JP2014152611A - 学習装置 - Google Patents

Abstract

【課題】制御パラメータの検出値の実際のばらつきに応じて、学習における安定性と応答性とのバランスを調整することが可能な学習装置を提供することを主たる目的とする。
【解決手段】燃料噴射弁１０に対する噴射指令を算出するために用いる噴射率パラメータを学習する学習装置において、噴射率パラメータを学習値として記憶するメモリ３２と、燃料噴射弁１０が噴射指令により制御された時に、噴射率パラメータの検出値を取得する取得手段と、メモリ３２に記憶されている学習値と取得手段により検出された検出値とにそれぞれ重みを付けて算出した加重平均により、メモリ３２に記憶されている学習値を更新する学習手段と、を備え、学習手段は、所定期間において取得手段により取得された検出値の分散を算出し、算出した分散が大きいほど、学習値の重みを大きく設定する。
【選択図】 図１

Description

本発明は、制御対象に対する制御指令を算出するために用いる制御パラメータを学習する学習装置に関する。

特許文献１に記載の学習装置では、制御パラメータ及び基準変数を要素とした学習ベクトルを、制御パラメータの計測値及び基準変数の計測値を要素とした計測ベクトルに基づいて更新している。具体的には、計測ベクトルと学習ベクトルとの差分に、所定割合を乗じて補正ベクトルを算出し、学習ベクトルに算出した補正ベクトルを加算して学習ベクトルを更新している。

上記学習装置では、学習回数が多いほど、又は制御対象の制御開始からの経過時間が長いほど、所定割合を小さくしている。すなわち、学習回数が少ない又は経過時間が短い場合は、学習ベクトルの真値からのずれが大きいと想定して、所定割合を大きく設定して速度を優先している。一方、学習回数が多い又は経過時間が長い場合は、学習ベクトルの真値からのずれが小さいと想定して、所定割合を小さく設定して精度を優先している。

特開２０１１−００１９１６号公報

特許文献１では、学習回数や経過時間は学習速度に反映されるが、計測ごとの計測ベクトルの実際のばらつきは学習速度に反映されない。それゆえ、計測ベクトルの実際のばらつきが想定よりも大きい場合には、安定した学習を行うことができないおそれがある。また、計測ベクトルの実際のばらつきが想定よりも小さい場合には、学習の速度を上げることが可能であるにもかかわらず、学習の応答性を向上させることができない。

本発明は、上記実情に鑑み、制御パラメータの検出値の実際のばらつきに応じて、学習における安定性と応答性とのバランスを調整することが可能な学習装置を提供することを主たる目的とする。

上記課題を解決するため、請求項１に記載の発明は、制御対象に対する制御指令を算出するために用いる制御パラメータを学習する学習装置において、前記制御パラメータを学習値として記憶する記憶手段と、前記制御対象が前記制御指令により制御された時に、前記制御パラメータの検出値を取得する取得手段と、前記記憶手段に記憶されている前記学習値と前記取得手段により検出された前記検出値とにそれぞれ重みを付けて算出した加重平均により、前記記憶手段に記憶されている前記学習値を更新する学習手段と、を備え、前記学習手段は、所定期間において前記取得手段により取得された前記検出値のばらつき度を算出し、算出した前記ばらつき度が大きいほど、前記学習値の重みを大きく設定する。

請求項１に記載の発明によれば、制御対象に対する制御指令を算出するために用いる制御パラメータが、学習値として記憶される。さらに、制御対象が制御指令により制御されたときに、制御パラメータの検出値が取得される。取得された制御パラメータの検出値及び記憶されている制御パラメータの学習値には、それぞれ重みが付けられて加重平均が算出される。そして、記憶されている学習値は、算出された加重平均に更新される。すなわち、制御パラメータは、学習値の重みが大きいほど遅い速度で学習される。この学習値の重みは、所定期間における制御パラメータの検出値のばらつき度が大きいほど、大きく設定される。

よって、制御パラメータの検出値の実際のばらつきが大きい場合には、学習速度を遅くして安定性の高い学習を行うことができる。一方、制御パラメータの検出値の実際のばらつきが小さい場合は、学習速度を速くして応答性の高い学習を行うことができる。したがって、検出値の実際のばらつきに応じて、学習における安定性と応答性とのバランスを調整することができる。

燃料噴射システムの概略を示す図。 指令信号の設定、噴射率パラメータの検出及び学習の概要を示すブロック図。 噴射指令信号に対応する噴射率及び燃圧の変化を示す図。 噴射率パラメータの学習の手順を示すブロック線図。 検出噴射量、検出噴射量の分散、学習値の重み係数を示すタイムチャート。 噴射率パラメータの学習の手順を示すフローチャート。

以下、学習装置を、燃料噴射弁（制御対象）に対する噴射指令（制御指令）を算出するために用いる噴射率パラメータの学習に適用した実施形態について、図面を参照しつつ説明する。図１に、本学習装置を備えた燃料噴射システムの構成を示す。本燃料噴射システムは、車両のディーゼルエンジン（多気筒内燃機関）に搭載されることを想定している(図１は４気筒を例示）。本燃料噴射システムは、高圧燃料を畜圧保持するコモンレール４２（畜圧容器）と、エンジンの各気筒＃１〜＃４に設けられた燃料噴射弁１０と、コモンレール４２から各燃料噴射弁１０の噴射口までの各燃料通路内の燃料圧力をそれぞれ逐次検出する燃圧センサ２０と、を備える。

燃料タンク４０は、エンジンの各気筒＃１〜＃４に供給される燃料（軽油）を溜めておくためのタンクである。燃料タンク４０内の燃料は、エンジンのクランク軸に連動して駆動される燃料ポンプ４１により、コモンレール４２に圧送されて蓄圧保持される。コモンレール４２内の圧力が、各気筒の燃料噴射弁１０へ供給される燃料の供給圧Ｐｃとなる。コモンレール４２内に蓄圧された燃料は、配管４３（燃料通路）を通して各気筒の燃料噴射弁１０へ分配されて供給される。各気筒の燃料噴射弁１０は、予め設定された順番で順次燃料を噴射する。

燃料噴射弁１０は、ボデー１１と、ニードル弁１２と、電磁コイルやピエゾ素子等のアクチュエータ１３とを備えて構成される。ボデー１１は、内部に、高圧通路１１ａ（燃料通路）と、低圧通路１１ｄと、高圧通路１１ａと繋がる噴孔１１ｂ（噴射口）とが形成されている。コモンレール４２から供給された燃料は、高圧通路１１ａを通って噴孔１１ｂから噴射される。ニードル弁１２は、ボデー内部に収容されて噴孔１１ｂを開閉する。

さらに、ボデー１１は、内部に、ニードル弁１２に背圧を付与する背圧室１１ｃが形成されている。高圧通路１１ａ及び低圧通路１１ｄは、背圧室１１ｃと接続されている。そして、高圧通路１１ａ及び低圧通路１１ｄと背圧室１１ｃとの連通状態は、制御弁１４により切り替えられる。

具体的には、アクチュエータ１３へ通電されると、制御弁１４は噴孔１１ｂ側へ押し下げられる。それにより、背圧室１１ｃは低圧通路１１ｄと連通した状態となるので、背圧室１１ｃ内の燃料圧力は低下し、ニードル弁１２を噴孔１１ｂ側に押し付ける背圧が低下する。その結果、ニードル弁１２のシート面１２ａが、噴孔１１ｂと繋がるように形成されたボデー１１のシート面１１ｅから離座するので、噴孔１１ｂから燃料が噴射される。

一方、アクチュエータ１３への通電をオフにすると、制御弁１４はアクチュエータ１３側に押し上げられる。それにより、背圧室１１ｃは高圧通路１１ａと連通した状態となるので、背圧室１１ｃ内の燃料圧力は上昇し、ニードル弁１２を噴孔１１ｂ側に押し付ける背圧が上昇する。その結果、ニードル弁１２のシート面１２ａが、ボデー１１のシート面１１ｅに着座するので、噴孔１１ｂからの燃料噴射が停止される。

よって、噴射指令信号により、アクチュエータ１３の駆動期間を制御すると、噴孔１１ｂから噴射される燃料の噴射量が制御される。

燃圧センサ２０は、各燃料噴射弁１０に搭載されており、ステム２１（起歪体）、圧力センサ素子２２、通信回路２２ａを備えている。ステム２１は、ボデー１１に取り付けられており、ダイヤフラム部２１ａを有している。ダイヤフラム部２１ａは、高圧通路１１ａを流通する高圧燃料の圧力を受けて弾性変形する。圧力センサ素子２２は、ダイヤフラム部２１ａに取り付けられており、ダイヤフラム部２１ａの弾性変形量に応じた圧力信号を通信回路２２ａからＥＣＵ３０へ送信する。

ＥＣＵ３０（学習装置）は、ＣＰＵ、ＲＯＭ及びＲＡＭ等のメモリ３２（記憶手段）、Ｉ／Ｏ、及びこれらを接続するバスライン等からなるマイクロコンピュータとして構成される。メモリ３２は、気筒ごとに、後述する複数のパラメータｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘ，Ｑからなる噴射率パラメータ（制御パラメータ）を学習値として記憶する。

ＥＣＵ３０は、アクセルペダルの操作量、エンジン負荷、エンジン回転速度等に基づき、要求供給圧及び要求噴射量からなる目標噴射状態を算出する。例えば、エンジン負荷及びエンジン回転速度に対応する最適噴射状態を噴射状態マップにして記憶させておく。ＥＣＵ３０は、現状のエンジン負荷及びエンジン回転速度に基づき、噴射状態マップを参照して目標噴射状態を算出する。また、ＥＣＵ３０は、ＣＰＵがＲＯＭに記憶されたプログラムを実行することで、後述する取得手段、学習手段、設定手段としての機能を実現する。

次に、図２を参照して、ＥＣＵ３０が実現する取得手段、学習手段、設定手段について説明する。取得手段は、燃圧センサ２０の出力に基づき、噴射特性を定量化した噴射率パラメータの検出値を取得する。学習手段は、メモリ３２に記憶されている学習値と取得手段により取得された検出値とにそれぞれ重みを付けて算出した加重平均により、メモリ３２に記憶されている学習値を更新する。噴射率パラメータは、その時の供給圧Ｐｃに応じて異なる値となるため、供給圧Ｐｃ又は後述する基準圧力Ｐbaseと関連付けて学習させることが望ましい。噴射率パラメータの取得方法、及び噴射率パラメータの学習方法は後で詳しく述べる。設定手段は、算出した目標噴射状態に対応する指令信号Ｔｑ，ｔ１（図３（ａ）参照）を、噴射特性を定量化した噴射率パラメータの学習値に基づき設定する。設定手段により設定された指令信号Ｔｑ，ｔ１が燃料噴射弁１０へ出力されることにより、燃料噴射弁１０の作動が制御される。

要するに、燃圧センサ２０の出力に基づき噴射率パラメータの検出値を取得し、その検出値を用いて学習値を更新し、更新された学習値を用いて次回の噴射指令信号を設定する。これにより、要求する噴射状態と実際の噴射状態との偏差がゼロに近づくようにフィードバック制御する。

次に、図３を参照して、取得手段により噴射率パラメータを取得する方法について説明する。まず、燃圧センサ２０による出力に基づいて、噴射に起因する圧力変動を表す噴射時波形Ｗ（図３（ｃ）参照）を検出する。そして、検出した噴射時波形Ｗに基づき、燃料の噴射率の時間に対する変動を表した噴射率波形（図３（ｂ）参照）を演算して、噴射特性を検出する。

具体的には、噴射時波形Ｗのうち、噴射開始に伴い燃圧が降下を開始するまでの部分の平均燃圧を、基準圧力Ｐbaseとして算出する。さらに、噴射時波形Ｗのうち、噴射開始に伴い燃圧降下を開始する変曲点Ｐ１から降下が終了する変曲点Ｐ２までの降下波形を、最小二乗法等により直線に近似した降下近似直線Ｌαを算出する。そして、降下近似直線Ｌαのうち基準値Ｂαとなる時期（ＬαとＢαの交点時期ＬＢα）を算出する。この交点時期ＬＢαと噴射開始時期Ｒ１とは相関が高いことに着目し、交点時期ＬＢαに基づき噴射開始時期Ｒ１を算出する。例えば、交点時期ＬＢαよりも所定の遅れ時間Ｃαだけ前の時期を噴射開始時期Ｒ１として算出すればよい。

また、噴射時波形Ｗのうち、噴射終了に伴い燃圧上昇を開始する変曲点Ｐ３から降下が終了する変曲点Ｐ５までの上昇波形を、最小二乗法等により直線に近似した上昇近似直線Ｌβを算出する。そして、上昇近似直線Ｌβのうち基準値Ｂβとなる時期（ＬβとＢβの交点時期ＬＢβ）を算出する。この交点時期ＬＢβと噴射終了時期Ｒ４とは相関が高いことに着目し、交点時期ＬＢβに基づき噴射終了時期Ｒ４を算出する。例えば、交点時期ＬＢβよりも所定の遅れ時間Ｃβだけ前の時期を噴射終了時期Ｒ４として算出すればよい。

次に、降下近似直線Ｌαの傾きと噴射率増加の傾きとは相関が高いことに着目し、図３（ｂ）に示す噴射率波形のうち噴射増加を示す直線Ｒαの傾きを、降下近似直線Ｌαの傾きに基づき算出する。例えば、Ｌαの傾きに所定の係数を掛けてＲαの傾きを算出すればよい。同様にして、上昇近似直線Ｌβの傾きと噴射率減少の傾きとは相関が高いので、噴射率波形のうち噴射減少を示す直線Ｒβの傾きを、上昇近似直線Ｌβの傾きに基づき算出する。

次に、噴射率波形の直線Ｒα，Ｒβに基づき、噴射終了を指令したことに伴いニードル弁１２がリフトダウンを開始する時期（閉弁作動開始時期Ｒ２３）を算出する。具体的には、両直線Ｒα，Ｒβの交点を算出し、その交点時期を閉弁作動開始時期Ｒ２３として算出する。また、噴射開始時期Ｒ１の駆動開始時期ｔ１に対する遅れ時間、すなわち噴射指令により燃料噴射弁１０に噴射が指令された時期に対する噴射開始の遅れ時間（リフト上昇遅れ時間ｔｄ）を算出する。また、閉弁作動開始時期Ｒ２３の噴射終了指令時期ｔ２に対する遅れ時間（リフト降下遅れ時間ｔｅ）を算出する。

また、降下近似直線Ｌα及び上昇近似直線Ｌβの交点に対応した圧力を交点圧力Ｐαβとして算出し、基準圧力Ｐbaseと交点圧力Ｐαβとの圧力差ΔＰγを算出する。この圧力差ΔＰγと最大噴射率Ｒｍａｘとは相関が高いことに着目し、圧力差ΔＰγに基づき最大噴射率Ｒｍａｘを算出する。具体的には、圧力差ΔＰγに相関係数Ｃγを掛けることで最大噴射率Ｒｍａｘを算出する。但し、圧力差ΔＰγが所定値ΔＰγｔｈ未満である小噴射の場合には、上述の如くＲｍａｘ＝ΔＰγ×Ｃγとする一方で、ΔＰγ≧ΔＰγｔｈである大噴射の場合には、予め設定しておいた値（設定値Ｒγ）を最大噴射率Ｒｍａｘとして算出する。

なお、上記「小噴射」とは、噴射率がＲγに達する前にニードル弁１２がリフトダウンを開始する態様の噴射を想定しており、シート面１１ｅ，１２ａで燃料が絞られて、噴射量が制限されている時の噴射率が最大噴射率Ｒｍａｘとなる。一方、上記「大噴射」とは、噴射率がＲγに達した後にニードル弁１２がリフトダウンを開始する態様の噴射を想定しており、噴孔１１ｂで燃料が絞られて、噴射量が制限されている時の噴射率が最大噴射率Ｒｍａｘとなる。要するに、駆動期間Ｔｑが十分に長く、最大噴射率に達した以降も開弁状態を継続させる場合においては、図３（ｂ）に示すように噴射率波形は台形となる。一方、最大噴射率に達する前に閉弁作動を開始させるような小噴射の場合には、噴射率波形は三角形となる。

よって、噴射時波形Ｗから噴射率パラメータｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘを算出することができる。そして、これらの噴射率パラメータｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘの学習値に基づき、噴射指令信号（図３（ａ）参照）に対応した噴射率波形（図３（ｂ）参照）を算出することができる。さらに、算出した噴射率波形の面積（図３（ｂ）中の網点ハッチ参照）から、噴射指令により燃料噴射弁１０が噴射する燃料の噴射量を表す噴射量Ｑを算出することができる。以上により、燃圧センサ２０の出力に基づき、噴射率パラメータｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘ，Ｑの検出値を取得できる。

次に、図４を参照して、学習手段により噴射率パラメータを学習する方法について説明する。噴射率パラメータの学習は、気筒ごとに行う。まず、基本係数Ｋのマップから、算出した要求供給圧及び要求噴射量に応じた係数Ｋを取得する。基本係数Ｋは、初期状態において学習の安定性と応答性とを考慮して、学習モデルを適合することにより決定されている。基本係数Ｋのマップは、供給圧及び噴射量に応じて異なる値のＫが設定されている。

次に、所定期間において、取得手段により取得した噴射率パラメータＱの検出値の分散σ^２を算出する。そして、補正係数Ｗｔマップから、噴射率パラメータＱの検出値の分散σ^２に応じた補正係数Ｗｔを取得する。補正係数Ｗｔマップは、噴射率パラメータＱの検出値の分散σ^２が大きいほど大きな値のＷｔが設定されている。そして、取得した基本係数Ｋに取得した補正係数Ｗｔをかけて、学習値の重み係数Ｋｗ＝Ｋ×Ｗｔを算出する。算出した学習値の重み係数Ｋｗは、０以上１以下の数値であり、噴射率パラメータＱの検出値の分散σ^２が大きいほど大きくなる。一方、検出値の重み係数は、１から学習値の重み係数Ｋｗを差し引いた値１−Ｋｗとする。学習値の重み係数Ｋｗは、全ての噴射率パラメータの学習値の重み係数とし、検出値の重み係数１−Ｋｗは、全ての噴射率パラメータの検出値の重み係数とする。

次に、全ての噴射率パラメータに対して、今回の検出値に検出値の重み係数１−Ｋｗを乗じた値と、前回の学習値に学習値の重み係数Ｋｗを乗じた値とを加算して、今回の学習値を算出する。そして、メモリ３２に記憶されている学習値を今回算出した学習値に更新する。すなわち、噴射率パラメータの検出値と噴射率パラメータの学習値とにそれぞれ重みを付けて算出した加重平均により、メモリ３２に記憶されている学習値を更新する。したがって、噴射率パラメータＱの検出値のばらつきが大きいほど、学習値の割合が大きくなるため、学習速度は遅くなる。また、全ての噴射率パラメータは、噴射率パラメータＱの検出値のばらつきに応じた同じ学習速度で学習される。

図５（ａ），（ｂ），（ｃ）のそれぞれに、噴射率パラメータＱの検出値、噴射率パラメータＱの検出値の分散σ^２、噴射率パラメータＱの検出値の分散σ^２に基づいて設定した学習速度の重み係数Ｋｗの時間変動を示す。なお、ここでは基本係数Ｋを０．９５とし、重み係数Ｋｗが基本係数Ｋよりも小さくならないようにしている。すなわち、基本係数Ｋを学習値の重み係数とした場合よりも学習速度を遅くして、学習における安定性が高くなるようにしている。

図５に示すように、１〜３ｓｅｃの間では、噴射率パラメータＱの検出値の分散σ^２が大きくなるのに応じて、重み係数Ｋｗも大きくなっている。一方、５〜７．５ｓｅｃの間では、噴射率パラメータＱの検出値の分散σ^２が小さくなるのに応じて、重み係数Ｋｗも小さくなっている。よって、噴射率パラメータＱの検出値のばらつきが大きくなれば学習速度は遅くなり、噴射率パラメータＱの検出値のばらつきが小さくなれば学習速度は速くなる。

次に、図６のフローチャートを参照して、所定期間を１トリップ期間及び１トリップ期間よりも短く設定された短期期間にそれぞれ設定した場合において、ＥＣＵ３０が噴射率パラメータを学習する処理手順を説明する。本処理は、気筒ごとに、車両の１トリップ走行中において繰り返し実行する。

まず、Ｓ１１では、運転情報を取得する。具体的には、アクセルペダルの操作量、エンジン負荷、エンジン回転速度等を取得し、要求供給圧及び要求噴射量を算出する。また、イグニッションの位置を取得する。

次に、Ｓ１２では、Ｓ１１で取得したイグニッションの位置がＯＮか否か判定する。イグニッションの位置がＯＮである場合は（ＹＥＳ）、続いてＳ１３〜Ｓ１７の処理を行う。一方、イグニッションの位置がＯＮではない場合は（ＮＯ）、Ｓ１８において、イグニッションの位置がＯＮからＯＦＦになったのか否か、すなわち車両が１トリップの走行を終了したか否か判定する。イグニッションの位置がＯＮからＯＦＦになった場合には（ＹＥＳ）、続いてＳ１９及びＳ２０の処理を行う。イグニッションの位置がＯＮからＯＦＦになっていな場合（ＮＯ）、すなわち、イグニッションの位置がＯＦＦで維持されている場合やアクセサリの場合には、本処理を終了する。

Ｓ１２においてイグニッションの位置がＯＮと判定された場合には、Ｓ１３で、Ｓ１１において算出された要求供給圧及び要求噴射量に基づいて、基本係数Ｋを算出する。

次に、Ｓ１４では、前回の走行時における噴射率パラメータＱの検出値の長期的なばらつき度を、Ｓ１３で算出した基本係数Ｋに反映させて、重み係数Ｋｗａを算出する。詳しくは、噴射率パラメータＱの検出値の長期的なばらつき度に応じた補正係数Ｗｔａを算出し、基本係数Ｋと補正係数Ｗｔａとから重み係Ｋｗａを算出する。補正係数Ｗｔａは、噴射率パラメータＱの検出値の長期的なばらつき度が大きいほど、大きな値に算出される。なお、噴射率パラメータＱの検出値の長期的なばらつき度は、後述するＳ１９及びＳ２０において算出される。

次に、Ｓ１５では、今回の走行中に、短期期間において取得された噴射率パラメータＱの検出値の分散σ^２（短期的なばらつき度）を算出する。そして、噴射率パラメータＱの検出値の短期的なばらつき度を、Ｓ１４で算出した重み係数Ｋｗａに反映させて、重み係数Ｋｗを算出する。詳しくは、噴射率パラメータＱの検出値の短期的なばらつき度に応じた補正係数Ｗｔｂを算出し、重み係数Ｋｗａと補正係数Ｗｔｂとから重み係数Ｋｗを算出する。補正係数Ｗｔｂは、噴射率パラメータＱの検出値の短期的なばらつき度が大きいほど、大きな値に算出される。さらに、重み係数Ｋｗが基本係数Ｋよりも小さくならないように、基本係数を下限値としてガード処理を行う。

次に、Ｓ１６では、全ての噴射率パラメータに対して、Ｓ１５で算出した重み係数Ｋｗを学習値に乗じた値と、重み係数１−Ｋｗを検出値に乗じた値と、を加算して新しい学習値を算出する。

次に、Ｓ１７では、メモリ３２に記憶されている学習値を、Ｓ１６で算出した学習値に更新する。走行中において、Ｓ１３〜Ｓ１７の処理が繰り返し実行されることにより、前回走行時の噴射率パラメータＱの検出値の長期的なばらつき、及び今回の走行中における噴射率パラメータＱの検出値の短期的なばらつきが、全ての噴射率パラメータの学習速度に反映される。すなわち、１トリップ期間と短期期間のそれぞれの期間が経過するごとに、長期的なばらつきと短期的なばらつきのそれぞれが、全ての噴射率パラメータの学習速度に反映される。

一方、Ｓ１２においてイグニッションの位置がＯＮではないと判定され、且つ、Ｓ１８において、イグニッションの位置がＯＮからＯＦＦになったと判定された場合、すなわち、１トリップの走行が終了したと判定された場合は、Ｓ１９の処理を行う。

Ｓ１９では、１トリップ期間において取得された噴射率パラメータＱの検出値の分散σ^２（長期的なばらつき度）を算出する。次に、Ｓ２０では、Ｓ１９で算出した噴射率パラメータＱの検出値の長期的なばらつき度を記憶する。Ｓ２０において記憶された長期的なばらつき度は、次回の走行時に、Ｓ１４の処理により噴射率パラメータの学習速度に反映される。

以上説明した本実施形態によれば、以下の効果を奏する。

・取得された噴射率パラメータの検出値及び記憶されている噴射率パラメータの学習値には、それぞれ重みが付けられて加重平均が算出され、記憶されている学習値は、算出された加重平均に更新される。この学習値の重みは、所定期間における噴射率パラメータＱの検出値の分散が大きいほど、大きく設定される。よって、噴射率パラメータＱの検出値の実際のばらつきが大きい場合には、学習速度を遅くして安定性の高い学習を行うことができる。一方、噴射率パラメータＱの検出値の実際のばらつきが小さい場合は、学習速度を速くして応答性の高い学習を行うことができる。したって、検出値の実際のばらつきに応じて、学習における安定性と応答性とのバランスを調整することができる。

・所定期間に１つの噴射率パラメータＱに対して取得された検出値の分散に基づいて、全ての噴射率パラメータが同じ学習速度で学習される。よって、噴射率パラメータ同士の整合性を維持したまま、学習における安定性と応答性とのバランスを調整することができる。

・噴射量Ｑは、他の噴射率パラメータｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘの組合せから算出される総合的なパラメータである。よって、噴射量Ｑのばらつきに基づいて重みを設定することにより、総合的な検出値のばらつきを全ての噴射率パラメータの学習速度に反映させることができる。

・要求供給圧及び要求噴射量が一定状態の走行時では、全ての気筒に対して基本係数Ｋは一定値となるが、気筒ごとに基本係数Ｋを補正して重みを設定できる。よって、気筒ごとの状況に合わせた重みに基づいて、噴射率パラメータを学習できる。したがって、特定の気筒に対して検出値のばらつきが大きくなった場合でも、特定の気筒に対しては学習の安定性を高くし、他の気筒に対しては学習の応答性を高くすることができる。

・所定期間を１トリップ期間及び１トリップよりも短い期間にそれぞれ設定することにより、走行中には、短期的な検出値のばらつきが学習速度に反映され、１トリップ終了時には、長期的な検出値のばらつきが学習速度に反映される。したがって、今回の走行中の学習速度に、前回の走行時の長期的な検出値のばらつきと、今回の走行中における短期的な検出値のばらつきの両方を反映させることができる。

（他の実施形態）
本発明は上記実施形態の記載内容に限定されず、以下のように変更して実施してもよい。

・要求供給圧及び要求噴射量ごとに、噴射率パラメータＱの分散値σ^２が大きいほど重み係数Ｋｗの値が大きく設定されているマップを用いて、学習値の重み係数Ｋｗを取得してもよい。

・検出値のばらつき度は、分散に代えて、所定期間における検出値の平均値と検出値との差の絶対値の和を、所定期間で割った値を用いてもよい。

・所定期間として１トリップ期間だけを設定してもよい。すなわち、図６のフローチャートにおいて、Ｓ１５の処理を行わず、Ｋｗａを学習値の重み係数、１−Ｋｗａを検出値の重み係数としてもよい。このようにすれば、長期的な検出値のばらつきだけを学習速度に反映させることができる。

・所定期間として１トリップ期間よりも短い期間だけを設定してもよい。すなわち、図６のフローチャートにおいて、Ｓ１４、Ｓ１８〜Ｓ２０の処理を行わず、基本係数Ｋと補正係数Ｗｔｂとから重み係数Ｋｗを算出してもよい。このようにすれば、短期的な検出値のばらつきだけを学習速度に反映させることができる。

・噴射率パラメータＱ以外の噴射率パラメータの分散に基づいて、重み係数Ｋｗを設定してもよい。特に、噴射率パラメータの中で検出信頼度が最も高い、噴射開始遅れ時間ｔｄの分散に基づいて重み係数Ｋｗを設置すると、検出値のばらつきを確実に全てのパラメータの学習速度に反映させることができる。

・１つの噴射率パラメータの検出値の分散に基づいて重み係数Ｋｗを設定する場合よりも計算負荷は大きくなるが、２つ以上の噴射率パラメータの検出値の分散に基づいて重み係Ｋｗを設定してもよい。

・重み係数Ｋｗを基本係数Ｋよりも小さくしてもよい。すなわち、基本係数Ｋを学習値の重み係数とした場合よりも学習速度を速くして、学習における応答性が高くなるようにしてもよい。

・全ての噴射率パラメータを同じ学習速度で学習することが望ましいが、全ての噴射率パラメータを同じ学習速度で学習しなくてもよい。

・気筒ごとに噴射率パラメータの学習を行うことが望ましいが、気筒ごとに行わなくてもよい。

・学習手段は、メモリ３２に記憶されている学習値と取得手段により検出された噴射率パラメータの検出値との差分に、学習値の重みＫｗを乗じて補正値を算出し、算出した補正値を噴射率パラメータの検出値に加算して学習値を更新してもよい。この場合、学習値の算出手順が上記実施形態と異なるのみで、上記実施形態と実質的に同一の作用効果を奏することができる。

・制御対象を内燃機関に搭載された燃料噴射弁とし、燃料噴射弁に対する空燃比制御指令を算出するために用いる制御パラメータを、エンジン回転速度及びエンジン負荷に基づき算出した目標噴射量を補正する補正量とし、この補正量の学習に学習装置を適用してもよい。この場合、燃料噴射弁が空燃比制御指令により制御されたときに、排気中の酸素濃度を検出するＡ／Ｆセンサの出力に基づき、補正量の検出値を取得する。

・燃料噴射システムは、ディーゼルエンジンに限らずガソリンエンジンやガスエンジンに搭載してもよい。また、燃料噴射システムは、４気筒以外のエンジンに搭載してもよい。また、燃料噴射システムは、車両のエンジンに限らず、船舶等のエンジンに搭載してもよい。

１０…燃料噴射弁、２０…燃圧センサ、３０…ＥＣＵ、３２…メモリ、４２…コモンレール、ｔｄ，ｔｅ，Ｒα，Ｒβ，Ｒｍａｘ，Ｑ…噴射率パラメータ。

Claims (11)

1. 制御対象（１０）に対する制御指令を算出するために用いる制御パラメータを学習する学習装置(３０)において、
   前記制御パラメータを学習値として記憶する記憶手段（３２）と、
   前記制御対象が前記制御指令により制御された時に、前記制御パラメータの検出値を取得する取得手段と、
   前記記憶手段に記憶されている前記学習値と前記取得手段により取得された前記検出値とにそれぞれ重みを付けて算出した加重平均により、前記記憶手段に記憶されている前記学習値を更新する学習手段と、を備え、
   前記学習手段は、所定期間において前記取得手段により取得された前記検出値のばらつき度を算出し、算出した前記ばらつき度が大きいほど、前記学習値の重みを大きく設定することを特徴とする学習装置。
2. 前記制御対象は、多気筒内燃機関の気筒ごとに設けられ、畜圧容器（４２）に畜圧保持された燃料を噴射する燃料噴射弁（１０）であり、
   前記制御パラメータは、前記燃料噴射弁の噴射特性を定量化した複数のパラメータであり、
   前記取得手段は、前記畜圧容器から各燃料噴射弁の噴射口（１１ｂ）までの各燃料通路（４３，１１ａ）内の燃料圧力をそれぞれ検出する燃圧センサ（２０）の出力に基づき、前記複数のパラメータの検出値を取得する請求項１に記載の学習装置。
3. 前記学習手段は、前記複数のパラメータのうちの１つのパラメータに対して前記取得手段により取得された検出値の前記ばらつき度に基づいて、前記複数のパラメータの全てに対して同じ前記重みを設定する請求項２に記載の学習装置。
4. 前記１つのパラメータは、前記制御指令により前記燃料噴射弁が噴射する燃料の噴射量である請求項３に記載の学習装置。
5. 前記１つのパラメータは、前記制御指令により前記燃料噴射弁に噴射が指令された時期に対する噴射開始の遅れ時間である請求項３に記載の学習装置。
6. 前記学習値は、前記記憶手段に前記気筒ごとに記憶されており、
   前記学習手段は、前記気筒ごとに、前記重みを設定して前記学習値を更新する請求項２〜５のいずれかに記載の学習装置。
7. 前記機関は車両に搭載されており、
   前記学習手段は、前記所定期間を、１トリップ期間とする請求項２〜６のいずれかに記載の学習装置。
8. 前記機関は車両に搭載されており、
   前記学習手段は、前記所定期間を、１トリップ期間よりも短い期間とする請求項２〜６のいずれかに記載の学習装置。
9. 前記機関は車両に搭載されており、
   前記学習手段は、前記所定期間を、１トリップ期間及び１トリップ期間よりも短い期間にそれぞれ設定し、それぞれの期間が経過するごとに前記重みを設定する請求項２〜６のいずれかに記載の学習装置。
10. 前記ばらつき度は、分散である請求項１〜９のいずれかに記載の学習装置。
11. 前記学習手段は、前記記憶手段に記憶されている前記学習値と前記取得手段により検出された前記検出値との差分に、前記学習値の重みを乗じて補正値を算出し、算出した補正値を前記検出値に加算して前記学習値を更新する請求項１〜１０のいずれかに記載の学習装置。

Images