WO2023008547A1 - 車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム - Google Patents

車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム Download PDF

Info

Publication number
WO2023008547A1
WO2023008547A1 PCT/JP2022/029238 JP2022029238W WO2023008547A1 WO 2023008547 A1 WO2023008547 A1 WO 2023008547A1 JP 2022029238 W JP2022029238 W JP 2022029238W WO 2023008547 A1 WO2023008547 A1 WO 2023008547A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
vehicle
vehicle element
response
input
Prior art date
Application number
PCT/JP2022/029238
Other languages
English (en)
French (fr)
Inventor
邦夫 田畑
フィリップ ロバーツ
ルーク ベイツ
スティーブ ウィーラン
Original Assignee
株式会社堀場製作所
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 株式会社堀場製作所 filed Critical 株式会社堀場製作所
Priority to EP22849607.1A priority Critical patent/EP4379344A1/en
Priority to CN202280053174.7A priority patent/CN117730242A/zh
Priority to JP2023538632A priority patent/JPWO2023008547A1/ja
Publication of WO2023008547A1 publication Critical patent/WO2023008547A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
    • G01M15/106—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases using pressure sensors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0432—Temperature; Ambient temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence

Definitions

  • the present invention relates to a vehicle element response learning method, a vehicle element response calculation method, a vehicle element response learning system, a vehicle element response learning device, and a vehicle element response learning program.
  • a transient exhaust gas model is created by machine learning. Then, in order to create a transient exhaust gas model, training data is acquired using ECU parameters related to engine combustion as input parameters.
  • ECU parameters for example, ignition timing (Ignition timing), opening and closing timing of valves for intake and exhaust of the engine (Valve timing), etc. are used.
  • Non-Patent Documents 1 and 2 disclose a method of creating a transient exhaust gas model, they do not disclose anything about creating a transient exhaust gas model that takes into account the driving environment of actual road driving. .
  • it is necessary to link it to other input parameters (vehicle speed, accelerator opening, altitude, outside temperature, etc.) according to the on-road environment. Further effort is required to improve the prediction accuracy in the driving simulation.
  • the ECU parameters include ignition timing in the engine, opening and closing timing of valves for intake and exhaust of the engine (valve timing), and the like. These parameters can only be accessed by limited engineers such as OEMs or Tier 1 (primary contractors), and in order to grasp in advance the impact on the engine when these parameters change dynamically, It is necessary to carry out repeated confirmatory tests and perform multivariate analysis of huge amounts of data. Furthermore, if the set value, combination, or timing of the parameter to be changed is incorrect, it may damage the engine. In this way, the actual situation is that only a limited number of engineers who have access to control devices such as ECUs are able to create transient exhaust gas models using Dynamic DoE.
  • the present invention has been devised to solve the above-mentioned problems, and its main object is to accurately obtain response data of vehicle elements under a desired driving environment by simulation without running on an actual road. be.
  • the vehicle element response learning method is a vehicle element response learning method for generating a learned model regarding the response of a vehicle element that is a vehicle or a part of the vehicle, and includes vehicle speed, load, and temperature assuming actual road driving.
  • an input step of providing the vehicle element with an input including a parameter associated with the vehicle element an obtaining step of obtaining response data of the vehicle element and obtaining input data indicating the input and the response data as training data; generating a learned model for the response of the vehicle element using machine learning from
  • each parameter is varied within respective variation ranges of the vehicle speed, the load, the temperature and the air pressure, and an input that is a combination thereof is provided to the vehicle element. is desirable.
  • the variable range of the temperature and the air pressure is divided into a plurality of blocks, and divided inputs obtained by dynamically varying the temperature and the air pressure in the divided blocks are provided to the vehicle element, and the obtaining Preferably, the step obtains response data of the vehicle element to which the divided input is given, and obtains divided input data indicating the divided input and the response data as divided training data.
  • the input step provides the vehicle element with an input in which the temperature and the air pressure are dynamically varied at boundaries between the divided blocks. is desirable.
  • an environment variation device connected to the vehicle element to vary the temperature and pressure, or an environment variation chamber containing the vehicle element to vary the temperature and pressure. , it is desirable to vary said temperature and said atmospheric pressure.
  • the input step uses Design of Experiments (DoE) to generate a dynamic experimental plan consisting of combinations of the parameters.
  • DoE Design of Experiments
  • the response data when the vehicle element is a vehicle or a part thereof including at least an engine, the response data is exhaust gas data, and the vehicle element includes at least a secondary battery.
  • the response data is electricity consumption data, current data, voltage data, SOC data and/or battery temperature data (eg cell temperature data or module temperature data, etc.), and the vehicle element is
  • the response data is desirably hydrogen consumption data, oxygen consumption data, generated current data, generated voltage data and/or battery temperature data.
  • the exhaust gas data is measured using an exhaust gas analyzer, and the electricity consumption data, the current data, the voltage data, the SOC data or the temperature data are measured using a power consumption meter, an ammeter , the hydrogen consumption data, oxygen consumption data, power generation current data, power generation voltage data or battery temperature data are measured using a voltmeter or thermometer, and the hydrogen meter, oxygen meter, ammeter, voltmeter or thermometer is considered to be measured using
  • the parameter related to the vehicle speed or the load is charging current and/or discharging current.
  • the temperature-related parameter is the ambient temperature of the secondary battery
  • the vehicle speed or the load-related parameter is It is conceivable that the temperature-related parameter, hydrogen supply, oxygen supply and/or water supply, is the ambient temperature of the fuel cell.
  • the vehicle element response calculation method is characterized by calculating the response data of the vehicle element in actual road driving using the learned model generated by the vehicle element response learning method described above. Specifically, in the vehicle element response calculation method, the learned model and an output parameter (vehicle speed, load, temperature, or pressure) generated from a model capable of performing an actual road driving simulation (such as IPG CarMaker) are used. is used to calculate the response data of the vehicle element in actual road running. With such a system, response data of vehicle elements under a desired driving environment can be acquired by simulation without running on an actual road.
  • a model capable of performing an actual road driving simulation such as IPG CarMaker
  • a vehicle element response learning system is a vehicle element response learning system that generates a learned model regarding the response of a vehicle element that is a vehicle or a part of the vehicle, and includes vehicle speed, load, and an input unit that provides an input including a parameter related to temperature to the vehicle element; an acquisition unit that acquires response data of the vehicle element and acquires input data indicating the input and the response data as training data; a generating unit that generates a learned model regarding the response of the vehicle element using machine learning from training data.
  • the input unit has a dynamometer that applies a load to the vehicle element, and a test chamber that accommodates the vehicle element, and an environment variation device that changes at least the temperature of the test chamber, or the vehicle element. It is desirable to have an environmental variation device connected to to vary at least the temperature.
  • a vehicle element response generation program is a vehicle element response generation program for generating a learned model relating to the response of a vehicle element that is a vehicle or a part thereof, and is a program for generating an actual road to be given to the vehicle element.
  • An input data creation unit that creates input data indicating inputs including parameters related to vehicle speed, load, and temperature assuming running, and a response data of the vehicle element that is obtained and uses the input data and the response data as training data.
  • the computer functions as an acquisition unit that acquires and a generation unit that generates a learned model regarding the response of the vehicle element using a statistical method or machine learning from the training data.
  • FIG. 1 is a diagram schematically showing the configuration of a vehicle element response learning system according to one embodiment of the present invention
  • FIG. It is a figure (left figure) which shows the block of the temperature and atmospheric pressure (altitude) of the same embodiment, and a figure (right figure) which shows the combination of a vehicle speed (engine speed) and load (accelerator pedal position).
  • FIG. 4 is a schematic diagram showing the flow from generation of an exhaust gas model to simulation in the same embodiment. It is a figure which shows typically the structure of the simulation apparatus of the same embodiment. It is a simulation result of CO 2 emissions in actual driving using the exhaust gas model of the same embodiment.
  • FIG. 1 shows an example of exhaust gas density
  • (a) A diagram showing a test system that generates a learned model regarding the response of an actual battery (secondary battery), (b) a flow chart for generating a battery model, and (c) a simulation using a battery model in a modified embodiment. It is a schematic diagram. It is a simulation result of SOC during or after actual running using the battery model of the modified embodiment.
  • (a) A diagram showing a test system for generating a trained model regarding the response of a fuel cell, (b) a flow chart for generating a fuel cell model, and (c) a schematic diagram of a simulation using a fuel cell model in a modified embodiment. be.
  • a vehicle element response learning system according to one embodiment of the present invention will be described below with reference to the drawings.
  • the vehicle element response learning system 100 of this embodiment generates a learned model regarding the response of a vehicle element that is an actual vehicle or a part thereof.
  • This trained model is used by simulation to calculate, for example, exhaust gas data or electricity consumption data of vehicle elements for a road test that complies with regulations.
  • the legally compliant on-road test is, for example, the on-road exhaust gas test (RDE (Real Driving Emission) test) introduced in countries such as Europe.
  • the generated trained model can be used to calculate exhaust gas data or electricity consumption data of vehicle elements for road driving tests in the development stage of vehicle elements, in addition to road driving tests that comply with regulations.
  • the vehicle element response learning system 100 has (1) an input unit 2, (2) an acquisition unit 3, and (3) a generation unit 4, as shown in FIG.
  • the vehicle element is the actual engine
  • the response data is exhaust gas data from the actual engine.
  • An input unit 2 that provides an actual engine with an input including parameters related to engine speed, load, temperature and atmospheric pressure as a vehicle speed assuming actual road travel.
  • An acquisition unit 3 that acquires exhaust gas data of an actual engine and acquires input data indicating input and exhaust gas data as training data.
  • a generation unit 4 that generates a learned model (exhaust gas model) regarding exhaust gas of an actual engine using machine learning (including statistical methods) from training data.
