マツダ技報2025

14/257

（5――マツダ技報No.41（2025）　　　　　　　　Structure of Refrigerant Circuit AI ModelInput/Output Structure of Self-Recurrence Model at Inferenceに示すように，時間の経過に従っFig. 9の時系列データにガウシアンノイズをあらOutputの誤差を自己補正させる工夫Self-Correction by Noise-Added Learning1D-CAEModelAIモデルの構造AIサロゲートモデルの入出力構いる。本デコーダーモデルを用いて冷凍サイクル内に配置されたコンデンサーを通過する風速を生成した結果のFig. 6一部をに示す。これらのデータをの境界条件として与えることで，網羅的な境界条件でのデータ構築を行った。Fig. 4Schematic Diagram of Auto-Encoder ModelFig. 5Schematic Diagram of Time Series Data Generation by Auto-Encoder ModelFig. 6Time Series Data Generated by Auto-Encoder 　冷凍サイクル2.3Fig. 7に冷凍サイクルInput1造を示す。として過去数十秒に及ぶ冷凍サイクル内部状態量や外部との境界条件，各熱交換器の能力を入力し，として次の時刻の制御指示値を入力していInput2Outputる。また，として次の時刻における冷凍サイクル内部状態量や各熱交換器の能力を出力する構造としている。冷凍サイクルは，大きな時定数をもっておりコンプレッサー回転指示などの入力に対して即座に熱交換能力等の出力が反応するとは限らないため，このような時系列変化を考慮可能なモデル構造にすることで，入力に対Fig. 8する出力応答性の精度確保をねらっている。また，モデルの出力結果を次の時刻の入力AIに示すようにInput1）として使用することで，長期的な未来を予測していく自己回帰型の構造としている。モデルFig. 7Fig. 82.4　ガウシアンノイズによる予測精度改善　先述したとおり，本モデルは過去時刻の出力結果を次の時刻の入力として活用する自己回帰型のなっているため，て入力値に誤差が蓄積され，予測精度が悪化するという問題が生じる。その問題に対処するため，ようにInput1かじめ付与した上で学習させることによって，自己回帰によって蓄積するを行っている。Fig. 9Schematic Diagram of Input Error Accumulation Problem at Inference on Self-Recurrence ModelFig. 10モデルにAIに示すFig. 10