JPH0732853A - 自動車用空気調和装置 - Google Patents
自動車用空気調和装置Info
- Publication number
- JPH0732853A JPH0732853A JP17831293A JP17831293A JPH0732853A JP H0732853 A JPH0732853 A JP H0732853A JP 17831293 A JP17831293 A JP 17831293A JP 17831293 A JP17831293 A JP 17831293A JP H0732853 A JPH0732853 A JP H0732853A
- Authority
- JP
- Japan
- Prior art keywords
- air
- temperature
- mix door
- neural
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Air-Conditioning For Vehicles (AREA)
Abstract
(57)【要約】
【目的】 簡素化された制御プログラムで吹出風温度制
御のパーソナル化を図りうる「自動車用空気調和装置」
を提供すること。 【構成】 制御装置18をニューラルネットワークから
なる神経回路網22で構成し、室温センサ19と外気セ
ンサ20の各データを神経回路網22に入力しニューラ
ル演算を行ってエアミックスドア開度の出力を得る。温
度設定器21により設定温度が変更された場合には、バ
ッファ23を介してその設定信号を神経回路網22に取
り込み各環境条件におけるユーザの好みに合った吹出し
温を学習する。
御のパーソナル化を図りうる「自動車用空気調和装置」
を提供すること。 【構成】 制御装置18をニューラルネットワークから
なる神経回路網22で構成し、室温センサ19と外気セ
ンサ20の各データを神経回路網22に入力しニューラ
ル演算を行ってエアミックスドア開度の出力を得る。温
度設定器21により設定温度が変更された場合には、バ
ッファ23を介してその設定信号を神経回路網22に取
り込み各環境条件におけるユーザの好みに合った吹出し
温を学習する。
Description
【0001】
【産業上の利用分野】本発明は、自動車用空気調和装置
に関し、特にエアミックスドア開度の制御にニューラル
制御を応用して吹出風温度制御のパーソナル化を図った
ものである。
に関し、特にエアミックスドア開度の制御にニューラル
制御を応用して吹出風温度制御のパーソナル化を図った
ものである。
【0002】
【従来の技術】近年の自動車用空気調和装置では、安全
性の向上等を目的としたオートエアコンが普及してい
る。このオートエアコンは、乗員が所望の設定温度を指
示するだけで、車室内を常に快適に保つよう、自動的に
吹出風の温度、コンプレッサの作動・停止、吹出口モー
ドの設定、内外気の選択および風量の切り替えを行うよ
うになっている。かかる制御は、自動車や空気調和装置
等の所定の位置に設けられた各種センサからの入力信号
を制御手段に取り込むことにより、この制御手段であら
かじめ決められた判断基準に従って演算されるように構
成されている。
性の向上等を目的としたオートエアコンが普及してい
る。このオートエアコンは、乗員が所望の設定温度を指
示するだけで、車室内を常に快適に保つよう、自動的に
吹出風の温度、コンプレッサの作動・停止、吹出口モー
ドの設定、内外気の選択および風量の切り替えを行うよ
うになっている。かかる制御は、自動車や空気調和装置
等の所定の位置に設けられた各種センサからの入力信号
を制御手段に取り込むことにより、この制御手段であら
かじめ決められた判断基準に従って演算されるように構
成されている。
【0003】たとえば吹出風温度の自動制御を例にとる
と、一般に制御手段は、温度設定器と各種センサ(たと
えば室温センサ、外気センサ、日射センサ)からそれぞ
れ設定温度TPTC 、車室内温度TINC 、外気温度TAMB
、日射量QSUN の各種データを入力し、これらの入力
データを所定の温調式に代入して目標吹出風温度T0 を
算出し、それから、この目標吹出風温度を得るためのエ
アミックスドア開度を設定して、エアミックスドアアク
チュエータを介して常に最適なエアミックスドア開度に
なるよう制御を行っている。そのとき、乗員が自動制御
により得られる空調状態に満足できずに温度設定器を操
作して設定温度を補正した場合には、この補正された設
定温度と各種センサからの入力データとを前記温調式に
代入して目標吹出風温度を算出し直すことによってエア
ミックスドア開度の補正を行っている。なお、温調式の
一例を示すと、 T0 =A・TPTC +B・TAMB +C・QSUN +D・(TPTC −TINC )+E ここで、A、B、C、D、Eは定数である。
と、一般に制御手段は、温度設定器と各種センサ(たと
えば室温センサ、外気センサ、日射センサ)からそれぞ
れ設定温度TPTC 、車室内温度TINC 、外気温度TAMB
、日射量QSUN の各種データを入力し、これらの入力
データを所定の温調式に代入して目標吹出風温度T0 を
算出し、それから、この目標吹出風温度を得るためのエ
アミックスドア開度を設定して、エアミックスドアアク
チュエータを介して常に最適なエアミックスドア開度に
なるよう制御を行っている。そのとき、乗員が自動制御
により得られる空調状態に満足できずに温度設定器を操
作して設定温度を補正した場合には、この補正された設
定温度と各種センサからの入力データとを前記温調式に
代入して目標吹出風温度を算出し直すことによってエア
ミックスドア開度の補正を行っている。なお、温調式の
一例を示すと、 T0 =A・TPTC +B・TAMB +C・QSUN +D・(TPTC −TINC )+E ここで、A、B、C、D、Eは定数である。
【0004】
【発明が解決しようとする課題】ところで、一般に快適
な空調状態はエアコン使用時の環境条件(室温や外気温
度等)やユーザの個性(体感性や好み)によって異なる
が、上記した従来の制御方式にあっては、温調式を用い
た比例制御であって学習機能を持たないため、乗員によ
る補正内容が次回の制御に反映されず、乗車のたびにそ
の時の環境条件における自分の好みの空調状態を実現す
るよう設定温度をその都度適宜変更しなければならない
という不都合がある。
な空調状態はエアコン使用時の環境条件(室温や外気温
度等)やユーザの個性(体感性や好み)によって異なる
が、上記した従来の制御方式にあっては、温調式を用い
た比例制御であって学習機能を持たないため、乗員によ
る補正内容が次回の制御に反映されず、乗車のたびにそ
の時の環境条件における自分の好みの空調状態を実現す
るよう設定温度をその都度適宜変更しなければならない
という不都合がある。
【0005】また、最近ではたとえば自動車用空気清浄
器のような周辺機器の普及に伴ってかかる周辺機器との
関連において空調制御を行うことが求められ、複雑で高
度な制御が要求されている。ところが、温調式を用いた
従来の制御方式にあっては、入出力関係の数式化が不可
欠である以上、制御の高度化に伴って温調式が複雑にな
るのは避けられず、したがって、制御プログラムの開発
により多くの時間が必要になるとともにプログラムのメ
ンテナンスも困難になる。しかも、プログラムの開発に
は制御方法の理解を含めて専門的な知識を必要とする。
器のような周辺機器の普及に伴ってかかる周辺機器との
関連において空調制御を行うことが求められ、複雑で高
度な制御が要求されている。ところが、温調式を用いた
従来の制御方式にあっては、入出力関係の数式化が不可
欠である以上、制御の高度化に伴って温調式が複雑にな
るのは避けられず、したがって、制御プログラムの開発
により多くの時間が必要になるとともにプログラムのメ
ンテナンスも困難になる。しかも、プログラムの開発に
は制御方法の理解を含めて専門的な知識を必要とする。
【0006】本発明は、このような従来技術の問題点に
鑑みてなされたものであり、ニューラルネットワークを
用いて簡素化された制御プログラムで吹出風温度制御の
パーソナル化を図りうる自動車用空気調和装置を提供す
ることを目的とする。
鑑みてなされたものであり、ニューラルネットワークを
用いて簡素化された制御プログラムで吹出風温度制御の
パーソナル化を図りうる自動車用空気調和装置を提供す
ることを目的とする。
【0007】
【課題を解決するための手段】上記目的を達成するため
の本発明は、車室内外の熱環境情報を検出する熱環境情
報検出手段と、車室内の温度を設定する温度設定手段
と、前記熱環境情報検出手段により検出された熱環境情
報に基づいてニューラルネットワークの演算則に従って
エアミックスドアの開度を算出するとともに前記温度設
定手段の設定温度に変更があったときに前記ニューラル
ネットワークの学習則に従って前記演算則を更新するエ
アミックスドア開度演算手段とを有することを特徴とす
る。
の本発明は、車室内外の熱環境情報を検出する熱環境情
報検出手段と、車室内の温度を設定する温度設定手段
と、前記熱環境情報検出手段により検出された熱環境情
報に基づいてニューラルネットワークの演算則に従って
エアミックスドアの開度を算出するとともに前記温度設
定手段の設定温度に変更があったときに前記ニューラル
ネットワークの学習則に従って前記演算則を更新するエ
アミックスドア開度演算手段とを有することを特徴とす
る。
【0008】
【作用】このように構成した本発明にあっては、熱環境
情報検出手段は車室内外の熱環境情報を検出し、温度設
定手段は車室内の温度を設定する。エアミックスドア開
度演算手段は、前記熱環境情報検出手段により検出され
た熱環境情報に基づいてニューラルネットワークの演算
則に従ってエアミックスドアの開度を算出するととも
に、前記温度設定手段の設定温度に変更があったときに
は前記ニューラルネットワークの学習則に従って前記演
算則を更新する。よって、学習終了後は更新された演算
則に従ってエアミックスドア開度が算出されるようにな
り、ユーザの個性に合った制御のパーソナル化が図られ
る。
情報検出手段は車室内外の熱環境情報を検出し、温度設
定手段は車室内の温度を設定する。エアミックスドア開
度演算手段は、前記熱環境情報検出手段により検出され
た熱環境情報に基づいてニューラルネットワークの演算
則に従ってエアミックスドアの開度を算出するととも
に、前記温度設定手段の設定温度に変更があったときに
