図面 (/)

技術 内燃機関の制御装置

出願人 トヨタ自動車株式会社
発明者 前田真吾
出願日 2018年9月14日 (2年1ヶ月経過) 出願番号 2018-172529
公開日 2020年3月26日 (7ヶ月経過) 公開番号 2020-045773
状態 特許登録済
技術分野 内燃機関に供給する空気・燃料の電気的制御 内燃機関の複合的制御
主要キーワード 出力パラメータ値 各入力パラメータ 人工ニューロン 入力パラメータ値 修正モデル 修正フラグ 活性化関数 逆伝搬法
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年3月26日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (13)

課題

入力パラメータの一部の値に異常が生じている場合であっても比較的正確に出力パラメータの値を算出する。

解決手段

内燃機関制御装置は、入力パラメータの値を取得するパラメータ値取得部81と、入力パラメータの値が入力されるとニューラルネットワークを用いたモデルを用いて出力パラメータの値を算出する演算部82と、算出された出力パラメータの値に基づいて内燃機関の運転を制御する制御部83と、を備える。モデルは、入力層ノードに入力パラメータの値が入力されると出力層のノードから出力パラメータの値を出力する。入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、演算部は、異常が生じている異常入力パラメータに対応する入力層のノードから隠れ層のノードへ前記異常入力パラメータの値に応じて変化する値が入力されないようにモデルを修正した修正後モデルを用いて、出力パラメータの値を算出する。

概要

背景

従来から、内燃機関運転状態を示すパラメータ入力パラメータとし、内燃機関の制御パラメータ出力パラメータとするニューラルネットワークを用いた学習済モデルを用いて、出力パラメータの値を算出し、算出された出力パラメータの値に基づいて内燃機関を制御する、内燃機関の制御装置が知られている(例えば、特許文献1)。

特に、特許文献1の制御装置は、異なる複数のニューラルネットワークを備えると共に、各ニューラルネットワークが内燃機関の異なる運転領域に対応するように構成されている。加えて、これらニューラルネットワークの出力値に、内燃機関の過渡運転状態に応じて変化する重み係数乗算して、制御パラメータの値を算出し、算出された制御パラメータの値にこの制御パラメータの実際の値が一致するように内燃機関が制御される。

概要

入力パラメータの一部の値に異常が生じている場合であっても比較的正確に出力パラメータの値を算出する。内燃機関の制御装置は、入力パラメータの値を取得するパラメータ値取得部81と、入力パラメータの値が入力されるとニューラルネットワークを用いたモデルを用いて出力パラメータの値を算出する演算部82と、算出された出力パラメータの値に基づいて内燃機関の運転を制御する制御部83と、を備える。モデルは、入力層ノードに入力パラメータの値が入力されると出力層のノードから出力パラメータの値を出力する。入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、演算部は、異常が生じている異常入力パラメータに対応する入力層のノードから隠れ層のノードへ前記異常入力パラメータの値に応じて変化する値が入力されないようにモデルを修正した修正後モデルを用いて、出力パラメータの値を算出する。

目的

上記課題に鑑みて、本開示の目的は、入力パラメータの一部の値に異常が生じている場合であっても比較的正確に出力パラメータの値を算出することができる内燃機関の制御装置を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

内燃機関運転状態を示す入力パラメータの値を取得するパラメータ値取得部と、前記入力パラメータの値が入力されると、複数の入力層隠れ層出力層とを備えるニューラルネットワークを用いたモデルを用いて、出力パラメータの値を算出する演算部と、前記演算部によって算出された出力パラメータの値に基づいて内燃機関の運転を制御する制御部と、を備え、前記モデルは、前記入力層のノードに前記入力パラメータの値が入力されると前記出力層のノードから前記出力パラメータの値を出力すると共に、前記入力層の各ノードには該入力層の他のノードに入力される入力パラメータとは異なる一つの入力パラメータの値が入力されるように構成される、内燃機関の制御装置であって、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記演算部は、前記異常が生じている異常入力パラメータに対応する前記入力層のノードから前記隠れ層のノードへ前記異常入力パラメータの値に応じて変化する値が入力されないように前記モデルを修正した修正後モデルを用いて、前記出力パラメータの値を算出する、内燃機関の制御装置。

請求項2

全ての前記入力パラメータの値と前記出力パラメータとの値との関係を訓練データセットとして複数記憶する記憶部と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記記憶部に記憶された複数の訓練データセットを用いて前記修正後モデルの学習を行う、請求項1に記載の内燃機関の制御装置。

請求項3

前記出力パラメータの値を検出又は推定する出力パラメータ検出装置と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記パラメータ値取得部によって取得された前記入力パラメータの値と、このときに前記出力パラメータ検出装置によって検出又は推定された前記出力パラメータの値とを訓練データとして、前記修正後モデルの学習を行う、請求項1に記載の内燃機関の制御装置。

請求項4

前記内燃機関が搭載された車両の外部に設けられたサーバとの通信を行う通信部を更に備え、前記サーバは、全ての前記入力パラメータの値と前記出力パラメータの値との関係を訓練データセットとして複数記憶する記憶部と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記記憶部に記憶された複数の訓練データセットを用いて前記修正後モデルの学習を行うと共に、前記学習部によって学習された修正後モデルを前記車両に前記通信部を介して送信し、前記演算部は、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記学習された修正後モデルを用いて、前記出力パラメータの値を算出する、請求項1に記載の内燃機関の制御装置。

請求項5

前記出力パラメータの値を検出又は推定する出力パラメータ検出装置と、前記内燃機関が搭載された車両の外部に設けられたサーバとの通信を行う通信部を更に備え、前記サーバは、前記通信部を介して、前記入力パラメータの値及び前記出力パラメータ検出装置によって検出又は推定された出力パラメータの値を取得するサーバ側パラメータ値取得部と、前記修正後モデルの学習を行う学習部を備え、前記学習部は、前記サーバ側パラメータ値取得部によって取得された前記入力パラメータの値及び前記出力パラメータの値を訓練データとして前記修正後モデルの学習を行うと共に、前記学習部によって学習された修正後モデルを前記車両に前記通信部を介して送信し、前記演算部は、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記学習された修正後モデルを用いて、前記出力パラメータの値を算出する、請求項1に記載の内燃機関の制御装置。

技術分野

0001

本開示は、内燃機関制御装置に関する。

背景技術

0002

従来から、内燃機関の運転状態を示すパラメータ入力パラメータとし、内燃機関の制御パラメータ出力パラメータとするニューラルネットワークを用いた学習済モデルを用いて、出力パラメータの値を算出し、算出された出力パラメータの値に基づいて内燃機関を制御する、内燃機関の制御装置が知られている(例えば、特許文献1)。

0003

特に、特許文献1の制御装置は、異なる複数のニューラルネットワークを備えると共に、各ニューラルネットワークが内燃機関の異なる運転領域に対応するように構成されている。加えて、これらニューラルネットワークの出力値に、内燃機関の過渡運転状態に応じて変化する重み係数乗算して、制御パラメータの値を算出し、算出された制御パラメータの値にこの制御パラメータの実際の値が一致するように内燃機関が制御される。

先行技術

0004

国際公開第2011/033662号

発明が解決しようとする課題

0005

ところで、内燃機関の制御に用いられるニューラルネットワークへの入力パラメータのうちの少なくとも一部は、内燃機関に設けられた各種センサによってその値が検出されることが多い。加えて、斯かる入力パラメータの一部は、内燃機関に設けられた各種アクチュエータに対する指令値であることもある。ところが、これらセンサアクチュエータ故障することがある。この場合、そのセンサによって入力パラメータの現在の正しい値を検出することができず、また、そのアクチュエータへの指令値と実際のアクチュエータにおける操作が異なったものになる。

0006

このようにセンサやアクチュエータの故障により入力パラメータの値に異常が生じている場合に、ニューラルネットワークを用いた学習済モデルによって出力パラメータの値をそのまま算出していると、算出された出力パラメータの値と実際の値(又は最適な値)とに大きなずれが生じる。この結果、斯かる出力パラメータに基づいて内燃機関を制御すると、内燃機関が最適な状態で運転されなくなってしまう。

0007

上記課題に鑑みて、本開示の目的は、入力パラメータの一部の値に異常が生じている場合であっても比較的正確に出力パラメータの値を算出することができる内燃機関の制御装置を提供することにある。

課題を解決するための手段

0008

本開示の要旨は以下のとおりである。

0009

(1)内燃機関の運転状態を示す入力パラメータの値を取得するパラメータ値取得部と、前記入力パラメータの値が入力されると、複数の入力層隠れ層出力層とを備えるニューラルネットワークを用いたモデルを用いて、出力パラメータの値を算出する演算部と、前記演算部によって算出された出力パラメータの値に基づいて内燃機関の運転を制御する制御部と、を備え、前記モデルは、前記入力層のノードに前記入力パラメータの値が入力されると前記出力層のノードから前記出力パラメータの値を出力すると共に、前記入力層の各ノードには該入力層の他のノードに入力される入力パラメータとは異なる一つの入力パラメータの値が入力されるように構成される、内燃機関の制御装置であって、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記演算部は、前記異常が生じている異常入力パラメータに対応する前記入力層のノードから前記隠れ層のノードへ前記異常入力パラメータの値に応じて変化する値が入力されないように前記モデルを修正した修正後モデルを用いて、前記出力パラメータの値を算出する、内燃機関の制御装置。

0010

(2)全ての前記入力パラメータの値と前記出力パラメータとの値との関係を訓練データセットとして複数記憶する記憶部と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記記憶部に記憶された複数の訓練データセットを用いて前記修正後モデルの学習を行う、上記(1)に記載の内燃機関の制御装置。

0011

(3)前記出力パラメータの値を検出又は推定する出力パラメータ検出装置と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記パラメータ値取得部によって取得された前記入力パラメータの値と、このときに前記出力パラメータ検出装置によって検出又は推定された前記出力パラメータの値とを訓練データとして、前記修正後モデルの学習を行う、上記(1)に記載の内燃機関の制御装置。

0012

(4)前記内燃機関が搭載された車両の外部に設けられたサーバとの通信を行う通信部を更に備え、前記サーバは、全ての前記入力パラメータの値と前記出力パラメータの値との関係を訓練データセットとして複数記憶する記憶部と、前記修正後モデルの学習を行う学習部と、を更に備え、前記学習部は、前記記憶部に記憶された複数の訓練データセットを用いて前記修正後モデルの学習を行うと共に、前記学習部によって学習された修正後モデルを前記車両に前記通信部を介して送信し、前記演算部は、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記学習された修正後モデルを用いて、前記出力パラメータの値を算出する、上記(1)に記載の内燃機関の制御装置。

0013

(5)前記出力パラメータの値を検出又は推定する出力パラメータ検出装置と、前記内燃機関が搭載された車両の外部に設けられたサーバとの通信を行う通信部を更に備え、前記サーバは、前記通信部を介して、前記入力パラメータの値及び前記出力パラメータ検出装置によって検出又は推定された出力パラメータの値を取得するサーバ側パラメータ値取得部と、前記修正後モデルの学習を行う学習部を備え、前記学習部は、前記サーバ側パラメータ値取得部によって取得された前記入力パラメータの値及び前記出力パラメータの値を訓練データとして前記修正後モデルの学習を行うと共に、前記学習部によって学習された修正後モデルを前記車両に前記通信部を介して送信し、前記演算部は、前記入力パラメータのうち一部の入力パラメータの値に異常が生じているときには、前記学習された修正後モデルを用いて、前記出力パラメータの値を算出する、上記(1)に記載の内燃機関の制御装置。

発明の効果

0014

本開示によれば、入力パラメータの一部の値に異常が生じている場合であっても比較的正確に出力パラメータの値を算出することができる内燃機関の制御装置が提供される。

図面の簡単な説明

0015

図1は、内燃機関の概略的な構成図である。
図2は、ECUの処理部における機能ブロック図である。
図3は、ニューラルネットワークの一例を示す図である。
図4は、ニューラルネットワークの一例を示す図である。
図5は、学習済みモデルを用いて算出したNOx濃度推定値と、NOx濃度の実測値とのタイムチャートである。
図6は、学習済みモデルを用いて算出したNOx濃度の推定値と、NOx濃度の実測値との、図5と同様なタイムチャートである。
図7は、修正後モデルにおけるニューラルネットワークの一例を示す、図4と同様な図である。
図8は、修正後モデルを用いて算出したNOx濃度の推定値と、NOx濃度の実測値との、図5及び図6と同様なタイムチャートである。
図9は、内燃機関の制御装置で行われるモデルの修正制御制御ルーチンを示すフローチャートである。
図10は、第二実施形態に係る内燃機関の概略的な構成図である。
図11は、第三実施形態に係る内燃機関の制御システムを概略的に示す図である。
図12は、第四実施形態に係る内燃機関の制御システムを概略的に示す図である。

実施例

0016

以下、図面を参照して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。

0017

<第一実施形態>
≪内燃機関全体の説明≫
まず、図1を参照して第一実施形態に係る制御装置が用いられる内燃機関1の構成について説明する。図1は、車両に搭載される内燃機関1の概略的な構成図である。図1に示したように、内燃機関1は、機関本体10、燃料供給装置20、吸気系30、排気系40、排気ガス再循環EGR)システム50、及び制御装置60を備える。

0018

機関本体10は、複数の気筒11が形成されたシリンダブロックと、吸気ポート及び排気ポートが形成されたシリンダヘッドと、クランクケースとを備える。各気筒11内にはピストンが配置されると共に、各気筒11は吸気ポート及び排気ポートに連通している。

0019

燃料供給装置20は、燃料噴射弁21、コモンレール22、燃料供給管23、燃料ポンプ24、及び燃料タンク25を備える。燃料噴射弁21は、各気筒11の燃焼室内に燃料直接噴射するようにシリンダヘッドに配置されている。燃料噴射弁21は、コモンレール22及び燃料供給管23を介して燃料タンク25に連結されている。燃料供給管23には、燃料タンク25内の燃料を圧送する燃料ポンプ24が配置される。燃料ポンプ24によって圧送された燃料は、燃料供給管23を介してコモンレール22に供給され、燃料噴射弁21から各気筒11の燃焼室内に直接噴射される。コモンレール22内の燃料の圧力は燃料ポンプ24の出力を変更することによって調整される。したがって、燃料ポンプ24は、燃料噴射弁21へ供給する燃料の圧力を制御する燃圧制御装置として機能する。なお、燃料噴射弁21は、吸気ポート内に燃料を噴射するように構成されてもよい。

0020

吸気系30は、吸気マニホルド31、吸気管32、エアクリーナ33、排気ターボチャージャ5のコンプレッサ34、インタークーラ35、及びスロットル弁36を備える。各気筒11の吸気ポートは吸気マニホルド31及び吸気管32を介してエアクリーナ33に連通している。吸気管32内には、吸気管32内を流通する吸入空気圧縮して吐出する排気ターボチャージャ5のコンプレッサ34と、コンプレッサ34によって圧縮された空気を冷却するインタークーラ35とが設けられている。スロットル弁36は、スロットル弁駆動アクチュエータ37によって回動せしめられることで、吸気通路開口面積を変更することができる。

0021

排気系40は、排気マニホルド41、排気管42、排気ターボチャージャ5のタービン43、及びパティキュレートフィルタ(以下、単に「フィルタ」という)44を備える。各気筒11の排気ポートは、排気マニホルド41及び排気管42を介してフィルタ44に連通している。排気管42には、排気ガスエネルギによって回転駆動せしめられる排気ターボチャージャ5のタービン43が設けられている。排気ターボチャージャ5のタービン43が回転駆動せしめられると、これに伴ってコンプレッサ34が回転し、よって吸入空気が圧縮せしめられる。本実施形態では、排気ターボチャージャ5のタービン43には可変ノズルが設けられている。可変ノズルの開度が変更されると、タービンブレードに供給される排気ガスの流速が変化し、ひいてはタービン43の回転速度が変化する。このため、可変ノズルの開度が変更されると、過給圧が変化する。

0022

フィルタ44は、排気ガス中の微粒子捕集する。なお、排気系40は、排気ガスを浄化した上で外気中に排出するための装置であれば、フィルタ44に替わって又はフィルタ44に加えて他の排気浄化装置を備えてもよい。斯かる排気浄化装置には、例えば、三元触媒、排気ガス中のNOxを還元浄化する選択還元型NOx触媒NOx吸蔵還元触媒酸化触媒等が含まれる。

0023

EGRシステム50は、機関本体10から排出された排気ガスの一部を吸気通路に供給する。EGRシステム50は、EGR管51と、EGR制御弁52と、EGRクーラ53とを備える。EGR管51は、排気マニホルド41と吸気マニホルド31とに連結され、これらを互いに連通させる。EGR管51には、EGR管51内を流れるEGRガスを冷却するEGRクーラ53が設けられている。加えて、EGR管51には、EGR管51によって形成されるEGR通路の開口面積を変更することができるEGR制御弁52が設けられている。EGR制御弁52の開度を制御することによって、排気マニホルド41から吸気マニホルド31へ還流せしめられるEGRガスの流量が調整され、その結果、EGR率が変化する。なお、EGR率は、燃焼室内に供給される全ガス量(新気量とEGRガス量との合計)に対するEGRガス量の割合である。

0024

なお、本実施形態では、吸気ガスの圧力を高める過給機として排気ターボチャージャ5が用いられている。しかしながら、吸気ガスの圧力を高めることができれば、電動コンプレッサ機械式スーパーチャージャ等、他の過給機が用いられてもよい。

0025

≪内燃機関の制御装置≫
内燃機関の制御装置60は、電子制御ユニット(ECU)61及び各種センサを備える。ECU61は、デジタルコンピュータから構成され、双方向性バス62を介して相互に接続された記憶部63、CPU(マイクロプロセッサ)を備える処理部65、入力ポート66、及び出力ポート67を備える。記憶部63は、揮発性メモリ(例えば、RAM)及び不揮発性メモリ(例えば、ROM)を備え、処理部65において実行されるプログラム等、各種のデータを記憶する。

0026

吸気管32には、排気ターボチャージャ5のコンプレッサ34の吸気流れ方向上流側に、吸気管32内を流れる空気の流量を検出するエアフロメータ71が設けられている。スロットル弁36には、その開度(スロットル開度)を検出するためのスロットル開度センサ72が設けられている。吸気マニホルド31内には吸気マニホルド31内の吸気ガスの圧力(過給圧)を検出する圧力センサ(以下、「過給圧センサ」という)73が設けられている。また、コモンレール22にはコモンレール22内の燃料の圧力、すなわち燃料噴射弁21へ供給される燃料の圧力を検出する圧力センサ(以下、「燃圧センサ」という)74が設けられている。これらエアフロメータ71、スロットル開度センサ72、過給圧センサ73及び燃圧センサ74の出力は、対応するAD変換器68を介して入力ポート66に入力される。

0027

また、アクセルペダル77にはアクセルペダル77の踏み込み量に比例した出力電圧を発生する負荷センサ78が接続され、負荷センサ78の出力電圧は対応するAD変換器68を介して入力ポート66に入力される。したがって、本実施形態では、アクセルペダル77の踏み込み量が機関負荷として用いられる。クランク角センサ79は機関本体10のクランクシャフトが例えば10度回転する毎に出力パルスを発生し、この出力パルスが入力ポート66に入力される。処理部65ではこのクランク角センサ79の出力パルスから機関回転速度が計算される。

0028

一方、ECU61の出力ポート67は、対応する駆動回路69を介して、内燃機関1の運転を制御する各アクチュエータに接続される。図1に示した例では、出力ポート67は、排気ターボチャージャ5の可変ノズル、燃料噴射弁21、燃料ポンプ24、スロットル弁駆動アクチュエータ37、及びEGR制御弁52に接続されている。ECU61は、これらアクチュエータを制御する制御信号を出力ポート67から出力して、内燃機関1の運転を制御する。

0029

図2は、ECU61の処理部65における機能ブロック図である。図2に示したように、本実施形態では、処理部65は、パラメータ値取得部81と、演算部82と、制御部83と、学習部84とを備えている。

0030

パラメータ値取得部81は、内燃機関1の運転状態を示す入力パラメータの値を取得する。具体的には、パラメータ値取得部81は、ECU61の入力ポート66を介して、上述した種々のセンサ等の出力を、内燃機関1の運転状態を表す入力パラメータの値として取得する。また、パラメータ値取得部81は、ECU61から燃料噴射弁21への指令値等を、内燃機関1の運転状態を表す入力パラメータの値として取得する。したがって、本実施形態では、パラメータ値取得部81は、入力パラメータの値を取得する入力パラメータ値取得部として機能する。

0031

演算部82は、入力パラメータの値が入力されると、複数の入力層と、隠れ層と、出力層とを備えるニューラルネットワークを用いたモデルを用いて、内燃機関1の性能を表す出力パラメータの値を算出する。以下では、演算部82の出力パラメータが、排気ガス中のNOx濃度である場合を例にとって説明するが、演算部82の出力パラメータは、排気ガス中のその他の物質の濃度、内燃機関の出力トルク、内燃機関1の燃費等、様々なパラメータとすることができる。或いは、演算部82の出力パラメータは、内燃機関1を制御するためのパラメータ(例えば、燃料カット制御可否判定等)であってもよい。

0032

制御部83は、演算部82によって算出された出力パラメータの値に基づいて、内燃機関1の運転を制御する。例えば、演算部82によって算出されたNOx濃度の予測値目標濃度よりも高いときには、NOx濃度を低下させるべく、EGR制御弁52の目標開度が大きくなるように修正される。一方、演算部82によって算出されたNOx濃度の予測値が目標濃度よりも低いときには、NOx濃度を上昇させるべく、EGR制御弁52の目標開度が小さくなるように修正される。

0033

学習部84は、演算部82において出力パラメータの値を算出する際に用いられるモデルの学習を行う。学習部84において行われる具体的な学習手法については後述する。

0034

≪ニューラルネットワークの概要
上述したように、本実施形態の演算部82は、ニューラルネットワークを用いたモデルを用いて、内燃機関の性能を表す種々のパラメータ(出力パラメータ)の値を算出するようにしている。以下では、図3を参照して、演算部82で用いられるニューラルネットワークについて説明する。

0035

図3は、ニューラルネットワークの一例を示している。図3における丸印は人工ニューロンを表しており、ニューラルネットワークにおいては、この人工ニューロンは、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3においてL=1は入力層、L=2及びL=3は隠れ層、L=4は出力層をそれぞれ示している。また、図3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。なお、隠れ層の層数は、1個又は任意の個数とすることができ、入力層のノードの数及び隠れ層のノードの数も任意の個数とすることができる。なお、本実施形態では、出力層のノードの数は1個となっている。

0036

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3において隠れ層(L=2)のzk(L=2)(k=1、2、3)で示される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、なお、本実施形態では、この活性化関数としてシグモイド関数σが用いられている。

0037

一方、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。本実施形態では、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ており、したがって、出力層のノードからは、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として出力される。

0038

≪ニューラルネットワークにおける学習≫
本実施形態では、誤差伝播法を用いて、ニューラルネットワーク内における各重みwの値及びバイアスbの値が学習される。この誤差逆伝播法は周知であり、したがって、誤差逆伝播法についてはその概要を以下に簡単に説明する。なお、バイアスbは重みwの一種なので、以下の説明では、バイアスbは重みwの一つとされている。さて、図3に示したようなニューラルネットワークにおいて、L=2、L=3又はL=4の各層のノードへの入力値u(L)における重みをw(L)で表すと、誤差関数Eの重みw(L)による微分、すなわち、勾配∂E/∂w(L)は、書き換えると、次式で示されるようになる。



ここで、z(L−1)・∂w(L)=∂u(L)であるので、(∂E/∂u(L))=δ(L)とすると、上記(1)式は、次式にて表すことができる。

0039

ここで、u(L)が変動すると、次の層の総入力値u(L+1)の変化を通じて誤差関数Eの変動を引き起こすので、δ(L)は、次式で表すことができる(KはL+1層におけるノードの数)。



ここで、z(L)=f(u(L))と表すと、上記(3)式の右辺に現れる入力値uk(L+1)は、次式で表すことができる。



ここで、上記(3)式の右辺第1項(∂E/∂u(L+1))はδ(L+1)であり、上記(3)式の右辺第2項(∂uk(L+1)/∂u(L))は、次式で表すことができる。



したがって、δ(L)は、次式で示される。



すなわち、δ(L+1)が求まると、δ(L)を求めることができることになる。

0040

さて、或る入力値x及びその入力値xに対する出力の正解データytを含む訓練データセットが求められており、この入力値に対する出力層からの出力値がyであった場合、誤差関数として二乗誤差が用いられている場合には、二乗誤差Eは、E=1/2(y−yt)2で求められる。この場合、図3の出力層(L=4)のノードでは、出力値y=f(u(L))となり、したがって、この場合には、出力層(L=4)のノードにおけるδ(L)の値は、次式で示されるようになる。



ところで、本実施形態では、前述したように、f(u(L))は恒等関数であり、f’(u(Ll))=1となる。したがって、δ(L)=y−ytとなり、δ(L)が求まる。

0041

δ(L)が求まると、上式(6)を用いて前層のδ(L−1)が求まる。このようにして順次、前層のδが求められ、これらδの値を用いて、上式(2)から、各重みwについて誤差関数Eの微分、すなわち、勾配∂E/∂w(L)か求められる。勾配∂E/∂w(L)か求められると、この勾配∂E/∂w(L)を用いて、誤差関数Eの値が減少するように、重みwの値が更新される。すなわち、重みwの値の学習が行われることになる。

0042

≪具体的なモデルの例≫
次に、図4を参照して、ニューラルネットワークを用いた具体的なモデルの例について説明する。図4は、本実施形態の演算部82において用いられるニューラルネットワークの一例を示す図である。

0043

図4に示したように、図4に示したニューラルネットワークは、入力層(L=1)、二つの隠れ層(L=2、3)及び出力層(L=4)を有する。また、図4に示したニューラルネットワークでは、入力層(L=1)は六つのノードを、出力層(L=4)は一つのノードを、隠れ層(L=2、3)はそれぞれ七つのノードを備えている。しかしながら、ニューラルネットワークは、3層以上の任意の層数であればいかなる層数を有していてもよい。また、各層のノードの数も任意の数とすることができる。

0044

本実施形態では、入力層(L=1)の各ノードには、内燃機関1の運転状態を表す特定の入力パラメータの値が入力される。特に、入力層(L=1)の各ノードには入力層(L=1)の他のノードに入力される入力パラメータとは異なる一つの入力パラメータの値が入力される。図4に示した例では、入力パラメータとして、具体的には、内燃機関1の回転速度、燃料噴射弁21からの燃料噴射量及び燃料噴射時期、燃料噴射弁21へ供給される燃料の圧力(燃圧)、EGR率及び過給圧が用いられている。

0045

加えて、本実施形態では、出力層(L=4)は一つのノードのみを有し、このノードからは一つの出力パラメータの値(推定値)が出力される。図4に示した例では、出力パラメータとして、内燃機関1から排出された排気ガス中(すなわち、フィルタ44に流入する前の排気ガス中)のNOx濃度が用いられている。

0046

したがって、図4に示したニューラルネットワークでは、機関回転速度、燃料噴射量、燃料噴射時期、燃圧、EGR率及び過給圧の現在の値が入力パラメータの値として入力されると、NOx濃度の推定値(現在の推定値又は将来の推定値)が出力パラメータの値として出力される。

0047

したがって、演算部82は、内燃機関1の運転中において、上述したような入力パラメータの値が入力されると、ニューラルネットワークを用いたモデルを用いて、出力パラメータの値を算出する。具体的には、演算部82は、演算部82に入力されたパラメータの値をニューラルネットワークの入力層に入力すると共に、ニューラルネットワークの出力層から出力された出力パラメータの値を出力する。

0048

演算部82に入力される各入力パラメータの値は、パラメータ値取得部81によって取得される。具体的には、機関回転速度は、クランク角センサ79の出力に基づいてECU61において算出され、パラメータ値取得部81はこのようにして算出された機関回転速度をECU61内から取得する。燃料噴射量及び燃料噴射時期は、ECU61から出力ポートを介して燃料噴射弁21へ出力される指令値から把握できるため、パラメータ値取得部81は燃料噴射弁21への指令値に基づいて燃料噴射量及び燃料噴射時期を取得する。燃圧は、燃圧センサ74によって検出されることから、パラメータ値取得部81は、燃圧センサ74の出力値に基づいて燃圧を取得する。

0049

EGR率は、直接計測することができないため、EGR率に関連する各種パラメータの値から公知の手法で推定される。例えば、EGR制御弁52の開度、吸気マニホルド31内の吸気ガスの圧力、排気マニホルド41内の排気ガスの圧力等に基づいてECU61において推定される。パラメータ値取得部81は、このようにして推定されたEGR率をECU61内から取得する。過給圧は、過給圧センサ73によって検出されることから、パラメータ値取得部81は、過給圧センサ73の出力値に基づいて過給圧を取得する。

0050

このようにしてパラメータ値取得部81によって取得された各入力パラメータの現在の値は、演算部82に入力され、その結果、出力パラメータであるNOx濃度の推定値が演算部82から出力される。

0051

また、このように構成されたニューラルネットワークの学習(すなわち、重みwの値及びバイアスbの値の学習)は、各車両に搭載される前に事前に行われる。ニューラルネットワークの学習を行うにあたっては、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)を含む訓練データセットが多数作成される。このようにして作成された訓練データセットを用いて、上述した誤差逆伝搬法を用い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によって、重みw及びバイアスbの値が学習される。

0052

このようにして事前に学習された重みw及びバイアスbの値を用いたニューラルネットワークが車両に搭載される。したがって、車両の演算部82では、事前に学習された学習済モデルによってNOx濃度の推定値が算出されることになる。

0053

このようにして学習された学習済モデルを用いて出力パラメータであるNOx濃度の値を推定することにより、比較的高い精度でNOx濃度を推定することができる。図5は、上述したような手法にて実際に学習を行った学習済みモデルを用いて算出したNOx濃度の推定値と、NOx濃度の実測値とのタイムチャートである。特に、図5は、内燃機関1の運転状態を適宜変化させたときの、一定期間(300秒)に亘るNOx濃度の推定値及び実測値の推移を示している。

0054

図5から、ニューラルネットワーク内の重みw及びバイアスbの値を適切に学習することにより、学習済みモデルによる推定値が実測値に比較的近い値になっていることがわかる。図5に示した例では、NOx濃度の推定値と実測値との相関係数は0.82となった。したがって、出力パラメータであるNOx濃度を高い精度で推定することができる。

0055

≪入力パラメータにおける異常≫
ところで、上述したニューラルネットワークへの一部の入力パラメータ(例えば、過給圧、機関回転速度)の値は、各種センサによって直接検出されるか、又は各種センサの値に基づいてECU61において算出される。したがって、入力パラメータの値を検出又は算出するのに用いられるセンサが故障して、そのセンサが異常な値を出力する場合には、入力パラメータの値にも異常が生じることになる。すなわち、入力パラメータの実際の値と、ニューラルネットワークへ入力されるその入力パラメータの値とに大きな誤差が生じることになる。

0056

また、上述したニューラルネットワークへの一部の入力パラメータ(例えば、燃料噴射量、燃料噴射時期)の値は、各種アクチュエータの指令値である。したがって、アクチュエータが故障してアクチュエータが指令値通りに動作しないと、入力パラメータの値にも異常が生じることになる。すなわち、この場合にも、入力パラメータの実際の値と、ニューラルネットワークへ入力される入力パラメータの値とに大きな誤差が生じることになる。例えば、燃料噴射弁21が故障していて燃料噴射弁21からの実際の燃料噴射量が指令値と異なっていると、ニューラルネットワークへ入力される燃料噴射量が実際の燃料噴射量とは異なった異常な値になる。

0057

このようにニューラルネットワークの一部の入力パラメータの値に異常が生じていると、出力パラメータの値を高い精度で推定することができなくなる。図6は、上述したような手法にて実際に学習を行った学習済みモデルを用いて算出したNOx濃度の推定値と、NOx濃度の実測値との、図5と同様なタイムチャートである。図6は、過給圧センサ73に異常が生じていて、ニューラルネットワークに入力される過給圧に実際の値から大きな誤差が生じている場合を示している。

0058

図6から、過給圧センサ73の出力値に異常が生じていて、ニューラルネットワークに入力される過給圧の値に異常が生じていると、学習済みモデルによる推定値が実測値とは乖離した値になっていることがわかる。図6に示した例では、NOx濃度の推定値と実測値との相関係数は0.087となった。したがって、一部の入力パラメータの値に異常が生じていると、出力パラメータであるNOx濃度の推定精度が大幅に悪化することがわかる。

0059

≪異常時の推定手法
そこで、本実施形態では、演算部82は、一部の入力パラメータの値に異常が生じているときには、異常が生じている異常入力パラメータに対応する入力層のノードから隠れ層のノードへ異常入力パラメータの値に応じて変化する値が入力されないようにモデルを修正した修正後モデルを用いて、出力パラメータの値を算出するようにしている。以下では、図7を参照して、本実施形態の演算部82において用いられる修正後モデルについて説明する。

0060

図7は、修正後モデルにおけるニューラルネットワークの一例を示す、図4と同様な図である。図7に示したニューラルネットワークを用いる修正モデルは、図4に示したニューラルネットワークを用いたモデルを修正したものである。また、図7は、過給圧センサ73に異常が生じている場合、したがって入力パラメータの一つである過給圧の入力値に異常が生じている場合を示している。

0061

図7に示したニューラルネットワークも、図4に示したニューラルネットワークと同じネットワーク構造を有する。したがって、図7に示したニューラルネットワークは、入力層(L=1)、二つの隠れ層(L=2、3)及び出力層(L=4)を有し、各層は図4に示したニューラルネットワークと同じ数のノードを備えている。また、入力層の各ノードには、図4に示したニューラルネットワークと同様な入力パラメータの値が入力される。

0062

しかしながら、図7に示した例では、多数の入力パラメータのうち異常が生じている過給圧の値が入力される入力層(L=1)のノードでは、その出力値x6が実質的に隠れ層(L=2)の各ノードに入力されない。具体的には、例えば、過給圧の値が入力される入力層(L=1)のノードの出力値は、重みwとしてゼロが乗算されて隠れ層(L=2)の各ノードに入力される。したがって、隠れ層(L=2)以降の層では、過給圧の値が入力される入力層(L=1)のノードの出力の影響を受けない。すなわち、過給圧として如何なる値が入力層(L=1)のノードx6に入力されても、出力層(L=4)のノードから出力される出力パラメータ(NOx濃度)の値は変化しない。

0063

図8は、図7に示したような修正後モデルを用いて算出したNOx濃度の推定値と、NOx濃度の実測値との、図5及び図6と同様なタイムチャートである。特に、図8は、修正後モデルとして、上述した学習済みモデルを作成する際に用いた訓練データセットと同様な訓練データセットを用いて学習が行われたモデルを用いた場合を示している。

0064

図8からわかるように、異常入力パラメータについては入力層(L=1)の対応するノードからその出力値が隠れ層の各ノードに実質的に入力されない修正後モデル(図7に示したようなモデル)によっても、その推定値は、実測値に比較的近い値になっていることがわかる。図8に示した例では、NOx濃度の推定値と実測値との相関係数は、0.81となった。したがって、修正後モデルにおいても出力パラメータであるNOx濃度を比較的高い精度で推定することができることがわかる。

0065

すなわち、図4に示したようなニューラルネットワークを用いたモデルでは、一部の異常入力パラメータが用いられなくても、その異常入力パラメータを除いた状態で学習を行うことによって、比較的高い精度で出力パラメータの値を推定することができる。したがって、本実施形態によれば、一部の入力パラメータの値に異常が生じていたとしても、比較的高い精度で出力パラメータの値を推定することができる。

0066

なお、上記実施形態では、修正後モデルでは、異常入力パラメータの値が入力されるノードの出力値に、重みwとしてゼロを乗算した値を隠れ層(L=2)の各ノードに入力するようにしている。しかしながら、異常入力パラメータに対応する入力層のノードから隠れ層のノードへ異常入力パラメータの値に応じて変化する値が入力されなければ、他の手法でモデルの修正が行われてもよい。例えば、異常入力パラメータに対応する入力層のノードにゼロが入力されるようにモデルが修正されてもよい。或いは、異常入力パラメータに対応する入力層のノードに異常入力パラメータの値の変化に応じて変化しない任意の一定値が入力されるようにモデルが修正されてもよい。

0067

≪修正後モデルの学習手法≫
上述したように、修正後モデルについては学習を行うことが必要になるが、この修正後モデルの学習はECU61の学習部84において行われる。したがって、本実施形態では、修正後モデルの学習は各車両に搭載されたECU61内において行われる。

0068

本実施形態では、学習済みモデルを作成する際に用いた訓練データセットと同様な訓練データセットが記憶部63に多数記憶されている。各訓練データセットは、全ての入力パラメータの値と、これら入力パラメータの値に対応する出力パラメータの値との関係を示している。したがって、各訓練データセットは、全ての入力パラメータの値と、入力パラメータの値をその値にしたときの出力パラメータの実測値(正解データ)とを含む。訓練データの作成は、内燃機関1を搭載した車両の出荷前に事前に行われる。

0069

そして、ニューラルネットワークの一部の入力パラメータの値に異常が生じている場合には、演算部82において上述した修正後モデルが作成される。具体的には、例えば、上述したように、異常入力パラメータが入力される入力層のノードからの出力値に乗算される重みwは全てゼロに固定される。

0070

学習部84は、記憶部63に記憶されている訓練データセットを用いて、このようにして作成された修正後モデルの学習を行う。具体的には、学習部84は、記憶部63に記憶されている訓練データセットを用いて、上述した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。ただし、このとき、上述したゼロに固定された重みwはゼロのまま更新されずに維持される。演算部82では、このように学習部84において学習された修正後モデルを用いて、NOx濃度の推定値が算出される。

0071

本実施形態では、このように記憶部63に記憶されている訓練データセットを用いて修正後モデルの学習が行われる。したがって、異常が生じている入力パラメータ毎に及び異常が生じている入力パラメータの組合せ毎に修正後モデル(より正確には重みwとバイアスb)を記憶部63に記憶しておく場合に比べて、記憶部63への記憶量を減らすことができる。

0072

ただし、記憶部63は、異常が生じている入力パラメータ毎に及び異常が生じている入力パラメータの組合せ毎に、学習済みの修正後モデル(より正確には重みwとバイアスb)を記憶していてもよい。この場合には、一部の入力パラメータの値に異常が生じて演算部82において上述した修正後モデルが作成されたときに、その修正後モデルの重みw及びバイアスbの値として、記憶部63に記憶されていた対応するモデルの学習済みの重みw及びバイアスbの値が用いられる。このように記憶部63に学習済みの修正後モデルを記憶させておくことにより、修正後モデルを用いる際に修正後モデルを学習させる必要がなくなり、迅速に修正後モデルを用いることができるようになる。

0073

≪フローチャート≫
図9は、本実施形態に係る内燃機関1の制御装置で行われるモデルの修正制御の制御ルーチンを示すフローチャートである。図示した制御ルーチンは、一定時間間隔毎に実行される。

0074

まず、ステップS11では、修正フラグがONになっているか否かが判定される。修正フラグは、各種センサやアクチュエータの故障に伴ってモデル(特に、モデルの重みやバイアス)を修正しているときにONとされ、それ以外のときにはOFFとされるフラグである。ステップS11において、修正フラグがONになっていないと判定された場合には、制御ルーチンはステップS12へと進む。

0075

ステップS12では、上記モデルの入力パラメータを検出又は算出するのに用いられる各種センサやアクチュエータのいずれか一つに新たな故障が発生したか否かが判定される。各種センサやアクチュエータの故障の検知は公知の方法で行われる。ステップS12において、各種センサやアクチュエータに新たな故障は発生していないと判定された場合には制御ルーチンが終了せしめられる。一方、ステップS12において、新たな故障が発生したと判定された場合には、制御ルーチンはステップS13へと進む。ステップS13では、修正フラグがONにセットされ、制御ルーチンが終了せしめられる。

0076

修正フラグがONにセットされると、次の制御ルーチンでは、制御ルーチンはステップS11からステップS14へと進む。ステップS14では、各種センサやアクチュエータの故障に伴って一部の入力パラメータの値が異常であることに対応した修正後モデルが作成されているか否かが判定される。修正後モデルが作成されていない場合には制御ルーチンはステップS15へと進む。

0077

ステップS15では、演算部82において修正後モデルが作成される。具体的には、上述したように、異常入力パラメータに関連した入力層(L=1)から隠れ層(L=2)への重みがゼロに固定される。

0078

次いで、ステップS16では、ステップS15で作成された修正後モデルの学習が完了したか否かが判定される。ステップS16において修正後モデルの学習が完了していないと判定された場合には、制御ルーチンはステップS17へと進む。ステップS17では、上述したように、記憶部63に記憶された訓練データセットを用いて、学習部84において修正後モデルの学習が行われ、制御ルーチンが終了せしめられる。

0079

その後、学習部84における修正後モデルの学習が完了すると、次の制御ルーチンでは、制御ルーチンは、ステップS16からステップS18へと進む。ステップS18では、修正フラグがOFFにリセットされ、制御ルーチンが終了せしめられる。

0080

<第二実施形態>
次に、第二実施形態に係る内燃機関の制御装置について説明する。第二実施形態に係る制御装置の構成及び制御は基本的に第一実施形態に係る制御装置の構成及び制御と同様である。以下では、第一実施形態に係る制御装置とは異なる部分を中心に説明する。

0081

上記第一実施形態の制御装置では、修正後モデルにおいて学習を行うための訓練データセットは、予め記憶部63に記憶されていた。しかしながら、修正後モデルにおける学習を適切に行うためには、非常に多くの訓練データセットが必要になることから、訓練データセットを記憶させるために記憶部63における記憶容量を大きくする必要があった。

0082

これに対して本実施形態に係る制御装置は、出力パラメータの値を検出又は推定する出力パラメータ検出装置を備える。学習部84は、パラメータ値取得部81によって取得された入力パラメータの値と、出力パラメータ検出装置によって検出又は推定された出力パラメータの値とを訓練データセットとして、修正後モデルの学習を行うようにしている。

0083

図10は、第二実施形態に係る内燃機関1の概略的な構成図である。図10に示したように、本実施形態に係る内燃機関1では、排気マニホルド41又は排気管42には、機関本体10から排出された排気ガス中のNOx濃度を検出するNOxセンサ75が設けられている。このNOxセンサ75の出力は、対応するAD変換器68を介して入力ポート66に入力される。上述したように、NOx濃度は演算部82における出力パラメータであることから、NOxセンサ75は出力パラメータの値を検出する出力パラメータ検出装置ということができる。

0084

パラメータ値取得部81は、このようにして検出又は推定された出力パラメータの実測値を取得する。具体的には、パラメータ値取得部81は、ECU61の入力ポート66を介して、NOxセンサ75の出力を、出力パラメータの実測値として取得する。したがって、本実施形態では、パラメータ値取得部81は、出力パラメータの実測値を取得する出力パラメータ値取得部としても機能する。

0085

学習部84では、このようにして検出されたNOx濃度の実測値と、このNOx濃度の実測値が検出されたときの入力パラメータの実測値とから、訓練データセットが作成される。学習部84では、内燃機関1の運転状態が変化する毎に、訓練データセットが作成される。したがって、学習部84では、多数の訓練データセットが作成される。

0086

そして、学習部84では、このようにして作成された訓練データセットを用いて、修正後モデルの学習が行われる。具体的には、学習部84は、このようにして作成された訓練データセットを用いて、上述した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。こうして、ニューラルネットワーク内の重みw及びバイアスbの値が学習される。なお、このときにも、上述した第一実施形態と同様に、ゼロに固定された重みwはゼロのまま更新されずに維持される。演算部82では、このように学習部84において学習された修正後モデルを用いて、NOx濃度の推定値が算出される。

0087

本実施形態では、出力パラメータの値を検出又は推定する出力パラメータ検出装置によって検出又は推定された値を用いて訓練データセットが制御装置において作成される。したがって、本実施形態によれば、記憶部63内に訓練データセットを記憶させておく必要がなく、記憶部63における記憶容量を小さくすることができる。

0088

なお、本実施形態におけるモデル(修正後モデルを含む)では、入力パラメータである燃料噴射量や燃料噴射時期として、将来の目標値が入力される。したがって、本実施形態におけるモデルからは、これら入力パラメータの値を斯かる目標値に設定したときにおける出力パラメータであるNOx濃度の予想値が出力される。制御装置では、このように出力されたNOx濃度の予想値に基づいて、内燃機関の制御を行う。具体的には、例えば、NOx濃度の予想値が予め定められた閾値以上であった場合には、燃料噴射時期の目標値を遅角させること等が考えられる。

0089

<第三実施形態>
次に、図11を参照して第三実施形態に係る内燃機関の制御システムについて説明する。第三実施形態に係る制御システムに用いられる内燃機関の制御装置の構成及び制御は、基本的に第一実施形態に係る制御装置の構成及び制御と同様である。したがって、以下では、第一実施形態に係る制御装置とは異なる部分を中心に説明する。

0090

上記第一実施形態及び第二実施形態に係る制御装置では、ECU61の学習部84において修正後モデルの学習が行われている。しかしながら、修正後モデルの学習にあたっては、上述した誤差逆伝搬法を用いて学習が行われるため、各訓練データセット毎に誤差関数を各重みや各バイアスで微分した勾配を繰り返し算出すると共に、多数の訓練データセットについて斯かる操作を繰り返し行う必要がある。したがって、制御装置において学習を行うためには、制御装置に高性能のCPU等を用いることが必要になる。そこで、本実施形態では、車両の外部に設けられたサーバにおいて、修正後モデルの学習を行うようにしている。

0091

図11は、本実施形態に係る内燃機関の制御システムを概略的に示す図である。図11に示したように、各車両100の内燃機関の制御装置60は、ECU61に接続された通信部91を備える。通信部91は、ECU61の入出力ポートに接続され、よってECU61へ入力信号を入力することもできるし、ECU61からの出力信号を受け取ることもできる。車両100の通信部91は、車両100の外部に設けられたサーバ200と通信を行うように構成される。

0092

車両100の外部に設けられたサーバ200は、通信部210と、処理部220と、記憶部230とを備える。これら通信部210、処理部220及び記憶部230は、相互に接続されており、よってこれらの間でデータを送受信することができる。

0093

通信部210は、各車両100の通信部91と通信し、各車両100の通信部91との間でデータの送受信を行う。これら車両100の通信部91とサーバ200の通信部210との間の通信は、各種通信規格準拠した無線通信によって行われる。

0094

処理部220は、図11に示したように、機能ブロックとして、学習部222を備える。学習部222は、車両100の演算部82において出力パラメータを算出する際に用いられる修正後モデルの学習を行う。また、サーバ200の記憶部230には、本実施形態では、学習済みモデルを作成する際に用いた訓練データセットと同様な訓練データセットが多数記憶されている。

0095

本実施形態では、各車両100のニューラルネットワークの一部の入力パラメータの値に異常が生じている場合には、上記第一実施形態と同様に、演算部82において上述した修正後モデルが作成される。具体的には、例えば、上述したように、異常入力パラメータが入力される入力層のノードからの出力値に乗算される重みwは全てゼロに固定される。

0096

また、車両100のECU61から通信部91を介して、サーバ200の通信部210へ、演算部82にて作成された修正後モデルの学習が依頼される。サーバ200の処理部220では、各車両100のECU61からの依頼を受けて、修正後モデルの学習が行われる。

0097

処理部220の学習部222は、記憶部63に記憶されている訓練データセットを用いて修正後モデルの学習を行う。具体的には、学習部222は、サーバ200の記憶部230に記憶されている訓練データセットを用いて、上述した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。ただし、このとき、上述したゼロに固定された重みwはゼロのまま更新されずに維持される。

0098

学習部222において修正後モデルの学習が完了すると、このようにして学習された修正後モデル(具体的には、このようにした学習された修正後モデルの重みwやバイアスbのデータ)が、サーバ200の通信部210及び各車両の通信部91を介して、各車両100のECU61へと送信される。各車両100のECU61の演算部82では、このようにサーバ200の学習部222において学習された修正後モデルを用いて、出力パラメータの値(本実施形態では、NOx濃度の推定値)が算出される。

0099

本実施形態では、修正後モデルの学習は、サーバ200において行われる。したがって、各車両100のECU61では、修正後モデルの学習は行われず、よって各車両100の制御装置における計算負荷を低減させることができ、高性能なCPU等の必要性を低減することができる。

0100

<第四実施形態>
次に、図11を参照して第四実施形態に係る内燃機関の制御システムについて説明する。第四実施形態に係る制御システムに用いられる内燃機関の制御装置の構成及び制御は、基本的に第二実施形態に係る制御装置の構成及び制御と同様であり、また第四実施形態に係る制御システムの構成及び制御は第三実施形態に係る制御システムの構成及び制御と同様である。したがって、以下では、第二実施形態及び第三実施形態に係る制御装置とは異なる部分を中心に説明する。

0101

本実施形態に係る制御システムでは、第三実施形態の制御システムと同様に、修正後モデルの学習がサーバ200において行われる。加えて、本実施形態では、第二実施形態の制御装置と同様に、出力パラメータの値を検出又は推定する出力パラメータ検出装置によって検出又は推定された実測値を用いて訓練データセットが作成される。

0102

図12は、本実施形態に係る内燃機関の制御システムを概略的に示す図である。図12に示したように、処理部220は、機能ブロックとして、パラメータ値取得部221と、学習部222とを備える。サーバ200のパラメータ値取得部221は、車両100の通信部91及びサーバ200の通信部210を介して、車両100のECU61から、内燃機関1の運転状態を示す入力パラメータの値を取得する。加えて、サーバ200のパラメータ値取得部221は、通信部91、210を介して、車両100のECU61から、出力パラメータ検出装置によって検出又は推定された出力パラメータの実測値(例えば、NOxセンサ75によるNOx濃度の実測値)を取得する。

0103

サーバ200の学習部222では、このようにしてパラメータ値取得部221によって取得された入力パラメータの実測値と、これに対応する出力パラメータの実測値とから、訓練データセットが作成される。サーバ200の学習部222では、内燃機関1の異なる運転状態毎に、訓練データセットが作成される。したがって、サーバ200の学習部222では、多数の訓練データセットが作成される。そして、サーバ200の学習部222では、このようにして作成された訓練データセットを用いて、修正後モデルの学習が行われる。

0104

学習部222において修正後モデルの学習が完了すると、このようにして学習された修正後モデルが、通信部91、210を介して、各車両100のECU61へと送信される。各車両100のECU61の演算部82では、このようにサーバ200の学習部222において学習された修正後モデルを用いて、出力パラメータの値が算出される。

0105

1内燃機関
10機関本体
21燃料噴射弁
60制御装置
61 ECU
63 記憶部
65 処理部
73過給圧センサ
74燃圧センサ
75NOxセンサ
79クランク角センサ
81パラメータ値取得部
82演算部
83 制御部
84 学習部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