CN112443415B - 内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置 - Google Patents
内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置 Download PDFInfo
- Publication number
- CN112443415B CN112443415B CN202010872025.6A CN202010872025A CN112443415B CN 112443415 B CN112443415 B CN 112443415B CN 202010872025 A CN202010872025 A CN 202010872025A CN 112443415 B CN112443415 B CN 112443415B
- Authority
- CN
- China
- Prior art keywords
- internal combustion
- combustion engine
- determination
- variable
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 127
- 238000007405 data analysis Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 146
- 230000008569 process Effects 0.000 claims abstract description 129
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 105
- 239000000446 fuel Substances 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 49
- 238000002347 injection Methods 0.000 claims description 39
- 239000007924 injection Substances 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 32
- 230000006835 compression Effects 0.000 claims description 22
- 238000007906 compression Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 11
- 230000010485 coping Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- BDLBQEJTZWWSND-UHFFFAOYSA-N 3-[1-(4-fluorophenyl)cyclopropyl]-4-propan-2-yl-5-[4-(trifluoromethoxy)phenyl]-1,2,4-triazole Chemical compound CC(C)N1C(C=2C=CC(OC(F)(F)F)=CC=2)=NN=C1C1(C=2C=CC(F)=CC=2)CC1 BDLBQEJTZWWSND-UHFFFAOYSA-N 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000011045 prefiltration Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010044048 Tooth missing Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2454—Learning of the air-fuel ratio control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B75/00—Other engines
- F02B75/16—Engines characterised by number of cylinders, e.g. single-cylinder engines
- F02B75/18—Multi-cylinder engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/085—Safety, indicating, or supervising devices with sensors measuring combustion processes, e.g. knocking, pressure, ionization, combustion flame
- F02B77/086—Sensor arrangements in the exhaust, e.g. for temperature, misfire, air/fuel ratio, oxygen sensors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/008—Controlling each cylinder individually
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/008—Controlling each cylinder individually
- F02D41/0085—Balancing of cylinder outputs, e.g. speed, torque or air-fuel ratio
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/009—Electrical control of supply of combustible mixture or its constituents using means for generating position or synchronisation signals
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1497—With detection of the mechanical response of the engine
- F02D41/1498—With detection of the mechanical response of the engine measuring engine roughness
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2438—Active learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2496—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories the memory being part of a closed loop
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
- F02D2200/101—Engine speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
- F02D2200/1015—Engines misfires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置。内燃机的状态判定装置具有存储装置和执行装置。所述存储装置存储规定映射的映射数据,所述执行装置构成为执行取得处理和判定处理,在取得处理中,内燃机的曲轴每旋转规定角度而取得所述内燃机状态变量,在判定处理中,基于将所述内燃机状态变量作为输入的所述映射的输出来判定所述内燃机的状态;所述映射数据是通过机器学习而学习完毕的数据;所述执行装置构成为,在所述曲轴的旋转速度为预先确定的阈值以上的情况下禁止所述判定处理。
Description
技术领域
本发明涉及内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置。
背景技术
在日本特开平4-91348所记载的不发火(失火)检测系统中采用一种分层型神经电路模型,构成为将每规定周期采样的内燃机的曲轴的旋转速度的时间序列数据输入到输入层并将产生了不发火的汽缸的信息从输出层输出。分层型神经电路模型是进行了监督学习的模型。
发明内容
在日本特开平4-91348所记载的不发火检测系统中,曲轴的旋转速度越大,则检测不发火的频度变得越高。因此,在曲轴的旋转速度大的情况下,存在分层型神经电路模型所导致的对装置的计算负荷变大之虞。此外,同样的课题不限于不发火的检测,在采用分层型神经电路模型在曲轴每旋转规定角度时进行检测、计算的情况下也会发生。
本发明的第1方式涉及内燃机的状态判定装置。所述状态判定装置具有存储装置和执行装置,其中,所述存储装置存储映射数据,该映射数据是规定将表示内燃机的状态的参数即内燃机状态变量作为输入并输出内燃机的状态的判定结果的映射的数据;所述执行装置构成为执行取得处理和判定处理,在所述取得处理中,每当内燃机的曲轴旋转规定角度就取得所述内燃机状态变量,在所述判定处理中,基于将所述内燃机状态变量作为输入的所述映射的输出来判定所述内燃机的状态;所述映射数据是通过机器学习而学习完毕的数据;所述执行装置构成为,在所述曲轴的旋转速度为预先确定的阈值以上的情况下禁止所述判定处理。
根据上述构成,在曲轴的旋转速度为预先确定的阈值以上的情况下,禁止判定处理,所以,执行装置的计算负荷变小。因此,无需设想曲轴的旋转速度大的情况而采用高性能、高成本的执行装置。
在上述方式中可以是,所述存储装置存储判定函数,该判定函数通过代入所述内燃机状态变量和从所述内燃机状态变量导出的变量的至少一方而得到一个所述判定结果;所述执行装置构成为,在所述曲轴的旋转速度为预先确定的所述阈值以上的情况下执行采用所述判定函数来判定所述内燃机的状态的判定处理。
根据上述构成,在曲轴的旋转速度为预先确定的阈值以上的情况下,进行计算负荷比利用映射的判定处理较小的判定处理。因此,既能继续进行内燃机的状态检测又能抑制计算负荷的过度的增大。
在上述方式中可以是,所述内燃机的状态是所述内燃机的不发火的有无;所述执行装置构成为,在通过所述判定处理而判定为产生了不发火的情况下,通过操作预定的硬件来执行用于应对产生了不发火的情况的应对处理;所述映射数据规定将作为第1间隔所包含的连续的多个第2间隔各自中的瞬时速度参数的时间序列数据作为输入并输出在内燃机中产生了不发火的概率的映射;所述执行装置构成为,在所述取得处理中,取得基于对所述内燃机的曲轴的旋转举动进行检测的传感器的检测值的所述瞬时速度参数;所述瞬时速度参数是与所述内燃机的曲轴的旋转速度相应的参数;所述第1间隔是所述曲轴的旋转角度间隔且包含压缩上止点;所述第2间隔是比所述压缩上止点的出现间隔小的间隔;所述映射输出在所述第1间隔内出现压缩上止点的至少一个汽缸中产生了不发火的概率。
根据上述构成,能够将内燃机的状态判定装置适用于作为内燃机的状态来判定内燃机的不发火的有无的情况。并且,在判定为产生了不发火的情况下,能够执行应对产生了该不发火的情况的应对处理。
在上述方式中可以是,所述内燃机具有多个汽缸;所述内燃机的状态是多个汽缸间的空燃比的偏差;所述执行装置构成为,在通过所述判定处理而判定为多个汽缸间的空燃比存在偏差的情况下,通过操作预定的硬件来执行用于应对空燃比的偏差程度大的情况的应对处理;所述映射数据规定将旋转波形变量、和多个第3间隔各自中的与空燃比传感器的输出相应的变量即空燃比检测变量作为输入并输出不均衡变量的映射,该不均衡变量是表示为了将多个汽缸各自中的混合气的空燃比控制为相互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的偏差程度的变量;所述执行装置构成为,在所述取得处理中,取得基于对所述曲轴的旋转举动进行检测的传感器的检测值的所述旋转波形变量和多个第3间隔各自中的所述空燃比检测变量;所述旋转波形变量是表示多个第4间隔各自中的与曲轴的旋转速度相应的变量即瞬时速度变量的多个值彼此的不同的变量;所述第3间隔和所述第4间隔均为比压缩上止点的出现间隔小的所述曲轴的角度间隔;作为所述映射的输出的所述旋转波形变量和所述空燃比检测变量的多个值分别是比所述出现间隔大的预定的角度间隔内的时间序列数据。
根据上述构成,能够将内燃机的状态判定装置适用于作为内燃机的状态判定多个汽缸间的空燃比的偏差的情况。并且,在判定为产生了汽缸间的空燃比的偏差的情况下,能够执行应对产生了该偏差的情况的应对处理。
本发明的第2方式涉及内燃机的状态判定系统。所述状态判定系统具有上述执行装置和所述存储装置,其中,所述执行装置包括第1执行装置和第2执行装置;所述第1执行装置搭载于车辆,并且,构成为执行所述取得处理和将通过所述取得处理而取得的数据向车辆的外部发送的车辆侧发送处理;所述第2执行装置配置于所述车辆的外部,并且,构成为执行对通过所述车辆侧发送处理而发送的数据进行接收的外部侧接收处理和所述判定处理。根据上述构成,通过在车辆的外部执行判定处理,能够减轻车载装置的运算负荷。
本发明的第3方式涉及数据解析装置。所述数据解析装置具有上述第2执行装置和所述存储装置。
本发明的第4方式涉及内燃机的控制装置。所述控制装置具有上述第1执行装置。
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实施方式的控制装置和车辆的驱动系的构成的图。
图2是表示该实施方式的不发火判定处理的顺序的流程图。
图3是表示该实施方式的不发火判定处理的顺序的流程图。
图4是表示该实施方式的对不发火的应对处理的顺序的流程图。
图5是表示该实施方式的生成映射数据的系统的图。
图6是表示该实施方式的映射数据的学习处理的顺序的流程图。
图7是表示第2实施方式的状态判定系统的构成的图。
图8是表示该实施方式的判定处理的顺序的流程图。
图9是表示该实施方式的判定处理的顺序的流程图。
图10是表示该实施方式的判定处理的顺序的流程图。
图11是表示第3实施方式的不均衡判定处理的顺序的流程图。
图12是表示该实施方式的不均衡判定处理的顺序的流程图。
图13是表示该实施方式的应对处理的顺序的流程图。
具体实施方式
<第1实施方式>
以下,参照附图,对内燃机的状态判定装置的第1实施方式进行说明。
在图1所示的车辆VC所搭载的内燃机10中,在进气通路12设有节气门14。从进气通路12吸入的空气通过进气门16的打开而流入各汽缸#1~#4的燃烧室18。由燃料喷射阀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的火花放电而供燃烧,由燃烧所产生的能量作为曲轴24的旋转能量被取出。供燃烧了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三元催化剂30。排气通路28经由EGR通路32而与进气通路12相连通。在EGR通路32设有调整其流路截面积的EGR阀34。
曲轴24的旋转动力经由进气侧气门正时可变装置40而传递到进气侧凸轮轴42,另一方面经由排气侧气门正时可变装置44而传递到排气侧凸轮轴46。进气侧气门正时可变装置40改变进气侧凸轮轴42和曲轴24的相对的旋转相位差。排气侧气门正时可变装置44改变排气侧凸轮轴46和曲轴24的相对的旋转相位差。
在内燃机10的曲轴24能经由变矩器60而连结变速装置64的输入轴66。变矩器60具有锁止离合器62,通过锁止离合器62成为接合状态而连结曲轴24和输入轴66。在变速装置64的输出轴68机械性地连结有驱动轮69。
在曲轴24结合有曲轴转子50,该曲轴转子50设有示出曲轴24的旋转角度的多个(在此为34个)齿部52。在曲轴转子50基本上以10℃A间隔设置齿部52,但在一个部位设有相邻的齿部52间的间隔为30℃A的部位即缺齿部54。这是为了示出成为曲轴24的基准的旋转角度。在曲轴转子50的附近设置有曲轴角传感器80。曲轴角传感器80将与齿部52的接近、远离相应的磁通的变化转换成矩形波的脉冲信号并输出。在以下的说明中,将这样的曲轴角传感器80的输出信号记作曲轴信号Scr。在本实施方式中,该曲轴角传感器80是检测曲轴24的旋转举动的传感器的一个例子。
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、进气侧气门正时可变装置40、排气侧气门正时可变装置44。此外,在图1中记载了节气门14、燃料喷射阀20、点火装置22、EGR阀34、进气侧气门正时可变装置40、排气侧气门正时可变装置44各自的操作信号MS1~MS6。
控制装置70在控制量的控制时参照输出每隔上述齿部52间的角度间隔(除了缺齿部54之外的10℃A)的脉冲的曲轴角传感器80的输出信号即曲轴信号Scr、由空气流量计82所检测的吸入空气量Ga。另外,控制装置70参照由设置于三元催化剂30的上游侧的空燃比传感器83所检测的上游侧检测值Afu、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。而且,控制装置70参照由档位传感器86所检测的变速装置64的档位Sft、由加速度传感器88所检测的车辆VC的上下方向的加速度Dacc。
控制装置70具有CPU72、ROM74、由能电改写的非易失性存储器构成的存储装置76、以及周边电路77,它们能通过局域网78来通信。此外,周边电路77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。
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。另外,控制装置70执行判定内燃机10的不发火的有无的处理。
图2示出不发火检测处理的顺序。图2所示的处理通过CPU72以例如预定周期反复执行存储于图1所示的ROM74的不发火检测程序74a来实现。此外,以下,由在前头赋予了“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(1)、T30(2)、…T30(24)(S10)。微小旋转时间T30由CPU72基于曲轴角传感器80的输出信号即曲轴信号Scr而对曲轴24旋转30℃A所需的时间进行计时来算出。也就是说,微小旋转时间T30作为曲轴24每旋转720℃A而取得的内燃机状态变量而发挥作用。在此,在微小旋转时间T30(1)、T30(2)等括号中的数字不同的情况下,示出为1个燃烧循环即720℃A内不同的旋转角度间隔。也就是说,微小旋转时间T30(1)~T30(24)示出用30℃A等分了720℃A的旋转角度区域而得的各角度间隔的旋转时间。
详细地说,CPU72基于曲轴信号Scr而对旋转了30℃A的时间进行计时,并将其作为滤波处理前时间NF30。然后,CPU72实施将滤波处理前时间NF30作为输入的数字滤波处理,从而算出滤波处理后时间AF30。然后,CPU72将滤波处理后时间AF30标准化以使得预定期间(例如720℃A)中的滤波处理后时间AF30的极大值和极小值之差成为“1”,从而算出微小旋转时间T30。
然后,CPU72取得旋转速度NE和填充效率η而作为规定工作点的参数(S12)。旋转速度NE由CPU72基于曲轴角传感器80的输出信号即曲轴信号Scr来算出,填充效率η由CPU72基于旋转速度NE和吸入空气量Ga来算出。此外,旋转速度NE是曲轴24旋转比压缩上止点的出现间隔(换言之,2个汽缸的压缩上止点之间的间隔)(在本实施方式中为180℃A)大的角度间隔时的旋转速度的平均值。此外,旋转速度NE也可以是曲轴24旋转曲轴24的1个旋转(一圈)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术平均,例如可以是指数移动平均处理,通过曲轴24旋转1个旋转以上的旋转角度时的例如微小旋转时间T30等多个采样值而算出。另外,填充效率η是确定向燃烧室18内填充的空气量的参数。
然后,CPU72判定旋转速度NE是否小于预先设定的预定旋转速度NEth(S13)。在此,预定旋转速度NEth作为对于CPU72的处理能力来说采用后述的映射数据76a的算出处理的负荷相应地大的值而设定。在旋转速度NE小于预定旋转速度NEth的情况下(S13:是),CPU72向用于算出产生了不发火的概率的映射的输入变量x(1)~x(26)输入通过S10、S12的处理而取得的值(S14)。详细地说,CPU72设“s=1~24”,向输入变量x(s)输入微小旋转时间T30(s)。也就是说,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向输入变量x(25)输入旋转速度NE,向输入变量x(26)输入填充效率η。
然后,CPU72向由存储于图1所示的存储装置76的映射数据76a所规定的映射输入输入变量x(1)~x(26),从而算出在汽缸#i(I=1~4)中产生了不发火的概率P(i)(S16)。映射数据76a是对能输出在与通过S10的处理而取得的微小旋转时间T30(1)~T30(24)相对应的期间、在汽缸#i中产生了不发火的概率P(i)的映射进行规定的数据。在此,概率P(i)基于输入变量x(1)~x(26)而对实际产生了不发火的可能性的大小进行定量化。其中,在本实施方式中,在汽缸#i中产生了不发火的概率P(i)的最大值为比“1”小的值,最小值为比“0”大的值。也就是说,在本实施方式中,概率P(i)将实际上产生了不发火的可能性的大小作为在比“0”大且比“1”小的预定区域内连续的值定量化。
在本实施方式中,该映射由中间层为1层的神经网络、以及用于通过将神经网络的输出标准化而使产生了不发火的概率P(1)~P(4)之和为“1”的Softmax函数构成。上述神经网络包括输入侧系数wFjk(j=0~n,k=0~26)和作为输入侧非线性映射的活性化函数h(x),该活性化函数h(x)对由输入侧系数wFjk所规定的线性映射即输入侧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h(x),例示出双曲线正切“tanh(x)”。另外,上述神经网络包括输出侧系数wSij(i=1~4,j=0~n)和作为输出侧非线性映射的活性化函数f(x),该活性化函数f(x)对由输出侧系数wSij所规定的线性映射即输出侧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f(x),例示出双曲线正切“tanh(x)”。此外,值n示出中间层的维度。在本实施方式中,值n比输入变量x的维度(在此为26维)小。另外,输入侧系数wFj0是偏置(bias)参数,通过将输入变量x(0)定义为“1”而成为输入变量x(0)的系数。另外,输出侧系数wSi0是偏置参数,将其乘以“1”。这例如能够通过将“wF00·x(0)+wF01·x(1)+…”定义为恒等地无穷大来实现。
详细地说,CPU72算出由输入侧系数wFjk、输出侧系数wSij和活性化函数h(x)、f(x)所规定的神经网络的输出即概率模型y(i)。概率模型y(i)是与在汽缸#i中产生了不发火的概率具有正的相关的参数。并且,CPU72通过将概率模型y(1)~y(4)作为输入的Softmax函数的输出而算出在汽缸#i中产生了不发火的概率P(i)。
然后,CPU72判定产生了不发火的概率P(1)~P(4)中的最大值P(m)是否为阈值Pth以上(S18)。在此,变量m采用1~4任一个的值,另外,阈值Pth被设定为“1/2”以上的值。并且,CPU72在判定为阈值Pth以上的情况下(S18:是),对概率成为最大的汽缸#m的不发火的次数N(m)进行增量(加一)(S20)。然后,CPU72判定次数N(1)~N(4)中是否存在预定次数Nth以上的次数(S22)。CPU72在判定为存在预定次数Nth以上的次数的情况下(S22:是),认为在特定(确定)的汽缸#q(q为1~4中之一)中产生了超过容许范围的频度的不发火,将“1”代入故障标识F(S24)。此外,此时,CPU72将产生了不发火的汽缸#q的信息存储于存储装置76等并至少保持到在该汽缸#q中消除不发火。
而与之相对地,CPU72在判定为最大值P(m)小于阈值Pth的情况下(S18:否),判定是否从进行S24的处理或后述的S28的处理后经过了预定期间(S26)。在此,预定期间比1个燃烧循环的期间长,可以具有1个燃烧循环的10倍以上的长度。
CPU72在判定为经过了预定期间的情况下(S26:是),将次数N(1)~N(4)初始化并将故障标识F初始化(S28)。此外,CPU72在完成S24、S28的处理的情况下、或在S22、S26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。
在此,在旋转速度NE为预定旋转速度NEth以上的情况下(S13:否),如图3所示,CPU72禁止由上述的映射数据76a算出在汽缸#i(i=1~4)中产生了不发火的概率P(i)的处理。另一方面,CPU72基于微小旋转时间T30(1)、T30(2)、…T30(24)和填充效率η来算出不发火的判定结果。具体地说,首先,CPU72基于微小旋转时间T30(1)、T30(2)、…T30(24)来算出旋转变动值ΔNE(i)(S30)。更详细地说,CPU72基于微小旋转时间T30(1)、T30(2)、…T30(24)来算出汽缸各自旋转速度。汽缸各自旋转速度是各汽缸的30~150ATDC的角度间隔的旋转所需的时间。然后,基于该汽缸各自旋转速度来算出旋转变动值ΔNE(i)。旋转变动值ΔNE与各汽缸#1~#4各自的压缩上止点相对应地一个个算出。例如,与第2汽缸#2相对应的旋转变动值ΔNE(2)是从到第2汽缸#2的30~150ATDC为止的旋转角度间隔的汽缸各自旋转速度减去到第1汽缸#1的30~150ATDC为止的旋转角度间隔的汽缸各自旋转速度而得到的值。
然后,CPU72通过由存储于图1所示的存储装置76的判定函数数据76b所规定的判定函数而算出判定值Oth和判定结果值JV。该判定函数与上述的映射不同,并非通过机器学习而学习的而是通过实验、模拟而生成的。因此,与采用映射数据76a的算出处理相比,对CPU72的处理负担小。具体地说,通过将填充效率η应用于作为第1判定函数的影射(射影)来影射运算判定值Oth,通过将旋转变动值ΔNE和判定值Oth代入第2判定函数来算出判定结果值JV(S32)。判定函数数据76b是对能输出在与通过S10的处理而取得的微小旋转时间T30(1)~T30(24)相对应的期间、在汽缸#i中是否产生了不发火的结果的判定函数进行规定的数据。该判定函数数据76b包括作为第1判定函数从填充效率η导出判定值Oth的数据、以及作为第2判定函数从旋转变动值ΔNE和判定值Oth导出判定结果值JV的数据。判定值Oth在填充效率η高的情况下与填充效率η低的情况相比,将判定值Oth设为大值。这是因为,与填充效率η低的情况相比,在填充效率η高的情况下,不发火所导致的旋转速度的下降变大。此外,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的输入变量的值的任一个一致的情况下,将对应的输出变量的值作为运算结果,而在输入变量的值与影射的输入变量的值的哪一个都不一致的情况下,将通过数据集所包含的输出变量的值的插补而得到的值作为运算结果。
然后,CPU72将旋转变动值ΔNE和判定值Oth代入第2判定函数。判定结果值JV通过从旋转变动值ΔNE减去判定值Oth的函数而算出。然后,基于旋转变动值ΔNE和判定值Oth的大小比较来判定在汽缸#1~#4的汽缸中是否产生了不发火(S34)。具体地说,CPU72在预定的汽缸#m的判定结果值JV(m)小于“0”的情况下,判定为预定的汽缸#m的旋转变动值ΔNE(m)小于判定值Oth、在预定的汽缸#m中产生了不发火(S34:是)。另一方面,CPU72在所有的汽缸中判定结果值JV均为“0”以上的情况下,判定为旋转变动值ΔNE总是为判定值Oth以上、在所有的汽缸#1~#4中均未产生不发火(S34:否)。
在旋转变动值ΔNE(m)小于判定值Oth的情况下(S34:是),CPU72对特定为(确定为)产生了不发火的汽缸#m的不发火的次数N(m)进行增量(S36)。然后,CPU72判定在次数N(1)~N(4)中是否存在预定次数Nth以上的次数(S38)。CPU72在判定为存在预定次数Nth以上的次数的情况下(S38:是),认为在特定的汽缸#q(q为1~4中之一)中产生了超过容许范围的频度的不发火,将“1”代入故障标识F(S40)。此外,此时,CPU72将产生了不发火的汽缸#q的信息存储于存储装置76等并至少保持到在该汽缸#q中消除不发火。
而与之相对地,CPU72在旋转变动值ΔNE为判定值Oth以上的情况下(S34:否),判定是否在进行S40的处理或后述的S44的处理后经过了预定期间(S42)。在此,预定期间比1个燃烧循环的期间长,可以具有1个燃烧循环的10倍以上的长度。
CPU72在判定为经过了预定期间的情况下(S42:是),将次数N(1)~N(4)初始化并将故障标识F初始化(S44)。此外,CPU72在完成S40、S44的处理的情况下、或在S38、S42的处理中进行否定判定的情况下,一度结束图3所示的一系列的处理。
图4示出在产生了不发火的情况下对其进行应对的处理的顺序。图4所示的处理通过CPU72以故障标识F从“0”切换到“1”为触发而执行存储于图1所示的ROM74的应对程序74b来实现。
在图4所示的一系列的处理中,CPU72首先为了使进气门16的打开正时DIN为提前侧,向进气侧气门正时可变装置40输出操作信号MS5来操作进气侧气门正时可变装置40(S50)。具体地说,例如在故障标识F为“0”的通常时,与内燃机10的工作点相应地可变设定打开正时DIN,在S50的处理中,使实际的打开正时DIN相对于通常时的打开正时DIN提前。S50的处理的目的在于通过提高压缩比而使燃烧稳定。
然后,CPU72在S50的处理持续上述预定期间以上的时间后,判定故障标识F是否为“1”(S52)。该处理是判定是否通过S50的处理而消除了产生不发火的事态。CPU72在判定为故障标识F为“1”的情况下(S52:是),对于产生了不发火的汽缸#q,向点火装置22输出操作信号MS3来操作点火装置22,使点火正时aig提前预定量Δ(S54)。该处理的目的在于消除产生不发火的事态。
然后,CPU72在S54的处理持续上述预定期间以上的时间后,判定故障标识F是否为“1”(S56)。该处理是判定是否通过S54的处理而消除了产生不发火的事态。CPU72在判定为故障标识F为“1”的情况下(S56:是),对于产生了不发火的汽缸#q,向燃料喷射阀20输出操作信号MS2来操作燃料喷射阀20,通过燃料喷射阀20而使在1个燃烧循环中所要求的燃料量即要求喷射量Qd增量预定量(S58)。该处理的目的在于消除产生不发火的事态。
然后,CPU72在S58的处理持续上述预定期间以上的时间后,判定故障标识F是否为“1”(S60)。该处理是判定是否通过S58的处理而消除了产生不发火的事态。CPU72在判定为故障标识F为“1”的情况下(S60:是),对于产生了不发火的汽缸#q,停止燃料喷射,为了将节气门14的开口度θ限制为小的一侧地操作节气门14,调整向节气门14输出的操作信号MS1(S62)。然后,CPU72通过操作作为通知部而发挥作用的图1所示的警告灯90来执行通知产生了不发火之意的处理(S64)。
此外,CPU72在S52、S56、S60的处理进行否定判定的情况即消除产生不发火的事态的情况下、或在完成S64的处理的情况下,一度结束图4所示的一系列的处理。此外,在S60的处理中进行肯定判定的情况下,持续S62的处理作为故障安全(fail-safe)处理。
接下来,对映射数据76a的生成方法进行说明。图5示出生成映射数据76a的系统。如图5所示,在本实施方式中,在内燃机10的曲轴24经由变矩器60和变速装置64而机械性地连结测力计(dynamometer,功率计,动力计)100。并且,由传感器群102检测出内燃机10工作时的各种状态变量,将检测结果输入作为用于生成映射数据76a的计算机的适配装置104。此外,传感器群102包括作为检测用于生成向映射的输入的值的传感器的曲轴角传感器80、空气流量计82。另外,在此,为了切实地把握是否产生了不发火,传感器群102例如包括汽缸内压传感器等。
图6示出映射数据的生成处理的顺序。图6所示的处理由适配装置104来执行。此外,例如适配装置104具有CPU和ROM,图6所示的处理通过CPU执行存储于ROM的程序来实现即可。
在图6所示的一系列的处理中,适配装置104首先将微小旋转时间T30(1)~T30(24)、旋转速度NE、填充效率η和不发火为真的概率Pt(i)的组取得多个,作为基于传感器群102的检测结果而确定的训练数据(S70)。在此,真的概率Pt(i)在产生了不发火的情况下为“1”,在未产生不发火的情况下为“0”,是基于传感器群102中的以确定输入变量x(1)~x(26)的参数以外的参数为检测值的汽缸内压传感器的检测值等来算出的。不过,在生成训练数据时,例如也可以在预定的汽缸中有意地停止燃料喷射而生成与产生了不发火时类似的现象。在此情况下也同样地,为了检测在进行燃料喷射的汽缸中是否产生了不发火,采用汽缸内压传感器等。
然后,适配装置104根据S14的处理的要领而将训练数据中的真的概率Pt(i)以外的数据代入用于算出不发火的概率的映射的输入变量x(1)~x(26)(S72)。然后,适配装置104根据S16的处理的要领而算出在汽缸#1~#4各自中产生了不发火的概率P(1)~P(4)(S74)。然后,适配装置104对由传感器群102检测出的所有的训练数据判定是否执行了S70~S74的处理(S76)。然后,适配装置104在判定为存在尚未成为S70~S74的处理的对象的训练数据的情况下(S76:否),转移到S70的处理,从而将未成为对象的训练数据作为对象来执行S70~S74的处理。
而与之相对地,适配装置104在判定为对由传感器群102检测出的所有的训练数据执行了S70~S74的处理的情况下(S76:是),更新输入侧系数wFjk和输出侧系数wSij,以使得通过S74的处理而算出的概率P(i)和真的概率Pt(i)的交叉熵成为最小(S78)。然后,适配装置104将更新的输入侧系数wFjk和输出侧系数wSij等存储作为学习完毕的映射数据(S80)。
此外,在完成S80的处理时,验证概率P(i)的精度,该概率P(i)是采用由通过S80的处理而存储的输入侧系数wFjk和输出侧系数wSij等所规定的映射而算出的。在精度脱离容许范围的情况下,使内燃机10工作而新生成训练数据,反复S70~S80的处理。在精度进入容许范围时,将输入侧系数wFjk和输出侧系数wSij等作为安装于控制装置70的映射数据76a。
在此,对本实施方式的作用和效果进行说明。(1)在内燃机10的工作时,CPU72依次算出微小旋转时间T30。在旋转速度NE小于预定旋转速度NEth的情况下,将1个燃烧循环量的微小旋转时间T30输入由映射数据76a所规定的映射,从而算出在汽缸#1~#4各自中产生了不发火的概率P(1)~P(4)。在此,微小旋转时间T30是示出比作为压缩上止点的出现间隔的180℃A小的角度间隔中的曲轴24的旋转速度的参数。而且,向映射输入1个燃烧循环的每30℃A的微小旋转时间T30。而且,在微小旋转时间T30实施的运算所采用的输入侧系数wFjk和输出侧系数wSij的值是通过图6所示的机器学习而学习完毕的值。因此,能够基于曲轴24的微小的时间量程中的旋转举动来算出产生了不发火的概率P(i)。因此,若与基于对压缩上止点的出现间隔程度的旋转所需的时间的、相互相邻的角度间隔彼此的差来判定不发火的有无的情况进行比较,则能够基于对曲轴24的旋转举动的更详细的信息来判定不发火的有无,所以,易于提高不发火的判定精度。
在此,在旋转速度NE大的情况下,CPU72每单位时间算出概率P(i)的次数变多。而且,在用映射数据76a算出上述概率P(i)时,需要处理输入变量x(1)~x(26)这样的大量的输入。因此,在旋转速度NE大的情况下,与例如采用上述的判定函数来判定不发火的有无的情况相比,CPU72的负荷很大。
在这一方面,CPU72在旋转速度NE为预定旋转速度NEth以上的情况下,禁止利用映射数据76a算出在汽缸#1~#4各自中产生了不发火的概率P(1)~P(4)。与在假设旋转速度NE为预定旋转速度NEth以上时CPU72进行利用映射数据76a的算出处理的情况相比,能够减轻施加于CPU72的算出所导致的负担。
(2)根据上述实施方式,CPU72在旋转速度NE为预定旋转速度NEth以上的情况下,禁止利用映射数据76a的算出处理并且基于影射运算的算出结果来进行不发火判定。在基于利用影射运算的算出结果来进行不发火判定的情况下,与基于映射数据76a的算出结果来进行不发火判定的情况相比对CPU72的负荷小。因此,既能够减小旋转速度NE相应大时的CPU72的负荷,又能够持续进行不发火判定。
(3)与旋转速度NE小的情况相比,在旋转速度NE大的情况下,用于生成判定函数的适配工时少。根据上述实施方式,生成判定函数的旋转速度区域仅是旋转速度NE相应大的情况。另一方面,在旋转速度NE相应小的情况下,通过机器学习来进行适配。因此,能够减小构筑用于判定不发火的逻辑的适配工时。
<第2实施方式>
以下,参照附图,以与第1实施方式的不同点为中心,对第2实施方式进行说明。
在本实施方式中,在车辆的外部进行不发火的判定处理。图7示出本实施方式的内燃机的状态判定系统。此外,在图7中,为了方便,对与图1所示的部件相对应的部件赋予相同的标号。
图7所示的车辆VC内的控制装置70具有通信器79。通信器79是用于经由车辆VC的外部的网络110而与中心120通信的设备。中心120对从多个车辆VC发送的数据进行解析。中心120具有CPU122、ROM124、存储装置126、周边电路127和通信器129,它们能通过局域网128来通信。在ROM124中存储着不发火用主程序124a,在存储装置126中存储着映射数据126a。映射数据126a与映射数据76a相同。
图8示出本实施方式的不发火的判定处理的顺序。图8所示的处理通过CPU72执行存储于图7所示的ROM74的不发火检测子程序74c来实现。另外,图9所示的处理通过CPU122执行存储于ROM124的不发火用主程序124a来实现。此外,为了方便,对图8和图9中与图2和图3所示的处理相对应的处理赋予相同的步骤号码。以下,沿着不发火检测处理的时间序列,对图8所示的处理进行说明。
也就是说,在车辆VC中CPU72执行图8所示的S10、S12的处理时,通过操作通信器79而将在这些S10、S12的处理中取得的数据与车辆VC的识别信息一起发送到中心120(S90)。然后,CPU72待机直到接收后述的从中心120发送的与判定结果相关的信号。
而与之相对地,如图9所示,中心120的CPU122接收发送来的数据(S100),判定旋转速度NE是否小于预先设定的预定旋转速度NEth(S13)。在旋转速度NE小于预先设定的预定旋转速度NEth的情况下(S13:是),反复执行采用了已接收的数据的S14~S20的处理。然后,CPU122在通过反复执行S14~S20的处理而判定为在由识别信息所特定的同一车辆中在预定期间内特定的汽缸的不发火次数为预定次数Nth以上的情况下(S22:是),判定为产生了不发火(S102)。而与之相对地,在预定期间反复执行了S14~S20的处理时特定的汽缸的不发火次数小于预定次数Nth的情况下(S26:是),进行正常判定并将次数N(1)~N(4)初始化(S104)。此外,在此的预定期间将进行了不发火判定或正常判定的处理的时间点作为基准。
CPU122在完成S102、S104的处理的情况下,基于上述识别信息来操作通信器129,向发送了作为S14~S20的处理的对象的数据的车辆VC发送与判定结果相关的信号(S106)。在此,在产生了不发火之意的判定结果的情况下,与判定结果相关的信息包括与产生了不发火的汽缸相关的信息。CPU122在完成S106的处理的情况下、或在S22、S26的处理中进行否定判定的情况下,一度结束图9所示的一系列的处理。
在此,在旋转速度NE为预定旋转速度NEth以上的情况下(S13:否),如图10所示,禁止采用了已接收的数据的S14~S20的处理并反复执行采用了已接收的数据的S30~S36的处理。CPU122在S32、S34的处理中,通过由存储于图7所示的存储装置126的判定函数数据126b所规定的判定函数来算出判定值Oth和判定结果值JV。CPU122在通过反复执行S30~S36的处理而判定为在由识别信息所特定的同一车辆中在预定期间内特定的汽缸的不发火次数为预定次数Nth以上的情况下(S38:是),判定为产生了不发火(S112)。而与之相对地,在预定期间反复执行S30~S36的处理时特定的汽缸的不发火次数小于预定次数Nth的情况下(S42:是),进行正常判定并将次数N(1)~N(4)初始化(S114)。此外,在此的预定期间将进行了不发火判定或正常判定的处理的时间点作为基准。
CPU122在完成S112、S114的处理的情况下,基于上述识别信息来操作通信器129,向发送了作为S30~S36的处理的对象的数据的车辆VC发送与判定结果相关的信号(S116)。在此,在产生了不发火之意的判定结果的情况下,与判定结果相关的信息包括与产生了不发火的汽缸相关的信息。CPU122在完成S116的处理的情况下、或在S38、S42的处理中进行否定判定的情况下,一度结束图10所示的一系列的处理。
而与之相对地,车辆VC内的CPU72如图8所示,在接收了从中心120发送的与判定结果相关的信号时(S92:是),判定判定结果是否为产生了不发火之意的结果(S94)。CPU72在产生了不发火之意的判定的情况下(S94:是),转移到S24的处理,而在未产生不发火之意的结果的情况下(S94:否),将故障标识F初始化(S28b)。此外,CPU72在完成S24、S28b的处理的情况下、或在S92的处理中进行否定判定的情况下,一度结束图8所示的处理。
在此,对本实施方式的作用和效果进行说明。在本实施方式中,除了上述的(1)~(3)的效果之外,还起到以下的效果。(4)在上述实施方式中,通过在中心120中执行不发火的判定处理,能够减轻控制装置70的运算负荷。
<第3实施方式>
以下,参照附图,以与上述的第1实施方式的不同点为中心,对第3实施方式进行说明。
上述的第1实施方式的内燃机的状态判定装置构成为,基于曲轴24的旋转变动来判定在内燃机10中产生了不发火的状态的装置。在产生了汽缸间空燃比不均衡(在空燃比产生汽缸间的偏差)的情况下也同样地,产生汽缸间的燃烧状态的偏差,曲轴24的旋转变动变大。本实施方式的内燃机的状态判定装置构成为判定这样的汽缸间的空燃比的偏差的装置。此外,在本实施方式的内燃机的状态判定装置的ROM74中,代替图1所示的不发火检测程序74a而保存着汽缸间空燃比不均衡的检测程序。另外,在本实施方式的内燃机的状态判定装置的存储装置76中,作为判定函数数据76b,保存着代入空燃比变动值ΔAfu和填充效率η而算出不均衡率Riv的影射数据。不均衡率Riv是表示为了将多个汽缸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时的实际的空燃比彼此的偏差的程度的值。
图11示出与汽缸间空燃比不均衡的检测相关的处理的顺序。图11所示的处理通过CPU72以既定的控制周期反复执行存储于ROM74的上述的不均衡检测程序来实现。
在图11所示的一系列的处理中,CPU72首先判定不均衡的检测处理的执行条件是否成立(S210)。执行条件包括不实施对于内燃机1的进气的燃料蒸气的清除、排气的再循环。
然后,CPU72取得微小旋转时间T30(1)、T30(2)、…T30(24)、上游侧平均值Afuave(1)、Afuave(2)、…Afuave(24)、旋转速度NE、填充效率η、以及0.5阶振幅Ampf/2(S212)。微小旋转时间T30由CPU72基于曲轴角传感器80的输出信号即曲轴信号Scr而对曲轴24旋转30℃A所需的时间进行计时来算出。在此,在微小旋转时间T30(1)、T30(2)等括号中的数字不同的情况下,表示为作为1个燃烧循环的720℃A内不同的旋转角度间隔。也就是说,微小旋转时间T30(1)~T30(24)示出用30℃A等分了720℃A的旋转角度区域而得的各角度间隔的旋转时间。
另外,在设m=1~24时,上游侧平均值Afuave(m)是与上述各微小旋转时间T30(m)相同的30℃A的角度间隔中的上游侧检测值Afu的平均值。
0.5阶振幅Ampf/2是曲轴24的旋转频率的0.5阶分量的强度,由CPU72通过微小旋转时间T30的上述时间序列数据的傅里叶变换来算出。
然后,CPU72判定旋转速度NE是否小于预先设定的预定旋转速度NEth(S213)。在此,预定旋转速度NEth作为相对于CPU72的处理能力来说利用后述的映射数据76a的算出处理的负荷相应地大的值而设定。在旋转速度NE小于预定旋转速度NEth的情况下(S213:是),CPU72将通过S212的处理而取得的值代入用于输出不均衡率Riv的映射的输入变量x(1)~x(51)(S214)。详细地说,CPU72设“m=1~24”,将微小旋转时间T30(m)代入输入变量x(m),将上游侧平均值Afuave(m)代入输入变量(24+m),将旋转速度NE代入输入变量x(49),将填充效率η代入输入变量x(50),将0.5阶振幅Ampf/2代入输入变量x(51)。
在本实施方式中,不均衡率Riv在喷射目标喷射量的燃料的汽缸中为0,在实际的喷射量比目标喷射量多的情况下为正值,在实际的喷射量比目标喷射量少的情况下为负值。也就是说,不均衡率Riv越远离“0”,则CPU72判定为汽缸间的空燃比偏差越大。
然后,CPU72向由存储于图1所示的存储装置76的映射数据76a所规定的映射输入输入变量x(1)~x(51),从而算出汽缸#i(i=1~4)各自的不均衡率Riv(1)~Riv(4)(S216)。算出的不均衡率Riv越远离“0”,则CPU72判定为汽缸间的空燃比偏差越大。
在本实施方式中,该映射由中间层为1层的神经网络构成。上述神经网络包括输入侧系数wFjk(j=0~n,k=0~51)和作为输入侧非线性映射的活性化函数h(x),该活性化函数h(x)对由输入侧系数wFjk所规定的线性映射即输入侧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h(x),例示出双曲线正切“tanh(x)”。另外,上述神经网络包括输出侧系数wSij(i=1~4,j=0~n)和作为输出侧非线性映射的活性化函数f(x),该活性化函数f(x)对由输出侧系数wSij所规定的线性映射即输出侧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f(x),例示出双曲线正切“tanh(x)”。此外,值n示出中间层的维度。
此外,CPU72在完成S216的处理的情况下、或在S210的处理中进行否定判定的情况下,一度结束图11所示的一系列的处理。在此,在旋转速度NE为预定旋转速度NEth以上的情况下(S213:否),CPU72禁止由上述的映射数据76a算出汽缸#i(i=1~4)各自的不均衡率Riv(1)~Riv(4)的处理。另一方面,如图12所示,CPU72通过存储于存储装置76的判定函数而算出不均衡率Riv。
在本实施方式中,基于与上游侧检测值Afu的变动量相关的值即空燃比变动值ΔAfu来检测表示上述汽缸间的空燃比偏差的程度的不均衡率Riv。
具体地说,首先,CPU72基于上游侧平均值Afuave(1)、Afuave(2),…Afuave(24)来算出空燃比变动值ΔAfu(S220)。空燃比变动值ΔAfu是上游侧平均值Afuave(1)、Afuave(2)、…Afuave(24)中的最大值和最小值之差。
然后,CPU72通过由存储于图1所示的存储装置76的判定函数数据76b所规定的判定函数来算出不均衡率Riv。具体地说,将空燃比变动值ΔAfu和填充效率η代入作为判定函数的影射(S222)。然后,CPU72通过判定函数而对不均衡率Riv进行影射运算(S224)。空燃比变动值ΔAfu越小,则不均衡率Riv越接近“0”,在实际的喷射量比目标喷射量多的情况下不均衡率Riv为正值,在实际的喷射量比目标喷射量少的情况下不均衡率Riv为负值。也就是说,不均衡率Riv越远离“0”,则CPU72判定为汽缸间的空燃比偏差越大。
图13示出利用上述不均衡率Riv(i)的处理的顺序。图13所示的处理通过例如每算出不均衡率Riv(i)则CPU72反复执行存储于图1所示的ROM74的应对程序74b来实现。
在图13所示的一系列的处理中,CPU72首先通过指数移动平均处理来更新不均衡学习值Liv(i),在该指数移动平均处理中将通过图11的处理而新算出的不均衡率Riv(i)作为输入(S230)。也就是说,CPU72例如利用将存储于存储装置76的不均衡学习值Liv(i)乘以系数α而得到的值与将不均衡率Riv(i)乘以“1-α”而得到的值之和,来更新不均衡学习值Liv(S230)。此外,“0<α<1”。
然后,CPU72判定不均衡学习值Liv(i)是否为稀侧容许限界值LL以上且浓侧容许限界值LH以下(S232)。CPU72在判定为不均衡学习值Liv(i)小于稀侧容许限界值LL的情况或判定为比浓侧容许限界值大的情况下(S232:否),为了督促用户进行修理,操作警告灯90来执行通知处理(S234)。
另一方面,CPU72在判定为稀侧容许限界值LL以上且浓侧容许限界值LH以下的情况(S232:是)下、或完成S234的处理的情况下,修正各汽缸的要求喷射量QD(#i)(S236)。也就是说,CPU72通过各汽缸的要求喷射量QD(#i)加上与不均衡学习值Liv(i)相应的修正量ΔQD(Liv(i))来修正要求喷射量QD(#i)。在此,修正量ΔQD(Liv(i))在不均衡学习值Liv(i)比零大的情况下为负值,在不均衡学习值Liv(i)比零小的情况下为正值。此外,在不均衡学习值Liv(i)为零的情况下,修正量ΔQD(Liv(i))也为零。
此外,CPU72在完成S236的处理的情况下,一度结束图13所示的一系列的处理。附带一提,在本实施方式中,在S210的处理中进行肯定判定而执行S212的处理的情况下,一度停止S236的处理。
附带一提,本实施方式中的上述映射数据76a例如如下那样生成。首先,预先通过单体的计测而准备不均衡率Riv取与零不同的各种值的多个燃料喷射阀20、以及不均衡率为零的3个燃料喷射阀20。然后,使连结变矩器60且搭载着3个不均衡率为零的燃料喷射阀20和1个不均衡率与零不同的燃料喷射阀20的内燃机10,在试验台上在测力计与变矩器60的输出轴相连的状态下工作。此外,搭载的燃料喷射阀20各自的不均衡率Rivt作为示教数据。
然后,采用每次的旋转波形变量、通过S212的处理而取得的变量的值,通过与S214、S216的处理同样的处理,来算出不均衡率Rivt的值。以缩小这样算出的不均衡率Rivt的值和示教数据之差的方式学习上述输入侧系数wFjk、输出侧系数wSij的值。具体地说,例如以使交叉熵最小化的方式学习输入侧系数wFjk、输出侧系数wSij的值即可。此外,变速装置64的输入轴66的旋转速度能够通过测力计的旋转速度来模拟。
在此,对本实施方式的作用和效果进行说明。(5)根据上述实施方式,为了判定多个汽缸间的空燃比的偏差,在旋转速度NE为预定旋转速度NEth以上的情况下,也禁止利用映射数据76a算出在汽缸#1~#4各自中产生了不发火的概率P(1)~P(4)。因此,与在假设旋转速度NE为预定旋转速度NEth以上时CPU72进行利用映射数据76a的算出处理的情况相比,能够减轻施加于CPU72的算出所导致的负担。
[1]状态判定装置可以与控制装置70相对应。执行装置可以与第1和第3实施方式中的CPU72和ROM74相对应,可以与第2实施方式中的CPU72、122和ROM74、124相对应。存储装置可以与第1和第3实施方式中的存储装置76相对应,可以与第2实施方式中的存储装置126相对应。内燃机状态变量在第1和第2实施方式中可以与微小旋转时间T30(1)、T30(2)、…T30(24)相对应,在第3实施方式中可以与上游侧平均值Afuave(1)、Afuave(2)、…Afuave(24)相对应。“基于将内燃机状态变量作为输入的映射的输出来判定内燃机的状态的判定处理”可以与图2的S13~S28的处理、图11的S213~S216的处理相对应。阈值可以与预定旋转速度NEth相对应。[2]“采用判定函数来判定内燃机的状态的判定处理”可以与图3的S30~S44的处理、图10的S30~S114的处理、图12的S220~S224的处理相对应。[3]第1间隔可以与720℃A相对应,第2间隔可以与30℃A相对应,瞬时速度参数可以与微小旋转时间T30相对应。取得处理可以与S10的处理相对应。应对处理可以与图4的处理相对应。预定的硬件可以与进气侧气门正时可变装置40、点火装置22、燃料喷射阀20、节气门14相对应。[4]旋转波形变量可以与微小旋转时间T30(1)、T30(2)、…T30(24)相对应。第3间隔可以与30℃A相对应,第4间隔可以与30℃A相对应。应对处理可以与图13的处理相对应。预定的硬件可以与警告灯90、燃料喷射阀20相对应。[5]第1执行装置可以与CPU72和ROM74相对应。第2执行装置可以与CPU122和ROM124相对应。车辆侧发送处理可以与图8的S90的处理相对应。外部侧接收处理可以与图9的S100的处理相对应。“基于通过输出算出处理而算出的输出的信号”可以与和判定结果有关的信号相对应。[6]数据解析装置可以与中心120相对应。[7]内燃机的控制装置可以与图7所示的控制装置70相对应。
此外,本实施方式能够如下改变地实施。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。
