JP7083259B2

JP7083259B2 - モデルに基づくタイヤ摩耗推定システムおよび方法

Info

Publication number: JP7083259B2
Application number: JP2018056893A
Authority: JP
Inventors: バラシンカンヴァル
Original assignee: Goodyear Tire and Rubber Co
Current assignee: Goodyear Tire and Rubber Co
Priority date: 2017-03-23
Filing date: 2018-03-23
Publication date: 2022-06-10
Anticipated expiration: 2038-03-23
Also published as: JP2018158722A; US20230294459A1; US20180272813A1; EP3378679A1; DE202018006904U1; EP3378679B1

Description

本発明は概して、タイヤ監視システムに関する。より詳細には、本発明はタイヤパラメータデータを収集するシステムに関する。本発明は、複数の予測変数に基づいてタイヤ摩耗を推定し、正確かつ信頼できる推定値を提供するシステムおよび方法を対象とする。

タイヤ摩耗は、安全性と信頼性と性能などの乗物因子（vehicle factor）において重要な役割を果たす。トレッド摩耗は、タイヤのトレッドからの材料の損失を指し、そのような乗物因子に直接影響を与える。したがって、タイヤが受けるトレッド摩耗の量の監視と測定の少なくとも一方を行うことが望ましい。

トレッド摩耗の監視と測定の少なくとも一方を行う１つの手法は、タイヤトレッド内に配置された摩耗センサを使用することであり、直接的方法または直接的手法と呼ばれている。タイヤ搭載型センサからタイヤ摩耗を測定する直接的手法は複数の問題を有する。センサを未硬化のタイヤすなわち「グリーン」タイヤ内に配置し、次いでタイヤを高温で硬化すると、摩耗センサが損傷する場合がある。さらに、センサの耐久性には、タイヤの数百万サイクルの必要条件を満たすうえで問題があることが明らかになることがある。さらに、直接的測定手法における摩耗センサは、タイヤが高速で回転する際に均一性の問題が生じないほど小形でなければならない。最後に、摩耗センサは、コストがかかり、タイヤのコストを大幅に増大させる場合がある。

そのような問題に起因して、タイヤの寿命の全期間にわたるトレッド摩耗の予測を伴う代替手法が開発された。これらの代替手法は、従来技術では最適な予測技術がなく、それによってトレッド摩耗の予測の精度と信頼性の少なくとも一方が低下することに起因していくつかの欠点を有している。

したがって、当技術分野では、タイヤ摩耗を正確かつ信頼性高く推定するシステムおよび方法が必要である。

米国特許出願公開２０１７－１１３４９４Ａ１号

本発明の例示的な実施形態の一態様によれば、タイヤ摩耗推定システムが提供される。このシステムは、乗物を支持する少なくとも１つのタイヤを含む。少なくとも１つのセンサが、第１の予測変数を生成するためにタイヤに取り付けられている。ルックアップテーブルまたはデータベースが、第２の予測変数に関するデータを記憶する。予測変数のうちの１つが、少なくとも１つの乗物影響（vehicle effect）を含む。モデルが、予測変数を受け取り、少なくとも１つのタイヤに関する推定摩耗率を生成する。

本発明の例示的な実施形態の別の態様によれば、乗物を支持するタイヤの摩耗を推定する方法が提供される。この方法は、タイヤに取り付けられる少なくとも１つのセンサを設けることを含む。第１の予測変数が、少なくとも１つのセンサからを生成される。ルックアップテーブルとデータベースとの少なくとも一方が、データを記憶するために設けられる。第２の予測変数がルックアップテーブルまたはデータベースから生成される。予測変数のうちの１つが、少なくとも１つの乗物影響を含む。予測変数がモデルに入力され、タイヤに関する推定摩耗率が、モデルを用いて生成される。推定摩耗率が乗物操作システムに伝達される。

乗物とセンサが搭載されたタイヤとの斜視図である。トレッド摩耗に対するホイール位置の影響を示すグラフである。乗物のドライブトレーンおよびホイール位置の概略図である。様々なドライブトレーンタイプに関するホイール位置とトレッド摩耗との関係を示す箱ひげ図である。様々な過酷度レベルの走行経路に関するトレッド摩耗の比較を示す箱ひげ図である。トレッド摩耗とタイヤ力の過酷度との関係を示すグラフである。トレッド摩耗とタイヤ寸法との相関関係を示すグラフである。トレッド摩耗と天候影響との関係を示す箱ひげ図である。トレッド摩耗とトレッドコンパウンド特性との関係を示す箱ひげ図である。本発明のタイヤ摩耗推定システムおよび方法の例示的な第１の実施形態において使用される予測変数の概略図である。本発明のタイヤ摩耗推定システムおよび方法の例示的な実施形態の精度を示すグラフである。本発明のタイヤ摩耗推定システムおよび方法の例示的な第２の実施形態の概略図である。本発明のタイヤ摩耗推定システムおよび方法の例示的な第２の実施形態におけるデータの積分の概略図である。本発明のタイヤ摩耗推定システムおよび方法の例示的な第１および第２の実施形態の実現状態の概略図である。

