CN112629648B - 内燃机的点火正时控制装置 - Google Patents

内燃机的点火正时控制装置 Download PDF

Info

Publication number
CN112629648B
CN112629648B CN202010932405.4A CN202010932405A CN112629648B CN 112629648 B CN112629648 B CN 112629648B CN 202010932405 A CN202010932405 A CN 202010932405A CN 112629648 B CN112629648 B CN 112629648B
Authority
CN
China
Prior art keywords
value
ignition timing
knock
neural network
knock intensity
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
Application number
CN202010932405.4A
Other languages
English (en)
Other versions
CN112629648A (zh
Inventor
千田健次
毛利昌弘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN112629648A publication Critical patent/CN112629648A/zh
Application granted granted Critical
Publication of CN112629648B publication Critical patent/CN112629648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
    • F02P5/15—Digital data processing
    • F02P5/152—Digital data processing dependent on pinking
    • 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
    • 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
    • F02D35/027—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions using knock sensors
    • 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
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/0065—Specific aspects of external EGR control
    • F02D41/0072—Estimating, calculating or determining the EGR rate, amount or flow
    • 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
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/05—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using mechanical means
    • F02P5/06—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using mechanical means dependent on engine speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/05—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using mechanical means
    • F02P5/10—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using mechanical means dependent on fluid pressure in engine, e.g. combustion-air pressure
    • F02P5/103—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using mechanical means dependent on fluid pressure in engine, e.g. combustion-air pressure dependent on the combustion-air pressure in engine
    • F02P5/106—Combustion-air pressure devices combined with other specific conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L23/00—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid
    • G01L23/22—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines
    • G01L23/221—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines for detecting or indicating knocks in internal combustion engines
    • G01L23/222—Devices or apparatus for measuring or indicating or recording rapid changes, such as oscillations, in the pressure of steam, gas, or liquid; Indicators for determining work or energy of steam, internal-combustion, or other fluid-pressure engines from the condition of the working fluid for detecting or indicating knocks in internal-combustion engines; Units comprising pressure-sensitive members combined with ignitors for firing internal-combustion engines for detecting or indicating knocks in internal combustion engines using piezoelectric devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/08—Testing internal-combustion engines by monitoring pressure in cylinders
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • 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
    • F02D2200/60—Input parameters for engine control said parameters being related to the driver demands or status
    • F02D2200/602—Pedal position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Ignition Timing (AREA)

Abstract

内燃机的点火正时控制装置包括存储装置和处理器。所述存储装置存储第1已学习神经网络和第2已学习神经网络。所述处理器构成为：在点火正时被延迟了的下一周期中，基于使用所述第2已学习神经网络算出的代表所述爆震强度的值的推定值的预测值与使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值之差，进行再下一周期中的所述点火正时的延迟控制。所述处理器构成为：在所述差比预先确定的设定值大时，不进行使所述再下一周期中的所述点火正时延迟的控制。

