JP2022032827A - エンジンモデル構築方法、プログラム、および装置 - Google Patents

エンジンモデル構築方法、プログラム、および装置 Download PDF

Info

Publication number
JP2022032827A
JP2022032827A JP2020137059A JP2020137059A JP2022032827A JP 2022032827 A JP2022032827 A JP 2022032827A JP 2020137059 A JP2020137059 A JP 2020137059A JP 2020137059 A JP2020137059 A JP 2020137059A JP 2022032827 A JP2022032827 A JP 2022032827A
Authority
JP
Japan
Prior art keywords
engine
engine model
test pattern
test
model
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
Application number
JP2020137059A
Other languages
English (en)
Other versions
JP7444732B2 (ja
Inventor
雅俊 小川
Masatoshi Ogawa
拓真 出川
Takuma Degawa
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.)
Transtron Inc
Original Assignee
Transtron Inc
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 Transtron Inc filed Critical Transtron Inc
Priority to JP2020137059A priority Critical patent/JP7444732B2/ja
Priority to EP21184740.5A priority patent/EP3955075A1/en
Priority to US17/374,117 priority patent/US11537507B2/en
Publication of JP2022032827A publication Critical patent/JP2022032827A/ja
Application granted granted Critical
Publication of JP7444732B2 publication Critical patent/JP7444732B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3676—Test management for coverage analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3692—Test management for test results analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • 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
    • F02D41/24—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Of Engines (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】Ｃｈｉｒｐ信号を用いたエンジン試験では、操作変数を変化させて網羅性の高い試験を行うようにしている。しかしながら、制御器の構築から評価にかかる試験工数は、その制御に所望の応答が得られない場合において、エンジン試験を繰り返し実施する必要があり、多くの試験工数が必要となる。【解決手段】コンピュータが、エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正し、修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得し、修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する処理を実行する。【選択図】図７

Description

本発明は、エンジンモデル構築方法、プログラム、および装置に関する。
Ｃｈｉｒｐ信号によって、試験に用いる操作変数を時系列に沿って変化させる、自動車のエンジン試験が行われている。Ｃｈｉｒｐ信号を用いたエンジン試験では、操作変数を変化させて網羅性の高い試験を行うようにしている。
しかしながら、制御器の構築から評価までに実施するエンジン試験は、その制御に所望の応答が得られない場合において、繰り返し実施する必要があり、多くの試験工数を必要とする。
一つの側面では、より少ない試験工数でエンジン試験を実施するためのエンジンモデルを提供できるエンジンモデル構築方法、プログラム、および装置を提供することを目的とする。
第１の案では、コンピュータが、エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正し、修正された試験パターンによるエンジン試験を実施して操作変数と操作変数に対する被制御量との時系列データを取得し、修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習することによりエンジンモデルを構築する処理を実行する。
一つの側面では、より少ない試験工数でエンジン試験を実施するためのエンジンモデルを提供できる。
図１は、実施例１にかかる構築装置１００の機能構成を示す機能ブロック図である。 図２は、実施例１にかかるＣｈｉｒｐ信号を用いたエンジン試験の一例を示す図である。 図３は、実施例１にかかる網羅率に基づく信号修正の一例を示す図である。 図４は、実施例１にかかる空気過剰率に基づく信号修正の一例を示す図である。 図５は、実施例１にかかるエンジンモデル構築の一例を示す図である。 図６は、実施例１にかかるエンジンモデルの一例を示す図である。 図７は、実施例１にかかるモデル予測制御の一例を示す図である。 図８は、実施例１にかかるモデル予測制御の別例を示す図である。 図９は、実施例１にかかるエンジンモデル構築処理の流れを示すフローチャートである。 図１０は、ハードウェア構成例を説明する図である。 図１１は、エンジンモデル構築のブロック図である。 図１２は、Ｃｈｉｒｐ信号修正部のブロック図である。 図１３は、第１Ｃｈｉｒｐ信号修正部のブロック図である。 図１４は、第２Ｃｈｉｒｐ信号修正部のブロック図である。 図１５は、エンジンモデル構築部のブロック図である。
以下に、本願の開示するエンジンモデル構築方法、プログラム、および装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。
［実施例１］
［構築装置１００の機能構成］
まず、本願の開示するエンジンモデル構築方法を実施する構築装置１００の機能構成について説明する。図１は、実施例１にかかる構築装置１００の機能構成を示す機能ブロック図である。図１に示すように、構築装置１００は、通信部１１０、記憶部１２０、および制御部１３０を有する。
通信部１１０は、他の装置との間の通信を制御する処理部であり、例えば、通信インタフェースである。
記憶部１２０は、各種データや、制御部１３０が実行するプログラムを記憶する記憶装置の一例であり、例えば、メモリやハードディスクなどである。記憶部１２０は、操作変数マスタ１２１、試験パターンテーブル１２２、試験条件マスタ１２３、およびエンジンモデルＤＢ１２４を記憶する。
操作変数マスタ１２１は、エンジン試験に用いる操作変数に関する情報を記憶するマスタである。操作変数マスタ１２１は、例えば、エンジン試験ごとに、用いる操作変数、操作変数の取りうる値の範囲、および操作変数の網羅率などを対応付けて記憶できる。
試験パターンテーブル１２２は、構築装置１００によって生成および修正されるＣｈｉｒｐ信号に関する情報を記憶するテーブルである。試験パターンテーブル１２２は、例えば、エンジン試験ごとに、生成および修正されたＣｈｉｒｐ信号などを対応付けて記憶できる。
試験条件マスタ１２３は、安全性の高いエンジン試験を実施するための試験条件に関する情報を記憶するマスタである。試験条件マスタ１２３は、例えば、エンジン試験ごとに、とってはいけない操作変数の組み合わせの範囲、および操作変数の変化速度値などを対応付けて記憶できる。
エンジンモデルＤＢ１２４は、構築装置１００によって構築されたエンジンモデル、および設計用モデルに関する情報を記憶するＤＢ（データベース）である。ここで、設計用モデルとは、エンジンの各操作変数の操作量を予測する予測制御器上でエンジンモデルを動作させるために、当該エンジンモデルを用いて作成される第２のエンジンモデルである。なお、エンジンモデルＤＢ１２４には、エンジンモデルや設計用モデルを構築するためのモデルパラメータを記憶できる。
なお、上記はあくまで一例であり、記憶部１２０には、上記テーブルおよびマスタ以外にも様々な情報を記憶できる。
制御部１３０は、構築装置１００全体を司る処理部であり、例えば、プロセッサなどである。制御部１３０は、生成部１３１、修正部１３２、取得部１３３、構築部１３４、および送信部１３５を備える。なお、各処理部は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。
制御部１３０は、生成部１３１、修正部１３２、取得部１３３、構築部１３４などを制御して、より少ない試験工数でエンジン試験を実施するためのエンジンモデルを構築する。
Ｃｈｉｒｐ信号を用いたエンジン試験について説明する。図２は、Ｃｈｉｒｐ信号を用いたエンジン試験の一例を示す図である。エンジン試験に用いるＣｈｉｒｐ信号は、エンジン試験に用いる操作変数の時系列変化を示すデータ、すなわち、試験パターンである。このようなＣｈｉｒｐ信号は、操作変数ごとに存在する。
エンジン試験に用いる操作変数とは、具体的には、燃料噴射量、ＥＧＲ（Ｅｘｈａｕｓｔ Ｇａｓ Ｒｅｃｉｒｃｕｌａｔｉｏｎ：排気ガス再循環）率、タービン開度、ＩＴＨ（Ｉｎｔａｋｅ ＴＨｒｏｔｔｌｅ：吸気スロットル）開度などである。また、本明細書では、操作変数を単に変数と表現する場合がある。
図２の例では、まず、操作変数１～ｎ（ｎは任意の整数）ごとに、Ｃｈｉｒｐ信号１０－１～１０－ｎが生成される。例えば、エンジン試験に用いる操作変数が５つの場合は、Ｃｈｉｒｐ信号１０－１～１０－５が生成されることになる。
次に、生成されたＣｈｉｒｐ信号１０－１～１０－ｎは、操作変数１～ｎの取りうる空間と操作変数１～ｎの変化速度値の取りうる空間との双方の網羅率を最大化するように、Ｃｈｉｒｐ信号２０－１～２０－ｎに修正される。操作変数の変化速度値とは、操作変数を変化させる速度を示す値である。操作変数によっては、例えば、エンジン試験中に急激に変化させると危険な状態を招く場合もありうる。網羅率に基づくＣｈｉｒｐ信号の修正処理の詳細については後述する。
次に、修正されたＣｈｉｒｐ信号２０－１～２０－ｎを用いてエンジン試験を行ない、操作変数１～ｎの操作量と当該操作変数１～ｎに対する被制御量１～ｎとの時系列データ５０－１～５０－ｎが取得される。
そして、構築装置１００は、エンジン試験に用いられた試験パターンであるＣｈｉｒｐ信号２０－１～２０－ｎを入力、および取得された時系列データ５０－１～５０－ｎを正解とする教師データを機械学習することでエンジンモデルを構築する。このようなエンジンモデルを用いて、操作変数を時系列変化させたときの当該操作変数に対する被制御量の時系列データを予測できる。
なお、図２の例では、Ｃｈｉｒｐ信号１０－１～１０－ｎや修正後のＣｈｉｒｐ信号２０－１～２０－ｎなどを同一の波形で示しているが、これらはあくまでもイメージであり、実際には、Ｃｈｉｒｐ信号ごとに異なる波形を示しうる。また、Ｃｈｉｒｐ信号の生成および修正、ならびにエンジン試験の実施のすべての処理を構築装置１００が実行する必要はなく、処理ごとに別装置を用いて実行してもよい。
生成部１３１は、エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成する。具体的には、生成部１３１は、例えば、操作変数マスタ１２１に記憶された、操作変数、および操作変数の取りうる値の範囲に基づいて、操作変数１～ｎごとに、各操作変数を時系列に沿って変化させるＣｈｉｒｐ信号１０－１～１０－ｎを生成する。
修正部１３２は、操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて、生成部１３１によって生成された試験パターンを修正する。図３は、実施例１にかかる網羅率に基づく信号修正の一例を示す図である。図３に示すように、修正部１３２は、生成部１３１によって生成されたＣｈｉｒｐ信号１０－１～１０－ｎを、操作変数１～ｎの取りうる空間と、操作変数１～ｎの変化速度値の取りうる空間との双方の網羅率を最大化するように、修正する。
操作変数１～ｎの取りうる空間とは、例えば、図３に示すように、各操作変数の組み合わせが取りうる座標空間である。当該座標空間について、操作変数１と操作変数２との組み合わせが取りうる座標空間を例として説明する。操作変数１と操作変数２との組み合わせが、当該座標空間を、それぞれの操作変数の時系列変化を示すＣｈｉｒｐ信号によって、満遍なく網羅するほど網羅率は高くなる。このように、操作変数の取りうる空間の網羅率がより高くなるように、Ｃｈｉｒｐ信号が修正される。
操作変数の取りうる空間の網羅率は、例えば、図３に示すように、座標空間を複数の領域に分割し、各領域に対する、操作変数の組み合わせの有無の割合によって算出される。
また、図３の領域に×印で示されるように、操作変数の組み合わせによっては、とってはいけない領域が存在する場合がある。そのため、修正部１３２は、座標空間からこのような領域を除外した上で、当該領域に操作変数の組み合わせが含まれないようにＣｈｉｒｐ信号を修正する。
操作変数１～ｎの変化速度値の取りうる空間については、操作変数１～ｎの取りうる空間の上記説明と同様である。以上のように、修正部１３２は、Ｃｈｉｒｐ信号１０－１～１０－ｎを、各操作変数の取りうる空間と、各操作変数の変化速度値の取りうる空間との双方の網羅率を最大化するように、Ｃｈｉｒｐ信号２０－１～２０－ｎに修正する。
また、修正部１３２は、空気過剰率に基づいて試験パターンをさらに修正できる。図４は、実施例１にかかる空気過剰率に基づく信号修正の一例を示す図である。図４に示すように、修正部１３２は、Ｃｈｉｒｐ信号２０－１～２０－ｎを、空気過剰率が所定の閾値を下回らないように、修正する。
空気過剰率は、例えば、エンジンに吸入された空気質量を、供給された燃料を完全燃焼させる理論空気質量で除算することにより、取得される。空気過剰率は、例えば、１．０など所定の閾値を下回ると、不完全燃焼を引き起こし、一酸化炭素や黒煙が増加する異常な状態でエンジンが運転されることになる。また、空気過剰率は、燃料噴射量、ＥＧＲ率、タービン開度、吸気スロットル開度などの操作変数による影響を受ける。そのため、修正部１３２は、空気過剰率が所定の閾値を下回らないように下限を設け、各操作変数、すなわちＣｈｉｒｐ信号２０－１～２０－ｎを、Ｃｈｉｒｐ信号２０’－１～２０’－ｎに修正する。
なお、空気過剰率は、所定の閾値を上回ると、必要以上に空気が供給されていることになるため排ガス熱損失が増加する。そのため、修正部１３２はさらに、空気過剰率に対する上限を設け、空気過剰率が所定の範囲内を保つように、Ｃｈｉｒｐ信号を修正してもよい。
また、修正部１３２は、ＨＣ（炭化水素）、ＣＯ（一酸化炭素）、およびＮＯｘ（窒素酸化物）などの排気ガス成分の規制値に基づいて、各成分の濃度が各規制値を上回らないように、Ｃｈｉｒｐ信号を修正できる。排気ガス成分の規制値に基づくＣｈｉｒｐ信号の修正は、空気過剰率に基づくＣｈｉｒｐ信号の修正と併せて、または代えて実行されてよい。
網羅率に基づいて修正されたＣｈｉｒｐ信号２０－１～２０－ｎを、空気過剰率や排気ガス成分の規制値に基づいてさらに修正したＣｈｉｒｐ信号をＣｈｉｒｐ信号２０’－１～２０’－ｎとして表現する。また、以下のエンジンモデル構築などの説明の中で、Ｃｈｉｒｐ信号２０－１～２０－ｎとしている部分は、Ｃｈｉｒｐ信号をＣｈｉｒｐ信号２０’－１～２０’－ｎに置き換えられてもよい。
取得部１３３は、修正した試験パターンによるエンジン試験を実施して、操作変数１～ｎの操作量と、操作変数１～ｎに対する被制御量との時系列データ５０－１～５０－ｎを取得する。なお、実施されるエンジン試験は、エンジン実機を用いた試験であってもよいし、バーチャルエンジンを用いた仮想試験であってもよい。
構築部１３４は、修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習することでエンジンモデルを構築する。図５は、実施例１にかかるエンジンモデル構築の一例を示す図である。図５に示すように、修正部１３２によって修正された試験パターンであるＣｈｉｒｐ信号２０－１～２０－ｎ、および取得部１３３によって取得された時系列データ５０－１～５０－ｎに基づいて、エンジンモデル８０が構築される。これにより、エンジンモデル８０は、操作変数としてＣｈｉｒｐ信号を入力すると、Ｃｈｉｒｐ信号によってエンジンを運転した場合の、当該操作変数に対する被制御量の時系列データを予測し、出力できる。
エンジンモデル８０は、例えば、中間層（隠れ層）を２層以上有する、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）またはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）による機械学習モデルである。図６は、実施例１にかかるエンジンモデルの一例を示す図である。図６の例は、ＬＳＴＭモデルの構造を示すものである。ＬＳＴＭは、ＲＮＮの中間層のユニットをＬＳＴＭ Ｂｌｏｃｋと呼ばれるメモリと３つのゲートとに置き換えることにより、短期依存に加え、長期依存を学習でき、エンジン試験における各操作変数に対する被制御量をより高精度に予測できる。
図６における各パラメータは、以下の式（１）～（６）を用いて算出される。
Figure 2022032827000002
Figure 2022032827000003
Figure 2022032827000004
Figure 2022032827000005
Figure 2022032827000006
Figure 2022032827000007
 ここで、ｓはシグモイド関数、ｂはバイアス、Ｗは入力重み、Ｕは回帰重み、ｆおよびｇは双曲線正接関数（ｔａｎｈ）をそれぞれ示す。
このようなエンジンモデル８０を用いて、操作変数の時系列変化を示すＣｈｉｒｐ信号から、Ｃｈｉｒｐ信号によってエンジンを運転した場合の、当該操作変数に対する被制御量の時系列データを予測できる。そのため、エンジン試験にエンジンモデル８０を用いて、モデル出力値の被制御量が制御目標値に追従するようモデル入力値の操作変数の操作量を決定することにより、より少ない試験工数で網羅性の高いエンジン試験を実施できる。
図５の説明に戻り、構築部１３４は、エンジンの各操作変数の操作量を決定するモデル予測制御器上でエンジンモデルを動作させるために、エンジンモデル８０を用いて別のモデルである設計用モデル８１を作成する。設計用モデル８１は、例えば、エンジンモデル８０のモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて作成される。また、設計用モデル８１は、エンジンモデル８０を線形化して作成されてもよい。設計用モデル８１も、エンジンモデル８０同様、ＲＮＮまたはＬＳＴＭによる機械学習モデルである。
送信部１３５は、構築部１３４によって作成された設計用モデル８１を、設計用モデル８１を用いてエンジンの各操作変数の操作量を決定するモデル予測制御器に送信する。
次に、モデル予測制御器による操作量の決定、および決定した操作量に基づくエンジン試験の制御について説明する。図７は、実施例１にかかるモデル予測制御の一例を示す図である。
図７の例では、モデル予測制御器の一例である予測制御器２００は、設計用モデル８１を用いた操作コストの最適化を行ない、エンジンの各操作変数１～ｎの操作量９０－１～９０－ｎを決定する。
まず、予測制御器２００は、設計用モデル８１にエンジンの各操作変数１～ｎの操作量９０－１～９０－ｎを入力し、当該操作変数に対する被制御量を取得する。そして、制御目標値７１に対する応答などを考慮した、例えば、以下の式（７）を用いてコスト関数Jを算出し、操作コストが最小となるように各操作変数の操作量を決定する。
Figure 2022032827000008
 ここで、ｐは予測を考慮する未来の一定期間、ＱおよびＲΔｕは重み係数、ｕは操作量、Δｕは操作量の変化量、ｒは制御目標値７１、ｙは被制御量５１－１～５１－ｎである。
そして、操作コストが最小となった操作量９０－１～９０－ｎを用いて実エンジン３００が制御される。
なお、エンジン試験は、実エンジン３００ではなく、エンジンモデル８０を用いた仮想試験であってもよい。図８は、実施例１にかかるモデル予測制御の別例を示す図である。図８における予測制御器２００の処理は、図７で説明した予測制御器２００の処理と同様である。図８の別例では、予測制御器２００によって決定した操作量９０－１～９０－ｎを用いて、エンジンモデル８０を制御し、エンジン試験が行われる。
［処理の流れ］
次に、実施例１にかかるエンジンモデル構築処理の流れを説明する。図９は、実施例１にかかるエンジンモデル構築処理の流れを示すフローチャートである。
まず、図９に示すように、構築装置１００の生成部１３１は、エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンとして、操作変数ごとのＣｈｉｒｐ信号を生成する（ステップＳ１０１）。
次に、構築装置１００の修正部１３２は、操作変数の取りうる空間の網羅率と操作変数の変化速度値の取りうる空間の網羅率とに基づいて、ステップＳ１０１で生成されたＣｈｉｒｐ信号を修正する（ステップＳ１０２）。また、修正部１３２は、空気過剰率や排気ガス成分の規制値に基づいて、Ｃｈｉｒｐ信号をさらに修正することもできる。
次に、構築装置１００の取得部１３３は、ステップＳ１０２で修正されたＣｈｉｒｐ信号を用いてエンジン試験を実施して（ステップＳ１０３）、操作変数の操作量と、操作変数に対する被制御量との時系列データを取得する（ステップＳ１０４）。
次に、構築装置１００の構築部１３４は、ステップＳ１０２で修正されたＣｈｉｒｐ信号を入力、およびステップＳ１０４で取得された時系列データを正解とする教師データを機械学習することでモデルを構築する（ステップＳ１０５）。
ステップＳ１０５の実行後、図９に示す処理は終了するが、ステップＳ１０５で構築されたエンジンモデルを用いて、Ｃｈｉｒｐ信号によってエンジンを運転した場合の、操作変数に対する被制御量の時系列データを予測できる。そして、エンジン試験の際、予測された時系列データを用いてエンジンまたは仮想エンジンを制御することにより、網羅性の高いエンジン試験をより少ない試験工数で行うことができる。
［効果］
上述したように、構築装置１００は、エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正し、修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得し、修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する。
これにより、より少ない試験工数でエンジン試験を実施するためのエンジンモデルを提供できる。そして、構築されたエンジンモデルを用いて、エンジンの各操作変数の操作量を逐次最適化により決定して制御することにより、より少ない試験工数で網羅性の高いエンジン試験を実施できる。
また、構築装置１００によって実行される生成する処理は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号を生成する処理を含む。
これにより、Ｃｈｉｒｐ信号を用いた網羅性の高いエンジン試験を実施するためのエンジンモデルを提供できる。
また、構築装置１００によって実行される構築する処理は、エンジンモデルとして、中間層を２層以上有する、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）またはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）による機械学習モデルを構築する処理を含む。
これにより、エンジン試験の際のエンジンの各操作変数の操作量に対する被制御量を、より高精度に予測できるエンジンモデルを提供できる。
また、構築装置１００は、エンジンモデルを用いてエンジンモデルのモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて第２のエンジンモデルを作成する処理をさらに実行する。
これにより、エンジン試験の際のエンジンの各操作変数の操作量を決定するモデル予測制御器上で動作するエンジンモデルを提供できる。そして、モデル予測制御器上でエンジンモデルを用いて、エンジン試験の際のエンジンの各操作変数の操作量を決定することで、より少ない試験工数でエンジン試験を実施できる。
また、構築装置１００は、エンジンモデルを線形化し、第２のエンジンモデルを作成する処理をさらに実行する。
これにより、エンジン試験の際のエンジンの各操作変数の操作量を決定する予測制御器上で動作するエンジンモデルを提供できる。そして、予測制御器上でエンジンモデルを用いて、エンジン試験の際のエンジンの各操作変数の操作量を決定することで、より少ない試験工数でエンジン試験を実施できる。
また、構築装置１００は、エンジンモデルを用いて被制御量を予測する第２のコンピュータに、第２のエンジンモデルを送信する処理をさらに実行する。
これにより、予測制御器上でエンジンモデルを用いて、エンジン試験の際のエンジンの各操作変数の操作量を予測でき、より少ない試験工数でエンジン試験を実施できる。
また、構築装置１００は、第１の空間から、操作変数のとってはいけない領域を除外する処理と、第２の空間から、変化速度値のとってはいけない領域を除外する処理との少なくとも１つの処理をさらに実行する。
これにより、異常な状態を引き起こさないように修正された試験パターンを教師データとして学習して構築された、より少ない試験工数で安全かつ網羅性の高いエンジン試験を実施できるエンジンモデルを提供できる。
また、構築装置１００は、空気過剰率に基づいて試験パターンを修正する処理をさらに実行する。
これにより、異常な状態を引き起こさないようにさらに修正された試験パターンを教師データとして学習して構築された、より少ない試験工数でより安全かつ網羅性の高いエンジン試験を実施できるエンジンモデルを提供できる。
［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更できる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更できる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成できる。例えば、構築装置１００の生成部１３１と修正部１３２とを統合できる。
さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。
［ハードウェア］
上述した構築装置１００のハードウェア構成について説明する。図１０は、ハードウェア構成例を示す図である。図１０に示すように、構築装置１００は、通信部１００ａ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）１００ｂ、メモリ１００ｃ、およびプロセッサ１００ｄを有する。また、図１０に示した各部は、バスなどで相互に接続される。
通信部１００ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１００ｂは、図１に示した機能を動作させるプログラムやＤＢを記憶する。
プロセッサ１００ｄは、図１に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１００ｂなどから読み出してメモリ１００ｃに展開することで、図１で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、構築装置１００が有する各処理部と同様の機能を実行する。具体的には、例えば、プロセッサ１００ｄは、生成部１３１や修正部１３２などと同様の機能を有するプログラムをＨＤＤ１００ｂなどから読み出す。そして、プロセッサ１００ｄは、生成部１３１や修正部１３２などと同様の処理を実行するプロセスを実行する。
このように、構築装置１００は、プログラムを読み出して実行することで各処理を実行する情報処理装置として動作する。また、構築装置１００は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、構築装置１００によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用できる。
なお、このプログラムは、インターネットなどのネットワークを介して配布できる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行できる。
［実施例２］
さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態および構成にて実施されてよいものである。例えば、構築装置１００は、以下で説明する構成であってもよい。
図１１は、エンジンモデル構築のブロック図である。図１１におけるＣｈｉｒｐ信号生成部、Ｃｈｉｒｐ信号修正部、およびエンジンモデル構築部は、それぞれ、構築装置１００の生成部１３１、修正部１３２、および構築部１３４の一例である。また、図１１における実エンジンシステムは、エンジン実機、バーチャルエンジン、またはエンジン実機を用いて生成された機械学習モデルであるエンジンモデルであってよい。
図１２は、Ｃｈｉｒｐ信号修正部のブロック図である。図１１のＣｈｉｒｐ信号修正部は、図１２に示すように、第１Ｃｈｉｒｐ信号修正部と第２Ｃｈｉｒｐ信号修正部とにより構成されてよい。
図１３は、第１Ｃｈｉｒｐ信号修正部のブロック図である。図１２の第１Ｃｈｉｒｐ信号修正部は、図１３に示すように、網羅率最適化部、網羅率算出部、ならびに変数の取りうる空間検出部および変数の変化速度値の取りうる空間検出部により構成されてよい。
図１４は、第２Ｃｈｉｒｐ信号修正部のブロック図である。図１２の第２Ｃｈｉｒｐ信号修正部は、図１４に示すように、空気過剰率検出部により構成されてよい。
図１５は、エンジンモデル構築部のブロック図である。図１１のエンジンモデル構築部は、図１２にモデル構築部として示すように、モデル構造決定部、操作量検出部、および被制御量検出部とにより構成されてよい。
また、以上の実施例１を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）コンピュータが、
エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、
操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正し、
修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得し、
修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する
処理を実行することを特徴とするエンジンモデル構築方法。
（付記２）試験パターンを生成する処理は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号を生成する処理を含むことを特徴とする付記１に記載のエンジンモデル構築方法。
（付記３）エンジンモデルを構築する処理は、エンジンモデルとして、中間層を２層以上有する、ＲＮＮまたはＬＳＴＭによる機械学習モデルを構築する処理を含むことを特徴とする付記１に記載のエンジンモデル構築方法。
（付記４）コンピュータが、
エンジンモデルを用いてエンジンモデルのモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて第２のエンジンモデルを作成する
処理をさらに実行することを特徴とする付記３に記載のエンジンモデル構築方法。
（付記５）コンピュータが、
エンジンモデルを線形化し、第２のエンジンモデルを作成する
処理をさらに実行することを特徴とする付記１に記載のエンジンモデル構築方法。
（付記６）コンピュータが、
エンジンモデルを用いて被制御量を予測する第２のコンピュータに、第２のエンジンモデルを送信する
処理をさらに実行することを特徴とする付記４または５に記載のエンジンモデル構築方法。
（付記７）コンピュータが、
第１の空間から、操作変数のとってはいけない領域を除外する処理と、
第２の空間から、変化速度値のとってはいけない領域を除外する処理と
の少なくとも１つの処理をさらに実行することを特徴とする付記１に記載のエンジンモデル構築方法。
（付記８）コンピュータが、
空気過剰率に基づいて試験パターンを修正する
処理をさらに実行することを特徴とする付記１に記載のエンジンモデル構築方法。
（付記９）コンピュータに、
エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、
操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正し、
修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得し、
修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する
処理を実行させることを特徴とするプログラム。
（付記１０）試験パターンを生成する処理は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号を生成する処理を含むことを特徴とする付記９に記載のプログラム。
（付記１１）エンジンモデルを構築する処理は、エンジンモデルとして、中間層を２層以上有する、ＲＮＮまたはＬＳＴＭによる機械学習モデルを構築する処理を含むことを特徴とする付記９に記載のプログラム。
（付記１２）コンピュータに、
エンジンモデルを用いてエンジンモデルのモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて第２のエンジンモデルを作成する
処理をさらに実行させることを特徴とする付記１１に記載のプログラム。
（付記１３）コンピュータに、
エンジンモデルを線形化し、第２のエンジンモデルを作成する
処理をさらに実行させることを特徴とする付記９に記載のプログラム。
（付記１４）コンピュータに、
エンジンモデルを用いて被制御量を予測する第２のコンピュータに、第２のエンジンモデルを送信する
処理をさらに実行させることを特徴とする付記１２または１３に記載のプログラム。
（付記１５）コンピュータに、
第１の空間から、操作変数のとってはいけない領域を除外する処理と、
第２の空間から、変化速度値のとってはいけない領域を除外する処理と
の少なくとも１つの処理をさらに実行させることを特徴とする付記９に記載のプログラム。
（付記１６）コンピュータに、
空気過剰率に基づいて試験パターンを修正する
処理をさらに実行させることを特徴とする付記９に記載のプログラム。
（付記１７）エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成する生成部と、
操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正する修正部と、
修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得する取得部と、
修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する構築部と
を有することを特徴とする装置。
（付記１８）生成部によって実行される試験パターンを生成する処理は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号を生成する処理を含むことを特徴とする付記１７に記載の装置。
（付記１９）構築部によって実行されるエンジンモデルを構築する処理は、エンジンモデルとして、中間層を２層以上有する、ＲＮＮまたはＬＳＴＭによる機械学習モデルを構築する処理を含むことを特徴とする付記１７に記載の装置。
（付記２０）構築部は、エンジンモデルを用いてエンジンモデルのモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて第２のエンジンモデルを作成する処理をさらに実行することを特徴とする付記１９に記載の装置。
（付記２１）構築部は、エンジンモデルを線形化し、第２のエンジンモデルを作成する処理をさらに実行することを特徴とする付記１７に記載の装置。
（付記２２）エンジンモデルを用いて被制御量を予測する第２のコンピュータに、第２のエンジンモデルを送信する送信部をさらに有することを特徴とする付記２０または２１に記載の装置。
（付記２３）修正部は、
第１の空間から、操作変数のとってはいけない領域を除外する処理と、
第２の空間から、変化速度値のとってはいけない領域を除外する処理と
の少なくとも１つの処理をさらに実行することを特徴とする付記１７に記載の装置。
（付記２４）修正部は、
空気過剰率に基づいて試験パターンを修正する
処理をさらに実行することを特徴とする付記１７に記載の装置。
（付記２５）プロセッサと、
プロセッサに動作可能に接続されたメモリと
を備えた装置であって、プロセッサは、
エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成する生成部と、
操作変数の取りうる第１の空間の第１の網羅率と操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて試験パターンを修正する修正部と、
修正された試験パターンによるエンジン試験を実施して操作変数の操作量と操作変数に対する被制御量との時系列データを取得する取得部と、
修正された試験パターンを入力、および時系列データを正解とする教師データを機械学習してエンジンモデルを構築する構築部と
を有することを特徴とする装置。
１０－１～１０－ｎ、２０－１～２０－ｎ、２０‘－１～２０’－ｎ Ｃｈｉｒｐ信号
５０－１～５０－ｎ 時系列データ
５１－１～５１－ｎ 被制御量
７０ 運転条件
７１ 制御目標値
８０ エンジンモデル
８１ 設計用モデル
９０－１～９０－ｎ 操作量
１００ 構築装置
１００ａ 通信部
１００ｂ ＨＤＤ
１００ｃ メモリ
１００ｄ プロセッサ
１１０ 通信部
１２０ 記憶部
１２１ 操作変数マスタ
１２２ 試験パターンテーブル
１２３ 試験条件マスタ
１２４ エンジンモデルＤＢ
１３０ 制御部
１３１ 生成部
１３２ 修正部
１３３ 取得部
１３４ 構築部
１３５ 送信部
２００ 予測制御器
３００ 実エンジン

Claims (10)

  1. コンピュータが、
    エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、
    前記操作変数の取りうる第１の空間の第１の網羅率と前記操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて前記試験パターンを修正し、
    前記修正された試験パターンによる前記エンジン試験を実施して前記操作変数の操作量と前記操作変数に対する被制御量との時系列データを取得し、
    前記修正された試験パターンを入力、および前記時系列データを正解とする教師データを機械学習してエンジンモデルを構築する
    処理を実行することを特徴とするエンジンモデル構築方法。
  2. 前記生成する処理は、前記試験パターンとして、前記操作変数の時系列変化を示すＣｈｉｒｐ信号を生成する処理を含むことを特徴とする請求項１に記載のエンジンモデル構築方法。
  3. 前記構築する処理は、前記エンジンモデルとして、中間層を２層以上有する、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）またはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）による機械学習モデルを構築する処理を含むことを特徴とする請求項１に記載のエンジンモデル構築方法。
  4. 前記コンピュータが、
    前記エンジンモデルを用いて前記エンジンモデルのモデルパラメータをキャリブレーションするための物理法則に基づく数式を用いて第２のエンジンモデルを作成する
    処理をさらに実行することを特徴とする請求項３に記載のエンジンモデル構築方法。
  5. 前記コンピュータが、
    前記エンジンモデルを線形化し、第２のエンジンモデルを作成する
    処理をさらに実行することを特徴とする請求項１に記載のエンジンモデル構築方法。
  6. 前記コンピュータが、
    前記エンジンモデルを用いて前記被制御量を予測する第２のコンピュータに、前記第２のエンジンモデルを送信する
    処理をさらに実行することを特徴とする請求項４または５に記載のエンジンモデル構築方法。
  7. 前記コンピュータが、
    前記第１の空間から、前記操作変数のとってはいけない領域を除外する処理と、
    前記第２の空間から、前記変化速度値のとってはいけない領域を除外する処理と
    の少なくとも１つの処理をさらに実行することを特徴とする請求項１に記載のエンジンモデル構築方法。
  8. 前記コンピュータが、
    空気過剰率に基づいて前記試験パターンを修正する
    処理をさらに実行することを特徴とする請求項１に記載のエンジンモデル構築方法。
  9. コンピュータに、
    エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成し、
    前記操作変数の取りうる第１の空間の第１の網羅率と前記操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて前記試験パターンを修正し、
    前記修正された試験パターンによる前記エンジン試験を実施して前記操作変数と前記操作変数に対する被制御量との時系列データを取得し、
    前記修正された試験パターンを入力、および前記時系列データを正解とする教師データを学習してエンジンモデルを構築する
    処理を実行させることを特徴とするプログラム。
  10. エンジン試験に用いる複数の操作変数が時系列に沿って変化する試験パターンを生成する生成部と、
    前記操作変数の取りうる第１の空間の第１の網羅率と前記操作変数の変化速度値の取りうる第２の空間の第２の網羅率とに基づいて前記試験パターンを修正する修正部と、
    前記修正された試験パターンによる前記エンジン試験を実施して前記操作変数と前記操作変数に対する被制御量との時系列データを取得する取得部と、
    前記修正された試験パターンを入力、および前記時系列データを正解とする教師データを学習してエンジンモデルを構築する構築部と
    を有することを特徴とする装置。
JP2020137059A 2020-08-14 2020-08-14 エンジンモデル構築方法、プログラム、および装置 Active JP7444732B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020137059A JP7444732B2 (ja) 2020-08-14 2020-08-14 エンジンモデル構築方法、プログラム、および装置
EP21184740.5A EP3955075A1 (en) 2020-08-14 2021-07-09 Engine model construction method, program, and apparatus
US17/374,117 US11537507B2 (en) 2020-08-14 2021-07-13 Engine model construction method, engine model constructing apparatus, and computer-readable recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020137059A JP7444732B2 (ja) 2020-08-14 2020-08-14 エンジンモデル構築方法、プログラム、および装置

Publications (2)

Publication Number Publication Date
JP2022032827A true JP2022032827A (ja) 2022-02-25
JP7444732B2 JP7444732B2 (ja) 2024-03-06

Family

ID=76859481

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020137059A Active JP7444732B2 (ja) 2020-08-14 2020-08-14 エンジンモデル構築方法、プログラム、および装置

Country Status (3)

Country Link
US (1) US11537507B2 (ja)
EP (1) EP3955075A1 (ja)
JP (1) JP7444732B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023032108A (ja) * 2021-08-26 2023-03-09 株式会社トランストロン エンジン試験方法、エンジン試験プログラム、およびエンジン試験装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7164117B2 (en) * 1992-05-05 2007-01-16 Automotive Technologies International, Inc. Vehicular restraint system control system and method using multiple optical imagers
US7663502B2 (en) * 1992-05-05 2010-02-16 Intelligent Technologies International, Inc. Asset system control arrangement and method
JPS5974345A (ja) 1982-10-20 1984-04-26 Mazda Motor Corp エンジンの気筒数制御装置
JP2674167B2 (ja) * 1988-12-14 1997-11-12 横河電機株式会社 神経回路網モデルを用いたプロセス制御方法
US6662091B2 (en) 2001-06-29 2003-12-09 Battelle Memorial Institute Diagnostics/prognostics using wireless links
DE10133555A1 (de) 2001-07-11 2003-01-30 Bosch Gmbh Robert Verfahren zum zylinderindividuellen Abgleich der Einspritzmenge bei Brennkraftmaschinen
JP3706335B2 (ja) 2001-12-12 2005-10-12 本田技研工業株式会社 内燃機関の故障判定装置
DE50304678D1 (de) * 2003-12-02 2006-09-28 Ford Global Tech Llc Verbesserung der Wiederholbarkeit bei Verbrauchsmessungen durch Normierung
JP4235116B2 (ja) 2004-01-09 2009-03-11 日野自動車株式会社 内燃機関の過渡特性試験装置および方法
JP4067025B2 (ja) 2006-09-11 2008-03-26 いすゞ自動車株式会社 多段ターボチャージャの制御装置
EP2058493A1 (en) 2007-11-12 2009-05-13 Iveco Motorenforschung AG A diagnostic method for a vehicle engine apparatus, provided with sensors
DE102007062097A1 (de) 2007-12-21 2009-06-25 Mahle International Gmbh Diagnoseverfahren für Zusatzventile
JP2011145081A (ja) 2010-01-12 2011-07-28 A & D Co Ltd エンジン試験方法及び装置
US8594906B2 (en) 2010-03-26 2013-11-26 Mazda Motor Corporation Diagnosis for multiple cylinder engine
BR112015024894B1 (pt) 2013-03-27 2022-10-04 Volvo Truck Corporation Método para determinar a mescla de combustível em uma mistura de combustível duplo e veículo que compreende um motor de combustão interna controlado por tal método
DE102013206297A1 (de) 2013-04-10 2014-10-16 Robert Bosch Gmbh Verfahren zum Bereitstellen von Eingangssignalen für einen Prüfstand sowie Vorrichtung hierzu
DE102015207252A1 (de) 2015-04-21 2016-10-27 Avl List Gmbh Verfahren und Vorrichtung zur modellbasierten Optimierung einer technischen Einrichtung
JP2017220043A (ja) 2016-06-08 2017-12-14 富士通株式会社 入力データ生成装置、方法、及びプログラム
JP6933585B2 (ja) 2018-01-12 2021-09-08 株式会社豊田中央研究所 情報処理装置、情報処理方法、コンピュータプログラム、制御装置
US11468273B2 (en) * 2018-09-20 2022-10-11 Cable Television Laboratories, Inc. Systems and methods for detecting and classifying anomalous features in one-dimensional data

Also Published As

Publication number Publication date
EP3955075A1 (en) 2022-02-16
US20220050768A1 (en) 2022-02-17
JP7444732B2 (ja) 2024-03-06
US11537507B2 (en) 2022-12-27

Similar Documents

Publication Publication Date Title
Matinnejad et al. Search-based automated testing of continuous controllers: Framework, tool support, and case studies
US11371696B2 (en) System and method for configuring boiler combustion model
Palmé et al. Gas turbine sensor validation through classification with artificial neural networks
Deshmukh et al. Stochastic local search for falsification of hybrid systems
EP2498154A1 (en) Method of creating a physically-based crank-resolved simplified computer implementable engine model
Binh et al. A novel fitness function of metaheuristic algorithms for test data generation for simulink models based on mutation analysis
Iqbal et al. Combining search-based and adaptive random testing strategies for environment model-based testing of real-time embedded systems
JP7444732B2 (ja) エンジンモデル構築方法、プログラム、および装置
Rainer et al. Iterative DoE-improved emission models and better optimisation results within a shortened measurement time
Nanjundaswamy et al. Development and calibration of on-board-diagnostic strategies using a micro-HiL approach
Damji et al. Automated Model-Based Calibration for Drivability Using a Virtual Engine Test Cell
EP3954887A1 (en) Engine test method, computer program, and device
Pelegrin et al. Exposing attention-decision-learning cycles in engineering project teams through collaborative design experiments
Nebel et al. Global dynamic models for XiL-based calibration
JP2022157893A (ja) エンジン制御装置、方法、およびプログラム
Hafner et al. Dynamical identification and control of combustion engine exhaust
Rudnicki et al. Problems of modelling toxic compounds emitted by a marine internal combustion engine in unsteady states
Issondj Banta et al. Simulation of performance and emissions related parameters in a thermal engine using a deep learning approach
Subramaniam et al. An artificial neural network-based approach for virtual NOx Sensing
Gutjahr Performance Analysis of Data-Driven Plant Models on Embedded Systems
JP2023032108A (ja) エンジン試験方法、エンジン試験プログラム、およびエンジン試験装置
Soltanalizadeh et al. Automatic smooth map generation of internal combustion engines via local-global model based calibration technique
JP4213049B2 (ja) エンジンの過渡試験装置および方法
Alenezi et al. Data-driven Predictive Model of Windows 10's Vulnerabilities
Tosso et al. Spark Ignition Engine Modeling Using Optimized Artificial Neural Network. Energies 2022, 15, 6587

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230428

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240124

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240222

R150 Certificate of patent or registration of utility model

Ref document number: 7444732

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150