本発明について、一例として添付図面を参照しながら説明する。
図面全体にわたって同じ数字は同じ部品を指す。
まず、用語の定義について説明する。
定義
「ＡＮＮ」または「人工ニューラルネットワーク」は、学習フェーズの間にネットワークを通って流れる外部情報または内部情報に基づいて構造を変化させる非線形統計データモデル化用の適応ツールである。ＡＮＮニューラルネットワークは、入力と出力との複雑な関係をモデル化するため、またはデータ内のパターンを見い出すために用いられる非線形統計データモデル化ツールである。
タイヤの「アスペクト比」は、タイヤの断面幅（ＳＷ）に対するタイヤの断面高さ（ＳＨ）の比に１００を乗じて百分率として表したものである。
「非対称トレッド」は、タイヤの中心面または赤道面ＥＰの周りで対称ではないトレッドパターンを有するトレッドを意味する。
「軸線方向の」および「軸線方向に」は、タイヤの回転軸に平行なラインまたは方向を意味する。
「ＣＡＮバス」は、コントローラエリアネットワークの略語である。
「チェーファー」は、コードプライがリムと接して摩耗して切断されることを防止し、撓みをリムの上方に分散させるために、タイヤビードの外側の周囲に配置された細いストリップ材である。
「周方向の」は、軸線方向に垂直な環状のトレッドの表面の周囲に沿って延びるラインまたは方向を意味する。
「赤道中心面（ＣＰ）」は、タイヤの回転軸線に垂直であり、かつトレッドの中心を通過する平面を意味する。
「フットプリント」は、タイヤが回転または転がる際にタイヤトレッドと平坦な表面とによって形成される接触部分すなわち接触領域を意味する。
「車内側」は、タイヤの、タイヤがホイールに取り付けられてホイールが乗物に取り付けられたときに乗物に最も近い側を意味する。
「カルマンフィルタ」は、いくつかの仮定された条件が満たされるときに推定誤差共分散（estimated error covariance）を最小限に抑えるという意味で最適な予測－修正型の推定を実現する１組の数式である。
「横方向の」は軸線方向を意味する。
「横縁部」は、標準荷重を受けかつタイヤが膨張した状態で測定された、軸線方向において最も外側のトレッド接触部分またはフットプリントに接するラインであって、赤道中心面に平行なラインを意味する。
「ルーエンバーガー観測器」は、状態観測器または推定モデルである。「状態観測器」は、所与の実際のシステムの入力および出力の測定値から、実際のシステムの内部状態の推定を行うシステムである。状態観測器は通常、コンピュータに実装され、多くの実際的なアプリケーションの基礎を構成する。
「ＭＳＥ」は、カルマンフィルタが最小化する測定信号と推定信号との間の誤差である平均二乗誤差の略語である。
「正味接触面積」は、トレッドの全周の周りの横縁部同士の間の接地トレッド部材の全面積を、横縁部同士の間のトレッド全体の総面積で除した値を意味する。
「非方向性トレッド」は、好ましい順走行方向を有しておらず、乗物においてトレッドパターンが好ましい走行方向に揃えられることを確実にする１つまたは複数の特定のホイール位置に配置される必要がないトレッドを意味する。逆に、方向性トレッドパターンは、特定のホイール位置に配置することを必要とする好ましい走行方向を有する。
「車外側」は、タイヤの、タイヤがホイールに取り付けられてホイールが乗物に取り付けられたときに乗物から最も遠く離れた側を意味する。
「圧電膜センサ」は、膜体の形をしたデバイスであって、膜体の屈曲によって生じる圧電効果を用いて、圧力、加速度、ひずみ、または力を電荷に変換することによってそれらを測定するデバイスを意味する。
「ＰＳＤ」は、パワースペクトル密度（ＦＦＴ（高速フーリエ変換）と同義の技術的名称）である。
「半径方向の（ラジアル）」および「半径方向に」は、タイヤの回転軸線に半径方向に向かうかまたは回転軸線から半径方向に離れる方向を意味する。
「リブ」は、トレッド上の周方向に延びるゴムストリップであって、少なくとも１つの周方向溝と、同様な第２の溝または横縁部のいずれかによって区画され、全深さ溝によって横方向において分割されていないストリップを意味する。
「サイプ」は、タイヤのトレッド部材に成形される小さい長穴であって、トレッド面を細分してトラクションを向上させ、一般に、幅が狭く、タイヤのフットプリントにおいて開放されたままである溝とは対照的にタイヤのフットプリントにおいて閉じられる長穴を意味する。
「トレッド部材」または「トラクション部材」は、隣接する溝を有する形状によって区画されるリブまたはブロック部材を意味する。
「トレッドアーク幅」は、トレッドの横縁部同士の間において測定されたトレッドの弧の長さを意味する。

本発明のタイヤ摩耗推定システムの例示的な第１の実施形態が、図１～図１１において符号５０で示されている。特に図１を参照すると、システム５０は、乗物１０を支持する各タイヤ１２上のトレッド摩耗を推定する。乗物１０は乗用車として示されているが、本発明はそれに限定されない。本発明の原理は、乗物が、乗用車よりも多いタイヤまたは乗用車よりも少ないタイヤによって支持される場合がある商用トラックなど、他のカテゴリーの乗物にも適用される。

タイヤ１２は、従来同様の構成を有し、ホイール１４に取り付けられている。各タイヤは、道路との摩擦によって経時的に摩耗する周方向トレッド１６まで延びる１対のサイドウォール１８を含む。各タイヤは、タイヤ圧および温度などのいくつかのリアルタイムのタイヤパラメータを検出することを目的としてタイヤに取り付けられるセンサまたはトランスデューサー２４を備えていることが好ましい。センサ２４は、特定のタイヤ１２の各々に関するタイヤ識別情報（タイヤＩＤ）を含み、測定された各パラメータおよびタイヤＩＤデータを、分析できるように、乗物のＣＡＮバスに統合されたプロセッサなどのリモートプロセッサに送信する。センサ２４は、タイヤ圧監視（ＴＰＭＳ）モジュールまたはセンサであってもよく、市販タイプのものである。センサ２４は、接着剤などの適切な手段によってタイヤ１２のインナーライナー２２に取り付けられることが好ましい。センサ２４は、タイヤキャビティ２０内の圧力を検出する圧電センサなどの任意の公知の構成を有してもよい。

タイヤ摩耗推定システム５０およびそれに伴う方法は、直接的なセンサ測定によってタイヤ摩耗状態を測定する従来技術の方法によってもたらされる問題の解消を試みる。したがって、本システムおよび方法は、本明細書では、摩耗率を推定する「間接的」摩耗検知システムおよび方法と呼ばれる。タイヤに搭載されたセンサからタイヤ摩耗状態を測定する従来技術の直接的な手法には、前述した複数の問題がある。タイヤ摩耗推定システム５０およびそれに伴う方法は間接的な手法を用い、タイヤトレッド１６に直接取り付けられるタイヤ摩耗センサの使用に伴う問題を回避する。このシステム５０は、その代わりに、複数の入力パラメータを受け取ってタイヤ摩耗率の高精度の推定を実現するタイヤ摩耗推定モデルを利用する。

タイヤ摩耗推定システム５０の各態様は、センサ２４からのデータの入力を可能にするとともに、適切な記憶媒体内に記憶されプロセッサと電子的に通信するルックアップテーブルまたはデータベースからデータを入力するのを可能にする、乗物のＣＡＮバスを通してアクセス可能なプロセッサで実行されることが好ましい。図１０に示されているように、タイヤ摩耗推定システム５０は、タイヤ摩耗またはタイヤ摩耗率６０を推定するために入力される広範囲の予測変数５２を用いる。便宜上、本明細書では、「トレッド摩耗」という用語が「タイヤ摩耗」という用語と互換性をもって用いられることに留意すべきである。

タイヤ摩耗推定システム５０用の予測変数５２のうちの第１の予測変数は、複数の乗物影響（vehicle effects）５４を含む。より詳細には、１つの乗物影響５４は乗物１０のホイール位置５６である。乗物１０は、４つの異なるホイール位置５６、すなわち、運転者側前部すなわち左側前部、乗員側前部すなわち右側前部、運転者側後部すなわち左側後部、および乗員側後部すなわち右側後部を含む。各ホイール位置５６におけるタイヤ１２には、異なる摩耗パターンが生じ、それによって異なるトレッド摩耗が生じる。たとえば、図２に示されているように、左前部（ＬＦ）、右前部（ＲＦ）、左後部（ＬＲ）、および右後部（ＲＲ）の各ホイール位置５６は、乗物が運転される際に、トレッド深さによって示される異なるトレッド摩耗を被る。したがって、ホイール位置５６は、タイヤ摩耗推定システム５０に入力すべき予測変数５２の１つである。ホイール位置５６に対して、センサ２４によって検知することと、タイヤＩＤデータに含めることと、前述した記憶媒体に記憶することのうちの少なくとも１つが行われてもよい。

図１０を参照すると、別の乗物影響５４は乗物のドライブトレーンタイプ５８である。より詳細には、各ホイール位置５６におけるタイヤ１２のトレッド摩耗は、ドライブトレーンタイプ５８を考慮に入れるとより明らかになる。図３に示されているように、３つの異なるドライブトレーンタイプ５８、すなわち、前輪駆動５８ａ、全輪駆動５８ｂ、および後輪駆動５８ｃがある。各ドライブトレーンタイプ５８がタイヤ摩耗に影響を与える。前輪駆動５８ａでは、前部ステアリング軸が駆動され、したがって、前部の両タイヤが駆動されかつ操縦されるが、後部タイヤは駆動されず操縦もされない。全輪駆動５８ｂでは、前部軸および後部軸が駆動され、したがって、前部タイヤが駆動されかつ操縦され、一方、後部タイヤは駆動されるが操縦されない。後輪駆動５８ｃでは、後部軸が駆動され、したがって、前部タイヤが操縦されるが駆動されず、一方、後部タイヤは駆動されるが操縦されない。

図４を参照すると、箱ひげ図が、異なるドライブトレーンタイプ５８に関するホイール位置５６とトレッド摩耗との関係を示している。全輪駆動ドライブトレーンタイプ５８ｂの場合、４つのホイール位置５６のすべてにおいてタイヤ１２の摩耗率は同様である。前輪駆動ドライブトレーンタイプ５８ａの場合、各前輪タイヤのそれぞれの摩耗率は各後輪タイヤの摩耗率の約２倍である。後輪ドライブトレーンタイプ５８ｃの場合、各後輪タイヤのそれぞれの摩耗率は各前輪タイヤの摩耗率の約１．５倍である。したがって、ドライブトレーンタイプ５８は、タイヤ摩耗に対して顕著な影響を与え、タイヤ摩耗推定システム５０に入力すべき予測変数の１つである。ドライブトレーンタイプ５８に対して、センサ２４によって検知することと、タイヤＩＤデータに含めることと、前述した記憶媒体に記憶することのうちの少なくとも１つが行われてもよい。

図１０に示されているように、タイヤ摩耗推定システム５０に関する予測変数５２のうちの第２の予測変数は、経路および運転者影響（route and driver effects）６２を含む。経路および運転者影響６２はさらに、経路過酷度（route severity）６４および運転者過酷度（driver severity）６６を含む。経路過酷度６４では、乗物１０によって走行される経路における方向転換、始動、および停止の量が考慮される。他の経路よりも多くの方向転換、より多くの始動、およびより多くの停止のうちの少なくとも１つを含む経路は、より過酷であると見なされ、したがって、より高い経路過酷度６４を有する。図５は、２つの異なる過酷度レベルを有する各走行経路に関するトレッド摩耗の比較を示す箱ひげ図である。具体的には、経路ＬＧ１１は、経路ＬＧ２１よりも高い経路過酷度を有する。経路ＬＧ１１は、より高い経路過酷度６４を有し、したがってより過酷な経路であるので、タイヤ１２の摩耗が増大する。

運転者過酷度６６では、乗物１０の運転者の運転スタイルが考慮される。より強引な始動および停止などのより強引な運転は、より多くの摩擦エネルギーを発生させ、それによってタイヤ力が強くなり、トレッド摩耗が増大する。図６に示されているように、運転者過酷度６６は、タイヤ１０に対する力の過酷度（force severity）として表されてもよい。タイヤ１０に対する力の過酷度の計算は、様々な技術によって行われてもよい。例示的な１つの技術が、本発明と同じ譲受人であるザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニーが保有し、参照によって本明細書に組み込まれる特許文献１（米国特許出願１４／９１８９２８号）に記載されている。図６は、運転者過酷度６６が高いほどタイヤ摩耗が増大することを示す、トレッド摩耗とタイヤ力の過酷度との関係を示すグラフである。経路および運転者の影響６２に対して、センサ２４によって検知することと、タイヤＩＤデータに含めることと、前述した記憶媒体に記憶することのうちの少なくとも１つが行われてもよい。

図１０を参照すると、タイヤ摩耗推定システム５０に関する予測変数５２のうちの第３の予測変数は、複数のタイヤ寸法影響（dimensional tire effects）６８を含む。タイヤ寸法影響６８はさらに、タイヤリムサイズ７０と、タイヤ幅７２と、タイヤ外径７４とを含む。図７は、タイヤリムサイズ７０と、タイヤ幅７２と、タイヤ外径７４とを含むタイヤ寸法影響６８とトレッド摩耗との相関関係（correlation）を示すグラフを示している。この相関関係は、タイヤが大きいほど摩耗が増大する傾向があるのでタイヤサイズが摩耗率に影響を与えることを示している。したがって、タイヤ寸法影響６８は、タイヤ摩耗推定システム５０に入力すべき予測変数５２のうちの１つを構成する。各タイヤ寸法影響６８に対して、センサ２４によって検知することと、タイヤＩＤデータに含めることと、前述した記憶媒体に記憶することのうちの少なくとも１つが行われてもよい。

図１０に示されているように、タイヤ摩耗推定システム５０に関する予測変数５２のうちの第４の予測変数は、天候影響（weather effects）７６を含む。図８は、トレッド摩耗と各天候影響７６との間の関係を示す箱ひげ図である。この箱ひげ図から、気温が低い季節ほど摩耗率が高くなることが明らかである。したがって、各天候影響７６の好都合な指標は周囲温度７８である。したがって、周囲温度７８が低いほど摩耗率が高くなる。周囲温度７８は、タイヤ摩耗推定システム５０に入力されるようにセンサ４によって検知されることが好ましい。

図１０を再び参照すると、タイヤ摩耗推定システム５０に関する予測変数５２のうちの第５の予測変数は、物理的タイヤ影響（physical tire effects）８０を含む。物理的タイヤ影響８０はさらに、トレッドキャップコード８２によって示される場合があるトレッド１６に使用されるコンパウンドと、タイヤモールドコード８４によって示される場合があるトレッド構造とを含む。たとえば、図９は、トレッド摩耗と様々な種類のトレッドコンパウンド８２との関係を示す箱ひげ図である。図９に示されているように、特定のトレッド構造８４の特徴と同様に、特定のトレッドコンパウンド８２の特徴が摩耗に影響を与える。したがって、物理的タイヤ影響８０は、タイヤ摩耗推定システム５０に入力すべき予測変数５２のうちの１つを構成する。各物理的タイヤ影響８０に対して、タイヤＩＤデータに含めることと、前述した記憶媒体に記憶することの少なくとも一方が行われてもよい。

場合によっては、タイヤ摩耗推定システム５０において他の予測変数５２が使用されてもよい。たとえば、膨張不足と呼ばれる低圧と、過膨張と呼ばれる過度の圧力は、タイヤ１２の摩耗率に影響を与える場合があるので、センサ２４によって検知されるタイヤ圧が予測変数５２として使用されてもよい。乗物１０によって走行される道路の凹凸が、タイヤの摩耗に影響を与えることがあり、したがって、予測変数５２として使用されてもよい。道路の凹凸に対して、センサ２４によって検知することと、前述した記憶媒体に記憶することの少なくとも一方が行われてもよい。同様に、タイヤ１２の擦れ（scrubbing）、すなわち、細かく方向転換すること（short turns）または駐車時に何度も動かすこと（parking lot maneuvers）に起因する横方向へのタイヤの引きずり（dragging）が、タイヤの摩耗を促進することがあり、センサ２４によって検知され予測変数５２として使用されてもよい。

次に図１０を参照すると、所与のタイヤ１２の推定摩耗率６０を生成するために、すべての予測変数５２がモデル８６に入力される。タイヤ摩耗推定システム５０はモデルフィッティングによって推定摩耗率６０を生成する。任意の適切なモデルが選択されてもよい。たとえば、多重線形回帰（ＭＬＲ）モデルが使用されてもよい。背景として、線形回帰は、管理された学習（supervised learning）の単純な手法である。線形回帰では、Ｘ_１；Ｘ_２；・・・Ｘ_ｐに対するＹの依存性が線形であると仮定する。この例では、モデルは次式によって表される。
Ｙ＝β_０＋β_１Ｘ_１＋β_２Ｘ_２＋・・・＋β_ｐＸ_ｐ＋ε
β_ｊは、他のすべての予測変数を一定に保ってＸ_ｉを１単位増やしたときのＹに対する平均効果（average effect）と解釈される。

モデルフィッティングは、段階的回帰を使用し、さらに前進選択技術をｐ値基準（p-value criteria）とともに用いて行われる。回帰サブセット選択（regression subset selection）は、段階的前進選択技術（forward stepwise selection technique）を用いて行われる。この技術では、予測変数を有さないモデルから開始し、すなわち、切片（intercept）のみを含むモデルが構築される。最低ｐ値（lowest p-value）または最高Ｆ値（highest F value）を有する独立変数が選択され、残りの各変数が既存のモデルに一度に１つずつ加えられる。最低有意ｐ値（lowest significant p-value）を有する変数が選択される。最低ｐ値が０．０５よりも大きくなるまでこのステップが繰り返される。要約すると、この処理は最も基本的なモデルＹ＝β_０から始まり、予測変数を一度に１つずつ加算し、さらに１つの予測変数を加算しても統計的に有意な差が生じなくなるまで予測変数を加算する。

もちろん、本発明の概念または動作に影響を与えずに、当業者にとって公知の任意の適切なモデル化技術が使用されてもよい。推定摩耗率６０は、生成された後、タイヤ摩耗推定システム５０から乗物のＣＡＮバスを通して、制動および安定性制御システムなどの乗物操作システムに伝達される。

図１１を参照すると、本発明のタイヤ摩耗推定システム５０の例示的な実施形態の精度のグラフが示されている。複数の入力予測変数５２を含むモデル８６を使用すると、摩耗推定において８５％を超える精度が実現され、これは、タイヤ摩耗率６０の正確で信頼できる推定を示す。このようにして、本発明のタイヤ摩耗推定システム５０は、複数の予測変数を使用してタイヤ摩耗を正確かつ信頼性高く測定する。

本発明のタイヤ摩耗推定システムの例示的な第２の実施形態は、図１２～図１４において符号１００で示されている。特に図１２を参照すると、タイヤ摩耗推定システム１００の第２の実施形態には、前述した摩耗推定システム５０の第１の実施形態が組み込まれ、いくつかのリアルタイム予測変数１０２が加えられる。より詳細には、摩耗推定システム５０の第１の実施形態は、間接的な摩耗検知システムおよび方法であり、複数の入力パラメータまたは予測変数５２を受け取ってタイヤ摩耗率の高精度の推定を実現するタイヤ摩耗推定モデルを用いる。摩耗推定システム１００の第２の実施形態では、タイヤ１２の検知状態のリアルタイム測定値を含むそれぞれの予測変数１０２が加えられる。

そのようなリアルタイム測定値は、トレッド１６の剛性などの、タイヤの物理的属性（physical attributes）または特性の変化を含む。そのような物理的属性または特性のリアルタイム測定およびモデル化は、当業者にとって公知の技術によって実現されてもよい。

図１３に示されているように、摩耗推定システム５０の第１の実施形態がリアルタイム予測変数１０２とともに積分されると、予測摩耗状態１０４が算出される。予測摩耗状態１０４は、前述した摩耗率６０を含み、この摩耗率６０には、フィルタ調整１０８によって、測定された摩耗状態のパラメータ１０６を含む、補正されたリアルタイム予測変数が加えられる。具体的には、フィルタ調整１０８では、「ノイズ」または不正確な値を生成する場合があるデータを減じるかまたは除去する。

図１４を参照すると、摩耗推定システム１００の第２の実施形態は、クラウドベースサーバ１１０を使用して実行されてもよい。より詳細には、タイヤ１２と乗物１０の少なくとも一方のセンサは、リアルタイム予測変数１０２を測定する第１の情報源１１４であり、リアルタイム予測変数１０２は、従来技術１１２において公知の手段によってサーバ１１０に無線送信される。タイヤセンサ２４は、周囲温度７８およびタイヤ識別データなどのいくつかの選択された予測変数５２をサーバ１１０に送信してもよい。位置データ、天候データ、および道路状態データなどの、摩耗率６０を推定するための選択された他の予測変数５２が、第２の情報源１１６からサーバ１１０に送信されてもよい。トレッドコンパウンドデータ８２およびトレッド構造データ８４などの、摩耗率６０を推定するための選択されたさらに他の予測変数５２が、第３の情報源１１８からサーバ１１０に送られてもよい。サーバ１１０において、各予測変数５２がモデル８６に入力されて摩耗率６０が推定され、摩耗率６０がリアルタイム予測変数１０２とともに積分されて予測摩耗状態１０４が得られる。予測摩耗状態１０４は、ユーザまたは技術者に対して表示されるように、従来技術１１２において公知の手段によってスマートフォンなどのデバイスに無線送信される。

このように、摩耗推定システム１００の第２の実施形態は、摩耗推定システム５０の第１の実施形態によって生成される摩耗率６０の推定値に、タイヤ１２の検知された状態のリアルタイム測定の予測変数１０２を加えるので、さらに改善され精度が向上する。

本発明は、タイヤ１２の摩耗率を推定する方法も含む。この方法は、前に提示されて図１～図１４に示されている説明に基づく各ステップを含んでいる。

本発明の全体的な概念または動作に影響を与えずに、前述したタイヤ摩耗推定システムの構造および方法が変更または再構成されてもよく、あるいは当業者にとって公知の構成部材またはステップが省略または追加されてもよいことを理解すべきである。

好ましい各実施形態を参照しながら本発明について説明した。この説明を読んで理解したときに可能な修正例および変更例が構想されるであろう。そのようなすべての修正例および変更例が、添付の特許請求の範囲に記載された発明またはその均等物の範囲内に含まれることを理解すべきである。

１０乗物
１２タイヤ
１４ホイール
１６トレッド
１８サイドウォール
２２インナーライナー
２４センサ
５０タイヤ摩耗推定システム
５２予測変数
５４乗物影響
５６ホイール位置
５８ドライブトレーンタイプ
５８ａ前輪駆動
５８ｂ全輪駆動
５８ｃ後輪駆動
６２経路および運転者影響
６４経路過酷度
６６運転者過酷度
６８タイヤ寸法影響
７０リムサイズ
７２タイヤ幅
７４タイヤ外径
７６天候影響
７８周囲温度
８０物理的タイヤ影響
８２トレッドキャップコード
８４トレッド構造
８６モデル
１００摩耗推定システム
１０２リアルタイム予測変数
１０４予測摩耗状態
１０６測定された摩耗状態のパラメータ
１０８フィルタ調整
１１０クラウドベースサーバ

Claims

タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記第１の予測変数は周囲温度であり、
前記少なくとも１つのタイヤのリムサイズと、前記少なくとも１つのタイヤの幅と、前記少なくとも１つのタイヤの外径とのうちの少なくとも１つを含む追加の予測変数をさらに有することを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記第１の予測変数は周囲温度であり、
前記少なくとも１つのタイヤに関するコンパウンド識別情報と前記少なくとも１つのタイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数をさらに有し、
前記コンパウンド識別情報は、トレッドキャップコードにおいて表されることを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記第１の予測変数は周囲温度であり、
前記少なくとも１つのタイヤに関するコンパウンド識別情報と前記少なくとも１つのタイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数をさらに有し、
前記トレッド構造識別情報は、モールドコードにおいて表されることを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記第１の予測変数は周囲温度であり、
前記少なくとも１つのタイヤの圧力と、道路の凹凸と、タイヤの擦れによる損傷とのうちの少なくとも１つを含む複数の追加の予測変数をさらに有することを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記第１の予測変数は周囲温度であり、
前記少なくとも１つのタイヤの、検知された物理的状態のリアルタイム測定値を含む追加の予測変数をさらに有し、
前記モデルは、前記リアルタイム測定値とともに前記推定摩耗率を積分することを特徴とするタイヤ摩耗推定システム。
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含む、請求項１から５のいずれか１項に記載のタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記少なくとも１つのタイヤのリムサイズと、前記少なくとも１つのタイヤの幅と、前記少なくとも１つのタイヤの外径とのうちの少なくとも１つを含む追加の予測変数をさらに有することを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記少なくとも１つのタイヤに関するコンパウンド識別情報と前記少なくとも１つのタイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数をさらに有し、
前記コンパウンド識別情報は、トレッドキャップコードにおいて表されることを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記少なくとも１つのタイヤに関するコンパウンド識別情報と前記少なくとも１つのタイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数をさらに有し、
前記トレッド構造識別情報は、モールドコードにおいて表されることを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記少なくとも１つのタイヤの圧力と、道路の凹凸と、タイヤの擦れによる損傷とのうちの少なくとも１つを含む複数の追加の予測変数をさらに有することを特徴とするタイヤ摩耗推定システム。
タイヤ摩耗推定システムであって、
乗物を支持する少なくとも１つのタイヤと、
第１の予測変数を生成するためにタイヤに取り付けられた少なくとも１つのセンサと、
第２の予測変数に関するデータを記憶するルックアップテーブルおよびデータベースの少なくとも一方と、
少なくとも１つの乗物影響を含む前記予測変数のうちの一方と、
前記予測変数を受け取り、前記少なくとも１つのタイヤに関する推定摩耗率を生成するモデルと、を有し、
前記少なくとも１つの乗物影響は、前記少なくとも１つのタイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記少なくとも１つのタイヤの、検知された物理的状態のリアルタイム測定値を含む追加の予測変数をさらに有し、
前記モデルは、前記リアルタイム測定値とともに前記推定摩耗率を積分することを特徴とするタイヤ摩耗推定システム。
前記第１の予測変数は天候影響を含む、請求項７から１１のいずれか１項に記載のタイヤ摩耗推定システム。
前記モデルは、乗物のＣＡＮバスを通してアクセス可能なプロセッサで前記推定摩耗率を生成する、請求項１から１２のいずれか１項に記載のタイヤ摩耗推定システム。
前記推定摩耗率を乗物操作システムに伝達する手段をさらに備える、請求項１から１３のいずれか１項に記載のタイヤ摩耗推定システム。
経路過酷度と運転者過酷度の少なくとも一方を含む追加の予測変数をさらに有する、請求項１から１４のいずれか１項に記載のタイヤ摩耗推定システム。
前記モデルは、多重線形回帰モデルを含む、請求項１から１５のいずれか１項に記載のタイヤ摩耗推定システム。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記第１の予測変数は周囲温度を含み、
前記タイヤのリムサイズと、前記タイヤの幅と、前記タイヤの外径とのうちの少なくとも１つを含む追加の予測変数を設けることをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記第１の予測変数は周囲温度を含み、
前記タイヤに関するコンパウンド識別情報と前記タイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数を設けることをさらに含み、
前記コンパウンド識別情報は、トレッドキャップコードにおいて表されることを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記第１の予測変数は周囲温度を含み、
前記タイヤに関するコンパウンド識別情報と前記タイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数を設けることをさらに含み、
前記トレッド構造識別情報は、モールドコードにおいて表されることを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記第１の予測変数は周囲温度を含み、
前記タイヤの圧力と、道路の凹凸と、タイヤの擦れによる損傷とのうちの少なくとも１つを含む追加の予測変数を設けることをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記第１の予測変数は周囲温度を含み、
前記タイヤの物理的状態のリアルタイム測定値を検知し、検知された前記物理的状態とともに前記推定摩耗率を積分することをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含む、請求項１７から２１のいずれか１項に記載のタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記タイヤのリムサイズと、前記タイヤの幅と、前記タイヤの外径とのうちの少なくとも１つを含む追加の予測変数を設けることをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記タイヤに関するコンパウンド識別情報と前記タイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数を設けることをさらに含み、
前記コンパウンド識別情報は、トレッドキャップコードにおいて表されることを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記タイヤに関するコンパウンド識別情報と前記タイヤに関するトレッド構造識別情報のうちの少なくとも一方を含む追加の予測変数を設けることをさらに含み、
前記トレッド構造識別情報は、モールドコードにおいて表されることを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記タイヤの圧力と、道路の凹凸と、タイヤの擦れによる損傷とのうちの少なくとも１つを含む追加の予測変数を設けることをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
乗物を支持するタイヤの摩耗を推定する方法であって、
前記タイヤに取り付けられる少なくとも１つのセンサを設けるステップと、
前記少なくとも１つのセンサから第１の予測変数を生成するステップと、
データを記憶するルックアップテーブルとデータベースとの少なくとも一方を設けるステップと、
前記ルックアップテーブルとデータベースとの少なくとも一方から第２の予測変数を生成するステップと、
前記予測変数をモデルに入力するステップと、
前記モデルによって前記タイヤに関する推定摩耗率を生成するステップと、
前記推定摩耗率を乗物操作システムに伝達するステップと、を含み、
前記予測変数のうちの１つが少なくとも１つの乗物影響を含み、
前記少なくとも１つの乗物影響は、前記タイヤのホイール位置と前記乗物のドライブトレーンタイプの少なくとも一方を含み、
前記タイヤの物理的状態のリアルタイム測定値を検知し、検知された前記物理的状態とともに前記推定摩耗率を積分することをさらに含むことを特徴とするタイヤの摩耗を推定する方法。
経路過酷度と運転者過酷度の少なくとも一方を含む追加の予測変数を設けることをさらに含む、請求項１７から２７のいずれか１項に記載のタイヤの摩耗を推定する方法。