Description

内燃机的点火正时控制装置
技术领域
本发明涉及内燃机的点火正时控制装置。
背景技术
在内燃机中，在混合气于燃烧室内被点火之后，当末端气体自着火时会产生压力波，会产生爆震。当产生爆震时，内燃机主体会振动。在该情况下，爆震强度越高，内燃机主体的振动变得越激烈。于是，众所周知如下内燃机，该内燃机设为：在内燃机主体安装对内燃机主体的振动进行检测的爆震传感器，根据由爆震传感器检测到的内燃机主体振动的激烈度来检测爆震强度，在爆震强度超过了阈值时，判断为发生爆震，使点火正时延迟(例如参照日本特开2006－226967)。然而，内燃机主体例如也会由于进气门和排气门的落座作用、燃料喷射阀的阀针(needle)的落座作用等的机械性动作而振动。因此，存在如下问题：当使用设为检测内燃机主体的振动的爆震传感器时，在由于这样的机械性动作而内燃机主体的振动强度变得激烈时，尽管爆震强度不高，却会误判定为爆震强度高。
发明内容
另一方面，在发生了爆震时，爆震强度越高，燃烧室内的压力的变动越激烈。因此，当使用能够对因点火而产生的混合气的燃烧压进行检测的压力传感器时，能够根据该压力传感器的输出值的变动的激烈度来检测爆震强度。在该情况下，例如当爆震强度变高时，压力传感器的输出值的峰值变高。因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，能够根据这样的代替爆震强度的值来检测爆震强度。在该情况下，基于机械性动作的内燃机主体的振动对压力传感器的输出值不产生影响。因此，对代表爆震强度的值也不产生影响，因此，当使用压力传感器时，能够高精度地检测爆震强度。
然而，该压力传感器的价格极高。并且，压力传感器在被长时间使用时，会在压力传感器逐渐附着沉积物。由于该附着的沉积物，燃烧室内的混合气的燃烧形态会变化。因此，难以对于市售车使用这样的压力传感器。于是，考虑使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值求出的代表爆震强度的值。即，考虑对神经网络的权重进行学习以使得当被输入爆震传感器的输出值时会输出代表爆震强度的推定值，使用完成了权重学习的已学习神经网络，根据爆震传感器的输出来推定代表爆震强度的值。
然而，当在市售车的控制装置保存这样的已学习神经网络，使用所保存的已学习神经网络，根据爆震传感器的输出值来推定代表爆震强度的值时会产生问题。即，内燃机的构成部件具有公差，由此，内燃机的构成部件的尺寸会按各市售车而存在偏差，因此，会产生按各市售车而不同的内燃机的振动。然而，已学习神经网络未针对这样按各市售车而产生的不同的内燃机的振动进行权重的学习。因此，有时当产生这样未进行权重的学习的内燃机的振动、即未学习的内燃机的振动时，会在已学习神经网络中误判断为因爆震而在内燃机主体发生振动。
当作出这样的误判断时，有时点火正时会被过量地延迟。即，在因发生爆震而代表爆震强度的值超过阈值、由此点火正时被延迟了时，由于点火正时的延迟作用而燃烧压会降低，因此，代表爆震强度的值会降低。其结果，代表爆震强度的值成为阈值以下，点火正时的延迟作用被停止。另一方面，在产生未学习的内燃机的振动、因而代表爆震强度的值超过了阈值的情况下，点火正时也会被延迟。然而，在此时未受到点火正时的影响而产生了未学习的内燃机的振动的情况下，即使点火正时被延迟，未学习的内燃机的振动也不会被抑制。因此，此时，在点火正时被延迟之后也未受到点火正时的影响而持续产生了未学习的内燃机的振动的情况下，代表爆震强度的值会继续超过阈值。由此，成为继续进行点火正时的延迟作用。其结果，会产生点火正时被过量地延迟、因而内燃机的输出会大幅地降低这一问题。
本发明的一个技术方案涉及的内燃机的点火正时控制装置包括存储装置和处理器。所述存储装置构成为存储第1已学习神经网络和第2已学习神经网络，所述第1已学习神经网络构成为根据用于对内燃机主体的振动进行检测的爆震传感器的输出值来算出根据压力传感器的输出值求出的代表爆震强度的值的推定值，所述压力传感器用于对因点火而产生的混合气的燃烧压进行检测，所述第2已学习神经网络构成为算出所述内燃机的点火正时被延迟了时的代表所述爆震强度的值的推定值的预测值或者预测降低量。所述处理器构成为在使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值超过预先确定的阈值的情况下，使下一周期中的所述点火正时延迟。所述处理器构成为在所述点火正时被延迟了的所述下一周期中，基于使用所述第2已学习神经网络算出的代表所述爆震强度的值的推定值的预测值与使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值之差，进行再下一周期中的所述点火正时的延迟控制。所述处理器构成为在所述差比预先确定的设定值小时，若代表所述爆震强度的值的推定值比预先设定的阈值大，则进行使所述再下一周期中的所述点火正时延迟的控制，并且，构成为在所述差比预先确定的设定值大时，即使代表所述爆震强度的值的推定值大于预先设定的阈值，也不进行使所述再下一周期中的所述点火正时延迟的控制。
本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述第2已学习神经网络也可以构成为：当将所述内燃机的运转状态、所述点火正时的延迟量以及前一周期中的代表所述爆震强度的值的推定值作为输入时，求出所述点火正时被延迟时的代表爆震强度的值的推定值的预测降低量，根据所述预测降低量输出所述点火正时被延迟了时的代表爆震强度的值的推定值的预测值。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述内燃机的运转状态也可以包括内燃机转速、内燃机负荷以及EGR率。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述第2已学习神经网络也可以由循环神经网络构成，所述循环神经网络构成为：当输入从进行了预先确定的次数前的点火的周期到当前的周期为止的各周期中的代表所述爆震强度的值的推定值和所述点火正时的延迟量或者提前量时，输出当前的周期中的代表所述爆震强度的值的推定值的预测值。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述处理器也可以构成为：在进行了使所述点火正时延迟的控制之后，当代表所述爆震强度的值的推定值变为了预先确定的阈值以下时，开始使所述点火正时提前的控制。所述处理器也可以构成为：当进行了使所述点火正时延迟的控制时的所述差大于设定值时，使所述点火正时的提前量小于所述差为设定值以下时的该提前量。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述第1已学习神经网络也可以构成为：当输入对在预先设定的期间内由所述爆震传感器检测到的所述内燃机主体的振动进行表示的值时，输出代表所述爆震强度的值的推定值。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，代表所述爆震强度的值也可以是所述压力传感器的输出值的峰值。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，代表所述爆震强度的值也可以是所述压力传感器的输出值的积分值。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，表示所述内燃机主体的振动的值是所述预先设定的期间内的所述爆震传感器的输出值。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，表示所述内燃机主体的振动的值是在所述预先设定的期间内被等分割而得到的区间内的所述爆震传感器的输出值的积分值。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述预先设定的期间也可以是一定的曲轴角度范围。在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述预先设定的期间也可以是一定时间。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述存储装置也可以构成为对分割成多个运转区域的所述内燃机的运转区域各自分别存储所述第1已学习神经网络和所述第2已学习神经网络。所述处理器也可以构成为：按被分割而得到的各运转区域，基于使用所述第2已学习神经网络算出的代表所述爆震强度的值的推定值的预测值与使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值之差，进行所述再下一周期中的点火正时的延迟控制。
在本发明的一个技术方案涉及的内燃机的点火正时控制装置中，所述内燃机也可以包括对所述内燃机主体的振动进行检测的多个爆震传感器。所述第1已学习神经网络也可以构成为：当输入对由所述多个爆震传感器检测到的所述内燃机主体的振动进行表示的值时，输出代表所述爆震强度的值。
根据本发明的一个技术方案涉及的内燃机的点火正时控制装置，在因产生未学习的内燃机的振动、代表爆震强度的值的推定值超过阈值而下一周期中的点火正时被延迟了时，代表爆震强度的值的推定值的预测值与代表爆震强度的值的推定值之差会变为大于预先确定的设定值。因此，此时即使为代表爆震强度的值的推定值大于了预先设定的阈值，也不进行再下一周期中的点火正时的延迟作用。因此，能够在不使用压力传感器而高精度地取得代表爆震强度的值的同时，阻止点火正时被过量地延迟。
附图说明
下文将参照附图说明本发明示例性实施例的特征、优点以及技术和产业的意义，其中相同的标号表示同样的要素，并且，其中：
图1是内燃机的整体图。
图2是图1所示的内燃机的侧面剖视图。
图3是神经网络的说明图。
图4是气缸盖的仰视图。
图5是内燃机的整体图。
图6A是表示爆震传感器的输出值的图。
图6B是表示爆震传感器的输出值的图。
图6C是表示爆震传感器的输出值的图。
图7A是表示压力传感器的输出值的图。
图7B是表示压力传感器的输出值的图。
图7C是表示压力传感器的输出值的图。
图8是表示在本发明涉及的实施例中使用的第1神经网络的图。
图9是表示训练数据集的图。
图10是表示学习处理例程的流程图。
图11是表示用于向电子控制单元读入数据的例程的流程图。
图12是表示爆震处理例程的流程图。
图13是表示爆震强度代表值的推定例程的流程图。
图14是表示爆震强度代表值的推定例程的其他实施例的流程图。
图15是表示爆震判定例程的流程图。
图16是表示阈值Mij的图。
图17是表示点火控制例程的流程图。
图18是表示基准点火正时的映射的图。
图19是表示爆震处理的概要的图。
图20A是用于说明产生爆震时的燃烧压的图。
图20B是用于说明产生爆震时的燃烧压的图。
图21是用于说明爆震判定的图。
图22A是表示点火延迟量或者点火延迟速度与燃烧压的上升比例等的关系的图。
图22B是表示点火延迟量或者点火延迟速度与燃烧压的上升比例等的关系的图。
图23是用于说明爆震判定的图。
图24A是用于说明推定值ye的预测值或者预测降低量的图。
图24B是用于说明推定值ye的预测值或者预测降低量的图。
图25A是用于说明推定值ye的预测值或者预测降低量的图。
图25B是用于说明推定值ye的预测值或者预测降低量的图。
图26是表示输入参数的一览表的图。
图27是表示在本发明涉及的实施例中使用的第2神经网络的图。
图28是表示数据的一览表的图。
图29是表示训练数据集的图。
图30是表示爆震处理例程的流程图。
图31是表示爆震判定例程的流程图。
图32是表示爆震判定例程的流程图。
图33是表示点火控制例程的流程图。
图34是循环神经网络的说明图。
图35是循环神经网络的说明图。
图36是表示输入值和输出值的一览表的图。
图37是表示训练数据集的图。
图38是循环神经网络的说明图。
图39是表示爆震处理例程的流程图。
图40是表示爆震判定例程的流程图。
图41是表示爆震判定例程的流程图。
图42是表示点火控制例程的流程图。
图43是表示门区间与内燃机转速的关系的图。
图44是表示门区间和分割区间的图。
图45A是表示运转区域的图。
图45B是表示运转区域的图。
图45C是表示运转区域的图。
图46是内燃机的整体图。
图47是表示在本发明涉及的其他实施例中使用的第1神经网络的图。
图48是表示训练数据集的图。
具体实施方式
＜内燃机的整体构成＞
图1和图2示出内燃机的整体图。参照图2，1表示内燃机主体，2表示气缸体，3表示气缸盖，4表示活塞，5表示燃烧室，6表示进气门，7表示进气端口，8表示排气门，9表示排气端口，10表示燃料喷射阀，11表示火花塞。活塞4在气缸体2内进行往复运动。燃料喷射阀10向各燃烧室5内供给燃料、例如汽油。火花塞11配置在各燃烧室5内。参照图1和图2，进气端口7经由分别对应的进气歧管12而连结于缓冲罐13。缓冲罐13经由进气管道14和吸入空气量检测器15而连结于空气滤清器16。
排气端口9连结于排气歧管17。排气歧管17经由排气气体(exhaust gas，废气)再循环(以下称为EGR)通路27而连结于缓冲罐13。EGR通路27使排气歧管17内的排气气体再循环到缓冲罐13内。在EGR通路27内配置有EGR控制阀28。在图1所示的实施例中，预先设定与内燃机的运转状态相应的EGR率(＝再循环排气气体量/(再循环排气气体量+吸入空气量))。EGR控制阀28被进行控制以使得EGR率成为预先设定的EGR率。
如图1和图2所示，在图1所示的实施例中，在气缸体2安装有爆震传感器18。爆震传感器18检测气缸体2的振动、即内燃机主体1的振动。在图1所示的例子中，在爆震传感器18使用压电元件来作为振动的检测元件。该爆震传感器18产生与内燃机主体1的振动成比例的输出电压。此外，当产生爆震，在内燃机主体1产生频率5KHz～25KHz程度的振动。此时，爆震传感器18的输出电压以频率5KHz～25KHz程度进行变动。因此，能够根据爆震传感器18的输出电压的变动、即爆震传感器18的输出值的变动，检测爆震的产生。
在图1中，30表示用于对内燃机的运转进行控制的电子控制单元。如图1所示，电子控制单元30由数字计算机构成，具备存储器32、CPU(处理器)33、输入端口34以及输出端口35。存储器32为存储装置。存储器32、CPU33、输入端口34以及输出端口35通过双向性总线相互连接。爆震传感器18的输出信号经由所对应的AD变换器36和数字带通滤波器37而输入到输入端口34。数字带通滤波器37仅使5KHz～25KHz程度的频率的输入信号通过。另外，吸入空气量检测器15的输出信号经由所对应的AD变换器36而输入到输入端口34。另外，在加速踏板40连接有负荷传感器41。负荷传感器41产生与加速踏板40的踏下量成比例的输出电压。负荷传感器41的输出电压经由所对应的AD变换器36而输入到输入端口34。进一步，在输入端口34连接有曲轴角传感器42。曲轴角传感器42每当曲轴例如旋转30°时产生输出脉冲。在CPU33内，基于曲轴角传感器42的输出信号来算出内燃机转速。另一方面，输出端口35经由所对应的驱动电路38而连接于各气缸的燃料喷射阀10、火花塞11以及EGR控制阀28。
＜神经网络的概要＞
在本发明涉及的实施例中设为：使用神经网络，推定代表爆震强度的值。于是，首先对神经网络进行简单的说明。图3表示简单的神经网络。图3中的圆形记号表示人工神经元。在神经网络中，该人工神经元通常被称为节点或者单元(本申请称为节点)。在图3中，L＝1表示输入层，L＝2和L＝3表示隐层，L＝4表示输出层。另外，在图3中，x1和x2表示从输入层(L＝1)的各节点输出的输出值。y1和y2表示从输出层(L＝4)的各节点输出的输出值。z(2) 1、z(2) 2以及z(2) 3表示从隐层(L＝2)的各节点输出的输出值。z(3) 1、z(3) 2以及z(3) 3表示从隐层(L＝3)的各节点输出的输出值。此外，隐层的层数可以为1层或者任意的层数。输入层的节点的数量和隐层的节点的数量也可以为任意的个数。另外，输出层的节点的数量既可以为1个，也可以为多个。
在输入层的各节点，输入被直接进行输出。另一方面，输入层的各节点的输出值x1和x2被输入到隐层(L＝2)的各节点。在隐层(L＝2)的各节点，分别使用所对应的权重w和偏置b来算出总输入值u。例如，在图3中，在由隐层(L＝2)的z(2) k(k＝1、2、3)表示的节点中算出的总输入值uk成为如下式那样。
Figure BDA0002670665230000101
接着，该总输入值uk被通过激活函数f进行变换，从由隐层(L＝2)的z(2) k表示的节点被作为输出值z(2) k(＝f(uk))来进行输出。另一方面，隐层(L＝2)的各节点的输出值z(2) 1、z(2) 2以及z(2) 3被输入到隐层(L＝3)的各节点。在隐层(L＝3)的各节点，分别使用所对应的权重w和偏置b来算出总输入值u(Σz·w+b)。该总输入值u同样被通过激活函数进行变换，从隐层(L＝3)的各节点被作为输出值z(3) 1、z(3) 2以及z(3) 3来进行输出。作为该激活函数，例如可使用sigmoid函数σ。
另一方面，隐层(L＝3)的各节点的输出值z(3) 1、z(3) 2以及z(3) 3被输入到输出层(L＝4)的各节点。在输出层的各节点，分别使用所对应的权重w和偏置b来算出总输入值u(Σz·w+b)，或者分别仅使用所对应的权重w来算出总输入值u(Σz·w)。在本发明涉及的实施例中，在输出层的节点，使用恒等函数来作为激活函数。因此，在输出层的节点所算出的总输入值u被直接作为输出值y而从输出层的节点进行输出。
＜神经网络的学习＞
此刻，当将表示神经网络的输出值y的正解值的教师数据设为yt时，使用误差反向传播法学习神经网络中的各权重w和偏置b，以使得输出值y与教师数据yt之差变小。该误差反向传播法是周知的，因此，关于误差反向传播法，以下对其概要进行简单的说明。此外，偏置b是权重w的一种，因此，以下也包含偏置b而称为权重w。此外，在如图3所示的神经网络中，由w(L)表示向L＝2、L＝3或者L＝4的各层的节点的输入值u(L)的权重。在该情况下，误差函数E的基于权重w(L)的微分、即梯度
Figure BDA0002670665230000103
(L)在改写后成为由下式表示那样。
Figure BDA0002670665230000102
在此，
Figure BDA0002670665230000111
因此，当设为
Figure BDA0002670665230000112
时，上述(1)式可以由下式来表示。
Figure BDA0002670665230000113
在此，当u(L)变动时，通过下一层的总输入值u(L+1)的变化，会引起误差函数E的变动。因此，δ(L)可以由下式来表示。
Figure BDA0002670665230000114
在此，当表示为z(L)＝f(u(L))时，上述(3)式的右边出现的输入值uk (L+1)可以由下式表示。
Figure BDA0002670665230000115
在此，上述(3)式的右边第1项
Figure BDA0002670665230000116
为δ(L+1)。因此，上述(3)式的右边第2项
Figure BDA0002670665230000117
可以由下式表示。
Figure BDA0002670665230000118
因此，δ(L)由下式表示。
Figure BDA0002670665230000119
即
Figure BDA00026706652300001110
即，当求出δ(L+1)后，可以求出δ(L)。
此外，在输出层(L＝4)的节点为一个、对某输入值求出教师数据yt、对于该输入值的从输出层的输出值为y的情况下，在使用平方误差来作为误差函数时，平方误差E由E＝1/2(y－yt)2来求出。在该情况下，在输出层(L＝4)的节点中，成为输出值y＝f(u(L))。因此，在该情况下，输出层(L＝4)的节点中的δ(L)的值成为如由下式表示那样。
Figure BDA0002670665230000121
在该情况下，在本发明涉及的实施例中，如前所述，f(u(L))为恒等函数，成为f’(u(Ll))＝1。因此，成为δ(L)＝y－yt，求出δ(L)。
当求出δ(L)后，使用上式(6)来求出前一层的δ(L－1)。这样，依次求出前一层的δ。使用这些δ的值，关于各权重w，根据上式(2)来求出误差函数E的微分、即梯度
