CN114151538B - 学习方法 - Google Patents

Abstract

本发明涉及学习方法。学习方法包括：模拟工序，在所述模拟工序中，向模拟装置输入预先推定为特定部件存在异常的参数集，所述模拟装置基于被输入的所述参数集输出特性变量；以及学习工序，在所述学习工序中，向学习装置输入包含在所述模拟工序中输出的所述特性变量在内的输入变量作为训练数据并且输入表示所述特定部件存在异常的异常判定变量作为示教数据，所述学习装置基于被输入的所述训练数据和所述示教数据来更新映射。

Description

学习方法

技术领域

本发明涉及一种学习方法。

背景技术

在日本特开2014-092504中记载有自动变速器的异常判定装置。该异常判定装置取得表示自动变速器的振动的推移的振动数据。另外，异常判定装置基于过去的振动数据，计算振动加速度的上限值。而且，异常判定装置基于新取得的振动数据来计算振动加速度，在该振动加速度超过上限值时，判定为自动变速器存在异常。

发明内容

在日本特开2014-092504那样的异常判定装置中，为了准确地判定自动变速器有无异常，需要适当地确定振动加速度的上限值。但是，在自动变速器中产生异常的频度不高。因此，不得不基于较少的数据来确定振动加速度的上限值，振动加速度的上限值可能不适当。

需要说明的是，以上以自动变速器的异常判定装置为例进行了说明，但对于其他装置的异常判定也是同样的。另外，不限于如上述例子那样设定振动加速度的上限值这样的阈值的情况，在欲基于过去的数据来制作异常判定的判定基准的情况下也是同样的。

本发明的第一方案的学习方法是使用模拟装置、存储装置以及学习装置对映射进行学习的异常判定用的映射的学习方法，所述模拟装置构成为，通过输入由与车辆的状态相关的多个状态参数构成的参数集，从而输出与所述车辆发出的噪音以及振动中的至少任一方相关的特性变量，所述存储装置存储映射数据，所述映射数据包含所述特性变量作为多个输入变量中的至少一个，所述映射数据对用于将异常判定变量作为输出变量而输出的所述映射进行规定，所述异常判定变量是表示搭载于所述车辆的特定部件产生异常的可能性的变量，所述学习装置构成为，通过输入所述输入变量作为训练数据并且输入与所述训练数据成组的异常判定变量作为示教数据，从而更新存储于所述存储装置的对所述映射进行规定的所述映射数据。所述学习方法具有：模拟工序，在所述模拟工序中，向所述模拟装置输入预先推定为所述特定部件存在异常的所述参数集，所述模拟装置基于被输入的所述参数集输出特性变量；以及学习工序，在所述学习工序中，向所述学习装置输入包含在所述模拟工序中输出的所述特性变量在内的所述输入变量作为所述训练数据，并且输入表示所述特定部件存在异常的异常判定变量作为所述示教数据，所述学习装置基于被输入的所述训练数据和所述示教数据来更新所述映射。

根据上述第一方案，即便是实际产生异常的频度少的特定部件，也能够通过模拟装置一边适当地变更各状态参数的数值一边大量得到假定为产生了异常时的特性变量。而且，由于基于包含假定为产生了异常时的特性变量作为输入变量的多个训练数据以及示教数据的组来更新映射数据的映射，因此，所述映射能够输出适当的输出变量的可能性提高。

在上述第一方案中，所述特定部件也可以是从所述车辆的驱动源到所述车辆的驱动轮的动力传递路径上的部件。

根据上述结构，关于容易成为车辆的振动或噪音的原因的动力传递路径上的部件，能够适当地更新映射数据的映射。

在上述第一方案中，多个所述状态参数中的一个也可以是表示所述特定部件的特性的特定参数，在所述模拟工序中，也可以输入所述特定参数处于预先确定的正常范围外的参数集作为预先推定为所述特定部件存在异常的所述参数集。

根据上述结构，由于特定参数处于正常范围外，因此，将输入到模拟装置的参数集视为实际上特定部件产生了异常时的参数集。因此，能够将可靠地反映了特定部件存在异常的参数集输入到模拟装置。

在上述第一方案中，所述特性变量也可以是表示预先确定的特定方向上的所述车辆的加速度的变量。

根据上述结构，在根据特定部件有无异常而车辆的加速度可能变化的情况下，映射数据的映射的学习效果提高。

在上述第一方案中，在以功率谱按每个单位频率表示所述车辆的振动的能量或所述车辆的噪音的能量时，所述特性变量也可以是表示预先确定的特定频率下的功率谱或预先确定的特定频带的功率谱密度的变量。

根据上述结构，在根据特定部件有无异常而振动或噪音的功率谱可能产生变化的情况下，映射数据的映射的学习效果提高。

在上述第一方案中，所述特性变量也可以是表示所述车辆的振动或所述车辆的噪音的最大振幅下的频率的变量。

根据上述结构，在根据特定部件有无异常而可能产生特定频率下的振动或噪音的情况下，映射数据的映射的学习效果提高。

在上述第一方案中，所述特性变量也可以是表示所述车辆的振动或所述车辆的噪音的持续时间的变量。

根据上述结构，在根据特定部件有无异常而降低振动或噪音的功能可能产生差异的情况下，映射数据的映射的学习效果提高。

在上述第一方案中，所述特性变量也可以是所述车辆的振动或所述车辆的噪音的每单位时间的减少率。

根据上述结构，在根据特定部件有无异常而降低振动或噪音的功能可能产生差异的情况下，映射数据的映射的学习效果提高。

在上述第一方案中，多个所述状态参数中的一个也可以是车速。

根据上述结构，基于与车辆的振动或噪音有很大关系的车速，计算作为模拟装置的模拟结果的特性变量。因此，能够得到准确的特性变量的期待提高。

在上述第一方案中，多个所述状态参数中的一个也可以是加速踏板的操作量。

在上述结构中，加速踏板的操作量与车辆的加减速相关。而且，车辆的加减速与车辆的振动或噪音有很大关系。因此，根据上述结构，能够得到准确的特性变量的期待提高。

附图说明

下面将参照附图描述本发明的示例性实施例的特征、优点、技术和工业意义，在附图中，相同的附图标记表示相同的元件，其中，

图1是车辆的概略结构图。

图2是表示自动变速器中的变速挡以及卡合元件的关系的说明图。

图3是表示判定控制的流程图。

图4是表示功率谱的说明图。

图5是表示阻尼器的刚性值的说明图。

图6是模拟装置的结构图。

图7是表示学习控制的流程图。

图8是变形例所涉及的车辆的概略结构图。

具体实施方式

以下，根据图1～图7对本发明的一实施方式进行说明。首先，对车辆100的概略结构进行说明。如图1所示，车辆100具备内燃机10、阻尼器15、动力分配机构20、自动变速器30、驱动轮69、液压装置65、第一电动发电机61以及第二电动发电机62。

内燃机10具备作为输出轴的曲轴11。曲轴11经由阻尼器15与动力分配机构20连结。阻尼器15具备阻尼器主体16以及衰减器17。阻尼器主体16介于曲轴11与动力分配机构20之间，并且具备在周向上配置有多个的螺旋弹簧。阻尼器主体16通过上述阻尼器主体16的螺旋弹簧的弹性变形，抑制由转矩变动等引起的曲轴11及动力分配机构20之间的扭转振动并且在曲轴11与动力分配机构20之间传递转矩。衰减器17介于曲轴11与动力分配机构20之间。衰减器17通过在阻尼器主体16弹性变形后限制伴随着恢复的急剧的变更，使由阻尼器主体16的恢复引起的振动衰减。

动力分配机构20是具有太阳轮S、齿圈R以及齿轮架C的行星齿轮机构。动力分配机构20的齿轮架C经由阻尼器15与曲轴11连结。太阳轮S与第一电动发电机61的旋转轴61A连结。作为齿圈R的输出轴的齿圈轴RA与第二电动发电机62的旋转轴62A连结。另外，齿圈轴RA与自动变速器30连结。

自动变速器30具备输入轴41以及输出轴42。自动变速器30的输入轴41与齿圈轴RA连结。自动变速器30的输出轴42经由未图示的差动齿轮与左右的驱动轮69连结。

当内燃机10驱动而从曲轴11向动力分配机构20的齿轮架C输入转矩时，该转矩被分配到太阳轮S侧和齿圈R侧。当第一电动发电机61作为电动机工作而向动力分配机构20的太阳轮S输入转矩时，该转矩被分配到齿轮架C侧和齿圈R侧。

当第二电动发电机62作为电动机工作而向齿圈轴RA输入转矩时，该转矩向自动变速器30传递。另外，当来自驱动轮69侧的转矩经由齿圈轴RA输入到第二电动发电机62时，第二电动发电机62作为发电机发挥功能，能够在车辆100产生再生制动力。

自动变速器30具备第一行星齿轮机构30A、第二行星齿轮机构30B、第一离合器C1、第二离合器C2、第一制动机构B1、第二制动机构B2以及单向离合器F1。

并且，第一行星齿轮机构30A具备太阳轮31、齿圈32、小齿轮33以及齿轮架34。太阳轮31经由小齿轮33与齿圈32连结。齿轮架34支承小齿轮33。

太阳轮31与第一制动机构B1连结。第一制动机构B1能够通过向上述第一制动机构B1供给的油的压力来切换卡合状态和释放状态。具体而言，通过提高向第一制动机构B1供给的油的压力，第一制动机构B1从释放状态向卡合状态切换。而且，当第一制动机构B1处于卡合状态时，太阳轮31的旋转被制动。

齿轮架34与单向离合器F1连结。单向离合器F1限制齿轮架34向一侧的旋转并且允许向另一侧的旋转。即，单向离合器F1切换为限制齿轮架34的旋转的限制状态、或允许齿轮架34的旋转的允许状态。另外，齿轮架34与第二制动机构B2连结。第二制动机构B2与第一制动机构B1同样地，能够通过向上述第二制动机构B2供给的油的压力来切换卡合状态和释放状态。而且，在第二制动机构B2处于卡合状态时，齿轮架34的旋转被制动。

第二行星齿轮机构30B具备太阳轮36、齿圈37、小齿轮38以及齿轮架39。太阳轮36经由小齿轮38与齿圈37连结。齿轮架39支承小齿轮38。而且，齿轮架39与输出轴42连结。

在如上所述构成的各行星齿轮机构中，第一行星齿轮机构30A的齿轮架34与第二行星齿轮机构30B的齿圈37连结。另外，第一行星齿轮机构30A的齿圈32与第二行星齿轮机构30B的齿轮架39连结。

第二行星齿轮机构30B的太阳轮36经由第一离合器C1与输入轴41连结。第一离合器C1能够通过向上述第一离合器C1供给的油的压力来切换卡合状态和释放状态。具体而言，通过提高向第一离合器C1供给的油的压力，第一离合器C1从释放状态向卡合状态切换。而且，通过使第一离合器C1成为卡合状态，第二行星齿轮机构30B的太阳轮36与输入轴41一起旋转。

另外，第一行星齿轮机构30A的齿轮架34经由第二离合器C2与输入轴41连结。第二离合器C2与第一离合器C1同样地，能够通过向上述第二离合器C2供给的油的压力来切换卡合状态和释放状态。而且，通过使第二离合器C2成为卡合状态，第一行星齿轮机构30A的齿轮架34与输入轴41一起旋转。需要说明的是，在本实施方式中，第一离合器C1、第二离合器C2、第一制动机构B1以及第二制动机构B2分别是卡合元件。

如图2所示，在自动变速器30中，通过第一离合器C1、第二离合器C2、第一制动机构B1及第二制动机构B2中的卡合状态、释放状态的组合、以及单向离合器F1中的限制状态、允许状态的组合来切换变速挡。在该自动变速器30中，能够形成用于前进行驶的“1挡”～“4挡”这4个变速挡和用于后退行驶的“R”这1个变速挡的合计5个变速挡。

需要说明的是，在图2中，“〇”表示第一离合器C1等卡合元件处于卡合状态、单向离合器F1处于限制状态。另外，“(〇)”表示第二制动机构B2处于卡合状态或释放状态。并且，空白栏表示第一离合器C1等卡合元件处于释放状态、单向离合器F1处于允许状态。例如，在自动变速器30的变速挡为2挡的情况下，第一离合器C1以及第一制动机构B1成为卡合状态，另一方面，第二离合器C2以及第二制动机构B2成为释放状态，单向离合器F1成为允许状态。

如图1所示，液压装置65具备油泵66以及供来自油泵66的油流通的液压回路67。油泵66是接收曲轴11的转矩而动作的所谓机械式油泵。液压回路67具备多个未图示的电磁阀。液压回路67通过控制电磁阀来调整向第一离合器C1、第二离合器C2、第一制动机构B1以及第二制动机构B2供给的油的压力。即，在本实施方式中，通过控制液压回路67的电磁阀，从而通过油的压力来控制第一离合器C1等卡合元件的卡合状态和释放状态。

如图1所示，车辆100具备加速器位置传感器72、车速传感器73、加速度传感器74、显示器76以及加速踏板77。加速器位置传感器72检测驾驶员操作的加速踏板77的操作量即加速器操作量ACC。车速传感器73检测车辆100的速度即车速SP。加速度传感器74检测车辆100的上下方向的加速度即上下加速度G。需要说明的是，上下加速度G在由加速度传感器74检测到朝向车辆100的上方的加速度的情况下为正的值，在由加速度传感器74检测到朝向车辆100的下方的加速度的情况下为负的值。显示器76向车辆100的驾驶员等显示视觉信息。显示器76的一例是显示仪(display)。

车辆100具备控制装置90。控制装置90搭载于车辆100中的发动机室内、或车厢与发动机室之间的部位等。需要说明的是，上述加速度传感器74内置于控制装置90。从加速器位置传感器72向控制装置90输入表示加速器操作量ACC的信号。从车速传感器73向控制装置90输入表示车速SP的信号。从加速度传感器74向控制装置90输入表示上下加速度G的信号。

控制装置90具备CPU91、周边电路92、ROM93、存储装置94以及总线95。总线95将CPU91、周边电路92、ROM93以及存储装置94以能够相互通信的方式连接。ROM93预先存储有用于供CPU91执行各种控制的各种程序。存储装置94预先存储有映射数据94A。由映射数据94A规定的映射M1通过输入输入变量来输出表示阻尼器15有无异常的输出变量。需要说明的是，映射M1的具体说明在后面叙述。存储装置94在一定期间内存储包含被输入到了控制装置90的加速器操作量ACC、车速SP以及上下加速度G在内的数据。周边电路92包括生成对内部的动作进行规定的时钟信号的电路、电源电路、复位电路等。

在本实施方式中，CPU91是学习装置。另外，存储装置94是存储映射数据的存储装置。并且，阻尼器15是搭载于车辆100的特定部件，是从作为车辆100的驱动源发挥功能的内燃机10到驱动轮69的动力传递路径上的部件。

CPU91通过执行ROM93中存储的各种程序来控制内燃机10、第一电动发电机61、第二电动发电机62、自动变速器30等。具体而言，CPU91基于加速器操作量ACC以及车速SP，计算车辆100行驶所需的输出的要求值即车辆要求输出。CPU91基于车辆要求输出来决定内燃机10、第一电动发电机61以及第二电动发电机62的转矩分配。CPU91基于内燃机10、第一电动发电机61以及第二电动发电机62的转矩分配，控制内燃机10的输出和第一电动发电机61及第二电动发电机62的动力运转及再生。

另外，CPU91基于车速SP以及车辆要求输出，计算在自动变速器30中作为目标的变速挡即目标变速挡。CPU91基于目标变速挡，计算向第一离合器C1、第二离合器C2、第一制动机构B1以及第二制动机构B2供给的油的压力的目标值即目标压力。接着，CPU91基于目标压力向液压装置65输出控制信号S1。液压装置65基于控制信号S1来变更向第一离合器C1、第二离合器C2、第一制动机构B1以及第二制动机构B2供给的油的压力。例如，如图2所示，在自动变速器30的变更前的变速挡为2挡的情况下，第一离合器C1以及第一制动机构B1成为卡合状态，另一方面，第二离合器C2以及第二制动机构B2成为释放状态，单向离合器F1成为允许状态。在此，当自动变速器30的目标变速挡被设定为3挡时，根据基于第二离合器C2的目标压力的控制信号S1，从液压装置65向第二离合器C2供给的油的压力逐渐变高，由此第二离合器C2从释放状态成为卡合状态。另一方面，根据基于第一制动机构B1的目标压力的控制信号S1，从液压装置65向第一制动机构B1供给的油的压力逐渐降低，由此第一制动机构B1从卡合状态成为释放状态。其结果是，自动变速器30的变速挡从2挡变更为3挡。

接着，对CPU91判定阻尼器15有无异常的判定控制进行说明。ROM93预先存储有用于执行判定控制的程序即判定用程序。CPU91在控制装置90起动的状态下，通过执行ROM93中存储的判定用程序，从而反复执行判定控制。

如图3所示，当判定控制开始时，执行步骤S11的处理。在步骤S11中，CPU91判定上下加速度G的绝对值是否为预先确定的规定加速度以上。规定加速度例如作为在车辆100的驾驶座位上人能够感知的值，通过实验等预先确定。在步骤S11中，CPU91在判定为上下加速度G的绝对值小于规定加速度的情况下(S11：否)，再次反复进行步骤S11的处理。另一方面，在步骤S11中，CPU91在判定为上下加速度G的绝对值为规定加速度以上的情况下(S11：是)，使处理进入步骤S12。

在步骤S12中，CPU91取得从步骤S11的处理时刻起的规定期间的上下加速度G的推移。作为规定期间，例如为数秒。而且，如图4所示，CPU91通过对规定期间的上下加速度G的推移进行快速傅里叶变换，从而制作按每个单位频率表示车辆100中的振动的能量的图表、即所谓的功率谱。接着，CPU91根据振动的功率谱，将与预先确定的第一频率～第二十频率对应的合计20个功率从第一频率起依次计算为第一功率P1～第二十功率P20。另外，CPU91将算出的第一功率P1～第二十功率P20存储于存储装置94。在本实施方式中，上述第一频率～第二十频率通过将作为人能够感知为振动的频带而预先确定的频带等分为20份来确定。例如，在作为人能够感知为振动的频带而设定了小于20Hz的情况下，从第一频率起依次被确定为1Hz、2Hz......。此后，如图3所示，CPU91使处理进入步骤S13。

在步骤S13中，CPU91选择第一功率P1～第二十功率P20中的最大功率。接着，CPU91取得与该最大功率对应的频率作为频率FR。例如，如图4所示，如果最大功率是第一功率P1，则频率FR是1Hz。另外，例如，如果最大功率是第十功率，则频率FR是10Hz。另外，CPU91将取得的频率FR存储于存储装置94。需要说明的是，功率谱具有振幅的平方值的维度。因此，功率谱最大的频率FR是车辆100的振动的最大振幅下的频率。此后，如图3所示，CPU91使处理进入步骤S14。

如图3所示，在步骤S14中，CPU91计算频率FR下的振动的持续时间TA。具体而言，CPU91通过进行带通滤波处理，从在步骤S12中取得的规定期间的上下加速度G的推移中提取最大振幅频率分量、即在步骤S13中取得的频率FR分量。例如，在频率FR为1Hz的情况下，从上下加速度G的推移中提取0～1Hz分量。另外，例如，在频率FR为10Hz的情况下，从上下加速度G的推移中提取9～10Hz分量。接着，CPU91基于上下加速度G的最大振幅频率分量，确定关于上下加速度G的极大值以及极小值。在此，上下加速度G的极大值是在上下加速度G的推移上，上下加速度G从增加转为减少的点。另外，上下加速度G的极小值是在上下加速度G的推移上，上下加速度G从减少转为增加的点。接着，CPU91计算从所确定的极大值减去接着出现的极小值而得到的值作为振幅AM。CPU91针对多个极大值分别计算振幅AM。

CPU91确定在上下加速度G的最大振幅频率分量中振幅AM从小于预先确定的规定振幅的状态转变为规定振幅以上的定时。另外，CPU91在振幅AM转变为规定振幅以上之后，确定从规定振幅以上的状态转变为小于规定振幅的定时。而且，CPU91将从振幅AM转变为规定振幅以上起至振幅AM转变为小于规定振幅为止的期间作为振动的持续时间TA。

需要说明的是，在振幅AM在规定期间内转变为规定振幅以上后转变为小于规定振幅，再次转变为规定振幅以上的情况下，也可能计算出多个振动的时间。在该情况下，CPU91将多个时间中最长的时间设为持续时间TA。另外，在振幅AM转变为规定振幅以上之后，也有时在规定期间内不转变为小于规定振幅。在该情况下，CPU91视为在规定期间的末期振幅AM转变为小于规定振幅而计算持续时间TA。另外，CPU91将算出的持续时间TA存储于存储装置94。此后，CPU91使处理进入步骤S15。

在步骤S15中，CPU91计算频率FR下的振动的每单位时间的减少率DEC。具体而言，CPU91从持续时间TA的初期的振幅AM中减去持续时间TA的末期的振幅AM。接着，CPU91将该减法值除以持续时间TA来计算减少率DEC。另外，CPU91将算出的减少率DEC存储于存储装置94。此后，CPU91使处理进入步骤S16。

在步骤S16中，CPU91取得在规定期间取得的上下加速度G的绝对值的最大值作为最大加速度GM。另外，CPU91取得在规定期间中取得最大加速度GM的时刻的车速SP。进而，CPU91取得在规定期间中取得最大加速度GM的时刻的加速器操作量ACC。另外，CPU91将取得的各值存储于存储装置94。此后，CPU91使处理进入步骤S21。

在步骤S21中，CPU91通过访问存储装置94来取得各种值。具体而言，CPU91取得第一功率P1～第二十功率P20、最大加速度GM、频率FR、持续时间TA、减少率DEC、车速SP、加速器操作量ACC。此后，CPU91使处理进入步骤S22。

在步骤S22中，CPU91生成在步骤S21的处理中取得的各种值，作为向用于判定阻尼器15有无异常的映射M1输入的输入变量x(1)～输入变量x(26)。

CPU91将第一功率P1～第二十功率P20代入输入变量x(1)～输入变量x(20)。具体而言，CPU91以将第一功率P1代入输入变量x(1)，将第二功率P2代入输入变量x(2)的方式逐一代入。

CPU91将最大加速度GM代入输入变量x(21)。CPU91将频率FR代入输入变量x(22)。CPU91将持续时间TA代入输入变量x(23)。CPU91将减少率DEC代入输入变量x(24)。CPU91将车速SP代入输入变量x(25)。CPU91将加速器操作量ACC代入输入变量x(26)。此后，CPU91使处理进入步骤S23。

在步骤S23中，CPU91通过将在步骤S22的处理中生成的输入变量x(1)～输入变量x(26)以及作为偏置参数的输入变量x(0)输入到由预先存储于存储装置94的映射数据94A规定的映射M1，来计算输出变量y(i)的值。此后，CPU91使处理进入步骤S24。

由映射数据94A规定的映射M1的一例是函数逼近器，是中间层为一层的全连接前馈型神经网络。具体而言，在由映射数据94A规定的映射M1中，通过将通过由系数wFjk(j＝1～m、k＝0～26)规定的线性映射变换了输入变量x(1)～x(26)以及作为偏置参数的输入变量x(0)而得到的“m”个值分别代入激活函数f，从而确定中间层的节点的值。另外，通过将通过由系数wSij(i＝1)规定的线性映射变换了中间层的节点的值而得到的值分别代入激活函数g，从而确定输出变量y(1)。输出变量y(1)是表示阻尼器15产生异常的可能性的变量，例如作为“0”～“1”之间的数值而变化。需要说明的是，输出变量y(1)越大，则阻尼器15产生异常的可能性越高。另外，输出变量y(1)是异常判定变量。在本实施方式中，激活函数f的一例是ReLU函数。另外，激活函数g的一例是Sigmoid函数。需要说明的是，在后面叙述映射M1的学习方法。

在步骤S24中，CPU91判定输出变量y(1)是否比预先确定的阈值大。作为阈值，例如为“0.5”。在步骤S24中，CPU91在判定为输出变量y(1)比阈值大的情况下(S24：是)，使处理进入步骤S31。

在步骤S31中，CPU91判定为阻尼器15存在异常。此后，CPU91使处理进入步骤S32。在步骤S32中，CPU91将用于使显示器76显示阻尼器15存在异常的信号输出到上述显示器76。此后，CPU91结束本次的判定控制。

另一方面，CPU91在判定为输出变量y(1)为阈值以下的情况下(S24：否)，使处理进入步骤S41。在步骤S41中，CPU91判定为阻尼器15没有异常。此后，CPU91结束本次的判定控制。

接着，说明对由映射数据94A规定的映射M1进行学习的方法。首先，对用于映射M1的学习的模拟装置200进行说明。如图6所示，模拟装置200具备CPU210、周边电路220、ROM230、存储装置240以及总线250。虽然省略图示，但模拟装置200能够通过可拆装的外部电缆与控制装置90进行通信。总线250将CPU210、周边电路220、ROM230以及存储装置240以能够相互通信的方式连接。ROM230预先存储有用于供CPU210执行各种处理的各种程序。周边电路220包括生成对内部的动作进行规定的时钟信号的电路、电源电路、复位电路等。存储装置240存储有用于模拟车辆100的振动的模型数据241。在模型数据241规定了对车辆100的结构进行模型化而得到的车辆模型300。

在车辆模型300中，规定了驱动轮310、悬架320、框架330、支架340以及驱动系统350。框架330设想对搭载于车辆100的各部件进行支承的骨架部件。

在车辆模型300中，框架330经由悬架320以及驱动轮310与路面接触。因此，经由驱动轮310以及悬架320支承于路面的框架330的振动能够根据包括驱动轮310中的弹簧常数310K及质量310M、以及悬架320中的弹簧常数320K及衰减系数320D在内的耦合系统力学模型(coupled dynamical model)来计算。在该车辆模型300中，驱动轮310中的弹簧常数310K及质量310M被设定为与车辆100中的各设计值相同的值。另外，在车辆模型300中，悬架320中的弹簧常数320K及衰减系数320D被设定为与车辆100中的各设计值相同的值。在本实施方式中，弹簧常数310K、质量310M、弹簧常数320K以及衰减系数320D均为固定值，不变动。

另外，在车辆模型300中，框架330经由支架340支承驱动系统350。因此，从驱动系统350传递到框架330的振动能够根据包括支架340中的弹簧常数340K及衰减特性340D、以及驱动系统350中的质量350M在内的耦合系统力学模型来计算。在该车辆模型300中，支架340中的弹簧常数340K及衰减特性340D被设定为与车辆100中的各设计值相同的值。另外，在车辆模型300中，驱动系统350中的质量350M被设定为与车辆100中的设计值相同的值。需要说明的是，驱动系统350在实际的车辆100中，将从内燃机10到自动变速器30的各装置假想为单一的物体、振动源。在本实施方式中，弹簧常数340K、衰减特性340D以及质量350M均为固定值，不变动。

能够将与车辆100的状态相关的多个状态参数输入到模型数据241中。在该实施方式中，状态参数是阻尼器的刚性值K、阻尼器的滞后值H、阻尼器的间隙值GA、车速SP以及加速器操作量ACC。需要说明的是，在该模型数据241中，作为阻尼器，设想了车辆100的阻尼器15。

阻尼器的刚性值K用为了使阻尼器15产生单位扭转角所需的输入转矩Tin来表现。因此，如图5所示，在用正交坐标系表示扭转角Φ与输入转矩Tin的关系时，刚性值K相当于扭转角Φ与输入转矩Tin的关系线的微分值、即斜率。需要说明的是，扭转角Φ是指阻尼器15的输入轴的角位置与阻尼器15的输出轴的角位置之差。

在模型数据241中设想的车辆100的阻尼器15中，刚性值K根据扭转角Φ在从第一值K1到第三值K3的正常范围内变化。具体而言，如图5所示，在扭转角Φ为零以上且小于第一规定值Φ1的情况下，刚性值K成为第一值K1。在扭转角Φ为第一规定值Φ1以上且小于第二规定值Φ2的情况下，刚性值K成为比第一值K1大的第二值K2。在扭转角Φ为第二规定值Φ2以上的情况下，刚性值K成为比第二值K2大的第三值K3。

需要说明的是，在车辆100的阻尼器15中，刚性值K也可能因随时间的变化而脱离上述正常范围。随时间的变化是指，例如，构成阻尼器15的部件产生微细的裂纹，或者暴露于反复的温度变化而导致构成阻尼器15的部件的材质的特性发生变化。因此，在模型数据241中，作为刚性值K，能够输入也包括上述正常范围外的值在内的任意值。

阻尼器的滞后值H是为了使向阻尼器15输入的输入转矩Tin上升而产生规定的扭转角Φ所需的输入转矩Tin与为了使向阻尼器15输入的输入转矩Tin减少而产生规定的扭转角Φ所需的输入转矩Tin之差的绝对值。

在模型数据241中设想的车辆100的阻尼器15中，在使向阻尼器15输入的输入转矩Tin上升而产生规定的扭转角Φ时，所需的输入转矩Tin变大。另外，在该阻尼器15中，不论扭转角Φ的大小如何，滞后值H都大致为恒定值H1。但是，由于温度等外部环境、阻尼器15的制造误差，滞后值H可能稍微变动。考虑到这些变动，在阻尼器15中滞后值H的正常范围的一例是恒定值H1的±5％的范围。

需要说明的是，阻尼器的滞后值H也与上述刚性值K同样地，可能因随时间的变化而脱离正常值的范围。因此，在模型数据241中，作为滞后值H，能够输入也包括上述正常范围外的值在内的任意值。

阻尼器的间隙值GA是从阻尼器15的扭转角Φ为零的状态起使阻尼器15的输入轴旋转了时直至阻尼器15的输出轴开始旋转为止所需的输入轴的旋转角度。即，阻尼器的间隙值GA反映了阻尼器15的输入轴侧的元件与阻尼器15的输出轴侧的元件的旋转方向的间隙。需要说明的是，有时将该间隙称为“游隙”、“松动”等。

在模型数据241中设想的车辆100的阻尼器15中，预先确定构成阻尼器15的各部件的尺寸值等。因此，间隙值GA是恒定值GA1。但是，由于温度等外部环境、阻尼器15的制造误差，间隙值GA可能稍微变动。考虑到这些变动，在阻尼器15中，间隙值GA的正常范围的一例是恒定值GA1的±1％的范围。

阻尼器的间隙值GA可能因随时间的变化而脱离正常值的范围。尤其是，构成阻尼器15的各部件随着使用而磨损或局部缺损。因此，阻尼器的间隙值GA可能脱离上述正常值的范围。因此，在模型数据241中，作为间隙值GA，能够输入也包括上述正常范围外的值在内的任意值。

在模型数据241中设想的车辆100中，作为车速SP而产生的值存在极限。另外，由于加速踏板77的行程也存在极限，因此，作为加速器操作量ACC可能产生的值也存在极限。因此，在模型数据241中，作为车速SP，能够输入预先确定的车速范围内的任意值。另外，在模型数据241中，作为加速器操作量ACC，能够输入预先确定的操作量范围内的任意值。

当阻尼器的刚性值K、阻尼器的滞后值H、阻尼器的间隙值GA、车速SP以及加速器操作量ACC被输入到模型数据241时，模拟装置200的CPU210利用车辆模型300，输出与车辆100的振动相关的特性变量。需要说明的是，以下，将多个状态参数、即被输入到模型数据241的阻尼器的刚性值K、阻尼器的滞后值H、阻尼器的间隙值GA、车速SP、以及加速器操作量ACC的组称为参数集。另外，被输入到模型数据241的阻尼器的刚性值K、阻尼器的滞后值H以及阻尼器的间隙值GA是表示特定部件的特性的特定参数。

在模型数据241中设想的车辆100中，能够通过车速SP以及加速器操作量ACC来推定在内燃机10以及自动变速器30产生的振动。另外，能够通过车速SP以及加速器操作量ACC来推定阻尼器15的输入转矩Tin。而且，能够通过输入转矩Tin、阻尼器的刚性值K、阻尼器的滞后值H、阻尼器的间隙值GA来推定在阻尼器15产生的振动。CPU210将在内燃机10、自动变速器30以及阻尼器15产生的振动作为驱动系统350的振动应用于车辆模型300。接着，CPU210基于在车辆模型300中设定的弹簧常数、质量的值，将规定期间中的框架330的振动的推移推定为车辆100的上下加速度G的推移。

进而，CPU210基于推定出的上下加速度G的推移，制作功率谱，并且，计算与第一频率～第二十频率对应的第一功率P1～第二十功率P20。CPU210取得与第一功率P1～第二十功率P20中的最大功率对应的频率作为频率FR。CPU210基于推定出的上下加速度G的推移，计算振动的持续时间TA以及减少率DEC。另外，CPU210取得在规定期间取得的上下加速度G的绝对值的最大值作为最大加速度GM。需要说明的是，由CPU210进行计算的第一功率P1～第二十功率P20、频率FR、持续时间TA、减少率DEC以及最大加速度GM的计算方法的详细情况与由CPU91进行计算的各值的计算方法相同，因此，省略说明。

接着，说明对由控制装置90的映射数据94A规定的映射M1进行学习的学习控制。需要说明的是，以下，模拟装置200和控制装置90通过外部电缆连接，能够相互通信。

例如，当由作业者指示执行学习控制时，CPU210执行学习控制。ROM230预先存储有用于执行学习控制的程序即学习用程序。CPU210通过执行ROM230中存储的学习用程序来执行学习控制。

如图7所示，当开始学习控制时，在步骤S61中，向CPU210输入参数集。需要说明的是，在本实施方式中，作业者操作与模拟装置200连接的输入设备来输入各参数的数值。接着，在输入完所有参数的数值后，将这些组作为参数集输入到CPU210。此后，CPU210使处理进入步骤S62。

在步骤S62中，CPU210通过使用了由存储装置240的模型数据241规定的车辆模型300的模拟，将车辆模型300中的框架330的振动推定为车辆100的上下加速度G的推移。此后，CPU91使处理进入步骤S63。

在步骤S63中，CPU210基于在步骤S62的处理中算出的上下加速度G的推移来计算各特性变量。在本实施方式中，CPU210计算第一功率P1～第二十功率P20、最大加速度GM、频率FR、持续时间TA以及减少率DEC作为与车辆100的振动相关的特性变量。需要说明的是，在本实施方式中，步骤S61～步骤S63的处理是模拟工序。此后，CPU210使处理进入步骤S64。

在步骤S64中，CPU210基于在步骤S61中输入的参数集的各状态参数的值，将表示阻尼器15有无异常的判定标签LA与在步骤S63的处理中算出的特性变量对应起来。具体而言，CPU210判定是否满足阻尼器的刚性值K在预先确定的正常范围外的条件、阻尼器的滞后值H在预先确定的正常范围外的条件、以及阻尼器的间隙值GA在预先确定的正常范围外的条件。CPU210在满足三个条件中的至少一个以上的条件的情况下，作为判定标签LA，设定表示阻尼器15存在异常的数值、例如“1”。另一方面，CPU210在上述三个条件全部不满足的情况下，作为判定标签LA，设定表示阻尼器15没有异常的数值、例如“0”。需要说明的是，在本实施方式中，判定标签LA是与异常判定变量相同类别的变量，能够与步骤S23的处理的异常判定变量同样地在0～1的范围内设定。此后，CPU210使处理进入步骤S65。

在步骤S65中，CPU210将在步骤S63中算出的各特性变量和在计算这些特性变量时被输入的参数集中的车速SP以及加速器操作量ACC作为汇总的训练数据TRN。另外，CPU210将与各特性变量对应的判定标签LA作为示教数据TCH。接着，如图6所示，CPU210将训练数据TRN和示教数据TCH的组输出到控制装置90。

当输入训练数据TRN以及示教数据TCH时，控制装置90进行步骤S66的处理。在步骤S66中，控制装置90的CPU91基于被输入的训练数据TRN以及示教数据TCH，进行存储装置94的映射数据94A中的映射M1的更新。

具体而言，控制装置90的CPU91将构成被输入的训练数据TRN的各数值、即第一功率P1～第二十功率P20、最大加速度GM、频率FR、持续时间TA、减少率DEC、车速SP以及加速器操作量ACC作为输入变量x(1)～输入变量x(26)。接着，将与上述训练数据TRN成组的示教数据TCH即判定标签LA作为输出变量y(1)，进行映射M1的更新。需要说明的是，在本实施方式中，步骤S65以及步骤S66的处理是学习工序。此后，CPU210结束本次的学习控制。

说明本实施方式的作用。在向模拟装置200的模型数据241输入参数集时，将构成参数集的状态参数中的至少一个设定为正常范围外的值，将其他状态参数设定为正常范围内的值。例如，将状态参数中的阻尼器15的间隙值GA设定为正常范围外，将其他状态参数设定为正常范围内的值。由此，模拟装置200输出假定在阻尼器15的各部件产生磨损而间隙值GA成为异常的值时的特性变量。另外，在向模型数据241输入参数集时，将构成参数集的状态参数中的全部参数设定为正常范围内的值。此时，将状态参数中的至少一个设定为虽然在正常范围内但接近正常范围与异常范围的边界的值。由此，模拟装置200输出假定阻尼器15处于正常或异常的边界附近的状态时的特性变量。这样，通过向模拟装置200输入任意的参数集，假定作业者期望的阻尼器15的状态，得到各种特性变量。

说明本实施方式的效果。

(1)根据上述实施方式，作业者通过向模拟装置200输入参数集，能够得到假定阻尼器15产生了异常时的特性变量。而且，通过适当地变更构成参数集的状态参数的值，能够得到多个特性变量。因此，即便阻尼器15产生异常的频度低而得到阻尼器15实际产生了异常时的特性变量的机会少，也能够得到各种各样地假定了阻尼器15的异常程度等的特性变量。接着，将得到的特性变量作为训练数据TRN更新映射M1，因此，该映射M1能够输出适当的输出变量的可能性提高。

(2)根据上述实施方式，作为状态参数，通过将在正常范围内但接近正常范围与异常范围的边界的值输入到模拟装置200，能够得到假定在阻尼器15中产生异常的状态时的特性变量。阻尼器15的状态为正常或异常的边界附近时的特性变量对于映射M1的输出变量的精度提高非常重要。另一方面，即便在阻尼器15中产生异常，如果仍在正常范围内，则振动等问题明显化的可能性也较低，因此，作为数据而取得的机会少。在上述实施方式中，如上所述，可以容易地得到虽然难以作为数据取得但是对于映射M1的更新是重要的特性变量。

(3)在上述实施方式中，将从内燃机10向驱动轮69传递动力的路径上的部件中的阻尼器15作为基于映射M1的异常的判定对象部件。阻尼器15具有阻尼器主体16、衰减器17这样的可能与车辆100的振动相关的部件，并且接收来自内燃机10的比较大的转矩的输入。对于这样的阻尼器15，特别优选利用模拟装置200实现映射M1的输出变量的精度提高。

(4)在上述实施方式中，刚性值K等表示阻尼器15的特性的特定参数包含在状态参数中。而且，关于表示阻尼器15的特性的特定参数，在向模拟装置200输入时，预先确定正常范围。因此，作为表示阻尼器15的特性的特定参数，通过将正常范围外的值输入到模拟装置200，能够可靠地反映阻尼器15存在异常。

(5)在上述实施方式中，阻尼器15具备具有弹性部件的阻尼器主体16、衰减器17。因此，在阻尼器15产生了异常的情况下，使车辆100的振动增加的可能性较高。即，阻尼器15有无异常与车辆100中的振动的大小相关的可能性较高。在上述实施方式中，模拟装置200将反映车辆100的振动的大小的最大加速度GM作为特性变量输出，基于该最大加速度GM更新映射M1。另外，在阻尼器15产生了异常的情况下，不仅车辆100的振动的大小，而且振动的频率特性也有可能变化。在上述实施方式中，模拟装置200将反映振动的频率特性的功率谱作为第一功率P1～第二十功率P20输出，基于它们来更新映射M1。这样，通过使用与阻尼器15有无异常相关的参数来更新映射M1，利用模拟装置200的映射M1的学习效果提高。

(6)阻尼器15中的阻尼器主体16具有弹性部件。在该弹性部件产生了异常的情况下，阻尼器15的共振频率变化，因此，由阻尼器15引起的振动中的、最大振幅下的频率FR发生变化的可能性较高。在上述实施方式中，模拟装置200将与阻尼器主体16的异常尤其相关的频率FR作为特性变量输出，基于该频率FR来更新映射M1。因此，尤其是关于阻尼器主体16有无异常，映射M1的学习效果提高。

(7)阻尼器15具有衰减器17。在该衰减器17产生了异常的情况下，在阻尼器15产生的振动的持续时间TA以及减少率DEC发生变化的可能性较高。在上述实施方式中，模拟装置200将与衰减器17的异常尤其相关的持续时间TA以及减少率DEC作为特性变量输出，基于该持续时间TA以及减少率DEC来更新映射M1。因此，尤其是关于衰减器17有无异常，映射M1的学习效果提高。

(8)在上述实施方式中，当车速SP变化时，阻尼器15的输入轴、输出轴的旋转速度也变化。因此，即便阻尼器15的状态相同，根据车速SP的大小，由阻尼器15引起的振动也可能产生差异。在上述实施方式中，采用车速SP作为被输入到模型数据241的状态参数之一，模拟装置200计算与车速SP相应的特性变量。因此，作为模拟装置200的输出，能够得到准确的特性变量的期待提高。

(9)在上述实施方式中，当加速器操作量ACC变化时，内燃机10的负荷变化，被输入到阻尼器15的转矩也随之变化。因此，即便阻尼器15的状态相同，根据加速器操作量ACC的大小，由阻尼器15引起的振动也可能产生差异。在上述实施方式中，采用加速器操作量ACC作为被输入到模型数据241的状态参数之一，模拟装置200计算与加速器操作量ACC相应的特性变量。因此，作为模拟装置200的输出，能够得到准确的特性变量的期待提高。

<其他实施方式>

本实施方式能够如以下那样变更来实施。本实施方式以及以下的变形例能够在技术上不矛盾的范围内相互组合来实施。

“关于特性变量”

在上述实施方式中，采用了与车辆100发出的振动相关的特性变量，但也可以采用与车辆100发出的噪音相关的特性变量。例如，在图8所示的例子中，除上述实施方式的各结构之外，车辆100还具备麦克风75。麦克风75例如位于车厢内。另外，麦克风75检测人能够感知为噪音的频带、例如20Hz以上且20kHz以下的声波。接着，来自麦克风75的信号被输入到控制装置90。

控制装置90的CPU91与上述实施方式同样地，基于麦克风75检测到的规定期间的声波，计算第一功率P1～第二十功率P20、频率FR、持续时间TA、减少率DEC。另外，控制装置90取得规定期间的声波的最大振幅。接着，CPU91将第一功率P1～第二十功率P20、最大振幅、频率FR、持续时间TA、减少率DEC、车速SP、加速器操作量ACC作为输入变量x(1)～输入变量x(26)输入到映射M1。

另外，当参数集被输入到模型数据241时，模拟装置200的CPU210推定车辆模型300中的驱动系统350的振动。此时，推定20Hz以上且20kHz以下的频带的振动。需要说明的是，该频带的振动由于频率较高且振幅也较小，因此，难以利用加速度传感器等进行检测，但通过CPU210中的计算，能够作为振动进行计算。接着，CPU210将驱动系统350的振动应用于车辆模型300，推定框架330的振动。接着，CPU210将该框架330的振动作为车辆100发出的声波来处理，计算第一功率P1～第二十功率P20、最大振幅、频率FR、持续时间TA以及减少率DEC作为与噪音相关的特性变量。

这样，车辆100发出的振动和噪音也是同质的，主要是作为对象的频带不同。因此，即便在如该变形例那样采用与车辆100发出的噪音相关的特性变量的情况下，也能够转用与上述实施方式相同种类的技术。

在上述实施方式中，特性变量能够变更。例如，在基于功率谱计算每个频率的功率时，预先确定的频率的个数不需要为20个，也可以为19个以下，或者多于20个。需要说明的是，在使用功率谱准确地掌握宽频带中的振动的特性方面，优选频率的数量在一定程度上较多。但是，只要能够确定根据阻尼器15有无异常而变化的振动的频率，则至少能够计算该频率的功率即可。

例如，作为特性变量，也可以采用表示预先确定的特定频带的功率谱密度的变量。作为具体例，CPU91根据振动的功率谱，将与预先确定的第一频带～第二十频带对应的合计20个功率密度从第一频带起依次计算为第一功率密度PA1～第二十功率密度PA20。而且，也可以将这些第一功率密度PA1～第二十功率密度PA20作为特性变量。

例如，作为特性变量，也可以使用在规定期间取得的上下加速度G的绝对值的平均值。在该情况下，在规定期间取得的上下加速度G的绝对值的平均值是表示车辆100的加速度的变量。

例如，作为特性变量，也可以不一定使用第一功率P1～第二十功率P20、最大加速度GM、频率FR、持续时间TA以及减少率DEC的全部。只要采用至少一个与车辆100发出的振动或噪音相关的特性变量，则可以是任意的特性变量，特性变量的数量也没有限制。

“关于参数集”

在上述实施方式中，参数集也可以变更。例如，根据阻尼器15的结构等，有时阻尼器的刚性值K、阻尼器的滞后值H以及阻尼器的间隙值GA的一部分数值实际上处于正常范围外的可能性较低。在该情况下，也可以从参数集省略阻尼器的刚性值K、阻尼器的滞后值H、阻尼器的间隙值GA的一部分，设为不需要输入数值的固定值。因此，在用于判定阻尼器15有无异常的映射M1的学习控制中，只要采用阻尼器的刚性值K、阻尼器的滞后值H以及阻尼器的间隙值GA中的至少一个以上即可。

例如，也可以省略被输入到模拟装置200的模型数据241的参数集中的车速SP以及加速器操作量ACC。即，参数集也可以仅由表示阻尼器15的特性的特定参数构成。需要说明的是，在从参数集省略车速SP以及加速器操作量ACC的情况下，在车辆模型300中将车速SP以及加速器操作量ACC作为预先确定的恒定值进行处理即可。

“关于判定标签”

在设定判定标签时，也可以不是“0”或“1”，而是在“0”到“1”之间变动的值。例如，在阻尼器的刚性值K等处于正常范围外的情况下，也可以设定为，阻尼器的刚性值K等越远离正常范围与异常范围的边界，则判定标签越接近“1”。

“关于异常判定变量”

与异常判定变量相关的阈值能够适当变更。例如，使阈值越接近“1”，则判定为存在异常时的精度越高，但尽管产生了异常仍无法判定异常的弊端升高。

“关于模拟工序”

在上述实施方式中，模拟工序也可以变更。例如，在步骤S61中，作业者也可以不一定输入任意的值作为各参数，也可以由CPU210随机确定各参数。

“关于学习工序”

在上述实施方式中，车辆100的控制装置90执行学习工序，但其他装置、例如模拟装置200也可以执行学习工序。在该情况下，例如，只要将在模拟装置200中进行了更新的映射数据94A应用于各车辆100的控制装置90即可。

训练数据TRN所包含的车速SP以及加速器操作量ACC的值也可以不一定与在计算特性变量时输入到模型数据241的车速SP以及加速器操作量ACC的值相同。

“关于输入变量”

在上述实施方式中，映射M1的输入变量能够变更。例如，在如上所述变更了特性变量的情况下，将第一功率P1～第二十功率P20、最大加速度GM、频率FR、持续时间TA以及减少率DEC中的作为特性变量而使用的变量用作输入变量即可。

“关于输出变量”

在上述实施方式中，映射M1的输出变量能够变更。例如，映射M1的输出变量不需要为一个，也可以输出多个。作为具体例，作为映射M1的输出变量，也可以采用表示在阻尼器主体16中产生异常的可能性的变量、以及表示在衰减器17中产生异常的可能性的变量。需要说明的是，在输出多个输出变量的情况下，在异常的报告中，既可以分别报告产生异常的可能性，也可以仅报告产生异常的可能性最大的情况。

“关于特定部件”

在上述实施方式中，特定部件并不限于阻尼器15。例如，有时因自动变速器30的齿轮的年久老化等而导致齿轮的齿磨损或齿轮的齿局部缺损。在该情况下，有时因自动变速器30的齿轮的异常而导致车辆100发出振动或发出噪音。同样地，有时因动力分配机构20的齿轮的异常而导致车辆100发出振动或发出噪音。因此，关于自动变速器30以及动力分配机构20，只要能够从齿轮间的间隙值、齿轮的物性值等导出能够计算振动或噪音的特性变量的模型，就能够对用于判定这些自动变速器30以及动力分配机构20的异常的映射的学习应用上述实施方式的技术。在该情况下，自动变速器30以及动力分配机构20是从作为车辆100的驱动源的内燃机10到驱动轮69的动力传递路径上的特定部件。关于这一点，对于第一电动发电机61以及第二电动发电机62也是同样的。

也可以对不是从车辆100的驱动源到驱动轮69的动力传递路径上的部件的部件应用与上述实施方式的映射的学习有关的技术。例如，在油泵66产生了异常的情况下，可能存在车辆100发出振动或发出噪音的情况。因此，关于油泵66，只要能够从与上述油泵66的特性相关的特定参数导出能够计算振动或噪音的特性变量的模型，就能够对用于判定油泵66的异常的映射的学习应用上述实施方式的技术。

“关于映射”

在上述实施方式中，映射的激活函数是例示，映射的激活函数也可以变更。

在上述实施方式中，作为神经网络，例示了中间层的数量为一层的神经网络，但中间层的数量也可以是2层以上。

在上述实施方式中，作为神经网络，例示了全连接前馈型神经网络，但并不限于此。例如，作为神经网络，也可以采用递归连接型神经网络。

在上述实施方式中，作为映射的函数逼近器并不限于神经网络。例如，也可以是不具备中间层的回归方程。

“关于控制装置以及模拟装置”

在上述实施方式中，作为控制装置90，不限于具备CPU91以及ROM93来执行软件处理的装置。作为具体例，也可以具备对在上述实施方式中进行了软件处理的至少一部分进行硬件处理的例如ASIC等专用的硬件电路。即，控制装置90只要是以下的(a)～(c)中的任一结构即可。(a)具备按照程序执行全部上述处理的处理装置和存储程序的ROM等程序存储装置。(b)具备按照程序执行上述处理的一部分的处理装置及程序存储装置、以及执行剩下的处理的专用的硬件电路。(c)具备执行全部上述处理的专用的硬件电路。在此，具备处理装置及程序存储装置的软件执行装置、专用的硬件电路也可以是多个。需要说明的是，在模拟装置200中也是同样的。

“关于传感器”

在上述实施方式中，车辆100具备的传感器也可以变更。例如，由阻尼器15的异常引起的车辆100的振动可能作为车辆100的前后方向的振动而产生，或者作为车辆100的车宽度方向的振动而产生。在该情况下，也可以代替加速度传感器74，或者在此基础上，采用检测车辆100的前后方向的加速度的加速度传感器、检测车辆100的车宽度方向的加速度的加速度传感器。

“关于车辆”

在上述实施方式中，作为车辆，例示了所谓的串联并联混合动力车，但并不限于此。例如，作为车辆，也可以是串联混合动力车、并联混合动力车。

在上述实施方式中，作为车辆，也不限于具备内燃机和电动发电机的车辆。例如，作为车辆，也可以是具备内燃机而不具备电动发电机的车辆。并且，例如，作为车辆，也可以是具备电动发电机而不具备内燃机的车辆。

Claims (9)

1.一种学习方法，是使用模拟装置、存储装置以及学习装置对映射进行学习的异常判定用的映射的学习方法，

所述模拟装置构成为，通过输入由与车辆的状态相关的多个状态参数构成的参数集，从而输出与所述车辆发出的噪音以及振动中的至少任一方相关的特性变量，

所述存储装置存储映射数据，所述映射数据包含所述特性变量作为多个输入变量中的至少一个，所述映射数据对用于将异常判定变量作为输出变量而输出的所述映射进行规定，所述异常判定变量是表示搭载于所述车辆的特定部件产生异常的可能性的变量，

所述学习装置构成为，通过输入所述输入变量作为训练数据并且输入与所述训练数据成组的异常判定变量作为示教数据，从而更新存储于所述存储装置的对所述映射进行规定的所述映射数据，

所述学习方法的特征在于，包括：

模拟工序，在所述模拟工序中，向所述模拟装置输入预先推定为所述特定部件存在异常的所述参数集，所述模拟装置基于被输入的所述参数集输出特性变量；以及

学习工序，在所述学习工序中，向所述学习装置输入包含在所述模拟工序中输出的所述特性变量在内的所述输入变量作为所述训练数据，并且输入表示所述特定部件存在异常的异常判定变量作为所述示教数据，所述学习装置基于被输入的所述训练数据和所述示教数据来更新所述映射，

多个所述状态参数中的一个是表示所述特定部件的特性的特定参数，

在所述模拟工序中，输入所述特定参数处于预先确定的正常范围外的参数集作为预先推定为所述特定部件存在异常的所述参数集。

2.如权利要求1所述的学习方法，其特征在于，

所述特定部件是从所述车辆的驱动源到所述车辆的驱动轮的动力传递路径上的部件。

3.如权利要求1或2所述的学习方法，其特征在于，

所述特性变量是表示预先确定的特定方向上的所述车辆的加速度的变量。

4.如权利要求1或2所述的学习方法，其特征在于，

在以功率谱按每个单位频率表示所述车辆的振动的能量或所述车辆的噪音的能量时，

所述特性变量是表示预先确定的特定频率下的功率谱或预先确定的特定频带的功率谱密度的变量。

5.如权利要求1或2所述的学习方法，其特征在于，

所述特性变量是表示所述车辆的振动或所述车辆的噪音的最大振幅下的频率的变量。

6.如权利要求1或2所述的学习方法，其特征在于，

所述特性变量是表示所述车辆的振动或所述车辆的噪音的持续时间的变量。

7.如权利要求1或2所述的学习方法，其特征在于，

所述特性变量是所述车辆的振动或所述车辆的噪音的每单位时间的减少率。

8.如权利要求1或2所述的学习方法，其特征在于，

多个所述状态参数中的一个是车速。

9.如权利要求1或2所述的学习方法，其特征在于，

多个所述状态参数中的一个是加速踏板的操作量。