DE102019124267A1

DE102019124267A1 - Steuerungsvorrichtung einer Brennkraftmaschine und Steuerungsverfahren derselben sowie Lernmodell zur Steuerung einer Brennkraftmaschine und Lernverfahren desselben

Info

Publication number: DE102019124267A1
Application number: DE102019124267.3A
Authority: DE
Inventors: Daiki Yokoyama; Eiki KITAGAWA; Tomihisa Oda
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2018-10-17
Filing date: 2019-09-10
Publication date: 2020-04-23
Also published as: US20200123990A1; JP6699702B2; JP2020063699A; US10947909B2

Abstract

Es wird eine Steuerungsvorrichtung einer Brennkraftmaschine bereitgestellt, die in der Lage ist, die Einwirkung des Rauschens auf das Einlernen eines Lernmodells auch zu unterdrücken, wenn Lehrdaten rauschüberlagert sind. Eine Steuerungsvorrichtung einer Brennkraftmaschine umfasst einen Parameterausgabeteil 221, der einen Vorhersagewert eines Ausgabeparameters unter Verwendung eines Lernmodells ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, einen Motorsteuerteil 222, der die Brennkraftmaschine anhand des Vorhersagewerts des Ausgabeparameters steuert, einen Lernteil 223, der das Lernmodell einlernt, indem er ein Gradientenverfahren verwendet und eine Kombination aus Ist-Messwerten der Eingabeparameter und einem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet, und einen Lernratenanpassungsteil 224, der die Lernrate so anpasst, dass das Lernen, wenn ein Rauschbetrag, der einen Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, mit einer geringeren Lernrate ausgeführt wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist.

Description

GEBIET
Die vorliegende Offenbarung bezieht sich auf eine Steuerungsvorrichtung einer Brennkraftmaschine und ein Steuerungsverfahren derselben sowie auf ein Lernmodell zur Steuerung der Brennkraftmaschine und ein Lernverfahren desselben.
STAND DER TECHNIK
Die Technik zur Steuerung einer Brennkraftmaschine eines Fahrzeugs durch Verwendung eines durch maschinelles Lernen eingelernten Lernmodells ist aus der Vergangenheit bekannt (siehe beispielsweise PTL 1). Insbesondere wird in den in PTL 1 beschriebenen Modellen, wenn mehrere auf den Betrieb der Brennkraftmaschine bezogene Eingabeparameter eingegeben werden, ein neuronales Netz verwendet, um Durchflussmengen von Einlassgas, Abgas und AGR-Gas auszugeben. Bei diesem maschinellen Lernen ist es wichtig, ein Lernmodell so vorzubereiten, dass ein Fehler zwischen einem vorhergesagten Wert eines vom Lernmodell ausgegebenen Ausgabeparameters und einem tatsächlichen Wert des Ausgabeparameters kleiner wird.
[LISTE DER ANFÜHRUNGEN]
[PATENTLITERATUR]
[PTL 1] Japanische Patentschrift Nr. 2012-112277
KURZDARSTELLUNG DER ERFINDUNG
[TECHNISCHE AUFGABE]
In einer ein Lernmodell verwendenden Steuerungsvorrichtung einer Brennkraftmaschine wird diesbezüglich davon ausgegangen, dass das Einlernen des Lernmodells auf Grundlage von während des Betriebs erfassten fahrzeuginternen Lehrdaten erfolgt. Dadurch werden nach dem Einlernen fahrzeugspezifische Merkmale im Lernmodell abgebildet. Dies ermöglicht eine Reduzierung des Fehlers zwischen einem Vorhersagewert eines vom Lernmodell ausgegebenen Ausgabeparameters und dem Ist-Wert dieses ausgegebenen Parameters (nachfolgend als „Vorhersagefehler“ bezeichnet). Entsprechend einem solchen Lernmodell wird eine zweckmäßigere Ansteuerung der Brennkraftmaschine ermöglicht.
Die während des Betriebs erfassten Lehrdaten sind jedoch, beispielsweise aufgrund der Fahrumgebung, der Fahrbedingungen oder verschiedener anderer Faktoren, rauschüberlagert. Mit zunehmendem Betrag des die Lehrdaten überlagernden Rauschens schlägt sich das Rauschen zum Lernzeitpunkt des Lernmodells leicht in den Lernergebnissen nieder. Im Ergebnis verschlechtert sich die Konvergenz des Lernens und der Vorhersagefehler im Lernmodell erhöht sich zwangsläufig.
Die vorliegende Offenbarung wurde unter Berücksichtigung der obigen technischen Aufgabe entwickelt und bezweckt die Bereitstellung einer Steuerungsvorrichtung einer Brennkraftmaschine, welche die Einwirkung von Rauschen auf ein Lernmodell auch bei einer Rauschüberlagerung der Lehrdaten unterdrücken kann, und eines entsprechenden Steuerungsverfahrens dieser Vorrichtung sowie eines Lernmodells zum Steuern der Brennkraftmaschine und eines Lernverfahrens dieses Modells.
[TECHNISCHE LÖSUNG]
Die Kurzdarstellung der vorliegenden Offenbarung ist wie folgt:

(1) Steuerungsvorrichtung einer Brennkraftmaschine zum Steuern eines Betriebs einer Brennkraftmaschine eines Fahrzeugs, wobei die Steuerungsvorrichtung einer Brennkraftmaschine Folgendes umfasst: einen Parameterausgabeteil, der einen Vorhersagewert eines Ausgabeparameters unter Verwendung eines Lernmodells ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, einen Motorsteuerteil, der die Brennkraftmaschine anhand des Vorhersagewerts des vom Parameterausgabeteil ausgegebenen Ausgabeparameters steuert, einen Lernteil, der das Lernmodell einlernt, indem er ein Gradientenverfahren verwendet und eine Kombination von Ist-Messwerten der Eingabeparameter des Lernmodells und einem Ist-Messwert des Ausgabeparameters des Lernmodells als Lehrdaten verwendet, und einen Lernratenanpassungsteil, der die Lernrate so anpasst, dass das Lernen, wenn ein Rauschbetrag, der einen Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, mit einer geringeren Lernrate ausgeführt wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist.
(2) Steuerungsvorrichtung einer Brennkraftmaschine nach Anspruch 1, ferner umfassend: einen Rauscherfassungsteil, der die Rauschbeträge erfasst, welche die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters überlagern, wobei der Rauscherfassungsteil eine Standardabweichung oder einen Kehrwert eines Signal-Rausch-Verhältnisses (SN-Verhältnis) jedes Parameters anhand der Ist-Messwerte der Eingabeparameter und des Ausgabeparameters, die erfasst werden, wenn der Betriebszustand der Brennkraftmaschine ein Beharrungszustand ist, berechnet und die Standardabweichung oder den Kehrwert des SN-Verhältnisses jedes Parameters als Rauschbetrag des Parameters verwendet.
(3) Steuerungsvorrichtung einer Brennkraftmaschine nach Anspruch 1 oder 2, wobei der Lernratenanpassungsteil die Lernrate so anpasst, dass die Lernrate kleiner wird, je größer der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag ist.
(4) Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 3, wobei, wenn die Rauschbeträge, welche die Ist-Messwerte der Eingabeparameter und des Ausgabeparameters überlagern, gleich oder kleiner als die für die Parameter eingestellten Schwellwerte sind, der Lernratenanpassungsteil die Lernrate so anpasst, dass sie auf einer konstanten Lernrate gehalten wird, die größer ist als die Lernrate, wenn der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag größer ist als der Schwellwert.
(5) Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 4, wobei die Steuerungsvorrichtung einer Brennkraftmaschine eine am Fahrzeug vorgesehene elektronische Steuereinheit ist.
(6) Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 4, wobei die Steuerungsvorrichtung einer Brennkraftmaschine eine am Fahrzeug vorgesehene elektronische Steuereinheit und einen an einer Außenseite des Fahrzeugs installierten Server, der eingerichtet ist, um mit der elektronischen Steuereinheit kommunizieren zu können, umfasst, die elektronische Steuereinheit den Parameterausgabeteil und den Motorsteuerungsteil umfasst, der Server den Lernteil und den Lernratenanpassungsteil umfasst, die elektronische Steuereinheit die Lehrdaten an den Server sendet, der Lernratenanpassungsteil die Lernrate anhand des Rauschbetrags anpasst, der die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters, die in den Lehrdaten enthalten sind, überlagert, der Lernteil das Lernmodell unter Verwendung der aus der elektronischen Steuereinheit empfangenen Lehrdaten einlernt und das eingelernte Lernmodell an die elektronische Steuereinheit sendet, und der Parameterausgabeteil das vom Lernteil an die elektronische Steuereinheit gesendete eingelernte Lernmodell verwendet.
(7) Steuerungsverfahren einer Brennkraftmaschine, das ein Lernmodell verwendet, um einen Betrieb der Brennkraftmaschine eines Fahrzeugs zu steuern, wobei das Steuerungsverfahren einer Brennkraftmaschine einen Prozessor zur Ausführung der folgenden Schritte veranlasst: Anpassen der Lernrate dergestalt, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern des Lernmodells und dem Ausgabeparameter des Lernmodells überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist, Einlernen des Lernmodells durch ein Gradientenverfahren, indem die angepasste Lernrate verwendet wird und eine Kombination aus den Ist-Messwerten der Eingabeparameter und dem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet wird, Ausgeben eines Vorhersagewerts des Ausgabeparameters unter Verwendung des Lernmodells, wenn die Ist-Messwerte der Eingabeparameter eingegeben werden, und Steuern der Brennkraftmaschine anhand des ausgegebenen Vorhersagewerts des Ausgabeparameters.
(8) Lernmodell zum Steuern einer Brennkraftmaschine, wobei das Lernmodell bewirkt, dass ein Prozessor so arbeitet, dass er einen Vorhersagewert eines für die Steuerung einer Brennkraftmaschine verwendeten Ausgabeparameters ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, wobei das Lernmodell durch ein Gradientenverfahren eingelernt wird, das eine Kombination aus Ist-Messwerten der Eingabeparameter und einem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet, und beim Lernen eine Lernrate verwendet wird, die so angepasst wird, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert dieses Parameters überlagernde Rauschbetrag relativ niedrig ist.
(9) Lernverfahren eines Lernmodells zum Steuern einer Brennkraftmaschine, wobei das Lernverfahren bewirkt, dass ein Prozessor so arbeitet, dass er einen Vorhersagewert eines für die Steuerung einer Brennkraftmaschine verwendeten Ausgabeparameters ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, wobei das Lernmodell durch ein Gradientenverfahren eingelernt wird, das eine Kombination aus Ist-Messwerten der Eingabeparameter und einem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet, und beim Lernen eine Lernrate verwendet wird, die so angepasst wird, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert dieses Parameters überlagernde Rauschbetrag relativ niedrig ist.

[VORTEILHAFTE WIRKUNGEN DER ERFINDUNG]
Gemäß der vorliegenden Offenbarung ist es möglich, die Einwirkung des Rauschens auf das Einlernen eines Lernmodells auch dann zu unterdrücken, wenn Lehrdaten rauschüberlagert sind.
Figurenliste

1 ist eine schematische Ansicht der Ausgestaltung einer Brennkraftmaschine und einer die Brennkraftmaschine steuernden elektronischen Steuereinheit gemäß einer ersten Ausführungsform der vorliegenden Offenbarung.
2 ist eine Ansicht zur Darstellung eines Beispiels eines neuronalen Netzes.
3 ist eine Ansicht zur Darstellung eines Beispiels der Beziehung zwischen einer beliebigen Gewichtung und einer Fehlerfunktion E(w).
4 ist eine Ansicht zur Darstellung eines besonderen Beispiels eines neuronalen Netzes in einem Lernmodell gemäß der ersten Ausführungsform.
5 ist eine Ansicht zur Darstellung eines Beispiels der Beziehung zwischen einer beliebigen Gewichtung und einer Fehlerfunktion E(w) im Falle einer Rauschüberlagerung von Lehrdaten.
6 ist ein Flussdiagramm zur Erläuterung einer Steuerroutine zur Einlernverarbeitung eines Lernmodells gemäß der ersten Ausführungsform.
7A bis 7C sind Ansichten zur Erläuterung einer Abwandlung der Lernergebnisse je nach Vorliegen oder Nichtvorliegen einer Rauschüberlagerung und Anpassung der Lernrate.
8 ist ein Flussdiagramm zur Erläuterung einer Steuerroutine zur Einlernverarbeitung eines Lernmodells gemäß einer Abwandlung.
9 ist eine schematische Ansicht der Ausgestaltung einer Steuerungsvorrichtung einer Brennkraftmaschine gemäß einer zweiten Ausführungsform.

BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Nachfolgend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen im Detail erläutert. Hierbei ist anzumerken, dass in der folgenden Erläuterung ähnliche Bestandteile mit gleichen Bezugszeichen versehen sind.
Erste Ausführungsform
Ausgestaltung der Brennkraftmaschine
1 ist eine schematische Ansicht der Ausgestaltung einer Brennkraftmaschine und einer die Brennkraftmaschine steuernden elektronischen Steuereinheit (ECU) gemäß einer ersten Ausführungsform. 1 zeigt eine Brennkraftmaschine 100, die einen Motorkörper 1, einen Ansaugkrümmer 4 und einen Abgaskrümmer 5 aufweist. Wie in 1 dargestellt, umfasst der Motorkörper 1 Kraftstoffeinspritzventile 3 zum Einspeisen von Kraftstoff in die Brennräume 2 der Zylinder. Der Ansaugkrümmer 4 ist über einen Einlasskanal 6 mit einem Auslass eines Verdichters 7a eines Abgasturboladers 7 verbunden. Der Einlass des Verdichters 7a ist mit einem Luftfilter 9 verbunden. Ein Drosselventil 11, das von einem Drosselstellglied 10 betriebswirksam angesteuert wird, ist im Einlasskanal 6 angeordnet. Um den Einlasskanal 6 herum ist ein Zwischenkühler 12 zum Kühlen der über die Innenseite des Einlasskanals 6 strömenden Ansaugluft angeordnet.
Der Abgaskrümmer 5 hingegen ist mit einem Einlass einer Abgasturbine 7b des Abgasturboladers 7 verbunden, während der Auslass der Abgasturbine 7b über ein Abgasrohr 13 mit einem zur Abgasreinigung verwendeten katalytischen Konverter 14 verbunden ist. Im dargestellten Beispiel von 1 sind in diesem zur Abgasreinigung verwendeten katalytischen Konverter 14 ein Oxidationskatalysator 14 und ein Partikelfilter 16 in der genannten Reihenfolge, beginnend von der Anströmseite, angeordnet. Der Abgaskrümmer 5 und der Ansaugkrümmer 4 sind über einen Abgasrückführungskanal (nachfolgend bezeichnet als „AGR-Kanal“) 17 miteinander verbunden. Im AGR-Kanal 17 ist ein AGR-Regelventil 18 angeordnet. Im AGR-Kanal 17 ist zudem ein AGR-Kühler 19 zum Kühlen des den AGR-Kanal 17 innen durchströmenden AGR-Gases angeordnet. Die Kraftstoffeinspritzventile 3 sind über eine Kraftstoff-Speisepumpe 20 mit einer gemeinsamen Druckleitung 21 verbunden. Diese gemeinsame Druckleitung 21 ist über eine Kraftstoffpumpe 22 mit einem Kraftstoffbehälter 23 verbunden.
Wie in 1 dargestellt, ist im Ansaugkrümmer 4 ein Ansaugtemperatursensor 24 angeordnet, um eine Ansaugtemperatur an der Innenseite des Ansaugkrümmers 4 zu erfassen. Im Abgaskrümmer 5 ist ein Abgastemperatursensor 25 angeordnet, um eine Abgastemperatur an der Innenseite des Abgaskrümmers 5 zu erfassen. Im Ansaugrohr 8 ist ein Luftmengenmesser 8a angeordnet, um die Durchflussmenge der das Innere des Ansaugrohrs 8 durchströmenden Luft zu erfassen. Im Motorkörper 1 sind zudem ein Wassertemperatursensor 26 zum Erfassen einer Temperatur von Motorkühlwasser (nachfolgend vereinfacht als „Wassertemperatur“ bezeichnet) und ein Öltemperatursensor 27 zum Erfassen einer Temperatur von Schmieröl, das Gleitreibungsteile des Motorkörpers 1 schmiert (nachfolgend vereinfacht als „Öltemperatur“ bezeichnet), angeordnet.
Im Drosselstellglied 10 ist ein Drosselöffnungsgradsensor 10a angeordnet, um einen Öffnungsgrad des Drosselventils 11 (nachfolgend als „Drosselöffnungsgrad“ bezeichnet) zu erfassen. Im AGR-Regelventil 18 ist ein AGR-Ventilöffnungsgradsensor 18a angeordnet, um den Öffnungsgrad des AGR-Regelventils 18 (nachfolgend als „AGR-Ventilöffnungsgrad“ bezeichnet) zu erfassen.
Im Abgasrohr 13 sind ein Gaskonzentrationssensor 28 zum Erfassen einer Gaskonzentration im Abgas und ein Luft/Kraftstoff-Verhältnis-Sensor 29 zum Erfassen eines Luft/Kraftstoff-Verhältnisses des Abgases angeordnet. Der Gaskonzentrationssensor 28 kann zum Beispiel ein NOx-Sensor sein, der eine Konzentration von NOx im Abgas erfasst. Als Gaskonzentrationssensor 28 können zusätzlich zum NOx-Sensor zum Beispiel ein HC-Sensor, CO-Sensor oder CO2-Sensor, welche die Konzentration von Kohlenwasserstoffen (HC), die Konzentration von CO beziehungsweise die Konzentration von CO2 im Abgas erfassen, oder andere Sensoren entsprechend dem Lernmodell und den im Lernmodell verwendeten, später noch erläuterten Parametern geeignet verwendet werden.
Ausgestaltung der ECU
Die elektronische Steuereinheit (ECU) 200 umfasst Komponenten, die über einen bidirektionalen Bus 201 miteinander verbunden sind, wie einen Speicherteil 210, einen Steuerungsteil 220, einen Eingangskanal 230 und einen Ausgangskanal 240.
Der Speicherteil 210 kann beispielsweise einen ROM (Festwertspeicher), RAM (Direktzugriffsspeicher) usw. umfassen. Der Speicherteil 210 speichert verschiedene Arten von Programmen und Lernmodellen und verschiedene Arten von Daten (zum Beispiel verschiedene Arten von Parametern, Lehrdaten, verschiedene Arten von Schwellwerten usw.), die bei der Verarbeitung vom Steuerungsteil 220 verwendet werden.
Der Steuerungsteil 220 kann beispielsweise ein Prozessor mit einer CPU und entsprechenden Peripherieschaltungen usw. sein. Der Steuerungsteil 220 kann verschiedene im Speicherteil 210 abgelegte Arten von Programmen ausführen, um dadurch verschiedene Arten von Steuerungen/Regelungen des Fahrzeugs auszuführen.
Wie in 1 dargestellt, umfasst der Steuerungsteil 220 mehrere funktionale Module, die von Programmen, die auf dem Prozessor des Steuerungsteils 220 laufen, geladen werden. Insbesondere umfasst der Steuerungsteil 220 als funktionale Module einen Parameterausgabeteil 221, einen Motorsteuerungsteil 222, einen Lernteil 223, einen Rauscherfassungsteil 224 und einen Lernratenanpassungsteil 225.
Ausgangssignale des Luftmengenmessers 8a, des Drosselöffnungsgradsensors 10a, des AGR-Ventilöffnungsgradsensors 18a, des Ansaugtemperatursensors 24, des Abgastemperatursensors 25, des Wassertemperatursensors 26, des Öltemperatursensors 27, des Gaskonzentrationssensors 28, des Luft/Kraftstoff-Verhältnis-Sensors 29, des Drehmomentsensors 51, der das Ausgangsdrehmoment der Brennkraftmaschine 100 (nachfolgend als „Drehmoment“ bezeichnet) erfasst, des Klopfsensors 52, der das Vorhandensein von Klopfen erfasst, usw. werden über entsprechende AD-Wandler 231 in den Eingangskanal 230 eingegeben. Zudem wird als Signal zur Erfassung der Motorlast eine Ausgangsspannung des Lastsensors 53a, der eine Ausgangsspannung proportional zum Betrag der Betätigung des Beschleunigungspedals 53 erzeugt, über einen entsprechenden AD-Wandler 231 in den Eingangskanal 230 eingegeben. Zudem wird als Signal zur Berechnung der Motordrehzahl usw. ein Ausgangssignal eines Kurbelwinkelsensors 54, der jedes Mal, wenn die Kurbelwelle sich um beispielsweise 15° dreht, einen Ausgangsimpuls erzeugt, in den Eingangskanal 230 eingegeben. Auf diese Weise werden die zur Regelung der Brennkraftmaschine 100 erforderlichen Ausgangssignale von unterschiedlichen Arten von Sensoren in den Eingangskanal 230 eingegeben.
Der Ausgangskanal 240 ist über entsprechende Antriebsschaltkreise 241 mit den Kraftstoffeinspritzventilen 3, dem Drosselstellglied 10, dem AGR-Regelventil 18, der Kraftstoffpumpe 22 und anderen angesteuerten Teilen verbunden.
Die ECU 200 gibt Steuersignale aus, um die gesteuerten Teile anhand der vom Ausgangskanal 240 in den Eingangskanal 230 eingegebenen Ausgangssignale der verschiedenartigen Sensoren anzusteuern und so die Brennkraftmaschine 100 zu steuern. In der vorliegenden Ausführungsform arbeitet deshalb die ECU 200 als Steuerungsvorrichtung der Brennkraftmaschine 100.
Kurzdarstellung des neuronalen Netzes
In den Ausführungsformen der vorliegenden Erfindung verwendet das Lernmodell ein neuronales Netz. Unter Bezugnahme auf 2 wird zunächst das im Lernmodell gemäß der vorliegenden Ausführungsform verwendete neuronale Netz erläutert. 2 zeigt ein Beispiel eines neuronalen Netzes. Die Kreise in 2 stellen künstliche Neuronen dar. Im neuronalen Netz werden diese künstlichen Neuronen gewöhnlich als „Knoten“ oder „Einheiten“ bezeichnet (nachfolgend als „Knoten“ bezeichnet). In 2 stellt L=1 eine Eingabeschicht dar, L=2 und L=3 stellen versteckte Schichten dar, und L=4 stellt eine Ausgabeschicht dar. In 2 stellen zudem x₁ und x₂ Knoten der Eingabeschicht (L=1) und Ausgabewerte der Knoten dar, und „y“ stellt den Knoten der Ausgabeschicht (L=4) und einen Ausgabewert des Knotens dar. Gleichermaßen stellen z₁ , z₂ , und z₃ der versteckten Schicht (L=2) Ausgabewerte der Knoten der versteckten Schicht (L=2) dar, und z₁ und z₂ der versteckten Schicht (L=3) stellen Ausgabewerte der Knoten der versteckten Schicht (L=3) dar. Es ist hierbei anzumerken, dass die Anzahl an versteckten Schichten die Zahl eins oder eine beliebige andere Zahl annehmen kann, während auch die Anzahl der Knoten der Eingabeschicht und die Anzahl der Knoten der versteckten Schichten beliebige Zahlen annehmen können. Es ist anzumerken, dass in der vorliegenden Ausführungsform die Zahl der Knoten der Ausgabeschicht auch ein Knoten sein kann.
An den Knoten der Eingabeschicht werden die Eingaben so ausgegeben, wie sie sind. Die Ausgabewerte x1 und x2 der Knoten der Eingabeschicht werden jedoch in die Knoten der versteckten Schicht (L=2) eingegeben. An den Knoten der versteckten Schicht (L=2) werden die jeweils entsprechenden Gewichtungen „w“ und Verzerrungen (Bias) „b“ zur Berechnung der Summeneingabewerte „u“ verwendet. Ein Summeneingabewert u_k, der an einem in 2 durch z_k (k=1, 2, 3) dargestellten Knoten der versteckten Schicht (L=2) berechnet wird, entwickelt sich wie in der folgenden Gleichung dargestellt (M ist die Anzahl der Knoten der Eingabeschicht). $u_{k} = \sum_{m = 1}^{M} (x_{m} \cdot w_{km}) + b_{k}$
Als nächstes wird dieser Summeneingabewert u_k über eine Aktivierungsfunktion „f“ umgewandelt und von einem durch z_k dargestellten Knoten der versteckten Schicht (L=2) als Ausgabewert z_k (=f(u_k)) ausgegeben. Die Ausgabewerte z₁ , z₂ und z₂ der Knoten der versteckten Schicht (L=2) werden hingegen in die Knoten der versteckten Schicht (L=3) eingegeben. An den Knoten der versteckten Schicht (L=3) werden die jeweils entsprechenden Gewichtungen „w“ und Verzerrungen „b“ zur Berechnung der Summeneingabewerte „u“ verwendet (∑z·w+b). Die Summeneingabewerte „u“ werden gleichermaßen über eine Aktivierungsfunktion „f“ umgewandelt und als von den Knoten der versteckten Schicht (L=3) Ausgabewerte z₁ und z₂ ausgegeben. Hierbei ist anzumerken, dass für diese Aktivierungsfunktion in den erfindungsgemäßen Ausführungsformen eine Sigmoidfunktion σ verwendet wird.
Die Ausgabewerte z₁ und z₂ der Knoten der versteckten Schicht (L=3) werden hingegen in die Knoten der Ausgabeschicht (L=4) eingegeben. Am Knoten der Ausgabeschicht werden die jeweils entsprechenden Gewichtungen „w“ und Verzerrungen „b“ zur Berechnung des Summeneingabewerts „u“ verwendet (∑z·w+b) oder es werden nur die jeweils entsprechenden Gewichtungen „w“ zur Berechnung des Summeneingabewerts „u“ verwendet (∑z·w). In der vorliegenden Ausführungsform wird als Aktivierungsfunktion am Knoten der Ausgabeschicht eine Identitätsfunktion verwendet, deshalb wird vom Knoten der Ausgabeschicht der am Knoten der Ausgabeschicht berechnete Summeneingabewert „u“ als Ausgabewert „y“ so ausgegeben wie er ist.
Lernen beim neuronalen Netz
In der vorliegenden Erfindung wird das Gradientenverfahren, insbesondere das Gradientenabstiegsverfahren (Gradient Descent Method), verwendet, um die Gewichtungen und Verzerrungen im neuronalen Netz des Lernmodells einzulernen. Dieses Gradientenabstiegsverfahren ist bekannt. Deshalb wird das Gradientenabstiegsverfahren im Folgenden einfach nur kurz umrissen. Es ist zu beachten, dass eine Verzerrung (Bias) „b“ eine besondere Art von Gewichtung „w“ ist. In der folgenden Erläuterung wird deshalb ein Bias „b“ als eine Art von Gewichtung „w“ angesehen. Die Gewichtungen und Verzerrungen werden am Lernteil 223 eingelernt.
Im Gradientenabstiegsverfahren werden die Werte der Gewichtungen „w“ des neuronalen Netzes so eingelernt, dass sie den Wert von E(w) mit Hilfe des Gradienten ∂E(w)/∂w für die Fehlerfunktion E(w) vermindern. Insbesondere werden im Gradientenabstiegsverfahren die Gewichtungen w_(T) nach der T-ten Aktualisierung (T ist eine beliebige Ganzzahl gleich oder größer als 1) durch die folgende Gleichung (1) berechnet. Das Einlernen der Gewichtungen erfolgt durch Wiederholung einer solchen Aktualisierung: $w_{(T)} = w_{(T - 1)} - η (\partial E (w_{(T - 1)}) / \partial w_{(T - 1)})$
η in Gleichung (1) ist die Lernrate und dient dazu, den Umfang der Aktualisierung der Gewichtungen „w“ beim Lernen zu verändern. Die Lernrate η ist ein übergeordneter Parameter, die im Zuge des Lernens niemals wiederholt aktualisiert wird. Wie aus der Gleichung (1) ersichtlich wird, ist der Umfang der Aktualisierung der Gewichtungen von w_(T-1) bis w_(T) proportional dem Absolutwert des Gradienten von E(w_(T-1)) und der Lernrate η. Bei niedriger Lernrate, das heißt, wenn der Aktualisierungsumfang der Gewichtungen „w“ pro Aktualisierung gering ist, konvergiert das Lernen problemlos, aber bis zum Konvergieren des Lernens ist eine größere Anzahl von Aktualisierungen der Gewichtungen erforderlich, und das beansprucht letztlich Zeit für das Lernen. Eine zu hohe Lernrate hingegen verringert die Wahrscheinlichkeit, dass das Lernen konvergiert. Das kann so weit gehen, dass das Lernen letztlich divergiert. Wenn es möglich wäre, die Lernrate η geeignet einzustellen, kann mit einer geringeren Anzahl von Aktualisierungen der Gewichtungen „w“, das heißt mit einer kürzeren Einlernzeit gearbeitet werden, um die Werte der Gewichtungen „w“ zu ermitteln, wenn E(w) den kleinsten Wert annimmt.
Das Gradientenabstiegsverfahren wird nunmehr mit Hilfe von 3 erläutert. 3 ist eine Ansicht zur Darstellung eines Beispiels der Beziehung zwischen einer beliebigen Gewichtung und der Fehlerfunktion E(w). Es ist zu beachten, dass in 3 für das bessere Verständnis das spezifische Verhältnis von Gewichtung und E(w) dargestellt ist, aber dass ein solches spezifisches Verhältnis beim tatsächlichen Lernen unbekannt ist. Während des Lernens wird jedoch der Wert von E(w) bei der aktuellen Gewichtung ermittelt. Darüber hinaus wird der später noch erläuterte Fehlerrückführungsalgorithmus (Error Backpropagation) usw. verwendet, um den Gradienten ∂E(w)/∂w zu ermitteln. Im Gradientenabstiegsverfahren wird die Information des Gradienten ∂E(w)/∂w verwendet, um die Gewichtung „w“ zu ermitteln, wenn E(w) den kleinsten Wert annimmt.
3 zeigt den Änderungszustand der Gewichtung „w“ bei der wiederholten Aktualisierung der Gewichtung „w“ über das Lernen. In dem in 3 dargestellten Beispiel wird der Anfangswert der Gewichtung zu w₍₀₎ . Wie in 3 dargestellt, ist bei der ersten Aktualisierung zudem die Richtung des Gradienten ∂E(w₍₀₎)/∂w₍₀₎ eine positive Richtung, und deshalb wird die Gewichtung basierend auf der Gleichung (1) in der negativen Richtung von w₍₀₎ bis w₍₁₎ aktualisiert. Wie in 3 dargestellt, ist die Richtung des Gradienten ∂E(w₍₁₎)/∂w₍₁₎ bei der zweiten Aktualisierung eine negative Richtung, und deshalb wird die Gewichtung basierend auf Gleichung (1) in der positiven Richtung von w₍₁₎ bis w₍₂₎ aktualisiert. Danach wird basierend auf der Gleichung (1) eine solche Gewichtung von w₍₂₎ bis w₍₃₎ , w₍₃₎ bis w₍₄₎ und w₍₄₎ bis w₍₅₎ wiederholt aktualisiert. Im dargestellten Beispiel von 3 wird der Absolutwert des Gradienten von E(w) mit jeder wiederholten Aktualisierung kleiner, und dadurch wird der Aktualisierungsumfang der Gewichtung „w“ kleiner. Im Ergebnis konvergiert die Gewichtung „w“ gegen die Gewichtung w_min , wenn E(w) den kleinsten Wert annimmt. Wenn die Gewichtung w_(T) zum T-ten Mal aktualisiert wird (T ist eine beliebige voreingestellte Anzahl von Malen), wird das Lernen beendet. Infolge dieses Lernens wird die Gewichtung „w“ aktualisiert, so dass E(w) kleiner wird. Im Ergebnis ist es möglich, den Vorhersagefehler im Lernmodell zu reduzieren.
Als nächstes wird das in Gleichung (1) verwendete Verfahren zur Berechnung des Gradienten ∂E(w)/∂w erläutert. In der vorliegenden Ausführungsform wird der Gradient ∂E(w)/∂w mit Hilfe des Fehlerrückführungsalgorithmus berechnet. Dieser Fehlerrückführungsalgorithmus (Error Backpropagation) ist ebenfalls bekannt. Deshalb wird der Fehlerrückführungsalgorithmus im Folgenden einfach nur kurz umrissen:

Wenn also im neuronalen Netz, wie in 2 dargestellt, die Gewichtungen an den Eingabewerten u^(L) zu den Knoten der Schichten L=2, L=3 oder L=4 durch w^(L) ausgedrückt werden, wird das Teildifferential aufgrund der Gewichtungen w^(L) der Fehlerfunktion E, das heißt der Gradient ∂E/∂w^(L), durch die folgende Gleichung (2) dargestellt: [Gleichung 2] $\partial E / \partial w^{(L)} = (\partial E / \partial u^{(L)}) (\partial u^{(L)} / \partial w^{(L)})$
wobei gilt: z^(L-1)·∂w^(L)=∂u^(L), und falls also (∂E/∂u^(L))=δ^(L), kann die obige Gleichung (2) durch die folgende Gleichung (3) dargestellt werden: [Gleichung 3] $\partial E / \partial w^{(L)} = δ^{(L)} \cdot z^{(L - 1)}$

Wenn hierbei u^(L) fluktuiert, wird über die Änderung der Summeneingabewerte u^(L+1) der nachfolgenden Schicht eine Fluktuation der Fehlerfunktion E verursacht, und deshalb kann δ^(L) durch die folgende Gleichung (4) ausgedrückt werden (K ist die Zahl der Knoten an der Schicht L+1):
[Gleichung 4] $δ^{(L)} = (\partial E / \partial u^{(L)}) = \sum_{k = 1}^{K} (\partial E / \partial u_{k}^{(L + 1)}) (\partial u_{k}^{(L + 1)} / \partial u^{(L)}) (k = 1,2, \dots, K)$
wobei gilt: wenn z^(L)=f(u^(L)), kann der auf der rechten Seite der obigen Gleichung (4) erscheinende Eingabewert u_k ^(L+1) durch die folgende Gleichung (5) ausgedrückt werden:
[Gleichung 5] ${Eingabewert u}_{k}^{(L + 1)} = \sum_{k = 1}^{k} w_{k}^{(L + 1)} \cdot z^{(L)} = \sum_{k = 1}^{k} w_{k}^{(L + 1)} \cdot f (u^{^{(L)}})$
wobei gilt: der erste Term (∂E/∂u^(L+1)) auf der rechten Seite der obigen Gleichung (4) ist δ^(L+1). Der zweite Term (∂u_k ^(L+1)/∂u^(L)) auf der rechten Seite der obigen Gleichung (4) kann durch die folgende Gleichung (6) aus der obigen Gleichung (5) ausgedrückt werden:
[Gleichung 6] $\partial (w_{k}^{(L + 1)} \cdot z^{(L)}) / \partial u^{(L)} = w_{k}^{(L + 1)} \cdot \partial f (u^{(L)}) / \partial u^{(L)} = w_{k}^{(L + 1)} \cdot f^{'} (u^{(L)})$
Deshalb kann δ^(L) durch die folgende Gleichung (7) aus den obigen Gleichungen (4) bis (6) ausgedrückt werden:
[Gleichung 7] $\begin{array}{r} δ^{(L)} = \sum_{k = 1}^{k} w_{k}^{(L + 1)} \cdot δ^{(L + 1)} \cdot f^{'} (u^{(L)}) \\ Das Hei ß t, δ^{(L - 1)} = \sum_{k = 1}^{k} w_{k}^{(L)} \cdot δ^{(L)} \cdot f^{'} (u^{(L - 1)}) \end{array}$
Das heißt, wenn δ^(L+1) ermittelt ist, ist es möglich, δ^(L) zu ermitteln.
Nun werden Lehrdaten ermittelt, die bestimmte Eingabewerte „x“ und tatsächliche Daten „t“ für die Eingabewerte „x“ umfassen. Wenn der den Eingabewerten „x“ entsprechende Ausgabewert aus der Ausgabeschicht „y“ ist, wird, falls der Quadratfehler als Fehlerfunktion verwendet wird, der Quadratfehler E durch E=(y-t)²/2 ermittelt. Am Knoten der in 2 dargestellten Ausgabeschicht (L=4) wird der Ausgabewert „y“ zu f(u^(L)), deshalb entwickelt sich in diesem Fall der Wert von δ^(L) am Knoten der Ausgabeschicht (L=4) wie in der folgenden Gleichung (8):
[Gleichung 8] $δ^{(L)} = \partial E / \partial u^{(L)} = (\partial E / \partial y) (\partial y / \partial u^{(L)}) = (y - t) \cdot f^{'} (u^{(L)})$
Diesbezüglich ist f(u^(L)) in der vorliegenden Ausführungsform, wie oben erläutert, eine Identitätsfunktion, und f'(u^(L))=1. Dadurch gilt: δ^(L)=y-t, und δ^(L) kann ermittelt werden.
Wenn δ^(L) ermittelt ist, kann die obige Gleichung (7) zur Ermittlung von δ^(L-1) der vorherigen Schicht verwendet werden. Die δs der vorherigen Schicht werden auf diese Weise nacheinander ermittelt. Mit Hilfe dieser Werte der δs kann aus der obigen Gleichung (3) das Teildifferential der Fehlerfunktion E, das heißt, der Gradient ∂E/∂w^(L)1 für die Gewichtungen „w“ ermittelt werden.
Kurzdarstellung des Lernmodells
Nun wird eine zusammenfassende Darstellung des Lernmodells in der vorliegenden Ausführungsform erläutert. Zunächst folgt eine Erläuterung eines Beispiels der Eingabeparameter, die im Lernmodell gemäß der vorliegenden Ausführungsform verwendet werden. Die Eingabeparameter des Lernmodells gemäß der vorliegenden Ausführungsform können zwei oder mehr der Elemente Zündzeitpunkt, Kraftstoffeinspritzmenge, Kraftstoffeinspritzzeitpunkt, Betriebszeitpunkt der Ansaugventile und Betriebszeitpunkt der Abgasventile der Brennkraftmaschine, Drosselöffnungsgrad, AGR-Ventilöffnungsgrad, Ansaugtemperatur, Wassertemperatur, Öltemperatur und Motordrehzahl umfassen.
Als nächstes wird die Erfassung der Ist-Messwerte der Eingabeparameter an einem Beispiel erläutert. Der Zündzeitpunkt, die Kraftstoffeinspritzmenge, der Kraftstoffeinspritzzeitpunkt und der Betriebszeitpunkt der Ansaugventile und der Betriebszeitpunkt der Abgasventile der Brennkraftmaschine werden jeweils aus Befehlswerten der ECU 200 erfasst. Der Drosselöffnungsgrad, der AGR-Ventilöffnungsgrad, die Wassertemperatur, die Ansaugtemperatur und die Öltemperatur werden aus den Ausgangswerten des Drosselöffnungsgradsensors 10a, des AGR-Ventilöffnungsgradsensors 18a, des Ansaugtemperatursensors 24, des Wassertemperatursensors 26 beziehungsweise des Öltemperatursensors 27 erfasst. Die Motordrehzahl wird aus dem berechneten Wert der ECU 200 anhand des Ausgangssignals des Kurbelwinkelsensors 54 erfasst.
Als nächstes folgt eine Erläuterung eines Beispiels der Eingabeparameter, die im Lernmodell in der vorliegenden Ausführungsform verwendet werden. Die Ausgabeparameter des Lernmodells in der vorliegenden Ausführungsform können mindestens eines der Elemente Abgastemperatur, NO_x-Konzentration, HC-Konzentration, CO-Konzentration und CO₂-Konzentration im Abgas, Luft/Kraftstoff-Verhältnis des Abgases und Ausgangsdrehmoment und Klopfbestimmungswert der Brennkraftmaschine 100 umfassen.
4 zeigt ein besonderes Beispiel eines neuronalen Netzes im Lernmodell gemäß der vorliegenden Ausführungsform. Das neuronale Netz im dargestellten Lernmodell in 4 weist den Zündzeitpunkt, die Kraftstoffeinspritzmenge, den Drosselöffnungsgrad und die Motordrehzahl als Eingabeparameter und die Drehzahl als Ausgabeparameter auf. In der vorliegenden Ausführungsform besteht das neuronale Netz des Lernmodells aus P Schichten (P ist eine beliebige Ganzzahl von 3 oder mehr). Die Anzahl der Knoten der versteckten Schichten kann beliebige Zahlen annehmen. Im neuronalen Netz des in 4 dargestellten Lernmodells weist zudem die Eingabeschicht (L=1) vier Knoten auf, die vier Eingabeparametern entsprechen, können aber entsprechend der Zahl der Eingabeparameter auch eine beliebige andere Knotenzahl abweichend von vier aufweisen.
Kurzdarstellung der Steuerung, die das Lernmodell und das Lernen verwendet
Zum Zeitpunkt des Betreibens der Brennkraftmaschine werden die Ist-Messwerte der Eingabeparameter, das heißt die Ist-Messwerte des Zündzeitpunkts, der Kraftstoffeinspritzmenge, des Drosselöffnungsgrads und der Motordrehzahl, in den Parameterausgabeteil 221 eingegeben. Wenn die Ist-Messwerte dieser Eingabeparameter mit Hilfe des in 4 dargestellten Lernmodells als Eingabe empfangen werden, gibt der Parameterausgabeteil 221 den Vorhersagewert des Ausgabeparameters, das heißt den Vorhersagewert des Drehmoments aus. Der Vorhersagewert des Drehmoments ist hierbei ein Zukunftswert und ist ein Wert, der bei Ausgabe des Drehmoment-Vorhersagewerts vom aktuellen Drehmoment (das heißt, vom durch den Drehmomentsensor 51 erfassten Wert) abweicht.
Der Motorsteuerteil 222 steuert die Brennkraftmaschine 100 anhand des Vorhersagewerts des Ausgangsdrehmoments, das auf diese Weise vom Parameterausgabeteil 221 ausgegeben wird. War der Vorhersagewert des vom Parameterausgabeteil 221 ausgegebenen Drehmoments beispielsweise ein Wert abweichend von dem anhand der Motorlast usw. eingestellten Soll-Drehmoment, werden die Sollwerte der Steuerparameter der Brennkraftmaschine 100 (zum Beispiel Drosselöffnungsgrad, Kraftstoffeinspritzmenge, Zündzeitpunkt usw.) so geändert, dass der Vorhersagewert des Drehmoments zum Sollwert wird.
Das Einlernen des Lernmodells wird hingegen im Lernteil 223 ausgeführt. Der Lernteil 223 lernt das Lernmodell wie oben erläutert ein, indem er das Gradientenverfahren verwendet und als Lehrdaten die Kombinationen aus Ist-Messwerten der Eingabeparameter des Lernmodells und dem Ist-Messwert des Ausgabeparameters des Lernmodells verwendet. Die Ist-Messwerte der Eingabeparameter werden auf die gleiche Weise wie bei ihrer Eingabe in den Parameterausgabeteil 221 erfasst. Wenn als Ausgabeparameter ein Drehmoment verwendet wird, wird aus dem Ausgangswert des Drehmomentsensors 51 zudem der Ist-Messwert erfasst.
Probleme im Gradientenabstiegsverfahren bei Rauschüberlagerung der Lehrdaten
Wird als Lernmodell hierbei ein Standardmodell verwendet, das von einem Hersteller usw. vor dem Versand für ein typisches Fahrzeug eingelernt wurde, sind im Lernmodell keine inhärenten Merkmale des Einzelfahrzeugs abgebildet. Falls also ein solches Lernmodell verwendet wird, um den Wert eines Ausgabeparameters abzuschätzen, kann ein Fehler zwischen dem Vorhersagewert des aus einem solchen Lernmodell ausgegebenen Ausgabeparameters und dem Ist-Wert des Ausgabeparameters auftreten.
Um die inhärenten Merkmale eines Fahrzeugs in den Gewichtungen „w“ im Lernmodell abzubilden und so die Genauigkeit der Vorhersage zu verbessern, kann deshalb erwogen werden, die während des Betriebs des Fahrzeugs erfassten fahrzeuginhärenten Lehrdaten zu verwenden und die Gewichtungen „w“ über das Gradientenabstiegsverfahren einzulernen. In diesem Fall sind in diesen Lehrdaten jedoch die Ist-Messwerte der Eingabeparameter und der Ist-Messwert des Ausgabeparameters infolge der Fahrumgebung, der Fahrbedingungen und verschiedener anderer Faktoren, rauschüberlagert. Die Fehlerfunktion E wird, wie oben erwähnt, mit Hilfe der Lehrdaten berechnet, und dadurch wird bei einer Rauschüberlagerung der Lehrdaten die Fehlerfunktion E beeinträchtigt.
5 ist eine Ansicht zur Darstellung eines Beispiels der Beziehung zwischen einer beliebigen Gewichtung und der Fehlerfunktion E(w) im Falle einer Rauschüberlagerung der Lehrdaten. Die in 5 dargestellte Beziehung zwischen der Gewichtung und E(w) zeigt die Beziehung im Falle einer Rauschüberlagerung der Lehrdaten, wenn eine Beziehung wie in 3 vorliegt. Im dargestellten Beispiel in 5 wird die Beziehung zwischen der Gewichtung und der Fehlerfunktion E(w) durch eine Rauschüberlagerung der Lehrdaten beeinträchtigt. Infolgedessen weist die Beziehung gegenüber der in 3 dargestellten Beziehung eine wellige Form auf.
Wie in 5 dargestellt, ist der Gradient ∂E(w₍₀₎)/w₍₀₎ bei der ersten Aktualisierung positiv, und deshalb wird die Gewichtung basierend auf der Gleichung (1) in der negativen Richtung von w₍₀₎ bis w₍₁₎ aktualisiert. Wie in 5 dargestellt, ist der Gradient ∂E(w₍₁₎)/w₍₁₎ bei der zweiten Aktualisierung positiv, und deshalb wird die Gewichtung basierend auf Gleichung (1) in negativer Richtung von w₍₁₎ bis w₍₂₎ aktualisiert. Danach wird basierend auf Gleichung (1) die Gewichtung gleichermaßen von w₍₂₎ bis w₍₃₎ , w₍₃₎ bis w₍₄₎ und w₍₄₎ bis w₍₅₎ wiederholt aktualisiert. In diesem Fall, wie aus 5 ersichtlich wird, konvergiert „w“ nicht gegen die Gewichtung w_min , wenn E(w) ihren kleinsten Wert annimmt. Bei der T-ten Aktualisierung konvergiert die Gewichtung w_(T) , wenn E(w) ihren kleinsten Wert annimmt, gegen einen von der Gewichtung w_min weit entfernten Wert.
Falls die Lehrdaten auf diese Weise rauschüberlagert sind, ist die Wahrscheinlichkeit geringer, dass die Gewichtung „w“ gegen Gewichtung w_min konvergiert, wenn E(w) ihren kleinsten Wert annimmt. Infolgedessen wird in einigen Fällen, wie in 5 dargestellt, der Wert der Fehlerfunktion E(w_(T)) bei der durch dieses Lernen erhaltenen Gewichtung w_(T) größer als der Wert der Fehlerfunktion E(w₍₀₎) beim Anfangswert w₍₀₎ der Gewichtung. Aus diesem Grund ist es bei Verwendung der so erhaltenen Gewichtung w_(T) möglich, dass der Vorhersagefehler beim Lernmodell größer wird. Insbesondere bei einer hohen Rauschüberlagerung der Lehrdaten tritt der Effekt dieses Rauschens in der Fehlerfunktion E(w) schnell in Erscheinung, und dadurch erhöht sich die Möglichkeit einer Verschlechterung der Lernkonvergenz und die Möglichkeit einer Vergrößerung des Vorhersagefehlers.
Wenn als Lehrdaten ein Batch oder Minibatch verwendet wird, erfolgt bei einer Erhöhung der Batch-Size der Lehrdaten hingegen eine Mittelwertbildung, und damit wird der Effekt des Rauschens beim Lernen des Lernmodells geringer. Dadurch werden eine Verschlechterung der Konvergenz des Lernens und eine Erhöhung des Vorhersagefehlers des Lernmodells unterdrückt. Mit der Erhöhung der Batch-Size wird jedoch eine Erhöhung der Speichergröße notwendig, was zu dem Problem führt, dass die Herstellungskosten des Fahrzeugs steigen.
Anpassung der Lernrate
Deshalb passt der Lernratenanpassungsteil 225 in der vorliegenden Ausführungsform die Lernrate η so an, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter des Lernmodells überlagert, relativ hoch ist, das Lernen mit einer geringeren Lernrate ausgeführt wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist. Infolgedessen ist es möglich, bei Rauschüberlagerung der Lehrdaten den Umfang der Aktualisierung der Gewichtungen „w“ beim Einlernen zu reduzieren, und dies ermöglicht eine Eindämmung der Verschlechterung der Lernkonvergenz. So wird es möglich, die Vergrößerung des Vorhersagefehlers im eingelernten Lernmodell niedrig zu halten. Gemäß der vorliegenden Erfindung ist es auf diese Weise selbst bei Rauschüberlagerung der Lehrdaten möglich, den Effekt dieses Rauschens beim Einlernen des Lernmodells einzuschränken. Nachfolgend wird die vorliegende Ausführungsform im Detail erläutert.
Lernverfahren gemäß der vorliegenden Ausführungsform
Als nächstes wird ein Lernverfahren eines Lernmodells über eine Steuerungsvorrichtung einer Brennkraftmaschine gemäß der vorliegenden Ausführungsform erläutert. 6 ist ein Flussdiagramm zur Erläuterung der Steuerroutine des Lernverfahrens des Lernmodells in der Steuerungsvorrichtung einer Brennkraftmaschine gemäß der ersten Ausführungsform. Die Abarbeitung der vorliegenden Steuerroutine erfolgt durch den Prozessor des Steuerungsteils 220, der ein im Steuerungsteil 210 gespeichertes Programm ausführt. Die vorliegende Steuerroutine wird zu einem vorherbestimmten Zeitpunkt ausgeführt, nachdem eine Reihe von Lehrdaten (Datensätzen von Lehrdaten), die zum Erlernen der Gewichtungen und Verzerrungen während des Betriebs der Brennkraftmaschine in neuronalen Netz erforderlich sind, erfasst wurden.
In Schritt S601 erfasst der Rauscherfassungsteil 224 die Beträge des die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters überlagernden Rauschens in den im Lernteil 223 verwendeten Lehrdaten. Der Rauscherfassungsteil 224 kann die Beträge des die Ist-Messwerte überlagernden Rauschens für sämtliche Eingangs- und Ausgabeparameter erfassen oder auch eingerichtet sein, um die Beträge des die Ist-Messwerte überlagernden Rauschens für einen Teil der Parameter zu erfassen. In dieser Beschreibung stellen die „Rauschbeträge“ die Beträge dar, die sich auf die Fehler der ausgegebenen Ist-Messwerte der im Fahrzeug eingebauten Sensoren gegenüber den tatsächlichen Werten aller Parameter beziehen. Insbesondere werden die Beträge des Rauschens größer, je stärker die Ist-Messwerte der Sensoren von den tatsächlichen Werten abweichen.
Betrachten wir beispielsweise die Verwendung der Motordrehzahl als Parameter. Im Falle starker Erschütterungen des Fahrzeugs beim Befahren einer holprigen Straße ändert sich die Position, an welcher der Kurbelwinkelsensor 54 angebracht ist, und infolgedessen ändert sich der Abstand zwischen dem Kurbelwinkelsensor 54 und der Kurbelwelle. Der bei einer derartigen Abstandsänderung vom Kurbelwinkelsensor 54 ausgegebene Ist-Messwert des Kurbelwinkels weicht von dem bei unveränderter Position des Kurbelwinkelsensors 54 gemessenen Ist-Wert (tatsächlichen Wert) des Kurbelwinkels ab. Infolge dessen wird der anhand der Ausgabe des Kurbelwinkelsensors 54 berechnete Ist-Messwert der Motordrehzahl zu einem Wert mit einem Fehler gegenüber dem tatsächlichen Wert. Der Zustand, in dem zwischen beiden Werten auf diese Weise ein Fehler auftritt, entspricht dem Zustand mit ansteigendem Betrag des Rauschens.
Insbesondere ist es möglich, verschiedene bekannte Indikatoren als „Rauschbeträge“ zu verwenden. Beispielsweise ist es möglich, als Rauschbeträge für die Parameter die Standardabweichungen von zahlreichen Ist-Messwerten von Parametern zu verwenden, die erfasst werden, wenn der Motorbetriebszustand der eingeschwungene Zustand ist. Möglich ist zudem die Berechnung der Kehrwerte der Signal-Rausch-Verhältnisse für die Parameter anhand der Ist-Messwerte der Eingabeparameter, die erfasst werden, wenn der Motorbetriebszustand der eingeschwungene Zustand ist, und die Verwendung der Kehrwerte der Signal-Rausch-Verhältnisse der Parameter als Rauschbeträge für die Parameter.
Nachstehend wird als Beispiel der Fall erläutert, dass als Rauschbeträge die Kehrwerte der Signal-Rausch-Verhältnisse verwendet werden. Hierbei ist anzumerken, dass ein Signal-Rausch-Verhältnis beispielsweise anhand des Mittelwertes und der Standardabweichung einer großen Anzahl von Ist-Messwerten eines Parameters berechnet wird. Nach der Erfassung des Rauschbetrags durch den Rauscherfassungsteil 224 in Schritt S601 geht die Steuerroutine zu Schritt S602 über.
In Schritt S602 passt der Lernratenanpassungsteil 225 die Lernrate η an, wenn im Lernteil 223 der Einlernprozess ausgeführt wird. Die Lernrate η wird so anpasst, dass das Lernen, wenn von den vom Rauscherfassungsteil 224 erfassten Rauschbeträgen der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag relativ hoch ist, mit einer geringeren Lernrate durchgeführt wird, als wenn der den Ist-Messwert des betreffenden Parameters überlagernde Rauschbetrag relativ niedrig ist.
Der Lernratenanpassungsteil 225 passt die Lernrate η beispielsweise so an, dass die Lernrate kleiner wird, je größer der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag unter den vom Rauscherfassungsteil 224 erfassten Rauschbeträgen ist. Falls, wie oben erläutert, der Kehrwert des Signal-Rausch-Verhältnisses als Rauschbetrag verwendet wird, passt der Lernratenanpassungsteil 225 die Lernrate η so an, dass die Lernrate kleiner wird, je kleiner die vom Rauscherfassungsteil 224 erfassten Signal-Rausch-Verhältnisse der Motordrehzahl und des Motordrehmoments sind. In der vorliegenden Ausführungsform kann der Lernratenanpassungsteil 225 zum Anpassen der Lernrate η insbesondere die folgende Gleichung (9) verwenden.
[Gleichung 9] $η_{B} = η_{A} \prod_{j = 1}^{J} r_{j} (S N_{j, B}) / (S N_{j, A})$
Hierbei ist η_A ein Referenzwert der Lernrate. η_B ist eine Lernrate nach Anpassung durch den Lernratenanpassungsteil 225. J ist die Gesamtanzahl der Parameter, die in den Eingabeparametern und Ausgabeparameter zur Anpassung der Lernrate im Lernmodell verwendet werden. In der obigen Gleichung (9) werden in den Parametern zweckmäßigerweise zum Beispiel J Parameter mit relativ großen Auswirkungen auf den Vorhersagewert des Ausgabeparameters verwendet. SN_j.A ist ein Referenzwert des Signal-Rausch-Verhältnisses, das für den j-ten Parameter in den in der obigen Gleichung (9) verwendeten J Parametern voreingestellt ist. SNj_,B ist das Signal-Rausch-Verhältnis des Ist-Messwerts des j-ten Parameters. r_j ist die voreingestellte Reflexionsrate, die den Umfang anzeigt, in dem die Größenordnung des Rauschbetrags in der Lernrate für den j-ten Parameter abgebildet wird.
Der Referenzwert SN_j.A des Signal-Rauschverhältnisses kann ein konstanter Wert sein oder im Voraus für jeden Motorbetriebszustand eingestellt sein. Falls der Wert für jeden Motorbetriebszustand im Voraus eingestellt ist, speichert der Speicherteil 210 ein Korrelationskennfeld der Motorbetriebszustände und den Referenzwert SN_j.A des Rausch-Signal-Verhältnisses. Der Lernratenanpassungsteil 225 erfasst den aktuellen Betriebsmotorzustand (beispielsweise Leerlauf usw.) und nutzt das Korrelationskennfeld zur Berechnung des Referenzwerts SN_j.A des Rausch-Signal-Verhältnisses basierend auf dem erfassten Motorbetriebszustand. Die Reflexionsrate r_j wird beispielsweise für einen Parameter, der eine relativ hohe Auswirkung auf den Vorhersagewert des Ausgabeparameters hat, auf einen relativ niedrigen Wert eingestellt oder anderweitig eingestellt, um der Auswirkung des Parameters auf den Vorhersagewert des Ausgabeparameters Rechnung zu tragen.
Nach Anpassung der Lernrate η durch den Lernratenanpassungsteil 225 in Schritt S602 setzt die Steuerroutine mit Schritt S603 fort.
In Schritt S603 verwendet der Lernteil 223 die vom Lernratenanpassungsteil 225 angepasste Lernrate η zum Einlernen des Lernmodells über das oben erwähnte Gradientenabstiegsverfahren, das als Lehrdaten eine Kombination der Ist-Messwerte der Eingabeparameter und des Ist-Messwerts des Ausgabeparameters verwendet. Insbesondere aktualisiert der Lernteil 223 die Gewichtungen des neuronalen Netzes. Falls im Anschluss daran eine für die Beendigung des Lernens vorherbestimmte Bedingung ansteht, beendet der Lernteil 223 das Einlernen des Lernmodells. Als vorherbestimmte Bedingung für die Beendigung des Lernens kann hierbei genannt werden: wenn die Änderungsbeträge der Gewichtungen „w“ vor und nach der abschließenden Aktualisierung der Gewichtungen „w“ gleich oder kleiner als vorherbestimmte Werte sind, wenn die Anzahl der Aktualisierungen der Gewichtungen „w“ eine vorherbestimmte Anzahl erreicht, usw.
Im Ergebnis wird die vorliegende Steuerroutine beendet.
Erläuterung der Änderung von Lerngebnissen
Mit Hilfe der 7A bis 7C wird ein Beispiel einer Änderung der Lernergebnisse durch das Vorhandensein einer Rauschüberlagerung und einer Anpassung der Lernrate erläutert. 7A ist ein Zeitdiagramm, das die Drehzahl der Brennkraftmaschine des Fahrzeugs veranschaulicht. 7A zeigt die Motordrehzahl im Falle einer vorhandenen Rauschüberlagerung (mit Rauschen) und die Motordrehzahl im Falle einer nicht vorhandenen Rauschüberlagerung (ohne Rauschen). Die nachstehend erläuterten, in 7B und 7C dargestellten Histogramme zeigen die Verteilungen des Vorhersagefehlers im Falle des Vorliegens der Motordrehzahlverläufe wie in 7A dargestellt.
7B und 7C sind Histogramme, welche die Verteilungen des Vorhersagefehlers im Lernmodell darstellen. 7B und 7C zeigen ein Histogramm (mit Rauschen) im Falle der Verwendung von Lehrdaten, die als Eingabeparameter eine in 7A dargestellte Motordrehzahl mit Rauschen aufweisen, und ein Histogramm (ohne Rauschen) im Falle der Verwendung von Lehrdaten, die eine in 7A dargestellte Motordrehzahl ohne Rauschen aufweisen. Bei der Erstellung der Histogramme von 7B und 7C wurden als Eingabeparameter und Ausgabeparameter gemäß 4 verwendet, das heißt als Eingabeparameter der Zündzeitpunkt, die Kraftstoffeinspritzmenge, der Drosselöffnungsgrad und die Motordrehzahl sowie als Ausgabeparameter das Drehmoment. In 7B und 7C werden die Histogramme dadurch erstellt, dass die Gewichtungen mehrere Male mit dem Gradientenabstiegsverfahren eingelernt werden und jedes Mal bei Beendigung des Lernens der Vorhersagefehler des Ausgabeparameters des Drehmoments berechnet wird. Es ist zu beachten, dass die am dunkelsten eingefärbten Teile im Histogramm von 7B die Überlappungen des Histogramms mit Rauschen und des Histogramms ohne Rauschen darstellen.
7B zeigt ein Histogramm für den Fall, dass die Lernrate η auf 0,1 eingestellt ist. Wie in 7B dargestellt, verteilen sich die mittigen Werte des verrauschten Histogramms mehr zu der Seite mit dem größeren Vorhersagefehler hin als die mittigen Werte des rauschfreien Histogramms. Falls die Lernrate η auf 0,1 eingestellt ist, weist dadurch das mit Hilfe der rauschüberlagerten Lehrdaten eingelernte Lernmodell eine geringere Vorhersagegenauigkeit als das mit nicht rauschüberlagerten Lehrdaten eingelernte Lernmodell auf.
7C hingegen zeigt ein Histogramm für den Fall, dass die Lernrate η auf 0,08 eingestellt ist. Die mittigen Werte des in 7C dargestellten verrauschten Histogramms sind an Positionen verteilt, die im Wesentlichen mit den Positionen der mittigen Werte des rauschfreien Histogramms identisch sind. Darüber hinaus verteilen sich die mittigen Werte des in 7C dargestellten verrauschten Histogramms mehr zu der Seite mit geringerem Vorhersagefehler hin als die mittigen Werte des in 7B dargestellten verrauschten Histogramms. Es versteht sich, dass, wenn der Rauschbetrag hoch ist, die Verschlechterung des Vorhersagefehlers infolgedessen unterdrückt werden kann, indem die Lernrate η herabgesetzt wird. Es versteht sich, dass dementsprechend die Auswirkung der Rauschüberlagerung der Lehrdaten auf die Lernergebnisse unterdrückt wird.
Gemäß der vorliegenden Erfindung ist es auf diese Weise selbst bei Rauschüberlagerung der Lehrdaten möglich, die Auswirkung des Rauschens auf das Einlernen des Lernmodells einzuschränken.
Abwandlung
Mit Hilfe von 8 wird als Nächstes eine Steuerungsvorrichtung einer Brennkraftmaschine gemäß einer Abwandlung der ersten Ausführungsform erläutert. 8 ist ein Flussdiagramm zur Erläuterung der Steuerroutine des Lernverfahrens eines Lernmodells in der Steuerungsvorrichtung der Brennkraftmaschine gemäß der der vorliegenden Abwandlung. Die Abarbeitung der vorliegenden Steuerroutine erfolgt durch den Prozessor des Steuerungsteils 220, der ein im Steuerungsteil 210 gespeichertes Programm verarbeitet. Es ist zu beachten, dass die Schritte S801 und S805 den Schritten S601 beziehungsweise S603 von 6 entsprechen und deshalb auf Erläuterungen verzichtet wird.
In Schritt S802 bestimmt der Lernratenanpassungsteil 225, ob ein vom Rauscherfassungsteil 224 erfasster Rauschbetrag gleich oder kleiner als ein für den Parameter eingestellter Schwellwert ist. Dieser Schwellwert kann ein voreingestellter konstanter Wert sein oder kann vorab für jeden Motorbetriebszustand eingestellt werden. Falls der Wert für jeden Motorbetriebszustand im Voraus eingestellt ist, speichert der Speicherteil 210 ein Korrelationskennfeld der Motorbetriebszustände und den Schwellwert. Der Lernratenanpassungsteil 225 erfasst den aktuellen Motorbetriebszustand und nutzt das Korrelationskennfeld zur Berechnung des Schwellwertes basierend auf dem erfassten Motorbetriebszustand.
Falls die Bestimmung in Schritt S802 ergibt, dass jeder der Rauschbeträge dem Schwellwert entspricht oder kleiner ist, setzt die Steuerroutine mit Schritt S803 fort. In Schritt S803 passt der Lernratenanpassungsteil 225 die Lernrate η so an, dass sie für den Fall, dass mindestens einer der Rauschbeträge größer als der Schwellwert ist, auf einer konstanten Lernrate η_H gehalten wird, welche die Lernrate η_L überschreitet.
Falls die Bestimmung in Schritt S802 ergibt, dass der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters im Rauschbetrag überlagert, größer als der Schwellwert ist, setzt die Steuerroutine mit Schritt S804 fort. In Schritt S804 passt der Lernratenanpassungsteil 225 die Lernrate η so an, dass sie für den Fall, dass der Rauschbetrag gleich oder kleiner als der Schwellwert ist, auf einer bestimmten Lernrate η_L gehalten wird, welche die Lernrate η_H unterschreitet.
Es ist zu beachten, dass in der vorliegenden Abwandlung in Schritt S804 der Lernratenanpassungsteil 225 die Lernrate so angepasst hat, dass sie auf einem bestimmten Wert gehalten wird, aber dass die Erfindung nicht darauf beschränkt ist. Der Lernratenanpassungsteil 225 kann die Lernrate auch in Abhängigkeit vom Rauschbetrag ändern. In diesem Fall verwendet der Lernratenanpassungsteil 225 zur Verstellung der Lernrate η anhand der obigen Gleichung (9) beispielsweise nur Parameter, deren Rauschbeträge größer als der obige Schwellwert sind.
Fallunabhängig wird in der vorliegenden Abwandlung, wenn der Rauschbetrag, der mindestens einen Parameter aus Eingangsparametern und Ausgangsparameter überlagert, größer ist als ein vorherbestimmter Schwellwert, die Lernrate kleiner eingestellt, als wenn der den Parameter überlagernde Rauschbetrag kleiner als dieser Schwellwert ist.
Ferner wird in der vorliegenden Abwandlung der Rauschbetrag in Schritt S801 erfasst. Der Zustand, in dem der Rauschbetrag hoch ist, oder der Zustand, in dem der Rauschbetrag gering ist, kann hier jedoch geschätzt werden, ohne dass der Rauschbetrag gemäß obiger Erläuterung ermittelt wird. Wenn, wie oben erwähnt, das Fahrzeug auf einer holprigen Straße fährt, erhöht sich der Betrag der Rauschüberlagerung des Ist-Messwerts der Motordrehzahl, während der den Ist-Messwert der Motordrehzahl überlagernde Rauschbetrag beim Fahren auf einer asphaltierten Straße kleiner wird. Dadurch lässt sich abhängig davon, ob das Fahrzeug eine holprige Straße befährt, bestimmen, ob eine hohe Rauschüberlagerung des Ist-Messwerts der Motordrehzahl vorliegt.
In diesem Fall kann deshalb bei hohem Rauschbetrag (beispielsweise wenn das Befahren einer holprigen Straße erkannt wird) die Lernrate kleiner eingestellt werden als im Zustand mit geringem Rauschbetrag (beispielsweise wenn das Befahren einer asphaltierten Straße erkannt wird).
Zusammengefasst wird die Lernrate in der vorliegenden Ausführungsform und Abwandlung so angepasst, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist.
Zweite Ausführungsform
9 ist eine schematische Ansicht der Ausgestaltung einer Steuerungsvorrichtung einer Brennkraftmaschine gemäß einer zweiten Ausführungsform. 9 zeigt ein Fahrzeug 310 und einen außerhalb des Fahrzeugs 310 angeordneten Server 320. Wie in 9 zu sehen, weist das Fahrzeug 310 einen Kommunikationsteil 311 und eine ECU 312 auf. Die ECU 312 ist auf gleiche Weise ausgelegt wie die ECU 200 der ersten Ausführungsform, außer dass sie den Lernteil 223 und den Lernratenanpassungsteil 225 nicht aufweist. In der vorliegenden Ausführungsform arbeiten deshalb die ECU 200 und der Server 320 des Fahrzeugs 310 als Steuerungsvorrichtung der Brennkraftmaschine 100. In der folgenden Erläuterung wird das Hauptaugenmerk auf Teile gelegt, die sich vom Aufbau der Steuerungsvorrichtung der Brennkraftmaschine der ersten Ausführungsform unterscheiden.
In der vorliegenden Ausführungsform erfasst die ECU 312 des Fahrzeugs 310 als Lehrdaten eine Kombination aus Ist-Messwerten der Eingabeparameter des Lernmodells und einem Ist-Messwert des Ausgabeparameters des Lernmodells. Der Rauscherfassungsteil 224 der ECU 312 erfasst die Beträge des die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters überlagernden Rauschens in den von der ECU 312 erfassten Lehrdaten. Die ECU 312 des Fahrzeugs 310 sendet die Lehrdaten und die Rauschbeträge über den Kommunikationsteil 311 zum Server 320.
Wie in 9 dargestellt, umfasst der Server 320 zudem einen Kommunikationsteil 321, Parameter-Erfassungsteil 322, Lernratenanpassungsteil 323 und Lernteil 324. Der Kommunikationsteil 321 des Servers 320 ist so ausgelegt, dass er mit dem Kommunikationsteil 311 des Fahrzeugs 310 kommunizieren kann.
Der Parameter-Erfassungsteil 322 des Servers 320 empfängt die Lehrdaten und die Rauschbeträge, die vom Kommunikationsteil 311 des Fahrzeugs 310 über den Kommunikationsteil 321 gesendet werden. Der Lernratenanpassungsteil 323 des Servers 320 passt die Lernrate η so an, dass, wenn aus den am Rauscherfassungsteil 224 erfassten Rauschbeträgen der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag relativ hoch ist, das Lernen durch den Lernteil 324 mit einer geringeren Lernrate durchgeführt wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist. Der Lernteil 324 verwendet die anhand der Lehrdaten durch den Lernratenanpassungsteil 323 angepasste Lernrate η, um die Gewichtungen des neuronalen Netzes im Lernmodell über das Gradientenabstiegsverfahren einzulernen. Als nächstes sendet der Lernteil 324 das eingelernte Lernmodell über den Kommunikationsteil 321 an das Fahrzeug 310.
Die ECU 312 des Fahrzeugs 310 empfängt das vom Server 320 über den Kommunikationsteil 311 gesendete eingelernte Lernmodell. Die ECU 312 des Fahrzeugs 310 überschreibt das im Speicherteil 210 der ECU 312 gespeicherte Lernmodell mit dem empfangenen eingelernten Lernmodell, um die Gewichtungen des neuronalen Netzes des Lernmodells zu aktualisieren. Der Parameterausgabeteil 221 der ECU 312 des Fahrzeugs 310 verwendet das aktualisierte Lernmodell, um den Vorhersagewert des Ausgabeparameters auszugeben, wenn die Ist-Messwerte der Eingabeparameter eingegeben werden. Der Motorsteuerteil 222 der ECU 312 des Fahrzeugs 310 steuert die Brennkraftmaschine 100 anhand des vom aktualisierten Lernmodell ausgegebenen Vorhersagewerts des Ausgabeparameters.
Hierbei ist anzumerken, dass in der vorliegenden Ausführungsform der Rauscherfassungsteil 224 an der ECU 312 vorgesehen ist, aber dass die Erfindung nicht darauf beschränkt ist. Dieser kann auch am Server 320 vorgesehen sein. In diesem Fall kann der Rauscherfassungsteil 224 des Servers 320 die Rauschbeträge, welche die Ist-Messwerte der Eingabeparameter und des Ausgabeparameters überlagern, anhand der von der ECU 312 des Fahrzeugs 310 gesendeten Lehrdaten erfassen.
Gemäß der vorliegenden Ausführungsform werden am Server 320 die Gewichtungen und Verzerrungen des neuronalen Netzes des Lernmodells eingelernt. Aus diesem Grund muss die ECU 312 des Fahrzeugs 310 nicht mehr mit einer hochleistungsfähigen Verarbeitungsvorrichtung versehen sein, um die Gewichtungen des neuronalen Netzes im Lernmodell einzulernen. Dies ermöglicht eine Reduzierung der Herstellungskosten des Fahrzeugs.
Es ist zu beachten, dass als Gradientenverfahren in der obigen Ausführungsform das Gradientenabstiegsverfahren verwendet wurde, aber dass die Erfindung nicht darauf beschränkt ist. Auch das Gradientenanstiegsverfahren kann zum Einlernen des Lernmodells verwendet werden, um den Maximalwert der Funktion E'=-E zu ermitteln, die das Vorzeichen der Fehlerfunktion E abbildet. In der obigen Ausführungsform erfolgte zudem die Erläuterung unter Verweis auf das Beispiel eines neuronalen Netzes als Lernmodell, aber es kann auch ein anderes Maschinenlernmodell eingesetzt werden, vorausgesetzt, dass das Gradientenverfahren verwendet wird. Ferner ist auch das Verfahren zum Erfassen der Ist-Messwerte der oben erwähnten Parameter nur ein Beispiel. Die Ist-Messwerte der Parameter können auch über andere Verfahren erfasst werden.
Bezugszeichenliste

1.: Motorkörper
10a.: Drosselöffnungsgradsensor
18a.: AGR-Ventilöffnungsgradsensor
24.: Ansaugtemperatursensor
25.: Abgastemperatursensor
26.: Wassertemperatursensor
27.: Öltemperatursensor
28.: Gaskonzentrationssensor
29.: Luft/Kraftstoff-Verhältnis-Sensor
100.: Brennkraftmaschine (Verbrennungsmotor)

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2012112277 [0003]

Claims

Steuerungsvorrichtung einer Brennkraftmaschine zum Steuern eines Betriebs einer Brennkraftmaschine eines Fahrzeugs, wobei die Steuerungsvorrichtung einer Brennkraftmaschine Folgendes umfasst: einen Parameterausgabeteil, der einen Vorhersagewert eines Ausgabeparameters unter Verwendung eines Lernmodells ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, einen Motorsteuerteil, der die Brennkraftmaschine anhand des Vorhersagewerts des vom Parameterausgabeteil ausgegebenen Ausgabeparameters steuert, einen Lernteil, der das Lernmodell einlernt, indem er ein Gradientenverfahren verwendet und eine Kombination aus Ist-Messwerten der Eingabeparameter des Lernmodells und einem Ist-Messwert des Ausgabeparameters des Lernmodells als Lehrdaten verwendet, und einen Lernratenanpassungsteil, der eine Lernrate so anpasst, dass das Lernen, wenn ein Rauschbetrag, der einen Ist-Messwert mindestens eines Parameters aus den Eingabeparametern und dem Ausgabeparameter überlagert, relativ hoch ist, mit einer geringeren Lernrate ausgeführt wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist.
Steuerungsvorrichtung einer Brennkraftmaschine nach Anspruch 1, ferner umfassend: einen Rauscherfassungsteil, der die Rauschbeträge erfasst, welche die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters überlagern, wobei der Rauscherfassungsteil eine Standardabweichung oder einen Kehrwert eines Signal-Rausch-Verhältnisses (SN-Verhältnis) jedes Parameters anhand der Ist-Messwerte der Eingabeparameter und des Ausgabeparameters, die erfasst werden, wenn der Betriebszustand der Brennkraftmaschine ein Beharrungszustand ist, berechnet und die Standardabweichung oder den Kehrwert des SN-Verhältnisses jedes Parameters als Rauschbetrag des Parameters verwendet.
Steuerungsvorrichtung einer Brennkraftmaschine nach Anspruch 1 oder 2, wobei der Lernratenanpassungsteil die Lernrate so anpasst, dass die Lernrate kleiner wird, je größer der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag ist.
Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 3, wobei, wenn die Rauschbeträge, welche die Ist-Messwerte der Eingabeparameter und des Ausgabeparameters überlagern, gleich oder kleiner als die für die Parameter eingestellten Schwellwerte sind, der Lernratenanpassungsteil die Lernrate so anpasst, dass sie auf einer konstanten Lernrate gehalten wird, die größer ist als die Lernrate, wenn der den Ist-Messwert mindestens eines Parameters überlagernde Rauschbetrag größer als der Schwellwert ist.
Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 4, wobei die Steuerungsvorrichtung einer Brennkraftmaschine eine am Fahrzeug vorgesehene elektronische Steuereinheit ist.
Steuerungsvorrichtung einer Brennkraftmaschine nach einem der Ansprüche 1 bis 4, wobei die Steuerungsvorrichtung einer Brennkraftmaschine eine am Fahrzeug vorgesehene elektronische Steuereinheit und einen an einer Außenseite des Fahrzeugs installierten Server, der eingerichtet ist, um mit der elektronischen Steuereinheit kommunizieren zu können, umfasst, die elektronische Steuereinheit den Parameterausgabeteil und den Motorsteuerungsteil umfasst, der Server den Lernteil und den Lernratenanpassungsteil umfasst, die elektronische Steuereinheit die Lehrdaten an den Server sendet, der Lernratenanpassungsteil eine Lernrate anhand des Rauschbetrags anpasst, der die Ist-Messwerte der Eingabeparameter und den Ist-Messwert des Ausgabeparameters, die in den Lehrdaten enthalten sind, überlagert, der Lernteil das Lernmodell unter Verwendung der aus der elektronischen Steuereinheit empfangenen Lehrdaten einlernt und das Lernmodell nach dem Einlernen an die elektronische Steuereinheit sendet, und der Parameterausgabeteil das vom Lernteil an die elektronische Steuereinheit gesendete eingelernte Lernmodell verwendet.
Steuerungsverfahren einer Brennkraftmaschine, das ein Lernmodell verwendet, um einen Betrieb der Brennkraftmaschine eines Fahrzeugs zu steuern, wobei das Steuerungsverfahren einer Brennkraftmaschine einen Prozessor zur Ausführung der folgenden Schritte veranlasst: Anpassen einer Lernrate dergestalt, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingabeparametern des Lernmodells und dem Ausgabeparameter des Lernmodells überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert des Parameters überlagernde Rauschbetrag relativ niedrig ist, Einlernen des Lernmodells durch ein Gradientenverfahren, indem die angepasste Lernrate verwendet wird und eine Kombination aus den Ist-Messwerten der Eingabeparameter und dem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet wird, Ausgeben eines Vorhersagewerts des Ausgabeparameters unter Verwendung des Lernmodells, wenn die Ist-Messwerte der Eingabeparameter eingegeben werden, und Steuern der Brennkraftmaschine anhand des ausgegebenen Vorhersagewerts des Ausgabeparameters.
Lernmodell zum Steuern einer Brennkraftmaschine, wobei das Lernmodell bewirkt, dass ein Prozessor so arbeitet, dass er einen Vorhersagewert eines für die Steuerung einer Brennkraftmaschine verwendeten Ausgabeparameters ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, wobei das Lernmodell durch ein Gradientenverfahren eingelernt wird, das eine Kombination aus Ist-Messwerten der Eingabeparameter und einem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet, und beim Lernen eine Lernrate verwendet wird, die so angepasst wird, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingangsparametern und dem Ausgangsparameter überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert dieses Parameters überlagernde Rauschbetrag relativ niedrig ist.
Lernverfahren eines Lernmodells zum Steuern einer Brennkraftmaschine, wobei das Lernverfahren bewirkt, dass ein Prozessor so arbeitet, dass er einen Vorhersagewert eines für die Steuerung einer Brennkraftmaschine verwendeten Ausgabeparameters ausgibt, wenn Ist-Messwerte von Eingabeparametern eingegeben werden, wobei das Lernmodell durch ein Gradientenverfahren eingelernt wird, das eine Kombination aus Ist-Messwerten der Eingabeparameter und einem Ist-Messwert des Ausgabeparameters als Lehrdaten verwendet, und beim Lernen eine Lernrate verwendet wird, die so angepasst wird, dass, wenn der Rauschbetrag, der den Ist-Messwert mindestens eines Parameters aus den Eingangsparametern und dem Ausgangsparameter überlagert, relativ hoch ist, die Lernrate kleiner wird, als wenn der den Ist-Messwert dieses Parameters überlagernde Rauschbetrag relativ niedrig ist.