JP3855739B2 - ニューラルネットワークの学習方法およびプログラム - Google Patents
ニューラルネットワークの学習方法およびプログラム Download PDFInfo
- Publication number
- JP3855739B2 JP3855739B2 JP2001339454A JP2001339454A JP3855739B2 JP 3855739 B2 JP3855739 B2 JP 3855739B2 JP 2001339454 A JP2001339454 A JP 2001339454A JP 2001339454 A JP2001339454 A JP 2001339454A JP 3855739 B2 JP3855739 B2 JP 3855739B2
- Authority
- JP
- Japan
- Prior art keywords
- output value
- neural network
- air conditioner
- learning
- teacher data
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Air-Conditioning For Vehicles (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法および教師データの作成をコンピュータに実行させるためのプログラムに関するものである。
【０００２】
【従来の技術】
特開平１１−３０１２３９号公報では、上記学習制御空調装置を車両用の空調装置に適用したものが記載されている。この空調装置は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて空調制御を行うものである。
【０００３】
このような学習制御空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。そこで従来では、以下の手順で教師データの良否を評価しつつ、チューニング作業を行うようにしている。
【０００４】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感等の評価を、環境条件（例えば外気温度、日射量等）や乗員操作（例えば設定温度等）の設定毎に行う（▲１▼空調評価）。なお、上記評価は、ニューラルネットワークの出力項目（例えばフェイス吹出温度、風量、吹出口モード）毎に行う。
【０００５】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する（▲２▼空調評価結果検討）。そして、上記検討に基づいて前記所定の教師データを変更して作成する（▲３▼教師データ作成）。
【０００６】
そして、変更作成された教師データに基づいて再度ニューラルネットワークを学習させる（▲４▼学習）。そして、再度学習したニューラルネットワークの出力と教師データの出力データとの誤差が、所定の誤差範囲に収まっているか否かを検証する（▲５▼学習誤差検証）。なお、所定誤差範囲に収まっていない場合には、再度▲３▼教師データ作成および▲４▼学習の作業を行い、所定誤差範囲に収まるようにする。
【０００７】
そして、所定誤差範囲に収まった状態のニューラルネットワークをＲＯＭに搭載し（▲６▼ＲＯＭ搭載）、ＲＯＭに搭載されたニューラルネットワークにより実際に空調装置を作動させてみて不具合の有無をチェックする（▲７▼ＲＯＭチェック）。その後、上記▲１▼空調評価の作業を再度行う（▲８▼再空調評価）。
【０００８】
【発明が解決しようとする課題】
しかし、上記手番▲１▼〜▲８▼のうち、手番▲２▼の空調評価結果検討の作業は、手作業で評価結果を解析して教師データ改良ポイントを割り出す作業となるため、非常に繁雑な作業であり、人的ミスが発生しやすい。
【０００９】
さらに、手番▲１▼の空調評価において、環境条件や乗員操作の設定を変えると、１つの出力項目（例えばフェイス吹出温度）のみならず、他の出力項目（例えば風量や吹出口モード）も変化してしまうため、最適な出力を探すのが困難であり、作業時間も増大する。
【００１０】
本発明は、上記点に鑑み、ニューラルネットワークにより空調制御を行う空調装置において、人的ミスが無く、かつ、早く、容易に教師データを作成できるようにすることを目的とする。
【００１１】
【課題を解決するための手段】
上記目的を達成するため、請求項１に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法であって、所定の入力値と出力値を有する所定の教師データを備えるコンピュータにエアコンＥＣＵを通信可能に接続し、コンピュータに教師データの入力値と出力値とをデータ補間させ、エアコンＥＣＵから空調作動中の入力値をコンピュータに入力させて、データ補間された結果から出力値を演算させる工程と、演算された出力値をコンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、コンピュータからエアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データをコンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなることを特徴とする。
【００１２】
これにより、人的ミスが無く、かつ、早く、容易に教師データを作成することができる。
【００１３】
請求項２に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法であって、所定の入力値と出力値を有する所定の教師データを備えるコンピュータにエアコンＥＣＵを通信可能に接続し、コンピュータに教師データの入力値と出力値とをデータ補間させ、エアコンＥＣＵから空調作動中の入力値をコンピュータに入力させて、データ補間された結果から出力値を演算させる工程と、ニューラルネットワークの出力項目毎に演算された出力値をコンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、コンピュータからエアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データをコンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなることを特徴とする。
【００１４】
これにより、人的ミスが無く、かつ、早く、容易に教師データを作成することができる。
【００１６】
請求項３に記載の発明では、シフトされた出力値とこの出力値に対応する入力値とを反映して作成した教師データの内容をコンピュータで確認可能としたことを特徴とする。これにより、シフト操作した結果、教師データの変更度合がどのくらいの範囲に影響したかを確認することができる。
【００１７】
ところで、空調制御量の変化が急激である部分の学習は困難である。これに対し、請求項４に記載の発明では、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分の変化が緩やかになるように補正して教師データを作成することを特徴とするので、学習の困難な、空調制御量の変化が急激な部分を、教師データ作成時点で無くすことができる。よって、学習を容易に行える。
【００１８】
また、請求項５に記載の発明では、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分付近の教師データ数を増やして教師データを作成することを特徴とするので、学習の困難な、空調制御量の変化が急激な部分の教師データの数を増やして、学習時になるべく学習結果が教師データにフィットするようにできる。
【００２１】
請求項６に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの作成をエアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、エアコンＥＣＵから空調作動中の入力値を入力して、データ補間された結果から出力値を演算させる工程と、演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、エアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、コンピュータに実行させることを特徴とする。
また、請求項７に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの作成をエアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、エアコンＥＣＵから空調作動中の入力値を入力して、データ補間された結果から出力値を演算する工程と、ニューラルネットワークの出力項目毎に演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、エアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、コンピュータに実行させることを特徴とする。
【００２２】
【発明の実施の形態】
以下、本発明を図に示す実施形態について説明する。
【００２３】
（第１実施形態）
本実施形態は、ニューラルネットワークによって学習制御される空調装置のうち車両用空調装置に、本発明の教師データの作成方法を適用したものである。図１は、車両用空調装置に備えられた空調用電子制御装置（以下、エアコンＥＣＵという）１０および本実施形態の教師データ作成方法を行うための汎用コンピュータ２０等のハード構成を示す模式図であり、前記車両用空調装置は特開平１１−３０１２３９号公報に記載の車両用空調装置と同様のものである。
【００２４】
このエアコンＥＣＵ１０は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて車両用空調装置の空調制御を行うものである。なお、エアコンＥＣＵ１０は、特開平１１−３０１２３９号公報に記載のＥＣＵと同様のものであり、周知のマイクロコンピュータ（空調用コンピュータ）とその周辺回路との組み合わせからなるものである。
【００２５】
なお、この車両用空調装置には、車室内の設定温度ｔｓｅｔを設定する温度設定器が設けられている。この温度設定器は車両計器盤の空調操作パネルに設けられ、手動操作される温度設定手段である。また、車両用空調装置には、車室内の内気温ｔｒを検出する内気センサと車室外の外気温ｔａｍを検出する外気センサが設けられ、さらに、車室内への日射量ｔｓを検出する日射センサ、エバポレータの冷却温度（吹出空気温度）ｔｅを検出するエバポレータ温度センサ、およびヒータコアに流入する温水の温度Ｔｗを検出する水温センサが設けられている。
【００２６】
そして、エアコンＥＣＵ１０は、温度設定信号ｔｓｅｔ、内気温センサ信号ｔｒ、および外気温センサ信号ｔａｍ等を入力とし、ニューラルネットワークにより目標吹出温度ｔａｏ、ブロワ電圧ＶＭ等を算出する算出手段として機能する。
【００２７】
次に、ニューラルネットワークの概要について簡単に説明すると、ニューラルネットワークは、ある入力信号（例えば、ｔｓｅｔ、ｔａｍ、ｔｒ）を与えたときに、その出力が、予め設定された所望の値（教師データ）になるように、ニューラルネットワークの結合係数（シナプス荷重）を修正するという誤差逆伝播学習機能（バックプロパーゲーション機能）を備えた階層構造のネットワークである。
【００２８】
そして、教師データを変更した場合は、再び、ある入力信号に対する出力が変更後の教師データとなるように、繰り返し「学習」させることにより、結合係数（シナプス荷重）を修正する。つまり、多量のデータ（教師データ）からその相関関数（結合係数）を自動生成する特徴を持っている。
【００２９】
ところで、このような学習制御機能を有する車両用空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。
【００３０】
そこで本実施形態では、図２のフローチャートに示す手順で、教師データの良否を評価しつつチューニング作業を行っている。
【００３１】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感（例えば送風機の騒音に対する音感）等の評価を、環境条件（例えば、ｔａｍ、ｔｒ、ｔｓ等）や乗員操作（例えばｔｓｅｔ等）の設定毎に行う（空調評価（ステップＳ１０））。
【００３２】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する（空調評価結果検討（ステップＳ２０））。
【００３３】
そして、汎用コンピュータ２０を用いて、上記検討に基づいて前記所定の教師データを、後に詳述する方法で変更して作成する（教師データ作成（ステップＳ３０））。なお、図１の符号２１は、ステップＳ３０で変更作成された教師データ群を示しており、汎用コンピュータ２０のディスプレイ（表示装置）２２に表示されている。
【００３４】
また、この教師データ２１の入力値は、車室内温度ｔｒと設定温度ｔｓｅｔｄとの差から決定される偏差値ｔｄｄ、外気温度ｔａｍ、日射量ｔｓであり、出力値（空調制御量）はブロワ電圧ＶＭである。なお、本実施形態の車両用空調装置は車室内の運転席側と助手席側とを左右独立に空調可能なものであり、前記偏差値ｔｄｄは、運転席側の前席設定温度ｔｓｅｔｄと前席車室内温度ｔｒとの偏差値ｔｄである。
【００３５】
ところで、エアコンＥＣＵ１０は、当該車両に搭載された他のＥＣＵと通信線Ｗにより接続されており、所定の通信プロトコル（例えばＣＡＮ）により通信可能になっている。そして、汎用コンピュータ１０には通信線Ｗを接続するための通信線接続用カード２２が備えられており、このカード２２に通信線Ｗを接続することにより、エアコンＥＣＵ１０と汎用コンピュータ２０とが、上記通信プロトコルで通信可能になっている。
【００３６】
これにより、ステップＳ３０では、エアコンＥＣＵ１０からｔｒ、ｔａｍ、ｔｓ等のデータを汎用コンピュータ２０に入力し、これらの入力データを用いて教師データ２１を作成することができる。そして、車両にもともと存在する通信線Ｗおよび通信プロトコルを利用することにより、空調用コンピュータのハード改造を無くすことができる。或いは、このようなハード改造を最小限に抑えることができる。よって、学習制御空調装置の設計費のコストダウンを図ることができる。
【００３７】
次に、変更作成された教師データ２１の入力値と出力値とをデータ補間（例えば線形補間、最近傍点補間、キュービック補間等）して最適化関数を計算し、空調装置作動中の入力値（この場合はｔｄｄ、ｔａｍ、ｔｓ）に対する最適化関数の演算値を出力値（この場合はＶＭ）とする（エミュレータ組み込み（ステップＳ４０））。本実施形態ではデータ補間として線形補間を採用しているため、最適化関数を計算する時間は、従来の手番▲４▼によりニューラルネットワークを学習させる時間に比べて極めて短時間で済む。
【００３８】
なお、汎用コンピュータ１０には上記のようにデータ補間して最適化関数を計算するアプリケーションソフト（例えばＭＡＴＬＡＢ）がインストールされている。
【００３９】
次に、最適化関数の演算値である出力値（ｔａｏｄ）をエアコンＥＣＵ１０に送信し、この送信された出力値（ｔａｏｄ）に基づいて、実際に車両用空調装置を作動させてみる。そして、通信入出力値、演算値に不具合がないかを検証する（作動チェック（ステップＳ５０））。
【００４０】
ここで、このように検証するにあたり、空調装置の作動が教師データ２１のうちいずれの部分のデータに基づくものかを、図１の符号２２ａに示すようにディスプレイ２２に表示するようにしている。これにより、空調内容に不満があった時、教師データ２１が悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【００４１】
次に、空調の再評価を行い、ステップＳ２０での不満が軽減されているかを確認する（再空調評価（ステップＳ６０））。
【００４２】
なお、入出力値はセンサ信号等をそれぞれ０〜１に規格化（正規化）されたものであり、実際に出力された値は、０〜１から逆変換する作業が必要である。例えば、内気センサにより検出される内気温Ｔｒの実際の検出範囲は、通常、０℃〜５０℃であり、この検出値を規格化部で０〜１に割り当て、ニューラルネットワークの入力層に入力する。出力層からの出力結果も０〜１の値が出力されるので、出力変換部において予め設定された変換マップによってセンサ信号等に対応する実際の値に逆変換される。
【００４３】
次に、本発明の要部である、ステップＳ３０における教師データ２１の作成方法を説明する。
【００４４】
図３は、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、初めに、ステップＳ１０で用いた所定の教師データ２１を汎用コンピュータに読み込む（ステップＳ３１０）。
【００４５】
次に、専用プログラムを用いて、読み込んだ所定の教師データ２１を線形補間して制御パターンを作成する（ステップＳ３２０）。以下にその作成手順を説明すると、図４は、ブロワ電圧ＶＭの制御パターンを示す、偏差値ｔｄｄとブロワ電圧ＶＭとの特性図であり、この特性図は、図１に示すように汎用コンピュータ２０のディスプレイ２２に表示される。
【００４６】
また、ディスプレイ２２には、空調装置の作動が教師データ２１のうちいずれの部分のデータに基づくものかが、図１の符号２２ａに示すように表示される。これにより、空調内容に不満があった時、教師データ２１が悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【００４７】
さらに、ディスプレイ２２には、ブロワ電圧ＶＭの制御パターンをシフトさせるツールバーＡと、フェイス吹出温度ＴＡＶの制御パターンをシフトさせるツールバーＢとが表示される。ここで、図４（ａ）に示す特性図中の点線は、ステップＳ１０で用いた所定の教師データ２１によるオリジナル制御パターンを示しており、上記ツールバーＡ、Ｂを操作することにより、制御パターンをシフトさせることができる。
【００４８】
具体的には、ツールバーＡを用いて、オリジナル制御パターン上のデータＤ１をデータＤ２に変更する１回目の操作を行うと、データＤ２を通るようにオリジナル制御パターンの傾斜の部分が平行移動（シフト）する。この１回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ａ）の実線に示す制御パターンとなる。
【００４９】
次に、ステップＳ３２０にて上記ツールバーＡの操作によりブロワ電圧ＶＭの制御パターンが変更されているか否かを判定する（ステップＳ３３０）。そして、変更があったと判定されればステップＳ３４０に進み、上記ツールバーＡの操作を学習し、制御パターンを変更する。
【００５０】
この変更の具体例を以下に説明すると、図４（ｂ）に示す特性図中の一点鎖線は、１回目の学習後の制御パターンを示しており、１回目学習後制御パターン上のデータＤ３をデータＤ４に変更する２回目の操作を行うと、データＤ２およびデータＤ４を通るように１回目学習後制御パターンの傾斜の傾きを変更する。この２回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ｂ）の実線に示す制御パターンとなる。
【００５１】
図４（ｃ）に示す特性図中の二点鎖線は、２回目の学習後の制御パターンを示しており、２回目学習後制御パターン上のデータＤ５をデータＤ６に変更する３回目の操作を行うと、２回目学習後制御パターンを、データＤ２、データｄ４、データＤ６を最小二乗近似する傾きに変更して線形補間する。この３回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ｃ）の実線に示す制御パターンとなる。
【００５２】
そして、３回目以上の変更操作に対しては、変更後の各データを最小二乗近似する傾きを求めて制御パターンを作成する。そして、以上の学習が終了した場合およびステップＳ３３０にて変更がなかったと判定された場合には、ステップＳ３５０に進む。
【００５３】
そして、ステップＳ３５０にて評価試験が終了したか否かを判定し、終了していなければステップＳ３３０に戻り、終了していればステップＳ３６０に進み、ステップＳ３４０で学習した制御パターンから、所定間隔でデータをサンプリングし、これらのサンプリングデータに基づいて教師データ２１を専用プログラムを用いて作成する。
【００５４】
以上により本実施形態によれば、ステップＳ３０において、シフトされた出力であるブロワ電圧ＶＭと、そのブロワ電圧ＶＭに対応する偏差値ｔｄｄ等とを反映して最終的な教師データ２１を汎用コンピュータ２０に作成させて、その教師データ２１を用いてニューラルネットワークを学習させることができる。よって、人的ミスが無く、かつ、早く、容易に教師データ２１を作成することができる。
【００５５】
また、本実施形態によれば、作成した教師データ２１の内容を汎用コンピュータ２０のディスプレイ２２で確認可能となるので、シフト操作した結果、教師データ２１の変更度合がどのくらいの範囲に影響したかをディスプレイ２２上で確認することができる。
【００５６】
また、本実施形態によれば、学習制御空調装置と通信可能な外部の汎用コンピュータ２０を用いて教師データ２１を作成するので、例えば、フェイス目標吹出温度ＴＡＶや日射補正量ｔｓなどのように、通常の学習制御空調装置では操作できない空調制御量をも、汎用コンピュータ２０を用いてシフト操作できる。
【００５７】
また、本実施形態によれば、汎用コンピュータ２０におけるツールバーＢを用いて、フェイス吹出温度ＴＡＶの制御パターンを設定できるので、通常、車両計器盤の空調操作パネルからは設定操作できない空調制御量（ＴＡＶ）を設定でき、教師データ２１の作成を容易にできる。
【００５８】
また、本実施形態によれば、ステップＳ４０がエミュレート手段として機能し、教師データ２１を用いて、エアコンＥＣＵ１０に代わって汎用コンピュータ２０が出力値（ＶＭ）を直接算出することができる。よって、従来膨大な時間がかかっていた手番▲４▼の学習作業を省いて教師データ２１の良否を評価できるとともに、時間のかからない簡易な手法で出力値（ＶＭ）を直接算出できるので、教師データ２１の評価日数を短縮することができ、ひいては学習制御空調装置の設計費のコストダウンを図ることができる。
【００５９】
（第２実施形態）
図５は、本実施形態のエアコンＥＣＵ１０および汎用コンピュータ２０等のハード構成を示す模式図であり、ハード構成は第１実施形態と同様である。そして、第１実施形態ではディスプレイ２２に、ブロワ電圧ＶＭの制御パターンをシフトさせるツールバーＡと、フェイス吹出温度ＴＡＶの制御パターンをシフトさせるツールバーＢとを表示させていたが、本実施形態では、これらのツールバーＡ、Ｂに加え、ツールバーＣ、Ｄ、Ｅ、Ｆをも表示させている。
【００６０】
これらのツールバーＡ〜Ｆは、ニューラルネットワークの出力項目毎に、その出力をコンピュータ２０でシフトさせるものであり、具体的には、ツールバーＣは運転席側の目標吹出温度ｔａｏｄの制御パターンを、ツールバーＤは助手席側の目標吹出温度ｔａｏｐの制御パターンを、ツールバーＥは日射量ｔｓの制御パターンを、ツールバーＦは吹出口モード算出値ｓの制御パターンを、それぞれシフトさせるものである。
【００６１】
図６は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第１実施形態の図３に示すフローチャートのステップＳ３３０を図６に示すステップＳ３３１に変更したものであり、その他のステップは第１実施形態と同様である。
【００６２】
そして、ステップＳ３２０ではツールバーＡ〜Ｆの操作により各制御パターンを変更できるようになっており、ステップＳ３３１にて、これらのツールバーＡ〜Ｆ操作により制御パターンの変更がなされたか否かを判定するようになっている。
【００６３】
（第３実施形態）
図７は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第１実施形態の図３に示すフローチャートのステップＳ３４０を図７に示すステップＳ３４１、Ｓ３４２、Ｓ３４３に変更したものである。
【００６４】
ステップＳ３４１では、第１実施形態の図４に示す要領で制御パターンを変更させたのと同じように制御パターンを変更させる。そして、この変更によりシフトされた制御パターンがブロワ電圧ＶＭの変化を急激にさせたか否かを、ステップＳ３４２にて判定する。本実施形態では、偏差値ｔｄｄ１℃当たりのブロワ電圧ＶＭの変化が１．６Ｖより大きいか否かにより上記判定を行うようにしている。
【００６５】
そして、ステップＳ３４２にて、ブロワ電圧ＶＭの変化が急激に変化する制御パターンであると判定した場合には、図７のステップＳ３４３に示すように、ステップＳ３４３にて急激になった部分の変化が緩やかになるように補正する。その後、第１実施形態の図３に示すステップＳ３５０に進み、以降、第１実施形態と同様のフローチャートで作動する。
【００６６】
以上により、本実施形態によれば、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分の変化が緩やかになるように補正して教師データ２１を作成するので、学習の困難な、空調制御量の変化が急激な部分を、教師データ２１作成時点で無くすことができる。よって、学習を容易に行える。
【００６７】
（第４実施形態）
図８は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第３実施形態の図７に示すフローチャートのステップＳ３４２、Ｓ３４３を廃止し、第１実施形態の図３に示すフローチャートのステップＳ３５０とステップＳ３６０との間に、図８に示すステップＳ３５１およびＳ３５２を追加したものである。
【００６８】
ステップＳ３５１では、図７に示すステップＳ３４２と同様にして、ステップＳ３４１にて変更された制御パターンがブロワ電圧ＶＭの変化を急激にさせたか否かを判定する。
【００６９】
そして、ステップＳ３５２にて、ブロワ電圧ＶＭの変化が急激に変化する制御パターンであると判定した場合には、図８のステップＳ３５２に示すように、ステップＳ３４３にて急激になった部分付近の教師データ数を増やす。なお、図中のアンダーラインに示す教師データが増加されたデータである。
【００７０】
これにより、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分付近の教師データ数を増やして教師データ２１を作成するので、学習の困難な、空調制御量の変化が急激な部分の教師データの数を増やして、学習時になるべく学習結果が教師データ２１にフィットするようにできる。
【図面の簡単な説明】
【図１】本発明の第１実施形態に係るエアコンＥＣＵおよび汎用コンピュータ等のハード構成を示す模式図である。
【図２】第１実施形態に係る教師データの良否を評価しつつチューニング作業を行う手順を示すフローチャートである。
【図３】第１実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図４】第１実施形態に係るブロワ電圧ＶＭの制御パターンを示す特性図であり、（ａ）は１回目学習後の制御パターンを示す特性図であり、（ｂ）は２回目学習後の制御パターンを示す特性図であり、（ｃ）は３回目学習後の制御パターンを示す特性図である。
【図５】本発明の第２実施形態に係るエアコンＥＣＵおよび汎用コンピュータ等のハード構成を示す模式図である。
【図６】第２実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図７】本発明の第３実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図８】本発明の第４実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【符号の説明】
２０…汎用コンピュータ、２１…教師データ。
【発明の属する技術分野】
本発明は、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法および教師データの作成をコンピュータに実行させるためのプログラムに関するものである。
【０００２】
【従来の技術】
特開平１１−３０１２３９号公報では、上記学習制御空調装置を車両用の空調装置に適用したものが記載されている。この空調装置は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて空調制御を行うものである。
【０００３】
このような学習制御空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。そこで従来では、以下の手順で教師データの良否を評価しつつ、チューニング作業を行うようにしている。
【０００４】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感等の評価を、環境条件（例えば外気温度、日射量等）や乗員操作（例えば設定温度等）の設定毎に行う（▲１▼空調評価）。なお、上記評価は、ニューラルネットワークの出力項目（例えばフェイス吹出温度、風量、吹出口モード）毎に行う。
【０００５】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する（▲２▼空調評価結果検討）。そして、上記検討に基づいて前記所定の教師データを変更して作成する（▲３▼教師データ作成）。
【０００６】
そして、変更作成された教師データに基づいて再度ニューラルネットワークを学習させる（▲４▼学習）。そして、再度学習したニューラルネットワークの出力と教師データの出力データとの誤差が、所定の誤差範囲に収まっているか否かを検証する（▲５▼学習誤差検証）。なお、所定誤差範囲に収まっていない場合には、再度▲３▼教師データ作成および▲４▼学習の作業を行い、所定誤差範囲に収まるようにする。
【０００７】
そして、所定誤差範囲に収まった状態のニューラルネットワークをＲＯＭに搭載し（▲６▼ＲＯＭ搭載）、ＲＯＭに搭載されたニューラルネットワークにより実際に空調装置を作動させてみて不具合の有無をチェックする（▲７▼ＲＯＭチェック）。その後、上記▲１▼空調評価の作業を再度行う（▲８▼再空調評価）。
【０００８】
【発明が解決しようとする課題】
しかし、上記手番▲１▼〜▲８▼のうち、手番▲２▼の空調評価結果検討の作業は、手作業で評価結果を解析して教師データ改良ポイントを割り出す作業となるため、非常に繁雑な作業であり、人的ミスが発生しやすい。
【０００９】
さらに、手番▲１▼の空調評価において、環境条件や乗員操作の設定を変えると、１つの出力項目（例えばフェイス吹出温度）のみならず、他の出力項目（例えば風量や吹出口モード）も変化してしまうため、最適な出力を探すのが困難であり、作業時間も増大する。
【００１０】
本発明は、上記点に鑑み、ニューラルネットワークにより空調制御を行う空調装置において、人的ミスが無く、かつ、早く、容易に教師データを作成できるようにすることを目的とする。
【００１１】
【課題を解決するための手段】
上記目的を達成するため、請求項１に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法であって、所定の入力値と出力値を有する所定の教師データを備えるコンピュータにエアコンＥＣＵを通信可能に接続し、コンピュータに教師データの入力値と出力値とをデータ補間させ、エアコンＥＣＵから空調作動中の入力値をコンピュータに入力させて、データ補間された結果から出力値を演算させる工程と、演算された出力値をコンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、コンピュータからエアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データをコンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなることを特徴とする。
【００１２】
これにより、人的ミスが無く、かつ、早く、容易に教師データを作成することができる。
【００１３】
請求項２に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データによりニューラルネットワークを学習させるニューラルネットワークの学習方法であって、所定の入力値と出力値を有する所定の教師データを備えるコンピュータにエアコンＥＣＵを通信可能に接続し、コンピュータに教師データの入力値と出力値とをデータ補間させ、エアコンＥＣＵから空調作動中の入力値をコンピュータに入力させて、データ補間された結果から出力値を演算させる工程と、ニューラルネットワークの出力項目毎に演算された出力値をコンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、コンピュータからエアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データをコンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなることを特徴とする。
【００１４】
これにより、人的ミスが無く、かつ、早く、容易に教師データを作成することができる。
【００１６】
請求項３に記載の発明では、シフトされた出力値とこの出力値に対応する入力値とを反映して作成した教師データの内容をコンピュータで確認可能としたことを特徴とする。これにより、シフト操作した結果、教師データの変更度合がどのくらいの範囲に影響したかを確認することができる。
【００１７】
ところで、空調制御量の変化が急激である部分の学習は困難である。これに対し、請求項４に記載の発明では、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分の変化が緩やかになるように補正して教師データを作成することを特徴とするので、学習の困難な、空調制御量の変化が急激な部分を、教師データ作成時点で無くすことができる。よって、学習を容易に行える。
【００１８】
また、請求項５に記載の発明では、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分付近の教師データ数を増やして教師データを作成することを特徴とするので、学習の困難な、空調制御量の変化が急激な部分の教師データの数を増やして、学習時になるべく学習結果が教師データにフィットするようにできる。
【００２１】
請求項６に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの作成をエアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、エアコンＥＣＵから空調作動中の入力値を入力して、データ補間された結果から出力値を演算させる工程と、演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、エアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、コンピュータに実行させることを特徴とする。
また、請求項７に記載の発明では、ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、ニューラルネットワークの結合係数を計算するために用いる教師データの作成をエアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、エアコンＥＣＵから空調作動中の入力値を入力して、データ補間された結果から出力値を演算する工程と、ニューラルネットワークの出力項目毎に演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、エアコンＥＣＵに送信する工程と、送信された出力値に基づいて学習制御空調装置を作動させ評価試験が終了した場合に、シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、コンピュータに実行させることを特徴とする。
【００２２】
【発明の実施の形態】
以下、本発明を図に示す実施形態について説明する。
【００２３】
（第１実施形態）
本実施形態は、ニューラルネットワークによって学習制御される空調装置のうち車両用空調装置に、本発明の教師データの作成方法を適用したものである。図１は、車両用空調装置に備えられた空調用電子制御装置（以下、エアコンＥＣＵという）１０および本実施形態の教師データ作成方法を行うための汎用コンピュータ２０等のハード構成を示す模式図であり、前記車両用空調装置は特開平１１−３０１２３９号公報に記載の車両用空調装置と同様のものである。
【００２４】
このエアコンＥＣＵ１０は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて車両用空調装置の空調制御を行うものである。なお、エアコンＥＣＵ１０は、特開平１１−３０１２３９号公報に記載のＥＣＵと同様のものであり、周知のマイクロコンピュータ（空調用コンピュータ）とその周辺回路との組み合わせからなるものである。
【００２５】
なお、この車両用空調装置には、車室内の設定温度ｔｓｅｔを設定する温度設定器が設けられている。この温度設定器は車両計器盤の空調操作パネルに設けられ、手動操作される温度設定手段である。また、車両用空調装置には、車室内の内気温ｔｒを検出する内気センサと車室外の外気温ｔａｍを検出する外気センサが設けられ、さらに、車室内への日射量ｔｓを検出する日射センサ、エバポレータの冷却温度（吹出空気温度）ｔｅを検出するエバポレータ温度センサ、およびヒータコアに流入する温水の温度Ｔｗを検出する水温センサが設けられている。
【００２６】
そして、エアコンＥＣＵ１０は、温度設定信号ｔｓｅｔ、内気温センサ信号ｔｒ、および外気温センサ信号ｔａｍ等を入力とし、ニューラルネットワークにより目標吹出温度ｔａｏ、ブロワ電圧ＶＭ等を算出する算出手段として機能する。
【００２７】
次に、ニューラルネットワークの概要について簡単に説明すると、ニューラルネットワークは、ある入力信号（例えば、ｔｓｅｔ、ｔａｍ、ｔｒ）を与えたときに、その出力が、予め設定された所望の値（教師データ）になるように、ニューラルネットワークの結合係数（シナプス荷重）を修正するという誤差逆伝播学習機能（バックプロパーゲーション機能）を備えた階層構造のネットワークである。
【００２８】
そして、教師データを変更した場合は、再び、ある入力信号に対する出力が変更後の教師データとなるように、繰り返し「学習」させることにより、結合係数（シナプス荷重）を修正する。つまり、多量のデータ（教師データ）からその相関関数（結合係数）を自動生成する特徴を持っている。
【００２９】
ところで、このような学習制御機能を有する車両用空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておくといったチューニング作業が必要となる。ここで、上記教師データに不具合があると、空調装置の作動に対する乗員の温感、音感等の不満が多くなってしまう。
【００３０】
そこで本実施形態では、図２のフローチャートに示す手順で、教師データの良否を評価しつつチューニング作業を行っている。
【００３１】
初めに、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感（例えば送風機の騒音に対する音感）等の評価を、環境条件（例えば、ｔａｍ、ｔｒ、ｔｓ等）や乗員操作（例えばｔｓｅｔ等）の設定毎に行う（空調評価（ステップＳ１０））。
【００３２】
その後、上記評価に基づいて、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する（空調評価結果検討（ステップＳ２０））。
【００３３】
そして、汎用コンピュータ２０を用いて、上記検討に基づいて前記所定の教師データを、後に詳述する方法で変更して作成する（教師データ作成（ステップＳ３０））。なお、図１の符号２１は、ステップＳ３０で変更作成された教師データ群を示しており、汎用コンピュータ２０のディスプレイ（表示装置）２２に表示されている。
【００３４】
また、この教師データ２１の入力値は、車室内温度ｔｒと設定温度ｔｓｅｔｄとの差から決定される偏差値ｔｄｄ、外気温度ｔａｍ、日射量ｔｓであり、出力値（空調制御量）はブロワ電圧ＶＭである。なお、本実施形態の車両用空調装置は車室内の運転席側と助手席側とを左右独立に空調可能なものであり、前記偏差値ｔｄｄは、運転席側の前席設定温度ｔｓｅｔｄと前席車室内温度ｔｒとの偏差値ｔｄである。
【００３５】
ところで、エアコンＥＣＵ１０は、当該車両に搭載された他のＥＣＵと通信線Ｗにより接続されており、所定の通信プロトコル（例えばＣＡＮ）により通信可能になっている。そして、汎用コンピュータ１０には通信線Ｗを接続するための通信線接続用カード２２が備えられており、このカード２２に通信線Ｗを接続することにより、エアコンＥＣＵ１０と汎用コンピュータ２０とが、上記通信プロトコルで通信可能になっている。
【００３６】
これにより、ステップＳ３０では、エアコンＥＣＵ１０からｔｒ、ｔａｍ、ｔｓ等のデータを汎用コンピュータ２０に入力し、これらの入力データを用いて教師データ２１を作成することができる。そして、車両にもともと存在する通信線Ｗおよび通信プロトコルを利用することにより、空調用コンピュータのハード改造を無くすことができる。或いは、このようなハード改造を最小限に抑えることができる。よって、学習制御空調装置の設計費のコストダウンを図ることができる。
【００３７】
次に、変更作成された教師データ２１の入力値と出力値とをデータ補間（例えば線形補間、最近傍点補間、キュービック補間等）して最適化関数を計算し、空調装置作動中の入力値（この場合はｔｄｄ、ｔａｍ、ｔｓ）に対する最適化関数の演算値を出力値（この場合はＶＭ）とする（エミュレータ組み込み（ステップＳ４０））。本実施形態ではデータ補間として線形補間を採用しているため、最適化関数を計算する時間は、従来の手番▲４▼によりニューラルネットワークを学習させる時間に比べて極めて短時間で済む。
【００３８】
なお、汎用コンピュータ１０には上記のようにデータ補間して最適化関数を計算するアプリケーションソフト（例えばＭＡＴＬＡＢ）がインストールされている。
【００３９】
次に、最適化関数の演算値である出力値（ｔａｏｄ）をエアコンＥＣＵ１０に送信し、この送信された出力値（ｔａｏｄ）に基づいて、実際に車両用空調装置を作動させてみる。そして、通信入出力値、演算値に不具合がないかを検証する（作動チェック（ステップＳ５０））。
【００４０】
ここで、このように検証するにあたり、空調装置の作動が教師データ２１のうちいずれの部分のデータに基づくものかを、図１の符号２２ａに示すようにディスプレイ２２に表示するようにしている。これにより、空調内容に不満があった時、教師データ２１が悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【００４１】
次に、空調の再評価を行い、ステップＳ２０での不満が軽減されているかを確認する（再空調評価（ステップＳ６０））。
【００４２】
なお、入出力値はセンサ信号等をそれぞれ０〜１に規格化（正規化）されたものであり、実際に出力された値は、０〜１から逆変換する作業が必要である。例えば、内気センサにより検出される内気温Ｔｒの実際の検出範囲は、通常、０℃〜５０℃であり、この検出値を規格化部で０〜１に割り当て、ニューラルネットワークの入力層に入力する。出力層からの出力結果も０〜１の値が出力されるので、出力変換部において予め設定された変換マップによってセンサ信号等に対応する実際の値に逆変換される。
【００４３】
次に、本発明の要部である、ステップＳ３０における教師データ２１の作成方法を説明する。
【００４４】
図３は、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、初めに、ステップＳ１０で用いた所定の教師データ２１を汎用コンピュータに読み込む（ステップＳ３１０）。
【００４５】
次に、専用プログラムを用いて、読み込んだ所定の教師データ２１を線形補間して制御パターンを作成する（ステップＳ３２０）。以下にその作成手順を説明すると、図４は、ブロワ電圧ＶＭの制御パターンを示す、偏差値ｔｄｄとブロワ電圧ＶＭとの特性図であり、この特性図は、図１に示すように汎用コンピュータ２０のディスプレイ２２に表示される。
【００４６】
また、ディスプレイ２２には、空調装置の作動が教師データ２１のうちいずれの部分のデータに基づくものかが、図１の符号２２ａに示すように表示される。これにより、空調内容に不満があった時、教師データ２１が悪いのか、ニューラルネットワーク以外の制御が悪いのかが判断しやすくなる。
【００４７】
さらに、ディスプレイ２２には、ブロワ電圧ＶＭの制御パターンをシフトさせるツールバーＡと、フェイス吹出温度ＴＡＶの制御パターンをシフトさせるツールバーＢとが表示される。ここで、図４（ａ）に示す特性図中の点線は、ステップＳ１０で用いた所定の教師データ２１によるオリジナル制御パターンを示しており、上記ツールバーＡ、Ｂを操作することにより、制御パターンをシフトさせることができる。
【００４８】
具体的には、ツールバーＡを用いて、オリジナル制御パターン上のデータＤ１をデータＤ２に変更する１回目の操作を行うと、データＤ２を通るようにオリジナル制御パターンの傾斜の部分が平行移動（シフト）する。この１回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ａ）の実線に示す制御パターンとなる。
【００４９】
次に、ステップＳ３２０にて上記ツールバーＡの操作によりブロワ電圧ＶＭの制御パターンが変更されているか否かを判定する（ステップＳ３３０）。そして、変更があったと判定されればステップＳ３４０に進み、上記ツールバーＡの操作を学習し、制御パターンを変更する。
【００５０】
この変更の具体例を以下に説明すると、図４（ｂ）に示す特性図中の一点鎖線は、１回目の学習後の制御パターンを示しており、１回目学習後制御パターン上のデータＤ３をデータＤ４に変更する２回目の操作を行うと、データＤ２およびデータＤ４を通るように１回目学習後制御パターンの傾斜の傾きを変更する。この２回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ｂ）の実線に示す制御パターンとなる。
【００５１】
図４（ｃ）に示す特性図中の二点鎖線は、２回目の学習後の制御パターンを示しており、２回目学習後制御パターン上のデータＤ５をデータＤ６に変更する３回目の操作を行うと、２回目学習後制御パターンを、データＤ２、データｄ４、データＤ６を最小二乗近似する傾きに変更して線形補間する。この３回目の変更操作を学習した後のブロワ電圧特性ＶＭは図４（ｃ）の実線に示す制御パターンとなる。
【００５２】
そして、３回目以上の変更操作に対しては、変更後の各データを最小二乗近似する傾きを求めて制御パターンを作成する。そして、以上の学習が終了した場合およびステップＳ３３０にて変更がなかったと判定された場合には、ステップＳ３５０に進む。
【００５３】
そして、ステップＳ３５０にて評価試験が終了したか否かを判定し、終了していなければステップＳ３３０に戻り、終了していればステップＳ３６０に進み、ステップＳ３４０で学習した制御パターンから、所定間隔でデータをサンプリングし、これらのサンプリングデータに基づいて教師データ２１を専用プログラムを用いて作成する。
【００５４】
以上により本実施形態によれば、ステップＳ３０において、シフトされた出力であるブロワ電圧ＶＭと、そのブロワ電圧ＶＭに対応する偏差値ｔｄｄ等とを反映して最終的な教師データ２１を汎用コンピュータ２０に作成させて、その教師データ２１を用いてニューラルネットワークを学習させることができる。よって、人的ミスが無く、かつ、早く、容易に教師データ２１を作成することができる。
【００５５】
また、本実施形態によれば、作成した教師データ２１の内容を汎用コンピュータ２０のディスプレイ２２で確認可能となるので、シフト操作した結果、教師データ２１の変更度合がどのくらいの範囲に影響したかをディスプレイ２２上で確認することができる。
【００５６】
また、本実施形態によれば、学習制御空調装置と通信可能な外部の汎用コンピュータ２０を用いて教師データ２１を作成するので、例えば、フェイス目標吹出温度ＴＡＶや日射補正量ｔｓなどのように、通常の学習制御空調装置では操作できない空調制御量をも、汎用コンピュータ２０を用いてシフト操作できる。
【００５７】
また、本実施形態によれば、汎用コンピュータ２０におけるツールバーＢを用いて、フェイス吹出温度ＴＡＶの制御パターンを設定できるので、通常、車両計器盤の空調操作パネルからは設定操作できない空調制御量（ＴＡＶ）を設定でき、教師データ２１の作成を容易にできる。
【００５８】
また、本実施形態によれば、ステップＳ４０がエミュレート手段として機能し、教師データ２１を用いて、エアコンＥＣＵ１０に代わって汎用コンピュータ２０が出力値（ＶＭ）を直接算出することができる。よって、従来膨大な時間がかかっていた手番▲４▼の学習作業を省いて教師データ２１の良否を評価できるとともに、時間のかからない簡易な手法で出力値（ＶＭ）を直接算出できるので、教師データ２１の評価日数を短縮することができ、ひいては学習制御空調装置の設計費のコストダウンを図ることができる。
【００５９】
（第２実施形態）
図５は、本実施形態のエアコンＥＣＵ１０および汎用コンピュータ２０等のハード構成を示す模式図であり、ハード構成は第１実施形態と同様である。そして、第１実施形態ではディスプレイ２２に、ブロワ電圧ＶＭの制御パターンをシフトさせるツールバーＡと、フェイス吹出温度ＴＡＶの制御パターンをシフトさせるツールバーＢとを表示させていたが、本実施形態では、これらのツールバーＡ、Ｂに加え、ツールバーＣ、Ｄ、Ｅ、Ｆをも表示させている。
【００６０】
これらのツールバーＡ〜Ｆは、ニューラルネットワークの出力項目毎に、その出力をコンピュータ２０でシフトさせるものであり、具体的には、ツールバーＣは運転席側の目標吹出温度ｔａｏｄの制御パターンを、ツールバーＤは助手席側の目標吹出温度ｔａｏｐの制御パターンを、ツールバーＥは日射量ｔｓの制御パターンを、ツールバーＦは吹出口モード算出値ｓの制御パターンを、それぞれシフトさせるものである。
【００６１】
図６は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第１実施形態の図３に示すフローチャートのステップＳ３３０を図６に示すステップＳ３３１に変更したものであり、その他のステップは第１実施形態と同様である。
【００６２】
そして、ステップＳ３２０ではツールバーＡ〜Ｆの操作により各制御パターンを変更できるようになっており、ステップＳ３３１にて、これらのツールバーＡ〜Ｆ操作により制御パターンの変更がなされたか否かを判定するようになっている。
【００６３】
（第３実施形態）
図７は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第１実施形態の図３に示すフローチャートのステップＳ３４０を図７に示すステップＳ３４１、Ｓ３４２、Ｓ３４３に変更したものである。
【００６４】
ステップＳ３４１では、第１実施形態の図４に示す要領で制御パターンを変更させたのと同じように制御パターンを変更させる。そして、この変更によりシフトされた制御パターンがブロワ電圧ＶＭの変化を急激にさせたか否かを、ステップＳ３４２にて判定する。本実施形態では、偏差値ｔｄｄ１℃当たりのブロワ電圧ＶＭの変化が１．６Ｖより大きいか否かにより上記判定を行うようにしている。
【００６５】
そして、ステップＳ３４２にて、ブロワ電圧ＶＭの変化が急激に変化する制御パターンであると判定した場合には、図７のステップＳ３４３に示すように、ステップＳ３４３にて急激になった部分の変化が緩やかになるように補正する。その後、第１実施形態の図３に示すステップＳ３５０に進み、以降、第１実施形態と同様のフローチャートで作動する。
【００６６】
以上により、本実施形態によれば、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分の変化が緩やかになるように補正して教師データ２１を作成するので、学習の困難な、空調制御量の変化が急激な部分を、教師データ２１作成時点で無くすことができる。よって、学習を容易に行える。
【００６７】
（第４実施形態）
図８は、本実施形態に係る、汎用コンピュータ２０により教師データ２１を作成させる作動を示すフローチャートであり、第３実施形態の図７に示すフローチャートのステップＳ３４２、Ｓ３４３を廃止し、第１実施形態の図３に示すフローチャートのステップＳ３５０とステップＳ３６０との間に、図８に示すステップＳ３５１およびＳ３５２を追加したものである。
【００６８】
ステップＳ３５１では、図７に示すステップＳ３４２と同様にして、ステップＳ３４１にて変更された制御パターンがブロワ電圧ＶＭの変化を急激にさせたか否かを判定する。
【００６９】
そして、ステップＳ３５２にて、ブロワ電圧ＶＭの変化が急激に変化する制御パターンであると判定した場合には、図８のステップＳ３５２に示すように、ステップＳ３４３にて急激になった部分付近の教師データ数を増やす。なお、図中のアンダーラインに示す教師データが増加されたデータである。
【００７０】
これにより、シフトされた出力が空調制御量の変化を急激にさせるものとなった場合には、急激になった部分付近の教師データ数を増やして教師データ２１を作成するので、学習の困難な、空調制御量の変化が急激な部分の教師データの数を増やして、学習時になるべく学習結果が教師データ２１にフィットするようにできる。
【図面の簡単な説明】
【図１】本発明の第１実施形態に係るエアコンＥＣＵおよび汎用コンピュータ等のハード構成を示す模式図である。
【図２】第１実施形態に係る教師データの良否を評価しつつチューニング作業を行う手順を示すフローチャートである。
【図３】第１実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図４】第１実施形態に係るブロワ電圧ＶＭの制御パターンを示す特性図であり、（ａ）は１回目学習後の制御パターンを示す特性図であり、（ｂ）は２回目学習後の制御パターンを示す特性図であり、（ｃ）は３回目学習後の制御パターンを示す特性図である。
【図５】本発明の第２実施形態に係るエアコンＥＣＵおよび汎用コンピュータ等のハード構成を示す模式図である。
【図６】第２実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図７】本発明の第３実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【図８】本発明の第４実施形態に係る汎用コンピュータにより教師データを作成させる作動を示すフローチャートである。
【符号の説明】
２０…汎用コンピュータ、２１…教師データ。
Claims (7)
- ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データにより前記ニューラルネットワークを学習させるニューラルネットワークの学習方法であって、
所定の入力値と出力値を有する所定の教師データを備えるコンピュータに前記エアコンＥＣＵを通信可能に接続し、
前記コンピュータに前記教師データの入力値と出力値とをデータ補間させ、前記エアコンＥＣＵから空調作動中の入力値を前記コンピュータに入力させて、前記データ補間された結果から出力値を演算させる工程と、
前記演算された出力値を前記コンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、前記コンピュータから前記エアコンＥＣＵに送信する工程と、
前記送信された出力値に基づいて前記学習制御空調装置を作動させ評価試験が終了した場合に、前記シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを前記コンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなるニューラルネットワークの学習方法。 - ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データにより前記ニューラルネットワークを学習させるニューラルネットワークの学習方法であって、
所定の入力値と出力値を有する所定の教師データを備えるコンピュータに前記エアコンＥＣＵを通信可能に接続し、
前記コンピュータに前記教師データの入力値と出力値とをデータ補間させ、前記エアコンＥＣＵから空調作動中の入力値を前記コンピュータに入力させて、前記データ補間された結果から出力値を演算させる工程と、
前記ニューラルネットワークの出力項目毎に前記演算された出力値を前記コンピュータでシフトさせ、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、前記コンピュータから前記エアコンＥＣＵに送信する工程と、
前記送信された出力値に基づいて前記学習制御空調装置を作動させ評価試験が終了した場合に、前記シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを前記コンピュータに変更作成させ、この最終的な教師データに基づいてニューラルネットワークの学習を行う工程とからなるニューラルネットワークの学習方法。 - 前記シフトされた出力値とこの出力値に対応する入力値とを反映して作成した前記教師データの内容を前記コンピュータで確認可能としたことを特徴とする請求項１または２に記載のニューラルネットワークの学習方法。
- 前記シフトされた出力値が前記空調制御量の変化を急激にさせるものとなった場合には、前記急激になった部分の変化が緩やかになるように補正して前記教師データを作成することを特徴とする請求項１ないし３のいずれか１つに記載のニューラルネットワークの学習方法。
- 前記シフトされた出力値が前記空調制御量の変化を急激にさせるものとなった場合には、前記急激になった部分付近の教師データ数を増やして前記教師データを作成することを特徴とする請求項１ないし３のいずれか１つに記載のニューラルネットワークの学習方法。
- ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データの作成を前記エアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、
所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、前記エアコンＥＣＵから空調作動中の入力値を入力して、前記データ補間された結果から出力値を演算させる工程と、
前記演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、前記エアコンＥＣＵに送信する工程と、
前記送信された出力値に基づいて前記学習制御空調装置を作動させ評価試験が終了した場合に、前記シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、前記コンピュータに実行させるためのプログラム。 - ニューラルネットワークによって算出された空調制御量に基づいて空調制御を行うエアコンＥＣＵを備えた学習制御空調装置において、前記ニューラルネットワークの結合係数を計算するために用いる教師データの作成を前記エアコンＥＣＵと通信可能に接続されたコンピュータに実行させるためのプログラムであって、
所定の入力値と出力値を有する所定の教師データの入力値と出力値とをデータ補間し、前記エアコンＥＣＵから空調作動中の入力値を入力して、前記データ補間された結果から出力値を演算する工程と、
前記ニューラルネットワークの出力項目毎に前記演算された出力値をシフトし、このシフトされた出力値を、ニューラルネットワークの学習を行うことなく、前記エアコンＥＣＵに送信する工程と、
前記送信された出力値に基づいて前記学習制御空調装置を作動させ評価試験が終了した場合に、前記シフトされた出力値とこの出力値に対応する入力値に基づいてデータ補間された最終的な教師データを変更作成する工程とを、前記コンピュータに実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001339454A JP3855739B2 (ja) | 2001-11-05 | 2001-11-05 | ニューラルネットワークの学習方法およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001339454A JP3855739B2 (ja) | 2001-11-05 | 2001-11-05 | ニューラルネットワークの学習方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003140708A JP2003140708A (ja) | 2003-05-16 |
| JP3855739B2 true JP3855739B2 (ja) | 2006-12-13 |
Family
ID=19153798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001339454A Expired - Fee Related JP3855739B2 (ja) | 2001-11-05 | 2001-11-05 | ニューラルネットワークの学習方法およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3855739B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022220407A1 (ko) * | 2021-04-12 | 2022-10-20 | 한온시스템 주식회사 | 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190332969A1 (en) * | 2017-02-24 | 2019-10-31 | Omron Corporation | Configuring apparatus, method, program and storing medium, and learning data acquiring apparatus and method |
| JP6438549B1 (ja) * | 2017-08-24 | 2018-12-12 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
| JP7101492B2 (ja) * | 2018-02-09 | 2022-07-15 | 三菱電機株式会社 | 空調制御装置、空調制御システム、空調制御方法、及び、プログラム |
| CN113167495B (zh) * | 2018-12-12 | 2022-11-15 | 三菱电机株式会社 | 空调控制装置和空调控制方法 |
| CN111487875B (zh) * | 2019-01-28 | 2021-07-23 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2825939B2 (ja) * | 1990-06-20 | 1998-11-18 | 富士通株式会社 | ニューラルネットワーク学習装置 |
| JPH05256740A (ja) * | 1992-03-11 | 1993-10-05 | Toshiba Corp | プラント診断装置 |
| JPH06102905A (ja) * | 1992-09-18 | 1994-04-15 | Hitachi Ltd | フィードフォワード／フィードバック制御装置 |
| JPH11167413A (ja) * | 1997-12-02 | 1999-06-22 | Hitachi Ltd | 制御装置の保守ツール及び制御パラメータチューニング方法 |
| JP3991442B2 (ja) * | 1998-04-24 | 2007-10-17 | 株式会社デンソー | 空調装置 |
-
2001
- 2001-11-05 JP JP2001339454A patent/JP3855739B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022220407A1 (ko) * | 2021-04-12 | 2022-10-20 | 한온시스템 주식회사 | 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003140708A (ja) | 2003-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eriksson et al. | Qpack, a general tool for instrument simulation and retrieval work | |
| US5145112A (en) | Air conditioner | |
| US6426988B2 (en) | Image processing method of X-ray CT, X-ray CT and X-ray CT image-taking recording medium | |
| US20050114081A1 (en) | Inspection method, inspection apparatus, and facility diagnosis unit | |
| US20070038422A1 (en) | Method and system for developing a vehicle package | |
| JP3855739B2 (ja) | ニューラルネットワークの学習方法およびプログラム | |
| CN112793377B (zh) | 车辆用空调***以及空调装置控制方法 | |
| US20080004838A1 (en) | Air-Speed Wind Tunnel Data Analysis Suite | |
| Wang et al. | Expected estimating equations to accommodate covariate measurement error | |
| Luegmair et al. | Challenges in vibroacoustic vehicle body simulation including uncertainties | |
| JPH06187315A (ja) | ニューラルネット型追加学習装置 | |
| JPH10197348A (ja) | 熱画像の処理方法 | |
| EP3789904A1 (en) | Method and system for calibrating a simulation system for simulating micromechanical response characteristics of microstructures under investigation | |
| CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
| US5711021A (en) | Method for graphically displaying vehicle test data | |
| JP3767454B2 (ja) | 学習制御空調装置の教師データ評価方法 | |
| Daun et al. | Detecting and correcting outdated requirements in function-centered engineering of embedded systems | |
| Wu et al. | Development and validation of a parametric child anthropomorphic test device model representing 6–12-year-old children | |
| Lewis et al. | Objectively combining AR5 instrumental period and paleoclimate climate sensitivity evidence | |
| KR20220141086A (ko) | 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 | |
| KR101193374B1 (ko) | 공조제어장치의 동작 테스트 방법 | |
| JP2002099890A (ja) | プログラム自動生成方法及びプログラム自動生成装置 | |
| JPH0652265A (ja) | 設計評価装置 | |
| US6370891B1 (en) | Heating, ventilation, air conditioner performance test system | |
| KR102061267B1 (ko) | 로봇 제작 비용 분석 방법, 이를 위한 비용 분석 장치 및 서버에 저장된 컴퓨터프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20051206 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20051213 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060207 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060418 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060613 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060822 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060904 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090922 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100922 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100922 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110922 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110922 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120922 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120922 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130922 Year of fee payment: 7 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |