JP3767454B2

JP3767454B2 - 学習制御空調装置の教師データ評価方法

Info

Publication number: JP3767454B2
Application number: JP2001326819A
Authority: JP
Inventors: 好則一志
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2001-10-24
Filing date: 2001-10-24
Publication date: 2006-04-19
Anticipated expiration: 2021-10-24
Also published as: JP2003131725A

Description

【０００１】
【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

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。