CN111828204B - 燃料蒸气排出防止系统的异常检测装置 - Google Patents

Abstract

提供一种燃料蒸气排出防止系统的异常检测装置，准确地检测燃料蒸气排出防止系统的异常。在车辆的运转停止时，每隔一定时间检测到的燃料箱(5)内及罐(6)内的压力被存储于存储装置，存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储于存储装置的每隔一定时间的燃料箱(5)内及罐(6)内的压力及大气压设为神经网络的输入参数，且将在系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进行了权重的学习，在车辆的运转停止时，使用完成了学习的神经网络，根据这些输入参数来检测使燃料蒸气泄漏的开孔异常。

Description

燃料蒸气排出防止系统的异常检测装置

技术领域

本发明涉及燃料蒸气排出防止系统的异常检测装置。

背景技术

在内燃机中，为了防止燃料蒸气向外气中流出，以往使用了燃料蒸气 排出防止系统，该燃料蒸气排出防止系统具备在活性炭层的两侧分别形成 有燃料蒸气室和大气压室的罐，并且使燃料蒸气室一方面与燃料箱的燃料 液面上方的内部空间连通，另一方面经由清除控制阀而连结于内燃机的进 气通路内。在这样的燃料蒸气排出防止系统中，例如，若在将罐的燃料蒸 气室与清除控制阀连结的燃料蒸气流通管的管壁开孔，则燃料蒸气会通过 该孔而向外气中流出。

于是，检测燃料箱内的燃料液面上方的内部空间的压力(简称作燃料 箱内的压力)且根据该燃料箱内的压力的变化来诊断在燃料蒸气排出防止 系统是否产生了异常(例如，在燃料蒸气流通管的管壁是否开了孔)的诊 断装置是公知的(例如参照专利文献1)。在该诊断装置中，在进行稳定的 稳态运转时，通过在将罐的大气压室从大气隔断的状态下使清除控制阀打 开而使燃料箱内的压力下降为大气压以下，接着，通过使清除控制阀关闭而使燃料箱内成为密封状态。此时，例如，若在燃料蒸气流通管的管壁开 有孔，则燃料箱内的压力会逐渐上升。因此，在该诊断装置中，在使燃料 箱内成为密封状态后燃料箱内的压力变高了一定值以上时，例如判别为在 燃料蒸气流通管的管壁开有孔。

现有技术文献

专利文献

专利文献1：日本特开2004-44396号公报

发明内容

发明所要解决的课题

在该情况下，若在燃料蒸气流通管的管壁开的孔的直径小，则燃料箱 内的压力上升量变小。另一方面，燃料箱内的压力也会根据其他要因(例 如，燃料箱内的燃料的温度)而变动。因此，若因燃料箱内的压力变高一 定值以上而判断为在燃料蒸气流通管的管壁开了孔，则存在进行误判断的 危险性。

本发明提供一种燃料蒸气排出防止系统的异常检测装置，使用神经网 络，即使例如在燃料蒸气流通管的管壁开了孔且此时开的孔的直径小，也 能够准确地检测在燃料蒸气流通管的管壁开了孔的情况。

用于解决课题的技术方案

即，根据本发明，提供一种燃料蒸气排出防止系统的异常检测装置， 所述燃料蒸气排出防止系统具备在活性炭层的两侧分别形成有燃料蒸气室 和大气压室的罐，燃料蒸气室一方面连通于燃料箱的燃料液面上方的内部 空间，并且另一方面经由清除控制阀而连结于内燃机的进气通路内，所述 燃料蒸气排出防止系统具备能够将大气压室选择性地连结于大气和吸引泵 的流路切换阀、和检测燃料箱内及罐内的压力的压力传感器，其中，在车 辆的运转停止时，进行产生关闭指令、切换指令以及泵工作指令的异常检 测处理，所述关闭指令是使清除控制阀关闭的指令，所述切换指令是将流 路切换阀的切换位置切换为大气压室连结于吸引泵的切换位置的指令，所 述泵工作指令是使吸引泵工作以使得燃料箱内及罐内成为负压的指令，在 进行异常检测处理时，由压力传感器每隔一定时间检测到的燃料箱内及罐 内的压力被存储于存储装置，存储有如下的完成了学习的神经网络，所述 完成了学习的神经网络将存储于存储装置的每隔一定时间的燃料箱内及罐 内的压力、及进行了异常检测处理时的至少大气压设为神经网络的输入参 数，且将在上述的系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进 行了权重的学习，在车辆的运转停止时，使用完成了学习的神经网络，根 据上述的输入参数来检测使燃料蒸气泄漏的开孔异常。

而且，根据本发明，提供一种燃料蒸气排出防止系统的异常检测装置， 所述燃料蒸气排出防止系统具备在活性炭层的两侧分别形成有燃料蒸气室 和大气压室的罐，燃料蒸气室一方面连通于燃料箱的燃料液面上方的内部 空间，并且另一方面经由清除控制阀而连结于内燃机的进气通路内，所述 燃料蒸气排出防止系统具备能够将大气压室选择性地连结于大气和吸引泵 的流路切换阀，从流路切换阀朝向大气压室的通路和从流路切换阀朝向吸 引泵的吸引通路由具有节流部的基准压力检测通路连结，在从流路切换阀 朝向吸引泵的吸引通路内配置有压力传感器，其中，在车辆的运转停止时， 进行产生关闭指令、泵工作指令、切换指令以及打开指令的异常检测处理， 所述关闭指令是使清除控制阀关闭的指令，所述泵工作指令是在车辆的运 转停止后，在将流路切换阀的切换位置维持为大气压室连结于大气的切换 位置的状态下经过了预先设定的时间时，使吸引泵工作以使得燃料箱内及 罐内成为负压的指令，所述切换指令是在泵工作指令产生后，将流路切换 阀的切换位置切换为大气压室连结于吸引泵的切换位置的指令，所述打开 指令是在切换指令产生后，使清除控制阀打开的指令，在进行异常检测处 理时，由压力传感器每隔一定时间检测到的燃料箱内及罐内的压力被存储 于存储装置，存储有如下的完成了学习的神经网络，所述完成了学习的神 经网络将存储于存储装置的每隔一定时间的燃料箱内及罐内的压力、及进 行了异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述 的系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进行了权重的学习， 在车辆的运转停止时，使用完成了学习的神经网络，根据上述的输入参数 来检测使燃料蒸气泄漏的开孔异常。

发明效果

通过将由压力传感器每隔一定时间检测到的燃料箱内及罐内的压力及 至少大气压设为神经网络的输入参数来进行神经网络的权重的学习，例如， 即使在燃料蒸气流通管的管壁开了直径小的孔，也能够准确地检测在燃料 蒸气流通管的管壁开了孔的情况。

附图说明

图1是燃料蒸气排出防止系统的整体图。

图2A及图2B是图解性地示出图1所示的泵模块的放大图。

图3是重力传感器的立体图。

图4是示出燃料箱内的燃料的余量的图。

图5是示出系统内压的变化的图。

图6是示出神经网络的一例的图。

图7是示出异常检测处理和系统内压的变化的图。

图8是示出异常检测处理和系统内压的变化的图。

图9是示出异常检测处理和系统内压的变化的图。

图10是示出异常检测处理和系统内压的变化的图。

图11是示出异常检测处理和系统内压的变化的图。

图12是示出在本发明的实施例中使用的神经网络的图。

图13是示出输入参数的一览表的图。

图14是示出吸引泵的性能的指标的图。

图15是示出输出值的一览表的图。

图16是示出训练数据组的图。

图17是用于说明学习方法的图。

图18是用于执行异常检测处理的流程图。

图19是用于执行学习处理的流程图。

图20是用于向电子控制单元读入数据的流程图。

图21是示出神经网络的一例的图。

图22是用于进行异常检测的流程图。

图23A及图23B是图解性地示出图1所示的泵模块的变形例的放大图。

图24是示出异常检测处理和系统内压的变化的图。

图25是示出异常检测处理和系统内压的变化的图。

图26是示出异常检测处理和系统内压的变化的图。

图27是示出异常检测处理和系统内压的变化的图。

图28是示出异常检测处理和系统内压的变化的图。

图29是示出异常检测处理和系统内压的变化的图。

图30是示出异常检测处理和系统内压的变化的图。

图31是示出异常检测处理和系统内压的变化的图。

图32是示出异常检测处理和系统内压的变化的图。

图33是示出在本发明的另一实施例中使用的神经网络的图。

图34是示出输出值的一览表的图。

图35是用于执行异常检测处理的流程图。

图36是示出在本发明的另一实施例中使用的神经网络的图。

标号说明

1 内燃机主体；

2 稳压罐；

5 燃料箱；

6 罐；

9 活性炭层；

10 燃料蒸气室；

11 大气压室；

12、13 燃料蒸气流通管；

14 清除控制阀；

16 吸引泵模块；

20 电子控制单元；

42 流路切换阀；

40 吸引泵；

47 压力传感器；

50 基准压力检测通路。

具体实施方式

<内燃机的整体结构>

图1示出燃料蒸气排出防止系统的整体图。参照图1，1表示内燃机主 体，2表示稳压罐，3表示进气管道，4表示节气门，5表示燃料箱，6表 示罐。在燃料箱5安装有用于检测燃料箱5内的燃料液面的高度的燃料液 位计7和用于检测燃料箱的燃料的温度的温度传感器8。另一方面，罐6 具有活性炭层9和在活性炭层9的两侧分别配置的燃料蒸气室10和大气压室11。此外，在图1中，燃料蒸气室10由第1燃料蒸气室10a和第2燃 料蒸气室10b形成，但该燃料蒸气室10也可以由共用的一个燃料蒸气室 构成。

如图1所示，第1燃料蒸气室10a经由燃料蒸气流通管12而连通于燃 料箱5的燃料液面上方的内部空间，第2燃料蒸气室10b经由燃料蒸气流 通管13而连结于稳压罐2内即进气通路内。在该燃料蒸气流通管13内配 置有清除控制阀14。另一方面，大气压室11经由小容积的活性炭层15及 吸引泵模块16而连结于大气连通管17。

在图1中，20表示用于对内燃机的运转及燃料蒸气排出防止系统进行 控制的电子控制单元。如图1所示，电子控制单元20由数字计算机构成， 具备通过双向性总线21而互相连接的存储装置22即存储器22、CPU(微 处理器)23、输入端口24及输出端口25。燃料液位计7的输出信号、温 度传感器8的输出信号、用于检测大气压的大气压传感器30的输出信号及运转开始停止开关31的输出信号分别经由对应的AD变换器26而向输入 端口24输入。

在具备电动马达作为驱动源的混合动力发动机中，当运转开始停止开 关31被接通(ON)时，由发动机或电动马达实现的车辆的运转开始，当 运转开始停止开关31被断开(OFF)时，由发动机或电动马达实现的车辆 的运转停止。另一方面，在不具备作为驱动源的电动马达的发动机中，当 运转开始停止开关31被接通时，发动机起动而车辆的运转开始，当运转开 始停止开关31被断开时，发动机停止而车辆的运转停止。

另外，如图1所示，在加速器踏板32上连接有产生与加速器踏板32 的踩踏量成比例的输出电压的负荷传感器33，负荷传感器33的输出电压 经由对应的AD变换器26而向输入端口24输入。而且，在输入端口24 上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34。在 CPU33内，基于曲轴角传感器34的输出信号来算出内燃机转速。另一方面，输出端口25经由对应的驱动电路27而连接于清除控制阀14、吸引泵 模块16及节气门4的致动器。

图2A及图2B示出了图解性地表示图1所示的吸引泵模块16的放大 图。参照图2A及图2B，吸引泵模块16具备吸引泵40和由致动器41驱 动的流路切换阀42。而且，吸引泵模块16具有经由小容积的活性炭层15 而连结于大气压室11的大气压室连结路43、经由大气连通管17而连结于 大气的大气连通管连结路44、从大气连通管连结路44朝向流路切换阀42延伸的大气连通路45、以及从吸引泵40朝向流路切换阀42延伸的吸引通 路46，在吸引通路46内安装有压力传感器47。

在流路切换阀42内形成有能够如图2A所示那样将大气压室连结路43 与大气连通路45连结的第1通路48、和能够如图2B所示那样将大气压室 连结路43与吸引通路46连结的第2通路49。流路切换阀42通常如图2A 所示那样保持于大气压室连结路43经由第1通路48而连结于大气连通路 45的位置，此时，大气压室11经由小容积的活性炭层15、大气压室连结 路43、第1通路48、大气连通路45、大气连通管连结路44及大气连通管 17而连通于大气。将如图2A所示那样大气压室11连通于大气的流路切换 阀42的切换位置称作通常位置。

另一方面，在进行燃料蒸气排出防止系统的异常检测时，流路切换阀 42如图2B所示那样切换为大气压室连结路4经由第2通路49而连结于吸 引通路46的位置。将如图2B所示那样大气压室11连结于吸引通路46的 位置称作测试位置。此时，若使吸引泵40工作，则大气压室11内的空气 经由小容积的活性炭层15、大气压室连结路4、第2通路49及吸引通路46而被吸引，此时，若清除控制阀14处于关闭，则燃料箱5内、罐6内、 燃料蒸气流通管12内、及罐6与清除控制阀14之间的燃料蒸气流通管13 内的压力下降。此外，以下，将燃料箱5内、罐6内、燃料蒸气流通管12 内、及罐6与清除控制阀14之间的燃料蒸气流通管13内的压力简称作燃 料箱5内及罐6内的压力。另外，在本发明的实施例中，将由压力传感器 47检测的压力称作燃料蒸气排出防止系统内的压力即系统内压。因此，在 燃料箱5内及罐6内的压力由压力传感器47检测时，燃料箱5内及罐6 内的压力成为系统内压。

接着，参照图3及图4，关于燃料箱5内的燃料的余量的正确的求法， 以使用了重力传感器的情况为例来简单说明。如图3所示，重力传感器60 由正方形状的框架61、具有由框架61支撑的4条板状臂62的十字状薄板 63、及安装于十字状薄板63的中央部的重量件64构成，在十字状薄板63 的各臂62分别安装有应变计(strain gauge)。该重力传感器60以在车辆 在水平面上停止时框架61位于水平面内的方式安装于车辆。

由于对重量件64作用铅垂方向的重力，所以在十字状薄板63的中央 作用朝向铅垂方向下方的力。此时，若框架61位于水平面内，则各臂62 的应变量相同，因此，在车辆在水平面上停止时，各臂62的应变量相同。 相对于此，若车辆相对于水平面倾斜地停止，则各臂62的应变量成为不同 的值，根据各臂62的应变量的差异可知车辆相对于水平面的倾斜方向及倾 斜量。另一方面，车辆位于水平面内时的燃料箱5内的燃料液面的高度能 够从燃料液位计7的检测值得知。

因此，不管燃料箱5是何种形状，都能够根据燃料液位计7的检测值 和由重力传感器60检测到的车辆相对于水平面的倾斜方向及倾斜量而得 知燃料箱5内的燃料的余量。于是，在该例中，如图4所示，将由重力传 感器60检测到的车辆的前后方向的倾斜量F、车辆的横向的倾斜量S、燃 料液位计7的检测值H及燃料箱5内的燃料的余量M的关系预先通过试验而求出，基于图4所示的关系来求出燃料箱5内的燃料的余量M。

接着，对本发明的基本的思路进行说明。从图1及图2B可知，若在 将清除控制阀14关闭且将流路切换阀42切换为测试位置的状态下使吸引 泵40工作，则燃料箱5内、罐6内、燃料蒸气流通管12内、及罐6与清 除控制阀14之间的燃料蒸气流通管13内的压力即系统内压下降。此时的 系统内压的变化示于图5。此外，在图5中，A点表示开始吸引泵40的吸 引作用时，B点表示不再产生压力下降时。

在图5中，实线示出了燃料蒸气排出防止系统正常的情况，虚线示出 了例如在燃料蒸气流通管12的管壁开了孔的情况、或者在罐6与清除控制 阀14之间的燃料蒸气流通管13的管壁开了孔的情况。若在燃料蒸气流通 管12或13的管壁开孔，则外气从孔流入，因此，B点处的压力如虚线所 示那样比实线所示的正常时变高。因此，根据B点处的压力的大小，能够 判别在燃料蒸气流通管12或13的管壁是否开了孔。

另一方面，图5的单点划线示出了虽然在燃料蒸气流通管12或13的 管壁没有开孔但因某些要因而燃料箱5内的每单位时间的燃料的蒸发量增 大时，例如示出了与实线所示的情况相比燃料箱5内的燃料的温度高的情 况。在该情况下，也与虚线所示的在燃料蒸气流通管12或13的管壁开了 孔的情况同样，B点处的压力与实线所示的正常时相比变高。因此，虽说 B点处的压力与实线所示的正常时相比变高，但若判别为在燃料蒸气流通 管12或13的管壁开了孔，则会产生误判断。

然而，在燃料蒸气流通管12或13的管壁开了孔的情况即虚线所示的 情况下，与实线及单点划线所示的情况相比，在压力的下降的中途，压力 的下降的程度变小，在虚线所示的情况和实线及单点划线所示的情况下， 下降曲线的整体形状不同。因此，若求出压力下降曲线的整体形状，则能 够根据压力下降曲线的整体形状的差异而准确地判别在燃料蒸气流通管 12或13的管壁是否开了孔。于是，在本发明中，每隔一定时间检测系统 内压，基于所检测到的每隔一定时间的系统内压，使用神经网络来判别在 燃料蒸气排出防止系统是否产生了异常。

<神经网络的概要>

如上所述，在本发明的实施例中，使用神经网络来判别在燃料蒸气排 出防止系统是否产生了异常。于是，首先对神经网络进行简单说明。图6 示出了简单的神经网络。图6中的圆形标记表示人工神经元，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6 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6中、x₁及x₂表示来自输入层(L＝1)的各节点的输出值、y₁及y₂表 示来自输出层(L＝4)的各节点的输出值，z⁽²⁾ ₁、z⁽²⁾ ₂及z⁽²⁾ ₃表示来自 隐藏层(L＝2)的各节点的输出值，z⁽³⁾ ₁、z⁽³⁾ ₂及z⁽³⁾ ₃表示来自隐藏层 (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，输入直接被输出。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6 中，在隐藏层(L＝2)的z⁽²⁾ _k(k＝1、2、3)所示的节点中算出的总输入 值u_k成为下式这样。

接着，该总输入值u_k由活性化函数f变换，从隐藏层(L＝2)的z⁽²⁾ _k所示的节点作为输出值z⁽²⁾ _k(＝f(u_k))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，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同样由活性化函数变换，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，作为该活性化函数，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，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)。例如，在回归问题中，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即正解数据设为y_t， 则神经网络中的各权重w及偏置b以使输出值y与教师数据即正解数据 y_t之差变小的方式使用误差反向传播法来进行学习。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，由于 偏置b是权重w的一种，所以以下所称权重w也包括偏置b。在如图6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

改写的话由下式表示。

在此，由于

所以若设为

则上 述(1)式能够由下式表示。

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)能够由下式表示。

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u_k ^(L+1)能够由下式表示。

输入值

在此，上述(3)式的右边第1项

是δ^(L+1)，上述(3) 式的右边第2项

能够由下式表示。

因此，δ^(L)由下式表示。

即，

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，对某输入值求出了教师数据即正解 数据y_t，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以E＝1/2(y-y_t)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。

在该情况下，在回归问题中，如前所述，f(u^(L))是恒等函数，f’(u ^(Ll))＝1。因此，δ^(L)＝y-y_t，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)来关于各权重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。即，进行权重w的学习。

另一方面，在分类问题中，在学习时，来自输出层(L＝4)的各输出 值y₁、y₂…向Softmax层输入，若将来自Softmax层的输出值设为y₁’、 y₂’…，将对应的正解标签设为y_t1、_yt2…，则使用以下的交叉熵误差E作 为误差函数E。

交叉熵误差

在该情况下也是，输出层(L＝4)的各节点处的δ^(L)的值成为δ^(L)＝y_k-y_tk (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>

