JP7634838B2 - 機械学習を用いた振動減衰装置の特性分析装置、特性分析方法及びプログラム - Google Patents

Description

本発明は、機械学習を用いた振動減衰装置の特性分析装置、特性分析方法及びプログラムに関する。

車両などに設けられ、振動を減衰する振動減衰装置が知られている。例えば特許文献１には、車両が正常に走行している場合の上下振動に関するデータを、機械学習を用いて特定する旨が記載されている。

特開２０１９－６９６５１号公報

機械学習を用いて振動減衰装置の特性を適切に分析するには、改善の余地がある。

本発明は、上記に鑑みてなされたものであって、振動減衰装置の特性を適切に分析可能な、機械学習を用いた振動減衰装置の特性分析装置、特性分析方法及びプログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本開示に係る機械学習を用いた振動減衰装置の特性分析装置は、車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するＡＩモデル取得部と、第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得する測定値取得部と、前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得する予測値取得部と、前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成する特性情報生成部と、を含む。

上述した課題を解決し、目的を達成するために、本開示に係る特性分析方法は、車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するステップと、第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得するステップと、前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得するステップと、前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成するステップと、を含む。

上述した課題を解決し、目的を達成するために、本開示に係るプログラムは、車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するステップと、第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得するステップと、前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得するステップと、前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成するステップと、を、コンピュータに実行させる。

本発明によれば、振動減衰装置の特性を適切に分析することができる。

図１は、本実施形態に係る振動減衰装置の模式図である。 図２は、本実施形態に係る振動減衰装置の模式的な断面図である。 図３は、本実施形態に係る特性分析装置の模式的なブロック図である。 図４は、ＡＩモデル用の画像データを説明するための模式図である。 図５は、ＡＩモデルの概念的な模式図である。 図６は、特性情報の一例を示す図である。 図７は、特性分析装置の処理フローを説明するフローチャートである。

以下に、本発明の好適な実施形態を図面に基づいて詳細に説明する。なお、以下に説明する実施形態により本発明が限定されるものではない。

（振動減衰装置）
本実施形態に係る特性分析装置１００は、機械学習を用いて振動減衰装置の特性を分析する。以下、振動減衰装置の構成の一例を説明する。

図１は、本実施形態に係る振動減衰装置の模式図であり、図２は、本実施形態に係る振動減衰装置の模式的な断面図である。図１に示すように、本実施形態に係る振動減衰装置１は、車両Ｖの車体ＢＤと車輪ＴＲ（車輪ＴＲに接続される車軸）との間に設けられ、減衰力を発生させて車体ＢＤの振動を抑制する装置である。ただし振動減衰装置１は、車両用であることに限られず、任意の機構に用いられてよい。

図２に示すように、本実施形態に係る振動減衰装置１は、シリンダ１０と、シリンダ１０に摺動可能に挿入されるピストン２０（バルブピストン）と、シリンダ１０に進退自在に挿入されるピストンロッド３０と、シリンダ１０内に設けられるベースバルブ４０とを備える。ピストンロッド３０は、ピストン２０に連結され、シリンダ１０の外部へ延出する。

シリンダ１０は、内部に作動流体Ｏが封入されている。作動流体Ｏは、本実施形態では油であるが、水など任意の流体であってよい。シリンダ１０には、インナーチューブ１２と、アウターチューブ１４と、ベアリング１６と、オイルシール１８とを有する。インナーチューブ１２は、筒状の部材である。アウターチューブ１４は、筒状の部材であり、インナーチューブ１２の外周面（側面）を囲うように設けられている。ベアリング１６は、ピストンロッド３０を摺動可能に支持するガイドブッシュである。オイルシール１８は、作動流体Ｏなどをシールしつつ、ピストンロッド３０を摺動可能に支持する。

以上が本実施形態に係る振動減衰装置１であるが、振動減衰装置１の構成は以上の例に限られない。例えば以上の説明では、いわゆるツインチューブショックアブソーバであったが、それに限られず、いわゆるモノチューブショックアブソーバであってもよい。

（特性分析装置）
図３は、本実施形態に係る特性分析装置の模式的なブロック図である。特性分析装置１００は、コンピュータであるともいえ、入力部７０と、出力部７２と、通信部７４と、記憶部７６と、制御部７８とを備える。入力部７０は、ユーザの操作（入力）を受け付けるユーザインターフェースであり、例えばマウスやキーボードなどであってよい。出力部７２は、情報を出力する装置であり、例えばディスプレイなどであってよい。通信部７４は、外部の装置と通信を行う通信モジュールであり、例えばアンテナなどである。特性分析装置１００は、無線通信で外部の装置と通信を行うが、有線通信でもよく、通信方式は任意であってよい。

記憶部７６は、制御部７８の演算内容やプログラムなどの各種情報を記憶するメモリであり、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）のような主記憶装置と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つを含む。記憶部７６が記憶する制御部７８用のプログラムは、特性分析装置１００が読み取り可能な記録媒体に記憶されていてもよい。また、記憶部７６は、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｒｉｇｅｎｃｅ）における学習モデルである、ＡＩモデルＮを記憶している。

制御部７８は、演算装置であり、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算回路を含む。制御部７８は、学習部８０と、ＡＩモデル取得部８２と、測定値取得部８４と、予測値取得部８６と、特性情報生成部８８とを含む。制御部７８は、記憶部７６からプログラム（ソフトウェア）を読み出して実行することで、学習部８０とＡＩモデル取得部８２と測定値取得部８４と予測値取得部８６と特性情報生成部８８とを実現して、それらの処理を実行する。なお、制御部７８は、１つのＣＰＵによってこれらの処理を実行してもよいし、複数のＣＰＵを備えて、それらの複数のＣＰＵで、処理を実行してもよい。また、学習部８０とＡＩモデル取得部８２と測定値取得部８４と予測値取得部８６と特性情報生成部８８との処理の少なくとも一部を、ハードウェア回路で実現してもよい。

（学習部）
学習部８０は、学習前のＡＩモデルＮを機械学習させて、学習済みのＡＩモデルＮを生成する。学習部８０は、第１振動減衰装置の振動源側における振動度合いと、第１振動減衰装置の振動源とは反対側における振動度合いとの対応関係を、ＡＩモデルＮに機械学習させる。ここで、第１振動減衰装置とは、ＡＩモデルＮに機械学習させる基準となる振動減衰装置１である。また、第１振動減衰装置の振動源側とは、第１振動減衰装置の振動源（本実施形態では車輪ＴＲ）に近い位置を指し、第１振動減衰装置の振動を減衰する機構よりも振動源側の位置（ばね下の位置）といえる。本実施形態では、第１振動減衰装置の振動源側は、第１振動減衰装置のシリンダ１０を指してよい。また、振動度合いとは、振動の度合いを指すパラメータであれば任意のパラメータであってよいが、本実施形態では加速度である。すなわち、第１振動減衰装置の振動源側における振動度合いとは、第１振動減衰装置のばね下の加速度を指すといえる。一方、第１振動減衰装置の振動源とは反対側とは、第１振動減衰装置の振動源（本実施形態では車輪ＴＲ）から遠い側を指し、第１振動減衰装置の振動を減衰する機構に対して振動源と反対側の位置（ばね上の位置）といえる。本実施形態では、第１振動減衰装置の振動源と反対側は、第１振動減衰装置のピストンロッド３０を指してよい。すなわち、第１振動減衰装置の振動源とは反対側における振動度合いとは、第１振動減衰装置のばね上の加速度を指すといえる。以下、第１振動減衰装置の振動源とは反対側のことを、適宜、第１振動減衰装置の減衰側と記載する。

学習部８０は、第１振動減衰装置の振動源側における振動度合い（ここでは加速度）の測定値を、未学習のＡＩモデルへの入力用の教師データとして取得し、第１振動減衰装置の減衰側における振動度合い（ここでは加速度）の測定値を、未学習のＡＩモデルからの出力データに教える解となる出力用の教師データとして取得する。以下、教師データについてより具体的に説明する。

本実施形態では、第１振動減衰装置を搭載した車両Ｖに、第１振動減衰装置の振動源側における振動度合い（ここでは加速度）を検出する第１センサＳ１と、第１振動減衰装置の減衰側における振動度合い（ここでは加速度）を検出する第２センサＳ２とを取り付けて、車両Ｖを実際に走行させる。そして、車両Ｖの走行中の、第１振動減衰装置の振動源側における所定時間毎の加速度を、第１センサＳ１に検出させ、車両Ｖの走行中の、第１振動減衰装置の減衰側における所定時間毎の加速度を、第２センサＳ２に検出させる。学習部８０は、第１センサＳ１及び第２センサＳ２の検出結果が記録される装置（データロガー）から、通信部７４を介して、第１センサＳ１及び第２センサＳ２の検出結果を取得して、教師データとして用いる。なお、第１センサＳ１は、第１振動減衰装置の振動源側における振動度合いを検出可能であれば任意の位置に取り付けられてよいが、例えば、第１振動減衰装置の振動を減衰する機構よりも車輪側の位置（例えばシリンダ１０）に取り付けられる。また、第２センサＳ２は、第１振動減衰装置の減衰側における振動度合いを検出可能であれば任意の位置に取り付けられてよいが、例えば、第１振動減衰装置の振動を減衰する機構よりも車輪と反対側の位置（例えばピストンロッド３０）に取り付けられる。また、第１センサＳ１及び第２センサＳ２に検出を行わせる際の、車両Ｖの走行条件は、例えば試験用のコースを所定の速度で走行するなど、任意に設定されてよい。

