CN112412649A - 车辆用控制装置、车辆用学习系统和车辆用控制方法 - Google Patents

Abstract

本发明涉及车辆用控制装置、车辆用学习系统和车辆用控制方法。车辆用控制装置，具有：构成为存储映射数据的存储装置，该映射数据包括如下数据：规定将基于车载传感器的检测值的输入数据作为输入并输出具有与车辆的既定的状态相关的信息的输出值的映射，并且通过机器学习而进行了学习；以及构成为执行取得处理的执行装置，该取得处理取得所述输入数据和另外于对所述映射的所述输入数据的关联数据。所述执行装置构成为执行算出处理，该算出处理将通过所述取得处理而取得的所述输入数据作为向所述映射的输入来算出所述输出值。另外，所述执行装置构成为执行发送处理，该发送处理将用于所述输出值的算出的所述输入数据、以及与所述输入数据一起通过所述取得处理而取得的所述关联数据发送到所述车辆的外部。

Description

车辆用控制装置、车辆用学习系统和车辆用控制方法

技术领域

本发明涉及车辆用控制装置、车辆用学习系统和车辆用控制方法。

背景技术

例如，在下述日本特开平4-91348中提出了具有如下神经网络的装置， 该神经网络将旋转速度的变化量即旋转变动量作为输入并输出表示在内燃 机的多个汽缸各自中是否产生了失火(不发火)的值。

发明内容

然而，一般来说，为了提高通过机器学习而进行了学习的学习完毕模 型的可靠性，需要使神经网络采用在各种状况下的训练数据来学习。但是， 在神经网络搭载于车辆以前，关于在实际搭载于车辆的情况下所能产生的 各种状况，未必能得到充分的训练数据。在无法得到充分的训练数据的情 况下，有时难以验证在上述神经网络搭载于车辆的情况下神经网络是否会 在各种状况下输出正确的值。

本发明的第1方式涉及车辆用控制装置。该车辆用控制装置具有存储 装置和执行装置。所述存储装置存储映射数据，该映射数据包括如下数据： 规定将基于车载传感器的检测值的输入数据作为输入并输出具有与车辆的 既定的状态相关的信息的输出值的映射，并且通过机器学习而进行了学习。 所述执行装置构成为执行取得处理，在该取得处理中取得所述输入数据和 另外于对所述映射的所述输入数据的关联数据。所述执行装置构成为执行 算出处理，在该算出处理中将通过所述取得处理而取得的所述输入数据作 为向所述映射的输入来算出所述输出值。所述执行装置构成为执行发送处 理，在该发送处理中将用于所述输出值的算出的所述输入数据、以及与所 述输入数据一起通过所述取得处理而取得的所述关联数据发送到所述车辆 的外部。

根据上述构成，除了随着车辆的行驶而由执行装置算出的输出值之外， 还将另外于输入数据的关联数据发送到车辆的外部。因此，在车辆的外部， 能够利用关联数据来验证映射的妥当性。

在所述车辆用控制装置中，所述关联数据可以包括表示所述车辆的位 置信息的变量即位置信息变量的值。车辆所处的状况因地域而异，从而担 心因各种因素而给映射的输出值的精度带来影响。于是，在上述构成中， 通过关联数据包括位置信息变量的值，能够基于地域所特有的各种因素来 验证映射的妥当性。

在所述车辆用控制装置中，所述关联数据可以包括表示所述车辆所处 的环境的变量即环境变量的值。担心由于车辆所处的环境，因各种因素而 给映射的输出值的精度带来影响。于是，在上述构成中，通过关联数据包 括环境变量的值，能够基于源于环境的各种因素来验证映射的妥当性。

所述车辆可以具有内燃机。在所述车辆用控制装置中，所述既定的状 态可以是所述内燃机的状态。所述环境变量可以包括表示进气温度的变量 即进气温度变量。

内燃机的燃烧室的混合气的燃烧状态等因进气温度而变化。于是，在 上述构成中，通过关联数据包括进气温度变量的值，能够基于进气温度来 验证映射的妥当性。

在所述车辆用控制装置中，所述既定的状态可以是所述内燃机的状态。 所述环境变量可以包括表示大气压的变量即大气压变量。

排气通路内的压力根据大气压而不同等，所以，大气压能给燃烧室内 的混合气的燃烧状态带来影响。于是，在上述构成中，通过关联数据包括 大气压变量的值，能够基于大气压来验证映射的妥当性。

所述车载传感器可以包括曲轴角传感器。所述输入数据可以包括旋转 波形变量的值，该旋转波形变量是包括与瞬时速度在相互不同的比所述内 燃机的压缩上止点的出现间隔小的角度间隔中的值彼此的差异相关的信息 的变量，该瞬时速度是所述角度间隔中的所述内燃机的曲轴的旋转速度。 所述环境变量可以包括表示所述车辆正在行驶的路面的状态的路面状态变 量。

曲轴的旋转举动能因路面的状态而变化，所以，存在旋转波形变量受 到路面的状态的影响的可能性。因此，映射的输出值也存在受到路面的状 态的影响的可能性。于是，在上述构成中，通过关联数据包括路面状态变 量的值，能够基于路面的状态来验证映射的妥当性。

在所述车辆用控制装置中，所述关联数据可以包括表示所述车辆的运 转状态的变量即运转状态变量的值。根据上述构成，通过关联数据包括运 转状态变量的值，能够基于车辆的运转状态来验证输出具有与车辆的既定 的状态相关的信息的输出值的映射的妥当性。

在所述车辆用控制装置中，所述运转状态变量可以包括表示所述内燃 机的燃烧控制模式的变量即模式变量。在燃烧控制模式不同的情况下，内 燃机的燃烧室的混合气的燃烧状态不同，所以，存在给具有与内燃机的状 态相关的信息的输出值的精度带来影响的可能性。于是，在上述构成中， 通过关联数据包括模式变量的值，能够验证输出值的精度是否因燃烧控制 模式而变化。

所述车辆可以具有变速装置，该变速装置构成为使所述内燃机的曲轴 的旋转速度相对于输出侧的旋转速度之比即变速比可变。在所述车辆用控 制装置中，所述车载传感器可以包括曲轴角传感器。所述运转状态变量可 以包括表示所述变速装置的变速比的变量即变速比变量。

从曲轴到驱动轮为止的惯性矩根据变速比而不同，所以，曲轴的旋转 举动不同。因此，被输入基于曲轴角传感器的输出值的输入数据的映射的 输出值的精度存在因变速比而变化的可能性。在这一方面，在上述构成中， 通过关联数据包括变速比变量的值，能够基于变速比来验证映射的妥当性。

在所述车辆可以搭载有在排气通路中具有催化剂的内燃机。在所述车 辆用控制装置中，与所述既定的状态相关的信息可以是与所述催化剂的温 度相关的信息。所述运转状态变量可以包括表示所述车辆的行驶速度的变 量即车速变量。

催化剂的温度受到行驶风的影响，所以，具有与催化剂的温度相关的 信息的映射的输出值的精度存在受到车速的影响的可能性。在这一方面， 在上述构成中，通过关联数据包括车速变量的值，能够基于车速来验证映 射的妥当性。

在所述车辆用控制装置中，所述映射可以是第2映射，所述映射数据 可以是第2映射数据，所述输入数据可以是第2输入数据，所述输出值可 以是第2输出值，所述取得处理可以是第2取得处理，所述算出处理可以 是第2算出处理。所述存储装置可以构成为存储第1映射数据，该第1映 射数据是规定第1映射的数据，该第1映射将基于所述车载传感器的检测 值的第1输入数据作为输入并输出包括与所述既定的状态相关的信息的输 出值即第1输出值。所述执行装置可以构成为执行第1取得处理，在该第 1取得处理中取得基于所述车载传感器的检测值的所述第1输入数据。所 述执行装置可以构成为执行第1算出处理，在该第1算出处理中将通过所 述第1取得处理而取得的所述第1输入数据作为向所述第1映射的输入来 算出所述第1输出值。所述执行装置可以构成为执行判定处理，在该判定 处理中判定所述第1输出值和所述第2输出值是否相符。所述执行装置可 以构成为在所述执行装置通过所述判定处理而判定为不相符的情况下执行 所述发送处理。

在上述构成中，在通过判定处理而判定为相符的情况下，与判定为相 符的情况相比，第2映射的输出值的妥当性低的可能性高。在这一方面， 在上述构成中，通过在通过判定处理而判定为不相符的情况下执行发送处 理，既能够减轻通信负荷又能够在尤其希望验证第2输出值的妥当性的情 况下执行发送处理。

本发明的第2方式涉及车辆用学习系统。该车辆用学习系统包括作为 第1执行装置的上述的执行装置、所述存储装置、以及另外于车载装置的 第2执行装置。所述第2执行装置构成为执行接收处理，在该接收处理中 接收所述第1执行装置通过所述发送处理而发送来的数据。所述第2执行 装置构成为执行再学习用数据生成处理，在该再学习用数据生成处理中基 于通过所述接收处理而接收到的数据而生成使所述映射进行再学习的数据即再学习数据。所述第2执行装置构成为执行再学习处理，在该再学习处 理中基于通过所述再学习用数据生成处理而生成的再学习数据来使所述映 射数据进行再学习。

根据上述构成，通过基于随着车辆的行驶而新产生的输入数据而使映 射数据再学习，能接近于能应对随着车辆的行驶的各种状况的映射数据。

此外，第2执行装置是另外于车载装置的装置意味着第2执行装置并 非车载装置。

在所述车辆用学习系统中，所述第2执行装置可以构成为执行映射数 据发送处理，在该映射数据发送处理中将通过所述再学习处理而再学习了 的所述映射数据发送到所述车辆。所述第1执行装置可以构成为执行映射 数据接收处理，在该映射数据接收处理中接收所述第2执行装置通过所述 映射数据发送处理而发送来的所述映射数据。

根据上述构成，通过接收在车辆侧再学习了的映射数据，能够在车辆 侧更新用于输出值的算出的映射数据。

本发明的第3方式是车辆用控制方法。所述控制方法包括：由存储装 置来存储映射数据，该映射数据包括如下数据：规定将基于车载传感器的 检测值的输入数据作为输入并输出具有与车辆的既定的状态相关的信息的 输出值的映射、并且通过机器学习而进行了学习；由执行装置来执行取得 处理，在该取得处理中取得所述输入数据和另外于向所述映射的所述输入 数据的关联数据；由所述执行装置来执行算出处理，在该算出处理中将通过所述取得处理而取得的所述输入数据作为向所述映射的输入来算出所述 输出值；以及由所述执行装置来执行发送处理，在该发送处理中将用于了 所述输出值的算出的所述输入数据、以及与所述输入数据一起通过所述取 得处理而取得的所述关联数据发送到所述车辆的外部。

