CN114077237B - 机器学习装置 - Google Patents
机器学习装置 Download PDFInfo
- Publication number
- CN114077237B CN114077237B CN202110900681.7A CN202110900681A CN114077237B CN 114077237 B CN114077237 B CN 114077237B CN 202110900681 A CN202110900681 A CN 202110900681A CN 114077237 B CN114077237 B CN 114077237B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- vehicle
- vehicle component
- learning model
- neural network
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 93
- 238000000034 method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000002485 combustion reaction Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
在车辆部件被进行了更换的情况下,在车辆中使用的机器学习模型的推定精度会降低。机器学习装置具备:学习部(31),其进行在车辆(1)中使用的机器学习模型的学习;和检测部(32),其对搭载于车辆的车辆部件的更换进行检测。学习部在与机器学习模型的输入数据有关的车辆部件被进行了更换的情况下,使用与更换后的车辆部件对应的训练数据集,进行机器学习模型的再学习。
Description
技术领域
本发明涉及机器学习装置。
背景技术
近年来,伴随着AI(人工智能)技术的进步,研究了在车辆中进行使用了如神经网络模型那样的机器学习模型的控制。例如在专利文献1所记载的机器学习***中,使用神经网络模型,推定设置于内燃机的排气净化催化剂的温度。
为了使这样的神经网络模型的推定精度提高,需要预先进行神经网络模型的学习。例如如专利文献1所记载的那样,在服务器中进行神经网络模型的学习,从服务器向车辆发送学习完的神经网络模型。
现有技术文献
专利文献1:日本特开2019-183698号公报
发明内容
发明要解决的技术问题
当伴随着车辆的使用而发生车辆部件的劣化或者故障时,会进行车辆部件的更换。另外,有时为了将更高性能的车辆部件搭载于车辆,会进行车辆部件的更换。
然而,在车辆中使用的机器学习模型通常与更换前的车辆部件的特性相匹配。因此,当因车辆部件的更换而车辆部件的特性变发生化时,存在机器学习模型的推定精度降低的风险。
于是,鉴于上述问题,本发明的目的在于在更换了车辆部件的情况下抑制在车辆中使用的机器学习模型的推定精度降低。
用于解决问题的技术方案
本公开的要点为以下所述。
(1)一种机器学习装置,具备:学习部,其进行在车辆中使用的机器学习模型的学习;和检测部,其对搭载于所述车辆的车辆部件的更换进行检测,所述学习部在与所述机器学习模型的输入数据有关的车辆部件被进行了更换的情况下,使用与更换后的车辆部件对应的训练数据集,进行所述机器学习模型的再学习。
(2)根据上述(1)所述的机器学习装置,所述学习部仅在与所述机器学习模型的输入数据有关的车辆部件被更换为了不同结构的车辆部件的情况下,使用与更换后的车辆部件对应的训练数据集,进行所述机器学习模型的再学习。
(3)根据上述(1)或者(2)所述的机器学习装置,还具备对所述机器学习模型进行更新的更新部,所述学习部设置于服务器,向所述车辆发送再学习完的机器学习模型,所述更新部将该再学习完的机器学习模型应用于所述车辆。
(4)根据上述(1)或者(2)所述的机器学习装置,所述学习部设置于所述车辆,将再学习完的机器学习模型应用于所述车辆。
(5)根据上述(1)~(4)中任一项所述的机器学习装置,所述机器学习模型是神经网络模型,所述学习部通过对再学习前所设定的所述机器学习模型的参数进行更新来进行该机器学习模型的再学习。
发明的效果
根据本发明,在更换了车辆部件的情况下,能够抑制在车辆中使用的机器学习模型的推定精度降低。
附图说明
图1是概略地表示设置有本发明的第一实施方式涉及的机器学习装置的车辆1的结构的图。
图2是表示图1的ECU的功能框图。
图3表示具有简单结构的神经网络模型的一个例子。
图4是表示本发明的第一实施方式中的再学习处理的控制例程的流程图。
图5是应用本发明的第二实施方式涉及的机器学习装置的客户服务器***的概略的构成图。
图6是概略地表示图5的车辆的结构的一部分的图。
图7是图6的ECU的功能框图。
图8是表示本发明的第二实施方式中的模型更新处理的控制例程的流程图。
图9是表示本发明的第二实施方式中的再学习处理的控制例程的流程图。
标号说明
1、1’ 车辆
11 致动器
12 传感器
20 电子控制单元(ECU)
31 学习部
32 检测部
33 更新部
4 服务器
44 处理器
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,对同样的构成要素赋予同一参照标号。
<第一实施方式>
首先,参照图1~图4对本发明的第一实施方式进行说明。图1是概略地表示设置有本发明的第一实施方式涉及的机器学习装置的车辆1的结构的图。
如图1所示,车辆1具备致动器11、传感器12以及电子控制单元(ECU(ElectronicControl Unit,电子控制单元))20。即,致动器11、传感器12以及ECU20搭载于车辆1。致动器11和传感器12经由遵循了CAN(Controller Area Network,控制器局域网络)等的标准的车内网络而与ECU20以能够进行通信的方式相连接。
致动器11是车辆1的行驶所需要的工作部件,例如包括内燃机的工作所需要的部件(火花塞、燃料喷射阀、节气门驱动致动器、EGR控制阀等)、马达、离合器等。ECU20对致动器11进行控制。
传感器12对车辆1、内燃机、电池等的状态量进行检测,包括车速传感器、GPS接收机、加速器开度传感器、空气流量计、空燃比传感器、曲轴角传感器、转矩传感器、电压传感器、温度传感器等。传感器12的输出被发送至ECU20。
致动器11和传感器12构成作为搭载于车辆1的部件的车辆部件。换言之,车辆部件包括致动器11和传感器12。
ECU20包括通信接口21、存储器22以及处理器23,执行车辆1的各种控制。此外,在本实施方式中,设置有一个ECU20,但也可以按功能而设置有多个ECU。
通信接口21具有用于将ECU20连接于遵循了CAN等标准的车内网络的接口电路。ECU20经由通信接口21与如上述那样的其他车载设备进行通信。
存储器22例如具有易失性的半导体存储器(例如RAM)和非易失性的半导体存储器(例如ROM)。存储器22存储在处理器23中执行的程序、在由处理器23执行各种处理时所使用的各种数据等。
处理器23具有一个或者多个CPU(Central Processing Unit,中央处理单元)及其***电路,执行各种处理。此外,处理器23也可以还具有如逻辑运算单元或者数值运算单元那样的运算电路。通信接口21、存储器22以及处理器23经由信号线相互连接。
在本实施方式中,ECU20作为机器学习装置发挥功能。图2是图1的ECU20的功能框图。ECU20具有学习部31和检测部32。学习部31和检测部32是通过ECU20的处理器23执行存储于ECU20的存储器22的程序来实现的功能块。
学习部31进行在车辆1中使用的机器学习模型的学习。在本实施方式中,作为机器学习模型,可使用根据多个输入数据(也被称为说明变量)输出至少一个输出数据(也被称为目的变量)的神经网络模型。
首先,参照图3对神经网络模型的概要进行说明。图3表示具有简单结构的神经网络模型的一个例子。
图3中的圆形记号表示人工神经元。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和L=3表示隐层,L=4表示输出层。此外,隐层也被称为中间层。
在图3中,x1和x2表示输入层(L=1)的各节点和从该节点的输出值,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)的各节点和从该节点的输出值,z1 (L=3)和z2 (L=3)表示隐层(L=3)的各节点和从该节点的输出值。
在输入层的各节点,输入被直接地进行输出。另一方面,输入层的各节点的输出值x1和x2被输入到隐层(L=2)的各节点,在隐层(L=2)的各节点中,使用分别对应的权重w和偏置b来算出总输入值u。例如,在图3中由隐层(L=2)的zk (L=2)(k=1、2、3)表示的各节点中算出的总输入值uk (L=2)成为如下式那样(M为输入层的节点的数量)。
接着,该总输入值uk (L=2)由激活函数f进行变换,从由隐层(L=2)的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,隐层(L=2)的各节点的输出值z1 (L=2)、z2 (L=2)以及z3 (L=2)被输入到隐层(L=3)的各节点,在隐层(L=3)的各节点中,使用分别对应的权重w和偏置b来算出总输入值u(=Σz·w+b)。该总输入值u同样地由激活函数进行变换,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,激活函数例如为Sigmoid函数σ。
另外,隐层(L=3)的各节点的输出值z1 (L=3)和z2 (L=3)被输入到输出层(L=4)的节点,在输出层的节点,使用分别对应的权重w和偏置b来算出总输入值u(Σz·w+b),或者仅使用分别对应的权重w来算出总输入值u(Σz·w)。例如,在输出层的节点中,使用恒等函数来作为激活函数。在该情况下,在输出层的节点中算出的总输入值u被直接作为输出值y从输出层的节点进行输出。
在车辆1中使用的神经网络模型存储于ECU20的存储器22或者设置于车辆1的其他存储装置。ECU20通过将多个输入数据的值(输入值)输入到神经网络模型,使神经网络模型输出至少一个输出数据的值(输出值)。此时,作为各输入数据的值,例如可使用传感器12的输出值、从ECU20向致动器11的指令值、在ECU20中算出的值等。
从神经网络模型输出的输出数据的值被使用于车辆1的控制。此外,神经网络模型也可以是回归模型和分类模型中的任一个。在神经网络模型为回归模型的情况下,输出数据例如是内燃机的输出转矩,排气气体中的预定成分(HC、NOx等)的浓度、电池的充电率(SOC:State Of Charge)等。另一方面,在神经网络模型为分类模型的情况下,输出数据例如是预定的传感器12的异常判定结果、混合动力车辆中的内燃机的启动判定结果等。适当地选择与输出数据相关的状态量来作为输入数据。
为了使这样的神经网络模型的精度提高,需要预先进行神经网络模型的学习。因此,例如在车辆的生产工厂等中进行神经网络模型的学习。
在神经网络模型的学习中,使用由多个输入数据的实测值和与这些实测值对应的至少一个输出数据的实测值(正解数据或者教师数据)的组合构成的训练数据集。输入数据和输出数据的实测值例如使用发动机台架等来取得,通过组合所对应的实测值来制作训练数据集。
在神经网络模型的学习中,使用大量的训练数据集,通过公知的误差反向传播法反复对神经网络模型的参数(权重w和偏置b)进行更新,以使得由神经网络模型输出的输出数据的值与输出数据的实测值之差变小。其结果,神经网络模型被进行学习,生成学习完的神经网络模型。所生成的学习完的神经网络模型在车辆1的出厂前被安装于车辆1的ECU20。即,学习完的神经网络模型的信息(模型的构造、权重w、偏置b等)被存储于设置在ECU20的存储器22或者车辆1的其他存储装置。此外,也可以在车辆1的出厂后通过学习部31进行神经网络模型的学习,通过学习部31生成学习完的神经网络模型。
当伴随着车辆1的使用而发生如致动器11或者传感器12那样的车辆部件的劣化或者故障时,会进行车辆部件的更换。另外,有时为了将更高性能的车辆部件搭载于车辆1,会进行车辆部件的更换。
然而,安装于ECU20的神经网络模型与更换前的车辆部件的特性相匹配。因此,当因车辆部件的更换而车辆部件的特性发生变化时,存在神经网络模型的推定精度降低的风险。例如,在车辆部件被更换为了不同结构的车辆部件的情况下,通常,车辆部件的特性会发生变化。另外,即使是在车辆部件被更换为了相同结构的车辆部件的情况下,有时也会因个体偏差而车辆部件的特性发生变化。
于是,在本实施方式中,检测部32对搭载于车辆1的车辆部件的更换进行检测。另外,学习部31在与神经网络模型的输入数据有关的车辆部件被进行了更换的情况下,使用更换后的车辆部件,制作与更换后的车辆部件对应的训练数据集,使用这些训练数据集进行神经网络模型的再学习。通过这样与车辆部件的更换相应地对神经网络模型进行再学习,能够在车辆部件被进行了更换的情况下,抑制在车辆1中使用的神经网络模型的推定精度降低。
以下,使用图4的流程图对上述的控制进行详细的说明。图4是表示本发明的第一实施方式中的再学习处理的控制例程的流程图。本控制例程由ECU20以预定的执行间隔反复执行。
首先,在步骤S101中,检测部32判定更换标志F是否为1。更换标志F是在车辆部件被进行了更换时被设定为1的标志,更换标志F的初始值为零。在步骤S101中判定为了更换标志F为零的情况下,本控制例程进入步骤S102。
在步骤S102中,检测部32判定与神经网络模型的输入数据有关的车辆部件是否被进行了更换。例如,在传感器12的输出值被作为神经网络模型的输入数据来使用的情况下,传感器12相当于与神经网络模型的输入数据有关的车辆部件。另外,在从ECU20向致动器11的指令值被作为神经网络模型的输入数据来使用的情况下,致动器11相当于与神经网络模型的输入数据有关的车辆部件。
检测部32例如通过读取车辆部件的识别信息(型号、序列编号、制造编号等)来对车辆部件的更换进行检测。另外,检测部32也可以通过对车辆部件的输出波形、工作电压等进行检测来对车辆部件的更换进行检测。另外,也可以是作业者将车辆部件的更换输入到车辆1的输入装置(HMI等),检测部32基于对输入装置的输入来对车辆部件的更换进行检测。
在步骤S102中判定为了车辆部件未被进行更换的情况下,本控制例程结束。另一方面,在步骤S102中判定为车辆部件被进行了更换的情况下,本控制例程进入步骤S103。在步骤S103中,检测部32将更换标志F设定为1。
接着,在步骤S104中,学习部31制作与更换后的车辆部件对应的训练数据集。在与更换后的车辆部件对应的训练数据集中,更换后的车辆部件的输出值、对更换后的车辆部件的指令值等被作为输入数据的实测值之一来使用。另外,在车辆1设置有用于取得神经网络模型的输出数据的实测值的传感器12等。因此,学习部31能够通过使输入数据和输出数据的对应的实测值进行组合来制作训练数据集。
接着,在步骤S105中,学习部31判定与更换后的车辆部件对应的训练数据集的数量是否为预定值以上。预定值是预先确定的,被设定为要得到所需要的神经网络模型的推定精度所需要的数量。在步骤S105中判定为了训练数据集的数量小于预定值的情况下,本控制例程结束。另一方面,在步骤S105中判定为了训练数据集的数量为预定值以上的情况下,本控制例程进入步骤S106。
在步骤S106中,学习部31使用与更换后的车辆部件对应的训练数据集,进行神经网络模型的学习(再学习)。具体而言,学习部31通过公知的误差反向传播法反复对神经网络模型的参数(权重w和偏置b)进行更新,生成再学习完的神经网络模型,以使得由神经网络模型输出的输出数据的值与输出数据的实测值之差变小。
例如,开始再学习时的参数(权重w和偏置b)的初始值被设定为预先确定的值。另外,开始再学习时的参数的初始值也可以是再学习前所设定的值、即对更换前的车辆部件进行了学习的值。换言之,学习部31也可以通过对再学习前所设定的神经网络模型的参数进行更新来进行神经网络模型的再学习。由此,能够通过再学习来高效地提高神经网络模型的推定精度,进而,能够减少所需要的训练数据集的数量。
接着,在步骤S107中,学习部31将再学习完的神经网络模型应用于车辆1。换言之,学习部31对在车辆1中使用的神经网络模型进行更新。即,存储于ECU20的存储器22或者其他存储装置的神经网络模型的信息被进行重写。通过在车辆1中使用再学习完的神经网络模型,不通过传感器12等对输出数据的实际的值进行检测,就能够推定与预定值的输入数据对应的输出数据的值。
接着,在步骤S108中,学习部31将更换标志F设定为零。在步骤S108之后,本控制例程结束。
此外,车辆部件的特性在车辆部件被更换为了不同结构的车辆部件时会较大地变化。因此,学习部31也可以仅在与神经网络模型的输入数据有关的车辆部件被更换为了不同结构的车辆部件的情况下,使用与更换后的车辆部件对应的训练数据集,进行神经网络模型的再学习。由此,能够在有效地抑制神经网络模型的推定精度的降低的同时,减少用于再学习的电力消耗量。在该情况下,在步骤S102中,检测部32判定与神经网络模型的输入数据有关的车辆部件是否被更换为了不同结构的车辆部件。
<第二实施方式>
第二实施方式涉及的机器学习装置的构成以及控制除了以下说明的点之外,基本上与第一实施方式涉及的机器学习装置的构成以及控制是同样的。因此,以下关于本发明的第二实施方式,以与第一实施方式不同的部分为中心进行说明。
图5是应用本发明的第二实施方式涉及的机器学习装置的客户服务器***10的概略的构成图。客户服务器***10具备车辆1’和服务器4。服务器4能够与包括车辆1’的多个车辆进行通信。
如图5所示,服务器4设置于车辆1’的外部,具备通信接口41、储存装置42、存储器43以及处理器44。此外,服务器4也可以还具备如键盘和鼠标那样的输入装置、如显示器那样的输出装置等。另外,服务器4也可以由多个计算机构成。
通信接口41能够与车辆1’进行通信,使服务器4与车辆1’进行通信成为可能。具体而言,通信接口41具有用于将服务器4连接于通信网络5的接口电路。服务器4经由通信接口41、通信网络5以及无线基站6与车辆1’进行通信。通信接口41是通信装置的一个例子。
储存装置42例如具有硬盘驱动器(HDD)、固态硬盘驱动器(SSD)、光记录介质等。储存装置42存储各种数据,例如存储用于处理器44执行各种处理的计算机程序等。
存储器43例如具有如随机访问存储器(RAM)那样的半导体存储器。存储器43例如存储在由处理器44执行各种处理时所使用的各种数据等。
通信接口41、储存装置42以及存储器43经由信号线与处理器44连接。处理器44具有一个或者多个CPU及其***电路,执行各种处理。此外,处理器44也可以还具有如逻辑运算单元或者数值运算单元那样的运算电路。处理器44是控制装置的一个例子。
图6是概略地表示图5的车辆1’的构成的一部分的图。如图6所示,车辆1’在致动器11、传感器12以及ECU20的基础上具有通信模块13。致动器11、传感器12以及通信模块13经由遵循了CAN(Controller Area Network)等标准的车内网络而与ECU20以能够进行通信的方式相连接。
通信模块13是使车辆1’与车辆1’的外部的通信成为可能的设备。通信模块13例如是能够经由无线基站6与通信网络5进行通信的数据通信模块(DCM(Data communicationmodule))。此外,作为通信模块13,也可以使用便携终端(例如智能手机、平板终端、WiFi路由器等)。通信模块13是通信装置的一个例子。
在第二实施方式中,ECU20作为机器学习装置的一部分发挥功能。图7是图6的ECU20的功能框图。ECU20具有检测部32和更新部33。检测部32和更新部33是通过ECU20的处理器23执行存储于ECU20的存储器22的程序来实现的功能块。
检测部32与第一实施方式同样地对搭载于车辆1的车辆部件的更换进行检测。更新部33对在车辆1’中使用的神经网络模型进行更新。
在第二实施方式中,在车辆1’中使用的神经网络模型的学习是在服务器4中进行的,从服务器4向车辆1’发送学习完的神经网络模型。即,服务器4的处理器44作为进行在车辆1’中使用的神经网络模型的学习的学习部发挥功能。
处理器44在与神经网络模型的输入数据有关的车辆部件被进行了更换的情况下,使用与更换后的车辆部件对应的训练数据集,进行神经网络模型的再学习,向车辆1’发送再学习完的神经网络模型。车辆1’的更新部33当从服务器4接收到再学习完的神经网络模型时,将再学习完的神经网络模型应用于车辆1’。通过这样与车辆部件的更换相应地对神经网络模型进行再学习,能够在车辆部件被进行了更换的情况下,抑制在车辆1’中使用的神经网络模型的推定精度降低。
以下,使用图8和图9的流程图,对上述的控制进行详细的说明。图8是表示本发明的第二实施方式中的模型更新处理的控制例程的流程图。本控制例程由车辆1’的ECU20以预定的执行间隔反复执行。
首先,在步骤S201中,检测部32判定更换标志F是否为1。更换标志F是在车辆部件被进行了更换时被设定为1的标志,更换标志F的初始值为零。在步骤S201中判定为了更换标志F为零的情况下,本控制例程进入步骤S202。
在步骤S202中,与图4的步骤S102同样地,检测部32判定与神经网络模型的输入数据有关的车辆部件是否被进行了更换。在判定为了车辆部件未被进行更换的情况下,本控制例程结束。另一方面,在判定为了车辆部件被进行了更换的情况下,本控制例程进入步骤S203。
在步骤S203中,检测部32将更换标志F设定为1。在步骤S203之后,本控制例程进入步骤S204。另一方面,在步骤S201中判定为了更换标志F为1的情况下,本控制例程跳过步骤S202和S203而进入步骤S204。
在步骤S204中,更新部33制作与更换后的车辆部件对应的训练数据集。在与更换后的车辆部件对应的训练数据集中,更换后的车辆部件的输出值、对更换后的车辆部件的指令值等被作为输入数据的实测值之一来使用。另外,在车辆1’设置有用于取入神经网络模型的输出数据的实测值的传感器12等。因此,更新部33能够通过使输入数据和输出数据的对应的实测值进行组合来制作训练数据集。
接着,在步骤S205中,更新部33向服务器4发送与更换后的车辆部件对应的训练数据集。
接着,在步骤S206中,更新部33判定是否从服务器4接收到再学习完的神经网络模型。在判定为了未接收到再学习完的神经网络模型的情况下,本控制例程结束。另一方面,在判定为了接收到再学习完的神经网络模型的情况下,本控制例程进入步骤S207。
在步骤S207中,更新部33将再学习完的神经网络模型应用于车辆1’。换言之,更新部33对在车辆1’中使用的神经网络模型进行更新。即,存储于ECU20的存储器22或者其他存储装置的神经网络模型的信息被进行重写。
接着,在步骤S208中,更新部33将更换标志F复位为零。在步骤S109之后,本控制例程结束。
图9是表示本发明的第二实施方式中的再学习处理的控制例程的流程图。本控制例程由服务器4的处理器44以预定的执行间隔反复执行。
首先,在步骤S301中,处理器44判定是否从车辆1’接收到与更换后的车辆部件对应的训练数据集。在判定为了未接收到训练数据集的情况下,本控制例程结束。另一方面,在判定为了接收到训练数据集的情况下,本控制例程进入步骤S302。
在步骤S302中,处理器44判定与更换后的车辆部件对应的训练数据集的数量是否为预定值以上。预定值是预先确定的,被设定为要得到所需要的神经网络模型的推定精度所需要的数量。在步骤S302中判定为了训练数据集的数量小于预定值的情况下,本控制例程结束。另一方面,在步骤S302中判定为了训练数据集的数量为预定值以上的情况下,本控制例程进入步骤S303。
在步骤S303中,处理器44使用与更换后的车辆部件对应的训练数据集,进行神经网络模型的学习(再学习)。具体而言,处理器44通过公知的误差反向传播法反复对神经网络模型的参数(权重w和偏置b)进行更新,生成再学习完的神经网络模型,以使得由神经网络模型输出的输出数据的值与输出数据的实测值之差变小。
例如,开始再学习时的参数(权重w和偏置b)的初始值被设定为预先确定的值。另外,开始再学习时的参数的初始值也可以是再学习前所设定的值、即对更换前的车辆部件进行了学习的值。换言之,处理器44也可以通过对再学习前所设定的神经网络模型的参数进行更新来进行神经网络模型的再学习。由此,能够通过再学习来高效地提高神经网络模型的推定精度,进而,能够减少所需要的训练数据集的数量。
接着,在步骤S304中,处理器44向车辆1’发送再学习完的神经网络模型。在步骤S304之后,本控制例程结束。
此外,也可以从车辆1’以外的车辆向服务器4发送与更换后的车辆部件对应的训练数据集。另外,与更换后的车辆部件对应的训练数据集也可以使用发动机台架等在服务器4中进行制作。
另外,如上所述,车辆部件的特性在车辆部件被更换为了不同结构的车辆部件时会较大地变化。因此,处理器44也可以仅在与神经网络模型的输入数据有关的车辆部件被更换为了不同结构的车辆部件的情况下,使用与更换后的车辆部件对应的训练数据集,进行神经网络模型的再学习。由此,能够在有效地抑制神经网络模型的推定精度的降低的同时,减少用于再学习的电力消耗量。在该情况下,在步骤S202中,检测部32判定与神经网络模型的输入数据有关的车辆部件是否被更换为了不同结构的车辆部件。
以上,对本发明涉及的优选的实施方式进行了说明,但本发明并不限定于这些实施方式,可以在权利要求书的记载内实施各种各样的修正以及变更。例如,在车辆1、1’中使用的机器学习模型也可以是随机森林、k最近邻法、支持向量机等的神经网络以外的机器学习模型。
Claims (3)
1.一种机器学习装置,具备:
学习部,其进行在车辆中使用的机器学习模型的学习;和
检测部,其通过读取搭载于所述车辆的车辆部件的识别信息来对所述车辆部件的更换进行检测,
所述学习部,根据由所述检测部检测出与所述机器学习模型的输入数据有关的车辆部件的更换这一情况,使用与更换后的车辆部件对应的训练数据集来进行所述机器学习模型的再学习,
所述机器学习模型是神经网络模型,所述学习部通过对再学习前所设定的所述机器学习模型的参数进行更新来进行该机器学习模型的再学习,从所述机器学习模型输出的输出数据的值被使用于所述车辆的控制,
所述车辆部件是所述车辆的行驶所需要的致动器,所述机器学习装置是所述车辆所具备的电子控制单元,所述机器学习装置对所述致动器进行控制,使用从所述机器学习装置向所述致动器的指令值作为所述机器学习模型的输入数据,
在通过所述检测部判定为所述车辆部件被进行了更换的情况下,所述学习部制作与更换后的车辆部件对应的训练数据集,在与更换后的车辆部件对应的训练数据集中,使用所述机器学习装置对更换后的车辆部件的指令值作为所述输入数据的实测值,在所述车辆设置有用于取得所述机器学习模型的输出数据的实测值的传感器,所述学习部通过使所述输入数据和所述输出数据的对应的实测值进行组合来制作训练数据集,
在制作所述训练数据集时,所述学习部判定所述训练数据集的数量是否为预定值以上,所述预定值是预先确定的,被设定为要得到所需要的神经网络模型的推定精度所需要的数量,
在判定为了所述训练数据集的数量为所述预定值以上的情况下,所述学习部使用与更换后的车辆部件对应的所述训练数据集,通过误差反向传播法反复对所述机器学习模型的参数进行更新,生成再学习完的机器学习模型,以使得由所述机器学习模型输出的输出数据的值与所述输出数据的实测值之差变小,
所述学习部仅在与所述机器学习模型的输入数据有关的车辆部件被更换为了不同结构的车辆部件的情况下,使用与更换后的车辆部件对应的训练数据集来进行所述机器学习模型的再学习。
2.根据权利要求1所述的机器学习装置,
还具备对所述机器学习模型进行更新的更新部,
所述学习部设置于服务器,向所述车辆发送再学习完的机器学习模型,所述更新部将该再学习完的机器学习模型应用于所述车辆。
3.根据权利要求1或者2所述的机器学习装置,
所述学习部设置于所述车辆,将再学习完的机器学习模型应用于所述车辆。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020139433A JP7010343B1 (ja) | 2020-08-20 | 2020-08-20 | 機械学習装置 |
JP2020-139433 | 2020-08-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114077237A CN114077237A (zh) | 2022-02-22 |
CN114077237B true CN114077237B (zh) | 2024-04-26 |
Family
ID=80112889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110900681.7A Active CN114077237B (zh) | 2020-08-20 | 2021-08-06 | 机器学习装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11675999B2 (zh) |
JP (1) | JP7010343B1 (zh) |
CN (1) | CN114077237B (zh) |
DE (1) | DE102021118579A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6935837B1 (ja) * | 2020-08-20 | 2021-09-15 | トヨタ自動車株式会社 | 機械学習装置及び機械学習システム |
US11893978B2 (en) * | 2021-08-12 | 2024-02-06 | Ford Global Technologies, Llc | Speech recognition in a vehicle |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1182137A (ja) * | 1998-02-09 | 1999-03-26 | Matsushita Electric Ind Co Ltd | パラメータ推定装置 |
JP2002086380A (ja) * | 2000-09-12 | 2002-03-26 | Sony Corp | 脚式ロボット及びその制御方法 |
CN1867932A (zh) * | 2003-10-17 | 2006-11-22 | 海德勒利夫特埃姆克莱德股份有限公司 | 设备部件监控和替换管理*** |
CN101285422A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机egr率控制的方法 |
CN101285427A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机进气***控制的方法 |
JP2008286251A (ja) * | 2007-05-15 | 2008-11-27 | Toyota Motor Corp | 学習制御装置 |
CN102112933A (zh) * | 2008-10-09 | 2011-06-29 | 株式会社日立制作所 | 异常检测方法及*** |
CN102150174A (zh) * | 2008-09-11 | 2011-08-10 | 丰田自动车株式会社 | 车辆维修/更换信息管理***以及车辆异常原因信息管理*** |
CN108573310A (zh) * | 2017-03-08 | 2018-09-25 | 发那科株式会社 | 精加工量预测装置以及机器学习装置 |
CN108701265A (zh) * | 2016-03-14 | 2018-10-23 | 欧姆龙株式会社 | 学习服务提供装置 |
CN109624919A (zh) * | 2018-12-25 | 2019-04-16 | 爱驰汽车有限公司 | 车辆防盗***配置方法、计算机可读存储介质以及终端 |
CN109829479A (zh) * | 2019-01-02 | 2019-05-31 | 大连理工大学 | 一种用于传感器的分类器模型信息自动更新***及传感器更换方法 |
CN110091084A (zh) * | 2018-01-30 | 2019-08-06 | 发那科株式会社 | 学习激光装置的故障发生机制的机器学习装置 |
CN110125955A (zh) * | 2018-02-09 | 2019-08-16 | 发那科株式会社 | 控制装置以及机器学习装置 |
CN110187672A (zh) * | 2018-02-22 | 2019-08-30 | 发那科株式会社 | 故障诊断装置和机器学习装置 |
CN110996286A (zh) * | 2019-11-28 | 2020-04-10 | 的卢技术有限公司 | 一种基于无线传感器的车辆控制方法和*** |
CN111016920A (zh) * | 2018-10-09 | 2020-04-17 | 丰田自动车株式会社 | 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*** |
CN111098464A (zh) * | 2018-10-25 | 2020-05-05 | 发那科株式会社 | 状态判定装置和方法 |
CN111133524A (zh) * | 2018-08-31 | 2020-05-08 | 谷歌有限责任公司 | 隐私优先的设备上联合健康建模和干预 |
CN111120122A (zh) * | 2018-10-30 | 2020-05-08 | 丰田自动车株式会社 | 控制装置 |
CN111476345A (zh) * | 2019-01-23 | 2020-07-31 | 丰田自动车株式会社 | 机器学习装置 |
JP2020119238A (ja) * | 2019-01-23 | 2020-08-06 | 日本電信電話株式会社 | センサノード、サーバ装置、識別システム、方法及びプログラム |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065290A1 (en) * | 2000-09-08 | 2008-03-13 | Automotive Technologies International, Inc. | Component Monitoring System |
JP4225645B2 (ja) * | 1999-08-25 | 2009-02-18 | 株式会社日立製作所 | 車両用コントロールユニットのデータ書き換え装置 |
US20100023203A1 (en) * | 2008-07-23 | 2010-01-28 | Oren Shibi | Diagnosis system and method for assisting a user |
US8209076B2 (en) * | 2008-10-06 | 2012-06-26 | International Business Machines Corporation | Tracking vehicle maintenance using sensor detection |
US9296267B2 (en) | 2013-07-15 | 2016-03-29 | Continental Automotive Systems, Inc. | Methods, systems and devices for recording and transmitting identification information of tire pressure monitoring sensors to a vehicle |
DE102015213768B3 (de) | 2015-07-22 | 2016-10-06 | Robert Bosch Gmbh | Verfahren zum Ermitteln einer Drehmomentgenauigkeit eines von einem riemen-getriebenen Startergenerator einer Brennkraftmaschine auf die Brennkraftmaschine übertragenen Drehmoments, Recheneinheit und maschinenlesbares Speichermedium |
US10803619B2 (en) * | 2016-03-14 | 2020-10-13 | Siemens Mobility GmbH | Method and system for efficiently mining dataset essentials with bootstrapping strategy in 6DOF pose estimate of 3D objects |
WO2018119423A1 (en) * | 2016-12-22 | 2018-06-28 | Surround. Io Corporation | Method and system for providing artificial intelligence analytic (aia) services for performance prediction |
US20210390624A1 (en) * | 2017-09-27 | 2021-12-16 | State Farm Mutual Automobile Insurance Company | Real Property Monitoring Systems and Methods for Risk Determination |
DE102017217444B4 (de) | 2017-09-29 | 2024-03-07 | Volkswagen Ag | Verfahren und System zum Aktualisieren eines Steuerungsmodells für eine automatische Steuerung zumindest einer mobilen Einheit |
US10726638B2 (en) * | 2017-12-21 | 2020-07-28 | Micron Technology, Inc. | Providing autonomous vehicle maintenance |
US11328210B2 (en) * | 2017-12-29 | 2022-05-10 | Micron Technology, Inc. | Self-learning in distributed architecture for enhancing artificial neural network |
US10887349B2 (en) * | 2018-01-05 | 2021-01-05 | Byton Limited | System and method for enforcing security with a vehicle gateway |
JP6477951B1 (ja) * | 2018-04-05 | 2019-03-06 | トヨタ自動車株式会社 | 車載電子制御ユニット |
WO2020086176A1 (en) * | 2018-10-23 | 2020-04-30 | Hrl Laboratories, Llc | Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis |
JP6741057B2 (ja) | 2018-11-01 | 2020-08-19 | トヨタ自動車株式会社 | 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 |
CN113811473A (zh) * | 2019-03-29 | 2021-12-17 | 英特尔公司 | 自主交通工具*** |
JP7514063B2 (ja) * | 2019-06-14 | 2024-07-10 | 株式会社シマノ | 検出装置、検出方法、コンピュータプログラム、および記憶媒体 |
JP7432321B2 (ja) | 2019-08-23 | 2024-02-16 | 株式会社デンソーテン | 制御プログラム、制御方法および制御装置 |
-
2020
- 2020-08-20 JP JP2020139433A patent/JP7010343B1/ja active Active
-
2021
- 2021-07-19 DE DE102021118579.3A patent/DE102021118579A1/de active Pending
- 2021-08-06 CN CN202110900681.7A patent/CN114077237B/zh active Active
- 2021-08-18 US US17/405,342 patent/US11675999B2/en active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1182137A (ja) * | 1998-02-09 | 1999-03-26 | Matsushita Electric Ind Co Ltd | パラメータ推定装置 |
JP2002086380A (ja) * | 2000-09-12 | 2002-03-26 | Sony Corp | 脚式ロボット及びその制御方法 |
CN1867932A (zh) * | 2003-10-17 | 2006-11-22 | 海德勒利夫特埃姆克莱德股份有限公司 | 设备部件监控和替换管理*** |
CN101285422A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机egr率控制的方法 |
CN101285427A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机进气***控制的方法 |
JP2008286251A (ja) * | 2007-05-15 | 2008-11-27 | Toyota Motor Corp | 学習制御装置 |
CN102150174A (zh) * | 2008-09-11 | 2011-08-10 | 丰田自动车株式会社 | 车辆维修/更换信息管理***以及车辆异常原因信息管理*** |
CN102112933A (zh) * | 2008-10-09 | 2011-06-29 | 株式会社日立制作所 | 异常检测方法及*** |
CN108701265A (zh) * | 2016-03-14 | 2018-10-23 | 欧姆龙株式会社 | 学习服务提供装置 |
CN108573310A (zh) * | 2017-03-08 | 2018-09-25 | 发那科株式会社 | 精加工量预测装置以及机器学习装置 |
CN110091084A (zh) * | 2018-01-30 | 2019-08-06 | 发那科株式会社 | 学习激光装置的故障发生机制的机器学习装置 |
CN110125955A (zh) * | 2018-02-09 | 2019-08-16 | 发那科株式会社 | 控制装置以及机器学习装置 |
CN110187672A (zh) * | 2018-02-22 | 2019-08-30 | 发那科株式会社 | 故障诊断装置和机器学习装置 |
CN111133524A (zh) * | 2018-08-31 | 2020-05-08 | 谷歌有限责任公司 | 隐私优先的设备上联合健康建模和干预 |
CN111016920A (zh) * | 2018-10-09 | 2020-04-17 | 丰田自动车株式会社 | 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*** |
CN111098464A (zh) * | 2018-10-25 | 2020-05-05 | 发那科株式会社 | 状态判定装置和方法 |
CN111120122A (zh) * | 2018-10-30 | 2020-05-08 | 丰田自动车株式会社 | 控制装置 |
CN109624919A (zh) * | 2018-12-25 | 2019-04-16 | 爱驰汽车有限公司 | 车辆防盗***配置方法、计算机可读存储介质以及终端 |
CN109829479A (zh) * | 2019-01-02 | 2019-05-31 | 大连理工大学 | 一种用于传感器的分类器模型信息自动更新***及传感器更换方法 |
CN111476345A (zh) * | 2019-01-23 | 2020-07-31 | 丰田自动车株式会社 | 机器学习装置 |
JP2020119238A (ja) * | 2019-01-23 | 2020-08-06 | 日本電信電話株式会社 | センサノード、サーバ装置、識別システム、方法及びプログラム |
CN110996286A (zh) * | 2019-11-28 | 2020-04-10 | 的卢技术有限公司 | 一种基于无线传感器的车辆控制方法和*** |
Also Published As
Publication number | Publication date |
---|---|
US11675999B2 (en) | 2023-06-13 |
JP2022035247A (ja) | 2022-03-04 |
US20220058463A1 (en) | 2022-02-24 |
CN114077237A (zh) | 2022-02-22 |
DE102021118579A1 (de) | 2022-02-24 |
JP7010343B1 (ja) | 2022-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114077237B (zh) | 机器学习装置 | |
Singh et al. | Deep learning model based CO2 emissions prediction using vehicle telematics sensors data | |
CN113830097B (zh) | 车辆、模型学习***以及服务器 | |
US20220194394A1 (en) | Machine learning device and machine learning system | |
KR102118088B1 (ko) | 인공지능 기술을 이용한 배기가스 배출량 예측방법 | |
US11623652B2 (en) | Machine learning method and machine learning system | |
US11820398B2 (en) | Learning apparatus and model learning system | |
JP6939963B1 (ja) | モデル学習システム及びサーバ | |
CN113008569A (zh) | 模型诊断装置以及模型诊断*** | |
JP2022035222A (ja) | 機械学習装置 | |
JP6962435B1 (ja) | 機械学習装置 | |
WO2018082884A1 (en) | Calibration system and method | |
US20220292350A1 (en) | Model updating apparatus, model updating method, and model updating program | |
CN114326697B (zh) | 模型学习***、车辆的控制装置以及模型学习方法 | |
JP2022079938A (ja) | 機械学習システム | |
JP2022016026A (ja) | 機械学習装置 | |
Kim et al. | Autonomous Vehicles Diagnosis Platform (AVDP) based on deep learning and loopback | |
US20220044497A1 (en) | Server, control device for vehicle, and machine learning system for vehicle | |
JP2022076257A (ja) | 機械学習システム、車両及びサーバ | |
JP2022173803A (ja) | 学習モデルのパラメータの値の授受装置及び授受システム | |
JP2022013263A (ja) | 学習用データの車載処理装置 | |
JP2022053033A (ja) | 機械学習装置 | |
CN116108929A (zh) | 模型学习***及模型学习装置 | |
Benkaci et al. | Feature selection for leaks detection and characterization in diesel air path |
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 |