特開 2024-158745 車両評価方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024158745

(43)【公開日】2024-11-08

(54)【発明の名称】車両評価方法

(51)【国際特許分類】

   G01M 17/007 20060101AFI20241031BHJP

【ＦＩ】

G01M17/007 H

【審査請求】未請求

【請求項の数】1

【出願形態】ＯＬ

(21)【出願番号】P 2023074240

(22)【出願日】2023-04-28

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110001210

【氏名又は名称】弁理士法人ＹＫＩ国際特許事務所

(72)【発明者】

【氏名】秋篠 亮太

(72)【発明者】

【氏名】味間 弘喜

(57)【要約】

【課題】車両を評価するモデルの精度を維持しつつ予測及び計算時間の削減を図ること、及び、簡易な方法によってモデルを作成すること。
【解決手段】車両評価方法は、車両を評価するための時系列学習データを取得するステップと、時系列学習データに基づいてＬＴＩモデルを作成するステップと、時系列学習データとＬＴＩモデルから出力される予測データとに基づいてＬＳＴＭモデルを作成するステップと、ＬＴＩモデルとＬＳＴＭモデルとを組み合わせることで、時系列学習データから出力データを得るためのＲＯＭを作成するステップと、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

車両を評価するための時系列学習データを取得するステップと、
前記時系列学習データに基づいてＬＴＩモデルを作成するステップと、
前記時系列学習データと前記ＬＴＩモデルから出力される予測データとに基づいてＬＳＴＭモデルを作成するステップと、
前記ＬＴＩモデルと前記ＬＳＴＭモデルとを組み合わせることで、前記時系列学習データから出力データを得るためのＲＯＭを作成するステップと、
を含む車両評価方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、車両を評価する方法に関する。

【背景技術】

【0002】

特許文献１には、車両モデルのシミュレーションの精度を維持しつつその計算量を削減する方法が記載されている。具体的には、複数のユニットモデルによって構成された車両モデルから、テストしたい車両性能に応じて、縮退の対象となるユニットモデル及び計算項目を選択して縮退させることが記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１６－０４２２８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載の発明では、複数の車両モデルから、テストした車両性能に応じて縮退対象を選択するためには、専門的な知識や経験が必要となる。そのため、モデルの活用までに時間を要する。また、モデルの予測精度を向上させるためには、複数種類の入力データ及び複数の出力データを学習データとして用いる必要があり、また、中間特性のデータが必要となる。そのため、学習データの収集のための測定や計算が増えるので、モデルの作成に要する時間が増大する。

【0005】

本開示の目的は、車両を評価するモデルの精度を維持しつつ予測及び計算時間の削減を図ること、及び、簡易な方法によってモデルを作成することにある。

【課題を解決するための手段】

【0006】

本開示の１つの態様は、車両を評価するための時系列学習データを取得するステップと、前記時系列学習データに基づいてＬＴＩモデルを作成するステップと、前記時系列学習データと前記ＬＴＩモデルから出力される予測データとに基づいてＬＳＴＭモデルを作成するステップと、前記ＬＴＩモデルと前記ＬＳＴＭモデルとを組み合わせることで、前記時系列学習データから出力データを得るためのＲＯＭを作成するステップと、を含む車両評価方法である。

【発明の効果】

【0007】

本開示によれば、車両を評価するモデルの精度を維持しつつ予測及び計算時間の削減を図ることができ、また、簡易な方法によってモデルを作成することができる。

【図面の簡単な説明】

【0008】

【図1】実施形態に係るＲＯＭシステムの構成を示すブロック図である。

【図2】実施形態に係るＲＯＭシステムを作成する処理の流れを示すフローチャートである。

【図3】実施形態に係るＲＯＭシステムを用いた処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0009】

図１には、実施形態に係るＲＯＭ（Reduced Order Model）システム１０が示されている。ＲＯＭシステム１０は、ＬＴＩ（Linear Time Invariant System）モデル１２と、ＬＳＴＭ（Long Short Term Memory）モデル１４と、を含む。

【0010】

ＬＴＩモデル１２は、制御分野技術であるＬＴＩシステムを用いて作成されるモデルである。例えば、時系列学習データから伝達関数Ｇ（ｓ）を推定することで、ＬＴＩモデル１２が作成される。

【0011】

ＬＳＴＭモデル１４は、ディープラーニングの手法であるＬＳＴＭシステムを用いて作成されるモデルであり、ニューラルネットワーク（例えば、ＲＮＮ（Recurrent Neural Network））に用いられるモデルである。例えば、時系列学習データとＬＴＩモデルから出力される予測データとを用いて学習することで、ＬＳＴＭモデル１４が生成される。

【0012】

ＲＯＭシステム１０においては、入力データが、ＬＴＩモデル１２とＬＳＴＭモデル１４とに入力され、ＬＴＩモデル１２から出力されたデータが、ＬＳＴＭモデル１４に入力される。ＬＳＴＭモデル１４によって出力データが得られる。

【0013】

ＲＯＭシステム１０を作成するために、コンピュータやサーバ等の処理装置が用いられる。例えば、処理装置は、プロセッサと記憶装置とを含む。プロセッサは、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processing）、そのたのプログラマブル論理デバイス又は電子回路等を含む。記憶装置は、ハードディスクドライブ又は各種のメモリ等を含む。

【0014】

以下、図２を参照して、ＲＯＭシステム１０を作成する処理について説明する。図２は、その処理の流れを示すフローチャートを示す。図２に示されている各処理は、例えば、処理装置のプロセッサによって実行される。その処理の実行のために記憶装置が用いられてもよい。

【0015】

まず、時系列の学習データＸ_ｔが準備される（Ｓ０１）。例えば、学習データＸ_ｔは、エンジントルク変動を表す時系列データである。

【0016】

次に、プロセッサは、振動解析用１Ｄモデルを用いることで、時系列の学習データＸ_ｔから時系列の学習データＹ_ｔを作成する。（Ｓ０２）。例えば、学習データＹ_ｔは、車両前後Ｇ（車両の前後方向のＧ（加速度））を表す時系列データである。

【0017】

次に、プロセッサは、ＬＴＩシステムを用いて学習を行い、時系列の学習データＸ_ｔ，Ｙ_ｔに基づいてＬＴＩモデル１２を作成する（Ｓ０３）。例えば、プロセッサは、時系列の学習データＸ_ｔ，Ｙ_ｔに基づいて、入力データである学習データＸ_ｔから出力データである学習データＹ_ｔを作成する伝達関数Ｇ（ｓ）を推定し、ＬＴＩモデル１２を作成する。

【0018】

次に、プロセッサは、時系列の学習データＸ_ｔをＬＴＩモデル１２に入力し、ＬＴＩモデル１２から時系列の予測データＹ_ｔ ^ＬＴＩを作成する（Ｓ０４）。予測データＹ_ｔ ^ＬＴＩは、推定された車両前後Ｇを表す時系列のデータである。

【0019】

次に、プロセッサは、ＬＳＴＭシステムを用いて学習を行い、時系列のデータＸ_ｔ，Ｙ_ｔ ^ＬＴＩに基づいてＬＳＴＭモデル１４を作成する（Ｓ０５）。プロセッサは、ＬＴＩモデル１２とＬＳＴＭモデル１４とを組み合わせることでＲＯＭシステム１０を作成する。

【0020】

ＬＳＴＭシステムを用いることで、専門的な知識や経験がなくてもモデルの縮退が可能となる。また、ＬＳＴＭモデル１４の作成の前処理として、ＬＴＩシステムを用いてＬＴＩモデル１２を作成することで、モデルの精度を維持することができる。また、入力データと出力データがそれぞれ１種類のデータで済むため、簡易的なＲＯＭシステム１０を作成することができる。複数種類の学習データを要しないため、モデルの作成に要する時間を削減することができる。また、簡易な方法によってＲＯＭシステム１０を作成することができる。

【0021】

以下、図３を参照して、ＲＯＭシステム１０を用いた処理について説明する。図３は、その処理の流れを示すフローチャートを示す。例えば、ＲＯＭシステム１０が、コンピュータやサーバ等の処理装置に組み込まれて、ＲＯＭシステム１０による処理が実行される。ここでは一例として、エンジンベンチによって排気浄化性能とＮＶ（Noise Vibration）性能とを評価するものとする。

【0022】

まず、エンジンベンチを用いて排気浄化性能を評価するときに、エンジントルクの変動を時系列で表すデータＸ^ｔｅｓｔを計測する（Ｓ１０）。

【0023】

時系列のデータＸ^ｔｅｓｔがＲＯＭシステム１０に入力され、ＲＯＭシステム１０は、時系列のデータＸ^ｔｅｓｔから時系列の出力データＹ^ｐｒｅｄを予測する（Ｓ１１）。出力データＹ^ｐｒｅｄは、車両前後Ｇを時系列で表す予測データである。

【0024】

時系列の出力データＹ^ｐｒｅｄがＮＶ性能の評価に用いられ、エンジンベンチで実測されたデータを用いて排気浄化性能が評価される（Ｓ１２）。例えば、ＮＶ性能と排気浄化性能とが同時にリアルタイムで評価される。

【0025】

例えば、排気浄化性能を評価するための触媒床温のデータと、ＮＶ性能を評価するための出力データＹ^ｐｒｅｄ（車両前後Ｇのデータ）とが、エンジンベンチのディスプレイに並べて表示される。具体的には、エンジンベンチによって触媒床温が実測され、触媒床温のデータがディスプレイに表示される。また、エンジン筒内圧センサによって各気筒内圧が計測され、燃焼解析装置によってエンジントルク変動が計算される。この計算によって時系列のデータＸ^ｔｅｓｔが生成される。時系列のデータＸ^ｔｅｓｔはＲＯＭシステム１０に入力され、これにより、車両前後Ｇを時系列で表す出力データＹ^ｐｒｅｄが出力され、出力データＹ^ｐｒｅｄがディスプレイに表示される。こうすることで、ＮＶ性能と排気浄化性能とを同時にリアルタイムで評価することができる。

【0026】

以上のように、本実施形態によれば、車両を評価するモデルの精度を維持しつつ、予測及び計算時間を削減することができる。また、簡易な方法によってモデルを作成することができるので、実際の開発現場において、モデル開発や車両運動性能解析の経験が少ない適合評価担当者であってもモデルを作成することができ、そのモデルを用いて車両を評価することができる。また、従来においては、人が縮退対象を選択していたため、人毎にモデルの信頼性や精度等がばらつくことがあった。本実施形態によれば、人が縮退対象を選択する必要がないため、人毎にモデルの信頼性や精度等がばらつくことはない。

【符号の説明】

【0027】

１０ ＲＯＭ、１２ ＬＴＩモデル、１４ ＬＳＴＭモデル。

【図1】

【図2】

【図3】