路上車両の故障検知

ECUデータの利用で、400kmも事前にエンジン故障を予測

Share on linkedin
LinkedIn
Share on twitter
Twitter

目的

  • ECU信号値を用いて起こり得る劣化に関連する指標を特定
  • 機械学習モデルによる予測車両メンテナンスのための実現可能性を実証

チャレンジ

  • 安全性品質と整合性チェックを行うための大量のテレメトリデータ
  • 通常走行車両からのデータのみで AutoPulse をトレーニング

成果

  • AutoPulse はエンジン故障状態を実際に発生する 400km よりも前に予測
  • 予測に関する精度は、顧客要件を 20%以上も上回ることに成功

背景

前回プロジェクトでの成果を受けて、大手自動車OEMは当社の AutoPulse プラットフォームを利用した予測型の車両メンテナンスソリューションの開発において、Acerta との継続的プロジェクトを実施。同クライアントは、29台の車両からのオンロードデータを ECU 信号データセットの形式で Acerta に提供しました。

今回のケースでの同社の目標は、ECU データを用いて少なくとも 100km 前にエンジンの故障を 66% 以上の精度で予測することでした。エンジンの誤作動を検出するという Acerta の専門知識に基づき、今回の検証では特定タイプのエンジントラブルにフォーカスを当てて行われたものの Acerta と同 OEM は今回の学習モデルとその手法が他のタイプのエンジントラブルにおいても適用可能であり有効であることに合意しました。

課題

クライアントからの大量のラベル付きテレメトリデータが提供されたものの、Acerta では AutoPulse での学習モデルの開発やトレーニング、テストに使用する前に、提供されたデータを検証する必要がありました。データの品質や完全性をチェックした結果、エンジンの誤作動や関連する故障が発生した瞬間やその直前のデータについては、自裁にはごくわずかしか記録されていないことが判明。結果として、AutoPulse は通常の走行データ

Acerta ソリューション

自動車 OEM との連携プロジェクトのメリットのひとつは、Acerta がより広範な ECU 信号データにアクセスできることであり、故障予測のためのユースケースを容易に構築できることにあります。クライアントの OEM は以前にも AutoPulse を適用したことがありましたが、今回のケースでは、サスペンションやステアリングコラムではなく、パワートレイン(具体的にはエンジン)にフォーカスした分析になります。今回の分析・モデル構築により、同 OEM では本格的な予知保全ソリューションとして AutoPulse を導入するためのもうひとつの重要なマイルストーンとなっています。

今回のアプローチについて、Acerta では、まず29台の車両から収集した路上車両から計測したデータセットをマージし、各データに十分な類似の傾向があることを確認しました。次に、当社のデータサイエンティストチームは、故障を含むデータの小さなサブセットを取り除き、車両の正常挙動がどのようなものであるかを AutoPulse 上のモデルで訓練を行いました。続いて、正常な運転状態とエンジンの故障を示す劣化パターンを含むデータの両方のサンプルを AutoPulse の予測モデルに与え、AutoPulse の予測精度の向上、すなわち偽陽性や偽陰性となる状況を避ける工夫を施しました。

成果

AutoPulse では、故障データが少ない状況下でありながら平均車速 50km/h と仮定して、エンジンの故障が発生する約 400km も以前に予測することに成功しています。さらに、同クライアントからの予測精度に関する要求は 66% 以上という精度が要件ではありましたが、AutoPulse は全時刻応答に関して約 87% という精度を実現しています。このように Acerta の結果は路上走行中の車両故障を予測するための当社アプローチの正当性や実現可能性を示しただけでなく、目標としていた性能基準をも上回ることが示されています。

How Can We Help?

How can we Help?

Contact Info

This website uses cookies.