CN111577470B - 内燃机的状态检测系统、数据解析装置、车辆、及内燃机的状态检测方法 - Google Patents

Abstract

提供一种内燃机的状态检测系统、数据解析装置、车辆、及内燃机的状态检测方法。旋转波形变量包括与各汽缸的燃烧转矩的产生期间中的曲轴的转速的汽缸间差异相关的信息。取得处理取得旋转波形变量，并且取得基于检测路面的状态的传感器的输出的路面状态变量的值。选择处理从存储于存储装置的多种映射数据中选择与路面状态变量对应的映射数据作为检测用映射。判定处理基于将旋转波形变量作为向选择出的检测用映射的输入的检测用映射的输出值，判定内燃机是否处于既定的运转状态。

Description

内燃机的状态检测系统、数据解析装置、车辆、及内燃机的状 态检测方法

技术领域

本公开涉及内燃机的状态检测系统、及构成该系统的数据解析装置和车辆。内燃机的状态检测系统在搭载于车辆的内燃机中检测伴随汽缸间的燃烧状态的偏差的运转状态，例如失火(不发火)、空燃比的汽缸间的偏差。

背景技术

在内燃机中，当由于失火、汽缸间的空燃比的偏差等而产生汽缸间的燃烧状态的偏差时，曲轴的旋转变动变大。因此，能够基于曲轴的旋转变动模式来检测失火、汽缸间的空燃比的偏差等。例如在日本特开平4-91348号公报中记载了使用多层型神经网络模型来检测失火的失火检测系统。多层型神经网络模型将按每一既定周期采样到的内燃机的曲轴的转速的时序数据输入到输入层，并将发生了失火的汽缸的信息从输出层输出。

在路面存在凹凸的情况下，会在车辆产生振动，该振动会传递到曲轴。即，来自路面的振动与曲轴的旋转行为重叠。因此，在行驶中的车辆中，基于曲轴的旋转变动的模式的失火等的检测精度变低。

发明内容

以下，对本公开的例子进行记载。

本公开的一技术方案涉及的内燃机的状态检测系统应用于搭载于车辆的内燃机，检测伴随汽缸间的燃烧状态的偏差的所述内燃机的既定的运转状态。该状态检测系统具备：存储装置，其构成为存储根据所述车辆所行驶的路面的状态分类的多种映射数据来作为规定所述检测用映射的数据即映射数据，所述检测用映射是以旋转波形变量为输入，以与汽缸间的燃烧状态的偏差程度相关的变量即燃烧状态变量为输出的映射，所述检测用映射通过机器学习来进行学习，所述旋转波形变量是包括与各汽缸的燃烧转矩的产生期间中的所述内燃机的曲轴的转速的汽缸间差异相关的信息的变量；和执行装置，其构成为执行取得处理、选择处理以及判定处理，在所述取得处理中，取得基于检测所述曲轴的旋转行为的传感器的输出的所述旋转波形变量的值，并且取得基于检测所述路面的状态的传感器的输出的路面状态变量的值，所述路面状态变量是与所述路面的状态相关的变量，在所述选择处理中，从存储于所述存储装置的多种所述映射数据中选择与通过所述取得处理取得的所述路面状态变量对应的映射数据作为所述检测用映射，并且在所述判定处理中，基于将通过所述取得处理取得的所述旋转波形变量作为向通过所述选择处理选择出的所述检测用映射的输入的所述检测用映射的输出值，判定所述内燃机是否处于所述既定的运转状态。

当各汽缸的燃烧状态产生偏差时，各汽缸的燃烧转矩产生差异。因此，在各汽缸的燃烧转矩的产生期间中的曲轴的转速上产生汽缸间差异。与这样的曲轴的转速的汽缸间差异相关的信息能够从检测曲轴的旋转行为的传感器的输出中取得。若假设燃烧转矩的产生期间中的曲轴的转速的汽缸间差异单纯仅因各汽缸的燃烧状态的偏差而产生，则能够根据与该转速的汽缸间差异相关的信息高精度地检测伴随失火、汽缸间空燃比不均那样的汽缸间的燃烧状态的偏差的内燃机的运转状态。针对这一点，在上述构成中，鉴于汽缸间的燃烧状态的偏差会引起燃烧转矩的产生期间的曲轴的转速的汽缸间差异的产生，将包括该转速的汽缸间差异的信息的旋转波形变量包含在向检测用映射的输入中。

另外，在搭载于车辆的内燃机中，在车辆正在行驶的路面存在凹凸的情况下，会在车辆产生振动，该振动会传递到曲轴。因此，路面的状态对曲轴的旋转行为产生影响。针对这一点，在上述构成中，根据与路面的状态相关的路面状态变量来选择用作检测用映射的映射数据，使用选择出的映射数据来执行判定处理。此外，在上述构成中，基于使用通过机器学习学习到的映射算出的燃烧状态变量的值，判定有无产生上述既定的运转状态。假设在构成与所有的路面的状态相对应地高精度地判定有无产生上述既定的运转状态的映射的情况下，映射的构造容易复杂化。因此，在上述构成中，将与路面的状态相应的多种映射数据存储于存储装置，通过选择处理选择与路面状态变量对应的映射数据作为在判定处理中使用的检测用映射。由此，能够根据路面的状态选择合适的映射数据。由此，与例如通过单一的映射来应对所有的路面的状态的情况相比，容易简化各映射各自的构造。另外，各映射是针对对应的路面的状态特定化地学习而得到的映射，所以上述既定的运转状态的检测精度容易变高。因此，根据上述构成，能够在基于车辆正在行驶的路面的状态所产生的影响的基础上实施燃烧状态变量的算出，能够提高搭载于车辆的内燃机中的上述既定的运转状态的检测精度。

上述的状态检测系统能够构成为进行对发生了失火的状态的检测的系统。另外，能够构成为进行对产生了汽缸间的空燃比的偏差的状态的检测的系统。

另外，例如能够使用表示车辆正在行驶的路面是铺装路还是非铺装路的变量作为上述的状态检测系统中的路面状态变量。在该情况下，只要在存储装置中存储铺装路用的映射数据和非铺装路用的映射数据作为多种映射数据即可。

另外，上述状态检测系统的一技术方案中的所述执行装置可以构成为，在通过所述判定处理判定为所述内燃机处于所述既定的运转状态时，通过操作硬件来执行用于应对所述既定的运转状态的应对处理。作为应对处理，例如执行向乘员报知内燃机处于既定的运转状态这一情况的处理、实现既定的运转状态的消除、减轻的处理即可。

在上述状态检测系统的一技术方案中，所述判定处理包括算出所述燃烧状态变量的输出值算出处理，所述燃烧状态变量是以通过所述取得处理取得的所述旋转波形变量的值为输入的所述检测用映射的输出值，所述执行装置可以包括搭载于所述车辆的第1执行装置、和搭载于所述车辆以外的设备的第2执行装置。并且，所述第1执行装置执行所述取得处理、和接收基于所述输出值算出处理的算出结果的信号的车辆侧接收处理。并且，所述第2执行装置执行所述选择处理、所述输出值算出处理、以及将基于所述输出值算出处理的算出结果的信号向所述车辆发送的外部侧发送处理。

在本公开的另一技术方案涉及的内燃机的状态检测系统中，具备第1执行装置、第2执行装置以及存储装置，所述状态检测系统应用于搭载于车辆的内燃机，检测伴随汽缸间的燃烧状态的偏差的所述内燃机的既定的运转状态，

所述存储装置构成为，存储根据所述车辆所行驶的路面的状态分类的多种映射数据作为规定检测用映射的数据即映射数据，所述检测用映射是以旋转波形变量为输入，以燃烧状态变量为输出的映射，所述检测用映射是通过机器学习进行学习而得到的映射，所述旋转波形变量是包括与各汽缸的燃烧转矩的产生期间中的所述内燃机的曲轴的转速的汽缸间差异相关的信息的变量，所述燃烧状态变量是与汽缸间的燃烧状态的偏差程度相关的变量，

所述第1执行装置搭载于所述车辆，并且构成为执行如下处理：

取得处理，取得基于检测所述曲轴的旋转行为的传感器的输出的所述旋转波形变量的值，并且取得基于检测所述路面的状态的传感器的输出的路面状态变量的值，所述路面状态变量是与所述路面的状态相关的变量；和

车辆侧接收处理，接收基于所述输出值算出处理的算出结果的信号，

所述第2执行装置搭载于所述车辆以外的设备，并且构成为执行如下处理：

选择处理，从存储于所述存储装置的多种所述映射数据中选择与通过所述取得处理取得的所述路面状态变量对应的映射数据作为所述检测用映射；

输出值算出处理，算出所述燃烧状态变量，所述燃烧状态变量是以通过所述取得处理取得的所述旋转波形变量的值为输入的所述检测用映射的输出值；以及

外部侧发送处理，将基于所述输出值算出处理的算出结果的信号向所述车辆发送，

所述第2执行装置、或者所述第1执行装置和所述第2执行装置构成为执行包括所述输出值算出处理的判定处理，在所述判定处理中，基于所述燃烧状态变量来判定所述内燃机是否处于所述既定的运转状态。

在这样的情况下，运算负荷高的输出值算出处理由车辆以外的设备进行。因此，能够减轻车辆侧的运算负荷。此外，作为构成这样的情况下的状态检测系统的装置，可考虑具备上述第2执行装置及上述存储装置的数据解析装置、具备第1执行装置的车辆。

一种内燃机的状态检测方法，包括上述的各种处理。

一种非瞬时性的计算机可读存储介质，存储有用于使执行装置执行上述的各种处理的程序。

所述燃烧状态变量是表示为了将多个汽缸各自中的混合气的空燃比控制为彼此相等的空燃比而操作了所述内燃机的燃料喷射阀时的、实际的空燃比彼此之间的偏差程度的不均变量。

附图说明

图1是示出第1实施方式的状态检测系统及搭载有成为应用对象的内燃机的车辆的驱动系统的构成的图。

图2是示出该实施方式中的失火检测处理的步骤的流程图。

图3是示出该实施方式中的映射数据的选择处理的步骤的流程图。

图4是示出第2实施方式的状态检测系统的构成的图。

图5的(a)部分及(b)部分是示出第2实施方式的状态检测系统所执行的处理的步骤的流程图。

图6是示出第2实施方式中的路面状态变量的算出处理的步骤的流程图。

图7是示出第2实施方式中的映射数据的选择处理的步骤的流程图。

图8是示出第3实施方式中的失火检测处理的步骤的流程图。

图9是示出第3实施方式中的映射的输入变量的时间图。

图10的(a)部分及(b)部分是示出第4实施方式的状态检测系统所执行的处理的步骤的流程图。

图11是示出第5实施方式中的不均检测处理的步骤的流程图。

图12是示出第5实施方式中的对不均的应对处理的步骤的流程图。

图13的(a)部分及(b)部分是示出第6实施方式的状态检测系统所执行的处理的步骤的流程图。

具体实施方式

(第1实施方式)

以下，参照图1～图3对内燃机的状态检测系统的第1实施方式进行说明。

在搭载于图1所示的车辆VC的内燃机10中，在进气通路12设置有节气门14。从进气通路12吸入的空气通过进气门16的打开而流入各汽缸#1～#4的燃烧室18。在内燃机10中设置有喷射燃料的燃料喷射阀20和产生火花放电的点火装置22，所述燃料喷射阀20被设置成向燃烧室18露出。在燃烧室18中，空气与燃料的混合气被用于燃烧，通过燃烧产生的能量被取出为曲轴24的旋转能量。被用于了燃烧的混合气伴随排气门26的打开而作为排气向排气通路28排出。在排气通路28设置有具有氧吸藏能力的催化剂30。排气通路28经由EGR通路32连通于进气通路12。在EGR通路32设置有调整其流路截面面积的EGR阀34。

