JP3767454B2 - 学習制御空調装置の教師データ評価方法 - Google Patents
学習制御空調装置の教師データ評価方法 Download PDFInfo
- Publication number
- JP3767454B2 JP3767454B2 JP2001326819A JP2001326819A JP3767454B2 JP 3767454 B2 JP3767454 B2 JP 3767454B2 JP 2001326819 A JP2001326819 A JP 2001326819A JP 2001326819 A JP2001326819 A JP 2001326819A JP 3767454 B2 JP3767454 B2 JP 3767454B2
- Authority
- JP
- Japan
- Prior art keywords
- air conditioner
- air conditioning
- teacher data
- learning
- learning control
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Air-Conditioning For Vehicles (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
【発明の属する技術分野】
本発明は、ニューラルネットワークによって学習制御される空調装置において、教師データを評価する方法に関するものである。
【0002】
【従来の技術】
特開平11−301239号公報では、上記学習制御空調装置を車両用の空調装置に適用したものが記載されている。この空調装置は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて空調制御を行うものである。
【0003】
このような学習制御空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。そこで従来では、以下の手順で教師データの良否を評価しつつ、チューニング作業を行うようにしている。
【0004】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感等の評価を、環境条件(例えば外気温度、日射量等)や乗員操作(例えば設定温度等)の設定毎に行う(▲1▼空調評価)。
【0005】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する(▲2▼空調評価結果検討)。そして、上記検討に基づいて前記所定の教師データを変更して作成する(▲3▼教師データ作成)。
【0006】
そして、変更作成された教師データに基づいて再度ニューラルネットワークを学習させる(▲4▼学習)。そして、再度学習したニューラルネットワークの出力と教師データの出力データとの誤差が、所定の誤差範囲に収まっているか否かを検証する(▲5▼学習誤差検証)。なお、所定誤差範囲に収まっていない場合には、再度▲3▼教師データ作成および▲4▼学習の作業を行い、所定誤差範囲に収まるようにする。
【0007】
そして、所定誤差範囲に収まった状態のニューラルネットワークをROMに搭載し(▲6▼ROM搭載)、ROMに搭載されたニューラルネットワークにより実際に空調装置を作動させてみて不具合の有無をチェックする(▲7▼ROMチェック)。その後、上記▲1▼空調評価の作業を再度行う(▲8▼再空調評価)。
【0008】
【発明が解決しようとする課題】
しかし、上記手番▲1▼〜▲8▼のうち特に▲4▼の学習作業に膨大な時間(例えば20時間)がかかるため、▲1▼〜▲8▼のチューニング作業による教師データの評価にかかる日数(通常、▲3▼〜▲7▼の作業で1週間程度)が長くなってしまい、ひいては、空調装置の設計費のコストアップを招いてしまう。
【0009】
さらに、日本と時差のある海外で▲1▼の空調評価をしている場合には、データやROMの受け渡しに更に日数が必要となり、設計費がより一層高くなってしまう。
【0010】
本発明は、上記点に鑑み、ニューラルネットワークによって学習制御される空調装置を設計するにあたり、教師データの評価日数を短縮して設計費を低減することを目的とする。
【0011】
【課題を解決するための手段】
上記目的を達成するため、請求項1に記載の発明では、ニューラルネットワークによって空調制御量を算出する算出手段(10)を備え、算出された空調制御量に基づいて空調制御を行う学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの評価方法であって、ニューラルネットワークを有しておらず、教師データを線形補間することによって、算出手段(10)に代わって空調制御量を直接算出するエミュレート手段(S40)を備え、エミュレート手段(S40)により直接算出された空調制御量に基づいて学習制御空調装置を作動させ、この作動を検証することにより教師データの良否を評価することを特徴とする。
【0012】
