JP2021135230A - 摩耗状態予測方法、摩耗状態予測装置、及び摩耗状態予測プログラム - Google Patents

Abstract

【課題】モデルを用いて航空機用タイヤの摩耗状態を予測する摩耗状態予測方法、摩耗状態予測装置、及び摩耗状態予測プログラムを提供する。【解決手段】摩耗状態予測装置１０は、予め取得した航空機３１に関する気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として摩耗状態を予測するモデルを生成するモデル生成部１２４と、モデル生成部１２４によって生成されたモデルに気温データを入力し、摩耗状態を予測する摩耗状態予測部１３３と、を備える。【選択図】図１

Description

本発明は、摩耗状態予測方法、摩耗状態予測装置、及び摩耗状態予測プログラムに関する。

従来より、航空機用タイヤの摩耗状態を予測する技術が知られている（特許文献１）。特許文献１に記載された方法は、使用条件に応じて区分けされた複数の走行状態（例えば、タッチダウン走行状態、タッチダウン後減速走行状態、タキシー走行状態など）に対応する複数の摩耗エネルギーを取得し、取得した摩耗エネルギーに基づいて航空機用タイヤの摩耗状態を予測する。

特開２０１３−１１３７２４号公報

近年、ＡＩ（例えば機械学習）の発展によりビッグデータの解析が活発化している。しかしながら、航空機用タイヤの摩耗状態に関し、ビッグデータを活用した予測方法について研究が少ない。

そこで、本発明は、このような状況に鑑みてなされたものであり、モデルを用いて航空機用タイヤの摩耗状態を予測する摩耗状態予測方法、摩耗状態予測装置、及び摩耗状態予測プログラムの提供を目的とする。

本発明の一態様に係る摩耗状態予測方法は、予め取得した航空機（航空機３１）に関する気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として摩耗状態を予測するモデルを生成し、生成したモデルに気温データを入力し、摩耗状態を予測する。

本発明によれば、モデルを用いた航空機用タイヤの摩耗状態の予測が可能となる。

図１は、摩耗状態予測装置とネットワークと航空会社との関係を示す概略図である。 図２は、本発明の本実施形態に係る摩耗状態予測装置の概略構成図である。 図３は、本発明の本実施形態に係る機械学習の一例を説明する図である。 図４は、本発明の本実施形態に係る学習データと教師データとの紐付けの一例を説明する図である。 図５は、本発明の本実施形態に係る摩耗状態予測システムの一動作例を説明するシーケンス図である。 図６は、本発明の本実施形態に係る摩耗状態予測システムの一動作例を説明するシーケンス図である。 図７は、摩耗速度の予測が行われる日以降の気温を考慮した方法の一例を説明する図である。

以下、本発明の実施形態について、図面を参照して説明する。図面の記載において同一部分には同一符号を付して説明を省略する。

（摩耗状態予測システムの構成例）
図１を参照して、摩耗状態予測システム１の構成の一例について説明する。図１に示すように、摩耗状態予測システム１は、摩耗状態予測装置１０と、ネットワーク２０と、航空会社３０とを含む。

摩耗状態予測装置１０は、ネットワーク２０を介して航空会社３０と双方向通信を行う。具体的には、摩耗状態予測装置１０は、ネットワーク２０を介して、航空会社３０から航空機３１に関するデータを取得する。摩耗状態予測装置１０は、取得したデータを用いて機械学習モデルを生成し、生成した機械学習モデルを用いて航空機３１に装着された航空機用タイヤ３２の摩耗状態を予測する。摩耗状態予測装置１０が航空会社３０から取得するデータの詳細は後述する。ネットワーク２０は、データを送受信可能な通信網である。例えば、ネットワーク２０は、電気通信事業者により設置された専用線、公衆交換電話網、衛星通信回線、移動体通信回線等の各種通信回線で構成される。

本実施形態において、航空機用タイヤ３２には、メインギアに装着されたタイヤ、ノーズギアに装着されたタイヤが含まれる。メインギアには、複数（例えば６本）のタイヤが装着される。また、ノーズギアにも複数（例えば２本）のタイヤが装着される。

摩耗状態予測装置１０は、例えば、汎用のコンピュータであり、ＣＰＵ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）を備える。ＣＰＵは、ＲＯＭなどに記憶されたプログラムを、ＲＡＭに読み出して実行する。なお、摩耗状態予測装置１０は、設置型の端末装置でもよく、持ち運びが容易な携帯型の端末装置（例えば、スマートフォン）でもよい。また、摩耗状態予測装置１０は、管理センタのサーバとして構成されてもよい。

