マツダ技報2025

24/257

4. おわりにValidation Result of Each Vehicle Fuel EconomyValidation Result of Fuel Economy Distribution車両システムモデルによるシステム全体の最適手法を構築してきた。従来の本モデルによるを適用することで，リアルCGANの条件ベクトルにビッグデータ内の車速とAI，モデルを用いた一連の予測技術によっUDDS る車重の違いや，走行する路面の状況（摩擦や勾配）の考慮が考えられる。Fig. 12Fig. 13　マツダでは，車両を構成する各ユニットを1DしたMBD化の検討では，決められた走行モードでの解析を主体としてきたが，今後のカーボンニュートラルの実現に向けては，実際のお客様の使い方を想定した解析により，市場の実用燃費分布を予測することが求められる。そこで本稿では，以下について紹介した。市場の車両から入手可能なビッグデータに生成a. GANの発展系であるワールドを再現した走行シナリオを生成する手法を構築した。CGAN加速度のヒストグラムを与えることで，お客様の使い方節で述を表すヒストグラムから車速パターンの生成を可能とした。b. 市場のビッグデータのヒストグラムから生成した車速パターンを車両システムモデルの入力として解析を行い，実測と机上予測による燃費分布を比較した。個車の実用燃費と全体の燃費分布の再現性を確認し，ビッグデータと生成て，車両の量産前の段階から市場での燃費分布を把握することを実現した。15Fig. 11では，北米の認証モードの一つであるUrban Dynamometer Driving Scheduleの解析精度を示している。エンジン負荷に影響するギアの変速制御について実測の挙動を再現できており，今回の解析目標である燃料消費量を精度よく予測可能なことを確認した。Fig. 11Validation Result of Mode Drive Situation3.3　解析結果　今回検討した手法を用いた実用燃費分布の解析結果を以下に示す。節で述べたように，3.1トグラムから生成した車速パターンをモデルに入力して，実用燃費分布の解析を行った。まずプルにおけるモデルで予測した燃費と実際の燃費を比較した結果を示す。図中の青の点線は，モデルの予測値を10％オフセットした範囲を表しており，各サンプルの実測がこの範囲の近傍にあることが分かる。モデルでの燃費が実際の傾向をとらえられ，平均で±差で予測できることを確認した。Fig. 13　そしてでは，モデルで予測した燃費分布と実際の母集団の燃費分布を比較した結果を示している。燃費の平均値（分布の頂点）がルでの分布が実際の分布に近しい形状となっており，本手法による市場の燃費分布の机上予測が有用であることを確認した。なお，分布の分散についてはモデルの方が小さく，実際の分布より燃費が平均値付近に集中していることが分かった。これは，今回のモデルがべたようにハードの温度条件が一定で，また，空調についても非作動で統一しているため，車速パターンの違いのみが燃費の変動因子となることが理由と推察する。　個車の実用燃費と全体の燃費分布を十分に再現できており，従来は車両の量産後にしか分からなかった市場での燃費分布を，量産前の段階から把握して車両開発に活用することを実現した。今後の更なる再現性の向上には前述の温度や空調要素に加えて，乗員数及び積み荷によにおけるモデル（）±1の――マツダ技報No.41（2025）　 　　　　　サンプルのヒス50Fig. 12では，各サン10％以内の誤0.5km/L以内の誤差と，モデ3.2次元で表AI