CN111551368A - 内燃机的爆震检测装置及爆震检测方法 - Google Patents

内燃机的爆震检测装置及爆震检测方法 Download PDF

Info

Publication number
CN111551368A
CN111551368A CN202010082534.9A CN202010082534A CN111551368A CN 111551368 A CN111551368 A CN 111551368A CN 202010082534 A CN202010082534 A CN 202010082534A CN 111551368 A CN111551368 A CN 111551368A
Authority
CN
China
Prior art keywords
value
knock
internal combustion
combustion engine
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010082534.9A
Other languages
English (en)
Inventor
毛利昌弘
北爪昭誉
小林大介
千田健次
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN111551368A publication Critical patent/CN111551368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/027—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions using knock sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/08—Testing internal-combustion engines by monitoring pressure in cylinders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/024—Fluid pressure of lubricating oil or working fluid
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
    • F02D41/2445—Methods of calibrating or learning characterised by the learning conditions characterised by a plurality of learning conditions or ranges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L23/00—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid
    • G01L23/22—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines
    • G01L23/221—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines for detecting or indicating knocks in internal combustion engines
    • G01L23/222—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines for detecting or indicating knocks in internal combustion engines using piezoelectric devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Measuring Fluid Pressure (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

内燃机的爆震检测装置及爆震检测方法，根据爆震传感器的输出值来推定压力传感器的输出值。具备检测内燃机主体(1)的振动的爆震传感器(18)和检测燃烧室(5)内的压力的压力传感器(19)。根据压力传感器(19)的输出值来取得代表爆震强度的值。将由爆震传感器(18)检测到的表示内燃机主体(1)的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络的权重。使用已学习的神经网络，根据爆震传感器(18)的输出值来推定代表爆震强度的值。

Description

内燃机的爆震检测装置及爆震检测方法
技术领域
本发明涉及内燃机的爆震检测装置及爆震检测方法。
背景技术
在内燃机中，若在燃烧室内末端气体自着火，则产生压力波，内燃机主体振动而发生爆震。若发生爆震，则内燃机主体振动，在该情况下，爆震强度越高则内燃机主体的振动越激烈。于是，在内燃机主体安装检测内燃机主体的振动的爆震传感器，根据由爆震传感器检测到的内燃机主体的振动的激烈程度来检测爆震强度的内燃机是公知的(例如参照专利文献1)。然而，内燃机主体例如也会因进气门及排气门的落座作用、燃料喷射阀的阀针的落座作用等机械动作而振动，因此，若使用检测内燃机主体的振动的爆震传感器，则存在以下问题：在因这样的机械动作而内燃机主体的振动强度变得激烈时，尽管爆震强度不高，却会误判定为爆震强度高。
现有技术文献
专利文献
专利文献1：日本特开2006-226967号公报
发明内容
发明所要解决的课题
另一方面，在发生了爆震时，爆震强度越高则燃烧室内的压力的变动越激烈。因此，若使用能够检测燃烧室内的压力的压力传感器，则能够根据该压力传感器的输出值的变动的激烈程度来检测爆震强度。在该情况下，例如，若爆震强度变高，则压力传感器的输出值的峰值变高，因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，根据这样的代表爆震强度的值，能够检测爆震强度。在该情况下，基于机械动作的内燃机主体的振动不对压力传感器的输出值产生影响，因此，也不对代表爆震强度的值产生影响，因此，若使用压力传感器，则无法高精度地检测爆震强度。
然而，该压力传感器极其昂贵。而且，若压力传感器被长期间使用，则沉积物会向压力传感器慢慢附着，因该附着的沉积物而导致燃烧室内的混合气的燃烧形态变化。因此，对于市售车，难以使用这样的压力传感器。
于是，在本发明中，使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值而求出的代表爆震强度的值。
即，根据第1个发明，提供内燃机的爆震检测装置，具备：爆震传感器，检测内燃机主体的振动；压力传感器，检测内燃机的燃烧室内的压力；及学习装置，用于使用神经网络来推定代表内燃机的爆震强度的值，根据压力传感器的输出值来取得代表爆震强度的值，通过学习装置，将由爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络的权重，使用已学习的神经网络，根据爆震传感器的输出值来推定代表爆震强度的值。
根据第2个发明，提供内燃机的爆震检测方法，基于检测内燃机主体的振动的爆震传感器的输出值和检测内燃机的燃烧室内的压力的压力传感器的输出值，使用神经网络来推定内燃机的爆震强度，其中，根据压力传感器的输出值来求出代表爆震强度的值，制作示出由爆震传感器检测到的表示内燃机主体的振动的值与代表爆震强度的值的关系的训练数据组，将由爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络的权重，使用已学习的神经网络，根据爆震传感器的输出值来推定代表爆震强度的值。
发明效果
在第1个及第2个发明中都是，能够不使用压力传感器而以高的精度得到根据压力传感器的输出值求出的代表爆震强度的值。
附图说明
图1是内燃机的整体图。
图2是图1所示的内燃机的侧视剖视图。
图3是神经网络的说明图。
图4是汽缸盖的仰视图。
图5是内燃机的整体图。
图6A、图6B及图6C是示出爆震传感器的输出值的图。
图7A、图7B及图7C是示出压力传感器的输出值的图。
图8是示出在本发明的实施例中使用的神经网络的图。
图9是示出训练数据组的图。
图10是示出学习处理例程的流程图。
图11是示出数据的读入例程的流程图。
图12是示出爆震处理例程的流程图。
图13是示出爆震强度代表值的推定例程的流程图。
图14是示出爆震强度代表值的推定例程的另一实施例的流程图。
图15是示出爆震判定例程的流程图。
图16是示出阈值Mij的图。
图17是示出点火控制例程的流程图。
图18是示出基准点火正时的映射的图。
图19是示出选通区间与内燃机转速的关系的图。
图20是示出选通区间和分割区间的图。
图21A、图21B及图21C是示出运转区域的图。
图22是内燃机的整体图。
图23是示出在本发明的另一实施例中使用的神经网络的图。
图24是示出训练数据组的图。
具体实施方式
<内燃机的整体构成>
图1及图2示出内燃机的整体图。参照图2，1表示内燃机主体，2表示汽缸体，3表示汽缸盖，4表示在汽缸体2内往复运动的活塞，5表示燃烧室，6表示进气门，7表示进气口，8表示排气门，9表示排气口，10表示用于向各燃烧室5内供给燃料、例如汽油的燃料喷射阀，11表示配置于各燃烧室5内的火花塞。参照图1及图2，进气口7分别经由对应的进气支管12而连结于平衡罐13，平衡罐13经由进气管道14及吸入空气量检测器15而连结于空气滤清器16。另一方面，排气口9连结于排气歧管17。
如图1及图2所示，在图1所示的实施例中，在汽缸体2安装有用于检测汽缸体2的振动即内燃机主体1的振动的爆震传感器18。在图1所示的例子中，在该爆震传感器18中，使用压电元件作为振动的检测元件，该爆震传感器18产生与内燃机主体1的振动成比例的输出电压。此外，若发生爆震，则在内燃机主体1产生频率为5KHz～20KHz左右的振动，此时，爆震传感器18的输出电压以5KHz～20KHz左右的频率变动。因此，根据爆震传感器18的输出电压的变动即爆震传感器18的输出值的变动，能够检测爆震的发生。
另一方面，在图1中，30表示用于控制内燃机的运转的电子控制单元。如图1所示，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而互相连接的存储装置32即存储器32、CPU(微处理器)33、输入端口34及输出端口35。爆震传感器18的输出信号经由对应的AD变换器36及仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器37而向输入端口34输入。另外，吸入空气量检测器15的输出信号经由对应的AD变换器36而向输入端口34输入。另外，在加速器踏板40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36而向输入端口34输入。而且，在输入端口34连接有每当曲轴旋转例如30°时产生输出脉冲的曲轴角传感器42。在CPU33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35经由对应的驱动电路38而连接于各汽缸的燃料喷射阀10及火花塞11。
<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代表爆震强度的值。于是，首先对神经网络进行简单说明。图3示出了简单的神经网络。图3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3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3中，x1及x2表示从输入层(L＝1)的各节点的输出值，y1及y2表示从输出层(L＝4)的各节点的输出值，z(2) 1、z(2) 2及z(2) 3表示从隐藏层(L＝2)的各节点的输出值，z(3) 1、z(3) 2及z(3) 3表示从隐藏层(L＝3)的各节点的输出值。此外，隐藏层的层数可以设为1个或任意的个数，输入层的节点的数量及隐藏层的节点的数量也可以设为任意的个数。另外，输出层的节点的数量可以设为1个，也可以设为多个。
在输入层的各节点中，输入被直接输出。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，分别使用对应的权重w及偏置b来算出总输入值u。例如，在图3中，在隐藏层(L＝2)的由z(2) k(k＝1、2、3)表示的节点中算出的总输入值uk成为下式这样。
Figure BDA0002380829030000051
接着，该总输入值uk由激活函数f变换，从隐藏层(L＝2)的由z(2) k表示的节点作为输出值z(2) k(＝f(uk))而输出。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z(2) 1、z(2) 2及z(2) 3，在隐藏层(L＝3)的各节点中，分别使用对应的权重w及偏置b来算出总输入值u(Σz·w+b)。该总输入值u同样由激活函数变换，从隐藏层(L＝3)的各节点作为输出值z(3) 1、z(3) 2及z(3) 3而输出，作为该激活函数，例如使用Sigmoid函数σ。
另一方面，对输出层(L＝4)的各节点输入隐藏层(L＝3)的各节点的输出值z(3) 1、z(3) 2及z(3) 3，在输出层的各节点中，分别使用对应的权重w及偏置b来算出总输入值u(Σz·w+b)，或者分别仅使用对应的权重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中算出的总输入值u直接作为输出值y而输出。
<神经网络中的学习>
若将表示神经网络的输出值y的正解值的教师数据设为yt，则神经网络中的各权重w及偏置b以使输出值y与教师数据yt之差变小的方式使用误差反向传播法来学习。该误差反向传播法是周知的，因此，关于误差反向传播法，以下简单说明其概要。此外，偏置b是权重w的一种，因此，以下也将偏置b包括在内而称作权重w。在如图3所示的神经网络中，若将向L＝2、L＝3或L＝4的各层的节点的输入值u(L)中的权重利用w(L)表示，则误差函数E的基于权重w(L)的微分即梯度
Figure BDA0002380829030000067
改写的话由下式那样表示。
Figure BDA0002380829030000061
在此，由于
Figure BDA0002380829030000062
所以若设为
Figure BDA0002380829030000063
则上述(1)式能够由下式表示。
Figure BDA0002380829030000064
在此，若u(L)变动，则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)能够由下式表示。
Figure BDA0002380829030000065
在此，若表示为z(L)＝f(u(L))，则在上述(3)式的右边出现的输入值uk (L+1)能够由下式表示。
Figure BDA0002380829030000066
在此，上述(3)式的右边第1项
Figure BDA0002380829030000071
是δ(L+1)，上述(3)式的右边第2项
Figure BDA0002380829030000072
能够由下式表示。
Figure BDA0002380829030000073
因此，δ(L)由下式表示。
Figure BDA0002380829030000074
即，
Figure BDA0002380829030000075
即，若δ(L+1)求出，则能够求出δ(L)。
在输出层(L＝4)的节点是一个，相对于某输入值求出了教师数据yt，相对于该输入值的从输出层的输出值是y的情况下，在使用平方误差作为误差函数时，平方误差E由E＝1/2(y-yt)2求出。在该情况下，在输出层(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)的节点中的δ(L)的值由下式表示。
Figure BDA0002380829030000076
在该情况下，在本发明的实施例中，如前所述，f(u(L))是恒等函数，f’(u(Ll))＝1。因此，δ(L)＝y-yt，δ(L)求出。
若δ(L)求出，则使用上式(6)而前层的δ(L-1)求出。这样依次求出前层的δ，使用这些δ的值，根据上式(2)，关于各权重w求出误差函数E的微分，即梯度
Figure BDA0002380829030000077
当求出梯度
Figure BDA0002380829030000078
后，使用该梯度
Figure BDA0002380829030000079
以使误差函数E的值减小的方式更新权重w。即，进行权重w的学习。此外，如图3所示，在输出层(L＝4)具有多个节点的情况下，若将从各节点的输出值设为y1、y1…，将对应的教师数据设为yt1、yt2…，则作为误差函数E，使用以下的平方和误差E。
Figure BDA00023808290300000710
在该情况下也是，输出层(L＝4)的各节点中的δ(L)的值成为δ(L)＝y-ytk(k＝1、2…n)，根据这些δ(L)的值，使用上式(6)而前层的δ(L-1)求出。
<本发明的实施例>
在内燃机中，爆震强度越高则内燃机主体1的振动越激烈。因此，如图1及图2所示，在内燃机主体1安装爆震传感器18，能够根据由爆震传感器18检测到的内燃机主体的振动的激烈程度来检测爆震强度。然而，如前所述，内燃机主体1例如也因进气门6及排气门8的落座作用、燃料喷射阀10的阀针的落座作用等机械动作而振动，因此，若使用检测内燃机主体1的振动的爆震传感器18，则存在以下问题：在因这样的机械动作而内燃机主体的振动强度变得激烈时，尽管爆震强度不高，却会误判定为爆震强度高。
另一方面，如前所述，若使用能够检测燃烧室5内的压力的压力传感器，则能够根据该压力传感器的输出值的变动的激烈程度来检测爆震强度。在该情况下，例如，若爆震强度变高，则压力传感器的输出值的峰值变高，因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，能够根据这样的代表爆震强度的值来检测爆震强度。在该情况下，基于机械动作的内燃机主体的振动不对压力传感器的输出值产生影响，因此，也不对代表爆震强度的值产生影响，因此，若使用压力传感器，则能够高精度地检测爆震强度。
然而，该压力传感器昂贵，而且会因向压力传感器慢慢附着的沉积物而导致燃烧室5内的混合气的燃烧形态变化，因此，在市售车中，难以使用这样的压力传感器。于是，在本发明中，使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值而求出的代表爆震强度的值。在对此进行说明时，首先，参照图4、图5、图6A～图6C及图7A～图7C，对爆震传感器的输出值、压力传感器的输出值以及根据压力传感器的输出值求出的代表爆震强度的值进行说明。
图4示出了图2所示的汽缸盖3的仰视图，图5示出了图1所示的内燃机主体1的一部分。参照图4及图5，为了根据爆震传感器18的输出值来推定根据压力传感器的输出值而求出的代表爆震强度的值，在各汽缸的汽缸盖3的内壁面上分别配置有压力传感器19。从各压力传感器19分别输出与对应的燃烧室5内的压力成比例的输出电压，即表示燃烧室5内的压力的输出值。此外，在该情况下，燃烧室5内的压力也可以使用与火花塞一体型的压力传感器来计测。另外，各压力传感器19仅为了取得学习所需的数据而使用。
爆震通常在从压缩上止点到压缩上止点后90°之间发生，在发生了爆震时，产生频率为5KHz～20KHz左右的燃烧室5内的压力变动及频率为5KHz～20KHz左右的内燃机主体1的振动。因此，为了仅提取由爆震引起的内燃机主体1的振动，通常，爆震传感器18的输出值在被进行了AD变换后，向例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器送入，基于由该数字带通滤波器滤波后的爆震传感器18的输出值来判别爆震的强度。
同样，为了仅提取由爆震引起的燃烧室5内的压力变动，通常，压力传感器19的输出值也在被进行了AD变换后，向例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器送入，基于由该数字带通滤波器滤波后的压力传感器19的输出值来判别爆震的强度。此外，以下将这样由数字带通滤波器滤波后的爆震传感器18的输出值简称作滤波后的爆震传感器18的输出值，以下将由数字带通滤波器滤波后的压力传感器19的输出值简称作滤波后的压力传感器19的输出值。
图6A及图7A分别示出了相对于同一爆震的发生的滤波后的爆震传感器18的输出值(V)的变化和滤波后的压力传感器19的输出值的变化(V)。此外，图6A的纵轴及图7A的横轴都示出了由ATDC表示的曲轴角(压缩上止点～压缩上止点后90°)。
将图6A及图7A进行比较可知，图7A所示的滤波后的压力传感器19的输出值的振动强度当发生爆震后急剧增大，之后，逐渐减小。即，压力传感器19的输出值不受基于机械动作的内燃机主体的振动的影响，因此，爆震的发生在压力传感器19的输出值上明确地表现出。相对于此，图6A所示的滤波后的爆震传感器18的输出值的振动强度也是当发生爆震后增大，但是，由于爆震传感器18的输出值大大受到基于机械动作的内燃机主体的振动的影响，因此，爆震传感器18的输出值的振动强度在发生爆震前后也为大的值。即，在爆震传感器18的输出值上，基于机械动作的内燃机主体的振动成为噪声而出现，因此，爆震的发生不在爆震传感器18的输出值上明确地表现出。
因此，是否发生了爆震能够根据压力传感器19的输出值而明确地判别。在该情况下，在压力传感器19的输出值上，发生的爆震的强度也明确地出现出。接着，参照图7B及图7C对此进行说明。此外，图7B及图7C是将图7A所示的滤波后的压力传感器19的输出值的波形的一部分在横轴方向上拉伸而图解性地进行表示的图。
若发生的爆震的强度变高，则滤波后的压力传感器19的输出值的峰值变高。因此，在图7B中由圆形记号表示的滤波后的压力传感器19的输出值的峰值表示代表爆震强度的值。另一方面，若发生的爆震的强度变高，则在图7C中由输出值的波形和输出值为0(V)的线包围的阴影所表示的面积的总和、即滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)变高。因此，滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示代表爆震强度的值。这样，能够根据压力传感器19的输出值来取得代表爆震强度的值。
另一方面，从爆震传感器18的输出值难以提取这样的代表爆震强度的值。于是，在本发明中，使用神经网络，以能够基于爆震传感器18的输出值取得根据压力传感器19的输出值而求出的代表爆震强度的值的方式学习神经网络的权重，由此，使用已学习的神经网络，根据爆震传感器18的输出值来推定根据压力传感器19的输出值而求出的代表爆震强度的值。于是，接着，对以能够基于爆震传感器18的输出值取得根据压力传感器19的输出值而求出的代表爆震强度的值的方式学习神经网络的权重的方法进行说明。
首先，参照图8对此时使用的神经网络进行说明。参照图8，在该神经网络20中，也与图3所示的神经网络同样，L＝1表示输入层，L＝2及L＝3表示隐藏层，L＝4表示输出层。如图8所示，输入层(L＝1)由n个节点构成，n个输入值x1、x2…xn-1、xn向输入层(L＝1)的各节点输入。另一方面，在图8中记载了隐藏层(L＝2)及隐藏层(L＝3)，但这些隐藏层的层数能够设为1个或任意的个数，另外，这些隐藏层的节点的数量也能够设为任意的个数。此外，输出层(L＝4)的节点的数量被设为1个，从输出层的节点的输出值由y表示。
接着，对图8中的输入值x1、x2…xn-1、xn和输出值y进行说明。首先，参照图6B及图6C对输入值x1、x2…xn-1、xn进行说明。此外，图6B及图6C是将图6A所示的爆震传感器18的输出值的波形的一部分在横轴方向上拉伸而图解性地进行表示的图。在本发明的实施例中，作为输入值x1、x2…xn-1、xn，使用图6B所示的值或图6C所示的值。
即，在图6B所示的例子中，滤波后的爆震传感器18的输出值自身被设为输入值x1、x2…xn-1、xn。在该情况下，如图6B的黑圆所示，每隔一定时间或每隔一定曲轴角的爆震传感器18的输出值被设为输入值x1、x2···xn-1、xn。另一方面，在图6C所示的例子中，滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)且例如一定曲轴角度内的滤波后的爆震传感器18的输出值的积分值被设为输入值x1、x2…xn-1、xn。
另一方面，在本发明的实施例中，根据压力传感器19的输出值而求出的代表爆震强度的值被设为图8所示的输出值y。在该情况下，在图7B中由圆形记号表示的压力传感器19的输出值的峰值表示爆震强度，另外，图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示爆震强度。因此，在本发明的实施例中，在图7B中由圆形记号表示的压力传感器19的输出值的峰值被设为输出值y，或者图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被设为输出值y。在该情况下，根据压力传感器19的输出值而求出的代表爆震强度的值的实测值被设为教师数据yt。
图9示出了使用输入值x1、x2…xm-1、xm和在输入值为x1、x2…xm-1、xm时根据压力传感器19的输出值而求出的代表爆震强度的值的实测值、即教师数据yt而制作出的训练数据组。如图9所示，在该训练数据组中，取得了表示输入值x1、x2…xn-1、xn与教师数据yt的关系的m个数据。例如，在第2号的数据(No.2)中，列举了所取得的输入值x12、x22…xm-12、xm2和教师数据yt2，在第m-1号的数据(No.m-1)中，列举了所取得的输入参数的输入值x1m-1、x2m-1…xn-1m-1、xnm-1和教师数据ytm-1。
在使用滤波后的爆震传感器18的输出值自身作为输入值x1、x2…xn-1、xn的情况下，例如，在从压缩上止点到压缩上止点后90°之间每隔一定曲轴角取得的滤波后的爆震传感器18的输出值被设为输入值x1、x2…xn-1、xn。在该情况下，输入值的个数n被设为数百以上，因此，图8所示的输入层(L＝1)的节点的个数n被设为数百以上。
另一方面，在本发明的实施例中，在使用滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)作为输入值x1、x2…xn-1、xn的情况下，从压缩上止点到压缩上止点后90°之间每隔曲轴角度5°而被分割成18个区间，分割出的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)被设为输入值x1、x2…xn-1、xn。在该情况下，输入值的个数n成为18个，因此，图8所示的输入层(L＝1)的节点的个数n被设为18个。
另一方面，图9所示的训练数据组中的教师数据yt是根据压力传感器19的输出值而求出的代表爆震强度的值的实测值，作为该教师数据yt，使用在图7B中由圆形记号表示的压力传感器19的输出值的峰值，或者使用图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)。在本发明的实施例中，使用图9所示的训练数据组来进行图8所示的神经网络20的权重的学习。于是，接着对图9所示的训练数据组的制作方法进行说明。
图4及图5示出了训练数据组的制作方法的一例。参照图4及图5，在各汽缸的面对燃烧室5的汽缸盖3的内壁面上，为了取得代表爆震强度的值而分别配置有压力传感器19。这些压力传感器19当学习所需的数据的取得完成后被从汽缸盖3去除，插入着压力传感器19的孔被封闭。在图5所示的例子中，爆震传感器18连接于能够检测爆震传感器18的输出值的波形的检测器21、例如示波器，各压力传感器19连接于能够检测各压力传感器19的输出值的波形的检测器22、例如示波器。
在检测器21内中，为了仅提取由爆震引起的内燃机主体1的振动，爆震传感器18的输出值在被进行了AD变换后，向例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器送入，由该数字带通滤波器滤波后的爆震传感器18的输出值的波形被检测。另一方面，在检测器22中，为了仅提取由爆震引起的燃烧室5内的压力变动，压力传感器19的输出值在被进行了AD变换后，向例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器送入，由该数字带通滤波器滤波后的压力传感器19的输出值的波形被检测。
在制作训练数据组时，以关于内燃机负荷及内燃机转速的各种组合产生不发生爆震的运转状态和发生爆震的运转状态双方的状态的方式使内燃机运转，基于此时从各检测器21、22得到的滤波后的压力传感器19的输出值的波形数据及滤波后的压力传感器19的输出值的波形数据，制作如图9所示的训练数据组。在该情况下，该训练数据组既可以基于从各检测器21、22得到的波形数据而通过手动作业来制作，也可以基于从各检测器21、22得到的电子数据而以电子的方式制作。使用这样制作出的训练数据组的电子数据来进行图8所示的神经网络20的权重的学习。
在图5所示的例子中，设置有用于进行神经网络的权重的学习的学习装置23。如图5所示，该学习装置23具备存储装置24即存储器24和CPU(微处理器)25。在图5所示的例子中，图8所示的神经网络20的节点数及制作出的训练数据组的电子数据存储于学习装置23的存储器24，在CPU25中进行神经网络20的权重的学习。在该情况下，也可以将神经网络20的权重的学习利用图1所示的电子控制单元30来进行。在该情况下，图8所示的神经网络20的节点数及制作出的训练数据组的电子数据存储于电子控制单元30的存储器32，在CPU33中进行神经网络20的权重的学习。在该情况下，电子控制单元30形成学习装置。
接着，以使用在从上止点到上止点后90°之间每隔曲轴角度5°而分割出的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)作为输入值x1、x2…xn-1、xn，使用压力传感器19的输出值的峰值的实测值作为教师数据yt，使用图5所示的学习装置23的情况为例，对进行神经网络20的权重的学习的情况进行说明。
图10示出在学习装置23中进行的神经网络的权重的学习处理例程。
参照图10，首先，在步骤100中，读入存储于学习装置23的存储器24的训练数据组的各数据。接着，在步骤101中，读入神经网络20的输入层(L＝1)的节点数、隐藏层(L＝2)及隐藏层(L＝3)的节点数及输出层(L＝4)的节点数，基于这些节点数来制作如图8所示的神经网络20。在该情况下，在该例子中，输入层(L＝1)的节点数被设为18个，输出层(L＝4)的节点数被设为1个。
接着，在步骤102中，进行神经网络20的权重的学习。首先，图9的第1号(No.1)的输入值x1、x2…xn-1、xn即输入值x1、x2…x17、x18向神经网络20的输入层(L＝1)的18个各节点输入。接着，算出此时的神经网络20的输出值y与第1号(No.1)的教师数据yt1之间的平方误差E＝1/2(y-yt1)2，以使该平方误差E变小的方式，使用前述的误差反向传播法来进行神经网络20的权重的学习。
当基于图9的第1号(No.1)的数据的神经网络20的权重的学习完成后，接着使用误差反向传播法来进行基于图9的第2号(No.2)的数据的神经网络20的权重的学习。同样，直到图9的第m号(No.m)为止，依次进行神经网络20的权重的学习。当关于图9的第1号(No.1)～第m号(No.m)的全部神经网络20的权重的学习完成后，进入步骤103。
在步骤103中，例如，算出图9的第1号(No.1)～第m号(No.m)的全部的神经网络的输出值y与教师数据yt之间的平方和误差E，判别该平方和误差E是否成为了预先设定的设定误差以下。在判别为平方和误差E成为了预先设定的设定误差以下时，进入步骤104，将神经网络20的已学习权重存储于学习装置23的存储器24。接着，结束学习例程。相对于此，在判别为平方和误差E未成为预先设定的设定误差以下时，返回步骤102，再次基于图9所示的训练数据组来进行神经网络的权重学习。接着，直到平方和误差E成为预先设定的设定误差以下为止，继续进行神经网络的权重的学习。
如上所述，神经网络的权重的学习在电子控制单元30中也能够进行。在该情况下，图10所示的神经网络的权重的学习处理例程在电子控制单元30中执行，神经网络20的已学习的权重存储于电子控制单元30的存储器32。另一方面，在学习装置23中进行了神经网络的权重的学习的情况下，使用在学习装置23中取得的神经网络20的已学习的权重，使用在电子控制单元30中进行的图11所示的数据读入例程，在电子控制单元30内制作神经网络。
即，如图11所示，在步骤110中，读入神经网络20的输入层(L＝1)的节点数、隐藏层(L＝2)及隐藏层(L＝3)的节点数及输出层(L＝4)的节点数。接着，在步骤111中，将在学习装置23中取得的神经网络20的已学习的权重存储于电子控制单元30的存储器32。基于这些节点数及已学习的权重，在电子控制单元30内制作已学习的神经网络20。
当在电子控制单元30内制作已学习的神经网络20后，在将每隔曲轴角度5°分割出的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)输入到该已学习的神经网络20时，从神经网络20输出根据压力传感器19的输出值而求出的代表爆震强度的值的推定值。该代表爆震强度的值的推定值与代表爆震强度的值的实测值极其接近，因此，能够根据爆震传感器18的输出值来准确地推定爆震强度。
这样，在本发明的实施例中，设置有检测内燃机主体1的振动的爆震传感器18、检测内燃机的燃烧室5内的压力的压力传感器19及用于使用神经网络20来推定代表内燃机的爆震强度的值的学习装置23(在该学习装置23中也包括电子控制单元30)。根据压力传感器19的输出值来取得代表爆震强度的值。通过学习装置23，将由爆震传感器18检测到的表示内燃机主体1的振动的值作为神经网络20的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络20的权重，使用已学习的神经网络20，根据爆震传感器18的输出值来推定代表爆震强度的值。
另外，在本发明的实施例中，基于检测内燃机主体1的振动的爆震传感器18的输出值和检测内燃机的燃烧室5内的压力的压力传感器19的输出值，使用神经网络20来推定内燃机的爆震强度。根据压力传感器19的输出值来求出代表爆震强度的值，制作示出由爆震传感器18检测到的表示内燃机主体1的振动的值与代表爆震强度的值的关系的训练数据组。将由爆震传感器18检测到的表示内燃机主体1的振动的值作为神经网络20的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络20的权重。使用已学习的神经网络20，根据爆震传感器18的输出值来推定代表爆震强度的值。
该情况下，在本发明的实施例中，代表爆震强度的值是预先设定的期间内的压力传感器19的输出值的峰值，或者，代表爆震强度的值是预先设定的期间内的压力传感器19的输出值的积分值。该情况下，预先设定的期间是一定的曲轴角度范围，例如是压缩上止点～压缩上止点后90°的范围。
另一方面，在本发明的实施例中，表示内燃机主体1的振动的值是预先设定的期间内的爆震传感器18的输出值，表示内燃机主体1的振动的值是在预先设定的期间内等分割出的区间内的爆震传感器18的输出值的积分值。在该情况下，预先设定的期间是一定的曲轴角度范围，例如是压缩上止点～压缩上止点后90°的范围。另外，关于爆震传感器18的输出值的积分值，若举出一例，则该爆震传感器18的输出值的积分值是每隔曲轴角度5°等分割出的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。
如上所述，在图1所示的电子控制单元30的存储器32内存储有神经网络20的已学习的权重系数。即，在图1所示的电子控制单元30内形成有已学习的神经网络20。图12示出了使用已学习的神经网络20在电子控制单元30内在车辆运转时进行的爆震处理例程。如图12所示，当执行该爆震处理例程时，首先在步骤120中，进行根据压力传感器19的输出值而求出的代表爆震强度的值即爆震强度代表值的推定处理。接着，在步骤121中，进行是否发生了爆震的爆震判定处理，接着，在步骤122中，进行点火控制。
图13示出了在图12的步骤120中进行的爆震强度代表值的推定处理例程的一实施例。该例程通过每隔一定曲轴角或每隔一定时间的中断来执行。参照图13，首先，在步骤130中，判别是否是爆震传感器18的输出信号的取入期间中。在该实施例中，爆震传感器18的输出信号的取入期间被设为从压缩上止点到压缩上止点后90°之间。因此，在曲轴角是压缩上止点前时，结束处理循环，若曲轴角超过了压缩上止点则判别为是爆震传感器18的输出信号的取入期间中，进入步骤131。
在步骤131中，将爆震传感器18的输出信号经由对应的AD变换器36及例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器37而取入。即，取入滤波后的爆震传感器18的输出值。接着，在步骤132中，将所取入的滤波后的爆震传感器18的输出值存储于电子控制单元30的存储器32内。接着，在步骤133中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤133中判别为爆震传感器18的输出信号的取入期间未结束时，即判别为曲轴角未到达压缩上止点后90°时，结束处理循环。
相对于此，在步骤133中判别为爆震传感器18的输出信号的取入期间已结束时，即判别为曲轴角到达了压缩上止点后90°时，进入步骤134。此时，在存储器32内存储有如图6B的黑圆所示的滤波后的爆震传感器18的输出值。在步骤134中，将存储于该存储器32内的滤波后的爆震传感器18的输出值向已学习的神经网络20的输入层(L＝1)的各节点输入。此时，从已学习的神经网络20输出爆震强度代表值的推定值ye，因此，如步骤135所示，算出爆震强度代表值的推定值ye。
图14示出了在图12的步骤120中进行的爆震强度代表值的推定处理例程的另一实施例。该例程也通过每隔一定曲轴角或每隔一定时间的中断来执行。此外，图14的步骤140～步骤143的内容与图13的步骤130～步骤133的内容相同。即，参照图14，首先，在步骤140中，判别是否是爆震传感器18的输出信号的取入期间中。在该实施例中也是，爆震传感器18的输出信号的取入期间被设为从压缩上止点到压缩上止点后90°之间。因此，在曲轴角是压缩上止点前时，结束处理循环，若曲轴角经过了压缩上止点则判别为是爆震传感器18的输出信号的取入期间中，进入步骤141。
在步骤141中，将爆震传感器18的输出信号经由对应的AD变换器36及例如仅使5KHz～20KHz左右的频率的输入信号通过的数字带通滤波器37而取入。即，取入滤波后的爆震传感器18的输出值。接着，在步骤142中，将所取入的滤波后的爆震传感器18的输出值存储于电子控制单元30的存储器32内。接着，在步骤143中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤143中判别为爆震传感器18的输出信号的取入期间未结束时，即判别为曲轴角未到达压缩上止点后90°时，结束处理循环。
相对于此，在步骤143中判别为爆震传感器18的输出信号的取入期间已结束时，即判别为曲轴角到达了压缩上止点后90°时，进入步骤144。在步骤144中，基于存储于存储器32内的滤波后的爆震传感器18的输出值，如参照图6C所说明那样，算出每隔曲轴角度5°分割出的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。接着，在步骤145中，将滤波后的爆震传感器18的输出值的算出的各积分值向已学习的神经网络20的输入层(L＝1)的各节点输入。此时，从已学习的神经网络20输出爆震强度代表值的推定值ye，因此，如步骤146所示，算出爆震强度代表值的推定值ye。
图15示出了基于在图13的步骤135中算出的爆震强度代表值的推定值ye或在图14的步骤146中算出的爆震强度代表值的推定值ye而在电子控制单元30内执行的爆震判定例程。该例程通过每隔一定曲轴角的中断来执行。参照图15，首先，在步骤150中，读入相对于爆震强度代表值的阈值Mij。如图16所示，该阈值Mij相对于根据内燃机负荷L和内燃机转速N分割为多个的各内燃机运转区域而预先设定。
接着，在步骤151中，判别算出的爆震强度代表值的推定值ye是否比阈值Mij大。在判别为算出的爆震强度代表值的推定值ye不比阈值Mij大时，进入步骤152，判别为未发生爆震，接着结束处理循环。相对于此，在判别为算出的爆震强度代表值的推定值ye比阈值Mij大时，进入步骤153，判别为发生了爆震，接着结束处理循环。
图17示出了基于图15所示的爆震判定例程中的判定结果而在电子控制单元30内执行的点火控制例程。该例程通过每隔一定曲轴角的中断来执行。参照图17，首先，在步骤160中，算出基准点火正时IG(BTDC)。该基准点火正时IG作为内燃机负荷L和内燃机转速N的函数，以如图18所示的映射的形式预先存储于存储器32内。接着，在步骤161中，基于图15所示的爆震判定例程中的判定结果来判别是否发生了爆震。在判别为发生了爆震时，进入步骤162。
在步骤162中，为了使点火正时延迟而对点火正时延迟量ΔIG加上一定量α。接着，在步骤166中，通过从基准点火正时IG减去点火正时延迟量ΔIG来算出最终的点火正时IGO。基于该最终的点火正时IGO来控制火花塞11的点火作用。此时，点火正时被延迟。另一方面，在步骤161中判别为未发生爆震时，进入步骤163，为了使点火正时提前而从点火正时延迟量ΔIG减去一定量α。接着，在步骤164中，判别点火正时延迟量ΔIG是否成为了负，在点火正时延迟量ΔIG成为了负时，进入步骤165而将点火正时延迟量ΔIG设为零后，进入步骤166。
如前所述，爆震通常在从上止点到上止点后90°之间发生。因此，在到此为止叙述的实施例中，基于在从上止点到上止点后90°之间取入的爆震传感器18的输出值及压力传感器19的输出值来检测爆震的发生。然而，由爆震引起的内燃机主体1的振动具有不依赖于内燃机转速而在压缩上止点后发生一定时间的倾向。若考虑这样的倾向，则可以考虑基于在压缩上止点后在一定时间的期间取入的爆震传感器18的输出值及压力传感器19的输出值来检测爆震的发生。
接着，参照图19及图20，对基于在压缩上止点后在一定时间的期间取入的爆震传感器18的输出值及压力传感器19的输出值来检测爆震的发生的实施例进行说明。在内燃机的工作的一循环中，取入爆震传感器18的输出值及压力传感器19的输出值的曲轴角范围被称作选通(gate)区间，在图19中，该实施例中的选通区间(纵轴)与内燃机转速(横轴)的关系由实线示出。此外，横轴中的N1、N2、N3表示代表性的内燃机转速。
另一方面，在图20中示出了相对于各内燃机转速N1、N2、N3的选通区间G。另外，在图20中示出了算出以等间隔分割出的各分割区间内的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)的情况下的各分割区间S。从图19及图20可知，在该实施例中，内燃机转速越高，则选通区间G越长。此外，在图19及图20所示的例中，预先设定有取入爆震传感器18的输出值及压力传感器19的输出值的期间，该预先设定的期间被设为一定时间。然而，该预先设定的期间并非必需设为一定时间，也可以以随着内燃机转速增大而选通区间也增大的方式设定选通区间。
另一方面，在到此为止叙述的实施例中，相对于内燃机的全部运转区域，使用一个神经网络来推定代表爆震强度的值。然而，若这样仅对内燃机的全部运转区域使用一个神经网络，则存在代表爆震强度的值的推定精度下降的危险性。为了避免这样的危险性，优选将内燃机的运转区域分割为多个运转区域，对分割出的每个运转区域分别使用单独的神经网络。图21A～图21C示出了这样对分割出的每个运转区域分别使用单独的神经网络的实施例。
即，在该实施例中，如图21A～图21C所示，内燃机的运转区域根据内燃机负荷L及内燃机转速N而被分割为多个运转区域，如图21A所示，对分割出的每个运转区域分别形成有单独的神经网络NNij。在该情况下，如图21B所示，对分割出的每个运转区域分别制作如图9所示的训练数据组DSij。对分割出的每个运转区域分别形成的神经网络NNij的权重的学习使用对应的训练数据组DSij且使用图10所示的学习处理例程来进行。
另一方面，在该实施例中也是，如图21C所示，对分割出的每个运转区域设定有相对于爆震强度代表值的阈值Mij。在该实施例中，对分割出的每个运转区域使用对应的神经网络NNij，使用图13或图14所示的爆震强度代表值的推定例程来算出爆震强度代表值的推定值ye。当算出爆震强度代表值的推定值ye后，使用图15所示的爆震判定例程，使用算出的爆震强度代表值的推定值ye和图21C所示的对应的阈值Mij来判别是否发生了爆震。
这样，在该实施例中，内燃机的运转区域被分割为多个运转区域，并且对分割出的各运转区域分别制作有神经网络NNij。通过学习装置23，对于分割出的每个运转区域，将由爆震传感器18检测到的表示内燃机主体1的振动的值作为神经网络NNij的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习对应的神经网络NNij的权重，对于分割出的每个运转区域，使用对应的已学习的神经网络NNij，根据爆震传感器18的输出值推定代表爆震强度的值。
图22及图24示出又一实施例。在该实施例中，如图22所示，在内燃机主体1安装有爆震传感器18a及爆震传感器18b，这些爆震传感器18a及爆震传感器18b连接于能够检测爆震传感器18a的输出值的波形及爆震传感器18b的输出值的波形的检测器21、例如示波器。在图22中，若从左侧起依次称作1号汽缸#1、2号汽缸#2、3号汽缸#3、4号汽缸#4，则爆震传感器18a配置于距1号汽缸#1及2号汽缸#2等距离的位置，爆震传感器18b配置于距3号汽缸#3及4号汽缸#4等距离的位置。图22所示的其他构成与图5所示的构成相同，因此，关于该图22所示的其他构成，省略说明。
图23示出了在该实施例中使用的神经网络50。参照图23，在该神经网络50中，也与图3及图8所示的神经网络同样，L＝1表示输入层，L＝2及L＝3表示隐藏层，L＝4表示输出层。在该实施例中，从图23可知，输入层(L＝1)由2n个节点构成。另一方面，在图23中记载了隐藏层(L＝2)及隐藏层(L＝3)，但这些隐藏层的层数能够设为1个或任意的个数，另外，这些隐藏层的节点的数量也能够设为任意的个数。此外，输出层(L＝4)的节点的数量被设为1个，从输出层的节点的输出值由y表示。
在图23中，输入值x1、x2…xn-1、xn是滤波后的爆震传感器18a的输出值，输入值xx1、xx2…xxn-1、xxn是滤波后的爆震传感器18b的输出值。即，在该实施例中，双方的爆震传感器18a及爆震传感器18b的滤波后的输出值向输入层(L＝1)的各节点输入。此外，在该实施例中也是，作为输入值x1、x2…xxn-1、xxn，使用图6B所示的值或图6C所示的值。即，如图6B所示，滤波后的爆震传感器18a及爆震传感器18b的输出值自身被设为输入值x1、x2…xxn-1、xxn，或者，如图6C所示，滤波后的爆震传感器18a及爆震传感器18b的输出值的积分值(负侧的积分值也设为正的值)且例如一定曲轴角度内的爆震传感器18a及爆震传感器18b的输出值的积分值被设为输入值x1、x2…xxn-1、xxn。
另一方面，作为图23所示的输出值y，与图8所示的情况同样，采用了根据压力传感器19的输出值求出的代表爆震强度的值。在该情况下，与图8所示的情况同样，在图7B中由圆形记号表示的滤波后的压力传感器19的输出值的峰值被用作输出值y，或者，图7C所示的滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被用作输出值y。此外，在该实施例中也是，根据压力传感器19的输出值而求出的代表爆震强度的值的实测值被设为教师数据yt。
图24示出了使用输入值x1、x2…xxm-1、xxm和根据压力传感器19的输出值求出的代表爆震强度的值的实测值即教师数据yt而制作出的训练数据组。如图24所示，在该训练数据组中，取得了表示输入值x1、x2…xxn-1、xxn与教师数据yt的关系的m个数据。该训练数据组的制作方法与已经说明的图9所示的训练数据组的制作方法相同。即，在制作训练数据组时，在图22中，以关于内燃机负荷及内燃机转速的各种组合产生不发生爆震的运转状态和发生爆震的运转状态双方的状态的方式使内燃机运转，基于此时从各检测器21、22得到的数据，制作如图24所示的训练数据组。
当制作训练数据组后，使用制作出的训练数据组的电子数据来进行图23所示的神经网络50的权重的学习。该神经网络的权重的学习方法与参照图5前述的神经网络的权重的学习方法相同。即，在进行图23所示的神经网络50的权重的学习时，该神经网络50的节点数及制作出的训练数据组的电子数据存储于图22所示的学习装置23的存储器24，在CPU25中，使用图10所示的学习处理例程来进行神经网络60的权重的学习。在该情况下，也能够通过图1所示的电子控制单元30来进行神经网络50的权重的学习。在该情况下，图23所示的神经网络50的节点数及制作出的训练数据组的电子数据存储于电子控制单元30的存储器32，在CPU33中，使用图10所示的学习处理例程来进行神经网络20的权重的学习。
这样，在该实施例中，具备检测内燃机主体1的振动的多个爆震传感器18a及18b。通过学习装置23或电子控制单元30，将由多个爆震传感器18a及18b检测到的表示内燃机主体1的振动的值作为神经网络50的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络50的权重。使用已学习的神经网络50，根据多个爆震传感器18a及18b的输出值来推定代表爆震强度的值。
若这样使用多个爆震传感器18a及18b并使用双方的爆震传感器18a及18b的输出值来进行神经网络50的权重的学习，则与使用了一个爆震传感器时相比，能够取得的信息量增大，因此能够高精度地推定代表爆震强度的值。
标号说明
1 内燃机主体
5 燃烧室
11 火花塞
18、18a、18b 爆震传感器
19 压力传感器
23 学习装置
30 电子控制单元

Claims (11)

1.一种内燃机的爆震检测装置，具备：
爆震传感器，检测内燃机主体的振动；
压力传感器，检测内燃机的燃烧室内的压力；及
学习装置，用于使用神经网络来推定代表内燃机的爆震强度的值，
根据压力传感器的输出值来取得代表爆震强度的值，通过该学习装置，将由该爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络的权重，使用已学习的神经网络，根据爆震传感器的输出值来推定该代表爆震强度的值。
2.根据权利要求1所述的内燃机的爆震检测装置，
该代表爆震强度的值是预先设定的期间内的压力传感器的输出值的峰值。
3.根据权利要求1所述的内燃机的爆震检测装置，
该代表爆震强度的值是预先设定的期间内的压力传感器的输出值的积分值。
4.根据权利要求1所述的内燃机的爆震检测装置，
表示内燃机主体的振动的值是预先设定的期间内的爆震传感器的输出值。
5.根据权利要求1所述的内燃机的爆震检测装置，
表示内燃机主体的振动的值是在预先设定的期间内等分割出的区间内的爆震传感器的输出值的积分值。
6.根据权利要求1所述的内燃机的爆震检测装置，
预先设定的期间是一定的曲轴角度范围。
7.根据权利要求1所述的内燃机的爆震检测装置，
预先设定的期间是一定时间。
8.根据权利要求1所述的内燃机的爆震检测装置，
内燃机的运转区域被分割为多个运转区域，并且对分割出的各运转区域分别制作有神经网络，通过该学习装置，对于分割出的每个运转区域，将由该爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习对应的神经网络的权重，对于分割出的每个运转区域，使用对应的已学习的神经网络，根据爆震传感器的输出值来推定该代表爆震强度的值。
9.根据权利要求1所述的内燃机的爆震检测装置，
具备检测内燃机主体的振动的多个爆震传感器，通过该学习装置，将由该多个爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将上述所取得的代表爆震强度的值作为教师数据，学习神经网络的权重，使用已学习的神经网络，根据该多个爆震传感器的输出值来推定该代表爆震强度的值。
10.根据权利要求1所述的内燃机的爆震检测装置，
根据上述代表爆震强度的值的推定值来判定爆震的发生。
11.一种内燃机的爆震检测方法，基于检测内燃机主体的振动的爆震传感器的输出值和检测内燃机的燃烧室内的压力的压力传感器的输出值，使用神经网络来推定内燃机的爆震强度，其中，
根据压力传感器的输出值来求出代表爆震强度的值，制作示出由该爆震传感器检测到的表示内燃机主体的振动的值与该代表爆震强度的值的关系的训练数据组，将由该爆震传感器检测到的表示内燃机主体的振动的值作为神经网络的输入值，并且将所取得的代表爆震强度的值作为教师数据，学习神经网络的权重，使用已学习的神经网络，根据爆震传感器的输出值来推定该代表爆震强度的值。
CN202010082534.9A 2019-02-08 2020-02-07 内燃机的爆震检测装置及爆震检测方法 Pending CN111551368A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-021508 2019-02-08
JP2019021508A JP6733752B1 (ja) 2019-02-08 2019-02-08 内燃機関のノッキング検出装置およびノッキング検出方法

Publications (1)

Publication Number Publication Date
CN111551368A true CN111551368A (zh) 2020-08-18

Family

ID=69467455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082534.9A Pending CN111551368A (zh) 2019-02-08 2020-02-07 内燃机的爆震检测装置及爆震检测方法

Country Status (4)

Country Link
US (1) US11307111B2 (zh)
EP (1) EP3693588A1 (zh)
JP (1) JP6733752B1 (zh)
CN (1) CN111551368A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111964911A (zh) * 2020-08-31 2020-11-20 东风汽车集团有限公司 一种基于背景电压值修正的发动机爆震判断方法
CN112145299A (zh) * 2020-09-04 2020-12-29 东风汽车集团有限公司 一种发动机防爆震干扰控制方法及存储介质
CN113266503A (zh) * 2021-06-03 2021-08-17 吉林大学 一种基于多参数选择性调整的爆震抑制方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6733752B1 (ja) 2019-02-08 2020-08-05 トヨタ自動車株式会社 内燃機関のノッキング検出装置およびノッキング検出方法
JP6733795B1 (ja) * 2019-09-24 2020-08-05 トヨタ自動車株式会社 内燃機関の点火時期制御装置
KR20210073882A (ko) * 2019-12-11 2021-06-21 현대자동차주식회사 빅데이터 기반 운행 정보 제공 시스템 및 방법
FR3118102B1 (fr) * 2020-12-21 2023-05-05 Ifp Energies Now Procédé de détermination d’un indicateur de cliquetis de la combustion à partir de mesures d'accélération
KR102627730B1 (ko) * 2022-04-29 2024-01-23 에이치디한국조선해양 주식회사 엔진 압력을 예측하는 엔진 모니터링 장치 및 엔진 압력 예측을 위한 가상 데이터 생성 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59107237A (ja) * 1982-12-10 1984-06-21 Toyota Motor Corp 多気筒エンジンのノツキング判定方法
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
CN101044383A (zh) * 2004-04-22 2007-09-26 丰田自动车株式会社 内燃机爆震判定装置和包含该装置的点火控制系统
CN103134637A (zh) * 2011-11-25 2013-06-05 上海汽车集团股份有限公司 判断发动机爆震的方法和装置
CN107795399A (zh) * 2016-09-01 2018-03-13 罗伯特·博世有限公司 用于内燃机的爆震识别的方法
CN108398271A (zh) * 2017-02-07 2018-08-14 山东云舜智能科技有限公司 一种基于振动和神经网络技术的发动机状态监测方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59193333A (ja) * 1983-04-19 1984-11-01 Nissan Motor Co Ltd ノツキング検出装置
US4633835A (en) 1983-06-03 1987-01-06 Mitsubishi Denki Kabushiki Kaisha Ignition timing control apparatus for engine
JPH0826838B2 (ja) 1986-10-23 1996-03-21 トヨタ自動車株式会社 内燃機関の点火時期制御方法
JPS6448654U (zh) 1987-09-22 1989-03-27
DE19615448A1 (de) 1996-04-19 1997-11-20 Bosch Gmbh Robert Vorrichtung zur Klopferkennung und Regelung einer Brennkraftmaschine
JPH10252536A (ja) * 1997-03-14 1998-09-22 Honda Motor Co Ltd 内燃機関の空燃比制御装置
JP2002364448A (ja) 2001-05-31 2002-12-18 Fujitsu Ten Ltd 内燃機関のノッキング制御装置
US7134423B2 (en) 2002-11-01 2006-11-14 Visteon Global Technologies, Inc. Ignition diagnosis and combustion feedback control system using an ionization signal
JP2006226967A (ja) 2005-02-21 2006-08-31 Toyota Motor Corp 内燃機関のノッキング判定装置
JP4802905B2 (ja) 2006-07-24 2011-10-26 トヨタ自動車株式会社 内燃機関の制御装置
JP4367529B2 (ja) 2007-05-29 2009-11-18 トヨタ自動車株式会社 内燃機関の点火時期制御装置
JP2015075019A (ja) * 2013-10-08 2015-04-20 トヨタ自動車株式会社 エンジン制御装置
US9752949B2 (en) 2014-12-31 2017-09-05 General Electric Company System and method for locating engine noise
JP2016217338A (ja) * 2015-05-26 2016-12-22 トヨタ自動車株式会社 内燃機関の制御装置
KR102209689B1 (ko) 2015-09-10 2021-01-28 삼성전자주식회사 음향 모델 생성 장치 및 방법, 음성 인식 장치 및 방법
JP6769211B2 (ja) * 2016-09-27 2020-10-14 株式会社デンソー ノッキング検出装置
JP6762186B2 (ja) 2016-09-30 2020-09-30 日立オートモティブシステムズ株式会社 内燃機関制御装置
JP6733752B1 (ja) 2019-02-08 2020-08-05 トヨタ自動車株式会社 内燃機関のノッキング検出装置およびノッキング検出方法
JP6683283B1 (ja) * 2019-09-24 2020-04-15 トヨタ自動車株式会社 内燃機関の点火時期制御装置
JP6733795B1 (ja) * 2019-09-24 2020-08-05 トヨタ自動車株式会社 内燃機関の点火時期制御装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59107237A (ja) * 1982-12-10 1984-06-21 Toyota Motor Corp 多気筒エンジンのノツキング判定方法
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
CN101044383A (zh) * 2004-04-22 2007-09-26 丰田自动车株式会社 内燃机爆震判定装置和包含该装置的点火控制系统
CN103134637A (zh) * 2011-11-25 2013-06-05 上海汽车集团股份有限公司 判断发动机爆震的方法和装置
CN107795399A (zh) * 2016-09-01 2018-03-13 罗伯特·博世有限公司 用于内燃机的爆震识别的方法
CN108398271A (zh) * 2017-02-07 2018-08-14 山东云舜智能科技有限公司 一种基于振动和神经网络技术的发动机状态监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANDREAS KIRSCHBAUM 等: "Rapid Prototyping of a Co-Processor based Engine Knock Detection System", 《NINTH INTERNATIONAL WORKSHOP ON RAPID SYSTEM PROTOTYPING (CAT. NO.98TB100237)》 *
舒华 等: "《桑塔纳2000/桑塔纳电气系统使用与维修 修订版》", 31 October 2002, 北京理工大学出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111964911A (zh) * 2020-08-31 2020-11-20 东风汽车集团有限公司 一种基于背景电压值修正的发动机爆震判断方法
CN112145299A (zh) * 2020-09-04 2020-12-29 东风汽车集团有限公司 一种发动机防爆震干扰控制方法及存储介质
CN112145299B (zh) * 2020-09-04 2021-07-06 东风汽车集团有限公司 一种发动机防爆震干扰控制方法及存储介质
CN113266503A (zh) * 2021-06-03 2021-08-17 吉林大学 一种基于多参数选择性调整的爆震抑制方法

Also Published As

Publication number Publication date
JP2020128727A (ja) 2020-08-27
US20200256753A1 (en) 2020-08-13
US11307111B2 (en) 2022-04-19
EP3693588A1 (en) 2020-08-12
JP6733752B1 (ja) 2020-08-05

Similar Documents

Publication Publication Date Title
CN111551368A (zh) 内燃机的爆震检测装置及爆震检测方法
CN112629648B (zh) 内燃机的点火正时控制装置
CN112629649B (zh) 内燃机的点火正时控制装置
US11591981B2 (en) System and method for detecting malfunctioning turbo-diesel cylinders
CN112629650B (zh) 内燃机的点火正时控制装置
US6397669B1 (en) Method and arrangement for evaluating combustion processes in an internal combustion engine
JP5826054B2 (ja) 内燃機関のノック検出装置
JP2008540912A (ja) 内燃機関のシリンダ内で燃焼される燃料質量とシリンダに供給される燃料質量との間の比率を求めるための方法及び装置
US11226264B2 (en) Method for the diagnosis of engine misfires in an internal combustion engine
JP4830986B2 (ja) 内燃機関の制御装置
JP2020143671A (ja) 内燃機関のノッキング検出装置およびノッキング検出方法
JP5229192B2 (ja) 筒内圧センサの診断装置
US7441543B2 (en) Device and method for controlling ignition timing of internal combustion engine
JP2021050729A (ja) 内燃機関の点火時期制御装置
JP2021050730A (ja) 内燃機関の点火時期制御装置
JP4345723B2 (ja) 内燃機関の図示平均有効圧の推定方法
JP5675539B2 (ja) 内燃機関の制御装置
JP2021050728A (ja) 内燃機関の点火時期制御装置
JPH02161172A (ja) 内燃機関の燃焼状態検出装置
Taglialatela-Scafati et al. Use of in-Cylinder Pressure and Learning Circuits for Engine Modeling and Control
Yamamoto et al. Development of Cylinder Pressure Measurement System Using Adaptive Calculation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200818