对内燃机状态变量进行说明。在上述实施方式中,输入映射的内燃机状态变量不限于上述实施方式的例子。例如,第1和第2实施方式中的瞬时速度参数不限于第2间隔的旋转所需的时间即微小旋转时间。例如可以是第2间隔除以微小旋转时间而得到的值。此外,瞬时速度参数无需一定是进行了将极大值和极小值之差设为固定值的标准化处理的参数。另外,作为用于设为映射的输入的前处理的滤波处理不限于上述的处理,也可以是例如进行如下的处理:基于变速装置64的输入轴66的微小旋转时间来除去曲轴24因输入轴66而旋转的影响的量。不过,对作为映射的输入的瞬时速度参数实施滤波处理并非是必须的。在这一方面,在第3实施方式中的旋转波形变量中也是同样的。而且,内燃机状态变量只要是表示内燃机的状态的参数,则没有特别限定。
对判定函数进行说明。在上述实施方式中,判定函数的构成不限于上述实施方式的例子。例如,在第1实施方式中,也可以是通过代入旋转速度NE和填充效率η而导出判定值Oth的影射。另外,在第1实施方式中,也可以是为了比较旋转变动值ΔNE和判定值Oth的大小,不通过差而是通过比来进行比较。
对采用判定函数的判定处理进行说明。
在上述实施方式中,也可以省略采用判定函数的判定。在此情况下,执行装置在曲轴24的旋转速度NE为预定旋转速度NEth以上的情况下只要禁止不发火的有无、汽缸间的空燃比偏差的判定处理即可。
对第1间隔和第2间隔进行说明。
在第1和第2实施方式中,采用作为1个燃烧循环即720℃A的旋转角度间隔内的连续的多个第2间隔各自的瞬时速度参数的微小旋转时间T30,作为用于不发火的有无的判定的映射的输入参数。也就是说,示出了第1间隔为720℃A而第2间隔为30℃A的例子,但不限于此。例如,第1间隔也可以是比720℃A长的旋转角度间隔。不过,第1间隔为720℃A以上并非是必须的。例如,对于输出在特定的汽缸中产生了不发火的概率、与产生转矩相关的数据的映射等的输入,上述第1间隔也可以采用480℃A等720℃A以下的间隔。此时,可以采用比压缩上止点的出现间隔长的旋转角度间隔。此外,上述第1间隔包括作为要求产生了不发火的概率的对象的汽缸的压缩上止点。
第2间隔不限于30℃A。可以是例如10℃A等比30℃A小的角度间隔。不过,不限于30℃A以下的角度间隔,也可以是例如45℃A等。
对规定内燃机的工作点的参数进行说明。在第1和第2实施方式中,由旋转速度NE和填充效率η来规定工作点,但不限于此。例如,也可以是旋转速度NE和吸入空气量Ga。另外,例如,作为负荷,也可以采用喷射量、对内燃机的要求转矩来代替填充效率η。采用喷射量、要求转矩作为负荷在下述压缩着火式内燃机中尤其有效。
对第3间隔和第4间隔进行说明。在第3实施方式中,成为向映射的输入的上游侧平均值Afuave的采样间隔即第3间隔不限于30℃A。可以是例如10℃A等比30℃A小的角度间隔。不过,不限于30℃A以下的角度间隔,也可以是例如45℃A等。
成为向映射的输入的微小旋转时间T30的采样间隔即第4间隔不限于30℃A。可以是例如10℃A等比30℃A小的角度间隔。不过,不限于30℃A以下的角度间隔,也可以是例如45℃A等。此外,第3间隔和第4间隔是相同大小的间隔并非是必须的。
对映射的输入进行说明。在第1和第2实施方式中,除了瞬时速度参数之外还输入的映射的输入不限于上述实施方式的例子。例如,可以包括用于调整内燃机10的燃烧室18中的混合气的燃烧速度的参数、搭载着内燃机10的车辆VC正在行驶的路面的状态变量。另外,映射的输入包括内燃机10的工作点并非是必须的。例如在内燃机搭载于串联混合动力车辆且以其工作点限制于小范围的控制为前提的情况等下,也可以不包括工作点。而且,可以仅将规定工作点的旋转速度NE和负荷、或者旋转速度NE和吸入空气量这两个参数中的任1个参数作为除了瞬时速度参数之外还输入的映射的输入。
在第3实施方式中也同样地,除了旋转波形变量和空燃比检测变量的多个值之外还输入的映射的输入不限于上述实施方式的例子。另外,映射的输入包括内燃机10的工作点并非是必须的。
而且,例如在上述实施方式等中将作为向检测用映射的输入的多种物理量的一部分作为向神经网络、回归式的直接的输入,但也可以代替地,将它们的主成分分析出来的几个主成分作为向神经网络、回归式的直接的输入。不过,在将主成分作为神经网络、回归式的输入的情况下,仅向神经网络、回归式的输入的一部分成为主成分并非是必须的,也可以将全部作为主成分。此外,在将主成分作为向检测用映射的输入的情况下,映射数据76a、126a包括规定用于确定主成分的检测用映射的数据。
对内燃机的状态判定系统进行说明。在第3实施方式中,在进行与汽缸间空燃比不均衡的检测相关的处理时,可以如第2实施方式那样构成内燃机的状态判定系统。在此情况下,在中心120算出不均衡率Riv,并将算出的不均衡率Riv向车辆VC发送即可。
对应对处理进行说明。上述实施方式中的应对处理的构成不限于上述实施方式的例子。例如,通过操作警告灯90而通过视觉信息来通知产生了不发火之意,但不限于此。例如,也可以通过操作扬声器而通过听觉信息来通知产生了不发火之意。另外,例如也可以是,图1所示的控制装置70具有通信器129,进行操作通信器129而向用户的便携终端发送产生了不发火之意的信号的处理。这能够通过在用户的便携终端预先安装用于执行通知处理的应用程序来实现。另外,作为第1实施方式中的应对处理,也可以省略图4所示的处理的一部分或全部。在这一方面,关于汽缸间的空燃比偏差也是同样的。
对映射数据进行说明。在上述实施方式中,活性化函数h、h1、h2、…hα为双曲线正切,输出的活性化函数为Softmax函数,但不限于此。例如活性化函数h、h1、h2、…hα也可以为ReLU。另外,例如输出的活性化函数也可以为logistic sigmoid函数。在此情况下,例如输出层的节点数为1个而输出变量为燃烧状态变量PR即可。在此情况下,在输出变量的值为预定值以上的情况下判定为异常,从而能够判定异常的有无。
对机器学习的算法进行说明。机器学习的算法不限于采用神经网络。例如也可以采用回归式。这相当于在上述神经网络中不具有中间层。另外,例如可以采用支持向量机。在此情况下,输出的值的大小自身没有含义,根据其值是否为正来表现是否产生了不发火。换言之,不同于燃烧状态变量的值具有3个值以上的值且它们的值的大小表现不发火的概率的大小。
对映射数据的生成方法进行说明。在第1和第2实施方式中,在随机产生不发火的状况下执行学习,但不限于此。例如也可以在特定的汽缸中连续产生不发火的状况下执行学习。其中,在此情况下,成为向映射的输入的汽缸间变量或变动模式变量所采用的汽缸间变量可以是成为不发火的检测对象的汽缸和此外的汽缸各自的与压缩上止点相对应的微小旋转时间T30彼此的差等。
另外,在上述实施方式中,映射数据的生成方法不限于基于连接曲轴24的测力计并使内燃机10工作时的曲轴24的旋转举动而进行学习的方法。例如也可以基于将内燃机10搭载于车辆并使车辆行驶时的曲轴24的旋转举动而进行学习。由此,能够使学习反映出车辆所行驶的路面的状态给曲轴24的旋转举动所带来的影响。
对数据解析装置进行说明。在第2实施方式中,例如可以由用户所持的便携终端来执行图9的处理。这能够通过在便携终端预先安装执行图9的处理的应用程序来实现。此外,此时,也可以通过例如将S106的处理中的数据的发送的有效距离设定为车辆的长度程度等来删除车辆ID的收发处理。
对执行装置进行说明。作为各实施方式中的执行装置,不限于具有CPU72、122和ROM74、124来执行软件处理的装置。例如也可以具有对在上述实施方式中进行了软件处理的至少一部分进行硬件处理的专用的硬件回路(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)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)具有按照程序来执行上述处理的一部分的处理装置和程序保存装置、以及执行其余的处理的专用的硬件回路。(c)具有执行上述所有处理的专用的硬件回路。在此,具有处理装置和程序保存装置的软件执行装置、专用的硬件回路可以是多个。
对存储装置进行说明。在第1和第2实施方式中,存储映射数据76a、126a的存储装置、以及存储不发火检测程序74a或不发火用主程序124a的存储装置即ROM74、124为分别的存储装置,但不限于此。在这一方面,对于第3实施方式中的存储映射数据76a和不均衡检测程序的存储装置也是同样的。
对于计算机进行说明。计算机不限于由搭载于车辆的CPU72和ROM74等执行装置、以及中心120所具有的CPU122和ROM124等执行装置构成的。例如也可以由搭载于车辆的执行装置和中心120所具有的执行装置、以及用户的便携终端内的CPU和ROM等执行装置构成。这能够通过例如将图8的S90的处理作为向用户的便携终端发送的处理并在便携终端执行图9的S13~S26和S100~S106的处理来实现。
对内燃机的状态进行说明。若曲轴24每旋转规定角度就执行取得处理,则判定处理所判定的内燃机10的状态可以是不发火、汽缸间空燃比不均衡以外的状态。例如在特定的汽缸中因进气门、排气门的打开固定而产生了成为汽缸内的进气的压缩不充分的状态的所谓压缩不足的情况下,汽缸间的燃烧状态产生偏差,曲轴24的旋转变动变大。因此,若采用上述的内燃机状态变量作为输入的映射来进行这样的压缩不足的检测,则能够以反映出给曲轴24的旋转举动带来的影响的方式判定压缩不足。
对各实施方式的组合进行说明。也可以是,把第1和第2实施方式中的不发火检测程序74a和第3实施方式中的不均衡检测程序都搭载上,CPU72对不发火和汽缸间的空燃比不均衡的哪个状态都进行判定。在此情况下,CPU72的计算负荷变得比判定不发火和汽缸间空燃比不均衡的任一个的状态大,所以,在曲轴24的旋转速度NE相应大的情况下,通过适用上述各实施方式而有很好的效果。
另外,也可以组合第1和第2实施方式,在车辆VC判定不发火,另一方面,在中心120判定不发火。而且,还可以组合第2和第3实施方式,在中心120进行不发火的状态的判定,另一方面,在车辆VC进行汽缸间的空燃比不均衡的状态的判定。
对中心进行说明。在第2实施方式中,中心120也可以不将不发火的状态的判定结果向车辆VC发送。在此情况下,能够将判定结果存储于中心120而应用于研究开发。
对内燃机进行说明。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喷射燃料的气道喷射阀。另外,例如也可以具有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)等作为燃料的压缩着火式内燃机等。
对车辆进行说明。上述实施方式的车辆VC是驱动系具有锁止离合器62、变矩器60和变速装置64的构成,但也可以是驱动系的构成不同的车辆。
Claims (6)
1.一种内燃机的状态判定装置,其特征在于,具有:
存储装置;以及
执行装置,
所述存储装置存储:
映射数据,该映射数据是规定将表示内燃机的状态的参数即内燃机状态变量作为输入并输出内燃机的状态的判定结果的映射的数据;以及
判定函数,该判定函数通过代入所述内燃机状态变量和从所述内燃机状态变量导出的变量的至少一方而得到一个所述判定结果;
所述执行装置构成为执行取得处理和判定处理,在所述取得处理中,每当内燃机的曲轴旋转规定角度就取得所述内燃机状态变量,在所述判定处理中,每当在所述取得处理取得所述内燃机状态变量时基于将该取得的所述内燃机状态变量作为输入的所述映射的输出来判定所述内燃机的状态;
所述映射数据是通过机器学习而学习完毕的数据;
所述执行装置构成为,在所述曲轴的旋转速度为预先确定的阈值以上的情况下,禁止基于所述映射的输出的所述判定处理,并且执行采用所述判定函数来判定所述内燃机的状态的判定处理。
2.如权利要求1所述的内燃机的状态判定装置,其特征在于,
所述内燃机的状态是所述内燃机的不发火的有无;
所述执行装置构成为,在通过所述判定处理而判定为产生了不发火的情况下,通过操作预定的硬件来执行用于应对产生了不发火的情况的应对处理;
所述映射数据规定将作为第1间隔所包含的连续的多个第2间隔各自中的瞬时速度参数的时间序列数据作为输入并输出在内燃机中产生了不发火的概率的映射;
所述执行装置构成为,在所述取得处理中,取得基于对所述内燃机的曲轴的旋转举动进行检测的传感器的检测值的所述瞬时速度参数;
所述瞬时速度参数是与所述内燃机的曲轴的旋转速度相应的参数;
所述第1间隔是所述曲轴的旋转角度间隔且包含压缩上止点;
所述第2间隔是比所述压缩上止点的出现间隔小的间隔;
所述执行装置构成为,通过所述映射来输出在所述第1间隔内出现压缩上止点的至少一个汽缸中产生了不发火的概率。
3.如权利要求1或2所述的内燃机的状态判定装置,其特征在于,
所述内燃机具有多个汽缸;
所述内燃机的状态是多个汽缸间的空燃比的偏差;
所述执行装置构成为,在通过所述判定处理而判定为多个汽缸间的空燃比存在偏差的情况下,通过操作预定的硬件来执行用于应对空燃比的偏差程度大的情况的应对处理;
所述映射数据规定将旋转波形变量、和多个第3间隔各自中的与空燃比传感器的输出相应的变量即空燃比检测变量作为输入并输出不均衡变量的映射,该不均衡变量是表示为了将多个汽缸各自中的混合气的空燃比控制为相互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的偏差程度的变量;
所述执行装置构成为,在所述取得处理中,取得基于对所述曲轴的旋转举动进行检测的传感器的检测值的所述旋转波形变量和多个第3间隔各自中的所述空燃比检测变量;
所述旋转波形变量是表示多个第4间隔各自中的与曲轴的旋转速度相应的变量即瞬时速度变量的值彼此的不同的变量;
所述第3间隔和所述第4间隔均为比压缩上止点的出现间隔小的所述曲轴的角度间隔;
所述旋转波形变量和所述空燃比检测变量的多个值分别是比所述出现间隔大的预定的角度间隔内的时间序列数据。
4.一种内燃机的状态判定系统,其特征在于,具有:
权利要求1~3中任一项所述的所述执行装置以及所述存储装置,
所述执行装置包括第1执行装置和第2执行装置;
所述第1执行装置搭载于车辆,并且,构成为执行所述取得处理和将通过所述取得处理而取得的数据向车辆的外部发送的车辆侧发送处理;
所述第2执行装置配置于所述车辆的外部,并且,构成为执行对通过所述车辆侧发送处理而发送的数据进行接收的外部侧接收处理和所述判定处理。
5.一种数据解析装置,其特征在于,具有内燃机的状态判定系统所具有的第2执行装置以及存储装置,
所述内燃机的状态判定系统具有:
权利要求1~3中任一项所述的所述执行装置以及所述存储装置,
所述执行装置包括第1执行装置和所述第2执行装置;
所述第1执行装置搭载于车辆,并且,构成为执行所述取得处理和将通过所述取得处理而取得的数据向车辆的外部发送的车辆侧发送处理;
所述第2执行装置配置于所述车辆的外部,并且,构成为执行对通过所述车辆侧发送处理而发送的数据进行接收的外部侧接收处理和所述判定处理。
6.一种内燃机的控制装置,其特征在于,具有内燃机的状态判定系统所具有的第1执行装置,
所述内燃机的状态判定系统具有:
权利要求1~3中任一项所述的所述执行装置以及所述存储装置,
所述执行装置包括所述第1执行装置和第2执行装置;
所述第1执行装置搭载于车辆,并且,构成为执行所述取得处理和将通过所述取得处理而取得的数据向车辆的外部发送的车辆侧发送处理;
所述第2执行装置配置于所述车辆的外部,并且,构成为执行对通过所述车辆侧发送处理而发送的数据进行接收的外部侧接收处理和所述判定处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-157749 | 2019-08-30 | ||
JP2019157749A JP6708291B1 (ja) | 2019-08-30 | 2019-08-30 | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112443415A CN112443415A (zh) | 2021-03-05 |
CN112443415B true CN112443415B (zh) | 2023-03-10 |
Family
ID=70976365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872025.6A Active CN112443415B (zh) | 2019-08-30 | 2020-08-26 | 内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11333097B2 (zh) |
JP (1) | JP6708291B1 (zh) |
CN (1) | CN112443415B (zh) |
DE (1) | DE102020115694A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
KR20210073882A (ko) * | 2019-12-11 | 2021-06-21 | 현대자동차주식회사 | 빅데이터 기반 운행 정보 제공 시스템 및 방법 |
US11459962B2 (en) * | 2020-03-02 | 2022-10-04 | Sparkcognitton, Inc. | Electronic valve control |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0491348A (ja) * | 1990-08-01 | 1992-03-24 | Hitachi Ltd | 自動車制御装置 |
JP2006183502A (ja) * | 2004-12-27 | 2006-07-13 | Yamaha Motor Co Ltd | エンジンの失火検出装置並びに方法、及び鞍乗型車両 |
CN101016867A (zh) * | 2006-02-07 | 2007-08-15 | 株式会社电装 | 燃料喷射控制器 |
JP2013130169A (ja) * | 2011-12-22 | 2013-07-04 | Toyota Motor Corp | 気筒間空燃比ばらつき異常検出装置 |
JP2019019755A (ja) * | 2017-07-18 | 2019-02-07 | 株式会社ケーヒン | 内燃機関失火検出装置 |
JP2019081531A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社デンソー | 路面状態判別装置およびそれを備えたタイヤシステム |
CN109899160A (zh) * | 2017-12-07 | 2019-06-18 | 三菱电机株式会社 | 内燃机的控制装置及控制方法 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2717665B2 (ja) | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
EP0437212B1 (en) * | 1990-01-09 | 1997-03-19 | Unisia Jecs Corporation | Method and apparatus for detecting misfired cylinder of internal combustion engine |
US5044195A (en) * | 1990-08-24 | 1991-09-03 | Ford Motor Company | Misfire detection in an internal combustion engine |
US5287735A (en) * | 1990-12-10 | 1994-02-22 | Sensortech L.P. | Engine misfire or roughness detection method and apparatus |
DE4206118C2 (de) * | 1991-02-27 | 1996-11-14 | Mitsubishi Electric Corp | Fehlzündungsdetektorvorrichtung für einen Verbrennungsmotor |
JP2893300B2 (ja) * | 1991-07-19 | 1999-05-17 | トヨタ自動車株式会社 | 多気筒内燃機関の失火検出装置 |
US5193513A (en) * | 1992-06-03 | 1993-03-16 | Ford Motor Company | Misfire detection in an internal combustion engine using exhaust pressure |
JP3158774B2 (ja) * | 1993-04-21 | 2001-04-23 | トヨタ自動車株式会社 | 多気筒内燃機関の失火検出装置 |
US5495415A (en) * | 1993-11-18 | 1996-02-27 | Regents Of The University Of Michigan | Method and system for detecting a misfire of a reciprocating internal combustion engine |
US5576963A (en) * | 1994-10-18 | 1996-11-19 | Regents Of The University Of Michigan | Method and system for detecting the misfire of a reciprocating internal combustion engine utilizing a misfire index model |
US5559285A (en) * | 1994-12-05 | 1996-09-24 | Ford Motor Company | Fuzzy logic method for detecting misfiers in internal combustion engines |
US5699253A (en) * | 1995-04-05 | 1997-12-16 | Ford Global Technologies, Inc. | Nonlinear dynamic transform for correction of crankshaft acceleration having torsional oscillations |
JPH09287516A (ja) * | 1996-04-25 | 1997-11-04 | Mitsubishi Electric Corp | 失火検出装置 |
US5714946A (en) * | 1996-04-26 | 1998-02-03 | Caterpillar Inc. | Apparatus for communicating with a machine when the machine ignition is turned off |
JP2001507772A (ja) * | 1996-10-23 | 2001-06-12 | フォード、グローバル、テクノロジーズ、インコーポレーテッド | ビットシリアルに基くリカレント・ニューロプロセッサーを含む自動車用エンジンの失火検出システム |
US5732382A (en) * | 1996-11-06 | 1998-03-24 | Ford Global Technologies, Inc. | Method for identifying misfire events of an internal combustion engine |
JPH10252536A (ja) * | 1997-03-14 | 1998-09-22 | Honda Motor Co Ltd | 内燃機関の空燃比制御装置 |
JP2000240550A (ja) * | 1999-02-18 | 2000-09-05 | Mitsubishi Electric Corp | 内燃機関の失火検出装置 |
US6292738B1 (en) * | 2000-01-19 | 2001-09-18 | Ford Global Tech., Inc. | Method for adaptive detection of engine misfire |
JP3818099B2 (ja) * | 2001-08-23 | 2006-09-06 | トヨタ自動車株式会社 | 内燃機関の失火検出装置 |
JP2003138979A (ja) * | 2001-10-30 | 2003-05-14 | Mitsubishi Electric Corp | 内燃機関の失火検出装置 |
US6935313B2 (en) * | 2002-05-15 | 2005-08-30 | Caterpillar Inc | System and method for diagnosing and calibrating internal combustion engines |
JP4490721B2 (ja) * | 2004-04-12 | 2010-06-30 | 三菱自動車工業株式会社 | エンジンの失火検出装置及びエンジンの燃焼制御装置 |
US20090158830A1 (en) * | 2007-12-20 | 2009-06-25 | Malaczynski Gerard W | Artificial neural network enhanced misfire detection system |
JP2013245560A (ja) * | 2012-05-23 | 2013-12-09 | Yamaha Motor Co Ltd | 船外機 |
US8996230B2 (en) * | 2013-01-09 | 2015-03-31 | American Automobile Association, Inc. | Method and apparatus for translating vehicle diagnostic trouble codes |
DE102015214739B4 (de) * | 2015-08-03 | 2022-12-29 | Volkswagen Aktiengesellschaft | Verfahren zur Bestimmung einer Fehlerursache bei einem Fahrzeug und Server zum Durchführen der Bestimmung der Fehlerursache |
JP6914084B2 (ja) * | 2017-04-10 | 2021-08-04 | 株式会社デンソーテン | ノック制御装置、ノック適合方法およびノック適合プログラム |
JP6547991B1 (ja) * | 2019-02-20 | 2019-07-24 | トヨタ自動車株式会社 | 触媒温度推定装置、触媒温度推定システム、データ解析装置、および内燃機関の制御装置 |
-
2019
- 2019-08-30 JP JP2019157749A patent/JP6708291B1/ja active Active
-
2020
- 2020-06-15 DE DE102020115694.4A patent/DE102020115694A1/de not_active Withdrawn
- 2020-06-29 US US16/914,716 patent/US11333097B2/en active Active
- 2020-08-26 CN CN202010872025.6A patent/CN112443415B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0491348A (ja) * | 1990-08-01 | 1992-03-24 | Hitachi Ltd | 自動車制御装置 |
JP2006183502A (ja) * | 2004-12-27 | 2006-07-13 | Yamaha Motor Co Ltd | エンジンの失火検出装置並びに方法、及び鞍乗型車両 |
CN101016867A (zh) * | 2006-02-07 | 2007-08-15 | 株式会社电装 | 燃料喷射控制器 |
JP2013130169A (ja) * | 2011-12-22 | 2013-07-04 | Toyota Motor Corp | 気筒間空燃比ばらつき異常検出装置 |
JP2019019755A (ja) * | 2017-07-18 | 2019-02-07 | 株式会社ケーヒン | 内燃機関失火検出装置 |
JP2019081531A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社デンソー | 路面状態判別装置およびそれを備えたタイヤシステム |
CN109899160A (zh) * | 2017-12-07 | 2019-06-18 | 三菱电机株式会社 | 内燃机的控制装置及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021036137A (ja) | 2021-03-04 |
CN112443415A (zh) | 2021-03-05 |
JP6708291B1 (ja) | 2020-06-10 |
US11333097B2 (en) | 2022-05-17 |
DE102020115694A1 (de) | 2021-03-04 |
US20210062747A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11099102B2 (en) | Misfire detection device for internal combustion engine, misfire detection system for internal combustion engine, data analysis device, and controller for internal combustion engine | |
US11255282B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
CN112302823B (zh) | 内燃机的状态检测系统、数据解析装置以及车辆 | |
CN112443415B (zh) | 内燃机的状态判定装置、内燃机的状态判定系统、数据解析装置和内燃机的控制装置 | |
US10969304B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
CN111749787B (zh) | 内燃机的失火检测装置、系统及方法、数据解析装置、内燃机的控制装置、及接收执行装置 | |
CN111594331B (zh) | 不均检测装置、不均检测系统、不均检测方法、数据解析装置、及内燃机的控制装置 | |
JP6708292B1 (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
CN112412646A (zh) | 车辆用学习控制系统、车辆用控制装置及车辆用学习装置 | |
CN112302818B (zh) | 内燃机的状态检测系统、数据解析装置及混合动力车辆 | |
US11326541B2 (en) | Vehicle learning control system, vehicle control device, and vehicle learning device | |
CN113139328B (zh) | 内燃机的状态判定装置、内燃机的状态判定系统、及数据解析装置 | |
JP2021038741A (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 | |
JP6673520B1 (ja) | 内燃機関の状態検出システム、データ解析装置、及び車両 | |
JP6673519B1 (ja) | 内燃機関の状態検出システム、データ解析装置、及び車両 | |
JP2021038742A (ja) | 内燃機関の状態判定装置、内燃機関の状態判定システム、データ解析装置、および内燃機関の制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |