CN111520241A - 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置 - Google Patents

内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置 Download PDF

Info

Publication number
CN111520241A
CN111520241A CN201911326104.0A CN201911326104A CN111520241A CN 111520241 A CN111520241 A CN 111520241A CN 201911326104 A CN201911326104 A CN 201911326104A CN 111520241 A CN111520241 A CN 111520241A
Authority
CN
China
Prior art keywords
neural network
input
input parameters
network model
output
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.)
Granted
Application number
CN201911326104.0A
Other languages
English (en)
Other versions
CN111520241B (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 CN111520241A publication Critical patent/CN111520241A/zh
Application granted granted Critical
Publication of CN111520241B publication Critical patent/CN111520241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/02—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving vehicles; peculiar to engines driving variable pitch propellers
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system

Landscapes

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

Abstract

本发明涉及内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置。所述内燃机的控制装置包括：参数获取单元，其获取多个输入参数；计算单元，其使用神经网络模型计算至少一个输出参数；以及控制器，其控制内燃机。该神经网络模型包括多个神经网络单元和输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。

Description

内燃机控制装置和方法、车载电控单元和制造方法、机器学习 系统及输出参数计算装置
技术领域
本公开涉及内燃机的控制装置、车载电子控制单元、机器学习系统、内燃机的控制方法、电子控制单元的制造方法以及输出参数计算装置。
背景技术
现有技术公开了使用包括输入层、隐藏层(中间层)和输出层的神经网络模型基于预定输入参数来计算预定输出参数(例如，日本未审专利申请公开No.2011-054200(JP2011-054200 A))。
发明内容
在神经网络模型中，与输出参数相关的参数被用作要输入到输入层的输入参数。基本上，因为随着输入参数的数目越大，用于计算输出参数的信息量也越大，因此改进输出参数的计算精度。
然而，并非可以获取所有类型的输入参数。因此，期望在输入参数的种类有限的情况下改进输出参数的计算精度。
本公开提供了内燃机的控制装置、车载电子控制单元、机器学习系统、内燃机的控制方法、电子控制单元的制造方法以及输出参数计算装置，当使用神经网络模型基于输入参数计算输出参数时，在没有增加输入参数的类型的情况下其改进输出参数的计算精度。
本公开的要旨如下。
本公开的第一方面涉及一种内燃机的控制装置，该内燃机的控制装置包括参数获取单元，该参数获取单元被配置成获取多个输入参数；计算单元，该计算单元被配置成基于使用神经网络模型通过参数获取单元所获取的输入参数来计算至少一个输出参数；以及控制器，该控制器被配置成基于由计算单元计算的至少一个输出参数来控制内燃机。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
在本公开的第一方面中，输入参数的数目可以是n。神经网络模型可以包括从输入参数中选择的输入参数的nCk个组合被输入的nCk个神经网络单元，其中n可以是三个或更多，并且k可以是2到n-1。
本公开的第一方面可以进一步包括学习单元，该学习单元被配置成在安装有内燃机的车辆中执行神经网络模型的学习。参数获取单元可以被配置成获取输入参数和至少一个输出参数。学习单元可以被配置成使用训练数据集来执行神经网络模型的学习，该训练数据集包括由参数获取单元获取的输入参数和至少一个输出参数的组合。
本公开的第二方面涉及一种车载电子控制单元，该车载电子控制单元包括，参数获取单元，该参数获取单元被配置成获取多个输入参数；以及计算单元，该计算单元被配置成基于使用从车辆外部的服务器发送到车辆的神经网络模型由参数获取单元获取的输入参数来计算至少一个输出参数。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
本公开的第三方面涉及一种机器学习系统，该机器学习系统包括电子控制单元，该电子控制单元被设置在车辆中；通信装置，该通信装置被设置在车辆中；以及车辆外部的服务器。电子控制单元包括参数获取单元，该参数获取单元被配置成获取多个输入参数和至少一个输出参数，并且通过通信装置将输入参数和至少一个输出参数发送给服务器；以及计算单元，该计算单元被配置成基于使用从服务器发送的神经网络模型通过参数获取单元获取的输入参数计算至少一个输出参数。服务器被配置成使用训练数据集执行神经网络模型的学习，该训练数据集包括由参数获取单元获取的输入参数和至少一个输出参数的组合。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
本公开的第四方面涉及一种内燃机的控制方法，该内燃机的控制方法包括：获取多个输入参数；使用神经网络模型基于输入参数来计算至少一个输出参数；以及基于至少一个输出参数控制内燃机。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
本公开的第五方面涉及一种电子控制单元的制造方法，其包括使用训练数据集执行神经网络模型的学习，该训练数据集包括多个输入参数的测量值和对应于测量值的至少一个输入参数的测量值的组合，并将神经网络模型安装在电子控制单元中。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
本公开的第六方面涉及一种输出参数计算装置，包括，参数获取单元，该参数获取单元被配置成获取多个输入参数；以及计算单元，该计算单元被配置成基于使用神经网络模型由参数获取单元获取的输入参数来计算至少一个输出参数。该神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于输入参数的数目。
根据本公开的每个方面，当使用神经网络模型基于输入参数来计算输出参数时，可以在不增加输入参数的类型的情况下改进输出参数的计算精度。
附图说明
下面将参考附图描述本发明的示例性实施例的特征、优点以及技术和工业意义，其中相同的附图标记表示相同的元件，并且其中：
图1是示意性地示出采用第一实施例的内燃机的控制装置的内燃机的图。
图2是第一实施例的电子控制单元(ECU)的功能框图。
图3是示出具有简单配置的神经网络的示例的图。
图4是示出根据第一实施例的神经网络的示例的图。
图5是示出根据第一实施例的神经网络的示例的图。
图6是示出神经网络模型的自由度与输出参数的确定系数之间的关系的曲线图。
图7是示意地示出根据实施例的第一神经网络模型的配置的图。
图8是示出用于学习神经网络模型的训练数据集的数目与输出参数的确定系数之间的关系的曲线图。
图9是根据第一实施例的用于控制内燃机的控制例程的流程图。
图10是示意性地示出根据第二实施例的机器学习系统的图；以及
图11是根据第四实施例的ECU的功能框图。
具体实施方式
在下文中，将参考附图详细描述本公开的实施例。在下面的描述中，将相同的附图标记分配给相似的组件。
第一实施例
首先，将参考图1至图9描述本公开的第一实施例。
整个内燃机的说明
图1是示意性地示出根据第一实施例的内燃机的控制装置所采用的内燃机的图。图1所示的内燃机1是压缩自燃式内燃机(柴油发动机)，并且被安装在车辆上。
内燃机1包括发动机主体10、燃料供应装置20、进气系统30、排气系统40和排气再循环(EGR)系统50。发动机主体10包括气缸体，其中形成有多个气缸11；气缸盖，其中形成进气口和排气口；以及曲轴箱。在该实施例中，气缸11的数目是四个。在每个气缸11中布置有活塞，并且每个气缸11与进气口和排气口连通。汽缸盖设置有被配置成打开和关闭进气口的进气门和被配置成打开和关闭排气口的排气门。
燃料供应装置20包括燃料喷射阀21、共轨22、燃料供应管23、燃料泵24和燃料箱25。燃料喷射阀21通过共轨22和燃料供应管23与燃料箱25连接。燃料喷射阀21布置在气缸盖上，以便将燃料直接喷射到每个气缸11的燃烧室中。燃料喷射阀21是所谓的缸内燃料喷射阀。在燃料供应管23中布置有压力馈送燃料箱25中的燃料的燃料泵24。由燃料泵24压力馈送的燃料通过燃料供应管23被供应到共轨22并从燃料喷射阀21直接喷射到每个气缸11的燃烧室。通过改变燃料泵24的输出来调节共轨22中的燃料压力。
在内燃机1中，通过燃料喷射阀21执行所谓的多级喷射。具体地，在一个循环中执行两次先导喷射(第一先导喷射和第二先导喷射)和一次主喷射。
进气系统30包括进气口、进气歧管31、进气管32、空气净化器33、涡轮增压器5的压缩机34、中间冷却器35和节流阀36。进气口、进气歧管31和进气管32形成将空气引导到气缸11中的进气通道。
每个气缸11的进气口通过进气歧管31和进气管32与空气净化器33连通。压缩机34压缩和排放流经进气管32的进气和用于冷却由压缩机34压缩的空气的中间冷却器35被设置在进气管32中。节流阀36可以通过节流阀驱动致动器37旋转以改变进气通道的开口面积。
排气系统40包括排气口、排气歧管41、排气管42、涡轮增压器5的涡轮43和柴油机微粒过滤器(DPF)44。排气口、排气歧管41和排气管42形成排气通道，用于排放在燃烧室内由空气燃料混合气燃烧产生的排气。
每个气缸11的排气口通过排气歧管41和排气管42与DPF 44连通。排气管42被设置有涡轮43，该涡轮43由排气的能量可旋转地驱动。当涡轮43被可旋转地驱动时，压缩机34随着旋转而旋转，并且因此进气被压缩。在该实施例中，涡轮43设置有可变喷嘴。当可变喷嘴的开度改变时，要供应给涡轮43的涡轮叶片的排气的流速改变。结果，涡轮43的转速改变。
DPF 44收集排气中的颗粒物质(PM)。排气系统40可以包括代替DPF 44或除了DPF44之外的另一排气控制装置。另一排气控制装置的示例是选择性还原型NOx还原催化剂(选择性催化还原(SCR)催化剂)、NOx存储还原催化剂和氧化催化剂。
EGR系统50将从发动机主体10排放至排气通路的一部分排气供给至进气通路。EGR系统50包括EGR管51、EGR控制阀52和EGR冷却器53。EGR管51连接到排气歧管41和进气歧管31，并且允许排气歧管41和进气歧管31互相连通。EGR管51设置有EGR冷却器53，该EGR冷却器53冷却在EGR管51中流动的EGR气体。EGR管51设置有EGR控制阀52，该EGR控制阀52可以改变由该EGR管51形成的EGR通道的开口面积。控制EGR控制阀52的开度以调节从排气歧管41到进气歧管31再循环的EGR气体的流量。结果，EGR率改变。EGR率是EGR气体量与要供给到气缸11内的总气体量(新鲜空气量与EGR气体量之和)之比。
内燃机1的配置不限于上述配置。因此，内燃机的具体配置例如气缸布置、燃料喷射模式、进气和排气系统配置、气门机构配置、涡轮增压器配置以及是否存在涡轮增压器可能与图1中示出的配置不同。
内燃机的控制装置
被安装有内燃机1的车辆被设置有电子控制单元(ECU)61。基于内燃机1中设置的各种传感器的输出，由ECU 61执行内燃机1的各种控制。ECU 61是内燃机的控制装置的示例。在该实施例中，提供一个ECU 61，但是可以为每种功能提供多个ECU。
ECU 61由数字计算机构成，并且包括通过双向总线62彼此连接的存储器63、处理器65、输入端口66和输出端口67。存储器63包括易失性存储器(例如，RAM)和非易失性存储器(例如，ROM)，并存储由处理器65执行的程序、由处理器65执行各种处理时使用的各种数据等。
各种传感器的输出被输入到输入端口66。在该实施例中，空气流量计71、进气温度传感器72、进气压力传感器73、燃料压力传感器74和负载传感器78通过相应的模数(AD)转换器68被输入到输入端口66。
空气流量计71布置在空气净化器33和压缩机34之间的进气管32中，并测量进气管32中的空气(新鲜空气)的流量。进气温度传感器72布置在进气歧管31中并且测量进气歧管31中的进气(在实施例中为新鲜空气和EGR气体)的温度。进气压力传感器73被布置在进气歧管31中，并测量进气歧管31中的进气压力。
燃料压力传感器74被布置在共轨22上，并测量共轨22中的燃料压力，即，要供应给燃料喷射阀21的燃料压力。负载传感器78被连接到设置在车辆中的油门踏板77，并产生与油门踏板77的踩下量成比例的输出电压。处理器65基于负载传感器78的输出来计算发动机负载。
输入端口66连接到曲轴角度传感器79，该曲轴角度传感器79每次曲轴旋转例如10°时产生输出脉冲，并接收该输出脉冲。处理器65基于曲轴转角传感器79的输出来测量发动机转速。
另一方面，输出端口67通过相应的驱动电路69连接到内燃机1的各种致动器。在实施例中，输出端口67连接到涡轮43的可变喷嘴、燃料喷射阀21、燃料泵24、节流阀驱动致动器37和EGR控制阀52。ECU 61从输出端口67输出控制信号以控制各种致动器。
图2是第一实施例中的ECU 61的功能框图。在该实施例中，ECU 61包括参数获取单元81、计算单元82和控制器83。参数获取单元81、计算单元82和控制器83是当ECU 61执行存储在ECU 61的存储器63中的程序时实现的功能块。
参数获取单元81获取多个输入参数。计算单元82使用神经网络模型基于由参数获取单元81获取的输入参数来计算至少一个输出参数。控制器83基于由计算单元82计算的至少一个输出参数来控制内燃机1。
神经网络模型概述
首先，将参考图3描述神经网络模型的概述。图3是示出具有简单配置的神经网络模型的示例的图。
图3中的圆圈表示人工神经元。人工神经元通常被称为节点或单元(在本说明书中称为“节点”)。在图3中，L＝1指示输入层，L＝2和L＝3指示隐藏层，并且L＝4指示输出层。隐藏层也称为中间层。
在图3中，x1和x2指示输入层的各个节点(L＝1)和来自该节点的输出值，并且y指示输出层的节点(L＝4)和来自该节点的输出值。类似地，z1 (L＝2)、z2 (L＝2)、以及z3 (L＝2)指示隐藏层(L＝2)的各个节点和来自该节点的输出值，而z1 (L＝3)和z2 (L＝3)指示隐藏层(L＝3)的各个节点和来自该节点的输出值。
在输入层的每个节点处按原样输出输入。另一方面，将输入层的各个节点的输出值x1和x2输入到隐藏层(L＝2)的各个节点，并且使用与在隐藏层(L＝2)的各个节点处的每一个输出值相对应的权重w和偏置b来计算总输入值u。例如，在图3的隐藏层(L＝2)的zk (L＝2)(k＝1，2，3)所指示的每个节点处计算的总输入值uk (L＝2)如下面的等式所示(M是输入层中的节点数)。
[公式1]
Figure BDA0002328418000000101
接下来，总输入值uk (L＝2)由激活函数f转换，并从隐藏层(L＝2)的zk (L＝2)指示的每个节点输出，作为输出值zk (L＝2)(＝f(uk (L＝2)))。另一方面，将隐藏层(L＝2)的各个节点的输出值z1 (L＝2)、z2 (L＝2)、以及z3 (L＝2)输入到隐藏层(L＝3)的各个节点，并且使用对应于隐藏层(L＝3)的各个节点处的每个输出值的权重w和偏置b计算总输入值u(＝Σz·w+b)。总输入值u同样由激活函数进行转换，并从隐藏层(L＝3)的各个节点作为输出值z1 (L＝3)和z2 (L＝3)输出。激活函数例如是S形函数σ。
隐藏层(L＝3)的各个节点的输出值z1 (L＝3)和z2 (L＝3)被输入到输出层(L＝4)的节点。使用对应于每个输出值的权重w和偏置b计算总输入值u(Σzw+b)，并且仅使用对应于输出层的节点处的每个输出值的权重w计算总输入值u(Σz·w)。例如，在输出层的节点处将恒等函数用作激活函数。在这种情况下，在输出层的节点处计算的总输入值u被原样输出，作为来自输出层的节点的输出值y。
神经网络模型中的学习
在实施例中，使用误差反向传播方法来学习神经网络模型中的每个权重w的值和每个偏置b的值。因为误差反向传播方法是众所周知的，所以下面将简要描述误差反向传播方法的概要。因为偏置b是权重w的一种，所以在以下描述中偏置b是权重w之一。
在如图3中所示的神经网络模型中，当总输入值u(L)到L＝2、L＝3或L＝4的每一层节点的权重由w(L)表示时，误差函数E的微分由权重w(L)表示，即，梯度
Figure BDA0002328418000000111
被重写为以下等式。
[公式2]
Figure BDA0002328418000000112
在此，当
Figure BDA0002328418000000113
且
Figure BDA0002328418000000114
时，上述等式(1)被转换成下述等式。
[公式3]
Figure BDA0002328418000000115
这里，当u(L)波动时，误差函数E通过下一层的总输入值u(L+1)的变化而波动。因此，δ(L)可以由以下等式表示(K是L+1层中的节点数)。
[公式4]
Figure BDA0002328418000000116
在此，当z(L)＝f(u(L))时，上述等式(3)的右侧的总输入值uk (L+1)由下面的等式表示。
[公式5]
Figure BDA0002328418000000117
在此，上面的等式(3)的右侧的第一项
Figure BDA0002328418000000121
为
Figure BDA0002328418000000122
此外，在上面的等式(3)的右侧的第二项
Figure BDA0002328418000000123
由下面的等式表示。
[公式6]
Figure BDA0002328418000000124
因此，δ(L)由下面的等式表示。
[公式7]
Figure BDA0002328418000000125
即
Figure BDA0002328418000000126
即，当获得δ(L+1)时，可以获得δ(L)。
当执行神经网络模型的学习时，使用包括特定输入值x和与该输入值x相对应的输出值的正确答案数据yt的训练数据集。当来自与某个输入值x对应的输出层的输出值为y时，当使用平方误差作为误差函数时，误差函数E为E＝1/2(y-yt)2。在图3中的输出层(L＝4)的节点处的输出值y＝f(u(L))。因此，输出层(L＝4)的节点处的δ(L)的值由下面的等式表示。
[公式8]
Figure BDA0002328418000000127
此处，当输出层的激活函数f(u(L))为恒等函数时，f′(u(L))＝1。因此，δ(L)＝y-yt，并且获得δ(L)。
当获得δ(L)时，使用上面的等式(6)获得先前层的δ(L-1)。以这种方式，顺序地获得先前层的δ，并且使用来自于上面的等式(2)的值δ获得误差函数E相对于每个权重w的微分，即，梯度
Figure BDA0002328418000000131
当获得梯度
Figure BDA0002328418000000132
时，使用梯度
Figure BDA0002328418000000133
来更新权重w的值，使得误差函数E的值减小。即，执行神经网络模型的学习。
现有技术中的神经网络模型的问题
如上所述的神经网络模型包括一个输入层，并且与从输出层输出的输出参数(输出值)相关的不同类型的输入参数(输入值)被输入到输入层的每个节点。结果，从输入参数生成的中间状态量在中间层中被顺序地转换，并且最后输出参数被从输出层输出。
在这种神经网络模型中，基本上，因为输入参数的数目越大，用于计算输出参数的信息量越大，所以改进输出参数的计算精度。但是，并非所有类型的输入参数都可以被获取。例如，当神经网络模型的对象是内燃机1时，从燃料喷射阀21喷射的燃料的喷射密度和喷射效应的扩散会影响空气燃料混合气体的燃烧结果。然而，难以测量注射密度和注射的扩展。因此，期望在输入参数的种类有限的情况下改进输出参数的计算精度。
实施例中的神经网络模型
相反，在该实施例中，神经网络模型包括多个输入层以便增加显然的输入参数的数目。具体地，神经网络模型包括多个神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。每个神经网络单元包括一个输入层和至少一个中间层。神经网络单元具有例如相同的配置(输入层的节点数、中间层的数目以及每个中间层的节点数)。
在根据实施例的神经网络模型中，包括不同类型的输入参数的输入参数的集合被输入到输入层。在这种情况下，可以想到将输入参数的相同组合输入到输入层，以便于增加要输入到神经网络模型的输入参数的总数。但是，在这种情况下，在神经网络单元中会生成类似的中间状态量。因此，不可能增加神经网络模型的表达能力，从而不能改进输出参数的计算精度。
在根据实施例的神经网络模型中，将从输入参数中选择的输入参数的不同组合输入到神经网络单元的每个输入层，使得要输入到神经网络单元的输入参数的总数大于参数获取单元81获取的输入参数的数目。结果，在神经网络单元中生成不同的中间状态量，并且从多个中间状态量输出输出参数。因此，可以在不增加输入参数的种类的情况下，增加神经网络模型的表达能力，从而改进输出参数的计算精度。
例如，当输入参数的数目为n时，神经网络模型包括nCk个神经网络单元，从参数获取单元81获取的输入参数中选择的输入参数的nCk个组合被输入到nCk个神经网络单元中。在这种情况下，相等数目(k)的输入参数被输入到每个神经网络单元。N为3或更大，并且k为2到n-1，使得将输入参数的不同组合输入到每个神经网络单元。以这种方式，可以通过选择神经网络单元的数目和输入参数的组合来容易地产生能够产生不同的中间状态量的神经网络模型。
在下文中，将描述实施例中的神经网络模型的具体示例。在该实施例中，神经网络模型是从输入参数预测至少一个输出参数的回归模型。
图4是示出第一实施例中的神经网络模型的示例的图。在图4的示例中，要由参数获取单元81获取的输入参数的数目是三个(x1、x2和x3)。三个输入参数的类型互不相同。
如图4中所示，神经网络模型包括第一神经网络单元(在说明书中被称为“第一NN单元”)、第二神经网络单元(在说明书中被称为“第二NN单元”)、第三神经网络单元(在说明书中称为“第三NN单元”)和输出层。即，神经网络模型包括三个神经网络单元。
第一神经网络单元包括一个输入层(第一输入层)和直接或间接耦合到输入层的两个隐藏层(第一隐藏层和第二隐藏层)。从多个输入参数(x1、x2和x3)中选择的输入参数(x1和x2)的集合被输入到第一输入层。输入层的节点数等于要输入到输入层的输入参数的数目。因此，第一输入层具有两个节点。
第一隐藏层耦合到第一输入层，并且第一输入层的输出被输入到第一隐藏层。具体地，第一隐藏层的节点分别耦合到第一输入层的所有节点。因此，将第一输入层的所有节点的输出分别输入到第一隐藏层的节点。在图4的示例中，第一隐藏层具有四个节点。
第二隐藏层耦合到第一隐藏层，并且第一隐藏层的输出被输入到第二隐藏层。具体地，第二隐藏层的节点分别耦合到第一隐藏层的所有节点。因此，将第一隐藏层的所有节点的输出分别输入到第二隐藏层的节点。在图4的示例中，第二隐藏层具有四个节点。
第二神经网络单元具有与第一神经网络单元相同的配置，并且包括一个输入层(第二输入层)和直接或间接耦合到输入层的两个隐藏层(第三隐藏层和第四隐藏层)。从输入参数(x1、x2和x3)中选择的输入参数(x1和x3)的集合被输入到第二输入层。
第三神经网络单元具有与第一神经网络单元相同的配置，并且包括一个输入层(第三输入层)和直接或间接耦合到输入层的两个隐藏层(第五隐藏层和第六隐藏层)。从输入参数(x1、x2和x3)中选择的输入参数(x2和x3)的集合被输入到第三输入层。
输出层基于第一至第三神经网络单元的输出来输出输出参数y。为此，将输出层耦合至第一至第三神经网络单元，并且将第一至第三神经网络单元的输出输入到输出层。
具体地，输出层耦合到第一神经网络单元的第二隐藏层、第二神经网络单元的第四隐藏层和第三神经网络单元的第六隐藏层。即，输出层的节点耦合到第二隐藏层、第四隐藏层和第六隐藏层的所有节点。因此，第二隐藏层、第四隐藏层和第六隐藏层的所有节点的输出被输入到输出层的节点。输出层的节点数等于要从输出层输出的输出参数的数目。在图4的示例中，输出层输出一个输出参数y并具有一个节点。
在图4的神经网络模型中，从输入参数(x1、x2和x3)中选择的输入参数的3C2(＝3)个组合被输入到3C2(＝3)个神经网络单元的输入层。因此，要输入到第一神经网络单元的第一输入层的输入参数(x1和x2)的组合、要输入到第二神经网络单元的第二输入层的输入参数(x1和x3)的组合和要输入到第三神经网络单元的第三输入层的输入参数(x2和x3)的组合彼此不同。
第一至第三神经网络单元分别具有独立的配置。也就是说，在不同的神经网络单元之间没有彼此耦合的节点。因此，在每个神经网络单元中生成不同的中间状态量，并且基于三个中间状态量输出输出参数。因此，增加神经网络模型的表达能力，并且从而可以在不增加输入参数的类型的情况下改进输出参数的计算精度。
神经网络单元的数目可以是两个或更多。例如，可以省略第一神经网络单元、第二神经网络单元或第三神经网络单元。
神经网络单元可以具有不同的配置。例如，要输入到每个输入层的输入参数的数目可以不同。即，每个输入层中的节点数可以不同。例如，三个输入参数(x1、x2和x3)可以被输入到第三输入层，并且第三输入层可以具有三个节点。
每个神经网络单元中的隐藏层的数目可以是一个或多个。此外，每个神经网络单元中隐藏层的数目可以不同。例如，第一神经网络单元可以包括三个隐藏层。
每个隐藏层中的节点数可以是一个或多个。此外，每个隐藏层中的节点数可以不同。例如，第一隐藏层可以具有八个节点。从输出层输出的输出参数的数目可以是两个或更多个。即，输出层可以具有两个或更多个节点。
如图5中所示，神经网络模型可以进一步包括耦合到输出层的完全耦合层，并且神经网络单元可以通过完全耦合层耦合到输出层。完全耦合层的节点数可以是一个或多个。
在实施例中，在将神经网络模型安装在车辆上之前执行神经网络模型的学习(即，权重w和偏置b的设置)。在神经网络的学习中，使用训练数据集，该训练数据集包括输入参数的测量值和对应于该测量值的至少一个输出参数的测量值(正确答案数据)的组合。使用例如发动机工作台预先获取输入参数和输出参数的测量值，并且通过组合相应的测量值来预先创建训练数据集。
在神经网络模型的学习中，通过使用多个训练数据集的上述误差反向传播方法，反复地更新神经网络模型中的权重w和偏置b。结果，学习神经网络并且生成学习的神经网络模型。使用例如安装在生产工厂中的计算机等等(例如，安装有图形处理单元(GPU)的计算机)来执行神经网络模型的学习。所生成的学习神经网络模型在车辆出厂之前被安装在车辆中设置的ECU 61上。即，关于学习的神经网络模型的信息(模型结构、权重w、偏置b等)被存储在ECU 61的存储器63或车辆中设置的另一存储装置中。
图6是示出神经网络模型的自由度与输出参数的确定系数之间的关系的曲线图。神经网络模型的自由度指示神经网络模型中权重和偏置的总数。因此，神经网络模型的自由度随着输入层的数目、输入层的节点数、隐藏层的数目、以及隐藏层的节点数的变大而变大。
通过以下等式计算输出参数的确定系数R2，并且采用零到1的值。随着输出参数的确定系数R2越接近1，输出参数的计算精度越高。R2＝(输出参数的计算值的偏差平方和)/(输出参数的测量值的偏差平方和)，其中输出参数的计算值是学习的神经网络模型输出的值并且输出参数的测量值是使用传感器等实际测量的值。
在图6中，使用菱形绘制使用根据实施例的学习的第一神经网络模型的结果，并且使用正方形绘制使用在比较示例中的学习的神经网络模型的结果。每个数据点上方的数字指示中间层的数目。图6示出在每个神经网络模型中中间层的数目从1变为5时的结果。
图7是示意性示出根据实施例的第一神经网络模型的配置的图。图7示出当中间层的数目为两个时的第一神经网络模型的配置。第一神经网络模型的对象是内燃机1。
在第一神经网络模型中，输出层具有七个节点，并输出与内燃机1的运行状态有关的七种类型的输出参数y1到y7。y1是内燃机1的输出转矩。y2是燃烧声音的声压。y3是燃烧比变成50％时的曲柄角(CA50)。y4是排气中的氮氧化物(NOx)浓度。y5是排气中的一氧化碳(CO)浓度。y6是排气中的碳氢化合物(HC)浓度。y7是排气中的烟雾浓度。
在第一神经网络模型中，与内燃机1的运行状态相关并且与输出参数相关的12种类型的参数(x1至x12)被用作输入参数。x1是主喷射中的燃料喷射量。x2是主喷射中的燃料喷射定时。x3是第一先导喷射中的燃料喷射量。x4是第一先导喷射中的燃料喷射定时。x5是第二先导喷射中的燃料喷射量。x6是第二先导喷射中的燃料喷射定时。x7是燃料喷射压力。x8是进气温度。x9是进气压力。x10是EGR率。x11是新鲜空气量。x12是流入气缸11的气体量。
输入参数的值例如由如下所述的传感器等测量或由ECU 61计算。基于从ECU 61输出至燃料喷射阀21的命令值来计算x1至x6。基于燃料压力传感器74的输出来计算x7。通过进气温度传感器72来测量x8。通过进气压力传感器73来测量x9。基于从ECU 61输出到EGR控制阀52的命令值来计算x10。x11由空气流量计71测量。基于空气流量计71的输出和要从ECU61输出至EGR控制阀52的命令值来计算x12。
如图7中所示，第一神经网络模型具有12C11(＝12)个神经网络单元(第一神经网络单元(在说明书中称为“第一NN单元”)至第12个神经网络单元(在说明书中被称为“第十二NN单元”)。从12种类型的参数(x1至x12)中选择的输入参数的12C11(＝12)个组合输入到12个神经网络单元。例如，将十一个输入参数x1至x11输入至第一NN单元的第一输入层，并将十一个输入参数x2至x12输入至第十二NN单元的第十二输入层。
另一方面，比较示例中的神经网络模型具有如图3中所示的简单配置，并从上述12种输入参数中输出7种输出参数。因此，比较示例中的神经网络模型包括具有12个节点的输入层和具有七个节点的输出层。在比较示例中的第一神经网络模型和神经网络模型中，设置中间层的节点数，使得当中间层的数目相同时，神经网络模型的自由度相等。计算输出参数的确定系数作为七种类型输出参数(y1至y7)的确定系数的平均值。
从图6可以看出，第一神经网络模型相对于神经网络模型的自由度具有比比较示例中的更大的输出参数的确定系数。因此，与比较示例中的神经网络模型相比，第一神经网络模型具有更高的输出参数的计算精度。
在图6中，利用圆圈绘制使用根据实施例的学习的第二神经网络模型的结果，并且利用三角形绘制使用实施例的学习的第三神经网络模型的结果。第二神经网络模型包括12C7(＝792)个神经网络单元，并且输入参数的12C7(＝792)个组合被输入到792个神经网络单元。第三神经网络模型包括12C9(＝220)个神经网络单元，并且输入参数的12C9(＝220)个组合被输入到220个神经网络单元。在第二神经网络模型和第三神经网络模型中，仅示出中间层的数目为两个时的结果。
从图6可以看出，与比较示例中的神经网络模型相比，在第二神经网络模型和第三神经网络模型中也可以改进输出参数的计算精度。因此，在实施例中，当神经网络模型包括用于将输入参数的nCk个组合进行输入的nCk个神经网络单元时，可以将k设置为从2到n-1的任何数目。
图8是示出用于学习神经网络模型的训练数据集的数目与输出参数的确定系数之间的关系的曲线图。在图8中，利用菱形绘制使用根据实施例的学习的第一神经网络模型的结果，并且利用正方形绘制使用在比较示例中的学习的神经网络模型的结果。比较示例中的第一神经网络模型和神经网络模型分别具有三个中间层。
从图8可以看出，在第一神经网络模型中获得相同的确定系数所需的训练数据集的数目小于比较示例中的神经网络模型中的训练数据集的数目。因此，在该实施例的神经网络模型中，可以减少获得输出参数的预定计算精度所需的训练数据集的数目，从而减少神经网络模型的学习时间。
流程图
图9是示出根据第一实施例的用于控制内燃机的控制例程的流程图。图9的控制例程由ECU 61以预定的执行间隔重复执行。预定执行间隔例如是内燃机1的一个周期的时间。
首先，在步骤S101中，参数获取单元81获取要输入到神经网络模型的输入参数。输入参数是相互不同类型的参数，例如，与内燃机1的运行状态有关的参数。输入参数由传感器等测量或由ECU 61根据输入参数的类型计算。
接下来，在步骤S102中，计算单元82基于参数获取单元81使用神经网络模型获取的输入参数来计算至少一个输出参数。至少一个输出参数例如是与内燃机1的运行状态有关的参数。神经网络模型包括神经网络单元和基于神经网络单元的输出来输出至少一个输出参数的输出层。计算单元82将从参数获取单元81获取的输入参数中选择的输入参数的不同组合输入到神经网络单元，以使神经网络模型输出输出参数。
接下来，在步骤S103中，控制器83基于由计算单元82计算的至少一个输出参数来控制内燃机1。具体地，控制器83控制内燃机1使得输出参数被包括在预定目标范围内。例如，当至少一个输出参数包括排气中的NOx浓度时，控制器83使EGR控制阀52的开度增加，使得当通过计算单元82计算出的NOx浓度的预测值高于目标范围时降低NOx浓度。在步骤S103之后，控制例程结束。
第二实施例
在根据第二实施例的机器学习系统中使用的电子控制单元的配置和控制与第一实施例中的电子控制单元的配置和控制基本相同。
因此，在下文中，以与第一实施例的不同点为中心，对本发明的第二实施例进行描述。
在第二实施例中，在车辆外部的服务器中学习神经网络模型，并且将所学习的神经网络模型从服务器发送到车辆。结果，可以根据需要替换或添加神经网络模型，并且可以在车辆发货之后在车辆上安装用于计算期望的输出参数的神经网络模型。此外，可以通过与服务器进行通信来更新神经网络模型的权重等来改进输出参数的预测精度。
图10是示意性示出根据第二实施例的机器学习系统的图。机器学习系统300包括设置在车辆100中的电子控制单元(ECU)61和通信装置91以及车辆100外部的服务器200。类似于第一实施例，如图2中所示，ECU 61包括参数获取单元81、计算单元82和控制器83。
ECU 61和通信装置91通过符合诸如控制器局域网(CAN)的标准的车载网络可通信地彼此连接。通信装置91可通过通信网络与服务器200通信，并且例如是数据通信模块(DCM)。通信装置91与服务器200之间的通信通过符合各种通信标准的无线通信来执行。
服务器200包括通信接口210、存储装置230和处理器220。通信接口210和存储装置230通过信号线连接到处理器220。服务器200可以进一步包括诸如键盘和鼠标的输入装置、诸如显示器的输出装置等。
通信接口210具有用于通过通信网络将服务器200连接至车辆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)、固态驱动器(SDD)、光学记录介质、诸如随机存取存储器(RAM)的半导体存储器等配置而成。
存储装置230存储各种数据。具体地，存储装置230存储用于学习神经网络模型的训练数据集和用于执行学习神经网络模型的计算机程序。训练数据集包括多个输入参数的测量值和对应于测量值的至少一个输出参数的测量值的组合。使用例如发动机工作台预先获取输入参数和输出参数的测量值，并且通过组合相应的测量值来预先创建训练数据集。输入参数和输出参数的测量值可以由不同于车辆100的另一车辆获取，并且从设置在另一车辆中的通信装置发送到服务器200。
服务器200使用训练数据集学习神经网络并生成学习的神经网络模型。具体地，服务器200通过使用多个训练数据集使用上述的误差反向传播方法来重复地更新神经网络的权重w和偏置b。结果，神经网络的权重w和偏置b收敛到适当的值，并生成学习的神经网络模型。第二实施例中的神经网络模型具有与第一实施例中的神经网络模型相似的配置(例如，参考图4、5和7)。
所学习的神经网络模型通过服务器200的通信接口210和车辆100的通信装置91从服务器200发送到车辆100的ECU 61。结果，关于学习的神经网络模型的信息(模型结构、权重w、偏置b等)存储在ECU 61的存储器63或车辆100中设置的另一个存储装置中。
ECU 61的计算单元82使用从服务器200发送到车辆100的学习的神经网络模型基于输入参数来计算至少一个输出参数。类似于第一实施例执行图9所示的控制例程，并且控制器83基于由计算单元82计算的至少一个输出参数来控制内燃机1。
第三实施例
根据第三实施例的机器学习系统的配置和控制与根据第二实施例的机器学习系统基本相同。因此，在下文中，以与第二实施例的不同点为中心，对本发明的第三实施例进行描述。
在第三实施例中，类似于第二实施例，在车辆外部的服务器中学习神经网络模型，并且将所学习的神经网络模型从服务器发送到车辆。另一方面，在第三实施例中，获取车辆中的输入参数和输出参数的测量值以便创建训练数据集。结果，可以使用车辆容易地准备多个训练数据集。
类似于第二实施例，如图10中所示，机器学习系统300包括设置在车辆100中的电子控制单元(ECU)61和通信装置91以及车辆100外部的服务器200。类似于第一实施例，如图2中所示，ECU 61包括参数获取单元81、计算单元82和控制器83。
参数获取单元81获取在神经网络模型中使用的多个输入参数和至少一个输出参数。输入参数和至少一个输出参数由传感器等测量或由ECU 61根据参数的类型计算。例如，当至少一个输出参数包括内燃机1的输出转矩时，在内燃机1的输出轴(曲轴)上部署转矩传感器，并通过转矩传感器测量内燃机1的输出转矩。
参数获取单元81通过通信装置91将输入参数和至少一个输出参数发送到服务器200。将发送到服务器200的输入参数和至少一个输出参数的组合存储在服务器200的存储装置230中作为训练数据集。
服务器200使用训练数据集学习神经网络，该训练数据集包括由参数获取单元81获取的输入参数和至少一个输出参数的组合，并生成学习的神经网络模型。具体地，服务器200使用训练数据集通过使用上述的误差反向传播方法来重复更新神经网络的权重w和偏置b。结果，神经网络的权重w和偏置b收敛到适当的值，并生成学习的神经网络模型。
与第二实施例类似，服务器200将学习的神经网络模型发送到车辆100的ECU 61。ECU 61的计算单元82使用从服务器200发送到车辆100的学习的神经网络模型基于输入参数计算至少一个输出参数。结果，可以在传感器等测量输出参数之前获得与具有预定值的输入参数相对应的输出参数的预测值。类似于第一实施例执行图9所示的控制例程，并且控制器83基于由计算单元82计算的至少一个输出参数来控制内燃机1。
第四实施例
根据第四实施例的内燃机的控制装置的配置和控制与第一实施例中的内燃机的控制装置的配置和控制基本相同。因此，在下文中，以与第一实施例的不同为中心，对本发明的第四实施例进行描述。
在第四实施例中，类似于第三实施例，在车辆中获取输入参数和输出参数的测量值以便创建训练数据集。另一方面，在第四实施例中，在车辆中执行神经网络模型的学习。结果，可以在不使用服务器等的情况下有效地执行车辆中的神经网络模型的学习。
图11是第四实施例中的ECU 61的功能框图。在第四实施例中，除了参数获取单元81、计算单元82和控制器83之外，ECU 61还包括学习单元84。类似于第三实施例，参数获取单元81获取多个输入参数，和神经网络模型中使用的至少一个输出参数。由参数获取单元81获取的输入参数和至少一个输出参数的组合作为训练数据集被存储在ECU61的存储器63或车辆中设置的另一存储装置中。
学习单元84使用训练数据集学习神经网络，该训练数据集包括由参数获取单元81获取的输入参数和至少一个输出参数的组合，并生成学习的神经网络模型。具体地，学习单元84通过使用多个训练数据集使用上述的误差反向传播方法来重复地更新神经网络的权重w和偏置b。结果，神经网络的权重w和偏置b收敛到适当的值，并生成学习的神经网络模型。
计算单元82使用学习的神经网络模型基于输入参数来计算至少一个输出参数。结果，可以在通过传感器等测量输出参数之前获得与具有预定值的输入参数相对应的输出参数的预测值。类似于第一实施例执行图9所示的控制例程，并且控制器83基于由计算单元82计算的至少一个输出参数来控制内燃机1。
其它实施例
以上描述根据本公开的优选实施例。然而，本公开不限于这些实施例，并且可以在权利要求的范围内进行各种修改和改变。例如，在车载电子控制单元(ECU 61)中使用的神经网络模型的对象可以是与上述内燃机1以外的车辆有关的一切。
例如，在车载电子控制单元中使用的神经网络模型的对象可以是火花点火式内燃机(例如，汽油发动机)。例如，当火花点火式内燃机包括将燃料喷射到进气口中的进气口燃料喷射阀和直接将燃料喷射到气缸中的缸内燃料喷射阀时，选择以下类型的参数作为输入到神经网络模型的输入参数和要从神经网络模型输出的输出参数。作为输入参数，例如，发动机转速、进气口燃料喷射阀的燃料喷射量、进气口燃料喷射阀的燃料喷射定时、进气温度、进气压力、EGR控制装置的开度、进气量、缸内燃料喷射阀的燃料喷射量、缸内燃料喷射阀的燃料喷射定时以及缸内燃料喷射阀的喷射压力被使用。作为输出参数，例如，空气燃料混合气的点火定时、空气燃料混合气的燃烧时间、排气中有害物质(NOx、HC、CO、烟等)的浓度、以及由于空气燃料混合气燃烧而产生的最大热值被使用。
车载电子控制单元中使用的神经网络模型的对象可以是混合动力汽车(HV)、插电式混合动力汽车(PHV)或电动汽车(EV)中设置的电池或者电机。例如，当神经网络模型的对象是电池时，选择以下类型的参数作为要输入到神经网络模型的输入参数和要从神经网络模型输出的输出参数。作为输入参数，例如，使用电池电压、电池电流、车辆连续运转时间和车速。作为输出参数，例如，使用电池的充电状态(SOC)、电池的劣化程度和电池的温度。
例如，当神经网络模型的对象是电机时，选择以下类型的参数作为要输入到神经网络模型的输入参数和要从神经网络模型输出的输出参数。作为输入参数，例如，使用电机电压、电机电流和电机速度。作为输出参数，例如，使用电机的轴转矩和电机温度。
如上所述的神经网络模型可以在输出参数计算装置中使用。输出参数计算装置包括参数获取单元，其获取多个输入参数；以及计算单元，其基于由参数获取单元使用神经网络模型获取的输入参数来计算至少一个输出参数。输出参数计算装置具有例如作为硬件配置的中央处理单元(CPU)、GPU、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。输出参数计算装置中使用的神经网络模型的对象不限于与车辆有关的对象。例如，神经网络模型的对象可以是机床等。

Claims (8)

1.一种内燃机的控制装置，所述控制装置的特征在于包括：
参数获取单元，所述参数获取单元被配置成获取多个输入参数；
计算单元，所述计算单元被配置成使用神经网络模型而基于通过所述参数获取单元所获取的所述输入参数来计算至少一个输出参数；以及
控制器，所述控制器被配置成基于由所述计算单元计算出的所述至少一个输出参数来控制所述内燃机，
其中：
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成，将从所述输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
2.根据权利要求1所述的控制装置，其特征在于：
所述输入参数的数目是n；以及
所述神经网络模型包括nCk个神经网络单元,所述nCk个神经网络单元被输入有从所述输入参数中选择的输入参数的nCk个组合，其中n是三个或更多，并且k是2到n-1。
3.根据权利要求1或者2所述的控制装置，其特征在于进一步包括：
学习单元，所述学习单元被配置成在安装有所述内燃机的车辆中执行所述神经网络模型的学习，
其中：
所述参数获取单元被配置成获取所述输入参数和所述至少一个输出参数；以及
所述学习单元被配置成使用训练数据集来执行所述神经网络模型的学习，所述训练数据集包括由所述参数获取单元获取的所述输入参数和所述至少一个输出参数的组合。
4.一种车载控制单元，其特征在于包括：
参数获取单元，所述参数获取单元被配置成获取多个输入参数；以及
计算单元，所述计算单元被配置成使用从在车辆外部的服务器发送到所述车辆的神经网络模型而基于由所述参数获取单元获取的所述输入参数来计算至少一个输出参数，
其中：
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成将从所述输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
5.一种机器学习系统，其特征在于包括：
电子控制单元，所述电子控制单元被设置在车辆中；
通信装置，所述通信装置被设置在所述车辆中；以及
服务器，所述服务器在所述车辆外部，
其中：
所述电子控制单元包括：
参数获取单元，所述参数获取单元被配置成获取多个输入参数和至少一个输出参数，并且通过所述通信装置将所述输入参数和所述至少一个输出参数发送给所述服务器；以及
计算单元，所述计算单元被配置成使用从所述服务器发送的神经网络模型而基于由所述参数获取单元获取的所述输入参数来计算所述至少一个输出参数；
所述服务器被配置成使用训练数据集来执行所述神经网络模型的学习，所述训练数据集包括由所述参数获取单元获取的所述输入参数和所述至少一个输出参数的组合；
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成将从输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
6.一种内燃机的控制方法，所述控制方法的特征在于包括：
获取多个输入参数；
使用神经网络模型而基于所述输入参数来计算至少一个输出参数；以及
基于所述至少一个输出参数来控制所述内燃机，
其中：
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成将从所述输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
7.一种电子控制单元的制造方法，所述制造方法的特征在于包括：
使用训练数据集来执行神经网络模型的学习，所述训练数据集包括多个输入参数的测量值和与所述测量值相对应的至少一个输出参数的测量值的组合；以及
将所述神经网络模型安装在所述电子控制单元中，
其中：
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成将从所述输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
8.一种输出参数计算装置，其特征在于包括：
参数获取单元，所述参数获取单元被配置成获取多个输入参数；以及
计算单元，所述计算单元被配置成使用神经网络模型而基于由所述参数获取单元获取的所述输入参数来计算至少一个输出参数，
其中：
所述神经网络模型包括多个神经网络单元和基于所述神经网络单元的输出来输出所述至少一个输出参数的输出层；
每一个所述神经网络单元包括一个输入层和至少一个中间层；以及
所述神经网络模型被配置成将从所述输入参数中选择的输入参数的不同组合输入到所述神经网络单元的所述输入层中的每一个，使得要被输入到所述神经网络单元的输入参数的总数大于所述输入参数的数目。
CN201911326104.0A 2019-02-01 2019-12-20 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置 Active CN111520241B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-017146 2019-02-01
JP2019017146A JP6741087B1 (ja) 2019-02-01 2019-02-01 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

Publications (2)

Publication Number Publication Date
CN111520241A true CN111520241A (zh) 2020-08-11
CN111520241B CN111520241B (zh) 2022-04-26

Family

ID=69005252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911326104.0A Active CN111520241B (zh) 2019-02-01 2019-12-20 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置

Country Status (4)

Country Link
US (1) US11230985B2 (zh)
EP (1) EP3690558B1 (zh)
JP (1) JP6741087B1 (zh)
CN (1) CN111520241B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492187A (zh) * 2022-01-25 2022-05-13 中国空气动力研究与发展中心空天技术研究所 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6848949B2 (ja) * 2018-10-25 2021-03-24 トヨタ自動車株式会社 制御支援装置、車両、および制御支援システム
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
JP6896037B2 (ja) * 2019-10-02 2021-06-30 三菱電機株式会社 内燃機関の制御装置及び制御プログラム
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
CN112668243A (zh) * 2021-01-05 2021-04-16 株洲中车时代电气股份有限公司 一种轨道列车的电机滤网堵塞预警方法、装置及相关设备
CN112883653B (zh) * 2021-03-19 2022-06-24 广西玉柴机器股份有限公司 基于人工智能的发动机实时模型的建模方法
WO2024004583A1 (ja) * 2022-06-30 2024-01-04 コニカミノルタ株式会社 予測装置、予測システムおよび予測プログラム
JP7304475B1 (ja) 2022-07-11 2023-07-06 アクタピオ，インコーポレイテッド 情報処理方法、情報処理装置および情報処理プログラム
DE102022209341A1 (de) * 2022-09-08 2024-03-14 Zf Friedrichshafen Ag Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4300844A1 (en) * 1992-01-14 1993-07-15 Toyota Motor Co Ltd Control system for ride characteristics of motor vehicle - corrects estimated characteristic index in accordance with control signal dependent on ride, movement and route evaluations.
SE9402687D0 (sv) * 1994-08-11 1994-08-11 Mecel Ab Metod och system för reglering av förbränningsmotorer
JPH1185719A (ja) * 1997-09-03 1999-03-30 Matsushita Electric Ind Co Ltd パラメータ推定装置
JPH11224106A (ja) * 1998-02-06 1999-08-17 Matsushita Electric Ind Co Ltd パラメータ推定装置
JP2002182706A (ja) * 2000-12-18 2002-06-26 Yamaha Motor Co Ltd 学習機能付き制御系
JP2002251598A (ja) * 2001-02-23 2002-09-06 Yamaha Motor Co Ltd 最適解探索装置、制御対象の制御装置及び最適解探索プログラム
WO2005013019A2 (en) * 2003-07-25 2005-02-10 Yamaha Motor Co., Ltd Soft computing optimizer of intelligent control system structures
WO2007058695A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Process model based virtual sensor system and method
EP2067971A2 (en) * 2001-02-05 2009-06-10 Toyota Jidosha Kabushiki Kaisha Control apparatus and method for multi-cylinder internal combustion engine
US20100050025A1 (en) * 2008-08-20 2010-02-25 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
JP2011054200A (ja) * 2010-11-11 2011-03-17 Fuji Electric Systems Co Ltd ニューラルネットワークの学習方法
CN102454499A (zh) * 2010-10-18 2012-05-16 通用汽车环球科技运作有限责任公司 用于前馈控制燃料喷射进内燃机汽缸内的方法
KR20120107774A (ko) * 2011-03-22 2012-10-04 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
CN106321265A (zh) * 2016-09-13 2017-01-11 北京理工大学 一种对掺混燃油中生物柴油含量鉴定方法及系统
EP3343460A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Hardware accelerator template and design framework for implementing recurrent neural networks
US20180297578A1 (en) * 2017-04-17 2018-10-18 Hyundai Motor Company Hybrid vehicle and method of controlling engine start
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07146852A (ja) * 1993-11-24 1995-06-06 Ricoh Co Ltd ニューラルネットワークの構造簡略化方法
JP2003049702A (ja) * 2001-08-07 2003-02-21 Mazda Motor Corp 車載の自動車用制御ゲイン変更装置、自動車の制御ゲイン変更方法、及び、自動車の制御ゲイン変更用プログラム
US7035834B2 (en) * 2002-05-15 2006-04-25 Caterpillar Inc. Engine control system using a cascaded neural network
US7526463B2 (en) * 2005-05-13 2009-04-28 Rockwell Automation Technologies, Inc. Neural network using spatially dependent data for controlling a web-based process
US7593796B2 (en) * 2006-11-27 2009-09-22 Toyota Motor Engineering & Manufacturing North America, Inc. Torque estimator for internal combustion engine
JP6524144B2 (ja) 2017-06-02 2019-06-05 本田技研工業株式会社 車両制御システム及び方法、並びに走行支援サーバ
JP6690743B1 (ja) * 2019-01-23 2020-04-28 トヨタ自動車株式会社 機械学習装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4300844A1 (en) * 1992-01-14 1993-07-15 Toyota Motor Co Ltd Control system for ride characteristics of motor vehicle - corrects estimated characteristic index in accordance with control signal dependent on ride, movement and route evaluations.
SE9402687D0 (sv) * 1994-08-11 1994-08-11 Mecel Ab Metod och system för reglering av förbränningsmotorer
JPH1185719A (ja) * 1997-09-03 1999-03-30 Matsushita Electric Ind Co Ltd パラメータ推定装置
JPH11224106A (ja) * 1998-02-06 1999-08-17 Matsushita Electric Ind Co Ltd パラメータ推定装置
JP2002182706A (ja) * 2000-12-18 2002-06-26 Yamaha Motor Co Ltd 学習機能付き制御系
EP2067971A2 (en) * 2001-02-05 2009-06-10 Toyota Jidosha Kabushiki Kaisha Control apparatus and method for multi-cylinder internal combustion engine
JP2002251598A (ja) * 2001-02-23 2002-09-06 Yamaha Motor Co Ltd 最適解探索装置、制御対象の制御装置及び最適解探索プログラム
WO2005013019A2 (en) * 2003-07-25 2005-02-10 Yamaha Motor Co., Ltd Soft computing optimizer of intelligent control system structures
WO2007058695A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Process model based virtual sensor system and method
US20100050025A1 (en) * 2008-08-20 2010-02-25 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
CN102454499A (zh) * 2010-10-18 2012-05-16 通用汽车环球科技运作有限责任公司 用于前馈控制燃料喷射进内燃机汽缸内的方法
JP2011054200A (ja) * 2010-11-11 2011-03-17 Fuji Electric Systems Co Ltd ニューラルネットワークの学習方法
KR20120107774A (ko) * 2011-03-22 2012-10-04 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
CN106321265A (zh) * 2016-09-13 2017-01-11 北京理工大学 一种对掺混燃油中生物柴油含量鉴定方法及系统
EP3343460A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Hardware accelerator template and design framework for implementing recurrent neural networks
US20180297578A1 (en) * 2017-04-17 2018-10-18 Hyundai Motor Company Hybrid vehicle and method of controlling engine start
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘树成等: "发动机动态特性组合神经网络建模新方法", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492187A (zh) * 2022-01-25 2022-05-13 中国空气动力研究与发展中心空天技术研究所 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统
CN114492187B (zh) * 2022-01-25 2022-12-02 中国空气动力研究与发展中心空天技术研究所 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统

Also Published As

Publication number Publication date
EP3690558B1 (en) 2022-05-04
US11230985B2 (en) 2022-01-25
JP6741087B1 (ja) 2020-08-19
JP2020125694A (ja) 2020-08-20
EP3690558A1 (en) 2020-08-05
CN111520241B (zh) 2022-04-26
US20200248641A1 (en) 2020-08-06

Similar Documents

Publication Publication Date Title
CN111520241B (zh) 内燃机控制装置和方法、车载电控单元和制造方法、机器学习系统及输出参数计算装置
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
CN108333923B (zh) 用于发动机组件的线性参数变化模型预测控制
CN101622437B (zh) 用于估计内燃机的排气温度的方法和设备
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
US8360040B2 (en) Engine controller
US20060287795A1 (en) Distributed control architecture for powertrains
JP2008525719A (ja) 機関の多変数制御
JP6702380B2 (ja) 内燃機関の制御装置
JP2019190306A (ja) 未燃燃料量の機械学習装置
US11436488B2 (en) Control device
CN102383906A (zh) 温度估计系统和方法
CN114175121A (zh) 电子控制模块的数字化孪生体
Uppalapati et al. Development and validation of engine calibration using 1d predictive models
JP2020062914A (ja) 情報提供装置
JP2020056378A (ja) 内燃機関の制御装置
JP2020045821A (ja) 内燃機関の制御装置
Wei et al. Use of predictive engine and emission model for diesel engine model based calibration
Isermann et al. On the control and diagnosis of internal combustion engines
JP2014190306A (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