JP7414588B2 - 異常診断装置 - Google Patents

Description

本発明は、車両等に採用する異常診断装置に関する。

車両の部品または車両の機能の異常診断においては、車両が走行する環境（例えば、一般道や高速道路、路面状況、時間帯、天候等）によって車両の挙動が異なるため、例えば一般道における走行データのみに基づいて学習した車両部品の診断モデルを利用して高速道路における走行データの異常を診断しようとしたとしても、診断の精度は低くなってしまう。

この診断の精度を高めるため、例えば特許文献１に記載の技術がある。特許文献１においては、自動車部品毎の診断に必要な診断モデルが、対象部品名、及び、環境情報と紐付けられて診断モデル記憶部に記憶するようにしている。ブレーキ診断モデルでは「減速度」や「減速距離」が特徴量と設定され、エンジン診断モデルでは「エンジン回転数」や「エンジン冷却液温」が特徴量として設定され、バッテリー診断モデルでは「バッテリー電圧」や「加速度」が特徴量として設定される。

特開２０１９－１２３３５１号公報

特許文献１では、予め部品に応じた環境別の診断モデルが学習されていることが想定されているため、該当する診断モデルが無い場合には異常診断を実施することができないといった課題があった。

本発明の目的は、診断する移動体の移動に関するデータの条件に合う診断モデルが無い場合であっても、診断可能な新たな診断モデルを生成することが可能な異常診断装置を提供することにある。

本発明は、診断対象の移動体の移動に関するデータに対して未知の条件（環境、移動体、操作者）が含まれる場合に、予め学習した既存の複数の移動体及び操作者の移動データの分布を近似した複数の確率分布およびその混合比率の中から、診断対象の条件と近いものを利用して、新たな混合分布を予測分布として求め、予測分布に基づいて診断モデルを生成し、異常を判定するものである。

上記を実現するために本発明は、移動体の移動データから前記移動体の異常の可能性を判定する異常診断装置において、複数の移動体と複数の操作者を組合せた学習用移動データから移動体と操作者の組み合わせ毎にデータを分割し、分割されたデータ毎に診断に必要なデータを抽出し、抽出したデータから診断対象部品の特徴量を計算し、計算した特徴量を標準化して移動体と操作者の組み合わせ毎の標準化された特徴量データを抽出するデータ抽出部と、前記データ抽出部で抽出された特徴量データを任意の数のクラスタに分割し、移動体と操作者の組み合わせ毎の各クラスタへの負担率の合計に基づいて混合比率を算出すると共に、移動体と操作者の組み合わせ毎の確率分布を生成するデータ分布近似部と、前記データ分布近似部で生成された前記確率分布を記憶する確率分布記憶部と、前記データ分布近似部で算出された前記混合比率を記憶する混合比率記憶部と、診断する移動体と操作者の組合せに基づいて、前記確率分布記憶部に記憶された前記確率分布と前記混合比率記憶部に記憶された前記混合比率とから診断する移動体と操作者の組合せの混合分布を生成し、生成した混合分布と診断する移動データの分布を比較して異常を判定する診断部と、を備えたことを特徴とする。

本発明によれば、診断する移動体の移動に関するデータの条件に合う診断モデルが無い場合であっても、診断可能な新たな診断モデルを生成することが可能な異常診断装置を提供することができる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施例１に関する構成を示すブロック図である。 図１におけるデータ抽出部１１２の詳細構成を示すブロック図である。 本発明の実施例１に関するデータの一例を示す図である。 本発明の実施例１に関する分割したデータの一例を示す図である。 本発明の実施例１に関するデータの抽出期間を示す図である。 本発明の実施例１に関するドライバと車両におけるデータの組合せの一例を示す図である。 本発明の実施例１に関するデータ分布近似部の動作を示すフローチャートである。 発明の実施例に関するデータ分布近似部１１３による特徴量データの確率分布への近似の一例を示す図である。 発明の実施例に関するデータ分布近似部１１３による特徴量データの確率分布への近似の一例を示す図である。 発明の実施例に関するデータ分布近似部１１３による特徴量データの確率分布への近似の一例を示す図である。 発明の実施例に関するデータ分布近似部１１３による特徴量データの確率分布への近似の一例を示す図である。 発明の実施例１に関するデータ分布近似部１１３による特徴量データの混合分布への近似の一例を示す図である。 発明の実施例１に関するデータ分布近似部１１３による特徴量データの混合分布への近似の一例を示す図である。 本発明の実施例１に関する車両の走行環境に応じた混合分布の一例を示す図である。 本発明の実施例１に関する車両の走行環境に応じた混合分布の一例を示す図である。 本発明の実施例１に関する車両の走行環境に応じた混合分布の一例を示す図である。 本発明の実施例１に関する新たな車両とドライバ、又は車両と新たなドライバの組合せの学習用走行データが得られた時のデータ分布近似部１１３での処理を示すフローチャートである。 本発明の実施例１に関する確率分布の一例を示す図である。 本発明の実施例１に関する確率分布の一例を示す図である。 本発明の実施例１に関する確率分布の一例を示す図である。 本発明の実施例１に関する診断モデル生成部１２２の詳細ブロックを含めた診断部１２のブロック図である。 本発明の実施例１に関する混合比率探索部１２２２及び混合分布生成部１２２３での動作を示すフローチャートである。 本発明の実施例１に関する異常度演算部１２３の詳細構成を示すブロック図である。 本発明の実施例１に関する特徴量を１次元としたときの予測分布１３０１を示す図である。 本発明の実施例１に関する特徴量空間に広がるデータ点の一例を示す図である。 本発明の実施例１に関する複数の確率分布部品を抽出した一例を示す図である。 本発明の実施例１に関する混合分布の一例を示す図である。 本発明の実施例１に関する混合分布の一例を示す図である。 本発明の実施例２に関する車両のオンライン診断を実行するための全体構成を示すブロック図である。

以下、本発明の実施例について添付の図面を参照しつつ説明する。同様の構成要素には同様の符号を付し、同様の説明は繰り返さない。

本発明の各種の構成要素は必ずしも個々に独立した存在である必要はなく、一の構成要素が複数の部材から成ること、複数の構成要素が一の部材から成ること、或る構成要素が別の構成要素の一部であること、或る構成要素の一部と他の構成要素の一部とが重複すること、などを許容する。

図１は、本発明の実施例１に関する構成を示すブロック図である。図１ではオフライン状態において車両の異常診断を行う構成を想定している。

図１において、異常診断装置１は学習部１１、診断部１２、確率分布記憶部１３、及び混合比率記憶部１４を備えている。これらの機能は、異常診断装置１が備えるハードディスク等の補助記憶装置に記憶されたプログラムを、半導体メモリ等の主記憶装置のロードし、これをＣＰＵ等の演算装置が実行して実現される。以下の説明では、このような周知動作を適宜省略しながら説明する。

異常診断装置１は、車両の走行に関するデータから車両に関する異常の可能性を判定する装置であり、例えば車両の異常診断のサービスを提供する事業者が保有し、サービスを受ける事業者との間をネットワーク等で接続する。

学習部１１は、学習データ入力部１１１、データ抽出部１１２、及びデータ分布近似部１１３を備えている。予め蓄積した、複数車両及び複数ドライバを組合せた学習用走行データ２は学習データ入力部１１１に入力される。

データ抽出部１１２では、学習データ入力部１１１に入力された学習用走行データ２の中から診断対象部品の診断に必要な特徴量が抽出される。抽出した特徴量はデータ分布近似部１１３において特徴量空間を複数の確率分布と、その確率分布を用いた混合分布で近似し、確率分布を確率分布記憶部１３に、確率分布の混合比率を混合比率記憶部１４に記憶させる。

診断部１２は、診断データ入力部１２１、診断モデル生成部１２２、異常度演算部１２３、診断結果出力部１２４を備えている。取得した診断用走行データ３が診断データ入力部１２１に入力される。診断モデル生成部１２２では、確率分布記憶部１３に記憶された複数の確率分布と、混合比率記憶部１４に記憶された複数の確率分布に対する混合比率から、予測分布を生成し、予測分布に基づいた診断モデルを出力する。異常度演算部１２３は診断モデルと診断データから、車両の異常度を計算する。診断結果出力部１２４では、計算した異常度及び過去の異常度のトレンドなどから、車両の異常の判定結果を出力する。

学習用走行データ２及び診断用走行データ３は、予め車両から収集した走行データである。ここで、学習用走行データ２は、車両が正常である可能性の高いデータ、例えばデータ取得直後に部品の故障や緊急保守などがされていないものが望ましい。また、診断用走行データ３は学習用走行データ２には含まないようにする。診断用走行データ３及び学習用走行データ２は、車両に設置された記憶装置に記憶され、走行終了後、この記憶装置からデータを取り出すようにする。

次にデータ抽出部１１２の構成について説明する。図２は、図１におけるデータ抽出部１１２の詳細構成を示すブロック図である。

図２において、データ抽出部１１２は、ドライバ・車両別データ収集部１１２１、特定走行モード抽出部１１２２、特徴量計算部１１２３、及び標準化処理部１１２４を備えている。

ドライバ・車両別データ収集部１１２１は、学習データ入力部１１１に入力された入力データを受け取り、ドライバと車両の組合せ毎にデータを分割する。入力されるデータの例を図３に示す。

図３Ａは、本発明の実施例１に関するデータの一例を示す図である。図３Ｂは、本発明の実施例１に関する分割したデータの一例を示す図である。図３Ｃは、本発明の実施例１に関するデータの抽出期間を示す図である。図３Ｄは、本発明の実施例１に関するドライバと車両におけるデータの組合せの一例を示す図である。

図３Ａにおいて、入力されるデータには、固有のドライバを区別できるもの(ドライバ名やドライバのＩＤなど)、固有の車両または固有の車種、固有の車両スペックを区別できるもの(車両名や車両のＩＤ、車種名や車種のＩＤ、車両スペック毎のＩＤなど)、センサデータが含まれる。センサデータは、車両または車両に搭載したデータ収集端末などから提供されるものであり、時系列の加速度、速度や位置情報の他、診断する車両部品に応じた車両の内部のデータ(エンジン回転数など)や車両の操作のデータ(ブレーキ操作など)が含まれるのが好ましい。

また、図３Ａに示すように、入力されるデータには、同じドライバであっても複数の車両の走行データが含まれる場合や、同じ車両であっても複数のドライバの走行データが含まれる場合がある。物流業界などでは、複数の拠点にそれぞれ複数の車両及び複数のドライバを抱えている。ドライバにはドライバ特有の運転の癖があったり、熟練ドライバと新人ドライバ間では運転技量の差があるため、車両に対する操作が異なる。本実施例では、このようなドライバの差も考慮して診断モデルを作成し、車両とドライバの組合せを区別するため、ドライバ・車両別データ収集部１１２１により、図３Ｂに示すように、ドライバと車両の組合せごとにデータを分割している。

特定走行モード抽出部１１２２は、診断する車両部品の診断に必要な走行モードのデータを抽出する。走行モードとは、アイドリング、加速、定速、減速を基本とする。車両が出発してから目的地までの走行区間においては、アイドリング、加速、定速、減速が繰り返し行われ、複数の走行モードが発生する。車両部品の診断にあたっては、この走行モードの中から必要な走行データを得る。例えば、制動装置の診断においては、走行モードの中から減速時、すなわちブレーキ操作時に関する走行データが必要であり、それ以外は不要である。このため、特定走行モード抽出部１１２２では、図３Ｃに示すように、走行・停止を繰り返す走行モードを分析し、走行開始から停止までの一つの走行モードを、加速、定速、減速といった複数の走行データに分割（分割された走行データ１１２２ａ）し、分割された各走行データ１１２２ａの中から、減速の走行データ、すなわちブレーキ期間１１２２ｂのデータのみを抽出する。

特徴量計算部１１２３は、抽出された走行モードの時系列データから、診断する車両部品に適した特徴量を計算する。特徴量は時系列データの統計値（平均値や分散値、最大値、最小値など）や、診断対象の車両部品の操作時間（ブレーキ操作時間など）、操作による結果（ブレーキ操作時の走行距離など）が望ましい。

標準化処理部１１２４は、図３Ｄで示すように、特徴量計算部で計算された１回の走行毎の各特徴量を標準化して、ドライバと車両の組合せ毎に集約する。

本実施例による診断モデルは、図１４Ａに示すような特徴量空間に広がる各データ点４１の分布から、図１４Ｂに示すような複数の確率分布部品４２，４３，４４として抽出し、これらの部品に対して混合比率を定めることで、図１４Ｃまたは図１４Ｄに示すようなドライバと車両の組合せ毎の混合分布４５を作成して予測分布としている。この予測分布を用いることで、診断対象の走行データが得られた時に、得られた各データ点に基づく確率が得られる。診断対象の車両部品に異常がある場合、予め定めた特徴量空間における各データ点の分布が異なってくるため、各データ点における確率は低くなる。この性質を利用して、診断モデルは、予測分布に基づいてデータ点の確率に基づいて異常度を算出するようにしている。データ抽出部１１２は、診断する車両部品に必要な走行モードを特定して車両とドライバの組合せ毎にデータを抽出し、抽出したデータから診断する車両部品に必要な特徴量を算出し、データ分布近似部１１３へ送信する。

データ分布近似部１１３は、上記の予測分布となる混合分布を生成する。混合分布の生成手法としては、変分ベイズ推定の手法などがあり、このアルゴリズムを適用することで、ドライバと車両の組合せ毎の混合分布を生成することができる。

次に、図４を用いて変分ベイズ推定の手法を適用したときにおけるデータ分布近似部の動作の概要について説明する。図４は、本発明の実施例１に関するデータ分布近似部の動作を示すフローチャートである。

ステップＳ１０１では、データ抽出部１１２で抽出されたＤ次元の特徴量データをＭ個のクラスタに分割し、各クラスタの平均ベクトル及び共分散行列を算出する。図３Ｄでは、ドライバと車両の組合せ毎における１回の走行毎の特徴量を集約したが、ステップＳ１０１ではドライバと車両の組合せは特に気にせず、Ｍ個に分割する。ここで、Ｄは診断に用いる特徴量の数であり、Ｍは混合分布の部品となる確率分布の最大数である。Ｍ個に分割した各データについて、平均ベクトルと共分散行列を求める。なお、ここではデータの分布を考えずにＭ個に分割しているが、ｋ－ｍｅａｎｓアルゴリズムなどの適用によりＭ個に分割しても良い。

ステップＳ１０２では、データの分布を各クラスタのガウス分布の重ね合せと仮定し、各特徴量データ点について、ステップＳ１０１で分割した各クラスタへの負担率を計算する。ここで、負担率は、ドライバと車両の組合せ毎の各データ点が、各クラスタへ所属する確率を示すものである。

ステップＳ１０３では、ドライバと車両の組合せ毎の各クラスタへの負担率の合計に基づいて混合比率を算出する。

ステップＳ１０４では、負担率に基づいて、平均ベクトル及び共分散行列を更新する。これにより、各クラスタの中心が移動し、各クラスタのデータの広がりが変化する。

ステップＳ１０５では、尤度を計算する。

ステップＳ１０６では、尤度が収束したか、すなわち、尤度の上昇が収まったか否かを判定し、収まった場合は計算終了、収まっていない場合はステップＳ１０２へ戻り、新たな混合比率及び平均ベクトル、共分散行列の元で、尤度が収束するまでステップＳ１０２からステップＳ１０５の処理を繰り返す。

なお、図４において、特定のクラスタ（確率分布）の混合比率が０に近くなる場合がある。この場合は、混合比率は０と見なせば良い。また、どのドライバと車両の組合せにおいても特定のクラスタの混合比率が０となる場合は、クラスタ数はＭ’となり、該当するクラスタの平均ベクトル及び共分散行列は記憶しなくてよい。

図４で得られた各クラスタの確率分布は、そのパラメータを確率分布記憶部１３へ記憶する。例えば、上記のようにガウス分布とする場合は、平均ベクトルと共分散行列がパラメータとして記憶される。また、車両とドライバの組合せ毎に算出された混合比率を、混合比率記憶部１４に記憶する。

次に図５を用いて、特徴量データの確率分布への近似の例について説明する。図５Ａ～図５Ｄは、本発明の実施例に関するデータ分布近似部１１３による特徴量データの確率分布への近似の一例を示す図である。

図５Ａは、Ｄ次元の特徴量データ点１１３１を特徴量ｍと特徴量ｎについてプロットしたものである。これに対して、データ分布近似部１１３では、図５Ｂ，図５Ｃ，図５Ｄのそれぞれに示すような確率分布１１３２，１１３３，１１３４を生成する。各確率分布１１３２，１１３３，１１３４の中心は、図４で求められる平均ベクトルで決められ、確率分布の広がり具合や向きは図４で求められる共分散行列で決められる。

図６Ａ及び図６Ｂは、本発明の実施例１に関するデータ分布近似部１１３による特徴量データの混合分布への近似の一例を示す図である。図６Ａ及び図６Ｂにおいて、データ分布近似部１１３では、図５Ｂ，図５Ｃ，図５Ｄに示した確率分布１１３２，１１３３，１１３４に対して、ドライバと車両の組合せ毎に混合比率を設定し、あるドライバと車両の組合せに対しては図６Ａ、別のドライバと車両の組合せに対しては図６Ｂ、というように、混合比率に基づいてそれぞれ混合分布１１３５，１１３６を生成する。

すなわち、データ分布近似部１１３は、車両とドライバを組合せた学習用走行データ２から得られた診断対象部品の特徴量の確率分布を生成し、診断する車両とドライバの組合せの確率分布を近似した混合分布を得るために診断する車両とドライバの組合せの混合比率を算出する。

さらに、データ分布近似部１１３では、車両の走行環境に応じて混合分布を生成する。図７Ａ～図７Ｃは、本発明の実施例１に関する車両の走行環境に応じた混合分布の一例を示す図である。あるドライバと車両の組合せに対して、多くの走行環境のデータを取得済みの場合、図７Ａのような予測分布が生成されたとする。車両の状態は、同じ車両とドライバの組合せであっても、車両が走行する環境によっても変化する。例えば、一般道と高速道といった車両が走行する環境が異なれば、同じ車両とドライバの組合せであっても車両の状態が変化する。一般道に比べ、高速道においては、アイドリング時間が短く、加速度が大きく、定速の時間が長く、減速度が大きくなる傾向にある。また、一般道に比べ、高速道においては、ハンドルの操作量が小さい傾向にある。本実施例では、車両が走行する環境に応じた混合分布も作成する。例えば一般道では図７Ｂ、高速道では図７Ｃというように、走行環境に応じた混合分布を生成する。なお、走行環境は速度の平均値や位置情報、位置情報に基づく道路へのマッチング情報、地域情報、地域に基づく天候情報などで区別することができる。データ分布近似部１１３では、車両とドライバを組合せた学習用走行データを用いて環境に対応する確率分布及び混合比率を生成する。そして、データ分布近似部１１３は、環境別に生成した確率分布、及び環境別の混合分布を生成するための混合比率をそれぞれ、確率分布記憶部１３、及び混合比率記憶部１４に記憶する。車両の走行する環境は、走行区間におけるブレーキ操作時の走行データ、アクセル操作時の走行データ、ハンドル操作時の走行データ等のデータ抽出割合によって定義することが可能である。例えば、一定区間における走行データにおいて、ブレーキ操作がほとんど含まれない場合は、高速道路を走行している可能性が高い。一方で、ブレーキ操作が頻繁に含まれる場合は、渋滞区間を走行している可能性が高い。本実施例において環境とは、走行区間におけるブレーキ操作時の走行データ、アクセル操作時の走行データ、ハンドル操作時の走行データのうち、少なくとも何れか一つの走行データの抽出割合が予め定められた範囲にあることを条件とする車両の走行状態としている。

なお、環境の定義は、車両の位置情報及び位置情報に基づいた地図情報、天候情報によっても定義することが可能である。例えば、車両の位置情報に基づいて道路種別（高速道路、一般道）の判定や、地図情報から車両が走行している道路の勾配の推定、位置情報に基づいた天候情報（降雨や積雪）の取得による路面状態の推定によって、環境を定義すること可能である。

次に、複数のドライバと車両の組合せに対する確率分布及び混合比率が既に学習されている状況において、未学習となる新たな車両とドライバ、又は車両と新たなドライバを組合せた学習用走行データが得られた時のデータ分布近似部１１３の処理について説明する。

図８は、本発明の実施例１に関する新たな車両とドライバ、又は車両と新たなドライバの組合せの学習用走行データが得られた際のデータ分布近似部１１３での処理を示すフローチャートである。

図８において、ステップＳ２０１では、データ抽出部１１２で抽出されたる新たな車両とドライバ、又は車両と新たなドライバの組合せによるＤ次元の特徴量データをＭ－Ｍ’個のクラスタに分割し、各クラスタの平均ベクトル及び共分散行列を算出する。ここでＭ’は、図４における最終的なクラスタ数である。Ｍ’がＭ以上の値となる場合は、Ｍの値を増やしても良い。また、図４の時と同様に、ここでは新たな車両とドライバ、又は車両と新たなドライバの組合せによる特徴量データの分布を考えずにＭ―Ｍ’個に分割しているが、ｋ－ｍｅａｎｓアルゴリズムなどの適用によりＭ個に分割しても良い。

ステップＳ２０２では、各特徴量データ点について、ステップＳ２０１で分割した各クラスタへの負担率を計算する。ここで、負担率は、ドライバと車両の組合せ毎の各データ点が、各クラスタへ所属する確率を示すものである。

ステップＳ２０３では、各クラスタへの負担率の合計に基づいて混合比率を算出する。

ステップＳ２０４では、負担率に基づいて、新規クラスタの平均ベクトル及び共分散行列を更新する。これにより、新規クラスタの中心が移動し、各クラスタのデータの広がりが変化する。

ステップＳ２０５では、尤度を計算する。

ステップＳ２０６では、尤度が収束したか、すなわち、尤度の上昇が収まったか否かを判定し、収まった場合は計算終了し、収まっていない場合はステップＳ２０２へ戻り、新たな混合比率及び平均ベクトル、共分散行列の元で、尤度が収束するまでステップＳ２０２からステップＳ２０５の処理を繰り返す。

上記の処理により、学習済みの確率分布を用いて混合比率を生成できるため、新たな車両とドライバ、又は車両と新たなドライバの組合せによる走行データの量が少ない場合であっても、高精度に診断可能な診断モデルを生成することができる。すなわち、実施例１におけるデータ近似部は、新たな車両とドライバ、又は車両と新たなドライバを組合せた学習用走行データが得られた際に、新たな車両とドライバ、又は車両と新たなドライバを組合せた学習用走行データから学習される確率分布と、確率分布記憶部１３に記憶された確率分布を用いて生成した混合比率から、新たな車両とドライバ、又は車両と新たなドライバを組合せた学習用走行データの混合分布を生成する。

図９Ａ～図９Ｃに具体例を示す。図９Ａ～図９Ｃは、本発明の実施例１に関する確率分布の一例を示す図である。図９Ａでは、特徴量空間上に新規の車両とドライバ、又は車両と新規のドライバとの組合せにおけるデータ点１１３７と、学習済みの確率分布１１３２，１１３３，１１３４を同時に示している。図８による処理を終えると、データ点１１３７に対応する新たなクラスタが作成され、図９Ｂに示すような対応する確率分布１１３８が生成される。最終的には図９Ｃに示すような新規の車両とドライバ、又は車両と新規のドライバの組合せに対する混合分布１１３９が生成される。

次に、診断部１２の動作について図１０を用いて説明する。図１０は、本発明の実施例１に関する診断モデル生成部１２２の詳細ブロックを含めた診断部１２のブロック図である。

診断モデル生成部１２２は、新規ドライバ・車両組合せ検出部１２２１、混合比率探索部１２２２、混合分布生成部１２２３、混合分布取得部１２２５を備えている。

新規ドライバ・車両組合せ検出部１２２１では、診断データ入力部１２１に入力された車両とドライバを組合せた診断用走行データから、該当する走行データの走行環境を推定するとともに、ドライバと車両の組合せに対応した予測分布の混合比率が、混合比率記憶部１４に記憶されているか否かを判定する。記憶されていない場合、新規のドライバと車両、又はドライバと新規の車両の組合せであると判定し、混合比率探索部１２２２の処理へと進む。一方で、記憶されている場合は、混合分布取得部１２２５の処理へと進む。

混合比率探索部１２２２では、混合比率記憶部１４に記憶されたドライバと車両の組合せ毎の環境別の混合比率の中から、新規ドライバ・車両組合せ検出部１２２１で検出した新たなドライバと車両、又はドライバと新たな車両の組合せに関するデータの走行環境に一致するものがあれば、車両＞ドライバの優先順位でその混合比率を取得する。同じ優先順位のものが複数ある場合は、該当する混合比率の平均を取ることや、環境の条件をより詳細に分類して一致するものを選択することができる。例えば、環境条件がある場合には、環境、車両、ドライバの優先順位で混合比率を選択する。

混合分布生成部１２２３では、混合比率探索部１２２２から得られた混合比率と、確率分布記憶部１３に記憶された該当する確率分布に基づいて、混合分布（予測分布）を生成する。

混合分布取得部１２２５では、混合比率記憶部１４に記憶された既存のドライバと車両の組合せに対応する混合比率と、確率分布記憶部１３に記憶された混合比率に対応する確率分布を取得して、混合分布（予測分布）を生成する。

図１１は、本発明の実施例１に関する混合比率探索部１２２２及び混合分布生成部１２２３での動作を示すフローチャートである。

ステップＳ３０１では、混合比率記憶部１４に記憶されたドライバと車両に関する組合せ毎の環境別の混合比率の中に、新規のドライバと車両、又はドライバと新規の車両の組合せに関するデータの走行環境条件に一致するものがあるか否かを判定し、ある場合はステップＳ３０２にて、該当の環境の混合比率に基づいて混合分布を生成する。無い場合はステップＳ３０３へ進む。

ステップＳ３０３では、混合比率記憶部１４に記憶されたドライバと車両に関する組合せ毎の混合比率の中に、新規のドライバと車両、又はドライバと新規の車両の組合せに関する車両条件が一致するものがあるか否かを判定し、ある場合はステップＳ３０４にて、該当の車両の混合比率に基づいて混合分布を生成する。無い場合はステップＳ３０５へ進む。

ステップＳ３０５では、混合比率記憶部１４に記憶されたドライバと車両に関する組合せ毎の混合比率の中に、新規のドライバと車両、又はドライバと新規の車両の組合せに関するドライバ条件が一致するものがあるか否かを判定し、ある場合はステップＳ３０６にて、該当のドライバの混合比率に基づいて混合分布を生成する。無い場合はステップＳ３０７にて確率分布を均等の混合比率にした混合分布を生成する。

上記において、該当の混合比率が複数ある場合においては、各々の混合比率の平均を取ることにより、混合分布を生成する。

異常度演算部１２３では、混合分布生成部１２２３、又は混合分布取得部１２２５で生成された混合分布から異常度を演算する。

図１２は、本発明の実施例１に関する異常度演算部１２３の詳細構成を示すブロック図である。異常度演算部１２３は、特定走行モード抽出部１２３１、特徴量計算部１２３２、標準化処理部１２３３、及び異常度計算部１２３４を備えている。

特定走行モード抽出部１２３１及び特徴量計算部１２３２は、学習部１１のデータ抽出部１１２（図２参照）における特定走行モード抽出部１１２２及び特徴量計算部１１２３と同等の機能を有している。

異常度演算部１２３には、混合分布生成部１２２３、又は混合分布取得部１２２５で生成された混合分布と、診断用走行データ３が入力される。

標準化処理部１２３３及び特徴量計算部１２３２は、学習部１１のデータ抽出部１１２における標準化処理部１１２４で標準化した際の平均値ベクトル、及び標準偏差ベクトルを保持している。この値を用いて、標準化する。

異常度計算部１２３４では、混合分布生成部１２２３または混合分布取得部１２２５で生成・取得された混合分布を予測分布ｐ（ｘ）として、次式にて異常度ａを計算する。

ａ＝－１／（診断データ点の数）×（各診断データ点ｘにおけるｌｎ ｐ（ｘ）の合計）
上記のようにｐ（ｘ）の対数を取ることで、予測分布から外れるデータは確率が低くなるため大きな負の値となる。また各点ｘにおけるｌｎ ｐ（ｘ）の合計を取っているため、予測分布から外れるデータの量が多いほど大きな負の値となる。さらに、診断データ点の数で割っているため、値はデータ点１点あたりの異常度の平均値となるとともに、マイナスの符号をつけることで、予測分布から外れるほど異常度が高くなるようになっている。

すなわち、診断部１２における異常度演算部１２３では、診断する車両とドライバの組合せに基づいて、確率分布記憶部１３に記憶された確率分布と混合比率記憶部１４に記憶された混合比率とから診断する車両とドライバの組合せの混合分布を生成し、生成した混合分布と診断用走行データの分布を比較して異常を判定する。

図１３を用いて具体的な例を用いて説明する。図１３は、本発明の実施例１に関する特徴量を１次元としたときの予測分布１２２３１を示す図である。

図１３において、特徴量ｘの値がｂの時は、確率ｐ（ｂ）は大きな値となる。一方で、特徴量ｘの値がａの時は、確率ｐ（ａ）は小さな値となる。従って、上記異常度の計算式によれば、予測分布から外れる点ａのような点が診断データに多く含まれる場合は、異常度が高くなる。

診断結果出力部１２４では、異常度計算部１２３４で計算された異常度に基づいて診断結果、すなわち、車両の異常の可能性があるか否かを判定して出力する。この判定は、異常度や異常度のトレンドに対して閾値を設け、閾値を超えた際に異常と判定する。

なお、診断結果出力部１２４は、診断結果として正常か異常かの判定結果だけでなく、異常の判定結果が出た際に、異常である可能性をドライバや車両の保有者、管理者に対して信用してもらうために追加情報を出力するようにしてもよい。例えば、直近の異常度のトレンドや、正常時の異常度の平均値と異常判定時の異常度の比較を示すことなどが考えられる。

さらに、異常度の悪化に対して影響が大きかった特徴量を示すことも可能である。例えば、制動装置の異常検知を行う際の特徴量として、制動距離を選択しているときに、この特徴量が異常度の悪化に大きく影響していれば、異常判定に加えて「制動距離が伸びています」などのように具体的にどのような異常なのかを示すことも可能である。

本実施例による異常検出装置によれば、学習済みの診断モデルを持たない新たな車両とドライバ、又は車両と新たなドライバの組合せによる走行データであっても、学習済みの診断モデルの中から、データの分布の特徴が似ていると考えられるものを抽出し、診断に用いることができる。

さらに、本実施例による異常検出装置によれば、新たな車両とドライバ、又は車両と新たなドライバの組合せによる走行データの量がわずかであっても、学習済みの確率分布と新たに学習する確率分布を使って診断モデルを生成することができるため、高精度な診断を行うことができる。

次に、本発明の実施例２について説明する。実施例２は、オンラインによって車両を診断するものである。

図１５は、本発明の実施例２に関する車両のオンライン診断を実行するための全体構成を示すブロック図である。図１（実施例１）に示したものと同一の機能を有するものについては同じ符号を付し、その詳細な説明は省略する。

車両４は通信基地局５を介し、ネットワーク６に接続されている。車両４の走行データは、通信基地局５からネットワーク６を経由して、データ収集サーバ７に特定のタイミングでアップロードされる。ここで、特定のタイミングとは、１秒毎や１０秒毎、１分毎といった周期的なタイミングや、１回の走行（走行開始から停止まで）毎、出発地から目的地への移動毎などのタイミングである。

データ収集サーバ７は、データ取得部７１、データ送信部７２、診断結果取得部７３、診断結果送信部７４を備えており、データ取得部７１では車両４からアップロードされた走行データを学習用走行データ２として記憶するとともに、データ送信部７２にオンラインデータとして出力する。

データ送信部７２は、データ取得部７１から受け取ったオンラインデータを、異常診断装置１へ送信する。

診断結果取得部７３は、異常診断装置１から出力された診断結果を取得し、診断結果送信部７４へ出力する。

診断結果送信部７４は、受け取った診断結果に該当する車両４、または図示しない車両４の拠点や車両４の管理元に対して、診断結果を送信する。

異常診断装置１は、図１の診断部１２からオンライン診断部１５へ変更される。

オンライン診断部１５は、診断部１２と比較して、診断データ入力部、及び診断結果出力部の動作が変更になる。

診断データ入力部１５１は、データ収集サーバ７のデータ送信部７２からの送信タイミングに合わせて診断データが入力される。

診断結果出力部１５２では、判定した診断結果(異常の可能性の有無)をデータ収集サーバ７の診断結果取得部７３へ送信する。

以上のような構成にすることで、実施例２によれば、診断用のデータをオンラインで取得する場合であっても、オフラインの場合と同様に高精度に診断することができる。

本発明では、車両毎に走行データの分布が異なる点、車両のドライバによっても走行データの分布が異なる点、さらに、車両の走行環境によっても走行データの分布が異なる点に着目し、実施例１及び実施例２を記載しているが、車両に限定されるものではなく、建設機械や航空機など、機器とオペレータが存在し、複雑な環境下で動作するものに対しても適用可能である。すなわち、移動体とその移動体を操作する操作者の組合せであれば良い。移動体と操作者の組合せの場合には、学習用走行データ２は学習用移動データとし、診断用走行データ３は診断用移動データ（診断する移動データ）とする。上記実施例の場合、移動体が車両であり、操作者が車両を操作するドライバとなる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明をわかりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の公正に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計する等により、ハードウェアで実現しても良い。また、上記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現しても良い。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤなどの記録媒体に置くことができる。

１…異常診断装置、２…学習用走行データ、３…診断用走行データ、４…車両、５…通信基地局、６…ネットワーク、７…データ収集サーバ、１１…学習部、１２…診断部、１３…確率分布記憶部、１４…混合比率記憶部、１５…オンライン診断部、４１…データ点、４２，４３，４４…確率分布部品、４５…混合分布、７１…データ取得部、７２…データ送信部、７３…診断結果取得部、７４…診断結果送信部、１０２…データ抽出部、１１１…学習データ入力部、１１２…データ抽出部、１１３…データ分布近似部、１２１…診断データ入力部、１２２…診断モデル生成部、１２３…異常度演算部、１２４…診断結果出力部、１５１…診断データ入力部、１５２…診断結果出力部、１１２１…ドライバ・車両別データ収集部、１１２２…特定走行モード抽出部、１１２２ａ…走行データ、１１２２ｂ…ブレーキ期間、１１２３…特徴量計算部、１１２４…標準化処理部、１１３１…特徴量データ点、１１３２,１１３３，１１３４…確率分布、１１３５，１１３６…混合分布、１１３７…データ点、１１３８…確率分布、１１３９…混合分布、１２２１…新規ドライバ・車両組合せ検出部、１２２２…混合比率探索部、１２２３…混合分布生成部、１２２５…混合分布取得部、１２３１…特定走行モード抽出部、１２３２…特徴量計算部、１２３３…標準化処理部、１２３４…異常度計算部、１２２３１…予測分布

Claims (5)

1. 移動体の移動データから前記移動体の異常の可能性を判定する異常診断装置において、
   複数の移動体と複数の操作者を組合せた学習用移動データから移動体と操作者の組み合わせ毎にデータを分割し、分割されたデータ毎に診断に必要なデータを抽出し、抽出したデータから診断対象部品の特徴量を計算し、計算した特徴量を標準化して移動体と操作者の組み合わせ毎の標準化された特徴量データを抽出するデータ抽出部と、
   前記データ抽出部で抽出された特徴量データを任意の数のクラスタに分割し、移動体と操作者の組み合わせ毎の各クラスタへの負担率の合計に基づいて混合比率を算出すると共に、移動体と操作者の組み合わせ毎の確率分布を生成するデータ分布近似部と、
   前記データ分布近似部で生成された前記確率分布を記憶する確率分布記憶部と、
   前記データ分布近似部で算出された前記混合比率を記憶する混合比率記憶部と、
   診断する移動体と操作者の組合せに基づいて、前記確率分布記憶部に記憶された前記確率分布と前記混合比率記憶部に記憶された前記混合比率とから診断する移動体と操作者の組合せの混合分布を生成し、生成した混合分布と診断する移動データの分布を比較して異常を判定する診断部と、
   を備えたことを特徴とする異常診断装置。
2. 請求項１において、
   前記移動体は車両であり、前記操作者は前記車両のドライバであることを特徴とする異常診断装置。
3. 請求項２において、
   前記データ分布近似部は、前記車両とドライバを組合せた学習用移動データを用いて環境に対応する前記確率分布及び前記混合比率を生成し、
   前記診断部は、診断する移動データにおいて車両とドライバの組合せの混合比率が前記混合比率記憶部に記憶されていない場合は、前記混合比率記憶部に記憶された混合比率の中から、環境、車両、ドライバの優先順位で混合比率を選択し、診断する移動データに対応する車両とドライバの組合せの混合分布を生成することを特徴とする異常診断装置。
4. 請求項３において、
   前記環境は、走行区間におけるブレーキ操作時の走行データ、アクセル操作時の走行データ、ハンドル操作時の走行データのうち、少なくとも何れか一つの走行データの抽出割合が予め定められた範囲にあることを条件とする車両の走行状態であることを特徴とする異常診断装置。
5. 請求項３において、
   前記環境は、前記車両の位置情報に基づく道路種別情報、道路勾配推定結果、路面状態推定結果のうち、少なくとも何れか一つを条件とすることを特徴とする異常診断装置。

Images