CN111120122A

CN111120122A - 控制装置

Info

Publication number: CN111120122A
Application number: CN201910988666.5A
Authority: CN
Inventors: 小鲋俊介; 北川荣来; 横山大树
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2018-10-30
Filing date: 2019-10-17
Publication date: 2020-05-08
Anticipated expiration: 2039-10-17
Also published as: DE102019127482A1; CN111120122B; JP2020070742A; DE102019127482B4; JP6773099B2; US20200134452A1; US11436488B2

Abstract

提供一种控制装置，在搭载于车辆的控制装置的有限的运算资源中适当地实施神经网络的再学习。控制装置(61)搭载于车辆，所述车辆的至少一个的控制部件(1)基于通过将输入参数输入到使用了神经网络的已学习模型而得到的输出参数而被控制，该控制装置具备：停车期间预测部(85)，其预测车辆的将来的停车期间；和学习计划制作部(86)，其基于将来的停车期间的预测结果，制作用于在将来的停车期间中进行已学习模型的再学习的学习计划。

Description

控制装置

技术领域

本公开涉及控制装置。

背景技术

专利文献1公开了一种内燃机的控制装置，其构成为能够通过使用了神经网络的已学习模型来推定为了控制内燃机而使用的参数(吸入内燃机的燃烧室的吸入气体的流量)。

现有技术文献

专利文献1：日本特开2012－112277号公报

发明内容

发明要解决的技术问题

为了使通过使用了神经网络的机器学习进行的已学习模型的推定精度提高，考虑通过搭载于车辆的控制装置进行已学习模型的再学习、即神经网络的再学习。神经网络的再学习需要大量的运算，但另一方面，搭载于车辆的控制装置的运算资源是有限的，因此，有时难以在车辆的行驶期间中通过该控制装置与其他控制并行地进行神经网络的再学习。因此，也考虑使得在车辆的停车期间中进行神经网络的再学习，但如前所述那样，神经网络的再学习需要大量的运算，作为结果，再学习需要很多时间。因此，当停车期间短时，无法在停车期间中完成神经网络的再学习，有可能无法适当地实施神经网络的再学习。

本发明是着眼于这样的问题而完成的，目的在于使得能够在搭载于车辆的控制装置的有限的运算资源中通过该控制装置适当地实施神经网络的再学习。

用于解决问题的技术方案

为了解决上述课题，根据本发明的某技术方案，提供一种搭载于车辆的控制装置，该车辆的至少一个控制部件基于通过将输入参数输入到使用了神经网络的已学习模型而得到的输出参数而被控制。该控制装置构成为具备：停车期间预测部，其预测车辆将来的停车期间；学习计划制作部，其基于将来的停车期间的预测结果，制作用于在将来的停车期间中进行已学习模型的再学习的学习计划。

发明的效果

根据本发明的该技术方案，能够在搭载于车辆的控制装置的有限的运算资源中通过该控制装置适当地实施神经网络的再学习。

附图说明

图1是搭载于车辆的内燃机的概略构成图。

图2是ECU的处理部的功能框图。

图3是表示神经网络的一个例子的图。

图4是表示神经网络的一个例子的图。

图5是表示将为了进行神经网络的再学习所需的步骤分割为多个步骤的情况下的一个例子的图。

图6是对本发明的一实施方式涉及的学习计划的制作方法进行说明的图。

图7是对由ECU实施的本发明的一实施方式涉及的各步骤的处理时间算出控制进行说明的流程图。

图8是对由ECU实施的本发明的一实施方式涉及的学习计划制作控制进行说明的流程图。

图9是对由ECU实施的按照本发明的一实施方式涉及的学习计划的学习控制进行说明的流程图。

标号说明

1 内燃机(控制部件)

61 ECU(控制装置)

84 学习部

85 停车期间预测部

86 学习计划制作部

具体实施方式

以下，参照附图对本发明的一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相同的参照标号。

《内燃机的说明》

首先，参照图1对使用实施方式涉及的控制装置的内燃机1的构成进行说明。图1是搭载于车辆的内燃机1的概略构成图。如图1所示，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、排气气体再循环(EGR)系统50以及控制系统60。

内燃机主体10具备形成有多个气缸11的气缸体、形成有进气端口以及排气端口的气缸盖、以及曲轴箱。在各气缸11内配置有活塞，并且，各气缸11与进气端口以及排气端口连通。

