JP6741057B2 - 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 - Google Patents

内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 Download PDF

Info

Publication number
JP6741057B2
JP6741057B2 JP2018206562A JP2018206562A JP6741057B2 JP 6741057 B2 JP6741057 B2 JP 6741057B2 JP 2018206562 A JP2018206562 A JP 2018206562A JP 2018206562 A JP2018206562 A JP 2018206562A JP 6741057 B2 JP6741057 B2 JP 6741057B2
Authority
JP
Japan
Prior art keywords
vehicle
learning
electronic control
control unit
unit
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.)
Active
Application number
JP2018206562A
Other languages
English (en)
Other versions
JP2020070774A (ja
Inventor
栄来 北川
栄来 北川
大樹 横山
大樹 横山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2018206562A priority Critical patent/JP6741057B2/ja
Priority to US16/591,968 priority patent/US10825267B2/en
Priority to DE102019127016.2A priority patent/DE102019127016B4/de
Publication of JP2020070774A publication Critical patent/JP2020070774A/ja
Application granted granted Critical
Publication of JP6741057B2 publication Critical patent/JP6741057B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/021—Engine temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0404—Throttle position
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0414—Air temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/08—Exhaust gas treatment apparatus parameters
    • F02D2200/0802—Temperature of the exhaust gas treatment apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/1002—Output torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/101—Engine speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Output Control And Ontrol Of Special Type Engine (AREA)

Description

本開示は、内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法に関する。
従来から、機械学習によって学習された学習モデルを用いて、車両の内燃機関を制御する技術が公知である（例えば、特許文献１参照）。特に、特許文献１に記載の各モデルでは、内燃機関の運転に関する複数の入力パラメータの実測値が入力されると、ニューラルネットワークを用いて、出力パラメータである吸気ガス、排気ガス及びＥＧＲガスの流量の予測値がそれぞれ出力される。
特開２０１２−１１２２７７号公報
ところで、学習モデルを用いる内燃機関の制御装置において、車両の運転中に取得した教師データに基づいて学習モデルの学習を行う場合が想定される。この場合、その車両に特有の使用環境や使用状況が学習後の学習モデルに反映される。その結果、斯かる学習モデルでは、学習モデルから出力された出力パラメータの予測値とその出力パラメータの実際の値との誤差（以下、「予測誤差」という）が低減される。斯かる学習モデルを用いることにより、内燃機関がより適切に制御される。
斯かる学習モデルの学習の際には、多数の教師データを用いた負荷の高い計算が必要とされる。そのため、内燃機関の制御装置において学習モデルの学習を行うためには、高性能のＣＰＵ等が必要になる。しかし、斯かる高性能のＣＰＵ等の導入は製造コストの増大につながる。そのため、学習モデルの学習機能を有する制御装置は、一部の車両のみにおいて用いられることが想定される。その結果、他の一部の車両は学習モデルの学習機能を有さない制御装置を用いることになり、斯かる車両ではその車両に特有の使用環境や使用状況を学習モデルに反映させることは困難である。したがって、斯かる車両では、その車両に特有の使用環境や使用状況に応じて、内燃機関を適切に制御することができない。
上記課題に鑑みて、本開示の目的は、学習機能を有さない制御装置を用いる車両においても、その車両に特有の使用環境や使用状況に応じて内燃機関を適切に制御することができるようにすることにある。
本開示の要旨は、以下の通りである。
（１）複数の第一車両にそれぞれ搭載された第一電子制御ユニットと第二車両に搭載された第二電子制御ユニットとを備えた内燃機関の制御システムであって、前記第一電子制御ユニット及び前記第二電子制御ユニットは、入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する予測値出力部と、前記予測値出力部から出力された前記予測値に基づいて、内燃機関を制御する機関制御部と、をそれぞれ含み、前記第一電子制御ユニットは、前記入力パラメータの実測値と前記出力パラメータの実測値とを含む教師データを用いて、前記第一電子制御ユニットの予測値出力部で用いられる学習モデルの学習を行う学習部と、前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記学習後の学習モデルと、を互いに関連付けて送信する車両側モデル送信部と、をさらに含み、前記第二電子制御ユニットは、前記学習後の学習モデルを受信するモデル受信部をさらに含み、前記第二電子制御ユニットの予測値出力部は、各第一電子制御ユニットの前記学習部において学習された前記学習後の学習モデルのうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報に関連付けられた学習後の学習モデルを用いる、内燃機関の制御システム。
（２）前記内燃機関の制御システムは、前記第一電子制御ユニット及び前記第二電子制御ユニットに対して通信可能に構成されたサーバをさらに備え、前記第二電子制御ユニットは、前記学習後の学習モデルを要求するモデル要求と、前記第二車両の使用環境及び使用状況のうち少なくとも一方を含む第二車両情報と、を前記サーバに送信するモデル要求送信部をさらに含み、前記サーバは、前記第一電子制御ユニットの各々から受信した各第一車両情報のうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二電子制御ユニットから受信した前記第二車両情報に含まれる前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報を選択する選択部と、前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを前記第二電子制御ユニットに送信するサーバ側モデル送信部と、を含む、上記（１）に記載の内燃機関の制御システム。
（３）前記モデル受信部は、前記第一電子制御ユニットの各々から前記第一車両情報をさらに受信し、前記第二電子制御ユニットは、前記第一電子制御ユニットの各々から受信した第一車両情報のうち、前記最も近い第一車両情報を選択する選択部をさらに含み、前記第二電子制御ユニットの予測値出力部は、前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを用いる、上記（１）に記載の内燃機関の制御システム。
（４）車両に搭載された電子制御ユニットであって、前記電子制御ユニットは、入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する予測値出力部と、前記予測値出力部から出力された前記予測値に基づいて、内燃機関を制御する機関制御部と、前記入力パラメータの実測値と前記出力パラメータの実測値とを含む教師データを用いて、前記学習モデルの学習を行う学習部と、前記車両の使用環境及び使用状況のうち少なくとも一方を含む車両情報と、前記学習後の学習モデルと、を互いに関連付けて送信するモデル送信部と、を含む、電子制御ユニット。
（５）複数の第一車両にそれぞれ搭載された電子制御ユニットと第二車両に搭載された電子制御ユニットとを備えた内燃機関の制御システムの前記第二車両において用いられる電子制御ユニットであって、前記第二車両の電子制御ユニットは、入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する予測値出力部と、前記予測値出力部から出力された前記予測値に基づいて、前記第二車両の内燃機関を制御する機関制御部と、前記複数の第一車両の電子制御ユニットの各々において学習された学習後の学習モデルを受信するモデル受信部と、を含み、前記予測値出力部は、前記複数の第一車両の電子制御ユニットの各々において学習された前記学習後の学習モデルのうち、使用環境及び使用状況のうち少なくとも一方が前記第二車両の前記使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両の電子制御ユニットにおいて学習された前記学習後の学習モデルを用いる、電子制御ユニット。
（６）複数の第一車両にそれぞれ搭載された第一電子制御ユニットと、第二車両に搭載された第二電子制御ユニットとに対して通信可能に構成されたサーバであって、前記サーバは、前記第一電子制御ユニットの各々から、前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記第一電子制御ユニットにおいて学習され且つ前記第一車両情報に関連付けられた学習後の学習モデルと、を受信し、前記第二電子制御ユニットから、前記学習後の学習モデルを要求するモデル要求と、前記第二車両の使用環境及び使用状況のうち少なくとも一方を含む第二車両情報と、を受信し、受信した各第一車両情報のうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記受信した第二車両情報に含まれる前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報を選択し、前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを前記第二電子制御ユニットに送信する、サーバ。
（７）複数の第一車両にそれぞれ搭載された第一電子制御ユニットと第二車両に搭載された第二電子制御ユニットとを備えた内燃機関の制御システムにおける内燃機関の制御方法であって、前記第一電子制御ユニットが、学習モデルの入力パラメータの実測値と学習モデルの出力パラメータの実測値とを含む教師データを用いて、前記第一電子制御ユニットの予測値出力部で用いられる学習モデルの学習を行うステップと、前記第一電子制御ユニットが、前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記学習後の学習モデルと、を互いに関連付けて送信するステップと、前記第二電子制御ユニットは、前記学習後の学習モデルを受信するステップと、前記第二電子制御ユニットが、前記入力パラメータの実測値が入力されると、前記受信した学習後の学習モデルを用いて、前記出力パラメータの予測値を出力するステップと、前記第二電子制御ユニットが、前記出力された予測値に基づいて、内燃機関を制御するステップと、を含み、前記予測値を出力するステップは、各第一電子制御ユニットにおいて学習された前記学習後の学習モデルのうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報に関連付けられた前記学習後の学習モデルを用いる、内燃機関の制御方法。
本開示によれば、学習機能を有さない制御装置を用いる車両においても、その車両に特有の使用環境や使用状況に応じて内燃機関を適切に制御することができるようになる。
