CN111016920B - 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统 - Google Patents

车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统 Download PDF

Info

Publication number
CN111016920B
CN111016920B CN201910914723.5A CN201910914723A CN111016920B CN 111016920 B CN111016920 B CN 111016920B CN 201910914723 A CN201910914723 A CN 201910914723A CN 111016920 B CN111016920 B CN 111016920B
Authority
CN
China
Prior art keywords
input
layer
output
vehicle
hidden layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910914723.5A
Other languages
English (en)
Other versions
CN111016920A (zh
Inventor
中村俊洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN111016920A publication Critical patent/CN111016920A/zh
Application granted granted Critical
Publication of CN111016920B publication Critical patent/CN111016920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/005—Controlling exhaust gas recirculation [EGR] according to engine operating conditions
    • F02D41/0052—Feedback control of engine parameters, e.g. for control of air/fuel ratio or intake air amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • F02D41/3005—Details not otherwise provided for
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0406—Intake manifold pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0602—Fuel pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/101—Engine speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

提供车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型、机器学习系统、电子控制单元的制造方法以及输出参数算出装置，在硬件的设计值被用作神经网络的输入参数的情况下，提高输出参数的预测精度。车辆用驱动装置的控制装置(60)具备使用利用了神经网络的已学习模型算出车辆的输出参数的运算部(81)、和基于由运算部算出的输出参数控制搭载于车辆的车辆用驱动装置的控制部(82)。神经网络包括被输入车辆用驱动装置的设计值以外的车辆的输入参数的第1输入层、被输入设计值的第2输入层、被输入第1输入层的输出的第1隐层、被输入第2输入层的输出的第2隐层和输出输出参数的输出层，且构成为第2隐层比第1隐层接近输出层。

Description

车辆用驱动装置的控制装置及控制方法、车载电子控制单元、 已学习模型和机器学习系统
技术领域
本发明涉及车辆用驱动装置的控制装置、车载电子控制单元、已学习模型、机器学习系统、车辆用驱动装置的控制方法、电子控制单元的制造方法以及输出参数算出装置。
背景技术
以往，已知使用包括输入层、中间层(隐层)以及输出层的神经网络从预定的输入参数导出预定的输出参数(例如专利文献1)。在专利文献1记载的神经网络中，输入层的各节点与一个中间层的各节点以并行的方式连接。使用了神经网络的模型可以应用于具有能够作为输入参数以及输出参数而使用的参数的所有硬件。
专利文献1：日本特开2011－54200号公报
发明内容
发明要解决的技术问题
在硬件的设计中，根据硬件的规格确定所需要的硬件的设计值。例如，在硬件是内燃机的情况下，设计值是压缩比、气缸数、气缸排列等。
硬件的设计值在制造硬件后固定为一定的值。即，硬件的设计值不根据硬件的工作状态而变动。因此，在使用了神经网络的模型仅应用于特定的硬件的情况下，基本上不需要将硬件的设计值用作输入参数。
然而，为了灵活地应对硬件的设计变更等，优选能够将使用了神经网络的模型应用于设计值不同的多个硬件。在该情况下，需要将硬件的设计值用作输入参数。然而，专利文献1完全没有提及将硬件的设计值用作输入参数。
于是，本发明的目的在于，在硬件的设计值被用作神经网络的输入参数的情况下使输出参数的预测精度提高。
用于解决问题的技术方案
本公开的主旨为以下所述。
(1)一种车辆用驱动装置的控制装置，具备：运算部，其使用利用了神经网络的已学习模型算出车辆的输出参数；和控制部，其基于由所述运算部算出的所述输出参数，控制搭载于所述车辆的车辆用驱动装置，所述神经网络包括被输入所述车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层。
(2)根据上述(1)所述的车辆用驱动装置的控制装置，所述神经网络构成为所述第1隐层的输出被输入到所述第2隐层。
(3)根据上述(1)所述的车辆用驱动装置的控制装置，所述神经网络在所述第1隐层与所述第2隐层之间包括至少一个隐层。
(4)根据上述(1)～(3)中任一项所述的车辆用驱动装置的控制装置，所述神经网络构成为所述第2隐层的输出被输入到所述输出层。
(5)根据上述(1)～(3)中任一项所述的车辆用驱动装置的控制装置，所述神经网络在所述第2隐层与所述输出层之间包括至少一个隐层。
(6)根据上述(1)～(5)中任一项所述的车辆用驱动装置的控制装置，所述控制部控制搭载于所述车辆的内燃机，所述输入参数包括内燃机转速以及燃料喷射量，所述设计值包括所述内燃机的压缩比，所述输出参数包括排气温度。
(7)根据上述(6)所述的车辆用驱动装置的控制装置，所述设计值还包括所述内燃机的气缸数以及所述内燃机的气缸排列。
(8)根据上述(1)～(5)中任一项所述的车辆用驱动装置的控制装置，所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，所述控制部控制搭载于所述车辆的内燃机，被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到所述内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
(9)一种车载电子控制单元，具备运算部，所述运算部经由设在车辆的通信装置从所述车辆的外部的服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述车辆的输出参数，所述神经网络包括被输入搭载于所述车辆的车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，所述服务器具备存储包括所述输入参数、所述设计值以及所述输出参数的训练数据集的存储装置，使用该训练数据集生成所述已学习模型。
(10)一种车载电子控制单元，具备：参数取得部，其取得搭载于车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数以及所述车辆的输出参数，并且，经由设在所述车辆的通信装置向所述车辆的外部的服务器发送所述设计值、所述输入参数以及所述输出参数；和运算部，其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述输出参数，所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，所述服务器将由所述参数取得部取得的所述输入参数、所述设计值以及所述输出参数用作训练数据集，生成所述已学习模型。
(11)一种已学习模型，使用了神经网络，所述神经网络包括被输入搭载于车辆的车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述车辆的输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，将所述输入参数、所述设计值以及所述输出参数用作训练数据集，对所述神经网络的权重进行了学习。
(12)一种机器学习系统，具备设在车辆的电子控制单元、设在所述车辆的通信装置以及所述车辆的外部的服务器，所述电子控制单元具备：参数取得部，其取得搭载于所述车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数以及所述车辆的输出参数，并且，经由所述通信装置向所述服务器发送所述设计值、所述输入参数以及所述输出参数；和运算部，其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述输出参数，所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，所述服务器将由所述参数取得部取得的所述输入参数、所述设计值以及所述输出参数用作训练数据集，生成所述已学习模型。
(13)一种车辆用驱动装置的控制方法，包括：取得搭载于车辆的车辆用驱动装置的设计值、和该设计值以外的所述车辆的输入参数；使用利用了神经网络的已学习模型，基于所述设计值以及所述输入参数算出所述车辆的输出参数；基于所述输出参数控制所述车辆用驱动装置，所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层。
(14)一种电子控制单元的制造方法，包括：将搭载于车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数以及所述车辆的输出参数用作训练数据集，生成使用了神经网络的已学习模型；将所述已学习模型安装于电子控制单元，所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层。
(15)一种输出参数算出装置，构成为，使用利用了神经网络的已学习模型，基于输入参数以及设计值算出输出参数，所述神经网络包括被输入硬件的设计值以外的所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层。
发明的效果
根据根据本发明，能够在硬件的设计值被用作神经网络的输入参数的情况下，使输出参数的预测精度提高。
附图说明
图1是概略地表示使用第一实施方式涉及的车辆用驱动装置的控制装置的内燃机的图。
图2是第一实施方式中的ECU的处理器的功能框图。
图3表示具有简单构成的神经网络的一个例子。
图4是表示第一实施方式中的神经网络的一个例子的图。
图5是表示神经网络的自由度与输出参数的决定系数之间的关系的图。
图6是表示神经网络的自由度与输出参数的决定系数之间的关系的图。
图7是表示第一实施方式中的神经网络的其他例子的图。
图8是表示第一实施方式中的车辆用驱动装置的控制的控制例程的流程图。
图9是表示第二实施方式中的神经网络的一个例子的图。
图10是概略地表示第三实施方式涉及的机器学习系统的图。
图11是概略地表示第四实施方式涉及的机器学习系统被应用的车辆所设置的内燃机的图。
图12是第四实施方式中的ECU的处理器的功能框图。
标号说明
1，1’ 内燃机
60 车辆用驱动装置的控制装置
61 电子控制单元(ECU)
81 运算部
82 控制部
83 参数取得部
91 通信装置
100 车辆
200 服务器
300 机器学习系统
具体实施方式
以下，参照附图对本发明的实施方式进行详细的说明。此外，在以下的说明中，对同样的构成要素标记同一参照标号。
＜第一实施方式＞
首先，参照图1～图8对本发明的第一实施方式进行说明。
＜内燃机整体的说明＞
图1是概略地表示使用第一实施方式涉及的车辆用驱动装置的控制装置的内燃机的图。图1所示的内燃机1是压缩自着火式内燃机(柴油发动机)，搭载于车辆。内燃机1是搭载于车辆的硬件，是搭载于车辆的车辆用驱动装置的一个例子。
内燃机1具备内燃机主体10、燃料供给装置20、进气系统30、排气系统40以及排气气体再循环(EGR)系统50。内燃机主体10具备形成有多个气缸11的气缸体、形成有进气口以及排气口的气缸盖、以及曲轴箱。在本实施方式中，气缸11的数量是4个。在各气缸11内配置有活塞，并且，各气缸11与进气口以及排气口连通。另外，在气缸盖设有构成为对进气口进行开闭的进气门、和构成为对排气口进行开闭的排气门。
燃料供给装置20具备燃料喷射阀21、共轨22、燃料供给管23、燃料泵24以及燃料箱25。燃料喷射阀21经由共轨22以及燃料供给管23与燃料箱25连结。燃料喷射阀21配置在气缸盖以使得向各气缸11的燃烧室内直接喷射燃料。燃料喷射阀21是所谓的缸内喷射阀。在燃料供给管23配置有压送燃料箱25内的燃料的燃料泵24。由燃料泵24压送的燃料经由燃料供给管23被供给到共轨22，被从燃料喷射阀21直接喷射到各气缸11的燃烧室内。共轨22内的燃料的压力通过改变燃料泵24的输出来调整。
进气系统30具备进气口、进气歧管31、进气管32、空气滤清器33、涡轮增压器5的压缩机34、中间冷却器35以及节气门36。进气口、进气歧管31以及进气管32形成将空气导向气缸11内的进气通路。
各气缸11的进气口经由进气歧管31以及进气管32与空气滤清器33连通。在进气管32内设有将在进气管32内流通的吸入空气压缩并排出的压缩机34、和对由压缩机34压缩的空气进行冷却的中间冷却器35。节气门36能够通过节气门驱动致动器37被使得转动，从而改变进气通路的开口面积。
排气系统40具备排气口、排气歧管41、排气管42、涡轮增压器5的涡轮43以及柴油微粒过滤器(DPF)44。排气口、排气歧管41以及排气管42形成将由燃烧室中的混合气的燃烧产生的排气气体排出的排气通路。
各气缸11的排气口经由排气歧管41以及排气管42与DPF44连通。在排气管42设有利用排气气体的能量使得旋转驱动的涡轮43。当涡轮43被使得旋转驱动时，与此相伴，压缩机34旋转，由此吸入空气被压缩。在本实施方式中，在涡轮43设有可变喷嘴。当可变喷嘴的开度被改变时，供给到涡轮43的涡轮叶片的排气气体的流速变化，其结果是，涡轮43的转速变化。
DPF44捕集排气气体中的颗粒状物质(PM)。此外，排气系统40也可以代替DPF44或者在DPF44之外具备其他排气净化装置。其他排气净化装置例如是选择还原型NOx减少催化剂(SCR催化剂)、NOx吸藏还原催化剂、氧化催化剂等。
EGR系统50将从内燃机主体10排出到排气通路的排气气体的一部分供给到进气通路。EGR系统50具备EGR管51、EGR控制阀52以及EGR冷却器53。EGR管51与排气歧管41和进气歧管31连结，使它们相互连通。在EGR管51设有对在EGR管51内流动的EGR气体进行冷却的EGR冷却器53。另外，在EGR管51设有能够改变由EGR管51形成的EGR通路的开口面积的EGR控制阀52。通过控制EGR控制阀52的开度，从排气歧管41回流到进气歧管31的EGR气体的流量得到调整，其结果，EGR率变化。此外，EGR率是EGR气体量相对于供给到气缸11内的全部气体量(新气量与EGR气体量的合计)的比例。
此外，内燃机1的构成不限定于上述构成。因此，如气缸排列、燃料的喷射方式、吸排气系统的构成、阀动机构的构成、增压器的构成以及增压器的有无这样的内燃机的具体构成也可以与图1所示的构成不同。例如，内燃机1也可以是设有用于将混合气点火的火花塞的火花点火式内燃机(例如汽油发动机)。在该情况下，代替DPF44，设有汽油微粒过滤器(GPF)、三元催化剂等。另外，在内燃机1是火花点火式内燃机的情况下，燃料喷射阀21也可以是配置成向进气口内喷射燃料的口喷射阀。
＜车辆用驱动装置的控制装置＞
车辆用驱动装置(在本实施方式中为内燃机1)的控制装置60具备电子控制单元(ECU)61以及各种传感器。内燃机1的各种控制由ECU61基于各种传感器的输出等来执行。
ECU61由数字计算机构成，具备经由双向性总线62相互连接的存储器63、处理器65、输入端口66以及输出端口67。存储器63具备易失性存储器(例如RAM)以及非易失性存储器(例如ROM)，存储在处理器65中执行的程序、在由处理器65执行各种处理时使用的各种数据等。
在输入端口66输入各种传感器的输出。在本实施方式中，空气流量计71、进气压传感器73、燃压传感器74以及负荷传感器78的输出经由所对应的AD转换器68被输入到输入端口66。
空气流量计71配置在空气滤清器33与压缩机34之间的进气管32，检测进气管32内的空气的流量。进气压传感器73配置在进气歧管31，检测进气歧管31内的进气(在本实施方式中为新气以及EGR气体)的压力。
燃压传感器74配置在共轨22，检测共轨22内的燃料的压力、即向燃料喷射阀21供给的燃料的压力。负荷传感器78与设在车辆的加速踏板77连接，产生与加速踏板77的踏入量成比例的输出电压。负荷传感器78检测内燃机负荷。另外，在输入端口66连接有每当曲轴例如旋转10°时产生输出脉冲的曲轴转角传感器79，该输出脉冲被输入到输入端口66。曲轴转角传感器79检测内燃机转速。
另一方面，输出端口67经由所对应的驱动电路69与内燃机1的各种致动器连接。在本实施方式中，输出端口67与涡轮43的可变喷嘴、燃料喷射阀21、燃料泵24、节气门驱动致动器37以及EGR控制阀52连接。ECU61通过从输出端口67输出控制这些致动器的控制信号，控制内燃机1。
图2是第一实施方式中的ECU61的处理器65的功能框图。在本实施方式中，处理器65具有运算部81以及控制部82。运算部81使用利用了神经网络的已学习模型算出车辆的输出参数。控制部82基于由运算部81算出的车辆的输出参数控制车辆用驱动装置。
＜神经网络的概要＞
首先，参照图3对神经网络的概要进行说明。图3表示具有简单构成的神经网络的一个例子。
图3中的圆标记表示人工神经元。人工神经元通常被称为节点或者单元(在本说明书中称为“节点”)。在图3中，L＝1表示输入层，L＝2以及L＝3表示隐层，L＝4表示输出层。此外，隐层也称为中间层。
在图3中，x1以及x2表示输入层(L＝1)的各节点以及从该节点的输出值，y表示输出层(L＝4)的节点及其输出值。同样地，z1 (L＝2)、z2 (L＝2)以及z3 (L＝2)表示隐层(L＝2)的各节点以及从该节点的输出值，z1 (L＝3)以及z2 (L＝3)表示隐层(L＝3)的各节点以及从该节点的输出值。
在输入层的各节点，输入被直接输出。另一方面，输入层的各节点的输出值x1以及x2被输入到隐层(L＝2)的各节点，在隐层(L＝2)的各节点，分别使用所对应的权重w以及偏置b算出总输入值u。例如，图3中在由隐层(L＝2)的zk (L＝2)(k＝1、2、3)表示的各节点所算出的总输入值uk (L＝2)为如以下式所示(M是输入层的节点的数量)。
Figure GDA0002262229340000101
接着，该总输入值uk (L＝2)被通过激活函数f进行变换，从隐层(L＝2)的由zk (L＝2)表示的节点被作为输出值zk (L＝2)(＝f(uk (L＝2)))进行输出。另一方面，向隐层(L＝3)的各节点输入隐层(L＝2)的各节点的输出值z1 (L＝2)、z2 (L＝2)以及z3 (L＝2)，在隐层(L＝3)的各节点，分别使用所对应的权重w以及偏置b算出总输入值u(＝Σz·w+b)。该总输入值u同样被通过激活函数进行变换，从隐层(L＝3)的各节点被作为输出值z1 (L＝3)、z2 (L＝3)进行输出，激活函数例如是S型(sigmoid)函数σ。
另外，向输出层(L＝4)的节点输入隐层(L＝3)的各节点的输出值z1 (L＝3)以及z2 (L ＝3)，在输出层的节点，分别使用所对应的权重w以及偏置b算出总输入值u(Σz·w+b)，或者分别仅使用所对应的权重w算出总输入值u(Σz·w)。例如，在输出层的节点，可使用恒等函数来作为激活函数。在该情况下，在输出层的节点算出的总输入值u被直接作为输出值y从输出层的节点进行输出。
＜神经网络中的学习＞
在本实施方式中，使用误差反向传播法，学习神经网络内的各权重w的值以及各偏置b的值。误差反向传播法是周知的，因此，以下简单地对误差反向传播法的概要进行说明。此外，偏置b是权重w的一种，因此，在以下的说明中，偏置b被作为权重w的一个。
在如图3所示的神经网络中，当用w(L)表示向L＝2、L＝3或者L＝4的各层的节点的总输入值u(L)的权重时，误差函数E的对权重w(L)的微分、即斜度
Figure GDA0002262229340000111
可改写为如下式(1)。
Figure GDA0002262229340000112
在此，
Figure GDA0002262229340000113
当设为/>
Figure GDA0002262229340000114
时，上述式(1)可变换为如下式(2)。
Figure GDA0002262229340000115
在此，当u(L)变动时，通过下一层的总输入值u(L+1)的变化会引起误差函数E的变动，因此，能够用如下式(3)表示δ(L)(K是L+1层中的节点的数量)。
Figure GDA0002262229340000121
在此，当表示为z(L)＝f(u(L))时，上述(3)式的右边的总输入值uk (L+1)由如下式(4)表示。
Figure GDA0002262229340000122
在此，上述(3)式的右边第1项
Figure GDA0002262229340000123
是δ(L+1)。另外，上述(3)式的右边第2项/>
Figure GDA0002262229340000124
由如下式(5)表示。
Figure GDA0002262229340000125
因此，δ(L)由如下式(6)表示。
Figure GDA0002262229340000126
即、
Figure GDA0002262229340000127
即，当求出δ(L+1)时，能够求δ(L)。
在进行神经网络的学习的情况下，使用包含某个输入值x以及对于该输入值x的输出的正解数据yt的训练数据集。在当对于某个输入值x的从输出层的输出值是y时，使用平方误差作为误差函数的情况下，误差函数E成为E＝1/2(y－yt)2。另外，在图3的输出层(L＝4)的节点，成为输出值y＝f(u(L))。因此，输出层(L＝4)的节点处的δ(L)的值成为由如下式(7)表示。
Figure GDA0002262229340000131
在此，在输出层的激活函数f(u(L))是恒等函数的情况下，成为f’(u(L))＝1。因此，δ(L)＝y－yt，求出δ(L)。
当求出δ(L)后，使用上式(6)求出前一层的δ(L－1)。这样依次求出前一层的δ，使用这些δ的值，从上式(2)针对各权重w求出误差函数E的微分、即斜度
Figure GDA0002262229340000132
当求出斜度/>
Figure GDA0002262229340000133
后，使用该斜度/>
Figure GDA0002262229340000134
Figure GDA0002262229340000135
更新权重w的值，以使得误差函数E的值减少。即，进行权重w的学习。
＜本实施方式中的神经网络＞
以下，对本实施方式中的神经网络进行说明。在本实施方式中，使用了神经网络的模型被应用于设计值不同的多个车辆用驱动装置。由此，在通过设计变更而车辆用驱动装置设计值改变了的情况下，或者在开发了新的型式的车辆用驱动装置的情况下，也能够不生成新的模型，而使用共同的模型算出输出参数。另外，不需要为了将模型应用到设计值不同的车辆用驱动装置而使用大量的训练数据集再次进行神经网络的学习。
在本实施方式中，为了将模型应用到设计值不同的多个车辆用驱动装置，车辆用驱动装置的设计值被用作神经网络的输入参数。在该情况下，考虑将设计值与设计值以外的其他输入参数一起输入到神经网络的同一输入层。
然而，车辆用驱动装置的设计值在车辆用驱动装置的制造后固定为一定的值。因此，设计值在各个车辆中为常数。因此，设计值具有与根据车辆的运转状态而变化的其他输入参数不同的性质。
本申请的发明人深入研究的结果，发现了能够通过将车辆用驱动装置的设计值输入到与其他输入参数不同的输入层来使输出参数的预测精度提高。图4是表示第一实施方式中的神经网络的一个例子的图。
如图4所示，神经网络包括第1输入层以及第2输入层。因此，神经网络包括多个输入层。在第1输入层输入车辆用驱动装置的设计值以外的车辆的输入参数，在第2输入层输入车辆用驱动装置的设计值。设计值以外的车辆的输入参数是根据车辆的运转状态而变化的值。另一方面，车辆用驱动装置的设计值是预先确定的值，不根据车辆的运转状态而变化。
在本实施方式中，车辆用驱动装置是内燃机1。例如，图4所示的神经网络输出排气温度来作为输出参数。在该情况下，例如作为输入到第1输入层的车辆的输入参数，使用内燃机转速以及从燃料喷射阀21的燃料喷射量，第1输入层的节点的数量为两个。另外，例如作为输入到第2输入层的设计值，使用内燃机1的压缩比，第2输入层的节点的数量为一个。此外，各输入层的节点的数量与输入到各输入层的输入参数的数量相等。
另外，神经网络包括第1隐层以及第2隐层。因此，神经网络包括多个隐层。在图4的例子中，第1隐层以及第2隐层的节点的数量分别为四个。即，第1隐层和第2隐层的节点的数量相等。另外，在图4的例子中，输入层和隐层的数量相等。
第1输入层与第1隐层连接。具体而言，第1输入层的节点分别与第1隐层的全部节点连接。因此，在第1隐层输入第1输入层的输出。具体而言，在第1隐层的节点分别输入第1输入层的全部节点的输出。
第2输入层与第2隐层连接。具体而言，第2输入层的节点与第2隐层的全部节点连接。因此，在第2隐层输入第2输入层的输出。具体而言，在第2隐层的节点分别输入第2输入层的全部节点的输出。
另外，在第2隐层也输入与第1隐层的输出相关的值。与第1隐层的输出相关的值包含第1隐层的输出、和在第1隐层与第2隐层之间包含其他隐层的情况下的由其他隐层变换后的第1隐层的输出。在图4的例子中，第1隐层与第2隐层连接。具体而言，第1隐层的节点分别与第2隐层的全部节点连接。因此，在第2隐层输入第1隐层的输出。具体而言，在第2隐层的节点分别输入第1隐层的全部节点的输出。
另外，神经网络包括输出车辆的输出参数的输出层。输出层基于第1隐层的输出以及第2隐层的输出，输出车辆的输出参数。如上所述，例如作为车辆的输出参数，使用排气温度。在该情况下，输出层的节点的数量为一个。输出层的节点的数量与从输出层输出的输出参数的数量相等。
在输出层输入与第2隐层的输出相关的值。与第2隐层的输出相关的值包括第2隐层的输出、和在第2隐层与输出层之间包含其他隐层的情况下的由其他隐层变换后的第2隐层的输出。在图4的例子中，第2隐层与输出层连接。具体而言，第2隐层的节点分别与输出层的全部节点连接。因此，在输出层输入第2隐层的输出。具体而言，在输出层的节点输入第2隐层的全部节点的输出。
另外，考虑设计值以修正根据设计值以外的输入参数生成的特征量的方式发挥功能。为了在神经网络中表现该功能，在本实施方式中，神经网络构成为，连接了第2输入层的第2隐层比连接了第1输入层的第1隐层接近输出层。换言之，神经网络构成为，连接了第2输入层的第2隐层成为比连接了第1输入层的第1隐层深的层。其结果是，设计值和根据设计值以外的输入参数生成的特征量被输入到第2隐层，通过第2隐层实现上述功能。其结果是，能够使输出参数的预测精度提高。
图5以及图6是表示神经网络的自由度与输出参数的决定系数之间的关系的图。可设定的权重以及偏置的数量越多，神经网络的自由度越大。即，输入层的数量、输入层的节点的数量、隐层的数量以及隐层的节点的数量越多，神经网络的自由度越大。
另外，输出参数的决定系数R2通过如下式算出，取0～1的值。输出参数的决定系数越接近1，输出参数的预测精度越高。
R2＝(输出参数的预测值的偏差平方和)/(输出参数的观测值的偏差平方和)
在此，输出参数的预测值是由已学习的神经网络输出的值，输出参数的观测值是使用传感器等实际检测到的值。
图5中，使用了图4所示的神经网络的结果由菱形标绘，使用了比较例1的神经网络的结果由三角标绘。在比较例1的神经网络中，从图4所示的神经网络省略第2输入层，内燃机转速、燃料喷射量以及内燃机1的压缩比被输入到第1输入层。
图6中，使用了图4所示的神经网络的结果由菱形标绘，使用了比较例2的神经网络的结果由三角标绘。在比较例2的神经网络中，在图4所示的神经网络中，燃料喷射量与内燃机1的压缩比被互换。即，内燃机转速以及内燃机1的压缩比被输入到第1输入层，燃料喷射量被输入到第2输入层。
根据图5以及图6可知，在图4所示的神经网络中，与比较例1、2相比，即使是在神经网络的自由度小的情况下，输出参数的决定系数也变大，输出参数的预测精度变高。因此，不增大神经网络的自由度，就能够使输出参数的预测精度提高。其结果是，能够减少用于制作使用了神经网络的已学习模型的学习时间。
此外，在图4所示的神经网络中，隐层的数量也可以为三层以上。另外，各输入层、各隐层以及输出层的节点的数量分别也可以为一个以上的其他数量。另外，各隐层的节点的数量也可以不同。另外，作为设计值、设计值以外的输入参数以及输出参数，也可以使用与图4不同的参数。
例如，作为设计值以外的输入参数，也可以代替燃料喷射量而使用内燃机负荷。另外，作为设计值，也可以在内燃机1的压缩比之外还使用内燃机1的气缸数以及气缸排列。由于需要向输入层输入数值，因此，在该情况下，第2输入层的节点的数量为三个。另外，在气缸排列被输入到第2输入层的情况下，气缸排列被数值化。例如，对直列的气缸排列分配1，对V型的气缸排列分配2，对水平对置的气缸排列分配3。
图7是表示第一实施方式中的神经网络的其他例子的图。如图7所示，神经网络也可以在与第1输入层连接的第1隐层和与第2输入层连接的第2隐层之间包括至少一个隐层。另外，如图7所示，神经网络也可以在第2隐层和输出层之间包括至少一个隐层。由此，即使在神经网络处理的事件复杂的情况下(例如输入参数或者输出参数的数量多的情况下)，也能够提高输出参数的预测精度。
在使用了神经网络的模型搭载于车辆之前进行神经网络的学习(即权重w以及偏置b的设定)。在神经网络的学习中，使用包含车辆用驱动装置的设计值、设计值以外的输入参数的实测值、与这些对应的输出参数的实测值(正解数据)的训练数据集。具体而言，通过使用大量的训练数据集，利用上述的误差反向传播法反复更新神经网络的权重w以及偏置b，从而设定权重w以及偏置b。其结果是，神经网络被进行学习，生成使用了神经网络的已学习模型。
所生成的已学习模型被安装于车辆的ECU61。此外，用于训练数据集的设计值、输入参数的实测值以及输出参数的实测值例如使用发动机台架等来预先取得。另外，对于神经网络的学习，例如使用设置于工厂的计算机(例如搭载了GPU的计算机)来进行。
＜流程图＞
图8是表示第一实施方式中的车辆用驱动装置的控制的控制例程的流程图。本控制例程由ECU61以预定的执行间隔反复执行。
首先，在步骤S101中，运算部81取得车辆用驱动装置的设计值以及设计值以外的车辆的输入参数。车辆用驱动装置的设计值是预先确定的值，存储于ECU61的存储器63。对于设计值以外的车辆的输入参数，在ECU61中使用各种传感器等来算出，由运算部81取得。
例如作为设计值以外的车辆的输入参数，使用内燃机转速以及从燃料喷射阀21的燃料喷射量。在该情况下，内燃机转速基于曲轴转角传感器79的输出来算出，从燃料喷射阀21的燃料喷射量基于从ECU61输出到燃料喷射阀21的指令值来算出。另外，在作为设计值以外的车辆的输入参数而使用内燃机负荷的情况下，内燃机负荷基于负荷传感器78的输出来算出。
接着，在步骤S102中，运算部81使用利用了神经网络的已学习模型，基于车辆用驱动装置的设计值以及设计值以外的车辆的输入参数算出车辆的输出参数。具体而言，运算部81通过将在步骤101中取得的设计值以及输入参数输入到神经网络，使神经网络对输出参数进行输出。例如，在使用图4所示的神经网络的情况下，设计值以外的输入参数被输入到第1输入层，设计值被输入到第2输入层。
接着，在步骤S103中，控制部82基于由运算部81算出的输出参数控制车辆用驱动装置(在本实施方式中为内燃机1)。例如，在输出参数为排气温度的情况下，控制部82控制燃料喷射量、燃料喷射正时、EGR控制阀52的开度等，以使得排气温度接近目标值。在步骤S103之后，本控制例程结束。
＜第二实施方式＞
第二实施方式涉及的车辆用驱动装置的控制装置的构成以及控制基本上与第一实施方式中的车辆用驱动装置的控制装置是同样的。因此，以下以与第一实施方式不同的部分为中心对本发明的第二实施方式进行说明。
在第二实施方式中，在运算部81中，使用如图9所示的神经网络。图9是表示第二实施方式中的神经网络的一个例子的图。
如图9所示，神经网络包括第1输入层、第2输入层、第3输入层以及第4输入层。因此，神经网络包括多个输入层。在第1输入层以及第3输入层输入车辆用驱动装置的设计值以外的车辆的输入参数，在第2输入层以及第4输入层输入车辆用驱动装置的设计值。
在图9所示的神经网络中，作为输出参数，使用内燃机1的输出转矩。在该情况下，例如各输入参数如以下那样设定。
作为输入到第1输入层的车辆的输入参数，使用进气歧管31内的进气的压力以及流量，第1输入层的节点的数量为两个。作为输入到第2输入层的设计值，使用进气歧管31的内径，第2输入层的节点的数量为一个。作为输入到第3输入层的车辆的输入参数，使用喷射到内燃机1的气缸11内的燃料的喷射压以及喷射量、即燃料喷射阀21的燃料喷射压以及燃料喷射量，第3输入层的节点的数量为两个。作为输入到第4输入层的设计值，使用内燃机1的压缩比，第4输入层的节点的数量为一个。
进气歧管31的内径以及内燃机1的压缩比是预先确定的，存储于ECU61的存储器63。进气歧管31的内径例如是进气口侧的端部的内径。对于各输入参数，在ECU61中使用各种传感器等而例如如以下那样算出，由运算部81取得。进气歧管31内的进气的压力基于进气压传感器73的输出来算出。进气歧管31内的进气的流量基于空气流量计71的输出、和从ECU61输出到EGR控制阀52的指令值来算出。喷射到内燃机1的气缸11内的燃料的喷射压基于燃压传感器74的输出来算出。喷射到内燃机1的气缸11内的燃料的喷射量基于从ECU61输出到燃料喷射阀21的指令值来算出。
另外，神经网络包括第1隐层、第2隐层、第3隐层以及第4隐层。因此，神经网络包括多个隐层。在图9的例子中，第1隐层、第2隐层、第3隐层以及第4隐层的节点的数量分别为4个，是相等的。另外，在图9的例子中，输入层和隐层的数量相等。
第1输入层与第1隐层连接。具体而言，第1输入层的节点分别与第1隐层的全部节点连接。因此，在第1隐层输入第1输入层的输出。具体而言，在第1隐层的节点分别输入第1输入层的全部节点的输出。
第2输入层与第2隐层连接。具体而言，第2输入层的节点与第2隐层的全部节点连接。因此，在第2隐层输入第2输入层的输出。具体而言，在第2隐层的节点分别输入第2输入层的全部节点的输出。
另外，在第2隐层也输入与第1隐层的输出相关的值。在图9的例子中，第1隐层与第2隐层连接。具体而言，第1隐层的节点分别与第2隐层的全部节点连接。因此，在第2隐层输入第1隐层的输出。具体而言，在第2隐层的节点分别输入第1隐层的全部节点的输出。
第3输入层与第3隐层连接。具体而言，第3输入层的节点分别与第3隐层的全部节点连接。因此，在第3隐层输入第3输入层的输出。具体而言，在第3隐层的节点分别输入第3输入层的全部节点的输出。
另外，在第3隐层也输入与第2隐层的输出相关的值。在图9的例子中，第2隐层与第3隐层连接。具体而言，第2隐层的节点分别与第3隐层的全部节点连接。因此，在第3隐层输入第2隐层的输出。具体而言，在第3隐层的节点分别输入第2隐层的全部节点的输出。
第4输入层与第4隐层连接。具体而言，第4输入层的节点与第4隐层的全部节点连接。因此，在第4隐层输入第4输入层的输出。具体而言，在第4隐层的节点分别输入第4输入层的全部节点的输出。
另外，在第4隐层也输入与第3隐层的输出相关的值。在图9的例子中，第3隐层与第4隐层连接。具体而言，第3隐层的节点分别与第4隐层的全部节点连接。因此，在第4隐层输入第3隐层的输出。具体而言，在第4隐层的节点分别输入第3隐层的全部节点的输出。
另外，神经网络包括输出车辆的输出参数的输出层。输出层基于第1隐层的输出、第2隐层的输出、第3隐层的输出以及第4隐层的输出，对车辆的输出参数进行输出。如上所述，例如作为车辆的输出参数，使用内燃机1的转矩。在该情况下，输出层的节点的数量为一个。
另外，在输出层输入与第4隐层的输出相关的值。在图9的例子中，第4隐层与输出层连接。具体而言，第4隐层的节点分别与输出层的全部节点连接。因此，在输出层输入第4隐层的输出。具体而言，在输出层的节点输入第4隐层的全部节点的输出。
如上所述，考虑设计值以修正根据设计值以外的输入参数生成的特征量的方式发挥功能。因此，如图9所示，神经网络构成为，连接了第2输入层的第2隐层比连接了第1输入层的第1隐层靠近输出层。换言之，神经网络构成为，连接了第2输入层的第2隐层成为比连接了第1输入层的第1隐层深的层。其结果是，设计值和根据设计值以外的输入参数生成的特征量被输入到第2隐层，通过第2隐层实现上述功能。其结果是，能够使输出参数的预测精度提高。
另外，如图9所示，神经网络构成为，连接了第4输入层的第4隐层比连接了第3输入层的第3隐层靠近输出层。换言之，神经网络构成为，连接了第4输入层的第4隐层成为比连接了第3输入层的第3隐层深的层。其结果是，设计值和根据设计值以外的输入参数生成的特征量被输入到第4隐层，通过第4隐层实现上述功能。其结果是，能够使输出参数的预测精度提高。
另外，在连续地发生的一系列现象中，认为与相对靠后的时间点的现象有关的参数会受到与相对靠前的时间点的现象有关的参数的影响。于是，在第二实施方式中，神经网络构成为，与被输入与相对靠后的时间点的现象有关的参数的输入层连接的隐层比与被输入与相对靠前的时间点的现象有关的参数的输入层连接的隐层靠近输出层。由此，能够通过神经网络表现现象在时间序列上的变化，能够更进一步使输出参数的预测精度提高。
在图9的例子中，输入到第1输入层的进气压力以及进气流量和输入到第2输入层的进气歧管31的内径是与向气缸11内的进气的流入有关的参数。另一方面，输入到第3输入层的燃料喷射压以及燃料喷射量和输入到第4输入层的内燃机1的压缩比是与混合气的燃烧有关的参数。混合气的燃烧是在进气流入气缸11内之后发生的现象。
因此，如图9所示，神经网络构成为，与第3输入层连接的第3隐层比与第2输入层连接的第2隐层靠近输出层。即，神经网络构成为，与被输入与相对靠后的时间点的现象有关的参数的第3输入层以及第4输入层连接的第3隐层以及第4隐层比与被输入与相对靠前的时间点的现象有关的参数的第1输入层以及第2输入层连接的第1隐层以及第2隐层靠近输出层。其结果是，与进气流入气缸11内有关的特征量被输入到第3隐层以及第4隐层，在第3隐层以及第4隐层中受到与混合气的燃烧有关的参数的影响。
此外，图9所示的神经网络也可以在第1隐层和第2隐层之间、第2隐层和第3隐层之间、第3隐层和第4隐层之间或者第4隐层和输出层之间包括其他隐层。另外，各输入层、各隐层以及输出层的节点的数量也可以分别为一个以上的其他数量。另外，各隐层的节点的数量也可以不同。
另外，作为输入到各输入层的输入参数以及输出参数，也可以使用与图9不同的参数。例如，作为被输入到第3输入层的输入参数，也可以代替燃料喷射量而使用内燃机负荷。另外，作为被输入到第4输入层的设计值，也可以在内燃机1的压缩比之外还使用内燃机1的气缸数以及气缸排列。在该情况下，第4输入层的节点的数量为三个。另外，在气缸排列被输入到第4输入层的情况下，气缸排列被数值化。例如，对直列的气缸排列分配1，对V型的气缸排列分配2，对水平对置的气缸排列分配3。
＜第三实施方式＞
第三实施方式涉及的机器学习系统中使用的电子控制单元的构成以及控制基本上与第一实施方式中的电子控制单元是同样的。因此，以下以与第一实施方式不同的部分为中心，对本发明的第三实施方式进行说明。
在第三实施方式中，使用了神经网络的已学习模型在车辆外部的服务器中生成，在运算部81中使用从服务器被接收到车辆的已学习模型。由此，能够根据需要替换或者追加已学习模型，能够使用神经网络获得所希望的输出参数。另外，通过与服务器的通信来更新神经网络的权重等，由此能够提高输出参数的预测精度。
图10是概略地表示第三实施方式涉及的机器学习系统的图。机器学习系统300具备设在车辆100的电子控制单元(ECU)61以及通信装置91、和车辆100外部的服务器200。与第一实施方式同样地，如图2所示，ECU61的处理器65具有运算部81以及控制部82。
ECU61和通信装置91经由依照CAN(Controller Area Network，控制器局域网络)等标准的车内网络彼此以能进行通信方式相连接。通信装置91是能够经由通信网络与服务器200进行通信的设备，例如是数据通信模块(DCM)。通信装置91与服务器200之间的通信通过依照各种通信标准的无线通信进行。
服务器200具备通信接口(I/F)210、存储装置230以及处理器220。通信接口210以及存储装置230经由信号线与处理器220连接。此外，服务器200也可以还具备如键盘以及鼠标的输入装置、如显示器的输出装置等。
通信接口210具有用于将服务器200经由通信网络连接于车辆100的通信装置91的接口电路。存储装置230例如由硬盘驱动器(HDD)、固态硬盘驱动器(SDD)、光记录介质、如随机访问存储器(RAM)的半导体存储器等构成。
存储装置230存储各种数据。具体而言，存储装置230存储用于进行神经网络的学习的训练数据集(例如包含设计值以外的输入参数、设计值以及输出参数的训练数据集)、和用于进行神经网络的学习的计算机程序。对于用于训练数据集的设计值、设计值以外的输入参数的实测值以及输出参数的实测值，例如可使用发动机台架等来预先取得。此外，用于训练数据集的这些参数也可以在与车辆100不同的其他车辆中取得，也可以从设于该其他车辆的通信装置被发送到服务器200。
如图10所示，服务器200的处理器220具备学习部222来作为功能块。学习部222使用存储于服务器200的存储装置230的训练数据集进行神经网络的学习，生成使用了神经网络的已学习模型。具体而言，使用大量的训练数据集，通过上述的误差反向传播法反复更新神经网络的权重w以及偏置b，由此设定权重w以及偏置b。其结果是，神经网络被进行学习，生成使用了神经网络的已学习模型。此外，第三实施方式中的神经网络具有与第一实施方式或者第二实施方式同样的构成(例如参照图4、图7以及图9)。
当由学习部222生成已学习模型后，所生成的已学习模型经由服务器200的通信接口210以及车辆100的通信装置91被从服务器200发送至ECU61。ECU61的运算部81从服务器200经由通信装置91接收已学习模型，使用接收到的已学习模型算出车辆的输出参数。另外，在由ECU61的控制部82执行车辆用驱动装置的控制的情况下，与第一实施方式同样地执行图8的控制例程。
＜第四实施方式＞
第四实施方式涉及的机器学习系统的构成以及控制基本上与第三实施方式中的机器学习系统是同样。因此，以下以与第三实施方式不同的部分为中心，对本发明的第四实施方式进行说明。
在第四实施方式中，与第三实施方式同样地，在车辆外部的服务器生成使用了神经网络的已学习模型，在运算部81中使用从服务器被接收到车辆的已学习模型。另一方面，在第三实施方式中，在车辆中取得用于训练数据集的设计值、设计值以外的输入参数的实测值以及输出参数的实测值。由此，能够容易地准备大量的训练数据集。
图11是该略地表示在应用第四实施方式涉及的机器学习系统的车辆中设置的内燃机的图。在内燃机1’中，除了图1所示的各种传感器之外，还设有排气温度传感器75以及转矩传感器76。
排气温度传感器75配置在内燃机1’的排气通路、例如涡轮43与DPF44之间，检测在排气通路中流动的排气气体的温度(排气温度)。转矩传感器76例如配置在内燃机1’的输出轴(曲轴)，检测内燃机1’的输出转矩。排气温度传感器75以及转矩传感器76的输出经由所对应的AD转换器68被输入到ECU61的输入端口66。
与第三实施方式同样地，如图10所示，机器学习系统300具备设在车辆100的电子控制单元(ECU)61以及通信装置91、和车辆100外部的服务器200。图12是第四实施方式中的ECU61的处理器65的功能框图。在第四实施方式中，处理器65在运算部81以及控制部82之外还具有参数取得部83。
参数取得部83取得车辆用驱动装置的设计值、设计值以外的车辆100的输入参数以及车辆100的输出参数。具体而言，参数取得部83与运算部81同样地取得由ECU61基于各种传感器的输出等算出的设计值以外的车辆100的输入参数。另外，参数取得部83取得由ECU61基于各种传感器的输出等算出的输出参数。例如，在输出参数为排气温度的情况下，参数取得部83取得基于排气温度传感器75的输出而算出的排气温度。另外，在输出参数是内燃机1’的输出转矩的情况下，参数取得部83取得基于转矩传感器76的输出而算出的内燃机1’的输出转矩。设计值是预先确定的，存储于ECU61的存储器63。
参数取得部83将所取得的设计值、设计值以外的输入参数以及输出参数经由通信装置91发送至服务器200。被发送至服务器200的设计值、设计值以外的输入参数以及输出参数被存储在服务器200的存储装置230中。另外，在与车辆100不同的具有车辆用控制装置的设计值的多个其他车辆中也取得这些参数，并从设在各车辆的通信装置发送到服务器200。为了获得大量的训练数据集，反复进行从车辆100以及其他车辆向服务器200的参数的发送。
服务器200的学习部222将由参数取得部83取得的设计值、设计值以外的输入参数以及输出参数用作训练数据集，生成使用了神经网络的已学习模型。具体而言，通过使用大量的训练数据集，根据上述的误差反向传播法反复更新神经网络的权重w以及偏置b，从而设定权重w以及偏置b。其结果是，神经网络被进行学习，生成使用了神经网络的已学习模型。
另外，与第三实施方式同样地，服务器200的学习部222将已学习模型发送至运算部81，运算部81使用所接收到的已学习模型算出输出参数。通过使用已学习模型算出输出参数，能够在由传感器等检测输出参数之前，检测相对于预定的输入参数的输出参数。
另外，在由ECU61的控制部82执行车辆用驱动装置的控制的情况下，与第一实施方式同样地执行图8的控制例程。
＜其他实施方式＞
以上，对本发明涉及的优选实施方式进行了说明，但本发明并不限定于这些实施方式，能够在权利要求书的记载范围内实施各种各样的修正以及变更。
例如，在神经网络中，被输入到第1输入层的车辆的输入参数、被输入到第2输入层的车辆用驱动装置的设计值、以及车辆的输出参数也可以如以下那样设定。车辆的输入参数包括内燃机转速、燃料喷射量、燃料喷射正时、燃料喷射压、进气歧管31内的进气的温度以及压力、EGR控制阀52的开度以及吸入空气量。另外，设计值包括内燃机1、1’的压缩比、燃料喷射阀21的喷嘴数量以及喷嘴直径。另外，车辆的输出参数包括燃烧声音的声压、内燃机1、1’的输出转矩、从内燃机主体10排出的有害物质的浓度以及内燃机1、1’的热效率。有害物质例如是一氧化碳(CO)、碳化氢(HC)、氧化氮(NOx)、颗粒状物质(PM)等。在该情况下，输入参数以及输出参数也能够在ECU61中基于各种传感器的输出等来算出。另外，设计值是预先确定的，被存储于ECU61的存储器63。
另外，车辆用驱动装置也可以是内燃机以外的驱动装置、例如马达、变速器、电池等。例如，使用了本实施方式中的神经网络的模型也可以应用于在混合动力车辆(HV)、插电式混合动力车辆(PHV)或者电动汽车(EV)搭载的电池。在该情况下，输入到第1输入层的车辆的输入参数、输入到第2输入层的车辆用驱动装置的设计值、以及车辆的输出参数例如如以下那样设定。
第1输入参数包括电池电压、电池电流、电池温度、车辆的运转开始时的电池的充电率(SOC：State Of Charge，充电状态)以及车辆的连续运转时间。另外，第2输入参数包括电池容量以及电池的能量密度。另外，输出参数包括车辆的运转期间中的电池的SOC。在该情况下，输入参数以及输出参数可以在ECU61中基于各种传感器的输出等来算出。另外，设计值是预先确定的，存储于ECU61的存储器63。
另外，使用了如上所述的神经网络的已学习模型也可以用在构成为基于硬件的设计值以外的输入参数以及硬件的设计值算出输出参数的输出参数算出装置中。在该情况下，输入参数、设计值以及输出参数不限定于关于车辆的参数。

Claims (12)

1.一种车辆用驱动装置的控制装置，具备：
运算部，其使用利用了神经网络的已学习模型算出车辆的输出参数；和
控制部，其基于由所述运算部算出的所述输出参数，控制搭载于所述车辆的车辆用驱动装置，
所述神经网络包括被输入所述车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
所述控制部控制搭载于所述车辆的内燃机，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到所述内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
2.根据权利要求1所述的车辆用驱动装置的控制装置，
所述神经网络构成为所述第1隐层的输出被输入到所述第2隐层。
3.根据权利要求1所述的车辆用驱动装置的控制装置，
所述神经网络在所述第1隐层与所述第2隐层之间包括至少一个隐层。
4.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置，
所述神经网络构成为所述第2隐层的输出被输入到所述输出层。
5.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置，
所述神经网络在所述第2隐层与所述输出层之间包括至少一个隐层。
6.一种车载电子控制单元，具备运算部，所述运算部经由设在车辆的通信装置从所述车辆的外部的服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述车辆的输出参数，
所述神经网络包括被输入搭载于所述车辆的车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述服务器具备存储包括所述输入参数、所述设计值以及所述输出参数的训练数据集的存储装置，使用该训练数据集生成所述已学习模型，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
7.一种车载电子控制单元，具备：
参数取得部，其取得搭载于车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数、以及所述车辆的输出参数，并且，经由设在所述车辆的通信装置向所述车辆的外部的服务器发送所述设计值、所述输入参数以及所述输出参数；和
运算部，其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述输出参数，
所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述服务器将由所述参数取得部取得的所述输入参数、所述设计值以及所述输出参数用作训练数据集，生成所述已学习模型，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
8.一种已学习模型，使用了神经网络，所述神经网络包括被输入搭载于车辆的车辆用驱动装置的设计值以外的所述车辆的输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述车辆的输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
将所述输入参数、所述设计值以及所述输出参数用作训练数据集，对所述神经网络的权重进行了学习，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
9.一种机器学习系统，具备设在车辆的电子控制单元、设在所述车辆的通信装置以及所述车辆的外部的服务器，
所述电子控制单元具备：
参数取得部，其取得搭载于所述车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数以及所述车辆的输出参数，并且，经由所述通信装置向所述服务器发送所述设计值、所述输入参数以及所述输出参数；和
运算部，其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型，并且使用该已学习模型算出所述输出参数，
所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述服务器将由所述参数取得部取得的所述输入参数、所述设计值以及所述输出参数用作训练数据集，生成所述已学习模型，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
10.一种车辆用驱动装置的控制方法，包括：
取得搭载于车辆的车辆用驱动装置的设计值、和该设计值以外的所述车辆的输入参数；
使用利用了神经网络的已学习模型，基于所述设计值以及所述输入参数算出所述车辆的输出参数；
基于所述输出参数控制所述车辆用驱动装置，
所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
11.一种电子控制单元的制造方法，包括：
将搭载于车辆的车辆用驱动装置的设计值、该设计值以外的所述车辆的输入参数以及所述车辆的输出参数用作训练数据集，生成使用了神经网络的已学习模型；
将所述已学习模型安装于电子控制单元，
所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述神经网络还包括被输入所述设计值以外的所述车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
12.一种输出参数算出装置，构成为，
使用利用了神经网络的已学习模型，基于硬件的设计值以外的输入参数以及所述设计值算出输出参数，所述神经网络包括被输入所述输入参数的第1输入层、被输入所述设计值的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入所述第2输入层的输出的第2隐层以及输出所述输出参数的输出层，且构成为所述第2隐层比所述第1隐层接近所述输出层，
所述神经网络还包括被输入所述设计值以外的车辆的输入参数的第3输入层、被输入所述设计值的第4输入层、被输入所述第3输入层的输出的第3隐层以及被输入所述第4输入层的输出的第4隐层，构成为所述第3隐层比所述第2隐层接近所述输出层、且所述第4隐层比所述第3隐层接近所述输出层，
被输入到所述第1输入层的所述输入参数包括进气歧管内的进气的压力及流量、被输入到所述第2输入层的所述设计值包括进气歧管的内径，被输入到所述第3输入层的所述输入参数包括被喷射到搭载于所述车辆的内燃机的气缸内的燃料的喷射压以及喷射量，被输入到所述第4输入层的所述设计值包括所述内燃机的压缩比，所述输出参数包括所述内燃机的输出转矩。
CN201910914723.5A 2018-10-09 2019-09-25 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统 Active CN111016920B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-191237 2018-10-09
JP2018191237A JP6702390B2 (ja) 2018-10-09 2018-10-09 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Publications (2)

Publication Number Publication Date
CN111016920A CN111016920A (zh) 2020-04-17
CN111016920B true CN111016920B (zh) 2023-07-07

Family

ID=68242434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910914723.5A Active CN111016920B (zh) 2018-10-09 2019-09-25 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统

Country Status (4)

Country Link
US (1) US11732664B2 (zh)
EP (1) EP3636905A3 (zh)
JP (1) JP6702390B2 (zh)
CN (1) CN111016920B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6702380B2 (ja) * 2018-09-14 2020-06-03 トヨタ自動車株式会社 内燃機関の制御装置
JP6690743B1 (ja) * 2019-01-23 2020-04-28 トヨタ自動車株式会社 機械学習装置
JP7231144B2 (ja) * 2019-07-17 2023-03-01 株式会社トランストロン エンジン制御装置及びそれが有するニューラルネットワークプログラム
KR20210073882A (ko) * 2019-12-11 2021-06-21 현대자동차주식회사 빅데이터 기반 운행 정보 제공 시스템 및 방법
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
JP2021179813A (ja) * 2020-05-13 2021-11-18 トヨタ自動車株式会社 配車装置、車両および端末
JP6795116B1 (ja) * 2020-06-08 2020-12-02 トヨタ自動車株式会社 車両、及びサーバ
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
CN113212244B (zh) * 2021-04-29 2022-08-16 浙江吉利控股集团有限公司 一种新能源车辆动力电池寿命预测方法及系统
JP2023074822A (ja) * 2021-11-18 2023-05-30 アズビル株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2810170B2 (ja) * 1989-12-15 1998-10-15 株式会社日立製作所 多層型ネットワークの学習装置
US5113483A (en) * 1990-06-15 1992-05-12 Microelectronics And Computer Technology Corporation Neural network with semi-localized non-linear mapping of the input space
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
JP2601003B2 (ja) * 1990-09-25 1997-04-16 日産自動車株式会社 車両の走行条件認識装置
US5402519A (en) * 1990-11-26 1995-03-28 Hitachi, Ltd. Neural network system adapted for non-linear processing
JP2934330B2 (ja) * 1991-02-28 1999-08-16 株式会社豊田中央研究所 車両の操作量決定装置
JP3301250B2 (ja) * 1995-01-27 2002-07-15 松下電器産業株式会社 空燃比制御装置
JPH0939821A (ja) * 1995-08-02 1997-02-10 Mitsubishi Motors Corp 車両の後輪操舵制御装置
US5781700A (en) * 1996-02-05 1998-07-14 Ford Global Technologies, Inc. Trained Neural network air/fuel control system
US5745653A (en) * 1996-02-05 1998-04-28 Ford Global Technologies, Inc. Generic neural network training and processing system
US5774823A (en) * 1997-09-04 1998-06-30 Ford Global Technologies, Inc. Method of generation correction tables for misfire detection using neural networks
EP1109001B1 (de) 1999-12-15 2005-03-16 Kistler Holding AG Verfahren zur Bestimmung des oberen Totpunktes einer Brennkraftmaschine mit neuronalem Lernen
DE10201018B4 (de) * 2002-01-11 2004-08-05 Eads Deutschland Gmbh Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens
JP2004239233A (ja) * 2003-02-10 2004-08-26 Toyota Motor Corp 内燃機関の気筒別空燃比の推定および気筒排気割合の推定
JP2007533911A (ja) * 2004-04-20 2007-11-22 サウスウエスト リサーチ インスティテュート 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ
US20060020563A1 (en) * 2004-07-26 2006-01-26 Coleman Christopher R Supervised neural network for encoding continuous curves
DE102006014915A1 (de) * 2006-03-30 2007-10-11 Siemens Ag Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften für die Steuerung von Kraftfahrzeuginsassen-Schutzsystemen
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
JP4930389B2 (ja) * 2008-01-18 2012-05-16 三菱自動車工業株式会社 空燃比制御装置及び空燃比制御方法
US7900509B2 (en) * 2008-08-06 2011-03-08 Ford Global Technologies, Llc Methods for variable displacement engine diagnostics
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
CN101814158A (zh) * 2009-02-20 2010-08-25 北京联合大学生物化学工程学院 基于人工神经网络的实验数据分析处理方法
US8463721B2 (en) * 2010-08-05 2013-06-11 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for recognizing events
JP5234085B2 (ja) 2010-11-11 2013-07-10 富士電機株式会社 ニューラルネットワークの学習方法
WO2014144036A1 (en) * 2013-03-15 2014-09-18 Angel Enterprise Systems, Inc. Engine analysis and diagnostic system
JP5924315B2 (ja) 2013-08-08 2016-05-25 トヨタ自動車株式会社 車両の制御装置
US9328644B2 (en) * 2013-09-24 2016-05-03 GM Global Technology Operations LLC Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network
DE102014000396A1 (de) 2014-01-17 2015-07-23 Fev Gmbh Modellbasierte Bestimmung einer Gemischmasse während einer Ladungswechselphase in einer Brennkammer einer Brennkraftmaschine
EP2996001A1 (de) * 2014-09-10 2016-03-16 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Analyse eines Datensatzes aus Beobachtungen
JP6172106B2 (ja) 2014-10-03 2017-08-02 トヨタ自動車株式会社 車両用情報提示装置
JP6411927B2 (ja) 2015-03-20 2018-10-24 トヨタ自動車株式会社 車両用自動変速機
DE102015207252A1 (de) * 2015-04-21 2016-10-27 Avl List Gmbh Verfahren und Vorrichtung zur modellbasierten Optimierung einer technischen Einrichtung
JP6895440B2 (ja) * 2015-12-31 2021-06-30 ヴィート エヌブイ ニューラルネットワークアーキテクチャを用いた分配システムの制御のための方法、制御装置およびシステム
US10328949B2 (en) 2016-01-28 2019-06-25 Toyota Motor Engineering & Manufacturing North America, Inc. Sensor blind spot indication for vehicles
JP6414096B2 (ja) 2016-02-17 2018-10-31 トヨタ自動車株式会社 車載装置、車載装置の制御方法及び車載装置の制御プログラム
JP6460349B2 (ja) 2016-04-13 2019-01-30 トヨタ自動車株式会社 車両走行制御装置
US20170308802A1 (en) * 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments
JP6516298B2 (ja) 2016-05-06 2019-05-22 トヨタ自動車株式会社 情報表示装置
JP6390668B2 (ja) 2016-06-20 2018-09-19 トヨタ自動車株式会社 ハイブリッド車両
JP6520858B2 (ja) 2016-08-08 2019-05-29 トヨタ自動車株式会社 車両走行制御装置
JP6380489B2 (ja) 2016-09-07 2018-08-29 トヨタ自動車株式会社 車両の走行制御装置
US10276187B2 (en) * 2016-10-19 2019-04-30 Ford Global Technologies, Llc Vehicle ambient audio classification via neural network machine learning
JP6705368B2 (ja) 2016-12-06 2020-06-03 トヨタ自動車株式会社 自動運転装置
CN106740457A (zh) * 2016-12-07 2017-05-31 镇江市高等专科学校 基于bp神经网络模型的车辆换道决策方法
JP6540679B2 (ja) 2016-12-26 2019-07-10 トヨタ自動車株式会社 ハイブリッド車両の変速制御装置
US9914492B1 (en) 2017-04-13 2018-03-13 Toyota Research Institute, Inc. Low-profile vehicle
JP6856452B2 (ja) 2017-06-14 2021-04-07 トヨタ自動車株式会社 物標判定装置及び運転支援システム
US10960924B2 (en) 2017-06-16 2021-03-30 Toyota Research Institute, Inc. Vehicle systems for adjusting resistance or sensitivity of steering wheels and/or accelerator pedals
US10816975B2 (en) 2017-08-09 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous acceleration profile feedback system
JP2019038314A (ja) 2017-08-23 2019-03-14 トヨタ自動車株式会社 車両運転支援装置
JP6834853B2 (ja) 2017-08-31 2021-02-24 トヨタ自動車株式会社 車両制御装置
JP6926957B2 (ja) 2017-11-02 2021-08-25 トヨタ自動車株式会社 車線変更支援装置
JP6954052B2 (ja) 2017-11-27 2021-10-27 トヨタ自動車株式会社 車群制御装置
JP6885315B2 (ja) 2017-12-06 2021-06-09 トヨタ自動車株式会社 センサー搭載構造
JP7024427B2 (ja) 2018-01-17 2022-02-24 トヨタ自動車株式会社 車両用表示装置
US10706300B2 (en) 2018-01-23 2020-07-07 Toyota Research Institute, Inc. Vehicle systems and methods for determining a target based on a virtual eye position and a pointing direction
JP7095291B2 (ja) 2018-01-30 2022-07-05 トヨタ自動車株式会社 車両用表示装置
JP6954850B2 (ja) 2018-02-09 2021-10-27 トヨタ自動車株式会社 表示装置
US10913360B2 (en) 2018-02-13 2021-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods of autonomous solar exposure
JP7069975B2 (ja) 2018-03-30 2022-05-18 トヨタ自動車株式会社 制御装置、制御装置用のプログラム、及び制御方法
US10746987B2 (en) 2018-07-12 2020-08-18 Toyota Research Institute, Inc. Vehicle systems and methods for redirecting a driver's gaze towards an object of interest
JP7095468B2 (ja) 2018-08-02 2022-07-05 トヨタ自動車株式会社 車両用表示制御装置、車両用表示制御方法及び車両用表示制御プログラム
JP7172287B2 (ja) 2018-08-28 2022-11-16 トヨタ自動車株式会社 自動運転システム

Also Published As

Publication number Publication date
US20200109678A1 (en) 2020-04-09
EP3636905A3 (en) 2020-07-29
JP6702390B2 (ja) 2020-06-03
US11732664B2 (en) 2023-08-22
CN111016920A (zh) 2020-04-17
EP3636905A2 (en) 2020-04-15
JP2020060127A (ja) 2020-04-16

Similar Documents

Publication Publication Date Title
CN111016920B (zh) 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统
JP6741087B1 (ja) 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
CN111022206B (zh) 车辆用驱动装置的控制装置及方法、车载电子控制单元
CN101622437B (zh) 用于估计内燃机的排气温度的方法和设备
US10590871B2 (en) Controller and control method for internal combustion engine
CN101523034B (zh) 基于发动机汽缸压力估算发动机的系统参数
JP2009510327A (ja) ディーゼルエンジン向け状態オブザーバにおけるセンサの使用
US10371071B2 (en) Systems and methods for non-intrusive closed-loop combustion control of internal combustion engines
JP6702380B2 (ja) 内燃機関の制御装置
US11436488B2 (en) Control device
CN101680380B (zh) 用于控制柴油发动机中的涡轮出口温度的方法
CN102383906A (zh) 温度估计系统和方法
US11680518B2 (en) Engine and emissions control system
CN104564377A (zh) 控制排气再循环气体系统的方法
JP2020020295A (ja) 内燃機関の制御装置
Schaub et al. Robust Emission Compliance and Reduction of System Cost by advanced emission-based Diesel engine air management
JP2020045821A (ja) 内燃機関の制御装置
JP2016133044A (ja) 内燃機関の制御装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant