CN110005537B

CN110005537B - 内燃机的控制装置

Info

Publication number: CN110005537B
Application number: CN201811478398.4A
Authority: CN
Inventors: 北川荣来; 江原雅人
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2017-12-27
Filing date: 2018-12-05
Publication date: 2022-07-05
Anticipated expiration: 2038-12-05
Also published as: DE102018133516A1; US20190195173A1; CN110005537A; DE102018133516B4; JP2019116881A; US10876500B2

Abstract

本发明提供一种即使在运转参数的预先设想的使用范围外也能够合适地推定输出值的内燃机的控制装置。在使用了神经网络的内燃机的控制装置中，对预先设想的使用范围内的内燃机的运转参数的值通过实验得到的输出值设为训练数据，对预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值设为训练数据。使用通过实验得到的训练数据和通过预测得到的训练数据，以使得根据内燃机的运转参数的值而变化的输出值与训练数据一致的方式学习神经网络的权重。

Description

内燃机的控制装置

技术领域

本发明涉及内燃机的控制装置。

背景技术

在使用了神经网络的内燃机的控制装置中，如下的内燃机的控制装置是公知的，该内燃机的控制装置基于内燃机转速、吸入空气量等内燃机的运转参数的值，以使得向燃烧室内的吸入气体量与实际的向燃烧室内的吸入气体量一致的方式预先学习神经网络的权重，在内燃机运转时，使用学习了权重的神经网络，根据内燃机的运转参数的值来推定向燃烧室内的吸入气体量(例如参照专利文献1)。

现有技术文献

专利文献1：日本特开2012-112277号公报

发明内容

发明所要解决的课题

内燃机转速这样的内燃机的运转参数的值的使用范围能够根据内燃机的种类而预先设想，因此，通常对于内燃机的运转参数的值的预先设想的使用范围，以使得向燃烧室内的吸入气体量这样的目标输出量与实际的输出量一致的方式预先学习神经网络的权重。然而，实际上，内燃机的运转参数的值有时会成为预先设想的使用范围外，在该情况下，存在如下问题：对于预先设想的使用范围外，由于未进行关于目标输出量的学习，所以使用神经网络推定出的输出量会成为从实际的输出量大幅偏离的值。

为了解决上述问题，根据本发明，提供一种内燃机的控制装置，具备电子控制单元，电子控制单元具备：取得内燃机的运转参数的值的参数值取得部；使用包括输入层、隐藏层及输出层的神经网络来进行运算的运算部；以及存储部，内燃机的运转参数的值被输入至输入层，根据内燃机的运转参数的值而变化的输出值被从输出层输出，其中，存在对内燃机的运转参数的值预先设想的使用范围，对预先设想的使用范围内的内燃机的运转参数的值通过实验得到的输出值作为训练数据存储于存储部，对预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值作为训练数据存储于存储部，运算部使用通过实验得到的训练数据和通过预测得到的训练数据，以使得根据内燃机的运转参数的值而变化的输出值与对应于内燃机的运转参数的值的训练数据一致的方式学习神经网络的权重，使用学习了权重的神经网络来推定相对于内燃机的运转参数的值的输出值。

发明效果

通过使用对预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值作为训练数据来学习神经网络的权重，在内燃机的运转参数的值成为了预先设想的使用范围外的值时，能够抑制使用神经网络推定出的输出量成为从实际的输出量大幅偏离的值。

附图说明

图1是内燃机的整体图。

图2是示出神经网络的一例的图。

图3A及图3B是示出Sigmoid函数σ的值的变化的图。

图4A及图4B分别是示出神经网络和来自隐藏层的节点的输出值的图。

图5A及图5B分别是示出来自隐藏层的节点的输出值和来自输出层的节点的输出值的图。

图6A及图6B分别是示出神经网络和来自输出层的节点的输出值的图。

图7A及图7B是用于说明通过本申请发明所要解决的课题的图。

图8A及图8B是示出神经网络的输入值与输出值的关系的图。

图9A及图9B分别是示出训练数据相对于内燃机转速和点火正时的分布及训练数据相对于点火正时和节气门开度的分布的图。

图10A及图10B分别是示出训练数据相对于内燃机转速和点火正时的分布及训练数据相对于点火正时和节气门开度的分布的图。

图11A及图11B是示出训练数据与学习后的输出值的关系的图。

图12A及图12B是用于执行学习处理的流程图。

具体实施方式

<内燃机的整体结构>

图1示出内燃机的整体图。参照图1，1表示内燃机本体，2表示各汽缸的燃烧室，3表示在各汽缸的燃烧室2内配置的火花塞，4表示用于向各汽缸供给燃料(例如汽油)的燃料喷射阀，5表示平衡罐，6表示进气支管，7表示排气歧管。平衡罐5经由进气通道8而连结于排气涡轮增压器9的压缩机9a的出口，压缩机9a的入口经由吸入空气量检测器10而连结于空气滤清器11。在进气通道8内配置有由致动器13驱动的节气门12，在节气门12安装有用于检测节气门开度的节气门开度传感器14。另外，在进气通道8周围配置有用于冷却在进气通道8内流动的吸入空气的中冷器15。

另一方面，排气歧管7连结于排气涡轮增压器9的排气涡轮机9b的入口，排气涡轮机9b的出口经由排气管16而连结于排气净化用催化转换器17。排气歧管7与平衡罐5经由排气再循环(以下，称作EGR)通路18而互相连结，在EGR通路18内配置有EGR控制阀19。各燃料喷射阀4连结于燃料分配管20，该燃料分配管20经由燃料泵21而连结于燃料箱22。在排气管16内配置有用于检测排气中的NO_X浓度的NO_X传感器23。另外，在空气滤清器11内配置有用于检测大气温的大气温传感器24。

电子控制单元30由数字计算机构成，具备通过双向性总线31而互相连接的ROM(只读存储器)32、RAM(随机存取存储器)33、CPU(微处理器)34、输入端口35及输出端口36。吸入空气量检测器10、节气门开度传感器14、NO_X传感器23及大气温传感器24的输出信号经由对应的AD变换器37而向输入端口35输入。在加速器踏板40上连接有产生与加速器踏板40的踩踏量成比例的输出电压的负荷传感器41，负荷传感器41的输出电压经由对应的AD变换器37而向输入端口35输入。而且，在输入端口35上连接有在曲轴例如每旋转30°时产生输出脉冲的曲轴角传感器42。在CPU34内，基于曲轴角传感器42的输出信号来算出内燃机转速。另一方面，输出端口36经由对应的驱动电路38而连接于火花塞3、燃料喷射阀4、节气门驱动用致动器13、EGR控制阀19及燃料泵21。

<神经网络的概要>

在本发明的实施例中，使用神经网络来推定表示内燃机的性能的各种值。图2示出了该神经网络的一例。图2中的圆形记号表示人工神经元，在神经网络中，该人工神经元通常被称作节点或单元(在本申请中称作节点)。在图2中，l＝1表示输入层，l＝2及l＝3表示隐藏层，l＝4表示输出层。另外，在图2中，x₁及x₂表示来自输入层(l＝1)的各节点的输出值，y表示来自输出层(l＝4)的节点的输出值，z₁、z₂及z₃表示来自隐藏层(l＝2)的各节点的输出值，z₁及z₂表示来自隐藏层(l＝3)的各节点的输出值。此外，隐藏层的层数能够设为1个或任意个数，输入层的节点的数量及隐藏层的节点的数量也能够设为任意个数。此外，在本发明的实施例中，输出层的节点的数量设为1个。

在输入层的各节点中，将输入直接输出。另一方面，对隐藏层(l＝2)的各节点输入输入层的各节点的输出值x₁及x₂，在隐藏层(l＝2)的各节点中，使用各自对应的权重w及偏置b来算出总输入值u。例如，在图2中的隐藏层(l＝2)的z₁所示的节点处算出的总输入值u成为(Σx·w+b)＝x₁·w₁₁+x₂·w₁₂+b₁。接着，该总输入值u由激活函数进行变换，从隐藏层(l＝2)的z₁所示的节点作为输出值z₁输出。关于隐藏层(l＝2)的其他节点也是同样的。另一方面，对隐藏层(l＝3)的各节点输入隐藏层(l＝2)的各节点的输出值z₁、z₂及z₃，在隐藏层(l＝3)的各节点中，使用各自对应的权重w及偏置b来算出总输入值u(Σz·w+b)。该总输入值u同样由激活函数进行变换，从隐藏层(l＝3)的各节点作为输出值z₁、z₂输出，此外，在本发明的实施例中，使用Sigmoid函数σ作为该激活函数。

另一方面，对输出层(l＝4)的节点输入隐藏层(l＝3)的各节点的输出值z₁及z₂，在输出层的节点中，使用各自对应的权重w及偏置b来算出总输入值u(Σz·w+b)，或者仅使用各自对应的权重w来算出总输入值u(Σz·w)。在本发明的实施例中，在输出层的节点中使用恒等函数，因此，从输出层的节点将在输出层的节点处算出的总输入值u直接作为输出值y输出。

<神经网络对函数的表现>

若使用神经网络，则能够表现任意的函数，接下来，对此进行简单说明。首先，对作为激活函数使用的Sigmoid函数σ进行说明，Sigmoid函数σ由σ(x)＝1/(1+exp(-x))表示，如图3A所示，根据x的值而取0与1之间的值。在此，若将x置换为wx+b，则Sigmoid函数σ由σ(wx+b)＝1/(1+exp(-wx-b))表示。在此，若逐渐增大w的值，则Sigmoid函数σ(wx+b)的曲线部分的倾斜逐渐变陡，若进一步增大w的值，则Sigmoid函数σ(wx+b)在x＝-b/w(成为wx+b＝0的x，即，成为σ(wx+b)＝0.5的x)处如图3B所示那样呈阶梯状变化。若利用这样的Sigmoid函数σ的性质，则能够使用神经网络来表现任意的函数。

例如，使用如图4A所示的由包括1个节点的输入层(l＝1)、包括2个节点的隐藏层(l＝2)及包括1个节点的输出层(l＝3)构成的神经网络，能够表现近似于二次函数的函数。此外，在该神经网络中，如图4A所示，对输入层(l＝1)的节点输入输入值x，对隐藏层(l＝2)中的z₁所示的节点输入使用权重w₁ ^(l2)及偏置b₁算出的输入值u＝x·w₁ ^(l2)+b₁。该输入值u由Sigmoid函数σ(x·w₁ ^(l2)+b₁)进行变换，作为输出值z₁输出。同样，对隐藏层(l＝2)中的z₂所示的节点输入使用权重w₂ ^(l2)ff及偏置b₂算出的输入值u＝x·w₂ ^(l2)+b₂，该输入值u由Sigmoid函数σ(x·w₂ ^(l2)+b₂)进行变换，作为输出值z₂输出。

另一方面，对输出层(l＝3)的节点输入隐藏层(l＝2)的各节点的输出值z₁及z₂，在输出层的节点中，使用各自对应的权重w₁ ^(y)及w₂ ^(y)来算出总输入值u(Σz·w＝z₁·w₁ ^(y)+z₂·w₂ ^(y))。如前所述，在本发明的实施例中，在输出层的节点中使用恒等函数，因此，从输出层的节点将在输出层的节点处算出的总输入值u直接作为输出值y输出。

在图4B的(I)中示出了以在x＝0处Sigmoid函数σ(x·w₁ ^(l2)+b₁)的值成为大致零的方式设定了权重w₁ ^(l2)及偏置b₁时的来自隐藏层(l＝2)的节点的输出值z₁。另一方面，在Sigmoid函数σ(x·w₂ ^(l2)+b₂)中，例如，若将权重w₂ ^(l2)设为负的值，则Sigmoid函数σ(x·w₂ ^(l2)+b₂)的曲线的形状如图4B的(II)所示那样成为伴随于x的增大而减小的形式。在图4B的(II)中示出了以在x＝0处Sigmoid函数σ(x·w₂ ^(l2)+b₂)的值成为大致零的方式设定了权重w₂ ^(l2)及偏置b₂时的来自隐藏层(l＝2)的节点的输出值z₂的变化。

另一方面，在图4B的(III)中，用实线示出了来自隐藏层(l＝2)的各节点的输出值z₁与z₂之和(z₁+z₂)。此外，如图4A所示，对各输出值z₁、z₂乘以各自对应的权重w₁ ^(y)及w₂ ^(y)，在图4B的(III)中，用虚线示出了w₁ ^(y)、w₂ ^(y)>1时的输出值y的变化。在图4B的(III)中，W所示的范围内的虚线的形状表示近似于由y＝ax²(a是系数)表示的二次函数的曲线，因此可知，通过使用如图4A所示的神经网络，能够表现近似于二次函数的函数。

另一方面，图5A示出了通过增大图4A中的权重w₁ ^(l2)及w₂ ^(l2)的值而使Sigmoid函数σ的值如图3B所示那样呈阶梯状变化的情况。在图5A的(I)中示出了以在x＝-b₁/w₁ ^(l2)处Sigmoid函数σ(x·w₁ ^(l2)+b₁)的值呈阶梯状增大的方式设定了权重w₁ ^(l2)及偏置b₁时的来自隐藏层(l＝2)的节点的输出值z₁。另外，在图5A的(II)中示出了以在比x＝-b₁/w₁ ^(l2)稍大的x＝-b₂/w₂ ^(l2)处Sigmoid函数σ(x·w₂ ^(l2)+b₂)的值呈阶梯状减小的方式设定了权重w₂ ^(l2)及偏置b₂时的来自隐藏层(l＝2)的节点的输出值z₂。另外，在图5A的(III)中，用实线示出了来自隐藏层(l＝2)的各节点的输出值z₁与z₂之和(z₁+z₂)。如图4A所示，对各输出值z₁、z₂乘以各自对应的权重w₁ ^(y)及w₂ ^(y)，在图5A的(III)中，用虚线示出了w₁ ^(y)、w₂ ^(y)>1时的输出值y。

这样，在图4A所示的神经网络中，通过隐藏层(l＝2)的一对节点，能够得到如图5A的(III)所示的长条状的输出值y。因此，若增大隐藏层(l＝2)的成对的节点数，并合适地设定隐藏层(l＝2)的各节点处的权重w及偏置b的值，则能够表现对如图5B中的虚线的曲线所示的函数y＝f(x)进行近似的函数。此外，虽然省略详细的说明，但如图6A所示，若对不同的两个输入值x_I及x₂在隐藏层(l＝2)设置各自对应的一对节点，则如图6B所示，能够得到与输入值x_I及x₂相应的柱状的输出值y。在该情况下，可知，若对各输入值x_I、x₂在隐藏层(l＝2)设置许多成对的节点，则能够得到与分别不同的输入值x_I及x₂相应的多个柱状的输出值y，因此，能够表现示出输入值x_I及x₂与输出值y的关系的函数。此外，在存在不同的三个以上的输入值x的情况下也同样能够表现示出输入值x与输出值y的关系的函数。

<神经网络中的学习>

另一方面，在本发明的实施例中，使用误差反向传播算法来学习神经网络内的各权重w的值及偏置b的值。该误差反向传播算法是周知的，因此，关于误差反向传播算法，以下简单说明其概要。此外，由于偏置b是权重w的一种，所以在以下的说明中，将偏置b设为权重w之一。在如图2所示的神经网络中，若用w^(l)来表示向l＝2、l＝3或l＝4的各层的节点的输入值u^(l)中的权重，则误差函数E对权重w^(l)的微分即梯度

可改写成

在此，由于

所以若设为

则能够表示为

在此，若u^(l)变动，则会通过下一层的总输入值u^(l+1)的变化而引起误差函数E的变动，因此，δ^(l)能够表示为

在此，若表示为z^(l)＝f(u^(l))，则上述δ^(l)的右边出现的输入值u_k ^(l+1)能够表示为输入值u_k ^(l+1)＝Σw_k ^(l+1)·z^(l)＝Σw_k ^(l+1)·f(u^(l))(k＝0，1…)。在此，上述δ^(l)的右边第1项

是δ^(l+1)，上述δ^(l)的右边第2项

能够表示为

因此，δ^(l)成为δ^(l)＝Σw_k ^(l+1)·δ^(l+1)·f’(u^(l))(k＝0，1…)。即，若求出δ^(l+1)，则能够求出δ^(l)。

在对某输入值求出了训练数据y_t，且相对于该输入值的来自输出层的输出值是y的情况下，在使用平方误差作为误差函数的情况下，平方误差E通过E＝1/2(y-y_t)²而求出。在该情况下，在图2的输出层(l＝4)的节点中，输出值y＝f(u^(l))，因此，在该情况下，输出层(l＝4)的节点处的δ^(l)的值成为

但是，在本发明的实施例中，如前所述，f(u^(l))是恒等函数，f’(u^(l))＝1。因此，δ^(l)＝y-y_t，求出δ^(l)。

当求出δ^(l)后，使用δ^(l)＝Σw_k ^(l+1)·δ^(l+1)·f’(u^(l))求出前层的δ^(l-1)。这样依次求出前层的δ，使用这些δ的值，根据上述的

关于各权重w求出误差函数E的微分即梯度

当求出梯度

后，使用该梯度

以使误差函数E的值减小的方式更新权重w的值。即，进行权重w的值的学习。此外，在使用batch或mini-batch作为训练数据的情况下，使用平方和误差E＝1/nΣ1/2(y_k-y_t)²(k＝0，1…，n是训练数据的总数)作为误差函数E，在进行逐次算出平方误差的在线学习的情况下，使用上述的平方误差E作为误差函数E。

<本发明的实施例>

接下来，参照图7A～图8B对本发明的第1实施例进行说明。在本发明的第1实施例中，如图4A所示，使用包括一个输入层(l＝1)、一层隐藏层(l＝2)及一个输出层(l＝3)的神经网络。但是，在本发明的第1实施例中，隐藏层(l＝2)中的节点的个数与图4A不同，设为3个或4个。此外，在图7A～图8B中，虚线表示真正的二次函数的波形，涂黑圆形表示训练数据，环状圆圈表示以使与输入值x对应的输出值y与训练数据一致的方式进行了神经网络的权重的学习之后的输出值y，实线的曲线表示学习结束后的输入值x与输出值y的关系，R表示输入值x的预先设想的使用范围。

图7A及图7B是用于说明本申请发明所要解决的课题的图，因此，首先，参照图7A及图7B对本申请发明所要解决的课题进行说明。图7A示出了对于预先设想的使用范围R内的输入值x以使得输出量y成为输入值x的二次函数y＝ax²(a是常数)的方式使用在第1实施例中使用的神经网络而学习了神经网络的权重的情况。如前所述，如图4A所示，即使在神经网络的隐藏层(l＝2)仅具有2个节点的情况下，也能够如图4B的(III)的范围W所示那样表现近似于二次函数的函数，若如本发明的第1实施例那样将神经网络的隐藏层(l＝2)的节点的个数设为3个或其以上，则如图7A所示，在输入值x的预先设想的使用范围R中，能够将输出值y表现为与二次函数几乎完全一致的函数。

即，在关于输入值x的预先设想的使用范围R进行了学习的情况下，如根据参照图4B进行的说明而能够想像那样，关于预先设想的使用范围R，通过多个Sigmoid函数σ的曲线部分的合适的组合，输出值y表现为与二次函数几乎完全一致的函数。然而，关于输入值x的预先设想的使用范围R外，由于未进行学习，所以如实线所示，在Sigmoid函数σ中大幅变化的曲线部分的两端的直线部分直接作为输出值y出现，因此，学习完成后的输出值y如图7A中的实线所示，在输入值x的预先设想的使用范围R中，以与二次函数几乎完全一致的函数的形式出现，在输入值x的预先设想的使用范围R外，以接近于相对于输入值x几乎不变的直线的形式出现。

在图7A所示的情况下，在输入值x是在输入值x的预先设想的使用范围R内相邻的两个训练数据的中间值的情况下，输出值y成为实线所示的曲线上的值，即这两个训练数据的中间值。因此，在不存在训练数据的区域像这样是内插区域的情况下，能够得到合适的输出值y。相对于此，在输入值x例如如图7B中的x₀所示那样处于输入值x的预先设想的使用范围R外的情况下，不会成为图7B中的虚线所示的二次曲线附近的输出值y，而会成为实线上的x所示的输出值y。即，输出值y会成为从真正的输出值y大幅偏离的值。在不存在训练数据的区域像这样是外插区域的情况下，无法得到合适的输出值y。于是，在本发明中，使得即使在输入值x像这样处于预先设想的使用范围R外的情况下也能够得到合适的输出值y。

接着，关于这一点，参照表示本发明的第1实施例的图8A及图8B来对具体的一例进行说明。在内燃机的领域中，在将内燃机的运转参数的值设为输入值x时，作为目标的输出量y有时成为输入值x的二次函数的形式，在图8A中，作为这样的情况的一例，示出了内燃机的运转参数的值即输入值x是内燃机转速N(rpm)且作为目标的输出量y是排气损失量的情况。此外，对于内燃机转速N的使用范围，当内燃机确定时使用范围与此相应地确定，在图8A中示出了内燃机转速N的使用范围的上限是7000(rpm)的情况。在该情况下，在本发明的第1实施例中，应该设为学习的对象的内燃机转速N的使用范围R如图8A所示，设为600(rpm)(怠速转速)～7000(rpm)。

另一方面，在图8A中，由涂黑圆形表示的训练数据是通过实验得到的值。即，排气损失量表示从内燃机燃烧室排出的热能量，与从内燃机燃烧室排出的排气量成比例，且与从内燃机燃烧室排出的排气温与外气温的温度差成比例。该排气损失量基于实际使内燃机进行了运转时的气体温度等的检测值而算出，因此，该算出的排气损失量表示通过进行实验而得到的值。图8A所示的训练数据表示相对于各内燃机转速N通过该实验而得到的排气损出量。在图8A所示的第1实施例中，对于预先设想的使用范围R内的内燃机转速N，以使输出值y与训练数据一致的方式学习神经网络的权重，图8A中的实线表示学习完成后的内燃机转速N与输出量y的关系。

从图8A可知，排气损失量是在预先设想的使用范围R内的中间的内燃机转速N处取最小值(>0)的二次函数。在该情况下，在内燃机转速N处于预先设想的使用范围R内时，能够得到合适的输出值y，即准确的排气损失量。相对于此，在输入值x例如如图8A中的Nx所示那样成为了内燃机转速N的预先设想的使用范围R外的情况下，不会成为图8A中的虚线所示的二次曲线附近的输出值y，而会成为实线上的x所示的输出值y。即，输出值y会成为从真正的输出值y大幅偏移的值。在像这样成为了内燃机转速N的预先设想的使用范围R外的情况下，无法得到合适的输出值y。

于是，在本发明的第1实施例中，如图8B所示，对于内燃机转速N的预先设想的使用范围R外的内燃机转速N₀设定训练数据y₀。该训练数据y₀与内燃机转速N的预先设想的使用范围R内的训练数据不同，是过去的经验值或根据物理定律预测出的值。即，关于内燃机转速N的预先设想的使用范围R内，使用通过实验得到的排气损失量即通过实验得到的输出值y作为训练数据，关于内燃机转速N的预先设想的使用范围R外，使用不依靠实验而通过预测得到的排气损失量即不依靠实验而通过预测得到的输出值y作为训练数据。因此，在本发明的第1实施例中，使用这些通过实验得到的训练数据和通过预测得到的训练数据，以使根据内燃机转速N而变化的排气损失量即输出值y与对应于内燃机转速N的训练数据一致的方式学习神经网络的权重。

若像这样使用通过实验得到的训练数据和通过预测得到的训练数据来进行学习，则表示学习完成后的内燃机转速N与输出值y的关系的曲线如图8B中的实线所示那样，在内燃机转速N比7000(rpm)高的转速区域中，即，在内燃机转速N的预先设想的使用范围R外，以通过训练数据y₀的方式移动到高的位置。其结果，从图8B可知，至少在内燃机转速N为7000(rpm)～Nx的范围内，实线所示的学习完成后的输出值y与虚线的二次曲线所示的实际的排气损失量之差与图8A所示的情况相比大幅变小。因此，即使内燃机转速N变得比预先设想的使用范围R高，也能够比较准确地推定排气损失量。

此外，关于该不依靠实验而通过预测得到的训练数据，能够在内燃机转速N的预先设想的使用范围R外设定多个训练数据。例如，在图8B中，内燃机转速N比预先设想的使用范围R高的一侧自不必说，也能够在比预先设想的使用范围R低的一侧设定不依靠实验而通过预测得到的训练数据。

如图1所示，在本发明的实施例中使用的内燃机具备电子控制单元30，该电子控制单元30具备取得内燃机的运转参数的值的参数值取得部和使用包括输入层、隐藏层及输出层的神经网络来进行运算的运算部、以及存储部。在此，图1所示的输入端口35构成了上述的参数值取得部，CPU34构成了上述的运算部，ROM32及RAM33构成了上述的存储部。此外，在CPU34即上述的运算部中，内燃机的运转参数的值被输入至输入层，根据内燃机的运转参数的值而变化的输出值被从输出层输出。另外，对内燃机的运转参数的值预先设想的使用范围R被预先存储于ROM32内即上述的存储部。而且，对于预先设想的使用范围R内的内燃机的运转参数的值通过实验得到的输出值作为训练数据而存储于RAM33内即上述的存储部，对于预先设想的使用范围R外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值作为训练数据而存储于RAM33内即上述的存储部。

即，在本发明的实施例中，存在对内燃机的运转参数的值预先设想的使用范围R，该预先设想的使用范围R预先存储于存储部。另外，对预先设想的使用范围R内的内燃机的运转参数的值通过实验得到的输出值y作为训练数据存储于存储部，对预先设想的使用范围R外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值y₀作为训练数据存储于存储部。而且，运算部使用通过实验得到的训练数据和通过预测得到的训练数据，以使根据内燃机的运转参数的值而变化的输出值与对应于内燃机的运转参数的值的训练数据一致的方式学习神经网络的权重，使用学习了权重的神经网络来推定相对于内燃机的运转参数的值的输出值。

接着，参照图9A～图11B对本发明的第2实施例进行说明。该第2实施例示出了将本发明应用于低负荷用的特殊的内燃机(例如，混合动力用内燃机)的情况，在该第2实施例中，使用神经网络，根据节气门12的开度、内燃机转速N及点火正时来制作输出表示NO_X排出量的输出值y的模型。此外，在第2实施例中使用的内燃机中，节气门12的开度的使用范围设定为5.5°～11.5°(将最大闭阀位置下的节气门12的开度设为0°)之间，内燃机转速N的使用范围设定为1600(rpm)～3000(rpm)之间，点火正时的使用范围设定为0°(压缩上止点)～ATDC(压缩上止点前)40°之间。

在该第2实施例中，使用如图2所示的神经网络。但是，在该第2实施例中，由于内燃机的运转参数包括节气门12的开度、内燃机转速N及点火正时这三个运转参数，所以神经网络的输入值成为3个。因此，在该第2实施例中，图2所示的神经网络的输入层(l＝1)的节点的数量设为3个，对输入层(l＝1)的各节点输入分别表示节气门12的开度、内燃机转速N及点火正时的输入值。另一方面，输出层(l＝4)的节点的数量与图2同样为一个。另外，隐藏层(l＝2)的节点数及隐藏层(l＝3)的节点数与图2同样，或者比图2所示的节点数多。

接下来，参照表示训练数据的分布的图9A～图10B和表示学习结果的图11A及图11B，对通过第2实施例所要解决的课题和该课题的解决方法进行说明。首先，参照图9A～图11B，图9A及图10A示出了训练数据相对于点火正时和内燃机转速N的分布，图9B及图10B示出了训练数据相对于节气门开度和点火正时的分布。此外，在图9A～图11B中，黑色圆形表示训练数据的设定点，三角记号表示未设定训练数据的部位。另一方面，在该第2实施例中，节气门开度、内燃机转速N及点火正时被输入至神经网络的输入层(l＝1)的各节点，以使得表示NO_X排出量的输出值y与通过实验得到的训练数据一致的方式学习神经网络的权重。在图11A及图11B中，用圆形记号及三角标记示出了学习后的输出值y与通过实验得到的训练数据的关系，此外，在图11A及图11B中，学习后的输出值y及训练数据的值以最大值成为1的方式标准化而示出。

图9A及图9B是用于说明通过第2实施例所要解决的课题的图，因此，首先，参照图9A及图9B对通过第2实施例所要解决的课题进行说明。如上所述，在图9A及图9B中，黑色圆形表示训练数据的设定点。在该情况下，图9A及图9B所示的所有黑色圆形表示通过实验得到的训练数据。因此，从图9A及图9B可知，对怎样的节气门开度、怎样的内燃机转速N及怎样的点火正时设定有通过实验得到的训练数据。例如，可知，在图9A中，在内燃机转速N为2000(rpm)且点火正时为ATDC20°时，设定有通过实验得到的训练数据，如图9B所示，在点火正时为ATDC20°时，对各种节气门开度设定有通过实验得到的训练数据。

如上所述，在第2实施例中使用的内燃机中，节气门12的开度的使用范围设定为5.5°～11.5°之间，内燃机转速N的使用范围设定为1600(rpm)～3000(rpm)之间，点火正时的使用范围设定为0°(压缩上止点)～ATDC40°之间。图9A及图9B示出了对这些使用范围即节气门开度的使用范围、内燃机转速N的使用范围及点火正时的使用范围设定有通过实验得到的训练数据的情况。在该第2实施例中，以在这些使用范围内使用了节气门开度、内燃机转速N及点火正时时表示NO_X排出量的输出值y会与通过实验得到的训练数据一致的方式学习神经网络的权重，在图11A中，用圆形记号示出了此时的学习后的输出值y与通过实验得到的训练数据的关系。此外，该通过实验得到的训练数据表示实际检测到的NO_X排出量，在第2实施例中，根据由NO_X传感器23检测到的NO_X浓度及由吸入空气量检测器10检测到的吸入空气量来算出实际的NO_X排出量。

如图11A所示，表示学习后的输出值y与通过实验得到的训练数据的关系的圆形记号集合于一条直线上，因此可知，学习后的输出值y与通过实验得到的训练数据一致。例如，若以节气门12的开度来举例，则通过发动机的个体差异或历时变化，节气门12的开度会从标准的开度偏离，即使节气门12的开度的使用范围设定为5.5°～11.5°之间，实际上，节气门12的开度有时也会超过预先设定的使用范围。图11A所示的三角记号示出了在图9B中的三角记号(节气门开度＝13.5°)所示的位置未设定训练数据而且在图9A中的三角记号所示的位置也未设定训练数据的情况下节气门12的开度超过了预先设定的使用范围时的学习结果。

从图11A的三角记号可知，在节气门12的开度的使用范围外未设定训练数据的情况下，学习后的输出值y相对于训练数据会大幅偏离。另一方面，图11B的圆形记号示出了如图10B中的黑色圆形y₀所示那样在图9B中的三角记号所示的位置设定了过去的经验值或根据物理定律预测出的训练数据y₀的情况下的学习结果。从图11B的圆形记号可知，在节气门12的开度的使用范围外设定了训练数据的情况下，学习后的输出值y与训练数据一致。此外，图11B的三角记号示出了关于图10A及图10B中的三角记号所示的点、即关于能够从其他训练数据内插的内插区域的点没有设定训练数据的情况下的学习结果。如图11B的三角记号所示，可知，在该情况下，学习后的输出值y相对于训练数据几乎不偏离。

于是，在该第2实施例中，如图10B所示，在节气门12的开度的使用范围外设定过去的经验值或根据物理定律预测出的训练数据y₀。即，在该第2实施例中，关于节气门开度的预先设想的使用范围内，使用通过实验得到的NO_X排出量即通过实验得到的输出值y作为训练数据，关于节气门开度的预先设想的使用范围外，使用不依靠实验而通过预测得到的NO_X排出量即不依靠实验而通过预测得到的输出值y作为训练数据。因此，在本发明的第2实施例中，使用这些通过实验得到的训练数据和通过预测得到的训练数据，以使得根据节气门开度而变化的NO_X排出量即输出值y与对应于节气门开度的训练数据一致的方式学习神经网络的权重。

此外，到此为止，对节气门开度超过预先设想的使用范围的情况进行了说明，但也存在内燃机转速N超过预先设想的使用范围的情况，还存在点火正时超过预先设想的使用范围的情况。因此，也可以在内燃机转速N的预先设想的使用范围外设定不依靠实验而通过预测得到的输出值y作为训练数据，还可以在点火正时的预先设想的使用范围外设定不依靠实验而通过预测得到的输出值y作为训练数据。在该第2实施例中，内燃机的运转参数是节气门开度、内燃机转速N及点火正时，因此，若统括性地进行表述，则在该第2实施例中，可以说，对预先设想的使用范围外的内燃机的运转参数的值设定有不依靠实验而通过预测得到的输出值作为训练数据。

在该第2实施例中使用的内燃机也如图1所示那样具备电子控制单元30，该电子控制单元30具备取得内燃机的运转参数的值的参数值取得部、使用包括输入层、隐藏层及输出层的神经网络来进行运算的运算部、以及存储部。另外，在该第2实施例中也是，图1所示的输入端口35构成了上述的参数值取得部，CPU34构成了上述的运算部，ROM32及RAM33构成了上述的存储部。另外，在该第2实施例中也是，在CPU34即上述的运算部中，内燃机的运转参数的值被输入至输入层，根据内燃机的运转参数的值而变化的输出值被从输出层输出。另外，对内燃机的运转参数的值预先设想的使用范围预先存储于ROM32内即上述的存储部。而且，对预先设想的使用范围内的内燃机的运转参数的值通过实验得到的输出值作为训练数据存储于RAM33内即上述的存储部，对预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值作为训练数据存储于RAM33内即上述的存储部。

即，在该第2实施例中也是，存在对内燃机的运转参数的值预先设想的使用范围，该预先设想的使用范围预先存储于存储部。另外，对预先设想的使用范围内的内燃机的运转参数的值通过实验得到的输出值y作为训练数据存储于存储部，对预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值y₀作为训练数据存储于存储部。而且，运算部使用通过实验得到的训练数据和通过预测得到的训练数据，以使得根据内燃机的运转参数的值而变化的输出值与对应于内燃机的运转参数的值的训练数据一致的方式学习神经网络的权重，使用学习了权重的神经网络来推定相对于内燃机的运转参数的值的输出值。

图8A所示的第1实施例的学习处理及图10A、10B所示的第2实施例的学习处理可以在车辆市售之前执行，或者可以在车辆市售之后在车辆运转中以机载的形式执行，或者可以在车辆市售之前执行且在车辆市售之后在车辆运转中以机载的形式执行。图12A示出了在车辆运转中以机载的形式执行的第1实施例的学习处理例程，图12B示出了在车辆运转中以机载的形式执行的第2实施例的学习处理例程。此外，图12A及图12B所示的学习处理例程通过每隔一定时间(例如，每隔一秒)的中断来执行。

参照图12A，首先，在步骤50中，内燃机转速被输入至神经网络的输入层的节点。接下来，在步骤51中，基于从神经网络的输出层的节点输出的输出值y和训练数据，使用误差反向传播算法，以使得输出值y与训练数据一致的方式学习神经网络的权重。另一方面，参照图12B，首先，在步骤60中，节气门开度、内燃机转速及点火正时被输入至神经网络的输入层的各节点。接下来，在步骤61中，基于从神经网络的输出层的节点输出的输出值y和训练数据，使用误差反向传播算法，以使得输出值y与训练数据一致的方式学习神经网络的权重。

标号说明

1 内燃机

2 燃烧室

3 火花塞

4 燃料喷射阀

12 节气门

30 电子控制单元

Claims

1.一种内燃机的控制装置，

具备电子控制单元，该电子控制单元具备：取得内燃机的运转参数的值的参数值取得部；使用包括输入层、隐藏层及输出层的神经网络来进行运算的运算部；以及存储部，

内燃机的运转参数的值被输入至输入层，根据内燃机的运转参数的值而变化的输出值被从输出层输出，

存在对内燃机的运转参数的值预先设想的使用范围，

对该预先设想的使用范围内的内燃机的运转参数的值通过实验得到的输出值作为训练数据存储于存储部，

对该预先设想的使用范围外的内燃机的运转参数的值不依靠实验而通过预测得到的输出值作为训练数据存储于存储部，

使用通过实验得到的训练数据和通过预测得到的训练数据，通过该运算部以使得根据内燃机的运转参数的值而变化的输出值与同内燃机的运转参数的值对应的训练数据一致的方式学习神经网络的权重，使用学习了权重的神经网络来推定相对于内燃机的运转参数的值的输出值，

上述不依靠实验而通过预测得到的输出值是过去的经验值或根据物理定律预测出的值。

2.根据权利要求1所述的内燃机的控制装置，

内燃机的运转参数是内燃机转速，输出值是排气损失量。

3.根据权利要求1所述的内燃机的控制装置，

内燃机的运转参数是节气门开度、内燃机转速及点火正时，输出值是NO_X排出量。