図１は、第一実施形態に係る内燃機関の制御システムの概略構成図である。 図２は、第一車両に搭載される内燃機関の概略構成図である。 図３は、第一実施形態における第一電子制御ユニット（ＥＣＵ）の第一処理部における概略構成図である。 図４は、第一実施形態における第二ＥＣＵの第二処理部における概略構成図である。 図５は、ニューラルネットワークの一例を示す図である。 図６は、第一実施形態におけるニューラルネットワークの具体例を示す図である。 図７は、第一実施形態におけるサーバの概略構成図である。 図８は、第一実施形態に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。 図９は、第一実施形態の変形例に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。 図１０は、第二実施形態に係る内燃機関の制御システムの概略構成図である。 図１１は、第二実施形態における第二ＥＣＵの第二処理部の概略構成図である。 図１２は、第二実施形態に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。
以下、図面を参照して本開示の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。
＜第一実施形態＞
≪システム構成の概要≫
まず、図１を参照して第一実施形態に係る制御システムの構成について説明する。図１は、本実施形態に係る内燃機関の制御システムの概略構成図である。図１に示されるように、本実施形態に係る制御システム１００は、内燃機関の制御装置６０1がそれぞれ搭載された複数の第一車両１１０と、内燃機関の制御装置６０2が搭載された第二車両１２０と、サーバ１３０と、を備える。第一車両１１０の内燃機関の制御装置６０1は、学習機能を有する第一電子制御ユニット（ＥＣＵ）６１1を含む。第二車両１２０の内燃機関の制御装置６０2は、学習機能を有さない第二ＥＣＵ６１2を含む。したがって、内燃機関の制御システム１００は、複数の第一車両１１０にそれぞれ搭載された複数の第一ＥＣＵ６１1と、第二車両１２０に搭載された第二ＥＣＵ６１2と、を備える。サーバ１３０は、ネットワークＮＷを介して各第一ＥＣＵ６１1及び第二ＥＣＵ６１2と通信可能に構成されている。本実施形態では、第一車両１１０及び第二車両１２０は、同一の車種の車両である。しかし、第一車両１１０及び第二車両１２０は、少なくとも内燃機関及びセンサ構成が同一であれば、異なる車種の車両であってもよい。
≪車両の内燃機関の全体構成≫
次に、本実施形態に係る第一車両１１０に搭載される内燃機関の全体構成について説明する。なお、第二車両１２０に搭載される内燃機関の構成は第一車両１１０に搭載される内燃機関の構成と同様であるため、その説明を省略する。
図２は、第一車両１１０に搭載される内燃機関１の概略構成図である。図２に示されるように、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、及び内燃機関の制御装置６０1を備える。
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。
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の燃焼室内に燃料を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。
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を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、吸気通路の開口面積を変更することができる。
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、排気ガスの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。
フィルタ４４は、排気ガス中の微粒子を捕集する。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。
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。
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、電動コンプレッサや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。
≪車両の内燃機関の制御装置の構成≫
図２に示されるように、第一車両１１０の内燃機関の制御装置６０1は、第一ＥＣＵ６１1及び各種センサを備える。第一ＥＣＵ６１1は、デジタルコンピュータから構成される。第一ＥＣＵ６１1は、双方向性バス６２を介して相互に接続された記憶部６３、通信部６４、ＣＰＵ等のプロセッサを含む第一処理部６５1、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、第一処理部６５1において実行されるプログラムや、第一処理部６５1によって各種処理が実行されるときに使用される各種データ等を記憶する。通信部６４は、第一ＥＣＵ６１1の入力ポート６６及び出力ポート６７に接続され、よって第一ＥＣＵ６１1へ入力信号を入力することもできるし、第一ＥＣＵ６１1からの出力信号を受け取ることもできる。
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ためのエアフロメータ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内の吸気温を検出するための吸気温センサ７３が設けられている。排気マニホルド４１には、排気マニホルド４１内の排気温を検出するための排気温センサ７４が配置されている。機関本体１０には、機関冷却水の温度（以下、単に「水温」という）を検出するための水温センサ７５と、機関本体１０の摩擦摺動部を潤滑する潤滑油の温度（以下、単に「油温」という）を検出するための油温センサ７６と、が配置されている。ＥＧＲ制御弁５２には、ＥＧＲ制御弁５２の開度（以下、「ＥＧＲ弁開度」という）を検出するためのＥＧＲ弁開度センサ７７が配置されている。排気管４２内には、排気ガス中の気体濃度を検出するための気体濃度センサ７８及び排気ガスの空燃比を検出するための空燃比センサ７９がそれぞれ配置されている。
気体濃度センサ７８は、例えば、排気ガス中のＮＯx濃度を検出するＮＯxセンサとすることができる。気体濃度センサ７８として、ＮＯxセンサの他にも、学習モデル及び後述する学習モデルで用いられるパラメータに応じて、例えば、排気ガス中のＨＣ濃度、ＣＯ濃度、ＣＯ2濃度をそれぞれ検出するＨＣセンサ、ＣＯセンサ、ＣＯ2センサ等、これらセンサを適宜用いることができる。
エアフロメータ７１、スロットル開度センサ７２、吸気温センサ７３、排気温センサ７４、水温センサ７５、油温センサ７６、ＥＧＲ弁開度センサ７７、気体濃度センサ７８、空燃比センサ７９及び内燃機関１の出力トルク（以下、「トルク」という）を検出するトルクセンサ８０の出力信号は、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。
また、アクセルペダル８１にはアクセルペダル８１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８２が接続され、負荷センサ８２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８１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８３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。第一処理部６５1では、このクランク角センサ８３の出力パルスから機関回転速度が計算される。
一方、第一ＥＣＵ６１1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２に示される例では、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。第一ＥＣＵ６１1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。
図３は、第一ＥＣＵ６１1の第一処理部６５1における概略構成図である。図３に示されるように、第一処理部６５1は、第一処理部６５1のプロセッサ上で実行されるプログラムにより実装される複数の機能モジュールを含む。本実施形態では、第一処理部６５1は、機能モジュールとして、第一予測値出力部９１1と、第一機関制御部９２1と、学習部９３と、車両側モデル送信部９４と、を備える。
第一予測値出力部９１1は、入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する。第一機関制御部９２1は、第一予測値出力部９１1から出力された出力パラメータの予測値に基づいて、内燃機関１を制御する。学習部９３は、入力パラメータの実測値と出力パラメータの実測値とを含む教師データを用いて、第一予測値出力部９１1で用いられる学習モデルの学習を行う。車両側モデル送信部９４は、第一ＥＣＵ６１1の通信部６４を介して、後述する第一車両情報と学習部９３において学習された学習後の学習モデルとを互いに関連付けてサーバ１３０に送信する。このように、第一ＥＣＵ６１1は、学習部９３を有するため、学習機能を有する。
次に、本実施形態に係る第二車両１２０の内燃機関の制御装置６０2について説明する。第二車両１２０の内燃機関の制御装置６０2は、第二ＥＣＵ６１2及び各種センサを備える。第二車両１２０の内燃機関の制御装置６０2は、第二ＥＣＵ６１2の第二処理部６５2が第一ＥＣＵ６１1の第一処理部６５1とは異なる点を除いて、第一車両１１０の内燃機関の制御装置６０1と同様の構成を有する。以下では、第二車両１２０の内燃機関の制御装置６０2について、第一車両１１０の内燃機関の制御装置６０1とは異なる部分を中心に説明する。