  • the input unit 2 provides an input consisting of a combination of engine speed, load, temperature and air pressure to the actual engine E, which is a vehicle element, and creates input data representing the input as a combination of parameters. and an input facility 22 for giving input to the actual engine E based on the combination of parameters determined by the input data creating section 21 .
  • the input data generation unit 21 is composed of the control device 5.
  • the control device 5 is a computer including a CPU, an internal memory, an input/output interface, input means such as a keyboard, output means such as a display, and communication means.
  • the control device 5 functions as a vehicle element response learning device according to a vehicle element response learning program stored in the internal memory.
  • the input data creation unit 21 uses dynamic design of experiments (DoE) to dynamically vary each parameter in each variation range of engine speed, load, temperature, and atmospheric pressure, and creates a combination of each parameter. decide.
  • DoE dynamic design of experiments
  • the vehicle speed or the speed of the output shaft of the transmission may be used as a parameter.
  • the load is the accelerator opening (accelerator pedal position) and the like.
  • the input data creation unit 21 may use environmental factors other than temperature and atmospheric pressure as parameters.
  • the input data creation unit 21 of the present embodiment divides the variation range of temperature and atmospheric pressure into a plurality of blocks, and dynamically varies the temperature and atmospheric pressure in each of the plurality of divided blocks. determine the combination.
  • the left diagram of FIG. 2 shows an example in which the variation range of temperature and atmospheric pressure is divided into 12 regions.
  • the horizontal axis is temperature
  • the vertical axis is altitude (atmospheric pressure).
  • the right diagram of FIG. 2 shows combinations of engine speed (engine speed) and accelerator pedal position.
  • the horizontal axis is the engine speed (engine speed)
  • the vertical axis is the accelerator pedal position.
  • the input data generation unit 21 dynamically calculates the temperature and atmospheric pressure for each divided block shown in the left diagram of FIG. , and the divided input to be given to the actual engine E is determined.
  • the input equipment 22 includes a dynamometer 22a connected to the actual engine E, an engine speed input section 22b for inputting engine speed data to a dynamometer control device 22a1 of the dynamometer 22a, and an engine control unit for the actual engine E.
  • Accelerator opening degree input unit 22c for inputting accelerator opening degree data to (ECU); and an environmental factor input unit 22e for inputting atmospheric pressure data.
  • an environment change device connected to the real engine E to change the temperature and pressure inside the real engine E may be used.
  • the engine dynamometer 22a rotates the actual engine E to a predetermined engine speed based on the engine speed data input by the engine speed input unit 22b.
  • the engine speed input unit 22b whose function is exhibited by the dynamometer control device, inputs the engine speed data included in the combination determined by the input data creation unit 21 to the engine dynamometer 22a. be.
  • the function of the accelerator opening input unit 22c is exhibited by the control device 5, and the load data (accelerator opening data) included in the combination determined by the input data creating unit 21 is sent to the ECU of the actual engine E. is to be entered.
  • the environment variation device 22d includes a test chamber 22d1 that houses the actual engine E, and a temperature/pressure variation device 22d2 that is connected to the actual engine E housed in the test chamber 22d1 and changes the temperature and pressure of the actual engine E. have.
  • the temperature/pressure variation device 22d2 varies the temperature and pressure of the test chamber 22d1 based on the temperature data and pressure data input from the environmental factor input section 22e.
  • the environmental factor input section 22e whose function is exhibited by the control device 5, inputs the temperature data and atmospheric pressure data included in the combination determined by the input data creation section 21 to the temperature/pressure fluctuation device 22d2. be.
  • the input data creation unit 21 divides the variation range of temperature and atmospheric pressure into a plurality of blocks, and determines a combination (divided input) in which the temperature and atmospheric pressure are dynamically varied in the divided blocks,
  • the input equipment 22 described above gives an input to the actual engine E for each divided input.
  • the acquisition unit 3 acquires the exhaust gas data of the actual engine E input by the input equipment 22 described above, and the input data indicating the input given to the actual engine E and the exhaust gas analyzer 31. and a training data acquisition unit 32 that acquires the obtained exhaust gas data as training data (learning data set).
  • the exhaust gas analyzer 31 analyzes carbon dioxide (CO 2 ), carbon monoxide (CO), particulate matter (PM), particulate matter number (PN), ammonia (NH 3 ) in the exhaust gas emitted from the actual engine E. , dinitrogen monoxide ( N2O), nitrogen oxides (NOx), formaldehyde (HCHO) and/or total hydrocarbons (THC).
  • the exhaust gas data measured by this exhaust gas analyzer 33 is transmitted to the training data acquisition section 32 .
  • the training data acquisition unit 32 whose function is exhibited by the control device 5, acquires the exhaust gas data transmitted from the exhaust gas analyzer 31, and is given to the actual engine E when the exhaust gas data is acquired. Gets the input data that indicates the input that was entered. Then, the training data acquisition unit 32 associates the exhaust gas data and the input data to obtain training data. Also, the training data acquisition unit 32 transmits the training data to the generation unit 4 .
  • the input data creation unit 21 divides the variation range of temperature and atmospheric pressure into a plurality of blocks, and determines a combination (divided input) in which the temperature and atmospheric pressure are dynamically varied in the divided blocks,
  • the training data acquisition unit 32 also acquires training data (divided training data) for each divided block.
  • the generation unit 4 whose function is exhibited by the control device 5, uses machine learning such as a neural network (NN) from training data (here, divided training data) to learn about the exhaust gas of the actual engine. Generate a model (exhaust gas model).
  • machine learning in this embodiment is a concept that includes, for example, statistical techniques such as multiple regression analysis, deep learning, and artificial intelligence.
  • the generation unit 4 of the present embodiment can also generate a learned model (exhaust gas model) for each divided block using training data for each divided block, or can generate training data for each divided block. can also be combined to generate a trained model (exhaust gas model) over the entire range of temperature and atmospheric pressure fluctuations.
  • This vehicle element response learning method comprises, as shown in FIG. and acquiring input data indicating the input and exhaust gas data as training data, and a generating step of generating a learned model (exhaust gas model) regarding the exhaust gas of the actual engine E using machine learning from the training data. S3.
  • the input data creation unit 21 calculates the temperature and atmospheric pressure for each block in which the fluctuation range of the temperature and atmospheric pressure is divided into a plurality of blocks using the dynamic design of experiments (DoE). A dynamically varied split input is determined.
  • DoE dynamic design of experiments
  • An example of the transient test sequence created by the input data creating section 21 is shown in "Dynamic Test Design" in FIG.
  • the input device 22 inputs the divided inputs determined by the input data creation unit 21 to the real engine (see “Dynamic Test" in FIG. 4).
  • the acquisition step S2 acquires the exhaust gas data of the actual engine E each time each combination is input to the actual engine E. Then, the training data acquisition unit 32 acquires divided training data together with the input data when acquiring the exhaust gas data.
  • an exhaust gas model of the actual engine E is generated using machine learning from training data or divided training data.
  • An example of exhaust gas modeling is shown in "Dynamic Modeling" in FIG.
  • the generated learned model (exhaust gas model) is stored in the memory of the control device 5 .
  • the simulation device 200 uses a driving environment model that models a driving environment, a driving mode model that models a driving mode, a vehicle model that models an actual vehicle, and a generated learned model (exhaust gas model),
  • This is a computer that simulates a road running test and includes a CPU, an internal memory, an input/output interface, input means such as a keyboard, output means such as a display, and communication means.
  • This simulation device 200 includes a relational data storage unit 201 that stores each model, and a simulation unit 202 that simulates driving in accordance with the RDE test.
  • the driving environment model stored in the relational data storage unit 201 is a model that quantifies the driving route, the road surface resistance of the driving route, signs, temperature and humidity, the altitude of the driving route, the degree of congestion (traffic volume) on the driving route, and the like. be.
  • the driving mode model stored in the relational data storage unit 201 is, for example, Dynamics (workload), Energy Efficiency (energy efficiency), and Nervousness It is a model that quantifies (degree of tension).
  • the driving mode model includes the following parameters listed in "CarMaker", for example.
  • Dynamics parameters Cruising speed[km/h], Corner cutting coefficient[-], dt Change of pedals[s], Max. Long Acceleration[m/s 2 ], Max. Long Dceleration[m/s 2 ], Max Lat Acceleration[m/s 2 ], Exponent of gg Diagram[-], Time of Shifting[s], Engine Speeds min/mas[rpm], Engine Speeds idle up/acc. Down[rpm], Long Smooth Throttle Limit [-] Energy Efficiency parameters: Min. dt Accel/Decel[s], Long Drag Torque Braking[-], Long Drive Cycle Tol[-], Long drive Cycle Coef[-] Nervousness parameters: Long SDV Random[-], Long SDV Random f[-]
  • the vehicle model stored in the relational data storage unit 201 has at least an engine model that quantifies the engine, and includes the actual vehicle type (truck, passenger car, etc.), weight, transmission type (MT, AT, CVT, etc.). etc.), tire diameter, gear ratio, engine characteristics (relationship between throttle opening and rotation speed and output torque, etc.), ECU control characteristics (relationship between accelerator opening and throttle opening, etc.), TCU control characteristics ( It is a model of vehicle information such as gear ratio change conditions and timing), or BCU control characteristics (distribution of braking force to each wheel, etc.).
  • Each of these models is stored in the relational data storage unit 201 in advance.
  • the simulation unit 202 Based on each model stored in the relational data storage unit 201, the simulation unit 202, for example, as a road running test conforming to the RDE test, the MAW (Moving Averaging Window) method or the Power Binning method emission test results are predetermined It simulates running within the range.
  • the MAW Moving Averaging Window
  • the Power Binning method emission test results are predetermined It simulates running within the range.
  • the simulation unit 202 simulates the emission amount of each exhaust gas component contained in the exhaust gas emitted when the vehicle travels, based on the learned model (exhaust gas model) stored in the relational data storage unit 21. It is.
  • the exhaust gas model may be stored in the simulation section 202 .
  • an example of the emission amount simulation result is shown in "Emission Prediction" in FIG.
  • each model (including the exhaust gas model) stored in the relational data storage unit 201 is used to simultaneously simulate the emission amount of each exhaust gas component.
  • each model (excluding the exhaust gas model) stored in the relational data storage unit 201 may be used to simulate a road test, and based on various parameters obtained by the simulation and the exhaust gas model, each exhaust gas You may simulate the discharge
  • the actual engine E is given an input with the parameters of the vehicle speed, load, temperature, and air pressure assuming actual road running, and the exhaust gas data obtained thereby is obtained.
  • machine learning from training data consisting of input data indicating inputs given to the engine E and exhaust gas data, it is possible to generate a trained model regarding the exhaust gas of the actual engine E.
  • the learned model it is possible to obtain the response data of the vehicle elements under the desired driving environment through simulation without actually driving the vehicle.
  • control parameters such as ECU parameters related to engine combustion
  • the vehicle element in the above embodiment was the actual engine, it may be a part of the actual vehicle including the actual engine.
  • a chassis dynamometer, a vehicle driving system testing device, or the like may be used to generate a trained model for the response of an actual vehicle.
  • the vehicle elements in the input step of the above embodiment, it is also possible to provide the vehicle elements with an input in which the temperature and air pressure are dynamically varied at the boundaries between the divided blocks.
  • response data in the above embodiment is exhaust gas data, it may be temperature data of an exhaust gas purifying catalyst, exhaust gas temperature data, flow rate data or pressure data.
  • the vehicle element response learning system 100 uses exhaust gas data as response data to generate an engine-out exhaust gas model, and also uses exhaust gas temperature data or exhaust gas purifying catalyst temperature data as response data. is used to generate an exhaust gas temperature model or a catalyst temperature model. Then, the simulation device 200 uses the engine-out exhaust gas model, the exhaust gas temperature model or the catalyst temperature model, and the conversion efficiency model of exhaust post-treatment to obtain exhaust gas data emitted from the tail pipe (exhaust pipe). It can also be predicted.
  • the conversion efficiency model is a model of the conversion efficiency depending on the temperature of the exhaust gas purifying catalyst, for example.
  • the vehicle element response learning system 100 provides vehicle elements with input data including parameters related to vehicle speed, load and/or temperature during emission model generation, and exhaust gas data (e.g., NOx, CO, CO2, THC and/or Alternatively, exhaust gas concentration such as NH3, exhaust gas flow rate and/or exhaust gas emission amount) is output as response data. Then, machine learning is performed on the input data and the response data to acquire learned data of an exhaust gas model (for example, models of NOx, CO, CO2, THC and/or NH3, etc.).
  • exhaust gas data e.g., NOx, CO, CO2, THC and/or Alternatively, exhaust gas concentration such as NH3, exhaust gas flow rate and/or exhaust gas emission amount
  • machine learning is performed on the input data and the response data to acquire learned data of an exhaust gas model (for example, models of NOx, CO, CO2, THC and/or NH3, etc.).
  • the vehicle element response learning system 100 when creating the exhaust gas temperature model, provides input data including vehicle speed, load, temperature-related parameters, and/or exhaust gas data to the vehicle elements to obtain the exhaust gas temperature and/or the exhaust gas catalyst. Get temperature as response data. Then, the input data and the response data are machine-learned to create a learned model of the exhaust gas temperature model. Further, when the exhaust aftertreatment conversion efficiency model is created, the vehicle element response learning system 100 provides exhaust gas data and input data including parameters related to the exhaust gas temperature and/or the exhaust gas catalyst temperature to the vehicle elements to generate the exhaust gas data. Acquired as response data. Then, the input data and the response data are machine-learned to create a learned model of the exhaust aftertreatment conversion model.
  • the vehicle element of the embodiment may be a hybrid vehicle or a part thereof in which the engine and the battery work together.
  • the present invention can be applied not only to engine vehicles or hybrid vehicles, but also to electric vehicles (EV) or fuel cell vehicles (FCV).
  • EV electric vehicles
  • FCV fuel cell vehicles
  • the response data acquired by the acquisition unit 3 may be electricity consumption data, current data, voltage data, SOC (State of Charge) data, or battery temperature. data.
  • electricity consumption data or SOC data can be measured using a power consumption meter.
  • Current data or voltage data can be measured using an ammeter or a voltmeter, respectively.
  • the battery temperature data is the temperature data of the cells that make up the actual battery or the temperature of a module or battery pack consisting of a plurality of cells, and can be measured using a thermometer.
  • the response data of the actual battery may be SOH (State of Health) data.
  • these data may be values that can be obtained from a vehicle-mounted system (ECU (Electric Control System), BMS (Battery Management System), and/or VU (Vehicle Control System).
  • FIG. 8(a) shows a test system that generates a trained model for the response of an actual battery (secondary battery). Also, FIG. 8B shows a flow chart for generating a battery model. Furthermore, FIG. 8(c) shows a schematic diagram of a simulation using a battery model.
  • the test system that generates the battery model includes, as the input equipment 22, real batteries (real battery packs, real battery modules or real battery It has a charging/discharging device 22f that charges or discharges the cell). Then, the test system generates a battery model by charging or discharging the actual battery with this charging/discharging device 22f.
  • the input data creation unit 21 of the input unit 2 determines the combination of parameters using dynamic design of experiments (DoE) as in the above embodiment. (“Dynamic Test Plan”).
  • DoE dynamic design of experiments
  • each parameter is a parameter related to vehicle speed, load and temperature assuming actual road running. It becomes the ambient temperature of the battery.
  • the training data acquisition unit 32 of the acquisition unit 3 acquires the input data indicating the input given to the real battery and the response data of the real battery as training data (learning data set) (“dynamic test execution”).
  • training data learning data set
  • dynamic test execution a response data of the actual battery
  • SOC data current data, voltage data, cell temperature data and/or module temperature data
  • the generating unit 4 generates a battery model of the actual battery using the training data obtained by the above “dynamic test execution” ("modeling").
  • the battery model thus obtained is used by the simulation device 200 for the simulation of the road test.
  • the simulation device 200 includes a driving mode model (driver model) that models a driving mode, a vehicle model that models an actual vehicle, and charging/discharging an actual battery according to vehicle speed and load.
  • driver model driving mode model
  • vehicle model that models an actual vehicle
  • charging/discharging an actual battery according to vehicle speed and load A road test is simulated using a PCU model that models a power control unit (PCU) to be controlled and/or a generated trained model (battery model).
  • PCU power control unit
  • battery model battery model
  • the response data acquired by the acquiring unit 3 includes hydrogen consumption data, oxygen consumption data, generated current data, generated voltage data and/or battery temperature data.
  • the hydrogen consumption data can be measured using a hydrogen meter
  • the oxygen consumption data can be measured using an oxygen meter.
  • Generated current data or generated voltage data can be measured using an ammeter or a voltmeter, respectively.
  • the battery temperature data is the temperature data of the fuel cell, the temperature data of the fuel cells constituting the fuel cell, or the temperature data of the stack consisting of a plurality of cells, and can be measured using a thermometer.
  • FIG. 10(a) shows a test system that generates a trained model for fuel cell response.
  • FIG. 10(b) shows a flow chart for generating a fuel cell model.
  • FIG. 10(c) shows a schematic diagram of a simulation using a fuel cell model.
  • the test system for generating the fuel cell model includes, as the input equipment 22, for example, a hydrogen supply device for supplying hydrogen to the fuel cell housed in the test chamber 22d1 of the environmental change device 22d. 22g, an oxygen supply device 22h for supplying oxygen (atmosphere), and a water supply device 22i for supplying water.
  • a fuel cell model is generated by supplying hydrogen, oxygen and water to the fuel cell from the hydrogen supply device 22g, the oxygen supply device 22h and the water supply device 22i.
  • the input data creation unit 21 of the input unit 2 uses dynamic design of experiments (DoE) to determine the combination of parameters as in the above embodiment.
  • DoE dynamic design of experiments
  • each parameter is a parameter related to vehicle speed, load, and temperature assuming actual road driving
  • the parameters related to vehicle speed and load are, for example, hydrogen supply amount, oxygen supply amount, and/or water supply amount.
  • the temperature-related parameter is, for example, the ambient temperature of the fuel cell.
  • an input consisting of the determined combination of parameters is provided to the fuel cell by the hydrogen supply device 22g, the oxygen supply device 22h, the water supply device 22i, and the environment change device 22d.
  • the training data acquisition unit 32 of the acquisition unit 3 acquires the input data indicating the input given to the fuel cell and the response data of the fuel cell as training data (learning data set) (“dynamic test execution”). ).
  • the response data of the fuel cell for example, generated current data, generated voltage data, or cell temperature data can be considered.
  • the generating unit 4 generates a fuel cell model using the training data obtained by the above “dynamic test execution” ("modeling").
  • the fuel cell model thus obtained is used by the simulation device 200 for the simulation of the road test.
  • the simulation device 200 controls power generation of the fuel cell in accordance with a driving mode model (driver model) that models a driving mode, a vehicle model that models an actual vehicle, vehicle speed, and load.
  • driver model a driving mode model
  • vehicle model a vehicle model that models an actual vehicle, vehicle speed, and load.
  • PCU model which models the power control unit (PCU)
  • battery model a battery model in addition to the fuel cell model, but the battery model may not be used.
  • the motor rotation speed and the like are input to the motor as the vehicle speed assuming actual road travel.
  • the combination of the four parameters of vehicle speed, load, temperature and air pressure was used as an input to the vehicle element, but the combination of the three parameters of vehicle speed, load and temperature may also be used as an input to the vehicle element.
  • a combination of the three parameters vehicle speed, load and pressure may be input to the vehicle element.
  • the humidity that can be changed by the environment change device may be added to the parameter and input to the vehicle element.
  • a plurality of functions performed by the control device 5 of the above embodiment may be assigned to a plurality of physically separate computers.
  • the input data creation unit 21, the training data acquisition unit 32, and the generation unit 4 may be assigned to one computer, and other functions may be assigned to another computer.
  • Road driving tests that comply with regulations are not limited to RDE, but may be various road driving tests stipulated by the laws or regulations of each country.
  • response data of vehicle elements under a desired driving environment can be obtained with high accuracy through simulation without running on an actual road.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本発明は、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを精度良く求めるものであり、車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス学習方法であって、（１）実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を車両要素に与える入力ステップと、（２）車両要素のレスポンスデータを取得し、入力を示す入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得ステップと、（３）トレーニングデータから機械学習を用いて、車両要素のレスポンスに関する学習済モデルを生成する生成ステップとを備える。

Description

車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム
　本発明は、車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、車両要素レスポンス学習装置、及び、車両要素レスポンス学習プログラムに関するものである。
　近年、Dynamic DoE（動的実験計画法）を用いた排ガス等の過渡モデリングの研究が行われている（非特許文献１、２参照）。
　この排ガス等の過渡モデリングでは、機械学習により過渡排ガスモデルが作成される。そして、過渡排ガスモデルを作成するためには、エンジンの燃焼に係るECUパラメータを入力パラメータとしてトレーニングデータが取得される。なお、ECUパラメータとしては、例えば点火時期（Ignition timing）やエンジンの吸入、排気を行うためのバルブの開閉時期（Valve timing）等が用いられている。
「Dynamic Modelling for Gasoline Direct Injection Engines」、Taro SHISHIDO　外５名、keihin technical review vol.6 (2017) 「Artificial neural network (ANN) assisted prediction of transient NOx emissions from a high-speed direct injection (HSDI) diesel engine」、Xiao Hang Fang　外４名、International Journal of Engine Research (April 27, 2021)
　しかしながら、上記の非特許文献１、２には、過渡排ガスモデルを作成する手法が開示されているものの、実路走行の走行環境を考慮した過渡排ガスモデルを作成することについては一切開示されていない。また、このような過渡排ガスを実路排ガス予測に用いる為には、実路環境に応じた他のインプットパラメータ（車速、アクセル開度、標高、外気温度等）に紐付ける必要があり、実路走行シミュレーションでの予測精度を上げるには更なる労力が必要となる。
　また、上記の非特許文献１、２において過渡排ガスモデルを作成するためには、エンジンの燃焼に係るECUパラメータを設定する必要がある。ここで、ECUパラメータとしては、エンジンにおける点火時期（Ignition timing）又はエンジンの吸入、排気を行うためのバルブの開閉時期（Valve timing）などが挙げられる。これらのパラメータはOEM又はTier1（一次請）等の限られたエンジニアしかアクセスすることができず、またこれらのパラメータが動的に変化したときのエンジンに与える影響を事前に把握する為には、繰り返しの確認試験を実施し膨大なデータを多変量解析する必要がある。さらに、変更するパラメータの設定値、組み合わせ、タイミングを誤った場合には、エンジンを破損させる原因となる。このように、Dynamic DoEを用いた過渡排ガスモデルの作成はECU等の制御装置にアクセス可能な限られたエンジニアにしか実施されていないのが実情である。
　そこで本発明は上記問題点を解決すべくなされたものであり、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを精度良く求めることをその主たる課題とするものである。
　すなわち本発明に係る車両要素レスポンス学習方法は、車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス学習方法であって、実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を前記車両要素に与える入力ステップと、前記車両要素のレスポンスデータを取得し、前記入力を示す入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得ステップと、前記トレーニングデータから機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成ステップとを備えることを特徴とする。
　このようなものであれば、実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を車両要素に与え、それにより得られるレスポンスデータを取得し、車両要素に与えた入力を示す入力データ及びレスポンスデータからなるトレーニングデータから機械学習（統計学的手法を含む。）を用いて、車両要素のレスポンスに関する学習済モデルを生成することができる。その結果、当該学習済モデルを用いることにより、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のモデル入力データ及び、学習済モデルから出力されるレスポンスデータを取得することができる。その他、エンジンの燃焼に係るECUパラメータ等の制御パラメータを変更することがないので、最適な実験計画を作成する為の繰り返し試験やその結果である膨大なデータの解析等を伴うことなく、容易かつ安全にレスポンスモデルを生成することができる。
　実路走行の走行環境をより忠実に再現するためには、温度の変動に加えて気圧の変動も加味することが有効である。このため、シミュレーションにより所望の環境下における車両要素のレスポンスデータを精度良く得るためには、前記入力ステップにおいて、前記車速、前記負荷及び前記温度に加えて、実路走行を想定した気圧に関連したパラメータを含む入力を前記車両要素に与えることが望ましい。
　具体的な実施の態様としては、前記入力ステップにおいて、前記車速、前記負荷、前記温度及び前記気圧それぞれの変動範囲において各パラメータを変動させて、それらの組み合わせである入力を前記車両要素に与えることが望ましい。
　環境因子（温度及び気圧）の変動範囲の全体に亘って予測させたい変化時間で変動させたり、予測させたい移動範囲で変動させるには、１つの温度変動設備又は１つの気圧変動設備では実現できない場合がある。また、ユーザのシミュレーションの内容によっては、環境因子（温度及び気圧）の変動範囲の一部のみで十分な場合がある。このため、前記入力ステップにおいて、前記温度及び前記気圧の変動範囲を複数に分割し、当該分割されたブロックにおいて前記温度及び前記気圧をダイナミックに変動させた分割入力を前記車両要素に与え、前記取得ステップは、前記分割入力が与えられた前記車両要素のレスポンスデータを取得して、前記分割入力を示す分割入力データ及び前記レスポンスデータを分割トレーニングデータとして取得することが望ましい。
　分割されたブロック間において連続的なデータを生成するためには、前記入力ステップは、前記分割されたブロック間の境界において前記温度及び前記気圧をダイナミックに変動させた入力を前記車両要素に与えることが望ましい。
　入力ステップにおいて温度及び気圧を変動させるためには、前記車両要素に接続されて温度及び圧力を変動させる環境変動装置、又は、前記車両要素が収容されて、温度及び圧力を変動させる環境変動室により、前記温度及び前記気圧を変動させることが望ましい。
　効率的にトレーニングデータを取得するためには、前記入力ステップは、実験計画法（DoE）を用いて、前記パラメータの組み合せから成る、動的な実験計画を生成することが望ましい。
　レスポンスデータの具体的な実施の態様としては、前記車両要素が少なくともエンジンを含む車両又はその一部である場合には、前記レスポンスデータは排ガスデータであり、前記車両要素が少なくとも二次電池を含む車両又はその一部である場合には、前記レスポンスデータは電費データ、電流データ、電圧データ、ＳＯＣデータ及び／又は電池温度データ（例えばセル温度データ又はモジュール温度データ等）であり、前記車両要素が少なくとも燃料電池を含む車両又はその一部である場合には、前記レスポンスデータは、水素消費量データ、酸素消費量データ、発電電流データ、発電電圧データ及び／又は電池温度データであることが望ましい。
　具体的な実施の態様としては、前記排ガスデータは、排ガス分析装置を用いて測定され、前記電費データ、前記電流データ、前記電圧データ、前記ＳＯＣデータ又は前記温度データは、消費電力計、電流計、電圧計又は温度計を用いて測定され、前記水素消費量データ、酸素消費量データ、発電電流データ、発電電圧データ又は電池温度データは、水素計、酸素計、電流計、電圧計又は温度計を用いて測定されることが考えられる。
　具体的な実施の態様としては、前記車両要素が少なくとも二次電池を含む車両又はその一部である場合には、前記車速又は前記負荷に関連したパラメータは、充電電流及び／又は放電電流であり、前記温度に関連したパラメータは、前記二次電池の周囲温度であり、前記車両要素が少なくとも燃料電池を含む車両又はその一部である場合には、前記車速又は前記負荷に関連したパラメータは、水素供給量、酸素供給量、及び／又は水供給量であり、前記温度に関連したパラメータは、前記燃料電池の周囲温度であることが考えられる。
　また、本発明に係る車両要素レスポンス算出方法としては、上述した車両要素レスポンス学習方法により生成された学習済モデルを用いて、実路走行における前記車両要素のレスポンスデータを算出することを特徴とする。具体的には、車両要素レスポンス算出方法は、前記学習済モデルと、実路走行シミュレーションを実施できるモデル（例えばIPG CarMakerなど）から生成された出力パラメータ（車速、負荷、温度、又は圧力）とを用いて、実路走行における前記車両要素のレスポンスデータを算出する。
　このようなものであれば、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを取得することができる。
　また、本発明に係る車両要素レスポンス学習システムは、車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス学習システムであって、実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を前記車両要素に与える入力部と、前記車両要素体のレスポンスデータを取得し、前記入力を示す入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得部と、前記トレーニングデータから機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成部とを備えることを特徴とする。
　具体的に前記入力部は、前記車両要素に負荷を与えるダイナモメータと、前記車両要素が収容される試験室を有し、当該試験室の少なくとも温度を変動させる環境変動装置、又は、前記車両要素に接続されて少なくとも温度を変動させる環境変動装置とを有することが望ましい。
　その上、本発明に係る車両要素レスポンス生成プログラムは、車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス生成プログラムであって、前記車両要素に与えるべき、実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を示す入力データを作成する入力データ作成部と、前記車両要素のレスポンスデータを取得し、前記入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得部と、前記トレーニングデータから統計学的手法又は機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成部としての機能をコンピュータに発揮させることを特徴とする。
　以上に述べた本発明によれば、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを精度良く求めることができる。
本発明の一実施形態に係る車両要素レスポンス学習システムの構成を模式的に示す図。 同実施形態の温度及び気圧（標高）のブロックを示す図（左図）及び車速（エンジン回転数）及び負荷（アクセルペダル位置）の組み合わせを示す図（右図）である。 同実施形態の車両要素レスポンス学習方法のフローチャートである。 同実施形態の排ガスモデルの生成及びシミュレーションまでの流れを示す模式図である。 同実施形態のシミュレーション装置の構成を模式的に示す図である。 同実施形態の排ガスモデルを用いた実走行におけるＣＯ２排出量のシミュレーション結果である。 変形実施形態の排ガス濃度予測の一例を示す図である。 変形実施形態における（ａ）実バッテリー（二次電池）のレスポンスに関する学習済モデルを生成する試験システムを示す図、（ｂ）バッテリーモデルの生成のフローチャート、及び（ｃ）バッテリーモデルを用いたシミュレーションの模式図である。 変形実施形態のバッテリーモデルを用いた実走行時又は実走行後のＳＯＣのシミュレーション結果である。 変形実施形態における（ａ）燃料電池のレスポンスに関する学習済モデルを生成する試験システムを示す図、（ｂ）燃料電池モデルの生成のフローチャート、及び（ｃ）燃料電池モデルを用いたシミュレーションの模式図である。
　以下、本発明の一実施形態に係る車両要素レスポンス学習システムについて、図面を参照しながら説明する。
＜車両要素レスポンス学習システム１００の装置構成＞
　本実施形態の車両要素レスポンス学習システム１００は、実車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成するものである。この学習済モデルは、シミュレーションにより、例えば法規に適合した路上走行試験の車両要素の排ガスデータ又は電費データを算出するのに用いられる。ここで、法規に適合した路上走行試験は、例えば欧州等の各国で導入されている路上走行排出ガス試験（RDE（Real Driving Emission）試験）である。その他、生成された学習済モデルは、法規に適合した路上走行試験の他、車両要素の開発段階における路上走行試験の車両要素の排ガスデータ又は電費データを算出するのに用いることもできる。
　具体的に車両要素レスポンス学習システム１００は、図１に示すように、以下の（１）入力部２、（２）取得部３、及び、（３）生成部４を有する。なお、以下では、車両要素は実エンジンであり、レスポンスデータは、実エンジンからの排ガスデータである。
（１）実路走行を想定した車速としてエンジン回転数、負荷、温度及び気圧に関連したパラメータを含む入力を実エンジンに与える入力部２。
（２）実エンジンの排ガスデータを取得し、入力を示す入力データ及び排ガスデータをトレーニングデータとして取得する取得部３。
（３）トレーニングデータから機械学習（統計学的手法を含む。）を用いて、実エンジンの排ガスに関する学習済モデル（排ガスモデル）を生成する生成部４。
＜入力部２＞
　入力部２は、車両要素である実エンジンＥにエンジン回転数、負荷、温度及び気圧の組み合わせからなる入力を与えるものであり、各パラメータの組み合わせである入力を示す入力データを作成する入力データ作成部２１と、当該入力データ作成部２１により決定された各パラメータの組み合わせに基づいて実エンジンＥに入力を与える入力設備２２とを有している。
　入力データ作成部２１は、制御装置５により構成されており、ここでは、動的実験計画法（DoE）を用いて生成ステップ時に必要となるトレーニングデータを取得するための各パラメータの組み合わせ（実験計画）を決定するものである。なお、制御装置５は、ＣＰＵ、内部メモリ、入出力インターフェース、キーボード等の入力手段、ディスプレイなどの出力手段、通信手段等を備えるコンピュータである。そして、制御装置５は、内部メモリに格納された車両要素レスポンス学習プログラムにより車両要素レスポンス学習装置として機能する。
　具体的に入力データ作成部２１は、動的実験計画法（DoE）を用いて、エンジン回転数、負荷、温度及び気圧それぞれの変動範囲において各パラメータをダイナミックに変動させて、各パラメータの組み合わせを決定する。なお、エンジン回転数の代わりに、車速又は変速機の出力軸の回転数をパラメータとしても良い。また、負荷は、アクセル開度（アクセルペダル位置）等である。さらに、入力データ作成部２１は、温度及び気圧以外の環境要因をパラメータとしても良い。
　本実施形態の入力データ作成部２１は、図２の左図に示すように、温度及び気圧の変動範囲を複数に分割し、当該分割された複数のブロックそれぞれにおいて温度及び気圧をダイナミックに変動させた組み合わせを決定する。なお、図２の左図は、温度及び気圧の変動範囲を１２分割した例を示している。図２の左図において横軸が温度であり、縦軸が標高（気圧）である。また、図２の右図は、エンジン速度（エンジン回転数）とアクセルペダル位置との組み合わせを示している。図２の右図において横軸がエンジン速度（エンジン回転数）であり、縦軸がアクセルペダル位置である。
　そして、入力データ作成部２１は、図２の右図のエンジン速度（エンジン回転数）とアクセルペダル位置との組み合わせに対して、図２の左図の分割されたブロック毎に温度及び気圧をダイナミックに変動させた組み合わせを加えて、実エンジンＥに与える分割入力を決定する。
　入力設備２２は、実エンジンＥに接続されたダイナモメータ２２ａと、当該ダイナモメータ２２ａのダイナモメータ制御装置２２ａ１にエンジン回転数データを入力するエンジン回転数入力部２２ｂと、実エンジンＥのエンジンコントロールユニット（ＥＣＵ）にアクセル開度データを入力するアクセル開度入力部２２ｃと、実エンジンＥが収容される試験室２２ｄ１の温度及び圧力を変動させる環境変動装置２２ｄと、環境変動装置２２ｄに温度データ及び気圧データを入力する環境因子入力部２２ｅとを有している。入力設備２２としては、実エンジンＥに接続されて当該実エンジンＥの内部の温度及び圧力を変動させる環境変動装置を用いても良い。
　エンジンダイナモメータ２２ａは、エンジン回転数入力部２２ｂにより入力されるエンジン回転数データに基づいて実エンジンＥを所定のエンジン回転数となるように回転させるものである。
　エンジン回転数入力部２２ｂは、ダイナモメータ制御装置によりその機能が発揮されるものであり、入力データ作成部２１により決定された組み合わせに含まれるエンジン回転数データをエンジンダイナモメータ２２ａに入力するものである。
　アクセル開度入力部２２ｃは、制御装置５によりその機能が発揮されるものであり、入力データ作成部２１により決定された組み合わせに含まれる負荷データ（アクセル開度データ）を実エンジンＥのＥＣＵに入力するものである。
　環境変動装置２２ｄは、実エンジンＥが収容される試験室２２ｄ１と、当該試験室２２ｄ１に収容された実エンジンＥに接続されて実エンジンＥの温度及び圧力を変動させる温度圧力変動装置２２ｄ２とを有している。そして、温度圧力変動装置２２ｄ２は、環境因子入力部２２ｅから入力される温度データ及び気圧データに基づいて試験室２２ｄ１の温度及び気圧を変動させる。
　環境因子入力部２２ｅは、制御装置５によりその機能が発揮されるものであり、入力データ作成部２１により決定された組み合わせに含まれる温度データ及び気圧データを温度圧力変動装置２２ｄ２に入力するものである。
　本実施形態では、入力データ作成部２１が、温度及び気圧の変動範囲を複数に分割し、当該分割されたブロックにおいて温度及び気圧をダイナミックに変動させた組み合わせ（分割入力）を決定しており、上述した入力設備２２は、分割入力毎に実エンジンＥに入力を与える。
＜取得部３＞
　取得部３は、上述した入力設備２２により入力が与えられた実エンジンＥの排ガスデータを取得する排ガス分析装置３１と、実エンジンＥに与えられた入力を示す入力データ及び排ガス分析装置３１により得られた排ガスデータをトレーニングデータ（学習用データセット）として取得するトレーニングデータ取得部３２とを有している。
　排ガス分析装置３１は、実エンジンＥから排出される排ガス中の二酸化炭素（CO2）、一酸化炭素（CO）、粒子状物質（PM）、粒子状物質数（PN）、アンモニア（NH3）、一酸化二窒素（N2O）、窒素酸化物（NOx）、ホルムアルデヒド（HCHO）及び／又はトータルハイドロカーボン（THC）の少なくとも１つを分析するものである。この排ガス分析装置３３により測定された排ガスデータは、トレーニングデータ取得部３２に送信される。
　トレーニングデータ取得部３２は、制御装置５によりその機能が発揮されるものであり、排ガス分析装置３１から送信される排ガスデータを取得するとともに、当該排ガスデータを取得した際に実エンジンＥに与えられた入力を示す入力データを取得する。そして、トレーニングデータ取得部３２は、それら排ガスデータ及び入力データを紐付けてトレーニングデータとする。また、トレーニングデータ取得部３２は、トレーニングデータを生成部４に送信する。
　本実施形態では、入力データ作成部２１が、温度及び気圧の変動範囲を複数に分割し、当該分割されたブロックにおいて温度及び気圧をダイナミックに変動させた組み合わせ（分割入力）を決定しており、トレーニングデータ取得部３２も、分割されたブロック毎にトレーニングデータ（分割トレーニングデータ）を取得することになる。
＜生成部４＞
　生成部４は、制御装置５によりその機能が発揮されるものであり、トレーニングデータ（ここでは分割トレーニングデータ）から例えばニューラルネットワーク（NN）などの機械学習を用いて、実エンジンの排ガスに関する学習済モデル（排ガスモデル）を生成する。なお、本実施形態の機械学習は、例えば重回帰分析などの統計学的手法、ディープラーニング及び人工知能を含む概念である。
　本実施形態の生成部４は、分割されたブロック毎のトレーニングデータを用いて、分割されたブロック毎に学習済モデル（排ガスモデル）を生成することもできるし、分割されたブロック毎のトレーニングデータを合わせて温度及び気圧の変動範囲全体における学習済モデル（排ガスモデル）を生成することもできる。
＜車両要素レスポンス学習方法＞
　次に、上記の車両要素レスポンス学習システム１００を用いた車両要素レスポンス学習方法について説明する。
　この車両要素レスポンス学習方法は、図３に示すように、実路走行を想定した車速、負荷、温度及び気圧をパラメータとした入力を実エンジンＥに与える入力ステップＳ１と、実エンジンＥの排ガスデータを取得し、入力を示す入力データ及び排ガスデータをトレーニングデータとして取得する取得ステップＳ２と、トレーニングデータから機械学習を用いて、実エンジンＥの排ガスに関する学習済モデル（排ガスモデル）を生成する生成ステップＳ３とを備えている。
　入力ステップＳ１においては、上述したように、入力データ作成部２１により、温度及び気圧の変動範囲が複数に分割されたブロック毎に、動的実験計画法（DoE）を用いて、温度及び気圧をダイナミックに変動させた分割入力が決定される。なお、図４の「Dynamic Test Design」に、入力データ作成部２１により作成された過度テストシーケンスの一例を示している。そして、入力設備２２により、入力データ作成部２１により決定された分割入力が実エンジンにより入力される（図４の「Dynamic Test」参照）。
　取得ステップＳ２は、各組み合わせが実エンジンＥに入力される毎に実エンジンＥの排ガスデータを取得する。そして、トレーニングデータ取得部３２は、当該排ガスデータを取得した際の入力データとともに分割トレーニングデータとして取得する。
　生成ステップＳ３は、トレーニングデータ又は分割トレーニングデータから機械学習を用いて、実エンジンＥの排ガスモデルを生成する。なお、図４の「Dynamic Modelling」に排ガスモデリングの一例を示している。生成された学習済モデル（排ガスモデル）は、制御装置５のメモリに記憶される。
＜学習済モデル（排ガスモデル）を用いたシミュレーション＞
　次に、生成された学習済モデル（排ガスモデル）を用いて、路上走行試験における実エンジンＥの排ガスデータをシミュレーションするシミュレーション装置２００（情報処理装置）について図５を参照して説明する。
　シミュレーション装置２００は、走行環境をモデル化した走行環境モデル、運転態様をモデル化した運転態様モデル、実車両をモデル化した車両モデル、及び、生成された学習済モデル（排ガスモデル）を用いて、路上走行試験をシミュレーションするものであり、ＣＰＵ、内部メモリ、入出力インターフェース、キーボード等の入力手段、ディスプレイなどの出力手段、通信手段等を備えるコンピュータである。
　このシミュレーション装置２００は、各モデルを格納する関係データ格納部２０１と、RDE試験に準拠した走行をシミュレーションするシミュレーション部２０２とを備えている。
　関係データ格納部２０１に格納される走行環境モデルは、走行ルート、走行ルートの路面抵抗、標識、温度及び湿度、走行ルートの標高、走行ルートの渋滞度合い（交通量）などを数値化したモデルである。
　また、関係データ格納部２０１に格納される運転態様モデルは、例えばIPG Automotive株式会社のソフトウエア「CarMaker」を用いた場合には、Dynamics（仕事量）、Energy Efficiency（エネルギー効率）、及び、Nervousness（緊張度）を数値化したモデルである。
　具体的には、運転態様モデルは、例えば「CarMaker」に列挙されている以下のパラメータを含む。
　Dynamicsのパラメータ：Crusing speed[km/h], Corner cutting coefficient[-], dt Change of pedals[s], Max. Long Acceleration[m/s2], Max. Long Dceleration[m/s2], Max. Lat Acceleration[m/s2], Exponent of g-g Diagram[-], Time of Shifting[s], Engine Speeds min/mas[rpm], Engine Speeds idle up/acc. Down[rpm], Long Smooth Throttle Limit[-]
　Energy Efficiencyのパラメータ：Min. dt Accel/Decel[s], Long Drag Torque Braking[-], Long Drive Cycle Tol[-], Long drive Cycle Coef[-]
　Nervousnessのパラメータ：Long SDV Random[-], Long SDV Random f[-]
　さらに、関係データ格納部２０１に格納される車両モデルは、少なくともエンジンを数値化したエンジンモデルを有するものであり、実車両の種類（トラック、乗用車など）、重量、トランスミッション種別（ＭＴ、ＡＴ、ＣＶＴなど）、タイヤ径、変速比、エンジン特性（スロットル開度及び回転数と出力トルクとの関係等）、ＥＣＵの制御特性（アクセル開度とスロットル開度との関係など）、ＴＣＵの制御特性（変速比の変更条件やそのタイミングなど）、又はＢＣＵの制御特性（各車輪に対するブレーキ力の分配など）等の車両情報をモデル化したものである。これらの各モデルは、予め関係データ格納部２０１に格納されている。
　シミュレーション部２０２は、関係データ格納部２０１に格納された各モデルに基づいて、例えばRDE試験に準拠した路上走行試験として、MAW（Moving Averaging Window）法又はPower Bining法におけるエミッションの試験結果が所定の範囲内に入る走行をシミュレーションするものである。
　また、シミュレーション部２０２は、関係データ格納部２１に格納された学習済モデル（排ガスモデル）に基づいて、上記の走行をした場合に排出される排ガスに含まれる各排ガス成分の排出量をシミュレーションするものである。排ガスモデルは、シミュレーション部２０２に格納されていても良い。なお、図４の「Emission Prediction」に排出量のシミュレーション結果の一例を示している。ここで、シミュレーション部２０２において各排ガス成分の排出量をシミュレーションするにあたっては、関係データ格納部２０１に格納された各モデル（排ガスモデルを含む）を用いて一挙に各排ガス成分の排出量をシミュレーションしても良いし、関係データ格納部２０１に格納された各モデル（排ガスモデルを除く）を用いて路上走行試験をシミュレーションし、当該シミュレーションにより得られる各種パラメータと、排ガスモデルとに基づいて、各排ガス成分の排出量をシミュレーションしても良い。例えばこのシミュレーション装置２００により、図６に示すように、種々の実走行をシミュレーションすることによって、実走行におけるＣＯ２排出量を見積もり、ユースケースやワーストケースを特定することができる。
＜本実施形態の効果＞
　本実施形態の車両要素レスポンス学習システム１００によれば、実路走行を想定した車速、負荷、温度及び気圧をパラメータとした入力を実エンジンＥに与え、それにより得られる排ガスデータを取得し、実エンジンＥに与えた入力を示す入力データ及び排ガスデータからなるトレーニングデータから機械学習を用いて、実エンジンＥの排ガスに関する学習済モデルを生成することができる。その結果、当該学習済モデルを用いることにより、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを取得することができる。その他、エンジンの燃焼に係るECUパラメータ等の制御パラメータを変更することがないので、すでに適合されたECUマップを用いて、容易かつ安全にレスポンスモデルを生成することができる。
＜その他の変形実施形態＞
　なお、本発明は前記実施形態に限られるものではない。
　例えば、前記実施形態の車両要素は実エンジンであったが、実エンジンを含む実車両の一部であれば良い。実車両のレスポンスに関する学習済モデルを生成する場合には、シャシダイナモメータや車両駆動系試験装置などを用いることが考えられる。
　また、前記実施形態の入力ステップにおいて、分割されたブロック間の境界において温度及び気圧をダイナミックに変動させた入力を車両要素に与えるようにしても良い。
　前記実施形態のレスポンスデータは、排ガスデータであったが、その他、排ガス浄化触媒の温度データ、排ガス温度データ、流量データ又は圧力データであっても良い。
　例えば、車両要素レスポンス学習システム１００は、図７に示すように、レスポンスデータとして排ガスデータを用いて、エンジンアウトの排ガスモデルを生成し、また、レスポンスデータとして排ガス温度データ又は排ガス浄化触媒の温度データを用いて、排ガス温度モデル又は触媒温度モデルを生成する。そして、シミュレーション装置２００は、これらエンジンアウトの排ガスモデルと、排ガス温度モデル又は触媒温度モデルと、排気後処理の変換効率モデルとを用いて、テールパイプ（排気管）から排出される排ガスデータ）を予測することもできる。なお、前記変換効率モデルは、例えば排ガス浄化触媒の温度による変換効率をモデル化したものである。
　例えば、車両要素レスポンス学習システム１００は、排ガスモデル作成時には、車速、負荷及び／又は温度に関連したパラメータを含む入力データを車両要素に与えて、排ガスデータ（例えばNOx、CO、CO2、THC及び／又はNH3等の排ガス濃度、排ガス流量及び.／又は排ガス排出量）をレスポンスデータとして出力する。そして、入力データ及びレスポンスデータを機械学習して排ガスモデル（例えばNOx、CO、CO2、THC及び／又はNH3等のモデル）の学習済みデータを取得する。
　また、車両要素レスポンス学習システム１００は、排ガス温度モデルの作成時には、車速、負荷、温度に関連したパラメータ、及び／又は排ガスデータを含む入力データを車両要素に与えて、排ガス温度及び／又は排ガス触媒温度をレスポンスデータとして取得する。そして、入力データ及びレスポンスデータを機械学習して排ガス温度モデルの学習済モデルを作成する。また、車両要素レスポンス学習システム１００は、排気後処理変換効率モデルを作成時には、排ガスデータと、排ガス温度及び／又は排ガス触媒温度に関連したパラメータを含む入力データを車両要素に与えて、排ガスデータをレスポンスデータとして取得する。そして、入力データ及びレスポンスデータを機械学習して排気後処理変換モデルの学習済モデルを作成する。
　さらに、前記実施形態の車両要素は、エンジンとバッテリーとが連携して動作するハイブリッド車又はその一部であってもよい。また、本発明は、エンジン車又はハイブリッド車に限らず、電気自動車（ＥＶ）又は燃料電池車（ＦＣＶ）に適用することも可能である。
　車両要素が車両に搭載された実バッテリー（二次電池）を含む場合には、取得部３により取得されるレスポンスデータは電費データ、電流データ、電圧データ、ＳＯＣ（State of Charge）データ又は電池温度データとなる。ここで、電費データ又はＳＯＣデータは、消費電力計を用いて測定することができる。電流データ又は電圧データはそれぞれ電流計又は電圧計を用いて測定することができる。電池温度データは、実バッテリーを構成するセルの温度データ又は複数のセルからなるモジュール又はバッテリーパックの温度であり、温度計を用いて測定することができる。その他、実バッテリーのレスポンスデータとしては、ＳＯＨ（State of Health）データであっても良い。また、これらのデータは車両に搭載済のシステム（ＥＣＵ（Electric Control System）、ＢＭＳ（Battery Management System）、及び／又はＶＵ（vehicle control system）より取得できる値を用いても良い。
　実バッテリー（二次電池）のレスポンスに関する学習済モデルを生成する試験システムを図８（ａ）に示す。また、バッテリーモデルの生成のフローチャートを図８（ｂ）に示す。さらに、バッテリーモデルを用いたシミュレーションの模式図を図８（ｃ）に示す。
　バッテリーモデルを生成する試験システムは、図８（ａ）に示すように、入力設備２２として、例えば環境変動装置２２ｄの試験室２２ｄ１に収容された実バッテリー（実バッテリーパック、実バッテリーモジュールまたは実バッテリーセル）に対して充電又は放電を行う充放電装置２２ｆを有している。そして、試験システムは、この充放電装置２２ｆにより、実バッテリーの充電又は放電を行うことによって、バッテリーモデルを生成する。
　具体的には、図８（ｂ）に示すように、入力部２の入力データ作成部２１が、前記実施形態と同様に、動的実験計画法（DoE）を用いて各パラメータの組み合わせを決定するものである（「動的テスト計画」）。ここで、各パラメータは、実路走行を想定した車速、負荷及び温度に関連したパラメータであり、車速及び負荷に関連したパラメータは、例えば充電電流又は放電電流となり、温度に関連したパラメータは、例えばバッテリーの周辺温度となる。
　そして、決定された各パラメータの組み合わせからなる入力が、充放電装置２２ｆ及び環境変動装置２２ｄにより実バッテリー（実バッテリーパック、実バッテリーモジュールまたは実バッテリーセル）に与えられる。ここで、取得部３のトレーニングデータ取得部３２は、実バッテリーに与えられた入力を示す入力データ及び実バッテリーのレスポンスデータをトレーニングデータ（学習用データセット）として取得する（「動的テスト実施」）。ここで、実バッテリーのレスポンスデータとしては、例えば、ＳＯＣデータ、電流データ、電圧データ、セル温度データ及び／又はモジュール温度データが考えられる。
　次に、生成部４が、上記の「動的テスト実施」により得られたトレーニングデータを用いて、実バッテリーのバッテリーモデルを生成する（「モデリング」）。このようにして得られたバッテリーモデルは、シミュレーション装置２００により路上走行試験のシミュレーションに用いられる。
　シミュレーション装置２００は、図８（ｃ）に示すように、運転態様をモデル化した運転態様モデル（ドライバーモデル）、実車両をモデル化した車両モデル、車速及び負荷に応じて実バッテリーの充放電を制御するパワーコントロールユニット（PCU）をモデル化したPCUモデル、及び／又は、生成された学習済モデル（バッテリーモデル）を用いて、路上走行試験をシミュレーションする。このシミュレーション装置２００により、種々の実走行をシミュレーションすることによって、図９に示すように、実走行時又は実走行後のエネルギー消費又はＳＯＣといったバッテリー状態の変化を見積もることができる。
　車両要素が車両に搭載された燃料電池を含む場合には、取得部３により取得されるレスポンスデータは水素消費量データ、酸素消費量データ、発電電流データ、発電電圧データ及び／又は電池温度データとなる。ここで、水素消費量データは、水素計を用いて測定することができ、酸素消費量データは、酸素計を用いて測定することができる。発電電流データ又は発電電圧データはそれぞれ電流計又は電圧計を用いて測定することができる。電池温度データは、燃料電池の温度データ、燃料電池を構成するセル（Fuel cell）の温度データ又は複数のセルからなるスタックの温度データであり、温度計を用いて測定することができる。
　燃料電池のレスポンスに関する学習済モデルを生成する試験システムを図１０（ａ）に示す。また、燃料電池モデルの生成のフローチャートを図１０（ｂ）に示す。さらに、燃料電池モデルを用いたシミュレーションの模式図を図１０（ｃ）に示す。
　燃料電池モデルを生成する試験システムは、図１０（ａ）に示すように、入力設備２２として、例えば環境変動装置２２ｄの試験室２２ｄ１に収容された燃料電池に対して水素を供給する水素供給装置２２ｇと、酸素（大気）を供給する酸素供給装置２２ｈと、水を供給する水供給装置２２ｉとを有している。これら水素供給装置２２ｇ、酸素供給装置２２ｈ及び水供給装置２２ｉにより、燃料電池に水素、酸素及び水を供給することによって、燃料電池モデルを生成する。
　具体的には、図１０（ｂ）に示すように、入力部２の入力データ作成部２１が、前記実施形態と同様に、動的実験計画法（DoE）を用いて各パラメータの組み合わせを決定するものである（「動的テスト計画」）。ここで、各パラメータは、実路走行を想定した車速、負荷及び温度に関連したパラメータであり、車速及び負荷に関連したパラメータは、例えば水素供給量、酸素供給量、及び／又は水供給量となり、温度に関連したパラメータは、例えば燃料電池の周辺温度となる。
　そして、決定された各パラメータの組み合わせからなる入力が、水素供給装置２２ｇ、酸素供給装置２２ｈ、水供給装置２２ｉ及び環境変動装置２２ｄにより燃料電池に与えられる。ここで、取得部３のトレーニングデータ取得部３２は、燃料電池に与えられた入力を示す入力データ及び燃料電池のレスポンスデータをトレーニングデータ（学習用データセット）として取得する（「動的テスト実施」）。ここで、燃料電池のレスポンスデータとしては、例えば、発電電流データ、発電電圧データ、又はセル温度データが考えられる。
　次に、生成部４が、上記の「動的テスト実施」により得られたトレーニングデータを用いて、燃料電池モデルを生成する（「モデリング」）。このようにして得られた燃料電池モデルは、シミュレーション装置２００により路上走行試験のシミュレーションに用いられる。
　シミュレーション装置２００は、図１０（ｃ）に示すように、運転態様をモデル化した運転態様モデル（ドライバーモデル）、実車両をモデル化した車両モデル、車速及び負荷に応じて燃料電池の発電を制御するパワーコントロールユニット（PCU）をモデル化したPCUモデル、及び、生成された学習済モデル（バッテリーモデル）を用いて、路上走行試験をシミュレーションする。なお、図１０（ｃ）では、燃料電池モデルに加えて、バッテリーモデルを用いてシミュレーションした例を示しているが、バッテリーモデルは用いなくても良い。
　車両要素が車両に搭載されたモータを含む場合には、当該モータには、実路走行を想定した車速としてモータ回転数等が入力される。
　加えて、前記実施形態では、車速、負荷、温度及び気圧の４つのパラメータの組み合わせを車両要素への入力としていたが、車速、負荷及び温度の３つのパラメータの組み合わせを車両要素への入力としても良いし、車速、負荷及び圧力の３つのパラメータの組み合わせを車両要素への入力としても良い。また、環境変動装置により変動可能な湿度をパラメータに加えて車両要素に入力としても良い。
　前記実施形態の制御装置５により奏される複数の機能は、物理的に別々に設けられた複数のコンピュータに分担させても良い。例えば、入力データ作成部２１、トレーニングデータ取得部３２及び生成部４を１つのコンピュータに分担させ、それ以外の機能を別の１つのコンピュータに分担させても良い。
　法規に適合した路上走行試験は、RDEに限られず、各国の法律又は規則で定められた各種路上走行試験であってもよい。
　その他、本発明の趣旨に反しない限りにおいて様々な実施形態の変形や組み合わせを行っても構わない。
　本発明によれば、実路走行を行うことなくシミュレーションにより所望の走行環境下における車両要素のレスポンスデータを精度良く求めることができる。
１００・・・車両要素レスポンス学習システム
Ｅ・・・実エンジン（車両要素）
２２ｄ・・・環境変動装置
２２ｄ１・・・試験室
３１・・・排ガス分析装置
２・・・入力部
２１・・・入力データ作成部
３・・・取得部
４・・・生成部
５・・・制御装置（車両要素レスポンス学習装置）

Claims (14)

  1. 　車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス学習方法であって、
    　実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を前記車両要素に与える入力ステップと、
    　前記車両要素のレスポンスデータを取得し、前記入力を示す入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得ステップと、
    　前記トレーニングデータから機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成ステップとを備える、車両要素レスポンス学習方法。
  2. 　前記入力ステップは、前記車速、前記負荷及び前記温度に加えて、実路走行を想定した気圧に関連したパラメータを含む入力を前記車両要素に与える、請求項１に記載の車両要素レスポンス学習方法。
  3. 　前記入力ステップにおいて、前記車速、前記負荷、前記温度及び前記気圧それぞれの変動範囲において各パラメータを変動させて、それらの組み合わせである入力を前記車両要素に与える、請求項２に記載の車両要素レスポンス学習方法。
  4. 　前記入力ステップにおいて、前記温度及び前記気圧の変動範囲を複数に分割し、当該分割されたブロックにおいて前記温度及び前記気圧を変動させた分割入力を前記車両要素に与え、
    　前記取得ステップは、前記分割入力が与えられた前記車両要素のレスポンスデータを取得して、前記分割入力を示す分割入力データ及び前記レスポンスデータを分割トレーニングデータとして取得する、請求項３に記載の車両要素レスポンス学習方法。
  5. 　前記入力ステップは、前記分割されたブロック間の境界において前記温度及び前記気圧を変動させた入力を前記車両要素に与える、請求項４に記載の車両要素レスポンス学習方法。
  6. 　前記車両要素が収容される試験室を有し、当該試験室の温度及び圧力を変動させる環境変動装置、又は、前記車両要素に接続されて温度及び圧力を変動させる環境変動装置により、前記温度及び前記気圧を変動させる、請求項２乃至５の何れか一項に記載の車両要素レスポンス学習方法。
  7. 　前記入力ステップは、実験計画法（DoE）を用いて、前記パラメータの組み合わせを生成する、請求項１乃至６の何れか一項に記載の車両要素レスポンス学習方法。
  8. 　前記車両要素が少なくともエンジンを含む車両又はその一部である場合には、前記レスポンスデータは、排ガスデータであり、
    　前記車両要素が少なくとも二次電池を含む車両又はその一部である場合には、前記レスポンスデータは、電費データ、電流データ、電圧データ、ＳＯＣデータ及び／又は電池温度データであり、
    　前記車両要素が少なくとも燃料電池を含む車両又はその一部である場合には、前記レスポンスデータは、水素消費量データ、酸素消費量データ、発電電流データ、発電電圧データ又は電池温度データである、請求項１乃至７の何れか一項に記載の車両要素レスポンス学習方法。
  9. 　前記排ガスデータは、排ガス分析装置を用いて測定され、
    　前記電費データ、前記電流データ、前記電圧データ、前記ＳＯＣデータ又は前記温度データは、消費電力計、電流計、電圧計又は温度計を用いて測定され、
    　前記水素消費量データ、酸素消費量データ、発電電流データ、発電電圧データ又は電池温度データは、水素計、酸素計、電流計、電圧計又は温度計を用いて測定される、請求項８に記載の車両要素レスポンス学習方法。
  10. 　前記車両要素が少なくとも二次電池を含む車両又はその一部である場合には、前記車速又は前記負荷に関連したパラメータは、充電電流及び／又は放電電流であり、前記温度に関連したパラメータは、前記二次電池の周囲温度であり、
    　前記車両要素が少なくとも燃料電池を含む車両又はその一部である場合には、前記車速又は前記負荷に関連したパラメータは、水素供給量、酸素供給量及び／又は水供給量であり、前記温度に関連したパラメータは、前記燃料電池の周囲温度である、請求項１乃至９の何れか一項に記載の車両要素レスポンス学習方法。
  11. 　請求項１乃至１０の何れか一項に記載の車両要素レスポンプ学習方法により生成された学習済モデルを用いて、実路走行における前記車両要素のレスポンスデータを算出する、車両要素レスポンス算出方法。
  12. 　車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス学習システムであって、
    　実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を前記車両要素に与える入力部と、
    　前記車両要素のレスポンスデータを取得し、前記入力を示す入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得部と、
    　前記トレーニングデータから機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成部とを備える、車両要素レスポンス学習システム。
  13. 　前記入力部は、
    　前記車両要素に負荷を与えるダイナモメータと、
    　前記車両要素が収容される試験室を有し、当該試験室の少なくとも温度を変動させる環境変動装置、又は、前記車両要素に接続されて少なくとも温度を変動させる環境変動装置とを有する、請求項１２に記載の車両要素レスポンス学習システム。
  14. 　車両又はその一部である車両要素のレスポンスに関する学習済モデルを生成する車両要素レスポンス生成プログラムであって、
    　前記車両要素に与えるべき、実路走行を想定した車速、負荷及び温度に関連したパラメータを含む入力を示す入力データを作成する入力データ作成部と、
    　前記車両要素のレスポンスデータを取得し、前記入力データ及び前記レスポンスデータをトレーニングデータとして取得する取得部と、
    　前記トレーニングデータから統計学的手法又は機械学習を用いて、前記車両要素のレスポンスに関する学習済モデルを生成する生成部としての機能をコンピュータに発揮させることを特徴とする、車両要素レスポンス学習プログラム。
PCT/JP2022/029238 2021-07-30 2022-07-29 車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム WO2023008547A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP22849607.1A EP4379344A1 (en) 2021-07-30 2022-07-29 Vehicle element response learning method, vehicle element response calculation method, vehicle element response learning system, and vehicle element response learning program
CN202280053174.7A CN117730242A (zh) 2021-07-30 2022-07-29 车辆部件响应学习方法、车辆部件响应计算方法、车辆部件响应学习系统及车辆部件响应学习程序
JP2023538632A JPWO2023008547A1 (ja) 2021-07-30 2022-07-29

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2021-125680 2021-07-30
JP2021125680 2021-07-30
JP2021182645 2021-11-09
JP2021-182645 2021-11-09

Publications (1)

Publication Number Publication Date
WO2023008547A1 true WO2023008547A1 (ja) 2023-02-02

Family

ID=85087001

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/029238 WO2023008547A1 (ja) 2021-07-30 2022-07-29 車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム

Country Status (3)

Country Link
EP (1) EP4379344A1 (ja)
JP (1) JPWO2023008547A1 (ja)
WO (1) WO2023008547A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005291081A (ja) * 2004-03-31 2005-10-20 Yamatake Corp 燃料消費量またはｃｏ２排出量の予測モデル作成方法、装置、およびプログラム
JP2019183698A (ja) * 2018-04-05 2019-10-24 トヨタ自動車株式会社 車載電子制御ユニット
JP2020067762A (ja) * 2018-10-23 2020-04-30 トヨタ自動車株式会社 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法
JP2020177016A (ja) * 2019-04-16 2020-10-29 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法
CN112078565A (zh) * 2020-09-17 2020-12-15 奇瑞汽车股份有限公司 氢燃料电池电动汽车的能量管理方法、装置及存储介质
US20210018016A1 (en) * 2019-07-18 2021-01-21 Hyundai Motor Company Deep learning-based cooling system temperature prediction apparatus according to physical causality and method therefor
CN112395777A (zh) * 2021-01-21 2021-02-23 南栖仙策(南京)科技有限公司 基于汽车尾气排放模拟环境的发动机标定参数寻优方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005291081A (ja) * 2004-03-31 2005-10-20 Yamatake Corp 燃料消費量またはｃｏ２排出量の予測モデル作成方法、装置、およびプログラム
JP2019183698A (ja) * 2018-04-05 2019-10-24 トヨタ自動車株式会社 車載電子制御ユニット
JP2020067762A (ja) * 2018-10-23 2020-04-30 トヨタ自動車株式会社 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法
JP2020177016A (ja) * 2019-04-16 2020-10-29 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法
US20210018016A1 (en) * 2019-07-18 2021-01-21 Hyundai Motor Company Deep learning-based cooling system temperature prediction apparatus according to physical causality and method therefor
CN112078565A (zh) * 2020-09-17 2020-12-15 奇瑞汽车股份有限公司 氢燃料电池电动汽车的能量管理方法、装置及存储介质
CN112395777A (zh) * 2021-01-21 2021-02-23 南栖仙策(南京)科技有限公司 基于汽车尾气排放模拟环境的发动机标定参数寻优方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TARO SHISHIDO: "Dynamic Modelling for Gasoline Direct Injection Engines", KEIHIN TECHNICAL REVIEW, vol. 6, 2017
XIAO HANG FANG: "Artificial neural network (ANN) assisted prediction of transient NOx emissions from a high-speed direct injection (HSDI) diesel engine", INTERNATIONAL JOURNAL OF ENGINE RESEARCH, 27 April 2021 (2021-04-27)

Also Published As

Publication number Publication date
EP4379344A1 (en) 2024-06-05
JPWO2023008547A1 (ja) 2023-02-02

Similar Documents

Publication Publication Date Title
Oncken et al. Real-time model predictive powertrain control for a connected plug-in hybrid electric vehicle
Böhme et al. Hybrid systems, optimal control and hybrid vehicles
Yaich et al. Modeling and simulation of electric and hybrid vehicles for recreational vehicle
CN110543098B (zh) 插电式混合动力系统构型的选择方法
Duan et al. Calibration efficiency improvement of rule-based energy management system for a plug-in hybrid electric vehicle
Finesso et al. An unsupervised machine-learning technique for the definition of a rule-based control strategy in a complex HEV
Cioroianu et al. Simulation of an electric vehicle model on the new WLTC test cycle using AVL CRUISE software
Wang et al. A new vehicle specific power method based on internally observable variables: Application to CO2 emission assessment for a hybrid electric vehicle
WO2023008547A1 (ja) 車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム
Cheng et al. Application of particle swarm optimization to design control strategy parameters of parallel hybrid electric vehicle with fuel economy and low emission
EP4290207A1 (en) On-road traveling test evaluation method, vehicle test system, and program for on-road traveling test evaluation
Taghavipour et al. Control‐relevant parameter estimation application to a model‐based PHEV power management system
CN117730242A (zh) 车辆部件响应学习方法、车辆部件响应计算方法、车辆部件响应学习系统及车辆部件响应学习程序
Maddumage et al. Comparing fuel consumption and emission levels of hybrid powertrain configurations and a conventional powertrain in varied drive cycles and degree of hybridization
Clark et al. Emissions modeling of heavy-duty conventional and hybrid electric vehicles
JP2022120757A (ja) 路上走行試験評価方法、車両試験システム及び路上走行試験評価用プログラム
Ding et al. Modeling and testing of low-speed electric vehicle
Witaszek Modeling of fuel consumption using artificial neural networks
Battery The Promise and Challenge of EV’s
Degeilh et al. Evaluation of plug-in hybrid vehicles in realworld conditions
Yildiz et al. Data-Driven Modelling of a Plug-In Hybrid Electric Vehicle
Anida et al. Driving cycle analysis for fuel rate and emissions in Kuala Terengganu city during go-to-work time
Kumar et al. Energy consumption in a motor vehicle based on Indian driving condition
Karabiyik et al. Energy Management Trade-off: Virtual Optimization of Hybrid Electric Vehicles
Bovee et al. Well-to-wheel analysis and measurement of energy use and greenhouse gas and criteria emissions in a Plug-in Hybrid Vehicle: the EcoCAR 2 case study

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22849607

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023538632

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280053174.7

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022849607

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022849607

Country of ref document: EP

Effective date: 20240229