曲轴24的旋转动力经由进气侧气门正时可变装置40向进气侧凸轮轴42传递，另一方面，经由排气侧气门正时可变装置44向排气侧凸轮轴46传递。进气侧气门正时可变装置40改变进气侧凸轮轴42与曲轴24的相对的旋转相位差。排气侧气门正时可变装置44改变排气侧凸轮轴46与曲轴24的相对的旋转相位差。

在内燃机10的曲轴24能够经由变矩器60连结变速装置64的输入轴66。变矩器60具备锁止离合器62，通过使锁止离合器62成为接合状态，曲轴24与输入轴66相互连结。在变速装置64的输出轴68机械地连结着驱动轮69。此外，在本实施方式中，变速装置64是能够改变从1档到6档的变速比的有级变速装置。

在曲轴24结合有曲轴转子50，在该曲轴转子50设置有分别表示曲轴24的多个(在此为34个)旋转角度的齿部52。在曲轴转子50，基本上按10°CA间隔设置齿部52，但是设置有1处相邻的齿部52之间的间隔为30°CA的部位即缺齿部54。用它来表示成为曲轴24的基准的旋转角度。

控制装置70以内燃机10为控制对象，为了控制作为其控制量的转矩、排气成分比率等而对节气门14、燃料喷射阀20、点火装置22、EGR阀34、进气侧气门正时可变装置40、排气侧气门正时可变装置44进行操作。此外，在图1中记载了节气门14、燃料喷射阀20、点火装置22、EGR阀34、进气侧气门正时可变装置40、排气侧气门正时可变装置44各自的操作信号MS1～MS6。

控制装置70在进行控制量的控制时，参照曲轴角传感器80的输出信号Scr、由空气流量计82检测出的吸入空气量Ga、设置于催化剂30的上游侧的空燃比传感器83的检测值即上游侧检测值Afu，所述曲轴角传感器80每隔上述齿部52之间的角度间隔，即除了缺齿部54以外，每隔10°CA输出脉冲。另外，控制装置70参照由水温传感器84检测出的内燃机10的冷却水的温度即水温THW、由变速位置传感器86检测出的变速装置64的变速位置Sft、由加速度传感器88检测出的车辆VC的上下方向的加速度Dacc。

控制装置70具备CPU72、ROM74、作为电可重写非易失性存储器的存储装置76以及周边电路77，它们能够通过局域网78相互进行通信。此外，周边电路77包括生成规定内部的动作的时钟信号的电路、电源电路、复位电路等。

控制装置70通过CPU72执行存储于ROM74的程序，从而执行上述控制量的控制。另外，控制装置70执行判定有无内燃机10的失火的处理。即，在本实施方式中，发生了失火的运转状态是既定的运转状态，进行有无这样的失火的检测的控制装置70对应于状态检测系统。

在图2中示出进行有无失火的检测的失火检测处理的步骤。图2所示的失火检测处理通过CPU72例如按预定周期反复执行作为存储于图1所示的ROM74的程序74a的失火检测程序来实现。此外，以下，用在开头标注有“S”的数字来表示各处理的步骤编号。

在图2所示的一系列的处理中，CPU72首先取得微小旋转时间T30(1)、T30(2)、···T30(24)(S10)。通过由CPU72基于曲轴角传感器80的输出信号Scr对曲轴24旋转30°CA所需要的时间进行计时来算出微小旋转时间T30。在此，在微小旋转时间T30(1)、T30(2)等括号中的数字不同的情况下，表示作为1燃烧循环的720°CA内的不同的旋转角度间隔。即，微小旋转时间T30(1)～T30(24)表示将720°CA(第1间隔)的旋转角度区域按30°CA(第2间隔)平均分割而得到的各角度间隔中的旋转时间。也就是说，微小旋转时间T30是作为与曲轴24旋转多个各角度间隔(30°CA即第2间隔)中的每一个间隔时的转速相应的参数的，瞬时速度参数(瞬时速度变量)。在此，第1间隔是曲轴24的旋转角度间隔，并且是包括压缩上止点的间隔，第2间隔是比压缩上止点的出现间隔小的间隔。微小旋转时间T30构成作为包含于第1间隔中的连续的多个第2间隔各自中的瞬时速度参数的时序数据。

详细而言，CPU72基于输出信号Scr对旋转了30°CA的时间进行计时，并将此设为过滤处理前时间NF30。接着，CPU72通过实施将过滤处理前时间NF30作为输入的数字过滤处理来算出过滤处理后时间AF30。然后，CPU72以使得预定期间中的、例如720°CA中的过滤处理后时间AF30的极大值(最大值)与极小值(最小值)之差成为“1”的方式将过滤处理后时间AF30归一化(日语：正規化)，从而算出微小旋转时间T30。

接着，CPU72取得转速NE及填充效率η(S12)。

在此，由CPU72基于曲轴角传感器80的输出信号Scr算出转速NE，由CPU72基于转速NE及吸入空气量Ga算出填充效率η。此外，转速NE是曲轴24旋转了比压缩上止点的出现间隔大，即在本实施方式中曲轴24旋转了比180°CA大的角度间隔时的转速的平均值。此外，优选，转速NE是曲轴24旋转了曲轴24的1圈以上的旋转角度时的转速的平均值。此外，此处的平均值不限于单纯平均，例如，也可以是指数移动平均处理，利用曲轴24旋转1圈以上的旋转角度时的、例如微小旋转时间T30等多个采样值来算出。另外，填充效率η是确定填充于燃烧室18内的空气量的参数。

如图2所示，在S12中取得了转速NE及填充效率η时，CPU72将通过S10、S12的处理取得的值代入用于算出发生了失火的概率的映射的输入变量x(1)～x(26)(S14)。详细而言，设为“s＝1～24”，CPU72将微小旋转时间T30(s)代入输入变量x(s)。即，输入变量x(1)～x(24)成为微小旋转时间T30的时序数据。在本实施方式中，该微小旋转时间T30的时序数据相当于旋转波形变量。另外，CPU72将转速NE代入输入变量x(25)，将填充效率η代入输入变量x(26)。

接着，CPU72通过将输入变量x(1)～x(26)输入到由存储于图1所示的存储装置76的映射数据规定的映射中，从而算出在汽缸#i(i＝1～4)中发生了失火的概率P(i)作为燃烧状态变量(S16)。

映射数据是规定如下映射的数据，该映射能够输出在与通过S10的处理取得的微小旋转时间T30(1)～T30(24)对应的期间中，在汽缸#i中发生了失火的概率P(i)。在此，概率P(i)是基于输入变量x(1)～x(26)将实际上发生了失火的情况的可能性的大小定量化而得到的值。此外，在本实施方式中，在汽缸#i中发生了失火的概率P(i)的最大值比“1”小，最小值为比“0”大的值。即，在本实施方式中，概率P(i)是将实际上发生了失火的情况的可能性的大小定量化为比“0”大且比“1”小的预定区域内的连续的值的值。

在本实施方式中，该映射由中间层为1层的神经网络和softmax函数(归一化指数函数)构成。softmax函数通过使神经网络的输出标准化(日语：規格化)，将发生了失火的概率P(1)～P(4)之和设为“1”。上述神经网络包括输入侧系数wFjk(j＝0～n，k＝0～26)和激活函数h(x)。输入侧线性映射是由输入侧系数wFjk规定的线性映射，激活函数h(x)是对输入侧线性映射的输出分别进行非线性变换的输入侧非线性映射。在本实施方式中，例示出双曲正切函数“tanh(x)”作为激活函数h(x)。另外，上述神经网络包括输出侧系数wSij(i＝1～4，j＝0～n)和激活函数f(x)。输出侧线性映射是由输出侧系数wSij规定的线性映射，激活函数f(x)是对输出侧线性映射的输出分别进行非线性变换的输出侧非线性映射。在本实施方式中，例示出双曲正切函数“tanh(x)”作为激活函数f(x)。此外，值n表示中间层的维度。在本实施方式中，值n比输入变量x的维度(在此为26维)小。另外，输入侧系数wFj0是偏置参数(bias parameter)，通过将输入变量x(0)定义为“1”，输入侧系数wFj0成为输入变量x(0)的系数。另外，输出侧系数wSi0是偏置参数，对其乘以“1”。这例如能够通过将“wF00·x(0)+wF01·x(1)+···”恒等地定义为无限大来实现。

详细而言，CPU72算出作为由输入侧系数wFjk、输出侧系数wSij以及激活函数h(x)、f(x)规定的神经网络的输出的概率原型y(i)。概率原型y(i)是与在汽缸#i中发生了失火的概率具有正相关关系的参数。并且，CPU72利用以概率原型y(1)～y(4)为输入的softmax函数的输出算出在汽缸#i中发生了失火的概率P(i)。此外，在以下的说明中，将这样的映射记载为检测用映射。

此外，如图1所示，在该控制装置70中，作为映射数据，将铺装路用映射数据76a和非铺装路用映射数据76b这两种映射数据存储于存储装置76。在S16的处理中，使用铺装路用映射数据76a和非铺装路用映射数据76b中的、通过在图2的处理之前进行的映射数据的选择处理选择出的映射数据，进行失火的概率P(i)的算出。

在图3中示出在图2的处理之前进行的映射数据的选择处理的步骤。图3所示的处理通过CPU72例如按预定周期反复执行存储于ROM74的程序74a来实现。

在图3所示的处理中，CPU72首先取得加速度Dacc(S30)。接着，CPU72判定路面状态变量SR是否为“1”(S32)。此外，路面状态变量SR是基于加速度Dacc，并通过该选择处理由CPU72算出的参数。在路面状态变量SR为“0”的情况下，表示车辆VC正在行驶的路面是铺装路，在路面状态变量SR为“1”的情况下，表示车辆VC正在行驶的路面是非铺装路。

CPU72在判定为路面状态变量SR为“0”的情况下(S32：否(NO))，判定加速度Dacc的变化量ΔDacc的绝对值为预定值ΔDH以上的状态是否持续了预定时间(S34)。在此，变化量ΔDacc设为加速度Dacc的上次值与本次值之差即可。该处理是判定车辆VC正在行驶的路面是否为铺装路的处理。CPU72在判定为变化量ΔDacc的绝对值为预定值ΔDH以上的状态持续了预定时间的情况下(S34：是(YES))，将“1”代入路面状态变量SR而更新路面状态变量SR(S36)。然后，CPU72选择存储于存储装置76的映射数据中的非铺装路用映射数据76b(S38)。由此，CPU72在S16的处理中使用非铺装路用映射数据76b算出失火的概率P(i)。

与此相对，CPU72在判定为路面状态变量SR为“1”的情况下(S32：是)，判定加速度Dacc的变化量ΔDacc的绝对值为规定值ΔDL(<ΔDH)以下的状态是否持续了预定时间(S40)。并且，CPU72在判定为变化量ΔDacc的绝对值为规定值ΔDL以下的状态持续了预定时间的情况下(S40：是)，将“0”代入路面状态变量SR而更新路面状态变量SR(S42)。然后，CPU72在S42的处理完成了、在S34的处理中判定为否的情况下(S34：否)，选择存储于存储装置76的映射数据中的铺装路用映射数据76a(S44)。由此，CPU72在S16的处理中使用铺装路用映射数据76a算出失火的概率P(i)。

此外，CPU72在S38、S44的处理完成了的情况下，暂时结束图3所示的一系列的处理。

接着，CPU72判定发生了失火的概率P(1)～P(4)中的最大值P(m)是否为阈值Pth以上(S18)。在此，变量m取1～4中的任一值，另外，阈值Pth被设定为“1/2”以上的值。并且，CPU72在判定为最大值P(m)为阈值Pth以上的情况下(S18：是)，使概率最大的汽缸#m的失火的次数N(m)递增(S20)。然后，CPU72判定在次数N(1)～N(4)中是否存在成为预定次数Nth以上的次数(S22)。并且，CPU72在判定为在次数N(1)～N(4)中存在成为预定次数Nth以上的次数的情况下(S22：是)，认为在特定的汽缸#q(q为1～4中的一个)中发生了超过允许范围的频率的失火，将“1”代入故障标志F(S24)。此外，此时，CPU72通过将发生了失火的汽缸#q的信息存储于存储装置76等，从而将汽缸#q的信息至少保持到在该汽缸#q中消除失火为止。

与此相对，CPU72在判定为最大值P(m)小于阈值Pth的情况下(S18：否)，判定是否从进行了S24的处理或后述的S28的处理起经过了预定期间(S26)。在此，预定期间比1燃烧循环的期间长，优选具有1燃烧循环的10倍以上的长度。

CPU72在判定为经过了预定期间的情况下(S26：是)，将次数N(1)～N(4)初始化，并且将故障标志F初始化(S28)。另外，CPU72在S24、S28的处理完成、在S22、S26的处理中判定为否的情况下，暂时结束图2所示的一系列的处理。

此外，在控制装置70中，作为用于应对既定的运转状态的应对处理，在故障标志F成为“1”的情况下，执行操作图1所示的警告灯90的报知处理以促使用户应对异常。

双方均存储于存储装置76的铺装路用映射数据76a及非铺装路用映射数据76b例如如以下那样生成。即，在试验台上将测功机(dynamometer)连接于曲轴24的状态下，使内燃机10工作，在从应该喷射分别在汽缸#1～#4中要求的燃料的正时中随机选择出的正时下，使燃料喷射停止。并且，将在停止了燃料的喷射的汽缸中，将作为燃烧状态变量的概率P(i)的值设为“1”的数据作为教师数据，将在没有停止燃料的喷射的汽缸中，将作为燃烧状态变量的概率P(i)的值设为“0”的数据包含在教师数据中。并且，使用作为通过S14的处理生成的输入变量x(1)～x(26)的值的组的训练数据，通过与S16的处理同样的处理，算出作为燃烧状态变量的概率P(i)的值。以缩小这样算出的概率P(i)的值与教师数据之差的方式对上述输入侧系数wFjk、输出侧系数wSij的值进行学习。具体而言，例如以使交叉熵(crossentropy)最小化的方式对输入侧系数wFjk、输出侧系数wSij的值进行学习即可。另外，在本实施方式中，在训练数据中包括在S12中取得的所有参数，执行与S14相当的处理，使用输入变量x为26维的映射。此外，在此，输入变量x(0)不包括在维度数中。

此外，为了生成非铺装路用映射数据76b，利用测功机，通过模拟在对车辆施加了振动时施加到曲轴24的负荷转矩来取得参数。基于该参数生成训练数据，使用该训练数据生成的数据是非铺装路用映射数据76b。另外，也可以是，例如通过将内燃机10、测功机等载置于能够生成振动的装置并通过该装置产生振动，从而模拟在对车辆施加了振动时施加到曲轴24的负荷转矩，并取得参数。并且，基于该参数生成训练数据，使用该训练数据生成的数据是非铺装路用映射数据76b。

另一方面，在生成铺装路用映射数据76a时，利用这样的测功机，在不进行模拟振动的负荷转矩的输入、并且不通过装置向内燃机10、测功机施加有意的振动等的状态下，取得参数。并且，基于参数生成训练数据，使用该训练数据生成的数据是铺装路用映射数据76a。

在此，对本实施方式的作用及效果进行说明。

CPU72在内燃机10工作时逐次算出微小旋转时间T30，将1燃烧循环中的微小旋转时间T30作为旋转波形变量输入到由映射数据规定的检测用映射中。由此，分别算出在汽缸#1～#4中发生了失火的概率P(1)～P(4)。在此，微小旋转时间T30是表示比作为压缩上止点的出现间隔的180°CA小的角度间隔(第2间隔)中的曲轴24的转速的参数。而且，向检测用映射输入1燃烧循环中的每30°CA的多个微小旋转时间T30。进而，在对微小旋转时间T30进行的运算中使用的输入侧系数wFjk及输出侧系数wSij的值是通过机器学习而学习到的值。因此，能够基于曲轴24的微小的时间进度中的旋转行为算出发生了失火的概率P(i)。因此，若与例如基于关于压缩上止点的出现间隔程度的旋转所需要的时间的，彼此相邻的角度间隔之间的差异来判定有无失火的情况相比，则在本实施方式中，能够基于关于曲轴24的旋转行为的更详细的信息来判定有无失火。因此，容易提高失火的判定精度。

根据以上所说明的本实施方式，还可获得以下所记载的作用效果。

(1)在搭载于车辆VC的内燃机10中，在车辆VC正在行驶的路面存在凹凸的情况下，会在车辆VC产生振动，该振动会传递到曲轴24。因此，路面的状态对曲轴24的旋转行为产生影响。针对这一点，在控制装置70中，根据与路面的状态相关的路面状态变量SR，选择用作检测用映射的映射数据，使用选择出的映射数据算出失火的概率P(i)。此外，在控制装置70中，基于使用通过机器学习学习到的映射算出的作为燃烧状态变量的概率P(i)的值来判定有无发生失火。例如，在构成与所有的路面的状态对应地高精度地判定有无发生失火的映射的情况下，映射的构造容易复杂化。因此，在控制装置70中，将与路面的状态相应的两种映射数据存储于存储装置76，通过图3所示的选择处理来选择与路面状态变量SR对应的映射数据作为在判定处理中使用的检测用映射。由此，能够根据路面的状态来选择合适的映射数据。例如，与通过单一的映射来应对所有的路面的状态的情况相比，在本实施方式中，容易简化各映射各自的构造。另外，各映射是针对对应的路面的状态特定化地学习而得到的映射，所以失火的检测精度容易变高。因此，根据控制装置70，能够在基于车辆VC正在行驶的路面的状态所产生的影响的基础上实施燃烧状态变量的算出，能够提高搭载于车辆VC的内燃机10中的失火的检测精度。

(2)将作为规定内燃机10的动作点的动作点变量的转速NE及填充效率η作为检测用映射的输入。燃料喷射阀20、点火装置22等内燃机10的操作部的操作量具有基于内燃机10的动作点来确定的倾向。因此，动作点变量是包括与各操作部的操作量相关的信息的变量。因此，通过将动作点变量作为检测用映射的输入，能够基于与各操作部的操作量相关的信息算出燃烧状态变量的值。从而能够反映出基于操作量的曲轴24的旋转行为的变化，更高精度地算出燃烧状态变量的值。

另外，通过将动作点变量作为输入变量，具有以下的效果。即，利用基于作为通过机器学习学习到的参数的输入侧系数wFjk的旋转波形变量、与动作点变量的结合运算来算出燃烧状态变量的值。因此，不需要对每个动作点变量适用合适值。

(第2实施方式)

接着，参照图4～图7，以与第1实施方式的不同点为中心对第2实施方式进行说明。在本实施方式中，在车辆的外部进行失火判定处理。

在图4中示出本实施方式涉及的状态检测系统。此外，在图4中，为了方便，对与图1所示的构件对应的构件标注相同的标号。

图4所示的车辆VC内的控制装置70具备通信机79。通信机79是用于经由车辆VC的外部的网络110与中心120进行通信的设备。

中心120对从多个车辆VC发送的数据进行解析。中心120具备CPU122、ROM124、存储装置126、周边电路127以及通信机129，它们能够通过局域网128相互进行通信。在ROM124中存储有主程序124a，在存储装置126中存储有铺装路用映射数据126a及非铺装路用映射数据126b作为映射数据。此外，本实施方式中的主程序124a是失火检测主程序。铺装路用映射数据126a及非铺装路用映射数据126b与第1实施方式中的铺装路用映射数据76a及非铺装路用映射数据76b相同。

在图5中示出本实施方式涉及的失火检测处理的步骤。图5的(a)部分所示的处理通过CPU72执行存储于图4所示的ROM74的子程序74c来实现。此外，本实施方式中的子程序74c是失火检测子程序。另外，图5的(b)部分所示的处理通过CPU122执行存储于ROM124的主程序124a来实现。另外，在图5中，为了方便，对与图2所示的处理对应的处理标注相同的步骤编号。以下，按照失火检测处理的时序对图5所示的处理进行说明。

在车辆VC中，CPU72执行图5的(a)部分所示的S10的处理。接着，CPU72取得转速NE、填充效率η、路面状态变量SR(S12a)。此外，虽然在第1实施方式涉及的失火检测处理的S12中取得转速NE、填充效率η，但在S12a中除了转速NE、填充效率η以外，还取得路面状态变量SR。

此外，与第1实施方式中的路面状态变量SR同样，在路面状态变量SR为“0”的情况下，表示车辆VC正在行驶的路面是铺装路，在路面状态变量SR为“1”的情况下，表示车辆VC正在行驶的路面是非铺装路。路面状态变量SR的算出处理通过图6所示的处理来进行。图6所示的处理通过CPU72例如按预定周期反复执行存储于ROM74的程序来实现。此外，在图6中，为了方便，对与图3所示的处理对应的处理标注相同的步骤编号。

在图6所示的一系列的处理中，CPU72首先取得加速度Dacc(S30)。接着，CPU72判定路面状态变量SR是否为“1”(S32)。CPU72在判定为路面状态变量SR为“0”的情况下(S32：否)，判定加速度Dacc的变化量ΔDacc的绝对值为预定值ΔDH以上的状态是否持续了预定时间(S34)。在此，变化量ΔDacc设为加速度Dacc的上次值与本次值之差即可。该处理是判定车辆VC正在行驶的路面是否为铺装路的处理。CPU72在判定为变化量ΔDacc的绝对值为预定值ΔDH以上的状态持续了预定时间的情况下(S34：是)，将“1”代入路面状态变量SR而更新路面状态变量SR(S36)。然后，CPU72暂时结束该一系列的处理。

与此相对，CPU72在判定为路面状态变量SR为“1”的情况下(S32：是)，判定加速度Dacc的变化量ΔDacc的绝对值成为规定值ΔDL(<ΔDH)以下的状态是否持续了预定时间(S40)。并且，CPU72在判定为变化量ΔDacc的绝对值成为规定值ΔDL以下的状态持续了预定时间的情况下(S40：是)，将“0”代入路面状态变量SR而更新路面状态变量SR(S42)。然后，CPU72暂时结束该一系列的处理。

此外，CPU72在S34、S40的处理中判定为否的情况下(S34：否，S40：否)，不更新路面状态变量SR，原样地暂时结束该一系列的处理。在第2实施方式中，像这样更新路面状态变量SR。

在S12a中取得了转速NE、填充效率η、路面状态变量SR时，CPU72通过操作通信机79而将在S10、S12a的处理中取得的数据与车辆VC的识别信息一起向中心120发送(S150)。

与此相对，如图5的(b)部分所示，中心120的CPU122接收从车辆VC发送的数据(S160)。然后，CPU122从存储于存储装置126的铺装路用映射数据126a及非铺装路用映射数据126b中选择用作检测用映射的映射(S13)。

在图7中示出用于选择映射的选择处理的步骤。图7所示的处理通过CPU122执行存储于图4所示的ROM124的子程序来实现。在图7所示的一系列的处理中，CPU122首先判定路面状态变量SR是否为“1”(S130)。

CPU122在判定为路面状态变量SR为“1”的情况下(S130：是)，选择非铺装路用映射数据126b作为用作检测用映射的映射数据(S131)。另一方面，CPU122在判定为路面状态变量SR为“0”的情况下(S130：否)，选择铺装路用映射数据126a作为用作检测用映射的映射数据(S132)。

CPU122在S131、S132的处理完成而选择出了用作检测用映射的映射数据的情况下，暂时结束该一系列的处理。

当选择了用作检测用映射的映射数据时，CPU122反复执行使用在S160的处理中接收到的数据进行的S14～S20的处理。

在S14的处理中，CPU122将通过S10、S12a的处理取得的值代入用于算出发生了失火的概率的检测用映射的输入变量x(1)～x(26)中。在此，设为“s＝1～24”，CPU122将微小旋转时间T30(s)代入输入变量x(s)。另外，CPU122将转速NE代入输入变量x(25)，将填充效率η代入输入变量x(26)。

在S16的处理中，CPU122将输入变量x(1)～x(26)输入到由如下映射数据规定的检测用映射中，该映射数据是存储于图4所示的存储装置126的映射数据中的通过S13的处理选择出的映射数据，即通过图7所示的选择处理选择出的映射数据。由此，算出在汽缸#i(i＝1～4)中发生了失火的概率P(i)作为燃烧状态变量。

并且，CPU122在通过反复执行S14～S20的处理而判定为在由识别信息确定的同一车辆中，在预定期间内特定的汽缸的失火次数成为了预定次数Nth以上的情况下(S22：是)，判定为发生了失火(S162)。与此相对，在遍及预定期间地反复执行S14～S20的处理时，特定的汽缸的失火次数小于预定次数Nth的情况下(S26：是)，判定为正常，并且将次数N(1)～N(4)初始化(S164)。此外，此处的预定期间以进行了S162的处理或S164的处理的时间点为基准。

CPU122在S162、S164的处理完成的情况下，基于上述识别信息，操作通信机129来向作为S14～S20的处理的对象的数据的发送源的车辆VC发送与判定结果相关的信号(S166)。在此，在是发生了失火的意思的判定结果的情况下，在与判定结果相关的信息中包括与发生了失火的汽缸相关的信息。CPU122在完成S166的处理、在S22、S26的处理中判定为否的情况下，暂时结束图5的(b)部分所示的一系列的处理。

与此相对，如图5的(a)部分所示，当接收到从中心120发送的与判定结果相关的信号时(S152：是)，车辆VC内的CPU72判定判定结果是否为发生了失火的意思的结果(S154)。并且，CPU72在是发生了失火的意思的判定结果的情况下(S154：是)，移至S24的处理，另一方面，在是没有发生失火的意思的判定结果的情况下(S154：否)，将故障标志F初始化(S28b)。

此外，CPU72在S24、S28b的处理完成、在S152的处理中判定为否的情况下，暂时结束图5的(a)部分所示的处理。

像这样，在本实施方式中，通过在中心120中执行失火的判定处理，能够减轻控制装置70的运算负荷。

(第3实施方式)

以下，参照图8及图9，以与第1实施方式的不同点为中心对内燃机的状态检测系统的第3实施方式进行说明。除了存储于ROM74的程序74a、和存储于存储装置76的铺装路用映射数据76a、非铺装路用映射数据76b的内容以外，本实施方式的状态检测系统与第1实施方式的构成相同。

在图8中示出本实施方式的失火检测处理的步骤。图8所示的处理通过CPU72例如按预定周期反复执行作为存储于ROM74的程序74a的失火检测程序来实现。

在图8所示的一系列的处理中，CPU72首先取得微小旋转时间T30(S210)。通过由CPU72基于曲轴角传感器80的输出信号Scr对曲轴24旋转30°CA所需要的时间进行计时来算出微小旋转时间T30。接着，CPU72将在S210的处理中取得的最新的微小旋转时间T30设为微小旋转时间T30(0)，越是过去的值的微小旋转时间T30，则微小旋转时间T30(m)的变量“m”为越大的值(S212)。即，设为“m＝1，2，3，···”，将即将进行S212的处理前的微小旋转时间T30(m-1)设为本次的微小旋转时间T30(m)。也就是说，在上次的处理中为T30(0)的，本次成为T30(1)，在上次的处理中为T30(1)的，本次成为T30(2)。由此，例如，在上次执行图8的处理时通过S210的处理取得的微小旋转时间T30成为微小旋转时间T30(1)。

接着，CPU72判定在S210的处理中取得的微小旋转时间T30是否为从汽缸#1～#4中的任一个的压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间(S214)。并且，CPU72在判定为微小旋转时间T30是从压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间的情况下(S214：是)，为了判定在360°CA之前成为了压缩上止点的汽缸有无失火，首先算出作为有无失火的判定处理的输入的旋转波形变量的值。

即，CPU72首先算出与从压缩上止点前30°CA到压缩上止点为止的角度间隔相关的微小旋转时间T30的，彼此隔开了180°的值彼此之间的差异作为汽缸间变量ΔTa(S216)。详细而言，设为“m＝1，2，3，···”，CPU72将汽缸间变量ΔTa(m-1)设为“T30(6m-6)-T30(6m)”。

在图9中例示出汽缸间变量ΔTa。此外，在本实施方式中，例示出按汽缸#1、汽缸#3、汽缸#4、汽缸#2的顺序出现压缩上止点，并按该顺序成为燃烧行程的情况。在图9中示出如下的例子：在S210的处理中，对于从汽缸#4的压缩上止点前30°CA到压缩上止点为止的角度间隔，取得微小旋转时间T30(0)，并且有无失火的检测对象为汽缸#1。也就是说，在图9的例子中，微小旋转时间T30(0)对应于汽缸#4的压缩上止点，微小旋转时间T30(6)对应于比汽缸#4靠前一个地成为了压缩上止点的汽缸#3的压缩上止点。另外，微小旋转时间T30(12)对应于比汽缸#4靠前两个地成为了压缩上止点的汽缸#1的压缩上止点，微小旋转时间T30(18)对应于比汽缸#4靠前三个地成为了压缩上止点的汽缸#2的压缩上止点。进而，相对于与微小旋转时间T30(0)对应的汽缸#4的压缩上止点，靠前四个地成为了压缩上止点的汽缸#4的压缩上止点与微小旋转时间T30(24)对应。在该情况下，汽缸间变量ΔTa(3)成为分别与汽缸#2的压缩上止点、和比汽缸#2靠前一个地成为了压缩上止点的汽缸#4的压缩上止点对应的微小旋转时间T30彼此之间的差异。另外，汽缸间变量ΔTa(0)成为分别与汽缸#4的压缩上止点、和比汽缸#4靠前一个地成为了压缩上止点的汽缸#3的压缩上止点对应的微小旋转时间T30彼此之间的差异。在图9中记载了汽缸间变量ΔTa(2)是对应于成为失火的检测对象的汽缸#1的压缩上止点的微小旋转时间T30(12)、与对应于汽缸#2的压缩上止点的微小旋转时间T30(18)的差异的情况。

返回到图8，CPU72算出作为汽缸间变量ΔTa(0)、ΔTa(1)、ΔTa(2)、···中的彼此隔开了720°CA的值彼此之间的差异的汽缸间变量ΔTb(S218)。详细而言，设为“m＝1，2，3，···”，CPU72将汽缸间变量ΔTb(m-1)设为“ΔTa(m-1)-ΔTa(m+3)”。

在图9中例示出汽缸间变量ΔTb。在图9中记载了汽缸间变量ΔTb(2)为“ΔTa(2)-Ta(6)”的情况。

接着，CPU72算出表示对应于成为失火的检测对象的汽缸的汽缸间变量ΔTb、与对应于除此以外的汽缸的汽缸间变量ΔTb的相对的大小关系的变动模式变量FL(S220)。在本实施方式中，算出变动模式变量FL[02]、FL[12]、FL[32]。

在此，变动模式变量FL[02]由“ΔTb(0)/ΔTb(2)”定义。即，若使用图9的例子，则变动模式变量FL[02]是将与比汽缸#1靠后两个地成为压缩上止点的汽缸#4对应的汽缸间变量ΔTb(0)除以、与成为失火的检测对象的汽缸#1对应的汽缸间变量ΔTb(2)而得到的值。另外，变动模式变量FL[12]由“ΔTb(1)/ΔTb(2)”定义。即，若使用图9的例子，则变动模式变量FL[12]是将与继汽缸#1之后成为压缩上止点的汽缸#3对应的汽缸间变量ΔTb(1)除以与成为失火的检测对象的汽缸#1对应的汽缸间变量ΔTb(2)而得到的值。另外，变动模式变量FL[32]由“ΔTb(3)/ΔTb(2)”定义。即，若使用图9的例子，则变动模式变量FL[32]是将与比汽缸#1靠前一个地成为了压缩上止点的汽缸#2对应的汽缸间变量ΔTb(3)除以与成为失火的检测对象的汽缸#1对应的汽缸间变量ΔTb(2)而得到的值。在本实施方式中，上述ΔTb(2)、FL[02]、FL[12]、FL[32]相当于旋转波形变量。

接着，CPU72取得转速NE及填充效率η(S222)。此外，转速NE及填充效率η的取得方法与第1实施方式同样。

然后，CPU72将通过S218、S220的处理取得的旋转波形变量的值和通过S222的处理取得的变量的值代入输出失火变量PR的检测用映射的输入变量x(1)～x(6)中(S224)。在此，失火变量PR是与在成为检测对象的汽缸中发生了失火的概率相关的变量。即，CPU72将汽缸间变量ΔTb(2)代入输入变量x(1)，将变动模式变量FL[02]代入输入变量x(2)。另外，将变动模式变量FL[12]代入输入变量x(3)，将变动模式变量FL[32]代入输入变量x(4)。另外，CPU72将转速NE代入输入变量x(5)，将填充效率η代入输入变量x(6)。

接着，CPU72将输入变量x(1)～x(6)输入到如下检测用映射中，该检测用映射是由存储于图1所示的存储装置76的铺装路用映射数据76a及非铺装路用映射数据76b中的，通过选择处理选择出的映射数据规定的检测用映射。由此，算出作为检测用映射的输出值的失火变量PR的值(S226)。即，在该实施方式中，算出失火变量PR作为燃烧状态变量。此外，选择处理的内容与第1实施方式同样，通过在图8的处理之前执行图3所示的选择处理，从而选择用作检测用映射的映射数据。

在本实施方式中，该检测用映射由中间层为1层的神经网络构成。上述神经网络包括输入侧系数wFjk(j＝0～n，k＝0～6)和激活函数h(x)。输入侧线性映射是由输入侧系数wFjk规定的线性映射，激活函数h(x)是对输入侧线性映射的输出分别进行非线性变换的输入侧非线性映射。在本实施方式中，例示出ReLU作为激活函数h(x)。此外，ReLU是将输入与“0”中的较大的一方输出的函数。wFj0等是偏置参数，输入变量x(0)被定义为“1”。

另外，上述神经网络包括softmax函数，softmax函数分别以输出侧系数wSij(i＝1～2，j＝0～n)和原型变量yR(1)、yR(2)为输入，并输出失火变量PR。在此，原型变量yR(1)、yR(2)是输出侧线性映射的输出，输出侧线性映射是由输出侧系数wSij规定的线性映射。由此，在本实施方式中，失火变量PR成为将实际上发生了失火的可能性的大小定量化为比“0”大且比“1”小的预定区域内的连续的值的变量。

接着，CPU72判定失火变量PR的值是否为判定值PRth以上(S228)。并且，CPU72在判定为失火变量PR的值为判定值PRth以上的情况下(S228：是)，使计数器CR递增(S230)。然后，CPU72判定从第一次执行了S228的处理的时间点或进行了后述的S236的处理的时间点起是否经过了预定期间(S232)。在此，预定期间比1燃烧循环的期间长，优选具有1燃烧循环的10倍以上的长度。

CPU72在判定为从上述时间点起经过了预定期间的情况下(S232：是)，判定计数器CR是否为阈值CRth以上(S234)。该处理是判定是否以超过允许范围的频率发生了失火的处理。CPU72在判定为计数器CR小于阈值CRth的情况下(S234：否)，将计数器CR初始化(S236)。与此相对，CPU72在判定为计数器CR为阈值CRth以上的情况下(S234：是)，执行操作图1所示的警告灯90的报知处理以促使用户应对异常(S238)。

此外，CPU72在S236、S238的处理完成、在S214、S228、S232的处理中判定为否的情况下，暂时结束图8所示的一系列的处理。

与在第1实施方式中例示出的铺装路用映射数据76a及非铺装路用映射数据76b同样，本实施方式的铺装路用映射数据76a及非铺装路用映射数据76b也是在试验台上将测功机连接于曲轴24的状态下，使内燃机10工作并进行学习而得到的数据。

在此，对本实施方式的作用及效果进行说明。

CPU72通过根据路面状态变量SR而选择用作检测用映射的映射数据的选择处理来选择映射数据。并且，使用基于选择出的映射数据的检测用映射，基于旋转波形变量算出失火变量PR的值。并且，基于所算出的失火变量PR的值来判定有无失火。因此，可获得与第1实施方式同样的效果。

另外，根据上述的第3实施方式，还可获得以下所记载的作用效果。

(3)通过选择性地使用微小旋转时间T30中的压缩上止点附近的值来生成成为输入变量x的旋转波形变量。最可能根据有无失火而产生差异的是微小旋转时间T30中的压缩上止点附近的值。因此，通过选择性地使用微小旋转时间T30中的压缩上止点附近的值，能够在抑制输入变量x的维度变大的同时极力取入有无失火的判定所需要的信息。

(4)旋转波形变量中包括汽缸间变量ΔTb(2)。汽缸间变量ΔTb(2)是预先将关于成为失火的检测对象的汽缸、和与之相邻的汽缸的压缩上止点附近的微小旋转时间T30彼此之间的差异一维地定量化而得到的变量。因此，能够通过小的维度数的变量有效地取入有无失火的判定所需要的信息。

(5)旋转波形变量中不仅包括汽缸间变量ΔTb(2)，还包括变动模式变量FL。来自路面的振动等重叠到曲轴24上。因此，例如在将旋转波形变量仅设为汽缸间变量ΔTb(2)的情况下，可能会发生误判定。与此相对，在本实施方式中，除了汽缸间变量ΔTb(2)以外还使用变动模式变量FL来算出失火变量PR的值。由此，与例如仅根据汽缸间变量ΔTb(2)算出失火变量PR的情况相比，能够以成为以更高精度表示发生了失火的可能性的程度即概率的值的方式，求出失火变量PR的值。

而且，在本实施方式中，利用作为基于输入侧系数wFjk的运算的，汽缸间变量ΔTb(2)与变动模式变量FL的结合运算来算出失火变量PR的值，该输入侧系数wFjk是通过机器学习学习到的参数。因此，与例如基于汽缸间变量ΔTb(2)与判定值的比较、和变动模式变量FL与判定值的比较来判定有无失火的情况相比，在本实施方式中，能够基于汽缸间变量ΔTb(2)及变动模式变量FL与失火的更详细的关系来判定有无失火。

(第4实施方式)

以下，参照图10，以与第3实施方式的不同点为中心对第4实施方式进行说明。在本实施方式中，在车辆的外部进行失火变量PR的算出处理。

除了存储于ROM74的子程序74c、存储于ROM124的主程序124a、存储于存储装置126的铺装路用映射数据126a及非铺装路用映射数据126b的内容以外，本实施方式的状态检测系统与图4所示的第2实施方式的构成相同。为了方便，对其他同样的构成标注相同的标号。

在图10中示出本实施方式涉及的失火检测处理的步骤。图10的(a)部分所示的处理通过CPU72执行存储于图4所示的ROM74的子程序74c来实现。此外，虽然与第2实施方式的内容不同，但本实施方式中的子程序74c也是用于检测失火的失火检测子程序。另外，图10的(b)部分所示的处理通过CPU122执行存储于ROM124的主程序124a来实现。虽然与第2实施方式的内容不同，但本实施方式中的主程序124a也是用于检测失火的失火检测主程序。另外，在图10中，为了方便，对与图8所示的处理对应的处理标注相同的步骤编号。以下，按照失火检测处理的时序对图10所示的处理进行说明。

在车辆VC中，CPU72在图10的(a)部分所示的S214的处理中判定为是的情况下，取得微小旋转时间T30(0)、T30(6)、T30(12)、T30(18)、T30(24)、T30(30)、T30(36)、T30(42)、T30(48)(S250)。上述微小旋转时间T30构成如下旋转波形变量，该旋转波形变量是包括与彼此不同的角度间隔各自中的微小旋转时间T30彼此之间的差异相关的信息的变量。尤其是，上述微小旋转时间T30是从压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间，而且是压缩上止点的出现正时的9次的值。因此，上述微小旋转时间T30的数据组为表示与分别对应于彼此不同的压缩上止点的微小旋转时间T30彼此之间的差异相关的信息的变量。此外，上述的9个微小旋转时间T30是在算出汽缸间变量ΔTb(2)及变动模式变量FL[02]、FL[12]、FL[32]时使用的所有微小旋转时间T30(参照图9)。

接着，CPU72取得转速NE、填充效率η、路面状态变量SR(S222a)。此外，在第3实施方式涉及的失火检测处理的S222中取得转速NE、填充效率η，但在本实施方式的S222a中，除了转速NE、填充效率η以外还取得路面状态变量SR。

此外，与其他实施方式中的路面状态变量SR同样，在路面状态变量SR为“0”的情况下，表示车辆VC正在行驶的路面是铺装路，在路面状态变量SR为“1”的情况下，表示车辆VC正在行驶的路面是非铺装路。与第2实施方式同样，路面状态变量SR的算出处理通过图6所示的处理来进行。

在S222a中取得转速NE、填充效率η、路面状态变量SR时，CPU72通过操作通信机79而将在S250、S222a的处理中取得的数据与车辆VC的识别信息(车辆ID)一起向中心120发送(S252)。

与此相对，如图10的(b)部分所示，中心120的CPU122接收从车辆VC发送的数据(S260)。然后，CPU122从存储于存储装置126的铺装路用映射数据126a及非铺装路用映射数据126b中选择用作检测用映射的映射(S13)。S13中的选择处理的内容与第2实施方式同样。

当选择了用作检测用映射的映射数据后，CPU122将通过S260的处理取得的变量的值代入输入变量x(1)～x(11)(S262)。即，CPU122将微小旋转时间T30(0)代入输入变量x(1)，将微小旋转时间T30(6)代入输入变量x(2)。另外，将微小旋转时间T30(12)代入输入变量x(3)，将微小旋转时间T30(18)代入输入变量x(4)。另外，CPU122将微小旋转时间T30(24)代入输入变量x(5)，将微小旋转时间T30(30)代入输入变量x(6)，将微小旋转时间T30(36)代入输入变量x(7)。另外，CPU122将微小旋转时间T30(42)代入输入变量x(8)，将微小旋转时间T30(48)代入输入变量x(9)。另外，CPU122将转速NE代入输入变量x(10)，将填充效率η代入输入变量x(11)。

接着，CPU122通过将输入变量x(1)～x(11)输入到由存储于图4所示的存储装置126的映射数据中的，通过S13的处理选择出的映射数据规定的检测用映射中，从而算出作为检测用映射的输出值的失火变量PR的值(S264)。

在本实施方式中，该检测用映射由中间层为“α”个的神经网络构成。进而，各中间层的激活函数h1～hα是ReLU，神经网络的输出层的激活函数是softmax函数。例如，将上述输入变量x(1)～x(11)输入到由系数w(1)ji(j＝0～n1，i＝0～11)规定的线性映射中。通过将这样的情况下的线性映射的输出输入到激活函数h1中，生成第1中间层的各节点的值。即，若设为m＝1，2，···，α，则第m中间层的各节点的值通过将由系数w(m)规定的线性映射的输出输入到激活函数hm中而生成。在图10中，n1、n2、···、nα分别是第1、第2、···、第α中间层的节点数。w(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

接着，CPU122通过操作通信机129来向作为通过S260的处理接收到的数据的发送源的车辆VC发送表示失火变量PR的值的信号(S266)，暂时结束图10的(b)部分所示的一系列的处理。与此相对，如图10的(a)部分所示，CPU72接收失火变量PR的值(S254)，并执行S228～S238的处理。

像这样，在本实施方式中，在中心120中执行S264的处理，所以能够减轻CPU72的运算负荷。

(第5实施方式)

接着，参照图11及图12，以与上述的各实施方式的不同点为中心对第5实施方式进行说明。

上述的各实施方式的状态检测系统构成为基于曲轴24的旋转变动来检测在内燃机10中发生了失火的状态的系统。在发生了在空燃比上产生了汽缸间的偏差的汽缸间空燃比不均的情况下，也产生汽缸间的燃烧状态的偏差而曲轴24的旋转变动变大。本实施方式的状态检测系统构成为检测这样的汽缸间空燃比不均的系统。此外，本实施方式的状态检测系统的构成与图1所示的构成基本相同。但是，在本实施方式的状态检测系统的ROM74中，作为程序74a，存储有替代失火检测程序的汽缸间空燃比不均的检测用程序。

在图11中示出本实施方式的不均检测处理的步骤。图11所示的处理通过CPU72按每一既定的控制周期反复执行作为存储于ROM74的程序74a的不均检测程序来实现。

在图11所示的一系列的处理中，CPU72首先判定不均的检测处理的执行条件是否成立(S310)。执行条件中包括没有实施对内燃机10的进气的燃料蒸气的清除并且也没有实施排气的再循环。

接着，在S312的处理中，CPU72取得微小旋转时间T30(1)、T30(2)、···、T30(24)、上游侧平均值Afuave(1)、Afuave(2)、···、Afuave(24)、转速NE、填充效率η以及0.5阶(日文：0.5次)振幅Ampf/2。此外，Ampf/2表示0.5阶振幅的标号。通过由CPU72基于曲轴角传感器80的输出信号Scr对曲轴24旋转30°CA所需要的时间进行计时来算出微小旋转时间T30。在此，在微小旋转时间T30(1)、T30(2)等括号中的数字彼此不同的情况下，表示作为1燃烧循环的720°CA内的彼此不同的旋转角度间隔。即，微小旋转时间T30(1)～T30(24)表示将720°CA的旋转角度区域按30°CA平均分割而得到的各角度间隔中的旋转时间。

详细而言，CPU72基于输出信号Scr对曲轴24旋转了30°CA的时间进行计时，并将其设为过滤处理前时间NF30。接着，CPU72通过实施以过滤处理前时间NF30为输入的数字过滤处理来算出过滤处理后时间AF30。并且，CPU72以使得预定期间(例如720°CA)中的过滤处理后时间AF30的极大值(最大值)与极小值(最小值)之差成为“1”的方式将过滤处理后时间AF30归一化，从而算出微小旋转时间T30。

另外，若设为m＝1～24，则上游侧平均值Afuave(m)是与上述各微小旋转时间T30(m)相同的30°CA的角度间隔中的上游侧检测值Afu的平均值。另外，0.5阶振幅Ampf/2是曲轴24的旋转频率的0.5阶成分的强度，0.5阶振幅Ampf/2由CPU72通过微小旋转时间T30的上述时序数据的傅立叶变换来算出。转速NE及填充效率η的取得方法与第1实施方式同样。

接着，CPU72将通过S312的处理取得的值代入输出不均率Riv的检测用映射的输入变量x(1)～x(51)(S314)。详细而言，设为“m＝1～24”，CPU72将微小旋转时间T30(m)的值代入输入变量x(m)，将上游侧平均值Afuave(m)的值代入输入变量x(24+m)。另外，将转速NE的值代入输入变量x(49)，将填充效率η的值代入输入变量x(50)，将0.5阶振幅Ampf/2的值代入输入变量x(51)。

在本实施方式中，不均率Riv在喷射作为目标的喷射量的燃料的汽缸中为“0”，在实际的喷射量比作为目标的喷射量多的情况下成为正值，在实际的喷射量比作为目标的喷射量少的情况下成为负值。即，不均率Riv是作为表示为了将多个汽缸#1～#4各自中的混合气的空燃比控制为彼此相等的空燃比而操作了燃料喷射阀20时的实际的空燃比彼此之间的偏差程度的变量的不均变量。

接着，CPU72将输入变量x(1)～x(51)的值输入到由存储于图1所示的存储装置76的铺装路用映射数据76a及非铺装路用映射数据76b中的，通过选择处理选择出的映射数据规定的检测用映射中。由此，算出汽缸#i(i＝1～4)各自的不均率Riv(1)～Riv(4)的值(S316)。此外，选择处理的内容与第1实施方式同样，通过在图11的处理之前执行图3所示的选择处理，从而选择用作检测用映射的映射数据。

在本实施方式中，该检测用映射由中间层为1层的神经网络构成。上述神经网络包括输入侧系数wFjk(j＝0～n，k＝0～51)和激活函数h(x)。输入侧线性映射是由输入侧系数wFjk规定的线性映射，激活函数h(x)是对输入侧线性映射的输出分别进行非线性变换的输入侧非线性映射。在本实施方式中，例示出双曲正切函数“tanh(x)”作为激活函数h(x)。另外，上述神经网络包括输出侧系数wSij(i＝1～4，j＝0～n)和激活函数f(x)。输出侧线性映射是由输出侧系数wSij规定的线性映射，激活函数f(x)是对输出侧线性映射的输出分别进行非线性变换的输出侧非线性映射。在本实施方式中，例示出双曲正切函数“tanh(x)”作为激活函数f(x)。此外，值n表示中间层的维度。

此外，CPU72在S316的处理完成、在S310的处理中判定为否的情况下，暂时结束图11所示的一系列的处理。

在图12中示出利用上述不均率Riv(i)的处理的步骤。图12所示的处理通过CPU72例如每当算出不均率Riv(i)时反复执行存储于图1所示的ROM74的程序来实现。

在图12所示的一系列的处理中，CPU72首先通过指数移动平均处理来更新不均学习值Liv(i)，该指数移动平均处理是以通过图11的处理新算出的不均率Riv(i)的值为输入的处理(S320)。具体而言，CPU72利用对存储于存储装置76的不均学习值Liv(i)乘以系数α而得到的值、与对不均率Riv(i)乘以“1-α”而得到的值之和来更新不均学习值Liv(S320)。此外，“0<α<1”。

接着，CPU72判定是否不均学习值Liv(i)为稀侧允许极限值LL以上且为浓侧允许极限值LH以下(S322)。CPU72在判定为不均学习值Liv(i)小于稀侧允许极限值LL、或者判定为比浓侧允许极限值大的情况下(S322：否)，操作警告灯90而执行报知处理以促使用户修理内燃机10等(S324)。

另一方面，CPU72在判定为不均学习值Liv(i)为稀侧允许极限值LL以上且为浓侧允许极限值LH以下的情况下(S322：是)、S324的处理完成的情况下，修正各汽缸的要求喷射量Qd(#i)(S326)。即，CPU72通过对各汽缸的要求喷射量Qd(#i)加上与不均学习值Liv(i)相应的修正量ΔQd(Liv(i))来修正要求喷射量Qd(#i)。在此，修正量ΔQd(Liv(i))在不均学习值Liv(i)比零大的情况下成为负值，在不均学习值Liv(i)比零小的情况下成为正值。此外，在不均学习值Liv(i)为零的情况下，修正量ΔQd(Liv(i))也设为零。

此外，CPU72在完成S326的处理的情况下，暂时结束图12所示的一系列的处理。在本实施方式中，在S310的处理中判定为是而执行S312a的处理的情况下，暂时停止S326的处理。

本实施方式中的铺装路用映射数据76a及非铺装路用映射数据76b例如如以下那样生成。

首先，预先根据单体的燃料喷射阀20中的计测，而准备多个不均率取与零不同的各种值的燃料喷射阀20、和不均率为零的3个燃料喷射阀20。并且，将变矩器60连结于内燃机10，并且在内燃机10搭载3个不均率为零的燃料喷射阀20和1个不均率与零不同的燃料喷射阀20。在试验台上将测功机连接于变矩器60的输出轴的状态下，使该内燃机10工作。此外，搭载于内燃机10的燃料喷射阀20各自的不均率Rivt成为教师数据。在此，将作为教师数据的不均率的标号设为对Riv添加了t而成的Rivt。

并且，使用每次的旋转波形变量、通过S312的处理取得的变量的值，通过与S314、S316的处理同样的处理算出不均率Riv的值。以缩小这样算出的不均率Riv的值与作为教师数据的Rivt之差的方式对上述输入侧系数wFjk、输出侧系数wSij的值进行学习。具体而言，例如以使交叉熵最小化的方式对输入侧系数wFjk、输出侧系数wSij的值进行学习即可。

在本实施方式中，通过根据路面状态变量SR而选择用作检测用映射的映射数据的选择处理来选择映射数据。并且，使用基于选择出的映射数据的检测用映射，基于旋转波形变量来算出不均率的值。因此，能够在基于车辆正在行驶的路面的状态所产生的影响的基础上算出不均率。因此，能够提高搭载于车辆VC的内燃机10中的汽缸间空燃比不均的检测精度。

根据以上所说明的本实施方式，还可获得以下所记载的作用效果。

(1)将作为规定内燃机10的动作点的动作点变量的转速NE及填充效率η作为检测用映射的输入。但点火装置22、EGR阀34、进气侧气门正时可变装置40等内燃机10的操作部的操作量具有基于内燃机10的动作点来确定的倾向。因此，动作点变量是包括与各操作部的操作量相关的信息的变量。因此，通过将动作点变量作为检测用映射的输入，能够基于与各操作部的操作量相关的信息算出不均率Riv(i)，进而能够更高精度地算出不均率Riv(i)。

(2)检测用映射的输入中包括上游侧平均值Afuave。由此，若与例如使用时序数据的每个时间间隔的上游侧检测值Afu的情况相比，则在本实施方式中，能够不增加时序数据的数据数便获得关于流入催化剂30的氧、未燃燃料的更准确的信息。进而能够更高精度地算出不均率Riv(i)。

(第6实施方式)

接着，参照图13，以与第5实施方式的不同点为中心对第6实施方式进行说明。在本实施方式中，在车辆的外部进行不均率Riv(i)的算出处理。

除了存储于ROM74的子程序74c、存储于ROM124的主程序124a、存储于存储装置126的铺装路用映射数据126a及非铺装路用映射数据126b的内容以外，本实施方式的状态检测系统与图4所示的第2实施方式的构成相同。为了方便，对其他同样的构成标注相同的标号。

在图13中示出本实施方式涉及的不均检测处理的步骤。图13的(a)部分所示的处理通过CPU72执行存储于图4所示的ROM74的子程序74c来实现。此外，本实施方式中的子程序74c是用于检测不均的不均检测子程序。另外，图13的(b)部分所示的处理通过CPU122执行存储于ROM124的主程序124a来实现。此外，本实施方式中的主程序124a是用于检测不均的不均检测主程序。在图13中，为了方便，对与图11所示的处理对应的处理标注相同的步骤编号。以下，按照不均检测处理的时序对图13所示的处理进行说明。

如图13的(a)部分所示，在S312a的处理中，在车辆VC中，CPU72取得微小旋转时间T30(1)、T30(2)、···、T30(24)、上游侧平均值Afuave(1)、Afuave(2)、···、Afuave(24)、转速NE、填充效率η、0.5阶振幅Ampf/2、路面状态变量SR。

此外，在第5实施方式涉及的不均检测处理的S312中取得微小旋转时间T30(1)、T30(2)、···、T30(24)、上游侧平均值Afuave(1)、Afuave(2)、···、Afuave(24)、转速NE、填充效率η、0.5阶振幅Ampf/2。在S312a中，除了上述内容以外还取得路面状态变量SR。

此外，与其他实施方式中的路面状态变量SR同样，在路面状态变量SR为“0”的情况下，表示车辆VC正在行驶的路面是铺装路，在路面状态变量SR为“1”的情况下，表示车辆VC正在行驶的路面是非铺装路。与第2实施方式同样，路面状态变量SR的算出处理通过图6所示的处理来进行。

在S312a中取得包括路面状态变量SR的数据时，CPU72通过操作通信机79而将在S312a的处理中取得的数据与作为车辆VC的识别信息的车辆ID一起向中心120发送(S332)。

与此相对，如图13的(b)部分所示，中心120的CPU122接收所发送的数据(S340)。然后，CPU122从存储于存储装置126的铺装路用映射数据126a及非铺装路用映射数据126b中选择用作检测用映射的映射(S13)。S13中的选择处理的内容与第2实施方式同样。

当选择了用作检测用映射的映射数据后，CPU122执行S314的处理。并且，CPU122将输入变量x(1)～x(51)输入到由存储于图4所示的存储装置126的映射数据中的，通过S13的处理选择出的映射数据规定的检测用映射中。由此，算出作为检测用映射的输出值的不均率Riv(i)的值(S316a)。该映射由神经网络构成，该神经网络的中间层为“α”个，并且各中间层的激活函数h1～hα及输出层的激活函数f为双曲正切函数。例如，第1中间层的各节点的值通过向激活函数h1输入将上述输入变量x(1)～x(51)输入到由系数w(1)ji(j＝0～n1，i＝0～51)规定的线性映射中时的输出而生成。即，若设为m＝1，2，···，α，第m中间层的各节点的值通过将由系数w(m)规定的线性映射的输出输入到激活函数hm中而生成。在此，n1、n2、···、nα分别是第1、第2、···、第α中间层的节点数。w(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

当完成S316a的处理时，CPU122通过操作通信机129来向作为通过S340的处理接收到的数据的发送源的车辆VC发送与不均率Riv(i)相关的信号(S342)，暂时结束图13的(b)部分所示的一系列的处理。与此相对，如图13的(a)部分所示，CPU72接收与不均率Riv(i)相关的信号(S334)，暂时结束图13的(a)部分所示的一系列的处理。

像这样，在本实施方式中，在中心120中算出不均率Riv(i)。因此，能够减轻CPU72的运算负荷。

(对应关系)

上述实施方式中的事项与上述“发明内容”一栏中所记载的事项的对应关系如下。

存储装置对应于存储装置76。

在图1～图3的第1实施方式、图4～图7的第2实施方式、图11及图12的第5实施方式、以及图13的第6实施方式中，微小旋转时间T30(1)～T30(24)对应于旋转波形变量。另外，在图8及图9的第3实施方式、及图10的第4实施方式中，汽缸间变量ΔTb(2)、及变动模式变量FL[02]、FL[12]、FL[32]对应于旋转波形变量。

第1执行装置对应于CPU72和ROM74。第2执行装置对应于CPU122和ROM124。

取得处理对应于S10、S12a、S12、S218、S222、S222a、S250、S312、S312a的处理。

选择处理对应于图3、图7中的各处理。

输出值算出处理对应于S16、S226、S264、S316、S316a的处理。

外部侧发送处理对应于S166、S266、S342的处理。

车辆侧接收处理对应于S152、S254、S334的处理。

判定处理对应于S18、S20、S22、S24、S162、S228、S230、S232、S234、S322的处理。

数据解析装置对应于中心120。

进而，在图1～图3的第1实施方式及图4～图7的第2实施方式中，发生了失火的概率P(i)对应于燃烧状态变量。在图8和图9的第3实施方式、以及图10的第4实施方式中，失火变量PR对应于燃烧状态变量。在图11和图12的第5实施方式、以及图13的第6实施方式中，不均率Riv(i)对应于燃烧状态变量。

另外，在图1～图3的第1实施方式、图4～图7的第2实施方式、图8及图9的第3实施方式、以及图10的第4实施方式中，发生了失火状态对应于既定的运转状态。在图11和图12的第5实施方式及图13的第6实施方式中，产生了汽缸间的空燃比的偏差的状态对应于既定的运转状态。

(其他实施方式)

此外，上述各实施方式可以如以下那样进行变更而实施。上述各实施方式及以下的变更例可以在技术上不矛盾的范围内彼此进行组合而实施。

·“关于微小旋转时间T30的采样间隔”

关于成为向映射的输入的微小旋转时间T30的采样间隔不限于30°CA。例如也可以是10°CA等比30°CA小的角度间隔。并且，不限于30°CA以下的角度间隔，例如也可以是45°CA等。

·“关于上游侧平均值Afuave的采样间隔”

关于成为向映射的输入的上游侧平均值Afuave的采样间隔不限于30°CA。例如也可以是10°CA等比30°CA小的角度间隔。并且，不限于30°CA以下的角度间隔，例如也可以是45°CA等。

·“关于时序数据”

作为成为映射的输入的上游侧平均值Afuave的时序数据、及微小旋转时间T30的时序数据，不限于720°的旋转角度间隔中的时序数据。例如，也可以是比720°CA宽的旋转角度间隔中的时序数据。也可以是比720°CA窄的角度间隔的时序数据。

·“关于作为向检测用映射的输入的旋转波形变量”

在上述第1实施方式及在第2实施方式中，将作为1燃烧循环的720°CA的旋转角度间隔(第1间隔)分割而成的多个间隔(第2间隔)各自中的微小旋转时间T30作为向检测用映射的输入，但不限于此。例如，也可以将0～720°CA作为第1间隔，将第1间隔中的0～20、40～60、80～100、120～140、160～180、···、700～720°CA分别作为第2间隔，并将它们的旋转所需要的时间作为向检测用映射的输入。

作为构成旋转波形变量的变量，不限于作为第2间隔的旋转所需要的时间的微小旋转时间。例如，也可以是第2间隔除以微小旋转时间而得到的值。此外，构成旋转波形变量的变量是进行了将极大值(最大值)与极小值(最小值)之差设为固定值的归一化处理后的变量这一情况不是必需的。另外，作为为了将旋转波形变量作为映射的输入而对旋转波形变量实施的前处理的过滤处理不限于上述构成，例如也可以是基于变速装置64的输入轴66的微小旋转时间对旋转波形变量进行了除去曲轴24通过输入轴66而转动的影响部分的处理的构成。并且，对旋转波形变量实施过滤处理这一情况不是必需的。

在图8及图9的第3实施方式中的S226的处理中，由汽缸间变量ΔTb(2)及变动模式变量FL[02]、FL[12]、FL[32]构成旋转波形变量，但不限于此。例如，也可以将构成旋转波形变量的变动模式变量设为变动模式变量FL[02]、FL[12]、FL[32]中的任一个或任两个。另外，例如也可以包括变动模式变量FL[02]、FL[12]、FL[32]、FL[42]等四个以上的变动模式变量。

在图10的第4实施方式中的S264的处理中，由与压缩上止点的出现正时彼此不同的9个正时分别对应的微小旋转时间T30构成旋转波形变量，但不限于此。例如也可以将成为失火的检测对象的汽缸的压缩上止点作为中央，由将压缩上止点出现的角度间隔的2倍以上的区间按30°CA的间隔分割而得到的各间隔中的微小旋转时间T30构成旋转波形变量。另外，在上述说明中，将成为失火的检测对象的汽缸的压缩上止点作为中央这一情况不是必需的。进而，此处的微小旋转时间不限于30°CA的间隔的旋转所需要的时间。另外，也可以使用预定的角度间隔除以预定的角度间隔的旋转所需要的时间而得到的瞬时转速来替代微小旋转时间。

·“关于汽缸间变量”

作为汽缸间变量ΔTb，不限于压缩上止点的出现正时彼此相邻的一对汽缸的，与各自的压缩上止点对应的微小旋转时间T30彼此之间的差异中的，隔开了720°CA的值彼此之间的差异。例如，也可以是压缩上止点的出现正时彼此隔开了360°CA的汽缸彼此的，与各自的压缩上止点对应的微小旋转时间T30彼此之间的差异中的，隔开了720°CA的值彼此之间的差异。在该情况下，汽缸间变量ΔTb(2)成为“T30(12)-T30(24)-{T30(36)-T30(48)}”。

另外，汽缸间变量不限于与一对汽缸各自的压缩上止点对应的微小旋转时间T30彼此之间的差异中的，隔开了720°CA的值彼此之间的差异。也可以是与成为失火的检测对象的汽缸、和除此以外的汽缸各自的压缩上止点对应的微小旋转时间T30彼此之间的差异。

另外，例如也可以将汽缸间变量设为与一对汽缸各自的压缩上止点对应的微小旋转时间T30彼此之间的比率。

此外，作为定义汽缸间变量ΔTb时的微小旋转时间，不限于30°CA的旋转所需要的时间，例如也可以是45°CA的旋转所需要的时间等。此时，优选微小旋转时间是压缩上止点的出现间隔以下的角度间隔的旋转所需要的时间。

进而，在上述说明中，也可以使用通过将预定的角度间隔除以预定的角度间隔的旋转所需要的时间而得到的瞬时转速来替代微小旋转时间。

·“关于变动模式变量”

作为变动模式变量的定义，不限于在上述实施方式中例示出的内容。例如也可以通过将汽缸间变量ΔTb变更为在上述“关于汽缸间变量”一栏中例示出的内容等来变更变动模式变量的定义。

进而，将变动模式变量定义为与彼此不同的压缩上止点彼此的出现正时对应的汽缸间变量ΔTb彼此之间的比率这一情况也不是必需的，也可以采用差来替代比率。即使在该情况下，通过将内燃机10的动作点变量包括在向映射的输入中，也能够在反映出变动模式变量的大小根据动作点而发生变化的情况的同时算出失火变量PR的值。

·“关于作为向检测用映射的输入的空燃比检测变量”

在上述实施方式中，将作为1燃烧循环的720°CA的旋转角度间隔分割而成的多个间隔各自中的上游侧平均值Afuave作为向检测用映射的输入，但不限于此。例如，不限于将第2间隔中的上游侧平均值Afuave作为向检测用映射的输入。

在上述实施方式中，将上游侧平均值Afuave设为一次燃烧循环的第2间隔中的多个采样值的平均值，但不限于此。例如，也可以在遍及多个燃烧循环地对第2间隔各自中的上游侧检测值Afu进行采样，并且按每个第2间隔对它们进行平均，从而算出上游侧平均值Afuave。

作为空燃比检测变量，不限于上游侧平均值Afuave，也可以是上游侧检测值Afu。

·“关于路面状态变量”

作为路面状态变量SR，不限于与路面的起伏的大小相应的二值的变量，例如也可以是与起伏的大小相应的三值以上的变量。另外，作为基于加速度Dacc生成路面状态变量SR的方法，不限于在图3、图6中例示出的方法，例如，也可以使用加速度Dacc的绝对值的每预定时间的平均值。由此，路面状态变量SR成为连续的量。

作为路面状态变量SR，不限于基于车辆VC的上下方向的加速度的检测值来定量化。例如也可以根据车辆的横向的加速度、前后方向的加速度来定量化。进而，作为映射的输入，也可以是使用车辆的上下方向的加速度、横向的加速度、前后方向的加速度这三个加速度中的任两个或全部进行定量化的构成。

路面状态变量SR通过由加速度传感器88检测出的加速度Dacc来定量化，但不限于此。例如，也可以使用由相机拍摄到的路面的拍摄数据、与雷达的反射波相关的数据的解析结果数据。

例如，在解析由相机拍摄到的路面的拍摄数据的情况下，可以使用卷积神经网络。卷积神经网络例如包括将卷积层和池化层交替地重叠数层而成的特征提取部分、和由使用softmax法进行分类的全连接层构成的识别部分。通过使用这样的卷积神经网络，能够以拍摄数据为输入并获得根据路面的起伏的大小分类的输出。

此外，例如也可以使用具有路面的状态的信息的地图数据和GPS来取得车辆的当前位置处的路面的状态，并使用该状态。另外也可以使用各车轮的空气压。即，各车轮的空气压之差中包括与因路面的倾斜、凹凸引起的车轮的挠曲相关的信息。因此，各车轮的空气压之差中包括示意路面的状态的信息。另外，例如也可以使用燃料表、油表等检测车辆内的流体的液面的位置的传感器的检测值。即，液面的变动中包括路面的凹凸等信息。另外，也可以使用检测悬架的液压的传感器的检测值。即，悬架受到基于路面的凹凸的影响而进行动作，所以该液压中包括路面的凹凸等信息。

此外，作为路面状态变量，不限于将路面的凹凸等定量化的变量。例如，也可以是有无结冰等将路面的摩擦的大小定量化的变量，另外也可以是识别路面的起伏和摩擦的大小双方的变量。此外，作为用于将摩擦的大小定量化的输入，可以使用各车轮的车轮速度之差等。另外，作为用于判定有无路面的结冰的输入，可以使用外气温度的信息、由相机拍摄到的拍摄数据。

·“关于作为向检测用映射的输入的动作点变量”

作为内燃机的动作点变量，不限于转速NE及填充效率η。例如也可以是吸入空气量Ga和转速NE。另外，例如在如下述“关于内燃机”一栏中所记载的那样使用压缩着火式内燃机的情况下，也可以是喷射量和转速NE。此外，将动作点变量作为检测用映射的输入这一情况不是必需的。例如在将本公开的状态检测系统应用于搭载于下述“关于车辆”一栏中所记载的串联混合动力车的内燃机时，在内燃机仅在特定的动作点运转等情况下，即使输入变量中不包括动作点变量，也能够高精度地算出燃烧状态变量的值。

·“关于向检测用映射的输入”

作为除了包括瞬时速度参数的旋转波形变量以外还输入的向检测用映射的输入，不限于在上述实施方式、上述变更例中例示出的内容。例如，也可以使用与内燃机10所处的环境相关的参数。具体而言，例如也可以使用作为对吸入空气中的氧的比例产生影响的参数的大气压。另外，例如也可以使用作为对燃烧室18内的混合气的燃烧速度产生影响的参数的进气温度。另外，例如也可以使用作为对燃烧室18内的混合气的燃烧速度产生影响的参数的湿度。此外，对于湿度的掌握，可以使用湿度传感器，也可以利用雨刷的状态、检测雨滴的传感器的检测值。另外，也可以是与机械地连结于曲轴24的辅机的状态相关的数据。

如在上述“关于作为向检测用映射的输入的动作点变量”一栏中所述的那样，向检测用映射的输入中包括内燃机10的动作点这一情况不是必需的。例如，在如下述“关于内燃机”一栏中所记载的那样，内燃机搭载于串联混合动力车，而以内燃机的动作点被限制在狭小的范围内的控制作为前提的情况下等，也可以不包括动作点。

另外，作为向神经网络的输入、向下述“关于机器学习的算法”一栏中所记载的回归方程的输入等，不限于各维度由单一的物理量、变动模式变量FL构成。例如，关于在上述实施方式等中作为向检测用映射的输入的多种物理量、变动模式变量FL的一部分，也可以不将它们作为向神经网络、回归方程的直接的输入，而是作为替代将基于它们的主成分分析的多个主成分作为向神经网络、回归方程的直接的输入。并且，在将主成分作为向神经网络、回归方程的输入的情况下，仅向神经网络、回归方程的输入的一部分成为主成分这一情况不是必需的，也可以将输入的全部作为主成分。此外，在将主成分作为向检测用映射的输入的情况下，映射数据中包括规定确定主成分的检测用映射的数据。

·“关于应对处理”

在上述实施方式中，通过操作警告灯90，从而通过视觉信息来报知发生了失火的消息，但不限于此。例如，也可以通过操作扬声器，从而通过听觉信息来报知发生了失火的消息。另外，例如也可以设为如下处理：设为图1所示的控制装置70具备通信机79，通过操作通信机79来向用户的便携终端发送发生了失火的意思的信号。这能够通过在用户的便携终端预先安装执行报知处理的应用程序来实现。

作为应对处理，不限于报知处理。例如，应对处理也可以是根据发生了失火的意思的信息来操作用于控制内燃机10的燃烧室18内的混合气的燃烧的操作部(燃烧操作部)的操作处理。具体而言，例如也可以是，设为操作部为点火装置22，使发生了失火的汽缸的点火正时提前。另外，例如也可以是，设为操作部为燃料喷射阀20，使发生了失火的汽缸的燃料喷射量增加。

·“关于执行装置”

作为执行装置，不限于具备CPU72和ROM74、或CPU122和ROM124并执行软件处理的装置。例如，也可以具备对在上述实施方式中进行软件处理的处理中的至少一部分进行硬件处理的专用的硬件电路(例如ASIC等)。即，执行装置是以下的(a)～(c)中的任一构成即可。(a)具备根据程序来执行上述处理中的全部的处理装置、和存储程序的ROM等程序存储装置(包括非瞬时性的计算机可读存储介质)。(b)具备根据程序来执行上述处理中的一部分的处理装置及程序存储装置、和执行剩余的处理的专用的硬件电路。(c)具备执行上述处理中的全部的专用的硬件电路。在此，具备处理装置及程序存储装置的软件执行装置、专用的硬件电路也可以是多个。

·“关于存储装置”

在上述实施方式中，将存储映射数据的存储装置设为与存储失火检测程序、失火检测主程序以及不均检测主程序的存储装置分开的存储装置。即，设为与ROM74、ROM124分开的存储装置，但不限于此。

·“关于数据解析装置”

例如在第2实施方式中，也可以由中心120执行图5的(a)部分的S24、S28b的处理等来替代图5的(b)部分的S162、S164的处理。同样地，也可以是，在图10的第4实施方式、图13的第6实施方式中，使车辆进行报知处理本身，并且中心120执行将使车辆执行报知处理的指令向车辆发送的处理。

在第2实施方式中，例如也可以由用户所持有的便携终端来执行图5的(b)部分的处理。这能够通过在便携终端预先安装执行图5的(b)部分的处理的应用程序来实现。此外，此时，例如通过进行图5的(b)部分的S162的处理中的数据的发送的有效距离为车辆的长度左右的设定等，也可以删除车辆ID的发送/接收处理。在第4实施方式、第6实施方式中也同样。

·“关于第1实施方式及第2实施方式的映射数据”

作为中间层的激活函数h(x)，在所有的维度上为同一函数这一情况不是必需的。

作为构成以失火的概率为输出的映射的神经网络，不限于中间层为1层的神经网络。例如，也可以是中间层为2层以上的神经网络。在中间层的层数多的情况下，图4所记载的系统的利用在减轻控制装置70的运算负荷方面尤其有效。

作为激活函数h(x)，不限于使用双曲正切函数。例如也可以是逻辑S型函数(logistic sigmoid function)。作为图2及图5的处理中的激活函数f(x)，不限于使用双曲正切函数。例如也可以是逻辑S型函数。在该情况下，也可以不使用softmax函数，而将激活函数f(x)的输出设为概率P。在该情况下，分别在汽缸#1～#4中发生了失火的概率P(1)～P(4)彼此独立地取“0”～“1”的值。

作为输出失火的概率的映射，不限于使用神经网络的映射。例如，也可以用规定如下参数的系数来替代上述输入侧系数wFij，该参数是通过主成分分析降低了微小旋转时间T30等为了作为映射的输入而取得的数据的维度的参数。

·“关于图8及图9的第3实施方式的映射数据”

也可以将在车辆中执行的运算中使用的规定映射的映射数据设为规定在图10的(b)部分的S264的处理中例示出的映射的数据。

例如，根据图10的S264的记载，神经网络的中间层的层数表现为比2层多(α>2)，但不限于此。

在该实施方式中，将激活函数h、h1、h2、···hα设为ReLU，将输出的激活函数设为softmax函数，但不限于此。例如也可以将激活函数h、h1、h2、···hα设为双曲正切函数。另外，例如也可以将激活函数h、h1、h2、···hα设为逻辑S型函数。

另外，例如也可以将输出的激活函数设为逻辑S型函数。在该情况下，例如将输出层的节点数设为1个，将输出变量设为失火变量PR即可。在该情况下，在输出变量的值为预定值以上时，判定为异常，从而能够判定有无异常。

·“关于第5实施方式及第6实施方式的映射数据”

例如在图11的S316中，也可以将神经网络的中间层的层数设为2层以上。

在图13的S316a中，在数学式的表示中，神经网络的中间层的层数表现为比2层多(α>2)，但不限于此。尤其是，从减轻控制装置70的运算负荷的观点出发，优选将神经网络的中间层的层数缩小到1层或2层。

在该实施方式中，将激活函数h、f、h1、h2、···hα设为双曲正切函数，但不限于此。例如也可以将激活函数h、h1、h2、···hα中的一部分或全部设为ReLU，另外也可以设为例如逻辑S型函数。

作为输出不均率Riv的检测用映射，不限于只对任一个汽缸，以燃料喷射量偏离了设想的量的现象为对象进行学习而得到的映射。例如也可以是在两个汽缸中，以燃料喷射量偏离了设想的量的现象为对象进行学习而得到的映射。在该情况下，向映射的输入中也可以包括曲轴24的旋转频率的1阶成分的强度。

·“关于机器学习的算法”

作为机器学习的算法，不限于使用神经网络。例如也可以使用回归方程。回归方程相当于在上述神经网络中不具备中间层。另外，例如也可以使用支持向量机(supportvector machine)。在该情况下，输出的值的大小本身没有意义，例如，根据输出的值是否为正值来表示是否发生了失火。换言之，基于支持向量机的机器学习与燃烧状态变量的值具有三值以上的值并且上述的值的大小表示失火的概率的大小这一情况不同。

·“关于映射数据的生成”

在上述实施方式中，将在曲轴24经由变矩器60及变速装置64连接着测功机的状态下使内燃机10工作时的数据用作训练数据，但不限于此。例如也可以将在内燃机10搭载于车辆VC的状态下驱动该内燃机10时的数据用作训练数据。

·“关于外部侧发送处理”

在图10的S266的处理中，发送失火变量PR的值，但不限于此。例如，中心120也可以发送成为作为输出激活函数的softmax函数的输入的原型变量yR(1)、yR(2)的值。另外，也可以是，例如在中心120中，执行图10的(a)部分所示的S228～S236的处理，并且中心120将是否存在异常的判定结果向车辆发送。

·“关于既定的运转状态”

只要是伴随汽缸间的燃烧状态的偏差的内燃机10的运转状态，则也可以将失火、汽缸间空燃比不均以外的运转状态作为状态检测系统的检测方案(检测对象)。例如举出在特定的汽缸中发生了所谓的漏压缩的情况，所述漏压缩是由于进气门、排气门的开阀固着(阀芯未完全关闭)而汽缸内的进气的压缩成为不充分的状态。在这样的漏压缩的情况下，在汽缸间的燃烧状态上也产生偏差，曲轴24的旋转变动变大。因此，如上所述，若通过向基于根据路面状态变量选择出的映射数据的检测用映射输入旋转波形变量来进行这样的漏压缩的检测，则能够在基于路面的状态所产生的影响的基础上高精度地检测漏压缩。

·“关于内燃机”

在上述实施方式中，作为燃料喷射阀，例示出向燃烧室18内喷射燃料的缸内喷射阀，但不限于此。例如也可以是向进气通路12喷射燃料的端口喷射阀。另外，例如也可以具备端口喷射阀和缸内喷射阀双方。

作为内燃机，不限于火花点火式内燃机，例如也可以是使用轻油等作为燃料的压缩着火式内燃机等。

内燃机构成驱动系统这一情况本身不是必需的。例如，状态检测系统也可以应用于搭载于所谓的串联混合动力车的内燃机，在所述串联混合动力车中，在车载发电机机械地连结曲轴，从而切断了从内燃机向驱动轮69的动力传递。

·“关于车辆”

作为车辆，不限于生成车辆的推动力的装置仅为内燃机的车辆。例如除了上述“关于内燃机”一栏中所记载的串联混合动力车以外，也可以是并联混合动力车、串联·并联混合动力车。

“其他”

作为介于曲轴与驱动轮之间的驱动系统装置，不限于有级变速装置，例如也可以是无级变速装置。

Claims (9)

1.一种内燃机的状态检测系统，

所述状态检测系统应用于搭载于车辆的内燃机，检测伴随汽缸间的燃烧状态的偏差的所述内燃机的既定的运转状态，

所述状态检测系统具备：

存储装置，其构成为存储根据所述车辆所行驶的路面的状态分类的多种映射数据来作为规定检测用映射的数据即映射数据，所述检测用映射是以旋转波形变量为输入，以燃烧状态变量为输出的映射，所述检测用映射是通过机器学习进行学习而得到的映射，所述旋转波形变量是包括与各汽缸的燃烧转矩的产生期间中的所述内燃机的曲轴的转速的汽缸间差异相关的信息的变量，所述燃烧状态变量是与汽缸间的燃烧状态的偏差程度相关的变量；和

执行装置，其构成为执行取得处理、选择处理以及判定处理，

在所述取得处理中，取得基于检测所述曲轴的旋转行为的传感器的输出的所述旋转波形变量的值，并且取得基于检测所述路面的状态的传感器的输出的路面状态变量的值，所述路面状态变量是与所述路面的状态相关的变量，

在所述选择处理中，从存储于所述存储装置的多种所述映射数据中选择与通过所述取得处理取得的所述路面状态变量对应的映射数据作为所述检测用映射，并且，

在所述判定处理中，基于将通过所述取得处理取得的所述旋转波形变量作为向通过所述选择处理选择出的所述检测用映射的输入的所述检测用映射的输出值，判定所述内燃机是否处于所述既定的运转状态。

2.根据权利要求1所述的内燃机的状态检测系统，

所述既定的运转状态是发生了失火的状态。

3.根据权利要求1所述的内燃机的状态检测系统，

所述既定的运转状态是产生了汽缸间的空燃比的偏差的状态。

4.根据权利要求1～3中任一项所述的内燃机的状态检测系统，

所述路面状态变量是表示所述车辆正在行驶的路面是铺装路还是非铺装路的变量，

所述存储装置构成为存储铺装路用的映射数据和非铺装路用的映射数据作为多种所述映射数据。

5.根据权利要求1～4中任一项所述的内燃机的状态检测系统，

所述执行装置构成为，在通过所述判定处理判定为所述内燃机处于所述既定的运转状态时，通过操作硬件来执行用于应对所述既定的运转状态的应对处理。

6.根据权利要求1～5中任一项所述的内燃机的状态检测系统，

所述判定处理包括算出所述燃烧状态变量的输出值算出处理，所述燃烧状态变量是将通过所述取得处理取得的所述旋转波形变量的值作为输入的所述检测用映射的输出值，

所述执行装置包括搭载于所述车辆的第1执行装置、和搭载于所述车辆以外的设备的第2执行装置，

所述第1执行装置构成为执行如下处理：

所述取得处理；和

车辆侧接收处理，接收基于所述输出值算出处理的算出结果的信号，

所述第2执行装置构成为执行如下处理：

所述选择处理；

所述输出值算出处理；以及

外部侧发送处理，将基于所述输出值算出处理的算出结果的信号向所述车辆发送。

7.一种数据解析装置，

具备双方均被记载在权利要求6中的所述第2执行装置及所述存储装置。

8.一种车辆，

具备权利要求6所述的所述第1执行装置。

9.一种内燃机的状态检测方法，

所述状态检测方法应用于搭载于车辆的内燃机，检测伴随汽缸间的燃烧状态的偏差的所述内燃机的既定的运转状态，

所述状态检测方法包括：

将根据所述车辆所行驶的路面的状态分类的多种映射数据作为规定检测用映射的数据即映射数据而存储于存储装置，所述检测用映射是以旋转波形变量为输入，以燃烧状态变量为输出的映射，所述检测用映射是通过机器学习进行学习而得到的映射，所述旋转波形变量是包括与各汽缸的燃烧转矩的产生期间中的所述内燃机的曲轴的转速的汽缸间差异相关的信息的变量，所述燃烧状态变量是与汽缸间的燃烧状态的偏差程度相关的变量；

由执行装置取得基于检测所述曲轴的旋转行为的传感器的输出的所述旋转波形变量的值；

由所述执行装置取得基于检测所述路面的状态的传感器的输出的路面状态变量的值，所述路面状态变量是与所述路面的状态相关的变量；

由所述执行装置从存储于所述存储装置的多种所述映射数据中选择与所取得的所述路面状态变量对应的映射数据作为所述检测用映射；以及

由所述执行装置基于将所取得的所述旋转波形变量作为向选择出的所述检测用映射的输入的所述检测用映射的输出值来判定所述内燃机是否处于所述既定的运转状态。

Images