JP2024063556A - 学習装置及び学習モデル生成方法 - Google Patents

Abstract

【課題】マウント部材の防振特性の変化を容易に取得して内燃機関の制御に利用できるようにする。
【解決手段】学習装置１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。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、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。
【選択図】図７

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。

特開２０１３－１０７５１２号公報

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。

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の概略構成図である。 学習モデルの一例を示す図である。 データ提供車両のハードウェア構成を示す概略図である。 防振ゴムの熱履歴の取得方法について説明する図である。 学習モデル利用車両のハードウェア構成を示す概略図である。 データ提供車両とサーバ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。 サーバ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。 学習モデル利用車両とサーバ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。 内燃機関の動作点を変更することによって車体振動の増加を抑制できることを説明する図である。

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、ｘ_１及びｘ_２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、ｚ_１ ^{（Ｌ＝２）} _、ｚ_２ ^{（Ｌ＝２）}及びｚ_３ ^{（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、ｚ_１ ^{（Ｌ＝３）}及びｚ_２ ^{（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ｘ_１及びｘ_２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ｚ_ｋ ^{（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ｕ_ｋ ^{（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ｕ_ｋ ^{（Ｌ＝２）}は活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚ_ｋ ^{（Ｌ＝２）}で示されるノードから、出力値ｚ_ｋ ^{（Ｌ＝２）}（＝ｆ（ｕ_ｋ ^{（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ｚ_１ ^{（Ｌ＝２）} _、ｚ_２ ^{（Ｌ＝２）}及びｚ_３ ^{（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ｚ_１ ^{（Ｌ＝３）}、ｚ_２ ^{（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ｚ_１ ^{（Ｌ＝３）}及びｚ_２ ^{（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

Claims (7)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
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。

Images