JP7480683B2 - 状態推定装置、方法およびプログラム - Google Patents

Description

本開示は状態推定装置、状態推定方法および状態推定プログラムに関する。

特許文献１には、製造条件とその結果を格納した実績データベースの各サンプルと要求点との類似度を計算する手段と、前記類似度を重みとした重み付き回帰により要求点近傍の予測式を作成する手段と、前記予測式のパラメータを、対象の物理的特性（例えば冶金現象の定性的知識）を制約条件として、数理計画法により求める手段と、前記予測式を用いて、要求点の結果を予測する手段とを備えた結果予測装置が記載されている。

特開２００６－３０９７０９号公報

量産工業製品を対象として、例えば無線通信などの手段により個々の製品からデータを収集し、収集したデータから個々の製品の将来の劣化度合いなどの将来の状態を推定したいというニーズがある。このニーズに対して特許文献１に記載の技術を適用し、推定対象個体の過去データに基づき推定対象個体の将来の状態を外挿により推定すれば、推定精度が向上することが期待できる。しかし、あくまで外挿であるので、学習に用いたサンプルとの距離が大きい場合、すなわち長期予測を行う場合には、やはり推定精度が不足するという問題がある。

また、量産工業製品であれば、推定対象個体と同型でかつ他の個体（以下、同型他個体という）のデータも収集できるので、推定対象個体の将来の状態を推定するにあたり、同型他個体のデータも用いることも考えられる。この場合、同型他個体のデータに、推定対象個体よりも長期間に亘って使用されている個体のデータが含まれている可能性があることで、時間に対する外挿が内挿となることが期待でき、長期予測を行う際の推定精度を向上させることが可能である。しかし、推定対象個体が特異な個体であった場合（例えば製造ばらつきに起因、使用方法が特異、使用環境が特異など）には、同型他個体のデータも用いると却って推定精度が悪化するという問題がある。

なお、推定対象個体が特異な個体であった場合の影響も含めてモデル化を行ったとすると、特異な個体も精度良く推定でき、長期の推定ができる可能性もあるものの、必要なデータが質・量共に膨大となることから、コスト・時間の観点で現実的ではない。

本開示は上記事実を考慮して成されたもので、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を低コストで実現可能な状態推定装置、状態推定方法および状態推定プログラムを得ることが目的である。

第１の態様に係る状態推定装置は、第１の製品の将来の状態を推定する推定部を含み、前記推定部は、前記第１の製品に関するデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出する算出部と、前記第１の外挿推定値と前記第２の外挿推定値との合成比を決定する決定部と、前記決定部で決定された合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成する合成部と、を含んでいる。

第１の態様では、第１の製品の将来の状態を推定するにあたり、第１の製品に関するデータから第１の外挿推定値を算出すると共に、第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出する。第１の外挿推定値は、第１の製品に関するデータから算出するので、長期の推定では精度が低下するものの、第１の製品が特異な個体であっても高い推定精度が得られる。また、第２の外挿推定値は、第２の製品に関するデータから算出するので、第１の製品が特異な個体である場合は短期の推定すら精度が不足するものの、長期の推定ができる可能性がある。

このように、第１の外挿推定値と第２の外挿推定値とが相補的な関係にあることに基づき、第１の態様では、第１の外挿推定値と第２の外挿推定値との合成比を決定し、決定した合成比に基づいて第１の外挿推定値と第２の外挿推定値とを合成する。これにより、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を、膨大なデータを必要とすることなく低コストで実現することが可能になる。

第２の態様は、第１の態様において、前記第２の製品は、前記第１の製品の同型他個体である。

第２の態様によれば、第２の製品が第１の製品と同型でない場合と比較して、第２の外挿推定値をより精度良く算出することができる。

第３の態様は、第１の態様又は第２の態様において、前記決定部は、前記第１の製品に関するデータのうちの一部のデータから、当該一部のデータに対する推定誤差が最小となるように前記合成比を決定する。

