JP2023132568A - Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program - Google Patents
Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program Download PDFInfo
- Publication number
- JP2023132568A JP2023132568A JP2022037963A JP2022037963A JP2023132568A JP 2023132568 A JP2023132568 A JP 2023132568A JP 2022037963 A JP2022037963 A JP 2022037963A JP 2022037963 A JP2022037963 A JP 2022037963A JP 2023132568 A JP2023132568 A JP 2023132568A
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- coolant
- power train
- cooling
- electric power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 159
- 238000010801 machine learning Methods 0.000 title claims abstract description 125
- 238000004590 computer program Methods 0.000 title claims description 16
- 239000002826 coolant Substances 0.000 claims description 316
- 239000003507 refrigerant Substances 0.000 claims description 57
- 238000004891 communication Methods 0.000 claims description 19
- 238000005057 refrigeration Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 239000012809 cooling fluid Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 42
- 239000000110 cooling liquid Substances 0.000 abstract description 16
- 230000006866 deterioration Effects 0.000 abstract description 11
- 230000007774 longterm Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 162
- 239000000498 cooling water Substances 0.000 description 92
- 238000013528 artificial neural network Methods 0.000 description 58
- 230000000306 recurrent effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 24
- 230000015654 memory Effects 0.000 description 21
- 230000032683 aging Effects 0.000 description 20
- 230000001052 transient effect Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000002834 transmittance Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- LVGUZGTVOIAKKC-UHFFFAOYSA-N 1,1,1,2-tetrafluoroethane Chemical compound FCC(F)(F)F LVGUZGTVOIAKKC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Abstract
Description
本発明は、機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラムに関する。 The present invention relates to a machine learning device, a cooling temperature estimation device, a cooling circuit control device, a low temperature circuit, an on-vehicle temperature control device, and a computer program.
モータや電池等の電動パワートレーン構成機器を冷却する冷却液の温度に基づいて、冷却回路に対する各種制御を行うことが知られている。例えば、ハイブリッドシステム冷却水をヒートポンプによって冷却するように構成された車両駆動システムの冷却装置が公知である(例えば、特許文献1参照。)。 It is known to perform various controls on a cooling circuit based on the temperature of a coolant that cools electric power train components such as a motor and a battery. For example, a cooling device for a vehicle drive system configured to cool hybrid system cooling water using a heat pump is known (see, for example, Patent Document 1).
電動パワートレーン構成機器の廃熱は、冬季のモータ及び電池等の暖機やヒートポンプの熱源として有効である。暖機と廃熱活用の両立を図るためには、電動パワートレーン構成機器から冷却液へ移動する熱量や冷却液温度を精度よく推定し制御する技術が重要である。冷却液制御においては、目標値(入力)に対する実際の冷却液温度(出力)の応答遅れが大きくかつ一定でない。フィードバック制御を用いた冷却液制御の場合、電動パワートレーン構成機器に対する制御目標値が変化すると、目標値変化に伴う発熱量変化が冷却液温度変化に反映されるまでに応答遅れが生じ、制御性が著しく低下する。この応答遅れは一定ではないことから、応答遅れ分を反映した正確な冷却液の推定及び制御は難しい。 Waste heat from electric powertrain components is effective for warming up motors and batteries in winter, and as a heat source for heat pumps. In order to achieve both warm-up and waste heat utilization, it is important to have technology that accurately estimates and controls the amount of heat transferred from electric powertrain components to the coolant and the coolant temperature. In coolant control, the response delay between the actual coolant temperature (output) and the target value (input) is large and inconsistent. In the case of coolant control using feedback control, when the control target value for the electric power train component changes, a response delay occurs before the change in heat generation amount due to the change in target value is reflected in the change in coolant temperature, resulting in poor controllability. decreases significantly. Since this response delay is not constant, it is difficult to accurately estimate and control the coolant that reflects the response delay.
本開示の要旨は以下の通りである。 The gist of the present disclosure is as follows.
(1)電動パワートレーン構成機器への制御目標値と、電動パワートレーン構成機器の経年劣化に伴い変化するパラメータと、冷却回路構成機器への制御目標値と、前記冷却回路構成機器が作動することにより前記電動パワートレーン構成機器へ流れ込む冷却液についての前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを入力データセットとし、前記入力データセットと同時刻における前記電動パワートレーン構成機器から流れ出る前記冷却液についての前記電動パワートレーン構成機器の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う機械学習装置。
(2)上記(1)に記載の機械学習装置と、
前記電動パワートレーン構成機器への制御目標値と、前記冷却回路構成機器への制御目標値と、前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを前記入力データセットとして取得する取得部と、
前記機械学習装置による学習済の前記冷却液温度推定モデルを用いて、前記取得部により取得された前記入力データセットから、前記電動パワートレーン構成機器の出口側冷却液温度の推定値を計算する推定部と、
を備える、冷却温度推定装置。
(3)上記(2)に記載の冷却温度推定装置と、
前記冷却温度推定装置により計算された前記電動パワートレーン構成機器の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力するフィードフォワード制御部と、
前記電動パワートレーン構成機器の出口側冷却液温度の目標値と前記電動パワートレーン構成機器の出口側冷却液温度のセンサ値との偏差に基づいて、フィードバック制御により第2指令値を出力するフィードバック制御部と、
前記第1指令値と前記第2指令値とを加算して得られる総指令値に基づいて、前記冷却回路構成機器を制御する冷却回路制御部と、
を備える、冷却回路制御装置。
(4)上記(3)に記載の冷却回路制御装置と、
前記冷却回路制御装置により制御される前記冷却回路構成機器を構成するポンプと、
チラーと、
前記電動パワートレーン構成機器と、
外気と熱交換するラジエータと、
前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータに連通し、前記ポンプが作動すると前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータを通って前記冷却液が循環する冷却液流路と、
を備える、低温回路。
(5)上記(4)に記載の低温回路と、
冷媒を圧縮するコンプレッサと、前記冷媒から熱媒体に放熱させて前記冷媒を凝縮させる媒体間熱交換器と、前記チラーと、前記冷媒に吸熱させて該冷媒を蒸発させるエバポレータとを有し、前記コンプレッサ、前記媒体間熱交換器、及び前記チラーまたは前記エバポレータを通って前記冷媒が循環する冷凍回路と、
車室内の暖房に用いられるヒータコアと、電気ヒータと、前記媒体間熱交換器と、を有し、前記ヒータコア、前記電気ヒータ、及び前記媒体間熱交換器を通って熱媒体が循環する高温回路と、
を備える、車載温調装置。
(6)電動パワートレーン構成機器への制御目標値と、電動パワートレーン構成機器の経年劣化に伴い変化するパラメータと、冷却回路構成機器への制御目標値と、前記冷却回路構成機器が作動することにより前記電動パワートレーン構成機器へ流れ込む冷却液についての前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを入力データセットとして取得する取得ステップと、
前記入力データセットと、該入力データセットと同時刻における前記電動パワートレーン構成機器から流れ出る前記冷却液についての前記電動パワートレーン構成機器の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う学習ステップと、
を備える機械学習処理をコンピュータに実行させるためのコンピュータプログラム。
(1) Control target values for the electric power train component devices, parameters that change as the electric power train component devices deteriorate over time, control target values for the cooling circuit component devices, and the operation of the cooling circuit component devices. The input data set is time-series data consisting of the coolant temperature at the inlet side of the electric power train component regarding the coolant flowing into the electric power train component, and the configuration of the electric power train at the same time as the input data set. A machine learning device that performs machine learning of a coolant temperature estimation model using training data whose output data set is time-series data of outlet side coolant temperature of the electric power train component with respect to the coolant flowing from the device.
(2) The machine learning device described in (1) above,
Obtaining time series data consisting of a control target value for the electric power train component, a control target value for the cooling circuit component, and an inlet coolant temperature of the electric power train component as the input data set. an acquisition unit to
Estimation of calculating an estimated value of the outlet side coolant temperature of the electric power train component from the input data set acquired by the acquisition unit using the coolant temperature estimation model learned by the machine learning device. Department and
A cooling temperature estimation device comprising:
(3) The cooling temperature estimation device according to (2) above;
a feedforward control unit that outputs a first command value by feedforward control based on the estimated value of the outlet side coolant temperature of the electric power train component calculated by the cooling temperature estimating device;
Feedback control that outputs a second command value by feedback control based on a deviation between a target value of an outlet-side coolant temperature of the electric power train component and a sensor value of an outlet-side coolant temperature of the electric power train component. Department and
a cooling circuit control unit that controls the cooling circuit components based on a total command value obtained by adding the first command value and the second command value;
A cooling circuit control device comprising:
(4) the cooling circuit control device according to (3) above;
a pump constituting the cooling circuit component device controlled by the cooling circuit control device;
Chiller and
the electric power train component;
A radiator that exchanges heat with outside air,
The cooling fluid is in communication with the pump, the chiller, the electric power train component, and the radiator, and when the pump is activated, the coolant circulates through the pump, the chiller, the electric power train component, and the radiator. a coolant flow path;
A low temperature circuit.
(5) the low temperature circuit described in (4) above;
A compressor that compresses a refrigerant, an intermedium heat exchanger that causes the refrigerant to radiate heat to a heat medium and condense the refrigerant, the chiller, and an evaporator that causes the refrigerant to absorb heat and evaporate the refrigerant, a refrigeration circuit in which the refrigerant circulates through a compressor, the intermedium heat exchanger, and the chiller or the evaporator;
A high-temperature circuit including a heater core used for heating a vehicle interior, an electric heater, and the inter-medium heat exchanger, in which a heat medium circulates through the heater core, the electric heater, and the inter-medium heat exchanger. and,
An on-vehicle temperature control device equipped with.
(6) Control target values for the electric power train component devices, parameters that change as the electric power train component devices deteriorate over time, control target values for the cooling circuit component devices, and operation of the cooling circuit component devices. an acquisition step of acquiring, as an input data set, time-series data consisting of the coolant flowing into the electric power train component and the temperature of the coolant on the inlet side of the electric power train component;
from the input data set and an output data set that is time series data of the coolant temperature on the outlet side of the electric power train component with respect to the coolant flowing out from the electric power train component at the same time as the input data set. a learning step of performing machine learning of the coolant temperature estimation model using training data;
A computer program for causing a computer to execute machine learning processing.
本開示によれば、制御目標値の変化及び経年変化を伴う連続した所定期間の時系列データを教師データとして機械学習を行うことで、電動パワートレーン構成機器などの制御目標値や冷却回路構成機器の作動状態の変化に伴う過渡的な誤差(応答遅れ)の影響、及び電動パワートレーン構成機器の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電動パワートレーン構成機器及びヒータコアの温度調節を最適化し、車載温調装置の空調性能及びシステム効率を向上させることができる。 According to the present disclosure, by performing machine learning using time-series data over a continuous predetermined period with changes in control target values and changes over time as training data, control target values of electric power train components, etc., and cooling circuit components A high-precision coolant that appropriately reflects both the effects of transient errors (response delays) associated with changes in the operating state of the electric power train, as well as the effects of steady errors associated with output changes due to aging of electric power train components. A temperature estimation model can be constructed. In addition, feedforward control using the estimated value of coolant temperature calculated using a trained coolant temperature estimation model is used in conjunction with feedback control to improve the accuracy and convergence of coolant temperature control. can be done. By improving the accuracy and convergence of coolant temperature control in this way, it is possible to optimize the temperature control of electric power train components and heater cores, and improve the air conditioning performance and system efficiency of the on-vehicle temperature control device.
以下図面を参照して、機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラムについて説明する。各図面において、同様の部材には同様の参照符号が付けられている。また、理解を容易にするために、これらの図面は縮尺を適宜変更している。図示される形態は実施をするための1つの例であり、これらの形態に限定されるものではない。 A machine learning device, a cooling temperature estimation device, a cooling circuit control device, a low temperature circuit, an on-vehicle temperature control device, and a computer program will be described below with reference to the drawings. Like parts are provided with like reference numerals in the drawings. Further, in order to facilitate understanding, the scale of these drawings has been changed as appropriate. The illustrated form is one example for implementation, and the present invention is not limited to these forms.
<車載温調装置の全体構成>
図1は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータである場合を示す。
<Overall configuration of in-vehicle temperature control device>
FIG. 1 is a diagram schematically showing the configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, and shows a case where the electric power train component is a motor.
本実施形態では、車両の室内の温度を調整する車載温調装置1000は、例えば、モータによって駆動される電動車両、モータ及び内燃機関によって駆動されるハイブリッド車両、または内燃機関によって駆動される内燃駆動車両に搭載される。
In this embodiment, the in-vehicle
車載温調装置1000は、低温回路1と、冷凍回路2と、高温回路3を備える。電動パワートレーン構成機器としては、モータ及び電池などがあるが、ここでは、電動パワートレーン構成機器がモータ14-1である場合について説明する。
The vehicle-mounted
まず、低温回路1について説明する。
First, the
低温回路1は、冷却回路制御装置10と、冷却回路構成機器を構成するポンプであるウォータポンプ11と、冷媒配管12a及び冷却水配管12bを有するチラー12と、低温ラジエータ13と、電動パワートレーン構成機器であるモータ14-1と、冷却液流路15a及び15bとを備える。
The
ウォータポンプ11は、冷却回路制御装置10の制御により、低温回路1内を循環する冷却水を圧送する。ウォータポンプ11は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。
The
冷却液流路15a及び15bは、ウォータポンプ11、チラー12、モータ14-1、及び低温ラジエータ13に連通している。低温回路1では、ウォータポンプ11が作動することにより冷却水が冷却液流路15a及び15bを流れることで、冷却水がウォータポンプ11、チラー12、モータ14-1、及び低温ラジエータ13を通って循環する。モータ14-1の周りには、冷却液流路15a及び15bに連なる配水管が設けられ、この配水管を流れる冷却水とモータ14-1との間で熱交換が行われるように構成される。モータ14-1の周りに設けられた配水管においては、当該配水管を通じてモータ14-1へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ16と、当該配水管を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ17とが設けられる。
低温ラジエータ13は、低温回路1内の冷却水と車両100の外部の空気(外気)との間で熱交換を行う熱交換器である。低温ラジエータ13は、冷却水の温度が外気の温度よりも高いときには冷却水から外気への放熱を行い、冷却水の温度が外気の温度よりも低いときには外気から冷却水への吸熱を行うように構成される。低温ラジエータ13は、車両のフロントグリルの内側に配置される低温ラジエータ13に隣接して電動ファン18及びグリルシャッタ19が設けられる。車両が走行しているときには低温ラジエータ13には走行風が当たるが、グリルシャッタ19の開閉を制御することによって、低温ラジエータ13に当たる走行風の量を調整することができる。また、車両が走行していないときでも、電動ファン18を駆動することにより発生する風を低温ラジエータ13に当てることができる。
The low-
以上が低温回路1の構成である。なお、冷却回路制御装置10の詳細については後述する。続いて、冷凍回路2について説明する。
The above is the configuration of the
冷凍回路2は、コンプレッサ41と、媒体間熱交換器である水冷コンデンサ42と、冷媒配管12a及び冷却水配管12bを有するチラー12と、第1電磁膨張弁43と、第2電磁膨張弁44と、エバポレータ45と、冷媒流路である冷凍基本流路46a、エバポレータ流路46b及びチラー流路46cとを備える。
The
冷凍回路2は、コンプレッサ41が駆動されると水冷コンデンサ42とチラー12またはエバポレータ45とを通って冷媒が循環することで冷凍サイクルを実現するように構成される。冷凍回路2における冷媒の流路は、冷凍基本流路46aと、エバポレータ流路46bと、チラー流路46cとに分けられる。エバポレータ流路46bと、チラー流路46cとは互いに並列に設けられ、それぞれ冷凍基本流路46aに接続されている。冷媒には、例えば、ハイドロフルオロカーボン(例えば、HFC-134a)等、一般的に冷凍サイクルで冷媒として用いられる任意の物質が用いられる。
The
コンプレッサ41は、冷媒を圧縮して昇温する圧縮機として機能する。なお、コンプレッサ41を制御する制御部については図示を省略している。コンプレッサ41は、例えば電動式であり、コンプレッサ41への供給電力またはデューティー比が調整されることによりその吐出容量が無段階に変化するように構成される。コンプレッサ41では、低温・低圧であって主にガス状である冷媒が、断熱的に圧縮されることにより、高温・高圧であって主にガス状である冷媒に変化する。
The
媒体間熱交換器である水冷コンデンサ42は、熱媒体配管42aと冷媒配管42bとを有する。水冷コンデンサ42は、冷媒から高温回路3の冷却水に放熱させることで冷媒を凝縮させる熱交換器として機能する。また、水冷コンデンサ42の冷媒配管42bは、冷凍サイクルにおいて冷媒を凝縮させて放熱する凝縮器として機能する。水冷コンデンサ42の冷媒配管42bでは、コンプレッサ41から流出した高温・高圧であって主にガス状である冷媒が、等圧的に冷却されることにより、高温・高圧の主に液状の冷媒に変化する。
The water-cooled
第1電磁膨張弁43及び第2電磁膨張弁44は、冷媒を膨張させる膨張器として機能する。これら第1電磁膨張弁43及び第2電磁膨張弁44は、例えば、細径の通路を備えると共に、この細径の通路から冷媒を噴霧することで冷媒の圧力を急激に低下させる。これら第1電磁膨張弁43及び第2電磁膨張弁44では、水冷コンデンサ42から流出した高温・高圧の液状の冷媒が、減圧されて部分的に気化することにより、低温・低圧の霧状の冷媒に変化する。
The first
エバポレータ45は、周囲の空気(特に、車両の室内に供給される空気)と冷媒との間で熱交換を行う熱交換器として機能する。したがって、エバポレータ45は、周囲の空気の温度が冷媒の温度よりも高ければ、周囲の空気から冷媒へ吸熱させ、冷媒が液状であれば、冷媒を蒸発させる。よって、エバポレータ45では、第1電磁膨張弁43から流出した低温・低圧の霧状の冷媒が、蒸発することにより、低温・低圧のガス状の冷媒に変化する。この結果、エバポレータ45周りの空気は冷却され、車室内の冷房を行うことができる。逆に、エバポレータ45は、周囲の空気の温度が冷媒の温度よりも低ければ、冷媒から周囲の空気へ放熱させる。
The evaporator 45 functions as a heat exchanger that exchanges heat between the surrounding air (particularly the air supplied into the interior of the vehicle) and the refrigerant. Therefore, the
チラー12は、冷媒配管12aと冷却水配管12bとを有する。チラー12は、低温回路1の冷却水と冷媒との間で熱交換する熱交換器として機能する。また、チラー12の冷媒配管12aは、冷媒の温度が低温回路1の冷却水よりも低いときには、冷媒を蒸発させて冷却水を冷却する蒸発器として機能する。チラー12の冷媒配管12aでは、第2電磁膨張弁44から流出した低温・低圧の霧状の冷媒が、蒸発することにより、低温・低圧のガス状の冷媒に変化する。この結果、低温回路1の冷却水は冷却される。
The
続いて、高温回路3について説明する。
Next, the
高温回路3は、ポンプ51と、ヒータコア52と、電気ヒータ53と、水冷コンデンサ42と、冷却水流路54a及び54bとを備える。高温回路3では、これら構成部品を通って、熱媒体である冷却水が循環する。なお、高温回路3において、冷却水の代わりに任意の他の熱媒体が用いられてもよい。
The
ポンプ51は、高温回路3内を循環する冷却水を圧送する。なお、ポンプ51を制御する制御部については図示を省略している。ポンプ51は、ウォータポンプ11と同様な、電動式のウォータポンプである。なお、ここでは図示していないが、高温回路3は、高温回路3内を循環する冷却水と外気との間で熱交換を行う高温ラジエータを備えてもよい。
The
ヒータコア52は、高温回路3内を循環する冷却水とヒータコア52周りの空気(特に、車両の室内に供給される空気)との間で熱交換を行って、車室内の暖房を行うように構成される。具体的には、ヒータコア52は、冷却水からヒータコア52周りの空気へ排熱するように構成される。したがって、ヒータコア52に高温の冷却水が流れると、熱媒体の温度が低下すると共に、ヒータコア52周りの空気が暖められる。
The
電気ヒータ53は、電気導体に電流を流すことで生じる熱により車室内の暖房を行うように構成される。電気ヒータ53の例としては、例えばシーズヒータ、セラミックヒータ、カーボンヒータなどがある。電気ヒータ53の周りには、冷却水流路54a及び54bに連なる配管が設けられ、この配管を流れる冷却水と電気ヒータ53との間で熱交換が行われるように構成される。
The
<冷却回路制御装置の構成>
冷却回路制御装置10は、低温回路1における冷却回路構成機器を構成するウォータポンプ11を制御する。冷却回路制御装置10は、冷却温度推定装置20と、フィードフォワード制御部21と、フィードバック制御部22と、冷却回路制御部23と、減算器24と、加算器25とを備える。
<Configuration of cooling circuit control device>
The cooling
冷却温度推定装置20は、機械学習(AI:人工知能)による学習済の冷却液温度推定モデルを用いて冷却液温度の推定値を計算する。冷却温度推定装置20は、機械学習装置30と、取得部31と、推定部32とを備える。
The cooling
取得部31は、制御目標値の変化を伴う連続した所定期間中の時系列データのうち、電動パワートレーン構成機器であるモータ14-1への制御目標値と、モータ14-1の経年劣化に伴い変化するパラメータである熱抵抗と、冷却回路構成機器であるウォータポンプ11への制御目標値と、ウォータポンプ11が作動することにより配水管を通じてモータ14-1へ流れ込む冷却水についてのモータ14-1の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じてモータ14-1へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ16によって検出される。取得部31により取得された入力データセットは、出力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部32によるモータ14-1の出口側冷却液温度の推定値の計算に用いられる。
The
また、取得部31は、制御目標値の変化を伴う連続した所定期間中の時系列データのうち、配水管を通じてモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データを、出力データセットとして取得する。出力データセットは、入力データセットと同時刻におけるものが取得される。配水管を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ17によって検出される。取得部31により取得された出力データセットは、入力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられる。
The
機械学習装置30は、取得部31により取得されたモータ14-1への制御目標値と、モータ14-1の熱抵抗と、ウォータポンプ11への制御目標値と、モータ14-1の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じてモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置30は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク(RNN:Recurrent Nural Network)、LSTM(Long Short Term Memory:長短期記憶)、GRU(Gated Recurrent Unit:ゲート付き回帰型ユニット)などを用いることができる。機械学習装置30の詳細については後述する。
The
推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、モータ14-1の出口側冷却液温度の推定値を計算する。
The
フィードフォワード制御部21は、冷却温度推定装置20により計算されたモータ14-1の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力する。
The
減算器24は、モータ14-1の出口側冷却液温度の目標値と出口側温度センサ17により検出されたモータ14-1の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部22は、この偏差に基づいてフィードバック制御により第2指令値を出力する。フィードバック制御としては、例えばPID制御またはPI制御が用いられる。
The
加算器25は、第1指令値と第2指令値とを加算して総指令値を生成し、冷却回路制御部23は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ11を制御する。
The
図2は、図1に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 FIG. 2 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 1 and equipment connected to the cooling circuit control device.
冷却回路制御装置10は、通信インタフェース101と、メモリ102と、プロセッサ103を備えるコンピュータであり、例えば、車載温調装置1000が搭載された車両に設けられたECU(電子制御ユニット)内に構成される。ECUの全体構成については図示を省略している。
The cooling
冷却回路制御装置10において、通信インタフェース101、メモリ102及びプロセッサ103は信号線を介して互いに電気的に接続されている。
In the cooling
通信インタフェース101は、低温回路1を構成する各種機器(例えば、モータ14-1、ウォータポンプ11、入口側温度センサ16、及び出口側温度センサ17など)に冷却回路制御装置10を接続するためのインタフェース回路を有する。冷却回路制御装置10は、通信インタフェース101を介して他の機器と通信する。
The
メモリ102は、例えば、揮発性の半導体メモリ(例えば、RAM)、不揮発性の半導体メモリ(例えば、ROM)等を有する。メモリ102は、プロセッサ103において各種処理を実行するためのコンピュータプログラムや、プロセッサ103によって各種処理が実行されるときに使用される各種データ等を記憶する。
The
メモリ102は、例えば、機械学習処理をコンピュータに実行させるためのコンピュータプログラムを記憶する。機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、取得ステップと、学習ステップとを備える。取得ステップでは、電動パワートレーン構成機器であるモータ14-1への制御目標値と、モータ14-1の経年劣化に伴い変化するパラメータである熱抵抗と、冷却回路構成機器であるウォータポンプ11への制御目標値と、ウォータポンプ11が作動することによりモータ14-1へ流れ込む冷却水についてのモータ14-1の入口側冷却液温度とからなる時系列データを入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻におけるモータ14-1から流れ出る冷却水についてのモータ14-1の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。
The
プロセッサ103は、1つまたは複数のCPU(Central Processing Unit)及びその周辺回路を有する。プロセッサ103は、論理演算ユニットまたは数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ103は、メモリ102に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。
The
なお、上述した実施形態では、機械学習装置30を車載温調装置1000に含まれるものとしたが、この変形例として、機械学習装置30を車載温調装置1000の外部にあるコンピュータ(図示せず)内に設けてもよい。この場合、取得部31及び推定部32については車載温調装置1000に含めて構成しておく。取得部31は、モータ14-1への制御目標値とモータ14-1の熱抵抗とウォータポンプ11への制御目標値とモータ14-1の入口側冷却液温度とからなる時系列データである入力データセットと、入力データセットと同時刻における配水管を通じてモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データである出力データセットとを逐次取得してメモリ102に記憶しておく。そして、ある程度の量の入力データセット及び出力データセットの組がメモリ102に記憶されたところで、通信インタフェース101を介して入力データセット及び出力データセットを外部のコンピュータに読み出し、当該外部のコンピュータ内の機械学習装置30に冷却液温度推定モデルの機械学習処理を行わせる。そして、当該学習済の冷却液温度推定モデルを通信インタフェース101を介してメモリ102に書き込む。その後、推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、モータ14-1の出口側冷却液温度の推定値を計算することができる。この変形例によれば、例えば、機械学習装置30による学習済の冷却液温度推定モデルを複数コピーして同一構成の低温回路1を有する車載温調装置1000に適用すれば、低コストである程度の精度を有する温度推定処理を実現することができる。
In the above-described embodiment, the
<モータと冷却水との間の熱交換>
図3は、低温回路におけるモータと冷却水との間の熱交換を説明する図である。
<Heat exchange between motor and cooling water>
FIG. 3 is a diagram illustrating heat exchange between the motor and cooling water in the low-temperature circuit.
図3に示すように、ウォータポンプ11は、図1及び図2に示した冷却回路制御装置10の制御により、低温回路1内を循環する冷却水を圧送する。ウォータポンプ11は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。モータ14-1の周りには、図1に示した冷却液流路15a及び15bに連なる配水管15が設けられ、この配水管15を流れる冷却水とモータ14-1との間で熱交換が行われるように構成されている。モータ14-1への制御目標値のうち、モータ14-1の回生電力量をWinとし、モータ14-1のモータ軸出力をWoutとする。モータ14-1の回生電力量Win及びモータ軸出力Woutに関する情報は、例えばモータ14-1を制御する制御部(図示せず)あるいはモータ14-1に設けられた各種センサ(図示せず)から取得される。モータ14-1の経年変化に伴い変化するパラメータであるモータ14-1の熱抵抗をRmotとする。入口側温度センサ16は、配水管15を通じてモータ14-1へ流れ込む冷却水についての入口側冷却液温度Twinを検出する。出口側温度センサ17は、配水管15を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度Twoutを検出する。
As shown in FIG. 3, the
<リカレントニューラルネットワーク>
図4は、モータの周りに設けられる配水管を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係を例示する図である。図4に示すように、ウォータポンプ11のディーティー比Dutywpの増加及び水温の上昇に伴いモータ14-1の周りに設けられる配水管15を流れる冷却水の流量が増えると、制御量(Dutywp、Win、Wout)に対するモータ14-1の出口側冷却液温度Twout(出口側温度センサ17により検出)の応答遅れが減少する。このようにモータ14-1の制御目標値(Win、Wout)及びウォータポンプ11の作動状態(Dutywp)が変化すると、制御量(Dutywp、Win、Wout)に対するモータ14-1の出口側冷却液温度Twoutの応答遅れが変化し、過渡的な誤差となって現れる。また、モータ14-1の経年劣化によりモータ14-1の熱損失Rmotが変化し、モータ14-1の出口側冷却液温度Twoutの定常的な誤差となって現れる。このような現象を関数式で表すと式1のようになる。
<Recurrent neural network>
FIG. 4 is a diagram illustrating the relationship between the flow rate of cooling water flowing through a water pipe provided around the motor and the response delay of the outlet side cooling liquid temperature to the control amount. As shown in FIG. 4, when the flow rate of cooling water flowing through the
式1に基づき、本実施形態では、制御量(Dutywp、Win、Wout)に対するモータ14-1の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、モータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークとして、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。
Based on
図5は、リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習を説明する図である。 FIG. 5 is a diagram illustrating machine learning of a coolant temperature estimation model using a recurrent neural network.
リカレントニューラルネットワークは、隠れ層(隠れ状態)が隠れ層自身に接続されており、ある時点での状態を次の状態の入力値として使う構造を有する。ある層中の個々のノードは、次の層中の全てのノードに一方向に結合されている。ある時点tの入力データセットをxt、出力データセットをyt、RNNモデル活性化関数σh及びσyを有する隠れ層をhtで表す。ある時点tの入力データセットxtと前回の時点t-1での隠れ層ht-1とに基づき新しい隠れ層htに遷移し、隠れ層htから出力データセットytが出力される。すなわち、ある時点tの出力データセットytは現在の入力データセットxt及び隠れ状態htに基づくものであり、この隠れ状態htは1つ前の入力データセットxt-1に基づくものである。例えばある時点t=-1の入力データセット値x-1と前回の時点t-2での隠れ層h-2とに基づき新しい時点t=0の隠れ層h0に遷移し、隠れ層h0から出力データセットy0が出力される。時点t=0の出力データセットy0は現在の入力データセットx0及び隠れ状態h0に基づくものであり、この隠れ状態h0は1つ前の入力データセットx-1に基づくものである。 A recurrent neural network has a structure in which a hidden layer (hidden state) is connected to the hidden layer itself, and a state at a certain point in time is used as an input value for the next state. Each node in one layer is unidirectionally connected to all nodes in the next layer. Denote the input data set at a certain time t as x t , the output data set as y t , and the hidden layer with RNN model activation functions σ h and σ y as h t . A transition is made to a new hidden layer h t based on the input data set x t at a certain time t and the hidden layer h t- 1 at the previous time t-1, and the output data set y t is output from the hidden layer h t . . That is, the output data set y t at a certain time t is based on the current input data set x t and the hidden state h t , and this hidden state h t is based on the previous input data set x t-1. It is. For example, based on the input data set value x -1 at a certain time t = -1 and the hidden layer h -2 at the previous time t-2, a transition is made to the hidden layer h 0 at a new time t = 0, and the hidden layer h 0 An output data set y 0 is output from. The output data set y 0 at time t=0 is based on the current input data set x 0 and the hidden state h 0 , which is based on the previous input data set x -1 . .
本実施形態では、電動パワートレーン構成機器であるモータ14-1への制御目標値(Win、Wout)と、モータ14-1の熱抵抗Rmotと、冷却回路構成機器であるウォータポンプ11への制御目標値(Dutywp)と、ウォータポンプ11が作動することにより配水管15を通じてモータ14-1へ流れ込む冷却液についてのモータ14-1の入口側冷却液温度Twinとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管15を通じてモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部31によって取得される。機械学習装置30は、入力データセットと出力データセットとからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量(Dutywp、Win、Wout)に対するモータ14-1の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、モータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、モータ14-1の出口側冷却液温度の推定値を計算する。
In this embodiment, the control target values (W in , W out ) for the motor 14-1, which is an electric power train component, the thermal resistance R mot of the motor 14-1, and the
図6は、本開示の一実施形態による冷却温度推定装置による温度推定値と従来の応答遅れを考慮しない温度推定装置による温度推定値との比較結果を例示する図である。 FIG. 6 is a diagram illustrating a comparison result between a temperature estimation value obtained by the cooling temperature estimation device according to an embodiment of the present disclosure and a temperature estimation value obtained by a conventional temperature estimation device that does not take response delay into consideration.
図6において、出口側冷却液温度について、モータ14-1の出口側冷却液温度の実値を実線で示し、本開示の一実施形態による冷却温度推定装置20による推定値(すなわち応答遅れを考慮した推定値)を点線で示し、従来の応答遅れを考慮しない温度推定装置による推定値を一点鎖線で示している。また参考として、出口側冷却液温度と併せて、モータ14-1のモータ出力とウォータポンプ11のデューティー比Dutywpについても図示している。時刻0[sec]の時点で比較すると、本開示の一実施形態による冷却温度推定装置20による推定値の実値に対する誤差は、従来の応答遅れを考慮しない温度推定装置による推定値の実値に対する誤差に比べて小さいことが分かる。このように、本開示の一実施形態によれば、モータ14-1の制御目標値やウォータポンプ11の作動状態の変化に伴う過渡的な誤差(応答遅れ)の影響、及びモータ14-1の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、モータ14-1及びヒータコア52の温度調節を最適化し、車載温調装置1000の空調性能及びシステム効率を向上させることができる。
In FIG. 6, regarding the outlet side coolant temperature, the actual value of the outlet side coolant temperature of the motor 14-1 is shown by a solid line, and the estimated value by the cooling
なお、上述の実施形態ではニューラルネットワークとしてリカレントニューラルネットワークを用いたが、これに代えてLSTM、GRUなどを用いてもよい。 Note that in the above embodiment, a recurrent neural network is used as the neural network, but LSTM, GRU, etc. may be used instead.
<電池と冷却水との間の熱交換>
図7は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器が電池である場合を示す。
<Heat exchange between battery and cooling water>
FIG. 7 is a diagram schematically showing the configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, and shows a case where the electric power train component is a battery.
図7に示すように、低温回路1における電動パワートレーン構成機器が電池である場合においても、図1に示した車載温調装置と類似の車載温調装置を構成することができる。すなわち、図7に示した車載温調装置では、図1に示した車載温調装置における低温回路1におけるモータ14-1に代えて、電池14-2が設けられている。
As shown in FIG. 7, even when the electric power train component in the low-
低温回路1は、冷却回路制御装置10と、冷却回路構成機器を構成するウォータポンプ11と、冷媒配管12a及び冷却水配管12bを有するチラー12と、低温ラジエータ13と、電動パワートレーン構成機器である電池14-2と、冷却液流路15a及び15bとを備える。ウォータポンプ11、チラー12、及び低温ラジエータ13については、図1を参照して説明した通りである。また、冷凍回路2及び高温回路3の各構成については図1を参照して説明した通りである。
The
冷却液流路15a及び15bは、ウォータポンプ11、チラー12、電池14-2、及び低温ラジエータ13に連通している。低温回路1では、ウォータポンプ11が作動することにより冷却水が冷却液流路15a及び15bを流れることで、冷却水がウォータポンプ11、チラー12、電池14-2、及び低温ラジエータ13を通って循環する。電池14-2の周りには、冷却液流路15a及び15bに連なる配水管が設けられ、この配水管を流れる冷却水と電池14-2との間で熱交換が行われるように構成される。電池14-2の周りに設けられた配水管においては、当該配水管を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ16と、当該配水管を通じて電池14-2から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ17とが設けられる。
冷却回路制御装置10は、低温回路1における冷却回路構成機器を構成するウォータポンプ11を制御する。冷却回路制御装置10は、冷却温度推定装置20と、フィードフォワード制御部21と、フィードバック制御部22と、冷却回路制御部23と、減算器24と、加算器25とを備える。
The cooling
冷却温度推定装置20は、機械学習(AI:人工知能)による学習済の冷却液温度推定モデルを用いて電池14-2の出口側冷却液温度の推定値を計算する。冷却温度推定装置20は、機械学習装置30と、取得部31と、推定部32とを備える。
The cooling
取得部31は、電池14-2への制御目標値と、電池14-2の経年変化に伴い変化するパラメータである熱抵抗と、ウォータポンプ11への制御目標値と、ウォータポンプ11が作動することにより配水管を通じて電池14-2へ流れ込む冷却水についての電池14-2の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ16によって検出される。取得部31により取得された入力データセットは、出力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部32による電池14-2の出口側冷却液温度の推定値の計算に用いられる。
The
また、取得部31は、入力データセットと同時刻における配水管を通じて電池14-2から流れ出る冷却水についての電池14-2の出口側冷却液温度の時系列データを、出力データセットとして取得する。配水管を通じて電池14-2から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ17によって検出される。取得部31により取得された出力データセットは、入力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられる。
The
機械学習装置30は、取得部31により取得された電池14-2への制御目標値と、電池14-2の熱抵抗と、ウォータポンプ11への制御目標値と、電池14-2の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じて電池14-2から流れ出る冷却水についての電池14-2の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置30は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図5及び図6を参照して説明した通りである。
The
推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、電池14-2の出口側冷却液温度の推定値を計算する。
The
フィードフォワード制御部21は、冷却温度推定装置20により計算された電池14-2の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力する。
The
減算器24は、電池14-2の出口側冷却液温度の目標値と出口側温度センサ17により検出された電池14-2の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部22は、この偏差に基づいてフィードバック制御により第2指令値を出力する。フィードバック制御としては、例えばPID制御またはPI制御が用いられる。
The
加算器25は、第1指令値と第2指令値とを加算して総指令値を生成し、冷却回路制御部23は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ11を制御する。
The
図8は、図7に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 FIG. 8 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 7 and equipment connected to the cooling circuit control device.
冷却回路制御装置10は、通信インタフェース101と、メモリ102と、プロセッサ103を備えるコンピュータであり、例えば、車載温調装置1000が搭載された車両に設けられたECU内に構成される。ECUの全体構成については図示を省略している。
The cooling
冷却回路制御装置10において、通信インタフェース101、メモリ102及びプロセッサ103は信号線を介して互いに電気的に接続されている。
In the cooling
通信インタフェース101は、低温回路1を構成する各種機器(例えば、電池14-2、ウォータポンプ11、入口側温度センサ16、及び出口側温度センサ17など)に冷却回路制御装置10を接続するためのインタフェース回路を有する。冷却回路制御装置10は、通信インタフェース101を介して他の機器と通信する。
The
メモリ102については図2を参照して説明した通りであるが、本実施形態では、メモリ102に記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、電池14-2への制御目標値と、電池14-2の熱抵抗と、ウォータポンプ11への制御目標値と、ウォータポンプ11が作動することにより電池14-2へ流れ込む冷却水についての電池14-2の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻における電池14-2から流れ出る冷却水についての電池14-2の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。
The
プロセッサ103については図2を参照して説明した通りである。
The
なお、上述した実施形態では、機械学習装置30を車載温調装置1000に含まれるものとしたが、この変形例として、機械学習装置30を車載温調装置1000の外部にあるコンピュータ(図示せず)内に設けてもよく、これについては図2を参照して説明した通りである。
In the above-described embodiment, the
図9は、低温回路における電池と冷却水との間の熱交換を説明する図である。 FIG. 9 is a diagram illustrating heat exchange between a battery and cooling water in a low-temperature circuit.
図9に示すように、ウォータポンプ11は、図7及び図8に示した冷却回路制御装置10の制御により、低温回路1内を循環する冷却水を圧送する。ウォータポンプ11は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。電池14-2の周りには、図7に示した冷却液流路15a及び15bに連なる配水管15が設けられ、この配水管15を流れる冷却水と電池14-2との間で熱交換が行われるように構成されている。電池14-2への制御目標値のうち、電池14-2の電池充電量をWinとし、電池14-2の電池放電量をWoutとする。電池14-2の電池充電量Win及び電池放電量Woutに関する情報は、例えば電池14-2を制御する制御部(図示せず)あるいは電池14-2に設けられた各種センサ(図示せず)から取得される。電池14-2の経年変化に伴い変化するパラメータである電池14-2の熱抵抗をRbatとする。入口側温度センサ16は、配水管15を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度Twinを検出する。出口側温度センサ17は、配水管15を通じて電池14-2から流れ出る冷却水についての出口側冷却液温度Twoutを検出する。
As shown in FIG. 9, the
図4を参照して説明したモータ14-1の周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、電池14-2の周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ11のディーティー比Dutywpの増加及び水温の上昇に伴い電池14-2の周りに設けられる配水管15を流れる冷却水の流量が増えると、制御量(Dutywp、Win、Wout)に対する電池14-2の出口側冷却液温度Twout(出口側温度センサ17により検出)の応答遅れが減少する。このように電池14-2の制御目標値(Win、Wout)及びウォータポンプ11の作動状態(Dutywp)が変化すると、制御量(Dutywp、Win、Wout)に対する電池14-2の出口側冷却液温度Twoutの応答遅れが変化し、過渡的な誤差となって現れる。また、電池14-2の経年劣化により電池14-2の熱損失Rbatが変化し、電池14-2の出口側冷却液温度Twoutの定常的な誤差となって現れる。このような現象を関数式で表すと式2のようになる。
The relationship between the flow rate of the cooling water flowing through the
式2に基づき、本実施形態では、制御量(Dutywp、Win、Wout)に対する電池14-2の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、電池14-2の経年劣化に伴う電池14-2の熱損失Rbatの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図5を参照して説明した内容において「モータ14-1」の部分を「電池14-2」に置き換えたものが適用される。
Based on
本実施形態では、電池14-2への制御目標値(Win、Wout)と、電池14-2の熱抵抗Rbatと、ウォータポンプ11への制御目標値(Dutywp)と、ウォータポンプ11が作動することにより配水管15を通じて電池14-2へ流れ込む冷却水についての電池14-2の入口側冷却液温度Twinとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管15を通じて電池14-2から流れ出る冷却水についての電池14-2の出口側冷却液温度Twoutの時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部31によって取得される。機械学習装置30は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量(Dutywp、Win、Wout)に対する電池14-2の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、電池14-2の経年劣化に伴う電池14-2の熱損失Rbatの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、電池14-2の出口側冷却液温度の推定値を計算する。
In this embodiment, the control target values (W in , W out ) for the battery 14-2, the thermal resistance R bat of the battery 14-2, the control target value (Duty wp ) for the
このように、本実施形態によれば、電池14-2の制御目標値やウォータポンプ11の作動状態の変化に伴う過渡的な誤差(応答遅れ)の影響、及び電池14-2の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電池14-2及びヒータコア52の温度調節を最適化し、車載温調装置1000の空調性能及びシステム効率を向上させることができる。
As described above, according to the present embodiment, the effects of transient errors (response delays) due to changes in the control target value of the battery 14-2 and the operating state of the
なお、上述の実施形態ではニューラルネットワークとしてリカレントニューラルネットワークを用いたが、これに代えてLSTM、GRUなどを用いてもよい。 Note that in the above embodiment, a recurrent neural network is used as the neural network, but LSTM, GRU, etc. may be used instead.
<モータ及び電池と冷却水との間の熱交換>
図10は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータ及び電池である場合を示す。
<Heat exchange between motor and battery and cooling water>
FIG. 10 is a diagram schematically showing the configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which the electric power train components are a motor and a battery.
図10に示すように、低温回路1における電動パワートレーン構成機器としてモータ及び電池の両方を備える場合においても、図1及び図7に示した車載温調装置と類似の車載温調装置を構成することができる。すなわち、図10に示した車載温調装置では、図1に示した車載温調装置における低温回路1におけるモータ14-1及び図7に示した車載温調装置における低温回路1における電池14-2の両方が設けられている。
As shown in FIG. 10, even when both a motor and a battery are included as electric power train components in the low-
低温回路1は、冷却回路制御装置10と、冷却回路構成機器を構成するウォータポンプ11と、冷媒配管12a及び冷却水配管12bを有するチラー12と、低温ラジエータ13と、電動パワートレーン構成機器である電池14-2及びモータ14-1と、冷却液流路15a及び15bとを備える。ウォータポンプ11、チラー12、及び低温ラジエータ13については、図1を参照して説明した通りである。また、冷凍回路2及び高温回路3の各構成については図1を参照して説明した通りである。
The
冷却液流路15a及び15bは、ウォータポンプ11、チラー12、電池14-2、モータ14-1、及び低温ラジエータ13に連通している。図10に示す例では、一例として冷却水が流れる方向に沿って電池14-2、モータ14-1の順に設けられているが、モータ14-1、電池14-2の順に設けられてもよい。低温回路1では、ウォータポンプ11が作動することにより冷却水が冷却液流路15a及び15bを流れることで、冷却水がウォータポンプ11、チラー12、電池14-2、モータ14-1及び低温ラジエータ13を通って循環する。電池14-2及びモータ14-1のそれぞれの周りには、冷却液流路15a及び15bに連なる配水管が設けられ、この配水管を流れる冷却水と電池14-2及びモータ14-1のそれぞれとの間で熱交換が行われるように構成される。電池14-2及びモータ14-1の周りに設けられた配水管においては、当該配水管を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ16と、当該配水管を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ17とが設けられる。なお、冷却液が流れる方向に沿ってモータ14-1、電池14-2の順に設けられる場合には、当該配水管を通じてモータ14-1へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ16と、当該配水管を通じて電池14-2から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ17とが設けられる。
冷却回路制御装置10は、低温回路1における冷却回路構成機器を構成するウォータポンプ11を制御する。冷却回路制御装置10は、冷却温度推定装置20と、フィードフォワード制御部21と、フィードバック制御部22と、冷却回路制御部23と、減算器24と、加算器25とを備える。
The cooling
冷却温度推定装置20は、機械学習(AI:人工知能)による学習済の冷却液温度推定モデルを用いてモータ14-1の出口側冷却液温度の推定値を計算する。冷却温度推定装置20は、機械学習装置30と、取得部31と、推定部32とを備える。
The cooling
取得部31は、電池14-2及びモータ14-1のそれぞれへの制御目標値と、電池14-2及びモータ14-1のそれぞれの熱抵抗と、ウォータポンプ11への制御目標値と、ウォータポンプ11が作動することにより配水管を通じて電池14-2へ流れ込む冷却水についての電池14-2の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ16によって検出される。取得部31により取得された入力データセットは、出力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部32によるモータ14-1の出口側冷却液温度の推定値の計算に用いられる。
The
また、取得部31は、入力データセットと同時刻における配水管を通じてモータ14-1から流れ出る冷却液についての電池14-2の出口側冷却液温度の時系列データを、出力データセットとして取得する。配水管を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ17によって検出される。取得部31により取得された出力データセットは、入力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられる。
The
機械学習装置30は、取得部31により取得された電池14-2及びモータ14-1のそれぞれへの制御目標値と、電池14-2及びモータ14-1のそれぞれの熱抵抗と、ウォータポンプ11への制御目標値と、電池14-2の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じてモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置30は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図5及び図6を参照して説明した通りである。
The
推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、モータ14-1の出口側冷却液温度の推定値を計算する。
The
フィードフォワード制御部21は、冷却温度推定装置20により計算されたモータ14-1の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力する。
The
減算器24は、モータ14-1の出口側冷却液温度の目標値と出口側温度センサ17により検出されたモータ14-1の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部22は、この偏差に基づいてフィードバック制御により第2指令値を出力する。フィードバック制御としては、例えばPID制御またはPI制御が用いられる。
The
加算器25は、第1指令値と第2指令値とを加算して総指令値を生成し、冷却回路制御部23は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ11を制御する。
The
図11は、図10に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 FIG. 11 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 10 and equipment connected to the cooling circuit control device.
冷却回路制御装置10は、通信インタフェース101と、メモリ102と、プロセッサ103を備えるコンピュータであり、例えば、車載温調装置1000が搭載された車両に設けられたECU内に構成される。ECUの全体構成については図示を省略している。
The cooling
冷却回路制御装置10において、通信インタフェース101、メモリ102及びプロセッサ103は信号線を介して互いに電気的に接続されている。
In the cooling
通信インタフェース101は、低温回路1を構成する各種機器(例えば、モータ14-1、電池14-2、ウォータポンプ11、入口側温度センサ16、及び出口側温度センサ17など)に冷却回路制御装置10を接続するためのインタフェース回路を有する。冷却回路制御装置10は、通信インタフェース101を介して他の機器と通信する。
The
メモリ102については図2を参照して説明した通りであるが、本実施形態では、メモリ102に記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、電池14-2及びモータ14-1のそれぞれへの制御目標値と、電池14-2及びモータ14-1のそれぞれの熱抵抗と、ウォータポンプ11への制御目標値と、ウォータポンプ11が作動することにより電池14-2へ流れ込む冷却液についての電池14-2の入口側冷却液温度とからなる時系列データを入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻におけるモータ14-1から流れ出る冷却液についてのモータ14-1の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。
The
プロセッサ103については図2を参照して説明した通りである。
The
なお、上述した実施形態では、機械学習装置30を車載温調装置1000に含まれるものとしたが、この変形例として、機械学習装置30を車載温調装置1000の外部にあるコンピュータ(図示せず)内に設けてもよく、これについては図2を参照して説明した通りである。
In the above-described embodiment, the
図12は、低温回路におけるモータ及び電池と冷却水との間の熱交換を説明する図である。 FIG. 12 is a diagram illustrating heat exchange between the motor, battery, and cooling water in the low-temperature circuit.
図12に示すように、ウォータポンプ11は、図10及び図11に示した冷却回路制御装置10の制御により、低温回路1内を循環する冷却水を圧送する。ウォータポンプ11は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。電池14-2及びモータ14-1のそれぞれの周りには、図10に示した冷却液流路15a及び15bに連なる配水管15が設けられ、この配水管15を流れる冷却水と電池14-2及びモータ14-1のそれぞれとの間で熱交換が行われるように構成されている。電池14-2への制御目標値のうち、電池14-2の電池充電量をWbatinとし、電池14-2の電池放電量をWbatoutとする。電池14-2の経年変化に伴い変化するパラメータである電池14-2の熱抵抗をRbatとする。モータ14-1への制御目標値のうち、モータ14-1の回生電力量をWmotinとし、モータ14-1のモータ軸出力をWmotoutとする。モータ14-1の経年変化に伴い変化するパラメータであるモータ14-1の熱抵抗をRmotとする。入口側温度センサ16は、配水管15を通じて電池14-2へ流れ込む冷却水についての入口側冷却液温度Twinを検出する。出口側温度センサ17は、配水管15を通じてモータ14-1から流れ出る冷却水についての出口側冷却液温度Twoutを検出する。
As shown in FIG. 12, the
図4を参照して説明したモータ14-1の周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、電池14-2及びモータ14-1のそれぞれの周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ11のディーティー比Dutywpの増加及び水温の上昇に伴い電池14-2及びモータ14-1のそれぞれの周りに設けられる配水管15を流れる冷却水の流量が増えると、制御量(Dutywp、Wbatin、Wbatout、Wmotin、Wmotout)に対するモータ14-1の出口側冷却液温度Twout(出口側温度センサ17により検出)の応答遅れが減少する。このように電池14-2及びモータ14-1のそれぞれの制御目標値(Wbatin、Wbatout、Wmotin、Wmotout)及びウォータポンプ11の作動状態(Dutywp)が変化すると、制御量(Dutywp、Wbatin、Wbatout、Wmotin、Wmotout)に対する電池14-2の出口側冷却液温度Twoutの応答遅れが変化し、過渡的な誤差となって現れる。また、電池14-2の経年劣化により電池14-2の熱損失Rbatが変化するとともにモータ14-1の経年劣化によりモータ14-1の熱損失Rmotが変化し、モータ14-1の出口側冷却液温度Twoutの定常的な誤差となって現れる。このような現象を関数式で表すと式3のようになる。
The relationship between the flow rate of the cooling water flowing through the
式3に基づき、本実施形態では、制御量(Dutywp、Wbatin、Wbatout、Wmotin、Wmotout)に対する電池14-2の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、電池14-2の経年劣化に伴う電池14-2の熱損失Rbat及びモータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図5を参照して説明した内容において「モータ14-1」の部分を「電池14-2」及び「モータ14-1」に置き換えたものが適用される。 Based on Equation 3 , in this embodiment , transient and a steady error caused by changes in the heat loss R bat of the battery 14-2 due to aging of the battery 14-2 and the heat loss R mot of the motor 14-1 due to aging of the motor 14-1. In order to build a coolant temperature estimation model that appropriately reflects both of the Perform processing. As a neural network designed to recognize such numerical time series data, for example, a recurrent neural network, LSTM, GRU, etc. can be used. Regarding machine learning of a coolant temperature estimation model using a recurrent neural network, for example, in the content explained with reference to FIG. The replacement will apply.
本実施形態では、電動パワートレーン構成機器である電池14-2への制御目標値(Wbatin、Wbatout、Rbat)及びモータ14-1への制御目標値(Wmotin、Wmotout、Rmot)と、電池14-2の熱抵抗Rbatと、モータ14-1の熱抵抗Rmotと、冷却回路構成機器であるウォータポンプ11への制御目標値(Dutywp)と、ウォータポンプ11が作動することにより配水管15を通じて電池14-2へ流れ込む冷却水についての電池14-2の入口側冷却液温度Twinとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管15を通じてモータ14-1から流れ出る冷却水についてのモータ14-1の出口側冷却液温度Twoutの時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部31によって取得される。機械学習装置30は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量(Dutywp、Wbatin、Wbatout、Wmotin、Wmotout)に対するモータ14-1の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、電池14-2の経年劣化に伴う電池14-2の熱損失Rbatの変化及びモータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、モータ14-1の出口側冷却液温度の推定値を計算する。なお、冷却液が流れる方向に沿ってモータ14-1、電池14-2の順に設けられる場合には、推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、電池14-2の出口側冷却液温度の推定値を計算する。
In this embodiment, control target values (W batin , W batout , R bat ) for the battery 14-2, which are components of the electric power train, and control target values (W motin , W motout , R mot ) for the motor 14-1 are set. ), the thermal resistance R bat of the battery 14-2, the thermal resistance R mot of the motor 14-1, the control target value (Duty wp ) for the
このように、本実施形態によれば、電池14-2及びモータ14-1のそれぞれの制御目標値やウォータポンプ11の作動状態の変化に伴う過渡的な誤差(応答遅れ)の影響、及び電池14-2及びモータ14-1のそれぞれの経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電池14-2及びモータ14-1並びにヒータコア52の温度調節を最適化し、車載温調装置1000の空調性能及びシステム効率を向上させることができる。
As described above, according to the present embodiment, the influence of transient errors (response delay) accompanying changes in the respective control target values of the battery 14-2 and the motor 14-1 and the operating state of the
なお、上述の実施形態ではニューラルネットワークとしてリカレントニューラルネットワークを用いたが、これに代えてLSTM、GRUなどを用いてもよい。 Note that in the above embodiment, a recurrent neural network is used as the neural network, but LSTM, GRU, etc. may be used instead.
<オイルクーラを備える車載温調装置>
図13は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、低温回路がオイルクーラを備える場合を示す。なお、冷凍回路2及び高温回路3の各構成については図1を参照して説明した通りであるので、図13では図示を省略している。ここでは、電動パワートレーン構成機器がモータ14-1である場合について説明するが、電動パワートレーン構成機器が電池14-2である場合や電動パワートレーン構成機器がモータ14-1及び電池14-2の両方である場合も同様の説明が成り立つ。
<In-vehicle temperature control device equipped with an oil cooler>
FIG. 13 is a diagram schematically showing the configuration of an on-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, and shows a case where the low temperature circuit includes an oil cooler. Note that the configurations of the
図13に示すように、低温回路1内にオイルクーラ60を有する油冷回路がさらに設けられる場合においても、図1に示した車載温調装置と類似の車載温調装置1000を構成することができる。低温回路1は、冷却回路制御装置10と、冷却回路構成機器を構成するウォータポンプ11と、冷媒配管12a及び冷却水配管12bを有するチラー12と、低温ラジエータ13と、冷却液流路15a及び15bと、オイルクーラ60と、冷却回路構成機器を構成するオイルポンプ61と、電動パワートレーン構成機器であるモータ14-1と、冷却液流路64a及び64bと、を備える。ウォータポンプ11、チラー12、及び低温ラジエータ13については、図1を参照して説明した通りである。また、冷凍回路2及び高温回路3の各構成についても図1を参照して説明した通りである。
As shown in FIG. 13, even when an oil cooling circuit having an
オイルクーラ60は、その内部に冷却液流路15a及び15bに連なる配水管と冷却液流路64a及び64bに連なる配油管とが貫くように設けられ、配水管を流れる冷却水と配油管を流れる冷却油との間で熱交換を行う熱交換器である。オイルクーラ60は、冷却水の温度が冷却油の温度よりも高いときには冷却水から冷却油への放熱を行い、冷却水の温度が冷却油の温度よりも低いときには冷却油から冷却水への吸熱を行うように構成される。オイルクーラ60内を貫く配水管においては、当該配水管を通じてオイルクーラ60へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ16と、当該配水管を通じてオイルクーラ60から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ17とが設けられる。
The
オイルポンプ61は、冷却回路制御装置10の制御により、冷却液流路64a及び64bを通じて循環する冷却油を圧送する。オイルポンプ61は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。
The
冷却液流路64a及び64bは、オイルポンプ61、オイルクーラ60、及びモータ14-1に連通している。油冷回路では、オイルポンプ61が作動することにより冷却油が冷却液流路64a及び64bを流れることで、冷却油がオイルポンプ61、モータ14-1、及びオイルクーラ60を通って循環する。モータ14-1の周りには、冷却液流路64a及び64bに連なる配油管が設けられ、この配油管を流れる冷却油とモータ14-1との間で熱交換が行われるように構成される。モータ14-1の周りに設けられた配油管においては、当該配油管を通じてモータ14-1へ流れ込む冷却油についての入口側冷却液温度を検出する入口側温度センサ62と、当該配油管を通じてモータ14-1から流れ出る冷却油についての出口側冷却液温度を検出する出口側温度センサ63とが設けられる。
冷却回路制御装置10は、低温回路1における冷却回路構成機器を構成するウォータポンプ11及びオイルポンプ61を制御する。冷却回路制御装置10は、冷却温度推定装置20と、フィードフォワード制御部21と、フィードバック制御部22と、冷却回路制御部23と、減算器24と、加算器25とを備える。
The cooling
冷却温度推定装置20は、機械学習(AI:人工知能)による学習済の冷却液温度推定モデルを用いてオイルクーラ60の出口側冷却液温度の推定値を計算する。冷却温度推定装置20は、機械学習装置30と、取得部31と、推定部32とを備える。
The cooling
取得部31は、モータ14-1への制御目標値と、モータ14-1の経年変化に伴い変化するパラメータである熱抵抗と、オイルポンプ61への制御目標値と、オイルポンプ61が作動することにより配油管を通じてモータ14-1へ流れ込む冷却油についてのモータ14-1の入口側冷却液温度と、ウォータポンプ11への制御目標値と、オイルクーラ60の経年変化に伴い変化するパラメータである熱透過率と、ウォータポンプ11が作動することにより配水管を通じてオイルクーラ60へ流れ込む冷却水についてのオイルクーラ60の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。出力データセットと併せて機械学習装置30による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部32によるモータ14-1の出口側冷却液温度の推定値の計算に用いられる。
The
また、取得部31は、入力データセットと同時刻における配水管を通じてオイルクーラ60から流れ出る冷却水についてのオイルクーラ60の出口側冷却液温度の時系列データを出力データセットとして取得する。
The
機械学習装置30は、取得部31により取得された入力データセットと、この入力データセットと同時刻における出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置30は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図5及び図6を参照して説明した通りである。
The
推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、オイルクーラ60の出口側冷却液温度の推定値を計算する。
The
フィードフォワード制御部21は、冷却温度推定装置20により計算されたオイルクーラ60の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力する。
The
減算器24は、オイルクーラ60の出口側冷却液温度の目標値と出口側温度センサ17により検出されたオイルクーラ60の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部22は、この偏差に基づいてフィードバック制御により第2指令値を出力する。フィードバック制御としては、例えばPID制御またはPI制御が用いられる。
The
加算器25は、第1指令値と第2指令値とを加算して総指令値を生成し、冷却回路制御部23は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ11及びオイルポンプ61を制御する。
The
なお、図示は省略するが、図13に示す冷却回路制御装置10は、通信インタフェースと、メモリと、プロセッサとを備えるコンピュータであり、例えば、車載温調装置1000が搭載された車両に設けられたECU内に構成される。
Although not shown, the cooling
このうち冷却回路制御装置10内の通信インタフェースは、低温回路1を構成する各種機器(例えば、モータ14-1、ウォータポンプ11、入口側温度センサ16、及び出口側温度センサ17、オイルクーラ60、オイルポンプ61、入口側温度センサ62、及び出口側温度センサ63など)に冷却回路制御装置10を接続するためのインタフェース回路を有する。
Among these, the communication interface in the cooling
また、冷却回路制御装置10内のメモリについては図2、図8、及び図11を参照して説明した通りであるが、本実施形態では、メモリに記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、モータ14-1への制御目標値と、モータ14-1の熱抵抗と、オイルポンプ61への制御目標値と、モータ14-1の入口側冷却液温度と、ウォータポンプ11への制御目標値と、オイルクーラ60の熱透過率と、オイルクーラ60の入口側冷却液温度とからなる時系列データを、入力データセットとして取得し、入力データセットと同時刻における配水管を通じてオイルクーラ60から流れ出る冷却水についてのオイルクーラ60の出口側冷却液温度の時系列データを、出力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻における出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。
Further, although the memory in the cooling
プロセッサについては図2、図8、及び図11を参照して説明した通りである。 The processor is as described with reference to FIGS. 2, 8, and 11.
なお、上述した実施形態では、機械学習装置30を車載温調装置1000に含まれるものとしたが、この変形例として、機械学習装置30を車載温調装置1000の外部にあるコンピュータ(図示せず)内に設けてもよく、これについては図2を参照して説明した通りである。
In the above-described embodiment, the
図14は、モータと冷却油との間の熱交換及びオイルクーラにおける冷却油と冷却水との間の熱交換を説明する図である。 FIG. 14 is a diagram illustrating heat exchange between the motor and cooling oil and heat exchange between cooling oil and cooling water in the oil cooler.
図12に示すように、オイルポンプ61は、図13に示した冷却回路制御装置10の制御により、冷却液流路64a及び64bを循環する冷却油を圧送する。オイルポンプ61は、ディーティー比Dutyopが調整されることによりその吐出容量が無段階に変化するように構成される。モータ14-1の周りには、図10に示した冷却液流路64bが設けられ、この冷却液流路64bを流れる冷却油とモータ14-1との間で熱交換が行われるように構成されている。モータ14-1への制御目標値のうち、モータ14-1の回生電力量をWinとし、モータ14-1のモータ軸出力をWoutとする。モータ14-1の経年変化に伴い変化するパラメータであるモータ14-1の熱抵抗をRmotとする。入口側温度センサ62は、冷却液流路64aを通じてモータ14-1へ流れ込む冷却油についての入口側冷却油液温度Toinを検出する。出口側温度センサ17は、冷却液流路64bを通じてモータ14-1から流れ出る冷却油についての出口側冷却液温度Tooutを検出する。
As shown in FIG. 12, the
図4を参照して説明したモータ14-1の周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、モータ14-1の周りに設けられる冷却液流路64bを流れる冷却油の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、オイルポンプ61のディーティー比Dutyopの増加及び油温の上昇に伴いモータ14-1の周りに設けられる冷却液流路64bを流れる冷却油の流量が増えると、制御量(Dutyop、Win、Wout)に対するモータ14-1の出口側冷却液温度Toout(出口側温度センサ63により検出)の応答遅れが減少する。このようにモータ14-1の制御目標値(Win、Wout)及びオイルポンプ61の作動状態(Dutyop)が変化すると、制御量(Dutywp、Win、Wout)に対するモータ14-1の出口側冷却液温度Tooutの応答遅れが変化し、過渡的な誤差となって現れる。また、モータ14-1の経年劣化によりモータ14-1の熱損失Rmotが変化し、モータ14-1の出口側冷却液温度Tooutの定常的な誤差となって現れる。このような現象を関数式で表すと式4のようになる。
The relationship between the flow rate of the cooling water flowing through the
また、図12に示すように、ウォータポンプ11は、図13に示した冷却回路制御装置10の制御により、冷却液流路15a及び15bを循環する冷却水を圧送する。ウォータポンプ11は、ディーティー比Dutywpが調整されることによりその吐出容量が無段階に変化するように構成される。オイルクーラ60には、図13に示した冷却液流路15a及び15bに連なる配水管15が設けられ、この配水管15を流れる冷却水と冷却液流路64aを流れる冷却油との間で熱交換が行われるように構成されている。オイルクーラ60の経年変化に伴い変化するパラメータであるオイルクーラ60の熱透過率をRhxとする。入口側温度センサ16は、配水管15を通じてオイルクーラ60へ流れ込む冷却水についての入口側冷却液温度Twinを検出する。出口側温度センサ17は、配水管15を通じてオイルクーラ60から流れ出る冷却水についての出口側冷却液温度Twoutを検出する。
Further, as shown in FIG. 12, the
図4を参照して説明したモータ14-1の周りに設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、オイルクーラ60に設けられる配水管15を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ11のディーティー比Dutywpの増加及び水温の上昇に伴いオイルクーラ60に設けられる配水管15を流れる冷却水の流量が増えると、制御量(Dutywp、Dutyop)に対するオイルクーラ60の出口側冷却液温度Twout(出口側温度センサ17により検出)の応答遅れが減少する。このようにオイルクーラ60の(Dutyop)作動状態、ウォータポンプ11の作動状態(Dutywp)、及びモータ14-1の出口側冷却液温度Tooutが変化すると、制御量(Dutywp、Dutyop)に対するモータ14-1の出口側冷却液温度Twoutの応答遅れが変化し、過渡的な誤差となって現れる。また、オイルクーラ60の経年劣化により熱透過率Rhxが変化し、オイルクーラ60の出口側冷却液温度Twoutの定常的な誤差となって現れる。このような現象を関数式で表すと式5のようになる。
The relationship between the flow rate of the cooling water flowing through the
式4を式5に代入すると、式6が得られる。
By substituting
式6に基づき、本実施形態では、制御量(Dutyop、Dutywp、Wmin、Wout)に対するオイルクーラ60の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、オイルクーラ60の経年劣化に伴うオイルクーラ60の熱透過率Rhx及びモータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、LSTM、GRUなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図5を参照して説明した内容において「モータ14-1」の部分を「オイルクーラ60」及び「モータ14-1」に置き換えたものが適用される。
Based on
本実施形態では、モータ14-1への制御目標値(Win、Wout)と、モータ14-1の熱抵抗Rmotと、ウォータポンプ11への制御目標値(Dutywp)及びオイルポンプ61への制御目標値(Dutyop)と、オイルポンプ61の熱透過率Rhxと、オイルポンプ61が作動することにより冷却液流路64aを通じてモータ14-1へ流れ込む冷却油についてのモータ14-1の出口側冷却液温度Toinと、冷却液流路64bを通じてモータ14-1から流れ出る冷却油についてのモータ14-1の出口側冷却液温度Tooutと、ウォータポンプ11が作動することにより配水管15を通じてオイルクーラ60へ流れ込む冷却水についてのオイルクーラ60の入口側冷水液温度Twinとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管15を通じてオイルクーラ60から流れ出る冷却水についてのオイルクーラ60の出口側冷却液温度Twoutの時系列データを出力データセットとして用いる。入力データセット及び出力データセットは取得部31によって取得される。機械学習装置30は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量(Dutyop、Dutywp、Wmin、Wout)に対するオイルクーラ60の出口側冷却液温度Twoutの応答遅れに起因する過渡的な誤差と、オイルクーラ60の経年劣化に伴うオイルクーラ60の熱透過率Rhx及びモータ14-1の経年劣化に伴うモータ14-1の熱損失Rmotの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部32は、機械学習装置30による学習済の冷却液温度推定モデルを用いて、取得部31により取得された入力データセットから、オイルクーラ60の出口側冷却液温度の推定値を計算する。
In this embodiment, the control target values (W in , W out ) for the motor 14-1, the thermal resistance R mot of the motor 14-1, the control target values (Duty wp ) for the
このように、本実施形態によれば、モータ14-1の制御目標値やウォータポンプ11及びオイルポンプ61のそれぞれの作動状態の変化に伴う過渡的な誤差(応答遅れ)の影響、及びモータ14-1及びオイルクーラ60のそれぞれの経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、モータ14-1及びヒータコア52の温度調節を最適化し、車載温調装置1000の空調性能及びシステム効率を向上させることができる。
As described above, according to the present embodiment, the effects of transient errors (response delays) accompanying changes in the control target value of the motor 14-1 and the operating states of the
なお、上述の実施形態ではニューラルネットワークとしてリカレントニューラルネットワークを用いたが、これに代えてLSTM、GRUなどを用いてもよい。 Note that in the above embodiment, a recurrent neural network is used as the neural network, but LSTM, GRU, etc. may be used instead.
また、上述の実施形態の変形例として、式4に基づき機械学習による学習済の冷却液温度推定モデルを用いてモータ14-1の出口側冷却液温度Tooutを推定し、この推定値を用いて式5に基づき機械学習による学習済の冷却液温度推定モデルを用いてオイルクーラ60の出口側冷却液温度Twoutを推定してもよい。
In addition, as a modification of the above-described embodiment, the outlet side coolant temperature To out of the motor 14-1 is estimated using a coolant temperature estimation model learned by machine learning based on
1 低温回路
2 冷凍回路
3 高温回路
10 冷却回路制御装置
11 ウォータポンプ
12 チラー
12a 冷媒配管
12b 冷却水配管
13 低温ラジエータ
14-1 モータ
14-2 電池
15a、15b 冷却液流路
16 入口側温度センサ
17 出口側温度センサ
18 電動ファン
19 グリルシャッタ
20 冷却温度推定装置
21 フィードフォワード制御部
22 フィードバック制御部22
23 冷却回路制御部
24 減算器
25 加算器
30 機械学習装置
31 取得部
32 推定部
41 コンプレッサ
42 水冷コンデンサ
42a 熱媒体配管
42b 冷媒配管
43 第1電磁膨張弁
44 第2電磁膨張弁
45 エバポレータ
46a 冷凍基本流路
46b エバポレータ流路
46c チラー流路
51 ポンプ
52 ヒータコア
53 電気ヒータ
54a、54b 冷却水流路
60 オイルクーラ
61 オイルポンプ
62 入口側温度センサ
63 出口側温度センサ
64a、64b 冷却液流路
101 通信インタフェース
102 メモリ
103 プロセッサ
1000 車載温調装置
1
23 Cooling
Claims (6)
前記電動パワートレーン構成機器への制御目標値と、前記冷却回路構成機器への制御目標値と、前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを前記入力データセットとして取得する取得部と、
前記機械学習装置による学習済の前記冷却液温度推定モデルを用いて、前記取得部により取得された前記入力データセットから、前記電動パワートレーン構成機器の出口側冷却液温度の推定値を計算する推定部と、
を備える、冷却温度推定装置。 The machine learning device according to claim 1;
Obtaining time series data consisting of a control target value for the electric power train component, a control target value for the cooling circuit component, and an inlet coolant temperature of the electric power train component as the input data set. an acquisition unit to
Estimation of calculating an estimated value of the outlet side coolant temperature of the electric power train component from the input data set acquired by the acquisition unit using the coolant temperature estimation model learned by the machine learning device. Department and
A cooling temperature estimation device comprising:
前記冷却温度推定装置により計算された前記電動パワートレーン構成機器の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第1指令値を出力するフィードフォワード制御部と、
前記電動パワートレーン構成機器の出口側冷却液温度の目標値と前記電動パワートレーン構成機器の出口側冷却液温度のセンサ値との偏差に基づいて、フィードバック制御により第2指令値を出力するフィードバック制御部と、
前記第1指令値と前記第2指令値とを加算して得られる総指令値に基づいて、前記冷却回路構成機器を制御する冷却回路制御部と、
を備える、冷却回路制御装置。 A cooling temperature estimating device according to claim 2;
a feedforward control unit that outputs a first command value by feedforward control based on the estimated value of the outlet side coolant temperature of the electric power train component calculated by the cooling temperature estimating device;
Feedback control that outputs a second command value by feedback control based on a deviation between a target value of an outlet-side coolant temperature of the electric power train component and a sensor value of an outlet-side coolant temperature of the electric power train component. Department and
a cooling circuit control unit that controls the cooling circuit components based on a total command value obtained by adding the first command value and the second command value;
A cooling circuit control device comprising:
前記冷却回路制御装置により制御される前記冷却回路構成機器を構成するポンプと、
チラーと、
前記電動パワートレーン構成機器と、
外気と熱交換するラジエータと、
前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータに連通し、前記ポンプが作動すると前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータを通って前記冷却液が循環する冷却液流路と、
を備える、低温回路。 A cooling circuit control device according to claim 3;
a pump constituting the cooling circuit component device controlled by the cooling circuit control device;
Chiller and
the electric power train component;
A radiator that exchanges heat with outside air,
The cooling fluid is in communication with the pump, the chiller, the electric power train component, and the radiator, and when the pump is activated, the coolant circulates through the pump, the chiller, the electric power train component, and the radiator. a coolant flow path;
A low temperature circuit.
冷媒を圧縮するコンプレッサと、前記冷媒から熱媒体に放熱させて前記冷媒を凝縮させる媒体間熱交換器と、前記チラーと、前記冷媒に吸熱させて該冷媒を蒸発させるエバポレータとを有し、前記コンプレッサ、前記媒体間熱交換器、及び前記チラーまたは前記エバポレータを通って前記冷媒が循環する冷凍回路と、
車室内の暖房に用いられるヒータコアと、電気ヒータと、前記媒体間熱交換器と、を有し、前記ヒータコア、前記電気ヒータ、及び前記媒体間熱交換器を通って熱媒体が循環する高温回路と、
を備える、車載温調装置。 The low temperature circuit according to claim 4,
A compressor that compresses a refrigerant, an intermedium heat exchanger that causes the refrigerant to radiate heat to a heat medium and condense the refrigerant, the chiller, and an evaporator that causes the refrigerant to absorb heat and evaporate the refrigerant, a refrigeration circuit in which the refrigerant circulates through a compressor, the intermedium heat exchanger, and the chiller or the evaporator;
A high-temperature circuit including a heater core used for heating a vehicle interior, an electric heater, and the inter-medium heat exchanger, in which a heat medium circulates through the heater core, the electric heater, and the inter-medium heat exchanger. and,
An on-vehicle temperature control device equipped with.
前記入力データセットと、該入力データセットと同時刻における前記電動パワートレーン構成機器から流れ出る前記冷却液についての前記電動パワートレーン構成機器の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う学習ステップと、
を備える機械学習処理をコンピュータに実行させるためのコンピュータプログラム。 A control target value for the electric power train component, a parameter that changes as the electric power train component deteriorates over time, a control target value for the cooling circuit component, and a control target value for the cooling circuit component, and an acquisition step of acquiring as an input data set time-series data consisting of the temperature of the coolant on the inlet side of the electric power train component regarding the coolant flowing into the electric power train component;
from the input data set and an output data set that is time series data of the coolant temperature on the outlet side of the electric power train component with respect to the coolant flowing out from the electric power train component at the same time as the input data set. a learning step of performing machine learning of the coolant temperature estimation model using training data;
A computer program for causing a computer to execute machine learning processing.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022037963A JP2023132568A (en) | 2022-03-11 | 2022-03-11 | Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022037963A JP2023132568A (en) | 2022-03-11 | 2022-03-11 | Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023132568A true JP2023132568A (en) | 2023-09-22 |
Family
ID=88065268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022037963A Pending JP2023132568A (en) | 2022-03-11 | 2022-03-11 | Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023132568A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743974A (en) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | Method and device for distributing cooling flow of liquid cooling energy storage system and storage medium |
-
2022
- 2022-03-11 JP JP2022037963A patent/JP2023132568A/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743974A (en) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | Method and device for distributing cooling flow of liquid cooling energy storage system and storage medium |
CN117743974B (en) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | Method and device for distributing cooling flow of liquid cooling energy storage system and storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10494985B2 (en) | Engine warm-up apparatus for vehicle | |
Salah et al. | Nonlinear-control strategy for advanced vehicle thermal-management systems | |
JP5771168B2 (en) | Heat storage device, air conditioner and heat storage method | |
Kiss et al. | Modeling of an electric vehicle thermal management system in MATLAB/Simulink | |
US11174777B2 (en) | Abnormality detection system of engine cooling water recirculation system | |
Chowdhury et al. | Total Thermal management of battery electric vehicles (BEVs) | |
US8997847B2 (en) | Cooling in a liquid-to-air heat exchanger | |
JP7028191B2 (en) | Valve control device, cooling device and valve control method | |
JP2018184104A (en) | Shutter grill device | |
Yang et al. | Modeling and simulation of vehicle integrated thermal management system for a fuel cell hybrid vehicle | |
JP2023132568A (en) | Machine learning device, cooling temperature estimation device, cooling circuit control device, low temperature circuit, on-vehicle temperature control device and computer program | |
CN105370379B (en) | Prevent the coolant control system and method that cooling agent boils | |
JP2008185021A (en) | Cooling system for vehicle | |
US20200362746A1 (en) | Control method for integrated thermal management system of vehicle | |
JP6094231B2 (en) | Internal combustion engine cooling system | |
CN111584977A (en) | System and method for controlling a vehicle thermal management device | |
CN108116183A (en) | A kind of control method of heat management system | |
US10696134B2 (en) | Vehicle coolant flow control during maximum AC cooling condition | |
JP2008525700A (en) | Automotive engine thermal energy control system | |
JP2017120067A (en) | Control device for vehicular cooling system | |
JP6256578B2 (en) | Internal combustion engine cooling system | |
KR102589025B1 (en) | Control method of air conditioner for electric vehicle | |
JP5708293B2 (en) | Vehicle air conditioner | |
Castiglione et al. | Thermal management strategies for CO2 reduction in powertrain systems | |
JPS61229921A (en) | Cooling fan controller for vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240411 |