JP7468778B2

JP7468778B2 - 車両異常検出装置及び車両異常検出方法

Info

Publication number: JP7468778B2
Application number: JP2023508128A
Authority: JP
Inventors: 康裕田中
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 2021-03-25
Filing date: 2021-03-25
Publication date: 2024-04-16
Anticipated expiration: 2041-03-25
Also published as: JPWO2022200821A1; WO2022200821A1; EP4316918A1; CN117120307A

Description

本発明は、車両異常検出装置及び車両異常検出方法に関するものである。

特許文献１に、車両が走行中に発生した故障を検出する車載装置が開示されている。この車載装置は、車両に故障が発生したと診断される際に継続して出力される故障情報を受信し、車両の走行距離が所定距離以上となるまで継続して故障情報を受信した場合に、その故障情報の信頼性が高いと判断する。

特開２００９－２２７２５０号公報

しかしながら、車両が走行中に検出されるが、停止中では検出できない故障を検出するためには、車両を走らせなければならない。よって、この車両を走行させるためのエネルギーが無駄になる。

本発明は、上記課題に鑑みて成されたものであり、その目的は、第２車両を走行させるために必要なエネルギーを消費せず第２車両の異常を検出することができる車両異常検出装置及び車両異常検出方法を提供することである。

上記目的に鑑み、本発明の一態様に係る車両異常検出装置は、走行中の第１車両から異常が検出されたことを示す異常情報データ及び異常状態の静止中の第１車両から検出された第１検出データ、静止中の第２車両から検出された第２検出データを受信する受信部と、異常情報データと第１検出データとを関連付けて記憶する記憶部と、第１検出データ及び第２検出データを用いて、第２車両に異常があるか否かを判断する異常判断部と、異常があると判断された場合、異常情報データを第２車両が備える又は第２車両に関連する通知装置に送信する送信部と、を備える。

本発明の一態様によれば、第２車両を走行させるために必要なエネルギーを消費せず第２車両の異常を検出することができる。

図１は、第１実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を示すブロック図である。図２Ａは、図１の車両異常検出装置３の動作の一例であって、学習モデルを用いて類似度を算出する例を示すフローチャートである。図２Ｂは、図１の車両異常検出装置３の動作の他の例であって、学習モデルを用いずに類似度を算出する例を示すフローチャートである。図３は、第２実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を示すブロック図である。図４は、図３の車両異常検出装置３の動作の一例を示すフローチャートである。図５は、第３実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を示すブロック図である。図６は、図５の車両異常検出装置３の動作の一例を示すフローチャートである。図７は、第４実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を示すブロック図である。図８は、図７の車両異常検出装置３の動作の一例を示すフローチャートである。図９は、第５実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を示すブロック図である。図１０は、図９の車両異常検出装置３の動作の一例を示すフローチャートである。図１１は、表示装置４の表示画面の例を示す図である。

図面を参照して、実施形態を説明する。図面の記載において同一部分には同一符号を付して説明を省略する。

（第１実施形態）
図１を参照して、第１実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を説明する。車両異常検出システムは、走行中に故障（異常の一例）が検出された故障車両１と、故障検出の対象となる対象車両２と、対象車両２の故障診断を行う車両異常検出装置３と、判断結果を表示する表示装置４とを備える。

「対象車両」は、車両異常検出装置３によって故障の有無を判断される車両であって、その一例として、車両を販売する販売店（カーディーラーを含む）に持ち込まれた特定のユーザが所有する車両、未だ販売されていない開発中又は実験中の車両（以後、「開発車両」と呼ぶ）、及び長期に放置され走行していなかった車両が挙げられる。一方、「故障車両」は、対象車両の故障診断を行う際に車両異常検出装置３が用いるデータが検出された車両である。

全ての実施形態において、「異常」には、車両が正常ではないこと、すなわち、車両が本来備える所定の機能、能力又は特性を発揮できなくなる故障のみならず、故障までは至らない不調及び故障の兆しも含まれる。「異常」の一例として「故障」について説明するが、「異常」の意味を故障に限定する意図はない。

故障車両１及び対象車両２は、それぞれ、車両１、２を制御する複数の電子制御ユニット（ＥＣＵ：ＥｌｅｃｔｒｏｎｉｃＣｏｎｔｒｏｌＵｎｉｔ）１３、１４、・・・、２３、２４、・・・を有し、車両１、２の制御においては、これら複数のＥＣＵ間でデータを共有している。共有する際の通信プロトコルとして、ＣＡＮ（ＣｏｎｔｒｏｌｌｅｒＡｒｅａＮｅｔｗｏｒｋ）が用いられている。自動車では、ＣＡＮ通信を介した車載ネットワークを利用し、ＣＡＮ上を流れる時系列データであるＣＡＮメッセージデータ（以下、ＣＡＮデータ）を利用して故障診断を行うことができる。

故障車両１及び対象車両２は、それぞれ、ＣＡＮデータ及びＥＣＵ１３、１４、・・・、２３、２４、・・・の入力データ及び出力データ（これらを纏めて「検出データ」と呼ぶ）を収集する車両信号収集部１２、２２と、検出データを車両異常検出装置３へ送信する送信部１１、２１を更に有する。ＥＣＵには、ゲートウェイＥＣＵ、車内エンターテインメント（ＩＶＩ：ｉｎ－ｖｅｈｉｃｌｅｉｎｆｏｔａｉｎｍｅｎｔ）ＥＣＵ、テレマティクス制御ユニット（ＴＣＵ）、エンジン制御ＥＣＵ、充電制御ＥＣＵ、パワーステアリングＥＣＵ、エアバッグＥＣＵ、ハイブリッド制御ＥＣＵ、トランスミッション制御ＥＣＵが含まれる。

車両異常検出装置３は、走行中又は停止中（静止中の一例）の故障車両１及び対象車両２から検出された様々なデータを受信する受信部３１と、受信したデータを記憶する記憶部（走行／停止信号相関データベース３４）と、記憶したデータを用いて、対象車両２の故障診断を行う異常判断部（第２故障部位特定部３５）と、故障があると判断された場合に、その旨のデータを通知装置（表示装置４）へ送信する送信部６１とを少なくとも有する。

受信部３１は、走行中の故障車両１（第１車両）から異常が検出されたことを示す異常情報データ及び故障が発生している状態の静止中の故障車両１から検出された第１検出データを受信し、故障車両１とは異なる対象車両２（第２車両）であって静止中の対象車両２から検出された第２検出データを受信する。走行／停止信号相関データベース（ＤＢ）３４は、異常情報データと第１検出データとを関連付けて記憶する。異常情報データは、走行中の故障車両１から異常が検出されたことを少なくとも示す。走行／停止信号相関ＤＢ３４は、ＣＡＮデータ（第１検出データの一例）に対して、「故障」というラベル（異常情報データ）を付して、記憶する。第１検出データが検出されたときの故障車両１は未だ故障が修理されていない状態であり、第１検出データは、故障車両１が停止中（静止中の一例）において検出されたデータである。

「停止中」には、車両は走行していないが、走行可能な状態、例えば、エンジンが始動している状態、走行に必要な制御ユニットの電源がオンの状態が含まれる。「静止中」には、前記した停止中の他に、走行可能ではないが、車載されたエアコン、音響機器及びナビゲーションシステムの電源がオンの状態が含まれる。

第２故障部位特定部３５は、第１検出データ及び第２検出データを用いて、走行中の故障車両１から検出された異常が対象車両２にあるか否かを判断する。第２故障部位特定部３５は、第１検出データ及び第２検出データを比較して、異常が対象車両２にあるか否かを判断する。第２故障部位特定部３５は、第２検出データが第１検出データに類似している場合、第１検出データが検出された故障車両１と同じ又は類似の故障が、対象車両２にも発生していと判断する。第２故障部位特定部３５は、第１検出データに紐付けられた異常情報データを用いて、異常が検出されたことを少なくとも特定することができる。さらに、第２故障部位特定部３５は、異常情報データに含まれる、その異常が検出された車両の部位、及びその異常が発生した車両の部位、交換／修理する部品を特定してもよい。

送信部６１は、対象車両２に故障があると判断された場合、異常情報データを表示装置４に送信する。表示装置４は、通知装置の一例であり、例えば、対象車両２のインストルメントパネルに搭載されたナビゲーションシステムの操作画面、オーディオシステム又はエアコンの操作画面のような対象車両２が備える装置、及び、対象車両２の故障診断を行う販売店（カーディーラー）内に設置されたユーザインターフェース画面、或いは、販売店の販売員又は対象車両２のユーザが保持する携帯端末の表示画面のような対象車両２に関連する装置が含まれる。通知装置には、表示装置４の他に、音声で診断結果を伝える音声出力装置、電子メールで診断結果を伝えるメール発信装置が含まれる。

第２故障部位特定部３５は、走行中の故障車両１から異常が検出され、静止中の故障車両から検出された第１検出データ及び静止中の対象車両２から検出された第２検出データを用いて、第１検出データに関連付けられた異常情報データが示す異常が対象車両２にあるか否かを判断する。これにより、走行中に検出される異常の有無を、静止時の検出データ（第１検出データ及び第２検出データ）を用いて判断することができる。走行中には何らかの異常があったが静止中には発現しない異常を、静止中に検出された第１及び第２検出データを用いて検出することができる。つまり、走行時にしか検出できない異常を、対象車両２を走行させることなく検出することができる。このために、対象車両２を走行させるために必要なエネルギーを消費せずに温存することができる。また、開発中又は実験中の車両或いは長く放置した車両であっても、実際に走行させることなく、静止させたまま、走行時に発生する異常の有無を判断することができる。

車両異常検出装置３は、受信部３１と、第１故障部位特定部３２と、走行／停止紐付け部３３と、走行／停止信号相関ＤＢ３４と、第２故障部位特定部３５と、送信部６１とを備えていてもよい。第１故障部位特定部３２は、第１検出データから故障車両１の故障部位を特定する。例えば、第１故障部位特定部３２は、ＣＡＮデータから故障コードを取得し、故障コードから故障車両１の故障部位を特定する。

「故障コード」として、アルファベット１文字と４桁の数字から構成されるＤＴＣ（ＤｉａｇｎｏｓｔｉｃＴｒｏｕｂｌｅＣｏｄｅ）が例示される。ＤＴＣは、自動車をはじめとする輸送機器を制御する複数の電子制御ユニット（ＥＣＵ）にプログラミングされている自己診断機能（ＯＢＤ２：Ｏｎ－ＢｏａｒｄＤｉａｇｎｏｓｔｉｃｓ２）の故障コードである。ＤＴＣは、国際標準規格等で規格化されており、自動車メーカーに依らず共通に定義されているものと、各自動車メーカーが自由に定義しているものがある。車両が故障した際、カーディーラーにて故障診断機（車両異常検出装置３の一例）を接続することでＤＴＣを取得し、ＤＴＣから故障部位及び故障原因の少なくとも一方を特定することにより、故障部位を交換または修理することができる。故障部位の代わりに、故障種別であっても構わない。故障種別を特定することにより、様々な場面で発生した故障であっても、その異常種別ごとへの修理対応をすることができる。

走行／停止紐付け部３３は、故障が発生している状態の走行中の故障車両１から検出された検出データ（第４検出データ）と、第１検出データと、異常情報データとを紐付けた教師データを作成してもよい。さらに、故障が発生していない正常な状態の停止中の故障車両１から検出された検出データ（第５検出データ）を紐付けに追加してもよい。第１故障部位特定部３２により特定された故障部位及び故障原因の少なくとも一方を第１検出データに紐づけて教師データを作成しても構わない。紐付ける情報を増やすことにより、第２故障部位特定部３５で特定される情報（故障部位、故障種別、故障原因、走行時のＣＡＮデータ、ＤＴＣ）も増える。走行／停止信号相関ＤＢ３４には、これらの教師データが記憶される。

第２故障部位特定部３５は、走行／停止紐付け部３３により作成された教師データを用いて、故障の有無、故障部位、故障種別、故障原因を特定する学習モデルを有している。これらの学習モデルは、勾配ブースティング、ベイジアンネットワーク、ディープラーニングなどの機械学習を用いて作成してもよく、ルールベースで作成してもよい。これにより、様々な場面で発生した故障であっても、所定部位の故障であると特定することができる。併せて故障原因を特定することができる。

図２Ａを参照して、図１の車両異常検出装置３の動作の一例を説明する。まず、ステップＳ１０にて走行／停止紐付け部３３が教師データを作成し、ステップＳ２０に進み、第２故障部位特定部３５が教師データを用いて学習モデルを作成する。ステップＳ３０に進み、第２故障部位特定部３５が学習モデルを用いて対象車両２の故障診断を行い、ステップＳ４０に進み、送信部６１が診断結果を表示装置４へ送信する。

各ステップＳ１０～Ｓ４０の詳細な手順を説明する。ステップＳ１０１にて、受信部３１が、故障が発生している状態の走行中の故障車両１から検出された検出データ（第４検出データ）を故障車両１から受信する。ステップＳ１０２に進み、受信部３１が、故障が発生している状態の停止中の故障車両１から検出された検出データ（第１検出データ）を故障車両１から受信する。

ステップＳ１０３に進み、図２Ａの教師データＤ０１に示すように、走行／停止紐付け部３３が、第４検出データ（ｄａｔａ１、ｄａｔａ２、ｄａｔａ３）と第１検出データ（ｄａｔａ１’、ｄａｔａ２’、ｄａｔａ３’）と、異常情報データ（故障対象、原因）と、故障が発生していない正常な状態の停止中の故障車両１から検出された第５検出データ（ｄａｔａ１’’、ｄａｔａ２’’、ｄａｔａ３’’）とを紐付けて、停止中の正常／故障の教師データを作成する（ステップＳ１０４）。ステップＳ２０１に進み、第２故障部位特定部３５（学習モデル作成部）は、教師データを用いて、停止中の教師データを正常又は異常に分類する学習モデルを作成する。

ステップＳ３０１に進み、受信部３１が停止中の対象車両２から検出された第２検出データを受信する。ステップＳ３０２に進み、第２故障部位特定部３５は、第１検出データ及び第２検出データとステップＳ２０１で作成した学習モデルを用いて、走行中の故障車両１から検出された異常が対象車両２にあるか否かを判断する。具体的には、第２故障部位特定部３５は、ステップＳ２０１の学習モデルを用いて、第２検出データと第１検出データとの類似度を算出する。ステップＳ２０１の学習モデルを用いる算出方法の一例として勾配ブースティングが挙げられる。このとき、類似度の一例として、勾配ブースティングにおいて算出される適合率を用いることができる。所定の複数の確認事項のうち第１検出データと第２検出データが適合する事項の数の割合を適合率として算出する。

類似度が所定値以上である場合（Ｓ３０３でＹＥＳ）、第２故障部位特定部３５は、異常情報データ（教師データＤ０１の故障対象、原因）に示された故障が対象車両２にあると判断する。類似度が所定値未満である場合（Ｓ３０３でＮＯ）、第２故障部位特定部３５は、対象車両２に故障はないと判断する。ステップＳ４０１に進み、送信部６１は、少なくとも故障の有無を含む診断結果を表示装置４に送信する。

以上説明したように、受信部３１は、故障が発生していない正常な状態の停止中の故障車両１から検出された第３検出データを更に受信する。第２故障部位特定部３５（学習モデル作成部）は、第３検出データと第１検出データとを用いて学習モデルを作成する。第２故障部位特定部３５は、学習済みの学習モデルを用いて、第２検出データから対象車両２に故障があるか否かを判断する。故障が発生していない正常な状態（例えば故障修理後）の停止中の故障車両１から検出された第３検出データと第１検出データを用いて学習した学習モデルを用いる。これにより、第２検出データが、故障時の停止時検出データ或いは正常時の停止時検出データのいずれに類似するかを判断することができるので、故障の発生の有無を精度よく判断することができる。例えば、故障箇所を修理した後に、対象車両２を走行させることなく、故障が無くなったことを精度よく確認することができる。

第２故障部位特定部３５は、第１検出データと第２検出データとの類似度が閾値以上である場合に、故障があると判断する。第１検出データと第２検出データとの類似度に基づいて、故障の有無を判断することにより、故障の発生の有無を精度よく検出することができる。

（変形例）
図２Ａを参照して説明した車両異常検出装置３の動作の一例では、学習モデルを作成し、この学習モデルを用いて第２検出データと第１検出データとの類似度を算出したが、類似度の算出方法として、学習モデルを利用しない方法もある。学習モデルを利用しない方法として、例えば、主成分分析を用いて類似度を算出する方法がある。

具体的には、図２Ｂに示すように、ステップＳ１０４の後に、図２ＡのステップＳ２０、すなわち、学習モデルを作成するステップＳ２０１を実施せずに、ステップＳ６０に進む。ステップＳ６０では、ステップＳ１０４で作成した停止中の正常／故障の教師データを主成分分析して、正常と各故障のクラスタに分類する。その後、ステップＳ３０へ進む。ステップＳ３０２において、対象車両の停止時の検出データを前記主成分分析に投影したとき、各クラスタ重心からの情報距離としてマハラノビス距離を算出することで各クラスタとの類似度を算出する。ここで、クラスタ分類手法は主成分分析に限らず、また情報距離はマハラノビス距離に限らない。また、クラスタ分類においては、例えば２次元にマッピングする、といった主成分分析で次元削減を行った後、ｋ－ｍｅａｎｓ法などのクラスタリング手法で分類してもよい。

（第２実施形態）
図３を参照して、第２実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を説明する。図１と同じ部分については、同じ符号を付して説明を省略する。図３の車両異常検出システムは、図１の走行／停止紐付け部３３の代わりに、走行／停止相関抽出部３６を備える点が相違し、その他の構成は同じである。

走行／停止相関抽出部３６は、故障が発生している状態の走行中の故障車両１から検出された第４検出データと、故障が発生している状態の停止中の故障車両１から検出された第１検出データとの間で、共通して変化のある信号を抽出する。又は、共通して信号間の相関関係が正常時の検出データと異なっている部分を抽出してもよい。走行／停止相関抽出部３６は、静止中の故障車両１から検出され且つ受信部３１により受信された第１検出データ全体のうち第３検出データから所定値以上乖離した部分を、第１検出データとして抽出する。これにより、第２故障部位特定部３５が処理するデータ量が削減されるので、計算コストを低減して、故障診断の効率化を図ることができる。

図４を参照して、図３の車両異常検出装置３の動作の一例を説明する。図２Ａと同じ部分については、同じ符号を付して説明を省略する。図４の車両異常検出方法は、図２ＡのステップＳ１０２の後、且つステップＳ１０３の前に、ステップＳ１１０を実施する点、つまり、ステップＳ１１０を追加した点が相違し、その他の構成は同じである。

第４検出データ及び第１検出データを受信した後、ステップＳ１１０に進み、走行／停止相関抽出部３６は、第４検出データ及び第１検出データのうち、正常時の検出データから乖離している信号もしくは相関関係を抽出する。走行時データ（第４検出データ）と停止時データ（第１検出データ）の共通部分のうち、正常時の検出データから乖離している部分を抽出しても構わない。ステップＳ１０３において、走行／停止紐付け部３３は、第４検出データ（ｄａｔａ１、ｄａｔａ２、ｄａｔａ３）の抽出部分と第１検出データ（ｄａｔａ１’、ｄａｔａ２’、ｄａｔａ３’）の抽出部分とを紐付ける。

（第３実施形態）
図５を参照して、第３実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を説明する。図３と同じ部分については、同じ符号を付して説明を省略する。図５の車両異常検出システムは、図３に比べて、第１異常度算出部３７と、第２異常度算出部３８（異常度算出部）とを更に備える点が相違し、その他の構成は同じである。

第１異常度算出部３７は、正常時からの逸脱量を定量化した異常度を算出する。第１異常度算出部３７は、故障が発生している状態の停止中の故障車両１から検出された第１検出データと、故障が発生していない正常な状態の停止中の故障車両１から検出された第３検出データとを比較することにより、故障車両１の異常度を算出する。

例えば、第１異常度算出部３７は、（１）式を用いて異常度ａ（ｘ’）を算出する。

ａ（ｘ’）＝｛（ｘ’－ｍ）^２｝／２ｓ^２・・・（１）
但し、（１）式において「ｘ’」は故障車両１の第１検出データ、「ｍ」は正常な状態の停止中の故障車両１から検出された第６検出データ、「ｓ」は第６検出データの標準偏差である。

第１故障部位特定部３２は、算出した異常度と予め設定した異常度閾値を比較し、異常度が異常度閾値を超える場合には、故障車両１に故障が発生していると判断してもよい。なお、異常度の算出方法は、上記手法に限らない。走行／停止相関抽出部３６は、算出した異常度を抽出部分に関連付けて教師データＤ０１を作成してもよい。

第２異常度算出部３８（異常度算出部）は、停止中の対象車両２から検出された第２検出データと、故障が発生していない正常な状態の停止中の対象車両２から検出された検出データとを比較することにより、異常度を算出する。第２異常度算出部３８は、第１異常度算出部３７が用いた異常度の算出方法と同じ方法を用いて、停止中の対象車両２の検出データから、走行時の対象車両２の異常度を算出することができる。送信部６１は、算出した対象車両２の異常度を故障診断結果の一部として表示装置４に送信する。これにより、対象車両２の修理のタイミングや修理の優先度を判断する指標を得ることができる。

第２異常度算出部３８は、対象車両２の異常度から、更に、故障車両１の異常度を基準とした対象車両２の異常度の相対値を算出してもよい。送信部６１は、算出した対象車両２の異常度の代わりに、又は対象車両２の異常度と共に前記した相対値を故障診断結果の一部として表示装置４に送信する。これにより、対象車両２の修理のタイミングや修理の優先度を判断する指標を得ることができる。

図６を参照して、図５の車両異常検出装置３の動作の一例を説明する。図４と同じ部分については、同じ符号を付して説明を省略する。図６の車両異常検出方法は、図４のステップＳ２０１の後、且つステップＳ３０１の前に、ステップＳ５０１を追加する点、及び、故障の有無の判断（Ｓ３０４、Ｓ３０５）の後、診断結果の送信（Ｓ４０１）の前に、ステップＳ３０６及びステップ３０７を追加する点が異なり、その他の構成は同じである。

学習モデルを作成した後に、ステップＳ５０１に進み、第１異常度算出部３７は、（１）式を用いて故障車両１の停止時の異常度ａ（ｘ’）を算出する。

類似度を用いて故障の有無を判断した後に、ステップＳ３０６に進み、第２異常度算出部３８は、第１異常度算出部３７と同じ算出手法である（１）式を用いて、対象車両２の異常度を算出する。ステップＳ３０７に進み、第２異常度算出部３８は、故障車両１の異常度を基準とした対象車両２の異常度の相対値を算出する。換言すれば、対象車両２の異常度の相対値を故障車両１の異常度で除算して前記した相対値を算出する。ステップＳ４０１では、送信部は、対象車両２の異常度及びその相対値を、故障診断結果の一部として、表示装置４へ送信する。

（第４実施形態）
図７を参照して、第４実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を説明する。図３と同じ部分については、同じ符号を付して説明を省略する。図７の車両異常検出システムは、図３に比べて、クラスタリング部３９を更に備える点が相違し、その他の構成は同じである。

受信部３１は、故障が発生している状態の走行中の故障車両１から検出された第４検出データ、及び故障が発生していない正常な状態の走行中の故障車両１から検出された第５検出データを更に受信する。クラスタリング部３９は、正常及び複数の故障モードを含めた故障車両１の様々な走行時の検出データ（第４検出データ、第５検出データ）をクラスタリングすることにより、走行／停止相関抽出部３６により抽出された信号又は相関関係と故障との関連性を確認する。これにより、第２故障部位特定部３５により特定された故障部位と他の可能性がある故障部位とを分類することができる。すなわち、第４検出データ及び第５検出データのクラスタリングが故障診断のダブルチェック機能の役割を果たすことで、多数存在する故障部位の選択肢の中から、精度良く故障部位を特定することができる。

図８を参照して、図７の車両異常検出装置３の動作の一例を説明する。図４と同じ部分については、同じ符号を付して説明を省略する。図８の車両異常検出方法は、図４のステップＳ１１０の後且つＳ１０３の前にステップＳ１０５を追加する点、図４のステップＳ３０２、Ｓ３０３、Ｓ３０４、Ｓ３０５の代わりに、ステップＳ３０８を実施する点が異なり、その他の構成は同じである。

信号又は相関関係を抽出した後（Ｓ１１０）、ステップＳ１０５に進み、クラスタリング部３９は、正常及び複数の故障モードを含めた故障車両１の様々な走行時の検出データ（第４検出データ、第５検出データ）をクラスタリングすることにより、走行／停止相関抽出部３６により抽出された信号又は相関関係と故障との関連性を確認する。その後、ステップＳ１０３へ進む。

受信部３１が停止中の対象車両２から検出された第２検出データを受信した後（Ｓ３０１）、ステップＳ３０８に進み、第２故障部位特定部３５は、勾配ブースティングを用いて対象車両１の第２検出データを分類して故障診断を行う。これにより、推定した故障部位と他の可能性がある故障部位とを精度よく分類することができる。

（第５実施形態）
図９を参照して、第５実施形態に係る車両異常検出装置３を含む車両異常検出システムの全体構成を説明する。図１と同じ部分については、同じ符号を付して説明を省略する。図９の車両異常検出システムは、図１に比べて、車両異常検出装置３が、走行／停止紐付け部３３及び走行／停止信号相関ＤＢ３４の代わりに、予測モデル作成部４１及び予測モデルＤＢ４２を有し、走行時データ予測部４３を更に有する点が相違し、その他の構成は同じである。

受信部３１は、第１～第３検出データ、故障が発生している状態の走行中の故障車両１から検出された第４検出データ、及び故障が発生していない正常な状態の走行中の故障車両１から検出された第５検出データを受信する。予測モデル作成部４１は、第１検出データと第４検出データとの第１相関関係を学習し、第３検出データと第５検出データとの第２相関関係を学習する。具体的には、入力を停止時の検出データ（第１検出データ、第３検出データ）とし、出力を走行時の検出データ（第４検出データ、第５検出データ）とする予測モデルをリカレントニューラルネットワークの一例であるＬＳＴＭ（Ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ）を用いて学習する。予測された走行時の検出データが実際の走行時の検出データに収束するように学習する。これにより、予測モデル作成部４１は、停止時の検出データから走行時の検出データを予測する予測モデルを作成することができる。作成された予測モデルは、予測モデルＤＢ４２に格納される。

走行時データ予測部４３は、予測モデルＤＢ４２に格納された予測モデルを用いて、対象車両１の停止時の第２検出データから対象車両１の走行時の検出データを推定する。第２故障部位特定部３５は、推定した対象車両２の走行時の検出データに基づいて、対象車両２に故障があるか否かを判断する。

これにより、対象車両２の停止時の検出データから走行時の故障の有無を特定することが可能となる。また、故障箇所を修理した後の停止時の検出データから、走行中に検出された故障が治り、正常に戻ったことを確認することが可能となる。

第２故障部位特定部３５（異常判断部）は、第１検出データと第４検出データとの第１相関関係及び第３検出データと第５検出データとの第２相関関係を用いて、故障車両２に故障があるか否かを判断する。これにより、故障時の停止中及び走行中の検出データとの相関関係、及び正常時の停止中及び走行中の検出データとの相関関係を用いて故障の有無を判断することにより、判断精度を高めることができる。

図１０を参照して、図９の車両異常検出装置３の動作の一例を説明する。図２Ａと同じ部分については、同じ符号を付して説明を省略する。図１０の車両異常検出方法は、図２ＡのステップＳ１０４及びＳ２０１の代わりに、Ｓ２０２及びＳ２０３を実施し、図２ＡのステップＳ３０２～Ｓ３０５の代わりに、Ｓ３０９及びＳ３１０を実施する点が異なり、その他の構成は同じである。

ステップＳ２０２において、予測モデル作成部４１は、入力を停止時の検出データとし、出力を走行時の検出データとする予測モデルを、出力される走行時の検出データが実際の走行時の検出データに収束するように学習する。ステップＳ２０３に進み、予測モデル作成部４１は、停止時の検出データから走行時の検出データを予測する予測モデルを作成して、予測モデルＤＢ４２に格納する。

ステップＳ３０９において、走行時データ予測部４３は、予測モデルＤＢ４２に格納された予測モデルを用いて、対象車両１の停止時の第２検出データから対象車両１の走行時の検出データを推定する。第２故障部位特定部３５は、推定した対象車両２の走行時の検出データに基づいて、対象車両２に故障があるか否かを判断する。

図１１を参照して、表示装置４の表示画面の例を説明する。対象車両２の停止時の検出データ５３の中に、故障が発生していない状態の同車種の停止時の検出データ５１と比べて相違する箇所５５、５６がマークされている。そして、走行時データ予測部４３が予測した対象車両１の走行時の検出データ５４が示され、走行時の検出データ５４の中に、停止時の検出データ５３と同じ個所５５、５６にマークされ、更に、故障の症状があらわれている箇所５７、５８にもマークされている。走行時の検出データ５４と対比するために、正常状態の同車種の走行時の検出データ５２も表示されている。停止時の検出データ５１と正常状態（５１、５２）との比較、停止時の検出データ５１と予測された走行時の検出データ５４との比較により、対象車両２の故障を納得がいくように分かり易く表示することができる。さらに、正常状態から乖離した信号の種類（ｓｉｇｎａ１２、ｓｉｇｎａｌ８）及び予測される故障部位（部品Ａ、部品Ｄ）を表示することで、故障への対処（修理）方法を検討しやすくすることができる。

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

送信部６１は、対象車両２の静止時に、故障が発生することが予測される走行状態（例えば、毎時８０ｋｍ以上の走行速度）を示す走行状態情報を通知装置４に送信してもよい。対象車両２のユーザは、対象車両２の静止中において、予め、故障の発生が予想される走行状況を知ることができるので、故障の発生を抑制して、車両の安全性を高めることができる。

送信部６１は、対象車両２の静止時に、故障によって制限される走行条件（例えば、毎時８０ｋｍ以下の走行速度）を示す走行制限情報を通知装置４に送信してもよい。対象車両２のユーザは、対象車両２の静止中において、予め、故障によって制限される走行条件を知ることができるので、故障の発生を抑制し且つ車両を安全に走行させることができる。

故障を検出した部位ごとに、故障車両１の停止時の検出データをデータベース３４に記憶し、第２故障部位特定部３５は、対象車両２が故障していると判断した場合、故障車両１の停止時の検出データに関連つけられた部品を対象車両２の異常のある部品として推定する。これにより、様々な場面で発生した故障であっても、所定部位の故障であると特定することができる。

また、故障の種別ごとに、故障車両１の停止時の検出データをデータベース３４に記憶し、第２故障部位特定部３５は、対象車両２が故障していると判断した場合、故障車両１の停止時の検出データに関連つけられた故障の種別を対象車両２の故障の種別として推定する。これにより、様々な場面で発生した故障であっても、異常種別ごとへの修理対応をすることができる。

また、故障車両１及び対象車両２は同一の車両であってもよい。これにより、車両別に分類したうえで診断をすることができ、故障診断の精度を向上させることができる。

４表示装置（通知装置）３１受信部３４走行／停止信号相関ＤＢ（記憶部）３５第２故障部位特定部（異常判断部）３８第２異常度算出部（異常度算出部）４１予測モデル作成部（学習モデル作成部）４２予測モデルＤＢ（記憶部）６１送信部

Claims

走行中の第１車両から異常が検出されたことを示す異常情報データ及び前記異常が発生している状態の静止中の前記第１車両から検出された第１検出データを受信し、前記第１車両とは異なる第２車両であって静止中の前記第２車両から検出された第２検出データを受信する受信部と、
前記異常情報データと前記第１検出データとを関連付けて記憶する記憶部と、
前記第１検出データ及び前記第２検出データを用いて、走行中の前記第１車両から検出された前記異常が前記第２車両にあるか否かを判断する異常判断部と、
前記異常があると判断された場合、前記異常情報データを前記第２車両が備える又は前記第２車両に関連する通知装置に送信する送信部と、
を備える車両異常検出装置。
前記受信部は、前記異常が発生していない正常な状態の静止中の前記第１車両から検出された第３検出データを更に受信し、
前記車両異常検出装置は、前記第３検出データと前記第１検出データとを用いて学習モデルを作成する学習モデル作成部を更に備え、
前記異常判断部は、学習済みの前記学習モデルを用いて、前記第２検出データから前記第２車両に前記異常があるか否かを判断する
請求項１に記載の車両異常検出装置。
前記異常判断部は、前記第１検出データと前記第２検出データとの類似度が閾値以上である場合に、前記異常があると判断する、請求項２に記載の車両異常検出装置。
前記第１検出データは、静止中の前記第１車両から検出されたデータ全体のうち前記第３検出データから所定値以上乖離した部分を抽出したデータである、請求項２に記載の車両異常検出装置。
前記受信部は、前記異常が発生している状態の走行中の前記第１車両から検出された第４検出データ、及び前記異常が発生していない正常な状態の走行中の前記第１車両から検出された第５検出データを更に受信し、
前記異常判断部は、前記第１検出データと前記第４検出データとの第１相関関係及び第３検出データと前記第５検出データとの第２相関関係を用いて、前記第２車両に前記異常があるか否かを判断する
請求項２に記載の車両異常検出装置。
前記送信部は、前記第２車両の静止時に、前記異常が発生することが予測される走行状態を示す走行状態情報を前記通知装置に送信する、請求項１～５のいずれか一項に記載の車両異常検出装置。
前記送信部は、前記第２車両の静止時に、前記異常によって制限される走行条件を示す走行制限情報を前記通知装置に送信する、請求項１～６のいずれか一項に記載の車両異常検出装置。
正常時からの逸脱量を定量化した示す前記第２車両の異常度を算出する異常度算出部を更に備え、
前記送信部は、前記第２車両の異常度を前記通知装置に送信する
請求項１～７のいずれか一項に記載の車両異常検出装置。
正常時からの逸脱量を定量化した示す異常度を算出する異常度算出部を更に備え、
前記異常度算出部は、
前記第１車両の異常度を算出し、
前記第１車両の異常度と前記第１検出データとを関連付けて前記記憶部に記憶させ、
前記第２車両の異常度を算出し、
第１車両の異常度を基準とした前記第２車両の異常度の相対値を算出し、
前記送信部は、前記相対値を前記通知装置に送信する
請求項１～７のいずれか一項に記載の車両異常検出装置。
走行中の第１車両から異常が検出されたことを示す異常情報データ及び前記異常が発生している状態の静止中の前記第１車両から検出された第１検出データを受信し、
前記第１車両とは異なる第２車両であって静止中の前記第２車両から検出された第２検出データを受信し、
前記異常情報データと前記第１検出データとを関連付けて記憶し、
前記第１検出データ及び前記第２検出データを用いて、走行中の前記第１車両から検出された前記異常が前記第２車両にあるか否かを判断し、
前記異常があると判断された場合、前記異常情報データを前記第２車両が備える又は前記第２車両に関連する通知装置に送信する、
車両異常検出方法。