Figure BDA0002670665230000122
当求出梯度
Figure BDA0002670665230000123
后，使用该梯度
Figure BDA0002670665230000124
来更新权重w以使得误差函数E的值减少。即，进行权重w的学习。此外，如图3所示，在输出层(L＝4)具有多个节点的情况下，当将来自各节点的输出值设为y1、y2、……、将所对应的教师数据设为yt1、yt2、……时，使用如下的平方和误差E来作为误差函数E。
Figure BDA0002670665230000125
在该情况下，输出层(L＝4)的各节点的δ(L)的值也成为δ(L)＝y－ytk(k＝1、2、……、n)。根据这些δ(L)的值，使用上式(6)来求出前层的δ(L－1)。
＜本发明涉及的实施例＞
此外，在内燃机中，爆震强度越高，内燃机主体1的振动越激烈。因此，如图1和图2所示，能够在内燃机主体1安装爆震传感器18，根据由爆震传感器18检测到的内燃机主体的振动的激烈度来检测爆震强度。然而，如前所述，内燃机主体1例如也会因进气门6和排气门8的落座作用、燃料喷射阀10的阀针的落座作用等的机械性的动作而振动。因此，当使用设为检测内燃机主体1的振动的爆震传感器18时，存在如下问题：在因这样的机械性的动作而内燃机主体的振动强度变激烈时，尽管爆震强度不高，但却会误判定为爆震强度高。
另一方面，如前所述，当使用能够对因点火而产生的混合气的燃烧压进行检测的压力传感器时，能够根据该压力传感器的输出值的变动的激烈度来检测爆震强度。在该情况下，例如当爆震强度变高时，压力传感器的输出值的峰值变高。因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，成为能够根据这样的代表爆震强度的值来检测爆震强度。在该情况下，基于机械性的动作的内燃机主体的振动对压力传感器的输出值不产生影响。因此，对代表爆震强度的值也不产生影响，因此，当使用压力传感器时，能够高精度地检测爆震强度。
然而，该压力传感器价格高，并且，由于逐渐附着于压力传感器的沉积物，燃烧室5内的混合气的燃烧形态会变化。因此，在市售车中难以使用这样的压力传感器。于是，在本发明中设为：使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值求出的代表爆震强度的值。对此进行说明，首先，参照图4、图5、图6A～图6C以及图7A～图7C，对爆震传感器的输出值、压力传感器的输出值以及根据压力传感器的输出值求出的代表爆震强度的值进行说明。
图4和图5分别表示仅为了取得神经网络的权重的学习所需要的数据而使用的气缸盖3的仰视图和内燃机主体1的一部分。参照图4和图5，为了根据爆震传感器18的输出值来推定根据压力传感器的输出值求出的代表爆震强度的值，在各气缸的气缸盖3的内壁面上分别配置有压力传感器19。从各压力传感器19输出与各自所对应的燃烧室5内的压力成比例的输出电压、即表示因点火而产生的混合气的燃烧压的输出值。此外，在该情况下，燃烧室5内的压力也可以使用与火花塞一体型的压力传感器来进行计测。这些压力传感器19仅被用于取得神经网络的权重的学习所需要的数据。
此外，爆震通常产生在压缩上止点～压缩上止点后90°的期间。在产生了爆震时，会产生频率为5KHz～25KHz程度的燃烧室5内的压力变动以及频率为5KHz～25KHz程度的内燃机主体1的振动。因此，为了仅提取由爆震导致的内燃机主体1的振动，通常，爆震传感器18的输出值在被进行了AD变换后被送入到数字带通滤波器。数字带通滤波器例如仅使5KHz～25KHz程度的频率的输入信号通过。并且，基于通过该数字带通滤波器滤波后的爆震传感器18的输出值，判别爆震的强度。
同样地，为了仅提取由爆震导致的燃烧室5内的压力变动，通常，压力传感器19的输出值也在被进行了AD变换之后被送入到数字带通滤波器。数字带通滤波器例如仅使5KHz～25KHz程度的频率的输入信号通过。并且，基于通过该数字带通滤波器滤波后的压力传感器19的输出值，判别爆震的强度。此外，以下将这样通过数字带通滤波器滤波后的爆震传感器18的输出值简称为滤波后的爆震传感器18的输出值。另外，以下将通过数字带通滤波器滤波后的压力传感器19的输出值简称为滤波后的压力传感器19的输出值。
图6A和图7A分别表示对于产生同一爆震的、滤波后的爆震传感器18的输出值(V)的变化和滤波后的压力传感器19的输出值(V)的变化。此外，图6A的横轴和图7A的横轴均表示由ATDC表示的曲轴角(压缩上止点～压缩上止点后90°)。
如对图6A和图7A进行比较可知，图7A所示的滤波后的压力传感器19的输出值的振动强度在产生爆震时会急剧增大，然后逐渐减少。即，压力传感器19的输出值不受基于机械性的动作的内燃机主体的振动的影响，因此，爆震的产生明确地表示于压力传感器19的输出值。与相对于，图6A所示的滤波后的爆震传感器18的输出值的振动强度也在产生爆震时增大，但爆震传感器18的输出值会较大地受到基于机械性的动作的内燃机主体的振动的影响，因此，爆震传感器18的输出值的振动强度在产生了爆震的前后都为大的值。即，在爆震传感器18的输出值中，基于机械性的动作的内燃机主体的振动表现为噪声，因此，爆震的产生没有明确地表现于爆震传感器18的输出值。
因此，对于是否产生了爆震，能够根据压力传感器19的输出值来明确地进行判别。在该情况下，在压力传感器19的输出值中，也明确地表现出所产生的爆震的强度。接着，参照图7B和图7C来对此进行说明。此外，图7B和图7C是将图7A所示的滤波后的压力传感器19的输出值的波形的一部分在横轴方向上拉伸而以图解的方式表示的图。
此外，当所产生的爆震的强度变高时，滤波后的压力传感器19的输出值的峰值变高。因此，在图7B中由圆形记号表示的滤波后的压力传感器19的输出值的峰值表示代表爆震强度的值。另一方面，当所产生的爆震的强度变高时，在图7C中，用由输出值的波形和输出值为0(V)的线包围的影线表示的面积的总和变大。即，滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)变高。因此，滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示代表爆震强度的值。这样，能够根据压力传感器19的输出值来确定代表爆震强度的值。
另一方面，难以从爆震传感器18的输出值提取这样的代表爆震强度的值。于是，在本发明中使用神经网络。即，对神经网络的权重进行学习，以使得能够基于爆震传感器18的输出值，取得根据压力传感器19的输出值求出的代表爆震强度的值。由此，设为使用已学习的神经网络，根据爆震传感器18的输出值来推定根据压力传感器19的输出值求出的代表爆震强度的值。于是，接着对如下的方法进行说明，该方法为：对神经网络的权重进行学习，以使得能够基于爆震传感器18的输出值，取得根据压力传感器19的输出值求出的代表爆震强度的值。
首先，参照图8对此时使用的第1神经网络进行说明。参照图8，在该第1神经网络20中，也与图3所示的神经网络同样地，L＝1表示输入层，L＝2和L＝3表示隐层，L＝4表示输出层。如图8所示，输入层(L＝1)包括n个节点，n个输入值x1、x2、……、xn－1、xn被输入到输入层(L＝1)的各节点。另一方面，在图8中记载了隐层(L＝2)和隐层(L＝3)，但这些隐层的层数可以设为一层或者任意的层数，另外，这些隐层的节点的数量也可以设为任意的个数。此外，输出层(L＝4)的节点的数量设为1个，来自输出层的节点的输出值由y表示。
接着，对图8中的输入值x1、x2、……、xn－1、xn和输出值y进行说明。首先，参照图6B和图6C对输入值x1、x2、……、xn－1、xn进行说明。此外，图6B和图6C是将图6A所示的爆震传感器18的输出值的波形的一部分在横轴方向上拉伸而以图解的方式表示的图。在本发明涉及的实施例中，使用图6B所示的值或者图6C所示的值来作为输入值x1、x2、……、xn－1、xn。
即，在图6B所示的例子中，滤波后的爆震传感器18的输出值本身被作为输入值x1、x2、……、xn－1、xn。在该情况下，如在图6B中由黑圆所示那样，每一定时间的或者每一定曲轴角的爆震传感器18的输出值被作为输入值x1、x2、……、xn－1、xn。另一方面，在图6C所示的例子中为滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。例如，一定曲轴角度内的滤波后的爆震传感器18的输出值的积分值被作为输入值x1、x2、……、xn－1、xn。
另一方面，在本发明的实施例中，根据压力传感器19的输出值求出的代表爆震强度的值被设为图8所示的输出值y。在该情况下，在图7B中由圆形记号表示的压力传感器19的输出值的峰值表示爆震强度。另外，图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示爆震强度。因此，在本发明的实施例中，在图7B中由圆形记号表示的压力传感器19的输出值的峰值被设为输出值y，或者图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被设为输出值y。在该情况下根据压力传感器19的输出值求出的代表爆震强度的值的实测值被作为教师数据yt。
图9表示使用输入值x1、x2、……、xm－1、xm和在输入值为x1、x2、……、xm－1、xm时根据压力传感器19的输出值求出的代表爆震强度的值的实测值、即教师数据yt制作的训练数据集。如图9所示，在该训练数据集中，取得表示输入值x1、x2、……、xn－1、xn与教师数据yt的关系的m个数据。例如，在第2数据(No.2)列举出所取得的输入值x12、x22、……、xm－12、xm2和教师数据yt2。在第m－1数据(No.m－1)列举出所取得的输入参数的输入值x1m－1、x2m－1、……、xn－1m－1、xnm－1和教师数据ytm－1。
在使用滤波后的爆震传感器18的输出值本身来作为输入值x1、x2、……、xn－1、xn的情况下，例如在压缩上止点～压缩上止点后90°的期间按每一定曲轴角而取得的滤波后的爆震传感器18的输出值被作为输入值x1、x2、……、xn－1、xn。在该情况下，输入值的个数n被设为数百以上。因此，图8所示的输入层(L＝1)的节点的个数n被设为数百以上。
另一方面，在本发明的实施例中，在使用滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)来作为输入值x1、x2、……、xn－1、xn的情况下，压缩上止点～压缩上止点后90°的期间被按每曲轴角度5°而分割为18个区间。所分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)被作为输入值x1、x2、……、xn－1、xn。在该情况下，输入值的个数n成为18个。因此，图8所示的输入层(L＝1)的节点的个数n被设为18个。
另一方面，图9所示的训练数据集中的教师数据yt是根据压力传感器19的输出值求出的代表爆震强度的值的实测值。作为该教师数据yt，使用在图7B中由圆形记号表示的压力传感器19的输出值的峰值，或者使用图7C所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)。另外，在本发涉及的实施例中，使用图9所示的训练数据集，进行图8所示的第1神经网络20的权重的学习。于是，接着参照图4和图5对图9所示的训练数据集的制作方法进行说明。
图4和图5示出图9所示的训练数据集的制作方法的一个例子。参照图4和图5，为了取得代表爆震强度的值，在各气缸的面向燃烧室5的气缸盖3的内壁面上分别配置有压力传感器19。如前所述，这些压力传感器19是仅为了取得学习所需要的数据而设置的。另一方面，在图5所示的例子中，爆震传感器18连接于能够对爆震传感器18的输出值的波形进行检测的检测器21、例如示波器。各压力传感器19连接于能够对各压力传感器19的输出值的波形进行检测的检测器22、例如示波器。
在检测器21内，为了仅提取由爆震导致的内燃机主体1的振动，爆震传感器18的输出值在被进行了AD变换后被送入到数字带通滤波器。数字带通滤波器例如仅使5KHz～25KHz程度的频率的输入信号通过。并且，对通过该数字带通滤波器进行了滤波之后的爆震传感器18的输出值的波形进行检测。另一方面，在检测器22中，为了仅提取由爆震导致的燃烧室5内的压力变动，压力传感器19的输出值在被进行了AD变换之后被送入到数字带通滤波器。数字带通滤波器例如仅使5KHz～25KHz程度的频率的输入信号通过。对通过该数字带通滤波器进行了滤波后的压力传感器19的输出值的波形进行检测。
在制作训练数据集时，使内燃机进行运转以使得关于内燃机负荷、内燃机转速以及EGR率的各种组合而产生未发生爆震的运转状态和发生爆震的运转状态这两方的状态。基于那时从各检测器21、22得到的滤波后的爆震传感器18的输出值的波形数据以及滤波后的压力传感器19的输出值的波形数据，制作如图9所示的训练数据集。在该情况下，该训练数据集既可以基于从各检测器21、22得到的波形数据以手工作业来制作，也可以基于从各检测器21、22得到的电子数据以电子的方式进行制作。使用这样制作的训练数据集的电子数据，进行图8所示的第1神经网络20的权重的学习。
在图5所示的例子中，设置有用于进行神经网络的权重的学习的学习装置23。如图5所示，该学习装置23具备存储装置24、即存储器24和CPU(微处理器)25。在图5所示的例子中，图8所示的第1神经网络20的节点数以及所制作的训练数据集的电子数据存储于学习装置23的存储器24，在CPU25中进行神经网络20的权重的学习。
接着，对通过学习装置23进行的第1神经网络20的权重的学习方法进行说明。在第1神经网络20的权重的学习中，使用在上止点～上止点后90°的期间中按每曲轴角度5°而分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)来作为输入值x1、x2、……、xn－1、xn。另外，使用压力传感器19的输出值的峰值的实测值来作为教师数据yt。
图10表示在学习装置23中进行的第1神经网络的权重的学习处理例程。参照图10，首先，在步骤100中读入存储于学习装置23的存储器24的训练数据集的各数据。接着，在步骤101中，读入第1神经网络20的输入层(L＝1)的节点数、隐层(L＝2)以及隐层(L＝3)的节点数以及输出层(L＝4)的节点数。并且，基于这些节点数，制作如图8所示的第1神经网络20。在该情况下，在该例子中，输入层(L＝1)的节点数被设为18个，输出层(L＝4)的节点数被设为1个。
接着，在步骤102中进行第1神经网络20的权重的学习。首先，图9的第1(No.1)输入值x1、x2、……、xn－1、xn、即输入值x1、x2、……、x17、x18被输入到第1神经网络20的输入层(L＝1)的18个的各节点。接着，算出此时的第1神经网络20的输出值y与第1(No.1)教师数据yt1之间的平方误差E＝1/2(y－yt1)2。并且，使用前述的误差反向传播法，进行第1神经网络20的权重的学习以使得该平方误差E变小。
当基于图9的第1(No.1)数据的第1神经网络20的权重的学习完成时，接着，使用误差反向传播法进行基于图9的第2(No.2)数据的第1神经网络20的权重的学习。同样地，依次进行第1神经网络20的权重的学习直到图9的第m(No.m)。当关于图9的第1(No.1)～第m(No.m)的全部而完成第1神经网络20的权重的学习后，进入步骤103。
在步骤103中，例如算出图9的第1(No.1)～第m(No.m)的全部的第1神经网络的输出值y与教师数据yt之间的平方和误差E。并且，判别该平方和误差E是否变为了预先设定的设定误差以下。在判别为平方和误差E不为预先设定的设定误差以下时，返回步骤102，再次基于图9所示的训练数据集，进行第1神经网络的权重学习。接着，继续进行第1神经网络20的权重的学习，直到平方和误差E变为预先设定的设定误差以下。在步骤103中，在判别为平方和误差E变为了预先设定的设定误差以下时，进入步骤104，第1神经网络20的已学习权重被存储于学习装置23的存储器24。这样制作代表爆震强度的值的推定模型。
在本发明涉及的实施例中，使用这样制作的代表爆震强度的值的推定模型，在内燃机中进行爆震处理。因此，代表爆震强度的值的推定模型被保存于图1所示的电子控制单元30。图11表示为了将代表爆震强度的值的推定模型保存于电子控制单元30而在电子控制单元30中进行的向电子控制单元的数据读入例程。
即，如图11所示，在步骤110中，图8所示的第1神经网络20的输入层(L＝1)的节点数、隐层(L＝2)和隐层(L＝3)的节点数以及输出层(L＝4)的节点数被读入到电子控制单元30的存储器32。并且，基于这些节点数，制作如图8所示那样的第1神经网络20。接着，在步骤111中，该第1神经网络20的已学习的权重被读入到电子控制单元30的存储器32。由此，第1已学习神经网络20、即代表爆震强度的值的推定模型被保存于内燃机的电子控制单元30内。
通过在电子控制单元30内制作第1已学习神经网络20，在将按每曲轴角度5°而分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)输入到了第1已学习神经网络20时，能从第1已学习神经网络20推定根据压力传感器19的输出值求出的代表爆震强度的值的推定值。该代表爆震强度的值的推定值极其接近代表爆震强度的值的实测值。因此，能够根据爆震传感器18的输出值准确地推定爆震强度。
这样，在本发明涉及的实施例中，设置有对内燃机主体1的振动进行检测的爆震传感器18、对内燃机的燃烧室5内的压力进行检测的压力传感器19以及用于使用第1神经网络20来推定代表内燃机的爆震强度的值的学习装置23。根据压力传感器19的输出值来取得代表爆震强度的值。通过学习装置23，学习第1神经网络20的权重。此时，将表示由爆震传感器18检测到的内燃机主体1的振动的值作为第1神经网络20的输入值。另外，将所取得的代表爆震强度的值作为教师数据。使用已学习的第1神经网络20，根据爆震传感器18的输出值来推定代表爆震强度的值。
另外，在本发明涉及的实施例中，基于对内燃机主体1的振动进行检测的爆震传感器18的输出值、和对内燃机的燃烧室5内的压力进行检测的压力传感器19的输出值，使用神经网络20来推定内燃机的爆震强度。根据压力传感器19的输出值求出代表爆震强度的值。并且，制作训练数据集，该训练数据集表示对由爆震传感器18检测到的内燃机主体1的振动进行表示的值与代表爆震强度的值之间的关系。第1神经网络20的权重被进行学习。此时，将表示由爆震传感器18检测到的内燃机主体1的振动的值作为第1神经网络20的输入值。另外，将所取得的代表爆震强度的值作为教师数据。使用已学习的第1神经网络20，根据爆震传感器18的输出值来推定代表爆震强度的值。
在该情况下，在本发明涉及的实施例中，代表爆震强度的值为预先设定的期间内的压力传感器19的输出值的峰值，或者代表爆震强度的值是预先设定的期间内的压力传感器19的输出值的积分值。在该情况下，预先设定的期间为一定的曲轴角度范围、例如压缩上止点～压缩上止点后90°的范围。
另一方面，在本发明涉及的实施例中，表示内燃机主体1的振动的值是预先设定的期间内的爆震传感器18的输出值。另外，表示内燃机主体1的振动的值是在预先设定的期间内等分割而得到的区间内的爆震传感器18的输出值的积分值。在该情况下，预先设定的期间为一定的曲轴角度范围、例如压缩上止点～压缩上止点后90°的范围。另外，当关于爆震传感器18的输出值的积分值举出一个例子时，该爆震传感器18的输出值的积分值是按每曲轴角度5°而等分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。
接着，对使用形成在电子控制单元30的存储器32内的第1已学习神经网络20而在内燃机运转时所执行的爆震处理进行说明。图12表示在该内燃机运转时所执行的爆震处理例程。如图12所示，当执行该爆震处理例程时，首先，在步骤120中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤121中，进行是否产生了爆震的爆震判定处理，接着，在步骤122中进行点火控制。
图13表示在图12的步骤120中进行的爆震强度代表值的推定处理例程的一实施例。该例程通过每一定曲轴角、或者每一定时间的中断来执行。参照图13，首先，在步骤130中，判别是否为爆震传感器18的输出信号的取入期间中。在该实施例中，爆震传感器18的输出信号的取入期间被设为压缩上止点～压缩上止点后90°的期间。因此，在曲轴角为压缩上止点前时，结束处理周期。另一方面，当曲轴角经过压缩上止点时，判别为处于爆震传感器18的输出信号的取入期间中，进入步骤131。
在步骤131中，爆震传感器18的输出信号经由所对应的AD变换器36和数字带通滤波器37而被取入。即，取入滤波后的爆震传感器18的输出值。数字带通滤波器37例如仅使5KHz～25KHz程度的频率的输入信号通过。接着，在步骤132中，所取入的滤波后的爆震传感器18的输出值被存储在电子控制单元30的存储器32内。接着，在步骤133中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤133中，在判别为爆震传感器18的输出信号的取入期间未结束时、即判别为曲轴角未到达压缩上止点后90°时，结束处理周期。
与此相对，在步骤133中判别为爆震传感器18的输出信号的取入期间已结束时、即判别为曲轴角到达了压缩上止点后90°时，进入步骤134。此时，在存储器32内存储有如由图6B的黑圆所示那样的滤波后的爆震传感器18的输出值。在步骤134中，存储于该存储器32内的滤波后的爆震传感器18的输出值被输入到已学习的第1神经网络20的输入层(L＝1)的各节点。此时，从已学习的第1神经网络20输出代表爆震强度的值的推定值ye。因此，如步骤135所示，算出代表爆震强度的值的推定值ye。
图14表示在图12的步骤120中进行的爆震强度代表值的推定处理例程的其他实施例。该例程也通过按每一定曲轴角、或者每一定时间的中断来执行。此外，图14的步骤140～步骤143的内容与图13的步骤130～步骤133的内容相同。即，参照图14，首先，在步骤140中判别是否处于爆震传感器18的输出信号的取入期间中。在该实施例中，爆震传感器18的输出信号的取入期间也被设为压缩上止点～压缩上止点后90°的期间。因此，在曲轴角为压缩上止点前时，结束处理周期。另一方面，当曲轴角经过压缩上止点时，判别为处于爆震传感器18的输出信号的取入期间中，进入步骤141。
在步骤141中，爆震传感器18的输出信号经由所对应的AD变换器36和数字带通滤波器37而被取入。即，取入滤波后的爆震传感器18的输出值。数字带通滤波器37例如仅使5KHz～25KHz程度的频率的输入信号通过。接着，在步骤142中，所取入的滤波后的爆震传感器18的输出值被存储在电子控制单元30的存储器32内。接着，在步骤143中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤143中判别为爆震传感器18的输出信号的取入期间未结束时、即判别为曲轴角未到达压缩上止点后90°时，结束处理周期。
与此相对，在步骤143中判别为爆震传感器18的输出信号的取入期间已结束时、即判别为曲轴角到达了压缩上止点后90°时，进入步骤144。在步骤144中，基于存储于存储器32内的滤波后的爆震传感器18的输出值，如参照图6C说明过的那样，算出按每曲轴角度5°而分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。接着，在步骤145中，滤波后的爆震传感器18的输出值的所算出的各积分值被输入到已学习的第1神经网络20的输入层(L＝1)的各节点。此时，从已学习的神经网络20输出代表爆震强度的值的推定值ye。因此，如步骤146所示，算出代表爆震强度的值的推定值ye。
图15表示基于在图13的步骤135中算出的代表爆震强度的值的推定值ye、或者在图14的步骤146中算出的代表爆震强度的值的推定值ye来在电子控制单元30内执行的爆震判定例程。该例程通过每一定曲轴角的中断来执行。参照图15，首先，在步骤150中，读入对于代表爆震强度的值的阈值Mij。如图16所示，该阈值Mij是针对根据内燃机负荷L和内燃机转速N而分割为多个的各内燃机运转区域来预先设定的。
接着，在步骤151中，判别所算出的代表爆震强度的值的推定值ye是否大于阈值Mij。在判别为所算出的代表爆震强度的值的推定值ye不大于阈值Mij时，进入步骤152，判别为未产生爆震，接着，结束处理周期。此外，以下，在这些代表爆震强度的值的推定值ye不大于阈值Mij时，即使为产生了弱的爆震，为了便于处理说明，也称为未产生爆震。与此相对，在判别为所算出的代表爆震强度的值的推定值ye大于阈值Mij时，进入步骤153，判别为产生爆震，接着，结束处理周期。
图17表示基于图15所示的爆震判定例程的判定结果而在电子控制单元30内执行的点火控制例程。该例程通过每一定曲轴角的中断来执行。参照图17，首先，在步骤160中，算出基准点火正时IG(BTDC)。该基准点火正时IG被作为内燃机负荷L与内燃机转速N的函数而以如图18所示那样的映射的形式存储于预先存储器32内。接着，在步骤161中，基于图15所示的爆震判定例程的判定结果，判别是否产生了爆震。在判别为产生了爆震时，进入步骤162。
在步骤162中，为了使点火正时延迟，在点火正时延迟量ΔIG加上一定量α。接着，在步骤166中，通过从基准点火正时IG减去点火正时延迟量ΔIG，从而算出最终的点火正时IGO。基于该最终的点火正时IGO，控制通过火花塞11实现的点火作用。此时，点火正时被延迟一定量α。另一方面，在步骤161判别为未产生爆震时，进入步骤163，为了使点火正时提前，从点火正时延迟量ΔIG减去一定量β。
接着，在步骤164中，判别点火正时延迟量ΔIG是否变为了负。在点火正时延迟量ΔIG未变为负时，进入步骤166，算出最终的点火正时IGO。此时，点火正时被提前一定量β。此外，在本发明涉及的实施例中，一定量α被设定为比一定量β大的值。换言之，延迟量α被设定为比提前量β大的值。另一方面，在步骤164中，在判别为点火正时延迟量ΔIG变为了负时，进入步骤165，在点火正时延迟量ΔIG被设为零之后，进入步骤166。此时，点火正时被设为基准点火正时IG。
图12～图15以及图17所示的爆震处理按各气缸而分别独立地被执行。图19表示某一个气缸中的爆震处理的一个例子。在图19中示出周期编号、进行点火的定时、进行向第1已学习神经网络20取入输入值x1、x2、……、xn－1、xn的取入作业的期间、从第1已学习神经网络20输出的代表爆震强度的值的推定值ye、进行是否产生了爆震的判定的爆震判定定时、爆震的判定结果以及点火正时。
在本发明涉及的实施例中，从进气上止点TDC到下一进气上止点TDC为止的720曲轴角度被设为1个周期，从内燃机开始了运转时起的周期编号被设为k1、k2、……、kn、kn+1、kn+2、kn+3、……。图19表示这些周期编号成为了kn、kn+1、kn+2、kn+3时。以下，为了能够容易地理解爆震处理，使用这些周期编号kn、kn+1、kn+2、kn+3来进行说明。在本发明涉及的实施例中，每当活塞4的位置到达压缩上止点TDC时，执行图12所示的爆震处理。当执行爆震处理时，执行图13或者图14所示的爆震强度代表值的推定例程，进行向第1已学习神经网络20取入输入值x1、x2、……、xn－1、xn的取入作业。
当向第1已学习神经网络20取入输入值x1、x2、……、xn－1、xn的取入作业完成时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。当从第1已学习神经网络20输出代表爆震强度的值的推定值ye时，执行图15所示的爆震判定例程，进行是否产生了爆震的判定。此时，当代表爆震强度的值的推定值ye超过阈值Mij时，判定为产生了爆震。当进行是否产生了爆震的判定时，执行图17所示的点火控制例程。
从图19可知，当代表爆震强度的值的推定值ye超过阈值Mij时，在下一周期中，点火正时被延迟。在点火正时被延迟的多数情况下，代表爆震强度的值的推定值ye多会降低到阈值Mij以下。另一方面，即使点火正时延迟，有时代表爆震强度的值的推定值ye也不降低到阈值Mij以下。图19表示即使点火正时这样被延迟、代表爆震强度的值的推定值ye也不降低到阈值Mij以下的情况下的例子。
即，在图19所示的例子中，判别为在周期变为了编号kn的周期时、代表爆震强度的值的推定值ye超过了阈值Mij，由此，在下一周期kn+1中点火正时被延迟。接着，即使是在下一周期kn+1，也判别为代表爆震强度的值的推定值ye超过了阈值Mij，由此，在再下一周期kn+2中，点火正时也被延迟。当在周期kn+2中点火正时被延迟时，代表爆震强度的值的推定值ye降低到阈值Mij以下，由此判别为未产生爆震。当判别为未产生爆震时，在下一周期kn+3中，点火正时被提前，只要不产生爆震，点火正时就持续被提前。此外，如从图19可知那样，在本发明涉及的实施例中，提前量被设为比延迟量小。
此外，如前所述，图5所示的内燃机是为了对第1神经网络20的权重进行学习而在图1所示的内燃机安装了压力传感器19的内燃机。在这些图1或者图5所示的内燃机中，使用第1已学习神经网络20进行了如参照图19说明过的那样的爆震处理的情况下，不发生任何问题。然而，当在其他内燃机、例如市售用的内燃机中使用该第1已学习神经网络20进行如参照图19说明过的那样的爆震处理时，会发生问题。于是，接着，参照图20A～图23对发生了什么样的问题进行说明。
图20A表示燃烧室5内的燃烧压与曲轴角(ATDC)的关系。此外，在图20A中，实线表示产生了爆震时的燃烧室5内的燃烧压的变化，虚线表示未产生爆震时的燃烧室5内的燃烧压的变化。如从图20A可知那样，当产生爆震时，在压缩上止点TDC后，燃烧室5内的燃烧压急剧上升。在图20B中，由各点表示此时的实际的燃烧室5内的燃烧压的上升量与爆震强度的关系。如图20B所示，燃烧室5内的燃烧压的上升量越大，爆震强度越大。即，燃烧室5内的燃烧压的上升量越大，代表爆震强度的值的推定值ye越大。因此，第1已学习神经网络20的输入值和输出值成为表示这些燃烧室5内的燃烧压的上升量与爆震强度的关系。
图21示出在图5所示的内燃机中使用第1已学习神经网络20进行了图19所示的爆震处理时的压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压、代表爆震强度的值的推定值ye各自的值的变化。此外，在图21中，(a)表示图19的周期kn中的这些值的变化，(b)表示图19的周期kn+1中的这些值的变化，(c)表示图19的周期kn+2中的这些值的变化。如从图19可知那样，随着周期向kn+1、kn+2前进，点火正时逐渐被延迟。另外，如从图21可知那样，随着周期向kn+1、kn+2前进，压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压的上升量以及代表爆震强度的值的推定值ye逐渐降低。
这样，从图19以及图21可知：当使点火正时的延迟量增大时，燃烧室5内的燃烧压的上升量和代表爆震强度的值的推定值ye会降低。也可知：在该情况下，当使点火正时的延迟速度增大时，燃烧室5内的燃烧压的上升量和代表爆震强度的值的推定值ye会降低。即，可知：如由图22A的各点所示那样，当使点火正时的延迟量或者延迟速度增大时，燃烧室5内的燃烧压的上升比例降低，如由图22B的各点所示那样，当使点火正时的延迟量或者延迟速度增大时，代表爆震强度的值的推定值ye降低。
另一方面，图23示出在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机安装压力传感器19、使用第1已学习神经网络20进行了如参照图19说明过的那样的爆震处理的情况下的压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压、代表爆震强度的值的推定值ye各自的值的变化。此外，在该图23中，(a)、(b)、(c)也表示图19的各周期kn、kn+1、kn+2中的这些值的变化。
此外，如前所述，内燃机的构成部件存在公差。因此，按各内燃机而内燃机的构成部件的尺寸会产生偏差，因而会产生按各内燃机而不同的振动。然而，第1已学习神经网络20关于这样在内燃机中产生的、按各内燃机而不同的振动，并未进行权重的学习。因此，当产生这样未进行权重的学习的内燃机的振动、即未学习的内燃机的振动时，有时会在第1已学习神经网络20中误判断为因爆震而在内燃机主体1产生了振动。图23的(a)中，作为一个例子，在周期kn中产生爆震以及未学习的内燃机的振动，代表爆震强度的值的推定值ye会超过阈值Mij。其结果，示出了判别为发生了爆震的情况。
在该情况下，在下一周期kn+1中，点火正时被延迟，由此，如由图23的(b)所示那样，燃烧室5内的燃烧压的上升量降低，压力传感器19的输出值也降低。然而，在产生了不受点火正时的影响的未学习的内燃机的振动的情况下，即使为点火正时已被延迟，未学习的内燃机的振动也不会被抑制。因此，在图23所示的例子中，未学习的内燃机的振动在点火正时被延迟之后也会持续如由图23的(b)所示那样地产生。其结果，在图23所示的例子中，如由图23的(b)所示那样，因未学习的内燃机的振动，代表爆震强度的值的推定值ye成为阈值Mij以上。其结果，依然判别为产生了爆震。
在该情况下，在下一周期kn+2中，点火正时再次被延迟，因此，如由图23的(c)所示那样，燃烧室5内的燃烧压的上升量降低，压力传感器19的输出值也降低。然而，即使这样点火正时被延迟，未学习的内燃机的振动也不会被抑制。其结果，在图23所示的例子中，在点火正时被延迟之后，如由图23的(c)所示那样，也持续产生未学习的内燃机的振动。其结果，如由图23的(c)所示那样，因未学习的内燃机的振动，代表爆震强度的值的推定值ye成为阈值Mij以上。其结果，依然判别为产生了爆震。这样，当持续产生未学习的内燃机的振动时，有时代表爆震强度的值的推定值ye会持续超过阈值Mij，由此，点火正时的延迟作用会持续起作用。在这样的情况下，点火正时会被过量地延迟，其结果，会产生内燃机的输出大幅地降低这一问题。
另一方面，在如下的情况下也是同样的，该情况为：虽未发生爆震，但由于产生了未学习的内燃机的振动，因此，代表爆震强度的值的推定值ye会超过阈值Mij，会判别为发生了爆震。在该情况下，当持续产生未学习的内燃机的振动时，也会发生如下的情况，该情况为：代表爆震强度的值的推定值ye持续超过阈值Mij，点火正时的延迟作用持续起作用。在该情况下，也会产生点火正时被过量地延迟、由此内燃机的输出大幅地降低这一问题。
在本发明中，在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用第1已学习神经网络20进行了爆震处理的情况下，点火正时被进行控制以使得不会因产生未学习的内燃机的振动而点火正时过量地延迟。接着，参照图24A～图25B对此进行说明。此外，图24A～图25B与图19同样地表示判别为在周期kn中代表爆震强度的值的推定值ye超过了阈值Mij、由此在下一周期kn+1中点火正时被延迟了的情况下的代表爆震强度的值的推定值ye和点火正时的变化。
首先，参照图24A，图24A表示在图1或者图5所示的内燃机中使用第1已学习神经网络20来基于爆震传感器18的输出值而进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化。图24A所示的例子中，示出如下情况：判别为在周期kn中代表爆震强度的值的推定值ye超过了阈值Mij，由此，在下一周期kn+1中，点火正时被延迟α，其结果，周期kn+1中的代表爆震强度的值的推定值ye降低Δye而成为了yee。此外，图24A表示出下情况：在代表爆震强度的值的推定值ye变为了yee时，代表爆震强度的值的推定值ye变为了阈值Mij以下。在该情况下，在下一周期kn+2中，点火正时被提前β1。
另一方面，图24B是用于对设为在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用第1已学习神经网络20而基于爆震传感器18的输出值来进行爆震处理的情况下的、本发明涉及的新的爆震处理方法进行说明的图。此外，图24B示出如下情况：如由实线所示那样，在周期kn中，因产生爆震和未学习的内燃机的振动这两方，代表爆震强度的值的推定值ye超过阈值Mij，在周期kn+1以后，因未学习的内燃机的振动，代表爆震强度的值的推定值ye在短暂的期间中持续超过阈值Mij。即，在实际的内燃机中，未学习的内燃机的振动会在特定的运转状态下产生，当内燃机的运转状态变化时会逐渐平息。因此，如图24B所示，代表爆震强度的值的推定值ye即使为暂时性地持续超过了阈值Mij，过一会儿之后也会逐渐降低。然而，在如图24B所示那样代表爆震强度的值的推定值ye持续超过阈值Mij的情况下，当通过图12～图18所示的例程进行爆震处理时，点火正时会持续被延迟。其结果，点火正时会被过量地延迟。于是，在本发明中，为了阻止点火正时被过量地延迟，在点火正时被延迟了时，判别是否因产生爆震而代表爆震强度的值的推定值ye超过阈值Mij，在判别为未因产生爆震而代表爆震强度的值的推定值ye超过阈值Mij时，在下一周期中使点火正时不延迟。
如图24B所示，在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用第1已学习神经网络20进行了爆震处理的情况下，不知道是因仅产生爆震而代表爆震强度的值的推定值ye超过了阈值Mij、还是因仅产生未学习的内燃机的振动而代表爆震强度的值的推定值ye超过了阈值Mij、或是因产生爆震和未学习的内燃机的振动这两方而代表爆震强度的值的推定值ye超过了阈值Mij。
然而，如图24A所示，可知：在因产生爆震而代表爆震强度的值的推定值ye超过了阈值Mij、由此点火正时延迟了α的情况下，下一周期中的代表爆震强度的值的推定值ye降低Δye而成为yee。
因此，如图24B所示，例如即使在市售用的内燃机中使用第1已学习神经网络20进行了爆震处理的情况下，在因产生爆震而代表爆震强度的值的推定值ye超过了阈值Mij、由此点火正时延迟了α时，如由虚线所示，也预测为下一周期kn+1中的代表爆震强度的值的推定值ye降低Δye而成为yee。因此，在点火正时延迟了α时，若代表爆震强度的值的推定值ye降低到该预测值yee附近，则能够判定为产生了爆震。另外，此时成为代表爆震强度的值的推定值ye正确地表示爆震强度。
另一方面，在点火正时延迟了α时，在图24B中，如由实线所示那样，在代表爆震强度的值的推定值ye不降低到预测值yee附近时，在周期kn中，不是仅因产生爆震，而是因产生未学习的内燃机的振动、或者因产生爆震和未学习的内燃机的振动这两方，代表爆震强度的值的推定值ye超过阈值Mij。因此，此时成为代表爆震强度的值的推定值ye未正确地表示爆震强度。即，在点火正时延迟了α时的代表爆震强度的值的推定值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差比预先确定的设定值小时，代表爆震强度的值的推定值ye正确地表示爆震强度，在该差比预先确定的设定值大时，代表爆震强度的值的推定值ye未正确地表示爆震强度。
于是，在本发明中，在市售用的内燃机中使用第1已学习神经网络20进行爆震处理的情况下，如图24B所示，进行点火正时的延迟控制。即，在周期kn中判断为代表爆震强度的值的推定值ye超过了阈值Mij的情况下，在下一周期kn+1中，根据点火正时延迟了α时的代表爆震强度的值的推定值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差是比预先确定的设定值小、还是比预先确定的设定值大，进行再下一周期kn+2中的点火正时的延迟控制。
即，在该差比预先确定的设定值小时、即代表爆震强度的值的推定值ye正确地表示爆震强度时，基于代表爆震强度的值的推定值ye，进行点火正时的延迟控制。在该情况下，在代表爆震强度的值的推定值ye比阈值Mij大时，进行点火正时的延迟作用，在代表爆震强度的值的推定值ye比阈值Mij小时，不进行点火正时的延迟作用。此外，在代表爆震强度的值的推定值ye比阈值Mij小时，在下一周期kn+2中，点火正时被提前β1。另一方面，在该差比预先确定的设定值大时、即代表爆震强度的值的推定值ye未正确地表示爆震强度时，不进行点火正时的延迟控制，为了对状况进行观察，如在图24B中由实线所示那样，点火正时被维持不变。接着，在代表爆震强度的值的推定值ye降低为低于值Mij之后，点火正时开始每次β1地被提前。
此外，在本发明涉及的实施例中，如图24B所示，因未学习的内燃机的振动而代表爆震强度的值的推定值ye持续超过阈值Mij的情况下的点火正时提前量β2比如图24A所示那样因仅产生爆震而代表爆震强度的值的推定值ye超过了阈值Mij的情况下的点火正时提前量β1小。即，在因未学习的内燃机的振动而代表爆震强度的值的推定值ye持续超过阈值Mij的情况下，点火正时慢慢地被提前。
另一方面，图25A与图24A同样地表示在图1或者图5所示的内燃机中使用第1已学习神经网络20来基于爆震传感器18的输出值进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化，图25B与图24A同样地表示在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用第1已学习神经网络20来基于爆震传感器18的输出值进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化。此外，图25A和图25B表示点火正时两次各延迟了α直到代表爆震强度的值的推定值ye变为阈值Mij以下的情况，除了点火正时在两次中进行了延迟之外，与图24A以及图24B所示的情况是同样的。
即，如图25A所示，在因产生爆震而代表爆震强度的值的推定值ye超过了阈值Mij、由此点火正时延迟了α的情况下，下一周期kn+1中的代表爆震强度的值的推定值ye降低Δye1而成为yee1。此时，爆震的产生尚未平息，因此，代表爆震强度的值的推定值ye依然超过阈值Mij，由此，点火正时再次被延迟α。其结果，下一周期kn+2中的代表爆震强度的值的推定值ye降低Δye2而成为yee2。
在本发明中，在该情况下，如由图25B的实线所示，在点火正时延迟了α时的代表爆震强度的值的推定值yee1与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差比预先确定的设定值大时、即代表爆震强度的值的推定值ye未正确地表示爆震强度时，不进行点火正时的延迟控制，为了对状况进行观察，如在图25B中由实线表示那样，点火正时被维持不变。接着，在代表爆震强度的值的推定值ye降低为低于值Mij之后，点火正时开始每次β1地被进行提前。
这样，在本发明中，在市售用的内燃机中使用第1已学习神经网络20来进行爆震处理的情况下，根据点火正时延迟了时的代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差是比预先确定的设定值小、还是比预先确定的设定值大，进行下一周期中的点火正时的延迟控制。在本发明涉及的实施例中，使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量Δye、或者代表爆震强度的值的推定值ye的预测值yee。
图26～图33表示设为使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量Δye的、本发明涉及的第1实施例。图34～图42表示设为使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的、本发明涉及的第2实施例。于是，首先参照图26～图34对第1实施例进行说明。
图27表示在第1实施例中使用的第2神经网络50。参照图27，在该第2神经网络50中，也与图3所示的神经网络同样地，L＝1表示输入层，L＝2和L＝3表示隐层，L＝4表示输出层。在该第1实施例中，如图27所示，输入层(L＝1)包括5个节点，5个输入值xx1、xx2、xx3、xx4、xx5被输入到输入层(L＝1)的各节点。另一方面，在图27中记载了隐层(L＝2)和隐层(L＝3)，但这些隐层的层数可以为一层或者任意的层数，另外，这些隐层的节点的数量也可以为任意的个数。此外，输出层(L＝4)的节点的数量被设为1个，从输出层的节点输出的输出值由Δye表示。
接着，对图27中的输入值xx1、xx2、xx3、xx4、xx5和输出值Δye进行说明。首先对输出值Δye进行说明，该输出值Δye表示因仅产生爆震而点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量。另一方面，输入值xx1、xx2、xx3、xx4、xx5表示对代表爆震强度的值的推定值ye的降低量产生较大的影响的输入参数，这些输入参数的一览表示于图26。如图26所示，输入参数包括表示内燃机的运转状态的参数、点火正时的延迟量α或者提前量β(β1或者β2)、前一周期中的代表爆震强度的值的推定值yeo。
此外，在该第1实施例中，表示内燃机的运转状态的参数包括内燃机转速NE、内燃机负荷L以及EGR率ER。即，在第1实施例中，内燃机转速NE、内燃机负荷L、EGR率ER、点火正时的延迟量α或者提前量β、以及前一周期中的代表爆震强度的值的推定值yeo分别被作为输入值xx1、xx2、xx3、xx4、xx5，这些输入值xx1、xx2、xx3、xx4、xx5被输入到第2神经网络50的输入层的各节点。
图28表示如下数据的一览表，该数据是使用制作图9所示的训练数据集时所使用了的图5所示的内燃机主体1、为了制作第2神经网络50用训练数据集而取得的数据。这些数据表示在图5所示的内燃机主体1中在进行使用了图12～图18所示的例程的爆震处理的同时、使内燃机进行运转以使得关于内燃机转速NE、内燃机负荷L、EGR率ER以及点火正时的延迟量α和提前量β的各种组合产生不发生爆震的运转状态和发生爆震的运转状态这两方的状态时的、各周期的内燃机转速NE、内燃机负荷L、EGR率ER、代表爆震强度的值的推定值ye以及点火正时的延迟量α和提前量β。这些数据例如暂时性地存储在电子控制单元30的存储器32内。
此外，在取得这些数据时，在本发明涉及的实施例中，点火正时延迟量α被维持为一定，点火正时提前量β被设为提前量β1和提前量β2中的任一个。另外，在图28所示的一览表中包括点火正时被延迟了延迟量α时的代表爆震强度的值的推定值ye的降低量Δye。根据点火正时被延迟了延迟量α时的代表爆震强度的值的推定值ye与前一周期中的代表爆震强度的值的推定值yeo之差来求出该降低量Δye。例如，在周期kn+1中点火正时被延迟了延迟量α时，通过从周期kn时的代表爆震强度的值的推定值yen减去周期kn+1时的代表爆震强度的值的推定值yen+1，求出降低量Δyen+1。例如在CPU33中进行该降低量Δye的算出。
这样，在点火正时被延迟了延迟量α时，如图28所示，算出代表爆震强度的值的推定值ye的降低量Δye，所算出的降低量Δye与延迟量α一起例如暂时性地存储在电子控制单元30的存储器32内。该代表爆震强度的值的推定值ye的降低量Δye表示代表爆震强度的值的推定值ye的实际的降低量。因此，该代表爆震强度的值的推定值ye的降低量Δye被作为对第2已学习神经网络50的权重进行学习时的正解值、即教师数据。
图29表示用于对第2神经网络50的权重进行学习的训练数据集。对于该训练数据集，在第1实施例中，从图28所示的一览表抽出与点火正时被延迟了延迟量α时的周期中的内燃机转速NE、内燃机负荷L、EGR率ER、点火正时的延迟量α有关的数据、以及与点火正时被延迟了延迟量α时的周期的前一周期中的代表爆震强度的值的推定值yeo有关的数据来制作该训练数据集。该训练数据集包括表示从图28所示的一览表抽出的输入值xx1、xx2、xx3、xx4、xx5与教师数据yt的关系的m个数据。此外，在该情况下，图28所示的内燃机转速NE、内燃机负荷L、EGR率ER、点火正时的延迟量α以及前一周期中的代表爆震强度的值的推定值yeo分别被作为输入值xx1、xx2、xx3、xx4、xx5，图28所示的代表爆震强度的值的推定值ye的降低量Δye被作为教师数据yt。
在该第1实施例中，图27所示的第2神经网络50的输入层(L＝1)的节点数、隐层(L＝2)和隐层(L＝3)的节点数、输出层(L＝4)的节点数以及图29所示的训练数据集存储于学习装置23的存储器24，在学习装置23中通过与参照图10已经说明过的学习处理方法同样的学习处理方法，使用图10所示的学习处理例程，进行第2神经网络50的权重的学习。由此，制作第2已学习神经网络50、即代表爆震强度的值的推定值ye的降低量Δye的推定模型。
在本发明涉及的第1实施例中，使用通过第1已学习神经网络20生成的代表爆震强度的值的推定模型、和通过第2已学习神经网络50生成的代表爆震强度的值的推定值ye的降低量Δye的推定模型，进行市售车辆的内燃机中的爆震处理。因此，这些代表爆震强度的值的推定模型和代表爆震强度的值的推定值ye的降低量Δye的推定模型、即第1已学习神经网络20和第2已学习神经网络50被保存于市售车辆的电子控制单元30内。对于这些推定模型向市售车辆的电子控制单元30的保存作用，通过与参照图11已经说明过的方法同样的方法，使用图11所示的向电子控制单元的数据读入例程来进行。
这样，当第1已学习神经网络20和第2已学习神经网络50被保存于市售车辆的电子控制单元30时，在电子控制单元30的存储器32内形成第1已学习神经网络20和第2已学习神经网络50。图30表示使用在市售车辆的电子控制单元30的存储器32内形成的第1已学习神经网络20和第2已学习神经网络50而在市售车辆的内燃机运转时所执行的爆震处理。该爆震处理按各气缸、个别地按每一周期来执行。在本发明涉及的第1实施例中，该爆震处理例如在曲轴角到达了压缩上止点时被开始。
参照图30，首先，在步骤220中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤221中，进行是否产生爆震的爆震判定处理，接着，在步骤222中，进行点火控制。在步骤220中进行的爆震强度代表值的推定处理通过图13和图14中的任一方所示的爆震强度代表值的推定例程来进行。关于这些爆震强度代表值的推定例程，已经进行了说明，因此，省略关于这些爆震强度代表值的推定例程的说明。此外，当执行这些爆震强度代表值的推定例程时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。
图31和图32表示在图30的步骤220中从第1已学习神经网络20输出了代表爆震强度的值的推定值ye时、基于从该第1已学习神经网络20输出的代表爆震强度的值的推定值ye来通过图30的步骤221进行的爆震判定例程。参照图31，首先，在步骤230中，读入对于代表爆震强度的值的阈值Mij。如前所述，如图16所示，该阈值Mij是针对根据内燃机负荷L和内燃机转速N而分割为多个的各内燃机运转区域预先设定的。
接着，在步骤231中，判别在应该中止是否产生了爆震的判定时被置位的判定中止标志是否被置位。该判定中止标志通常是被复位的，因此，进入步骤232。在步骤232中，判别在判别为产生了爆震时被置位的产生爆震标志是否被置位。该产生爆震标志通常是被复位的，因此，跳到步骤237。在步骤237中，判别从第1已学习神经网络20输出的代表爆震强度的值的推定值ye是否大于阈值Mij。在判别为代表爆震强度的值的推定值ye不大于阈值Mij时，进入步骤239，产生爆震标志被复位。接着，结束处理周期。
另一方面，在步骤237中判别为从第1已学习神经网络20输出的代表爆震强度的值的推定值ye大于阈值Mij时，进入步骤238，产生爆震标志被置位。当产生爆震标志被置位时，如后述的那样，下一周期中的点火正时被延迟α。另外，当产生爆震标志被置位时，在下一周期中，从步骤232进入步骤233。在步骤233中，内燃机转速NE、内燃机负荷L、EGR率ER、点火正时的延迟量α以及在前一周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值yeo被输入到第2已学习神经网络50的输入层的各节点，由此，从第2已学习神经网络50输出点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量Δye。
接着，在步骤234中，通过从在前一周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值yeo减去代表爆震强度的值的推定值ye的预测降低量Δye，算出代表爆震强度的值的推定值ye的预测值yee。接着，在步骤235中，为了判别是否产生未学习的内燃机的振动，判别代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差(yee－ye)的绝对值是否大于设定值S。
即，在仅发生爆震时，代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye应当大致相等。因此，在仅发生爆震时，差(yee－ye)的绝对值比设定值S小。因此，此时进入步骤236，表示产生了未学习的内燃机的振动、即噪声的噪声标志被复位。当噪声标志被复位时，如后述的那样，点火正时的提前量被设为β1。
另一方面，此时，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye表示正确的爆震强度。因此，此时进入步骤237，判别代表爆震强度的值的推定值ye是否大于阈值Mij。在判别为代表爆震强度的值的推定值ye大于阈值Mij时，进入步骤238，产生爆震标志被置位。此时，下一周期中的点火正时被延迟α。
另一方面，在产生爆震和未学习的内燃机的振动时、或者仅产生未学习的内燃机的振动时，第1已学习神经网络20输出的代表爆震强度的值的推定值ye应当比代替爆震强度的值的推定值ye的预测值yee大。因此，此时，差(yee－ye)的绝对值比设定值S大。此时，从步骤235进入步骤240，表示产生未学习的内燃机的振动、即噪声的噪声标志被置位。当噪声标志被置位时，如后述的那样，点火正时的提前量被设为β2。接着，进入步骤241。
在步骤241中，产生爆震标志被复位。另一方面，此时，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye未正确地表示爆震强度。因此，此时，为了暂时性地中止点火正时的提前作用和延迟作用，在步骤242中，判定中止标志被置位。接着，结束处理周期。
当判定中止标志被置位时，在下一周期中，从步骤231进入步骤243。在步骤243和步骤244中，在代表爆震强度的值的推定值ye超过了阈值Mij之后，因产生未学习的内燃机的振动，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye比阈值Mij大的状态持续的情况下，进行持续中止点火正时的提前作用和延迟作用、并且持续中止是否发生了爆震的判定的处理。
即，在步骤243中，判别从第1已学习神经网络20输出的代表爆震强度的值的推定值ye是否大于阈值Mij。在判别为代表爆震强度的值的推定值ye大于阈值Mij时，结束处理周期。与此相对，在判别为从第1已学习神经网络20输出的代表爆震强度的值的推定值ye小于阈值Mij时，进入步骤244，进行使判定中止标志复位的处理。接着，进入步骤232，再次开始爆震判定处理。
图33表示基于图31和图32所示的爆震判定例程中的判定结果而在电子控制单元30内执行的点火控制例程。参照图33，首先，在步骤250中，判别在爆震判定例程中使用的判定中止标志是否被置位。在判别为判定中止标志被置位时，结束处理周期。与此相对，在判别为判定中止标志未被置位时，进入步骤251，算出基准点火正时IG(BTDC)。该基准点火正时IG如前述的那样作为内燃机负荷L与内燃机转速N的函数而以如图18所示的那样的映射的形式预先存储在存储器32内。接着，在步骤252中，在图31和图32所示的爆震判定例程中，判别产生爆震标志是否被置位。在判别为产生爆震标志被置位时，进入步骤260。
在步骤260中，为了使点火正时延迟，对点火正时延迟量ΔIG加上一定量α。接着，在步骤259中，通过从基准点火正时IG减去点火正时延迟量ΔIG，算出下一周期中的最终的点火正时IGO。在下一周期中，在该最终的点火正时IGO进行通过火花塞11实现的点火作用。此时，点火正时被延迟一定量α。另一方面，在步骤252中，在判别为产生爆震标志被复位时，进入步骤253，判别噪声标志在图31和图32所示的爆震判定例程中是否被置位。
在判别为噪声标志未被置位时，进入步骤254，β被设为提前量β1，接着，进入步骤256。另一方面，在判别为噪声标志被置位时，进入步骤255，β被设为提前量β2，接着，进入步骤256。在步骤256中，为了使点火正时提前，从点火正时延迟量ΔIG减去β。接着，在步骤257中，判别点火正时延迟量ΔIG是否变为了负，在点火正时延迟量ΔIG未变为负时，进入步骤259，算出下一周期中的最终的点火正时IGO。此时，点火正时被提前β。另一方面，在步骤257中判别为点火正时延迟量ΔIG变为了负时，进入步骤258，在点火正时延迟量ΔIG被设为零之后，进入步骤259。此时，点火正时被设为基准点火正时IG。
接着，参照图34～图42，对设为了使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的本发明涉及的第2实施例进行说明。在该第2实施例中，使用循环神经网络来作为第2神经网络。图34示出将在第2实施例使用的循环神经网络(RNN)展开来表示的图，图35示出循环神经网络。该循环神经网络为周知的，因此，以下，简单地对循环神经网络进行说明。
在图34中，x1 t-1、x2 t-1、x1 t、x2 t、x1 t+1、x2 t+1、x1 t+2、x2 t+2分别表示时刻t－1、t、t+1、t+2的向循环神经网络的输入层输入的时间序列输入值。yt、yt+1、yt+2、yt+3分别表示时刻t－1、t、t+1、t+2的从循环神经网络的输出层输出的输出值。另外，ht－1、ht、ht+1、ht+2(h为向量)分别表示时刻t－1、t、t+1、t+2的从循环神经网络的隐层输出的输出值。这些ht－1、ht、ht+1、ht+2被称为隐藏状态向量。
另一方面，参照图35，在该循环神经网络中，L＝1表示输入层，L＝2表示隐层，L＝3表示输出层。在图35中，点划线框内的节点实际上不存在，是为了说明而记载的节点。因此，在图35所示的例子中，输入层(L＝1)包括2个节点。另外，在图35所示的例子中，隐层(L＝2)包括m个节点(在图35中仅记载了3个)。另一方面，在图35中只记载一个隐层(L＝2)，但该隐层的层数可以设为任意的层数。此外，输出层(L＝3)的节点的数量被设为1个。
图35示出图34的时刻t的输入值x1 t、x2 t和输出值yt+1。另外，在图35中，h1 t、h2 t、……、hm t表示图34的时刻t的从隐层的各节点输出的输出值、即隐藏状态向量。在循环神经网络中，如图35所示，前一时刻t－1的从隐层的各节点输出的输出值、即隐藏状态向量h1 t－1、h2 t－1、……、hm t－1分别乘以所对应的权重w后被输入到隐层的各节点。因此，对各输入值x1 t、x2 t分别乘以所对应的权重w而得到的值、和对前一时刻t－1的各隐藏状态向量h1 t－1、h2 t－1、……、hk t－1分别乘以所对应的权重w而得到的值被输入到隐层的各节点，在图35的隐层(L＝2)的各节点(k＝1、2、……、m)中算出的总输入值uk成为如下式那样。
Figure BDA0002670665230000401
在隐层的各节点中算出的总输入值uk通过激活函数被进行变换，从隐层的各节点被作为隐藏状态向量hk t(k＝1、2、……、m)进行输出。在该情况下，在作为激活函数而例如使用了tanh函数(双曲正切函数)的情况下，从隐层的各节点输出的隐藏状态向量hk t成为hk t＝tanh(uk)。这些的隐藏状态向量hk t被输入到输出层(L＝3)的节点，在输出层的节点中，使用各自对应的权重w，算出由如下式表示的总输入值u。
Figure BDA0002670665230000411
在本发明涉及的实施例中，在输出层的节点中，使用恒等函数来作为激活函数。因此，从输出层的节点直接输出在输出层的节点所算出的总输入值u来作为输出值y。
接着，对图34所示的输入值x1 t－1、x2 t－1、x1 t、x2 t、x1 t+1、x2 t+1、x1 t+2、x2 t+2以及输出值yt、yt+1、yt+2、yt+3进行说明。在图34中，时刻t－1、t、t+1、t+2对应于同一气缸的连续的各周期。在本发明涉及的实施例中，在时刻t－1、t、t+1、t+2、即同一气缸的连续的各周期，从第1已学习神经网络20依次输出的代表爆震强度的值的推定值ye分别被作为输入值x1 t－1、x1 t、x1 t+1、x1 t+2。另外，时刻t－1、t、t+1、t+2的、即同一气缸的连续的各周期中的点火正时的延迟量α或者提前量β分别被作为输入值x2 t－1、x2 t、x2 t+1、x2 t+2。
另外，在该情况下，作为输入值，也可以追加EGR率ER。另一方面，输出值yt、yt+1、yt +2、yt+3分别是时刻t、t+1、t+2、t+3的、即下一周期中的代表爆震强度的值的推定值ye的预测值yee。在图36中，作为代表性的例子，示出时刻t的输入值和输出值的一览表。
图37表示用于对图35所示的循环神经网络的权重进行学习的训练数据集。对于该训练数据集，在第2实施例中，通过从图28所示的一览表仅抽出整个周期中的一部分的数据、即从第1已学习神经网络20输出的代表爆震强度的值的推定值ye和点火正时的延迟量α或者提前量β来制作该训练数据集。在该情况下，在该训练数据集中，下一周期中的从第1已学习神经网络20输出的代表爆震强度的值的推定值ye被作为代表爆震强度的值的推定值ye的预测值yee。该代表爆震强度的值的推定值ye的预测值yee被作为教师数据yt。
例如，在图37中，在周期为周期kn时，在周期kn时从第1已学习神经网络20输出的代表爆震强度的值的推定值yen和周期kn时的点火正时的延迟量α被作为周期kn时的输入值x1 t、x2 t，在周期kn+1时从第1已学习神经网络20输出的代表爆震强度的值的推定值yen+1被作为周期kn时的教师数据yt。
在该第2实施例中，图35所示的循环神经网络的输入层(L＝1)的节点数、隐层(L＝2)的节点数和输出层(L＝3)的节点数以及图37所示的训练数据集也存储于图5所示的学习装置23的存储器24，在学习装置23中，进行循环神经网络的权重的学习。对于该循环神经网络的权重的学习，通常使用Trancated BPTT(Back Popagation Through Time，基于时间的反向传播)方法进行，Trancated BPTT(截断的BPTT)方法是切取被展开表示了的循环神经网络的一部分来进行误差反向传播的方法。
例如，当设为图34是所切取的循环神经网络的一部分时，在图34中，使时刻t－1、t、t+1、t+2的输入值x1 t－1、x2 t－1、x1 t、x2 t、x1 t+1、x2 t+1、x1 t+2、x2 t+2依次输入到循环神经网络，通过误差反向传播法进行循环神经网络的权重的学习，以使得在时刻t+2从循环神经网络输出的输出值yt+3与所对应的教师数据yt的平方误差E(＝1/2(yt+3-yt)2)变小。此时的误差逆传播以回溯时间的方式进行，省略关于详细的说明。
在第2实施例中，在图37中，例如对于连续的10个周期的数据，通过误差反向传播法进行循环神经网络的权重的学习。当对于连续的10个周期的数据的循环神经网络的权重的学习完成时，对于接下来的连续的10个周期的数据进行循环神经网络的权重的学习。这样，对于全部连续的10个周期的数据进行循环神经网络的权重的学习，直到权重的学习完成。
图38表示权重的学习已完成的已学习循环神经网络。在图38中，在将时刻t作为了当前的时刻的情况下，在该已学习循环神经网络中，当将过去的时刻t－3、t－2、t－1的输入值x1 t－3、x2 t－3、x1 t－2、x2 t－2、x1 t―1、x2 t―1和当前的时刻t的输入值x1 t、x2 t依次输入到循环神经网络时，从循环神经网络输出当前的时刻t的代表爆震强度的值的推定值ye的预测值yee。即，在该第2实施例中，使用已学习循环神经网络，生成点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的推定模型。
在本发明涉及的第2实施例中，使用通过第1已学习神经网络20生成的代表爆震强度的值的推定模型、和通过已学习的循环神经网络生成的代表爆震强度的值的推定值ye的预测值yee的推定模型，进行市售车辆的内燃机中的爆震处理。因此，这些代表爆震强度的值的推定模型和代表爆震强度的值的推定值ye的预测值yee的推定模型、即第1已学习神经网络20和已学习的循环神经网络被保存在市售车辆的电子控制单元30内。对于这些推定模型的向市售车辆的电子控制单元30的保存作用，通过与参照图11已经说明过的做法同样的方法，使用向图11所示的电子控制单元的数据读入例程来进行。
这样，当第1已学习神经网络20和已学习的循环神经网络保存于市售车辆的电子控制单元30时，在电子控制单元30的存储器32内形成第1已学习神经网络20和已学习的循环神经网络。图39表示使用在市售车辆的电子控制单元30的存储器32内形成的第1已学习神经网络20和已学习的循环神经网络而在市售车辆的内燃机运转时所执行的爆震处理。该爆震处理按各气缸而个别地按每一周期来执行。在本发明涉及的第2实施例中，该爆震处理例如也在曲轴角到达了压缩上止点时被开始。
图39所示的爆震处理与图30所示的爆震处理是同样的。即，参照图39，首先，在步骤220中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤221中，进行是否产生爆震的爆震判定处理，接着，在步骤222中，进行点火控制。在步骤220中进行的爆震强度代表值的推定处理通过图13和图14中的任一方所示的爆震强度代表值的推定例程来进行。关于这些爆震强度代表值的推定例程已经进行了说明，因此，关于这些爆震强度代表值的推定例程省略说明。此外，当执行这些爆震强度代表值的推定例程时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。
图40和图41表示在图39的步骤220中从第1已学习神经网络20输出了代表爆震强度的值的推定值ye时、基于从该第1已学习神经网络20输出的代表爆震强度的值的推定值ye而在图39的步骤221中进行的爆震判定例程。图40和图41所示的爆震判定例程的步骤230～232以及步骤235～244与图31和图32所示的爆震判定例程的步骤230～232以及步骤235～244相同，在图40和图41所示的爆震判定例程中，与图31和图32所示的爆震判定例程的不同点仅为：在图40和图41所示的爆震判定例程中，在步骤230之前追加步骤230a，代替图31和图32所示的爆震判定例程的步骤233和234而设置了步骤233a。因此，关于图40和图41，仅对步骤230a和步骤233a进行说明，省略关于其他步骤的说明。
参照图40和图41，在步骤230a中，存储从第1已学习神经网络20输出的代表爆震强度的值的推定值ye，直到对同一气缸进行预先确定的次数的点火、例如直到进行5次点火。另一方面，在步骤233a中，在从进行了预先确定的次数前的点火的周期、例如从5次之前进行了点火的周期到当前的周期为止的各周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值ye、和这些各周期中的点火正时的延迟量α或者提前量β依次被输入到循环神经网络的输入层的各节点。由此，从循环神经网络输出当前的周期中的代表爆震强度的值的推定值ye的预测值yee。
在该第2实施例中，在步骤235中，也为了判别是否产生未学习的内燃机的振动而判别代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差(yee－ye)的绝对值是否大于设定值S。在判别为差(yee－ye)的绝对值小于设定值S时，进入步骤236，噪声标志被复位。接着，进入步骤239，判别代表爆震强度的值的推定值ye是否大于阈值Mij。另一方面，在判别为差(yee－ye)的绝对值大于设定值S时，从步骤235进入到步骤240，噪声标志被置位。接着，在步骤241中，产生爆震标志被复位，接着，在步骤242中，判定中止标志被置位。
图42表示基于图40和图41所示的爆震判定例程中的判定结果而在电子控制单元30内所执行的点火控制例程。图42所示的点火控制例程的步骤250～259与图33所示的点火控制例程的步骤250～259相同，在图42所示的点火控制例程中，与图33所示的点火控制例程的不同点仅为：在图42所示的爆震判定例程中，在步骤259之后追加了步骤259a。因此，关于图42，仅对步骤259a进行说明，省略关于其他步骤的说明。
参照图42，在步骤259a中，存储点火正时的延迟量α或者提前量β，直到对同一气缸进行预先确定的次数的点火、例如进行5次点火。在该第2实施例中，也在产生爆震标志被置位了时，点火正时被延迟一定量α，在产生爆震标志被复位了时，点火正时被提前一定量β1或者β2。
这样，根据本发明，第1已学习神经网络被存储在存储装置32内，该第1已学习神经网络根据爆震传感器18的输出值来推定根据压力传感器19的输出值求出的代表爆震强度的值，爆震传感器18是对内燃机主体的振动进行检测的传感器，压力传感器19是用于对因点火而产生的混合气的燃烧压进行检测的传感器。对点火正时被延迟了时的代表爆震强度的值的推定值的预测值或者预测降低量进行推定的第2已学习神经网络被存储在存储装置32内。当使用第1已学习神经网络算出的代表爆震强度的值的推定值超过预先确定的阈值时，下一周期中的点火正时被延迟，在点火正时被延迟了的该下一周期中，基于使用第2已学习神经网络算出的代表爆震强度的值的推定值的预测值与使用第1已学习神经网络算出的代表爆震强度的值的推定值之差，进行再下一周期中的点火正时的延迟控制。在该差比预先确定的设定值小时，若代表爆震强度的值的推定值大于预先设定的阈值，则进行再下一周期中的点火正时的延迟作用。另一方面，在该差大于预先确定的设定值时，即使为代表爆震强度的值的推定值大于了预先设定的阈值，也不进行再下一周期中的点火正时的延迟作用。
另一方面，在本发明涉及的第1实施例中，第2已学习神经网络当输入内燃机的运转状态、点火正时的延迟量以及前一周期中的代表爆震强度的值的推定值时，输出点火正时被延迟了时的代表爆震强度的值的推定值的预测降低量。根据该预测降低量求出点火正时被延迟了时的代表爆震强度的值的推定值的预测值。在该情况下，在本发明涉及的第1实施例中，内燃机的运转状态包括内燃机转速、内燃机负荷以及EGR率。
另外，在本发明涉及的第2实施例中，第2已学习神经网络由如下的循环神经网络构成，该循环神经网络当输入从进行了预先确定的次数前的点火的周期到当前的周期为止的各周期中的代表爆震强度的值的推定值以及点火正时的延迟量或者提前量时，输出当前的周期中的代表爆震强度的值的推定值的预测值。此外，在该第2实施例中，也可以代替循环神经网络，使用带门的循环神经网络(gated recurrent neural network，门控循环神经网络)、例如LSTM(Long short-term memory，长短期记忆)。
另外，在本发明涉及的第1实施例和第2实施例中，在进行了点火正时的延迟作用之后，在代表爆震强度的值的推定值变为了预先确定的阈值以下时，开始点火正时的提前作用，在进行了点火正时的延迟作用时的代表爆震强度的推定值与代表爆震强度的推定值的预测值之差大于了设定值时，点火正时的提前量被设为小于该差为设定值以下时的该提前量。
进一步，在本发明涉及的实施例中，第1已学习神经网络当输入表示在预先设定的期间内由爆震传感器18检测到的内燃机主体1的振动的值时，输出代表爆震强度的值的推定值。在该情况下，在本发明涉及的实施例中，代表爆震强度的值被设为压力传感器的输出值的峰值，或者代表爆震强度的值被设为压力传感器的输出值的积分值。另外，在本发明涉及的实施例中，表示内燃机主体的振动的值被设为预先设定的期间内的爆震传感器的输出值，或者表示内燃机主体的振动的值被设为在预先设定的期间内等分割而得到的区间内的爆震传感器的输出值的积分值。在该情况下，该预先设定的期间被设为一定的曲轴角度范围。
此外，如前所述，爆震通常在压缩上止点～压缩上止点后90°的期间中产生。因此，在到此描述过的实施例中，基于在压缩上止点～压缩上止点后90°的期间取入的爆震传感器18的输出值和压力传感器19的输出值，对爆震的产生进行检测。然而，由爆震导致的内燃机主体1的振动具有与内燃机转速无关地在压缩上止点之后的一定时间中产生的倾向。当考虑这样的倾向时，考录基于在压缩上止点后的一定时间的期间取入的爆震传感器18的输出值和压力传感器19的输出值来对爆震的产生进行检测。
接着，参照图43和图44对如下实施例进行说明，该实施例设为：基于在压缩上止点后的一定时间的期间取入的爆震传感器18的输出值和压力传感器19的输出值，进行第1神经网络20的权重的学习，并且，基于在压缩上止点后的一定时间的期间取入的爆震传感器18的输出值，检测爆震的产生。在内燃机工作的一个周期中，取入爆震传感器18和压力传感器19这两方的输出值或者爆震传感器18的输出值的曲轴角范围被称为门(gate)区间，在图43中由实线表示该实施例中的门区间(纵轴)与内燃机转速(横轴)的关系。此外，横轴上的N1、N2、N3表示代表性的内燃机转速。
另一方面，在图44中示出对于各内燃机转速N1、N2、N3的门区间G。另外，在图44中示出设为了算出以等间隔分割的各分割区间内的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)的情况下的各分割区间S。根据图43和图44可知，在该实施例中，内燃机转速越高，则门区间G越长。此外，在图43和图44所示的例子中，预先设定取入爆震传感器18的输出值和压力传感器19的输出值的期间，该预先设定的期间被设为一定时间。然而，该预先设定的期间不需要一定设为一定时间，也可以设定门区间以使得随着内燃机转速增大、门区间也增大。
另一方面，在到此描述过的实施例中设为：对于内燃机的全部运转区域，使用一个第1已学习神经网络来推定代表爆震强度的值。然而，当这样对于内燃机的全部运转区域只使用一个第1已学习神经网络时，有时代表爆震强度的值的推定精度会降低。为了对此进行避免，优选将内燃机的运转区域分割为多个运转区域，按所分割的各运转区域分别使用不同的神经网络。图45A～图45C表示设为了按这样分割的各运转区域而分别使用不同的第1神经网络的实施例。
即，在该实施例中，如图45A～图45C所示，内燃机的运转区域被根据内燃机负荷L和内燃机转速N而分割为多个运转区域，如图45A所示，按被分割后的各运转区域分别形成不同的第1神经网络NNij。在该情况下，如图45B所示，按被分割后的各运转区域分别制作如图9所示那样的训练数据集DSij。对于按被分割后的各运转区域而分别形成的第1神经网络NNij的权重的学习，使用所对应的训练数据集DSij，使用图10所示的学习处理例程来进行。另外，在该实施例中，如图45C所示，按被分割后的各运转区域来设定对于爆震强度代表值的阈值Mij。在该实施例中，按被分割后的各运转区域，使用所对应的第1已学习神经网络NNij，使用图13或者图14所示的爆震强度代表值的推定例程来算出爆震强度代表值的推定值ye。
另一方面，在该实施例中，第2神经网络也按图45A所示的被分割后的各运转区域来分别形成。另外，对于第2神经网络的训练数据集也按被分割后的各运转区域来分别制作，按被分割后的各运转区域而分别形成的第2神经网络的权重的学习使用所对应的训练数据集来进行。当通过某运转区域的第1已学习神经网络NNij算出爆震强度代表值的推定值ye时，使用对于相同的运转区域制作的第2已学习神经网络，使用图45C所示的所对应的阈值Mij来判别是否产生了爆震。
这样，在该实施例中，内燃机的运转区域被分割为多个运转区域，并且，对于被分割后的各运转区域，第1已学习神经网络和第2已学习神经网络分别被存储于存储装置内。按被分割后的各运转区域，基于使用第2已学习神经网络算出的代表爆震强度的值的推定值的预测值与使用第1已学习神经网络算出的代表爆震强度的值的推定值之差，进行下一周期中的点火正时的延迟控制。
在图46和图48中进一步表示其他实施例。在该实施例中，如图46所示，在内燃机主体1安装有爆震传感器18a和爆震传感器18b，这些爆震传感器18a和爆震传感器18b与能够对爆震传感器18a的输出值的波形和爆震传感器18b的输出值的波形进行检测的检测器21、例如示波器连接。在图46中，当按从左向右的顺序称为第1气缸#1、第2气缸#2、第3气缸#3、第4气缸#4时，爆震传感器18a配置在距第1气缸#1和第2气缸#2等距离的位置，爆震传感器18b配置在距第3气缸#3和第4气缸#4等距离的位置。图46所示的其他构成与图5所示的构成相同，因此，省略关于该图46所示的其他构成的说明。
图47表示在该实施例中使用的第1神经网络55。参照图47，在该第1神经网络55中，也与图3以及图8所示的神经网络同样地，L＝1表示输入层，L＝2和L＝3表示隐层，L＝4表示输出层。在该实施例中，如从图47可知那样，输入层(L＝1)包括2n个节点。另一方面，在图47中记载了隐层(L＝2)和隐层(L＝3)，但这些隐层的层数可以为1层或者任意的层数，另外，这些隐层的节点的数量也可以为任意的个数。此外，输出层(L＝4)的节点的数量被设为1个，从输出层的节点输出的输出值由y表示。
在图47中，输入值x1、x2、……、xn－1、xn是滤波后的爆震传感器18a的输出值，输入值xx1、xx2、……、xxn－1、xxn是滤波后的爆震传感器18b的输出值。即，在该实施例中，两方的爆震传感器18a和爆震传感器18b的滤波后的输出值被输入到输入层(L＝1)的各节点。此外，在该实施例中，也使用图6B所示的值或者图6C所示的值来作为输入值x1、x2、……、xxn－1、xxn。即，如图6B所示，被滤波后的爆震传感器18a和爆震传感器18b的输出值本身被作为输入值x1、x2、……、xxn－1、xxn，或者如图6C所示，被滤波后的爆震传感器18a和爆震传感器18b的输出值的积分值(负侧的积分值也设为正的值)、且例如一定曲轴角度内的爆震传感器18a和爆震传感器18b的输出值的积分值被作为输入值x1、x2、……、xxn－1、xxn。
另一方面，作为图47所示的输出值y，与图8所示的情况同样地，采用根据压力传感器19的输出值求出的代表爆震强度的值。在该情况下，与图8所示的情况同样地，在图7B中由圆形记号表示的滤波后的压力传感器19的输出值的峰值被用作输出值y，或者，图7C所示的滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被用作输出值y。此外，在该实施例中，根据压力传感器19的输出值求出的代表爆震强度的值的实测值也被作为教师数据yt。
图48表示使用输入值x1、x2、……、xxm－1、xxm、和根据压力传感器19的输出值求出的代表爆震强度的值的实测值、即教师数据yt来制作的训练数据集。如图48所示，在该训练数据集中，取得表示输入值x1、x2、……、xxm－1、xxm与教师数据yt的关系的m个数据。该训练数据集的制作方法与已经说明过的图9所示的训练数据集的制作方法相同。即，在制作训练数据集时，在图46中，使内燃机进行运转以使得关于内燃机负荷和内燃机转速的各种组合而产生不发生爆震的运转状态和发生爆震的运转状态这两方的状态，基于那时从各检测器21、22得到的数据，制作如图48所示那样的训练数据集。
当制作训练数据集时，使用所制作的训练数据集的电子数据，进行图47所示的第1神经网络55的权重的学习。该第1神经网络的权重的学习方法与参照图5在前面描述过的第1神经网络的权重的学习方法相同。即，在进行图47所示的第1神经网络55的权重的学习时，该第1神经网络55的节点数和所制作的训练数据集的电子数据被存储于图46所示的学习装置23的存储器24，在CPU25中，使用图10所示的学习处理例程，进行第1神经网络55的权重的学习。
这样，在该实施例中，具备对内燃机主体1的振动进行检测的多个爆震传感器18a和18b。第1已学习神经网络55当输入表示由多个爆震传感器18a和18b检测到的内燃机主体1的振动的值时，输出代表爆震强度的值。这样，当使用多个爆震传感器18a和18b，使用两方的爆震传感器18a和18b的输出值，进行第1神经网络55的权重的学习时，与使用了一个爆震传感器时相比，能够取得的信息量增大，因此，能够高精度地推定代表爆震强度的值。

Claims (14)

1.一种内燃机的点火正时控制装置，其特征在于，包括：
存储装置，其构成为存储第1已学习神经网络和第2已学习神经网络，所述第1已学习神经网络构成为根据用于对内燃机主体的振动进行检测的爆震传感器的输出值来算出根据压力传感器的输出值求出的代表爆震强度的值的推定值，所述压力传感器用于对因点火而产生的混合气的燃烧压进行检测，所述第2已学习神经网络构成为算出所述内燃机的点火正时被延迟了时的代表所述爆震强度的值的推定值的预测值或者预测降低量；和
处理器，其构成为在使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值超过预先确定的阈值的情况下，使下一周期中的所述点火正时延迟，
所述处理器构成为在所述点火正时被延迟了的所述下一周期中，基于使用所述第2已学习神经网络算出的代表所述爆震强度的值的推定值的预测值与使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值之差，进行再下一周期中的所述点火正时的延迟控制，
所述处理器构成为在所述差比预先确定的设定值小时，若代表所述爆震强度的值的推定值比预先设定的阈值大，则进行使所述再下一周期中的所述点火正时延迟的控制，并且，构成为在所述差比预先确定的设定值大时，即使代表所述爆震强度的值的推定值大于预先设定的阈值，也不进行使所述再下一周期中的所述点火正时延迟的控制。
2.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述第2已学习神经网络构成为：当将所述内燃机的运转状态、所述点火正时的延迟量以及前一周期中的代表所述爆震强度的值的推定值作为输入时，求出所述点火正时被延迟时的代表爆震强度的值的推定值的预测降低量，根据所述预测降低量输出所述点火正时被延迟了时的代表爆震强度的值的推定值的预测值。
3.根据权利要求2所述的内燃机的点火正时控制装置，特征在于，
所述内燃机的运转状态包括内燃机转速、内燃机负荷以及EGR率。
4.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述第2已学习神经网络由循环神经网络构成，所述循环神经网络构成为：当输入从进行了预先确定的次数前的点火的周期到当前的周期为止的各周期中的代表所述爆震强度的值的推定值和所述点火正时的延迟量或者提前量时，输出当前的周期中的代表所述爆震强度的值的推定值的预测值。
5.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述处理器构成为：在进行了使所述点火正时延迟的控制之后，当代表所述爆震强度的值的推定值变为了预先确定的阈值以下时，开始使所述点火正时提前的控制，
所述处理器构成为：当进行了使所述点火正时延迟的控制时的所述差大于设定值时，使所述点火正时的提前量小于所述差为设定值以下时的该提前量。
6.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述第1已学习神经网络构成为：当输入对在预先设定的期间内由所述爆震传感器检测到的所述内燃机主体的振动进行表示的值时，输出代表所述爆震强度的值的推定值。
7.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
代表所述爆震强度的值为所述压力传感器的输出值的峰值。
8.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
代表所述爆震强度的值为所述压力传感器的输出值的积分值。
9.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
表示所述内燃机主体的振动的值是所述预先设定的期间内的所述爆震传感器的输出值。
10.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
表示所述内燃机主体的振动的值是在所述预先设定的期间内被等分割而得到的区间内的所述爆震传感器的输出值的积分值。
11.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
所述预先设定的期间是一定的曲轴角度范围。
12.根据权利要求6所述的内燃机的点火正时控制装置，特征在于，
所述预先设定的期间是一定时间。
13.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述存储装置构成为对分割成多个运转区域的所述内燃机的运转区域各自分别存储所述第1已学习神经网络和所述第2已学习神经网络，
所述处理器构成为：按被分割而得到的各运转区域，基于使用所述第2已学习神经网络算出的代表所述爆震强度的值的推定值的预测值与使用所述第1已学习神经网络算出的代表所述爆震强度的值的推定值之差，进行所述再下一周期中的点火正时的延迟控制。
14.根据权利要求1所述的内燃机的点火正时控制装置，特征在于，
所述内燃机包括对所述内燃机主体的振动进行检测的多个爆震传感器，
所述第1已学习神经网络构成为：当输入对由所述多个爆震传感器检测到的所述内燃机主体的振动进行表示的值时，输出代表所述爆震强度的值。
CN202010932405.4A 2019-09-24 2020-09-08 内燃机的点火正时控制装置 Active CN112629648B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-173169 2019-09-24
JP2019173169A JP6683283B1 (ja) 2019-09-24 2019-09-24 内燃機関の点火時期制御装置

Publications (2)

Publication Number Publication Date
CN112629648A CN112629648A (zh) 2021-04-09
CN112629648B true CN112629648B (zh) 2022-10-25

Family

ID=70166570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932405.4A Active CN112629648B (zh) 2019-09-24 2020-09-08 内燃机的点火正时控制装置

Country Status (3)

Country Link
US (1) US11092130B2 (zh)
JP (1) JP6683283B1 (zh)
CN (1) CN112629648B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6733752B1 (ja) 2019-02-08 2020-08-05 トヨタ自動車株式会社 内燃機関のノッキング検出装置およびノッキング検出方法
JP6733795B1 (ja) 2019-09-24 2020-08-05 トヨタ自動車株式会社 内燃機関の点火時期制御装置
US11655791B2 (en) * 2019-09-26 2023-05-23 Hitachi Astemo, Ltd. Internal combustion engine control device
KR20210073882A (ko) * 2019-12-11 2021-06-21 현대자동차주식회사 빅데이터 기반 운행 정보 제공 시스템 및 방법
US11885271B2 (en) * 2020-06-25 2024-01-30 PolyN Technology Limited Systems and methods for detonation control in spark ignition engines using analog neuromorphic computing hardware
FR3118102B1 (fr) * 2020-12-21 2023-05-05 Ifp Energies Now Procédé de détermination d’un indicateur de cliquetis de la combustion à partir de mesures d'accélération
US11655775B1 (en) * 2021-08-20 2023-05-23 Ut-Battelle, Llc Combustion control using spiking neural networks
CN114563126B (zh) * 2022-03-03 2023-06-16 东风商用车有限公司 空气系统压力信号滤波自学习方法
KR20230163837A (ko) * 2022-05-24 2023-12-01 현대자동차주식회사 불꽃 점화 엔진의 토크 모델 보정 장치 및 방법

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0564470U (ja) * 1992-02-07 1993-08-27 日本電子機器株式会社 内燃機関のノッキング制御装置
US6012425A (en) * 1996-04-19 2000-01-11 Robert Bosch Gmbh Device for detecting knocking and regulation of an internal combustion engine
CN1389714A (zh) * 2001-05-31 2003-01-08 富士通天株式会社 用于内燃机的爆燃控制装置
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
JP2009013895A (ja) * 2007-07-05 2009-01-22 Toyota Motor Corp 内燃機関の制御装置、制御方法およびその方法をコンピュータで実現されるプログラムならびにそのプログラムを記録した記録媒体
CN101680816A (zh) * 2007-05-30 2010-03-24 丰田自动车株式会社 用于内燃机的爆震判定设备和爆震判定方法
CN105937470A (zh) * 2015-03-05 2016-09-14 通用汽车环球科技运作有限责任公司 基于燃料燃烧的持续时间而控制点火正时的系统及方法
CN106066606A (zh) * 2016-05-30 2016-11-02 华北水利水电大学 基于l‑m神经网络的氢内燃机点火正时标定优化系统及其优化方法
JP2018053844A (ja) * 2016-09-30 2018-04-05 日立オートモティブシステムズ株式会社 内燃機関制御装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4633835A (en) 1983-06-03 1987-01-06 Mitsubishi Denki Kabushiki Kaisha Ignition timing control apparatus for engine
JPH0826838B2 (ja) 1986-10-23 1996-03-21 トヨタ自動車株式会社 内燃機関の点火時期制御方法
JPS6448654U (zh) * 1987-09-22 1989-03-27
JP2006226967A (ja) * 2005-02-21 2006-08-31 Toyota Motor Corp 内燃機関のノッキング判定装置
JP4367529B2 (ja) 2007-05-29 2009-11-18 トヨタ自動車株式会社 内燃機関の点火時期制御装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0564470U (ja) * 1992-02-07 1993-08-27 日本電子機器株式会社 内燃機関のノッキング制御装置
US6012425A (en) * 1996-04-19 2000-01-11 Robert Bosch Gmbh Device for detecting knocking and regulation of an internal combustion engine
CN1389714A (zh) * 2001-05-31 2003-01-08 富士通天株式会社 用于内燃机的爆燃控制装置
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
CN101680816A (zh) * 2007-05-30 2010-03-24 丰田自动车株式会社 用于内燃机的爆震判定设备和爆震判定方法
JP2009013895A (ja) * 2007-07-05 2009-01-22 Toyota Motor Corp 内燃機関の制御装置、制御方法およびその方法をコンピュータで実現されるプログラムならびにそのプログラムを記録した記録媒体
CN105937470A (zh) * 2015-03-05 2016-09-14 通用汽车环球科技运作有限责任公司 基于燃料燃烧的持续时间而控制点火正时的系统及方法
CN106066606A (zh) * 2016-05-30 2016-11-02 华北水利水电大学 基于l‑m神经网络的氢内燃机点火正时标定优化系统及其优化方法
JP2018053844A (ja) * 2016-09-30 2018-04-05 日立オートモティブシステムズ株式会社 内燃機関制御装置

Also Published As

Publication number Publication date
JP6683283B1 (ja) 2020-04-15
US11092130B2 (en) 2021-08-17
CN112629648A (zh) 2021-04-09
JP2021050638A (ja) 2021-04-01
US20210088019A1 (en) 2021-03-25

Similar Documents

Publication Publication Date Title
CN112629648B (zh) 内燃机的点火正时控制装置
CN112629649B (zh) 内燃机的点火正时控制装置
JP6733752B1 (ja) 内燃機関のノッキング検出装置およびノッキング検出方法
CN112629650B (zh) 内燃机的点火正时控制装置
US8326518B2 (en) Knocking detecting apparatus for internal combustion engine
JP6350432B2 (ja) 内燃機関の制御装置
CN107110056B (zh) 爆燃检测装置
US11226264B2 (en) Method for the diagnosis of engine misfires in an internal combustion engine
US8924134B2 (en) Knock control device of internal combustion engine
JP4830986B2 (ja) 内燃機関の制御装置
JP2021050729A (ja) 内燃機関の点火時期制御装置
JP2021050730A (ja) 内燃機関の点火時期制御装置
JP2020143671A (ja) 内燃機関のノッキング検出装置およびノッキング検出方法
JP2021050728A (ja) 内燃機関の点火時期制御装置
JP6332141B2 (ja) 内燃機関の異常診断装置
JP5851361B2 (ja) 内燃機関の診断装置
JP4798647B2 (ja) 筒内圧力センサの異常検知装置
KR20230103464A (ko) 엔진의 실화 진단 방법 및 장치
JP2015222059A (ja) 内燃機関の制御装置
Taglialatela-Scafati et al. Use of in-Cylinder Pressure and Learning Circuits for Engine Modeling and Control
JP2004340104A (ja) 振動検出センサの出力信号の補正方法、及び振動検出センサの出力信号の補正係数算出装置

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