CN112412646A - 车辆用学习控制系统、车辆用控制装置及车辆用学习装置 - Google Patents

Abstract

本公开涉及车辆用学习控制系统、车辆用控制装置以及车辆用学习装置。车辆内的存储装置中搭载有实用映射数据和评价映射数据，CPU基于由它们各映射数据所规定的映射判定有无失火。CPU在两个判定结果不一致的情况下将作为由评价映射数据所规定的映射的输入的数据等发送到数据解析中心。在数据解析中心，验证基于评价映射数据的判定结果的妥当性。

Description

车辆用学习控制系统、车辆用控制装置及车辆用学习装置

技术领域

本发明涉及使用机器学习的车辆用学习控制系统、车辆用控制装置以及车辆用学习装置。

背景技术

例如日本特开平4-91348中提出了一种具备神经网络(neural network)的装置，该神经网络以转速的变化量即旋转变动量作为输入，输出表示内燃机的多个汽缸的每个汽缸中是否产生了失火(不点火)的值。

发明内容

一般地，为了提高通过机器学习所学习到的已学习完的模型的可靠性，需要使用各种状况下的训练数据进行学习。然而，在搭载于车辆之前，未必能对在实际搭载于车辆的情况下可能产生的各种状况获得足够(充分)的训练数据。而且，在得不到足够的训练数据的情况下，要验证上述神经网络在搭载于车辆的情况下是否会在各种状况下输出正确的值是困难的。

1.本发明的第1技术方案涉及车辆用控制装置，其具备执行装置以及存储装置。所述存储装置中存储有第1映射数据和第2映射数据，所述第1映射数据是规定第1映射的数据，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，并输出与车辆的既定状态有关的第1输出值，所述第2映射数据是规定第2映射的数据，并且包含通过机器学习所学习过的数据，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，并输出与所述既定状态有关的第2输出值。所述执行装置执行如下处理：取得所述第1输入数据的第1取得处理；以所述第1输入数据为所述第1映射的输入来计算所述第1输出值的第1计算处理；基于所述第1计算处理的计算结果来操作为了应对该计算结果的预定的硬件的应对处理；取得所述第2输入数据的第2取得处理；以所述第2输入数据为所述第2映射的输入来计算所述第2输出值的第2计算处理；以及判定所述第1输出值与所述第2输出值是否匹配的判定处理。

根据上述第1技术方案，第1映射在车辆中被利用于进行某些控制。另外，通过判定处理，能判定第2输出值与第1输出值有无匹配性，所以，在判定为不匹配的情况下，能够检测到存在第2映射的可靠性低的可能性。而且，由于能够检测到存在可靠性低的可能性，因此能够验证被检测的状况下的第2映射的可靠性。

2.在上述第1技术方案的车辆用控制装置中，也可以为，所述执行装置在通过所述判定处理判定为不匹配的情况下，执行基于判定为所述不匹配时的所述第2输入数据来生成用于更新所述第2映射数据的数据的再学习数据生成处理。

根据上述构成，通过执行再学习数据生成处理，能够基于判定为不匹配时的给第2映射的输入数据，提供用于更新第2映射数据的数据，所以，能够使第2映射数据进行再学习。

3.在上述2所述的车辆用控制装置中，也可以为，所述执行装置执行基于通过所述再学习数据生成处理所生成的数据来再学习所述第2映射数据的再学习处理。

根据上述构成，第1映射在车辆中被利用于进行某些控制。另外，通过判定处理，能判定第2输出值与第1输出值有无匹配性，所以，在判定为不匹配的情况下，能够检测到存在第2映射的可靠性低的可能性。而且，由于能够基于判定为不匹配时的向第2映射的输入数据，使第2映射数据进行再学习，因此能够使第2映射成为在车辆的各种状况下输出高精度的值的映射。

4.本发明的第2技术方案涉及车辆用学习控制系统，其具备上述3所述的所述执行装置以及所述存储装置。在第2技术方案中，所述再学习数据生成处理也可以包括：使所述第2输入数据的信息显示于显示装置的显示处理；导入所述第2映射的输出值是否有误的信息的妥当性判定结果导入处理；以及基于通过所述妥当性判定结果导入处理所导入的信息生成用于更新所述第2映射数据的数据的处理。

根据上述第2技术方案，在判定为第1输出值与第2输出值不匹配的情况下，将与当时的第2输入数据有关的信息显示于显示装置，由此，能够有别于第1映射及第2映射地，由能根据与第2输入数据有关的信息等判定车辆的状态的主体，对第2映射的输出的妥当性进行核实。而且，通过由妥当性判定结果导入处理导入由该主体得到的判定结果，能够确定是否应该将成为显示对象的输入数据作为用于更新第2映射数据的再学习数据。

5.本发明的第3技术方案涉及车辆用学习控制系统，其具备上述3所述的所述执行装置以及所述存储装置。所述存储装置中也可以存储有第3映射数据，所述第3映射数据是规定第3映射的数据，第3映射以基于所述车载传感器的检测值的数据为输入，并输出与所述既定状态有关的第3输出值，所述再学习数据生成处理也可以包括：对所述第3映射输入基于所述车载传感器的检测值的数据来计算所述第3输出值的第3计算处理；以及基于所述第3输出值与所述第2输出值有无匹配性来生成用于更新所述第2映射数据的数据的处理。

根据上述第3技术方案，在判定为第1映射的输出与第2映射的输出不匹配的情况下，通过判定第3映射的输出与第2映射的输出有无匹配性，能够验证第2映射的妥当性。

6.上述4或5所述的所述执行装置也可以包括搭载于车辆的第1执行装置以及有别于车载装置的第2执行装置。所述再学习数据生成处理也可以包括：发送与判定为所述不匹配时的所述第2输入数据有关的数据的输入数据发送处理；以及接收通过所述输入数据发送处理所发送的所述数据的输入数据接收处理。所述第1执行装置也可以执行如下处理：所述第1取得处理、所述第1计算处理、所述第2取得处理、所述第2计算处理、所述应对处理、所述判定处理、以及所述输入数据发送处理。所述第2执行装置也可以执行如下处理：所述再学习数据生成处理中的除所述输入数据发送处理以外的处理、以及所述再学习处理。本发明的第4技术方案涉及具备所述第1执行装置的车辆用控制装置。

根据上述第4技术方案，能够在车载装置以外执行再学习处理。此外，第2执行装置是“有别于车载装置的”装置意味着第2执行装置不是车载装置。

7.在上述第4技术方案的车辆用控制装置中，也可以为，所述第2执行装置执行将通过所述再学习处理所学习到的已再学习完的参数向所述车辆进行发送的参数发送处理，所述第1执行装置执行接收通过所述参数发送处理所发送的所述参数的参数接收处理。

根据上述构成，车辆用控制装置接收已再学习完的参数，从而在车辆用控制装置中利用接收到的已再学习完的参数，由此，能够将第2映射数据更新。

8.在上述6或7所述的车辆用控制装置中，也可以为，所述第1执行装置在所述车辆的行驶结束时执行所述输入数据发送处理。

根据上述构成，通过在车辆的行驶结束时执行再学习用数据发送处理，与在车辆的行驶时执行输入数据发送处理的情况相比，能够减轻在车辆的行驶时的车辆用控制装置的运算负荷。

9.本发明的第5技术方案涉及车辆用学习装置，其具备上述6至8中任一项所述的所述第2执行装置。

10.在上述4或5所述的所述执行装置中也可以具备搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置，所述存储装置也可以具备搭载于所述车辆的第1存储装置以及有别于车载装置的第2存储装置。所述第1映射数据也可以包含实用映射数据和比较用映射数据。所述第1存储装置也可以存储有所述实用映射数据。所述第2存储装置也可以存储有所述比较用映射数据以及所述第2映射数据。所述第1取得处理也可以包括：取得成为向由所述实用映射数据所规定的映射的输入的数据的实用用取得处理；以及取得成为向由所述比较用映射数据所规定的映射的输入的数据的比较用取得处理。所述第1执行装置也可以执行如下处理：所述第1取得处理、所述第2取得处理、基于所述实用映射数据的所述第1计算处理、将通过所述比较用取得处理取得的数据和通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、以及所述应对处理。所述第2执行装置也可以执行如下处理：接收通过所述输入数据发送处理所发送的所述数据的输入数据接收处理、基于所述比较用映射数据的所述第1计算处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。本发明的第6技术方案涉及具备所述第2执行装置以及所述第2存储装置的车辆用学习装置。

根据上述第6技术方案，因为在车辆的外部进行第2计算处理、判定处理，所以能够减轻车辆侧的运算负荷。此外，第2执行装置和第2存储装置是“有别于车载装置的”装置意味着第2执行装置和第2存储装置不是车载装置。

11.在上述4或5所述的所述执行装置中也可以具备搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置。所述存储装置也可以具备搭载于所述车辆而存储所述第1映射数据的第1存储装置、以及作为有别于车载装置的装置的存储所述第2映射数据的第2存储装置。所述第1执行装置也可以执行如下处理：所述第1取得处理、所述第2取得处理、将通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、所述第1计算处理、发送所述第1计算处理的计算结果的第1计算结果发送处理、以及所述应对处理。所述第2执行装置也可以执行如下处理：接收通过所述输入数据发送处理所发送的所述第2输入数据的输入数据接收处理、接收通过所述第1计算结果发送处理所发送的计算结果的第1计算结果接收处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。本发明的第7技术方案涉及具备所述第1执行装置以及所述第1存储装置的车辆用控制装置。

根据上述第7技术方案，因为在车辆的外部进行第2计算处理、判定处理，所以能够减轻车辆侧的运算负荷。此外，第2执行装置和第2存储装置是“有别于车载装置的”装置意味着第2执行装置和第2存储装置不是车载装置。

12.在上述4或5所述的所述执行装置中也可以具备搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置。所述存储装置也可以具备搭载于所述车辆而存储所述第1映射数据的第1存储装置、以及作为有别于车载装置的装置的存储所述第2映射数据的第2存储装置。所述第1执行装置也可以执行如下处理：所述第1取得处理、所述第2取得处理、将通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、所述第1计算处理、接收所述第2计算处理的计算结果的第2计算结果接收处理、所述应对处理、所述判定处理、发送与所述判定处理的判定结果有关的数据的结果发送处理。所述第2执行装置也可以执行如下处理：接收通过所述输入数据发送处理所发送的数据的输入数据接收处理、所述第2计算处理、发送所述第2计算处理的计算结果的第2计算结果发送处理、接收通过所述结果发送处理所发送的数据的结果接收处理、所述再学习数据生成处理、以及所述再学习处理。本发明的第8技术方案涉及具备所述第1执行装置以及所述第1存储装置的车辆用控制装置。

根据上述第8技术方案，因为在车辆的外部进行第2计算处理、判定处理，所以能够减轻车辆侧的运算负荷。此外，第2执行装置和第2存储装置是“有别于车载装置的”装置意味着第2执行装置和第2存储装置不是车载装置。

13.本发明的第9技术方案涉及具备上述第7或第8技术方案的所述第2执行装置以及所述存储装置的车辆用学习装置。

14.关于上述4或5所述的所述执行装置，也可以具备搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置。所述第1执行装置也可以执行如下处理：所述第1取得处理、所述第2取得处理、将通过所述第1取得处理取得的所述第1输入数据和通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、接收所述第1计算处理的计算结果的结果接收处理、以及所述应对处理。所述第2执行装置也可以执行如下处理：接收通过所述输入数据发送处理所发送的数据的输入数据接收处理、所述第1计算处理、发送所述第1计算处理的计算结果的第1计算结果发送处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。本发明的第10技术方案涉及具备所述第1执行装置的车辆用控制装置。

根据上述第10技术方案，因为在车辆的外部进行第1计算处理、第2计算处理、判定处理，所以能够减轻车辆侧的运算负荷。此外，第2执行装置和第2存储装置是“有别于车载装置的”装置意味着第2执行装置和第2存储装置不是车载装置。

15.本发明的第11技术方案涉及具备上述第10技术方案的所述第2执行装置以及所述存储装置的车辆用学习装置。

附图说明

以下，参照附图对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进行说明，在附图中相同的标号表示相同的要素，并且其中：

图1是表示第1实施方式涉及的车辆用学习控制系统的构成的图。

图2是表示第1实施方式涉及的控制装置所执行的处理步骤的流程图。

图3是表示第1实施方式涉及的控制装置所执行的处理步骤的流程图。

图4A是表示第1实施方式涉及的系统所执行的处理步骤的流程图。

图4B是表示第1实施方式涉及的系统所执行的处理步骤的流程图。

图5是表示第1实施方式涉及的发送数据的图。

图6是表示第2实施方式涉及的车辆用学习控制系统的构成的图。

图7是表示第2实施方式涉及的控制装置所执行的处理步骤的流程图。

图8是表示第2实施方式涉及的控制装置所执行的处理步骤的流程图。

图9A是表示第2实施方式涉及的系统所执行的处理步骤的流程图。

图9B是表示第2实施方式涉及的系统所执行的处理步骤的流程图。

图10是表示第3实施方式涉及的车辆用学习控制系统的构成的图。

图11A是表示第3实施方式涉及的系统所执行的处理步骤的流程图。

图11B是表示第3实施方式涉及的系统所执行的处理步骤的流程图。

图12是表示第4实施方式涉及的车辆用学习控制系统的构成的图。

图13A是表示第4实施方式涉及的系统所执行的处理步骤的流程图。

图13B是表示第4实施方式涉及的系统所执行的处理步骤的流程图。

图14A是表示第5实施方式涉及的系统所执行的处理步骤的流程图。

图14B是表示第5实施方式涉及的系统所执行的处理步骤的流程图。

图15是表示第6实施方式涉及的车辆用学习控制系统的构成的图。

图16A是表示第6实施方式涉及的系统所执行的处理步骤的流程图。

图16B是表示第6实施方式涉及的系统所执行的处理步骤的流程图。

图17是表示第7实施方式涉及的车辆用控制装置以及驱动系统的图。

图18是表示第7实施方式涉及的车辆用控制装置所执行的处理步骤的流程图。

具体实施方式

第1实施方式

以下，参照附图，对与车辆用学习控制系统有关的第1实施方式进行说明。

在图1所示的搭载于车辆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吸入的空气通过进气门16开阀而向各汽缸#1～#4的燃烧室18流入。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的火花放电而用于燃烧，通过燃烧产生的能量被转换为曲轴24的旋转能量。用于了燃烧的混合气伴随着排气门26的开阀而作为排气(废气)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。

变速装置54的输入轴56能够经由变矩器(torque converter)50连结于内燃机10的曲轴24。变矩器50具备锁止离合器52，通过锁止离合器52成为紧固连结状态，曲轴24与输入轴56连结。在变速装置54的输出轴58上以机械方式连结有驱动轮60。

在曲轴24结合有设置有齿部42的曲轴转子40，该齿部42表示曲轴24的多个旋转角度中的各旋转角度。此外，在本实施方式中，例示了34个齿部42。在曲轴转子40上，基本上以10℃A为间隔设置有齿部42，但设置有一处缺齿部44，缺齿部44是相邻的齿部42间的间隔成为30℃A的部位。这是为了表示成为曲轴24的基准的旋转角度的部位。

控制装置70将内燃机10作为控制对象，为了控制作为其控制量的转矩和/或排气成分比率等而操作节气门14、燃料喷射阀20、点火装置22等内燃机10的操作部。另外，控制装置70将变矩器50作为控制对象，为了控制作为其控制量的锁止离合器52的接合状态而操作锁止离合器52。另外，控制装置70将变速装置54作为控制对象，为了控制作为其控制量的传动比(齿轮比)而操作变速装置54。此外，图1中记载了节气门14、燃料喷射阀20、点火装置22、锁止离合器52以及变速装置54各自的操作信号MS1～MS5。

控制装置70在进行控制量的控制时，参照输出除了缺齿部44之外的每隔10℃A所设置的齿部42间的每个角度间隔的脉冲的曲轴角传感器80的输出信号Scr和/或由空气流量计82所检测的吸入空气量Ga。另外，控制装置70参照由水温传感器84所检测的内燃机10的冷却水的温度即水温THW、由外部气温传感器86所检测的外部气温Ta和/或由挡位传感器88所检测的变速装置54的挡位Vsft。

控制装置70具备CPU72、ROM74、作为可电改写的非易失性存储器的存储装置76、通信机77以及外围电路78，它们能够通过局域网79进行通信。此外，外围电路78包括生成规定内部动作的时钟信号的电路、电源电路、复位(reset)电路等。另外，在存储装置76中存储有实用映射数据76a以及评价映射数据76b。在此，实用映射数据76a是为了监视内燃机10的失火而实际利用的数据。相对于此，评价映射数据76b是成为其可靠性的评价对象的数据，而并非为了监视内燃机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由机器学习进行的学习的状态下安装于控制装置70。

控制装置70通过由CPU72执行存储于ROM74的程序而执行上述控制量的控制。详细而言，在ROM74中存储有失火检测程序74a和再学习子程序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外部的网络110与数据解析中心100通信的设备。数据解析中心100解析从多个车辆VC1、VC2、…发送来的数据。数据解析中心100具备CPU102、ROM104、存储装置106、通信机107以及外围电路108，它们能够通过局域网109进行通信。在ROM104中存储有规定如下处理的再学习主程序104a，该处理基于从多个车辆VC1、VC2、…发送来的数据，生成用于使评价映射数据76b进行再学习的数据。另外，在存储装置106中存储有再学习用数据106a，再学习用数据106a是从多个车辆VC1、VC2、…发送来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。

图2中表示通过由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，以下利用开头附加有“S”的数字来表现各处理的步骤编号。

在图2所示的一系列处理中，首先，CPU72取得微小旋转时间T30(S10)。微小旋转时间T30是曲轴24旋转30℃A所需要的时间，由CPU72基于曲轴角传感器80的输出信号Scr来算出。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]，并对于过去越早的值，则使微小旋转时间T30[m]的变量“m”为越大的值(S12)。即，设m＝1、2、3、…，将即将进行S12的处理之前的微小旋转时间T30[m-1]设为微小旋转时间T30[m]。由此，例如在上次执行了图2的处理时通过S10的处理所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]、…中的在时间序列上相邻的微小旋转时间T30彼此间表示互相相邻的30℃A的角度间隔的旋转所需的时间，这些角度间隔不具有重叠的部分。

接着，CPU72判定在S10的处理中所取得的微小旋转时间T30是否是汽缸#1～#4中的某个汽缸的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间(S14)。而且，CPU72在判定为是到压缩上止点为止的角度间隔的旋转所需的时间的情况下(S14：是)，为了判定成为了压缩上止点的汽缸有无失火，对成为判定对象的汽缸#i的旋转变动量Δω(i)代入“T30[0]-T30[6]”(S16)。即，通过从成为失火判定对象的汽缸的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间减去在成为失火判定对象的汽缸的前一个成为压缩上止点的汽缸的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间，从而将旋转变动量Δω量化。

接着，CPU72判定旋转变动量Δω(i)是否在规定量Δωth以上(S18)。该处理是判定在成为失火判定对象的汽缸中是否产生了失火的处理。在此，CPU72基于转速NE及填充(充气)效率η可变地设定规定量Δωth。

详细而言，在以转速NE及填充效率η作为输入变量、以规定量Δωth作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，映射数据指的是输入变量的离散的值、和与输入变量的值的每一个对应的输出变量的值的成组数据。另外，映射运算例如设为如下处理即可：在输入变量的值与映射数据的输入变量的值中的某个值一致的情况下，将对应的映射数据的输出变量的值作为运算结果，相对于此，在不一致的情况下，将通过映射数据所包含的多个输出变量的值的插补所获得的值作为运算结果。

顺便说一下，转速NE由CPU72基于曲轴角传感器80的输出信号Scr算出。在此，转速NE是曲轴24旋转比压缩上止点的出现间隔(在本实施方式中为180℃A)大的角度间隔时的转速的平均值。转速NE优选设为曲轴24旋转曲轴24的一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，总之，只要算出去除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，填充效率η由CPU72基于转速NE及吸入空气量Ga算出。

S16、S18的处理是使用实用映射数据76a的处理。即，实用映射数据76a规定了以微小旋转时间T30[0]和微小旋转时间T30[6]为输入、以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进行输出的映射。此外，此处的逻辑值是与旋转变动量Δω(i)在规定量Δωth以上这一意思的命题是真是假有关的值。

CPU72在判定为旋转变动量Δω(i)在规定量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的失火计数器CN(i)增量(S22)。然后，CPU72判定“从在失火计数器CN(i)被初始化了的状态下最初执行了S18的处理起经过预定期间”与“从进行了后述的S28的处理起经过预定期间”的逻辑和是否为真(S24)。而且，CPU72在判定为逻辑和为真的情况下(S24：是)，判定失火计数器CN(i)是否在阈值CNth以上(S26)。CPU72在判定为小于阈值CNth的情况下(S26：否)，将失火计数器CN(i)进行初始化(S28)。

相对于此，CPU72在判定为失火计数器CN(i)在阈值CNth以上的情况下(S26：是)，操作图1所示的警告灯90，将产生了异常这一意思报知(通知)给用户(S30)。此外，CPU72在S28、S30的处理完成的情况下或在S14、S24的处理中判定为否定的情况下，暂时结束图2所示的一系列处理。

图3中表示通过由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所示的处理是使用评价映射数据76b的处理。

在图3所示的一系列处理中，首先，CPU72取得微小旋转时间T30(1)、T30(2)、…T30(24)、转速NE以及填充效率η(S40)。在此，微小旋转时间T30(1)、T30(2)、…是不同于图2的微小旋转时间T30[1]、T30[2]…的时间，尤其是，对于微小旋转时间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)各自是将720℃A的旋转角度区域用30℃A进行等分所得到的24个角度间隔的每一个中的旋转时间。

接着，CPU72对由评价映射数据76b规定的映射的输入变量x(1)～x(26)代入通过S40的处理所取得的值(S42)。详细而言，CPU72设s＝1～24，对输入变量x(s)代入微小旋转时间T30(s)。即，输入变量x(1)～x(24)成为微小旋转时间T30的时间序列数据。另外，CPU72对输入变量x(25)代入转速NE，对输入变量x(26)代入填充效率η。

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，计算失火变量P(1)～P(5)的值(S44)。在此，若设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的值比在该概率低的情况下的值大的变量。另外，失火变量P(5)是在汽缸#1～#4的任一个中都没有产生失火的概率高的情况下的值比在该概率低的情况下的值大的变量。

详细而言，由评价映射数据76b规定的映射是中间层为一层的神经网络。上述神经网络包括系数w(1)ji(j＝0～n，i＝0～26)和作为非线性映射的激活函数h1(x)，该非线性映射是对由系数w(1)ji规定的线性映射的输出的每一个进行非线性变换的映射。在本实施方式中，作为激活函数h1(x)，例示双曲正切函数。顺便说一下，w(1)j0等是偏置(bias)参数，且将输入变量x(0)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(归一化指数函数)，该Softmax函数以作为由系数w(2)kj规定的线性映射的输出的原型变量y(1)～y(5)的每一个作为输入，输出失火变量P(1)～P(5)。

接着，CPU72确定失火变量P(1)～P(5)中的成为最大的失火变量(S46)。然后，CPU72判定成为最大的失火变量P(q)是否为失火变量P(1)～P(4)中的某一个、还是失火变量P(5)(S48)。而且，CPU72在判定为失火变量P(q)是失火变量P(1)～P(4)中的某一个的情况下(S48：是)，判定为在汽缸#q中产生了失火(S50)。

此外，CPU72在S50的处理完成的情况下或在S48的处理中判定为否定的情况下，暂时结束图3所示的一系列处理。

图4A、4B中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图4A所示的处理通过由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4B所示的处理通过由CPU72执行存储于ROM104的再学习主程序104a来实现。以下，沿着与再学习有关的处理的时间序列，说明图4A、4B所示的处理。

在图4A所示的一系列处理中，首先，CPU72判定是否是评价映射数据76b的可靠性的验证期间(S60)。具体而言，在本实施方式中，将以下的期间作为验证期间。

(A)水温THW在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，因此将该期间包含于验证期间。

(B)外部气温Ta在规定温度以下的期间：在外部气温Ta低的情况下，燃烧容易变得不稳定，与外部气温Ta高的情况相比，难以提高失火的检测精度，因此将该期间包含于验证期间。

(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内，会进行使燃烧效率降低了的燃烧，因此燃烧容易变得不稳定，与催化剂30的预热后相比，难以提高失火的检测精度，因此将该期间包含于验证期间。

(D)填充效率η在预定值以下的期间：在负荷低的情况下，与负荷高的情况相比，燃烧容易变得不稳定，与中、高负荷相比，难以提高失火的检测精度，因此将该期间包含于验证期间。

(E)转速NE的每个预定时间的变化量ΔNE成为预定值以上的期间：在过渡运行时，与稳定运行时相比，失火的检测精度容易下降，因此将该期间包含于验证期间。

CPU72在判定为是验证期间的情况下(S60：是)，判定标志F是否为“1”(S62)。在此，标志F在通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果不一致的情况下成为“1”，在上述判定结果一致的情况下成为“0”。CPU72在判定为标志F是“0”的情况下(S62：否)，判定通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果是否不一致(S64)。CPU72在同一燃烧循环中的通过图2的S18的处理得到的4次判定结果与图3的S46的处理的结果不匹配的情况下，判定为不一致。即，例如尽管在S18的处理中判定为汽缸#1的旋转变动量Δω(1)在规定量Δωth以上，但是在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)，对标志F代入“1”(S66)。接着，CPU72使计数器C增量(S68)。相对于此，CPU72在判定为标志F是“1”的情况下(S62：是)，判定通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果是否一致(S70)。而且，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)，对标志F代入“0”(S72)。然后，CPU72判定计数器C是否大于最大值C0(S74)。而且，CPU72在判定为计数器C大于最大值C0的情况下(S74：是)，将最大值C0更新为当前的计数器C的值，并且将旋转时间集合GrT30以及额外信息集合GrE更新(S76)。

详细而言，如图5所示，旋转时间集合GrT30是3个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)被更新为对应于由最近的S70的处理判定为通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果一致的燃烧循环。在此，在最大值C0在“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)均对应于通过图2的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果不同的燃烧循环。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、填充效率η、表示有没有执行催化剂30的预热处理的预热控制变量Vcat、外部气温Ta、水温THW、变速装置54的挡位Vsft、以及作为表示锁止离合器52的接合状态的变量的接合变量Vrc组成。上述各变量优选是在S70的处理中判定为肯定的燃烧循环之前的燃烧循环中的值。除了作为向由评价映射数据76b规定的映射的输入即动作点变量的转速NE及填充效率η之外，额外信息集合GrE还是对与有无失火相应的曲轴24的旋转行为产生影响的变量的集合。即，与锁止离合器52的接合状态和/或挡位Vsft相应地，从曲轴24到驱动轮60的惯性常数互不相同，因此曲轴24的旋转行为变为不同。另外，预热控制变量Vcat、外部气温Ta和水温THW是表示燃烧状态是否稳定的变量。

再参照图4A、4B，CPU72在S76的处理完成的情况下或在S74的处理中判定为否定的情况下，将计数器C进行初始化(S79)。而且，CPU72在S68、S79的处理完成的情况下或在S60、S64的处理中判定为否定的情况下，判定是否为行程(trip)的结束时(S78)。在此，行程指的是车辆的行驶许可信号为激活(ON)状态的一次期间。在本实施方式中，行驶许可信号相当于点火信号。CPU72在判定为是行程的结束时的情况下(S78：是)，操作通信机77，将与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0、旋转时间集合GrT30以及额外信息集合GrE发送给数据解析中心100(S80)。

相对于此，如图4B所示，CPU102接收与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0、旋转时间集合GrT30以及额外信息集合GrE(S90)。然后，CPU102使图1所示的显示装置112显示与由旋转时间集合GrT30表现的曲轴24的旋转行为有关的波形数据，并且显示与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0和额外信息集合GrE(S92)。这是将熟练者(专业人员)能够据此判断是否产生了失火的信息提供给熟练者的处理。即，如果是熟练者，通过对波形数据进行视觉识别，就能够高精度地判断是否产生了失火。而且，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成为更切实的判断。由此，熟练者基于是否产生了失火的判断，能够判断使用了评价映射数据76b的失火判定是否为误判定。

CPU102在熟练者通过操作图1所示的接口114而输入了判断结果时取得该判断结果(S94)。然后，CPU102判断通过接口114的操作所输入的判断结果是否是表示使用了评价映射数据76b的失火判定为误判定这一意思的判断(S96)。而且，CPU102在为表示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、至少微小旋转时间T30(25)～T30(48)、转速NE及填充效率η、和由熟练者对是否为失火的判断结果作为再学习用数据106a进行存储(S98)。再学习用数据106a包含基于如下数据的数据：不仅从车辆VC1、而且从搭载有与内燃机10同一规格的内燃机的其他车辆VC2、…接收到的数据。

接着，CPU102判定存储于存储装置106的再学习用数据106a是否在预定量以上(S100)。而且，CPU102在判定为在预定量以上的情况下(S100：是)，使用再学习用数据106a作为训练数据，将评价映射数据76b的已学习完的参数即系数w(1)ji、w(2)kj进行更新(S102)。即，CPU72将训练数据中的除了与由熟练者对是否为失火的判断结果有关的数据以外的数据作为输入变量x(1)～x(26)来计算失火变量P(1)～P(5)，另一方面基于与由熟练者对是否为失火的判断结果有关的数据来生成监督(教师)数据。例如，如果熟练者的判断是表示汽缸#1失火这一意思的判断，那么设为P(1)＝1且P(2)～P(5)＝0。另外，例如如果熟练者的判断是表示正常这一意思的判断，那么设为P(1)～P(4)＝0且P(5)＝1。而且，利用众所周知的方法将系数w(1)ji、w(2)kj更新，以使得监督数据与神经网络输出的失火变量P(1)～P(5)之差的绝对值减小。

然后，CPU102操作通信机107，将更新后的系数w(1)ji、w(2)kj作为已再学习完的参数发送给车辆VC1、VC2、…(S104)。此外，CPU102在S104的处理完成的情况下或在S96、S100的处理中判定为否定的情况下，暂时结束图4B所示的一系列处理。

另一方面，如图4A所示，CPU72判定是否有从数据解析中心100发送来的已再学习完的参数(S82)。而且，CPU72在判定为有已再学习完的参数的情况下(S82：是)，接收系数w(1)ji、w(2)kj(S84)，将存储于存储装置76的评价映射数据76b更新(S86)。

此外，在失火变量P(1)～P(5)的计算处理中，需要系数w(1)ji、w(2)kj的信息、激活函数h1、以及表示对神经网络的输出层使用了Softmax函数这一意思的信息。对此，例如可以当在S100的处理中判定为肯定的情况下从CPU102向控制装置70发出将与这些信息有关的数据进行发送的指示，另外，例如也可以预先存储于存储装置106。

此外，CPU72在S86的处理完成的情况下或在S78、S82的处理中判定为否定的情况下，暂时结束图4A所示的一系列处理。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，执行图2所示的处理，从而监视内燃机10有无失火，在频繁地产生失火的情况下，执行为了应对该情况的报知处理。另外，CPU72基于评价映射数据76b，执行图3所示的处理，从而执行基于评价映射数据76b的失火判定。而且，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匹配，在判定为不匹配的情况下，由于存在评价映射数据76b的学习不充分的可能性，因而将用于基于评价映射数据76b的失火判定的输入数据等发送给数据解析中心100。

对此，CPU102将从CPU72发送来的输入数据等显示于显示装置112。由此，熟练者基于表示曲轴24的旋转行为的波形数据等，判断是否产生了失火，并基于此，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。CPU102在熟练者的判断结果是表示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，将从车辆侧发送来的数据的至少一部分作为再学习用数据106a存储于存储装置106。而且，在再学习用数据106a成为预定量以上时，CPU102将系数w(1)ji、w(2)kj更新，并作为已再学习完的数据发送给车辆VC1、VC2、…的每一个。

由此，在各车辆VC1、VC2、…中，利用不仅使用在自身车辆中使用评价映射数据76b招致了误判定的数据、还使用在其他车辆中使用评价映射数据76b招致了误判定的数据而更新出的系数w(1)ji、w(2)kj，将评价映射数据76b进行更新。

因此，能够将评价映射数据76b更新为能在各种状况下高精度地判定失火的数据。而且，在根据产生了不一致时的熟练者的判断，判明评价映射数据76b的可靠性较高的情况下，可以将更新出的评价映射数据76b作为实用映射数据76a利用于对失火的监视。再者，也能够从一开始就将基于搭载于多个车辆VC1、VC2、…的原始数据的已学习完的模型(映射数据)作为实用映射数据而搭载于新开发的具备同一汽缸数的内燃机的车辆所搭载的控制装置。

根据以上说明的本实施方式，还能获得以下所述的效果。

(1)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，不仅将成为不一致的燃烧循环中的微小旋转时间T30(25)～T30(48)发送给数据解析中心100，而且也发送从不一致恢复到了一致的燃烧循环中的微小旋转时间T30(49)～T30(72)。由此，不仅发送与产生了不一致的状态有关的信息，而且也发送转变成消除了不一致的状态时的信息。因而，与仅发送成为不一致的1个燃烧循环的波形数据即微小旋转时间T30(25)～T30(48)的情况相比，熟练者能够更高精度地判断是否产生了失火。

(2)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，一并发送了额外信息集合GrE。由此，与仅发送作为表示曲轴24的旋转行为的波形数据的微小旋转时间T30(1)～T30(72)的情况相比，熟练者能够更高精度地判断是否产生了失火。

(3)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，对连续产生的不一致的次数进行计数，仅将在一个行程中连续产生的不一致的次数为最大的数据发送给了数据解析中心100。在此，与单次产生了不一致的情况相比，在连续产生了不一致的情况下，使用了实用映射数据76a的失火判定的可靠性与使用了评价映射数据76b的失火判定的可靠性存在差异的可能性高，而并非偶发性的噪声等的影响。因此，通过仅发送次数最大的数据，能够减少与数据解析中心100的通信所涉及的数据量，并且能够发送尽量有益于确定评价映射数据76b的特征的信息。

(4)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，在行程结束时将产生了不一致时的数据发送给了数据解析中心100。在行程结束时，与车辆行驶时等相比，控制装置70的运算负荷较小，因而能够抑制由于发送处理而对控制装置70添加的运算负荷过度增大。

第2实施方式

以下，参照附图，以与第1实施方式的不同之处为中心对第2实施方式进行说明。

图6中表示第2实施方式涉及的学习控制系统的构成。此外，在图6中，为方便起见，对与先前的图1所示的部件对应的部件附加同一标号。在图6所示的存储装置106中存储有高规格(high-specification)映射数据106b。高规格映射数据106b是使输入变量的维数增大并且使映射的构造复杂而作为交换、能够进行模拟熟练者的失火判定的数据。在高规格映射数据106b的学习中，作为训练数据而使用了图4A、4B的处理中的旋转时间集合GrT30、额外信息集合GrE和通过S94、S96的处理得到的熟练者的判断结果。

此外，在本实施方式中，例示如下情况：通过第1实施方式的处理，评价映射数据76b的可靠性提高，将其作为实用映射数据76a进行了安装。图7中表示通过由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7所示的处理是利用实用映射数据76a的处理。图7所示的处理例如按预定周期反复执行。此外，在图7中，为方便起见，对与图2以及图3所示的处理对应的处理附加了同一步骤编号。

在图7所示的一系列处理中，CPU72执行与图3的S40～S48的处理同样的处理。即，在本实施方式中，因为在图3的处理中利用的评价映射数据76b变成了实用映射数据76a，所以使用实用映射数据76a执行S40～S48的处理。此外，在图7中，将失火变量P(1)～P(5)中的成为最大的失火变量记作失火变量P(i)，虽然记载与图3中的失火变量P(q)不同，但处理本身是相同的。

而且，CPU72在S48的处理中判定为肯定的情况下，关于判定为产生了失火的汽缸#i，执行S22～S30的处理，另一方面，在S48的处理中判定为否定的情况下，执行S24～S30的处理。

图8中表示通过由CPU72执行存储于ROM74的失火检测程序74a所实现的处理的一部分的步骤。图8所示的处理是使用评价映射数据76b的处理。

在图8所示的一系列处理中，首先，CPU72除了取得微小旋转时间T30(1)，T30(2)，…T30(24)、转速NE以及填充效率η之外，还取得外部气温Ta(S40a)。

接着，CPU72对由评价映射数据76b规定的映射的输入变量x(1)～x(27)代入通过S40a的处理所取得的值(S42a)。详细而言，CPU72对于输入变量x(1)～x(26)执行与S42的处理同样的处理，对输入变量x(27)代入外部气温Ta。

接着，CPU72通过将输入变量x(1)～x(27)输入到由评价映射数据76b规定的映射，计算与失火变量P(1)～P(5)对应的失火变量Pn(1)～Pn(5)(S44a)。详细而言，由评价映射数据76b规定的映射是中间层为一层的神经网络。上述神经网络包括系数wn(1)ji(j＝0～n，i＝0～27)和作为输入侧非线性映射的激活函数h1(x)，该输入侧非线性映射是对由系数w(1)ji规定的线性映射的输出的每一个进行非线性变换的映射。在本实施方式中，作为激活函数h1(x)，例示双曲正切函数。顺便说一下，wn(1)j0等是偏置参数，且将输入变量x(0)定义为“1”。

另外，上述神经网络包括系数wn(2)kj(k＝1～5，j＝0～n)和Softmax函数，该Softmax函数以作为由系数wn(2)kj规定的线性映射的输出的原型变量yn(1)～yn(5)的每一个作为输入，输出失火变量Pn。

而且，CPU72确定失火变量Pn(1)～Pn(5)中的成为最大的失火变量Pn(q)(S46a)。然后，CPU72判定成为最大的失火变量Pn(q)是否为“1～4”中的某一方(S48a)。而且，CPU72在判定为失火变量Pn(q)是“1～4”中的某一方的情况下(S48a：是)，判定为汽缸#q的失火(S50a)。此外，CPU72在S50a的处理完成的情况下或在S48a的处理中判定为否定的情况下，暂时结束图8所示的一系列处理。

图9A、9B中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图9A所示的处理通过图6所示的CPU72执行存储于ROM74的再学习子程序74b来实现。另外，图9B所示的处理通过由CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图9A、9B中，为方便起见，对与图4A、4B所示的处理对应的处理附加同一步骤编号。以下，沿着与再学习有关的处理的时间序列，说明图9A、9B所示的处理。

在图9B所示的一系列处理中，CPU102在S90的处理完成的情况下，对由高规格映射数据106b规定的映射的输入变量x(1)～x(79)代入相应的值(S110)。即，CPU102设为s＝1～72，对输入变量x(s)代入微小旋转时间T30(s)，对输入变量x(73)代入转速NE，对输入变量x(74)代入填充效率η。另外，CPU102对输入变量x(75)代入外部气温Ta，对输入变量x(76)代入预热控制变量Vcat，对输入变量x(77)代入水温THW，对输入变量x(78)代入挡位Vsft，对输入变量x(79)代入接合变量Vrc。接着，CPU102对由高规格映射数据106b规定的映射代入输入变量x(1)～x(79)，计算与失火变量Pn(1)～Pn(5)对应的失火变量Pm(1)～Pm(5)(S112)。

在本实施方式中，由高规格映射数据106b规定的映射由中间层的层数为“p”个、且各中间层的激活函数h1～hp为双曲正切函数的神经网络所构成。在此，若设m＝1、2、…、p，则第m中间层的各节点的值通过对激活函数hm输入由系数wm(m)规定的线性映射的输出而生成。在此，n1、n2、…、np分别为第1、第2、…、第p中间层的节点数。例如，第1中间层的各节点的值通过对激活函数h1输入在对由系数wm(1)ji(j＝0～n1，i＝0～79)规定的线性映射输入了上述输入变量x(1)～x(79)时的输出而生成。顺便说一下，wm(1)j0等是偏置参数，且将输入变量x(0)定义为“1”。

上述神经网络包括系数wm(p+1)lr(l＝1～5，r＝0～np)和Softmax函数，该Softmax函数以作为由系数wm(p+1)lr规定的线性映射的输出的原型变量ym(1)～ym(5)的每一个作为输入，输出失火变量Pm(1)～Pm(5)。

然后，CPU102判定基于评价映射数据76b的失火判定是否为误判定(S96)。即，CPU102在失火变量Pm(1)～Pm(5)中的成为最大的失火变量与通过S90的处理所接收到的与失火变量Pn(1)～Pn(5)中的成为最大的失火变量有关的信息“q”不匹配的情况下，判定为误判定。具体而言，例如在失火变量Pm(1)～Pm(5)中的成为最大的失火变量为失火变量Pm(1)、另一方面失火变量Pn(1)～Pn(5)中的成为最大的失火变量为失火变量Pn(5)的情况下，CPU102判定为误判定。

而且，CPU102在判定为误判定的情况下(S96：是)，执行S98、S100的处理，当在S100的处理中判定为肯定的情况下，将再学习用数据106a作为训练数据，将作为评价映射数据76b的已学习完的参数的系数wn(1)ji、wn(2)kj进行更新(S102a)。然后，CPU102操作通信机107，将更新后的系数wn(1)ji、wn(2)kj作为已再学习完的参数发送给车辆VC1、VC2、…(S104a)。此外，CPU102在S104a的处理完成的情况下或在S96、S100的处理中判定为否定的情况下，暂时结束图9B所示的一系列处理。

另一方面，如图9A所示，CPU72在判定为有已再学习完的参数的情况下(S82：是)，接收系数wn(1)ji、wn(2)kj(S84a)，将存储于存储装置76的评价映射数据76b进行更新(S86)。

此外，CPU72在S86的处理完成的情况下或在S78、S82的处理中判定为否定的情况下，暂时结束图9A所示的一系列处理。如此，在本实施方式中，在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的判定结果不匹配的情况下，通过使用高规格映射数据106b的判定，验证了使用评价映射数据76b的判定结果。由此，不依赖于熟练者的判断，就能够对使用了评价映射数据76b的判定结果进行验证。

第3实施方式

以下，参照附图，以与第2实施方式的不同之处为中心对第3实施方式进行说明。

图10中表示第3实施方式涉及的学习控制系统的构成。此外，在图10中，为方便起见，对与先前的图1所示的部件对应的部件附加同一标号。

如图10所示，在本实施方式中，存储装置76中虽然存储有实用映射数据76a，但没有存储评价映射数据76b。另一方面，在存储装置106中，存储有评价映射数据76b和与实用映射数据76a为同一映射数据的镜像(mirror)映射数据106d。

图11A、11B中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图11A所示的处理通过图10所示的CPU72执行存储于ROM74的再学习子程序74b来实现。另外，图11B所示的处理通过由CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图11A、11B中，为方便起见，对与图4A、4B所示的处理对应的处理附加同一步骤编号。以下，沿着与再学习有关的处理的时间序列，说明图11A、11B所示的处理。

如图11A所示，首先，CPU72取得微小旋转时间T30(1)～T30(24)、转速NE、填充效率η、预热控制变量Vcat、外部气温Ta、水温THW、挡位Vsft以及接合变量Vrc(S40b)。接着，CPU72发送旋转时间集合GrT30以及额外信息集合GrE(S76a)。在此，旋转时间集合GrT30是在S40b的处理中取得的微小旋转时间T30(1)～T30(24)，额外信息集合GrE是在S40b的处理中取得的数据中的除了微小旋转时间T30(1)～T30(24)以外的数据。而且，与图9A、9B的处理同样地，CPU72执行S42～S48、S22～S30的处理。

相对于此，如图11B所示，CPU102接收通过S76a的处理所发送的数据(S90a)，并执行与图8的S42a的处理同样的处理。而且，CPU102使用镜像映射数据106d执行与图7的S44、S46的处理同样的处理，另外，使用评价映射数据76b执行与图8的S44a、S46a的处理同样的处理。

然后，CPU102判定失火变量P(1)～P(5)中的成为最大的失火变量P(i)与失火变量Pn(1)～Pn(5)中的成为最大的失火变量Pn(q)是否不一致(S120)。该处理是通过使用了镜像映射数据106d的失火判定结果与使用了评价映射数据76b的失火判定结果是否一致的判定，来判定使用了实用映射数据76a的失火判定结果与使用了评价映射数据76b的失火判定结果是否一致的处理。

而且，CPU102在判定为不一致的情况下(S120：是)，执行图4B的S92～S98的处理后，执行图9B的S102a的处理。但是，此处在S92的处理中，使用多个S90a的处理接收到的数据，并使用与通过S120的处理判定为不一致的期间对应的燃烧循环和其前后的燃烧循环这3个燃烧循环量的微小旋转时间T30。这能够通过将由S90a的处理新取得的微小旋转时间T30在图11B的下个控制周期内利用于S42a的处理等来实现。

CPU102在S102a的处理完成的情况下或在S120、S96的处理中判定为否定的情况下，判定系数wn(1)ji、wn(2)kj是否满足可靠性基准(S122)。在此，CPU102当在S96的处理中判定为否定的频率比判定为肯定的频率多出预定值以上的情况下，判定为满足可靠性基准即可。而且，CPU102在判定为满足可靠性基准的情况下(S122：是)，操作通信机107，输出将实用映射数据76a更新为评价映射数据76b的指令，并且，发送系数wn(1)ji、wn(2)kj(S124)。此外，CPU102在S124的处理完成的情况下，暂时结束图11B所示的一系列处理。

相对于此，如图11A所示，CPU72在判定为发出了映射的更新指令的情况下(S82a)，接收系数wn(1)ji、wn(2)kj(S84a)。然后，CPU72使用接收到的系数wn(1)ji、wn(2)kj来改写实用映射数据76a(S86a)。

此外，CPU72在S82a中判定为否定的情况下或在S86a的处理完成的情况下，暂时结束图11A所示的一系列处理。顺便说一下，CPU102在执行S124的处理的情况下，将镜像映射数据106d由评价映射数据76b进行覆写。而且，在该情况下，在新生成成为评价对象的映射数据的情况下，执行与图11B所示的处理同样的处理即可。另外，当在S122的处理中判定为肯定的情况下，评价映射数据76b不仅被发送到已经出货上市的车辆VC1、VC2、…等，而且要安装于新出货的车辆。此外，此处新出货的车辆不限于搭载有与内燃机10为同一规格的内燃机的车辆，也可以是汽缸数与内燃机10相同的车辆。但是在规格不同的情况下，优选进一步将与内燃机10的排气量之差在预定量以下等作为条件。

第4实施方式

以下，参照附图，以与第3实施方式的不同之处为中心对第4实施方式进行说明。

图12中表示第4实施方式涉及的学习控制系统的构成。此外，在图12中，为方便起见，对与先前的图1所示的部件对应的部件附加同一标号。

如图12所示，在本实施方式中，存储装置106中没有存储镜像映射数据106d。图13A、13B中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图13A所示的处理通过图12所示的CPU72执行存储于ROM74的再学习子程序74b来实现。另外，图13B所示的处理通过由CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图13A、13B中，为方便起见，对与图11A、11B所示的处理对应的处理附加同一步骤编号。以下，沿着与再学习有关的处理的时间序列，说明图13A、13B所示的处理。

如图13A所示，与图11A的处理同样地，首先，CPU72执行S40b、S42～S48、S22～S30的处理。而且，CPU72在完成S28、S30的处理的情况下或在S24、S48的处理中判定为否定的情况下，除了发送旋转时间集合GrT30以及额外信息集合GrE之外，还将通过S46的处理得到的成为最大的失火变量P(i)的信息作为判定结果进行发送(S76b)，并移至S82a的处理。

相对于此，如图13B所示，CPU102接收通过S76b的处理所发送的数据(S90b)，执行S42a、S44a的处理。而且，判定通过S44a的处理计算出的失火变量Pn(1)～Pn(5)中的最大的失火变量与通过S90b的处理而和微小旋转时间T30(25)～T30(48)一起接收到的判定结果是否不一致(S120)。而且，CPU102在判定为不一致的情况下(S120：是)，与图11B的处理同样地，执行S92～S98、S102a、S122、S124的处理。

此外，S42a、S44a的处理使用通过图13B的上次控制周期内的S90b的处理所取得的数据来执行，S120的处理成为对通过上次控制周期内的S90b的处理所取得的判定结果、与本次控制周期内的S44a的处理得到的判定结果一致或不一致进行判定。

第5实施方式

以下，参照附图，以与第4实施方式的不同之处为中心对第5实施方式进行说明。

图14A、14B中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图14A所示的处理通过图12所示的CPU72执行存储于ROM74的再学习子程序74b来实现。另外，图14B所示的处理通过由CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图14A、14B中，为方便起见，对与图13A、13B所示的处理对应的处理附加同一步骤编号。以下，沿着与再学习有关的处理的时间序列，说明图14A、14B所示的处理。

在图14A所示的一系列处理中，首先，CPU72执行与S40b的处理同样的处理。之后，CPU72操作通信机77，将作为通过S40b的处理所取得的数据的一部分的、微小旋转时间T30(1)～T30(24)、转速NE、填充效率η以及外部气温Ta发送给数据解析中心100(S134)，执行S42～S48、S22～S30、S82a～S86a的处理。

相对于此，如图14B所示，CPU102接收通过S134的处理所发送的数据(S140)，执行S42a、S44a的处理。然后，CPU102操作通信机107，发送在S44a的处理中算出的失火变量Pn(1)～Pn(5)中的最大的失火变量Pn(q)的信息(S142)。

相对于此，如图14A所示，CPU72接收与图14A的一系列处理的上次控制周期内的S134的处理对应的、由S142的处理得到的失火变量Pn(q)的信息(S130)。然后，CPU72判定图14A的一系列处理的上次控制周期内的S46的处理的结果与通过本次控制周期内的S130的处理接收到的判定结果是否不一致(S120)。而且，CPU72在判定为不一致的情况下(S120：是)，操作通信机77，发送表示不一致这一意思的信息、旋转时间集合GrT30和额外信息集合GrE(S132)。在此，将旋转时间集合GrT30设为通过本次控制周期内的S40b的处理所取得的微小旋转时间T30(1)～T30(24)。相对于此，将额外信息集合GrE设为通过上次控制周期内的S40b的处理所取得的数据。

相对于此，如图14B所示，CPU102在从车辆VC1侧收取到表示不一致这一意思的通知时(S144：是)，接收旋转时间集合GrT30和额外信息集合GrE(S146)，执行S92～S98、S102、S122、S124的处理。此外，当在S144的处理中判定为不一致的情况下，通过S146的处理接收的旋转时间集合GrT30是在判定为不一致时所使用的1个燃烧循环量的微小旋转时间T30的下个1燃烧循环量的微小旋转时间T30。而且，包含有它们下个1燃烧循环量的微小旋转时间T30的3个燃烧循环量的微小旋转时间T30作为表示曲轴24的旋转行为的波形数据而通过S92的处理显示。

第6实施方式

以下，参照附图，以与第3实施方式的不同之处为中心对第6实施方式进行说明。

图15中表示第6实施方式涉及的学习控制系统的构成。此外，在图15中，为方便起见，对与先前的图1所示的部件对应的部件附加同一标号。

如图15所示，在本实施方式中，不仅没在存储装置76存储评价映射数据76b，也没有存储实用映射数据76a。相对于此，存储装置106中不仅存储有评价映射数据76b，还存储有实用映射数据76a。

图16A中表示本实施方式涉及的与评价映射数据76b的再学习有关的处理的步骤。图16A所示的处理通过图15所示的CPU72执行存储于ROM74的再学习子程序74b来实现。另外，图16B所示的处理通过由CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图16A、16B中，为方便起见，对与图13A、13B等所示的处理对应的处理附加同一步骤编号。以下，沿着与再学习有关的处理的时间序列，说明图16A、16B所示的处理。

在图16A所示的一系列处理中，CPU72在执行与图13A的S40b同样的处理后，执行与图11A的S76a同样的处理。相对于此，如图16B所示，CPU102接收通过S76a的处理所发送的数据(S90a)。然后，CPU102基于通过图16B所示的一系列处理的上次控制周期内的S90a的处理接收到的数据，执行S42a、S44、S46的处理，并发送失火变量P(1)～P(5)中的最大值的失火变量P(i)的信息(S164)。

相对于此，如图16A所示，CPU72接收最大值的失火变量P(i)的信息(S152)，执行S22～S30的处理。另一方面，如图16B所示，CPU102基于S42a的处理，执行S44a、S46a的处理，判定基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果是否一致(S120)。而且，CPU102在判定为不一致的情况下(S120：否)，执行S92～S96、S102a的处理并暂时结束图16B所示的一系列处理，另一方面，在判定为一致的情况下(S120：是)，暂时结束图16B所示的一系列处理。此外，在S92的处理中，可视化地显示基于被判定为不一致时的1个燃烧循环量的微小旋转时间T30和其前后的1个燃烧循环量的微小旋转时间T30的合计3个燃烧循环量的微小旋转时间T30的、表示曲轴24的旋转行为的波形数据。

第7实施方式

以下，参照附图，以与第1实施方式的不同之处为中心对第7实施方式进行说明。

在本实施方式中，在控制装置70内执行评价映射数据76b的再学习。图17中表示本实施方式涉及的控制装置70。如图17所示，在ROM74中存储有再学习程序74c。另外，在存储装置76中，除了实用映射数据76a和评价映射数据76b，还存储有再学习用数据106a。

图18中表示控制装置70所执行的处理的步骤。图18所示的处理通过由CPU72例如按预定周期反复执行存储于ROM74的再学习程序74c来实现。此外，在图18的处理中，为方便起见，对与图4A、4B所示的处理对应的处理附加了同一步骤编号。

在图18所示的一系列处理中，首先，CPU72执行S60的处理，在判定为是验证期间的情况下(S60：是)，执行S64的处理。而且，CPU72在判定为不一致的情况下(S64：是)，将判定为不一致时的给由评价映射数据76b规定的映射的输入数据和图2的处理中的判定结果作为再学习用数据存储于存储装置76(S98a)。然后，CPU72执行S100、S102的处理。此时，CPU72将图2的处理中的判定结果视为正确的而生成监督数据。

此外，CPU72在S102的处理完成的情况下或在S60、S64、S100的处理中判定为否定的情况下，暂时结束图18所示的一系列处理。根据以上说明的本实施方式，即使在将评价映射数据76b搭载于控制装置70之前不能充分确保训练数据、或者没有足够的学习机会的情况下，也能够使基于评价映射数据76b的失火检测精度接近基于实用映射数据76a的失火检测精度。

对应关系

上述实施方式中的事项与上述“发明内容”栏中记载的事项的对应关系如下。

执行装置对应于CPU72以及ROM74，存储装置对应于存储装置76。车载传感器对应于曲轴角传感器80、空气流量计82。第1映射数据对应于实用映射数据76a。第2映射数据对应于评价映射数据76b。第1取得处理对应于图2的S10的处理、图7的S40的处理。第1计算处理对应于图2的S16、S18的处理、图7的S42～S46的处理。第2取得处理对应于图3的S40的处理、图8的S40a的处理。第2计算处理对应于图3的S42、S44的处理、图8的S42a、S44a的处理。应对处理对应于S30的处理，预定的硬件对应于警告灯90。判定处理对应于S64、S70的处理。

再学习数据生成处理对应于图4A以及图9A的S76的处理、图18的S98a的处理。再学习处理对应于图18中的S102的处理。

执行装置对应于CPU72、102以及ROM74、104，存储装置对应于存储装置76、106。显示处理对应于S92的处理，妥当性判定结果导入处理对应于S94的处理，生成数据的处理对应于S98的处理。

执行装置对应于CPU72、102以及ROM74、104，存储装置对应于存储装置76、106。第3映射数据对应于高规格映射数据106b。

第1执行装置对应于图1以及图6的CPU72以及ROM74，第2执行装置对应于图1以及图6的CPU102以及ROM104。再学习用数据发送处理对应于S80的处理，再学习用数据接收处理对应于S90的处理，再学习处理对应于图4B以及图9B中的S102、S102a的处理。

参数发送处理对应于图4B以及图9B中的S104、S104a的处理，参数接收处理对应于图4A以及图9A中的S84、S84a的处理。

“所述第1执行装置在所述车辆的行驶结束时执行所述输入数据发送处理”对应于在S78的处理中判定为肯定的情况下执行S80的处理。

第1执行装置对应于图10的CPU72以及ROM74，第2执行装置对应于图10的CPU102以及ROM104。第1存储装置对应于图10的存储装置76，第2存储装置对应于图10的存储装置106。实用映射数据对应于实用映射数据76a，比较用映射数据对应于镜像映射数据106d。输入数据发送处理对应于图11A的S76a的处理。输入数据接收处理对应于图11B的S90a的处理。作为第1取得处理的实用用取得处理以及比较用取得处理对应于图11A的S40b的处理。

第1执行装置对应于图12的CPU72以及ROM74，第2执行装置对应于图12的CPU102以及ROM104。第1计算结果发送处理对应于图13A的S76b中的发送判定结果的处理，第1计算结果接收处理对应于图13B的S90b的处理中的接收判定结果的处理。第2计算结果接收处理对应于图14A的S130的处理，第2计算结果发送处理对应于图14B的S142的处理。

第1执行装置对应于图15的CPU72以及ROM74，第2执行装置对应于图15的CPU102以及ROM104。

其他实施方式

此外，本实施方式可以如下进行变更来实施。本实施方式及以下的变更例可以在技术上不矛盾的范围内相互组合来实施。

·[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的状态。例如，作为内燃机的状态，也可以是以下的状态。

(a)与不平衡(imbalance)有关的状态

在此，不平衡指的是，为了将多个汽缸的每一个中的混合气的空燃比控制成彼此相等的空燃比而操作了燃料喷射阀时的实际的空燃比彼此间的波动。在该情况下，作为第1映射数据的实用映射数据76a例如包含规定如下映射的数据即可，该映射基于催化剂30的上游侧的空燃比传感器的检测值的每个预定时间的变化量，输出作为表示不平衡的程度的变量的不平衡变量表示浓(rich)侧的值时的该值。另外，实用映射数据76a包含规定如下映射的数据即可，该映射基于微小旋转时间T30的变动，输出不平衡变量表示稀(lean)侧的值时的该值。另外，将作为第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，该神经网络以由上述微小旋转时间T30(1)～T30(24)组成的时间序列数据和该期间内的催化剂30的上游侧的空燃比传感器的检测值的时间序列数据作为输入，输出不平衡变量的值。另外，取而代之，也可以将以由上述微小旋转时间T30(1)～T30(24)组成的时间序列数据和该期间内的催化剂30的上游侧的空燃比传感器的检测值的时间序列数据作为输入的映射设为第1映射，将进一步增加了输入的映射设为第2映射。

(b)催化剂30的劣化程度

在该情况下，为了使用第1映射计算作为表示催化剂30的劣化程度的变量的劣化变量的值，也可以在催化剂30的下游的空燃比传感器的检测值从稀反转为浓的定时利用主动控制，以使得向催化剂30流入的排气中过剩地存在氧。而且，也可以将作为第1映射数据的实用映射数据76a设为规定如下映射的数据，该映射基于通过主动控制而催化剂30的下游的空燃比传感器的检测值从浓反转为稀为止的向催化剂30的氧流入量来输出劣化变量的值。另外，将作为第2映射数据的评价映射数据76b例如设为规定如下神经网络的数据即可，该神经网络以催化剂30的上游侧的空燃比传感器的检测值的时间序列数据、下游侧的空燃比传感器的检测值的时间序列数据、转速NE、填充效率η及催化剂30的温度作为输入，输出劣化变量的值。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计算处理。由此，能够不执行主动控制而进行判定有无劣化的的第2映射的学习，使其精度提高。另外，例如也可以将第1映射设为以催化剂30的上游侧的空燃比传感器的检测值的时间序列数据、下游侧的空燃比传感器的检测值的时间序列数据、转速NE、填充效率η及催化剂30的温度作为输入并输出劣化变量的值的神经网络，将第2映射设为比第1映射增加了输入的维度的神经网络。

(c)过滤器捕集到的PM量

在此，以催化剂30具备捕集颗粒物质(PM)的过滤器为前提。在该情况下，作为第1映射数据的实用映射数据76a例如构成为具备如下数据即可：确定内燃机10的动作点变量与PM量的基准值的关系的映射数据；确定点火正时与PM量的修正量的关系的映射数据；和确定内燃机10的冷却水的温度与PM量的修正量的关系的映射数据。另外，作为第2映射数据的评价映射数据76b设为规定以动作点变量、点火正时、水温等作为输入的神经网络的数据即可。另外，例如也可以将第1映射设为以动作点变量、点火正时、水温作为输入的神经网络，将第2映射设为比第1映射增加了输入的维度的神经网络。

(d)催化剂30的温度

在该情况下，作为第1映射数据的实用映射数据76a例如设为规定以催化剂30的上游侧的排气温度的检测值作为输入的一阶滞后过滤器或二阶滞后过滤器的数据即可。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，该神经网络以排气温度的检测值、动作点变量、催化剂30的上游侧的空燃比传感器的检测值各自的时间序列数据、和催化剂30的温度的上次值作为输入。另外，例如也可以将第1映射设为以排气温度的检测值、动作点变量、催化剂30的上游侧的空燃比传感器的检测值各自的时间序列数据、和催化剂30的温度的上次值作为输入的神经网络，将第2映射设为比第1映射增加了输入的维度的神经网络。

(e)与空燃比传感器的响应性的劣化有关的状态

在该情况下，在使用作为第1映射数据的实用映射数据76a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在稀和浓之间大幅变化的主动控制。而且，将实用映射数据76a设为如下数据即可，该数据基于通过主动控制而催化剂30的上游侧的空燃比传感器的检测值(上游侧空燃比Afu)从浓反转为稀或者从稀反转为浓为止的所需时间等，计算作为表示劣化程度的变量的劣化变量的值。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，该神经网络以喷射量的时间序列数据和上游侧空燃比Afu的时间序列数据作为输入，输出劣化变量的值。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计算处理。

(f)与催化剂的氧吸藏量有关的状态

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，该映射数据以上游侧空燃比Afu的平均值与催化剂30的下游侧的空燃比传感器的检测值(下游侧空燃比Afd)的平均值之差作为输入变量，以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，该神经网络以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以及催化剂的温度的预定期间内的累计值、和吸藏量变量的上次值作为输入，输出吸藏量变量的值。

(g)与内燃机有无爆震(knocking)有关的状态

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，该映射根据爆震传感器的检测值的累计值与判定值的大小比较，输出表示是否为爆震的逻辑值。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，该神经网络以爆震传感器的检测值的时间序列数据作为输入，输出燃烧室18内的压力的峰值。在该情况下，在峰值在阈值以上的情况下，判定为产生了爆震即可。

(h)与向燃料喷射阀20供给的燃料的温度有关的状态

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，该映射数据以转速NE、填充效率η及水温THW作为输入变量，以燃料的温度作为输出变量。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，该神经网络以转速NE、填充效率η、燃料喷射阀20的燃料的喷射量、进气温度、车速V、燃料的温度的上次值作为输入，输出燃料的温度。

(i)清除(purge)系统有无异常

在该情况下，考虑如下映射：在具备捕集燃料箱内的燃料蒸气的罐(canister)、以及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，在清除路径上有孔的情况下，判定为异常。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后，在将清除阀关闭时的压力的上升速度在阈值以上的情况下，输出表示有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，该神经网络以罐内的压力的时间序列数据和大气压作为输入，输出与有无孔相应的输出值。

(j)EGR率

在此，前提是具备将内燃机10的排气通路28与进气通路12连接的EGR通路、以及调整EGR通路的流路截面积的EGR阀。另外，EGR率是相对于从进气通路12流入到燃烧室18的流体的流量的从EGR通路流入到进气通路12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设为如下映射数据即可，该映射数据以转速NE及填充效率η作为输入变量，以EGR率作为输出变量。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，该神经网络以转速NE、填充效率η、进气通路12内的压力以及吸入空气量Ga作为输入变量，输出EGR率。

(k)与窜漏气(blow-by gas)送出路有无泄漏有关的状态

在此，以具备将内燃机的曲轴箱与进气通路连接的窜漏气送出路为前提。在该情况下，在窜漏气送出路设置压力传感器，作为第1映射数据的实用映射数据76a设为基于通过压力传感器所检测的压力与基于转速NE及填充效率η的判定值的大小比较来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，该神经网络以转速NE、填充效率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，输出表示有无异常的值。

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4A、4B和图9A、9B、图18的处理中，仅限于验证期间，判定了基于实用映射数据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，但不限于此，例如也可以常态进行。

在上述实施方式中，对基于在同一时期取得的传感器的检测值的失火的判定结果是否一致进行了判定，但根据映射数据的选择，并非必须判定以基于在同一时期取得的传感器的检测值的数据作为输入的第1映射的输出与第2映射的输出的匹配性。例如，在如“关于车辆的既定状态”一栏中记载的那样，输出催化剂30和/或空燃比传感器的劣化变量的值的映射、且以仅限于第1映射进行主动控制为前提的情况下，基于在同一行程内算出的值判定有无匹配性即可。

在如“关于车辆的既定状态”一栏中记载的那样，输出催化剂30和/或空燃比传感器的劣化变量的值的映射等的情况下，在第1映射的输出值与第2映射的输出值之差的绝对值在预定值以上的情况下判定为不匹配即可。

·[关于已再学习完的参数]

在图4A、4B以及图9A、9B中，将作为更新出的参数的已再学习完的参数经由网络110发送给了各车辆VC1、VC2、…，但不限于此。例如也可以发送给车辆的销售店，各车辆VC1、VC2、…在入库到销售店时将存储装置76内的数据更新。即使在该情况下，也能够进一步评价并更新根据已再学习完的参数所更新出的评价映射数据76b的可靠性。

不过，向提供了用于再学习的数据的车辆提供已再学习完的参数本身不是必须的。也可以使用已再学习完的参数来更新评价映射数据76b，并仅对新开发出的车辆安装更新后的评价映射数据76b。在该情况下，优选为，搭载于新开发出的车辆的内燃机的排气量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小于等于预定量。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失火的概率相应的失火变量的数据的情况下，优选为，搭载于新开发出的车辆的内燃机的汽缸数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。

再者，在图4A、4B以及图9A、9B的处理中，也可以在使用已再学习完的参数将评价映射数据76b更新后，以此，将实用映射数据76a覆写。另外，在图11A、11B、图13A、13B以及图14A、14B的处理中，也可以不执行S124的处理，而将在S122的处理中判定为肯定的评价映射数据76b作为实用映射数据76a安装于新出货的车辆。

·[关于显示装置]

在上述实施方式中，将显示装置112配置在数据解析中心100，但不限于此，也可以配置在有别于配置有存储装置106等的据点的其他据点。

·[关于再学习数据生成处理]

在图4A、4B、图11A、11B、图13A、13B、14A、14B以及图16A、16B中，通过将在使用评价映射数据76b算出的失火变量P(j)、Pn(j)的计算中使用的输入数据和关联的数据显示于显示装置112，熟练者评价是否为误判定，但不限于此。例如，也可以使用高规格映射数据106b自动进行评价。此外，在对使用评价映射数据76b算出的失火变量P(j)、Pn(j)进行评价时，不是必须进一步将除计算失火变量P(j)、Pn(j)所使用的输入数据以外的数据考虑进去进行评价。

在图9A、9B中，基于在使用评价映射数据76b算出的失火变量Pn(j)的计算中使用的输入数据和关联的数据，使用高规格映射数据106b自动地评价了是否为误判定，但不限于此，例如也可以设为熟练者进行评价。

在图4A、4B的处理中，为便于说明，每当S80的处理被执行时，都执行S92的处理，但不限于此。例如也可以在将判定为不一致的数据储存(积蓄)到预定量的时间点执行S92的处理。另外，例如也可以每次都将判定为不一致的数据进行储存，根据来自熟练者的请求，执行S92的处理。

在图11A、11B、图13A、13B、图14A、14B以及图16A、16B的处理中，为便于说明，每当判定出使用了评价映射数据76b的评价结果与使用了实用映射数据76a的评价结果的不一致时，都执行S92的处理，但不限于此。例如也可以在将判定为不一致的数据储存到预定量的时间点执行S92的处理。另外，例如也可以每次都将判定为不一致的数据进行储存，根据来自熟练者的请求，执行S92的处理。再者，也可以使得在S92的处理中显示的表示曲轴24的旋转行为的波形数据与图4A、4B的处理同样地包括判定为不一致时的数据和从不一致转变为一致时的数据。另外，例如也可以将在S92的处理中显示的表示曲轴24的旋转行为的波形数据设为4个燃烧循环以上的期间的数据。

在上述实施方式中，使用精度比由评价映射数据76b和/或实用映射数据76a规定的映射高的主体，对由评价映射数据76b规定的映射的判定结果的妥当性进行了判断，但不限于此。例如，也可以根据由评价映射数据76b规定的映射的判定结果、和基于两个以上的其他映射的判定结果的择多，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，例如也可以将上述基于两个以上的其他映射的判定结果中的一个替换成由评价映射数据76b规定的映射的判定结果，作为由熟练者进行的判断。

·[关于比较用映射数据]

在图10中，作为比较用数据，例示了与实用映射数据76a相同的镜像映射数据106d，但不限于此。例如，也可以为高规格映射数据106b。在该情况下，当在S120的处理中判定为不一致的情况下，也可以将此视为S96的处理中的误判定。此外，作为比较用数据，不限于如与实用映射数据76a相同的数据、高规格映射数据106b这样能够进行与熟练者等同的高精度的判定的映射。

·[关于第1映射、第1映射数据]

在图1中，作为实用映射数据76a，例示了执行S16、S18的处理的数据，但不限于此。

在图6、图10、图12、图15中，作为实用映射数据76a，例示了中间层为一层的神经网络，但不限于此。例如也可以是中间层为两层以上的神经网络。另外，作为激活函数h1，不限于双曲正切函数，例如也可以是逻辑Sigmoid函数和/或ReLU。此外，ReLU是将输入与“0”中的较小一方输出的函数。另外，不限于将神经网络的输出层的节点的数量即维度设为“(汽缸数)+1”。例如，也可以设为与汽缸数相等的个数，在各输出值中有超过阈值的输出值的情况下判定为存在失火。另外，例如也可以将成为基于神经网络的一次输出的有无失火的判定对象的汽缸设为一个，将输出层的节点的数量设为一个。此外，在该情况下，优选输出层通过逻辑Sigmoid函数等而将输出值的可取的值的范围标准化。

作为实用映射数据，不限于规定神经网络的数据。例如，也可以是根据成为失火判定对象的一个汽缸的有无失火而输出互不相同的符号的数值的识别函数。该函数例如也可以由支持向量机(Support Vector Machine)构成。

·[关于第2映射数据]

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一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两层以上的神经网络的数据。另外，作为激活函数h1，不限于双曲正切函数，例如也可以是逻辑Sigmoid函数和/或ReLU。另外，不限于将神经网络的输出层的节点的数量即维度设为“(汽缸数)+1”。例如，也可以设为与汽缸数相等的个数，在各输出值中有超过阈值的输出值的情况下判定为存在失火。另外，例如也可以将成为基于神经网络的一次输出的有无失火的判定对象的汽缸设为一个，将输出层的节点的数量设为一个。此外，在该情况下，优选输出层通过逻辑Sigmoid函数等而将输出值的可取的值的范围标准化。

此外，第2映射的输入的维数也不是必须比第1映射的输入的维数大。例如也可以是输入的维数相同且中间层的层数比第1映射的层数大的映射。另外，例如也可以是输入的维数以及中间层的层数均与第1映射相同而激活函数互不相同的映射。

作为第2映射，不限于神经网络。例如，也可以是根据成为失火判定对象的一个汽缸的有无失火而输出互不相同的符号的数值的识别函数。该函数例如也可以由支持向量机构成。

·[关于第3映射、第3映射数据]

在上述实施方式中，作为第3映射数据，例示了与由评价映射数据76b规定的映射的输入相比维度较大且中间层的层数较多的高规格映射数据106b，但不限于此。例如，也可以是维数相同、中间层的层数较多的数据。该数据例如能够通过将输入变量设为与在S42a中例示的变量相同、且将中间层的层数设为两层以上来实现。另外，例如也可以为维数较大而中间层的层数相同。

在上述实施方式中，作为第3映射数据，例示了将从搭载有一个规格的内燃机10的多个车辆VC1、VC2、…发送的数据作为训练数据的已学习完的模型(高规格映射数据106b)，但不限于此。例如也可以使用从搭载有汽缸数、排气量等不同的各种内燃机的车辆发送的数据作为训练数据。但是，在该情况下，优选将汽缸数、排气量等规格信息作为第3映射的输入变量。此外，作为第3映射的输入变量，不限于此，例如也可以包含在熟练者进行判断时不使用的变量。另外，对学习第3映射数据时的监督数据的至少一部分使用熟练者的判断结果也不是必须的。

·[关于输入数据发送处理]

在图4A、4B和/或图9A、9B的处理中，发送了3个燃烧循环量的微小旋转时间T30的时间序列数据，但不限于此。例如也可以是在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的判定结果不匹配时的微小旋转时间T30(25)～T30(48)、和在从判定为不匹配的状态转变为判定为匹配的状态时的微小旋转时间T30(49)～T30(72)这2个燃烧循环量的时间序列数据。

在图4A、4B和/或图9A、9B的处理中，除了发送了在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的判定结果不匹配时的微小旋转时间T30(25)～T30(48)之外，还发送了在从判定为不匹配的状态转变为判定为匹配的状态时的微小旋转时间T30(49)～T30(72)，但不限于此。例如也可以发送在判定为匹配的状态下的微小旋转时间T30的时间序列数据、和在从判定为匹配的状态转变为判定为不匹配的状态时的微小旋转时间T30的时间序列数据。

作为成为发送对象的时间序列数据中的在转变为判定为匹配的状态时的微小旋转时间T30的时间序列数据，不限于1个燃烧循环量的时间序列数据。例如，在如“关于第2映射数据”一栏中记载的那样，基于一次输入的输出值仅输出一个汽缸的失火变量的值等、且输入数据本身是比1个燃烧循环短的期间内的微小旋转时间T30的时间序列数据的情况下，也可以设为与此相应的量的时间序列数据。不过，构成向映射的输入变量的微小旋转时间T30的时间序列数据与转变为判定为匹配的状态时的微小旋转时间T30的时间序列数据也不是必须为具有同一长短的区间内的微小旋转时间T30。

在图4A、4B和/或图9A、9B的处理中，在一个行程发送了一次在连续判定为不匹配的次数成为最大时对应的3个燃烧循环量的微小旋转时间T30的时间序列数据，但不限于此。例如，也可以在一个行程发送一次与连续判定为不匹配的次数成为最大时对应的、连续判定为不匹配的期间内的微小旋转时间T30的全部、和从判定为不匹配的状态转变为判定为匹配的状态时的微小旋转时间T30的1个燃烧循环量的时间序列数据。另外，例如也可以在一个行程发送一次判定为不匹配的期间内的微小旋转时间T30的全部、和关于这些期间的每个期间的从判定为不匹配的状态转变为判定为匹配的状态时的微小旋转时间T30的1个燃烧循环量的时间序列数据。

在图4A、4B和/或图9A、9B的处理中，作为成为发送对象的与由评价映射数据76b规定的映射的输出值有关的数据，不限于该映射的输出值本身。例如，也可以是由实用映射数据76a规定的映射的输出值。在该情况下，例如在S92～S94的处理中，在熟练者判断为由实用映射数据76a规定的映射的输出值正确的情况下，在S96的处理中判定为肯定即可。不过，即使不发送这样的数据，通过发送输入数据，在数据解析中心100侧也能够计算由评价映射数据76b规定的映射的输出值。

作为成为发送对象的与给由评价映射数据76b规定的映射的输入数据有关的数据，不限于输入数据本身。例如，即使在给由评价映射数据76b规定的映射的输入数据是通过S16的处理利用的微小旋转时间T30[0]、T30[6]的情况下，也可以将成为发送对象的数据作为微小旋转时间T30(1)～T30(24)等。由此，例如通过S92的处理，能够向熟练者提供波形数据的可视性信息。

作为成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，不限于由额外信息集合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以外的数据设为发送对象本身就不是必须的。

·[关于应对处理]

在上述实施方式中，作为报知处理，例示了操作搭载于车辆的警告灯90的处理，但不限于此。例如也可以设为为了使用户的便携终端显示表示产生了异常这一意思的信息而操作通信机77的处理。

作为应对处理，不限于报知处理。例如，也可以是根据表示产生了失火这一意思的信息对用于控制内燃机10的燃烧室18内的混合气的燃烧的操作部进行操作的处理。另外，例如在如上述“关于车辆的既定状态”一栏中记载的那样，输出不平衡变量的值的映射的情况下，也可以设为操作燃料喷射阀以使得抑制不平衡异常的处理。另外，例如在如上述“关于车辆的既定状态”一栏中记载的那样，输出PM量的映射的情况下，也可以设为通过操作用于使过滤器的温度上升的内燃机10的操作部从而将PM燃烧去除的处理。另外，例如在如上述“关于车辆的既定状态”一栏中记载的那样，输出催化剂的温度的映射的情况下，也可以是操作用于使催化剂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。

·[关于车辆用学习控制系统]

另外，例如也可以由除了控制装置70以及数据解析中心100之外加上便携终端来构成车辆用学习控制系统。这例如能够通过在上述第1实施方式中由便携终端执行图3的处理并将其结果发送给控制装置70来实现。

·[关于车辆用学习装置]

也可以取代数据解析中心100而使用便携终端构成车辆用学习装置。这例如能够通过预先在便携终端的存储装置中存储高规格映射数据106b等并由便携终端执行图9B的处理等来实现。此外，在该情况下，也可以仅将与车辆VC1有关的数据发送给车辆VC1的用户的便携终端。

·[关于执行装置]

作为执行装置，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被进行软件处理的内容的至少一部分进行硬件处理的专用硬件电路(例如ASIC等)。即，执行装置是以下的(a)～(c)中的任一的构成即可。

(a)具备按照程序执行上述处理的全部的处理装置、和存储程序的ROM等程序存储装置。

(b)具备按照程序执行上述处理的一部分的处理装置以及程序存储装置、和执行其余处理的专用硬件电路。

(c)具备执行上述处理的全部的专用硬件电路。

在此，具备处理装置以及程序存储装置的软件执行装置、和专用硬件电路也可以为多个。

·[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设为有别的存储装置，但不限于此。另外，例如将存储高规格映射数据106b、评价映射数据76b、镜像映射数据106d的存储装置106与存储再学习主程序104a的存储装置即ROM104设为有别的存储装置，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，例示了向燃烧室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，不限于仅内燃机成为生成车辆的推进力的装置的车辆，例如除了“关于内燃机”一栏中记载的串联混合动力车以外，还可以是并联混合动力车、混联式(series-parallel)混合动力车。再者，也可以是不搭载内燃机的电动汽车。

·[其他]

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

Claims (15)

1.一种车辆用控制装置，其特征在于，

具备执行装置以及存储装置，

所述存储装置中存储有第1映射数据和第2映射数据，所述第1映射数据是规定第1映射的数据，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，并输出与车辆的既定状态有关的第1输出值，所述第2映射数据是规定第2映射的数据，并且包含通过机器学习所学习过的数据，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，并输出与所述既定状态有关的第2输出值，

所述执行装置执行如下处理：取得所述第1输入数据的第1取得处理；以所述第1输入数据为所述第1映射的输入来计算所述第1输出值的第1计算处理；基于所述第1计算处理的计算结果来操作为了应对该计算结果的预定的硬件的应对处理；取得所述第2输入数据的第2取得处理；以所述第2输入数据为所述第2映射的输入来计算所述第2输出值的第2计算处理；以及判定所述第1输出值与所述第2输出值是否匹配的判定处理。

2.根据权利要求1所述的车辆用控制装置，其特征在于，

所述执行装置在通过所述判定处理判定为不匹配的情况下，执行基于判定为所述不匹配时的所述第2输入数据来生成用于更新所述第2映射数据的数据的再学习数据生成处理。

3.根据权利要求2所述的车辆用控制装置，其特征在于，

所述执行装置执行基于通过所述再学习数据生成处理所生成的数据来再学习所述第2映射数据的再学习处理。

4.一种车辆用学习控制系统，其特征在于，

具备权利要求3所述的所述执行装置以及所述存储装置，

所述再学习数据生成处理包括：使与所述第2输入数据有关的信息显示于显示装置的显示处理；导入所述第2映射的输出值是否有误的信息的妥当性判定结果导入处理；以及基于通过所述妥当性判定结果导入处理所导入的信息生成用于更新所述第2映射数据的数据的处理。

5.一种车辆用学习控制系统，其特征在于，

具备权利要求3所述的所述执行装置以及所述存储装置，

所述存储装置中存储有第3映射数据，所述第3映射数据是规定第3映射的数据，第3映射以基于所述车载传感器的检测值的数据为输入，并输出与所述既定状态有关的第3输出值，

所述再学习数据生成处理包括：对所述第3映射输入基于所述车载传感器的检测值的数据来计算所述第3输出值的第3计算处理；以及基于所述第3输出值与所述第2输出值有无匹配性来生成用于更新所述第2映射数据的数据的处理。

6.一种车辆用控制装置，其特征在于，

具备第1执行装置，

所述第1执行装置是权利要求4或5所述的所述执行装置所具备的搭载于车辆的第1执行装置以及有别于车载装置的第2执行装置中的所述第1执行装置，

所述执行装置所执行的所述再学习数据生成处理包括：发送与判定为所述不匹配时的所述第2输入数据有关的数据的输入数据发送处理；以及接收通过所述输入数据发送处理所发送的所述数据的输入数据接收处理，

所述第1执行装置是执行所述第1取得处理、所述第1计算处理、所述第2取得处理、所述第2计算处理、所述应对处理、所述判定处理、以及所述输入数据发送处理的装置，

所述第2执行装置是执行所述再学习数据生成处理中的除所述输入数据发送处理以外的处理、以及所述再学习处理的装置。

7.根据权利要求6所述的车辆用控制装置，其特征在于，

所述第2执行装置执行将通过所述再学习处理所学习到的已再学习完的参数向所述车辆进行发送的参数发送处理，

所述第1执行装置执行接收通过所述参数发送处理所发送的所述参数的参数接收处理。

8.根据权利要求6或7所述的车辆用控制装置，其特征在于，

所述第1执行装置在所述车辆的行驶结束时执行所述输入数据发送处理。

9.一种车辆用学习装置，其特征在于，

具备权利要求6至8中任一项所述的所述第2执行装置。

10.一种车辆用学习装置，其特征在于，

具备第2执行装置以及第2存储装置，

所述第2执行装置是权利要求4或5所述的所述执行装置所具备的搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置中的所述第2执行装置，

所述第2存储装置是权利要求4或5所述的所述存储装置所具备的搭载于所述车辆的第1存储装置以及有别于车载装置的第2存储装置中的所述第2存储装置，

所述第1映射数据包含实用映射数据和比较用映射数据，

所述第1存储装置存储有所述实用映射数据，

所述第2存储装置存储有所述比较用映射数据以及所述第2映射数据，

所述第1取得处理包括：取得成为向由所述实用映射数据所规定的映射的输入的数据的实用用取得处理；以及取得成为向由所述比较用映射数据所规定的映射的输入的数据的比较用取得处理，

所述第1执行装置是执行如下处理的装置：所述第1取得处理、所述第2取得处理、基于所述实用映射数据的所述第1计算处理、将通过所述比较用取得处理取得的数据和通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、以及所述应对处理，

所述第2执行装置是执行如下处理的装置：接收通过所述输入数据发送处理所发送的所述数据的输入数据接收处理、基于所述比较用映射数据的所述第1计算处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。

11.一种车辆用控制装置，其特征在于，

具备第1执行装置以及第1存储装置，

所述第1执行装置是权利要求4或5所述的所述执行装置所具备的搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置中的所述第1执行装置，

所述第1存储装置是权利要求4或5所述的所述存储装置所具备的搭载于所述车辆而存储所述第1映射数据的第1存储装置、以及作为有别于车载装置的装置的存储所述第2映射数据的第2存储装置中的所述第1存储装置，

所述第1执行装置是执行如下处理的装置：所述第1取得处理、所述第2取得处理、将通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、所述第1计算处理、发送所述第1计算处理的计算结果的第1计算结果发送处理、以及所述应对处理，

所述第2执行装置是执行如下处理的装置：接收通过所述输入数据发送处理所发送的所述第2输入数据的输入数据接收处理、接收通过所述第1计算结果发送处理所发送的计算结果的第1计算结果接收处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。

12.一种车辆用控制装置，其特征在于，

具备第1执行装置以及第1存储装置，

所述第1执行装置是权利要求4或5所述的所述执行装置所具备的搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置中的所述第1执行装置，

所述第1存储装置是权利要求4或5所述的所述存储装置所具备的搭载于所述车辆而存储所述第1映射数据的第1存储装置、以及作为有别于车载装置的装置的存储所述第2映射数据的第2存储装置中的所述第1存储装置，

所述第1执行装置是执行如下处理的装置：所述第1取得处理、所述第2取得处理、将通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、所述第1计算处理、接收所述第2计算处理的计算结果的第2计算结果接收处理、所述应对处理、所述判定处理、发送与所述判定处理的判定结果有关的数据的结果发送处理，

所述第2执行装置是执行如下处理的装置：接收通过所述输入数据发送处理所发送的数据的输入数据接收处理、所述第2计算处理、发送所述第2计算处理的计算结果的第2计算结果发送处理、接收通过所述结果发送处理所发送的数据的结果接收处理、所述再学习数据生成处理、以及所述再学习处理。

13.一种车辆用学习装置，其特征在于，

具备权利要求11或12所述的所述第2执行装置以及所述存储装置。

14.一种车辆用控制装置，其特征在于，

具备第1执行装置，

所述第1执行装置是权利要求4或5所述的所述执行装置所具备的搭载于所述车辆的第1执行装置以及有别于车载装置的第2执行装置中的所述第1执行装置，

所述第1执行装置是执行如下处理的装置：所述第1取得处理、所述第2取得处理、将通过所述第1取得处理取得的所述第1输入数据和通过所述第2取得处理取得的所述第2输入数据发送到所述车辆的外部的输入数据发送处理、接收所述第1计算处理的计算结果的结果接收处理、以及所述应对处理，

所述第2执行装置是执行如下处理的装置：接收通过所述输入数据发送处理所发送的数据的输入数据接收处理、所述第1计算处理、发送所述第1计算处理的计算结果的第1计算结果发送处理、所述第2计算处理、所述判定处理、所述再学习数据生成处理、以及所述再学习处理。

15.一种车辆用学习装置，其特征在于，

具备权利要求14所述的所述第2执行装置以及权利要求4或5所述的所述存储装置。

Images