323～信（2）12）12322（）に11）21222――マツダ技報No.41（2025） ）。また，（（）を採用したn3,（））。（る機能を実現した）。（表現を可能にした3. 実用時の工夫点Fig. 4Modeling Using Gaussian Process Regression しかしながら，ガウス過程回帰は一般にコストがかかるとされており，（大量のデータを取り扱うのが難しい。更に，（ン特性としてのばらつきや急変するような表現が難しいRegression （Het SVGP対してはスパースモデリングと変分推論を組み合わせることで計算コストとメモリー使用量を大幅に削減でき，数十～数百万点の大量なデータを扱えるようにすることで，スイープ計測で取得できる燃焼データを余すことなく抽出してモデル化できる。また，（データの不均質なノイズ成分の分散を求めることが可能で，これによりエンジンの運転条件ごとの燃焼ばらつき2.3 最適化 最適化手法としてはベイズ最適化を採用した。ベイズ最適化では，確率的に推論を行い，目的達成に向けて最Fig. 5適なデータ取得を行うことが可能である（は最小化探索を行う一例で，ガウス過程回帰で予測された特性や曖昧さを基に改善見込みの小さい領域の計測は行わず，確率的に改善の可能性がある点を予測した上で探索することが可能である。Fig. 5Exploration Using Bayesian Optimization しかしながら，一般的なベイズ最適化では，（ジンの制御適合で必要となる出が難しい。更に，（データ取得方法が難しいというに対しては特定の条件をProfile（関数）としてとらえて，Profile Optima法（＝Batch Acquisitionては，した時に最も効率よくデータ取得できる推奨点を発行す2.4 システム構成2.12.3Performance Computingるシステムを構築した（の計算号やベンチ設備の各種計測信号などを含めてリアルタイムにデータ取得して解析処理が可能なシステムである。こ）エンジのシステム上でデータ計測まで実施し，計測データを基に社外環境（クラウド）上でモデル化・最適化を実施する。その後，算出された次の計測点を再度データ計測するという構成としている。また本環境は，）にデータ整合性の確認機能（異常データの混入防止）や各種連携環境とのフェールセーフ機能をもたせることで，夜間無人でも連続動作し続ける計測適合環境を実現した。）。章で説明した基盤技術に加えて，エンジンの制御適合で考慮した内容を紹介する。3.1 リターダビリティの考慮 エンジンの制御適合では，ギア段変更などの際に車両駆動力変化を最小にするため，点火の遅角制御によってエンジントルクを瞬時に低下させる必要があり，その際の燃焼安定性（＝リターダビリティ）が求められる。前章で説明したスイープ計測は，充填効率を対象としたスイープ計測（MBT 本的に制御しつつ，ノッキングが発生する予兆が出てきた場合に点火制御を遅角させることでノッキング限界に近い点火時期でデータ計測する仕組みとなっている。そのため，）エン従来は本手法とは別にリターダビリティ用に評価を行うce-sweep必要があった。そこで，対する目標トルクを算出し，目標トルクにフィードバック制御しながらでの計測を行うことでリターダビリティを評価することを可能にした（19O （）スイープ計測によるつの技術課題に対して，という課題がある。これらHeteroscedastic Sparse Variational Gaussian Process を用いた。この技術は，（）に対しては，Fig. 5次元マップ上の最適点導）高速計測に合わせた効率のよいつの課題がある。（つ取り出すという考え方から，次元上に導出する手を採用し，スイープ計測を実施の機能群を活用するため，）システム上に各機能を統合すFig. 6HPC）。Fig. 6System Overview）を利用しており，点火制御は基ce-sweepMinimum advance for the Best Torquece-sweep計測を行い，異なる点火条件Fig. 7）。）に対しHPC High ECUシステムはシステム内でHPCの計測後に充填効率に
元のページ ../index.html#28