第３の態様によれば、第１の外挿推定値と第２の外挿推定値との適切な合成比を決定することができる。

第４の態様は、第３の態様において、前記第１の製品に関するデータは時系列データであり、前記算出部は、前記第１の製品に関するデータを時系列順で上流側の第１のデータと下流側の第２のデータに分割したときの前記第１のデータから第１の外挿推定値を算出し、前記決定部は、前記一部のデータとしての前記第２のデータに対する推定誤差が最小となるように前記合成比を決定する。

第４の態様によれば、第１の製品の将来の状態をより高精度に推定することができる。

第５の態様に係る状態推定方法は、第１の製品の将来の状態を推定するにあたり、前記第１の製品に関するデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出すると共に、前記第１の外挿推定値と前記第２の外挿推定値との合成比を決定し、決定した合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成することを含む処理をコンピュータによって実行させる。

第５の態様によれば、第１の態様と同様に、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を低コストで実現することが可能になる。

第６の態様に係る状態推定プログラムは、コンピュータに、第１の製品の将来の状態を推定するにあたり、前記第１の製品に関するデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出すると共に、前記第１の外挿推定値と前記第２の外挿推定値との合成比を決定し、決定した合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成することを含む処理を実行させる。

第６の態様によれば、第１の態様と同様に、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を低コストで実現することが可能になる。

本開示は、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を低コストで実現することが可能になる、という効果を有する。

実施形態に係る状態推定システムの概略構成を示すブロック図である。 状態推定装置の機能ブロック図である。 事前準備処理を示すフローチャートである。 状態推定処理を示すフローチャートである。 状態推定処理の概略を示す概念図である。

以下、図面を参照して本開示の実施形態の一例を詳細に説明する。なお、以下では、量産工業製品として、燃料電池を搭載した燃料電池車両（ＦＣＶ：Fuel Cell Vehicle）を対象に、将来の状態として燃料電池の将来の劣化度合いを推定する態様を説明する。また、燃料電池の劣化度合いを表す指標（劣化指標）として、「燃料電池の電流Ｉが所定値のときの燃料電池の電圧Ｖ」を適用した態様を説明する。

工場で製造されユーザに販売された後、ユーザにより使用されている個々の燃料電池車両１０（以下、単に車両１０という）は、図１に示すように、センサ類１２および無線通信部１４が各々搭載されている。センサ類１２は、各種の物理量を定期的に計測する。センサ類１２によって計測される物理量は、例えば、燃料電池の電圧Ｖ、電流Ｉ、温度、オドメータ値、ガス流量、ガス圧力などである。無線通信部１４は、センサ類１２によって計測された物理量に、計測時刻および個々の車両（個体）を識別するための予め定められた個体識別タグ情報などを付加し、時刻歴データとして状態推定システム１６へ定期的に送信する。

状態推定システム１６はデータ収集装置２０および状態推定装置２８を含んでおり、データ収集装置２０と状態推定装置２８とは通信可能に接続されている。データ収集装置２０は無線通信部２２および記憶部２４を含んでおり、無線通信部２２は、個々の車両１０から定期的に送信された時刻歴データを無線通信ネットワーク１８経由で受信する。記憶部２４はデータ保存領域２６が設けられており、無線通信部２２が個々の車両１０から受信した時刻歴データは、記憶部２４のデータ保存領域２６に各々記憶される。

なお、データ保存領域２６に記憶される時刻歴データは、個体識別タグ情報が付加されており、個体識別タグ情報は個体（車両１０）の型式の情報を含んでいる。これにより、第１の車両１０の燃料電池の劣化度合いの推定に際しては、第１の車両１０と同型の車両１０のデータを個体識別タグ情報に基づいて識別可能とされている。

状態推定装置２８は、ＣＰＵ（Central Processing Unit）３０と、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などのメモリ３２と、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）などの不揮発性の記憶部３４と、を含んでいる。また状態推定装置２８は、キーボード、マウスなどの入力部３６と、ディスプレイなどの出力部３８と、通信部４０と、を含んでいる。ＣＰＵ３０、メモリ３２、記憶部３４、入力部３６、出力部３８および通信部４０は内部バス４２を介して相互に通信可能に接続されている。

記憶部３４は、状態推定プログラム４４が記憶されており、加工データ記憶領域４６が設けられている。状態推定装置２８は、状態推定プログラム４４が記憶部３４から読み出されてメモリ３２に展開され、メモリ３２に展開された状態推定プログラム４４がＣＰＵ３０によって実行されることで、図２に示す推定部５０、算出部５２、決定部５４および合成部５６として機能し、後述する事前準備処理および状態推定処理を行う。

推定部５０は、第１の製品（推定対象個体）の将来の状態を推定する。また推定部５０は、算出部５２、決定部５４および合成部５６を含んでいる。算出部５２は、第１の製品に関するデータから第１の外挿推定値を算出すると共に、第１の製品と異なる第２の製品（本実施形態では推定対象個体の同型他個体）に関するデータから第２の外挿推定値を算出する。決定部５４は、第１の外挿推定値と第２の外挿推定値との合成比を決定する。そして合成部５６は、決定部５４で決定された合成比に基づいて第１の外挿推定値と第２の外挿推定値とを合成する。

次に、本実施形態の作用として、まず図３を参照し、状態推定処理（図４）に先立って状態推定装置２８で行われる事前準備処理について説明する。

事前準備処理のステップ７０において、推定部５０は、第１の機械学習モデルおよび第２の機械学習モデルとして使用する機械学習モデルを決定する。本実施形態では、一例として、第１の機械学習モデルおよび第２の機械学習モデルをElasticNet（Ｌ1／Ｌ2の正則化項付きの重回帰分析）に決定する。

ステップ７２において、推定部５０は、推定対象個体のデータの分割条件を決定する。本実施形態では、一例として、推定対象個体のデータのうち時系列順で前側８割のサンプルデータを過去側（上流側）、時系列順で後側２割のサンプルデータを現在側（下流側）とするように分割条件を決定する。

ステップ７４において、推定部５０は、第１の機械学習モデルから算出される第１の外挿推定値と第２の機械学習モデルから算出される第２の外挿推定値との合成比ａの刻みを決定する。一例として合成比ａを0.1刻みに決定した場合、合成比ａの集合は〔0，0.1，0.2，0.3，…，0.9，1.0〕となる。

ステップ７６において、推定部５０は、データ収集装置２０のデータ保存領域２６に記憶されているデータに対して所定の統計処理を行う。所定の統計処理としては、例えば、或る計測時刻における燃料電池の累積作動時間を、それより過去の電流Ｉ、電圧Ｖ、計測時刻から算出する累積量化が挙げられる。また、例えば、或る計測時刻における過去温度平均を、それより過去の温度から算出する過去平均化が挙げられる。また、必要に応じてより高次の統計量（例えば標準偏差など）を算出する処理を適用してもよい。

ステップ７８において、推定部５０は、ステップ７６の統計処理を経たデータに対し、電流Ｉが所定値を示している時刻のデータのみ残すフィルタリングを行う。このフィルタリングにより不等間隔の時系列データが生成され、生成された時系列データは加工データ記憶領域４６に記憶される。上記の時系列データは、各時刻のデータが、劣化指標Ｖと、それを説明しうる変数（累積作動時間など）と、を含んでいる。前者が機械学習モデルの出力変数（目的変数）、後者が入力変数（説明変数）に対応する。

ステップ８０において、推定部５０は、状態推定処理（図４）の実行タイミングおよび推定対象として選択する個体の条件を含む推定計画を決定する。一例として、本実施形態では、毎日定時において、前回の推定から作動時間が100時間以上増加した個体について推定を行うように、推定計画を決定する。

ステップ８２において、推定部５０は、推定対象個体に対してその将来の劣化指標を外挿推定するにあたっての外挿条件を決定する。一例として、本実施形態では、最新のサンプルデータから作動時間が100時間増加した時点での推定を行うように外挿条件を決定する。

続いて図４を参照し、状態推定装置２８で行われる状態推定処理について説明する。状態推定処理のステップ１００において、推定部５０は、推定のタイミング（ステップ８０で決定した推定計画における定時）が到来したか否か判定する。判定が否定された場合は状態推定処理を終了する。毎日、定時が到来すると、ステップ１００の判定が肯定されてステップ１０２へ移行し、ステップ１０２以降の処理を開始する。

ステップ１０２において、推定部５０は、推定対象個体を決定する。すなわち、まず各個体の最新の作動時間と推定を前回実施したときの時間とを比較し、推定を前回実施してから作動時間が100時間以上増加している個体を推定対象個体リストに追加する。また、推定対象個体リストから推定対象個体を順に１台ずつ選択し、次のステップ１０４～ステップ１２８の推定処理を繰り返す。

ステップ１０４において、推定部５０は、他個体データの収集を行う（図５の「データ１」も参照）。すなわち、事前準備処理（図３）によって加工済みで加工データ記憶領域４６に記憶されているデータから、推定対象個体と同型の車両１０のデータを収集する。なお、ステップ１０４における収集対象に推定対象個体のデータは含めない。ステップ１０４でデータを収集した段階で個体識別タグ情報は除去する。これにより、他個体データの各サンプルデータは製造後に経験した環境・作動条件などの情報のみを持つ。なお、生産を常時継続している量産工業製品の場合、作動時間の短いサンプルデータほど多くなる傾向があるため、推定したい時間帯を踏まえ適宜インバランス対応を組み入れておく。

ステップ１０６において、算出部５２は、ステップ１０４で収集した他個体データを用いて、先のステップ７０で決定した第２の機械学習モデルであるElasticNetの学習を行い、汎化誤差が最小になるようにパラメータを算出する。すなわち、他個体データの一部を取り置き、クロスバリデーション（Cross-validation）を行って汎化性能を評価し、Ｌ1／Ｌ2正則化項の寄与率（次の（２）式における「αＲ_Ｌ１」および「１／２・α（１－Ｒ_Ｌ１）」）を決定する。さらに、このＬ1／Ｌ2正則化項の寄与率と他個体データを用いて、（２）式により求まる値が最小となるように、各説明変数の寄与度（重み）Ｃ_ｊを算出する。なお、（１）式は目的変数（本実施形態では劣化指標Ｖ）の推定式である。

但し、Ｍは説明変数（候補）の数、Ｎは学習用サンプルデータの数、ｙは推定したい目的変数（本実施形態では劣化指標Ｖ）、ｙ_ｎはｎ番目の学習用サンプルデータの目的変数ｙである。また、ｘ_ｊは説明変数（候補）で、ｊはその番号、ｘ_ｊ，ｎはｎ番目の学習用サンプルデータの説明変数ｘ_ｊ、Ｃ_ｊは、ｊ＝０が切片、ｊ＝１～Ｍが説明変数ｘ_ｊの重み（線形傾き、寄与度）である。また、αは正則化項全体の重回帰に対する寄与度因子であり、α＝０なら通常の重回帰と一致する。また、Ｒ_Ｌ１はＬ1正則化項の正則化項全体に対する寄与度であり、Ｒ_Ｌ１＝１ならLasso回帰、Ｒ_Ｌ１＝０ならRidge回帰と一致する。

ステップ１０８において、算出部５２は、ステップ１０６で求めた第２の機械学習モデルのパラメータ（各説明変数の寄与度（重み）Ｃ_ｊ）をメモリ３２などに保存する。第２の機械学習モデルはElasticNetに設定しているので、これらがあれば、説明変数に対する推定式（（１）式）を算出できる。

前述のように、他個体データの各サンプルデータは製造後に経験した環境・作動条件などの情報のみを持っている。他個体モデル（第２の機械学習モデル）は、推定対象個体の製造時のばらつきや推定対象個体の利用者や利用地域が固定されていることによる利用方法の偏りの影響は説明することができないものの、推定対象個体よりも長く作動しているデータも学習している。このため、第２の機械学習モデルを用いた推定も組み入れて推定対象個体の劣化推定を行うことで、推定対象個体よりも長い作動時間の推定においても有効に機能することが期待できる。

ステップ１１０において、推定部５０は、自個体データの収集を行う。すなわち、事前準備処理（図３）によって加工済みで加工データ記憶領域４６に記憶されているデータから、推定対象個体の車両１０のデータを収集する。

ステップ１１２において、推定部５０は、先のステップ７２で決定した推定対象個体のデータの分割条件に従い、推定対象個体のデータを、時系列順で過去側（上流側）８割のデータ（図５の「データ２」も参照）と、時系列順で現在側（下流側）２割のデータ（図５の「データ３」も参照）と、に分割する。以下、過去側のデータを自個体旧データ、現在側のデータを自個体新データと称する。

ステップ１１４において、推定部５０は、ステップ１１２で分割した自個体旧データ、自個体新データをメモリ３２などに各々保存する。

ステップ１１６において、算出部５２は、ステップ１１４で保存した自個体旧データを用いて、先のステップ７０で決定した第１の機械学習モデルであるElasticNetの学習を行い、汎化誤差が最小になるようにパラメータを算出する。すなわち、自個体旧データの一部を取り置き、クロスバリデーションを行って汎化性能を評価し、Ｌ1／Ｌ2正則化項の寄与率（先の（２）式における「αＲ_Ｌ１」および「１／２・α（１－Ｒ_Ｌ１）」）を決定する。さらに、このＬ1／Ｌ2正則化項の寄与率と自個体旧データを用いて、先の（２）式により求まる値が最小となるように、各説明変数の寄与度（重み）Ｃ_ｊを算出する。

ステップ１１８において、算出部５２は、ステップ１１６で求めた第１の機械学習モデルのパラメータ（各説明変数の寄与度（重み）Ｃ_ｊ）をメモリ３２などに保存する。第１の機械学習モデルはElasticNetに設定しているので、これらがあれば、説明変数に対する推定式（（１）式）を算出できる。

第１の機械学習モデルは自個体旧データのみで学習されているため、推定対象個体の製造時のばらつきや、推定対象個体の利用者や利用地域が固定されていることによる利用方法の偏りの影響は、全て共通なサンプルデータで学習されている。正確には、推定対象個体で部品交換が行われたり、車両１０の譲渡／売買により推定対象個体の使用者が変更になったり、シェアリングにより推定対象個体の利用者が不特定であったりすることはあるものの、他の全個体を母集団とした場合よりも共通度は高い。これにより、第１の機械学習モデルは、将来予測に対する能力は未知数であるものの、第１の機械学習モデルを用いた推定も組み入れて推定対象個体の劣化推定を行うことで、推定対象個体が特異であった場合の精度悪化を回避できる。

ステップ１２０において、決定部５４は、第１の機械学習モデルから算出される第１の外挿推定値と、第２の機械学習モデルから算出される第２の外挿推定値と、の合成比ａを決定する（図５の（３）も参照）。

すなわち、決定部５４は、まずステップ１１８で保存した自個体モデル（第１の機械学習モデル）のパラメータおよびステップ１０８で保存した他個体モデル（第２の機械学習モデル）のパラメータを呼び出す。次に、それぞれのモデルに対し、ステップ１１４で保存した自個体新データの入力変数を用いて劣化指標Ｖの推定を行う。

続いて、自個体モデルによる推定値をｆ、他個体モデルによる推定値をＦとすると、合成比ａ＝〔0，0.1，0.2，0.3，…，0.9，1.0〕に対し、Ｆ×ａ＋ｆ×(１－ａ)と、自個体新データの劣化指標と、の差の二乗をとり、各サンプルデータについて和をとり、その和が最小となる合成比ａを決定する。式で表すと以下の通りであり、（３）式により求まる値が最小となるように、合成比ａを決定する。
Σ_i｛Ｆ_i×ａ＋ｆ_i×（１－ａ）－ｙ_i｝ …（３）
但し、ｙ_iは自個体新データの劣化指標であり、ｉは自個体新データのサンプル番号。ｆ_iは自個体モデルによる推定値、Ｆ_iは他個体モデルによる推定値である。

ステップ１２０で決定される合成比ａは、自個体モデルの推定精度が他個体モデルの推定精度を上回ると期待できる場合に小さくなり、その逆で大きくなる。合成比ａを自個体新データに基づいて決定することにより、より優秀なモデルの寄与度をより大きくすることができる。さらに、この処理は機械的に自動実行することが可能であるため、大量の量産品を対象とした場合に有効である。

ステップ１２２において、決定部５４は、ステップ１２０で決定した合成比ａをメモリ３２などに保存する。

ステップ１２４において、推定部５０は、劣化指標の推定値を算出する。すなわち、まず推定したい将来の入力変数（説明変数）を算出する。ここでは、推定対象個体が統計的に過去と同様な利用がされることを仮定し、累積量に対しては線形外挿を採用する。例えば、外挿条件が「最新のサンプルデータから作動時間が100時間増加した時点での推定を行う」である場合、最新データにおける作動時間をｔとすると、累積量は最新の値に(ｔ＋100)／100を乗じた値となる。なお、季節性の変動を示すことが予測されるような場合にはそれに応じた方法で推定する。また、過去平均に対しては最新の値から不変とする。これは、作動時間と共に平均を算出するサンプル数が増加して一定値に収束することと、最新の時間においてはすでにほぼ収束していることを仮定している。

以上の推定した入力変数を用いて、算出部５２は、ステップ１１８でパラメータを保存した自個体モデル（第１の機械学習モデル）により劣化指標の推定を行って第１の外挿推定値ｆを算出する（図５の（２）参照）と共に、ステップ１０８でパラメータを保存した他個体モデル（第２の機械学習モデル）により劣化指標の推定を行って第２の外挿推定値Ｆを算出する（図５の（１）参照）。そして合成部５６は、ステップ１１２で保存した合成比ａを用い、第１の外挿推定値ｆと第２の外挿推定値Ｆとの合成値＝Ｆ×ａ＋ｆ×(１－ａ)を算出する（図５の（４）参照）。これが最終的な推定値となる。

ステップ１２６において、推定部５０は、ステップ１２４で求めた最終的な推定値に、推定対象個体の個体識別タグ情報を付加して記憶部３４などに保存する。なお、ステップ１２６で保存された最終的な推定値（例えば、作動時間が100時間増加した時点での劣化指標Ｖの推定値）は、例えば車両１０の点検時に参照され、燃料電池を交換するか否かなどの判断に用いられる。

次のステップ１２８において、推定部５０は、推定対象個体リストに推定対象個体が残っているか否かを判定する。ステップ１２８の判定が肯定された場合はステップ１０２に戻り、推定対象個体リストに残っている推定対象個体に対してステップ１０２以降の処理を繰り返す。また、ステップ１２８の判定が否定された場合は状態推定処理を終了する。

以上説明したように本実施形態において、推定部５０は、第１の製品（推定対象個体）の将来の状態を推定する。また推定部５０は、算出部５２、決定部５４および合成部５６を含んでいる。算出部５２は、第１の製品に関するデータから第１の外挿推定値を算出すると共に、第１の製品と異なる第２の製品（本実施形態では推定対象個体の同型他個体）に関するデータから第２の外挿推定値を算出する。決定部５４は、第１の外挿推定値と第２の外挿推定値との合成比を決定する。そして合成部５６は、決定部５４で決定された合成比に基づいて第１の外挿推定値と第２の外挿推定値とを合成する。これにより、第１の製品の将来の状態を推定するにあたり、特異な個体の推定や長期の推定を、膨大なデータを必要とすることなく低コストで実現することが可能になる。

また、本実施形態において、第２の製品は、第１の製品の同型他個体としている。これにより、第２の製品が第１の製品と同型でない場合と比較して、第２の外挿推定値をより精度良く算出することができる。

また、本実施形態において、決定部５４は、第１の製品に関するデータのうちの一部のデータから、当該一部のデータに対する推定誤差が最小となるように合成比を決定する。これにより、第１の外挿推定値と第２の外挿推定値との適切な合成比を決定することができる。

また、本実施形態において、第１の製品に関するデータは時系列データであり、算出部５２は、第１の製品に関するデータを時系列順で上流側の第１のデータと下流側の第２のデータに分割したときの第１のデータから第１の外挿推定値を算出し、決定部５４は、前記一部のデータとしての第２のデータに対する推定誤差が最小となるように合成比を決定する。これにより、第１の製品の将来の状態をより高精度に推定することができる。

なお、上記では、第２の製品として第１の製品の同型他個体を適用した態様を説明したが、本開示はこれに限定されるものではない。一例として、第２の製品として、第１の製品と同型ではないものの同一型式の燃料電池を搭載している車両を適用してもよい。

また、上記では第１の機械学習モデルおよび第２の機械学習モデルとしてElasticNetを適用した態様を説明したが、本開示はこれに限定されるものではなく、第１の機械学習モデルおよび第２の機械学習モデルの少なくとも一方に、例えばRidge回帰、Lasso回帰などの他の機械学習モデルを適用してもよい。

また、上記では車両１０（ＦＣＶ）に搭載された燃料電池の将来の劣化度合いを推定する態様を説明したが、本開示はこれに限定されるものではなく、例えば、経時的に摩耗が生ずる製品における将来の摩耗の度合いなど、他の製品における将来の状態の推定に用いることも可能である。

また、上記では本開示に係る状態推定プログラム４４が記憶部３４に予め記憶（インストール）されている態様を説明したが、本開示に係る状態推定プログラムは、ＨＤＤ、ＳＳＤ、ＤＶＤ等の非一時的記録媒体に記録されている形態で提供することも可能である。

１０ 車両（第１の製品、第２の製品）
１６ 状態推定システム
２０ データ収集装置
２８ 状態推定装置
３０ ＣＰＵ
３２ メモリ
３４ 記憶部
４４ 状態推定プログラム
５０ 推定部
５２ 算出部
５４ 決定部
５６ 合成部

Claims (4)

1. 第１の製品の将来の状態を推定する推定部を含み、
   前記推定部は、
   時系列データである前記第１の製品に関するデータを時系列順で上流側の第１のデータと下流側の第２のデータに分割したときの前記第１のデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出する算出部と、
   前記第２のデータにおける前記第１の製品の将来の状態を表す指標をｙ_i、前記第２のデータのサンプル番号をｉ、前記第１の外挿推定値をｆ_i、前記第２の外挿推定値をＦ_iとしたときに、前記第１の外挿推定値と前記第２の外挿推定値との合成比ａを、
   Σ_i｛Ｆ_i×ａ＋ｆ_i×（１－ａ）－ｙ_i｝
   上記の式により求まる値が最小となるように決定する決定部と、
   前記決定部で決定された合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成する合成部と、
   を含む状態推定装置。
2. 前記第２の製品は、前記第１の製品の同型他個体である請求項１記載の状態推定装置。
3. 第１の製品の将来の状態を推定するにあたり、
   時系列データである前記第１の製品に関するデータを時系列順で上流側の第１のデータと下流側の第２のデータに分割したときの前記第１のデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出すると共に、前記第２のデータにおける前記第１の製品の将来の状態を表す指標をｙ_i、前記第２のデータのサンプル番号をｉ、前記第１の外挿推定値をｆ_i、前記第２の外挿推定値をＦ_iとしたときに、前記第１の外挿推定値と前記第２の外挿推定値との合成比ａを、
   Σ_i｛Ｆ_i×ａ＋ｆ_i×（１－ａ）－ｙ_i｝
   上記の式により求まる値が最小となるように決定し、
   決定した合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成する
   ことを含む処理をコンピュータによって実行させる状態推定方法。
4. コンピュータに、
   第１の製品の将来の状態を推定するにあたり、
   時系列データである前記第１の製品に関するデータを時系列順で上流側の第１のデータと下流側の第２のデータに分割したときの前記第１のデータから第１の外挿推定値を算出すると共に、前記第１の製品と異なる第２の製品に関するデータから第２の外挿推定値を算出すると共に、前記第２のデータにおける前記第１の製品の将来の状態を表す指標をｙ_i、前記第２のデータのサンプル番号をｉ、前記第１の外挿推定値をｆ_i、前記第２の外挿推定値をＦ_iとしたときに、前記第１の外挿推定値と前記第２の外挿推定値との合成比ａを、
   Σ_i｛Ｆ_i×ａ＋ｆ_i×（１－ａ）－ｙ_i｝
   上記の式により求まる値が最小となるように決定し、
   決定した合成比に基づいて前記第１の外挿推定値と前記第２の外挿推定値とを合成する
   ことを含む処理を実行させるための状態推定プログラム。