特許ウォッチ

公開番号2025023513
公報種別公開特許公報(A)
公開日2025-02-17
出願番号2023127685
出願日2023-08-04
発明の名称機械学習モデル
出願人トヨタ自動車株式会社
代理人弁理士法人平木国際特許事務所
主分類B01D 53/86 20060101AFI20250207BHJP(物理的または化学的方法または装置一般)
要約【課題】触媒構成や耐久時間に応じた浄化性能の感度を正確に予測できる機械学習モデルを提供することにある。
【解決手段】本発明の機械学習モデルは、排ガス浄化触媒の浄化性能を予測する機械学習モデルであって、構成を表現する情報を有する情報を説明変数とし、浄化性能を表現する情報を目的変数として機械学習を行うことにより構築され、機械学習では、モデルの学習を所定回数行い、該所定回数の学習後のモデルを仮モデルとして保存した後に、更新学習を繰り返し実行し、更新学習では、仮モデルの学習を1回行い、1回の学習後のモデルを使用し予測される触媒金属の量及び耐久時間に応じた浄化性能の感度が、感度条件を満足するか否かを判定した上で、感度条件を満足する場合、1回の学習後のモデルを仮モデルとして上書き保存し、感度条件を満足しない場合、1回の学習後のモデルを仮モデルとして上書き保存しないことを特徴とする。
【選択図】図2
特許請求の範囲【請求項１】
排ガス浄化触媒の浄化性能を予測する機械学習モデルであって、
前記機械学習モデルは、触媒構成を表現する情報を有する情報を説明変数とし、浄化性能を表現する情報を目的変数として機械学習を行うことにより構築され、
前記機械学習では、モデルの学習を所定回数行い、該所定回数の学習後のモデルを仮モデルとして保存した後に、更新学習を繰り返し実行し、
前記更新学習では、前記仮モデルの学習を１回行い、前記１回の学習後のモデルを使用し予測される触媒金属の量及び耐久時間に応じた浄化性能の感度が、感度条件を満足するか否かを判定した上で、前記感度条件を満足する場合、前記１回の学習後のモデルを前記仮モデルとして上書き保存し、前記感度条件を満足しない場合、前記１回の学習後のモデルを前記仮モデルとして上書き保存しないことを特徴とする機械学習モデル。

発明の詳細な説明【技術分野】
【０００１】
２０２３年１月２３日に日本国特許庁に出願した特願２０２３－００７９７４号の全内容及び２０２３年５月１６日に日本国特許庁に出願した特願２０２３－０８１０９０号の全内容を本出願の開示に援用する。本発明は、排ガス浄化触媒の性能を予測する機械学習モデルに関する。
続きを表示（約 2,300 文字）【背景技術】
【０００２】
従来、排ガス浄化触媒の浄化性能を予測する種々の機械学習モデルが知られている。具体的には、例えば、特許文献１には、複数の種類の触媒表面の含有元素割合と触媒表面における比表面積の値を教師データとして予め学習させた機械学習モデルが記載されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２２－１８５９４０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
従来は、浄化性能に影響する触媒構成や耐久履歴等に係る諸元を網羅した学習用データの用意が困難であり、浄化性能に影響する説明変数が多数あるため過学習が起きるおそれがあった。よって、従来知見の想定通りに、浄化性能の感度を正確に予測することは困難であった。本発明は、このような点を鑑みてなされ、その目的は、触媒構成や耐久時間に応じた浄化性能の感度を正確に予測できる機械学習モデルを提供することにある。
【課題を解決するための手段】
【０００５】
上記課題を解決すべく、本発明の機械学習モデルは、排ガス浄化触媒の浄化性能を予測する機械学習モデルであって、上記機械学習モデルは、触媒構成を表現する情報を有する情報を説明変数とし、浄化性能を表現する情報を目的変数として機械学習を行うことにより構築され、上記機械学習では、モデルの学習を所定回数行い、該所定回数の学習後のモデルを仮モデルとして保存した後に、更新学習を繰り返し実行し、上記更新学習では、上記仮モデルの学習を１回行い、上記１回の学習後のモデルを使用し予測される触媒金属の量及び耐久時間に応じた浄化性能の感度が、感度条件を満足するか否かを判定した上で、上記感度条件を満足する場合、上記１回の学習後のモデルを上記仮モデルとして上書き保存し、上記感度条件を満足しない場合、上記１回の学習後のモデルを上記仮モデルとして上書き保存しないことを特徴とする。
【発明の効果】
【０００６】
本発明によれば、触媒構成や耐久時間に応じた浄化性能の感度を正確に予測できる。
【図面の簡単な説明】
【０００７】
（ａ）は、触媒の各学習用サンプルにおける基材の隔壁及び触媒層を拡大して示す概略断面図である。（ｂ）と（ｃ）とは、それぞれ、耐久履歴を表現する情報の取得方法と、浄化性能評価試験を表現する情報及び浄化性能を表現する情報の取得方法とを説明する図である。
（ａ）及び（ｂ）は、それぞれ実施例及び比較例に係る機械学習モデルの構築の処理フローである。
（ａ）の左側グラフは、実施例の機械学習モデルを使用することで中性能触媒の耐久パターンＡの耐久時間に応じたＴ５０（ＮＯｘ）の感度を予測した結果を、高性能触媒及び低性能触媒の実測により求めた結果と一緒に示すグラフである。（ａ）の右側のグラフは、比較例の機械学習モデルを使用することで中性能触媒の耐久パターンＡの耐久時間に応じたＴ５０（ＮＯｘ）の感度を予測した結果を、上記の実測により求めた結果と一緒に示すグラフである。（ｂ）の左側グラフは、実施例の機械学習モデルを使用することで低性能触媒の耐久パターンＢの耐久時間に応じたＴ５０（ＮＯｘ）の感度を予測した結果を、高性能触媒及び中性能触媒の実測により求めた結果と一緒に示すグラフである。（ｂ）の右側のグラフは、比較例の機械学習モデルを使用することで低性能触媒の耐久パターンＢの耐久時間に応じたＴ５０（ＮＯｘ）の感度を予測した結果を、上記の実測により求めた結果と一緒に示すグラフである。
【発明を実施するための形態】
【０００８】
実施形態に係る機械学習モデルは、特願２０２３－００７９７４号の一実施形態に係る予測装置における予測部の予測モデルの代わりに用いられる予測モデルである。実施形態に係る機械学習モデルの機械学習での更新学習前の学習の回数としては、特に限定されず、予測精度が向上するように適宜調整すればよいが、多過ぎると過学習が生じ、少な過ぎると予測精度が低下するおそれがある。更新学習の繰り返し回数としては、特に限定されないが、更新学習前の学習の回数を考慮し、予測精度が向上するように調整すればよい。実施形態に係る機械学習モデルによれば、更新学習で１回ずつ学習を進めることで、従来知見の想定と異なる予測となる方向に学習が進行しないので、触媒構成や耐久時間に応じた浄化性能の感度を正確に予測できる。
【実施例】
【０００９】
［実施例］
実施形態に係る機械学習モデルの一例を作製した。
【００１０】
１．機械学習モデルの構築に用いる説明変数及び目的変数のデータ集合の取得
（１）排ガス浄化触媒の学習用サンプルの準備
まず、排ガス浄化触媒の８００個の学習用サンプルを特願２０２３－００７９７４号と同様に準備した。図１（ａ）に示すように、各学習用サンプルＣＳは、ストレートフロー型の触媒であって、枠部（図示せず）及びその内側の空間をハニカム状に仕切る隔壁１４が一体形成されたハニカム基材１０と、隔壁１４のセル１２側の表面１４ｃ上に設けられ、第１層２０ａ～第５層２０ｅのうちの少なくとも第１層及び第２層を有する触媒層２０とを備えている。触媒層２０の各層は、粉末Ｐ１～Ｐｘ（ｘは所定の２以上の整数）を含んでおり、粉末の少なくとも１種に担持される触媒金属を含んでいる。触媒金属は、触媒金属Ｍ１～Ｍｙ（ｙは所定の２以上の整数）の少なくとも１種である。
（【００１１】以降は省略されています）

関連特許