在所述车辆用控制方法中，所述关联数据可以包括表示所述车辆的位 置信息的变量即位置信息变量的值。

在所述车辆用控制方法中，所述关联数据可以包括表示所述车辆所处 的环境的变量即环境变量的值。

在所述车辆用控制方法中可以是，所述映射是第2映射；所述映射数 据是第2映射数据；所述输入数据是第2输入数据；所述输出值是第2输 出值；所述取得处理是第2取得处理；所述算出处理是第2算出处理。所 述车辆用控制方法可以还包括：由所述存储装置来存储第1映射数据，该 第1映射数据是规定第1映射的数据，该第1映射将基于所述车载传感器的检测值的第1输入数据作为输入并输出包括与所述既定的状态相关的信 息的输出值即第1输出值；由所述执行装置来执行第1取得处理，在该第 1取得处理中取得基于所述车载传感器的检测值的所述第1输入数据；由 所述执行装置来执行第1算出处理，在该第1算出处理中将通过所述第1 取得处理而取得的所述第1输入数据作为向所述第1映射的输入来算出所 述第1输出值；由所述执行装置来执行判定处理，在该判定处理中判定所 述第1输出值和所述第2输出值是否相符；以及在所述执行装置通过所述 判定处理而判定为不相符的情况下由所述执行装置来执行所述发送处理。

附图说明

以下，将参照附图对本发明的示例性的实施例的特征、优点以及技术 和产业的意义进行描述，其中，用相似的标号表示相似的元素。

图1是表示第1实施方式的车辆用学习系统的构成的图。

图2是表示第1实施方式的控制装置所执行的处理的顺序的流程图。

图3是表示第1实施方式的控制装置所执行的处理的顺序的流程图。

图4是表示第1实施方式的系统所执行的处理的顺序的流程图。

图5是表示第1实施方式的发送数据的图。

图6是表示第1实施方式的系统所执行的处理的顺序的流程图。

图7是例示出第1实施方式的映射数据的分割处理的图。

图8是例示出第1实施方式的映射数据的分割处理的图。

图9是例示出第1实施方式的映射数据的分割处理的图。

图10是表示第2实施方式的车辆用学习系统所执行的处理的框图。

图11是表示第3实施方式的车辆用学习系统所执行的处理的框图。

图12是表示第4实施方式的车辆用学习系统所执行的处理的框图。

图13是表示第5实施方式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，对车辆用学习系统的第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中设 有节气门14。从进气通路12吸入的空气通过进气门16打开而流入各汽缸 #1～#4的燃烧室18。利用燃料喷射阀20向燃烧室18喷射燃料。在燃烧 室18中，空气和燃料的混合气通过点火装置22的火花放电而用于燃烧， 燃烧产生的能量被取出作为曲轴24的旋转能量。用于了燃烧的混合气随着排气门26的打开而作为排气向排气通路28排出。在排气通路28设有 具有氧吸藏能力的催化剂30。此外，进气通路12和排气通路28由EGR 通路32连接，EGR通路32的流路截面积利用EGR阀34来调整。

在内燃机10的曲轴24经由变矩器50而能连结变速装置54的输入轴 56。变矩器50具有锁止离合器52，通过锁止离合器52成为接合状态而连 结曲轴24和输入轴56。在变速装置54的输出轴58机械性地连结有驱动 轮60。

在曲轴24结合有曲轴转子40，该曲轴转子40设有示出曲轴24的多 个旋转角度各自的齿部42。此外，在本实施方式中，例示出34个齿部42。 在曲轴转子40，基本上以10°CA间隔设置齿部42，但在一个部位设有相 邻的齿部42间的间隔为30°CA的部位即缺齿部44。这是为了示出作为曲 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，为了对其控制量即转矩、排气 成分比率等进行控制而操作节气门14、燃料喷射阀20、点火装置22、EGR 阀34等内燃机10的操作部。另外，控制装置70以变矩器50为控制对象， 为了对其控制量即锁止离合器52的接合状态进行控制而操作锁止离合器 52。另外，控制装置70以变速装置54为控制对象，为了对其控制量即齿 轮比(变速比)进行控制而操作变速装置54。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和变速 装置54各自的操作信号MS1～MS6。

控制装置70在控制量的控制时参照曲轴角传感器80的输出信号Scr、 由空气流量计82检测出的吸入空气量Ga、由进气温度传感器84检测出 的被吸入进气通路12的进气的温度(进气温度Ta)，该曲轴角传感器80 输出除了缺齿部44之外每隔10°CA设置的齿部42间的角度间隔的脉冲。 另外，控制装置70参照由排气温度传感器86检测出的流入催化剂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检测出的上游侧空燃比Afu、由设置于催化剂30的下游侧的 下游侧空燃比传感器90检测出的下游侧空燃比Afd。另外，控制装置70 参照由水温传感器92检测出的内燃机10的冷却水的温度(水温THW)、 由档位传感器94检测出的变速装置54的档位Vsft、由大气压传感器96检 测出的大气压Pa。另外，控制装置70参照由车速传感器98检测出的车辆 VC1的行驶速度(车速V)、由加速度传感器100检测出的车辆VC1的上 下方向的加速度Gy、利用全球定位系统(GPS)102所得到的位置数据Pgps。

控制装置70具有CPU72、ROM74、作为能电改写的非易失性存储器 的存储装置76、通信器77和周边电路78，它们能通过局域网79来通信。 此外，周边电路78包括生成用于规定内部的动作的时钟信号的电路、电源 电路、复原电路等。另外，在存储装置76中存储有实用映射数据76a和评 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。而与之相对地，评价映射数据76b是作为其可靠性的评 价的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在以某种程度由机器学习而进行了学习的状态下实际安装 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将燃料喷射阀20操作成使得上游侧空燃比Afu 成为目标值。另外，例如，CPU72根据内燃机10的运转状态来操作EGR 阀34，以使得对从排气通路28经由EGR通路32而流入进气通路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。

上述通信器77是用于经由车辆VC1的外部的网络110而与数据解析 中心120通信的设备。数据解析中心120对从多个车辆VC1、VC2……发 送的数据进行解析。数据解析中心120具有CPU122、ROM124、存储装 置126、通信器127和周边电路128，它们能通过局域网129来通信。在 ROM124中存储有规定基于从多个车辆VC1、VC2……发送的数据而使评 价映射数据76b再学习的处理的再学习主程序124a。另外，在存储装置 126中存储有从多个车辆VC1、VC2……发送的、用于使由评价映射数据 76b规定的映射再学习的数据即再学习用数据126a。

图2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所示的处理例如以预定周期反复执行。此外，以下，由在开头赋予了 “S”的数字来表现各处理的步骤号码。

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 之前的值，则将微小旋转时间T30[m]的变量「m」设为越大的值(S12)。 也就是说，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，在上一次 执行图2的处理时通过S10的处理而取得的微小旋转时间T30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彼此表示相互相邻的30°CA的 角度间隔的旋转所需的时间，它们角度间隔不具有重复的部分。

接下来，CPU72判定在S10的处理中取得的微小旋转时间T30是否 是汽缸#1～#4的某一个的压缩上止点前30°CA到压缩上止点为止的角 度间隔的旋转所需的时间(S14)。CPU72在判定为微小旋转时间T30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 判定有无成为了压缩上止点的汽缸的失火，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)。也就是说，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的时间、减去成为失火的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°CA到压缩上止点为止的角度间 隔的旋转所需的时间，将旋转变动量Δω定量化。

接下来，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的工作点的旋转速度NE和填充 效率η来可变地设定规定量Δωth。

详细地说，在将旋转速度NE和填充效率η作为输入变量并将规定量 Δωth作为输出变量的影射(射影)数据预先存储于存储装置76的状态下， 由CPU72对规定量Δωth进行影射运算。此外，影射数据是指输入变量的 离散的值和与输入变量的值分别相对应的输出变量的值的数据集。另外， 在影射运算中，例如进行如下处理即可：在输入变量的值与影射数据的输 入变量的值的某一个一致的情况下，将对应的影射数据的输出变量的值作 为运算结果，而在输入变量的值与影射数据的输入变量的值的哪一个都不 一致的情况下，将通过影射数据所含的多个输出变量的值的插补而得到的 值作为运算结果。

附带一提，旋转速度NE由CPU72基于曲轴角传感器80的输出信号 Scr而算出。在此，旋转速度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°CA)大的角度间隔时的旋转速度的平均值。旋转 速度NE优选为曲轴24旋转曲轴24的1圈以上的旋转角度时的旋转速度 的平均值。此外，在此的平均值不限于算数平均，例如可以是指数移动平 均处理，总之只要是算出除去了以压缩上止点的出现间隔程度变动的高阶 成分的低频成分即可。另外，填充效率η由CPU72基于旋转速度NE和 吸入空气量Ga而算出。

S16、S18的处理是采用了实用映射数据76a的处理。也就是说，实用 映射数据76a规定将微小旋转时间T30[0]和微小旋转时间T30[6]作 为输入并将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 输出值而输出的映射。此外，在此的逻辑值是与旋转变动量Δω(i)为规 定量Δωth以上之意的命题是真还是伪相关的值。

CPU72在判定为旋转变动量Δω(i)为规定量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对汽缸#i的 失火计数器CN(i)进行增量(加一)(S22)。然后，CPU72判定在失火 计数器CN(i)被初始化了的状态下从S18的处理最初执行起经过预定期 间和进行后述的S28的处理起经过预定期间的逻辑或是否是真(S24)。CPU72在判定为逻辑或为真的情况下(S24：是)，判定失火计数器CN(i) 是否为阈值CNth以上(S26)。CPU72在判定为失火计数器CN(i)小于 阈值CNth的情况下(S26：否)，将失火计数器CN(i)初始化(S28)。

而与之相对地，CPU72在判定为失火计数器CN(i)为阈值CNth以 上的情况下(S26：是)，操作图1所示的警告灯104而向用户通知产生了 异常之意(S30)。

此外，CPU72在S28、S30的处理完成的情况下、或在S14、S24的处 理中进行否定判定的情况下，一度结束图2所示的一系列的处理。图3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 一部分的顺序。图3所示的处理是采用了评价映射数据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)、旋转速度NE和填充效率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，微小旋转时间T30(1)、T30(2)……中， 括号中的数字越大表示越是之后的值。此外，微小旋转时间T30(1)～T30 (24)分别是用30°CA等分了720°CA的旋转角度区域而得到的24个角 度间隔各自的旋转时间。

接下来，CPU72将通过S40的处理而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)。详细地说，CPU72将 微小旋转时间T30(s)代入输入变量x(s)，其中，s＝1～24。也就是说， 输入变量x(1)～x(24)为微小旋转时间T30的时间序列数据。另外， CPU72将旋转速度NE代入输入变量x(25)，将填充效率η代入输入变量 x(26)。

接下来，CPU72通过将输入变量x(1)～x(26)输入由评价映射数 据76b规定的映射而算出失火变量P(1)～P(5)的值(S44)。在此，若 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 与概率低的情况相比为大的值的变量。另外，失火变量P(5)是在汽缸# 1～#4的哪一个中都没产生失火的概率高的情况下与概率低的情况相比 为大的值的变量。

详细地说，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)和作为非线性 映射的活性化函数h1(x)，该活性化函数h1(x)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。在本实施方式中，作为活性化函 数h1(x)，例示出双曲线正切。附带一提、w(1)j0等是偏置参数(biasparameter)，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，该Softmax函数将由系数w(2)kj规定的线性映射的输出即原始 变量y(1)～y(5)分别作为输入并输出失火变量P(1)～P(5)。

接下来，CPU72确定失火变量P(1)～P(5)中成为最大的失火变 量(S46)。然后，CPU72判定成为最大的失火变量P(q)是失火变量P (1)～P(4)的某一个还是失火变量P(5)(S48)。CPU72在判定为成 为最大的失火变量P(q)为失火变量P(1)～P(4)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在完成S50的处理的情况、或在S48的处理中否定判定 的情况下，一度结束图3所示的一系列的处理。图4示出与本实施方式的 评价映射数据76b的再学习相关的处理的一部分的顺序。图4(a)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而 实现。另外，图4(b)所示的处理通过CPU72执行存储于ROM124的再 学习主程序124a而实现。

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

(I)水温THW为预定温度以下的期间：在水温THW低的情况下， 燃烧易于变得不稳定，与水温THW高的情况相比，难以提高失火的检测 精度，所以，该期间包含在验证期间内。

(II)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，燃烧易于变得不稳定，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，该期间包含在验证期间内。

(III)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，进行使燃烧效率降低了的燃烧，所以，燃烧易于不稳定化，与 催化剂30的预热后相比，难以提高失火的检测精度，所以，该期间包含在 验证期间内。

(IV)填充效率η为预定值以下的期间：在轻负荷下，与负荷高的情 况相比，燃烧易于不稳定化，与中、高负荷相比，难以提高失火的检测精 度，所以，该期间包含在验证期间内。

(V)旋转速度NE每预定时间的变化量ΔNE为预定值以上的期间： 在过渡运转时，与稳定运转时相比，失火的检测精度降低，所以，该期间 包含在验证期间内。

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在图2所示的处理的失火的判定结果和图3所 示的处理的失火的判定结果不一致的情况下为“1”，在一致的情况下为“0”。 CPU72在判定为标志F为“0”的情况下(S62：否)，判定图2所示的处 理的失火的判定结果和图3所示的处理的失火的判定结果是否不一致(S64)。CPU72在同一燃烧循环中的图2的S18的处理的4次判定结果和 图3的S46的处理的判定结果不相符的情况下判定为不一致。也就是说， CPU72例如在尽管在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的处理中却选择了P(5)的情况下，判定为 不一致。

CPU72在判定为不一致的情况下(S64：否)，将“1”代入标志F(S66)。 接着，CPU72对计数器C进行增量(S68)。而与之相对地，CPU72在判 定为标志F为“1”的情况下(S62：是)，判定图2所示的处理的失火的判 定结果和图3所示的处理的失火的判定结果是否一致(S70)。CPU72在判 定为不一致的情况下(S70：否)，转移到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 定计数器C是否比最大值C0大(S74)。CPU72在判定为计数器C比最 大值C0大的情况下(S74：是)，将最大值C0更新为当前的计数器C的 值，并且，更新旋转时间集合GrT30和额外信息集合GrE(S76)。

详细地说，旋转时间集合GrT30如图5所示是3个燃烧循环量的微小 旋转时间T30(1)～T30(72)的集合。其中，微小旋转时间T30(49)～ T30(72)被更新成与通过最近的S70的处理而判定为图2所示的处理的 失火的判定结果和图3所示的处理的失火的判定结果一致的燃烧循环相对 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)都与图2的处理的失火 的判定结果和图3所示的处理的失火的判定结果不一致的燃烧循环相对应。 此外，最大值C0的初始值为零。

另外，额外信息集合GrE由旋转速度NE、填充效率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， 在为接合状态的情况下为“1”，在并非接合状态的情况下为“0”。另外， 路面状态值SR在车辆VC1行驶的路面的凹凸显著的情况下为“1”，在不 显著的情况下为“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。构成额外信息集合GrE 的各数据优选为在S70的处理中进行了肯定判定的燃烧循环之前的燃烧循 环中的值。

返回图4，CPU72在S76的处理完成的情况下、或在S74的处理中进 行否定判定的情况下，将计数器C初始化(S78)。然后，CPU72在完成 S68、S78的处理的情况下、在S60的处理中进行否定判定的情况下、或在 S64的处理中进行肯定判定的情况下，判断是否是行程的结束时(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，行驶许可信号与点火信号相当。CPU72在判断为是行程的结束时的 情况下(S80：是)，操作通信器77而将与失火变量P(1)～P(5)中成 为最大的失火变量相关的信息“q”、最大值C0、旋转时间集合GrT30和 额外信息集合GrE发送到数据解析中心120(S82)。然后，CPU72将最大 值C0初始化(S84)，一度结束图4(a)所示的一系列的处理。此外，CPU72 在S80的处理中进行否定判定的情况下，也一度结束图4(a)所示的一系 列的处理。

而与之相对地，如图4(b)所示，CPU122接收与失火变量P(1)～ P(5)中成为最大的失火变量相关的信息“q”、最大值C0、旋转时间集合 GrT30和额外信息集合GrE(S90)。然后，CPU122在图1所示的显示装 置112显示由旋转时间集合GrT30所表现的与曲轴24的旋转举动相关的 波形数据并显示最大值C0、额外信息集合GrE(S92)。这是向熟练者提供 熟练者能判断是否产生了失火的信息的处理。也就是说，若是熟练者，那 么通过目视确认波形数据就能够高精度地判断是否产生了失火。然后，此 时，通过参照额外信息集合GrE的信息，能更切实地进行是否产生了失火 的判断。由此，熟练者能够基于是否产生了失火的判断来判断采用了评价 映射数据76b的失火判定是否是误判。

CPU122在熟练者操作图1所示的界面114来输入判断结果时，取得 判断结果(S94)。然后，CPU122判定通过界面114的操作而输入的判断 结果是否是采用了评价映射数据76b的失火判定为误判之意的判断(S96)。 CPU122在判断结果是采用了评价映射数据76b的失火判定为误判之意的 判断的情况下(S96：是)，将通过S90的处理而接收到的数据中微小旋转 时间T30(25)～T30(48)、额外信息集合GrE、熟练者所进行的是否是 失火的判断结果存储作为再学习用数据126a(S98)。再学习用数据126a 不仅包括基于从车辆VC1接收到的数据的数据还包括基于从搭载了与内 燃机10相同规格的内燃机的其它车辆VC2……接收到的数据的数据。

此外，CPU122在S96的处理中进行否定判定的情况下、或完成S98 的处理的情况下，一度结束图4(b)所示的一系列的处理。通过上述处理， 将评价映射数据76b进行误判时的输入数据和与之相关联的数据作为再学 习用数据126a而储备于存储装置126。然后，在再学习用数据126a为预 定量以上时，CPU122执行图6所示的处理。

图6示出与本实施方式的评价映射数据76b的再学习相关的处理的一 部分的顺序。图6(a)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而实现。另外，图6(b)所示的处理通过 CPU122执行存储于ROM124的再学习主程序124a而实现。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间序列，对图6所示的 处理进行说明。

在图6(b)所示的一系列的处理中，CPU122首先将再学习用数据126a 按对应的车辆在发送时所在的地域分类，然后按这些分类的地域的各自来 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量，从而制 作按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 中被判定为误判的数据。在本实施方式中，地域由国家或比国家小的地区 来定义。例如，在国土面积为预定以下的情况下，将韩国、中国台湾等作 为一个地区。而与之相对地，在国土面积大的中国等的情况下，将例如西 藏自治区、四川省等将国家分割而成的省等作为1个地区。

该处理是用于验证是否因各地域的车辆VC所处的状况的差异而在失 火的判定精度上产生差异。也就是说，验证是否因例如向内燃机10供给的 燃料的性状的地域性、某些无法设想到的地域性而使得在特定的地域中采 用了评价映射数据76b的判定处理的精度比其它地域低。

CPU122判定通过S100的处理而被分割的地域中是否存在误输出率 为阈值Rth1以上的地域(S102)。CPU122在判定为存在误输出率为阈值 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 分割为误输出率为阈值Rth1以上的地域与其以外的地域(S104)。也就是 说，CPU122决定分别更新在误输出率为阈值Rth1以上的地域中利用的评 价映射数据76b、以及在其以外的地域中利用的评价映射数据76b。

图7例示出在区域A1中误输出率为阈值Rth1以上的情况。在此情况 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。

返回图6，CPU122在完成S104的处理的情况下、或在S102的处理 中进行否定判定的情况下，将构成再学习用数据126a的数据按根据进气 温度Ta和大气压Pa而划分的区域分类，按被分类的区域各自来计测误输 出的数据数量，从而制作误输出分布数据(S106)。此外，在此，CPU122 在已经执行了S104的处理的情况下，在S102的处理中判定为误输出率为 阈值Rth1以上的地域与其以外的地域分别制作根据进气温度Ta和大气压 Pa而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。也就是说，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的燃烧易于变得不稳定，所以，要验证失火 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，从而即使EGR阀34的开口度相同，从排气通路28经由EGR通路32而流入进气通路12的排气的流量也不同。因此，如本实施方式那样， 在操作EGR阀34以使得对从排气通路28经由EGR通路32而流入进气 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而流入进气通路12的排气的流量根据大气压Pa而变化，从而燃 烧状态变得不同。于是，验证是否因燃烧状态而失火的检测精度降低。

CPU122判定在根据进气温度Ta和大气压Pa而分割的区域中是否存 在误输出率为阈值Rth2以上的区域(S108)。CPU122在判定为存在误输 出率为阈值Rth2以上的区域的情况下(S108：是)，将利用评价映射数据 76b的区域分割为误输出率为阈值Rth2以上的区域与其以外的区域 (S110)。也就是说，CPU122决定分别更新在误输出率为阈值Rth2以上 的区域中利用的评价映射数据76b、以及在其以外的区域中利用的评价映 射数据76b。

例如，如图8所示，CPU122决定对根据进气温度Ta和大气压Pa而 分割的区域中的区域A2更新另外于其以外的区域的评价映射数据76b。 此外，在S102的处理中进行了肯定判定的地域中存在在S108的处理中进 行肯定判定的区域的情况下，CPU122只要决定在S102的处理中进行了肯 定判定的地域中在S108的处理中进行肯定判定的区域与其以外的区域的 各自、以及在S102的处理中进行了肯定判定的地域以外，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被分割为图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。

返回图6，CPU122在完成S110的处理的情况下、或在S108的处理 中进行否定判定的情况下，将构成再学习用数据126a的数据按根据旋转 速度NE和燃烧控制模式而分割的区域分类，按被分类的区域的各自来计 测误输出的数据数量，从而制作误输出分布数据(S112)。然后，CPU122 判定在根据旋转速度NE和燃烧控制模式而分割的区域中是否存在误输出 率为阈值Rth3以上的区域(S114)。

该处理是用于验证是否因旋转速度NE、燃烧控制模式而在失火的判 定精度上产生差异。也就是说，例如在催化剂30的预热控制模式下，由于 进行燃烧效率降低而提高排气温度的控制等，所以，要验证与不进行这样 的控制的情况相比是否因燃烧易于不稳定化而使得失火的判定精度降低。 另外，例如在旋转速度NE低的情况下，由于曲轴24的惯性能量小，所 以，旋转易于不稳定化，另外，由于基于旋转速度NE和填充效率η来操 作各种操作部等，所以，要验证失火的判定精度是否根据旋转速度NE而 降低。

图9例示出本实施方式中根据旋转速度NE和燃烧控制模式而分割的 区域。在本实施方式中，根据燃烧控制模式值MC，区域被分割为怠速运 转的模式、催化剂30的预热控制模式、以及其以外的模式的区域，并且， 其以外的模式的区域被分割为低旋转区域与其以外的区域。

此外，在已经执行了S104的处理的情况下，CPU122在S102的处理 中判定为误输出率为阈值Rth1以上的地域与其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在S108 的处理中判定为误输出率为阈值Rth2以上的区域与其以外的区域分别制 作误输出分布数据。

返回图6，CPU122在判定为存在图9所示的区域中的误输出率为阈 值Rth3以上的区域的情况下(S114：是)，对误输出率为阈值Rth3以上 的区域，按档位Vsft、接合状态值Vrc、填充效率η和路面状态值SR分 别研究误输出分布(S116)。

该处理是用于验证是否因变速装置54的变速比、锁止离合器52的接 合状态、填充效率η、车辆VC1行驶的路面的凹凸的有无而在失火的判定 精度上产生差异。也就是说，根据变速装置54的变速比、锁止离合器52 的接合状态，从曲轴24到变速装置54的输出轴58为止的惯性矩不同， 所以，曲轴24的旋转举动不同，要验证在预定的惯性矩下失火的判定精度 是否降低。另外，由于曲轴24的旋转举动根据路面的凹凸而变化，所以， 要验证在凹凸显著的情况下，与在平坦的路面行驶的情况相比失火的判定 精度是否大幅降低。另外，在填充效率η小的情况下，与填充效率η大的 情况相比，因燃烧室18中的燃烧能量小而易于使曲轴24的旋转举动不稳 定，所以，要验证失火的判定精度是否大幅降低。

CPU122将利用评价映射数据76b的区域分割为误输出率为阈值Rth3 以上的区域与其以外的区域(S118)。具体地说，CPU122决定分别更新在 误输出率为阈值Rth3以上的区域中采用的评价映射数据76b、以及在其以 外的区域中采用的评价映射数据76b。

图9例示出在既非怠速运转模式也非催化剂预热控制模式的低旋转的 区域中，填充效率η为预定值η1以下、档位Vsft为预定的位置、接合状 态值Vrc为预定值、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的情况。此外，在区域A3存在于图7所例示的区域A1 的情况下，例如，将区域A1专用的评价映射数据76b分割为区域A3专用 的数据与其以外的数据即可。另外，例如，在区域A3存在于图8所例示 的区域A2的情况下，例如，将区域A2专用的评价映射数据76b分割为区 域A3专用的数据与其以外的数据即可。而且，例如，在区域A3存在于图 7所例示的区域A1中图8所例示的区域A2的情况下，例如，将属于区域 A1和区域A2双方的专用的评价映射数据76b分割为区域A3专用的数据 与其以外的数据即可。

返回图6，CPU122在S118的处理完成的情况下、或在S114的处理 中进行否定判定的情况下，对通过S104、S110、S118的处理而分割出的各 区域的评价映射数据76b进行再学习(S120)。也就是说，例如，在更新在 区域A1中采用的评价映射数据76b的情况下，CPU122仅采用再学习用 数据126a中的在区域A1中发送来的数据来更新评价映射数据76b。另外，例如，在更新在区域属于区域A1且属于区域A2的情况下利用的评价映 射数据76b的情况下，CPU122仅采用再学习用数据126a中的位于区域 A1的车辆的运转环境属于区域A2时发送来的数据来更新评价映射数据 76b。此外，CPU122在S102、S108、S114各自的处理中进行否定判定的 情况下，采用所有的再学习用数据126a来更新评价映射数据76b。

具体地说，CPU72有选择地采用符合的再学习用数据126a作为训练 数据来更新评价映射数据76b的学习完毕参数即系数w(1)ji、w(2)kj。 也就是说，CPU72将训练数据中的微小旋转时间T30、旋转速度NE、填 充效率η作为输入变量x(1)～x(26)来算出失火变量P(1)～P(5)， 另一方面，基于与熟练者进行的是否失火的判断结果相关的数据来生成示 教数据。例如，若熟练者的判断为汽缸#1失火之意的判断，则CPU72设 为P(1)＝1且P(2)～P(5)＝0。另外，例如，若熟练者的判断为正 常之意的判断，CPU72设为P(1)～P(4)＝0且P(5)＝1。然后， CPU72用周知的手法来更新系数w(1)ji、w(2)kj，以使得示教数据和 神经网络输出的失火变量P(1)～P(5)之差的绝对值变小。

此外，数据解析中心120中的失火变量P(1)～P(5)的算出处理需 要系数w(1)ji、w(2)kj的信息、活性化函数h1、以及在神经网络的输 出层采用Softmax函数之意的信息。关于此，例如，可以在图6(b)的处 理之前从CPU122向控制装置70发出发送与之相关的数据的指示，另外， 例如，也可以预先存储于存储装置126。

CPU122操作通信器127，将更新了的系数w(1)ji、w(2)kj作为 再学习完毕的参数而发送到车辆VC1、VC2……中的成为对象的车辆 (S122)。也就是说，例如将更新了的评价映射数据76b中的图7所例示 的区域A1专用的系数w(1)ji、w(2)kj有选择地发送到车辆VC1、 VC2……中的位于区域A1的车辆。此外，CPU122在S122的处理完成的 情况下，一度结束图6(b)所示的一系列的处理。

另一方面，如图6(a)所示，CPU72判定是否存在来自数据解析中心 120的再学习完毕参数的发送(S130)。CPU72在判定为存在再学习完毕的 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的处理完成的情况下、或在S130的处理中进行 否定判定的情况下，一度结束图6(a)所示的一系列的处理。在此，对本 实施方式的作用和效果进行说明。

CPU72基于实用映射数据76a来执行图2所示的处理，监视内燃机10 的失火的有无，在频繁产生失火的情况下，执行通知处理以便对其进行应 对。另外，CPU72基于评价映射数据76b来执行图3所示的处理，执行利 用评价映射数据76b的失火判定。CPU72判定采用了评价映射数据76b的 失火判定结果和采用了实用映射数据76a的失火判定结果是否相符，在判 定为不相符的情况下，除了用于利用评价映射数据76b的失火判定的输入 数据，还将位置数据Pgps、进气温度Ta、大气压Pa等发送到数据解析中 心120。这是因为存在评价映射数据76b的学习不充分之虞的处理。

而与之相对地，CPU122在显示装置112显示从CPU72发送来的输入 数据等。由此，熟练者基于表示曲轴24的旋转举动的波形数据等来判断是 否产生了失火，基于此来判断采用了评价映射数据76b的失火的有无的判 定是否为误判。CPU122在熟练者的判断结果为采用了评价映射数据76b 的失火的有无的判定为误判之意的判断的情况下，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126a而存储于存储装置126。

CPU122在再学习用数据126a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等而划分的区域中的特定的区域中采用了 评价映射数据76b的判定处理的精度是否尤其低。在存在判定处理的精度 尤其低的区域的情况下，CPU122仅采用与该区域相关的训练数据来更新 评价映射数据76b，生成在车辆进入该区域时利用的专用的评价映射数据 76b。由此，不使由评价映射数据76b规定的映射的结构复杂化就能够提 高失火的判定精度。

也就是说，例如在图7所例示的区域A1中失火的判定精度尤其低的 情况下，考虑作为使判定精度降低的缘由，在区域A1存在特有的缘由。 与之相对地，即使仅仅大量储备再学习用数据126a并将它们都用于再学 习，想要不使评价映射数据76b的结构复杂化就提高失火的判定精度也并 非易事。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 缘由，则在区域A1与其以外的区域中系数w(1)ji、w(2)kj的最佳值 也会不同。可是，例如若使中间层的层数增加、或者进一步在向由评价映 射数据76b规定的映射的输入中加入位置数据Pgps等这样谋求输入的次 元(dimension)数(维数)的增加，那么存在能够在区域A1与其以外的 区域双方提高失火的判定精度的可能性。但是，在此情况下，由评价映射数据76b规定的映射的结构复杂化，采用了该映射的失火的判定处理的运 算负荷变大。而与之相对地，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采用的专用的评价映射数据76b， 不使由评价映射数据76b规定的映射的结构复杂化就能够提高失火的判定 精度。

并且，CPU122将更新了的系数w(1)ji、w(2)kj作为再学习完毕 数据而发送到车辆VC1、VC2……中的符合的车辆。例如，CPU122将区 域A1专用的系数w(1)ji、w(2)kj发送到位于区域A1的车辆。由此， 在位于区域A1的车辆中，评价映射数据76b被更新成为在区域A1中提 高了评价精度的评价映射数据76b。

然后，在通过图4的处理而产生了不一致时的熟练者的判断下判明为 评价映射数据76b比实用映射数据76a的可靠性高的情况下，在发送了更 新了的系数w(1)ji、w(2)kj的车辆中，能将更新后的评价映射数据76b 作为实用映射数据76a而利用于失火的监视。而且，能将搭载于多个车辆 VC1、VC2……的利用原始的数据的学习完毕模型(映射数据)作为实用 映射数据而从一开始就搭载于新开发的具有相同汽缸数量的内燃机的车辆 的控制装置。

第2实施方式

以下，参照附图，以与第1实施方式的差异点为中心，对第2实施方 式进行说明。

本实施方式的实用映射数据76a和评价映射数据76b是对输出表示不 均衡的变量即不均衡变量Inb的值的映射进行规定的数据，该不均衡是为 了将多个汽缸#1～#4各自中的混合气的空燃比控制为相互相等的空燃 比而操作了燃料喷射阀20时的实际的空燃比彼此的偏差。

图10示出本实施方式的车辆用学习系统所执行的处理。图10所示的 处理是通过CPU72执行存储于ROM74的程序而实现的处理、以及通过 CPU122执行存储于ROM124的程序而实现的处理。

不均衡检测处理M10(1)是采用实用映射数据76a来算出不均衡变 量Inb(1)的值的处理。不均衡检测处理M10(1)包括基于上游侧空燃 比Afu每预定时间的变化量而算出不均衡变量Inb(1)表示浓侧的值时的 该值的处理。另外，不均衡检测处理M10(1)包括基于微小旋转时间T30 的变动而算出不均衡变量Inb(1)表示稀侧的值时的该值的处理。

不均衡检测处理M10(2)是采用评价映射数据76b来算出不均衡变 量Inb(2)的值的处理。不均衡检测处理M10(2)是采用如下神经网络 来算出不均衡变量Inb(2)的值的处理，该神经网络将由微小旋转时间T30 (1)～T30(24)构成的时间序列数据和在此期间的上游侧空燃比Afu的 时间序列数据作为输入并输出不均衡变量Inb(2)的值。

再学习用子处理M12包括在不均衡变量Inb(1)和不均衡变量Inb (2)之差的绝对值为预定值以上的情况下判定为采用了实用映射数据76a 的判定结果和采用了评价映射数据76b的判定结果不相符的处理。另外， 再学习用子处理M12包括将预定的数据发送到数据解析中心120的处理。 在此，作为发送对象的数据，除了用于算出产生了不相符时的不均衡变量 Inb(2)的微小旋转时间T30和上游侧空燃比Afu，还包括与它们在时间 序列上相邻的微小旋转时间T30的时间序列数据和上游侧空燃比Afu的时 间序列数据。这是为了能够使熟练者基于曲轴24的旋转举动、上游侧空燃 比Afu的举动来更准确地判断不均衡变量Inb(2)是否为正确的值。

另外，作为发送对象的数据包括作为表示产生了不相符时的内燃机10 的工作点的变量即工作点变量的值的旋转速度NE和填充效率η。工作点 变量的值是为了能够使熟练者更准确地判断不均衡变量Inb(2)是否为正 确的值的数据，并且，是用于验证是否根据工作点而在不均衡变量Inb(2) 的精度产生差异的数据。

另外，作为发送对象的数据包括燃烧控制模式值MC。在本实施方式 中，作为燃烧控制模式值MC，例示出用于识别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与 其以外的模式的值。这是考虑到因这些燃烧控制模式的差异而使得汽缸间 的实际的空燃比的偏差给曲轴24的旋转举动、上游侧空燃比Afu带来的 影响不同。因此，燃烧控制模式值MC是为了能够使熟练者更准确地判断 不均衡变量Inb(2)是否为正确的值的数据，并且，是用于验证是否由于 该值而在不均衡变量Inb(2)的精度产生差异的数据。

另外，成为发送对象的数据包括进气温度Ta、大气压Pa、档位Vsft、 接合状态值Vrc、路面状态值SR和位置数据Pgps。这些数据的意义与上 述第1实施方式相同。

CPU122执行基于图4和图6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，包括在数据解析中心120中作为不均衡变量Inb 的值是合适的值和由评价映射数据76b规定的映射的输出值之差的绝对值 为预定值以上时作为误输出的处理。另外，在本实施方式中，示出接着按 地域的误输出率的评价、进行根据工作点变量而划分的各区域的误输出率 的评价的例子。图10例示出在因基于位置数据Pgps的误输出率的差异而 使得位于区域A4的车辆的误输出率为阈值以上、在区域A4中根据工作 点变量而划分的区域进入区域A5的情况下，误输出率变得尤其大的情况。 详细地说，图10例示出在区域A5中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和路面状态值SR而划分的预 定的区域中，误输出率变得尤其大的例子。因此，CPU122在车辆进入区 域A5中的预定的区域的情况与其以外的情况下将区域A4专用的评价映 射数据76b更新为各自的数据。

第3实施方式

以下，参照附图，以与第1实施方式的差异点为中心，对第3实施方 式进行说明。

本实施方式的实用映射数据76a和评价映射数据76b是对如下映射进 行规定的数据，该映射输出表示催化剂30的劣化程度的劣化变量RD的 值。图11示出本实施方式的车辆用学习系统所执行的处理。图11所示的 处理是通过CPU72执行存储于ROM74的程序而实现的处理、以及通过 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)是采用实用映射数据76a来算出劣化 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从稀向浓反转了的正时执行主动控制以使得流入催化 剂30的排气中氧过剩地存在，并且，基于直到下游侧空燃比Afd从浓向 稀反转为止氧向催化剂30的流入量来算出劣化变量RD(1)的值。

催化剂劣化检测处理M20(2)是采用评价映射数据76b来算出劣化 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 经网络来算出劣化变量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的时间序列数据、下游侧空燃比Afd的时间序列数据、 旋转速度NE、填充效率η和催化剂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为例如排气温度Tex 的一阶滞后处理值即可。

再学习用子处理M22包括在同一行程中算出的劣化变量RD(1)的 值和劣化变量RD(2)的值之差的绝对值为预定值以上的情况下判定为采 用了实用映射数据76a的判定结果和采用了评价映射数据76b的判定结果 不相符的处理。另外，再学习用子处理M22包括将预定的数据发送到数据 解析中心120的处理。在此，作为发送对象的数据包括用于算出产生了不 相符时的劣化变量RD的输入变量的值。另外，作为发送对象的数据包括 与用于算出产生了不相符时的劣化变量RD的上游侧空燃比Afu和下游侧 空燃比Afd在时间序列上相邻的上游侧空燃比Afu的时间序列数据和下游 侧空燃比Afd的时间序列数据。这是为了能够在数据解析中心120中基于 上游侧空燃比Afu、下游侧空燃比Afd的举动来更准确地判断劣化变量RD (2)是否为正确的值。

另外，发送对象包括吸入空气量Ga。这是因为：下游侧空燃比Afd的 举动易于受到吸入空气量Ga的影响，所以，要验证劣化变量RD(2)的 精度是否因吸入空气量Ga的值而大幅降低。

另外，发送对象包括填充效率η在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 会因填充效率η的变动而变化，所以，要验证劣化变量RD(2)的精度是 否因变化量Δη而大幅降低。

另外，发送对象包括位置数据Pgps。这是因为：燃料中的醇浓度等燃 料性状因地域而异，所以，要验证劣化变量RD(2)的值的精度是否因地 域而大幅降低。

CPU122执行基于图4和图6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，包括在数据解析中心120中作为劣化变量RD 的值是合适的值和由评价映射数据76b规定的映射的输出值之差的绝对值 为预定值以上时作为误输出的处理。另外，在本实施方式中，示出接着按 地域的误输出率的评价、进行根据吸入空气量Ga而划分的各区域的误输 出率的评价的例子。图11例示出因基于位置数据Pgps的误输出率的差异 而使得位于区域A6的车辆的误输出率为阈值以上、并且在区域A6中在 由根据吸入空气量Ga而划分出的3个区域中的1个区域A7中误输出率 变得尤其大的情况。详细地说，示出在区域A7中在变化量Δη为预定量以 上的区域中误输出率变得尤其大的例子。因此，CPU122在根据吸入空气 量Ga而划分出的3个区域中的区域A7中变化量Δη为预定量以上的情况 与其以外的情况下将区域A6专用的评价映射数据76b分别更新。

第4实施方式

以下，参照附图，以与第1实施方式的差异点为中心，对第4实施方 式进行说明。

在本实施方式中，作为催化剂30，例示出搭载了对颗粒状物质(PM) 进行捕集的过滤器，将实用映射数据76a和评价映射数据76b设为对如下 映射进行规定的数据，该映射输出作为堆积于过滤器的PM量的PM堆积 量DPM。

图12示出本实施方式的车辆用学习系统所执行的处理。图12所示的 处理是通过CPU72执行存储于ROM74的程序而实现的处理、以及通过 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)是采用实用映射数据76a来算出PM堆积 量DPM(1)的处理。堆积量推定处理M30(1)是通过决定旋转速度NE 和填充效率η与PM堆积量DPM的基值的关系的影射数据、决定点火正 时aig和PM堆积量DPM的修正量的关系的影射数据、以及决定水温THW和PM堆积量DPM的修正量的关系的影射数据来算出PM堆积量 DPM(1)的处理。

堆积量推定处理M30(2)是采用评价映射数据76b来算出PM堆积 量DPM(2)的处理。堆积量推定处理M30(2)是采用如下神经网络来算 出PM堆积量DPM(2)的处理，该神经网络将旋转速度NE、填充效率 η、上游侧空燃比Afu、催化剂温度Tcat、点火正时aig和水温THW作为 输入并输出PM堆积量DPM(2)的变化量。

再学习用子处理M32包括在PM堆积量DPM(1)和PM堆积量DPM (2)之差的绝对值为预定值以上的情况下判定为采用了实用映射数据76a 的判定结果和采用了评价映射数据76b的判定结果不相符的处理。另外， 再学习用子处理M32包括将由如下输入数据构成的时间序列数据等作为 发送对象而发送的处理，该输入数据是在内燃机10的起动后到产生了不 相符的时刻为止的期间中的PM堆积量DPM(2)的算出使用的输入数据。 在此，发送时间序列数据是为了在数据解析中心120中基于时间序列数据 来算出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括燃烧控制模式值MC。在本实施方式中， 作为燃烧控制模式值MC，例示出用于识别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其以外的 模式的值。这是用于验证PM堆积量DPM(2)的推定精度是否因这些燃 烧控制模式的差异而变化。

另外，作为发送对象的数据包括从内燃机10的起动时起的经过时间 Ts。这是因为：在起动后不久，燃料易于附着于汽缸壁面等而易于产生PM， 所以，要验证在起动后不久的期间与其以外在PM堆积量DPM(2)的推 定精度上是否产生差异。

另外，作为发送对象的数据包括位置数据Pgps和进气温度Ta。这与 通过再学习用子处理M12来发送这些数据的理由相同。作为再学习处理 M34，CPU122执行基于图4(b)和图6(b)的处理。此外，作为基于图 4的处理的处理，包括在数据解析中心120中作为PM堆积量DPM的值 是合适的值和由评价映射数据76b规定的映射的输出值之差的绝对值为预 定值以上时作为误输出的处理。另外，在本实施方式中，示出接着按地域 的误输出率的评价、进行根据经过时间Ts而划分的各区域的误输出率的 评价的例子。图12例示出因基于位置数据Pgps的误输出率的差异而使得 位于区域A8的车辆的误输出率为阈值以上、并且在区域A8中经过时间 Ts为预定时间Ts1以下的区域A9中误输出率变得尤其大的情况。另外， 图12示出即使在经过时间Ts比预定时间Ts1大的区域但在燃烧控制模式 值MC为预定值的区域A9中误输出率变得尤其大的例子。因此，CPU122 基于车辆进入经过时间Ts为预定时间Ts1以下的区域、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以外的哪一个而将区域A8 专用的评价映射数据76b分别更新为各自的数据。

第5实施方式

以下，参照附图，以与第1实施方式的差异点为中心，对第5实施方 式进行说明。

本实施方式的实用映射数据76a和评价映射数据76b是对如下映射进 行规定的数据，该映射输出催化剂30的温度(催化剂温度Tcat)。图13示 出本实施方式的车辆用学习系统所执行的处理。图13所示的处理是通过 CPU72执行存储于ROM74的程序而实现的处理、以及通过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)是采用实用映射数据76a来算出催化 剂温度Tcat(1)的处理。催化剂温度推定处理M40(1)是执行将排气温 度Tex作为输入的一阶滞后滤波处理并将其输出值作为催化剂温度Tcat (1)的处理。

催化剂温度推定处理M40(2)是采用评价映射数据76b来算出催化 剂温度Tcat(2)的处理。催化剂温度推定处理M40(2)是通过如下神经 网络来算出催化剂温度Tcat(2)的处理，该神经网络将排气温度Tex、旋 转速度NE、填充效率η和上游侧空燃比Afu各自的时间序列数据、以及 催化剂温度Tcat(2)的上次值作为输入。

再学习用子处理M42包括在催化剂温度Tcat(1)和催化剂温度Tcat (2)之差的绝对值为预定值以上的情况下判定为采用了实用映射数据76a 的判定结果和采用了评价映射数据76b的判定结果不相符的处理。另外， 再学习用子处理M42包括将数据发送到数据解析中心120的处理。

作为发送对象的数据包括由如下输入数据构成的时间序列数据，该输 入数据是在内燃机10的起动后到产生了不相符的时刻为止的期间的催化 剂温度Tcat(2)的算出使用的输入数据。在此，发送时间序列数据是为了 在数据解析中心120中根据时间序列数据来算出催化剂温度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括燃烧控制模式值MC。在本实施方式中，作 为燃烧控制模式值MC，例示出用于识别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其以 外的模式的值。这是用于验证这些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括吸入空气量Ga。这是因为：催化剂30 和空气的热交换量因吸入空气量Ga而异，所以，要验证吸入空气量Ga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括车速V。这是为了要验证行驶风对催 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括进 气温度Ta。在此，进气温度Ta是外气的温度的代用。这是因为：催化剂 30和外气的热梯度根据外气温度而变化，所以，要验证外气温度对催化剂 温度Tcat(2)的推定精度的影响。

CPU122执行基于图4(b)和图6(b)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，包括在数据解析中心120中作为催化 剂温度Tcat的值是合适的值和由评价映射数据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作为误输出的处理。另外，在本实施 方式中，示出最开始进行根据吸入空气量Ga而分割为3个区域的各区域的误输出率的评价的例子。图13例示出在根据吸入空气量Ga而分割的3 个区域中的1个区域A11中车速V为预定速度以上且进气温度Ta为预定 温度以下的情况下误输出率变得尤其大的情况。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如以下那样，能够看作是上述“用于解决课题 的手段”的栏中记载的事项。执行装置能够看作是CPU72和ROM74。存 储装置能够看作是存储装置76。映射数据能够看作是评价映射数据76b。 取得处理能够看作是S40、S76的处理。算出处理能够看作是S44、S46的 处理。发送处理能够看作是S82的处理。位置变量的值能够看作是位置数 据Pgps。环境变量的值能够看作是进气温度Ta、大气压Pa和路面状态值 SR。瞬时速度能够看作是微小旋转时间T30。旋转波形变量的值能够看作 是微小旋转时间T30(1)～T30(24)。路面状态变量的值能够看作是路面 状态值SR。运转状态变量的值能够看作是燃烧控制模式值MC、档位Vsft、 车速V、图10的旋转速度NE和填充效率η。模式变量的值能够看作是燃 烧控制模式值MC。变速比变量的值能够看作是档位Vsft。车速变量的值 能够看作是车速V。第1映射数据能够看作是实用映射数据76a。第1取 得处理能够看作是S10的处理。第1算出处理能够看作是S16、S18的处 理。判定处理能够看作是S64、S70的处理。第2执行装置能够看作是 CPU122和ROM124。接收处理能够看作是S90的处理。再学习数据生成 处理能够看作是S92～S98的处理。再学习处理能够看作是S100～S120的 处理。映射数据发送处理能够看作是S122的处理。映射数据接收处理能够 看作是S132的处理。

其它实施方式

此外，本实施方式能够如以下那样改变地实施。本实施方式和以下的 改变例能够在技术上不矛盾的范围内相互组合地实施。

“关于车辆的既定的状态”

映射的输出包括信息的车辆的既定的状态不限于在上述实施方式中所 例示的。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

在此情况下，在采用了作为第1映射数据的实用映射数据76a的劣化 判定处理中，可以不用通常的空燃比反馈控制而利用使空燃比交替地向稀 和浓大幅变化的主动控制。实用映射数据76a为基于在主动控制下上游侧 空燃比Afu从浓向稀或者从稀向浓反转为止的所需时间等来算出劣化变量 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间序列数据和上游侧空燃比Afu的时间序列数据作为输入并输出表示劣化的有无的劣化变量的值。 在此情况下，可以在不执行主动控制时进行利用第2映射的劣化变量的值 的算出处理。另外，从车辆发送到数据解析中心120的数据中的输入数据 以外的数据可以包括旋转速度NE、填充效率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工作点变量。

(b)与催化剂的氧吸藏量相关的状态

在此情况下，作为第1映射数据的实用映射数据76a为如下影射数据 即可，该影射数据将上游侧空燃比Afu的平均值和下游侧空燃比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为规定如下神经网 络的数据即可，该神经网络将相对于与氧不多不少正好反应的燃料量的实 际的燃料量的过多或不足量和催化剂的温度在预定期间的累计值、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，从车辆发送到 数据解析中心120的数据中的输入数据以外的数据可以包括催化剂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)与内燃机的爆震的有无相关的状态

在此情况下，作为第1映射数据的实用映射数据76a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和判定值的大小比 较来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可以是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 值的时间序列数据作为输入并输出燃烧室18内的压力的峰值。在此情况 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，从车辆 发送到数据解析中心120的数据中的输入数据以外的数据可以包括例如旋 转速度NE和填充效率η。由此，在CPU122中，能够验证是否存在误输 出率高的工作点区域。

(d)与向燃料喷射阀20供给的燃料的温度相关的状态

在此情况下，作为第1映射数据的实用映射数据76a为如下影射数据 即可，该影射数据将旋转速度NE、填充效率η和水温THW作为输入变 量并将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为规定如下神经网络的映射即可，该神经网络将旋转速度NE、填 充效率η、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，从车辆发送到数据解析 中心120的数据为从内燃机10的起动时起的神经网络的输出值和输入数 据即可。由此，在数据解析中心120中能推定燃料的温度的时间推移。而 且，发送的数据可以包括例如点火正时、水温THW等。由此，在CPU122 中，能够验证在根据点火正时、水温THW而划分的特定的区域中误输出 率是否变高。然而，即使仅是发送从内燃机10的起动时起的神经网络的输 出值和输入数据，在数据解析中心120中也能够验证在根据工作点变量而 分割出的特定的区域中误输出率是否变高。

(e)净化(清除)系统的异常的有无

在具有捕集燃料箱内的燃料蒸气的过滤罐(canister)、以及调整过滤 罐与进气通路之间的净化路径的流路截面积的净化阀的净化系统中，考虑 在净化路径中存在孔的情况下判定为异常的映射。在此情况下，作为第1 映射数据的实用映射数据76a为规定如下映射的数据即可，该映射在打开 净化阀而使过滤罐内的压力降低后再关闭净化阀时的压力的上升速度为阈 值以上的情况下输出存在异常之意的逻辑值。另外，作为第2映射数据的 评价映射数据76b为规定如下神经网络的数据即可，该神经网络将过滤罐 内的压力的时间序列数据和大气压Pa作为输入并输出与孔的有无相应的 输出值。另外，从车辆发送到数据解析中心120的数据除了神经网络的输 出值、输入数据之外还可以是燃料箱内的燃料残量。由此，能够验证燃料 残量给输出值的精度带来的影响。

(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。在此情况下，作为 第1映射数据的实用映射数据76a为如下影射数据即可，该影射数据将旋 转速度NE和填充效率η作为输入变量并将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为规定如下神经网络的数据即可，该神经网络将旋转速度NE、填充效率η、进气通路12内的压力和吸入空 气量Ga作为输入变量并输出EGR率。

在此情况下，从车辆发送到数据解析中心120的数据除了例如用于算 出产生了不相符时的EGR率的输入数据之外还可以包括大气压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 给输出值的精度带来的影响。

(g)与窜气送出路的泄漏的有无相关的状态

在此，将具有连结内燃机10的曲轴箱和进气通路12的窜气送出路作 为前提。在此情况下，在窜气送出路中设有压力传感器，作为第1映射数 据的实用映射数据76a为基于由压力传感器检测出的压力与基于旋转速度 NE和填充效率η的判定值的大小比较来输出表示异常的有无的值的数据 即可。另外，作为第2映射数据的评价映射数据76b为规定如下神经网络 的数据即可，该神经网络将旋转速度NE、填充效率η、以及吸入空气量Ga 和通过节气门14的进气量之差作为输入变量并输出表示异常的有无的值。

在此情况下，通过从车辆向数据解析中心120发送用于算出表示产生 了不相符时的异常的有无的值的输入数据，例如能够验证工作点变量给输 出值的精度带来的影响。此外，作为发送对象的数据可以包括与用于算出 表示产生了不相符时的异常的有无的值的输入数据在时间序列上相邻的数 据。由此，能够高精度地验证输出值的妥当性。

此外，车辆的既定的状态不限于内燃机的状态。例如下述“关于车辆” 的栏中记载的那样，在具有旋转电机的车辆中，车辆的既定的状态可以是 蓄积向旋转电机供给的电力的蓄电池的状态。

“关于发送处理”

(a)失火的情况

在图4的处理中，发送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，也可以发送采用了实用映射数据76a的判定 结果和采用了评价映射数据76b的判定结果不相符时的微小旋转时间T30 (25)～T30(48)、以及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个燃烧循环量的时间序列数 据。

在图4的处理中，除了采用了实用映射数据76a的判定结果和采用了 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)之外，还发送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，还可以发送判 定为相符的状态下的微小旋转时间T30的时间序列数据、以及从判定为相 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的时间序列数 据。

作为发送对象的时间序列数据中的转移到了判定为相符的状态时的微 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，也可以如“关于第2映射数据”的栏中记载的那样，在1次输入的 输出值仅输出1个汽缸的失火变量的值的情况等下，且输入数据自身是比 1个燃烧循环短的期间中的微小旋转时间T30的时间序列数据时，发送与 之相应的量的时间序列数据。然而，构成对映射的输入变量的微小旋转时 间T30的时间序列数据和转移到判定为相符的状态时的微小旋转时间T30 的时间序列数据不必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个行程发送1次与连续判定为不相符的次数为 最大时相对应的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1个行程发送1次与连续判定为不相符的次数 为最大时相对应的、连续判定为不相符的期间的所有微小旋转时间T30、 以及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个燃烧循环量的时间序列数据。另外，例如，还可以在1个行程 发送1次判定为不相符的期间的所有微小旋转时间T30、以及这些期间各 自的从判定为不相符的状态转移到了判定为相符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。

作为发送对象的数据中对映射的输入数据和微小旋转时间T30以外的 数据不限于在额外信息集合GrE中例示的。

(b)整体

作为发送对象的、与判定为不相符时的第2映射数据所规定的第2映 射的输出值相关的数据不限于第2映射的输出值自身。例如，在图4的处 理中，也可以将由实用映射数据76a规定的映射的输出值作为发送对象。 在此情况下，例如在S92～S94的处理中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，只要在S96的处理中进行肯定判定即 可。然而，即使不发送这样的数据，通过发送输入数据，也能够在数据解 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10～图13中，作为第1映射数据的实用映射数据76a而 例示出不采用机器学习地将判定值等适当化了的数据，但不限于此。第1 映射数据也可以是例如规定输入变量的次元比由作为第2映射数据的评价 映射数据76b规定的小的神经网络的数据。然而，第1映射的输入的次元 数不一定必须比第2映射的输入的次元数小。也可以是例如输入的次元数 相同而中间层的层数比第2映射的层数小。另外，还可以是例如输入的次 元数和中间层的层数均与第2映射相同而活性化函数相互不同。

另外，作为由机器学习而学习了的学习完毕模型的函数逼近器不限于 神经网络。例如，在由3个值以上的值来表现与状态相关的信息的情况下 可以采用回归方程等，另外，在输出正常、异常的判定值的情况下，可以 采用识别函数。此外，在此的回归方程不仅仅是与上述神经网络中除去中 间层后等同，可以是采用了例如核函数的方程。另外，识别函数也可以将 以上述回归方程的输出为独立变量的logistic sigmoid函数的输出值作为输出值。

“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，活性化函数h1不限于双曲线正切，也可以是 例如logistic sigmoid函数、ReLU。此外，ReLU是将输入值和“0”中的 不小的值进行输出的函数。

另外，作为由机器学习而学习了的学习完毕模型的函数逼近器不限于 神经网络。例如，在由3个值以上的值来表现与状态相关的信息的情况下 可以采用回归方程等，另外，在输出正常、异常的判定值的情况下，可以 采用识别函数。此外，在此的回归方程不仅仅是与上述神经网络中除去中 间层后等同，可以是采用了例如核函数的方程。另外，识别函数也可以将 以上述回归方程的输出为独立变量的logistic sigmoid函数的输出值作为输出值。

(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量即次元设为“(汽缸数)+1”。 例如，也可以将输出层的节点的数量设为与汽缸数相等的个数，在各输出 值中存在超过阈值的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1次输出的失火的有无的判定对象的汽缸设为1个， 将输出层的节点的数量设为1个。此外，在此情况下，希望输出层构成为 由logistic sigmoid函数等而将输出值的能取得的值的范围标准化。

“关于再学习处理”

在上述实施方式中，在学习仅在某区域使用的评价映射数据76b时， 仅采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。

在上述实施方式中，通过分割而将误输出率低于阈值的区域设为1个 共同区域。也就是说，例如关于图7的区域A1内中的图8的区域A2以外 的区域，若误输出率小于阈值Rth1，则可以仅分别更新区域A1内的区域 A2专用的评价映射数据76b与其以外的整个区域的评价映射数据76b这 2个。

另外，例如，制作误输出率的分布的顺序不限于在上述实施方式中例 示的。而且，例如，也可以在由几个变量的值而分割了区域时分别判定误 输出率是否为阈值以上，最终采用误输出率为阈值以上的区域和误输出率 并非阈值以上的区域的合计数为最小的。

在上述构成中，基于位置数据Pgps的误输出率的分类以国家或将国 家细分化了的规定地域为单位来执行，但不限于此。例如，也可以都以国 家为单位，另外，也可以例如以比国家大的地域为单位。反之，也可以都 以将国家细分化了的地域为单位。

而且，例如，也可以采用统计手法来分割。这例如可以采用K均值等 聚类手法来执行。另外，例如，也可以通过各平均值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近似误输出分布并采用该误输出 分布来分割区域。也就是说，也可以基于进行了误输出的位置数据Pgps来 学习混合高斯分布中的混合系数、平均值和分散，并按1个高斯分布的值 比其它大的区域来分割区域。此外，统计手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为阈值以上的区域的比 例是什么样的情况下执行分割处理，但由于在误输出率为阈值以上的区域 的比例大的情况下存在其变量的值并不有助于误输出率的降低的可能性， 所以，希望在比例为预定值以下的情况下执行分割处理。另外，代替将分 割处理时参照的误输出率的分布以误输出了的绝对数的比例来定量化，可 以采用表示将分割了的区域分级而得的各分级的相对的误输出率的柱状图。

此外，不限于利用的映射数据并未按区域分割而被新分割的情况。例 如，在从开始起利用的映射数据按区域被分割了的情况下，可以验证该分 割的妥当性。在此情况下，基于验证结果来改变区域即可。

另外，不限于改变利用映射数据的区域，例如，可以追加到向映射的 输入变量。也就是说，例如在图6的处理中，可以在根据进气温度Ta而分 割的区域的至少1个中误输出率高的情况下将进气温度Ta追加到输入变 量。

而且，不一定必须分割评价映射数据76b或追加向由该数据规定的映 射的输入变量，可以不采用再学习用数据126a的全部来扩大输入变量的 次元地仅更新单一的评价映射数据76b。

“关于环境变量”

在由评价映射数据76b规定的映射的妥当性的验证中利用的环境变量 不限于在上述实施方式中例示的。例如，环境变量也可以是表示车辆VC1 周围的天气、风速的变量。尤其是，对于催化剂温度Tcat等来说，由于催 化剂30的散热条件受到天气、风速的影响，所以，采用这些变量是有效 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，但代替地，也可以在数据解析中心120中基于车辆VC1的位 置数据Pgps而从提供与天气相关的信息等的设备取得。

“关于表示运转状态的变量”

表示在由评价映射数据76b规定的映射的妥当性的验证中利用的运转 状态的变量不限于在上述实施方式中例示的。尤其是，关于燃烧控制模式 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采用 的区分适用于其它实施方式。

“关于关联数据”

另外于输入数据的关联数据的利用手法不限于分割利用评价映射数据 76b的区域、设为追加到输入变量的候补，例如，可以仅利用于由评价映 射数据76b规定的映射的输出值的妥当性的判定。这例如能够通过车载传 感器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 的传感器来实现。具体地说，在“关于车辆的既定的状态”的(c)所记载 的输出燃烧室18内的压力的峰值的映射的情况下，将检测燃烧室18内的 压力的传感器包含于车载传感器等即可。

另外，例如，如下述“关于映射的输出值的妥当性的判定处理”的栏 中记载的那样，关联数据的利用手法能够通过作为向精度比由实用映射数 据76a规定的映射高的映射的输入来实现。

“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的通知 处理，但通知处理不限于此。通知处理也可以是例如为了使用户的便携终 端显示产生了异常之意的信息而操作通信器77的处理。

操作处理不限于通知处理。操作处理也可以是例如根据产生了失火之 意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，例如图10所记载的那样，在评价映射数据76b为输出不 均衡异常的有无的判定结果的映射的情况下，操作处理可以是操作燃料喷 射阀来抑制不均衡异常的处理。另外，例如图12所记载的那样，在评价映 射数据76b为输出PM量的映射的情况下，操作处理可以是通过操作用于 使过滤器的温度上升的内燃机10的操作部来燃烧除去PM的处理。另外， 例如图13所记载的那样，在评价映射数据76b为输出催化剂30的温度的 映射的情况下，操作处理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，此时的操作处理例如只要设为催化剂的再生处 理即可。

“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的。在图4 的处理中，仅在验证期间对基于实用映射数据76a的失火判定结果和基于 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，例如也可以总是进行。

“关于再学习完毕的参数”

在图6中，更新了的参数即再学习完毕的参数经由网络110而发送到 各车辆VC1、VC2……但不限于此。例如，可以将再学习完毕的参数发送 到车辆的销售店，在各车辆VC1、VC2……入库到销售店时更新存储装置 76内的数据。即使在此情况下，也能进一步评价并更新由再学习完毕的参 数而更新了的评价映射数据76b的可靠性。

然而，向已提供了用于再学习的数据的车辆提供再学习完毕的参数其 自身并非是必须的。也可以采用再学习完毕的参数来更新评价映射数据 76b，并仅将更新了的评价映射数据76b安装到新开发的车辆。在此情况 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， 希望搭载于新开发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为预定量以下。此外，如上述实施方式那样，在评价映射数据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，希望搭载于新开发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。

而且，在图6中，可以在采用再学习完毕的参数来更新评价映射数据 76b后，由此重写实用映射数据76a。

“关于显示装置”

在上述实施方式中，在数据解析中心120配置了显示装置112，但不 限于此，也可以在另外于配置有存储装置126等的部位的部位进行配置。

“关于映射的输出值的妥当性的判定处理”

在图4中，通过将用于采用评价映射数据76b而算出的失火变量P(j) 的算出的输入数据和关联的数据显示于显示装置112，熟练者评价是否是 误判，但不限于此。例如，也可以采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评价。这可以是例如将在S90的处理中接 收到的旋转时间集合TrT30和额外信息集合GrE的所有要素作为输入变 量或者将其以上的要素作为输入变量而将失火变量作为输出变量的神经网 络。在此情况下，希望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。

然而，采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其 自身并非是必须的。例如，也可以通过由评价映射数据76b规定的判定结 果和2个以上的其它映射的判定结果的多数决定(少数服从多数)，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，例如还可以 将上述2个以上的其它映射的判定结果之一设为熟练者的判断来代替利用 映射的判定结果。

在图4的处理中，为了便于说明，每当执行S82的处理就执行S92的 处理，但不限于此。例如也可以在判定为不一致的数据被储备了预定量的 时刻执行S92的处理。另外，例如还可以每次都储备不一致的数据并根据 来自熟练者的要求来执行S92的处理。

在由作为第1映射数据的实用映射数据76a规定的映射的输出值和由 评价映射数据76b规定的映射的输出值是否相符的判定处理后，在判定为 不相符的情况下，采用其它手段来判定妥当性，但不限于此。例如，也可 以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 的输出值和由评价映射数据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。

“关于车辆用学习系统内的任务分担”

例如，可以将作为第1映射数据的实用映射数据76a存储于存储装置 76而将作为第2映射数据的评价映射数据76b存储于存储装置126，并通 过CPU122来执行图3的处理。在此情况下，图4的处理例如如下那样改 变即可。

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和由评价映射数据76b 规定的映射的输出值是否相符。在CPU72判定为不相符的情况下发送关 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之外，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和由评价映射 数据76b规定的映射的输出值是否相符。此外，在CPU122判定为不相符 的情况下，可以要求向CPU72发送输入数据以外的关联的数据。

另外，例如，也可以除了CPU122和ROM124之外还具有便携终端所 具有的CPU和ROM来构成车辆用学习系统。这例如能够通过在上述第1 实施方式中由便携终端来执行图3的处理并将其结果发送到控制装置70 来实现。

“关于车辆用学习装置”

也可以采用便携终端代替数据解析中心120来构成车辆用学习装置。 这例如能够通过在便携终端的存储装置中存储用于规定“关于映射的输出 值的妥当性的判定处理”的栏中记载的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(b)的处理和图6(b)的处理等等来实 现。此外，在此情况下，可以向车辆VC1的用户的便携终端仅发送与车辆 VC1相关的数据。

“关于执行装置的构成”

执行装置不限于具有CPU72(102)和ROM74(104)并执行软件处 理的装置。执行装置例如也可以具有对在上述实施方式中进行软件处理的 至少一部分进行硬件处理的专用的硬件电路(例如ASIC等)。也就是说， 执行装置只要是以下的(a)～(c)的任一个的构成即可。

(a)执行装置具有按照程序来执行上述所有处理的处理装置和存储程 序的ROM等程序保存装置。

(b)执行装置具有按照程序来执行上述处理的一部分的处理装置和 存储程序的程序保存装置、以及执行其余的处理的专用的硬件电路。

(c)执行装置具有执行上述所有处理的专用的硬件电路。在此，具有 处理装置和程序保存装置的软件执行装置、专用的硬件电路可以是多个。

“关于存储装置”

在上述实施方式中，存储评价映射数据76b、实用映射数据76a的存 储装置76和存储再学习子程序74b的存储装置即ROM74为不同的存储 装置，但不限于此。另外，例如，存储再学习用数据126a的存储装置126 和存储再学习主程序124a的存储装置即ROM124为不同的存储装置，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 气道喷射阀。另外，例如，还可以具有进气道喷射阀和缸内喷射阀双方。

内燃机不限于火花点火式内燃机，也可以是例如采用轻油(柴油)等 作为燃料的压缩点火式内燃机等。内燃机构成驱动系其自身并非是必须的。 内燃机例如也可以搭载于曲轴机械性地连结于车载发电机并与驱动轮60 切断动力传递的所谓的串联式混合动力车。

“关于车辆”

车辆不限于生成车辆的推进力的装置仅为内燃机的车辆，也可以是例 如除了“关于内燃机”的栏中记载的串联式混合动力车以外的并联式混合 动力车、混联式混合动力车。而且，还可以是并不搭载内燃机的电动车。

“其它”

介于曲轴与驱动轮之间的驱动系装置不限于有级的变速装置，可以是 例如无级变速装置。

Claims (18)

1.一种车辆用控制装置，其特征在于，包括：

存储装置，该存储装置构成为存储映射数据，该映射数据包括如下数据：规定将基于车载传感器的检测值的输入数据作为输入并输出具有与车辆的既定的状态相关的信息的输出值的映射，并且通过机器学习而进行了学习；以及

执行装置，该执行装置构成为执行取得处理，在该取得处理中取得所述输入数据和另外于对所述映射的所述输入数据的关联数据；

所述执行装置构成为执行算出处理，在该算出处理中将通过所述取得处理而取得的所述输入数据作为向所述映射的输入来算出所述输出值；

所述执行装置构成为执行发送处理，在该发送处理中将用于所述输出值的算出的所述输入数据、以及与所述输入数据一起通过所述取得处理而取得的所述关联数据发送到所述车辆的外部。

2.如权利要求1所述的车辆用控制装置，

所述关联数据包括表示所述车辆的位置信息的变量即位置信息变量的值。

3.如权利要求1或2所述的车辆用控制装置，

所述关联数据包括表示所述车辆所处的环境的变量即环境变量的值。

4.如权利要求3所述的车辆用控制装置，

所述车辆具有内燃机；

所述既定的状态是所述内燃机的状态；

所述环境变量包括表示进气温度的变量即进气温度变量。

5.如权利要求3所述的车辆用控制装置，

所述车辆具有内燃机；

所述既定的状态是所述内燃机的状态；

所述环境变量包括表示大气压的变量即大气压变量。

6.如权利要求3所述的车辆用控制装置，

所述车辆具有内燃机；

所述车载传感器包括曲轴角传感器；

所述输入数据包括旋转波形变量的值，该旋转波形变量是包括与瞬时速度在相互不同的比所述内燃机的压缩上止点的出现间隔小的角度间隔中的值彼此的差异相关的信息的变量，该瞬时速度是所述角度间隔中的所述内燃机的曲轴的旋转速度；

所述环境变量包括表示所述车辆正在行驶的路面的状态的路面状态变量。

7.如权利要求1所述的车辆用控制装置，

所述关联数据包括表示所述车辆的运转状态的变量即运转状态变量的值。

8.如权利要求7所述的车辆用控制装置，

所述车辆具有内燃机；

所述运转状态变量包括表示所述内燃机的燃烧控制模式的变量即模式变量。

9.如权利要求7所述的车辆用控制装置，

所述车辆具有内燃机和变速装置，该变速装置构成为使所述内燃机的曲轴的旋转速度相对于输出侧的旋转速度之比即变速比可变；

所述车载传感器包括曲轴角传感器；

所述运转状态变量包括表示所述变速装置的变速比的变量即变速比变量。

10.如权利要求8所述的车辆用控制装置，

所述车辆具有变速装置，该变速装置构成为使所述内燃机的曲轴的旋转速度相对于输出侧的旋转速度之比即变速比可变；

所述车载传感器包括曲轴角传感器；

所述运转状态变量包括表示所述变速装置的变速比的变量即变速比变量。

11.如权利要求7所述的车辆用控制装置，

在所述车辆搭载有在排气通路中具有催化剂的内燃机；

与所述既定的状态相关的信息是与所述催化剂的温度相关的信息；

所述运转状态变量包括表示所述车辆的行驶速度的变量即车速变量。

12.如权利要求1～11中任一项所述的车辆用控制装置，

所述映射是第2映射；

所述映射数据是第2映射数据；

所述输入数据是第2输入数据；

所述输出值是第2输出值；

所述取得处理是第2取得处理；

所述算出处理是第2算出处理；

所述存储装置构成为存储第1映射数据，该第1映射数据是规定第1映射的数据，该第1映射将基于所述车载传感器的检测值的第1输入数据作为输入并输出包括与所述既定的状态相关的信息的输出值即第1输出值；

所述执行装置构成为执行第1取得处理，在该第1取得处理中取得基于所述车载传感器的检测值的所述第1输入数据；

所述执行装置构成为执行第1算出处理，在该第1算出处理中将通过所述第1取得处理而取得的所述第1输入数据作为向所述第1映射的输入来算出所述第1输出值；

所述执行装置构成为执行判定处理，在该判定处理中判定所述第1输出值和所述第2输出值是否相符；

所述执行装置构成为在所述执行装置通过所述判定处理而判定为不相符的情况下执行所述发送处理。

13.一种车辆用学习系统，其特征在于，包括：

存储装置，该存储装置构成为存储映射数据，该映射数据包括如下数据：规定将基于车载传感器的检测值的输入数据作为输入并输出具有与车辆的既定的状态相关的信息的输出值的映射、并且通过机器学习而进行了学习；

第1执行装置，该第1执行装置构成为执行取得处理，在该取得处理中取得所述输入数据和另外于对所述映射的所述输入数据的关联数据，所述第1执行装置构成为执行算出处理，在该算出处理中将通过所述取得处理而取得的所述输入数据作为向所述映射的输入来算出所述输出值，所述第1执行装置构成为执行发送处理，在该发送处理中将用于所述输出值的算出的所述输入数据、以及与所述输入数据一起通过所述取得处理而取得的所述关联数据发送到所述车辆的外部；以及

另外于车载装置的第2执行装置；

所述第2执行装置构成为执行接收处理，在该接收处理中接收所述第1执行装置通过所述发送处理而发送来的数据；

所述第2执行装置构成为执行再学习用数据生成处理，在该再学习用数据生成处理中基于通过所述接收处理而接收到的数据而生成使所述映射进行再学习的数据即再学习数据；

所述第2执行装置构成为执行再学习处理，在该再学习处理中基于通过所述再学习用数据生成处理而生成的再学习数据来使所述映射数据进行再学习。

14.如权利要求13所述的车辆用学习系统，

所述第2执行装置构成为执行映射数据发送处理，在该映射数据发送处理中将通过所述再学习处理而再学习了的所述映射数据发送到所述车辆；

所述第1执行装置构成为执行映射数据接收处理，在该映射数据接收处理中接收所述第2执行装置通过所述映射数据发送处理而发送来的所述映射数据。

15.一种车辆用控制方法，其特征在于，包括：

由存储装置来存储映射数据，该映射数据包括如下数据：规定将基于车载传感器的检测值的输入数据作为输入并输出具有与车辆的既定的状态相关的信息的输出值的映射、并且通过机器学习而进行了学习；

由执行装置来执行取得处理，在该取得处理中取得所述输入数据和另外于对所述映射的所述输入数据的关联数据；

由所述执行装置来执行算出处理，在该算出处理中将通过所述取得处理而取得的所述输入数据作为向所述映射的输入来算出所述输出值；以及

由所述执行装置来执行发送处理，在该发送处理中将用于了所述输出值的算出的所述输入数据、以及与所述输入数据一起通过所述取得处理而取得的所述关联数据发送到所述车辆的外部。

16.如权利要求15所述的车辆用控制方法，

所述关联数据包括表示所述车辆的位置信息的变量即位置信息变量的值。

17.如权利要求15或16所述的车辆用控制方法，

所述关联数据包括表示所述车辆所处的环境的变量即环境变量的值。

18.如权利要求15～17中任一项所述的车辆用控制方法，

所述映射是第2映射；

所述映射数据是第2映射数据；

所述输入数据是第2输入数据；

所述输出值是第2输出值；

所述取得处理是第2取得处理；

所述算出处理是第2算出处理；

所述车辆用控制方法还包括：

由所述存储装置来存储第1映射数据，该第1映射数据是规定第1映射的数据，该第1映射将基于所述车载传感器的检测值的第1输入数据作为输入并输出包括与所述既定的状态相关的信息的输出值即第1输出值；

由所述执行装置来执行第1取得处理，在该第1取得处理中取得基于所述车载传感器的检测值的所述第1输入数据；

由所述执行装置来执行第1算出处理，在该第1算出处理中将通过所述第1取得处理而取得的所述第1输入数据作为向所述第1映射的输入来算出所述第1输出值；

由所述执行装置来执行判定处理，在该判定处理中判定所述第1输出值和所述第2输出值是否相符；以及

在所述执行装置通过所述判定处理而判定为不相符的情况下由所述执行装置来执行所述发送处理。

Images