（3） 気象データ及び凍結防止剤散布量による鋼板腐食量 得られた2つの変換式を使い，気象データ及び凍結防止剤散布量から腐食量を予測し，実腐食量と比較した。最も相関の高かった部位はルーフであり，変換式から予測した鋼板腐食量と実際の腐食量はほぼ同じレベルとなった（Fig. 8）。以上より，この手法で鋼板腐食量を予測できる見通しが立った。また車両各部位においては，ルーフにおいて補正した電気量を基準に置き，実車走行時での各部位で補正した電気量との比率で腐食環境を予測することが可能である（5）。―198―ParametersTable 3 Analyzing DataData typeACM sensor dataCurrent ［A］Humidity ［％］Teperature ［degC］Location ［DMS］Time ［YYY/MM/DD/hh/mm/ss］Air temrpature ［degC］Downfall ［cm］Accumulated snow ［cm］Humidity ［％］Solar radiation ［％］Air pressure ［hPa］Sea pressure ［hPa］Vapor pressure ［Pa］Dew point ［degC］Weather type ［–］Cloud cover ［％］Distance viewing ［km］Precipitation ［mm］Day length ［hr］Wind speed ［m/s］Wind direction ［–］Anti-freezing salt ［t/km］GPS dataWeather dataRoad dataFig. 6 Approach of Clustering with Factor AnalysisFig. 7 Example of Clustering with Factor AnalysisFig. 8 Verification of Prediction Accuracy (Hokkaido)距離を全ベクトルの組合せに対して行う。次に，この距離の近い／遠いに従って二次元平面に射影する（Fig. 7）。射影した点が塊になる状態（クラス）において，100以上の全ての因子に対して，ある一定の値になる割合が高い因子から順にリスト化する。この方法によって，大規模データに多数ある説明変数間の複合的な相関関係が評価できるようになる。 分析結果より，ACMセンサーの出力と相関関係が高い腐食環境因子は，凍結防止剤の散布量，降雨の時間，塩が潮解する時間（塩がNaClの場合，湿度75％以上の時間），平均風速の4つであった。（2）ACMセンサー出力の回帰モデルの推定 選定した環境データを説明変数，ACMセンサーの電気量を目的変数とおいて重回帰モデルを推定した。log10（ACMセンサーの電気量（C/day））＝＋0.5×（1日の凍結防止剤の散布量（t/km））×（走行距離（km））＋0.1×（1日の降雨時間（Hr））＋0.02（1日の潮解時間（Hr））＋0.002×（日平均風速（m/s））－1.6の推定
元のページ ../index.html#207