JP2020063699A - 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 - Google Patents
内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 Download PDFInfo
- Publication number
- JP2020063699A JP2020063699A JP2018196035A JP2018196035A JP2020063699A JP 2020063699 A JP2020063699 A JP 2020063699A JP 2018196035 A JP2018196035 A JP 2018196035A JP 2018196035 A JP2018196035 A JP 2018196035A JP 2020063699 A JP2020063699 A JP 2020063699A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- parameter
- value
- output
- internal combustion
- 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.)
- Granted
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 13
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 23
- 239000000446 fuel Substances 0.000 description 19
- 238000011478 gradient descent method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000002347 injection Methods 0.000 description 11
- 239000007924 injection Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000003921 oil Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D28/00—Programme-control of engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/146—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration
- F02D41/1461—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration of the exhaust gases emitted by the engine
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
- F02D2200/1002—Output torque
- F02D2200/1004—Estimation of the output torque
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1452—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a COx content or concentration
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Description
(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、入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力するパラメータ値出力部と、前記パラメータ値出力部から出力された前記出力パラメータの予測値に基づいて、前記内燃機関を制御する機関制御部と、前記学習モデルの入力パラメータの実測値と前記学習モデルの出力パラメータの実測値との組を教師データとして、勾配法を用いて前記学習モデルの学習を行う学習部と、前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率で前記学習が行われるように前記学習率を調整する学習率調整部と、を備えた、内燃機関の制御装置。
(2)前記入力パラメータの実測値及び前記出力パラメータの実測値に重畳された前記ノイズの量を検出するノイズ量検出部をさらに備え、前記ノイズ量検出部は、機関運転状態が定常状態にあるときに検出された前記入力パラメータ及び前記出力パラメータの前記実測値に基づいて各パラメータについての標準偏差又はSN比の逆数を算出し、各パラメータについての前記標準偏差又は前記SN比の逆数を各パラメータについての前記ノイズの量として用いる、上記(1)に記載の内燃機関の制御装置。
(3)前記学習率調整部は、前記少なくともいずれか1つのパラメータの実測値に重畳された前記ノイズの量が大きいほど、学習率が小さくなるように前記学習率を調整する、上記(1)又は(2)に記載の内燃機関の制御装置。
(4)前記学習率調整部は、前記入力パラメータ及び前記出力パラメータの各々の実測値に重畳された前記ノイズの量がそのパラメータに対して設定された閾値以下である場合には、前記少なくともいずれか1つのパラメータの実測値に重畳された前記ノイズの量が前記閾値よりも大きい場合の学習率よりも大きい一定の学習率に維持されるように前記学習率を調整する、上記(1)乃至(3)のいずれか1つに記載の内燃機関の制御装置。
(5)前記内燃機関の制御装置は、前記車両に設けられた電子制御ユニットである、上記(1)乃至(4)のいずれか1つに記載の内燃機関の制御装置。
(6)前記内燃機関の制御装置は、前記車両に設けられた電子制御ユニットと、前記車両の外部に設置されて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、前記電子制御ユニットは、前記パラメータ値出力部と、前記機関制御部と、を備え、前記サーバは、前記学習部と、前記学習率調整部と、を備え、前記電子制御ユニットは、前記教師データを前記サーバに送信し、前記学習率調整部は、前記教師データに含まれる前記入力パラメータの実測値及び前記出力パラメータの実測値に重畳する前記ノイズの量に基づいて前記学習率を調整し、前記学習部は、前記電子制御ユニットから受信した前記教師データを用いて前記学習モデルの学習を行い、前記学習後の学習モデルを前記電子制御ユニットに送信し、前記パラメータ値出力部は、前記学習部から前記電子制御ユニットに送信された前記学習後の学習モデルを用いる、上記(1)乃至(4)のいずれか1つに記載の内燃機関の制御装置。
(7)学習モデルを用いて、車両の内燃機関の運転を制御する内燃機関の制御方法であって、前記学習モデルの入力パラメータ及び前記学習モデルの出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さくなるように学習率を調整するステップと、前記入力パラメータの実測値と前記出力パラメータの実測値との組を教師データとして、前記調整された学習率を用いて勾配法により前記学習モデルの学習を行うステップと、前記入力パラメータの実測値が入力されると、前記学習モデルを用いて、前記出力パラメータの予測値を出力するステップと、前記出力された出力パラメータの予測値に基づいて、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る、内燃機関の制御方法。
(8)入力パラメータの実測値が入力されると、内燃機関の制御に用いられる出力パラメータの予測値を出力するよう、プロセッサを機能させる学習モデルであって、前記学習モデルは、前記入力パラメータの実測値と出力パラメータの実測値との組を教師データとして勾配法により学習され、前記学習では、前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率となるように調整された学習率が用いられる、内燃機関を制御するための学習モデル。
(9)入力パラメータの実測値が入力されると、内燃機関の制御に用いられる出力パラメータの予測値を出力するよう、プロセッサを機能させる学習モデルの学習方法であって、前記学習モデルは、前記入力パラメータの実測値と出力パラメータの実測値との組を教師データとして勾配法により学習され、前記学習では、前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率となるように調整された学習率が用いられる、内燃機関を制御するための学習モデルの学習方法。
≪内燃機関の構成≫
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電子制御ユニット(ECU)の概略構成図である。図1には、機関本体1と、吸気マニホルド4と、排気マニホルド5とを備えた内燃機関100が示されている。図1に示されるように、機関本体1は、各気筒の燃焼室2内に燃料を供給する燃料噴射弁3を備える。吸気マニホルド4は吸気ダクト6を介して排気ターボチャージャ7のコンプレッサ7aの出口に連結され、コンプレッサ7aの入口はエアクリーナ9に連結される。吸気ダクト6内にはスロットルアクチュエータ10により開閉駆動されるスロットル弁11が配置され、吸気ダクト6周りには吸気ダクト6内を流れる吸入空気を冷却するためのインタクーラ12が配置される。
≪ECUの構成≫
本実施形態では、学習モデルは、ニューラルネットワークを用いる。まず、図2を参照して、本実施形態に係る学習モデル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(以下、「ノード」という)。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。
本実施形態では、勾配法、特に勾配降下法を用いて、学習モデルのニューラルネットワークにおける重みやバイアスの学習が行われる。この勾配降下法は周知であり、したがって、勾配降下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。また、重みやバイアスの学習は学習部223において行われる。
w(T)=w(T-1)−η(∂E(w(T-1))/∂w(T-1)) (1)
本実施形態における学習モデルの概要について説明する。まず、本実施形態における学習モデルで用いられる入力パラメータの一例を説明する。本実施形態における学習モデルの入力パラメータは、点火時期、燃料噴射量、燃料噴射時期、内燃機関の吸気弁の開閉タイミング及び排気弁の開閉タイミング、スロットル開度、EGR弁開度、吸気温、水温、油温並びに機関回転速度のうち、2つ以上を含むことができる。
内燃機関の運転時には、パラメータ値出力部221に、入力パラメータの実測値、すなわち点火時期、燃料噴射量、スロットル開度、機関回転速度の実測値が入力される。パラメータ値出力部221は、これら入力パラメータの実測値が入力されると、図4に示される学習モデルを用いて、出力パラメータの予測値、すなわちトルクの予測値を出力する。ここで、トルクの予測値は将来の値となっており、トルクの予測値が出力されたときの現在のトルク(すなわち、トルクセンサ51によって検出されるトルク)とは異なる値となっている。
ところで、学習モデルとして、メーカ等によって出荷前に代表的な車両に対して学習された標準的なモデルを用いた場合には、その学習モデルには各車両固有の特性が反映されていない。したがって、斯かる学習モデルを用いて出力パラメータの値を推定すると、斯かる学習モデルから出力された出力パラメータの予測値とその出力パラメータの実際の値との間には誤差が生じる可能性がある。
そこで、本実施形態では、学習率調整部225は、学習モデルの入力パラメータ及び出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳されたノイズの量が相対的に小さい場合に比べて、小さい学習率で学習が行われるように学習率ηを調整する。これにより、教師データにノイズが重畳された場合に学習における重みwの更新量を小さくすることができるため、学習の収束性の悪化を抑制することが可能となる。そのため、学習後の学習モデルにおける予測誤差が増大することを抑制することが可能となる。このように、本実施形態によると、教師データにノイズが重畳された場合であっても、学習モデルの学習においてそのノイズが与える影響を抑制することができる。以下、本実施形態について詳細に説明する。
次に、本実施形態に係る内燃機関の制御装置が実行する学習モデルの学習方法について説明する。図6は、第1の実施形態に係る内燃機関の制御装置における学習モデルの学習方法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。本制御ルーチンは、内燃機関の運転中にニューラルネットワークにおける重みやバイアスを学習するのに必要な一連の教師データ(教師データのデータセット)が取得された後の所定のタイミングで実行される。
図7を用いて、ノイズ重畳の有無及び学習率の調整による学習結果の変化例について説明する。図7(a)は、車両の内燃機関の回転速度を例示するタイムチャートである。図7(a)には、ノイズが重畳された場合(ノイズあり)の機関回転速度と、ノイズが重畳されていない場合(ノイズなし)の機関回転速度とが示されている。以下で説明する図7(b)及び図7(c)に示されるヒストグラムは、図7(a)に示されたように機関回転速度が推移した場合の予測誤差の分布を示している。
次に、図8を用いて、第1の実施形態の変形例に係る内燃機関の制御装置について説明する。図8は、本変形例に係る内燃機関の制御装置における学習モデルの学習方法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。なお、ステップS801及びS805はそれぞれ図6のステップS601及びS603と同様であるため、説明を省略する。
図9は、第2の実施形態に係る内燃機関の制御装置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、を備える。ECU312は、学習部223及び学習率調整部225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。本実施形態では、車両310のECU200及びサーバ320は、内燃機関100の制御装置として機能する。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。
10a スロットル開度センサ
18a EGR弁開度センサ
24 吸気温センサ
25 排気温センサ
26 水温センサ
27 油温センサ
28 気体濃度センサ
29 空燃比センサ
100 内燃機関
Claims (9)
- 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、
入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力するパラメータ値出力部と、
前記パラメータ値出力部から出力された前記出力パラメータの予測値に基づいて、前記内燃機関を制御する機関制御部と、
前記学習モデルの入力パラメータの実測値と前記学習モデルの出力パラメータの実測値との組を教師データとして、勾配法を用いて前記学習モデルの学習を行う学習部と、
前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率で前記学習が行われるように前記学習率を調整する学習率調整部と、
を備えた、内燃機関の制御装置。 - 前記入力パラメータの実測値及び前記出力パラメータの実測値に重畳された前記ノイズの量を検出するノイズ量検出部をさらに備え、
前記ノイズ量検出部は、機関運転状態が定常状態にあるときに検出された前記入力パラメータ及び前記出力パラメータの前記実測値に基づいて各パラメータについての標準偏差又はSN比の逆数を算出し、各パラメータについての前記標準偏差又は前記SN比の逆数を各パラメータについての前記ノイズの量として用いる、請求項1に記載の内燃機関の制御装置。 - 前記学習率調整部は、前記少なくともいずれか1つのパラメータの実測値に重畳された前記ノイズの量が大きいほど、学習率が小さくなるように前記学習率を調整する、請求項1又は2に記載の内燃機関の制御装置。
- 前記学習率調整部は、前記入力パラメータ及び前記出力パラメータの各々の実測値に重畳された前記ノイズの量がそのパラメータに対して設定された閾値以下である場合には、前記少なくともいずれか1つのパラメータの実測値に重畳された前記ノイズの量が前記閾値よりも大きい場合の学習率よりも大きい一定の学習率に維持されるように前記学習率を調整する、請求項1乃至3のいずれか一項に記載の内燃機関の制御装置。
- 前記内燃機関の制御装置は、前記車両に設けられた電子制御ユニットである、請求項1乃至4のいずれか一項に記載の内燃機関の制御装置。
- 前記内燃機関の制御装置は、前記車両に設けられた電子制御ユニットと、前記車両の外部に設置されて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、
前記電子制御ユニットは、前記パラメータ値出力部と、前記機関制御部と、を備え、
前記サーバは、前記学習部と、前記学習率調整部と、を備え、
前記電子制御ユニットは、前記教師データを前記サーバに送信し、
前記学習率調整部は、前記教師データに含まれる前記入力パラメータの実測値及び前記出力パラメータの実測値に重畳する前記ノイズの量に基づいて前記学習率を調整し、
前記学習部は、前記電子制御ユニットから受信した前記教師データを用いて前記学習モデルの学習を行い、前記学習後の学習モデルを前記電子制御ユニットに送信し、
前記パラメータ値出力部は、前記学習部から前記電子制御ユニットに送信された前記学習後の学習モデルを用いる、請求項1乃至4のいずれか一項に記載の内燃機関の制御装置。 - 学習モデルを用いて、車両の内燃機関の運転を制御する内燃機関の制御方法であって、
前記学習モデルの入力パラメータ及び前記学習モデルの出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さくなるように学習率を調整するステップと、
前記入力パラメータの実測値と前記出力パラメータの実測値との組を教師データとして、前記調整された学習率を用いて勾配法により前記学習モデルの学習を行うステップと、
前記入力パラメータの実測値が入力されると、前記学習モデルを用いて、前記出力パラメータの予測値を出力するステップと、
前記出力された出力パラメータの予測値に基づいて、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る、内燃機関の制御方法。 - 入力パラメータの実測値が入力されると、内燃機関の制御に用いられる出力パラメータの予測値を出力するよう、プロセッサを機能させる学習モデルであって、
前記学習モデルは、前記入力パラメータの実測値と出力パラメータの実測値との組を教師データとして勾配法により学習され、
前記学習では、前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率となるように調整された学習率が用いられる、内燃機関を制御するための学習モデル。 - 入力パラメータの実測値が入力されると、内燃機関の制御に用いられる出力パラメータの予測値を出力するよう、プロセッサを機能させる学習モデルの学習方法であって、
前記学習モデルは、前記入力パラメータの実測値と出力パラメータの実測値との組を教師データとして勾配法により学習され、
前記学習では、前記入力パラメータ及び前記出力パラメータのうち少なくともいずれか1つのパラメータの実測値に重畳されたノイズの量が相対的に大きい場合には、そのパラメータの実測値に重畳された前記ノイズの量が相対的に小さい場合に比べて、小さい学習率となるように調整された学習率が用いられる、内燃機関を制御するための学習モデルの学習方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018196035A JP6699702B2 (ja) | 2018-10-17 | 2018-10-17 | 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 |
US16/566,019 US10947909B2 (en) | 2018-10-17 | 2019-09-10 | Control device of internal combustion engine and control method of same and learning model for controlling internal combustion engine and learning method of same |
DE102019124267.3A DE102019124267A1 (de) | 2018-10-17 | 2019-09-10 | Steuerungsvorrichtung einer Brennkraftmaschine und Steuerungsverfahren derselben sowie Lernmodell zur Steuerung einer Brennkraftmaschine und Lernverfahren desselben |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018196035A JP6699702B2 (ja) | 2018-10-17 | 2018-10-17 | 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020063699A true JP2020063699A (ja) | 2020-04-23 |
JP6699702B2 JP6699702B2 (ja) | 2020-05-27 |
Family
ID=70279440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018196035A Expired - Fee Related JP6699702B2 (ja) | 2018-10-17 | 2018-10-17 | 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10947909B2 (ja) |
JP (1) | JP6699702B2 (ja) |
DE (1) | DE102019124267A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022063084A (ja) * | 2020-10-09 | 2022-04-21 | トヨタ自動車株式会社 | モデル学習システム、車両の制御装置及びモデル学習方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6690757B1 (ja) * | 2019-04-16 | 2020-04-28 | トヨタ自動車株式会社 | 燃料蒸気排出防止システムの異常検出装置 |
CN112532330A (zh) * | 2019-09-18 | 2021-03-19 | 中兴通讯股份有限公司 | 干扰模拟系统、方法及装置、干扰测试系统、方法及装置 |
CN116822325B (zh) * | 2023-04-29 | 2023-12-26 | 中国人民解放军63963部队 | 一种总体构型约束下的柴油机性能优化设计方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014005803A (ja) * | 2012-06-26 | 2014-01-16 | Toyota Motor Corp | 内燃機関の制御装置 |
WO2017183587A1 (ja) * | 2016-04-18 | 2017-10-26 | 日本電信電話株式会社 | 学習装置、学習方法および学習プログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7458348B2 (en) * | 2005-03-28 | 2008-12-02 | Hitachi, Ltd. | Method and apparatus for controlling variable valve actuation device in internal combustion engine |
CN101285431B (zh) * | 2007-04-09 | 2010-04-14 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机控制的方法 |
US20110264353A1 (en) * | 2010-04-22 | 2011-10-27 | Atkinson Christopher M | Model-based optimized engine control |
JP5426520B2 (ja) | 2010-11-24 | 2014-02-26 | 本田技研工業株式会社 | 内燃機関の制御装置 |
US9358685B2 (en) * | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
US10030602B2 (en) * | 2014-07-22 | 2018-07-24 | The Regents Of The University Of Michigan | Adaptive machine learning method to predict and control engine combustion |
DE112017007025T5 (de) * | 2017-02-09 | 2019-10-24 | Mitsubishi Electric Corporation | Positionssteuerungseinrichtung und positionssteuerungsverfahren |
US11397887B2 (en) * | 2017-09-26 | 2022-07-26 | Amazon Technologies, Inc. | Dynamic tuning of training parameters for machine learning algorithms |
CN107844338B (zh) * | 2017-10-31 | 2019-09-13 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、介质及电子设备 |
-
2018
- 2018-10-17 JP JP2018196035A patent/JP6699702B2/ja not_active Expired - Fee Related
-
2019
- 2019-09-10 US US16/566,019 patent/US10947909B2/en active Active
- 2019-09-10 DE DE102019124267.3A patent/DE102019124267A1/de active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014005803A (ja) * | 2012-06-26 | 2014-01-16 | Toyota Motor Corp | 内燃機関の制御装置 |
WO2017183587A1 (ja) * | 2016-04-18 | 2017-10-26 | 日本電信電話株式会社 | 学習装置、学習方法および学習プログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022063084A (ja) * | 2020-10-09 | 2022-04-21 | トヨタ自動車株式会社 | モデル学習システム、車両の制御装置及びモデル学習方法 |
JP7276298B2 (ja) | 2020-10-09 | 2023-05-18 | トヨタ自動車株式会社 | モデル学習システム、車両の制御装置及びモデル学習方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200123990A1 (en) | 2020-04-23 |
JP6699702B2 (ja) | 2020-05-27 |
DE102019124267A1 (de) | 2020-04-23 |
US10947909B2 (en) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6477951B1 (ja) | 車載電子制御ユニット | |
JP6699702B2 (ja) | 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 | |
JP6702380B2 (ja) | 内燃機関の制御装置 | |
JP6501018B1 (ja) | 未燃燃料量の機械学習装置 | |
JP4975158B2 (ja) | プラントの制御装置 | |
US6236908B1 (en) | Virtual vehicle sensors based on neural networks trained using data generated by simulation models | |
JP6702390B2 (ja) | 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 | |
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 | |
US10969304B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
CN110118130B (zh) | 内燃机的控制装置 | |
JP6741057B2 (ja) | 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 | |
JP2007533911A (ja) | 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ | |
CN111022206B (zh) | 车辆用驱动装置的控制装置及方法、车载电子控制单元 | |
JP6773099B2 (ja) | 制御装置 | |
FR3065990A1 (fr) | Procede de reactualisation d’une dynamique d’adaptation d’une valeur de richesse a une consigne dans un moteur | |
Wang et al. | A review of spark-ignition engine air charge estimation methods | |
JPH11343916A (ja) | エンジン制御におけるデータ推定方法 | |
JP6750708B1 (ja) | 排気ガス再循環システムの異常検出装置 | |
JP2020056378A (ja) | 内燃機関の制御装置 | |
CN116234978A (zh) | 电子控制装置及发动机控制系统 | |
US11035301B1 (en) | Method for preventing engine air flow calculation error and engine system thereof | |
JP2020045821A (ja) | 内燃機関の制御装置 | |
JP2019148243A (ja) | 内燃機関の制御装置 | |
US11840974B2 (en) | Intelligent mass air flow (MAF) prediction system with neural network | |
JP2019143477A (ja) | 内燃機関の制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200131 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200131 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200217 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200331 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200413 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6699702 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |