特許 6289946 予測ピアベースのタイヤ健康状態の監視

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6289946

(24)【登録日】2018年2月16日

(45)【発行日】2018年3月7日

(54)【発明の名称】予測ピアベースのタイヤ健康状態の監視

(51)【国際特許分類】

   B60C 23/04 20060101AFI20180226BHJP

   B60C 19/00 20060101ALI20180226BHJP

   B60C 23/20 20060101ALI20180226BHJP

【ＦＩ】

   B60C23/04 N

   B60C19/00 H

   B60C23/20

【請求項の数】25

【全頁数】41

(21)【出願番号】特願2014-52159(P2014-52159)

(22)【出願日】2014年3月14日

(65)【公開番号】特開2014-177273(P2014-177273A)

(43)【公開日】2014年9月25日

【審査請求日】2016年10月5日

(31)【優先権主張番号】13/828,124

(32)【優先日】2013年3月14日

(33)【優先権主張国】US

(73)【特許権者】

【識別番号】513158760

【氏名又は名称】ザ・グッドイヤー・タイヤ・アンド・ラバー・カンパニー

(74)【代理人】

【識別番号】100123788

【弁理士】

【氏名又は名称】宮崎 昭夫

(74)【代理人】

【識別番号】100127454

【弁理士】

【氏名又は名称】緒方 雅昭

(72)【発明者】

【氏名】ピーター ジェイ． シュー

(72)【発明者】

【氏名】スゥ シュイ

【審査官】 上谷 公治

(56)【参考文献】

【文献】 特表２０１０−５２１３６４（ＪＰ，Ａ）

【文献】 米国特許第０８４９４７０４（ＵＳ，Ｂ１）

【文献】 特開２００４−０５８９９８（ＪＰ，Ａ）

【文献】 米国特許出願公開第２００４／００１７２８９（ＵＳ，Ａ１）

【文献】 特開２００５−３１３８４６（ＪＰ，Ａ）

【文献】 特開２００８−１９５３４１（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｂ６０Ｃ ２３／０４

Ｂ６０Ｃ １９／００

Ｂ６０Ｃ ２３／２０

(57)【特許請求の範囲】

【請求項1】

車両の複数のタイヤと関連付けられたタイヤ状態データを受信することと、
少なくとも１つのプロセッサを用いて、前記複数のタイヤのそれぞれについて健康状態を求めることと、を含み、
前記複数のタイヤのそれぞれについて健康状態を求めることは、
それぞれのタイヤについての前記タイヤ状態データの個別の自己比較を実行することによって、前記車両の前記複数のタイヤ状態データ間の分散を低減し、前記個別の自己比較は、タイヤの現在の状態を、当該タイヤの正常な動作状態と考えられる状態と比較することであり、
それぞれのタイヤについてのタイヤ状態データのピアベースの比較を実行することによって、それぞれのタイヤ内のタイヤ状態データの分散を低減し、前記ピアベースの比較は、第１のタイヤについてのタイヤ状態データを、前記複数のタイヤのうち他の少なくとも１つのタイヤについてのタイヤ状態データと比較することである、車両のタイヤを監視する方法。

【請求項2】

請求項１に記載の方法において、
前記タイヤ状態データは、前記複数のタイヤのそれぞれについての温度および圧力データを含み、複数の時点において取得されたものである、方法。

【請求項3】

請求項２に記載の方法において、
第１の時点に取得された前記タイヤ状態データであって、前記複数のタイヤのうち第１のタイヤについての前記タイヤ状態データは、第１の圧力と、第１の温度と、前記第１の時点と関連する第１のタイムスタンプとを含み、前記第1のタイヤについての前記タイヤ状態データは、前記車両上の複数のタイヤについてのタイヤ状態データの一部を規定する、方法。

【請求項4】

請求項１ないし３のいずれか１項に記載の方法において、
前記個別の自己比較を実行することは、前記タイヤ状態データに、前記タイヤの正常な動作状態を規定する評価モデルを適用することを含む、方法。

【請求項5】

請求項４に記載の方法において、
前記評価モデルは、距離ベースの評価モデルを含む、方法。

【請求項6】

請求項４に記載の方法において、
前記評価モデルは、ロジスティック回帰モデルまたは自己組織化マップモデルを含む、方法。

【請求項7】

請求項４に記載の方法において、
前記個別の自己比較を実行することは、前記評価モデルに基づいて、それぞれのタイヤについての個別健康値を生成することをさらに含み、
それぞれのタイヤについての前記個別健康値は、当該タイヤの現時点におけるパフォーマンスと、当該タイヤの通常のパフォーマンスとを比較する、方法。

【請求項8】

請求項１に記載の方法において、
前記第１のタイヤについての前記タイヤ状態データを、少なくとも前記複数のタイヤのサブセットについての前記タイヤ状態データと比較することは、前記第１のタイヤについての前記タイヤ状態データを、少なくとも前記複数のタイヤのサブセットについての前記タイヤ状態データから求められる中央値と比較することを含む、方法。

【請求項9】

請求項１に記載の方法において、
前記第１のタイヤについての前記タイヤ状態データを、少なくとも前記複数のタイヤのサブセットについての前記タイヤ状態データと比較することは、前記第１のタイヤについての前記タイヤ状態データを、少なくとも前記複数のタイヤのサブセットについての前記タイヤ状態データから求められる平均値と比較することを含む、方法。

【請求項10】

請求項１に記載の方法において、
受信した前記タイヤ状態データは、それぞれのタイヤについて、加工していない圧力および温度を含み、
前記方法は、前記加工していない圧力を前記温度に基づいて補正することによって、それぞれのタイヤについての補正された圧力を求めることをさらに含む、方法。

【請求項11】

請求項１ないし１０のいずれか１項に記載の方法において、
前記方法は、少なくとも１つの範囲から外れた異常値を前記タイヤ状態データから取り除くことをさらに含む、方法。

【請求項12】

請求項１ないし１１のいずれか１項に記載の方法において、
前記方法は、
前記タイヤ状態データの中の温度データに基づいて、前記タイヤ状態データ中の圧力データを補正することと、
少なくとも１つの不可能なデータの組み合わせの異常値を、補正された前記圧力データに基づいて、前記タイヤ状態データから取り除くことと、をさらに含む方法。

【請求項13】

請求項１ないし１２のいずれか１項に記載の方法において、
前記方法は、
異常な動作を特定する特徴によって規定される異常検知特徴値を求めることと、
前記異常検知特徴値に基づいて、異常を検知することと、をさらに含む方法。

【請求項14】

請求項１３に記載の方法において、
前記異常検知特徴値は、ピア健康値の標準偏差または時間差の平均である、方法。

【請求項15】

請求項１３または１４に記載の方法において、
前記方法は、前記異常検知特徴値の履歴データに基づいて、動的閾値を求めることをさらに含み、
前記異常を検知することは、前記動的閾値を超える前記異常検知特徴値に基づく、方法
。

【請求項16】

請求項１３ないし１５のいずれか１項に記載の方法において、
前記方法は、異常を検知することに応じて、
異常の原因を診断する特徴によって規定される異常診断特徴値を求めることと、
前記異常診断特徴値に基づいて、異常タイプを求めることと、をさらに含む方法。

【請求項17】

請求項１６に記載の方法において、
前記異常診断特徴値は、タイヤのそれぞれについて求められる個別健康値と、前記個別健康値についての最小偏差または前記個別健康値についての標準偏差との間の差異である、方法。

【請求項18】

請求項１６または１７に記載の方法において、
前記方法は、前記異常診断特徴値の履歴データに基づいて、動的閾値を求めることをさらに含み、
前記異常タイプを求めることは、前記異常診断特徴値が前記動的閾値を超える複数のタイヤに基づく、方法。

【請求項19】

請求項１８に記載の方法において、
前記異常タイプは、深刻なリーク、１つのタイヤの膨張、および全てのタイヤの膨張からなるグループから選択され、前記１つのタイヤの膨張については、前記１つのタイヤについてのタイヤ固有モデルが再学習され、全てのタイヤの膨張については、全てのタイヤについてのタイヤ固有モデルが再学習される、方法。

【請求項20】

請求項１ないし１９のいずれか１項に記載の方法において、
前記方法は、当該タイヤのリークを予測することをさらに含む方法。

【請求項21】

請求項２０に記載の方法において、リークを予測することは、線形、指数関数、三次スプライン、および区分線形回帰のうち少なくとも１つを実行することを含む、方法。

【請求項22】

請求項２０に記載の方法において、リークを予測することは、将来のピア健康値を予測するために、区分線形回帰を実行することを含む、方法。

【請求項23】

請求項２０に記載の方法において、リークを予測することは、予測モデルを構築することを含み、当該予測モデルの二乗平均平方根誤差（ＲＭＳＥ）を最小化するために、多変量適応型回帰スプライン（ＭＡＲＳ）回帰分析を用いる、方法。

【請求項24】

車両上に設けられた、前記車両のタイヤを監視する装置であって、
少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサが実行することによって、前記車両の複数のタイヤと関連付けられたタイヤ状態データを受信し、かつ、前記複数のタイヤのそれぞれについての健康状態を求めて、前記車両のタイヤを監視するように構成されたプログラムコードと、を含み、
前記複数のタイヤのそれぞれについて健康状態を求めることは、
それぞれのタイヤについての前記タイヤ状態データの個別の自己比較を実行することによって、前記車両の前記複数のタイヤ状態データ間の分散を低減し、前記個別の自己比較は、タイヤの現在の状態を、当該タイヤの正常な動作状態と考えられる状態を比較することであり、
それぞれのタイヤについてのタイヤ状態データのピアベースの比較を実行することによって、それぞれのタイヤ内のタイヤ状態データの分散を低減し、前記ピアベースの比較は、第１のタイヤについてのタイヤ状態データを、前記複数のタイヤのうち他の少なくとも１つのタイヤについてのタイヤ状態データと比較することである、装置。

【請求項25】

前記タイヤ状態データは、前記車両においてローカルに生成され、
前記少なくとも１つのプロセッサは、前記タイヤ状態データをネットワークを介して受信するように構成されたリモート監視サービスに配置される、請求項２４に記載の装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、一般的にタイヤの監視および警告システムに関する。

【背景技術】

【0002】

適切なタイヤ圧を維持することが、ハンドリングを改善し、燃費を向上し、車両タイヤの耐用年数を延長することは、よく立証されている。さらに、そのような要素は、個人的に車両を保有する者にとって重要であるとともに、トラクタトレーラー、トラック、バス、バン、および他のタイプの商用車両のような複数の商用車両のフリート（ｆｌｅｅｔ）にとっては、そのような要素は、エネルギー消費コストと、タイヤ交換および／またはリトレッドコストとの両方の観点から、収益性に重大な影響を与える。

【0003】

その反論の余地のない重要性にも関わらず、多くのフリートも全ての公道を走る多くの車両も、タイヤ圧が監視されず多くの場合維持されていないだろう。さらに、「拡張モビリティタイヤ（ＥＭＴ：Ｅｘｔｅｎｄｅｄ Ｍｏｂｉｌｉｔｙ Ｔｉｒｅｓ）」の出現と、それらの広範な商業的存在感の高まりによって、車両の運転者にとって、低圧力またはリーク（漏れ）状態を検知して、適切な行動をとることは、困難であるだろう。その結果、低圧力状態で、製造者の推奨期限を超えてタイヤが長期使用されることがある。

【0004】

新たな車両に低タイヤ圧監視システムを装備することを義務付けることを含む、タイヤ圧情報を車両の運転者に通知することを要求する、様々な立法上のアプローチが提案されている。従来のタイヤ圧監視システム（ＴＰＭＳ：Ｔｉｒｅ Ｐｒｅｓｓｕｒｅ Ｍｏｎｉｔｏｒｉｎｇ Ｓｙｓｔｅｍ）は、典型的には、車両の各タイヤに配置されたセンサを組み込み、リアルタイムの内部空気圧および温度監視を実行する。情報は、無線帯域周波数（ＲＦ：Ｒａｄｉｏ ｂａｎｄ Ｆｒｅｑｕｅｎｃｙ）を介して無線で運転者に伝達され、車両の運転室に表示される。リモートセンシングモジュールは、典型的には、圧力センサ、温度センサ、信号プロセッサ、およびＲＦ送信機を含み、バッテリによって給電されるだろう。代替的に、センシングモジュールは、「受動的」であってもよく、すなわち、リモート送信機との磁気結合を介して電力がセンシングモジュールに供給されてもよい。受信機は、タイヤ圧監視専用のものであってもよいし、車両内の他の機能と共用されていてもよい。例えば、受信機コントローラは、既存のダッシュボードコントローラまたは本体コントローラであってもよい。受信機自体はさらに、リモートキーレスエントリーシステムのような、同じ周波数レンジを用いる他のシステムと共用されてもよい。

【0005】

タイヤ監視システムの目的は、１または複数のタイヤに異常が発生した場合、運転者に警告を与えることである。いくつかの例では、タイヤ圧および／または温度が、報告および／または表示されてもよいし、他の例では、単純な低圧アラートが生成されてもよい。有用であるためには、情報は、迅速に伝達され、信頼性がなければならない。

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、温度および圧力の加工されていないセンサ測定値から導出された表示されるデータは、任意の時点において、様々な負荷および条件において、タイヤの状態を正確に表現するのに必ずしも十分正確ではない。温度および圧力に関する測定データの解釈は、したがって、重要であるが、これまで問題となっている。実際の使用環境下におけるタイヤと通信しているセンサによる温度および圧力の測定値は、ブレーキによって放出される熱、タイヤからリムへの熱拡散、タイヤの容積のわずかな変化を引き起こす負荷転送、およびヒステリシス損失に起因するタイヤ内で生じる熱を含む、様々な要素の影響を受けている。そのような要素は、運転者に伝達される情報の正確性に影響を与えることがあり、いくつかの環境下でタイヤの限界状態を運転者に警告することに失敗したり、他の例では、運転者に誤アラートを発することがある。

【0007】

適時性は、従来のタイヤ監視システムに関して懸念であった。低タイヤ圧状態の運転者へのアラートは、単純な閾値に基づいており、圧力が閾値以下となったことが原因のアラートを運転者が一度受けると、タイヤは既に非最適状態となった。タイヤ中のリークは、緩やかであるかもしれないし、急速であるかもしれない。特に急速なリークについては、運転者へのアラートは、運転者がタイヤの故障を引き起こさずに、またはすぐに車両を停止してタイヤを交換したり、道端で援助を求めたりせずに状況を正すことを可能にするためには、遅すぎるかもしれない。

【0008】

したがって、正確でタイムリーにタイヤ空気圧監視システムにおける情報を処理する必要性が当該技術には存在する。

【0009】

さらに、商用車に関しては、しばしば車は、より多くのタイヤを有していて、より長い距離を移動し、したがってタイヤの故障の可能性が高く、典型的には、走行中にタイヤの問題を解決することが困難である。長距離輸送トラクタトレーラーについては、例えば、最も近いサービスセンターが数十マイル離れているかもしれず、多くの場合、道端での援助を提供するために、サービス車両が派遣される必要がある。また、フリートの観点から、複数のフリート車両のサービスおよびメンテナンスを調整することは、これらのリスクの度合いを増す。

【0010】

したがって、タイヤ監視システムの技術において、車両のダウンタイムを低減し、燃費を向上し、フリートおよびそこで使用される商用車両に関連するタイヤコストを低減する必要性がまた存在する。

【課題を解決するための手段】

【0011】

本発明は、個別の自己比較およびピアベース比較を用いて、車両のタイヤの健康状態を監視する方法、装置、およびプログラム製品を提供することによって、従来技術に関するこれらおよび他の問題に対処する。個別の自己比較は、車両のタイヤ間の分散を低減し、ピアベースの比較は、それぞれのタイヤ内の分散を低減する。深刻なリークやタイヤ膨張のような異常もまた検知され、緩やかなリークは、求められた健康状態と関連する履歴データに基づいて予測されるだろう。

【0012】

したがって、本発明の一実施形態によれば、車両の複数のタイヤと関連するタイヤデータを受信し、それぞれのタイヤについてのタイヤデータの、個別の自己比較およびピアベースの比較を実行することによって、複数のタイヤそれぞれの健康状態を求めることによって、車両タイヤは監視されるだろう。個別の自己比較は、車両の複数のタイヤ間の分散を低減し、ピアベースの比較は、それぞれのタイヤ内の分散を低減する。

【図面の簡単な説明】

【0013】

本発明を特徴づけるこれらおよび他の利点および特徴は、明細書および特許請求の範囲に記載されている。しかしながら、本発明と、本発明を使用することによって達成される利点および目的をよりよく理解するために、本発明の例示的な実施形態が記述された図面と付随する記載事項が参照されるべきである。

【図1】本発明によるタイヤ健康状態監視システムのブロック図である。

【図2】図１のタイヤ健康状態監視システム中の構成要素間のデータの流れを示すブロック図である。

【図3】図１のタイヤ健康状態監視システムを実装するために適したハードウェアおよびソフトウェア環境の一例を示すブロック図である。

【図4】図３に示されるタイヤ健康状態監視アプリケーションにより実行される一連の手順の一例を示すフローチャートである。

【図5】図４のデータ前処理段階により実行される一連の手順の一例を示すフローチャートである。

【図6】データセット例の加工していない圧力のグラフであり、範囲外の異常値データポイントを示す。

【図7A】データセット例の加工していない圧力と補正後の圧力を比較するグラフであり、不可能なデータの組み合わせの異常値データポイントを示す。

【図7B】データセット例の加工していない圧力と補正後の圧力を比較するグラフであり、不可能なデータの組み合わせの異常値データポイントを示す。

【図8】図４の健康値生成段階により実行される一連の手順の一例を示すフローチャートである。

【図9A】データセット例の補正後の圧力と個別健康値とを比較するグラフであり、補正後の圧力を示す。

【図9B】データセット例の補正後の圧力と個別健康値とを比較するグラフであり、個別健康値を示す。

【図10】データセット例中の、１つのタイヤに対する個別健康値のグラフである。

【図11】データセット例中の、４つのタイヤに対する個別健康値のグラフであり、リークの平均値への影響を示す。

【図12】データセット例中の、４つのタイヤに対する個別健康値のグラフの分解図である。

【図13】データセット例中の、４つのタイヤに対する個別健康値のグラフであり、グラフの中央値を含む。

【図14A】データセット例中の、タイヤに対する個別健康値のグラフである。

【図14B】データセット例中の、タイヤに対するピアベース健康値のグラフである。

【図15A】データセット例に対する、異常検知特徴値の一例を示すグラフである。

【図15B】データセット例に対する、異常検知特徴値の一例を示すグラフである。

【図16A】データセット例に対する、異常検知特徴値の一例を示すグラフである。

【図16B】データセット例に対する、異常検知特徴値の一例を示すグラフである。

【図17】図１のタイヤ健康状態監視システムにより実行することのできる、異常検知および診断段階により実行される一連の手順の一例を示すフローチャートである。

【図18A】リークイベント１と関連するデータセット例を示すグラフである。

【図18B】リークイベント２と関連するデータセット例を示すグラフである。

【図19A】図１８Ａのデータセット例への線形予測モデルの適用を示すグラフである。

【図19B】図１８Ｂのデータセット例への線形予測モデルの適用を示すグラフである。

【図20A】図１８Ａのデータセット例への、指数外挿法を含む指数関数予測モデルの適用を示すグラフである。

【図20B】図１８Ｂのデータセット例への、指数外挿法を含む指数関数予測モデルの適用を示すグラフである。

【図21A】図１８Ａのデータセット例への、線形外挿法を含む指数関数予測モデルの適用を示すグラフである。

【図21B】図１８Ｂのデータセット例への、線形外挿法を含む指数関数予測モデルの適用を示すグラフである。

【図22】より大きな曲率を有するデータセットと線形および指数関数予測モデルの限界を示す図である。

【図23A】図１８Ａのデータセット例への三次スプライン予測モデルの適用を示すグラフである。

【図23B】図１８Ｂのデータセット例への三次スプライン予測モデルの適用を示すグラフである。

【図24A】図１８Ａのデータセット例への区分的線形予測モデルの適用を示すグラフである。

【図24B】図１８Ｂのデータセット例への区分的線形予測モデルの適用を示すグラフである。

【図25A】図１８Ａのリークイベント１と関連する大きなデータセットのグラフである。

【図25B】図１８Ｂのリークイベント２と関連する大きなデータセットのグラフである。

【図26A】図１８Ａのデータセットを用いて、線形、指数関数、三次スプライン、および区分的線形予測モデルの性能比較を示すグラフである。

【図26B】図１８Ｂのデータセットを用いて、線形、指数関数、三次スプライン、および区分的線形予測モデルの性能比較を示すグラフである。

【図26C】図２５Ａのデータセットを用いて、線形、指数関数、三次スプライン、および区分的線形予測モデルの性能比較を示すグラフである。

【図26D】図２５Ｂのデータセットを用いて、線形、指数関数、三次スプライン、および区分的線形予測モデルの性能比較を示すグラフである。

【図27】データセット例中における、車両に搭載された１０個のタイヤに対する個別健康値のグラフである。

【図28A】図２７のグラフの一部拡大図である。

【図28B】図２８Ａのグラフの部分に対応する異常検知特徴値のグラフである。

【図29A】再学習後のデータセット例中の、車両に搭載された１０個のタイヤに対する個別健康値のグラフである。

【図29B】再学習後のデータセット例中の、車両に搭載された１０個のタイヤに対するピアベースの健康値のグラフである。

【図30】データセット例中の、車両に搭載された４つのタイヤに対する補正された圧力のグラフである。

【図31】データセット例中の、車両に搭載された４つのタイヤに対する個別健康値のグラフである。

【図32】データセット例中の、車両に搭載された４つのタイヤに対するピアベースの健康値のグラフである。

【発明を実施するための形態】

【0014】

個別の自己比較およびピアベースの比較を組み合わせて用いて、車両のタイヤの健康状態を監視する発明にかかる実施形態
個別の自己比較は、車両のタイヤ間の分散を低減し、その際、個別の自己比較は、現時点におけるタイヤの状態とそのタイヤについて正常に動作していると考えられる状態とを比較するために用いられる様々な方法論を含むと考えられるだろう。以下でより明らかとなるように、タイヤについて正常に動作していると考えられることは、典型的には固定の膨張レベルと結び付けられず、例えば、タイヤがある圧力の範囲で膨張しても、まだ正常な動作状態であると考えられる。１つの実施形態において、例えば、個別の自己比較は、タイヤの圧力を、そのタイヤについて正常な動作状態で動作していると仮定されるタイヤ固有モデルの学習（ｔｒａｉｎｉｎｇ）期間に計算された平均圧力と比較する。

【0015】

ピアベースの比較は、それぞれのタイヤ内の分散を低減し、車両上の全てのタイヤがほど同じ動作条件であると仮定して、現時点におけるタイヤの状態を、同じ車両に搭載された他のタイヤの現時点における状態と比較するために用いられる様々な方法論を含むと考えられるだろう。このように、車両上の他のタイヤと比べて特定のタイヤ中に検知された差異は、例えば、車両に搭載された全てのタイヤまたはタイヤのサブセットの平均または中央値により示されるように、そのタイヤの不健康な状態またはそのタイヤに関する他の異常を示しているかもしれない。

【0016】

個別の自己比較とピアベースの比較とを組み合わせることによって、予め定められたいかなる「正常」な値よりも、現時点のタイヤの状況に基づいて学習されている間、車両に搭載された様々なタイヤが効果的に同じ「正常」な値に正常化されるだろう。そして、学習または監視中に、現在の動作条件に関わらず、例えば、周囲温度および／またはタイヤ温度、または車両がまだ止まっているか動作中であるかなどに関わらず、車両に搭載された他のタイヤとは異なる特定のタイヤを探し出すために、個別の自己比較およびピアベースの比較が用いられ、不健康な状態のタイヤが特定されるだろう。

【0017】

さらなる実施形態において、深刻なリークやタイヤ膨張のような異常がまた検知されるだろう。そして、例えば１または複数のタイヤの膨張が検知された場合、タイヤ固有モデルの再学習を開始するだろう。さらに、同じ実施形態において、タイヤの再膨張または修理にかかる時間を算出することができるように、予測アルゴリズムが、タイヤのリーク率を予測するために用いられるだろう。

【0018】

他の変形または修正は、当業者にとって明らかであるだろう。

【0019】

（ハードウェアおよびソフトウェア環境）
数字がいくつかの図に渡って同様の部分を示す図面を参照する。図１は、複数の車両、例えばトラクタトレーラー１４およびバス１６を監視することが可能なタイヤ健康状態監視サービス１２として実施される、タイヤ健康状態監視システム１０の一例を示す。サービス１２は、例えば、乗用車、自動車、トラック、バン、建設機器、農業機器、バスなどを含むいかなるタイプの車両に搭載されたタイヤをも監視することが可能であり、本発明は図１に描かれた特定の車両に限定されないことが、理解されるであろう。

【0020】

サービス１２は、車両１４，１６とネットワーク１８、例えば無線事業者を介して無線で通信する。無線事業者は、サービス１２を運営するものであってもよいし、または、完全に独立したものであってもよく、また、パブリックまたはプライベートまたは実際には私有のものであってもよい。サービス１２は、有線および／または無線の通信メディアにより、ネットワーク１８と接続される。

【0021】

サービス１２は、車両１４，１６から収集された、タイヤ圧力監視システム（ＴＰＭＳ：Ｔｉｒｅ Ｐｒｅｓｓｕｒｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）データ、例えば圧力、温度、車両識別子、タイヤ識別子、ホイール識別子、場所データ、および／またはタイムスタンプを記憶するために用いられるデータベース２０と接続される。さらに、以下でより詳細に説明するように、サービス１２は、例えば、サービス１２のプロバイダーのエージェントまたはその権限を有する代表者、例えば認定ディーラーおよび／またはサービスセンターであるサービスエージェント２２を含む様々なエンティティによりアクセスされる。さらに、車両のフリートの代わりに監視するのいくつかの実施形態では、フリートエージェント２４がまた、サービス１２へのアクセスを行うかもしれない。さらなるインタフェース、例えば車両の運転者やオーナー、管理者などのためのインタフェースが本発明のいくつかの実施形態で提供されてもよい。

【0022】

図２は、ＴＰＭＳデータを収集し、通信し、処理するシステム１０中の構成要素をより詳細に示す。例えば、車両１４上で、車両のそれぞれのタイヤ／ホイールに複数のＴＰＭＳセンサ２８が組み込まれており、車両に配置された受信機制御部（ＲＣＵ：Ｒｅｃｅｉｖｅｒ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）３０にＴＰＭＳデータを伝送するようになっている。これらの構成要素の典型的な配置が、対応する円および逆三角形によって図１中に図形として描かれており、最も近いＴＰＭＳセンサ２８と通信するために、複数のＲＣＵ３０が車両の異なる場所に配置されうることは理解されるだろう。

【0023】

それぞれのＲＣＵ３０は、通常は、ＴＰＭＳデータを、車両１４上のＴＰＭＳデータのいくつかの処理を実行し、例えば圧力測定値、温度測定値、および／または低圧力および／または温度アラートのようなデータをオペレータに報告するダッシュボードディスプレイクラスタ３２に出力する。クラスタ３２は、オーディオおよび／またはビジュアルメーターまたはディスプレイに組み込まれ、他のボード上の電子コンポーネントと統合されうる、プログラム可能な電子またはコンピュータ装置であってよい。例えば、中央監視サービスが用いられていない、いくつかの実施形態では、ここに開示されるピアベースの予測アルゴリズムは、車両１４内で、例えばクラスタ３２または他のボード上の電子コンポーネント内で、ローカルに実行されるかもしれない。

【0024】

ここに描かれた実施形態では、中央監視を導入しており、車両１４は、無線事業者１８を通信してＴＰＭＳデータをサービス１２に伝送するテレマティックス／ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）ユニット３４をまた含む。ユニット３４は、統合されたＧＰＳ受信機によって生成された場所データや、センサ２８によって収集された追加のデータを出力するように構成されてもよい。ユニット３４によって伝送されるデータは、いくつかの実施形態では、前処理されていてもよいし、加工されていないデータであってもよいことは理解されるであろう。さらに、データが無線事業者１８に伝送されるプロトコルは、それぞれの実施形態において異なっていてよい。さらに、いくつかの実施形態では、ＧＰＳセンシングが省略されてもよい。加えて、いくつかの実施形態では、双方向の通信がサポートされていてもよい。例えば、サービス１２は、車両１４の運転者にアラートやステータス情報を提供してもよく、いかなるアラート状況にも対処し、または車両サービスを調整するために、運転者が、例えば電子メッセージ、声、および／またはビデオ通信で、サービスエージェントと通信するメカニズムを提供してもよい。

【0025】

無線事業者１８は、例えばＦＴＰ（Ｆｉｌｅ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）サーバ３８と接続することで、ユニット３４からサービス１２に提供されるＴＰＭＳおよび他のデータを提供する。サーバ３８は、入力されるデータをデータベース２０に記録するために、入力されるデータをデータベース管理システム４０に渡す。このデータは、続いて、以下により詳細に説明される方法で、監視アプリケーション４２により監視および処理される。

【0026】

次に図３を参照すると、装置５０中に、サービス１２のハードウェアおよびソフトウェア実装例が描かれている。本発明の目的のために、装置５０は、ほとんどのタイプのコンピュータ、コンピュータシステム、または他のプログラム可能な電子機器であってよく、以下単純にコンピュータとする。しかしながら、コンピュータ５０は、例えば、クラスタまたは他の分散コンピューティングシステム中の、１または複数のネットワークコンピュータであってもよく、または、例えばデスクトップコンピュータ、ラップトップコンピュータ、ハンドヘルドコンピュータ、携帯電話、セットトップボックスなどの１つのコンピュータまたは他のプログラム可能な電子機器であってもよいことは、理解されるであろう。

【0027】

コンピュータ５０は、通常、コンピュータ５０のメインストレージや補助的なレベルのメモリ、例えばキャッシュメモリ、不揮発性またはバックアップメモリ（例えばプログラマブル、またはフラッシュメモリ）を含むランダムアクセスメモリ（ＲＡＭ）として機能する、メモリ５４と接続された少なくとも１つのマイクロプロセッサを含むＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５２を有する。加えて、メモリ５４は、物理的にコンピュータ５０の他の場所、例えばＣＰＵ５２中のプロセッサ内のいかなるキャッシュメモリや、仮想メモリとして用いられる記憶容量などに位置するメモリストレージを含むと考えられてよい。メモリストレージは、例えば、マスストレージデバイス５６またはコンピュータ５０と接続される他のコンピュータ上に格納されてもよい。コンピュータ５０はまた、通常、複数の入力を受信して、外部と情報を伝達するために、出力する。ユーザまたはオペレータとのインタフェースのために、コンピュータ５０は、通常、１または複数のユーザ入力装置を組み込んだユーザインタフェース５８（例えば、とりわけ、キーボード、マウス、トラックボール、ジョイスティック、タッチパッド、および／またはマイクロフォン）およびディスプレイ（例えば、とりわけ、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）モニター、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）ディスプレイパネル、および／またはスピーカ）を有する。そうでなければ、ユーザ入力は他のコンピュータまたはターミナルを介して受信されてもよい。

【0028】

追加のストレージのために、コンピュータ５０は、１または複数のマスストレージデバイス５６、例えば、とりわけ、フレキシブルディスクまたは他のリムーバブルディスクドライブ、ハードディスクドライブ、ダイレクトアクセスストレージデバイス（ＤＡＳＤ）、光学ドライブ（例えば、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブなど）および／またはテープドライブを有してもよい。さらに、コンピュータ５０は、他のコンピュータや電子機器、例えば１または複数のクライアントコンピュータ６４（例えば、エージェント２２，２４と接続するために）および１または複数のサーバ６６（例えば、他の実施形態のサービス１２を実装する）と情報の伝達ができるように、１または複数のネットワーク６２（例えば、とりわけ、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ），ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ），無線ネットワーク、および／またはインターネット）とのインタフェース６０を有してもよい。コンピュータ５０は、本技術でよく知られているように、通常、適切な、ＣＰＵ５２とコンポーネント５４，５６，５８、および６０のそれぞれとの間の、アナログおよび／またはデジタルインタフェースを有することは、理解されるべきであろう。他のハードウェア環境は、本発明の文脈内で考えられる。

【0029】

コンピュータ５０は、オペレーティングシステム６８の制御の下動作し、様々なコンピュータソフトウェアアプリケーション、コンポーネント、プログラム、オブジェクト、モジュール、データ構造など、例えば、コールセンターアプリケーション７０（例えば、モニタリングアプリケーション４２が実行される）を実行、または、そうでなければ、利用する。さらに、様々なアプリケーション、コンポーネント、プログラム、オブジェクト、モジュールなどは、１つ、またはコンピュータ５０とネットワーク６２を介して接続された他のコンピュータ内の、例えば、コンピュータプログラムの機能を実現するために要求される処理がネットワーク上の複数のコンピュータに割り当てられる、分散またはクライアント−サーバコンピューティング環境内の複数のプロセッサ上で実行してもよい。

【0030】

一般に、ルーティンは、オペレーティングシステムの一部として実装されようが、特定のアプリケーション、コンポーネント、プログラム、オブジェクト、モジュール、または一連の処理、若しくは、それらの組み合わせとして実装されようとも、本発明の実施形態を実装するために実行され、ここでは「コンピュータプログラムコード」または単に「プログラムコード」と呼ばれる。プログラムコードは、通常、コンピュータ中の複数のメモリまたはストレージデバイス中で様々な時間に常駐する１または複数の命令を含んでおり、コンピュータ中の１または複数のプロセッサによって読み込まれ実行されるとき、コンピュータに、本発明の様々な態様を具現化するステップまたは要素を実行するのに必要なステップを実行させる。さらに、本発明は、以下に機能するコンピュータおよびコンピュータシステムとして説明されるが、当業者は、本発明の様々な実施形態は、様々な形態でプログラム製品として配布可能であり、本発明は、実際に配布を実行するために用いられる、特定のタイプのコンピュータが読取り可能な媒体に関わらず、同様に適用することが可能であることを理解するであろう。

【0031】

そのようなコンピュータ可読媒体は、コンピュータ可読記憶媒体および通信媒体を含むことができる。コンピュータ可読記憶媒体は、本質的に非一時的なものであり、揮発性および非揮発性のもの、リムーバブルおよび非リムーバブルな媒体を含むことができる。また、コンピュータ可読記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータのような情報の記憶のための任意の方法または技術において実装される。コンピュータ可読記憶媒体は、さらに、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ），ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ），ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ），ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ），フラッシュメモリ、または他の固体記憶技術、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−ＲＯＭ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、または他の光学ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ、又は他の磁気ストレージデバイス、又は、所望の情報を記憶し、コンピュータ５０によりアクセスされるいかなる他の媒体もまた含む。通信媒体は、コンピュータ可読命令、データ構造、または他のプログラムモジュールを実現するだろう。例えば、限定はしないが、通信媒体は、有線ネットワークまたは直接有線接続などの有線媒体と、音響、ＲＦ、赤外線および他の無線媒体などの無線媒体を含むことができる。上記の組み合わせもまた、コンピュータ可読媒体の範囲内に含まれるであろう。

【0032】

以下に説明する様々なプログラムコードは、本発明の特定の実施形態において実装されるアプリケーションに基づいて識別することができる。しかしながら、以下のいずれかの特定のプログラム用語は、単に便宜上使用されることが理解されるべきであり、かくして、本発明は、そのような用語によって識別され、および／または暗に示される特定の用途に使用するように限定されるべきではない。さらに、通常、コンピュータプログラムがルーティン、プログラム、方法、モジュール、オブジェクトなどに編成可能な無限数の方法も、プログラムの機能が、通常コンピュータ内に常駐する様々なソフトウェアレイヤ（例えば、オペレーティングシステム、ライブラリ、ＡＰＩ、アプリケーション、アプレット等）間に割り当てられることが可能な様々な方法も与えられる。本発明は、ここで説明する特定の機構やプログラム機能の割り当てに限定されないことは理解されるべきであろう。

【0033】

当業者は、図１−３に描かれた例示的な環境は、本発明を限定することを意図していないことを認識するであろう。実際、当業者は、他の代替的なハードウェアおよび／またはソフトウェア環境が本発明の範囲から逸脱しない限り用いられてよいことを理解するだろう。

【0034】

（予測ピアベースのタイヤ健康状態の監視）
本発明の実施形態は、予測ピアベースのタイヤ健康状態の監視を用いて、特定の車両に搭載された複数のタイヤの健康状態を監視する。特に、例えばトラックのような商用の車両の１または複数のフリートからタイヤの健康状態を監視するのに適した、集中型のタイヤ健康状態監視サービスのアプリケーションにおける、予測ピアベースのタイヤ健康状態の監視のそのような実装の１つが、図４のプロセス１００によって描かれている。

【0035】

プロセス１００は、初期化１０２、データ取得１０４、データ処理１０６、健康状態評価１０８、異常検知および診断１１０、およびリーク予測１１２の６つの主なステップを含んでおり、これらのステップのそれぞれは、以下により詳細に説明される。ステップ１０４−１１２およびいくつかの例において、ステップ１０２において実行される動作の全てまたは一部は、通常コンピュータ内、例えば図２−３の監視アプリケーション４２に含まれるような、ソフトウェアおよび／またはハードウェアを介して実装される。いくつかの実施形態において、これらのステップの機能の全てまたは一部は、オンボードコンピュータまたは車両上に配置されたプログラム可能な電子機器中で実装されてもよい。または当業者によって理解されるであろう他の方法は、本発明の開示の利点を有する。

【0036】

初期化ステップ１０２は、車両上の全タイヤはリークがないことを保証するために、タイヤ健康状態監視システムが初めてタイヤに適用される場合に、実行される。以下でより明らかになるように、システムは、通常、タイヤが旅行な状態であるときに収集されたデータにより学習されることを必要とし、タイヤにリークが生じている場合には、この条件に違反して、モデルパラメータは質が低下したものとなり、結果としてモデルの精度が低下するだろう。このため、ステップ１０２において、全てのタイヤが良好な状態であることを確認するために、全てのタイヤが良好であるか否かに基づいて、ブロック１１４中でタイヤチェックが実行される。ブロック１１６は、不良タイヤを交換または修正するタイヤメンテナンス動作を開始するためにブロック１１８に進み、そして初期タイヤチェックを再試行するか、または、監視を開始するためにステップ１０４に進む。タイヤチェックおよび／またはタイヤメンテナンス動作は、本発明の様々な実施形態において、手作業で、および／または自動で実行されてよい。例えば、一実施形態において、タイヤチェックは、車両がリークを試験するために停止していることが分かっている期間において、複数のタイヤについてＴＰＭＳデータを取得することによって実行されてよい。

【0037】

システムが初期化され、車両の全てのタイヤが良好であることが確認されると、車両についての監視は、ＴＰＭＳデータが定期的にタイヤ健康状態監視サービスに送信されるように、車両が動作しているときのみ、または、その代わりに、車両の動作状態に関わらず全ての時間において確立されてもよい。図１のボックス１２０は、タイヤ監視サービスにより受信されたＴＰＭＳデータのそれぞれの新たなパッケージに応じて実行される動作を描いている。

【0038】

ステップ１０４において、例えば、図２に関連して上述された、オンボードコンポーネントにより収集および送信された、ＴＰＭＳデータのパッケージは、タイヤ健康状態監視サービスによって取得することができる。それぞれのパッケージは、例えば、データを取得したタイムスタンプおよびＧＰＡ位置と共に、１つの車両からの全てのタイヤの現時点における温度および圧力を含むことができる。ロードトラクタトレーラーについて言えば、例えば、パッケージは、全１８タイヤについての圧力および温度を含むことができる。

【0039】

続いて、ステップ１０６において、収集されたデータは、前処理される。収集されたデータは、しばしば、正常な値の範囲内ではなく、コンテキスト値に合致しない、予期しない異常値を含むことがあることがわかった。これらの異常値は、取り除かれなければ、後述のモデル精度を低下させる可能性があり、そのため、ステップ１０６は、全ての受信データを前処理して、データをきれいにする。次に、例えば物理モデルを介して、温度について補正する形の追加的な前処理が実行されてもよい。一実施形態において、例えば、収集されたデータの前処理は、補正された圧力変数、温度効果について補正したタイヤ圧力の代表値を生成するために用いられてもよい。

【0040】

次に、ブロック１０８および１１０により描かれるように、収集および前処理されたデータを用いて、健康評価と異常検知および診断動作が実行される。ブロック１０８において、それぞれの健康評価の繰り返しは、初めにシステムモードを確認して、モデル学習処理を実行するか否かを決定する（ブロック１２２）。特に、本発明にかかる実施形態は、車両固有のタイヤ健康状態評価モデルを用いて、特定の車両のタイヤを監視し、モデルは、通常、動作前に学習されていなければならない。したがって、モデルは、テストモードと動作モードとを交互に行うことができる。

【0041】

このため、もし学習モードであることがブロック１２２において検知されると、ブロック１２４に進んで、最新の受信データに従った履歴データから生成したモデルパラメータを更新することによって、タイヤ健康状態評価モデル１２６を学習させる。動作モードまたはテストモードが検知されると、ブロック１２２の代わりに、健康値生成ブロック１２８に遷移して、健康状態評価工程１０８の出力として、それぞれのタイヤについて健康値ＨＶが生成される。いくつかの動作、例えば、個々の自己タイヤ比較、ピアベースの比較などがブロック１２８で実行され、より正確な健康値が生成される。これらの動作は、以下により詳細に説明される。

【0042】

異常検知および診断ステップ１１０は、健康評価ステップ１０８から健康値を受信して、ブロック１３０において、異常が検知されたか否かが特定される。描かれた実施形態において、タイヤ膨張のようなシステムの異常は、自動検知可能なように設計される。そのような異常が検知された場合、ブロック１３２に進んで、全ての健康値が「正常」、すなわち、リークがなく、十分に膨張されたタイヤであることを示すと考えられる範囲内であるか否かが特定される。もしそうでないならば、ブロック１３４に進んで、潜在的に緩やかなリーク状態を示す。健康値が正常である場合、ステップ１０４に戻って、処理待ちＴＰＭＳデータの追加パッケージを処理する。

【0043】

ブロック１３０に戻ると、システム異常が検知される度に、異常は、異なる分離規則に従って、様々なグループに分類される。ブロック１３６は、例えば、異常が、深刻なリークよりむしろ膨張によって引き起こされているか否かを判定する。もしそうであるならば、ブロック１３８に進んで、関連する健康評価モデルは、膨張後に受信したデータに基づいて再学習されるように学習モードを選択する。代わりに、深刻なリークが異常の原因である場合、ブロック１４０に進んで、緊急イベントを生成し、サービスプロバイダエージェント、車両の運転者、フリートエージェント、および／または他の利害関係者にに知らせる。

【0044】

ブロック１３４に戻ると、ステップ１１０において緩やかなリークが検知された場合、ステップ１１２に進んで、予測動作を開始し、モデルの履歴データに基づいて、タイヤがもはや動作上の使用に適していない閾値に達するまで、タイヤが動作することが可能な時間を予測する。予測動作のさらなる詳細は、以下に説明されるだろう。

【0045】

また、ブロック１４２−１４４に描かれたように、データの傾向に基づいて、以前リークていると判断されたタイヤが修理されたか場合、各繰り返しのブロック１４２において、リカバリチェックが実行される。もしそうであるならば、ブロック１４４に進んで、そのタイヤについて、モードを学習モードに設定する。そうでないならば、ブロック１４４は省略される。

【0046】

前述のステップについてさらに詳細に述べる前に、本発明に係る予測ピアベースのタイヤ健康状態監視の実行について、複数の仮定がなされている。まず１つ目に、タイヤが動作している間、タイヤ空洞の容積が大きく変化せず、典型的には、無視できる程度であると仮定する。したがって、空洞の容積は、定数として扱うことができる。

【0047】

２つ目に、データは、良好な状態にある同じタイヤから取得されるデータである限り、いつでも同じようにふるまうと仮定することができる。データ駆動型の統計モデルは、通常、健康状態が良好であるときにシステムから取得されたデータにより学習され、将来のデータをテストして、新たなデータが同じ分布に従っているか否かを判断して、もしそうでなければ、新たなデータは、システムの健康状態が悪いことを示していると考えられる。したがって、この仮定に合致しない場合、テストデータのいくつかは、他の分布にしたがっており、モデルは、自動的にネガティブな健康状態を示していると取り扱われる。

【0048】

３つ目に、膨張させたり修理したりといったタイヤメンテナンスの後、タイヤ圧力は、正常な範囲に維持されると仮定することができる。また、初めのシステム初期化の前に、異常なリーク（図４のステップ１０２においてテストされた状態）を生じているタイヤはないと仮定する。いくつかの実施形態において、そのような状況は、単に圧力データに閾値を設定することによって、検知することができる。

【0049】

４つめに、トラクタトレーラーのような１つの車両からの全てのタイヤは、路面粗さ、温度環境、気圧環境、通常の緩やかなリーク率など、同様の動作条件を共有していると仮定することができる。この仮定は、以下でより詳細に説明するように、ピアベースの健康状態の比較の適用を容易にする。

【0050】

５つ目に、正常に動作している間、１つの車両からのタイヤの半数以上が良好な状態であると仮定することができ、すなわち、任意の時点でリークを有するタイヤは半数未満である。この仮定は、全てのタイヤから、全ての他の値が比較される公証値（ｎｏｍｉｎａｌ ｖａｌｕｅ）となる最も正常な値を選択することを容易にする。

【0051】

６つ目に、１つの車両からの２つのタイヤが同時に深刻なリークを生じる可能性は、非常に低いと仮定することができる。

【0052】

図４に描かれた複数のステップに関するさらなる詳細が、上述の仮定を用いて以下に提供される。

【0053】

（データ処理）
図５の説明に戻る。この図は、データ処理ステップ１０６において実行されるステップをさらに詳細に示す。データ収集方法は、しばしば不完全であり、範囲外の値や不可能なデータの組み合わせや、適切なデータクリーニング処理なしの分析データなどの問題を生じ、誤った結果を引き起こす可能性があることが見出された。本発明にかかる実施形態は、しかしながら、ブロック１５０において、まず、入ってくるデータを前処理して、範囲外の異常値を除去し、２番目に、ブロック１５２において、温度効果について圧力データを補正し、そして３番目に、ブロック１５４において、不可能な組み合わせの異常値を取り除く。

【0054】

異常値の観点から、加工していないＴＰＭＳデータから観察することができる異常値は、主に次の２つのタイプがあることが見出された。１つ目の異常タイプは、正常な範囲から外れた値を有するデータポイントと考えられる、範囲外の値である。一実施形態において、例えば、２つの連続するデータポイント間の差異を計算することができ、差分値が所定の閾値を超えている場合、このデータポイントを取り除くことができる。図６は、例えば、１５５で示される圧力は１６０ｐｓｉであり、正常な範囲（例えば、典型的なトラック用タイヤについては、正常範囲は９０−１３０ｐｓｉかもしれない）と考えられる範囲をはるかに超えており、データセットから除去するのに適している。

【0055】

２つ目のタイプの異常値は、「不可能なデータの組み合わせ」として定義され、全ての変数がそれ自身はそれぞれ正常な範囲内であるが、データパッケージまたは全ての変数の組み合わせとしては、データ値が無理な値である。例えば、異常な圧力および温度の値が、加工していないデータ中に存在するが、正常な圧力および温度の範囲内にあり、これら２つの変数の組み合わせは、いくつかの実施形態では、不可能な組み合わせの異常値を検知するために共に値を評価するために用いることができる。

【0056】

描かれた実施形態において、特に、補正された圧力が計算され、一定の温度に圧力測定値が標準化される。

【0057】

伝統的に、それはタイヤが「コールド」である場合、すなわち、しばらくの間使用されていなかったタイヤの圧力測定値を用いることが推奨されている。数分でもタイヤが動作されると、内部タイヤ温度は、典型的には、圧力に対する測定可能な影響を与えるポイントまで増加する。しかしながら、ＴＰＭＳセンサは、しばしばタイヤが回転を開始した後に測定値を取得し、ＴＰＭＳセンサから収集されたほとんど全ての圧力データは、典型的には、温度の影響を含んでいる。さらに、温度および圧力が一緒にプロットされる場合、高い線形相関、例えば約０．９６の相関係数、がしばしば観測される。

【0058】

理想的な気体法則ＰＶ＝ｎＲＴが、圧力を温度について補正するために用いられる。タイヤが固定された、閉じ込められた体積であると仮定した場合、収縮に起因したタイヤサイズの変化は無視できると考えられ、理想的な気体法則は、次のように書き換えられる。

【0059】

【数1】

【0060】

数式の右辺にある値の全ては定数であり、この場合圧力は、温度に比例することが示されている。このため、２つの新たな値、補正された圧力Ｃおよび公証温度Ｔ０を導入することによって、次の関係が成立する。

【0061】

【数2】

【0062】

公証温度Ｔ０として、摂氏２５度のような所定の定数を選択することによって、ＴＰＭＳシステムから収集された圧力および温度ペアのそれぞれについて、固有の対応する補正された圧力が、摂氏２５度の温度と対応して生成されてもよい。この変換を行うことで、理想的に、温度の影響が全く補正された圧力から除去されて、補正された圧力は、タイヤがリークを全く生じていない場合、平坦な線となる。しかしながら、補正された圧力は、まだ、ＴＰＭＳセンサがリム上に取り付けられた場所などの環境要素に起因する揺らぎを有すると考えられる。実際にはキャビティはホイール温度と近く、実際のキャビティ温度とホイール温度に近いキャビティとの間には、差異が存在するけれども、測定された温度は、キャビティ温度として取り扱われる。さらに、この差異は、周囲温度の影響をうけるかもしれない。このようにいくつかの差異が依然として補正された圧力値に予期されるかもしれない。

【0063】

温度補正をした後、不可能な組み合わせの異常値がより容易に識別することができることが見出された。図７Ａおよび７Ｂは、例えば、それぞれ圧力およびタイヤ用圧力補正値を示す。図７Ａの１５７に示すように、異常値圧力は、それ自体正常な値の範囲を超えていないが、図７Ｂの１５９に示されるように、圧力値が温度に対して補正された場合、その結果である補正された圧力値は、より容易に異常値として識別され、したがって除外することができる。

【0064】

（健康評価）
次に、図４の説明に戻る。描かれた実施形態における健康評価ステップ１０８は、車両全体の健康状態を推定するために、タイヤの健康状態を示す１つの値または値の集合が生成されることが望ましい。車両は、典型的には、ほとんどの時点において規則的な健康状態を維持しているので、それはしばしばそうでなければ、診断および予測の手順は、実質的な計算コストを負う可能性があるため、障害の頻度を最小限にすることが望ましい。したがって、新たな潜在的な障害の初期の兆候が検知されるまで、故障診断および予測とは別の予備段階として、健康評価を実行することによって、そのような故障診断および予測を延期することができる。しかしながら、他の実施形態では、故障診断および予測がより頻繁に行われてもよい。

【0065】

健康評価モデル１２６は、上述したように、学習モードとテストモードで動作する。学習は、典型的には、健康な状態のデータを用いるため、システムの基準（ｂａｓｅｌｉｎｅ）が表現される。そして、テストの間、新たなデータは、学習された基準と比較される。テストされたサンプルが基準と似ている場合、システムは良好な健康状態と結論づけ、そうでなければ、システムは状態が許容されるものではなく、故障診断および予測を含むいくつかのメンテナンスアクションが開始されてよい。

【0066】

描かれた実施形態において、健康評価は、個別のタイヤの自己比較と、ピアベースの比較の両方が組み込まれている。図８中に示すように、例えば、図４の健康値生成ステップ１２８は、車両に搭載されたそれぞれのタイヤについて、個別の自己比較を用いて、個別の健康値（ＩＨＶ）を生成するブロック１６０を含むことができる。次に、ピアベースの比較がブロック１６２−１６８で実行される。用いられるアルゴリズムによって、全てのタイヤまたはタイヤのサブセットについての平均または中央値が、ブロック１６２，１６４、および１６６のうちの１つで計算される。そして、ブロック１６８において、ブロック１６２，１６４、または１６６において計算された平均または中央値から、典型的には、それぞれのタイヤについて計算されたＩＨＶから、計算された平均または中央値を差し引くことにより、ピアベースの健康値（ＰＨＶ：ピア健康値）が車両に搭載されたそれぞれのタイヤについて生成される。

【0067】

以下でより明らかになるように、個別のタイヤの自己比較は、１つの車両に搭載された異なるタイヤ間の差異を最小化または排除するために用いることができ、ピアベースの比較は、１つのタイヤからのデータ内の変動を平滑化するために用いることができる。さらに、３つのブロック１６２−１６６が図８に描かれており、多くの実施形態において、ピアベースの比較アルゴリズムは、ＰＨＶを求めるときに、１つのブロックだけを用いることが理解されるであろう。

【0068】

（健康評価−個別のタイヤ自己比較）
個別のタイヤ自己比較の観点から、タイヤメンテナンスが、例えば従来の工作機械のメンテナンスプロセスと比較された場合、両プロセスの初期状態は、類似しており、すなわち、タイヤは適切に膨張され、工具は新たに変更されている。しかしながら、タイヤが同じ圧力レベルである限り、タイヤはまだ良好な健康状態であるとみなされる一方、工作機械については、使用が開始された初日から健康状態が低下を開始する。タイヤの健康状態は、タイヤがリークを開始した後でのみ、低下を開始する。タイヤの圧力が、過剰摩耗を示す所定のレベルに達した工作機械と類似した所定のレベルに達した場合、部品のメンテナンスが始動されるべきである。タイヤについては、リークは修理されるであろう。一方工作機械については、工具を交換する必要があるだろう。

【0069】

しかしながら、重要な相違点が、タイヤのメンテナンスと工作機械のメンテナンスとの間に存在する。メンテナンス後のタイヤは通常同様に膨張されるが必ずしも同じ圧力レベルでないのに対して、新たに導入された工具に関しては、全ての工具は同じ仕様に従うことが期待されているので、通常全て同じ健康状態である。タイヤは異なるレベルに膨張されるかもしれないけれども、それらは全てまだ同じ「良好な」健康状態、すなわち、それらはリークが生じていないと考えられる。このように、図示した実施形態では、車両上の異なるタイヤ間における膨張レベルの不一致は、望ましくは、メンテナンス後に全てのタイヤが同じ健康な初期状態となることを保証するために、補正される。そうでなければ、このような不一致は、タイヤの本当の健康状態を分からなくし、劣化状態を早期に発見することを阻む。

【0070】

このため、図示された実施形態では、特定のタイヤの現時点におけるパフォーマンスを、その「正常な」パフォーマンス、すなわち、タイヤのモデルが学習された状態と比較し、個別のタイヤ間の相違を低減または取り除くために、個別のタイヤ自己比較が用いられる。一実施形態において、１つの車両上の全てのタイヤからの補正された圧力を同じレベルに集中させるために、例えば、距離ベースの評価（ＤＢＡ：Ｄｉｓｔａｎｃｅ−Ｂａｓｅｄ Ａｓｓｅｓｍｅｎｔ）が用いられるかもしれない。

【0071】

ＤＢＡモデルを用いて、それぞれのタイヤからの第１の複数のデータサンプルは、それぞれのタイヤについてモデルの基準を「学習」するために用いられる。各タイヤからのデータサンプルの平均値であるデータのセンターは、ＴＰＭＳシステムからの任意のデータ取得誤差をキャンセルして通常の動作基準を確立するために計算される。後続のデータサンプルは、この平均値と比較されて、「距離」またはデータサンプルと平均値との間の差異が生成される。ここで個別の健康値（ＩＨＶ）と称されるこの距離は、個々のタイヤにおける変化を特定するために使用される。一実施形態において、例えば、各タイヤについての平均圧力値が、学習の間求められ、ＩＨＶは、それぞれのタイヤについて、補正された圧力と平均値との間の差異に基づいて、算出されてもよい。

【0072】

図９Ａ−９Ｂは、例えば、１つの車両上の４つのタイヤについてのデータポイントの集合例について、ＤＢＡのパフォーマンスを描いている。図９Ａのグラフは、４つのタイヤについて計算された補正後の圧力を示し、図９Ｂは、同じ４つのタイヤのＤＢＡモデルから生成されたようなＩＨＶを示す。この例において、ＩＨＶに対するフィッシャーの基準値は０．１３７４であり、これは、補正された圧力のみに対する対応する値０．００７よりも実質的に高い。フィッシャーの基準は、データセットに２以上のクラスが存在する場合に、複数の変数の分離を評価するインフォマティクステストである。２つのクラスのデータセットについて、フィッシャーの基準は、以下のように与えられる。

【0073】

【数3】

【0074】

ここでｍ１およびｍ２は、それぞれ２つのクラスの平均であり、ｓ１およびｓ２は、２つのグループの標準偏差である。分母は、各グループ内の分散の総和を表しており、分離は、２つのグループ間の二乗距離を表している。そのため、より大きなフィッシャーの基準値は、より高い分離の可能性を示している。

【0075】

他のモデルおよび個別の自己比較技術が、本発明の他の実施形態において用いられてもよいことは、理解されるであろう。例えば、用いられてもよい２つの代替的な自己比較技術は、ロジスティック回帰および自己組織化マップを含む。ＤＢＡと同様に、できるだけ早くテストを開始して可能なリークを検知するために、少なくとも２つのサンプルの最小値の基礎学習が求められ、その後、モデルパラメータは、より多くのデータサンプルが受信されるにつれて、更新され続ける。いくつかの実施形態において、テストおよび学習が平行して実行されてもよく、新たなデータパッケージが受信される毎に、モデルは十分なデータサンプルが収集されて、十分にモデルが学習されるまで更新されることができ、学習が継続されなくなった時点においても、テストは続けられる。学習段階におけるデータサンプルが、全てのタイヤからの一般的な健康規準を形成することができる程度に広く正常なパフォーマンス範囲をカバーすることができるように、例えば、学習データおよびテストパフォーマンスのサイズを利用して、学習サンプルの数は選ばれる。１つのモデルは、通常、各タイヤから構築され、すなわち、１８のタイヤを有するトラックについては、１８のモデルが構築される。

【0076】

ロジスティック回帰（ＬＲ：Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ）は、しばしばロジスティックモデルまたはロジットモデルとして知られ、通常、０と１の間の値に多次元データをマッピングすることによって、離散イベントの発生確率を予測するために用いられる二項回帰（Ｂｉｎｏｍｉｎａｌ Ｒｅｇｒｅｓｓｉｏｎ）である。モデルによって用いられるデータは、性別、プレゼンス、年などのように、数字で表したものであっても、分類的に表したものであってもよい。タイヤ健康状態監視の目的のために、それは、管理された（ｓｕｐｅｒｖｉｓｅｄ）方法として、定量的に現時点におけるシステムの健康状態を評価するために用いられてよい。

【0077】

ＬＲは、以下のロジスティック関数に基づいている。

【0078】

【数4】

【0079】

p(z) =

ここで、ｚは、以下のように定義される。

【0080】

【数5】

【0081】

そして、β０は、インターセプトであり、β１、β２．．．は、回帰係数であり、ｘ１、ｘ２．．．は、独立変数である。

【0082】

これらの数式から、ＬＲの重要な利点は、全ての独立変数の線形結合が、負の無限大から正の無限大の値であるのに対して、出力が０から１の範囲の値となる点である。

【0083】

上記の方程式を書き直すことによって、下記の関係が見出される。

【0084】

【数6】

【0085】

実際に、ＬＲは、通常、許容される状態と許容できない状態の両方のデータが必要とされる学習段階の間、管理された統計モデルとして用いられる。サンプル入力｛ｘ１、ｘ２、・・・｝のグループは、両方のシステム状態から見出され、対応する確率｛ｐ（ｘ）｝は、モデルのニーズ（例えば、０．９５は、許容される状態に対して用いることができ、０．０５は、許容できない状態について用いられる）に従って特定される。そして、モデルパラメータβ０，β１，β２，・・・は、反復ループによって、観察されたデータの確率を最大化する、最良のパラメータの組み合わせを探る、最尤推定（ＭＬＥ：Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ｅｓｔｉｍａｔｉｏｎ）により取得することができる。

【0086】

モデルパラメータが学習された後、テストデータは、現時点におけるシステムの個別健康値（ＩＨＶ）を算出するモデルに適合することができる。ＬＲモデルの学習要求に合致するために、ＬＲモデルは、許容できる状態と許容できない状態の両方のデータによって学習されることが可能である。タイヤ膨張について、０ｐｓｉは、タイヤが達する最低の圧力値であり、悪い状態からのデータとして取得することができる。このため、０ｐｓｉ以外のいくつかの値は、許容できない状態について用いられるが、いくつかの補正された圧力サンプルは、許容できる状態を示すために用いることができる。２つの対応するＨＶ０．９５および０．０５は、それぞれ各健康状態について取得することができる。学習後、ＬＲからの全ての出力ＩＨＶは、０から１の間の値となる。

【0087】

自己組織化マップ（ＳＯＭ：Ｓｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ）は、通常、教師無し学習モデルとみなされるニューラルネットワークモデルの一種であり、データのトポロジ構造によってのみ学習されているため、データ分類情報が不要である。ＳＯＭは、近傍関数を導入することによりトポロジ構造を保持し、それは通常、データ次元数を小さな数字、通常２に減少させるため、良好なデータ可視化ツールである。

【0088】

ＳＯＭは、それぞれが重みベクトルと相関しているニューロンのノードからなる。初めに全てのノードがランダムに地図上に配置され、その後、反復学習工程において、それらは、以下に示す学習ルールに基づいて更新される。
−サンプルベクトルが入力としてマップに与えられた場合、このサンプルベクトルと全てのノードとの間の距離が計算され、最短距離のノードが選択されて、ＢＭＵ（Ｂｅｓｔ Ｍａｔｃｈｉｎｇ Ｕｎｉｔ）とされる。
−トポロジ形状によって予め定められた、ＢＭＵの隣接ノードは、新たなサンプルベクトルに従って全て更新され、学習率は、ＢＭＵおよびサンプルベクトル間の距離に対して個別の値であり、単調に減少している。
−学習段階の終わりにおいて、ノードは、グループにクラスター化し、各グループは、データ型の１つのクラスを表している。

【0089】

自己組織化マップ−平均量以下誤差（ＳＯＭ−ＭＱＥ）も、健康評価に用いられる拡張ＳＯＭモデルである。半教師有学習方法ＳＯＭ−ＭＱＥは、モデル学習の利便性の観点から、利点を有するため、タイヤの健康評価に用いるために、故障データが通常より貴重で収集が困難であるのに対して、データを健康な状態において集めることは比較的容易である。現時点のシステムについて示される健康が悪化するにつれて、さらに多くのテストサンプルが基準から取得される。

【0090】

マップは、まず、正常な動作データで学習され、そして、テストサンプルとそのＢＭＵの間の距離として定義されるＭＱＥが計算される。ＢＭＵ識別処理が、テストサンプルに対する最小ユークリッド距離を有する学習されたノードを探すことを目的としたサーチプロセスであるため、空間に従い、学習データによりカバーされないサンプルでさえ、ＢＭＵを見つけて、ＳＯＭ−ＭＱＥモデルの健康識別子を取得する、ＭＱＥを計算することができる。

【0091】

ＬＲモデルと同様に、ＳＯＭ−ＭＱＥモデルは、許容できる状態から収集されたと仮定される、最初のサンプルによって学習することができる。ＳＯＭ−ＭＱＥモデルからの通常の出力は、正の数であるＭＱＥ距離である。しかしながら、結果をより直感的にするために、より良好にリークを表すために、全てのＭＱＥ距離を負の数にすることが望ましい場合がある。

【0092】

追加的なモデルおよび方法、例えば統計的パターン認識、ガウス混合モデル、ニューラルネットワークなどが、ＩＨＶ生成するために用いられるだろう。しかしながら、本発明は、ここで開示する特定のモデルおよび方法に限定されない。

【0093】

（健康評価−ピアベースの比較）
前述の処理ステップは、多くの実施形態において、１つの車両上のタイヤ間の分散の多くを最小化または低減することが分かっているため、多くの実施形態において、ピアベースの比較をさらに用いて、各タイヤ内に生じうる変動に対処することが望ましい。

【0094】

再び、従来の工作機械の監視に関する工作機械のメンテナンスと比較して参照すると、よりよく元のデータセットを表すためと、データセットのサイズを低減するための両方のために用いられる特徴は、通常、連続稼働（ｒｕｎｓ）（工作機械が全ての反復可能な移動を終了するまでの期間）に基づいて抽出される。工作機械は、同じ一連の動きを何度も何度も繰り返しているため、唯一の形態（ｒｅｇｉｍｅ）を有していると仮定すると、上記の特徴は、工作機械が良好な状態を保持している場合、一定のままである。一方、タイヤは、固定の動作計画を有しておらず、例えば、車両は毎日異なる経路を走行する。さらに、車両が毎日同じ経路を走行する場合でさえ、環境温度のような環境条件は、刻々と変化する。したがって、分析の基準として使用するための固定の動作サイクルを定義することがはるかに困難である。別の言い方をすれば、タイヤの動作は、環境の不確実性に大幅に影響を受ける動的プロセスであることが分かる。

【0095】

これらの環境の不確実性の結果、温度補正の後でさえ、タイヤにリークが生じていないことが期待される、補正された圧力の理論上の平坦ラインは、実際には見られない。代わりに、多くの変動に平坦な傾向が通常みられる。変動は、環境温度、タイヤ負荷、速度、路面粗さ、環境気圧などの変化のような多くの観点から引き起こされる可能性がある。さらに、個別のタイヤ自己比較を通して、変動の影響は、例えば図１０に示されるように、補正圧力からＩＨＶに受け継がれる。

【0096】

システム監視の観点から、変動は、障害検知および予測の両方の精度を低下させる。例えば、障害検知について、比較的大きな変化を有する傾向がみられるため、閾値の設定は、感度と誤警報との間の大きなトレードオフに直面している。

【0097】

高いピークは、ほとんど温度ビルドアップにより引き起こされる一方、タイヤ温度が低いときに車両が駐車されると、通常、ＩＨＶデータ中に谷が形成されることが知られている。温度補正の後でさえも、補正圧力は依然としてある程度、例えば環境温度に起因する温度の影響を受けていることが分かる。環境温度は、追加的なモデリングおよび／または補正のための基準を形成することができるが、多くの実施形態において、通常、多くの従来のＴＰＭＳシステムにより環境温度が提供されていないことを考えると、環境温度を監視することを回避することが望ましい。

【0098】

環境温度は、いくつかの実施形態で用いられるが、図示された実施形態においてデータ起因のピアベースの比較は、環境温度に起因する変動の影響および他の環境的な影響を低減するために用いられている。

【0099】

図示された実施形態におけるピアベースの比較は、車両上の全てのタイヤが、環境条件、道路条件、および通常のタイヤの緩やかなリークを含む、類似した動作条件を共有しているという上記の仮定に基づいている。１つの車両からの全てのタイヤは、類似した一般的なパフォーマンスを共有しているため、いくつかの実施形態において、全てのタイヤからのＩＨＶの平均値が、個別のタイヤと平均値との差異がリーク状態を示すことができるように、図８のブロック１６２に示されるように、計算されてもよい。

【0100】

しかしながら、全てのタイヤの平均は、全てのタイヤが健康な状態であるときに十分かもしれないが、リークしたタイヤが含まれている場合、特に、リークが深刻である場合、平均値はリークしたタイヤの状態によりバイアスがかかった値となることが分かっており、一般的な健康なタイヤの状態を十分に示すことができない。図１１は、例えば、データの冒頭の半分の平均値（データポイント６４８以前）がリークを生じているタイヤ１によりひどく偏った状態である、データセットの一例を示している。一方、タイヤ１は、ポイント６４８において修理され、４つのタイヤからのＩＨＶは、同じレベルに集中した状態に戻り、より平均値近辺を追うようになる。

【0101】

他の実施形態において、追加のルールが、リークが生じていないと判定されたタイヤの平均値を算出することを試みることによって、リークを生じているタイヤによる潜在的なバイアスに対処するために統合されてもよい。したがって、動作している間に、潜在的なリークがいずれかのタイヤに検知された場合、タイヤは、平均値が計算されるとき、図８のブロック１６４に描かれたように、このリークが生じたタイヤからのデータは含まれず、平均値はタイヤの部分集合に基づいている。リークしたタイヤに起因するバイアスに、少なくとも部分的に対処するルールの適用が見出された。しかしながら、リークの開始時において、圧力低下が最初は小さいかもしれないが、圧力低下が平均値に影響えを与えるかもしれないため、いくつかの例においては、バイアスの問題が依然として存在するかもしれない。例えば、図１１に描かれた同様のケースにおいて、平均値は、リークがデータポイント２６０において検知されるまで、４つのタイヤ全てに基づいて計算され得る。図１２に示されるように、例えば、リークを検知した後に、平均値が、全ての良好なタイヤの一般的なパフォーマンスをよく示すことを観察することができる。しかしながら、検知の前には、タイヤ１は既にリークしており、平均値への小さなバイアスが、分解プロットからよりよく見ることができる。

【0102】

したがって、さらに他の実施形態では、リークしたタイヤの潜在的なバイアスに対処するために、追加のルールを統合することが望ましい場合がある。具体的には、上述の通り、通常の動作の間、車両からの半分以上のタイヤは良好な状態であるとする他の仮定をすることができる。別の言い方をすると、１０個のタイヤのうち少なくとも６個は、任意の時点においてリークしていないと仮定することができ、そして、車両から検知可能なリークを有さないタイヤの半分以上は、良好な状態であると仮定することができる。例えば、トラクタは１０個のタイヤを有し、そのうち２個のタイヤは検知可能なリークを有している。この場合、追加のルールによれば、検知可能なリークを有していない８個のタイヤのうちの少なくとも５個は、良好な状態であると仮定することができる。

【0103】

ステートメントが上手く受け入れられた場合、図８のブロック１６６により描かれるように、車両上のタイヤの全てまたはサブセットの中央値は、一般的なタイヤ健康なタイヤのパフォーマンスを示すように用いられる。さらに、中央値の計算は、車両のタイヤのうち半分以上は良好な状態であるという上述の仮定に従った良好なタイヤからの値を参照する、全ての値のちょうど中央にある１または２の値だけを必要とするだろう。図１３は、例えば、４つのタイヤのＩＨＶと、一般的に健康なタイヤのパフォーマンスを全ての良好なタイヤの、動的な動作条件およびいくつかリークしたタイヤを有する場合の状態を示す中央値を描く。注目すべきことに、いくつかの実施形態では、既知のまたは予測されるリークしたタイヤを中央値の計算から除外することが望ましいかもしれないが、多くの実施形態では、これらのリークしたタイヤを中央値の計算に含めても、結果としての中央値にはっきりとした変化は見られないので、リークしたタイヤを計算から除外しようとすることは、望ましくないかもしれない。

【0104】

したがって、いくつかの実施形態では、一部のタイヤから計算された中央値に基づく一般的な健康なタイヤのパフォーマンスは、動的な動作条件に起因する変動を低減するために、全ての個別のタイヤパフォーマンス、すなわちＩＨＶから取り除かれるかもしれない。ピアベースの比較が行われた後に得られたこの値は、図１４Ａ−１４Ｂに描かれたようにここでピアベースの健康値（ＰＨＶ：Ｐｅｅｒ−ｂａｓｅｄ Ｈｅａｌｔｈ Ｖａｌｕｅ）と称され、ここで（図１４Ｂ）説明される方法により計算されたＰＨＶ値は、同じタイヤについての対応するＩＨＶ値（図１４Ａ）よりも比較的小さい分散を有することが観察されるだろう。そして、温度効果を含む環境要素がデータに与える影響は大幅に小さい。

【0105】

車両のタイヤの一部を用いて平均値または中央値を求めることは、本発明にかかる様々な方法で行われてよく、車両のタイヤのうち様々な数および組み合わせのタイヤが用いられてよい。例えば、平均値または中央値は、各車軸から、各タイヤ種類（例えばステア／ドライブ／トレーラー）から、または、ステア、内部駆動、外部駆動、内部トレーラー、および／または外部トレーラータイヤから取得されてよい。またその代わりに、平均値または中央値は、上述のタイヤの組み合わせのうち、最大値および最小値、または２番目に大きい値および２番目に小さい値から取得されてよい。本発明は、しかしながら、ここで説明された特定の求め方に限定されない。

【0106】

（異常検知および診断）
再び図４に戻り、異常検知および診断ステップ１１０について具体的には、車両の各タイヤについて計算されたＰＨＶは、障害を検知し、障害の検知に応じて、診断を実行するために分析される。

【0107】

全てのタイヤは、通常のリークを有すると仮定することができ、正常な範囲内で圧力を維持するように定期的に膨張される。さらに、各膨張の後に、データから２つの可能な結果を見つけることができる。１．タイヤ間の圧力の差異は依然として同じである。２．タイヤ間の圧力の差異は変化する。ほとんどの場合において、圧力の差異は、膨張後変化する。その一方で、上記で説明された車両についてのタイヤ健康状態評価モデルは、全てこれらの圧力の差異に基づいており、タイヤが膨張した後、タイヤ健康状態評価モデルは、通常、タイヤ間の新たな圧力の差異を求めるために、再学習する必要がある。いくつかの実施形態において、モデル再学習を手動で開始することがサポートされ得るけれども、他の実施形態において、手動の再学習をサポートすることは、できないか、または望ましくない。そして、自動的にタイヤの膨張を識別して、それによりタイヤ健康状態評価モデルの再学習を開始するために、データ駆動型の異常検知アルゴリズムを提供することが望ましい場合がしばしばある。

【0108】

異常検知は、望ましくは、比較的良い感度を維持しながら、比較的低い誤警報の発生率を提供する十分な精度を提供する。さらに、適時性は、通常、リアルタイムシステムにおいて高く評価されているので、望ましくは、異常が発生した後、比較的短時間で異常が検知されるべきである。

【0109】

これらのしばしば競合する懸念点に対処するために、例えば、平均値、中央値、差異、標準偏差、最大値、最小値などを含む異なる特徴が、加工されたおよび／または加工されていないデータから抽出することができ、これらの特徴は単一のタイヤ内の値およびタイヤ間の値の両方を含む。「単一のタイヤ内」は、特徴が、タイヤの特定の期間（またはその代りに、移動ウィンドウ技術を用いて）にわたる１つのタイヤから抽出されることを意味する。「タイヤ間」は、一方、特徴が、同じタイムスタンプにおける様々なタイヤから収集されたデータから抽出されることを意味する。多くのテストされた特徴は、膨張イベントを示すことが可能であるけれども、多くは、膨張が発生した後、適した特徴を抽出するために十分なデータを収集するために、比較的長いラグを必要とすることがわかった。

【0110】

いくつかの実施形態において、２つの異なるタイプの特徴が用いられる。第１に、ここで異常検知特徴値と呼ばれ、異常が発生したポイントを特定するために用いられる。第２に、ここで異常診断特徴値と呼ばれ、何が異常ポイントを引き起こしたのかを診断するために用いられる。

【0111】

図１５Ａおよび１５Ｂは、例えば、異常検知特徴値、健康なタイヤ間のＰＨＶの標準偏差（図１５Ａ）、および時間差の平均（図１５Ｂ）として用いられる２つの候補特徴値を示す。一例として、時間差の平均を計算するために、全てのタイヤについて同じタイヤ位置からの２つの連続測定値の差異を計算することができ、健康なタイヤからの全ての差異の平均が計算されてよい。したがって、例えば、１０個の健康なタイヤがあった場合、第１のデータパッケージからの読み取り値は、［１００，１００，．．．１００，１０５］であり、第２のデータパッケージからの読み取り値は、［１００，１００，．．．１００，１００］であり、時間差は、［０，０，．．．０，−５］であり、−０．５の平均値が導かれる。

【0112】

両図から、２つのクラスタが描かれており、最初のクラスタは、異常が発生したとき（１７０および１７２の線で描かれる）、新たなクラスタの形にシフトアップする。異常検知特徴値は、システムレベル、例えば車両レベルの異常を検知するために用いられ、車両の全てのタイヤからの情報が各特徴値について考慮される。図１５Ａ−１５Ｂは、長時間にわたる各特徴値の表示を提供することが理解されるだろう。しかしながら、リアルタイムシステムにおいて、特徴値は、１つずつ計算され、異常が発生したとき、１つのポイントしか第２のクラスタにおいて観察されないであろう。リアルタイムシステムにおいて、クラスタのシフトは、図１５Ｂの１７４により示されるデータ値のケースのような異常値としての１つのピークにより引き起こされないことを確認するために、１または複数の余分なデータパッケージのラグを提供することは望ましいであろう。

【0113】

異常ポイントが検知された後、異常ポイントの背景となる理由を理解することを試みる診断プロセスを提供することは望ましい。そのような診断プロセスは、異常検知特徴値とは対照的に、１または複数の異常診断特徴値を扱い、異常が検知されたときのタイヤの個別のパフォーマンスを理解するために用いることを意図しており、そのような特徴値は、したがって、個別のタイヤから取得することができる。例えば、図１６Ａ−１６Ｂは、それぞれ２つの異なる特徴値、１０個のタイヤのそれぞれについての、ＩＨＶおよびその最小値の差異（図１６Ａ）と、標準偏差（図１６Ｂ）の使用を描いている。

【0114】

図１７は、本発明に係る異常検知および診断プロセス２００の一例を描いている。プロセス２００は、各タイヤについてＩＨＶおよびＰＨＶ値が計算された後、データポイントの新たなセット毎に実行することができる。プロセス２００は、ブロック２０２において、例えば、良好な状態のタイヤからのＩＨＶに基づいて、１または複数の異常検知特徴値を計算することによって開始される。異常検知特徴値は、例えば、ＰＨＶの標準偏差、ＩＨＶ、または加工された圧力、時間差の平均値などを含むことができる。

【0115】

続いて、ブロック２０４において、動的閾値または移動閾値が、問題となる特徴値の過去の傾向に基づいて計算することができる。一実施形態において、例えば、平均値から５シグマ距離は、ポイントが異常であるか否かを決定するための閾値として用いられてよい。また代わりの実施形態において、固定の閾値が用いられてもよい。

【0116】

続いて、ブロック２０６および２０８は、それぞれ特徴値が計算された閾値を超えるか否かを決定し、もしそうであるならば、閾値は、連続するサンプル周期の所定数を超えているか否かを判断する。一実施形態において、例えば、もし２つの連続する異常検知特徴値が移動閾値を超えるならば、異常が検知されてもよい。他の実施形態において、たった１つの閾値が、異常を検知するために用いられてもよく、また他の実施形態においては、２以上の閾値を超えたことにより、異常が検知されてもよい。

【0117】

ブロック２０６の状態にもブロック２０８の状態にも当てはまらない場合、異常は検知されず、プロセス２００は完了する。そうでなければ、制御は、ブロック２１０に渡されて、異常ポイントとしての閾値外となる最初のポイントが識別される。

【0118】

ブロック２１２は、続いて、発生した異常ががリークイベントによるものであるか膨張イベントによるものであるか決定することを試みるために、異常診断を開始する。描かれた実施形態では、４つの可能性のあるイベントが示されている。（１）深刻なリークがタイヤで発生する、（２）１つのタイヤが膨張した、（３）２つのタイヤが膨張した、（４）３つ以上のタイヤが膨張した。

【0119】

ブロック２１２は、投に、１または複数の異常検知特徴値を再計算するが、最小のＩＨＶを有するタイヤを計算から除外する。例えば、１０個のタイヤ中で、１から９のタイヤは良好な状態であると考えられ、異常が発生したとき、タイヤ１が、タイヤ１から９の中で最小のＩＨＶを有していた場合、異常検知特徴値は、タイヤ２から９に基づいて再計算されるだろう。そうすることで、もし異常が深刻なリークにより引きおこされた場合、リークしたタイヤは、最小のＩＨＶを有し、このため、最小のＩＨＶを含む異常検知特徴値と含まない異常検知特徴値とがブロック２１４中で比較され、小さな差異は、異常ポイントを引き起こしたのは深刻なリークではないことを示すのに対して、結果間の任意の重要な（ｎｏｎ−ｔｒｉｖｉａｌ）差異（すなわち、閾値以上の差異）は、通常、最小のＩＨＶを有するタイヤが異常ポイントを引き起こし、そのため、深刻なリークを有することを示すだろう。

【0120】

したがって、深刻なリークの場合、制御は、ブロック２１６に移り、最小のＩＨＶを有するタイヤの深刻なリークを示すイベントを信号伝達する。そうでなければ、制御はブロック２１８に移り、１つ以上の異常検知特徴値を計算する。

【0121】

上述の通り、描かれた実施形態において依拠することができる１つの仮定は、２つのタイヤが同時に深刻なリークを開始する可能性は非常に低く、そのため、異常が１つのタイヤの深刻なリークにより引き起こされていない場合、１または複数のタイヤの膨張により引き起こされたと考えることができるだろう。そのようなため、異常が検知されたが、深刻なリークが示されないとき、全ての良好な状態のタイヤについて、潜在的な膨張、タイヤ交換、またはローテーションのためのチェックが行われてもよい。さらに、モデル再学習が、タイヤの健康値をリセットしてこれらの値を約０に戻すため、緩やかなタイヤのリーク傾向は、いくつかの例において、再学習の結果として変化させる（ｄｉｓｇｕｉｓｅｄ）ことができる。したがって、潜在的に不要なモデル再学習を防止するために、いくつかの実施形態においては、タイヤの一部のみの膨張を検知して、これらの膨張されたと判定されたタイヤだけが再学習されるようにすることが望ましいかもしれない。描かれた実施形態では、例えば、「１つのタイヤの膨張」および「２つのタイヤの膨張」イベントが、「３つ以上のタイヤが膨張した」イベントと共に検出することができ、１，２，または全てのタイヤモデルが必要に応じて再学習されるだろう。いくつかの実施形態において、全てのタイヤが、任意のタイヤが膨張されたことに応じて再学習されてもよく、他の実施形態において、膨張された３、４、またはそれ以上のタイヤが別々にチェックされてもよいことが理解されるだろう。

【0122】

異常診断特徴値は、システム変更、例えば、膨張チェック、タイヤ交換、タイヤローテーション、および／または任意の他のタイヤ圧の意図的な変更の検知のために用いられ、異常の発生後に抽出された特徴値は、それらの履歴特徴値により生成される閾値とテストされる。閾値を超える値の数は、異常の発生源を分類するために使用されてもよい。このため、例えば、ブロック２１８は、ＩＨＶ間の差異やその最小値、標準偏差などの１または複数の異常診断特徴値を計算する。

【0123】

次に、ブロック２２０において、１または複数の動的閾値または移動閾値が、問題となる特徴値の履歴傾向に基づいて計算されるだろう。１つの実施形態において、例えば、各個別タイヤからの最新の１００個の異常診断特徴値の平均値および標準偏差が計算されてもよい。１つの例において、２つの閾値が用いられてもよく、第１の閾値は、プラス／マイナス３回の標準偏差の平均値であり、第２の閾値は、マイナスプラス４回の標準偏差の平均値である。代わりの実施形態では、固定の閾値が用いられてもよい。

【0124】

ブロック２２２は、そして閾値を超え、このため意図的に変更されたと決定されるタイヤの数を求める。一実施形態において、同じタイヤからの最新の２つの異常診断特徴値は、２つの閾値とそれぞれ比較され、もし１つのタイヤについての両方の異常診断特徴値が第２の閾値の外にある場合、タイヤは、膨張された／交換された／ローテーションされたタイヤとしてラベルづけることができる。さらに、第１の閾値を超える異常診断特徴値の数は、全てのタイヤに渡って累算されてもよく、第１の閾値を超える異常診断特徴値のトータル数が現在の数（例えば５）を超えると、全てのタイヤは一緒に再学習されてもよい。

【0125】

１つのタイヤが膨張されたと判断された場合、制御はブロック２２４に移り、タイヤは膨張され、そのタイヤに対するモデルは再学習されるであろうことを示すイベントが信号伝達される。２つのタイヤが膨張されたと判断された場合、制御はブロック２２６に移り、２つのタイヤが膨張され、これらのタイヤに対するモデルが再学習されるであろうことを示すイベントが信号伝達される。そうでなければ、制御はブロック２２８に移り、全てのタイヤが再学習されるべきであることを示すイベントが信号伝達される。

【0126】

（緩やかなリークのチェック）
再び図４、特に、ステップ１３４の緩やかなリークのチェックに戻る。タイヤに対するＰＨＶが正常である場合、緩やかなリークがチェックされるだろう。一実施形態において、タイヤが緩やかにリークしているか否かを決める閾値基準、例えばＰＨＶが−３ｐｓｉを下回るまで低下すること、が（例えばユーザによって）決定される。全てのホイール位置からの全てのＰＨＶは、繰り返し毎に順番に閾値基準と比較することができ、ＰＨＶが閾値を大幅に下回る（例えば、閾値を１ｐｓｉ以上下回る）場合、２ポイントが、緩やかなリーク識別子に累積されるか、またはホイール位置と関連付けてカウントされる。ＰＨＶが閾値を大幅に下回らない（例えば１ｐｓｉより小さい）場合、１ポイントが緩やかなリーク識別子またはカウントに追加され、しかしＰＨＶが閾値を下回らない場合、累積リーク識別子またはカウントはゼロにリセットされて、ポイントの累積が再開される。

【0127】

緩やかなリーク識別子が他の閾値基準に合致する、例えば、３のような所定の値に到達すると、同じホイール位置からの最新の２つのＰＨＶの平均値が計算され、緩やかなリークレベルの初期値として記憶される。緩やかなリーク識別子がゼロにリセットされない限り、同じ緩やかなリークレベルの初期値が、このホイール位置について用いられる。緩やかなリークイベントがその後、他の閾値基準に応じて、例えば最新の２つのＰＨＶの平均値が、同じホイール位置からの緩やかなリークレベルの初期値と比較され、最新の２つのＰＨＶの平均値が、所定量（例えば１．５ｐｓｉ）の緩やかなリークレベルの初期値より低い場合、開始されてもよい。

【0128】

（タイヤリカバリチェック）
再び図４、特にステップ１４２のリカバリチェックに戻る。このステップは、任意の検知されたリークしたタイヤが修理されたか否かデータの傾向に基づいてチェックする。リークしたタイヤが修理されたか回復したとき、タイヤは再膨張され、その結果、そのタイヤのＰＨＶの上昇が引きおこされると仮定される。一実施形態において、繰り返し毎に、リークしたタイヤのデルタＰＨＶ（現在のＰＨＶと１つ前のＰＨＶとの間の差異）が、閾値、例えば５ｐｓｉと比較される。現在のデルタＰＨＶが閾値より大きい場合、次のデルタＰＨＶ（次の繰り返しからの）を、第２の閾値、例えば１０ｐｓｉと比較することができる。もし両方のデルタＰＨＶが閾値より大きい場合、タイヤは、リークから回復した（健康なタイヤに再び戻った）と考えることができ、タイヤリカバリイベントの開始と、このタイヤに対して実行される再学習とを引き起こす（ブロック１４４）。

【0129】

（タイヤ健康予測）
また再び図４に戻り、描かれた実施形態の追加の観点は、ブロック１１２において実装される、タイヤ健康予測（ｐｒｅｄｉｃｔｉｏｎ）または兆候（ｐｒｏｇｎｏｓｔｉｖｓ）である。兆候は、システムの将来の健康の傾向を、その履歴状態に基づいて予測するために用いられ、描かれた実施形態においては、緩やかにリークしたタイヤからの履歴ＰＨＶは、予測モデルに従い、タイヤの将来のパフォーマンスを見通す。

【0130】

本発明にかかる予測モデルは、複数の異なるタイプの予測技術を用いて実装されてよい。ここに、線形、指数関数、三次スプライン、および区分線形としてデザインされた、４つのそのような予測技術が、より詳細に以下に説明される。この説明の文脈の中で、１０トラクタ／トレーラーの組合せ（すなわち１０−１８車輪）の、１６分おきに収集されたＴＰＭＳに基づいたデータセット例が、ＰＨＶ値を１６分おきに生成するために用いられ、ＰＨＶ値は、各モデルについての入力データとして用いられ、各モデルの出力は、およそ５時間（２０インターバル）の将来のリーク傾向となり、所定の低圧力閾値に到達する。

【0131】

各モデルは、イベントの検知時に始まり、イベントの終わりが到達するまで、（例えば、タイヤが修理されるか差異膨張される）例えば、再帰的に更新されることによって設定されてもよい。初期の学習セットは、最新のタイヤ膨張イベントおよびリーク検知イベント間で収集されたデータを含む。さらに、予測モデルによる予測は、Ｎ個のステップ（例えば、２０ステップ）をカバーすることができ、繰り返し毎に計算される二乗平均平方根誤差（ＲＭＳＥ）は、２０ステップの予測を用いる。

【0132】

異なる技術を比較するために、２つの典型的なイベントが用いられた。第１（イベント１）は、比較的シンプルであり、より線形であり、第２（イベント２）は、より多くの傾き変化を有する。図１８Ａおよび１８Ｂは、それぞれこれらの２つのイベントに対応するＰＨＶ値を描いている。

【0133】

図１９Ａおよび１９Ｂは、それぞれイベント１および２に対するデータポイントへの線形回帰モデルの適用を描いている。線形回帰予測は、ローカル傾向に比較的弱い脆弱性を有することが見つかっており、傾斜があるところとして示されることができ、切片であり、傾斜がゼロ以下であるように制約される。

【0134】

図２０Ａおよび２０Ｂは、それぞれ、指数関数回帰モデルのイベント１および２に対するデータポイントへの適用を描いており、指数関数的な外挿を用いており、これに対して図２１Ａおよび２１Ｂは、それぞれ他の指数関数回帰モデルのイベント１および２に対するデータポイントへの適用を描いており、線形外挿を用いている。指数関数回帰予測は、ｆ（ｔ）＝ａｅ^ｂｔの形で表され、傾斜ａｂは正の値でない。指数関数外挿（図２０Ａおよび２０Ｂ）を用いて、当てはめた指数方程式は、外挿のために用いられ、一方、線形外挿（図２１Ａおよび２１Ｂ）を用いて、最新の学習ポイントの位置／勾配は、外挿のために用いられる。

【0135】

線形回帰モデルも指数関数回帰モデルも両方、いくつかの適用において、制限を有するかもしれない。例えば、図２２に描かれたように、追加的な学習データ（例えば１０日）がイベント２について用いられ、両方のモデルが比較的質の悪い予測結果を提供するだろう。いくつかの適用において、学習データセット中に存在する大きな曲率の可能性を低減するために、学習データとしてのデータポイントの一部だけを用いることによって（例えば最後の５０，１５０，２５０などのデータポイントを学習ポイントとして用いることによって）、当てはめを改善することが望ましいかもしれない。

【0136】

用いられ得るその他の予測技術は、しばしばデータ中に突然の状態変化を有するシステムをモデル化するために用いられる区分回帰である。区分回帰を用いて、異なる状態は、モデルの異なる部分によりモデル化され、典型的には、グローバル最小二乗推定が、全ての部分にわたる当てはめ性能を最適化するために用いられる。２つの部分の接続点、および／または、曲線上の左／右の最高点は、節（ｋｎｏｔ）とみなされ、節の数と位置とは、典型的には、モデルパフォーマンスを最大化するように配置される。両方とも、前もって決定され、または最適モデルを用いて計算される。

【0137】

ここで説明される２つの区分回帰モデル例（三次スプラインおよび区分線形）は、節の最大数として６を用いて、学習データは、５つまでの部分に分けられ、それぞれ別にモデル化される。さらに、節の正確な数は、いくつかの実施形態では、以下により詳細に説明される、一般的なクロス検証法を用いて最適化することができる。

【0138】

節の位置は、学習データセット中の曲線がよりよくモデル化されるように、さらに、よりよい予測結果が生成されるように、モデル自身によって最適化されてもよい。

【0139】

他の技術の中でも、多変量適応回帰スプライン（ＭＡＲＳとして知られる）技術が、区分回帰モデルを構築するために用いられてもよい。

【0140】

ＭＡＲＳ技術を用いて、最終モデルは、典型的に、次の数式で表される。

【0141】

【数7】

【0142】

複数（ｎ）の基底関数Ｂｉ（ｘ）は、それぞれ対応する重みｗｉによって重みづけされる。各基底関数は、典型的には、定数項、ヒンジ関数、または複数のヒンジ関数の乗算として実装することができる。ヒンジ関数は、ｃが節に対応する定数であるとき、典型的には、ｍａｘ（０，ｃ−ｘ）またはｍａｘ（０，ｘ−ｃ）の形をとる区分関数である。

【0143】

モデル構築プロセスは、通常、２つのフェーズ：事前選択および事後削除を有する段階的回帰と似ている。事前選択の間、学習データセットは、許容される最小モデル誤差が達成されるまで、複数のバラバラな（ｄｉｓｊｏｉｎｔ）部分に分割される。モデルは、全ての学習データの平均であるただ一つの項を有することによって、初期化される。そして、最長マッチを行う（ｇｒｅｅｄｙ）アルゴリズムを用いて、次の部分を分割し、事情誤差の和に関して、全体的なモデル学習の誤差を最も減少させる次の基底関数ペアを加えるために、次の節（２つの部分の間のブレークポイント）を探索し続ける。基底関数は、通常、現在の基準が合致するまで、例えば学習誤差が現在の値より小さくなるまで、次の基底関数の加算前後で、モデル誤差の低下が現在の値よりも小さくなるまで、または、基底関数の数が現在の限界値に到達するまで、加えられる。

【0144】

事後削除フェーズにおいては、事前選択のモデル中の有効な隣接項は、モデルの一般化を加速するために結合される。一般クロス検証（ＧＣＶ）値が、全ての部分に渡ってＧＣＶを最小化することを目的として、モデルの当てはめ性能および複雑さの両方を考慮するために用いられてよい。

【0145】

【数8】

【0146】

ここで、ｋは基底関数の数であり、ｄは全ての節に対するペナルティ（例えば２）であり、ｎは、学習データポイントの数である。

【0147】

三次スプラインモデルは、各部分がｆ_ｉ（ｔ）＝ａ_ｉ＋ｂ_ｉｔの形で示され、どの部分も線形に制限され、線形／傾斜／曲線が連続的であり、傾斜が正でない、三次多項式区分回帰モデルである。この例において、６つの節が用いられ、予測は、線形外挿に基づいて、最新の（最も右の）学習ポイントの傾斜および位置が用いて行われる。図２３Ａおよび２３Ｂは、例えば、そのような三次スプラインモデルのイベント１および２に対するデータポイントそれぞれへの適用を描いている。

【0148】

区分線形モデルは、対照的に、各部分がｆ_ｉ（ｔ）＝ｂ_ｉｔの形をとり、線上のどこでも、線が連続的であり、傾斜が正でない、一次多項式区分回帰モデルである。この例において、６つの節が用いられ、予測は、線形外挿に基づいて、最新の（最も右の）学習ポイントの傾斜および位置を用いて行われる。図２４Ａおよび２４Ｂは、例えば、そのような区分線形モデルのイベント１および２に対するデータポイントそれぞれへの適用を描いている。

【0149】

上記の５つのモデルの性能（線形、指数外挿を用いた指数関数、線形外挿を用いた指数関数、三次スプライン、および区分線形）は、固定サイズの移動ウィンドウ（上記の２０ステップ）のイベント１および２の両方についての予測結果に基づいて平方根平均二乗誤差（ＲＭＳＥ）値を用いて比較されうる。予測は、リークが検知された後すぐに開始されてもよいし、新たな測定値を受信するたび（すなわち、新たな測定結果が学習データセットに加えられる度）に更新されてもよい。したがって、ＲＭＳＥ値の配列は、全てのモデルについて、リークの検出と修理の間に生成することができる。

【0150】

学習データセットは、上記に開示された方法で、予測モデルが再学習された最後のときから（モデル再学習は、例えば、タイヤ膨張／交換により開始されてよい）生成された全てのＰＨＶ値を含んでもよい。最後の再学習からリークの開始までの期間は変化するため、学習データの主な構成は変わることがある。リークがモデル再学習の直後に開始した場合、学習データの大部分はリークが開始した後に収集され、リークが最後のモデル再学習から数日後に開始された場合、学習データセットは、リークが開始する前に収集されたデータをより多く含むだろう。この説明の目的のために、小さい学習データセット（すなわち、ほとんどのデータがリーク開始後）と大きい学習データセット（すなわち、ほとんどのデータがリーク開始前）の両方が、それぞれ前述のリークイベントの両方についてそれぞれ用いられる。前述の図１８Ａおよび１８Ｂは、例えば、イベント１および２それぞれに対する小さい学習データセットの一例を描いており、図２５Ａおよび２５Ｂは、イベント１および２それぞれに対する大きな学習データセットの一例を描いている。

【0151】

図２６Ａ−２６Ｂは、イベント１および２それぞれに対する、小さい学習データセットについての５つの前述のモデルの比較性能（ＲＭＳＥの観点で）を描いている。図２６Ａは、イベント１について、小さい学習セットのために、指数関数的な指数外挿モデルは、他の４モデルの性能よりも遅れていることを示している。図２６Ｂは、イベント２について、小さい学習セットのために、指数関数モデルよりも、曲率、線形、三次スプライン、および区分線形モデルがよりよい傾向を示すことを描いている。

【0152】

図２６Ｃ−２６Ｄは、イベント１および２に対する線形、三次スプライン、および区分線形モデルそれぞれの比較性能（ＲＭＳＥの観点で）を描いている。一般的に、大きな学習セットについて、三次スプラインおよび区分線形モデルは、線形モデルよりもより良い性能を示す。さらに、タイヤリーク傾向は、しばしば比較的ノイズが多いため、三次スプラインモデルは、いくつかの例において、（区分線形と比較して）、あまりに柔軟すぎて、学習に時間がかかる（一次元対三次元）ため、いくつかの実施形態では、区分線形回帰モデルを用いることが緩やかなリーク予測においては望ましい場合がある。

【0153】

しかしながら、例えば、自動回帰移動平均（ＡＲＭＡ）、線形回帰、多項回帰、二次方程式回帰、指数関数回帰、線形外挿を用いた指数関数回帰、スプライン回帰、区分線形回帰、ニューラルネットワーク、カルマンフィルタ、粒子フィルタ、類似ベース予測など、代替の回帰または外挿アルゴリズムが将来のタイヤの膨張レベルを予測するために用いられてもよいことは理解されるであろう。いくつかの実施形態においては、例えば、データセットを、ダウンサンプリング（例えばいくつかのデータポイントの平均を取ることによって）および／またはアップサンプリング（データポイント間に補間することによって）することによる、１または複数のノイズ除去技術が、モデル精度を改善するために適用されることが望ましい場合があることがまた理解されるであろう。

【0154】

さらに、いくつかの実施形態においては、互いに連携して複数の回帰モデルを用いる、例えば、直線予測に関する線形回帰と傾斜カーブの当てはめを変更するために用いられる指数関数回帰とを用いて、線形回帰を、二次および指数関数回帰と融合させることが望ましいかもしれない。融合ルールは、学習データセットの形状の専門知識および予測サンプルに基づいており、例えば、品質が低下しているタイヤのカーブ形状は、上昇し続けないであろうし、様々な種類の回帰を異なる複数のポイントで組み合わせておよび／または選択して用いることができるであろうという知識に基づくことができる。

【0155】

決定された予測に基づいて、様々な実施形態が警告および予測に関連する情報を車両の運転者、車両またはフリートのオーナー、サービスまたは保守提供者、および／またはサードパーティーなどに提供することができるだろう。そして例えばタイヤ保守動作が自動的にまたは手動で計画されるだろう。例えば、タイヤは修理または交換が計画されてよい。さらに、予測に関連する情報は、例えば、タイヤが膨張、修理、および／または交換を必要とする前にどのくらいの長さ使用することができるかを決定するために用いられてもよい。

【0156】

描かれた実施形態は、圧力、温度およびタイムスタンプのようなタイヤデータを用いているが、環境温度、トレッド深さ、タイヤ、リム、またはホイール上の様々なポイントから取得された追加の温度、振動などのような追加のデータがまた、本発明にかかるタイヤ監視システムで用いられてもよいことが理解されるだろう。したがって、本発明は、ここで説明される特定の実施形態に限定されない。

【0157】

（動作例）
ここで説明された監視および予測機能についてさらに説明するために、ＬＴＬ海運業界（すなわち、１つのトラックからの全ての荷物が様々な場所から来て、様々な場所にまた分配される）で用いられる、１０のトラクタトレーラーの組合せ（すなわち、各トラックからの１８タイヤ）から取得された、現実世界のデータセットが解析された。各トラックは、１８のタイヤ全てからデータを取得し、測定値はタイヤが回転しているとき（加速度計により検知される）約３０秒毎に取得され、約１６分毎に収集されるＴＰＭシステムと共に提供された。収集されたデータは、手動でダウンロードされ、そのデータから、各タイヤについて各収集インターバルにおける、関連するタイムスタンプ、温度、および圧力が解析のために抽出された。概して、おおよそ７か月分のデータが各トラックについて収集された。

【0158】

オフラインデータを用いてリアルタイムの状態をシミュレーションするために、１つのデータパッケージがシステム読み込まれて同時に処理されるような反復アルゴリズムが用いられた。健康状態の悪いタイヤが検知されると、アラームが設定され、そうでなければ、次の繰り返しが開始する。

【0159】

健康なタイヤ上で異常を検知する観点から、システム全体への入力変数は、温度、圧力および時間であった。しかしながら、トラックが動いていない夜間または週末であることに起因してデータ中に大きなギャップがあるため、データ視覚化は、データポイントをインデックスに対してプロットよりむしろ時間に対してプロットすることによって改善することができるだろうことが見出された。

【0160】

例えば、異常検知特徴値の使用は異常を容認し、特に車両上の複数のタイヤの膨張が検知されることが見出された。図２７は、例えば、車両上の１０個のタイヤのセットに対するＩＨＶプロットの一例を示している。さらに、この図は、ポイント３６５より前の異なるタイヤのＩＨＶは、それぞれ近接しているが、ポイント３６５を過ぎた後、分かれていることを示している。

【0161】

リアルタイムシステムの観点から、このイベントは発生した後比較的すぐに検知されることが望ましい。このため、図２８Ａ中に示されているポイント３６６以前のＩＨＶ（膨張が発生した後の１つのデータポイントを含む）を調べることは当然である。ポイント３６５のそれ以前のポイントからの変化を視覚化することは難しいかもしれないが、上述の異常検知特徴値を適用ｓる鵜ことによって、例えば、健康なタイヤ間のＰＨＶの標準偏差を計算することによって（例えば、図１５Ａに示されるように）、変化は視覚化しやすくなる。異常検知特徴値は、図２８Ｂに示され、２つの連続した特徴値のデータポイント（ポイント３６５，３６６）が閾値を超えたことがシステム異常が検知されたことを示している。

【0162】

その後、異常検知特徴値を、最小のＩＨＶを有するタイヤを除いて再計算することを通して、上述の通り、閾値以上の類似する特徴値が、ポイント３６５および３６６に見つかり、このため、システム異常の原因は膨張と分類された。さらに、異常診断特徴値は、２以上のタイヤが膨張されたことを示し、全てのタイヤの健康評価モデルが再学習された。再学習の後、タイヤ自己比較およびピアベースの比較の両方を含み、全てのタイヤのＩＨＶは、一緒に結合され、ＰＨＶは健康状態が良好な状態が維持されていることを示すゼロ付近の値に戻される。図２９Ａおよび２９Ｂは、再学習後のＩＨＶおよびＰＨＶをそれぞれ示し、膨張後、より多くの空気がタイヤ中に注入されたけれども、タイヤはまだ以前と同じ健康状態を実際には示していることは注目すべきである。このように、タイヤの健康状態は、各タイヤ中の空気の量に基づいて変化しない。図２９ＢにおけるＰＨＶは、全てタイヤが膨張イベントの前後両方において等しく良好な状態であることを示す０付近である。

【0163】

タイヤを様々な膨張レベルから同じ健康状態にして、それらの類似した動作体制の効果を起こり得る悪いタイヤ状態の検知を扱うデータの中から抽出することによって、良好な状態のグループ内における分散を低減することが分かった。さらに、システムは、膨張イベントが精度よく検知されるように変わる。

【0164】

次に、リーク検知および予測の観点から、緩やかなリークを検知し、リークしているタイヤのリークレートを予測することを試みるために、同じデータセットが用いられる。図３０は、例えば、データセット中における、トラックからの４つのタイヤの補正された圧力のプロットを描いている。誤警報を多く生成し過ぎないで、リークしているタイヤを検知するために、正常なタイヤを示す最も低い圧力よりもさらに低い閾値が設定された。また、４つのタイヤのいくつかは、データポイント１１８９で膨張され、タイヤリークを検知するために２つの異なる閾値が設定されることが必要であることが知られていた。膨張の前に、９７ｐｓｉの閾値２６０が設定され、膨張後の閾値２６２は、１０３ｐｓｉに設定された。補正された圧力を用いて、プロット２６４に示されたタイヤ３からのリークは、圧力が初めて大きく低下したポイント１３８７において最初に検知された。

【0165】

しかしながら、上述の予測アルゴリズムを適用することによって、より早期にリークを検知することを達成することができる。まず、タイヤ自己比較、膨張検知、およびモデル再学習を通して、図３１に示されるように、任意のタイヤについて任意の時に、ただ１つの閾値が必要とされた。また補正された圧力からは観察することができない緩やかなリークは、ＩＨＶプロット中の２６６に示され、リークしているタイヤを検知する時間は、時間的にずっと早いポイント、例えばポイント３００当たりに移動することができる。そして、ピアベースの比較が実行された後、各タイヤ中において、図３２に示されるように、より小さいデータ分散を得て、リーク検知時間がさらにポイント１２０辺りに前進させることができる。さらに、リークは、最初検知されたときには申告でないため、タイヤの将来の健康状態を推測するためにその後予測プロセスが開始された。

【0166】

様々な追加の変更が、本発明の主旨および範囲を逸脱することなく行うことができる。従って、本発明は、ここに添付される特許請求の範囲による。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図8】

【図9A】

【図9B】

【図10】

【図11】

【図12】

【図13】

【図14A】

【図14B】

【図15A】

【図15B】

【図16A】

【図16B】

【図17】

【図18A】

【図18B】

【図19A】

【図19B】

【図20A】

【図20B】

【図21A】

【図21B】

【図22】

【図23A】

【図23B】

【図24A】

【図24B】

【図25A】

【図25B】

【図26A】

【図26B】

【図26C】

【図26D】

【図27】

【図28A】

【図28B】

【図29A】

【図29B】

【図30】

【図31】

【図32】