CN111022206B - 车辆用驱动装置的控制装置及方法、车载电子控制单元 - Google Patents
车辆用驱动装置的控制装置及方法、车载电子控制单元 Download PDFInfo
- Publication number
- CN111022206B CN111022206B CN201910914722.0A CN201910914722A CN111022206B CN 111022206 B CN111022206 B CN 111022206B CN 201910914722 A CN201910914722 A CN 201910914722A CN 111022206 B CN111022206 B CN 111022206B
- Authority
- CN
- China
- Prior art keywords
- input
- parameter
- output
- layer
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/30—Controlling fuel injection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
- F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
- F02D13/0223—Variable control of the intake valves only
- F02D13/0234—Variable control of the intake valves only changing the valve timing only
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
- F02D41/0047—Controlling exhaust gas recirculation [EGR]
- F02D41/0077—Control of the EGR valve or actuator, e.g. duty cycle, closed loop control of position
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
- F02D41/40—Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
- F02D41/402—Multiple injections
- F02D41/403—Multiple injections with pilot injections
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0638—Engine speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0676—Engine temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
- B60W2710/0688—Engine temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/025—Engine noise, e.g. determined by using an acoustic sensor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
- F02D35/024—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure using an estimation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/146—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration
- F02D41/1461—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration of the exhaust gases emitted by the engine
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1466—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content
- F02D41/1467—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content with determination means using an estimation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/30—Controlling fuel injection
- F02D41/38—Controlling fuel injection of the high pressure type
- F02D41/40—Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
- F02D41/402—Multiple injections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
提供车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型、机器学习***、电子控制单元的制造方法以及输出参数算出装置,使用神经网络高精度地预测在时间序列上发生的现象。车辆用驱动装置的控制装置(60)具备使用利用了神经网络的已学习模型算出车辆的输出参数的运算部(81)和基于由运算部算出的输出参数控制搭载于车辆的车辆用驱动装置的控制部(82)。神经网络包括被输入第1时间点的车辆的第1输入参数的第1输入层、被输入第1时间点之后的第2时间点的车辆的第2输入参数的第2输入层、被输入第1输入层的输出的第1隐层、被输入与第1隐层的输出相关的值和第2输入层的输出的第2隐层、以及对输出参数进行输出的输出层。
Description
技术领域
本发明涉及车辆用驱动装置的控制装置、车载电子控制单元、已学习模型、机器学习***、车辆用驱动装置的控制方法、电子控制单元的制造方法以及输出参数算出装置。
背景技术
以往,已知使用包含输入层、中间层(隐层)以及输出层的神经网络从预定的输入参数导出预定的输出参数(例如专利文献1)。
现有技术文献
专利文献1:日本特开2011-54200号公报
发明内容
发明要解决的技术问题
在专利文献1记载的神经网络中,输入层的各节点与一个中间层的各节点以并行的方式连接。在这样的神经网络中,输入参数的时间序列上的变化不表现在神经网络的模型中,因此,对在时间序列上发生的现象的预测精度会降低。
于是,本发明的目的在于使用神经网络高精度地预测在时间序列上发生的现象。
用于解决问题的技术方案
本公开的主旨为以下所述。
(1)一种车辆用驱动装置的控制装置,具备:运算部,其使用利用了神经网络的已学习模型算出车辆的输出参数;和控制部,其基于由所述运算部算出的所述输出参数,控制搭载于所述车辆的车辆用驱动装置,所述神经网络包括:第1输入层,其被输入第1时间点的所述车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
(2)根据上述(1)所述的车辆用驱动装置的控制装置,所述第2输入参数的数量比所述第1输入参数的数量少。
(3)根据上述(2)所述的车辆用驱动装置的控制装置,所述第2输入参数是所述第1输入参数的一部分。
(4)根据上述(1)~(3)中任一项所述的车辆用驱动装置的控制装置,所述神经网络构成为所述第1隐层的输出被输入到所述第2隐层。
(5)根据上述(1)~(3)中任一项所述的车辆用驱动装置的控制装置,所述神经网络在所述第1隐层与所述第2隐层之间包括至少一个隐层。
(6)根据上述(1)~(5)中任一项所述的车辆用驱动装置的控制装置,所述神经网络构成为所述第2隐层的输出被输入到所述输出层。
(7)根据上述(1)~(5)中任一项所述的车辆用驱动装置的控制装置,所述神经网络在所述第2隐层与所述输出层之间包括至少一个隐层。
(8)根据上述(1)~(7)中任一项所述的车辆用驱动装置的控制装置,所述控制部控制搭载于所述车辆的内燃机,所述第1输入参数包括内燃机转速、内燃机水温、进气歧管内的进气中的氧浓度、缸内进气量、缸内容积、缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压中的至少一个,所述第2输入参数包括燃料喷射量、燃料喷射正时以及燃料喷射压中的至少一个,所述输出参数包括燃烧声音的声压、从内燃机主体排出的有害物质的浓度以及所述内燃机的热效率中的至少一个。
(9)根据上述(8)所述的车辆用驱动装置的控制装置,所述第1输入参数包括缸内压以及缸内温度,所述第2输入参数不包括缸内压以及缸内温度。
(10)一种车载电子控制单元,具备运算部,所述运算部经由设在车辆的通信装置从所述车辆的外部的服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述车辆的输出参数,所述神经网络包括:第1输入层,其被输入第1时间点的所述车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,所述服务器具备存储包括所述第1输入参数、所述第2 输入参数以及所述输出参数的训练数据集的存储装置,使用该训练数据集生成所述已学习模型。
(11)一种车载电子控制单元,具备:参数取得部,其取得第1时间点的车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数,并且,经由设在所述车辆的通信装置向所述车辆的外部的服务器发送所述第1输入参数、所述第2输入参数以及所述输出参数;和运算部,其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述输出参数,所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1 隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,所述服务器将由所述参数取得部取得的所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集来生成所述已学习模型。
(12)一种已学习模型,使用了神经网络,所述神经网络包括:第1 输入层,其被输入第1时间点的车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数;第1 隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述车辆的输出参数,所述已学习模型是将所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集对所述神经网络的权重进行了学习而得到的模型。
(13)一种机器学习***,具备设在车辆的电子控制单元、设在所述车辆的通信装置以及所述车辆的外部的服务器,所述电子控制单元具备:参数取得部,其取得第1时间点的所述车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数,并且,经由所述通信装置向所述服务器发送所述第1输入参数,所述第2输入参数以及所述输出参数;和运算部,其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述输出参数,所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,所述服务器将由所述参数取得部取得的所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集来生成所述已学习模型。
(14)一种车辆用驱动装置的控制方法,包括:取得第1时间点的车辆的第1输入参数和所述第1时间点之后的第2时间点的所述车辆的第2 输入参数;使用利用了神经网络的已学习模型,基于所述第1输入参数以及所述第2输入参数算出所述车辆的输出参数;以及基于所述输出参数,控制搭载于所述车辆的车辆用驱动装置,所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第 1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
(15)一种电子控制单元的制造方法,包括:将第1时间点的车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数用作训练数据集,生成使用了神经网络的已学习模型;和将所述已学习模型安装于电子控制单元,所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
(16)一种输出参数算出装置,构成为:使用利用了神经网络的已学习模型,基于第1时间点的第1输入参数以及所述第1时间点之后的第2 时间点的第2输入参数算出输出参数,所述神经网络包括被输入所述第1 输入参数的第1输入层、被输入所述第2输入参数的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入与该第1隐层的输出相关的值和所述第2输入层的输出的第2隐层、以及输出所述输出参数的输出层。
发明的效果
根据本发明,能够使用神经网络来高精度地预测在时间序列上发生的现象。
附图说明
图1是概略地表示使用第一实施方式涉及的车辆用驱动装置的控制装置的内燃机的图。
图2是第一实施方式中的ECU的处理器的功能框图。
图3表示具有简单构成的神经网络的一个例子。
图4是表示在时间序列上发生的现象的一个例子的图。
图5是表示在运算部中使用的神经网络的一个例子的图。
图6是表示神经网络的自由度与输出参数的决定系数之间的关系的图。
图7是表示在运算部中使用的神经网络的其他例子的图。
图8是表示在运算部中使用的神经网络的应用例的图。
图9是表示第一实施方式中的车辆用驱动装置的控制的控制例程的流程图。
图10是概略地表示第二实施方式涉及的机器学习***的图。
图11是概略地表示在应用第三实施方式涉及的机器学习***的车辆设置的内燃机的图。
图12是第三实施方式中的ECU的处理器的功能框图。
图13是第四实施方式中的ECU的处理器的功能框图。
标号说明
1,1’ 内燃机
60 车辆用驱动装置的控制装置
61 电子控制单元(ECU)
81 运算部
82 控制部
83 参数取得部
91 通信装置
100 车辆
200 服务器
300 机器学习***
具体实施方式
以下,参照附图对本发明的实施方式进行详细的说明。此外,在以下的说明中,对同样的构成要素标记相同的参照标号。
<第一实施方式>
首先,参照图1~图9对本发明的第一实施方式进行说明。
<内燃机整体的说明>
图1是概略地表示使用第一实施方式涉及的车辆用驱动装置的控制装置的内燃机的图。图1所示的内燃机1是压缩自着火式内燃机(柴油发动机),搭载于车辆。内燃机1是车辆用驱动装置的一个例子。
内燃机1具备内燃机主体10、燃料供给装置20、进气***30、排气***40以及排气气体再循环(EGR)***50。内燃机主体10具备形成有多个气缸11的气缸体、形成有进气口以及排气口的气缸盖、以及曲轴箱。在本实施方式中,气缸11的数量为四个。在各气缸11内配置有活塞,并且,各气缸11与进气口以及排气口连通。另外,在气缸盖设有构成为对进气口进行开闭的进气门、和构成为对排气口进行开闭的排气门。
燃料供给装置20具备燃料喷射阀21、共轨22、燃料供给管23、燃料泵24以及燃料箱25。燃料喷射阀21经由共轨22以及燃料供给管23与燃料箱25连结。燃料喷射阀21配置在气缸盖以使得向各气缸11的燃烧室内直接喷射燃料。燃料喷射阀21是所谓的缸内喷射阀。在燃料供给管23配置有压送燃料箱25内的燃料的燃料泵24。由燃料泵24压送的燃料经由燃料供给管23被供给至共轨22,从燃料喷射阀21被直接喷射至各气缸11 的燃烧室内。共轨22内的燃料的压力通过改变燃料泵24的输出来调整。
进气***30具备进气口、进气歧管31、进气管32、空气滤清器33、涡轮增压器5的压缩机34、中间冷却器35以及节气门36。进气口、进气歧管31以及进气管32形成将空气向气缸11内引导的进气通路。
各气缸11的进气口经由进气歧管31以及进气管32与空气滤清器33 连通。在进气管32内设有将在进气管32内流通的吸入空气压缩并排出的压缩机34、和对由压缩机34压缩后的空气进行冷却的中间冷却器35。节气门36能够通过由节气门驱动致动器37使之转动来改变进气通路的开口面积。
排气***40具备排气口、排气歧管41、排气管42、涡轮增压器5的涡轮43以及柴油微粒过滤器(DPF)44。排气口、排气歧管41以及排气管42形成将由燃烧室中的混合气的燃烧产生的排气气体排出的排气通路。
各气缸11的排气口经由排气歧管41以及排气管42与DPF44连通。在排气管42设有由排气气体的能量使之旋转驱动的涡轮43。当涡轮43被旋转驱动时,与此相伴,压缩机34旋转,吸入空气由此被压缩。在本实施方式中,在涡轮43设有可变喷嘴。当可变喷嘴的开度被改变时,供给至涡轮43的涡轮叶片的排气气体的流速变化,其结果是,涡轮43的转速变化。
DPF44捕集排气气体中的颗粒状物质(PM)。此外,排气***40也可以代替DPF44或者在DPF44的基础上具备其他排气净化装置。其他排气净化装置例如是选择还原型NOx减少催化剂(SCR催化剂)、NOx吸藏还原催化剂、氧化催化剂等。
EGR***50将从内燃机主体10排出到排气通路的排气气体的一部分供给至进气通路。EGR***50具备EGR管51、EGR控制阀52、EGR 冷却器53。EGR管51与排气歧管41和进气歧管31连结,使它们相互连通。在EGR管51设有对在EGR管51内流动的EGR气体进行冷却的EGR冷却器53。另外,在EGR管51设有能够改变由EGR管51形成的EGR 通路的开口面积的EGR控制阀52。通过控制EGR控制阀52的开度,从排气歧管41向进气歧管31回流的EGR气体的流量得到调整,其结果, EGR率变化。此外,EGR率是EGR气体量相对于供给至气缸11内的所有气体量(新气量和EGR气体量的合计)的比例。
此外,内燃机1的构成不限定于上述构成。因此,如气缸排列、燃料的喷射方式、进排气***的构成、阀动机构的构成、增压器的构成以及增压器的有无这样的内燃机的具体构成,也可以与图1所示的构成不同。