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经由共轨22以及燃料供给管23与燃料箱25连结。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。因此，燃料泵24作为控制向燃料喷射阀21供给的燃料的压力的燃压控制装置发挥功能。此外，燃料喷射阀21也可以构成为向进气端口内喷射燃料。

进气系统30具备进气歧管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。各气缸11的进气端口经由进气歧管31以及进气管32与空气滤清器33连通。在进气管32内设有对在进气管32内流通的吸入空气进行压缩来排出的涡轮增压器5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通过节气门驱动致动器37被使得转动，改变进气通路的开口面积。

排气系统40具备排气歧管41、排气管42、涡轮增压器5的涡轮43以及微粒过滤器(以下简称为“过滤器”)44。各气缸11的排气端口经由排气歧管41以及排气管42与过滤器44连通。在排气管42设有利用排气的能量被使得旋转驱动的涡轮增压器5的涡轮43。当涡轮增压器5的涡轮43被使得旋转驱动时，与此相伴，压缩机34进行旋转，吸入空气被压缩。在本实施方式中，在涡轮增压器5的涡轮43设有可变喷嘴。通过改变可变喷嘴的开度，能够改变涡轮43的转速。因此，通过控制可变喷嘴的开度，能够控制增压压力。

过滤器44捕集排气中的微粒子。此外，只要是用于在将排气净化之后将其向外部气体中排出的装置，排气系统40也可以代替过滤器44或者在过滤器44之外具备其他排气净化装置。这样的排气净化装置例如包括三元催化剂、对排气气体中的NOx进行还原净化的选择还原型NOx催化剂、NOx吸藏还原催化剂、氧化催化剂等。

EGR系统50向进气通路供给从内燃机主体10排出的排气气体的一部分。EGR系统50具备EGR管51、EGR控制阀52、EGR冷却器53。EGR管51与排气歧管41和进气歧管31连结，使它们彼此连通。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。而且，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向进气歧管31回流的EGR气体的流量被调整，其结果，EGR率变化。此外，EGR率是EGR气体量相对于供给到燃烧室内的全部气体量(新气量与EGR气体量的合计)的比例。

此外，在本实施方式中，作为提高进气的压力的增压器，使用涡轮增压器5。然而，只要能够提高进气的压力，也可以使用电动压缩机、机械式增压器等其他增压器。

控制系统60具备作为控制装置的电子控制单元(以下称为“ECU”)61以及各种传感器。ECU61由数字计算机构成，具备经由双向性总线62相互连接的存储部63、具备CPU(微处理器)的处理部64、输入端口65以及输出端口66。存储部63具备易失性存储器(例如RAM)以及非易失性存储器(例如ROM)，存储在处理部64中执行的程序和/或各种数据。

在进气管32中，在涡轮增压器5的压缩机34的进气流方向上游侧，设有检测在进气管32内流动的空气的流量的空气流量计71。在节气门36设有用于检测其开度(节气门开度)的节气门开度传感器72。在进气歧管31内设有检测进气歧管31内的进气气体的压力(增压压力)的压力传感器(以下称为“增压压力传感器”)73。另外，在共轨22设有检测共轨22内的燃料的压力、即向燃料喷射阀21供给的燃料的压力的压力传感器(以下称为“燃压传感器”)74。在排气歧管41或者排气管42设有检测从内燃机主体10排出的排气中的NOx浓度的NOx传感器75。这些空气流量计71、节气门开度传感器72、增压压力传感器73、燃压传感器74以及NOx传感器75的输出经由所对应的AD转换器67被输入到输入端口65。

另外，在输入端口65输入从启动开关76输出的车辆的启动信号以及停止信号。并且，在加速踏板77连接有产生与加速踏板77的踏入量成比例的输出电压的负荷传感器78，负荷传感器78的输出电压经由所对应的AD转换器67被输入到输入端口65。因此，在本实施方式中，加速踏板77的踏入量被作为内燃机负荷来使用。曲轴转角传感器79每当内燃机主体10的曲轴例如旋转10度时产生输出脉冲，该输出脉冲被输入到输入端口65。在处理部64中，根据该曲轴转角传感器79的输出脉冲来计算内燃机转速。

另一方面，ECU61的输出端口66经由所对应的驱动电路68与控制内燃机1的运转的各致动器连接。在图1所示的例子中，输出端口66与涡轮增压器5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从输出端口66输出控制这些致动器的控制信号，控制内燃机1的运转。

图2是ECU61的处理部64的功能框图。如图2所示，本实施方式涉及的ECU61的处理部64具备参数值取得部81、运算部82、控制部83、学习部84、停车期间预测部85以及学习计划制作部86。

参数值取得部81取得表示内燃机1的运转状态的输入参数的值。具体而言，参数值取得部81经由ECU61的输入端口65取得前述的各种传感器等的输出来作为表示内燃机1的运转状态的输入参数的值。另外，参数值取得部81取得从ECU61向燃料喷射阀21的指令值等来作为表示内燃机1的运转状态的输入参数的值。

当被输入输入参数的值时，运算部82使用利用了具备多个输入层、隐层、输出层的神经网络的模型，算出表示内燃机1的性能的输出参数的值。以下，以运算部82的输出参数为排气中的NOx浓度的情况为例进行说明，运算部82的输出参数可以为排气中的其他物质的浓度、内燃机1的输出转矩、内燃机1的燃料经济性等各种各样的参数。或者，运算部82的输出参数也可以是用于控制内燃机1的参数(例如可否进行燃料切断控制的判定等)。

控制部83基于由运算部82算出的输出参数的值，控制内燃机1的运转。例如，当由运算部82算出的NOx浓度的预测值比目标浓度高时，为了使NOx浓度降低，进行修正以使得EGR控制阀52的目标开度变大。另一方面，在由运算部82算出的NOx浓度的预测值比目标浓度低时，为了使NOx浓度上升，进行修正以使得EGR控制阀52的目标开度变小。

学习部84按照由学习计划制作部86制作的学习计划，进行在运算部82中算出输出参数的值时所使用的神经网络的学习(再学习)。关于在学习部84中进行的具体的学习方法，将在后面进行描述。

停车期间预测部85例如根据车辆过去的行驶历史记录信息，预测车辆将来的停车期间。在本实施方式中，停车期间预测部85使经由ECU61的输入端口65过去取得的车辆的启动信号以及停止信号的日期时间和/或星期等信息作为过去的行驶历史记录信息存储于存储部63，基于该存储的过去的行驶历史记录信息，预测车辆将来的停车期间(从接收到车辆的停止信号到接下来接收到车辆的启动信号为止的期间)。

学习计划制作部86基于在停车期间预测部85中预测的停车期间的预测结果，制作用于进行神经网络的学习(再学习)的学习计划。

《神经网络的概要》

如前所述，本实施方式的ECU61的处理部64使用利用了神经网络的已学习模型，算出表示内燃机1的性能的各种参数(输出参数)的值。以下，参照图3对在运算部82中使用的神经网络进行说明。

图3示出神经网络的一个例子。图3中的圆标记表示人工神经元，在神经网络中，该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。另外，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。此外，隐层的层数可以为一层或者任意层数，输入层的节点的数量以及隐层的节点的数量也可以为任意的个数。此外，在本实施方式中，输出层的节点的数量为1个。

在输入层的各节点，其输入被直接输出。另一方面，在隐层(L＝2)的各节点被输入输入层的各节点的输出值x₁以及x₂，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，在图3中，在由隐层(L＝2)的z_k ^(L＝2)(k＝1、2、3)表示的节点算出的总输入值u_k ^(L＝2)成为如下式(M是输入层的节点的数量)。

接着，该总输入值u_k ^(L＝2)通过激活函数f被进行变换，从隐层(L＝2)的由z_k ^(L＝2)表示的节点，作为输出值z_k ^(L＝2)(＝f(u_k ^(L＝2)))被进行输出。另一方面，在隐层(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同样通过激活函数被进行变换，从隐层(L＝3)的各节点，作为输出值z₁ ^(L＝3)、z₂ ^(L＝3)被进行输出，此外，在本实施方式中，作为该激活函数，使用S型(sigmoid)函数σ。

另一方面，在输出层(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)。在本实施方式中，在输出层的节点，作为激活函数而使用恒等函数，因此，在输出层的节点算出的总输入值u被直接作为输出值y来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，学习神经网络内中的各权重w的值以及偏置b的值。该误差反向传播法是周知，因此，以下对误差反向传播法的概要进行简单的说明。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。另外，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的各层的节点的输入值u^(L)的权重时，误差函数E对权重w^(L)的微分、即斜度

可改写为由如下式(1)表示。

在此，

因此，当

时，上述式(1)可以由如下式(2)表示。

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，δ^(L)可以由如下式(3)表示(K是L+1层的节点的数量)。

在此，当表示为z^(L)＝f(u^(L))时，上述式(3)的右边出现的输入值u_k ^(L+1)可以由如下式(4)表示。

在此，上述式(3)右边第1项

是δ^(L+1)，上述式(3)右边第2项

可以由如下式(5)表示。

因此，δ^(L)由如下式(6)表示。

即，

即，当求出δ^(L+1)时，则能够求出δ^(L)。

另外，求出包含某输入值x以及相对于该输入值x的输出的正解数据y_t的训练数据，当相对于该输入值的从输出层的输出值为y时，使用平方误差作为误差函数的情况下，平方误差E由E＝1/2(y－y_t)²来求出。在该情况下，在图4的输出层(L＝4)的节点，输出值y＝f(u^(L))，因此，在该情况下，输出层(L＝4)的节点处的δ^(L)的值成为由如下式(7)表示。

另外，在本实施方式中，如前所述，f(u^(L))是恒等函数，f’(u^(Ll))＝1。因此，δ^(L)＝y－y_t，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，关于各权重w，根据上式(2)求出误差函数E的微分、即斜度

当求出斜度

后，使用该斜度

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的值的学习。

《具体的模型的例子》

接着，参照图4对使用了神经网络的具体的模型的例子进行说明。图4是表示在运算部82中使用的神经网络的一个例子的图。

图4所示的神经网络具有输入层(L＝1)、两个隐层(L＝2、3)以及输出层(L＝4)。另外，在图4所示的神经网络中，输入层(L＝1)具备六个节点，输出层(L＝4)具备一个节点，隐层(L＝2、3)具备七个节点。然而，只要是3层以上的任意层数，神经网络也可以具有任何的层数。另外，各层的节点的数量也可以是任意的数量。

在本实施方式中，在输入层(L＝1)的各节点输入表示内燃机1的运转状态的特定的输入参数的值。在图5所示的例子中，作为输入参数，使用了内燃机1的转速、从燃料喷射阀21的燃料喷射量以及燃料喷射正时、向燃料喷射阀21供给的燃料的压力(燃压)、EGR率以及增压压力。

而且，在本实施方式中，输出层(L＝4)仅具有一个节点，从该节点输出一个输出参数的值(推定值)。在图4所示的例子中，作为输出参数，使用从内燃机1排出的排气中(即流入过滤器44之前的排气中)的NOx浓度。

因此，在图4所示的神经网络中，当被输入内燃机转速、燃料喷射量、燃料喷射正时、燃压、EGR率以及增压压力的当前值来作为输入参数的值时，NOx浓度的推定值(当前的推定值或者将来的推定值)被作为输出参数的值进行输出。

因此，当在内燃机1的运转期间被输入如前所述的输入参数的值时，运算部82使用利用了神经网络的模型，算出输出参数的值。具体而言，运算部82将被输入到运算部82的参数的值输入到神经网络的输入层，并且，对从神经网络的输出层输出的输出参数的值进行输出。

被输入到运算部82的各输入参数的值由参数值取得部81取得。具体而言，内燃机转速基于曲轴转角传感器79的输出来在ECU61中算出，参数值取得部81从ECU61取得这样算出的内燃机转速。燃料喷射量以及燃料喷射正时可以根据从ECU61经由输出端口向燃料喷射阀21输出的指令值来掌握，因此，参数值取得部81基于向燃料喷射阀21的指令值来取得燃料喷射量以及燃料喷射正时。燃压由燃压传感器74检测，因此，参数值取得部8基于燃压传感器74的输出值来取得燃压。

EGR率无法直接计测，因此，通过公知的方法根据与EGR率关联的各种参数的值来推定。例如，在ECU61中基于EGR控制阀52的开度、进气歧管31内的进气气体的压力、排气歧管41内的排气气体的压力等来推定。参数值取得部81从ECU61内取得这样推定的EGR率。增压压力由增压压力传感器73检测，因此，参数值取得部81基于增压压力传感器73的输出值来取得增压压力。

这样由参数值取得部81取得的各输入参数的当前的值被输入到运算部82，其结果，从运算部82输出作为输出参数的NOx浓度的推定值。

《已学习模型的再学习的必要性》

在使用利用了神经网络的已学习模型来控制的内燃机1被搭载于车辆之前，进行图4所示的神经网络的学习(即权重w的值以及偏置b的值的学习)。即，事先在各车辆的出厂前进行神经网络的学习。

当进行神经网络的学习时，制作大量的包含输入参数的实测值、和与该输入参数的实测值对应的输出参数的实测值(正解数据)的训练数据。并且，使用所制作的大量的训练数据，使用前述的误差反向传播法反复更新神经网络内的权重w以及偏置b的值，由此，权重w以及偏置b的值被进行学习，生成使用了神经网络的已学习模型。并且，这样生成的已学习模型被安装于各车辆的ECU61。

然而，在进行神经网络的学习时所制作的大量的训练数据并不是使用实际搭载于车辆的内燃机1制作的，而是例如基于通过发动机台架等使用于制作训练数据的内燃机运转而取得的数据来制作的。

并且，在实际搭载于车辆的内燃机1与为了制作训练数据而使用的内燃机之间，虽然处于容许范围内，但其性能存在某种程度的个体差异。另外，也认为由于历时劣化等，内燃机1的性能会从车辆搭载时的初始性能发生变化。

因此，可以说为了使使用了神经网络的已学习模型的推定精度提高，优选在内燃机1搭载于车辆之后，与内燃机1的性能相匹配地使已学习模型、进而神经网络个别地进行再学习。

于是，在本实施方式中，使得能够在ECU61的处理部64中进行神经网络的再学习。具体而言，在车辆出厂(交车)后的车辆的行驶期间中，使由参数值取得部81取得的输入参数的值和与该输入参数的值对应的输出参数的值相关联地存储于存储部63，基于存储于存储部63的这些数据制作训练数据。并且，使得能够使用这样在车辆的出厂后制作的训练数据，在学习部84中通过前述的误差反向传播法进行神经网络的再学习。此外，例如若是进行图4所示的神经网络的再学习的情况，则输出参数的值可以使用由NOx传感器75检测到的值。

《进行已学习模型的再学习时的问题》

当神经网络的再学习时，在对神经网络进行再学习时使用的训练数据的个数(数据量)越多，则越能够使再学习后的已学习模型的推定精度提高。然而，在对神经网络进行再学习时使用的训练数据的个数越多，ECU61的运算负荷越高，并且，神经网络的再学习所需要的时间也越长。

因此，在车辆运转的行驶期间中，能够在神经网络的再学习中利用的ECU61的运算资源是有限的，所以存在如下问题：难以通过搭载于车辆的ECU61在车辆的行驶期间中实时地与其他控制并行进行神经网络的再学习。要使得能够在车辆的运转期间实时地进行神经网络的再学习，需要处理能力高的处理器等，因此，会导致成本增加。

于是，例如考虑不是在车辆的行驶期间中，而是在车辆的停车期间(从启动开关76被设为断开状态后到被设为导通状态为止的期间)实施神经网络的再学习。这是因为，若如此在车辆的停车期间中实施神经网络的再学习，则能够将ECU61的运算资源的大部分利用于神经网络的再学习。

然而，即使是在车辆的停车期间中实施了神经网络的再学习，当停车期间短时，也无法在停车期间中完成神经网络的再学习，有可能无法适当地实施神经网络的再学习。

于是，在本实施方式中为：根据过去的行驶历史记录信息预测将来的停车期间，基于该将来的停车期间的预测结果，制作用于进行神经网络的再学习的学习计划。

具体而言，首先将为了进行神经网络的再学习所需要的步骤例如如图5所示那样分割为多个步骤，算出各步骤所需要的处理时间。此外，在本实施方式中，将为了进行神经网络的再学习所需要的步骤分割为从第1步骤到第5步骤为止的5个步骤。

第1步骤是用于处理部64在车辆出厂(交车)后的车辆的行驶期间中读入使由参数值取得部81取得的输入参数的值和与该输入参数的值对应的输出参数的值相关联地存储于存储部63中的数据的步骤。第2步骤是用于针对在第1步骤中读入的各数据例如实施平均化处理和/或过滤处理等用于除去噪声的加工处理的步骤。第3步骤是用于根据在第2步骤中实施了加工处理的数据制作使输入参数的值和与该输入参数的值对应的输出参数的值关联了的训练数据的步骤。第4步骤是使用在第3步骤中制作的训练数据，通过前述的误差反向传播法实际地执行神经网络的再学习的步骤。第5步骤是将在第4步骤中进行再学习之前的已学习模型置换为在第4步骤中进行了再学习之后的已学习模型的步骤。

并且，如图6所示，设为：根据过去的行驶历史记录信息预测将来的停车期间，并且，制作如下的学习计划，即从近的将来的停车期间开始按顺序，基于各停车期间的时间长度和各步骤的处理时间，将能够在各停车期间完成的步骤从上游的步骤开始依次分配给各停车期间。并且，设为：基于所制作的学习计划，在车辆的停车期间中执行神经网络的再学习。此外，在图6中，示出将来的三天的停车期间，但当然也可以在确保某种程度的停车期间的预测精度的范围内使进行预测的范围增减。

《各步骤的处理时间算出控制》

图7是对由ECU61实施的本实施方式的各步骤的处理时间算出控制进行说明的流程图。ECU61例如在行驶了预定距离时、为了制作训练数据而存储于存储部63的数据的数据量成为了预定量以上时等的能够判定为已取得了神经网络的再学习所需的足够的训练数据、即能够使利用了神经网络的已学习模型的预测精度提高的量的训练数据的预定的定时实施本例程。

在步骤S1中，ECU61将步骤编号i(i＝1～n：在本实施方式中，将为了进行使用了神经网络的已学习模型的再学习所需要的步骤分割为5个步骤，因此，n的值成为5)设定为1。

在步骤S2中，ECU61算出第i步骤所需的处理时间Ti。各步骤所需的处理时间基本上与在第1步骤中读入的数据量具有相关关系，具有该数据量越多则该处理时间越长的倾向。因此，在本实施方式中，预先通过实验等求出数据量与各步骤的处理时间之间的关系，参照对该关系进行了映射化后的结果算出各步骤的处理时间。

在步骤S3中，ECU61在步骤编号i加上1，更新步骤编号i。

在步骤S4中，ECU61判定全部步骤的处理时间的算出是否完成。在本实施方式中，若步骤编号i为n+1(在本实施方式中为6)，则ECU61判定为全部步骤的处理时间的算出完成。若全部步骤的处理时间的算出完成，则ECU61使本次的处理结束。另一方面，若全部步骤的处理时间的算出未完成，则ECU61返回步骤S2的处理。

《学习计划制作控制》

图8是对由ECU61实施的本实施方式的学习计划制作控制进行说明的流程图。ECU61例如在前述的各步骤的处理时间算出控制结束的定时实施本例程。

在步骤S11中，如图6所示，ECU61读入根据过去的行驶历史记录信息预测的将来的多天的停车期间的预测结果，从近的将来的停车期间开始按顺序设定停车期间编号p(1～m：在图6所示的例子中为m＝7)。

在步骤S12中，ECU61将步骤编号i以及停车期间编号p分别设定为1。

在步骤S13中，ECU61根据图6所示的停车期间的预测结果算出第p停车期间的时间长度Tp。

在步骤S14中，ECU61判定在第p停车期间中是否存在进行第i步骤的时间上的余裕。在本实施方式中，ECU61判定第p停车期间的时间长度Tp是否小于第i步骤的处理时间Ti，若第p停车期间的时间长度Tp为第i步骤的处理时间Ti以上，则判定为在第p停车期间中存在进行第i步骤的时间上的余裕。

ECU61在第p停车期间的时间长度Tp小于第i步骤的处理时间Ti的情况下，即当在第p停车期间中进行第i步骤时第p停车期间可能会在完成第i步骤的处理之前结束的情况下，判定为在第p停车期间中没有进行第i步骤的时间上的余裕，进入步骤S15的处理。另一方面，ECU61在第p停车期间的时间长度Tp为第i步骤的处理时间Ti以上的情况下，即若在第p停车期间中进行第i步骤则在第p停车期间结束前能完成第i步骤的处理的可能性高的情况下，判定为在第p停车期间中有进行第i步骤的时间上的余裕，进入步骤S17的处理。

在步骤S15中，ECU61在停车期间编号p加上1，更新停车期间编号p。

在步骤S16中，若停车期间编号p为m+1，ECU61使本次的处理结束。另一方面，若停车期间编号p不为m+1，则ECU61返回步骤S13的处理。

在步骤S17中，ECU61制作在第p停车期间分配了第i步骤的处理的学习计划。即，ECU61制作在第p停车期间实施第i步骤的处理的学习计划。

在步骤S18中，ECU61从第p停车期间的时间长度Tp减去第i步骤的处理时间Ti，更新第p停车期间的时间长度Tp。即，ECU61算出在第p停车期间实施了第i步骤的情况下剩余何种程度的用于实施下一步骤(第i+1步骤)的时间。

在步骤S19中，ECU61在步骤编号i加上1，更新步骤编号i。

在步骤S20中，若步骤编号i为n+1，则ECU61结束本次的处理。另一方面，若步骤编号i不为n+1，则ECU61返回步骤S14的处理。

《按照学习计划的学习控制》

图9是对由ECU61实施的按照本实施方式涉及的学习计划的学习控制进行说明的流程图。ECU61例如以预定的运算周期反复实施本例程。

在步骤S31中，ECU61判定是否为车辆的停车期间、即是否处于从启动开关76接收到车辆的停止信号后尚未接收到启动信号的状态。若是车辆的停车期间，则ECU61进入步骤S32的处理。另一方面，若不是车辆的停车期间，则ECU61结束本次的处理。

在步骤S32中，ECU61基于当前的日期时间，确定当前的停车期间的停车期间编号p。

在步骤S33中，ECU61判定在各步骤中是否存在分配给当前的停车期间的步骤。在存在分配给当前的停车期间的步骤的情况下，ECU61进入步骤S34的处理。另一方面，在没有分配给当前的停车期间的步骤的情况下，ECU61结束本次的处理。

在步骤S34中，ECU61执行分配给当前的停车期间的步骤的处理。此时，ECU61在有多个分配给当前的停车期间的步骤的情况下，从步骤编号小的步骤开始按顺序执行处理。

根据以上说明的本实施方式，构成为：搭载于车辆的ECU61(控制装置)具备预测车辆将来的停车期间的停车期间预测部85、和基于将来的停车期间的预测结果制作用于在将来的停车期间中进行已学习模型的再学习的学习计划的学习计划制作部86，该车辆的例如内燃机1等的至少一个控制部件基于通过向使用了神经网络的已学习模型输入输入参数而得到的输出参数而被控制。

这样根据本实施方式，基于将来的停车期间的预测结果制作学习计划，因此，能够在车辆的停车期间中实施了神经网络的再学习的情况下，抑制停车期间在神经网络的再学习完成之前结束那样的事态的发生。因此，能在车辆的停车期间中适当地实施神经网络的再学习。另外，通过在车辆的停车期间中进行神经网络的再学习，能够将ECU61的运算资源的大部分利用于神经网络的再学习，因此，能够有效地活用ECU61的有限的运算资源。

特别是根据本实施方式，构成为：为了进行已学习模型的再学习所需要的步骤被预先分割为多个步骤，学习计划制作部86基于将来的停车期间的时间长度和多个步骤各自的处理时间，从将来的停车期间中的近的将来的停车期间开始按顺序，将能够在该停车期间内完成的步骤从多个步骤中的上游的步骤开始依次分配下去，由此制作学习计划。

因此，能够从近的将来的停车期间开始按顺序，将能够在各停车期间完成的步骤从上游的步骤开始按顺序分配给各停车期间，因此，能够对各停车期间分配适当的长度的处理时间的步骤。进一步，能够在车辆的停车期间中实施了神经网络的再学习的情况下，更进一步抑制停车期间在神经网络的再学习完成前结束那样的事态的发生。

此外，将来的停车期间的时间长度例如可以基于将来的停车期间的预测结果来算出。另外，多个步骤各自的处理时间例如可以基于在已学习模型的再学习时使用的数据的数据量来算出。

另外，在本实施方式中，多个步骤中的一个步骤是使用训练数据实际执行已学习模型的再学习的第4步骤(再学习步骤)，该第4步骤具有在各步骤中处理时间最长的倾向。因此，学习计划制作部86对将来的停车期间的时间长度为某一定以上的长度的停车期间分配第4步骤。

另外，本实施方式涉及的ECU61(控制装置)构成为还具备按照学习计划进行已学习模型的再学习的学习部84。具体而言，学习部84构成为，判断当前的停车期间是否为由停车期间预测部85预测到的将来的停车期间的某一停车期间，在当前的停车期间存在由学习计划制作部86分配的步骤的情况下，实施该步骤的处理。

由此，能够按照学习计划，在车辆的停车期间中适当地实施为了神经网络的再学习所需要的各步骤。

以上，对本发明的实施方式进行了说明，但上述实施方式不过表示本发明的应用例的一部分，并不是意在将本发明的技术范围限定为上述实施方式的具体构成。

例如在上述的实施方式中，也可以为：在第4步骤中对神经网络的一部分(例如多个隐层中的上层的隐层)进行再学习，在第5步骤中，将在第4步骤中执行再学习之前的已学习模型置换为在第4步骤中部分地再学习后的已学习模型。

另外，上述的实施方式中，将为了神经网络的再学习所需要的步骤分割为多个步骤。然而，也可以为，不对为了进行神经网络的再学习所需要的步骤进行分割，制作使得在能够使第1步骤～第5步骤的处理全部完成的将来的停车期间中实施全部处理的学习计划。

在此，为了使第1步骤～第5步骤的全部处理完成所需要的时间虽然根据为了制作训练数据而存储于存储部63的数据的数据量变化，但能够使存储部63存储的数据量存在上限。因此，能够预先掌握为了使第1步骤～第5步骤的全部处理完成所需要的时间的上限值。

因此，能够对具有比为了使第1步骤～第5步骤的全部处理完成所需要的时间的上限值长的时间长度的将来的停车期间分配全部处理，由此，制作如上所述的学习计划。即，在该情况下，可以说学习计划制作部86基于将来的停车期间的预测结果算出将来的停车期间的时间长度，制作学习计划以使得在具有能够使已学习模型的再学习完成的时间长度的将来的停车期间中进行已学习模型的再学习。

另外，在上述的实施方式中，将为了进行神经网络的再学习所需要的步骤分割为第1步骤～第5步骤这五个步骤，制作了使得这些各步骤的处理在停车期间中实施的学习计划。然而，也可以：例如关于比使用训练数据实际执行已学习模型的再学习的第4步骤靠上游的第1步骤～第3步骤的处理，运算负荷比较轻，因此，不是在车辆的停车期间而是在车辆的行驶期间中预先实施。并且，也可以制作使得第4步骤以及第5步骤的处理在停车期间中实施的学习计划。

另外，在上述的实施方式中，作为基于通过对使用了神经网络的模型输入输入参数而得到的输出参数控制的控制部件，以内燃机1为例进行了说明，但控制部件并不限于内燃机1。例如若是混合动力车辆，也可以为，基于通过对使用了神经网络的模型输入输入参数而得到的输出参数，对内燃机1以及行驶马达中的一方或者双方进行控制。另外，若是电动汽车，也可以为基于通过对使用了神经网络的模型输入输入参数而得到的输出参数来控制行驶马达，另外，若是燃料电池汽车，也可以为基于通过对使用了神经网络的模型输入输入参数而得到的输出参数来控制燃料电池。

Claims

1.一种控制装置，搭载于车辆，所述车辆的至少一个控制部件基于通过将输入参数输入到使用了神经网络的已学习模型而得到的输出参数而被控制，具备：

停车期间预测部，其预测所述车辆的将来的停车期间；和

学习计划制作部，其基于所述将来的停车期间的预测结果，制作用于在所述将来的停车期间中进行所述已学习模型的再学习的学习计划。

2.根据权利要求1所述的控制装置，

所述学习计划制作部，

基于所述将来的停车期间的预测结果算出所述将来的停车期间的时间长度，

制作所述学习计划，以使得在具有能够使所述已学习模型的再学习完成的时间长度的所述将来的停车期间进行所述已学习模型的再学习。

3.根据权利要求1所述的控制装置，

为了进行所述已学习模型的再学习所需要的步骤预先被分割为多个步骤，

所述学习计划制作部基于所述将来的停车期间的时间长度和所述多个步骤各自的处理时间，从所述将来的停车期间中的近的将来的停车期间开始按顺序，将能够在该停车期间内完成的步骤从所述多个步骤中的上游的步骤开始依次分配下去，由此制作所述学习计划。

4.根据权利要求3所述的控制装置，

基于所述将来的停车期间的预测结果，算出所述将来的停车期间的时间长度，

基于在所述已学习模型的再学习时使用的数据的数据量，算出所述多个步骤各自的处理时间。

5.根据权利要求1～4中任一项所述的控制装置，

还具备按照所述学习计划进行所述已学习模型的再学习的学习部。

6.根据权利要求3或者4所述的控制装置，

还具备按照所述学习计划进行所述已学习模型的再学习的学习部，

所述学习部，

判断当前的停车期间是否为由所述停车期间预测部预测到的所述将来的停车期间的某个停车期间，

在当前的停车期间存在由所述学习计划制作部分配的步骤的情况下，实施该步骤的处理。

7.根据权利要求3、4或者6所述的控制装置，

所述多个步骤中的一个步骤是使用训练数据实际执行所述已学习模型的再学习的再学习步骤，

所述学习计划制作部对所述将来的停车期间的时间长度为预定长度以上的停车期间分配所述再学习步骤。