JP2020186683A - 学習装置及び推定装置 - Google Patents

Abstract

【課題】判定結果の裏付けとなる物理量を推定するための学習装置及び推定装置を提供する。【解決手段】ノッキング判定装置１０は、入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定し、ノッキングの有無を判定する。ノッキング判定装置１０は、ニューラルネットワークにより、入力物理量に含まれるノイズ成分を除去するマスクを生成するネットワークの重み、及び／又は、マスクによりノイズ成分が除去された入力物理量を所望の物理量に変換する伝達関数を学習する学習部２１を備える。【選択図】図３

Description

本発明は、入力物理量に含まれるノイズ成分を除去し、ノイズ成分が除去された入力物理量から所望の物理量を推定するための学習装置及び推定装置に関する。

ガソリンエンジンなどの内燃機関における点火時期は、出力トルクの向上を目的として、ノッキングが発生しないクランク角度の範囲内において可能な限り進角されることが一般的である。そこで、点火時期を調整する過程では、ノッキングが発生しているか否かが試験者又はノッキング判定装置によって判定される。こうしたノッキング判定装置の一例が特許文献１に記載されている。

特許文献１に記載のノッキング判定装置は、ノッキングの有無が判定される判定信号と比較される対象信号とを、判定信号との関係（例えば、時間的な関係や運転条件における関係）で定まる条件に基づいて選択する。

特開２０１７−４４１４８号公報

しかしながら、特許文献１に記載のノッキング判定装置では、ノッキング有無の判定結果しか外部に提示できず、判定結果の裏付けをとることが困難である。そこで、前記したノッキング判定装置には、判定結果の裏付けとなる所望の物理量を推定することが望まれている。

一般的に、ノッキングの評価は、ノッキング音の大きさ及びノッキングの発生頻度により行われている。前記したノッキング判定装置では、ノッキング有無によりノッキングの発生頻度のみを評価するに留まり、ノッキング音を外部に提示できず、ノッキング音の大きさを評価することが困難である。

本発明は、このような実情に鑑みてなされたものであり、その目的は、判定結果の裏付けとなる所望の物理量を推定するための学習装置及び推定装置を提供することにある。さらに、本発明は、ノイズ成分が除去された入力物理量を推定する推定装置を提供することにある。

前記課題を解決する学習装置は、入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定するための学習装置であって、ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクを生成するネットワークの重み、及び／又は、前記マスクにより前記ノイズ成分が除去された入力物理量を前記所望の物理量に変換する伝達関数を学習する学習部、を備える。

このような構成によれば、学習装置は、所望の物理量を推定するためのマスクを生成でき、伝達関数を学習する。これにより、マスクを用いて、入力物理量に含まれるノイズ成分を除去し、伝達関数を用いて、ノイズ成分が除去された入力物理量から所望の物理量を推定することができる。つまり、前記したマスクや伝達関数を用いて、判定結果を裏付ける所望の物理量を外部に提示することができる。

ここで、学習装置は、マスクを生成するネットワークの重み及び伝達関数の両方を学習してもよく、マスクを生成するネットワークの重み又は伝達関数の一方のみを学習してもよい。また、入力物理量及び所望の物理量は、同種の物理量であってもよく、異なる種類の物理量であってもよい。なお、物理量の一例として、音圧、圧力、又は振動（変位、速度、加速度）がある。

前記学習装置において、前記ノイズ成分は、内燃機関で発生するノッキング音以外の雑音であり、前記入力物理量は、前記雑音及び前記ノッキング音が含まれる前記内燃機関の音圧であり、前記所望の物理量は、ノッキング発生時の前記内燃機関の筒内圧であり、前記学習部は、前記ニューラルネットワークにより、前記雑音を除去し、かつ、前記ノッキング音を抽出するマスクを生成するネットワークの重み、及び／又は、前記マスクにより抽出されたノッキング音を前記ノッキング発生時の内燃機関の筒内圧に変換する伝達関数を学習する。

このような構成によれば、学習装置は、内燃機関の筒内圧推定を信号分離問題（音分離問題）及び伝達関数の推定問題として捉え、ニューラルネットワークにより、マスクを生成するネットワークの重みや伝達関数を学習する。これにより、マスクを用いて、内燃機関の音圧からノッキング音を分離して抽出し、伝達関数を用いて、ノッキング音からノッキング発生時の内燃機関の筒内圧を推定することができる。つまり、前記したマスクや伝達関数を用いて、ノッキング有無の判定結果を裏付ける、ノッキング発生時の内燃機関の筒内圧を外部に提示することができる。

前記学習装置において、前記学習部は、畳み込みニューラルネットワークにより前記マスクを生成するネットワークの重みを学習し、前記伝達関数として、前記マスクにより前記ノイズ成分が除去された入力物理量に乗じる重みを学習する。

このような構成によれば、マスクを生成するネットワークの重みや伝達関数を適切に学習できるので、所望の物理量をより正確に推定することができる。なお、畳み込みニューラルネットワークの一例として、Ｕ−Ｎｅｔがある。このＵ−Ｎｅｔでマスクを生成するネットワークの重みを学習すると、そのマスクが入力物理量に応じて適切に変化するものとなる。また、伝達関数は、周波数軸方向で時間不変のフィルタとして機能する。

前記学習装置において、ニューラルネットワークにより、前記マスク及び前記伝達関数を用いて、前記入力物理量から前記所望の物理量を推定する第１推定部と、前記第１推定部が推定した所望の物理量を所定時間毎に総和し、総和した前記所望の物理量の中央値を算出し、算出した前記中央値を基準として閾値を設定する閾値算出部と、をさらに備える。
このような構成によれば、閾値を適切に設定できるので、所望の物理量に対する閾値判定をより正確に行うことが可能となる。

前記学習装置において、ニューラルネットワークにより、前記マスクを用いて、前記ノイズ成分が含まれる入力物理量から前記ノイズ成分が除去された入力物理量を推定する第１推定部と、前記第１推定部が推定した入力物理量を所定時間毎に総和し、総和した前記入力物理量の中央値を算出し、算出した前記中央値を基準として閾値を設定する閾値算出部と、をさらに備える。
このような構成によれば、閾値を適切に設定できるので、ノイズ成分が除去された入力物理量に対する閾値判定をより正確に行うことが可能となる。

前記課題を解決する推定装置は、入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定する推定装置であって、ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクと、前記マスクにより前記ノイズ成分が除去された入力物理量を所望の物理量に変換する伝達関数とを用いて、前記入力物理量から前記所望の物理量を推定する第２推定部、を備える。

このような構成によれば、マスクを用いて、入力物理量に含まれるノイズ成分を除去し、伝達関数を用いて、ノイズ成分が除去された入力物理量から所望の物理量を推定することができる。つまり、前記したマスクや伝達関数を用いて、判定結果を裏付ける所望の物理量を外部に提示することができる。

