of the number of negative example data. In the present embodiment, the weight c of the positive example data is class weight c = total number of teacher data / (2 × number of regular data), and the weight class weight c of negative example data is class weight c = number of total teacher data. / (2 x number of negative example data). Moreover, the sum of the weights Classweight c, as in the case of unweighted (classweight c = 1), equal to the total number of teacher data. As a result, as shown in FIG. 3, even if the number of positive example data (see the circle in FIG. 3) is smaller than the number of negative example data (see the cross in FIG. 3), the regular data It is possible to reduce the influence of the difference in the number of data between the data and the negative data on the supervised learning. Therefore, as shown by the solid line in FIG. 3, the discrimination boundary H in each classifier 4 can be more appropriately determined as compared with the case where the weight class weight c is not used (see the broken line in FIG. 3). As a result, SVM (supervised learning) makes it possible to construct a plurality of classifiers 4 capable of more accurately determining whether or not a predetermined phenomenon occurs in the problem waveform set QWs.
類似波形抽出部５は、本実施形態において、複数の分類器４の判定結果に応じた解析済み波形セットＡＷｓを記憶装置２から読み出し、読み出した解析済み波形セットＡＷｓをステップＳ２０の前処理と同様の処理により前処理部３からの入力ベクトルと同一構造のベクトルに変換すると共に、入力ベクトル（点ｐ）と解析済み波形セットＡＷｓのベクトル（点ｑ）との距離（ｄ（ｐ，ｑ））を算出する。更に、類似波形抽出部５は、算出した距離（ｄ（ｐ，ｑ））が予め定められた閾値以下になる解析済み波形セットＡＷｓを当該入力ベクトルすなわち問題波形セットＱＷｓに類似したものとして選択する。なお、当該距離は、ユークリッド距離（＝||ｑ−ｐ||）であってもよく、コサイン距離すなわちコサイン類似度（＝１−ｐ・ｑ／（||ｐ||・||ｑ||））であってもよい。
In the present embodiment, the similar waveform extraction unit 5 reads the analyzed waveform set AWSs corresponding to the determination results of the plurality of classifiers 4 from the
解析結果生成部６は、複数の分類器４による判定結果や、類似波形抽出部５により抽出された解析済み波形セットＡＷｓ、抽出された解析済み波形セットＡＷｓに紐付けられた付随情報としてのレポート等を含む解析結果を生成する。そして、解析結果生成部６により生成された解析結果は、上記コンピュータに接続された図示しないディスプレイ上に表示される。 The analysis result generation unit 6 reports the determination results by the plurality of classifiers 4, the analyzed waveform set AWS extracted by the similar waveform extraction unit 5, and the report as incidental information associated with the extracted analyzed waveform set AWS. Generate analysis results including etc. Then, the analysis result generated by the analysis result generation unit 6 is displayed on a display (not shown) connected to the computer.
続いて、図４から図７を参照しながら、上述の開発支援システム１による問題波形セットＱＷｓの解析手順について説明する。 Subsequently, the analysis procedure of the problem waveform set QWs by the development support system 1 described above will be described with reference to FIGS. 4 to 7.
図４は、開発支援システム１による問題波形セットＱＷｓの解析手順を示すフローチャートである。図４に示すように、開発支援システム１が実装されたコンピュータに問題波形セットＱＷｓが入力されると（ステップＳ１０）、前処理部３（コンピュータのＣＰＵ）は、問題波形セットＱＷｓの複数の時系列データを入力ベクトルに変換する前処理（ステップＳ２０）を実行する。すなわち、前処理部３は、問題波形セットＱＷｓを受け取ると、まず問題波形セットＱＷｓの各時系列データを例えば線形補間により補間する（ステップＳ２１０）。これにより、変速機の種類や開発フェーズ、データ取得環境等によって問題波形セットＱＷｓの各時系列データのデータ取得間隔（保存間隔）が解析済み波形セットＡＷｓの時系列データのもの（例えば、５ｍＳｅｃ）と異なっていても、問題波形セットＱＷｓの時系列データと解析済み波形セットＡＷｓの時系列データとの同一時刻におけるデータ同士を比較することが可能となる。
FIG. 4 is a flowchart showing the analysis procedure of the problem waveform set QWs by the development support system 1. As shown in FIG. 4, when the problem waveform set QWs are input to the computer on which the development support system 1 is mounted (step S10), the preprocessing unit 3 (CPU of the computer) has a plurality of problem waveform set QWs. The preprocessing (step S20) for converting the series data into the input vector is executed. That is, when the
ステップＳ２１０の補間処理の後、前処理部３は、問題波形セットＱＷｓの各時系列データを例えば移動平均により平滑化する（ステップＳ２２０）。これにより、各時系列データからノイズを除去すると共に、補間（線形補間）により生じた不連続部を平滑化することが可能となる。本実施形態において、移動平均期間は、例えば１５期間とされる。更に、前処理部３は、問題波形セットＱＷｓの各時系列データから変速開始から変速終了までの範囲（変速処理が行われた区間）のデータを抽出し（ステップＳ２３０）、抽出した範囲のデータを例えばｚ正規化（z-score normalization）により正規化する（ステップＳ２４０）。このように、問題波形セットＱＷｓの各時系列データから変速開始から変速終了までの範囲以外のデータを除外することで、現象の分類に必要な情報のみを複数の分類器４に提供することができる。更に、変速開始から変速終了までの範囲のデータを正規化することで、時系列データ間でのオーダーの相違や、時系列データ（同一信号）のオーダー（最小値と最大値との差）が現象の分類に与える影響を低減させることが可能となる。ただし、時系列データ間でのオーダーの相違が比較的小さい場合には、ステップＳ２４０における正規化処理が省略されてもよい。
After the interpolation processing in step S210, the
続いて、前処理部３は、問題波形セットＱＷｓの各時系列データから抽出された変速開始から変速終了までの範囲の正規化データを複数の変速フェーズに分割する（ステップＳ２５０）。複数の変速フェーズには、例えばパワーオンアップシフトの場合、係合要素のピストンを係合側に移動（ストローク）させる変速準備フェーズ、係合される係合要素と解放される係合要素とのトルク分担が変化していくトルクフェーズ、入力回転数Ｎｉｎが変化していくイナーシャフェーズ、および入力回転数Ｎｉｎの変化後に終期制御が実行される変速終了フェーズが含まれる。また、例えばパワーオンダウンシフトの場合、複数の変速フェーズには、初期変速制御フェーズ、イナーシャフェーズ、エンドフェーズ等が含まれる。そして、前処理部３は、問題波形セットＱＷｓの各時系列データの変速フェーズごとに同数のデータにサンプリングして複数の時系列データを単一の入力ベクトルに変換する（ステップＳ２６０）。より詳細には、前処理部３は、各変速フェーズをＮ個（本実施形態では、例えば、Ｎ＝１０）の小区間に分割した上で、各小区間における最大値および最小値を抽出する。更に、前処理部３は、問題波形セットＱＷｓの各時系列データから抽出した各小区間の最大値および最小値を予め定められた順番（例えば、入力回転数Ｎｉｎ、出力回転数Ｎｏｕｔ、車両加速度ａの順番で時刻順）に配列して単一の入力ベクトルを得る。上述のような前処理（ステップＳ２０，Ｓ２１０−Ｓ２６０）により生成された入力ベクトルは、複数の分類器４の各々および類似波形抽出部５に与えられる。
Subsequently, the
各分類器４（ＣＰＵ）は、前処理部３からの入力ベクトルを受け取ると、図６に示すように、それぞれの識別境界Ｈと入力ベクトル（図中黒丸印参照）との距離ｄを算出すると共に、算出した距離ｄに基づいて当該分類器４について予め定められた現象が問題波形セットＱＷｓに生じているか否かを判定する（ステップＳ３０）。識別境界Ｈと入力ベクトルとの距離ｄは、当該分類器４について予め定められた現象が問題波形セットＱＷｓに生じている現象である場合（上記正例に該当する場合）、ゼロよりも大きくなり、当該分類器４について予め定められた現象が問題波形セットＱＷｓに生じている現象ではない場合（上記負例に該当する場合）、ゼロよりも小さくなる。
When each classifier 4 (CPU) receives the input vector from the
更に、ステップＳ３０において、各分類器４は、識別境界Ｈと入力ベクトルとの距離ｄに基づいて、問題波形セットＱＷｓにおける当該分類器４について予め定められた現象の発生確率を算出する。本実施形態において、各分類器４は、当該距離ｄに基づいてロジスティック回帰により発生確率を算出する。すなわち、距離ｄがゼロである場合、当該発生確率は、５０％となり、距離ｄがゼロよりも大きい場合、距離ｄが大きいほど発生確率が高く算出される。なお、発生確率は、分類器４の判定精度が高いほど全体的に高く（０％あるいは１００％に近く）算出され、当該判定精度が低いほど全体的に５０％に近く算出される。そして、各分類器４は、算出した現象の発生確率を判定結果として類似波形抽出部５に与える。 Further, in step S30, each classifier 4 calculates the probability of occurrence of a predetermined phenomenon for the classifier 4 in the problem waveform set QWs based on the distance d between the identification boundary H and the input vector. In the present embodiment, each classifier 4 calculates the probability of occurrence by logistic regression based on the distance d. That is, when the distance d is zero, the probability of occurrence is 50%, and when the distance d is larger than zero, the probability of occurrence is calculated as the distance d is larger. The higher the determination accuracy of the classifier 4, the higher the overall probability of occurrence (closer to 0% or 100%), and the lower the determination accuracy, the closer to 50% overall. Then, each classifier 4 gives the calculated probability of occurrence of the phenomenon to the similar waveform extraction unit 5 as a determination result.
各分類器４の発生確率（判定結果）を受け取った類似波形抽出部５（ＣＰＵ）は、前処理部３からの入力ベクトルと各分類器４からの発生確率（判定結果）とに基づいて複数の解析済み波形セットＡＷｓの中から問題波形セットＱＷｓに類似したものを抽出する（ステップＳ４０）。ステップＳ４０において、類似波形抽出部５は、複数の分類器４により問題波形セットＱＷｓに生じていると判定された現象、すなわち発生確率が５０％よりも高い現象がラベル付けされた解析済み波形セットＡＷｓを記憶装置２から読み出し、読み出した解析済み波形セットＡＷｓ（時系列データ）を前処理部３からの入力ベクトルと同一構造のベクトルに変換する。更に、ステップＳ４０において、類似波形抽出部５は、入力ベクトルと解析済み波形セットＡＷｓのベクトルとの距離（ユークリッド距離またはコサイン距離）を算出し、算出した距離に基づいて問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓを選択する。本実施形態では、複数の解析済み波形セットＡＷｓが距離の小さい順に並べ替えられ、当該距離の小さい所定数の解析済み波形セットＡＷｓが順番に解析結果として選択される。
A plurality of similar waveform extraction units 5 (CPUs) that have received the occurrence probabilities (determination results) of each classifier 4 are based on the input vector from the
このように、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓの抽出に際し、本実施形態では、解析済み波形セットＡＷｓが入力ベクトルと同一構造のベクトルに変換される。これにより、同一の現象に対応した問題波形セットＱＷｓの入力ベクトルと解析済み波形セットＡＷｓのベクトルとで、特徴的な箇所が現れる位置を揃えることができるので、例えば図２に例示した問題波形セットＱＷｓに類似する図７に例示するような解析済み波形セットＡＷｓを複数の解析済み波形セットＡＷｓから精度よく抽出することが可能となる。また、解析済み波形セットＡＷｓに現象をラベル付けしておくことで、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓを抽出する際の演算負荷を低減することができる。 As described above, when extracting the analyzed waveform set AWs similar to the problem waveform set QWs, in the present embodiment, the analyzed waveform set AWs is converted into a vector having the same structure as the input vector. As a result, the position where the characteristic part appears can be aligned between the input vector of the problem waveform set QWs corresponding to the same phenomenon and the vector of the analyzed waveform set AWs. Therefore, for example, the problem waveform set illustrated in FIG. 2 can be aligned. It is possible to accurately extract the analyzed waveform set AWs as illustrated in FIG. 7, which are similar to the QWs, from the plurality of analyzed waveform set AWs. Further, by labeling the phenomenon in the analyzed waveform set AWS, it is possible to reduce the calculation load when extracting the analyzed waveform set AWS similar to the problem waveform set QWs.
問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓを選択した後、類似波形抽出部５は、問題波形セットＱＷｓに生じていると判定された現象の発生確率と、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓを示す情報とを解析結果生成部６に与える。解析結果生成部６（ＣＰＵ）は、類似波形抽出部５等からの情報に基づいて、例えば、問題波形セットＱＷｓを示す波形図、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓを示す波形図、問題波形セットＱＷｓに生じていると判定された現象の発生確率（複数の分類器４による判定結果）、抽出された解析済み波形セットＡＷｓに紐付けられた付随情報としてのレポート（レポート自体あるいはハイパーリンク）等を含む解析結果を生成する（ステップＳ５０）。そして、解析結果生成部６は、生成した解析結果を図示しないディスプレイ上に表示させる。これにより、開発支援システム１による問題波形セットＱＷｓの解析が完了する。 After selecting the analyzed waveform set AWS similar to the problem waveform set QWs, the similar waveform extraction unit 5 determines the occurrence probability of the phenomenon determined to occur in the problem waveform set QWs and the analysis similar to the problem waveform set QWs. Information indicating the completed waveform set AWSs is given to the analysis result generation unit 6. Based on the information from the similar waveform extraction unit 5 and the like, the analysis result generation unit 6 (CPU) has, for example, a waveform diagram showing the problem waveform set QWs and a waveform diagram showing the analyzed waveform set AWs similar to the problem waveform set QWs. , Occurrence probability of the phenomenon determined to occur in the problem waveform set QWs (judgment result by multiple classifiers 4), Report as incidental information associated with the extracted analyzed waveform set AWs (report itself or Generate an analysis result including (hyperlink) and the like (step S50). Then, the analysis result generation unit 6 displays the generated analysis result on a display (not shown). This completes the analysis of the problem waveform set QWs by the development support system 1.
上述のように、開発支援システム１では、問題波形セットＱＷｓに生じている現象の解析が分類問題として扱われ、教師あり学習であるＳＶＭによって構築された複数の分類器４により、それぞれについて予め定められた現象が問題波形セットＱＷｓに生じているか否かが判定される。また、問題波形セットＱＷｓに生じている現象の要因となる変速機の物理現象は、変速フェーズと関わりが深く、問題波形セットＱＷｓに何らかの現象が生じている場合、特定の変速フェーズに含まれるデータに特徴的な傾向が認められることが多い。このため、開発支援システム１において、問題波形セットＱＷｓの複数の時系列データは、変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、変速フェーズごとに同数のデータにサンプリングすることで、各分類器４に入力される入力ベクトルに変換される（ステップＳ２０，Ｓ２３０，Ｓ２５０−Ｓ２６０）。これにより、新たな現象や変速種等が追加されるたびに特徴量の設計や当該特徴量の抽出方法の構築を行うことなく、当該問題波形セットＱＷｓに生じている現象を適正に反映した入力ベクトルを得ることができるので、工数の削減を図りつつ、複数の分類器４を用いて、問題波形セットＱＷｓに生じている現象を精度よく判別して該当する確率を算出することが可能となる。 As described above, in the development support system 1, the analysis of the phenomenon occurring in the problem waveform set QWs is treated as a classification problem, and each is predetermined by a plurality of classifiers 4 constructed by SVM which is supervised learning. It is determined whether or not the above phenomenon occurs in the problem waveform set QWs. Further, the physical phenomenon of the transmission that causes the phenomenon occurring in the problem waveform set QWs is closely related to the shifting phase, and when some phenomenon occurs in the problem waveform set QWs, the data included in the specific shifting phase. Often has a characteristic tendency. Therefore, in the development support system 1, the plurality of time-series data of the problem waveform set QWs is divided into a plurality of shift phases from the start of the shift to the end of the shift, and is sampled into the same number of data for each shift phase. Is converted into an input vector input to each classifier 4 (steps S20, S230, S250-S260). As a result, every time a new phenomenon or shift type is added, the input that appropriately reflects the phenomenon occurring in the problem waveform set QWs without designing the feature amount or constructing the extraction method of the feature amount. Since the vector can be obtained, it is possible to accurately discriminate the phenomenon occurring in the problem waveform set QWs and calculate the corresponding probability by using a plurality of classifiers 4 while reducing the man-hours. ..
すなわち、ステップＳ２０におけるＳ２１０−Ｓ２６０の処理のすべてが施された入力ベクトルを複数の分類器４により分類した際のマクロＦ値と、何れかの前処理が省略されれた際のマクロＦ値との差を改善代として定義した場合、ステップＳ２５０におけるフェーズ分割の改善代は、０．２４８となり、ステップＳ２３０における変速区間の抽出の改善代は、０．０９８となった。かかる検証結果から、工数の削減を図りつつ問題波形セットＱＷｓに生じている現象を精度よく判別する上で、各時系列データからの変速開始から変速終了までの範囲の抽出（ステップＳ２３０）および複数の変速フェーズへの分割（ステップＳ２５０）が極めて有用であることが理解されよう。 That is, the macro F value when all the processing of S210-S260 in step S20 is performed is classified by the plurality of classifiers 4, and the macro F value when any of the preprocessing is omitted. When the difference between the above is defined as the improvement allowance, the improvement allowance for the phase division in step S250 is 0.248, and the improvement allowance for the extraction of the shift section in step S230 is 0.098. From such verification results, in order to accurately determine the phenomenon occurring in the problem waveform set QWs while reducing the man-hours, extraction of the range from the start of the shift to the end of the shift (step S230) and a plurality of times from each time series data. It will be appreciated that the division of (step S250) into shift phases is extremely useful.
更に、開発支援システム１では、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓが類似波形抽出部５によって複数の解析済み波形セットＡＷｓから抽出され（ステップＳ４０）、複数の分類器４による判定結果（発生確率）と、抽出された解析済み波形セットＡＷｓの付随情報とを含む解析結果が解析結果生成部６によって生成される（ステップＳ５０）。これにより、開発支援システム１による解析結果を利用することで、経験やスキルの有無に拘わらず、問題波形セットＱＷｓに生じている現象を特定すると共に、当該現象への対策の情報を得ることができる。この結果、開発支援システム１によれば、工数の削減を図りつつ、変速機の物理量の時系列データを複数含む問題波形セットＱＷｓに生じている現象を精度よく特定して適正な対策を講じるための情報を提供することが可能となる。すなわち、開発支援システム１によれば、上記発生確率が精度よく算出されると共に該当する現象に対する対策の候補が複数列挙されることから、利用者は、列挙された対策の候補の中から最適な対策を選択して当該現象への適正な対策を講じることができる。 Further, in the development support system 1, the analyzed waveform set AWSs similar to the problem waveform set QWs are extracted from the plurality of analyzed waveform sets AWs by the similar waveform extraction unit 5 (step S40), and the determination results by the plurality of classifiers 4 are obtained. The analysis result generation unit 6 generates an analysis result including (occurrence probability) and incidental information of the extracted analyzed waveform set AWS (step S50). As a result, by using the analysis results of the development support system 1, it is possible to identify the phenomenon occurring in the problem waveform set QWs regardless of experience or skill, and to obtain information on countermeasures for the phenomenon. it can. As a result, according to the development support system 1, the phenomenon occurring in the problem waveform set QWs including a plurality of time-series data of the physical quantity of the transmission is accurately identified and appropriate measures are taken while reducing the man-hours. It becomes possible to provide the information of. That is, according to the development support system 1, the probability of occurrence is calculated accurately and a plurality of candidates for countermeasures for the corresponding phenomenon are listed. Therefore, the user is most suitable from the listed candidates for countermeasures. It is possible to select countermeasures and take appropriate countermeasures for the phenomenon.
また、上記実施形態において、記憶装置２は、複数の解析済み波形セットＡＷｓのそれぞれに紐付けられると共に対応する現象への対策が記述された複数のレポートを付随情報として記憶している。更に、解析結果生成部６は、複数の分類器４による判定結果と、類似波形抽出部５により抽出された解析済み波形セットＡＷｓと、抽出された解析済み波形セットＡＷｓのレポートとを含む解析結果を生成する（ステップＳ５０）。これにより、開発支援システム１により得られる解析結果をより有用なものとすることが可能となる。
Further, in the above embodiment, the
更に、上記実施形態において、複数の分類器４は、それぞれの識別境界Ｈと入力ベクトルとの距離ｄに基づいて予め定められた現象が問題波形セットＱＷｓに生じているか否かを判定すると共に、当該距離ｄに基づいて問題波形セットＱＷｓにおける現象の発生確率を算出する。また、解析結果生成部６は、問題波形セットＱＷｓに生じている現象の発生確率を含む解析結果を生成する（ステップＳ５０）。これにより、問題波形セットＱＷｓが複数の互いに異なる解析済み波形セットＡＷｓに類似しても、問題波形セットＱＷｓに生じている現象の発生確率を含む解析結果を利用することで、利用者は、抜け漏れを生じさせることなく、当該問題波形セットＱＷｓに生じている現象を特定することができる。 Further, in the above embodiment, the plurality of classifiers 4 determine whether or not a predetermined phenomenon occurs in the problem waveform set QWs based on the distance d between each identification boundary H and the input vector, and also determine. The occurrence probability of the phenomenon in the problem waveform set QWs is calculated based on the distance d. Further, the analysis result generation unit 6 generates an analysis result including the probability of occurrence of the phenomenon occurring in the problem waveform set QWs (step S50). As a result, even if the problem waveform set QWs are similar to a plurality of analyzed waveform sets AWs that are different from each other, the user can omit by using the analysis result including the occurrence probability of the phenomenon occurring in the problem waveform set QWs. It is possible to identify the phenomenon occurring in the problem waveform set QWs without causing leakage.
また、開発支援システム１において、複数の分類器４は、それぞれ非線形ＳＶＭによって構築される。これにより、複数の分類器４を用いて、問題波形セットＱＷｓに生じている現象を精度よく特定することが可能となる。ただし、複数の分類器４は、非線形ＳＶＭによって構築されてもよく、ＳＶＭ以外の例えばＫ近傍法や、線形ＳＶＭ、ＲａｎｄｏｍＦｏｒｅｓｔ，畳み込みニューラル（ＣＮＮ）、再帰型ニューラルネットワーク（ＲＮＮ）、それらの組み合わせによって構築されてもよい。 Further, in the development support system 1, the plurality of classifiers 4 are each constructed by a non-linear SVM. This makes it possible to accurately identify the phenomenon occurring in the problem waveform set QWs by using a plurality of classifiers 4. However, the plurality of classifiers 4 may be constructed by a non-linear SVM, and may be constructed by, for example, a K-nearest neighbor method other than the SVM, a linear SVM, a Random Forest, a convolutional neural network (CNN), a recurrent neural network (RNN), or a combination thereof. It may be constructed.
なお、上記実施形態において、類似波形抽出部５は、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓの抽出に際し、解析済み波形セットＡＷｓの複数の解析済み時系列データを入力ベクトルと同一構造のベクトルに変換すると共に入力ベクトルと解析済み波形セットＡＷｓのベクトルとの距離を算出するが、これに限られるものではない。すなわち、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓの抽出に際しては、問題波形セットＱＷｓの各時系列データから変速区間（変速開始から変速終了までの範囲）を抽出すると共に、複数の分類器４により問題波形セットＱＷｓに生じていると判定された現象に対応した解析済み波形セットＡＷｓの各時系列データから変速区間を抽出し、抽出したデータ同士の距離をダイナミックタイムワーピング（動的時間伸縮法）により求めてもよい。更に、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓの抽出に際しては、ステップＳ２４０の正規化処理を除くステップＳ２０の前処理により生成された入力ベクトルと、当該入力ベクトルと同一構造に変換された解析済み波形セットＡＷｓのベクトルとの距離を算出してもよい。 In the above embodiment, the similar waveform extraction unit 5 extracts a plurality of analyzed time series data of the analyzed waveform set AWSs having the same structure as the input vector when extracting the analyzed waveform set AWSs similar to the problem waveform set QWs. It converts to a vector and calculates the distance between the input vector and the vector of the analyzed waveform set AWS, but is not limited to this. That is, when extracting the analyzed waveform set AWs similar to the problem waveform set QWs, the shift section (range from the start of the shift to the end of the shift) is extracted from each time series data of the problem waveform set QWs, and a plurality of classifiers are used. The shift section is extracted from each time series data of the analyzed waveform set AWs corresponding to the phenomenon determined to occur in the problem waveform set QWs according to 4, and the distance between the extracted data is dynamically time warping (dynamic time expansion and contraction). It may be obtained by the law). Further, when extracting the analyzed waveform set AWS similar to the problem waveform set QWs, the input vector generated by the preprocessing of step S20 excluding the normalization process of step S240 was converted into the same structure as the input vector. The distance from the vector of the analyzed waveform set AWS may be calculated.
また、上記実施形態において、複数の解析済み波形セットＡＷｓには、それぞれに生じている現象がラベル付けされているが、問題波形セットＱＷｓおよび解析済み波形セットＡＷｓには、パワーオンアップシフト、パワーオンダウンシフト等の変速種や １−２速変速、２−３速変速といった変速段の情報がラベル付けされてもよく、問題波形セットＱＷｓに類似した解析済み波形セットＡＷｓの抽出に際して、これらの情報に基づいて解析済み波形セットＡＷｓの絞り込みが行われてもよい。更に、上記実施形態において、問題波形セットＱＷｓおよび解析済み波形セットＡＷｓの複数の時系列データは、入力回転数Ｎｉｎの時系列データ、出力回転数Ｎｏｕｔの時系列データおよび車両加速度ａの時系列データに加えて、車両加速度ａの変化率等の時系列データを含むものであってもよい。 Further, in the above embodiment, the plurality of analyzed waveform sets AWS are labeled with the phenomena occurring in each, but the problem waveform set QWs and the analyzed waveform set AWS are powered on, upshifted, and powered. Information on shift types such as on-down shift and shift stages such as 1-2 speed shift and 2-3 speed shift may be labeled, and when extracting the analyzed waveform set AWSs similar to the problem waveform set QWs, these The analyzed waveform set AWS may be narrowed down based on the information. Further, in the above embodiment, the plurality of time series data of the problem waveform set QWs and the analyzed waveform set AWs are the time series data of the input rotation number Nin, the time series data of the output rotation number Nout, and the time series data of the vehicle acceleration a. In addition, it may include time series data such as the rate of change of vehicle acceleration a.
以上説明したように、本開示の変速機の開発支援システムは、それぞれ車両に搭載される変速機の物理量の時間変化を示す複数の時系列データを含む問題波形セット（ＱＷｓ）に生じている現象を解析するための変速機の開発支援システム（１）であって、前記物理量の解析済み時系列データをそれぞれ複数含む複数の解析済み波形セット（ＡＷｓ）と、前記複数の解析済み波形セット（ＡＷｓ）のそれぞれに付随した付随情報とを記憶する記憶装置（２）と、前記問題波形セット（ＱＷｓ）の前記時系列データの変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、前記変速フェーズごとに同数のデータにサンプリングして前記複数の時系列データを入力ベクトルに変換する前処理部（３）と、前記入力ベクトルに基づいて、それぞれについて予め定められた現象が前記問題波形セット（ＱＷｓ）に生じているか否かを判定するように教師あり学習によって構築された複数の分類器（４）と、前記問題波形セット（ＱＷｓ）に類似した前記解析済み波形セット（ＡＷｓ）を前記複数の解析済み波形セット（ＡＷｓ）から抽出する類似波形抽出部（５）と、前記複数の分類器（４）による判定結果と、前記類似波形抽出部（５）により抽出された前記解析済み波形セット（ＡＷｓ）の前記付随情報とを含む解析結果を生成する解析結果生成部（６）とを含むものである。 As described above, the transmission development support system of the present disclosure is a phenomenon that occurs in a problem waveform set (QWs) including a plurality of time series data indicating the time change of the physical quantity of the transmission mounted on the vehicle. This is a transmission development support system (1) for analyzing a plurality of analyzed waveform sets (AWs) including a plurality of analyzed time series data of the physical quantity, and the plurality of analyzed waveform sets (AWs). The storage device (2) that stores the incidental information associated with each of the) and the range from the start of the shift to the end of the shift of the time series data of the problem waveform set (QWs) are divided into a plurality of shift phases. The problem waveform is a preprocessing unit (3) that samples the same number of data for each shift phase and converts the plurality of time series data into input vectors, and a predetermined phenomenon for each of the input vectors. A plurality of classifiers (4) constructed by supervised learning to determine whether or not they occur in a set (QWs) and the analyzed waveform set (AWs) similar to the problem waveform set (QWs). Similar waveform extraction unit (5) extracted from the plurality of analyzed waveform sets (AWs), determination results by the plurality of classifiers (4), and the analyzed analyzed unit extracted by the similar waveform extraction unit (5). It includes an analysis result generation unit (6) that generates an analysis result including the accompanying information of the waveform set (AWs).
本開示の変速機の開発支援システムでは、問題波形セットに生じている現象の解析が分類問題として扱われ、教師あり学習によって構築された複数の分類器により、それぞれについて予め定められた現象が問題波形セットに生じているか否かが判定される。また、問題波形セットに生じている現象の要因となる変速機の物理現象は、変速フェーズと関わりが深く、問題波形セットに何らかの現象が生じている場合、特定の変速フェーズに含まれるデータに特徴的な傾向が認められることが多い。このため、問題波形セットの複数の時系列データは、変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、変速フェーズごとに同数のデータにサンプリングすることで、各分類器に入力される入力ベクトルに変換される。これにより、新たな現象等が追加されるたびに特徴量の設計や当該特徴量の抽出方法の構築を行うことなく、当該問題波形セットに生じている現象を適正に反映した入力ベクトルを得ることができるので、工数の削減を図りつつ、複数の分類器を用いて、問題波形セットに生じている現象を精度よく判別することが可能となる。そして、本開示の変速機の開発支援システムでは、問題波形セットに類似した解析済み波形セットが類似波形抽出部によって複数の解析済み波形セットから抽出され、複数の分類器による判定結果と、抽出された解析済み波形セットの付随情報とを含む解析結果が解析結果生成部によって生成される。これにより、開発支援システムによる解析結果を利用することで、経験やスキルの有無に拘わらず、問題波形セットに生じている現象を特定すると共に、当該現象への対策の情報を得ることができる。この結果、本開示の変速機の開発支援システムによれば、工数の削減を図りつつ、変速機の物理量の時系列データを複数含む問題波形セットに生じている現象を精度よく特定して適正な対策を講じるための情報を提供することが可能となる。 In the transmission development support system of the present disclosure, the analysis of the phenomenon occurring in the problem waveform set is treated as a classification problem, and the problem is a predetermined phenomenon for each of a plurality of classifiers constructed by supervised learning. It is determined whether or not it occurs in the waveform set. In addition, the physical phenomenon of the transmission that causes the phenomenon occurring in the problem waveform set is closely related to the shifting phase, and when some phenomenon occurs in the problem waveform set, it is characterized by the data included in the specific shifting phase. Tendency is often observed. Therefore, a plurality of time-series data of the problem waveform set is input to each classifier by dividing the range from the start of the shift to the end of the shift into a plurality of shift phases and sampling the same number of data for each shift phase. Is converted into an input vector. As a result, an input vector that appropriately reflects the phenomenon occurring in the problem waveform set can be obtained without designing the feature amount or constructing the extraction method of the feature amount each time a new phenomenon or the like is added. Therefore, it is possible to accurately discriminate the phenomenon occurring in the problem waveform set by using a plurality of classifiers while reducing the man-hours. Then, in the transmission development support system of the present disclosure, an analyzed waveform set similar to the problem waveform set is extracted from a plurality of analyzed waveform sets by the similar waveform extraction unit, and is extracted as a judgment result by a plurality of classifiers. The analysis result generation unit generates an analysis result including the accompanying information of the analyzed waveform set. As a result, by using the analysis result by the development support system, it is possible to identify the phenomenon occurring in the problem waveform set regardless of the presence or absence of experience and skill, and to obtain information on countermeasures for the phenomenon. As a result, according to the transmission development support system of the present disclosure, the phenomenon occurring in the problem waveform set including a plurality of time-series data of the physical quantity of the transmission is accurately identified and appropriate while reducing the man-hours. It will be possible to provide information for taking measures.
また、前記複数の分類器（４）は、それぞれＳＶＭによって構築されてもよい。これにより、複数の分類器を用いて、問題波形セットに生じている現象を精度よく特定することが可能となる。なお、ＳＶＭ（サポートベクターマシン）は、非線形ＳＶＭであってもよく、線形ＳＶＭであってもよい。 Further, the plurality of classifiers (4) may be constructed by SVM, respectively. This makes it possible to accurately identify the phenomenon occurring in the problem waveform set using a plurality of classifiers. The SVM (support vector machine) may be a non-linear SVM or a linear SVM.
更に、前記複数の分類器（４）は、それぞれの識別境界（Ｈ）と前記入力ベクトルとの距離（ｄ）に基づいて前記予め定められた現象が前記問題波形セット（ＱＷｓ）に生じているか否かを判定すると共に、前記距離（ｄ）に基づいて前記問題波形セット（ＱＷｓ）における前記現象の発生確率を算出するものであってもよく、前記解析結果生成部（５）は、前記問題波形セット（ＱＷｓ）に生じている前記現象の前記発生確率を含む前記解析結果を生成するものであってもよい。これにより、問題波形セットが複数の互いに異なる解析済み波形セットに類似している場合、問題波形セットに生じている現象の発生確率を含む解析結果を利用することで、当該問題波形セットに生じている現象の誤特定を良好に抑制することが可能となる。 Further, in the plurality of classifiers (4), whether the predetermined phenomenon occurs in the problem waveform set (QWs) based on the distance (d) between the respective identification boundaries (H) and the input vector. It may be determined whether or not, and the occurrence probability of the phenomenon in the problem waveform set (QWs) may be calculated based on the distance (d), and the analysis result generation unit (5) may calculate the problem. It may generate the analysis result including the occurrence probability of the phenomenon occurring in the waveform set (QWs). As a result, when the problem waveform set is similar to a plurality of different analyzed waveform sets, the problem waveform set can be generated by using the analysis result including the probability of occurrence of the phenomenon occurring in the problem waveform set. It is possible to satisfactorily suppress misidentification of the phenomenon.
また、前記教師あり学習は、何らかの前記現象が生じている前記解析済み波形セット（ＡＷｓ）である正例データと、前記現象が生じていない前記解析済み波形セット（ＡＷｓ）である負例データとをそれぞれ複数用いて前記識別境界（Ｈ）を定めるものであってもよく、前記教師あり学習に際し、前記正例データの正則化係数（Ｃ）には、前記正例データの数の逆数に比例した重み（classweightc）が乗じられてもよく、前記負例データの正則化係数（Ｃ）には、前記負例データの数の逆数に比例した重み（classweightc）が乗じられてもよい。これにより、正例データの数が負例データの数に比べて少ない場合であっても、正例データと負例データとのデータ数の相違が教師あり学習に与える影響を低減させることができるので、それぞれについて予め定められた現象が問題波形セットに生じているか否かをより精度よく判定可能な複数の分類器を教師あり学習によって構築することが可能となる。 Further, in the supervised learning, the positive example data which is the analyzed waveform set (AWs) in which the phenomenon occurs, and the negative example data which is the analyzed waveform set (AWs) in which the phenomenon does not occur. The identification boundary (H) may be determined by using a plurality of each of the above, and in the supervised learning, the regularization coefficient (C) of the regular example data is proportional to the inverse of the number of the regular data. The weight (class weight c ) may be multiplied, and the regularization coefficient (C) of the negative example data may be multiplied by a weight (class weight c ) proportional to the inverse of the number of the negative example data. As a result, even when the number of positive example data is smaller than the number of negative example data, it is possible to reduce the influence of the difference in the number of data between the positive example data and the negative example data on supervised learning. Therefore, it is possible to construct a plurality of classifiers by supervised learning that can more accurately determine whether or not a predetermined phenomenon occurs in the problem waveform set for each.
更に、前記類似波形抽出部（５）は、前記解析済み波形セット（ＡＷｓ）の複数の前記解析済み時系列データを前記入力ベクトルと同一構造のベクトルに変換すると共に、前記入力ベクトルと前記解析済み波形セット（ＡＷｓ）の前記ベクトルとの距離を算出し、算出した距離に基づいて前記問題波形セット（ＱＷｓ）に類似した前記解析済み波形セット（ＡＷｓ）を選択するものであってもよい。これにより、同一の現象に対応した問題波形セットの入力ベクトルと解析済み波形セットのベクトルとで、特徴的な箇所が現れる位置を揃えることができるので、問題波形セットに類似した解析済み波形セットを複数の解析済み波形セットからより精度よく抽出することが可能となる。 Further, the similar waveform extraction unit (5) converts a plurality of the analyzed time series data of the analyzed waveform set (AWS) into a vector having the same structure as the input vector, and the input vector and the analyzed The distance of the waveform set (AWs) to the vector may be calculated, and the analyzed waveform set (AWs) similar to the problem waveform set (QWs) may be selected based on the calculated distance. As a result, the input vector of the problem waveform set corresponding to the same phenomenon and the vector of the analyzed waveform set can be aligned at the position where the characteristic part appears, so that the analyzed waveform set similar to the problem waveform set can be obtained. It is possible to extract more accurately from a plurality of analyzed waveform sets.
また、前記距離は、ユークリッド距離またはコサイン距離であってもよい。 Further, the distance may be an Euclidean distance or a cosine distance.
更に、前記記憶装置（２）は、前記複数の解析済み波形セット（ＡＷｓ）のそれぞれに紐付けられると共に対応する前記現象への対策が記述された複数のレポートを前記付随情報として記憶するものであってもよく、前記解析結果生成部（６）は、前記複数の分類器（４）による前記判定結果と、前記類似波形抽出部（５）により抽出された前記解析済み波形セット（ＡＷｓ）と、抽出された前記解析済み波形セット（ＡＷｓ）の前記レポートとを含む前記解析結果を生成するものであってもよい。これにより、変速機の開発支援システムにより得られる解析結果をより有用なものとすることが可能となる。 Further, the storage device (2) stores a plurality of reports associated with each of the plurality of analyzed waveform sets (AWS) and describing countermeasures for the corresponding phenomenon as the incidental information. The analysis result generation unit (6) may include the determination result by the plurality of classifiers (4) and the analyzed waveform set (AWS) extracted by the similar waveform extraction unit (5). , The analysis result including the report of the extracted waveform set (AWS) may be generated. This makes it possible to make the analysis results obtained by the transmission development support system more useful.
また、前記複数の解析済み波形セット（ＡＷｓ）には、少なくともそれぞれに生じている現象がラベル付けされてもよく、前記類似波形抽出部（５）は、前記複数の分類器（４）により前記問題波形セット（ＱＷｓ）に生じていると判定された前記現象がラベル付けされた前記解析済み波形セット（ＡＷｓ）から前記問題波形セット（ＱＷｓ）に類似した前記解析済み波形セット（ＡＷｓ）を抽出するものであってもよい。これにより、問題波形セットに類似した解析済み波形セットを抽出する際の演算負荷を低減することが可能となる。 Further, at least the phenomena occurring in each of the plurality of analyzed waveform sets (AWS) may be labeled, and the similar waveform extraction unit (5) is described by the plurality of classifiers (4). The analyzed waveform set (AWs) similar to the problem waveform set (QWs) is extracted from the analyzed waveform set (AWS) labeled with the phenomenon determined to occur in the problem waveform set (QWs). It may be something to do. This makes it possible to reduce the computational load when extracting an analyzed waveform set similar to the problem waveform set.
更に、前記複数の時系列データは、少なくとも、前記変速機の入力回転数（Ｎｉｎ）の前記変速開始から前記変速終了までの時間変化を示す時系列データ、前記変速機の出力回転数（Ｎｏｕｔ）の前記変速開始から前記変速終了までの時間変化を示す時系列データ、および前記車両の加速度（ａ）の前記変速開始から前記変速終了までの時間変化を示す時系列データを含むものであってもよい。 Further, the plurality of time-series data are at least time-series data indicating a time change of the input rotation speed (Nin) of the transmission from the start of the shift to the end of the shift, and the output rotation speed (Nout) of the transmission. Even if it includes time-series data indicating a time change from the start of the shift to the end of the shift, and time-series data indicating the time change of the acceleration (a) of the vehicle from the start of the shift to the end of the shift. Good.
本開示の変速機の開発支援方法は、それぞれ車両に搭載される変速機の物理量の時間変化を示す複数の時系列データを含む問題波形セット（ＱＷｓ）に生じている現象を解析するための変速機の開発支援方法であって、前記物理量の解析済み時系列データをそれぞれ複数含む複数の解析済み波形セット（ＡＷｓ）と、前記複数の解析済み波形セット（ＡＷｓ）のそれぞれに付随した付随情報とを記憶装置（２）に記憶させ、前記問題波形セット（ＱＷｓ）の前記時系列データの変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、前記変速フェーズごとに同数のデータにサンプリングして前記複数の時系列データを入力ベクトルに変換し、それぞれについて予め定められた現象が前記問題波形セット（ＱＷｓ）に生じているか否かを判定するように教師あり学習によって構築された複数の分類器（４）に前記入力ベクトルを入力して前記複数の分類器（４）による判定結果を取得し、前記問題波形セット（ＱＷｓ）に類似した前記解析済み波形セット（ＡＷｓ）を前記複数の解析済み波形セット（ＡＷｓ）から抽出し、前記複数の分類器（４）による前記判定結果と、抽出された前記解析済み波形セット（ＡＷｓ）の前記付随情報とを含む解析結果を生成するものである。 The transmission development support method of the present disclosure is a shift for analyzing a phenomenon occurring in a problem waveform set (QWs) including a plurality of time series data indicating a time change of a physical quantity of a transmission mounted on a vehicle. A method for supporting the development of a machine, which includes a plurality of analyzed waveform sets (AWs) including a plurality of analyzed time-series data of physical quantities, and accompanying information associated with each of the plurality of analyzed waveform sets (AWs). Is stored in the storage device (2), the range from the start of the shift to the end of the shift of the time series data of the problem waveform set (QWs) is divided into a plurality of shift phases, and the same number of data is obtained for each shift phase. Multiple times constructed by supervised learning to sample and convert the plurality of time series data into input vectors and determine whether or not a predetermined phenomenon occurs in the problem waveform set (QWs) for each. The input vector is input to the classifier (4) of the above, the determination results by the plurality of classifiers (4) are acquired, and the plurality of analyzed waveform sets (AWs) similar to the problem waveform set (QWs) are obtained. An analysis result including the determination result by the plurality of classifiers (4) and the accompanying information of the extracted analyzed waveform set (AWs) is generated by extracting from the analyzed waveform set (AWs) of. Is.
かかる方法によれば、工数の削減を図りつつ、変速機の物理量の時系列データを複数含む問題波形セットに生じている現象を精度よく特定して適正な対策を講じるための情報を提供することが可能となる。 According to this method, while reducing the man-hours, it is necessary to accurately identify the phenomenon occurring in the problem waveform set including a plurality of time-series data of the physical quantity of the transmission and provide information for taking appropriate measures. Is possible.
本開示の発明は上記実施形態に何ら限定されるものではなく、本開示の外延の範囲内において様々な変更をなし得ることはいうまでもない。更に、上記実施形態は、あくまで発明の概要の欄に記載された発明の具体的な一形態に過ぎず、発明の概要の欄に記載された発明の要素を限定するものではない。 It goes without saying that the invention of the present disclosure is not limited to the above-described embodiment, and various changes can be made within the extension of the present disclosure. Furthermore, the above-described embodiment is merely a specific embodiment of the invention described in the column of the outline of the invention, and does not limit the elements of the invention described in the column of the outline of the invention.
本開示の発明は、変速機の製造分野において利用可能である。 The inventions of the present disclosure can be used in the field of manufacturing transmissions.
１ 開発支援システム、２ 記憶装置、３ 前処理部、４ 分類器、５ 類似波形抽出部、６ 解析結果生成部、ＡＷｓ 解析済み波形セット、ＱＷｓ 問題波形セット。 1 Development support system, 2 Storage device, 3 Preprocessing unit, 4 Classifier, 5 Similar waveform extraction unit, 6 Analysis result generation unit, AWS analyzed waveform set, QWs problem waveform set.
Claims (10)
前記物理量の解析済み時系列データをそれぞれ複数含む複数の解析済み波形セットと、前記複数の解析済み波形セットのそれぞれに付随した付随情報とを記憶する記憶装置と、
前記問題波形セットの前記時系列データの変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、前記変速フェーズごとに同数のデータにサンプリングして前記複数の時系列データを入力ベクトルに変換する前処理部と、
前記入力ベクトルに基づいて、それぞれについて予め定められた現象が前記問題波形セットに生じているか否かを判定するように教師あり学習によって構築された複数の分類器と、
前記問題波形セットに類似した前記解析済み波形セットを前記複数の解析済み波形セットから抽出する類似波形抽出部と、
前記複数の分類器による判定結果と、前記類似波形抽出部により抽出された前記解析済み波形セットの前記付随情報とを含む解析結果を生成する解析結果生成部と、
を備える変速機の開発支援システム。 It is a transmission development support system for analyzing the phenomenon occurring in the problem waveform set including multiple time series data showing the time change of the physical quantity of the transmission mounted on the vehicle.
A storage device that stores a plurality of analyzed waveform sets including a plurality of analyzed time-series data of physical quantities, and incidental information associated with each of the plurality of analyzed waveform sets.
The range from the start of shift to the end of shift of the time series data of the problem waveform set is divided into a plurality of shift phases, and the same number of data is sampled for each shift phase, and the plurality of time series data are used as input vectors. Pre-processing unit to convert and
A plurality of classifiers constructed by supervised learning to determine whether or not a predetermined phenomenon occurs in the problem waveform set based on the input vector.
A similar waveform extraction unit that extracts the analyzed waveform set similar to the problem waveform set from the plurality of analyzed waveform sets,
An analysis result generation unit that generates an analysis result including determination results by the plurality of classifiers and the accompanying information of the analyzed waveform set extracted by the similar waveform extraction unit.
Development support system for transmissions equipped with.
前記複数の分類器は、それぞれＳＶＭによって構築されている変速機の開発支援システム。 In the transmission development support system according to claim 1,
The plurality of classifiers are transmission development support systems constructed by SVM.
前記複数の分類器は、それぞれの識別境界と前記入力ベクトルとの距離に基づいて前記予め定められた現象が前記問題波形セットに生じているか否かを判定すると共に、前記距離に基づいて前記問題波形セットにおける前記現象の発生確率を算出し、
前記解析結果生成部は、前記問題波形セットに生じている前記現象の前記発生確率を含む前記解析結果を生成する変速機の開発支援システム。 In the transmission development support system according to claim 2,
The plurality of classifiers determine whether or not the predetermined phenomenon occurs in the problem waveform set based on the distance between each identification boundary and the input vector, and the problem is based on the distance. Calculate the probability of occurrence of the phenomenon in the waveform set,
The analysis result generation unit is a transmission development support system that generates the analysis result including the occurrence probability of the phenomenon occurring in the problem waveform set.
前記教師あり学習は、何らかの前記現象が生じている前記解析済み波形セットである正例データと、前記現象が生じていない前記解析済み波形セットである負例データとをそれぞれ複数用いて前記識別境界を定めるものであり、
前記教師あり学習に際し、前記正例データの正則化係数には、前記正例データの数の逆数に比例した重みが乗じられ、前記負例データの正則化係数には、前記負例データの数の逆数に比例した重みが乗じられる変速機の開発支援システム。 In the transmission development support system according to claim 3,
In the supervised learning, the identification boundary is used by using a plurality of positive example data which is the analyzed waveform set in which the phenomenon occurs and negative example data which is the analyzed waveform set in which the phenomenon does not occur. It defines
In the supervised learning, the regularization coefficient of the positive example data is multiplied by a weight proportional to the inverse number of the number of the positive example data, and the regularization coefficient of the negative example data is the number of the negative example data. A transmission development support system that is multiplied by a weight proportional to the inverse of.
前記類似波形抽出部は、前記解析済み波形セットの複数の前記解析済み時系列データを前記入力ベクトルと同一構造のベクトルに変換すると共に、前記入力ベクトルと前記解析済み波形セットの前記ベクトルとの距離を算出し、算出した距離に基づいて前記問題波形セットに類似した前記解析済み波形セットを選択する変速機の開発支援システム。 In the transmission development support system according to any one of claims 1 to 4,
The similar waveform extraction unit converts a plurality of the analyzed time series data of the analyzed waveform set into a vector having the same structure as the input vector, and the distance between the input vector and the vector of the analyzed waveform set. A transmission development support system that calculates and selects the analyzed waveform set similar to the problem waveform set based on the calculated distance.
前記記憶装置は、前記複数の解析済み波形セットのそれぞれに紐付けられると共に対応する前記現象への対策が記述された複数のレポートを前記付随情報として記憶しており、
前記解析結果生成部は、前記複数の分類器による前記判定結果と、前記類似波形抽出部により抽出された前記解析済み波形セットと、抽出された前記解析済み波形セットの前記レポートとを含む前記解析結果を生成する変速機の開発支援システム。 In the transmission development support system according to any one of claims 1 to 6,
The storage device stores, as the incidental information, a plurality of reports associated with each of the plurality of analyzed waveform sets and describing countermeasures for the corresponding phenomenon.
The analysis result generation unit includes the determination result by the plurality of classifiers, the analyzed waveform set extracted by the similar waveform extraction unit, and the report of the extracted analyzed waveform set. A transmission development support system that produces results.
前記複数の解析済み波形セットには、少なくともそれぞれに生じている前記現象がラベル付けされており、
前記類似波形抽出部は、前記複数の分類器により前記問題波形セットに生じていると判定された前記現象がラベル付けされた前記解析済み波形セットから前記問題波形セットに類似した前記解析済み波形セットを抽出する変速機の開発支援システム。 In the transmission development support system according to any one of claims 1 to 7.
The plurality of analyzed waveform sets are labeled with at least the phenomenon occurring in each.
The similar waveform extraction unit is the analyzed waveform set similar to the problem waveform set from the analyzed waveform set labeled with the phenomenon determined to occur in the problem waveform set by the plurality of classifiers. A transmission development support system that extracts.
前記複数の時系列データは、少なくとも、前記変速機の入力回転数の前記変速開始から前記変速終了までの時間変化を示す時系列データ、前記変速機の出力回転数の前記変速開始から前記変速終了までの時間変化を示す時系列データ、および前記車両の加速度の前記変速開始から前記変速終了までの時間変化を示す時系列データを含む変速機の開発支援システム。 In the transmission development support system according to any one of claims 1 to 8.
The plurality of time series data are at least time series data indicating a time change of the input rotation speed of the transmission from the start of the shift to the end of the shift, and the output rotation speed of the transmission from the start of the shift to the end of the shift. A transmission development support system that includes time-series data indicating a time change up to and time-series data indicating a time-series data indicating the time change of the acceleration of the vehicle from the start of the shift to the end of the shift.
前記物理量の解析済み時系列データをそれぞれ複数含む複数の解析済み波形セットと、前記複数の解析済み波形セットのそれぞれに付随した付随情報とを記憶装置に記憶させ、
前記問題波形セットの前記時系列データの変速開始から変速終了までの範囲を複数の変速フェーズに分割すると共に、前記変速フェーズごとに同数のデータにサンプリングして前記複数の時系列データを入力ベクトルに変換し、
それぞれについて予め定められた現象が前記問題波形セットに生じているか否かを判定するように教師あり学習によって構築された複数の分類器に前記入力ベクトルを入力して前記複数の分類器による判定結果を取得し、
前記問題波形セットに類似した前記解析済み波形セットを前記複数の解析済み波形セットから抽出し、
前記複数の分類器による前記判定結果と、抽出された前記解析済み波形セットの前記付随情報とを含む解析結果を生成する、
変速機の開発支援方法。 It is a transmission development support method for analyzing the phenomenon occurring in the problem waveform set including multiple time series data indicating the time change of the physical quantity of the transmission mounted on the vehicle.
A plurality of analyzed waveform sets including each of a plurality of analyzed time series data of the physical quantity and accompanying information associated with each of the plurality of analyzed waveform sets are stored in the storage device.
The range from the start of shift to the end of shift of the time series data of the problem waveform set is divided into a plurality of shift phases, and the same number of data is sampled for each shift phase, and the plurality of time series data are used as input vectors. Converted,
The input vector is input to a plurality of classifiers constructed by supervised learning so as to determine whether or not a predetermined phenomenon occurs in the problem waveform set for each, and the determination result by the plurality of classifiers is performed. To get and
The analyzed waveform set similar to the problem waveform set is extracted from the plurality of analyzed waveform sets.
An analysis result including the determination result by the plurality of classifiers and the incidental information of the extracted waveform set analyzed is generated.
How to support the development of transmissions.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019096189A JP7245464B2 (en) | 2019-05-22 | 2019-05-22 | Transmission development support system and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019096189A JP7245464B2 (en) | 2019-05-22 | 2019-05-22 | Transmission development support system and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020190951A true JP2020190951A (en) | 2020-11-26 |
| JP7245464B2 JP7245464B2 (en) | 2023-03-24 |
Family
ID=73455053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019096189A Active JP7245464B2 (en) | 2019-05-22 | 2019-05-22 | Transmission development support system and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7245464B2 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07121603A (en) * | 1993-08-30 | 1995-05-12 | Toyota Motor Corp | Method and device for supporting design |
| US20170146362A1 (en) * | 2015-11-19 | 2017-05-25 | GM Global Technology Operations LLC | Method and apparatus for fuel consumption prediction and cost estimation via crowd-sensing in vehicle navigation system |
| US20180253095A1 (en) * | 2017-03-02 | 2018-09-06 | GM Global Technology Operations LLC | Systems and methods for vehicle dimension prediction |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7121603B2 (en) | 2018-09-10 | 2022-08-18 | 小川香料株式会社 | Masking perfume composition for hair modification containing thioglycolic acid or its salt or its derivative |
-
2019
- 2019-05-22 JP JP2019096189A patent/JP7245464B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07121603A (en) * | 1993-08-30 | 1995-05-12 | Toyota Motor Corp | Method and device for supporting design |
| US20170146362A1 (en) * | 2015-11-19 | 2017-05-25 | GM Global Technology Operations LLC | Method and apparatus for fuel consumption prediction and cost estimation via crowd-sensing in vehicle navigation system |
| US20180253095A1 (en) * | 2017-03-02 | 2018-09-06 | GM Global Technology Operations LLC | Systems and methods for vehicle dimension prediction |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7245464B2 (en) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martin-Diaz et al. | An experimental comparative evaluation of machine learning techniques for motor fault diagnosis under various operating conditions | |
| US7769759B1 (en) | Data classification based on point-of-view dependency | |
| Pinedo-Sanchez et al. | Vibration analysis in bearings for failure prevention using CNN | |
| CN113543117B (en) | Prediction method and device for number portability user and computing equipment | |
| Agahi et al. | Decision fusion scheme for bearing defects diagnosis in induction motors | |
| Wang et al. | Modeling wear state evolution using real-time wear debris features | |
| Jalali et al. | Intelligent condition monitoring of ball bearings faults by combination of genetic algorithm and support vector machines | |
| CN115098962A (en) | Method for predicting residual life of mechanical equipment in degradation state based on hidden half Markov model | |
| CN116985793B (en) | Automatic driving safety control system and method based on deep learning algorithm | |
| US20190286070A1 (en) | Time-series data analysis device | |
| CN117104377B (en) | Intelligent management system and method for electric bicycle | |
| CN111445025B (en) | Method and device for determining hyper-parameters of business model | |
| JP7245464B2 (en) | Transmission development support system and method | |
| Dhandapani et al. | Bearing Faults Diagnosis and Classification Using Generalized Gaussian Distribution Multiscale Dispersion Entropy Features | |
| Irfan et al. | A Scalo gram-based CNN ensemble method with density-aware smote oversampling for improving bearing fault diagnosis | |
| CN116129182A (en) | Multi-dimensional medical image classification method based on knowledge distillation and neighbor classification | |
| CN115931318A (en) | Fault intelligent diagnosis method, device, equipment and storage medium | |
| CN109840566A (en) | Trip mode identification method and device | |
| JP2020038514A (en) | Learning data generating device, learning data generating method, and program | |
| Saha et al. | Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions | |
| Richter et al. | Automatic Defect Detection by Classifying Aggregated Vehicular Behavior | |
| CN115658371B (en) | Diagnosis algorithm quantitative recommendation method based on case learning and diagnosability analysis | |
| Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
| CN112035338B (en) | Coverage rate calculation method of stateful deep neural network | |
| CN116777400B (en) | Engineering consultation information whole-flow management system and method based on deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210423 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220422 |
|
| 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: 20230214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230303 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7245464 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |