JP2019183698A

JP2019183698A - 車載電子制御ユニット

Info

Publication number: JP2019183698A
Application number: JP2018073122A
Authority: JP
Inventors: 圭介永坂; Keisuke Nagasaka; 大史大八木; Hiroshi Oyagi; 祐介高巣; Yusuke Takasu; 金子　智洋; Tomohiro Kaneko; 智洋金子
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2018-04-05
Filing date: 2018-04-05
Publication date: 2019-10-24
Anticipated expiration: 2038-04-05
Also published as: US20190311262A1; JP6477951B1; US10635976B2; US20200175369A1

Abstract

【課題】排気浄化触媒の温度を精度よく予測する。【解決手段】機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習する。学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定する。【選択図】図６

Description

本発明は機械学習装置、機械学習方法、電子制御ユニットとその製造方法、学習済みモデル、および機械学習システムに関する。

内燃機関では、通常、機関の減速運転が開始されると、燃焼室内への燃料の供給が停止され、次いで、機関回転数が、予め設定されている回転数まで低下すると、燃料の供給が再開される。この場合、機関排気通路内に排気浄化触媒が配置されていると、燃料の供給が停止されたときには、多量の酸素が排気浄化触媒に供給される。このように多量の酸素が排気浄化触媒に供給されると、燃料の供給停止前に、排気浄化触媒に付着していたＨＣ（炭化水素）やＣＯ（一酸化炭素）が酸素と反応し、そのときの酸化反応熱でもって排気浄化触媒の温度が上昇する。また、燃料の供給再開時には、燃料の供給停止中に、排気浄化触媒に付着した酸素が、排気ガス中のＨＣやＣＯと反応し、そのときの酸化反応熱でもって排気浄化触媒の温度が上昇する。そこで、これら酸化反応熱を考慮して、燃料の供給再開後の排気浄化触媒温度を推定するようにした触媒温度推定装置が公知である（例えば特許文献１を参照）。

特開２００７−３０９２４４号公報

しかしながら、実際には、排気浄化触媒の温度は、機関の大きさや、機関の気筒数や、排気浄化触媒の設置位置等によって大幅に変化する。また、排気浄化触媒の温度は、機関回転数等の各種運転パラメータの値との間に相関関係があることが知られているが、どのような運転パラメータの値との間で強い相関関係を有するかということについて十分に検討されておらず、また、相関関係があったとしても相関関係が複雑であるために、どのような相関関係があるかが、不明な状態にある。その結果、上述の触媒温度推定装置のように、たとえ排気浄化触媒における酸化反応熱を考慮したとしても、排気浄化触媒温度を精度よく推定するのが難しいという問題がある。そこで、本発明では、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を精度よく予測するようにしている。

即ち、１番目の発明によれば、内燃機関の排気浄化触媒の温度を予測するニューラルネットワークを用いた機械学習装置であって、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部と、この状態変数によって構成される訓練データセットに従って、排気浄化触媒の温度を学習する学習部とを備えることを特徴とするニューラルネットワークを用いた機械学習装置が提供される。
２番目の本発明よれば、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習装置において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定する機械学習装置が提供される。

３番目の発明によれば、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習方法において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定する機械学習方法が提供される。
４番目の発明によれば、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する電子制御ユニットにおいて、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルの組み込まれた電子制御ユニットが提供される。

５番目の発明によれば、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測するプログラムにおいて、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルが提供される。
６番目の発明によれば、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習方法において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを学習済みモデルとして内部に組み込むことで電子制御ユニットを製造する電子制御ユニット製造方法が提供される。

７番目の発明によれば、内燃機関の排気浄化触媒の温度を予測する機械学習システムであって、
機関回転数を取得する機関回転数取得部と、
機関の負荷率を取得する機関負荷率取得部と、
機関の空燃比を取得する空燃比取得部と、
機関の点火時期を取得する点火時期取得部と、
排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部と、
排気浄化触媒の温度を取得する排気浄化触媒温度取得部と、
前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部と、
データセットに従って、排気浄化触媒の温度を学習する学習部と、
を備えることを特徴とする機械学習システムが提供される。
８番目の発明によれば、車両において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を示すデータを取得し、このデータをサーバに送信し、サーバにおいて、受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、受信された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルが生成され、生成された学習済みモデルが車両に送信され、車両において、学習済みモデルを用いて、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度から内燃機関の排気浄化触媒の温度を予測する車載電子制御ユニットであって、
サーバが、
機関回転数を取得する機関回転数取得部と、
機関の負荷率を取得する機関負荷率取得部と、
機関の空燃比を取得する空燃比取得部と、
機関の点火時期を取得する点火時期取得部と、
排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部と、
排気浄化触媒の温度を取得する排気浄化触媒温度取得部と、
前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部と、
データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備える、車載電子制御ユニット。
８番目の発明によれば、教師データを用いて機械学習を行うことにより、内燃機関の排気浄化触媒の温度を予測する機械学習装置であって、
機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部と、
前記状態変数によって構成される訓練データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備えることを特徴とする、教師データを用いて機械学習を行う機械学習装置。

１番目から３番目の発明によれば、排気浄化触媒の温度と強い相関を有する運転パラメータとして、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、および排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を特定し、これらの特定された運転パラメータを用いて、ニューラルネットワークの重みを学習することにより、排気浄化触媒の温度を精度よく予測することが可能となる。
４番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な電子制御ユニットが提供される。
５番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な学習済みモデルが提供される。
６番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な電子制御ユニットを製造する電子制御ユニット製造方法が提供される。
７番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な機械学習システムが提供される。
８番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な車載電子制御ユニットが提供される。
９番目の発明によれば、排気浄化触媒の温度を精度よく予測することが可能な、教師データを用いて機械学習を行う機械学習装置が提供される。

図１は内燃機関の全体図である。図２はニューラルネットワークの一例を示す図である。図３Ａおよび図３Ｂはシグモイド関数σの値の変化を示す図である。図４Ａおよび図４Ｂは夫々、ニューラルネットワークと、隠れ層のノードからの出力値を示す図である。図５Ａは出力層のノードからの出力値を示す図であり、図５Ｂはニューラルネットワークを示す図であり、図５Ｃは出力層のノードからの出力値を示す図である。図６Ａおよび図６Ｂは夫々、第１実施例の機能ブロック図と、学習ルーチンを示す図である。図７は、本発明による第１実施例において用いられているニューラルネットワークを示す図である。図８は、学習用データセットを示す図である。図９は、学習ルーチンを示すフローチャートである。図１０Ａおよび図１０Ｂは、排気浄化触媒の推定床温を示す図である。図１１Ａおよび図１１Ｂは、排気浄化触媒の推定床温を示す図である。図１２は、本発明による第２実施例において用いられているニューラルネットワークを示す図である。図１３Ａおよび図１３Ｂは、学習用データセットを示す図である。図１４Ａおよび図１４Ｂは夫々、HC濃度の実測値と予測値の関係、およびCO濃度の実測値と予測値の関係を示す図である。図１５は、本発明による更に別の実施例を示す機能ブロック図である。図１６は、本発明による更に別の実施例を示す機能ブロック図である。

＜内燃機関の全体構成＞

図１に内燃機関の全体図を示す。図１を参照すると、１は機関本体、２は各気筒の燃焼室、３は各気筒の燃焼室２内に配置された点火栓、４は各気筒に燃料、例えば、ガソリンを供給するための燃料噴射弁、５はサージタンク、６は吸気枝管、７は排気マニホルドを夫々示す。サージタンク５は吸気ダクト８を介して排気ターボチャージャ９のコンプレッサ９ａの出口に連結され、コンプレッサ９ａの入口は吸入空気量検出器１０を介してエアクリーナ１１に連結される。吸気ダクト８内にはアクチュエータ１３により駆動されるスロットル弁１２が配置され、また、吸気ダクト８周りには吸気ダクト８内を流れる吸入空気を冷却するためのインタクーラ１４が配置される。

一方、排気マニホルド７は排気ターボチャージャ９の排気タービン９ｂの入口に連結され、排気タービン９ｂの出口は排気管１５を介して、排気浄化触媒１６を内蔵した触媒コンバータ１７に連結される。本発明による実施例では、この排気浄化触媒１６は三元触媒からなる。排気マニホルド７とサージタンク５とは排気ガス再循環（以下、ＥＧＲと称す）通路１８を介して互いに連結され、ＥＧＲ通路１８内にはＥＧＲ制御弁１９が配置される。各燃料噴射弁４は燃料分配管２０に連結され、この燃料分配管２０は燃料ポンプ２１を介して燃料タンク２２に連結される。図１に示されるようにサージタンク５には、夫々サージタンク５内の圧力および温度を検出するための圧力センサ２３および温度センサ２４が配置される。また、排気管１５内には、排気ガスの空燃比を検出するための空燃比センサ２５と、排気ガス中のＨＣ濃度を検出するためのＨＣ濃度センサ２６又は排気ガス中のＣＯ濃度を検出するためのＣＯ濃度センサ２６が配置されている。更に、排気浄化触媒１６には排気浄化触媒１６の温度を検出するための温度センサ２７が配置されている。

電子制御ユニット３０はデジタルコンピュータからなり、双方向性バス３１によって互いに接続されたＲＯＭ（リードオンリメモリ）３２、ＲＡＭ（ランダムアクセスメモリ）３３、ＣＰＵ（マイクロプロセッサ）３４、入力ポート３５および出力ポート３６を具備する。入力ポート３５には、吸入空気量検出器１０、圧力センサ２３、温度センサ２４、空燃比センサ２５、ＨＣ濃度センサ２６又はＣＯ濃度センサ２６、および温度センサ２７の出力信号が、対応するＡＤ変換器３７を介して入力される。アクセルペダル４０にはアクセルペダル４０の踏込み量に比例した出力電圧を発生する負荷センサ４１が接続され、負荷センサ４１の出力電圧は対応するＡＤ変換器３７を介して入力ポート３５に入力される。更に入力ポート３５にはクランクシャフトが例えば３０°回転する毎に出力パルスを発生するクランク角センサ４２が接続される。ＣＰＵ３４内ではクランク角センサ４２の出力信号に基づいて機関回転数が算出される。一方、出力ポート３６は対応する駆動回路３８を介して点火栓３、燃料噴射弁４、スロットル弁駆動用アクチュエータ１３、ＥＧＲ制御弁１９および燃料ポンプ２１に接続される。
＜ニューラルネットワークの概要＞

本発明による実施例では、ニューラルネットワークを用いて内燃機関の性能を表す種々の値を推定するようにしている。図２はこのニューラルネットワークの一例を示している。図２における丸印は人工ニューロンを表しており、ニューラルネットワークにおいては、この人工ニューロンは、通常、ノード又はユニットと称される（本願では、ノードと称す）。図２においてL＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。また、図２において、ｘ_１およびｘ_２は入力層 ( L＝１) の各ノードからの出力値を示しており、ｙは出力層 ( L＝４) のノードからの出力値を示しており、ｚ_１、ｚ_２およびｚ_３は隠れ層 ( L＝２) の各ノードからの出力値を示しており、ｚ_１およびｚ_２は隠れ層 ( L＝３) の各ノードからの出力値を示している。なお、隠れ層の層数は、１個又は任意の個数とすることができ、入力層のノードの数および隠れ層のノードの数も任意の個数とすることができる。なお、本発明による実施例では、出力層のノードの数は１個とされている。

入力層の各ノードでは入力がそのまま出力される。一方、隠れ層 ( L＝２) の各ノードには、入力層の各ノードの出力値ｘ_１およびｘ_２が入力され、隠れ層 ( L＝２) の各ノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値ｕが算出される。例えば、図２において隠れ層 ( L＝２) のｚ_ｋ（ｋ＝１，２，３）で示されるノードにおいて算出される総入力値ｕ_ｋは、次式のようになる。
次いで、この総入力値ｕ_ｋは活性化関数ｆにより変換され、隠れ層 ( L＝２) のｚ_ｋで示されるノードから、出力値ｚ_ｋ(= f (ｕ_ｋ)) として出力される。隠れ層 ( L＝２) の他のノードについても同様である。一方、隠れ層 ( L＝３) の各ノードには、隠れ層 ( L＝２) の各ノードの出力値ｚ_１、ｚ_２およびｚ_３が入力され、隠れ層 ( L＝3 ) の各ノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出される。この総入力値ｕは同様に活性化関数により変換され、隠れ層 ( L＝3 ) の各ノードから、出力値ｚ_１、ｚ_２として出力される、なお、本発明による実施例では、この活性化関数としてシグモイド関数σが用いられている。

一方、出力層 ( L＝４) のノードには、隠れ層 ( L＝３) の各ノードの出力値ｚ_１およびｚ_２が入力され、出力層のノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出されるか、又は、夫々対応する重みｗのみを用いて総入力値ｕ（Σｚ・ｗ）が算出される。本発明による実施例では、出力層のノードでは恒等関数が用いられており、従って、出力層のノードからは、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力される。
＜ニューラルネットワークによる関数の表現＞

さて、ニューラルネットワークを用いると任意の関数を表現することができ、次に、このことについて簡単に説明する。まず初めに、活性化関数として用いられているシグモイド関数σについて説明すると、シグモイド関数σは、σ（ｘ）＝１/（１＋exp（-ｘ））で表され、図３Ａに示されるようにｘの値に応じて０と１の間の値を取る。ここで、ｘをｗｘ＋ｂに置き換えると、シグモイド関数σは、σ（ｗｘ＋ｂ）＝１/（１＋exp（-ｗｘ―ｂ））で表される。ここで、ｗの値を大きくしていくと、図３Ｂにおいて曲線σ_１、σ_２、σ_３で示されるように、シグモイド関数σ（ｗｘ＋ｂ）の曲線部分の傾斜が次第に急になり、ｗの値を無限大にすると、図３Ｂにおいて曲線σ_４で示されるように、シグモイド関数σ（ｗｘ＋ｂ）は、ｘ＝−ｂ/ｗ（ｗｘ＋ｂ＝０となるｘ、即ち、σ（ｗｘ＋ｂ）＝０．５となるｘにおいて、図３Ｂに示されるように、ステップ状に変化するようになる。このようなシグモイド関数σの性質を利用すると、ニューラルネットワークを用いて任意の関数を表現することができる。

このことを説明するに当たり、初めに、図４Ａに示されるような１個のノードからなる入力層 ( Ｌ＝１) と、２個のノードからなる隠れ層 ( Ｌ＝２) と、１個のノードからなる出力層 ( Ｌ＝３) とにより構成されるニューラルネットワークについて説明する。このニューラルネットワークでは、図４Ａに示されるように、入力層 ( Ｌ＝１) のノードには入力値ｘが入力され、隠れ層 ( Ｌ＝２) においてｚ_１で示されるノードには、重みｗ_１ ^(Ｌ２) およびバイアスｂ_１を用いて算出された入力値ｕ＝ｘ・ｗ_１ ^(Ｌ２)＋ｂ_１が入力される。この入力値ｕはシグモイド関数σ（ｘ・ｗ_１ ^(Ｌ２)＋ｂ_１）により変換され、出力値ｚ_１として出力される。同様に、隠れ層 ( Ｌ＝２) においてｚ_２で示されるノードには、重みｗ_２ ^(Ｌ２)およびバイアスｂ_２を用いて算出された入力値ｕ＝ｘ・ｗ₂ ^(Ｌ２)＋ｂ₂ が入力され、この入力値ｕはシグモイド関数σ（ｘ・ｗ₂ ^(Ｌ２)＋ｂ₂）により変換され、出力値ｚ₂ として出力される。

一方、出力層 ( Ｌ＝３) のノードには、隠れ層 ( Ｌ＝２) の各ノードの出力値ｚ_１およびｚ_２が入力され、出力層のノードでは、夫々対応する重みｗ_１ ^(ｙ) およびｗ_２ ^(ｙ) を用いて総入力値ｕ（Σｚ・ｗ＝ｚ_１・ｗ_１ ^(ｙ) ＋ｚ_２・ｗ_２ ^(ｙ)）が算出される。前述したように、本発明による実施例では、出力層のノードでは恒等関数が用いられており、従って、出力層のノードからは、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力される。

さて、図４Ｂは、図４Ａにおける重みｗ_１ ^(Ｌ２) およびｗ₂ ^(Ｌ２) の値を大きくすることにより、シグモイド関数σの値を、図３Ｂに示されるように、ステップ状に変化させた場合を示している。図４Ｂの（Ｉ）には、ｘ＝―ｂ_１ /ｗ_１ ^(Ｌ２) において、シグモイド関数σ（ｘ・ｗ_１ ^(Ｌ２)＋ｂ_１）の値がステップ状に増大するように重みｗ_１ ^(Ｌ２)およびバイアスｂ_１が設定されたときの隠れ層 ( Ｌ＝２) のノードからの出力値ｚ_１が示されている。また、図４Ｂの（II）には、ｘ＝―ｂ_１ /ｗ_１ ^(Ｌ２) よりも少し大きいｘ＝−ｂ_２ /ｗ_２ ^(Ｌ２) においてシグモイド関数σ（ｘ・ｗ₂ ^(Ｌ２)＋ｂ₂）の値がステップ状に減少するように重みｗ_２ ^(Ｌ２)およびバイアスｂ_２が設定されたときの隠れ層 ( Ｌ＝２) のノードからの出力値ｚ_２が示されている。また、図４Ｂの（III）には、隠れ層 ( Ｌ＝２) の各ノードからの出力値ｚ_１とｚ_２の和（ｚ_１＋ｚ_２）が実線で示されている。図４Ａに示されるように、各出力値ｚ_１、ｚ_２には、夫々対応する重みｗ_１ ^(ｙ) およびｗ_２ ^(ｙ) が乗算されており、図４Ｂの（III）には、ｗ_１ ^(ｙ) 、ｗ_２ ^(ｙ) ＞１であるときの出力値ｙが破線で示されている。

このように、図４Ａに示されるニューラルネットワークにおいて、隠れ層 ( Ｌ＝２) の一対のノードにより、図４Ｂの（III）に示されるような短冊状の出力値ｙが得られる。従って、隠れ層 ( Ｌ＝２) の対をなすノード数を増大し、隠れ層 ( Ｌ＝２) の各ノードにおける重みｗおよびバイアスｂの値を適切に設定すると、図５Ａにおいて破線の曲線で示すような関数ｙ＝ｆ(ｘ）を近似する関数を表現できることになる。なお、図５Ａでは、各短冊が接するように描かれているが、実際には、各短冊は部分的に重なる場合がある。また、実際には、ｗの値は無限大とはならないために、各短冊は、正確な短冊状にはならず、図３Ｂにおいてσ_３で示される曲線部分の上半分のような曲線状となる。なお、詳細な説明は省略するが、図５Ｂに示されるように、異なる二つの入力値ｘ_Ｉおよびｘ_２に対し、隠れ層 ( Ｌ＝２)において夫々対応する一対のノードを設けると、図５Ｃに示されるように、入力値ｘ_Ｉおよびｘ_２に応じた柱状の出力値ｙが得られる。この場合、各入力値ｘ_Ｉ、ｘ_２に対し、隠れ層 ( Ｌ＝２) に多数の対をなすノードを設けると、夫々異なる入力値ｘ_Ｉおよびｘ_２に応じた複数個の柱状の出力値ｙが得られ、従って、入力値ｘ_Ｉおよびｘ_２と出力値ｙとの関係を示す関数を表現できることがわかる。なお、異なる三つ以上の入力値ｘがある場合でも同様に、入力値ｘと出力値ｙとの関係を示す関数を表現できる。入力値が１個の場合には、入力値の数１＋出力値１個により、関数が２次元平面上で表される。入力値が２個の場合には、入力値の数２＋出力値１個により、関数が３次元空間においで表される。即ち、入力値がｎ個の場合には、入力値の数１＋出力値１個により、関数がｎ＋１次元平面において表される。なお、紙面上に４次元平面以上の空間を表現することはできないので、図は割愛する。
本実施例では活性化関数としてシグモイド関数を選択しているが、原理的には、単調に増加しかつ微分可能な関数であってもよい。シグモイド関数を用いる理由は、後述する誤差関数（コスト関数）の極小値（あるいは最小値）を用いる際に、解析的に求めることが困難な場合に勾配降下法を用いるが、当該勾配降下法を適用する際に、後述する誤差逆伝搬法を用いることにより計算を容易にするためである。したがって勾配降下法による計算が可能であればシグモイド関数でなくてもよい。更に勾配降下法を用いるのは、解析的に計算できないためであるが、解析的に計算可能な場合は、勾配降下法を用いる必要はない。
＜ニューラルネットワークにおける学習＞

一方、本発明による実施例では、誤差逆伝播法を用いて、ニューラルネットワーク内における各重みｗの値およびバイアスｂの値が学習される。この誤差逆伝播法は周知であり、従って、誤差逆伝播法についてはその概要を以下に簡単に説明する。なお、バイアスｂは重みｗの一種なので、以下の説明では、バイアスｂは重みｗの一つとされている。さて、図２に示すようなニューラルネットワークにおいて、Ｌ＝２，Ｌ＝３又はＬ＝４の各層のノードへの入力値ｕ^（Ｌ）における重みをｗ^（Ｌ）で表すと、誤差関数Ｅの重みｗ^（Ｌ）による微分、即ち、勾配∂Ｅ/∂ｗ^（Ｌ）は、書き換えると、次式で示されるようになる。
ここで、ｚ^{（Ｌ−１）}・∂ｗ^（Ｌ）＝ ∂ｕ^（Ｌ）であるので、（∂Ｅ/∂ｕ^（Ｌ））＝δ^（Ｌ）とすると、上記（１）式は、次式でもって表すことができる。

ここで、ｕ^（Ｌ）が変動すると、次の層の総入力値ｕ^{（Ｌ＋１）}の変化を通じて誤差関数Ｅの変動を引き起こすので、δ^（Ｌ）は、次式で表すことができる。
ここで、z^（Ｌ）＝ｆ(u^（Ｌ）) と表すと、上記（３）式の右辺に現れる入力値ｕ_k ^{（Ｌ＋１）}は、次式で表すことができる。
ここで、上記（３）式の右辺第１項（∂Ｅ/∂ｕ^{（Ｌ＋１）}）はδ^{（Ｌ＋１）}であり、上記（３）式の右辺第２項（∂u_ｋ ^{（Ｌ＋１）} /∂u^（Ｌ））は、次式で表すことができる。
従って、δ^（Ｌ）は、次式で示される。
即ち、δ^{（Ｌ＋１）}が求まると、δ^（Ｌ）を求めることができることになる。

さて、或る入力値に対して教師データｙ_ｔが求められており、この入力値に対する出力層からの出力値がｙであった場合、誤差関数として二乗誤差が用いられている場合には、二乗誤差Ｅは、Ｅ＝１/２(ｙ−ｙ_ｔ)^２で求められる。この場合、図２の出力層（Ｌ＝４）のノードでは、出力値ｙ＝ｆ(u^（Ｌ）) となり、従って、この場合には、出力層（Ｌ＝４）のノードにおけるδ^（Ｌ）の値は、次式で示されるようになる。
ところで、本発明による実施例では、前述したように、ｆ(u^（Ｌ）) は恒等関数であり、ｆ’(u^（Ｌｌ）) ＝１となる。従って、δ^（Ｌ）＝ｙ−ｙ_ｔとなり、δ^（Ｌ）が求まる。

δ^（Ｌ）が求まると、上式（６）を用いて前層のδ^{（Ｌ−１）}が求まる。このようにして順次、前層のδが求められ、これらδの値を用いて、上式（２）から、各重みｗについて誤差関数Ｅの微分、即ち、勾配∂Ｅ/∂ｗ^（Ｌ）か求められる。勾配∂Ｅ/∂ｗ^（Ｌ）か求められると、この勾配∂Ｅ/∂ｗ^（Ｌ）を用いて、誤差関数Ｅの値が減少するように、重みｗの値が更新される。即ち、重みｗの値の学習が行われることになる。なお、訓練データとしてバッチ、又はミニバッチが用いられる場合には、誤差関数Ｅとして、次の二乗和誤差Ｅが用いられる。
一方、二乗誤差を逐次算出するようにしたオンライン学習が行われる場合には、誤差関数Ｅとして、上述の二乗誤差Ｅが用いられる。
＜本発明による実施例＞

さて、内燃機関では、排気浄化触媒が過熱するのを防止するために排気浄化触媒の温度が設定値を超えたときには、噴射燃料量を増量して燃料の蒸発潜熱により排気浄化触媒の温度を低下させる燃料増量制御、いわゆる、ＯＴ増量制御や、ＮＯ_Ｘ吸蔵還元触媒に多量のＳＯ_Ｘが吸蔵されたときにはＮＯ_Ｘ吸蔵還元触媒の温度をＳＯ_Ｘ放出温度まで上昇させた状態でＮＯ_Ｘ吸蔵還元触媒への流入排気ガスの空燃比をリッチにすることによりＮＯ_Ｘ吸蔵還元触媒から吸蔵ＳＯ_Ｘを放出させるＳＯ_Ｘ放出制御が行われる。これらのＯＴ増量制御やＳＯ_Ｘ放出制御は触媒の温度に応じて実行されるので、これらのＯＴ増量制御やＳＯ_Ｘ放出制御を実行するには、触媒の温度を推定することが必要となる。

そこで従来では、触媒の温度に影響を与えると考えられる、いくつかの機関運転パラメータと触媒温度との関係を予め実験により求め、これらの関係を示す複数のマップを作成し、これら複数のマップから、触媒の温度を推定するようにしている。しかしながら、触媒の温度が、どのような運転パラメータの値との間で強い相関関係を有するかということについて十分に検討されておらず、また、相関関係があったとしても相関関係が複雑であるために、どのような相関関係があるかが、不明な状態にある。このように機関運転パラメータと触媒温度との間の相関関係は複雑であるので、機関運転パラメータと触媒温度との関係を複数のマップで表すのは難しく、従って、複数のマップから、触媒の温度を推定するようにした場合には、高い推定精度を得るのは困難である。

また、排気ガス中に含まれるＨＣやＣＯは、排気ガス中に含まれる酸素、或いは排気浄化触媒に付着している酸素と排気浄化触媒上において反応し、酸化反応熱を発生する。この排気浄化触媒において発生する酸化反応熱は、触媒の温度に大きな影響を与え、従って、排気ガス中のＨＣ濃度やＣＯ濃度も、触媒の温度を推定するための機関運転パラメータの一つとして用いることが好ましいと言える。しかしながら、マップの個数にも限度があるので、ＨＣ濃度やＣＯ濃度に関するマップを更に追加することは難しく、たとえＨＣ濃度やＣＯ濃度に関するマップを追加したとしても、ＨＣ濃度やＣＯ濃度も含めた機関運転パラメータと触媒温度との関係が更に複雑になるので、触媒温度の高い推定精度を得るのは困難である。そこで、本発明では、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を精度よく予測するようにしている。

次に、本発明による第１実施例の概要について説明する。上述したように、本発明では、ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を精度よく予測するようにしており、そのために機械学習装置が用いられている。この第１実施例では、触媒の温度に影響を与える運転パラメータ、即ち、運転状態を表す変数として、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度、および排気浄化触媒の温度の値が採用されており、図６Ａに示されるように、機械学習装置５０は、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部５１を具備している。

また、状態変数を用いて、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度と、排気浄化触媒の温度との関係を示す訓練データセットが作成され、図６Ａに示されるように、機械学習装置５０は、この訓練データセットに従って、排気浄化触媒の温度を学習する学習部５２を具備している。即ち、この例に示される機械学習装置５０は、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部５１と、これらの状態変数によって構成される訓練データセットに従って、排気浄化触媒の温度を学習する学習部と５１とを具備している。

図６Ｂは、図６Ａに示される機械学習装置５０において実行される学習ルーチンを示している。図６Ｂを参照すると、まず初めに、ステップ５３において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数が取得される。次いで、ステップ５４において、これらの状態変数によって構成される訓練データセットに従って、排気浄化触媒の温度の学習が行われる。

次に、図７を参照しつつ、本発明による第１実施例について、より詳細に説明する。図７は、触媒温度を予測するため機械学習装置５５を示しており、この機械学習装置５５は、電子制御ユニット３０のＲＯＭ３２内に形成されているニューラルネットワークからなる。なお、図７においても、図２に示されるニューラルネットワークと同様に、L＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。図７に示されるように、この第１実施例においては、入力層 ( L＝１) が５個のノードからなり、５個の運転パラメータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５の値が入力値として、入力層 ( L＝１) の各ノードに入力されている。なお、以下、ｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５は入力パラメータを指す場合と、入力パラメータの値を指す場合がある。一方、図７には模式的に６個のノードを有する隠れ層 ( L＝２)および隠れ層 ( L＝３)が記載されているが、これら隠れ層の層数は、１個又は任意の個数とすることができ、またこれら隠れ層のノードの数も任意の個数とすることができる。なお、出力層 ( L＝４) のノードの数は１個とされており、出力層のノードからの出力値がｙで示されている。

次に、図７における運転パラメータの値を示す入力値、即ち、入力パラメータの入力値ｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５と、出力パラメータの出力値ｙについて説明する。本発明による第１実施例では、上述したように運転パラメータとして、即ち、入力パラメータとして、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度が採用されており、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度の値が夫々、各入力値ｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５として入力層 ( L＝１)に入力される。この場合、図７で示される例では、ｘ_１が機関回転数を示しており、ｘ_２が機関の負荷率を示しており、ｘ_３が機関の空燃比を示しており、ｘ_４が機関の点火時期を示しており、ｘ_５が排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を示している。一方、本発明による第１実施例では、出力パラメータとして、排気浄化触媒１６の温度が採用されており、出力層 ( L＝４)からは、出力パラメータの出力値ｙ、即ち、排気浄化触媒１６の温度の推定値ｙが出力される。

次に、各入力値の取得方法について説明する。まず初めに、機関回転数は電子制御ユニット３０内のＣＰＵ３４において算出されており、機関回転数として、この算出値が用いられる。また、機関の負荷率は、機関全負荷運転時における機関シリンダ内への吸入空気量に対する実際の吸入空気量の比を示している。この場合、例えば、或る基準となる吸入空気温および吸入空気圧における機関全負荷運転時の吸入空気量が代表的な機関回転数に対して予め実測されており、この実測値が電子制御ユニット３０の記憶部（ＲＯＭ３２又はＲＡＭ３３）に記憶されている。一方、実際の吸入空気量は、吸入空気量検出器１０により検出された吸入空気量を、圧力センサ２３および温度センサ２４の検出値を用いて、上述の基準となる吸入空気温および吸入空気圧における値に補正することにより求められる。ＣＰＵ３４では、これらの記憶されている機関全負荷運転時の吸入空気量と、補正された実際の吸入空気量から機関の負荷率が算出され、機関の負荷率として、この算出値が用いられる。

機関の空燃比は、空燃比センサ２５の出力信号から取得される。また、機関の点火時期は、例えば、機関回転数および機関の負荷率の関数として、電子制御ユニット３０の記憶部（ＲＯＭ３２又はＲＡＭ３３）に予め記憶されている。この機関の点火時期は、機関回転数および機関の負荷率から、ＣＰＵ３４において算出され、機関の点火時期として、この算出値が用いられる。排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度は、ＨＣ濃度センサ２６又はＣＯ濃度センサ２６の出力信号から取得される。この場合、ＨＣ濃度センサ２６およびＣＯ濃度センサ２６は、いずれか一方が用いられる。なお、ＨＣ濃度やＣＯ濃度は、排気ガスをサンプリングして排気ガス成分の分析を行うガス分析装置を用いて検出することもできる。一方、排気浄化触媒１６の温度は、温度センサ２７の出力信号から取得される。

次に、本発明による実施例において用いられている学習用データセットについて簡単に説明する。本発明による実施例では、機関の運転状態をランダムに変化させたときの各運転状態における各入力パラメータの実測値と、出力パラメータの実測値が、図８に示されるように、学習用データセットとして、電子制御ユニット３０の記憶部（ＲＯＭ３２又はＲＡＭ３３）に記憶される。なお、図８において、Ｎo は各運転状態の番号を示しており、図８は、Ｎ個の運転状態について、各入力パラメータの実測値および出力パラメータの実測値が求められている場合を示している。なお、図８において、ｘ_１は機関回転数を示しており、ｘ_２は機関の負荷率を示しており、ｘ_３は機関の空燃比を示しており、ｘ_４は機関の点火時期を示しており、ｘ_５は排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を示している。一方、ｙｔは、出力パラメータの実測値、即ち、排気浄化触媒１６の温度の実測値を示している。この排気浄化触媒１６の温度の実測値ｙｔは、教師データとして用いられる。

例えば、図８に示される例では、Ｎo.１の運転状態における各入力パラメータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５の実測値が夫々、ａ_１、ｂ_１、ｃ_１、ｄ_１、ｅ_１で示されており、排気浄化触媒１６の温度の実測値ｙｔの値がｆ_１で示されている。同様に、Ｎo.ｎの運転状態における各入力パラメータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５の値が夫々、ａ_ｎ、ｂ_ｎ、ｃ_ｎ、ｄ_ｎ、ｅ_ｎで示されており、排気浄化触媒１６の温度の実測値ｙｔの値がｆ_ｎで示されている。本発明による第１実施例では、図８に示される学習用データセットを用いて、図７に示される機械学習装置５５のニューラルネットワークの重みの学習が行われる。このニューラルネットワークの重みの学習ルーチンの一例が図９に示されている。

図９を参照すると、まず初めに、ステップ６０では、図８において運転状態を示す番号Ｎo が１とされる（ｎ＝１）。次いで、ステップ６１では、図８において運転状態を示す番号Ｎo がｎの学習用データセットが読み込まれる。この場合、最初にステップ６１に進んだときには、図８において運転状態の番号が、Ｎo. １の学習用データセットが読み込まれる。ステップ６１において、運転状態の番号が、Ｎo. ｎの学習用データセットが読み込まれると、ステップ６２に進む。ステップ６２では、Ｎo.ｎの学習用データセットにおける各入力パラメータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５の値ａ_ｎ、ｂ_ｎ、ｃ_ｎ、ｄ_ｎ、ｅ_ｎが図７の入力層 ( L＝１)に入力され、Ｎo.ｎの学習用データセットの出力パラメータの実測値ｙｔの値ｆ_ｎを教師データとして、ニューラルネットワークの重みの学習が行われる。

ステップ６２において、ニューラルネットワークの重みの学習が行われると、ステップ６３に進んで、運転状態の番号ｎが１だけインクリメントされる（ｎ＝ｎ＋１）。次いで、ステップ６４では、運転状態の番号ｎがＮになったか否か、即ち、図８に示される全ての学習用データセットについて、ニューラルネットワークの重みの学習が行われたか否かが判別される。ステップ６４において、運転状態の番号ｎがＮになっていないと判別されたときには、ステップ６１に戻る。これに対し、ステップ６４において、運転状態の番号ｎがＮになったと判別されたとき、即ち、図８に示される全ての学習用データセットについて、ニューラルネットワークの重みの学習が行われたと判別されたときにはステップ６５に進む。

ステップ６５では、例えば、上式（８）を用いて、ニューラルネットワークの出力値ｙと教師データｙｔとの間の二乗和誤差Ｅが算出され、この二乗和誤差Ｅが、予め設定された設定誤差以下になったか否かが判別される。二乗和誤差Ｅが、予め設定された設定誤差以下になったと判別されたときには、学習ルーチンを終了する。これに対し、二乗和誤差Ｅが、予め設定された設定誤差以下になっていないと判別されたときには、ステップ６０に戻り、再度、図８に示される全ての学習用データセットについて、ニューラルネットワークの重みの学習が行われる。次いで、二乗和誤差Ｅが、予め設定された設定誤差以下になるまで、ニューラルネットワークの重みの学習が続行される。

このように、本発明による実施例では、ニューラルネットワークを用いて内燃機関の排気浄化触媒１６の温度を予測する機械学習装置５０において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒１６の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒１６の温度を推定している。

一方、本発明による実施例では、図１に示されるように、内燃機関が電子制御ユニット３０を具備しており、電子制御ユニット３０が、機関の運転に関係する入力パラメータの値を取得する入力パラメータ値取得部と、入力層、隠れ層および出力層からなるニューラルネットワークを用いて演算を行う演算部と、記憶部とを具備している。この場合、図１に示される例では、入力ポート３５が上述のパラメータ値取得部を構成しており、ＣＰＵ３４が上述の演算部を構成しており、ＲＯＭ３２およびＲＡＭ３３が上述の記憶部を構成している。なお、ＣＰＵ３４、即ち、上述の演算部では、機関の運転パラメータの値が入力層に入力され、機関の運転パラメータの値に応じて変化する出力値が出力層から出力される。

従って、本発明による実施例では、入力パラメータ値取得部が、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒１６の温度を取得すると共に、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒１６の温度の関係が、学習用データセットとして記憶部に記憶されている。この記憶部に学習用データセットとして記憶されている機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力層に入力すると共に、記憶部に学習用データセットとして記憶されている排気浄化触媒１６の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークの出力層から排気浄化触媒１６の温度の推定値を出力させる。

次に、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとし、取得された排気浄化触媒１６の温度を教師データとしてニューラルネットワークの重みを学習したときの推定精度について、実測データに基づき説明する。図１０Ａは、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６の温度との関係を示す複数のマップを用いて、排気浄化触媒１６の温度を推定したときの実測温度Ｔ_０と推定温度Ｔ_０との関係を示している。

一方、図１０Ｂは、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＣＯ濃度をニューラルネットワークの入力パラメータとし、取得された排気浄化触媒１６の温度を教師データとしてニューラルネットワークの重みを学習したときの排気浄化触媒１６の推定温度Ｔ_０と実測温度Ｔ_０との関係を示している。図１０Ａと図１０Ｂとを比較するとわかるように、図１０Ａに示される場合に比べて図１０Ｂに示される場合の方が、排気浄化触媒１６の温度の推定精度が高いことがわかる。因みに、図１０Ａに示される場合の推定温度と実測温度との間の相関係数Ｒ^２は０．４８８１であるのに対して、図１０Ｂに示される場合の推定温度と実測温度との間の相関係数Ｒ^２は０．８９７３である。

一方、図１１Ａは、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６の温度との関係を示す複数のマップを用いて、排気浄化触媒１６の温度を推定したときの実測温度Ｔ_０と推定温度Ｔ_０との時間的変化の比較を示しており、図１１Ｂは、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＣＯ濃度をニューラルネットワークの入力パラメータとし、取得された排気浄化触媒１６の温度を教師データとしてニューラルネットワークの重みを学習したときの排気浄化触媒１６の推定温度Ｔ_０と実測温度Ｔ_０との時間的変化の比較を示している。図１１Ａと図１１Ｂとを比較すると、図１１Ａに示される場合に比べて図１１Ｂ示される場合の方が、排気浄化触媒１６の温度の推定精度が高いことがわかる。

次に、図１２を参照しつつ、本発明による第２実施例について説明する。この第２実施例では、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度を推定し、この排気ガス中のＨＣ又はＣＯ濃度の推定値を用いて触媒温度を予測するようにしている。従って、本発明による第２実施例では、図１２に示されるように、機械学習装置が、触媒温度を予測するため機械学習装置７０と、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度を推定するための機械学習装置７１からなる。なお、これらの機械学習装置７０、７１は、電子制御ユニット３０のＲＯＭ３２内に形成されているニューラルネットワークからなる。

まず初めに、機械学習装置７１について説明すると、この機械学習装置７１では、入力層 ( L＝１) が３個のノードからなり、３個の運転パラメータｘ_１、ｘ_２、ｘ_３の値が入力値として、入力層 ( L＝１) の各ノードに入力されている。なお、前述したようにｘ_１、ｘ_２、ｘ_３は入力パラメータを指す場合と、入力パラメータの値を指す場合がある。また、この機械学習装置７１について、図１２には模式的に４個のノードを有する隠れ層 ( L＝２) および隠れ層 ( L＝３) が記載されているが、これら隠れ層の層数は、１個又は任意の個数とすることができ、またこれら隠れ層のノードの数も任意の個数とすることができる。なお、出力層 ( L＝４) のノードの数は１個とされており、出力層のノードからの出力値がｙ’で示されている。

次に、機械学習装置７１における運転パラメータの値を示す入力値、即ち、入力パラメータの入力値ｘ_１、ｘ_２、ｘ_３と、出力パラメータの出力値ｙ’について説明する。この第２実施例では、運転パラメータとして、即ち、入力パラメータとして、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度に強い影響を与える機関回転数、機関の負荷率、および機関の空燃比が採用されており、機関回転数、機関の負荷率、および、機関の空燃比の値が夫々、各入力値ｘ_１、ｘ_２、ｘ_３として入力層 ( L＝１) に入力される。即ち、この第２実施例でも、第１実施例と同様に、ｘ_１が機関回転数を示しており、ｘ_２が機関の負荷率を示しており、ｘ_３が機関の空燃比を示している。一方、この第２実施例では、機械学習装置７１における出力パラメータとして、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度が採用されており、出力層 ( L＝４)からは、出力パラメータの出力値ｙ’、即ち、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値ｙ’が出力される。

一方、機械学習装置７０は、図７に示される機械学習装置５０と同じ構成のニューラルネットワークからなる。従って、機械学習装置７０のニューラルネットワークの構成については、説明を省略し、運転パラメータの値を示す入力値、即ち、入力パラメータの入力値ｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５と、出力パラメータの出力値ｙについてのみ説明する。この第２実施例では、入力値ｘ_１、ｘ_２、ｘ_３、ｘ_４については、図７に示される機械学習装置５０と同じであり、ｘ_１が機関回転数を示しており、ｘ_２が機関の負荷率を示しており、ｘ_３が機関の空燃比を示しており、ｘ_４が機関の点火時期を示している。これに対し、入力値ｘ_５については、図７に示される機械学習装置５０とは異なっており、図１２に模式的に示されるように、機械学習装置７１からの出力値ｙ’、即ち、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値ｙ’が、入力値ｘ_５として入力層 ( L＝１) に入力される。

即ち、機械学習装置７０では、運転パラメータとして、即ち、入力パラメータとして、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値が採用されており、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期の値、および排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値が夫々、各入力値ｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５として入力層 ( L＝１) に入力される。一方、機械学習装置７０では、出力パラメータとして、排気浄化触媒１６の温度が採用されており、出力層 ( L＝４) からは、出力パラメータの出力値ｙ、即ち、排気浄化触媒１６の温度の推定値ｙが出力される。

次に、図１３Ａおよび図１３Ｂを参照しつつ、本発明による第２実施例において用いられている学習用データセットについて簡単に説明する。図１３Ａは、図１２の機械学習装置７１において排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度を推定するための学習用データセットを示しており、図１３Ｂは、図１２の機械学習装置７０において触媒温度を予測するための学習用データセットを示している。まず初めに、図１３Ａに示される排気ガス中のＨＣ又はＣＯ濃度を推定するための学習用データセットについて説明する。

機械学習装置７１により排気ガス中のＨＣ又はＣＯ濃度を推定する場合においても、機関の運転状態をランダムに変化させたときの各運転状態における各入力パラメータの値の実測値および出力パラメータの値の実測値が、図１３Ａに示されるように、学習用データセットとして、電子制御ユニット３０の記憶部（ＲＯＭ３２又はＲＡＭ３３）に記憶される。なお、この学習用データセットについても、図１３Ａに示されるように、Ｎ個の運転状態について、各入力パラメータの実測値および出力パラメータの実測値が求められている。一方、前述したように、図１３Ａにおいて、ｘ_１は機関回転数を示しており、ｘ_２は機関の負荷率を示しており、ｘ_３は機関の空燃比を示している。これに対し、ｙｔ’は、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の実測値、即ち、教師データを示している。

この場合、前述したように、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度は、ＨＣ濃度センサ２６又はＣＯ濃度センサ２６の出力信号から取得されか、或いは、サンプリングした排気ガス成分の分析を行うガス分析装置を用いて検出される。図１３Ａに示される例では、Ｎo.１の運転状態における各入力パラメータｘ_１、ｘ_２、ｘ_３の値が夫々、ａ_１、ｂ_１、ｃ_１で示され、排気ガス中のＨＣ又はＣＯ濃度の実測値ｙｔ’,即ち、教師データｙｔ’の値がy _１’で示されている。同様に、Ｎo.ｎの運転状態における各入力パラメータｘ_１、ｘ_２、ｘ_３の値が夫々、ａ_ｎ、ｂ_ｎ、ｃ_ｎで示され、排気ガス中のＨＣ又はＣＯ濃度の実測値ｙｔ’,即ち、教師データｙｔ’の値がy _ｎ’で示されている。本発明による第２実施例では、図１３Ａに示される学習用データセットを用いて、図１２に示される機械学習装置７１のニューラルネットワークの重みの学習が行われる。このニューラルネットワークの重みの学習は、図９に示される学習ルーチンを用いて行われる。

このように、本発明による第２実施例では、学習用データセットから取得された機関回転数、機関の負荷率、機関の空燃比をニューラルネットワークの入力パラメータとすると共に、学習用データセットから取得された排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度を教師データとしてニューラルネットワークの重みを学習し、この学習済みのニューラルネットワークを用いて排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値が求められる。

次に、図１３Ｂに示される触媒温度を予測するための学習用データセットについて説明する。図１３Ｂに示される学習用データセットは、図８に示される学習用データセットに類似しており、図８に示される学習用データセットと異なるところは、入力パラメータｘ_５の入力値として、機械学習装置７１からの出力値ｙ’、即ち、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値ｙ’を用いていることだけである。図１３Ｂに示される学習用データセットは、その他の点については、図８に示される学習用データセットと同じである。即ち、図１３Ｂに示される学習用データセットにおいて、ｘ_１は機関回転数を示しており、ｘ_２は機関の負荷率を示しており、ｘ_３は機関の空燃比を示しており、ｘ_４は機関の点火時期を示している。

なお、図１３Ａの三つの入力値ｘ_１、ｘ_２、ｘ_３における各運転状態の実測値ａ_ｎ、ｂ_ｎ、ｃ_ｎ（ｎ＝１、２、・・・Ｎ）は、図１３Ｂの三つの入力値ｘ_１、ｘ_２、ｘ_３における各運転状態の実測値ａ_ｎ、ｂ_ｎ、ｃ_ｎ（ｎ＝１、２、・・・Ｎ）と夫々、同じ値である。本発明による第２実施例では、図１３Ｂに示される学習用データセットを用いて、図１２に示される機械学習装置７０のニューラルネットワークの重みの学習が行われる。このニューラルネットワークの重みの学習は、図９に示される学習ルーチンを用いて行われる。

図１４Ａは、図１２に示される機械学習装置７１を用いて、排気浄化触媒１６に流入する排気ガス中のＨＣ濃度（ｐｐｍ）ＤＨを推定した場合の実測値ＤＨ_０と推定値ＤＨ_０との関係を示しており、図１４Ｂは、図１２に示される機械学習装置７１を用いて、排気浄化触媒１６に流入する排気ガス中のＣＯ濃度（ｐｐｍ）ＤＣを推定した場合の実測値ＤＣ_０と推定値ＤＣ_０との関係を示している。図１４Ａと図１４Ｂとを比較すると、図１４Ａに示される場合に比べて図１４Ｂ示される場合の方が、推定精度が高いことがわかる。従って、図１２に示される機械学習装置７０を用いて、触媒温度を予測する場合には、排気ガス中のＨＣ濃度の推定値よりも、排気ガス中のＣＯ濃度の推定値を用いた方が好ましいことがわかる。

なお、前述したように、排気浄化触媒１６に流入する排気ガス中のＨＣ又はＣＯ濃度は、ＨＣ濃度センサ２６又はＣＯ濃度センサ２６の出力信号から取得されか、或いは、サンプリングした排気ガス成分の分析を行うガス分析装置を用いて検出される。従って、図１２に示される機械学習装置７０を用いて、触媒温度を予測する場合には、ＣＯ濃度センサ２６を用いて排気ガス中のＣＯ濃度を検出するか、或いは、ガス分析装置を用いて排気ガス中のＣＯ濃度を検出することが好ましいといえる。なお、本発明による第２実施例では、機械学習装置７１による排気ガス中のＣＯ濃度の機械学習が完了すると、ＣＯ濃度センサ２６やガス分析装置は不要となる。従って、本発明による第２実施例は、オンボードで触媒温度を予測する場合に適していると言える。
なお、学習用データセットと精度を検証するテストデータは全データの中から、適宜組合せたデータを選択することができる。また、本実施例ではホールドアウト検証法を用いているが、交差検証法を用いて、機械学習の検証を行ってもよい。

さて、本発明による実施例では、図９に示されるように、ニューラルネットワークを用いて、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度から、排気浄化触媒の温度を推定するための学習済みモデルが作成される。本発明による実施例では、この学習済みモデルが、電子制御ユニット３０内に組み込まれる。

この場合、本発明による実施例では、この電子制御ユニットは、圧力センサ２３、温度センサ２４、空燃比センサ２５、ＨＣ濃度又はＣＯ濃度センサ２６、或いは、ガス分析装置、温度センサ２７および電子制御ユニット３０内のＣＰＵ３４における算出値に基づき作成された学習用データセットであって、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルの組み込まれた電子制御ユニットからなる。

また、この場合、本発明による実施例では、この学習済みモデルは、圧力センサ２３、温度センサ２４、空燃比センサ２５、ＨＣ濃度又はＣＯ濃度センサ２６、或いは、ガス分析装置、温度センサ２７および電子制御ユニット３０内のＣＰＵ３４における算出値に基づき作成された学習用データセットであって、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルからなる。

一方、電子制御ユニットを製造するに当たり、学習済みのニューラルネットワークを学習済みモデルとして内部に組み込むことが可能である。従って、本発明による実施例では、電子制御ユニット製造方法として、圧力センサ２３、温度センサ２４、空燃比センサ２５、ＨＣ濃度又はＣＯ濃度センサ２６、或いは、ガス分析装置、温度センサ２７および電子制御ユニット３０内のＣＰＵ３４における算出値に基づき作成された学習用データセットであって、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを学習済みモデルとして内部に組み込むことで電子制御ユニットを製造する電子制御ユニット製造方法が用いられている。

一方、図１５は、内燃機関の排気浄化触媒の温度を予測する機械学習システムの一例の全体図を示している。図１５を参照すると、７１は車両を示しており、７２は車両７１の外部に設置されているサーバ７２を示している。この車両７１では、圧力センサ２３、温度センサ２４、空燃比センサ２５、ＨＣ濃度又はＣＯ濃度センサ２６、或いは、ガス分析装置、温度センサ２７および電子制御ユニット３０内のＣＰＵ３４における算出値に基づき、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度が求められている。

一方、サーバ７２は、図１５に示されるように、車両７１との間で通信を行う通信部７３と、車両７１から通信部７３を介して機関回転数を取得する機関回転数取得部７４と、車両７１から通信部７３を介して機関の負荷率を取得する機関負荷率取得部７５と、車両７１から通信部７３を介して機関の空燃比を取得する空燃比取得部７６と、車両７１から通信部７３を介して機関の点火時期を取得する点火時期取得部７７と、車両７１から通信部７３を介して排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部７８と、車両７１から通信部７３を介して排気浄化触媒の温度を取得する排気浄化触媒温度取得部７９と、取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部８０と、このデータセットに従って、排気浄化触媒の温度を学習する学習部８１とを具備している。

即ち、この内燃機関の排気浄化触媒の温度を予測する機械学習システムは、機関回転数を取得する機関回転数取得部７４と、機関の負荷率を取得する機関負荷率取得部７５と、機関の空燃比を取得する空燃比取得部７６と、機関の点火時期を取得する点火時期取得部７７と、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部７８と、排気浄化触媒の温度を取得する排気浄化触媒温度取得部７９と、前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部８０と、このデータセットに従って、排気浄化触媒の温度を学習する学習部８１とを具備している。

この、機械学習システムでは、車両７１において取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度に関するデータがサーバ７２の通信部７３により受信され、受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を用いてデータセットが作成され、このデータセットに従って、排気浄化触媒の温度の学習が行われる。

一方、図１６は、内燃機関の排気浄化触媒の温度を予測する機械学習システムの別の例の全体図を示している。この例においても、図１５と同様に、７１は車両を示しており、７２は車両７１の外部に設置されているサーバ７２を示している。このサーバ７２も、図１５に示されるサーバ７２と同様に、車両７１との間で通信を行う通信部７３と、機関回転数を取得する機関回転数取得部７４と、機関の負荷率を取得する機関負荷率取得部７５と、機関の空燃比を取得する空燃比取得部７６と、機関の点火時期を取得する点火時期取得部７７と、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部７８と、排気浄化触媒の温度を取得する排気浄化触媒温度取得部７９と、取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部８０と、このデータセットに従って、排気浄化触媒の温度を学習する学習部８１とを具備している。

一方、この例では、車両７１が、車載電子制御ユニット３０に加え、サーバ７２との間で通信を行う通信部８２を具備している。この例でも、車両７１において取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度に関するデータが、車両７１の通信部８２からサーバ７２の通信部７３に送信され、通信部７３において受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を用いてデータセットが作成され、このデータセットに従って、排気浄化触媒の温度の学習が行われる。次いで、排気浄化触媒の温度の学習済みモデルが、サーバ７２の通信部７３から車両７１の通信部８２に送信され、通信部８２において受信された学習済みモデルによって車載電子制御ユニット３０内のニューラルネットワークの重みが更新される。

即ち、この例では、車両において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を示すデータを取得し、このデータをサーバに送信し、サーバにおいて受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、受信された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルが生成され、生成された学習済みモデルが車両に送信され、車両において、学習済みモデルを用いて、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度から内燃機関の排気浄化触媒の温度を予測する車載電子制御ユニットであって、サーバが、車両７１との間で通信を行う通信部７３と、機関回転数を取得する機関回転数取得部７４と、機関の負荷率を取得する機関負荷率取得部７５と、機関の空燃比を取得する空燃比取得部７６と、機関の点火時期を取得する点火時期取得部７７と、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部７８と、排気浄化触媒の温度を取得する排気浄化触媒温度取得部７９と、取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部８０と、このデータセットに従って、排気浄化触媒の温度を学習する学習部８１とを具備している、車載電子制御ユニット３０からなる。
本機械学習は回帰問題として連続値となる出力を扱っているが、出力が有限個の離散カテゴリとなる分類問題（多クラス分類）として考えることもできる。具体的には出力として複数のクラスを用意し、その各クラスと触媒の温度を対応させてやればよい。
また、機械学習のうち教師あり学習にはニューラルネットワークだけでなく、ランダムフォレスト、サポートベクターマシン、k近傍法等の種々の方法がある。これらモデルはあくまで特徴ベクトルによって張られる特徴空間において境界線を張り、決定境界を効率よく求めるアルゴリズムという点で共通する。すなわちニューラルネットワークで推定が可能であるならば、他の教師あり学習のモデルでも機械学習が可能である。
また、機械学習として教師あり学習を用いる代わりに、半教師あり学習を用いることもできる。

１内燃機関
２燃焼室
３点火栓
４燃料噴射弁
１２スロットル弁
２３圧力センサ
２４温度センサ
２５空燃比センサ
２６ＨＣ濃度センサ、ＣＯ濃度センサ
２７温度センサ
３０電子制御ユニット

本発明は車載電子制御ユニットに関する。

本発明によれば、車両において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を示すデータを取得し、このデータをサーバに送信し、サーバにおいて、受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、受信された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルが生成され、生成された学習済みモデルが車両に送信され、車両において、学習済みモデルを用いて、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度から内燃機関の排気浄化触媒の温度を予測する車載電子制御ユニットであって、
サーバが、
機関回転数を取得する機関回転数取得部と、
機関の負荷率を取得する機関負荷率取得部と、
機関の空燃比を取得する空燃比取得部と、
機関の点火時期を取得する点火時期取得部と、
排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部と、
排気浄化触媒の温度を取得する排気浄化触媒温度取得部と、
前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部と、
データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備える、車載電子制御ユニットが提供される。

排気浄化触媒の温度と強い相関を有する運転パラメータとして、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、および排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を特定し、これらの特定された運転パラメータを用いて、ニューラルネットワークの重みを学習することにより、排気浄化触媒の温度を精度よく予測することが可能となる。

Claims

内燃機関の排気浄化触媒の温度を予測するニューラルネットワークを用いた機械学習装置であって、
機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部と、
前記状態変数によって構成される訓練データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備えることを特徴とするニューラルネットワークを用いた機械学習装置。
ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習装置において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定する機械学習装置。
上記排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度が推定値であり、学習用データセットから取得された機関回転数、機関の負荷率、機関の空燃比をニューラルネットワークの入力パラメータとすると共に、学習用データセットから取得された排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を教師データとしてニューラルネットワークの重みを学習し、この学習済みのニューラルネットワークを用いて該排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値が求められる請求項２に記載の機械学習装置。
内燃機関が電子制御ユニットを具備しており、該電子制御ユニットが、機関の運転に関係する入力パラメータの値を取得する入力パラメータ値取得部と、入力層、隠れ層および出力層からなるニューラルネットワークを用いて演算を行う演算部と、記憶部とを具備しており、該入力パラメータ値取得部が、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を取得すると共に、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係が、学習用データセットとして該記憶部に記憶され、該記憶部に学習用データセットとして記憶されている機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力層に入力すると共に、該記憶部に学習用データセットとして記憶されている排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークの出力層から排気浄化触媒の温度の推定値を出力させる請求項２に記載の機械学習装置。
上記排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度が推定値であり、学習用データセットから取得された機関回転数、機関の負荷率、機関の空燃比をニューラルネットワークの入力層に入力すると共に、学習用データセットから取得された排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を教師データとしてニューラルネットワークの重みを学習し、この学習済みのニューラルネットワークを用いて該排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度の推定値が求められる請求項４に記載の機械学習装置。
ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習方法において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定する機械学習方法。
ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する電子制御ユニットにおいて、
機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルの組み込まれた電子制御ユニット。
ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測するプログラムにおいて、
機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデル。
ニューラルネットワークを用いて内燃機関の排気浄化触媒の温度を予測する機械学習方法において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度の関係を示す学習用データセットを取得し、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを学習済みモデルとして内部に組み込むことで電子制御ユニットを製造する電子制御ユニット製造方法。
内燃機関の排気浄化触媒の温度を予測する機械学習システムであって、
機関回転数を取得する機関回転数取得部と、
機関の負荷率を取得する機関負荷率取得部と、
機関の空燃比を取得する空燃比取得部と、
機関の点火時期を取得する点火時期取得部と、
排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部と、
排気浄化触媒の温度を取得する排気浄化触媒温度取得部と、
前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部と、
前記データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備えることを特徴とする機械学習システム。
車両において、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度を示すデータを取得し、該データをサーバに送信し、該サーバにおいて、受信された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度をニューラルネットワークの入力パラメータとすると共に、受信された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みが学習された学習済みモデルが生成され、生成された学習済みモデルが車両に送信され、車両において、学習済みモデルを用いて、取得された機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度から内燃機関の排気浄化触媒の温度を予測する車載電子制御ユニットであって、
該サーバが、
機関回転数を取得する機関回転数取得部と、
機関の負荷率を取得する機関負荷率取得部と、
機関の空燃比を取得する空燃比取得部と、
機関の点火時期を取得する点火時期取得部と、
排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度を取得する濃度取得部と、
排気浄化触媒の温度を取得する排気浄化触媒温度取得部と、
前記取得された機関回転数、機関負荷率、空燃比、点火時期、ＨＣ又はＣＯ濃度および排気浄化触媒温度を用いてデータセットを作成するデータセット作成部と、
前記データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備える、車載電子制御ユニット。
教師データを用いて機械学習を行うことにより、内燃機関の排気浄化触媒の温度を予測する機械学習装置であって、
機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のＨＣ又はＣＯ濃度および排気浄化触媒の温度から構成される状態変数を取得する状態取得部と、
前記状態変数によって構成される訓練データセットに従って、前記排気浄化触媒の温度を学習する学習部と、
を備えることを特徴とする、教師データを用いて機械学習を行う機械学習装置。