例えば、マスクを用いて、内燃機関の音圧からノッキング音を分離して抽出し、伝達関数を用いて、ノッキング音からノッキング発生時の内燃機関の筒内圧を推定することができる。これにより、ノッキング有無の判定結果を裏付ける、ノッキング発生時の内燃機関の筒内圧を外部に提示することができる。

前記推定装置において、予め設定された閾値と、前記第２推定部が推定した所望の物理量との閾値判定を行う閾値判定部、をさらに備える。
このような構成によれば、所望の物理量に対する閾値判定をより正確に行うことができる。例えば、推定した内燃機関の筒内圧について、ノッキングの有無をより正確に判定することができる。

前記課題を解決する推定装置は、ノイズ成分が含まれる入力物理量の前記ノイズ成分を除去し、前記ノイズ成分が除去された入力物理量を推定する推定装置であって、ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクを用いて、前記ノイズ成分が含まれる入力物理量から前記ノイズ成分が除去された入力物理量を推定する第２推定部、を備える。

このような構成によれば、マスクを用いて、入力物理量に含まれるノイズ成分を除去し、ノイズ成分が除去された入力物理量を推定することができる。例えば、前記したマスクを用いて、ノッキングの評価に必要となる、ノッキング音の大きさを外部に提示することができる。

前記推定装置において、予め設定された閾値と、前記第２推定部が推定した入力物理量との閾値判定を行う閾値判定部、をさらに備える。
このような構成によれば、ノイズ成分が除去された入力物理量に対する閾値判定をより正確に行うことが可能となる。例えば、推定したノッキング音の大きさについて、ノッキングの有無をより正確に判定することができる。

本発明によれば、判定結果の裏付けとなる物理量を推定することができる。さらに、本発明によれば、ノイズ成分が除去された入力物理量を推定することができる。

（ａ）は音分離問題を説明する説明図、（ｂ）は伝達関数の推定問題を説明する説明図。 第１実施形態に係るノッキング判定システムの全体構成を示すブロック図。 第１実施形態に係るノッキング判定装置の構成を示すブロック図。 第１実施形態において、音圧信号の切り出しを説明する説明図。 第１実施形態において、マスクを生成するネットワークの重み及び伝達関数の学習を説明する説明図。 第１実施形態において、（ａ）は雑音が含まれるエンジンの近傍音を短時間フーリエ変換した時間−周波数マップの一例、（ｂ）はマスクの時間−周波数マップの一例、（ｃ）は雑音が除去されたエンジンの近傍音の時間−周波数マップの一例、（ｄ）は推定筒内圧の時間−周波数マップの一例。 第１実施形態において、マスクを生成するネットワークの重み及び伝達関数を学習するニューラルネットワークの一例を説明する説明図。 第１実施形態において、ノッキング判定装置のデータ収集処理を示すフローチャート。 第１実施形態において、ノッキング判定装置の学習処理を示すフローチャート。 第１実施形態において、ノッキング判定装置の閾値算出処理を示すフローチャート。 第１実施形態において、ノッキング判定装置の判定処理を示すフローチャート。 第２実施形態において、マスクを生成するネットワークを説明する説明図。 第２実施形態に係るノッキング判定装置の構成を示すブロック図。

（音分離問題、伝達関数の推定問題）
まず、図１を参照し、実施形態に係るノッキング判定装置を説明する前提として、信号分離問題の一例である音分離問題、及び、伝達関数の推定問題について説明する。その後、ノッキング判定装置について説明する。なお、各実施形態において、同一の手段には同一の符号を付し、説明を省略した。

内燃機関の一例である車両用のエンジン１の試験では、例えば、点火タイミングの進角量の調整等の試験もしくは調整された点火タイミングの確認試験が行われる。これらの点火タイミングの試験において、ノッキングによってピストンが破損しないように、ノッキングの有無が判定される。このノッキングの有無は、熟練した試験者の主観により判定されており、その判定結果を裏付ける情報を外部に提示できない。そこで、ノッキング有無の判定結果を裏付ける情報を推定したいという要望がある。

ここで、ノッキングとは、エンジン１の気筒内において発生した異常燃焼が生じさせる圧力変動（衝撃波）が気筒の固有振動数で増幅されてエンジン１に大きな振動が発生する現象である。つまり、エンジン１には気筒内での異常燃焼の際に発生する圧力変動に基づく振動が生じ、この振動がエンジン１から音として放射される。そこで、エンジン１の近傍で測定した音からノッキング音の性質を学習し、ノッキング音を分離したいが、教師データとして理想的なノッキング音の測定が困難である。このため、エンジン１の燃焼騒音の逆算により、エンジン１の筒内圧を推定する手法を検討する。以後、エンジン１の近傍で測定した音を「近傍音」と記載し、推定したエンジン１の筒内圧を「推定筒内圧」と記載する場合がある。

エンジン１の燃焼騒音は、エンジン１の筒内圧の時間周波数成分に構造減衰補正量を乗じたものとなる。構造減衰補正量とは、エンジン燃焼時の筒内圧がエンジン１を通り、音となって音圧センサに到達するまでの伝達特性のことである。ここで、エンジン１の燃焼騒音レベルが音圧であることや、構造減衰補正量を乗算していることに着目する。すなわち、音圧であるエンジン１の近傍音に構造減衰補正量の逆数を乗算すれば、エンジン１の推定筒内圧が求められる。そこで、エンジン１の近傍音からエンジン１の筒内圧を推定する手法を検討する。

図１（ａ）に示すように、ノッキング発生時、エンジン１の近傍音には、エンジン１自体の音であるエンジン音、ノッキング音、及び、ノッキング以外の雑音であるノイズ成分が含まれている。このエンジン１の近傍音にマスクを乗じることで、ノッキング音のみを分離できる。なお、マスクは、雑音を除去し（雑音成分＝０）、かつ、ノッキング音を抽出するものである（ノッキング音成分＝１）。従って、マスクを正しく推定できれば、エンジン１の近傍音からノッキング音を分離して抽出できるので、ノッキング音を分離する音分離問題として捉えることができる。

図１（ｂ）に示すように、ノッキング音に構造減衰補正量の逆数を乗算すれば、ノッキング時におけるエンジン１の筒内圧を推定することができる。この構造減衰補正量の逆数は、ある入力物理量（例えば、音圧）を所望の物理量（例えば、筒内圧）に変換する伝達関数であると言える。従って、伝達関数を正しく推定できれば、ノッキング音からノッキング発生時の筒内圧を求められるので、伝達関数の推定問題として捉えることができる。
なお、図１では、エンジン１の近傍音や筒内圧は、これらを短時間フーリエ変換した時間−周波数マップを表している。

前記した音分離問題及び伝達関数の推定問題は、以下のように計算式で表すことができる。エンジン１の近傍音ｙのパワースペクトル｜Ｙ｜^２から、エンジン１の筒内圧ｘのパワースペクトル｜Ｘ｜^２を求めることとする。この場合、パワースペクトル｜Ｙ｜^２は、式（１）〜式（４）で表される。

但し、各式では、以下のとおり定義される。
ｘ：エンジンの筒内圧
Ｘ：エンジンの筒内圧のフーリエスペクトル
ｙ：エンジンの近傍音
Ｙ：エンジンの近傍音のフーリエスペクトル
ｈ：インパルス応答
Ｈ：インパルス応答の伝達関数
ｅ：ノッキング音以外の雑音信号
Ｅ：雑音信号のフーリエスペクトル

ここで、式（５）〜式（７）のように、スペクトルの加法性が近似的に成立することとする。この場合、エンジン１の筒内圧ｘのパワースペクトル推定値｜Ｘ＾｜^２は、以下の式（８）で表される。なお、αは、パワースペクトルのマスクである（０≦α≦１）。

従って、以下の手順でエンジン１の筒内圧を推定できる。まず、エンジン１の近傍音ｙと、教師データとして、実測したエンジン１の筒内圧ｘとを収集する。以後、実測したエンジン１の筒内圧を「実測筒内圧」と記載する場合がある。エンジン１の近傍音ｙ及びエンジン１の実測筒内圧ｘを用いて、式（８）の未知数であるマスクαを生成するネットワークの重み及び伝達関数Ｈをニューラルネットワークにより学習する。そして、学習したネットワークが生成したマスクα及び伝達関数Ｈを用いて、試験時に測定したエンジン１の近傍音ｙから、エンジン１の筒内圧ｘを推定する。

（第１実施形態）
［ノッキング判定システムの全体構成］
図２を参照し、第１実施形態に係るノッキング判定システム１００の全体構成について説明する。図２に示すように、ノッキング判定システム１００は、試験対象となるエンジン１のノッキングの有無を判定するものであり、音圧センサ４と、筒内圧センサ５と、データ収集装置６と、モニタ７と、ノッキング判定装置１０とを備える。

図２に示すように、試験対象のエンジン１は、車両３に搭載されている。なお、試験対象のエンジン１は、車両３に搭載されない状態、例えば単独の状態で用いられてもよい。エンジン１には、エンジン１の駆動を制御するエンジンＥＣＵ（Electronic Control Unit）２が接続されている。エンジンＥＣＵ２は、エンジンコントロールユニットであって、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random access memory）、その他の記憶装置等で構成されている。エンジンＥＣＵ２は、ＲＯＭや記憶装置に記憶されたプログラムをＣＰＵで演算処理することで、エンジン１の駆動制御に必要な各種情報をエンジンＥＣＵ２の外部から取得しながらエンジン１の駆動を制御する。

エンジンＥＣＵ２は、エンジン１の現在の回転角度を表す角度情報をデータ収集装置６に出力する。角度情報には、例えば回転パルスとクランク角度パルスとが含まれる。回転パルスは、クランク軸の回転角度が原点として定められた角度で出力される信号であって、例えば、クランク軸が１回転するごとに１パルス出力される。クランク角度パルスは、クランク軸の回転角度が単位角度進むごとに出力される信号であって、例えば、１°毎に１パルスが出力される場合、吸入、圧縮、燃焼及び排気の４行程を１サイクルとする４ストロークエンジンにおいて、１サイクルにクランク軸が回転する２回転の間に７２０パルス出力される。なお、角度情報がデータ収集装置６に入力されるのであれば、エンジンＥＣＵ２を介さず、クランク軸の回転角度の原点を検出する原点センサや、クランク軸の回転角度を検出する角度センサからの角度情報がデータ収集装置６に入力されてもよい。

エンジン１の近くには、音圧センサ４が設置されている。音圧センサ４は、エンジン１から発生する音を検出し、この検出した音に基づく音圧信号をデータ収集装置６に出力する。詳述すると、音圧センサ４は、エンジン１に発生する圧力変動に基づく物理量の一例である音圧を検出し、検出された音圧の大きさを示す音圧信号を生成する。よって、エンジン１にノッキングが発生していないとき、音圧センサ４から出力される音圧信号には、ノッキングに相関のある音は含まれない。一方、エンジン１にノッキングが発生しているとき、音圧センサ４から出力される音圧信号には、ノッキングに相関のある音が含まれている。

エンジン１には、エンジン１の筒内圧を検出する筒内圧センサ５を取り付ける。筒内圧センサ５は、筒内の燃焼ガス振動に応じた波形成分を含む筒内圧信号をデータ収集装置６に出力する。ここで、エンジン１にノッキングが発生していないとき、筒内圧センサ５から出力される筒内圧信号には、ノッキングに相関した成分が含まれない。一方、エンジン１にノッキングが発生しているとき、筒内圧センサ５から出力される筒内圧信号には、ノッキングに相関した成分が含まれている。筒内圧センサ５は、点火プラグと一体化したものを用いてもよいし、点火プラグとは別個に構成されたものを用いてもよい。

データ収集装置６は、音圧センサ４からの音圧信号を入力してＡ／Ｄ変換する。また、データ収集装置６は、音圧信号を入力するタイミングで、エンジンＥＣＵ２から現在の角度情報を取得する。そして、データ収集装置６は、角度情報に基づいてエンジン１の１サイクル分の音圧信号を取得する。よって、４ストローク単気筒エンジンを例とすると、データ収集装置６は、単位時間当たりのエンジン１の回転速度に応じた数、例えば、回転速度が３０００［ｒ／ｍｉｎ］であれば一分間に１５００個の音圧信号を生成する。また、データ収集装置６は、一部又は全部の音圧信号に角度情報を関連付ける。そして、データ収集装置６は、角度情報が関連付けられた音圧信号をノッキング判定装置１０に出力する。なお、データ収集装置６は、音圧信号を一時的に保持したり、一旦蓄えたりしてからノッキング判定装置１０に出力してもよい。また、データ収集装置６は、音圧信号に時刻情報を関連付けてもよい。

モニタ７は、ノッキング判定装置１０が推定したエンジン１の筒内圧や、ノッキング判定装置１０によるノッキング有無の判定結果を表示する。なお、モニタ７の一例として、一般的なフラットパネルディスプレイがある。

ノッキング判定装置１０は、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する。また、ノッキング判定装置１０は、学習したネットワークにより生成されたマスクα及び伝達関数Ｈを用いて、エンジン１の筒内圧を推定し、推定したエンジン１の筒内圧に基づいて、ノッキングの有無を判定する。そして、ノッキング判定装置１０は、推定したエンジン１の筒内圧や、ノッキング有無の判定結果をモニタ７に表示する。

ここで、ノッキング判定装置１０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、その他の記憶装置等で構成されている。ノッキング判定装置１０は、ＲＯＭや記憶装置に記憶されているプログラムをＣＰＵで演算処理する。なお、ノッキング判定装置１０は、以下の処理を実行するプログラムを有するパーソナルコンピュータ（ＰＣ）等であってもよい。

本実施形態では、ノッキング判定装置１０は、学習モード、閾値算出モード、判定モードという３つの動作モードで動作する。１つ目の学習モードは、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する動作モードである。２つ目の閾値算出モードは、マスクαを生成するネットワークの重み及び伝達関数Ｈの学習後、ノッキングの有無を閾値判定するときの閾値を算出する動作モードである。３つ目の判定モードは、学習したネットワークにより生成されたマスクα及び伝達関数Ｈを用いて、ノッキングの有無を判定する動作モードである。これら３つの動作モードは、任意に切り替えることができる。例えば、図示を省略した管理装置により、ＣＡＮ（Controller Area Network）を介して、ノッキング判定装置１０の動作モードを切り替えることができる。また、図示を省略したマウス、キーボード等の操作手段を用いて、ノッキング判定装置１０の動作モードを切り替えてもよい。

学習モードの場合、ノッキングが発生する運転条件、及び、ノッキングが発生しない運転条件でそれぞれエンジン１を運転し、データ収集装置６が、教師データとして、筒内圧信号を収集することとする。このとき、データ収集装置６は、筒内圧センサ５からの筒内圧信号を入力してＡ／Ｄ変換し、これを音圧信号に関連付けておく。
閾値算出モードの場合、ノッキングが発生しない運転条件でエンジン１を運転し、データ収集装置６が、音圧信号を収集することとする。
なお、閾値算出モード又は判定モードの場合、データ収集装置６が、筒内圧信号を収集する必要はない。

［ノッキング判定装置の構成］
図３を参照し、ノッキング判定装置１０の構成について説明する。図３に示すように、ノッキング判定装置１０は、信号切出部１１と、スペクトル算出部１２と、信号記憶部１３と、スイッチ１４と、学習処理部（学習装置）２０と、判定処理部（推定装置）３０とを備える。ここで、ノッキング判定装置１０は、データ収集装置６から、音圧信号と、この音圧信号に関連付けられた角度情報とが入力される。さらに、学習モードの場合、ノッキング判定装置１０は、データ収集装置６から筒内圧信号が入力される。

信号切出部１１は、データ収集装置６から入力された角度情報に基づいて、所定の切出角度範囲を音圧信号から切り出す。例えば、切出角度範囲は、点火位置やＴＤＣ（Top Dead Center）付近から約９０°の角度範囲である。本実施形態では、点火タイミングが変更されても切出角度範囲は固定されたままであるが、点火タイミングの変更に応じて切出角度範囲を変更してもよい。

図４に示すように、一般的には、エンジン１が４気筒の場合、１気筒目と２気筒目の燃焼行程が５４０°ずれる。また、１気筒目と３気筒目の燃焼行程が１８０°ずれ、１気筒目と４気筒目の燃焼行程が３６０°ずれる。そこで、信号切出部１１は、角度情報から各気筒の燃焼行程タイミングを算出し、算出した燃焼行程タイミングに合わせて、４気筒分の音圧信号を切り出す。このとき、信号切出部１１は、切り出した音圧信号に、各気筒を一意に識別する識別情報を関連付けてもよい。
その後、信号切出部１１は、切り出した音圧信号をスペクトル算出部１２に出力する。

スペクトル算出部１２は、信号切出部１１が切り出した音圧信号に対して時間周波数領域で離散フーリエ変換を行い、音圧信号の時間周波数成分（スペクトル）を算出する。離散フーリエ変換は、例えば、離散フーリエ変換を高速に計算する高速フーリエ変換により行われる。
その後、スペクトル算出部１２は、時間周波数領域に変換した音圧信号を信号記憶部１３に書き込む。

信号記憶部１３は、スペクトル算出部１２が変換した音圧信号を記憶するメモリ、ＨＤＤ(Hard Disk Drive)、ＳＳＤ(Solid State Drive)等の記憶装置である。なお、学習モードの場合、信号記憶部１３は、データ収集装置６から入力された筒内圧信号を、教師データとして記憶してもよい。

スイッチ１４は、ノッキング判定装置１０の動作モードに応じて、信号記憶部１３に記憶されている信号の出力先を選択し、選択した出力先に信号を出力する。学習モードの場合、スイッチ１４は、後記する学習部２１を出力先として選択し、信号記憶部１３に記憶されている音圧信号及び筒内圧信号を学習部２１に出力する。閾値算出モードの場合、スイッチ１４は、後記する第１推定部２３を出力先として選択し、信号記憶部１３に記憶されている音圧信号を第１推定部２３に出力する。判定モードの場合、スイッチ１４は、後記する第２推定部３１を出力先として選択し、信号記憶部１３に記憶されている音圧信号を第２推定部３１に出力する。

＜学習処理部＞
学習処理部２０は、学習モードにおいて、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する学習処理（図９）を行い、閾値算出モードにおいて、エンジン１の推定筒内圧の閾値判定に用いる閾値を算出する閾値算出処理（図１０）を行う。図３に示すように、学習処理部２０は、学習部２１と、学習済みパラメータ記憶部２２と、第１推定部２３と、閾値算出部２４と、閾値記憶部２５とを備える。

学習部２１は、学習モードにおいて、ニューラルネットワークにより、雑音を除去し、かつ、ノッキング音を抽出するマスクαを生成するネットワークの重みと、学習したネットワークにより生成されたマスクαで抽出したノッキング音をノッキング発生時のエンジン１の筒内圧に変換する伝達関数Ｈとを学習する。本実施形態では、学習部２１は、スイッチ１４から入力された音圧信号及び筒内圧信号を用いて、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する。
その後、学習部２１は、学習したマスクαを生成するネットワークの重み及び伝達関数Ｈを学習済みパラメータ記憶部２２に書き込む。

＜＜マスクαを生成するネットワークの重み及び伝達関数Ｈの学習＞＞
図５〜図７を参照し、マスクαを生成するネットワーク（マスク生成ネットワーク９４Ａ）の重み及び伝達関数Ｈの学習について説明する。図５に示すように、雑音が含まれるエンジン近傍音９０にマスクαを乗じると、その雑音が除去されたエンジン近傍音９１を求めることができる。そして、雑音が除去されたエンジン近傍音９１に伝達関数Ｈを乗じると、音圧から筒内圧に物理量が変換され、エンジン１の推定筒内圧９２を求めることができる。

なお、雑音が含まれるエンジン近傍音９０を短時間フーリエ変換した時間−周波数マップの一例を図６（ａ）に示し、マスクαの時間−周波数マップの一例を図６（ｂ）に示した。また、雑音を除去したエンジン近傍音９１の時間−周波数マップの一例を図６（ｃ）に示し、推定筒内圧９２の時間−周波数マップの一例を図６（ｄ）に示した。

そこで、学習部２１は、教師データである実測筒内圧９３と推定筒内圧９２との誤差が最小となるように、ニューラルネットワーク９４により、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習すればよい。本実施形態では、学習部２１は、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）によりマスクαを生成するネットワークの重みを学習する。さらに、学習部２１は、伝達関数Ｈとして、音圧信号の時間周波数成分に乗じる重みを学習する。

図７に示すように、マスクαを生成するネットワークの重みを学習する畳み込みニューラルネットワークの一例として、Ｕ−Ｎｅｔ９５がある。このＵ−Ｎｅｔ９５は、Ｅｎｃｏｄｅｒ‐Ｄｅｃｏｄｅｒモデルの一種で、画像認識や音の分離に使用されている深層学習の一手法である。音の分離において、Ｕ−Ｎｅｔ９５では、下向きパス９６（Ｅｎｃｏｄｅｒ）で畳み込み（ストライドは２以上）を行い、階層９７が深くなるにつれて音の特徴を抽出する。一方、上向きパス９８（Ｄｅｃｏｄｅｒ）では、抽出された音の特徴から逆畳み込みとＵＰサンプリング（膨張）を行うことによりマスクαを生成する。ここまでは、一般的なＥｎｃｏｄｅｒ‐Ｄｅｃｏｄｅｒモデルの構成である。さらに、Ｕ−Ｎｅｔ９５では、各Ｅｎｃｏｄｅｒの畳み込み層からの出力９９をＤｅｃｏｄｅｒの畳み込み層にマージする。これにより、Ｕ−Ｎｅｔ９５では、一般的なＥｎｃｏｄｅｒ‐Ｄｅｃｏｄｅｒモデルよりも高精度なマスクαを生成できる。

このように、学習部２１がＵ−Ｎｅｔでマスクαを生成するネットワークの重みを学習するので、学習したネットワークにより生成されたマスクαがエンジン１の近傍音に応じて適切に変化するものとなる。これにより、ノッキング判定装置１０は、エンジン１の筒内圧を正確に推定することができる。

なお、Ｕ−Ｎｅｔは、下記の参考文献に詳細に記載されているため、これ以上の説明を省略する。
参考文献：SINGING VOICE SEPARATION WITH DEEP U-NET CONVOLUTIONAL NETWORKS, Andreas Jansson , Proceedings of the 18th ISMIR Conference, Suzhou, China, October 23-27, 2017

また、図７に示すように、伝達関数Ｈは、周波数軸方向で時間不変のフィルタとして機能する。本実施形態では、マスクαにより抽出されたノッキング音（雑音を除去したエンジン近傍音９１）と同じ時間幅まで伝達関数Ｈを複製し、マスクαにより抽出されたノッキング音（雑音を除去したエンジン近傍音９１）と複製した伝達関数Ｈとの要素積を求める。

図３に戻り、ノッキング判定装置１０の構成について説明を続ける。
学習済みパラメータ記憶部２２は、学習済みのパラメータ（マスクαを生成するネットワークの重み及び伝達関数Ｈ）を記憶するメモリ、ＨＤＤ、ＳＳＤ等の記憶装置である。

第１推定部２３は、閾値算出モードにおいて、ニューラルネットワークにより、学習したネットワークにより生成されたマスクα及び伝達関数Ｈを用いて、音圧信号からエンジン１の筒内圧を推定する。この第１推定部２３が推定した筒内圧は、後記する閾値を算出するときに利用される。具体的には、第１推定部２３は、学習済みパラメータ記憶部２２のマスクαを生成するネットワークの重み及び伝達関数Ｈが反映されたニューラルネットワークに、スイッチ１４から入力された音圧信号を入力する。すると、学習したネットワークにより生成されたマスクαが、音圧信号に含まれる雑音を除去し、かつ、音圧信号からノッキング音を抽出する。そして、伝達関数Ｈが、マスクαにより抽出されたノッキング音をノッキング発生時の筒内圧に変換する。
その後、第１推定部２３は、推定筒内圧を閾値算出部２４に出力する。

閾値算出部２４は、第１推定部２３が推定したエンジン１の筒内圧に基づいて閾値を算出する。具体的には、閾値算出部２４は、推定筒内圧の時間周波数成分を所定時間（例えば、エンジン１の１サイクル）毎に総和する。例えば、図６（ｄ）の推定筒内圧を総和すると、気筒別に１つのスコアが求められる。続いて、閾値算出部２４は、所定時間毎に総和した推定筒内圧の中央値を算出する。例えば、閾値算出部２４は、全てのサイクルについて、推定筒内圧の総和の中央値を算出する。このとき、閾値算出部２４は、任意の値で予め設定したマージンを中央値に加算し、閾値とする。なお、閾値算出部２４は、気筒毎に推定筒内圧を総和して中央値を求め、気筒毎の閾値を算出してもよい。一方、閾値算出部２４は、各気筒で推定筒内圧を総和し、全気筒で中央値を求め、全気筒で共通の閾値を算出してもよい。
その後、閾値算出部２４は、算出した閾値を閾値記憶部２５に書き込む。

閾値記憶部２５は、閾値算出部２４が算出した閾値を記憶するメモリ、ＨＤＤ、ＳＳＤ等の記憶装置である。

判定処理部３０は、判定モードにおいて、音圧信号からエンジン１の筒内圧を推定し、ノッキングの有無を判定する判定処理（図１１）を行う。図３に示すように、判定処理部３０は、第２推定部３１と、閾値判定部３２とを備える。

第２推定部３１は、判定モードにおいて、ニューラルネットワークにより、学習したネットワークにより生成されたマスクα及び伝達関数Ｈを用いて、音圧信号から推定筒内圧を推定する。この第２推定部３１が推定した筒内圧は、後記する閾値判定に利用される。なお、第２推定部３１の処理内容は、第１推定部２３と同様のため、説明を省略する。
その後、第２推定部３１は、推定筒内圧を閾値判定部３２に出力する。

閾値判定部３２は、判定モードにおいて、閾値記憶部２５に記憶されている閾値と、第２推定部３１が推定した筒内圧との閾値判定により、ノッキングの有無を判定する。具体的には、閾値判定部３２は、閾値算出部２４と同様、推定筒内圧の時間周波数成分を所定時間毎に総和する。そして、閾値判定部３２は、総和した推定筒内圧と閾値とを比較し、推定筒内圧が閾値を超えている場合にはノッキング有りと判定し、推定筒内圧が閾値未満の場合にはノッキング無しと判定する。
その後、閾値判定部３２は、ノッキング有無の判定結果と、第２推定部３１から入力された推定筒内圧の時間−周波数マップとをモニタ７（図２）に出力する。

［ノッキング判定装置の動作］
以下、ノッキング判定装置１０の動作について説明する。学習モードの場合、ノッキング判定装置１０は、図８のデータ収集処理を行った後、図９の学習処理を行う。閾値算出モードの場合、ノッキング判定装置１０は、図８のデータ収集処理を行った後、図１０の閾値算出処理を行う。判定モードの場合、ノッキング判定装置１０は、図８のデータ収集処理を行った後、図１１の判定処理を行う。

＜データ収集処理＞
図８を参照し、学習モード、閾値算出モード及び判定モードで実行されるデータ収集処理を説明する。
図８に示すように、ステップＳ２０において、データ収集装置６が、音圧信号、筒内圧力信号（教師データ）、及び、角度情報を信号切出部１１に入力する。なお、閾値算出モード又は判定モードの場合、ステップＳ２０では、筒内圧力信号を入力する必要がない。
ステップＳ２１において、信号切出部１１は、角度情報から各気筒の燃焼行程タイミングを算出する。
ステップＳ２２において、信号切出部１１は、ステップＳ２１で算出した燃焼行程タイミングに合わせて、ＴＤＣ付近の音圧信号を切り出す。
ステップＳ２３において、スペクトル算出部１２は、ステップＳ２２で切り出した音圧信号に対して高速フーリエ変換を行い、時間周波数成分を算出する。
ステップＳ２４において、スペクトル算出部１２は、時間周波数領域に変換した音圧信号を信号記憶部１３に書き込む。

＜学習処理＞
図９を参照し、学習モードで実行される学習処理を説明する。
図９に示すように、ステップＳ３０において、スイッチ１４は、信号記憶部１３から音圧信号及び筒内圧信号を読み出して、学習部２１に入力する。
ステップＳ３１において、学習部２１は、ステップＳ３０で入力された音圧信号及び筒内圧信号を用いて、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する。学習部２１は、畳み込みニューラルネットワーク（例えば、Ｕ−Ｎｅｔ）によりマスクαを生成するネットワークの重みを学習し、伝達関数Ｈとして、音圧信号の時間周波数成分に乗じる重みを学習する。
ステップＳ３２において、学習部２１は、学習したマスクαを生成するネットワークの重み及び伝達関数Ｈを学習済みパラメータ記憶部２２に書き込む。

＜閾値算出処理＞
図１０を参照し、閾値算出モードで実行される閾値算出処理を説明する。
図１０に示すように、ステップＳ４０において、第１推定部２３は、ニューラルネットワークにより、信号記憶部１３のマスクα及び伝達関数Ｈを用いて、音圧信号からエンジン１の筒内圧を推定する。
ステップＳ４１において、閾値算出部２４は、エンジン１の各サイクルで推定筒内圧の時間周波数成分を総和する。
ステップＳ４２において、閾値算出部２４は、全サイクルにおいて、総和した推定筒内圧の中央値を算出する。
ステップＳ４３において、閾値算出部２４は、予め設定したマージンを中央値に加算し、閾値とする。
ステップＳ４４において、閾値算出部２４は、算出した閾値を閾値記憶部２５に書き込む。

＜判定処理＞
図１１を参照し、判定モードで実行される判定処理を説明する。
図１１に示すように、ステップＳ５０において、第２推定部３１は、ニューラルネットワークにより、学習済みパラメータ記憶部２２のマスクαを生成するネットワークの重み及び伝達関数Ｈを用いて、信号記憶部１３より入力された音圧信号からエンジン１の筒内圧を推定する。
ステップＳ５１において、閾値判定部３２は、エンジン１の各サイクルで推定筒内圧の時間周波数成分を総和する。
ステップＳ５２において、閾値判定部３２は、閾値記憶部２５に記憶済みの閾値と、総和した推定筒内圧とを比較し、推定筒内圧が閾値を超えているか否かを判定する。
推定筒内圧が閾値を超えている場合（ステップＳ５２でＹｅｓ）、閾値判定部３２は、ノッキング有りと判定する（ステップＳ５３）。
推定筒内圧が閾値未満の場合、（ステップＳ５２でＮｏ）、閾値判定部３２は、ノッキング無しと判定する（ステップＳ５４）。
ステップＳ５５において、閾値判定部３２は、閾値判定の結果及び推定筒内圧をモニタ７に出力する。

［作用・効果］
以上説明したように、本実施形態によれば、以下に記載の効果を奏することができる。
（１）このような構成によれば、学習処理部２０は、所望の物理量を推定するためのマスクαを生成するネットワークの重みや伝達関数Ｈを学習する。これにより、学習したネットワークにより生成されたマスクαを用いて、入力物理量に含まれるノイズ成分を除去し、伝達関数Ｈを用いて、ノイズ成分が除去された入力物理量から所望の物理量を推定することができる。つまり、前記したマスクαや伝達関数Ｈを用いて、判定結果を裏付ける所望の物理量を外部に提示することができる。

（２）学習処理部２０は、エンジン１の筒内圧の推定を音分離問題及び伝達関数の推定問題として捉え、ニューラルネットワークにより、マスクαを生成するネットワークの重みや伝達関数Ｈを学習する。これにより、学習したネットワークにより生成されたマスクαを用いて、エンジン１の近傍音からノッキング音を抽出し、伝達関数Ｈを用いて、ノッキング音からノッキング発生時のエンジン１の筒内圧を推定することができる。つまり、前記したマスクαや伝達関数Ｈを用いて、ノッキング有無の判定結果を裏付ける、ノッキング発生時のエンジン１の筒内圧を外部に提示することができる。これにより、試験者が主観評価しているノッキングの有無を、エンジン１の推定筒内圧により客観評価することができる。さらに、マスクαを適用し、ノッキング音のみを抽出した音源を提示することで、試験者の技能承継に役立てることもできる。

（３）学習処理部２０は、マスクαを生成するネットワークの重みや伝達関数Ｈを適切に学習できるので、エンジン１の筒内圧をより正確に推定することができる。
（４）学習処理部２０は、閾値を適切に設定できるので、エンジン１の推定筒内圧に対する閾値判定をより正確に行うことが可能となる。

（５）判定処理部３０は、学習したネットワークにより生成されたマスクαを用いて、入力物理量に含まれるノイズ成分を除去し、伝達関数Ｈを用いて、ノイズ成分が除去された入力物理量から所望の物理量を推定することができる。つまり、前記したマスクαや伝達関数Ｈを用いて、判定結果を裏付ける所望の物理量を推定することができる。例えば、マスクαを用いて、エンジン１の近傍音からノッキング音を抽出し、伝達関数Ｈを用いて、ノッキング音からノッキング発生時のエンジン１の筒内圧を推定することができる。これにより、ノッキング有無の判定結果を裏付ける、ノッキング発生時のエンジン１の推定筒内圧を外部に提示することができる。

（６）判定処理部３０は、所望の物理量に対する閾値判定をより正確に行うことができる。例えば、推定したエンジン１の推定筒内圧について、ノッキングの有無をより正確に判定できる。

（第２実施形態）
前記した第１実施形態は、これを適宜変更した以下の形態にて実施することもできる。
第１実施形態では、マスクα及び伝達関数Ｈを用いて、雑音が含まれるエンジン近傍音９０からエンジン１の推定筒内圧９２を求める場合を例示した（図５）。しかし、図１２に示すように、マスクαを用いて、雑音が含まれるエンジン近傍音９０から、雑音が含まれないエンジン近傍音（ノッキング音）９１を推定してもよい。これにより、雑音が含まれないエンジン近傍音９１の大きさを外部に提示可能となる。

［ノッキング判定装置の構成］
図１３を参照し、第２実施形態に係るノッキング判定装置１０Ｂの構成について、第１実施形態と異なる点を説明する。

図１３に示すように、ノッキング判定装置１０Ｂは、信号切出部１１と、スペクトル算出部１２と、信号記憶部１３と、スイッチ１４と、学習処理部（学習装置）２０Ｂと、判定処理部（推定装置）３０Ｂとを備える。
なお、学習処理部２０Ｂ及び判定処理部３０Ｂ以外は、第１実施形態と同様のため、説明を省略する。

学習処理部２０Ｂは、学習モードにおいて、マスクαを生成するネットワークの重み及び伝達関数Ｈを学習する学習処理を行い、閾値算出モードにおいて、ノッキング音の閾値判定に用いる閾値を算出する閾値算出処理を行う。図１３に示すように、学習処理部２０Ｂは、学習部２１と、学習済みパラメータ記憶部２２と、第１推定部２３Ｂと、閾値算出部２４Ｂと、閾値記憶部２５とを備える。なお、学習モードの処理内容は、第１実施形態と同様のため、説明を省略する。

第１推定部２３Ｂは、閾値算出モードにおいて、ニューラルネットワークにより、学習したネットワークにより生成されたマスクαを用いて、音圧信号からノッキング音を推定する。そして、第１推定部２３Ｂは、推定したノッキング音を閾値算出部２４Ｂに出力する。なお、ノッキング音の推定手法は、第１実施形態と同様のため、説明を省略する。

閾値算出部２４Ｂは、第１推定部２３Ｂが推定したノッキング音に基づいて閾値を算出する。そして、閾値算出部２４Ｂは、算出した閾値を閾値記憶部２５に書き込む。なお、閾値の算出手法は、エンジン１の推定筒内圧の代わりにノッキング音を用いる以外、第１実施形態と同様のため、説明を省略する。

判定処理部３０Ｂは、判定モードにおいて、音圧信号からノッキング音を推定し、ノッキングの有無を判定する判定処理を行う。図１３に示すように、判定処理部３０Ｂは、第２推定部３１Ｂと、閾値判定部３２Ｂとを備える。

第２推定部３１Ｂは、判定モードにおいて、ニューラルネットワークにより、学習したネットワークにより生成されたマスクαを用いて、音圧信号からノッキング音を推定する。そして、第２推定部３１Ｂは、推定したノッキング音を閾値判定部３２Ｂに出力する。なお、ノッキング音の推定手法は、第１実施形態と同様のため、説明を省略する。

閾値判定部３２Ｂは、判定モードにおいて、閾値記憶部２５に記憶されている閾値と、第２推定部３１Ｂが推定したノッキング音との閾値判定により、ノッキングの有無を判定する。そして、閾値判定部３２Ｂは、ノッキング有無の判定結果と、第２推定部３１Ｂから入力されたノッキング音の時間−周波数マップとをモニタ７（図２）に出力する。

なお、閾値判定の手法は、エンジン１の推定筒内圧の代わりにノッキング音を用いる以外、第１実施形態と同様のため、説明を省略する。また、図３の閾値判定部３２が、第２実施形態と同様、ノッキング音の時間−周波数マップをモニタ７に出力するように構成してもよい。

このように、ノッキング判定装置１０Ｂは、ノッキングの評価に必要となる、ノッキング音の大きさを外部に提示し、ノッキングの有無を判定することができる。

（変形例）
以上、本発明の実施形態を詳述してきたが、本発明は前記した実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。
前記した実施形態では、入力物理量がエンジンの近傍音（音圧）であり、所望の物理量がエンジン１の推定筒内圧（圧力）であることとして説明したが、物理量の種類はこれらに限定されない。つまり、本発明で推定可能な所望の物理量は、前記した信号分離問題及び伝達関数の推定問題として扱うことが可能なものであればよい。これら所望の物理量の一例として、音圧、圧力、又は振動（変位、速度、加速度）がある。
また、入力物理量及び所望の物理量は、異なる種類の物理量だけでなく、同種の物理量であってもよい。例えば、入力物理量が車外の音であり、所望の物理量が車内空間の音であってもよい。

前記した実施形態では、マスクを生成するネットワークの重み及び伝達関数の両方を学習することとして説明したが、マスクを生成するネットワークの重み又は伝達関数の一方のみを学習してもよい。
例えば、ボア径等の関係により、ノッキング音の時間周波数特性が変化しない一方、ボディ構造やマイクの位置及び周波数特性の関係により、伝達関数が変化する場合がある。この場合、マスク生成に必要なネットワークの重みを学習せず、伝達関数を学習すればよい。
また、伝達関数が既知の一方、ノッキング音の時間周波数特性が未知の場合がある。この場合、伝達関数を学習せず、マスク生成に必要なネットワークの重みを学習すればよい。

前記した実施形態では、信号切出部が、角度情報に基づいて音圧信号を切り出すこととして説明したが、これに限定されない。例えば、データ収集装置が角度情報を収集せず、信号切出部が音圧信号をランダムに切り出してもよい。

前記した実施形態では、ノッキング判定装置が学習処理部及び判定処理部を備えることとして説明したが、これに限定されない。つまり、学習処理部を学習装置とし、判定処理部を推定装置として、それぞれを独立した装置として構成してもよい。

前記した実施形態では、エンジンが４気筒であることとして説明したが、その気筒数は特に限定されない。さらに、エンジン以外の試験対象について所望の物理量を推定してもよい。

前記した実施形態では、ノッキング判定装置を独立した装置として説明したが、本発明は、これに限定されない。例えば、本発明は、コンピュータが備えるＣＰＵ、メモリ、ハードディスク等のハードウェア資源を、前記したノッキング判定装置として協調動作させるプログラムで実現することもできる。これらのプログラムは、通信回線を介して配布してもよく、ＣＤ−ＲＯＭやフラッシュメモリ等の記録媒体に書き込んで配布してもよい。

１…エンジン、２…エンジンＥＣＵ、３…車両、４…音圧センサ、５…筒内圧センサ、６…データ収集装置、７…モニタ、１０，１０Ｂ…ノッキング判定装置、１１…信号切出部、１２…スペクトル算出部、１３…信号記憶部、１４…スイッチ、２０，２０Ｂ…学習処理部（学習装置）、２１…学習部、２２…学習済みパラメータ記憶部、２３，２３Ｂ…第１推定部、２４，２４Ｂ…閾値算出部、２５…閾値記憶部、３０，３０Ｂ…判定処理部（推定装置）、３１，３１Ｂ…第２推定部、３２，３２Ｂ…閾値判定部、１００，１００Ｂ…ノッキング判定システム

本発明は、このような実情に鑑みてなされたものであり、その目的は、判定結果の裏付けとなる所望の物理量を推定するための学習装置及び推定装置を提供することにある。

前記課題を解決する学習装置は、入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定するための学習装置であって、前記ノイズ成分は、内燃機関で発生するノッキング音以外の雑音であり、前記入力物理量は、前記雑音及び前記ノッキング音が含まれる前記内燃機関の音圧であり、前記所望の物理量は、ノッキング発生時の前記内燃機関の筒内圧であり、ニューラルネットワークにより、前記雑音を除去し、かつ、前記ノッキング音を抽出するマスクを生成するネットワークの重み、及び／又は、前記マスクにより抽出されたノッキング音を前記ノッキング発生時の内燃機関の筒内圧に変換する伝達関数を学習する学習部、を備える。

さらに、学習装置は、内燃機関の筒内圧推定を信号分離問題（音分離問題）及び伝達関数の推定問題として捉え、ニューラルネットワークにより、マスクを生成するネットワークの重みや伝達関数を学習する。これにより、マスクを用いて、内燃機関の音圧からノッキング音を分離して抽出し、伝達関数を用いて、ノッキング音からノッキング発生時の内燃機関の筒内圧を推定することができる。つまり、前記したマスクや伝達関数を用いて、ノッキング有無の判定結果を裏付ける、ノッキング発生時の内燃機関の筒内圧を外部に提示することができる。

前記課題を解決する推定装置は、入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定する推定装置であって、前記ノイズ成分は、内燃機関で発生するノッキング音以外の雑音であり、前記入力物理量は、前記雑音及び前記ノッキング音が含まれる前記内燃機関の音圧であり、前記所望の物理量は、ノッキング発生時の前記内燃機関の筒内圧であり、ニューラルネットワークにより、前記雑音を除去し、かつ、前記ノッキング音を抽出するマスクと、前記マスクにより抽出されたノッキング音を前記ノッキング発生時の内燃機関の筒内圧に変換する伝達関数とを用いて、前記入力物理量から前記所望の物理量を推定する第２推定部、を備える。

本発明によれば、判定結果の裏付けとなる物理量を推定することができる。

Claims (9)

1. 入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定するための学習装置であって、
   ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクを生成するネットワークの重み、及び／又は、前記マスクにより前記ノイズ成分が除去された入力物理量を前記所望の物理量に変換する伝達関数を学習する学習部、
   を備えることを特徴とする学習装置。
2. 前記ノイズ成分は、内燃機関で発生するノッキング音以外の雑音であり、
   前記入力物理量は、前記雑音及び前記ノッキング音が含まれる前記内燃機関の音圧であり、
   前記所望の物理量は、ノッキング発生時の前記内燃機関の筒内圧であり、
   前記学習部は、
   前記ニューラルネットワークにより、前記雑音を除去し、かつ、前記ノッキング音を抽出するマスクを生成するネットワークの重み、及び／又は、前記マスクにより抽出されたノッキング音を前記ノッキング発生時の内燃機関の筒内圧に変換する伝達関数を学習することを特徴とする請求項１に記載の学習装置。
3. 前記学習部は、
   畳み込みニューラルネットワークにより前記マスクを生成するネットワークの重みを学習し、
   前記伝達関数として、前記マスクにより前記ノイズ成分が除去された入力物理量に乗じる重みを学習することを特徴とする請求項１又は請求項２に記載の学習装置。
4. ニューラルネットワークにより、前記マスク及び前記伝達関数を用いて、前記入力物理量から前記所望の物理量を推定する第１推定部と、
   前記第１推定部が推定した所望の物理量を所定時間毎に総和し、総和した前記所望の物理量の中央値を算出し、算出した前記中央値を基準として閾値を設定する閾値算出部と、
   をさらに備えることを特徴とする請求項１から請求項３の何れか一項に記載の学習装置。
5. ニューラルネットワークにより、前記マスクを用いて、前記ノイズ成分が含まれる入力物理量から前記ノイズ成分が除去された入力物理量を推定する第１推定部と、
   前記第１推定部が推定した入力物理量を所定時間毎に総和し、総和した前記入力物理量の中央値を算出し、算出した前記中央値を基準として閾値を設定する閾値算出部と、
   をさらに備えることを特徴とする請求項１から請求項３の何れか一項に記載の学習装置。
6. 入力物理量に含まれるノイズ成分を除去し、前記ノイズ成分が除去された入力物理量から所望の物理量を推定する推定装置であって、
   ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクと、前記マスクにより前記ノイズ成分が除去された入力物理量を所望の物理量に変換する伝達関数とを用いて、前記入力物理量から前記所望の物理量を推定する第２推定部、
   を備えることを特徴とする推定装置。
7. 予め設定された閾値と、前記第２推定部が推定した所望の物理量との閾値判定を行う閾値判定部、
   をさらに備えることを特徴とする請求項６に記載の推定装置。
8. ノイズ成分が含まれる入力物理量の前記ノイズ成分を除去し、前記ノイズ成分が除去された入力物理量を推定する推定装置であって、
   ニューラルネットワークにより、前記入力物理量に含まれるノイズ成分を除去するマスクを用いて、前記ノイズ成分が含まれる入力物理量から前記ノイズ成分が除去された入力物理量を推定する第２推定部、
   を備えることを特徴とする推定装置。
9. 予め設定された閾値と、前記第２推定部が推定した入力物理量との閾値判定を行う閾値判定部、
   をさらに備えることを特徴とする請求項８に記載の推定装置。