DE69914025T2

DE69914025T2 - Online Lernverfahren

Info

Publication number: DE69914025T2
Application number: DE69914025T
Authority: DE
Inventors: Yoko Iwata-shi Fujime
Original assignee: Yamaha Motor Co Ltd
Current assignee: Yamaha Motor Co Ltd
Priority date: 1998-05-20
Filing date: 1999-05-20
Publication date: 2004-06-09
Anticipated expiration: 2019-05-21
Also published as: DE69914025D1

Description

Die vorliegende Erfindung betrifft ein Online-Lernverfahren nach dem Oberbegriffabschnitt von Anspruch 1.
Ein Steuerverfahren zur Kraftstoffzuführung in Brennkraftmaschinen, die einen Lernalgorhitmus, gekoppelt mit einem Parameteradaptionsalgorithmus, anwendet, ist aus der US 5, 743, 244 bekannt, wobei ein Kraftstoffparameterplan oder eine – tabelle mit offenem Regelkreis auf der Grundlage einer Bestimmung der Kraftstoffpfützendynamiken durch Erfassungsparameter eines dynamischen Wandbenetzungsmodells während des geschlossenen Regelkreisbetriebes des Motors modifiziert (aktualisiert) wird. Der modifizierte (aktualisierte) Kraftstoffparameterplan mit offenem Regelkreis wird während des offenen Regelkreisbetriebes, z. B. während des Ankurbelns oder des Kaltstarts verwendet.
Zusätzlich ist ein Lernsteuersystem zum Steuern eines Luft-/Kraftstoffverhältnisses in Motoren, das erste und zweite Lernsteuervariable mit unterschiedlichen Aktualisierungsraten verwendet, wobei eine Lernrate der zweiten Lernsteuervariablen niedriger als die Lernrate der ersten Lernsteuervariable festgelegt wird, aus der US 5, 483, 945 bekannt. Die Werte der ersten und zweiten Lernsteuervariablen werden durch Vergleichen einer abgefragten Motorbetriebsbedingung mit einer vordefinierten Anordnung von Motorbetriebsbereichen erhalten. Die Werte werden in separaten Speichereinrichtungen gespeichert. Ein kombiniertes Signal der Variablen, d. h., die Summierung derselben, erzeugt durch die separaten Berechnungseinrichtungen, wird gebraucht, um eine Kraftstoffzuführungsmenge zuzuführen.
Ein Verfahren und ein System zum Steuern des Zündzeitpunktes der Brennkraftmaschinen, wobei eine Berechnung des Zündzeitpunktes auf der Grundlage eines Basis-Zündzeitpunktes und einer Lernkorrekturmenge, die große und kleine Korrekturmengen enthält, ist aus der JP-A-02305372 und aus der US 5, 035, 219 bekannt, wobei die Mengen in einem Datensicherungsspeicher gespeichert sind. Es wird gezeigt, dass beim Starten des Motors eine temporäre Korrekturmenge, die eine kleine Menge hat, für das Berechnen des Zündzeitpunktes gebraucht wird. Die temporäre Korrekturmenge wird anschließend, bis ein Klopfen des Motors auftritt, erhöht. Die temporäre Korrekturmenge wird dann mit der großen Korrekturmenge verglichen und ein Zündzeitpunkt wird auf der Grundlage eines Unterschiedes zwischen den großen und den temporären Korrekturmengen berechnet.
In Bezug auf die Motoren nach dem Stand der Technik, die Kraftstoff in ihre Einlasskanäle einspritzen, haben Kraftstoffeinspritzsysteme Luft-/Kraftstoff-Verhältnissensoren verwendet, die das Luft-/Kraftstoff-Verhältnis (A/F) in den Auslassgasen, die der Verbrennung folgen, erfassen, und dann wurde dies rückgekoppelt verwendet, um die Kraftstoffmenge, die eingespritzt wird, zu steuern, um dadurch Verbesserungen auf solchen Gebieten, wie z. B. Motorleistung und Gasökonomie, zu gestatten. Das Verwenden dieses Verfahrens macht es möglich, die Korrekturen für die Einlassluftmenge zu berechnen, aber wenn es möglich war, die tatsächliche Einlassluftmenge und die Kraftstoffeinspritzmenge auf der Grundlage dieser Einlassluftmenge zu berechnen, dann würde es möglich sein, das momentane Luft-/Kraftstoff-Verhältnis zu dem Ziel-Luft-/ Kraftstoff-Verhältnis einzustellen. Jedoch bei den tatsächlichen Anwendungen variieren die Kraftstoffeinspritzmenge und die Einlassluftmenge infolge einer Anzahl von Faktoren, die sich aus einem Unterschied zwischen dem tatsächlichen Luft-/Kraftstoff-Verhältnis und dem Ziel-Luft-/Kraftstoff-Verhältnis ergeben. Diese Gründe sind: ersten, nicht der gesamte Kraftstoff, der in das Lufteinlassrohr eingespritzt wird, erreicht die Verbrennungskammer, ein Teil des Kraftstoffes haftet an den Lufteinlassrohrwänden, und die Kraftstoffmenge, die so anhaftet, verändert sich entsprechend solcher Faktoren, wie dem Motorbetriebszustand und die Temperatur der Lufteinlassrohrwände, und diese Faktoren verändern die Kraftstoffmenge, die entsprechend Verdampfungszeitkonstante anhaftet. Der Betriebszustand des Motors verursacht auch eine Veränderung in der Kraftstoffmenge, die an den Wänden des Lufteinlassrohres anhaftet und verändert außerdem die Einlassluftmenge entsprechend der Umgebungsfaktoren, z. B. der Lufttemperatur, des Atmosphärendruckes, oder auf der Grundlage von Veränderungen, die in dem Motor selbst über den Verlauf der Zeit auftreten.
Um die vorhergehenden Probleme zu lösen, schlug die Japan Patent Application Hei 9-271188 die Einbeziehung eines Lernmoduls vor, das, auf der Grundlage des Betriebszustandes des Motors die erfasste Menge der Einlassluft und die erfasste Kraftstoffeinspritzmenge auf der Grundlage des Unterschiedes zwischen dem Ziel-Luft-/Kraftstoff-Verhältnis und dem tatsächlichen Luft-/Kraftstoff-Verhältnis lernen könnte, die Zufüh rungs-Vorwärtssteuerung der Kraftstoffeinspritzung auszuführen, um dadurch Steuerungsverfahren aufzuweisen, das sich mit Übergangszuständen, Umgebungsveränderungen und Veränderungen über den Verlauf der Zeit befassen könnte.
Mit dem vorhergehenden Steuerverfahren des Standes der Technik könnte jedoch, falls da Veränderungen in der Motorbetriebsumgebung, z. B. Veränderungen der Temperatur oder des atmosphärische Druckes, nur an den gelernten Daten (Motorbetriebszuständen), die erhalten wurden, ausgeführt werden und ein großer Unterschied könnte sich zwischen dem Teil der Steuermerkmale, die gelernt wurden, und dem Teil, der noch nicht gelernt wurde, entwickeln. Die wird in Bezug auf die 12 erläutert. 12 zeigt die Ergebnisse des Lernens der Volumennutzleistung (Ve) auf der Grundlage der Motordrehzahl (RPM (N) und der Drosselöffnung (θ). Die 12(A) zeigt die Ergebnisse vor dem Hinauffahren auf den Mt. Fuji zu Station 5, und die 12(B) zeigt die Ergebnisse nach dem Hinabfahren vom Berg. D. h., die Bereiche der Drosselöffnung, die hinauffahrend oder hinunterfahrend des Berges verwendet worden, unterschieden sich, demzufolge unterschied sich der Plan auf der Grundlage des Lernens während des Hinabfahrens von dem Berg von dem Plan, der vor dem Hinauffahren auf den Berg vorbereitet wurde, und es war nicht möglich, das genaue erfasste Lufteinlassvolumen zu berechnen und eine angemessene Motorsteuerung auszuüben.
Selbst unabhängig von der Motorsteuerung entstehen ähnliche Sachverhalte in Bezug auf ein partielles Lernen und in den Merkmalsveränderungen bei den Programmsteuerungen, um sich mit den Veränderungen in ihren „Sinnesorganen" zu befassen.
Demzufolge ist es ein Ziel der vorliegenden Erfindung, ein online-Lernverfahren, wie oben angezeigt, zu schaffen, das die Lernunterschiede vermindert und eine ansprechendere Steuerung des Steuergegenstandes erleichtert.
Entsprechend der vorliegenden Erfindung wird diese Aufgabe für ein online-Lernverfahren, das die Merkmale von Anspruch 1 hat, gelöst. Innerhalb dieses online-Lernverfahrens wird es bevorzugt, wenn das partielle Lernen durch eine partielle Lerneinrichtung ausgeführt wird und mit einem Gesamt-Lernen, ausgeführt durch eine Gesamt-Lerneinrichtung, kombiniert wird.
In diesem Fall ist es vorteilhaft, wenn die partielle Lerneinrichtung den Betrag der Betätigung auf der Grundlage des Korrekturwertes in dem System partiell verändert, und dass die Gesamt-Lerneinrichtung den Betrag der Betätigung auf der Grundlage des Korrekturwertes für die gesamten Veränderungen in dem System lernt.
Wenn die Lernrate für die Gesamt-Lerneinrichtung festgelegt wird, um größer als die Lernrate für die partielle Lerneinrichtung zu sein, ist es möglich, die Wirkungen der gesamten Veränderungen auf das partielle Lernen zu minimieren.
Wenn überdies der Korrekturbetrag der gesamten Veränderungen eine bestimmte prozentuale Veränderung übersteigt, wird das Lernen durch die vorhergehende partielle Lerneinrichtung angehalten, so dass sie nicht miteinander stören.
Wenn überdies der vorhergehende Gegenstand der Steuerung ein Motor ist, der Betrag der Betätigung die Kraftstoffeinspritzmenge ist, die Ziel- oder die Ausgangswerte die Luft-/Kraftstoff-Verhältnisse sind, die partielle Lerneinrichtung eine Einrichtung ist, um die Korrekturmenge über den Verlauf der Zeit zu lernen, die Gesamt-Lerneinrichtung eine Einrichtung ist, die die Korrekturmenge auf der Grundlage von Umgebungsveränderungen lernt, wobei die Gesamt-Lerneinrichtung die Ausgangswerte – wie sie sind – verwendet, wenn der Motor gleichmäßig arbeitet, aber eine statistisches Verarbeiten der Ausgangswerte verwendet, wenn der Motor in abnormalen (extremen) Zuständen arbeitet und die partielle Lerneinrichtung die Ausgangswerte – wie sie sind – verwendet, wenn der Motor gleichmäßig arbeitet, aber ein statistisches Verarbeiten der Ausgangswerte verwendet, wenn der Motor in abnormalen (extremen) Zuständen arbeitet, kann das partielle Lernen auf den Veränderungen über den Verlauf der Zeit ausgeführt werden, und kann mit dem Gesamt-Lernen kombiniert werden, das die Umgebungsbedingungen korrigiert, um die Verminderung der Lernunterschiede möglich zu machen und um eine genauere Steuerung des Gegenstandes der Steuerung zu gestatten.
Um die Steuerung während des Aufwärmzeitraumes zu erleichtern, ist es vorteilhaft, wenn ein Aufwärm-Korrekturkoeffizient während des Motor-Aufwärmzeitraumes verwendet wird, und das Gesamt-Lernen ausgeführt wird, nachdem der Aufwärmzeitraum abgeschlossen ist.
Ein aufeinander folgendes Lernen ist möglich, wenn das vorhergehende Lernmodul ein Fuzzy-Neural-Netzwerk, einen Cerebralmodell-Berechnungscomputer (CMAC) oder eine ähnliche Einrichtung hat.
Weitere bevorzugte Ausführungsbeispiele der vorliegenden Erfindung sind in weiteren abhängigen Ansprüchen niedergelegt.
Im Folgenden wird die vorliegende Erfindung in größerer Ausführlichkeit in Bezug auf mehrere Ausführungsbeispiele derselben in Verbindung mit den beigefügten Zeichnungen erläutert, wobei:
1 ein Bausteindiagramm eines Ausführungsbeispieles des online-Lernverfahrens ist.
2 ein Motorbauteildiagramm ist, das das Ausführungsbeispiel des auf die Steuerung der Kraftstoffeinspritzung in einen Motor angewandte online-Lernverfahren zeigt.
3 ein Blockdiagramm der Steuerung der Kraftstoffeinspritzung ist, die innerhalb der Steuervorrichtung der 2 stattfindet.
4 ein Blockdiagramm ist, das den Aufbau der Modelbasis-Steuereinheit der 20 zeigt.
5 ein vereinfachtes Diagramm des Fuzzy-Neural-Netzwerkes ist, das verwendet wird um die erfasste Volumennutzleistung in der Volumennutzleistungs-Berechnungseinheit der 3 zu bestimmen.
6 eine Figur ist, die die Form des Regelplanes der 5 zeigt.
7 ein Blockdiagramm ist, das die Komponenten der Menge-der-Korrektur-Berechnungseinheit zeigt, um, wie in der 3 gezeigt, Umgebungskorrekturen vorzunehmen.
8 ein Flussdiagramm ist, um das in dem Ausführungsbeispiel der 3 verwendetes Lernverfahren zu erläutern.
9 ein Flussdiagramm ist, um ein weiteres Lernverfahren der 3 zu erläutern.
10 Diagramme der Steuerergebnisse zeigt, die während des Hinauffahrens und des Hinabfahrens vom Mt. Fuji erhalten werden, wenn nur das partielle Lernen ausgeführt wurde, und wenn es mit dem Gesamt-Lernen kombiniert wurde.
11 ein Diagramm zeigt, das die Ausgabeergebnisse für den Lufteinlass an dem Punkt zeigt, der den Gipfel entsprechend der 9 erreicht.
12 Diagramme zeigt, die die Volumennutzleistung zeigt, die ein herkömmliches online-Lernen verwenden: (A) ist der Stand der Technik für die Auffahrt zu Station 5 von Mt. Fuji und (B) ist nach dem Hinabfahren vom Berg.
Die Durchführung eines Ausführungsbeispieles eines online-Lernverfahrens wird in Bezug auf die Figuren nachstehend beschrieben. Dieses Ausführungsbeispiel ist mit einem Lernmodul 52 ausgerüstet, das lernbare Steuerparameter auf der Grundlage des Betriebszustandes des Gegenstandes 54 der Steuerung lernbar steuern kann, und das eine Zuführungsvorwärtssteuerung auf den Gegenstand 54, der gesteuert wird, z. B. ein Motor, ein Roboter etc., ausführen kann.
Eine Steuereinheit 53 berechnet den Betrag der Betätigung aus den Betriebsbedingungen, Steuerparametern und dem Gesamt-Korrekturkoeffizient und gibt ihn zu dem Gegenstand 54 der Steuerung. Das Lernmodul 52 berechnet die Steuerparameter aus den Betriebsbedingungen und führt sie zu der Steuereinheit 53 zu. Zu diesem Zeitpunkt berechnet eine Computereinheit 55 zum Bestimmen des Korrekturbetrages für partielles Lernen den Korrekturbetrag, um den Unterschied zwischen dem Zielwert und dem tatsächlichen Ausgangswert zu minimieren, um die Steuerparameter zu korrigieren und zusätzlich lernt das Lernmodul 52 (partielles Lernen) die korrigierten Steuerparameter.
Andererseits wird der Gesamt-Korrekturkoeffizient in der Gesamt-Korrektureinheit 57 gespeichert und die Gesamtveränderungs-Korrekturcomputereinheit 58 berechnet den Korrekturbetrag, um die Differenz zwischen den Zielwerten und den tatsächlichen Ausgangswerten zu minimieren, um den Gesamt-Korrekturkoeffizienten zu korrigieren und zusätzlich führt die Gesamt-Korrektureinheit 57 die Zuführungsvorwärtssteuerung (Gesamt-Lernen) des korrigierten Gesamt-Korrekturkoeffizienten aus. Der Gesamt-Korrekturkoeffizient wird durch die Steuereinheit 53 verwendet, um den Betrag der Betätigung zu korrigieren.
Innerhalb dieses Ausführungsbeispieles ist die Lernrate GZ für das Gesamt-Lernen größer als die Lernrate GB für das partielle Lernen, z. B. GZ/GB = 10 bis 100, was die Wirkungen, die die gesamten Veränderungen auf die partiellen Veränderungen haben, mi nimieren wird. Hier, wenn der Zielwert T und der vorkorrigierte Korrekturbetrag H ist ist der Nachkorrekturbetrag der Korrektur H', und die Lernrate (Gewinn) ist G, denn: H' = (T – H)G + Hdemzufolge ist die Lernrate (Gewinn): G = (H' – H)/(T – H).
Die 2 bis 11 betreffen ein Ausführungsbeispiel des auf die Steuerung der Kraftstoffeinspritzung eines Motors angewandte online-Lernverfahrens. Die 2 ist ein Bauteildiagramm des Motors in diesem Ausführungsbeispiel, wobei der Viertaktmotor 1 zusammengesetzt ist aus einem Zylinderkörper 2, der Kurbelwelle 3, dem Kolben 4, der Brennkammer 5, dem Lufteinlassrohr 6, dem Lufteinlassventil 7, dem Auslassventil 8, der Zündkerze 10 und der Zündspule 11. Ein Drosselventil 12 ist innerhalb des Lufteinlassrohres 6 positioniert und ein Einspritzer 13 ist stromauf des Drosselventils 12 montiert. Außerdem ist ein Kasten, der die Motorsteuereinheit 15 (ECU) enthält, an der Wandoberfläche des Lufteinlassrohres 6 montiert. Der Einspritzer 13 ist mit dem Kraftstofftank 19 durch ein Druckeinstellventil 16, einem Elektromotor, der die Kraftstoffpumpe 17 antreibt, und einem Filter 18 verbunden.
Die Erfassungssignale von einer Vielzahl der Sensoren, die den Betriebszustand des Motors 1 erfassen, werden in die Steuereinheit 15 geführt. D. h., die Sensoren enthalten einen Kurbelwinkelsensor 20, der die Drehung des Drehwinkels der Kurbelwelle 3 erfasst (Einrichtung, um die Motordrehzahl zu erfassen), wobei eine Motortemperaturertassungseinrichtung 21 die Temperatur des Zylinderkörpers 2 oder die Kühlmitteltemperatur erfasst (d. h., die Motortemperatur), wobei eine Drosselöffnungserfassungseinrichtung 23 die Öffnung des Drosselventiles 12 erfasst, wobei eine Lufteinlass-Unterdruckerfassungseinrichtung 24 den Druck innerhalb des Lufteinlassrohres erfasst, und wobei eine Lufteinlassrohr-Wandtemperaturerfassungseinrichtung 25 erfasst die Temperatur der Lufteinlasswand erfasst. Die Motorsteuereinheit 15 führt auf der Grundlage der erfassten Werte von diesen Basissensoren Berechnungen aus und überträgt Steuersignale zu dem Einspritzer 13, der Kraftstoffpumpe 17 und der Zündspule 11.
3 ist ein Bausteindiagramm der Kraftstoffeinspritzungssteuerung, die innerhalb der Motorsteuereinheit 15 der 2 ausgeführt wird. Eine Modellbasis-Steuereinheit 26 be rechnet und gibt die Menge der Kraftstoffeinspritzung für den Motor 1 aus der Motor drehzahl, der Drosselöffnung, dem Ziel-A/S-Verhältnis, der Volumenwirksamgrad und dem Gesamt-Korrekturkoeffizient aus. Der Volumenwirkungsgrad-Berechnungseinheit 27 berechnet den Volumenwirkungsgrad aus der Motordrehzahl und der Drosselöffnung und überträgt sie zu der Modellbasis-Steuereinheit 26. Zu diesem Zeitpunkt berechnet der Korrekturcomputer 28, der die Veränderungen über die Zeit berechnet, einen Korrekturbetrag für die Veränderungen über die Zeit, was danach trachtet den Unterschied zwischen dem Ziel-A/F-Verhältnis und dem tatsächlichen A/F-Verhältnis zu minimieren, um dadurch den Volumenwirkungsgrades zu korrigieren, und dann wird auf der Grundlage dieses korrigierten Volumenwirkungsgrades (Lernsignal) das Lernen (nachstehend beschrieben) in der Volumenwirkungsgrad-Lerneinheit 27 (partielles Lernen) ausgeführt.
Andererseits speichert die Umgebungskorrektureinheit 29 den Umgebungs-Korrekturkoeffizienten und die Korrekturberechnungseinheit 30 für die Umgebungskorrektur berechnet den Betrag der Umgebungskorrektur um zu versuchen, den Unterschied zwischen dem Ziel-A/F-Verhältnis und dem tatsächlichen Auslass-A/F-Verhältnis zu minimieren, und der korrigierte Umgebungskorrekturkoeffizient (Lernsignal) wird in die Umgebungskorrektureinheit 29 zurückgeführt, wo das Lernen ausgeführt wird (Gesamt-Lernen).
Wenn das A/F-Verhältnis instabil ist, z. B. direkt nach dem Starten des Motors, wenn die Sensoren nicht angemessen aktive sind und wenn die Verbrennung instabil ist, schaltet ein Schalter auf die Aufwärm-Korrektureinheit 31, die einen Aufwärmkorrekturkoeffizienten auf der Grundlage der Motortemperatur, des atmosphärischen Druckes, wenn der Motor startet (Lufteinlassunterdruck) und der Umgebungstemperatur (Lufteinlasswandtemperatur) berechnet. Nach dem Aufwärmen schaltet der Schalter 32 zu der Seite der Umgebungskorrektureinheit 29. Zu dieser Zeit wird der Anfangswert für den Aufwärmkorrekturkoeffizienten als der Umgebungskorrekturkoeffizient für die Umgebungskorrektureinheit verwendet. Folglich werden der Umgebungskorrekturkoeffizient oder der Aufwärmkorrekturkoeffizienten durch die in der 4 gezeigte Modellbasis-Steuereinheit 26 verwendet, um die Einlassluftmenge zu korrigieren. Dieser Umgebungskorrekturkoeffizient kann auch die Wirkungen der Temperatur enthalten.
Die 4 ist ein Blockdiagramm, das die Struktur der Modellbasis-Steuereinheit 26 zeigt. Diese Modellbasis-Steuereinheit 26 ist mit einem Kraftstoffsystemmodel 33 ausgerüstet, um die Kraftstoffeinlassmenge auf der Grundlage der Motordrehzahl, der Dros selöffnung und der Lufteinlassrohr-Wandtemperatur abzuschätzen ein Luftsystemmodel 34, das die Menge der Einlassluft aus der Motordrehzahl, der Drosselöffnung und den Volumenwirkungsgrad abschätzt; eine abgeschätzte Luft-/Kraftstoffverhältnis – Berechnungseinheit 36, die das geschätzte Luft-/Kraftstoffverhältnis aus der Motordrehzahl und der Drosselöffnung berechnet, um das Ziel-A/F-Verhältnis in der Ziel-A/F-Verhältnisfestlegungseinheit 35 festzulegen, und sie berechnet das abgeschätzte Luft-/Kraftstoffverhältnis aus der Lufteinlassmenge und der Kraftstoffeinlassmenge durch den Gesamtkorrekturkoeffizienten; und die interne F/B (Rückkopplungs-) Berechnungseinheit 37, die die Ausgangssignale von dem Motor und dem Kraftstoffsystemmodul 33 empfängt und dann die Kraftstoffeinspritzmenge auf der Grundlage der unterschiede zwischen dem Ziel-A/F-Verhältnis und dem abgeschätzten A/F-Verhältnis berechnet.
5 ist ein vereinfachtes Bauteildiagramm des fuzzy-neuralen Netzwerks innerhalb der Volumenwirkungsgrads-Berechnungseinheit 27 der 3, die die Volumenwirkungsgrad (das Verhältnis des Volumens der Luft, die in den Zylinder eindringt, zu dem Zylindervolumen) bestimmt. Da der Volumenwirkungsgrad mit einer mathematischen Formel nicht bestimmt werden kann, wird ein fuzzy-neurales Netzwerk verwendet, um den Volumenwirkungsgrad zu modellieren. Das fuzzy-neurale Netzwerk ist von geschichtetem Aufbau, zusammengesetzt aus sechs Berechnungsschichten. Die erste bis vierte Schicht sind die Vor-Bedingungsschichten, während die Schichten fünf und sechs die Nach-Bedingungsschichten sind. Die Motordrehzahl- und die Drosselöffnungswerte werden in die Vor-Bedingungsschichten zugeführt, werden angemessen entsprechend der bestimmten Regeln, die fuzzy-logic verwenden, eingeschätzt, und dann werden die aus den Vor-Bedingungsschichten erhaltenen Werte in den Nach-Bedingungsschichten verwendet, um den geschätzten Volumenwirkungsgrad, die das Schwerpunktverfahren verwendet, zu bestimmen.
Wie in der 6 gezeigt, sind die drei vorerwähnten Regeln aus drei Betriebsbedingungen A₁₁, A₂₁, A₃₁, und A₁₂, A₂₂ und A₃₂ zusammengesetzt, die jeweils der Motordrehzahl und der Drosselöffnung und den Schlussfolgerungen R¹ bis R₉ entsprechen. Die 6 zeigt die Regeln in einer Planform. Die Drosselöffnung für die Betriebsbedingungen A₁₁, A₂₁, A₃₁, wird auf der vertikalen Achse gezeigt, während die Betriebsbedingungen A₁₂, A₂₂, A₃₂ in Bezug auf die Motordrehzahl auf der horizontalen Achse gezeigt werden. Diese Motordrehzahlen und die Drosselöffnungen bilden einen zweidimensionalen Raum, der in 9 Bereiche geteilt ist, der verschiedene Betriebszustände bestimmt, für die es die Schlussfolgerungen R¹ bis R₉ gibt.
In diesem Fall ist in dem vorhergehenden Betriebszustand A₁₁ die Motordrehzahl in dem „Niedrigdrehzahlbereich", für den Betriebszustand A₂₁ ist die Motordrehzahl in dem „Mittelbetriebsbereich" und für den Betriebszustand A₃₁ ist die Motordrehzahl in dem „Hochdrehzahlbereich". Für die Drosselöffnung, in dem Betriebszustand A₁₂, ist die Öffnung „gering", in dem Betriebszustand A₂₂ ist die Drosselöffnung „mittel", und in dem Betriebszustand A₃₂ ist die Öffnung „groß". Auch die Schlussfolgerungen R¹ bis R⁹ repräsentieren die geschätzten Volumenwirkungsgradebenen, die der Größe der Motordrehzahl und der Drosselöffnung entsprechen. Neun Regeln sind aus den Betriebszuständen und Schlussfolgerungen geschaffen worden, so ist z. B. „der geschätzte Volumenwirkungsgrad 60%, wenn die Motordrehzahl in dem mittleren Drehzahlbereich ist und die Drosselöffnung in dem mittleren Bereich ist", oder „der geschätzte Volumenwirkungsgrad ist 90%, wenn die Motordrehzahl in dem hohen Bereich ist und die Drosselöffnung in dem hohen Bereich" ist, etc.
In den ersten vier Schichten, die oben beschriebenen sind, erfolgt das Berechnen in Bezug auf die Motordrehzahl RPM von dem Berechnen für die Drosselöffnung separat. In der ersten Schicht werden das Motordrehzahlsignal und das Drosselöffnungssignal jeweils als Eingangssignal xi (i = 1 oder 2) empfangen und dann in den zweiten bis vierten Schichten als die jeweiligen Eingangssignale xi und die Beitragsraten aij für die Betriebsbedingungen. A₁₁, A₂₁, A₃₁ und A_12,A22 und A₃₂. Insbesondere die Beitragsrate aij wird als eine S-förmige Funktion f(xi) entsprechend der nachstehenden Formel 1 berechnet.
In der Formel betreffen wc und wg die Mittelwerte und neigen sich aus jeweiligen S-förmigen Funktionen, Nach dem Bestimmen der Beitragsraten aij in der vierten Schicht, die die vorhergehende S-förmige Funktion verwendet, wird in der fünften Schicht die Formel 2 verwendet, um den Grad der Übereinstimmung μi von den neun Schlussfolgerungen R¹ bis R⁹, mit den Eingaben für die Beitragsraten der Motordrehzahl und der Drosselöffnung zu bestimmen. Weiter wird Formel 3 verwendet, um den μi zu normalisieren, und in der Schicht 6 wird die Formel 4 verwendet, um den Grad der Gleichförmigkeit in Bezug auf die in Formel 3 erhaltenen unterschiedlichen Schlussfolgerungen zu normalisieren, und um verschiedene fuzzy-Regeln auszugeben (d. h. die Ausgangswerte, die den ver schiedenen Schlussfolgerungen R¹ bis R⁹ entsprechen), die sich einem Belastungsdurchschnitt unterziehen, um einen geschätzten Volumenwirkungsgrad Ve zu bestimmen. In der 5 ist wf ein Kupplungskoeffizient, der mit dem Ausgangswert fi übereinstimmt.
Formel 2: Übereinstimmungsgrad μi = πjaij
Formel 3: normalisierter Übereinstimmungsgrad

Formel 4: geschätzter Volumenwirkungsgrad Ve = i μifi
Die Volumenwirkungsgrad-Berechnungseinheit 27 ist mit einer Lernfähigkeit ausgestattet, und, in ihren Anfangsbetriebszuständen kann sie direkte Vergleiche des Volumenwirkungsgrades, die experimentell bestimmt worden, vornehmen und die Volumenwirkungsgrade aus dem fuzzy-neuralen Netzwerk ausgeben; folglich werden die Mittelwerte und die Neigungsfunktionen für die S-förmigen Funktionskoeffizienten wc und wg und der Kupplungskoeffizient wf durch das fuzzy-neurale Netzwerk korrigiert und gelernt, um die Diskrepanz zwischen den zwei Volumenwirkungsgraden zu minimieren. Danach werden die vorhergehenden Koeffizienten auf der Grundlage des Volumenwirkungsgrad (was die Motordrehzahl- und die Drosselöffnungsdaten einbezieht) wieder erneuert, für die A/F-Unstimmigkeit korrigiert, um dadurch das fuzzy-neurale Netzwerk in die Lage zu versetzen, das online-Lernen auszuführen.
7 zeigt ein Blockdiagramm Menge-vor-der-Korrektur-Berechnungseinheit 28, die Korrekturen über den Verlauf der Zeit ausführt, und die Korrekturberechnungseinheit 30 für die Umgebungskorrekturen. Diese Einheiten sind aus einer Berechnungseinheit 41 zusammengesetzt, die ein Durchschnitts-A/F-Verhältnis von einer bestimmten Zeitdauer aus den Auslass-A/F-Ablesung berechnet; einer gleichmäßiger-Zustand-Bestimmungseinheit 43, die auf der Grundlage der Motordrehzahl und der Drosselöffnung bestimmt, ob der Motor in einem gleichmäßigen Betriebszustand läuft, oder nicht; und einem Schalter 44, der die Ausgabe zu der Betrag-der-Berechnung-Berechnungseinheit 40 veranlasst, wenn der Motor in einem gleichmäßigen Zustand ist, und an die Korrekturbetrag-Berechnungseinheit 44 ausgibt, wenn der Motor in einem extremen Zustand ist. Ein Umgebungskorrekturbetrag wird durch die Berechnungseinheit 40 berechnet, um Korrekturen vorzunehmen, die den Unterschied zwischen dem Ziel-A/F-Verhältnis und dem Auslassgas-A/F-Verhältnis minimiert. In dem vorliegenden Ausführungsbeispiel wird das durchschnittliche A/F-Verhältnis während der extremen Zustandsbedingungen berechnet, aber es ist selbstverständlich auch möglich, andere statistische Berechnungen auszuführen. Da zusätzlich die Korrekturen über den Verlauf der Zeit einen viel größeren Gewinn bringen, als die Umgebungskorrekturen auszuführen, können die Ergebnisse der Betragskorrektur-Berechnungseinheit 28 dazu führen, wie- sie- sind für extreme Betriebszustand-A/F-Verhältnisse verwendet werden.
8 ist ein Blockdiagramm, um das in dem Ausführungsbeispiel der 3 gezeigte Lernverfahren zu erläutern.
Zuerst werden in dem Schritt S1 der Barometerdruck und die Umgebungstemperatur bevor der Motor startet gespeichert; in dem Schritt S2 wird die Motortemperatur verwendet, um die Bestimmung vorzunehmen, ob die Aufwärmzeitdauer abgeschlossen ist, oder nicht – falls noch aufgewärmt wird, werden, in dem Schritt 3, der Atmosphärendruck und die Temperatur verwendet, um den Korrekturkoeffizienten festzulegen, um die Aufwärmvorgänge zu korrigieren. Nach der Vervollständigung des Aufwärmens, in dem Schritt S4, werden die Veränderungsrate der Drosselöffnung und der Motordrehzahl verwendet, um zu bestimmen, ob der Motor in einem normalen oder gleichmäßigen Zustand arbeitet, oder nicht (oder in einem extremen Zustand). Wenn der Arbeitablauf in einem gleichmäßigen Zustand ist, wird in dem Schritt S5 die Rückkopplung des Auslass-A/F-Verhältnisses ausgeführt, und falls keine gleichmäßigen Zustände ausgeführt werden, wird in dem Schritt S6 eine Rückkopplung eines Durchschnitts-A/F-Verhältnisses über den Verlauf der Zeit (z. B. 10 Sekunden) ausgeführt. In dem Schritt S7 wird das Umgebungskorrekturkoeffizientenlernen (gesamt-Lernen) ausgeführt, und in dem Schritt S8 wird das online-Lernen (partielles Lernen) hinsichtlich des Volumenwirkungsgrades ausgeführt. Danach werden die schritte S4 bis S8 wiederholt. In dem vorliegenden Ausführungsbeispiel ist, wie für die 1 erläutert, die Lernrate GZ für den Gesamt-Lernen-Korrekturkoeffizienten groß, während der der online-Lernrate GB für das partielle Lernen klein ist. Z. B. sollte das GZ/GB-Verhältnis in dem Bereich von 10 bis 100 sein. Dies hält die Wirkungen der Umgebungsveränderungen (Gesamt-Veränderungen) nach den Veränderungen im Verlauf über die Zeit (partielles Lernen) auf einem absoluten Minimum bei.
Die 9 ist ein Flussdiagramm, um ein weiteres Beispiel eines Lernverfahrens in dem Ausführungsbeispiel der 3 zu erläutern. In diesem Ausführungsbeispiel, in dem Schritt S9, wenn die Umgebungskorrekturkoeffizientengeschwindigkeit der Veränderun gen einen bestimmten Wert K übersteigt, wird das partielle Lernen in dem Schritt S8 angehalten, und der Umgebungskorrekturkoeffizient wird in dem Schritt S10 gelernt. Dieses Verfahren macht es möglich, die gegenseitige Störung zwischen dem Gesamt-Lernen und dem partiellen Lernen zu verhindern.
10 ist ein Diagramm, das die Steuerergebnisse zeigt, die während des Hinauffahrens auf den Mt. Fuji zu der Station 5 und während des Hinabfahrens erzeugt worden, während nur partielles Lernen ausgeführt wurde, und während des Ausführens von sowohl dem Gesamt-Lernen als auch dem partiellen Lernen. In dem Fall von nur partiellem Lernen gab es einen größeren Grad des Pendelns in Wellenform und zusätzlich war es nicht möglich das Ziel-A/F von 12.0 zu erreichen. Wenn sowohl das Gesamt-Lernen, als auch das partielle Lernen ausgeführt worden, war die Wellenform glatt, und das A/F wurde gut auf ungefähr 12.0 gesteuert. Die 11 zeigt die Lufteinlassergebnisse, wenn das Fahrzeug wie in der 10 zu der Station 5 hinaufgefahren war. Wenn nur das partielle Lernen ausgeführt wurde entwickelte sich ein Unterschied zwischen den Ausgangsergebnissen A und den Ausgangsergebnissen B, die erhalten werden sollten, aber wenn das Gesamt-Lernen und das partielle Lernen kombiniert worden, passten beide zusammen.
Ein Ausführungsbeispiel des online-Lernverfahrens wurde oben genannt beschrieben, aber die Lehre dieses Ausführungsbeispieles ist nicht auf das oben genannte begrenzt und eine Anzahl von Veränderungen können vorgenommen werden. Z. B. wiurde ein fuzzy-neurales-Netzwerk als das Lernmodul in dem vorhergehenden Ausführungsbeispiel verwendet, aber es würde auch möglich sein, ein neurales Netzwerk oder ein CMAC-Netzwerk (Cerebralmodell-Berechnungscomputer) etc, wie ein Berechnungsmodell mit Lernfähigkeiten, zu verwenden. Der Vorteil des Verwendens eines CMAC über einen Schrittschichten-Typ eines neutralen Netzwerkes ist, dass er die Fähigkeit hat, ein zusätzliches Lernen auszuführen, und das Lernen wird mit einer höheren Geschwindigkeit ausgeführt.
Wie bereits oben stehend an Hand der diskutierten Ausführungsbeispiele beschrieben worden ist, vermindert die Kombination des partiellen Lernens mit dem Gesamt-Lernen die Unterschiede und macht es möglich, den Gegenstand der Steuerung genauer zu steuern.
Außerdem ist es möglich, die Wirkungen der gesamten Veränderungen bei dem partiellen Lernen zu minimieren.
Überdies ist es möglich, das partielle Lernen mit dem Gesamt-Lernen in einer Weise zu kombinieren, dass sie nicht miteinander stören.
Wenn zusätzlich die Lehre der diskutierten Ausführungsbeispiele auf die Motorsteuerung angewandt wird, wird das partielle Lernen bei Veränderungen über den Verlauf der Zeit ausgeführt, um die Verminderung der Lernunterschiede möglich zu machen, und um eine genauere Steuerung des Gegenstandes der Steuerung zu gestatten.
Es ist weiter möglich, die Steuerung während des Aufwärmbetriebes auszuführen.
Überdies gestattet entsprechend des oben beschriebenen Lehrens der Cerebralmodell-Berechnungscomputer (CMAC) oder eine ähnliche Einrichtung die Übernahme eines Fuzzy-neuralen Netzwerkes als das Lernmodell, das ein effektives Lernen gestattet.

Claims

Online-Lernverfahren, um einen Betrag der Betätigung, die für einen Gegenstand der Steuerung (54) erforderlich ist, auf der Grundlage einer Diskrepanz zwischen einem Ausgangswert des Gegenstandes der Steuerung (54) und einem Zielwert zu korrigieren, wobei das online-Lernverfahren ein partielles Lernen verwendet, um einen Korrekturbetrag über die Zeit durch Modifizierung der Steuerparameter zu lernen, um die Diskrepanz zu kompensieren, wobei die Steuerparameter auf dem Betriebszustand des Gegenstandes der Steuerung (54) basieren und das partielle Lernen mit einem Gesamt-Lernen kombiniert ist, dadurch gekennzeichnet, dass das Gesamt-Lernen einen Betrag der Betätigung auf der Grundlage eines Korrekturwertes für Umgebungsveränderungen in dem System lernt, wobei ein Umgebungskorrekturkoeffizient modifiziert wird, um die Diskrepanz zwischen dem Zielwert und dem Ausgangswert zu minimieren und das Gesamt-Lernen auf der Grundlage eines korrigierten Umgebungskorrekturkoeffizienten ausgeführt wird.
Online-Lernverfahren nach Anspruch 1, dadurch gekennzeichnet, dass das partielle Lernen durch eine Teil-Lerneinrichtung (52) ausgeführt wird, und mit dem Gesamt-Lernen, ausgeführt durch einen Gesamt-Lerneinrichtung (57), kombiniert wird.
Online-Lernverfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Teil-Lerneinrichtung (52) den Betrag des Betätigung auf der Grundlage des Korrekturwertes von partiellen Veränderungen in dem System lernt und dass die Gesamt-Lerneinrichtung (57) den Betrag der Betätigung auf der Grundlage des Korrekturwertes für Gesamtveränderungen in dem System lernt.
Online-Lernverfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Lernrate für die Gesamt-Lerneinrichtung (57) größer als die Lernrate für die Teil-Lerneinrichtung (52) festgelegt ist.
Online-Lernverfahren nach zumindest einem der vorhergehenden Ansprüche 2 bis 4, dadurch gekennzeichnet, dass dann, wenn der Betrag der Korrektur für die gesamten Veränderungen einen bestimmten Veränderungsprozentsatz übersteigt, das Lernen durch die Teil-Lerneinrichtung (52) angehalten wird.
Online-Lernverfahren nach zumindest einem der vorhergehenden Ansprüche 2 bis 5, dadurch gekennzeichnet, dass die Teil-Lerneinrichtung (52) mit einem Lernmodul ausgerüstet ist, das Steuerparameter auf der Grundlage des Betriebszustandes des Gegenstandes der Steuerung (54) lernen und berechnen kann, und mit einer Einrichtung, um ein Online-Lernen der Steuerparameterwerte auf der Grundlage des Fehlers zwischen dem Zielwert und dem berechneten Wert auszuführen; und wobei auf der Grundlage des Fehlers zwischen dem Zielwert und dem Ausgangswert die Gesamt-Lerneinrichtung (57) einen Korrekturkoeffizient mit dem Steuerparameter multipliziert.
Online-Lernverfahren nach Anspruch 6, dadurch gekennzeichnet, dass der Gegenstand der Steuerung (54) ein Motor (1) ist, der Betrag der Betätigung die Kraftstoffeinspritzmenge ist, die Ziel- und die Ausgangswerte Luft-/Kraftstoffverhältnisse sind, die Teil-Lerneinrichtung (52) eine Einrichtung ist, um die Korrekturmenge über die Zeit zu lernen, die Gesamt-Lerneinrichtung (57) eine Einrichtung ist, um die Korrekturmenge auf der Grundlage von Umgebungsveränderungen zu lernen, wobei die Gesamt-Lerneinrichtung (57) die Ausgangswerte verwendet, wie sie sind, wenn der Motor stabil arbeitet, aber ein statistisches Berechnen der Ausgangswerte verwendet, wenn der Motor (1) unter abnormalen (extremen) Bedingungen arbeitet.
Online-Lernverfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Teil-Lerneinrichtung (27) die Ausgangswerte verwendet, wie sie sind, wenn der Motor (1) stabil arbeitet, aber ein statistisches Berechnen der Ausgangswerte verwendet, wenn der Motor (1) abnormal arbeitet.
Online-Lernverfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass ein Aufwärm-Korrekturkoeffizient während der Motor (1)-Aufwärmzeitdauer verwendet wird, und das Gesamt-Lernen ausgeführt wird, nachdem die Aufwärm-Zeitdauer abgeschlossen ist.
Online-Lernverfahren nach zumindest einem der vorhergehenden Ansprüche 2 bis 9, dadurch gekennzeichnet, dass das Lernmodul ein Fuzzy-Neurales-Netzwerk, einen Cerebralmodel-Berechnungscomputer (CMAC) oder eine ähnliche Einrichtung enthält.
Online-Lernverfahren nach zumindest einem der vorhergehenden Ansprüche 4 bis 10, dadurch gekennzeichnet, dass die Beziehung zwischen der Lernrate GZ für das Gesamt-Lernen und die Lernrate GB für das Teil-Lernen von 10 bis 100 ist.
Online-Lernverfahren nach Anspruch 10 oder 11, dadurch gekennzeichnet, dass eine Verstärkung G der Lernrate die folgende Gleichung erfüllt: G = (H' – H)/(T – H)wobei H die vorkorrigierte Korrekturmenge repräsentiert, H' die nachkorrigierte Korrekturmenge repräsentiert, und T einen Zielwert repräsentiert.
Online-Lernverfahren nach zumindest einem der vorhergehenden Ansprüche 10 bis 12, dadurch gekennzeichnet, dass das Fuzzy-Neurale-Netzwerk unter Verwendung von sechs Schichten arbeitet, während die erste bis vierte Schicht die Vor-Bedingungsschichten sind, während die fünfte und sechste Schicht die Nach-Bedingungsschichten sind.