図４は、ＡＩモデル用の画像データを説明するための模式図である。本実施形態では、学習部８０は、第１センサＳ１及び第２センサＳ２が検出した所定時間毎の加速度の波形データを、時間及び周波数毎の加速度を示す画像データ（スペクトログラム）に変換して、教師データとする。すなわち、加速度の波形は、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ：高速フーリエ変換）処理することにより、周波数毎の加速度を示すデータに変換できる。従って、第１センサＳ１及び第２センサＳ２が検出した所定時間毎の加速度の波形データは、図４の例に示すように、時間毎の加速度のデータを周波数毎に区分して、時間及び周波数毎の加速度を示すデータに変換できる。すなわち、学習部８０は、第１センサＳ１が検出した所定時間毎の加速度の波形データについて、ＦＦＴ処理により時間毎の加速度のデータを周波数毎に区分して、第１振動減衰装置の振動源側における時間及び周波数毎の加速度を示す画像データを生成する。すなわち、学習部８０は、第１振動減衰装置の振動源側における時間及び周波数毎の加速度を、時間をＸ軸として周波数をＹ軸とする二次元座標系における、座標（画素）毎の階調値に設定することで、第１振動減衰装置の振動源側における時間及び周波数毎の加速度を示す画像データを生成する。同様に、学習部８０は、第２センサＳ２が検出した所定時間毎の加速度の波形データについて、ＦＦＴ処理により時間毎の加速度のデータを周波数毎に区分して、第１振動減衰装置の減衰側における時間及び周波数毎の加速度を示す画像データを生成する。すなわち、学習部８０は、第１振動減衰装置の減衰側における時間及び周波数毎の加速度を、時間をＸ軸として周波数をＹ軸とする二次元座標系における、座標（画素）毎の階調値に設定することで、第１振動減衰装置の減衰側における時間及び周波数毎の加速度を示す画像データを生成する。なお、図４は、画像データの一例を示しており、加速度が階調値（例えば輝度）で表される２次元画像（スペクトログラム）である。

学習部８０は、第１振動減衰装置の振動源側における時間及び周波数毎の加速度を示す画像データを、未学習のＡＩモデルへの入力用の教師データとし、第１振動減衰装置の減衰側における時間及び周波数毎の加速度を示す画像データを、未学習のＡＩモデルＮへの出力用の教師データとする。学習部８０は、入力用の教師データと出力用の教師データとを未学習のＡＩモデルに入力して、第１振動減衰装置の振動源側における振動度合いと、第１振動減衰装置の減衰側における振動度合いとの対応関係を、ＡＩモデルＮに機械学習させる。より詳しくは、学習部８０は、第１振動減衰装置の振動源側における時間及び周波数毎の加速度と、第１振動減衰装置の減衰側における時間及び周波数毎の加速度との対応関係を、ＡＩモデルＮに機械学習させる。

図５は、ＡＩモデルＮの概念的な模式図である。学習部８０は、教師データを用いてＡＩモデルにおける重み係数及びバイアス値を設定することで、機械学習済みのＡＩモデルＮを生成する。すなわち、ＡＩモデルＮは、学習部８０によって重み係数及びバイアス値が学習されたモデルであるといえる。ＡＩモデルＮは、ディープラーニングによって学習された学習モデルであり、ディープラーニングによって学習された、ばね下スペクトログラムからばね上スペクトログラムを再構成するモデル（ニューラルネットワーク）と、変数とで構成される。ディープラーニングは、機械学習のうちの１つの手法であり、狭義には例えば４層以上のニューラルネットワークから構成される。本実施形態の例では、ＡＩモデルＮは、ＣＮＮ（Conventional Neural Network：畳み込みニューラルネットワーク）モデルであり、図５に示すように、例えば、複数の畳み込み層及び複数のプーリング層を含むエンコーダ層ＭＮ１及びデコーダ層ＭＮ２を備える。ＡＩモデルＮは、入力データＩＮが入力された場合に、エンコーダ層ＭＮ１及びデコーダ層ＭＮ２で演算を行って、出力データＯＮを出力する。

学習部８０は、以上のようにして未学習のＡＩモデルを学習させて、学習済みのＡＩモデルＮを生成する。学習済みのＡＩモデルＮは、第１振動減衰装置の振動源側における振動度合いと、第１振動減衰装置の減衰側における振動度合いとの対応関係を機械学習したモデルとなる。より詳しくは、学習済みのＡＩモデルＮは、第１振動減衰装置の振動源側における時間及び周波数毎の加速度と、第１振動減衰装置の減衰側における時間及び周波数毎の加速度との対応関係を機械学習したモデルとなる。

なお、本実施形態では、ＣＮＮに適する画像データで学習を行わせて、ＡＩモデルＮを使用する際にも画像データを入力するため、ＡＩモデルＮの予測精度を向上させることができる。ただし、本実施形態では、時間及び周波数毎の加速度を示す画像データをＡＩモデルＮ用の教師データとして用いることに限られず、第１振動減衰装置の振動源側及び減衰側における振動度合いを示す任意のデータを、ＡＩモデルＮ用の教師データとして用いてよい。また、ＡＩモデルＮは、ＣＮＮモデルに限られず、任意の方式のＡＩモデルであってもよい。

（第２振動減衰装置について）
ＡＩモデルＮは、第１振動減衰装置の振動源側の振動度合いと減衰側の振動度合いとの対応関係を学習しているため、第１振動減衰装置の振動源側の振動度合いが入力されると、第１振動減衰装置の減衰側における未知の振動度合いを予測できる。それに加えて、本実施形態の特性分析装置１００は、第１振動減衰装置について機械学習したＡＩモデルＮを用いて、第１振動減衰装置とは別の第２振動減衰装置の特性を分析するものである。第２振動減衰装置は、特性分析の対象となる振動減衰装置１であり、第１振動減衰装置とは仕様が異なる。本実施形態では、第２振動減衰装置は、第１振動減衰装置と、作動流体Ｏの仕様が異なる。ただし、第２振動減衰装置と第１振動減衰装置との仕様の違いは、作動流体Ｏであることに限られず、任意のものであってよいが、第２振動減衰装置と第１振動減衰装置とは、シリンダ１０内における摩擦力に影響を及ぼす仕様が異なることが好ましい。例えば、第２振動減衰装置と第１振動減衰装置とは、作動流体Ｏの仕様、オイルシール１８の仕様、ベアリング１６の仕様、ピストン２０の仕様、及びバルブ（ベースバルブ４０）の仕様の、少なくとも１つが異なることが好ましい。また、第２振動減衰装置と第１振動減衰装置との仕様の違いは、１種類であることが好ましい。なお、ここでの仕様とは、作動流体Ｏであれば、物性を指し、オイルシール１８、ベアリング１６、ピストン２０、及びバルブなどの部品であれば、形状、寸法、および材料の少なくとも１つを指してよい。

以下、特性分析装置１００による第２振動減衰装置の特性の分析について具体的に説明する。

ＡＩモデル取得部８２は、学習部８０によって学習された、学習済みのＡＩモデルＮを取得する。例えば、ＡＩモデル取得部８２は、記憶部７６から、学習済みのＡＩモデルＮを読み出す。なお、例えばＡＩモデルＮの学習が別の装置によって行われている場合には、ＡＩモデル取得部８２は、通信部７４を介して、その装置から学習済みのＡＩモデルＮを取得してもよい。

（測定値取得部）
測定値取得部８４は、第２振動減衰装置の振動源側における振動度合い（ここでは加速度）の測定値と、第２振動減衰装置の減衰側（振動源とは反対側）における振動度合い（ここでは加速度）の測定値とを取得する。第２振動減衰装置の振動源側とは、第２振動減衰装置の振動源（本実施形態では車輪）に近い位置を指し、第２振動減衰装置の振動を減衰する機構よりも振動源側の位置（ばね下の位置）といえる。本実施形態では、第２振動減衰装置の振動源側は、第２振動減衰装置のシリンダ１０を指してよい。また、第２振動減衰装置の減衰側（振動源とは反対側）とは、第２振動減衰装置の振動源（本実施形態では車輪）から遠い側を指し、第２振動減衰装置の振動を減衰する機構に対して振動源と反対側の位置（ばね上の位置）といえる。本実施形態では、第２振動減衰装置の減衰側は、第１振動減衰装置のピストンロッド３０を指してよい。

本実施形態では、第２振動減衰装置を搭載した車両Ｖに、第２振動減衰装置の振動源側における振動度合い（ここでは加速度）を検出する第１センサＳ１と、第２振動減衰装置の減衰側における振動度合い（ここでは加速度）を検出する第２センサＳ２とを取り付けて、車両Ｖを実際に走行させる。そして、車両Ｖの走行中の、第２振動減衰装置の振動源側における所定時間毎の加速度を、第１センサＳ１に検出させ、車両Ｖの走行中の、第２振動減衰装置の減衰側における所定時間毎の加速度を、第２センサＳ２に検出させる。測定値取得部８４は、第１センサＳ１及び第２センサＳ２の検出結果が記録される装置（データロガー）から、通信部７４を介して、第１センサＳ１及び第２センサＳ２の検出結果を取得する。なお、第１センサＳ１は、第２振動減衰装置の振動源側における振動度合いを検出可能であれば任意の位置に取り付けられてよいが、例えば、第２振動減衰装置の振動を減衰する機構よりも車輪側の位置（例えばシリンダ１０）に取り付けられる。また、第２センサＳ２は、第２振動減衰装置の減衰側における振動度合いを検出可能であれば任意の位置に取り付けられてよいが、例えば、第２振動減衰装置の振動を減衰する機構よりも車輪と反対側の位置（例えばピストンロッド３０）に取り付けられる。また、第１センサＳ１及び第２センサＳ２に検出を行わせる際の、車両Ｖの走行条件は、例えば試験用のコースを所定の速度で走行するなど、任意に設定されてよい。ただし、第１振動減衰装置の振動度合いを検出する際の、第１センサＳ１及び第２センサＳ２の取り付け位置、車両Ｖの仕様、及び車両Ｖの走行条件は、第１振動減衰装置の振動度合いを検出した際と同じであることが好ましい。

以下、測定値取得部８４が取得した第２振動減衰装置の振動源側における振動度合いの測定値を、適宜、入力測定値と記載し、測定値取得部８４が取得した第２振動減衰装置の減衰側における振動度合いの測定値を、適宜、出力測定値と記載する。

（予測値取得部）
予測値取得部８６は、測定値取得部８４が取得した入力測定値を、学習済みのＡＩモデルＮに入力する。ＡＩモデルＮにおいては、入力測定値が入力データとして入力されて、演算が実行される。その結果、ＡＩモデルＮからは、第２振動減衰装置の減衰側（振動源とは反対側）における振動度合いの予測値である、出力予測値が、出力データとして出力される。これにより、予測値取得部８６は、出力予測値を取得する。このように、ＡＩモデルＮは、入力測定値が入力されると出力予測値が出力される学習済みのプログラムであるともいえる。

より詳しくは、本実施形態では、予測値取得部８６は、測定値取得部８４が取得した入力測定値に基づき、ＡＩモデルＮに入力するための入力データを生成する。具体的には、予測値取得部８６は、第１センサＳ１が検出した所定時間毎の加速度の波形データ（時間毎の入力測定値）について、ＦＦＴ処理により時間毎の加速度のデータを周波数毎に区分して、第２振動減衰装置の振動源側における時間及び周波数毎の加速度の測定値を示す入力画像データ（入力測定値のスペクトログラム）を生成する。すなわち、予測値取得部８６は、第２振動減衰装置の振動源側における時間及び周波数毎の加速度の測定値を、時間をＸ軸として周波数をＹ軸とする二次元座標系における、座標（画素）毎の階調値に設定することで、入力画像データを生成する。

予測値取得部８６は、入力画像データを、入力データとしてＡＩモデルＮに入力する。ＡＩモデルＮでは、演算が実行されて、第２振動減衰装置の減衰側における時間及び周波数毎の加速度の予測値を示す出力画像データ（出力予測値のスペクトログラム）が、出力データとして出力される。これにより、予測値取得部８６は、出力画像データを取得する。なお、出力画像データは、第２振動減衰装置の減衰側における時間及び周波数毎の加速度の予測値（出力予測値）を、時間をＸ軸として周波数をＹ軸とする二次元座標系における、座標（画素）毎の階調値としたデータを指す。

（特性情報生成部）
特性情報生成部８８は、出力予測値（第２振動減衰装置の減衰側における加速度の予測値）と出力測定値（第２振動減衰装置の減衰側における加速度の測定値）との差分に基づき、特性情報を生成する。特性情報とは、第２振動減衰装置の第１振動減衰装置に対する振動度合いの違いを示す情報である。すなわち、ＡＩモデルＮは第１振動減衰装置の振動度合いを学習したものであるため、ＡＩモデルＮによって算出される第２振動減衰装置の振動度合いの出力予測値は、第１振動減衰装置と第２振動減衰装置との特徴が近い場合には、出力測定値と近い値になることが想定される。そのため、出力予測値と出力測定値との差分は、第２振動減衰装置の第１振動減衰装置に対する振動度合いの違いを表す指標になるといえる。従って、特性情報生成部８８は、出力予測値と出力測定値との差分から、第２振動減衰装置の第１振動減衰装置に対する振動度合いの違いを示す特性情報を生成できる。このように、出力予測値と出力測定値との差分から特性情報を生成することで、第２振動減衰装置と第１振動減衰装置との仕様の違いが振動度合いに及ぼす影響を、適切に抽出でき、第２振動減衰装置の特性を適切に分析できる。これにより、例えば振動減衰装置の開発を補助できる。なお、第１振動減衰装置及び第２振動減衰装置の減衰側の測定値を解析することでも、仕様の違いが振動度合いに及ぼす影響を推定できる可能性があるが、測定時の条件の誤差などの影響により、仕様に違いが振動度合いに及ぼす影響だけを適切に抽出できない場合がある。それに対し、本実施形態では、出力予測値を用いることで、測定時の条件の誤差などを吸収して、仕様の違いが振動度合いに及ぼす影響を適切に抽出できる。

より詳しくは、本実施形態では、特性情報生成部８８は、ＡＩモデルＮが算出した出力画像データを取得する。また、特性情報生成部８８は、第２センサＳ２が検出した所定時間毎の加速度の波形データ（時間毎の出力測定値）について、ＦＦＴ処理により時間毎の加速度のデータを周波数毎に区分して、第２振動減衰装置の減衰側における時間及び周波数毎の加速度の測定値を示す測定画像データ（出力測定値のスペクトログラム）を生成する。測定画像データは、第２振動減衰装置の減衰側における時間及び周波数毎の加速度の測定値（出力測定値）を、時間をＸ軸として周波数をＹ軸とする二次元座標系における、座標（画素）毎の階調値としたデータを指す。特性情報生成部８８は、出力画像データと測定画像データとの差分に基づき、特性情報を生成する。より詳しくは、特性情報生成部８８は、出力画像データにおける出力予測値と、測定画像データにおける出力測定値との差分値を、座標毎に算出する。特性情報生成部８８は、座標毎の出力予測値と出力測定値との差分値に基づき、特性情報を生成する。ここでの座標は、時間及び周波数毎に区分されるため、特性情報は、周波数毎の出力予測値と出力測定値との差分を示すデータといえる。このように、周波数毎の出力予測値と出力測定値との差分から特性情報を生成することで、第２振動減衰装置と第１振動減衰装置との仕様の違いに起因して振動度合いの差が大きくなる周波数帯を抽出できる。また、例えば検出が難しかった高周波の周波数帯での振動度合いの差分も適切に抽出できる。

図６は、特性情報の一例を示す図である。特性情報は、出力予測値と出力測定値との差分値を示すデータそのものであってもよいが、出力予測値と出力測定値との差分値に基づき生成されるデータであってもよい。例えば、特性情報生成部８８は、第１振動減衰装置の振動源側の測定値をＡＩモデルＮに入力して取得した第１振動減衰装置の振動源側の予測値のデータと、第２振動減衰装置の振動源側の測定値をＡＩモデルＮに入力して取得した第２振動減衰装置の振動源側の予測値のデータとを比較する情報を、特性情報としてもよい。この場合例えば、特性情報生成部８８は、第１振動減衰装置の振動源側における時間及び周波数毎の加速度の測定値を示す画像データをＡＩモデルＮに入力して、第１振動減衰装置の減衰側における時間及び周波数毎の加速度の予測値を示す画像データを取得する。そして、特性情報生成部８８は、第１振動減衰装置の減衰側における時間及び周波数毎の加速度の予測値と、第１振動減衰装置の減衰側における時間及び周波数毎の加速度の測定値との差分を算出して、それに基づき、第１振動減衰装置の減衰側の予測値と測定値との差分を周波数毎に示すデータを、第１特性情報として生成する。そして、特性情報生成部８８は、周波数毎の出力予測値と出力測定値との差分を示すデータを、第２特性情報として、第１特性情報と第２特性情報とを含む情報を、特性情報とする。図６の例では、線分Ｌ１が第１特性情報の例を示し、線分Ｌ２が第２特性情報の例を示している。このように第１特性情報と第２特性情報とを含ませることで、例えば、第２振動減衰装置と第１振動減衰装置との仕様の違いに起因して振動度合いの差が大きくなる周波数帯を、より適切に抽出できる。

特性情報生成部８８は、生成した特性情報を、出力部７２に出力させてもよいし、別の装置に出力（送信）してもよい。

（処理フロー）
以上説明した特性分析装置１００の処理のフローを説明する。図７は、特性分析装置の処理フローを説明するフローチャートである。図７に示すように、特性分析装置１００は、ＡＩモデル取得部８２により、学習済みのＡＩモデルＮを取得し（ステップＳ１０）、測定値取得部８４により、入力測定値（第２振動減衰装置の振動源側における振動度合いの測定値）と、出力測定値（第２振動減衰装置の減衰側における振動度合いの測定値）とを取得する（ステップＳ１２）。特性分析装置１００は、予測値取得部８６により、入力画像データ（第２振動減衰装置の振動源側における時間及び周波数毎の加速度の測定値）を生成し、入力画像データをＡＩモデルＮに入力し（ステップＳ１４）、出力画像データ（第２振動減衰装置の減衰側における時間及び周波数毎の出力予測値）を取得する（ステップＳ１６）。特性分析装置１００は、特性情報生成部８８により、出力予測値と出力測定値との差分に基づき、第２振動減衰装置の第１振動減衰装置に対する振動度合いの違いを示す特性情報を生成する（ステップＳ１８）。

なお、以上の説明では、振動源側（ばね下側）をＡＩモデルＮの入力データとし、減衰側（ばね上側）をＡＩモデルＮからの出力データとしていたが、それに限られず、逆に、減衰側（ばね上側）をＡＩモデルＮの入力データとし、振動源側（ばね下側）をＡＩモデルＮからの出力データとしてもよい。この場合、第１振動減衰装置の減衰側の振動度合いを入力データとして第１振動減衰装置の振動源側の振動度合いを出力データとする教師データで、ＡＩモデルＮに学習させる。そして、第２振動減衰装置の減衰側の振動度合いを学習済みのＡＩモデルＮに入力して、第２振動減衰装置の振動源側の振動度合いの予測値を出力データとして取得する。

（効果）
以上説明したように、本実施形態に係る特性分析装置１００は、機械学習を用いて振動減衰装置の特性を分析するものであり、ＡIモデル取得部８２と、測定値取得部８４と、予測値取得部８６と、特性情報生成部８８とを含む。ＡＩモデル取得部８２は、車両Ｖの車体ＢＤと車輪ＴＲの間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルＮを取得する。測定値取得部８４は、第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得する。予測値取得部８６は、入力測定値をスペクトログラムとしてＡＩモデルＮに入力して、第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得する。特性情報生成部８８は、出力予測値のスペクトログラムと出力測定値のスペクトログラムとの差分に基づき、第２振動減衰装置の第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成する。

特性分析装置１００は、第１振動減衰装置のデータを用いて機械学習したＡＩモデルＮを用いて、第２振動減衰装置の出力予測値を取得する。そして、特性分析装置１００は、第２振動減衰装置の出力予測値と、第２振動減衰装置の出力測定値との差分から特性情報を生成する。従って、この特性情報は、第２振動減衰装置と第１振動減衰装置との仕様の違いが振動度合いに及ぼす影響を示す情報となり、第２振動減衰装置の特性を適切に分析することが可能となる。これにより、例えば振動減衰装置の開発を補助できる。さらに言えば、出力予測値を用いることで、測定時の条件の誤差などを吸収して、仕様の違いが振動度合いに及ぼす影響を適切に抽出できる。例えば、ユーザは、第１振動減衰装置が搭載された車両と第２振動減衰装置が搭載された車両とを乗り比べて、乗り心地の違いから、振動減衰装置を選択する場合がある。このような場合に、本実施形態で生成した特性情報をユーザに提示することで、乗り心地の違いを客観的にも明確にして、振動減衰装置の選択を補助することができる。また、従来においても、第１振動減衰装置の振動度合いの測定値と、第２振動減衰装置の振動度合いの測定値とを比較したデータをユーザに提供することはできたが、ドライバーの運転のくせ（例えば修正舵をきるときに振動が発生してしまう）、ドライバーの体重、気温、風などの外部環境で偶然振動が発生することがあり、結果としてノイズ要素が含まれたデータとなり、精度が低くなるおそれがあった。それに対し、本実施形態では、ＡＩモデルＮを用いて特性情報を生成することで、大量のデータから特徴的なものだけを抽出し、特徴的でないものは排除することができるので、ノイズ要素の影響を低減して、精度の高いデータを提供できる。

また、ＡＩモデルＮは、時間及び周波数毎の、第１振動減衰装置の振動源側における振動度合いを示す画像データと、時間及び周波数毎の、第１振動減衰装置の減衰側における振動度合いを示す画像データとの対応関係を機械学習したものであることが好ましい。予測値取得部８６は、時間及び周波数毎の入力測定値を示す入力画像データをＡＩモデルＮに入力して、時間及び周波数毎の出力測予測値を示す出力画像データを取得することが好ましい。このように画像データをＡＩモデルＮ用のデータとして用いることで、周波数毎の出力予測値の予測精度を向上させて、第２振動減衰装置の特性を適切に分析することが可能となる。

また、特性情報取得部８８は、出力画像データにおける時間及び周波数毎の出力予測値と、時間及び周波数毎の出力測定値との差分に基づき、特性情報を生成することで、特性情報に、第２振動減衰装置の第１振動減衰装置に対する、周波数毎の振動度合いの違いを示す情報を含ませることが好ましい。このように周波数毎の振動度合いの違いを特性情報に含ませることで、第２振動減衰装置と第１振動減衰装置との仕様の違いに起因して振動度合いの差が大きくなる周波数帯を、適切に抽出できる。

また、振動度合いは、加速度であることが好ましい。加速度を振動度合いとすることで、第２振動減衰装置の特性を適切に分析することが可能となる。

また、第２振動減衰装置は、第１振動減衰装置に対して、摩擦力に影響を及ぼす仕様が異なることが好ましい。摩擦力は、振動減衰装置の操舵性や接地感などの乗り心地に影響を及ぼすが、摩擦力がどのように振動減衰装置の特性に影響することで、結果として乗り心地に影響するかは分析が難しい。それに対して、本実施形態のように、ＡＩモデルＮを用いて特性情報を生成することで、仕様の違いが振動度合いの違いに及ぼす影響を適切に抽出して、摩擦力による振動減衰装置の特性の影響を、適切に分析することが可能となる。

また、第２振動減衰装置は、第１振動減衰装置に対して、作動流体Ｏ、オイルシール１８、ベアリング１６、ピストン２０、及びバルブ（ベースバルブ４０）の少なくとも１つが異なることが好ましい。本実施形態によると、これらの仕様の違いによる振動減衰装置の特性の影響を、適切に分析することが可能となる。

また、ＡＩモデルＮは、第１振動減衰装置の振動源側における振動度合いの測定値と、第１振動減衰装置の減衰側（振動源とは反対側）における振動度合いの測定値とを教師データとして、対応関係を機械学習したものである。測定値をＡＩモデルの教師データとすることで、ＡＩモデルの予測精度を向上できる。

以上、本発明の実施形態及び実施例を説明したが、これら実施形態等の内容により実施形態が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態等の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

１ 振動減衰装置
８０ 学習部
８２ ＡＩモデル取得部
８４ 測定値取得部
８６ 予測値取得部
８８ 特性情報生成部
１００ 特性分析装置
Ｎ ＡＩモデル

Claims (3)

1. 車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するＡＩモデル取得部と、
   第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得する測定値取得部と、
   前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得する予測値取得部と、
   前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成する特性情報生成部と、
   を含む、
   機械学習を用いた振動減衰装置の特性分析装置。
2. 車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するステップと、
   第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得するステップと、
   前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得するステップと、
   前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成するステップと、
   を含む、
   特性分析方法。
3. 車両の車体と車輪の間に設けられる第１振動減衰装置のばね下側における加速度のスペクトログラムと、前記第１振動減衰装置のばね上側における加速度のスペクトログラムとの対応関係を機械学習させたＡＩモデルを取得するステップと、
   第２振動減衰装置のばね下側及びばね上側のうちの一方側における加速度の測定値である入力測定値と、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の測定値である出力測定値とを取得するステップと、
   前記入力測定値をスペクトログラムとして前記ＡＩモデルに入力して、前記第２振動減衰装置のばね下側及びばね上側のうちの他方側における加速度の予測値である出力予測値のスペクトログラムを取得するステップと、
   前記出力予測値のスペクトログラムと前記出力測定値のスペクトログラムとの差分に基づき、前記第２振動減衰装置の前記第１振動減衰装置に対する加速度のスペクトログラムの違いを示す特性情報を生成するステップと、
   を、コンピュータに実行させる、
   プログラム。

Images