次に、図２を参照して、摩耗状態予測装置１０の構成例を説明する。図２に示すように、摩耗状態予測装置１０は、コントローラ１１（例えばＣＰＵ）と、記憶装置１４とを備える。コントローラ１１は、複数の情報処理機能として、第１処理機能１２と、第２処理機能１３とを備える。さらに、第１処理機能１２は、データ取得部１２１と、データ処理部１２２と、アルゴリズム選択部１２３と、モデル生成部１２４と、に分類される。第２処理機能１３は、新データ取得部１３１と、適用モデル選択部１３２と、摩耗状態予測部１３３と、に分類される。

データ取得部１２１は、通信部（不図示）を介して航空会社３０からデータを取得する。通信部は、摩耗状態予測装置１０に設置され、ネットワーク２０に接続して航空会社３０との間でデータを送受信するインタフェースである。データ取得部１２１が航空会社３０から取得するデータには、航空機３１の気温データ、航空機３１の加速度データ、航空機３１の重量データ、航空機用タイヤ３２が装着された位置を示すデータ（以下単に装着位置データとよぶ場合がある）などが含まれる。

航空機３１の気温データとは、航空機３１に設置されたセンサによって計測された温度データである。

航空機３１の加速度データには、航空機３１のＸＹＺ方向のそれぞれの加速度データが含まれる。Ｘ方向とは、航空機３１の前後方向である。Ｙ方向とは、航空機３１の左右方向である。Ｚ方向とは、航空機３１の上下方向である。

データ処理部１２２は、データ取得部１２１によって取得されたデータを処理する。処理の詳細な内容は、後述する。

アルゴリズム選択部１２３は、機械学習モデルを生成するために用いるアルゴリズムを選択する。アルゴリズムには、例えば、線形重回帰、Ｌａｓｓｏ回帰、非線形ＳＶＭ、ランダムフォレスト、ＸＧＢｏｏｓｔなどが含まれる。

モデル生成部１２４は、アルゴリズム選択部１２３によって選択されたアルゴリズムを用いて、データ処理部１２２によって生成されたデータを機械学習させて機械学習モデルを生成する。モデル生成部１２４は、アルゴリズムごとに機械学習モデルを生成する。よって、複数の機械学習モデルが生成される。生成された機械学習モデルは、記憶装置１４に記憶される。

新データ取得部１３１は、モデル生成部１２４によって生成された機械学習モデルに入力する新しいデータを航空会社３０から取得する。新データ取得部１３１が航空会社３０から取得する新しいデータは、データ取得部１２１が航空会社３０から取得するデータと属性（気温、加速度など）、構造（後述の１秒ごと）などは同じであるが、データ自体は異なる。

適用モデル選択部１３２は、モデル生成部１２４によって生成された機械学習モデルを記憶装置１４から読み出し、読み出した機械学習モデルの予測性能を評価する。適用モデル選択部１３２は、評価結果に基づいて、最も予測性能が高い機械学習モデルを選択する。

摩耗状態予測部１３３は、適用モデル選択部１３２によって選択された機械学習モデルに、新データ取得部１３１によって取得された新しいデータを入力し、摩耗状態を予測する。摩耗状態には、摩耗量及び摩耗速度が含まれる。摩耗量及び摩耗速度の詳細は後述する。予測された摩耗状態に関するデータは、記憶装置１４に記憶される。

次に図３〜４を参照して、機械学習モデルの生成方法、及び生成した機械学習モデルを用いた摩耗状態予測方法について説明する。

図３に示すように、機械学習は、学習フェーズと、予測フェーズに分類される。学習フェーズでは、膨大なデータ（ビッグデータ）から特徴が抽出され、機械学習モデルが生成される。予測フェーズでは、生成された機械学習モデルに新しいデータが入力され、結果が出力される。図３において、取得データとは、上述したように、航空会社３０から取得されるデータであり、航空機３１の気温データ、航空機３１の加速度データ、航空機３１の重量データ、装着位置データなどである。

統計学の分野において、機械学習のために入力されるデータは、説明変数とよばれる場合がある。本実施形態において、航空機３１の気温データ、航空機３１の加速度データ、航空機３１の重量データ、装着位置データなどは、説明変数である。また、学習済モデルから出力されるデータは、目的変数とよばれる場合がある。本実施形態において、航空機用タイヤ３２の摩耗状態が、目的変数である。

機械学習には、教師データを用いた教師あり学習（Ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）と、教師データを用いない学習とが含まれる。本実施形態では、教師あり学習が用いられる。教師データとは、いわゆる「正解データ」を意味する。教師あり学習とは、「入力データ」と「正解データ」とがセットになった学習データセット（図３では符号４０で示される）を用いた方法である。図３に示すように、本実施形態では、機械学習させる前に、ビッグデータを加工して学習データセット４０を生成する。このような機械学習させる前のデータ処理を、以下ではデータ前処理とよぶ。

次に、データ前処理について説明する。本実施形態において、データ前処理とは、データの集約、及び集約したデータと教師データとの紐付けを意味する。このような紐付けは、ラベル付けと呼ばれる場合もある。データ取得部１２１は、1回のフライトごとに、航空会社３０からデータを取得する。1回のフライトのデータ構造として、航空機に取付けられたセンサからデータを取得する場合、例えば１秒ごとにデータが記憶されている。つまり、気温データ、加速度データなどが、１秒ごとに記憶されている。したがって、1回のフライトだけであっても、データ量は膨大である。

通常、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでのフライト回数は、数百回である。以下では、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでのフライト回数を、全てのフライト、と表現する場合がある。本実施形態において、機械学習させるデータは、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでの、全てのフライト（数百回のフライト）のデータである。このようなビッグデータに対し、紐付け先となる教師データ（摩耗量に基づく摩耗速度）は、１つの値である。摩耗量とは、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでに、航空機用タイヤ３２が摩耗した量を意味し、単位はｍｍである。新品時の航空機用タイヤ３２の溝深さをＸ（ｍｍ）とし、航空機用タイヤ３２が取り卸されたときの溝深さをＹ（ｍｍ）とした場合、Ｘ−Ｙ（ｍｍ）が摩耗量である。通常、摩耗量は、航空機用タイヤ３２が取り卸された後に計測されるため、１つの値のみ存在する。

本実施形態では、教師データとして摩耗速度を用いる。ここで、摩耗量と摩耗速度との関係について説明する。本実施形態において摩耗速度とは、１回のランディングで航空機用タイヤ３２が摩耗する量と定義される。摩耗速度の単位は、ｍｍ／ＬＤ、と表現される。航空機用タイヤ３２が取り卸された後に計測された摩耗量を、全てのランディング回数で除算すれば、摩耗速度が算出される。このようにして算出された摩耗速度が教師データとして用いられる。本実施形態においてランディング回数とフライト回数は、同義である。

ただし、摩耗速度の定義は、上記に限定されない。摩耗速度は、タキシー走行距離に対する摩耗量として定義されてもよい。タキシー走行とは、航空機３１が、航空機３１の動力を用いて地上（主に滑走路）を走行することをいう。航空機用タイヤ３２が取り卸された後に計測された摩耗量を、全てのフライトにおけるタキシー走行距離で除算すれば、摩耗速度が算出される。なお、１回のフライトにおけるタキシー走行距離は、出発する飛行場におけるタキシー走行距離と、到着する飛行場におけるタキシー走行距離との合計値である。この合計値は、通常、数ｋｍである。

また、摩耗速度は、摩耗量をフライトに関する累積値で除算したパラメータ、と定義されてもよい。フライトに関する累積値には、一例として、上述のランディング回数、タキシー走行距離が含まれる。また、フライトに関する累積値には、各フライトの加速度の代表値（例えば平均値）の合計値、各フライトの重量の合計値が含まれてもよい。

以下では、一例として、摩耗速度は、１回のランディングで航空機用タイヤ３２が摩耗する量（ｍｍ／ＬＤ）として説明する。もちろん、上述したように、摩耗速度は、摩耗量をタキシー走行距離で除算した値であってもよく、摩耗量をフライトに関する累積値で除算したパラメータであってもよい。また、上述したように、摩耗量は１つの値であるため、摩耗量によって算出される摩耗速度も１つの値である。

教師データ（摩耗速度）は１つの値であるため、教師データと紐付けられる各種データもそれぞれ１つの値に集約することが必要である。そこで、データ処理部１２２は、気温データ、加速度データ、重量データなどをそれぞれ１つの値に集約する。なお、装着位置データは固定値であるため、集約は不要である。

まず、気温データの集約方法の一例について説明する。データ処理部１２２は、１回のフライトにおける気温データを平均して、１回のフライトにおける平均気温データを算出する。データ処理部１２２は、この処理を繰り返して、全てのフライトごと（１回目のフライト、２回目のフライト・・・１００回目のフライト・・・）の平均気温データを算出する。そして、データ処理部１２２は、全てのフライトごとの平均気温データを平均して、全てのフライト（１回目〜数百回目）の平均気温データ（１つの値）を算出する。なお、このような平均処理は集約方法の一例であり、必須の処理ではない。後述のように、説明変数の代表値は平均値に限定されず、中央値でもよく、最頻値でもよい。

上述したように、航空機に取付けられたセンサからデータを取得する場合、気温データは１秒ごとに記憶されている。つまり、記憶されている気温データには、航空機３１が停止しているときの気温データ、航空機３１が走行しているときの気温データ、及び航空機３１が飛行しているときの気温データなどが含まれる。データ処理部１２２は、気温データを集約する際、航空機３１の状態に応じて一部のデータを選択して使用してもよい。例えば、航空機３１が飛行しているときの気温データは使用しなくてもよい。換言すれば、データ処理部１２２は、各フライトの一部の気温データを平均して、平均気温データ（１つの値）を算出してもよい。

次に、加速度データの集約方法の一例について説明する。加速度データには、上述したように、ＸＹＺ方向のそれぞれの加速度データが含まれる。よって、データ処理部１２２は、Ｘ方向の加速度データ、Ｙ方向の加速度データ、Ｚ方向の加速度データのそれぞれについて集約する。ここでは代表として、Ｘ方向の加速度データについて説明する。

データ処理部１２２は、１回のフライトにおける加速度データ（Ｘ方向）を二乗和してから平均して、１回のフライトにおける平均加速度データ（Ｘ方向）を算出する。データ処理部１２２は、この処理を繰り返して、全てのフライトごと（１回目のフライト、２回目のフライト・・・１００回目のフライト・・・）の平均加速度データ（Ｘ方向）を算出する。そして、データ処理部１２２は、全てのフライトごとの平均加速度データ（Ｘ方向）を平均して、全てのフライト（１回目〜数百回目）の平均加速度データ（Ｘ方向における１つの値）を算出する。Ｙ方向、Ｚ方向については、同様であるため説明を省略する。

次に、重量データの集約方法の一例について説明する。データ処理部１２２は、１回のフライトにおける重量データの中から、最大値を抽出する。データ処理部１２２は、この処理を繰り返して、全てのフライトごと（１回目のフライト、２回目のフライト・・・１００回目のフライト・・・）の重量データの最大値を抽出する。そして、データ処理部１２２は、全てのフライトごとの重量データの最大値を平均して、全てのフライト（１回目〜数百回目）の平均重量データ（１つの値）を算出する。

このようにして、データ処理部１２２によって、全てのフライトの平均気温データ、平均加速度データ（Ｘ方向，Ｙ方向，Ｚ方向）、平均重量データが、１つの値として算出される。図４に示すように、これらの１つの値（学習データ４１）が、教師データ４２（摩耗速度）と紐付けられて、学習データセット４０が生成される。学習データセット４０は航空機用タイヤごとに生成されるため、通常は複数の学習データセット４０が生成される。

アルゴリズム選択部１２３は、機械学習モデルを生成するために用いる、アルゴリズムを選択する。アルゴリズムには、上述したように、線形重回帰、Ｌａｓｓｏ回帰、非線形ＳＶＭ、ランダムフォレスト、ＸＧＢｏｏｓｔなどが含まれる。ただし、これらに限定されるものではなく、教師あり学習が可能なアルゴリズムであればどのようなものを用いてもよい。なお、これらのアルゴリズムは周知であるため、詳細な説明は省略する。

図４に示すように、モデル生成部１２４は、アルゴリズム選択部１２３によって選択されたアルゴリズムを用いて、データ処理部１２２によって生成された学習データセット４０を機械学習させて機械学習モデルを生成する。本実施形態では、アルゴリズムとして、上述の線形重回帰、Ｌａｓｓｏ回帰、非線形ＳＶＭ、ランダムフォレスト、ＸＧＢｏｏｓｔを使用した。

一般に機械学習モデルによる予測性能は、決定係数（Ｒ^２）、平均平方二乗誤差（ＲＭＳＥ）などのアルゴリズムの性能を示す項目のいずれか１つ、または複数の組合せによって評価される。本実施形態では、目的変数である摩耗速度の値が、実測値に近いほど高性能であると評価される。適用モデル選択部１３２は、評価結果に基づいて、最も予測性能が高い機械学習モデルを選択する。

図３に示すように、摩耗状態予測部１３３は、適用モデル選択部１３２によって選択された機械学習モデル（学習済モデル）に、新しいデータを入力し、摩耗速度を予測する。なお、新しいデータは、新データ取得部１３１によって取得される。新しいデータは、航空機用タイヤ３２が機体に装着されたときから、摩耗速度の予測が行われるときまでのデータである。

本実施形態では、機械学習のための説明変数として、平均気温データ、平均加速度データ、平均重量データ、装着位置データなどを用いたが、これらの説明変数において、目的変数に対する寄与率は一律ではない。寄与率とは、それぞれの説明変数が目的変数に与える影響の大きさを示し、目的変数に与える影響が大きいほど、その説明変数は重要な説明変数といえる。

本実施形態における説明変数（平均気温データ、平均加速度データ、平均重量データ、装着位置データなど）は、累積しない説明変数である。換言すれば、本実施形態では、累積する説明変数は使用せず、累積しない説明変数のみを使用する。累積する説明変数とは、例えば上述したタキシー走行距離である。累積する説明変数を使用しない理由は、累積する説明変数を使用した場合、機械学習モデルの精度が低くなるからである。

発明者は、説明変数のそれぞれについて目的変数に対する寄与率を分析した。その結果、発明者は、説明変数のうち、平均気温データの寄与率が、他のデータと比較して、最も高いことを突き止めた。また、発明者は、平均気温データの次に寄与率が高い説明変数が平均加速度データであることを突き止めた。これは、摩耗速度を予測するための機械学習モデルを生成する際に、平均気温データを説明変数として用いれば、精度の高いモデルが得られることを示す。また、平均気温データの他に平均加速度データを説明変数として採用すれば、より精度の高いモデルが得られることを示す。

次に図５〜６のシーケンス図を参照して、摩耗状態予測システム１の一動作例を説明する。

ステップＳ１０１において、航空機３１の気温データ、航空機３１の加速度データ、航空機３１の重量データ、装着位置データなどが、航空会社３０から送信される。

ステップＳ１０３において、データ取得部１２１は、ステップＳ１０１で送信されたデータを取得する。処理はステップＳ１０５に進み、データ処理部１２２は、ステップＳ１０３で取得されたデータの処理を行う。具体的には、データ処理部１２２は、気温データ、加速度データ、重量データなどをそれぞれ１つの値に集約する。データ処理部１２２は、集約したデータ（学習データ４１）と、教師データ４２とを紐付けて、学習データセット４０を生成する。

処理はステップＳ１０７に進み、アルゴリズム選択部１２３は、機械学習モデルを生成するために用いる、アルゴリズム（線形重回帰、Ｌａｓｓｏ回帰、非線形ＳＶＭ、ランダムフォレスト、ＸＧＢｏｏｓｔなど）を選択する。

処理はステップＳ１０９に進み、モデル生成部１２４は、ステップＳ１０７で選択されたアルゴリズムを用いて、ステップＳ１０５で生成された学習データセット４０を機械学習させて機械学習モデルを生成する。

ステップＳ２０１において、航空機３１の気温データ、航空機３１の加速度データ、航空機３１の重量データ、装着位置データなどが、航空会社３０から送信される。ステップＳ２０１で送信されるデータは、摩耗速度の予測に用いられる新しいデータである。

ステップＳ２０３において、新データ取得部１３１は、ステップＳ２０１で送信された新しいデータを取得する。処理はステップＳ２０５に進み、適用モデル選択部１３２は、ステップＳ１０９で生成された機械学習モデルの予測性能を評価し、最も予測性能が高い機械学習モデルを選択する。

処理はステップＳ２０７に進み、摩耗状態予測部１３３は、ステップＳ２０７で選択された機械学習モデルに、ステップＳ２０３で取得された新しいデータを入力し、摩耗速度を予測する。

（作用効果）
以上説明したように、本実施形態にかかる摩耗状態予測方法によれば、以下の作用効果が得られる。

摩耗状態予測装置１０は、航空会社３０から取得した航空機３１の気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として摩耗状態を予測するモデル（機械学習モデル）を生成する。摩耗状態予測装置１０は、生成したモデルに気温データを入力し、摩耗状態を予測する。上述したように、発明者は、説明変数のうち、気温データ（平均気温データ）の寄与率が、他のデータと比較して、最も高いことを突き止めた。寄与率が最も高い気温データを用いることにより、予測性能が高い機械学習モデルの生成が可能となる。そして、予測性能が高い機械学習モデルを用いることにより、摩耗状態を精度よく予測することが可能となる。なお、摩耗状態とは、一例として航空機用タイヤ３２の摩耗量をフライト回数で除算した摩耗速度を示す。

また、上述したように、発明者は、気温データ（平均気温データ）の次に寄与率が高い説明変数が加速度データ（平均加速度データ）であることを突き止めた。寄与率が他のデータよりも高い気温データ及び加速度データを用いることにより、より予測性能が高い機械学習モデルの生成が可能となり、摩耗状態をより精度よく予測することが可能となる。

上記のように、本発明の実施形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例及び運用技術が明らかとなろう。

上述の実施形態では、機械学習モデルに入力される新しいデータ（予測時のデータ）は、航空機用タイヤ３２が機体に装着されたときから、摩耗速度の予測が行われるときまでのデータである、と説明した。一方で、機械学習モデルを生成するためのデータ（学習時のデータ）は、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでのデータである、と説明した。摩耗速度の予測が行われる日と、航空機用タイヤ３２が取り卸される日は、必ずしも一致しない。したがって、航空機用タイヤ３２が機体に装着された日から、摩耗速度の予測が行われる日までのデータ数と、航空機用タイヤ３２が機体に装着された日から、取り卸される日までのデータ数は、必ずしも一致しない。これにより、精度の高い結果が得られない場合がある。

そこで、目的変数に対する寄与率が最も高い平均気温データに関し、摩耗速度の予測が行われる日以降の気温を考慮してもよい。摩耗速度の予測が行われる日以降の気温を考慮した方法の一例を図７を参照して説明する。

図７に示す１月８日は、最新のデータが存在する日であり、１月１１日は、摩耗速度の予測が行われる日（以下、単に予測実施日とよぶ場合がある）である。最新のデータとは、航空会社３０から送信された、最も新しいデータである。

摩耗速度の予測が行われるとき、すなわち、１月１１日において、１月９日〜１１日のデータは存在しない。このケースにおいて、まずデータ取得部１２１は、航空機用タイヤ３２が機体に装着された日から、１月８日までのデータを集約する。集約されたデータのうち、平均気温データ（第１気温データ）については、図７に示すように１２．２度である。摩耗状態予測部１３３は、集約されたデータを機械学習モデルに入力し、摩耗速度を予測する。予測された摩耗速度は、図７に示すように０．０１３０である。

摩耗状態予測部１３３は、予測した摩耗速度（０．０１３０）にフライト回数（６２５回）を乗算して摩耗量を算出する。摩耗状態予測部１３３は、新品時の航空機用タイヤ３２の溝深さから、算出した摩耗量を減算し、残りの溝深さを示す残溝量を算出する。算出された残溝量は、図７に示すように２．３８ｍｍである。なお、摩耗状態予測部１３３は、予測した摩耗速度にフライトに関する累積値を乗算して摩耗量を算出してもよい。

残溝量が０より大きい場合、摩耗状態予測部１３３は、翌日（１月９日）のデータを生成する。図７に示すように、１月８日の残溝量（２．３８ｍｍ）は０より大きいため、摩耗状態予測部１３３は、翌日（１月９日）のデータを生成する。摩耗状態予測部１３３は、航空機３１が到着するＡＡＡ飛行場の１月の平均気温（第２気温データ）を取得し、データベースに格納する。これにより、１月９日におけるＡＡＡ飛行場の平均気温に８．９度（図７参照）が入力される。次に、摩耗状態予測部１３３は、この８．９度という気温データを用いて、航空機用タイヤ３２が機体に装着された日から、１月９日までの平均気温データを更新する。更新された平均気温データは、図７に示すように１２．２度である。

摩耗状態予測部１３３は、更新した平均気温データを含むデータを機械学習モデルに入力し、再度、摩耗速度を予測する。予測された摩耗速度は、図７に示すように０．０１３０である。摩耗状態予測部１３３は、予測した摩耗速度（０．０１３０）にフライト回数（６３２回）を乗算して摩耗量を算出する。摩耗状態予測部１３３は、新品時の航空機用タイヤ３２の溝深さから、算出した摩耗量を減算し、残溝量を算出する。算出された残溝量は、図７に示すように２．２８ｍｍである。

１月９日の残溝量（２．２８ｍｍ）は０より大きいため、摩耗状態予測部１３３は、翌日（１月１０日）のデータを生成する。そして、残溝量が０以下となるまで、同じ処理が繰り返し実施される。なお、ＡＡＡ飛行場の２月の平均気温は、１０．２度である。

図７に示すように、残溝量が０以下となる日は、２月１３日である（残溝量は、−０．０２）。残溝量が０以下となる日（２月１３日）が算出された後、摩耗状態予測部１３３は、航空機用タイヤ３２が取り卸される日を算出する。次に、航空機用タイヤ３２が取り卸される日の算出方法の一例を説明する。

まず、摩耗状態予測部１３３は、新品時の航空機用タイヤ３２の溝深さと、２月１２日の摩耗速度（０．０１２０）とを用いて、残溝量が０になる直前までのフライト回数（図７に示す※２）を算出する。摩耗状態予測部１３３は、残溝量が０になるまでのフライト回数から、予測実施日（１月１１日）における、航空機用タイヤ３２が装着されたときから累積のフライト回数（図７に示す※１）を減算し（８７５−６６２）、残りのランディング可能回数（図７の残ＬＤ回数：２１３）を算出する。残りのランディング可能回数とは、航空機用タイヤ３２の使用可能回数を意味する。

摩耗状態予測部１３３は、残りのランディング可能回数を、１日あたりのフライト回数（７回）で除算して、航空機用タイヤ３２を使用可能な日数（図７の残日数：３０日）を算出する。そして、摩耗状態予測部１３３は、１月１１日から３０日経過後の２月１０日を、航空機用タイヤ３２を取り卸す日として算出する。

このように、摩耗速度の予測が行われる日以降（予測時以降）の気温を考慮することにより、摩耗速度を精度よく予測することが可能となる。

また、精度の高い摩耗速度を用いることにより、航空機用タイヤ３２が取り卸される日を精度よく算出することが可能となる。通常、航空機用タイヤ３２を交換する際には、作業者の手作業で摩耗量が計測され、摩耗量が所定値に達したときに交換する運用が行われている。しかし、同一の交換時期に一定数以上の航空機用タイヤ３２の交換が集中した場合、交換作業の遅延や在庫不足に陥るおそれがある。これに対し、摩耗状態予測装置１０によれば、航空機用タイヤ３２が取り卸される日が精度よく算出されるため、交換業務の効率的な運用が可能となる。

また、上述の実施形態では機械学習モデルを生成するための説明変数として航空機３１の気温データを用いると説明した。そして、航空機３１の気温データは、航空機３１に設置されたセンサによって計測された温度データであると説明した。ただし、機械学習モデルを生成するために用いられる説明変数は、航空機３１に設置されたセンサによって計測された温度データに限定されない。機械学習モデルを生成するために用いられる説明変数は、飛行場の気温データであってもよい。

飛行場の気温データの取得方法は特に限定されないが、定点観測された気温データを取得してもよく、行政機関（例えば日本では気象庁）によって公開されている気温データを取得してもよい。飛行場の気温データの集約方法は、上述した航空機３１の気温データの集約方法と同様である。すなわち、飛行場の気温データも航空機３１の気温データと同様に平均されて１つの値に集約される。

ただし、航空機３１の気温データ及び飛行場の気温データの集約方法は、平均に限定されない。説明変数として用いられる航空機３１の気温データ及び飛行場の気温データは、中央値でもよく、最頻値でもよい。

航空機３１に関する気温データは、航空機３１に設置されたセンサによって計測された温度データ、飛行場の気温データの両方を含む。

また、データ処理部１２２は、航空機３１の気温データ及び飛行場の気温データを集約する際に、気温データが格納された期間を分割して集約してもよい。データ処理部１２２は、例えば気温データが格納された期間を前半と後半に分割して集約してもよい。上述したように、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでのフライト回数は、数百回である。ここで、航空機用タイヤ３２が機体に装着されたときから、取り卸されるときまでのフライト回数が５００回であったと仮定する。

この場合、データ処理部１２２は、気温データが格納された期間を前半（１回目〜２５０回目）と、後半（２５１回目〜５００回目）に分割して集約してもよい。これにより、集約されたデータとして、前半の平均気温データ（１つの値）と、後半の平均気温データ（１つの値）が得られる。教師データと紐付けられるデータは、前半の平均気温データでもよく、後半の平均気温データでもよい。このように気温データが格納された期間を分割して集約しても、上述の効果と同様の効果が得られる。なお、分割の対象となるデータは、気温データに限定されず、加速度データが格納された期間を分割してもよい。また、分割方法は前半、後半の２分割に限定されず、３分割でもよい。

また、データ処理部１２２は、航空機３１の気温データ及び飛行場の気温データを集約する際に、気温データが格納された期間を異なる２以上の期間に分類し、分類した複数の期間を用いて集約してもよい。２以上の期間に分類する方法の一例として、データ処理部１２２は、気温データが格納された期間を全期間（１回目〜５００回目）と、前半（１回目〜２５０回目）に分類することが可能である。データ処理部１２２は、分類した複数の期間（全期間と前半）のそれぞれの平均気温データを平均して、分類した複数の期間（全期間と前半）の平均気温データ（１つの値）を取得する。このように気温データが格納された期間を複数の期間に分類して集約しても、上述の効果と同様の効果が得られる。なお、分類の対象となるデータは、気温データに限定されず、加速度データが格納された期間を複数の期間に分類してもよい。すなわち、データ処理部１２２は、同じ属性の説明変数が格納された期間を異なる２以上の期間に分類し、分類した複数の期間を用いて集約してもよい。

１ 摩耗状態予測システム
１０ 摩耗状態予測装置
１１ コントローラ
１２ 第１処理機能
１３ 第２処理機能
１４ 記憶装置
２０ ネットワーク
３０ 航空会社
３１ 航空機
３２ 航空機用タイヤ
１２１ データ取得部
１２２ データ処理部
１２３ アルゴリズム選択部
１２４ モデル生成部
１３１ 新データ取得部
１３２ 適用モデル選択部
１３３ 摩耗状態予測部

Claims (11)

1. 航空機用タイヤの摩耗状態を予測する摩耗状態予測方法であって、
   予め取得した航空機に関する気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として前記摩耗状態を予測するモデルを生成し、
   生成した前記モデルに前記気温データを入力し、前記摩耗状態を予測する
   ことを特徴とする摩耗状態予測方法。
2. 前記摩耗状態は、前記航空機用タイヤの摩耗量をフライトに関する累積値で除算したパラメータとして定義される、摩耗速度である
   ことを特徴とする請求項１に記載の摩耗状態予測方法。
3. 予測した前記摩耗速度に前記フライトに関する累積値を乗算して、前記摩耗量を予測する
   ことを特徴とする請求項２に記載の摩耗状態予測方法。
4. 予め取得した前記航空機用タイヤの新品時の溝深さと、予測した前記摩耗速度とを用いて、前記航空機用タイヤの使用可能回数を予測する
   ことを特徴とする請求項２または３に記載の摩耗状態予測方法。
5. 前記航空機に関する気温データは第１気温データと定義され、
   前記摩耗状態を予測する際に、予測時以降の第２気温データと、前記第１気温データとを含むデータを前記モデルに入力し、前記摩耗状態を予測する
   ことを特徴とする請求項１〜４のいずれか１項に記載の摩耗状態予測方法。
6. 前記航空機に関する気温データは、前記航空機に設置されたセンサによって取得される
   ことを特徴とする請求項１〜５のいずれか１項に記載の摩耗状態予測方法。
7. 前記航空機に関する気温データと、予め取得した前記航空機の加速度データとを前記説明変数とする、前記所定のアルゴリズムを用いて前記モデルを生成する
   ことを特徴とする請求項１〜６のいずれか１項に記載の摩耗状態予測方法。
8. 前記航空機に関する気温データは、フライトごとの一部の気温データを平均したデータである
   ことを特徴とする請求項６に記載の摩耗状態予測方法。
9. 前記航空機に関する気温データが格納された期間を異なる２以上の期間に分類し、分類した複数の期間を用いて前記モデルを生成する
   ことを特徴とする請求項１〜８のいずれか１項に記載の摩耗状態予測方法。
10. 航空機用タイヤの摩耗状態を予測する摩耗状態予測装置であって、
    予め取得した航空機に関する気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として前記摩耗状態を予測するモデルを生成するモデル生成部と、
    前記モデル生成部によって生成された前記モデルに前記気温データを入力し、前記摩耗状態を予測する予測部と、
    を備えることを特徴とする摩耗状態予測装置。
11. 航空機用タイヤの摩耗状態を予測する摩耗状態予測プログラムであって、
    端末装置のコンピュータに、
    予め取得した航空機に関する気温データを説明変数とする所定のアルゴリズムを用いて、目的変数として前記摩耗状態を予測するモデルを生成するステップと、
    前記モデルに前記気温データを入力し、前記摩耗状態を予測するステップと、
    を実行させることを特徴とする摩耗状態予測プログラム。
    

Images