DE102020133045A1

DE102020133045A1 - Modelldiagnosevorrichtung und modelldiagnosesystem

Info

Publication number: DE102020133045A1
Application number: DE102020133045.6A
Authority: DE
Inventors: Hiroki Morita; Daiki Yokoyama
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2019-12-19
Filing date: 2020-12-10
Publication date: 2021-06-24
Also published as: CN113008569A; JP6791347B1; JP2021096771A; US20210192872A1

Abstract

Eine Modelldiagnosevorrichtung umfasst eine Kommunikationseinrichtung, die mit einer Anzahl an Fahrzeugen kommunizieren kann, in denen jeweils ein Lernen eines neuronalen Netzmodells durchgeführt und ein gelerntes neuronales Netzmodell erzeugt wird, eine Speichervorrichtung und eine Steuervorrichtung, die eine Anomalie des gelernten neuronalen Netzmodells beurteilt. Die Steuervorrichtung speichert Ausgangsparameterwerte, die von dem gelernten neuronalen Netzmodell für vorbestimmte Eingangsparameterwerte in der Speichervorrichtung ausgegeben werden, wenn sie ein neues gelerntes neuronales Netzmodell oder einen Ausgangsparameterwert, der von dem neuen gelernten neuronalen Netzmodell für die vorbestimmten Eingangsparameterwerte von einem Fahrzeug aus der Anzahl an Fahrzeugen über die Kommunikationsvorrichtung ausgegeben wird, empfängt, führt eine statistische Verarbeitung des Ausgangsparameterwertes durch und beurteilt eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage eines statistischen Verarbeitungsergebnisses.

Description

Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf eine Modelldiagnosevorrichtung und ein Modelldiagnosesystem.
Hintergrund
In der Vergangenheit war bekannt, dass zur Steuerung eines Fahrzeugs ein neuronales Netzmodell verwendet wird, das aus vorgegebenen Eingangsparametern einen vorgegebenen Ausgangsparameter ausgibt. Beispielsweise beschreibt JP 2012 - 112 277 A die Verwendung eines gelernten neuronalen Netzmodells zur Schätzung einer Menge eines Ansauggasstroms, der in Brennkammern eines in einem Fahrzeug eingebauten Verbrennungsmotors geleitet wird.
Zusammenfassung
Technisches Problem
Um die Genauigkeit eines neuronalen Netzmodells zu verbessern, ist es in dieser Hinsicht notwendig, ein Lernen des neuronalen Netzmodells im Voraus durchzuführen. Bei einem Lernen eines neuronalen Netzmodells werden Trainingsdatensätze verwendet, die aus Kombinationen von Messwerten der Eingangsparameter und Messwerten des Ausgangsparameters bestehen.
Die Messwerte der Eingangsparameter und des Ausgangsparameters können mit Hilfe von Sensoren usw. während eines tatsächlichen Fahrens eines Fahrzeugs erfasst werden. Aus diesem Grund kann es in Betracht gezogen werden, Trainingsdatensätze in einem Fahrzeug vorzubereiten und ein Lernen des neuronalen Netzmodells in dem Fahrzeug durchzuführen. Durch eine Übertragung des resultierenden gelernten neuronalen Netzmodells an einen Server außerhalb des Fahrzeugs ist es möglich, das gelernte neuronale Netzmodell über den Server an andere Fahrzeuge zu verteilen.
Wenn jedoch in einem Teil, der sich auf ein Lernen des neuronalen Netzmodells bezieht, eine Anomalie auftritt, wird das Lernen des neuronalen Netzmodells nicht in einer geeigneter Weise durchgeführt. Infolgedessen ist es wahrscheinlich, dass eine Steuerung in dem Fahrzeug mit einem anormal gelernten neuronalen Netzmodell durchgeführt wird. Darüber hinaus kann es vorkommen, dass das anormal gelernte neuronale Netzmodell auf andere Fahrzeuge verteilt wird.
In Anbetracht des vorstehenden Problems besteht die Aufgabe der vorliegenden Erfindung daher darin, eine Modelldiagnosevorrichtung bereitzustellen, die in der Lage ist, eine Anomalie eines in einem Fahrzeug erzeugten gelernten neuronalen Netzmodells zu diagnostizieren.
Lösung des Problems
Die Zusammenfassung der vorliegenden Offenbarung lautet wie folgt.

(1) Modelldiagnosevorrichtung, mit einer Kommunikationsvorrichtung, die in der Lage ist, mit einer Anzahl an Fahrzeugen zu kommunizieren, in denen jeweils ein Lernen eines neuronalen Netzmodells durchgeführt und ein gelerntes neuronales Netzmodell erzeugt wird; einer Speichervorrichtung, die Daten speichert; und einer Steuervorrichtung, die derart konfiguriert ist, dass sie eine Anomalie des gelernten neuronalen Netzmodells beurteilt, wobei die Steuervorrichtung derart konfiguriert ist, dass sie Ausgabeparameterwerte, die von dem gelernten neuronalen Netzmodell für vorbestimmte Eingabeparameterwerte in der Speichervorrichtung ausgegeben werden, speichert, wenn sie ein neues gelerntes neuronales Netzmodell oder einen Ausgabeparameterwert, der von dem neuen gelernten neuronalen Netzmodell für die vorbestimmten Eingabeparameterwerte von einem Fahrzeug der Anzahl an Fahrzeugen über die Kommunikationsvorrichtung ausgegeben wird, empfängt, eine statistische Verarbeitung des Ausgabeparameterwertes durchführt und eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage eines statistischen Verarbeitungsergebnisses beurteilt.
(2) Modelldiagnosevorrichtung nach (1), wobei die Steuervorrichtung derart konfiguriert ist, dass sie dem einen Fahrzeug mitteilt, dass das neue gelernte neuronale Netzmodell anormal ist, wenn es beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
(3) Modelldiagnosevorrichtung nach (1) oder (2), wobei die Steuervorrichtung derart konfiguriert ist, dass sie an das eine Fahrzeug ein gelerntes neuronales Netzmodell sendet, das an einem anderen Fahrzeug als dem einen Fahrzeug erzeugt und als normal beurteilt wird, wenn sie beurteilt, dass das neue gelernte neuronale Netz anormal ist.
(4) Modelldiagnosevorrichtung nach einen von (1) bis (3), wobei die Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell in der Speichervorrichtung speichert, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell normal ist, und, dass sie das neue gelernte neuronale Netzmodell nicht in der Speichervorrichtung speichert, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
(5) Modelldiagnosevorrichtung nach einen von (1) bis (4), wobei die Steuervorrichtung derart konfiguriert ist, dass sie ein korrigiertes neuronales Netzmodell an die Anzahl an Fahrzeugen überträgt, wenn die in der Speichervorrichtung gespeicherten Ausgabeparameterwerte nicht normalverteilt sind.
(6) Modelldiagnosesystem mit einem Server und einer Anzahl an Fahrzeugen, wobei jedes der Anzahl an Fahrzeugen umfasst: eine erste Kommunikationsvorrichtung, die mit dem Server kommunizieren kann; und eine erste Steuervorrichtung, die derart konfiguriert ist, dass sie ein gelerntes neuronales Netzmodell erzeugt, indem sie ein Lernen eines neuronalen Netzmodells durchführt, wobei der Server umfasst: eine zweite Kommunikationsvorrichtung, die in der Lage ist, mit der Anzahl an Fahrzeugen zu kommunizieren; eine Speichervorrichtung, die Daten speichert; und eine zweite Steuervorrichtung, die derart konfiguriert ist, dass sie eine Anomalie des gelernten neuronalen Netzmodells beurteilt, und die zweite Steuervorrichtung derart konfiguriert ist, dass sie Ausgabeparameterwerte, die von dem gelernten neuronalen Netzmodell für vorbestimmte Eingabeparameterwerte ausgegeben werden, in der Speichervorrichtung speichert, beim Empfang eines neuen gelernten neuronalen Netzmodells oder eines Ausgangsparameterwertes, der von dem neuen gelernten neuronalen Netzmodell für die vorbestimmten Eingangsparameterwerte von einem Fahrzeug aus der Anzahl an Fahrzeugen über die zweite Kommunikationsvorrichtung ausgegeben wird, eine statistische Verarbeitung des Ausgangsparameterwertes durchführt und eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage eines statistischen Verarbeitungsergebnisses beurteilt.
(7) Modelldiagnosesystem nach (6), wobei die zweite Steuervorrichtung derart konfiguriert ist, dass sie das eine Fahrzeug benachrichtigt, dass das neue gelernte neuronale Netzmodell anormal ist, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
(8) Modelldiagnosesystem nach (7), wobei die erste Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell nicht verwendet, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell anormal ist.
(9) Modelldiagnosesystem nach (7) oder (8), wobei die erste Steuervorrichtung derart konfiguriert ist, dass sie einen Fahrer über eine Anomalie eines Teils bezüglich eines Lernens des neuronalen Netzmodells benachrichtigt, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell anormal ist.
(10) Modelldiagnosesystem nach einem von (6) bis (9), wobei die zweite Steuervorrichtung derart konfiguriert ist, dass sie eine statistische Verarbeitung des Ausgabeparameterwertes durchführt, wenn sie den Ausgabeparameterwert empfängt, der von dem neuen gelernten neuronalen Netzwerk für die vorbestimmten Eingabeparameterwerte von einem Fahrzeug der Anzahl an Fahrzeugen über die zweite Kommunikationsvorrichtung ausgegeben wird, eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage des statistischen Verarbeitungsergebnisses beurteilt und das eine Fahrzeug benachrichtigt, dass das neue gelernte neuronale Netzmodell normal ist, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell normal ist, und die erste Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell an den Server überträgt, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell normal ist.

Vorteilhafte Auswirkungen der Erfindung
Gemäß der vorliegenden Erfindung wird eine Modelldiagnosevorrichtung bereitgestellt, die in der Lage ist, eine Anomalie eines in einem Fahrzeug erzeugten gelernten neuronalen Netzmodells zu diagnostizieren.
Figurenliste

1 ist eine schematische Darstellung der Konfiguration eines Modelldiagnosesystems nach einer ersten Ausführungsform der vorliegenden Erfindung.
2 ist eine Ansicht, die schematisch einen Teil der Konfiguration eines Fahrzeugs aus 1 zeigt.
3 ist eine Ansicht, die ein Beispiel eines neuronalen Netzmodells mit einer einfachen Konfiguration zeigt.
4 ist ein Flussdiagramm, das eine Steuerroutine einer Modelllernverarbeitung in der ersten Ausführungsform zeigt.
5 ist ein Flussdiagramm, das eine Steuerroutine einer Modelldiagnoseverarbeitung in der ersten Ausführungsform zeigt.
6 ist eine Ansicht, die ein Beispiel für einen vorbestimmten Bereich der Normalverteilung zeigt.
7 ist ein Flussdiagramm, das eine Steuerroutine einer Modelllernverarbeitung in einer zweiten Ausführungsform zeigt.
8 ist ein Flussdiagramm, das eine Steuerroutine einer Modelldiagnoseverarbeitung in der zweiten Ausführungsform zeigt.
9 ist ein Flussdiagramm, das eine Steuerroutine einer Modelldiagnoseverarbeitung in einer dritten Ausführungsform zeigt.

Beschreibung der Ausführungsformen
Im Folgenden werden unter Bezugnahme auf die Zeichnungen Ausführungsformen der vorliegenden Erfindung im Detail erläutert. Es ist zu beachten, dass in der folgenden Erläuterung ähnlichen Bestandteilelementen die gleichen Bezugszeichen zugeordnet werden.
Erste Ausführungsform
Zunächst wird unter Bezugnahme auf 1 bis 6 eine erste Ausführungsform der vorliegenden Erfindung erläutert. 1 ist eine schematische Darstellung einer Konfiguration eines Modelldiagnosesystems gemäß der ersten Ausführungsform der vorliegenden Erfindung. Das Modelldiagnosesystem 1 ist mit einem Server 2 und einer Anzahl an Fahrzeugen 3 ausgestattet.
Wie in 1 dargestellt, ist der Server 2 außerhalb der Anzahl an Fahrzeugen 3 vorgesehen und mit einer Kommunikationsschnittstelle 21, einer Speichervorrichtung 22, einem Speicher 23 und einem Prozessor 24 versehen. Es ist anzumerken, dass der Server 2 ferner mit einem Eingabegerät wie einer Tastatur und Maus und einem Ausgabegerät wie einem Bildschirm usw. ausgestattet sein kann. Ferner kann der Server 2 durch eine Anzahl von Computern konfiguriert werden. Der Server 2 ist ein Beispiel für eine Modelldiagnosevorrichtung.
Die Kommunikationsschnittstelle 21 kann mit der Anzahl an Fahrzeugen 3 derart kommunizieren, dass der Server 2 mit der Anzahl an Fahrzeugen 3 kommunizieren kann. Insbesondere verfügt die Kommunikationsschnittstelle 21 über eine Schnittstellenschaltung zum Anschluss des Servers 2 an das Kommunikationsnetz 5. Der Server 2 kommuniziert mit der Anzahl an Fahrzeugen 3 über die Kommunikationsschnittstelle 21, das Kommunikationsnetz 5 und eine drahtlose Basisstation 6. Die Kommunikationsschnittstelle 21 ist ein Beispiel für ein Kom m un ikationsgerät.
Die Speichervorrichtung 22 hat beispielsweise ein Festplattenlaufwerk (HDD), ein Festkörperlaufwerk (SSD) oder ein optisches Speichermedium. Die Speichervorrichtung 22 speichert verschiedene Arten von Daten, z.B. speichert es Fahrzeuginformationen, Computerprogramme für den Prozessor 24 zur Durchführung verschiedener Verarbeitungen usw. Die Speichervorrichtung 22 ist ein Beispiel für eine Speichervorrichtung.
Der Speicher 23 beispielsweise verfügt über einen Halbleiterspeicher, wie z.B. einen Direktzugriffsspeicher (RAM). Der Speicher 23 speichert z.B. verschiedene Daten usw., die verwendet werden, wenn der Prozessor 24 verschiedene Verarbeitungen durchführt.
Die Kommunikationsschnittstelle 21, die Speichervorrichtung 22 und der Speicher 23 sind über Signalleitungen mit dem Prozessor 24 verbunden. Der Prozessor 24 hat eine oder mehrere CPUs und Peripherieschaltungen und führt verschiedene Verarbeitungen durch. Es ist anzumerken, dass der Prozessor 24 darüber hinaus über Verarbeitungsschaltungen wie arithmetische Logikeinheiten oder numerische Berechnungseinheiten verfügen kann. Der Prozessor 24 ist ein Beispiel für eine Steuervorrichtung.
2 ist eine Ansicht, die schematisch einen Teil der Konfiguration eines Fahrzeugs 3 in 1 zeigt. Das Fahrzeug 3 ist mit einem elektronischen Steuergerät (ECU) 30 ausgestattet. Die ECU 30 weist eine Kommunikationsschnittstelle 31, einen Speicher 32 und einen Prozessor 33 auf und führt verschiedene Steueroperationen des Fahrzeugs 3 aus. Es ist anzumerken, dass in der vorliegenden Ausführungsform eine einzige ECU 30 vorgesehen ist, jedoch eine Anzahl von ECUs für die verschiedenen Funktionen vorgesehen sein können.
Die Kommunikationsschnittstelle 31 ist eine Schnittstellenschaltung zur Verbindung der ECU 30 mit einem internen Fahrzeugnetzwerk, das auf dem CAN (Controller Area Network) oder einem anderen Standard basiert. Die ECU 30 kommuniziert über die Kommunikationsschnittstelle 31 mit anderen in dem Fahrzeug eingebauten Geräten.
Der Speicher 32 beispielsweise verfügt über einen flüchtigen Halbleiterspeicher (z.B. ein RAM) und einen nichtflüchtigen Halbleiterspeicher (z.B. ein ROM). Der Speicher 32 speichert Programme, die von dem Prozessor 33 ausgeführt werden, verschiedene Daten, die verwendet werden, wenn die verschiedenen Verarbeitungen von dem Prozessor 33 ausgeführt werden, usw. Der Speicher 32 ist ein Beispiel für eine Speichervorrichtung.
Die Kommunikationsschnittstelle 31 und der Speicher 32 sind über Signalleitungen mit dem Prozessor 33 verbunden. Der Prozessor 33 verfügt über eine oder mehrere CPUs (Zentraleinheiten) und deren Peripherieschaltungen und führt verschiedene Verarbeitungen durch. Es ist anzumerken, dass der Prozessor 33 darüber hinaus über Verarbeitungsschaltungen wie arithmetische Logikeinheiten oder numerische Recheneinheiten verfügen kann. Der Prozessor 33 ist ein Beispiel für eine Steuervorrichtung.
Ferner ist das Fahrzeug 3 mit einem Kommunikationsmodul 36 versehen, das mit der Außenwelt des Fahrzeugs 3 kommunizieren kann (z. B. mit dem Server 2). Das Kommunikationsmodul 36 ist über eine Signalleitung mit der ECU 30 verbunden und z.B. als Datenkommunikationsmodul (DCM) konfiguriert. Das Fahrzeug 3 kommuniziert mit dem Server 2 über das Kommunikationsmodul 36, eine drahtlose Basisstation 6 und ein Kommunikationsnetzwerk 5. Das Kommunikationsmodul 36 ist ein Beispiel für eine Kommunikationsvorrichtung.
In der vorliegenden Ausführung wird in dem Fahrzeug 3 die Steuerung mit Hilfe eines neuronalen Netzmodells durchgeführt. Zunächst wird unter Bezugnahme auf 3 ein neuronales Netzmodell in groben Zügen erläutert. 3 ist eine Ansicht, die ein Beispiel für ein neuronales Netzmodell mit einer einfachen Konfiguration zeigt.
Die Kreismarkierungen in 3 zeigen künstliche Neuronen. Ein künstliches Neuron wird gewöhnlich als „Knoten“ oder „Einheit“ (in dieser Beschreibung als „Knoten“ bezeichnet) bezeichnet. In 3 bezeichnet L=1 eine Eingangsschicht, L=2 und L=3 ausgeblendete Schichten und L=4 eine Ausgangsschicht. Es ist anzumerken, dass die ausgeblendeten Schichten auch als „Zwischenschichten“ bezeichnet werden.
In 3 bezeichnen x1 und x2 die Knoten der Eingangsschicht (L=1) und die Ausgangswerte der Knoten, während „y“ einen Knoten der Ausgangsschicht (L=4) und seine Ausgangswerte bezeichnet. In ähnlicher Weise kennzeichnen z₁ ^(L=2), z₂ ^(L=2) und z₃ ^(L=2) Knoten der ausgeblendeten Schichten (L=2) und die Ausgabewerte von den Knoten, während z₁ ^(L=3) und z₂ ^(L=3) Knoten der ausgeblendeten Schichten (L=3) und die Ausgabewerte von den Knoten kennzeichnen.
An den Knoten der Eingangsschicht werden Eingaben derart ausgegeben, wie sie sind. An den Knoten der ausgeblendeten Schicht (L=2) werden dagegen die Ausgabewerte x1 und x2 der Knoten der Eingangsschicht eingegeben. An den Knoten der ausgeblendeten Schichten (L=2) werden entsprechende Gewichte „w“ und Bias „b“ verwendet, um die gesamten Eingabewerte „u“ zu berechnen. Zum Beispiel werden in 3 die Gesamteingangswerte u_k ^(L=2), die an den durch z_k ^(L=2) (k=1, 2, 3) dargestellten Knoten der ausgeblendeten Schicht (L=2) berechnet werden, wie in der folgenden Gleichung (M ist die Anzahl von Knoten der Eingangsschicht). $u_{k}^{(L = 2)} = \sum_{m = 1}^{M} (x_{m} \cdot w_{k m}^{(L = 2)}) + b_{k}$
Als Nächstes werden diese gesamten Eingabewerte u_k ^(L=2) durch die Aktivierungsfunktion „f“ umgewandelt und als die Ausgabewerte z_k ^(L=2) (=f(u_k ^(L=2))) von den durch z_k ^(L=2) dargestellten Knoten der ausgeblendeten Schichten (L=2) ausgegeben. Auf der anderen Seite erhalten die Knoten der ausgeblendeten Schicht (L=3) als Eingabe die Ausgabewerte z₁ ^(L=2), z₂ ^(L=2) und z₃ ^(L=2) der Knoten der ausgeblendeten Schicht (L=2). An den Knoten der ausgeblendeten Schicht (L=3) werden die entsprechenden Gewichte „w“ und die Bias „b“ verwendet, um die gesamten Eingabewerte „u“ (=Σz*w+b) zu berechnen. Die Gesamteingangswerte „u“ werden auf ähnliche Weise durch eine Aktivierungsfunktion umgewandelt und von den Knoten der ausgeblendeten Schichten (L=3) als die Ausgangswerte z₁ ^(L=3) und z₂ ^(L=3) ausgegeben. Die Aktivierungsfunktion ist z.B. eine Sigmoid-Funktion σ.
Weiterhin erhält der Knoten der Ausgabeschicht (L=4) als Eingabe die Ausgabewerte z₁ ^(L=3) und z₂ ^(L=3) der Knoten der ausgeblendeten Schicht (L=3). An dem Knoten der Ausgabeschicht werden die entsprechenden Gewichte „w“ und die Bias „b“ zur Berechnung des Gesamteingangswertes „u“ (Σz*w+b) oder nur die entsprechenden Gewichte „w“ zur Berechnung des Gesamteingangswertes „u“ (Σz*w) verwendet. Zum Beispiel wird an dem Knoten der Ausgangsschicht eine Identitätsfunktion als Aktivierungsfunktion verwendet. In diesem Fall wird der an dem Knoten der Ausgabeschicht berechnete Gesamteingangswert „u“ unverändert als der Ausgangswert „y“ aus dem Knoten der Ausgabeschicht ausgegeben.
Das neuronale Netzmodell gibt mindestens einen Ausgabeparameter aus einer Anzahl an Eingabeparametern aus. In der vorliegenden Ausführungsform werden als die Eingangsparameter und als der Ausgangsparameter des neuronalen Netzmodells Parameter verwendet, die sich auf einen Zustand des Fahrzeugs 3, Parameter, die sich auf eine Fahrumgebung des Fahrzeugs 3, usw. beziehen.
Als die Eingangsparameter werden z.B. eine Außenlufttemperatur, ein Breitengrad, ein Längengrad, ein Wochentag, Stunden und eine unmittelbar vorhergehende Parkzeit (Parkzeit vor einer Fahrt) verwendet, und als der Ausgangsparameter wird die Temperatureinstellung der Klimaanlage verwendet. Wenn der Wochentag als ein Eingabeparameter verwendet wird, wird der Wochentag in eine Zahl umgewandelt. Beispielsweise werden Montag bis Sonntag die Ziffern 1 bis 7 zugewiesen.
Ferner, wenn das Fahrzeug mit einem Verbrennungsmotor als die Antriebsquelle ausgestattet ist, werden als die Eingangsparameter z. B. die Motordrehzahl, ein Öffnungsgrad der Drosselklappe, eine Ansaugluftmenge (Summe aus einer Frischluftmenge und einer Menge an AGR-Gases) oder ein Ansaugluftdruck, eine Kühlwassertemperatur des Verbrennungsmotors, ein Winkel der Nockenwelle, eine Ansaugtemperatur, eine Fahrzeuggeschwindigkeit und ein Soll-Luft-Kraftstoff-Verhältnis des Luft-Kraftstoff-Gemisches verwendet, und als der Ausgangsparameter wird der Korrekturbetrag des Soll-Luft-Kraftstoff-Verhältnisses verwendet.
Ferner, wenn das Fahrzeug 3 mit einem Verbrennungsmotor und einem Elektromotor als Energiequellen ausgestattet ist, d.h. wenn es sich bei dem Fahrzeug 3 um ein Hybridfahrzeug (HV) oder ein Plug-In-Hybridfahrzeug (PHV) handelt, werden als die Eingangsparameter z.B. der Ladezustand (SOC) der Batterie, eine Fahrzeuggeschwindigkeit, ein Öffnungsgrad des Gaspedals, eine Temperatur des Kühlwassers des Verbrennungsmotors, eine Temperatur der Batterie, eine elektrische Last aufgrund einer Verwendung der Klimaanlage usw. verwendet, ein atmosphärischer Druck oder eine Höhe, ein Breitengrad des aktuellen Standorts, ein Längengrad des aktuellen Standorts, ein Wochentag und Stunden werden verwendet, und als der Ausgangsparameter wird der Zielbetrag für ein Laden und Entladen der Batterie in dem HV-Modus verwendet. Es ist anzumerken, dass in dem HV-Modus der Verbrennungsmotor und der Elektromotor derart angetrieben werden, dass der SOC der Batterie zu dem Zielwert wird.
An dem Fahrzeug 3 werden für eine Erfassung der Messwerte der Eingangsparameter und des Ausgangsparameters erforderliche Sensoren entsprechend den Arten der Parameter bereitgestellt. Ferner, wird das in dem Fahrzeug 3 verwendete neuronale Netzmodell (insbesondere Konfigurationsinformationen des neuronalen Netzmodells) in dem Speicher 32 der ECU 30 gespeichert. Die Konfigurationsinformationen des neuronalen Netzmodells umfassen die Anzahl der ausgeblendeten Schichten, die Anzahl der Knoten in jeder Schicht, die Gewichte „w“, die Bias „b“, usw.
Der Prozessor 33 der ECU 30 gibt die Eingangsparameter in das neuronale Netzmodell derart ein, dass das neuronale Netzmodell den Ausgangsparameter ausgibt. Zu diesem Zeitpunkt werden als die Eingangsparameterwerte, z.B. von Sensoren usw. erfasste Werte, die an dem Fahrzeug 3 zur Verfügung gestellt werden, von dem Prozessor 33 berechnete Werte, Werte, die durch von außerhalb des Fahrzeugs 3 an das Fahrzeug 3 gesendete Informationen erhalten werden, von dem Fahrer eingegebene Werte usw. verwendet. Durch eine Verwendung des neuronalen Netzmodells ist es möglich, geeignete Ausgangsparameterwerte zu erhalten, die vorgegebenen Eingangsparameterwerten entsprechen.
Um die Genauigkeit des neuronalen Netzmodells zu verbessern, ist es notwendig, ein Lernen des neuronalen Netzmodells im Voraus durchzuführen. In der vorliegenden Ausführungsform wird in jedem der Anzahl an Fahrzeugen 3 ein Lernen des neuronalen Netzmodells durchgeführt und ein gelerntes neuronales Netzmodell erzeugt. Konkret führt der Prozessor 33 der ECU 30 ein Lernen eines neuronalen Netzmodells durch, um dadurch ein gelerntes neuronales Netzmodell zu erzeugen. Das heißt, in der vorliegenden Ausführungsform wird ein Lernen des neuronalen Netzmodells nicht in dem Server 2, sondern in den Fahrzeugen 3 durchgeführt.
Bei einem Lernen des neuronalen Netzmodells werden Trainingsdatensätze verwendet, die aus Kombinationen von Messwerten der Eingangsparameteranzahl und den Messwerten (Ground Truth Data) des mindestens einen Ausgangsparameters, der diesen Messwerten entspricht. Aus diesem Grund erfasst der Prozessor 33 der ECU 30 zur Vorbereitung der Trainingsdatensätze die Messwerte der Eingangsparameteranzahl und die diesen Messwerten entsprechenden Messwerte des mindestens einen Ausgangsparameters. Die Messwerte der Eingangsparameter und der Ausgangsparameter werden z.B. als Werte erfasst, die von Sensoren usw. erfasst werden, die an dem Fahrzeug 3 bereitgestellt werden, als Werte, die von dem Prozessor 33 berechnet werden, als Werte, die durch Informationen erhalten werden, die von außerhalb des Fahrzeugs 3 an das Fahrzeug 3 gesendet werden, als Werte, die von dem Fahrer eingegeben werden, usw. Die durch eine Kombination dieser Messwerte vorbereiteten Trainingsdatensätze werden in dem Speicher 32 der ECU 30 gespeichert.
Der Prozessor 33 verwendet eine große Anzahl von Trainingsdatensätzen, um ein Lernen des neuronalen Netzmodells durchzuführen. Beispielsweise aktualisiert der Prozessor 33 wiederholt die Gewichte „w“ und die Bias „b“ in dem neuronalen Netzmodell durch die bekannte Fehlerbackpropagationmethode, derart, dass die Unterschiede zwischen den von dem neuronalen Netzmodell ausgegebenen Werten und den Messwerten des Ausgabeparameters kleiner werden. Als Ergebnis wird das neuronale Netzmodell gelernt und ein gelerntes neuronales Netzmodell erzeugt. Das gelernte neuronale Netzmodell (insbesondere die Konfigurationsinformationen des gelernten neuronalen Netzmodells) wird in dem Speicher 32 der ECU 30 gespeichert. Die Konfigurationsinformationen des gelernten Modells weisen die Anzahl der ausgeblendeten Schichten, die Anzahl der Knoten in jeder Schicht, die Gewichte „w“, die Bias „b“, usw. auf.
Das gelernte neuronale Netzmodell (im Folgenden als „gelerntes Modell“ bezeichnet) wird in einem Fahrzeug 3 zur Steuerung des Fahrzeugs 3 verwendet. Durch eine Verwendung des gelernten Modells ist es möglich, einen Ausgangsparameterwert, der Eingangsparameterwerten entspricht, vorherzusagen, bevor der Messwert des Ausgangsparameters durch einen Sensor usw. erfasst wird.
Wenn in der vorliegenden Ausführungsform ein gelerntes Modell an einem Fahrzeug 3 erzeugt wird, wird das gelernte Modell von dem Fahrzeug 3 an den Server 2 gesendet. Das heißt, die gelernten Modelle, die an der Anzahl an Fahrzeugen 3 erzeugt werden, werden auf dem Server 2 gesammelt. Zu diesem Zeitpunkt werden die gelernten Modelle, die an den Fahrzeugen 3 erzeugt wurden, in der Speichervorrichtung 22 des Servers 2 gespeichert.
Das gelernte Modell wird von dem Server 2 je nach Bedarf auf andere Fahrzeuge verteilt Auf diese Weise kann das gelernte Modell auch in einem Fahrzeug verwendet werden, das keine Lernfunktion eines neuronalen Netzmodells hat, oder in einem Fahrzeug, in dem ein Lernen eines neuronalen Netzmodells noch nicht abgeschlossen ist.
Wenn jedoch eine Anomalie in einem Teil auftritt, der sich auf ein Lernen eines neuronalen Netzmodells bezieht (Sensoren, die Messwerte der Eingangsparameter und der Ausgangsparameter erfassen, die ECU 30, die das Lernen des neuronalen Netzmodells durchführt, usw.), wird das Lernen des neuronalen Netzmodells nicht in geeigneter Weise durchgeführt. Infolgedessen wird in einem Fahrzeug 3 eine Steuerung wahrscheinlich mit einem anormalen Lernmodell durchgeführt. Darüber hinaus kann es vorkommen, dass ein anormal gelerntes Modell von dem Server 2 auf andere Fahrzeuge verteilt wird.
Aus diesem Grund wird in der vorliegenden Ausführungsform in dem Server 2 eine Anomalie des gelernten Modells diagnostiziert, und der Prozessor 24 des Servers 2 beurteilt die Anomalie des gelernten Modells. Wenn das gelernte Modell anormal ist, weichen die Werte der Gewichte „w“ und die Bias „b“ von den geeigneten Bereichen ab, und es werden ungeeignete Ausgabeparameterwerte aus dem gelernten Modell ausgegeben. Wenn dieselben Eingabeparameterwerte in eine große Anzahl von gelernten Modellen eingegeben werden, besteht daher eine hohe Wahrscheinlichkeit, dass die Ausgabeparameterwerte, die von einem anormalen gelernten Modell ausgegeben werden, zu statistisch abweichenden Werten werden.
Aus diesem Grund ist es durch eine statistische Verarbeitung von Ausgangsparameterwerten, die von einem gelernten Modell ausgegeben werden, möglich, eine Anomalie des gelernten Modells zu diagnostizieren. Bei der statistischen Verarbeitung sind eine große Anzahl von Ausgabeparameterwerten notwendig. Um die Ausgangsparameterwerte vergleichen zu können, ist es außerdem notwendig, bei einer Erfassung der Ausgangsparameterwerte die gleichen Eingangsparameterwerte in das gelernte Modell einzugeben.
Aus diesem Grund speichert der Prozessor 24 des Servers 2 in der Speichervorrichtung 22 die Ausgangsparameterwerte, die von einem gelernten Modell für vorbestimmte Eingangsparameterwerte ausgegeben werden. Zu diesem Zeitpunkt werden die Ausgabeparameterwerte durch die Eingabe der vorbestimmten Eingabeparameterwerte in das gelernte Modell erfasst. Die vorbestimmten Werte sind vorbestimmte Wertsätze und werden in der Speichervorrichtung 22 gespeichert. Wenn die Eingabeparameteranzahl des gelernten Modells beispielsweise sechs beträgt, werden Werte für jeden der sechs Eingabeparameter im Voraus festgelegt. Das heißt, wenn die Gewichte „w“ und die Bias „b“ in zwei gelernten Modellen, die an verschiedenen Fahrzeugen 3 erzeugt wurden, auf die gleichen Werte gesetzt werden, werden die Ausgangsparameterwerte, die von den beiden gelernten Modellen für die vorbestimmten Eingangsparameterwerte ausgegeben werden, gleich.
Ferner verarbeitet der Prozessor 24 beim Empfang eines neuen gelernten Modells von einem Fahrzeug 3 aus der Anzahl an Fahrzeugen 3 über die Kommunikationsschnittstelle 21 des Servers 2 statistisch den Ausgabeparameterwert, der von dem neuen gelernten Modell für die vorbestimmten Eingabeparameterwerte ausgegeben wird, und beurteilt eine Anomalie des neuen gelernten Modells auf der Grundlage des statistischen Verarbeitungsergebnisses. Auf diese Weise ist es möglich, ein gelerntes Modell auszusondern, das einen abweichenden Ausgabeparameterwert ausgibt, und wiederum ist es möglich, eine Anomalie eines gelernten Modells in einem kurzen Zeitraum genau zu diagnostizieren.
Wenn z.B. ein Ausgabeparameterwert, der von einem neuen gelernten Modell ausgegeben wird, innerhalb eines vorgegebenen Bereiches einer Normalverteilung liegt, die unter einer Verwendung der Ausgabeparameterwerte, die in der Speichervorrichtung 22 als eine Population gespeichert sind, erzeugt wird, beurteilt der Prozessor 24, dass das neue gelernte Modell normal ist. Wenn andererseits der Wert des Ausgabeparameters, der von dem neuen gelernten Modell ausgegeben wird, außerhalb des vorbestimmten Normalverteilungsbereiches liegt, beurteilt der Prozessor 24, dass das neue gelernte Modell anormal ist.
Ferner sendet der Prozessor 24 das Anomaliediagnoseergebnis des neuen gelernten Modells an das Fahrzeug 3, das das neue gelernte Modell an den Server 2 sendet. Auf diese Weise kann in dem Fahrzeug 3 beurteilt werden, ob das neue gelernte Modell verwendet werden soll.
Insbesondere bei der Beurteilung, dass das neue gelernte Modell anormal ist, teilt der Prozessor 24 dem Fahrzeug 3 mit, dass das neue gelernte Modell anormal ist. Wenn andererseits beurteilt wird, dass das neue gelernte Modell normal ist, teilt der Prozessor 24 dem Fahrzeug 3 mit, dass das neue gelernte Modell normal ist.
Ferner sendet der Prozessor 24 bei einer Verteilung des gelernten Modells an andere Fahrzeuge das als normal beurteilte gelernte Modell an die anderen Fahrzeuge. Auf diese Weise kann in den anderen Fahrzeugen verhindert werden, dass die Steuerung mit einem anormalen gelernten Modell durchgeführt wird.
Wenn er benachrichtigt wird, dass das neue gelernte Modell normal ist, verwendet der Prozessor 33 der ECU 30 des Fahrzeugs 3, das das neue gelernte Modell sendet, das neue gelernte Modell, während er, wenn mitgeteilt wird, dass das neue gelernte Modell anormal ist, das neue gelernte Modell nicht verwendet. Auf diese Weise kann an dem Fahrzeug 3 verhindert werden, dass eine Steuerung mit einem anormalen gelernten Modell durchgeführt wird.
Ferner meldet der Prozessor 33 der ECU 30 dem Fahrer des Fahrzeugs 3, wenn er benachrichtigt wird, dass das neue gelernte Modell anormal ist, die Anomalie eines Teils, der sich auf das Lernen des neuronalen Netzmodells bezieht (Sensoren zur Erfassung von Messwerten der Eingangsparameter und der Ausgangsparameter, die ECU 30, die das Lernen des neuronalen Netzmodells durchführt, usw.). Auf diese Weise kann der Fahrer aufgefordert werden, das Fahrzeug 3 zu reparieren.
Modelllernverarbeitung
Im Folgenden wird unter Bezugnahme auf das Flussdiagramm von 4 die eine in dem Fahrzeug 3 durchgeführte Steuerung im Detail erläutert. 4 ist ein Flussdiagramm, das die Steuerroutine einer Modelllernverarbeitung in der ersten Ausführungsform zeigt. Die vorliegende Steuerroutine wird wiederholt von dem Prozessor 33 der ECU 30 ausgeführt.
Zunächst beurteilt der Prozessor 33 in Schritt S101, ob die Anzahl von in dem Speicher 32 gespeicherten Trainingsdatensätze gleich oder größer als eine vorgegebene Anzahl ist. Die vorbestimmte Anzahl wird im Voraus festgelegt und auf einen Wert gesetzt, der ausreicht, um die Lerngenauigkeit zu erhöhen. Es ist anzumerken, dass, wenn das Lernen des neuronalen Netzmodells bereits durchgeführt wurde, beurteilt wird, ob die Anzahl der nicht zum Lernen verwendeten Trainingsdatensätze, d.h. die Anzahl der neu erworbenen Trainingsdatensätze, gleich oder größer als eine vorbestimmte Anzahl ist.
Wenn in Schritt S101 beurteilt wird, dass die Anzahl der Trainingsdatensätze kleiner als die vorbestimmte Anzahl ist, wird die vorliegende Steuerroutine beendet. Wenn andererseits in Schritt S101 beurteilt wird, dass die Anzahl der Trainingsdatensätze gleich oder größer als die vorbestimmte Anzahl ist, fährt die Steuerroutine mit Schritt S102 fort.
In Schritt S102 führt der Prozessor 33 ein Lernen des neuronalen Netzmodells durch. Beispielsweise verwendet der Prozessor 33 die bekannte Fehlerbackpropagationmethode, um die Gewichte „w“ und die Bias „b“ in dem neuronalen Netzmodell wiederholt derart zu aktualisieren, dass die Unterschiede zwischen den von dem neuronalen Netzmodell ausgegebenen Werten und den Messwerten des Ausgabeparameters kleiner werden. Infolgedessen wird das neuronale Netzmodell gelernt und das gelernte Modell generiert. Das generierte gelernte Modell wird in dem Speicher 32 der ECU 30 gespeichert.
Anschließend sendet der Prozessor 33 in Schritt S103 das gelernte Modell über das Kommunikationsmodul 36 an den Server 2.
Als Nächstes beurteilt der Prozessor 33 in Schritt S104, ob er von dem Server 2 innerhalb einer vorgegebenen Zeit nach einem Senden des gelernten Modells an den Server 2 ein Anomaliediagnoseergebnis erhalten hat. Die vorbestimmte Zeit wird im Voraus festgelegt und auf eine Zeit eingestellt, die länger ist als die Zeit, die für eine Anomaliediagnose des gelernten Modells in dem Server 2 erforderlich ist. Wenn in Schritt S104 beurteilt wird, dass das Anomaliediagnoseergebnis nicht innerhalb der vorgegebenen Zeit empfangen wurde, endet die vorliegende Steuerroutine. In diesem Fall wendet der Prozessor 33 das gelernte Modell nicht an.
Wenn andererseits in Schritt S104 beurteilt wird, dass das Anomaliediagnoseergebnis innerhalb der vorgegebenen Zeit empfangen wurde, fährt die Steuerroutine mit Schritt S105 fort. In Schritt S105 beurteilt der Prozessor 33, ob das Anomaliediagnoseergebnis als anormal beurteilt wird. Das heißt, der Prozessor 33 beurteilt, ob das gelernte Modell als anormal angemerkt wurde. Wenn beurteilt wird, dass das Anomaliediagnoseergebnis als anormal beurteilt wird, fährt die Steuerroutine mit Schritt S106 fort.
In Schritt S106 benachrichtigt der Prozessor 33 den Fahrer des Fahrzeugs 3 über eine Anomalie in einem Teil, der sich auf ein Lernen des neuronalen Netzmodells bezieht, ohne das gelernte Modell zu verwenden. Beispielsweise benachrichtigt der Prozessor 33 den Fahrer des Fahrzeugs 3 über eine Anomalie in einem Teil, indem er eine Warnlampe einschaltet, die an dem Fahrzeug 3 bereitgestellt ist. Es ist anzumerken, dass der Prozessor 33 den Fahrer des Fahrzeugs 3 über eine Anomalie in einem Teil benachrichtigen kann, indem er einen Warnton von einem in dem Fahrzeug 3 vorhandenen Tongenerator erzeugt. Ferner kann der Prozessor 33 in Schritt S106 das gelernte Modell aus dem Speicher 32 löschen. Nach Schritt S106 endet die vorliegende Steuerroutine.
Wenn andererseits in Schritt S105 beurteilt wird, dass das Anomaliediagnoseergebnis als normal beurteilt wird, fährt die Steuerroutine mit Schritt S107 fort. In Schritt S107 verwendet der Prozessor 33 das gelernte Modell. Folglich wird bei der nachfolgenden Fahrzeugsteuerung das gelernte Modell verwendet. Nach Schritt S107 endet die vorliegende Steuerroutine.
Es ist anzumerken, dass die Steuerroutine mit Schritt S107 fortfahren kann, wenn in Schritt S104 beurteilt wird, dass das Anomaliediagnoseergebnis nicht innerhalb der vorgegebenen Zeit empfangen wurde. Das heißt, solange nicht mitgeteilt wird, dass das gelernte Modell anormal ist, kann der Prozessor 33 das gelernte Modell verwenden.
Modelldiagnoseverarbeitung
Im Folgenden wird unter Bezugnahme auf das Flussdiagramm von 5 die auf dem Server 2 durchgeführte Steuerung im Detail erläutert. 5 ist ein Flussdiagramm, das eine Steuerroutine einer Modelldiagnoseverarbeitung in der ersten Ausführungsform zeigt. Die vorliegende Steuerroutine wird wiederholt von dem Prozessor 24 des Servers 2 durchgeführt.
Zunächst beurteilt der Prozessor 24 in Schritt S201, ob er ein neues gelerntes Modell von dem Fahrzeug 3 erhalten hat. Wenn beurteilt wird, dass er kein neues gelerntes Modell von dem Fahrzeug 3 erhalten hat, endet die vorliegende Steuerroutine. Wenn andererseits beurteilt wird, dass ein neues gelerntes Modell von dem Fahrzeug 3 empfangen wurde, fährt die Steuerroutine mit Schritt S202 fort.
In Schritt S202 speichert der Prozessor 24 den Wert des von dem gelernten Modell ausgegebenen Ausgangsparameters für vorbestimmte Werte von Eingangsparametern in der Speichervorrichtung 22. Insbesondere gibt der Prozessor 24 vorbestimmte Eingangsparameterwerte in das gelernte Modell ein und speichert den von dem gelernten Modell ausgegebenen Ausgangsparameterwert in der Speichervorrichtung 22. Wie vorstehend erläutert, handelt es sich bei den vorgegebenen Werten um vorgegebene Wertsätze, die in der Speichervorrichtung 22 gespeichert werden.
Als nächstes beurteilt der Prozessor 24 in Schritt S203, ob die Anzahl der in der Speichervorrichtung 22 gespeicherten Ausgangsparameterwerte, d.h. die Anzahl der für die statistische Verarbeitung verwendeten Populationen, gleich oder größer als eine vorbestimmte Anzahl ist. Die vorbestimmte Anzahl wird im Voraus festgelegt und auf einen Wert gesetzt, der ausreicht, um die Anomaliediagnosegenauigkeit durch statistische Verarbeitung zu erhöhen. Wenn beurteilt wird, dass die Anzahl der Populationen kleiner als die vorbestimmte Anzahl ist, endet die vorliegende Steuerroutine. Wenn andererseits beurteilt wird, dass die Anzahl der Populationen gleich oder größer als die vorgegebene Anzahl ist, fährt die Steuerroutine mit Schritt S204 fort.
In Schritt S204 beurteilt der Prozessor 24, ob der von dem neuen gelernten Modell ausgegebene Ausgabeparameterwert innerhalb eines vorbestimmten Bereichs einer Normalverteilung liegt, die unter Verwendung der in der Speichervorrichtung 22 gespeicherten Ausgabeparameterwerte als eine Population erzeugt wurde. Der vorbestimmte Bereich wird im Voraus festgelegt und z.B. in einem „k“-Sigma-Abschnitt [µ-kσ, µ+kσ] festgelegt. „k“ ist eine beliebige natürliche Zahl, die im Voraus eingestellt wird. „µ“ ist der Mittelwert der Normalverteilung und wird durch Berechnungen berechnet. σ ist die Standardabweichung der Normalverteilung und wird durch Berechnungen errechnet. Wenn z.B. „k“ gleich 2 ist, d.h. wenn der vorgegebene Bereich der 2-Sigma-Abschnitt ist, wie in 6 dargestellt, wird beurteilt, dass das neue gelernte Modell anormal ist, wenn der Ausgangsparameterwert nicht in dem Bereich von µ±2σ liegt. Es ist anzumerken, dass der Ausgangsparameterwert, der von dem neuen gelernten Modell ausgegeben wird, nicht als Population verwendet werden muss.
Wenn bei Schritt S204 die Ausgabeparameterwerte innerhalb eines vorgegebenen Normalverteilungsbereich liegen, fährt die Steuerroutine mit Schritt S205 fort. In Schritt S205 beurteilt der Prozessor 24, dass das neue gelernte Modell normal ist. In diesem Fall speichert der Prozessor 24 das neue gelernte Modell (insbesondere Konfigurationsinformationen des neuen gelernten Modells) in der Speichervorrichtung 22.
Nach Schritt S205, bei Schritt S207, sendet Prozessor 24 das Anomaliediagnoseergebnis an das Fahrzeug 3, das das neue gelernte Modell sendet. In diesem Fall benachrichtigt der Prozessor 24 das Fahrzeug 3, das das neue gelernte Modell sendet, dass das neue gelernte Modell normal ist. Nach Schritt S207 endet die vorliegende Steuerroutine.
Wenn andererseits in Schritt S204 beurteilt wird, dass der Ausgabeparameterwert außerhalb des vorgegebenen Normalverteilungsbereiches liegt, fährt die Steuerroutine mit Schritt S206 fort. In Schritt S206 beurteilt der Prozessor 24, dass das neue gelernte Modell abnormal ist. In diesem Fall speichert der Prozessor 24 das neue gelernte Modell nicht in der Speichervorrichtung 22. Das heißt, der Prozessor 24 löscht das neue gelernte Modell. Auf diese Weise kann verhindert werden, dass die verfügbare Kapazität der Speichervorrichtung 22 nicht ausreicht.
Nach Schritt S206 sendet der Prozessor 24 in Schritt S207 das Anomaliediagnoseergebnis an das Fahrzeug 3, das das neue gelernte Modell sendet. In diesem Fall benachrichtigt der Prozessor 24 das Fahrzeug 3, das das neue gelernte Modell sendet, dass das neue gelernte Modell anormal ist. Nach Schritt S207 endet die vorliegende Steuerroutine.
Es ist anzumerken, dass der Prozessor 24, wenn er in Schritt S206 beurteilt, dass das neue gelernte Modell anormal ist, den Ausgangsparameterwert aus dem als anormal bewerteten neuen gelernten Modell derart löschen kann, dass die Population keine abweichenden Werte enthält. Auf diese Weise ist es möglich, die Anomaliediagnosegenauigkeit nicht zu verringern.
Ferner kann der Prozessor 24, wenn er in Schritt S206 beurteilt, dass das neue gelernte Modell abnormal ist, dem Fahrzeug 3, das das neue gelernte Modell sendet, ein normal gelerntes Modell senden. Das normale gelernte Modell ist ein gelerntes Modell, das an einem Fahrzeug 3 erzeugt wurde, das sich von dem Fahrzeug 3 unterscheidet, das das neue gelernte Modell sendet, und das als normal beurteilt wird. Auf diese Weise ist es möglich, in dem Fahrzeug 3, in dem das anormal gelernte Modell generiert wurde, eine geeignete Steuerung unter Verwendung des normal gelernten Modells durchzuführen.
Zweite Ausführungsform
Die Konfiguration und Steuerung des Modelldiagnosesystems und der Modelldiagnosevorrichtung nach einer zweiten Ausführungsform ähneln im Wesentlichen der Konfiguration und Steuerung des Modelldiagnosesystems und der Modelldiagnosevorrichtung nach der ersten Ausführungsform mit Ausnahme der nachfolgend erläuterten Punkte. Aus diesem Grund wird im Folgenden die zweite Ausführungsform der vorliegenden Erfindung erläutert, wobei der Schwerpunkt auf Teile gelegt wird, die sich von der ersten Ausführungsform unterscheiden.
Wie vorstehend erläutert, werden bei der Anomaliediagnose eines gelernten Modells die von dem gelernten Modell ausgegebenen Ausgabeparameterwerte verwendet, während die Konfigurationsinformationen des gelernten Modells nicht verwendet werden. Aus diesem Grund wird in der zweiten Ausführungsform bei einer Generierung eines gelernten Modells in dem Fahrzeug 3 ein von dem gelernten Modell ausgegebener Ausgabeparameterwert für vorbestimmte Werte an den Server 2 gesendet. Das heißt, die Ausgabeparameterwerte, die von dem gelernten Modell ausgegeben werden und an mehreren Fahrzeugen 3 erzeugt werden, werden an dem Server 2 gesammelt und in der Speichervorrichtung 22 des Servers 2 gespeichert. Die Ausgabeparameterwerte werden durch eine Eingabe vorbestimmter Eingabeparameterwerte in das gelernte Modell erfasst. Die vorgegebenen Werte werden im Voraus eingestellt und in dem Speicher 32 der ECU 30 gespeichert.
Wenn über die Kommunikationsschnittstelle 21 des Servers 2 ein von einem neuen gelernten Modell ausgegebener Ausgabeparameterwert für die vorstehend genannten vorgegebenen Eingabeparameterwerte von einem Fahrzeug 3 aus einer Anzahl an Fahrzeugen 3 empfangen wird, führt der Prozessor 24 des Servers 2 eine statistische Verarbeitung des Ausgabeparameterwertes durch und beurteilt eine Anomalie des neuen gelernten Modells auf der Grundlage des statistischen Verarbeitungsergebnisses. Auf diese Weise ist es möglich, ein gelerntes Modell, das abweichende Ausgabeparameterwerte ausgibt, auszusondern und wiederum in kurzer Zeit eine präzise Anomaliediagnose des gelernten Modells zu stellen.
Um das gelernte Modell jedoch von dem Server 2 auf andere Fahrzeuge zu verteilen, muss das an einem Fahrzeug 3 erzeugte gelernte Modell an den Server 2 gesendet werden. Aus diesem Grund sendet der Prozessor 33 der ECU 30, wenn er benachrichtigt wird, dass das neue gelernte Modell normal ist, das neue gelernte Modell an den Server 2. Aus diesem Grund ist es möglich, die Kommunikationslast im Vergleich dazu zu reduzieren, wenn ein gelerntes Modell jedes Mal, wenn ein gelerntes Modell generiert wird, an den Server 2 gesendet wird.
Modelllernverarbeitung
7 ist ein Flussdiagramm, das eine Steuerroutine einer Modelllernverarbeitung in der zweiten Ausführungsform zeigt. Die vorliegende Steuerroutine wird wiederholt von dem Prozessor 33 der ECU 30 ausgeführt.
Zunächst beurteilt der Prozessor 33 in Schritt S301 auf die gleiche Weise wie in Schritt S101 von 4, ob die Anzahl der in dem Speicher 32 gespeicherten Trainingsdatensätze gleich oder größer als eine vorgegebene Anzahl ist. Wenn beurteilt wird, dass die Anzahl der Trainingsdatensätze kleiner als die vorbestimmte Anzahl ist, endet die vorliegende Steuerroutine. Wenn andererseits in Schritt S301 beurteilt wird, dass die Anzahl der Trainingsdatensätze gleich oder größer als die vorbestimmte Anzahl ist, fährt die Steuerroutine mit Schritt S302 fort.
Als Nächstes führt der Prozessor 33 in Schritt S302 auf die gleiche Weise wie in Schritt S102 von 4 ein Lernen des neuronalen Netzmodells durch und erzeugt ein gelerntes Modell.
Als Nächstes sendet der Prozessor 33 in Schritt S303 einen Ausgabeparameterwert, der aus dem gelernten Modell für die vorgegebenen Werte ausgegeben wird, an den Server 2. Insbesondere gibt der Prozessor 33 vorbestimmte Eingabeparameterwerte in das gelernte Modell ein und sendet einen von dem gelernten Modell ausgegebenen Ausgabeparameterwert an den Server 2. Wie vorstehend erläutert, sind die vorgegebenen Werte vorgegebene Wertesätze und werden in dem Speicher 32 gespeichert.
Danach werden Schritt S304 bis Schritt S306 auf die gleiche Weise ausgeführt wie Schritt S104 bis Schritt S106 in 4.
Wenn andererseits in Schritt S305 beurteilt wird, dass das Anomaliediagnoseergebnis als normal beurteilt ist, fährt die Steuerroutine mit Schritt S307 fort. In Schritt S307 verwendet der Prozessor 33 auf die gleiche Weise wie in Schritt S107 von 4 das gelernte Modell.
Anschließend sendet der Prozessor 33 in Schritt S308 das gelernte Modell (insbesondere Konfigurationsinformationen des gelernten Modells) an den Server 2. Das an den Server 2 gesendete gelernte Modell wird in der Speichervorrichtung 22 des Servers 2 gespeichert und je nach Bedarf an andere Fahrzeuge verteilt. Wenn also beurteilt wird, dass das neue gelernte Modell normal ist, speichert der Prozessor 24 des Servers 2 das neue gelernte Modell in der Speichervorrichtung 22. Nach Schritt S308 endet die vorliegende Steuerroutine.
Es ist anzumerken, dass die vorliegende Steuerroutine auf die gleiche Weise modifiziert werden kann wie die Steuerroutine von 4.
Modelldiagnoseverarbeitung
8 ist ein Flussdiagramm, das eine Steuerroutine einer Modelldiagnoseverarbeitung in der zweiten Ausführungsform zeigt. Die vorliegende Steuerroutine wird wiederholt von dem Prozessor 24 des Servers 2 ausgeführt.
Zunächst beurteilt der Prozessor 24 in Schritt S401, ob er einen Ausgabeparameterwert von dem Fahrzeug 3 erhalten hat. Wird beurteilt, dass er keinen Ausgabeparameterwert von dem Fahrzeug 3 erhalten hat, wird die vorliegende Steuerroutine beendet. Wird andererseits beurteilt, dass er einen Ausgabeparameterwert von dem Fahrzeug 3 erhalten hat, fährt die Steuerroutine mit Schritt S402 fort.
In Schritt S402 speichert der Prozessor 24 den von dem Fahrzeug 3 gesendeten Ausgabeparameterwert in der Speichervorrichtung 22. Danach werden Schritte S403 bis S407 in der gleichen Weise wie Schritte S203 bis S207 von 5 durchgeführt.
Es ist anzumerken, dass der Prozessor 24, wenn er in Schritt S406 beurteilt, dass das neue gelernte Modell anormal ist, den von dem Fahrzeug 3 gesendeten Ausgangsparameterwert derart löschen kann, dass die Population die abweichenden Werte nicht enthält. Dadurch ist es möglich, die Anomaliediagnosegenauigkeit nicht zu verringern.
Wenn der Prozessor 24 in Schritt S406 beurteilt, dass das neue gelernte Modell anormal ist, kann er ein normal gelerntes Modell an das Fahrzeug 3 senden, das die Ausgabeparameterwerte sendet. Das normal gelernte Modell ist ein gelerntes Modell, das an einem Fahrzeug 3 erzeugt wird, das sich von dem Fahrzeug 3 unterscheidet, das den Ausgangsparameterwert sendet, und das als normal beurteilt wird. Aus diesem Grund kann in dem Fahrzeug 3, in dem ein anormales gelerntes Modell erzeugt wird, eine geeignete Steuerung unter einer Verwendung eines normalen gelernten Modells durchgeführt werden.
Dritte Ausführungsform
Die Konfiguration und Steuerung des Modelldiagnosesystems und der Modelldiagnosevorrichtung nach einer dritten Ausführungsform ähneln im Wesentlichen der Konfiguration und Steuerung des Modelldiagnosesystems und der Modelldiagnosevorrichtung nach der ersten Ausführungsform mit Ausnahme der nachfolgend erläuterten Punkte. Aus diesem Grund wird im Folgenden die dritte Ausführungsform der vorliegenden Erfindung erläutert, wobei der Schwerpunkt auf Teile gelegt wird, die sich von der ersten Ausführungsform unterscheiden.
Wie vorstehend erläutert, wird, wenn eine Anomalie in einem Teil auftritt, der sich auf das Lernen des neuronalen Netzmodells bezieht, das Lernen des neuronalen Netzmodells nicht in geeigneter Weise durchgeführt und ein anomal gelerntes Modell erzeugt. Aber selbst wenn ein solcher Teil normal ist, kann die Genauigkeit des gelernten Modells nicht erhöht werden, wenn die Konfiguration des neuronalen Netzmodells (Anzahl und Arten der Eingabeparameter, Anzahl der ausgeblendeten Schichten, Anzahl der Knoten der Schichten usw.) ungeeignet ist.
Ist die Genauigkeit des gelernten Modells gering, wird die Variation der Ausgangsparameterwerte zwischen gelernten Modellen, die an verschiedenen Fahrzeugen 3 erzeugt wurden, größer. In diesem Fall besteht eine hohe Wahrscheinlichkeit, dass die in der Speichervorrichtung 22 gespeicherten Ausgabeparameterwerte nicht normalverteilt sind.
Aus diesem Grund sendet in der dritten Ausführungsform, wenn die in der Speichervorrichtung 22 gespeicherten Ausgabeparameterwerte nicht normalverteilt sind, der Prozessor 24 des Servers 2 ein korrigiertes neuronales Netzmodell an die Anzahl an Fahrzeugen 3. Auf diese Weise ist es möglich, in der Anzahl an Fahrzeugen 3 zu verhindern, dass weiterhin gelernte Modelle mit geringer Genauigkeit generiert werden.
Modelldiagnoseverarbeitung
9 ist ein Flussdiagramm, das die Steuerroutine einer Modelldiagnoseverarbeitung in der dritten Ausführungsform zeigt. Die vorliegende Steuerroutine wird wiederholt von dem Prozessor 24 des Servers 2 ausgeführt.
Zunächst werden Schritt S501 bis Schritt S503 in der gleichen Weise durchgeführt wie Schritt S201 bis Schritt S203 von 5. Wenn in Schritt S503 beurteilt wird, dass die Anzahl der Populationen gleich oder größer als die vorgegebene Anzahl ist, fährt die Steuerroutine mit Schritt S504 fort.
In Schritt S504 beurteilt der Prozessor 24, ob die Population, die aus den in der Speichervorrichtung 22 gespeicherten Ausgangsparameterwerten besteht, normalverteilt ist. Zum Beispiel verwendet der Prozessor 24 ein bekanntes Testverfahren, das zum Normalitätstesten verwendet wird (D'Agostino-Test durch Schiefe, D'Agostino-Test durch Wölbung, Omnibus-Test durch Schiefe und Wölbung, Kolmogorov-Smirnov-Test, Shapiro-Wilk-Test usw.), um zu beurteilen, ob die Population normalverteilt ist.
Wenn in Schritt S504 beurteilt wird, dass die Population normalverteilt ist, wird die Steuerroutine in Schritt S505 und Schritt S505 bis Schritt S508 auf die gleiche Weise durchgeführt wie Schritt S204 bis Schritt S207 von 5. Wenn andererseits in Schritt S504 beurteilt wird, dass die Population nicht normalverteilt ist, fährt die Steuerroutine mit Schritt S509 fort.
In Schritt S509 sendet der Prozessor 24 das korrigierte neuronale Netzmodell an eine Anzahl an Fahrzeugen 3. Die Konfigurationsinformationen des korrigierten neuronalen Netzmodells werden in der Speichervorrichtung 22 gespeichert. In jedem der Anzahl an Fahrzeugen 3 werden die bei der Steuerung der Fahrzeuge 3 verwendeten neuronalen Netzmodelle durch das korrigierte neuronale Netzmodell ersetzt, und ein Lernen des korrigierten neuronalen Netzmodells wird durchgeführt.
Beispielsweise weist das korrigierte neuronale Netzmodell eine größere Anzahl ausgeblendeter Schichten auf als das neuronale Netzmodell vor einer Korrektur. Es ist anzumerken, dass das korrigierte neuronale Netzmodell möglicherweise eine größere Anzahl von Knoten der ausgeblendeten Schichten aufweist als das neuronale Netzmodell vor einer Korrektur. Grundsätzlich gilt: je größer die Anzahl der ausgeblendeten Schichten und die Anzahl der Knoten der ausgeblendeten Schichten, desto größer der Freiheitsgrad des neuronalen Netzmodells und desto höher die Genauigkeit des gelernten Modells. Der Freiheitsgrad des neuronalen Netzmodells gibt die Summen der Gewichte „w“ und die Bias „b“ in dem neuronalen Netzmodell an.
Als Nächstes löscht der Prozessor 24 in Schritt S510 alle Ausgabeparameterwerte und alle in der Speichervorrichtung 22 gespeicherten gelernten Modelle. Nach Schritt S510 endet die vorliegende Steuerroutine.
Es ist anzumerken, dass die vorliegende Steuerroutine in der gleichen Weise wie die Steuerroutine von 5 modifiziert werden kann. Darüber hinaus kann das korrigierte neuronale Netzmodell Arten von Eingangsparametern aufweisen, die sich von dem neuronalen Netzmodell vor einer Korrektur unterscheiden. Außerdem können dem korrigierten neuronalen Netzmodell vor einer Korrektur Eingabeparameter aus dem neuronalen Netzmodell hinzugefügt worden sein. In diesen Fällen wird das neuronale Netzmodell von einer Person korrigiert. Aus diesem Grund benachrichtigt der Prozessor 24, wenn beurteilt wird, dass die Population nicht normal verteilt ist, den Manager des Servers 2 über die vorgeschlagene Korrektur, und das von dem Manager korrigierte neuronale Netzmodell wird von dem Server 2 an die Anzahl an Fahrzeugen 3 gesendet.
Andere Ausführungsformen
Vorstehend wurden bevorzugte Ausführungsformen nach der vorliegenden Erfindung erläutert, aber die vorliegende Erfindung ist nicht auf diese Ausführungsformen beschränkt. Innerhalb des Wortlautes der Ansprüche können verschiedene Korrekturen und Änderungen vorgenommen werden. Zum Beispiel sind die Arten der Eingangsparameter und der Ausgangsparameter des neuronalen Netzmodells nicht auf die vorstehend genannten Beispiele beschränkt. Alle Parameter, die an dem Fahrzeug 3 erfasst werden können, können einbezogen werden.
Ferner können die verschiedenen Informationen, die in dem Speicher 32 der ECU 30 gespeichert sind, in einer anderen, an dem Fahrzeug 3 vorgesehenen Speichervorrichtung gespeichert werden. Ferner können die verschiedenen Informationen, die in der Speichervorrichtung 22 des Servers 2 gespeichert sind, in dem Speicher 23 des Servers 2 gespeichert werden.
Ferner können als vorgegebene Eingabeparameterwerte, die in das gelernte Modell eingegeben werden, eine Vielzahl von Kombinationen verwendet werden. In diesem Fall werden die Ausgangsparameterwerte, die aus dem neuen gelernten Modell für die jeweilige Vielzahl von Kombinationen von Eingangsparametern ausgegeben werden, statistisch verarbeitet, und wenn beispielsweise alle Ausgangsparameterwerte in einem vorbestimmten Bereich der Normalverteilung liegen, wird beurteilt, dass das neue gelernte Modell normal ist.
Wenn ein Ausgabeparameterwert statistisch verarbeitet wird, können auch andere bekannte statistische Verfahren zur Erkennung abweichender Werte (z.B. Trimmmittelwert, Smirnov-Grubbs-Test, Box- und Whisker-Plot, Clusteranalyse usw.) verwendet werden.
Weiterhin können die vorstehend genannten Ausführungsformen beliebig kombiniert bearbeitet werden. Wenn die zweite Ausführungsform und die dritte Ausführungsform kombiniert werden, werden in der Steuerroutine von 8 anstelle von Schritt S404 bis Schritt S407 die Schritte S504 bis Schritt S510 von 9 durchgeführt.
Bezugszeichenliste

1: Modelldiagnosesystem
2: Server
21: Kommunikationsschnittstelle
22: Speichervorrichtung
24: Prozessor
3: Fahrzeug
30: elektronisches Steuergerät (ECU)
33: Prozessor
36: Kommunikationsmodul

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 A [0002]

Claims

Modelldiagnosevorrichtung mit: einer Kommunikationsvorrichtung, die in der Lage ist, mit einer Anzahl an Fahrzeugen zu kommunizieren, in denen jeweils ein Lernen eines neuronalen Netzmodells durchgeführt und ein gelerntes neuronales Netzmodell erzeugt wird; einer Speichervorrichtung, die Daten speichert; und einer Steuervorrichtung, die derart konfiguriert ist, dass sie eine Anomalie des gelernten neuronalen Netzmodells beurteilt, wobei die Steuervorrichtung derart konfiguriert ist, dass sie Ausgabeparameterwerte, die aus dem gelernten neuronalen Netzmodell für vorbestimmte Eingabeparameterwerte in der Speichervorrichtung ausgegeben werden, speichert, wenn sie ein neues gelerntes neuronales Netzmodell oder einen Ausgabeparameterwert, der aus dem neuen gelernten neuronalen Netzmodell für die vorbestimmten Eingabeparameterwerte von einem Fahrzeug der Anzahl an Fahrzeugen über die Kommunikationsvorrichtung ausgegeben wird, empfängt, eine statistische Verarbeitung des Ausgabeparameterwertes durchführt und eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage eines Ergebnisses der statistischen Verarbeitung beurteilt.
Modelldiagnosevorrichtung nach Anspruch 1, wobei die Steuervorrichtung derart konfiguriert ist, dass sie dem einen Fahrzeug mitteilt, dass das neue gelernte neuronale Netzmodell anormal ist, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
Modelldiagnosevorrichtung nach Anspruch 1 oder 2, wobei die Steuervorrichtung derart konfiguriert ist, dass sie an das eine Fahrzeug ein gelerntes neuronales Netzmodell sendet, das an einem Fahrzeug erzeugt wurde, das von dem einen Fahrzeug verschieden ist und das als normal beurteilt wird, wenn beurteilt wird, dass das neue gelernte neuronale Netzmodell anormal ist.
Modelldiagnosevorrichtung nach einem der Ansprüche 1 bis 3, wobei die Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell in der Speichervorrichtung speichert, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell normal ist, und das neue gelernte neuronale Netzmodell nicht in der Speichervorrichtung speichert, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
Modelldiagnosevorrichtung nach einem der Ansprüche 1 bis 4, wobei die Steuervorrichtung derart konfiguriert ist, dass sie ein korrigiertes neuronales Netzmodell an die Anzahl an Fahrzeugen sendet, wenn die in der Speichervorrichtung gespeicherten Ausgabeparameterwerte nicht normalverteilt sind.
Modelldiagnosesystem mit einem Server und einer Anzahl an Fahrzeugen, wobei jedes der Anzahl an Fahrzeugen aufweist: eine erste Kommunikationsvorrichtung, die in der Lage ist, mit dem Server zu kommunizieren; und eine erste Steuervorrichtung, die derart konfiguriert ist, dass sie ein gelerntes neuronales Netzmodell erzeugt, indem es ein Lernen eines neuronalen Netzmodells durchführt, wobei der Server aufweist: eine zweite Kommunikationsvorrichtung, die in der Lage ist, mit der Anzahl an Fahrzeugen zu kommunizieren; eine Speichervorrichtung, die Daten speichert; und eine zweite Steuervorrichtung, die derart konfiguriert ist, dass sie eine Anomalie des gelernten neuronalen Netzmodells beurteilt, und wobei die zweite Steuervorrichtung derart konfiguriert ist, dass sie Ausgabeparameterwerte, die aus dem gelernten neuronalen Netzmodell für vorbestimmte Eingabeparameterwerte in der Speichervorrichtung ausgegeben werden, speichert, wenn sie ein neues gelerntes neuronales Netzmodell oder einen Ausgabeparameterwert, der aus dem neuen gelernten neuronalen Netzmodell für die vorbestimmten Eingabeparameterwerte von einem Fahrzeug der Anzahl an Fahrzeugen über die zweite Kommunikationsvorrichtung ausgegeben wird, empfängt, eine statistische Verarbeitung des Ausgabeparameterwertes durchführt und eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage eines Ergebnisses der statistischen Verarbeitung beurteilt.
Modelldiagnosesystem nach Anspruch 6, wobei die zweite Steuervorrichtung derart konfiguriert ist, dass sie dem einen Fahrzeug mitteilt, dass das neue gelernte neuronale Netzmodell anormal ist, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell anormal ist.
Modelldiagnosesystem nach Anspruch 7, bei dem die erste Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell nicht einsetzt, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell anormal ist.
Modelldiagnosesystem nach Anspruch 7 oder 8, wobei die erste Steuervorrichtung derart konfiguriert ist, dass sie einen Fahrer über eine Anomalie eines Teils in Bezug auf ein Lernen des neuronalen Netzmodells benachrichtigt, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell anomal ist.
Modelldiagnosesystem nach einem der Ansprüche 6 bis 9, wobei die zweite Steuervorrichtung derart konfiguriert ist, dass sie eine statistische Verarbeitung des Ausgabeparameterwertes durchführt, wenn sie den Ausgabeparameterwert empfängt, der von dem neuen gelernten neuronalen Netz für die vorbestimmten Eingabeparameterwerte von einem Fahrzeug aus der Anzahl an Fahrzeugen über die zweite Kommunikationsvorrichtung ausgegeben wird, eine Anomalie des neuen gelernten neuronalen Netzmodells auf der Grundlage des Ergebnisses der statistischen Verarbeitung beurteilt und das eine Fahrzeug benachrichtigt, dass das neue gelernte neuronale Netzmodell normal ist, wenn sie beurteilt, dass das neue gelernte neuronale Netzmodell normal ist, und die erste Steuervorrichtung derart konfiguriert ist, dass sie das neue gelernte neuronale Netzmodell an den Server übermittelt, wenn sie benachrichtigt wird, dass das neue gelernte neuronale Netzmodell normal ist.