は前記ニューラルネットワークの学習則に従って前記演
算則を更新する。よって、学習終了後は更新された演算
則に従ってエアミックスドア開度が算出されるようにな
り、ユーザの個性に合った制御のパーソナル化が図られ
る。
【0009】
【実施例】以下、本発明の一実施例を図面に基づいて説
明する。図1は本発明の一実施例の概略構成図、図2は
同実施例のニューラルネットワークの構造図、図3は同
実施例のニューラル演算テーブルの一例を示す図、図4
は図3のテーブル上における出力パターンの割当て例を
示す図、図5は同実施例による学習前後の出力パターン
の一例を示す図、図6は同実施例の動作フローチャート
である。なお、ここでは各種空調制御のうち本発明に関
係する吹出風温度制御を中心に説明する。
明する。図1は本発明の一実施例の概略構成図、図2は
同実施例のニューラルネットワークの構造図、図3は同
実施例のニューラル演算テーブルの一例を示す図、図4
は図3のテーブル上における出力パターンの割当て例を
示す図、図5は同実施例による学習前後の出力パターン
の一例を示す図、図6は同実施例の動作フローチャート
である。なお、ここでは各種空調制御のうち本発明に関
係する吹出風温度制御を中心に説明する。
【0010】図1に示す自動車用空気調和装置の本体1
は、一般の自動車用空気調和装置と同様、内気または外
気を選択的に取り入れるインテークユニット2と、取り
入れ空気を冷却するクーリングユニット3と、取り入れ
空気を調和して温調した後にこの調和空気を車室内に吹
き出すヒータユニット4とで構成されている。
は、一般の自動車用空気調和装置と同様、内気または外
気を選択的に取り入れるインテークユニット2と、取り
入れ空気を冷却するクーリングユニット3と、取り入れ
空気を調和して温調した後にこの調和空気を車室内に吹
き出すヒータユニット4とで構成されている。
【0011】インテークユニット2には内気または外気
を選択するためのインテークドア5が回動自在に設けら
れており、このインテークドア5は図示しないインテー
クドアアクチュエータによって回動される。また、イン
テークユニット2はモータ6によって所定の速度で回転
するファン7を有し、モータ6への印加電圧を可変して
ファン7の回転速度を変えることによって車室内に吹き
出される風量が調節される。クーリングユニット3には
冷房サイクルを構成するエバポレータ8が内設されてお
り、図示しないコンプレッサをオンすることによってエ
バポレータ8に冷媒が供給され、この冷媒との熱交換に
よって取り入れ空気が冷却される。ヒータユニット4に
はエンジン冷却水が循環されるヒータコア9が内設され
ており、このヒータコア9の上流側にはヒータコア9を
通過する空気の量とヒータコア9を迂回する空気の量と
の比率を調節するためのエアミックスドア10が回動自
在に設けられている。このエアミックスドア10は電動
アクチュエータ等のエアミックスドアアクチュエータ1
1によって回動される。このエアミックスドア10の開
度を変えることによって、ヒータコア9を通過してエン
ジン冷却水との熱交換により加熱された温風とヒータコ
ア9を迂回した非加熱の冷風との混合割合が可変され、
車室内に吹き出される空気の温度が調節される。温調さ
れた空気はデフ吹出口12、ベント吹出口13、フット
吹出口14のいずれかの吹出口から車室内に供給され
る。これらの吹出口12〜14にはそれぞれデフドア1
5、ベントドア16、フットドア17が回動自在に設け
られており、リンク機構を介して図示しないモードドア
アクチュエータによって回動される。吹出口モードは各
吹出口12〜14の開閉状態を組み合わせることによっ
て任意に設定される。
を選択するためのインテークドア5が回動自在に設けら
れており、このインテークドア5は図示しないインテー
クドアアクチュエータによって回動される。また、イン
テークユニット2はモータ6によって所定の速度で回転
するファン7を有し、モータ6への印加電圧を可変して
ファン7の回転速度を変えることによって車室内に吹き
出される風量が調節される。クーリングユニット3には
冷房サイクルを構成するエバポレータ8が内設されてお
り、図示しないコンプレッサをオンすることによってエ
バポレータ8に冷媒が供給され、この冷媒との熱交換に
よって取り入れ空気が冷却される。ヒータユニット4に
はエンジン冷却水が循環されるヒータコア9が内設され
ており、このヒータコア9の上流側にはヒータコア9を
通過する空気の量とヒータコア9を迂回する空気の量と
の比率を調節するためのエアミックスドア10が回動自
在に設けられている。このエアミックスドア10は電動
アクチュエータ等のエアミックスドアアクチュエータ1
1によって回動される。このエアミックスドア10の開
度を変えることによって、ヒータコア9を通過してエン
ジン冷却水との熱交換により加熱された温風とヒータコ
ア9を迂回した非加熱の冷風との混合割合が可変され、
車室内に吹き出される空気の温度が調節される。温調さ
れた空気はデフ吹出口12、ベント吹出口13、フット
吹出口14のいずれかの吹出口から車室内に供給され
る。これらの吹出口12〜14にはそれぞれデフドア1
5、ベントドア16、フットドア17が回動自在に設け
られており、リンク機構を介して図示しないモードドア
アクチュエータによって回動される。吹出口モードは各
吹出口12〜14の開閉状態を組み合わせることによっ
て任意に設定される。
【0012】エアミックスドアアクチュエータ11はこ
れを制御するための制御装置18に接続されており、こ
の制御装置18には、車室内温度(室温)を検出する室
温センサ19と、外気温度を検出する外気センサ20
と、乗員の好みの温度を設定する温度設定器21とがそ
れぞれ接続されている。制御装置18はこれら室温セン
サ19、外気センサ20、温度設定器21からの入力信
号に基づいて最適なエアミックスドア開度を演算し、そ
の結果をエアミックスドアアクチュエータ11に出力し
てこれを制御する。
れを制御するための制御装置18に接続されており、こ
の制御装置18には、車室内温度(室温)を検出する室
温センサ19と、外気温度を検出する外気センサ20
と、乗員の好みの温度を設定する温度設定器21とがそ
れぞれ接続されている。制御装置18はこれら室温セン
サ19、外気センサ20、温度設定器21からの入力信
号に基づいて最適なエアミックスドア開度を演算し、そ
の結果をエアミックスドアアクチュエータ11に出力し
てこれを制御する。
【0013】本実施例では、吹出風温度つまりエアミッ
クスドア開度の制御方式として、温調式を用いた従来の
比例制御方式に代えていわゆるニューラル制御方式を採
用している。ニューラル制御とは、生理学的な神経組織
を電気的に模擬したものであって、学習機能を有し、具
体的な制御方法を知らなくても学習結果に従って制御を
行うことができるものである。これを具体化すべく、制
御装置18は、後述するニューラルネットワークからな
る神経回路網22と、ニューラル演算と学習との機能の
切り替えを行うバッファ23と、エアミックスドアアク
チュエータ11を駆動させる制御信号を生成する制御信
号生成回路24とで構成されている。室温センサ19と
外気センサ20からの各信号は直接神経回路網22に入
力され、温度設定器21からの信号はバッファ23を介
して神経回路網22に入力されるようになっている。な
お、熱環境情報検出手段は室温センサ19と外気センサ
20、温度設定手段は温度設定器21、エアミックスド
ア開度演算手段は神経回路網22によりそれぞれ構成さ
れている。
クスドア開度の制御方式として、温調式を用いた従来の
比例制御方式に代えていわゆるニューラル制御方式を採
用している。ニューラル制御とは、生理学的な神経組織
を電気的に模擬したものであって、学習機能を有し、具
体的な制御方法を知らなくても学習結果に従って制御を
行うことができるものである。これを具体化すべく、制
御装置18は、後述するニューラルネットワークからな
る神経回路網22と、ニューラル演算と学習との機能の
切り替えを行うバッファ23と、エアミックスドアアク
チュエータ11を駆動させる制御信号を生成する制御信
号生成回路24とで構成されている。室温センサ19と
外気センサ20からの各信号は直接神経回路網22に入
力され、温度設定器21からの信号はバッファ23を介
して神経回路網22に入力されるようになっている。な
お、熱環境情報検出手段は室温センサ19と外気センサ
20、温度設定手段は温度設定器21、エアミックスド
ア開度演算手段は神経回路網22によりそれぞれ構成さ
れている。
【0014】本実施例では、神経回路網22を構成する
ニューラルネットワークとしていわゆるバックプロパゲ
ーションモデルを用いている。これは、図2に示すよう
に、神経細胞(ニューロン)に相当する素子30を入力
層、中間層、出力層の3層に配列し、各素子30をその
前後の層のすべての素子と結合したものである。本実施
例では、入力層は2つの素子、中間層は3つの素子、出
力層は1つの素子で構成されている。入力層の各素子に
はそれぞれ室温センサ19のデータと外気センサ20の
データが入力される。また、出力層からはエアミックス
ドア開度の値が出力される。本実施例では、出力される
エアミックスドア開度の値はフルホット位置とフルクー
ル位置との間で9段階に分割されている。各素子の入出
力の関係式は、たとえば、次式 a=y−θ =Σxi ωi −θ …(1) で与えられる。ここで、xi は前段の層から当該素子に
入力される値、ωi は素子間の結合の重み、yは当該素
子の入力の総和、θは各素子でのしきい値、aは当該素
子の出力である。素子間の結合の重みωi は学習によっ
て決定される。なお、上記のように入力層と出力層の数
はそれぞれ入力数と出力数に依存しているが、中間層の
数は学習時間や出力精度との関係を考慮して任意に設定
することができる。
ニューラルネットワークとしていわゆるバックプロパゲ
ーションモデルを用いている。これは、図2に示すよう
に、神経細胞(ニューロン)に相当する素子30を入力
層、中間層、出力層の3層に配列し、各素子30をその
前後の層のすべての素子と結合したものである。本実施
例では、入力層は2つの素子、中間層は3つの素子、出
力層は1つの素子で構成されている。入力層の各素子に
はそれぞれ室温センサ19のデータと外気センサ20の
データが入力される。また、出力層からはエアミックス
ドア開度の値が出力される。本実施例では、出力される
エアミックスドア開度の値はフルホット位置とフルクー
ル位置との間で9段階に分割されている。各素子の入出
力の関係式は、たとえば、次式 a=y−θ =Σxi ωi −θ …(1) で与えられる。ここで、xi は前段の層から当該素子に
入力される値、ωi は素子間の結合の重み、yは当該素
子の入力の総和、θは各素子でのしきい値、aは当該素
子の出力である。素子間の結合の重みωi は学習によっ
て決定される。なお、上記のように入力層と出力層の数
はそれぞれ入力数と出力数に依存しているが、中間層の
数は学習時間や出力精度との関係を考慮して任意に設定
することができる。
【0015】バックプロパゲーションモデルによる演算
則と学習則については周知であるので、以下、簡単に説
明するにとどめる。まず、入力(室温と外気温)から出
力(エアミックスドア開度)を得る活用段階(ニューラ
ル演算)において、このニューラル演算は、入力層に与
えられたデータ(室温と外気温)を上記の式(1)に従
って重み付け計算しながら中間層、出力層へと順に伝搬
させることによって行われる。つまり、入力にデータ信
号を与えることで、正しい出力が得られる。一方、学習
段階においては、まず上記活用段階と同様に入力層に与
えられたデータを重み付け計算しながら中間層、出力層
へと伝搬させた後、出力層にて教師信号(設定温度)と
比較して誤差を算出し、それから、その誤差が最小にな
るように逆方向に出力層と中間層、中間層と入力層の各
素子間の結合の重みを修正し、以上の動作を繰り返し行
って誤差が最小になった時に学習を終了する。
則と学習則については周知であるので、以下、簡単に説
明するにとどめる。まず、入力(室温と外気温)から出
力(エアミックスドア開度)を得る活用段階(ニューラ
ル演算)において、このニューラル演算は、入力層に与
えられたデータ(室温と外気温)を上記の式(1)に従
って重み付け計算しながら中間層、出力層へと順に伝搬
させることによって行われる。つまり、入力にデータ信
号を与えることで、正しい出力が得られる。一方、学習
段階においては、まず上記活用段階と同様に入力層に与
えられたデータを重み付け計算しながら中間層、出力層
へと伝搬させた後、出力層にて教師信号(設定温度)と
比較して誤差を算出し、それから、その誤差が最小にな
るように逆方向に出力層と中間層、中間層と入力層の各
素子間の結合の重みを修正し、以上の動作を繰り返し行
って誤差が最小になった時に学習を終了する。
【0016】これを本実施例に即して概念的に説明し直
すと、神経回路網22には、たとえば図3に示すような
室温と外気温を入力パラメータとするニューラル演算テ
ーブルが形成されており、その(01)〜(30)の各テーブル
要素には、たとえば図4に示すようにニューラル演算の
結果としての9段階のエアミックスドア開度の値Xn
(n=1、2、…、9で、たとえばX1 はフルホット
位置、X9 はフルクール位置に相当する)が入ってい
る。つまり、神経回路網22のニューラルネットワーク
は実質的に図4に示すようなニューラル演算テーブルに
よって表現される。この入力(室温と外気温)と出力
(エアミックスドア開度)との関係を示すニューラル演
算テーブルの内容たる出力パターンは、上記した学習に
よって常に更新される。すなわち、乗員が温度設定器2
1を操作して設定温度を補正した場合には、その補正さ
れた設定温度に対応するエアミックスドア開度の値とそ
の時の室温および外気温との関係が満足されるように前
記学習則に従って学習され、そしてこの学習結果により
ニューラル演算テーブルの内容が更新される(たとえば
図5参照)。
すと、神経回路網22には、たとえば図3に示すような
室温と外気温を入力パラメータとするニューラル演算テ
ーブルが形成されており、その(01)〜(30)の各テーブル
要素には、たとえば図4に示すようにニューラル演算の
結果としての9段階のエアミックスドア開度の値Xn
(n=1、2、…、9で、たとえばX1 はフルホット
位置、X9 はフルクール位置に相当する)が入ってい
る。つまり、神経回路網22のニューラルネットワーク
は実質的に図4に示すようなニューラル演算テーブルに
よって表現される。この入力(室温と外気温)と出力
(エアミックスドア開度)との関係を示すニューラル演
算テーブルの内容たる出力パターンは、上記した学習に
よって常に更新される。すなわち、乗員が温度設定器2
1を操作して設定温度を補正した場合には、その補正さ
れた設定温度に対応するエアミックスドア開度の値とそ
の時の室温および外気温との関係が満足されるように前
記学習則に従って学習され、そしてこの学習結果により
ニューラル演算テーブルの内容が更新される(たとえば
図5参照)。
【0017】バッファ23は前述のようにニューラル演
算と学習との機能の切り替えを行うが、さらに具体的に
は、温度設定器21からの設定温度信号が変わったこと
を検知するとその新たな設定温度を教師信号として神経
回路網22に出力して学習を開始させると同時に、学習
している間メモリに格納されている学習前のエアミック
スドア開度の値を制御信号生成回路24に出力し、一方
で、学習していない時には室温と外気温の入力データに
基づいてニューラル演算を行って(またはニューラル演
算テーブルをルックアップして)最適なエアミックスド
ア開度の値を制御信号生成回路24に出力する。
算と学習との機能の切り替えを行うが、さらに具体的に
は、温度設定器21からの設定温度信号が変わったこと
を検知するとその新たな設定温度を教師信号として神経
回路網22に出力して学習を開始させると同時に、学習
している間メモリに格納されている学習前のエアミック
スドア開度の値を制御信号生成回路24に出力し、一方
で、学習していない時には室温と外気温の入力データに
基づいてニューラル演算を行って(またはニューラル演
算テーブルをルックアップして)最適なエアミックスド
ア開度の値を制御信号生成回路24に出力する。
【0018】次に、以上のように構成された制御装置1
8の動作を図6のフローチャートに従って説明する。ま
ず、制御装置18は、あらかじめ設定されたシステムベ
ースにおいて室温センサ19からの室温データと外気セ
ンサ20からの外気温データを取り込んで神経回路網2
2の入力層に入力し(S1)、これら入力データに基づ
いてニューラルネットワークの演算則によりニューラル
演算を行って(またはニューラル演算テーブルをルック
アップして)(S2)、最適なエアミックスドア開度の
出力を得る(S3)。この出力信号はバッファ23のメ
モリに一時保存されとともに制御信号生成回路24に送
られ、ここで電力増幅されて制御信号に変換された後、
エアミックスドアアクチュエータ11に出力される。エ
アミックスドアアクチュエータ11はその制御信号に従
ってエアミックスドア10を駆動しこれを最適開度に設
定する。
8の動作を図6のフローチャートに従って説明する。ま
ず、制御装置18は、あらかじめ設定されたシステムベ
ースにおいて室温センサ19からの室温データと外気セ
ンサ20からの外気温データを取り込んで神経回路網2
2の入力層に入力し(S1)、これら入力データに基づ
いてニューラルネットワークの演算則によりニューラル
演算を行って(またはニューラル演算テーブルをルック
アップして)(S2)、最適なエアミックスドア開度の
出力を得る(S3)。この出力信号はバッファ23のメ
モリに一時保存されとともに制御信号生成回路24に送
られ、ここで電力増幅されて制御信号に変換された後、
エアミックスドアアクチュエータ11に出力される。エ
アミックスドアアクチュエータ11はその制御信号に従
ってエアミックスドア10を駆動しこれを最適開度に設
定する。
【0019】それから、制御装置18は、温度設定器2
1の信号に基づいて設定温度が変更されたかどうかを判
断し(S4)、この判断の結果として設定温度に変更が
なければ直ちにリターンして上記ニューラル演算による
エアミックスドア開度の自動制御を行うが、設定温度に
変更があれば、乗員が現在の自動制御による空調状態に
満足していないものと判断して、バッファ23を切り替
えて神経回路網22にてニューラルネットワークの学習
則に従って学習を行う(S5)。すなわち、前述のよう
に、入力層に与えられた室温センサ19と外気センサ2
0の各データを重み付け計算しながら中間層、出力層へ
と伝搬させた後、出力層にて温度設定器21からバッフ
ァ23を介して取り込まれた教師信号としての変更後の
設定温度と比較して誤差を算出し、この誤差が最小にな
るように逆方向に出力層と中間層、中間層と入力層の各
素子間の結合の重みを修正し、誤差が最小になるまで以
上の動作を繰り返す(バックプロパゲーション方式)
(S6)。この学習によりニューラルネットワークの演
算則またはニューラル演算テーブルの内容が更新される
(図5参照)。学習している間はバッファ23のメモリ
に格納されている学習前のエアミックスドア開度の値を
制御信号生成回路24に出力する。
1の信号に基づいて設定温度が変更されたかどうかを判
断し(S4)、この判断の結果として設定温度に変更が
なければ直ちにリターンして上記ニューラル演算による
エアミックスドア開度の自動制御を行うが、設定温度に
変更があれば、乗員が現在の自動制御による空調状態に
満足していないものと判断して、バッファ23を切り替
えて神経回路網22にてニューラルネットワークの学習
則に従って学習を行う(S5)。すなわち、前述のよう
に、入力層に与えられた室温センサ19と外気センサ2
0の各データを重み付け計算しながら中間層、出力層へ
と伝搬させた後、出力層にて温度設定器21からバッフ
ァ23を介して取り込まれた教師信号としての変更後の
設定温度と比較して誤差を算出し、この誤差が最小にな
るように逆方向に出力層と中間層、中間層と入力層の各
素子間の結合の重みを修正し、誤差が最小になるまで以
上の動作を繰り返す(バックプロパゲーション方式)
(S6)。この学習によりニューラルネットワークの演
算則またはニューラル演算テーブルの内容が更新される
(図5参照)。学習している間はバッファ23のメモリ
に格納されている学習前のエアミックスドア開度の値を
制御信号生成回路24に出力する。
【0020】ステップ6の判断の結果として学習が終了
した場合には、操作ミスによる誤学習を防止するため一
定の時間(たとえば60秒)待機処理を行った後(S
7)、学習結果に従って更新されたニューラルネットワ
ークの演算則(またはニューラル演算テーブルの内容)
を神経回路網22のメモリに保存し(S8)、リターン
する。つまり、学習後は学習結果に従ってエアミックス
ドア開度の制御が行われる。
した場合には、操作ミスによる誤学習を防止するため一
定の時間(たとえば60秒)待機処理を行った後(S
7)、学習結果に従って更新されたニューラルネットワ
ークの演算則(またはニューラル演算テーブルの内容)
を神経回路網22のメモリに保存し(S8)、リターン
する。つまり、学習後は学習結果に従ってエアミックス
ドア開度の制御が行われる。
【0021】したがって、本実施例によれば、ニューラ
ルネットワークを用いてエアミックスドア開度の制御を
行うようにしたので、エアコン使用時の各環境条件(室
温と外気温)におけるユーザの好みの吹出し温度を学習
しこれを再現することができるようになり、吹出風温度
制御のパーソナル化が図られ、利便性が向上する。
ルネットワークを用いてエアミックスドア開度の制御を
行うようにしたので、エアコン使用時の各環境条件(室
温と外気温)におけるユーザの好みの吹出し温度を学習
しこれを再現することができるようになり、吹出風温度
制御のパーソナル化が図られ、利便性が向上する。
【0022】しかも、ニューラルネットワークでは入出
力の関係の数式化が不要であり、基本的な入出力条件を
付与するだけで足りるので、容易にプログラムを作成す
ることができるようになり、プログラムの開発やメイン
テナンスが容易になるとともに、どんなに複雑な制御に
も対応することができる。さらに、制御の数式作りが不
要であるから、専門的な知識がなくてもシステムの取り
扱いが可能である。
力の関係の数式化が不要であり、基本的な入出力条件を
付与するだけで足りるので、容易にプログラムを作成す
ることができるようになり、プログラムの開発やメイン
テナンスが容易になるとともに、どんなに複雑な制御に
も対応することができる。さらに、制御の数式作りが不
要であるから、専門的な知識がなくてもシステムの取り
扱いが可能である。
【0023】なお、本実施例では、ニューラルネットワ
ークの種類としてバックプロパゲーションモデルを採用
しているが、これに限定されないことはもちろんであ
る。たとえば、いわゆるアソシアトロンなどの他のモデ
ルを用いてもよい。
ークの種類としてバックプロパゲーションモデルを採用
しているが、これに限定されないことはもちろんであ
る。たとえば、いわゆるアソシアトロンなどの他のモデ
ルを用いてもよい。
【0024】
【発明の効果】以上述べたように本発明によれば、ニュ
ーラルネットワークを用いてエアミックスドア開度を制
御するようにしたので、簡素化された制御プログラムで
吹出風温度制御のパーソナル化を図ることができる。
ーラルネットワークを用いてエアミックスドア開度を制
御するようにしたので、簡素化された制御プログラムで
吹出風温度制御のパーソナル化を図ることができる。
【図1】 本発明の一実施例の概略構成図
【図2】 同実施例のニューラルネットワークの構造図
【図3】 同実施例のニューラル演算テーブルの一例を
示す図
示す図
【図4】 図3のテーブル上における出力パターンの割
当て例を示す図
当て例を示す図
【図5】 同実施例による学習前後の出力パターンの一
例を示す図
例を示す図
【図6】 同実施例の動作フローチャート
10…エアミックスドア 11…エアミックスドアアクチュエータ 19…室温センサ(熱環境情報検出手段) 20…外気センサ(熱環境情報検出手段) 21…温度設定器(温度設定手段) 22…神経回路網(エアミックスドア開度演算手段) 23…バッファ
Claims (1)
- 【請求項1】 車室内外の熱環境情報を検出する熱環境
情報検出手段(19、20)と、 車室内の温度を設定する温度設定手段(21)と、 前記熱環境情報検出手段(19、20)により検出され
た熱環境情報に基づいてニューラルネットワークの演算
則に従ってエアミックスドア(10)の開度を算出する
とともに前記温度設定手段(21)の設定温度に変更が
あったときに前記ニューラルネットワークの学習則に従
って前記演算則を更新するエアミックスドア開度演算手
段(22)と、 を有することを特徴とする自動車用空気調和装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17831293A JPH0732853A (ja) | 1993-07-19 | 1993-07-19 | 自動車用空気調和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17831293A JPH0732853A (ja) | 1993-07-19 | 1993-07-19 | 自動車用空気調和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0732853A true JPH0732853A (ja) | 1995-02-03 |
Family
ID=16046281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17831293A Pending JPH0732853A (ja) | 1993-07-19 | 1993-07-19 | 自動車用空気調和装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0732853A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2780919A1 (fr) * | 1998-07-08 | 2000-01-14 | Peugeot | Dispositif de commande du fonctionnement d'un systeme de ventilation/climatisation de l'habitacle d'un vehicule automobile |
FR2799171A1 (fr) * | 1999-09-30 | 2001-04-06 | Siemens Ag | Procede et dispositif d'application d'air sur au moins une vitre dans un vehicule |
JP2010089620A (ja) * | 2008-10-07 | 2010-04-22 | Denso It Laboratory Inc | 車両用空調装置及びその制御方法 |
JP2018518408A (ja) * | 2015-06-12 | 2018-07-12 | ジャガー ランド ローバー リミテッドJaguar Land Rover Limited | 自動環境制御システム |
-
1993
- 1993-07-19 JP JP17831293A patent/JPH0732853A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2780919A1 (fr) * | 1998-07-08 | 2000-01-14 | Peugeot | Dispositif de commande du fonctionnement d'un systeme de ventilation/climatisation de l'habitacle d'un vehicule automobile |
FR2799171A1 (fr) * | 1999-09-30 | 2001-04-06 | Siemens Ag | Procede et dispositif d'application d'air sur au moins une vitre dans un vehicule |
JP2010089620A (ja) * | 2008-10-07 | 2010-04-22 | Denso It Laboratory Inc | 車両用空調装置及びその制御方法 |
JP2018518408A (ja) * | 2015-06-12 | 2018-07-12 | ジャガー ランド ローバー リミテッドJaguar Land Rover Limited | 自動環境制御システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0739507B1 (en) | Method and control system for controlling an automotive hvac system | |
JP2780060B2 (ja) | 車輛用空調制御装置 | |
JPH0834222A (ja) | 車両用空調制御方法 | |
US5727131A (en) | Neural network learning device | |
JP2004149047A (ja) | 車両用空調装置 | |
JPH02162116A (ja) | 自動車用空調装置 | |
JP2006224802A (ja) | 車両用空調装置 | |
JPH0732853A (ja) | 自動車用空気調和装置 | |
JP3237157B2 (ja) | 車両用空気調和制御装置 | |
JPH0823762B2 (ja) | 自動車用空調装置 | |
JP2579514B2 (ja) | 車両用空調制御装置 | |
JP3951965B2 (ja) | 空調制御装置および空調装置 | |
JP3991442B2 (ja) | 空調装置 | |
JP2002362142A (ja) | 車両用空調装置 | |
JP3278217B2 (ja) | 自動車用空調装置の空調制御方法 | |
JP3435714B2 (ja) | ニューラルネット型追加学習装置 | |
JP2002264627A (ja) | 車両用空調装置の空調制御方法及び車両用空調装置 | |
JP3046798B2 (ja) | 車両用空調装置とその制御方法 | |
JP2709835B2 (ja) | 車両用空調制御装置 | |
JPH11310023A (ja) | 空調装置 | |
JPH05240497A (ja) | 車両用空調装置 | |
JP4147618B2 (ja) | 車両用空調装置 | |
JP3274172B2 (ja) | 車両用空調装置の制御方法および制御装置 | |
JP3203748B2 (ja) | 車両用空調装置 | |
JPH0732171Y2 (ja) | 車両用空調装置 |