これにより、従来膨大な時間がかかっていた手番▲4▼の学習作業を省いて教師データの良否を評価できる。そして、エミュレート手段(S40)によれば、以下に説明するような時間のかからない簡易な手法で空調制御量を直接算出できるので、教師データの評価日数を短縮することができ、ひいては学習制御空調装置の設計費のコストダウンを図ることができる。
【0016】
また、請求項2に記載の発明では、エミュレート手段(S40)は、汎用コンピュータを用いて行われる手段であることを特徴とする。これにより、大画面、高速、大容量の汎用コンピュータを用いることで、膨大なデータ処理が必要な教師データを用いたエミューレート手段()による空調制御量の直接算出を容易に行うことができる。
【0017】
また、請求項3に記載の発明では、学習制御空調装置は、車両に搭載された車両用空調装置であり、算出手段(10)は、当該車両に搭載された他のコンピュータと通信線(W)により接続された空調用コンピュータを用いて行われる手段であり、空調用コンピュータ(10)と汎用コンピュータ(20)とが、通信線(W)を用いて接続可能になっていることを特徴とする。
【0018】
これにより、車両にもともと存在する通信線(W)を利用することにより、空調用コンピュータのハード改造を無くすことができる。或いは、このようなハード改造を最小限に抑えることができる。よって、学習制御空調装置の設計費のより一層のコストダウンを図ることができる。
【0019】
また、請求項4に記載の発明では、学習制御空調装置は、車両に搭載された車両用空調装置であり、算出手段(10)は、当該車両に搭載された他のコンピュータと所定の通信プロトコルにより通信可能な空調用コンピュータを用いて行われる手段であり、空調用コンピュータ(10)と汎用コンピュータ(20)とが、所定の通信プロトコルにより通信可能になっていることを特徴とする。
【0020】
これにより、車両でもともと使用されている通信プロトコルを利用することにより、空調用コンピュータのハード改造を無くすことができる。或いは、このようなハード改造を最小限に抑えることができる。よって、学習制御空調装置の設計費のより一層のコストダウンを図ることができる。
【0021】
また、請求項5に記載の発明では、学習制御空調装置の作動を検証するにあたり、学習制御空調装置の作動が教師データのうちいずれの部分のデータに基づくものかを、表示可能にしたことを特徴とする。
【0022】
これにより、教師データのどの部分で空調が行われているかが表示されることで、空調内容に不満があった時、教師データが悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【0023】
また、請求項6に記載の発明では、学習制御空調装置の作動を検証しているときに、算出手段(10)の余裕処理能力を用いて、ニューラルネットワークの学習を行うことを特徴とする。
【0024】
これにより、コンピュータの処理能力を有効に生かし、ニューラルネットワークを学習することで、容易に流動品と学習誤差まで同等になるよう、結合係数を使って教師データの良否を評価できる。
【0025】
また、請求項7に記載の発明では、ニューラルネットワークによって空調制御量を算出する算出手段(10)を備え、算出された空調制御量に基づいて空調制御を行う学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの評価をコンピュータ(20)に機能させるためのプログラムであって、ニューラルネットワークを有しておらず、教師データを線形補間することによって、算出手段(10)に代わって空調制御量を直接算出するエミュレート手段(S40)としてコンピュータ(20)を機能させ、エミュレート手段(S40)により直接算出された空調制御量に基づいて学習制御空調装置を作動させ、この作動を検証することにより教師データの良否を評価するために学習制御空調装置の作動が教師データのうちいずれの部分のデータに基づくものかをディスプレイに表示させるようにコンピュータ(20)を機能させることを特徴とする。これにより、請求項1に記載の発明の効果と同様の効果をコンピュータに発揮させることができる。
【0027】
なお、上記各手段の括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。
【0028】
【発明の実施の形態】
以下、本発明を図に示す実施形態について説明する。
【0029】
(第1実施形態)
本実施形態は、ニューラルネットワークによって学習制御される空調装置のうち車両用空調装置に、本発明の教師データの評価方法を適用したものである。図1は、車両用空調装置に備えられた空調用電子制御装置(以下、エアコンECUという)10および本実施形態の評価方法を行うための汎用コンピュータ20等のハード構成を示す模式図であり、前記車両用空調装置は特開平11−301239号公報に記載の車両用空調装置と同様のものである。
【0030】
このエアコンECU10は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて車両用空調装置の空調制御を行うものである。なお、エアコンECU10は、特開平11−301239号公報に記載のECUと同様のものであり、周知のマイクロコンピュータ(空調用コンピュータ)とその周辺回路との組み合わせからなるものである。
【0031】
なお、この車両用空調装置には、車室内の設定温度tsetを設定する温度設定器が設けられている。この温度設定器は車両計器盤の空調操作パネルに設けられ、手動操作される温度設定手段である。また、車両用空調装置には、車室内の内気温trを検出する内気センサと車室外の外気温tamを検出する外気センサが設けられ、さらに、車室内への日射量tsを検出する日射センサ、エバポレータの冷却温度(吹出空気温度)teを検出するエバポレータ温度センサ、およびヒータコアに流入する温水の温度Twを検出する水温センサが設けられている。
【0032】
そして、エアコンECU10は、温度設定信号tset、内気温センサ信号tr、および外気温センサ信号tamを入力とし、ニューラルネットワークにより目標吹出温度TAOを算出する算出手段として機能する。
【0033】
次に、ニューラルネットワークの概要について簡単に説明すると、ニューラルネットワークは、ある入力信号(例えば、tset、tam、tr)を与えたときに、その出力が、予め設定された所望の値(教師データ)になるように、ニューラルネットワークの結合係数(シナプス荷重)を修正するという誤差逆伝播学習機能(バックプロパーゲーション機能)を備えた階層構造のネットワークである。
【0034】
そして、教師データを変更した場合は、再び、ある入力信号に対する出力が変更後の教師データとなるように、繰り返し「学習」させることにより、結合係数(シナプス荷重)を修正する。つまり、多量のデータ(教師データ)からその相関関数(結合係数)を自動生成する特徴を持っている。
【0035】
ところで、このような学習制御機能を有する車両用空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。
【0036】
そこで本実施形態では、図2のフローチャートに示す手順で、教師データの良否を評価しつつチューニング作業を行っている。
【0037】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感(例えば送風機の騒音に対する音感)等の評価を、環境条件(例えば、tam、tr、ts等)や乗員操作(例えばtset等)の設定毎に行う(空調評価(ステップS10))。
【0038】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する(空調評価結果検討(ステップS20))。そして、汎用コンピュータ20を用いて、上記検討に基づいて前記所定の教師データを変更して作成する(教師データ作成(ステップS30))。なお、図1の符号21は、ステップS30で変更作成された教師データ群を示しており、汎用コンピュータ20のディスプレイ(表示装置)22に表示されている。
【0039】
また、この教師データ21の入力値はtsetd、dsetd、tam、trであり、出力値(空調制御量)はtaodである。ここで、本実施形態の車両用空調装置は車室内の運転席側と助手席側とを左右独立に空調可能なものであり、前記tsetdは運転席側のtset、tsetpは助手席側のtset、taodは運転席側の目標吹出温度taoである。そして、dsetdはtsetdとtsetpの差を示している(dsetd=tsetd−tsetp)。
【0040】
ところで、エアコンECU10は、当該車両に搭載された他のECUと通信線Wにより接続されており、所定の通信プロトコル(例えばCAN)により通信可能になっている。そして、汎用コンピュータ10には通信線Wを接続するための通信線接続用カード22が備えられており、このカード22に通信線Wを接続することにより、エアコンECU10と汎用コンピュータ20とが、上記通信プロトコルで通信可能になっている。
【0041】
これにより、ステップS30では、エアコンECU10からtr、tam、ts等のデータを汎用コンピュータ20に入力し、これらの入力データを用いて教師データ21を作成することができる。そして、車両にもともと存在する通信線Wおよび通信プロトコルを利用することにより、空調用コンピュータのハード改造を無くすことができる。或いは、このようなハード改造を最小限に抑えることができる。よって、学習制御空調装置の設計費のより一層のコストダウンを図ることができる。
【0042】
次に、変更作成された教師データ21の入力値と出力値とをデータ補間(例えば線形補間、最近傍点補間、キュービック補間等)して最適化関数を計算し、空調装置作動中の入力値(この場合はtsetd、dsetd、tam、tr)に対する最適化関数の演算値を出力値(この場合はtaod)とする(エミュレータ組み込み(ステップS40))。
【0043】
本実施形態ではデータ補間として線形補間を採用しており、例えば、教師データ21のうち図1の下線21aおよび下線21bに示すデータを線形補間すると、(167.5+137.5)/2=152.5をtaodとして出力する。従って、本実施形態における最適化関数を計算する時間は、従来の手番▲4▼によりニューラルネットワークを学習させる時間に比べて極めて短時間で済む。
【0044】
なお、汎用コンピュータ10には上記のようにデータ補間して最適化関数を計算するアプリケーションソフト(例えばMATLAB)がインストールされている。
【0045】
次に、最適化関数の演算値である出力値(taod)をエアコンECU10に送信し、この送信された出力値(taod)に基づいて、実際に車両用空調装置を作動させてみる。そして、通信入出力値、演算値に不具合がないかを検証する(作動チェック(ステップS50))。
【0046】
ここで、このように検証するにあたり、空調装置の作動が教師データ21のうちいずれの部分のデータに基づくものかを、図1の符号22aに示すようにディスプレイ22に表示するようにしている。これにより、空調内容に不満があった時、教師データが悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【0047】
次に、空調の再評価を行い、ステップS20での不満が軽減されているかを確認する(再空調評価(ステップS60))。
【0048】
なお、入出力値はセンサ信号等をそれぞれ0〜1に規格化(正規化)されたものであり、実際に出力された値は、0〜1から逆変換する作業が必要である。例えば、内気センサにより検出される内気温Trの実際の検出範囲は、通常、0℃〜50℃であり、この検出値を規格化部で0〜1に割り当て、ニューラルネットワークの入力層に入力する。出力層からの出力結果も0〜1の値が出力されるので、出力変換部において予め設定された変換マップによってセンサ信号等に対応する実際の値に逆変換される。
【0049】
以上により、本実施形態によれば、ステップS40がエミュレート手段として機能し、教師データ21を用いて、エアコンECU10に代わって汎用コンピュータ20が出力値(tao)を直接算出することができる。よって、従来膨大な時間がかかっていた手番▲4▼の学習作業を省いて教師データの良否を評価できるとともに、時間のかからない簡易な手法で出力値(tao)を直接算出できるので、教師データの評価日数を短縮することができ、ひいては学習制御空調装置の設計費のコストダウンを図ることができる。
【0050】
(第2実施形態)
図3は、本実施形態のエアコンECU10および汎用コンピュータ20等のハード構成を示す模式図であり、ハード構成は第1実施形態と同様である。図4は、教師データの良否を評価しつつチューニング作業を行う手順を示すフローチャートであり、本実施形態では、第1実施形態のステップS40に示すエミュレート手段の他に、ステップS41に示す学習手段を備えている。
【0051】
そして、ステップS41にてニューラルネットワークの学習を行い、その後、ステップS42にて学習誤差が許容範囲に収まっているか否かを検証する。なお、これらのステップS41、S42は、線形補間したデータで空調評価中に行うようになっている。また、ステップS41におけるニューラルネットワークの学習は、エアコンECU10の余裕処理能力を用いて行うようになっている。
【0052】
因みに、本実施形態のエアコンECU10のCPUでは、浮動小数点演算に比べて固定小数点演算の演算能力に余裕が生じるため、ステップS41におけるニューラルネットワークの学習を固定小数点演算で行うようにしている。これにより、エアコンECU10の処理能力を有効に生かすことができる。
【0053】
そして、ステップS50にて作動チェックを行った後、ステップS55にて、教師データの線形補間で演算するか、結合係数で演算するかを選択する。なお、この選択は、ディスプレイ22上の符号22bに示す選択画面で選択できるようになっている。
【0054】
以上により本実施形態によれば、エミュレート手段を用いて、まずは時間のかかる結合係数を学習する手番を省き教師データを直接算出して空調評価するフェーズと、学習手段を用いて、ニューラルネットワーク学習後、流動品と学習誤差まで同等になるよう、結合係数を使って空調評価するフェーズとを組み合わせることにより、教師データの評価を短期間でも行えるようにすることができる。
【図面の簡単な説明】
【図1】本発明の第1実施形態に係るエアコンECUおよび汎用コンピュータ等のハード構成を示す模式図である。
【図2】第1実施形態に係る教師データの良否を評価しつつチューニング作業を行う手順を示すフローチャートである。
【図3】本発明の第2実施形態に係るエアコンECUおよび汎用コンピュータ等のハード構成を示す模式図である。
【図4】第2実施形態に係る教師データの良否を評価しつつチューニング作業を行う手順を示すフローチャートである。
【符号の説明】
10…エアコンECU(算出手段)、10…汎用コンピュータ、
S40…エミュレート手段、S41…学習手段。
Claims (7)
- ニューラルネットワークによって空調制御量を算出する算出手段(10)を備え、前記算出された空調制御量に基づいて空調制御を行う学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データの評価方法であって、
前記ニューラルネットワークを有しておらず、前記教師データを線形補間することによって、前記算出手段(10)に代わって前記空調制御量を直接算出するエミュレート手段(S40)を備え、
前記エミュレート手段(S40)により直接算出された空調制御量に基づいて前記学習制御空調装置を作動させ、この作動を検証することにより前記教師データの良否を評価することを特徴とする学習制御空調装置の教師データ評価方法。 - 前記エミュレート手段(S40)は、汎用コンピュータを用いて行われる手段であることを特徴とする請求項1に記載の学習制御空調装置の教師データ評価方法。
- 前記学習制御空調装置は、車両に搭載された車両用空調装置であり、
前記算出手段(10)は、当該車両に搭載された他のコンピュータと通信線(W)により接続された空調用コンピュータを用いて行われる手段であり、
前記空調用コンピュータ(10)と前記汎用コンピュータ(20)とが、前記通信線(W)を用いて接続可能になっていることを特徴とする請求項2に記載の学習制御空調装置の教師データ評価方法。 - 前記学習制御空調装置は、車両に搭載された車両用空調装置であり、
前記算出手段(10)は、当該車両に搭載された他のコンピュータと所定の通信プロトコルにより通信可能な空調用コンピュータを用いて行われる手段であり、
前記空調用コンピュータ(10)と前記汎用コンピュータ(20)とが、前記所定の通信プロトコルにより通信可能になっていることを特徴とする請求項2に記載の学習制御空調装置の教師データ評価方法。 - 前記学習制御空調装置の作動を検証するにあたり、前記学習制御空調装置の作動が前記教師データのうちいずれの部分のデータに基づくものかを、表示可能にしたことを特徴とする請求項1ないし4のいずれか1つに記載の学習制御空調装置の教師データ評価方法。
- 前記学習制御空調装置の作動を検証しているときに、前記算出手段(10)の余裕処理能力を用いて、前記ニューラルネットワークの学習を行うことを特徴とする請求項1ないし5のいずれか1つに記載の学習制御空調装置の教師データ評価方法。
- ニューラルネットワークによって空調制御量を算出する算出手段(10)を備え、前記算出された空調制御量に基づいて空調制御を行う学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データの評価をコンピュータ(20)に機能させるためのプログラムであって、
前記ニューラルネットワークを有しておらず、前記教師データを線形補間することによって、前記算出手段(10)に代わって前記空調制御量を直接算出するエミュレート手段(S40)として前記コンピュータ(20)を機能させ、
前記エミュレート手段(S40)により直接算出された空調制御量に基づいて前記学習制御空調装置を作動させ、この作動を検証することにより前記教師データの良否を評価するために前記学習制御空調装置の作動が前記教師データのうちいずれの部分のデータに基づくものかをディスプレイに表示させるように前記コンピュータ(20)を機能させることを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001326819A JP3767454B2 (ja) | 2001-10-24 | 2001-10-24 | 学習制御空調装置の教師データ評価方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001326819A JP3767454B2 (ja) | 2001-10-24 | 2001-10-24 | 学習制御空調装置の教師データ評価方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003131725A JP2003131725A (ja) | 2003-05-09 |
JP3767454B2 true JP3767454B2 (ja) | 2006-04-19 |
Family
ID=19143136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001326819A Expired - Fee Related JP3767454B2 (ja) | 2001-10-24 | 2001-10-24 | 学習制御空調装置の教師データ評価方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3767454B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125184A1 (zh) * | 2018-12-21 | 2020-06-25 | 珠海格力电器股份有限公司 | 空调系统的控制策略优化方法、装置和计算机设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107199845B (zh) * | 2017-06-12 | 2018-07-06 | 吉林大学 | 一种驾驶室内环境主动控制系统及其控制方法 |
-
2001
