JP2004013328A - 評価値算出方法、評価値算出装置、制御対象の制御装置及び評価値算出プログラム - Google Patents

Abstract

【課題】制御対象に係る複数の非線形制御特性の相対評価を行うための評価値を算出するのに好適な評価値算出方法及び評価値算出装置を提供する。
【解決手段】制御システム１を、評価値算出装置１０と、制御部１１と、制御対象１２と、を含んだ構成とし、評価値算出装置１０を、評価データ収集部１０ａと、学習部１０ｂと、評価値演算部１０ｃと、を含んだ構成とし、学習部１０ｂにおいて、ＣＭＡＣを利用して評価モデルの基準値を算出し、評価値演算部１０ｃにおいて、算出された基準値及び評価用データに基づき、最小二乗法を利用してモデルの係数を評価値として算出する。
【選択図】　図１

Description

【０００１】
【発明の属する技術分野】
本発明は、制御対象に係る複数の非線形制御特性を相対的に評価する際の評価値の算出方法に関する。
【０００２】
【従来の技術】
従来、例えば、車両や家電製品等の製品の特性を制御する場合、制御対象となる製品の特性は、開発、設計段階で使用者の好みや使用状況を加味し、できるだけ広い範囲の使用者に適応するように決められている。しかし、使用者は個々に特有の個性を持っており、その好みも十人十色であるため、全ての使用者が満足する特性を提供することは不可能である。また、製品の使用環境や経年劣化等のために制御特性が使用者の好みから外れたものとなる恐れもある。
【０００３】
これらの問題を解決するために、制御対象の運転中等にニューラルネットワークや遺伝的アルゴリズム等の学習演算方法を用いて使用者の好みや使用状況を推定し、使用者が満足し得る特性を実現する制御方法が試みられている。この方法においては、評価値の算出を高速化するために、評価用データを制御特性に係る動作要因に基づき細分化された評価領域に分類し、更に、評価値をモデル化することで、取得条件が同一の制御用データを同一条件で比較評価できるようにすると共に、少ない数の評価用データに対して信頼性の高い出力データの獲得ができる評価値の算出を可能としている。例えば、評価値に寄与率の高いパラメータにより規定されるマップ等の評価領域に対して評価用データを分類し、各データの属する局所領域の平均値に対する係数を最小二乗法により近似することで個体の評価値とする。
【０００４】
【発明が解決しようとする課題】
しかしながら、上記従来の方法では、評価値が評価用データの平均値の係数モデルであるため、評価値の信頼性は評価用データの平均値の信頼性に大きく依存する。また、評価用データの平均値の信頼性は、各局所領域に含まれる評価用データの数と個々の評価用データ間の分散により決定され、実際、現状のシステムにおいて信頼率９５％、誤差１％で評価用データの平均値を得るためには、各局所領域（局所領域数：５００）に対し２４データが必要である。つまり、評価用データの評価領域への分布具合にも依るが、実環境において信頼性の高い評価を行うためには評価用データの収集に長時間を要する。こういったことから、従来手法では少ない評価用データ数に対して十分な信頼性のある評価値を得ることが難しい。
【０００５】
そこで、本発明は、このような従来の技術の有する未解決の課題に着目してなされたものであって、制御対象に係る複数の非線形制御特性の相対評価を行うための評価値を算出するのに好適な評価値算出方法及び評価値算出装置を提供することを目的としている。
【０００６】
【課題を解決するための手段】
上記目的を達成するために、本発明に係る請求項１記載の評価値算出方法は、制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出する評価値算出方法であって、
前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出することを特徴としている。
【０００７】
つまり、例えば、遺伝的アルゴリズム等を利用して複数の非線形制御特性の相対評価を行う際に、複数の非線形制御特性に対して、これらの評価用データを、この非線形制御特性に係る動作要因に基づき細分化された評価領域に対応させて分類し、更に、評価用データをモデル化し、このモデルに基づき評価値を算出するときに、モデル化する際の所定の基準値を所定の学習演算方法に基づいて算出することで、局所評価領域間の汎化性を向上させ、少ない評価データ数で信頼性の高い基準値を獲得することが可能となる。ここで、汎化性とは、或るデータが、その周辺のデータに影響を与えることであり、この場合は、或る入出力関係に対して学習後の出力値の特性が他の入力値に対する出力値に与える影響を指す。つまり、学習によって出力値がなだらかに変化するようになれば、教師データの与えられていない入出力関係に対してもその出力値が理想値に近い値となることが期待できる。
【０００８】
また、請求項２に係る発明は、請求項１記載の評価値算出方法において、前記所定の学習演算方法は、ファジイ推論、ニューラルネットワーク及びＣＭＡＣのうちいずれか一であることを特徴としている。
つまり、モデルの基準値の学習演算を、公知の学習演算方法である、ファジイ推論、ニューラルネットワーク及びＣＭＡＣのうちいずれか一によって行うことにより、信頼性の高い基準値を獲得することが可能となる。
【０００９】
また、請求項３に係る発明は、請求項１又は請求項２記載の評価値算出方法において、前記複数の非線形制御特性毎の前記モデルの係数を最小二乗法に基づいて推定し、これを前記評価値とすることを特徴としている。
つまり、最小二乗法を用いてモデルの係数を評価値として推定することで、その時の算出条件において、最も信頼性の高い評価値を獲得することが可能となる。
【００１０】
また、請求項４に係る発明は、請求項１乃至請求項３のいずれか１項に記載の評価値算出方法において、前記制御対象は、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットであることを特徴としている。
つまり、制御対象は、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットなどの制御結果の出力が非線形特性を有するものである。
【００１１】
また、請求項５に係る発明は、請求項１乃至請求項３のいずれか１項に記載の評価値算出方法において、前記制御対象は車両のエンジンであって、前記動作要因は、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含むことを特徴としている。
つまり、制御対象は車両のエンジンであって、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含む動作要因によって評価領域を細分化するようにしたので、これらの要因を考慮した評価値の算出が可能となる。
【００１２】
また、請求項６に係る発明は、請求項１乃至請求項３のいずれか１項に記載の評価値算出方法において、前記制御対象はエンジン駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一方を含むことを特徴としている。
つまり、制御対象がエンジン駆動の車両であり、非線形制御特性として、車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含んでおり、本発明は、このような非線形制御特性に対して評価値の算出を行う方法である。
【００１３】
また、請求項７に係る発明は、請求項１乃至請求項３のいずれか１項に記載の評価値算出方法において、前記制御対象は電動モータ駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴としている。
つまり、制御対象が電動モータ駆動の車両であり、非線形制御特性として、車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含んでおり、本発明は、このような非線形制御特性に対して評価値の算出を行う方法である。
【００１４】
また、請求項８に係る発明は、請求項１乃至請求項３のいずれか１項に記載の評価値算出方法において、前記制御対象はエンジン及び電動モータによって駆動する車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴としている。
【００１５】
つまり、制御対象がエンジン及び電動モータによって駆動される車両であり、非線形制御特性として、車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含んでおり、本発明は、このような非線形制御特性に対して評価値の算出を行う方法である。
また、請求項９に係る発明は、請求項６乃至請求項８のいずれか１項に記載の評価値算出方法において、前記加減速性能に関する前記評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとすることを特徴としている。
【００１６】
つまり、加減速性能に関する評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとしたものである。
また、請求項１０に係る発明は、請求項６乃至請求項９のいずれか１項に記載の評価値算出方法において、前記燃費性能に関する前記評価用データを、単位時間、又は、単位距離における燃料消費量とすることを特徴としている。
【００１７】
つまり、燃費性能に関する評価用データを、単位時間、又は、単位距離における燃料消費量としたものである。
また、請求項１１に係る発明は、請求項４乃至請求項１０のいずれか１項に記載の前記動作要因は、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含むことを特徴としている。
【００１８】
つまり、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含む動作要因によって評価領域を細分化するようにしたので、これらの要因を考慮した評価値の算出が可能となる。
また、本発明に係る請求項１２記載の評価値算出装置は、制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出する評価値算出装置であって、
前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出する学習演算手段を備えることを特徴としている。
【００１９】
このような構成であれば、学習演算手段によって、所定の基準値を所定の学習演算方法に基づいて算出することが可能である。
ここで、本発明は、請求項１記載の評価値算出方法を実現するための装置でありその効果は重複するので記載を省略する。
また、請求項１３に係る発明は、請求項１２記載の評価値算出装置において、前記学習演算方法は、ファジイ推論、ニューラルネットワーク及びＣＭＡＣのうちいずれか一であることを特徴としている。
【００２０】
つまり、基準値を算出する学習演算方法を、ファジイ推論、ニューラルネットワーク及びＣＭＡＣのうちいずれか一にしたものである。
ここで、本発明は、請求項２記載の評価値算出方法を実現するための装置でありその効果は重複するので記載を省略する。
また、請求項１４に係る発明は、請求項１２又は請求項１３のいずれか１項に記載の評価値算出装置において、前記評価値算出手段は、前記モデルの係数を最小二乗法に基づいて推定し、これを前記評価値とすることを特徴としている。
【００２１】
つまり、評価値算出手段は、モデルの係数を評価値として最小二乗法に基づき推定するようになっている。
ここで、本発明は、請求項５記載の評価値算出方法を実現するための装置でありその効果は重複するので記載を省略する。
また、請求項１５に係る発明は、請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置において、前記制御対象は、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットであることを特徴としている。
【００２２】
つまり、制御対象は、制御結果が非線形特性を有する、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットであるものである。
また、請求項１６に係る発明は、請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置において、前記制御対象は車両のエンジンであって、前記動作要因は、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含むことを特徴としている。
【００２３】
つまり、制御対象は車両のエンジンであって、前記動作要因として、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含むものである。
ここで、本発明は、請求項７記載の評価値算出方法を実現するための装置でありその効果は重複するので記載を省略する。
【００２４】
また、請求項１７に係る発明は、請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置において、前記制御対象はエンジン駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴としている。
つまり、制御対象は、エンジン駆動の車両であり、非線形制御特性として、車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むものである。
【００２５】
また、請求項１８に係る発明は、請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置において、前記制御対象は電動モータ駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴としている。
つまり、制御対象は、電動モータ駆動の車両であり、非線形制御特性として、車両における加速性能の特性及び燃費性能の特性のうち少なくとも一を含むものである。
【００２６】
また、請求項１９に係る発明は、請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置において、前記制御対象はエンジン及び電動モータによって駆動する車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴としている。
【００２７】
つまり、制御対象は、エンジン及び電動モータによって駆動される車両であり、非線形制御特性として、車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むものである。
また、請求項２０に係る発明は、請求項１７乃至請求項１９のいずれか１項に記載の評価値算出装置において、前記加減速性能に関する前記評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとすることを特徴としている。
【００２８】
つまり、加減速性能に関する前記評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとしたものである。
また、請求項２１に係る発明は、請求項１７乃至請求項２０のいずれか１項に記載の評価値算出装置において、前記燃費性能に関する前記評価用データを、単位時間、又は、単位距離における燃料消費量とすることを特徴としている。
【００２９】
つまり、燃費性能に関する前記評価用データを、単位時間、又は、単位距離における燃料消費量としたものである。
また、請求項２２に係る発明は、請求項１５乃至請求項２１のいずれか１項に記載の評価値算出装置において、前記動作要因は、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含むことを特徴としている。
【００３０】
つまり、動作要因として、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含むものである。
ここで、本発明は、請求項７記載の評価値算出方法を実現するための装置でありその効果は重複するので記載を省略する。
また、本発明に係る請求項２３記載の制御対象の制御装置は、請求項１２乃至請求項２２のいずれか１項に記載の評価値算出装置と、当該評価値算出装置によって算出された評価値に基づき前記制御対象の非線形制御特性を相対的に評価する相対評価手段と、当該相対評価手段の評価結果に基づき前記制御対象の非線形制御特性を最適化する最適化手段と、を備えることを特徴としている。
【００３１】
このような構成であれば、請求項１２乃至請求項２２のいずれか１項に記載の評価値算出装置によって、非線形特性を有する制御結果の現れる制御対象の複数の非線形制御特性の評価値を算出することが可能であり、相対評価手段によって、この算出された評価値に基づき非線形制御特性の相対的な評価を行うことが可能であり、最適化手段によって、この評価結果に基づき非線形制御特性を最適化することが可能である。
【００３２】
つまり、評価値算出装置の特性から高速な評価値の算出が可能であり、且つ、取得条件が同一の制御用データを同一条件で比較評価可能な評価値の算出が可能であり、この算出された評価値を用いて、例えば、相対評価手段として、非線形制御特性を個体に見立てて遺伝的アルゴリズムを適用することにより高速、且つ、信頼性の高い非線形制御特性の相対評価を行うことが可能である。
【００３３】
また、本発明に係る請求項２４記載の評価値算出プログラムは、制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出するコンピュータ実行可能なプログラムであって、前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出することを特徴としている。
【００３４】
つまり、評価用データをモデル化する際の所定の基準値を所定の学習演算方法に基づいて算出することで、局所評価領域間の汎化性が向上し、少ない評価データ数で信頼性の高い基準値を獲得することが可能となる。
【００３５】
【発明の実施の形態】
以下、本発明の実施の形態を図面に基づき説明する。図１乃至図１３は、本発明に係る制御システムの実施の形態を示す図である。
まず、本発明に係る制御システムの構成を図１に基づき説明する。図１は、本発明に係る制御システムの構成を示すブロック図である。
【００３６】
図１に示すように、制御システム１は、評価値算出装置１０と、制御部１１と、制御対象１２と、を含んだ構成となっている。
評価値算出装置１０は、評価データ収集部１０ａと、学習部１０ｂと、評価値演算部１０ｃと、を含んだ構成となっている。
評価データ収集部１０ａは、選択された制御特性による制御を実行したときの、制御対象１２の動作結果を評価用データとして収集し、この収集された評価用データを、細分化された評価領域に分類するものである。本実施の形態においては、図２に示す動作要因１及び動作要因２を入力軸として形成されるＣＭＡＣの入力空間における区分空間にそれぞれ評価用データを配置するものである。
【００３７】
ここで動作要因とは、評価用データの非線形性を特徴付けるもので、制御対象に対する使用者の好み、技量及び状態、使用環境、運転状態等から決定されるものである。
また、ＣＭＡＣとは、高次のベクトルを写像によって複数の低次のベクトルで表現することで、複雑な演算を複数の簡単な演算に置き換えて学習を行うことが可能な学習演算方法である。ここで、ＣＭＡＣを小脳の細胞に置きかえると、まず、入力値をコード化するための苔状繊維の集合を設定し、次に、入力値に対応する顆粒細胞の設定、そして選択された顆粒細胞の有する荷重の総和によって出力値が求められることになる。
【００３８】
ＣＭＡＣの適用にあたって、まず、図２に示すように取扱う入力値の種類に合わせた入力空間を形成する。ここでは、動作要因１及び動作要因２の２種類の入力値が設定されており、動作要因１、２をそれぞれ軸とした２次元の空間を形成し、更に、動作要因１、２の数値範囲を所定の数値単位で量子化することで入力空間を形成している。
【００３９】
そして、入力空間を一定の範囲で格子状に区分することにより区分空間を形成する。入力空間２０では、入力空間２０の数値範囲を均等に９等分することで複数の区分空間２０ａを構成する。すなわち、入力空間２０が、苔状繊維の集合によって入力値をコード化する小脳の機能部に対応し、区分空間２０ａが顆粒細胞に対応している。
【００４０】
更に、入力空間は、上記したように入力空間２０〜２２の３つの層から構成されており、なお更に、図２に示すように、第２層は第１層に対して区分空間２１ａを動作要因１、２の軸方向にそれぞれ１量子化単位ずつずらし、同様に第３層は第２層に対して区分空間２２ａをそれぞれ１量子化単位ずつずらすことによって形成される。そして、これら３つの層を積層することによって入力空間をきめ細かく形成する。すなわち、ＣＭＡＣは、或る区分空間の１つ前の層に対して区分空間を入力である動作要因１、２の軸方向に１量子化単位ずつずらした入力空間を生成することで層の数を増やし、更にこれらを積層することで入力空間を細分化することができる。但し、このときに、各層の入力空間の数値範囲はそのままである。
【００４１】
学習部１０ｂは、上記したＣＭＡＣを利用して、評価モデルの基準値を算出するものである。
評価値演算部１０ｃは、算出された基準値及び評価用データに基づき、最小二乗法を利用してモデルの係数を評価値として算出するものである。
制御部１１は、選択された制御特性に基づき制御対象１２を制御するものである。
【００４２】
制御対象１２は、複数の制御特性に応じて動作し、非線形特性を有する制御結果を出力するものである。
更に、図示しないが、制御システム１は、各演算部の演算処理等を行うプログラムの記憶されたＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）と、演算に必要な情報を記憶するためのＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）と、プログラムを実行するためのＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）と、を備えている。
【００４３】
更に、図３に基づき、評価値の算出処理の流れを説明する。図３は、評価値の算出処理を示すフローチャートである。
図３に示すように、まずステップＳ３００に移行し、評価データ収集部１０ａにおいて、複数の制御特性に対する制御対象１２の動作結果を評価データとして収集し、ＣＭＡＣの入力空間に配置してステップＳ３０２に移行する。
【００４４】
ステップＳ３０２では、学習部１０ｂにおいて、評価モデルの基準値をＣＭＡＣの学習により算出する。つまり、制御対象の動作要因により形成されたＣＭＡＣについて、評価用データを教師データとして学習を行い、この学習結果を評価モデルの基準値としてステップＳ３０４に移行する。
ここで、ＣＭＡＣの学習は、全ての教師データに対して、所定の学習回数だけ実施される。個々の教師データに対する学習は、教師データとＣＭＡＣ出力値とを比較し、誤差が所定範囲以上であるときに行われる。このときのＣＭＡＣ各層の修正量Δは、以下の式（１）で表される。
【００４５】
【数１】

【００４６】
ここで、εは学習係数、ＬはＣＭＡＣの層数、ｆ（ｊ，ｋ）は特性ｊのｋ番目の評価用データ（教師データ）である。また、ｆ_ｃ（ｊ，ｋ）は教師データと同入力から得られるＣＭＡＣの出力値であり、ＣＭＡＣの層ｌと各層において入力から参照される領域ｍの出力Ｃ_ｌ（ｍ）を用いて以下の式（２）で表される。
【００４７】
【数２】

【００４８】
ステップＳ３０４に移行すると、評価値演算部１０ｃにおいて、評価用データの基準値に対する係数モデルから評価値を推定してステップＳ３０６に移行する。
つまり、制御特性ｊ、ｋ番目の評価用データｆ（ｊ，ｋ）が以下に示す式（３）でモデル化されるとする。
【００４９】
【数３】

【００５０】
係数αを制御特性ｊに関する全評価用データから最小二乗法で推測する。つまり、以下に示す式（４）を満たす係数α（ｊ）を算出する。
【００５１】
【数４】

【００５２】
以下の式（５ａ）〜（５ｃ）に示すように、上記式（４）を偏微分して右辺を０としこの式を展開すると、係数α（ｊ）の算出式（５ｃ）が得られる。ここで、本実施の形態においては、最小二乗法によって推定されるこのα（ｊ）を評価値とする。
【００５３】
【数５】

【００５４】
ステップＳ３０６に移行すると、制御部において、相対評価された複数特性の評価結果から、評価値が最良となる特性を新たな制御特性として選択しステップＳ３００に移行する。
つまり、ステップＳ３００〜ステップＳ３０６の処理を繰り返し行うことによって、常に最適な制御特性を維持する。
【００５５】
更に、本システムを、実際の車両のエンジンを制御対象とした場合の一例を、図４乃至図６に基づき説明する。図４は、制御対象をエンジンとし、制御特性を燃料噴射制御特性とした場合の第２の制御システムの構成を示すブロック図であり、図５は、第２の制御システムにおける基準値算出用のＣＭＡＣを示す図であり、図６は、燃費評価値算出装置４０における評価値の算出処理を示すフローチャートである。
【００５６】
図４に示すように、第２の制御システム４は、燃費評価値算出装置４０と、燃料噴射量制御部４１と、エンジン４２と、センサ４３と、を含んだ構成となっている。
燃費評価値算出装置４０は、燃費評価データ収集部４０ａと、基準値演算部４０ｂと、評価値演算部４０ｃと、を含んだ構成となっている。
【００５７】
燃費評価データ収集部４０ａは、選択された燃料噴射制御特性による制御を実行したときの、燃料噴射量及びエンジン４２からセンサ４３によって検出される走行距離を燃費評価用データとして収集し、この収集された燃費評価用データを、図５に示すＣＭＡＣ５の入力空間に配置するものである。ここで、燃費評価値算出装置４０における、評価モデルの基準値算出用ＣＭＡＣ５は、図５に示すように、入力空間５０〜５２の３層構成となっており、それぞれ複数の区分空間５０ａ〜５２ａによって細分化されている。また、入力空間５０〜５２はスロットル（ＴＨ）開度及びエンジン回転数を入力軸として形成されている。
【００５８】
基準値演算部４０ｂは、ＣＭＡＣ５による学習演算によって、燃費評価モデルの基準値を算出するものである。
評価値演算部４０ｃは、ＣＭＡＣ５によって算出された燃費評価モデルの基準値と燃費評価用データとに基づき最小二乗法を用いて燃費評価モデルの係数αを評価値として算出するものである。
【００５９】
燃料噴射量制御部４１は、選択された燃料噴射制御特性に基づきエンジン４２における燃料噴射量を制御するものである。
エンジン４２は、ガソリンを燃料として駆動する駆動装置である。
センサ４３は、エンジンから検出されるデータに基づき車両の走行距離を検出するものである。
【００６０】
更に、図示しないが、第２の制御システム４は、各演算部の演算処理等を行うプログラムの記憶されたＲＯＭと、演算に必要な情報を記憶するためのＲＡＭと、プログラムを実行するためのＣＰＵと、を備えている。
更に、図６に基づき、評価値の算出処理の流れを説明する。図６は、燃費評価値の算出処理を示すフローチャートである。
【００６１】
図６に示すように、まずステップＳ６００に移行し、複数の燃料噴射制御特性により走行し、それぞれの特性に対する燃費評価データを収集して、ＣＭＡＣ５の入力空間５０〜５２に配置してステップＳ６０２に移行する。ここで、燃費評価データは以下の式（６）となる。
ステップＳ６０２では、燃費評価用データの非線形性を特徴付ける車両の動作要因であるスロットル開度及びエンジン回転数により区分された入力空間によって形成されるＣＭＡＣ５について、燃費評価用データを教師データとして学習を行い、学習結果を評価モデルの基準値としてステップＳ６０４に移行する。
【００６２】
ステップＳ６０４では、燃費評価値演算部４０ｃにおいて、基準値の決定された評価モデルと燃費評価用データとに基づき、最小二乗法を利用して評価モデルの係数αを評価値として算出してステップＳ６０６に移行する。
ステップＳ６０６では、相対評価された複数の燃料噴射制御特性の評価結果から、燃費が最良となる燃料噴射制御特性を新たな特性として選択してステップＳ６００に移行する。
【００６３】
更に、車両のエンジンを制御対象とし遺伝的アルゴリズム（以下、ＧＡと略す）を用いて自律進化による燃費低減を目的とした本システムのシミュレーション結果に基づき、従来の方法との比較を行う。
ここで、ＧＡとは、自然進化の過程を模倣し、適者生存を原理として、探索空間のなかで探索点を表す個体を最適解に向けて進化させることにより、効率的な探索を行う確率的探索アルゴリズムである。具体的には、複数の個体の集合からなる個体群を仮想的に生成するとともに、各個体ごとにその個体の遺伝情報に見立てて個体情報を構成する。そして、同一世代において、遺伝子操作を模倣した情報操作を個体情報に対して行う遺伝的操作、および個体の評価値に基づいて個体の生存または淘汰を行う個体選択操作をそれぞれ少なくとも１回行って世代を進行させる。適用する対象によって多少異なるが、ある程度有効な解を得るには、一般に数百から数千回の世代交代を繰り返す必要がある。
【００６４】
以下、図７乃び図８に基づき、本システムにおいて、実際にエンジンから得られる評価用データを入力として行った評価値算出処理のシミュレーション結果を示す。図７は、ＣＭＡＣの各層の分割方法の一例を示す図であり、図８（ａ）は、各個体の学習係数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の学習係数とレスポンス性能評価値との関係を示す図であり、（ｃ）は、各個体の学習回数と燃費評価値誤差との関係を示す図であり、（ｄ）は、各個体の学習回数とレスポンス性能評価値誤差との関係を示す図である。なお、本シミュレーションは、上記した式（１）〜式（５ｃ）を用いて行われたものである。
【００６５】
また、シミュレーションの条件としては、入力データ数は１個体あたり３０で、全個体数６個体分１８０とし、ＣＭＡＣの入力空間の層数は３とし、学習許容誤差は０．１とし、各分割方法は図７に従うものとした。
以下、図８（ａ）、（ｂ）に基づき、ＣＭＡＣの学習係数について検討する。ここで、一般に、学習係数を小さくすると学習速度は低下し、逆に学習係数を大きくすると学習速度は速くなるものの学習精度が低下する。また、図８（ａ）、（ｂ）は、評価値、学習係数ともに、１を１０２４の分解能で表し、更に、どの学習係数においても十分学習が飽和するように、学習回数を１００００回とした。
【００６６】
図８（ａ）、（ｂ）に示すように、学習係数が３０までは燃費・レスポンス性能評価値とも安定して得られるものの、それ以上では評価値が大きく変化している。評価値は１（図では１０２４）を中心とした相対評価値であることから、学習係数３０以下が妥当な結果である。これ以上の学習係数では、個々の教師データを学習する際の修正量が大きくなりすぎるため学習の収束性が悪く、それを利用して演算される評価値の精度を低下させている。
【００６７】
一方、学習係数が３０以下でも微妙に評価値が変化しているが、これは、学習量演算時の分解能の問題で、小さすぎる学習係数では学習収束付近の学習量の算出ができず、結果的に学習精度が低下しているためである。また、学習係数を小さくすると、学習を収束させるために多くの学習回数が必要となり、本システムを制御対象の実運転中に実行する場合には学習演算に時間がかかりすぎるため不向きとなる。以上から、小さすぎる学習係数は不適当であり、このシミュレーションにおいては、学習係数３０（教師データとＣＭＡＣ出力値の差分を３％ずつ学習）を採用して学習演算を行うことが適当であることになる。
【００６８】
次に、図８（ｃ）、（ｄ）に基づき、ＣＭＡＣの学習回数について検討した。ここで、制御対象の実運転中に学習を行うにあたり、学習が収束する最小限の学習回数で学習を済ませることが望ましい。図中、評価値は基準値（学習収束時において得られた評価値）に対する誤差として表している。また、学習係数は、上記シミュレーション結果から３０とした。
【００６９】
図８（ｃ）、（ｄ）に示すように、両図とも３００回の学習で評価値の誤差が０．１％以下となっており、学習がほぼ収束していることが解る。学習が収束する過程において、燃費評価値と比較すると、レスポンス評価性能値の誤差の方が大きい。これは、入力される元々の評価データ（レスポンス性能データ）における分散が、燃費データのそれと比較して大きいためである。以上から、学習回数としては３００回程度が適当であると考えられる。
【００７０】
更に、図９及び図１０に基づき、基準値の算出にＣＭＡＣを利用した評価値算出方法と上記従来技術に記載した従来の方法とをシミュレーション結果により比較する。ここでは、実際に実機（ここでは、エンジン）から得られる評価用データに対する評価値の信頼性を評価するためのシミュレーションを行った。図９は、ＣＭＡＣの各層の分割方法の一例を示す図であり、図１０（ａ）は、本発明の評価値算出方法と従来の方法とにおける各個体と燃費評価値との関係を示す図であり、（ｂ）は、本発明の評価値算出方法と従来の方法とにおける各個体とレスポンス性能評価値との関係を示す図である。
【００７１】
また、シミュレーションの条件としては、入力データ数は１個体あたり３０で、全個体数６個体分１８０とし、ＣＭＡＣの層数は３とし、学習許容誤差は０．１とし、学習係数は３０とし、学習回数は３００とし、各層の分割方法は図９に従うものとした。なお、上記シミュレーション結果から学習係数及び学習回数を決定した。また、図１０（ａ）、（ｂ）において、評価値は１０２４を基準とした相対評価値である。
【００７２】
図１０（ａ）、（ｂ）に示すように、従来の方法とＣＭＡＣを利用した本発明の方法とで同傾向の評価値が得られていることが解る。このことから、実機から得られた評価データを対象として、ＣＭＡＣを利用した方法により適切な評価が行えていることが解る。更に、従来の方法と比較して、ＣＭＡＣを利用した方法ではＧＡ個体間における評価値の分散が小さい。個体の切り替えによる操縦性の変化を避ける目的から、ＧＡ個体間に大きな特性の違いが生じないよう個体を生成していることを考慮すると、ＣＭＡＣを利用した方法により算出された評価値の方が適切である。
【００７３】
更に、算出される評価値の妥当性と、評価用データに対する評価値の信頼性を評価するため、擬似的評価用データを入力としたシミュレーションを行った。図１１乃至図１３に基づき、評価用データに対する評価値の信頼性について述べる。図１１は、ＣＭＡＣを利用した評価値演算方法における各個体の評価用データ数と各評価値との関係を示す図であり、（ａ）は、各個体の評価用データ数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の評価用データ数と燃費評価値誤差との関係を示す図であり、（ｃ）は、各個体の評価用データ数とレスポンス性能評価値との関係を示す図であり、（ｄ）は、各個体の評価用データ数とレスポンス性能評価値誤差との関係を示す図であり、図１２は、従来の方法における各個体の評価用データ数と各評価値との関係を示す図であり、（ａ）は、各個体の評価用データ数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の評価用データ数と燃費評価値誤差との関係を示す図であり、（ｃ）は、各個体の評価用データ数とレスポンス性能評価値との関係を示す図であり、（ｄ）は、各個体の評価用データ数とレスポンス性能評価値誤差との関係を示す図であり、図１３は、従来の方法とＣＭＡＣを利用した方法とのメモリの使用量を示す図である。ここで、図１１（ｂ）、（ｄ）、図１２（ｂ）、（ｄ）は、それぞれ、図１１（ａ）、（ｃ）、図１２（ａ）、（ｃ）について、統計的に最も信頼性の高い結果（入力データ数：１００／個体）を基準とする評価値の誤差をまとめたものである。
【００７４】
図１１（ａ）〜（ｄ）及び図１２（ａ）〜（ｄ）に示すように、両方法ともに、１個体あたり１００の評価用データを入力として与えることで、ＧＡ個体ごと１％の評価データの差を評価値として算出されているのが解る。この評価用データ数では、入力に対する５％の誤差成分にも関わらず、十分信頼性の高い評価値が得られているといえる。
【００７５】
図より、燃費評価値に関して、ＣＭＡＣを利用した方法では、５０程度の評価用データ数で十分信頼性の高い評価値が得られている（各個体の誤差が０．２％以下）ことが解る。
一方、従来の方法に関しては、燃費評価値と比較して少ない評価用データ数で信頼性の高い評価値が得られている。これは、レスポンス性能評価では、評価領域を分割する動作要因が少ないため、各局所領域に含まれる評価データ数が増加する理由による。
【００７６】
更に、レスポンス性能評価値に関して、ＣＭＡＣを利用した手法では、６０以下の評価データ数についても安定して評価値が得られている。具体的には、誤差０．５％以下で評価値を得るために、従来の方法では４０程度の評価用データ数が必要となるものの、ＣＭＡＣを利用した方法では２０程度の評価用データ数で同等の評価値が得られる。
【００７７】
このことは、図１３に示すメモリ使用量にも影響してくる。従来の方法はＣＭＡＣに比べ唯でさえ演算量が多いため、最終的には個体評価に必要となるメモリ量はＣＭＡＣの約１０倍となってしまう。従って、ＣＭＡＣを利用した方法はメモリの使用効率に関しても優れている。
以上より、基準値の算出に学習演算方法（特にＣＭＡＣ）を利用することで、従来の方法と比較して、燃費・レスポンス性能評価のどちらについても、評価領域におけるデータ分布が広い（データ密度が低い）際に評価値の信頼性を高める効果が得られている。つまり、少ない数の評価用データで個体評価を行う際の、基準値の信頼性向上に伴う高精度な個体評価が可能となる。
【００７８】
ここで、図１及び図４に示す学習部１０ｂ及び基準値演算部４０ｂは、請求項１２記載の学習演算部に対応する。
なお、上記実施の形態においては、車両のエンジンを制御対象として説明しているが、これに限らず、電動モータ、空調装置、冷蔵庫、ロボット等を制御対象としても良い。
【００７９】
また、本実施の形態においては、制御出力として燃料噴射量を取り扱っているが、制御対象としてエンジン１０を適用する場合、制御出力としては、その他に、例えば、噴射時間、点火時期、吸気バルブタイミング、電子スロットル開度、バルブリフト量、排気バルブタイミング、または吸排気制御用バルブタイミング等が考えられる。ここで、吸気制御用バルブとは、タンブルおよびスワールの制御を行うために吸気管に設けられるバルブであり、また、排気制御バルブとは、排気脈動を制御するために排気管に設けられるバルブである。
【００８０】
また、本実施の形態においては、ＣＭＡＣを学習部における学習演算方法として用いたが、これに限らず、ファジイ推論、ニューラルネットワーク等の別の学習演算方法を用いてもよい。
また、上記実施の形態においては、エンジンの燃費特性およびレスポンス特性の相対評価を行うのにＧＡを用いたが、これに限らず、ＧＰやＥＳ等の進化的アルゴリズムを用いることもできる。
【００８１】
また、上記実施の形態において、図３及び図６のフローチャートに示す処理を実行するにあたっては、ＲＯＭにあらかじめ格納されているプログラムを実行する場合について説明したが、これに限らず、これらの手順を示したプログラムが記録された記録媒体から、そのプログラムをＲＡＭに読み込んで実行するようにしてもよい。
【００８２】
ここで、記録媒体とは、ＲＡＭ、ＲＯＭ等の半導体記録媒体、ＦＤ、ＨＤ等の磁気記録型記録媒体、ＣＤ、ＣＤＶ、ＬＤ、ＤＶＤ等の光学的読取方式記録媒体、ＭＯ等の磁気記録型／光学的読取方式記録媒体であって、電子的、磁気的、光学的等の読み取り方法のいかんにかかわらず、コンピュータで読み取り可能な記録媒体であれば、あらゆる記録媒体を含むものである。
【００８３】
【発明の効果】
以上説明したように、本発明に係る評価値算出方法によれば、評価値をモデル化した際の基準値を、細分化された評価領域に分類された評価用データに基づきＣＭＡＣやニューラルネットワーク等の学習演算方法によって算出するようにしたので、評価領域における局所領域間の汎化性が向上し、少ない評価用データ数で信頼性の高い評価値の得られる基準値の獲得が可能となり、更に、このようにして基準値の決定されたモデルの係数を最小二乗法を用いて推定し、且つ、この係数を評価値としたので、最も信頼性の高い評価値を獲得することが可能となる。
【図面の簡単な説明】
【図１】本発明に係る制御システムの構成を示すブロック図である。
【図２】動作要因１及び動作要因２を入力軸として形成される３層のＣＭＡＣの一例を示す図である。
【図３】評価値の算出処理を示すフローチャートである。
【図４】制御対象をエンジンとし、制御特性を燃料噴射制御特性とした場合の第２の制御システムの構成を示すブロック図である。
【図５】第２の制御システムにおける基準値算出用のＣＭＡＣを示す図である。
【図６】燃費評価値算出装置４０における評価値の算出処理を示すフローチャートである。
【図７】ＣＭＡＣの各層の分割方法の一例を示す図である。
【図８】（ａ）は、各個体の学習係数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の学習係数とレスポンス性能評価値との関係を示す図であり、（ｃ）は、各個体の学習回数と燃費評価値誤差との関係を示す図であり、（ｄ）は、各個体の学習回数とレスポンス性能評価値誤差との関係を示す図である。
【図９】ＣＭＡＣの各層の分割方法の一例を示す図である。
【図１０】（ａ）は、本発明の評価値算出方法と従来の方法とにおける各個体と燃費評価値との関係を示す図であり、（ｂ）は、本発明の評価値算出方法と従来の方法とにおける各個体とレスポンス性能評価値との関係を示す図である。
【図１１】ＣＭＡＣを利用した評価値演算方法における各個体の評価用データ数と各評価値との関係を示す図であり、（ａ）は、各個体の評価用データ数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の評価用データ数と燃費評価値誤差との関係を示す図であり、（ｃ）は、各個体の評価用データ数とレスポンス性能評価値との関係を示す図であり、（ｄ）は、各個体の評価用データ数とレスポンス性能評価値誤差との関係を示す図である。
【図１２】従来の方法における各個体の評価用データ数と各評価値との関係を示す図であり、（ａ）は、各個体の評価用データ数と燃費評価値との関係を示す図であり、（ｂ）は、各個体の評価用データ数と燃費評価値誤差との関係を示す図であり、（ｃ）は、各個体の評価用データ数とレスポンス性能評価値との関係を示す図であり、（ｄ）は、各個体の評価用データ数とレスポンス性能評価値誤差との関係を示す図である。
【図１３】
従来の方法とＣＭＡＣを利用した方法とのメモリの使用量を示す図である。
【符号の説明】
１　　　　　　　　制御システム
２　　　　　　　　ＣＭＡＣ
４　　　　　　　　第２の制御システム
５　　　　　　　　ＣＭＡＣ
１０　　　　　　　評価値算出装置
１０ａ　　　　　　評価データ収集部
１０ｂ　　　　　　学習部
１０ｃ　　　　　　評価値演算部
１１　　　　　　　制御部
１２　　　　　　　制御対象
２０　　　　　　　入力空間
４０　　　　　　　燃費評価値算出装置
４０ａ　　　　　　燃費評価データ収集部
４０ｂ　　　　　　基準値演算部
４０ｃ　　　　　　燃費評価値演算部
４１　　　　　　　燃料噴射量制御部
４２　　　　　　　エンジン
４３　　　　　　　センサ
５０　　　　　　　入力空間

Claims (24)

1. 制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
   前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出する評価値算出方法であって、
   前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出することを特徴とする評価値算出方法。
2. 前記所定の学習演算方法は、ファジイ推論、ニューラルネットワーク及びＣＭＡＣ（Ｃｅｒｅｂｅｌｌａｒ　Ｍｏｄｅｌ　Ａｒｉｔｈｍｅｔｉｃ　Ｃｏｍｐｕｔｅｒ）のうちいずれか一であることを特徴とする請求項１記載の評価値算出方法。
3. 前記複数の非線形制御特性毎の前記モデルの係数を最小二乗法に基づいて推定し、これを前記評価値とすることを特徴とする請求項１又は請求項２記載の評価値算出方法。
4. 前記制御対象は、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットであることを特徴とする請求項１乃至請求項３のいずれか１項に記載の評価値算出方法。
5. 前記制御対象は車両のエンジンであって、前記動作要因は、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含むことを特徴とする請求項１乃至請求項３のいずれか１項に記載の評価値算出方法。
6. 前記制御対象はエンジン駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１乃至請求項３のいずれか１項に記載の評価値算出方法。
7. 前記制御対象は電動モータ駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１乃至請求項３のいずれか１項に記載の評価値算出方法。
8. 前記制御対象はエンジン及び電動モータによって駆動する車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１乃至請求項３のいずれか１項に記載の評価値算出方法。
9. 前記加減速性能に関する前記評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとすることを特徴とする請求項６乃至請求項８のいずれか１項に記載の評価値算出方法。
10. 前記燃費性能に関する前記評価用データを、単位時間、又は、単位距離における燃料消費量とすることを特徴とする請求項６乃至請求項９のいずれか１項に記載の評価値算出方法。
11. 前記動作要因は、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含むことを特徴とする請求項４乃至請求項１０のいずれか１項に記載の評価値算出方法。
12. 制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
    前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出する評価値算出装置であって、
    前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出する学習演算手段を備えることを特徴とする評価値算出装置。
13. 前記学習演算方法は、ファジイ推論、ニューラルネットワーク及びＣＭＡＣのうちいずれか一であることを特徴とする請求項１２記載の評価値算出装置。
14. 前記モデルの係数を最小二乗法に基づいて推定し、これを前記評価値とすることを特徴とする請求項１２又は請求項１３記載の評価値算出装置。
15. 前記制御対象は、エンジン、電動モータ、空調装置、冷蔵庫、又は、ロボットであることを特徴とする請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置。
16. 前記制御対象は車両のエンジンであって、前記動作要因は、スロットルの操作内容、エンジン回転数、ギアの切り替え内容及び走行状況のうち少なくとも一を含むことを特徴とする請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置。
17. 前記制御対象はエンジン駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置。
18. 前記制御対象は電動モータ駆動の車両であり、前記非線形制御特性は、当該車両における加速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置。
19. 前記制御対象はエンジン及び電動モータによって駆動する車両であり、前記非線形制御特性は、当該車両における加速性能の特性、減速性能の特性及び燃費性能の特性のうち少なくとも一を含むことを特徴とする請求項１２乃至請求項１４のいずれか１項に記載の評価値算出装置。
20. 前記加減速性能に関する前記評価用データを、車両の加速度、車両の速度、エンジン回転数及びモータ回転数のうち少なくとも一の上昇度合いとすることを特徴とする請求項１７乃至請求項１９のいずれか１項に記載の評価値算出装置。
21. 前記燃費性能に関する前記評価用データを、単位時間、又は、単位距離における燃料消費量とすることを特徴とする請求項１７乃至請求項２０のいずれか１項に記載の評価値算出装置。
22. 前記動作要因は、使用者の好み、技量及び状態、使用環境、運転状態のうち少なくとも一を含むことを特徴とする請求項１５乃至請求項２１のいずれか１項に記載の評価値算出装置。
23. 請求項１２乃至請求項２２のいずれか１項に記載の評価値算出装置と、当該評価値算出装置によって算出された評価値に基づき前記制御対象の非線形制御特性を相対的に評価する相対評価手段と、当該相対評価手段の評価結果に基づき前記制御対象の非線形制御特性を最適化する最適化手段と、を備えることを特徴とする制御対象の制御装置。
24. 制御対象に係る複数の非線形制御特性を相対的に評価する際に、前記制御対象の各非線形制御特性毎の動作要因に基づき細分化された評価領域に対応させて、前記複数の非線形制御特性の評価用データを分類し、この分類された評価用データを評価して前記複数の非線形制御特性の評価値を算出するときには、
    前記分類された前記評価用データに基づき前記複数の非線形制御特性毎の評価用データを所定の基準値と係数とから成るモデルに置き換え、このモデルに基づいてそれぞれの評価値を算出するコンピュータ実行可能なプログラムであって、
    前記所定の基準値を、前記評価用データを教師データとした所定の学習演算方法に基づいて算出することを特徴とする評価値算出プログラム。

Images