JP2000213395A - 空燃比制御装置 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットワークを用いた空燃比制御
装置において、ニューラルネットワークの出力値を用
い、オンラインで制御パラメータを算出し、非線形な対
象であっても高精度な制御を行うことを可能とした空燃
比制御装置を提供する。 【解決手段】目標空燃比Ａ／Ｆref と実空燃比Ａ／Ｆと
の偏差が０となるようにエンジン１への実燃料噴射量Ｇ
ｆを算出する制御量演算手段２と、制御量演算手段２で
用いる複数のパラメータをマップとして格納しているマ
ップ格納手段３と、任意の時点における環境条件と運転
条件において、目標空燃比Ａ／Ｆref と実空燃比Ａ／Ｆ
との偏差が０となるような予測燃料噴射量ＧｆNNを出力
する逆モデルニューロ４をオンラインで学習する逆モデ
ルニューラルネットワーク学習手段５と、逆モデルニュ
ーラルネットワーク４の出力である予測燃料噴射量Ｇｆ
NNを用いて、マップ格納手段３に格納されている、任意
の制御パラメータのマップ値Ｋｐを修正するマップ修正
手段６とを有する構成とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ニューラルネット
ワークを用いた空燃比制御装置に関し、特に推定値を用
いた制御パラメータの自動調整手法に関する。

【０００２】

【従来の技術】環境条件や動作条件により動特性が変動
し、事前に正確な特性を把握することができない制御対
象や、非線形性が強くモデル化ができない、もしくは非
常に複雑なモデルでしか表現できない制御対象に対し
て、所望の動特性を得る操作量の算出を行うことは困難
である。例えば、航空機の動特性は高度や気圧、密度な
どの環境条件や、速度や姿勢などの動作条件により大幅
に変動する。また自動車のエンジンの場合においても、
吸入空気温や冷却水温や空気圧などの環境条件や、アク
セル開度やエンジン回転数、走行負荷などの動作条件に
より、その動特性が大幅に変動することが知られてい
る。動特性の変動が比較的小さい場合や非線形性が弱い
場合、制御則を固定したフィードバック制御によりある
程度の制御性能を確保することができる。しかし上記の
ように特性変動が大きい場合などは、従来の固定制御方
式では対処できず、制御性能は著しく低下し、不安定と
なってしまう場合もある。通常この様な場合、環境条件
や動作条件等の関連パラメータによる複数のマップによ
り操作量を求めるか、複数個の近似線形モデルを構築
し、各々の制御系を設計し、予め制御ゲインを求め、操
作量を算出する、いわゆるゲインスケジュール方式と呼
ばれる手法がある。これらの手法では、制御性能を向上
させるためには、実験の繰り返しによりマップチューニ
ングの精度を向上させるか、制御ゲインのマップ化等、
設定に多大な労力が必要となる。またこれらの手法は、
原理的に開ループ方式であるため、環境条件とコントロ
ーラパラメータとの対応関係が正確に知られていない限
り、満足な動作を期待することはできない。また、特性
変動の原因を正確に知ること自体も困難であることが多
い。

【０００３】そこで、環境条件を直接測定すること無し
に、制御対象の特性変動のみに応じてコントローラのパ
ラメータをオンラインで自動調整し、制御性能を常に良
好な状態に保持していく制御方式が必要となってくる。
この様な制御方式を適応制御と言い、大きく分けて２つ
の方式がある。一つは、モデル規範形適応システム（Ｍ
ＲＡＳ：Model Reference Adaptive System ）で、もう
一つは、セルフチューニングレギュレータまたはコント
ローラ（ＳＴＲor ＳＴＣ：Self-Tuning Regulator,or
Controller ）である。ＭＲＡＳとは、制御対象（プラ
ント）とコントローラとを一体とした制御系特性が規範
モデル特性に一致するよう、出力偏差に基づきコントロ
ーラを適応的に調整する方法であり、ＳＴＲは、プラン
トの未知パラメータを適当な同定法を用いて逐次推定
し、その結果を真値と見なして、コントローラのパラメ
ータをオンラインで調整する。

【０００４】

【発明が解決しようとする課題】しかし、上記のような
ＭＲＡＳでは、規範モデルと制御対象とが次数レベル
（構造）で適合していなければならず、ＳＴＣでもシス
テム構造が変化しないものでなければならないという制
約がある。いずれの方法においても制御対象が複雑な時
変非線形システムに対しての応用は困難であり、適応制
御理論の大きな課題である。そこで本発明はこのような
問題に鑑みてなされたものであり、ニューラルネットワ
ークを用いた空燃比制御装置において、ニューラルネッ
トワークの出力値を用い、オンラインで制御パラメータ
を算出し、非線形な対象であっても高精度な制御を行う
ことを可能とした空燃比制御装置を提供するものであ
る。

【０００５】

【課題を解決するための手段】上記課題を解決するため
に、本発明の請求項１に記載の空燃比制御装置では、内
燃機関の燃料噴射装置において、エンジンへの実燃料噴
射量を算出する制御量演算手段と、前記制御量演算手段
で用いる複数のパラメータをマップとして格納している
マップ格納手段と、任意の時点における環境条件と運転
条件において、目標空燃比と実空燃比との偏差が０とな
るような予測燃料噴射量を出力する逆モデルニューロを
オンラインで学習する逆モデルニューラルネットワーク
学習手段と、前記逆モデルニューロの出力である予測燃
料噴射量を用いて、前記マップ格納手段で格納されてい
る、任意の制御パラメータのマップ値を修正するマップ
修正手段と、を有することを特徴とする、ここで、請求
項２に記載のように、請求項１に記載の空燃比制御装置
において、前記逆モデルニューラルネットワーク学習手
段は、ニューロ入力を実燃料噴射量と空燃比の時系列デ
ータ、出力を予測燃料噴射量、とする逆モデルニューロ
の結合係数を、目標空燃比と実空燃比との偏差を０とす
る前記制御量演算手段で算出されるフィードバック制御
量を用い修正すること、さらに請求項３に記載のよう
に、請求項１又は請求項２に記載の空燃比制御装置にお
いて、前記マップ修正手段は、前記制御量演算手段で算
出される燃料噴射量が、前記逆モデルニューロの出力で
ある予測燃料噴射量となるような制御パラメータを算出
し、前記逆モデルニューロが算出されたタイミングの運
転状態に対応する、前記制御パラメータのマップ値を修
正すること、は好ましい実施の形態である。

【０００６】本発明の請求項４に記載の空燃比制御装置
では、内燃機関の燃料噴射装置において、エンジンへの
実燃料噴射量を算出する制御量演算手段と、前記制御量
演算手段で用いる複数のパラメータをマップとして格納
しているマップ格納手段と、前記制御パラメータの内、
少なくとも１つのパラメータ推定値を出力するパラメー
タ推定ニューロをオンラインで学習するオンライン学習
手段と、現在の運転条件での制御パラメータを前記マッ
プの出力値より算出し前記制御量演算手段へ出力するパ
ラメータ算出手段と、前記パラメータ推定ニューロの出
力値であるパラメータ推定値と、前記制御パラメータ算
出手段で算出された制御パラメータを用い、前記マップ
格納手段に格納値されている、任意の制御パラメータの
マップ値を更新するマップ更新手段と、を有することを
特徴とする。

【０００７】ここで、請求項５に記載のように、請求項
４に記載の空燃比制御装置において、前記オンライン学
習手段は、ニューロ入力を実燃料噴射量と空燃比の時系
列データと目標空燃比とし、出力を制御パラメータ推定
値とする、パラメータ推定ニューロの結合係数を、目標
空燃比と実空燃比との偏差を０とする前記制御量演算手
段で算出されるフィードバック制御量を用い修正するこ
とは好ましい実施の形態である。

【０００８】本発明の請求項６に記載の空燃比制御装置
では、内燃機関の燃料噴射装置において、目標空燃比と
実空燃比との偏差を０とする燃料噴射量を算出する制御
量演算手段と、エンジン状態が定常状態か過渡状態かを
判定する状態判定手段と、定常状態の予測燃料噴射量を
推定する定常燃料算出ニューロと、過渡状態の予測燃料
噴射量を推定する過渡燃料算出ニューロと、前記状態判
定手段の判定結果に基づき、学習するニューロを切り換
える学習切り替え手段と、前記学習切り替え手段によ
り、定常状態時は、前記定常燃料算出ニューロをオンラ
インで学習する定常ニューラルネットワーク学習手段
と、前記学習切り替え手段により、過渡状態時は、前記
過渡燃料算出ニューロをオンラインで学習する過渡ニュ
ーラルネットワーク学習手段と、前記制御量演算手段の
出力値と、前記定常燃料算出ニューロの出力値と、前記
過渡燃料算出ニューロの出力値と、を加算し、エンジン
への実燃料噴射量を算出する燃料噴射手段と、を有する
ことを特徴とする。

【０００９】ここで、請求項７に記載のように、請求項
６に記載の空燃比制御装置において、前記定常ニューラ
ルネットワーク学習手段は、ニューロ入力をエンジンへ
の実燃料噴射量と空燃比の時系列データと目標空燃比と
し、出力を定常時の空燃比が目標空燃比となる予測定常
燃料噴射量とする、定常燃料算出ニューロの結合係数
を、前記状態判定手段で定常状態と判定された時のみ、
目標空燃比と実空燃比との偏差を０とする前記制御量演
算手段で算出されるフィードバック制御量を用い修正す
ること、請求項８に記載のように、請求項６又は請求項
７に記載の空燃比制御装置において、前記過渡ニューラ
ルネットワーク学習手段は、ニューロ入力をエンジンへ
の実燃料噴射量と空燃比の時系列データとし、出力を過
渡時の空燃比が目標空燃比となる予測過渡燃料噴射量と
する、過渡燃料算出ニューロの結合係数を、前記状態判
定手段で過渡状態と判定された時のみ、目標空燃比と実
空燃比との偏差を０とする前記制御量演算手段で算出さ
れるフィードバック制御量を用い修正すること、は好ま
しい実施の形態である。

【００１０】本発明の請求項９に記載の空燃比制御装置
では、内燃機関の燃料噴射装置において、目標空燃比と
実空燃比との偏差を０とする実燃料噴射量を算出する制
御量演算手段と、前記制御量演算手段の複数の燃料補正
係数を補正係数マップとして格納している補正係数マッ
プ格納手段と、エンジン状態が定常状態か過渡状態かを
判定する状態判定手段と、定常燃料補正係数を推定する
定常係数算出ニューロと、過渡燃料補正係数を推定する
過渡係数算出ニューロと、前記状態判定手段の判定結果
に基づき、学習するニューロを切り換える学習切り替え
手段と、前記学習切り替え手段により、定常状態時は、
前記定常係数算出ニューロをオンラインで学習する定常
ニューラルネットワーク学習手段と、前記学習切り替え
手段により、過渡状態時は、前記過渡係数算出ニューロ
をオンラインで学習する過渡ニューラルネットワーク学
習手段と、前記定常係数算出ニューロの出力値と、前記
過渡係数算出ニューロの出力値に、前記補正係数マップ
格納手段で格納されている各定常補正係数マップ、及び
過渡補正係数マップを用いて運転状態に応じ算出される
各定常燃料補正係数、及び過渡燃料補正係数をそれぞれ
加算してえられた加算値を、前記制御量演算手段へ新た
な制御パラメータとして引き渡すパラメータ加算手段
と、前記加算値を用いて前記補正係数マップ格納手段に
格納されている各補正係数マップ値を修正する補正係数
マップ修正手段と、を有することを特徴とする。

【００１１】ここで、請求項１０に記載のように、請求
項６ないし請求項９のいずれか１項に記載の空燃比制御
装置において、前記状態判定手段は、スロットル開度変
化速度、又はエンジン回転数変化速度の一方、若しくは
両方を用いて、制御対象が定常状態であるか過渡状態で
あるか、判定を行うこと、請求項１１に記載のように、
請求項６ないし請求項１０のいずれか１項に記載の空燃
比制御装置において、前記状態判定手段は、実空燃比変
化速度を用いて、制御対象が定常状態であるか過渡状態
であるか、判定を行うこと、は好ましい実施の形態であ
る。

【００１２】さらに請求項１２に記載のように、請求項
９ないし請求項１１のいずれか１項に記載の空燃比制御
装置において、前記定常ニューラルネットワーク学習手
段は、ニューロ入力をエンジンへの実燃料噴射量と空燃
比の時系列データと目標空燃比とし、出力を定常時の空
燃比が目標空燃比となる定常燃料補正係数推定値とする
定常係数算出ニューロの結合係数を、前記学習切り替え
手段により前記状態判定手段で定常状態と判定された時
のみ、目標空燃比と実空燃比との偏差を０とする、前記
制御量演算手段で算出されるフィードバック制御量を用
い修正すること、請求項１３に記載のように、請求項９
ないし請求項１２のいずれか１項に記載の空燃比制御装
置において、前記過渡ニューラルネットワーク学習手段
は、ニューロ入力をエンジンへの実燃料噴射量と空燃比
の時系列データと目標空燃比とし、出力を過渡時の空燃
比が目標空燃比となる過渡燃料補正係数推定値とする、
過渡係数算出ニューロの結合係数を、前記学習切り替え
手段により前記状態判定手段で過渡状態と判定された時
のみ、目標空燃比と実空燃比との偏差を０とする、前記
制御量演算手段で算出されるフィードバック制御量を用
い修正すること、も好ましい実施の形態である。

【００１３】本発明の請求項１４に記載の空燃比制御装
置では、内燃機関の燃料噴射装置において、エンジンへ
の実燃料噴射量を算出する制御量演算手段と、前記制御
量演算手段の複数のパラメータをマップとして格納して
いるマップ格納手段と、制御対象である出力を空燃比と
するエンジン動特性モデルを学習した順モデルニューロ
と、前記順モデルニューロより、制御対象の入力である
燃料噴射量から制御対象の出力である空燃比までの入出
力感度特性を示すシステムヤコビアンを算出するヤコビ
アン算出手段と、目標空燃比と実空燃比との偏差が０と
なるような予測燃料噴射量を出力する逆モデルニューロ
をオンラインで学習する逆モデルニューラルネットワー
ク学習手段と、前記逆モデルニューロの出力である予測
燃料噴射量より、前記マップ格納手段に格納されてい
る、任意の制御パラメータのマップ値を修正するマップ
修正手段と、を有することを特徴とする。

【００１４】ここで、請求項１５に記載のように、請求
項１４に記載の空燃比制御装置において、前記順モデル
ニューロは、ニューロ入力をエンジンへの実燃料噴射量
と空燃比の時系列データとし、出力を予測空燃比として
予め学習したものを用いること、請求項１６に記載のよ
うに、請求項１４又は請求項１５に記載の空燃比制御装
置において、前記ヤコビアン算出手段は、前記順モデル
ニューロの出力及び結合係数を用いて前記システムヤコ
ビアンを算出すること、請求項１７に記載のように、請
求項１４ないし請求項１６のいずれか１項に記載の空燃
比制御装置において、前記逆モデルニューラルネットワ
ーク学習手段は、ニューロ入力を実燃料噴射量と空燃比
の時系列データとし、出力を予測燃料噴射量とする逆モ
デルニューロの結合係数を、目標空燃比と実空燃比との
偏差と、前記ヤコビアン算出手段で求められるシステム
ヤコビアンと、を用い修正すること、せいきゅうこ羽１
８に記載のように、請求項１４ないし請求子１７のいず
れか１項に記載の空燃比制御装置において、前記補正係
数マップ修正手段は、前記制御量演算手段で算出される
燃料噴射量が前記逆モデルニューロの出力である予測燃
料噴射量となるように制御パラメータを算出し、前記逆
モデルニューロが算出されたタイミングの運転状態に対
応する前記制御パラメータのマップ値を修正すること、
は好ましい実施の形態である。

【００１５】本発明の請求項１９に記載の空燃比制御装
置では、内燃機関の燃料噴射装置において、目標空燃比
と実空燃比との偏差を０とする燃料噴射量を算出する制
御量演算手段と、前記制御量演算手段の複数の定常燃料
補正係数を定常係数マップとして、また複数の過渡燃料
補正係数を過渡係数マップとして格納している定常・過
渡係数マップ格納手段と、制御対象である出力を空燃比
とするエンジン動特性モデルを学習した順モデルニュー
ロと、前記順モデルニューロより制御対象の入力である
燃料噴射量から出力である空燃比までの入出力感度特性
を示すシステムヤコビアンを算出するヤコビアン算出手
段と、エンジン状態が定常状態か過渡状態かを判定する
状態判定手段と、定常状態の予測燃料噴射量を推定する
定常ニューロと、過渡状態の予測燃料噴射量を推定する
過渡ニューロと、前記状態判定手段の判定結果に基づ
き、学習するニューロを切り換える学習切り替え手段
と、前記学習切り替え手段により、定常状態時は、前記
定常ニューロをオンラインで学習する定常ニューラルネ
ットワーク学習手段と、前記学習切り替え手段により、
過渡状態時は、前記過渡ニューロをオンラインで学習す
る過渡ニューラルネットワーク学習手段と、前記定常ニ
ューロの出力値より定常燃料補正係数推定値を算出する
定常補正係数算出手段と、前記過渡ニューロの出力値よ
り過渡燃料補正係数推定値を算出する過渡補正係数算出
手段と、前記定常燃料補正係数推定値より前記定常係数
マップを修正する定常係数マップ修正手段と、前記過渡
燃料補正係数推定値より前記過渡係数マップを修正する
過渡係数マップ修正手段と、を有することを特徴とす
る。

【００１６】ここで、請求項２０に記載のように、請求
項１９に記載の空燃比制御装置において、前記順モデル
ニューロは、ニューロ入力をエンジンへの実燃料噴射量
と空燃比の時系列データとし、出力を予測空燃比として
予め学習したものを用いること、請求項２１に記載のよ
うに、請求項１９又は請求項２０に記載の空燃比制御装
置において、前記ヤコビアン算出手段は、前記順モデル
ニューロの出力及び結合係数を用いて前記システムヤコ
ビアンを算出すること、請求項２２に記載のように、請
求項１９ないし請求項２１のいずれか１項に記載の空燃
比制御装置において、前記状態判定手段は、スロットル
開度変化速度又はエンジン回転数変化速度の一方、若し
くは両方を用いて、制御対象が定常状態であるか過渡状
態であるか、判定を行うこと、請求項２３に記載のよう
に、請求項１９ないし請求項２２のいずれか１項に記載
の空燃比制御装置において、前記状態判定手段は、実空
燃比変化速度を用いて、制御対象が定常状態であるか過
渡状態であるか、判定を行うこと、は好ましい実施の形
態である。

【００１７】さらに、請求項２４に記載のように、請求
項１９ないし請求項２３のいずれか１項に記載の空燃比
制御装置において、前記定常ニューラルネットワーク学
習手段は、ニューロ入力をエンジンへの実燃料噴射量と
空燃比の時系列データとし、出力を定常時の空燃比が目
標空燃比となる予測定常燃料噴射量とする、定常ニュー
ロの結合係数を、前記状態判定手段で定常状態と判定さ
れた時のみ前記学習切り替え手段により選択され、目標
空燃比と実空燃比との偏差と、前記ヤコビアン算出手段
で求められるシステムヤコビアンと、を用い修正するこ
と、請求項２５に記載のように、請求項１９ないし請求
項２４のいずれか１項に記載の空燃比制御装置におい
て、前記過渡ニューラルネットワーク学習手段は、ニュ
ーロ入力をエンジンへの実燃料噴射量と空燃比の時系列
データとし、出力を過渡時の空燃比が目標空燃比となる
予測過渡燃料噴射量とする、過渡ニューロの結合係数
を、前記状態判定手段で過渡状態と判定された時のみ前
記学習切り替え手段により選択され、目標空燃比と実空
燃比との偏差と、前記ヤコビアン算出手段で求められる
システムヤコビアンと、を用い修正すること、請求項２
６に記載のように、請求項１９ないし請求項２５のいず
れか１項に記載の空燃比制御装置において、前記定常係
数マップ修正手段は、前記状態判定手段で定常状態と判
定された時に前記制御量演算手段で算出される燃料噴射
量が、前記定常ニューロの出力である予測定常燃料噴射
量となるように、定常燃料補正係数推定値を逆算し、前
記定常判定タイミングの運転状態に対応する前記定常係
数マップを修正すること、請求項２７に記載のように、
請求項１９ないし請求項２６のいずれか１項に記載の空
燃比制御装置において、前記過渡係数マップ修正手段
は、前記状態判定手段で過渡状態と判定された時に前記
制御量演算手段で算出される燃料噴射量が、前記過渡ニ
ューロの出力である予測過渡燃料噴射量となるように過
渡燃料補正係数推定値を逆算し、前記過渡判定タイミン
グの運転状態に対応する前記過渡係数マップを修正する
こと、も好ましい実施の形態である。

【００１８】本発明の請求項２８に記載の空燃比制御装
置では、内燃機関の燃料噴射装置において、エンジン出
力である空燃比が目標空燃比となるような燃料噴射量を
算出する制御量演算手段と、制御対象であるエンジンの
動特性を同定する同定手段と、前記同定手段により得ら
れたシステムパラメータを用い、前記制御量演算手段で
用いる制御パラメータを修正する制御パラメータ修正手
段と、前記同定手段によりえられたシステムパラメータ
を用い、制御対象の入力である燃料噴射量から、制御対
象の出力である空燃比までの入出力感度特性を示すシス
テムヤコビアンを算出するヤコビアン算出手段と、前記
目標空燃比と実空燃比との偏差が０となるような予測燃
料噴射量を出力する逆モデルニューロをオンラインで学
習する逆モデルニューラルネットワーク学習手段と、前
記逆モデルニューロの出力である予測燃料噴射量と、前
記制御量演算手段の出力である燃料噴射量を加算し、実
際にエンジンへ噴射する実燃料噴射量を演算する燃料加
算手段と、を有することを特徴とする。

【００１９】ここで、請求項２９に記載のように、請求
項２８に記載の空燃比制御装置において、前記同定手段
は、エンジンへの入力である実燃料噴射量と、エンジン
への出力である実空燃比との時系列データより、最小二
乗アルゴリズムを用いてシステムパラメータの同定を行
うこと、請求項３０に記載のように、請求項２８又は請
求項２９に記載の空燃比制御装置において、前記逆モデ
ルニューラルネットワーク学習手段は、ニューロ入力を
実燃料噴射量と空燃比の時系列データと目標空燃比と
し、出力を予測燃料噴射量とする、逆モデルニューロの
結合係数を、目標空燃比と実空燃比との偏差と、前記ヤ
コビアン算出手段で求められるシステムヤコビアンと、
を用い修正すること、は好ましい実施の形態である。

【００２０】

【発明の実施の形態】以下、本発明の実施の形態につい
て図面を参照しながら説明する。尚、ここで示す実施の
形態はあくまでも一例であって、必ずしもこの実施の形
態に限定されるものではない。

【００２１】（実施の形態１）まず、本発明に係る空燃
比制御装置の一例を、第１の実施の形態として、図面を
参照しつつ説明する。この空燃比制御装置Ａ１は、ニュ
ートラルネットワークを用いたパラメータ推定装置にお
いて、ニュートラルネットワークの出力値を用いオンラ
インで制御パラメータを算出し、非線形な対象であって
も高精度な制御を行うことを可能としたものである。

【００２２】図１に空燃比制御装置Ａ１のシステム構成
図を示す。この空燃比制御装置Ａ１は、目標空燃比Ａ／
Ｆref と実空燃比Ａ／Ｆとの偏差が０となるようにエン
ジン１への実燃料噴射量Ｇｆを算出する制御量演算手段
２と、制御量演算手段２で用いる複数のパラメータをマ
ップとして格納しているマップ格納手段３と、任意の時
点における環境条件と運転条件において、目標空燃比Ａ
／Ｆref と実空燃比Ａ／Ｆとの偏差が０となるような予
測燃料噴射量ＧｆNNを出力する逆モデルニューロ４をオ
ンラインで学習する逆モデルニューラルネットワーク学
習手段５と、逆モデルニューラルネットワーク４の出力
である予測燃料噴射量ＧｆNNを用いて、マップ格納手段
３に格納されている、任意の制御パラメータのマップ値
Ｋｐを修正するマップ修正手段６とを有する構成とす
る。

【００２３】逆モデルニューロ４は、一例として、例え
ばニューロ入力項を実燃料噴射量Ｇｆの時系列データ
（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、…）と、実空燃比Ａ／
Ｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ（ｋ−１）、
…）とし、出力を予測燃料噴射量ＧｆNNとする中間層１
層の３層構造ニューロ構成として与える。尚、ここでは
詳述しないが、逆モデルニューロ４のニューロ入力項と
して、エンジン１の運転状態や環境状態を示す他のパラ
メータ、例えば回転数Ｎｅ、吸入空気量Ｐｂ、吸入空気
温ＴＡ、冷却水温ＴＷや目標空燃比Ａ／Ｆref 等を加え
ても良い。図２にその構成図を示す。予測燃料噴射量Ｇ
ｆNNは次式により算出される。 ＧｆNN（ｋ）＝ｆ（Ｏ（ｋ）） …（１−１） Ｏ（ｋ）＝ΣＨｊ（ｋ）・Ｗｊ …（１−２） Ｈｊ（ｋ）＝ｆ（Ｍｊ（ｋ）） …（１−３） Ｍｊ（ｋ）＝ΣＵｉ（ｋ）・Ｗｉｊ…（１−４） （Ｗｉｊは入力層から中間層への結合係数、Ｗｊは中間
層から出力層への結合係数である。） ここで、Ｕｉ（ｋ）はニューロ入力項のｉ番目の入力で
あり、ｉ＝１の時はＵ１（ｋ）＝Ｇｆ（ｋ）、ｉ＝２の
時はＵ２（ｋ）＝Ｇｆ（ｋ−１）となる。また関数ｆ
（ｘ）は正接シグモイド関数（ｔａｎｈ（ｘ））であ
り、ｆ' （ｘ）＝ｄｆ（ｘ）／ｄｘ＝（１−ｆ
² （ｘ））なる関係が成り立つ。

【００２４】逆モデルニューラルネットワーク学習手段
５は、前記逆モデルニューロ４の結合係数Ｗｊ、Ｗｉｊ
を、制御量演算手段２で算出されるフィードバック制御
量、即ち実燃料噴射量Ｇｆを用い、次式により修正す
る。 ΔＷｊ＝−η・Ｇｆ・（１−ｆ² （Ｏ））・Ｈｊ …（２−１） ΔＷｉｊ＝ −η・Ｇｆ・（１−ｆ² （Ｏ））・（１−ｆ² （Ｍｊ））・Ｗｊ・Ｕｉ …（２−２） （ηは学習比、ΔＷｊは結合係数Ｗｊの修正量、ΔＷｉ
ｊは結合係数Ｗｉｊの修正量である。） 上記の式（１−１）から（１−４）、及び式（２−
１）、（２−２）により、逆モデルニューロ４におい
て、任意の時点において適正な、目標空燃比Ａ／Ｆref
と実空燃比Ａ／Ｆとの偏差ｅを０とする予測燃料噴射量
ＧｆNNを算出することができる。そして逆モデルニュー
ロ４の出力値であるＧｆNNを用い、マップ修正手段６で
は、制御量演算手段２で算出される燃料噴射量が予測燃
料噴射量ＧｆNNとなるような制御パラメータのマップ値
Ｋnnを逆算し、逆モデルニューロ４が算出されたタイミ
ングの運転状態に対応するように制御パラメータのマッ
プ値Ｋｐを修正する。

【００２５】そこで、以下このマップ値Ｋｐの修正につ
いて簡単に説明する。例えば燃料噴射量Ｇｆが次式で与
えられるものとする。 Ｇｆ（ｋ）＝Ｋｐ・Ｆ（ｅ） …（３−１） ｅ＝Ａ／Ｆref −Ａ／Ｆ …（３−２） （Ｆ（ｅ）は偏差ｅの関数である。） この時、逆モデルニューロ４の出力値でもある予測燃料
噴射量ＧｆNNを用いて、実空燃比Ａ／Ｆが目標空燃比Ａ
／Ｆref となるように制御性能を改善できる制御パラメ
ータのマップ値Ｋnnを次式により算出する。 Ｋnn＝Ｋｐ・（ＧｆNN（ｋ）／Ｇｆ（ｋ）） …（４−１） 例えば、上記制御パラメータのマップ値Ｋｐを、時刻ｋ
のタイミングで算出するのにマップ値Ｋｐ１を用いた場
合、このマップ値Ｋｐ１は次式により修正できる。 Ｋｐ１new ＝Ｋｐ１old ・( ＧｆNN（ｋ）／Ｇｆ（ｋ）） …（５−１） （Ｋｐ１new は修正後のマップ値、Ｋｐ１old は修正前
のマップ値である。） 以上の方法によって、この空燃比制御装置Ａ１では、オ
ンラインで、制御パラメータのマップ値Ｋｐを、実空燃
比Ａ／Ｆが目標空燃比Ａ／Ｆref となる燃料噴射量Ｇｆ
NNを算出する制御パラメータのマップ値Ｋnnに修正する
ことにより、自動的に適正な予測燃料噴射ＧｆNNを得る
ことが可能となる。

【００２６】（実施の形態２）しかし、上記方法では、
１つの制御パラメータのマップ値しか調整できない。そ
こで第２の実施の形態として、複数の制御パラメータを
同時に自動調整することを可能とした空燃比制御装置Ａ
２について、図面を参照しつつ説明する。図３に空燃比
制御装置Ａ２のシステム構成図を示す。この空燃比制御
装置Ａ２は、エンジン１への実燃料噴射量Ｇｆを算出す
る制御量演算手段２と、制御量演算手段２で用いる複数
のパラメータをマップとして格納しているマップ格納手
段３と、マップ格納手段３にマップとして格納されてい
る任意の制御パラメータのマップ値の内、少なくとも１
つの制御パラメータのマップ値を推定し、これを制御パ
ラメータ推定値（Ｋａnn、Ｋｂnn、…）として出力する
パラメータ推定ニューロ３１をオンラインで学習するオ
ンライン学習手段３２と、任意の時点における運転条件
での制御パラメータのマップ値（Ｋａ、Ｋｂ、…）をマ
ップ格納手段３に格納されているマップの値より算出
し、制御量演算手段２へ出力するパラメータ算出手段３
３と、パラメータ推定ニューロ３１の出力値であるパラ
メータ推定値（Ｋａnn、Ｋｂnn、…）と、パラメータ算
出手段３３で算出された制御パラメータのマップ値（Ｋ
ａ、Ｋｂ、…）を用い、マップ格納手段３に格納されて
いる制御パラメータのマップ値を更新するマップ更新手
段３４とを有する構成とする。パラメータ推定ニューロ
３１は、例えば一例として、ニューロ入力項を実燃料噴
射量Ｇｆの時系列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−
１）、…）と、空燃比Ａ／Ｆの時系列データ（Ａ／Ｆ
（ｋ）、Ａ／Ｆ（ｋ−１）、…）、及び目標空燃比Ａ／
Ｆref とし、出力を制御パラメータ推定値（Ｋａnn、Ｋ
ｂnn、…）とする中間層１層の３層ニューロ構成で与え
る。尚、ここでは詳述しないが、ニューロ入力項にエン
ジン１の運転状態や環境状態を示す他のパラメータ、例
えば回転数Ｎｅ，吸入空気圧Ｐｂ，吸入空気温ＴＡ，冷
却水温ＴＷ等を加えた構成としても良い。

【００２７】また、前記オンライン学習手段３２は、パ
ラメータ推定ニューロ３１の結合係数Ｗｊ、Ｗｉｊを、
制御量演算手段２で算出されるフィードバック制御量、
即ち」実燃料噴射量Ｇｆを用い次式により修正する。 ΔＷｊ＝−η・Ｇｆ・（１−ｆ² （Ｏ））・Ｈｊ …（６−１） ΔＷｉｊ＝ −η・Ｇｆ・（１−ｆ² （Ｏ））・（１−ｆ² （Ｍｊ））・Ｗｊ・Ｕｉ …（６−２） （ηは学習比である。） パラメータ算出手段３３は、マップ格納手段３に格納さ
れているマップ値を用い、任意の時点における運転状況
に対応した制御パラメータのマップ値を算出する。ここ
で制御パラメータのマップ値Ｋａが、運転状態を表す回
転数Ｎｅと、吸入空気圧Ｐｂの２つのパラメータでマッ
プ化されている場合の、任意の時刻ｋにおける制御パラ
メータのマップ値Ｋａ（ｋ）の導出方法について説明す
る。時刻ｋ時点で計測された回転数をＮｅ（ｋ）、吸入
空気圧をＰｂ（ｋ）とする。この時、マップの格子点Ｎ
ｅ１、Ｎｅ２、Ｐｂ１、Ｐｂ２とＮｅ（ｋ）、Ｐｂ
（ｋ）との関係が次式で与えられるとする。 Ｎｅ１≦Ｎｅ（ｋ）＜Ｎｅ２ …（７−１） Ｐｂ１≦Ｐｂ（ｋ）＜Ｐｂ２ …（７−２） また、それぞれの格子点のマップ値は（Ｎｅ１，Ｐｂ
１）＝Ｋａｍ11、（Ｎｅ２，Ｐｂ１）＝Ｋａｍ12、（Ｎ
ｅ１，Ｐｂ２）＝Ｋａｍ21、（Ｎｅ２，Ｐｂ２）＝Ｋａ
ｍ22とすると、Ｋａ１＝（Ｎｅ（ｋ），Ｐｂ１）、Ｋａ
２＝（Ｎｅ（ｋ），Ｐｂ２）となり、これらの値は次式
で算出できる。 Ｋａ１＝Kam11 ＋［(Ne(k)-Ne1)/(Ne2-Ne1) ］×（Kam12-Kam11 ）…（８−１） Ｋａ２＝Kam21 ＋［(Ne(k)-Ne1)/(Ne2-Ne1) ］×（Kam22-Kam21 ）…（８−２） よって、時刻ｋでの制御パラメータＫａ（ｋ）は、式
（８−１）及び（８−２）の結果を用い次式により算出
される。 Ｋａ（ｋ）＝Ka1 ＋［(Pb(k)-Pb1)/(Pb2-Pb1) ］×(Ka2-Ka1) …（９−１） このようにして算出されたＫａ（ｋ）を用い、制御量演
算手段２で実燃料噴射量Ｇｆが算出される。尚、ここで
はＧｆの具体的な算出方法に関する詳細な説明は省略す
る。

【００２８】マップ更新手段３４は、任意の時刻ｋにお
けるパラメータ算出手段３３で算出された制御パラメー
タのマップ値Ｋａ（ｋ）と、パラメータ推定ニューロ３
１で算出されたパラメータ推定値Ｋａnnとを用い、マッ
プの対応する箇所の値を更新する。上記例では、例えば
次式により更新される。 Ｋａｍ11＝Ｋａｍ11＋ΔＫａ…（10−１） Ｋａｍ12＝Ｋａｍ12＋ΔＫａ…（10−２） Ｋａｍ21＝Ｋａｍ21＋ΔＫａ…（10−３） Ｋａｍ22＝Ｋａｍ22＋ΔＫａ…（10−４） （ΔＫａ＝Ｋａnn−Ｋａ（ｋ）である。また、Ｋａｍ１
１' はＫａｍ１１の修正後のマップ値、Ｋａｍ１２' は
Ｋａｍ１２の修正後のマップ値、Ｋａｍ２１' はＫａｍ
２１の修正後のマップ値、Ｋａｍ２２' はＫａｍ２２の
修正後のマップ値である。） 尚、（Ｎｅ（ｋ），Ｐｂ（ｋ））と各マップの格子点と
の距離に応じて、修正量を重み付けして、マップを修正
するようにしても良い。

【００２９】次に、図４に上記マップ更新に関するフロ
ーチャートを示す。ＳＴＥＰ１では、時刻ｋでの運転状
態を表す回転数Ｎｅ（ｋ）と吸入空気圧Ｐｂ（ｋ）を検
出する。ＳＴＥＰ２では、パラメータ推定ニューロによ
り時刻ｋのタイミングで作成されたニューロ入力データ
を用いパラメータ推定値Ｋａnnを算出する。ＳＴＥＰ３
では、ＳＴＥＰ１で検出されたＮｅ（ｋ）、Ｐｂ（ｋ）
を用い、パラメータ算出手段により時刻ｋでの制御パラ
メータＫａ（ｋ）を算出する。ＳＴＥＰ４では、ＳＴＥ
Ｐ２で算出されたＫａnnとＳＴＥＰ３で算出されたＫａ
（ｋ）とを用い、マップ更新手段によりマップ修正量で
あるΔＫａを算出し、該当するマップ値を修正する。以
上の構成とすることにより、この空燃比制御装置Ａ２
は、事前にエンジンモデルを構築することなく、１つの
ニューロのオンライン学習のみで、良好な制御を達成す
ることができる複数の制御パラメータを自動チューニン
グできる。

【００３０】（実施の形態３）上述した空燃比制御装置
Ａ２では、制御対象によっては、ニューラルネットワー
クの規模が大きくなり、学習の収束に時間がかかるとい
う問題がある。そこで次に、第３の実施の形態として、
大規模なニューラルネットワークと同等の性能を有す
る、小さなネットワーク規模のニューロ構成を構築する
ことにより、学習収束時間の短縮を可能とした、空燃比
制御装置Ａ３について、図面を参照しつつ説明する。

【００３１】図５に空燃比制御装置Ａ３のシステム構成
図を示す。この空燃比制御装置Ａ３は、目標空燃比Ａ／
Ｆref と実空燃比Ａ／Ｆとの偏差ｅを０とする燃料噴射
量Ｇｆｂを算出する制御量演算手段２と、エンジン１の
状態が定常状態か過渡状態かを判定する状態判定手段５
１と、定常状態の予測燃料噴射量Ｇｆｓを推定する定常
燃料算出ニューラルネットワーク５２と、過渡状態の予
測燃料噴射量Ｇｆｄを推定する過渡燃料算出ニューラル
ネットワーク５３と、状態判定手段５１の判定結果に基
づき、学習するニューロを切り換える学習切り替え手段
５４と、学習切り替え手段５４により、定常状態時は、
定常燃料算出ニューラルネットワーク５２をオンライン
で学習する定常ニューラルネットワーク学習手段５５
と、過渡状態時に過渡燃料算出ニューラルネットワーク
５３をオンラインで学習する過渡ニューラルネットワー
ク学習手段５６と、制御量演算手段２の出力値Ｇｆｂ
と、定常燃料算出ニューラルネットワーク５２の出力値
Ｇｆｓと、過渡燃料算出ニューラルネットワーク５３の
出力値Ｇｆｄとを加算しエンジンへの実燃料噴射量Ｇｆ
を算出する燃料噴射手段５７とを有する構成とする。

【００３２】定常燃料算出ニューラルネットワーク５２
は、例えばニューロ入力をエンジン１への実燃料噴射量
Ｇｆの時系列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、
…）と、実空燃比Ａ／Ｆの時系列データ（Ａ／Ｆ
（ｋ）、Ａ／Ｆ（ｋ−１）、…）、及び目標空燃比Ａ／
Ｆref とし、出力を定常時の空燃比が目標空燃比Ａ／Ｆ
ref となる予測定常燃料噴射量Ｇｆｓとする、中間層１
層の３層構造ニューロ構成として与える。

【００３３】定常ニューラルネットワーク学習手段５５
は、定常燃料算出ニューラルネットワーク５２の定常結
合係数を、状態判定手段５１で定常状態と判定されたと
きのみ、制御量演算手段２で算出されるフィードバック
制御量Ｇｆｂを用い以下の式により修正する。 ΔWsj ＝−ηｓ・ Gfb ・ ( １−ｆ²(Os)) ・ Hsj…（11−１） Δwsij＝−ηｓ・ Gfb ・ ( １−ｆ²(Os)) ・ (１−ｆ²(Msj))・ Wsj ・ Usi …（11−２） （ηｓは学習比である。またΔＷｓｊは中間層から出力
層への定常結合係数Ｗｓｊの修正量、ΔＷｓｉｊは入力
層から中間層への定常結合係数Ｗｓｉｊの修正量であ
る。）尚、ニューロ入力項にエンジン１の運転状態や環
境状態を示す他のパラメータ、例えば回転数Ｎｅ，吸入
空気圧Ｐｂ，吸入空気温ＴＡ，冷却水温ＴＷ等を加えた
構成としても良い。

【００３４】過渡ニューラルネットワーク学習手段５６
は、過渡燃料算出ニューラルネットワーク５３の結合係
数を、状態判定手段５１でかと状態と判定されたときの
み、制御量演算手段２で算出されるフィードバック制御
量Ｇｆｂを用い、以下の式により修正する。 ΔWdj ＝−ηｄ・ Gfb ・ ( １−ｆ²(Od)) ・ Hdj…（12−１） ΔWdij＝−ηｄ・ Gfb ・ ( １−ｆ²(Od)) ・ (１−ｆ²(Mdj))・ Wdj ・ Udi …（12−２） （ηｄは学習比である。また、ΔＷｄｊは中間層から出
力層への定常結合係数Ｗｄｊの修正量、ΔＷｄｉｊは入
力層から中間層への定常結合係数Ｗｄｉｊの修正量であ
る。）尚、過渡燃料算出ニューラルネットワーク５３の
ニューロ入力項も、定常燃料算出ニューラルネットワー
ク５２を構成するものと同じパラメータを用いてもよい
し、時系列データ等、異なったパラメータを用いても良
い。

【００３５】状態判定手段５１は運転状態の変化を判定
する手段であって、例えば、スロットル開度の変化速度
（ｄθｔｈ／ｄｔ）、もしくはエンジン回転数の変化速
度（ｄＮｅ／ｄｔ）、もしくは実空燃比の変化速度（ｄ
（Ａ／Ｆ）／ｄｔ）、又はそれらを組み合わせて設定値
と比較し、制御対象が定常状態であるか過渡状態である
かを判定する。

【００３６】学習切り替え手段５４は、状態判定手段５
１の下す、定常状態であるか、過渡状態であるか、とい
う判定結果を受けて、例えばｄ（Ａ／Ｆ）／ｄｔ＝０の
時、このタイミングのデータを用い、定常ニューロ学習
手段５５により、定常燃料算出ニューラルネットワーク
５２の学習を行う。またｄ（Ａ／Ｆ）／ｄｔ≠０の時
は、過渡ニューロ学習手段５６により、過渡燃料算出ニ
ューラルネットワーク５３の学習を行う。尚、ここでは
定常状態・過渡状態の判定の基準を「０」としたが、変
化速度の絶対値がある設定値未満の時は定常状態、設定
値以上の時は過渡状態と判定するように、学習切り替え
手段５４を構成しても良い。上記の様に構成しているの
で、この空燃比制御装置Ａ３は、逆モデルを表すニュー
ロを定常状態と過渡状態の２つに分けることで、、２つ
の小さな規模のニューロをそれぞれの状況に応じて学習
する方が、１つの大きな規模のニューロで学習するより
も収束時間が短く、且つニューロの実行時間も短縮でき
る。また、実施の形態１と同様な方法により、Ｇｆ
（ｋ）／Ｇｆｂ（ｋ）を用いて先述の式（５−１）によ
り制御量演算手段２で用いる制御パラメータの修正も行
える。

【００３７】（実施の形態４）次に、定常時の燃料補正
係数と過渡期の燃料補正係数をオンラインで同時に修正
することを可能とした空燃比制御装置Ａ４について、図
面を参照しつつ簡単に説明する。図６に空燃比制御装置
Ａ４のシステム構成図を示す。この空燃比制御装置Ａ４
は、目標空燃比Ａ／Ｆref と実空燃比Ａ／Ｆとの偏差ｅ
を０とする実燃料噴射量Ｇｆを算出する制御量演算手段
２と、制御量演算手段２の複数の燃料補正係数（Ｋａ，
Ｋｂ，…）をマップとして格納しているマップ格納手段
３と、エンジン１の状態が定常状態か過渡状態かを判定
する状態判定手段５１と、定常燃料補正係数Ｋｓnnを推
定する定常係数算出ニューラルネットワーク６１と、過
渡燃料補正係数Ｋｄnnを推定する過渡係数算出ニューラ
ルネットワーク６２と、状態判定手段５１の判定結果に
基づき、学習するニューロを切り換える学習切り替え手
段５４と、学習切り替え手段５４により、定常状態時
は、定常係数算出ニューラルネットワーク６１の結合係
数をオンラインで学習する定常ニューラルネットワーク
学習手段６３と、過渡状態時に過渡係数算出ニューラル
ネットワーク６２の結合係数をオンラインで学習する過
渡ニューラルネットワーク学習手段６４と、定常係数算
出ニューラルネットワーク６１の出力値Ｋｓnnと、運転
状態に応じてマップ格納手段３に格納されている定常燃
料補正係数を用いて算出されるＫｓ（ｋ）とを加算し、
過渡係数算出ニューラルネットワーク６２の出力値Ｋｄ
nnと、運転状態に応じてマップ格納手段３で格納されて
いる過渡燃料補正係数を用いて算出されるＫｄ（ｋ）と
を加算し、制御量演算手段２へ新たな制御パラメータと
して引き渡すパラメータ加算手段６５と、この加算値で
マップに格納されている燃料補正係数を修正する補正係
数マップ修正手段６６とを有する構成とする。

【００３８】定常係数算出ニューラルネットワーク６１
は、ニューロ入力項をエンジンへの実燃料噴射量Ｇｆの
時系列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、…）と、
空燃比Ａ／Ｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ
（ｋ−１）、…）、及び目標空燃比Ａ／Ｆref とし、出
力を定常時の空燃比が目標空燃比Ａ／Ｆref となる定常
燃料補正係数推定値Ｋｓnnとする中間層１層の３層ニュ
ーロ構成とする。

【００３９】定常ニューラルネットワーク学習手段６３
は、定常係数算出ニューラルネットワーク６１の結合係
数を、学習切り替え手段５４により状態判定手段５１で
定常と判定されたときのみ目標空燃比Ａ／Ｆref と実空
燃比Ａ／Ｆとの偏差ｅを０とする制御量演算手段２で算
出されるフィードバック制御量、即ち実燃料噴射量Ｇｆ
を用い以下の式により修正する。 ΔWsj ＝−ηｓ・ Gf・ ( １−ｆ²(Os)) ・ Hsj…（13−１） ΔWsij＝−ηｓ・ Gf・ ( １−ｆ²(Os)) ・ (１−ｆ²(Msj))・ Wsj ・ Usi …（13−２） （ηｓは学習比である。またΔＷｓｊは中間層から出力
層への定常結合係数Ｗｓｊの修正量、ΔＷｓｉｊは入力
層から中間層への定常結合係数Ｗｓｉｊの修正量であ
る。）尚、ニューロ入力項にエンジン１の運転状態や環
境状態を示す他のパラメータ、例えば回転数Ｎｅ，吸入
空気圧Ｐｂ，吸入空気温ＴＡ，冷却水温ＴＷ等を加えた
構成としても良い。

【００４０】過渡ニューラルネットワーク学習手段６４
は、過渡係数算出ニューラルネットワーク６２の結合係
数を、学習切り替え手段５４により状態判定手段５１で
かと状態と判定されたときのみ、目標空燃比Ａ／Ｆref
と実空燃比Ａ／Ｆとの偏差ｅを０とする制御量演算手段
２で算出されるフィードバック制御量、即ち実燃料噴射
量Ｇｆを用い、以下の式により修正する。 ΔWdj ＝−ηｄ・ Gf・ ( １−ｆ²(Od)) ・ Hdj…（14−１） ΔWdij＝−ηｄ・ Gf・ ( １−ｆ²(Od)) ・ (１−ｆ²(Mdj))・ Wdj ・ Udi …（14−２） （ηｄは学習比である。またΔＷｄｊは中間層から出力
層への定常結合係数Ｗｄｊの修正量、ΔＷｄｉｊは入力
層から中間層への定常結合係数Ｗｄｉｊの修正量であ
る。）パラメータ加算手段６５は、マップ格納手段３で
格納されているマップ値を用い、先述した式（７−１）
（７−２）、式（８−１）（８−２）及び式（９−１）
と同様にして得られる、現在の運転状況に対応する定常
補正係数Ｋｓ（ｋ）、過渡補正係数Ｋｄ（ｋ）と、各ニ
ューロで算出された定常補正係数推定値Ｋｓnn、過渡補
正係数推定値Ｋｄnnとを加算し、制御量演算手段２へ制
御パラメータとして引き渡す。補正係数マップ修正手段
６６は、パラメータ加算手段６５で新たに得られた加算
値を用い、対応するマップ値を修正する。この空燃比制
御装置Ａ４は、以上の様に、定常状態と過渡状態の２つ
のニューロに分けた構成としたので、オンラインで同時
に定常補正係数及び過渡補正係数を自動的に修正するこ
とができる。

【００４１】（実施の形態５）本発明に係る空燃比制御
装置に用いているような、学習にフィードバック制御量
を用いる方法では、学習の安定性を確保するために、コ
ントローラを含めた学習対象の入出力感度特性（以下
「システムヤコビアン」とする。）を一定値と近似する
必要があり、制御ゲインをプラントゲインに比べ十分大
きく取る必要がでてくる。しかし、制御対象が強い非線
形特性を持つ場合などは、発振などの問題があり、高い
フィードバックゲインの設定は困難で、制御系設計に時
間が掛かるという問題がある。そこで、第５の実施の形
態として、制御対象であるエンジンの入出力特性をニュ
ーラルネットワークにより学習させ、このニューロを用
いて逆モデルニューラルネットワークの学習に必要なシ
ステムヤコビアンを導出し、非線形性の強い対象にも制
御パラメータの自動調整が可能な空燃比制御装置Ａ５に
ついて、図面を参照しつつ説明する。図７に空燃比制御
装置Ａ５のシステム構成図を示す。この空燃比制御装置
Ａ５は、エンジン１への実燃料噴射量Ｇｆを算出する制
御量演算手段２と、制御量演算手段２で用いる複数のパ
ラメータをマップとして格納しているマップ格納手段３
と、制御対象である出力を空燃比Ａ／Ｆとするエンジン
動特性モデルを学習した順モデルニューラルネットワー
ク７１と、順モデルニューラルネットワーク７１より制
御対象の入力である燃料噴射量Ｇｆから出力である空燃
比Ａ／Ｆまでの入出力感度特性を示すシステムヤコビア
ン∂（Ａ／Ｆ）／∂Ｇｆを算出するヤコビアン算出手段
７２と、目標空燃比Ａ／Ｆref と実空燃比Ａ／Ｆとの偏
差ｅが０となるような予測燃料噴射量ＧｆNNを出力する
逆モデルニューロ７３をオンラインで学習する逆モデル
ニューラルネットワーク学習手段７４と、逆モデルニュ
ーロ７３の出力である予測燃料噴射量ＧｆNNより制御量
演算手段２の制御パラメータを格納しているマップを修
正するマップ修正手段７５を有する構成とする。

【００４２】順モデルニューラルネットワーク７１は、
ニューロ入力項をエンジンへの実燃料噴射量Ｇｆの時系
列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、…）と、空燃
比Ａ／Ｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ（ｋ−
１）、…）とし、出力を予測空燃比Ａ／Ｆnnとして予め
学習したものを用いる。

【００４３】図８に、順モデルニューラルネットワーク
７１の学習時の構成を示す。順モデルニューラルネット
ワーク７１の出力であるＡ／Ｆnnとエンジン１の出力で
ある実空燃比Ａ／Ｆとの偏差が０となるよう、結合係数
を修正していくことにより、順モデルニューラルネット
ワーク７１はエンジン１の動特性を学習する。

【００４４】ヤコビアン算出手段７２は、順モデルニュ
ーラルネットワーク７１の出力Ａ／Ｆnn、及び第１の実
施の形態で示した結合係数Ｗｉｊ、Ｗｉを用いて次式に
よりシステムヤコビアンを近似する。 ∂(A/F)/∂Gf≒∂(A/Fnn)/∂Gf＝Wi・ A/Fnn(1-A/Fnn)・ Wij …（15−１） ここで、出力層ニューロの非線形関数は次式で表される
シグモイド関数とする。 ｆ（ｘ）＝１／（１＋ｅｘｐ（−ｘ）） …（16−１） 逆モデルニューラルネットワーク学習手段７４は、逆モ
デルニューロ７３の結合係数Ｗを、目標空燃比Ａ／Ｆre
f と実空燃比Ａ／Ｆとの偏差ｅと、ヤコビアン算出手段
７２で求められたシステムヤコビアン∂（Ａ／Ｆ）／∂
Ｇｆとを用い、次式により修正する。 ΔＷ＝α・｛∂ＧｆNN／∂Ｗ｝・｛∂（Ａ／Ｆ）／∂Ｇｆ｝・ｅ…（17−１） （αは学習比である。） 上式により、現状の運転状態において、実空燃比Ａ／Ｆ
が目標空燃比Ａ／Ｆref となる予測燃料噴射量ＧｆNNを
算出する逆モデルニューラルネットワーク７３のオンラ
イン学習を行うことができる。

【００４５】次にマップ修正手段７５において、制御量
演算手段２で算出される燃料噴射量が、逆モデルニュー
ロ７３の出力である予測燃料噴射量ＧｆNNとなるように
制御パラメータを逆算し、逆モデルニューロ７３が算出
されたタイミングの運転状態に対応する制御パラメータ
のマップ値を修正する。例えば、制御パラメータＫｐ
を、時刻ｋのタイミングで算出するのに用いたマップ値
Ｋｐ１は、第１の実施の形態で示した式（５−１）によ
り修正する。以上の様に、この空燃比制御装置Ａ５で
は、順モデルニューロを用いて逆モデルニューラルネッ
トワークの学習に必要なシステムヤコビアンを導出し、
マップを修正していくように構成したので、非線形性の
強い対象にも制御パラメータのオンライン自動調整が可
能となり、実空燃比が目標空燃比となる燃料噴射量の修
正を行うことができる。

【００４６】（実施の形態６）上述した空燃比制御装置
Ａ５を非線形性の非常に強い制御対象に用いる場合、順
モデルニューラルネットワークも逆モデルニューラルネ
ットワークも、ネットワーク規模が大きくなってしま
い、学習収束時間が掛かり、またＣＰＵ処理負荷も大き
くなってしまう。

【００４７】そこで、この第６の実施の形態では、非線
形性の強い制御対象においても、ネットワークの規模を
小さくし、学習収束時間を短縮することができる空燃比
制御装置Ａ６を、図面を参照しつつ説明する。図９に空
燃比制御装置Ａ６のシステム構成図を示す。この空燃比
制御装置Ａ６は、目標空燃比Ａ／Ｆref と実空燃比Ａ／
Ｆとの偏差ｅを０とする燃料噴射量Ｇｆを算出する制御
量演算手段２と、制御量演算手段２の複数の燃料補正係
数をマップとして格納しているマップ格納手段３と、制
御対象であるエンジン１の出力を空燃比Ａ／Ｆとするエ
ンジン動特性モデルを学習した順モデルニューラルネッ
トワーク９１と、順モデルニューラルネットワーク９１
より制御対象の入力である燃料噴射量Ｇｆから出力であ
る空燃比Ａ／Ｆまでの入出力感度特性を示すシステムヤ
コビアンを算出するヤコビアン算出手段９２と、エンジ
ン状態が定常状態か過渡状態かを判定する状態判定手段
５１と、定常状態の予測燃料噴射量Ｇｆｓnnを推定する
定常ニューロ９３と、過渡状態の予測燃料噴射量Ｇｆｄ
nnを推定する過渡ニューロ９４と、状態判定手段５１の
判定結果に基づき、学習するニューロを切り換える学習
切り替え手段９１１と、学習切り替え手段９１１によ
り、定常状態時は、定常ニューロ９３をオンラインで学
習する定常ニューラルネットワーク学習手段９５と、過
渡状態時は過渡ニューロ９４をオンラインで学習する過
渡ニューラルネットワーク学習手段９６と、定常ニュー
ロ９３の出力値Ｇｆｓnnより定常燃料補正係数推定値Ｋ
ｓnnを算出する定常補正係数算出手段９７と、過渡ニュ
ーロ９４の出力値Ｇｆｄnnより過渡燃料補正係数推定値
Ｋｄnnを算出する過渡補正係数算出手段９８と、定常燃
料補正係数推定値Ｋｓnnより定常燃料補正係数を格納し
ている定常係数マップを修正する定常マップ修正手段９
９と、過渡燃料補正係数推定値Ｋｄnnより過渡燃料補正
係数を格納している過渡係数マップを修正する過渡マッ
プ修正手段９１０とを有する構成とする。

【００４８】順モデルニューラルネットワーク９１は、
ニューロ入力項をエンジン１への実燃料噴射量Ｇｆの時
系列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、…）と、空
燃比Ａ／Ｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ（ｋ
−１）、…）とし、出力を予測空燃比Ａ／Ｆnnとして予
め学習したものを用いる。

【００４９】ヤコビアン算出手段９２は、順モデルニュ
ーラルネットワーク９１の出力Ａ／Ｆnn、及び結合係数
Ｗｉｊ，Ｗｉを用いて、第５の実施の形態で示した式
（15−１）により、システムヤコビアンを算出する。

【００５０】状態判定手段５１は、運転状態の変化を判
定する手段で、例えば、スロットル開度の変化速度（ｄ
θｔｈ／ｄｔ）、もしくはエンジン回転数の変化速度
（ｄＮｅ／ｄｔ）、もしくは実空燃比の変化速度（ｄ
（Ａ／Ｆ）／ｄｔ）、またはそれらを組み合わせ、設定
値と比較し、制御対象が定常状態であるか、過渡状態で
あるかを判定する。

【００５１】学習切り替え手段９１１は、状態判定手段
５１の判定結果を受けて、例えばｄ（Ａ／Ｆ）／ｄｔ＝
０の時、このタイミングのデータを用い、定常ニューラ
ルネットワーク学習手段９５により定常ニューラルネッ
トワーク９３の学習を行い、ｄ（Ａ／Ｆ）／ｄｔ≠０の
時は、過渡ニューラルネットワーク学習手段９６により
過渡ニューラルネットワーク９４の学習を行う。尚、こ
こでは定常状態・過渡状態の判定において、０を基準と
して判定したが、変化速度の絶対値がある設定値未満の
時は定常状態、設定値以上の時は過渡状態と判定するよ
う、学習切り替え手段９１１を構成しても良い。

【００５２】定常ニューラルネットワーク学習手段９５
は、ニューロ入力項をエンジン１への実燃料噴射量Ｇｆ
の時系列データ（Ｇｆ（ｋ）、Ｇｆ（ｋ−１）、…）
と、空燃比Ａ／Ｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／
Ｆ（ｋ−１）、…）とし、出力を定常時の空燃比が目標
空燃比Ａ／Ｆref となる予測定常燃料噴射量Ｇｆｓnnと
する定常ニューロ９３の結合係数を、状態判定手段５１
で定常状態と判定されたときのみ、学習切り替え手段９
１１で選択され、目標空燃比Ａ／Ｆref と実空燃比Ａ／
Ｆとの偏差ｅと、ヤコビアン算出手段９２で求められる
システムヤコビアン∂（Ａ／Ｆ）／∂Ｇｆとを用い次式
により修正する。 ΔWs＝αｓ・｛∂ＧｆNN／∂Ws｝・｛∂（A/F ）／∂Gf｝・ｅ …（19−１） 尚、ニューロ入力項にエンジン１の運転状態や環境状態
を示す他のパラメータ、例えば回転数Ｎｅ，吸入空気圧
Ｐｂ，吸入空気温ＴＡ，冷却水温ＴＷ等を加えた構成と
しても良い。

【００５３】同様に過渡ニューラルネットワーク学習手
段９６においても、次式により過渡ニューロ９４の結合
係数を修正する。 ΔWd＝αｄ・｛∂ＧｆNN／∂Wd｝・｛∂(A/F) ／∂Gf｝・ｅ …（20−１） 定常補正係数算出手段９７、及び過渡補正係数算出手段
９８は、予測燃料噴射量ＧｆNNと実燃料噴射量Ｇｆよ
り，第１の実施の形態で示した式（４−１）と同様の方
法により、定常燃料補正係数推定値Ｋｓnnと、過渡燃料
補正係数推定値Ｋｄnnを算出する。

【００５４】定常マップ修正手段９９、又は過渡マップ
修正手段９１０は、状態判定手段５１で定常状態、若し
くは過渡状態と判定されたときに、定常判定タイミング
または過渡判定タイミングの運転状態に対応するマップ
格納手段３の定常補正係数マップ又は過渡補正係数マッ
プの値を、第２の実施の形態で示した式（８−１）（８
−２）、式（９−１）、及び式（10−１）から（10−
４）と同様の方法により修正する。

【００５５】以上の構成の様に、この空燃比制御装置Ａ
６では、定常・過渡の小さなニューラルネットワーク規
模としたので、学習収束時間を短縮すると共に、オンラ
インで制御パラメータのマップ値を安定に自動修正する
ことができ、良好な制御を達成することが可能となる。

【００５６】（実施の形態７）上述の空燃比制御装置Ａ
６では、非線形性の強い対象に対して良好な制御が得ら
れるが、順モデルニューロの開発に時間が掛かると共
に、２つ以上のニューロ演算が必要となりＣＰＵ上での
処理負荷も大きい。そこで、第７の実施の形態として、
システムヤコビアンを順モデルニューロ以外で求め、処
理負荷の低減を図ることを可能とした空燃比制御装置Ａ
７について、図面を参照しつつ説明する。図１０に空燃
比制御装置Ａ７のシステム構成図を示す。この空燃比制
御装置Ａ７は、エンジン１の出力である空燃比Ａ／Ｆが
目標空燃比Ａ／Ｆref となるような燃料噴射量Ｇｆｂを
算出する制御量演算手段１０１と、制御対象であるエン
ジン１の動特性を同定する同定手段１０２と、同定手段
１０２により得られたシステムパラメータを用い、制御
量演算手段１０１で用いる制御パラメータを修正する制
御パラメータ修正手段１０３と、同定手段１０２で求め
たシステムパラメータを用い、制御対象の入力である実
燃料噴射量Ｇｆから出力である空燃比Ａ／Ｆまでの入出
力感度特性を示すシステムヤコビアン∂（Ａ／Ｆ）／∂
Ｇｆを算出するヤコビアン算出手段１０４と、目標空燃
比Ａ／Ｆref と実空燃比Ａ／Ｆとの偏差ｅが０となるよ
うな予測燃料噴射量ＧｆNNを出力する逆モデルニューロ
１０５をオンラインで学習する逆モデルニューラルネッ
トワーク学習手段１０６と、前記逆モデルニューロ１０
５の出力である予測燃料噴射量ＧｆNNと制御量演算手段
１０１の出力である燃料噴射量Ｇｆｂを加算し、実際の
エンジンへ噴射する実燃料噴射量Ｇｆを演算する燃料加
算手段１０７とを有する構成とする。

【００５７】同定手段１０２は、エンジン１への入力で
ある実燃料噴射量Ｇｆの時系列データ（Ｇｆ（ｋ）、Ｇ
ｆ（ｋ−１）、…）と、出力である実空燃比Ａ／Ｆとの
時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ（ｋ−１）、…）
より、最小二乗アルゴリズムを用いてシステムパラメー
タの同定を行う。この方法について以下説明する。ま
ず、制御対象の動特性が、次式で表されるとする。 Ａ／Ｆ（ｋ＋１）＝Ａ・Ａ／Ｆ（ｋ）＋Ｂ・Ｇｆ（ｋ） …（21−１） Ａ（ｚ^-1）＝ａ０＋ａ１ｚ^-1＋…＋ａｍ−１ｚ^-m+1…（21−２） Ｂ（ｚ^-1）＝ｂ０＋ｂ１ｚ^-1＋…＋ｂｎ−１ｚ^-n+1…（21−３） （［ａ０, ａ１, …，ａｍ−１，ｂ０，ｂ１，…，ｂｎ
−１］は未知パラメータ、ｚ^-1は時間遅れ演算子であ
る。） ここで、以下のベクトルを定義する。 θ＝［ａ０, ａ１, …，ａｍ−１，ｂ０，ｂ１，…，ｂｎ−１］^-T…（22−１） v(k)= ［A/F(k),A/F(k-1),…,A/F(k-m+1),Gf(k),Gf(k-1),…,Gf(k-n+1)］^-T …（22−２） この時、式（２１−１）から（２１−３）は、次式で書
き直せる。 Ａ／Ｆ（ｋ＋１）＝Ｖ^T （ｋ）・ θ …（23−１） θとｖ（ｋ）に対し、以下の評価関数Ｊを考える。 Ｊ＝（Ａ／Ｆ_k −Ｖ_k ・θ）^T （Ａ／Ｆ_k −Ｖ_k ・θ） …（24−１） Ａ／Ｆ_k ＝［Ａ／Ｆ（１），Ａ／Ｆ（２），…，Ａ／Ｆ（ｋ）］^T …(24 −２） Ｖ_k ＝［Ｖ（１），Ｖ（２），…，Ｖ（ｋ）］^T …（24−３） 上記、評価関数を最小とするθの推定値θ＊が、次式の
繰り返し最小二乗推定法を用い算出できる。 θ*(k+1)= θ*(k)+ ［Γ(k)V(k+a) ［A/Fref(k+1)-V(k+1)θ＊(k) ］］/ ［1+V ^T (k+1) Γ (k)V(k+1) ］ …（25−１） Γ(k+1)=Γ(k)-［ Γ(k)V(k+1)V^T (k+1) Γ(k) ］/ ［1+V ^T (k+1) Γ(k)V(k+1 ) ］ …（25−２） θ*(k)= ［a0*(k), …，am-1*(k),b0*(k),…,bn-1*(k) ］^T …（25−３） （Γ（ｋ）は適応ゲインである。） この様に同定手段１０２の入力をＶ（ｋ）として未知パ
ラメータθが逐次推定できる。

【００５８】制御パラメータ修正手段１０３は、前記同
定手段１０２で求められるシステムパラメータを用い、
例えば次式により逐次修正する。 Gfb(k)=(1/b0*(k)) ［b1*(k)Gf(k-1)+…１+bn-1*(k)Gf(k-n+1) +a0*(k)A/F(k)+…+am-1*(k)A/F(k-m+1)-A/Fref(k+1) ］ …（26−１） ヤコビアン算出手段１０４は、同定手段１０２で算出さ
れるシステムパラメータを用い、次式により近似計算す
る。 ∂(A/FNN)/∂Gf≒∂(A/Fid)/∂Gf＝∂［V ^T (k) ・ θ*(k)］/ ∂Gf …（27−１ ） 逆モデルニューロ１０４は、ニューロ入力項を実燃料噴
射量Ｇｆの時系列データ（Ａ／Ｆ（ｋ）、Ａ／Ｆ（ｋ−
１）、…）と、空燃比Ａ／Ｆの時系列データ（Ｇｆ
（ｋ）、Ｇｆ（ｋ−１）、…）と、目標空燃比Ａ／Ｆre
f （k+1 ）とし、出力を予測燃料噴射量ＧｆNNとする。

【００５９】逆モデルニューラルネットワーク学習手段
１０６は、逆モデルニューロ１０５の結合係数を、目標
空燃比Ａ／Ｆref と実空燃比Ａ／Ｆとの偏差ｅと、ヤコ
ビアン算出手段１０４で求められるシステムヤコビアン
∂（Ａ／Ｆ）／∂Ｇｆの近似値とを用い以下の式により
修正する。 ΔＷ＝α・｛∂ＧｆNN／∂Ｗ｝・｛∂（Ａ／Ｆ）／∂Ｇｆ｝・ｅ…（28−１） この空燃比制御装置Ａ７は、以上の構成とすることで、
最小二乗同定によりシステムヤコビアンの近似計算がで
きるので、順モデルニューラルネットワークの学習が必
要なくなり、全システムのネットワーク規模を小さくで
き、逆モデルニューロの学習時間を短縮できるととも
に、ＣＰＵ負荷を低減できる。尚、逆モデルニューラル
ネットワーク学習手段１０６において、図１１に示すよ
うに、逆モデルニューロ１０５の結合係数を、目標空燃
比Ａ／Ｆref と実空燃比Ａ／Ｆとの偏差ｅを０とする制
御量演算手段１０１の出力値であるフィードバック制御
量Ｇｆｂにより修正する構成としても良い。

【００６０】

【発明の効果】以上の説明から、本発明は以下のような
効果を奏する。本発明に係る空燃比制御装置を、請求項
１ないし請求項３に記載のように構成することにより、
逆モデルニューロの出力値を用い、マップ修正手段で、
制御量演算手段で算出される燃料噴射量が予測燃料噴射
量となるような制御パラメータを逆算し、逆モデルニュ
ーロが算出されたタイミングの運転状態に対応する制御
パラメータのマップ値を修正することが出来、又、オン
ラインで実空燃比が目標空燃比となる燃料噴射量を算出
する制御パラメータの自動チューニングを行うことがで
きる。

【００６１】本発明に係る空燃比制御装置を請求項４な
いし請求項５に記載のように構成することにより、任意
の時刻での運転状態を表す回転数と吸入空気圧を検出
し、パラメータ推定ニューロにより任意の時刻のタイミ
ングで作成されたニューロ入力データを用いてパラメー
タ推定値を算出し、パラメータ算出手段で、検出された
回転数と吸入空気量を用いて任意の時刻における制御パ
ラメータを算出し、マップ更新手段により、マップ修正
量を算出し、該当するマップ値を修正するので、事前に
エンジンモデルを構築することなく、１つのニューロの
オンライン学習のみで、良好な制御を達成することがで
きる複数の制御パラメータを自動チューニングできる。

【００６２】本発明に係る空燃比制御装置を請求項６な
いし請求項８に記載のように構成することにより、逆モ
デルを表すニューロを定常状態と過渡状態の２つに分け
ることができ、１つの大きな規模のニューロで学習する
よりも、２つの小さな規模のニューロをそれぞれの状況
に応じて学習する方が、収束時間が短く、且つニューロ
の実行時間も短縮できるという効果を得る。

【００６３】また、本発明に係る空燃比制御装置を請求
項９ないし請求項１３に記載のように構成することによ
り、定常状態と過渡状態の２つのニューロに分けること
ができ、定常時の燃料補正係数と過渡時の燃料補正係数
をオンラインで同時に自動チューニングすることができ
る。

【００６４】本発明に係る空燃比制御装置を請求項１４
ないし請求項１８に記載のように構成することにより、
ヤコビアン算出手段により、順モデルニューロを用いて
逆モデルニューラルネットワークの学習に必要なシステ
ムヤコビアンを導出し、マップを修正していくので、非
線形性の強い対象にも制御パラメータのオンライン自動
調整が可能となり、実空燃比が目標空燃比となる燃料噴
射量の修正を行うことができる。

【００６５】本発明に係る空燃比制御装置を請求項１９
ないし請求項２７に記載のように構成することにより、
定常状態、及び過渡状態の小さなニューラルネットワー
ク規模とし、学習収束時間を短縮すると共に、オンライ
ンで制御パラメータのマップ値を安定に自動修正するこ
とができ、良好な制御を達成することが可能となる。

【００６６】本発明に係る空燃比制御装置を請求項２８
ないし請求項３０に記載のように構成することにより、
同定手段により、エンジンへの入力である実燃料噴射量
の時系列データと、出力である実空燃比の時系列データ
により、最小二乗アルゴリズムを用いてシステムパラメ
ータの同定を行い、このパラメータを用いてシステムヤ
コビアンの近似計算ができるため、順モデルニューラル
ネットワークの学習が必要なくなり、全システムのネッ
トワーク規模を小さくでき、逆モデルニューロの学習時
間を短縮できるとともに、ＣＰＵ負荷を低減できる。

【図面の簡単な説明】

【図１】 本発明の第１の実施の形態に係るシステム構
成図である。

【図２】 本発明の第１の実施の形態に係る逆モデルニ
ューロ構成説明図である。

【図３】 本発明の第２の実施の形態に係るシステム構
成図である。

【図４】 本発明の第２の実施の形態に係るマップ更新
フローチャートである。

【図５】 本発明の第３の実施の形態に係るシステム構
成図である。

【図６】 本発明の第４の実施の形態に係るシステム構
成図である。

【図７】 本発明の第５の実施の形態に係るシステム構
成図である。

【図８】 本発明の第５の実施の形態に係る順モデルニ
ューラルネットワーク学習概念図である。

【図９】 本発明の第６の実施の形態に係るシステム構
成図である。

【図１０】 本発明の第７の実施の形態に係るシステム
構成図である。

【図１１】 本発明の第７の実施の形態の別形態に係る
システム構成図である。

【符号の説明】

１ エンジン ２ 制御量演算手段 ３ マップ格納手段 ４ 逆モデルニューロ ５ 逆モデルニューラルネットワーク学習手段 ６ マップ修正手段 ３１ パラメータ推定ニューロ ３２ オンライン学習手段 ３３ パラメータ算出手段 ３４ マップ更新手段 ５１ 状態判定手段 ５２ 定常燃料算出ニューラルネットワーク ５３ 過渡燃料算出ニューラルネットワーク ５４ 学習切り替え手段 ５５ 定常ニューロ学習手段 ５６ 過渡ニューロ学習手段 ５７ 燃料噴射手段 ６１ 定常係数算出ニューラルネットワーク ６２ 過渡係数算出ニューラルネットワーク ６３ 定常ニューラルネットワーク学習手段 ６４ 過渡ニューラルネットワーク学習手段 ６５ パラメータ加算手段 ６６ 補正係数マップ修正手段 ７１ 順モデルニューロ ７２ ヤコビアン算出手段 ７３ 逆モデルニューロ ７４ 逆モデルニューラルネットワーク学習手段 ７５ マップ修正手段 ９３ 定常ニューロ ９４ 過渡ニューロ ９７ 定常補正係数算出手段 ９８ 過渡補正係数算出手段 ９９ 定常マップ修正手段 ９１０ 過渡マップ修正手段 １０２ 同定手段 １０３ 制御パラメータ修正手段 １０４ ヤコビアン算出手段 １０５ 逆モデルニューロ １０６ 逆モデルニューラルネットワーク学習手段 １０７ 燃料加算手段

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｆ０２Ｄ 45/00 ３２４ Ｆ０２Ｄ 45/00 ３２４ ３６２ ３６２Ｈ ３６４ ３６４Ｈ Ｇ０５Ｂ 11/36 Ｇ０５Ｂ 11/36 Ｍ ５０１ ５０１Ｆ 13/02 13/02 Ｄ Ｌ Ｆターム(参考） 3G084 BA09 BA13 DA00 DA04 DA25 EB00 EB02 EB06 EB11 EB17 EC04 FA02 FA10 FA11 FA20 FA29 FA33 3G301 JA00 KA11 MA11 NA09 NB02 NC02 ND00 ND01 ND21 ND45 PA07Z PA10Z PA11Z PD04A PD04Z PE01Z PE08Z 5H004 GA18 GB12 HA02 HA13 HB01 HB03 HB04 HB07 HB08 JA13 JB07 KA32 KA61 KA62 KC12 KC24 KC28 KC39 KD33 KD46 LB08 LB09 LB10 MA04

Claims (30)

【特許請求の範囲】
1. 【請求項１】 内燃機関の燃料噴射装置において、 エンジンへの実燃料噴射量を算出する制御量演算手段
   と、 前記制御量演算手段で用いる複数のパラメータをマップ
   として格納しているマップ格納手段と、 任意の時点における環境条件と運転条件において、目標
   空燃比と実空燃比との偏差が０となるような予測燃料噴
   射量を出力する逆モデルニューロをオンラインで学習す
   る逆モデルニューラルネットワーク学習手段と、 前記逆モデルニューロの出力である予測燃料噴射量を用
   いて、前記マップ格納手段で格納されている、任意の制
   御パラメータのマップ値を修正するマップ修正手段と、
   を有することを特徴とする、 空燃比制御装置。
2. 【請求項２】 請求項１に記載の空燃比制御装置におい
   て、 前記逆モデルニューラルネットワーク学習手段は、 ニューロ入力を実燃料噴射量と空燃比の時系列データ、
   出力を予測燃料噴射量、とする逆モデルニューロの結合
   係数を、 目標空燃比と実空燃比との偏差を０とする前記制御量演
   算手段で算出されるフィードバック制御量を用い修正す
   ること、 を特徴とする空燃比制御装置。
3. 【請求項３】 請求項１又は請求項２に記載の空燃比制
   御装置において、 前記マップ修正手段は、 前記制御量演算手段で算出される燃料噴射量が、前記逆
   モデルニューロの出力である予測燃料噴射量となるよう
   な制御パラメータを算出し、 前記逆モデルニューロが算出されたタイミングの運転状
   態に対応する、前記制御パラメータのマップ値を修正す
   ること、 を特徴とする空燃比制御装置。
4. 【請求項４】内燃機関の燃料噴射装置において、 エンジンへの実燃料噴射量を算出する制御量演算手段
   と、 前記制御量演算手段で用いる複数のパラメータをマップ
   として格納しているマップ格納手段と、 前記制御パラメータの内、少なくとも１つのパラメータ
   推定値を出力するパラメータ推定ニューロをオンライン
   で学習するオンライン学習手段と、 現在の運転条件での制御パラメータを前記マップの出力
   値より算出し前記制御量演算手段へ出力するパラメータ
   算出手段と、 前記パラメータ推定ニューロの出力値であるパラメータ
   推定値と、前記制御パラメータ算出手段で算出された制
   御パラメータを用い、前記マップ格納手段に格納値され
   ている、任意の制御パラメータのマップ値を更新するマ
   ップ更新手段と、 を有することを特徴とする、 空燃比制御装置。
5. 【請求項５】 請求項４に記載の空燃比制御装置におい
   て、 前記オンライン学習手段は、 ニューロ入力を実燃料噴射量と空燃比の時系列データと
   目標空燃比とし、出力を制御パラメータ推定値とする、
   パラメータ推定ニューロの結合係数を、 目標空燃比と実空燃比との偏差を０とする前記制御量演
   算手段で算出されるフィードバック制御量を用い修正す
   ること、 を特徴とする空燃比制御装置。
6. 【請求項６】 内燃機関の燃料噴射装置において、 目標空燃比と実空燃比との偏差を０とする燃料噴射量を
   算出する制御量演算手段と、 エンジン状態が定常状態か過渡状態かを判定する状態判
   定手段と、 定常状態の予測燃料噴射量を推定する定常燃料算出ニュ
   ーロと、 過渡状態の予測燃料噴射量を推定する過渡燃料算出ニュ
   ーロと、 前記状態判定手段の判定結果に基づき、学習するニュー
   ロを切り換える学習切り替え手段と、 前記学習切り替え手段により、定常状態時は、前記定常
   燃料算出ニューロをオンラインで学習する定常ニューラ
   ルネットワーク学習手段と、 前記学習切り替え手段により、過渡状態時は、前記過渡
   燃料算出ニューロをオンラインで学習する過渡ニューラ
   ルネットワーク学習手段と、 前記制御量演算手段の出力値と、前記定常燃料算出ニュ
   ーロの出力値と、前記過渡燃料算出ニューロの出力値
   と、を加算し、エンジンへの実燃料噴射量を算出する燃
   料噴射手段と、 を有することを特徴とする、 空燃比制御装置。
7. 【請求項７】 請求項６に記載の空燃比制御装置におい
   て、 前記定常ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
   系列データと目標空燃比とし、出力を定常時の空燃比が
   目標空燃比となる予測定常燃料噴射量とする、定常燃料
   算出ニューロの結合係数を、 前記状態判定手段で定常状態と判定された時のみ、目標
   空燃比と実空燃比との偏差を０とする前記制御量演算手
   段で算出されるフィードバック制御量を用い修正するこ
   と、 を特徴とする空燃比制御装置。
8. 【請求項８】 請求項６又は請求項７に記載の空燃比制
   御装置において、 前記過渡ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
   系列データとし、出力を過渡時の空燃比が目標空燃比と
   なる予測過渡燃料噴射量とする、過渡燃料算出ニューロ
   の結合係数を、 前記状態判定手段で過渡状態と判定された時のみ、目標
   空燃比と実空燃比との偏差を０とする前記制御量演算手
   段で算出されるフィードバック制御量を用い修正するこ
   と、 を特徴とする空燃比制御装置。
9. 【請求項９】 内燃機関の燃料噴射装置において、 目標空燃比と実空燃比との偏差を０とする実燃料噴射量
   を算出する制御量演算手段と、 前記制御量演算手段の複数の燃料補正係数を補正係数マ
   ップとして格納している補正係数マップ格納手段と、 エンジン状態が定常状態か過渡状態かを判定する状態判
   定手段と、 定常燃料補正係数を推定する定常係数算出ニューロと、 過渡燃料補正係数を推定する過渡係数算出ニューロと、 前記状態判定手段の判定結果に基づき、学習するニュー
   ロを切り換える学習切り替え手段と、 前記学習切り替え手段により、定常状態時は、前記定常
   係数算出ニューロをオンラインで学習する定常ニューラ
   ルネットワーク学習手段と、 前記学習切り替え手段により、過渡状態時は、前記過渡
   係数算出ニューロをオンラインで学習する過渡ニューラ
   ルネットワーク学習手段と、 前記定常係数算出ニューロの出力値と、前記過渡係数算
   出ニューロの出力値に、前記補正係数マップ格納手段で
   格納されている各定常補正係数マップ、及び過渡補正係
   数マップを用いて運転状態に応じ算出される各定常燃料
   補正係数、及び過渡燃料補正係数をそれぞれ加算してえ
   られた加算値を、前記制御量演算手段へ新たな制御パラ
   メータとして引き渡すパラメータ加算手段と、 前記加算値を用いて前記補正係数マップ格納手段に格納
   されている各補正係数マップ値を修正する補正係数マッ
   プ修正手段と、 を有することを特徴とする、 空燃比制御装置。
10. 【請求項１０】 請求項６ないし請求項９のいずれか１
    項に記載の空燃比制御装置において、 前記状態判定手段は、 スロットル開度変化速度、又はエンジン回転数変化速度
    の一方、若しくは両方を用いて、制御対象が定常状態で
    あるか過渡状態であるか、判定を行うこと、 を特徴とする空燃比制御装置。
11. 【請求項１１】 請求項６ないし請求項１０のいずれか
    １項に記載の空燃比制御装置において、 前記状態判定手段は、 実空燃比変化速度を用いて、制御対象が定常状態である
    か過渡状態であるか、判定を行うこと、 を特徴とする空燃比制御装置。
12. 【請求項１２】 請求項９ないし請求項１１のいずれか
    １項に記載の空燃比制御装置において、 前記定常ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データと目標空燃比とし、出力を定常時の空燃比が
    目標空燃比となる定常燃料補正係数推定値とする定常係
    数算出ニューロの結合係数を、 前記学習切り替え手段により前記状態判定手段で定常状
    態と判定された時のみ、目標空燃比と実空燃比との偏差
    を０とする、前記制御量演算手段で算出されるフィード
    バック制御量を用い修正すること、 を特徴とする空燃比制御装置。
13. 【請求項１３】 請求項９ないし請求項１２のいずれか
    １項に記載の空燃比制御装置において、 前記過渡ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データと目標空燃比とし、出力を過渡時の空燃比が
    目標空燃比となる過渡燃料補正係数推定値とする、過渡
    係数算出ニューロの結合係数を、 前記学習切り替え手段により前記状態判定手段で過渡状
    態と判定された時のみ、目標空燃比と実空燃比との偏差
    を０とする、前記制御量演算手段で算出されるフィード
    バック制御量を用い修正すること、 を特徴とする空燃比制御装置。
14. 【請求項１４】 内燃機関の燃料噴射装置において、 エンジンへの実燃料噴射量を算出する制御量演算手段
    と、 前記制御量演算手段の複数のパラメータをマップとして
    格納しているマップ格納手段と、 制御対象である出力を空燃比とするエンジン動特性モデ
    ルを学習した順モデルニューロと、 前記順モデルニューロより、制御対象の入力である燃料
    噴射量から制御対象の出力である空燃比までの入出力感
    度特性を示すシステムヤコビアンを算出するヤコビアン
    算出手段と、 目標空燃比と実空燃比との偏差が０となるような予測燃
    料噴射量を出力する逆モデルニューロをオンラインで学
    習する逆モデルニューラルネットワーク学習手段と、 前記逆モデルニューロの出力である予測燃料噴射量よ
    り、前記マップ格納手段に格納されている、任意の制御
    パラメータのマップ値を修正するマップ修正手段と、 を有することを特徴とする、 空燃比制御装置。
15. 【請求項１５】 請求項１４に記載の空燃比制御装置に
    おいて、 前記順モデルニューロは、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データとし、出力を予測空燃比として予め学習した
    ものを用いること、 を特徴とする空燃比制御装置。
16. 【請求項１６】 請求項１４又は請求項１５に記載の空
    燃比制御装置において、 前記ヤコビアン算出手段は、 前記順モデルニューロの出力及び結合係数を用いて前記
    システムヤコビアンを算出すること、 を特徴とする空燃比制御装置。
17. 【請求項１７】 請求項１４ないし請求項１６のいずれ
    か１項に記載の空燃比制御装置において、 前記逆モデルニューラルネットワーク学習手段は、 ニューロ入力を実燃料噴射量と空燃比の時系列データと
    し、出力を予測燃料噴射量とする逆モデルニューロの結
    合係数を、 目標空燃比と実空燃比との偏差と、前記ヤコビアン算出
    手段で求められるシステムヤコビアンと、を用い修正す
    ること、 を特徴とする空燃比制御装置。
18. 【請求項１８】 請求項１４ないし請求項１７のいずれ
    か１項に記載の空燃比制御装置において、 前記補正係数マップ修正手段は、 前記制御量演算手段で算出される燃料噴射量が前記逆モ
    デルニューロの出力である予測燃料噴射量となるように
    制御パラメータを算出し、 前記逆モデルニューロが算出されたタイミングの運転状
    態に対応する前記制御パラメータのマップ値を修正する
    こと、 を特徴とする空燃比制御装置。
19. 【請求項１９】 内燃機関の燃料噴射装置において、 目標空燃比と実空燃比との偏差を０とする燃料噴射量を
    算出する制御量演算手段と、 前記制御量演算手段の複数の定常燃料補正係数を定常係
    数マップとして、また複数の過渡燃料補正係数を過渡係
    数マップとして格納している定常・過渡係数マップ格納
    手段と、 制御対象である出力を空燃比とするエンジン動特性モデ
    ルを学習した順モデルニューロと、 前記順モデルニューロより制御対象の入力である燃料噴
    射量から出力である空燃比までの入出力感度特性を示す
    システムヤコビアンを算出するヤコビアン算出手段と、 エンジン状態が定常状態か過渡状態かを判定する状態判
    定手段と、 定常状態の予測燃料噴射量を推定する定常ニューロと、 過渡状態の予測燃料噴射量を推定する過渡ニューロと、 前記状態判定手段の判定結果に基づき、学習するニュー
    ロを切り換える学習切り替え手段と、 前記学習切り替え手段により、定常状態時は、前記定常
    ニューロをオンラインで学習する定常ニューラルネット
    ワーク学習手段と、 前記学習切り替え手段により、過渡状態時は、前記過渡
    ニューロをオンラインで学習する過渡ニューラルネット
    ワーク学習手段と、 前記定常ニューロの出力値より定常燃料補正係数推定値
    を算出する定常補正係数算出手段と、 前記過渡ニューロの出力値より過渡燃料補正係数推定値
    を算出する過渡補正係数算出手段と、 前記定常燃料補正係数推定値より前記定常係数マップを
    修正する定常係数マップ修正手段と、 前記過渡燃料補正係数推定値より前記過渡係数マップを
    修正する過渡係数マップ修正手段と、 を有することを特徴とする、 空燃比制御装置。
20. 【請求項２０】 請求項１９に記載の空燃比制御装置に
    おいて、 前記順モデルニューロは、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データとし、出力を予測空燃比として予め学習した
    ものを用いること、 を特徴とする空燃比制御装置。
21. 【請求項２１】 請求項１９又は請求項２０に記載の空
    燃比制御装置において、 前記ヤコビアン算出手段は、 前記順モデルニューロの出力及び結合係数を用いて前記
    システムヤコビアンを算出すること、 を特徴とする空燃比制御装置。
22. 【請求項２２】 請求項１９ないし請求項２１のいずれ
    か１項に記載の空燃比制御装置において、 前記状態判定手段は、 スロットル開度変化速度又はエンジン回転数変化速度の
    一方、若しくは両方を用いて、制御対象が定常状態であ
    るか過渡状態であるか、判定を行うこと、 を特徴とする空燃比制御装置。
23. 【請求項２３】 請求項１９ないし請求項２２のいずれ
    か１項に記載の空燃比制御装置において、 前記状態判定手段は、 実空燃比変化速度を用いて、制御対象が定常状態である
    か過渡状態であるか、判定を行うこと、 を特徴とする空燃比制御装置。
24. 【請求項２４】 請求項１９ないし請求項２３のいずれ
    か１項に記載の空燃比制御装置において、 前記定常ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データとし、出力を定常時の空燃比が目標空燃比と
    なる予測定常燃料噴射量とする、定常ニューロの結合係
    数を、 前記状態判定手段で定常状態と判定された時のみ前記学
    習切り替え手段により選択され、目標空燃比と実空燃比
    との偏差と、前記ヤコビアン算出手段で求められるシス
    テムヤコビアンと、を用い修正すること、 を特徴とする空燃比制御装置。
25. 【請求項２５】 請求項１９ないし請求項２４のいずれ
    か１項に記載の空燃比制御装置において、 前記過渡ニューラルネットワーク学習手段は、 ニューロ入力をエンジンへの実燃料噴射量と空燃比の時
    系列データとし、出力を過渡時の空燃比が目標空燃比と
    なる予測過渡燃料噴射量とする、過渡ニューロの結合係
    数を、 前記状態判定手段で過渡状態と判定された時のみ前記学
    習切り替え手段により選択され、目標空燃比と実空燃比
    との偏差と、前記ヤコビアン算出手段で求められるシス
    テムヤコビアンと、を用い修正すること、 を特徴とする空燃比制御装置。
26. 【請求項２６】 請求項１９ないし請求項２５のいずれ
    か１項に記載の空燃比制御装置において、 前記定常係数マップ修正手段は、 前記状態判定手段で定常状態と判定された時に前記制御
    量演算手段で算出される燃料噴射量が、前記定常ニュー
    ロの出力である予測定常燃料噴射量となるように、定常
    燃料補正係数推定値を逆算し、 前記定常判定タイミングの運転状態に対応する前記定常
    係数マップを修正すること、 を特徴とする空燃比制御装置。
27. 【請求項２７】 請求項１９ないし請求項２６のいずれ
    か１項に記載の空燃比制御装置において、 前記過渡係数マップ修正手段は、 前記状態判定手段で過渡状態と判定された時に前記制御
    量演算手段で算出される燃料噴射量が、前記過渡ニュー
    ロの出力である予測過渡燃料噴射量となるように過渡燃
    料補正係数推定値を逆算し、 前記過渡判定タイミングの運転状態に対応する前記過渡
    係数マップを修正すること、 を特徴とする空燃比制御装置。
28. 【請求項２８】 内燃機関の燃料噴射装置において、 エンジン出力である空燃比が目標空燃比となるような燃
    料噴射量を算出する制御量演算手段と、 制御対象であるエンジンの動特性を同定する同定手段
    と、 前記同定手段により得られたシステムパラメータを用
    い、前記制御量演算手段で用いる制御パラメータを修正
    する制御パラメータ修正手段と、 前記同定手段によりえられたシステムパラメータを用
    い、制御対象の入力である燃料噴射量から、制御対象の
    出力である空燃比までの入出力感度特性を示すシステム
    ヤコビアンを算出するヤコビアン算出手段と、 前記目標空燃比と実空燃比との偏差が０となるような予
    測燃料噴射量を出力する逆モデルニューロをオンライン
    で学習する逆モデルニューラルネットワーク学習手段
    と、 前記逆モデルニューロの出力である予測燃料噴射量と、
    前記制御量演算手段の出力である燃料噴射量を加算し、
    実際にエンジンへ噴射する実燃料噴射量を演算する燃料
    加算手段と、 を有することを特徴とする、 空燃比制御装置。
29. 【請求項２９】 請求項２８に記載の空燃比制御装置に
    おいて、 前記同定手段は、 エンジンへの入力である実燃料噴射量と、エンジンへの
    出力である実空燃比との時系列データより、最小二乗ア
    ルゴリズムを用いてシステムパラメータの同定を行うこ
    と、 を特徴とする空燃比制御装置。
30. 【請求項３０】 請求項２８又は請求項２９に記載の空
    燃比制御装置において、 前記逆モデルニューラルネットワーク学習手段は、 ニューロ入力を実燃料噴射量と空燃比の時系列データと
    目標空燃比とし、出力を予測燃料噴射量とする、逆モデ
    ルニューロの結合係数を、 目標空燃比と実空燃比との偏差と、前記ヤコビアン算出
    手段で求められるシステムヤコビアンと、を用い修正す
    ること、 を特徴とする空燃比制御装置。