特開 2024-87400 タイヤの特性予測装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024087400

(43)【公開日】2024-07-01

(54)【発明の名称】タイヤの特性予測装置

(51)【国際特許分類】

   B60C 19/00 20060101AFI20240624BHJP

   B60C 11/24 20060101ALI20240624BHJP

   G01M 17/02 20060101ALI20240624BHJP

   G06F 30/00 20200101ALI20240624BHJP

【ＦＩ】

B60C19/00 Z

B60C11/24 Z

G01M17/02

G06F30/00

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022202205

(22)【出願日】2022-12-19

(71)【出願人】

【識別番号】000183233

【氏名又は名称】住友ゴム工業株式会社

(74)【代理人】

【識別番号】100124039

【弁理士】

【氏名又は名称】立花 顕治

(74)【代理人】

【識別番号】100210251

【弁理士】

【氏名又は名称】大古場 ゆう子

(72)【発明者】

【氏名】堤 亜矢香

【テーマコード（参考）】

3D131

5B146

【Ｆターム（参考）】

3D131LA34

5B146AA05

5B146DC03

5B146DJ02

5B146DJ14

(57)【要約】

【課題】タイヤの静的特性に基づいてタイヤの動的特性を予測する技術を提供する。
【解決手段】タイヤの特性予測装置は、導出部を備える。導出部は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的接地特性を表すデータを入力し、前記対象タイヤの摩耗特性を表すデータを出力させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的接地特性を表すデータを入力し、前記対象タイヤの摩耗特性を表すデータを出力させる導出部
を備える、
タイヤの特性予測装置。

【請求項2】

前記静的接地特性を表すデータは、タイヤの接地面の接地圧分布を表すデータを含む、
請求項１に記載のタイヤの特性予測装置。

【請求項3】

前記接地圧分布を表すデータは、タイヤの接地面の各座標に対する接地圧値を含む、
請求項２に記載のタイヤの特性予測装置。

【請求項4】

前記各座標に対する接地圧値は、１または複数の閾値により指標化される、
請求項３に記載のタイヤの特性予測装置。

【請求項5】

前記接地圧分布を表すデータは、前記指標化された接地圧値に基づく画像データである、
請求項４に記載のタイヤの特性予測装置。

【請求項6】

前記摩耗特性を表すデータは、タイヤの接地面の摩耗エネルギー分布を表すデータを含む、
請求項１または２に記載のタイヤの特性予測装置。

【請求項7】

前記摩耗エネルギー分布を表すデータは、タイヤの接地面の各座標に対する摩耗エネルギー値を含む、
請求項６に記載のタイヤの特性予測装置。

【請求項8】

前記各座標に対する摩耗エネルギー値は、１または複数の閾値により指標化される、
請求項７に記載のタイヤの特性予測装置。

【請求項9】

前記摩耗エネルギー分布を表すデータは、前記指標化された摩耗エネルギー値に基づく画像データである、
請求項８に記載のタイヤの特性予測装置。

【請求項10】

１または複数のプロセッサにより実行されるタイヤの特性予測方法であって、
タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的接地特性を表すデータを入力することと、
前記モデルから、前記対象タイヤの摩耗特性を表すデータを出力させることと
を含む、
タイヤの特性予測方法。

【請求項11】

タイヤが静止状態であるときの接地特性である静的接地特性を表すデータと、該タイヤの摩耗特性を表すデータとが組み合わされた学習用データセットを生成することと、
前記学習用データセットを用いて、対象タイヤの静的接地特性を表すデータを入力すると、前記対象タイヤの摩耗特性を予測するデータが出力されるように、機械学習モデルを学習させることと
を含む、
学習済みモデルの生成方法。

【請求項12】

タイヤが静止状態であるときの接地特性である静的接地特性を表すデータと、該タイヤの摩耗特性を表すデータとが組み合わされた学習用データセットを生成する生成部と、
前記学習用データセットを用いて、対象タイヤの静的接地特性を表すデータを入力すると、前記対象タイヤの摩耗特性を予測するデータが出力されるように、機械学習モデルを学習させる学習部と
を備える、
学習済みモデルの生成装置。

【請求項13】

タイヤが静止状態であるときの静的特性を表すデータを入力すると、該タイヤが運動するときの動的特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的特性を表すデータを入力し、前記対象タイヤの動的特性を表すデータを出力させる導出部
を備える、
タイヤの特性予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、タイヤの特性予測装置及び予測方法ならびに学習済みモデルの生成方法及び生成装置に関する。

【背景技術】

【0002】

特許文献１は、機械学習モデルを使用して、タイヤの接地面形状を表す画像に基づいて、タイヤ性能値を予測する方法を開示する。特許文献１によれば、予測の対象となるタイヤ性能値は、例えばＣＰ（コーナリングパワー）、ＣＦｍａｘ（最大コーナリングフォース）、ＳＡＴ（セルフアライニングトルク）である。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１９５０３８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

タイヤの性能は、特許文献１で例示される観点以外にも様々な観点から評価される。例えば、摩耗に関する特性を表す摩耗特性等である。しかしながら、特許文献１では、接地面形状を表す画像といったタイヤの静的な特性から、タイヤの動的な特性である摩耗特性を予測することについては考慮されていない。

【0005】

本発明は、例えば静的接地特性のようなタイヤの静的特性に基づいて、例えば摩耗特性のようなタイヤの動的特性を予測するタイヤの特性予測装置及び予測方法ならびに学習済みモデルの生成方法及び生成装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

第１観点に係るタイヤの特性予測装置は、導出部を備える。導出部は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的接地特性を表すデータを入力し、前記対象タイヤの摩耗特性を表すデータを出力させる。

【0007】

第２観点に係るタイヤの特性予測装置は、第１観点に係る特性予測装置であって、前記静的接地特性を表すデータは、タイヤの接地面の接地圧分布を表すデータを含む。

【0008】

第３観点に係るタイヤの特性予測装置は、第２観点に係る特性予測装置であって、前記接地圧分布を表すデータは、タイヤの接地面の各座標に対する接地圧値を含む。

【0009】

第４観点に係るタイヤの特性予測装置は、第３観点に係る特性予測装置であって、前記各座標に対する接地圧値は、１または複数の閾値により指標化される。

【0010】

第５観点に係る特性予測装置は、第４観点に係る特性予測装置であって、前記接地圧分布を表すデータは、前記指標化された接地圧値に基づく画像データである。

【0011】

第６観点に係る特性予測装置は、第１観点から第５観点のいずれかに係る特性予測装置であって、前記摩耗特性を表すデータは、タイヤの接地面の摩耗エネルギー分布を表すデータを含む。

【0012】

第７観点に係る特性予測装置は、第６観点に係る特性予測装置であって、前記摩耗エネルギー分布を表すデータは、タイヤの接地面の各座標に対する摩耗エネルギー値を含む。

【0013】

第８観点に係る特性予測装置は、第７観点に係る特性予測装置であって、前記各座標に対する摩耗エネルギー値は、１または複数の閾値により指標化される。

【0014】

第９観点に係る特性予測装置は、第８観点に係る特性予測装置であって、前記摩耗エネルギー分布を表すデータは、前記指標化された摩耗エネルギー値に基づく画像データである。

【0015】

第１０観点に係る特性予測方法は、１または複数のプロセッサにより実行されるタイヤの特性予測方法であって、以下のことを含む。
・タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的接地特性を表すデータを入力すること
・前記モデルから、前記対象タイヤの摩耗特性を表すデータを出力させること

【0016】

第１１観点に係る学習済みモデルの生成方法は、以下のことを含む。
・タイヤが静止状態であるときの接地特性である静的接地特性を表すデータと、該タイヤの摩耗特性を表すデータとが組み合わされた学習用データセットを生成すること
・前記学習用データセットを用いて、対象タイヤの静的接地特性を表すデータを入力すると、前記対象タイヤの摩耗特性を予測するデータが出力されるように、機械学習モデルを学習させること

【0017】

第１２観点に係る学習済みモデルの生成装置は、生成部と、学習部とを備える。生成部は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータと、該タイヤの摩耗特性を表すデータとが組み合わされた学習用データセットを生成する。学習部は、前記学習用データセットを用いて、対象タイヤの静的接地特性を表すデータを入力すると、前記対象タイヤの摩耗特性を予測するデータが出力されるように、機械学習モデルを学習させる。

【0018】

第１３観点に係るタイヤの特性予測装置は、導出部を備える。導出部は、タイヤが静止状態であるときの静的特性を表すデータを入力すると、該タイヤが運動するときの動的特性を表すデータを出力するように機械学習されたモデルに、対象タイヤの静的特性を表すデータを入力し、前記対象タイヤの動的特性を表すデータを出力させる。

【発明の効果】

【0019】

第１観点によれば、タイヤの静的接地特性を表すデータに基づき、該タイヤの摩耗特性を予測することができる。また、第１３観点によれば、タイヤが静止状態であるときの静的特性を表すデータに基づき、該タイヤが運動するときの動的特性を予測することができる。

【図面の簡単な説明】

【0020】

【図1】一実施形態に係る予測装置の電気的構成を示すブロック図。

【図2】モデルの構造を説明する図。

【図3】摩耗特性予測の流れを示すフローチャート。

【図4】機械学習の流れを示すフローチャート。

【図5】変形例に係る入力データを示す図。

【図6】変形例に係る出力データを示す図。

【発明を実施するための形態】

【0021】

以下、本発明の実施形態に係るタイヤの特性予測装置及び予測方法ならびに学習済みモデルの生成方法及び生成装置について説明する。

【0022】

＜１．概要＞
図１は、本発明の一実施形態に係る特性予測装置１（以下、単に「予測装置１」とも称する）の電気的構成を示すブロック図である。予測装置１は、タイヤの静的特性を表すデータに基づき、該タイヤの動的特性を表すデータを予測する装置であり、主としてタイヤの設計開発や品質管理の場面で好ましく用いられる。タイヤの静的特性は、タイヤが静止状態であるときのタイヤの特性、形状及び構造を表し、静的ばね定数、接地面の形状、接地圧分布、タイヤの形状、プロファイル、及び内部構造が含まれる。また、タイヤの動的特性は、タイヤが運動するときの特性を表し、摩耗特性、運動特性、振動特性、及びノイズ特性等が含まれる。以下、タイヤの予測装置１が、対象となるタイヤの接地圧分布から、該タイヤの摩耗特性を予測する場合を例に説明する。

【0023】

タイヤの静的接地特性としては、例えば接地面の接地圧分布が挙げられる。接地圧分布は、例えばタイヤの接地面の幅方向（タイヤの回転軸に平行な方向）及び前後方向（タイヤの回転軸に直交する方向）で定義される平面上の各座標における、静止状態のタイヤの接地圧値である。接地圧値は、公知のタイヤ接地圧計測装置により取得することができる。タイヤ接地圧計測装置は、タイヤを圧着させる計測領域に、多数の圧力センサが幅方向及び前後方向に沿って２次元配列され、各々のセンサで各座標に対応する接地圧を検出するものや、タイヤを硬質ガラス等の透明板に圧着させて透明板とトレッドとの接触部分を照射し、各座標に対応する反射光量を測定して接地圧値に換算するもの、感圧マットにタイヤを圧着して感圧マットの外見的変化を計測するもの等、２次元的に接地圧（ｋＰａ）を計測できる装置であれば、特に限定されない。これらのタイヤ接地圧計測装置によれば、タイヤの接地面の各座標における接地圧値が取得される。

【0024】

タイヤの摩耗特性としては、例えば接地面の各座標に対するタイヤの摩耗傾向を表す指標が挙げられる。このような指標は、車両の駆動源の電気化が進み、車体重量が増加する中で、より一層重要な指標となることが予想される。本実施形態では、タイヤの摩耗特性として、摩耗エネルギー分布が使用される。摩耗エネルギー分布は、例えば上記接地面の各座標に対する摩耗エネルギー値である。摩耗エネルギー値は、トレッドの摩耗のし易さを表現する指標であり、例えば接地面あたりの平均値は、市場における摩耗速度を予測するのに重要な指標となる。摩耗エネルギー値は、以下のように定義される。
摩耗エネルギー値（Ｊ／ｍ²）＝μ×[接地圧値（ｋＰａ）]×[所定の回転速度、荷重及び内圧における変位量（ｍ）]

【0025】

上式において、変位量は、各座標に対する値であり、トレッドの各点の滑り量であるとも言い換えることができる。μは、タイヤのトレッドパターンやカテゴリに応じて、予め定められる係数である。摩耗エネルギー値は、大きければ大きいほど摩耗しやすく、小さければ小さいほど摩耗しにくいということを表している。また、上式から分かるように、摩耗エネルギー値は、接地圧値と相関を有する。

【0026】

摩耗エネルギー値は、接地圧分布と、トレッドの各点での変位量とを測定する装置により、直接測定することもできる。測定は、例えば次のように行うことができる。まず、ホイールにセットされ、所定の内圧とされた状態のタイヤに所定の荷重をかけ、装置の透明板の上面に設置された感圧マットにトレッドを圧着する。この状態で、透明板の下側であって接地面の真下から、感圧マットの色分布をカメラで撮影する。これにより、静止状態での接地圧分布を表すデータが得られる。次に、タイヤに上記荷重をかけたまま、タイヤを所定の回転速度で透明板上を回転させる。このとき、透明板の下側であって接地面の前後方向に配置された２台のカメラで同一の範囲を撮影それぞれし、トレッドの各点に対する単位時間当たりの変位を導出する。接地圧分布、変位、及び予め定められているμを上式に代入すると、接地面の各座標に対する摩耗エネルギー値が得られる。

【0027】

しかしながら、タイヤを所定の条件で回転運動させて変位を計測し、摩耗エネルギー値を算出することは、多くの工数を要し、容易ではない。例えば、上記測定を適切に行うためには、タイヤを車両に実装して走行し、表面を慣らす前処理が数週間程度必要である。また、計測自体にも時間を要する上、計測精度が十分高いとは言えない。このため、比較的短時間で容易に取得可能な静的接地特性から摩耗特性を予測することができれば、工数の大幅削減となり、開発の効率化を図ることができる。また、予測装置１は機械学習モデルを使用しているため、学習用データセットの数と質により、上記装置を用いた計測と同程度かそれ以上の精度での予測が可能になることが期待される。

【0028】

＜２．予測装置の構成＞
予測装置１は、ハードウェアとしては汎用のコンピュータであり、例えば、デスクトップパソコン、ラップトップパソコン、タブレット、スマートフォンとして実現される。予測装置１は、ＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記憶媒体１３３から、或いはネットワークを介して、プログラム１３２を上記汎用のコンピュータにインストールすることにより製造される。プログラム１３２は、予測装置１に後述する動作を実行させる。

【0029】

予測装置１は、制御部１０、表示部１１、入力部１２、記憶部１３、通信部１４及びＩ／Ｏインタフェース１５を備える。これらの部１０～１５は、互いにバス線１６を介して接続されており、相互に通信可能である。表示部１１は、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ、タッチパネルディスプレイ等で構成することができ、例えば後述する機械学習モデルの学習過程における誤差、及び機械学習されたモデルから導出される出力結果等を表示する。入力部１２は、マウス、キーボード、タッチパネル等で構成することができ、予測装置１に対する操作を受け付ける。表示部１１及び入力部１２は、ともに同じタッチパネルディスプレイで構成されてもよい。通信部１４は、ネットワークを介したデータ通信を行う通信インタフェースとして機能する。Ｉ／Ｏインタフェース１５は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。

【0030】

記憶部１３は、ハードディスク及びフラッシュメモリ等の不揮発性メモリで構成することができる。記憶部１３内には、プログラム１３２が記憶されている他、機械学習されたモデル１３１を定義するパラメータが記憶される。モデル１３１は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータを入力すると、該タイヤの摩耗特性を表すデータを出力するように学習済みである。この学習方法については、後述する。

【0031】

制御部１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等で構成することができる。制御部１０は、記憶部１３内のプログラム１３２を読み出して実行することにより、仮想的に取得部１０Ａ、導出部１０Ｂ、画面生成部１０Ｃ、生成部１０Ｄ及び学習部１０Ｅとして動作する。取得部１０Ａは、入力部１２や通信部１４等を介して、予測対象となる対象タイヤの静的接地特性を表すデータを取得する。導出部１０Ｂは、取得された静的接地特性を表すデータをモデル１３１に入力し、モデル１３１から対象タイヤの摩耗特性を表すデータを出力させる。画面生成部１０Ｃは、各種の情報を表示する画面等を生成する。生成部１０Ｄ及び学習部１０Ｅについては、後述する。

【0032】

＜３．モデルの構成＞
以下、モデル１３１の構成について説明する。図２は、モデル１３１の概念図である。本実施形態のモデル１３１は、入力されたデータの特徴量を抽出するエンコーダ部１３１０と、抽出された特徴量に基づき、入力されたデータを変換するとともに、元のサイズに復元するデコーダ部１３１１とを含む。つまり、本実施形態では、モデル１３１への入力データ１３４０がエンコーダ部１３１０への入力データとなり、デコーダ部１３１１からの出力データがモデル１３１からの出力データ１３４１となる。

【0033】

モデル１３１への入力データ１３４０は、対象タイヤの接地面の接地圧分布を表すデータであり、より具体的には、接地面の各座標に対する接地圧値である。つまり、入力データ１３４０は、各座標に対して二次元配列された接地圧値である。入力データ１３４０に含まれる接地圧値の数は、接地面に対して設定された座標点の数である。

【0034】

本実施形態のエンコーダ部１３１０は、畳み込みニューラルネットワーク（ＣＮＮ）を含んで構成される。畳み込みニューラルネットワークは、畳み込み層とプーリング層との組み合わせが、複数回繰り返して連続する構造を有する。畳み込み層では、畳み込みフィルタにより入力されたデータの特定の特徴が抽出される。畳み込みフィルタが持つパラメータは、後述する学習処理により調整済みである。畳み込みの演算の際には、ＲｅＬＵ関数等の活性化関数が適用されることが好ましく、これにより、抽出された特徴がより強調される。畳み込み層におけるフィルタ数、フィルタサイズ、フィルタにより入力データをスキャンする間隔等は、適宜設定することができる。このような畳み込み層は、プーリング層の前に、２つ以上連続してもよい。

【0035】

畳み込み層から出力されたデータは、プーリング層に入力され、ダウンサンプリングされる。プーリングは、平均値プーリング、最大値プーリング及び最小値プーリングのいずれでも、適宜選択することができる。プーリング層から出力されたデータは、後続の畳み込み層に入力され、上記の畳み込みが再び行われる。このようにして、畳み込みとプーリングとの組み合わせが複数回繰り返されると、層ごとに異なる特徴が抽出される。畳み込み層とプーリング層との組み合わせの数（各層の数）は、適宜設定することができる。

【0036】

エンコーダ部１３１０により最終的に出力されたデータは、全結合層１３１２に入力され、全結合層１３１２から出力されたデータが、デコーダ部１３１１への入力データとなる。デコーダ部１３１１は、転置畳み込み層が、複数連続する構造を有する。転置畳み込み層の数は、エンコーダ部１３１０における畳み込み層とプーリング層との組み合わせの数と対応する。

【0037】

転置畳み込み層に入力されたデータは、ダウンサンプリングされた分のデータを補間され、より大きなデータとなる。補間方法は特に限定されず、適宜選択することができる。さらに、補間後のデータに対し、畳み込みフィルタによる畳み込みが行われる。このように、転置畳み込み層での処理が繰り返されることにより、各転置畳み込み層から出力されるデータが、元の入力データ１３４０のサイズまで復元される。最後の転置畳み込み層から出力されるデータが、モデル１３１からの出力データ１３４１となる。この出力データ１３４１は、接地面の摩耗エネルギー分布を表すデータであり、入力データ１３４０の各座標に対応するように二次元配列された摩耗エネルギー値である。出力データ１３４１に含まれる摩耗エネルギー値の数は、入力データ１３４０と同様に、接地面に対して設定された座標点の数である。

【0038】

＜４．予測方法＞
次に、図３を参照しつつ、予測装置１により実行される対象タイヤの摩耗特性予測方法について説明する。

【0039】

まず、取得部１０Ａが、対象タイヤの静的接地特性を表すデータとして、対象タイヤの接地面の接地圧分布を表すデータを取得し、入力データ１３４０としてＲＡＭまたは記憶部１３に保存する（ステップＳ１）。接地圧分布を表すデータは、上述したように、接地面の各座標における接地圧値であり、公知のタイヤ接地圧計測装置を用いて取得することができる。取得部１０Ａによる取得は、例えば予測装置１のユーザ（典型的には、タイヤの開発設計者）が入力部１２を介して行ってもよいし、ＣＤ－ＲＯＭ、ＵＳＢメモリ等の記録媒体を介して行ってもよいし、ネットワークを介してタイヤ接地圧計測装置からデータを読み出すことで行ってもよい。

【0040】

続いて、導出部１０Ｂが、入力データ１３４０をモデル１３１に入力し、モデル１３１から出力データ１３４１を出力させる（ステップＳ２）。出力データ１３４１は、上述したように、接地面の摩耗エネルギー分布を表すデータであり、入力データ１３４０と同じサイズで二次元配列された摩耗エネルギー値である。

【0041】

続いて、画面生成部１０Ｃが、ステップＳ２で導出された出力データ１３４１を表示する結果画面を生成し、表示部１１を介して表示する（ステップＳ３）。出力データ１３４１の表示形式は、特に限定されない。出力データ１３４１は、例えば、各座標に対応する摩耗エネルギー値が二次元配列された表形式のデータで表示されてもよい。加えて、各座標に対応する摩耗エネルギー値は、１または複数の所定の閾値により、段階的に指標化された値で表されてもよい。さらに、画面生成部１０Ｃは、指標化された摩耗エネルギー値に基づいた画像データを生成し、表示してもよい。より具体的には、対象タイヤの接地面を表す領域内の画素を、指標化された摩耗エネルギー値に応じて、互いに異なる色で表示することができる（図６参照）。この画像データによれば、対象タイヤの接地面形状と、摩耗エネルギー分布が視覚的に対応付けられる。

【0042】

さらに、画面生成部１０Ｃは、入力データ１３４０と出力データ１３４１とを比較する画面を生成し、表示してもよい。この場合、入力データ１３４０の接地圧値も、１または複数の所定の閾値により、段階的に指標化された値で表されてよい。そして、画面生成部１０Ｃは、指標化された接地圧値に基づいた画像データを生成し、表示してもよい。より具体的には、対象タイヤの接地面を表す領域内の画素を、指標化された接地圧値に応じて、互いに異なる色で表示することができる（図５参照）。これにより、ユーザは、入力データ１３４０及び出力データ１３４１を、視覚的に確認することができる。

【0043】

＜５．学習方法＞
予測装置１は、学習済みモデルの生成装置としても構成することができる。図４を参照しつつ、生成部１０Ｄ及び学習部１０Ｅにより実行される、モデル１３１を生成するための方法（機械学習モデルの学習方法）について説明する。

【0044】

機械学習モデルは、図２に示すようなエンコーダ部とデコーダ部とが結合された構造を有し、学習用データセット１３４を用いて機械学習される。学習用データセット１３４は、タイヤが静止状態であるときの接地特性である静的接地特性を表すデータと、タイヤの摩耗特性を表すデータ（正解データ）とが組み合わされたデータセットであり、異なるタイヤについての多数のデータセットを含む。静的接地特性を表すデータ及び摩耗特性を表すデータは、それぞれ、装置により測定された接地面の接地圧値及び摩耗エネルギー値であってよい。これらのデータは、記憶媒体やネットワークを介して予測装置１に取り込まれる。生成部１０Ｄは、タイヤの静的接地特性を表すデータに、正解データとしての該タイヤの摩耗特性を表すデータを組み合わせ、学習用データセット１３４として記憶部１３に保存する。つまり、学習用データセット１３４を生成する（ステップＳ１１）。

【0045】

続いて、学習部１０Ｅが、学習用データセット１３４を、パラメータ調整用の訓練用データセットと、精度検証用のテスト用データセットとに分割する（ステップＳ１２）。両者の割合は、適宜設定することができる。

【0046】

続いて、学習部１０Ｅが訓練用データセットに含まれる静的接地特性を表すデータを機械学習モデルに入力すると、摩耗特性を予測するデータが出力されるように、機械学習モデルを学習させる（ステップＳ１３）。具体的には、学習部１０Ｅは、出力されたデータと、入力されたデータに組み合わせられている正解データとの誤差が小さくなるように、機械学習モデルを定義するパラメータを調整する。ステップＳ１３は、バッチ勾配降下法、確率的勾配降下法、ミニバッチ勾配降下法等のいずれの方法で実行されてもよく、これらの方法に応じて、適当なエポック数だけ繰り返すことができる。

【0047】

続いて、学習部１０Ｅが、規定のエポック数の学習が完了したか否かを判定する（ステップＳ１４）。学習部１０Ｅが、規定のエポック数の学習が完了していない（ＮＯ）と判定する場合、学習部１０Ｅは、さらにステップＳ１３～ステップＳ１４を繰り返す。一方、学習部１０Ｅが、規定のエポック数の学習が完了した（ＹＥＳ）と判定する場合、ステップＳ１５が実行される。

【0048】

ステップＳ１５では、学習部１０Ｅが、機械学習モデルを定義する最新のパラメータを記憶部１３に保存する。以上の手順により、モデル１３１が生成される。

【0049】

なお、ステップＳ１４において、学習部１０Ｅが機械学習モデルからの出力と正解データとの誤差が所定の値以下になったか否かを判定し、上記誤差が所定の値以下になった（ＹＥＳ）と判定される場合、ステップＳ１５が実行されるようにしてもよい。この判定は、テスト用データセットの接地圧分布を表すデータをモデルに入力し、テスト用データセットの正解データとの誤差を算出することにより行うことができる。このように、規定のエポック数の学習の完了を待たずに機械学習モデルの学習を終了する場合、機械学習モデルの過学習を回避することができる。

【0050】

＜６．特徴＞
上記実施形態の予測装置１によれば、測定が比較的容易であるタイヤの接地圧分布を表すデータに基づき、該タイヤの摩耗エネルギー分布を予測することができる。これにより、摩耗エネルギー分布の測定を省略することができるため、測定の前処理の工数や測定自体の時間を省略することができる。

【0051】

＜７．変形例＞
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組み合わせることができる。

【0052】

（１）上記実施形態では、モデル１３１はエンコーダ部１３１０とデコーダ部１３１１とが全結合層１３１２を介して結合された構造を有していたが、機械学習モデルの構造はこれに限定されない。例えば、エンコーダ部１３１０及びデコーダ部１３１１の少なくとも一部分は、サポートベクタ―マシン（ＳＶＭ）、決定木、ニューラルネットワーク（ＮＮ）、ＰＣＡをベースとするモデルが用いられてもよい。また、モデル１３１全体としては、ＴｒａｎｓＮｅｔ、ＴｒａｎｓＵＮｅｔ、アテンションネットワーク、ＳｅｇＮｅｔ、全層畳み込みネットワーク（ＦＣＮ）、特徴ピラミッドネットワーク、ＰＳＰＮｅｔ、ＲｅｆｉｎｅＮｅｔ、再帰型ニューラルネットワーク（ＲＮＮ）、ＵＮｅｔ、ＵＳｅｇｎｅｔ、ＴｒａｎｓＮｅｔ、ＴｒａｎｓＵＮｅｔ、Ｌａｒｇｅ Ｋｅｒｎｅｌ Ｍａｔｔｅｒｓ、Ｄｅｅｐｌａｂｖ３＋等の構造をベースとしてもよい。

【0053】

（２）入力データ１３４０は、１または複数の所定の閾値により、段階的に指標化された接地圧値の二次元配列データであってもよい。同様に、出力データ１３４１は、１または複数の所定の閾値により、段階的に指標化された摩耗エネルギー値の二次元配列データであってもよい。さらに、入力データ１３４０は、上記指標化された接地圧値に基づく画像データであってもよい。この画像データは、例えば図５に示すように、設置面の各座標に対応する画素を、指標化された接地圧値に対応する色で塗分けたものとすることができる。図５の例では、接地圧値（ｋＰａ）は、その値に応じて８段階に指標化され、各画素にはそれぞれの指標に割り当てられた色が付与されている。同様に、出力データ１３４１は、上記指標化された摩耗エネルギー値に基づく画像データであってもよい。この画像データは、例えば図６に示すように、設置面の各座標に対応する画素を、指標化された摩耗エネルギー値に対応する色で塗分けたものとすることができる。図６の例では、摩耗エネルギー値（Ｊ／ｍ²）は、その値に応じて８段階に指標化され、各画素にはそれぞれの指標に割り当てられた色が付与されている。このように、入力データ１３４０及び出力データ１３４１の形式を変更する場合は、扱うデータの形式に合わせ、モデル１３１の構造も適宜選択することができる。

【0054】

（３）上述のように、入力データ１３４０及び出力データ１３４１の形式を変更する場合は、学習用データセット１３４の形式や、学習方法も適宜変更することができる。

【0055】

（４）上記実施形態では、予測装置１は１つの装置として構成されたが、各部１０Ａ～１０Ｅ、記憶部１３の機能は、複数の装置に分散されていてもよい。例えば、機械学習モデルの学習はネットワークを通じて提供されるサービスにより行い、構築されたモデル１３１を、予測装置１に保存することとしてもよい。すなわち、予測装置１と学習済みモデルの生成装置とは別体として構成されていてもよい。

【0056】

（５）予測装置１は、静的ばね定数、接地面の形状、接地圧分布、タイヤの形状、プロファイル、及び内部構造の少なくとも１つの静的特性に基づいて、摩耗特性、運動特性、振動特性、及びノイズ特性の少なくとも１つの動的特性を予測するように構成されてもよい。つまり、モデル１３１は、静的ばね定数、接地面の形状、接地圧分布、タイヤの形状、プロファイル、及び内部構造の少なくとも１つを表すデータを入力すると、摩耗特性、運動特性、振動特性、及びノイズ特性の少なくとも１つを表すデータを出力するように機械学習されてもよい。

【0057】

上述の静的ばね定数、接地面の形状、接地圧分布、タイヤの形状、プロファイル、及び内部構造を表すデータは、例えば以下の手段により取得することができる。静的ばね定数は静的ばね試験機による測定で、接地面の形状は接地面観測装置や上述したタイヤ接地圧計測装置による測定で、形状及びプロファイルはスキャナやプロファイル測定装置による測定で、内部構造はＸ線ＣＴスキャナによる測定で、それぞれ取得することができる。また、摩耗特性、運動特性、振動特性、及びノイズ特性を表すデータは、例えば以下の手段により取得することができる。運動特性は、フラットベルト式タイヤ特性試験機や、インサイドドラム試験機による測定等で取得することができる。振動特性は、動的ばね試験機や、高速ユニフォミティ試験機による測定等で取得することができる。ノイズ特性は、大型無響実車試験室、音響ホログラフィ試験機、６分力試験機による測定等で取得することができる。摩耗特性は、上述した摩耗エネルギー値の測定装置による測定等で取得することができる。学習用データセット１３４は、これらの測定により得られたデータを適宜組み合わせることにより生成することができる。

【0058】

（６）予測装置１の制御部１０は、ＣＰＵやＧＰＵの他、ベクトルプロセッサ、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、その他人工知能専用チップ等を含んで構成されてもよい。また、制御部１０の動作は、１または複数のプロセッサにより実行されてもよい。

【0059】

１ 予測装置
１０ 制御部
１０Ａ 取得部
１０Ｂ 導出部
１０Ｃ 画面生成部
１０Ｄ 生成部
１０Ｅ 学習部
１３１ モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】