<车辆用驱动装置的控制装置>
车辆用驱动装置(在本实施方式中为内燃机1)的控制装置60具备电子控制单元(ECU)61以及各种传感器。内燃机1的各种控制由ECU61 基于各种传感器的输出等来执行。
ECU61由数字计算机构成,具备经由双向性总线62相互连接的存储器63、处理器65、输入端口66以及输出端口67。存储器63具备易失性存储器(例如RAM)以及非易失性存储器(例如ROM),存储在处理器 65中执行的程序、由处理器65执行各种处理时所使用的各种数据等。
在输入端口66输入有各种传感器的输出。在本实施方式中,空气流量计71、水温传感器72、氧浓度传感器73、进气温传感器80、燃压传感器 74以及负荷传感器78的输出经由所对应的AD转换器68被输入到输入端口66。
空气流量计71配置在空气滤清器33与压缩机34之间的进气管32,检测进气管32内的空气的流量。水温传感器72配置在内燃机1的冷却水路,检测内燃机1的冷却水的水温(内燃机水温)。氧浓度传感器73配置在进气歧管31,检测进气歧管31内的进气(在本实施方式中为新气以及 EGR气体)中的氧浓度。进气温传感器80配置在进气歧管31,检测进气歧管31内的进气的温度。
燃压传感器74配置在共轨22,检测共轨22内的燃料的压力、即向燃料喷射阀21供给的燃料的压力。负荷传感器78与设在车辆的加速踏板77 连接,产生与加速踏板77的踏入量成比例的输出电压。负荷传感器78检测内燃机负荷。另外,在输入端口66连接有曲轴例如每旋转10°产生输出脉冲的曲轴转角传感器79,该输出脉冲被输入到输入端口66。曲轴转角传感器79检测内燃机转速。
另一方面,输出端口67经由所对应的驱动电路69与内燃机1的各种致动器连接。在本实施方式中,输出端口67与涡轮43的可变喷嘴、燃料喷射阀21、燃料泵24、节气门驱动致动器37以及EGR控制阀52连接。 ECU61通过从输出端口67输出控制这些致动器的控制信号来控制内燃机 1。
图2是第一实施方式中的ECU61的处理器65的功能框图。在本实施方式中,处理器65具有运算部81以及控制部82。运算部81使用利用了神经网络的已学习模型来算出车辆的输出参数。控制部82基于由运算部 81算出的车辆的输出参数控制车辆用驱动装置。
<神经网络的概要>
首先,参照图3对神经网络的概要进行说明。图3表示具有简单构成的神经网络的一个例子。
图3中的圆标记表示人工神经元。人工神经元通常被称为节点或者单元(在本说明书中称为“节点”)。在图3中,L=1表示输入层,L=2以及 L=3表示隐层,L=4表示输出层。此外,隐层也称为中间层。
在图3中,x1以及x2表示输入层(L=1)的各节点以及从该节点的输出值,y表示输出层(L=4)的节点及其输出值。同样地,z1 (L=2)、 z2 (L=2)以及z3 (L=2)表示隐层(L=2)的各节点以及从该节点的输出值,z1 (L=3)以及z2 (L=3)表示隐层(L=3)的各节点以及从该节点的输出值。
在输入层的各节点,输入被直接输出。另一方面,输入层的各节点的输出值x1以及x2被输入到隐层(L=2)的各节点,在隐层(L=2)的各节点,分别使用所对应的权重w以及偏置b算出总输入值u。例如,在图 3中由隐层(L=2)的zk (L=2)(k=1、2、3)表示的各节点所算出的总输入值uk (L=2)为如以下式所示(M是输入层的节点的数量)。
接着,该总输入值uk (L=2)被通过激活函数f进行变换,从隐层(L =2)的由zk (L=2)表示的节点被作为输出值zk (L=2)(=f(uk (L=2))) 进行输出。另一方面,向隐层(L=3)的各节点输入隐层(L=2)的各节点的输出值z1 (L=2)、z2 (L=2)以及z3 (L=2),在隐层(L=3)的各节点,分别使用所对应的权重w以及偏置b算出总输入值u(=Σz·w+b)。该总输入值u同样被通过激活函数进行变换,从隐层(L=3)的各节点被作为输出值z1 (L=3)、z2 (L=3)进行输出,激活函数例如是S型(sigmoid) 函数σ。
另外,向输出层(L=4)的节点输入隐层(L=3)的各节点的输出值 z1 (L=3)以及z2 (L =3),在输出层的节点,分别使用所对应的权重w以及偏置b算出总输入值u(Σz·w+b),或者分别仅使用所对应的权重w算出总输入值u(Σz·w)。例如,在输出层的节点,可使用恒等函数来作为激活函数。在该情况下,在输出层的节点算出的总输入值u被直接作为输出值y从输出层的节点进行输出。
<神经网络中的学习>
在本实施方式中,使用误差反向传播法,学习神经网络内的各权重w 的值以及各偏置b的值。误差反向传播法是周知的,因此,以下简单地对误差反向传播法的概要进行说明。此外,偏置b是权重w的一种,因此,在以下的说明中,偏置b被作为权重w的一个。
在此,当u(L)变动时,通过下一层的总输入值u(L+1)的变化会引起误差函数E的变动,因此,能够用如下式(3)表示δ(L)(K是L+1 层中的节点的数量)。
在此,当表示为z(L)=f(u(L))时,上述(3)式的右边的总输入值uk (L+1)由如下式(4)表示。
因此,δ(L)由如下式(6)表示。
即,当求出δ(L+1),则能够求δ(L)。
在进行神经网络的学***方误差作为误差函数的情况下,误差函数E 成为E=1/2(y-yt)2。另外,在图3的输出层(L=4)的节点,成为输出值y=f(u(L))。因此,输出层(L=4)的节点处的δ(L)的值成为由如下式(7)表示。
在此,在输出层的激活函数f(u(L))是恒等函数的情况下,成为f’ (u(L))=1。因此,δ(L)=y-yt,求出δ(L)。
当求出δ(L)后,使用上式(6)求出前一层的δ(L-1)。这样依次求出前一层的δ,使用这些δ的值,从上式(2)针对各权重w求出误差函数 E的微分、即斜度当求出斜度后,使用该斜度 更新权重w的值,以使得误差函数E的值减少。即,进行权重 w的学习。
<本实施方式中的神经网络>
以下,对在本实施方式的运算部81使用的神经网络进行说明。在本实施方式中,在运算部81中使用的神经网络对在时间序列上发生的现象进行建模。
图4是表示在时间序列上发生的现象的一个例子的图。在图4中,P、 Q以及Y分别表示在时间序列上变化的车辆的预定参数。参数Y受到参数 P以及Q的影响。具体而言,时刻t2的参数Y2受到时刻t2之前的时刻 t1的参数P1以及Q1的影响。因此,时刻t2的参数Y2可表示为时刻t1 的参数P1以及Q1的函数(f(P1,Q1)。另外,时刻t3的参数Y3受到时刻t3之前的时刻t2的参数P2以及Q2的影响。因此,时刻t3的参数Y3可表示为时刻t2的参数P2以及Q2的函数(g(P2,Q2)。
因此,认为:在使用神经网络预测参数Y3的情况下,将参数P2以及 Q2作为输入参数,将参数Y3作为输出参数。然而,在图4的例子中,参数P2不可观测,因此,无法将参数P2作为输入参数。
考虑在该情况下,将可观测的参数P1、Q1以及Q2作为输入参数,将各输入参数输入给输入层。例如,输入参数P1、Q1以及Q2被输入到如图 3所示的输入层(L=1)的各节点(在该情况下,节点数量成为3)。然而,在该情况下,输入参数P1、Q1以及Q2的时间序列上的变化与输出参数 Y3的关系未表现在神经网络的模型中。其结果是,输出参数Y3的预测精度会降低。
于是,在本实施方式中,神经网络构成为能表现从输入参数P1、Q1以及Q2生成输出参数Y3的过程。图5是表示在运算部81中使用的神经网络的一个例子的图。
如图5所示,神经网络包括被输入第1时间点的车辆的第1输入参数的第1输入层、和被输入第1时间点之后的第2时间点的车辆的第2输入参数的第2输入层。因此,神经网络包括多个输入层。在各输入层输入同一时间点的输入参数。
在图5的例子中,作为第1时间点的车辆的第1输入参数,使用图4 的时刻t1的参数P1以及Q1。因此,第1输入参数的数量为两个,第1输入层的节点的数量为两个。另外,在图5的例子中,作为第2时间点的车辆的第2输入参数,使用图4的时刻t2的参数Q2。因此,第2输入参数的数量是一个,第2输入层的节点的数量是一个。各输入层的节点的数量与输入到各输入层的输入参数的数量相等。
在图5的例子中,时刻t2的参数P2不可观测,因此,第2输入参数的数量比第1输入参数的数量少。另外,在图5的例子中,使用共同的参数(参数Q)作为第1输入参数以及第2输入参数,第2输入参数是第1 输入参数的一部分。
另外,神经网络包括第1隐层以及第2隐层。即,神经网络包括多个隐层。在图5的例子中,第1隐层以及第2隐层的节点的数量分别是四个。即,第1隐层以及第2隐层的节点的数量相等。另外,在图5的例子中,输入层以及隐层的数量相等。
第1输入层与第1隐层连接。具体而言,第1输入层的节点分别与第 1隐层的全部节点连接。因此,在第1隐层输入第1输入层的输出。具体而言,在第1隐层的节点分别输入第1输入层的全部节点的输出。
第2输入层与第2隐层连接。具体而言,第2输入层的节点与第2隐层的全部节点连接。因此,在第2隐层输入第2输入层的输出。具体而言,在第2隐层的节点分别输入第2输入层的全部节点的输出。
另外,在第2隐层也输入与第1隐层的输出相关的值。与第1隐层的输出相关的值包括第1隐层的输出、和神经网络在第1隐层与第2隐层之间包含其他隐层的情况下由其他隐层变换后的第1隐层的输出。在图5的例子中,第1隐层与第2隐层连接。具体而言,第1隐层的节点分别与第2隐层的全部节点连接。因此,在第2隐层输入第1隐层的输出。具体而言,在第2隐层的节点分别输入第1隐层的全部节点的输出。
另外,神经网络包括输出车辆的输出参数的输出层。输出层基于第1 隐层的输出以及第2隐层的输出,输出第2时间点之后的第3时间点的输出参数。如此,在本实施方式的神经网络中,基于相对靠前的时间点的输入参数,输出相对靠后的时间点的输出参数。在图5的例子中,作为第3 时间点的车辆的输出参数,使用图4的时刻t3的参数Y3。在该情况下,输出层的节点的数量是一个。输出层的节点的数量与从输出层输出的输出参数的数量相等。
在输出层输入与第2隐层的输出相关的值。与第2隐层的输出相关的值包括第2隐层的输出、和在第2隐层与输出层之间包含其他隐层的情况下通过其他隐层变换后的第2隐层的输出。在图5的例子中,第2隐层与输出层连接。具体而言,第2隐层的节点分别与输出层的全部节点连接。因此,在输出层输入第2隐层的输出。具体而言,在输出层的节点分别输入第2隐层的全部节点的输出。
另外,如图5所示,神经网络构成为连接了第1输入层的第1隐层比连接了第2输入层的第2隐层更远离输出层。换言之,神经网络构成为连接了第1输入层的第1隐层为比连接了第2输入层的第2隐层浅的层。因此,在本实施方式中,神经网络构成为,被输入相对地在前的时间点的输入参数的隐层比被输出相对地在后的时间点的输入参数的隐层更远离输出比全部输入参数靠后的时间点的输出参数的输出层。通过如上所述的构成,能够使用神经网络高精度地预测在时间序列上发生的现象。
另外,在图5的例子中,通过将第1输入参数P1以及Q1输入到第1 隐层,第1隐层的输出成为包含不可观测的参数P2的特征量。其结果是,被输入与第1隐层的输出相关的值和第2输入参数Q2的第2隐层进行的处理接近根据输入参数P2以及Q2对输出参数进行输出的处理。因此,即使是在存在因时间变化而成为不可观测的输入参数的情况下,也能够抑制输出参数的预测精度降低。
图6是表示神经网络的自由度与输出参数Y3的决定系数之间的关系的图。可设定的权重以及偏置的数量越多,神经网络的自由度越大。即,输入层的数量、输入层的节点的数量、隐层的数量以及隐层的节点的数量越多,神经网络的自由度越大。
另外,输出参数Y3的决定系数R2通过如下式来算出,取0~1的值。输出参数Y3的决定系数R2越接近1,输出参数的预测精度越高。
R2=(输出参数Y3的预测值的偏差平方和)/(输出参数Y3的观测值的偏差平方和)
在此,输出参数Y3的预测值是由已学习过的神经网络输出的值,输出参数Y3的观测值是使用传感器等实际检测到的值。
图6中,使用了图5所示的神经网络的结果由菱形标绘,使用了比较例的神经网络的结果由三角标绘。在比较例的神经网络中,从图5所示的神经网络省略第2输入层,作为第1输入参数,参数P1、Q1以及Q2被输入到第1输入层。
根据图6可知,在图5所示的神经网络中,与比较例相比,即使是在神经网络的自由度小的情况下,输出参数Y3的决定系数也大,输出参数 Y3的预测精度也高。因此,不增大神经网络的自由度,就能够提高输出参数Y3的预测精度。其结果是,能够减少用于制作使用了神经网络的已学习模型的学习时间。
此外,在图5所示的神经网络中,输入层以及隐层的数量也可以分别是三个以上。另外,各输入层、各隐层以及输出层的节点的数量也可以分别是一个以上的其他数量。另外,各隐层的节点的数量也可以不同。另外,在不存在不可观测的参数的情况下,第1输入层以及第2输入层的节点数也可以相同,第2输入参数也可以与第1输入参数相同。另外,第2输入参数也可以不包含在第1输入参数中。另外,第2输入参数的数量也可以比第1输入参数的数量多。
图7是表示在运算部81中使用的神经网络的其他例子的图。如图7 所示,神经网络也可以在与输入层连接的隐层(第1隐层以及第2隐层) 之间包含至少一个隐层。另外,如图7所示,神经网络也可以在第2隐层与输出层(第2输出层)之间包含至少一个隐层。由此,即使是在神经网络处理的现象复杂的情况下(例如输入参数或者输出参数的数量多的情况下),也能够提高输出参数的预测精度。
另外,输出层的数量也可以为两个以上。例如如图7所示,神经网络也可以还包括与第1隐层连接的输出层(第1输出层)。在图7的例子中,第1输出层输出第2时间点的输出参数Y2。
<神经网络的具体应用例>
接着,参照图8,对在运算部81中使用的神经网络的具体应用例进行说明。图8是表示在运算部81中使用的神经网络的应用例的图。
图8所示的神经网络包括被输入第1时间点的车辆的第1输入参数的第1输入层、被输入第1时间点之后的第2时间点的车辆的第2输入参数的第2输入层以及被输入第2时间点之后的第3时间点的车辆的第3输入参数的第3输入层。各输入层具有与所输入的输入参数的数量相等的多个节点。
另外,图8所示的神经网络包括与第1输入层连接的第1隐层、与第 2输入层连接的第2隐层、与第3输入层连接的第3隐层。在第1隐层输入第1输入层的输出。在第2隐层输入第2输入层的输出以及第1隐层的输出。在第3隐层输入第3输入层的输出以及第2隐层的输出。各隐层具有多个节点。
另外,图8所示的神经网络包括输出车辆的输出参数的输出层。输出层基于第1隐层的输出、第2隐层的输出以及第3隐层的输出,输出第3 时间点之后的第4时间点的输出参数。输出层与第3隐层连接,第3隐层的输出被输入到输出层。另外,输出层具有多个节点。
此外,该神经网络也可以在第1隐层与第2隐层之间、第2隐层与第3隐层之间、或者第3隐层与输出层之间包括其他隐层。另外,输出层的数量也可以为两个以上。
使用了图8所示的神经网络的模型可应用于内燃机1的一次循环中的燃烧过程。图8示出表示相对于曲轴转角的缸内容积、缸内压、缸内温度以及燃料喷射率的推移的曲线图。在内燃机1中,通过燃料喷射阀21实施多级喷射。具体而言,在一次循环中,实施两次引燃喷射(第1引燃喷射 P1以及第2引燃喷射P2)和一次主喷射M。缸内容积与缸内的燃烧状态无关,根据曲轴转角而变化。另一方面,缸内压以及缸内温度根据缸内的燃烧状态而变化。
图8所示的神经网络从输出层输出作为一次循环中的燃烧的结果而产生的燃烧声音的声压、从内燃机主体10排出的有害物质的浓度以及内燃机 1的热效率来作为输出参数。有害物质例如可以是一氧化碳(CO)、碳化氢(HC)、氧化氮(NOx)、颗粒状物质(PM)等。此外,输出参数可以是上述参数中的至少一个。
作为与上述输出参数相关的参数,可举出内燃机转速、内燃机水温、进气歧管内的进气中的氧浓度、缸内进气量、缸内容积、缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压。特别是,上述的输出参数受到燃烧时的缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压的影响。因此,优选使用缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压来作为第1输入参数、第2输入参数以及第3输入参数。
然而,只要不在气缸11内设置高价的缸内压传感器以及缸内温度传感器,就无法检测燃烧后的缸内压以及缸内温度。因此,无法使用缸内压以及缸内温度来作为第2输入参数以及第3输入参数。于是,在图8所示的神经网络中,设定成各输入参数为以下参数。
作为第1时间点的第1输入参数,可使用曲轴转角θ1下的内燃机转速、内燃机水温、进气歧管31内的进气中的氧浓度、缸内进气量、缸内容积、缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压。因此,第1输入参数的数量是10。曲轴转角θ1相当于第1引燃喷射(P1) 的开始正时、即一次循环中的燃料喷射的开始正时。此外,第1输入参数也可以是上述参数中的至少一个。
作为第2时间点的第2输入参数,可使用曲轴转角θ2下的燃料喷射量、燃料喷射正时以及燃料喷射压。因此,第2输入参数的数量是三个,比第1输入参数的数量少。另外,第2输入参数是第1输入参数的一部分。曲轴转角θ2相当于第2引燃喷射(P2)的开始正时。此外,第2输入参数也可以是上述参数中的至少一个。
作为第3时间点的第3输入参数,可使用曲轴转角θ3下的燃料喷射量、燃料喷射正时以及燃料喷射压。因此,第3输入参数的数量是三个,比第1输入参数的数量少。另外,第3输入参数与第2输入参数相等,是第1输入参数的一部分。曲轴转角θ3相当于主喷射(M)的开始正时。此外,第3输入参数也可以是上述参数中的至少一个。
对于各输入参数,使用各种传感器等在ECU61中例如如以下那样算出,并由运算部81取得。内燃机转速基于曲轴转角传感器79的输出来算出。内燃机水温基于水温传感器72的输出来算出。进气歧管内的进气中的氧浓度基于氧浓度传感器73的输出来算出。缸内进气量基于空气流量计 71的输出和从ECU61输出至EGR控制阀52的指令值来算出。缸内容积基于由曲轴转角传感器79检测到的曲轴转角来算出。
燃烧前的缸内压基于空气流量计71的输出以及内燃机1的压缩比来算出。燃烧前的缸内温度基于进气温传感器80的输出以及内燃机1的压缩比来算出。此外,内燃机1的压缩比是预先确定的,存储在ECU61的存储器63。燃料喷射量以及燃烧喷射正时基于从ECU61输出至燃料喷射阀21 的指令值来算出。燃料喷射压基于燃压传感器74的输出来算出。
图8所示的神经网络的学习(即权重w以及偏置b的设定)在使用了神经网络的模型搭载到车辆之前进行。在神经网络的学习中,使用包括输入参数的实测值和与该输入参数对应的输出参数的实测值(正解数据)的训练数据集。具体而言,通过使用大量的训练数据集,利用上述的误差反向传播法反复更新神经网络的权重w以及偏置b,从而设定权重w以及偏置b。其结果是,神经网络被进行学习,生成使用了神经网络的已学习模型。
所生成的已学习模型被安装于车辆的ECU61。此外,用于训练数据集的输入参数以及输出参数的实测值例如使用发动机台架等来预先取得。另外,对于神经网络的学习,例如使用设置于工厂的计算机(例如搭载有 GPU的计算机)来进行。
<流程图>
图9是表示第一实施方式中的车辆用驱动装置的控制的控制例程的流程图。本控制例程由ECU61以预定的执行间隔反复执行。预定的执行间隔例如是一次循环的时间。
首先,在步骤S101中,运算部81取得车辆的输入参数。
接着,在步骤S102中,运算部81使用利用了神经网络的已学习模型,基于车辆的输入参数算出车辆的输出参数。具体而言,运算部81通过将在步骤101中取得的输入参数输入到神经网络,使神经网络对输出参数进行输出。例如,在使用图8所示的神经网络的情况下,第1时间点的车辆的第1输入参数被输入到第1输入层,第2时间点的车辆的第2输入参数被输入到第2输入层,第3时间点的车辆的第3输入参数被输入到第3输入层。即,基于第1输入参数、第2输入参数以及第3输入参数算出输出参数。
接着,在步骤S103中,控制部82基于由运算部81算出的输出参数控制车辆用驱动装置(在本实施方式中为内燃机1)。例如,在输出参数是燃烧声音的声压的情况下,控制部82控制燃料喷射率的模式等以使得燃烧声音的声压成为目标值以下。另外,在输出参数是从内燃机主体10排出的 NOx的浓度的情况下,控制部82控制EGR控制阀52的开度等以使得NOx 的浓度成为目标值以下。另外,在输出参数是内燃机1的热效率的情况下,控制部82控制燃料喷射率的模式、进气门的闭阀正时等以使得热效率成为预定值以上。此外,进气门的闭阀正时通过控制设在内燃机1的公知的可变气门正时机构来变更。在步骤S103之后,本控制例程结束。
<第二实施方式>
第二实施方式涉及的机器学习***中使用的电子控制单元的构成以及控制基本上与第一实施方式中的电子控制单元是同样的。因此,以下以与第一实施方式的不同点为中心对本发明的第二实施方式进行说明。
在第二实施方式中,使用了神经网络的已学习模型在车辆外部的服务器中生成,在运算部81中使用从服务器被接收到车辆的已学习模型。由此,能够根据需要切换或者追加已学习模型,能够使用神经网络获得所希望的输出参数。另外,通过与服务器的通信来更新神经网络的权重等,由此能够提高输出参数的预测精度。
图10是概略地表示第二实施方式涉及的机器学习***的图。机器学习***300具备设在车辆100的电子控制单元(ECU)61以及通信装置91、和车辆100外部的服务器200。与第一实施方式同样地,如图2所示,ECU61 的处理器65具有运算部81以及控制部82。
ECU61和通信装置91经由依照CAN(Controller Area Network)等标准的车内网络彼此以能进行通信方式相连接。通信装置91是能够经由通信网络与服务器200进行通信的设备,例如是数据通信模块(DCM)。通信装置91与服务器200之间的通信通过依照各种通信标准的无线通信进行。
服务器200具备通信接口(I/F)210、存储装置230以及处理器220。通信接口210以及存储装置230经由信号线与处理器220连接。此外,服务器200也可以还具备如键盘以及鼠标的输入装置、如显示器的输出装置等。
通信接口210具有用于将服务器200经由通信网络连接于车辆100的通信装置91的接口电路。存储装置230例如由硬盘驱动器(HDD)、固态硬盘驱动器(SDD)、光记录介质、如随机访问存储器(RAM)的半导体存储器等构成。
存储装置230存储各种数据。具体而言,存储装置230存储用于进行神经网络的学习的训练数据集(例如包含第1输入参数、第2输入参数以及输出参数的训练数据集)、和用于进行神经网络的学习的计算机程序。对于用于训练数据集的输入参数以及输出参数的实测值,例如可使用发动机台架等来预先取得。此外,用于训练数据集的输入参数以及输出参数的实测值也可以在与车辆100不同的其他车辆中取得,也可以从设于该其他车辆的通信装置被发送到服务器200。
如图10所示,服务器200的处理器220具备学习部222来作为功能块。学习部222使用存储于服务器200的存储装置230的训练数据集进行神经网络的学习,生成使用了神经网络的已学习模型。具体而言,使用大量的训练数据集,通过上述的误差反向传播法反复更新神经网络的权重w以及偏置b,由此设定权重w以及偏置b。其结果是,神经网络被进行学习,生成使用了神经网络的已学习模型。此外,第二实施方式中的神经网络具有与第一实施方式同样的构成(例如参照图5、图7以及图8)。
当由学习部222生成已学习模型后,所生成的已学习模型经由服务器 200的通信接口210以及车辆100的通信装置91被从服务器200发送至 ECU61。ECU61的运算部81从服务器200经由通信装置91接收已学习模型,使用接收到的已学习模型算出车辆的输出参数。另外,在由ECU61 的控制部82执行车辆用驱动装置的控制的情况下,与第一实施方式同样地执行图9的控制例程。
<第三实施方式>
第三实施方式涉及的机器学习***的构成以及控制基本上与第二实施方式中的机器学习***是同样。因此,以下以与第二实施方式不同的部分为中心,对本发明的第三实施方式进行说明。
在第三实施方式中,与第二实施方式同样地,在车辆外部的服务器中生成使用了神经网络的已学习模型,在运算部81中使用从服务器被接收到车辆的已学习模型。另一方面,在第三实施方式中,在车辆中取得用于训练数据集的输入参数以及输出参数的实测值。由此,能够容易地准备大量的训练数据集。
图11是该略地表示在应用第三实施方式涉及的机器学习***的车辆中设置的内燃机的图。在内燃机1’中,除了图1所示的各种传感器之外,还设有声压传感器75以及浓度传感器76。
声压传感器75例如配置在内燃机主体10的气缸体,检测燃烧声音的声压。浓度传感器76配置在内燃机1’的排气通路、例如涡轮43与DPF44 之间,检测从内燃机主体10排出的有害物质的浓度。浓度传感器76例如是检测HC的浓度的HC浓度传感器、检测NOx的浓度的NOx浓度传感器等。声压传感器75以及浓度传感器76的输出经由所对应的AD转换器 68被输入到ECU61的输入端口66。
与第二实施方式同样地,如图10所示,机器学习***300具备设在车辆100的电子控制单元(ECU)61以及通信装置91、和车辆100外部的服务器200。图12是第三实施方式中的ECU61的处理器65的功能框图。在第三实施方式中,处理器65在运算部81以及控制部82之外还具有参数取得部83。
参数取得部83取得车辆100的输入参数以及输出参数。具体而言,参数取得部83与运算部81同样地取得由ECU61基于各种传感器的输出等算出的输入参数。另外,参数取得部83取得由ECU61基于各种传感器的输出等算出的输出参数。例如,在输出参数是燃烧声音的声压的情况下,参数取得部83取得基于声压传感器75的输出算出的燃烧声音的声压。另外,在输出参数是从内燃机主体10排出的有害物质的浓度的情况下,参数取得部83取得基于浓度传感器76的输出算出的有害物质的浓度。
在通过服务器200的学习部222学习的神经网络具有如图5或者图7 所示那样的构成的情况下,参数取得部83取得第1时间点的车辆的第1 输入参数、第2时间点的车辆的第2输入参数以及第3时间点的车辆的输出参数。另外,在被进行学习的神经网络具有如图8所示那样的构成的情况下,参数取得部83取得第1时间点的车辆的第1输入参数、第2时间点的车辆的第2输入参数、第3时间点的车辆的第3输入参数以及第4时间点的车辆的输出参数。
参数取得部83将所取得的输入参数以及输出参数经由通信装置91发送给服务器200。被发送到服务器200的输入参数以及输出参数被存储在服务器200的存储装置230中。
服务器200的学习部222使用通过参数取得部83取得的输入参数以及输出参数作为训练数据集,生成使用了神经网络的已学习模型。具体而言,使用大量的训练数据集,通过上述的误差反向传播法反复更新神经网络的权重w以及偏置b,由此决定权重w以及偏置b。其结果是,神经网络被进行学习,生成使用了神经网络的已学习模型。
另外,与第二实施方式同样地,服务器200的学习部222向运算部81 发送已学习模型,运算部81使用接收到的已学习模型来算出输出参数。通过使用已学习模型算出输出参数,能够在通过传感器等检测输出参数之前,预测相对于预定的输入参数的输出参数。
另外,在通过ECU61的控制部82执行车辆用驱动装置的控制的情况下,与第一实施方式同样地执行图9的控制例程。
<第四实施方式>
第四实施方式涉及的车辆用驱动装置的控制装置的构成以及控制基本上与第一实施方式中的车辆用驱动装置的控制装置是同样的。因此,以下以与第一实施方式不同的部分为中心,对本发明的第四实施方式进行说明。
在第四实施方式中,与第三实施方式同样地,在车辆中取得用于训练数据集的输入参数以及输出参数的实测值。另一方面,在第四实施方式中,在车辆中生成使用了神经网络的已学习模型。由此,能够使用车辆容易地生成已学习模型。
图13是第四实施方式中的ECU61的处理器65的功能框图。在第四实施方式中,处理器65在运算部81以及控制部82之外还具有参数取得部 83以及学习部84。与第三实施方式同样地,参数取得部83取得输入参数以及输出参数。所取得的输入参数以及输出参数被存储在ECU61的存储器63。
学习部84使用由参数取得部83取得的输入参数以及输出参数来作为训练数据集,生成使用了神经网络的已学习模型。具体而言,通过使用大量的训练数据集,利用上述的误差反向传播法反复更新神经网络的权重w 以及偏置b,由此设定权重w以及偏置b。其结果是,神经网络被进行学习,生成使用了神经网络的已学习模型。
运算部81使用由学习部84生成的已学习模型来算出输出参数。通过使用已学习模型算出输出参数,能够在由传感器等检测输出参数之前,预测相对于预定的输入参数的输出参数。
另外,在由ECU61的控制部82执行车辆用驱动装置的控制的情况下,与第一实施方式同样地执行图9的控制例程。
<其他的实施方式>
以上,对本发明涉及的优选实施方式进行了说明,但本发明并不限定于这些实施方式,能够在权利要求书记载的范围内实施各种各样的修正以及变更。
例如,车辆用驱动装置也可以是汽油发动机。例如,本实施方式中的使用了神经网络的模型也可以应用于具备向进气口喷射燃料的口喷射阀、和向缸内直接喷射燃料的缸内喷射阀的汽油发动机。在该情况下,在一次循环中,首先从口喷射阀喷射燃料,接着从缸内喷射阀喷射燃料。考虑该状况,神经网络中的第1输入参数、第2输入参数以及输出参数例如可如以下那样设定。
第1输入参数包括内燃机转速、口喷射量、口喷射正时、进气温度、进气压力、EGR控制阀的开度以及吸入空气量中的至少一个。另外,第2 输入参数包括缸内喷射量、缸内喷射正时以及缸内喷射压中的至少一个。另外,输出参数包括混合气的着火正时、混合气的燃烧期间、从内燃机主体排出的有害物质的浓度以及基于燃烧的发热量的最大值中的至少一个。在该情况下,第1输入参数、第2输入参数以及输出参数也能够基于各种传感器的输出等来在ECU61中算出。
另外,车辆用驱动装置也可以是内燃机以外的驱动装置、例如马达、变速器、电池等。例如,本实施方式中的使用了神经网络的模型也可以应用于在混合动力车辆(HV)、插电式混合动力车辆(PHV)或者电动汽车 (EV)中搭载的电池。车辆的运转开始时的电池的充电率(SOC:State Of Charge,充电状态)的初始值可以基于能够检测电池的电压的电压传感器的输出等来算出。另外,在电池设有能够检测电池的温度的温度传感器的情况下,也能够观测车辆运转中的电池的温度。另一方面,车辆运转中的 SOC无法观测。考虑该状况,神经网络中的第1输入参数、第2输入参数以及输出参数例如如以下那样设定。
第1输入参数包括电池电压、电池电流、车辆的运转开始时的电池温度、车辆的运转开始时的电池的SOC以及车辆的连续运转时间中的至少一个。另外,第2输入参数包括车辆的运转期间的电池温度。另外,输出参数包括车辆的运转期间的电池的SOC。在该情况下,第1输入参数、第2输入参数以及输出参数也可以基于各种传感器的输出等在ECU61中算出。
另外,使用了如上所述那样的神经网络的已学习模型也可以应用在构成为基于第1输入参数以及第2输入参数来算出输出参数的输出参数算出装置。在该情况下,第1输入参数、第2输入参数以及输出参数不限定为关于车辆的参数。
Claims (16)
1.一种车辆用驱动装置的控制装置,具备:
运算部,其使用利用了神经网络的已学习模型算出车辆的输出参数;和
控制部,其基于由所述运算部算出的所述输出参数,控制搭载于所述车辆的车辆用驱动装置,
所述神经网络包括:第1输入层,其被输入第1时间点的所述车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
2.根据权利要求1所述的车辆用驱动装置的控制装置,
所述第2输入参数的数量比所述第1输入参数的数量少。
3.根据权利要求2所述的车辆用驱动装置的控制装置,
所述第2输入参数是所述第1输入参数的一部分。
4.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置,
所述神经网络构成为所述第1隐层的输出被输入到所述第2隐层。
5.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置,
所述神经网络在所述第1隐层与所述第2隐层之间包括至少一个隐层。
6.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置,
所述神经网络构成为所述第2隐层的输出被输入到所述输出层。
7.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置,
所述神经网络在所述第2隐层与所述输出层之间包括至少一个隐层。
8.根据权利要求1~3中任一项所述的车辆用驱动装置的控制装置,
所述控制部控制搭载于所述车辆的内燃机,
所述第1输入参数包括内燃机转速、内燃机水温、进气歧管内的进气中的氧浓度、缸内进气量、缸内容积、缸内压、缸内温度、燃料喷射量、燃料喷射正时以及燃料喷射压中的至少一个,所述第2输入参数包括燃料喷射量、燃料喷射正时以及燃料喷射压中的至少一个,所述输出参数包括燃烧声音的声压、从内燃机主体排出的有害物质的浓度以及所述内燃机的热效率中的至少一个。
9.根据权利要求8所述的车辆用驱动装置的控制装置,
所述第1输入参数包括缸内压以及缸内温度,所述第2输入参数不包括缸内压以及缸内温度。
10.一种车载电子控制单元,具备运算部,所述运算部经由设在车辆的通信装置从所述车辆的外部的服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述车辆的输出参数,
所述神经网络包括:第1输入层,其被输入第1时间点的所述车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,
所述服务器具备存储包括所述第1输入参数、所述第2输入参数以及所述输出参数的训练数据集的存储装置,使用该训练数据集生成所述已学习模型。
11.一种车载电子控制单元,具备:
参数取得部,其取得第1时间点的车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数,并且,经由设在所述车辆的通信装置向所述车辆的外部的服务器发送所述第1输入参数、所述第2输入参数以及所述输出参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;和
运算部,其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述输出参数,
所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,
所述服务器将由所述参数取得部取得的所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集来生成所述已学习模型。
12.一种存储有已学习模型的存储装置,所述已学习模型使用了神经网络,所述神经网络包括:第1输入层,其被输入第1时间点的车辆的第1输入参数;第2输入层,其被输入所述第1时间点之后的第2时间点的所述车辆的第2输入参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述车辆的输出参数,
所述已学习模型是将所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集对所述神经网络的权重进行了学习而得到的模型。
13.一种机器学习***,具备设在车辆的电子控制单元、设在所述车辆的通信装置以及所述车辆的外部的服务器,
所述电子控制单元具备:
参数取得部,其取得第1时间点的所述车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数,并且,经由所述通信装置向所述服务器发送所述第1输入参数,所述第2输入参数以及所述输出参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;和
运算部,其经由所述通信装置从所述服务器接收使用了神经网络的已学习模型,并且使用该已学习模型算出所述输出参数,
所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数,
所述服务器将由所述参数取得部取得的所述第1输入参数、所述第2输入参数以及所述输出参数用作训练数据集来生成所述已学习模型。
14.一种车辆用驱动装置的控制方法,包括:
取得第1时间点的车辆的第1输入参数和所述第1时间点之后的第2时间点的所述车辆的第2输入参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;
使用利用了神经网络的已学习模型,基于所述第1输入参数以及所述第2输入参数算出所述车辆的输出参数;以及
基于所述输出参数,控制搭载于所述车辆的车辆用驱动装置,
所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
15.一种电子控制单元的制造方法,包括:
将第1时间点的车辆的第1输入参数、所述第1时间点之后的第2时间点的所述车辆的第2输入参数以及所述第2时间点之后的时间点的所述车辆的输出参数用作训练数据集,生成使用了神经网络的已学习模型,所述第2输入参数包括与所述第1输入参数中的参数相同的参数;和
将所述已学习模型安装于电子控制单元,
所述神经网络包括:第1输入层,其被输入所述第1输入参数;第2输入层,其被输入所述第2输入参数;第1隐层,其被输入所述第1输入层的输出;第2隐层,其被输入与该第1隐层的输出相关的值和所述第2输入层的输出;以及输出层,其输出所述输出参数。
