JP2021127742A - 写像の学習方法 - Google Patents
写像の学習方法 Download PDFInfo
- Publication number
- JP2021127742A JP2021127742A JP2020023511A JP2020023511A JP2021127742A JP 2021127742 A JP2021127742 A JP 2021127742A JP 2020023511 A JP2020023511 A JP 2020023511A JP 2020023511 A JP2020023511 A JP 2020023511A JP 2021127742 A JP2021127742 A JP 2021127742A
- Authority
- JP
- Japan
- Prior art keywords
- training data
- input
- mapping
- internal combustion
- combustion engine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000013507 mapping Methods 0.000 title claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 130
- 238000002485 combustion reaction Methods 0.000 claims abstract description 99
- 230000006870 function Effects 0.000 claims description 26
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 99
- 230000002596 correlated effect Effects 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 35
- 239000000446 fuel Substances 0.000 description 20
- 238000002347 injection Methods 0.000 description 17
- 239000007924 injection Substances 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011045 prefiltration Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/11—Testing internal-combustion engines by detecting misfire
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/083—Safety, indicating, or supervising devices relating to maintenance, e.g. diagnostic device
-
- 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
- F02D41/0097—Electrical control of supply of combustible mixture or its constituents using means for generating speed signals
-
- 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
- F02D41/22—Safety or indicating devices for abnormal conditions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- F02D2200/101—Engine speed
-
- 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
- F02D2200/1015—Engines misfires
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
【解決手段】内燃機関の制御装置は、内燃機関の状態を示すパラメータを写像に入力し、写像から出力される失火が生じた確率P(i)に基づいて、失火の有無を分類している。写像の学習方法では、入力工程において訓練データを複数取得する。次に、更新工程において、入力された訓練データに基づいて写像を更新する。そして、入力工程で入力される訓練データの分布密度は、その確率P(i)と相関のある回転変動量ΔNEが分類境界CBに近いほど大きい。
【選択図】図7
Description
先ず、図1に基づいて、写像が搭載される車両の駆動系および制御装置の構成を説明する。
なお、CPU72は、S24,S28の処理が完了する場合や、S22,S26の処理において否定判定する場合には、図2に示す一連の処理を一旦終了する。
図4に、写像データ76aによって規定される写像を学習するシステムを示す。
図6に示すように、S50の予備入力工程で、訓練データとして入力された各内燃機関状態変数は、失火が生じる確率P(i)の大小によって、失火が生じる場合と失火が生じない場合とに分類できる。そして、失火が生じる確率P(i)と単位時間あたりの回転速度NEの変化量である回転変動量ΔNEとの間には、強い相関がある。具体的には、回転変動量ΔNEが大きくなれば失火が生じる確率P(i)は大きくなり、反対に、回転変動量ΔNEが小さくなれば失火が生じる確率P(i)は小さくなる。
(1)内燃機関10の失火の有無を分類するための写像を更新するにあたっては、訓練データの数のみならず、失火が生じているか否かの境界近傍の訓練データの存在が、分類結果の精度に大きく影響することが新たに判明した。上記実施形態によれば、S62の工程で入力される訓練データの分布密度は、分類境界CBに回転変動量ΔNEが近いほど大きくなっている。分類境界CB付近において、訓練データの分布密度が比較的に大きいことで、正解の分類結果を出力できるように、写像データが更新される。よって、回転変動量ΔNEの全ての領域を網羅するような大量の訓練データを用意しなくても、分類結果に対する影響の大きい訓練データを入力するので、写像の出力によって得られる分類結果が高精度になり得る。
上記実施形態における事項と、上記「課題を解決するための手段」の欄に記載した事項との対応関係は、次の通りである。以下では、「課題を解決するための手段」の欄に記載した解決手段の番号ごとに、対応関係を示している。[1]写像と演算部とを含むコンピュータは、制御装置70に対応する。演算部は、CPU72に対応する。訓練データを入力され更新工程を行う訓練用コンピュータは、適合装置104に対応する。内燃機関状態変数は、微小回転時間T30(1)〜T30(24)、回転速度NEおよび充填効率ηに対応する。正解の分類結果は、真の確率Pt(i)に対応する。入力工程は、S64の処理に対応する。更新工程は、S68の処理に対応する。境界は、分類境界CBに対応する。分類する内燃機関の状態は、内燃機関の失火の有無に対応する。[2]少なくとも1つの内燃機関状態変数は、回転速度NEに対応する。[3、4]入力工程は、S62の工程に、更新工程は、S68の工程に対応する。予備入力工程は、S50の処理に、予備更新工程は、S58の処理に対応する。[5]第1の間隔は、720°CAに対応し、第2の間隔は、30°CAに対応し、瞬時速度パラメータは、微小回転時間T30に対応する。取得処理は、S10の処理に対応する。
なお、本実施形態は、以下のように変更して実施することができる。本実施形態および以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
上記実施形態では、分類境界CBは、回転変動量ΔNEに対する回転速度NEの二次元上の境界線として示したが、これに限られない。たとえば、回転変動量ΔNE、回転速度NEおよび充填効率ηの三次元での境界面として示されてもよいし、さらに高次元の境界面として示されてもよい。このような場合、たとえば、分類境界CBは、内燃機関10が失火しているデータの分布する空間を定義する境界面となる。
上記実施形態では、失火が生じているか否かの確率に相関するパラメータとして回転変動量ΔNEを例示したが、失火のしやすさと相関のあるパラメータであれば構わない。
入力工程において入力する訓練データの分布密度と予備入力工程において入力する訓練データの分布密度との関係は、上記実施形態の例に限られない。例えば、入力工程と予備入力工程とで、訓練データの分布密度に大きな差がなくてもよい。この場合でも、全体として訓練データの数は増えるので、写像の出力結果の精度の向上は期待できる。
上記実施形態では、1燃焼サイクルである720°CAの回転角度間隔内における連続する複数の第2の間隔のそれぞれにおける瞬時速度パラメータとしての微小回転時間T30を失火の有無の判定のための写像の入力パラメータとした。すなわち、第1の間隔が720°CAであり、第2の間隔が30°CAである例を示したが、これに限らない。たとえば、第1の間隔が720°CAよりも長い回転角度間隔であってもよい。もっとも、第1の間隔が720°CA以上であることも必須ではない。たとえば「複数種類の写像データについて」の欄に記載したように、特定の気筒において失火が生じた確率や発生トルクに関するデータを出力する写像などの入力については、上記第1の間隔を480°CAとするなど、720°CA以下の間隔としてもよい。この際、圧縮上死点の出現間隔よりも長い回転角度間隔とすることが望ましい。なお、上記第1の間隔には、失火が生じた確率が求められる対象となる気筒の圧縮上死点が含まれることとする。
瞬時速度パラメータとしては、第2の間隔の回転に要する時間である微小回転時間に限らない。たとえば、第2の間隔を微小回転時間で割った値であってもよい。なお、瞬時速度パラメータとしては、極大値と極小値との差を固定値とする正規化処理がなされたものであることは必須ではない。また、写像の入力とするための前処理としてのフィルタ処理としては、上述したものに限らず、たとえば変速装置64の入力軸66の微小回転時間に基づき、入力軸66によってクランク軸24が回されている影響分を除く処理がなされたものとしてもよい。もっとも、写像の入力としての瞬時速度パラメータにフィルタ処理が施されていることは必須ではない。
上記実施形態では、回転速度NEおよび充填効率ηによって動作点を規定したが、これに限らない。たとえば、回転速度NEおよび吸入空気量Gaであってもよい。またたとえば、負荷として、充填効率ηに代えて、噴射量や内燃機関に対する要求トルクを用いてもよい。負荷として噴射量や要求トルクを用いることは、下記「内燃機関について」の欄に記載した圧縮着火式内燃機関において特に有効である。
瞬時速度パラメータに加えて入力する写像の入力としては、上記実施形態や上記変更例において例示したものに限らない。たとえば、内燃機関10の置かれた環境に関するパラメータを用いてもよい。具体的には、たとえば吸入空気中の酸素の割合に影響を与えるパラメータである大気圧を用いてもよい。またたとえば、燃焼室18内における混合気の燃焼速度に影響を与えるパラメータである吸気温を用いてもよい。またたとえば、燃焼室18内における混合気の燃焼速度に影響を与えるパラメータである湿度を用いてもよい。なお、湿度の把握には、湿度センサを用いてもよいが、ワイパーの状態や、雨滴を検知するセンサの検出値を利用してもよい。また、クランク軸24に機械的に連結される補機の状態に関するデータであってもよい。
上記実施形態では、内燃機関の失火の有無について分類したが、分類する状態は、失火の有無に限られない。例えば、内燃機関の異常の有無であってもよいし、内燃機関の特定の部品の故障の有無であってもよい。少なくとも、分類問題を写像の出力によって算出する際には、上記写像の学習方法を適用できる。
失火の確率を出力とする写像を構成するニューラルネットワークとしては、中間層が1層のニューラルネットワークに限らない。たとえば、中間層が2層以上のニューラルネットワークであってもよい。
たとえば、ニューラルネットワークを含んで構成される写像において、確率Pが連続的な値をとりうることは必須ではない。すなわち、たとえば実際に失火が生じたことのもっともらしさの大小に応じた3値の値を出力するものであるなど、3値以上の値を離散的または連続的に出力するものであればよい。もっともこれにも限らず、2値の値を出力するものであってもよい。
分類処理としては、失火が生じた確率を出力する写像の出力を直接用いるものに限らない。たとえば、図2の処理における写像の入力から回転速度NEを削除し、代わりに、出力としての失火の確率を回転速度NEによって補正してもよい。具体的には、たとえば、特定の回転速度NEにおける訓練データを用いて写像データを生成し、実際の回転速度NEが特定の回転速度NEからずれる場合に、写像が出力する失火の確率を上昇させるなどすればよい。これは、訓練データが前提とした回転速度NEからずれることにより確率の精度が低くなることに鑑みたマージンを設定する一手法である。
上記実施形態では、フェールフラグFが「1」となってからS32,S36,S40の処理を行っても失火が解消しない場合に、報知処理として警告灯90を操作する処理を実行したがこれに限らない。たとえば、フェールフラグFが「1」となる場合に直ちに報知処理を実行してもよい。
上記実施形態では、フェールフラグFが「1」となってからS32の処理を実行しても失火が解消しない場合にS36の処理を実行し,S36の処理を実行しても失火が解消しない場合にS40の処理を実行したが、このようにS32,S36,S40の処理の順に順次失火を解消するための処理を実行するものに限らない。たとえば、S36,S40,S32の処理の順に実行してもよく、またたとえば、S40,S36,S32の処理の順に実行してもよく、またたとえば、S40,S32,S36の順に実行してもよい。
上記実施形態では、クランク軸24にトルクコンバータ60および変速装置64を介してダイナモメータ100が接続された状態で内燃機関10を稼働した時のデータを訓練データとして用いたが、これに限らない。たとえば車両VCに搭載された状態で内燃機関10が駆動されたときにおけるデータを訓練データとして用いてもよい。
コンピュータとしては、CPU72(122)とROM74(124)とを備えて、ソフトウェア処理を実行するものに限らない。たとえば、上記実施形態においてソフトウェア処理されたものの少なくとも一部を、ハードウェア処理する専用のハードウェア回路(たとえばASIC等)を備えてもよい。すなわち、コンピュータは、以下の(a)〜(c)のいずれかの構成であればよい。(a)上記処理の全てを、プログラムに従って実行する処理装置と、プログラムを記憶するROM等のプログラム格納装置とを備える。(b)上記処理の一部をプログラムに従って実行する処理装置およびプログラム格納装置と、残りの処理を実行する専用のハードウェア回路とを備える。(c)上記処理の全てを実行する専用のハードウェア回路を備える。ここで、処理装置およびプログラム格納装置を備えたソフトウェア実行装置や、専用のハードウェア回路は複数であってもよい。
上記実施形態では、写像データ76aが記憶される記憶装置を、失火検出プログラム74aが記憶されるROM74とを別の記憶装置としたが、これに限らない。
上記実施形態では、燃料噴射弁として、燃焼室18内に燃料を噴射する筒内噴射弁を例示したがこれに限らない。たとえば吸気通路12に燃料を噴射するポート噴射弁であってもよい。またたとえば、ポート噴射弁と筒内噴射弁との双方を備えてもよい。
内燃機関が駆動系を構成すること自体必須ではない。たとえば、車載発電機にクランク軸が機械的に連結され、駆動輪69とは動力伝達が遮断されたいわゆるシリーズハイブリッド車に搭載されるものであってもよい。
車両としては、車両の推進力を生成する装置が内燃機関のみとなる車両に限らず、たとえば「内燃機関について」の欄に記載したシリーズハイブリッド車以外にも、パラレルハイブリッド車や、シリーズ・パラレルハイブリッド車であってもよい。
クランク軸と駆動輪との間に介在する駆動系装置としては、有段の変速装置に限らず、たとえば無段変速装置であってもよい。
60…駆動輪
64…変速装置
70…制御装置
72…CPU
74…ROM
76…記憶装置
76a…写像データ
100…ダイナモメータ
102…センサ群
104…適合装置
CB…分類境界
Claims (5)
- 内燃機関の状態を示すパラメータである内燃機関状態変数を入力として内燃機関の状態を複数の領域に分類した結果である分類結果に属する確率を算出する写像と、算出した確率に基づいて内燃機関の状態の前記分類結果を出力する演算部とを含むコンピュータの前記写像を学習させる方法であって、
前記内燃機関状態変数と、前記内燃機関状態変数に対応付けられた正解の前記分類結果とからなる複数の訓練データを、訓練用コンピュータに入力する入力工程と、
前記訓練用コンピュータが、入力された前記訓練データに基づいて前記写像を更新する更新工程と、を有し、
前記入力工程で入力される複数の前記訓練データの分布密度は、前記分類結果における複数の領域の境界に前記確率が近いほど大きい
写像の学習方法。 - 前記境界は、前記確率および少なくとも1つの前記内燃機関状態変数を含む多次元の関数として定められ、
前記入力工程で入力される複数の前記訓練データは、前記関数に含まれる前記内燃機関状態変数の一定の範囲以上に分布している
請求項1に記載の写像の学習方法。 - 前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、
前記入力工程で入力される複数の前記訓練データの分布密度は、前記予備入力工程で入力される複数の前記訓練データの分布密度よりも、前記境界に前記確率が近いほど大きい
請求項1または請求項2に記載の写像の学習方法。 - 前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、
前記入力工程で入力された前記訓練データから前記写像を用いて算出された確率と前記境界との差が所定値以上である場合には、当該訓練データは、前記更新工程における訓練データからは除外する
請求項1〜請求項3のいずれか1項に記載の写像の学習方法。 - 前記分類結果は、前記内燃機関の失火の有無であり、
前記写像は、第1間隔に含まれる連続する複数の第2間隔のそれぞれにおける瞬時速度パラメータである時系列データを入力とし、内燃機関に失火が生じた確率を出力する写像であり、
前記瞬時速度パラメータは、前記内燃機関のクランク軸の回転速度に応じたパラメータであり、
前記第1間隔は、前記クランク軸の回転角度間隔であって圧縮上死点を含む間隔であり、
前記第2間隔は、前記圧縮上死点の出現間隔よりも小さい間隔であり、
前記写像は、前記第1間隔内に圧縮上死点が出現する少なくとも1つの気筒に関して失火が生じた確率を出力するものであり、
前記確率は、前記内燃機関のクランク軸の回転挙動の変化量である回転変動量である
請求項1〜請求項4のいずれか1項に記載の写像の学習方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020023511A JP7347251B2 (ja) | 2020-02-14 | 2020-02-14 | 写像の学習方法 |
DE102021100866.2A DE102021100866A1 (de) | 2020-02-14 | 2021-01-18 | Verfahren zum Erlernen eines Mappings |
US17/168,383 US20210255061A1 (en) | 2020-02-14 | 2021-02-05 | Method for learning mapping |
CN202110176700.6A CN113266485B (zh) | 2020-02-14 | 2021-02-07 | 映射的学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020023511A JP7347251B2 (ja) | 2020-02-14 | 2020-02-14 | 写像の学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021127742A true JP2021127742A (ja) | 2021-09-02 |
JP7347251B2 JP7347251B2 (ja) | 2023-09-20 |
Family
ID=77060991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020023511A Active JP7347251B2 (ja) | 2020-02-14 | 2020-02-14 | 写像の学習方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210255061A1 (ja) |
JP (1) | JP7347251B2 (ja) |
CN (1) | CN113266485B (ja) |
DE (1) | DE102021100866A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004341959A (ja) * | 2003-05-16 | 2004-12-02 | Just Syst Corp | データ分類装置、データ分類方法およびその方法をコンピュータに実行させるプログラム |
JP2007278106A (ja) * | 2006-04-04 | 2007-10-25 | Tokyo Gas Co Ltd | 発電用内燃機関の失火検出方法及び装置 |
JP2011065545A (ja) * | 2009-09-18 | 2011-03-31 | Panasonic Electric Works Co Ltd | 信号識別装置および信号識別方法 |
JP2018092613A (ja) * | 2016-12-06 | 2018-06-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理装置、情報処理方法及びプログラム |
JP2019100282A (ja) * | 2017-12-05 | 2019-06-24 | 大阪瓦斯株式会社 | 副室式エンジンの燃焼状態判別方法、副室式エンジン、及びエンジンシステム |
JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
JP6624325B1 (ja) * | 2019-03-29 | 2019-12-25 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、内燃機関の制御装置、内燃機関の失火検出方法、および受信実行装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0472449A (ja) * | 1990-07-10 | 1992-03-06 | Fuji Heavy Ind Ltd | エンジンの失火診断装置 |
US5307670A (en) * | 1990-11-01 | 1994-05-03 | Fuji Jukogyo Kabushiki Kaisha | Misfire discriminating method for an engine |
US5193513A (en) * | 1992-06-03 | 1993-03-16 | Ford Motor Company | Misfire detection in an internal combustion engine using exhaust pressure |
US6131444A (en) * | 1998-09-15 | 2000-10-17 | Chrysler Corporation | Misfire detection using a dynamic neural network with output feedback |
JP4345847B2 (ja) * | 2006-09-01 | 2009-10-14 | トヨタ自動車株式会社 | 内燃機関の失火判定装置および失火判定方法並びに車両 |
US20080243364A1 (en) * | 2007-03-26 | 2008-10-02 | Etas, Inc. | Neural network-based engine misfire detection systems and methods |
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 |
JP4946889B2 (ja) * | 2008-01-23 | 2012-06-06 | トヨタ自動車株式会社 | 内燃機関の失火検出装置 |
US8543280B2 (en) * | 2011-04-29 | 2013-09-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative multi-agent vehicle fault diagnostic system and associated methodology |
JP5861779B2 (ja) * | 2012-06-26 | 2016-02-16 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
AT513137B1 (de) * | 2012-09-13 | 2014-02-15 | Avl List Gmbh | Verfahren zur Überwachung zumindest eines Abgasturboladers |
WO2019099228A1 (en) * | 2017-11-14 | 2019-05-23 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
US11125175B2 (en) * | 2017-11-14 | 2021-09-21 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
JP6624326B1 (ja) * | 2019-03-29 | 2019-12-25 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、内燃機関の制御装置、内燃機関の失火検出方法、および受信実行装置 |
JP6624324B1 (ja) * | 2019-03-29 | 2019-12-25 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、内燃機関の制御装置、内燃機関の失火検出方法、および受信実行装置 |
CN110502991B (zh) * | 2019-07-18 | 2022-12-02 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
-
2020
- 2020-02-14 JP JP2020023511A patent/JP7347251B2/ja active Active
-
2021
- 2021-01-18 DE DE102021100866.2A patent/DE102021100866A1/de active Pending
- 2021-02-05 US US17/168,383 patent/US20210255061A1/en not_active Abandoned
- 2021-02-07 CN CN202110176700.6A patent/CN113266485B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004341959A (ja) * | 2003-05-16 | 2004-12-02 | Just Syst Corp | データ分類装置、データ分類方法およびその方法をコンピュータに実行させるプログラム |
JP2007278106A (ja) * | 2006-04-04 | 2007-10-25 | Tokyo Gas Co Ltd | 発電用内燃機関の失火検出方法及び装置 |
JP2011065545A (ja) * | 2009-09-18 | 2011-03-31 | Panasonic Electric Works Co Ltd | 信号識別装置および信号識別方法 |
JP2018092613A (ja) * | 2016-12-06 | 2018-06-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理装置、情報処理方法及びプログラム |
JP2019100282A (ja) * | 2017-12-05 | 2019-06-24 | 大阪瓦斯株式会社 | 副室式エンジンの燃焼状態判別方法、副室式エンジン、及びエンジンシステム |
JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
JP6624325B1 (ja) * | 2019-03-29 | 2019-12-25 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、内燃機関の制御装置、内燃機関の失火検出方法、および受信実行装置 |
Also Published As
Publication number | Publication date |
---|---|
DE102021100866A1 (de) | 2021-08-19 |
JP7347251B2 (ja) | 2023-09-20 |
US20210255061A1 (en) | 2021-08-19 |
CN113266485A (zh) | 2021-08-17 |
CN113266485B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6593560B1 (ja) | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 | |
JP6665961B1 (ja) | 内燃機関の状態検出システム、データ解析装置、及び車両 | |
CN111749787B (zh) | 内燃机的失火检测装置、系统及方法、数据解析装置、内燃机的控制装置、及接收执行装置 | |
US11255282B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
US10969304B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
CN111749789B (zh) | 内燃机的失火检测装置、系统及方法、数据解析装置、内燃机的控制装置、及接收执行装置 | |
JP6708292B1 (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
JP2020133621A (ja) | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 | |
JP6708291B1 (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
JP2021025412A (ja) | 内燃機関の状態検出システム、データ解析装置、及びハイブリッド車両 | |
JP2021127742A (ja) | 写像の学習方法 | |
JP7215435B2 (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
JP2021038741A (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
JP2021032160A (ja) | 内燃機関の状態検出システム、データ解析装置、及び車両 | |
JP2021032091A (ja) | 内燃機関の状態検出システム、データ解析装置、及び車両 | |
JP2021038742A (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および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: 20220317 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230515 |
|
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: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230821 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7347251 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |