JP2024063556A - 学習装置及び学習モデル生成方法 - Google Patents
学習装置及び学習モデル生成方法 Download PDFInfo
- Publication number
- JP2024063556A JP2024063556A JP2022171616A JP2022171616A JP2024063556A JP 2024063556 A JP2024063556 A JP 2024063556A JP 2022171616 A JP2022171616 A JP 2022171616A JP 2022171616 A JP2022171616 A JP 2022171616A JP 2024063556 A JP2024063556 A JP 2024063556A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- learning model
- learning
- internal combustion
- combustion engine
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 16
- 238000002485 combustion reaction Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000002955 isolation Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000006866 deterioration Effects 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 239000010687 lubricating oil Substances 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
Description
本発明は学習装置及び学習モデル生成方法に関する。
特許文献1には、従来のハイブリッド車両の制御装置として、内燃機関と車体との間に配置されるマウント部材の硬さの変動に応じて、ドライバの駆動力要求操作に関連したエンジン始動判定閾値を変化させるように構成されたものが開示されている。引用文献1によれば、これにより、ハイブリッド車両の内燃機関を始動する際にマウント部材に加えられる荷重を、周囲温度の影響や劣化等によるマウントの硬さの変動に応じて調整することができるので、内燃機関の振動をマウント部材によって良好に吸収して当該振動が車体に伝達されるのを抑制することができるとされている。
しかしながら、前述した特許文献1のものは、周囲温度の影響や劣化等によるマウントの硬さの変動を考慮してハイブリッド車両の駆動力要求操作に関連したエンジン始動判定閾値を変化させるものであり、ハイブリッド車両の制御装置に関するものであることから、ハイブリッド車両以外の車両への適用が難しいという問題点がある。また車体に加速度センサなどの車体振動の計測が可能な車体振動計測センサを取り付けて、車体振動計測センサの検出値に基づいて内燃機関の加振力を制御することも考えられるが、市場に提供している全ての車両に車体振動計測センサを取り付けることは現実的ではない。
本発明はこのような問題点に着目してなされたものであり、車両タイプに関係なく、車体振動計測センサが取り付けられていない車両においてもマウント部材の防振特性の変化を取得して内燃機関の制御に利用できるようにすることを目的とする。
上記課題を解決するために、本発明のある態様による学習装置は、内燃機関と車体との間に配置されるマウント部材の防振特性に影響を与える入力パラメータ、及びマウント部材の防振特性を示す出力パラメータを含む訓練データセットを用いて機械学習を行うことによって学習モデルを生成し、入力パラメータには、マウント部材の使用地域の温度、所定期間のマウント部材の周囲温度の変化の時系列データ、及びマウント部材の使用年数が含まれており、出力パラメータには、内燃機関が始動されたときの車体振動が含まれている。
また、本発明のある態様による学習モデル生成方法は、内燃機関と車体との間に配置されるマウント部材の防振特性に影響を与える入力パラメータ、及び前記マウント部材の防振特性を示す出力パラメータを含む訓練データセットを用いて学習装置に機械学習を行わせることによって学習モデルを生成し、入力パラメータには、マウント部材の使用地域の温度、所定期間のマウント部材の周囲温度の変化の時系列データ、及びマウント部材の使用年数が含まれており、出力パラメータには、内燃機関が始動されたときの車体振動が含まれている。
本発明のこれらの態様によれば、マウント部材の防振特性の変化を機械学習させた学習モデルを生成するので、車両タイプに関係なく、車体振動計測センサが取り付けられていない車両においても、当該学習モデルを利用することで、マウント部材の防振特性の変化を取得して内燃機関の制御に利用することができる。
以下、図面を参照して本発明の一実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
車両に搭載される内燃機関は、マウント部材を介して車体(車両の骨格部位)に取り付けられており、マウント部材を構成する部品の一つである防振ゴムによって、内燃機関の振動が車体に伝達されるのを抑制している。
マウント部材の防振ゴムの硬さ、すなわちマウント部材の防振特性は、車両が使用される地域の気温や防振ゴムが周囲の熱源から受ける熱の履歴(防振ゴムの熱履歴)、防振ゴムの使用年数などの影響を受けて変化する。これらの影響を受けてマウント部材の防振特性が初期特性から悪化すると、それに応じて車体振動が増大して車両の乗り心地が悪化することになる。したがって、マウント部材の防振特性の変化にあわせて内燃機関を加振する加振力を制御することができれば、仮にマウント部材の防振特性が初期特性から悪化したとしても、車両の乗り心地が悪化するのを抑制することができる。
マウント部材の防振特性の変化は、例えば車体に加速度センサなどの車体振動の計測が可能なセンサ(以下「車体振動計測センサ」という。)が取り付けられている車両であれば、車体振動計測センサによって同一条件時における機関運転中の車体振動を定期的に計測してそれらを比較することで、把握することができる。しかしながら、コスト面などの観点から、市場に提供している全ての車両に車体振動計測センサを取り付けることは現実的ではない。
そこで本実施形態では、マウント部材の防振特性の変化を機械学習させた学習モデル(人工知能モデル)を生成し、当該学習モデルを利用することによって、車体振動計測センサが取り付けられていない車両においてもマウント部材の防振特性の変化を取得できるようにした。以下、図1などを参照して、この本発明の一実施形態による学習モデル生成利用システム100について説明する。
図1は、本実施形態による学習モデル生成利用システム100の概略構成図である。
学習モデル生成利用システム100は、サーバ1と、一又は複数のデータ提供車両2と、一又は複数の学習モデル利用車両3と、を備える。
サーバ1は、通信部11と、記憶部12と、処理部13と、を備える。
通信部11は、サーバ1を例えばゲートウェイ等を介してネットワーク4と接続するための通信インターフェース回路を有し、ネットワーク4を介して、データ提供車両2及び学習モデル利用車両3のそれぞれと通信することができるように構成される。
記憶部12は、HDD(Hard Disk Drive)やSSD(Solid State Drive)、光記録媒体、半導体メモリ等の記憶媒体を有し、処理部13での処理に用いられる各種のコンピュータプログラムやデータ等を記憶する。
処理部13は、一又は複数個のCPU(Central Processing Unit)及びその周辺回路を有し、記憶部12に格納された各種のコンピュータプログラムを実行してサーバ1の全体的な動作を統括的に制御するものであり、例えばプロセッサである。処理部13が実施する処理の一例を挙げると、例えば処理部13は、データ提供車両2から提供された訓練データセットを用いて、学習モデル利用車両3に搭載された内燃機関を制御するために使用される学習モデルの学習(生成及び再学習)を実施する。
なお本実施形態では、学習モデルとして、ディープニューラルネットワーク(DNN;Deep Neural Network)や畳み込みニューラルネットワーク(CNN;Convolutional Neural Network)などを用いたニューラルネットワークモデルに対して、機械学習手法の一つである深層学習を実施したものを使用している。したがって、本実施形態による学習モデルは、深層学習を実施した学習済みのNNモデルということもできる。
図2は、学習モデルの一例を示す図である。
図2における丸印は人工ニューロンを表す。人工ニューロンは、通常、ノード又はユニットと称される(本明細書では、「ノード」と称す)。図2において、L=1は入力層を示し、L=2及びL=3は隠れ層を示し、L=4は出力層を示している。隠れ層は、中間層とも称される。なお、図2には、隠れ層が2層のニューラルネットワークモデルを例示しているが、隠れ層の層数は特に限られるものではなく、また、入力層、隠れ層及び出力層の各層のノードの数も特に限られるものではない。
図2において、x1及びx2は入力層(L=1)の各ノード及びそのノードからの出力値を示しており、yは出力層(L=4)のノード及びその出力値を示している。同様に、z1
(L=2)
、z2
(L=2)及びz3
(L=2)は隠れ層(L=2)の各ノード及びそのノードからの出力値を示しており、z1
(L=3)及びz2
(L=3)は隠れ層(L=3)の各ノード及びそのノードからの出力値を示している。
入力層の各ノードでは入力がそのまま出力される。一方、隠れ層(L=2)の各ノードには、入力層の各ノードの出力値x1及びx2が入力され、隠れ層(L=2)の各ノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値uが算出される。例えば、図2において隠れ層(L=2)のzk
(L=2)(k=1、2、3)で示される各ノードにおいて算出される総入力値uk
(L=2)は、次式のようになる(Mは入力層のノードの数)。
次いで、この総入力値uk
(L=2)は活性化関数fにより変換され、隠れ層(L=2)のzk
(L=2)で示されるノードから、出力値zk
(L=2)(=f(uk
(L=2)))として出力される。一方、隠れ層(L=3)の各ノードには、隠れ層(L=2)の各ノードの出力値z1
(L=2)
、z2
(L=2)及びz3
(L=2)が入力され、隠れ層(L=3)の各ノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値u(=Σz・w+b)が算出される。この総入力値uは同様に活性化関数により変換され、隠れ層(L=3)の各ノードから、出力値z1
(L=3)、z2
(L=3)として出力される。活性化関数は例えばシグモイド関数σである。
また、出力層(L=4)のノードには、隠れ層(L=3)の各ノードの出力値z1
(L=3)及びz2
(L=3)が入力され、出力層のノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値u(Σz・w+b)が算出されるか、又は、それぞれ対応する重みwのみを用いて総入力値u(Σz・w)が算出される。例えば、出力層のノードでは活性化関数として恒等関数が用いられる。この場合、出力層のノードにおいて算出された総入力値uが、そのまま出力値yとして出力層のノードから出力される。
このように本実施形態による学習モデルは、入力層と、隠れ層と、出力層と、を備え、一又は複数の入力パラメータが入力層から入力されると、入力パラメータに対応する一の出力パラメータを出力層から出力することができるように構成される。なお、一又は複数の入力パラメータが入力層から入力されると、入力パラメータに対応する複数の出力パラメータを出力層から出力するように構成することもできる。
学習モデルの精度を向上させるためには、学習モデルを学習させる必要がある。学習モデルの学習には、入力パラメータの実測値と、この入力パラメータの実測値に対応した出力パラメータの実測値(正解データ)と、を含む多数の訓練データセットが用いられる。多数の訓練データセットを用いて、公知の誤差逆伝搬法によってニューラルネットワーク内の重みw及びバイアスbの値を繰り返し更新することで、重みw及びバイアスbの値が学習され、学習モデルの精度が向上する。
図1に戻り、データ提供車両2は、学習モデル利用車両3が利用する学習モデルの学習を実施するために必要な訓練データセットを生成し、当該訓練データセットをサーバ1に提供する車両である。データ提供車両2の詳細なハードウェア構成については、図3を参照して後述する。
学習モデル利用車両3は、当該車両に搭載された内燃機関を制御するにあたり、必要に応じて学習モデルを使用する車両である。学習モデル利用車両3における学習モデルの利用は、学習モデル利用車両3上で行われてもよいし、サーバ1上で行われてもよい。例えば、学習モデル利用車両3は、学習モデル自体をサーバ1から取得することによって、学習モデル利用車両3上で学習モデルを利用することができる。また例えば、学習モデル利用車両3は、学習モデル利用車両3上で取得された入力パラメータをサーバ1に送信し、サーバ1において当該入力パラメータを学習モデルに入力して得られた出力パラメータをサーバ1から受信することによって、サーバ1上で学習モデルを利用することができる。学習モデル利用車両3の詳細なハードウェア構成については、図5を参照して後述する。
図3は、データ提供車両2のハードウェア構成を示す概略図である。
データ提供車両2は、電子制御ユニット20と、車外通信装置24と、マウント部材を介して車体に取り付けられた内燃機関を含む各種の制御部品25と、制御部品25を制御するために、またサーバ1でマウント部材の防振特性の変化を機械学習させる際に使用される訓練データセットを生成するために必要な各種のセンサ類26と、を備える。電子制御ユニット20、車外通信装置24、制御部品25及びセンサ類26は、CAN(Controller Area Network)等の規格に準拠した車内ネットワーク27を介して互いに接続される。
電子制御ユニット20は、車内通信インターフェース21、記憶部22及び処理部23を備える。車内通信インターフェース21、記憶部22及び処理部23は、信号線を介して互いに接続されている。
車内通信インターフェース21は、車内ネットワーク27に電子制御ユニット20を接続するための通信インターフェース回路である。
記憶部22は、HDDやSSD、光記録媒体、半導体メモリ等の記憶媒体を有し、処理部23での処理に用いられる各種のコンピュータプログラムやデータ等を記憶する。
処理部23は、一又は複数個のCPU及びその周辺回路を有し、記憶部22に格納された各種のコンピュータプログラムを実行してデータ提供車両2を統括的に制御するものであり、例えばプロセッサである。
車外通信装置24は、無線通信機能を有する車載の端末である。車外通信装置24は、ネットワーク4と不図示のゲートウェイ等を介して接続される無線基地局5(図1参照)にアクセスすることで、無線基地局5を介してネットワーク4と接続される。これにより、データ提供車両2とサーバ1との間で相互に通信が行われる。
ここで前述したように、マウント部材の防振特性(マウント部材の防振ゴムの硬さ)は、車両が使用される地域の気温、防振ゴムが周囲の熱源から受ける熱の履歴(防振ゴムの熱履歴(防振ゴム周囲の温度変化の履歴))、及び防振ゴムの使用年数などの影響を受けて変化する。
例えば防振ゴムは、車両が使用される地域の気温が低いときには、高いときと比較して、その硬さが硬くなる傾向にある。また防振ゴムは、内燃機関等の周囲の熱源から受ける熱によって次第に劣化して硬化していく。すなわち防振ゴムの硬さは、防振ゴムの熱履歴に応じて変化する。また防振ゴムは、その使用年数の経過に伴って次第に劣化して硬化していく。
そこで本実施形態では、データ提供車両2によって、学習モデルの入力パラメータとして、外気温、防振ゴムの熱履歴及び防振ゴムの使用年数を取得し、これらの入力パラメータに対応する出力パラメータとして、車両停車中に内燃機関が始動されたときの車体振動を取得するようにしている。
そのためにデータ提供車両2は、センサ類26(入力パラメータ取得用のセンサ)として、外気温又は外気温と相関関係にあるパラメータを取得するために必要な第1温度センサを備える。外気温と相関関係にあるパラメータとしては、例えば、冷間始動時における機関冷却水の温度、機関潤滑油の温度又はトランスミッションの潤滑油の温度などが挙げられる。本実施形態によるデータ提供車両2は、第1温度センサとして、外気温を直接的に検出する外気温センサを備える。
またデータ提供車両2は、センサ類26(入力パラメータ取得用のセンサ)として、防振ゴムの熱履歴を取得するために必要な第2温度センサを備える。防振ゴムの熱履歴は、例えば、図4に示すように、車両運転中などの所定期間(例えば、車両のスタートスイッチがオンにされてからオフにされるまでの期間や、車両のスタートスイッチのオンからオフ後所定時間が経過するまでの期間など)の間に所定のサンプリング周期(例えば10[sec])で取得した防振ゴムの周囲温度から外気温を減算した温度の積算値(、所定期間中に防振ゴムに入力された熱量)とすることができる。すなわち防振ゴムの熱履歴は、所定期間中のマウント部材の周囲温度の変化の時系列データである。そのため、第2温度センサは、防振ゴムの周囲温度又は防振ゴムの周囲温度と相関関係にあるパラメータを取得可能なセンサとされる。防振ゴムの周囲温度と相関関係にあるパラメータとしては、防振ゴムの取り付け位置に近い部分の内燃機関の機関冷却水の温度又は機関潤滑油の温度や、防振ゴムの取り付け位置に近い部分のトランスミッションの潤滑油の温度などが挙げられる。本実施形態では、内燃機関の冷却水の温度を検出する水温センサを、第2温度センサとして使用している。
またデータ提供車両2は、センサ類26(出力パラメータ取得用のセンサ)として、車体振動計測センサを備える。車体振動計測センサは、例えば車両の座席下の車体に取り付けることができる。
図5は、学習モデル利用車両3のハードウェア構成を示す概略図である。
学習モデル利用車両3は、車内通信インターフェース31、記憶部32及び処理部33を有する電子制御ユニット30と、車外通信装置34と、マウント部材を介して車体に取り付けられた内燃機関を含む各種の制御部品35と、制御部品35を制御するために、また学習モデルに入力する入力パラメータを取得するために必要な各種のセンサ類36と、を備える。電子制御ユニット30、車外通信装置34、制御部品35及びセンサ類36は、CAN等の規格に準拠した車内ネットワーク37を介して互いに接続される。
このように学習モデル利用車両3のハードウェア構成は、学習モデル利用車両3が車体振動計測センサを備えていない点以外は、基本的にデータ提供車両2のハードウェア構成と同様なので、ここでは説明を省略する。
以下、サーバ1、データ提供車両2、及び学習モデル利用車両3において実行される処理の一例について説明する。
図6は、データ提供車両2とサーバ1との間で実行される訓練データセット提供処理の一例を示すフローチャートである。
ステップS1において、データ提供車両2の電子制御ユニット20は、学習モデル利用車両3が利用する学習モデルの入力パラメータの実測値及び出力パラメータの実測値を取得して当該学習モデルを学習させるために必要な訓練データセットを生成し、生成した訓練データセットを記憶部22に記憶する。
本実施形態では、データ提供車両2の電子制御ユニット20は、入力パラメータの実測値として、車両始動時の外気温、車両始動時の防振ゴムの熱履歴(すなわち、前回の車両走行終了時点、又は車両走行終了後から所定時間経過した時点における防振ゴムの熱履歴)、及び車両始動時の防振ゴムの使用年数を取得する。車両始動時の防振ゴムの使用年数は、例えば、データ提供車両2のラインオフからの経過時間とすることができる。そしてデータ提供車両2の電子制御ユニット20は、出力パラメータの実測値として、車両始動後、停車状態で最初に内燃機関が始動されたときの車体振動を取得する。車体振動を取得するタイミングを停車状態のときに限定することで、足回りから車体に伝達される振動などの外乱の影響を排除することできる。なお、当然のことながら、入力パラメータの実測値及び出力パラメータの実測値の取得タイミングは、このようなタイミングに限られるものではない。
ステップS2において、データ提供車両2の電子制御ユニット20は、記憶部22に記憶された訓練データセットのデータ量が所定の送信規定量以上になっているか否かを判定する。電子制御ユニット20は、訓練データセットのデータ量が送信規定量以上になっていれば、ステップS12の処理に進む。一方で電子制御ユニット20は、訓練データセットのデータ量が送信規定量未満であれば、今回の処理を終了する。
ステップS3において、データ提供車両2の電子制御ユニット20は、訓練データセットを、データ提供車両2の車両タイプ情報と併せてサーバ1に送信し、送信後、記憶部22に記憶していた訓練データセットのデータを消去する。
車両タイプ情報は、車両のボディ形状(セダン、ミニバン、SUVなど)や駆動方式(FF,FR,MR,RR,AWDなど)、ハイブリッド車両であるか否かなどの車両タイプに関する情報である。訓練データセットをこのような車両タイプ情報と併せて送信するのは、車両タイプに応じてマウント部材の取り付け位置などが異なる場合があり、その結果、例えば第2温度センサとして使用するセンサが車両タイプに応じて異なる場合があり、車両タイプごとに学習モデルを生成したほうが学習モデルの精度を向上させることができるためである。
ステップS4において、サーバ1は、データ提供車両2から訓練データセット及び車両タイプ情報を受信すると、車両タイプ情報を参照して車両タイプ毎に用意された複数のデータベースの中から訓練データセットの送信元となるデータ提供車両2の車両タイプと一致するデータベースを選択し、選択したデータベースに受信した訓練データセットを格納する。各データベースは、記憶部12に形成されている。車両タイプ毎に用意された複数のデータセットの例としては、例えば、FR系セダン用のデータベースやFR系SUV用のデータベース、FF系セダン用のデータベース、FF系SUV用のデータベース、FF系ミニバン用のデータベース、AWD系セダン用のデータベースなどが挙げられるが、これらに限られるものではない。
図7は、サーバ1で実行される学習モデルの学習処理の一例を示すフローチャートである。
ステップS21において、サーバ1は、各データベースの中で、所定時期からの訓練データセットのデータ量の増加量が所定の学習開始量以上となっているデータベースがあるか否かを判定する。所定時期は、例えば、訓練データセットを用いて最後に学習モデルの学習を実施した時期とすることができる。サーバ1は、各データベースの中で、所定時期からの訓練データセットのデータ量の増加量が学習開始量以上となっているデータベースがあれば、ステップS22の処理に進む。一方でサーバ1は、各データベースの中で、所定時期からの訓練データセットのデータ量の増加量が学習開始量以上となっているデータベースがなければ、今回の処理を終了する。
ステップS22において、サーバ1は、所定時期からの訓練データセットのデータ量の増加量が学習開始量以上となっているデータベースに格納されている訓練データセットを用いて、当該データベースに対応する車両タイプの学習モデルの学習(再学習)を実施し、当該車両タイプの学習モデルを更新する。
ステップS23において、サーバ1は、学習モデルの学習に使用したデータベース内の訓練データセットのデータを消去する。
図8は、学習モデル利用車両3とサーバ1との間で実行される学習モデル利用処理の一例を示すフローチャートである。
ステップS31において、学習モデル利用車両3の電子制御ユニット30は、学習モデルに入力するための入力パラメータを取得する。本実施形態では、学習モデル利用車両3の電子制御ユニット30は、車両始動時の外気温、車両始動時の防振ゴムの熱履歴(すなわち、前回の車両走行終了時点における防振ゴムの熱履歴)、及び車両始動時の防振ゴムの使用年数を入力パラメータとして取得する。
ステップS32において、学習モデル利用車両3の電子制御ユニット30は、取得した入力パラメータと、自車両の車両タイプ情報と、をサーバ1に送信する。
ステップS33において、サーバ1は、学習モデル利用車両3から入力パラメータ及び車両タイプ情報を受信すると、学習モデル利用車両3の車両タイプに対応する学習モデルに入力パラメータ入力し、出力パラメータを取得する。本実施形態において、このステップS33で取得される出力パラメータは、入力パラメータの送信元となる学習モデル利用車両3の内燃機関が始動されたときの車体振動予測値である。
ステップS34において、サーバ1は、取得した出力パラメータを、入力パラメータの送信元となる学習モデル利用車両3に送信する。
ステップS35において、学習モデル利用車両3の電子制御ユニットは、サーバ1から出力パラメータ(内燃機関を始動したときの車体振動予測値)を受信すると、出力パラメータに基づいて、内燃機関を運転したときの車体振動が所望の車体振動値の範囲(マウント部材の防振ゴムが初期特性のときの車体振動値の許容範囲)に収まるように、内燃機関を制御する。
ここで内燃機関は、上死点近傍及び下死点近傍でのピストンの急激な速度変化に伴うピストンの慣性力により、ピストンの往復動が繰り返されることによって加振される。ピストンの慣性力は、機関回転速度の2乗に比例するため、ピストンの慣性力に起因する加振力は、基本的に機関回転速度が高くなるほど大きくなる。また、ピストンに燃焼圧が加わるとクランクシャフトに対して回転方向のトルクが急激に加わるため、内燃機関には、この反力として回転方向とは逆向きのクランクシャフト回りの反動トルクが作用する。そのため内燃機関は、この反動トルクによっても加振され、反動トルクに起因する加振力は、基本的に燃焼圧が高くなるほど大きくなる。
したがって、例えば図9に示すように、内燃機関の動作点を、基準動作線上の動作点Aから等出力線上に沿って低回転速度側の動作点Bに変更することで、防振ゴムの防振特性が悪化したことに起因する車体振動の増加を抑制することができる。この際、通常動作点Aの熱効率よりも動作点Bの熱効率のほうが悪ければ、燃焼圧が低下していることになるので、車体振動の増加を一層抑制することができる。
このように本実施形態では、内燃機関の動作点を変更することによって、マウント部材の防振ゴムの防振特性が悪化したことに起因する車体振動の増加を抑制しているが、これ以外にも、点火時期を遅角して燃焼圧を下げることによって、加振力を低減するようにしてもよい。また学習モデル利用車両3がハイブリッド車両である場合には、内燃機関の出力を減らし、減らした分を電動機の出力によって補うようにしてもよい。
なお図8に示すフローチャートでは、学習モデル利用車両3における学習モデルの利用をサーバ1上で行う例について説明しているが、前述した通り、学習モデル自体をサーバ1から取得することによって、学習モデル利用車両3上で学習モデルを利用するようにしてもよい。
以上説明した本実施形態によるサーバ1(学習装置)は、内燃機関と車体との間に配置されるマウント部材の防振特性に影響を与える入力パラメータ、及びマウント部材の防振特性を示す出力パラメータを含む訓練データセットを用いて機械学習を行うことによって、学習モデルを生成するように構成される。入力パラメータには、マウント部材の使用地域の温度、所定期間のマウント部材の周囲温度の変化の時系列データ、及びマウント部材の使用年数が含まれており、出力パラメータには、内燃機関が始動されたときの車体振動が含まれている。
このように、マウント部材の防振特性の変化を機械学習させた学習モデルを生成することで、車両タイプに関係なく、車体振動計測センサが取り付けられていない車両であっても、当該学習モデルを利用することで、マウント部材の防振特性の変化を取得することができる。そのため、マウント部材の防振特性の変化にあわせて内燃機関を加振する加振力を制御することができるので、マウント部材の防振特性が初期特性から悪化したとしても、車両の乗り心地が悪化するのを抑制することができる。
例えば本実施形態による学習モデル生成利用システム100は、サーバ1(学習装置)と、サーバ1と通信可能に構成された学習モデル利用車両3と、を備え、学習モデル利用車両3の電子制御ユニット30(制御装置)は、自車両に関する入力パラメータを取得し、入力パラメータを学習モデルに入力して得られた出力パラメータに基づいて、マウント部材の防振特性の悪化に起因する自車両の車体振動の増加が抑制されるように、内燃機関を制御している。
より詳細には、学習モデル利用車両3の電子制御ユニット30は、内燃機関の動作点を、等出力で機関回転速度が低下する側の動作点又は熱効率が低下する側の動作点に変更することで、マウント部材の防振特性の悪化に起因する自車両の車体振動の増加を抑制するように構成されている。
また本実施形態による学習モデル生成利用システム100は、サーバ1(学習装置)と通信可能に構成されたデータ提供車両2をさらに備え、データ提供車両2の電子制御ユニット20(制御装置)は、自車両に関する入力パラメータ及び出力パラメータを取得して訓練データセットを生成し、生成した訓練データセットを自車両の車両タイプと併せてサーバ1に送信するように構成され、サーバ1は、受信した訓練データセットを車両タイプ毎に分別して保存し、車両タイプ毎に分別された訓練データセットに基づいて、車両タイプ毎の学習モデルを生成するように構成されている。
車両タイプに応じてマウント部材の取り付け位置が異なる場合があり、また車両タイプに応じて入力パラメータや出力パラメータを取得するセンサ類の種類や取り付け位置なども異なる場合があるため、このように車両タイプ毎に分別された訓練データセットに基づいて車両タイプ毎に学習モデルを生成することで、学習モデルの精度を向上させることができる。
学習モデルを利用して自車両の内燃機関を制御するにあたって、学習モデル利用車両3の電子制御ユニット30(制御装置)は、自車両で取得した入力パラメータと、自車両の車両タイプと、をサーバ1(学習装置)に送信し、サーバ1において入力パラメータを自車両の車両タイプに応じた学習モデルに入力することで得られた出力パラメータをサーバ1から受信し、受信した出力パラメータに基づいて内燃機関を制御するように構成することができる。
また例えば、学習モデル利用車両3の電子制御ユニット30(制御装置)は、自車両の車両タイプに応じた学習モデルをサーバ1(学習装置)から受信し、取得した入力パラメータを、受信した学習モデルに入力することで得られた出力パラメータに基づいて内燃機関を制御するように構成することもできる。
以上、本発明の実施形態について説明したが、上記実施形態は本発明の適用例の一部を示したに過ぎず、本発明の技術的範囲を上記実施形態の具体的構成に限定する趣旨ではない。
例えば上記の実施形態では、内燃機関を始動したときの車体振動を出力パラメータとして取得していたが、出力パラメータとして学習モデルから取得するのはこのような直接的な車体振動値に限られるものではなく、例えば、初期振動値に対する補正係数(実際の車体振動値/初期振動値)などであってもよい。
1 サーバ
2 データ提供車両
3 学習モデル利用車両
100 学習モデル生成利用システム
2 データ提供車両
3 学習モデル利用車両
100 学習モデル生成利用システム
Claims (7)
- 内燃機関と車体との間に配置されるマウント部材の防振特性に影響を与える入力パラメータ、及び前記マウント部材の防振特性を示す出力パラメータを含む訓練データセットを用いて機械学習を行うことによって、学習モデルを生成する学習装置であって、
前記入力パラメータには、前記マウント部材の使用地域の温度、所定期間の前記マウント部材の周囲温度の変化の時系列データ、及び前記マウント部材の使用年数が含まれており、
前記出力パラメータには、前記内燃機関が始動されたときの車体振動が含まれている、
学習装置。 - 請求項1に記載の前記学習装置と、前記学習装置と通信可能に構成された学習モデル利用車両と、を備える学習モデル生成利用システムであって、
前記学習モデル利用車両は、
前記マウント部材を介して車体に取り付けられた前記内燃機関と、
制御装置と、
を備え、
前記学習モデル利用車両の前記制御装置は、
自車両に関する前記入力パラメータを取得し、
前記入力パラメータを前記学習モデルに入力して得られた前記出力パラメータに基づいて、前記マウント部材の防振特性の悪化に起因する自車両の車体振動の増加が抑制されるように、前記内燃機関を制御するように構成される、
学習モデル生成利用システム。 - 前記学習装置と通信可能に構成されたデータ提供車両をさらに備え、
前記データ提供車両は、
前記マウント部材を介して車体に取り付けられた前記内燃機関と、
制御装置と、
を備え、
前記データ提供車両の前記制御装置は、
自車両に関する前記入力パラメータ及び前記出力パラメータを取得して前記訓練データセットを生成し、
前記訓練データセットを自車両の車両タイプと併せて前記学習装置に送信するように構成され、
前記学習装置は、
前記訓練データセットを車両タイプ毎に分別して保存し、
車両タイプ毎に分別された前記訓練データセットに基づいて、車両タイプ毎の前記学習モデルを生成するように構成される、
請求項2に記載の学習モデル生成利用システム。 - 前記学習モデル利用車両の前記制御装置は、
取得した前記入力パラメータと、自車両の車両タイプと、を前記学習装置に送信し、
前記学習装置において前記入力パラメータを自車両の車両タイプに応じた前記学習モデルに入力することで得られた前記出力パラメータを前記学習装置から受信し、
受信した前記出力パラメータに基づいて前記内燃機関を制御するように構成される、
請求項3に記載の学習モデル生成利用システム。 - 前記学習モデル利用車両の前記制御装置は、
自車両の車両タイプに応じた前記学習モデルを前記学習装置から受信し、
取得した前記入力パラメータを、受信した前記学習モデルに入力することで得られた前記出力パラメータに基づいて前記内燃機関を制御するように構成される、
請求項3に記載の学習モデル生成利用システム。 - 前記学習モデル利用車両の前記制御装置は、
前記内燃機関の動作点を、等出力で機関回転速度が低下する側の動作点又は熱効率が低下する側の動作点に変更することで、前記マウント部材の防振特性の悪化に起因する自車両の車体振動の増加を抑制するように構成される、
請求項2から請求項5までのいずれか1項に記載の学習モデル生成利用システム。 - 内燃機関と車体との間に配置されるマウント部材の防振特性に影響を与える入力パラメータ、及び前記マウント部材の防振特性を示す出力パラメータを含む訓練データセットを用いて学習装置に機械学習を行わせることによって、学習モデルを生成する学習モデル生成方法であって、
前記入力パラメータには、前記マウント部材の使用地域の温度、所定期間の前記マウント部材の周囲温度の変化の時系列データ、及び前記マウント部材の使用年数が含まれており、
前記出力パラメータには、前記内燃機関が始動されたときの車体振動が含まれている、
学習モデル生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022171616A JP2024063556A (ja) | 2022-10-26 | 2022-10-26 | 学習装置及び学習モデル生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022171616A JP2024063556A (ja) | 2022-10-26 | 2022-10-26 | 学習装置及び学習モデル生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024063556A true JP2024063556A (ja) | 2024-05-13 |
Family
ID=91030602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022171616A Pending JP2024063556A (ja) | 2022-10-26 | 2022-10-26 | 学習装置及び学習モデル生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024063556A (ja) |
-
2022
- 2022-10-26 JP JP2022171616A patent/JP2024063556A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5280283B2 (ja) | 内燃機関の制御方法及びエンジン制御装置 | |
JP5136408B2 (ja) | 自動車用制振装置および制振制御方法 | |
JP5444111B2 (ja) | 車両のバネ上制振制御装置 | |
US7975539B2 (en) | Method and device for reducing vibrations during the shutdown or startup of engines, in particular internal combustion engines | |
JP5729372B2 (ja) | 発電制御装置、および発電制御システム | |
US20180038334A1 (en) | Two-scale command shaping for reducing vehicle vibration during engine start or restart | |
CN111433688B (zh) | 用于设置致动器控制***的至少一个参数的方法和装置以及致动器控制*** | |
CN110103709A (zh) | 一种车辆踏板开度的控制方法、***、设备和介质 | |
JPWO2020066624A1 (ja) | サスペンション制御装置 | |
JP2024063556A (ja) | 学習装置及び学習モデル生成方法 | |
US9878716B2 (en) | Overheat preventing method of clutch for vehicle | |
JP7010343B1 (ja) | 機械学習装置 | |
CN108327507B (zh) | 混合动力汽车及其的主动减振控制方法和装置 | |
JP4857928B2 (ja) | 騒音制御装置および騒音制御方法 | |
Muller et al. | The effect of engine mounts on the noise and vibration behavior of vehicles | |
Kang et al. | NVH design criterion of electric powertrain mounts | |
US10344685B2 (en) | Apparatus and method for diagnosing engine having variable compression ratio apparatus | |
JP2012201241A (ja) | 能動型振動騒音抑制装置 | |
CN108327664B (zh) | 汽车及其的主动减振控制方法和装置 | |
CN112211734B (zh) | 基于悬置温度预估模型的目标怠速转速控制方法及*** | |
KR100435729B1 (ko) | 라디에이터를 이용한 차량의 진동 감쇠장치 | |
KR101973987B1 (ko) | 자동차의 능동마운트 제어방법 | |
WO2024150595A1 (ja) | サスペンションシステム | |
JPH10319972A (ja) | 能動型騒音制御装置及び能動型振動制御装置 | |
CN108571388A (zh) | 用于阻力矩适应的方法和装置 |