JP2022157893A - エンジン制御装置、方法、およびプログラム - Google Patents

Abstract

【課題】エンジン制御シミュレーションやエンジン実機により各操作変数に対する被制御量の時系列データに基づいて各操作変数の操作量を予測するモデル予測制御器と等価な制御器の構築では、モデル予測制御器に対する各重み係数を固定値で与えている。そのため、最適化のために各重み係数を変更する場合は、エンジン試験をやり直す必要があり、試験工数を要してしまう。
【解決手段】エンジン制御装置は、エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する取得部と、エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する算出部とを有する。
【選択図】図７

Description

本発明は、エンジン制御装置、方法、およびプログラムに関する。

自動車のエンジン試験において、より少ない工数で試験を実施するために、機械学習モデルであるエンジンモデルを用いてエンジン制御が行われている。エンジンモデルを用いたエンジン制御は、逐次最適化により燃料噴射量やタービン開度などの各操作変数の操作量を算出するため、実時間での操作量の算出やエンジン制御が実質的に困難である。

そこで、エンジン試験や制御シミュレーションにより、各操作変数の操作量と各操作変数に対する被制御量との時系列データを取得し、当該時系列データに基づいて各操作変数の操作量を逐次最適化により決定するモデル予測制御器を作成する。そして、当該予測制御器と等価な制御器をニューラルネットワークやデータテーブルにより構築することで、高速演算可能な制御器を構築できる。

しかしながら、等価な制御器の構築にあたり、モデル予測制御器に対して、エンジン制御目標値に対する被制御量の追従性のための重み係数、および操作変数に対する操作量の変化幅の抑制のための重み係数を固定値で与えている。そのため、エンジン運転条件に応じた制御器の最適化を図るために各重み係数を変更する場合は、再度、エンジン試験をやり直す必要があり、その分、試験工数を要してしまう。また、より高精度なエンジン試験を実施するためには、各重み係数の調整は必要である。

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できるエンジン制御装置、方法、およびプログラムを提供することを目的とする。

第１の案では、エンジン制御装置は、エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する取得部と、エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する算出部とを有する。

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できる。

図１は、実施例１にかかる制御装置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にかかるオンラインモデル予測制御器の作成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にかかるオンラインモデル予測制御器を用いた制御シミュレーションの一例を示す図である。 図８は、実施例１にかかるオフラインモデル予測制御器の作成の一例を示す図である。 図９は、実施例１にかかるオフラインモデル予測制御器の作成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。 図１６は、オンラインモデル予測制御器構築部のブロック図である。 図１７は、オフラインモデル予測制御器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制御装置、方法、およびプログラム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。

［制御装置１００の機能構成］
まず、本願の開示するエンジン制御方法を実施する制御装置１００の機能構成について説明する。図１は、実施例１にかかる制御装置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、制御装置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、制御パターンテーブル１２２、運転条件マスタ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、エンジン試験や制御シミュレーション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。操作変数とは、具体的には、エンジン回転数、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。操作変数マスタ１２１は、例えば、エンジン試験や制御シミュレーションごとに、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。

制御パターンテーブル１２２は、制御装置１００によって試験パターンや制御シミュレーションパターンとして生成および修正されるＣｈｉｒｐ信号やＡＰＲＢＳ（Ａｍｐｌｉｔｕｄｅ－ｍｏｄｕｌａｔｅｄ Ｐｓｅｕｄｏ Ｒａｎｄｏｍ Ｂｉｎａｒｙ Ｓｅｑｕｅｎｃｅｓ）信号に関する情報を記憶するテーブルである。制御パターンテーブル１２２は、例えば、エンジン試験や制御シミュレーションごとに、生成および修正されたＣｈｉｒｐ信号やＡＰＲＢＳ信号などを対応付けて記憶できる。

運転条件マスタ１２３は、エンジン試験や制御シミュレーションを実施する際のエンジンの運転条件に関する情報を記憶するマスタである。運転条件マスタ１２３は、エンジン試験や制御シミュレーションごとに、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、吸気スロットル開度、重み係数などを対応付けて記憶できる。なお、重み係数とは、例えば、エンジン制御目標値に対する被制御量の追従性のための重み係数や、操作変数に対する操作量の変化幅の抑制のための重み係数である。また、運転条件マスタ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、制御装置１００によって構築されるニューラルネットワークである、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、当該エンジンモデルを変換して作成される第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、記憶部１２０には、上記はあくまで一例であり、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、制御装置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、および算出部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、算出部１３５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やモデル予測制御器を構築する。

まず、Ｃｈｉｒｐ信号を用いたエンジン試験について説明する。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。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。なお、Ｃｈｉｒｐ信号の代わりに、ＡＰＲＢＳ信号など別の信号を用いてもよい。

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、制御装置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制御装置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。

また、取得部１３３は、運転条件マスタ１２３などから、エンジン運転条件、エンジン制御目標値、エンジン制御目標値に対する被制御量の追従性のための重み係数、操作変数に対する操作量の変化幅の抑制のための重み係数を取得する。また、取得部１３３は、後述するオンラインモデル予測制御器から算出される操作量や、エンジンモデルやエンジン実機から出力される被制御量を取得する。

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してエンジンモデルを構築する。さらに、構築部１３４は、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決定するモデル予測制御器を作成する。構築部１３４は、２つのモデル予測制御器を作成する。２つのモデル予測制御器を区別するために、本明細書では、各々、オンラインモデル予測制御器、オフラインモデル予測制御器と表現する。

各モデル予測制御器の詳細については後述するが、オンラインモデル予測制御器は、エンジン制御目標値に対する被制御量の追従性と操作変数に対する操作量の変化幅の抑制とを考慮した最適化器を有し、逐次最適化しながら操作量を算出する。

一方、オフラインモデル予測制御器は、オンラインモデル予測制御器に対する各入力値を入力、算出された操作量を正解とする教師データを機械学習して構築された制御器モデルである。オフラインモデル予測制御器は、最適化器を有さないが、オンラインモデル予測制御器を用いた制御シミュレーションやエンジン実機により取得される、各入力値や算出された操作量の時系列データを学習してオンラインモデル予測制御器と等価になるように構築される。そのため、エンジン試験の際、オフラインモデル予測制御器を用いてエンジンを制御することで、エンジン運転条件に応じた制御器の最適化により発生する試験工数を削減できる。

まず、オンラインモデル予測制御器について、より詳細に説明する。図５は、実施例１にかかるオンラインモデル予測制御器の作成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、操作変数に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。

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し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。

図５の説明に戻り、構築部１３４は、オンラインモデル予測制御器上でエンジンモデル８０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。

そして、構築部１３４は、設計用モデル８１と、エンジン制御目標値に対する被制御量の追従性と操作変数に対する操作量の変化幅の抑制とを考慮した最適化器７９とを用いて、オンラインモデル予測制御器２００を作成する。

算出部１３５は、取得部１３３によって取得された、エンジン運転条件、エンジン制御目標値、各重み係数、過去の操作量、および被制御量に基づいて、操作変数に対する操作量を算出する。図７は、実施例１にかかるオンラインモデル予測制御器を用いた制御シミュレーションの一例を示す図である。

図７に示すように、算出部１３５は、オンラインモデル予測制御器２００を用いて、エンジンの各操作変数１～ｎの操作量９０－１～９０－ｎを算出する。オンラインモデル予測制御器２００は、設計用モデル８１、および設計用モデル８１と通信可能に接続された最適化器７９を有する。操作量９０－１～９０－ｎは、エンジンモデル８０やエンジン実機（図示せず）の制御に用いられる。

算出部１３５は、操作量９０－１～９０－ｎを算出するために、オンラインモデル予測制御器２００に、エンジン運転条件７０、エンジン制御目標値７１、被制御量の追従性のための重み係数７２、操作量の変化幅の抑制のための重み係数７３を入力する。エンジン運転条件７０、エンジン制御目標値７１、ならびに各重み係数７２および７３は、それぞれの値を時系列変化させるためにＣｈｉｒｐ信号やＡＰＲＢＳ信号によって生成される。

また、算出部１３５は、オンラインモデル予測制御器２００に、オンラインモデル予測制御器２００によって算出された操作量９０－１～９０－ｎを、過去の操作量として入力、次ステップ以降の操作量９０－１～９０－ｎを算出する。また、算出部１３５は、算出された操作量９０－１～９０－ｎを用いてエンジンモデル８０やエンジン実機を制御し、出力される各操作変数１～ｎの被制御量５１－１～５１－ｎを、オンラインモデル予測制御器２００に入力する。

また、オンラインモデル予測制御器２００は、設計用モデル８１に各操作変数の操作量を入力することで各操作変数に対する被制御量が出力されるので、最適化器７９を用いて操作コストが最小となるような操作量を算出する。操作コストは、以下の式（７）を用いて算出できる。

ここで、ｐは予測を考慮する未来の一定期間、Ｑは被制御量の追従性のための重み係数７２、Ｒ_Δｕは操作量の変化幅の抑制のための重み係数７３、ｕは操作量９０－１～９０－ｎ、Δｕは操作量９０－１～９０－ｎの変化量、ｒはエンジン制御目標値７１、ｙは被制御量５１－１～５１－ｎである。

なお、オンラインモデル予測制御器２００は、設計用モデル８１の代わりに、操作変数に対する操作量と被制御量とを対応付けて格納したデータテーブルを用いて、各操作変数の操作量から被制御量を取得してもよい。

オンラインモデル予測制御器２００に入力された、エンジン運転条件７０、エンジン制御目標値７１、各重み係数７２および７３、過去の操作量９０－１～９０－ｎ、被制御量５１－１～５１－ｎは、オフラインモデル予測制御器の作成のために取得される。また、オンラインモデル予測制御器２００から出力された操作量９０－１～９０－ｎも取得される。過去と現在から未来の操作量９０－１～９０－ｎを区別するため、以降、過去の操作量を操作量９０´－１～９０´－ｎと表現する。それぞれ取得されるデータは、時系列に沿って変化するデータである。

図８は、実施例１にかかるオフラインモデル予測制御器の作成の一例を示す図である。オフラインモデル予測制御器２０１は、設計用モデル８２を有する。設計用モデル８２は、オンラインモデル予測制御器２００を用いた制御シミュレーションによって取得された、オンラインモデル予測制御器２００に対する各入力値を入力、出力値を正解とする教師データを機械学習して構築される。

オンラインモデル予測制御器２００に対する各入力値は、図８に示すように、エンジン運転条件７０、エンジン制御目標値７１、各重み係数７２および７３、過去の操作量９０´－１～９０´－ｎ、被制御量５１－１～５１－ｎである。一方、出力値は、各入力値をオンラインモデル予測制御器２００に入力することにより算出された操作量９０－１～９０－ｎである。なお、図８では便宜上、過去の操作量９０´－１～９０´－ｎ、被制御量５１－１～５１－ｎ、および現在から未来の操作量９０－１～９０－ｎを、それぞれ、まとめて過去の操作量９０´、被制御量５１、および現在から未来の操作量９０と表現している。

なお、上述したように、オンラインモデル予測制御器２００から取得され、オフラインモデル予測制御器２０１の教師データとして用いられる各データは、時系列に沿って変化するデータである。そのため、オフラインモデル予測制御器２０１は、最適化器を有さないが、エンジン制御目標値に対する被制御量の追従性と操作変数に対する操作量の変化幅の抑制とを考慮したオンラインモデル予測制御器２００と等価に作成される。このようなオフラインモデル予測制御器２０１をエンジン試験に用いることで、オンラインモデル予測制御器２００と同等の高精度な操作量予測を行いつつ、エンジン運転条件に応じた制御器の最適化により発生する試験工数を削減できる。

［処理の流れ］
次に、オフラインモデル予測制御器の作成処理の流れを説明する。図９は、実施例１にかかるオフラインモデル予測制御器の作成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、制御装置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、制御装置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、制御装置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、制御装置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してエンジンモデル８０を構築する（ステップＳ１０５）。

次に、構築部１３４は、ステップ１０５で構築されたエンジンモデル８０を用いてオンラインモデル予測制御器２００を作成する（ステップＳ１０６）。より具体的には、構築部１３４は、ステップ１０５で構築されたエンジンモデル８０を変換して、オンラインモデル予測制御器２００上で動作させるための設計用モデル８１を作成する。また、構築部１３４は、設計用モデル８１に最適化器７９を通信可能に接続することでオンラインモデル予測制御器２００を作成する。

次に、制御装置１００の算出部１３５は、ステップＳ１０６で作成されたオンラインモデル予測制御器２００を用いて制御シミュレーションを実行する（ステップＳ１０７）。

制御シミュレーションは、オンラインモデル予測制御器２００によって算出される各操作変数の操作量を用いて、エンジンモデル８０を制御し、被制御量を取得する。また、制御シミュレーションではなくエンジン実機を制御し、各操作変数の操作量に対数する被制御量を取得してもよい。この際、オンラインモデル予測制御器２００には、エンジン運転条件７０、エンジン制御目標値７１、被制御量の追従性のための重み係数７２、操作量の変化幅の抑制のための重み係数７３の時系列データを入力される。また、オンラインモデル予測制御器２００によって算出され、エンジンモデル８０などの制御に用いられた操作量や、その際に取得された被制御量は、オンラインモデル予測制御器２００に入力される。

次に、構築部１３４は、ステップＳ１０７で実行された制御シミュレーションの結果を用いて、オフラインモデル予測制御器２０１を作成する（ステップＳ１０８）。制御シミュレーションの結果とは、オンラインモデル予測制御器２００に入力されたエンジン運転条件７０などの各入力値、エンジンモデル８０などの制御に用いられた操作量や、その際に取得された被制御量の時系列データである。構築部１３４は、オンラインモデル予測制御器２００に対する各入力値を入力、オンラインモデル予測制御器２００から出力される操作量を正解とする教師データを機械学習して、オフラインモデル予測制御器２０１を作成する。

ステップＳ１０８の実行後、図９に示す処理は終了するが、ステップＳ１０８で作成されたオフラインモデル予測制御器２０１を用いてエンジン試験を行うことにより、最適化により発生する試験工数を削減できる。

［効果］
上述したように、制御装置１００は、取得部１３３および算出部１３５を有する。取得部１３３は、エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する。算出部１３５は、エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する。

これにより、エンジン運転条件、エンジン制御目標値、被制御量、操作量、第１の重み係数、および第２の重み係数の時系列データを取得し、オフラインモデル予測制御器２０１を作成できる。オフラインモデル予測制御器２０１を用いてエンジン試験を行うことにより、最適化により発生する試験工数を削減し、より少ない試験工数でエンジン試験を実施できる。

また、算出部１３５は、操作変数の第１の時系列データを入力、および操作変数に対する被制御量との第２の時系列データを正解とする教師データを機械学習して構築されたエンジンモデル８０を用いて、操作量を算出する。

このように、Ｃｈｉｒｐ信号など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８０を用いることで、各操作変数の操作量をより高精度に算出できる。

また、算出部１３５は、操作変数に対する操作量と被制御量とを対応付けて格納したデータテーブルを用いて、操作量を算出する。

これにより、各操作変数の操作量をより短時間で算出でき、より少ない試験工数でエンジン試験を実施できる。

また、制御装置１００は、生成部１３１、修正部１３２、および構築部１３４をさらに有する。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第１の時系列データを試験パターンとして生成する。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試験パターンを修正する。構築部１３４は、修正された試験パターンを入力、および第２の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８０を構築する。また、取得部１３３はさらに、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第２の時系列データを取得する。

これにより、Ｃｈｉｒｐ信号など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８０を構築でき、各操作変数の操作量をより高精度に算出できる。

また、生成部１３１は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成する。

これにより、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８０を構築でき、各操作変数の操作量をより高精度に算出できる。

また、構築部１３４は、エンジンモデル８０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。

これにより、エンジンモデル８０を用いて、各操作変数の操作量をより高精度に算出できる。

また、取得部１３３はさらに、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、および吸気スロットル開度の少なくとも１つを含むエンジン運転条件、ならびに第１の重み係数および第２の重み係数を対応付けて格納したデータテーブルに基づいて、エンジン運転条件から、第１の重み係数および第２の重み係数を取得する。

これにより、各重み係数を固定値ではなく、エンジン運転条件に応じて変更できる。

また、生成部１３１は、エンジン運転条件、エンジン制御目標値、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する。取得部１３３はさらに、エンジンモデル８０を用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する。

これにより、最適化により発生する試験工数を削減できるオフラインモデル予測制御器２０１を作成するための時系列データを取得できる。

また、生成部１３１は、エンジン運転条件、エンジン制御目標値、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する。取得部１３３はさらに、エンジン実機を用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する。

これにより、最適化により発生する試験工数を削減できるオフラインモデル予測制御器２０１を作成するための時系列データを取得できる。

また、生成部１３１は、制御シミュレーションパターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成する。

これにより、網羅性の高い制御シミュレーションを実施でき、最適化により発生する試験工数を削減できるオフラインモデル予測制御器２０１を作成するための時系列データを取得できる。

また、修正部１３２はさらに、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エンジンモデル８０を用いて、より安全な各操作変数の操作量を算出できる。

また、修正部１３２はさらに、空気過剰率に基づいて試験パターンを修正する。

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エンジンモデル８０を用いて、より安全な各操作変数の操作量を算出できる。

［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、制御装置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］
上述した制御装置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、制御装置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、制御装置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、制御装置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、制御装置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、制御装置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。

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、およびＣｈｉｒｐ信号修正部は、それぞれ、制御装置１００の生成部１３１、および修正部１３２の一例である。図１１におけるエンジンモデル構築部、オンラインモデル予測制御器構築部、オフラインモデル予測制御器構築部は、制御装置１００の構築部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、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。また、図１１における仮想エンジンシステムは、バーチャルエンジンであってよい。

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により構成されてよい。

図１６は、オンラインモデル予測制御器構築部のブロック図である。図１１のオンラインモデル予測制御器構築部は、図１６に示すように、エンジンモデル、最適化器構築部、最適化ソルバー決定部、および操作コスト関数構築部により構成されてよい。

図１７は、オフラインモデル予測制御器構築部のブロック図である。図１１のオフラインモデル予測制御器構築部は、図１７に示すように、モデル構造決定部、エンジン運転条件検出部、操作量検出部、制御目標値検出部、被制御量検出部、重み係数検出部により構成されてよい。

また、以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する取得部と、
エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する算出部と
を有することを特徴とするエンジン制御装置。

（付記２）算出部は、操作変数の第１の時系列データを入力、および操作変数に対する被制御量との第２の時系列データを正解とする教師データを機械学習して構築されたエンジンモデルを用いて、操作量を算出することを特徴とする付記１に記載のエンジン制御装置。

（付記３）算出部は、操作変数に対する操作量と被制御量とを対応付けて格納したデータテーブルを用いて、操作量を算出することを特徴とする付記１に記載のエンジン制御装置。

（付記４）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第１の時系列データを試験パターンとして生成する生成部と、
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を入力、および第２の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
をさらに有し、取得部はさらに、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第２の時系列データを取得することを特徴とする付記２に記載のエンジン制御装置。

（付記５）生成部１３１は、試験パターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを特徴とする付記４に記載のエンジン制御装置。

（付記６）構築部は、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による学習モデルを構築することを特徴とする付記４に記載のエンジン制御装置。

（付記７）取得部はさらに、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、および吸気スロットル開度の少なくとも１つを含むエンジン運転条件、ならびに第１の重み係数および第２の重み係数を対応付けて格納したデータテーブルに基づいて、エンジン運転条件から、第１の重み係数および第２の重み係数を取得することを特徴とする付記１に記載のエンジン制御装置。

（付記８）エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する生成部をさらに有し、
取得部はさらに、エンジンモデルを用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得することを特徴とする付記２に記載のエンジン制御装置。

（付記９）エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する生成部をさらに有し、
取得部はさらに、エンジン実機を用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得することを特徴とする付記１または２に記載のエンジン制御装置。

（付記１０）生成部は、制御シミュレーションパターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを特徴とする付記８または９に記載のエンジン制御装置。

（付記１１）修正部はさらに、
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つの処理を実行することを特徴とする付記４に記載のエンジン制御装置。

（付記１２）修正部はさらに、空気過剰率に基づいて試験パターンを修正することを特徴とする付記４に記載のエンジン制御装置。

（付記１３）コンピュータが、
エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得し、
エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する
処理を実行することを特徴とする方法。

（付記１４）操作変数に対する操作量を算出することは、操作変数の第１の時系列データを入力、および操作変数と操作変数に対する被制御量との第２の時系列データを正解とする教師データを機械学習して構築されたエンジンモデルを用いて、操作量を算出することを含むことを特徴とする付記１３に記載の方法。

（付記１５）操作変数に対する操作量を算出することは、操作変数に対する操作量と被制御量とを対応付けて格納したデータテーブルを用いて、操作量を算出することを含むことを特徴とする付記１３に記載の方法。

（付記１６）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第１の時系列データを試験パターンとして生成し、
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を入力、および第２の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第２の時系列データを取得する
処理をさらに実行することを特徴とする付記１４に記載の方法。

（付記１７）第１の時系列データを試験パターンとして生成することは、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを含むことを特徴とする付記１６に記載の方法。

（付記１８）エンジンモデルを構築することは、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による学習モデルを構築することを含むことを特徴とする付記１６に記載の方法。

（付記１９）コンピュータが、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、および吸気スロットル開度の少なくとも１つを含むエンジン運転条件、ならびに第１の重み係数および第２の重み係数を対応付けて格納したデータテーブルに基づいて、エンジン運転条件から、第１の重み係数および第２の重み係数を取得する処理をさらに実行することを特徴とする付記１３に記載の方法。

（付記２０）コンピュータが、
エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成し、
エンジンモデルを用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する
処理をさらに実行することを特徴とする付記１４に記載の方法。

（付記２１）コンピュータが、
エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成し、
エンジン実機を用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する
処理をさらに実行することを特徴とする付記１３または１４に記載の方法。

（付記２２）第３の時系列データを制御シミュレーションパターンとして生成することは、制御シミュレーションパターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを含むことを特徴とする付記２０または２１に記載の方法。

（付記２３）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１６に記載の方法。

（付記２４）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１６に記載の方法。

（付記２５）コンピュータに、
エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得し、
エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する
処理を実行させることを特徴とするプログラム。

（付記２６）操作変数に対する操作量を算出することは、操作変数の第１の時系列データを入力、および操作変数と操作変数に対する被制御量との第２の時系列データを正解とする教師データを機械学習して構築されたエンジンモデルを用いて、操作量を算出することを含むことを特徴とする付記２５に記載のプログラム。

（付記２７）操作変数に対する操作量を算出することは、操作変数に対する操作量と被制御量とを対応付けて格納したデータテーブルを用いて、操作量を算出することを含むことを特徴とする付記２５に記載のプログラム。

（付記２８）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第１の時系列データを試験パターンとして生成し、
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を入力、および第２の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第２の時系列データを取得する
処理をさらに実行させることを特徴とする付記２６に記載のプログラム。

（付記２９）第１の時系列データを試験パターンとして生成することは、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを含むことを特徴とする付記２８に記載のプログラム。

（付記３０）エンジンモデルを構築することは、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による学習モデルを構築することを含むことを特徴とする付記２８に記載のプログラム。

（付記３１）コンピュータに、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、および吸気スロットル開度の少なくとも１つを含むエンジン運転条件、ならびに第１の重み係数および第２の重み係数を対応付けて格納したデータテーブルに基づいて、エンジン運転条件から、第１の重み係数および第２の重み係数を取得する処理をさらに実行させることを特徴とする付記２５に記載のプログラム。

（付記３２）コンピュータに、
エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成し、
エンジンモデルを用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する
処理をさらに実行させることを特徴とする付記２６に記載のプログラム。

（付記３３）コンピュータに、
エンジン運転条件、エンジン制御、第１の重み係数、および第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成し、
エンジン実機を用いて制御シミュレーションパターンによるエンジン試験を実施して操作変数に対する被制御量の第４の時系列データを取得する
処理をさらに実行させることを特徴とする付記２５または２６に記載のプログラム。

（付記３４）第３の時系列データを制御シミュレーションパターンとして生成することは、制御シミュレーションパターンとして、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号を生成することを含むことを特徴とする付記３２または３３に記載のプログラム。

（付記３５）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２８に記載のプログラム。

（付記３６）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２８に記載のプログラム。

（付記３７）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、
エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、エンジン制御目標値に対する被制御量の追従性のための第１の重み係数、ならびに操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する取得部と、
エンジン運転条件、エンジン制御目標値、被制御量、過去の操作量、第１の重み係数、および第２の重み係数に基づいて、操作変数に対する操作量を算出する算出部と
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 エンジン運転条件
７１ エンジン制御目標値
７２ 被制御量の追従性のための重み係数
７３ 操作量の変化幅の抑制のための重み係数
７９ 最適化器
８０ エンジンモデル
８１、８２ 設計用モデル
９０－１～９０－ｎ 操作量
９０´ 過去の操作量
１００ 制御装置
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 制御パターンテーブル
１２３ 運転条件マスタ
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 算出部
２００ オンラインモデル予測制御器
２０１ オフラインモデル予測制御器

Claims (14)

1. エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、前記エンジン制御目標値に対する前記被制御量の追従性のための第１の重み係数、ならびに前記操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得する取得部と、
   前記エンジン運転条件、前記エンジン制御目標値、前記被制御量、前記過去の操作量、前記第１の重み係数、および前記第２の重み係数に基づいて、前記操作変数に対する操作量を算出する算出部と
   を有することを特徴とするエンジン制御装置。
2. 前記算出部は、前記操作変数の第１の時系列データを入力、および前記操作変数と前記操作変数に対する被制御量との第２の時系列データを正解とする教師データを機械学習して構築されたエンジンモデルを用いて、前記操作量を算出することを特徴とする請求項１に記載のエンジン制御装置。
3. 前記算出部は、前記操作変数に対する前記操作量と前記被制御量とを対応付けて格納したデータテーブルを用いて、前記操作量を算出することを特徴とする請求項１に記載のエンジン制御装置。
4. エンジン試験に用いる複数の前記操作変数が時系列に沿って変化する前記第１の時系列データを試験パターンとして生成する生成部と、
   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を入力、および前記第２の時系列データを正解とする教師データを機械学習して前記エンジンモデルを構築する構築部と
   をさらに有し、前記取得部はさらに、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第２の時系列データを取得することを特徴とする請求項２に記載のエンジン制御装置。
5. 前記生成部は、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信号またはＡＰＲＢＳ（Ａｍｐｌｉｔｕｄｅ－ｍｏｄｕｌａｔｅｄ Ｐｓｅｕｄｏ Ｒａｎｄｏｍ Ｂｉｎａｒｙ Ｓｅｑｕｅｎｃｅｓ）信号を生成することを特徴とする請求項４に記載のエンジン制御装置。
6. 前記構築部は、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ことを特徴とする請求項４に記載のエンジン制御装置。
7. 前記取得部はさらに、エンジン回転数、燃料噴射量、ＥＧＲ率、タービン開度、および吸気スロットル開度の少なくとも１つを含む前記エンジン運転条件、ならびに前記第１の重み係数および前記第２の重み係数を対応付けて格納したデータテーブルに基づいて、前記エンジン運転条件から、前記第１の重み係数および前記第２の重み係数を取得することを特徴とする請求項１に記載のエンジン制御装置。
8. 前記エンジン運転条件、前記エンジン制御目標値、前記第１の重み係数、および前記第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する生成部をさらに有し、
   前記取得部はさらに、前記エンジンモデルを用いて前記制御シミュレーションパターンによるエンジン試験を実施して前記操作変数に対する前記被制御量の第４の時系列データを取得することを特徴とする請求項２に記載のエンジン制御装置。
9. 前記エンジン運転条件、前記エンジン制御目標値、前記第１の重み係数、および前記第２の重み係数が時系列に沿って変化する第３の時系列データを制御シミュレーションパターンとして生成する生成部をさらに有し、
   前記取得部はさらに、エンジン実機を用いて前記制御シミュレーションパターンによるエンジン試験を実施して前記操作変数に対する前記被制御量の第４の時系列データを取得することを特徴とする請求項１または２に記載のエンジン制御装置。
10. 前記生成部は、前記制御シミュレーションパターンとして、前記操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ（Ａｍｐｌｉｔｕｄｅ－ｍｏｄｕｌａｔｅｄ Ｐｓｅｕｄｏ Ｒａｎｄｏｍ Ｂｉｎａｒｙ Ｓｅｑｕｅｎｃｅｓ）信号を生成することを特徴とする請求項８または９に記載のエンジン制御装置。
11. 前記修正部はさらに、
    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つの処理を実行することを特徴とする請求項４に記載のエンジン制御装置。
12. 前記修正部はさらに、空気過剰率に基づいて前記試験パターンを修正することを特徴とする請求項４に記載のエンジン制御装置。
13. コンピュータが、
    エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、前記エンジン制御目標値に対する前記被制御量の追従性のための第１の重み係数、ならびに前記操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得し、
    前記エンジン運転条件、前記エンジン制御目標値、前記被制御量、前記過去の操作量、前記第１の重み係数、および前記第２の重み係数に基づいて、前記操作変数に対する操作量を算出する
    処理を実行することを特徴とする方法。
14. コンピュータに、
    エンジン運転条件、エンジン制御目標値、エンジンの操作変数に対する被制御量および過去の操作量、前記エンジン制御目標値に対する前記被制御量の追従性のための第１の重み係数、ならびに前記操作変数に対する操作量の変化幅の抑制のための第２の重み係数を取得し、
    前記エンジン運転条件、前記エンジン制御目標値、前記被制御量、前記過去の操作量、前記第１の重み係数、および前記第２の重み係数に基づいて、前記操作変数に対する操作量を算出する
    処理を実行させることを特徴とするプログラム。

Images