JP2012007593A - プラントの制御装置 - Google Patents

Abstract

【課題】プラントの固体ばらつきや経年劣化による推定値の誤差を抑制できるプラントの制御装置を提供すること。
【解決手段】排気浄化システムの制御装置は、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴを、複数の入力に基づきニューラルネットワークにより算出するＮＯｘ量推定値算出部８１１と、ＮＯｘ量と相関のある排気空燃比の推定値Φ_ＨＡＴを、複数の入力に基づきニューラルネットワークにより算出するＬＡＦセンサ出力推定値算出部８１２と、排気空燃比を検出するＬＡＦセンサ３４と、推定誤差Ｅ_ＨＡＴを含む複数の入力に基づいて、ＮＯｘ量推定値算出部８１１及びＬＡＦセンサ出力推定値算出部８１２のうちＮＯｘ量推定値算出部８１１のみに入力される適応入力Ｕ_ＶＮＳを算出する適応入力算出部８１３と、を備える。
【選択図】図５

Description

本発明は、プラントの制御装置に関する。特に、プラントの状態を示す所定の物理量の推定値を算出し、この推定値に基づいてプラントの制御量を制御するプラントの制御装置に関する。

内燃機関やその排気浄化システムなどのプラントにおいて、このプラントの状態を示す複数の物理量は、センサにより検出されている物理量（検出物理量）と、センサにより検出されていない物理量（非検出物理量）とに分けられる。ここで、非検出物理量には、原理的にセンサで直に検出できない物理量や、耐久性やコストなどの様々な理由からセンサを用いて直に検出しない物理量などが含まれる。このような非検出物理量に基づいてプラントを制御する必要が生じた場合、制御装置では、基本的には他の検出物理量に基づいて、その推定値を算出する。

非検出物理量の具体例の１つとして、例えば内燃機関の排気浄化システムでは、ＥＧＲ量やＥＧＲ率などの排気還流装置に関わる物理量が挙げられる。特許文献１や特許文献２には、ＥＧＲ量やＥＧＲ率の推定値の算出や、この推定値に基づいた制御に関する技術が示されている。

特許文献１には、各種バルブの開度と、吸入新気量と、機関回転数と、ＥＧＲ率との関係が定められたマップにより、ＥＧＲ率の推定値を算出する制御装置が示されている。この制御装置では、ＥＧＲ率の推定値が目標ＥＧＲ率に維持するようにディーゼルパティキュレートフィルタ（以下、「ＤＰＦ（Ｄｉｅｓｅｌ Ｐａｒｔｉｃｕｌａｔｅ Ｆｉｌｔｅｒ）」という）を再生することにより、内燃機関から排出される窒素酸化物（以下、「ＮＯｘ」という）の量の変動を抑制している。

特許文献２には、ＥＧＲ弁の開度やエアフローメータで検出された吸入空気量などに基づいて、ＥＧＲ量の推定値を算出する制御装置が示されている。この制御装置では、推定したＥＧＲ量に基づいて、燃料噴射時期やパイロット噴射量を補正することにより、内燃機関の過渡運転状態における燃焼騒音を低減したり、ＮＯｘの排出量を低減したりしている。

特開２００８−１０６７１７号公報 特開２００８−１９７８２号公報

ところで、特許文献１及び特許文献２に示された技術や、その他従来から知られている技術などにおいて、ＥＧＲ量やＥＧＲ率を推定する際には、予め設定されたマップや、物理モデルに基づいて予め設定された演算式が用いられる。しかしながら、このような予め設定されたマップや演算式を用いた場合、例えば、システムの経年劣化や固体ばらつきが生じると、推定値と実際の値との間に誤差が生じてしまい、結果として適切な制御が行えなくなってしまう。

本発明は上述した点を考慮してなされたものであり、推定値に基づいてプラントの制御量を制御するプラントの制御装置であって、プラントの固体ばらつきや経年劣化による推定値の誤差を抑制できるプラントの制御装置を提供することを目的とする。

上記目的を達成するため本発明は、プラント（２）の制御装置を提供する。前記制御装置は、前記プラントの状態を示す複数の物理量のうちの少なくとも１つである第１物理量の推定値（ＮＯＸ_ＨＡＴ）を、複数の入力に基づき所定のアルゴリズムにより算出する第１推定値算出手段（８１１）と、前記第１物理量と相関のある第２物理量の推定値（Φ_ＨＡＴ）を、複数の入力に基づき所定のアルゴリズムにより算出する第２推定値算出手段（８１２）と、前記第２物理量を検出する検出手段（３４）と、前記検出手段により検出された第２物理量の検出値（Φ_ＡＣＴ）と前記第２推定値算出手段により算出された第２物理量の推定値（Φ_ＨＡＴ）との偏差（Ｅ_ＨＡＴ）又は比率を含む複数の入力に基づいて、前記第１推定値算出手段及び前記第２推定値算出手段のうち前記第１推定値算出手段のみに入力される適応入力（Ｕ_ＶＮＳ）を算出する適応入力算出手段（８１３）と、を備え、前記第１物理量の推定値に基づいて、前記プラントの所定の制御量を制御する。

この構成によれば、第１推定値算出手段で所定のアルゴリズムに基づいて第１物理量の推定値を算出し、第２推定値算出手段で所定のアルゴリズムに基づいて第２物理量の推定値を算出する。ここで、第１推定値算出手段には、第２物理量の推定値と検出手段の出力値との偏差又は比率を含む複数の入力に基づいて算出された適応入力が入力される。さらにこの第１物理量の推定値に基づいて、プラントの所定の制御量を制御する。

ここで、例えば、プラントに固体ばらつきや経年劣化が生じることにより、第１物理量の推定値に誤差が発生したとする。この場合、第１物理量と相関のある第２物理量の推定値にも、誤差が発生すると考えられる。上記構成によれば、この第１物理量の推定値に発生する誤差は、第２物理量の推定値と検出手段の検出値との偏差又は比率として検出される。さらにこの偏差又は比率に基づいて適応入力が算出され、第１推定値算出手段に入力される。これにより、第１物理量の推定値の誤差が抑制される。また、このような第１物理量の推定値に基づいてプラントの所定の制御量を制御することにより、プラントの制御量を適切な状態に制御することができる。

また、ここで例えば、適応入力を第１推定値算出手段及び第２推定値算出手段の両方に入力する場合と、上記構成のように適応入力を第１推定値算出手段にのみ入力する場合とで比較する。前者の場合、適応入力を第１推定値算出手段及び第２推定値算出手段の両方に入力することにより、第１物理量の推定値とともに第２物理量の推定値の誤差も抑制することができる。これに対して、後者の場合、適応入力を第１推定値算出手段のみに入力することにより、第２物理量の推定値の誤差を抑制することはできないものの、第２推定値算出手段への入力の数を減らすことができるので、その分だけ、第２推定値算出手段におけるアルゴリズムを簡易にすることができる。これにより、第２推定値算出手段の構築にかかる時間や計算負荷を軽減することができる。

この場合、前記適応入力算出手段は、前記第２物理量の検出値と前記第２物理量の推定値との偏差又は比率並びに前記第２物理量の検出値を含んで構成された複数の入力に基づいて、ファジィ推論アルゴリズムにより前記適応入力を算出することが好ましい。

この構成では、上記偏差又は比率並びに第２物理量の検出値を含む複数の入力に基づき、ファジィ推論アルゴリズムにより適応入力を算出する。これにより、検出値と推定値の偏差又は比率だけでなく、第２物理量の検出値の情報を有効に取り込み、プラントの特性変化を示す適切な適応入力を算出することができる。

この場合、前記ファジィ推論アルゴリズムは、前記第２物理量の検出値と前記第２物理量の推定値との偏差又は比率の大きさを２以上に区分し、前記検出手段により検出された第２物理量の検出値の大きさを２以上に区分し、それぞれがどの区分に属するかによって定まる４つ以上の領域に対して設定されたファジィルールを含むことが好ましい。

この構成によれば、上記偏差又は比率並びに第２物理量の大きさをそれぞれ２以上に区分し、それぞれがどの区分に属するかによって定まる４つ以上の領域に対して設定されたファジィルールを含むファジィ推論アルゴリズムに基づいて適応入力を算出することにより、簡単かつ効率的な演算で適応入力を算出することができる。

この場合、前記第１推定値算出手段のアルゴリズム及び前記第２推定値算出手段のアルゴリズムは、それぞれ、所定の関数（ｆ（ｘ）、ｇ（ｘ））に従って出力する複数のニューロンを結合して構成されたニューラルネットワークであることが好ましい。

この構成では、非線形な動特性の再現性に優れたニューラルネットワークにより第１物理量及び第２物理量の推定値を算出する。これにより、例えば、実際の第１物理量が非線形な挙動を示したとしても、これを精度良く推定することができる。

この場合、前記第１推定値算出手段への複数の入力（Ｕ）、及び、前記第２推定値算出手段への複数の入力（Ｕ_ＬＡＦ）には、それぞれ、複数の異なる時刻の物理量に関するデータが含まれることが好ましい。

この構成によれば、第１推定値算出手段及び第２推定値算出手段への入力に、複数の異なる時刻の物理量に関するデータを含めることで、推定値の動的挙動の再現性をより向上することができる。

この場合、前記プラントは、内燃機関の排気系に設けられ、還元剤の存在下で前記排気系を流通するＮＯｘを還元する選択還元触媒（６１）と、前記排気系のうち前記選択還元触媒の上流側に、還元剤又は還元剤の元となる添加剤を供給する還元剤供給手段（６２）と、を備える内燃機関の排気浄化システム（２）であり、前記プラントの第１物理量は、前記選択還元触媒に流入する排気中のＮＯｘに関するパラメータを含むことが好ましい。

この構成によれば、選択還元触媒に流入する排気中のＮＯｘに関するパラメータを第１物理量として、この第１物理量の推定値を上述の手順で算出する。排気中のＮＯｘを検出するセンサは、現存するものでは、検出分解能や応答性が低く、また出力ばらつきが大きい。このため、排気中のＮＯｘに関するパラメータを、精度良く検出することができない。そこで、このような排気中のＮＯｘに関するパラメータの推定値を第１推定値算出手段で精度良く算出することにより、排気浄化システムを、その固体ばらつきや経年劣化に応じて適切な状態に制御することができる。

この場合、前記制御装置は、前記排気中のＮＯｘに関するパラメータの推定値に基づいて、前記還元剤供給手段による還元剤又は添加剤の供給量を決定するコントローラをさらに備えることが好ましい。

この構成によれば、コントローラは、排気中のＮＯｘに関するパラメータの推定値に基づいて、還元剤又は添加剤の供給量を決定する。これにより、排気浄化システムの固体ばらつきや経年劣化に合わせて、選択還元触媒におけるＮＯｘ浄化率を高く維持することができる。

本発明の一実施形態に係るエンジン及びその排気浄化システムと、その制御装置との構成を示す模式図である。 上記実施形態に係る排気浄化システムの制御装置の構成を示すブロック図である。 上記実施形態に係る最大ストレージ容量と選択還元触媒温度との関係を示す図である。 上記実施形態に係る選択還元触媒のストレージモデルの概念を示す模式図である。 上記実施形態に係る適応バーチャルセンサシステムの構成を示すブロック図である。 上記実施形態に係るＮＯｘ量推定値算出部のニューラルネットワーク構造を示す図である。 上記実施形態に係るシグモイド関数を示す図である。 上記実施形態に係る定常負荷運転状態におけるエンジンの排気中のＮＯｘ量と排気空燃比との関係を示す図である。 上記実施形態に係る推定誤差と適応入力との関係を模式的に示す図である。 上記実施形態に係る前件部メンバーシップ関数の構成を示す図である。 上記実施形態に係る後件部メンバーシップ関数の構成を示す図である。 上記実施形態に係るルールの重みを算出する手順を示す図である。 上記実施形態に係る適応バーチャルセンサシステムを構築する手順を示すフローチャートである。 上記実施形態に係る排気浄化システムの動作例を示す図である。

［第１実施形態］
以下、本発明の第１実施形態を、図面を参照して説明する。
図１は、本実施形態に係る内燃機関（以下「エンジン」という）１及びその排気浄化システム２と、その制御装置との構成を示す模式図である。

エンジン１は、リーンバーン運転方式のガソリンエンジン又はディーゼルエンジンであり、図示しない車両に搭載されている。エンジン１には、各シリンダの燃焼室内に燃料を噴射する燃料噴射弁が設けられている。これら燃料噴射弁は、電子制御ユニット（以下「ＥＣＵ」という）８により電気的に接続されており、燃料噴射弁の開弁時間及び閉弁時間は、ＥＣＵ８により制御される。

排気浄化システム２は、エンジン１に接続され吸気が流通する吸気管２０と、エンジン１の排気が流通する排気管３０と、排気の一部を吸気に還流する高圧排気還流装置（以下、「高圧ＥＧＲ装置」という）４０及び低圧排気還流装置（以下、「低圧ＥＧＲ装置」という）４５と、排気を浄化する酸化触媒３５、ＤＰＦ３６、選択還元触媒６１及びユリア噴射装置６２と、エンジン１に吸気を圧送するターボチャージャ５０と、を含んで構成される。

吸気管２０は、吸気マニホールド２１の複数の分岐部を介してエンジン１の各気筒の吸気ポートに接続されている。排気管３０は、排気マニホールド３１の複数の分岐部を介してエンジン１の各気筒の排気ポートに接続されている。また、吸気管２０には、ターボチャージャ５０と、インタークーラ５９とが上流側からこの順で設けられている。

ターボチャージャ５０は、排気管３０に設けられたタービン５１と、吸気管２０に設けられたコンプレッサ５２と、を備える。タービン５１は、排気管３０を流通する排気の運動エネルギにより駆動される。コンプレッサ５２は、タービン５１の回転により駆動され、吸気を加圧する。さらに、ターボチャージャ５０は、開閉動作によりタービン５１の回転速度を変更する図示しない可変ベーンを備える。インタークーラ５９は、ターボチャージャ５０により加圧された吸気を冷却する。

排気管３０のうち、ターボチャージャ５０のタービン５１の下流には、酸化触媒３５と、ＤＰＦ３６と、ユリア噴射装置６２と、選択還元触媒６１とが、上流側からこの順で設けられている。

酸化触媒３５は、排気との反応により発生する熱で排気を昇温するとともに、排気中のＮＯをＮＯ_２に変換し後述の選択還元触媒６１におけるＮＯｘの還元を促進する。この酸化触媒３５には、例えば、触媒として作用する白金（Ｐｔ）を、アルミナ（Ａｌ_２Ｏ_３）担体に担持させたものに、ＨＣの吸着作用に優れたゼオライトと、ＨＣの水蒸気改質作用に優れたロジウム（Ｒｈ）を加えて構成されたものが用いられる。

ＤＰＦ３６は、排気がフィルタ壁の微細な孔を通過する際、排気中の炭素を主成分とする粒子状物質（以下、「ＰＭ（Ｐａｒｔｉｃｕｌａｔｅ Ｍａｔｔｅｒ）」という）を、フィルタ壁の表面及びフィルタ壁中の孔に堆積させることによって捕集する。フィルタ壁の構成材料としては、例えば、炭化珪素（ＳｉＣ）などのセラミックスの多孔体が使用される。

ユリア噴射装置６２は、ユリアタンク６２１と、ユリア噴射弁６２３とを備える。ユリアタンク６２１は、選択還元触媒６１における還元剤の元となる尿素水を貯蔵する。ユリア噴射弁６２３は、ＥＣＵ８に接続されており、ＥＣＵ８からの制御信号により動作し、この制御信号に応じた量の尿素水を排気管３０内のＤＰＦ３６と選択還元触媒６１との間に噴射する。すなわち、ユリア噴射制御が実行される。

選択還元触媒６１は、アンモニア等の還元剤が存在する雰囲気下で、排気中のＮＯｘを選択的に還元する。具体的には、ユリア噴射装置６２により尿素水を噴射すると、この尿素水は、排気の熱により熱分解又は加水分解されて還元剤としてのアンモニアが生成される。生成されたアンモニアは、選択還元触媒６１に供給され、これらアンモニアにより、排気中のＮＯｘが選択的に還元される。

ところで、この選択還元触媒６１は、尿素水から生成したアンモニアで排気中のＮＯｘを還元する機能を有するとともに、生成したアンモニアを所定の量だけ貯蔵する機能も有する。以下では、選択還元触媒６１において貯蔵されたアンモニア量をストレージ量とし、選択還元触媒６１において貯蔵できるアンモニア量を最大ストレージ容量とする。このようにして貯蔵されたアンモニアは、排気中のＮＯｘの還元にも適宜消費される。このため、ストレージ量が大きくなるに従い、選択還元触媒６１におけるＮＯｘ還元率は高くなる。また、エンジンから排出されたＮＯｘの量に対し尿素水の供給量が少ない場合等には、貯蔵されたアンモニアが、この尿素水の不足分を補うようにしてＮＯｘの還元に消費される。

ここで、選択還元触媒６１において、最大ストレージ容量を超えてアンモニアが生成された場合、生成されたアンモニアは、選択還元触媒６１の下流側へ排出される。このようにしてアンモニアが選択還元触媒６１に貯蔵されず、その下流側へ排出されることを、以下では「アンモニアスリップ」という。後に詳述するように、選択還元触媒６１のストレージ量が所定の目標値に維持されるようにユリア噴射制御を行うことにより、選択還元触媒６１におけるＮＯｘ浄化率を高く維持しながら、アンモニアスリップの発生も極力抑制することができる。

高圧ＥＧＲ装置４０は、高圧ＥＧＲ管４１と、高圧ＥＧＲバルブ４２と、高圧ＥＧＲクーラ４３と、を含んで構成される。高圧ＥＧＲ管４１は、排気マニホールド３１と吸気マニホールド２１とを接続する。高圧ＥＧＲバルブ４２は、高圧ＥＧＲ管４１に設けられ、この高圧ＥＧＲ管４１を介して還流される排気の流量を制御する。高圧ＥＧＲクーラ４３は、高圧ＥＧＲ管４１を介して還流される排気を冷却する。高圧ＥＧＲバルブ４２は、図示しないアクチュエータを介してＥＣＵ８に接続されており、その開度（リフト量）はＥＣＵ８により電磁的に制御される。

低圧ＥＧＲ装置４５は、低圧ＥＧＲ管４６と、低圧ＥＧＲバルブ４７と、低圧ＥＧＲクーラ４８と、を含んで構成される。低圧ＥＧＲ管４６は、排気管３０のうち選択還元触媒６１の下流側と吸気管２０のうちコンプレッサ５２の上流側とを接続する。低圧ＥＧＲバルブ４７は、低圧ＥＧＲ管４６に設けられ、この低圧ＥＧＲ管４６を介して還流される排気の流量を制御する。低圧ＥＧＲクーラ４８は、低圧ＥＧＲ管４６を介して還流される排気を冷却する。低圧ＥＧＲバルブ４７、図示しないアクチュエータを介してＥＣＵ８に接続されており、その開度（リフト量）はＥＣＵ８により電磁的に制御される。

ＥＣＵ８には、エンジン１のクランク軸の回転角度を検出するクランク角度位置センサ１１、及びエンジン１により駆動される車両のアクセルペダルの踏み込み量を検出するアクセルセンサ１２が接続されており、これらセンサの検出信号は、ＥＣＵ８に供給される。ここで、エンジン１の回転数ＮＥは、クランク角度位置センサ１１の出力に基づいてＥＣＵ８により算出される。エンジン１の負荷を示す燃料噴射量Ｇ_ＦＵＥＬは、アクセルセンサ１２の出力に基づいてＥＣＵ８により算出される。

これらセンサ１１，１２に加えて、ＥＣＵ８には、排気浄化システム２の各部分における物理量を検出する吸気圧力センサ２４、第１排気圧力センサ３２、第２排気圧力センサ３３、ＬＡＦセンサ３４、第１リフトセンサ１３、第２リフトセンサ１４、選択還元触媒温度センサ３８が接続されている。
吸気圧力センサ２４は、吸気管２０のうちインタークーラ５９の下流側の吸気圧力Ｐ２を検出し、検出値に略比例した信号をＥＣＵ８に送信する。第１排気圧力センサ３２は、高圧ＥＧＲ管４１のうち高圧ＥＧＲクーラ４３の上流側の排気圧力Ｐ３を検出し、検出値に略比例した信号をＥＣＵ８に送信する。第２排気圧力センサ３３は、排気管３０のうちタービン５１と酸化触媒３５との間の排気圧力Ｐ４Ｌを検出し、検出値に略比例した信号をＥＣＵ８に送信する。ＬＡＦセンサ３４は、排気管３０のうちタービン５１と酸化触媒３５との間の排気の空燃比Φ_ＡＣＴを検出し、検出値に略比例した信号をＥＣＵ８に送信する。第１リフトセンサ１３は、高圧ＥＧＲバルブ４２のリフト量Ｌ_{ＨＰ＿ＡＣＴ}を検出し、検出値に略比例した信号をＥＣＵ８に送信する。第２リフトセンサ１４は、低圧ＥＧＲバルブ４７のリフト量Ｌ_{ＬＰ＿ＡＣＴ}を検出し、検出値に略比例した信号をＥＣＵ８に送信する。選択還元触媒温度センサ３８は、選択還元触媒６１の温度Ｔ_ＳＣＲを検出し、検出値に略比例した信号をＥＣＵ８に送信する。

ＥＣＵ８は、各種センサからの入力信号波形を整形し、電圧レベルを所定のレベルに修正し、アナログ信号値をデジタル信号値に変換するなどの機能を有する入力回路と、中央演算処理ユニット（以下「ＣＰＵ」という）とを備える。この他、ＥＣＵ８は、ＣＰＵで実行される各種演算プログラム及び演算結果などを記憶する記憶回路と、高圧ＥＧＲバルブ４２、低圧ＥＧＲバルブ４７、ターボチャージャ５０、及びエンジン１の燃料噴射弁などに制御信号を出力する出力回路と、を備える。

次に、以上のような排気浄化システム２のユリア噴射量を制御するＥＣＵを構成するにあたり、本願発明者が着目した課題について説明する。従来では、ユリア噴射装置と選択還元触媒との間に排気中のＮＯｘ量を検出するＮＯｘセンサを設け、このＮＯｘセンサの検出値に基づいてユリア噴射量を決定することが知られている。しかしながら、このようにＮＯｘセンサを用いた場合には、以下のような課題がある。

（１）先ず、現存するＮＯｘセンサは、高精度でユリア噴射制御を行うにはＮＯｘの観測分解能が十分ではなく、また固体ばらつきが大きい。このため、ユリア噴射量が不足してＮＯｘ浄化率が低下したり、逆にユリア噴射量が過多になってしまい過剰なアンモニアスリップが発生したりする虞がある。

（２）また、現存するＮＯｘセンサは、高精度でユリア噴射制御を行うには応答性能が十分では無い。このため、特に過渡時において大きなセンシング遅れが生じてしまい、結果としてユリア噴射量が不足しＮＯｘ浄化率が低下する虞がある。

（３）また、現存するＮＯｘセンサは、センサ素子の割れを防止するために、急速昇温することができない。このため、エンジンの始動後、ＮＯｘセンサが活性に達するまで、数百秒程度かかってしまう場合がある。したがって、この間は、ＮＯｘセンサの出力を利用できないため、ＮＯｘ浄化率が低下したりアンモニアスリップが発生したりする虞がある。

以上のように、ユリア噴射制御を行うためにＮＯｘセンサを設けることの利点は多くない。また、ＮＯｘセンサの出力を用いずに、予め設定したマップを用いてユリア噴射量を決定することも考えられるが、この場合も、高い精度でユリア噴射量を決定することは困難であり、また、エンジンや排気浄化システムの劣化や固体ばらつきに対応することも困難である。

以下では、以上のような課題に鑑みてなされた、排気浄化システム２の制御装置の構成について説明する。以下、詳細に説明するように、本実施形態では、排気中のＮＯｘ量の推定値を算出する適応バーチャルセンサシステムを構築する。すなわち、本実施形態では、ニューラルネットワークを用いて排気中のＮＯｘ量を推定し、さらにこのＮＯｘ量の推定値に基づいてユリア噴射制御を行う。

図２は、排気浄化システム２の制御装置の構成を示すブロック図である。なお、図２には、排気浄化システム２におけるユリア噴射制御に係る構成のみを図示する。より具体的には、ユリア噴射装置のユリア噴射量Ｇ_ＵＲＥＡの決定に関する、ＥＣＵにより構成されるモジュールのみを図示する。

このモジュールは、適応バーチャルセンサシステム８１と、フィードフォワード噴射量決定部８２と、ストレージ量目標値設定部８３と、フィードバック噴射量決定部８４と、を含んで構成される。

このモジュールにおいて、ユリア噴射量Ｇ_ＵＲＥＡ（ｋ）は、下記式（１）に示すように、加算器８５によりフィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）とフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）との和を算出することにより決定される。

ここで、記号（ｋ）は、離散化した時間を示す記号であり、所定の制御周期ごとに検出又は算出されたデータであることを示す。すなわち、記号（ｋ）が今回の制御タイミングにおいて検出又は算出されたデータであるとした場合、記号（ｋ−１）は前回の制御タイミングにおいて検出又は算出されたデータであることを示す。なお、以下の説明においては、記号（ｋ）を適宜、省略する。

以下、詳細に説明するように、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）は、適応バーチャルセンサシステム８１により算出された排気中のＮＯｘ量の推定値ＮＯＸ_ＨＡＴに基づいて、フィードフォワード噴射量決定部８２により決定される。
また、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）は、ストレージ量目標値設定部８３により設定された目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）にストレージ量を維持するように、フィードバック噴射量決定部８４により決定される。

適応バーチャルセンサシステム８１は、複数のセンサ２４，３２，３３，３４，１３，１４，３７，３８の検出値Ｐ２，Ｐ３，Ｐ４Ｌ，Φ_ＡＣＴ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}に基づいて、酸化触媒と選択還元触媒との間の排気のＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出する。なお、この適応バーチャルセンサシステム８１の詳細な構成については、後に図５〜図１３を参照して説明する。

フィードフォワード噴射量決定部８２は、下記式（２）に示すように、適応バーチャルセンサシステム８１により算出されたＮＯｘ量の推定値ＮＯＸ_ＨＡＴ（ｋ）に、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}を乗算することにより、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）を決定する。下記式（２）において、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}は、ＮＯｘ量からユリア噴射量に変換する変換係数である。より具体的には、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}は、所定の量のＮＯｘを還元するために必要なユリア噴射量である。

ストレージ量目標値設定部８３は、選択還元触媒温度の検出値Ｔ_ＳＣＲ（ｋ）に基づいて、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定する。

図３は、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}と選択還元触媒温度Ｔ_ＳＣＲとの関係を示す図であり、検出値Ｔ_ＳＣＲ（ｋ）に基づいて、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定するためのマップを示す図である。
この図に示すように、選択還元触媒温度Ｔ_ＳＣＲが上昇するに従い最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}は減少する。そこで、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}は、アンモニアスリップが発生しないように、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}よりもやや小さな値に設定される。

図２に戻って、ストレージ量目標値設定部８３では、図３に示すようなマップに基づいて、検出値Ｔ_ＳＣＲ（ｋ）に応じた目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定する。

フィードバック噴射量決定部８４は、選択還元触媒の所定のストレージモデルに基づいてストレージ量ＳＴ_ＵＲＥＡを推定しつつ、このストレージ量の推定値ＳＴ_ＵＲＥＡが設定された目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に一致するように、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}を決定する。

図４は、選択還元触媒のストレージモデルの概念を示す模式図である。
このアンモニアストレージモデルは、選択還元触媒に流入する排気のＮＯｘ量に対するユリア噴射量に応じて、選択還元触媒におけるアンモニアのストレージ量の変化を推定するモデルである。具体的には、選択還元触媒におけるストレージ量の変化の状態を、所定のＮＯｘ量に対してユリア噴射量が適切な状態（図４の（ａ）参照）と、ユリア噴射量が過剰な状態（図４の（ｂ）参照）と、ユリア噴射量が不足した状態（図４の（ｃ）参照）との、３つの状態に分類する。

図４の（ａ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が適切な状態である場合、すなわち、排気中のＮＯｘを最も効率良く還元できるアンモニアの量と、供給した尿素水から生成されるアンモニアの量とが略一致した場合には、ストレージ量の変化はない。

図４の（ｂ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が過剰な状態である場合、すなわち、供給した尿素水から生成されたアンモニアの量が、排気中のＮＯｘを最も効率良く還元できる量より多い場合には、この余剰分のアンモニアが選択還元触媒に貯蔵される。したがって、このような供給過剰（Ｏｖｅｒ−ｄｏｓｉｎｇ）状態では、ストレージ量は増加する。

図４の（ｃ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が不足した状態である場合、すなわち、供給した尿素水から生成されたアンモニアの量が、排気中のＮＯｘを最も効率良く還元できる量より少ない場合には、この不足分は貯蔵されたアンモニアから補われる。したがって、このような供給不足（Ｕｎｄｅｒ−ｄｏｓｉｎｇ）状態では、ストレージ量は減少する。

フィードバック噴射量決定部８４では、以上のようなストレージモデルに基づいてストレージ量の推定値ＳＴ_ＵＲＥＡを算出する。より具体的には、下記式（３）〜（６）に基づいて算出する。

先ず、選択還元触媒に流入したＮＯｘを還元するために必要な量のユリア噴射量Ｇ_{ＵＲＥＡ＿ＩＤＥＡＬ}（ｋ）は、下記式（３）に示すように、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴに基づいて算出される。

ストレージ量を増減する要因となるユリア噴射量の余剰分Ｄ_ＵＲＥＡ（ｋ）は、下記式（４）に示すように、実際のユリア噴射量Ｇ_ＵＲＥＡ（ｋ）から還元に必要なユリア噴射量Ｇ_{ＵＲＥＡ＿ＩＤＥＡＬ}（ｋ）を減算することにより算出される。

したがって、ストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）は、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}（ｋ）を上限値として、下記式（５）及び（６）に示すように、ユリア噴射量の余剰分Ｄ_ＵＲＥＡ（ｋ）に基づいて算出される。

ここで、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}（ｋ）は、選択還元触媒温度Ｔ_ＳＣＲ（ｋ）に応じて、上述の図３に示すようなマップを検索することにより設定される。

フィードバック噴射量決定部８４は、以上のように算出されたストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）が目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）に一致するように、下記式（７）〜（１０）に以下に示すような拡大系Ｉ−Ｐ制御によりフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）を決定する。

先ず、下記式（７）に示すように、ストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）と目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）との偏差Ｅ_ＳＴ（ｋ）を算出する。

次に、偏差Ｅ_ＳＴ（ｋ）に積分ゲインＫＩ_ＳＴを乗算したものを、下記式（８）に示すように、積分項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｉ}（ｋ）として定義する。

一方、ストレージ量の推定値の微分値ＳＴ_ＵＲＥＡ（ｋ）−ＳＴ_ＵＲＥＡ（ｋ−１）を算出し、この微分値に比例ゲインＫＰ_ＳＴを乗算したものを、下記式（９）に示すように、比例項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｐ}（ｋ）として定義する。

次に、下記式（１０）に示すように、比例項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｐ}（ｋ）と積分項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｉ}（ｋ）の和を算出し、これをフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）として決定する。

以下、図５〜図１３を参照して、適応バーチャルセンサシステム８１の構成について詳細に説明する。
図５は、適応バーチャルセンサシステム８１の構成を示すブロック図である。
適応バーチャルセンサシステム８１は、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出するＮＯｘ量推定値算出部８１１と、ＬＡＦセンサ３４の出力（排気空燃比）の推定値Φ_ＨＡＴを算出するＬＡＦセンサ出力推定値算出部８１２と、後述の適応入力Ｕ_ＶＮＳを算出する適応入力算出部８１３とを含んで構成される。

ＮＯｘ量推定値算出部８１１は、上述の課題（１）〜（３）を解決するため、非線形な動特性の再現性に優れたニューラルネットワークを用いてＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出する。また、さらに、この適応バーチャルセンサシステム８１では、ＮＯｘ量とは別の物理量であり、かつ、ＮＯｘ量と相関のある物理量である排気空燃比の推定値Φ_ＨＡＴを、ＮＯｘ量推定値算出部８１１と同様に、ニューラルネットワークを用いてＬＡＦセンサ出力推定値算出部８１２で算出する。

加算器８１４では、下記式（１１）に示すように、算出した排気空燃比の推定値Φ_ＨＡＴ（ｋ）とＬＡＦセンサ３４の検出値Φ_ＡＣＴ（ｋ）との間の推定誤差Ｅ_ＨＡＴ（ｋ）を算出する。

適応入力算出部８１３は、後に図８〜図１２を参照して詳述するように、ＬＡＦセンサ３４の検出値Φ_ＡＣＴ及び推定誤差Ｅ_ＨＡＴに基づいて、ニューラルネットワークが構成されたＮＯｘ量推定値算出部８１１及びＬＡＦセンサ出力推定値算出部８１２のうちＮＯｘ量推定値算出部８１１のみに入力される適応入力Ｕ_ＶＮＳを算出する。

この適応入力Ｕ_ＶＮＳは、例えば、「−１」〜「１」の間に設定されるものであり、後に詳述するように、ＮＯｘ量推定値算出部８１１において、排気浄化システムの所定の基準品からの特性変化の度合い、すなわちその劣化や固体ばらつきによる基準品から特性変化の度合いを示す値として、ニューラルネットワークの学習時に設定される入力である。

すなわち、この適応バーチャルセンサシステム８１では、直感的には、排気浄化システムの劣化や固体ばらつきにより生じるＮＯｘ量の推定値の誤差を、ＮＯｘ量と相関のある物理量の推定誤差Ｅ_ＨＡＴにより間接的に検出する。そして、この誤差に基づいて、基準品からのずれを示す入力として予め用意しておいた適応入力Ｕ_ＶＮＳを算出し、この適応入力Ｕ_ＶＮＳをＮＯｘ量推定値算出部８１１及びＬＡＦセンサ出力推定値算出部８１２のうちＮＯｘ量推定値算出部８１１のみに入力する。これにより、ＮＯｘ量推定値算出部８１１のニューラルネットワーク構造において、排気浄化システムの劣化や固体ばらつきに対する適応特性を実現することができる。

ここで、本実施形態の適応バーチャルセンサシステム８１におけるＮＯｘ量と、排気空燃比との関係について説明する。この適応バーチャルセンサシステム８１では、出力として必要となるのはＮＯｘ量の推定値ＮＯＸ_ＨＡＴである。これに対して、排気空燃比の推定値Φ_ＨＡＴは、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴの真値との誤差を小さくするために、補助的に算出されるものである。

すなわち、排気浄化システムが劣化したり固体ばらつきが発生したりした場合には、ＮＯｘ量に及ぼされる影響と、補助的に検出される物理量に及ぼされる影響とがほぼ等しいことが好ましい。したがって、このような補助的に検出する物理量としては、上述のように推定する必要のある物理量と上述のような相関があること、並びに、センサにより常時検出できる物理量であることが好ましい。このような条件を満たす物理量であれば、補助的に検出する物理量は、排気空燃比に限られない。

以下では、ＮＯｘ量推定値算出部８１１、ＬＡＦセンサ出力推定値算出部８１２、及び適応入力算出部８１３の構成について順に説明する。

［ＮＯｘ量推定値算出部］
図６は、ＮＯｘ量推定値算出部８１１のニューラルネットワーク構造を示す図である。
このニューラルネットワークは、所定の関数に従って出力する複数のニューロンを結合して構成され、ｍ成分の入力ベクトルＵ（ｋ）に応じて、値Ｙ（ｋ）を出力する。図６に示すように、このニューラルネットワークは、ｍ個のニューロンＷ_１ｊ（ｊ＝１〜ｍ）で構成された入力層と、ｍ×（ｎ−１）個のニューロンＷ_ｉｊ（ｉ＝２〜ｎ，ｊ＝１〜ｍ）で構成された中間層と、１個のニューロンＹで構成された出力層との３つの層を含んで構成された階層型である。
入力層：Ｗ_１ｊ （ｊ＝１，２，…，ｍ）
中間層：Ｗ_ｉｊ （ｉ＝２，３，…，ｎ，ｊ＝１，２，…，ｍ）
出力層：Ｙ

入力層のｍ個のニューロンＷ_１ｊ（ｊ＝１〜ｍ）の動作について説明する。
入力層のニューロンＷ_１ｊには、信号Ｔ_１ｊ（ｋ）が入力される。この入力信号Ｔ_１ｊ（ｋ）には、それぞれ、下記式（１２）に示すように入力ベクトルＵ（ｋ）のｊ番目の成分Ｕ_ｊ（ｋ）が用いられる。

入力層のニューロンＷ_１ｊは、中間層のｍ個のニューロンＷ_２ｊ（ｊ＝１〜ｍ）に所定の重みで結合しており、これら結合したｍ個のニューロンＷ_２ｊへ信号Ｖ_１ｊ（ｋ）を出力する。すなわち、このニューロンＷ_１ｊは、下記式（１３），（１４）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_１ｊ（ｋ）に応じた信号Ｖ_１ｊ（ｋ）をｍ個のニューロンＷ_２ｊに出力する。

図７は、シグモイド関数ｆ（ｘ）を示す図である。この図７には、上記式（１０）において、ε＝０とし、β＝０．５，１．０，２．０，３．０とした場合を示す。
シグモイド関数ｆ（ｘ）の値域は、［ε，ε＋１］となっている。また、図７に示すように、シグモイド関数ｆ（ｘ）は、βを大きくするに従い、ｘ＝０を中心としたステップ関数に近づく。

上記式（１４）において、係数βはシグモイド関数ｆ（ｘ）の傾きゲインを示し、係数εはシグモイド関数ｆ（ｘ）のオフセット値を示す。傾きゲインβは、後述のニューラルネットワークの学習により設定する。オフセット値εは、後述のニューラルネットワークの学習により設定するか、又は所定の値に設定しておく。

次に中間層の（ｎ−１）×ｍ個のニューロンＷ_ｉｊ（ｉ＝２〜ｎ，ｊ＝１〜ｍ）の動作について説明する。
中間層のニューロンＷ_ｉｊ（ｉ＝２〜ｎ，ｊ＝１〜ｍ）には、結合するニューロンから出力されたｍ個の信号Ｖ_{ｉ−１，ｊ}（ｊ＝１〜ｍ）のそれぞれに所定の重みω_{ｉ−１，ｊ}（ｊ＝１〜ｍ）を乗じた信号の和が入力される。したがって、中間層のニューロンＷ_ｉｊには、下記式（１５）に示すような信号Ｔ_ｉｊ（ｋ）が入力される。

中間層のニューロンのうち出力層に結合するｍ個を除いたニューロン、すなわち、（ｎ−２）×ｍ個のニューロンＷ_ｉｊ（ｉ＝２〜ｎ−１，ｊ＝１〜ｍ）は、中間層のｍ個のニューロンＷ_{ｉ＋１，ｊ}（ｊ＝１〜ｍ）に重みω_ｉｊで結合しており、これら結合したニューロンＷ_{ｉ＋１，ｊ}へ信号Ｖ_ｉｊ（ｋ）を出力する。すなわち、このニューロンＷ_ｉｊ（ｉ＝２〜ｎ−１，ｊ＝１〜ｍ）は、下記式（１６）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_ｉｊ（ｋ）に応じた信号Ｖ_ｉｊ（ｋ）をｍ個のニューロンＷ_{ｉ＋１，ｊ}に出力する。

また、中間層のｍ個のニューロンＷ_ｎｊ（ｊ＝１〜ｍ）は、出力層のニューロンＹに重みω_ｎｊで結合しており、この出力層のニューロンＹへ信号Ｖ_ｎｊ（ｋ）を出力する。すなわち、これらニューロンＷ_ｎｊ（ｊ＝１〜ｍ）は、下記式（１７）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_ｎｊ（ｋ）に応じた信号Ｖ_ｎｊ（ｋ）をニューロンＹに出力する。

次に出力層のニューロンＹの動作について説明する。
出力層のニューロンＹには、結合する中間層のニューロンから出力されたｍ個の信号Ｖ_ｎ，ｊ（ｊ＝１〜ｍ）に所定の重みω_ｎ，ｊ（ｊ＝１〜ｍ）を乗じた信号の和が入力される。したがって、出力層のニューロンＹには、下記式（１８）に示すような信号Ｔ（ｋ）が入力される。

出力層のニューロンＹは、下記式（１９），（２０）に示すように、シグモイド関数ｇ（ｘ）に従って、入力信号Ｔ（ｋ）に応じた信号Ｙ（ｋ）を出力する。

シグモイド関数ｇ（ｘ）は、上述の図７に示す関数ｆ（ｘ）と、定性的には同じ振る舞いを示すが、値域が［δ，δ＋α］である点でシグモイド関数ｆ（ｘ）と異なる。上記式（１９）において、係数γはシグモイド関数ｇ（ｘ）の傾きゲインを示し、係数δはシグモイド関数ｇ（ｘ）のオフセット値を示す。また、係数αはニューラルネットワークの出力の取り得る自由度を設定するための出力ゲインを示す。傾きゲインγ及び出力ゲインαは、後述のニューラルネットワークの学習により設定する。オフセット値δは、後述のニューラルネットワークの学習により設定するか、又は所定の値に設定しておく。

ニューラルネットワークに対する入力ベクトルＵ（ｋ）の成分を、下記式（２１）に示すように定義する。このように、入力ベクトルＵ（ｋ）の成分には、ＮＯｘ量を推定するために必要となる複数の物理量（燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ３Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、適応入力算出部により算出された適応入力Ｕ_ＶＮＳとが含まれる。また、入力ベクトルＵ（ｋ）の成分には、このように異なる種類の物理量に関するデータが含まれているとともに、異なる時刻の物理量に関するデータも含まれている。

また、このような入力ベクトルＵ（ｋ）に対するニューラルネットワークの出力Ｙ（ｋ）を、下記式（２２）に示すように、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴ（ｋ）として定義する。なお、このニューラルネットワークの学習の手順については、後に図１３を参照して詳述する。

［ＬＡＦセンサ出力推定値算出部］
図５に戻って、ＬＡＦセンサ出力推定値算出部８１２の構成について説明する。
ＬＡＦセンサ出力推定値算出部８１２は、ＮＯｘ量推定値算出部８１１と同様に、ニューラルネットワークによりＬＡＦセンサ３４の出力の推定値Φ_ＨＡＴを算出する。

このＬＡＦセンサ出力推定値算出部８１２のニューラルネットワークに対する入力ベクトルＵ_ＬＡＦ（ｋ）の成分は、下記式（２３）に示すように定義する。このように、入力ベクトルＵ_ＬＡＦ（ｋ）の成分には、排気空燃比を推定するために必要となる複数の物理量（燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ４Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、が含まれており、ＮＯｘ量推定値算出部８１１のニューラルネットワークに対する入力ベクトルＵ（ｋ）と比較して、適応入力Ｕ_ＶＮＳを含まない点が異なる。

また、ＬＡＦセンサ出力推定値算出部８１２のニューラルネットワーク構造は、その入力ベクトルＵ_ＬＡＦ（ｋ）の成分数が、上述のようにＮＯｘ量推定値算出部８１１のニューラルネットワークに対する入力Ｕ（ｋ）の成分数よりも１つ少ない点を除き、図６及び図７を参照して詳述したＮＯｘ量推定値算出部８１１のニューラルネットワーク構造とほぼ同じである。したがって、その詳細な説明を省略する。なお、このニューラルネットワークの学習の手順については、後に図１３を参照して詳述する。

［適応入力算出部］
次に、図８〜図１２を参照して、適応入力算出部の構成について説明する。適応入力算出部では、現在の排気浄化システムの所定の基準品からの特性変化の度合いを示す適応入力Ｕ_ＶＮＳを、ファジィ推論アルゴリズムに基づいて算出する。

図８は、定常負荷運転状態におけるエンジンの排気中のＮＯｘ量と排気空燃比との関係を示す図である。図８に示すように、排気空燃比がリーンになるに従いＮＯｘ量は増加する傾向がある。適応入力算出部では、排気空燃比とＮＯｘ量との間に図８のような相関関係があることを利用して、ＬＡＦセンサの検出値Φ_ＡＣＴのＬＡＦセンサの推定値Φ_ＨＡＴに対するずれ方に応じて、現在の排気浄化システムの基準品からの特性変化の度合いに相当する適応入力Ｕ_ＶＮＳを算出する。

したがって、例えば、実際のＬＡＦセンサの検出値Φ_ＡＣＴが推定値Φ_ＨＡＴと等しい場合、つまり推定誤差Ｅ_ＨＡＴが「０」の場合、これは現在の排気浄化システムは基準品に対して特性変化が無いことを示すものであるから、この場合、適応入力Ｕ_ＶＮＳを「０」に設定する。
例えば、実際のＬＡＦセンサの検出値Φ_ＡＣＴが推定値Φ_ＨＡＴより大きい場合、つまり推定誤差Ｅ_ＨＡＴが正の場合、これは現在の排気浄化システムが基準品に対しＮＯｘ量増加側へその特性が変化したことを示すものであるから、この場合、適応入力Ｕ_ＶＮＳを正の値に設定する。
また、例えば、実際のＬＡＦセンサの検出値Φ_ＡＣＴが推定値Φ_ＨＡＴより小さい場合、つまり推定誤差Ｅ_ＨＡＴが負の場合、これは現在の排気浄化システムが基準品に対しＮＯｘ量減少側へその特性が変化したことを示すものであるから、この場合、適応入力Ｕ_ＶＮＳを負の値に設定する。

図９は、推定誤差Ｅ_ＨＡＴと適応入力Ｕ_ＶＮＳとの関係を模式的に示す図である。
実際の車両では、例えば減速時のフューエルカットにより、ＬＡＦセンサの検出値Φ_ＡＣＴが急激にリーン側に変化する場合がある。しかしながら、このようなリーン側への急激な変化に対しては、ＬＡＦセンサ出力推定値算出部による推定値Φ_ＨＡＴが追いつかずに、推定誤差Ｅ_ＨＡＴが大きくなってしまう場合がある。このため、排気空燃比が理論空燃比よりもリッチ側にある場合とリーン側にある場合とでは、リーン側にある場合の方が、推定誤差Ｅ_ＨＡＴが大きくなる傾向がある。そこで、以上のような推定誤差Ｅ_ＨＡＴの大きさの違いを考慮して、ＬＡＦセンサの検出値Φ_ＡＣＴが理論空燃比よりもリーン側にある場合とリッチ側にある場合とで異なるように適応入力Ｕ_ＶＮＳを設定する。つまり、図９中破線で示すように、ＬＡＦセンサの検出値Φ_ＡＣＴが理論空燃比よりもリーン側にある場合は、リッチ側にある場合と比較して同じ大きさの推定誤差Ｅ_ＨＡＴに対して、その絶対値がより小さくなるように適応入力Ｕ_ＶＮＳを設定する。

図９に示すような適応入力Ｕ_ＶＮＳと、推定誤差Ｅ_ＨＡＴ及びＬＡＦセンサの検出値Φ_ＡＣＴとの関係に基づいて、以下に示すようなファジィルールが定められる。すなわち、推定誤差Ｅ_ＨＡＴの大きさを２つ以上に区分し、ＬＡＦセンサの検出値Φ_ＡＣＴの大きさを２つ以上に区分し、それぞれがどの区分に属するかによって定まる４つ以上の領域に対してファジィルールが設定される。なお、以下では、推定誤差Ｅ_ＨＡＴ及びＬＡＦセンサの検出値Φ_ＡＣＴの大きさをそれぞれ２つに区分し、これに伴って定められる４つの領域に対し４つのファジィルールを設定するが、区分数やファジィルールの数はこれに限られるものではない。

ルール１は、推定誤差Ｅ_ＨＡＴが正でありかつ検出値Φ_ＡＣＴが理論空燃比よりもリッチ側にある場合に適用されるルールであり、より具体的には、以下の条件文で示される。
IF 推定誤差Ｅ_ＨＡＴ≧０ AND 検出値Φ_ＡＣＴがリッチ側（Φ_ＡＣＴ＜理論空燃比）
THEN 適応入力Ｕ_ＶＮＳは正の値（ＮＯｘ排出量は増加）

ルール２は、推定誤差Ｅ_ＨＡＴが負でありかつ検出値Φ_ＡＣＴが理論空燃比よりもリッチ側にある場合に適用されるルールであり、より具体的には、以下の条件文で示される。
IF 推定誤差Ｅ_ＨＡＴ＜０ AND 検出値Φ_ＡＣＴがリッチ側（Φ_ＡＣＴ＜理論空燃比）
THEN 適応入力Ｕ_ＶＮＳは負の値（ＮＯｘ排出量は減少）

ルール３は、推定誤差Ｅ_ＨＡＴが正でありかつ検出値Φ_ＡＣＴが理論空燃比よりもリーン側にある場合に適用されるルールであり、より具体的には、以下の条件文で示される。
IF 推定誤差Ｅ_ＨＡＴ≧０ AND 検出値Φ_ＡＣＴがリーン側（Φ_ＡＣＴ≧理論空燃比）
THEN 適応入力Ｕ_ＶＮＳは小さな正の値（ＮＯｘ排出量は少し増加）

ルール４は、推定誤差Ｅ_ＨＡＴが負でありかつ検出値Φ_ＡＣＴが理論空燃比よりもリーン側にある場合に適用されるルールであり、より具体的には、以下の条件文で示される。
IF 推定誤差Ｅ_ＨＡＴ＜０ AND 検出値Φ_ＡＣＴがリーン側（Φ_ＡＣＴ≧理論空燃比）
THEN 適応入力Ｕ_ＶＮＳは小さな負の値（ＮＯｘ排出量は少し減少）

図１０は、前件部メンバーシップ関数の構成を示す図であり、図１１は、後件部メンバーシップ関数の構成を示す図である。
推定誤差Ｅ_ＨＡＴに対する前件部メンバーシップ関数（μ_１１，μ_１２）及び検出値Φ_ＡＣＴに対する前件部メンバーシップ関数（μ_２１，μ_２２）は、それぞれ、図１０中上段及び下段に示すように、台形状で定義する。また、図１１に示すように本実施形態では、後件部メンバーシップ関数として、シングルトンを用いた所謂簡略ファジィ推論アルゴリズムにより適応入力Ｕ_ＶＮＳを算出する。

適応入力Ｕ_ＶＮＳの値は、以上のように定義したファジィルール及びメンバーシップ関数を用いて、例えば以下に示すようなミニマックス重心法により算出される。以下、ミニマックス重心法により適応入力Ｕ_ＶＮＳを算出する手順について、ルール１を具体例として説明する。
先ず、ミニマックス選択について説明する。ここでは、現在の推定誤差及びＬＡＦセンサの検出値をそれぞれＥ_ＨＡＴ（ｋ）及びΦ_ＡＣＴ（ｋ）とし、これらの値のルール１に対する適合度を算出する。ルール１は、上述のように、推定誤差Ｅ_ＨＡＴが正でありかつ検出値Φ_ＡＣＴが理論空燃比よりもリッチ側である領域に適用されるルールである。そこで、推定誤差Ｅ_ＨＡＴの前件部メンバーシップ関数μ_１２の適合度は、図１２中、上段に示すようにμ_１１（ｋ）となり、検出値Φ_ＡＣＴの前件部メンバーシップ関数μ_２２の適合度は、図１２中、上段に示すようにμ_２２（ｋ）となる。ミニマックス選択では、同一ルールにおける適合度のうち最も小さいものをそのルールの適合度とする。したがって、図１２に示す例では、
μ_２２（ｋ）＜μ_１２（ｋ）、であるので、ルール１の適合度ｍ１（ｋ）は、
ｍ１（ｋ）＝μ_２２（ｋ）、となる。

さらに、ルール１の後件部メンバーシップ関数は、図１２中、下段に示すように、位置ｐＵ１、基準重み（関数の長さ）ｗＵ１である。したがって、ルール１の重み、すなわち、位置ｐＵ１における重みｗ１は、
ｗ１（ｋ）＝ｍ１（ｋ）×ｗＵ１となる。

以上の手順に基づいて、各ルールに対する重みｗｉ（ｋ）（ｉ＝１〜４）が算出される。最終的な適応入力Ｕ_ＶＮＳは、下記式（２４）に示す重心法に基づいて算出される。ここで、適応入力Ｕ_ＶＮＳの算出には、各ルールの重みの全てが用いられるため、これはマックス選択となる。

図１３は、以上のように構成された適応バーチャルセンサシステムを構築する手順を示すフローチャートである。適応バーチャルセンサシステムは、図１３に示すように、ＬＡＦセンサ出力推定値算出部、適応入力算出部、及びＮＯｘ量推定値算出部の順で構築する。以下、各手順の具体的な内容について、順に説明する。

ステップＳ１では、学習データを準備する。
より具体的には、先ず、状態の異なる排気浄化システムを少なくとも２組準備する。１つは、基準品となるものであり、新品でありかつばらつきのある製品群のうち規定範囲内のものを準備する。もう１つは、現在の排気浄化システムの上記基準品からの特性変化の度合いを算出するための参考となるものであり、上記基準品が劣化したもの又は上記製品群のうちの規定範囲外のばらつき品（以下、単に「劣化品」という）を準備する。
次に、実際に準備した排気浄化システムを運転することにより、上記式（２１）及び（２３）のニューラルネットワークの入力ベクトルＵ及びＵ_ＬＡＦの成分（Ｇ_ＦＵＥＬ，Ｐ２，Ｐ３，Ｐ３Ｌ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，ＮＥ）と、センサで取得したＮＯｘ量及びＬＡＦセンサの検出値との関係を記録し、これを学習データとする。なお、入力ベクトルの成分とＮＯｘ量及びＬＡＦセンサの検出値との関係を示す学習データは、上記準備した基準品と劣化品とで取得する。また、ここで取得する学習データには、基準品及び劣化品ともに排気浄化システムのエンジンの過渡運転状態におけるデータが含まれていることが好ましい。

ステップＳ２では、ＬＡＦセンサ出力推定値算出部を構築する。
より具体的には、先ずニューラルネットワークへの入力ベクトルＵ_ＬＡＦの成分を、例えば上記式（２３）に示すように決定した後、ニューロンの数を決定する。
次に、上記ステップＳ１で取得した基準品及び劣化品の学習データのうち、基準品の学習データのみに基づいて、ＬＡＦセンサ出力推定値算出部に含まれるニューラルネットワークの学習を行う。すなわち、入力ベクトルＵ_ＬＡＦの成分（Ｇ_ＦＵＥＬ，Ｐ２，Ｐ３，Ｐ３Ｌ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，ＮＥ）とＬＡＦセンサの検出値との関係が、ニューラルネットワークにより再現されるように、ニューロンの関数ｆ（ｘ），ｇ（ｘ）の各種ゲイン（α，β，γ，δ，ε）、並びに各ニューロンの結合の強さを示す重みωの値を設定する。なお、ニューラルネットワークの学習アルゴリズムには、既知の方法が用いられる。具体的には、例えば、逆誤差伝播法などの学習アルゴリズムの他、遺伝的アルゴリズムなどの最適化アルゴリズムが挙げられる。
次に、以上のように構築されたＬＡＦセンサ出力推定値算出部を所定の方法で評価し、その出力の再現性を検証する。この評価の結果、十分な再現性が得られれば、ＬＡＦセンサ出力推定値算出部の構築を終了する。一方、この評価の結果、十分な再現性が得られなければ、入力ベクトルＵ_ＬＡＦの成分及びニューロンの数を再検討し、再び上記と同じ手順で学習する。

ステップＳ３では、適応入力算出部を構築する。
より具体的には、先ず、適応入力Ｕ_ＶＮＳを算出するための入力の成分を決定する。
次に、具体的なファジィルールを抽出する。
次に、上記ステップＳ１で取得した基準品及び劣化品の学習データを用いて、前件部メンバーシップ関数及び後件部メンバーシップ関数などのチューニング、すなわち上記メンバーシップ関数の形状を設定する。
次に、以上のように構築された適応入力算出部を所定の方法で評価し、その出力の再現性を検証する。ここで、適応入力算出部の出力の再現性とは、算出された適応入力Ｕ_ＶＮＳが、「−１」〜「１」の間で、現在の排気浄化システムの基準品からの特性変化の度合いを示す値として適した値となっていることをいう。定性的には、現在の排気浄化システムが基準品に対しＮＯｘ量増加側へその特性が変化した場合には適応入力Ｕ_ＶＮＳが「１」以下の正の値となり、現在の排気浄化システムが基準品に対しＮＯｘ量減少側へその特性が変化した場合には適応入力Ｕ_ＶＮＳが「−１」以上の負の値となることをいう。この評価の結果、十分な再現性が得られれば、適応入力算出部の構築を終了する。一方、この評価の結果、十分な再現性が得られなければ、ファジイルール及び上記メンバーシップ関数を再検討する。

ステップＳ４では、ＮＯｘ量推定値算出部を構築する。
より具体的には、先ずニューラルネットワークへの入力ベクトルＵの成分を、例えば上記式（２１）に示すように決定した後、ニューロンの数を決定する。
次に、上記ステップＳ１で取得した基準品及び劣化品の学習データの両方に基づいて、ＮＯｘ量推定値算出部に含まれるニューラルネットワークの学習を行う。なお、ニューラルネットワークの学習を行う具体的な手順は、上記ステップＳ２におけるＬＡＦセンサ出力推定値算出部と同じであるので、詳細な説明は省略する。

ここで、上述のようにＮＯｘ量推定値算出部のニューラルネットワークへの入力ベクトルＵには、上述のＬＡＦセンサ出力推定値算出部のニューラルネットワークへの入力ベクトルＵ_ＬＡＦと異なり、適応入力Ｕ_ＶＮＳが含まれている。したがって、このＮＯｘ量推定値算出部のニューラルネットワークの学習には、上記ステップＳ１で取得した基準品及び劣化品の学習データの他、上記ステップＳ３で構築した適応入力算出部により算出される適応入力Ｕ_ＶＮＳを用いる。

図１４は、以上のように構成された排気浄化システムの動作例を示す図である。図１４には、エンジンの負荷を変動させた場合における推定誤差Ｅ_ＨＡＴ、適応入力値Ｕ_ＶＮＳ及びＮＯｘ量の変化について、新品時の排気浄化システムと劣化時の排気浄化システムとを比較した図である。図１４に示すように、エンジンの負荷を階段状に変化させると、エンジンから排出されるＮＯｘ量も増加する。特に、負荷を増加した瞬間の過渡運転時には多くの量のＮＯｘが排出される。

この時、排気浄化システムが新品である場合（図１４中、左側参照）、上述のようにＬＡＦセンサ出力推定値算出部を、新品である基準品の学習データに基づいて構築したので、推定誤差Ｅ_ＨＡＴの変動幅は小さく、したがって適応入力Ｕ_ＶＮＳの変動幅も小さい。また、ＮＯｘ量推定値算出部も、新品である基準品の学習データに基づいて構築したので、高い精度でＮＯｘ量を推定できる。

一方、排気浄化システムが劣化した場合（図１４中、右側参照）、新品時と比較してＮＯｘ量は増加側に変動する。このＮＯｘ量の増加側への変動は、図８を参照して説明したように、推定誤差Ｅ_ＨＡＴが正の値となることで現れる。また、このようにして推定誤差Ｅ_ＨＡＴが正の値に変化したことに応じて、適応入力算出部は、現在のエンジンが基準品に対し、ＮＯｘ量増加側へその特性が変化したことを示すべく、正の値の適応入力Ｕ_ＶＮＳをＮＯｘ量推定値算出部に入力する。これにより、図１４に示すように、排気浄化システムが劣化した場合であっても、新品時と同じように高い精度でＮＯｘ量を推定することができる。

本実施形態では、例えば、ＬＡＦセンサ３４により検出手段が構成され、ＥＣＵ８により、第１推定値算出手段、第２推定値算出手段、適応入力算出手段、及びコントローラが構成される。
具体的には、例えば、ＮＯｘ量推定値算出部８１１により第１推定値算出手段が構成され、ＬＡＦセンサ出力推定値算出部８１２により第２推定値算出手段が構成され、適応入力算出部８１３により適応入力算出手段が構成される。また、例えば、フィードフォワード噴射量決定部８２、ストレージ量目標値設定部８３、フィードバック噴射量決定部８４、及び加算器８５によりコントローラが構成される。

なお本発明は上述した実施形態に限るものではなく、種々の変形が可能である。
上記実施形態では、第１推定値算出手段で推定する第１物理量として、エンジンの排気中のＮＯｘ量とした場合を示したが、これに限るものではない。第１推定値算出手段で推定する第１物理量として、高圧ＥＧＲ装置及び低圧ＥＧＲ装置により排気から吸気に還流されたＥＧＲガス中の不活性ガスの量である所謂Ｉｎｅｒｔ−ＥＧＲ量を推定してもよい。

また、上記実施形態では、ＬＡＦセンサの検出値Φ_ＡＣＴとその推定値Φ_ＨＡＴとの偏差である判定誤差Ｅ_ＨＡＴに基づいて適応入力Ｕ_ＶＮＳを算出したが、これに限らない。例えば、ＬＡＦセンサの検出値Φ_ＡＣＴとその推定値Φ_ＨＡＴとの比率に基づいて適応入力Ｕ_ＶＮＳを算出してもよい。

また、上記実施形態では、後件部メンバーシップ関数にシングルトンを用いた簡略ファジィ推論アルゴリズムにより適応入力Ｕ_ＶＮＳを算出したが、これに限らない。後件部メンバーシップ関数に、一般的な台形状又は三角状としてもよい。

１…エンジン（内燃機関）
２…排気浄化システム（プラント）
３４…ＬＡＦセンサ（検出手段）
６１…選択還元触媒
６２…ユリア噴射装置（還元剤供給手段）
８…ＥＣＵ
８１１…ＮＯｘ量推定値算出部（第１推定値算出手段）
８１２…ＬＡＦセンサ出力推定値算出部（第２推定値算出手段）
８１３…適応入力算出部（適応入力算出手段）

Claims (7)

1. プラントの制御装置であって、
   前記プラントの状態を示す複数の物理量のうちの少なくとも１つである第１物理量の推定値を、複数の入力に基づき所定のアルゴリズムにより算出する第１推定値算出手段と、
   前記第１物理量と相関のある第２物理量の推定値を、複数の入力に基づき所定のアルゴリズムにより算出する第２推定値算出手段と、
   前記第２物理量を検出する検出手段と、
   前記検出手段により検出された第２物理量の検出値と前記第２推定値算出手段により算出された第２物理量の推定値との偏差又は比率を含む複数の入力に基づいて、前記第１推定値算出手段及び前記第２推定値算出手段のうち前記第１推定値算出手段のみに入力される適応入力を算出する適応入力算出手段と、を備え、
   前記第１物理量の推定値に基づいて、前記プラントの所定の制御量を制御することを特徴とするプラントの制御装置。
2. 前記適応入力算出手段は、前記第２物理量の検出値と前記第２物理量の推定値との偏差又は比率並びに前記第２物理量の検出値を含んで構成された複数の入力に基づいて、ファジィ推論アルゴリズムにより前記適応入力を算出することを特徴とする請求項１に記載のプラントの制御装置。
3. 前記ファジィ推論アルゴリズムは、前記第２物理量の検出値と前記第２物理量の推定値との偏差又は比率の大きさを２以上に区分し、前記検出手段により検出された第２物理量の検出値の大きさを２以上に区分し、それぞれがどの区分に属するかによって定まる４つ以上の領域に対して設定されたファジィルールを含むことを特徴とする請求項２に記載のプラントの制御装置。
4. 前記第１推定値算出手段のアルゴリズム及び前記第２推定値算出手段のアルゴリズムは、それぞれ、所定の関数に従って出力する複数のニューロンを結合して構成されたニューラルネットワークであることを特徴とする請求項１から３の何れかに記載のプラントの制御装置。
5. 前記第１推定値算出手段への複数の入力、及び、前記第２推定値算出手段への複数の入力には、それぞれ、複数の異なる時刻の物理量に関するデータが含まれることを特徴とする請求項４に記載のプラントの制御装置。
6. 前記プラントは、
   内燃機関の排気系に設けられ、還元剤の存在下で前記排気系を流通するＮＯｘを還元する選択還元触媒と、
   前記排気系のうち前記選択還元触媒の上流側に、還元剤又は還元剤の元となる添加剤を供給する還元剤供給手段と、を備える内燃機関の排気浄化システムであり、
   前記プラントの第１物理量は、前記選択還元触媒に流入する排気中のＮＯｘに関するパラメータを含むことを特徴とする請求項１から５の何れかに記載のプラントの制御装置。
7. 前記排気中のＮＯｘに関するパラメータの推定値に基づいて、前記還元剤供給手段による還元剤又は添加剤の供給量を決定するコントローラをさらに備えること特徴とする請求項６に記載のプラントの制御装置。

Images