JP2022073195A - 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム - Google Patents

状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム Download PDF

Info

Publication number
JP2022073195A
JP2022073195A JP2020183024A JP2020183024A JP2022073195A JP 2022073195 A JP2022073195 A JP 2022073195A JP 2020183024 A JP2020183024 A JP 2020183024A JP 2020183024 A JP2020183024 A JP 2020183024A JP 2022073195 A JP2022073195 A JP 2022073195A
Authority
JP
Japan
Prior art keywords
state variable
estimation
state
unit
trained model
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.)
Pending
Application number
JP2020183024A
Other languages
English (en)
Inventor
滋 並木
Shigeru Namiki
稔 魚嶋
Minoru Uoshima
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Priority to JP2020183024A priority Critical patent/JP2022073195A/ja
Priority to CN202111214158.5A priority patent/CN114444371A/zh
Priority to US17/506,341 priority patent/US20220134904A1/en
Publication of JP2022073195A publication Critical patent/JP2022073195A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/13—Maintaining the SoC within a determined range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0016—State machine analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】学習済みモデルから精度が低い推定値が出力された場合に、精度が低い推定値に基づく処理が実行されることを防止し得る状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラムを提供する。【解決手段】状態推定システム１は、学習済みモデル３１と、監視対象物５４の第１状態変数を測定する第１状態変数測定部３２と、第１状態変数の測定値を学習済みモデル３１に入力して、学習済みモデル３１から出力される第２状態変数の推定値を取得する第２状態変数推定処理を、繰り返し実行する第２状態変数推定部３３と、第１状態変数の第１測定部の入力に応じて取得された第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合に、推定精度低下情報を出力する推定精度低下情報出力部３４と、を備える。【選択図】図１