首先，参照图7，对在车辆的运转停止时为了判别在燃料蒸气排出防 止系统是否产生了异常而进行的异常检测处理进行说明。在图7中，示出 了使清除控制阀14关闭的关闭指令及使清除控制阀14打开的打开指令、 将流路切换阀42切换为通常位置的切换指令及将流路切换阀42切换为测 试位置的切换指令、吸引泵40的工作指令及吸引泵40的停止指令、由压 力传感器47检测到的系统内压的变化。此外，在该例中，系统内压表示燃 料箱5内及罐6内的压力。

在图7中，t₀表示车辆的运转停止时，此时发出了使清除控制阀14关 闭的关闭指令、将流路切换阀42切换为通常位置的切换指令及吸引泵40 的停止指令。图7示出了基于这些指令而清除控制阀14、流路切换阀42 及吸引泵40正常工作时。因此，在车辆的运转停止时，清除控制阀14处 于关闭，流路切换阀42被切换为通常位置，吸引泵40处于停止。该状态 持续从车辆的运转停止时到时刻t₁为止的一定期间。在该一定期间中，吸 引泵40继续停止，因此不进行吸引泵40的吸引作用，因此，由压力传感 器47检测到的系统内压为大气压。

接着，当到达时刻t₁时，发出将流路切换阀42切换为测试位置的切 换指令及吸引泵40的工作指令。另一方面，向清除控制阀14继续发出关 闭指令。此时，燃料箱5内、罐6内、燃料蒸气流通管12内、及罐6与清 除控制阀14之间的燃料蒸气流通管13内成为与外气隔离的封闭空间，在 这样的状态下吸引泵40工作，因此该封闭空间内的空气由吸引泵40逐渐吸引，其结果，燃料箱5内及罐6内的压力，即由压力传感器47检测到的 系统内压逐渐下降。接着，当正好到达时刻t₂时，不再产生压力下降，系 统内压停滞在下降了的状态。

当到达时刻t₂时，发出使清除控制阀14打开的打开指令。另一方面， 此时，流路切换阀42维持为测试位置，吸引泵40继续工作。因此，此时， 吸引泵40的吸引作用继续进行，但由于使清除控制阀14打开，所以系统 内压急剧上升，成为大气压。接着，当到达时刻t₃时，清除控制阀14、流 路切换阀42及吸引泵40恢复为车辆的运转停止时的状态。即，当到达时 刻t₃时，发出使清除控制阀14关闭的关闭指令、将流路切换阀42切换为 通常位置的切换指令及吸引泵40的停止指令。

另一方面，若在燃料蒸气排出防止系统产生异常，则由压力传感器47 检测到的系统内压的变化模式成为与图7所示的正常时的系统内压的变化 模式不同的变化模式。接着，参照图8～图10对此进行说明。此外，在图 8～图10中，与图7同样，示出了使清除控制阀14关闭的关闭指令及使清 除控制阀14打开的打开指令、将流路切换阀42切换为通常位置的切换指 令及将流路切换阀42切换为测试位置的切换指令、吸引泵40的工作指令 及吸引泵40的停止指令、由压力传感器47检测到的系统内压的变化。另 外，在图8～图10中，虚线示出了图7所示的正常时的系统内压的变化模 式。

图8的实线例如示出了在燃料蒸气流通管12或13的管壁开了小的孔 的情况下的系统内压的变化模式。在该情况下，由于外气经由小的孔而向 系统内持续流入，所以系统内压不下降至正常时的系统内压，因此，该情 况下的系统内压的变化模式成为与正常时的系统内压的变化模式不同的变 化模式。

另一方面，图9的实线示出了产生了即使发出使清除控制阀14关闭的 关闭指令清除控制阀14也继续打开(持续打开)的打开异常的情况。此时， 系统内经由清除控制阀14而继续连通于大气，因此，如图9的实线所示， 系统内压维持为大气压。另外，图10的实线示出了产生了即使发出使清除 控制阀14打开的打开指令，清除控制阀14也继续关闭(持续关闭)的关 闭异常的情况。此时，如图9的实线所示，即使过了时刻t₂，系统内压也 维持为负压不变。

这样，若产生异常，则系统内压的变化模式会成为与正常时的系统内 压的变化模式不同的变化模式。于是，在本发明的实施例中，为了学习系 统内压的变化模式的差异，每隔一定时间检测系统内压，接着，参照图11 对此进行说明。此外，在图11中，与图7同样，示出了使清除控制阀14 关闭的关闭指令及使清除控制阀14打开的打开指令、将流路切换阀42切 换为通常位置的切换指令及将流路切换阀42切换为测试位置的切换指令、 吸引泵40的工作指令及吸引泵40的停止指令、由压力传感器47检测到的 系统内压的变化。另外，图11中的实线示出了图7所示的正常时的系统内 压的变化模式。

参照图11，在时刻t₁～时刻t₃的期间xt中，每隔一定时间Δt由压力传 感器47检测系统内压。在图11中、x₁、x₂...x_n-1、x_n表示由压力传感器47 每隔一定时间Δt检测到的系统内压。由压力传感器47检测到的每隔一定 时间Δt的系统内压x₁、x₂...x_n-1、x_n暂且被存储于存储装置。在本发明的 实施例中，制作如下的异常判定推定模型，该异常判定推定模型能够基于 该暂且存储于存储装置的每隔一定时间Δt的系统内压x₁、x₂...x_n-1、x_n， 使用神经网络来推定在燃料蒸气排出防止系统是否产生了异常。此外，在 该实施例中，利用压力传感器47检测的是燃料箱5内及罐6内的压力。因 此，在该实施例中，并非必需将压力传感器47配置于吸引通路46内，可 以配置于能够检测燃料箱5内及罐6内的压力的任意的部位。

接着，参照图12对在该异常判定推定模型的制作中使用的神经网络进 行说明。参照图12，在该神经网络70中，也与图6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14所 示，输入层(L＝1)由n+k个节点构成，n个输入值x₁、x₂...x_n-1、x_n和k 个输入值xx₁、xx₂...xx_k-1、xx_k向输入层(L＝1)的各节点输入。在该情况下，n个输入值x₁、x₂...x_n-1、x_n是图11所示的每隔一定时间Δt的系统内 压x₁、x₂...x_n-1、x_n。

另一方面，在图12中记载了隐藏层(L＝2)及隐藏层(L＝3)，但这些 隐藏层的层数可以设为1个或任意的个数，另外，这些隐藏层的节点的数 量也可以设为任意的个数。另外，在该实施例中，输出层(L＝4)的节点 的数量被设为4个，来自输出层(L＝4)的节点的输出值由y₁’、y₂’、y₃’、 y₄’表示。这些输出值y₁’、y₂’、y₃’、y₄’向Softmax层SM送入，被变换为各自对应的输出值y₁、y₂、y₃、y₄。这些输出值y₁、y₂、y₃、y₄的总和是1， 各输出值y₁、y₂、y₃、y₄表示相对于1的比例。

接着，参照图13所示的一览表对图12中的输入值xx₁、xx₂...xx_k-1、xx_k进行说明。如上所述，在本发明的实施例中，基于每隔一定时间Δt的 系统内压x₁、x₂...x_n-1、x_n，使用神经网络来推定在燃料蒸气排出防止系统 是否产生了异常。但是，系统内压例如受大气压等外部因子及燃料箱5内 的燃料的余量等内部因子的影响而变化，因此，在推定是否产生了燃料蒸 气排出防止系统的异常时，需要考虑这些因子的影响。

在图13中列举了成为这些因子的向神经网络70的输入参数。此外， 在图13中，对系统内压的变化造成强的影响的输入参数作为必需的输入参 数而列举，不是必需的输入参数但对系统内压的变化造成强的影响的输入 参数作为影响大的输入参数而列举，不是影响大的输入参数但对系统内压 的变化造成影响的输入参数作为辅助性的输入参数而列举。

如图13所示，系统内压x₁、x₂...x_n-1、x_n及大气压xx₁被设为必需的输 入参数。在该情况下，系统内压x₁、x₂...x_n-1、x_n当然是必需的输入参数。 另一方面，若大气压变化，则系统内压也根据此而变化。因此，大气压xx₁被设为必需的输入参数。

另一方面，在通过吸引泵40的吸引作用而系统内压成为了负压时，若 燃料箱5内的燃料蒸发，则系统内压上升，在该情况下，燃料的每单位时 间的蒸发量越多则系统内压的变化量越大。另一方面，燃料的每单位时间 的蒸发量与燃料箱5内的燃料的余量成比例。因此，燃料箱5内的燃料的 余量越多，则对系统内压造成的影响越大。因此，如图13所示，燃料箱5 内的燃料的余量xx₂被设为影响大的输入参数。

另外，若燃料箱5内的燃料温度变高，则燃料的每单位时间的蒸发量 增大，因此，燃料箱5内的燃料温度也对系统内压造成影响。然而，对系 统内压造成的影响比燃料箱5内的燃料的余量小，因此，如图13所示，燃 料箱5内的燃料温度xx₃被设为辅助性的输入参数。另外，吸引泵40的性 能也对系统内压造成不少的影响，因此，如图13所示，吸引泵40的流量特性值xx₄被设为辅助性的输入参数。

在图14中示出了该吸引泵40的流量特性值与吸引泵40的最大泵流量 的关系。如图14所示，吸引泵40的流量特性值在是某个成为基准的吸引 泵40的最大泵流量是G时被设为1.0，根据各吸引泵40的最大泵流量而 决定吸引泵40的流量特性值。该吸引泵40的流量特性值示出了表示吸引 泵40的能力的指标，若吸引泵40的能力高则吸引泵40的流量特性值变高， 若吸引泵40的能力低则吸引泵40的流量特性值变低。

图15示出了图12所示的输出值y₁’、y₂’、y₃’、y₄’及输出值y₁、y₂、 y₃、y₄表示何种状态的一览表。从图15可知，输出值y₁’及输出值y₁表示 在燃料蒸气流通管12或13的管壁开有小的孔的开孔异常，输出值y₂’及输 出值y₂表示清除控制阀14持续打开的打开异常，输出值y₃’及输出值y₃表示清除控制阀14持续关闭的关闭异常，输出值y₄’及输出值y₄表示正常时。

作为图12所示的神经网络70的输入值x₁、x₂...x_n-1、x_n及输入值xx₁、 xx₂...xx_k-1、xx_k，可以仅使用图13所示的必需的输入参数的值，即仅使用 系统内压x₁、x₂...x_n-1、x_n及大气压xx₁。当然，也可以除了必需的输入参 数的值之外还将影响大的输入参数的值设为输入值xx₁、xx₂...xx_k-1、xx_k， 还可以除了必需的输入参数的值之外还将影响大的输入参数的值及辅助性 的输入参数的值设为输入值xx₁、xx₂...xx_k-1、xx_k。此外，以下，以除了必 需的输入参数的值之外还将影响大的输入参数的值及辅助性的输入参数的 值设为输入值xx₁、xx₂...xx_k-1、xx_k(在该例中，k＝4)的情况为例，对本 发明的实施例进行说明。

图16示出了使用输入值x₁、x₂...x_n-1、x_n、输入值xx₁、xx₂...xx_k-1、xx_k及教师数据即正解标签yt而制作出的训练数据组。在该图16中，输入值 x₁、x₂...x_n-1、x_n表示每隔一定时间Δt的系统内压，该系统内压由压力传感 器47检测。另外，在图16中，输入值xx₁、xx₂...xx_k-1、xx_k即输入值xx₁、 xx₂、xx₃、xx₄分别表示大气压、燃料箱5内的燃料的余量、燃料箱5内的 燃料温度及吸引泵40的流量特性值即表示吸引泵40的能力的指标。在该 情况下，大气压由大气压传感器30检测，燃料箱5内的燃料的余量由燃料 液位计7及重力传感器60检测，燃料箱5内的燃料温度由温度传感器8 检测，吸引泵40的流量特性值基于图14所示的关系而算出。

另一方面，在图16中，yt₁...yt_S(在该例中，s＝4)分别表示相对于图 15所示的输出值y₁’、y₂’、y₃’、y₄’及输出值y₁、y₂、y₃、y₄的教师数据， 即正解标签。即，在图16中、yt₁表示产生了在燃料蒸气流通管12或13 的管壁开有小的孔的开孔异常时的正解标签，yt₂表示产生了清除控制阀 14持续打开的打开异常时的正解标签，yt₃表示产生了清除控制阀14持续关闭的关闭异常时的正解标签，yt₄表示正常时的正解标签。

在该情况下，例如，在产生了在蒸气流通管12或13的管壁开有小的 孔的开孔异常时，仅正解标签yt₁被设为1，剩余的正解标签yt₂、yt₃、yt₄全部被设为零。同样，在产生了清除控制阀14持续打开的打开异常时，仅 正解标签yt₂被设为1，并且剩余的正解标签yt₁、yt₃、yt₄全部被设为零， 在产生了清除控制阀14持续关闭的关闭异常时，仅正解标签yt₃被设为1， 并且剩余的正解标签yt₁、yt₂、yt₄全部被设为零，在正常时，仅正解标签 yt₄被设为1，并且剩余的正解标签yt₁、yt₂、yt₃全部被设为零。

另一方面，如图16所示，在该训练数据组中，取得了表示输入值x₁、 x₂...x_n-1、x_n及输入值xx₁、xx₂...xx_k-1、xx_k与正解标签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. ..x_n-12、x_n2、输入值xx₁₂、xx₂₂...xx_k-12、xx_k2及正解标签yt₁₂...yt_S2，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x_1m-1、x_2m-1...x_n-1m-1、x_nm-1、输入值xx_1m-1、xx_2m-1...xx_k-1m-1、xx_km-1及正解标签yt_Sm-1。

接着，对图16所示的训练数据组的制作方法进行说明。图17示出了 训练数据组的制作方法的一例。参照图17，图1所示的内燃机主体1、燃 料箱5、罐6等设置于内压能够调整的密闭试验室80内，利用试验控制装 置81，为了推定在燃料蒸气排出防止系统是否产生了异常而进行将清除控 制阀14、流路切换阀42及吸引泵40按照预先确定的操作顺序操作的异常 检测处理。此时，燃料蒸气排出防止系统的状态依次被变更为产生了在燃 料蒸气流通管12或13的管壁开有小的孔的开孔异常的状态、产生了清除 控制阀14持续打开的打开异常的状态、产生了清除控制阀14持续关闭的 关闭异常的状态及正常状态，在变更后的各状态下，一边依次变更大气压、 燃料箱5内的燃料的余量、燃料箱5内的燃料温度及吸引泵40的流量特性 值的组合，一边反复进行异常检测处理。

在进行该异常检测处理的期间，取得制作训练数据组所需的数据。图 18示出了为了进行该异常检测处理而在试验控制装置81内执行的异常检 测处理例程。该异常检测处理例程通过每隔图11所示的一定时间Δt的中 断处理而执行。此外，在图18所示的例程中，t表示将在图17中停止内 燃机的运转时的时刻t₀设为零且以该时刻t₀为起点而求出的时刻。

参照图18，首先，在步骤100中，判别时刻t是否是图11所示的时 刻t₁前。在时刻t是图11所示的时刻t₁前时，结束处理循环。相对于此， 在判定为时刻t不是图11所示的时刻t₁前时，进入步骤101，判别时刻t 是否到达了图11所示的时刻t₁。在时刻t到达了图11所示的时刻t₁时， 进入步骤102，发出将流路切换阀42切换为测试位置的切换指令，接着进 入步骤103，发出吸引泵40的工作指令。接着，在步骤104中，开始由压 力传感器47检测到的系统内压x_n的取得及存储。此时，系统内压x_n被存 储于试验控制装置81内。

另一方面，在步骤101中判别为时刻t不是图11所示的时刻t₁时，进 入步骤105，进行系统内压x_n的取得及向试验控制装置81内的存储。即， 如图11所示，每隔一定时间Δt取得系统内压x_n，将每隔一定时间Δt取得 的系统内压x_n存储于试验控制装置81内。接着，在步骤106中，判别时 刻t是否成为了图11所示的时刻t₂。在时刻t成为了图11所示的时刻t₂时，进入步骤107，发出使清除控制阀14打开的打开指令。

另一方面，在步骤106中判别为时刻t不是图11所示的时刻t₂时，进 入步骤108，判别时刻t是否成为了图11所示的时刻t₃。在时刻t不是图 11所示的时刻t₃时，结束处理循环。相对于此，在判别为时刻t成为了图 11所示的时刻t₃时，进入步骤109，发出使清除控制阀14关闭的关闭指令。

接着，在步骤110中，发出将流路切换阀42切换为通常位置的切换指 令。接着，在步骤111中，发出吸引泵40的停止指令。接着，在步骤112 中，停止由压力传感器47检测到的系统内压x_n的取得及存储作用。接着， 在步骤113中，结束异常检测处理。在图17所示的试验控制装置81中， 当异常检测处理结束时，开始下一异常检测处理。

这样，在产生了在燃料蒸气流通管12或13的管壁开有小的孔的开孔 异常的状态、产生了清除控制阀14持续打开的打开异常的状态、产生了清 除控制阀14持续关闭的关闭异常的状态及正常状态的各状态下，大气压、 燃料箱5内的燃料的余量、燃料箱5内的燃料温度及吸引泵40的流量特性 值的组合被变更时的每隔一定时间Δt的系统内压x_n被存储于试验控制装 置81。即，图16所示的训练数据组的No.1～No.m的输入值x_1m、x_2m...x_nm-1、x_nm、输入值xx_1m、xx_2m...xx_km-1、xx_km及正解标签yt_sm(m＝1、2、3…m) 被存储于试验控制装置81内。

当这样制作了如图16所示的训练数据组后，使用制作出的训练数据组 的电子数据来进行图12所示的神经网络70的权重的学习。在图17所示的 例中，设置有用于进行神经网络的权重的学习的学习装置82。也可以使用 个人计算机作为该学习装置82。如图17所示，该学习装置82具备CPU (微处理器)83和存储装置即存储器84。在图17所示的例子中，图12 所示的神经网络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82的存储器84，在CPU83中进行神经网络的权重的学习。

图19示出在学习装置82中进行的神经网络的权重的学习处理例程。

参照图19，首先，在步骤200中，读入存储于学习装置82的存储器 84的相对于神经网络70的训练数据组的各数据。接着，在步骤201中读 入各神经网络70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202中，基于这些节 点数来制作如图12所示的神经网络70。

接着，在步骤203中，进行神经网络70的权重的学习。在该步骤203 中，首先，图16的第1号(No.1)的输入值x₁、x₂...x_n-1、x_n及输入值xx₁、 xx₂...xx_k-1、xx_k向神经网络70的输入层(L＝1)的各节点输入。此时，从 神经网络70的输出层的各节点将输出值y₁’、y₂’、y₃’、y₄’输出，这些输出 值y₁’、y₂’、y₃’、y₄’向Softmax层SM送入，被变换为各自对应的输出值y₁、y₂、y₃、y₄。接着，利用这些输出值y₁、y₂、y₃、y₄和正解标签yt₁...yt_S算出前述的交叉熵误差E，以使交叉熵误差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70的权重的学习。

当基于图16的第1号(No.1)的数据的神经网络70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16的第2号(No.2)的 数据的神经网络70的权重的学习。同样，直到图16的第m号(No.m) 为止依次进行神经网络70的权重的学习。当关于图16的第1号(No.1) ～第m号(No.m)的全部完成了神经网络70的权重的学习时，进入步骤 204。

在步骤204中，判别交叉熵误差E是否成为了预先设定的设定误差以 下。在判别为交叉熵误差E未成为预先设定的设定误差以下时，返回步骤 203，再次基于图16所示的训练数据组来进行神经网络70的权重学习。接 着，继续进行神经网络70的权重的学习，直到交叉熵误差E成为预先设 定的设定误差以下为止。在步骤204中判别为交叉熵误差E成为了预先设 定的设定误差以下时，进入步骤205，将神经网络70的完成了学习的权重 存储于学习装置82的存储器84。这样制作能够推定在燃料蒸气排出防止 系统是否产生了异常的异常判定推定模型。

在本发明的实施例中，使用这样制作出的燃料蒸气排出防止系统的异 常判定推定模型来进行市售车辆中的燃料蒸气排出防止系统的故障诊断， 为此，该燃料蒸气排出防止系统的异常判定推定模型被存储于市售车辆的 电子控制单元20。图20示出了为了将该燃料蒸气排出防止系统的异常判 定推定模型存储于市售车辆的电子控制单元20而在电子控制单元20中进 行的向电子控制单元的数据读入例程。

参照图20，首先，在步骤300中，图12所示的神经网络70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) 的节点数向电子控制单元20的存储器22读入，接着，在步骤301中，基 于这些节点数来制作如图21所示的神经网络71。从图21可知，在该神经 网络71中，Softmax层被除去。此外，在该情况下，也可以在神经网络71如图12所示那样设置Softmax层SM。接着，在步骤302中，神经网 络70的完成了学习的权重向电子控制单元20的存储器22读入。由此，燃 料蒸气排出防止系统的异常判定推定模型被存储于市售车辆的电子控制单 元20。

接着，参照图22，对在市售车辆中执行的燃料蒸气排出防止系统的异 常检测例程进行说明。该例程也通过每隔一定时间的中断处理来执行。参 照图22，首先，在步骤400中，基于运转开始停止开关31的输出信号来 判别车辆的运转是否已停止。在车辆的运转未停止时，结束处理循环。相 对于此，在判别为车辆的运转已停止时，进入步骤401，判别是否设立有 允许燃料蒸气排出防止系统的异常检测的检测允许标志。在车辆的运转停 止后首次进入到步骤401时，由于检测允许标志未设立，所以进入步骤402。 在步骤402中，执行图18所示的异常检测处理。

当执行该异常检测处理时，每隔一定时间Δt取得系统内压x_n，每隔 一定时间Δt取得的系统内压x_n被存储于电子控制单元20的存储器22。接 着，在步骤403中，判别异常检测处理是否已结束。在异常检测处理未结 束时，结束处理循环。相对于此，在判别为异常检测处理已结束时，进入 步骤404而设立检测允许标志。当检测允许标志设立后，在下一处理循环 中，从步骤401进入步骤405。

在步骤405中，读入存储于电子控制单元20的存储器22内的每隔一 定时间Δt的系统内压x₁、x₂...x_n-1、x_n。接着，在步骤406中，读入存储于 电子控制单元20的存储器22内的输入值xx₁、xx₂...xx_k-1、xx_k。接着，在 步骤407中，每隔一定时间Δt的系统内压x_nx₁、x₂...x_n-1、x_n及输入值xx₁、 xx₂…xx_k-1、xx_k向图21所示的神经网络71的输入层(L＝1)的各节点输入。 此时，从神经网络70的输出层的各节点将输出值y₁’、y₂’、y₃’、y₄’输出， 由此，在步骤408中，取得输出值y₁’、y₂’、y₃’、y₄’。

接着，在步骤409中，从所取得的输出值y₁’、y₂’、y₃’、y₄’中选定最 大的输出值y_i’。此时，推定为产生了与该最大的输出值y_i’对应的图15所 示的异常状态。因此，在步骤410中，判定为产生了与该最大的输出值y_i’ 对应的图15所示的异常状态，例如，点亮表示产生了与最大的输出值y_i’ 对应的图15所示的异常状态的警告灯。接着，在步骤411中，结束异常检 测。

这样，在本发明的燃料蒸气排出防止系统的异常检测装置中，燃料蒸 气排出防止系统具备在活性炭层9的两侧分别形成有燃料蒸气室10和大气 压室11的罐6，燃料蒸气室10一方面连通于燃料箱5的燃料液面上方的 内部空间，并且另一方面经由清除控制阀14而连结于内燃机的进气通路内。 而且，燃料蒸气排出防止系统具备能够将大气压室11选择性地连结于大气 和吸引泵40的流路切换阀42、和检测燃料箱5内及罐6内的压力的压力 传感器47。在车辆的运转停止时，进行产生使清除控制阀14关闭的关闭 指令、将流路切换阀42的切换位置切换为大气压室11连结于吸引泵40 的切换位置的切换指令、及为了使燃料箱内及罐6内成为负压而使吸引泵 40工作的泵工作指令的异常检测处理。在进行该异常检测处理时，由压力 传感器40每隔一定时间检测到的燃料箱5内及罐6内的压力被存储于存储装置，存储有如下的完成了学习的神经网络，所述完成了学习的神经网络 将存储于存储装置的每隔一定时间的燃料箱5内及罐6内的压力、及进行 了异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述的 系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进行了权重的学习， 在车辆的运转停止时，使用完成了学习的神经网络，根据上述的输入参数 来检测使燃料蒸气泄漏的开孔异常。

在该情况下，在本发明的实施例中，上述的异常检测处理包括产生在 清除控制阀14的关闭指令产生后使清除控制阀14打开的打开指令的处理， 存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储 于存储装置的每隔一定时间的燃料箱5内及罐6内的压力、及进行了异常 检测处理时的至少大气压设为神经网络的输入参数，且将在上述的系统产 生了使燃料蒸气泄漏的开孔时、产生了清除控制阀14持续打开的打开异常 时、及产生了清除控制阀14持续关闭的关闭异常时分别设为正解标签而进 行了权重的学习，在车辆的运转停止时，使用完成了学习的神经网络，根 据上述的输入参数来检测使燃料蒸气泄漏的开孔异常、清除控制阀14的打 开异常及清除控制阀14的关闭异常。

另外，在本发明的实施例中，上述的输入参数包括存储于存储装置的 每隔一定时间的燃料箱5内及罐6内的压力、及进行了异常检测处理时的 大气压、和进行了异常检测处理时的燃料箱5的燃料的余量。另外，在本 发明的实施例中，上述的输入参数包括存储于存储装置的每隔一定时间的 燃料箱5内及罐6内的压力、及进行了异常检测处理时的大气压、进行了 异常检测处理时的燃料箱5的燃料的余量、燃料箱5的燃料的温度及表示 吸引泵40的能力的指标。

图23A～图36示出了检测更多的异常状态的另一实施例。在该另一的 实施例中，作为图1所示的吸引泵模块16，使用在图23A及图23B中图 解性地示出的吸引泵模块16。参照图23A及图23B，在图23A及图23B 所示的吸引泵模块16中，相对于图2A及图2B所示的吸引泵模块16，追 加了将大气压室连结路43与吸引通路46连结的基准压力检测通路50，在 该基准压力检测通路50内设置有节流部51。

接着，对使用图23A及图23B所示的吸引泵模块16在车辆的运转停 止时进行的异常检测处理进行说明。在图24中，示出了与图7同样的使清 除控制阀14关闭的关闭指令及使清除控制阀14打开的打开指令、将流路 切换阀42切换为通常位置的切换指令及将流路切换阀42切换为测试位置 的切换指令、吸引泵40的工作指令及吸引泵40的停止指令、由压力传感 器47检测到的系统内压的变化。

在图24中，t₀表示车辆的运转停止时，此时发出了使清除控制阀14 关闭的关闭指令、将流路切换阀42切换为通常位置的切换指令及吸引泵 40的停止指令。图24示出了基于这些指令而清除控制阀14、流路切换阀 42及吸引泵40正在正常工作时。因此，在车辆的运转停止时，清除控制 阀14处于关闭，流路切换阀42被切换为通常位置，吸引泵40处于停止。该状态持续从车辆的运转停止时到时刻t₁为止的一定期间。在该一定期间 中，吸引泵40持续停止，因此不进行吸引泵40的吸引作用，因此，由压 力传感器47检测到的系统内压为大气压。

接着，当到达时刻t₁时，发出吸引泵40的工作指令。此时，流路切 换阀42被切换为图23A所示的通常位置，因此，若吸引泵40工作，则外 气从大气连通管17经由大气连通管连结路44、大气连通路45、第1通路 48、大气连通室连结路43、具有节流部51的基准压力检测通路50及吸引 通路46而被吸引。此时，由于设置有节流部51，所以吸引通路46内成为 负压，因此，由压力传感器47检测的系统内压如图24所示那样下降。

在该情况下，由压力传感器47检测到的系统内压的变化表示开了与节 流部51的直径相同的直径的孔时的系统内压的变化，因此，此时的系统内 压的变化成为判断在燃料蒸气排出防止系统中是否开了孔时的基准。因此， 通路50被称作基准压力检测通路。接着，当到达时刻t₂时，发出将流路 切换阀42切换为图23B所示的测试位置的切换指令。当流路切换阀42被 切换为测试位置后，由于此时燃料箱5内及罐6内为大气压，所以吸引通 路46内的压力上升。因此，由压力传感器47检测的系统内压当到达时刻 t₂后如图24所示那样上升，接着，当到达时刻t₃时，通过吸引泵40的来 自燃料箱5内及罐6内的空气的吸引作用而所述系统内压开始下降。接着， 当到达时刻t₄前后，不再产生压力下降，系统内压停滞在下降了的状态。

当到达时刻t₄时，发出使清除控制阀14打开的打开指令。另一方面， 此时，流路切换阀42维持为测试位置，吸引泵40继续工作。因此，此时， 吸引泵40的吸引作用继续进行，但由于使清除控制阀14打开，所以系统 内压急剧上升，成为大气压。接着，当到达时刻t₅时，清除控制阀14、流 路切换阀42及吸引泵40被恢复为车辆的运转停止时的状态。即，当到达 时刻t₅时，发出使清除控制阀14关闭的关闭指令、将流路切换阀42切换 为通常位置的切换指令及吸引泵40的停止指令。

另一方面，在该实施例中，如图24所示，从车辆的运转停止时起即从 时刻t₀起时刻t₅的期间xt中，每隔一定时间Δt由压力传感器47检测系统 内压。在图24中、x₁、x₂...x_n-1、x_n表示由压力传感器47每隔一定时间Δ 检测到的系统内压。由压力传感器47检测的每隔一定时间Δt的系统内压x₁、x₂...x_n-1、x_n暂且被存储于存储装置。在该实施例中，也制作能够基于 该暂且存储于存储装置的每隔一定时间Δt的系统内压x₁、x₂...x_n-1、x_n，使用神经网络来推定在燃料蒸气排出防止系统是否产生了异常的异常判定 推定模型。

在该实施例中也是，若在燃料蒸气排出防止系统产生异常，则由压力 传感器47检测的系统内压的变化模式成为与图24所示的正常时的系统内 压的变化模式不同的变化模式。接着，参照图25～图32对此进行说明。此 外，在图25～图32中，与图24同样，示出了使清除控制阀14关闭的关闭 指令及使清除控制阀14打开的打开指令、将流路切换阀42切换为通常位 置的切换指令及将流路切换阀42切换为测试位置的切换指令、吸引泵40 的工作指令及吸引泵40的停止指令、由压力传感器47检测的系统内压的 变化。另外，在图25～图32中，虚线示出了图24所示的正常时的系统内 压的变化模式。

图25的实线示出了在压力传感器47产生了异常的情况下由压力传感 器47检测的系统内压的变化模式。若在压力传感器47产生异常而压力传 感器47的输出不再稳定，则如时刻t₀与时刻t₁之间那样，由压力传感器 47检测到的系统内压不再维持为大气压，而是反复变动。因此，该情况下 的系统内压的变化模式成为与正常时的系统内压的变化模式不同的变化模 式。

图26的实线示出了，在产生了即使向吸引泵40发出停止指令吸引泵 40也继续工作(持续工作)的吸引泵40的工作继续异常的情况下，由压 力传感器47检测的系统内压的变化模式。从图26可知，在时刻t₀与时刻 t₂之间，流路切换阀42被切换为图23A所示的通常位置，因此，若此时 使吸引泵40工作，则外气从大气连通管17经由大气连通管连结路44、大气连通路45、第1通路48、大气连通室连结路43、具有节流部51的基准 压力检测通路50及吸引通路46而被吸引。此时，吸引通路46内成为负压， 因此，此时由压力传感器47检测的系统内压如图26所示那样呈现低的值。 因此，该情况下的系统内压的变化模式也成为与正常时的系统内压的变化 模式不同的变化模式。

图27的实线示出了，在产生了即使向吸引泵40发出工作指令吸引泵 40也继续停止(持续停止)的吸引泵40的工作停止异常的情况下，由压 力传感器47检测的系统内压的变化模式。此时，由于燃料蒸气排出防止系 统内的整体成为大气压，所以如图27所示，由压力传感器47检测的系统 内压维持为大气压。因此，该情况下的系统内压的变化模式也成为与正常 时的系统内压的变化模式不同的变化模式。

图28的实线示出了，在产生了流路切换阀42持续固定于图23B所示 的测试位置的流路切换阀42的测试位置固着异常的情况下，由压力传感器 47检测的系统内压的变化模式。在该情况下，若在时刻t₁下使吸引泵40 工作，则外气从大气连通管17经由大气连通管连结路44、大气连通路45、 第1通路48、大气连通室连结路43、具有节流部51的基准压力检测通路 50及吸引通路46而被吸引，由压力传感器47检测的系统内压如图29所 示那样急速下降，并维持为下降了的状态。因此，该情况下的系统内压的 变化模式也成为与正常时的系统内压的变化模式不同的变化模式。

图29的实线示出了，在产生了流路切换阀42持续固定于图23A所示 的通常位置的流路切换阀42的通常位置固着异常的情况下，由压力传感器 47检测的系统内压的变化模式。在该情况下，若在时刻t₁下使吸引泵40 工作，则燃料箱5内及罐6内的空气的吸引作用开始，因此，由压力传感 器47检测的系统内压如图28所示那样逐渐下降。因此，该情况下的系统 内压的变化模式也成为与正常时的系统内压的变化模式不同的变化模式。

图30的实线例如示出了在燃料蒸气流通管12或13的管壁开了小的孔 的情况下的系统内压的变化模式。在该情况下，外气经由小的孔而向系统 内持续流入，因此系统内压不下降至正常时的系统内压，因此，该情况下 的系统内压的变化模式也成为与正常时的系统内压的变化模式不同的变化 模式。

图31的实线示出了产生了即使发出使清除控制阀14关闭的关闭指令 清除控制阀14也继续打开(持续打开)的打开异常时。此时，燃料箱5 内及罐6内成为了大气压。因此，在时刻t₂下，流路切换阀42从图23A 所示的通常位置被切换为图23B所示的测试位置，此时即使吸引泵40工 作，由压力传感器47检测的系统内压也会如图31所示那样上升至大气压 并维持为大气压。因此，该情况下的系统内压的变化模式也成为与正常时 的系统内压的变化模式不同的变化模式。

图32的实线示出了产生了即使发出使清除控制阀14打开的打开指令 清除控制阀14也继续关闭(持续关闭)的关闭异常时。此时，在时刻t₄下，即使发出使清除控制阀14打开的打开指令，清除控制阀14也继续关 闭，因此，燃料箱5内及罐6内维持为负压，由压力传感器47检测的系统 内压如图32所示那样维持为低的状态。因此，该情况下的系统内压的变化模式也成为与正常时的系统内压的变化模式不同的变化模式。

这样，若产生异常，则系统内压的变化模式成为与正常时的系统内压 的变化模式不同的变化模式。于是，在该实施例中也是，如图24所示，在 时刻t₀～时刻t₅的期间xt中，每隔一定时间Δt由压力传感器47检测系统 内压。在图24中、x₁、x₂...x_n-1、x_n示出了由压力传感器47每隔一定时间 Δt检测到的系统内压。由压力传感器47检测到的每隔一定时间Δt的系统 内压x₁、x₂...x_n-1、x_n暂且被存储于存储装置。在该实施例中，也制作能够 基于暂且存储于存储装置的每隔一定时间Δt的系统内压x₁、x₂...x_n-1、x_n， 使用神经网络来推定在燃料蒸气排出防止系统是否产生了异常的异常判定 推定模型。

接着，参照图33对在该异常判定推定模型的制作中使用的神经网络 72进行说明。参照图33，在该神经网络72中，也与图12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 33所示，输入层(L＝1)由n+k个节点构成，n个输入值x₁、x₂...x_n-1、x_n和k个输入值xx₁、xx₂...xx_k-1、xx_k向输入层(L＝1)的各节点输入。在该 情况下，n个输入值x₁、x₂...x_n-1、x_n是图24所示的每隔一定时间Δt的系 统内压x₁、x₂...x_n-1、x_n。

另一方面，在图33中记载了隐藏层(L＝2)及隐藏层(L＝3)，但这些 隐藏层的层数可以设为1个或任意的个数，另外，这些隐藏层的节点的数 量也可以设为任意的个数。另外，在该实施例中，输出层(L＝4)的节点 的数量被设为9个，来自输出层(L＝4)的节点的输出值由y₁’、y₂’、y₃’、 y₄’、y₅’、y₆’、y₇’、y₈’、y₉’表示。这些输出值y₁’、y₂’、y₃’、y₄’、y₅’、y₆’、y₇’、y₈’、y₉’向Softmax层SM送入，被变换为各自对应的输出值y₁、y₂、 y₃、y₄、y₅、y₆、y₇、y₈、y₉。这些输出值y₁、y₂、y₃、y₄、y₅、y₆、y₇、y₈、 y₉的总和是1，各输出值y₁、y₂、y₃、y₄、y₅、y₆、y₇、y₈、y₉表示相对于1 的比例。

图33中的输入值xx₁、xx₂...xx_k-1、xx_k与图12中的输入值xx₁、xx₂... xx_k-1、xx_k相同。关于这些输入值xx₁、xx₂...xx_k-1、xx_k，由于参照图13所 示的一览表已经进行了说明，所以省略关于这些输入值xx₁、xx₂...xx_k-1、 xx_k的说明。

图34示出了图33所示的输出值y₁’、y₂’、y₃’、y₄’、y₅’、y₆’、y₇’、y₈’、 y₉’及输出值y₁、y₂、y₃、y₄、y₅、y₆、y₇、y₈、y₉表示何种状态的一览表。 从图34可知，输出值y₁’及输出值y₁表示在燃料蒸气流通管12或13的管 壁开了小的孔的开孔异常，输出值y₂’及输出值y₂表示清除控制阀14持续 打开的打开异常，输出值y₃’及输出值y₃表示清除控制阀14持续关闭的关闭异常，输出值y₄’及输出值y₄表示压力传感器47的异常，输出值y₅’及 输出值y₅表示流路切换阀42的通常位置固着异常，输出值y₆’及输出值y₆表示流路切换阀42的测试位置固着异常，输出值y₇’及输出值y₇表示吸引 泵40的工作继续异常，输出值y₈’及输出值y₈表示吸引泵40的工作停止 异常，输出值y₉’及输出值y₉表示正常时。

在该实施例中也是，作为图33所示的神经网络72的输入值x₁、x₂... x_n-1、x_n及输入值xx₁、xx₂...xx_k-1、xx_k，可以仅使用图13所示的必需的输 入参数的值，即系统内压x₁、x₂...x_n-1、x_n及大气压xx₁。当然，可以除了 必需的输入参数的值之外还将影响大的输入参数的值设为输入值xx₁、xx₂ ...xx_k-1、xx_k，也可以除了必需的输入参数的值之外还将影响大的输入参数 的值及辅助性的输入参数的值设为输入值xx₁、xx₂...xx_k-1、xx_k。此外，以 下，以除了必需的输入参数的值之外还将影响大的输入参数的值及辅助性 的输入参数的值设为输入值xx₁、xx₂...xx_k-1、xx_k(在该例中，k＝4)的情 况为例，对该实施例进行说明。

在该实施例中也是，首先，使用输入值x₁、x₂...x_n-1、x_n、输入值xx₁、 xx₂...xx_k-1、xx_k及教师数据即正解标签yt，制作图16所示的训练数据组。 在该实施例中也是，在图16中，输入值x₁、x₂...x_n-1、x_n表示由压力传感 器47检测到的每隔一定时间Δt的系统内压，输入值xx₁、xx₂...xx_k-1、xx_k即输入值xx₁、xx₂、xx₃、xx₄分别表示大气压、燃料箱5内的燃料的余量、 燃料箱5内的燃料温度及吸引泵40的流量特性值。

另一方面，在图16中、yt₁...yt_S(在该例中，s＝9)分别表示相对于图 34所示的输出值y₁’、y₂’、y₃’、y₄’、y₅’、y₆’、y₇’、y₈’、y₉’及输出值y₁、 y₂、y₃、y₄、y₅、y₆、y₇、y₈、y₉的教师数据即正解标签。即，在图16中， yt₁表示产生了在燃料蒸气流通管12或13的管壁开有小的孔的开孔异常时 的正解标签，yt₂表示产生了清除控制阀14持续打开的打开异常时的正解标签，yt₃表示产生了清除控制阀14持续关闭的关闭异常时的正解标签， yt₄表示在压力传感器47产生了异常时的正解标签，yt₅表示产生了流路切 换阀42的通常位置固着异常时的正解标签，yt₆表示产生了流路切换阀42 的测试位置固着异常时的正解标签，yt₇表示产生了吸引泵40的工作持续 异常时的正解标签，yt₈表示产生了吸引泵40的工作停止异常时的正解标 签，yt₉表示正常时的正解标签。

在该情况下，例如，在产生了在蒸气流通管12或13的管壁开有小的 孔的开孔异常时，仅正解标签yt₁被设为1，剩余的正解标签yt₂、yt₃、yt₄、 yt₅、yt₆、yt₇、yt₈、yt₉全部被设为零。同样，在产生了清除控制阀14持续 打开的打开异常时，仅正解标签yt₂被设为1，并且剩余的正解标签yt₁、 yt₃、yt₄、yt₅、yt₆、yt₇、yt₈、yt₉全部被设为零，在产生了清除控制阀14 持续关闭的关闭异常时，仅正解标签yt₃被设为1，并且剩余的正解标签 yt₁、yt₂、yt₄、yt₅、yt₆、yt₇、yt₈、yt₉全部被设为零，在压力传感器47产 生了异常时，仅正解标签yt₄被设为1，并且剩余的正解标签yt₁、yt₂、yt₃、yt₅、yt₆、yt₇、yt₈、yt₉全部被设为零，在产生了流路切换阀42的通常位置 固着异常时，仅正解标签yt₅被设为1，并且剩余的正解标签yt₁、yt₂、yt₃、 yt₄、yt₆、yt₇、yt₈、yt₉全部被设为零，在产生了流路切换阀42的测试位置 固着异常时，仅正解标签yt₆被设为1，并且剩余的正解标签yt₁、yt_2、yt₃、 yt₄、yt₅、yt₇、yt₈、yt₉全部被设为零，在产生了吸引泵40的工作持续异常 时，仅正解标签yt₇被设为1，并且剩余的正解标签yt₁、yt₂、yt₃、yt₄、yt₅、 yt₆、yt₈、yt₉全部被设为零，在产生了吸引泵40的工作停止异常时，仅正 解标签yt₈被设为1，并且剩余的正解标签yt₁、yt₂、yt₃、yt₄、yt₅、yt₆、yt₇、 yt₉全部被设为零，在正常时，仅正解标签yt₉被设为1，剩余的正解标签 yt₁、yt₂、yt₃、yt₄、yt₅、yt₆、yt₇、yt₈全部被设为零。

另一方面，如图16所示，在该训练数据组中，取得了表示输入值x₁、 x₂...x_n-1、x_n及输入值xx₁、xx₂...xx_k-1、xx_k与正解标签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. ..x_n-12、x_n2、输入值xx₁₂、xx₂₂...xx_k-12、xx_k2及正解标签yt₁₂...yt_S2，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x_1m-1、x_2m-1...x_n-1m-1、x_nm-1、输入值xx_1m-1、xx_2m-1...xx_k-1m-1、xx_km-1及正解标签yt_Sm-1。

该训练数据组也通过与参照图17已经说明的方法同样的方法来制作。 即，在该情况下，也利用图17所示的试验控制装置81，为了推定在燃料 蒸气排出防止系统是否产生了异常而进行将清除控制阀14、流路切换阀42 及吸引泵40按照预先确定的操作顺序来操作的异常检测处理。此时，燃料 蒸气排出防止系统的状态依次被变更为产生了在燃料蒸气流通管12或13 的管壁开有小的孔的开孔异常的状态、产生了清除控制阀14持续打开的打 开异常的状态、产生了清除控制阀14持续关闭的关闭异常的状态、在压力 传感器47产生了异常的状态、产生了流路切换阀42的通常位置固着异常 的状态、产生了流路切换阀42的测试位置固着异常的状态、产生了吸引泵 40的工作持续异常的状态、产生了吸引泵40的工作停止异常的状态及正 常状态，在变更后的各状态下，一边依次变更大气压、燃料箱5内的燃料的余量、燃料箱5内的燃料温度及吸引泵40的流量特性值的组合，一边反 复进行异常检测处理。

在进行该异常检测处理的期间，取得制作训练数据组所需的数据。图 35示出了为了进行该异常检测处理而在试验控制装置81内执行的异常检 测处理例程。该异常检测处理例程通过每隔图24所示的一定时间Δt的中 断处理而执行。此外，在图35所示的例程中，t表示将在图24中停止内 燃机的运转时的时刻t₀设为零且以该时刻t₀为起点而求出的时刻。

参照图35，首先，在步骤500中进行由压力传感器47检测到的系统 内压x_n的取得及存储。即，如图24所示，每隔一定时间Δt取得系统内压 x_n，每隔一定时间Δt取得的系统内压x_n被存储于试验控制装置81内。接 着，在步骤501中，判别时刻t是否是图24所示的时刻t₁。在时刻t不是 图24所示的时刻t₁时，进入步骤502，判别时刻t是否是图24所示的时 刻t₂。在时刻t不是图24所示的时刻t₂时，进入步骤503，判别时刻t是 否是图24所示的时刻t₄。在时刻t不是图24所示的时刻t₄时，进入步骤 504，判别时刻t是否是图24所示的时刻t₅。在时刻t不是图24所示的时 刻t₅时，结束处理循环。

另一方面，在步骤501中判别为时刻t是图24所示的时刻t₁时，进入 步骤505，发出吸引泵40的工作指令。接着，结束处理循环。另外，在步 骤502中判别为时刻t是图24所示的时刻t₂时，进入步骤506，发出将流 路切换阀42切换为测试位置的切换指令。接着，结束处理循环。另外，在 步骤503中判别为时刻t是图24所示的时刻t₄时，进入步骤507，发出使 清除控制阀14打开的打开指令。接着，结束处理循环。

另一方面，在步骤504中判别为时刻t是图24所示的时刻t₅时，进入 步骤508，发出使清除控制阀14关闭的关闭指令。接着，在步骤509中， 发出将流路切换阀42切换为通常位置的切换指令。接着，在步骤510中， 发出吸引泵40的停止指令。接着，在步骤511中，停止由压力传感器47 检测到的系统内压x_n的取得及存储作用。接着，在步骤512中，结束异常 检测处理。在图17所示的试验控制装置81中，当异常检测处理结束时， 开始下一异常检测处理。

这样，在产生了在燃料蒸气流通管12或13的管壁开有小的孔的开孔 异常的状态、产生了清除控制阀14持续打开的打开异常的状态、产生了清 除控制阀14持续关闭的关闭异常的状态、在压力传感器47产生了异常的 状态、产生了流路切换阀42的通常位置固着异常的状态、产生了流路切换 阀42的测试位置固着异常的状态、产生了吸引泵40的工作持续异常的状 态、产生了吸引泵40的工作停止异常的状态及正常状态的各状态下，大气 压、燃料箱5内的燃料的余量、燃料箱5内的燃料温度及吸引泵40的流量 特性值的组合被变更时的每隔一定时间Δt的系统内压x_n被存储于试验控 制装置81。即，图16所示的训练数据组的No.1～No.m的输入值x_1m、x_2m. ..x_nm-1、x_nm、输入值xx_1m、xx_2m...xx_km-1、xx_km及正解标签yt_sm(m＝1、2、 3…m)被存储于试验控制装置81内。

当这样制作训练数据组后，使用制作出的训练数据组的电子数据来进 行图33所示的神经网络72的权重的学习。在该情况下，图33所示的神经 网络72的权重的学习也使用图19所示的神经网络的权重的学习处理例程 而由图17所示的学习装置82进行。当神经网络72的权重的学习完成后， 神经网络72的完成了学习的权重被存储于学习装置82的存储器84。这样 制作能够推定在燃料蒸气排出防止系统是否产生了异常的异常判定推定模型。

在该实施例中，也使用这样制作出的燃料蒸气排出防止系统的异常判 定推定模型来进行市售车辆中的燃料蒸气排出防止系统的故障诊断，为此， 该燃料蒸气排出防止系统的异常判定推定模型使用图20所示的向电子控 制单元的数据读入例程而向市售车辆的电子控制单元20存储。即，参照图 20，首先，在步骤300中，图33所示的神经网络72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 点数向电子控制单元20的存储器22读入，接着，在步骤301中，基于这 些节点数来制作如图36所示的神经网络73。从图36可知，在该神经网络 73中，Softmax层被除去。此外，在该情况下，也可以在神经网络73如 图33所示那样设置Softmax层SM。接着，在步骤302中，神经网络72 的完成了学习的权重向电子控制单元20的存储器22读入。由此，燃料蒸 气排出防止系统的异常判定推定模型被存储于市售车辆的电子控制单元 20。

在该实施例中也是，作为在市售车辆中执行的燃料蒸气排出防止系统 的异常检测例程，使用图22所示的例程。即使在该实施例中使用了图22 所示的例程的情况下，步骤400～步骤406也与以前说明的内容相同，因此， 关于步骤400～步骤406省略说明。另一方面，关于步骤407以后，与以前 说明的内容有些许不同，因此仅对步骤407以后进行简单说明。

即，在步骤407中，每隔一定时间Δt的系统内压x_nx₁、x₂...x_n-1、x_n及输入值xx₁、xx₂...xx_k-1、xx_k向图36所示的神经网络73的输入层(L＝1) 的各节点输入。此时，从神经网络73的输出层的各节点将输出值y₁’、y₂’、 y₃’、y₄’、y₅’、y₆’、y₇’、y₈’、y₉’输出，由此，在步骤408中，取得输出值 y₁’、y₂’、y₃’、y₄’、y₅’、y₆’、y₇’、y₈’、y₉’。

接着，在步骤409中，从所取得的输出值y₁’、y₂’、y₃’、y₄’、y₅’、y₆’、 y₇’、y₈’、y₉’中选定最大的输出值y_i’。此时，推定为产生了与该最大的输 出值y_i’对应的图34所示的异常状态。因此，在步骤410中，判定为产生 了与该最大的输出值y_i’对应的图34所示的异常状态，例如，点亮表示产 生了与最大的输出值y_i’对应的图34所示的异常状态的警告灯。接着，在 步骤411中，结束异常检测。

这样，在本发明的另一实施例的燃料蒸气排出防止系统的异常检测装 置中，燃料蒸气排出防止系统具备在活性炭层9的两侧分别形成有燃料蒸 气室10和大气压室11的罐6，燃料蒸气室10一方面连通于燃料箱5的燃 料液面上方的内部空间，并且另一方面经由清除控制阀14而连结于内燃机 的进气通路内。而且，燃料蒸气排出防止系统具备能够将大气压室11选择 性地连结于大气和吸引泵40的流路切换阀42，从流路切换阀42朝向大气 压室11的通路43和从流路切换阀42朝向吸引泵40的吸引通路46由具有 节流部51的基准压力检测通路50连结，在从流路切换阀42朝向吸引泵 40的吸引通路46内配置有压力传感器47。在车辆的运转停止时，进行产 生关闭指令、泵工作指令、切换指令以及打开指令的异常检测处理，所述 关闭指令是使清除控制阀14关闭的指令，所述泵工作指令是在车辆的运转 停止后，在将流路切换阀42的切换位置维持为大气压室11连结于大气的 切换位置的状态下经过了预先设定的时间时，使吸引泵40工作以使得使燃 料箱5内及罐6内成为负压的指令，所述切换指令是在泵工作指令产生后， 将流路切换阀42的切换位置切换为大气压室11连结于吸引泵40的切换位 置的指令，所述打开指令是在该切换指令产生后，使清除控制阀14打开的 指令。在进行该异常检测处理时，由压力传感器47每隔一定时间检测到的 燃料箱5内及罐6内的压力被存储于存储装置，存储有如下的完成了学习 的神经网络，所述完成了学习的神经网络将存储于存储装置的每隔一定时 间的燃料箱5内及罐6内的压力及进行了异常检测处理时的至少大气压设 为神经网络的输入参数，且将在上述的系统产生了使燃料蒸气泄漏的开孔 时设为正解标签而进行了权重的学习，在车辆的运转停止时，使用该完成 了学习的神经网络，根据上述的输入参数来检测使燃料蒸气泄漏的开孔异 常。

在该情况下，在本发明的实施例中，存储有如下的完成了学习的神经 网络，所述完成了学习的神经网络将存储于上述的存储装置的每隔一定时 间的燃料箱5内及罐内6的压力及进行了异常检测处理时的至少大气压设 为神经网络的输入参数，且将在燃料蒸气排出防止系统产生了使燃料蒸气 泄漏的开孔时、产生了清除控制阀14持续打开的打开异常时、产生了清除 控制阀14持续关闭的关闭异常时、压力传感器47产生了异常时、产生了流路切换阀42的切换位置维持为使大气压室11连结于大气的切换位置的 切换异常时、产生了流路切换阀42的切换位置维持为使大气压室11连结 于吸引泵40的切换位置的切换异常时、产生了吸引泵40持续工作的异常 时及产生了吸引泵40持续停止的异常时分别设为正解标签而进行了权重 的学习，在车辆的运转停止时，使用该完成了学习的神经网络，根据上述 的输入参数来检测使燃料蒸气泄漏的开孔异常、清除控制阀的打开异常、 清除控制阀的关闭异常、压力传感器的异常、流路切换阀的切换异常及吸 引泵的异常。

而且，在该情况下，在本发明的实施例中，上述的输入参数包括存储 于存储装置的每隔一定时间的燃料箱5内及罐内6的压力、及进行了异常 检测处理时的大气压、和进行了异常检测处理时的燃料箱5内的燃料的余 量。另外，在该情况下，在本发明的实施例中，上述的输入参数包括存储 于存储装置的每隔一定时间的燃料箱5内及罐内6的压力、及进行了异常 检测处理时的大气压、进行了异常检测处理时的燃料箱5的燃料的余量、 燃料箱5的燃料的温度、及表示吸引泵40的能力的指标。

Claims (8)

1.一种燃料蒸气排出防止系统的异常检测装置，

所述燃料蒸气排出防止系统具备在活性炭层的两侧分别形成有燃料蒸气室和大气压室的罐，该燃料蒸气室一方面连通于燃料箱的燃料液面上方的内部空间，并且另一方面经由清除控制阀而连结于内燃机的进气通路内，所述燃料蒸气排出防止系统具备能够将该大气压室选择性地连结于大气和吸引泵的流路切换阀、和检测燃料箱内及罐内的压力的压力传感器，其中，

在车辆的运转停止时，进行产生关闭指令、切换指令以及泵工作指令的异常检测处理，所述关闭指令是使该清除控制阀关闭的指令，所述切换指令是将该流路切换阀的切换位置切换为该大气压室连结于吸引泵的切换位置的指令，所述泵工作指令是使吸引泵工作以使得燃料箱内及罐内部成为负压的指令，

在进行该异常检测处理时，由该压力传感器每隔一定时间检测到的燃料箱内及罐内的压力被存储于存储装置，

存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储于该存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了该异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进行了权重的学习，

在车辆的运转停止时，使用该完成了学习的神经网络，根据上述输入参数来检测使燃料蒸气泄漏的开孔异常。

2.根据权利要求1所述的燃料蒸气排出防止系统的异常检测装置，

上述异常检测处理包括产生在该清除控制阀的关闭指令产生后使该清除控制阀打开的打开指令的处理，

存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储于该存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了该异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述系统产生了使燃料蒸气泄漏的开孔时、产生了清除控制阀持续打开的打开异常时、及产生了清除控制阀持续关闭的关闭异常时分别设为正解标签而进行了权重的学习，

在车辆的运转停止时，使用该完成了学习的神经网络，根据上述输入参数来检测使燃料蒸气泄漏的开孔异常、清除控制阀的打开异常及清除控制阀的关闭异常。

3.根据权利要求1所述的燃料蒸气排出防止系统的异常检测装置，

上述输入参数包括存储于上述存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了上述异常检测处理时的大气压、和进行了上述异常检测处理时的燃料箱的燃料的余量。

4.根据权利要求1所述的燃料蒸气排出防止系统的异常检测装置，

上述输入参数包括存储于上述存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了上述异常检测处理时的大气压、进行了上述异常检测处理时的燃料箱的燃料的余量、燃料箱的燃料的温度、以及表示吸引泵的能力的指标。

5.一种燃料蒸气排出防止系统的异常检测装置，

所述燃料蒸气排出防止系统具备在活性炭层的两侧分别形成有燃料蒸气室和大气压室的罐，该燃料蒸气室一方面连通于燃料箱的燃料液面上方的内部空间，并且另一方面经由清除控制阀而连结于内燃机的进气通路内，所述燃料蒸气排出防止系统具备能够将该大气压室选择性地连结于大气和吸引泵的流路切换阀，从流路切换阀朝向大气压室的通路和从流路切换阀朝向吸引泵的吸引通路由具有节流部的基准压力检测通路连结，在从流路切换阀朝向吸引泵的吸引通路内配置有压力传感器，其中，

在车辆的运转停止时，进行产生关闭指令、泵工作指令、切换指令以及打开指令的异常检测处理，所述关闭指令是使该清除控制阀关闭的指令，所述泵工作指令是在车辆的运转停止后，在将该流路切换阀的切换位置维持为该大气压室连结于大气的切换位置的状态下经过了预先设定的时间时，使吸引泵工作以使得燃料箱内及罐内成为负压的指令，所述切换指令是在泵工作指令产生后，将该流路切换阀的切换位置切换为该大气压室连结于吸引泵的切换位置的指令，所述打开指令是在该切换指令产生后，使该清除控制阀打开的指令，

在进行该异常检测处理时，由该压力传感器每隔一定时间检测到的燃料箱内及罐内的压力被存储于存储装置，

存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储于该存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了该异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述系统产生了使燃料蒸气泄漏的开孔时设为正解标签而进行了权重的学习，

在车辆的运转停止时，使用该完成了学习的神经网络，根据上述输入参数来检测使燃料蒸气泄漏的开孔异常。

6.根据权利要求5所述的燃料蒸气排出防止系统的异常检测装置，

存储有如下的完成了学习的神经网络，所述完成了学习的神经网络将存储于上述存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了该异常检测处理时的至少大气压设为神经网络的输入参数，且将在上述系统产生了使燃料蒸气泄漏的开孔时、产生了清除控制阀持续打开的打开异常时、产生了清除控制阀持续关闭的关闭异常时、压力传感器产生了异常时、产生了流路切换阀的切换位置维持为使该大气压室连结于大气的切换位置的切换异常时、产生了流路切换阀的切换位置维持为使该大气压室连结于吸引泵的切换位置的切换异常时、产生了吸引泵持续工作的异常时、以及产生了吸引泵持续停止的异常时分别设为正解标签而进行了权重的学习，

在车辆的运转停止时，使用该完成了学习的神经网络，根据上述输入参数来检测使燃料蒸气泄漏的开孔异常、清除控制阀的打开异常、清除控制阀的关闭异常、压力传感器的异常、流路切换阀的切换异常及吸引泵的异常。

7.根据权利要求5所述的燃料蒸气排出防止系统的异常检测装置，

上述输入参数包括存储于上述存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了上述异常检测处理时的大气压、和进行了上述异常检测处理时的燃料箱的燃料的余量。

8.根据权利要求5所述的燃料蒸气排出防止系统的异常检测装置，

上述输入参数包括存储于上述存储装置的每隔一定时间的燃料箱内及罐内的压力、及进行了上述异常检测处理时的大气压、进行了上述异常检测处理时的燃料箱的燃料的余量、燃料箱的燃料的温度、以及表示吸引泵的能力的指标。

Images