- 2001-10-24 JP JP2001326819A patent/JP3767454B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125184A1 (zh) * | 2018-12-21 | 2020-06-25 | 珠海格力电器股份有限公司 | 空调系统的控制策略优化方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2003131725A (ja) | 2003-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7369925B2 (en) | Vehicle failure diagnosis apparatus and in-vehicle terminal for vehicle failure diagnosis | |
JPH08508104A (ja) | 電子制御装置の検査方法及びこの方法を使用する制御装置 | |
CN108566407A (zh) | 与轮胎压力监测系统建立通信连接的方法、其装置及电子设备 | |
JP3767454B2 (ja) | 学習制御空調装置の教師データ評価方法 | |
JP3855739B2 (ja) | ニューラルネットワークの学習方法およびプログラム | |
US7328093B1 (en) | Combination scan tool and inspection tool | |
US20110137955A1 (en) | Apparatus and method for creating can data file for test | |
Guan et al. | Investigation of human thermal comfort under highly transient conditions for automotive applications-Part 1: Experimental design and human subject testing implementation | |
US20090064773A1 (en) | Systems and Methods for Determining Airflow Parameters of Gas Turbine Engine Components | |
JP2001147714A (ja) | 車載電子制御装置の故障診断装置 | |
KR100745719B1 (ko) | 텔레매틱스 단말기에서의 차량 서비스 시험을 위한 차량 서비스 시스템 및 그 방법 | |
KR101193374B1 (ko) | 공조제어장치의 동작 테스트 방법 | |
US6125456A (en) | Microcomputer with self-diagnostic unit | |
KR0160552B1 (ko) | 차량의 자동온도 제어기의 모의검사장치 | |
JP2002092095A (ja) | 製品検査システムと空調機の検査システム | |
JPH09329529A (ja) | 自動車用故障診断装置 | |
Kumbhar et al. | Development of Test Automation Scripts for Panel Logic module using Vector CANoe | |
JP3530152B2 (ja) | 車両用空調制御装置 | |
CN112051073B (zh) | 车辆传动阻力测量方法、测试系统及存储介质 | |
US20240092143A1 (en) | Detection of external leaks utilizing cabin humidity model | |
JP3839226B2 (ja) | プリント熱線式防曇ガラスの設計評価方法 | |
JP2002264627A (ja) | 車両用空調装置の空調制御方法及び車両用空調装置 | |
CN112163276B (zh) | 一种风量测试方法、装置及服务器 | |
CN114486289A (zh) | 一种整车异响的测试方法、装置、存储介质和车载终端 | |
JPH0760127B2 (ja) | 車載用の電子制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20051006 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20051018 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051212 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060123 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090210 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100210 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110210 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120210 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |