JP2024033635A - 推定方法、推定プログラム、および推定装置 - Google Patents

推定方法、推定プログラム、および推定装置 Download PDF

Info

Publication number
JP2024033635A
JP2024033635A JP2022137345A JP2022137345A JP2024033635A JP 2024033635 A JP2024033635 A JP 2024033635A JP 2022137345 A JP2022137345 A JP 2022137345A JP 2022137345 A JP2022137345 A JP 2022137345A JP 2024033635 A JP2024033635 A JP 2024033635A
Authority
JP
Japan
Prior art keywords
combustion
data
estimation
crank angle
cylinder pressure
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
JP2022137345A
Other languages
English (en)
Inventor
雅俊 小川
拓真 出川
仁 草鹿
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.)
Waseda University
Transtron Inc
Original Assignee
Waseda University
Transtron Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Waseda University, Transtron Inc filed Critical Waseda University
Priority to JP2022137345A priority Critical patent/JP2024033635A/ja
Publication of JP2024033635A publication Critical patent/JP2024033635A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Engines (AREA)
  • Output Control And Ontrol Of Special Type Engine (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

【課題】自動車エンジンの燃焼制御では、燃焼状態に応じた高性能な制御を実現する取り組みが行われている。しかしながら、筒内圧センサを用いた制御では、数値変換に多くの時間を要するなど、実時間制御が困難である。【解決手段】コンピュータが、エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、燃焼指標の推定に寄与する重要度に基づいて、１つ以上の筒内圧データに対応するクランク角度の要素を選定し、選定されたクランク角度の要素に対応する筒内圧データおよび運転条件を入力、燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより燃焼指標を推定する処理を実行する。【選択図】図９

Description

本発明は、推定方法、推定プログラム、および推定装置に関する。
自動車エンジンの燃焼制御では、運転条件ごとに予め設定された値を使用し制御をおこなうＦＦ（Feed Forward）制御が一般的である。また近年は、筒内圧センサから筒内圧力（以下、単に「筒内圧」という場合がある）を取得し、トルクやＣＡ５０などの燃焼指標へ変換し制御に利用することで、燃焼状態に応じた高性能な制御を実現する取り組みが行われている。なお、ＣＡ５０は、燃焼重心とも呼ばれ、燃焼により発生する熱が全体の半分まで進んだ時点のクランク角度を燃焼指標とするものである。
特開２０１９－０１１２２９号公報 特開２０２０－０５９９８５号公報
しかしながら、筒内圧センサを用いた制御では、例えば、0.1deg.CAごとなど高サンプリングに取得した１サイクル分の筒内圧力を使用するため、数値変換に多くの時間を要する。さらに、１サイクル分のデータを用いて次のサイクルの操作量を導出するため、オンボードでの実時間制御が困難である。
一つの側面では、自動車エンジンの燃焼制御において、燃焼状態に応じた実時間制御を行うことを目的とする。
１つの態様において、コンピュータが、エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、燃焼指標の推定に寄与する重要度に基づいて、１つ以上の筒内圧データに対応するクランク角度の要素を選定し、選定されたクランク角度の要素に対応する筒内圧データおよび運転条件を入力、燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより燃焼指標を推定する処理を実行する。
一つの側面では、自動車エンジンの燃焼制御において、燃焼状態に応じた実時間制御を行うことを目的とする。
図１は、本実施形態にかかるエンジン試験システムの構成例を示す図である。 図２は、Ｃｈｉｒｐ信号による試験パターンの一例を示す図である。 図３は、ＡＰＲＢＳ信号による試験パターンの一例を示す図である。 図４は、網羅率に基づく信号修正の一例を示す図である。 図５は、本実施形態にかかるパラメータの測定位置の一例を示す図である。 図６は、本実施形態にかかるパラメータの取得タイミングの一例を示す図である。 図７は、本実施形態にかかるバーチャルセンサ選定の一例を示す図である。 図８は、本実施形態にかかる重要度分析の一例を示す図である。 図９は、本実施形態にかかるバーチャルセンサの入出力の一例を示す図である。 図１０は、燃焼指標推定における計算時間と推定精度との関係を説明するための図である。 図１１は、燃焼指標の推定精度の従来法との比較結果の一例を示す図である。 図１２は、本実施形態にかかるバーチャルセンサ選定処理の流れの一例を示すフローチャートである。 図１３は、本実施形態にかかる推定装置１００のハードウェア構成例を示す図である。
以下に、本実施形態に係る推定方法、推定プログラム、および推定装置の実施例を図面に基づいて詳細に説明する。なお、この実施例により本実施形態が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。
［構成例］
図１を用いて、本実施形態に係るエンジン試験システムの構成を説明する。図１は、本実施形態にかかるエンジン試験システムの構成例を示す図である。図１に示すように、エンジン試験システムは、推定装置１００およびエンジン３００を含む。推定装置１００とエンジン３００とは、それぞれ相互に通信可能に接続される。なお、図示していないが、推定装置１００とエンジン３００との間にＥＣＵ（Engine Control Unit）があってよく、本実施形態におけるエンジン３００の制御はＥＣＵを介して行われてよい。
推定装置１００は、エンジン３００を実時間制御するエンジン制御器であってよい。推定装置１００は、試験パターン作成部１１１、時系列データ取得部１１２、優先度設定部１１３、クランク角度および筒内圧選定部１１４、バーチャルセンサ構築部１１５、バーチャルセンサ選定部１１６を備える。これらの各処理部は、推定装置１００の制御部であるプロセッサによって制御される。また、推定装置１００は、記憶部として、試験パターン１２１、時系列データ１２２および１２３、優先度設定値１２４、筒内圧データ１２５、バーチャルセンサ候補データ１２６を備える。
試験パターン作成部１１１は、例えば、試験パターンを作成し、試験パターン１２１に記憶する。作成された試験パターンに基づいて、推定装置１００は、エンジン３００に対してエンジン３００を制御するための操作変数を入力してエンジン試験を実施する。なお、試験パターンは、例えば、操作変数の時系列変化を示すＣｈｉｒｐ信号やＡＰＲＢＳ（Amplitude‐modulated Pseudo Random Binary Sequences）信号である。
図２は、Ｃｈｉｒｐ信号による試験パターンの一例を示す図である。図２において、グラフの横軸が時間であり、縦軸が操作変数の値である。図２に示すように、Ｃｈｉｒｐ信号は、時間経過に応じて周波数成分を連続的に変えることにより、三角関数の特性で試験パターンに対する網羅性の高い試験が実現可能となる。なお、Ｃｈｉｒｐ信号は、例えば、次の式（１）を用いて算出される。
Figure 2024033635000002
また、操作変数は、エンジン回転数、燃料噴射量、タービン開度、ＥＧＲ（Exhaust Gas Recirculation：排気ガス再循環）バルブ開度、ＩＴＨ（Intake THrottle：吸気スロットル）バルブ開度などである。そのため、Ｃｈｉｒｐ信号などの試験パターンは、操作変数ごとに作成されることになる。
また、試験パターンは、図２に示すように、操作変数の時系列変化を示すパターンデータであるため、推定装置１００は、試験パターンに基づいて、エンジン回転数や燃料噴射量などの操作変数の値を変えてエンジン３００に入力し、エンジン３００を制御する。
また、試験パターンは、ＡＰＲＢＳ信号であってもよい。図３は、ＡＰＲＢＳ信号による試験パターンの一例を示す図である。図３も図２同様、グラフの横軸が時間であり、縦軸が操作変数の値である。図３に示すように、ＡＰＲＢＳ信号は、ランダム化した入力値を時系列に繋ぎ、ランダム性のある入力値により試験パターンに対する網羅性の高い試験が実現可能となる。
また、試験パターン作成部１１１は、Ｃｈｉｒｐ信号またはＡＰＲＢＳ信号をもとに、複数の操作変数の値の取りうる空間と複数の操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように試験パターンを調整できる。図４を用いてより具体的に説明する。
図４は、網羅率に基づく信号修正の一例を示す図である。試験パターン作成部１１１は、操作変数ごとに作成されたＣｈｉｒｐ信号１０－１～１０－ｎ（ｎは任意の整数。操作変数の種類の数による。）を、網羅率に基づいて修正し調整する。より具体的には、図４に示すように、Ｃｈｉｒｐ信号１０－１～１０－ｎは、それぞれ、操作変数１～ｎの取りうる空間と、操作変数１～ｎの変化速度値の取りうる空間との双方の網羅率を最大化するように調整される。
操作変数１～ｎの取りうる空間とは、例えば、図４に示すように、各操作変数の組み合わせが取りうる座標空間である。当該座標空間について、操作変数１と操作変数２との組み合わせが取りうる座標空間を例として説明する。操作変数１と操作変数２との組み合わせが、当該座標空間を、それぞれの操作変数の時系列変化を示すＣｈｉｒｐ信号によって、満遍なく網羅するほど網羅率は高くなる。このように、操作変数の取りうる空間の網羅率がより高くなるように、Ｃｈｉｒｐ信号が修正される。
操作変数の取りうる空間の網羅率は、例えば、図４に示すように、座標空間を複数の領域に分割し、各領域に対する、操作変数の組み合わせの有無の割合によって算出される。
また、図４の領域に×印で示されるように、操作変数の組み合わせによっては、とってはいけない領域が存在する場合がある。そのため、試験パターン作成部１１１は、座標空間からこのような領域を除外した上で、当該領域に操作変数の組み合わせが含まれないようにＣｈｉｒｐ信号を修正する。
また、操作変数１～ｎの変化速度値の取りうる空間については、操作変数１～ｎの取りうる空間の上記説明と同様である。以上のように、試験パターン作成部１１１は、Ｃｈｉｒｐ信号１０－１～１０－ｎを、各操作変数の取りうる空間と、各操作変数の変化速度値の取りうる空間との双方の網羅率を最大化するように、Ｃｈｉｒｐ信号２０－１～２０－ｎに修正する。なお、図４は、Ｃｈｉｒｐ信号を例としているが、ＡＰＲＢＳ信号の場合も同様である。このようにして、試験パターン作成部１１１は、時系列の過渡的な試験パターンが作成できる。
図１の説明に戻り、時系列データ取得部１１２は、例えば、試験パターンをエンジン３００に入力することにより測定されるパラメータを時系列データとして取得し、時系列データ１２２および１２３に記憶する。なお、取得された時系列データについて、筒内圧に関するデータが時系列データ１２２、運転条件や燃焼指標に関するデータが時系列データ１２３に記憶されてよい。
なお、運転条件は、例えば、エンジン回転数、作動ガス、および酸素濃度を含んでよい。また、作動ガスは、例えば、新気流量（ＭＡＦ：Mass Air Flow）、燃料流量、およびＥＧＲ流量の合計値であってよい。
また、燃焼指標は、エンジン筒内の燃焼状態を示すパラメータであり、例えば、図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ（窒素酸化物）、ＣＯ２（二酸化炭素）を含んでよい。
時系列データ取得部１１２によって取得される各パラメータの測定位置について説明する。図４は、本実施形態にかかるパラメータの測定位置の一例を示す図である。図４に示すように、例えば、パラメータである筒内圧や燃料流量は、エンジン３００の筒内、すなわちシリンダ内で測定される。なお、筒内圧は、筒内圧センサ（ＣＰＳ：Cylinder Pressure Sensor）によって測定されてよい。また、例えば、パラメータである酸素濃度は、内燃機関のうちインテークマニホールドの入り口部分で測定される。また、例えば、パラメータであるＥＧＲ流量および新気流量は、それぞれ、ＥＧＲバルブの出口部分の流路、およびコンプレッサ前の吸気流路で測定される。また、例えば、パラメータであるＮＯｘやＣＯ２は、内燃機関のうちエキゾーストマニホールドによってまとめられた排気流路において測定される。なお、ＥＧＲ流量が測定可能であれば、酸素濃度は取得対象から除外されてもよく、逆に、酸素濃度が測定可能であれば、ＥＧＲ流量が取得対象から除外されてもよい。
次に、時系列データ取得部１１２によって取得される各パラメータの取得タイミングについて説明する。図６は、本実施形態にかかるパラメータの取得タイミングの一例を示す図である。図６は、エンジン燃焼サイクルにおける燃焼工程「吸気→圧縮→燃焼／膨張→排気→吸気→・・・」に対するクランク角度を取得タイミングとして、各パラメータが取得されることを示すものである。なお、燃焼／膨張の燃焼はガソリンエンジンの場合、膨張はディーゼルエンジンの場合の工程である。
図６に示すように、例えば、筒内圧はクランク角度が０．５度ごとにサンプリングされる。なお、筒内圧は、１サイクル分、すなわちクランク角度７２０度分のデータが別々のデータとして、時系列データ１２２に記憶されてよい。これは、クランク角度ごとに別々の筒内圧としてバーチャルセンサの入力に使用するためであり、筒内圧データとクランク角度は対応するデータとして管理される。また、サンプリング周期は、０．１度ごとなど、より高速にサンプリングされてよい。
また、例えば、エンジン回転数、作動ガス、および酸素濃度などの運転条件や、図示トルク、図示熱効率、筒内最大圧力上昇率、ＮＯｘ、およびＣＯ２などの燃焼指標は、クランク角度が７２０度ごとにサンプリングされる。なお、燃焼指標の図示トルク、図示熱効率、および筒内最大圧力上昇率は、１サイクル分、すなわちクランク角度７２０度分の筒内圧データを用いて時系列データ取得部１１２によって算出される。このため、時系列データ取得部１１２は、筒内圧データ以外の運転条件や燃焼指標の排出ガス（ＮＯｘ、ＣＯ２）については、１サイクルごとにデータを取得し、サンプリング周期を合わせる。また、図６は、１気筒分のパラメータを取得する例を示したが、気筒が増加する場合は、パラメータの取得タイミングも増加してよい。
図１の説明に戻り、優先度設定部１１３は、例えば、燃焼指標の推定における計算時間および推定精度に対する優先度を優先度設定値１２４から取得して設定する。当該優先度は、後述するバーチャルセンサの選定で使用される。そのため、計算時間と推定精度のバランスが当該優先度で設定される。当該優先度には、燃焼指標の推定における計算時間を優先するものと、推定精度を優先するものがある。どちらを優先するかが予め決定され、優先度設定値１２４に設定される。
推定精度より計算時間を優先するものは、所定の推定精度を維持しながら、計算時間をできるだけ削減するものであり、優先度として、最低限順守する推定精度が設定される。一方、計算時間の削減より推定精度を優先するものは、所定の計算時間のもとで、推定精度を最大化するものであり、優先度として、最低限順守する計算時間が設定される。計算時間および推定精度のどちらを優先するかは予め決定され、例えば、順守する閾値が優先度として設定されてよい。
クランク角度および筒内圧選定部１１４は、燃焼指標の推定に寄与する重要度に基づいて、１つ以上の筒内圧データに対応するクランク角度の要素を選定する。当該クランク角度の要素は、例えば、時系列データ取得部１１２によって取得された、筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼／膨張までの行程区間のデータから選定される。
図７は、本実施形態にかかるバーチャルセンサ選定の一例を示す図である。図７に示すように、時系列データ取得部１１２によって取得され、時系列データ１２２および１２３に記憶された、筒内圧データ、運転条件、および燃焼指標の時系列データに基づいて、重要度分析により筒内圧データが選定される。選定された筒内圧データは筒内圧データ１２５に記憶される。この際、図７に示すように、後述する、推定された重要度も併せて記憶されてよい。なお、筒内圧データは、例えばエンジン燃焼サイクルの圧縮から燃焼／膨張までの行程区間のデータを分析する前に抽出されてもよい。
筒内圧データを選定するための重要度分析についてより具体的に説明する。図８は、本実施形態にかかる重要度分析の一例を示す図である。図８に示すように、クランク角度および筒内圧選定部１１４は、１つ以上の筒内圧データに対応するクランク角度の要素を選定する。選定は、例えば、燃焼指標に対する重要度に基づいて行われる。図８の例では、０．５度ごとにサンプリングされたクランク角度０～７２０度の要素のうち、重要度が０．５以上あるクランク角度３５０～５４０度の要素が重要度の高い順番に並び替えられ選定されている。なお、重要度の閾値０．５以上は一例であって、それより多くても少なくてもよい。また、図８に示すように、エンジン回転数、作動ガス、および酸素濃度などの運転条件は重要度が高いため、必ず使用するパラメータとして選定される。クランク角度および筒内圧選定部１１４によって選定されたパラメータは、バーチャルセンサの構築に用いられる。
重要度分析について、例えば、ランダムフォレストに代表される決定木を用いた特徴量の重要度を算出し、燃焼指標に対して重要度が高い、すなわち寄与率が高いパラメータが選定される。なお、重要度分析は、相関係数などの統計量を用いた手法や、パラメータを増加減し予測精度を確認しながら選定する方法であってもよい。
決定木を用いた重要度分析をより具体的に説明する。本実施形態では、例えば、各パラメータである各特徴量を外した場合に、正解率である予測精度がどれくらい悪化するかを算出し、その差で重要度が推定される。計算過程のイメージは、例えば、（１）データサンプルＮ個（Ｎは任意の整数）からＮ個よりも少ないｎ個をランダムに抽出して決定木が１つ作成される。なお、抽出されなかったＮ－ｎ個のデータサンプルをＯＯＢ（Out-Of-Bag）と呼ぶ。次に、（２）ＯＯＢに対する性能、例えば、予測精度である正解率ａが算出される。そして、（３）ＯＯＢのデータサンプル内で、あるパラメータである特徴量のみをランダムシャッフルで除外し、その状態で決定木の性能、すなわち正解率が算出される。（１）～（３）の処理を繰り返し、それぞれの重要度が算出される。
図１の説明に戻り、バーチャルセンサ構築部１１５は、例えば、クランク角度および筒内圧選定部１１４によって選定されたクランク角度に対応する筒内圧データと運転条件を入力、燃焼指標を出力とする訓練データを決定木に与える。これにより、バーチャルセンサ構築部１１５は、決定木による複数の学習器で推論するＸＧ－Ｂｏｏｓｔまたはランダムフォレストにより燃焼指標を推定する。そして、バーチャルセンサ構築部１１５は、図７に示すように、選定されたクランク角度に対応する筒内圧データと運転条件、推定された燃焼指標に基づいて、バーチャルセンサを構築する。なお、バーチャルセンサ構築部１１５は、図７に示すように、選定された筒内圧データから重要度の最も低いデータを順に削除し、データ数を減らした筒内圧データで複数のバーチャルセンサ候補を構築する。このようなデータ削除およびバーチャルセンサ候補の構築は、選定された筒内圧データが１つになるまで繰り返されてよい。構築されたバーチャルセンサは、バーチャルセンサ候補データ１２６に記憶される。
ここで、本実施形態にかかるバーチャルセンサについて説明する。図９は、本実施形態にかかるバーチャルセンサの入出力の一例を示す図である。図９に示すように、本実施形態にかかるバーチャルセンサは、筒内圧データや、エンジン回転数、作動ガス、および酸素濃度などの運転条件を入力すると、燃焼指標である図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２をそれぞれ出力するものである。これにより、リアルタイムでの測定が困難な燃焼指標をリアルタイムに推定でき、自動車エンジンの燃焼制御において、燃焼状態に応じた実時間制御を行うことができる。なお、図９に示すように、本実施形態にかかるバーチャルセンサは、出力される燃焼指標ごとに構築されてよい。また、作動ガスにＥＧＲ流量が含まれる場合、酸素濃度はバーチャルセンサに入力されなくてよく、逆に、酸素濃度が入力される場合は、作動ガスにＥＧＲ流量が含まれなくてよい。
図１の説明に戻り、バーチャルセンサ選定部１１６は、例えば、燃焼指標の推定における計算時間および推定精度に対する優先度に基づいて、燃焼指標の推定に用いるバーチャルセンサを選定する。バーチャルセンサの選定は、図７に示すように、バーチャルセンサ構築部１１５によって構築されたバーチャルセンサ候補群から選定される。バーチャルセンサを選定する際に用いられる優先度は、優先度設定部１１３によって設定された優先度である。当該優先度には、上述したように、燃焼指標の推定における計算時間を優先するものと、推定精度を優先するものがある。
図１０は、燃焼指標推定における計算時間と推定精度との関係を説明するための図である。図１０の左側は、バーチャルセンサに入力される筒内圧力に対応するクランク角度のパラメータ数と、燃焼指標推定における計算時間および推定精度のそれぞれとの関係を示すグラフである。図１０の左側に示すように、バーチャルセンサに入力される筒内圧力に対応するクランク角度のパラメータ数を増加させると、燃焼指標推定における計算時間および推定精度のそれぞれも増加する。したがって、図１０の右側に示すように、燃焼指標推定における計算時間と推定精度との関係も比例関係となり、計算時間と推定精度のバランスを考えて、バーチャルセンサが選定される。
推定精度より計算時間を優先する場合、バーチャルセンサ選定部１１６は、構築したバーチャルセンサの候補から、順守する推定精度について、例えば、Ｒ２（決定係数）が０．８以上であり、計算時間が最小なものを選定する。一方、計算時間の削減より推定精度を優先する場合、バーチャルセンサ選定部１１６は、構築したバーチャルセンサの候補から、順守する計算時間が、例えば、１秒以内であり、推定精度が最大なものを選定する。なお、順守する推定精度や計算時間の閾値は、計算時間および推定精度のどちらを優先するかの優先度として、優先度設定値１２４に予め記憶される。
選定されたバーチャルセンサについて、例えば、エンジン燃焼サイクルの圧縮から燃焼／膨張までの行程区間の上死点の前１０度から上死点の後５度までの計１５度の間の３１点の筒内圧データが採用されてよい。また、採用された筒内圧データについて、複数の気筒がある場合、全気筒の筒内圧データを取得し、気筒ごとのバーチャルセンサが構築されてもよい。
このように、燃焼指標の推定における計算時間および推定精度に対する優先度に基づいて選定されたバーチャルセンサを用いて燃焼指標を推定し、エンジン制御に用いることでエンジンの燃焼状態に応じた実時間制御を行うことができる。
参考のため、燃焼指標の推定精度の従来法との比較結果について説明する。図１１は、燃焼指標の推定精度の従来法との比較結果の一例を示す図である。図１１は、筒内圧センサから筒内圧データなどを取得し、図示トルクなどの各燃焼指標を導出するまでの計算時間とその精度を示す表である。なお、図１１においてＲ２で示される精度については従来法を正解とした場合の従来法との比較結果である。
図１１において、従来法は、高サンプリングに取得した１サイクル分の筒内圧データを用いて数値変換を行い、各燃焼指標を導出した場合の計算時間を示す。また、本実施形態は、ランダムフォレストまたはＸＧ－Ｂｏｏｓｔを用いて構築されたバーチャルセンサを用いて燃焼指標を推定した場合の推定精度と計算時間とを示す。本実施形態の推定精度を参照すると、ランダムフォレストまたはＸＧ－Ｂｏｏｓｔを用いた両ケースで高精度に推定できていることがわかる。また、計算時間は、従来法と比較し、ランダムフォレストを用いた場合は約７２％（パーセント）、ＸＧ－Ｂｏｏｓｔを用いた場合で約９５％低減していることがわかる。
［処理の流れ］
次に、図１２を用いて、燃焼指標推定のためのバーチャルセンサ選定処理の流れを説明する。図１２は、本実施形態にかかるバーチャルセンサ選定処理の流れの一例を示すフローチャートである。図１２に示すバーチャルセンサ選定処理は、任意のタイミングで開始される。
まず、推定装置１００は、例えば、エンジン３００を制御するための各操作変数の時系列変化をＣｈｉｒｐ信号またはＡＰＲＢＳ信号で表現し、試験パターンを作成する（ステップＳ１０１）。
次に、推定装置１００は、例えば、ステップＳ１０１で作成した試験パターンをエンジン３００に入力することにより、筒内圧や運転条件、燃焼指標の時系列データを取得する（ステップＳ１０２）。
次に、推定装置１００は、例えば、燃焼指標の推定における計算時間および推定精度に対する優先度を優先度設定値１２４から取得して設定する（ステップＳ１０３）。優先度設定値１２４には、例えば、計算時間および推定精度のどちらを優先するかが予め決定され、順守する推定精度または計算時間の閾値が設定される。
次に、推定装置１００は、例えば、エンジン燃焼サイクルの１サイクルの行程区間の筒内圧データから、燃焼指標の推定に寄与する重要度に基づいて、１つ以上の筒内圧データに対応するクランク角度を選定する（ステップＳ１０４）。
次に、推定装置１００は、例えば、ステップＳ１０４で選定されたクランク角度に対応する筒内圧データと運転条件、燃焼指標の時系列データよりバーチャルセンサを構築する（ステップＳ１０５）。
次に、推定装置１００は、例えば、ステップＳ１０４で選定されたクランク角度に対応する筒内圧データが２つ以上あるか否か判定する（ステップＳ１０６）。筒内圧データが２つ以上ある場合（ステップＳ１０６：Ｙｅｓ）、推定装置１００は、例えば、重要度の最も低いクランク角度と対応する筒内圧データを１つ削除する（ステップＳ１０７）。そして、推定装置１００は、削除後の筒内圧データと運転条件、燃焼指標の時系列データよりバーチャルセンサを構築し（ステップＳ１０５）、筒内圧データが１つになるまでステップＳ１０５～１０７を繰り返す。
一方、筒内圧データが１つの場合（ステップＳ１０６：Ｎｏ）、推定装置１００は、例えば、ステップＳ１０３で設定された優先度が推定精度より計算時間を優先するか否かを判定する（ステップＳ１０８）。
優先度が計算時間を優先する場合（ステップＳ１０８：Ｙｅｓ）、推定装置１００は、ステップＳ１０５で構築されたバーチャルセンサの候補から、順守する推定精度以上で計算時間が最小のものを選定する（ステップＳ１０９）。
一方、優先度が推定精度を優先する場合（ステップＳ１０８：Ｎｏ）、推定装置１００は、ステップＳ１０５で構築されたバーチャルセンサの候補から、順守する計算時間より速く推定精度が最大のものを選定する（ステップＳ１１０）。
ステップＳ１０９またはＳ１１０の実行後、図１２に示すバーチャルセンサ選定処理は終了する。そして、ステップＳ１０９またはＳ１１０において選定されたバーチャルセンサを用いて燃焼指標を推定することで、エンジン３００の実時間制御を行うことができる。
上述したように、推定装置１００は、エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、燃焼指標の推定に寄与する重要度に基づいて、１つ以上の筒内圧データに対応するクランク角度の要素を選定し、選定されたクランク角度の要素に対応する筒内圧データおよび運転条件を入力、燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより燃焼指標を推定する処理を実行する。
このように、推定装置１００は、燃焼指標の推定における計算時間および推定精度に対する優先度に基づいて構築および選定されたバーチャルセンサを用いて筒内圧と運転条件とで燃焼指標を推定する。これにより、推定装置１００は、自動車エンジンの燃焼制御において、燃焼状態に応じた実時間制御を行うことができる。
また、推定装置１００により実行される、クランク角度の要素を選定する処理は、操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ信号に基づく試験パターンを用いて取得した時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、クランク角度の要素を選定する処理を含む。
このように、推定装置１００は、自動車エンジンの燃焼制御において、操作変数の取りうる空間の網羅性を向上させることで、再現性の高い燃焼指標の推定ができる。これにより、推定装置１００は、燃焼指標の推定誤差が削減でき、高性能な実時間制御を行うことができる。
また、推定装置１００により実行される、クランク角度の要素を選定する処理は、Ｃｈｉｒｐ信号またはＡＰＲＢＳ信号をもとに、複数の操作変数の値の取りうる空間と複数の操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように調整した時系列の過渡的な試験パターンを用いて取得した時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、クランク角度の要素を選定する処理を含む。
このように、推定装置１００は、自動車エンジンの燃焼制御において、操作変数の取りうる空間の網羅性を向上させることで、再現性の高い燃焼指標の推定ができる。これにより、推定装置１００は、燃焼指標の推定誤差が削減でき、高性能な実時間制御を行うことができる。
また、推定装置１００によって実行される、クランク角度の要素を選定する処理は、試験パターンを用いて取得した、筒内圧データ、運転条件としてエンジン回転数、作動ガス、および酸素濃度の少なくとも１つ、ならびに燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、クランク角度の要素を選定する処理を含む。
これにより、推定装置１００は、自動車エンジンの燃焼制御において、より精度の高い実時間制御を行うことができる。
また、推定装置１００によって実行される、クランク角度の要素を選定する処理は、試験パターンを用いて取得した、筒内圧データ、運転条件、ならびに燃焼指標として図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２の少なくとも１つの時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、クランク角度の要素を選定する処理を含む。
これにより、推定装置１００は、自動車エンジンの燃焼制御において、より精度の高い実時間制御を行うことができる。
また、推定装置１００は、燃焼指標の推定における計算時間および推定精度に対する優先度が、計算時間の削減より推定精度を優先する場合、バーチャルセンサの候補から、順守する計算時間より速く推定精度が最大のバーチャルセンサを、燃焼指標を推定するバーチャルセンサとして選定する処理を実行する。
これにより、推定装置１００は、自動車エンジンの燃焼制御において、計算時間の削減より推定精度を優先した実時間制御を行うことができる。
また、推定装置１００は、燃焼指標の推定における計算時間および推定精度に対する優先度が、推定精度より計算時間の削減を優先する場合、バーチャルセンサの候補から、順守する推定精度以上で計算時間が最小のバーチャルセンサを、燃焼指標を推定するバーチャルセンサとして選定する処理を実行する。
これにより、推定装置１００は、自動車エンジンの燃焼制御において、推定精度より計算時間の削減を優先した実時間制御を行うことができる。
また、推定装置１００によって実行される、燃焼指標を推定する処理は、ＸＧ－Ｂｏｏｓｔおよびランダムフォレストの少なくとも１つを含む機械学習により構築されたバーチャルセンサにより燃焼指標を推定する処理を含む。
これにより、推定装置１００は、自動車エンジンの燃焼制御において、より精度の高い実時間制御を行うことができる。
［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報は、特記する場合を除いて任意に変更されてもよい。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更されてもよい。
また、各装置の構成要素の分散や統合の具体的形態は図示のものに限られない。例えば、推定装置１００のクランク角度および筒内圧選定部１１４が複数の処理部に分散されたり、推定装置１００のバーチャルセンサ構築部１１５とバーチャルセンサ選定部１１６とが１つの処理部に統合されたりしてもよい。つまり、その構成要素の全部または一部は、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合されてもよい。さらに、各装置の各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
［ハードウェア］
図１３は、本実施形態にかかる推定装置１００のハードウェア構成例を示す図である。図１３に示すように、推定装置１００は、通信部１００ａ、記憶装置１００ｂ、メモリ１００ｃ、プロセッサ１００ｄを有する。また、図１３に示した各部は、バスなどで相互に接続される。
通信部１００ａは、例えば、通信インタフェース装置やネットワークインタフェースカードなどであり、ＥＣＵなど他の装置などとの通信を行う。記憶装置１００ｂは、図１に示した推定装置１００の各機能などを動作させるプログラムやデータを記憶する。
プロセッサ１００ｄは、図１に示した推定装置１００の各機能などを動作させるプログラムを記憶装置１００ｂなどから読み出す。そして、プロセッサ１００ｄは、読み出したプログラムをメモリ１００ｃに展開することで、図１に示した推定装置１００の各機能を実現するプロセスを実行する。
また、推定装置１００は、媒体読取装置によって記録媒体から、図１に示した推定装置１００の各機能などを動作させるプログラムを読み出して実行することで各機能を実現させることもできる。なお、この他の実施例でいうプログラムは、推定装置１００によって実行されることに限定されるものではない。例えば、他の情報処理装置がプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明が同様に適用されてよい。
また、図１に示した推定装置１００の各機能などを動作させるプログラムは、インターネットなどのネットワークを介して配布されてもよい。また、当該プログラムは、ハードディスク（ＨＤＤ）、ＳＳＤ（Solid State Drive）、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto-Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行されてもよい。
以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
処理をコンピュータが実行することを特徴とする推定方法。
（付記２）前記クランク角度の要素を選定する処理は、前記操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ（Amplitude-modulated Pseudo Random Binary Sequences）信号に基づく前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１に記載の推定方法。
（付記３）前記クランク角度の要素を選定する処理は、前記Ｃｈｉｒｐ信号または前記ＡＰＲＢＳ信号をもとに、複数の前記操作変数の値の取りうる空間と複数の前記操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように調整した時系列の過渡的な前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記２に記載の推定方法。
（付記４）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件としてエンジン回転数、作動ガス、および酸素濃度の少なくとも１つ、ならびに前記燃焼指標の前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１に記載の推定方法。
（付記５）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件、ならびに前記燃焼指標として図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２の少なくとも１つの前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１に記載の推定方法。
（付記６）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記計算時間の削減より前記推定精度を優先する場合、前記バーチャルセンサの候補から、順守する前記計算時間より速く前記推定精度が最大の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記コンピュータが実行することを特徴とする付記１に記載の推定方法。
（付記７）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記推定精度より前記計算時間の削減を優先する場合、前記バーチャルセンサの候補から、順守する前記推定精度以上で前記計算時間が最小の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記コンピュータが実行することを特徴とする付記１に記載の推定方法。
（付記８）前記燃焼指標を推定する処理は、ＸＧ－Ｂｏｏｓｔおよびランダムフォレストの少なくとも１つを含む前記機械学習により生成された前記バーチャルセンサにより前記燃焼指標を推定する処理を含むことを特徴とする付記１に記載の推定方法。
（付記９）エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
処理をコンピュータに実行させることを特徴とする推定プログラム。
（付記１０）前記クランク角度の要素を選定する処理は、前記操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ（Amplitude-modulated Pseudo Random Binary Sequences）信号に基づく前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記９に記載の推定プログラム。
（付記１１）前記クランク角度の要素を選定する処理は、前記Ｃｈｉｒｐ信号または前記ＡＰＲＢＳ信号をもとに、複数の前記操作変数の値の取りうる空間と複数の前記操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように調整した時系列の過渡的な前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１０に記載の推定プログラム。
（付記１２）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件としてエンジン回転数、作動ガス、および酸素濃度の少なくとも１つ、ならびに前記燃焼指標の前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記９に記載の推定プログラム。
（付記１３）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件、ならびに前記燃焼指標として図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２の少なくとも１つの前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記９に記載の推定プログラム。
（付記１４）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記計算時間の削減より前記推定精度を優先する場合、前記バーチャルセンサの候補から、順守する前記計算時間より速く前記推定精度が最大の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記コンピュータに実行させることを特徴とする付記９に記載の推定プログラム。
（付記１５）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記推定精度より前記計算時間の削減を優先する場合、前記バーチャルセンサの候補から、順守する前記推定精度以上で前記計算時間が最小の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記コンピュータに実行させることを特徴とする付記９に記載の推定プログラム。
（付記１６）前記燃焼指標を推定する処理は、ＸＧ－Ｂｏｏｓｔおよびランダムフォレストの少なくとも１つを含む前記機械学習により生成された前記バーチャルセンサにより前記燃焼指標を推定する処理を含むことを特徴とする付記９に記載の推定プログラム。
（付記１７）エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
処理を実行する制御部を有することを特徴とする推定装置。
（付記１８）前記クランク角度の要素を選定する処理は、前記操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ（Amplitude-modulated Pseudo Random Binary Sequences）信号に基づく前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１７に記載の推定装置。
（付記１９）前記クランク角度の要素を選定する処理は、前記Ｃｈｉｒｐ信号または前記ＡＰＲＢＳ信号をもとに、複数の前記操作変数の値の取りうる空間と複数の前記操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように調整した時系列の過渡的な前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１８に記載の推定装置。
（付記２０）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件としてエンジン回転数、作動ガス、および酸素濃度の少なくとも１つ、ならびに前記燃焼指標の前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１７に記載の推定装置。
（付記２１）前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件、ならびに前記燃焼指標として図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２の少なくとも１つの前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする付記１７に記載の推定装置。
（付記２２）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記計算時間の削減より前記推定精度を優先する場合、前記バーチャルセンサの候補から、順守する前記計算時間より速く前記推定精度が最大の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記制御部が実行することを特徴とする付記１７に記載の推定装置。
（付記２３）前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記推定精度より前記計算時間の削減を優先する場合、前記バーチャルセンサの候補から、順守する前記推定精度以上で前記計算時間が最小の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記制御部が実行することを特徴とする付記１７に記載の推定装置。
（付記２４）前記燃焼指標を推定する処理は、ＸＧ－Ｂｏｏｓｔおよびランダムフォレストの少なくとも１つを含む前記機械学習により生成された前記バーチャルセンサにより前記燃焼指標を推定する処理を含むことを特徴とする付記１７に記載の推定装置。
（付記２５）プロセッサと、
プロセッサに動作可能に接続されたメモリと
を備えた推定装置であって、プロセッサは、
エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
処理を実行することを特徴とする推定装置。
１～ｎ 操作変数
１０－１～１０－ｎ Ｃｈｉｒｐ信号
２０－１～２０－ｎ Ｃｈｉｒｐ信号
１００ 推定装置
１００ａ 通信部
１００ｂ 記憶装置
１００ｃ メモリ
１００ｄ プロセッサ
１１１ 試験パターン作成部
１１２ 時系列データ取得部
１１３ 優先度設定部
１１４ クランク角度および筒内圧選定部
１１５ バーチャルセンサ構築部
１１６ バーチャルセンサ選定部
１２１ 試験パターン
１２２ 時系列データ
１２３ 時系列データ
１２４ 優先度設定値
１２５ 筒内圧データ
１２６ バーチャルセンサ候補データ
３００ エンジン

Claims (10)

  1. エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
    選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
    処理をコンピュータが実行することを特徴とする推定方法。
  2. 前記クランク角度の要素を選定する処理は、前記操作変数の時系列変化を示すＣｈｉｒｐ信号またはＡＰＲＢＳ（Amplitude-modulated Pseudo Random Binary Sequences）信号に基づく前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする請求項１に記載の推定方法。
  3. 前記クランク角度の要素を選定する処理は、前記Ｃｈｉｒｐ信号または前記ＡＰＲＢＳ信号をもとに、複数の前記操作変数の値の取りうる空間と複数の前記操作変数の変化速度値の取りうる空間との双方の網羅率が最大化するように調整した時系列の過渡的な前記試験パターンを用いて取得した前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする請求項２に記載の推定方法。
  4. 前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件としてエンジン回転数、作動ガス、および酸素濃度の少なくとも１つ、ならびに前記燃焼指標の前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする請求項１に記載の推定方法。
  5. 前記クランク角度の要素を選定する処理は、試験パターンを用いて取得した、前記筒内圧データ、前記運転条件、ならびに前記燃焼指標として図示トルク、図示熱効率、筒内最大圧力上昇率、および排出ガスのＮＯｘ、ＣＯ２の少なくとも１つの前記時系列データにおける前記エンジン燃焼サイクルの圧縮から燃焼または膨張までの前記行程区間のデータから、前記クランク角度の要素を選定する処理を含むことを特徴とする請求項１に記載の推定方法。
  6. 前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記計算時間の削減より前記推定精度を優先する場合、前記バーチャルセンサの候補から、順守する前記計算時間より速く前記推定精度が最大の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を前記コンピュータが実行することを特徴とする請求項１に記載の推定方法。
  7. 前記燃焼指標の推定における計算時間および推定精度に対する優先度が、前記推定精度より前記計算時間の削減を優先する場合、前記バーチャルセンサの候補から、順守する前記推定精度以上で前記計算時間が最小の前記バーチャルセンサを、前記燃焼指標を推定する前記バーチャルセンサとして選定する処理を含むことを特徴とする請求項１に記載の推定方法。
  8. 前記燃焼指標を推定する処理は、ＸＧ－Ｂｏｏｓｔおよびランダムフォレストの少なくとも１つを含む前記機械学習により生成された前記バーチャルセンサにより前記燃焼指標を推定する処理を含むことを特徴とする請求項１に記載の推定方法。
  9. エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
    前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
    処理をコンピュータに実行させることを特徴とする推定プログラム。
  10. エンジン試験に用いる操作変数が時系列に沿って変化する試験パターンを用いて取得した、エンジンに対する筒内圧データ、運転条件、および燃焼指標の時系列データにおけるエンジン燃焼サイクルの圧縮から燃焼または膨張までの行程区間のデータから、前記燃焼指標の推定に寄与する重要度に基づいて、１つ以上の前記筒内圧データに対応するクランク角度の要素を選定し、
    前記選定された前記クランク角度の要素に対応する前記筒内圧データおよび前記運転条件を入力、前記燃焼指標を出力とする訓練データを用いて機械学習により構築されたバーチャルセンサにより前記燃焼指標を推定する
    処理を実行する制御部を有することを特徴とする推定装置。
JP2022137345A 2022-08-30 2022-08-30 推定方法、推定プログラム、および推定装置 Pending JP2024033635A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022137345A JP2024033635A (ja) 2022-08-30 2022-08-30 推定方法、推定プログラム、および推定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022137345A JP2024033635A (ja) 2022-08-30 2022-08-30 推定方法、推定プログラム、および推定装置

Publications (1)

Publication Number Publication Date
JP2024033635A true JP2024033635A (ja) 2024-03-13

Family

ID=90194223

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022137345A Pending JP2024033635A (ja) 2022-08-30 2022-08-30 推定方法、推定プログラム、および推定装置

Country Status (1)

Country Link
JP (1) JP2024033635A (ja)

Similar Documents

Publication Publication Date Title
US9835099B2 (en) Engine feedback control system and method
CN102191979B (zh) 用于内燃机的发动机排出NOx虚拟传感器
US7761223B2 (en) Fuel system diagnostics by analyzing engine cylinder pressure signal and crankshaft speed signal
JP2011106334A (ja) Ｗｉｅｂｅ関数モデルを用いたエンジンの熱発生率の推定方法
CN107203832B (zh) 基于主客观赋权-多目标灰色决策-灰关联分析的增压柴油机最佳egr性能评估方法
CN105275557A (zh) 用于估计发动机排出氮氧化物质量流率的方法
JP2002206456A (ja) エンジン制御パラメータの適合方法及び適合システム
Grill et al. Quasi-dimensional and empirical modeling of compression-ignition engine combustion and emissions
CN107476903A (zh) 一种增压柴油机egr性能评估及最佳egr率确定方法
US20180313285A1 (en) Wiebe function parameter identification method and information processing device
JPWO2015162983A1 (ja) 内燃機関の熱発生率波形算出装置および熱発生率波形算出方法
Wu et al. Cam-phasing optimization using artificial neural networks as surrogate models—fuel consumption and nox emissions
Sequenz et al. Emission model structures for an implementation on engine control units
JP2024033635A (ja) 推定方法、推定プログラム、および推定装置
US20220157085A1 (en) Method and device for creating an emissions model of an internal combustion engine
CN112282949B (zh) 电控汽油机起燃工况控制参数优化方法、装置以及车辆
US11790126B2 (en) Method and system for internal combustion engine simulation
Deng et al. The applications of artificial neural networks to engines
Fechert et al. Using machine learning methods to develop virtual NOx sensors for vehicle applications
Gurel et al. Multi-objective optimization of transient air-fuel ratio limitation of a diesel engine using DoE based Pareto-optimal approach
Cimniak et al. A new Class of AI-based Engine Models
JP2022032827A (ja) エンジンモデル構築方法、プログラム、および装置
JP4175130B2 (ja) エンジン性能の予測解析方法、予測解析システム及びその制御プログラム
Martínez-Morales et al. Wavelet neural networks for predicting engine emissions
Esteves et al. Automated in-vehicle engine calibration to optimize emissions levels using machine learning

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220831