JP7666364B2

JP7666364B2 - Machine learning device, cooling temperature estimation device, cooling circuit control device, low-temperature circuit, on-board temperature control device, and computer program

Info

Publication number: JP7666364B2
Application number: JP2022037963A
Authority: JP
Inventors: 寛之杉原
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2022-03-11
Filing date: 2022-03-11
Publication date: 2025-04-22
Anticipated expiration: 2042-03-11
Also published as: JP2023132568A

Description

本発明は、機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラムに関する。 The present invention relates to a machine learning device, a cooling temperature estimation device, a cooling circuit control device, a low-temperature circuit, an on-board temperature control device, and a computer program.

モータや電池等の電動パワートレーン構成機器を冷却する冷却液の温度に基づいて、冷却回路に対する各種制御を行うことが知られている。例えば、ハイブリッドシステム冷却水をヒートポンプによって冷却するように構成された車両駆動システムの冷却装置が公知である（例えば、特許文献１参照。）。 It is known that various controls are performed on the cooling circuit based on the temperature of the coolant that cools the electric powertrain components such as the motor and the battery. For example, a cooling device for a vehicle drive system that is configured to cool the hybrid system coolant using a heat pump is known (see, for example, Patent Document 1).

特開２０１９－１８９００４号公報JP 2019-189004 A

電動パワートレーン構成機器の廃熱は、冬季のモータ及び電池等の暖機やヒートポンプの熱源として有効である。暖機と廃熱活用の両立を図るためには、電動パワートレーン構成機器から冷却液へ移動する熱量や冷却液温度を精度よく推定し制御する技術が重要である。冷却液制御においては、目標値（入力）に対する実際の冷却液温度（出力）の応答遅れが大きくかつ一定でない。フィードバック制御を用いた冷却液制御の場合、電動パワートレーン構成機器に対する制御目標値が変化すると、目標値変化に伴う発熱量変化が冷却液温度変化に反映されるまでに応答遅れが生じ、制御性が著しく低下する。この応答遅れは一定ではないことから、応答遅れ分を反映した正確な冷却液の推定及び制御は難しい。 Waste heat from electric powertrain components is effective as a heat source for warming up motors and batteries in winter and for heat pumps. To achieve both warming and utilizing waste heat, it is important to have technology that accurately estimates and controls the amount of heat transferred from electric powertrain components to the coolant and the coolant temperature. In coolant control, the response delay of the actual coolant temperature (output) relative to the target value (input) is large and not constant. In the case of coolant control using feedback control, when the control target value for the electric powertrain components changes, a response delay occurs before the change in heat generation due to the change in the target value is reflected in the change in coolant temperature, significantly reducing controllability. Because this response delay is not constant, it is difficult to accurately estimate and control the coolant to reflect the response delay.

本開示の要旨は以下の通りである。 The gist of this disclosure is as follows:

（１）電動パワートレーン構成機器への制御目標値と、電動パワートレーン構成機器の経年劣化に伴い変化するパラメータと、冷却回路構成機器への制御目標値と、前記冷却回路構成機器が作動することにより前記電動パワートレーン構成機器へ流れ込む冷却液についての前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを入力データセットとし、前記入力データセットと同時刻における前記電動パワートレーン構成機器から流れ出る前記冷却液についての前記電動パワートレーン構成機器の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う機械学習装置。
（２）上記（１）に記載の機械学習装置と、
前記電動パワートレーン構成機器への制御目標値と、前記冷却回路構成機器への制御目標値と、前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを前記入力データセットとして取得する取得部と、
前記機械学習装置による学習済の前記冷却液温度推定モデルを用いて、前記取得部により取得された前記入力データセットから、前記電動パワートレーン構成機器の出口側冷却液温度の推定値を計算する推定部と、
を備える、冷却温度推定装置。
（３）上記（２）に記載の冷却温度推定装置と、
前記冷却温度推定装置により計算された前記電動パワートレーン構成機器の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第１指令値を出力するフィードフォワード制御部と、
前記電動パワートレーン構成機器の出口側冷却液温度の目標値と前記電動パワートレーン構成機器の出口側冷却液温度のセンサ値との偏差に基づいて、フィードバック制御により第２指令値を出力するフィードバック制御部と、
前記第１指令値と前記第２指令値とを加算して得られる総指令値に基づいて、前記冷却回路構成機器を制御する冷却回路制御部と、
を備える、冷却回路制御装置。
（４）上記（３）に記載の冷却回路制御装置と、
前記冷却回路制御装置により制御される前記冷却回路構成機器を構成するポンプと、
チラーと、
前記電動パワートレーン構成機器と、
外気と熱交換するラジエータと、
前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータに連通し、前記ポンプが作動すると前記ポンプ、前記チラー、前記電動パワートレーン構成機器、及び前記ラジエータを通って前記冷却液が循環する冷却液流路と、
を備える、低温回路。
（５）上記（４）に記載の低温回路と、
冷媒を圧縮するコンプレッサと、前記冷媒から熱媒体に放熱させて前記冷媒を凝縮させる媒体間熱交換器と、前記チラーと、前記冷媒に吸熱させて該冷媒を蒸発させるエバポレータとを有し、前記コンプレッサ、前記媒体間熱交換器、及び前記チラーまたは前記エバポレータを通って前記冷媒が循環する冷凍回路と、
車室内の暖房に用いられるヒータコアと、電気ヒータと、前記媒体間熱交換器と、を有し、前記ヒータコア、前記電気ヒータ、及び前記媒体間熱交換器を通って熱媒体が循環する高温回路と、
を備える、車載温調装置。
（６）電動パワートレーン構成機器への制御目標値と、電動パワートレーン構成機器の経年劣化に伴い変化するパラメータと、冷却回路構成機器への制御目標値と、前記冷却回路構成機器が作動することにより前記電動パワートレーン構成機器へ流れ込む冷却液についての前記電動パワートレーン構成機器の入口側冷却液温度とからなる時系列データを入力データセットとして取得する取得ステップと、
前記入力データセットと、該入力データセットと同時刻における前記電動パワートレーン構成機器から流れ出る前記冷却液についての前記電動パワートレーン構成機器の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う学習ステップと、
を備える機械学習処理をコンピュータに実行させるためのコンピュータプログラム。 (1) A machine learning device that performs machine learning of a coolant temperature estimation model using training data in which an input dataset is made up of time series data consisting of control target values for an electric powertrain component device, parameters that change due to the aging of the electric powertrain component device, control target values for a cooling circuit component device, and a coolant temperature on the inlet side of the electric powertrain component device for coolant flowing into the electric powertrain component device as a result of the cooling circuit component device being operated, and an output dataset is time series data of a coolant temperature on the outlet side of the electric powertrain component device for the coolant flowing out of the electric powertrain component device at the same time as the input dataset.
(2) The machine learning device according to (1) above;
an acquisition unit that acquires, as the input data set, time-series data including a control target value for the electric powertrain constituent device, a control target value for the cooling circuit constituent device, and an inlet side coolant temperature of the electric powertrain constituent device;
an estimation unit that calculates an estimate of an outlet side coolant temperature of the electric powertrain component from the input data set acquired by the acquisition unit, using the coolant temperature estimation model that has been learned by the machine learning device;
A cooling temperature estimation device comprising:
(3) The cooling temperature estimation device according to (2) above;
a feedforward control unit that outputs a first command value by feedforward control based on an estimated value of an outlet side coolant temperature of the electric powertrain constituent device calculated by the cooling temperature estimation device;
a feedback control unit that outputs a second command value by feedback control based on a deviation between a target value of a coolant temperature on an outlet side of the electric powertrain constituent device and a sensor value of the coolant temperature on an outlet side of the electric powertrain constituent device;
a cooling circuit control unit that controls the cooling circuit components based on a total command value obtained by adding the first command value and the second command value;
A cooling circuit control device comprising:
(4) The cooling circuit control device according to (3) above;
A pump constituting the cooling circuit constituent equipment controlled by the cooling circuit control device;
Chiller and
The electric powertrain components;
A radiator that exchanges heat with outside air;
a coolant flow path that communicates with the pump, the chiller, the electric power train components, and the radiator, and through which the coolant circulates when the pump is operated, the coolant passing through the pump, the chiller, the electric power train components, and the radiator;
A low temperature circuit comprising:
(5) The low-temperature circuit according to (4) above;
a refrigeration circuit including a compressor that compresses a refrigerant, an inter-medium heat exchanger that causes the refrigerant to release heat to a heat medium to condense the refrigerant, the chiller, and an evaporator that causes the refrigerant to absorb heat and evaporate the refrigerant, and in which the refrigerant circulates through the compressor, the inter-medium heat exchanger, and the chiller or the evaporator;
a high-temperature circuit including a heater core used for heating a vehicle interior, an electric heater, and the intermediate heat exchanger, in which a heat medium circulates through the heater core, the electric heater, and the intermediate heat exchanger;
An on-board temperature control device comprising:
(6) acquiring, as an input data set, time-series data including a control target value for an electric powertrain component device, a parameter that changes with aging of the electric powertrain component device, a control target value for a cooling circuit component device, and an inlet side coolant temperature of the electric powertrain component device for coolant that flows into the electric powertrain component device as a result of operation of the cooling circuit component device;
a learning step of performing machine learning of a coolant temperature estimation model using teacher data including the input data set and an output data set which is time-series data of an outlet side coolant temperature of the coolant flowing out of the electric powertrain component device at the same time as the input data set;
A computer program for causing a computer to execute a machine learning process comprising:

本開示によれば、制御目標値の変化及び経年変化を伴う連続した所定期間の時系列データを教師データとして機械学習を行うことで、電動パワートレーン構成機器などの制御目標値や冷却回路構成機器の作動状態の変化に伴う過渡的な誤差（応答遅れ）の影響、及び電動パワートレーン構成機器の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電動パワートレーン構成機器及びヒータコアの温度調節を最適化し、車載温調装置の空調性能及びシステム効率を向上させることができる。 According to the present disclosure, by performing machine learning using time-series data for a continuous predetermined period accompanied by changes in the control target value and changes over time as training data, it is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of transient errors (response delays) associated with changes in the control target value of the electric powertrain components and the operating state of the cooling circuit components, and the influence of steady errors associated with changes in output due to deterioration over time of the electric powertrain components. In addition, by using feedforward control using the estimated value of the coolant temperature calculated using the learned coolant temperature estimation model in combination with feedback control, it is possible to improve the accuracy and convergence of the coolant temperature control. By improving the accuracy and convergence of the coolant temperature control in this way, it is possible to optimize the temperature adjustment of the electric powertrain components and the heater core, and improve the air conditioning performance and system efficiency of the vehicle temperature control device.

本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータである場合を示す。1 is a diagram showing a schematic configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which an electric powertrain component device is a motor. 図１に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。FIG. 2 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 1 and devices connected to the cooling circuit control device. 低温回路におけるモータと冷却水との間の熱交換を説明する図である。FIG. 4 is a diagram illustrating heat exchange between a motor and coolant in a low-temperature circuit. モータの周りに設けられる配水管を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係を例示する図である。10 is a diagram illustrating an example of a relationship between a flow rate of cooling water flowing through a water pipe provided around a motor and a response delay of an outlet side cooling liquid temperature with respect to a controlled variable. リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習を説明する図である。FIG. 13 is a diagram illustrating machine learning of a coolant temperature estimation model using a recurrent neural network. 本開示の一実施形態による冷却温度推定装置による温度推定値と従来の応答遅れを考慮しない温度推定装置による温度推定値との比較結果を例示する図である。11 is a diagram illustrating a comparison result between a temperature estimated by a cooling temperature estimation device according to an embodiment of the present disclosure and a temperature estimated by a conventional temperature estimation device that does not take into account a response delay. FIG. 本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器が電池である場合を示す。1 is a diagram showing a schematic configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which an electric powertrain component device is a battery. 図７に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。FIG. 8 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 7 and devices connected to the cooling circuit control device. 低温回路における電池と冷却水との間の熱交換を説明する図である。FIG. 4 is a diagram illustrating heat exchange between a battery and coolant in a low-temperature circuit. 本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータ及び電池である場合を示す。1 is a diagram showing a schematic configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which the electric powertrain components are a motor and a battery. 図１０に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。FIG. 11 is a schematic configuration diagram of the cooling circuit control device shown in FIG. 10 and devices connected to the cooling circuit control device. 低温回路におけるモータ及び電池と冷却水との間の熱交換を説明する図である。FIG. 4 is a diagram illustrating heat exchange between the motor and the battery and the coolant in the low-temperature circuit. 本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、低温回路がオイルクーラを備える場合を示す。1 is a diagram showing a schematic configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which the low-temperature circuit is equipped with an oil cooler. モータと冷却油との間の熱交換及びオイルクーラにおける冷却油と冷却水との間の熱交換を説明する図である。4A and 4B are diagrams illustrating heat exchange between a motor and cooling oil, and heat exchange between cooling oil and cooling water in an oil cooler.

以下図面を参照して、機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラムについて説明する。各図面において、同様の部材には同様の参照符号が付けられている。また、理解を容易にするために、これらの図面は縮尺を適宜変更している。図示される形態は実施をするための１つの例であり、これらの形態に限定されるものではない。 The machine learning device, cooling temperature estimation device, cooling circuit control device, low-temperature circuit, on-board temperature control device, and computer program will be described below with reference to the drawings. In each drawing, similar components are given similar reference symbols. In addition, the scale of these drawings has been appropriately changed to facilitate understanding. The illustrated form is one example for carrying out the invention, and the invention is not limited to these forms.

＜車載温調装置の全体構成＞
図１は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータである場合を示す。 <Overall configuration of in-vehicle temperature control device>
FIG. 1 is a diagram illustrating a schematic configuration of an in-vehicle temperature regulating device having a machine learning device according to an embodiment of the present disclosure, and illustrates a case in which an electric powertrain component device is a motor.

本実施形態では、車両の室内の温度を調整する車載温調装置１０００は、例えば、モータによって駆動される電動車両、モータ及び内燃機関によって駆動されるハイブリッド車両、または内燃機関によって駆動される内燃駆動車両に搭載される。 In this embodiment, the vehicle-mounted temperature control device 1000 that adjusts the temperature inside the vehicle is mounted, for example, on an electric vehicle driven by a motor, a hybrid vehicle driven by a motor and an internal combustion engine, or an internal combustion-driven vehicle driven by an internal combustion engine.

車載温調装置１０００は、低温回路１と、冷凍回路２と、高温回路３を備える。電動パワートレーン構成機器としては、モータ及び電池などがあるが、ここでは、電動パワートレーン構成機器がモータ１４－１である場合について説明する。 The vehicle-mounted temperature control device 1000 includes a low-temperature circuit 1, a refrigeration circuit 2, and a high-temperature circuit 3. The electric powertrain components include a motor and a battery, but here we will explain the case where the electric powertrain component is a motor 14-1.

まず、低温回路１について説明する。 First, we will explain the low-temperature circuit 1.

低温回路１は、冷却回路制御装置１０と、冷却回路構成機器を構成するポンプであるウォータポンプ１１と、冷媒配管１２ａ及び冷却水配管１２ｂを有するチラー１２と、低温ラジエータ１３と、電動パワートレーン構成機器であるモータ１４－１と、冷却液流路１５ａ及び１５ｂとを備える。 The low-temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 which is a pump constituting the cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low-temperature radiator 13, a motor 14-1 which is an electric powertrain component, and coolant flow paths 15a and 15b.

ウォータポンプ１１は、冷却回路制御装置１０の制御により、低温回路１内を循環する冷却水を圧送する。ウォータポンプ１１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。 The water pump 11 pumps the cooling water circulating in the low-temperature circuit 1 under the control of the cooling circuit control device 10. The water pump 11 is configured such that its discharge capacity can be changed continuously by adjusting the duty ratio Duty _wp .

冷却液流路１５ａ及び１５ｂは、ウォータポンプ１１、チラー１２、モータ１４－１、及び低温ラジエータ１３に連通している。低温回路１では、ウォータポンプ１１が作動することにより冷却水が冷却液流路１５ａ及び１５ｂを流れることで、冷却水がウォータポンプ１１、チラー１２、モータ１４－１、及び低温ラジエータ１３を通って循環する。モータ１４－１の周りには、冷却液流路１５ａ及び１５ｂに連なる配水管が設けられ、この配水管を流れる冷却水とモータ１４－１との間で熱交換が行われるように構成される。モータ１４－１の周りに設けられた配水管においては、当該配水管を通じてモータ１４－１へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ１６と、当該配水管を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ１７とが設けられる。 The cooling liquid flow paths 15a and 15b are connected to the water pump 11, the chiller 12, the motor 14-1, and the low-temperature radiator 13. In the low-temperature circuit 1, the water pump 11 is operated to cause the cooling water to flow through the cooling liquid flow paths 15a and 15b, and the cooling water circulates through the water pump 11, the chiller 12, the motor 14-1, and the low-temperature radiator 13. Around the motor 14-1, a water distribution pipe connected to the cooling liquid flow paths 15a and 15b is provided, and heat exchange is performed between the cooling water flowing through this water distribution pipe and the motor 14-1. In the water distribution pipe provided around the motor 14-1, an inlet side temperature sensor 16 is provided to detect the inlet side cooling liquid temperature of the cooling water flowing into the motor 14-1 through the water distribution pipe, and an outlet side temperature sensor 17 is provided to detect the outlet side cooling liquid temperature of the cooling water flowing out of the motor 14-1 through the water distribution pipe.

低温ラジエータ１３は、低温回路１内の冷却水と車両１００の外部の空気（外気）との間で熱交換を行う熱交換器である。低温ラジエータ１３は、冷却水の温度が外気の温度よりも高いときには冷却水から外気への放熱を行い、冷却水の温度が外気の温度よりも低いときには外気から冷却水への吸熱を行うように構成される。低温ラジエータ１３は、車両のフロントグリルの内側に配置される低温ラジエータ１３に隣接して電動ファン１８及びグリルシャッタ１９が設けられる。車両が走行しているときには低温ラジエータ１３には走行風が当たるが、グリルシャッタ１９の開閉を制御することによって、低温ラジエータ１３に当たる走行風の量を調整することができる。また、車両が走行していないときでも、電動ファン１８を駆動することにより発生する風を低温ラジエータ１３に当てることができる。 The low-temperature radiator 13 is a heat exchanger that exchanges heat between the coolant in the low-temperature circuit 1 and the air (outside air) outside the vehicle 100. The low-temperature radiator 13 is configured to dissipate heat from the coolant to the outside air when the temperature of the coolant is higher than the temperature of the outside air, and to absorb heat from the outside air to the coolant when the temperature of the coolant is lower than the temperature of the outside air. The low-temperature radiator 13 is disposed inside the front grille of the vehicle, and an electric fan 18 and a grill shutter 19 are provided adjacent to the low-temperature radiator 13. When the vehicle is running, the low-temperature radiator 13 is exposed to the wind from the running, but the amount of the running wind that hits the low-temperature radiator 13 can be adjusted by controlling the opening and closing of the grill shutter 19. In addition, even when the vehicle is not running, the wind generated by driving the electric fan 18 can be applied to the low-temperature radiator 13.

以上が低温回路１の構成である。なお、冷却回路制御装置１０の詳細については後述する。続いて、冷凍回路２について説明する。 The above is the configuration of the low-temperature circuit 1. Details of the cooling circuit control device 10 will be described later. Next, the refrigeration circuit 2 will be described.

冷凍回路２は、コンプレッサ４１と、媒体間熱交換器である水冷コンデンサ４２と、冷媒配管１２ａ及び冷却水配管１２ｂを有するチラー１２と、第１電磁膨張弁４３と、第２電磁膨張弁４４と、エバポレータ４５と、冷媒流路である冷凍基本流路４６ａ、エバポレータ流路４６ｂ及びチラー流路４６ｃとを備える。 The refrigeration circuit 2 includes a compressor 41, a water-cooled condenser 42 which is a heat exchanger between media, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a first electromagnetic expansion valve 43, a second electromagnetic expansion valve 44, an evaporator 45, and a refrigeration basic flow path 46a, an evaporator flow path 46b, and a chiller flow path 46c which are refrigerant flow paths.

冷凍回路２は、コンプレッサ４１が駆動されると水冷コンデンサ４２とチラー１２またはエバポレータ４５とを通って冷媒が循環することで冷凍サイクルを実現するように構成される。冷凍回路２における冷媒の流路は、冷凍基本流路４６ａと、エバポレータ流路４６ｂと、チラー流路４６ｃとに分けられる。エバポレータ流路４６ｂと、チラー流路４６ｃとは互いに並列に設けられ、それぞれ冷凍基本流路４６ａに接続されている。冷媒には、例えば、ハイドロフルオロカーボン（例えば、ＨＦＣ－１３４ａ）等、一般的に冷凍サイクルで冷媒として用いられる任意の物質が用いられる。 The refrigeration circuit 2 is configured to realize a refrigeration cycle by circulating the refrigerant through the water-cooled condenser 42 and the chiller 12 or the evaporator 45 when the compressor 41 is driven. The refrigerant flow path in the refrigeration circuit 2 is divided into a basic refrigeration flow path 46a, an evaporator flow path 46b, and a chiller flow path 46c. The evaporator flow path 46b and the chiller flow path 46c are provided in parallel with each other and are each connected to the basic refrigeration flow path 46a. The refrigerant may be any substance generally used as a refrigerant in a refrigeration cycle, such as a hydrofluorocarbon (e.g., HFC-134a).

コンプレッサ４１は、冷媒を圧縮して昇温する圧縮機として機能する。なお、コンプレッサ４１を制御する制御部については図示を省略している。コンプレッサ４１は、例えば電動式であり、コンプレッサ４１への供給電力またはデューティー比が調整されることによりその吐出容量が無段階に変化するように構成される。コンプレッサ４１では、低温・低圧であって主にガス状である冷媒が、断熱的に圧縮されることにより、高温・高圧であって主にガス状である冷媒に変化する。 Compressor 41 functions as a compressor that compresses and heats the refrigerant. Note that the control unit that controls compressor 41 is not shown. Compressor 41 is, for example, electrically operated, and is configured so that its discharge capacity changes steplessly by adjusting the power supplied to compressor 41 or the duty ratio. In compressor 41, a low-temperature, low-pressure refrigerant that is mainly gaseous is adiabatically compressed to become a high-temperature, high-pressure refrigerant that is mainly gaseous.

媒体間熱交換器である水冷コンデンサ４２は、熱媒体配管４２ａと冷媒配管４２ｂとを有する。水冷コンデンサ４２は、冷媒から高温回路３の冷却水に放熱させることで冷媒を凝縮させる熱交換器として機能する。また、水冷コンデンサ４２の冷媒配管４２ｂは、冷凍サイクルにおいて冷媒を凝縮させて放熱する凝縮器として機能する。水冷コンデンサ４２の冷媒配管４２ｂでは、コンプレッサ４１から流出した高温・高圧であって主にガス状である冷媒が、等圧的に冷却されることにより、高温・高圧の主に液状の冷媒に変化する。 The water-cooled condenser 42, which is an inter-medium heat exchanger, has a heat medium pipe 42a and a refrigerant pipe 42b. The water-cooled condenser 42 functions as a heat exchanger that condenses the refrigerant by dissipating heat from the refrigerant to the cooling water of the high-temperature circuit 3. The refrigerant pipe 42b of the water-cooled condenser 42 also functions as a condenser that condenses the refrigerant and dissipates heat in the refrigeration cycle. In the refrigerant pipe 42b of the water-cooled condenser 42, the high-temperature, high-pressure, mainly gaseous refrigerant that flows out of the compressor 41 is isobarically cooled and changes into a high-temperature, high-pressure, mainly liquid refrigerant.

第１電磁膨張弁４３及び第２電磁膨張弁４４は、冷媒を膨張させる膨張器として機能する。これら第１電磁膨張弁４３及び第２電磁膨張弁４４は、例えば、細径の通路を備えると共に、この細径の通路から冷媒を噴霧することで冷媒の圧力を急激に低下させる。これら第１電磁膨張弁４３及び第２電磁膨張弁４４では、水冷コンデンサ４２から流出した高温・高圧の液状の冷媒が、減圧されて部分的に気化することにより、低温・低圧の霧状の冷媒に変化する。 The first electromagnetic expansion valve 43 and the second electromagnetic expansion valve 44 function as expanders that expand the refrigerant. These first electromagnetic expansion valve 43 and the second electromagnetic expansion valve 44 are provided with, for example, a narrow-diameter passage, and the pressure of the refrigerant is suddenly reduced by spraying the refrigerant from this narrow-diameter passage. In these first electromagnetic expansion valve 43 and second electromagnetic expansion valve 44, the high-temperature, high-pressure liquid refrigerant flowing out of the water-cooled condenser 42 is reduced in pressure and partially vaporized, changing into a low-temperature, low-pressure mist of refrigerant.

エバポレータ４５は、周囲の空気（特に、車両の室内に供給される空気）と冷媒との間で熱交換を行う熱交換器として機能する。したがって、エバポレータ４５は、周囲の空気の温度が冷媒の温度よりも高ければ、周囲の空気から冷媒へ吸熱させ、冷媒が液状であれば、冷媒を蒸発させる。よって、エバポレータ４５では、第１電磁膨張弁４３から流出した低温・低圧の霧状の冷媒が、蒸発することにより、低温・低圧のガス状の冷媒に変化する。この結果、エバポレータ４５周りの空気は冷却され、車室内の冷房を行うことができる。逆に、エバポレータ４５は、周囲の空気の温度が冷媒の温度よりも低ければ、冷媒から周囲の空気へ放熱させる。 The evaporator 45 functions as a heat exchanger that exchanges heat between the surrounding air (particularly the air supplied to the vehicle interior) and the refrigerant. Therefore, if the temperature of the surrounding air is higher than the temperature of the refrigerant, the evaporator 45 absorbs heat from the surrounding air into the refrigerant, and if the refrigerant is liquid, it evaporates the refrigerant. Thus, in the evaporator 45, the low-temperature, low-pressure mist refrigerant that flows out of the first electromagnetic expansion valve 43 evaporates and turns into low-temperature, low-pressure gaseous refrigerant. As a result, the air around the evaporator 45 is cooled, and the vehicle interior can be cooled. Conversely, if the temperature of the surrounding air is lower than the temperature of the refrigerant, the evaporator 45 dissipates heat from the refrigerant to the surrounding air.

チラー１２は、冷媒配管１２ａと冷却水配管１２ｂとを有する。チラー１２は、低温回路１の冷却水と冷媒との間で熱交換する熱交換器として機能する。また、チラー１２の冷媒配管１２ａは、冷媒の温度が低温回路１の冷却水よりも低いときには、冷媒を蒸発させて冷却水を冷却する蒸発器として機能する。チラー１２の冷媒配管１２ａでは、第２電磁膨張弁４４から流出した低温・低圧の霧状の冷媒が、蒸発することにより、低温・低圧のガス状の冷媒に変化する。この結果、低温回路１の冷却水は冷却される。 The chiller 12 has a refrigerant pipe 12a and a cooling water pipe 12b. The chiller 12 functions as a heat exchanger that exchanges heat between the cooling water of the low-temperature circuit 1 and the refrigerant. When the temperature of the refrigerant is lower than the cooling water of the low-temperature circuit 1, the refrigerant pipe 12a of the chiller 12 functions as an evaporator that evaporates the refrigerant to cool the cooling water. In the refrigerant pipe 12a of the chiller 12, the low-temperature, low-pressure mist refrigerant flowing out from the second electromagnetic expansion valve 44 evaporates and changes into a low-temperature, low-pressure gaseous refrigerant. As a result, the cooling water of the low-temperature circuit 1 is cooled.

続いて、高温回路３について説明する。 Next, we will explain the high-temperature circuit 3.

高温回路３は、ポンプ５１と、ヒータコア５２と、電気ヒータ５３と、水冷コンデンサ４２と、冷却水流路５４ａ及び５４ｂとを備える。高温回路３では、これら構成部品を通って、熱媒体である冷却水が循環する。なお、高温回路３において、冷却水の代わりに任意の他の熱媒体が用いられてもよい。 The high-temperature circuit 3 includes a pump 51, a heater core 52, an electric heater 53, a water-cooled condenser 42, and cooling water flow paths 54a and 54b. In the high-temperature circuit 3, cooling water, which is a heat medium, circulates through these components. Note that in the high-temperature circuit 3, any other heat medium may be used instead of the cooling water.

ポンプ５１は、高温回路３内を循環する冷却水を圧送する。なお、ポンプ５１を制御する制御部については図示を省略している。ポンプ５１は、ウォータポンプ１１と同様な、電動式のウォータポンプである。なお、ここでは図示していないが、高温回路３は、高温回路３内を循環する冷却水と外気との間で熱交換を行う高温ラジエータを備えてもよい。 The pump 51 pumps the cooling water circulating in the high-temperature circuit 3. Note that the control unit that controls the pump 51 is not shown. The pump 51 is an electric water pump similar to the water pump 11. Note that, although not shown here, the high-temperature circuit 3 may be equipped with a high-temperature radiator that exchanges heat between the cooling water circulating in the high-temperature circuit 3 and the outside air.

ヒータコア５２は、高温回路３内を循環する冷却水とヒータコア５２周りの空気（特に、車両の室内に供給される空気）との間で熱交換を行って、車室内の暖房を行うように構成される。具体的には、ヒータコア５２は、冷却水からヒータコア５２周りの空気へ排熱するように構成される。したがって、ヒータコア５２に高温の冷却水が流れると、熱媒体の温度が低下すると共に、ヒータコア５２周りの空気が暖められる。 The heater core 52 is configured to exchange heat between the coolant circulating in the high-temperature circuit 3 and the air around the heater core 52 (particularly the air supplied to the vehicle interior) to heat the vehicle interior. Specifically, the heater core 52 is configured to dissipate heat from the coolant to the air around the heater core 52. Therefore, when high-temperature coolant flows through the heater core 52, the temperature of the heat medium drops and the air around the heater core 52 is warmed.

電気ヒータ５３は、電気導体に電流を流すことで生じる熱により車室内の暖房を行うように構成される。電気ヒータ５３の例としては、例えばシーズヒータ、セラミックヒータ、カーボンヒータなどがある。電気ヒータ５３の周りには、冷却水流路５４ａ及び５４ｂに連なる配管が設けられ、この配管を流れる冷却水と電気ヒータ５３との間で熱交換が行われるように構成される。 The electric heater 53 is configured to heat the vehicle interior using heat generated by passing an electric current through an electric conductor. Examples of the electric heater 53 include a sheath heater, a ceramic heater, and a carbon heater. Pipes connected to the cooling water flow paths 54a and 54b are provided around the electric heater 53, and heat exchange occurs between the cooling water flowing through these pipes and the electric heater 53.

＜冷却回路制御装置の構成＞
冷却回路制御装置１０は、低温回路１における冷却回路構成機器を構成するウォータポンプ１１を制御する。冷却回路制御装置１０は、冷却温度推定装置２０と、フィードフォワード制御部２１と、フィードバック制御部２２と、冷却回路制御部２３と、減算器２４と、加算器２５とを備える。 <Configuration of cooling circuit control device>
The cooling circuit control device 10 controls a water pump 11 constituting a cooling circuit component device in the low temperature circuit 1. The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control unit 21, a feedback control unit 22, a cooling circuit control unit 23, a subtractor 24, and an adder 25.

冷却温度推定装置２０は、機械学習（ＡＩ：人工知能）による学習済の冷却液温度推定モデルを用いて冷却液温度の推定値を計算する。冷却温度推定装置２０は、機械学習装置３０と、取得部３１と、推定部３２とを備える。 The cooling temperature estimation device 20 calculates an estimate of the coolant temperature using a coolant temperature estimation model that has been trained using machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition unit 31, and an estimation unit 32.

取得部３１は、制御目標値の変化を伴う連続した所定期間中の時系列データのうち、電動パワートレーン構成機器であるモータ１４－１への制御目標値と、モータ１４－１の経年劣化に伴い変化するパラメータである熱抵抗と、冷却回路構成機器であるウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することにより配水管を通じてモータ１４－１へ流れ込む冷却水についてのモータ１４－１の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じてモータ１４－１へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ１６によって検出される。取得部３１により取得された入力データセットは、出力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部３２によるモータ１４－１の出口側冷却液温度の推定値の計算に用いられる。 The acquisition unit 31 acquires, as an input data set, time series data consisting of the control target value for the motor 14-1, which is an electric powertrain component, the thermal resistance, which is a parameter that changes with the aging of the motor 14-1, the control target value for the water pump 11, which is a cooling circuit component, and the inlet side coolant temperature of the motor 14-1 for the coolant that flows into the motor 14-1 through the water pipe when the water pump 11 is operated, from among the time series data during a continuous predetermined period accompanied by changes in the control target value, the control target value for the water pump 11, which is a cooling circuit component, and the inlet side coolant temperature of the motor 14-1 for the coolant that flows into the motor 14-1 through the water pipe is detected by the inlet side temperature sensor 16. The input data set acquired by the acquisition unit 31 is used together with the output data set for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used for calculation of the estimated value of the outlet side coolant temperature of the motor 14-1 by the estimation unit 32 using the learned coolant temperature estimation model.

また、取得部３１は、制御目標値の変化を伴う連続した所定期間中の時系列データのうち、配水管を通じてモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データを、出力データセットとして取得する。出力データセットは、入力データセットと同時刻におけるものが取得される。配水管を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ１７によって検出される。取得部３１により取得された出力データセットは、入力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられる。 The acquisition unit 31 also acquires, as an output data set, time series data of the outlet coolant temperature of the motor 14-1 for the coolant flowing out from the motor 14-1 through the water pipe, from among the time series data during a continuous predetermined period involving changes in the control target value. The output data set is acquired at the same time as the input data set. The outlet coolant temperature for the coolant flowing out from the motor 14-1 through the water pipe is detected by the outlet temperature sensor 17. The output data set acquired by the acquisition unit 31 is used, together with the input data set, for machine learning of the coolant temperature estimation model by the machine learning device 30.

機械学習装置３０は、取得部３１により取得されたモータ１４－１への制御目標値と、モータ１４－１の熱抵抗と、ウォータポンプ１１への制御目標値と、モータ１４－１の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じてモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置３０は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク（ＲＮＮ：ＲｅｃｕｒｒｅｎｔＮｕｒａｌＮｅｔｗｏｒｋ）、ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ：長短期記憶）、ＧＲＵ（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ：ゲート付き回帰型ユニット）などを用いることができる。機械学習装置３０の詳細については後述する。 The machine learning device 30 performs machine learning of the coolant temperature estimation model using training data in which the input data set is the time series data consisting of the control target value for the motor 14-1 acquired by the acquisition unit 31, the thermal resistance of the motor 14-1, the control target value for the water pump 11, and the inlet side coolant temperature of the motor 14-1, and the output data set is the time series data of the outlet side coolant temperature of the motor 14-1 for the coolant flowing out from the motor 14-1 through the water pipe at the same time as the input data set. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a neural network. As the neural network, for example, a recurrent neural network (RNN), a long short term memory (LSTM), a gated recurrent unit (GRU), or the like can be used. Details of the machine learning device 30 will be described later.

推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、モータ１４－１の出口側冷却液温度の推定値を計算する。 The estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to calculate an estimate of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31.

フィードフォワード制御部２１は、冷却温度推定装置２０により計算されたモータ１４－１の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第１指令値を出力する。 The feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the outlet side coolant temperature of the motor 14-1 calculated by the cooling temperature estimation device 20.

減算器２４は、モータ１４－１の出口側冷却液温度の目標値と出口側温度センサ１７により検出されたモータ１４－１の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部２２は、この偏差に基づいてフィードバック制御により第２指令値を出力する。フィードバック制御としては、例えばＰＩＤ制御またはＰＩ制御が用いられる。 The subtractor 24 calculates the deviation between the target value of the outlet side coolant temperature of the motor 14-1 and the sensor value of the outlet side coolant temperature of the motor 14-1 detected by the outlet side temperature sensor 17, and the feedback control unit 22 outputs a second command value by feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

加算器２５は、第１指令値と第２指令値とを加算して総指令値を生成し、冷却回路制御部２３は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ１１を制御する。 The adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11, which is a component of the cooling circuit, based on this total command value.

図２は、図１に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 Figure 2 is a schematic diagram of the cooling circuit control device shown in Figure 1 and the equipment connected to the cooling circuit control device.

冷却回路制御装置１０は、通信インタフェース１０１と、メモリ１０２と、プロセッサ１０３を備えるコンピュータであり、例えば、車載温調装置１０００が搭載された車両に設けられたＥＣＵ（電子制御ユニット）内に構成される。ＥＣＵの全体構成については図示を省略している。 The cooling circuit control device 10 is a computer including a communication interface 101, a memory 102, and a processor 103, and is configured, for example, in an ECU (electronic control unit) provided in a vehicle equipped with an on-board temperature control device 1000. The overall configuration of the ECU is not shown.

冷却回路制御装置１０において、通信インタフェース１０１、メモリ１０２及びプロセッサ１０３は信号線を介して互いに電気的に接続されている。 In the cooling circuit control device 10, the communication interface 101, the memory 102, and the processor 103 are electrically connected to each other via signal lines.

通信インタフェース１０１は、低温回路１を構成する各種機器（例えば、モータ１４－１、ウォータポンプ１１、入口側温度センサ１６、及び出口側温度センサ１７など）に冷却回路制御装置１０を接続するためのインタフェース回路を有する。冷却回路制御装置１０は、通信インタフェース１０１を介して他の機器と通信する。 The communication interface 101 has an interface circuit for connecting the cooling circuit control device 10 to various devices that make up the low-temperature circuit 1 (e.g., the motor 14-1, the water pump 11, the inlet temperature sensor 16, and the outlet temperature sensor 17). The cooling circuit control device 10 communicates with other devices via the communication interface 101.

メモリ１０２は、例えば、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有する。メモリ１０２は、プロセッサ１０３において各種処理を実行するためのコンピュータプログラムや、プロセッサ１０３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。 The memory 102 includes, for example, a volatile semiconductor memory (e.g., RAM), a non-volatile semiconductor memory (e.g., ROM), etc. The memory 102 stores computer programs for executing various processes in the processor 103, various data used when the various processes are executed by the processor 103, etc.

メモリ１０２は、例えば、機械学習処理をコンピュータに実行させるためのコンピュータプログラムを記憶する。機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、取得ステップと、学習ステップとを備える。取得ステップでは、電動パワートレーン構成機器であるモータ１４－１への制御目標値と、モータ１４－１の経年劣化に伴い変化するパラメータである熱抵抗と、冷却回路構成機器であるウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することによりモータ１４－１へ流れ込む冷却水についてのモータ１４－１の入口側冷却液温度とからなる時系列データを入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻におけるモータ１４－１から流れ出る冷却水についてのモータ１４－１の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。 The memory 102 stores, for example, a computer program for causing a computer to execute machine learning processing. The computer program for causing a computer to execute machine learning processing includes an acquisition step and a learning step. In the acquisition step, time series data consisting of a control target value for the motor 14-1, which is an electric powertrain component device, a thermal resistance that is a parameter that changes with aging of the motor 14-1, a control target value for the water pump 11, which is a cooling circuit component device, and the inlet side coolant temperature of the motor 14-1 for the coolant flowing into the motor 14-1 due to the operation of the water pump 11 are acquired as an input data set. In the learning step, machine learning of a coolant temperature estimation model is performed using teacher data consisting of the input data set and an output data set that is time series data of the outlet side coolant temperature of the motor 14-1 for the coolant flowing out of the motor 14-1 at the same time as the input data set. A neural network that performs machine learning of the coolant temperature estimation model is implemented in the computer program for causing a computer to execute machine learning processing. As neural networks, for example, recurrent neural networks, LSTM, GRU, etc. can be used.

プロセッサ１０３は、１つまたは複数のＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）及びその周辺回路を有する。プロセッサ１０３は、論理演算ユニットまたは数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ１０３は、メモリ１０２に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。 The processor 103 has one or more central processing units (CPUs) and their peripheral circuits. The processor 103 may further have an arithmetic circuit such as a logical arithmetic unit or a numerical arithmetic unit. The processor 103 executes various processes based on computer programs stored in the memory 102.

なお、上述した実施形態では、機械学習装置３０を車載温調装置１０００に含まれるものとしたが、この変形例として、機械学習装置３０を車載温調装置１０００の外部にあるコンピュータ（図示せず）内に設けてもよい。この場合、取得部３１及び推定部３２については車載温調装置１０００に含めて構成しておく。取得部３１は、モータ１４－１への制御目標値とモータ１４－１の熱抵抗とウォータポンプ１１への制御目標値とモータ１４－１の入口側冷却液温度とからなる時系列データである入力データセットと、入力データセットと同時刻における配水管を通じてモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データである出力データセットとを逐次取得してメモリ１０２に記憶しておく。そして、ある程度の量の入力データセット及び出力データセットの組がメモリ１０２に記憶されたところで、通信インタフェース１０１を介して入力データセット及び出力データセットを外部のコンピュータに読み出し、当該外部のコンピュータ内の機械学習装置３０に冷却液温度推定モデルの機械学習処理を行わせる。そして、当該学習済の冷却液温度推定モデルを通信インタフェース１０１を介してメモリ１０２に書き込む。その後、推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、モータ１４－１の出口側冷却液温度の推定値を計算することができる。この変形例によれば、例えば、機械学習装置３０による学習済の冷却液温度推定モデルを複数コピーして同一構成の低温回路１を有する車載温調装置１０００に適用すれば、低コストである程度の精度を有する温度推定処理を実現することができる。 In the above embodiment, the machine learning device 30 is included in the vehicle temperature control device 1000. However, as a modified example, the machine learning device 30 may be provided in a computer (not shown) outside the vehicle temperature control device 1000. In this case, the acquisition unit 31 and the estimation unit 32 are configured to be included in the vehicle temperature control device 1000. The acquisition unit 31 sequentially acquires an input data set, which is time series data consisting of a control target value for the motor 14-1, the thermal resistance of the motor 14-1, a control target value for the water pump 11, and the inlet side coolant temperature of the motor 14-1, and an output data set, which is time series data of the outlet side coolant temperature of the motor 14-1 for the coolant flowing out of the motor 14-1 through the water pipe at the same time as the input data set, and stores them in the memory 102. Then, when a certain amount of input data sets and output data sets are stored in the memory 102, the input data sets and the output data sets are read out to an external computer via the communication interface 101, and the machine learning device 30 in the external computer performs machine learning processing of the coolant temperature estimation model. Then, the learned coolant temperature estimation model is written to the memory 102 via the communication interface 101. Thereafter, the estimation unit 32 can calculate an estimate of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. According to this modified example, for example, if multiple copies of the coolant temperature estimation model learned by the machine learning device 30 are applied to the in-vehicle temperature adjustment device 1000 having the same configuration of the low-temperature circuit 1, a temperature estimation process with a certain degree of accuracy can be realized at low cost.

＜モータと冷却水との間の熱交換＞
図３は、低温回路におけるモータと冷却水との間の熱交換を説明する図である。 <Heat exchange between motor and cooling water>
FIG. 3 is a diagram illustrating heat exchange between the motor and the coolant in the low-temperature circuit.

図３に示すように、ウォータポンプ１１は、図１及び図２に示した冷却回路制御装置１０の制御により、低温回路１内を循環する冷却水を圧送する。ウォータポンプ１１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。モータ１４－１の周りには、図１に示した冷却液流路１５ａ及び１５ｂに連なる配水管１５が設けられ、この配水管１５を流れる冷却水とモータ１４－１との間で熱交換が行われるように構成されている。モータ１４－１への制御目標値のうち、モータ１４－１の回生電力量をＷ_inとし、モータ１４－１のモータ軸出力をＷ_outとする。モータ１４－１の回生電力量Ｗ_in及びモータ軸出力Ｗ_outに関する情報は、例えばモータ１４－１を制御する制御部（図示せず）あるいはモータ１４－１に設けられた各種センサ（図示せず）から取得される。モータ１４－１の経年変化に伴い変化するパラメータであるモータ１４－１の熱抵抗をＲ_motとする。入口側温度センサ１６は、配水管１５を通じてモータ１４－１へ流れ込む冷却水についての入口側冷却液温度Ｔｗ_inを検出する。出口側温度センサ１７は、配水管１５を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度Ｔｗ_outを検出する。 As shown in FIG. 3, the water pump 11 pumps the cooling water circulating in the low-temperature circuit 1 under the control of the cooling circuit control device 10 shown in FIG. 1 and FIG. 2. The water pump 11 is configured so that its discharge capacity changes steplessly by adjusting the duty ratio Duty _wp . A water pipe 15 connected to the cooling liquid flow paths 15a and 15b shown in FIG. 1 is provided around the motor 14-1, and heat exchange is performed between the cooling water flowing through the water pipe 15 and the motor 14-1. Among the control target values for the motor 14-1, the regenerative power amount of the motor 14-1 is W _in , and the motor shaft output of the motor 14-1 is W _out . Information regarding the regenerative power amount W _in and the motor shaft output W _out of the motor 14-1 is obtained, for example, from a control unit (not shown) that controls the motor 14-1 or various sensors (not shown) provided in the motor 14-1. The thermal resistance of the motor 14-1, which is a parameter that changes with aging of the motor 14-1, is R _mot . The inlet temperature sensor 16 detects an inlet coolant temperature Tw _in of the coolant flowing into the motor 14-1 through the water distribution pipe 15. The outlet temperature sensor 17 detects an outlet coolant temperature Tw _out of the coolant flowing out of the motor 14-1 through the water distribution pipe 15.

＜リカレントニューラルネットワーク＞
図４は、モータの周りに設けられる配水管を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係を例示する図である。図４に示すように、ウォータポンプ１１のディーティー比Ｄｕｔｙ_wpの増加及び水温の上昇に伴いモータ１４－１の周りに設けられる配水管１５を流れる冷却水の流量が増えると、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｗ_out（出口側温度センサ１７により検出）の応答遅れが減少する。このようにモータ１４－１の制御目標値（Ｗ_in、Ｗ_out）及びウォータポンプ１１の作動状態（Ｄｕｔｙ_wp）が変化すると、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｗ_outの応答遅れが変化し、過渡的な誤差となって現れる。また、モータ１４－１の経年劣化によりモータ１４－１の熱損失Ｒ_motが変化し、モータ１４－１の出口側冷却液温度Ｔｗ_outの定常的な誤差となって現れる。このような現象を関数式で表すと式１のようになる。 <Recurrent Neural Network>
4 is a diagram illustrating the relationship between the flow rate of the cooling water flowing through the water pipe provided around the motor and the response delay of the outlet side cooling liquid temperature to the controlled variable. As shown in FIG. 4, when the flow rate of the cooling water flowing through the water pipe 15 provided around the motor 14-1 increases with an increase in the duty ratio Duty _wp of the water pump 11 and an increase in the water temperature, the response delay of the outlet side cooling liquid temperature Tw _out of the motor 14-1 (detected by the outlet side temperature sensor 17) to the controlled variable (Duty _wp , W _in , W _out ) decreases. In this way, when the control target value (W _in , W _out ) of the motor 14-1 and the operating state (Duty _wp ) of the water pump 11 change, the response delay of the outlet side cooling liquid temperature Tw _out of the motor 14-1 to the controlled variable (Duty _wp , W _in , W _out ) changes, and appears as a transient error. Furthermore, the heat loss _Rmot of the motor 14-1 changes due to deterioration of the motor 14-1 over time, which appears as a steady error in the outlet side coolant temperature Tw _out of the motor 14-1.

式１に基づき、本実施形態では、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、モータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークとして、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。 Based on Equation 1, in this embodiment, in order to construct a coolant temperature _estimation model that appropriately reflects both a transient error caused by a response delay of the outlet coolant temperature _{Tw out} _of the motor 14-1 with respect to the control amounts (Duty _wp , W in , W out ) and a stationary error caused by a change in the heat loss R _mot of the motor 14-1 due to aging deterioration of the motor 14-1, machine learning processing is performed using a neural network suitable for learning time-dependent features in a situation where signals at each time are input sequentially. As a neural network designed to recognize such numerical time-series data, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

図５は、リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習を説明する図である。 Figure 5 is a diagram explaining the machine learning of the coolant temperature estimation model using a recurrent neural network.

リカレントニューラルネットワークは、隠れ層（隠れ状態）が隠れ層自身に接続されており、ある時点での状態を次の状態の入力値として使う構造を有する。ある層中の個々のノードは、次の層中の全てのノードに一方向に結合されている。ある時点ｔの入力データセットをｘ_t、出力データセットをｙ_t、ＲＮＮモデル活性化関数σ_h及びσ_yを有する隠れ層をｈ_tで表す。ある時点ｔの入力データセットｘ_tと前回の時点ｔ－１での隠れ層ｈ_t-1とに基づき新しい隠れ層ｈ_tに遷移し、隠れ層ｈ_tから出力データセットｙ_tが出力される。すなわち、ある時点ｔの出力データセットｙ_tは現在の入力データセットｘ_t及び隠れ状態ｈ_tに基づくものであり、この隠れ状態ｈ_tは１つ前の入力データセットｘ_t-1に基づくものである。例えばある時点ｔ＝－１の入力データセット値ｘ_-1と前回の時点ｔ－２での隠れ層ｈ_-2とに基づき新しい時点ｔ＝０の隠れ層ｈ₀に遷移し、隠れ層ｈ₀から出力データセットｙ₀が出力される。時点ｔ＝０の出力データセットｙ₀は現在の入力データセットｘ₀及び隠れ状態ｈ₀に基づくものであり、この隠れ状態ｈ₀は１つ前の入力データセットｘ_-1に基づくものである。 A recurrent neural network has a structure in which a hidden layer (hidden state) is connected to itself, and a state at a certain time is used as an input value for the next state. Each node in a layer is connected in one direction to all nodes in the next layer. The input data set at a certain time t is represented by x _t , the output data set by y _t , and the hidden layer having the RNN model activation functions σ _h and σ _y by h _t . Based on the input data set x _t at a certain time t and the hidden layer h t-1 at the previous time t _-1 , a transition is made to a new hidden layer h _t , and an output data set y _t is output from the hidden layer h _t . In other words, the output data set y _t at a certain time t is based on the current input data set x _t and the hidden state h _t , and this hidden state h _t is based on the previous input data set x _t-1 . For example, based on the input data set value x _-1 at a certain time t = -1 and the hidden layer h _-2 at the previous time t-2, a transition is made to the hidden layer h ₀ at a new time t = 0, and an output data set y ₀ is output from the hidden layer h ₀ . The output data set y ₀ at time t=0 is based on the current input data set x ₀ and the hidden state h ₀ , _which is based on the previous input data set x ₋₁ .

本実施形態では、電動パワートレーン構成機器であるモータ１４－１への制御目標値（Ｗ_in、Ｗ_out）と、モータ１４－１の熱抵抗Ｒ_motと、冷却回路構成機器であるウォータポンプ１１への制御目標値（Ｄｕｔｙ_wp）と、ウォータポンプ１１が作動することにより配水管１５を通じてモータ１４－１へ流れ込む冷却液についてのモータ１４－１の入口側冷却液温度Ｔｗ_inとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管１５を通じてモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部３１によって取得される。機械学習装置３０は、入力データセットと出力データセットとからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、モータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、モータ１４－１の出口側冷却液温度の推定値を計算する。 In this embodiment, time series data consisting of control target values (W _in , W _out ) for the motor 14-1, which is an electric power train component device, the thermal resistance R _mot of the motor 14-1, a control target value (Duty _wp ) for the water pump 11, which is a cooling circuit component device, and the inlet side coolant temperature Tw _in of the motor 14-1 for the coolant flowing into the motor 14-1 through the water distribution pipe 15 by the operation of the water pump 11 are used as the input data set. In addition, time series data of the outlet side coolant temperature of the motor 14-1 for the coolant flowing out of the motor 14-1 through the water distribution pipe 15 at the same time as the input data set is used as the output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a recurrent neural network with the teacher data consisting of the input data set and the output data set. Since the recurrent neural network is designed to recognize numerical time-series data, it is possible to construct a coolant temperature estimation model by machine learning using the recurrent neural network that appropriately reflects both a transient error caused by a response delay of the outlet side coolant temperature Tw _out of the motor 14-1 to the control amounts (Duty _wp , W _in , W _out ) and a steady error caused by a change in the heat loss R _mot of the motor 14-1 due to aging deterioration of the motor 14-1. The estimation unit 32 calculates an estimate of the outlet side coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30.

図６は、本開示の一実施形態による冷却温度推定装置による温度推定値と従来の応答遅れを考慮しない温度推定装置による温度推定値との比較結果を例示する図である。 Figure 6 illustrates a comparison result between a temperature estimate by a cooling temperature estimation device according to an embodiment of the present disclosure and a temperature estimate by a conventional temperature estimation device that does not take into account response delay.

図６において、出口側冷却液温度について、モータ１４－１の出口側冷却液温度の実値を実線で示し、本開示の一実施形態による冷却温度推定装置２０による推定値（すなわち応答遅れを考慮した推定値）を点線で示し、従来の応答遅れを考慮しない温度推定装置による推定値を一点鎖線で示している。また参考として、出口側冷却液温度と併せて、モータ１４－１のモータ出力とウォータポンプ１１のデューティー比Ｄｕｔｙ_wpについても図示している。時刻０［ｓｅｃ］の時点で比較すると、本開示の一実施形態による冷却温度推定装置２０による推定値の実値に対する誤差は、従来の応答遅れを考慮しない温度推定装置による推定値の実値に対する誤差に比べて小さいことが分かる。このように、本開示の一実施形態によれば、モータ１４－１の制御目標値やウォータポンプ１１の作動状態の変化に伴う過渡的な誤差（応答遅れ）の影響、及びモータ１４－１の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、モータ１４－１及びヒータコア５２の温度調節を最適化し、車載温調装置１０００の空調性能及びシステム効率を向上させることができる。 In FIG. 6, for the outlet side coolant temperature, the actual value of the outlet side coolant temperature of the motor 14-1 is indicated by a solid line, the estimated value by the cooling temperature estimation device 20 according to an embodiment of the present disclosure (i.e., the estimated value considering the response delay) is indicated by a dotted line, and the estimated value by a conventional temperature estimation device that does not consider the response delay is indicated by a dashed line. For reference, the motor output of the motor 14-1 and the duty ratio Duty _wp of the water pump 11 are also illustrated together with the outlet side coolant temperature. When compared at time 0 [sec], it can be seen that the error of the estimated value by the cooling temperature estimation device 20 according to an embodiment of the present disclosure with respect to the actual value is smaller than the error of the estimated value by the conventional temperature estimation device that does not consider the response delay with respect to the actual value. In this way, according to an embodiment of the present disclosure, it is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of the transient error (response delay) associated with the change in the control target value of the motor 14-1 and the operating state of the water pump 11, and the influence of the steady error associated with the output change due to the deterioration of the motor 14-1 over time. Furthermore, by using feedforward control using an estimated value of the coolant temperature calculated using the learned coolant temperature estimation model in combination with feedback control, the accuracy and convergence of the coolant temperature control can be improved. By improving the accuracy and convergence of the coolant temperature control in this way, it is possible to optimize the temperature regulation of the motor 14-1 and the heater core 52, and improve the air conditioning performance and system efficiency of the in-vehicle temperature regulator 1000.

なお、上述の実施形態ではニューラルネットワークとしてリカレントニューラルネットワークを用いたが、これに代えてＬＳＴＭ、ＧＲＵなどを用いてもよい。 In the above embodiment, a recurrent neural network is used as the neural network, but LSTM, GRU, etc. may be used instead.

＜電池と冷却水との間の熱交換＞
図７は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器が電池である場合を示す。 <Heat exchange between battery and coolant>
FIG. 7 is a diagram illustrating a schematic configuration of an in-vehicle temperature regulating device having a machine learning device according to an embodiment of the present disclosure, showing a case where an electric powertrain component device is a battery.

図７に示すように、低温回路１における電動パワートレーン構成機器が電池である場合においても、図１に示した車載温調装置と類似の車載温調装置を構成することができる。すなわち、図７に示した車載温調装置では、図１に示した車載温調装置における低温回路１におけるモータ１４－１に代えて、電池１４－２が設けられている。 As shown in FIG. 7, even when the electric powertrain component in the low-temperature circuit 1 is a battery, an on-vehicle temperature control device similar to the on-vehicle temperature control device shown in FIG. 1 can be configured. That is, in the on-vehicle temperature control device shown in FIG. 7, a battery 14-2 is provided instead of the motor 14-1 in the low-temperature circuit 1 in the on-vehicle temperature control device shown in FIG. 1.

低温回路１は、冷却回路制御装置１０と、冷却回路構成機器を構成するウォータポンプ１１と、冷媒配管１２ａ及び冷却水配管１２ｂを有するチラー１２と、低温ラジエータ１３と、電動パワートレーン構成機器である電池１４－２と、冷却液流路１５ａ及び１５ｂとを備える。ウォータポンプ１１、チラー１２、及び低温ラジエータ１３については、図１を参照して説明した通りである。また、冷凍回路２及び高温回路３の各構成については図１を参照して説明した通りである。 The low-temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting a cooling circuit component, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low-temperature radiator 13, a battery 14-2 constituting an electric power train component, and coolant flow paths 15a and 15b. The water pump 11, chiller 12, and low-temperature radiator 13 are as described with reference to FIG. 1. The configurations of the refrigeration circuit 2 and the high-temperature circuit 3 are as described with reference to FIG. 1.

冷却液流路１５ａ及び１５ｂは、ウォータポンプ１１、チラー１２、電池１４－２、及び低温ラジエータ１３に連通している。低温回路１では、ウォータポンプ１１が作動することにより冷却水が冷却液流路１５ａ及び１５ｂを流れることで、冷却水がウォータポンプ１１、チラー１２、電池１４－２、及び低温ラジエータ１３を通って循環する。電池１４－２の周りには、冷却液流路１５ａ及び１５ｂに連なる配水管が設けられ、この配水管を流れる冷却水と電池１４－２との間で熱交換が行われるように構成される。電池１４－２の周りに設けられた配水管においては、当該配水管を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ１６と、当該配水管を通じて電池１４－２から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ１７とが設けられる。 The coolant flow paths 15a and 15b are connected to the water pump 11, the chiller 12, the battery 14-2, and the low-temperature radiator 13. In the low-temperature circuit 1, the water pump 11 is operated to cause the coolant to flow through the coolant flow paths 15a and 15b, and the coolant circulates through the water pump 11, the chiller 12, the battery 14-2, and the low-temperature radiator 13. Around the battery 14-2, a water distribution pipe connected to the coolant flow paths 15a and 15b is provided, and heat exchange is performed between the coolant flowing through this water distribution pipe and the battery 14-2. In the water distribution pipe provided around the battery 14-2, an inlet side temperature sensor 16 is provided to detect the inlet side coolant temperature of the coolant flowing into the battery 14-2 through the water distribution pipe, and an outlet side temperature sensor 17 is provided to detect the outlet side coolant temperature of the coolant flowing out of the battery 14-2 through the water distribution pipe.

冷却回路制御装置１０は、低温回路１における冷却回路構成機器を構成するウォータポンプ１１を制御する。冷却回路制御装置１０は、冷却温度推定装置２０と、フィードフォワード制御部２１と、フィードバック制御部２２と、冷却回路制御部２３と、減算器２４と、加算器２５とを備える。 The cooling circuit control device 10 controls the water pump 11 that constitutes the cooling circuit components in the low-temperature circuit 1. The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control unit 21, a feedback control unit 22, a cooling circuit control unit 23, a subtractor 24, and an adder 25.

冷却温度推定装置２０は、機械学習（ＡＩ：人工知能）による学習済の冷却液温度推定モデルを用いて電池１４－２の出口側冷却液温度の推定値を計算する。冷却温度推定装置２０は、機械学習装置３０と、取得部３１と、推定部３２とを備える。 The cooling temperature estimation device 20 calculates an estimate of the outlet coolant temperature of the battery 14-2 using a coolant temperature estimation model that has been trained using machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition unit 31, and an estimation unit 32.

取得部３１は、電池１４－２への制御目標値と、電池１４－２の経年変化に伴い変化するパラメータである熱抵抗と、ウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することにより配水管を通じて電池１４－２へ流れ込む冷却水についての電池１４－２の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ１６によって検出される。取得部３１により取得された入力データセットは、出力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部３２による電池１４－２の出口側冷却液温度の推定値の計算に用いられる。 The acquisition unit 31 acquires, as an input data set, time series data consisting of a control target value for the battery 14-2, thermal resistance, which is a parameter that changes with aging of the battery 14-2, a control target value for the water pump 11, and the inlet coolant temperature of the battery 14-2 for the coolant that flows into the battery 14-2 through the water pipe when the water pump 11 is operated. The inlet coolant temperature for the coolant that flows into the battery 14-2 through the water pipe is detected by the inlet temperature sensor 16. The input data set acquired by the acquisition unit 31 is used together with the output data set for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used for calculation of an estimate of the outlet coolant temperature of the battery 14-2 by the estimation unit 32 using the learned coolant temperature estimation model.

また、取得部３１は、入力データセットと同時刻における配水管を通じて電池１４－２から流れ出る冷却水についての電池１４－２の出口側冷却液温度の時系列データを、出力データセットとして取得する。配水管を通じて電池１４－２から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ１７によって検出される。取得部３１により取得された出力データセットは、入力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられる。 The acquisition unit 31 also acquires, as an output dataset, time series data on the outlet coolant temperature of the battery 14-2 for the coolant flowing out of the battery 14-2 through the drainage pipe at the same time as the input dataset. The outlet coolant temperature for the coolant flowing out of the battery 14-2 through the drainage pipe is detected by the outlet temperature sensor 17. The output dataset acquired by the acquisition unit 31 is used, together with the input dataset, for machine learning of the coolant temperature estimation model by the machine learning device 30.

機械学習装置３０は、取得部３１により取得された電池１４－２への制御目標値と、電池１４－２の熱抵抗と、ウォータポンプ１１への制御目標値と、電池１４－２の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じて電池１４－２から流れ出る冷却水についての電池１４－２の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置３０は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図５及び図６を参照して説明した通りである。 The machine learning device 30 performs machine learning of the coolant temperature estimation model using training data in which the input data set is time series data consisting of the control target value for the battery 14-2 acquired by the acquisition unit 31, the thermal resistance of the battery 14-2, the control target value for the water pump 11, and the inlet coolant temperature of the battery 14-2, and the output data set is time series data of the outlet coolant temperature of the coolant flowing out of the battery 14-2 through the water pipe at the same time as the input data set. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a neural network. The neural network is as described with reference to Figures 5 and 6.

推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、電池１４－２の出口側冷却液温度の推定値を計算する。 The estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to calculate an estimate of the outlet coolant temperature of the battery 14-2 from the input data set acquired by the acquisition unit 31.

フィードフォワード制御部２１は、冷却温度推定装置２０により計算された電池１４－２の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第１指令値を出力する。 The feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the outlet coolant temperature of the battery 14-2 calculated by the cooling temperature estimation device 20.

減算器２４は、電池１４－２の出口側冷却液温度の目標値と出口側温度センサ１７により検出された電池１４－２の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部２２は、この偏差に基づいてフィードバック制御により第２指令値を出力する。フィードバック制御としては、例えばＰＩＤ制御またはＰＩ制御が用いられる。 The subtractor 24 calculates the deviation between the target value of the outlet side coolant temperature of the battery 14-2 and the sensor value of the outlet side coolant temperature of the battery 14-2 detected by the outlet side temperature sensor 17, and the feedback control unit 22 outputs a second command value by feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

図８は、図７に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 Figure 8 is a schematic diagram of the cooling circuit control device shown in Figure 7 and the equipment connected to the cooling circuit control device.

冷却回路制御装置１０は、通信インタフェース１０１と、メモリ１０２と、プロセッサ１０３を備えるコンピュータであり、例えば、車載温調装置１０００が搭載された車両に設けられたＥＣＵ内に構成される。ＥＣＵの全体構成については図示を省略している。 The cooling circuit control device 10 is a computer equipped with a communication interface 101, a memory 102, and a processor 103, and is configured, for example, in an ECU provided in a vehicle equipped with an on-board temperature control device 1000. The overall configuration of the ECU is not shown.

通信インタフェース１０１は、低温回路１を構成する各種機器（例えば、電池１４－２、ウォータポンプ１１、入口側温度センサ１６、及び出口側温度センサ１７など）に冷却回路制御装置１０を接続するためのインタフェース回路を有する。冷却回路制御装置１０は、通信インタフェース１０１を介して他の機器と通信する。 The communication interface 101 has an interface circuit for connecting the cooling circuit control device 10 to various devices that make up the low-temperature circuit 1 (e.g., the battery 14-2, the water pump 11, the inlet temperature sensor 16, and the outlet temperature sensor 17). The cooling circuit control device 10 communicates with other devices via the communication interface 101.

メモリ１０２については図２を参照して説明した通りであるが、本実施形態では、メモリ１０２に記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、電池１４－２への制御目標値と、電池１４－２の熱抵抗と、ウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することにより電池１４－２へ流れ込む冷却水についての電池１４－２の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻における電池１４－２から流れ出る冷却水についての電池１４－２の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。 The memory 102 has been described with reference to FIG. 2, but in this embodiment, the computer program stored in the memory 102 for causing a computer to execute the machine learning process includes the following acquisition step and learning step. That is, in the acquisition step, time series data consisting of the control target value for the battery 14-2, the thermal resistance of the battery 14-2, the control target value for the water pump 11, and the inlet side coolant temperature of the battery 14-2 for the coolant flowing into the battery 14-2 by the operation of the water pump 11 is acquired as an input data set. In the learning step, machine learning of the coolant temperature estimation model is performed using teacher data consisting of the input data set and an output data set which is time series data of the outlet side coolant temperature of the battery 14-2 for the coolant flowing out from the battery 14-2 at the same time as the input data set. A neural network that performs machine learning of the coolant temperature estimation model is implemented in the computer program for causing a computer to execute the machine learning process. For example, a recurrent neural network, LSTM, GRU, etc. can be used as the neural network.

プロセッサ１０３については図２を参照して説明した通りである。 The processor 103 is as described with reference to FIG. 2.

なお、上述した実施形態では、機械学習装置３０を車載温調装置１０００に含まれるものとしたが、この変形例として、機械学習装置３０を車載温調装置１０００の外部にあるコンピュータ（図示せず）内に設けてもよく、これについては図２を参照して説明した通りである。 In the above embodiment, the machine learning device 30 is included in the vehicle temperature control device 1000. However, as a variation of this, the machine learning device 30 may be provided in a computer (not shown) external to the vehicle temperature control device 1000, as described with reference to FIG. 2.

図９は、低温回路における電池と冷却水との間の熱交換を説明する図である。 Figure 9 is a diagram illustrating heat exchange between the battery and the coolant in the low-temperature circuit.

図９に示すように、ウォータポンプ１１は、図７及び図８に示した冷却回路制御装置１０の制御により、低温回路１内を循環する冷却水を圧送する。ウォータポンプ１１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。電池１４－２の周りには、図７に示した冷却液流路１５ａ及び１５ｂに連なる配水管１５が設けられ、この配水管１５を流れる冷却水と電池１４－２との間で熱交換が行われるように構成されている。電池１４－２への制御目標値のうち、電池１４－２の電池充電量をＷ_inとし、電池１４－２の電池放電量をＷ_outとする。電池１４－２の電池充電量Ｗ_in及び電池放電量Ｗ_outに関する情報は、例えば電池１４－２を制御する制御部（図示せず）あるいは電池１４－２に設けられた各種センサ（図示せず）から取得される。電池１４－２の経年変化に伴い変化するパラメータである電池１４－２の熱抵抗をＲ_batとする。入口側温度センサ１６は、配水管１５を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度Ｔｗ_inを検出する。出口側温度センサ１７は、配水管１５を通じて電池１４－２から流れ出る冷却水についての出口側冷却液温度Ｔｗ_outを検出する。 As shown in FIG. 9, the water pump 11 pumps the cooling water circulating in the low-temperature circuit 1 under the control of the cooling circuit control device 10 shown in FIG. 7 and FIG. 8. The water pump 11 is configured so that its discharge capacity changes steplessly by adjusting the duty ratio Duty _wp . A water pipe 15 connected to the cooling liquid flow paths 15a and 15b shown in FIG. 7 is provided around the battery 14-2, and heat exchange is performed between the cooling water flowing through the water pipe 15 and the battery 14-2. Among the control target values for the battery 14-2, the battery charge amount of the battery 14-2 is represented as W _in and the battery discharge amount of the battery 14-2 is represented as W _out . Information on the battery charge amount W _in and the battery discharge amount W _out of the battery 14-2 is obtained, for example, from a control unit (not shown) that controls the battery 14-2 or various sensors (not shown) provided in the battery 14-2. The thermal resistance of the battery 14-2, which is a parameter that changes with the aging of the battery 14-2, is represented as R _bat . The inlet temperature sensor 16 detects the inlet coolant temperature Tw _in of the coolant flowing into the battery 14-2 through the water distribution pipe 15. The outlet temperature sensor 17 detects the outlet coolant temperature Tw _out of the coolant flowing out of the battery 14-2 through the water distribution pipe 15.

図４を参照して説明したモータ１４－１の周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、電池１４－２の周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ１１のディーティー比Ｄｕｔｙ_wpの増加及び水温の上昇に伴い電池１４－２の周りに設けられる配水管１５を流れる冷却水の流量が増えると、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対する電池１４－２の出口側冷却液温度Ｔｗ_out（出口側温度センサ１７により検出）の応答遅れが減少する。このように電池１４－２の制御目標値（Ｗ_in、Ｗ_out）及びウォータポンプ１１の作動状態（Ｄｕｔｙ_wp）が変化すると、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対する電池１４－２の出口側冷却液温度Ｔｗ_outの応答遅れが変化し、過渡的な誤差となって現れる。また、電池１４－２の経年劣化により電池１４－２の熱損失Ｒ_batが変化し、電池１４－２の出口側冷却液温度Ｔｗ_outの定常的な誤差となって現れる。このような現象を関数式で表すと式２のようになる。 The relationship between the flow rate of cooling water flowing through the drain pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled variable, as described with reference to Figure 4, also applies to the relationship between the flow rate of cooling water flowing through the drain pipe 15 provided around the battery 14-2 and the response delay of the outlet side cooling liquid temperature to the controlled variable. In other words, when the flow rate of cooling water flowing through the drain pipe 15 provided around the battery 14-2 increases with an increase in the duty ratio Duty _wp of the water pump 11 and a rise in water temperature, the response delay of the outlet side cooling liquid temperature Tw _out of the battery 14-2 (detected by the outlet side temperature sensor 17) to the controlled variable (Duty _wp , W _in , W _out ) decreases. When the control target values (W _in , W _out ) of the battery 14-2 and the operating state (Duty _wp ) of the water pump 11 change in this way, the response delay of the outlet coolant temperature Tw _out of the battery 14-2 to the control amount (Duty _wp , W _in , W _out ) changes, which appears as a transient error. In addition, the heat loss R _bat of the battery 14-2 changes due to deterioration of the battery 14-2 over time, which appears as a steady error in the outlet coolant temperature Tw _out of the battery 14-2. This phenomenon can be expressed as a function equation as shown in Equation 2.

式２に基づき、本実施形態では、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対する電池１４－２の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、電池１４－２の経年劣化に伴う電池１４－２の熱損失Ｒ_batの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図５を参照して説明した内容において「モータ１４－１」の部分を「電池１４－２」に置き換えたものが適用される。 Based on Equation 2, in this embodiment, in order to construct a coolant temperature estimation model that appropriately reflects both a transient error caused by a response delay of the outlet coolant temperature Tw _out _of the battery 14-2 to the control amount (Duty _wp , _W in , W out ) and a stationary error caused by a change in the heat loss R _bat of the battery 14-2 due to the aging of the battery 14-2, machine learning processing is performed using a neural network suitable for learning time-dependent features in a situation where signals at each time are input sequentially. As a neural network designed to recognize such time-series data of numerical values, for example, a recurrent neural network, LSTM, GRU, etc. can be used. For the machine learning of the coolant temperature estimation model using a recurrent neural network, for example, the part "motor 14-1" in the content described with reference to FIG. 5 is replaced with "battery 14-2".

本実施形態では、電池１４－２への制御目標値（Ｗ_in、Ｗ_out）と、電池１４－２の熱抵抗Ｒ_batと、ウォータポンプ１１への制御目標値（Ｄｕｔｙ_wp）と、ウォータポンプ１１が作動することにより配水管１５を通じて電池１４－２へ流れ込む冷却水についての電池１４－２の入口側冷却液温度Ｔｗ_inとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管１５を通じて電池１４－２から流れ出る冷却水についての電池１４－２の出口側冷却液温度Ｔｗ_outの時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部３１によって取得される。機械学習装置３０は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対する電池１４－２の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、電池１４－２の経年劣化に伴う電池１４－２の熱損失Ｒ_batの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、電池１４－２の出口側冷却液温度の推定値を計算する。 In this embodiment, time series data consisting of the control target values (W _in , W _out ) for the battery 14-2, the thermal resistance R _bat of the battery 14-2, the control target value (Duty _wp ) for the water pump 11, and the inlet side coolant temperature Tw _in of the battery 14-2 for the coolant flowing into the battery 14-2 through the drainage pipe 15 by the operation of the water pump 11 is used as an input data set. In addition, time series data of the outlet side coolant temperature Tw _out of the battery 14-2 for the coolant flowing out from the battery 14-2 through the drainage pipe 15 at the same time as the input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a recurrent neural network with the teacher data consisting of the input data set and the output data set. Since the recurrent neural network is designed to recognize numerical time-series data, it is possible to construct a coolant temperature estimation model by machine learning using the recurrent neural network that appropriately reflects both a transient error caused by a response delay of the outlet side coolant temperature Tw _out of the battery 14-2 to the control amounts (Duty _wp , W _in , W _out ) and a steady error caused by a change in the heat loss R _bat of the battery 14-2 due to aging of the battery 14-2. The estimation unit 32 calculates an estimate of the outlet side coolant temperature of the battery 14-2 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30.

このように、本実施形態によれば、電池１４－２の制御目標値やウォータポンプ１１の作動状態の変化に伴う過渡的な誤差（応答遅れ）の影響、及び電池１４－２の経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電池１４－２及びヒータコア５２の温度調節を最適化し、車載温調装置１０００の空調性能及びシステム効率を向上させることができる。 In this way, according to this embodiment, it is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of transient errors (response delays) associated with changes in the control target value of the battery 14-2 and the operating state of the water pump 11, and the influence of steady errors associated with output changes due to deterioration over time of the battery 14-2. In addition, by using feedforward control using an estimated value of the coolant temperature calculated using the learned coolant temperature estimation model in combination with feedback control, it is possible to improve the accuracy and convergence of the coolant temperature control. By improving the accuracy and convergence of the coolant temperature control in this way, it is possible to optimize the temperature adjustment of the battery 14-2 and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle temperature adjustment device 1000.

＜モータ及び電池と冷却水との間の熱交換＞
図１０は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、電動パワートレーン構成機器がモータ及び電池である場合を示す。 <Heat exchange between the motor and battery and the coolant>
FIG. 10 is a diagram showing a schematic configuration of an in-vehicle temperature regulating device having a machine learning device according to one embodiment of the present disclosure, showing a case where the electric powertrain components are a motor and a battery.

図１０に示すように、低温回路１における電動パワートレーン構成機器としてモータ及び電池の両方を備える場合においても、図１及び図７に示した車載温調装置と類似の車載温調装置を構成することができる。すなわち、図１０に示した車載温調装置では、図１に示した車載温調装置における低温回路１におけるモータ１４－１及び図７に示した車載温調装置における低温回路１における電池１４－２の両方が設けられている。 As shown in FIG. 10, even when both a motor and a battery are provided as electric powertrain components in the low-temperature circuit 1, an on-vehicle temperature control device similar to the on-vehicle temperature control devices shown in FIG. 1 and FIG. 7 can be configured. That is, the on-vehicle temperature control device shown in FIG. 10 is provided with both a motor 14-1 in the low-temperature circuit 1 in the on-vehicle temperature control device shown in FIG. 1 and a battery 14-2 in the low-temperature circuit 1 in the on-vehicle temperature control device shown in FIG. 7.

低温回路１は、冷却回路制御装置１０と、冷却回路構成機器を構成するウォータポンプ１１と、冷媒配管１２ａ及び冷却水配管１２ｂを有するチラー１２と、低温ラジエータ１３と、電動パワートレーン構成機器である電池１４－２及びモータ１４－１と、冷却液流路１５ａ及び１５ｂとを備える。ウォータポンプ１１、チラー１２、及び低温ラジエータ１３については、図１を参照して説明した通りである。また、冷凍回路２及び高温回路３の各構成については図１を参照して説明した通りである。 The low-temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting the cooling circuit components, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low-temperature radiator 13, a battery 14-2 and a motor 14-1 constituting the electric power train components, and coolant flow paths 15a and 15b. The water pump 11, chiller 12, and low-temperature radiator 13 are as described with reference to FIG. 1. The configurations of the refrigeration circuit 2 and the high-temperature circuit 3 are as described with reference to FIG. 1.

冷却液流路１５ａ及び１５ｂは、ウォータポンプ１１、チラー１２、電池１４－２、モータ１４－１、及び低温ラジエータ１３に連通している。図１０に示す例では、一例として冷却水が流れる方向に沿って電池１４－２、モータ１４－１の順に設けられているが、モータ１４－１、電池１４－２の順に設けられてもよい。低温回路１では、ウォータポンプ１１が作動することにより冷却水が冷却液流路１５ａ及び１５ｂを流れることで、冷却水がウォータポンプ１１、チラー１２、電池１４－２、モータ１４－１及び低温ラジエータ１３を通って循環する。電池１４－２及びモータ１４－１のそれぞれの周りには、冷却液流路１５ａ及び１５ｂに連なる配水管が設けられ、この配水管を流れる冷却水と電池１４－２及びモータ１４－１のそれぞれとの間で熱交換が行われるように構成される。電池１４－２及びモータ１４－１の周りに設けられた配水管においては、当該配水管を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ１６と、当該配水管を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ１７とが設けられる。なお、冷却液が流れる方向に沿ってモータ１４－１、電池１４－２の順に設けられる場合には、当該配水管を通じてモータ１４－１へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ１６と、当該配水管を通じて電池１４－２から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ１７とが設けられる。 The coolant flow paths 15a and 15b are connected to the water pump 11, chiller 12, battery 14-2, motor 14-1, and low-temperature radiator 13. In the example shown in FIG. 10, the battery 14-2 and motor 14-1 are arranged in this order along the direction of the coolant flow, but the motor 14-1 and battery 14-2 may be arranged in this order. In the low-temperature circuit 1, the coolant flows through the coolant flow paths 15a and 15b when the water pump 11 is operated, and the coolant circulates through the water pump 11, chiller 12, battery 14-2, motor 14-1, and low-temperature radiator 13. Around each of the battery 14-2 and motor 14-1, water distribution pipes connected to the coolant flow paths 15a and 15b are provided, and heat exchange is performed between the coolant flowing through the water distribution pipes and each of the battery 14-2 and motor 14-1. In the water pipes provided around the battery 14-2 and the motor 14-1, an inlet temperature sensor 16 is provided to detect the inlet coolant temperature of the coolant flowing into the battery 14-2 through the water pipe, and an outlet temperature sensor 17 is provided to detect the outlet coolant temperature of the coolant flowing out from the motor 14-1 through the water pipe. When the motor 14-1 and the battery 14-2 are provided in this order along the direction in which the coolant flows, an inlet temperature sensor 16 is provided to detect the inlet coolant temperature of the coolant flowing into the motor 14-1 through the water pipe, and an outlet temperature sensor 17 is provided to detect the outlet coolant temperature of the coolant flowing out from the battery 14-2 through the water pipe.

冷却温度推定装置２０は、機械学習（ＡＩ：人工知能）による学習済の冷却液温度推定モデルを用いてモータ１４－１の出口側冷却液温度の推定値を計算する。冷却温度推定装置２０は、機械学習装置３０と、取得部３１と、推定部３２とを備える。 The cooling temperature estimation device 20 calculates an estimate of the outlet coolant temperature of the motor 14-1 using a coolant temperature estimation model that has been trained using machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition unit 31, and an estimation unit 32.

取得部３１は、電池１４－２及びモータ１４－１のそれぞれへの制御目標値と、電池１４－２及びモータ１４－１のそれぞれの熱抵抗と、ウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することにより配水管を通じて電池１４－２へ流れ込む冷却水についての電池１４－２の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。配水管を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度は、入口側温度センサ１６によって検出される。取得部３１により取得された入力データセットは、出力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部３２によるモータ１４－１の出口側冷却液温度の推定値の計算に用いられる。 The acquisition unit 31 acquires, as an input data set, time series data consisting of the control target values for the battery 14-2 and the motor 14-1, the thermal resistances of the battery 14-2 and the motor 14-1, the control target value for the water pump 11, and the inlet coolant temperature of the battery 14-2 for the coolant flowing into the battery 14-2 through the water pipe when the water pump 11 is operated. The inlet coolant temperature for the coolant flowing into the battery 14-2 through the water pipe is detected by the inlet temperature sensor 16. The input data set acquired by the acquisition unit 31 is used together with the output data set for machine learning of the coolant temperature estimation model by the machine learning device 30, and is also used for calculation of an estimate of the outlet coolant temperature of the motor 14-1 by the estimation unit 32 using the learned coolant temperature estimation model.

また、取得部３１は、入力データセットと同時刻における配水管を通じてモータ１４－１から流れ出る冷却液についての電池１４－２の出口側冷却液温度の時系列データを、出力データセットとして取得する。配水管を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度は、出口側温度センサ１７によって検出される。取得部３１により取得された出力データセットは、入力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられる。 The acquisition unit 31 also acquires, as an output dataset, time series data on the outlet coolant temperature of the battery 14-2 for the coolant flowing out from the motor 14-1 through the water pipe at the same time as the input dataset. The outlet coolant temperature for the coolant flowing out from the motor 14-1 through the water pipe is detected by the outlet temperature sensor 17. The output dataset acquired by the acquisition unit 31, together with the input dataset, is used for machine learning of the coolant temperature estimation model by the machine learning device 30.

機械学習装置３０は、取得部３１により取得された電池１４－２及びモータ１４－１のそれぞれへの制御目標値と、電池１４－２及びモータ１４－１のそれぞれの熱抵抗と、ウォータポンプ１１への制御目標値と、電池１４－２の入口側冷却液温度とからなる時系列データを入力データセットとし、この入力データセットと同時刻における配水管を通じてモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データを出力データセットとした教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置３０は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図５及び図６を参照して説明した通りである。 The machine learning device 30 performs machine learning of the coolant temperature estimation model using training data in which the input data set is the time series data consisting of the control target values for the battery 14-2 and the motor 14-1, the thermal resistances of the battery 14-2 and the motor 14-1, the control target value for the water pump 11, and the inlet coolant temperature of the battery 14-2 acquired by the acquisition unit 31, and the output data set is the time series data of the outlet coolant temperature of the motor 14-1 for the coolant flowing out of the motor 14-1 through the water pipe at the same time as the input data set. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a neural network. The neural network is as described with reference to Figures 5 and 6.

図１１は、図１０に示す冷却回路制御装置及び冷却回路制御装置に接続された機器の概略的な構成図である。 Figure 11 is a schematic diagram of the cooling circuit control device shown in Figure 10 and the equipment connected to the cooling circuit control device.

通信インタフェース１０１は、低温回路１を構成する各種機器（例えば、モータ１４－１、電池１４－２、ウォータポンプ１１、入口側温度センサ１６、及び出口側温度センサ１７など）に冷却回路制御装置１０を接続するためのインタフェース回路を有する。冷却回路制御装置１０は、通信インタフェース１０１を介して他の機器と通信する。 The communication interface 101 has an interface circuit for connecting the cooling circuit control device 10 to various devices that make up the low-temperature circuit 1 (e.g., the motor 14-1, the battery 14-2, the water pump 11, the inlet temperature sensor 16, and the outlet temperature sensor 17). The cooling circuit control device 10 communicates with other devices via the communication interface 101.

メモリ１０２については図２を参照して説明した通りであるが、本実施形態では、メモリ１０２に記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、電池１４－２及びモータ１４－１のそれぞれへの制御目標値と、電池１４－２及びモータ１４－１のそれぞれの熱抵抗と、ウォータポンプ１１への制御目標値と、ウォータポンプ１１が作動することにより電池１４－２へ流れ込む冷却液についての電池１４－２の入口側冷却液温度とからなる時系列データを入力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻におけるモータ１４－１から流れ出る冷却液についてのモータ１４－１の出口側冷却液温度の時系列データである出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。 The memory 102 has been described with reference to FIG. 2, but in this embodiment, the computer program for causing a computer to execute the machine learning process stored in the memory 102 includes the following acquisition step and learning step. That is, in the acquisition step, time series data consisting of the control target values for each of the battery 14-2 and the motor 14-1, the thermal resistances of each of the battery 14-2 and the motor 14-1, the control target value for the water pump 11, and the inlet side coolant temperature of the battery 14-2 for the coolant flowing into the battery 14-2 due to the operation of the water pump 11 is acquired as an input data set. In the learning step, machine learning of the coolant temperature estimation model is performed using teacher data consisting of the input data set and an output data set that is time series data of the outlet side coolant temperature of the motor 14-1 for the coolant flowing out of the motor 14-1 at the same time as the input data set. A neural network that performs machine learning of the coolant temperature estimation model is implemented in the computer program for causing a computer to execute the machine learning process. As neural networks, for example, recurrent neural networks, LSTM, GRU, etc. can be used.

図１２は、低温回路におけるモータ及び電池と冷却水との間の熱交換を説明する図である。 Figure 12 is a diagram illustrating heat exchange between the motor and battery and the coolant in the low-temperature circuit.

図１２に示すように、ウォータポンプ１１は、図１０及び図１１に示した冷却回路制御装置１０の制御により、低温回路１内を循環する冷却水を圧送する。ウォータポンプ１１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。電池１４－２及びモータ１４－１のそれぞれの周りには、図１０に示した冷却液流路１５ａ及び１５ｂに連なる配水管１５が設けられ、この配水管１５を流れる冷却水と電池１４－２及びモータ１４－１のそれぞれとの間で熱交換が行われるように構成されている。電池１４－２への制御目標値のうち、電池１４－２の電池充電量をＷ_batinとし、電池１４－２の電池放電量をＷ_batoutとする。電池１４－２の経年変化に伴い変化するパラメータである電池１４－２の熱抵抗をＲ_batとする。モータ１４－１への制御目標値のうち、モータ１４－１の回生電力量をＷ_motinとし、モータ１４－１のモータ軸出力をＷ_motoutとする。モータ１４－１の経年変化に伴い変化するパラメータであるモータ１４－１の熱抵抗をＲ_motとする。入口側温度センサ１６は、配水管１５を通じて電池１４－２へ流れ込む冷却水についての入口側冷却液温度Ｔｗ_inを検出する。出口側温度センサ１７は、配水管１５を通じてモータ１４－１から流れ出る冷却水についての出口側冷却液温度Ｔｗ_outを検出する。 As shown in Fig. 12, the water pump 11 pumps the cooling water circulating in the low-temperature circuit 1 under the control of the cooling circuit control device 10 shown in Figs. 10 and 11. The water pump 11 is configured so that its discharge capacity can be changed steplessly by adjusting the duty ratio Duty _wp . Around each of the battery 14-2 and the motor 14-1, a water pipe 15 connected to the cooling liquid flow paths 15a and 15b shown in Fig. 10 is provided, and heat exchange is performed between the cooling water flowing through the water pipe 15 and each of the battery 14-2 and the motor 14-1. Of the control target values for the battery 14-2, the battery charge amount of the battery 14-2 is represented as W _batin , and the battery discharge amount of the battery 14-2 is represented as W _batout . The thermal resistance of the battery 14-2, which is a parameter that changes with the aging of the battery 14-2, is represented as R _bat . Of the control target values for the motor 14-1, the amount of regenerative power of the motor 14-1 is designated as W _motin , and the motor shaft output of the motor 14-1 is designated as W _motout . The thermal resistance of the motor 14-1, which is a parameter that changes with the aging of the motor 14-1, is designated as R _mot . The inlet side temperature sensor 16 detects the inlet side coolant temperature Tw _in of the coolant flowing into the battery 14-2 through the water distribution pipe 15. The outlet side temperature sensor 17 detects the outlet side coolant temperature Tw _out of the coolant flowing out of the motor 14-1 through the water distribution pipe 15.

図４を参照して説明したモータ１４－１の周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、電池１４－２及びモータ１４－１のそれぞれの周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ１１のディーティー比Ｄｕｔｙ_wpの増加及び水温の上昇に伴い電池１４－２及びモータ１４－１のそれぞれの周りに設けられる配水管１５を流れる冷却水の流量が増えると、制御量（Ｄｕｔｙ_wp、Ｗ_batin、Ｗ_batout、Ｗ_motin、Ｗ_motout）に対するモータ１４－１の出口側冷却液温度Ｔｗ_out（出口側温度センサ１７により検出）の応答遅れが減少する。このように電池１４－２及びモータ１４－１のそれぞれの制御目標値（Ｗ_batin、Ｗ_batout、Ｗ_motin、Ｗ_motout）及びウォータポンプ１１の作動状態（Ｄｕｔｙ_wp）が変化すると、制御量（Ｄｕｔｙ_wp、Ｗ_batin、Ｗ_batout、Ｗ_motin、Ｗ_motout）に対する電池１４－２の出口側冷却液温度Ｔｗ_outの応答遅れが変化し、過渡的な誤差となって現れる。また、電池１４－２の経年劣化により電池１４－２の熱損失Ｒ_batが変化するとともにモータ１４－１の経年劣化によりモータ１４－１の熱損失Ｒ_motが変化し、モータ１４－１の出口側冷却液温度Ｔｗ_outの定常的な誤差となって現れる。このような現象を関数式で表すと式３のようになる。 The relationship between the flow rate of cooling water flowing through the water distribution pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled variable described with reference to Fig. 4 also applies to the relationship between the flow rate of cooling water flowing through the water distribution pipes 15 provided around the battery 14-2 and the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled variable. In other words, when the flow rate of cooling water flowing through the water distribution pipes 15 provided around the battery 14-2 and the motor 14-1 increases with an increase in the duty ratio Duty _wp of the water pump 11 and a rise in water temperature, the response delay of the outlet side cooling liquid temperature Tw _out of the motor 14-1 (detected by the outlet side temperature sensor 17) to the controlled variable (Duty _wp , W _batin , W _batout , W _motin , W _motout ) decreases. In this way, when the control target values (W _batin , W _batout , W _motin , W _motout ) of the battery 14-2 and the motor 14-1 and the operating state (Duty _wp ) of the water pump 11 change, the response delay of the outlet coolant temperature Tw _out of the battery 14-2 to the control amount (Duty _wp , W _batin , W _batout , W _motin , W _motout ) changes, which appears as a transient error. Furthermore, the heat loss R _bat of the battery 14-2 changes due to the aging deterioration of the battery 14-2, and the heat loss R _mot of the motor 14-1 changes due to the aging deterioration of the motor 14-1, which appears as a steady error in the outlet coolant temperature Tw _out of the motor 14-1. This phenomenon can be expressed as a function equation as shown in Equation 3.

式３に基づき、本実施形態では、制御量（Ｄｕｔｙ_wp、Ｗ_batin、Ｗ_batout、Ｗ_motin、Ｗ_motout）に対する電池１４－２の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、電池１４－２の経年劣化に伴う電池１４－２の熱損失Ｒ_bat及びモータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図５を参照して説明した内容において「モータ１４－１」の部分を「電池１４－２」及び「モータ１４－１」に置き換えたものが適用される。 Based on Equation 3, in this embodiment, in order to construct a coolant temperature _estimation model that appropriately reflects both a transient error caused by a response delay of the outlet coolant temperature Tw _out _of _the battery 14-2 with respect to the control amount (Duty _wp , W batin , W batout , W motin , W _motout ) and a stationary error caused by changes in the heat loss R _bat of the battery 14-2 due to aging deterioration of the battery 14-2 and the heat loss R _mot of the motor 14-1 due to aging deterioration of the motor 14-1, machine learning processing is performed using a neural network suitable for learning time-dependent features in a situation where signals at each time are input sequentially. As a neural network designed to recognize such time-series data of numerical values, for example, a recurrent neural network, LSTM, GRU, etc. can be used. For the machine learning of the coolant temperature estimation model using a recurrent neural network, for example, the part of "motor 14-1" in the content described with reference to FIG. 5 is replaced with "battery 14-2" and "motor 14-1".

本実施形態では、電動パワートレーン構成機器である電池１４－２への制御目標値（Ｗ_batin、Ｗ_batout、Ｒ_bat）及びモータ１４－１への制御目標値（Ｗ_motin、Ｗ_motout、Ｒ_mot）と、電池１４－２の熱抵抗Ｒ_batと、モータ１４－１の熱抵抗Ｒ_motと、冷却回路構成機器であるウォータポンプ１１への制御目標値（Ｄｕｔｙ_wp）と、ウォータポンプ１１が作動することにより配水管１５を通じて電池１４－２へ流れ込む冷却水についての電池１４－２の入口側冷却液温度Ｔｗ_inとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管１５を通じてモータ１４－１から流れ出る冷却水についてのモータ１４－１の出口側冷却液温度Ｔｗ_outの時系列データを、出力データセットとして用いる。入力データセット及び出力データセットは取得部３１によって取得される。機械学習装置３０は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量（Ｄｕｔｙ_wp、Ｗ_batin、Ｗ_batout、Ｗ_motin、Ｗ_motout）に対するモータ１４－１の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、電池１４－２の経年劣化に伴う電池１４－２の熱損失Ｒ_batの変化及びモータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、モータ１４－１の出口側冷却液温度の推定値を計算する。なお、冷却液が流れる方向に沿ってモータ１４－１、電池１４－２の順に設けられる場合には、推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、電池１４－２の出口側冷却液温度の推定値を計算する。 In this embodiment, time series data consisting of control target values (W _batin , W _batout , R _bat ) for the battery 14-2, which is an electric power train component device, control target values (W _motin , W _motout , R _mot ) for the motor 14-1, thermal resistance R _bat of the battery 14-2, thermal resistance R _mot of the motor 14-1, a control target value (Duty _wp ) for the water pump 11, which is a cooling circuit component device, and an inlet side coolant temperature Tw _in of the battery 14-2 for the coolant flowing into the battery 14-2 through the drainage pipe 15 as the water pump 11 is operated, are used as the input data set. In addition, time series data of the outlet side coolant temperature Tw _out of the motor 14-1 for the coolant flowing out of the motor 14-1 through the drainage pipe 15 at the same time as this input data set is used as the output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a recurrent neural network with teacher data consisting of an input data set and an output data _set . Since the recurrent neural network is designed to recognize numerical time series data, machine learning using the recurrent neural network can construct a coolant temperature estimation model that appropriately reflects both a transient error caused by a response delay of the outlet coolant temperature Tw _out of the motor 14-1 to the control amount (Duty _wp , W batin , W _batout , W _motin , W _motout ) and a steady error caused by a change in the heat loss R _bat of the battery 14-2 due to aging deterioration of the battery 14-2 and a change in the heat loss R _mot of the motor 14-1 due to aging deterioration of the motor 14-1. The estimation unit 32 calculates an estimate of the outlet coolant temperature of the motor 14-1 from the input data set acquired by the acquisition unit 31 using the coolant temperature estimation model learned by the machine learning device 30. In addition, when the motor 14-1 and the battery 14-2 are arranged in that order along the direction in which the coolant flows, the estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to calculate an estimate of the outlet side coolant temperature of the battery 14-2 from the input data set acquired by the acquisition unit 31.

このように、本実施形態によれば、電池１４－２及びモータ１４－１のそれぞれの制御目標値やウォータポンプ１１の作動状態の変化に伴う過渡的な誤差（応答遅れ）の影響、及び電池１４－２及びモータ１４－１のそれぞれの経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、電池１４－２及びモータ１４－１並びにヒータコア５２の温度調節を最適化し、車載温調装置１０００の空調性能及びシステム効率を向上させることができる。 In this way, according to this embodiment, it is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of transient errors (response delays) associated with changes in the control target values of the battery 14-2 and the motor 14-1 and the operating state of the water pump 11, and the influence of steady errors associated with output changes due to deterioration over time of the battery 14-2 and the motor 14-1. In addition, by using feedforward control using the estimated value of the coolant temperature calculated using the learned coolant temperature estimation model in combination with feedback control, it is possible to improve the accuracy and convergence of the coolant temperature control. By improving the accuracy and convergence of the coolant temperature control in this way, it is possible to optimize the temperature adjustment of the battery 14-2, the motor 14-1, and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle temperature adjustment device 1000.

＜オイルクーラを備える車載温調装置＞
図１３は、本開示の一実施形態による機械学習装置を有する車載温調装置の構成を概略的に示す図であって、低温回路がオイルクーラを備える場合を示す。なお、冷凍回路２及び高温回路３の各構成については図１を参照して説明した通りであるので、図１３では図示を省略している。ここでは、電動パワートレーン構成機器がモータ１４－１である場合について説明するが、電動パワートレーン構成機器が電池１４－２である場合や電動パワートレーン構成機器がモータ１４－１及び電池１４－２の両方である場合も同様の説明が成り立つ。 <On-vehicle temperature control device equipped with oil cooler>
13 is a diagram showing a schematic configuration of an in-vehicle temperature control device having a machine learning device according to an embodiment of the present disclosure, in which the low-temperature circuit includes an oil cooler. Note that the configurations of the refrigeration circuit 2 and the high-temperature circuit 3 are as described with reference to FIG. 1, and are therefore omitted from FIG. 13. Here, a case where the electric powertrain component is the motor 14-1 will be described, but the same explanation applies when the electric powertrain component is the battery 14-2 or when the electric powertrain component is both the motor 14-1 and the battery 14-2.

図１３に示すように、低温回路１内にオイルクーラ６０を有する油冷回路がさらに設けられる場合においても、図１に示した車載温調装置と類似の車載温調装置１０００を構成することができる。低温回路１は、冷却回路制御装置１０と、冷却回路構成機器を構成するウォータポンプ１１と、冷媒配管１２ａ及び冷却水配管１２ｂを有するチラー１２と、低温ラジエータ１３と、冷却液流路１５ａ及び１５ｂと、オイルクーラ６０と、冷却回路構成機器を構成するオイルポンプ６１と、電動パワートレーン構成機器であるモータ１４－１と、冷却液流路６４ａ及び６４ｂと、を備える。ウォータポンプ１１、チラー１２、及び低温ラジエータ１３については、図１を参照して説明した通りである。また、冷凍回路２及び高温回路３の各構成についても図１を参照して説明した通りである。 As shown in FIG. 13, even if an oil-cooled circuit having an oil cooler 60 is further provided in the low-temperature circuit 1, an in-vehicle temperature control device 1000 similar to the in-vehicle temperature control device shown in FIG. 1 can be configured. The low-temperature circuit 1 includes a cooling circuit control device 10, a water pump 11 constituting the cooling circuit component equipment, a chiller 12 having a refrigerant pipe 12a and a cooling water pipe 12b, a low-temperature radiator 13, cooling liquid flow paths 15a and 15b, an oil cooler 60, an oil pump 61 constituting the cooling circuit component equipment, a motor 14-1 which is an electric powertrain component equipment, and cooling liquid flow paths 64a and 64b. The water pump 11, the chiller 12, and the low-temperature radiator 13 are as described with reference to FIG. 1. The configurations of the refrigeration circuit 2 and the high-temperature circuit 3 are also as described with reference to FIG. 1.

オイルクーラ６０は、その内部に冷却液流路１５ａ及び１５ｂに連なる配水管と冷却液流路６４ａ及び６４ｂに連なる配油管とが貫くように設けられ、配水管を流れる冷却水と配油管を流れる冷却油との間で熱交換を行う熱交換器である。オイルクーラ６０は、冷却水の温度が冷却油の温度よりも高いときには冷却水から冷却油への放熱を行い、冷却水の温度が冷却油の温度よりも低いときには冷却油から冷却水への吸熱を行うように構成される。オイルクーラ６０内を貫く配水管においては、当該配水管を通じてオイルクーラ６０へ流れ込む冷却水についての入口側冷却液温度を検出する入口側温度センサ１６と、当該配水管を通じてオイルクーラ６０から流れ出る冷却水についての出口側冷却液温度を検出する出口側温度センサ１７とが設けられる。 The oil cooler 60 is a heat exchanger in which the water distribution pipes connected to the cooling liquid flow paths 15a and 15b and the oil distribution pipes connected to the cooling liquid flow paths 64a and 64b run through it, and exchanges heat between the cooling water flowing through the water distribution pipes and the cooling oil flowing through the oil distribution pipes. The oil cooler 60 is configured to dissipate heat from the cooling water to the cooling oil when the temperature of the cooling water is higher than that of the cooling oil, and to absorb heat from the cooling oil to the cooling water when the temperature of the cooling water is lower than that of the cooling oil. In the water distribution pipe running through the oil cooler 60, an inlet side temperature sensor 16 is provided to detect the inlet side cooling liquid temperature of the cooling water flowing into the oil cooler 60 through the water distribution pipe, and an outlet side temperature sensor 17 is provided to detect the outlet side cooling liquid temperature of the cooling water flowing out of the oil cooler 60 through the water distribution pipe.

オイルポンプ６１は、冷却回路制御装置１０の制御により、冷却液流路６４ａ及び６４ｂを通じて循環する冷却油を圧送する。オイルポンプ６１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。 The oil pump 61 pumps out the cooling oil circulating through the coolant flow paths 64a and 64b under the control of the cooling circuit control device 10. The oil pump 61 is configured such that its discharge capacity can be changed steplessly by adjusting the duty ratio Duty _wp .

冷却液流路６４ａ及び６４ｂは、オイルポンプ６１、オイルクーラ６０、及びモータ１４－１に連通している。油冷回路では、オイルポンプ６１が作動することにより冷却油が冷却液流路６４ａ及び６４ｂを流れることで、冷却油がオイルポンプ６１、モータ１４－１、及びオイルクーラ６０を通って循環する。モータ１４－１の周りには、冷却液流路６４ａ及び６４ｂに連なる配油管が設けられ、この配油管を流れる冷却油とモータ１４－１との間で熱交換が行われるように構成される。モータ１４－１の周りに設けられた配油管においては、当該配油管を通じてモータ１４－１へ流れ込む冷却油についての入口側冷却液温度を検出する入口側温度センサ６２と、当該配油管を通じてモータ１４－１から流れ出る冷却油についての出口側冷却液温度を検出する出口側温度センサ６３とが設けられる。 The cooling fluid flow paths 64a and 64b are connected to the oil pump 61, the oil cooler 60, and the motor 14-1. In the oil cooling circuit, the oil pump 61 is operated to cause the cooling oil to flow through the cooling fluid flow paths 64a and 64b, and the cooling oil circulates through the oil pump 61, the motor 14-1, and the oil cooler 60. An oil distribution pipe connected to the cooling fluid flow paths 64a and 64b is provided around the motor 14-1, and heat exchange is performed between the cooling oil flowing through this oil distribution pipe and the motor 14-1. In the oil distribution pipe provided around the motor 14-1, an inlet side temperature sensor 62 is provided to detect the inlet side cooling fluid temperature of the cooling oil flowing into the motor 14-1 through the oil distribution pipe, and an outlet side temperature sensor 63 is provided to detect the outlet side cooling fluid temperature of the cooling oil flowing out of the motor 14-1 through the oil distribution pipe.

冷却回路制御装置１０は、低温回路１における冷却回路構成機器を構成するウォータポンプ１１及びオイルポンプ６１を制御する。冷却回路制御装置１０は、冷却温度推定装置２０と、フィードフォワード制御部２１と、フィードバック制御部２２と、冷却回路制御部２３と、減算器２４と、加算器２５とを備える。 The cooling circuit control device 10 controls the water pump 11 and oil pump 61 that constitute the cooling circuit components in the low-temperature circuit 1. The cooling circuit control device 10 includes a cooling temperature estimation device 20, a feedforward control unit 21, a feedback control unit 22, a cooling circuit control unit 23, a subtractor 24, and an adder 25.

冷却温度推定装置２０は、機械学習（ＡＩ：人工知能）による学習済の冷却液温度推定モデルを用いてオイルクーラ６０の出口側冷却液温度の推定値を計算する。冷却温度推定装置２０は、機械学習装置３０と、取得部３１と、推定部３２とを備える。 The cooling temperature estimation device 20 calculates an estimate of the outlet side coolant temperature of the oil cooler 60 using a coolant temperature estimation model that has been trained using machine learning (AI: artificial intelligence). The cooling temperature estimation device 20 includes a machine learning device 30, an acquisition unit 31, and an estimation unit 32.

取得部３１は、モータ１４－１への制御目標値と、モータ１４－１の経年変化に伴い変化するパラメータである熱抵抗と、オイルポンプ６１への制御目標値と、オイルポンプ６１が作動することにより配油管を通じてモータ１４－１へ流れ込む冷却油についてのモータ１４－１の入口側冷却液温度と、ウォータポンプ１１への制御目標値と、オイルクーラ６０の経年変化に伴い変化するパラメータである熱透過率と、ウォータポンプ１１が作動することにより配水管を通じてオイルクーラ６０へ流れ込む冷却水についてのオイルクーラ６０の入口側冷却液温度とからなる時系列データを、入力データセットとして取得する。出力データセットと併せて機械学習装置３０による冷却液温度推定モデルの機械学習に用いられるとともに、学習済の冷却液温度推定モデルを用いた推定部３２によるモータ１４－１の出口側冷却液温度の推定値の計算に用いられる。 The acquisition unit 31 acquires, as an input data set, time series data consisting of a control target value for the motor 14-1, thermal resistance, which is a parameter that changes with aging of the motor 14-1, a control target value for the oil pump 61, the inlet coolant temperature of the motor 14-1 for the cooling oil that flows into the motor 14-1 through the oil distribution pipe when the oil pump 61 is operated, a control target value for the water pump 11, thermal transmittance, which is a parameter that changes with aging of the oil cooler 60, and the inlet coolant temperature of the oil cooler 60 for the cooling water that flows into the oil cooler 60 through the water distribution pipe when the water pump 11 is operated. The data is used for machine learning of the coolant temperature estimation model by the machine learning device 30 together with the output data set, and is used for calculation of an estimate of the outlet coolant temperature of the motor 14-1 by the estimation unit 32 using the learned coolant temperature estimation model.

また、取得部３１は、入力データセットと同時刻における配水管を通じてオイルクーラ６０から流れ出る冷却水についてのオイルクーラ６０の出口側冷却液温度の時系列データを出力データセットとして取得する。 The acquisition unit 31 also acquires, as an output data set, time series data on the outlet coolant temperature of the oil cooler 60 for the cooling water flowing out of the oil cooler 60 through the water pipe at the same time as the input data set.

機械学習装置３０は、取得部３１により取得された入力データセットと、この入力データセットと同時刻における出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習装置３０は、ニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。ニューラルネットワークについては、図５及び図６を参照して説明した通りである。 The machine learning device 30 performs machine learning of the coolant temperature estimation model using training data consisting of an input dataset acquired by the acquisition unit 31 and an output dataset at the same time as the input dataset. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a neural network. The neural network is as described with reference to Figures 5 and 6.

推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、オイルクーラ６０の出口側冷却液温度の推定値を計算する。 The estimation unit 32 uses the coolant temperature estimation model learned by the machine learning device 30 to calculate an estimate of the outlet side coolant temperature of the oil cooler 60 from the input data set acquired by the acquisition unit 31.

フィードフォワード制御部２１は、冷却温度推定装置２０により計算されたオイルクーラ６０の出口側冷却液温度の推定値に基づいて、フィードフォワード制御により第１指令値を出力する。 The feedforward control unit 21 outputs a first command value by feedforward control based on the estimated value of the outlet coolant temperature of the oil cooler 60 calculated by the cooling temperature estimation device 20.

減算器２４は、オイルクーラ６０の出口側冷却液温度の目標値と出口側温度センサ１７により検出されたオイルクーラ６０の出口側冷却液温度のセンサ値との偏差を計算し、フィードバック制御部２２は、この偏差に基づいてフィードバック制御により第２指令値を出力する。フィードバック制御としては、例えばＰＩＤ制御またはＰＩ制御が用いられる。 The subtractor 24 calculates the deviation between the target value of the outlet side coolant temperature of the oil cooler 60 and the sensor value of the outlet side coolant temperature of the oil cooler 60 detected by the outlet side temperature sensor 17, and the feedback control unit 22 outputs a second command value by feedback control based on this deviation. As the feedback control, for example, PID control or PI control is used.

加算器２５は、第１指令値と第２指令値とを加算して総指令値を生成し、冷却回路制御部２３は、この総指令値に基づいて冷却回路構成機器であるウォータポンプ１１及びオイルポンプ６１を制御する。 The adder 25 adds the first command value and the second command value to generate a total command value, and the cooling circuit control unit 23 controls the water pump 11 and the oil pump 61, which are cooling circuit components, based on this total command value.

なお、図示は省略するが、図１３に示す冷却回路制御装置１０は、通信インタフェースと、メモリと、プロセッサとを備えるコンピュータであり、例えば、車載温調装置１０００が搭載された車両に設けられたＥＣＵ内に構成される。 Although not shown, the cooling circuit control device 10 shown in FIG. 13 is a computer equipped with a communication interface, a memory, and a processor, and is configured, for example, within an ECU provided in a vehicle equipped with the vehicle-mounted temperature adjustment device 1000.

このうち冷却回路制御装置１０内の通信インタフェースは、低温回路１を構成する各種機器（例えば、モータ１４－１、ウォータポンプ１１、入口側温度センサ１６、及び出口側温度センサ１７、オイルクーラ６０、オイルポンプ６１、入口側温度センサ６２、及び出口側温度センサ６３など）に冷却回路制御装置１０を接続するためのインタフェース回路を有する。 The communication interface in the cooling circuit control device 10 has an interface circuit for connecting the cooling circuit control device 10 to various devices that make up the low-temperature circuit 1 (e.g., motor 14-1, water pump 11, inlet temperature sensor 16, outlet temperature sensor 17, oil cooler 60, oil pump 61, inlet temperature sensor 62, and outlet temperature sensor 63, etc.).

また、冷却回路制御装置１０内のメモリについては図２、図８、及び図１１を参照して説明した通りであるが、本実施形態では、メモリに記憶される機械学習処理をコンピュータに実行させるためのコンピュータプログラムは、次のような取得ステップと学習ステップとを備える。すなわち、取得ステップでは、モータ１４－１への制御目標値と、モータ１４－１の熱抵抗と、オイルポンプ６１への制御目標値と、モータ１４－１の入口側冷却液温度と、ウォータポンプ１１への制御目標値と、オイルクーラ６０の熱透過率と、オイルクーラ６０の入口側冷却液温度とからなる時系列データを、入力データセットとして取得し、入力データセットと同時刻における配水管を通じてオイルクーラ６０から流れ出る冷却水についてのオイルクーラ６０の出口側冷却液温度の時系列データを、出力データセットとして取得する。学習ステップでは、入力データセットと、該入力データセットと同時刻における出力データセットとからなる教師データにより、冷却液温度推定モデルの機械学習を行う。機械学習処理をコンピュータに実行させるためのコンピュータプログラムには、冷却液温度推定モデルの機械学習を行うニューラルネットワークが実装される。ニューラルネットワークとして、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。 The memory in the cooling circuit control device 10 has been described with reference to FIG. 2, FIG. 8, and FIG. 11, but in this embodiment, the computer program for causing a computer to execute the machine learning process stored in the memory includes the following acquisition step and learning step. That is, in the acquisition step, time series data consisting of the control target value for the motor 14-1, the thermal resistance of the motor 14-1, the control target value for the oil pump 61, the inlet side coolant temperature of the motor 14-1, the control target value for the water pump 11, the thermal transmittance of the oil cooler 60, and the inlet side coolant temperature of the oil cooler 60 is acquired as an input data set, and time series data of the outlet side coolant temperature of the oil cooler 60 for the coolant flowing out of the oil cooler 60 through the water pipe at the same time as the input data set is acquired as an output data set. In the learning step, machine learning of the coolant temperature estimation model is performed using teacher data consisting of the input data set and the output data set at the same time as the input data set. A neural network that performs machine learning of the coolant temperature estimation model is implemented in the computer program for causing the computer to execute the machine learning process. As the neural network, for example, a recurrent neural network, LSTM, GRU, etc. can be used.

プロセッサについては図２、図８、及び図１１を参照して説明した通りである。 The processor is as described with reference to Figures 2, 8, and 11.

図１４は、モータと冷却油との間の熱交換及びオイルクーラにおける冷却油と冷却水との間の熱交換を説明する図である。 Figure 14 is a diagram explaining the heat exchange between the motor and the cooling oil, and between the cooling oil and the cooling water in the oil cooler.

図１２に示すように、オイルポンプ６１は、図１３に示した冷却回路制御装置１０の制御により、冷却液流路６４ａ及び６４ｂを循環する冷却油を圧送する。オイルポンプ６１は、ディーティー比Ｄｕｔｙ_opが調整されることによりその吐出容量が無段階に変化するように構成される。モータ１４－１の周りには、図１０に示した冷却液流路６４ｂが設けられ、この冷却液流路６４ｂを流れる冷却油とモータ１４－１との間で熱交換が行われるように構成されている。モータ１４－１への制御目標値のうち、モータ１４－１の回生電力量をＷ_inとし、モータ１４－１のモータ軸出力をＷ_outとする。モータ１４－１の経年変化に伴い変化するパラメータであるモータ１４－１の熱抵抗をＲ_motとする。入口側温度センサ６２は、冷却液流路６４ａを通じてモータ１４－１へ流れ込む冷却油についての入口側冷却油液温度Ｔｏ_inを検出する。出口側温度センサ１７は、冷却液流路６４ｂを通じてモータ１４－１から流れ出る冷却油についての出口側冷却液温度Ｔｏ_outを検出する。 As shown in FIG. 12, the oil pump 61 pumps the cooling oil circulating through the cooling liquid flow paths 64a and 64b under the control of the cooling circuit control device 10 shown in FIG. 13. The oil pump 61 is configured so that its discharge capacity changes steplessly by adjusting the duty ratio Duty _op . The cooling liquid flow path 64b shown in FIG. 10 is provided around the motor 14-1, and heat exchange is performed between the cooling oil flowing through the cooling liquid flow path 64b and the motor 14-1. Among the control target values for the motor 14-1, the regenerative power amount of the motor 14-1 is W _in , and the motor shaft output of the motor 14-1 is W _out . The thermal resistance of the motor 14-1, which is a parameter that changes with the aging of the motor 14-1, is R _mot . The inlet temperature sensor 62 detects the inlet side cooling oil temperature To _in of the cooling oil flowing into the motor 14-1 through the cooling liquid flow path 64a. The outlet temperature sensor 17 detects the outlet coolant temperature To _out of the cooling oil flowing out from the motor 14-1 through the coolant flow passage 64b.

図４を参照して説明したモータ１４－１の周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、モータ１４－１の周りに設けられる冷却液流路６４ｂを流れる冷却油の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、オイルポンプ６１のディーティー比Ｄｕｔｙ_opの増加及び油温の上昇に伴いモータ１４－１の周りに設けられる冷却液流路６４ｂを流れる冷却油の流量が増えると、制御量（Ｄｕｔｙ_op、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｏ_out（出口側温度センサ６３により検出）の応答遅れが減少する。このようにモータ１４－１の制御目標値（Ｗ_in、Ｗ_out）及びオイルポンプ６１の作動状態（Ｄｕｔｙ_op）が変化すると、制御量（Ｄｕｔｙ_wp、Ｗ_in、Ｗ_out）に対するモータ１４－１の出口側冷却液温度Ｔｏ_outの応答遅れが変化し、過渡的な誤差となって現れる。また、モータ１４－１の経年劣化によりモータ１４－１の熱損失Ｒ_motが変化し、モータ１４－１の出口側冷却液温度Ｔｏ_outの定常的な誤差となって現れる。このような現象を関数式で表すと式４のようになる。 The relationship between the flow rate of cooling water flowing through the water distribution pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled amount, which has been described with reference to Fig. 4, also holds true for the relationship between the flow rate of cooling oil flowing through the cooling liquid flow path 64b provided around the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled amount. In other words, when the flow rate of cooling oil flowing through the cooling liquid flow path 64b provided around the motor 14-1 increases with an increase in the duty ratio Duty _op of the oil pump 61 and a rise in the oil temperature, the response delay of the outlet side cooling liquid temperature To _out of the motor 14-1 (detected by the outlet side temperature sensor 63) to the controlled amount (Duty _op , W _in , W _out ) decreases. When the control target values (W _in , W _out ) of the motor 14-1 and the operating state (Duty _op ) of the oil pump 61 change in this way, the response delay of the outlet coolant temperature To _out of the motor 14-1 relative to the control amount (Duty _wp , W _in , W _out ) changes, appearing as a transient error. In addition, the heat loss R _mot of the motor 14-1 changes due to deterioration of the motor 14-1 over time, appearing as a steady error in the outlet coolant temperature To _out of the motor 14-1. This phenomenon can be expressed as a function equation as shown in Equation 4.

また、図１２に示すように、ウォータポンプ１１は、図１３に示した冷却回路制御装置１０の制御により、冷却液流路１５ａ及び１５ｂを循環する冷却水を圧送する。ウォータポンプ１１は、ディーティー比Ｄｕｔｙ_wpが調整されることによりその吐出容量が無段階に変化するように構成される。オイルクーラ６０には、図１３に示した冷却液流路１５ａ及び１５ｂに連なる配水管１５が設けられ、この配水管１５を流れる冷却水と冷却液流路６４ａを流れる冷却油との間で熱交換が行われるように構成されている。オイルクーラ６０の経年変化に伴い変化するパラメータであるオイルクーラ６０の熱透過率をＲ_hxとする。入口側温度センサ１６は、配水管１５を通じてオイルクーラ６０へ流れ込む冷却水についての入口側冷却液温度Ｔｗ_inを検出する。出口側温度センサ１７は、配水管１５を通じてオイルクーラ６０から流れ出る冷却水についての出口側冷却液温度Ｔｗ_outを検出する。 As shown in FIG. 12, the water pump 11 pumps the cooling water circulating through the cooling liquid flow paths 15a and 15b under the control of the cooling circuit control device 10 shown in FIG. 13. The water pump 11 is configured so that its discharge capacity can be changed steplessly by adjusting the duty ratio Duty _wp . The oil cooler 60 is provided with a water distribution pipe 15 connected to the cooling liquid flow paths 15a and 15b shown in FIG. 13, and is configured so that heat exchange occurs between the cooling water flowing through the water distribution pipe 15 and the cooling oil flowing through the cooling liquid flow path 64a. The thermal transmittance of the oil cooler 60, which is a parameter that changes with the aging of the oil cooler 60, is R _hx . The inlet side temperature sensor 16 detects the inlet side cooling liquid temperature Tw _in of the cooling water flowing into the oil cooler 60 through the water distribution pipe 15. The outlet side temperature sensor 17 detects the outlet side cooling liquid temperature Tw _out of the cooling water flowing out of the oil cooler 60 through the water distribution pipe 15.

図４を参照して説明したモータ１４－１の周りに設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係は、オイルクーラ６０に設けられる配水管１５を流れる冷却水の流量と制御量に対する出口側冷却液温度の応答遅れとの関係においても同様に成り立つ。すなわち、ウォータポンプ１１のディーティー比Ｄｕｔｙ_wpの増加及び水温の上昇に伴いオイルクーラ６０に設けられる配水管１５を流れる冷却水の流量が増えると、制御量（Ｄｕｔｙ_wp、Ｄｕｔｙ_op）に対するオイルクーラ６０の出口側冷却液温度Ｔｗ_out（出口側温度センサ１７により検出）の応答遅れが減少する。このようにオイルクーラ６０の（Ｄｕｔｙ_op）作動状態、ウォータポンプ１１の作動状態（Ｄｕｔｙ_wp）、及びモータ１４－１の出口側冷却液温度Ｔｏ_outが変化すると、制御量（Ｄｕｔｙ_wp、Ｄｕｔｙ_op）に対するモータ１４－１の出口側冷却液温度Ｔｗ_outの応答遅れが変化し、過渡的な誤差となって現れる。また、オイルクーラ６０の経年劣化により熱透過率Ｒ_hxが変化し、オイルクーラ６０の出口側冷却液温度Ｔｗ_outの定常的な誤差となって現れる。このような現象を関数式で表すと式５のようになる。 4, the relationship between the flow rate of cooling water flowing through the distribution pipe 15 provided around the motor 14-1 and the response delay of the outlet side cooling liquid temperature to the controlled amount also holds true for the relationship between the flow rate of cooling water flowing through the distribution pipe 15 provided in the oil cooler 60 and the response delay of the outlet side cooling liquid temperature to the controlled amount. That is, when the flow rate of cooling water flowing through the distribution pipe 15 provided in the oil cooler 60 increases with an increase in the duty ratio Duty _wp of the water pump 11 and a rise in the water temperature, the response delay of the outlet side cooling liquid temperature Tw _out of the oil cooler 60 (detected by the outlet side temperature sensor 17) to the controlled amount (Duty _wp , Duty _op ) decreases. When the operating state (Duty _op ) of the oil cooler 60, the operating state (Duty _wp ) of the water pump 11, and the outlet side coolant temperature To _out of the motor 14-1 change in this way, the response delay of the outlet side coolant temperature Tw _out of the motor 14-1 to the control amount (Duty _wp , Duty _op ) changes, which appears as a transient error. In addition, the thermal transmittance R _hx changes due to aging deterioration of the oil cooler 60, which appears as a steady error in the outlet side coolant temperature Tw _out of the oil cooler 60. This phenomenon can be expressed as a function formula as shown in Equation 5.

式４を式５に代入すると、式６が得られる。 Substituting equation 4 into equation 5 gives equation 6.

式６に基づき、本実施形態では、制御量（Ｄｕｔｙ_op、Ｄｕｔｙ_wp、Ｗ_min、Ｗ_out）に対するオイルクーラ６０の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、オイルクーラ６０の経年劣化に伴うオイルクーラ６０の熱透過率Ｒ_hx及びモータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築するために、各時刻の信号が逐次的に入力される状況で時間依存の特徴を学習するのに適したニューラルネットワークを用いて、機械学習処理を行う。このような数値の時系列データを認識するように設計されたニューラルネットワークについて、例えば、リカレントニューラルネットワーク、ＬＳＴＭ、ＧＲＵなどを用いることができる。リカレントニューラルネットワークを用いた冷却液温度推定モデルの機械学習については、例えば図５を参照して説明した内容において「モータ１４－１」の部分を「オイルクーラ６０」及び「モータ１４－１」に置き換えたものが適用される。 Based on Equation 6, in this embodiment, in order to construct a coolant _temperature estimation model that appropriately reflects both a transient error caused by a response delay of the outlet coolant temperature Tw _out of _the oil cooler 60 with respect to the _control amount ( _Duty op , Duty wp , W min , W out ) and a stationary error caused by changes in the thermal transmittance R _hx of the oil cooler 60 and the heat loss R _mot of the motor 14-1 caused by the aging of the oil cooler 60, machine learning processing is performed using a neural network suitable for learning time-dependent features in a situation where signals at each time are input sequentially. As a neural network designed to recognize such time-series data of numerical values, for example, a recurrent neural network, LSTM, GRU, etc. can be used. For the machine learning of the coolant temperature estimation model using a recurrent neural network, for example, the part of "motor 14-1" in the content described with reference to FIG. 5 is replaced with "oil cooler 60" and "motor 14-1".

本実施形態では、モータ１４－１への制御目標値（Ｗ_in、Ｗ_out）と、モータ１４－１の熱抵抗Ｒ_motと、ウォータポンプ１１への制御目標値（Ｄｕｔｙ_wp）及びオイルポンプ６１への制御目標値（Ｄｕｔｙ_op）と、オイルポンプ６１の熱透過率Ｒ_hxと、オイルポンプ６１が作動することにより冷却液流路６４ａを通じてモータ１４－１へ流れ込む冷却油についてのモータ１４－１の出口側冷却液温度Ｔｏ_inと、冷却液流路６４ｂを通じてモータ１４－１から流れ出る冷却油についてのモータ１４－１の出口側冷却液温度Ｔｏ_outと、ウォータポンプ１１が作動することにより配水管１５を通じてオイルクーラ６０へ流れ込む冷却水についてのオイルクーラ６０の入口側冷水液温度Ｔｗ_inとからなる時系列データを、入力データセットとして用いる。また、この入力データセットと同時刻における配水管１５を通じてオイルクーラ６０から流れ出る冷却水についてのオイルクーラ６０の出口側冷却液温度Ｔｗ_outの時系列データを出力データセットとして用いる。入力データセット及び出力データセットは取得部３１によって取得される。機械学習装置３０は、入力データセットと出力データセットからなる教師データにより、リカレントニューラルネットワークを用いて冷却液温度推定モデルの機械学習を行う。リカレントニューラルネットワークは数値の時系列データを認識するように設計されているので、リカレントニューラルネットワークを用いた機械学習により、制御量（Ｄｕｔｙ_op、Ｄｕｔｙ_wp、Ｗ_min、Ｗ_out）に対するオイルクーラ６０の出口側冷却液温度Ｔｗ_outの応答遅れに起因する過渡的な誤差と、オイルクーラ６０の経年劣化に伴うオイルクーラ６０の熱透過率Ｒ_hx及びモータ１４－１の経年劣化に伴うモータ１４－１の熱損失Ｒ_motの変化に起因する定常的な誤差との両方を適切に反映した冷却液温度推定モデルを構築することができる。推定部３２は、機械学習装置３０による学習済の冷却液温度推定モデルを用いて、取得部３１により取得された入力データセットから、オイルクーラ６０の出口側冷却液温度の推定値を計算する。 In this embodiment, the input data set used is time-series data consisting of control target values (W _in , W _out ) for the motor 14-1, thermal resistance R _mot of the motor 14-1, a control target value (Duty _wp ) for the water pump 11 and a control target value (Duty _op ) for the oil pump 61, thermal transmittance R _hx of the oil pump 61, an outlet side coolant temperature To _in of the motor 14-1 for the cooling oil flowing into the motor 14-1 through the coolant flow path 64a when the oil pump 61 is operated, an outlet side coolant temperature To _out of the motor 14-1 for the cooling oil flowing out of the motor 14-1 through the coolant flow path 64b, and an inlet side coolant temperature Tw _in of the oil cooler 60 for the cooling water flowing into the oil cooler 60 through the drain pipe 15 when the water pump 11 is operated. In addition, time series data of the outlet side coolant temperature Tw _out of the oil cooler 60 for the coolant flowing out from the oil cooler 60 through the water pipe 15 at the same time as the input data set is used as an output data set. The input data set and the output data set are acquired by the acquisition unit 31. The machine learning device 30 performs machine learning of the coolant temperature estimation model using a recurrent neural network with teacher data consisting of the input data set and the output data set. Since the recurrent neural network is designed to recognize numerical time series data, it is possible to construct a coolant temperature estimation model that appropriately reflects both a transient error caused by a response delay of the outlet side coolant temperature Tw _out of the oil cooler 60 to the control amount (Duty _op , Duty _wp , W _min , W _out ) and a steady error caused by changes in the thermal transmittance R _hx of the oil cooler 60 due to aging deterioration of the oil cooler 60 and the heat loss R _mot of the motor 14-1 due to aging deterioration of the motor 14-1 by machine learning using the recurrent neural network. The estimation unit 32 uses the coolant temperature estimation model trained by the machine learning device 30 to calculate an estimate of the outlet side coolant temperature of the oil cooler 60 from the input data set acquired by the acquisition unit 31.

このように、本実施形態によれば、モータ１４－１の制御目標値やウォータポンプ１１及びオイルポンプ６１のそれぞれの作動状態の変化に伴う過渡的な誤差（応答遅れ）の影響、及びモータ１４－１及びオイルクーラ６０のそれぞれの経時劣化による出力変化に伴う定常的な誤差の影響の両方を適切に反映した高精度の冷却液温度推定モデルを構築することができる。また、学習済の冷却液温度推定モデルを用いて計算された冷却液温度の推定値を用いたフィードフォワード制御を、フィードバック制御と併せて用いることで、冷却液温度制御の精度及び収束性を向上させることができる。このように冷却液温度制御の精度及び収束性が向上することにより、モータ１４－１及びヒータコア５２の温度調節を最適化し、車載温調装置１０００の空調性能及びシステム効率を向上させることができる。 In this way, according to this embodiment, it is possible to construct a highly accurate coolant temperature estimation model that appropriately reflects both the influence of transient errors (response delays) associated with changes in the control target value of the motor 14-1 and the operating states of the water pump 11 and the oil pump 61, and the influence of steady errors associated with output changes due to deterioration over time of the motor 14-1 and the oil cooler 60. In addition, by using feedforward control using the estimated value of the coolant temperature calculated using the learned coolant temperature estimation model in combination with feedback control, it is possible to improve the accuracy and convergence of the coolant temperature control. By improving the accuracy and convergence of the coolant temperature control in this way, it is possible to optimize the temperature adjustment of the motor 14-1 and the heater core 52, and improve the air conditioning performance and system efficiency of the vehicle temperature adjustment device 1000.

また、上述の実施形態の変形例として、式４に基づき機械学習による学習済の冷却液温度推定モデルを用いてモータ１４－１の出口側冷却液温度Ｔｏ_outを推定し、この推定値を用いて式５に基づき機械学習による学習済の冷却液温度推定モデルを用いてオイルクーラ６０の出口側冷却液温度Ｔｗ_outを推定してもよい。 Furthermore, as a modified example of the above-described embodiment, the outlet side coolant temperature To _out of the motor 14-1 may be estimated using a coolant temperature estimation model trained by machine learning based on Equation 4, and this estimated value may be used to estimate the outlet side coolant temperature Tw _out of the oil cooler 60 using a coolant temperature estimation model trained by machine learning based on Equation 5.

１低温回路
２冷凍回路
３高温回路
１０冷却回路制御装置
１１ウォータポンプ
１２チラー
１２ａ冷媒配管
１２ｂ冷却水配管
１３低温ラジエータ
１４－１モータ
１４－２電池
１５ａ、１５ｂ冷却液流路
１６入口側温度センサ
１７出口側温度センサ
１８電動ファン
１９グリルシャッタ
２０冷却温度推定装置
２１フィードフォワード制御部
２２フィードバック制御部２２
２３冷却回路制御部
２４減算器
２５加算器
３０機械学習装置
３１取得部
３２推定部
４１コンプレッサ
４２水冷コンデンサ
４２ａ熱媒体配管
４２ｂ冷媒配管
４３第１電磁膨張弁
４４第２電磁膨張弁
４５エバポレータ
４６ａ冷凍基本流路
４６ｂエバポレータ流路
４６ｃチラー流路
５１ポンプ
５２ヒータコア
５３電気ヒータ
５４ａ、５４ｂ冷却水流路
６０オイルクーラ
６１オイルポンプ
６２入口側温度センサ
６３出口側温度センサ
６４ａ、６４ｂ冷却液流路
１０１通信インタフェース
１０２メモリ
１０３プロセッサ
１０００車載温調装置 REFERENCE SIGNS LIST 1 low temperature circuit 2 refrigeration circuit 3 high temperature circuit 10 cooling circuit control device 11 water pump 12 chiller 12a refrigerant piping 12b cooling water piping 13 low temperature radiator 14-1 motor 14-2 battery 15a, 15b cooling liquid flow path 16 inlet temperature sensor 17 outlet temperature sensor 18 electric fan 19 grille shutter 20 cooling temperature estimation device 21 feedforward control unit 22 feedback control unit 22
23 Cooling circuit control unit 24 Subtractor 25 Adder 30 Machine learning device 31 Acquisition unit 32 Estimation unit 41 Compressor 42 Water-cooled condenser 42a Heat medium piping 42b Refrigerant piping 43 First electromagnetic expansion valve 44 Second electromagnetic expansion valve 45 Evaporator 46a Refrigeration basic flow path 46b Evaporator flow path 46c Chiller flow path 51 Pump 52 Heater core 53 Electric heater 54a, 54b Cooling water flow path 60 Oil cooler 61 Oil pump 62 Inlet side temperature sensor 63 Outlet side temperature sensor 64a, 64b Cooling liquid flow path 101 Communication interface 102 Memory 103 Processor 1000 Vehicle-mounted temperature control device

Claims

A machine learning device that performs machine learning of a coolant temperature estimation model using training data in which an input dataset is made up of control target values for electric powertrain components, parameters that change with the deterioration of the electric powertrain components over time, control target values for cooling circuit components, and time series data of the inlet coolant temperature of the electric powertrain components for the coolant that flows into the electric powertrain components as the cooling circuit components operate, and an output dataset is time series data of the outlet coolant temperature of the electric powertrain components for the coolant that flows out of the electric powertrain components at the same time as the input dataset.

The machine learning device according to claim 1 ;
an acquisition unit that acquires, as the input data set, time-series data including a control target value for the electric powertrain constituent device, a control target value for the cooling circuit constituent device, and an inlet side coolant temperature of the electric powertrain constituent device;
an estimation unit that calculates an estimate of an outlet side coolant temperature of the electric powertrain component from the input data set acquired by the acquisition unit, using the coolant temperature estimation model that has been learned by the machine learning device;
A cooling temperature estimation device comprising:

The cooling temperature estimation device according to claim 2 ;
a feedforward control unit that outputs a first command value by feedforward control based on an estimated value of an outlet side coolant temperature of the electric powertrain constituent device calculated by the cooling temperature estimation device;
a feedback control unit that outputs a second command value by feedback control based on a deviation between a target value of a coolant temperature on an outlet side of the electric powertrain constituent device and a sensor value of the coolant temperature on an outlet side of the electric powertrain constituent device;
a cooling circuit control unit that controls the cooling circuit components based on a total command value obtained by adding the first command value and the second command value;
A cooling circuit control device comprising:

The cooling circuit control device according to claim 3 ;
A pump constituting the cooling circuit constituent equipment controlled by the cooling circuit control device;
Chiller and
The electric powertrain components;
A radiator that exchanges heat with outside air;
a coolant flow path that communicates with the pump, the chiller, the electric power train components, and the radiator, and through which the coolant circulates when the pump is operated, through the pump, the chiller, the electric power train components, and the radiator;
A low temperature circuit comprising:

A low temperature circuit according to claim 4;
a refrigeration circuit including a compressor that compresses a refrigerant, an inter-medium heat exchanger that causes the refrigerant to release heat to a heat medium to condense the refrigerant, the chiller, and an evaporator that causes the refrigerant to absorb heat and evaporate the refrigerant, and in which the refrigerant circulates through the compressor, the inter-medium heat exchanger, and the chiller or the evaporator;
a high-temperature circuit including a heater core used for heating a vehicle interior, an electric heater, and the intermediate heat exchanger, in which a heat medium circulates through the heater core, the electric heater, and the intermediate heat exchanger;
An on-board temperature control device comprising:

an acquisition step of acquiring, as an input data set, time-series data including a control target value for an electric powertrain component device, a parameter that changes with aging of the electric powertrain component device, a control target value for a cooling circuit component device, and an inlet side coolant temperature of the electric powertrain component device for coolant that flows into the electric powertrain component device as a result of operation of the cooling circuit component device;
a learning step of performing machine learning of a coolant temperature estimation model using teacher data including the input data set and an output data set which is time-series data of an outlet side coolant temperature of the coolant flowing out of the electric powertrain component device at the same time as the input data set;
A computer program for causing a computer to execute a machine learning process comprising: