JPH06211012A - タイヤの状態監視装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は、タイヤ空気圧及びタイヤ温度を監
視することにより、タイヤのバースト発生を予測できる
ようにすることを目的とする。 【構成】 本発明は、タイヤ（Ａ１）の空気圧を検出す
る空気圧検出手段（Ａ２）と、タイヤ（Ａ１）の温度を
検出するタイヤ温度検出手段（Ａ３）と、空気圧検出手
段（Ａ２）により検出された空気圧及びタイヤ温度検出
手段（Ａ３）により検出されたタイヤ温度に基づいてタ
イヤ（Ａ１）のバースト発生を予測するバースト発生予
測手段（Ａ４）と、よりなる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はタイヤの状態監視装置に
係り、特に車両走行時にタイヤのバースト発生を予測す
るよう構成したタイヤの状態監視装置に関する。

【０００２】

【従来の技術】例えばタイヤの空気圧が低い状態のまま
自動車を高速走行させた場合、タイヤのサイドウォール
に歪（スタンディングウェーブ）が生じてタイヤが発熱
する。この場合、タイヤ温度が急激に上昇することによ
り、タイヤが一挙に切断される「バースト」が発生する
ことがある。従って、タイヤのバーストを防ぐために
は、走行前にタイヤの空気圧が予め決められた規定圧に
なっているかどうかを点検することが大切である。

【０００３】しかし、運転者によっては高速走行前に空
気圧点検をしなかったり、あるいは空気圧点検を忘れる
ことがある。さらに、走行中にタイヤの空気圧が徐々に
抜けるような場合、高速走行前のタイヤ空気圧が規定圧
であっても、バーストを生ずることがある。尚、タイヤ
の空気が比較的大きな孔から漏れた場合は、タイヤがパ
ンク状態になるため、運転者はステアリングホイールの
挙動等によりタイヤに異常があることが分かり、減速し
て停車する。ところが、タイヤの空気が比較的小さな孔
から少しずつ漏れた場合は、タイヤの空気圧が長い時間
をかけて低下するため、運転者は気付かないことが多
く、そのまま高速走行を継続したときバースト発生につ
ながる。

【０００４】そのため、従来は、例えば実公平４−２６
２４４号に記載の如くの空気圧検出センサを設けてタイ
ヤ状態を監視することが知られている。

【０００５】

【発明が解決しようとする課題】しかしながら、バース
トは、前述した如く空気圧が低い状態で高速走行した場
合などにタイヤ温度が急上昇することによって生ずるも
のであり、空気圧の低下が即バーストに繋がるものでは
ないため、タイヤの空気圧を監視しているだけでは、バ
ースト発生を予測し得ないという問題があった。

【０００６】そこで、本発明はタイヤ空気圧及びタイヤ
温度を監視することにより、タイヤのバースト発生を予
測できるようにすることを目的とする。

【０００７】

【課題を解決するための手段】図１は本発明になるタイ
ヤの状態監視装置の原理図である。

【０００８】同図中、本発明は、タイヤ（Ａ１）の空気
圧を検出する空気圧検出手段（Ａ２）と、前記タイヤ
（Ａ１）の温度を検出するタイヤ温度検出手段（Ａ３）
と、該空気圧検出手段（Ａ２）により検出された空気圧
及び前記タイヤ温度検出手段（Ａ３）により検出された
タイヤ温度に基づいて前記タイヤ（Ａ１）のバースト発
生を予測するバースト発生予測手段（Ａ４）と、よりな
ることを特徴とする。

【０００９】

【作用】本発明は、バースト発生予測手段（Ａ４）が空
気圧検出手段（Ａ２）により検出された空気圧及びタイ
ヤ温度検出手段（Ａ３）により検出されたタイヤ温度に
基づいてタイヤ（Ａ１）のバースト発生を予測する。

