JP5026433B2

JP5026433B2 - プロセスモデルベースの仮想センサシステムおよび方法

Info

Publication number: JP5026433B2
Application number: JP2008541159A
Authority: JP
Inventors: ジェイ．グリッチニックアントニー; セスキンマイケル
Original assignee: Caterpillar Inc
Current assignee: Caterpillar Inc
Priority date: 2005-11-18
Filing date: 2006-09-08
Publication date: 2012-09-12
Anticipated expiration: 2026-09-08
Also published as: US7499842B2; CN101331504A; US20070118338A1; EP1949312A1; AU2006315933B2; WO2007058695A1; JP2009520948A; AU2006315933A1

Description

本開示は、一般に、コンピュータベースのプロセスモデル化技術、より詳しくは、プロセスモデルを用いた仮想センサシステムおよび方法に関する。

温度、速度、自動車からのエミッション等の物理現象を測定および監視するために、物理センサが現在の作業機械等の多くの製品に広く使用される。物理センサは、多くの場合、物理現象の直接的な測定値を取り、また制御システムによってさらに処理されるようにこれらの測定値を測定データに変換する。物理センサは物理現象の直接的な測定値を取るが、物理センサおよびそれに関連するハードウェアは、多くの場合、高価であり、時に信頼性に欠ける。さらに、制御システムが適切に作動するために物理センサに依存したときに、物理センサが故障していると、このような制御システムを作動させることができない場合がある。例えば、エンジン自体が依然として作動可能であったとしても、エンジンの速度センサまたはタイミングセンサが故障していると、エンジンの運転が完全に停止してしまうことがある。

物理的に測定された他の種々の値を処理するために、また物理センサによって予め直接測定される値を生成するために、直接的な測定値の代わりに、仮想センサが生成される。例えば、１９９５年１月３１日にキーラー（Ｋｅｅｌｅｒ）らに交付された（特許文献１）は、センサの検証を行う仮想連続エミッション監視システムを開示している。仮想検出システムのために用いられる計算モデルを確立および最適化して、他の測定パラメータから検出パラメータを導出するために、（特許文献１）では、バックプロパゲーション・ツー・アクティベーション（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ−ｔｏ−ａｃｔｉｖａｔｉｏｎ）モデルとモンテカルロ検索技術とが用いられる。しかし、このような従来技術は、多くの場合、特に計算モデルの生成および／または最適化時に、個々の測定パラメータ間の相関関係に配慮できないか、または他の測定パラメータを検出パラメータに相関させることができない。

米国特許第５，３８６，３７３号明細書

開示されるシステムのいくつかの特徴による方法およびシステムは、上述の課題の１つ以上を解決することを目的とする。

本開示の一形態は仮想センサシステム用の方法を含む。本方法は、複数の検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサプロセスモデルを確立するステップと、複数の測定パラメータに対応する一組の値を得るステップとを含み得る。さらに、本方法は、複数の測定パラメータに対応する一組の値と仮想センサプロセスモデルとに基づいて複数の検出パラメータの値を同時に計算するステップと、複数の検出パラメータの値を制御システムに提供するステップとを含み得る。

本開示の他の形態は、仮想センサプロセスモデルを確立するためのコンピュータシステムを含む。コンピュータシステムは、仮想センサプロセスモデルに関する情報を記憶するように構成されたデータベースとプロセッサとを含むことが可能である。１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得るように、および１つ以上の入力変数から複数の測定パラメータを選択するように、プロセッサを構成し得る。さらに、複数の測定パラメータと複数の検出パラメータとの相互関係を示す計算モデルを生成するように、および計算モデルの複数の測定パラメータの所望の統計分布を決定するように、プロセッサを構成し得る。その上、所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義するように、プロセッサを構成し得る。

本開示の他の形態は作業機械を含む。作業機械は、それに動力を供給するように構成された動力源と、動力源を制御するように構成された制御システムとを含むことが可能である。さらに、作業機械は、複数の検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサプロセスモデルを含む仮想センサシステムを含むことが可能である。複数の測定パラメータに対応する一組の値を得るように、および複数の測定パラメータに対応する一組の値と仮想センサプロセスモデルとに基づいて複数の検出パラメータの値を同時に計算するように、仮想センサシステムを構成し得る。さらに、複数の検出パラメータの値を制御システムに提供するように、仮想センサシステムを構成し得る。その上、制御システムは、複数の検出パラメータの値に基づいて動力源を制御し得る。

本開示の他の形態は、仮想センサプロセスモデルを確立するように構成されたコンピュータシステムで使用するためのコンピュータ可読媒体を含む。コンピュータ可読媒体は、方法を実行するためのコンピュータ実行可能な命令を有することが可能である。本方法は、１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得るステップと、１つ以上の入力変数から複数の測定パラメータを選択するステップとを含み得る。さらに、本方法は、複数の測定パラメータと複数の検出パラメータとの間の相互関係を示す計算モデルを生成するステップと、計算モデルの複数の測定パラメータの所望の統計分布を決定するステップと、所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義するステップとを含み得る。

次に、添付図面に示されている例示的な実施形態について詳細に説明する。可能な場合、同一の参照番号が、図面全体を通して同一または同様の部分を指すために用いられる。

図１は、開示されるいくつかの実施形態による特徴および原理を組み込み得る例示的な作業機械１００を示している。作業機械１００は、鉱業、建設業、農業、運送業等のような特定の産業に関連するある種の作業を行い、および作業環境（例えば、建設現場、掘削現場、発電プラントおよび発電所、道路工事等）の間またはその中で動作する任意の種類の固定機械または移動機械を指し得る。移動機械の非限定的な例は、トラック、クレーン、土木車両、掘削車両、バックホー、資材運搬機器、農業用機器、船舶、航空機、および作業環境で動作する任意の種類の可動機械等の商業用機械を含む。作業機械１００は自動車、バン、および他の車両等の任意の種類の商用車を含むことも可能である。図１に示されているように、作業機械１００は土木用作業機械であるが、作業機械１００が任意の種類の作業機械であり得ることが考えられる。