16.一种车辆的输出参数算出装置,构成为:使用利用了神经网络的已学习模型,基于第1时间点的车辆的第1输入参数以及所述第1时间点之后的第2时间点的车辆的第2输入参数算出车辆的输出参数,所述第2输入参数包括与所述第1输入参数中的参数相同的参数,所述神经网络包括被输入所述第1输入参数的第1输入层、被输入所述第2输入参数的第2输入层、被输入所述第1输入层的输出的第1隐层、被输入与该第1隐层的输出相关的值和所述第2输入层的输出的第2隐层以及输出所述车辆的输出参数的输出层。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-191214 | 2018-10-09 | ||
JP2018191214A JP6702389B2 (ja) | 2018-10-09 | 2018-10-09 | 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111022206A CN111022206A (zh) | 2020-04-17 |
CN111022206B true CN111022206B (zh) | 2022-06-21 |
Family
ID=68242307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910914722.0A Active CN111022206B (zh) | 2018-10-09 | 2019-09-25 | 车辆用驱动装置的控制装置及方法、车载电子控制单元 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10864900B2 (zh) |
EP (1) | EP3636904A3 (zh) |
JP (1) | JP6702389B2 (zh) |
CN (1) | CN111022206B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6702380B2 (ja) * | 2018-09-14 | 2020-06-03 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
JP6690743B1 (ja) * | 2019-01-23 | 2020-04-28 | トヨタ自動車株式会社 | 機械学習装置 |
JP6795116B1 (ja) * | 2020-06-08 | 2020-12-02 | トヨタ自動車株式会社 | 車両、及びサーバ |
DE112022000253T5 (de) * | 2021-01-13 | 2023-11-16 | Hanon Systems | Steuerungssystem für ein auf künstlicher intelligenz basierendes integriertes fahrzeug-wärmemanagementsystem und verfahren zur steuerung desselben |
US11454183B1 (en) * | 2021-12-08 | 2022-09-27 | Southwest Research Institute | Method of generating rate-of-injection (ROI) profiles for a fuel injector and system implementing same |
US20230304430A1 (en) * | 2022-03-25 | 2023-09-28 | Ford Global Technologies, Llc | System and methods for estimating emissions |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233585A (ja) * | 1992-02-24 | 1993-09-10 | Hitachi Ltd | 設備異常診断方法 |
JPH0939821A (ja) * | 1995-08-02 | 1997-02-10 | Mitsubishi Motors Corp | 車両の後輪操舵制御装置 |
US5625750A (en) * | 1994-06-29 | 1997-04-29 | Ford Motor Company | Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks |
JP2000231547A (ja) * | 1999-02-12 | 2000-08-22 | Victor Co Of Japan Ltd | ネットワーク型ファジイ制御装置及びその学習方法 |
JP2005120896A (ja) * | 2003-10-16 | 2005-05-12 | Isuzu Motors Ltd | シリンダ内圧検出方法 |
CN101220774A (zh) * | 2003-07-07 | 2008-07-16 | 本田技研工业株式会社 | 内燃机的进气量控制***以及控制*** |
CN102072789A (zh) * | 2010-11-03 | 2011-05-25 | 西南交通大学 | 一种地面测试铁道车辆轮轨力的连续化处理方法 |
EP2397676A1 (en) * | 2010-06-16 | 2011-12-21 | Honda Motor Co., Ltd. | EGR control apparatus for internal combustion engine |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5130936A (en) * | 1990-09-14 | 1992-07-14 | Arinc Research Corporation | Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency |
JP2934330B2 (ja) * | 1991-02-28 | 1999-08-16 | 株式会社豊田中央研究所 | 車両の操作量決定装置 |
CA2081519C (en) * | 1992-10-27 | 2000-09-05 | The University Of Toronto | Parametric control device |
US6601051B1 (en) * | 1993-08-09 | 2003-07-29 | Maryland Technology Corporation | Neural systems with range reducers and/or extenders |
JP3301250B2 (ja) * | 1995-01-27 | 2002-07-15 | 松下電器産業株式会社 | 空燃比制御装置 |
US6236908B1 (en) * | 1997-05-07 | 2001-05-22 | Ford Global Technologies, Inc. | Virtual vehicle sensors based on neural networks trained using data generated by simulation models |
JP3550985B2 (ja) * | 1997-12-02 | 2004-08-04 | 株式会社デンソー | 神経回路網の検証方法,検証装置及び記録媒体 |
US5904227A (en) * | 1997-12-30 | 1999-05-18 | Otis Elevator Company | Method for continuously adjusting the architecture of a neural network used in elevator dispatching |
US6493689B2 (en) * | 2000-12-29 | 2002-12-10 | General Dynamics Advanced Technology Systems, Inc. | Neural net controller for noise and vibration reduction |
US6882929B2 (en) * | 2002-05-15 | 2005-04-19 | Caterpillar Inc | NOx emission-control system using a virtual sensor |
JP2004239233A (ja) * | 2003-02-10 | 2004-08-26 | Toyota Motor Corp | 内燃機関の気筒別空燃比の推定および気筒排気割合の推定 |
US7181334B2 (en) * | 2003-05-14 | 2007-02-20 | General Motors Corporation | Method and apparatus to diagnose intake airflow |
FR2862342B1 (fr) * | 2003-11-19 | 2006-02-17 | Renault Sas | Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile |
JP2007533911A (ja) * | 2004-04-20 | 2007-11-22 | サウスウエスト リサーチ インスティテュート | 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ |
US7917333B2 (en) * | 2008-08-20 | 2011-03-29 | Caterpillar Inc. | Virtual sensor network (VSN) based control system and method |
WO2010109667A1 (ja) * | 2009-03-27 | 2010-09-30 | 本田技研工業株式会社 | プラントの制御装置 |
US8453431B2 (en) * | 2010-03-02 | 2013-06-04 | GM Global Technology Operations LLC | Engine-out NOx virtual sensor for an internal combustion engine |
JP5234085B2 (ja) | 2010-11-11 | 2013-07-10 | 富士電機株式会社 | ニューラルネットワークの学習方法 |
US9328644B2 (en) | 2013-09-24 | 2016-05-03 | GM Global Technology Operations LLC | Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network |
US10183590B2 (en) | 2016-09-23 | 2019-01-22 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
WO2019099228A1 (en) * | 2017-11-14 | 2019-05-23 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
US10634081B2 (en) * | 2018-02-05 | 2020-04-28 | Toyota Jidosha Kabushiki Kaisha | Control device of internal combustion engine |
US11164073B2 (en) * | 2018-02-08 | 2021-11-02 | Western Digital Technologies, Inc. | Systolic neural network processor with feedback control |
-
2018
- 2018-10-09 JP JP2018191214A patent/JP6702389B2/ja not_active Expired - Fee Related
-
2019
- 2019-09-12 US US16/569,088 patent/US10864900B2/en active Active
- 2019-09-25 CN CN201910914722.0A patent/CN111022206B/zh active Active
- 2019-10-08 EP EP19201914.9A patent/EP3636904A3/en not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05233585A (ja) * | 1992-02-24 | 1993-09-10 | Hitachi Ltd | 設備異常診断方法 |
US5625750A (en) * | 1994-06-29 | 1997-04-29 | Ford Motor Company | Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks |
JPH0939821A (ja) * | 1995-08-02 | 1997-02-10 | Mitsubishi Motors Corp | 車両の後輪操舵制御装置 |
JP2000231547A (ja) * | 1999-02-12 | 2000-08-22 | Victor Co Of Japan Ltd | ネットワーク型ファジイ制御装置及びその学習方法 |
CN101220774A (zh) * | 2003-07-07 | 2008-07-16 | 本田技研工业株式会社 | 内燃机的进气量控制***以及控制*** |
JP2005120896A (ja) * | 2003-10-16 | 2005-05-12 | Isuzu Motors Ltd | シリンダ内圧検出方法 |
EP2397676A1 (en) * | 2010-06-16 | 2011-12-21 | Honda Motor Co., Ltd. | EGR control apparatus for internal combustion engine |
CN102072789A (zh) * | 2010-11-03 | 2011-05-25 | 西南交通大学 | 一种地面测试铁道车辆轮轨力的连续化处理方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6702389B2 (ja) | 2020-06-03 |
EP3636904A3 (en) | 2020-07-29 |
EP3636904A2 (en) | 2020-04-15 |
CN111022206A (zh) | 2020-04-17 |
US10864900B2 (en) | 2020-12-15 |
US20200108815A1 (en) | 2020-04-09 |
JP2020060125A (ja) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111022206B (zh) | 车辆用驱动装置的控制装置及方法、车载电子控制单元 | |
CN111016920B (zh) | 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习*** | |
US11230985B2 (en) | Control device of internal combustion engine, in-vehicle electronic control unit, machine learning system, control method of internal combustion engine, manufacturing method of electronic control unit, and output parameter calculation device | |
JP6477951B1 (ja) | 車載電子制御ユニット | |
US10991174B2 (en) | Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system | |
US7155334B1 (en) | Use of sensors in a state observer for a diesel engine | |
JP2008525719A (ja) | 機関の多変数制御 | |
CN109072791B (zh) | 控制后处理***的方法、设备和发动机*** | |
CN102383906A (zh) | 温度估计***和方法 | |
US20180128197A1 (en) | Systems and methods for non-intrusive closed-loop combustion control of internal combustion engines | |
CN104675538B (zh) | 用于确定新鲜空气质量流量的方法和测量设备 | |
JP2020045773A (ja) | 内燃機関の制御装置 | |
CN102062000A (zh) | 配有低压egr***的内燃机进气歧管内氧水平控制方法 | |
CN108930598A (zh) | 用于内燃机的充气的方法和*** | |
JP2020020295A (ja) | 内燃機関の制御装置 | |
JP2006291871A (ja) | 内燃機関の制御装置 | |
Klasén | Modeling and estimation of long route EGR mass flow in a turbocharged gasoline engine | |
Wang | A study of model-based control strategy for a gasoline turbocharged direct injection spark ignited engine | |
JP2020045821A (ja) | 内燃機関の制御装置 | |
JP2021195913A (ja) | 内燃機関の制御装置 | |
Körfer et al. | More stringent requirements for air path control in HD engines | |
JP2016133044A (ja) | 内燃機関の制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |