JP2020041505A - Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine - Google Patents

Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine Download PDF

Info

Publication number
JP2020041505A
JP2020041505A JP2018170788A JP2018170788A JP2020041505A JP 2020041505 A JP2020041505 A JP 2020041505A JP 2018170788 A JP2018170788 A JP 2018170788A JP 2018170788 A JP2018170788 A JP 2018170788A JP 2020041505 A JP2020041505 A JP 2020041505A
Authority
JP
Japan
Prior art keywords
internal combustion
combustion engine
output
input
determination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2018170788A
Other languages
Japanese (ja)
Inventor
大史 大八木
Hiroshi Oyagi
大史 大八木
金子 智洋
Tomohiro Kaneko
智洋 金子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2018170788A priority Critical patent/JP2020041505A/en
Publication of JP2020041505A publication Critical patent/JP2020041505A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

To provide a controller of an internal combustion engine capable of highly accurately executing a determination as to whether to stop idling.SOLUTION: A controller of an internal combustion engine that controls operation of an internal combustion engine of a vehicle, comprises: a determination unit that when the value of an input parameter is input, using a first learned model using a neural network, outputs a determination as to whether to stop the internal combustion engine; and an engine control unit that controls the internal combustion engine based on the determination output from the determination unit. The input parameter of the determination unit includes at least one of an elapsed time since the last change of lubricant of the internal combustion engine and the total operating time of the internal combustion engine or the total mileage of the vehicle.SELECTED DRAWING: Figure 4

Description

本開示は、内燃機関の制御装置、内燃機関を制御するための学習済モデル、内燃機関の制御方法、内燃機関の制御プログラム及び内燃機関の制御システムに関する。   The present disclosure relates to a control device for an internal combustion engine, a learned model for controlling the internal combustion engine, a control method for the internal combustion engine, a control program for the internal combustion engine, and a control system for the internal combustion engine.

従来から、車両の燃費の向上等を目的として、車両の状態に応じて、車両の内燃機関のアイドリングを自動的に停止させ且つ内燃機関を自動的に再始動させるアイドリングストップ制御が知られている。アイドリングストップ制御では、信号待ち等による車両の停止時など所定の停止条件を満たした場合には内燃機関のアイドリングを停止し、ブレーキペダルの踏み込み解除など所定の再始動条件を満たした場合には内燃機関を再始動する制御が行われる。   2. Description of the Related Art Conventionally, an idling stop control for automatically stopping idling of an internal combustion engine of a vehicle and automatically restarting the internal combustion engine in accordance with the state of the vehicle has been known for the purpose of improving fuel efficiency of the vehicle and the like. . In the idling stop control, idling of the internal combustion engine is stopped when a predetermined stop condition is satisfied, such as when the vehicle is stopped due to a signal waiting, and when a predetermined restart condition such as release of the depression of a brake pedal is satisfied, the internal combustion engine is stopped. Control for restarting the engine is performed.

このようなアイドリングストップ制御技術において、内燃機関を再始動できる状態であるか否かは、内燃機関のアイドリングの停止条件の1つである。例えば、特許文献1には、内燃機関の再始動の成否に影響を与える潤滑油の温度や冷却水の温度に基づいて、アイドリングの停止の可否を判定する技術が示されている。   In such an idling stop control technique, whether or not the internal combustion engine can be restarted is one of the conditions for stopping the idling of the internal combustion engine. For example, Patent Literature 1 discloses a technique for determining whether to stop idling based on the temperature of lubricating oil and the temperature of cooling water that affect the success or failure of restarting the internal combustion engine.

特開2001−263123号公報JP 2001-263123 A

ところで、内燃機関の再始動の成否は潤滑油の粘度に大きく依存するところ、潤滑油の粘度は潤滑油の温度や冷却水の温度の他にも様々な要因で変化する。そのため、特許文献1に記載のような従来技術では、アイドリング停止可否判定を必ずしも適切に行うことができず、潤滑油の温度や冷却水の温度に基づいてアイドリングを停止した場合であっても、内燃機関を再始動することができなくなるような状況が起こり得る。これを回避するためには、アイドリングの停止条件を厳しくする必要があるが、停止条件を厳しくすると停止条件が成立しにくくなってしまう。停止条件が成立しにくくなると、アイドリングの停止回数を十分に確保できず、その結果、燃費の向上を十分に実現できなくなってしまう。   By the way, the success or failure of the restart of the internal combustion engine largely depends on the viscosity of the lubricating oil, and the viscosity of the lubricating oil changes due to various factors other than the temperature of the lubricating oil and the temperature of the cooling water. Therefore, in the related art as described in Patent Literature 1, it is not always possible to appropriately determine whether to stop idling, and even when idling is stopped based on the temperature of lubricating oil or the temperature of cooling water, A situation can occur where the internal combustion engine cannot be restarted. In order to avoid this, it is necessary to make the idling stop condition strict, but if the stop condition is made strict, the stop condition becomes difficult to be satisfied. If the stop condition is hardly satisfied, the number of times of idling stop cannot be sufficiently secured, and as a result, the improvement of fuel efficiency cannot be sufficiently realized.

本開示は、上記課題に鑑みてなされたものであり、その目的は、アイドリングの停止の可否を適切に判定することができる内燃機関の制御装置、内燃機関を制御するための学習済モデル、内燃機関の制御方法、内燃機関の制御プログラム及び内燃機関の制御システムを提供することにある。   The present disclosure has been made in view of the above problems, and has as its object to provide a control device for an internal combustion engine capable of appropriately determining whether to stop idling, a trained model for controlling the internal combustion engine, an internal combustion engine, It is an object to provide an engine control method, an internal combustion engine control program, and an internal combustion engine control system.

本開示の要旨は以下のとおりである。   The gist of the present disclosure is as follows.

(1)車両の内燃機関の運転を制御する内燃機関の制御装置であって、入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力する判定部と、前記判定部から出力された前記判定に基づいて前記内燃機関を制御する機関制御部と、を備え、前記判定部の入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間又は前記車両の総走行距離との少なくともいずれか一方を含む、内燃機関の制御装置。   (1) A control device for an internal combustion engine that controls the operation of an internal combustion engine of a vehicle. When a value of an input parameter is input, the control device controls the internal combustion engine using a first learned model using a neural network. A determination unit that outputs a determination as to whether or not to stop, and an engine control unit that controls the internal combustion engine based on the determination output from the determination unit, wherein an input parameter of the determination unit is the internal combustion engine A control device for an internal combustion engine, including at least one of an elapsed time since the last change of lubricant of the engine, a total operation time of the internal combustion engine, and a total travel distance of the vehicle.

(2)前記判定部の入力パラメータは、内燃機関の潤滑油の粘度グレードをさらに含む、上記(1)に記載の内燃機関の制御装置。   (2) The control device for an internal combustion engine according to (1), wherein the input parameter of the determination unit further includes a viscosity grade of a lubricating oil of the internal combustion engine.

(3)内燃機関の潤滑油の粘度グレードを示すユーザ入力が入力される入力部を更に備え、該入力部に入力されたユーザ入力が前記判定部の入力パラメータの値として前記判定部に入力される、上記(2)に記載の内燃機関の制御装置。   (3) An input unit for inputting a user input indicating a viscosity grade of the lubricating oil of the internal combustion engine is further provided, and the user input input to the input unit is input to the determination unit as a value of an input parameter of the determination unit. The control device for an internal combustion engine according to the above (2).

(4)前記判定部の入力パラメータは、前記車両のバッテリーの残容量をさらに含み、前記第1の学習済モデルの出力パラメータは、前記判定である、上記(1)乃至(3)のいずれか1項に記載の内燃機関の制御装置。   (4) The input parameter of the determination unit further includes a remaining capacity of the battery of the vehicle, and the output parameter of the first learned model is any of the above (1) to (3), which is the determination. 2. The control device for an internal combustion engine according to claim 1.

(5)前記第1の学習済モデルの出力パラメータは、前記内燃機関の再始動に必要な消費電力量であり、前記判定部は、前記第1の学習済モデルから出力された消費電力量が第1の閾値以下である場合、前記内燃機関を停止させる旨の前記判定を出力する、上記(1)乃至(3)のいずれか1項に記載の内燃機関の制御装置。   (5) The output parameter of the first learned model is a power consumption amount required for restarting the internal combustion engine, and the determination unit determines that the power consumption amount output from the first learned model is The control device for an internal combustion engine according to any one of (1) to (3), wherein the control device outputs the determination that the internal combustion engine is stopped when the internal combustion engine is equal to or less than a first threshold value.

(6)前記内燃機関の再始動に用いられた消費電力量の実測値を含む教師デ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前記第1の学習済モデルを更新する学習部をさらに備える、上記(5)に記載の内燃機関の制御装置。   (6) The apparatus further includes a learning unit that updates the first learned model by learning weights of the neural network using teacher data including an actually measured value of power consumption used for restarting the internal combustion engine. The control device for an internal combustion engine according to (5).

(7)前記判定部は、前記第1の学習済モデルから出力された消費電力量と前記内燃機関の再始動に用いられた消費電力量の実測値との差が予め定められた第2の閾値以上である場合、さらに、前記内燃機関の潤滑油が交換された旨の判定をする、上記(5)又は(6)に記載の内燃機関の制御装置。   (7) The determining unit determines a difference between a power consumption output from the first learned model and an actually measured value of the power consumption used for restarting the internal combustion engine in a second predetermined value. The control device for an internal combustion engine according to the above (5) or (6), further comprising determining that the lubricating oil of the internal combustion engine has been replaced when the difference is equal to or greater than the threshold value.

(8)入力パラメータの値が入力されると、ニューラルネットワークを用いた第2の学習済モデルを用いて、内燃機関の潤滑油の粘度グレードを出力する粘度出力部をさらに備え、前記の入力パラメータは、前記粘度グレードをさらに含み、前記第2の学習済モデルの入力パラメータは、前記内燃機関の再始動に用いられた消費電力量の実測値を含み、前記第2の学習済モデルの出力パラメータは、前記粘度グレードを含み、前記判定部には、前記判定部の入力パラメータである前記粘度グレードとして、前記粘度出力部から出力された前記粘度グレードが入力される、上記(1)乃至(7)のいずれか1項に記載の内燃機関の制御装置。   (8) a viscosity output unit that outputs a viscosity grade of a lubricating oil of an internal combustion engine using a second learned model using a neural network when a value of the input parameter is input; Further includes the viscosity grade, the input parameter of the second learned model includes an actually measured value of power consumption used for restarting the internal combustion engine, and the output parameter of the second learned model Contains the viscosity grade, and the determination unit receives the viscosity grade output from the viscosity output unit as the viscosity grade which is an input parameter of the determination unit. The control device for an internal combustion engine according to any one of the above items.

(9)前記判定部は、前記第1の学習済モデルから出力された消費電力量と前記内燃機関の再始動に用いられた消費電力量の実測値との差が予め定められた第2の閾値以上である場合、さらに、前記内燃機関の潤滑油が交換された旨の判定をし、前記交換された旨の判定がされた場合、前記判定部には、前記判定部の入力パラメータである前記粘度グレードとして、前記粘度出力部から出力された前記粘度グレードが入力される、上記(8)に記載の内燃機関の制御装置。   (9) The determination unit is configured to determine a difference between a power consumption output from the first learned model and an actually measured power consumption used for restarting the internal combustion engine in a second predetermined value. If the value is equal to or greater than the threshold value, further, it is determined that the lubricating oil of the internal combustion engine has been replaced, and if the determination has been made that the replacement has been performed, the determination unit includes an input parameter of the determination unit. The control device for an internal combustion engine according to (8), wherein the viscosity grade output from the viscosity output unit is input as the viscosity grade.

(10)車両の内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を入力パラメータに含み、前記内燃機関を停止するか否かの判定を出力パラメータとし、前記内燃機関が実際に再始動したか否かを教師データとして重みが学習されたニューラルネットワークを用いて、前記判定を出力するよう、プロセッサを機能させる、内燃機関を制御するための学習済モデル。   (10) The input parameter includes at least one of an elapsed time since the last change of the lubricating oil of the internal combustion engine of the vehicle and a total operation time of the internal combustion engine, and determines whether to stop the internal combustion engine. Using the neural network in which the weight is learned using the determination as an output parameter and using whether the internal combustion engine is actually restarted as teacher data or not, and causing the processor to output the determination, controlling the internal combustion engine. Trained model for.

(11)車両の内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を入力パラメータに含み、前記内燃機関の再始動に必要な消費電力量を出力パラメータとし、前記内燃機関の再始動に用いられた消費電力量の実測値を教師データとして重みが学習されたニューラルネットワークを用いて、前記内燃機関の再始動に必要な消費電力量を出力するよう、プロセッサを機能させる、内燃機関を制御するための学習済モデル。   (11) The consumption required for restarting the internal combustion engine is included in the input parameter, which includes at least one of an elapsed time since the last change of the lubricating oil of the internal combustion engine of the vehicle and a total operation time of the internal combustion engine. The power consumption required for restarting the internal combustion engine using a neural network in which weights are learned using the measured value of the power consumption used for restarting the internal combustion engine as teacher data using the power amount as an output parameter. A trained model for controlling the internal combustion engine, causing the processor to function to output a.

(12)車両の内燃機関の運転を制御するための内燃機関の制御方法であって、入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力するステップと、当該出力された判定に基づいて前記内燃機関を制御するステップと、をプロセッサに実行させ、前記入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御方法。   (12) A control method of an internal combustion engine for controlling operation of an internal combustion engine of a vehicle, wherein when a value of an input parameter is input, the internal combustion engine is controlled using a first learned model using a neural network. Outputting a determination of whether or not to stop the engine, and controlling the internal combustion engine based on the output determination, causing the processor to execute, the input parameter comprising: A method for controlling an internal combustion engine, comprising at least one of an elapsed time since the last replacement and a total operation time of the internal combustion engine.

(13)車両の内燃機関の運転を制御するための内燃機関の制御プログラムであって、入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力するステップと、当該出力された判定に基づいて前記内燃機関を制御するステップと、をプロセッサに実行させ、前記入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御プログラム。   (13) A control program for an internal combustion engine for controlling the operation of the internal combustion engine of a vehicle, wherein, when a value of an input parameter is input, the internal combustion engine uses a first learned model using a neural network to execute the internal combustion engine. Outputting a determination of whether or not to stop the engine, and controlling the internal combustion engine based on the output determination, causing the processor to execute, the input parameter comprising: A control program for an internal combustion engine, including at least one of an elapsed time since the last replacement and a total operation time of the internal combustion engine.

(14)入力パラメータの値が入力されると、ニューラルネットワークを用いた学習済モデルを用いて、内燃機関を停止させるか否かの判定を出力し、当該出力された判定に基づいて前記内燃機関を制御する、電子制御ユニットと、前記電子制御ユニットと通信可能に構成されたサーバと、を備える、内燃機関の制御システムであって、前記電子制御ユニットは、前記入力パラメータの値及び前記学習済モデルの出力パラメータの実測値を含むデータを取得し、前記データをサーバに送信し、前記サーバは、前記データを受信し、前記データ内の前記入力パラメータの値及び前記出力パラメータの実測値を取得し、当該取得した入力パラメータの値及び出力パラメータの実測値の関係を示すデータセットを作成し、当該作成したデータセットにしたがって前記出力パラメータの実測値を教師データとして前記学習済モデルにおけるニューラルネットワークの重みの学習を行い、当該学習を行った学習済モデルを前記電子制御ユニットに送信し、前記電子制御ユニットは、前記サーバから前記学習を行った学習済モデルを受信し、前記学習を行った学習済モデルによりニューラルネットワークの重みを更新し、前記電子制御ユニットの入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御システム。   (14) When the value of the input parameter is input, a determination as to whether or not to stop the internal combustion engine is output using a learned model using a neural network, and the internal combustion engine is determined based on the output determination. A control system for an internal combustion engine, comprising: an electronic control unit, and a server configured to communicate with the electronic control unit, wherein the electronic control unit includes a value of the input parameter and a value of the learned parameter. Obtaining data including measured values of output parameters of the model, transmitting the data to a server, the server receiving the data, and obtaining the values of the input parameters and the measured values of the output parameters in the data Then, a data set indicating the relationship between the acquired input parameter value and the actually measured value of the output parameter is created, and the created data set is created. Therefore, the weight of the neural network in the trained model is learned using the measured value of the output parameter as teacher data, and the trained model that has performed the learning is transmitted to the electronic control unit. Receiving the trained model from which the learning has been performed, updating the weight of the neural network with the trained model having performed the learning, and input parameters of the electronic control unit, the last change of the lubricating oil of the internal combustion engine. A control system for an internal combustion engine, including at least one of an elapsed time from time and a total operation time of the internal combustion engine.

本開示によれば、アイドリングの停止の可否を適切に判定することが可能となる。   According to the present disclosure, it is possible to appropriately determine whether to stop idling.

図1は、第1の実施形態に係る内燃機関及び内燃機関を制御するECUの概略構成図である。FIG. 1 is a schematic configuration diagram of an internal combustion engine and an ECU that controls the internal combustion engine according to the first embodiment. 図2は、ニューラルネットワークの一例を示す図である。FIG. 2 is a diagram illustrating an example of a neural network. 図3(a)乃至図3(e)は、潤滑油の粘度、潤滑油交換後の経過時間、内燃機関の総運転時間、潤滑油中の燃料量及び油温と、内燃機関のフリクションとの関係をそれぞれ示す図である。3 (a) to 3 (e) show the viscosity of the lubricating oil, the elapsed time after replacing the lubricating oil, the total operating time of the internal combustion engine, the fuel amount and oil temperature in the lubricating oil, and the friction of the internal combustion engine. It is a figure each showing a relationship. 図4は、第1の実施形態において用いられる第1の学習済モデルにおけるニューラルネットワークの一例である。FIG. 4 is an example of a neural network in the first trained model used in the first embodiment. 図5は、第1の実施形態に係る内燃機関の制御装置におけるアイドリングストップ制御の制御ルーチンを説明するためのフローチャートである。FIG. 5 is a flowchart for explaining a control routine of idling stop control in the control device for the internal combustion engine according to the first embodiment. 図6は、第2の実施形態に係る内燃機関の制御装置におけるアイドリングストップ制御の制御ルーチンを説明するためのフローチャートである。FIG. 6 is a flowchart for explaining a control routine of idling stop control in the control device for an internal combustion engine according to the second embodiment. 図7は、第3の実施形態に係る内燃機関の制御装置において内燃機関の潤滑油が交換されたか否かを判定するための制御ルーチンを説明するためのフローチャートである。FIG. 7 is a flowchart for explaining a control routine for determining whether or not the lubricating oil of the internal combustion engine has been changed in the control device for the internal combustion engine according to the third embodiment. 図8は、第4の実施形態に係る制御部の機能ブロック図である。FIG. 8 is a functional block diagram of a control unit according to the fourth embodiment. 図9は、第5の実施形態に係る機械学習システムの概略構成図である。FIG. 9 is a schematic configuration diagram of a machine learning system according to the fifth embodiment.

以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。   Hereinafter, embodiments will be described in detail with reference to the drawings. In the following description, similar components are denoted by the same reference numerals.

<第1の実施形態>
≪内燃機関の構成≫
図1は、第1の実施形態に係る内燃機関100及び内燃機関100を制御する制御装置(電子制御ユニット(ECU)200)の概略構成図である。図1に示されるように、内燃機関100は、機関本体1と、吸気装置20と、排気装置30と、を備える。本実施形態では、内燃機関100は、多気筒内燃機関(図1では1気筒のみ示す)である。
<First embodiment>
≫Configuration of internal combustion engine≫
FIG. 1 is a schematic configuration diagram of an internal combustion engine 100 and a control device (electronic control unit (ECU) 200) that controls the internal combustion engine 100 according to the first embodiment. As shown in FIG. 1, the internal combustion engine 100 includes an engine body 1, an intake device 20, and an exhaust device 30. In the present embodiment, the internal combustion engine 100 is a multi-cylinder internal combustion engine (only one cylinder is shown in FIG. 1).

機関本体1は、シリンダブロック2と、シリンダブロック2の上面に固定されたシリンダヘッド3と、を備える。   The engine body 1 includes a cylinder block 2 and a cylinder head 3 fixed to an upper surface of the cylinder block 2.

シリンダブロック2には、複数のシリンダ4が形成される。各シリンダ4の内部には、燃焼圧力を受けてシリンダ4の内部を往復運動するピストン5が収容されている。シリンダヘッド3の内壁面、シリンダ4の内壁面及びピストン5の冠面によって区画された空間が燃焼室6となる。   A plurality of cylinders 4 are formed in the cylinder block 2. Inside each cylinder 4 is housed a piston 5 which reciprocates inside the cylinder 4 by receiving a combustion pressure. The space defined by the inner wall surface of the cylinder head 3, the inner wall surface of the cylinder 4, and the crown surface of the piston 5 is a combustion chamber 6.

シリンダヘッド3は、吸気ポート7と、排気ポート8と、を有する。シリンダヘッド3には、吸気弁9と、排気弁10と燃料噴射弁11と、点火プラグ12と、が設けられている。   The cylinder head 3 has an intake port 7 and an exhaust port 8. The cylinder head 3 is provided with an intake valve 9, an exhaust valve 10, a fuel injection valve 11, and a spark plug 12.

ピストン5は、コンロッド13を介してクランクシャフト14と連結されている。ピストン5の往復運動は、クランクシャフト14の回転運動に変換される。   The piston 5 is connected to a crankshaft 14 via a connecting rod 13. The reciprocating motion of the piston 5 is converted into a rotational motion of the crankshaft 14.

クランク角センサ14aは、機関回転速度などを算出するための信号として、クランクシャフト14が例えば15°回転する毎に出力パルスを発生する。   The crank angle sensor 14a generates an output pulse each time the crankshaft 14 rotates, for example, by 15 °, as a signal for calculating the engine speed or the like.

スターター15は、クランクシャフト14を駆動させることによって内燃機関100を始動させるセルモーターである。スターター15のロータ軸は、ベルト機構などの周知の動力伝達機構(図示せず)を介してクランクシャフト14と動力伝達可能に接続されている。   The starter 15 is a starter motor that starts the internal combustion engine 100 by driving the crankshaft 14. The rotor shaft of the starter 15 is connected to the crankshaft 14 via a well-known power transmission mechanism (not shown) such as a belt mechanism so that power can be transmitted.

バッテリー16は、スターター15等に電力を供給する。バッテリー16は、内燃機関100の運転時に内燃機関100のクランクシャフト14の動力を電気エネルギーに変換するオルタネータ(図示せず)によって充電される。バッテリー16は、例えば、鉛蓄電池から構成されている。   The battery 16 supplies power to the starter 15 and the like. The battery 16 is charged by an alternator (not shown) that converts the power of the crankshaft 14 of the internal combustion engine 100 into electric energy when the internal combustion engine 100 is operating. The battery 16 is composed of, for example, a lead storage battery.

バッテリーセンサ16aは、バッテリー16の電圧、電流、温度、内部抵抗、容量、充電受入性、残容量(或いは、SOC:State of charge)等を検出する。水温センサ17は、機関本体1を冷却する冷却水の温度を検出する。油温センサ18は、機関本体1の摩擦摺動部を潤滑する潤滑油の温度を検出する。   The battery sensor 16a detects the voltage, current, temperature, internal resistance, capacity, charge acceptability, remaining capacity (or SOC: State of charge) of the battery 16, and the like. Water temperature sensor 17 detects the temperature of cooling water for cooling engine body 1. The oil temperature sensor 18 detects the temperature of the lubricating oil that lubricates the friction sliding portion of the engine body 1.

吸気装置20は、吸気管21と、スロットル弁22と、吸気管21内を流れてシリンダ4内に吸入される空気の流量を検出するエアフローメータ23と、吸気管21を通る吸気温度を検出する吸気温センサ24と、を備える。スロットル弁22は、スロットルアクチュエータ22aによって開閉駆動され、スロットルセンサ22bによってその開度(スロットル開度)が検出される。   The intake device 20 detects an intake pipe 21, a throttle valve 22, an air flow meter 23 that detects a flow rate of air flowing through the intake pipe 21 and drawn into the cylinder 4, and detects an intake air temperature passing through the intake pipe 21. And an intake air temperature sensor 24. The throttle valve 22 is opened and closed by a throttle actuator 22a, and its opening (throttle opening) is detected by a throttle sensor 22b.

排気装置30は、排気管31と、排気管31の途中に設けられ、三元触媒、酸化触媒、NOx触媒等で構成された触媒32と、排気管31を通る排気ガスの空燃比を検出する空燃比センサ33と、を備える。   The exhaust device 30 detects an air-fuel ratio of exhaust gas passing through the exhaust pipe 31 and a catalyst 32 that is provided in the middle of the exhaust pipe 31 and includes a three-way catalyst, an oxidation catalyst, a NOx catalyst, and the like. An air-fuel ratio sensor 33.

ECU200は、双方性バス201によって互いに接続された記憶部210、制御部220、入力部230及び出力部240を備える。   The ECU 200 includes a storage unit 210, a control unit 220, an input unit 230, and an output unit 240 which are connected to each other by the bi-directional bus 201.

記憶部210は、例えばROM(リードオンリメモリ)やRAM(ランダムアクセスメモリ)等を含むことができる。記憶部210は、制御部220による処理に用いられる各種のプログラムや学習済モデル、各種のデータ(例えば、各種パラメータ、教師データ、及び各種閾値など)を記憶する。   The storage unit 210 can include, for example, a ROM (Read Only Memory) and a RAM (Random Access Memory). The storage unit 210 stores various programs and learned models used for processing by the control unit 220, and various data (for example, various parameters, teacher data, various thresholds, and the like).

制御部220は、例えばCPU及びその周辺回路等を有するプロセッサとすることができる。制御部220は、記憶部210に記憶された各種のプログラムを実行することにより車両の各種制御を実行することができる。   The control unit 220 can be, for example, a processor having a CPU and its peripheral circuits. The control unit 220 can execute various controls of the vehicle by executing various programs stored in the storage unit 210.

また、図1に示されるように、制御部220は、判定部221と、機関制御部222と、学習部223と、を含む。制御部220が有するこれらの各部は、制御部220が有するプロセッサ上で実行されるプログラムにより実装される機能モジュールである。   Further, as shown in FIG. 1, control unit 220 includes a determination unit 221, an engine control unit 222, and a learning unit 223. Each of these units included in the control unit 220 is a functional module implemented by a program executed on a processor included in the control unit 220.

入力部230には、クランク角センサ14a、バッテリーセンサ16a、水温センサ17、油温センサ18、スロットルセンサ22b、エアフローメータ23、吸気温センサ24、空燃比センサ33、大気圧を検出する大気圧センサ252などの出力信号が、対応する各AD変換器231を介して入力される。また、入力部230には、機関負荷を検出するための信号として、アクセルペダル251の踏み込み量に比例した出力電圧を発生する負荷センサ251aの出力電圧が、対応するAD変換器231を介して入力される。また、入力部230には、任意の入力デバイスへ入力されたユーザ入力に関する信号が入力される。また、入力部230には、機関回転速度などを算出するための信号として、クランクシャフト14が例えば15°回転する毎に出力パルスを発生するクランク角センサ14aの出力信号が入力される。このように、入力部230には、内燃機関100を制御するために必要な各種センサの出力信号が入力される。   The input unit 230 includes a crank angle sensor 14a, a battery sensor 16a, a water temperature sensor 17, an oil temperature sensor 18, a throttle sensor 22b, an air flow meter 23, an intake air temperature sensor 24, an air-fuel ratio sensor 33, and an atmospheric pressure sensor for detecting atmospheric pressure. Output signals such as 252 are input via the corresponding AD converters 231. The input unit 230 receives, via a corresponding AD converter 231, an output voltage of a load sensor 251 a that generates an output voltage proportional to the amount of depression of an accelerator pedal 251 as a signal for detecting an engine load. Is done. The input unit 230 receives a signal related to a user input input to an arbitrary input device. The input unit 230 receives, as a signal for calculating an engine rotation speed and the like, an output signal of a crank angle sensor 14a that generates an output pulse every time the crankshaft 14 rotates, for example, by 15 °. As described above, the input signals of the various sensors necessary for controlling the internal combustion engine 100 are input to the input unit 230.

出力部240は、対応する駆動回路241を介して、燃料噴射弁11、点火プラグ12、スターター15、スロットルアクチュエータ22aなどの各制御部品に電気的に接続されている。   The output unit 240 is electrically connected to each control component such as the fuel injection valve 11, the ignition plug 12, the starter 15, and the throttle actuator 22a via the corresponding drive circuit 241.

ECU200は、入力部230に入力された各種センサの出力信号に基づいて、各制御部品を制御するための制御信号を出力部240から出力して内燃機関100を制御する。   The ECU 200 controls the internal combustion engine 100 by outputting a control signal for controlling each control component from the output unit 240 based on output signals of various sensors input to the input unit 230.

≪アイドリングストップ制御≫
本実施形態では、ECU200の機関制御部222は、内燃機関100による動力が必要とされていないときに、内燃機関100のアイドリングを自動的に停止させ且つその後自動的に再始動させるアイドリングストップ制御を実行する。このように内燃機関100による動力が不要なときに内燃機関100を停止させることにより、内燃機関100を搭載した車両の燃費を向上させることができる。
≪Idling stop control≫
In the present embodiment, the engine control unit 222 of the ECU 200 performs an idling stop control that automatically stops idling of the internal combustion engine 100 and then automatically restarts the idling when the power from the internal combustion engine 100 is not required. Execute. As described above, by stopping the internal combustion engine 100 when the power from the internal combustion engine 100 is unnecessary, it is possible to improve the fuel efficiency of the vehicle on which the internal combustion engine 100 is mounted.

内燃機関100の動力が不要になるのは、例えば、車両が停止していると共にブレーキペダルが踏み込まれているような状態である。このような状態では、車両を駆動する必要がないため、機関制御部222は、内燃機関100のアイドリングを自動的に停止させる。   The motive power of the internal combustion engine 100 becomes unnecessary when, for example, the vehicle is stopped and the brake pedal is depressed. In such a state, it is not necessary to drive the vehicle, so the engine control unit 222 automatically stops idling of the internal combustion engine 100.

一方、アイドリングストップ制御により内燃機関100が停止されているときに、ブレーキペダルの踏み込みが解除された場合には、車両の駆動が必要になる。したがって、このような場合には、車両を駆動するために、機関制御部222は、内燃機関100を自動的に再始動させる。   On the other hand, when the depression of the brake pedal is released while the internal combustion engine 100 is stopped by the idling stop control, the vehicle needs to be driven. Therefore, in such a case, the engine control unit 222 automatically restarts the internal combustion engine 100 to drive the vehicle.

≪アイドリングストップ制御における問題点≫
ところで、アイドリングストップ制御では、アイドリングの停止可否を判定するに当たり、上述したような車両の走行状態やブレーキペダルの踏み込み量に加えて、バッテリーの残容量を考慮する必要がある。即ち、内燃機関をスターターによって再始動させるに当たっては、スターターに比較的大きな電力を供給することが必要になる。したがって、バッテリーの残容量が少ないにも関わらずアイドリングストップ制御によってアイドリングを停止させてしまうと、内燃機関を再始動させることができなくなってしまう。
問題 Problems in idling stop control≫
By the way, in the idling stop control, in determining whether or not to stop idling, it is necessary to consider the remaining capacity of the battery in addition to the running state of the vehicle and the amount of depression of the brake pedal as described above. That is, when the internal combustion engine is restarted by the starter, it is necessary to supply relatively large electric power to the starter. Therefore, if the idling is stopped by the idling stop control even though the remaining capacity of the battery is small, the internal combustion engine cannot be restarted.

このように内燃機関を再始動できなくなってしまうことを回避するために、アイドリングストップ制御によってアイドリングを停止させる前に内燃機関の再始動に必要な消費電力量を予測すると共に、この予想値が所定の閾値を超えない場合にアイドリングの停止を許可することが考えられる。しかしながら、斯かる消費電力量の予測精度が悪いと、上述した閾値における安全マージンを大きくとる必要がある。そして、このように安全マージンを大きくとってしまうと、アイドリングの停止が許可されにくくなり、よってアイドリングの停止回数を十分に確保できず、結果的に燃費の向上を十分に実現できなくなってしまう。   In order to prevent the internal combustion engine from being unable to be restarted as described above, the amount of power consumption required for restarting the internal combustion engine before idling is stopped by idling stop control, and the predicted value is set to a predetermined value. It is conceivable to permit the stop of idling when the threshold value is not exceeded. However, if the prediction accuracy of the power consumption is poor, it is necessary to increase the safety margin at the above-described threshold. If the safety margin is made large in this way, it is difficult to stop idling, so that the number of times of idling stop cannot be sufficiently secured, and as a result, improvement in fuel efficiency cannot be sufficiently realized.

そこで、本実施形態では、以下で詳細に説明するように、ニューラルネットワークを用いた学習済モデルを用いることにより、内燃機関の再始動に必要な消費電力量に基づいて、アイドリングの停止の可否を適切に判定することができるようにしている。以下、本実施形態について詳細に説明する。   Therefore, in the present embodiment, as described in detail below, by using a learned model using a neural network, it is possible to determine whether to stop idling based on the amount of power consumption required for restarting the internal combustion engine. It is possible to judge appropriately. Hereinafter, the present embodiment will be described in detail.

≪ニューラルネットワークの概要≫
まず、図2を参照して、判定部221において用いられるニューラルネットワークについて説明する。図2は、ニューラルネットワークの一例を示す。図2における丸印は、人工ニューロンを表している。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(本明細書では、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は出力層を各々示す。また、図2において、x1およびx2は入力層(L=1)のノード及びそのノードからの出力値を示し、yは出力層(L=4)の各ノード及びそのノードからの出力値を示す。同様に、隠れ層(L=2)のz1、z2およびz3は隠れ層(L=2)の各ノードからの出力値を示し、隠れ層(L=3)のz1およびz2は隠れ層(L=3)の各ノードからの出力値を示す。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、本実施形態では、出力層のノードの数は1個とされている。
の Overview of Neural Network≫
First, a neural network used in the determination unit 221 will be described with reference to FIG. FIG. 2 shows an example of a neural network. The circles in FIG. 2 represent artificial neurons. In a neural network, this artificial neuron is usually referred to as a node or unit (referred to herein as a node). In FIG. 2, L = 1 indicates an input layer, L = 2 and L = 3 indicate a hidden layer, and L = 4 indicates an output layer. In FIG. 2, x 1 and x 2 indicate nodes in the input layer (L = 1) and output values from the nodes, and y indicates each node in the output layer (L = 4) and the output values from the nodes. Is shown. Similarly, z 1 , z 2 and z 3 of the hidden layer (L = 2) indicate output values from each node of the hidden layer (L = 2), and z 1 and z 2 of the hidden layer (L = 3). Indicates an output value from each node of the hidden layer (L = 3). The number of hidden layers can be one or any number, and the number of nodes in the input layer and the number of nodes in the hidden layer can also be any number. In this embodiment, the number of nodes in the output layer is one.

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x1およびx2が入力される。隠れ層(L=2)の各ノードでは、各々対応する重み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zk(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ukは、次式のようになる(Mは入力層のノードの数)。

Figure 2020041505
At each node of the input layer, the input is output as it is. On the other hand, the output values x 1 and x 2 of each node of the input layer are input to each node of the hidden layer (L = 2). At each node of the hidden layer (L = 2), the total input value u is calculated using the corresponding weight w and bias b. For example, the total input value u k calculated at the node indicated by z k (k = 1, 2, 3) of the hidden layer (L = 2) in FIG. Number of nodes).
Figure 2020041505

次いで、この総入力値ukは、活性化関数fにより変換され、隠れ層(L=2)のzkで示されるノードから、出力値zk(=f(uk))として出力される。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z1、z2およびz3が入力される。隠れ層(L=3)の各ノードでは、各々対応する重み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fにより変換され、隠れ層(L=3)の各ノードから、出力値z1、z2として出力される。なお、本実施形態では、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。 Then, the total input value u k is converted by activation function f, is output from the node indicated by z k of the hidden layer (L = 2), as the output value z k (= f (u k )) . On the other hand, the output values z 1 , z 2 and z 3 of each node of the hidden layer (L = 2) are input to each node of the hidden layer (L = 3). At each node of the hidden layer (L = 3), the total input value u (Σz · w + b) is calculated using the corresponding weight w and bias b. The total input value u is similarly converted by the activation function f, and output as output values z 1 and z 2 from each node of the hidden layer (L = 3). In the present embodiment, a sigmoid function σ is used as the activation function.

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z1およびz2が入力される。出力層のノードでは、各々対応する重み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、各々対応する重みwのみを用いて総入力値u(Σz・w)が算出される。本実施形態では、出力層のノードでは活性化関数として恒等関数が用いられており、したがって、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。 On the other hand, the output values z 1 and z 2 of each node of the hidden layer (L = 3) are input to the nodes of the output layer (L = 4). At the output layer node, the total input value u (uz · w + b) is calculated using the corresponding weight w and the bias b, or the total input value u (Σz · w) is calculated. In the present embodiment, the identity function is used as the activation function at the output layer node. Therefore, the total input value u calculated at the output layer node is directly output from the output layer node as the output value y Is output as

≪ニューラルネットワークにおける学習≫
本実施形態では、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、したがって、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の一つとしている。
≫Learning in neural networks≫
In the present embodiment, the value of each weight w and the value of the bias b in the neural network are learned using the backpropagation method. This backpropagation method is well known, and therefore, the outline of the backpropagation method will be briefly described below. Since the bias b is a kind of the weight w, the bias b is assumed to be one of the weights w in the following description.

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)と表すと、誤差関数Eの重みw(L)による微分、即ち、勾配∂E/∂w(L)は、次の(1)式で示される。

Figure 2020041505
Now, in a neural network as shown in FIG. 2, if the weight at the input value u (L) to the node of each layer of L = 2, L = 3 or L = 4 is represented by w (L) , the error function E The differentiation by the weight w (L) , that is, the gradient ∂E / ∂w (L) is expressed by the following equation (1).
Figure 2020041505

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、次の(2)式で表すことができる。

Figure 2020041505
Here, since z (L-1) · ∂w (L) = ∂u (L) , if (∂E / ∂u (L) ) = δ (L) , the above equation (1) becomes: It can be expressed by the following equation (2).
Figure 2020041505

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、次の(3)式で表すことができる(KはL+1層におけるノードの数)。

Figure 2020041505
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uk (L+1)は、次の(4)式で表すことができる。
Figure 2020041505
Here, if u (L) fluctuates, the error function E fluctuates through a change in the total input value u (L + 1) of the next layer, so δ (L) is expressed by the following equation (3). (K is the number of nodes in the L + 1 layer).
Figure 2020041505
Here, assuming that z (L) = f (u (L) ), the input value u k (L + 1) appearing on the right side of the above equation (3) can be expressed by the following equation (4). .
Figure 2020041505

ここで、上記(3)式の右辺第1項(∂E/∂u(L+1))はδ(L+1)である。上記(3)式の右辺第2項(∂uk (L+1)/∂u(L))は、上記(4)式より、次の(5)式で表すことができる。

Figure 2020041505
Here, the first term on the right side (∂E / ∂u (L + 1) ) of the above equation (3) is δ (L + 1) . Equation (3) of the second term on the right side (∂u k (L + 1) / ∂u (L)) , from equation (4) can be expressed by the following equation (5).
Figure 2020041505

したがって、δ(L)は、上記(3)乃至(5)式より、次の(6)式で表すことができる。

Figure 2020041505
Therefore, δ (L) can be expressed by the following equation (6) from the above equations (3) to (5).
Figure 2020041505

即ち、δ(L+1)が求まると、δ(L)を求めることができる。 That is, once δ (L + 1) is obtained, δ (L) can be obtained.

さて、或る入力値x及びその入力値xに対する正解データtを含む教師データが求められており、この入力値x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=(y−t)2/2で求められる。図2に示される出力層(L=4)のノードでは、出力値y=f(u(L))となるため、この場合には、出力層(L=4)のノードにおけるδ(L)の値は、次の(7)式で示される。

Figure 2020041505
By the way, teacher data including a certain input value x and correct data t for the input value x has been obtained. If the output value from the output layer for this input value x is y, the square error becomes an error function. when being used, the square error E is calculated by E = (y-t) 2 /2. At the node of the output layer (L = 4) shown in FIG. 2, the output value is y = f (u (L) ). In this case, δ (L) at the node of the output layer (L = 4 ) Is given by the following equation (7).
Figure 2020041505

ところで、本実施形態では、前述したように、f(u(L))は恒等関数であるため、f’(u(Ll))=1となる。したがって、δ(L)=y−tとなり、δ(L)を求めることができる。 By the way, in the present embodiment, as described above, since f (u (L) ) is an identity function, f ′ (u (Ll) ) = 1. Therefore, δ (L) = y−t, and δ (L) can be obtained.

δ(L)が求まると、上記(6)式を用いて前層のδ(L-1)を求めることができる。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、上記(2)式から、各重みwについて誤差関数Eの微分、即ち、勾配∂E/∂w(L)を求めることができる。 Once δ (L) is obtained, δ (L-1) of the preceding layer can be obtained using the above equation (6). In this way, the δ of the previous layer is sequentially obtained, and using the values of δ, the differential of the error function E for each weight w, that is, the gradient ∂E / ∂w (L) Can be requested.

勾配∂E/∂w(L)が求められると、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。なお、教師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(8)式で示される二乗和誤差Eが用いられる。ここで、Nは教師データの総数であり、iはN以下の自然数(i=1,2,…,N)であり、yi及びtiは入力値xkiに対する出力値及び正解データをそれぞれ示す。

Figure 2020041505
When the gradient ∂E / ∂w (L) is obtained, the value of the weight w is updated using the gradient ∂E / ∂w (L) so that the value of the error function E decreases. That is, learning of the value of the weight w is performed. When a batch or mini-batch is used as teacher data, a sum-of-squares error E expressed by the following equation (8) is used as the error function E. Here, N is the total number of teacher data, i is a natural number equal to or less than N (i = 1, 2,..., N), and y i and t i are the output value and the correct answer data for the input value x ki , respectively. Show.
Figure 2020041505

一方、二乗誤差を逐次算出して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=(y−t)2/2が用いられる。 On the other hand, if the learning sequentially calculates the square error is carried out, as error function E, the square error E = (y-t) of the above 2/2 is used.

≪具体的な構成例≫
次に、第1の実施形態に係る内燃機関の制御装置の具体的な構成例について説明する。本実施形態に係る内燃機関の制御装置の判定部221は、入力パラメータの値が入力されると、ニューラルネットワークを用いた学習済モデルを用いて、内燃機関を停止させるか否かの判定、すなわちアイドリングの停止可否の判定を出力する。特に本実施形態では、学習済モデルからは内燃機関100の再始動に必要な消費電力量が出力パラメータとして出力される。判定部221は、学習済モデルから出力された消費電力に基づいて、アイドリングの停止可否の判定を実行する。
≪Specific configuration example≫
Next, a specific configuration example of the control device for an internal combustion engine according to the first embodiment will be described. When the value of the input parameter is input, the determination unit 221 of the control device for the internal combustion engine according to the present embodiment determines whether to stop the internal combustion engine using the learned model using the neural network, that is, It outputs a determination of whether or not to stop idling. In particular, in the present embodiment, the power consumption required for restarting the internal combustion engine 100 is output as an output parameter from the learned model. The determination unit 221 determines whether or not to stop idling based on the power consumption output from the learned model.

このようにニューラルネットワークを用いて内燃機関100の再始動に必要な消費電力量を出力する場合には、ニューラルネットワークの入力(すなわち、学習済モデルの入力)として、内燃機関100の再始動に必要な消費電力量に影響を与えるパラメータを多く用いることで、消費電力量の推定精度を高めることができる。   As described above, when the power consumption required for restarting the internal combustion engine 100 is output using the neural network, the power consumption required for restarting the internal combustion engine 100 is input to the neural network (that is, the input of the learned model). By using a large number of parameters that affect the amount of power consumption, the estimation accuracy of the power consumption can be improved.

下記の表1には、本実施形態の判定部221で用いられるニューラルネットワークに入力される入力パラメータの一例が示されている。表1に示される例では、No.1からNo.8までのパラメータ、即ち、内燃機関100の潤滑油を最後に交換した時からの経過時間(以下、「潤滑油交換後の経過時間」という)、内燃機関の総運転時間、潤滑油の粘度グレード、油温、潤滑油中の燃料量、冷却水温、吸気温、大気圧が入力パラメータとして用いられている。また、No.9はニューラルネットワークの出力パラメータを示しており、表1に示される例では、この出力パラメータの値y1は、内燃機関100の再始動に必要な消費電力量である。なお、ディーゼル燃料を用いる場合、セタン価を入力パラメータとしてさらに含めてもよい。

Figure 2020041505
Table 1 below shows an example of input parameters input to the neural network used in the determination unit 221 of the present embodiment. In the example shown in Table 1, the parameters from No. 1 to No. 8, that is, the elapsed time since the last change of the lubricating oil of the internal combustion engine 100 (hereinafter referred to as “elapsed time after lubricating oil change”) ), The total operation time of the internal combustion engine, the viscosity grade of the lubricating oil, the oil temperature, the amount of fuel in the lubricating oil, the cooling water temperature, the intake air temperature, and the atmospheric pressure are used as input parameters. No. 9 indicates an output parameter of the neural network. In the example shown in Table 1, the value y1 of the output parameter is the power consumption required for restarting the internal combustion engine 100. When diesel fuel is used, a cetane number may be further included as an input parameter.
Figure 2020041505

表1に示されるように、No.1からNo.8までの各入力パラメータの値は、x1からx8で示され、出力パラメータの値はy1で示される。なお、以下の説明において、各入力パラメータ自体を、x1からx8で示す場合もある。   As shown in Table 1, the values of the input parameters No. 1 to No. 8 are indicated by x1 to x8, and the values of the output parameters are indicated by y1. In the following description, each input parameter may be represented by x1 to x8.

これら入力パラメータの値x1乃至x8は、いずれも内燃機関の再始動に必要な消費電力量に影響を与えるパラメータであり、以下、その理由について簡単に説明する。   The values x1 to x8 of these input parameters are all parameters that affect the power consumption required for restarting the internal combustion engine, and the reason will be briefly described below.

まず、これら入力パラメータの値x1乃至x8のうち入力パラメータの値x1乃至x5は、図3(a)乃至図3(e)を用いて以下で説明するように、内燃機関のフリクションに影響を与える。内燃機関のフリクションは、内燃機関の再始動に必要なトルクに影響を与えるため、当該トルクを発生させるためにスターター15で消費する電力量にも影響を与える。その結果、入力パラメータの値x1乃至x5は、内燃機関の再始動に必要な消費電力量に影響を与える。   First, among the input parameter values x1 to x8, the input parameter values x1 to x5 affect the friction of the internal combustion engine as described below with reference to FIGS. 3A to 3E. . Since the friction of the internal combustion engine affects the torque required for restarting the internal combustion engine, it also affects the amount of power consumed by the starter 15 to generate the torque. As a result, the input parameter values x1 to x5 affect the power consumption required for restarting the internal combustion engine.

図3(a)乃至図3(e)は、潤滑油の粘度、潤滑油交換後の経過時間、内燃機関の総運転時間、潤滑油中の燃料量及び油温と、内燃機関のフリクションとの関係をそれぞれ示す。   3 (a) to 3 (e) show the viscosity of the lubricating oil, the elapsed time after replacing the lubricating oil, the total operating time of the internal combustion engine, the fuel amount and oil temperature in the lubricating oil, and the friction of the internal combustion engine. The relationships are shown below.

図3(a)に示されるように、内燃機関のフリクションの大きさは潤滑油の粘度の大きさに比例するため、潤滑油の粘度グレードは内燃機関のフリクションに影響を与える。   As shown in FIG. 3A, the magnitude of the friction of the internal combustion engine is proportional to the magnitude of the viscosity of the lubricating oil. Therefore, the viscosity grade of the lubricating oil affects the friction of the internal combustion engine.

図3(b)に示されるように、時間の経過とともに潤滑油が劣化するにつれて内燃機関のフリクションも大きくなる。さらに、図3(b)に示されるように、潤滑油が交換されると、内燃機関の潤滑油が劣化した状態から新しい状態になるため、内燃機関のフリクションが急激に低下する。その後、時間の経過とともに潤滑油が劣化して内燃機関のフリクションが徐々に増大していき、再び潤滑油が交換されると内燃機関のフリクションも急激に低下する。したがって、潤滑油を交換してからの経過時間は、内燃機関のフリクションに影響を与える。   As shown in FIG. 3B, as the lubricating oil deteriorates with time, the friction of the internal combustion engine also increases. Further, as shown in FIG. 3B, when the lubricating oil is replaced, the lubricating oil of the internal combustion engine changes from a deteriorated state to a new state, so that the friction of the internal combustion engine sharply decreases. Thereafter, as the time elapses, the lubricating oil deteriorates and the friction of the internal combustion engine gradually increases. When the lubricating oil is replaced again, the friction of the internal combustion engine also sharply decreases. Therefore, the elapsed time after the replacement of the lubricating oil affects the friction of the internal combustion engine.

図3(c)に示されるように、内燃機関の総運転時間は、内燃機関の摩耗状態に影響する。内燃機関の使用開始直後においては、内燃機関はその製造時のバリなどによりそのフリクションが大きい状態であるが、その運転によってバリが摺合うことにより接触が減っていくため、その運転に伴い内燃機関のフリクションは徐々に小さくなっていく。その後、運転時間が大きくなっていくと、例えばシリンダブロック2の内側に形成された潤滑油を保持するための溝(図1では図示せず)が摩耗することによりシリンダブロック2の内側面で油膜を保持できないこと等により、内燃機関のフリクションが大きくなっていく。したがって、内燃機関の運転時間は、内燃機関のフリクションに影響を与える。   As shown in FIG. 3C, the total operation time of the internal combustion engine affects the wear state of the internal combustion engine. Immediately after the start of use of the internal combustion engine, the internal combustion engine is in a state of large friction due to burrs and the like at the time of its manufacture, but the operation reduces the contact due to sliding of the burrs. Friction gradually decreases. Thereafter, as the operation time increases, for example, a groove (not shown in FIG. 1) formed inside the cylinder block 2 for retaining lubricating oil wears out, and an oil film is formed on the inner surface of the cylinder block 2. For example, the friction of the internal combustion engine increases due to the inability to maintain the pressure. Therefore, the operation time of the internal combustion engine affects the friction of the internal combustion engine.

また、図3(d)に示されるように、潤滑油が燃料で希釈されて潤滑油中の燃料量が多くなると、その粘度も小さくなるため、潤滑油中の燃料量は内燃機関のフリクションに影響を与える。さらに、図3(e)に示されるように、油温が大きくなると、潤滑油の粘度は小さくなるため、油温は内燃機関のフリクションに影響を与える。   Further, as shown in FIG. 3 (d), when the lubricating oil is diluted with fuel and the amount of fuel in the lubricating oil increases, the viscosity also decreases, so that the amount of fuel in the lubricating oil is reduced by the friction of the internal combustion engine. Affect. Further, as shown in FIG. 3E, as the oil temperature increases, the viscosity of the lubricating oil decreases, so that the oil temperature affects the friction of the internal combustion engine.

このように、入力パラメータの値x1乃至x5は、内燃機関のフリクションに影響を与えるため、内燃機関の再始動に必要な消費電力量に影響を与える。   As described above, since the input parameter values x1 to x5 affect the friction of the internal combustion engine, they affect the power consumption required for restarting the internal combustion engine.

次に、入力パラメータの値x1乃至x8のうち入力パラメータの値x6乃至x8が内燃機関の再始動に必要な消費電力量に影響を与える理由を説明する。冷却水温x6はシリンダ壁温に影響を与え、吸気温x7はシリンダ内ガス温度に影響を与え、大気圧x8は燃焼室6内の圧縮端温度に影響を与える。したがって、これらの入力パラメータの値x6乃至x8は、いずれも機関本体の温度に影響を与えるため、燃料の着火性に影響を与える。なお、セタン価は、ディーゼル燃料の着火性を示すため、燃料の着火性に影響を与える。   Next, the reason why the input parameter values x6 to x8 among the input parameter values x1 to x8 affect the power consumption required for restarting the internal combustion engine will be described. The cooling water temperature x6 affects the cylinder wall temperature, the intake air temperature x7 affects the cylinder gas temperature, and the atmospheric pressure x8 affects the compression end temperature in the combustion chamber 6. Therefore, the values x6 to x8 of these input parameters all affect the temperature of the engine body, and thus affect the ignitability of the fuel. Note that the cetane number indicates the ignitability of diesel fuel and thus affects the ignitability of fuel.

内燃機関を再始動させるためには、内燃機関で完爆が生じるまでスターター15を駆動する必要があるが、燃焼室6内での燃料の着火性が悪いと、内燃機関で完爆が生じるまでの時間が長くなるため、その分だけ内燃機関の停止から内燃機関の完爆時までにスターター15で消費する電力量も大きくなる。したがって、燃焼室6内での燃料の着火性は、内燃機関の再始動に必要な消費電力量に影響を与える。   In order to restart the internal combustion engine, it is necessary to drive the starter 15 until a complete explosion occurs in the internal combustion engine. However, if the ignitability of the fuel in the combustion chamber 6 is poor, the starter 15 may be driven until a complete explosion occurs in the internal combustion engine. Since the time is longer, the amount of power consumed by the starter 15 from the stop of the internal combustion engine to the complete explosion of the internal combustion engine also increases. Therefore, the ignitability of the fuel in the combustion chamber 6 affects the power consumption required for restarting the internal combustion engine.

なお、ニューラルネットワークへの入力パラメータ(すなわち、判定部221への入力パラメータ)は必ずしも上述したx1乃至x8の全てのパラメータを含んでいる必要は無く、これらパラメータのうち一部のみを含んでいても良い。しかしながら、このような場合であっても、ニューラルネットワークへの入力パラメータは、内燃機関100の潤滑油交換後の経過時間と内燃機関100の総運転時間との少なくともいずれか一方を含む。このような、内燃機関の再始動に必要な消費電力量に影響を与えつつも従来用いられていない入力パラメータを用いることにより、高い精度で出力パラメータである内燃機関の再始動に必要な消費電力量を出力することが可能となる。また、上述したような場合であっても、粘度グレードの内燃機関の再始動に必要な消費電力量への影響が大きいことから、ニューラルネットワークへの入力パラメータは、粘度グレートを含んでいることが好ましい。   Note that the input parameters to the neural network (that is, the input parameters to the determination unit 221) do not necessarily need to include all the parameters x1 to x8 described above, and may include only some of these parameters. good. However, even in such a case, the input parameters to the neural network include at least one of the elapsed time after the replacement of the lubricating oil of the internal combustion engine 100 and the total operation time of the internal combustion engine 100. By using input parameters that are not conventionally used while affecting the power consumption required for restarting the internal combustion engine, the power consumption required for restarting the internal combustion engine, which is an output parameter with high accuracy, It is possible to output the quantity. In addition, even in the case described above, since the influence on the power consumption required for restarting the internal combustion engine of the viscosity grade is large, the input parameter to the neural network may include the viscosity great. preferable.

また、各入力パラメータの値x1乃至x8は、例えば、表1に示された取得方法にて取得される。即ち、表1に示されるように、潤滑油交換後の経過時間x1は、ECU200において潤滑油の交換時からの経過時間を計数することにより算出された算出値から取得される。潤滑油交換後の経過時間の計数開始時となる潤滑油の交換時は、例えば、任意の入力デバイスを介した入力部230へのユーザ入力により定めることができる。内燃機関の総運転時間x2は、ECU200において内燃機関100の運転時間を計数することにより算出された算出値から取得される。潤滑油の粘度グレードx3は、任意の入力デバイスを介した入力部230へのユーザ入力から取得される。油温x4は、油温センサ18の出力値から取得される。潤滑油中の燃料量x5は、例えば空燃比センサ33の出力値から公知の方法を用いてECU200において算出された算出値から取得される。冷却水温x6は、水温センサ17の出力値から取得され、吸気温x7は、吸気温センサ24の出力値から取得され、大気圧x8は、大気圧センサ252の出力値から取得される。セタン価を入力パラメータとして用いる場合、セタン価は、任意の入力デバイスを介した入力部230へのユーザ入力や公知の算出方法によるECU200における算出値から取得される。なお、表1に示される各パラメータの値の取得方法は一例を示しており、表1に示される各パラメータの値は、他の方法によっても取得することもできる。   In addition, the values x1 to x8 of the input parameters are obtained by, for example, the obtaining methods shown in Table 1. That is, as shown in Table 1, the elapsed time x1 after the replacement of the lubricating oil is obtained from a calculated value calculated by counting the elapsed time since the replacement of the lubricating oil in the ECU 200. At the time of replacing the lubricating oil, which is the time to start counting the elapsed time after replacing the lubricating oil, for example, it can be determined by a user input to the input unit 230 via an arbitrary input device. The total operation time x2 of the internal combustion engine is obtained from a value calculated by counting the operation time of the internal combustion engine 100 in the ECU 200. The viscosity grade x3 of the lubricating oil is obtained from a user input to the input unit 230 via an arbitrary input device. The oil temperature x4 is obtained from the output value of the oil temperature sensor 18. The fuel amount x5 in the lubricating oil is obtained from a value calculated by the ECU 200 from the output value of the air-fuel ratio sensor 33 using a known method, for example. The cooling water temperature x6 is obtained from the output value of the water temperature sensor 17, the intake air temperature x7 is obtained from the output value of the intake air temperature sensor 24, and the atmospheric pressure x8 is obtained from the output value of the atmospheric pressure sensor 252. When a cetane number is used as an input parameter, the cetane number is obtained from a user input to the input unit 230 via an arbitrary input device or a value calculated by the ECU 200 using a known calculation method. Note that the method of acquiring the values of the parameters shown in Table 1 is merely an example, and the values of the parameters shown in Table 1 can also be acquired by other methods.

図4は、本実施形態において判定部221で用いられる第1の学習済モデルにおけるニューラルネットワークの一例である。以下、判定部221で用いられる学習済モデルを第1の学習済モデルとする。図4に示される第1の学習済モデルにおけるニューラルネットワークでは、上述したx1乃至x8を入力パラメータとして、ニューラルネットワークの出力値である内燃機関の再始動に必要な消費電力量y1を出力している。本実施形態では、ニューラルネットワークは、P層(Pは3以上の任意の整数)で構成され、各隠れ層におけるノード数は任意の個数とすることができる。また、図4に示される第1の学習済モデルにおけるニューラルネットワークにおいては、入力層(L=1)は、8つの入力パラメータに対応して8個のノードを有しているが、入力パラメータの数に応じて8以外の任意の個数のノードを有していてもよい。   FIG. 4 is an example of a neural network in the first learned model used in the determination unit 221 in the present embodiment. Hereinafter, the learned model used in the determination unit 221 is referred to as a first learned model. The neural network in the first learned model shown in FIG. 4 outputs the power consumption y1 required for restarting the internal combustion engine, which is the output value of the neural network, using the above-mentioned x1 to x8 as input parameters. . In this embodiment, the neural network is composed of P layers (P is an arbitrary integer of 3 or more), and the number of nodes in each hidden layer can be an arbitrary number. In the neural network in the first trained model shown in FIG. 4, the input layer (L = 1) has eight nodes corresponding to eight input parameters. Any number of nodes other than eight may be provided according to the number.

次に、本実施形態においてECU200が実施する制御について説明する。図5は、第1の実施形態に係る内燃機関の制御装置におけるアイドリングの停止可否判定の制御ルーチンを説明するためのフローチャートである。本制御ルーチンのフローは、制御部220のプロセッサが、記憶部210に記憶されているプログラムを実行することにより実現される。   Next, control performed by the ECU 200 in the present embodiment will be described. FIG. 5 is a flowchart illustrating a control routine for determining whether or not to stop idling in the control device for an internal combustion engine according to the first embodiment. The flow of this control routine is realized by the processor of the control unit 220 executing a program stored in the storage unit 210.

まず、ステップS501において、判定部221が、所定のアイドリング停止条件が成立しているかどうかを判定する。所定のアイドリング停止条件は、例えば、車速が0km/h、エンジン回転数が1200rpm未満及びブレーキペダルの踏み込み量が一定量以上であるような場合に成立する。ただし、この所定のアイドリング停止条件は、例えば冷却水温や大気圧の条件等、本実施形態においてニューラルネットワークに入力されるパラメータに関する条件を含まない。   First, in step S501, the determination unit 221 determines whether a predetermined idling stop condition is satisfied. The predetermined idling stop condition is satisfied, for example, when the vehicle speed is 0 km / h, the engine speed is less than 1200 rpm, and the depression amount of the brake pedal is a certain amount or more. However, the predetermined idling stop condition does not include a condition relating to a parameter input to the neural network in the present embodiment, such as a condition of a cooling water temperature or an atmospheric pressure.

ステップS501において所定のアイドリング停止条件が成立していないと判定された場合、制御ルーチンはステップS502へと進む。ステップS502では、機関制御部222が内燃機関100を停止せずに運転を継続するように内燃機関100を制御する。   If it is determined in step S501 that the predetermined idling stop condition is not satisfied, the control routine proceeds to step S502. In step S502, the engine control unit 222 controls the internal combustion engine 100 so as to continue operation without stopping the internal combustion engine 100.

ステップS501において所定のアイドリング停止条件が成立していると判定された場合、制御ルーチンはステップS503へと進む。ステップS503では、判定部221に、各種入力パラメータの値が入力されると共に、判定部221の第1の学習済モデルから内燃機関100の再始動に必要な消費電力量が出力される。各種入力パラメータの値は、上述した表1に示した方法によって取得される。   If it is determined in step S501 that the predetermined idling stop condition is satisfied, the control routine proceeds to step S503. In step S <b> 503, the values of various input parameters are input to the determination unit 221, and the power consumption required for restarting the internal combustion engine 100 is output from the first learned model of the determination unit 221. The values of the various input parameters are obtained by the method shown in Table 1 described above.

次に、ステップS504で、判定部221は、ステップS503において出力された消費電力量が第1の閾値以下であるか否かを判定する。ここで、第1の閾値は、判定部221がバッテリーセンサ16aから出力されるバッテリー16の残容量に基づいて算出される。第1の閾値は、例えば、内燃機関100の確実な再始動を実現するために、そのときのバッテリー16の残容量以下の値とされる。   Next, in step S504, the determination unit 221 determines whether the power consumption output in step S503 is equal to or less than a first threshold. Here, the first threshold value is calculated based on the remaining capacity of the battery 16 output from the battery sensor 16a by the determination unit 221. The first threshold value is set to a value equal to or less than the remaining capacity of the battery 16 at that time, for example, in order to reliably restart the internal combustion engine 100.

ステップS504において消費電力量が第1の閾値以下ではないと判定された場合、制御ルーチンはステップS505へと進む。ステップS505では、判定部221は、内燃機関100を停止させない旨の判定を出力する。その後、ステップS502で、機関制御部222は、当該停止させない旨の判定に基づいて、内燃機関100を停止せずに運転を継続するように内燃機関100を制御する。   If it is determined in step S504 that the power consumption is not equal to or smaller than the first threshold, the control routine proceeds to step S505. In step S505, the determination unit 221 outputs a determination that the internal combustion engine 100 is not to be stopped. Thereafter, in step S502, the engine control unit 222 controls the internal combustion engine 100 so as to continue operation without stopping the internal combustion engine 100 based on the determination that the internal combustion engine 100 is not to be stopped.

一方、ステップS504において消費電力量が第1の閾値以下であると判定された場合、ステップS506で、判定部221は、内燃機関100を停止させる旨の判定を出力する。その後、ステップS507で、機関制御部222は、当該停止させる旨の判定に基づいて、内燃機関100を停止するように内燃機関100を制御する。   On the other hand, when it is determined in step S504 that the power consumption is equal to or less than the first threshold, in step S506, the determination unit 221 outputs a determination to stop the internal combustion engine 100. Thereafter, in step S507, the engine control unit 222 controls the internal combustion engine 100 to stop based on the determination to stop.

以上により、本制御ルーチンは終了する。   Thus, the present control routine ends.

ここで、第1の学習済モデルに用いられるニューラルネットワークの重みの学習は、車両の出荷前に行うことができる。例えば、車両の出荷前に、外部のコンピュータが、上述した入力パラメータx1乃至x8をそれぞれ様々な値に変更して、アイドリングの停止から内燃機関の再始動を繰り返すことにより、各再始動時の各入力パラメータの値と、各入力パラメータの値に対する再始動時の出力パラメータの正解データtiとを含むN個の教師データを作成する。ここで、上述したようにNは教師データの総数であってi=1,2,…,Nであり、本実施形態における正解データtは内燃機関の再始動に用いられた消費電力量の実測値である。そして、上述したように、外部のコンピュータが、各教師データ毎に、ニューラルネットワークの出力パラメータの値y1iと対応する各正解データtiとの二乗誤差Eの値が減少するように、ニューラルネットワークの重みwの値の学習を行うことにより、第1の学習済モデルを作成する。車両のECU200では、このようにして学習された第1の学習済モデル(重みやバイアスのデータ)が記憶部210に記憶される。 Here, the learning of the weight of the neural network used for the first learned model can be performed before shipping the vehicle. For example, before shipment of the vehicle, an external computer changes the input parameters x1 to x8 described above to various values, and repeats the restart of the internal combustion engine from the stop of idling, so that each time of each restart. N teacher data including the input parameter values and the correct answer data t i of the output parameters at the time of restart for each input parameter value is created. Here, as described above, N is the total number of teacher data and i = 1, 2,..., N, and the correct answer data t in the present embodiment is the actual measurement of the power consumption used for restarting the internal combustion engine. Value. Then, as described above, the external computer sets the neural network so that the value of the square error E between the output parameter value y1 i of the neural network and the corresponding correct data t i decreases for each teacher data. The first learned model is created by learning the value of the weight w. In the vehicle ECU 200, the first learned model (weight and bias data) learned in this way is stored in the storage unit 210.

また、学習部223は、車両の運転中に出力された各出力パラメータの値y1と、その出力後に実際に取得された各正解データtKを含むN個の教師データとを用いて、二乗誤差Eを算出してEの値が減少するようにニューラルネットワークの重みwの値の学習を行うことにより、記憶部210において第1の学習済モデルを更新してもよい。このとき、内燃機関の再始動に実際に用いられた消費電力量y1の実測値(正解データ)は、表1に示されるように、バッテリーセンサ16aの出力値から取得される。なお、車両の運転中に学習を行わない場合には、ECU200は学習部223を含まなくてもよい。 Further, the learning unit 223 uses the value y1 of each output parameter output during driving of the vehicle and the N pieces of teacher data including the correct answer data t K actually obtained after the output, to calculate a square error. The first learned model may be updated in the storage unit 210 by calculating E and learning the value of the weight w of the neural network so that the value of E decreases. At this time, the actual measurement value (correct data) of the power consumption amount y1 actually used for restarting the internal combustion engine is obtained from the output value of the battery sensor 16a as shown in Table 1. If learning is not performed during driving of the vehicle, ECU 200 may not include learning unit 223.

以上、本実施形態によると、内燃機関の再始動に必要な消費電力量を高い精度で推定することが可能となるため、アイドリングの停止可否判定を高い精度で実行することが可能となる。それにより、アイドリングの停止条件を緩和することができ、よって停止条件が成立し易くなることから、十分なアイドリングの停止回数を確保でき、よって燃費の向上を実現することが可能となる。   As described above, according to the present embodiment, it is possible to estimate the amount of power consumption required for restarting the internal combustion engine with high accuracy, and thus it is possible to execute the determination whether to stop idling with high accuracy. As a result, the idling stop condition can be relaxed, and the stop condition can be easily satisfied. Therefore, a sufficient number of times of idling stop can be secured, and therefore, an improvement in fuel efficiency can be realized.

なお、入力パラメータである内燃機関の総運転時間の代わりに、内燃機関の総運転時間が長くなるほど大きくなる他のパラメータ(例えば、車両の総走行距離)を用いてもよい。以下の実施形態でも同様である。   Note that instead of the total operating time of the internal combustion engine, which is an input parameter, another parameter (for example, the total traveling distance of the vehicle) that increases as the total operating time of the internal combustion engine increases may be used. The same applies to the following embodiments.

<第2の実施形態>
次に、第2の実施形態に係る内燃機関の制御装置について説明する。第2の実施形態に係る内燃機関の制御装置の構成は、基本的に第1の実施形態に係る内燃機関の制御装置の構成と同様である。以下では、第1の実施形態に係る内燃機関の制御装置の構成と異なる部分を中心に説明する。
<Second embodiment>
Next, a control device for an internal combustion engine according to a second embodiment will be described. The configuration of the control device for the internal combustion engine according to the second embodiment is basically the same as the configuration of the control device for the internal combustion engine according to the first embodiment. In the following, a description will be given mainly of parts different from the configuration of the control device for the internal combustion engine according to the first embodiment.

本実施形態では、ニューラルネットワークを用いた第1の学習済モデルを用いて、内燃機関の停止可否の判定を出力する。本実施形態では、ニューラルネットワークの出力層の活性化関数としてシグモイド関数を用いる。なお、本実施形態では、ECU200は学習部223を含まなくてもよい。   In the present embodiment, a determination as to whether or not to stop the internal combustion engine is output using a first learned model using a neural network. In the present embodiment, a sigmoid function is used as an activation function of the output layer of the neural network. In the present embodiment, the ECU 200 may not include the learning unit 223.

下記の表2には、本実施形態の判定部221で用いられるニューラルネットワークに入力される入力パラメータの一例が示されている。表2に示される例では、第1の実施形態で上述した入力パラメータに加え、バッテリー16の残容量が入力パラメータとして用いられている。また、No.10は出力パラメータを示しており、表2に示される例では、この出力パラメータの値y2は、内燃機関の停止可否の判定に関する数値である。上述したように、本実施形態では、ニューラルネットワークの出力層の活性化関数としてシグモイド関数を用いるため、例えば、第1の学習済モデルから出力された出力パラメータが0.5以上(y2≧0.5)である場合には、判定部221が内燃機関を停止する旨の判定を出力することになる。逆に、第1の学習済モデルから出力された出力パラメータが0.5未満(y2<0.5)である場合には、判定部221が内燃機関を停止しない旨の判定を出力することになる。   Table 2 below shows an example of input parameters input to the neural network used in the determination unit 221 of the present embodiment. In the example shown in Table 2, in addition to the input parameters described in the first embodiment, the remaining capacity of the battery 16 is used as an input parameter. In addition, No. 10 indicates an output parameter, and in the example shown in Table 2, the value y2 of the output parameter is a numerical value related to determination of whether or not to stop the internal combustion engine. As described above, in the present embodiment, since the sigmoid function is used as the activation function of the output layer of the neural network, for example, the output parameter output from the first learned model is 0.5 or more (y2 ≧ 0. In the case of 5), the determination unit 221 outputs a determination to stop the internal combustion engine. Conversely, when the output parameter output from the first learned model is less than 0.5 (y2 <0.5), the determination unit 221 outputs a determination that the internal combustion engine is not stopped. Become.

Figure 2020041505
Figure 2020041505

バッテリーの残容量x9は、表2に示されたように、バッテリーセンサ16aの出力値から取得される。なお、バッテリーの残容量x9は、他の方法によっても取得されてもよい。また、他の入力パラメータの値x1乃至x8については、第1の実施形態において上述したような方法で取得される。   The remaining battery capacity x9 is obtained from the output value of the battery sensor 16a as shown in Table 2. The remaining capacity x9 of the battery may be obtained by another method. The values x1 to x8 of the other input parameters are obtained by the method described above in the first embodiment.

入力パラメータの値x1乃至x9が内燃機関の停止可否の判定y2に影響を与える理由について説明する。上述したように、入力パラメータの値x1乃至x8は、内燃機関の再始動に必要な消費電力量に影響する。加えて、内燃機関の停止可否の判定は、内燃機関の再始動に必要な消費電力量及びバッテリーの残容量x9の影響を受ける。したがって、これら入力パラメータx1乃至x9は、内燃機関の停止可否の判定y2に影響を与える。   The reason why the values x1 to x9 of the input parameters affect the determination y2 of whether or not to stop the internal combustion engine will be described. As described above, the values x1 to x8 of the input parameters affect the power consumption required for restarting the internal combustion engine. In addition, the determination of whether or not to stop the internal combustion engine is affected by the amount of power consumed and the remaining battery capacity x9 required to restart the internal combustion engine. Therefore, these input parameters x1 to x9 affect the determination y2 of whether or not to stop the internal combustion engine.

ここで、入力パラメータは、内燃機関100の潤滑油交換後の経過時間と内燃機関100の総運転時間との少なくともいずれか一方を含む。このような内燃機関の停止可否の判定に影響を与えつつも従来用いられていない入力パラメータを用いることにより、高い精度で出力パラメータである内燃機関の停止可否の判定を出力することが可能となる。   Here, the input parameter includes at least one of an elapsed time after the replacement of the lubricating oil of the internal combustion engine 100 and a total operation time of the internal combustion engine 100. By using an input parameter that has not been conventionally used while affecting the determination of whether or not to stop the internal combustion engine, it is possible to output the determination of whether or not to stop the internal combustion engine, which is an output parameter, with high accuracy. .

図6は、第2の実施形態に係る内燃機関の制御装置におけるアイドリングストップ制御の制御ルーチンを説明するためのフローチャートである。本制御ルーチンのフローは、制御部220が有するプロセッサが、記憶部210に記憶されているプログラムを実行することにより実現される。   FIG. 6 is a flowchart for explaining a control routine of idling stop control in the control device for an internal combustion engine according to the second embodiment. The flow of this control routine is realized when the processor of the control unit 220 executes a program stored in the storage unit 210.

まず、ステップS601で、判定部221は、所定のアイドリング停止条件を満たしているかどうかを判定する。ステップS601で所定のアイドリング停止条件を満たしていないと判定された場合、ステップS602で、機関制御部222は内燃機関100を停止せずに運転を継続するように内燃機関100を制御する。   First, in step S601, the determination unit 221 determines whether a predetermined idling stop condition is satisfied. If it is determined in step S601 that the predetermined idling stop condition is not satisfied, in step S602, the engine control unit 222 controls the internal combustion engine 100 so as to continue operation without stopping the internal combustion engine 100.

ステップS601で所定のアイドリング停止条件を満たしていると判定された場合、制御ルーチンはステップS603へと進む。ステップS603では、判定部221に各種入力パラメータの値が入力されると共に、判定部221の第1の学習済モデルから内燃機関100を停止させるか否かの判定が出力される。ステップS603で内燃機関100を停止させない旨の判定が出力された場合、制御ルーチンはステップS602へと進み、機関制御部222が、内燃機関100を停止せずに運転を継続するように内燃機関100を制御する。   If it is determined in step S601 that the predetermined idling stop condition is satisfied, the control routine proceeds to step S603. In step S603, the values of various input parameters are input to the determination unit 221 and a determination as to whether to stop the internal combustion engine 100 is output from the first learned model of the determination unit 221. If it is determined in step S603 that the internal combustion engine 100 is not to be stopped, the control routine proceeds to step S602, and the engine control unit 222 causes the internal combustion engine 100 to continue operating without stopping the internal combustion engine 100. Control.

ステップS602で内燃機関100を停止させる旨の判定が出力された場合、制御ルーチンはステップS604へと進む。ステップS604では、機関制御部222が、内燃機関100を停止するように内燃機関100を制御する。   When a determination to stop the internal combustion engine 100 is output in step S602, the control routine proceeds to step S604. In step S604, the engine control unit 222 controls the internal combustion engine 100 to stop the internal combustion engine 100.

以上により、本制御ルーチンは終了する。   Thus, the present control routine ends.

本実施形態では、第1の学習済モデルに用いられるニューラルネットワークの重みの学習は、車両の出荷前に行うことができる。例えば、車両の出荷前に、外部のコンピュータが、上述した入力パラメータの値x1乃至x9をそれぞれ様々な値に変更して、アイドリングの停止から内燃機関の再始動を繰り返すことにより、各再始動時の各入力パラメータの値と、各再始動時の各入力パラメータの値に対する各正解データtiとを含むN個の教師データを作成する。ここで、上述したようにNは教師データの総数であってi=1,2,…,Nであり、本実施形態における正解データtは内燃機関が実際に再始動に再始動したか否かを示すラベルである。本実施形態では、誤差関数として、次の式(9)に示す交差エントロピー誤差を用いる。

Figure 2020041505
In the present embodiment, the learning of the weight of the neural network used for the first learned model can be performed before the vehicle is shipped. For example, before shipment of the vehicle, an external computer changes the values x1 to x9 of the input parameters described above to various values, and repeats the restart of the internal combustion engine from the stop of idling, so that at each restart, , And N pieces of teacher data including the correct answer data t i for each input parameter value at each restart. Here, as described above, N is the total number of teacher data and i = 1, 2,..., N, and the correct answer data t in the present embodiment is whether or not the internal combustion engine was actually restarted. Is a label indicating In the present embodiment, a cross entropy error represented by the following equation (9) is used as an error function.
Figure 2020041505

そして、外部のコンピュータは、各教師データ毎に、ニューラルネットワークの出力パラメータの値y2iと対応する正解データtiとから算出される交差エントロピー誤差Eの値が減少するように、ニューラルネットワークの重みwの値の学習を行うことにより、第1の学習済モデルを作成する。車両のECU200では、このようにして学習された第1の学習済モデル(重みやバイアスのデータ)が記憶部210に記憶される。 The external computer calculates the weight of the neural network such that the value of the cross entropy error E calculated from the value y2 i of the output parameter of the neural network and the corresponding correct data t i decreases for each teacher data. By learning the value of w, a first learned model is created. In the vehicle ECU 200, the first learned model (weight and bias data) learned in this way is stored in the storage unit 210.

本実施形態によると、ニューラルネットワークを用いた第1の学習済モデルを用いて内燃機関の停止可否の判定を出力するため、アイドリングの停止可否判定を高い精度で実行することが可能となる。それにより、アイドリングの停止条件を緩和することができ、よって停止条件が成立し易くなることから、十分なアイドリングの停止回数を確保でき、よって燃費の向上を実現することが可能となる。   According to the present embodiment, the determination as to whether or not to stop the internal combustion engine is output using the first learned model using the neural network, so that the determination as to whether or not to stop idling can be performed with high accuracy. As a result, the idling stop condition can be relaxed, and the stop condition can be easily satisfied. Therefore, a sufficient number of times of idling stop can be secured, and therefore, an improvement in fuel efficiency can be realized.

<第3の実施形態>
次に、第3の実施形態に係る内燃機関の制御装置について説明する。第3の実施形態に係る内燃機関の制御装置の構成は、基本的に第1の実施形態に係る内燃機関の制御装置の構成と同様である。以下では、第1の実施形態に係る内燃機関の制御装置の構成と異なる部分を中心に説明する。
<Third embodiment>
Next, a control device for an internal combustion engine according to a third embodiment will be described. The configuration of the control device for the internal combustion engine according to the third embodiment is basically the same as the configuration of the control device for the internal combustion engine according to the first embodiment. In the following, a description will be given mainly of parts different from the configuration of the control device for the internal combustion engine according to the first embodiment.

本実施形態では、以下に説明するように、判定部221は、上記第1の実施形態に係る第1の学習済モデルの出力パラメータの値に基づいて、内燃機関の潤滑油が交換されたか否かの判定をすることができる。だだし、本実施形態では、第1の学習済モデルの入力パラメータである潤滑油交換後の経過時間を算出する際の潤滑油の交換時は、第1の実施形態のようにユーザ入力に応答して定められるのではなく、判定部221において内燃機関の潤滑油が交換されたと前回判定された時とされる。   In the present embodiment, as described below, the determination unit 221 determines whether or not the lubricating oil of the internal combustion engine has been changed based on the value of the output parameter of the first learned model according to the first embodiment. Can be determined. However, in the present embodiment, when the lubricating oil is exchanged when calculating the elapsed time after the lubricating oil exchange, which is an input parameter of the first learned model, a response to a user input is made as in the first embodiment. Instead, it is determined that the determination unit 221 previously determined that the lubricant of the internal combustion engine has been replaced.

ここで、潤滑油を交換すると、図3(b)を用いて上述したように、内燃機関のフリクションが急激に減少するため、内燃機関の再始動に用いられた消費電力量の実測値は急激に減少する。一方で、潤滑油の交換があった場合でも、内燃機関の潤滑油が交換された旨の判定がされない限り入力パラメータである潤滑油交換後の経過時間は0にリセットされずに計数を続ける。そのため、第1の学習済モデルでは、潤滑油の交換による内燃機関のフリクションの減少が反映されないことから、第1の学習済モデルから出力される内燃機関の再始動に必要な消費電力量(以下、「消費電力量の予測値」という)はほとんど変化しない。その結果、潤滑油の交換直後では、消費電力量の予測値と実測値との差は大きくなる。本実施形態では、これを利用して、内燃機関の潤滑油が交換されたか否かを判定する。   Here, when the lubricating oil is changed, the friction value of the internal combustion engine sharply decreases as described above with reference to FIG. 3B, so that the actually measured value of the power consumption used for restarting the internal combustion engine becomes sharp. To decrease. On the other hand, even when the lubricating oil has been changed, the elapsed time after the change of the lubricating oil, which is an input parameter, is not reset to 0 and continues counting unless it is determined that the lubricating oil of the internal combustion engine has been changed. For this reason, the first learned model does not reflect the reduction in friction of the internal combustion engine due to the replacement of the lubricating oil, and therefore the power consumption (hereinafter referred to as the power consumption required for restarting the internal combustion engine output from the first learned model). , "The predicted value of power consumption") hardly changes. As a result, immediately after the replacement of the lubricating oil, the difference between the predicted value and the measured value of the power consumption becomes large. In the present embodiment, this is used to determine whether or not the lubricating oil of the internal combustion engine has been replaced.

図7は、第3の実施形態に係る内燃機関の制御装置において内燃機関の潤滑油が交換されたか否かを判定するための制御ルーチンを説明するためのフローチャートである。本制御ルーチンのフローは、制御部220が有するプロセッサが、記憶部210に記憶されているプログラムを実行することにより実現される。   FIG. 7 is a flowchart for explaining a control routine for determining whether or not the lubricating oil of the internal combustion engine has been changed in the control device for the internal combustion engine according to the third embodiment. The flow of this control routine is realized when the processor of the control unit 220 executes a program stored in the storage unit 210.

ステップS701では、判定部221が、内燃機関の再始動に用いられた消費電力量の実測値と消費電力量の予測値との差が予め定められた第2の閾値以上であるか否かを判定する。ここで、第2の閾値は、例えば、ノイズ等による潤滑油の交換の誤検出等がないように、適宜設定される。   In step S701, the determination unit 221 determines whether the difference between the measured value of the power consumption used for restarting the internal combustion engine and the predicted value of the power consumption is equal to or greater than a predetermined second threshold. judge. Here, the second threshold value is appropriately set, for example, so that there is no erroneous detection of replacement of the lubricating oil due to noise or the like.

ステップS701において消費電力量の予測値と実測値との差が第2の閾値以上ではない旨の判定がされた場合、制御ルーチンは、ステップS702へと進み、判定部221が、内燃機関の潤滑油が交換されていない旨の判定をする。ステップS701において消費電力量の予測値と実測値との差が第2の閾値以上である旨の判定がされた場合、制御ルーチンはステップS703に進み、判定部221が、内燃機関の潤滑油が交換された旨の判定をする。次いで、ステップS704では、第1の学習済モデルの入力パラメータである潤滑油交換後の経過時間が0にリセットされ、0から計数が開始される。   If it is determined in step S701 that the difference between the predicted value and the measured value of the power consumption is not greater than or equal to the second threshold, the control routine proceeds to step S702, and the determination unit 221 determines whether the internal combustion engine has been lubricated. Judge that the oil has not been changed. If it is determined in step S701 that the difference between the predicted value and the measured value of the power consumption is equal to or greater than the second threshold, the control routine proceeds to step S703, and the determination unit 221 determines whether the lubricating oil of the internal combustion engine The exchange is determined. Next, in step S704, the elapsed time after replacing the lubricating oil, which is an input parameter of the first learned model, is reset to 0, and counting is started from 0.

以上により、本制御ルーチンは終了する。   Thus, the present control routine ends.

また、本実施形態では、学習部223は、内燃機関の潤滑油が交換された旨の判定がなされた時に、好ましくは上述したようにECU200が潤滑油交換後の経過時間を0にリセットして0から計数を開始した時に、内燃機関の再始動に用いられた消費電力量の実測値を含む教師デ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第1の学習済モデルを更新してもよい。   Further, in the present embodiment, when it is determined that the lubricating oil of the internal combustion engine has been changed, the learning unit 223 preferably resets the elapsed time after changing the lubricating oil to 0 as described above. When the counting is started from 0, the first learned model is updated by learning the weight of the neural network using the teacher data including the actually measured value of the power consumption used for restarting the internal combustion engine. Good.

本実施形態によると、入力パラメータである潤滑油交換後の経過時間の計数開始時となる潤滑油の交換時をユーザ入力により入力する必要がなくなるため、ユーザに対するサービス性を向上させることができる。   According to the present embodiment, there is no need to input the time of lubrication oil replacement, which is an input parameter, which is the time to start counting the elapsed time after lubrication oil replacement, by user input, so that serviceability to the user can be improved.

<第4の実施形態>
次に、第4の実施形態に係る内燃機関の制御装置について説明する。第4の実施形態に係る内燃機関の制御装置の構成は、基本的に第4の実施形態に係る内燃機関の制御装置の構成と同様である。以下では、第1の実施形態に係る内燃機関の制御装置の構成と異なる部分を中心に説明する。
<Fourth embodiment>
Next, a control device for an internal combustion engine according to a fourth embodiment will be described. The configuration of the control device for an internal combustion engine according to the fourth embodiment is basically the same as the configuration of the control device for an internal combustion engine according to the fourth embodiment. In the following, a description will be given mainly of parts different from the configuration of the control device for the internal combustion engine according to the first embodiment.

図8は、第4の実施形態に係る制御部の機能ブロック図である。図8に示されるように、制御部220は、判定部221と、機関制御部222と、学習部223と、粘度出力部224と、を含む。   FIG. 8 is a functional block diagram of a control unit according to the fourth embodiment. As illustrated in FIG. 8, the control unit 220 includes a determination unit 221, an engine control unit 222, a learning unit 223, and a viscosity output unit 224.

本実施形態では、粘度出力部224は、入力パラメータの値が入力されると、ニューラルネットワークを用いた第2の学習済モデルを用いて、内燃機関の潤滑油の粘度グレードを出力する。以下、粘度出力部224で用いられる学習済モデルを第2の学習済モデルとする。   In the present embodiment, when the value of the input parameter is input, the viscosity output unit 224 outputs the viscosity grade of the lubricating oil of the internal combustion engine using the second learned model using the neural network. Hereinafter, the learned model used in the viscosity output unit 224 is referred to as a second learned model.

下記の表3には、粘度出力部224で用いられるニューラルネットワークに入力される入力パラメータの一例が示されている。表3に示される例では、No.1からNo.8までのm個(m=8)のパラメータ、即ち、潤滑油交換後の経過時間、内燃機関の総運転時間、油温、潤滑油中の燃料量、冷却水温、吸気温、大気圧、内燃機関の再始動に用いられた消費電力量が入力パラメータとして用いられている。また、No.9は出力パラメータを示しており、表3に示される例では、出力パラメータの値y3は、内燃機関の潤滑油の粘度グレードである。   Table 3 below shows an example of input parameters input to the neural network used in the viscosity output unit 224. In the example shown in Table 3, m (m = 8) parameters from No. 1 to No. 8, that is, the elapsed time after replacing the lubricating oil, the total operating time of the internal combustion engine, the oil temperature, the lubricating oil The fuel amount, cooling water temperature, intake air temperature, atmospheric pressure, and power consumption used for restarting the internal combustion engine are used as input parameters. No. 9 indicates an output parameter, and in the example shown in Table 3, the value y3 of the output parameter is the viscosity grade of the lubricating oil of the internal combustion engine.

Figure 2020041505
Figure 2020041505

入力パラメータの値x1、x2、x4乃至x8、x10が潤滑油の粘度グレードy3に影響を与える理由について説明する。上述したように、潤滑油交換後の経過時間x1、油温x4、潤滑油中の燃料量x5は、潤滑油の粘度グレードに影響を与える。冷却水温x6、吸気温x7及び大気圧x8は、上述したように内燃機関の再始動に必要な消費電力量に影響を与えることから、図3(a)に示されるように潤滑油の粘度グレードにも影響を与える。また、上述したように、内燃機関の総運転時間x2及び内燃機関の再始動に用いられた消費電力量x10は、内燃機関のフリクションに影響を与えるため、図3(a)に示されるように潤滑油の粘度グレードにも影響を与える。したがって、入力パラメータの値x1、x2、x4乃至x8、x10が潤滑油の粘度グレードy3に影響を与える。   The reason why the values x1, x2, x4 to x8, x10 of the input parameters affect the viscosity grade y3 of the lubricating oil will be described. As described above, the elapsed time x1, the oil temperature x4, and the fuel amount x5 in the lubricating oil after changing the lubricating oil affect the viscosity grade of the lubricating oil. Since the cooling water temperature x6, the intake air temperature x7, and the atmospheric pressure x8 affect the power consumption required for restarting the internal combustion engine as described above, as shown in FIG. Also affect. Further, as described above, since the total operation time x2 of the internal combustion engine and the power consumption x10 used for restarting the internal combustion engine affect the friction of the internal combustion engine, as shown in FIG. It also affects the viscosity grade of the lubricating oil. Therefore, the values x1, x2, x4 to x8, x10 of the input parameters affect the viscosity grade y3 of the lubricating oil.

ここで、第2の学習モデルへの入力パラメータは、少なくとも内燃機関の再始動に用いられた消費電力量を含む。このような潤滑油の粘度グレードに影響を与えつつも従来用いられていない入力パラメータを用いることにより、高い精度で出力パラメータである内燃機関の潤滑油の粘度グレードを出力することが可能となる。   Here, the input parameters to the second learning model include at least the power consumption used for restarting the internal combustion engine. By using an input parameter that has not been conventionally used while affecting the viscosity grade of the lubricating oil, it becomes possible to output the viscosity grade of the lubricating oil of the internal combustion engine, which is an output parameter, with high accuracy.

また、本実施形態では、判定部221には、第1の学習済モデルの入力パラメータである粘度グレードとして、第1の実施形態のようにユーザ入力によって入力された粘度グレードではなく、粘度出力部224から出力された粘度グレードが入力されてもよい。また、粘度出力部224は、上記第3の実施形態において図7に示すステップS703で潤滑油が交換された旨の判定がされたときに、粘度グレードを算出するように構成されてもよい。   In the present embodiment, the determination unit 221 uses the viscosity output unit instead of the viscosity grade input by the user input as in the first embodiment, as the viscosity grade that is the input parameter of the first learned model. The viscosity grade output from 224 may be input. Further, the viscosity output unit 224 may be configured to calculate the viscosity grade when it is determined in step S703 shown in FIG. 7 that the lubricant has been changed in the third embodiment.

本実施形態によると、入力パラメータである潤滑油の粘度グレードをユーザ入力により入力する必要がなくなるため、ユーザに対するサービス性を向上させることができる。   According to the present embodiment, it is not necessary to input the viscosity grade of the lubricating oil, which is an input parameter, by a user input, so that the serviceability to the user can be improved.

<第5の実施形態>
図9は、第5の実施形態に係る内燃機関の制御システムの概略構成図である。図9には、車両310と、車両310の外部に設置されたサーバ320と、が示されている。図9に示されるように、車両310は、通信部311と、ECU312と、を含む。ECU312は、学習部223を含まない点を除いて、第1の実施形態に係るECU200と同様の構成を有する。
<Fifth embodiment>
FIG. 9 is a schematic configuration diagram of an internal combustion engine control system according to the fifth embodiment. FIG. 9 shows a vehicle 310 and a server 320 installed outside the vehicle 310. As shown in FIG. 9, vehicle 310 includes a communication unit 311 and an ECU 312. The ECU 312 has the same configuration as the ECU 200 according to the first embodiment, except that the ECU 312 does not include the learning unit 223.

ECU312の判定部221は、各種入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、出力パラメータの値を出力する。ECU312の判定部221は、入力パラメータ及び出力パラメータとして、上記第1の実施形態又は上記第2の実施形態でそれぞれ用いた入力パラメータ及び出力パラメータを用いることができる。   When the values of various input parameters are input, the determination unit 221 of the ECU 312 outputs the values of the output parameters using a first learned model using a neural network. The determination unit 221 of the ECU 312 can use the input parameter and the output parameter used in the first embodiment or the second embodiment, respectively, as the input parameter and the output parameter.

また、ECU312は、各種センサを用いて入力パラメータの値と出力パラメータの実測値とを取得して、当該取得した入力パラメータの値と出力パラメータの実測値とを含むデータを通信部311を介してサーバ320に送信する。   Also, the ECU 312 obtains the value of the input parameter and the measured value of the output parameter using various sensors, and transmits the data including the obtained value of the input parameter and the measured value of the output parameter via the communication unit 311. Send it to server 320.

また、図9に示されるように、サーバ320は、通信部321と、パラメータ値取得部322と、データセット作成部323と、学習部324と、を含む。サーバ320の通信部321は、車両310の通信部311と通信可能に構成されている。   9, the server 320 includes a communication unit 321, a parameter value acquisition unit 322, a data set creation unit 323, and a learning unit 324. The communication unit 321 of the server 320 is configured to be able to communicate with the communication unit 311 of the vehicle 310.

本実施形態に係る機械学習システムでは、車両310のECU312は、各種センサを用いて取得した入力パラメータの値及び出力パラメータの実測値を含むデータを通信部311を介してサーバ320に送信する。   In the machine learning system according to the present embodiment, the ECU 312 of the vehicle 310 transmits data including the values of the input parameters and the actually measured values of the output parameters acquired using various sensors to the server 320 via the communication unit 311.

サーバ320のパラメータ値取得部322は、車両310から送信されたデータを通信部321を介して受信し、当該データ中の入力パラメータの値と出力パラメータの実測値を取得する。サーバ320のデータセット作成部323は、パラメータ値取得部322で取得された入力パラメータの値とこれに対応する出力パラメータの実測値との関係を示すデータセットを作成する。学習部324は、データセット作成部323で作成されたデータセットにしたがって、出力パラメータの実測値を教師データとして第1の学習済モデルにおけるニューラルネットワークの重みの学習を行う。次いで、サーバ320の学習部324は、当該学習を行った第1の学習済モデルを通信部321を介して車両310に送信する。   The parameter value acquisition unit 322 of the server 320 receives the data transmitted from the vehicle 310 via the communication unit 321 and acquires the values of the input parameters and the actually measured values of the output parameters in the data. The data set creation unit 323 of the server 320 creates a data set indicating the relationship between the value of the input parameter acquired by the parameter value acquisition unit 322 and the corresponding measured value of the output parameter. The learning unit 324 learns the weight of the neural network in the first trained model using the measured values of the output parameters as the teacher data according to the data set created by the data set creating unit 323. Next, the learning unit 324 of the server 320 transmits the first learned model that has performed the learning to the vehicle 310 via the communication unit 321.

車両310のECU312は、通信部311を介してサーバ320から送信された第1の学習済モデルを受信し、当該受信した第1の学習済モデルをECU312の記憶部210に記憶することにより、第1の学習済モデルにおけるニューラルネットワークの重みを更新する。車両310のECU312の判定部221は、入力パラメータの値が入力されると、当該更新した第1の学習済モデルにおけるニューラルネットワークの重みを用いて出力パラメータの値を出力し、当該出力パラメータの値に基づいて内燃機関を停止させるか否かの判定を出力する。車両310のECU312の機関制御部222は、判定部221から出力された判定に基づいて、内燃機関100を制御する。   The ECU 312 of the vehicle 310 receives the first learned model transmitted from the server 320 via the communication unit 311 and stores the received first learned model in the storage unit 210 of the ECU 312. The weight of the neural network in one trained model is updated. When the value of the input parameter is input, the determination unit 221 of the ECU 312 of the vehicle 310 outputs the value of the output parameter using the weight of the neural network in the updated first learned model, and outputs the value of the output parameter. And outputs a determination as to whether or not to stop the internal combustion engine based on. Engine control unit 222 of ECU 312 of vehicle 310 controls internal combustion engine 100 based on the determination output from determination unit 221.

本実施形態によると、サーバ320においてニューラルネットワークの重みが学習された第1の学習済モデルを車両310のECU312が受信することによって第1の学習済モデルを更新することができる。そのため、車両310のECU312にニューラルネットワークの重みの学習を行うための高性能な演算処理装置を設ける必要がなくなることから、車両にかかるコストを低減しつつ、取得したパラメータの値に基づいて更新された第1の学習済モデルを用いてアイドリングの停止可否の判定に係る制御を実現することが可能となる。   According to the present embodiment, the first learned model can be updated by the ECU 312 of the vehicle 310 receiving the first learned model in which the weight of the neural network has been learned in the server 320. This eliminates the need to provide the ECU 312 of the vehicle 310 with a high-performance arithmetic processing unit for learning the weights of the neural network, so that the ECU 312 is updated based on the acquired parameter values while reducing the cost of the vehicle. By using the first learned model, it is possible to realize control relating to determination of whether or not to stop idling.

1 機関本体
2 シリンダブロック
3 シリンダヘッド
4 シリンダ
5 ピストン
6 燃焼室
7 吸気ポート
8 排気ポート
9 吸気弁
10 排気弁
11 燃料噴射弁
12 点火プラグ
13 コンロッド
14 クランクシャフト
14a クランク角センサ
15 スターター
16 バッテリー
16a バッテリーセンサ
17 水温センサ
18 油温センサ
20 吸気装置
21 吸気管
22 スロットル弁
22a スロットルアクチュエータ
22b スロットルセンサ
23 エアフローメータ
24 吸気温センサ
30 排気装置
31 排気管
32 触媒
33 空燃比センサ
100 内燃機関
200 ECU
201 双方性バス
210 記憶部
220 制御部
221 判定部
222 機関制御部
223 学習部
224 粘度出力部
230 入力部
231 AD変換器
240 出力部
241 駆動回路
252 大気圧センサ
DESCRIPTION OF SYMBOLS 1 Engine main body 2 Cylinder block 3 Cylinder head 4 Cylinder 5 Piston 6 Combustion chamber 7 Intake port 8 Exhaust port 9 Intake valve 10 Exhaust valve 11 Fuel injection valve 12 Spark plug 13 Connecting rod 14 Crankshaft 14a Crank angle sensor 15 Starter 16 Battery 16a Battery Sensor 17 Water temperature sensor 18 Oil temperature sensor 20 Intake device 21 Intake pipe 22 Throttle valve 22a Throttle actuator 22b Throttle sensor 23 Air flow meter 24 Intake temperature sensor 30 Exhaust device 31 Exhaust pipe 32 Catalyst 33 Air-fuel ratio sensor 100 Internal combustion engine 200 ECU
Reference Signs List 201 Bipolar bus 210 Storage unit 220 Control unit 221 Judgment unit 222 Engine control unit 223 Learning unit 224 Viscosity output unit 230 Input unit 231 AD converter 240 Output unit 241 Drive circuit 252 Atmospheric pressure sensor

Claims (14)

車両の内燃機関の運転を制御する内燃機関の制御装置であって、
入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力する判定部と、
前記判定部から出力された前記判定に基づいて前記内燃機関を制御する機関制御部と、を備え、
前記判定部の入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間又は前記車両の総走行距離との少なくともいずれか一方を含む、内燃機関の制御装置。
A control device for an internal combustion engine that controls operation of an internal combustion engine of a vehicle,
A determination unit configured to output a determination as to whether to stop the internal combustion engine by using a first learned model using a neural network when a value of the input parameter is input;
An engine control unit that controls the internal combustion engine based on the determination output from the determination unit,
The input parameter of the determination unit includes at least one of an elapsed time since the last change of the lubricating oil of the internal combustion engine and a total operation time of the internal combustion engine or a total mileage of the vehicle. Control device.
前記判定部の入力パラメータは、内燃機関の潤滑油の粘度グレードをさらに含む、請求項1に記載の内燃機関の制御装置。   The control device for an internal combustion engine according to claim 1, wherein the input parameter of the determination unit further includes a viscosity grade of a lubricating oil of the internal combustion engine. 内燃機関の潤滑油の粘度グレードを示すユーザ入力が入力される入力部を更に備え、該入力部に入力されたユーザ入力が前記判定部の入力パラメータの値として前記判定部に入力される、請求項2に記載の内燃機関の制御装置。   An input unit for inputting a user input indicating a viscosity grade of a lubricating oil of the internal combustion engine is further provided, wherein the user input input to the input unit is input to the determination unit as a value of an input parameter of the determination unit. Item 3. The control device for an internal combustion engine according to Item 2. 前記判定部の入力パラメータは、前記車両のバッテリーの残容量をさらに含み、前記第1の学習済モデルの出力パラメータは、前記判定である、請求項1乃至3のいずれか1項に記載の内燃機関の制御装置。   4. The internal combustion engine according to claim 1, wherein the input parameter of the determination unit further includes a remaining capacity of a battery of the vehicle, and an output parameter of the first learned model is the determination. 5. Engine control device. 前記第1の学習済モデルの出力パラメータは、前記内燃機関の再始動に必要な消費電力量であり、
前記判定部は、前記第1の学習済モデルから出力された消費電力量が第1の閾値以下である場合、前記内燃機関を停止させる旨の前記判定を出力する、請求項1乃至3のいずれか1項に記載の内燃機関の制御装置。
The output parameter of the first learned model is power consumption required for restarting the internal combustion engine,
4. The determination unit according to claim 1, wherein when the power consumption output from the first learned model is equal to or less than a first threshold, the determination unit outputs the determination to stop the internal combustion engine. 5. The control device for an internal combustion engine according to claim 1.
前記内燃機関の再始動に用いられた消費電力量の実測値を含む教師デ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前記第1の学習済モデルを更新する学習部をさらに備える、請求項5に記載の内燃機関の制御装置。   The learning unit that updates the first learned model by learning weights of a neural network using teacher data including an actually measured value of power consumption used for restarting the internal combustion engine. 6. The control device for an internal combustion engine according to claim 5. 前記判定部は、前記第1の学習済モデルから出力された消費電力量と前記内燃機関の再始動に用いられた消費電力量の実測値との差が予め定められた第2の閾値以上である場合、さらに、前記内燃機関の潤滑油が交換された旨の判定をする、請求項5又は6に記載の内燃機関の制御装置。   The determination unit determines that a difference between the power consumption output from the first learned model and the actually measured power consumption used for restarting the internal combustion engine is equal to or greater than a predetermined second threshold. 7. The control device for an internal combustion engine according to claim 5, wherein in some cases, it is further determined that the lubricating oil of the internal combustion engine has been replaced. 入力パラメータの値が入力されると、ニューラルネットワークを用いた第2の学習済モデルを用いて、内燃機関の潤滑油の粘度グレードを出力する粘度出力部をさらに備え、
前記の入力パラメータは、前記粘度グレードをさらに含み、
前記第2の学習済モデルの入力パラメータは、前記内燃機関の再始動に用いられた消費電力量の実測値を含み、
前記第2の学習済モデルの出力パラメータは、前記粘度グレードを含み、
前記判定部には、前記判定部の入力パラメータである前記粘度グレードとして、前記粘度出力部から出力された前記粘度グレードが入力される、請求項1乃至7のいずれか1項に記載の内燃機関の制御装置。
When a value of the input parameter is input, the apparatus further includes a viscosity output unit that outputs a viscosity grade of lubricating oil of the internal combustion engine using a second learned model using a neural network,
The input parameter further includes the viscosity grade,
The input parameter of the second learned model includes a measured value of the power consumption used for restarting the internal combustion engine,
Output parameters of the second trained model include the viscosity grade;
The internal combustion engine according to any one of claims 1 to 7, wherein the determination unit receives the viscosity grade output from the viscosity output unit as the viscosity grade, which is an input parameter of the determination unit. Control device.
前記判定部は、前記第1の学習済モデルから出力された消費電力量と前記内燃機関の再始動に用いられた消費電力量の実測値との差が予め定められた第2の閾値以上である場合、さらに、前記内燃機関の潤滑油が交換された旨の判定をし、
前記交換された旨の判定がされた場合、前記判定部には、前記判定部の入力パラメータである前記粘度グレードとして、前記粘度出力部から出力された前記粘度グレードが入力される、請求項8に記載の内燃機関の制御装置。
The determination unit determines that a difference between the power consumption output from the first learned model and the actually measured power consumption used for restarting the internal combustion engine is equal to or greater than a predetermined second threshold. In some cases, further, it is determined that the lubricating oil of the internal combustion engine has been replaced,
9. When the replacement is determined, the determination unit receives the viscosity grade output from the viscosity output unit as the viscosity grade, which is an input parameter of the determination unit. 3. The control device for an internal combustion engine according to claim 1.
車両の内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を入力パラメータに含み、前記内燃機関を停止するか否かの判定を出力パラメータとし、前記内燃機関が実際に再始動したか否かを教師データとして重みが学習されたニューラルネットワークを用いて、前記判定を出力するよう、プロセッサを機能させる、内燃機関を制御するための学習済モデル。   The input parameter includes at least one of an elapsed time since the last change of the lubricating oil of the internal combustion engine of the vehicle and a total operating time of the internal combustion engine, and outputs a determination whether to stop the internal combustion engine. Using a neural network in which the weight is learned as a parameter and whether or not the internal combustion engine has actually restarted as teacher data, causing the processor to output the determination, and learning for controlling the internal combustion engine. Model. 車両の内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を入力パラメータに含み、前記内燃機関の再始動に必要な消費電力量を出力パラメータとし、前記内燃機関の再始動に用いられた消費電力量の実測値を教師データとして重みが学習されたニューラルネットワークを用いて、前記内燃機関の再始動に必要な消費電力量を出力するよう、プロセッサを機能させる、内燃機関を制御するための学習済モデル。   The input parameter includes at least one of an elapsed time since the last change of the lubricating oil of the internal combustion engine of the vehicle and the total operation time of the internal combustion engine, and an amount of power consumption required for restarting the internal combustion engine. Outputting the power consumption required for restarting the internal combustion engine by using a neural network whose weight is learned using the measured value of the power consumption used for restarting the internal combustion engine as teacher data as an output parameter. A trained model for controlling the internal combustion engine, so that the processor functions. 車両の内燃機関の運転を制御するための内燃機関の制御方法であって、
入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力するステップと、
当該出力された判定に基づいて前記内燃機関を制御するステップと、をプロセッサに実行させ、
前記入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御方法。
A control method of an internal combustion engine for controlling operation of an internal combustion engine of a vehicle,
When the value of the input parameter is input, outputting a determination as to whether to stop the internal combustion engine using a first learned model using a neural network,
Controlling the internal combustion engine based on the output determination, and causing the processor to execute,
The control method for an internal combustion engine, wherein the input parameter includes at least one of an elapsed time since a last change of lubricating oil of the internal combustion engine and a total operation time of the internal combustion engine.
車両の内燃機関の運転を制御するための内燃機関の制御プログラムであって、
入力パラメータの値が入力されると、ニューラルネットワークを用いた第1の学習済モデルを用いて、前記内燃機関を停止させるか否かの判定を出力するステップと、
当該出力された判定に基づいて前記内燃機関を制御するステップと、をプロセッサに実行させ、
前記入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御プログラム。
A control program for an internal combustion engine for controlling operation of the internal combustion engine of the vehicle,
When the value of the input parameter is input, outputting a determination as to whether to stop the internal combustion engine using a first learned model using a neural network,
Controlling the internal combustion engine based on the output determination, and causing the processor to execute,
A control program for an internal combustion engine, wherein the input parameter includes at least one of an elapsed time since a last change of lubricating oil of the internal combustion engine and a total operation time of the internal combustion engine.
入力パラメータの値が入力されると、ニューラルネットワークを用いた学習済モデルを用いて、内燃機関を停止させるか否かの判定を出力し、当該出力された判定に基づいて前記内燃機関を制御する、電子制御ユニットと、
前記電子制御ユニットと通信可能に構成されたサーバと、
を備える、内燃機関の制御システムであって、
前記電子制御ユニットは、前記入力パラメータの値及び前記学習済モデルの出力パラメータの実測値を含むデータを取得し、前記データをサーバに送信し、
前記サーバは、前記データを受信し、前記データ内の前記入力パラメータの値及び前記出力パラメータの実測値を取得し、当該取得した入力パラメータの値及び出力パラメータの実測値の関係を示すデータセットを作成し、当該作成したデータセットにしたがって前記出力パラメータの実測値を教師データとして前記学習済モデルにおけるニューラルネットワークの重みの学習を行い、当該学習を行った学習済モデルを前記電子制御ユニットに送信し、
前記電子制御ユニットは、前記サーバから前記学習を行った学習済モデルを受信し、前記学習を行った学習済モデルによりニューラルネットワークの重みを更新し、
前記電子制御ユニットの入力パラメータは、前記内燃機関の潤滑油を最後に交換した時からの経過時間と前記内燃機関の総運転時間との少なくともいずれか一方を含む、内燃機関の制御システム。
When the value of the input parameter is input, a determination as to whether or not to stop the internal combustion engine is output using a learned model using a neural network, and the internal combustion engine is controlled based on the output determination. , An electronic control unit,
A server configured to be able to communicate with the electronic control unit;
A control system for an internal combustion engine, comprising:
The electronic control unit obtains data including a value of the input parameter and an actually measured value of an output parameter of the learned model, and transmits the data to a server.
The server receives the data, acquires the value of the input parameter and the measured value of the output parameter in the data, and sets a data set indicating the relationship between the acquired value of the input parameter and the measured value of the output parameter. Creates, learns the weight of the neural network in the trained model using the measured values of the output parameters as teacher data according to the created data set, and transmits the learned trained model to the electronic control unit. ,
The electronic control unit receives the learned model that has performed the learning from the server, updates the weight of the neural network with the learned model that has performed the learning,
The control system for an internal combustion engine, wherein the input parameters of the electronic control unit include at least one of an elapsed time since a last change of lubricating oil of the internal combustion engine and a total operation time of the internal combustion engine.
JP2018170788A 2018-09-12 2018-09-12 Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine Pending JP2020041505A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018170788A JP2020041505A (en) 2018-09-12 2018-09-12 Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018170788A JP2020041505A (en) 2018-09-12 2018-09-12 Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine

Publications (1)

Publication Number Publication Date
JP2020041505A true JP2020041505A (en) 2020-03-19

Family

ID=69797851

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018170788A Pending JP2020041505A (en) 2018-09-12 2018-09-12 Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine

Country Status (1)

Country Link
JP (1) JP2020041505A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022029749A (en) * 2020-08-05 2022-02-18 トヨタ自動車株式会社 Engine control device

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022029749A (en) * 2020-08-05 2022-02-18 トヨタ自動車株式会社 Engine control device
JP7400657B2 (en) 2020-08-05 2023-12-19 トヨタ自動車株式会社 engine control device

Similar Documents

Publication Publication Date Title
US11397133B2 (en) Misfire detection device for internal combustion engine, misfire detection system for internal combustion engine, data analysis device, and controller for internal combustion engine
JP6477951B1 (en) In-vehicle electronic control unit
US11268469B2 (en) Misfire detection device for internal combustion engine, misfire detection system for internal combustion engine, data analysis device, controller for internal combustion engine, method for detecting misfire of internal combustion engine, and reception execution device
US20200263618A1 (en) Pm amount estimation device, pm amount estimation system, pm amount estimating method, data analysis device, control device for internal combustion engine, and receiver
JP6725087B1 (en) Blow-by gas delivery path abnormality detection device for internal combustion engine
US7853394B2 (en) Internal combustion engine feedback control with variably set gain
CN102264579A (en) Diagnostic system and diagnostic method for vehicle
EP0959414A1 (en) Optimization method for a fuzzy neural network
JP2008133798A (en) Energy transmission diagnostic device for vehicle
US10825267B2 (en) Control system of internal combustion engine, electronic control unit, server, and control method of internal combustion engine
JP2005517106A (en) Method for determining TDC of internal combustion engine
CN113343482B (en) Vehicle power system health management method based on digital twinning
JP6699702B2 (en) INTERNAL COMBUSTION ENGINE CONTROL DEVICE AND ITS CONTROL METHOD, LEARNING MODEL FOR CONTROLLING INTERNAL COMBUSTION ENGINE, AND LEARNING METHOD THEREOF
CN111971464A (en) Diagnosis of the breathing behavior of an internal combustion engine
JP2021109508A (en) Vehicle control device, vehicle control method and vehicle control program
CN112096534A (en) Control device for high-pressure fuel pump for fuel injection
JP3668370B2 (en) Evaluation device for vehicle engine control device
JPH11343916A (en) Data estimating method in engine control
JP2020041505A (en) Controller of internal combustion engine, learned model for controlling internal combustion engine, control method of internal combustion engine, control program of internal combustion engine, and control system of internal combustion engine
Czarnigowski A neural network model-based observer for idle speed control of ignition in SI engine
KR20190106633A (en) Control device of internal combustion engine
CN102102565B (en) Method and device for on-board error diagnosis in operation of internal combustion engine of motor vehicle
JP7388343B2 (en) Equipment for estimating the amount of oil coking deposited in turbochargers
CN114542268A (en) Damage estimation device and damage estimation method
CN112606823B (en) Control device for an internal combustion engine in a hybrid vehicle, drive train, hybrid vehicle and method