CN112412642A - 车辆用学习系统、车辆用控制装置以及车辆用学习装置 - Google Patents

Abstract

提供一种车辆用学习系统、车辆用控制装置以及车辆用学习装置，所述车辆用学习系统具备搭载于车辆的第1执行装置、车辆的外部的第2执行装置及存储装置，存储装置存储映射数据，所述映射数据是规定映射的数据且包含通过机器学习而学习后的数据，所述映射是以基于车载传感器的检测值的输入数据为输入并输出输出值的映射，第1执行装置及第2执行装置通过协作执行取得处理、算出处理及关系评价处理，所述取得处理取得输入数据，所述算出处理将输入数据作为映射的输入而算出输出值，所述关系评价处理评价与输出值对应的变量以外的预定的变量与输出值的精度的关系，第1执行装置至少执行取得处理，第2执行装置至少执行所述关系评价处理。

Description

车辆用学习系统、车辆用控制装置以及车辆用学习装置

技术领域

本发明涉及车辆用学习系统、车辆用控制装置以及车辆用学习装置。

背景技术

例如在日本特开平4-91348中提出了具备以作为转速的变化量的旋转变动量为输入、并输出表示在内燃机的多个汽缸中的各汽缸中是否产生了失火(不发火)的值的神经网络(neural network)的装置。

发明内容

通常，在提高通过机器学习而学习后的学习完成模型的可靠性方面，需要预先使用各种状况下的训练数据进行学习。但是，在搭载于车辆之前，关于在实际搭载于车辆的情况下可能产生的各种状况，不一定能够得到足够的训练数据。并且，在不能得到足够的训练数据的情况下，难以验证上述神经网络是否会在搭载于车辆的情况下在各种状况下输出正确的值。

本发明提供一种用于解决上述课题的车辆用学习系统、车辆用控制装置以及车辆用学习装置。

本发明的第1技术方案涉及的车辆用学习系统具备搭载于车辆的第1 执行装置、所述车辆的外部的第2执行装置、以及存储装置。所述存储装置存储映射数据，所述映射数据是规定映射的数据且包含通过机器学习而学习后的数据，所述映射是以基于车载传感器的检测值的输入数据为输入、并输出具有与车辆的既定状态相关的信息的输出值的映射，所述第1执行装置及所述第2执行装置通过协作执行取得处理、算出处理以及关系评价处理，所述取得处理是取得所述输入数据的处理，所述算出处理是将通过所述取得处理取得的所述输入数据作为所述映射的输入而算出所述输出值的处理，所述关系评价处理是评价与所述输出值对应的变量以外的预定的变量与所述输出值的精度的关系的处理，所述第1执行装置至少执行所述取得处理，所述第2执行装置至少执行所述关系评价处理。

根据上述第1技术方案，由第2执行装置来评价基于伴随车辆的行驶而由第1执行装置取得的输入数据的映射的输出值的精度与对应于输出值的变量以外的预定的变量的关系。因此，在伴随车辆的运转而产生的各种状况下，能够验证预定的变量对输出值的精度产生的影响。

在上述第1技术方案中，可以是，所述预定的变量包含与所述输入数据对应的变量以外的变量。

根据上述第1技术方案，评价与输入数据对应的变量以外的变量与映射的输出值的精度的关系，所以能够对是否应该将上述以外的变量包含在向映射的输入变量中、是否应该根据上述以外的变量的值来划分利用的映射、根据上述以外的变量的值来划分利用的映射的情况下的该划分的方法是否妥当等进行验证。

在上述第1技术方案中，可以是，所述映射由被输入所述输入数据并输出所述输出值的函数近似器构成，可以是，所述第2执行装置执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，可以是，所述更新处理包括划分处理，该划分处理是根据所述预定的变量的值将利用的所述映射数据划分为各自分开(各自独立)的数据的处理。

在预定的变量对输出值的精度产生影响的情况下，在提高精度方面，若假设预定的变量不包含在向函数近似器的输入变量中，则考虑将该预定的变量重新追加到输入变量中。另外，若假设在预定的变量包含在向函数近似器的输入变量中的情况下，则考虑例如在函数近似器为神经网络的情况下，能够通过增加中间层的层数等、除了输入维数以外使函数近似器的构造复杂化的方法，来更高精度地掌握预定的变量对输出值产生的影响。但是，这些都有可能使映射的构造复杂化而增大算出输出值所需要的运算的负荷。

因此，根据上述第1技术方案，通过执行根据预定的变量的值将利用的映射划分为各自分开的映射的划分处理，能够减轻针对利用的各映射的、关于与预定的变量的值和输出值的关系相对应的灵敏度的要求，进而能够在抑制映射的构造的复杂化的同时提高输出值的精度。

在上述第1技术方案中，可以是，所述映射由被输入所述输入数据并输出所述输出值的函数近似器构成，可以是，所述存储装置存储多个数据作为所述映射数据，可以是，所述算出处理包括选择处理，该选择处理是根据所述预定的变量的值来选择在所述输出值的算出中利用的所述映射数据的处理，可以是，所述第2执行装置执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，可以是，所述更新处理包括变更处理，该变更处理是变更所述预定的变量的值与所述映射数据的关系的处理。

在预定的变量对输出值的精度产生影响的情况下，在提高精度方面，考虑将预定的变量作为函数近似器的输入变量、或者无论是否包含在输入变量中，例如在函数近似器为神经网络的情况下都增加中间层的层数等方法。但是，这些都有可能使映射的构造复杂化而增大算出输出值所需要的运算的负荷。

针对这一点，根据上述第1技术方案，通过根据预定的变量的值来选择利用的映射，与无论预定的变量的值如何都使用单一的映射的情况相比，能够在减轻用于算出输出值的运算负荷的同时提高输出值的精度。而且，根据上述第1技术方案，通过基于伴随车辆的行驶而算出的输出值的精度与预定的变量的值的关系的验证来变更预定的变量的值与在输出值的算出中利用的映射数据的关系，从而能够将利用的映射与预定的变量的值的关系更新为更合适的关系。

在上述第1技术方案中，可以是，所述第2执行装置执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，可以是，所述更新处理包括追加处理，该追加处理是将所述预定的变量追加到向所述映射的输入变量中的处理。

在输出值的精度因预定的变量的值而受到影响的情况下，认为预定的变量的值与输出值的相关性大。因此，根据上述第1技术方案，通过执行追加处理，能够在基于关系评价处理的评价结果判定为相关性大的情况下，将预定的变量追加到输入变量中。并且，由此，能够基于预定的变量的值算出映射的输出值，从而与不将预定的变量作为输入变量的情况相比，能够高精度地算出输出值。

在上述第1技术方案中，可以是，所述预定的变量包含表示所述车辆的位置信息的变量即位置信息变量。

车辆所处的状况根据地域而不同，有可能因各种要因而对输出值的精度产生影响。因此，根据上述第1技术方案，通过评价位置信息变量与输出值的精度的关系，能够验证输出值的精度是否因地域中特有的各种要因而产生变化，从而能够根据其验证结果来更新映射数据。

在上述第1技术方案中，可以是，所述车辆具备内燃机，所述车载传感器的检测值是检测所述内燃机的状态的值，所述既定状态是所述内燃机的状态。

在上述第1技术方案中，可以是，所述预定的变量包含表示所述内燃机的吸入空气的温度的进气温度变量。

内燃机的燃烧室中的混合气的燃烧状态等根据进气温度而产生变化。因此，根据上述第1技术方案，通过将进气温度包含在与输出值的精度的关系的评价对象中，能够验证输出值的精度是否根据进气温度而产生变化，从而能够根据其验证结果来更新映射数据。

在上述第1技术方案中，可以是，所述预定的变量包含表示所述车辆所处的地点处的大气压的变量即大气压变量。

由于排气通路内的压力根据大气压而不同等原因，大气压可能会对燃烧室内的混合气的燃烧状态产生影响。因此，根据上述第1技术方案，通过将大气压包含在与输出值的精度的关系的评价对象中，能够验证输出值的精度是否根据大气压而产生变化，从而能够根据其验证结果来更新映射数据。

在上述第1技术方案中，可以是，所述预定的变量包含表示搭载于所述车辆的内燃机的曲轴的转速的变量即转速变量。

例如通常根据由转速和负荷规定的动作点来进行内燃机的控制，所以有内燃机的燃烧控制根据转速而不同的倾向。因此，根据上述第1技术方案，通过将转速包含在与输出值的精度的关系的评价对象中，能够验证输出值的精度是否根据转速而产生变化，从而能够根据其验证结果来更新映射数据。

在上述第1技术方案中，可以是，所述存储装置存储规定第1映射的数据即第1映射数据，并存储规定第2映射的数据即第2映射数据，所述第1映射以基于所述车载传感器的检测值的第1输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第1输出值，所述第2映射以基于所述车载传感器的检测值的第2输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第2输出值，可以是，所述第1 执行装置及所述第2执行装置通过协作执行如下处理：第1取得处理，取得基于所述车载传感器的检测值的所述第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入而算出所述第1输出值；第2取得处理，取得基于所述车载传感器的检测值的所述第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入而算出所述第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；以及妥当性判定处理，基于所述相符性判定处理的判定结果来判定所述第2输出值的妥当性，可以是，所述关系评价处理包括求出针对所述预定的变量的值的、所述妥当性判定处理判定为欠缺妥当性的频度分布的处理。

根据上述第1技术方案，能够通过第1输出值与第2输出值是否相符的判定处理来判定第2输出值的妥当性。并且，根据上述第1技术方案，通过求出判定为欠缺妥当性的频度的分布，能够合适地评价预定的变量与输出值的精度的关系。

在上述第1技术方案中，可以是，所述第1执行装置执行所述第1取得处理、所述第1算出处理、所述第2取得处理、所述第2算出处理、所述相符性判定处理、以及发送通过所述相符性判定处理判定为不相符时的所述第2输入数据的车辆侧发送处理，可以是，所述第2执行装置执行接收通过所述车辆侧发送处理发送的数据的车辆外接收处理、所述关系评价处理、以及所述更新处理。

在上述第1技术方案中，可以是，所述第2执行装置执行发送通过所述更新处理更新后的所述第2映射数据的更新数据发送处理，可以是，所述第1执行装置执行接收通过所述更新数据发送处理发送的数据的更新数据接收处理。

根据上述第1技术方案，通过更新数据接收处理，能够在车辆侧更新第2映射数据。

本发明的第2技术方案涉及的车辆用控制装置具备搭载于车辆的执行装置、和存储装置。所述存储装置构成为，存储规定第1映射的数据即第 1映射数据，并存储规定第2映射的数据即第2映射数据，所述第1映射以基于车载传感器的检测值的第1输入数据为输入、并输出作为具有与既定状态相关的信息的输出值的第1输出值，所述第2映射以基于所述车载传感器的检测值的第2输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第2输出值，所述第1映射由被输入所述第1输入数据并输出所述第1输出值的函数近似器构成，所述第2映射由被输入所述第2输入数据并输出所述第2输出值的函数近似器构成，所述执行装置构成为执行如下处理：第1取得处理，取得基于所述车载传感器的检测值的所述第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入而算出所述第1输出值；第2取得处理，取得基于所述车载传感器的检测值的所述第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为所述第2 映射的输入而算出所述第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；以及车辆侧发送处理，发送通过所述相符性判定处理判定为不相符时的所述第2输入数据。

本发明的第3技术方案涉及的车辆用学习装置具备车辆的外部的执行装置。所述执行装置构成为执行如下处理：第1取得处理，取得基于所述车辆中的车载传感器的检测值的第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为第1映射的输入而算出第1 输出值；第2取得处理，取得基于所述车载传感器的检测值的第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为第2映射的输入而算出第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；车辆外接收处理，接收在通过所述相符性判定处理判定为不相符的情况下，从所述车辆发送的所述第2输入数据；妥当性判定处理，基于所述相符性判定处理的判定结果来判定所述第2输出值的妥当性；关系评价处理，评价与所述第2输出值对应的变量以外的预定的变量与所述第2输出值的精度的关系；以及更新处理，基于所述关系评价处理的评价结果来更新第2映射数据，所述关系评价处理包括求出针对所述预定的变量的值的、所述妥当性判定处理判定为欠缺妥当性的频度的分布的处理，所述更新处理包括划分处理，该划分处理是根据所述预定的变量的值将利用的所述第2映射数据划分为各自分开的数据的处理。

附图说明

以下将参照附图说明本发明的示例性实施方式的特征、优点以及技术和产业意义，在附图中相似的附图标记表示相似的要素，并且其中：

图1是示出第1实施方式涉及的车辆用学习系统的构成的图。

图2是示出第1实施方式涉及的控制装置所执行的处理的步骤的流程图。

图3是示出第1实施方式涉及的控制装置所执行的处理的步骤的流程图。

图4是示出第1实施方式涉及的系统所执行的处理的步骤的流程图。

图5是示出第1实施方式涉及的发送数据的图。

图6是示出第1实施方式涉及的系统所执行的处理的步骤的流程图。

图7是例示出第1实施方式涉及的映射数据的划分处理的图。

图8是例示出第1实施方式涉及的映射数据的划分处理的图。

图9是例示出第1实施方式涉及的映射数据的划分处理的图。

图10是示出第2实施方式涉及的选择处理的步骤的流程图。

图11是示出第2实施方式涉及的系统所执行的处理的步骤的流程图。

图12是示出更新前的评价映射数据的区域划分的图。

图13是示出第3实施方式涉及的系统所执行的处理的步骤的流程图。

图14是示出第4实施方式涉及的车辆用学习系统所执行的处理的框图。

图15是示出第5实施方式涉及的车辆用学习系统所执行的处理的框图。

图16是示出第6实施方式涉及的车辆用学习系统所执行的处理的框图。

图17是示出第7实施方式涉及的车辆用学习系统所执行的处理的框图。

具体实施方式

第1实施方式

以下，参照附图对与车辆用学习系统有关的第1实施方式进行说明。

在搭载于图1所示的车辆VC1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被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。通过燃料喷射阀20向燃烧室18喷射燃料。在燃烧室18中，空气与燃料的混合气通过点火装置22的火花放电而被用于燃烧，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。此外，进气通路12与排气通路28通过 EGR通路32而连接，EGR通路32的流路截面积由EGR阀34来调整。

在内燃机10的曲轴24能够经由变矩器50连结有变速装置54的输入轴56。变矩器50具备锁止离合器52，通过使锁止离合器52成为接合状态，曲轴24与输入轴56连结。在变速装置54的输出轴58机械地连结有驱动轮60。

在曲轴24结合有曲轴转子40，在该曲轴转子40设置有表示曲轴24 的多个旋转角度中的每一个旋转角度的齿部42。此外，在本实施方式中，例示出34个齿部42。在曲轴转子40基本上按10°CA间隔设置齿部42，但是设置有1处相邻的齿部42之间的间隔为30°CA的部位即缺齿部44。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 等内燃机10的操作部进行操作。另外，控制装置70以变矩器50为控制对象，为了控制作为其控制量的锁止离合器52的接合状态而对锁止离合器 52进行操作。另外，控制装置70以变速装置54为控制对象，为了控制作为其控制量的齿轮比而对变速装置54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、锁止离合器52、以及变速装置54各自的操作信号MS1～MS6。

控制装置70在进行控制量的控制时，参照按除了缺齿部44之外每隔 10°CA设置的齿部42间的每个角度间隔来输出脉冲的曲轴角传感器80的输出信号Scr、由空气流量计82检测的吸入空气量Ga、由进气温度传感器84检测的被吸入进气通路12的进气的温度(进气温度Ta)。另外，控制装置70参照由排气温度传感器86检测的流入催化剂30的排气的温度(排气温度Tex)、由设置于催化剂30的上游侧的上游侧空燃比传感器88 检测的上游侧空燃比Afu、由设置于催化剂30的下游侧的下游侧空燃比传感器90检测的下游侧空燃比Afd。另外，控制装置70参照由水温传感器 92检测的内燃机10的冷却水的温度(水温THW)、由档位传感器94检测的变速装置54的档位Vsft、由大气压传感器96检测的大气压Pa。另外，控制装置70参照由车速传感器98检测的车辆VC1的行驶速度(车速V)、由加速度传感器100检测的车辆VC1的上下方向的加速度Gy、基于全地球定位系统(GPS102)的位置数据Pgps。

控制装置70具备CPU72、ROM74、作为能够电改写的非易失性存储器的存储装置76、通信机77、以及周边电路78，它们能够通过局域网79 进行通信。此外，周边电路78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。另外，在存储装置76中存储有实用映射数据76a 及评价映射数据76b。在此，实用映射数据76a是为了监视内燃机10的失火而实际上利用的数据。与此相对，评价映射数据76b是成为其可靠性的评价的对象的数据，不是为了监视内燃机10的失火而利用的数据。此外，评价映射数据76b在进行了某种程度的基于机器学习的学习的状态下安装于控制装置70。

控制装置70通过CPU72执行存储于ROM74的程序来执行上述控制量的控制。例如，CPU72以使得上游侧空燃比Afu成为目标值的方式操作燃料喷射阀20。另外，例如，CPU72根据内燃机10的运转状态来操作EGR 阀34，以对从排气通路28经由EGR通路32流入进气通路12的排气的流量(EGR量)进行开环控制。另外，在ROM74中存储有失火检测程序 74a、再学习子程序74b。在此，再学习子程序74b是用于执行评价映射数据76b的再学习的程序。

上述通信机77是用于经由车辆VC1的外部的网络110与数据解析中心120进行通信的设备。数据解析中心120解析从多个车辆VC1、VC2、···发送的数据。数据解析中心120具备CPU122、ROM124、存储装置126、通信机127、以及周边电路128，它们能够通过局域网129进行通信。在 ROM124中存储有再学习主程序124a，该再学习主程序124a规定基于从多个车辆VC1、VC2、···发送的数据来使评价映射数据76b进行再学习的处理。另外，在存储装置126中存储有再学习用数据126a，该再学习用数据126a是从多个车辆VC1、VC2、···发送的、用于使由评价映射数据76b 规定的映射进行再学习的数据。

在图2中示出通过CPU72执行存储于ROM74的失火检测程序74a 而实现的处理的一部分。图2所示的处理是利用了实用映射数据76a的处理。图2所示的处理例如按预定周期反复执行。此外，以下，由在开头标注有“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 (S10)。微小旋转时间T30是曲轴24旋转30°CA所需要的时间，由CPU72 基于曲轴角传感器80的输出信号Scr而算出。接着，CPU72将在S10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，则将微小旋转时间T30[m]的变量“m”设为越大的值(S12)。即，设为“m＝1，2，3，···”，将即将进行S12的处理前的微小旋转时间 T30[m-1]设为微小旋转时间T30[m]。由此，例如，在上次执行图2的处理时通过S10的处理取得的微小旋转时间T30成为微小旋转时间T30[1]。此外，微小旋转时间T30[0]、T30[1]、T30[2]、···中的在时序上相邻的微小旋转时间T30彼此表示互相相邻的30°CA的角度间隔的旋转所需要的时间，上述角度间隔不具有重叠的部分。

接着，CPU72判定在S10的处理中取得的微小旋转时间T30是否为汽缸#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(S14)。并且，CPU72在判定为是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(S14：是(YES))，为了判定成为了压缩上止点的汽缸有无失火，将“T30[0]-T30[6]”代入成为判定对象的汽缸#i的旋转变动量Δω(i)(S16)。即，通过从成为失火的判定对象的汽缸的压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间，减去在成为失火的判定对象的汽缸之前上一个成为压缩上止点的汽缸的压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间，从而将旋转变动量Δω定量化。

接着，CPU72判定旋转变动量Δω(i)是否为规定量Δωth以上(S18)。该处理是判定在成为失火的判定对象的汽缸中是否产生了失火的处理。在此，CPU72基于规定内燃机10的动作点的转速NE及充气效率η而可变地设定规定量Δωth。

详细而言，在将以转速NE及充气效率η为输入变量并以规定量Δωth 为输出变量的映射数据预先存储于存储装置76的状态下，由CPU72对规定量Δωth进行映射运算。此外，映射数据是指输入变量的离散的值与分别对应于输入变量的值的输出变量的值的数据组。另外，映射运算例如是如下的处理即可：在输入变量的值与映射数据的输入变量的值中的任一个一致的情况下，将对应的映射数据的输出变量的值作为运算结果，与此相对，在均不一致的情况下，将通过包含在映射数据中的多个输出变量的值的插值处理而得到的值作为运算结果。

转速NE由CPU72基于曲轴角传感器80的输出信号Scr而算出。在此，转速NE是在曲轴24旋转比压缩上止点的出现间隔(在本实施方式中为180°CA)大的角度间隔时的转速的平均值。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简单的平均值，例如也可以是指数移动平均处理，总之，只要算出除去了以压缩上止点的出现间隔程度变动的高阶成分后的低频成分即可。另外，充气效率η由CPU72基于转速NE及吸入空气量Ga而算出。

S16、S18的处理是使用了实用映射数据76a的处理。即，实用映射数据76a规定以微小旋转时间T30[0]和微小旋转时间T30[6]为输入、并输出与在成为判定对象的汽缸中是否产生了失火相应的逻辑值作为输出值的映射。此外，此处的逻辑值是与旋转变动量Δω(i)为规定量Δωth以上这一意思的命题是真还是假相关的值。

CPU72在判定为是规定量Δωth以上的情况下(S18：是)，判定为在汽缸#i中产生了失火(S20)。接着，CPU72使汽缸#i的失火计数CN(i) 递增(S22)。然后，CPU72判定“从在失火计数CN(i)初始化的状态下最初执行S18的处理起经过预定期间”与“从进行后述的S28的处理起经过预定期间”的逻辑或是否为真(S24)。并且，CPU72在判定为逻辑或为真的情况下(S24：是)，判定失火计数CN(i)是否为阈值CNth以上(S26)。 CPU72在判定为小于阈值CNth的情况下(S26：否(NO))，将失火计数 CN(i)初始化(S28)。

与此相对，CPU72在判定为是阈值CNth以上的情况下(S26：是)，操作图1所示的警告灯104以向用户报知产生了异常的消息(S30)。

此外，CPU72在S28、S30的处理完成、或者在S14、S24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。在图3中示出通过 CPU72执行存储于ROM74的失火检测程序74a而实现的处理的一部分的步骤。图3所示的处理是使用了评价映射数据76b的处理。

在图3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)、转速NE以及充气效率η(S40)。在此，微小旋转时间T30(1)、T30(2)、···与图2的微小旋转时间T30[1]、 T30[2]···不同，尤其是，关于微小旋转时间T30(1)、T30(2)、···，括号中的数字越大，则表示是越靠后的值。此外，微小旋转时间T30(1)～T30 (24)分别是将720°CA的旋转角度区域按30°CA进行等分而得到的24 个角度间隔各自中的旋转时间。

接着，CPU72将通过S40的处理取得的值代入由评价映射数据76b规定的映射的输入变量x(1)～x(26)(S42)。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。另外，CPU72将转速NE代入输入变量x(25)，将充气效率η代入输入变量x(26)。

接着，CPU72通过将输入变量x(1)～x(26)输入到由评价映射数据76b规定的映射来算出失火变量P(1)～P(5)的值(S44)。在此，若设为“i＝1～4”，则失火变量P(i)是在汽缸#i中产生了失火的概率高的情况下成为比该概率低的情况下大的值的变量。另外，失火变量P(5)是在汽缸#1～#4中的任一个中均没有产生失火的概率高的情况下成为比该概率低的情况下大的值的变量。

详细而言，由评价映射数据76b规定的映射是中间层为1层的神经网络。上述神经网络包括系数w(1)ji(j＝0～n，i＝0～26)和激活函数h1(x)，所述激活函数h1(x)是对由系数w(1)ji规定的线性映射的输出分别进行非线性变换的非线性映射。在本实施方式中，例示出双曲正切函数作为激活函数h1(x)。w(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

另外，上述神经网络包括系数w(2)kj(k＝1～5，j＝0～n)和softmax 函数，所述softmax函数是分别以由系数w(2)kj规定的线性映射的输出即原型变量y(1)～y(5)为输入、并输出失火变量P(1)～P(5)的函数。

接着，CPU72确定失火变量P(1)～P(5)中的最大的变量(S46)。然后，CPU72判定最大的失火变量P(q)是失火变量P(1)～P(4)中的任一个还是失火变量P(5)(S48)。并且，CPU72在判定为是失火变量 P(1)～P(4)中的任一个的情况下(S48：是)，判定为在汽缸#q中产生了失火(S50)。

此外，CPU72在S50的处理完成、或者在S48的处理中判定为否的情况下，暂时结束图3所示的一系列的处理。在图4中示出与本实施方式涉及的评价映射数据76b的再学习相关的处理的一部分的步骤。图4的左侧所示的处理通过CPU72执行图1所示的存储于ROM74的再学习子程序 74b来实现。另外，图4的右侧所示的处理通过CPU122执行存储于 ROM124的再学习主程序124a来实现。

在图4的左侧所示的一系列的处理中，CPU72首先判定是否处于评价映射数据76b的可靠性的验证期间(S60)。具体而言，在本实施方式中，将以下的期间设为验证期间。

(a)水温THW为预定温度以下的期间：在水温THW低的情况下，燃烧容易变得不稳定，与水温THW高的情况相比难以提高失火的检测精度，所以将该期间包含在验证期间中。

(b)进气温度Ta为规定温度以下的期间：在进气温度Ta低的情况下，燃烧容易变得不稳定，与进气温度Ta高的情况相比难以提高失火的检测精度，所以将该期间包含在验证期间中。

(c)催化剂30的预热处理的执行期间：在催化剂30的预热处理的执行期间中，由于进行降低了燃烧效率的燃烧，所以燃烧容易不稳定化，与催化剂30的预热后相比难以提高失火的检测精度，所以将该期间包含在验证期间中。

(d)充气效率η为预定值以下的期间：在轻负荷下，与负荷高的情况相比，燃烧容易不稳定化，与中、高负荷相比难以提高失火的检测精度，所以将该期间包含在验证期间中。

(e)转速NE的每预定时间的变化量ΔNE成为预定值以上的期间：在过渡运转时，与稳定运转时相比，失火的检测精度容易降低，所以将该期间包含在验证期间中。

CPU72在判定为处于验证期间的情况下(S60：是)，判定标志F是否为“1”(S62)。在此，标志F在基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果不一致的情况下成为“1”，在一致的情况下成为“0”。CPU72在判定为标志F为“0”的情况下(S62：否)，判定基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果是否不一致(S64)。在同一燃烧循环中的基于图2的S18的处理的4次判定结果均与基于图3的S46的处理的判定结果不相符的情况下， CPU72判定为不一致。即，在例如虽然在S18的处理中判定为汽缸#1的旋转变动量Δω(1)为规定量Δωth以上，但在S46的处理中选择了P(5) 的情况下，CPU72判定为不一致。

CPU72在判定为不一致的情况下(S64：是)，将“1”代入标志F(S66)。接着，CPU72使计数C递增(S68)。与此相对，CPU72在判定为标志F 为“1”的情况下(S62：是)，判定基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果是否一致(S70)。并且，CPU72 在判定为不一致的情况下(S70：否)，移至S68的处理，另一方面，在判定为一致的情况下(S70：是)，将“0”代入标志F(S72)。然后，CPU72 判定计数C是否比最大值C0大(S74)。并且，CPU72在判定为比最大值 C0大的情况下(S74：是)，将最大值C0更新为当前的计数C的值，并且更新旋转时间集合GrT30及额外信息集合GrE(S76)。

详细而言，如图5所示，旋转时间集合GrT30是3燃烧循环量的微小旋转时间T30(1)～T30(72)的集合。但是，微小旋转时间T30(49) ～T30(72)被更新为与通过最近的S70的处理判定为基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果一致的燃烧循环对应。在此，在最大值C0为“2”以上的情况下，微小旋转时间T30(1) ～T30(24)和微小旋转时间T30(25)～T30(48)均对应于基于图2的处理的失火的判定结果与基于图3所示的处理的失火的判定结果不一致的燃烧循环。此外，最大值C0的初始值为零。

另外，额外信息集合GrE由转速NE、充气效率η、燃烧控制模式值 MC、进气温度Ta、大气压Pa、变速装置54的档位Vsft、接合状态值Vrc、表示车辆VC1所行驶的路面的状态的变量的值(路面状态值SR)、以及表示车辆VC1的位置的变量即位置变量的值(位置数据Pgps)构成。在此，接合状态值Vrc是表示锁止离合器52的接合状态的变量的逻辑值，在处于接合状态的情况下成为“1”，在不是接合状态的情况下成为“0”。另外，路面状态值SR在车辆VC1所行驶的路面的凹凸明显的情况下成为“1”，在该凹凸不明显的情况下成为“0”。此外，路面状态值SR在加速度Gy 的绝对值的预定期间中的平均值为预定以上的情况下为“1”即可。优选，构成额外信息集合GrE的各数据是在S70的处理中判定为是的燃烧循环之前的燃烧循环中的值。

返回到图4，CPU72在S76的处理完成、或者在S74的处理中判定为否的情况下，将计数C初始化(S78)。并且，CPU72在S68、S78的处理完成、或者在S60、S64的处理中判定为否的情况下，判定是否为行程的结束时(S80)。在此，行程是指车辆的行驶许可信号为接通状态的1次期间。在本实施方式中，行驶许可信号相当于点火信号。CPU72在判定为行程结束的情况下(S80：是)，操作通信机77，将与失火变量P(1)～P(5) 中的最大的变量相关的信息“q”、最大值C0、旋转时间集合GrT30、以及额外信息集合GrE向数据解析中心120发送(S82)。然后，CPU72将最大值C0初始化(S84)，并暂时结束图4的左侧所示的一系列的处理。此外，CPU72在S80的处理中判定为否的情况下，也暂时结束图4的左侧所示的一系列的处理。

与此相对，如图4的右侧所示，CPU122接收与失火变量P(1)～P(5) 中的最大的变量相关的信息“q”、最大值C0、旋转时间集合GrT30、以及额外信息集合GrE(S90)。然后，CPU122在图1所示的显示装置112 上显示由旋转时间集合GrT30表现的与曲轴24的旋转举动相关的波形数据，并且显示最大值C0、额外信息集合GrE(S92)。这是向熟练方提供熟练方能够判断是否产生了失火的信息的处理。即，如果是熟练方，则通过观看波形数据，能够高精度地判断是否产生了失火。并且，此时，通过参照额外信息集合GrE的信息，是否产生了失火的判断变得更可靠。由此，熟练方能够基于是否产生了失火的判断来判断使用了评价映射数据76b的失火判定是否为误判定。

当通过熟练方操作图1所示的接口114而输入判断结果时，CPU122 取得该判断结果(S94)。然后，CPU122判定通过接口114的操作输入的判断结果是否为“使用了评价映射数据76b的失火判定是误判定”这一意思的判断(S96)。并且，CPU122在是“是误判定”这一意思的判断的情况下(S96：是)，将通过S90的处理接收到的数据中的微小旋转时间T30 (25)～T30(48)、额外信息集合GrE、以及基于熟练方的是否失火的判断结果存储为再学习用数据126a(S98)。再学习用数据126a包含基于不仅从车辆VC1、还从搭载有与内燃机10同一规格的内燃机的其他车辆 VC2、···接收到的数据的数据。

此外，CPU122在S96的处理中判定为否、或者完成S98的处理的情况下，暂时结束图4的右侧所示的一系列的处理。通过上述处理，评价映射数据76b进行误判定的情况下的输入数据、和与之相关的数据被作为再学习用数据126a储存于存储装置126。然后，当再学习用数据126a成为预定量以上时，CPU122执行图6所示的处理。

图6示出与本实施方式涉及的评价映射数据76b的再学习相关的处理的一部分的步骤。图6的左侧所示的处理通过CPU72执行存储于图1所示的ROM74的再学习子程序74b来实现。另外，图6的右侧所示的处理通过CPU122执行存储于ROM124的再学习主程序124a来实现。此外，以下，按照与评价映射数据76b的再学习相关的处理的时序对图6所示的处理进行说明。

在图6的右侧所示的一系列的处理中，CPU122首先按对应的车辆在进行信息发送时所处的各地域对再学习用数据126a进行分类，并针对这些分类后的每个地域计测由评价映射数据76b规定的映射的输出为误输出的数据数，从而制作各地域的误输出分布数据(S100)。此外，误输出的数据是在S96的处理中判定为误判定的数据。在本实施方式中，由国家或比国家小的分区来定义地域。例如，在土地面积为预定值以下的情况下，将韩国、中国台湾地区等地区设为一个分区。与此相对，在土地面积大的中国等的情况下，例如将西藏自治区、四川省等、对国家进行划分的省等设为一个分区。

该处理是用于验证是否存在因每个地域的车辆VC所处的状况的差异而在失火的判定精度上产生差异的情况的处理。即，验证例如是否存在如下情况：由于向内燃机10供给的燃料的性质的地域性、某些无法想到的地域性，特定的地域中的使用评价映射数据76b进行的判定处理的精度比其他地域低。

然后，CPU122判定在通过S100的处理划分而成的地域中是否存在误输出率成为阈值Rth1以上的地域(S102)。并且，CPU122在判定为存在成为阈值Rth1以上的地域的情况下(S102：是)，将利用评价映射数据76b 的地域划分为成为阈值Rth1以上的地域和除此以外的地域(S104)。即，决定对在成为阈值Rth1以上的地域中利用的评价映射数据76b和在除此以外的地域中利用的评价映射数据76b分别进行更新。

在图7中例示出在区域A1中误输出率成为阈值Rth1以上的情况。在该情况下，CPU122决定生成在区域A1中利用且在区域A1以外不利用的区域A1专用的评价映射数据76b。

返回到图6，CPU122在S104的处理完成、或者在S102的处理中判定为否的情况下，按根据进气温度Ta及大气压Pa划分的区域对构成再学习用数据126a的数据进行分类，并针对分类后的每个区域计测误输出的数据数，从而制作误输出分布数据(S106)。此外，在此，在已经执行了S104 的处理的情况下，对于在S102的处理中判定为为阈值Rth1以上的地域和除此以外的地域，分别制作根据进气温度Ta及大气压Pa划分的区域中的误输出分布数据。

该处理是用于验证是否因进气温度Ta、大气压Pa的差异而在失火的判定精度上产生差异的处理。即，在进气温度Ta低的情况下，与进气温度Ta高的情况相比，内燃机10的燃烧容易变得不稳定，所以验证失火的检测精度是否降低。另外，若大气压Pa不同则排气通路28内的压力不同，即使EGR阀34的开度相同，从排气通路28经由EGR通路32流入进气通路12的排气的流量也不同。因此，在如本实施方式那样操作EGR阀34 以对从排气通路28经由EGR通路32流入进气通路12的排气的流量进行开环控制的情况下，从排气通路28经由EGR通路32流入进气通路12的排气的流量根据大气压Pa而产生变化，燃烧状态变得不同。验证失火的检测精度是否根据燃烧状态而降低。

然后，CPU122判定在根据进气温度Ta及大气压Pa划分的区域中是否存在误输出率成为阈值Rth2以上的区域(S108)。并且，CPU122在判定为存在成为阈值Rth2以上的区域的情况下(S108：是)，将利用评价映射数据76b的区域划分为成为阈值Rth2以上的区域和除此以外的区域 (S110)。即，决定对在成为阈值Rth2以上的区域中利用的评价映射数据 76b和在除此以外的区域中利用的评价映射数据76b分别进行更新。

例如，如图8所示，对于根据进气温度Ta及大气压Pa划分的区域中的区域A2，决定与除此以外的区域分开地更新评价映射数据76b。此外，在S102的处理中判定为是的地域中存在在S108的处理中判定为是的区域的情况下，决定针对在S102的处理中判定为是的地域中的在S108的处理中判定为是的区域和除此以外的区域这些区域、以及在S102的处理中判定为是的地域以外的地域，分别更新评价映射数据76b即可。由此，例如，图7所例示的区域A1专用的评价映射数据76b被划分为图8所例示的区域A2专用的数据和区域A2以外的区域专用的数据。

返回到图6，CPU122在S110的处理完成、或者在S108的处理中判定为否的情况下，按根据转速NE及燃烧控制模式划分的区域对构成再学习用数据126a的数据进行分类，并针对分类后的每个区域计测误输出的数据数，从而制作误输出分布数据(S112)。然后，CPU122判定在根据转速 NE及燃烧控制模式划分的区域中是否存在误输出率成为阈值Rth3以上的区域(S114)。

该处理是用于验证是否存在因转速NE、燃烧控制模式而在失火的判定精度上产生差异的情况的处理。即，例如因在催化剂30的预热控制模式下，进行降低燃烧效率而提高排气温度的控制等原因，所以对是否与不进行这样的控制的情况相比，因燃烧容易不稳定化而失火的判定精度降低进行验证。另外，例如因在转速NE低的情况下，曲轴24的惯性能量小，所以旋转容易不稳定化，另外，基于转速NE及充气效率η来操作各种操作部等原因，所以对失火的判定精度是否根据转速NE而降低进行验证。

在图9中例示出本实施方式中的、根据转速NE及燃烧控制模式划分出的区域。在本实施方式中，根据燃烧控制模式值MC而划分为怠速运转的模式、催化剂30的预热控制模式、以及除此以外的模式，并且，除此以外的模式被划分为低转速区域和除此以外的区域。

此外，在已经执行了S104的处理的情况下，CPU122针对在S102的处理中判定为为阈值Rth1以上的地域和除此以外的地域，分别制作误输出分布数据。另外，在已经执行了S110的处理的情况下，CPU122针对在 S108的处理中判定为为阈值Rth2以上的区域和除此以外的区域，分别制作误输出分布数据。

返回到图6，CPU122在判定为在图9所示的区域中存在成为阈值Rth3 以上的区域的情况下(S114：是)，对于成为阈值Rth3以上的区域，按每个档位Vsft、接合状态值Vrc、充气效率η、以及路面状态值SR研究误输出分布(S116)。

该处理是用于验证是否存在失火的判定精度根据变速装置54的变速比、锁止离合器52的接合状态、充气效率η、车辆VC1所行驶的路面有无凹凸而产生差异的情况的处理。即，从曲轴24到变速装置54的输出轴 58的转动惯量(moment of inertia)根据变速装置54的变速比、锁止离合器52的接合状态而不同，所以曲轴24的旋转举动不同，对是否存在在预定的转动惯量下失火的判定精度降低的情况进行验证。另外，曲轴24的旋转举动根据路面的凹凸而产生变化，所以对在凹凸明显的情况下，与在平坦的路面上进行行驶的情况相比，失火的判定精度是否大幅度地降低进行验证。另外，在充气效率η小的情况下，与充气效率η大的情况相比，因燃烧室18中的燃烧能量小而曲轴24的旋转举动容易变得不稳定，所以验证失火的判定精度是否大幅度地降低。

然后，CPU122将利用评价映射数据76b的区域划分为误输出率成为了阈值Rth3以上的区域和除此以外的区域(S118)。具体而言，决定对在成为阈值Rth3以上的区域中使用的评价映射数据76b和在除此以外的区域中使用的评价映射数据76b分别进行更新。

在图9中例示出如下情况：在既不是怠速运转模式也不是催化剂预热控制模式且为低转速的区域中，在充气效率η为预定值η1以下、且档位 Vsft为预定的位置、且接合状态值Vrc为预定值、且路面状态值SR为“1”的区域A3的情况下，误输出率超过阈值Rth3。此外，在区域A3存在于图7所例示的区域A1中的情况下，例如，将区域A1专用的评价映射数据 76b划分为区域A3专用的数据和除此以外的数据即可。另外，例如，在区域A3存在于在图8中例示出的区域A2中的情况下，例如将区域A2专用的评价映射数据76b划分为区域A3专用的数据和除此以外的数据即可。进而，例如，在区域A3存在于图7所例示的区域A1中的图8所例示的区域A2中的情况下，例如，将属于区域A1及区域A2双方的专用的评价映射数据76b划分为区域A3专用的数据和除此以外的数据即可。

返回到图6，CPU122在S118的处理完成、或者在S114的处理中判定为否的情况下，对通过S104、S110、S118的处理划分的每个区域的评价映射数据76b进行再学习(S120)。即，例如在更新在区域A1中使用的评价映射数据76b的情况下，CPU122仅使用再学习用数据126a中的在区域A1中发送的数据来更新评价映射数据76b。另外，例如，在更新在属于区域A1且属于区域A2的情况下利用的评价映射数据76b时，仅使用再学习用数据126a中的在位于区域A1的车辆的驾驶环境属于区域A2的情况下发送的数据来更新评价映射数据76b。此外，CPU122在S102、S108、 S114各自的处理中判定为否的情况下，使用所有再学习用数据126a来更新评价映射数据76b。

具体而言，CPU72选择性地使用相应的再学习用数据126a作为训练数据，更新作为评价映射数据76b的完成了学习的参数的系数w(1)ji、 w(2)kj。即，CPU72将训练数据中的微小旋转时间T30、转速NE、充气效率η作为输入变量x(1)～x(26)并算出失火变量P(1)～P(5)，另一方面，基于与熟练方的是否失火的判断结果相关的数据生成教师数据。例如，若熟练方的判断是汽缸#1失火的意思的判断，则设为P(1)＝1且 P(2)～P(5)＝0。另外，例如，若熟练方的判断是正常的意思的判断，则设为P(1)～P(4)＝0且P(5)＝1。并且，以使得教师数据与神经网络所输出的失火变量P(1)～P(5)之差的绝对值变小的方式，通过周知的方法来更新系数w(1)ji、w(2)kj。

此外，在数据解析中心120中的失火变量P(1)～P(5)的算出处理中，需要系数w(1)ji、w(2)kj的信息、激活函数h1、以及在神经网络的输出层使用softmax函数这一意思的信息。关于上述信息，例如，可以在图6的右侧的处理之前从CPU122向控制装置70发出“发送与上述信息相关的数据”这一指示，另外，例如也可以预先存储于存储装置126。

然后，CPU122操作通信机127，将更新后的系数w(1)ji、w(2) kj作为完成了再学习的参数向车辆VC1、VC2、···中的成为对象的车辆发送(S122)。即，例如，将更新后的评价映射数据76b中的图7所例示的区域A1专用的系数w(1)ji、w(2)kj选择性地向车辆VC1、VC2、···中的位于区域A1的车辆发送。此外，CPU122在S122的处理完成的情况下，暂时结束图6的右侧所示的一系列的处理。

另一方面，如图6的左侧所示，CPU72判定是否从数据解析中心120 发送了完成了再学习的参数(S130)。并且，CPU72在判定为存在完成了再学习的参数的情况下(S130：是)，接收系数w(1)ji、w(2)kj(S132)，并更新存储于存储装置76的评价映射数据76b(S134)。

此外，CPU72在S134的处理完成、或者在S130的处理中判定为否的情况下，暂时结束图6的左侧所示的一系列的处理。在此，对本实施方式的作用及效果进行说明。

CPU72基于实用映射数据76a来执行图2所示的处理而监视内燃机 10的有无失火，在频繁产生失火的情况下，执行报知处理以应对该情况。另外，CPU72基于评价映射数据76b来执行图3所示的处理并执行基于评价映射数据76b的失火判定。并且，CPU72判定使用了评价映射数据76b 的失火判定结果与使用了实用映射数据76a的失火判定结果是否相符，在判定为不相符的情况下，除了用于评价映射数据76b的失火判定的输入数据以外，还将位置数据Pgps、进气温度Ta、大气压Pa等向数据解析中心 120发送。这是用于评价映射数据76b的学习有可能不充分的情况的处理。

与此相对，CPU122在显示装置112显示从CPU72发送的输入数据等。由此，熟练方基于表示曲轴24的旋转举动的波形数据等来判断是否产生了失火，并基于此来判断使用了评价映射数据76b的有无失火的判定是否为误判定。CPU122在熟练方的判断结果是使用了评价映射数据76b的有无失火的判定为误判定这一意思的判断的情况下，将从车辆侧发送的数据的至少一部分作为再学习用数据126a存储于存储装置126。

并且，CPU122当再学习用数据126a成为预定量以上时，判定在根据位置数据Pgps、进气温度Ta、大气压Pa等划分的区域中的特定的区域中，使用了评价映射数据76b的判定处理的精度是否特别低。并且，在存在特别低的区域的情况下，CPU122通过仅使用与该区域相关的训练数据来更新评价映射数据76b，从而生成在进入该区域的情况下利用的专用的评价映射数据76b。由此，能够在不使由评价映射数据76b规定的映射的构造复杂化的同时提高失火的判定精度。

即，例如在图7所例示的区域A1中失火的判定精度特别低的情况下，认为在区域A1存在特有的使判定精度降低的情况。与此相对，即使仅是积累了大量的再学习用数据126a，并使用这些所有的数据进行了再学习，也不一定容易在不使评价映射数据76b的构造复杂化的同时提高失火的判定精度。这是因为若在区域A1中存在使失火的判定精度降低的特有的情况，则在区域A1和除此以外的区域中系数w(1)ji、w(2)kj的最佳值可能不同。当然，例如若增加中间层的层数、或者进行还将位置数据Pgps 添加到向由评价映射数据76b规定的映射的输入中等输入的维数的增加，则有可能能够在区域A1和除此以外的区域双方中提高失火的判定精度。但是，在该情况下，由评价映射数据76b规定的映射的构造复杂化，使用了该映射的失火的判定处理的运算负荷变大。与此相对，在本实施方式中，在存在失火的判定精度低的区域的情况下，通过生成在该区域中使用的专用的评价映射数据76b，能够在不使由评价映射数据76b规定的映射的构造复杂化的同时提高失火的判定精度。

并且，CPU122将更新后的系数w(1)ji、w(2)kj作为完成了再学习的数据向车辆VC1、VC2、···中的相应的车辆发送。例如，CPU122将区域A1专用的系数w(1)ji、w(2)kj向位于区域A1的车辆发送。由此，在位于区域A1的车辆中，将评价映射数据76b更新为在区域A1中提高了评价精度的评价映射数据76b。

之后，在通过图4的处理而利用产生了不一致时的熟练方的判断判明了评价映射数据76b的可靠性比实用映射数据76a的可靠性高的情况下，在被发送了更新后的系数w(1)ji、w(2)kj的车辆中，能够将更新后的评价映射数据76b作为实用映射数据76a而用于失火的监视。进而，也可以从一开始就将基于搭载于多个车辆VC1、VC2、···的原始数据的学习完成模型(映射数据)作为实用映射数据搭载于在新开发的具备同一汽缸数的内燃机的车辆中搭载的控制装置。

第2实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第2实施方式进行说明。

在本实施方式中，评价映射数据76b由低转速用映射数据和高转速用映射数据构成，评价使用了它们的失火判定的精度。在图10中示出评价映射数据76b的选择处理的步骤。图10所示的处理通过CPU72例如按预定周期反复执行存储于ROM74的失火检测程序74a来实现。

在图10所示的一系列的处理中，CPU72判定转速NE是否为预定速度NEth以上(S124)。并且，CPU72在判定为为预定速度NEth以上的情况下(S124：是)，选择评价映射数据76b中的高转速用映射数据(S126)。高转速用映射数据是将转速NE为预定速度NEth以上时的输入变量x(1) ～x(26)作为训练数据而进行了学习后的数据。与此相对，CPU72在判定为小于预定速度NEth的情况下(S124：否)，选择评价映射数据76b中的低转速用映射数据(S128)。低转速用映射数据是将转速NE小于预定速度 NEth时的输入变量x(1)～x(26)作为训练数据而进行了学习后的数据。

此外，CPU72在S126、S128的处理完成的情况下，暂时结束图10 所示的一系列的处理。在图11中示出与本实施方式涉及的评价映射数据 76b的再学习相关的处理的一部分的步骤。图11的左侧所示的处理通过 CPU72执行存储于图1所示的ROM74的再学习子程序74b来实现。另外，图11的右侧所示的处理通过CPU122执行存储于ROM124的再学习主程序124a来实现。此外，在图11所示的处理中，为了方便，对与图6所示的处理对应的处理标注相同的步骤编号。

在图11的右侧所示的一系列的处理中，CPU122首先按转速NE对再学习用数据126a进行分类，并针对这些分类后的每个转速NE计测误判定的数据数，从而制作针对转速NE的误输出分布数据(S140)。此外，在此，设为用于定义误输出分布的转速NE的粒度比是否为预定速度NEth以上的二值的粒度小。接着，CPU72判定在以转速NE划分的多个区域中是否存在误输出率成为阈值Rth4以上的区域(S142)。

CPU72在判定为存在为阈值Rth4以上的区域的情况下(S142：是)，变更划分评价映射数据76b的区域(S144)。即，例如在成为阈值Rth4以上的区域是小于预定速度NEth的区域的一部分的情况下，将小于预定速度NEth的区域划分为成为阈值Rth4以上的区域和除此以外的区域。

CPU72在S144的处理完成的情况下，执行S120、S122的处理，另一方面，在S142的处理中判定为否的情况下，暂时结束图11的右侧所示的一系列的处理。

在图12中示出本实施方式涉及的评价映射数据76b的更新例。图12 的左侧示出更新前的评价映射数据76b的利用区域的划分，根据是否为预定速度NEth以上，将高转速用映射数据及低转速用映射数据中的任一个用于失火的判定。与此相对，图12的右侧示出更新后的评价映射数据76b 的利用区域的划分，根据转速NE将三个映射数据中的任一个用于失火的判定。在该例子中，在预定速度NEth附近，在使用了高转速用映射数据的失火判定和使用了低转速用映射数据的失火判定双方中，误输出率成为了阈值Rth4以上，所以新追加了中转速用映射数据。

像这样，根据本实施方式，在根据转速NE而利用多个映射中的任一个的设定中，在根据转速NE使用哪一个这一设定本身在将失火的判定精度维持得高这方面不令人满意的情况下，变更转速NE与用于失火判定的映射的对应关系本身。由此，在根据转速NE划分用于失火判定的映射时，能够找到更合适的划分。

第3实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第3实施方式进行说明。

在本实施方式中，对于不是向由评价映射数据76b规定的映射的输入变量x(1)～x(26)的变量，在根据该变量划分的区域的一部分中误输出率变得明显的情况下，将该变量追加到输入变量中。

在图13中示出与本实施方式涉及的评价映射数据76b的再学习相关的处理的一部分的步骤。图13的左侧所示的处理通过CPU72执行存储于图1所示的ROM74的再学习子程序74b来实现。另外，图13的右侧所示的处理通过CPU122执行存储于ROM124的再学习主程序124a来实现。此外，在图13所示的处理中，为了方便，对与图6所示的处理对应的处理标注相同的步骤编号。

在图13的右侧所示的一系列的处理中，CPU122首先按每个进气温度 Ta对再学习用数据126a进行分类，并针对这些分类后的每个进气温度Ta 计测误判定的数据数，从而制作针对进气温度Ta的误输出分布数据 (S150)。接着，CPU72判定在根据进气温度Ta划分的多个区域中是否存在误输出率成为阈值Rth5以上的区域(S152)。CPU72在判定为存在为阈值Rth5以上的区域的情况下(S152：是)，将与进气温度相关的变量追加到向由评价映射数据76b规定的映射的输入变量中(S154)。即，将输入变量从26维变更为27维。

CPU72在S154的处理完成的情况下，执行S120、S122的处理。此外，在本实施方式中的S120的处理中，将所有再学习用数据126a用作训练数据。进而，也可以是，例如在与内燃机10具有同一规格的内燃机的曲轴 24连接测功机(dynamometer)等，通过在预定的条件下停止来自燃料喷射阀20的燃料喷射并使内燃机10工作而产生失火，并且在试验台上生成训练数据，并追加地使用该训练数据。

第4实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第4实施方式进行说明。

本实施方式涉及的实用映射数据76a及评价映射数据76b是规定如下映射的数据，该映射是输出表示不均的变量即不均变量Inb的值的映射，所述不均是为了将多个汽缸#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。

在图14中示出本实施方式涉及的车辆用学习系统所执行的处理。图 14所示的处理是通过CPU72执行存储于ROM74的程序而实现的处理、和通过CPU122执行存储于ROM124的程序而实现的处理。

不均检测处理M10(1)是使用实用映射数据76a算出不均变量Inb (1)的值的处理。不均检测处理M10(1)包括基于上游侧空燃比Afu的每预定时间的变化量算出不均变量Inb(1)表现出浓侧的值时的该值的处理。另外，不均检测处理M10(1)包括基于微小旋转时间T30的变动算出不均变量Inb(1)表现出稀侧的值时的该值的处理。

不均检测处理M10(2)是使用评价映射数据76b算出不均变量Inb (2)的值的处理。不均检测处理M10(2)是使用如下神经网络算出不均变量Inb(2)的值的处理，该神经网络将由微小旋转时间T30(1)～T30 (24)构成的时序数据和该期间中的上游侧空燃比Afu的时序数据作为输入、并输出不均变量Inb(2)的值。

再学习用子处理M12包括如下处理：在不均变量Inb(1)与不均变量Inb(2)之差的绝对值成为预定值以上的情况下，判定为使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符。另外，再学习用子处理M12包括将预定的数据向数据解析中心120发送的处理。在此，在作为发送对象的数据中，除了产生了不相符时的在不均变量 Inb(2)的算出中使用的微小旋转时间T30及上游侧空燃比Afu以外，还包含在时序上与它们相邻的微小旋转时间T30的时序数据和上游侧空燃比 Afu的时序数据。这是为了使熟练方能够基于曲轴24的旋转举动、上游侧空燃比Afu的举动更准确地判断不均变量Inb(2)是否为正确的值。

另外，作为发送对象的数据包含产生了不相符时的、作为表示内燃机 10的动作点的变量即动作点变量的值的转速NE及充气效率η。动作点变量的值是用于使熟练方能够更准确地判断不均变量Inb(2)是否为正确的值的数据，并且是用于验证不均变量Inb(2)的精度是否根据动作点而产生差异的数据。

另外，作为发送对象的数据包含燃烧控制模式值MC。在本实施方式中，作为燃烧控制模式值MC，例示出对与目标空燃比的值相应的模式、为了催化剂30的再生处理而进行使排气温度上升的控制的模式、以及除此以外的模式进行识别的燃烧控制模式值MC。这是鉴于汽缸间的实际的空燃比的偏差对曲轴24的旋转举动、上游侧空燃比Afu产生的影响根据上述燃烧控制模式的差异而不同。因此，燃烧控制模式值MC是用于使熟练方能够更准确地判断不均变量Inb(2)是否为正确的值的数据，并且是用于验证是否根据其值而不均变量Inb(2)的精度产生差异的数据。

另外，成为发送对象的数据包含进气温度Ta、大气压Pa、档位Vsft、接合状态值Vrc、路面状态值SR、以及位置数据Pgps。这些数据的意义与上述第1实施方式同样。

CPU122执行基于图4的右侧及图6的右侧的处理作为再学习处理 M14。此外，作为基于图4的处理的处理，包括如下处理：在数据解析中心120中作为不均变量Inb的值而言被认为合适的值与由评价映射数据 76b规定的映射的输出值之差的绝对值为预定值以上的情况下，设为误输出。另外，在本实施方式中，示出在评价各地域的误输出率之后，进行根据动作点变量划分的每个区域的误输出率的评价的例子。在图14中例示出如下情况：根据基于位置数据Pgps的误输出率的差异，位于区域A4的车辆的误输出率成为阈值以上，在区域A4中也是，在根据动作点变量划分的区域进入区域A5的情况下，误输出率变得特别大。详细而言，示出如下的例子：在区域A5中，在根据燃烧控制模式值MC、进气温度Ta、大气压Pa、档位Vsft、接合状态值Vrc、以及路面状态值SR划分的预定的区域中，误输出率变得特别大。因此，在处于区域A5且进入预定的区域的情况下和其他情况下，CPU122将区域A4专用的评价映射数据76b更新为各自分开(各自独立)的数据。

第5实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第5实施方式进行说明。

本实施方式涉及的实用映射数据76a及评价映射数据76b是规定如下映射的数据，该映射输出表示催化剂30的劣化程度的劣化变量RD的值。在图15中示出本实施方式涉及的车辆用学习系统所执行的处理。图15所示的处理是通过CPU72执行存储于ROM74的程序而实现的处理、和通过 CPU122执行存储于ROM124的程序而实现的处理。

催化剂劣化检测处理M20(1)是使用实用映射数据76a算出劣化变量RD(1)的值的处理。催化剂劣化检测处理M20(1)是如下的处理：在下游侧空燃比Afd从稀反转为浓的正时执行主动控制，以使得在流入催化剂30的排气中存在过剩的氧，并基于到下游侧空燃比Afd从浓反转为稀为止的期间中的向催化剂30的氧的流入量算出劣化变量RD(1)的值。

催化剂劣化检测处理M20(2)是使用评价映射数据76b算出劣化变量RD(2)的值的处理。催化剂劣化检测处理M20(2)是通过如下神经网络算出劣化变量RD(2)的值的处理，该神经网络将催化剂30的上游侧空燃比Afu的时序数据、下游侧空燃比Afd的时序数据、转速NE、充气效率η、以及催化剂30的温度(催化剂温度Tcat)作为输入、并输出劣化变量RD(2)。此外，催化剂温度Tcat例如设为排气温度Tex的1阶滞后(日语：1次遅れ)处理值即可。

再学习用子处理M22包括如下处理：在同一行程中算出的劣化变量 RD(1)的值与劣化变量RD(2)的值之差的绝对值成为预定值以上的情况下，判定为使用了实用映射数据76a的判定结果与使用了评价映射数据 76b的判定结果不相符。另外，再学习用子处理M22包括将预定的数据向数据解析中心120发送的处理。在此，作为发送对象的数据包含产生了不相符时的在劣化变量RD的算出中使用的输入变量的值。另外，作为发送对象的数据包含与产生了不相符时的在劣化变量RD的算出中使用的上游侧空燃比Afu及下游侧空燃比Afd在时序上相邻的上游侧空燃比Afu的时序数据及下游侧空燃比Afd的时序数据。这是为了使得在数据解析中心120 中，能够基于上游侧空燃比Afu、下游侧空燃比Afd的举动更准确地判断劣化变量RD(2)是否为正确的值。

另外，发送对象中包括吸入空气量Ga。这是因为：下游侧空燃比Afd 的举动容易受到吸入空气量Ga的影响，所以对劣化变量RD(2)的精度是否根据吸入空气量Ga的值而大幅度地降低进行验证。

另外，发送对象中包括充气效率η的预定时间中的极大值与极大值之差即变化量Δη。这是因为：在燃烧室18中成为燃烧对象的混合气的空燃比根据充气效率η的变动而产生变化，所以对劣化变量RD(2)的精度是否根据变化量Δη而大幅度地降低进行验证。

另外，发送对象中包括位置数据Pgps。这是因为：燃料中的酒精浓度等燃料性质根据地域而不同，所以对劣化变量RD(2)的值的精度是否根据地域而大幅度地降低进行验证。

CPU122执行基于图4的右侧及图6的右侧的处理作为再学习处理 M24。此外，作为基于图4的处理的处理，包括如下处理：在数据解析中心120中作为劣化变量RD的值而言被认为合适的值与由评价映射数据 76b规定的映射的输出值之差的绝对值为预定值以上的情况下，设为误输出。另外，在本实施方式中，示出在评价各地域的误输出率之后，进行根据吸入空气量Ga划分的每个区域的误输出率的评价的例子。在图15中例示出如下情况：根据基于位置数据Pgps的误输出率的差异，位于区域A6 的车辆的误输出率成为阈值以上，在区域A6中，在根据吸入空气量Ga 划分的三个区域中的一个区域A7中，误输出率变得特别大。详细而言，示出在区域A7中的变化量Δη为预定量以上的区域中，误输出率特别大的例子。因此，在根据吸入空气量Ga划分的三个区域中的区域A7中变化量Δη为预定量以上的情况下和其他情况下，CPU122分别对区域A6专用的评价映射数据76b进行更新。

第6实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第6实施方式进行说明。

在本实施方式中，作为催化剂30，例示出搭载有捕集粒子状物质(PM) 的过滤器的催化剂，将实用映射数据76a及评价映射数据76b设为规定输出堆积于过滤器的PM量即PM堆积量DPM的映射的数据。

在图16中示出本实施方式涉及的车辆用学习系统所执行的处理。图 16所示的处理是通过CPU72执行存储于ROM74的程序而实现的处理、和通过CPU122执行存储于ROM124的程序而实现的处理。

堆积量推定处理M30(1)是使用实用映射数据76a算出PM堆积量 DPM(1)的处理。堆积量推定处理M30(1)是利用确定转速NE及充气效率η与PM堆积量DPM的基础值的关系的映射数据、确定点火正时aig 与PM堆积量DPM的修正量的关系的映射数据、以及确定水温THW与 PM堆积量DPM的修正量的关系的映射数据，算出PM堆积量DPM(1) 的处理。

堆积量推定处理M30(2)是使用评价映射数据76b算出PM堆积量 DPM(2)的处理。堆积量推定处理M30(2)是使用如下神经网络算出 PM堆积量DPM(2)的处理，该神经网络将转速NE、充气效率η、上游侧空燃比Afu、催化剂温度Tcat、点火正时aig、以及水温THW作为输入、输出PM堆积量DPM(2)的变化量。

再学习用子处理M32包括如下处理：在PM堆积量DPM(1)与PM 堆积量DPM(2)之差的绝对值成为预定值以上的情况下，判定为使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符。另外，再学习用子处理M32包括将由到在内燃机10启动后产生了不相符的时间点为止的期间中的PM堆积量DPM(2)的算出中使用的输入数据构成的时序数据等作为发送对象进行发送的处理。在此，之所以发送时序数据，是为了在数据解析中心120中基于时序数据算出PM堆积量 DPM，并判定PM堆积量DPM(2)的妥当性。

作为上述发送对象的数据包含燃烧控制模式值MC。在本实施方式中，作为燃烧控制模式值MC，例示出对与目标空燃比的值相应的模式、为了过滤器的再生处理而进行使排气温度上升的控制的模式、以及除此以外的模式进行识别的燃烧控制模式值MC。这是为了验证PM堆积量DPM(2) 的推定精度是否根据上述燃烧控制模式的差异而产生变化。

另外，作为发送对象的数据包含从内燃机10启动时起的经过时间Ts。这是因为：在刚启动后不久，燃料容易附着于汽缸壁面等，容易产生PM，所以对在刚启动后不久和除此以外的期间之间是否在PM堆积量DPM(2) 的推定精度上产生差异进行验证。

另外，作为发送对象的数据包含位置数据Pgps及进气温度Ta。原因与通过再学习用子处理M12发送这些数据的原因同样。

CPU122执行基于图4的右侧及图6的右侧的处理作为再学习处理 M34。此外，作为基于图4的处理的处理，包括如下处理：在数据解析中心120中作为PM堆积量DPM的值而言被认为合适的值与由评价映射数据76b规定的映射的输出值之差的绝对值为预定值以上的情况下，设为误输出。另外，在本实施方式中，示出在评价各地域的误输出率之后，进行根据经过时间Ts划分的每个区域的误输出率的评价的例子。在图16中例示出如下情况：根据基于位置数据Pgps的误输出率的差异，位于区域A8 的车辆的误输出率成为阈值以上，在区域A8中，在经过时间Ts为预定时间Ts1以下的区域A9中，误输出率变得特别大。另外，在图16中示出即使在经过时间Ts比预定时间Ts1大的区域，在燃烧控制模式值MC成为预定值的区域A9中，误输出率也变得特别大的例子。因此，CPU122在经过时间Ts为预定时间Ts1以下的区域、经过时间Ts比预定时间Ts1大且燃烧控制模式值MC为预定值的区域、以及其他区域中，分别将区域 A8专用的评价映射数据76b更新为各自分开的数据。

第7实施方式

以下，以与第1实施方式的不同点为中心，参照附图对第7实施方式进行说明。

本实施方式涉及的实用映射数据76a及评价映射数据76b是规定输出催化剂30的温度(催化剂温度Tcat)的映射的数据。在图17中示出本实施方式涉及的车辆用学习系统所执行的处理。图17所示的处理是通过 CPU72执行存储于ROM74的程序而实现的处理、和通过CPU122执行存储于ROM124的程序而实现的处理。

催化剂温度推定处理M40(1)是使用实用映射数据76a算出催化剂温度Tcat(1)的处理。催化剂温度推定处理M40(1)是执行以排气温度 Tex为输入的1阶滞后滤波处理、并将其输出值设为催化剂温度Tcat(1) 的处理。

催化剂温度推定处理M40(2)是使用评价映射数据76b算出催化剂温度Tcat(2)的处理。催化剂温度推定处理M40(2)是使用如下的神经网络算出催化剂温度Tcat(2)的处理，所述神经网络是以排气温度Tex、转速NE、充气效率η、以及上游侧空燃比Afu各自的时序数据、和催化剂温度Tcat(2)的上次值为输入的神经网络。

再学习用子处理M42包括在催化剂温度Tcat(1)与催化剂温度Tcat (2)之差的绝对值成为预定值以上的情况下，判定为使用了实用映射数据 76a的判定结果与使用了评价映射数据76b的判定结果不相符的处理。另外，再学习用子处理M42包括向数据解析中心120发送数据的处理。

作为发送对象的数据包含由到在内燃机10启动后产生了不相符的时间点为止的期间中的催化剂温度Tcat(2)的算出中使用的输入数据构成的时序数据。在此，之所以发送时序数据，是为了在数据解析中心120中，根据时序数据算出催化剂温度Tcat，并判定催化剂温度Tcat(2)的妥当性。

作为发送对象的数据包含燃烧控制模式值MC。在本实施方式中，作为燃烧控制模式值MC，例示出对与目标空燃比的值相应的模式、为了催化剂30的再生处理而进行使排气温度上升的控制的模式、以及除此以外的模式进行识别的燃烧控制模式值MC。这是为了验证上述燃烧控制模式的差异对催化剂温度Tcat(2)的推定精度的影响。

另外，作为发送对象的数据包含吸入空气量Ga。这是因为：催化剂 30与空气的热交换根据吸入空气量Ga而不同，所以对吸入空气量Ga对催化剂温度Tcat(2)的推定精度的影响进行验证。

另外，作为发送对象的数据包含车速V。这是为了验证行驶风对催化剂温度Tcat(2)的推定精度的影响。另外，作为发送对象的数据包含进气温度Ta。在此，进气温度Ta是外气的温度的替代。这是因为：催化剂 30与外气的热梯度根据外气温度而产生变化，所以对外气温度对催化剂温度Tcat(2)的推定精度的影响进行验证。

CPU122执行基于图4的右侧及图6的右侧的处理作为再学习处理 M44。此外，作为基于图4的处理的处理，包括如下处理：在数据解析中心120中作为催化剂温度Tcat的值而言被认为合适的值与由评价映射数据 76b规定的映射的输出值之差的绝对值为预定值以上的情况下，设为误输出。另外，在本实施方式中，示出最初进行根据吸入空气量Ga划分为三个区域的每个区域的误输出率的评价的例子。在图13中例示出如下情况：在根据吸入空气量Ga划分出的三个区域中的一个区域A11中，在车速V 为预定速度以上且进气温度Ta为预定温度以下的情况下，误输出率变得特别大。因此，CPU122在区域A11中车速V为预定速度以上且进气温度 Ta为预定温度以下的情况下更新专用的评价映射数据76b。

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。第1执行装置对应于CPU72及ROM74，第2执行装置对应于CPU122及ROM124。存储装置对应于存储装置76。映射数据对应于评价映射数据76b。取得处理对应于S40的处理。关系评价处理对应于S100、 S102、S106、S108、S112、S114、S116的处理。预定的变量的值对应于图 6中的位置数据Pgps、进气温度Ta、大气压Pa、燃烧控制模式值MC、档位Vsft、接合状态值Vrc、充气效率η、以及路面状态值SR、图11的转速NE、图13的进气温度Ta等。函数近似器对应于神经网络，更新处理对应于S104、S110、S118、S120的处理，划分处理对应于S104、S110、 S118的处理。函数近似器对应于神经网络，更新处理对应于S120、S144 的处理，变更处理对应于S144的处理。更新处理对应于S120、S154的处理，追加处理对应于S154的处理。第1映射数据对应于实用映射数据76a，第1取得处理对应于S10的处理，第1算出处理对应于S16、S18的处理。相符性判定处理对应于S64、S70的处理。妥当性判定处理对应于S92～S96 的处理。车辆侧发送处理对应于S82的处理，车辆外接收处理对应于S90 的处理。更新数据发送处理对应于S122的处理，更新数据接收处理对应于S132的处理。车辆用控制装置对应于控制装置70。车辆用学习装置对应于数据解析中心120。

其他实施方式

此外，本实施方式能够如以下那样进行变更而实施。本实施方式及以下的变更例能够在技术上不矛盾的范围内彼此进行组合而实施。

·关于车辆的既定状态

作为在映射的输出中包含信息的车辆的既定状态，不限于在上述实施方式中例示出的状态。例如，作为内燃机的状态，也可以是以下的状态。

(a)与空燃比传感器的响应性的劣化相关的状态

在该情况下，在使用了作为第1映射数据的实用映射数据76a进行的劣化判定处理中，也可以从通常的空燃比反馈控制脱离而利用使空燃比交替地大幅变化为稀和浓的主动控制。并且，将实用映射数据76a设为如下数据即可，该数据基于到通过主动控制而上游侧空燃比Afu从浓反转为稀、或从稀反转为浓为止所需要的时间等，算出劣化变量的值。另外，作为第 2映射数据的评价映射数据76b，设为规定如下神经网络的数据即可，该神经网络将喷射量的时序数据和上游侧空燃比Afu的时序数据作为输入、并输出表示有无劣化的劣化变量的值。在该情况下，也可以在没有执行主动控制时进行基于第2映射的劣化变量的值的算出处理。另外，在从车辆向数据解析中心120发送的数据中的除输入数据以外的数据中也可以包含转速NE、充气效率η。由此，在数据解析中心120中，能够验证是否存在误输出率高的动作点变量。

(b)与催化剂的氧吸藏量相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为如下映射数据即可，该映射数据将上游侧空燃比Afu的平均值与下游侧空燃比Afd 的平均值之差作为输入变量、并将表示氧吸藏量的变量即吸藏量变量的值作为输出变量。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将实际的燃料量相对于与氧不多不少地反应的燃料量的过剩不足量、催化剂的温度的预定期间中的累计值、以及吸藏量变量的上次值作为输入、并输出吸藏量变量的值。另外，在从车辆向数据解析中心120发送的数据中的除输入数据以外的数据中也可以包含催化剂30内的流体的流量。由此，在数据解析中心120中，能够验证是否存在误输出率高的流量。

(c)与内燃机的有无爆震(knocking)相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为规定如下映射的数据即可，该映射通过爆震传感器的检测值的累计值与判定值的大小比较，输出表示是否爆震的逻辑值。另外，作为第2映射数据的评价映射数据76b也可以设为规定如下神经网络的数据，该神经网络将爆震传感器的检测值的时序数据作为输入、并输出燃烧室18内的压力的峰值。在该情况下，在峰值为阈值以上的情况下判定为产生了爆震即可。另外，在从车辆向数据解析中心120发送的数据中的除输入数据以外的数据中也可以包含例如转速NE及充气效率η。由此，在CPU122中，能够验证是否存在误输出率高的动作点区域。

(d)与向燃料喷射阀20供给的燃料的温度相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为将转速NE、充气效率η以及水温THW作为输入变量、并将燃料的温度作为输出变量的映射数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的映射即可，该神经网络将转速NE、充气效率η、基于燃料喷射阀20的燃料的喷射量、进气温度Ta、车速V、燃料的温度的上次值作为输入、并输出燃料的温度。另外，将从车辆向数据解析中心120发送的数据设为从内燃机10启动时起的神经网络的输出值及输入数据即可。由此，在数据解析中心120中能够推定燃料的温度随时间的推移。进而，在发送的数据中也可以包含例如点火正时、水温THW等。由此，在CPU122 中，能够验证在根据点火正时、水温THW划分的特定的区域中误输出率是否变高。不过，即使仅发送从内燃机10启动时起的神经网络的输出值及输入数据，在数据解析中心120中也能够验证根据动作点变量划分的特定的区域中误输出率是否变高。

(e)有无清除(purge)系统的异常

在该情况下，在具备捕集燃料箱内的燃料蒸气的罐、和调整罐与进气通路之间的清除路径的流路截面积的清除阀的清除系统中，可以考虑在清除路径存在孔的情况下判定为异常的映射。在该情况下，作为第1映射数据的实用映射数据76a设为规定如下映射的数据即可，该映射在将清除阀打开而使罐内的压力降低了之后将清除阀关闭时的压力的上升速度为阈值以上的情况下输出存在异常这一意思的逻辑值。另外，作为第2映射数据的评价映射数据76b，设为规定如下神经网络的数据即可，该神经网络将罐内的压力的时序数据和大气压Pa作为输入、并输出与有无孔相应的输出值。另外，除了神经网络的输出值及输入数据以外，从车辆向数据解析中心120发送的数据还可以设为燃料箱内的燃料剩余量。由此，能够验证燃料剩余量对输出值的精度产生的影响。

(f)EGR率

在此，EGR率是从EGR通路32流入进气通路12的流体的流量相对于从进气通路12流入燃烧室18的流体的流量的比例。在该情况下，作为第1映射数据的实用映射数据76a设为将转速NE及充气效率η作为输入变量、并将EGR率作为输出变量的映射数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将转速NE、充气效率η、进气通路12内的压力、以及吸入空气量Ga作为输入变量、并输出EGR率。

在该情况下，在从车辆向数据解析中心120发送的数据中，例如，除了产生了不相符时的在EGR率的算出中使用的输入数据以外，还可以包含大气压Pa、进气温度Ta、水温THW。由此，能够验证大气压Pa、进气温度Ta、水温THW对输出值的精度产生的影响。

(g)与窜漏气体送出路有无泄漏相关的状态

在此，前提是具备连接内燃机10的曲轴箱与进气通路12的窜漏气体送出路。在该情况下，在窜漏气体送出路设置压力传感器，作为第1映射的实用映射数据76a设为基于由压力传感器检测的压力与基于转速NE及充气效率η的判定值的大小比较而输出表示有无异常的值的数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将转速NE、充气效率η、以及吸入空气量Ga与通过节气门14的进气量之差作为输入变量、并输出表示有无异常的值。

在该情况下，通过从车辆向数据解析中心120发送表示有无产生了不相符时的异常的值的算出中使用的输入数据，例如能够验证动作点变量对输出值的精度产生的影响。

此外，作为车辆的既定状态，不限于内燃机的状态。例如，在如下述“关于车辆”一栏中所记载的那样具备旋转电机的车辆中，也可以是蓄积向旋转电机供给的电力的电池的状态。

·关于车辆侧发送处理

(a)失火的情况

在图4的处理中，发送了3燃烧循环量的微小旋转时间T30的时序数据，但不限于此。例如，也可以是使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符时的微小旋转时间T30(25) ～T30(48)、和从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30(49)～T30(72)这2燃烧循环量的时序数据。

在图4的处理中，除使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符时的微小旋转时间T30(25)～T30(48) 以外，还发送了从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30(49)～T30(72)，但不限于此。例如，也可以发送判定为相符的状态下的微小旋转时间T30的时序数据、和从判定为相符的状态转移到判定为不相符的状态时的微小旋转时间T30的时序数据。

作为发送对象的时序数据中的、转移到判定为相符的状态时的微小旋转时间T30的时序数据不限于1燃烧循环量的时序数据。例如，在处于如“关于第2映射数据”一栏中所记载的那样、基于1次的输入的输出值仅输出1个汽缸的失火变量的值等情况、并且输入数据本身是比1燃烧循环短的期间中的微小旋转时间T30的时序数据的情况下，设为与其相应的时序数据。当然，构成向映射的输入变量的微小旋转时间T30的时序数据、与转移到判定为相符的状态时的微小旋转时间T30的时序数据，也不必须是具有相同长度的区间内的微小旋转时间T30。

在图4的处理中，在1行程中发送1次与连续判定为不相符的次数成为最大的情况对应的、3燃烧循环量的微小旋转时间T30的时序数据，但不限于此。例如，也可以在1行程中发送1次与连续判定为不相符的次数成为最大的情况对应的、连续判定为不相符的期间中的微小旋转时间T30 的全部、和从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30的1燃烧循环量的时序数据。另外，例如，也可以在1行程中发送1次判定为不相符的期间中的微小旋转时间T30的全部、和关于这些期间中的各期间的从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30的1燃烧循环量的时序数据。

作为发送对象的数据中的、向映射的输入数据及微小旋转时间T30以外的数据不限于以额外信息集合GrE例示的数据。另外，将向映射的输入数据及微小旋转时间T30以外的数据作为发送对象这一点本身也不是必须的。

(b)整体

作为发送对象的、与判定为不相符时的由第2映射数据规定的第2映射的输出值相关的数据不限于第2映射的输出值本身。例如，在图4的处理中，也可以设为由实用映射数据76a规定的映射的输出值。在该情况下，例如在S92～S94的处理中，熟练方判定为由实用映射数据76a规定的映射的输出值正确的情况下，在S96的处理中判定为是即可。当然，即使不发送这样的数据，也能够通过发送输入数据而在数据解析中心120侧算出由评价映射数据76b规定的映射的输出值。

·关于第1映射、第1映射数据

在图1、图14～图17中，作为第1映射数据的实用映射数据76a，例示为不使用机器学习地调整判定值等的数据，但不限于此。例如，也可以是规定输入变量的维度比由作为第2映射数据的评价映射数据76b规定的映射小的神经网络的数据。当然，第1映射的输入的维数也不必须比第2 映射的输入的维数小。例如也可以是输入的维数相同并且中间层的层数比第2映射的层数小。另外，例如也可以是输入的维数及中间层的层数均与第2映射相同，而激活函数彼此不同。

另外，作为通过机器学习而学习后的学习完成模型的函数近似器，不限于神经网络。例如，在通过3值以上的值来表示与状态相关的信息的情况下也可以使用回归式等，另外，在输出正常、异常的判定值的情况下，也可以是识别函数。此外，此处的回归式不仅可以与在上述神经网络中去除了中间层的式子同等，例如也可以是使用了核函数(日语：カーネル関数)的式子。另外，识别函数是将以上述回归式的输出为独立变量的逻辑 S型函数(logistic sigmoid)的输出值作为输出值的函数即可。

·关于第2映射数据

(a)整体

作为第2映射数据的评价映射数据76b不限于规定中间层为1层的神经网络的数据。例如，作为第2映射数据，也可以是规定中间层为2层以上的神经网络的数据。另外，激活函数h1不限于双曲正切函数，例如也可以是逻辑S型函数、ReLU。此外，ReLU是输出输入值与“0”中的不小的那一方的值的函数。

另外，作为通过机器学习而学习后的学习完成模型的函数近似器，不限于神经网络。例如，在通过3值以上的值来表示与状态相关的信息的情况下也可以使用回归式等，另外，在输出正常、异常的判定值的情况下，也可以是识别函数。此外，此处的回归式不仅可以与在上述神经网络中去除了中间层的式子同等，例如也可以是使用了核函数的式子。另外，识别函数是将以上述回归式的输出为独立变量的逻辑S型函数的输出值作为输出值的函数即可。

(b)失火检测的情况

不限于将神经网络的输出层的节点的数，即维度设为“(汽缸数)+1”。例如，也可以设为与汽缸数相等的个数，并且在各输出值中存在超过了阈值的值的情况下判定为存在失火。另外，例如也可以是，将成为基于神经网络的1次的输出的有无失火的判定对象的汽缸设为1个，将输出层的节点的数设为1个。此外，在该情况下，输出层优选通过逻辑S型函数等而将输出值的可取的值的范围标准化。

·关于划分处理

在上述实施方式中，也可以通过划分而将误输出率低于阈值的区域设为一个共通的区域。即，例如，在图7的区域A1内的除图8的区域A2 以外的区域中，若误输出率小于阈值Rth1，则也可以仅对区域A1内的区域A2专用的评价映射数据76b、和除此以外的所有区域中的评价映射数据76b这两方分别进行更新。

另外，例如，作为制作误输出率的分布的顺序，不限于在上述实施方式中例示出的顺序。进而，例如也可以是，在根据多个变量的值划分了区域时分别判定误输出率是否成为阈值以上，并采用最终成为阈值以上的区域和不成为阈值以上区域的总数最小的划分。

在上述构成中，以国家或将国家细分化后的规定地域为单位执行了基于位置数据Pgps的误输出率的分类，但不限于此。例如，也可以全部以国家为单位，另外，例如也可以以比国家大的地域为单位。相反地，也可以全部以将国家细分化后的地域为单位。

进而，例如，也可以使用统计的方法来进行划分。这例如使用K-means 等聚类方法来执行即可。另外，例如，也可以通过各自的平均值成为误输出分布的中央的高斯分布的线性结合即混合高斯分布来对误输出分布进行近似，并使用它来划分区域。即，也可以是，基于误输出的位置数据Pgps 对混合高斯分布中的混合系数、平均值、及方差进行学习，按一个高斯分布的值比其他的值大的每个区域对区域进行划分。此外，统计的方法的适用对象不限于基于位置数据Pgps的误输出率的分类，例如，也可以将基于进气温度Ta等环境变量的值的误输出率的分类、基于燃烧控制模式值 MC等运转状态变量的值的误输出率的分类作为对象。

在上述实施方式中，没有特别提及在误输出率成为阈值以上的区域的比例如何的情况下执行划分处理，但在成为阈值以上的区域的比例大的情况下，有可能该变量的值不怎么有助于误输出率的降低，所以优选在比例为预定值以下的情况下执行划分处理。另外，也可以不将在进行划分处理时参照的误输出率的分布定量化为误输出的绝对数的比例，而是作为替代设为如下直方图，该直方图是将划分后的区域设为等级的、表示各等级的相对的误输出率的图。

·关于变更处理

在图12中例示出将按每个区域划分利用的映射数据时的区域进一步细分化的变更处理，但不限于此。例如，也可以在划分数量本身固定的状态下变更区域间的边界。当然，不限于此，例如也可以进行削减划分数量的变更。

·关于追加处理

作为追加处理，不限于追加进气温度Ta的处理。

·关于更新处理

例如，也可以是在执行图12的S154的处理的同时也执行S106的处理等、执行划分处理和追加处理双方的方案。

·关于相符性判定处理

作为S60的处理的验证期间，不限于在上述实施方式中例示出的期间。在图4的处理中，仅在验证期间中对基于实用映射数据76a的失火判定结果与基于评价映射数据76b的失火判定结果的一致、不一致进行了判定，但不限于此，例如也可以始终进行上述判定。

·关于完成了再学习的参数

在图6、图11及图13中，经由网络110向各车辆VC1、VC2、···发送了更新后的参数即完成了再学习的参数，但不限于此。例如，也可以向车辆的销售店发送，并在各车辆VC1、VC2、···进货到销售店时更新存储装置76内的数据。即使在该情况下，也能够进一步对利用完成了再学习的参数而更新了的评价映射数据76b的可靠性进行评价、更新。

当然，向提供了在再学习中所使用的数据的车辆提供完成了再学习的参数这一点本身不是必须的。也可以使用完成了再学习的参数来更新评价映射数据76b，将更新后的评价映射数据76b仅安装于新开发的车辆。在该情况下，在输出表示与内燃机10的状态相关的信息的输出值的映射的情况下，搭载于新开发的车辆的内燃机的排气量优选与搭载于发送了用于再学习的数据的车辆的内燃机的排气量之差成为预定量以下。此外，在如上述实施方式那样，评价映射数据是输出与在各汽缸中产生了失火的概率相应的失火变量的情况下，搭载于新开发的车辆的内燃机的汽缸数优选与搭载于发送了用于再学习的数据的车辆的内燃机的汽缸数相同。

进而，在图6、图11及图13中，也可以在使用完成了再学习的参数更新了评价映射数据76b之后，由此来覆盖实用映射数据76a。

·关于显示装置

在上述实施方式中，显示装置112配置于数据解析中心120，但不限于此，也可以配置于与配置存储装置126等的场所不同的场所。

·关于妥当性判定处理

在图4中，通过将在使用评价映射数据76b算出的失火变量P(j)的算出中使用的输入数据和相关联的数据显示于显示装置112，从而熟练方评价是否为误判定，但不限于此。例如，也可以使用失火的判定精度比由实用映射数据76a规定的映射高的映射数据来进行评价。例如可以设为如下神经网络，该神经网络将在S90的处理中接收到的旋转时间集合GrT30 及额外信息集合GrE的全部要素作为输入变量或者将更多的要素作为输入变量，将失火变量作为输出变量。在该情况下，优选，使得中间层的层数比由评价映射数据76b规定的神经网络的中间层的层数大。

当然，使用精度比由评价映射数据76b、实用映射数据76a规定的映射高的主体来判断由评价映射数据76b规定的映射的判定结果的妥当性这一点本身不是必须的。例如，也可以通过由评价映射数据76b规定的判定结果和基于两个以上的其他映射的判定结果的多数决，来判断由评价映射数据76b规定的映射的判定结果的妥当性。另外，例如，也可以将基于上述两个以上的其他映射的判定结果之一代替基于映射的判定结果而由熟练方进行判断。

在图4的处理中，为了便于进行说明，每当执行S82的处理时都执行 S92的处理，但不限于此。例如也可以在判定为不一致的数据累积了预定量的时间点执行S92的处理。另外，例如也可以每次均累积被认为不一致的数据，根据来自熟练方的要求而执行S92的处理。

·关于映射的输出值的妥当性的判定处理

不限于在判定与由作为第1映射数据的实用映射数据76a规定的映射的输出值是否相符的判定处理之后，在判定为不相符的情况下，使用其他方法来判定妥当性。例如也可以是，在通过由实用映射数据76a规定的映射的输出值或精度比该映射高的映射的输出值与由评价映射数据76b规定的映射的输出值的相符性的判定处理，而判定为不相符的情况下，判定为由评价映射数据76b规定的映射的输出值不妥当。

另外，例如也可以是，在车载传感器中包括检测与由评价映射数据76b 规定的映射的输出值相关的变量的值的传感器，并将其检测值作为教师数据来判定与输出值是否相符，在判定为不相符的情况下，判定为该映射的输出值不妥当。这例如能够通过如下方式来实现：在“关于车辆的既定状态”的(c)中所记载的输出燃烧室18内的压力的峰值的映射是由评价映射数据76b规定的映射的情况下，将检测燃烧室18内的压力的传感器包括在车载传感器中。

·关于更新处理

在上述实施方式中，在对仅在某个区域中使用的评价映射数据76b进行学习时，仅使用该区域的训练数据，但不限于此。例如，在图7的区域 A1以外的区域中使用的评价映射数据76b的再学习时，也可以以预定比例混合区域A1的训练数据。

·关于环境变量

作为验证与由评价映射数据76b规定的映射的输出值的精度的关系的环境变量，不限于在上述实施方式中例示出的变量。例如，也可以是表示车辆VC1的周围的天气、风速的变量。尤其是，对于催化剂温度Tcat等，由于催化剂30的散热条件受到天气、风速的影响，所以使用这些变量是有效的。此外，关于表示天气的变量的值、表示风速的变量的值，可以从车辆VC1发送，但也可以替代该方案，在数据解析中心120中，基于车辆 VC1的位置数据Pgps从提供与天气相关的信息等的机构取得。

·关于表示运转状态的变量

作为验证与由评价映射数据76b规定的映射的输出值的精度的关系的、表示运转状态的变量，不限于在上述实施方式中例示出的变量。尤其是，燃烧控制模式值MC不限于上述的区分，例如，也可以将在上述实施方式之一中使用的区分应用于其他实施方式。

·关于基于由第1映射数据规定的映射的输出值的操作处理

在上述实施方式中，作为基于由第1映射数据规定的映射的输出值来操作预定的硬件的操作处理，例示出操作搭载于车辆的警告灯104的报知处理，但报知处理不限于此。例如也可以是操作通信机77以在用户的便携终端显示产生了异常这一意思的信息的处理。

作为操作处理，不限于报知处理。例如，也可以是根据产生了失火这一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的处理。另外，例如，在如图14所记载的那样，评价映射数据76b 是输出有无不均异常的判定结果的映射的情况下，也可以是操作燃料喷射阀以抑制不均异常的处理。另外，例如，在如图16所记载的那样，评价映射数据76b是输出PM量的映射的情况下，也可以是通过操作用于使过滤器的温度上升的内燃机10的操作部来对PM进行燃烧去除的处理。另外，例如，在如图17所记载的那样，评价映射数据76b是输出催化剂30的温度的映射的情况下，也可以是操作用于使催化剂30的温度上升的内燃机的操作部的处理。此外，该情况下的操作处理例如设为催化剂的再生处理即可。

·关于第1执行装置及第2执行装置的作用分担

例如也可以是，将作为第1映射数据的实用映射数据76a存储于存储装置76，将作为第2映射数据的评价映射数据76b存储于存储装置126，并由CPU122执行图3的处理。在该情况下，例如如以下那样变更图4的处理即可。

1.从CPU72侧向CPU122侧发送向由评价映射数据76b规定的映射的输入数据。从CPU122侧向CPU72侧发送该映射的输出值。在CPU72中，判定由实用映射数据76a规定的映射的输出值与由评价映射数据76b规定的映射的输出值是否相符。CPU72在判定为不相符的情况下，发送相关联的数据。

2.除了向由评价映射数据76b规定的映射的输入数据以外，还从CPU72侧向CPU122侧发送由实用映射数据76a规定的映射的输出值。在 CPU122中，判定由实用映射数据76a规定的映射的输出值与由评价映射数据76b规定的映射的输出值是否相符。此外，CPU122在判定为不相符的情况下，也可以请求CPU72发送输入数据以外的关联的数据。

进而，也可以不仅将作为第2映射数据的评价映射数据76b存储于存储装置126，还将作为第1映射数据的实用映射数据76a存储于存储装置 126。在该情况下，从CPU72侧向CPU122侧发送向由实用映射数据76a 规定的映射的输入数据及向由评价映射数据76b规定的映射的输入数据即可。

另外，例如，除了CPU122及ROM124以外，也可以通过便携终端所具备的CPU及ROM来构成第2执行装置。这例如能够通过如下方式来实现：在上述第1实施方式中，通过便携终端来执行图3的处理并将其结果发送到控制装置70。

·关于车辆用学习装置

也可以替代数据解析中心120，使用便携终端构成车辆用学习装置。这例如能够通过如下等方式来实现：在便携终端的存储装置中预先存储“关于妥当性判定处理”一栏中所记载的规定精度比实用映射数据高的映射的数据等，并由便携终端来执行基于图4的右侧的处理及基于图6的右侧的处理。此外，在该情况下，也可以仅将与车辆VC1相关的数据向车辆VC1 的用户的便携终端发送。

·关于第1执行装置、第2执行装置的构成

作为第1执行装置、第2执行装置，不限于具备CPU72(102)和ROM74 (104)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，第1执行装置、第2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。(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，将存储评价映射数据76b、实用映射数据76a的存储装置76与存储再学习子程序74b的存储装置即ROM74设为了相互独立的存储装置，但不限于此。另外，例如，将存储再学习用数据126a的存储装置126与存储再学习主程序124a的存储装置即ROM124设为了相互独立的存储装置，但不限于此。

·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喷射燃料的进气口喷射阀。另外，例如，也可以具备进气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点本身不是必须的。例如，也可以搭载于曲轴机械地连结于车载发电机而与驱动轮60切断了动力传递的所谓的串联混合动力车。

·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“关于内燃机”一栏中所记载的串联混合动力车以外，还可以是并联混合动力车、串并联混合动力车。进而，还可以是没有搭载内燃机的电动汽车。

·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 (15)

1.一种车辆用学习系统，其特征在于，具备：

第1执行装置，搭载于车辆；

所述车辆的外部的第2执行装置；以及

存储装置，其中，

所述存储装置构成为存储映射数据，所述映射数据是规定映射的数据且包含通过机器学习而学习后的数据，所述映射是以基于车载传感器的检测值的输入数据为输入、并输出具有与车辆的既定状态相关的信息的输出值的映射，

所述第1执行装置及所述第2执行装置构成为通过协作执行取得处理、算出处理以及关系评价处理，所述取得处理是取得所述输入数据的处理，所述算出处理是将通过所述取得处理取得的所述输入数据作为所述映射的输入而算出所述输出值的处理，所述关系评价处理是评价与所述输出值对应的变量以外的预定的变量与所述输出值的精度的关系的处理，

所述第1执行装置构成为至少执行所述取得处理，

所述第2执行装置构成为至少执行所述关系评价处理。

2.根据权利要求1所述的车辆用学习系统，其特征在于，

所述预定的变量包含与所述输入数据对应的变量以外的变量。

3.根据权利要求1或2所述的车辆用学习系统，其特征在于，

所述映射由被输入所述输入数据并输出所述输出值的函数近似器构成，

所述第2执行装置构成为，执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，

所述更新处理包括划分处理，该划分处理是根据所述预定的变量的值将利用的所述映射数据划分为各自分开的数据的处理。

4.根据权利要求1或2所述的车辆用学习系统，其特征在于，

所述映射由被输入所述输入数据并输出所述输出值的函数近似器构成，

所述存储装置构成为存储多个数据作为所述映射数据，

所述算出处理包括选择处理，该选择处理是根据所述预定的变量的值来选择在所述输出值的算出中利用的所述映射数据的处理，

所述第2执行装置构成为，执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，

所述更新处理包括变更处理，该变更处理是变更所述预定的变量的值与所述映射数据的关系的处理。

5.根据权利要求1或2所述的车辆用学习系统，其特征在于，

所述第2执行装置构成为，执行基于所述关系评价处理的评价结果来更新所述映射数据的更新处理，

所述更新处理包括追加处理，该追加处理是将所述预定的变量追加到向所述映射的输入变量中的处理。

6.根据权利要求3～5中任一项所述的车辆用学习系统，其特征在于，

所述预定的变量包含表示所述车辆的位置信息的变量即位置信息变量。

7.根据权利要求3～6中任一项所述的车辆用学习系统，其特征在于，

所述车辆具备内燃机，

所述车载传感器的检测值是检测所述内燃机的状态的值，

所述既定状态是所述内燃机的状态。

8.根据权利要求7所述的车辆用学习系统，其特征在于，

所述预定的变量包含表示所述内燃机的吸入空气的温度的进气温度变量。

9.根据权利要求7或8所述的车辆用学习系统，其特征在于，

所述预定的变量包含表示所述车辆所处的地点处的大气压的变量即大气压变量。

10.根据权利要求7所述的车辆用学习系统，其特征在于，

所述预定的变量包含表示搭载于所述车辆的内燃机的曲轴的转速的变量即转速变量。

11.根据权利要求3～10中任一项所述的车辆用学习系统，其特征在于，

所述存储装置构成为，存储规定第1映射的数据即第1映射数据，并存储规定第2映射的数据即第2映射数据，所述第1映射以基于所述车载传感器的检测值的第1输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第1输出值，所述第2映射以基于所述车载传感器的检测值的第2输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第2输出值，

所述第1执行装置及所述第2执行装置构成为通过协作执行如下处理：第1取得处理，取得基于所述车载传感器的检测值的所述第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入而算出所述第1输出值；第2取得处理，取得基于所述车载传感器的检测值的所述第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入而算出所述第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；以及妥当性判定处理，基于所述相符性判定处理的判定结果来判定所述第2输出值的妥当性，

所述关系评价处理包括求出针对所述预定的变量的值的、所述妥当性判定处理判定为欠缺妥当性的频度的分布的处理。

12.根据权利要求11所述的车辆用学习系统，其特征在于，

所述第1执行装置构成为，执行所述第1取得处理、所述第1算出处理、所述第2取得处理、所述第2算出处理、所述相符性判定处理、以及发送通过所述相符性判定处理判定为不相符时的所述第2输入数据的车辆侧发送处理，

所述第2执行装置构成为，执行接收通过所述车辆侧发送处理发送的数据的车辆外接收处理、所述关系评价处理、以及所述更新处理。

13.根据权利要求12所述的车辆用学习系统，其特征在于，

所述第2执行装置构成为，执行发送通过所述更新处理更新后的所述第2映射数据的更新数据发送处理，

所述第1执行装置构成为，执行接收通过所述更新数据发送处理发送的数据的更新数据接收处理。

14.一种车辆用控制装置，其特征在于，具备：

执行装置，其搭载于车辆；和

存储装置，其中，

所述存储装置构成为，存储规定第1映射的数据即第1映射数据，并存储规定第2映射的数据即第2映射数据，所述第1映射以基于车载传感器的检测值的第1输入数据为输入、并输出作为具有与既定状态相关的信息的输出值的第1输出值，所述第2映射以基于所述车载传感器的检测值的第2输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第2输出值，

所述第1映射由被输入所述第1输入数据并输出所述第1输出值的函数近似器构成，

所述第2映射由被输入所述第2输入数据并输出所述第2输出值的函数近似器构成，

所述执行装置构成为执行如下处理：第1取得处理，取得基于所述车载传感器的检测值的所述第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入而算出所述第1输出值；第2取得处理，取得基于所述车载传感器的检测值的所述第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入而算出所述第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；以及车辆侧发送处理，发送通过所述相符性判定处理判定为不相符时的所述第2输入数据。

15.一种车辆用学习装置，其特征在于，

具备车辆的外部的执行装置，所述执行装置构成为执行如下处理：第1取得处理，取得基于所述车辆中的车载传感器的检测值的第1输入数据；第1算出处理，将通过所述第1取得处理取得的所述第1输入数据作为第1映射的输入而算出第1输出值；第2取得处理，取得基于所述车载传感器的检测值的第2输入数据；第2算出处理，将通过所述第2取得处理取得的所述第2输入数据作为第2映射的输入而算出第2输出值；相符性判定处理，判定所述第1输出值与所述第2输出值是否相符；车辆外接收处理，接收在通过所述相符性判定处理判定为不相符的情况下，从所述车辆发送的所述第2输入数据；妥当性判定处理，基于所述相符性判定处理的判定结果来判定所述第2输出值的妥当性；关系评价处理，评价与所述第2输出值对应的变量以外的预定的变量与所述第2输出值的精度的关系；以及更新处理，基于所述关系评价处理的评价结果来更新第2映射数据，

所述关系评价处理包括求出针对所述预定的变量的值的、所述妥当性判定处理判定为欠缺妥当性的频度的分布的处理，

所述更新处理包括划分处理，该划分处理是根据所述预定的变量的值将利用的所述第2映射数据划分为各自分开的数据的处理。

Images