【００１０】

【実施例】図２及び図３に本発明になるタイヤの状態監
視装置の一実施例を示す。

【００１１】両図中、タイヤの状態監視装置は、大略、
各タイヤ１（１ａ〜１ｄ）の空気圧を検出する空気圧セ
ンサ（空気圧検出手段）２（２ａ〜２ｄ）と、各タイヤ
１（１ａ〜１ｄ）の表面温度を検出する温度センサ（タ
イヤ温度検出手段）３（３ａ〜３ｄ）と、車速センサ１
７と、空気圧センサ２（２ａ〜２ｄ）により検出された
空気圧及び温度センサ３（３ａ〜３ｄ）により検出され
たタイヤ表面温度のデータ、車速センサ１７により検出
された車速データを所定時間間隔の時系列データとして
記憶するメモリ４と、メモリ４に記憶された各データを
学習された結合度で結合させ、その結合値に基づいて各
タイヤ１（１ａ〜１ｄ）のバースト発生を予測するニュ
ーラルネット演算処理部（バースト発生予測手段）５
と、バースト発生が予測されたとき自動的に減速させて
バーストを回避させるバースト回避回路６とよりなる。

【００１２】尚、空気圧センサ２（２ａ〜２ｄ）は、自
動車の各タイヤ１（１ａ〜１ｄ）が装着されたディスク
ホィール（以下、「ホィール」と称する）７（７ａ〜７
ｄ）に設けられている。この空気圧センサ２（２ａ〜２
ｄ）はタイヤ１（１ａ〜１ｄ）の空気圧がバーストが発
生しうる所定圧以下に下がるとその検出信号を出力する
構成であり、既に市販されているものを使用するため、
その詳細は省略する。

【００１３】又、上記温度センサ３ａ〜３ｄは、各タイ
ヤ１（１ａ〜１ｄ）の側面に対向するように各タイヤ１
（１ａ〜１ｄ）が収納されたホィールハウス８（８ａ〜
８ｄ）の内壁に設けられている。尚、温度センサ３ａ〜
３ｄは、走行時の発熱により各タイヤ１（１ａ〜１ｄ）
の表面から放射された赤外線を検出してタイヤ表面温度
を測定する非接触式のセンサである。

【００１４】又、バースト回避回路６は、例えばニュー
ラルネット演算処理部５によりタイヤ１（１ａ〜１ｄ）
のうち一つでもバースト発生が予測されたときは、ブレ
ーキ機構９ａ〜９ｄを作動させて各タイヤ１（１ａ〜１
ｄ）を制動させて減速し、タイヤ１（１ａ〜１ｄ）のバ
ーストを回避する。

【００１５】上記ブレーキ機構９ａ〜９ｄを作動させる
アクチュエータ１０は、バースト回避回路６と電気的に
接続されており、バースト回避回路６からの出力信号に
よってブレーキ液を加圧させるようになっている。

【００１６】車両の高速走行時において、タイヤ空気圧
の低下に起因してタイヤ温度が上昇すると、制御回路１
１のニューラルネット演算処理部５は上記空気圧センサ
２（２ａ〜２ｄ）及び温度センサ３ａ〜３ｄから出力さ
れた検出信号に基づいてバースト発生の有無を予測す
る。そして、ニューラルネット演算処理部５によりバー
スト発生が予測されたときは、制御回路１１からバース
ト回避回路６に予測信号が出力され、バースト回避回路
６よりアクチュエータ１０に作動信号が出力され、アク
チュエータ１０によってブレーキ液が各タイヤ１（１ａ
〜１ｄ）のブレーキ機構９ａ〜９ｄに供給され、自動的
に減速される。

【００１７】ここで、車速とタイヤ空気圧とタイヤ温度
を検出してバースト発生の予測を行うのは、この３つの
条件がバースト発生要因のなかでも非常に影響度の大き
い項目であり、バースト発生の予測精度がかなり高いか
らである。従って、バースト発生の予測は、少なくとも
上記車速，タイヤ空気圧，タイヤ温度がある値を越えか
どうかを監視することにより正確に予測できる。この他
に、例えば気温、タイヤの磨耗度等をバースト予測デー
タとして検出してバースト発生を予測するようにしても
良い。

【００１８】しかるに、上記空気圧センサ２（２ａ〜２
ｄ）及び温度センサ３ａ〜３ｄの検出精度にばらつきが
あり、単純に一つのセンサ出力に基づいてバースト発生
を予測しようとすると予測精度が落ちる。そのため、本
実施例では、バースト発生の予測精度を高めるため、図
４，図５に示すニューラルネット演算処理部５の神経網
（ニューラルネットワーク）１２を利用する。

【００１９】神経網１２は、各タイヤ１（１ａ〜１ｄ）
毎に設けられた上記空気圧センサ２（２ａ〜２ｄ）及び
温度センサ３ａ〜３ｄ，車速センサ１７からの各検出信
号がデータ処理部１３を介して入力される。

【００２０】先ず、図４を参照して各空気圧センサ２
（２ａ〜２ｄ）及び温度センサ３ａ〜３ｄ，車速センサ
１７からのデータの処理と神経網の構成について説明す
る。

【００２１】タイヤ空気圧データ，タイヤ表面温度デー
タ，車速データ等の信号は、データ取り込み部ＳＤ
_i （ｉ＝１，２，…）において所定の時間間隔毎に読み
込まれ、時系列データ展開部ＴＳＤ_i （ｉ＝１，２，
…）において所定時間間隔の時系列データに展開され
る。この時系列データ展開部ＴＳＤ_i は、単位時間毎に
データをシフトする構成により、データに単位時間ディ
レイを付与して、時系列データを生成する。

【００２２】神経網１２は、階層系のものであり、時系
列に展開された各データの夫々に対応して設けられた入
力ユニットＬｍからなる入力層１４と、中間ユニットＭ
ｎからなる中間層１５と、認識すべきバースト度合いの
種別数に対応する数だけ設けられた出力ユニットＯｐか
らなる出力層１６とから構成される。

【００２３】各入力層１４と中間層１５との間の結合及
び中間層１５と出力層１６との間の結合は、バックプロ
バケーション等の手法により学習されている。このバッ
クプロバケーションによる学習とは、神経網１２への入
力に対し、それに対応する出力ユニットＯｐの出力値が
値「１」で、それ以外の出力ユニットＯｐの出力値が値
「０」となるように結合量Ｗを学習させるものである。

【００２４】この手法は公知のものなので、ここでは詳
細な説明は省略するが基本的には、各出力ユニットＯｐ
の実際の出力と理想的な出力（教師データ）との誤差が
最小になるように各ユニット間の結合の強さ（重み付け
データ）Ｗを学習するものであり、最小２乗誤差法が用
いられる。

【００２５】又、中間層１５と入力層１４については、
教師データに相当するものを決定することが事実上困難
なので、出力側の層の誤差値δに重み付けデータＷを乗
算した累積値をその層の誤差値とし、これが最小になる
ように学習を行う。

【００２６】こうした学習を繰り返し行って色々な入力
パターンに対して各層の結合の強さを学習しておけば、
学習した走行パターン以外のパターンが入力されても、
これに一番近い出力の連想（出力の計算）がなされる。

【００２７】上記時系列データ展開部ＴＳＤ_i によって
展開された時系列データは、神経網１２の入力層１４の
各入力ユニットＬｍに入力される。この時系列データ
は、単位時間毎の最も古いデータが一つ消去され、最新
のデータが一つ付け加えられて更新される。

【００２８】以上の処理を簡単にまとめると、このバー
スト発生予測を行うニューラルネット演算処理部５にお
いて、先ず神経網１２の各階層の結合の強さをバックプ
ロバケーションの手法により学習し、学習後には、走行
中の上記空気圧センサ２（２ａ〜２ｄ）及び温度センサ
３ａ〜３ｄ，車速センサ１７からの入力信号の一定時間
の時系列データを入力して、出力の計算を行ってバース
ト発生を認識するものである。本実施例では、学習され
た結合の強さを重み付けデータＷとして予めＲＯＭ（メ
モリ４に内蔵）に記憶し、これを用いた演算を行う。

【００２９】次に、図６に示すフローチャートを参照し
てニューラルネット演算処理部５が実行する処理につき
説明する。

【００３０】先ず、ステップＳ１１（以下「ステップ」
を省略する）でデータＤ_i を取り込む。

【００３１】次に、Ｓ１２でデータＤ_i のアナログ信号
をデジタル信号に変換し終えたかどうかをチェックし、
このＡ／Ｄ変換が終了すると，次のＳ１３に進む。Ｓ１
３では、データＤ_i の取り込みが完了した後、それまで
に入力したＲＡＭ（メモリ４に内蔵）の所定の領域に記
憶した全入力時系列的データＴＤｍをシフトする。この
結果、全入力時系列的データＴＤｍは単位時間だけディ
レイされることになり、各最新データをロードする処理
を行うことにより、全入力時系列的データＴＤｍを更新
する。

【００３２】次のＳ１４では、入力層の各ユニットＬｍ
の出力値ＬＤｍを演算する。この演算処理は、各入力デ
ータＤ_i の全入力時系列的データＴＤｍに予め決定した
重み付けデータＷｍを乗算して次式（１）により累積値
ＮＥＴｍを求め、次式（２）により累積値ＮＥＴｍのシ
グモイド関数として出力値ＬＤｍを求める。 ＮＥＴｍ＝Ｗｍ・ＴＤｍ … （１） ＬＤｍ＝１／（１＋ｅ^-(NETm+Sm)） … （２） 尚、上式（２）のシグモイド関数は、累積値ＮＥＴｍ＝
０で関数値が０、累積値ＮＥＴｍが最大値になったとこ
ろで関数値が０．５となるように位相Ｓｍが決められて
いる。

【００３３】又、上記Ｗは、各階層間の結合の強さを表
す重み付けデータ、Ｗｍは入力データとこれに対応した
入力ユニットＬｍ間の重み付けデータ、Ｗｎｍは入力ユ
ニットＬｍと中間ユニットＭｎ間の重み付けデータ、Ｗ
ｐｎは中間ユニットＭｎと出力ユニットＯｐ間の重み付
けデータである。

【００３４】これらの重み付けデータは、バックプロバ
ケーションの手法により学習され、決定されてＲＯＭに
記憶される。

【００３５】次のＳ１５では、中間層１５の各ユニット
Ｍｎの出力値ＭＤｎを演算する。この出力値ＭＤｎの演
算は、上記入力ユニットＬｍの出力値ＬＤｍの演算と同
様に次式（３）（４）により行う。

【００３６】

【数１】

【００３７】次のＳ１６では、出力層の各ユニットＯｐ
の出力値ＯＤｐを算出する。この出力値ＯＤｐの演算
は、上記中間ユニットＭｎの出力値ＭＤｎの演算と同様
に次式（５）（６）により行う。

【００３８】

【数２】

【００３９】以上の演算処理終了後、Ｓ１７で出力層の
各ユニットＯｐの出力値ＯＤｐを出力回路を介して出力
する。この出力値ＯＤｐは、神経網１２による認識であ
り、学習時のパターン若しくはこれに類似するパターン
が入力されれば、対応する出力値ＯＤｐが近似的に
「１」に、他の出力値ＯＤｐが近似的に「０」になる。

【００４０】従って、この出力値ＯＤｐがそのままバー
スト発生予測の認識結果になり、バースト発生の度合い
が大きいことに対応する出力値が大きいとき、バースト
発生と予測するため、上記神経網１２により迅速且つ正
確にバースト発生を予測することができる。

【００４１】尚、バースト発生認識は各タイヤ１（１ａ
〜１ｄ）毎に行われるが、どれか一つのタイヤでバース
ト発生が予測されると、バースト回避装置６よりアクチ
ュエータ１０に制動信号が出力され、アクチュエータ１
０の作動によって各ブレーキ機構９ａ〜９ｄにブレーキ
液を圧送し各タイヤ１（１ａ〜１ｄ）を制動する。

【００４２】これにより、自動車はバーストの発生しな
い安全な車速まで減速され、バースト発生が回避され
る。

【００４３】従って、本実施例では、上記神経網１２に
より各タイヤ１（１ａ〜１ｄ）のバーストの発生を迅速
且つ正確に予測することができるので、バースト発生前
の各タイヤ１（１ａ〜１ｄ）の空気圧、表面温度、車速
等の挙動を監視してバースト発生の前兆をとらえること
ができ、これによりバースト発生前に各ブレーキ機構９
ａ〜９ｄを作動させて安全且つ正確にバースト発生を防
止することができる。

【００４４】尚、上記実施例では、上記神経網１２によ
りバースト発生予測が認識されるとブレーキ機構９ａ〜
９ｄにより制動して減速させたが、これに限らず、例え
ばエンジンへの燃料供給を停止させエンジンブレーキに
より減速させるようにしても良いし、あるいはホィール
ハウス８（８ａ〜８ｄ）内にタイヤ冷却装置を設けてタ
イヤ温度を下げるようにしても良いし、あるいは瞬間的
に高圧ガスを発生させる高圧ガス発生器を各ホィール７
（７ａ〜７ｄ）毎に設けて空気圧の低いタイヤにガスを
充填してタイヤ空気圧を上昇させるようにしても良い。

【００４５】又、上記実施例では、ニューラルネット演
算処理部５の神経網１２によりバースト発生を予測した
が、これに限らず、例えば空気圧センサ２（２ａ〜２
ｄ）及び温度センサ３ａ〜３ｄからの検出信号が共にバ
ースト発生領域に入ったときバースト発生予測を認識す
るようにしても良い。

【００４６】又、上記実施例では、車速、タイヤ空気
圧、タイヤ表面温度の検出データに基づいてバースト発
生を予測したが、これに限らず、少なくともタイヤ空気
圧、タイヤ表面温度の検出データの２つの条件によって
バースト発生を予測するようにしてもバースト発生の予
測精度をかなり高めることができる。

【００４７】又、上記実施例のような空気圧センサ２
（２ａ〜２ｄ）及び温度センサ３ａ〜３ｄ以外の方式の
センサを用いてタイヤ空気圧及びタイヤ温度を検出する
ようにしても良いのは勿論である。

【００４８】

【発明の効果】上述の如く、本発明になるタイヤの状態
監視装置は、バースト発生予測手段によって空気圧検出
手段により検出された空気圧及びタイヤ温度検出手段に
より検出されたタイヤ温度に基づいてタイヤのバースト
発生を予測することができる。

【図面の簡単な説明】

【図１】本発明の原理図である。

【図２】本発明の要部を説明するための概略構成図であ
る。

【図３】タイヤ及び各センサの取り付け状態を示す縦断
面図である。

【図４】ニューラルネットワークの階層構造を説明する
ための模式図である。

【図５】神経網の処理動作を説明するための模式図であ
る。

【図６】ニューラルネット演算処理部で実行される処理
を説明するためのフローチャートである。

【符号の説明】

１（１ａ〜１ｄ） タイヤ ２（２ａ〜２ｄ） タイヤ空気圧センサ ３（３ａ〜３ｄ） 温度センサ ４ メモリ ５ ニューラルネット演算処理部 ６ バースト回避回路 ９ａ〜９ｄ ブレーキ機構 １０ アクチュエータ １１ 制御回路 １２ 神経網 １４ 入力層 １５ 中間層 １６ 出力層 １７ 車速センサ

Claims (1)

【特許請求の範囲】
1. 【請求項１】 タイヤの空気圧を検出する空気圧検出手
   段と、 前記タイヤの温度を検出するタイヤ温度検出手段と、 該空気圧検出手段により検出された空気圧及び前記タイ
   ヤ温度検出手段により検出されたタイヤ温度に基づいて
   前記タイヤのバースト発生を予測するバースト発生予測
   手段と、 よりなることを特徴とするタイヤの状態監視装置。