図４は、第二ＥＣＵ６１2の第二処理部６５2における概略構成図である。図４に示されるように、第二処理部６５2は、機能モジュールとして、第二予測値出力部９１2と、第二機関制御部９２2と、モデル要求送信部９５と、モデル受信部９６と、を含む。
モデル要求送信部９５は、学習後の学習モデルを要求するモデル要求と、後述する第二車両情報と、を第二ＥＣＵ６１2の通信部６４を介してサーバ１３０に送信する。モデル受信部９６は、第一ＥＣＵ６１1の学習部９３において学習された学習後の学習モデルを第二ＥＣＵ６１2の通信部６４を介してサーバ１３０から受信する。このように、第二ＥＣＵ６１2は、学習部９３を有さないため、学習機能を有さない。
≪ニューラルネットワークの概要≫
本実施形態では、学習モデルは、ニューラルネットワークを用いる。まず、図５を参照して、本実施形態に係る学習モデルにおいて用いられるニューラルネットワークについて説明する。図５は、ニューラルネットワークの一例を示す。図５における丸印は、人工ニューロンを表している。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（以下、「ノード」という）。図５において、Ｌ＝１は入力層、Ｌ＝２およびＬ＝３は隠れ層、Ｌ＝４は出力層を各々示す。また、図５において、ｘ1およびｘ2は入力層（Ｌ＝１）のノード及びそのノードからの出力値を示し、ｙは出力層（Ｌ＝４）の各ノード及びそのノードからの出力値を示す。同様に、隠れ層（Ｌ＝２）のｚ1、ｚ2およびｚ3は隠れ層（Ｌ＝２）の各ノードからの出力値を示し、隠れ層（Ｌ＝３）のｚ1およびｚ2は隠れ層（Ｌ＝３）の各ノードからの出力値を示す。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およ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個とされている。
入力層の各ノードでは、入力がそのまま出力される。一方、隠れ層（Ｌ＝２）の各ノードには、入力層の各ノードの出力値ｘ1およびｘ2が入力される。隠れ層（Ｌ＝２）の各ノードでは、各々対応する重みｗおよびバイアスｂを用いて総入力値ｕが算出される。例えば、図５において隠れ層（Ｌ＝２）のｚk（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は、次式のようになる（Ｍは入力層のノードの数）。
Figure 0006741057
次いで、この総入力値ｕkは、活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚkで示されるノードから、出力値ｚk（＝ｆ（ｕk））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、ｚ2およびｚ3が入力される。隠れ層（Ｌ＝３）の各ノードでは、各々対応する重みｗおよびバイアス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ｆにより変換され、隠れ層（Ｌ＝３）の各ノードから、出力値ｚ1、ｚ2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。
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およびｚ2が入力される。出力層のノードでは、各々対応する重みｗおよびバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出されるか、又は、各々対応する重み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。
≪ニューラルネットワークにおける学習≫
本実施形態では、第一ＥＣＵ６１1の学習部９３は、誤差逆伝播法を用いて、ニューラルネットワーク内における各重みｗの値およびバイアスｂの値を学習する。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の一つとしている。
さて、図５に示す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)と表すと、誤差関数Ｅの重みｗ(L)による微分、即ち、勾配∂Ｅ/∂ｗ(L)は、次の（１）式で示される。
Figure 0006741057
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、次の（２）式で表すことができる。
Figure 0006741057
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、次の（３）式で表すことができる（ＫはＬ＋１層におけるノードの数）。
Figure 0006741057
 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、次の（４）式で表すことができる。
Figure 0006741057
ここで、上記（３）式の右辺第一項（∂Ｅ/∂ｕ(L+1)）はδ(L+1)である。上記（３）式の右辺第２項（∂uk (L+1)/∂ｕ(L)）は、上記（４）式より、次の（５）式で表すことができる。
Figure 0006741057
したがって、δ(L)は、上記（３）乃至（５）式より、次の（６）式で表すことができる。
Figure 0006741057
即ち、δ(L+1)が求まると、δ(L)を求めることができる。
さて、或る入力値ｘ及びその入力値ｘに対する正解データｔを含む教師データが求められており、この入力値ｘ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＝（ｙ−ｔ）2/２で求められる。図５に示される出力層（Ｌ＝４）のノードでは、出力値ｙ＝ｆ（ｕ(L)）となるため、この場合には、出力層（Ｌ＝４）のノードにおけるδ(L)の値は、次の（７）式で示される。
Figure 0006741057
ところで、本実施形態では、前述したように、ｆ（ｕ(L)）は恒等関数であるため、ｆ’（ｕ(Ll)）＝１となる。したがって、δ(L)＝ｙ−ｔとなり、δ(L)を求めることができる。
δ(L)が求まると、上記（６）式を用いて前層のδ(L-1)を求めることができる。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、上記（２）式から、各重みｗについて誤差関数Ｅの微分、即ち、勾配∂Ｅ/∂ｗ(L)が求められる。
勾配∂Ｅ/∂ｗ(L)が求められると、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。即ち、重みｗの値の学習が行われることになる。なお、教師データとしてバッチ、又はミニバッチが用いられる場合には、誤差関数Ｅとして、次の（８）式で示される二乗和誤差Ｅが用いられる。ここで、Ｎは教師データの総数であり、ｉはＮ以下の自然数（ｉ＝１，２，…，Ｎ）であり、ｙi及びｔiは入力値ｘiに対する出力値及び正解データをそれぞれ示す。
Figure 0006741057
一方、二乗誤差を逐次算出して学習が行われる場合には、誤差関数Ｅとして、上述の二乗誤差Ｅ＝（ｙ−ｔ）2/２が用いられる。
≪学習モデルの具体例≫
次に、本実施形態におけるニューラルネットワークを用いた学習モデルの具体例について説明する。まず、本実施形態におけるニューラルネットワークで用いられる入力パラメータの一例を説明する。本実施形態における学習モデルの入力パラメータは、点火時期、燃料噴射量、燃料噴射時期、内燃機関の吸気弁の開閉タイミング及び排気弁の開閉タイミング、スロットル開度、吸気温、水温、油温、ＥＧＲ弁開度並びに機関回転速度のうち、２つ以上を含むことができる。
次に、各入力パラメータの実測値の取得方法の一例を説明する。点火時期、燃焼噴射量、燃料噴射時期、並びに内燃機関の吸気弁の開閉タイミング及び排気弁の開閉タイミングは、それぞれ、第一ＥＣＵ６１1及び第二ＥＣＵ６１2の各々の指令値から取得される。スロットル開度、吸気温、水温、油温及びＥＧＲ弁開度は、それぞれ、スロットル開度センサ７２、吸気温センサ７３、水温センサ７５、油温センサ７６及びＥＧＲ弁開度センサ７７の出力値から取得される。機関回転速度は、クランク角センサ８３の出力信号に基づく第一ＥＣＵ６１1及び第二ＥＣＵ６１2の各々の算出値から取得される。
次に、本実施形態におけるニューラルネットワークで用いられる出力パラメータの一例を説明する。本実施形態におけるニューラルネットワークで用いられる出力パラメータは、排気温、排気ガス中のＮＯx濃度、ＨＣ濃度、ＣＯ濃度及びＣＯ2濃度、排気ガスの空燃比並びに内燃機関１の出力トルクのうち、少なくとも１つを含むことができる。
図６は、本実施形態におけるニューラルネットワークの具体例を示す。図６に示される学習モデルにおけるニューラルネットワークは、点火時期、燃料噴射量、スロットル開度、機関回転速度を入力パラメータとし、トルクを出力パラメータとしている。図６に示されるように、本実施形態では、学習モデルのニューラルネットワークはＰ層（Ｐは３以上の任意の整数）で構成され、各隠れ層におけるノードの数は任意の個数とすることができる。また、図６に示される学習モデルにおけるニューラルネットワークにおいては、入力層（Ｌ＝１）は、４つの入力パラメータに対応して４個のノードを有しているが、入力パラメータの数に応じて４以外の任意の個数のノードを有していてもよい。
≪学習モデルを用いた制御及び学習の概要≫
第一車両１１０及び第二車両１２０の各内燃機関１の運転時には、第一予測値出力部９１1及び第二予測値出力部９１2の各々に、入力パラメータの実測値、すなわち点火時期、燃料噴射量、スロットル開度、機関回転速度の実測値が入力される。第一予測値出力部９１1及び第二予測値出力部９１2の各々は、これら入力パラメータの実測値が入力されると、図６に示される学習モデルを用いて、出力パラメータの予測値、すなわちトルクの予測値を出力する。本実施形態では、トルクの予測値は現在のトルク（すなわち、トルクセンサ８０によって検出されるトルク）の予測値ではなく、将来のトルクの予測値である。
第一機関制御部９２1及び第二機関制御部９２2の各々は、このようにして第一予測値出力部９１1及び第二予測値出力部９１2の各々から出力された出力トルクの予測値に基づいて、内燃機関１を制御する。具体的には、例えば、第一予測値出力部９１1から出力されたトルクの予測値が、機関負荷等に基づいて設定された目標トルクとは異なる値になっていた場合に、トルクの予測値が目標トルクとなるように第一車両１１０の内燃機関１の制御パラメータ（例えば、スロットル開度、燃料噴射量、点火時期、等）の目標値が変更される。
一方、学習モデルの学習は、第一ＥＣＵ６１1の学習部９３において行われる。学習部９３は、学習モデルの入力パラメータの実測値と学習モデルの出力パラメータの実測値とを含む教師データを用いて、学習モデルの学習を行う。入力パラメータの実測値は、第一予測値出力部９１1及び第二予測値出力部９１2の各々に入力される場合と同様に取得される。また、出力パラメータとしてトルクを用いた場合、その実測値はトルクセンサ８０の出力値から取得される。なお、第二ＥＣＵ６１2は、上述したように学習機能を有さないため、第二ＥＣＵ６１2では、学習モデルの学習は行われない。
≪サーバ≫
図７は、サーバ１３０の概略構成図である。図７に示されるように、サーバ１３０は、サーバ通信部１３１と、サーバ記憶部１３２と、ＣＰＵ等のプロセッサを含むサーバ処理部１３３と、を備える。これらサーバ通信部１３１、サーバ記憶部１３２及びサーバ処理部１３３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。
サーバ通信部１３１は、第一車両１１０及び第二車両１２０の各通信部６４に対して通信可能に構成されている。これら第一車両１１０及び第二車両１２０の各通信部６４とサーバ通信部１３１との間の通信は、各種通信規格に準拠した無線通信によって行われる。
サーバ記憶部１３２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、サーバ処理部１３３において実行されるプログラムや、サーバ処理部１３３によって各種処理が実行されるときに使用される各種データ等を記憶する。本実施形態では、サーバ記憶部１３２には、各第一ＥＣＵ６１1からサーバ通信部１３１を介して受信した各第一車両情報及び学習後の学習モデルが記憶されている。
図７に示されるように、サーバ処理部１３３は、機能モジュールとして、選択部１３４と、サーバ側モデル送信部１３５と、を備える。選択部１３４は、第一ＥＣＵ６１1の各々から受信した各第一車両情報のうち、第一車両１１０の使用環境及び使用状況が第二ＥＣＵ６１2から受信した第二車両情報に含まれる第二車両１２０の使用環境及び使用状況に最も近い第一車両情報を選択する。サーバ側モデル送信部１３５は、選択部１３４において選択された第一車両情報に関連付けられた学習後の学習モデルをサーバ通信部１３１を介して第二ＥＣＵ６１2に送信する。
≪問題点≫
ところで、学習モデルとして、メーカ等によって出荷前に代表的な車両に対して学習された標準的なモデルを用いた場合には、その学習モデルには各車両の使用環境や使用状況が反映されていない。したがって、斯かる学習モデルを用いて出力パラメータの値を推定すると、斯かる学習モデルから出力された出力パラメータの予測値とその出力パラメータの実際の値との間には誤差が生じる可能性がある。
そこで、学習モデルにおける重みｗに車両の使用環境や使用状況を反映させて学習モデルの予測精度を向上させるべく、第一ＥＣＵ６１1の学習部９３は、車両の運転中に取得した教師データを用いて重みｗの学習を行う。ところが、斯かる学習モデルの学習は計算負荷が高いため、高性能なＣＰＵ等が必要となる。そのため、斯かる学習モデルの学習を行う制御装置を適用できる車両は、第一車両１１０のような一部の車両に限定される。従って、第二車両１２０のように学習モデルの学習機能を有さない制御装置を用いる他の一部の車両において、その車両に特有の使用環境や使用状況を学習モデルに反映させることは困難である。
≪他の車両の制御装置で学習された学習モデルの使用≫
そこで、本実施形態では、第二車両１２０の第二ＥＣＵ６１2は、第一車両１１０の第一ＥＣＵ６１1の学習部９３において学習された学習後の学習モデルを用いて、内燃機関１を制御する。特に、第二車両１２０の第二ＥＣＵ６１2は、各第一車両１１０の第一ＥＣＵ６１1から送信された第一車両１１０の使用環境及び使用状況を含む第一車両情報のうち、第二車両１２０の使用環境及び使用状況に最も近い第一車両情報に関連付けられた学習後の学習モデルを用いて、内燃機関１を制御する。これにより、第二車両１２０のように学習機能を有さない制御装置を用いる車両が、その車両の使用環境や使用状況に応じて内燃機関を適切に制御することが可能となる。その結果、斯かる車両においても、学習モデルの予測誤差が低減され得る。以下、本実施形態に係る内燃機関の制御システム１００について詳細に説明する。
≪シーケンス図≫
図８は、本実施形態に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。図８に示されるように、ステップＳ１０１では、第一ＥＣＵ６１1において、学習部９３が、入力パラメータの実測値と出力パラメータの実測値とを含む教師データを用いて、第一予測値出力部９１1で用いられる学習モデルの学習を行う。具体的には、学習部９３は、ニューラルネットワークの各重みｗの更新を行う。この学習は、内燃機関の運転中にニューラルネットワークにおける重みやバイアスを学習するのに必要な一連の教師データ（教師データのデータセット）が取得された後の所定のタイミングで実行される。その後、所定の学習終了条件が成立すると、学習部９３は学習モデルの学習を終了する。ここで、所定の学習終了条件としては、例えば、最後の重みの更新前後での重みｗの変化量が所定の値以下であることや、重みｗの更新回数が所定の回数に達したこと等、が挙げられる。
ステップＳ１０２では、第一ＥＣＵ６１1において、車両側モデル送信部９４が、第一ＥＣＵ６１1の通信部６４を介して、第一車両１１０の使用環境及び使用状況を含む第一車両情報と、学習部９３による学習後の学習モデル（具体的には、学習後の学習モデルの重みｗやバイアスｂのデータ）と、を互いに関連付けてサーバ１３０に送信する。第一車両１１０の使用環境及び使用状況は、第一ＥＣＵ６１1の記憶部６３に記憶されている。ステップＳ１０２における第一車両情報及び学習後の学習モデルの送信は、例えば所定回数の学習モデルの学習の完了毎に実行される。
ここで、使用環境は、その車両外部の環境に関する情報の種類に応じて設定された少なくとも１つの情報項目データを含む。使用環境は、例えば、地域（都道府県や地方など）毎の使用割合、道路形状（カーブの曲率、路面の傾斜（上り坂、下り坂）など）の出現頻度、車両使用時の渋滞の有無の割合、気象情報（天候毎の出現割合、平均気温、平均風速、風向きなど）及び時間帯（朝、昼、夜など）毎の使用割合のうち少なくとも１つの情報項目データを含む。また、使用状況は、その車両内部の状況に関する情報の種類に応じて設定された少なくとも１つの情報項目データを含む。使用状況は、例えば、車両発進時におけるアクセルペダル８１の踏み込み量の平均値、ヘッドライトの点灯状況、エアコンの駆動状況のうち少なくとも１つの情報項目データを含む。
使用地域、走行経路及び道路形状は、例えば、ＧＰＳから取得した位置情報及び記憶部６３に記憶された地図情報に基づいて取得される。道路の渋滞状況及び気象情報は、例えば、道路交通情報通信システムセンタなどの外部の通信センタから送信される渋滞情報や天候、気温、風速、風向き等の情報から取得される。アクセルペダル８１の踏み込み量の平均値は、例えば、負荷センサ８２の出力値に基づいて第一ＥＣＵ６１1により取得される。使用時間帯、ヘッドライトのオンオフ状況及びエアコンの駆動状況は、例えば、第一ＥＣＵ６１1により取得される。
ステップＳ１０３では、サーバ１３０において、サーバ記憶部１３２が、サーバ通信部１３１を介して第一車両１１０の各々から受信した各第一車両情報及び学習後の学習モデルを記憶する。
ステップＳ１０４では、第二ＥＣＵ６１2において、モデル要求送信部９５が、第二ＥＣＵ６１2の通信部６４を介して、学習後の学習モデルを要求するモデル要求と、第二車両１２０の使用環境及び使用状況を含む第二車両情報と、をサーバ１３０に送信する。第二車両１２０の使用環境及び使用状況は、第二ＥＣＵ６１2の記憶部６３に記憶されている。この第二車両情報における使用環境及び使用状況は、第一車両情報における使用環境及び使用状況に含まれる情報項目データと同様の情報項目データを含む。この第二車両情報における使用環境及び使用状況に含まれる各情報項目データは、第一車両情報における使用環境及び使用状況に含まれる各情報項目データと同様の方法により取得される。なお、このモデル要求及び第二車両情報は、第二車両１２０へのユーザ入力に応答して送信されてもよいし、所定期間が経過するごとに自動的に送信されてもよい。
ステップＳ１０５では、サーバ１３０において、選択部１３４が、サーバ記憶部１３２に記憶された各第一車両情報のうち、第一車両１１０の使用環境及び使用状況が第二ＥＣＵ６１2から受信した第二車両情報に含まれる第二車両１２０の使用環境及び使用状況に最も近い第一車両情報を選択する。例えば、選択部１３４は、第一車両情報及び第二車両情報における使用環境及び使用状況について各情報項目データをベクトル要素としてベクトル化し、これらベクトル同士の距離を算出する。具体的には、選択部１３４は、例えば、使用環境についての情報項目データである平均気温及び平均風速（気象情報）を含む場合、第一車両１１０及び第二車両１２０の各々の使用中の平均気温及び平均風速をベクトル要素として第一車両情報及び第二車両情報における使用環境及び使用状況をそれぞれベクトル化し、このベクトル同士の距離を算出する。そして、選択部１３４は、各第一車両情報のうち、算出したベクトル間の距離が最も小さい第一車両情報を選択する。以上の処理は公知の技術により実現可能であるため、詳しい説明を省略する。なお、この学習後の学習モデルを選択する方法は上述したものに限らない。公知の他の方法により、学習後の学習モデルが選択されてもよい。
ステップＳ１０６では、サーバ１３０において、サーバ側モデル送信部１３５が、選択部１３４において選択された第一車両情報に関連付けられた学習後の学習モデルを、サーバ通信部１３１を介して第二ＥＣＵ６１2に送信する。そして、第二ＥＣＵ６１2のモデル受信部９６が、第二ＥＣＵ６１2の通信部６４を介してサーバ１３０から学習後の学習モデルを受信する。
ステップＳ１０７では、第二ＥＣＵ６１2において、第二予測値出力部９１2が、サーバ１３０から受信した学習後の学習モデルを用いて、出力パラメータの予測値（本実施形態では、トルクの予測値）を出力する。
ステップＳ１０８では、第二ＥＣＵ６１2において、第二機関制御部９２2が、この学習後の学習モデルを用いて第二予測値出力部９１2から出力された出力パラメータの予測値に基づいて、内燃機関１を制御する。
＜変形例＞
次に、図９を用いて、第一実施形態の変形例に係る内燃機関の制御システムについて説明する。図９は、本変形例に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。なお、ステップＳ２０１乃至Ｓ２０５、Ｓ２１１乃至Ｓ２１３における制御はそれぞれ図８のステップＳ１０１乃至Ｓ１０８における制御と同様であるため、説明を省略する。
ステップＳ２０６では、サーバ１３０が、選択部１３４において選択された第一車両情報の送信元となる第一ＥＣＵ６１1に、その第一車両情報に関連付けられた学習後の学習モデルの使用を要求するモデル使用要求を送信する。第一ＥＣＵ６１1がこのモデル使用要求を受信した後、例えば、第一車両１１０の表示部（不図示）には、第二車両１２０のユーザがその第一車両１１０の学習部９３で学習された学習モデルを他の車両で使用することを求める旨が表示される。その後、第一車両１１０のユーザは、学習後の学習モデルの使用を許可するか否かを判断する。第一車両１１０のユーザによって第一車両１１０のユーザ入力装置（不図示）を介してその学習後の学習モデルの使用を許可する旨のユーザ入力がなされた場合、第一ＥＣＵ６１1はステップＳ２０７を実行する。
ステップＳ２０７では、第一ＥＣＵ６１1が、その学習後の学習モデルの使用を許可することを示すモデル使用許可をサーバ１３０に送信する。
なお、例えば、第一車両１１０の購入時に、ユーザとの間で第一ＥＣＵ６１1の学習部９３において学習された学習モデルを他の車両で使用することを許可する旨の契約等が予めなされていた場合には、ステップＳ２０６及びステップＳ２０７は省略されてもよい。
ステップＳ２０８では、サーバ１３０が、学習後の学習モデルの使用に対する対価の支払処理の実行可否の確認及び対価の額を第二ＥＣＵ６１2に送信する。第二ＥＣＵ６１2がこれら可否の確認及び対価の額を受信した後、例えば、第二車両１２０の表示部（不図示）には、対価の支払処理を実行することを許可するか否かの応答を求める旨及び対価の額が表示される。第二車両１２０のユーザによって第二車両１２０のユーザ入力装置（不図示）を介してその対価の支払処理を許可する旨のユーザ入力がなされた場合、第二ＥＣＵ６１2はステップＳ２０９を実行する。なお、この対価の額は、例えば、サーバ１３０において適宜設定される。
ステップＳ２０９では、第二ＥＣＵ６１2が、対価の支払処理を実行することを許可する対価の支払処理の実行許可をサーバ１３０に送信する。
なお、例えば、第二車両１２０の購入時に、ユーザとの間で他の車両の制御装置において学習された学習モデルの使用に対する対価の支払いを許可する旨の契約等が予めなされていた場合には、ステップＳ２０８及びステップＳ２０９は省略されてもよい。
ステップＳ２１０では、サーバ１３０が、第二車両１２０のユーザから第一車両１１０のユーザに対して、第一ＥＣＵ６１1の学習部９３において学習された学習モデルの使用に対する対価の支払処理を実行する。対価の支払い処理は、例えば、ビットコイン等の仮想通貨によって行われる。対価の支払い処理は公知の方法を適用すればよいため、その説明を省略する。
なお、対価を支払う方法としては、ステップＳ２０９のように第二ＥＣＵ６１2が第一車両１１０のユーザに対価を直接支払うのではなく、例えば、第二車両１２０のユーザが月額の使用料金をサーバ１３０を運用するサーバ管理者に支払い、サーバ管理者が第一車両１１０のユーザに対して月額の対価を支払うようにしてもよい。
対価の支払い処理が完了した後、サーバ１３０がステップＳ２１１を実行する。
＜第二実施形態＞
次に、第二実施形態に係る内燃機関の制御システム２００について説明する。以下では、第一実施形態に係る内燃機関の制御システム１００の構成とは異なる部分を中心に説明する。
図１０は、第二実施形態に係る内燃機関の制御システムの概略構成図である。図１０に示されるように、本実施形態に係る制御システム２００は、内燃機関の制御装置６０1がそれぞれ搭載された複数の第一車両１１０と、内燃機関の制御装置６０2が搭載された第二車両１２０と、を備える。各第一車両１１０の第一ＥＣＵ６１1及び第二車両１２０の第二ＥＣＵ６１2は、ネットワークＮＷを介して互いに通信可能に構成されている。
図１１は、第二実施形態における第二ＥＣＵ６１2の第二処理部６５2の概略構成図である。図１１に示されるように、第二処理部６５2は、機能モジュールとして、第二予測値出力部９１2と、第二機関制御部９２2と、モデル要求送信部９５と、モデル受信部９６と、選択部９７と、を備える。
図１２は、本実施形態に係る内燃機関の制御システムにより実行される処理の一例を示すシーケンス図である。なお、ステップＳ３０１及びＳ３０７における制御は図８のステップＳ１０１及びＳ１０８における制御と同様であるため、その説明を省略する。
ステップＳ３０２では、第二ＥＣＵ６１2において、モデル要求送信部９５が、学習後の学習モデルを要求するモデル要求を各第一ＥＣＵ６１1に送信する。
ステップＳ３０３では、第一ＥＣＵ６１1において、車両側モデル送信部９４が、モデル要求に応答して、第二ＥＣＵ６１2に第一車両情報及び学習後の学習モデルを互いに関連付けて送信する。そして、第二ＥＣＵ６１2のモデル受信部９６が、第一ＥＣＵ６１1の各々から第一車両情報及び学習後の学習モデルを受信する。
ステップＳ３０４では、第二ＥＣＵ６１2において、記憶部６３が、第一車両１１０の各々から受信した各第一車両情報及び学習後の学習モデルを記憶する。
ステップＳ３０５では、第二ＥＣＵ６１2において、選択部９７が、第二ＥＣＵ６１2の記憶部６３に記憶された各第一車両情報のうち、第二ＥＣＵ６１2の記憶部６３に記憶された第二車両１２０の使用環境及び使用状況に最も近い第一車両情報を選択する。ステップＳ３０５における第一車両情報の選択は、例えば、モデル要求を送信してから、所定の数の第一車両情報が第二ＥＣＵ６１2の記憶部６３に記憶された場合に実行される。この第一車両情報を選択する方法は図８のステップＳ１０５における方法と同様であるため、その説明を省略する。
ステップＳ３０６では、第二ＥＣＵ６１2において、第二予測値出力部９１2が、選択部９７において選択された第一車両情報に関連付けられた学習後の学習モデルを用いて、出力パラメータの予測値を出力する。
ここで、第一実施形態では、第二ＥＣＵ６１2のモデル受信部９６は、サーバ１３０から、各第一ＥＣＵ６１1の学習部９３において学習された学習後の学習モデルのうち、第一車両１１０の使用環境及び使用状況が第二車両１２０の使用環境及び使用状況に最も近い第一車両情報に関連付けられた学習後の学習モデルを受信する。そして、第二ＥＣＵ６１2の第二予測値出力部９１2は、この受信した学習後の学習モデルを用いて出力パラメータの予測値を出力する。
一方、第二実施形態では、第二ＥＣＵ６１2のモデル受信部９６は、第一ＥＣＵ６１1の各々から第一車両情報及び学習後の学習モデルを受信する。そして、第二ＥＣＵ６１2の第二予測値出力部９１2は、受信した学習後の学習モデル、すなわち各第一ＥＣＵ６１1の学習部９３において学習された学習後の学習モデルのうち、第一車両１１０の使用環境及び使用状況が第二車両１２０の使用環境及び使用状況に最も近い第一車両情報に関連付けられた学習後の学習モデルを用いて、出力パラメータの予測値を出力している。
以上をまとめると、第一実施形態及び第二実施形態では、第二ＥＣＵ６１2の第二予測値出力部９１2は、各第一ＥＣＵ６１1の学習部９３において学習された学習後の学習モデルのうち、第一車両１１０の使用環境及び使用状況が第二車両１２０の使用環境及び使用状況に最も近い第一車両情報に関連付けられた学習後の学習モデルを用いる、といえる。
なお、上記実施形態では、第一車両情報及び第二車両情報は、それぞれ、その車両の使用環境及び使用状況を含むものとしたが、使用環境及び使用状況のうち少なくとも一方を含めばよい。また、上記実施形態では、学習モデルとしてニューラルネットワークを用いたものを例に説明したが、他の機械学習モデルを用いてもよい。また、上述した各パラメータの実測値の取得方法はあくまで一例であり、各パラメータの実測値は他の方法によっても取得することもできる。
１ 内燃機関
１０ 機関本体
９１ 予測値出力部
９２ 機関制御部
９３ 学習部
９４ 車両側モデル送信部
９５ モデル要求送信部
９６ モデル受信部
９７、１３４ 選択部
１３５ サーバ側モデル送信部

Claims (6)

  1. 複数の第一車両にそれぞれ搭載された、内燃機関の制御に用いる学習モデルの学習機能を有する第一電子制御ユニットと、第二車両に搭載された、前記学習機能を有さない第二電子制御ユニットとを備えた内燃機関の制御システムであって、
    前記第一電子制御ユニット及び前記第二電子制御ユニットは、
    入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する予測値出力部と、
    前記予測値出力部から出力された前記予測値に基づいて、内燃機関を制御する機関制御部と、
    をそれぞれ含み、
    前記第一電子制御ユニットは、
    前記入力パラメータの実測値と前記出力パラメータの実測値とを含む教師データを用いて、前記第一電子制御ユニットの予測値出力部で用いられる学習モデルの学習を行う学習部と、
    前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記学習後の学習モデルと、を互いに関連付けて送信する車両側モデル送信部と、
    をさらに含み、
    前記第二電子制御ユニットは、前記学習後の学習モデルを受信するモデル受信部をさらに含み、
    前記第二電子制御ユニットの予測値出力部は、各第一電子制御ユニットの前記学習部において学習された前記学習後の学習モデルのうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報に関連付けられた学習後の学習モデルを用いる、内燃機関の制御システム。
  2. 前記内燃機関の制御システムは、前記第一電子制御ユニット及び前記第二電子制御ユニットに対して通信可能に構成されたサーバをさらに備え、
    前記第二電子制御ユニットは、前記学習後の学習モデルを要求するモデル要求と、前記第二車両の使用環境及び使用状況のうち少なくとも一方を含む第二車両情報と、を前記サーバに送信するモデル要求送信部をさらに含み、
    前記サーバは、
    前記第一電子制御ユニットの各々から受信した各第一車両情報のうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二電子制御ユニットから受信した前記第二車両情報に含まれる前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報を選択する選択部と、
    前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを前記第二電子制御ユニットに送信するサーバ側モデル送信部と、
    を含む、請求項１に記載の内燃機関の制御システム。
  3. 前記モデル受信部は、前記第一電子制御ユニットの各々から前記第一車両情報をさらに受信し、
    前記第二電子制御ユニットは、前記第一電子制御ユニットの各々から受信した第一車両情報のうち、前記最も近い第一車両情報を選択する選択部をさらに含み、
    前記第二電子制御ユニットの予測値出力部は、前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを用いる、請求項１に記載の内燃機関の制御システム。
  4. 複数の第一車両にそれぞれ搭載された、内燃機関の制御に用いる学習モデルの学習機能を有する電子制御ユニットと、第二車両に搭載された、前記学習機能を有さない電子制御ユニットとを備えた内燃機関の制御システムの前記第二車両において用いられる電子制御ユニットであって、
    前記第二車両の電子制御ユニットは、
    入力パラメータの実測値が入力されると、学習モデルを用いて、出力パラメータの予測値を出力する予測値出力部と、
    前記予測値出力部から出力された前記予測値に基づいて、前記第二車両の内燃機関を制御する機関制御部と、
    前記複数の第一車両の電子制御ユニットの各々において学習された学習後の学習モデルを受信するモデル受信部と、を含み、
    前記予測値出力部は、前記複数の第一車両の電子制御ユニットの各々において学習された前記学習後の学習モデルのうち、使用環境及び使用状況のうち少なくとも一方が前記第二車両の前記使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両の電子制御ユニットにおいて学習された前記学習後の学習モデルを用いる、電子制御ユニット。
  5. 複数の第一車両にそれぞれ搭載された、内燃機関の制御に用いる学習モデルの学習機能を有する第一電子制御ユニットと、第二車両に搭載された、前記学習機能を有さない第二電子制御ユニットとに対して通信可能に構成されたサーバであって、
    前記サーバは、
    前記第一電子制御ユニットの各々から、前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記第一電子制御ユニットにおいて学習され且つ前記第一車両情報に関連付けられた学習後の学習モデルと、を受信し、
    前記第二電子制御ユニットから、前記学習後の学習モデルを要求するモデル要求と、前記第二車両の使用環境及び使用状況のうち少なくとも一方を含む第二車両情報と、を受信し、
    受信した各第一車両情報のうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記受信した第二車両情報に含まれる前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報を選択し、
    前記選択された第一車両情報に関連付けられた前記学習後の学習モデルを前記第二電子制御ユニットに送信する、サーバ。
  6. 複数の第一車両にそれぞれ搭載された、内燃機関の制御に用いる学習モデルの学習機能を有する第一電子制御ユニットと、第二車両に搭載された、前記学習機能を有さない第二電子制御ユニットとを備えた内燃機関の制御システムにおける内燃機関の制御方法であって、
    前記第一電子制御ユニットが、学習モデルの入力パラメータの実測値と学習モデルの出力パラメータの実測値とを含む教師データを用いて、前記第一電子制御ユニットの予測値出力部で用いられる学習モデルの学習を行うステップと、
    前記第一電子制御ユニットが、前記第一車両の使用環境及び使用状況のうち少なくとも一方を含む第一車両情報と、前記学習後の学習モデルと、を互いに関連付けて送信するステップと、
    前記第二電子制御ユニットは、前記学習後の学習モデルを受信するステップと、
    前記第二電子制御ユニットが、前記入力パラメータの実測値が入力されると、前記受信した学習後の学習モデルを用いて、前記出力パラメータの予測値を出力するステップと、
    前記第二電子制御ユニットが、前記出力された予測値に基づいて、内燃機関を制御するステップと、
    を含み、
    前記予測値を出力するステップは、各第一電子制御ユニットにおいて学習された前記学習後の学習モデルのうち、前記第一車両の使用環境及び使用状況のうち少なくとも一方が前記第二車両の使用環境及び使用状況のうち少なくとも一方に最も近い前記第一車両情報に関連付けられた前記学習後の学習モデルを用いる、内燃機関の制御方法。
JP2018206562A 2018-11-01 2018-11-01 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法 Active JP6741057B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018206562A JP6741057B2 (ja) 2018-11-01 2018-11-01 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法
US16/591,968 US10825267B2 (en) 2018-11-01 2019-10-03 Control system of internal combustion engine, electronic control unit, server, and control method of internal combustion engine
DE102019127016.2A DE102019127016B4 (de) 2018-11-01 2019-10-08 Steuerungssystem einer Verbrennungskraftmaschine, elektronische Steuerungseinheit, Server und Steuerungsverfahren einer Verbrennungskraftmaschine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018206562A JP6741057B2 (ja) 2018-11-01 2018-11-01 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法

Publications (2)

Publication Number Publication Date
JP2020070774A JP2020070774A (ja) 2020-05-07
JP6741057B2 true JP6741057B2 (ja) 2020-08-19

Family

ID=70457795

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018206562A Active JP6741057B2 (ja) 2018-11-01 2018-11-01 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法

Country Status (3)

Country Link
US (1) US10825267B2 (ja)
JP (1) JP6741057B2 (ja)
DE (1) DE102019127016B4 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6690757B1 (ja) * 2019-04-16 2020-04-28 トヨタ自動車株式会社 燃料蒸気排出防止システムの異常検出装置
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
JP2021196777A (ja) * 2020-06-11 2021-12-27 トヨタ自動車株式会社 機械学習装置、機械学習システム、機械学習方法、及びプログラム
JP6935837B1 (ja) * 2020-08-20 2021-09-15 トヨタ自動車株式会社 機械学習装置及び機械学習システム
JP7010343B1 (ja) 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
CN112648087B (zh) * 2020-12-07 2023-04-18 潍柴动力股份有限公司 发动机egr阀自学习控制方法及装置
JP7759029B2 (ja) * 2021-10-29 2025-10-23 株式会社トランストロン 制御装置、制御方法、および制御プログラム
CN116123062A (zh) * 2022-12-30 2023-05-16 四川轻化工大学 一种压缩机进气气量自适应控制方法、系统及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003051095A (ja) * 2001-08-07 2003-02-21 Mazda Motor Corp 自動車の制御ゲイン変更用サーバ、自動車の制御ゲイン変更方法、及び、自動車の制御ゲイン変更用プログラム
JP5426520B2 (ja) 2010-11-24 2014-02-26 本田技研工業株式会社 内燃機関の制御装置
US9328644B2 (en) * 2013-09-24 2016-05-03 GM Global Technology Operations LLC Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network
JP6471106B2 (ja) * 2016-01-19 2019-02-13 日立オートモティブシステムズ株式会社 車両制御装置、車両制御パラメータ学習システム
JP2020067762A (ja) 2018-10-23 2020-04-30 トヨタ自動車株式会社 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法
JP6848949B2 (ja) 2018-10-25 2021-03-24 トヨタ自動車株式会社 制御支援装置、車両、および制御支援システム

Also Published As

Publication number Publication date
US20200143607A1 (en) 2020-05-07
DE102019127016A1 (de) 2020-05-07
JP2020070774A (ja) 2020-05-07
DE102019127016B4 (de) 2024-07-25
US10825267B2 (en) 2020-11-03

Similar Documents

Publication Publication Date Title
JP6741057B2 (ja) 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法
JP6690743B1 (ja) 機械学習装置
JP6702390B2 (ja) 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
JP6741087B1 (ja) 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
JP6773099B2 (ja) 制御装置
US10991174B2 (en) Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system
CN111022206B (zh) 车辆用驱动装置的控制装置及方法、车载电子控制单元
JP6702380B2 (ja) 内燃機関の制御装置
JP7040571B2 (ja) 学習装置及びモデル学習システム
JP6699702B2 (ja) 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法
CN113392573A (zh) 用于创建经训练的人工神经网络的方法、用于预测车辆排放数据的方法和确定校准值的方法
CN114483275B (zh) 发动机和排放物控制系统
KR102558723B1 (ko) 연소 엔진의 질소산화물 배출 및 이산화탄소 배출을 최적화하기 위한 방법
JP2020062914A (ja) 情報提供装置
JP2020056378A (ja) 内燃機関の制御装置
CN109072798B (zh) 用于确定至少一个致动器的位置的方法
JP6939963B1 (ja) モデル学習システム及びサーバ
CN120056959A (zh) 车辆的能量管理方法
CN118423158A (zh) 用于控制发动机系统的操作的方法
JP2020045821A (ja) 内燃機関の制御装置
JP2020173716A (ja) 車載制御装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200131

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200131

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200217

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200331

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200528

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: 20200623

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200706

R151 Written notification of patent or utility model registration

Ref document number: 6741057

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151