図１に示されているように、作業機械１００は、エンジン１１０、エンジン制御モジュール（ＥＣＭ）１２０、仮想センサシステム１３０、物理センサ１４０と１４２、およびデータリンク１５０を含み得る。エンジン１１０は、作業機械１００用の動力を発生させる内燃機関または燃料電池発電機等の任意の適切な種類のエンジンまたは動力源を含むことが可能である。ＥＣＭ１２０は、エンジン１１０が適切に作動し得るようにエンジン制御機能を実行すべく構成された任意の適切な種類のエンジン制御システムを含み得る。このような制御機能を実行するために、ＥＣＭ１２０は、マイクロプロセッサまたはマイクロコントローラ、メモリモジュール、通信装置、入力／出力装置、記憶装置等のような任意の数の装置を含むことが可能である。さらに、ＥＣＭ１２０は、動力伝達系および／または液圧システム等の、作業機械１００の他のシステムを制御することも可能である。ＥＣＭ１２０にはコンピュータソフトウェア命令を記憶させるか、またはそれをロードし得る。ＥＣＭ１２０は、コンピュータソフトウェア命令を実行して、種々の制御機能および制御プロセスを実行することが可能である。

エンジン１１０、物理センサ１４０と１４２、仮想センサシステム１３０等の他の構成部材、および／または作業機械１００の他の任意の構成部材（図示せず）からデータを受信しまたそれらにデータを送信するように、ＥＣＭ１２０をデータリンク１５０に接続し得る。データリンク１５０は、ケーブル、ワイヤ、無線機および／またはレーザ等のような任意の適切な種類のデータ通信媒体を含むことが可能である。物理センサ１４０は、作業機械の作業環境のいくつかのパラメータを測定するために設けられた１つ以上のセンサを含み得る。例えば、物理センサ１４０は、窒素酸化物（ＮＯ_ｘ）、二酸化硫黄（ＳＯ_２）、一酸化炭素（ＣＯ）、全還元硫黄（ＴＲＳ）等のような、作業機械１００のエミッションを測定するためのエミッションセンサを含んでもよい。特に、ＮＯ_ｘエミッションの検出および低減は、エンジン１１０の通常運転にとって重要であり得る。他方、物理センサ１４２は、エンジン１１０または他の構成部材に関する温度、速度等のような種々の測定パラメータを提供するために、エンジン１１０または他の作業機械構成部材（図示せず）内で使用される任意の適切なセンサを含み得る。

仮想センサシステム１３０は、計算モデルと複数の測定パラメータとに基づいて検出パラメータの値を生成する任意の適切な種類の制御システムを含むことが可能である。検出パラメータは、特定の物理センサによって直接測定される測定パラメータを指し得る。例えば、ＮＯ_ｘエミッション物理センサは、作業機械１００のＮＯ_ｘエミッションレベルを測定し、およびＮＯ_ｘエミッションレベルの値、すなわち検出パラメータをＥＣＭ１２０等の他の構成部材に提供することが可能である。しかし、検出パラメータは、物理センサによって間接的に測定されおよび／または物理センサの示度に基づいて計算され得る任意の出力パラメータを含むことも可能である。他方、測定パラメータは、検出パラメータに関連しかつ作業機械１００のエンジン１１０等の１つまたは複数の構成部材の状態を示す任意のパラメータを指し得る。例えば、検出パラメータのＮＯ_ｘエミッションレベルについて、測定パラメータは、圧縮比、ターボ過給機効率、冷却器後特性、温度値、圧力値、周囲条件、燃料比およびエンジン速度等のような環境パラメータを含んでもよい。

さらに、仮想センサシステム１３０は、別個の制御システムとして構成され得るか、またはその代わりに、ＥＣＭ１２０等の他の制御システムと組み合わされ得る。図２は、仮想センサシステム１３０の例示的な機能ブロック図を示している。

図２に示されているように、仮想センサシステム１２０は、プロセッサ２０２、メモリモジュール２０４、データベース２０６、Ｉ／Ｏインターフェース２０８、ネットワークインターフェース２１０およびストレージ２１２を含むことが可能である。しかし、仮想センサシステム１２０には他の構成要素が含まれることも可能である。

プロセッサ２０２は、任意の適切な種類の汎用マイクロプロセッサ、デジタル信号プロセッサまたはマイクロコントローラを含み得る。エンジン１１０の制御専用の別個のプロセッサモジュールとして、プロセッサ２０２を構成することが可能である。あるいは、仮想センサに無関係な他の機能を実行するための共有のプロセッサモジュールとして、プロセッサ２０２を構成してもよい。

メモリモジュール２０４は、限定はされないが、ＲＯＭ、フラッシュメモリ、ダイナミックＲＡＭおよびスタティックＲＡＭを含む１つ以上のメモリ装置を含むことが可能である。プロセッサ２０２によって用いられる情報を記憶するように、メモリモジュール２０４を構成し得る。データベース２０６は、測定パラメータ、検出パラメータ、数学モデルに関する情報および／または他の任意の制御情報を含む任意の適切な種類のデータベースを含むことが可能である。

さらに、種々のセンサまたは他の構成部材（例えば物理センサ１４０と１４２）からデータを得るために、および／またはこれらの構成部材にまたＥＣＭ１２０にデータを送信するために、Ｉ／Ｏインターフェース２０８をデータリンク１５０に接続することも可能である。ネットワークインターフェース２１０は、１つ以上の通信プロトコルに基づいて他のコンピュータシステムと通信できる任意の適切な種類のネットワーク装置を含み得る。ストレージ２１２は、プロセッサ２０２が動作する必要があり得る任意の種類の情報を記憶するために設けられた任意の適切な種類の大容量ストレージを含むことが可能である。例えば、ストレージ２１２は、記憶領域を提供するために、１つ以上のハードディスク装置、光ディスク装置または他の記憶装置を含んでもよい。

上述したように、仮想センサシステム１３０は、いくつかの検出パラメータの値をＥＣＭ１２０に提供するためにプロセスモデルを含み得る。図３は、例示的な仮想センサシステム１３０の論理ブロック図を示している。

図３に示されているように、入力パラメータ３０２（例えば測定パラメータ）と出力パラメータ３０６（例えば検出パラメータ）との間の相互関係を構築するように、仮想センサプロセスモデル３０４を確立することが可能である。仮想センサプロセスモデル３０４が確立された後に、入力パラメータ３０２の値を仮想センサプロセスモデル３０４に提供して、その提供された入力パラメータ３０２の値、および仮想センサプロセスモデル３０４によって確立された入力パラメータ３０２と出力パラメータ３０６との間の相互関係に基づいて、出力パラメータ３０６の値を生成することが可能である。

いくつかの実施形態では、仮想センサシステム１３０は、作業機械１００の排気システム（図示せず）から放出されるＮＯ_ｘのレベルを提供するためにＮＯ_ｘ仮想センサを含み得る。入力パラメータ３０２は、ＮＯ_ｘエミッションレベルに関連する任意の適切な種類のデータを含むことが可能である。例えば、入力パラメータ３０２は、エンジン１１０の種々の作動応答特性を制御するパラメータ、および／またはエンジン１１０の作動に対応する状態に関連するパラメータを含んでもよい。例えば、入力パラメータ３０２は、燃料噴射タイミング、圧縮比、ターボ過給機効率、冷却器後特性、温度値（例えば吸気マニホールド温度）、圧力値（例えば吸気マニホールド圧力）、周囲条件（例えば周囲湿度）、燃料比およびエンジン速度等を含んでもよい。しかし、他のパラメータを含むことも可能である。入力パラメータ３０２は、物理センサ１４２等のいくつかの物理センサによって測定されるか、またはＥＣＭ１２０等の他の制御システムによって生成され得る。仮想センサシステム１３０は、データリンク１５０に接続された入力３１０を介して入力パラメータ３０２の値を得ることが可能である。

他方、出力パラメータ３０６は検出パラメータに対応し得る。例えば、ＮＯ_ｘ仮想センサの出力パラメータ３０６は、ＮＯ_ｘエミッションレベル、および／またはＮＯ_ｘ仮想検出アプリケーションによって用いられる他の任意の種類の出力パラメータを含んでもよい。データリンク１５０に接続された出力３２０を介して、出力パラメータ３０６（例えばＮＯ_ｘエミッションレベル）をＥＣＭ１２０に送信することが可能である。

仮想センサプロセスモデル３０４は、入力パラメータ３０２と出力パラメータ３０６との間の相互関係を示した任意の適切な種類の数学モデルまたは物理モデルを含み得る。例えば、仮想センサプロセスモデル３０４は、入力パラメータ３０２と出力パラメータ３０６との間の相互関係を得るように訓練されるニューラルネットワークベースの数学モデルであってもよい。ファジー論理モデル、線形システムモデルおよび／または非線形システムモデル等のような他の種類の数学モデルを用いることも可能である。仮想センサプロセスモデル３０４が確立される特定のエンジンアプリケーションから収集されたデータ記録を用いて、仮想センサプロセスモデル３０４を訓練および検証し得る。すなわち、データ記録を用いて、特定の種類のモデルに対応する特定のルールに従って、仮想センサプロセスモデル３０４を確立することが可能であり、またデータ記録の一部を用いることによって、仮想センサプロセスモデル３０４の相互関係を確認することが可能である。

仮想センサプロセスモデル３０４が訓練および検証された後に、仮想センサプロセスモデル３０４を最適化して、入力パラメータ３０２の所望の入力空間および／または出力パラメータ３０６の所望の分布を定義することが可能である。一組の入力パラメータ１０２の値が提供されたときに、検証または最適化された仮想センサプロセスモデル３０４を用いて、対応する出力パラメータ３０６の値を生成し得る。上述の例では、仮想センサプロセスモデル３０４を用いて、周囲湿度、吸気マニホールド圧力、吸気マニホールド温度、燃料比およびエンジン速度等のような測定パラメータに基づき、ＮＯ_ｘエミッションレベルを生成することが可能である。

図２に戻ると、仮想センサシステム１３０に記憶またはロードされたコンピュータプログラムに基づいてプロセッサ２０２により、仮想センサプロセスモデル３０４の確立および演算が行われ得る。あるいは、ＥＣＭ１２０、またはプロセスモデルを生成するように構成された別個の汎用コンピュータ等の他のコンピュータシステムによって、仮想センサプロセスモデル３０４の確立を実現してもよい。次に、演算のために、生成されたプロセスモデルを仮想センサシステム１３０にロードし得る。

プロセッサ２０２は、仮想センサプロセスモデルの生成プロセスおよび最適化プロセスを実行して、仮想センサプロセスモデル３０４を生成および最適化することが可能である。図４は、プロセッサ２０２によって実行される例示的なモデルの生成プロセスおよび最適化プロセスを示している。

図４に示されているように、モデルの生成プロセスおよび最適化プロセスの開始時に、プロセッサ２０２は、入力パラメータ３０２と出力パラメータ３０６とに関連するデータ記録を得ることが可能である（ステップ４０２）。データ記録は、エンジン運転と、ＮＯ_ｘエミッションレベルを含むエミッションレベルとを特徴付ける情報を含み得る。ＮＯ_ｘエミッション物理センサ等の物理センサ１４０を設けて、出力パラメータ３０６（例えばＮＯ_ｘレベル等の検出パラメータ）のデータ記録を生成することが可能である。ＥＣＭ１２０および／または物理センサ１４２は、入力パラメータ３０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等のような測定パラメータ）のデータ記録を提供し得る。さらに、データ記録は、入力パラメータおよび出力パラメータの両方を含むことが可能であり、および種々の所定の運転条件下において、種々のエンジンに基づきまたは１つの試験エンジンに基づき収集されることが可能である。

このようなデータを収集するために計画された試験から、データ記録を収集することも可能である。あるいは、他のエミッションモデルまたは分析プロセス等の関連する他のプロセスによって、データ記録を人為的に生成してもよい。データ記録は、仮想センサプロセスモデル３０４を生成するために用いられる訓練データと、仮想センサプロセスモデル３０４を検証するために用いられる試験データとを含むことも可能である。さらに、データ記録は、仮想センサプロセスモデル３０４を観察して最適化するために用いられるシミュレーションデータを含むことも可能である。

データ記録は、統計分布、正常範囲および／または精度公差等のような入力パラメータ１０２および出力パラメータ１０６の特性を反映し得る。データ記録が得られると（ステップ４０２）、プロセッサ２０２は、明らかなエラーのデータ記録を削除するように、および重複を排除するように、データ記録を前処理することが可能である（ステップ４０４）。プロセッサ２０２は、モデル生成およびモデル最適化に対して有効であるようにするために、ほぼ同一のデータ記録を削除し、および／または妥当な範囲から外れているデータ記録を削除し得る。データ記録が前処理された後に、プロセッサ２０２は、データ記録を分析することによって、適切な入力パラメータを選択することが可能である（ステップ４０６）。

燃料噴射タイミング、圧縮比、ターボ過給機効率、冷却器後特性、種々の温度パラメータ、種々の圧力パラメータ、種々の周囲条件、燃料比およびエンジン速度等に対応する変数等の多数の入力変数に、データ記録を関連させ得る。入力変数の数は、仮想センサプロセスモデル３０４のために用いられる特定の組の入力パラメータ１０２の数よりも大きいことが可能であり、すなわち、入力パラメータ１０２は入力変数のサブセットであることが可能である。例えば、入力パラメータ３０２は、入力変数の吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等を含んでもよい。

多数の入力変数は、数学モデルの生成および演算中に計算時間を著しく増加させる可能性がある。実用的な計算時間の制限内で数学モデルを生成するために、入力変数の数を低減する必要があり得る。さらに、いくつかの状況では、データ記録の入力変数の数がデータ記録の数を超えて、スパースデータシナリオを生じさせる場合がある。低減された変数の数に基づき、実用的な数学モデルを生成し得るように、いくつかの数学モデルにおいて、追加の入力変数のいくつかを省略する必要があり得る。

プロセッサ２０２は、所定の基準に従って入力変数から入力パラメータ３０２を選択し得る。例えば、プロセッサ２０２は、試験および／または専門家の意見によって入力パラメータ３０２を選択してもよい。あるいは、いくつかの実施形態では、プロセッサ２０２は、データ記録の正常データセットと異常データセットとのマハラノビス距離に基づいて入力パラメータを選択してもよい。任意の適切な方法を用いてプロセッサ２０２により、正常データセットと異常データセットとを定義することが可能である。例えば、正常データセットは、所望の出力パラメータを生成する入力パラメータ３０２に関連する特性データを含んでもよい。他方、異常データセットは、公差外であり得るかまたは回避が必要であり得る任意の特性データを含むことが可能である。プロセッサ２０２によって、正常データセットと異常データセットとを予め定義し得る。

マハラノビス距離は、データセットのパラメータの相関関係に基づいてデータ分布を測定するために用いることが可能である数学的表現を指し得る。マハラノビス距離は、それがデータセットの相関関係を考慮するという点でユークリッド距離とは異なる。データセットＸ（例えば多変量ベクトル）のマハラノビス距離を次式として表すことが可能であり、
ＭＤ_ｉ＝（Ｘ_ｉ−μ_ｘ）Σ^−１（Ｘ_ｉ−μ_ｘ）’ （１）
ここで、μ_ｘはＸの平均値であり、およびΣ^−１はＸの逆分散共分散行列である。ＭＤ_ｉは、同一の多変量正常密度輪郭にある観測値が同一の距離を有するように、データ点Ｘ_ｉとその平均値のμ_ｘとの距離を重み付けする。このような観測値を用いて、異なる分散を有する別個のデータ群から相関パラメータを特定して選択することが可能である。

正常データセットと異常データセットとのマハラノビス距離が最大化または最適化されるように、プロセッサ２０２は入力パラメータ３０２を所望の入力変数サブセットとして選択し得る。マハラノビス距離を最大化する目的において、所望のサブセットの入力変数を検索するために、プロセッサ２０２によって遺伝的アルゴリズムを用いることが可能である。プロセッサ２０２は、所定の基準に基づいて入力変数の候補のサブセットを選択して、正常データセットのマハラノビス距離ＭＤ_{ｎｏｒｍａｌ}と異常データセットのマハラノビス距離ＭＤ_{ａｂｎｏｒｍａｌ}とを計算することが可能である。プロセッサ２０２は、正常データセットと異常データとのマハラノビス距離を計算することも可能である（すなわち、マハラノビス距離の偏差ＭＤ_ｘ＝ＭＤ_{ｎｏｒｍａｌ}−ＭＤ_{ａｂｎｏｒｍａｌ}）。しかし、他の種類の偏差を用いることも可能である。

遺伝的アルゴリズムが収束した（すなわち、遺伝的アルゴリズムが、候補のサブセットに対応する正常データセットと異常データセットとの最大化または最適化されたマハラノビス距離を求めた）場合、プロセッサ２０２は候補のサブセットの入力変数を選択し得る。遺伝的アルゴリズムが収束しなかった場合、さらなる検索のために、異なる候補のサブセットの入力変数を生成することが可能である。この検索プロセスは、遺伝的アルゴリズムが収束して、所望のサブセットの入力変数（例えば入力パラメータ３０２）が選択されるまで継続し得る。

場合により、上述したように、所望のマハラノビス距離を実現する一部のデータ記録を選択することによってデータ記録の数を低減するために、マハラノビス距離を用いることも可能である。

入力パラメータ３０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等）を選択した後に、プロセッサ２０２は、仮想センサプロセスモデル３０４を生成して、入力パラメータ３０２と出力パラメータ３０６との間の相互関係を構築し得る（ステップ４０８）。いくつかの実施形態では、仮想センサプロセスモデル３０４は、例えば、任意の適切な種類のニューラルネットワークで生成された計算モデル等の計算モデルに対応し得る。用いることが可能であるニューラルネットワーク計算モデルの種類は、バックプロパゲーション、フィードフォワードモデル、カスケード式ニューラルネットワークおよび／またはハイブリッドニューラルネットワーク等を含むことが可能である。用いられるニューラルネットワークの特定の種類または構造は特定のアプリケーションに依存し得る。線形システムモデルまたは非線形システムモデル等のような他の種類の計算モデルを用いることも可能である。

選択されたデータ記録を用いることによって、ニューラルネットワーク計算モデル（すなわち仮想センサプロセスモデル３０４）を訓練し得る。例えば、ニューラルネットワーク計算モデルは、出力パラメータ３０６（例えばＮＯ_ｘエミッションレベル等）と、入力パラメータ３０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等）との間の関係を含んでもよい。所定の基準に従って、ニューラルネットワーク計算モデルを評価して、訓練が完了したかどうかを決定することが可能である。前記基準は、所望の範囲の精度、時間および／または訓練反復数等を含み得る。

ニューラルネットワークが訓練された（すなわち、計算モデルが、最初に所定の基準に基づいて確立された）後に、プロセッサ２０２は計算モデルを統計的に検証することが可能である（ステップ４１０）。統計的検証は、ニューラルネットワーク計算モデルの出力と実際のまたは予想された出力とを比較して、計算モデルの精度を決定するための分析プロセスを指し得る。検証プロセスに用いるために、データ記録の一部を保存することが可能である。

あるいは、プロセッサ２０２はまた、検証プロセスに用いるためのシミュレーションデータまたは検証データを生成してもよい。このことは、検証サンプルとは独立してまたはそのサンプルと併せて実行されることが可能である。モデル化のために用いられるデータ記録から、入力の統計分布を決定し得る。ラテンハイパーキューブシミュレーション等の統計的シミュレーションを用いて、仮説入力データ記録を生成することが可能である。これらの入力データ記録は、計算モデルによって処理され、この結果、出力特性の１つ以上の分布が得られる。計算モデルからの出力特性の分布と、母集団で観察された出力特性の分布とを比較し得る。計算モデルの出力分布と、観察された出力分布とで統計的品質試験を行って、モデルの完全性を保証することが可能である。

訓練されて検証されると、入力パラメータ３０２の値が提供されたときに、仮想センサプロセスモデル３０４を用いて、出力パラメータ３０６の値を予測し得る。さらに、プロセッサ２０２は、入力パラメータ３０２と所望の分布の出力パラメータ３０６との間の関係に基づき所望の分布の入力パラメータ３０２を決定することによって、仮想センサプロセスモデル３０４を最適化し得る（ステップ４１２）。

プロセッサ２０２は、特定のアプリケーションに基づいて所望の分布の入力パラメータ３０２と所望の分布の出力パラメータ３０６との間の関係を分析することが可能である。例えば、プロセッサ２０２は、所望の範囲の出力パラメータ３０６（例えば、所望のまたはある所定の範囲内のＮＯ_ｘエミッションレベル）を選択してもよい。次に、プロセッサ２０２は、計算モデルのシミュレーションを実行して、個々の入力パラメータ（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等の１つ）の所望の統計分布を求めることが可能である。すなわち、プロセッサ２０２は、正常範囲の出力パラメータ３０６に対応する個々の入力パラメータの分布（例えば、平均値、標準偏差等）を別々に決定し得る。全ての個々の入力パラメータの個々の分布を決定した後に、プロセッサ２０２は、全ての個々の入力パラメータの所望の分布を合成して、全体の入力パラメータ３０２の所望の分布および特性を決定することが可能である。

あるいは、プロセッサ２０２は、所望の分布の入力パラメータ３０２を同時に特定して、所望の結果を得る可能性を最大化してもよい。いくつかの実施形態では、プロセッサ２０２は、ゼータ統計に基づいて所望の分布の入力パラメータ３０２を同時に決定することが可能である。ゼータ統計は、入力パラメータ間の関係、それらの値範囲、および所望の結果を示し得る。ゼータ統計は次式として表すことが可能であり、

ここで、

はｉ番目の入力の平均値または期待値を表しており、

はｊ番目の結果の平均値または期待値を表しており、σ_ｉはｉ番目の入力の標準偏差を表しており、σ_ｊはｊ番目の結果の標準偏差を表しており、および｜Ｓ_ｉｊ｜は、ｉ番目の入力に対するｊ番目の結果の部分導関数または部分感度を表している。

いくつかの状況下では、

はゼロ以下であってもよい。３σ_ｉの値を

に加えて、このような問題のある状態を補正することが可能である。しかし、３σ_ｉの値を加えた後でも、

が依然としてゼロに等しかった場合、プロセッサ２０２は、σ_ｉもゼロであってもよいことと、最適化に基づくプロセスモデルが望ましくない可能性があることを決定し得る。いくつかの実施形態では、プロセッサ２０２は、σ_ｉの最小しきい値を設定して、プロセスモデルの信頼性を保証することが可能である。いくつかの他の状況下では、σ_ｊはゼロに等しくてもよい。次に、プロセッサ２０２は、最適化されているモデルが、不確実性のある範囲内の出力パラメータを反映するには不十分である可能性があることを決定し得る。プロセッサ２０２は無限大数をζに割り当てることが可能である。

ニューラルネットワーク計算モデル（すなわち仮想センサプロセスモデル３０４）のゼータ統計が最大化または最適化されるように、プロセッサ２０２は所望の分布の入力パラメータ３０２を特定し得る。ゼータ統計を最大化する目的において、所望の分布の入力パラメータ３０２を検索するために、プロセッサ２０２によって適切な種類の遺伝的アルゴリズムを用いることが可能である。プロセッサ２０２は、所定の検索範囲で入力パラメータ３０２の値の候補セットを選択し、および仮想センサプロセスモデル３０４のシミュレーションを実行して、入力パラメータ３０２、出力パラメータ３０６およびニューラルネットワーク計算モデルに基づきゼータ統計パラメータを計算し得る。プロセッサ２０２は、入力パラメータ３０２の値の候補セットを分析することによって

とσ_ｉを得ることが可能であり、およびシミュレーションの結果を分析することによって

とσ_ｊを得ることが可能である。さらに、プロセッサ２０２は、ｊ番目の結果に対するｉ番目の入力の影響の指標として、訓練されたニューラルネットワークから｜Ｓ_ｉｊ｜を得ることが可能である。

遺伝的アルゴリズムが収束した（すなわち、遺伝的アルゴリズムが、入力パラメータ３０２の候補セットに対応する仮想センサプロセスモデル３０４の最大化または最適化されたゼータ統計を求めた）場合、プロセッサ２０２は候補の組の入力パラメータ３０２を選択し得る。遺伝的アルゴリズムが収束しなかった場合、さらなる検索のために、遺伝的アルゴリズムによって、入力パラメータ３０２の値の異なる候補セットを生成することが可能である。この検索プロセスは、遺伝的アルゴリズムが収束して、所望のセットの入力パラメータ３０２が特定されるまで継続し得る。さらに、プロセッサ２０２は、所望の入力パラメータセットに基づいて入力パラメータ３０２の所望の分布（例えば平均値および標準偏差）を決定し得る。所望の分布が決定されると、プロセッサ２０２は、所望の分布内の任意の入力パラメータを含み得る有効な入力空間を定義することが可能である（ステップ４１４）。

一実施形態では、いくつかの入力パラメータの統計分布は、制御が不可能または非実用的である場合がある。例えば、入力パラメータをエンジン部品の寸法属性等の装置の物理的属性に関連させてもよいか、または入力パラメータを仮想センサプロセスモデル３０４自体の中の一定の変数に関連させてもよい。これらの入力パラメータをゼータ統計計算に用いて、一定値に対応する他の入力パラメータの所望の分布および／またはこれらの入力パラメータの統計分布を検索または特定することが可能である。

さらに、選択的に、２つ以上の仮想センサプロセスモデルを確立し得る。統計的シミュレーション等の任意の適切な種類のシミュレーション方法を用いることによって、多数の確立された仮想センサプロセスモデルをシミュレートすることが可能である。これらの多数の仮想センサプロセスモデルのシミュレーションに基づく出力パラメータ３０６を比較して、対応する物理センサからの出力を有する最小分散等のような所定の基準に基づき、最も適合性の高い仮想センサプロセスモデルを選択し得る。選択された最も適合性の高い仮想センサプロセスモデル３０４を仮想センサ用途に展開することが可能である。

図１に戻ると、仮想センサプロセスモデル３０４が訓練され、検証され、最適化されおよび／または選択された後に、ＥＣＭ１２０および仮想センサシステム１３０は制御機能を作業機械１００の関連する構成部材に提供し得る。例えば、ＥＣＭ１２０は、仮想センサシステム１３０により、特に仮想センサプロセスモデル３０４により提供されたＮＯ_ｘエミッションレベルに従って、エンジン１１０を制御してもよい。

いくつかの実施形態では、仮想センサシステム１３０を使用して、対応する物理センサを交換することが可能である。例えば、仮想センサシステム１３０は、ＥＣＭ１２０によって使用される１つ以上のＮＯ_ｘエミッションセンサを交換してもよい。ＥＣＭ１２０は、仮想センサシステム１３０に基づいて制御プロセスを実行し得る。図５は、ＥＣＭ１２０によって実行される例示的な制御プロセスを示している。

図５に示されているように、ＥＣＭ１２０は、物理センサ１４０および／または１４２ならびにエンジン１１０を制御しおよび／または円滑に作動させて、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等のような関連するパラメータを測定することが可能である（ステップ５０２）。吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度が測定された後に、ＥＣＭ１２０はこれらの測定パラメータを仮想センサシステム１３０に提供し得る（ステップ５０４）。仮想センサシステム１３０がデータリンク１５０から測定パラメータを得ることが可能であるように、ＥＣＭ１２０は測定パラメータをデータリンク１５０に提供することが可能である。あるいは、仮想センサシステム１３０は、データリンク１５０からあるいは他の物理センサまたは装置からこれらの測定パラメータを直接読み取ってもよい。

上述したように、仮想センサシステム１３０は仮想センサプロセスモデル３０４を含む。仮想センサシステム１３０は、測定パラメータ（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等）を入力パラメータ３０２として仮想センサプロセスモデル３０４に提供し得る。次に、仮想センサプロセスモデル３０４はＮＯ_ｘエミッションレベル等の出力パラメータ３０６を提供し得る。

ＥＣＭ１２０は、データリンク１５０を介して仮想センサシステム１３０から出力パラメータ３０６（例えばＮＯ_ｘエミッションレベル）を得ることが可能である（ステップ５０６）。いくつかの状況では、ＥＣＭ１２０は出力パラメータ３０６のソースを認識しなくてもよい。すなわち、ＥＣＭ１２０は、出力パラメータ３０６が仮想センサシステム１３０からのまたは物理センサからのものであるかどうかを認識しなくてもよい。例えば、ＥＣＭ１２０は、このようなデータのソースを識別することなくデータリンク１５０からＮＯ_ｘエミッションレベルを得ることが可能である。ＥＣＭ１２０が仮想センサシステム１３０からＮＯ_ｘエミッションレベルを得た後に（ステップ５０６）、ＥＣＭ１２０は、ＮＯ_ｘエミッションレベルに基づいて作業機械１００のエンジン１１０および／または他の構成部材を制御し得る（ステップ５０８）。例えば、ＥＣＭ１２０は、いくつかのエミッション改善プロセスまたはエミッション最小化プロセスを実行してもよい。

いくつかの他の実施形態では、物理センサと組み合わせてまたは物理センサのバックアップとして、仮想センサシステム１３０を使用することが可能である。例えば、１つ以上のＮＯ_ｘエミッションセンサが故障した場合に、仮想センサシステム１３０を使用してもよい。ＥＣＭ１２０は、仮想センサシステム１３０と、対応する物理センサとに基づいて制御プロセスを実行し得る。図６は、ＥＣＭ１２０によって実行される他の例示的な制御プロセスを示している。

図６に示されているように、ＥＣＭ１２０は、物理センサ１４０および／または１４２ならびにエンジン１１０を制御しおよび／または円滑に作動させて、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度等のような関連するパラメータを測定することが可能である（ステップ６０２）。また、ＥＣＭ１２０はこれらの測定パラメータを仮想センサシステム１３０に提供することが可能である（ステップ６０４）。次に、仮想センサシステム１３０、特に仮想センサプロセスモデル３０４はＮＯ_ｘエミッションレベル等の出力パラメータ３０６を提供し得る。

さらに、ＥＣＭ１２０は、データリンク１５０を介して仮想センサシステム１３０から出力パラメータ（例えばＮＯ_ｘエミッションレベル）を得ることが可能である（ステップ６０６）。それに加えておよび／またはそれと同時に、ＥＣＭ１２０は、物理センサ１４２等の１つ以上の物理センサからＮＯ_ｘエミッションレベルを得ることも可能である（ステップ６０８）。ＥＣＭ１２０は物理センサの作動状態をチェックし得る（ステップ６１０）。ＥＣＭ１２０は、物理センサが故障したかどうかを決定するためにいくつかの論理装置を含むことが可能である。物理センサが故障した場合（ステップ６１０；Ｙｅｓ）、ＥＣＭ１２０は、仮想センサシステム１３０からＮＯ_ｘエミッションレベルを得て、仮想センサシステム１３０からのそのＮＯ_ｘエミッションレベルに基づき作業機械１００のエンジン１１０および／または他の構成部材を制御し得る（ステップ６１２）。

他方、物理センサが故障していない場合（ステップ６１０；Ｎｏ）、ＥＣＭ１２０は、物理センサからのＮＯ_ｘエミッションレベルを用いて、作業機械１００のエンジン１１０および／または他の構成部材を制御することが可能である（ステップ６１４）。あるいは、ＥＣＭ１２０は、仮想センサシステム１３０と物理センサとからＮＯ_ｘエミッションレベルを得て、それらのＮＯ_ｘエミッションレベル間に偏差があるかどうかを決定してもよい。偏差が所定のしきい値を超えた場合、ＥＣＭ１２０は、故障を知らせて仮想センサシステム１３０に切り換えるか、または仮想センサシステム１３０からのものでもなく、物理センサからのものでもない予め設定された値を用いることが可能である。

さらに、ＥＣＭ１２０は、物理センサ１４０と１４２で利用できない場合がある測定パラメータを得ることも可能である。例えば、仮想センサシステム１３０は、ある地理的領域（例えばコロラド（Ｃｏｌｏｒａｄｏ）州等）の酸素密度と宇宙衛星データおよび気象データとの相互関係を示すプロセスモデルを含んでもよい。すなわち、仮想センサシステム１３０は、他の状態において物理センサで利用できない場合がある酸素密度等の測定パラメータをＥＣＭ１２０に提供することが可能である。

開示されるシステムおよび方法は、他の仮想検出技術よりも実質的に短い時間で、効率的かつ正確な仮想センサプロセスモデルを提供し得る。このような技術は、エンジン、構造、環境および材料等のためのセンサ等の広範囲の仮想センサに用いることが可能である。特に、開示されるシステムおよび方法は、計算の複雑さおよび制限によって、他の技術を用いたプロセスモデルの構築が困難であった場合に、実用的な解決方法を提供する。入力パラメータが同時に最適化されて出力パラメータを導出したときに、計算を最小限に抑えることが可能である。他のプロセスモデル化技術と組み合わせて、開示されるシステムおよび方法を用いて、速度、実用性および／または柔軟性を著しく向上させ得る。

さらに、開示されるシステムおよび方法は柔軟な解決方法を提供し得る。開示される仮想センサシステムを対応する物理センサと交互に用いることが可能である。仮想センサおよび物理センサの両方に共通のデータリンクを用いることによって、仮想センサシステムが代わりとなる同一の物理センサで、仮想センサシステムの仮想センサモデルを訓練し得る。制御システムは、いずれのデータソースかを識別することなく、仮想センサシステムまたは物理センサに基づいて作動することが可能である。

開示される仮想センサシステムは、物理センサに代わって使用されることが可能であり、また別個におよび物理センサとは独立して作動することが可能である。開示される仮想センサシステムを用いて、物理センサをバックアップし得る。さらに、仮想センサシステムは、検出環境の外部からのデータ等の、１つの物理センサからは利用できないパラメータを提供することが可能である。

コストを低減するために、そして高価なまたは故障しやすい物理センサを交換することによって信頼性を向上させるために、作業機械の製造業者が、開示されるシステムおよび方法を用いることも可能である。開示される仮想センサシステムを介して予備検出リソースを加えることにより、信頼性および柔軟性を向上させることも可能である。開示される仮想センサ技術を用いて、エミッション、エンジン、変速機、ナビゲーションおよび／または制御等のような、構成部材の広範囲のパラメータを提供し得る。さらに、コンピュータシステム提供者が、開示されるシステムの一部または開示される方法のステップを用いて、他のプロセスモデルを促進または統合することも可能である。

開示される例示的なシステムの他の実施形態、特徴、形態および原理が、当業者には明らかであり、また種々の環境およびシステムで実現されることが可能である。

開示されるいくつかの実施形態による特徴および原理を組み込み得る例示的な作業機械の図面を示す。開示されるいくつかの実施形態による例示的な仮想センサシステムのブロック図を示す。開示されるいくつかの実施形態による例示的な仮想センサシステムの論理ブロック図を示す。開示されるいくつかの実施形態による例示的な仮想センサモデルの生成プロセスおよび最適化プロセスのフローチャート図を示す。開示されるいくつかの実施形態による例示的な制御プロセスのフローチャート図を示す。開示されるいくつかの実施形態による他の例示的な制御プロセスのフローチャート図を示す。

Claims

仮想センサシステム用の方法であって、
複数の検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサプロセスモデルを確立するステップであって、
１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得るステップ、
１つ以上の入力変数から複数の測定パラメータを選択するステップ、
複数の測定パラメータと複数の検出パラメータとの間の相互関係を示す計算モデルを生成するステップ、
計算モデルの複数の測定パラメータの所望の統計分布を決定するステップ、及び、
所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義するステップ
を含む、ステップ、
複数の測定パラメータに対応する一組の値を得るステップ、
複数の測定パラメータに対応する一組の値と仮想センサプロセスモデルとに基づいて、複数の検出パラメータの値を同時に計算するステップ、並びに、
複数の検出パラメータの値を制御システムに提供するステップ
を含む方法。
選択するステップが、
データ記録を前処理するステップと、
遺伝的アルゴリズムを用いて、データ記録の正常データセットと異常データセットとの間のマハラノビス距離に基づき、１つ以上の入力変数から複数の測定パラメータを選択するステップと、
をさらに含む請求項１に記載の方法。
決定するステップが、
遺伝的アルゴリズムを用いて、最大ゼータ統計を有する測定パラメータの候補のセットを決定するステップと、
候補のセットに基づいて測定パラメータの所望の分布を決定するステップと、
をさらに含み、
ゼータ統計ζが次式で表され、

ここで、

がｉ番目の入力の平均値を表しており、

がｊ番目の出力の平均値を表しており、σ_ｉがｉ番目の入力の標準偏差を表しており、σ_ｊがｊ番目の出力の標準偏差を表しており、また｜Ｓ_ｉｊ｜が、計算モデルのｉ番目の入力に対するｊ番目の出力の感度を表している請求項１に記載の方法。
提供するステップが、
物理センサから複数の検出パラメータの値を別々に得るステップと、
物理センサが故障したかを決定するステップと、
複数の検出パラメータの値を仮想センサプロセスモデルから制御システムに提供するステップと、
を含む請求項１に記載の方法。
複数の検出パラメータがＮＯ_ｘエミッションレベルを含む請求項１に記載の方法。
複数の測定パラメータが、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比およびエンジン速度を含む請求項１に記載の方法。
機械であって、
機械に動力を供給するように構成された動力源と、
動力源を制御するように構成された制御システムと、
複数の検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサプロセスモデルを含む仮想センサシステムであって、
複数の測定パラメータに対応する一組の値を得るように、
複数の測定パラメータに対応する一組の値と仮想センサプロセスモデルとに基づいて複数の検出パラメータの値を同時に計算するように、及び、
複数の検出パラメータの値を制御システムに提供するように構成された仮想センサシステムと、
を備え、仮想センサプロセスモデルが、
１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得ることによって、
１つ以上の入力変数から複数の測定パラメータを選択することによって、
複数の測定パラメータと複数の検出パラメータとの間の相互関係を示す計算モデルを生成することによって、
計算モデルの複数の測定パラメータの所望の統計分布を決定することによって、及び、
所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義することによって確立され、
制御システムが、複数の検出パラメータの値に基づいて動力源を制御する機械。
制御システムと仮想センサシステムとの間のデータリンクであって、仮想センサシステムが、データリンクを介して複数の検出パラメータの値を制御システムに提供するデータリンクと、
データリンクを介して、対応する複数の検出パラメータの値を制御システムに別々に提供するように構成された１つ以上の物理センサと、
をさらに含み、
制御システムが、
１つ以上の物理センサが故障したかを決定するように、及び、
仮想センサシステムからの複数の検出パラメータの値に基づいて動力源を制御するようにさらに構成される請求項７に記載の機械。
仮想センサプロセスモデルを確立するためのコンピュータシステムにおいて、
仮想センサプロセスモデルに関連する情報をストアするように構成されたデータベース、及び、プロセッサを備え、
該プロセッサが、
１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得るように、
１つ以上の入力変数から複数の測定パラメータを選択するように、
複数の測定パラメータと複数の検出パラメータとの間の相互関係を示す計算モデルを生成するように、
計算モデルの複数の測定パラメータの所望の統計分布を決定するように、及び、
所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義するように構成されたコンピュータシステム。
仮想センサプロセスモデルを確立するためのコンピュータシステムに使用されるコンピュータ可読記憶媒体であってコンピュータ実行可能命令を有するコンピュータ可読記憶媒体において、該コンピュータ実行可能命令が実行されたときに該コンピュータシステムに、
１つ以上の入力変数と複数の検出パラメータとに関連するデータ記録を得るステップと、
１つ以上の入力変数から複数の測定パラメータを選択するステップと、
複数の測定パラメータと複数の検出パラメータとの間の相互関係を示す計算モデルを生成するステップと、
計算モデルの複数の測定パラメータの所望の統計分布を決定するステップと、
所望の統計分布に基づき複数の測定パラメータを再較正して、所望の入力空間を定義するステップと、
仮想センサプロセスモデルに、制御システムにおいて制御機能を提供するための所望の入力空間を提供するステップと、
を含む方法を実施させるコンピュータ可読記憶媒体。