JP7315562B2

JP7315562B2 - 車両故障警告システム及び対応する車両故障警告方法

Info

Publication number: JP7315562B2
Application number: JP2020539723A
Authority: JP
Inventors: ヅァンシャオユン
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2018-01-19
Filing date: 2018-11-22
Publication date: 2023-07-26
Anticipated expiration: 2038-11-22
Also published as: EP3740405B1; WO2019141411A1; JP2021511005A; CN110059325A; CN110059325B; US20210065481A1; KR20200104362A; EP3740405A1

Description

本発明は、車両故障警告システムに関する。本発明はさらに、対応する車両故障警告方法に関する。

背景技術
コンピュータテクノロジ及びネットワークテクノロジの急速な発展に伴い、ＩｏＶ（Internet of Vehicles）技術の開発及び応用は、大きく促進されている。現在、ＩｏＶ技術は、巨大なインタラクティブネットワークを形成するために、地理的な位置、速度及び道路状況等の車両情報を収集することによって、車両同士を接続することが可能である。そのような車両ネットワークにおいては、車両故障のオンライン監視及びオンライン診断が可能にされているが、従来技術における従来の遠隔監視及び遠隔診断の多くは、遡及的（retrospective）かつ緩慢な（sluggish）ものである。

用語「遡及的（retrospective）」は、従来技術における遠隔監視手段及び遠隔診断手段が、通常、車両故障が実際に発生した後に故障の発生を特定し、従って、その後にしか、故障が発生したことを診断し、メンテナンスに関する提案を与えることができないという事実を指している。この「遡及的」手法は、しばしば、不可逆的な損傷によって、車両の状態が、ある一定の問題、即ち、「準正常な（sub-healthy）」状態から、車両故障、即ち、「非正常な（unhealthy）」状態に、全く知覚されずに直接的に展開する状況を生じさせてしまう。これは、複雑で費用のかかる診断作業及びメンテナンス作業に関連するだけでなく、ユーザに、全く気付かないまま、いつ故障してもおかしくない「準正常な」車を運転させてしまう。これは、道端での故障のリスクを有するだけでなく、生命を脅かすことさえある。

用語「緩慢な（sluggish）」は、従来技術の遠隔監視システム及び遠隔診断システムが一般的に、自動車メーカー又は関連メーカーによって提供され、このようなシステムは、保守的であり、包括的であり、かつ、データの更新が遅い傾向があるという事実を指している。これは、このような遠隔監視システム及び遠隔診断システムが、迅速に、瞬時に、確実かつ正確に、車両故障を発見することができないことを意味している。

発明の概要
従って、本発明の課題は、車両における差し迫った故障を、この故障の発生前に、正確かつ瞬時に予測することができる「予防的な」車両故障警告システム及び車両故障警告方法を提供することであり、このような車両故障警告システム及び車両故障警告方法によって、関係者が、車両の起こり得る問題により早期に、この故障が発生する前に介入することができるため、メンテナンスのコストと複雑さとが軽減され得るだけでなく、車両の状況が、小さな問題から、大きな危険を有する車両故障及びトラブルへと展開するケースが回避される。

上述した課題は、複数の車両と通信するように接続されて、差し迫った故障を車両に警告し得る車両故障警告システムによって解決され、当該車両故障警告システムは、
・データクラスタを形成するために、時間間隔内において複数の車両から車両データを収集するように構成されたデータ収集モジュールと、
・生成される故障予測モデルの特性に基づいて、データクラスタからデータをスクリーニングするように構成されたデータスクリーニングモジュールと、
・ビッグデータ処理アルゴリズムを使用して、データスクリーニングモジュールによってスクリーニングされたデータから、車両故障を予測するための故障予測モデルを構築するように構成された予測モデル生成モジュールと、
・故障予測モデルが呼び出されている状況において、リアルタイム車両データに基づいて、車両に差し迫った故障があるか否かを予測し、車両に差し迫った故障があると予測されたときにアラートを発するように構成された故障予測モジュールと、
を含む。

本発明の好ましい実施形態によれば、故障予測モデルは、正常な車両のデータから構築され、正常な車両の動作状態を記述するために使用される第１のタイプのモデルである。又は、故障予測モデルは、故障が差し迫っている車両のデータから構築され、故障が差し迫っている車両の動作状態を記述するために使用される第２のタイプのモデルである。

本発明のさらに他の好ましい実施形態によれば、故障予測モデルは、特定の故障パラメータと、この故障パラメータの少なくとも１つの影響パラメータとの間の数学的関数として表される。

本発明のさらなる好ましい実施形態によれば、故障予測モジュールはさらに、車両に差し迫った故障があるか否かを分析するときに、故障パラメータの推定値を計算するために、少なくとも１つの影響パラメータのリアルタイム測定値を数学的関数に代入し、この故障パラメータの推定値をこの故障パラメータに対応するリアルタイム測定値と比較することによって、現在の車両に差し迫った故障があるか否かを特定するように構成されている。

本発明のさらに他の好ましい実施形態によれば、故障予測モジュールはさらに、第１のタイプのモデルが呼び出されている状況において、故障パラメータの推定値とこの故障パラメータに対応するリアルタイム測定値との間の偏差が事前設定範囲を超えている場合には、この故障パラメータによって表される故障が車両において差し迫っていることを指し示し、第２のタイプのモデルが呼び出されている状況において、この故障パラメータの推定値とこの故障パラメータに対応するリアルタイム測定値との間の偏差が事前設定範囲内にある場合には、この故障パラメータによって表される故障が車両において差し迫っていることを指し示すように構成されている。

上述した課題は、車両故障警告方法によっても解決され、この方法は、
ａ）データクラスタを形成するために、時間間隔内において複数の車両から車両データを収集するステップと、
ｂ）生成される故障予測モデルの特性に基づいて、データクラスタからデータをスクリーニングするステップと、
ｃ）ビッグデータ処理アルゴリズムを使用して、スクリーニングされたデータから、車両故障を予測するための故障予測モデルを構築するステップと、
ｄ）故障予測モデルとリアルタイム車両データとに基づいて、車両に差し迫った故障があるか否かを予測するステップと、
ｅ）車両に差し迫った故障があると予測したときにアラートを発するステップと、
を含む。

本発明の好ましい実施形態によれば、ステップｂ）は、以下のようにして実行される。即ち、データクラスタからスクリーニングされたデータが、正常な車両のデータであって、正常な車両の動作状態を記述するための第１のタイプのモデルの構築を可能にするようにして、又は、データクラスタからスクリーニングされたデータが、故障が差し迫っている車両のデータであって、故障が差し迫っている車両の動作状態を記述するための第２のタイプのモデルの構築を可能にするようにして、実行される。

本発明のさらに他の好ましい実施形態によれば、ステップｃ）は、特定の故障パラメータとこの故障パラメータの少なくとも１つの影響パラメータとの間の数学的関数として、故障予測モデルを表すことによって実行される。

本発明のさらに他の好ましい実施形態によれば、ステップｄ）は、次のことによって実行される。即ち、故障パラメータの推定値を計算するために、少なくとも１つの影響パラメータのリアルタイム測定値を数学的関数に代入し、この故障パラメータの推定値をこの故障パラメータに対応するリアルタイム測定値と比較し、第１のタイプのモデルが使用されている状況において、この故障パラメータの推定値とこの故障パラメータに対応するリアルタイム測定値との間の偏差が事前設定範囲を超えている場合には、この故障パラメータによって表される故障が車両において差し迫っていることを指し示し、第２のタイプのモデルが使用されている状況において、この故障パラメータの推定値とこの故障パラメータに対応するリアルタイム測定値との間の偏差が事前設定範囲内にある場合には、この故障パラメータによって表される故障が車両において差し迫っていることを指し示すことによって実行される。

本発明のさらなる好ましい実施形態によれば、ステップｃ）の後かつステップｄ）の前に、故障予測モデルの構築に使用されていない車両データを使用して故障予測モデルを検証し、この検証が要件を満たしていない場合に、この故障予測モデルを調整するステップがさらに実行される。

本発明の特徴及び利点は、添付の図面を参照して、いくつかの例示的な好ましい実施形態の以降の詳細な説明を読むことによってさらに理解される。

本発明に係る車両故障警告システムの概略的なブロック図を示す。本発明に係る、車両用の電気駆動システムの概略的なブロック図を示す。本発明に係る車両故障警告システムの概略的な構造ブロック図を示す。本発明に係る車両故障警告システムの動作フローチャートを示す。本発明に係る車両故障警告方法の第１の実施形態のフローチャートを示す。本発明に係る車両故障警告方法の第２の実施形態のフローチャートを示す。

詳細な説明
本出願においては、同一又は類似のコンポーネント又は要素には同一の参照番号が付されている。

図１は、本発明の基本的な着想に基づいて構築された車両故障警告システム１の概略的なブロック図を示している。図１に示されているように、本発明に係る車両故障警告システムは、車両故障警告システム２と、車両故障警告システムと通信する複数の車両３－１、３－２、・・・及び３－ｎとを含む。ここで、これらの複数の車両は、必要なデータ伝送を実行するために、互いにペアで通信することもできる。

特定の一実施形態においては、車両は、車両故障警告システム２と直接的に通信せず、代わりに、他の車両を中継局として使用して、間接的にデータを車両故障警告システム２に伝送するものとしてよい。さらに、同一の車両故障警告システムと通信するように接続されている複数の車両は、任意の車両であるものとしてよく、同一のエンジンモデル等の同一の識別子を有する車両に限定されるものではない。車両のタイプも限定されず、電気車両、ハイブリッド車両又は従来の燃料駆動車両であるものとしてよい。以降においては、本発明に係る車両故障警告システム１の配置及び動作モードについて、電気駆動システムを例に挙げて詳細に説明する。

このように、車両故障警告システム２と複数の車両３－１、３－２、・・・及び３－ｎとは、直接的に又は間接的に、通信するように接続されて、地理的な制約及び時間的な制約を克服するネットワーク化された車両故障警告システムをともに構築する。

図２は、本発明に係る、車両用の電気駆動システム４の概略的なブロック図を示しており、ここで、電気駆動システム４は、車両故障警告システム２によって監視及び警告される対象である。電気駆動システム４は主に、バッテリ管理システム（ＢＭＳ）とバッテリアセンブリとを備えるバッテリシステム６と、このバッテリシステム６によって駆動されるモータ７と、バッテリシステム６とモータ７との間に配置されたインバータ８と、トランスミッション９と、電気駆動システム４の動作をコントロールするコントロールユニット５とを含む。トランスミッション９は、モータ７によって生成されたトルクを終端負荷１１、例えば車輪に伝達し、ギアアセンブリ及びトランスミッションコントロールユニット（ＴＣＵ）を含む。コントロールユニット５は、車両通信モジュール１４を含み、車両内部においては、この車両通信モジュールは、電気駆動システム４のコンポーネント、特に、バッテリ管理システム、インバータ８、モータ７、トランスミッションコントロールユニット及び必要に応じて提供される種々なセンサ１０（車輪速度センサ等）と通信し、これによって、これらのコンポーネントから情報を収集する。収集される情報には、モータ速度、モータ温度、ギアボックス温度、バッテリアセンブリ温度、関連部品の電流及び電圧等が含まれるが、これらに限定されるものではない。また、車両外部においては、車両通信モジュール１４は、上述した車両故障警告システム２と通信して、収集された車両データ、その処理によって生成されたデータ、又は、他のデータ、例えば、ＧＰＳ情報、車両ＩＤ、電気駆動システムＩＤ等を車両故障警告システム２へ伝送する。

図３は、本発明に係る車両故障警告システム２の概略的な構造ブロック図を示している。車両故障警告システム２のアーキテクチャを図３に関連して詳細に説明する前に、最初に、本発明が「予防的な（pre-emptive）」車両故障警告システムに関係していることが説明されるべきである。このような「予防的な」車両故障警告システムは、差し迫っているがまだ発生していない車両故障を発見し、アラートを発することを意図している。この技術的な着想の実現可能性は、次の事実に基づいている。即ち、状況が１つ又はいくつかのコンポーネントの問題から故障に展開する前に、車両は、発展プロセスを経て、発展プロセスにある（即ち、いわゆる「準正常な（sub-healthy）」状態にある）車両は、「正常な（healthy）」車両のパラメータとは異なるパラメータを示すという事実である。ここで、前者のパラメータは、時間とともに、「正常な」パラメータから徐々に逸脱する方向に展開する。従って、パラメータのそのような区別及び発展傾向は、「準正常な」車両を識別し、それによって予防的な故障警告を実現することを可能にする。

この故障展開プロセスを分かり易く説明するために、モータの過熱を例に挙げて、さらなる説明を提供する。最初に、深刻なベアリングの摩耗等のモータの特定のコンポーネントの問題があり、これによって、モータの設計要件を満たすことができず、この時点でモータは「正常な」状態から「準正常な」状態に変化する。しかし、このような問題自体は、確認することが困難であり、最初は、モータの故障を生じさせない。ベアリングの摩耗の度合いが増加し、モータが設計要件を満たしていない状態で動作し続けると、モータの温度上昇が、定格温度上昇を超えて、ベアリングを破損させるまで益々大きくなり、この時点で、モータは、「準正常な」状態から「非正常な」状態に変化する。まだ過熱を示していないが、過熱を引き起こす傾向があるそのような準正常な状態を識別することが本発明によって実現され、その結果、過熱警告を発することができ、関係者を、問題が発生し、過熱しそうなモータの必要な確認とメンテナンスを行うように促すことができ、これによって、過熱、過熱によって引き起こされるさらに深刻な結果及びより大きな危険が阻止される。

この目的を達成するために、本発明に係る、故障警告を実現するための車両故障警告システム２は、データ収集モジュール１５、予測モデル生成モジュール１６及び故障予測モジュール１７を含む。データ収集モジュール１５は、通信するように接続されている車両の車両通信モジュール１４からデータを収集し、収集したデータを予測モデル生成モジュール１６及び／又は故障予測モジュール１７に提供するように構成されている。予測モデル生成モジュール１６は、データ収集モジュール１５によって提供された車両データに基づくビッグデータ処理アルゴリズムを使用して、車両故障を予測するための故障予測モデルを生成するために使用され、故障予測モジュール１７は、データ収集モジュール１５によって収集されたリアルタイム車両データと、予測モデル生成モジュール１６によって生成された故障予測モデルとに基づいて、差し迫っているが、まだ発生していない故障が車両に存在するか否かを予測するために使用され、これによって、故障が発生する前に関係者に警告が発せられる。

さらに、予測モデル生成モジュール１６は、異なる車両故障の対応する故障予測モデルを生成するように構成されている。しかし、総ての車両データが、特定の車両故障に関連しているわけではない。特定のターゲット故障との関係がほとんどないか、全くない車両データが予測モデル生成モジュール１６に伝送されると、モデルの確立に何の貢献もしないだけではなく、計算コストが増加してしまう。このために、本発明においては、データ収集モジュール１５がデータを予測モデル生成モジュール１６に伝送する前に、データが最初にスクリーニング及びフィルタリングされる必要がある。そのようなスクリーニング及びフィルタリングは、車両故障警告システム２に追加的に提供されるデータスクリーニングモジュール１８によって実行されるものとしてよく、ここで、データスクリーニングモジュール１８は、モジュール１５，１６及び１７とは独立して提供されるものとしてよく、又は、例えば、図３に示されているように、データ収集モジュール１５と予測モデル生成モジュール１６との間に接続されるものとしてよく、又は、これらのモジュール１５乃至１７のいずれか１つにサブモジュールとして統合されるものとしてよい。

本発明の特定の一実施形態によれば、予測モデル生成モジュール１６は、正常な車両のデータに基づいて故障予測を確立するように構成されている。このようにして確立された故障予測モデルは、実際には、正常な車両の動作状態を記述するモデルである。即ち、これは、正常な車両が示すべき動作状態及び動作パラメータがどのようなものかを記述している。

このようなケースにおいては、故障予測モデルが純粋な正常なデータに基づいて確立されることを保証するために、非正常なデータは、データ収集モジュール１５によって予測モデル生成モジュール１６に提供されるデータから除外されなければならない。この点について、例えば、データ収集モジュール１５は、予測モデル生成モジュール１６にデータを提供することが必要になるまでの時間間隔内において車両から車両データを継続的に収集することができ、この時点で、データ収集モジュール１５は、総てのデータをデータスクリーニングモジュール１８に伝送する。次に、データスクリーニングモジュール１８は、故障が発生した車両によって生成されたデータを削除し、次に、削除後に残存しているデータを予測モデル生成モジュール１６に提供する。

本発明のさらなる特定の実施形態によれば、予測モデル生成モジュール１６は、準正常な車両のデータに基づいて故障予測モデルを確立するように構成されている。このようなケースにおいては、故障予測モデルは、実際には、問題を経験している車両の動作状態を記述するモデルである。しかし、この問題は、故障に展開していない。即ち、これは、故障が差し迫っている「準正常な」車両が示すべき動作状態及び動作パラメータがどのようなものかを記述している。このために、データスクリーニングモジュール１８は、故障が発生した車両によって準正常フェーズにおいて生成されたデータを、データ収集モジュール１５によって収集されたデータからスクリーニングし、スクリーニングされた準正常なデータを予測モデル生成モジュール１６に提供する。

言い換えると、データスクリーニングモジュール１８は、予測モデル生成モジュール１６によって確立されるべき故障予測モデルの特性に基づいて、データ収集モジュール１５によって収集されたデータをフィルタリング及びスクリーニングするように構成されており、確立されるべき故障予測モデルに関連するデータのみが予測モデル生成モジュール１６に提供されることを保証する。

さらに、故障予測モデルを確立するために予測モデル生成モジュール１６によって使用されるビッグデータ処理アルゴリズムは、例えば、従来技術から知ることができる一般的なアルゴリズム又はニューラルネットワークアルゴリズムであり、ここではさらに説明されない。さらに、予測モデル生成モジュール１６が対象とするターゲット故障は、モータ温度及びインバータ温度等の測定可能な物理的なパラメータ、又は、電流及び電圧等の他の物理的なパラメータとして特徴付けられるべきである。

特定の一実施形態においては、ビッグデータ分析によって予測モデル生成モジュール１６によって確立された故障予測モデルは、ターゲット故障パラメータとその影響パラメータとの間の数学的関数として表される。例えば、モータ巻線の過熱の故障に対する予測モデルは、以下の数学的関数として表される。
T(t₀,t₁,...t_n)=FCN(N(t₀,t₁,...t_n),I(t₀,t₁,...t_n),V(t₀,t₁,...t_n),TO(t₀,t₁,...t_n))（１）
ここで、Ｔは、モータ巻線温度を示し、ｎは、駆動時間中のｎ番目のサンプリングを表し、t_nは、ｎ番目のサンプリングの時点を表し、ＦＣＮは、影響パラメータＮ、Ｉ、Ｖ及びＴＯからモータ巻線温度Ｔを予測するためモデル関数を示す。ここで、影響パラメータＮは、モータ速度を示し、影響パラメータＩは、モータ電流を示し、影響パラメータＶは、バッテリ電圧を表し、影響パラメータＴＯは、モータトルクを示す。これらの影響パラメータは、電気駆動システムの物理的な分析に基づいて選択される。

図４は、本発明に係る車両故障警告システム１の動作フローチャートを示している。車両故障警告システム１の動作モードを、図４に関連して以下に説明する。

図４に示されているように、最初に、ステップＳ１において、車両故障警告システム２と通信するように接続されている複数の車両のそれぞれのコントロールユニット５が、車両のデータをリアルタイムで収集し、これを車両故障警告システム２のデータ収集モジュール１５にリアルタイムで伝送する。

次に、ステップＳ２において、データ収集モジュール１５は、データクラスタを形成するために、時間間隔内において継続的に車両データを収集する。ここで、データクラスタは、故障予測モデルを構築するための基礎として機能する。

次に、ステップＳ３において、予測モデル生成モジュール１６によって生成される故障予測モデルの目的及び特性に従って、データクラスタが、データスクリーニングモジュール１８によってフィルタリング及びスクリーニングされ、その後、予測モデル生成モジュール１６に提供される。

次に、ステップＳ４において、予測モデル生成モジュール１６において、提供されたデータに基づいたビッグデータ処理アルゴリズムを用いて、故障予測モデルが構築される。

次に、ステップＳ５において、故障予測モデルの構築に使用されなかった車両データを用いて、確立された故障予測モデルが検証される。検証が要件を満たしている場合、フローにおける次のステップに進み、検証が要件を満たしていない場合、検証が基準に達するまで、故障予測モデルが調整される。

次に、ステップＳ６において、要件に準拠した故障予測モデルが構築された後に、故障予測モジュール１７は、データ収集モジュール１５が車両から受け取ったリアルタイム車両データを受け取り、さらに予測モデル生成モジュール１６によって生成された故障予測モデルを呼び出し、このリアルタイム車両データとこの故障予測モデルとに従って、車両に差し迫った故障があるか否かを分析する。

最後に、ステップＳ７において、車両に差し迫った故障があると判断した場合、故障予測モジュール１７は、運転手又は監視員等の関係者に警告を発し、関連する提案を与える。

図４は、本発明に係る車両故障警告システム１によって実行される車両故障警告方法を巨視的に説明しており、図５及び図６はそれぞれ、そのような車両故障警告方法の２つの特定の実施形態を説明している。これら両方の実施形態は、ターゲット故障であるモータの過熱に基づいており、これらの間の重要な違いは、構築される故障警告モデルが異なるということである。

図５に示された、本発明に係る車両故障警告方法の第１の実施形態においては、最初に、ステップＳ１１において、データ収集モジュール１５が、データクラスタを形成するために、車両故障警告システム２と通信するように接続されている複数の車両から時間間隔内において車両データを収集することができるようにされる。ここで、データクラスタは、モータ巻線の過熱を予測するためのモデルを構築するための基礎として用いられる。

次に、ステップＳ１２において、データスクリーニングモジュール１８が、モータ巻線の過熱と関連する正常な車両のデータをデータクラスタからスクリーニングし、それを予測モデル生成モジュール１６に提供し、ここで、モータ巻線の過熱と関連する車両データは、モータ速度、モータ電流、バッテリ電圧及びモータトルク等のモータ巻線の過熱の物理的な理由に基づいて選択されるものとするとよい。さらに、データスクリーニングモジュール１８は、また、スクリーニングされた総てのデータが正常な車両のデータであることを保証する。これは、ちょうどデータスクリーニングの時間まで、時間間隔内に故障が発生した車両によって生成されたデータを除外することによって実現可能である。

次に、ステップＳ１３において、モータ巻線の過熱を予測するための第１のタイプの予測モデルが、予測モデル生成モジュール１６においてビッグデータ処理アルゴリズムを使用して、提供されたデータから構築される。ここで、例えば、その形式が上述した数学的関数（１）の形式と同様であり得る数学的関数として、第１のタイプの予測モデルが表されるものとするとよい。

次に、ステップＳ１４において、この予測モデルが、第１のタイプの予測モデルを構築する際に使用されなかった車両データを使用して検証される。上述したステップＳ５と同様に、検証が要件を満たさない場合、検証が実現されるまで予測モデルが調整される。

次に、ステップＳ１５において、故障予測モジュール１７が、データ収集モジュール１５から最新の車両データをリアルタイムで受け取り、さらに、ステップＳ１３において構築されたモータ巻線の過熱に対する予測モデルを呼び出し、これら２つに基づいて、車両においてモータ巻線の過熱が差し迫っているか否かを分析する。具体的な分析方法は、次のとおりである。即ち、推定モータ巻線温度値を計算するために、リアルタイムモータ速度値、リアルタイムモータ電流値、リアルタイムバッテリ電圧値及びリアルタイムモータトルク値を、ステップＳ１３において構築された数学的関数に代入する。ここで、推定モータ巻線温度値は次の意味を有している。即ち、推定モータ巻線温度値は、正常な電気駆動システムが、そのようなモータ速度値、モータ電流値、バッテリ電圧値及びモータトルク値で有するべきモータ巻線温度値を指す。この推定モータ巻線温度値は、正常な電気駆動システムの大量のデータに基づいて外挿される。これは、多数の正常な電気駆動システムがかつて出現した状況において、正常な電気駆動システムがそのようなモータ速度値、モータ電流値、バッテリ電圧値及びモータトルク値を示したときに示されるモータ巻線温度値を指し示す。

次に、ステップＳ１６において、推定モータ巻線温度値が、対応するリアルタイムモータ巻線温度測定値と比較される。対応するリアルタイムモータ巻線温度測定値と推定モータ巻線温度値と間の偏差が事前設定範囲内にある場合、これは、電気駆動システムの現在の動作状態が、正常な電気駆動システムの動作状態と変わらないことを指し示す。従って、現在の電気駆動システムは正常かつ通常であり、モータ巻線の過熱は差し迫っていない。逆に、対応するリアルタイムモータ巻線温度測定値が、推定モータ巻線温度値よりも、事前設定範囲を超える偏差だけ高い場合、これは、電気駆動システムにある一定の故障があり、モータ巻線の過熱が差し迫っていることを指し示す。

従って、後続のステップＳ１７において、モータ巻線が過熱しそうであることが予測されたときに、関係者にアラートが発せられ、関連する提案が与えられる。

本発明のこの実施形態に即して、以下の技術的な効果が得られる。即ち、関係者は、他のより深刻な問題を引き起こすような程度までモータが過熱する前に、モータが過熱しそうな状況であり得ることを知ることができ、問題のある電気駆動システムにより早期に介入することが可能であり、従って、メンテナンスコストが節約可能なだけでなく、さらに重要なことに、より深刻な危険の発生、生命を脅かしさえする危険の発生を阻止することが可能である。

特定の一実施形態においては、上述したステップＳ１４における予測モデルの検証を、具体的に以下のようにして実行することができる。即ち、対応するモータ巻線温度値を計算するために、少なくとも１組の未使用車両データが数学的関数に代入され、次に、計算されたモータ巻線温度値が、対応するリアルタイムモータ巻線温度測定値と比較され、これら２つの間の偏差が事前設定範囲を超えている場合には、これは、現在の故障予測モデルが十分に正確ではなく、さらに調整が必要であることを指し示すようにして実行することができる。

図６に示された、本発明に係る車両故障警告方法の第２の実施形態においては、最初に、ステップＳ２１において、ステップＳ１１と同様に、データ収集モジュール１５が、モデリングのためにデータクラスタを形成するために、複数の車両から時間間隔内において車両データを収集することができるようにされる。

次に、ステップＳ２２において、データスクリーニングモジュール１８は、モータの過熱と関連する準正常な車両のデータをデータクラスタからスクリーニングし、スクリーニングされたデータを予測モデル生成モジュール１６に提供する。スクリーニング条件「モータの過熱と関連する」を理解するために、上述したステップＳ１２を参照することができる。スクリーニング条件「準正常」に対して、データは、次の２つの要件を同時に満たす必要がある。即ち、第１の要件は、データが、モータの過熱を伴う電気駆動システムのデータでなくてはならないということであり、第２の要件は、データが、モータ温度上昇の開始からモータの過熱の発生までの時間期間内のデータでなくてはならないということである。

次に、ステップＳ２３において、ステップＳ１３と同様に、モータの過熱を予測するための第２のタイプの予測モデルが、予測モデル生成モジュール１６においてビッグデータ処理アルゴリズムを使用して、提供されたデータから構築される。ここで、例えば、その形式は、上述した数学的関数（１）と同様であり得るが、関数コンテンツは、上述した第１の実施形態において構築された第１のタイプの故障予測関数の関数コンテンツとは異なる数学的関数として、この予測モデルが表されるものとするとよい。第２のタイプの故障予測モデルは、大量の、準正常な車両のデータ、即ち、モータの過熱の直前の車両データに基づいて確立されるため、この予測モデルは、モータの過熱が差し迫っている車両によって示される状態を記述している。

次に、ステップＳ２４において、故障予測モデルの構築に使用されていない車両データを使用してモデルが検証される。上述したステップＳ５及びＳ１４と同様に、検証が要件を満たしてない場合には、検証が実現されるまで、モデルが調整される。

次に、ステップＳ２５において、故障予測モジュール１７が、データ収集モジュール１５から最新の車両データをリアルタイムで受け取り、さらに、ステップＳ２３において構築されたモータの過熱に対する予測モデルを呼び出し、これら２つに基づいて、車両においてモータの過熱が差し迫っているか否かを分析する。具体的な分析方法は、次のとおりである。即ち、推定モータ温度値を計算するために、リアルタイムモータ速度値、リアルタイムモータ電流値、リアルタイムバッテリ電圧値及びリアルタイムモータトルク値を、ステップＳ２３において構築された数学的関数に代入する。ここで、推定モータ温度値は、次の意味を有している。即ち、推定モータ温度値は、そのようなモータ速度値、モータ電流値、バッテリ電圧値及びモータトルク値が示されるケースにおいて、モータの過熱を引き起こし得るある一定の問題を有する準正常な電気駆動システムがそのようなモータ温度値を示すであろうことを指し示す。この推定モータ温度値は、準正常な電気駆動システムの大量のデータに基づいて外挿され、取得される。これは、多数の準正常な電気駆動システムがかつて出現した状況において、正常な電気駆動システムがそのようなモータ速度値、モータ電流値、バッテリ電圧値及びモータトルク値を示したときに示されるモータ温度値を指し示す。

次に、ステップＳ２６において、推定モータ温度値が、対応するリアルタイムモータ温度測定値と比較される。対応するリアルタイムモータ温度測定値が推定モータ温度値と大幅に異なる場合、これは、電気駆動システムの現在の動作状態が、準正常な電気駆動システムの動作状態と大幅に異なることを指し示す。従って、現在の電気駆動システムが正常かつ通常であり、モータの過熱が差し迫っていないことが特定され得る。逆に、対応するリアルタイムモータ温度測定値が推定モータ温度値に近い又は推定モータ温度値と同等である場合、例えば、これら２つの間の偏差が事前設定範囲内にある場合、これは、現在の電気駆動システムの動作状態が、以前に出現した準正常な電気駆動システムの動作状態と同様であり、そのために、過去に準正常な電気駆動システムで発生したように、モータの過熱が発生しそうな可能性が非常に高いことを指し示す。このようなケースにおいては、次に、後続のステップＳ２７において、過熱警告が関係者に発せられ、関連する提案が与えられる。

当然、本発明の着想は、モータの過熱の単独の故障に限定されるものではなく、バッテリパックの故障及びギアボックスの故障等のあらゆる他の車両故障にも適用可能である。

さらに、本発明による予測モデル生成モジュール１６が、上述した第１のタイプの故障予測モデルと上述した第２のタイプの故障予測モデルとの両方を同時に構築することもでき、故障警告分析を実行するために故障予測モジュール１７がこれら２つのタイプのモデルを一緒に呼び出すことができ、両方のタイプのモデルが、現在の車両に差し迫った故障があることを指し示す場合に、故障警告を発することができることが説明される。これによって、誤ったアラームのリスクが低減され、故障警告の信頼性が高まる。

いくつかの実施形態を説明したが、これらの実施形態は、単に例として提示されており、本発明の範囲を限定することを意図していない。添付の特許請求の範囲及びそれらの等価物は、本発明の範囲及び趣旨に含まれる総ての修正、代替及び変更を網羅することを意図している。

Claims

複数の車両と通信するように接続されて、差し迫った故障を車両に警告し得る車両故障警告システム（２）であって、
・１つのデータクラスタを形成するために、時間間隔内において、故障がある前記複数の車両および故障がない前記複数の車両から車両データを収集するように構成されたデータ収集モジュール（１５）と、
・生成される故障予測モデルの特性に基づいて、前記データクラスタからデータをスクリーニングするように構成されたデータスクリーニングモジュール（１８）と、
・前記データスクリーニングモジュール（１８）によってスクリーニングされた前記データから、車両故障を予測するための前記故障予測モデルを構築するように構成された予測モデル生成モジュール（１６）と、
・前記故障予測モデルが呼び出されている状況において、リアルタイム車両データに基づいて、前記車両に差し迫った故障があるか否かを予測し、前記車両に差し迫った故障があると予測されたときにアラートを発するように構成された故障予測モジュール（１７）と、
を含み、
前記故障予測モデルは、特定の故障パラメータと前記故障パラメータの少なくとも１つの影響パラメータとの間の数学的関数として表され、前記特定の故障パラメータは、特定の車両故障を特徴付けるパラメータを指し、
前記データスクリーニングモジュール（１８）は、前記データクラスタから、正常な車両のデータをスクリーニングするように構成されており、前記予測モデル生成モジュール（１６）は、前記正常な車両の動作状態を記述するための第１のタイプのモデルを構築するように構成されており、及び／又は、
前記データスクリーニングモジュール（１８）は、前記データクラスタから、故障が差し迫っている車両のデータをスクリーニングするように構成されており、前記予測モデル生成モジュール（１６）は、故障が差し迫っている前記車両の動作状態を記述するための第２のタイプのモデルを構築するように構成されている、
車両故障警告システム（２）。
前記予測モデル生成モジュール（１６）は、ビッグデータ処理アルゴリズムを使用して、前記スクリーニングされたデータから前記故障予測モデルを構築するように構成されている、
請求項１に記載の車両故障警告システム（２）。
前記故障予測モジュール（１７）はさらに、前記車両に差し迫った故障があるか否かを予測するときに、前記故障パラメータの推定値を計算するために、前記少なくとも１つの影響パラメータのリアルタイム測定値を前記数学的関数に代入し、前記故障パラメータの前記推定値を前記故障パラメータに対応する前記リアルタイム測定値と比較することによって、現在の前記車両に差し迫った故障があるか否かを特定するように構成されている、
請求項２に記載の車両故障警告システム（２）。
前記故障予測モジュール（１７）はさらに、前記第１のタイプのモデルが呼び出されている状況において、前記故障パラメータの前記推定値と前記故障パラメータに対応する前記リアルタイム測定値との間の偏差が事前設定範囲を超えている場合には、前記故障パラメータによって特徴付けられる前記故障が前記車両において差し迫っていることを指し示し、前記第２のタイプのモデルが呼び出されている状況において、前記故障パラメータの前記推定値と前記故障パラメータに対応する前記リアルタイム測定値との間の前記偏差が前記事前設定範囲内にある場合には、前記故障パラメータによって特徴付けられる前記故障が前記車両において差し迫っていることを指し示すように構成されている、
請求項３に記載の車両故障警告システム（２）。
ａ）１つのデータクラスタを形成するために、時間間隔内において、故障がある複数の車両および故障がない複数の車両から車両データを収集するステップと、
ｂ）生成される故障予測モデルの特性に基づいて、前記データクラスタからデータをスクリーニングするステップと、
ｃ）スクリーニングされた前記データから、車両故障を予測するための前記故障予測モデルを構築するステップと、
ｄ）前記故障予測モデルとリアルタイム車両データとに基づいて、車両に差し迫った故障があるか否かを予測するステップと、
ｅ）前記車両に差し迫った故障があると予測したときにアラートを発するステップと、
を含み、
前記故障予測モデルを、特定の車両故障を特徴付けるパラメータを指す特定の故障パラメータと前記故障パラメータの少なくとも１つの影響パラメータとの間の数学的関数として表すことによって、ステップｃ）を実行し、
ステップｂ）において、前記データクラスタから、正常な車両のデータをスクリーニングし、次にステップｃ）において、前記正常な車両の動作状態を記述するための第１のタイプのモデルを構築することによって、及び／又は、
ステップｂ）において、前記データクラスタから、故障が差し迫っている車両のデータをスクリーニングし、次にステップｃ）において、故障が差し迫っている前記車両の動作状態を記述するための第２のタイプのモデルを構築することによって、
ステップｂ）及びｃ）を実行する、
車両故障警告方法。
ビッグデータ処理アルゴリズムを使用して、前記スクリーニングされたデータから前記故障予測モデルを構築することによって、
ステップｃ）を実行する、
請求項５に記載の車両故障警告方法。
前記故障パラメータの推定値を計算するために、前記少なくとも１つの影響パラメータのリアルタイム測定値を前記数学的関数に代入することによって、かつ、前記故障パラメータの前記推定値を前記故障パラメータに対応する前記リアルタイム測定値と比較することによって、
及び、前記第１のタイプのモデルが使用されている状況において、前記故障パラメータの前記推定値と前記故障パラメータに対応する前記リアルタイム測定値との間の偏差が事前設定範囲を超えている場合には、前記故障パラメータによって特徴付けられる前記故障が前記車両において差し迫っていることを示すことによって、
及び、前記第２のタイプのモデルが使用されている状況において、前記故障パラメータの前記推定値と前記故障パラメータに対応する前記リアルタイム測定値との間の前記偏差が前記事前設定範囲内にある場合には、前記故障パラメータによって特徴付けられる前記故障が前記車両において差し迫っていることを示すことによって、
ステップｄ）を実行する、
請求項６に記載の車両故障警告方法。
ステップｃ）の後かつステップｄ）の前に、
前記故障予測モデルの構築に使用されていない車両データを使用して前記故障予測モデルを検証し、前記検証が要件を満たしていない場合に、前記故障予測モデルを調整するステップをさらに実行する、
請求項５乃至７のいずれか一項に記載の車両故障警告方法。