机器学习装置制造方法及图纸

即使运转参数的值为预先设定的范围外，也能够得到合适的输出值。在用于使用神经网络来输出相对于机器的运转参数的值的输出值的机器学习装置中，在机器的运转参数的值为预先设定的范围外时，增大神经网络的输出层的前一个隐藏层的节点的个数，使用对新取得的机器的运转参数的值通过实测而得到的训练数据，以使根据机器的运转参数的值而变化的输出值与对应于机器的运转参数的值的训练数据之差变小的方式学习神经网络的权重。

Machine learning device

【技术实现步骤摘要】
【国外来华专利技术】机器学习装置
本专利技术涉及机器学习装置。
技术介绍
在使用神经网络的内燃机的控制装置中，如下的内燃机的控制装置是公知的：其基于内燃机转速、吸入空气量等内燃机的运转参数的值，以使向燃烧室内的吸入气体量与实际的向燃烧室内的吸入气体量一致的方式预先学习神经网络的权重，在内燃机运转时，使用学习了权重的神经网络，根据内燃机的运转参数的值来推定向燃烧室内的吸入气体量(例如参照专利文献1)。现有技术文献专利文献专利文献1：日本特开2012-112277号公报
技术实现思路
专利技术所要解决的课题另外，内燃机转速这样的与内燃机相关的特定类别的运转参数的值的使用范围能够根据内燃机的种类而预先设想，因此，通常，对于内燃机的运转参数的值的预先设想的使用范围，以使神经网络的输出值与向燃烧室内的实际的吸入气体量这样的实际的值之差变小的方式预先学习神经网络的权重。然而，实际上，内燃机的运转参数的值有时会成为预先设想的使用范围外，在该情况下，对于预先设想的使用范围外，由于未进行基于实际的值的学习，所以存在使用神经网络运算出的输出值会成为从实际的值大幅背离的值这一问题。这样的问题不限于内燃机的领域，而会在成为机器学习的对象的各种领域的机器中产生。为了解决上述问题，根据第一个专利技术，提供一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述的机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述的机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述的机器相关的特定类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述的机器相关的特定类别的运转参数的值通过实测而得到的训练数据及对预先设定的范围内的上述的机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述的机器相关的特定类别的运转参数的值的输出值。为了解决上述问题，根据第二个专利技术，提供一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述的机器相关的多个类别的运转参数的值的范围，并且预先设定有与上述的机器相关的多个类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述的机器相关的多个类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述的机器相关的多个类别的运转参数的值通过实测而得到的训练数据及对预先设定的范围内的上述的机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述的机器相关的多个类别的运转参数的值的输出值。为了解决上述问题，根据第三个专利技术，提供一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述的机器相关的多个类别的运转参数的值的范围，并且预先形成有与上述的机器相关的多个类别的运转参数的值的范围所对应的神经网络，在新取得的与上述的机器相关的多个类别的运转参数的值中的至少一个类别的运转参数的值为预先设定的范围外时，形成新的神经网络，使用对新取得的与上述的机器相关的多个类别的运转参数的值通过实测而得到的训练数据来学习新的神经网络的权重，使用学习了权重的神经网络来输出相对于与上述的机器相关的多个类别的运转参数的值的输出值。专利技术效果在上述的各专利技术中，在新取得的机器的运转参数的值为预先设定的范围外时，通过使神经网络的隐藏层的节点的个数增大或者通过制作新的神经网络，能够抑制在机器的运转参数的值成为了预先设定的范围外的值时，使用神经网络运算出的输出值成为从实际的值大幅背离的值。附图说明图1是内燃机的整体图。图2是示出神经网络的一例的图。图3A及图3B是示出Sigmoid函数σ的值的变化的图。图4A及图4B分别是示出神经网络和来自隐藏层的节点的输出值的图。图5A及图5B分别是示出来自隐藏层的节点的输出值和来自输出层的节点的输出值的图。图6A及图6B分别是示出神经网络和来自输出层的节点的输出值的图。图7A及图7B是用于说明通过本申请专利技术所要解决的课题的图。图8A及图8B分别是示出神经网络和神经网络的输入值与输出值的关系的图。图9是示出神经网络的图。图10是用于执行学习处理的流程图。图11是示出神经网络的变形例的图。图12是示出用于执行学习处理的另一实施例的流程图。图13是示出神经网络的图。图14A及图14B是示出内燃机转速等的预先设定的范围的图。图15是示出神经网络的变形例的图。图16是示出用于执行学习处理的又一实施例的流程图。图17是示出根据内燃机的运转参数的值而划分出的已学习划分区域的图。图18A、图18B及图18C分别是示出训练数据相对于内燃机转速和点火正时的分布、训练数据相对于点火正时和节气门开度的分布及训练数据与学习后的输出值的关系的图。图19A及图19B是示出训练数据与学习后的输出值的关系的图。图20是用于进行空调的自动调整的机器学习装置的整体图。图21是示出神经网络的图。图22A及图22B是示出气温等的预先设定的范围的图。图23是示出用于执行学习处理的又一实施例的流程图。图24A及图24B是示出气温等的预先设定的范围的图。图25是示出用于执行学习处理的又一实施例的流程图。图26是用于推定二次电池的劣化度的机器学习装置的整体图。图27是示出神经网络的图。图28A及图28B是示出气温等的预先设定的范围的图。图29是用于执行算出处理的流程图。图30是用于执行训练数据取得处理的流程图。图31是示出用于执行学习处理的又一实施例的流程图。图32A及图32B是示出气温等的预先设定的范围的图。图33是示出用于执行学习处理的又一实施例的流程图。具体实施方式<内燃机的整体结构>首先，对将本专利技术的机器学习装置应用于内燃机的情况进行说明。参照示出内燃机的整体图的图1，1表示内燃机主体，2表示各气缸的燃烧室，3表示配置于各气缸的燃烧室2内的火花塞，4表示用于向各气缸供给燃料(例如，汽油)的燃料喷射阀，5表示平衡罐，6表示进气支管，7表示排气歧管。平衡罐5经由进气管道8而连结于排气涡轮增压器9的压缩机9a的出口，压缩机9a的入口经由吸入空气量检测器10而连结于空气滤清器11。在进气管道8内配置有由致动器13驱动的节气门12，在节气门12安装有用于检测节气门开度的节气门开度传感器14。另外，在进气管道8周围配置有用于冷却在进气管道8内流动的吸入空气的中冷器15。另一方面，排气歧管7连结于排气涡轮增压器9的排气涡轮机9b的入口，排气涡轮机9b的出口经由排气管16而连结于排气净化用催化转换器17。排气歧管7与平衡罐5经由废气再循环(以下，称作EGR)通路18而互相连结，在EGR通路18内配置有EGR控制阀19。各燃料喷射阀4连结于燃料分配管20，该燃料分配管20经由燃料泵21而连结于燃料箱22。在排气管16内配置有用于检测废气中的NOX浓度的NOX传感器23。另外，在空气滤清器11内配置有用于检测大气温的大气温传感器24。电子控制单元30由数字计算机构成，具备通过双向性总线31而互相连接的RO本文档来自技高网...

【技术保护点】
1.一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及对该预先设定的范围内的上述机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的输出值。

【技术特征摘要】
【国外来华专利技术】2018.02.05 JP 2018-018425;2018.11.19 JP 2018-216761.一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及对该预先设定的范围内的上述机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的输出值。2.根据权利要求1所述的机器学习装置，具备电子控制单元，该电子控制单元具备：参数值取得部，取得与上述机器相关的特定类别的运转参数的值；运算部，使用包含输入层、隐藏层及输出层的神经网络来进行运算；及存储部，与上述机器相关的特定类别的运转参数的值被向输入层输入，根据与上述机器相关的特定类别的运转参数的值而变化的输出值被从输出层输出，其中，预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，对该预先设定的范围内的与上述机器相关的特定类别的运转参数的值通过实测而事先求出的训练数据存储于存储部，在新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围内时，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据，利用该运算部，以使根据新取得的与上述机器相关的特定类别的运转参数的值而变化的输出值与对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据之差变小的方式学习神经网络的权重，在由该参数值取得部新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，与对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据的个数的增大或将该训练数据的个数除以表示运转参数的值的预先设定的范围的最大值及最小值的差值而得到的数据密度的增大相应地，使神经网络的输出层的前一个隐藏层的节点的个数增大，并且使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及该事先求出的训练数据，利用该运算部，以使根据该预先设定的范围内及该预先设定的范围外的与上述机器相关的特定类别的运转参数的值而变化的输出值与对应于与上述机器相关的特定类别的运转参数的值的训练数据之差变小的方式学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的输出值。3.根据权利要求1所述的机器学习装置，具备电子控制单元，该电子控制单元具备：参数值取得部，取得与上述机器相关的特定类别的运转参数的值；运算部，使用包含输入层、隐藏层及输出层的神经网络来进行运算；及存储部，与上述机器相关的特定类别的运转参数的值被向输入层输入，根据与上述机器相关的特定类别的运转参数的值而变化的多个输出值被从输出层输出，其中，预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，对该预先设定的范围内的与上述机器相关的特定类别的运转参数的值通过实测而事先求出的训练数据存储于存储部，在由该参数值取得部新取得的上述机器的运转参数的值为预先设定的范围内时，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据，利用该运算部，以使根据与上述机器相关的特定类别的运转参数的值而变化的多个输出值与对应于与上述机器相关的特定类别的运转参数的值的训练数据之差变小的方式学习神经网络的权重，在由该参数值取得部新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，与对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据的个数的增大或将该训练数据的个数除以表示预先设定的范围的最大值及最小值的差值而得到的数据密度的增大相应地，使神经网络的输出层的前一个隐藏层的节点的个数增大，并且使用对该预先设定的范围内及该预先设定的范围外的新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及该事先求出的训练数据，利用该运算部，以使根据与上述机器相关的特定类别的运转参数的值而变化的多个输出值与对应于与上述机器相关的特定类别的运转参数的值的训练数据之差变小的方式学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的多个输出值。4.一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，预先设定有与上述机器相关的多个类别的运转参数的值的范围，并且预先设定有与上述机器相关的多个类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述机器相关的多个类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述机器相关的多个类别的运转参数的值通过实测而得到的训练数据及对该预先设定的范围内的上述机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的多个类别的运转参数的值的输出值。5.根据权利要求4所述的机器学习装置，具备电子控制单元，该电子控制单元具备：参数值取得部，取得与上述机器相关的多个类别的运转参数的值；运算部，使用包含输入层、隐藏层及输出层的神经网络来进行运算；及存储部，与上述机器相关的多个类别的运转参数的值被向输入层输入，根据与上述机器相关的多个类别的运转参数的值而变化的输出值被从输出层输出，其中，关于与上述机器相关的多个类别的运转参数的各个，预先设定有各类别的运转参数的值的范围，并且预先设定有与上述机器相关的多个类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，对多个类别的运转参数的值通过实测而事先求出且各类别的运转参数的值为该预先设定的范围内的训练数据存储于存储部，在由该参数值取得部新取得的上述机器的多个运转参数的值分别为预先设定的范围内时，使用对新取得的与上述机器相关的多个类别的运转参数的值通过实测而得到的训练数据，利用该运算部，以使根据与上述机器相关的多个类别的运转参数的值而变化的输出...

【专利技术属性】
技术研发人员：北川荣来，江原雅人，
申请(专利权)人：丰田自动车株式会社，
类型：发明
国别省市：日本,JP