Description

本発明は、状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラムに関する。
従来、ニューラルネットワークを用いて、二次電池の寿命を予測する二次電池寿命予測システムが提案されている（例えば、特許文献１参照）。上記システムにおいては、評価用二次電池を繰り返し充放電させて、評価用二次電池の特性の測定値と放電可能時間の実績値とを関連付けた特性データベースを生成する。そして、特性データベースを教師データとして、所定の特性の測定値を入力して放電可能時間の推定値を出力する学習済みモデルを生成する。
特開２０１４－２０６４９９号公報
本願発明者らは、上述したようにニューラルネットワークを用いた学習済みモデルによって、二次電池のような対象物の状態を推定する場合に、学習済みモデルから出力される状態の推定値の精度が低下する場合があることを知見した。このように精度が低下した推定値に基づいて、対象物に対する制御や対象物の状況の報知を行うと、種々の不都合が生じるおそれがある。
本発明はかかる背景に鑑みてなされたものであり、学習済みモデルから精度が低下した推定値が出力されて、精度が低下した推定値に基づく処理が実行されることを防止することができる状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラムを提供することを目的とする。
上記目的を達成するための第１態様として、所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、を備える状態推定システムが挙げられる。
上記状態推定システムにおいて、前記推定精度低下情報には前記第１測定値が含まれ、前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習部を備える構成としてもよい。
上記状態推定システムにおいて、複数の前記監視対象物について、前記学習済みモデルと、前記第１状態変数測定部と、前記第２状態変数推定部と、前記推定精度低下情報出力部と、を個別に備え、前記追加学習部は、いずれかの前記推定精度低下情報出力部から出力された前記推定精度低下情報に含まれる前記第１測定値に基づいて、いずれかの前記学習済みモデルの追加学習を行ったときに、他の前記学習済みモデルについても前記追加学習の内容を反映させる構成としてもよい。
上記状態推定システムにおいて、前記推定値急変判定条件として、前記第２状態変数推定処理により、前記第１測定値の入力に対して取得された前記第１推定値が、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングで、前記第２状態変数推定処理により、前記第１状態変数測定部により測定された前記第１状態変数の第２測定値の入力に対して取得された前記第２状態変数の第２推定値から、所定値以上変化することが設定されている構成としてもよい。
上記状態推定システムにおいて、前記監視対象物は、移動体に搭載され、前記推定精度低下情報出力部から前記推定精度低下情報が出力されたときに、前記第２状態変数の前記第１推定値に基づく、前記移動体における所定処理の実行を禁止する推定精度低下対応部を備える構成としてもよい。
上記状態推定システムにおいて、前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングにおいて、前記第２状態変数推定処理により取得された前記第２状態変数の推定値に基づいて、前記表示部により前記監視対象物の状態を表示する構成としてもよい。
上記状態推定システムにおいて、前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、予め設定された前記第２状態変数の所定範囲の上限値又は下限値に基づいて、前記表示部により前記監視対象物の状態を表示する構成としてもよい。
上記状態推定システムにおいて、前記所定種類の対象物はバッテリであり、前記第１状態変数には、前記バッテリの電圧、電流、及び温度のうちの少なくともいずれか一つが含まれ、前記第２状態変数は前記バッテリのＳＯＣ（State Of Charge）である構成としてもよい。
上記状態推定システムにおいて、前記推定精度低下情報出力部は、前記推定精度低下情報を含む特定情報フレームを出力する際に、前記特定情報フレームに、前記状態推定システムで扱われる他の情報フレームに対する優先順位を付加する構成としてもよい。
上記目的を達成するための第２態様として、上記状態推定システムにおいて、前記推定精度低下情報出力部により出力される前記特定情報フレームを伝達する中継装置であって、前記特定情報フレームを、前記特定情報フレームに付加された優先順位に基づいて伝達する中継装置が挙げられる。
上記目的を達成するための第３態様として、所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルが実装された、コンピュータにより実行される状態推定方法であって、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定ステップと、前記第１状態変数測定ステップにより測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定ステップと、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力ステップと、を含む状態推定方法が挙げられる。
上記目的を達成するための第４態様として、上記状態推定方法を実行するコンピュータに実装される前記学習済みモデルに対して、前記所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした追加的機械学習により、新たな前記学習済みモデルを生成する、コンピュータにより実行される学習済みモデル生成方法であって、前記推定精度低下情報には前記第１測定値が含まれ、前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習ステップを含む学習済みモデル生成方法が挙げられる。
上記目的を達成するための第５態様として、コンピュータを、所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、して機能させるための状態推定プログラムが挙げられる。
上記状態推定システムによれば、学習済みモデルから出力される監視対象物の第２状態変数の推定値が急変したこと、又は第１状態変数の測定値が入力想定範囲から外れたことにより、第２状態変数の推定値の精度が低下するおそれがある場合に、推定精度低下情報が出力される。推定精度低下情報の出力に応じて、推定値の精度の低下に対処することにより、学習済みモデルから精度が低下した推定値が出力されて、精度が低下した推定値に基づく処理が実行されることを防止することができる。
図１は、状態推定システムの構成図である。 図２は、学習済みモデルの追加学習の説明図である。 図３は、バッテリの状態推定処理の第１のフローチャートである。 図４は、バッテリの状態推定処理の第２のフローチャートである。
［１．状態推定システムの構成］
図１を参照して、本実施形態の状態推定システム１の構成について説明する。状態推定システム１は、複数の車両１０ａ～１０ｄ（詳細には、車両１０ａ～１０ｄに搭載された車両コントローラ２０）と、管理サーバー１００とを備えて構成されている。車両１０ａ～１０ｄと管理サーバー１００とは、通信ネットワーク２００を介して相互に通信を行う。なお、状態推定システム１を構成する車両（移動体に相当する）は、１台であっても２台以上であってもよい。
管理サーバー１００は、図示しないプロセッサ、メモリ、通信装置等を備えたコンピュータシステムである。管理サーバー１００は、メモリに保存された車両管理用プログラムをプロセッサにより実行することによって構成される機械学習部１１０、及び追加学習部１１１を備える。
車両１０ａ～１０ｄは同じ車種であって、同様の構成を個別に備えているため、以下では車両１０ａについて説明する。車両１０ａは、バッテリ５４と電動機５２とを備えて、バッテリ５４から供給される電力により電動機５２を作動させて走行する電動車両（電気自動車、ハイブリッド自動車等）である。バッテリ５４は、監視対象物に相当する。
車両１０ａは、車両コントローラ２０、通信ユニット５０、表示部５１、及びバッテリセンサ５３を備えている。通信ユニット５０は、モデム（Ｍｏｄｅｍ、Ｍｏｄｕｌａｔｏｒ Ｄｅｍｏｄｕｌａｔｏｒ）等の通信用プロセッサを備えている。通信ユニット５０は、本発明の中継装置に相当し、車両コントローラ２０と管理サーバー１００間の通信を中継する。表示部５１は、車両コントローラ２０からの制御信号に応じて種々の情報を表示する。バッテリセンサ５３は、バッテリ５４の電圧、電流（入出力電流）、温度等を検出して検出信号を車両コントローラ２０に出力する。
車両コントローラ２０は、通信ユニット５０、表示部５１、電動機５２、及びバッテリセンサ５３との間で、ＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）プロトコルによる通信を行う。
車両プロセッサ３０は、１又は複数のプロセッサにより構成される。車両プロセッサ３０は、メモリ４０に保存された車両１０ａの制御用プログラム４１を読み込んで実行することにより、学習済みモデル３１、第１状態変数測定部３２、第２状態変数推定部３３、推定精度低下情報出力部３４、推定精度低下対応部３５、及び車両制御部３６として機能する。車両プロセッサ３０は、本発明のコンピュータに相当する。
学習済みモデル３１が実装された車両プロセッサ３０において、第１状態変数測定部３２により実行される処理は、本発明の状態推定方法における第１状態変数測定ステップに相当する。また、第２状態変数推定部３３により実行される処理は、本発明の状態推定方法における第２状態変数推定ステップに相当し、推定精度低下情報出力部３４により実行される処理は、本発明の状態推定方法における推定精度低下情報出力ステップに相当する。
制御用プログラム４１は、管理サーバー１００から車両１０ａに送信されて、車両コントローラ２０によりメモリ４０に保存されてもよい。或いは、図示しない記録媒体に保存された制御用プログラム４１を、車両コントローラ２０が読み込んでメモリ４０に保存するようにしてもよい。制御用プログラム４１には、本発明の状態推定プログラムが含まれる。
学習済みモデル３１は、管理サーバー１００に備えられた機械学習部１１０により生成される。学習済みモデル３１は、図２に示したように、状態の推定対象であるバッテリ（本発明の所定種類の対象物に相当する）の電圧（端子間電圧）、電流（入出力電流）、温度の測定値を入力して、バッテリのＳＯＣ（States Of Charge）の推定値を出力する。バッテリの電圧、電流、温度は、本発明の第１状態変数に相当し、バッテリのＳＯＣは本発明の第２状態変数に相当する。
なお、第１状態変数として、バッテリの電圧、電流、温度の全てではなく、少なくともいずれか一つを用いてもよい。また、第１状態変数として、電圧、電流、温度に加えて他の状態変数も用いてもよく、電圧、電流、温度以外の状態変数のみを用いてもよい。また、第２状態変数として、ＳＯＣ以外の状態変数を用いてもよい。
機械学習部１１０は、評価用バッテリによる評価試験等によって得られる、バッテリの第１状態変数と第２状態変数との関係を示すサンプルデータのセットを教師データとして用いる。そして、機械学習部１１０は、教師データにより、機械学習モデル（入力データと出力データの関係を内部に持つ識別器）の機械学習を行って学習済みモデル３１を生成する。機械学習モデルとしては、ニューラルネットワーク、サポートベクターマシン等のモデルが用いられる。機械学習モデルは、例えば、ＲＮＮ（Recurrent neural network）を用いて構成され、ＲＮＮの中間層は、ＬＳＴＭ（Long short-term memory）又はＧＲＵ（Gated recurrent unit）によって構成されてもよい。
第１状態変数測定部３２は、所定の推定インターバルが経過する毎に、バッテリセンサ５３から出力される電圧、電流、温度の検出信号に基づいて、バッテリ５４の電圧、電流、温度の測定値（第１状態変数の測定値）を求める。推定インターバルが経過した時点は、本発明の推定タイミングに相当する。
第２状態変数推定部３３は、第１状態変数測定部３２により求められたバッテリ５４の電圧、電流、温度の測定値を学習済みモデル３１に入力して、学習済みモデル３１の出力をバッテリ５４のＳＯＣの推定値（第２状態変数の推定値）として取得する第２状態変数推定処理を実行する。推定精度低下情報出力部３４は、今回の推定タイミングで、第２状態変数推定部３３により、第１測定値Ｍｖ（ｔ１）の入力について推定されたＳＯＣの推定値である第１推定値ＳＯＣ（ｔ１）と、前回の（直前の）推定タイミングで、第２状態変数推定部３３により、第２測定値Ｍｖ（ｔ２）の入力について推定されたＳＯＣの推定値である第２推定値ＳＯＣ（ｔ２）との差ΔＳＯＣ（＝ＳＯＣ（ｔ１）－ＳＯＣ（ｔ２））を算出する。
そして、推定精度低下情報出力部３４は、ΔＳＯＣの大きさが所定値以上であったとき、すなわち、ＳＯＣの推定値が前回の推定タイミングから所定値以上変化したときに、推定精度低下情報を推定精度低下対応部３５及び管理サーバー１００に出力する。ＳＯＣの推定値が前回の推定タイミングから所定値以上変化することは、本発明の推定値急変判定条件に相当する。なお、推定値急変判定条件として、ＳＯＣの推定値が前回の推定タイミングから所定値以上変化すること以外の条件を設定して、条件が成立したか否かを判断するようにしてもよい。例えば、第２推定値ＳＯＣ（ｔ２）に対する第１推定値ＳＯＣ（ｔ１）の変化率が、所定の変化率閾値以上であることを、推定値急変判定条件としてもよい。
また、推定精度低下情報出力部３４は、今回の推定タイミングで第１状態変数測定部３２により求められた第１状態変数の測定値である第１測定値Ｍｖ（ｔ１）が、上述した教師データにおける第１状態変数の範囲に応じて設定された入力想定範囲から外れたときにも、推定精度低下情報を推定精度低下対応部３５及び管理サーバー１００に出力する。入力想定範囲は、例えば、教師データにおける第１状態変数の範囲よりも若干狭い範囲に設定される。
推定精度低下情報出力部３４は、推定精度低下情報を含む特定情報フレームを通信ユニット５０に送信し、推定精度低下情報は、通信ユニット５０から通信ネットワーク２００を介して管理サーバー１００に送信される。推定精度低下情報出力部３４は、推定精度低下情報を含む特定情報フレームに対して、車両１０ａ内でＣＡＮプロトコルにより送受信される他の情報フレームに対する優先順位を付加する。本実施形態では、推定精度低下情報を含む特定情報フレームに対して、最も高い優先順位を付与する。
通信ユニット５０は、推定精度低下情報出力部３４に設定された優先順位に従って、推定精度低下情報を含む特定情報フレームを、他の情報フレームよりも優先させて管理サーバー１００に送信する。推定精度低下情報を含む特定情報フレームに付加された優先順位は、通信ネットワーク２００において使用される無線基地局内の中継装置、及び管理サーバー１００で使用される中継装置においても引き継いで適用される。
すなわち、特定情報フレームの形式がＣＡＮ以外の通信プロトコルによる形式に変更されても、推定精度低下情報出力部３４により付与された優先順位の情報が引き継がれる。そして、各中継装置において、推定精度低下情報を含む特定情報フレームは、他の情報フレームよりも優先して伝達される。これにより、推定精度が低下したことを速やかに管理サーバー１００に伝達して、推定精度の低下に対する迅速な対応を可能にしている。ここで、情報フレームへの優先順位の付与は、例えば、情報フレームの先頭に付けるＩＤ番号を変えることによって行う。すなわち、例えば、「０」、「１」、「２」、「１００」等のＩＤについて、番号が「０」近いほど優先順位が高いものとして扱う。
ここで、推定精度低下対応部３５に対する推定精度低下情報の出力は、車両プロセッサ３０内でのデータ処理となり、管理サーバー１００に対する推定精度低下情報の出力は、通信ユニット５０を使用した通信ネットワーク２００を介した管理サーバーへの推定精度低下情報の送信となる。
管理サーバー１００に対して送信される推定精度低下情報には、ＳＯＣ（ｔ１）が推定された際に学習済みモデル３１に入力された電圧、電流、及び温度の測定値である第１測定値Ｍｖ（ｔ１）が含まれる。ここで、第２状態変数推定部３３により取得された今回の推定タイミングでのＳＯＣの推定値ＳＯＣ（ｔ１）が、前回の推定タイミングでの推定値ＳＯＣ（ｔ２）から所定値以上変化した場合、学習済みモデル３１に入力された第１測定値Ｍｖ（ｔ１）が、学習済みモデル３１の機械学習に用いられた教師データがカバーする入力の範囲を超えた等の要因により、学習済みモデル３１から出力されたＳＯＣの推定値の推定精度が低下しているおそれがある。
そこで、車両１０ａから送信された推定精度低下情報を受信した管理サーバー１００は、追加学習部１１１により、学習済みモデル３１の追加学習を行う。追加学習部１１１は、図２に示したように、推定精度低下情報出力部３４から送信された推定精度低下情報に含まれる第１測定値Ｍｖ（ｔ１）を用いて、学習済みモデル３１の追加学習を行う。
具体的には、追加学習部１１１は、第１測定値Ｍｖ（ｔ１）に対応する評価用バッテリのＳＯＣを評価試験データから抽出することにより、或いは、コンピュータシミュレーションにより、第１測定値Ｍｖ（ｔ１）に対する評価バッテリのＳＯＣのシミュレーション値を算出することにより、第１測定値Ｍｖ（ｔ１）に対応するＳＯＣを取得する。そして、追加学習部１１１は、第１測定値Ｍｖ（ｔ１）と取得したＳＯＣとを対応付けた教師データを用いて、学習済みモデル３１の追加学習を行う。
なお、第１状態変数測定部３２により求められた第１測定値Ｍｖ（ｔ１）が精度良く測定されていることが確認できている場合には、取得した第１測定値Ｍｖ（ｔ１）が含まれる推定精度低下情報そのものを用いて追加学習を行ってもよい。
追加学習部１１１は、追加学習を行った学習済みモデル３１の更新データを、車両１０ａ、及び他の車両１０ｂ～１０ｄに送信し、更新データを受信した各車両１０ａ～１０ｄにおいて、学習済みモデル３１の更新処理が実行される。このように、追加学習部１１１は、車両１０ａ～１０ｄのうちのいずれかから送信された推定精度低下情報を受信したときに、学習済みモデル３１の追加学習を行い、学習済みモデル３１の更新データを各車両１０ａ～１０ｄに送信する。これにより、各車両１０ａ～１０ｄの学習済みモデル３１の追加学習が実施される。
追加学習部１１１が、学習済みモデル３１の追加学習を行って新たな学習済みモデルを生成する処理は、本発明の学習済みモデル生成方法による処理に相当する。また、追加学習部１１１が、第１測定値Ｍｖ（ｔ１）に基づいて、学習済みモデル３１の追加学習を行う処理は、本発明の学習済みモデル生成方法における追加学習ステップに相当する。
車両制御部３６は、電動機５２の作動を制御して、車両１０ａの走行制御を行う。また、車両制御部３６は、第２状態変数推定部３３による取得されたバッテリ５４のＳＯＣの推定値に基づいて、バッテリ５４の状態（充電率、走行可能距離等）を表示部５１に表示する。車両１０ａの走行制御、及びバッテリ５４の状態の表示部５１への表示は、本発明の所定処理に相当する。推定精度低下対応部３５は、推定精度低下情報出力部３４から推定精度低下情報が出力された場合に、車両制御部３６による、今回の推定タイミングによるバッテリ５４の第１推定値ＳＯＣ（ｔ１）に基づく制御を禁止する。
例えば、推定精度低下対応部３５は、推定精度低下情報が出力された場合に、バッテリ５４の第１推定値ＳＯＣ（ｔ１）に基づく電動機５２の制御を禁止する。また、推定精度低下対応部３５は、推定精度低下情報が出力された場合に、バッテリ５４の第１推定値ＳＯＣ（ｔ１）に基づく、バッテリ５４の状態の表示器５１による表示を禁止する。
［２．バッテリの状態推定処理］
図３～図４に示したフローチャートに従って、車両プロセッサ３０により実行されるバッテリ５４の状態推定処理について説明する。車両プロセッサ３０は、図３のフローチャートによる処理を、推定インターバルが経過する毎に実行する。
図３のステップＳ１で、第１状態変数測定部３２は、バッテリセンサ５３の検出信号に基づいて、今回の推定タイミングでのバッテリ５４の電圧、電流、温度の測定値（第１状態変数の測定値）である第１測定値Ｍｖ（ｔ１）を求める。次のステップＳ２で、推定精度低下情報出力部３４は、第１測定値Ｍｖ（ｔ１）が、第１状態変数の想定入力範囲外であるか否かを判断する。そして、推定精度低下情報出力部３４は、第１測定値Ｍｖ（ｔ１）が想定入力範囲外であるときは図４のステップＳ１０に処理を進め、第１測定値Ｍｖ（ｔ１）が想定入力範囲内であるときにはステップＳ３に処理を進める。
ステップＳ３で、第２状態変数推定部３３は、第１測定値Ｍｖ（ｔ１）を学習済みモデル３１に入力し、学習済みモデル３１から出力されるバッテリ５４のＳＯＣの推定値を取得してメモリ４０に保存する。第２状態変数推定部３３は、ステップＳ３で取得されたＳＯＣの推定値を、今回の推定インターバルでの推定値である第１推定値ＳＯＣ（ｔ１）とする。
続くステップＳ４で、推定精度低下情報出力部３４は、第１推定値ＳＯＣ（ｔ１）と、メモリ４０に保存された前回の推定インターバルで取得されたＳＯＣの推定値である第２推定値ＳＯＣ（ｔ２）との差ΔＳＯＣ（＝ＳＯＣ（ｔ１）－ＳＯＣ（ｔ２））を算出する。
次のステップＳ５で、推定精度低下情報出力部３４は、ΔＳＯＣの大きさが判定閾値以上であるか否かを判断する。そして、推定精度低下情報出力部３４は、ΔＳＯＣが判定閾値以上であるときは図４のステップＳ１０に処理を進め、ΔＳＯＣが判定閾値未満であるときにはステップＳ６に処理を進める。ステップＳ６で、車両制御部３６は、第１推定値ＳＯＣ（ｔ１）に基づいて、バッテリ５４の状態を表示部５１に表示する。続くステップＳ７で、車両制御部３６は、推定インターバルが経過した時に、ステップＳ１に処理を進める。
図４のステップＳ１０～Ｓ１３は、第１測定値Ｍｖ（ｔ１）が想定入力範囲外、又はΔＳＯＣの大きさが判定閾値以上であって、学習済みモデル３１から出力された第１推定値ＳＯＣ（ｔ１）の推定精度が低いと想定される場合の対応処理である。
ステップＳ１０で、推定精度低下対応部３５は、第１推定値ＳＯＣ（ｔ１）に基づくバッテリ５４の状態の表示部５１への表示を禁止し、第２推定値ＳＯＣ（ｔ２）に基づいて、バッテリ５４の状態を表示部５１に表示する。また、推定精度低下対応部３５は、第１推定値ＳＯＣ（ｔ１）に基づく電動機５２の制御を禁止する。続くステップＳ１１で、推定精度低下情報出力部３４は、推定精度低下情報を、推定精度低下対応部３５に出力すると共に、管理サーバー１００に送信する。
管理サーバー１００において、追加学習部１１１は、ステップＳ２０で、車両１０ａ～１０ｄのいずれかから推定精度低下情報を受信したときに、ステップＳ２１に処理を進めて、上述したように、学習済みモデル３１の追加学習を行う。続くステップＳ２２で、追加学習部１１１は、各車両１０ａ～１０ｄに対して、追加学習を行った学習済みモデル３１の更新データを送信する。
車両１０ａにおいて、推定精度低下対応部３５は、ステップＳ１２で、管理サーバー１００から学習済みモデル３１の更新データを受信したときに、ステップＳ１３に処理を進める。ステップＳ１３で、推定精度低下対応部３５は、更新データによって学習済みモデル３１をバージョンアップし、これにより追加学習の内容を学習済みモデル３１に反映させて、学習済みモデル３１の追加学習を完了する。この追加学習により、学習済みモデル３１から出力されたＳＯＣの推定値の精度が低下したと想定される測定値に対する学習済みモデル３１の推定処理が修正される。そして、学習済みモデル３１への以後の第１測定値Ｍｖ（ｔ１）及びＭＶ（ｔ１）付近の測定値の入力に対して、学習済みモデル３１から出力されるＳＯＣの推定値の精度が低下することを防止することができる。
他の車両１０ｂ～１０ｄにおいても、管理サーバー１００から送信された更新データによって、学習済みモデル３１が追加学習される。このように、いずれかの車両で生じたＳＯＣの推定値の精度の低下に対応した学習済みモデル３１の追加学習が、他の車両に対しても反映される。そのため、各車両１０ａ～１０ｄにおいてＳＯＣの推定値の精度が低下することを、複数知により速やか且つ効率よく防止することができる。
［３．他の実施形態］
上記実施形態では、車両１０ａ～１０ｄと管理サーバー１００とを備える状態推定システム１について説明したが、管理サーバー１００に備えられた追加学習部１１１を、車両１０ａの制御用プログラム４１に組み込んで、車両プロセッサ３０が追加学習部１１１として機能する構成としてもよい。この場合は、車両１０ａのみによって状態推定システムが構成される。他の車両１０ｂ～１０ｄについても同様である。
また、学習済みモデル３１、第１状態変数測定部３２、第２状態変数推定部３３，推定精度低下情報出力部３４、及び推定精度低下対応部３５のいずれか又は全てを管理サーバー１００に備えてもよい。この場合は、管理サーバー１００から車両１０ａ～１０ｄに送信される制御情報によって、車両１０ａ～１０ｄにおけるバッテリ５４のＳＯＣの推定値に基づく制御が実行される。
上記実施形態では、推定精度低下対応部３５は、学習済みモデル３１から出力されるバッテリ５４のＳＯＣの推定値の精度低下に対応する処理として、ＳＯＣの推定値に基づく、バッテリ５４の状態の表示器５１への表示を禁止する処理、及び電動機５２の制御を禁止する処理を行ったが、いずれか一方の処理のみを行うようにしてもよい。或いは、推定精度低下対応部３５が、これらの処理以外の対応処理を実行するようにしてもよい。
上記実施形態では、移動体として車両１０ａ～１０ｄを示したが、本発明の適用が可能な移動体は車両に限られず、飛行体、船舶等の移動体に対しても本発明の適用は可能である。また、学習済みモデル３１により状態を推定する対象としてバッテリ５４を示したが、電動機５２、内燃機関、発電機等の状態を推定する学習済みモデルであってもよい。
また、移動体ではなく、固定施設に備えられたバッテリや発電機、或いは通信端末に備えられたバッテリやモバイルバッテリのように可搬型の機器に備えられた対象物の状態を推定する場合にも、本発明の適用が可能である。
上記実施形態では、図４のステップＳ１０において、推定精度低下対応部３５は、前回の推定インターバルでの第２推定値ＳＯＣ（ｔ２）に基づいて、バッテリ５４の状態を表示部５１に表示した。他の実施形態として、推定精度低下対応部３５が、予め設定されたＳＯＣの推定値の所定範囲の上限値又は下限値に基づいて、バッテリ５４の状態を表示部５１に表示するようにしてもよい。
なお、図１は、本願発明の理解を容易にするために、状態推定システム１の構成を、主な処理内容により区分して示した概略図であり、状態推定システム１の構成を、他の区分によって構成してもよい。また、各構成要素の処理は、１つのハードウェアユニットにより実行されてもよいし、複数のハードウェアユニットにより実行されてもよい。また、図３～図４に示した各構成要素による処理は、１つのプログラムにより実行されてもよいし、複数のプログラムにより実行されてもよい。
［４．上記実施形態によりサポートされる構成］
上記実施形態は、以下の構成の具体例である。
（第１項）所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、を備える状態推定システム。
第１項の状態推定システムによれば、学習済みモデルから出力される監視対象物の第２状態変数の推定値が急変したこと、又は第１状態変数の測定値が入力想定範囲から外れたことにより、第２状態変数の推定値の精度が低下するおそれがある場合に、推定精度低下情報が出力される。推定精度低下情報の出力に応じて、推定値の精度の低下に対処することにより、学習済みモデルから精度が低下した推定値が出力されて、精度が低下した推定値に基づく処理が実行されることを防止することができる。
（第２項）前記推定精度低下情報には前記第１測定値が含まれ、前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習部を備える第１項に記載の状態推定システム。
第２項の状態推定システムによれば、第２状態変数の推定精度が低下するおそれがある第１状態変数の測定値について、学習済みモデルの追加学習を行うことにより、学習済みモデルから出力される第２状態変数の推定精度が低下することを防止することができる。
（第３項）複数の前記監視対象物について、前記学習済みモデルと、前記第１状態変数測定部と、前記第２状態変数推定部と、前記推定精度低下情報出力部と、を個別に備え、前記追加学習部は、いずれかの前記推定精度低下情報出力部から出力された前記推定精度低下情報に含まれる前記第１測定値に基づいて、いずれかの前記学習済みモデルの追加学習を行ったときに、他の前記学習済みモデルについても前記追加学習の内容を反映させる第２項に記載の状態推定システム。
第３項の状態推定システムによれば、複数の監視対象物のうちのいずれかについて行われた学習済みモデルの追加学習の内容を、他の監視対象物に反映させることにより、各監視対象物において、第２状態変数の推定精度が低下することを速やか且つ効率よく防止することができる。
（第４項）前記推定値急変判定条件として、前記第２状態変数推定処理により、前記第１測定値の入力に対して取得された前記第１推定値が、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングで、前記第２状態変数推定処理により、前記第１状態変数測定部により測定された前記第１状態変数の第２測定値の入力に対して取得された前記第２状態変数の第２推定値から、所定値以上変化することが設定されている第１項から第３項のうちいずれか１項に記載の状態推定システム。
第４の状態推定システムによれば、学習済みモデルから出力される第２状態変数の推定値が急変した場合に、推定値の精度が低下したと判断して、推定精度低下情報を出力することができる。
（第５項）前記監視対象物は、移動体に搭載され、前記推定精度低下情報出力部から前記推定精度低下情報が出力されたときに、前記第２状態変数の前記第１推定値に基づく、前記移動体における所定処理の実行を禁止する推定精度低下対応部を備える第１項から第４項のうちいずれか１項に記載の状態推定システム。
第５項の状態推定システムによれば、推定精度が低下したおそれがある第２状態変数の第１推定値に基づいて、移動体における所定処理が実行されることを回避することができる。
（第６項）前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングにおいて、前記第２状態変数推定処理により取得された前記第２状態変数の推定値に基づいて、前記表示部により前記監視対象物の状態を表示する第５項に記載の状態推定システム。
第６項の状態推定システムによれば、推定精度が低下したおそれがある第２状態変数の第１推定値に基づく、監視対象物の状態についての不適切な表示に代えて、直前に取得された第２推定値に基づく適切な表示を行うことができる。
（第７項）前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、予め設定された前記第２状態変数の所定範囲の上限値又は下限値に基づいて、前記表示部により前記監視対象物の状態を表示する第５項に記載の状態推定システム。
第７項の状態推定システムによれば、推定精度が低下したおそれがある第２状態変数の第１推定値に基づく、監視対象物の状態についての不適切な表示に代えて、第２状態変数の所定範囲の上限値又は下限値に基づく適切な表示を行うことができる。
（第８項）前記所定種類の対象物はバッテリであり、前記第１状態変数には、前記バッテリの電圧、電流、及び温度のうちの少なくともいずれか一つが含まれ、前記第２状態変数は前記バッテリのＳＯＣ（State Of Charge）である第１項から第７項のうちいずれか１項に記載の状態推定システム。
第８項の状態推定システムによれば、学習済みモデルから出力されるバッテリのＳＯＣの推定値の精度が低下したおそれがある場合に、推定精度低下情報を出力して、推定精度が低下したＳＯＣの推定値に基づく処理が実行されることを防止することができる。
（第９項）前記推定精度低下情報出力部は、前記推定精度低下情報を含む特定情報フレームを出力する際に、前記特定情報フレームに、前記状態推定システムで扱われる他の情報フレームに対する優先順位を付加する第１項に記載の状態推定システム。
第９項の状態推定システムによれば、推定精度低下情報出力部により推定精度低下情報に優先順位を付与することにより、推定精度低下情報を含む特定情報フレームを他の情報フレームよりも優先的に扱うことを可能として、推定精度の低下に対する迅速な処理を行うことができる。
（第１０項）第９項に記載の状態推定システムにおいて、前記推定精度低下情報出力部により出力される前記特定情報フレームを伝達する中継装置であって、前記特定情報フレームを、前記特定情報フレームに付加された前記優先順位に基づいて伝達する中継装置。
第１０項の中継装置によれば、推定精度低下情報出力部により推定精度低下情報が出力されたときに、推定精度低下情報に付与された優先順位に基づいて、推定精度情報を含む特定情報フレームを他の情報フレームよりも優先して中継することによって、推定精度の低下に対する迅速な処理を行うことができる。
（第１１項）所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルが実装された、コンピュータにより実行される状態推定方法であって、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定ステップと、前記第１状態変数測定ステップにより測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定ステップと、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力ステップと、を含む状態推定方法。
第１１項の状態推定方法をコンピュータにより実行することによって、上記第１項の状態推定システムと同様の作用効果を得ることができる。
（第１２項）第１１項に記載の状態推定方法を実行するコンピュータに実装される前記学習済みモデルに対して、前記所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした追加的機械学習により、新たな前記学習済みモデルを生成する、コンピュータにより実行される学習済みモデル生成方法であって、前記推定精度低下情報には前記第１測定値が含まれ、前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習ステップを含む学習済みモデル生成方法。
第１２項の学習モデル生成方法によれば、第２状態変数の推定精度が低下するおそれがある第１状態変数の測定値について、学習済みモデルの追加学習を行うことにより、学習済みモデルから出力される第２状態変数の推定精度が低下することを防止することができる。
（第１３項）コンピュータを、所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、して機能させるための状態推定プログラム。
第１０項の状態推定プログラムをコンピュータが実行することにより、上記第１項の状態推定システムの構成を実現することができる。
１…状態推定システム、１０ａ～１０ｄ…車両、２０…車両コントローラ、３０…車両プロセッサ、３１…学習済みモデル、３２…第１状態変数測定部、３３…第２状態変数推定部、３４…推定精度低下情報出力部、３５…推定異常対応部、４０…メモリ、４１…制御用プログラム、５０…通信ユニット（中継装置）、５１…表示器、５２…電動機、５３…バッテリセンサ、５４…バッテリ、１００…管理サーバー、１１０…機械学習部、１１１…追加学習部、２００…通信ネットワーク。

Claims (13)

  1. 所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、
    前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、
    前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、
    前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、
    を備える状態推定システム。
  2. 前記推定精度低下情報には前記第１測定値が含まれ、
    前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習部を備える
    請求項１に記載の状態推定システム。
  3. 複数の前記監視対象物について、前記学習済みモデルと、前記第１状態変数測定部と、前記第２状態変数推定部と、前記推定精度低下情報出力部と、を個別に備え、
    前記追加学習部は、いずれかの前記推定精度低下情報出力部から出力された前記推定精度低下情報に含まれる前記第１測定値に基づいて、いずれかの前記学習済みモデルの追加学習を行ったときに、他の前記学習済みモデルについても前記追加学習の内容を反映させる
    請求項２に記載の状態推定システム。
  4. 前記推定値急変判定条件として、前記第２状態変数推定処理により、前記第１測定値の入力に対して取得された前記第１推定値が、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングで、前記第２状態変数推定処理により、前記第１状態変数測定部により測定された前記第１状態変数の第２測定値の入力に対して取得された前記第２状態変数の第２推定値から、所定値以上変化することが設定されている
    請求項１から請求項３のうちいずれか１項に記載の状態推定システム。
  5. 前記監視対象物は、移動体に搭載され、
    前記推定精度低下情報出力部から前記推定精度低下情報が出力されたときに、前記第２状態変数の前記第１推定値に基づく、前記移動体における所定処理の実行を禁止する推定精度低下対応部を備える
    請求項１から請求項４のうちいずれか１項に記載の状態推定システム。
  6. 前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、
    前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、前記第１測定値が入力された前記推定タイミングの直前の前記推定タイミングにおいて、前記第２状態変数推定処理により取得された前記第２状態変数の推定値に基づいて、前記表示部により前記監視対象物の状態を表示する
    請求項５に記載の状態推定システム。
  7. 前記所定処理は、前記第２状態変数の推定値に基づく、前記移動体に備えられた表示部による前記監視対象物の状態の表示であり、
    前記推定精度低下対応部は、前記第２状態変数の前記第１推定値に基づく、前記表示部による前記監視対象物の状態の表示を禁止したときに、予め設定された前記第２状態変数の所定範囲の上限値又は下限値に基づいて、前記表示部により前記監視対象物の状態を表示する
    請求項５に記載の状態推定システム。
  8. 前記所定種類の対象物はバッテリであり、
    前記第１状態変数には、前記バッテリの電圧、電流、及び温度のうちの少なくともいずれか一つが含まれ、
    前記第２状態変数は前記バッテリのＳＯＣ（State Of Charge）である
    請求項１から請求項７のうちいずれか１項に記載の状態推定システム。
  9. 前記推定精度低下情報出力部は、前記推定精度低下情報を含む特定情報フレームを出力する際に、前記特定情報フレームに、前記状態推定システムで扱われる他の情報フレームに対する優先順位を付加する
    請求項１に記載の状態推定システム。
  10. 請求項９に記載の状態推定システムにおいて、前記推定精度低下情報出力部により出力される前記特定情報フレームを伝達する中継装置であって、
    前記特定情報フレームを、前記特定情報フレームに付加された前記優先順位に基づいて伝達する中継装置。
  11. 所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルが実装された、コンピュータにより実行される状態推定方法であって、
    前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定ステップと、
    前記第１状態変数測定ステップにより測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定ステップと、
    前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力ステップと、
    を含む状態推定方法。
  12. 請求項１１に記載の状態推定方法を実行するコンピュータに実装される前記学習済みモデルに対して、前記所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした追加的機械学習により、新たな前記学習済みモデルを生成する、コンピュータにより実行される学習済みモデル生成方法であって、
    前記推定精度低下情報には前記第１測定値が含まれ、
    前記第１測定値に基づいて、前記学習済みモデルの追加学習を行う追加学習ステップを含む学習済みモデル生成方法。
  13. コンピュータを、
    所定種類の対象物について、前記対象物の第１状態変数及び第２状態変数のサンプルデータを教師データとした機械学習により、前記第１状態変数の測定値を入力して、前記第２状態変数の推定値を出力するように生成された学習済みモデルと、
    前記所定種類の対象物である監視対象物の前記第１状態変数を測定する第１状態変数測定部と、
    前記第１状態変数測定部により測定された前記第１状態変数の測定値を前記学習済みモデルに入力して、前記学習済みモデルの出力を前記監視対象物の前記第２状態変数の推定値として取得する第２状態変数推定処理を、所定の推定タイミングにより繰り返し実行する第２状態変数推定部と、
    前記第２状態変数推定処理により、前記第１状態変数の第１測定値の入力に応じて取得された前記第２状態変数の第１推定値について、所定の推定値急変判定条件が成立する場合、又は前記第１測定値が前記教師データに応じた入力想定範囲から外れた場合に、推定精度低下情報を出力する推定精度低下情報出力部と、
    して機能させるための状態推定プログラム。
JP2020183024A 2020-10-30 2020-10-30 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム Pending JP2022073195A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020183024A JP2022073195A (ja) 2020-10-30 2020-10-30 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム
CN202111214158.5A CN114444371A (zh) 2020-10-30 2021-10-19 状态估计系统和方法、中继装置、学习完毕模型生成方法
US17/506,341 US20220134904A1 (en) 2020-10-30 2021-10-20 State estimation system, relay device, state estimation method, learned model generation method, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020183024A JP2022073195A (ja) 2020-10-30 2020-10-30 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム

Publications (1)

Publication Number Publication Date
JP2022073195A true JP2022073195A (ja) 2022-05-17

Family

ID=81362434

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020183024A Pending JP2022073195A (ja) 2020-10-30 2020-10-30 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム

Country Status (3)

Country Link
US (1) US20220134904A1 (ja)
JP (1) JP2022073195A (ja)
CN (1) CN114444371A (ja)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7200762B2 (ja) * 2019-03-12 2023-01-10 トヨタ自動車株式会社 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
KR20210041724A (ko) * 2019-10-08 2021-04-16 엘지전자 주식회사 전기차 충전기의 고장 예측 장치 및 방법
US11814030B2 (en) * 2020-07-22 2023-11-14 Ford Global Technologies, Llc Electrified vehicle control using battery state of charge and power capability strategy

Also Published As

Publication number Publication date
US20220134904A1 (en) 2022-05-05
CN114444371A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
US10197631B2 (en) Systems and methods for determining vehicle battery health
US11644515B2 (en) Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store
JP2013019730A (ja) バッテリの状態予測システム、方法及びプログラム
KR20210018533A (ko) 기계 모니터링
US10393814B2 (en) Secondary battery state detection device and secondary battery state detection method
JP2018013446A (ja) 情報推定システム、情報推定方法及びプログラム
JP7082603B2 (ja) 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム
CN116108717B (zh) 一种基于数字孪生的交通运输设备运行预测方法及装置
JP2001201553A (ja) 汎用位置決めシステム、およびハイブリッド位置決め機能をもった多重モデルナビゲーションフィルタ
CN112744120A (zh) 估算电动车辆续驶里程的方法、云端服务器、车辆和介质
CN110789396A (zh) 电池组荷电状态数据检测方法、装置、介质、终端及汽车
US20150278933A1 (en) Providing and using vehicle location information during auctions
JP2022073195A (ja) 状態推定システム、中継装置、状態推定方法、学習済みモデル生成方法、及び状態推定プログラム
US20190033820A1 (en) Numerical controller
CN114325397A (zh) 用于训练基于人工智能的状态模型的方法和装置
JP2021125392A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
WO2019180947A1 (ja) 情報生成装置およびその制御方法
KR20210138498A (ko) 테스트 벤치를 작동하기 위한 장치 및 방법
CN115034038A (zh) 联邦学习完好性预测方法及系统
JP2022157734A (ja) 劣化状態推定システム、劣化状態推定方法、及びプログラム
US20220308532A1 (en) State estimation system and storage medium
WO2023157278A1 (ja) バッテリ状態推定装置、バッテリ状態推定システム、バッテリ状態推定方法、及び記録媒体
US20240078437A1 (en) Method for training a generative adversarial network
US11551485B2 (en) Information output device and information output method
JP7452654B2 (ja) 情報処理装置、制御方法及びプログラム