CN113139328B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113139328B CN113139328B CN202011584645.6A CN202011584645A CN113139328B CN 113139328 B CN113139328 B CN 113139328B CN 202011584645 A CN202011584645 A CN 202011584645A CN 113139328 B CN113139328 B CN 113139328B
- Authority
- CN
- China
- Prior art keywords
- value
- internal combustion
- combustion engine
- output
- maximum value
- 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 139
- 238000007405 data analysis Methods 0.000 title claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims description 132
- 230000008569 process Effects 0.000 claims description 125
- 238000012545 processing Methods 0.000 claims description 123
- 230000006870 function Effects 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 description 21
- 238000002347 injection Methods 0.000 description 20
- 239000007924 injection Substances 0.000 description 20
- 238000012549 training Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 101001020552 Rattus norvegicus LIM/homeobox protein Lhx1 Proteins 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
-
- 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
-
- 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
- G01M15/11—Testing internal-combustion engines by detecting misfire
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- 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
-
- 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
- F02D41/22—Safety or indicating devices for abnormal conditions
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
提供一种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。CPU向神经网络输入输入变量，并算出概率原型。接着，CPU判定所算出的概率原型中的最大值是否超过容许范围的上限值。并且，CPU在最大值超过容许范围的上限值的情况下，算出最大值与作为容许范围内的值的第1基准值的差量，并从所有概率原型中减去差量。之后，通过将所算出的概率原型向映射的归一化指数函数输入，从而算出在各气缸中发生了失火的概率。
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、及数据解析装置。
背景技术
在日本专利第6593560所记载的内燃机的失火(miss fire)检测装置中，存储器存储有通过机器学习而结束了学习的映射数据。另外，处理器通过向由映射数据规定的映射输入输入变量来算出发生了失火的概率。映射由神经网络、和将从神经网络输出的多个输出值标准化的归一化指数函数(softmax function)构成。归一化指数函数算出各输出值相对于从神经网络输出的多个输出值的总和的比例。
发明内容
在日本专利第6593560所记载的那样的内燃机的失火检测装置中，需要防止神经网络的输出值超过处理器能够计算的值的范围的情况。为此，例如，考虑在输出值超过了容许范围的上限值的情况下，进行使输出值一律与上限值一致的保护处理。
在此，在对神经网络的输出值进行了保护处理的情况下，有时虽然在进行该保护处理之前是不同的值的输出值，但会输出与上限值相等的多个输出值。若在这样的状况下通过归一化指数函数进行标准化，则由于无法实现反映出在保护处理前为不同的值的输出值的大小关系的标准化，所以不一定进行合适的标准化。
本发明的第一技术方案涉及的内燃机的状态判定装置具备：存储器，所述存储器存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数；和处理器，所述处理器取得所述内燃机状态变量，将所取得的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述内燃机的状态的判定结果，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值。
在上述技术方案中，可以是，所述处理器，在所述保护处理中，在从所述神经网络输出的多个输出值中的最大值超过预先设定的容许范围的上限值的情况下，使所述最大值减小为所述容许范围内的值并设为新的输出值。
根据上述技术方案，在执行保护处理的情况下，不仅最大值减小，最大值以外的输出值也减小。此时，最大值与其他输出值的大小关系不发生变化，所以在保持最大值与其他输出值的大小关系的状态下通过归一化指数函数进行标准化。结果，即使在来自神经网络的输出值超过了容许范围的上限值的情况下，也能够在判定处理中基于合适的大小关系来判定内燃机的状态。
在上述技术方案中，可以是，所述处理器，在所述保护处理中，使所述输出值中的最大值减小为第2下限值以上的值，所述第2下限值处于所述容许范围内且比作为所述容许范围的下限值的第1下限值大预先设定的量。
根据上述技术方案，使减小后的最大值减小为第2下限值以上，所以减小后的最大值与容许范围的下限值之差相应地增大，所述第2下限值比作为容许范围的下限值的第1下限值大。因此，通过保护处理，不仅最大值，第2大的值以后的输出值收敛于容许范围内的可能性也会变高。
在本发明的第一技术方案涉及的内燃机的状态判定装置中，可以是，所述处理器，在所述保护处理中，在从所述神经网络输出的多个输出值中的最大值低于作为预先设定的容许范围的下限值的第1下限值的情况下，使所述最大值增加为所述容许范围内的值并设为新的输出值。
根据上述技术方案，在执行保护处理的情况下，不仅最大值增加，最大值以外的输出值也增加。此时，最大值与其他输出值的大小关系不发生变化，所以在保持最大值与其他输出值的大小关系的状态下通过归一化指数函数进行标准化。结果，即使在来自神经网络的输出值低于作为容许范围的下限值的第1下限值的情况下，在判定处理中，也能够基于合适的大小关系来判定内燃机的状态。
在上述技术方案中，可以是，所述处理器，在所述保护处理中，在所述输出值中的最大值低于第2下限值的情况下，使所述最大值增加为所述容许范围的上限值以下且所述第2下限值以上的值并设为新的输出值，并且，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下也使所述最大值以外的输出值增加并分别设为新的输出值，所述第2下限值处于所述容许范围内且比所述第1下限值大预先设定的量。
根据上述技术方案，增加后的最大值增加为第2下限值以上，所以增加后的最大值与容许范围的下限值之差相应地增大，所述第2下限值比作为容许范围的下限值的第1下限值大。因此，通过保护处理，不仅最大值，第2大的值以后的输出值收敛于容许范围内的可能性也会变高。
在上述任一技术方案中，可以是，所述处理器，在所述保护处理中，在所述保护处理前的最大值比所述保护处理后的新的输出值小的情况下，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，使所述最大值以外的输出值增加所述保护处理前的最大值与所述保护处理后的新的输出值的差量，并分别设为新的输出值。可以是，所述处理器，在所述保护处理中，在所述保护处理前的最大值比所述保护处理后的新的输出值大的情况下，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，使所述最大值以外的输出值减小所述保护处理前的最大值与所述保护处理后的新的输出值的差量，并分别设为新的输出值。根据上述构成，通过保护处理，使最大值以外的输出值与最大值增减相同的量，所以能够保持最大值与最大值以外的输出值的大小关系。
在上述任一技术方案中，可以是，所述处理器，在所述保护处理后的输出值的一部分比作为所述容许范围的下限值的第1下限值小的情况下，使比该第1下限值小的输出值与所述第1下限值一致。
根据上述技术方案，通过执行下限处理，即使通过保护处理产生了低于作为容许范围的下限值的第1下限值的输出值，所有输出值也都收敛于容许范围的上限值到下限值的范围内。此外，被设为保护下限值的输出值是与最大值相比相应地小的值，所以对判定结果产生的影响小。
在上述任一技术方案中，所述内燃机的状态可以是有无所述内燃机的失火。所述映射数据可以是规定如下映射的数据，所述映射是将第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即时序数据作为输入、并输出在所述内燃机中发生了失火的概率的映射。所述处理器可以取得基于检测所述内燃机的曲轴的旋转举动的传感器的检测值的所述瞬时速度参数。所述瞬时速度参数可以是与所述内燃机的曲轴的转速相应的参数。所述第1间隔可以是所述曲轴的旋转角度间隔，并且是包含压缩上止点的间隔。所述第2间隔可以是比所述压缩上止点的出现间隔小的间隔。所述映射可以是与在所述第1间隔内出现压缩上止点的至少一个气缸相关地输出发生了失火的概率的映射。
根据上述技术方案，在进行内燃机的失火判定的方面，能够应用保护处理的技术。尤其是，在判定以有无失火为代表的内燃机的状态的情况下，在基于其判定结果控制内燃机时，有可能由于容许范围外的输出值而无法进行合适的燃烧喷射，无法产生转矩。因此，在进行内燃机的失火判定的方面，很有必要防止容许范围外的值被输入到归一化指数函数的情况，所以优选应用保护处理的技术。
本发明的第二技术方案涉及的内燃机的状态判定系统具备存储器、第1处理器、以及第2处理器，所述存储器存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数，所述第1处理器，搭载于车辆，并且取得所述内燃机状态变量，将所取得的数据向车辆的外部发送，接收基于第2处理器对所述内燃机的状态的判定结果的信号，所述第2处理器，配置在所述车辆的外部，并且接收由所述第1处理器发送的数据，将接收到的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述内燃机的状态的判定结果，将基于所述内燃机的状态的判定结果的信号向所述车辆发送。根据上述构成，通过在车辆的外部执行输入处理、保护处理、标准化处理以及判定处理，能够减轻车载装置的运算负荷。
本发明的另一技术方案涉及的数据解析装置具备存储装置和执行装置，所述存储装置存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数，所述执行装置，配置在车辆的外部，并且从车辆接收内燃机状态变量，将接收到的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述车辆的内燃机的状态的判定结果，将基于所述内燃机的状态的判定结果的信号向所述车辆发送。
附图说明
以下将参照附图说明本发明的示例性实施方式的特征、优点以及技术和产业意义，在附图中相似的附图标记表示相似的要素，并且其中：
图1是示出第1实施方式涉及的控制装置和车辆的驱动系统的构成的图。
图2是示出该实施方式涉及的各处理的步骤的流程图。
图3是示出该实施方式涉及的对失火的应对处理的步骤的流程图。
图4是示出该实施方式涉及的生成映射数据的系统的图。
图5是示出该实施方式涉及的映射数据的学习处理的步骤的流程图。
图6是用于说明该实施方式的处理的说明图。
图7是用于说明该实施方式的处理的说明图。
图8是用于说明该实施方式的处理的说明图。
图9是用于说明该实施方式的处理的说明图。
图10是示出第2实施方式涉及的内燃机的状态判定系统的构成的图。
图11是示出该实施方式涉及的内燃机的状态判定系统所执行的处理的步骤的流程图。
图12是示出该实施方式涉及的内燃机的状态判定系统所执行的处理的步骤的流程图。
具体实施方式
＜第1实施方式＞
以下，参照附图对与内燃机的状态判定装置相关的第1实施方式进行说明。
在图1所示的搭载于车辆VC1的内燃机10中，在进气通路12设置有节气门14。从进气通路12吸入的空气通过进气门16的打开而流入各气缸#1～#4的燃烧室18。在内燃机10中，设置有喷射燃料的燃料喷射阀20和产生火花放电的点火装置22。燃料喷射阀20向燃烧室18露出。在燃烧室18中，空气与燃料的混合气燃烧。通过燃烧产生的能量变换为曲轴24的旋转能量。燃烧后的混合气伴随排气门26的打开而作为排气向排气通路28排出。在排气通路28设置有具有氧吸藏能力的三元催化剂30。排气通路28经由EGR(Exhaust GasRecirculation：废气再循环)通路32与进气通路12连通。在EGR通路32设置有调整其流路截面面积的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向进气侧凸轮轴42传递，另一方面，经由排气侧气门正时可变装置44向排气侧凸轮轴46传递。进气侧气门正时可变装置40改变进气侧凸轮轴42与曲轴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与曲轴24的相对的旋转相位差。
在内燃机10的曲轴24能够经由变矩器60连结有变速装置64的输入轴66。变矩器60具备锁止离合器62，通过使锁止离合器62成为紧固连结状态，曲轴24与输入轴66连结。在变速装置64的输出轴68机械地连结有驱动轮69。此外，在本实施方式中，变速装置64是能够变更从1档到5档的变速比的变速装置。
在曲轴24结合有曲轴转子50，在该曲轴转子50设置有多个(在此为34个)齿部52。各齿部52分别表示曲轴24的旋转角度。在曲轴转子50基本上按10°CA(Crank Angle：曲轴角度)间隔设置齿部52。此外，设置有1处相邻的齿部52之间的间隔为30°CA的部位即缺齿部54。用它来表示成为曲轴24的基准的旋转角度。
控制装置70A以内燃机10为控制对象。为了控制作为控制量的转矩、排气成分比率等，控制装置70A对节气门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进行操作。此外，在图1中记载了节气门14、燃料喷射阀20、点火装置22、EGR阀34、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。
曲轴角传感器80输出上述齿部52之间的每个角度间隔(除了缺齿部54以外为10°CA)的脉冲。控制装置70A在控制控制量时，参照曲轴角传感器80的输出信号Scr、由空气流量计82检测的吸入空气量Ga。另外，控制装置70A参照由水温传感器84检测的内燃机10的冷却水的温度(水温THW)、由变速位置传感器86检测的变速装置64的变速位置Sft、由加速度传感器88检测的车辆VC1的上下方向的加速度Dacc。
控制装置70A具备CPU(Central Processing Unit：中央处理器)72、ROM(ReadOnly Memory：只读存储器)74、电可改写非易失性存储器(存储器76)、以及周边电路77，它们能够通过本地网络78进行通信。此外，周边电路77包括生成规定内部的动作的时钟信号的电路、电源电路、复位电路等。
控制装置70A通过CPU72执行存储于ROM74的程序，从而执行上述控制量的控制。另外，控制装置70A执行判定有无内燃机10的失火的处理。
在图2中示出状态判定处理的步骤。图2所示的处理例如通过CPU72按预定周期反复执行图1所示的存储于ROM74的失火检测程序74a来实现。此外，以下，利用在开头标注有“S”的数字来表示各处理的步骤编号。
在图2所示的一系列的处理中，CPU72首先取得微小旋转时间T30(1)、T30(2)、…T30(24)(S10)。微小旋转时间T30通过由CPU72基于曲轴角传感器80的输出信号Scr对曲轴24旋转30°CA所需要的时间进行计时而算出。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，表示是作为1燃烧循环的720°CA内的不同的旋转角度间隔。即，微小旋转时间T30(1)～T30(24)表示将720°CA的旋转角度区域按30°CA平均分割而得到的各角度间隔中的旋转时间。
详细而言，CPU72基于输出信号Scr对曲轴旋转了30°CA的时间进行计时，并将其作为滤波(filter)处理前时间NF30。接着，CPU72通过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以使得预定期间(例如720°CA)中的滤波处理后时间AF30的极大值与极小值之差成为“1”的方式将滤波处理后时间AF30标准化，从而算出微小旋转时间T30。
接着，CPU72取得转速NE和充气效率η(S12)。转速NE由CPU72基于曲轴角传感器80的输出信号Scr来算出，充气效率η由CPU72基于转速NE和吸入空气量Ga来算出。此外，转速NE是曲轴24旋转比压缩上止点的出现间隔(在本实施方式中为180°CA)大的角度间隔时的转速的平均值。此外，转速NE可以设为曲轴24旋转了曲轴24的1圈以上的旋转角度时的转速的平均值。此外，此处的平均值不限于单纯平均值，例如，也可以通过指数移动平均处理来算出。平均值是利用曲轴24旋转了1圈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的值。另外，充气效率η是确定向燃烧室18内填充的空气量的参数。
接着，CPU72将通过S10、S12的处理取得的值代入用于算出发生了失火的概率的映射的输入变量x(1)～x(26)(S14)。详细而言，设为“s＝1～24”，CPU72将微小旋转时间T30(s)代入输入变量x(s)。即，输入变量x(1)～x(24)成为微小旋转时间T30的时序数据。另外，CPU72将转速NE代入输入变量x(25)，将充气效率η代入输入变量x(26)。
接着，CPU72通过将输入变量x(1)～x(26)输入到由图1所示的存储于存储器76的映射数据76a规定的映射中，从而算出在气缸#i(i＝1～4)中发生了失火的概率P(i)。映射数据76a是规定如下映射的数据，所述映射能够输出在与通过S10的处理取得的微小旋转时间T30(1)～T30(24)对应的期间中在气缸#i中发生了失火的概率P(i)。在此，概率P(i)是基于输入变量x(1)～x(26)将实际上发生了失火的可能性的大小量化而得到的数值。但是，在本实施方式中，在气缸#i中发生了失火的概率P(i)的最大值比“1”小，且最小值为比“0”大的值。即，在本实施方式中，概率P(i)是将实际上发生了失火的可能性的大小量化为在比“0”大且比“1”小的预定区域内连续的值的概率。
在本实施方式中，该映射由中间层(隐藏层)为1层的神经网络、和归一化指数函数(softmax函数)构成。归一化指数函数通过将神经网络的输出标准化，从而将发生了失火的概率P(1)～P(4)的和设为“1”。上述神经网络包括输入侧系数wFjk(j＝0～n，k＝0～26)和激活函数h(x)。激活函数h(x)是对输入侧线性映射的输出分别进行非线性变换的输入侧非线性映射。输入侧线性映射是由输入侧系数wFjk规定的线性映射。在本实施方式中，作为激活函数h(x)，例示出双曲正切函数“tanh(x)”。另外，上述神经网络包括输出侧系数wSij(i＝1～4，j＝0～n)和激活函数f(x)。激活函数f(x)是对输出侧线性映射的输出分别进行非线性变换的输出侧非线性映射。输出侧线性映射是由输出侧系数wSij规定的线性映射。在本实施方式中，作为激活函数f(x)，例示出双曲正切函数“tanh(x)”。此外，值n是表示中间层的维度的值。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，对其乘以“1”。这例如能够通过将“wF00·x(0)+wF01·x(1)+…”恒等地定义为无限大来实现。
详细而言，CPU72算出由输入侧系数wFjk、输出侧系数wSij以及激活函数h(x)、f(x)规定的神经网络的输出即概率原型y(i)。概率原型y(i)是与在气缸#i中发生了失火的概率具有正相关性的参数。
在算出发生了失火的概率P(i)时，CPU72首先向神经网络输入输入变量x(1)～x(26)，算出上述的概率原型y(i)(S16)。
接着，CPU72判定所算出的概率原型y(1)～y(4)中的最大值ymax是否超过容许范围的上限值Ulim(S18)。在此，容许范围被设定为CPU72可以视为概率原型y(i)的数值的最大范围，并且是第1下限值Llim1以上且上限值Ulim以下的范围。
并且，CPU72在最大值ymax超过容许范围的上限值Ulim的情况下(S18：是(YES))，算出最大值ymax与作为容许范围内的值的第1基准值SV1的差量sau，从所有概率原型y(i)中减去差量sau(S20)。即，使最大值ymax减小为作为容许范围内的值的第1基准值SV1，并且对于最大值ymax以外的概率原型y(i)，在不改变与其他概率原型y(i)的大小关系的状态下也使最大值ymax以外的概率原型y(i)减小相同的差量sau，并分别设为新的概率原型y(i)。在本实施方式中，第1基准值SV1被设定为第1下限值Llim1与上限值Ulim的平均值附近的值。
接着，CPU72判定减小后的概率原型y(1)～y(4)是否超过作为容许范围的下限值的第1下限值Llim1(S22)。CPU72在所算出的概率原型y(1)～y(4)全部超过容许范围的第1下限值Llim1的情况下(S22：是)，通过将所算出的概率原型y(1)～y(4)向映射的归一化指数函数输入，从而算出在气缸#i中发生了失火的概率P(i)(S24)。
另一方面，CPU72在所算出的概率原型y(1)～y(4)中的任一个为容许范围的第1下限值Llim1以下的情况下(S22：否(NO))，使第1下限值Llim1以下的概率原型y(i)与第1下限值Llim1一致(S26)。之后，CPU72进行上述的S24的处理。
另外，CPU72在最大值ymax为容许范围的上限值Ulim以下的情况下(S18：否)，判定最大值ymax是否低于第2下限值Llim2(S28)。在此，第2下限值Llim2被设定为处于容许范围内且比第1下限值Llim1大的值，在本实施方式中被设定为比第1下限值Llim1大且小于第1基准值SV1的值。关于第2下限值Llim2，预先通过实验等设定为如下值，通过将第2下限值Llim2设定为该值，即使在假设最大值ymax成为第2下限值Llim2，其他概率原型y(i)成为第1下限值Llim1的情况下，也能够通过S24的处理算出合适的概率P(i)。
并且，CPU72在最大值ymax低于容许范围的第2下限值Llim2的情况下(S28：是)，算出最大值ymax与第2基准值SV2的差量sal，对所有概率原型y(i)加上差量sal(S30)。第2基准值SV2被预先设定为上限值Ulim以下且第2下限值Llim2以上的值，在本实施方式中，第2基准值SV2被设定为上限值Ulim与第2下限值Llim2的平均值附近的值。像这样，CPU72使最大值ymax增加为作为容许范围内的值的第2基准值SV2，并且对于最大值ymax以外的概率原型y(i)，在不改变与其他概率原型y(i)的大小关系的状态下也使最大值ymax以外的概率原型y(i)增加相同的差量sal，并分别设为新的概率原型y(i)。之后，CPU72进行上述的S22和S24的处理。
另一方面，CPU72在最大值ymax为容许范围的第2下限值Llim2以上的情况下(S28：否)，进行上述的S22和S24的处理。然后，CPU72判定通过上述的S24的处理算出的发生了失火的概率P(1)～P(4)中的最大值P(m)是否为阈值Pth以上(S32)。在此，变量m取1～4中的任一值，另外，阈值Pth被设定为“1/2”以上的值。并且，CPU72在判定为最大值P(m)为阈值Pth以上的情况下(S32：是)，使概率最大的气缸#m的失火的次数N(m)递增(S34)。然后，CPU72判定在次数N(1)～N(4)中是否存在成为预定次数Nth以上的次数(S36)。并且，CPU72在判定为存在成为预定次数Nth以上的次数的情况下(S36：是)，认为在特定的气缸#q(q为1～4中的一个)中发生了超过容许范围的频度的失火，将“1”代入故障标志F(S38)。此外，此时，CPU72进行将发生了失火的气缸#q的信息向存储器76的存储等，并至少保持该信息直到在该气缸#q中消除失火为止。
与此相对，CPU72在判定为最大值P(m)小于阈值Pth的情况下(S32：否)，判定从进行了S38的处理或后述的S42的处理起是否经过了预定期间(S40)。在此，预定期间比1燃烧循环的期间长，例如可以具有1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(S40：是)，将次数N(1)～N(4)初始化，并将故障标志F初始化(S42)。此外，CPU72在S38、S42的处理结束的情况下、在S36、S40的处理中判定为否的情况下，暂时结束图2所示的一系列的处理。
在图3中示出在发生了失火的情况下应对该情况的处理的步骤。图3所示的处理通过CPU72以故障标志F从“0”切换为“1”为触发条件(trigger)执行图1所示的存储于ROM74的应对程序74b来实现。
在图3所示的一系列的处理中，CPU72首先向进气侧气门正时可变装置40输出操作信号MS6而操作进气侧气门正时可变装置40，以将进气门16的打开正时DIN设为提前侧(S50)。具体而言，例如在故障标志F为“0”的通常时，根据内燃机10的动作点可变地设定打开正时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的处理旨在通过提高压缩比来使燃烧稳定。
接着，CPU72在S50的处理持续了上述预定期间以上的时间后，判定故障标志F是否为“1”(S52)。该处理是判定是否通过S50的处理消除了发生失火的情形的处理。CPU72在判定为故障标志F为“1”的情况下(S52：是)，对于发生了失火的气缸#q，向点火装置22输出操作信号MS3而操作点火装置22，使点火正时aig提前预定量Δ(S54)。该处理旨在消除发生失火的情形。
接着，CPU72在S54的处理持续了上述预定期间以上的时间后，判定故障标志F是否为“1”(S56)。该处理是判定是否通过S54的处理消除了发生失火的情形的处理。CPU72在判定为故障标志F为“1”的情况下(S56：是)，对于发生了失火的气缸#q，向燃料喷射阀20输出操作信号MS2而操作燃料喷射阀20，通过燃料喷射阀20使在1燃烧循环中要求的燃料量即要求喷射量Qd增加预定量(S58)。该处理旨在消除发生失火的情形。
接着，CPU72在S58的处理持续了上述预定期间以上的时间后，判定故障标志F是否为“1”(S60)。该处理是判定是否通过S58的处理消除了发生失火的情形的处理。CPU72在判定为故障标志F为“1”的情况下(S60：是)，对于发生了失火的气缸#q，停止燃料喷射。另外，CPU72调整向节气门14输出的操作信号MS1以在将节气门14的开度θ限制在小的一侧的同时操作节气门14(S62)。然后，CPU72通过操作图1所示的警告灯90来执行报知发生了失火的消息的处理(S64)。
此外，CPU72在S52、S56、S60的处理中判定为否的情况下，即发生失火的情形消除的情况下、S64的处理结束的情况下，暂时结束图3所示的一系列的处理。此外，在S60的处理中判定为是的情况下，继续进行S62的处理作为故障保护处理。
接着，对映射数据76a的生成方法进行说明。
在图4中示出生成映射数据76a的系统。
如图4所示，在本实施方式中，内燃机10经由变矩器60和变速装置64机械地连结于测功机(dynamometer)100。并且，由传感器组102来检测使内燃机10工作时的各种状态变量。将检测结果向作为生成映射数据76a的计算机的调整装置104输入。此外，在传感器组102中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，为了可靠地掌握是否发生了失火，例如在传感器组102中包括缸内压力传感器等。以下，也将用于可靠地掌握是否发生了失火的传感器称为失火传感器。
在图5中示出映射数据的生成处理的步骤。图5所示的处理由调整装置104执行。此外，图5所示的处理例如通过在调整装置104具备CPU和ROM，并且由CPU执行存储于ROM的程序来实现即可。
在图5所示的一系列的处理中，调整装置104首先取得多组微小旋转时间T30(1)～T30(24)、转速NE、充气效率η、以及失火的真实概率Pt(i)的数据作为训练数据(S70)。训练数据基于传感器组102的检测结果来确定。在此，真实概率Pt(i)在发生了失火的情况下成为“1”，在没有发生失火的情况下成为“0”。真实概率Pt(i)基于传感器组102中的失火传感器(例如，缸内压力传感器等)的检测值等来算出。失火传感器将确定输入变量x(1)～x(26)的参数以外的参数设为检测值。不过，在生成训练数据时，例如也可以在预定的气缸中有意地停止燃料喷射，生成与发生了失火的情况类似的现象。在该情况下，在检测在进行着燃料喷射的气缸中是否发生了失火的方面，也使用缸内压力传感器等作为失火传感器。
接着，调整装置104按S14的处理的要领，将训练数据中的真实概率Pt(i)以外的数据代入用于算出失火的概率的映射的输入变量x(1)～x(26)(S72)。接着，调整装置104按S16的处理的要领，将输入变量x(1)～x(26)代入神经网络而算出概率原型y(i)(S74)。接着，调整装置104按S24的要领，将概率原型y(i)向归一化指数函数输入，从而算出在气缸#1～#4中的各气缸中发生了失火的概率P(1)～P(4)(S76)。然后，调整装置104判定是否对由传感器组102检测出的所有训练数据执行了S70～S76的处理(S78)。并且，调整装置104在判定为还存在尚未成为S70～S76的处理的对象的训练数据的情况下(S78：否)，移至S70的处理，从而将未成为对象的训练数据作为对象执行S70～S76的处理。
与此相对，调整装置104在判定为对由传感器组102检测出的所有训练数据都执行了S70～S76的处理的情况下(S78：是)，以使得通过S76的处理算出的概率P(i)与真实概率Pt(i)的交叉熵(cross entropy)最小的方式更新输入侧系数wFjk和输出侧系数wSij(S80)。然后，调整装置104存储更新后的输入侧系数wFjk和输出侧系数wSij等作为结束了学习的映射数据(S82)。
此外，当结束S82的处理时，验证使用由通过S82的处理存储的输入侧系数wFjk和输出侧系数wSij等规定的映射算出的概率P(i)的精度。并且，在精度处于可容许范围外的情况下，使内燃机10工作并新生成训练数据，反复进行S70～S82的处理。然后，通过精度进入可容许范围内，从而将输入侧系数wFjk和输出侧系数wSij等设为安装在控制装置70A中的映射数据76a。
在此，对第1实施方式的作用和效果进行说明。
(1)如图6所示，假设：代替S20的处理，在最大值ymax超过容许范围的上限值Ulim的情况下，进行使最大值ymax与上限值Ulim一致的处理。在该情况下，例如，取最大值ymax的概率原型y(1)与上限值Ulim的值一致。另一方面，上限值Ulim以下的概率原型y(2)～y(4)成为通过S16的处理算出的概率原型y(2)～y(4)。因此，例如，作为最大值ymax的概率原型y(1)与第二大的概率原型y(2)的大小之差变小。由此，在通过S24的处理向归一化指数函数输入的情况下获得的概率P(i)会过度地受到第二大的概率原型y(2)的影响。结果，有可能没有合适地反映出由神经网络输出的概率原型y(i)的大小关系，而概率原型y(i)的大小关系被算出得过小。
另一方面，如图7所示，根据上述第1实施方式，通过S20的处理，对于从神经网络输出的所有概率原型y(1)～y(4)，均减小最大值ymax与第1基准值SV1的差量sau。因此，在图7所示的例子中，各概率原型y(i)的大小关系不发生变化，各概率原型y(1)～y(3)的差也不发生变化。由此，在通过S24的处理向归一化指数函数输入的情况下获得的概率P(i)是在保持由神经网络输出的概率原型y(i)的大小关系的状态下被算出。结果，能够合适地反映出由神经网络输出的概率原型y(i)的大小关系并进行计算。
(2)根据上述第1实施方式，在最大值ymax低于容许范围的第2下限值Llim2的情况下，不仅对于最大值ymax，对于所有概率原型y(i)，都增加第2基准值SV2与最大值ymax的差量sal。因此，概率原型y(1)与其他概率原型y(i)的大小关系不发生变化。由此，在通过S24的处理向归一化指数函数输入的情况下获得的概率P(i)是在保持由神经网络输出的概率原型y(i)的大小关系的状态下被算出。结果，即使在最大值ymax低于容许范围的第2下限值Llim2的情况下，也能够合适地反映出由神经网络输出的概率原型y(i)的大小关系并进行计算。
(3)如图8所示，假设在最大值ymax虽然为容许范围的第1下限值Llim1以上但低于容许范围的第2下限值Llim2的情况下，不进行S30的处理。在该情况下，例如，设为除了取最大值ymax的概率原型y(1)以外的其他概率原型y(2)～y(4)低于容许范围的第1下限值Llim1。在这样的情况下，通过S26的处理，使概率原型y(2)～y(4)与第1下限值Llim1一致。因此，概率原型(1)与概率原型y(2)～y(4)的大小之差变小。由此，在通过S24的处理向归一化指数函数输入的情况下获得的概率P(1)会过度地受到概率原型y(2)～y(4)的影响。结果，有可能没有合适地反映出由神经网络输出的概率原型y(i)的大小关系，而概率原型y(i)的大小关系被算出得过小。
另一方面，如图9所示，根据上述第1实施方式，在最大值ymax虽然为容许范围的第1下限值Llim1以上但低于第2下限值Llim2的情况下，不仅对于最大值ymax，对于所有概率原型y(i)，都增加第2基准值SV2与最大值ymax的差量sal。因此，即使进行了S26的处理，也可提高能够保持最大值ymax与其他概率原型y(i)的大小关系的可能性。
(4)根据上述第1实施方式，在S20的处理中，使所有概率原型y(i)减小差量sau，并设为新的概率原型y(i)。即，对所有概率原型y(i)减去同样的量，所以能够防止因S20的处理而改变大小关系的情况。关于这一点，在S30的处理中，也使所有概率原型y(i)增加差量sal，从而也可获得同样的效果。
(5)根据上述第1实施方式，在S20的处理中，最大值ymax被设为第1基准值SV1，该第1基准值SV1是处于容许范围内且为第2下限值Llim2以上的值。另外，在S30的处理中，最大值ymax被设为第2基准值SV2，该第2基准值SV2是处于容许范围内且为第2下限值Llim2以上的值。因此，即使在进行了S20或S30的处理后，通过进行S26的处理而使其他概率原型y(i)与第1下限值Llim1一致，最大值ymax也被设为与第1下限值Llim1相比相应地大的值。因此，至少可抑制过度减小概率原型y(i)中的最大值和被设为与第1下限值Llim1一致的概率原型y(i)的大小之差的情况。
(6)根据上述第1实施方式，通过S26的处理，使低于容许范围的第1下限值Llim1的概率原型y(i)与第1下限值Llim1的值一致。因此，即使与最大值ymax的大小之差过大，也能够使所有概率原型y(i)成为容许范围内的值。
(7)根据上述第1实施方式，在判定有无内燃机10的失火的方面，将所有概率原型y(i)设为容许范围内的值。尤其是，在判定以有无失火为代表的内燃机10的状态的情况下，在基于其判定结果控制内燃机10时，若将容许范围外的值向归一化指数函数输入，则有时CPU72会重置。并且，有可能在CPU72被重置的期间中无法进行合适的燃料喷射，而结果无法产生转矩。因此，通过在保持合适的大小关系的状态下将概率原型y(i)设为容许范围内的值，能够降低概率原型y(i)的大小关系被算出得过小的可能性，并且也能够获得抑制因CPU72的重置引起的不良情况的效果。
<第2实施方式>
在图10中示出本实施方式涉及的内燃机的状态判定系统。此外，在图10中，为了方便，对与图1所示的构成对应的构成标注相同的标号。
图10所示的车辆VC2内的控制装置70B具备通信机79。通信机79是用于经由车辆VC2的外部的网络110与中心120进行通信的设备。
中心120对从多个车辆VC2发送的数据进行解析。中心120具备CPU122、ROM124、存储器126、周边电路127以及通信机129，它们能够通过本地网络128进行通信。在ROM124存储有失火检测主程序124a，在存储器126存储有映射数据126a。映射数据126a与映射数据76a相同。
在图11和图12中示出本实施方式涉及的内燃机的状态判定处理的步骤。图11所示的处理通过CPU72执行图10所示的存储于ROM74的失火检测子程序74c来实现。另外，图12所示的处理通过CPU122执行存储于ROM124的失火检测主程序124a来实现。此外，为了方便，在图11和图12中，对与图2所示的处理对应的处理标注相同的步骤编号。以下，按照失火检测处理的时序对图11和图12所示的处理进行说明。
即，在车辆VC2中，CPU72在执行图11所示的S10、S12的处理后，通过操作通信机79，将在上述S10、S12的处理中取得的数据与车辆VC2的识别信息一起向中心120发送(S150)。
与此相对，如图12所示，中心120的CPU122接收所发送的数据(S160)，并反复执行使用所接收的数据进行的S14～S34的处理。然后，CPU122在通过反复执行S14～S34的处理从而判定为在由识别信息确定的同一车辆中在预定期间内特定的气缸的失火次数成为预定次数Nth以上的情况下(S36：是)，判定为发生了失火(S162)。与此相对，在遍及预定期间地反复执行了S14～S34的处理时，在特定的气缸的失火次数小于预定次数Nth的情况下(S40：是)，判定为正常，并且将次数N(1)～N(4)初始化(S164)。此外，此处的预定期间以进行了S162的处理或S164的处理的时间点为基准。
CPU122在S162、S164的处理结束的情况下，基于上述识别信息，操作通信机129，向发送了作为S14～S34的处理的对象的数据的车辆VC2发送与判定结果相关的信号(S166)。在此，在发生了失火的意思的判定结果的情况下，在与判定结果相关的信息中包含与发生了失火的气缸相关的信息。CPU122在结束S166的处理的情况下、在S36、S40的处理中判定为否的情况下，暂时结束图12所示的一系列的处理。
与此相对，如图11所示，车辆VC2内的CPU72在接收到从中心120发送的与判定结果相关的信号时(S152：是)，判定判定结果是否为发生了失火的意思的结果(S154)。并且，CPU72在判定为发生了失火的情况下(S154：是)，移至S38的处理，另一方面，在结果为没有发生失火的情况下(S154：否)，将故障标志F初始化(S42b)。
此外，CPU72在S38、S42b的处理结束的情况下、在S152的处理中判定为否的情况下，暂时结束图11所示的处理。
像这样，在本实施方式中，通过在中心120中执行失火的判定处理，能够减轻控制装置70B的运算负荷。
＜例示的说明＞
内燃机的状态判定装置的一例是控制装置70A。处理器的一例是CPU72和ROM74。存储器的一例是存储器76。内燃机状态变量的一例是微小旋转时间T30、转速NE、充气效率η。取得处理的一例是S10和S12的处理。输入处理是S14和S16的处理。保护处理的一例是S18和S20的处理。标准化处理的一例是S24的处理。判定处理是S32～S42的处理。多个输出值的一例是概率原型y(1)～y(4)。容许范围内的值的一例是第1基准值SV1。处于容许范围内且比下限值大预先设定的量的第2下限值以上的值的一例是第1基准值SV1。保护处理的另一例是S28和S30的处理。容许范围内的值的另一例是第2基准值SV2。容许范围的上限值以下且第2下限值以上的值的一例是第2基准值SV2。差量的例子是差量sau和差量sal。下限处理的一例是S22和S24的处理。第1间隔的一例是720°CA。第2间隔的一例是30°CA。瞬时速度参数的一例是微小旋转时间T30。第1处理器的一例是CPU72和ROM74。第2处理器的一例是CPU122和ROM124。车辆侧发送处理的一例是S150的处理。外部侧接收处理的一例是S160的处理。外部侧发送处理的一例是S166的处理。数据解析装置的一例是图10所示的中心120。内燃机的控制装置的另一例是图10所示的控制装置70B。
<其他实施方式>
此外，本实施方式能够如以下那样进行变更而实施。上述实施方式和以下的变更例能够在技术上不矛盾的范围内彼此进行组合而实施。
·“关于内燃机状态变量”
在上述实施方式中，向映射的神经网络输入的内燃机状态变量不限于上述实施方式的例子。内燃机状态变量只要是表示内燃机10的状态的参数即可，不特别地进行限定。例如，也可以是转矩的变动值、气缸间的微小旋转时间T30之差。
·“关于所判定的内燃机的状态”
在上述实施方式中，CPU72所判定的内燃机10的状态不限于上述各实施方式的例子。例如，也可以判定有无来自内燃机10的漏气(blow-by gas)送出路的漏气的泄漏异常。
·“关于保护处理”
在上述实施方式中，CPU72在最大值ymax超过了容许范围的上限值Ulim的情况下(S18：是)进行S20的处理，并且在最大值ymax低于容许范围的第1下限值Llim1的情况下(S22：是)进行S24的处理。但是，作为保护处理，也可以省略S20和S24中的任一方。在仅进行S20和S24中的任一方的处理的情况下，在最大值ymax超过上限值Ulim或者最大值ymax低于第1下限值Llim1中的任一情况下也可获得效果。
在上述实施方式中，CPU72也可以在最大值ymax低于第2下限值Llim2且比第1下限值Llim1大的情况下，不进行S30的处理。即使在该情况下，由于最大值ymax比第1下限值Llim1大，所以也能够防止通过S26的处理而概率原型y(1)～y(4)全部成为相同的值的情况。
在上述实施方式中，CPU72在S20的处理中使最大值ymax成为第1基准值SV1，但第1基准值SV1只要是容许范围内的值即可，也可以不是第2下限值Llim2以上的值。即使在该情况下，由于最大值ymax比第1下限值Llim1大，所以也能够防止通过S26的处理而概率原型y(1)～y(4)全部成为相同的值的情况。关于这一点，对于S30的处理中的第2基准值SV2也同样。
在上述实施方式中，在S20的处理中，从所有概率原型y(i)中减去最大值ymax与第1基准值SV1的差量sau，但并不限于减法运算。例如，在S20的处理中，也可以以使得最大值ymax成为上限值Ulim的方式对所有概率原型y(i)乘以上限值Ulim除以最大值ymax而得到的值，从而将最大值ymax设为容许范围内的值，并且也使其他概率原型y(i)减小。关于这一点，可以在S30的处理中也同样不对所有概率原型y(i)加上差量sal，而是增加一定比例。
在上述实施方式中，第1基准值SV1与第2基准值SV2的大小关系没有特别限定。例如，第1基准值SV1与第2基准值SV2也可以相等。在该情况下，若最大值ymax成为容许范围外的值，则在超过上限值Ulim的情况下和低于第1下限值Llim1的情况下都被处理为相同的值。
·“关于第1间隔和第2间隔”
在上述实施方式中，将作为1燃烧循环的720°CA的旋转角度间隔内的连续的多个第2间隔各自中的作为瞬时速度参数的微小旋转时间T30设为了用于判定有无失火的映射的输入参数。即，示出了第1间隔为720°CA，第2间隔为30°CA的例子，但并不限于此。例如，第1间隔也可以是比720°CA长的旋转角度间隔。不过，第1间隔为720°CA以上这一情况也不是必需的。例如，关于输出与在特定的气缸中发生了失火的概率、产生转矩相关的数据的映射等的输入，也可以是720°CA以下的间隔，例如将上述第1间隔设为480°CA。此时，也可以是比压缩上止点的出现间隔长的旋转角度间隔。此外，在上述第1间隔中包含成为求出发生了失火的概率的对象的气缸的压缩上止点。
作为第2间隔，并不限于30°CA。例如也可以是10°CA等比30°CA小的角度间隔。不过，不限于30°CA以下的角度间隔，例如也可以是45°CA等。
·“关于瞬时速度参数”
作为瞬时速度参数，不限于作为第2间隔的旋转所需要的时间的微小旋转时间。例如，也可以是将第2间隔除以微小旋转时间而得到的值。此外，作为瞬时速度参数，进行了使极大值与极小值之差成为固定值的标准化处理这一情况不是必需的。另外，作为用于设为映射的输入的前处理的过滤(滤波)处理，不限于上述内容，例如也可以基于变速装置64的输入轴66的微小旋转时间，进行除去曲轴24因输入轴66而转动的影响成分的处理。不过，对作为映射的输入的瞬时速度参数实施过滤处理这一情况不是必需的。
·“关于规定内燃机的动作点的参数”
在上述实施方式中，根据转速NE和充气效率η规定了动作点，但并不限于此。例如，也可以是转速NE和吸入空气量Ga。另外，例如，作为负荷，也可以使用喷射量、对内燃机的要求转矩来替代充气效率η。使用喷射量、要求转矩作为负荷这一做法在压缩着火式内燃机中尤其有效。
·“关于映射的输入”
作为除了瞬时速度参数以外还输入的映射的输入，不限于在上述实施方式、上述变更例中例示出的内容。例如，也可以使用与内燃机10所处的环境相关的参数。具体而言，例如也可以使用作为对吸入空气中的氧的比例产生影响的参数的大气压。另外，例如也可以使用作为对燃烧室18内的混合气的燃烧速度产生影响的参数的进气温度。另外，例如也可以使用作为对燃烧室18内的混合气的燃烧速度产生影响的参数的湿度。此外，为了掌握湿度，可以使用湿度传感器，也可以利用刮水器的状态、检测雨滴的传感器的检测值。另外，也可以是与机械地连结于曲轴24的辅机的状态相关的数据。
在映射的输入中包含内燃机10的动作点这一情况不是必需的。例如在如下述“关于内燃机”一栏中所记载的那样内燃机搭载于串联混合动力车，以上述动作点被限制在狭窄范围内的控制为前提的情况下等，也可以不包含动作点。
另外，也可以仅将规定动作点的转速NE和负荷、或转速NE和吸入空气量这2个参数中的任一个参数作为除了瞬时速度参数以外还输入的映射的输入。
·“关于映射”
作为中间层的激活函数h(x)，在所有维度均设为相同的函数这一情况不是必需的。
作为构成将失火的概率作为输出的映射的神经网络，不限于中间层为1层的神经网络。例如，也可以是中间层为2层以上的神经网络。在中间层的层数多的情况下，用于图11和图12所记载的系统的话，在减轻控制装置70B的运算负荷方面尤其有效。
另外，例如，作为神经网络的输入，也可以不使用上述各物理量，而是作为替代将基于这些物理量的一些主成分作为输入。在该情况下，主成分包括微小旋转时间T30(1)～T30(24)的线性结合，所以可视为将以微小旋转时间T30(1)～T30(24)为输入的线性映射的输出输入到神经网络。
·“关于判定处理”
作为判定处理，不限于直接使用输出发生了失火的概率的映射的输出。例如，也可以从图2的处理中的映射的输入中删除转速NE，并且作为代替，通过转速NE来修正作为输出的失火的概率。具体而言，例如，使用特定的转速NE下的训练数据生成映射数据，在实际的转速NE偏离特定的转速NE的情况下，进行使映射所输出的失火的概率上升等修正即可。这是鉴于由于训练数据偏离作为前提的转速NE，从而概率的精度变低这一情况而得到的设定余裕的一个方法。
此外，这样的方法不限于使用转速NE进行的修正。例如也可以不将用于调整混合气的燃烧速度的参数即调整变量作为除了瞬时速度参数以外还输入的映射的输入，而是作为替代将所述调整变量作为算出修正映射所输出的概率的修正量的参数。另外，例如也可以不将表示驱动系统装置的状态的参数即驱动系统装置的状态变量作为除了瞬时速度参数以外还输入的映射的输入，而是作为替代将所述驱动系统装置的状态变量作为算出修正映射所输出的概率的修正量的参数。另外，例如也可以不将路面的状态变量作为除了瞬时速度参数以外还输入的映射的输入，而是作为替代将所述路面的状态变量作为算出修正映射所输出的概率的修正量的参数。另外，例如也可以不将“关于映射的输入”一栏、“关于规定内燃机的动作点的参数”一栏中例示出的参数作为除了瞬时速度参数以外还输入的映射的输入，而是作为替代将所例示出的参数作为算出修正映射所输出的概率的修正量的参数。
·“关于操作处理”
在上述实施方式中，作为操作处理，在即使在故障标志F成为“1”之后执行S50的处理也没有消除失火的情况下执行S54的处理，在即使执行S54的处理也没有消除失火的情况下执行S58的处理，但不限于按照这样的顺序依次执行用于消除失火的处理。例如也可以按照S54、S58、S50的处理的顺序来执行，另外，例如也可以按照S58、S54、S50的处理的顺序来执行，另外，例如也可以按照S58、S50、S54的顺序来执行。
作为在故障标志F成为“1”的情况下执行的故障保护处理，不限于执行S50、S54、S58、S62的处理。例如，对于上述4个处理，可以仅执行它们中的3个处理，也可以仅执行2个处理，也可以仅执行1个处理。
·“关于映射数据的生成”
在上述实施方式中，将在曲轴24经由变矩器60和变速装置64连接有测功机100的状态下使内燃机10工作时的数据用作训练数据，但并不限于此。例如也可以将在搭载于车辆VC1或VC2的状态下驱动内燃机10时的数据用作训练数据。
·“关于内燃机的状态判定系统”
例如，也可以是，在中心120中，将通过S24的处理算出的概率P(1)～P(4)向车辆VC2侧发送，在车辆VC2侧执行基于概率P(1)～P(4)的S32～S38的处理。
作为内燃机的状态判定系统，不限于包括车辆VC2内的控制装置70B和车辆VC2的外部的中心120。例如，也可以是，在中心120发送失火的判定结果的发送目的地，除了控制装置70B以外还包括用户的便携终端。在该情况下，关于由图3的S64的处理例示出的报知处理，也可以由便携终端进行，并且控制装置70B可以执行由S50、S54、S58、S62的处理例示出的故障保护处理。这例如能够通过在便携终端安装接收来自中心120的信号并显示判定结果的应用程序来实现。
另外，也可以替代在解析大数据的中心120中进行图12所例示的处理的方案，而由车辆VC2的用户的便携终端来进行图12所例示的处理。这例如能够通过在便携终端安装使计算机执行图12所例示的处理的应用程序来实现。
·“关于处理器”
作为处理器，并不限于具备CPU72(122)和ROM74(124)并执行软件处理的处理器。例如也可以具备对在上述实施方式中进行软件处理的处理中的至少一部分进行硬件处理的专用的硬件电路(例如ASIC(Application-Specific Integrated Circuit：专用集成电路)等)。即，处理器是以下的(a)～(c)中的任一构成即可。(a)具备根据程序来执行上述处理中的全部的处理装置、和存储程序的ROM等程序存储装置。(b)具备根据程序来执行上述处理中的一部分的处理装置、及程序存储装置、和执行剩余的处理的专用的硬件电路。(c)具备执行上述处理中的全部的专用的硬件电路。在此，具备处理装置和程序存储装置的软件处理器、专用的硬件电路可以是多个。
·“关于存储器”
在上述实施方式中，将存储映射数据76a、126a的存储器设为与存储失火检测程序74a、失火检测主程序124a的存储器(ROM74、124)分开的存储器，但并不限于此。
·“关于内燃机”
在上述实施方式中，作为燃料喷射阀，例示出向燃烧室18内喷射燃料的缸内喷射阀，但并不限于此。例如也可以是向进气通路12喷射燃料的端口喷射阀。另外，例如也可以具备端口喷射阀和缸内喷射阀双方。
作为内燃机，并不限于火花点火式内燃机，例如也可以是使用轻油等作为燃料的压缩着火式内燃机等。内燃机构成驱动系统这一情况本身不是必需的。例如，也可以搭载于曲轴与车载发电机机械地连结，与驱动轮69的动力传递被切断的所谓的串联混合动力车。
·“关于车辆”
作为车辆，不限于生成车辆的推进力的装置仅为内燃机的车辆，例如除了“关于内燃机”一栏中所记载的串联混合动力车以外，也可以是并联混合动力车、串联·并联混合动力车。
·“其他”
作为介于曲轴与驱动轮之间的驱动系统装置，不限于有级变速装置，例如也可以是无级变速装置。
Claims (10)
1.一种内燃机的状态判定装置，其特征在于，具备：
存储器，所述存储器存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数；和
处理器，所述处理器取得所述内燃机状态变量，将所取得的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述内燃机的状态的判定结果，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值。
2.根据权利要求1所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理中，在从所述神经网络输出的多个输出值中的最大值超过预先设定的容许范围的上限值的情况下，使所述最大值减小为所述容许范围内的值并设为新的输出值。
3.根据权利要求2所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理中，使所述输出值中的最大值减小为第2下限值以上的值，所述第2下限值处于所述容许范围内且比作为所述容许范围的下限值的第1下限值大预先设定的量。
4.根据权利要求1所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理中，在从所述神经网络输出的多个输出值中的最大值低于作为预先设定的容许范围的下限值的第1下限值的情况下，使所述最大值增加为所述容许范围内的值并设为新的输出值。
5.根据权利要求4所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理中，在所述输出值中的最大值低于第2下限值的情况下，使所述最大值增加为所述容许范围的上限值以下且所述第2下限值以上的值并设为新的输出值，并且，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下也使所述最大值以外的输出值增加并分别设为新的输出值，所述第2下限值处于所述容许范围内且比所述第1下限值大预先设定的量。
6.根据权利要求1～5中任一项所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理中，在所述保护处理前的最大值比所述保护处理后的新的输出值小的情况下，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，使所述最大值以外的输出值增加所述保护处理前的最大值与所述保护处理后的新的输出值的差量，并分别设为新的输出值，并且，所述处理器，在所述保护处理中，在所述保护处理前的最大值比所述保护处理后的新的输出值大的情况下，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，使所述最大值以外的输出值减小所述保护处理前的最大值与所述保护处理后的新的输出值的差量，并分别设为新的输出值。
7.根据权利要求1～6中任一项所述的内燃机的状态判定装置，其中，
所述处理器，在所述保护处理后的输出值的一部分比作为所述容许范围的下限值的第1下限值小的情况下，使比该第1下限值小的输出值与所述第1下限值一致。
8.根据权利要求1～7中任一项所述的内燃机的状态判定装置，其中，
所述内燃机的状态是有无所述内燃机的失火，
所述映射数据是规定如下映射的数据，所述映射是将第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即时序数据作为输入、并输出在所述内燃机中发生了失火的概率的映射，
所述处理器取得基于检测所述内燃机的曲轴的旋转举动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转速相应的参数，
所述第1间隔是所述曲轴的旋转角度间隔，并且是包含压缩上止点的间隔，
所述第2间隔是比所述压缩上止点的出现间隔小的间隔，
所述映射是与在所述第1间隔内出现压缩上止点的至少一个气缸相关地输出发生了失火的概率的映射。
9.一种内燃机的状态判定系统，其特征在于，
具备存储器、第1处理器、以及第2处理器，
所述存储器存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数，
所述第1处理器，搭载于车辆，并且取得所述内燃机状态变量，将所取得的数据向车辆的外部发送，接收基于第2处理器对所述内燃机的状态的判定结果的信号，
所述第2处理器，配置在所述车辆的外部，并且接收由所述第1处理器发送的数据，将接收到的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述内燃机的状态的判定结果，将基于所述内燃机的状态的判定结果的信号向所述车辆发送。
10.一种数据解析装置，其特征在于，
具备存储器和处理器，
所述存储器存储映射数据，所述映射数据是规定如下映射的数据，所述映射是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，所述映射包括神经网络、和将所述神经网络的多个输出值标准化的归一化指数函数，
所述处理器，配置在车辆的外部，并且从车辆接收内燃机状态变量，将接收到的所述内燃机状态变量向所述映射的所述神经网络输入，在从所述神经网络输出的多个输出值中的最大值处于预先设定的容许范围外的情况下，执行将所述最大值调整为所述容许范围内的值并设为新的输出值的保护处理，在所述保护处理中，对于从所述神经网络输出的多个输出值中的所述最大值以外的输出值，在不改变与其他输出值的大小关系的状态下对所述最大值以外的输出值也进行调整并分别设为新的输出值，通过所述归一化指数函数将所述输出值标准化，基于通过将所述输出值标准化而得到的标准值中的至少最大值来判定所述车辆的内燃机的状态的判定结果，将基于所述内燃机的状态的判定结果的信号向所述车辆发送。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020005784A JP7215435B2 (ja) | 2020-01-17 | 2020-01-17 | 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 |
| JP2020-005784 | 2020-01-17 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113139328A CN113139328A (zh) | 2021-07-20 |
| CN113139328B true CN113139328B (zh) | 2024-02-20 |
Family
ID=76809817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011584645.6A Active CN113139328B (zh) | 2020-01-17 | 2020-12-28 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11220968B2 (zh) |
| JP (1) | JP7215435B2 (zh) |
| CN (1) | CN113139328B (zh) |
Families Citing this family (1)
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004252646A (ja) * | 2003-02-19 | 2004-09-09 | Kddi Corp | 正誤答判定機能を有する並列ニューラルネットワーク手段 |
| CN101850410A (zh) * | 2010-06-22 | 2010-10-06 | 攀钢集团钢铁钒钛股份有限公司 | 一种基于神经网络的连铸漏钢预报方法 |
| CN102269068A (zh) * | 2010-06-04 | 2011-12-07 | 本田技研工业株式会社 | 燃料喷射控制系统 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3510021B2 (ja) * | 1995-09-29 | 2004-03-22 | 松下電器産業株式会社 | 内燃機関の空燃比制御装置 |
| JP2008095699A (ja) * | 2001-02-05 | 2008-04-24 | Toyota Motor Corp | 多気筒内燃機関の制御装置 |
| 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 |
-
2020
- 2020-01-17 JP JP2020005784A patent/JP7215435B2/ja active Active
- 2020-11-02 US US17/086,984 patent/US11220968B2/en active Active
- 2020-12-28 CN CN202011584645.6A patent/CN113139328B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004252646A (ja) * | 2003-02-19 | 2004-09-09 | Kddi Corp | 正誤答判定機能を有する並列ニューラルネットワーク手段 |
| CN102269068A (zh) * | 2010-06-04 | 2011-12-07 | 本田技研工业株式会社 | 燃料喷射控制系统 |
| CN101850410A (zh) * | 2010-06-22 | 2010-10-06 | 攀钢集团钢铁钒钛股份有限公司 | 一种基于神经网络的连铸漏钢预报方法 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7215435B2 (ja) | 2023-01-31 |
| US11220968B2 (en) | 2022-01-11 |
| US20210222641A1 (en) | 2021-07-22 |
| CN113139328A (zh) | 2021-07-20 |
| JP2021113514A (ja) | 2021-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11397133B2 (en) | Misfire detection device for internal combustion engine, misfire detection system for internal combustion engine, data analysis device, and controller for internal combustion engine | |
| 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 | |
| CN112302823B (zh) | 内燃机的状态检测系统、数据解析装置以及车辆 | |
| US10969304B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
| US11255282B2 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
| US11047326B2 (en) | Misfire detection device for internal combustion engine, misfire detection system for internal combustion engine, data analyzer, controller for internal combustion engine, method for detecting misfire in internal combustion engine, and reception execution device | |
| 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 | |
| US11326541B2 (en) | Vehicle learning control system, vehicle control device, and vehicle learning device | |
| 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 | |
| US11092103B2 (en) | State determination device for internal combustion engine, state determination system for internal combustion engine, data analysis device, and control device for internal combustion engine | |
| 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 | |
| JP2020133621A (ja) | 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 | |
| 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 | |
| CN113266485B (zh) | 映射的学习方法 | |
| 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 | |
| CN114810343A (zh) | 用于内燃机的失火检测装置 |
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 |