JP2004340151A

JP2004340151A - 吸気流を診断するための方法及び装置

Info

Publication number: JP2004340151A
Application number: JP2004144531A
Authority: JP
Inventors: Michael A Kropinski; マイケル・エイ・クロピンスキー; Mark D Miotke; マーク・ディー・ミョッケ
Original assignee: Motors Liquidation Co
Current assignee: Motors Liquidation Co
Priority date: 2003-05-14
Filing date: 2004-05-14
Publication date: 2004-12-02
Also published as: US20040230368A1; DE102004023450A1; DE102004023450B4; US7181334B2

Abstract

【課題】ニューラルネットワークを使用して内燃エンジン（ＩＣＥ）のセンサを診断するための方法及び装置を提供する。
【解決手段】エンジン制御装置が、このエンジン制御装置に連結された複数のセンサと、エンジン制御装置で作動するニューラルネットワークとを含み、複数のセンサのうちの少なくとも一つが故障したとき、故障したセンサの代表的値をニューラルネットワークが発生する。
【選択図】図１

Description

本発明は、内燃エンジン（内燃機関）の制御装置に関する。更に詳細には、本発明は、内燃エンジンで作動するセンサを診断するための方法及び装置に関する。

今日の自転車エンジン制御システムは、エンジンセンサと、内部にソフトウェアを記憶する制御装置又は電子式制御ユニット（ＥＣＵ）に直接接続されたアクチュエータと、を備えている。ソフトウェアは、車輛で使用されるセンサ及びアクチュエータの数が増えるに従ってどんどん複雑になっている。現在の政府規制では、汚染及び車輛性能の低下を最少にするため、故障したセンサができるだけ早期に交換されるように、エミッションと関連したセンサの各々を診断しなければならない。この理由により、不合理な即ち範囲外のセンサ値の検出に応答できる診断アルゴリズムによって各センサが監視されている。診断により良好なセンサを不良センサから区別する無数の方法があり、これにより、診断開発プロセスに多くの分析オプションが含まれることとなり、非常に扱いにくいものとなっている。

センサを診断するための現在のプロセスは、アルゴリズムを設計し、良好なセンサから収集したデータを不良センサのデータと比較し、良好なシステムを不良システムから区別するための値の決定を試みる。様々な作動環境について良好なセンサを不良センサから区別するパラメータを発生するプロセスを、診断開発プロセスと呼ぶ。このプロセスは、代表的には、センサが良好である場合と故障した場合のシステムにおける相違を確認するために手作業で試行錯誤で行われる。様々な気候、高度、及び車輛作動条件を含む様々な環境で得られたデータに基づいて決定がなされる。現在の診断開発プロセスは、時間がかかり、帰納的データ又は発見的なデータに重きをおいている。

本発明は、ニューラルネットワークを使用して内燃エンジン（ＩＣＥ）のセンサを診断するための方法及び装置を提供する。ニューラルネットワーク（ＮＮ）は、複雑な計算を実行するのに使用される数学的な道具である。公知の入力を公知の出力と関連させる方程式又は伝達関数をつくる道具である。ＮＮを、入力値を所望の出力値と関連させるデータイグザンプラー（ｄａｔａｅｘｅｍｐｌａｒｓ：データ見本）に基づいて学習させる。学習プロセスには、入力値と、対応する所望の出力値と、の間のエラーを最少にするように内部ＮＮの重みを調節する工程が含まれる。組み込まれる制御システムの外側で学習されるＮＮは、「オフライン」で学習されたと言われる。別の態様では、制御システムをリアルタイム（実時間）で実行している間、ＮＮを「オンライン」で学習させることができる。いずれかの方法を使用し、ＮＮを一杯に学習させ制御システムに組み込むと、複雑な計算を行うことができるが、これ以外では簡単な算術方程式で試行するのが非常に困難である。

ブラックボックスの観点から見て、ＮＮは、入力された値を取り込み、かかる入力値を出力値に変換する基本的に複雑な伝達関数である。ブラックボックスの内部には、幾つかの所望の結果が得られるように、入力と出力との間に相互連結部及びノードを含む潜在的に複雑な構造である。

ニューラルネットワークは、数十億のニューロンがシナプスによって相互連結されてできた人間の脳の動作をヒントとしたものであり、人間の脳のようにＮＮは学習させなければならない。学習プロセスには、イグザンプラー（見本）と呼ぶ一連の周知の入力／出力データ対をとりあげる工程が含まれる。これらのイグザンプラーをバックプロパゲーション（逆伝搬法、逆伝播）プロセス等の学習アルゴリズムに供給し、各入力に対して最小二乗法誤差を発生する。本質的には、学習アルゴリズムを各イグザンプラーを通して反復し、各ノード間の相互連結部の重みを調節し、各イグザンプラーについて正しい出力を発生する全体としての伝達関数を発生する。全体としての伝達関数は、ノードの組み合わせで形成されており、ノードはそれ自体が単一の伝達関数を構成しており、全体としての伝達関数は、即ち、重みをつけた連結部の和と掛け合わされる。

ＮＮが十分に学習された後、任意の入力に対し、その入力値が元々の学習組で使用されたことがはっきりしていない場合でも、出力値を計算できる。入力値が刻々と変化するシステムで学習済のＮＮが実施されると、使用された学習対の一方と入力が適合した場合、出力は、学習中に使用された値と等しくなる。そうでない場合には、出力は、学習により得られたＮＮの全体としての伝達関数に基づいて計算された値である。

本発明は、更に、自動関連ニューラルネットワーク（ＡＡＮＮ）を診断に組み込み、分析に要する労力の一部をエンジニアからコンピュータに移すようにしたものである。診断が十分に開発されると、デフォルト又はフェイルソフトの作用を必要とする場合に、車輛と通信するアルゴリズムが最終的に得られる。適正なフェイルソフト値を発生するのに必要なアルゴリズムの開発は、顧客の満足に対して重要である。故障が存在する場合に走り続けることができる車輛は、顧客の不便を最少にするが、立ち往生した（ｓｔｒａｎｄｅｄ）車輛はそうではない。本発明の自動関連ニューラルネットワーク診断（ＡＡＮＮＤ）は、診断開発プロセスの改良、関連したセンサ群の故障の正確な検出、及び優れたフェイルソフト値の決定に繋がる特徴を有する。ＡＡＮＮＤの利点は、センサ群が互いにどれほど良好に関連しているのか、及びＡＡＮＮをどれ程良好に学習できるのかに左右される。

ＡＡＮＮの学習プロセスにより、分析に要する労力の一部を、エンジニアから、現在の診断により良好なシステムの不良システムからの区別を可能にする伝達関数を学習するコンピュータに移す。エンジニアによって行われた通常の分析は、ＡＡＮＮが良好なシステムからのデータで学習された場合、自動的に実行される。更に、不良システムを表すのに使用されたデータは、学習手順中に使用されたスクリプトによって自動的に発生される。従って、従来は車輛の開発で行われた分析作業を、オフラインで、高価な開発リソースなしで行うことができる。

本発明の一実施例では、エンジンに流入する空気と関連した三つのセンサを監視する診断（又は診断装置）が開発された。この診断は、学習済のＡＡＮＮを含む。このＡＡＮＮによって、一つのセンサの故障を三つのセンサのうちの任意の一つのセンサに基づいて検出し、残りの良好なセンサから読み取った値で決まる正確なフェイルソフト値を提供することができる。ＡＡＮＮの出力は、良好なセンサの実際の値に基づく又はかかる良好なセンサの実際の値を突き止める推測値（評価値又は推算値）である。

本発明の別の実施例では、制御システムで従来の物理的センサに代えて仮想センサ値を使用できる。
本発明の診断ＡＡＮＮは、複雑な伝達関数を発生する。前記複雑な伝達関数は、その入力でセンサ値に存在する重複情報を圧縮する。センサ値は、後に圧縮状態から解放され同じ正確値をその出力に発生する。この学習済のＡＡＮＮを、次いで、車輛に装着し、ここで、センサが良好である場合には、入力値と等しい出力値を発生し続ける。しかしながら、入力で不良センサの値が現れた場合には、同じでない出力値が計算される。計算された出力値とその対応する入力値との間の相違を使用し、故障のフラグが立てられる（故障が表示される）。故障状態が続いた場合には、前記推測出力を前記システムにフィードバックし、診断が再設定されるまで動的フェイルソフト値として使用する。

［実施例］
図１は、入力層１２と、マッピング層１４、ボトル−ネック層１６、デマッピング層を含む三つの隠れ（ｈｉｄｄｅｎ）層と、出力層２０とを含む自動関連ニューラルネットワーク（ＡｕｔｏＡｓｓｏｃｉａｔｉｖｅＮｅｕｒａｌＮｅｔｗｏｒｋ：ＡＡＮＮ）１０の概略図である。本発明のＡＡＮＮ１０の全体としての伝達関数は、対応する入力についての値と等しくなるように出力を調整するため、１に等しい。ＡＡＮＮ１０の設計は、通常は１ではない全伝達関数を得るため、ボトル−ネック層１６でのデータの圧縮を使用する。この種のＡＡＮＮを適正に作動するためには、入力データは、分析的に重複している性質を有し、この場合、ＡＡＮＮ１０への入力は物理的に幾分関連している。分析的に重複した情報を使用して、入力が部分的にしか正しくない場合や故障状態にある場合に、正しい出力値を発生することができる。例えば、一つの入力でセンサが故障している場合、十分な情報が他の入力から来入し、故障したセンサについての正しい出力を発生する。分析的重複性を備えた本発明のＡＡＮＮ１０を使用して、各出力について期待値を計算することができ、次いでこれらの期待値を使用して不良入力値を検出することができ、また、故障したセンサ値の代わりにフェイルソフトの値を前記システムに提供することができる。確固としたもの（ｒｏｂｕｓｔｎｅｓｓ）とするために、また、ひどいエラー（誤り）を含む入力に対してエラーのない出力値を発生するために、ＡＡＮＮ１０は、この入出力挙動を表す複数の見本（ｅｘｅｍｐｌａｒ：イグザンプラー）に基づいて学習される。

全作動範囲に亘るシステムを表す十分な数の良好なデータ値を使用してＡＡＮＮ１０を最初に学習させると、センサ故障がない限り、その出力をその入力と等しくできる。この時点で学習を停止した場合には、ＡＡＮＮ１０は、学習されて、良好なシステムをモデル化し、故障を従来の方法で検出するのに使用できるようになる。現在のセンサ値をＡＡＮＮ１０の計算した出力と比較し、これらの二つの値の差が閾値を越えた場合に、故障のフラグが立てられる（故障が表示される）。しかしながら、学習をここで止めずに、不良センサを表すデータに基づいてシステムを学習させると、ＡＡＮＮ１０の出力を用いて、不良入力に対してフェイルソフトの値を直ちに提供することができる。ＡＡＮＮ１０の学習では、帰納的データのコンパイルが行われる。これは、学習プロセス中に向きを変えることができる幾つかの「節（ｋｎｏｂ）」があるためである。学習により、最終的には、良好なセンサ値がある場合に入力と同じ出力を発生し、及び故障したセンサがある場合にフェイルソフト値を提供するＡＡＮＮ１０が得られる。故障センサの見本（イグザンプラー）でこの第２の学習工程を受けたＡＡＮＮを、確固（ロバスト）ＡＡＮＮと呼ぶ。本発明の好ましい実施例で開発されたＡＡＮＮ１０は、確固型である。

本発明は、好ましい実施例では、ＡＡＮＮ１０を図２のエンジン制御システムで示すように自動車の用途で使用するが、本発明の範囲内で任意のセンサの用途が考えられる。エンジン制御システム３０はエンジン制御装置３２を含み、このエンジン制御装置は、クーラント温度、気温、ＭＡＰセンサ３４からのマニホールド圧力（ＭＡＰ）、ＭＡＦセンサ３６からのマニホールド空気流量（ＭＡＦ）、エンジンポジションセンサ３８からのエンジン速度及びエンジンのポジション、ペダルポジション、スロットルポジションセンサ（すなわち、スロットル位置センサ）４０からのスロットルポジション即ち角度（ＴＰＳ）、及び酸素センサ４４及び４６によって触媒コンバータの前後での排気酸素測定値、というセンサ測定値を受け取る。

空気は、吸気マニホールド５２を通って内燃エンジン（ＩＣＥ）５０に進入する。スロットルプレート５４が、ＩＣＥ５０を通る空気流を制御する。スロットルプレート５４は、アクセルペダルに連結されたワイヤによって、電子的に又は手動で制御できる。空気は、エンジン制御装置３２によって制御される燃料噴射装置５６からの燃料と混合する。当該技術分野で一般に公知のように、混合気がピストン５８に進入し、ここで点火され、クランクシャフトを回転させる。当該技術分野で一般に公知のように、触媒コンバータ４２によって排気ガスを酸化し還元する。

エンジンのマニホールドに進入する空気と関連したセンサは、分析的重複性を備えており、本発明の好ましい実施例で使用される。詳細には、ＭＡＰセンサ３４、ＭＡＦセンサ３６、及びＴＰＳセンサ４０が、ＩＣＥ５０を通って流れる空気と関連している。ＭＡＦセンサ３６は、ＩＣＥ５０に吸い込まれる空気の量を測定し、ＭＡＰセンサ３４はＩＣＥ５０内の圧力を測定し、ＴＰＳセンサ４０はスロットルブレード５４の角度又は面積を測定する。

図３は、本発明のＡＡＮＮ６０の好ましい実施例の概略図である。ＭＡＰセンサ３４、ＭＡＦセンサ３６、及びＴＰＳセンサ４０のデータは、正規化関数６２へ入力される。正規化したセンサ値は、線型伝達関数を持つ入力層６４で演算処理される。この入力層６４は、重みつき接続部６６に対して出力を発生する。Ｓ字伝達関数（シグモイド伝達関数）を持つマッピング層６８は、値を、重みつき関数７０に出力する。ボトルネック層７２は、重みつき接続部７０からの入力を演算処理し、重みつき接続部７４に対して出力を発生する。この重みつき接続部７４は、デマッピング層７６に信号を出力し、値を重みつき接続部７８に出力する。線型伝達関数を持つ入力層８０が、重みつき接続部７８からの出力を演算処理する。ブロック８２は、ブロック８０からの出力を非正規化し、代表値ＭＡＦ’、ＭＡＰ’、及びＴＰＳ’を発生する。上文中に説明した自動関連ニューラルネットワーク６０（層６２乃至８２）の関数は以下の通りである。
ａ＝Ｆ₁（Ｗ₅Ｆ₂（Ｗ₄Ｆ₁（Ｗ₃Ｆ₂（Ｗ₂Ｆ₁（Ｗ₁ｐ＋ｂ₁）＋ｂ₂）＋ｂ₃）＋ｂ₄）＋ｂ₅）
ここで、
Ｆ₁＝線形変換関数
Ｆ₂＝タンジェント（正接）−Ｓ字変換関数
Ｗ₁＝入力層６４についての重みつきベクトル（３×３行列）
Ｗ₂＝マッピング層６８についての重みつきベクトル（６×３行列）
Ｗ₃＝ボトルネック層７２についての重みつきベクトル（２×６行列）
Ｗ₄＝デマッピング層７６についての重みつきベクトル（６×２行列）
Ｗ₅＝出力層８０についての重みつきベクトル（３×６行列）
ｂ₁＝入力層６４についてのバイアスベクトル（３×１行列）
ｂ₂＝マッピング層６８についてのバイアスベクトル（６×１行列）
ｂ₃＝ボトルネック層７２についてのバイアスベクトル（２×１行列）
ｂ₄＝デマッピング層７６についてのバイアスベクトル（６×１行列）
ｂ₅＝出力層８０についてのバイアスベクトル（３×１行列）
ｐ＝入力パターン（３×１行列）
ａ＝出力パターン（３×１行列）
代表的値ＭＡＦ’、ＭＡＰ’、及びＴＰＳ’は、一般的には、通常の作動状態で、又は、センサ３４、３６、及び４０のうちの任意のセンサについての故障状態で、ＭＡＰセンサ３４、ＭＡＦセンサ３６、及びＴＰＳセンサ４０が発生する値とほぼ等しくしなければならない。従って、エンジン制御システム３０は、故障があっても通常のパラメータ内で作動でき、別の態様では、物理的センサにの代わりに代表的値を使用できる。

本発明の変形例では、エンジン速度センサ、トランスミッション速度センサ、ホイール速度センサ等の他の関連したセンサ群、スロットルポジションセンサ等の関連センサ、及び他の同様のセンサ群を本発明で使用できる。

本発明は、例示され且つ上文中に説明した構造そのものに限定されず、特許請求の範囲に記載の本発明の精神及び範囲から逸脱することなく、様々な変形及び変更を行うことができるということは理解されるべきである。

図１は、自動関連のニューラルネットワークの概略図である。図２は、本発明のエンジン制御システムの概略図である。図３は、本発明のエンジンの制御に使用される好ましいニューラルネットワークのダイヤグラムである。

符号の説明

１０自動関連ニューラルネットワーク
１２入力層
１４マッピング層
１６ボトル−ネック層１６、
２０出力層
３０エンジン制御システム
３２エンジン制御装置
３４ＭＡＰセンサ
３６ＭＡＦセンサ
４０スロットルポジションセンサ（スロットル位置センサ）
４２触媒コンバータ
４４、４６酸素センサ
５０内燃エンジン
５２吸気マニホールド
５４スロットルプレート
５６燃料噴射装置
５８ピストン

Claims

エンジン制御システムであって、
エンジン制御装置と、
前記エンジン制御装置に連結された複数のセンサと、
前記エンジン制御装置で作動するニューラルネットワークとを備え、
前記複数のセンサのうちの少なくとも一つが故障したとき、前記ニューラルネットワークが、前記故障したセンサの代表的値を発生する、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
前記複数のセンサは、マニホールド圧力センサと、空気流センサと、スロットルポジションセンサとを含む、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、前記複数のセンサについての代表的値を継続的に発生する、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、１の伝達関数を有する、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、自動関連ニューラルネットワークである、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
前記複数のセンサは、トランスミッション速度センサと、エンジン速度センサと、ホイール速度センサとを含む、エンジン制御システム。
請求項１に記載のエンジン制御システムにおいて、
さらに、圧縮点火機関を含む、エンジン制御システム。
エンジン制御方法であって、
一組のセンサ測定値を決定する工程と、
前記センサ測定値を演算処理し、前記センサ測定値の代表的値を決定する工程と、
前記一組のセンサ測定値と
前記センサ測定値の代表的値との比較に基づいて、センサの故障を決定する工程とを備えた、エンジン制御方法。
請求項１に記載の方法において、
前記センサ測定値を演算処理し、前記センサ測定値の代表的値を決定する工程は、ニューラルネットワークで前記センサ測定値を演算処理する工程を備える、方法。
車輛用の制御システムであって、
エンジンと、
前記エンジンを制御する制御装置と、
前記制御装置に接続された複数のセンサと、
前記制御装置で作動し、前記制御装置についてのセンサ信号を発生するニューラルネットワークとを備えた、車輛用の制御システム。
請求項１０に記載の制御システムにおいて、
前記複数のセンサは、圧力センサと、空気流センサと、スロットルポジションセンサとを備えた、制御システム。
請求項１０に記載の制御システムにおいて、
前記ニューラルネットワークは、１の伝達関数を有する、制御システム。
請求項１０に記載の制御システムにおいて、
前記ニューラルネットワークは、複数のセンサを故障について検査し、故障したセンサについての代表的信号を発生する、制御システム。
エンジン制御方法において、
内燃エンジンを提供する工程と、
前記内燃エンジンを制御する制御装置を提供する工程と、
前記制御装置で作動するニューラルネットワークを提供する工程と、
一組のセンサ測定値を決定する工程と、
前記センサ測定値をニューラルネットワークで演算処理し、前記センサ測定値の代表的値を決定する工程とを備えた、エンジン制御方法。