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 PDF

Info

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
Application number
JP2022037963A
Other languages
Japanese (ja)
Inventor
寛之 杉原
Hiroyuki Sugihara
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2022037963A priority Critical patent/JP2023132568A/en
Publication of JP2023132568A publication Critical patent/JP2023132568A/en
Pending legal-status Critical Current

Links

Images

Abstract

To provide a vehicle which constructs a cooling liquid temperature estimation model with excellent accuracy on which the influence of a response lag is properly reflected.SOLUTION: A machine learning device 30 performs machine learning of a cooling liquid temperature estimation model by using teacher data with time-series data including a control target value to an electrically-driven power train component, a parameter that changes according to long-term deterioration of the electrically-driven power train component, a control target value to a cooling circuit component, and an inlet side cooling liquid temperature of the electrically-driven power train component for cooling liquid flowing into the electrically-driven power train component when the cooling circuit component is operated as an input data set, and time-series data of an outlet side cooling liquid temperature of the electrically-driven power train component for the cooling liquid flowing out from the electrically-driven power train component at the same time as the input data set as an output data set.SELECTED DRAWING: Figure 1

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).

特開２０１９－１８９００４号公報JP 2019-189004 Publication

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.

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。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 an electric power train component is a motor. 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 a cooling circuit control device shown in FIG. 1 and equipment connected to the cooling circuit control device. 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。It is a figure explaining heat exchange between a motor and cooling water in a low-temperature circuit. 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。FIG. 3 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. 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. 2 is a diagram illustrating machine learning of a coolant temperature estimation model using a recurrent neural network. 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. 7 is a diagram illustrating a comparison result between a temperature estimation value obtained by a 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. 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。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 an electric power train component is a battery. 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。8 is a schematic configuration diagram of the cooling circuit control device and equipment connected to the cooling circuit control device shown in FIG. 7. FIG. 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。It is a figure explaining heat exchange between a battery and cooling water in a low-temperature circuit. 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。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 electric power train components are a motor and a battery. 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。11 is a schematic configuration diagram of the cooling circuit control device and equipment connected to the cooling circuit control device shown in FIG. 10. FIG. 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。It is a figure explaining heat exchange between a motor, a battery, and cooling water in a low-temperature circuit. 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。1 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, in which a low-temperature circuit includes an oil cooler. 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。It is a figure explaining the heat exchange between a motor and cooling oil, and the heat exchange between cooling oil and cooling water in an oil cooler.

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 temperature control device 1000 that adjusts the indoor temperature of a vehicle is, for example, an electric vehicle driven by a motor, a hybrid vehicle driven by a motor and an internal combustion engine, or an internal combustion drive vehicle driven by an internal combustion engine. mounted on the 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 temperature control device 1000 includes a low temperature circuit 1, a refrigeration circuit 2, and a high temperature circuit 3. Examples of electric power train components include a motor and a battery, but here, a case will be described in which the electric power train component is the motor 14-1.

まず、低温回路１について説明する。 First, the low temperature circuit 1 will be explained.

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 low temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 which is a pump constituting cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low temperature radiator 13, and an electric power train configuration. It includes a motor 14-1, which is a device, and coolant flow paths 15a and 15b.

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 water pump 11 pumps cooling water circulating within the low temperature circuit 1 under the control of the cooling circuit control device 10 . The water pump 11 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp .

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。 Coolant channels 15a and 15b communicate with water pump 11, chiller 12, motor 14-1, and low-temperature radiator 13. In the low-temperature circuit 1, when the water pump 11 is operated, the cooling water flows through the cooling liquid channels 15a and 15b, and the cooling water passes through the water pump 11, the chiller 12, the motor 14-1, and the low-temperature radiator 13. circulate. A water distribution pipe connected to the coolant flow paths 15a and 15b is provided around the motor 14-1, and the motor 14-1 is configured to exchange heat between the cooling water flowing through the water distribution pipe and the motor 14-1. . In the water pipe provided around the motor 14-1, there is an inlet temperature sensor 16 that detects the temperature of the inlet coolant of the cooling water flowing into the motor 14-1 through the water pipe, and an inlet temperature sensor 16 that detects the temperature of the cooling water flowing into the motor 14 through the water pipe An outlet side temperature sensor 17 is provided to detect the outlet side coolant temperature of the coolant flowing out from -1.

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-temperature radiator 13 is a heat exchanger that exchanges heat between the cooling water in the low-temperature circuit 1 and the air outside the vehicle 100 (outside air). The low temperature radiator 13 radiates heat from the cooling water to the outside air when the temperature of the cooling water is higher than the temperature of the outside air, and absorbs heat from the outside air to the cooling water when the temperature of the cooling water is lower than the temperature of the outside air. configured. The low-temperature radiator 13 is provided with an electric fan 18 and a grille shutter 19 adjacent to the low-temperature radiator 13 disposed inside the front grill of the vehicle. When the vehicle is running, the low-temperature radiator 13 is exposed to the wind, but by controlling the opening and closing of the grille shutter 19, the amount of wind that hits the low-temperature radiator 13 can be adjusted. Further, even when the vehicle is not running, the low temperature radiator 13 can be exposed to the wind generated by driving the electric fan 18.

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 low temperature circuit 1. Note that the details of the cooling circuit control device 10 will be described later. Next, the refrigeration circuit 2 will be explained.

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 refrigeration circuit 2 includes a compressor 41, a water-cooled condenser 42 which is a medium heat exchanger, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a first electromagnetic expansion valve 43, and a second electromagnetic expansion valve 44. , an evaporator 45, a basic refrigeration flow path 46a, an evaporator flow path 46b, and a chiller flow path 46c, which are refrigerant flow paths.

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 refrigeration circuit 2 is configured to realize a refrigeration cycle by circulating a refrigerant through a water-cooled condenser 42 and a chiller 12 or an evaporator 45 when the compressor 41 is driven. The refrigerant flow path in the refrigeration circuit 2 is divided into a basic refrigeration flow path 46a, an evaporator flow path 46b, and a chiller flow path 46c. The evaporator flow path 46b and the chiller flow path 46c are provided in parallel with each other, and are each connected to the basic refrigeration flow path 46a. The refrigerant may be any material commonly used as a refrigerant in refrigeration cycles, such as hydrofluorocarbons (eg, HFC-134a).

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 compressor 41 functions as a compressor that compresses refrigerant and raises its temperature. Note that illustration of a control unit that controls the compressor 41 is omitted. The compressor 41 is, for example, electric, and is configured such that its discharge capacity changes steplessly by adjusting the power supplied to the compressor 41 or the duty ratio. In the compressor 41, the refrigerant, which is at low temperature, low pressure, and is mainly gaseous, is adiabatically compressed, thereby changing into a refrigerant, which is high temperature, high pressure, and mainly gaseous.

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 condenser 42, which is an intermediate heat exchanger, has a heat medium pipe 42a and a refrigerant pipe 42b. The water-cooled condenser 42 functions as a heat exchanger that condenses the refrigerant by dissipating heat from the refrigerant to the cooling water of the high-temperature circuit 3. Further, the refrigerant pipe 42b of the water-cooled condenser 42 functions as a condenser that condenses the refrigerant and radiates heat in the refrigeration cycle. In the refrigerant pipe 42b of the water-cooled condenser 42, the high-temperature, high-pressure, mainly gaseous refrigerant that has flowed out from the compressor 41 is isobarically cooled, thereby changing into a high-temperature, high-pressure, mainly liquid refrigerant. do.

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 electromagnetic expansion valve 43 and the second electromagnetic expansion valve 44 function as expanders that expand the refrigerant. The first electromagnetic expansion valve 43 and the second electromagnetic expansion valve 44 have, for example, a narrow passageway, and spray the refrigerant from the narrow passageway to rapidly reduce the pressure of the refrigerant. In the first electromagnetic expansion valve 43 and the second electromagnetic expansion valve 44, the high temperature, high pressure liquid refrigerant flowing out from the water cooling condenser 42 is depressurized and partially vaporized, thereby turning into a low temperature, low pressure mist refrigerant. Changes to

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 evaporator 45 allows the refrigerant to absorb heat from the surrounding air if the temperature of the surrounding air is higher than the temperature of the refrigerant, and evaporates the refrigerant if the refrigerant is liquid. Therefore, in the evaporator 45, the low-temperature, low-pressure mist refrigerant flowing out from the first electromagnetic expansion valve 43 is evaporated and changed into a low-temperature, low-pressure gaseous refrigerant. As a result, the air around the evaporator 45 is cooled, and the interior of the vehicle can be cooled. Conversely, if the temperature of the surrounding air is lower than the temperature of the refrigerant, the evaporator 45 radiates heat from the refrigerant to the surrounding air.

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 chiller 12 has a refrigerant pipe 12a and a cooling water pipe 12b. The chiller 12 functions as a heat exchanger that exchanges heat between the cooling water of the low temperature circuit 1 and the refrigerant. Furthermore, when the temperature of the refrigerant is lower than the cooling water of the low temperature circuit 1, the refrigerant pipe 12a of the chiller 12 functions as an evaporator that evaporates the refrigerant to cool the cooling water. In the refrigerant pipe 12a of the chiller 12, the low-temperature, low-pressure mist refrigerant flowing out from the second electromagnetic expansion valve 44 evaporates and changes into a low-temperature, low-pressure gaseous refrigerant. As a result, the cooling water in the low temperature circuit 1 is cooled.

続いて、高温回路３について説明する。 Next, the high temperature circuit 3 will be explained.

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 high temperature circuit 3 includes a pump 51, a heater core 52, an electric heater 53, a water-cooled condenser 42, and cooling water channels 54a and 54b. In the high temperature circuit 3, cooling water, which is a heat medium, circulates through these components. Note that in the high temperature circuit 3, any other heat medium may be used instead of cooling water.

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 pump 51 pumps cooling water circulating within the high temperature circuit 3. Note that illustration of a control unit that controls the pump 51 is omitted. Pump 51 is an electric water pump similar to water pump 11. Although not shown here, the high-temperature circuit 3 may include a high-temperature radiator that exchanges heat between the cooling water circulating within the high-temperature circuit 3 and the outside air.

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 heater core 52 is configured to heat the interior of the vehicle by exchanging heat between the cooling water circulating in the high-temperature circuit 3 and the air around the heater core 52 (particularly the air supplied to the interior of the vehicle). be done. Specifically, the heater core 52 is configured to exhaust heat from the cooling water to the air around the heater core 52. Therefore, when high temperature cooling water flows into the heater core 52, the temperature of the heat medium decreases and the air around the heater core 52 is warmed.

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 electric heater 53 is configured to heat the vehicle interior using heat generated by passing a current through an electric conductor. Examples of the electric heater 53 include a sheathed heater, a ceramic heater, and a carbon heater. Around the electric heater 53, piping connected to the cooling water channels 54a and 54b is provided, and the electric heater 53 is configured to exchange heat with the cooling water flowing through the piping.

＜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 circuit control device 10 controls a water pump 11 that constitutes cooling circuit components in the low temperature circuit 1 . The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control section 21, a feedback control section 22, a cooling circuit control section 23, a subtracter 24, and an adder 25.

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 temperature estimating device 20 calculates an estimated value of the coolant temperature using a coolant temperature estimation model that has been trained by machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition section 31, and an estimation section 32.

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 acquisition unit 31 acquires the control target value for the motor 14-1, which is an electric power train component, and the aging deterioration of the motor 14-1, among the time-series data during a continuous predetermined period involving changes in the control target value. Thermal resistance, which is a parameter that changes accordingly, the control target value for the water pump 11, which is a cooling circuit component, and the motor 14-, regarding the cooling water that flows into the motor 14-1 through the water pipe when the water pump 11 operates. Time series data consisting of the inlet side coolant temperature of 1 is acquired as an input data set. The inlet side coolant temperature of the coolant flowing into the motor 14-1 through the water pipe is detected by the inlet side temperature sensor 16. The input dataset acquired by the acquisition unit 31 is used together with the output dataset for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used by the estimation unit 32 using the learned coolant temperature estimation model. It is used to calculate the estimated value of the coolant temperature on the outlet side of the motor 14-1.

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 acquisition unit 31 also acquires the temperature of the coolant on the outlet side of the motor 14-1 with respect to the coolant flowing out from the motor 14-1 through the water pipe, among the time-series data during a continuous predetermined period with changes in the control target value. Obtain time series data as an output dataset. The output data set is acquired at the same time as the input data set. The outlet side coolant temperature of the coolant flowing out from the motor 14-1 through the water pipe is detected by the outlet side temperature sensor 17. The output dataset acquired by the acquisition unit 31 is used together with the input dataset for machine learning of a coolant temperature estimation model by the machine learning device 30.

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 machine learning device 30 acquires the control target value for the motor 14-1 acquired by the acquisition unit 31, the thermal resistance of the motor 14-1, the control target value for the water pump 11, and the inlet side of the motor 14-1. The input data set is time series data consisting of the coolant temperature, and the time series data of the coolant temperature on the outlet side of the motor 14-1 regarding the coolant flowing out from the motor 14-1 through the water pipe at the same time as this input data set. Machine learning of the coolant temperature estimation model is performed using the training data with as the output dataset. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a neural network. As the neural network, for example, a recurrent neural network (RNN), LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), etc. can be used. Details of the machine learning device 30 will be described later.

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 estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. .

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 feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the coolant temperature on the outlet side of the motor 14-1 calculated by the cooling temperature estimating device 20.

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 subtractor 24 calculates the deviation between the target value of the coolant temperature on the outlet side of the motor 14-1 and the sensor value of the coolant temperature on the outlet side of the motor 14-1 detected by the outlet side temperature sensor 17, and performs feedback control. The unit 22 outputs the second command value through feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

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 adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11, which is a cooling circuit component device, based on this total command value. Control.

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 circuit control device 10 is a computer including a communication interface 101, a memory 102, and a processor 103, and is configured, for example, in an ECU (electronic control unit) provided in a vehicle in which the on-vehicle temperature control device 1000 is mounted. Ru. The illustration of the overall configuration of the ECU is omitted.

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 circuit control device 10, a communication interface 101, a memory 102, and a processor 103 are electrically connected to each other via a signal line.

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 communication interface 101 is for connecting the cooling circuit control device 10 to various devices constituting the low temperature circuit 1 (for example, the motor 14-1, the water pump 11, the inlet temperature sensor 16, the outlet temperature sensor 17, etc.). It has an interface circuit. The cooling circuit control device 10 communicates with other devices via the communication interface 101.

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 memory 102 includes, for example, volatile semiconductor memory (eg, RAM), nonvolatile semiconductor memory (eg, ROM), and the like. The memory 102 stores computer programs for executing various processes in the processor 103 and various data used when the processor 103 executes various processes.

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 memory 102 stores, for example, a computer program for causing a computer to execute machine learning processing. A computer program for causing a computer to perform machine learning processing includes an acquisition step and a learning step. In the acquisition step, the control target value for the motor 14-1, which is a component of the electric power train, the thermal resistance, which is a parameter that changes as the motor 14-1 deteriorates over time, and the water pump 11, which is a component of the cooling circuit, are acquired. Time series data consisting of the control target value and the coolant temperature on the inlet side of the motor 14-1 regarding the coolant flowing into the motor 14-1 when the water pump 11 operates is acquired as an input data set. In the learning step, a teacher is created that includes an input data set and an output data set that is time series data of the coolant temperature on the outlet side of the motor 14-1 regarding the coolant flowing out of the motor 14-1 at the same time as the input data set. Machine learning of the coolant temperature estimation model is performed using the data. A computer program for causing a computer to perform machine learning processing includes a neural network that performs machine learning of a coolant temperature estimation model. As the neural network, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

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 processor 103 includes one or more CPUs (Central Processing Units) and their peripheral circuits. The processor 103 may further include an arithmetic circuit such as a logic arithmetic unit or a numerical arithmetic unit. Processor 103 executes various processes based on computer programs stored in memory 102.

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 machine learning device 30 is included in the in-vehicle temperature control device 1000, but as a modification example, the machine learning device 30 is included in a computer (not shown) external to the in-vehicle temperature control device 1000. ) may be provided. In this case, the acquisition unit 31 and the estimation unit 32 are configured to be included in the vehicle-mounted temperature control device 1000. The acquisition unit 31 is time series data consisting of the control target value for the motor 14-1, the thermal resistance of the motor 14-1, the control target value for the water pump 11, and the coolant temperature on the inlet side of the motor 14-1. An input data set and an output data set, which is time series data of the coolant temperature on the outlet side of the motor 14-1 regarding the coolant flowing out from the motor 14-1 through the water pipe at the same time as the input data set, are sequentially obtained. It is stored in the memory 102. When a certain amount of sets of input data sets and output data sets have been stored in the memory 102, the input data sets and output data sets are read out to an external computer via the communication interface 101, and are stored in the external computer. The machine learning device 30 is caused to perform machine learning processing of the coolant temperature estimation model. Then, the learned coolant temperature estimation model is written into the memory 102 via the communication interface 101. Thereafter, the estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to calculate the estimated value of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31. can be calculated. According to this modification, for example, if a plurality of copies of the coolant temperature estimation model learned by the machine learning device 30 are applied to the in-vehicle temperature control device 1000 having the low-temperature circuit 1 with the same configuration, the Accurate temperature estimation processing can be achieved.

＜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 water pump 11 pumps cooling water circulating within the low-temperature circuit 1 under the control of the cooling circuit control device 10 shown in FIGS. 1 and 2. The water pump 11 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp . A water distribution pipe 15 connected to the coolant flow paths 15a and 15b shown in FIG. 1 is provided around the motor 14-1, and heat exchange occurs between the cooling water flowing through the water distribution pipe 15 and the motor 14-1. is configured to take place. Among the control target values for the motor 14-1, the amount of regenerated electric power of the motor 14-1 is set as W in , and the motor shaft output of the motor 14-1 is set as W out . Information regarding the regenerated electric energy W in and motor shaft output W out of the motor 14-1 can be obtained from, for example, a control unit (not shown) that controls the motor 14-1 or various sensors (not shown) provided on the motor 14-1. ). Let R mot be the thermal resistance of the motor 14-1, which is a parameter that changes as the motor 14-1 ages. The inlet temperature sensor 16 detects the inlet coolant temperature Twin of the coolant flowing into the motor 14-1 through the water pipe 15. The outlet temperature sensor 17 detects the outlet coolant temperature Tw out of the coolant flowing out from the motor 14-1 through the water pipe 15.

＜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 water pipe 15 provided around the motor 14-1 increases with an increase in the duty ratio Duty wp of the water pump 11 and a rise in water temperature, the control amount (Duty wp) increases. The response delay of the outlet-side coolant temperature Tw out (detected by the outlet-side temperature sensor 17) of the motor 14-1 with respect to wp , W in , W out is reduced. As described above, when the control target value (W in , W out ) of the motor 14-1 and the operating state (Duty wp ) of the water pump 11 change, the motor 14-1 with respect to the control amount (Duty wp , W in , W out ) changes. The response delay of the outlet side coolant temperature Tw out changes, resulting in a transient error. Furthermore, due to aging of the motor 14-1, the heat loss R mot of the motor 14-1 changes, resulting in a steady error in the coolant temperature Tw out on the outlet side of the motor 14-1. This phenomenon can be expressed as a functional expression as shown in Equation 1.

Figure 2023132568000002
Figure 2023132568000002

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 Equation 1, in this embodiment, a transient error due to a delay in response of the outlet side coolant temperature Tw out of the motor 14-1 to the control amount (Duty wp , W in , W out ) and a The signals at each time are Machine learning processing is performed using a neural network suitable for learning time-dependent features in the input situation. As a neural network designed to recognize such numerical time series data, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

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 water pump 11, which is a cooling circuit component, are explained. A time series consisting of the control target value (Duty wp ) for the motor 14-1 and the coolant temperature Twin on the inlet side of the motor 14-1 for the coolant flowing into the motor 14-1 through the water pipe 15 when the water pump 11 operates. Use the data as an input dataset. Further, time series data of the coolant temperature on the outlet side of the motor 14-1 regarding the coolant flowing out from the motor 14-1 through the water pipe 15 at the same time as this input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a recurrent neural network using training data consisting of an input data set and an output data set. Since the recurrent neural network is designed to recognize numerical time-series data, the output side of the motor 14-1 with respect to the control amount (Duty wp , W in , W out ) is Both the transient error caused by the response delay of the coolant temperature Tw out and the steady error caused by the change in heat loss R mot of the motor 14-1 due to aging deterioration of the motor 14-1 are appropriately reduced. It is possible to construct a coolant temperature estimation model that reflects this. The estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. .

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 temperature estimating device 20 according to an embodiment of the present disclosure (i.e., taking into account response delay) The estimated value obtained by the conventional temperature estimating device that does not take into account the response delay is shown by the dotted line. For reference, the motor output of the motor 14-1 and the duty ratio Duty wp of the water pump 11 are also shown in addition to the outlet side coolant temperature. When compared at time 0 [sec], the error with respect to the actual value of the estimated value by the cooling temperature estimating device 20 according to an embodiment of the present disclosure is the error with respect to the actual value of the estimated value with the conventional temperature estimating device that does not take response delay into account. It can be seen that the error is small compared to the error. As described above, according to an embodiment of the present disclosure, the influence of transient errors (response delay) accompanying changes in the control target value of the motor 14-1 and the operating state of the water pump 11, and the It is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of steady errors associated with output changes due to aging deterioration. 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 the coolant temperature control in this way, it is possible to optimize the temperature control of the motor 14-1 and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle-mounted temperature control device 1000.

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-temperature circuit 1 is a battery, an on-vehicle temperature control device similar to the on-vehicle temperature control device shown in FIG. 1 can be constructed. That is, in the vehicle-mounted temperature control device shown in FIG. 7, a battery 14-2 is provided in place of the motor 14-1 in the low-temperature circuit 1 of the vehicle-mounted temperature control device shown in FIG.

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 low temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low temperature radiator 13, and electric power train components. It includes a battery 14-2 and coolant channels 15a and 15b. The water pump 11, chiller 12, and low-temperature radiator 13 are as described with reference to FIG. Further, the configurations of the refrigeration circuit 2 and the high temperature circuit 3 are as described with reference to FIG. 1.

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。 Coolant channels 15a and 15b communicate with water pump 11, chiller 12, battery 14-2, and low-temperature radiator 13. In the low-temperature circuit 1, when the water pump 11 is operated, the cooling water flows through the cooling liquid channels 15a and 15b, and the cooling water passes through the water pump 11, the chiller 12, the battery 14-2, and the low-temperature radiator 13. circulate. A water distribution pipe connected to the coolant channels 15a and 15b is provided around the battery 14-2, and the battery 14-2 is configured to exchange heat between the cooling water flowing through the water distribution pipe and the battery 14-2. . In the water pipe provided around the battery 14-2, there is an inlet temperature sensor 16 that detects the temperature of the inlet coolant of the cooling water flowing into the battery 14-2 through the water pipe, and an inlet temperature sensor 16 that detects the temperature of the cooling water flowing into the battery 14-2 through the water pipe. An outlet side temperature sensor 17 is provided to detect the outlet side coolant temperature of the coolant flowing out from -2.

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 circuit control device 10 controls a water pump 11 that constitutes cooling circuit components in the low temperature circuit 1 . The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control section 21, a feedback control section 22, a cooling circuit control section 23, a subtracter 24, and an adder 25.

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 temperature estimating device 20 calculates an estimated value of the coolant temperature on the outlet side of the battery 14-2 using a coolant temperature estimation model trained by machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition section 31, and an estimation section 32.

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 acquisition unit 31 obtains a control target value for the battery 14-2, a thermal resistance which is a parameter that changes as the battery 14-2 changes over time, a control target value for the water pump 11, and a control target value for the water pump 11 to operate. As a result, time-series data consisting of the cooling water flowing into the battery 14-2 through the water pipe and the temperature of the cooling fluid on the inlet side of the battery 14-2 is obtained as an input data set. The inlet side coolant temperature of the coolant flowing into the battery 14-2 through the water pipe is detected by the inlet side temperature sensor 16. The input dataset acquired by the acquisition unit 31 is used together with the output dataset for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used by the estimation unit 32 using the learned coolant temperature estimation model. It is used to calculate the estimated value of the coolant temperature on the outlet side of the battery 14-2.

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 acquisition unit 31 also acquires, as an output dataset, time-series data of the coolant temperature on the outlet side of the battery 14-2 regarding the cooling water flowing out from the battery 14-2 through the water pipe at the same time as the input dataset. The outlet side coolant temperature of the coolant flowing out from the battery 14-2 through the water pipe is detected by the outlet side temperature sensor 17. The output dataset acquired by the acquisition unit 31 is used together with the input dataset for machine learning of a coolant temperature estimation model by the machine learning device 30.

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 machine learning device 30 acquires the control target value for the battery 14-2 acquired by the acquisition unit 31, the thermal resistance of the battery 14-2, the control target value for the water pump 11, and the inlet side of the battery 14-2. The input data set is time series data consisting of the temperature of the coolant, and the time series data of the coolant temperature on the outlet side of the battery 14-2 regarding the coolant flowing out from the battery 14-2 through the water pipe at the same time as the input data set. Machine learning of the coolant temperature estimation model is performed using the training data with as the output dataset. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a neural network. The neural network is as described with reference to FIGS. 5 and 6.

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 estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the battery 14-2 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. .

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 feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the outlet side coolant temperature of the battery 14-2 calculated by the cooling temperature estimating device 20.

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 subtractor 24 calculates the deviation between the target value of the outlet side coolant temperature of the battery 14-2 and the sensor value of the outlet side coolant temperature of the battery 14-2 detected by the outlet side temperature sensor 17, and performs feedback control. The unit 22 outputs the second command value through feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

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 adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11, which is a cooling circuit component device, based on this total command value. Control.

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 circuit control device 10 is a computer including a communication interface 101, a memory 102, and a processor 103, and is configured, for example, in an ECU provided in a vehicle in which the in-vehicle temperature control device 1000 is mounted. The illustration of the overall configuration of the ECU is omitted.

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 circuit control device 10, a communication interface 101, a memory 102, and a processor 103 are electrically connected to each other via a signal line.

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 communication interface 101 is for connecting the cooling circuit control device 10 to various devices that constitute the low temperature circuit 1 (for example, the battery 14-2, the water pump 11, the inlet temperature sensor 16, the outlet temperature sensor 17, etc.). It has an interface circuit. The cooling circuit control device 10 communicates with other devices via the communication interface 101.

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 memory 102 is as described with reference to FIG. 2, but in this embodiment, a computer program for causing a computer to execute machine learning processing stored in the memory 102 includes the following acquisition steps and learning steps. and a step. That is, in the acquisition step, the control target value for the battery 14-2, the thermal resistance of the battery 14-2, the control target value for the water pump 11, and the flow into the battery 14-2 due to the operation of the water pump 11 are determined. Time series data consisting of the temperature of the cooling water on the inlet side of the battery 14-2 is obtained as an input data set. In the learning step, a teacher is created that includes an input data set and an output data set that is time series data of the coolant temperature on the outlet side of the battery 14-2 regarding the coolant flowing out from the battery 14-2 at the same time as the input data set. Machine learning of the coolant temperature estimation model is performed using the data. A computer program for causing a computer to perform machine learning processing includes a neural network that performs machine learning of a coolant temperature estimation model. As the neural network, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

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 processor 103 is as described with reference to FIG.

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 machine learning device 30 is included in the in-vehicle temperature control device 1000, but as a modification example, the machine learning device 30 is included in a computer (not shown) external to the in-vehicle temperature control device 1000. ), and this is as described with reference to FIG.

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 water pump 11 pumps cooling water circulating within the low-temperature circuit 1 under the control of the cooling circuit control device 10 shown in FIGS. 7 and 8. The water pump 11 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp . A water pipe 15 connected to the coolant channels 15a and 15b shown in FIG. 7 is provided around the battery 14-2, and heat exchange occurs between the cooling water flowing through the water pipe 15 and the battery 14-2. is configured to take place. Among the control target values for the battery 14-2, the battery charge amount of the battery 14-2 is set as W in , and the battery discharge amount of the battery 14-2 is set as W out . Information regarding the battery charge amount W in and battery discharge amount W out of the battery 14-2 can be obtained from, for example, a control unit (not shown) that controls the battery 14-2 or various sensors (not shown) provided on the battery 14-2. ). Let R bat be the thermal resistance of the battery 14-2, which is a parameter that changes as the battery 14-2 ages. The inlet temperature sensor 16 detects the inlet coolant temperature Twin of the coolant flowing into the battery 14-2 through the water pipe 15. The outlet temperature sensor 17 detects the outlet coolant temperature Tw out of the coolant flowing out from the battery 14-2 through the water pipe 15.

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 water pipe 15 provided around the motor 14-1 and the response delay of the outlet-side cooling fluid temperature to the control amount as described with reference to FIG. The same holds true for the relationship between the flow rate of cooling water flowing through the water distribution pipe 15 provided and the response delay of the outlet side cooling liquid temperature to the control amount. That is, when the flow rate of cooling water flowing through the water distribution pipe 15 provided around the battery 14-2 increases with an increase in the duty ratio Duty wp of the water pump 11 and a rise in water temperature, the control amounts (Duty wp , W in , The response delay of the outlet-side coolant temperature Tw out (detected by the outlet-side temperature sensor 17) of the battery 14-2 with respect to W out ) is reduced. As described above, when the control target values ( W in , W out ) of the battery 14-2 and the operating state (Duty wp ) of the water pump 11 change, the battery 14-2 The response delay of the outlet side coolant temperature Tw out changes, resulting in a transient error. Furthermore, due to aging of the battery 14-2, the heat loss R bat of the battery 14-2 changes, resulting in a steady error in the coolant temperature Tw out on the outlet side of the battery 14-2. This phenomenon can be expressed as a functional expression as shown in Equation 2.

Figure 2023132568000003
Figure 2023132568000003

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 Equation 2, in this embodiment, a transient error due to a delay in response of the outlet side coolant temperature Tw out of the battery 14-2 to the control amount (Duty wp , W in , W out ) and a In order to construct a coolant temperature estimation model that appropriately reflects both the steady error caused by the heat loss R bat of the battery 14-2 due to aging deterioration of the battery 14-2, and the Machine learning processing is performed using a neural network suitable for learning time-dependent features in the input situation. As a neural network designed to recognize such numerical time series data, for example, a recurrent neural network, LSTM, GRU, etc. can be used. For machine learning of a coolant temperature estimation model using a recurrent neural network, for example, the content explained with reference to Fig. 5 in which "motor 14-1" is replaced with "battery 14-2" is applied. Ru.

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 water pump 11, and the water pump Time series data consisting of the coolant temperature Twin on the inlet side of the battery 14-2 regarding the cooling water flowing into the battery 14-2 through the water pipe 15 when the battery 11 is activated is used as an input data set. Further, time series data of the coolant temperature Tw out on the outlet side of the battery 14-2 regarding the cooling water flowing out from the battery 14-2 through the water pipe 15 at the same time as this input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a recurrent neural network using training data consisting of an input data set and an output data set. Since the recurrent neural network is designed to recognize numerical time-series data, the output side of the battery 14-2 with respect to the control amount (Duty wp , W in , W out ) is determined by machine learning using the recurrent neural network. Both the transient error caused by the response delay of the coolant temperature Tw out and the steady error caused by the change in heat loss R bat of the battery 14-2 due to aging of the battery 14-2 are appropriately reduced. It is possible to construct a coolant temperature estimation model that reflects this. The estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the battery 14-2 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. .

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 water pump 11, as well as deterioration of the battery 14-2 over time, can be reduced. It is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the effects of steady errors associated with output changes. 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 the coolant temperature control in this way, it is possible to optimize the temperature control of the battery 14-2 and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle-mounted temperature control device 1000.

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-temperature circuit 1, an on-board temperature control device similar to the on-board temperature control device shown in FIGS. 1 and 7 is configured. be able to. That is, in the vehicle-mounted temperature control device shown in FIG. 10, the motor 14-1 in the low-temperature circuit 1 in the vehicle-mounted temperature control device shown in FIG. 1 and the battery 14-2 in the low-temperature circuit 1 in the vehicle-mounted temperature control device shown in FIG. Both are provided.

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 low temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low temperature radiator 13, and electric power train components. It includes a battery 14-2, a motor 14-1, and coolant flow paths 15a and 15b. The water pump 11, chiller 12, and low-temperature radiator 13 are as described with reference to FIG. Further, the configurations of the refrigeration circuit 2 and the high temperature circuit 3 are as described with reference to FIG. 1.

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。 Coolant channels 15a and 15b communicate with water pump 11, chiller 12, battery 14-2, motor 14-1, and low-temperature radiator 13. In the example shown in FIG. 10, the battery 14-2 and the motor 14-1 are provided in this order along the direction in which the cooling water flows, but the motor 14-1 and the battery 14-2 may be provided in this order. . In the low-temperature circuit 1, when the water pump 11 operates, the cooling water flows through the cooling liquid channels 15a and 15b, and the cooling water is connected to the water pump 11, the chiller 12, the battery 14-2, the motor 14-1, and the low-temperature radiator. It circulates through 13. Water distribution pipes connected to the coolant channels 15a and 15b are provided around each of the battery 14-2 and the motor 14-1, and the cooling water flowing through the water pipes is connected to the battery 14-2 and the motor 14-1, respectively. It is configured such that heat exchange is performed between the In the water pipe provided around the battery 14-2 and the motor 14-1, there is an inlet temperature sensor 16 that detects the temperature of the inlet coolant of the cooling water flowing into the battery 14-2 through the water pipe, and An outlet side temperature sensor 17 is provided to detect the outlet side coolant temperature of the coolant flowing out from the motor 14-1 through the water pipe. In addition, when the motor 14-1 and the battery 14-2 are provided in this order along the direction in which the coolant flows, there is an inlet for detecting the inlet-side coolant temperature of the coolant flowing into the motor 14-1 through the water distribution pipe. A side temperature sensor 16 and an outlet side temperature sensor 17 for detecting the outlet side coolant temperature of the coolant flowing out from the battery 14-2 through the water pipe are provided.

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 circuit control device 10 controls a water pump 11 that constitutes cooling circuit components in the low temperature circuit 1 . The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control section 21, a feedback control section 22, a cooling circuit control section 23, a subtracter 24, and an adder 25.

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 temperature estimating device 20 calculates an estimated value of the coolant temperature on the outlet side of the motor 14-1 using a coolant temperature estimation model learned by machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition section 31, and an estimation section 32.

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 acquisition unit 31 acquires control target values for the battery 14-2 and motor 14-1, thermal resistances for the battery 14-2 and motor 14-1, control target values for the water pump 11, and water Time series data consisting of the coolant temperature on the inlet side of the battery 14-2 regarding the cooling water flowing into the battery 14-2 through the water pipe when the pump 11 operates is acquired as an input data set. The inlet side coolant temperature of the coolant flowing into the battery 14-2 through the water pipe is detected by the inlet side temperature sensor 16. The input dataset acquired by the acquisition unit 31 is used together with the output dataset for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used by the estimation unit 32 using the learned coolant temperature estimation model. It is used to calculate the estimated value of the coolant temperature on the outlet side of the motor 14-1.

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 acquisition unit 31 also acquires, as an output dataset, time series data of the coolant temperature on the outlet side of the battery 14-2 for the coolant flowing out from the motor 14-1 through the water pipe at the same time as the input dataset. The outlet side coolant temperature of the coolant flowing out from the motor 14-1 through the water pipe is detected by the outlet side temperature sensor 17. The output dataset acquired by the acquisition unit 31 is used together with the input dataset for machine learning of a coolant temperature estimation model by the machine learning device 30.

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 machine learning device 30 acquires control target values for each of the battery 14-2 and the motor 14-1 acquired by the acquisition unit 31, the respective thermal resistances of the battery 14-2 and the motor 14-1, and the water pump 11. The input data set is time series data consisting of the control target value of Machine learning of the coolant temperature estimation model is performed using training data with time series data of the coolant temperature on the outlet side of the motor 14-1 as an output data set. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a neural network. The neural network is as described with reference to FIGS. 5 and 6.

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 estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. .

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 feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the coolant temperature on the outlet side of the motor 14-1 calculated by the cooling temperature estimating device 20.

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 subtractor 24 calculates the deviation between the target value of the coolant temperature on the outlet side of the motor 14-1 and the sensor value of the coolant temperature on the outlet side of the motor 14-1 detected by the outlet side temperature sensor 17, and performs feedback control. The unit 22 outputs the second command value through feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

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 adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11, which is a cooling circuit component device, based on this total command value. Control.

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 circuit control device 10 is a computer including a communication interface 101, a memory 102, and a processor 103, and is configured, for example, in an ECU provided in a vehicle in which the in-vehicle temperature control device 1000 is mounted. The illustration of the overall configuration of the ECU is omitted.

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 circuit control device 10, a communication interface 101, a memory 102, and a processor 103 are electrically connected to each other via a signal line.

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 communication interface 101 connects the cooling circuit control device 10 to various devices (for example, a motor 14-1, a battery 14-2, a water pump 11, an inlet temperature sensor 16, an outlet temperature sensor 17, etc.) constituting the low-temperature circuit 1. It has an interface circuit for connecting. The cooling circuit control device 10 communicates with other devices via the communication interface 101.

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 memory 102 is as described with reference to FIG. 2, but in this embodiment, a computer program for causing a computer to execute machine learning processing stored in the memory 102 includes the following acquisition steps and learning steps. and a step. That is, in the acquisition step, the control target values for each of the battery 14-2 and the motor 14-1, the respective thermal resistances of the battery 14-2 and the motor 14-1, and the control target value for the water pump 11, Time series data consisting of the temperature of the coolant on the inlet side of the battery 14-2 regarding the coolant flowing into the battery 14-2 when the water pump 11 operates is acquired as an input data set. In the learning step, a teacher is created that includes an input data set and an output data set that is time series data of the coolant temperature on the outlet side of the motor 14-1 regarding the coolant flowing out from the motor 14-1 at the same time as the input data set. Machine learning of the coolant temperature estimation model is performed using the data. A computer program for causing a computer to perform machine learning processing includes a neural network that performs machine learning of a coolant temperature estimation model. As the neural network, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

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 processor 103 is as described with reference to FIG.

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 machine learning device 30 is included in the in-vehicle temperature control device 1000, but as a modification example, the machine learning device 30 is included in a computer (not shown) external to the in-vehicle temperature control device 1000. ), and this is as described with reference to FIG.

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 water pump 11 pumps the cooling water circulating in the low temperature circuit 1 under the control of the cooling circuit control device 10 shown in FIGS. 10 and 11. The water pump 11 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp . Water pipes 15 connected to the coolant channels 15a and 15b shown in FIG. 10 are provided around each of the battery 14-2 and the motor 14-1, and the cooling water flowing through the water pipes 15 and the battery 14-2 and the motor 14-1, respectively. Among the control target values for the battery 14-2, the battery charge amount of the battery 14-2 is set as W batin , and the battery discharge amount of the battery 14-2 is set as W batout . Let R bat be the thermal resistance of the battery 14-2, which is a parameter that changes as the battery 14-2 ages. Among the control target values for the motor 14-1, the amount of regenerated electric power of the motor 14-1 is set as W motin , and the motor shaft output of the motor 14-1 is set as W motout . Let R mot be the thermal resistance of the motor 14-1, which is a parameter that changes as the motor 14-1 ages. The inlet temperature sensor 16 detects the inlet coolant temperature Twin of the coolant flowing into the battery 14-2 through the water pipe 15. The outlet temperature sensor 17 detects the outlet coolant temperature Tw out of the coolant flowing out from the motor 14-1 through the water pipe 15.

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 water pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling fluid temperature to the control amount, which was explained with reference to FIG. The same holds true for the relationship between the flow rate of the cooling water flowing through the water distribution pipes 15 provided around each of the points 1 and 15 and the response delay of the outlet side cooling liquid temperature to the control amount. That is, when the flow rate of cooling water flowing through the water pipes 15 provided around the battery 14-2 and the motor 14-1 increases with an increase in the duty ratio Duty wp of the water pump 11 and a rise in water temperature, the control amount increases. The response delay of the outlet side coolant temperature Tw out (detected by the outlet side temperature sensor 17) of the motor 14-1 with respect to (Duty wp , W batin , W batout , W motin , W motout ) is reduced. As described above, when the respective control target values (W batin , W batout , W motin , W motout ) of the battery 14-2 and the motor 14-1 and the operating state (Duty wp ) of the water pump 11 change, the control amount (Duty wp ) changes. The response delay of the outlet-side coolant temperature Tw out of the battery 14-2 with respect to wp , W batin , W batout , W motin , W motout changes and appears as a transient error. In addition, the heat loss R bat of the battery 14-2 changes due to aging of the battery 14-2, and the heat loss R mot of the motor 14-1 changes due to aging of the motor 14-1. This appears as a steady error in the side coolant temperature Tw out . This phenomenon can be expressed as a functional expression as shown in Equation 3.

Figure 2023132568000004
Figure 2023132568000004

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 water pump 11, which is a component of the cooling circuit, and the operation of the water pump 11. As a result, time-series data consisting of the coolant temperature Twin on the inlet side of the battery 14-2 regarding the cooling water flowing into the battery 14-2 through the water pipe 15 is used as an input data set. Further, time series data of the coolant temperature Tw out on the outlet side of the motor 14-1 regarding the coolant flowing out from the motor 14-1 through the water pipe 15 at the same time as this input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a recurrent neural network using training data consisting of an input data set and an output data set. Since the recurrent neural network is designed to recognize numerical time series data, machine learning using the recurrent neural network can be used to calculate the A transient error due to a response delay in the outlet side coolant temperature Tw out of 14-1, a change in heat loss R bat of the battery 14-2 due to aging of the battery 14-2, and aging of the motor 14-1. It is possible to construct a coolant temperature estimation model that appropriately reflects both the steady error caused by the change in heat loss R mot of the motor 14-1 due to deterioration and the constant error. The estimation unit 32 calculates the estimated value of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. . Note that when the motor 14-1 and the battery 14-2 are provided in this order along the direction in which the coolant flows, the estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to obtain From the input data set acquired by the unit 31, an estimated value of the outlet side coolant temperature of the battery 14-2 is calculated.

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 water pump 11, and the influence of the battery It is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of steady errors accompanying output changes due to aging deterioration of each of the motor 14-2 and the motor 14-1. 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, temperature control of the battery 14-2, motor 14-1, and heater core 52 is optimized, and the air conditioning performance and system efficiency of the on-vehicle temperature control device 1000 are improved. can be done.

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 refrigeration circuit 2 and the high temperature circuit 3 are as described with reference to FIG. 1, and therefore are not shown in FIG. 13. Here, we will explain the case where the electric power train component is the motor 14-1, but there are also cases where the electric power train component is the battery 14-2, or the electric power train component is the motor 14-1 and the battery 14-2. A similar explanation holds true if both are true.

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 oil cooler 60 is further provided in the low temperature circuit 1, an on-vehicle temperature control device 1000 similar to the on-board temperature control device shown in FIG. 1 can be constructed. can. The low temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low temperature radiator 13, and coolant channels 15a and 15b. , an oil cooler 60, an oil pump 61 that constitutes a cooling circuit component, a motor 14-1 that is an electric power train component, and coolant flow paths 64a and 64b. The water pump 11, chiller 12, and low-temperature radiator 13 are as described with reference to FIG. Further, the configurations of the refrigeration circuit 2 and the high temperature circuit 3 are also as described with reference to FIG. 1.

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 oil cooler 60 is provided with a water distribution pipe connected to the coolant flow paths 15a and 15b and an oil distribution pipe connected to the coolant flow paths 64a and 64b passing through the oil cooler 60, and the cooling water flowing through the water distribution pipe and the oil distribution pipe flowing through the oil cooler 60. This is a heat exchanger that exchanges heat with cooling oil. The oil cooler 60 radiates heat from the cooling water to the cooling oil when the temperature of the cooling water is higher than the temperature of the cooling oil, and absorbs heat from the cooling oil to the cooling water when the temperature of the cooling water is lower than the temperature of the cooling oil. configured to do so. In the water distribution pipe that penetrates inside the oil cooler 60, there is an inlet side temperature sensor 16 that detects the inlet side coolant temperature of the cooling water flowing into the oil cooler 60 through the water distribution pipe, and an inlet side temperature sensor 16 that detects the temperature of the cooling water flowing out from the oil cooler 60 through the water distribution pipe. An outlet side temperature sensor 17 is provided to detect the outlet side coolant temperature of the outlet side.

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 oil pump 61, under the control of the cooling circuit control device 10, pumps cooling oil circulating through the cooling fluid channels 64a and 64b. The oil pump 61 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp .

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。 Coolant channels 64a and 64b communicate with oil pump 61, oil cooler 60, and motor 14-1. In the oil cooling circuit, when the oil pump 61 is operated, the cooling oil flows through the cooling fluid channels 64a and 64b, thereby circulating the cooling oil through the oil pump 61, the motor 14-1, and the oil cooler 60. Around the motor 14-1, an oil distribution pipe connected to the coolant channels 64a and 64b is provided, and the motor 14-1 is configured to exchange heat between the cooling oil flowing through the oil distribution pipe and the motor 14-1. . In the oil distribution pipe provided around the motor 14-1, there is an inlet side temperature sensor 62 that detects the inlet side coolant temperature of the cooling oil flowing into the motor 14-1 through the oil distribution pipe, and An outlet side temperature sensor 63 is provided to detect the outlet side coolant temperature of the coolant flowing out from -1.

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 circuit control device 10 controls the water pump 11 and oil pump 61 that constitute cooling circuit components in the low temperature circuit 1 . The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control section 21, a feedback control section 22, a cooling circuit control section 23, a subtracter 24, and an adder 25.

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 temperature estimating device 20 calculates an estimated value of the coolant temperature on the outlet side of the oil cooler 60 using a coolant temperature estimation model learned by machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition section 31, and an estimation section 32.

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 acquisition unit 31 obtains a control target value for the motor 14-1, a thermal resistance which is a parameter that changes as the motor 14-1 changes over time, a control target value for the oil pump 61, and a control target value for the oil pump 61 to operate. The temperature of the coolant on the inlet side of the motor 14-1 regarding the cooling oil flowing into the motor 14-1 through the oil distribution pipe, the control target value for the water pump 11, and the parameters that change as the oil cooler 60 changes over time. Time series data consisting of the thermal transmittance and the coolant temperature on the inlet side of the oil cooler 60 regarding the coolant flowing into the oil cooler 60 through the water pipe when the water pump 11 operates is acquired as an input data set. Together with the output data set, it is used for machine learning of the coolant temperature estimation model by the machine learning device 30, and the output side coolant temperature of the motor 14-1 is calculated by the estimation unit 32 using the learned coolant temperature estimation model. Used to calculate estimated values.

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 acquisition unit 31 also acquires, as an output data set, time-series data of the coolant temperature on the outlet side of the oil cooler 60 regarding the coolant flowing out from the oil cooler 60 through the water pipe at the same time as the input data set.

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 machine learning device 30 performs machine learning of the coolant temperature estimation model using teacher data consisting of the input data set acquired by the acquisition unit 31 and the output data set at the same time as the input data set. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a neural network. The neural network is as described with reference to FIGS. 5 and 6.

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 estimation unit 32 calculates an estimated value of the outlet side coolant temperature of the oil cooler 60 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30.

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 feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the coolant temperature on the outlet side of the oil cooler 60 calculated by the cooling temperature estimating device 20.

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 subtracter 24 calculates the deviation between the target value of the coolant temperature on the outlet side of the oil cooler 60 and the sensor value of the coolant temperature on the outlet side of the oil cooler 60 detected by the outlet side temperature sensor 17, and outputs the second command value through feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

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 adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11 and the cooling circuit component devices based on this total command value. Controls the oil pump 61.

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 circuit control device 10 shown in FIG. 13 is a computer including a communication interface, a memory, and a processor. For example, the cooling circuit control device 10 shown in FIG. Configured within the ECU.

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 circuit control device 10 is connected to various devices constituting the low temperature circuit 1 (for example, the motor 14-1, the water pump 11, the inlet temperature sensor 16, the outlet temperature sensor 17, the oil cooler 60, It has an interface circuit for connecting the cooling circuit control device 10 to the oil pump 61, the inlet temperature sensor 62, the outlet temperature sensor 63, etc.).

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 circuit control device 10 is as described with reference to FIGS. 2, 8, and 11, in this embodiment, the computer is caused to execute the machine learning process stored in the memory. The computer program for this includes the following acquisition step and learning step. That is, in the acquisition step, the control target value for the motor 14-1, the thermal resistance of the motor 14-1, the control target value for the oil pump 61, the coolant temperature on the inlet side of the motor 14-1, and the water pump 11, the heat transmittance of the oil cooler 60, and the coolant temperature on the inlet side of the oil cooler 60 are acquired as an input data set, and the water distribution pipes at the same time as the input data set are obtained. Time series data of the coolant temperature on the outlet side of the oil cooler 60 with respect to the coolant flowing out from the oil cooler 60 through the flow is acquired as an output data set. In the learning step, machine learning of the coolant temperature estimation model is performed using teacher data consisting of an input data set and an output data set at the same time as the input data set. A computer program for causing a computer to perform machine learning processing includes a neural network that performs machine learning of a coolant temperature estimation model. As the neural network, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

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 machine learning device 30 is included in the in-vehicle temperature control device 1000, but as a modification example, the machine learning device 30 is included in a computer (not shown) external to the in-vehicle temperature control device 1000. ), and this is as described with reference to FIG.

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 oil pump 61 pumps the cooling oil circulating through the cooling fluid channels 64a and 64b under the control of the cooling circuit control device 10 shown in FIG. The oil pump 61 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty op . A coolant flow path 64b shown in FIG. 10 is provided around the motor 14-1, and the structure is such that heat exchange is performed between the coolant oil flowing through the coolant flow path 64b and the motor 14-1. has been done. Among the control target values for the motor 14-1, the amount of regenerated electric power of the motor 14-1 is set as W in , and the motor shaft output of the motor 14-1 is set as W out . Let R mot be the thermal resistance of the motor 14-1, which is a parameter that changes as the motor 14-1 ages. The inlet temperature sensor 62 detects the inlet coolant temperature To in of the coolant flowing into the motor 14-1 through the coolant flow path 64a. The outlet temperature sensor 17 detects the outlet coolant temperature To out of the coolant flowing out from the motor 14-1 through the coolant flow path 64b.

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 water pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling fluid temperature to the control amount as described with reference to FIG. The same holds true for the relationship between the flow rate of the cooling oil flowing through the provided cooling liquid flow path 64b and the response delay of the outlet side cooling liquid temperature to the control amount. That is, when the flow rate of the cooling oil flowing through the cooling fluid passage 64b provided around the motor 14-1 increases due to an increase in the duty ratio Duty op of the oil pump 61 and a rise in oil temperature, the control amount (Duty op , The response delay of the outlet-side coolant temperature To out (detected by the outlet-side temperature sensor 63) of the motor 14-1 with respect to W in , W out is reduced. As described above, when the control target values (W in , W out ) of the motor 14-1 and the operating state (Duty op ) of the oil pump 61 change, the motor 14-1 with respect to the control amount (Duty wp , W in , W out ) changes. The response delay of the outlet side coolant temperature To out changes and appears as a transient error. Furthermore, the heat loss R mot of the motor 14-1 changes due to aging of the motor 14-1, which appears as a steady error in the coolant temperature To out on the outlet side of the motor 14-1. This phenomenon can be expressed as a functional expression as shown in Equation 4.

Figure 2023132568000005
Figure 2023132568000005

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 water pump 11 pumps the cooling water circulating through the cooling liquid channels 15a and 15b under the control of the cooling circuit control device 10 shown in FIG. The water pump 11 is configured such that its discharge capacity changes steplessly by adjusting the duty ratio Duty wp . The oil cooler 60 is provided with a water pipe 15 that is connected to the coolant channels 15a and 15b shown in FIG. The exchange is configured to take place. The heat transmittance of the oil cooler 60, which is a parameter that changes as the oil cooler 60 ages, is assumed to be R hx . The inlet temperature sensor 16 detects the inlet coolant temperature Twin of the coolant flowing into the oil cooler 60 through the water pipe 15. The outlet temperature sensor 17 detects the outlet coolant temperature Tw out of the coolant flowing out from the oil cooler 60 through the water pipe 15.

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 water pipe 15 provided around the motor 14-1 and the response delay of the outlet side coolant temperature to the control amount described with reference to FIG. The same holds true for the relationship between the flow rate of the cooling water flowing through the water pipe 15 and the response delay of the outlet side cooling fluid temperature to the control amount. That is, when the flow rate of cooling water flowing through the water distribution pipe 15 provided in the oil cooler 60 increases due to an increase in the duty ratio Duty wp of the water pump 11 and a rise in water temperature, the oil cooler's flow rate increases with respect to the control amount (Duty wp , Duty op ). The response delay of the outlet side coolant temperature Tw out (detected by the outlet side temperature sensor 17) of 60 is reduced. As described above, when the operating state (Duty op ) of the oil cooler 60, the operating state (Duty wp ) of the water pump 11, and the coolant temperature To out on the outlet side of the motor 14-1 change, the control amount (Duty wp , Duty op) changes. ) changes in the response delay of the coolant temperature Tw out on the outlet side of the motor 14-1, resulting in a transient error. Furthermore, the thermal transmittance R hx changes due to aging of the oil cooler 60, which appears as a steady error in the coolant temperature Tw out on the outlet side of the oil cooler 60. This phenomenon can be expressed as a functional expression as shown in Equation 5.

Figure 2023132568000006
Figure 2023132568000006

式４を式５に代入すると、式６が得られる。 By substituting Equation 4 into Equation 5, Equation 6 is obtained.

Figure 2023132568000007
Figure 2023132568000007

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 Equation 6, in this embodiment, a transient error due to a response delay of the outlet side coolant temperature Tw out of the oil cooler 60 to the control amount (Duty op , Duty wp , W min , W out ) and an oil Both the thermal transmittance R hx of the oil cooler 60 due to age-related deterioration of the cooler 60 and the steady error caused by changes in the heat loss R mot of the motor 14-1 due to age-related deterioration of the motor 14-1 are appropriately reduced. In order to construct a coolant temperature estimation model that reflects this, machine learning processing is performed using a neural network suitable for learning time-dependent features in situations where signals at each time are input sequentially. 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 be applied.

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 water pump 11, and the oil pump 61 The control target value (Duty op ) for the motor 14-1, the heat transmittance R hx of the oil pump 61, and the cooling oil flowing into the motor 14-1 through the cooling fluid flow path 64a when the oil pump 61 operates. When the water pump 11 operates , the water distribution pipe Time-series data consisting of the coolant temperature Twin on the inlet side of the oil cooler 60 regarding the cooling water flowing into the oil cooler 60 through 15 is used as an input data set. Furthermore, time series data of the coolant temperature Tw out on the outlet side of the oil cooler 60 regarding the coolant flowing out from the oil cooler 60 through the water pipe 15 at the same time as this input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of a coolant temperature estimation model using a recurrent neural network using training data consisting of an input data set and an output data set. Since the recurrent neural network is designed to recognize numerical time-series data, machine learning using the recurrent neural network is used to determine the control of the oil cooler 60 for the control variables (Duty op , Duty wp , W min , W out ). A transient error due to a response delay in the outlet side coolant temperature Tw out , a thermal transmittance R hx of the oil cooler 60 due to aging of the oil cooler 60, and a motor 14-1 due to aging of the motor 14-1. It is possible to construct a coolant temperature estimation model that appropriately reflects both the steady error caused by the change in the heat loss Rmot and the constant error caused by the change in the heat loss Rmot. The estimation unit 32 calculates an estimated value of the outlet side coolant temperature of the oil cooler 60 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30.

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 water pump 11 and the oil pump 61, and the It is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of steady errors accompanying output changes due to aging deterioration of the oil cooler 60 and the oil cooler 60. 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 the coolant temperature control in this way, it is possible to optimize the temperature control of the motor 14-1 and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle-mounted temperature control device 1000.

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 Equation 4, and this estimated value is used. The outlet side coolant temperature Tw out of the oil cooler 60 may be estimated using a coolant temperature estimation model learned by machine learning based on Equation 5.

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 Low temperature circuit 2 Refrigeration circuit 3 High temperature circuit 10 Cooling circuit control device 11 Water pump 12 Chiller 12a Refrigerant piping 12b Cooling water piping 13 Low temperature radiator 14-1 Motor 14-2 Battery 15a, 15b Coolant flow path 16 Inlet side temperature sensor 17 Exit side temperature sensor 18 Electric fan 19 Grill shutter 20 Cooling temperature estimation device 21 Feedforward control section 22 Feedback control section 22
23 Cooling circuit control section 24 Subtractor 25 Adder 30 Machine learning device 31 Acquisition section 32 Estimation section 41 Compressor 42 Water-cooled condenser 42a Heat medium piping 42b Refrigerant piping 43 First electromagnetic expansion valve 44 Second electromagnetic expansion valve 45 Evaporator 46a Refrigeration basics Channel 46b Evaporator channel 46c Chiller channel 51 Pump 52 Heater core 53 Electric heater 54a, 54b Cooling water channel 60 Oil cooler 61 Oil pump 62 Inlet temperature sensor 63 Outlet temperature sensor 64a, 64b Coolant channel 101 Communication interface 102 Memory 103 Processor 1000 In-vehicle temperature control device

Claims (6)

電動パワートレーン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。 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 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 input data set is from the electric power train component 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 flowing coolant. 請求項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。 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: 請求項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。 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: 請求項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。 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. 請求項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。 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. 電動パワートレーン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。 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.
JP2022037963A 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 Pending JP2023132568A (en)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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