JP2015224585A

JP2015224585A - Internal combustion engine control unit

Info

Publication number: JP2015224585A
Application number: JP2014109445A
Authority: JP
Inventors: 坂柳　佳宏; Yoshihiro Sakayanagi; 佳宏坂柳
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2014-05-27
Filing date: 2014-05-27
Publication date: 2015-12-14

Abstract

PROBLEM TO BE SOLVED: To provide an internal combustion engine control unit capable of learning a statistic for use in engine control per area of a map.SOLUTION: An internal combustion engine control unit executes an EGR control using a torque fluctuation T. The internal combustion engine control unit calculates an indicated torque Tusing a detection value of a cylinder internal pressure sensor. The internal combustion engine control unit comprises a learning map including an engine revolving speed and the like as map axes and having a learned value of a standard deviation σof the indicated torque Tas a map value. This learning is weighting learning for updating the learned value using a weight win response to a length between a learning target grid point and learning data on the learning map. To calculate the learned value of the standard deviation σusing weighted averaging, a modified equation that is an equation derived by modifying a statistic equation used for calculating the standard deviation σand that contains arithmetic average values Tbar and Tbar of the learning data (indicated torque T) as terms. Using the calculated learned value, the torque fluctuation Tis calculated.

Description

この発明は、内燃機関の制御装置に関する。 The present invention relates to a control device for an internal combustion engine.

従来、例えば特許文献１には、内燃機関の制御装置が開示されている。この従来の制御装置は、筒内で燃焼が行われる区間の図示トルク変動が全領域（１サイクル全体）の図示トルク変動に対して支配的になることに着目して、上記区間の図示トルク変動を利用して、トルク変動を算出することとしている。 Conventionally, for example, Patent Document 1 discloses a control device for an internal combustion engine. This conventional control device pays attention to the fact that the indicated torque fluctuation in the section where the combustion is performed in the cylinder becomes dominant with respect to the indicated torque fluctuation in the entire region (entire cycle). Is used to calculate the torque fluctuation.

特開２０１１−１９６３１２号公報JP 2011-19631 A 特開２０１１−０９４５４１号公報JP 2011-094541 A 特開２０１１−１４９３１２号公報JP 2011-144931A

トルク変動の指標値（トルクの標準偏差やトルク変動率）などの統計量をマップの領域毎にマップ化して学習することができれば、取得した統計量を利用したエンジン制御（例えば、トルク変動率を利用したＥＧＲ制御）を好適に行えるようになる。しかしながら、瞬時値ではなく上記のような統計量の場合には、統計量の取得中にエンジン運転条件が変化してしまうと、正しい統計が得られず、領域毎に適切なマップ値を得ることができないという問題がある。 If statistics such as index values of torque fluctuations (standard deviation of torque and torque fluctuation rate) can be mapped and learned for each map area, engine control using the acquired statistics (for example, torque fluctuation rate (Used EGR control) can be suitably performed. However, in the case of statistics as described above instead of instantaneous values, if the engine operating conditions change during acquisition of statistics, correct statistics cannot be obtained, and appropriate map values can be obtained for each region. There is a problem that can not be.

この発明は、上述のような課題を解決するためになされたもので、エンジン制御に用いる統計量をマップの領域毎に学習できるようにした内燃機関の制御装置を提供することを目的とする。 The present invention has been made to solve the above-described problems, and an object of the present invention is to provide a control device for an internal combustion engine in which a statistic used for engine control can be learned for each map area.

第１の発明は、統計量を用いたエンジン制御を行う内燃機関の制御装置であって、
マップ領域を規定する領域規定パラメータをマップ軸として含み、複数の格子点を有し、前記統計量の学習値が前記複数の格子点にそれぞれ更新可能に対応付けられた学習マップと、
前記統計量の算出に用いる基礎パラメータを検出するセンサと、
内燃機関の運転中に前記学習マップを用いて前記統計量を学習する学習手段と、
を備え、
前記学習マップの学習は、前記基礎パラメータに基づく学習データが取得されたときに、前記学習マップ上における学習対象格子点と当該学習データとの距離が近いほど、当該学習データの重みを大きく設定し、かつ、学習データが取得される毎に、学習対象格子点において前記重みが大きいほど学習データが学習値に大きく反映されるように当該学習対象格子点の学習値を更新する重み付け学習であって、
前記重み付け学習では、前記統計量の算出に用いる統計式の変形を行うことによって導かれる式であって学習データの算術平均値を項として含む修正式が、重み付け平均を利用した学習値の算出に用いられることを特徴とする。 A first invention is a control device for an internal combustion engine that performs engine control using statistics,
A learning map that includes a region defining parameter that defines a map region as a map axis, has a plurality of lattice points, and the learning values of the statistics are associated with the plurality of lattice points in an updatable manner,
A sensor for detecting a basic parameter used for calculating the statistic;
Learning means for learning the statistics using the learning map during operation of the internal combustion engine;
With
In learning of the learning map, when learning data based on the basic parameters is acquired, the weight of the learning data is set to be larger as the distance between the learning target lattice point on the learning map and the learning data is closer. In addition, each time learning data is acquired, weighting learning is performed in which the learning value of the learning target lattice point is updated so that the learning data is reflected more greatly in the learning value as the weight is increased at the learning target lattice point. ,
In the weighted learning, a correction formula that is derived by modifying a statistical formula used for calculating the statistic and includes an arithmetic average value of learning data as a term is used to calculate a learning value using the weighted average. It is used.

第１の発明によれば、統計量の算出に用いる統計式の変形を行うことによって導かれる式であって学習データの算術平均値を項として含む修正式が、重み付け平均を利用した学習値の算出に用いられる。これにより、統計量の学習に対して重み付け学習手法を適用できるようになる。そして、重み付け学習手法を利用することで、学習マップのマップ領域上における学習データの取得位置を考慮した重み付きで学習値が算出されるので、統計量を個々のマップ領域毎に学習できるようになる。 According to the first aspect of the present invention, a correction expression derived by performing a modification of a statistical expression used for calculating a statistic and including an arithmetic average value of learning data as a term is a learning value using a weighted average. Used for calculation. As a result, the weighted learning method can be applied to the statistics learning. And, by using the weighted learning method, the learning value is calculated with weighting considering the acquisition position of the learning data on the map area of the learning map, so that the statistics can be learned for each map area Become.

エンジン運転条件によって学習データｘ_ｋにばらつきが生じる場合の課題を説明するための図である。It is a diagram for explaining a problem in a case where the variation in the learning data x _k by the engine operating condition occurs. 図１を参照して説明した課題への対策を説明するための図である。It is a figure for demonstrating the countermeasure to the subject demonstrated with reference to FIG.

実施の形態１．
［内燃機関のシステム構成］
本実施形態の内燃機関は、一例として、火花点火式の内燃機関である。内燃機関は、各気筒に吸入空気を取り入れるための吸気通路を備えている。吸気通路には、吸入空気量を調整するために電子制御式のスロットルバルブが設けられている。また、内燃機関の各気筒には、吸気ポートに燃料を噴射するための燃料噴射弁と、混合気に点火するための点火プラグとが備えられている。さらに、内燃機関は、排気通路を流れる排気ガスの一部を吸気通路に還流するためのＥＧＲ装置を備えている。 Embodiment 1 FIG.
[System configuration of internal combustion engine]
The internal combustion engine of this embodiment is, for example, a spark ignition type internal combustion engine. The internal combustion engine includes an intake passage for taking intake air into each cylinder. In the intake passage, an electronically controlled throttle valve is provided to adjust the intake air amount. Each cylinder of the internal combustion engine is provided with a fuel injection valve for injecting fuel into the intake port and an ignition plug for igniting the air-fuel mixture. Further, the internal combustion engine includes an EGR device for returning a part of the exhaust gas flowing through the exhaust passage to the intake passage.

次に、内燃機関の制御系統について説明する。本実施形態のシステムは、内燃機関の運転に必要な各種のセンサ（以下に一部を例示）が含まれるセンサ系統と、内燃機関の運転状態を制御するＥＣＵ（Electronic Control Unit）とを備えている。まず、センサ系統について述べると、クランク角センサは、クランク軸の回転に同期した信号を出力するもので、エアフローメータは吸入空気量を計測する。また、筒内圧センサは、筒内圧を検出する。空燃比センサは、排気ガスの空燃比を検出する。また、ＥＣＵには、内燃機関を搭載する車両の速度（車速）を検出するための車速センサが電気的に接続されている。 Next, a control system for the internal combustion engine will be described. The system according to the present embodiment includes a sensor system including various sensors (partially exemplified below) necessary for operation of the internal combustion engine, and an ECU (Electronic Control Unit) that controls the operation state of the internal combustion engine. Yes. First, the sensor system will be described. The crank angle sensor outputs a signal synchronized with the rotation of the crankshaft, and the air flow meter measures the intake air amount. The in-cylinder pressure sensor detects the in-cylinder pressure. The air-fuel ratio sensor detects the air-fuel ratio of the exhaust gas. The ECU is electrically connected to a vehicle speed sensor for detecting the speed (vehicle speed) of the vehicle on which the internal combustion engine is mounted.

ＥＣＵは、ＲＯＭ、ＲＡＭ、不揮発性メモリ等からなる記憶回路と、入出力ポートとを備えた演算処理装置により構成されている。ＥＣＵの不揮発性メモリには、後述する学習マップが記憶されている。また、ＥＣＵの入力側には、センサ系統の各センサがそれぞれ接続されている。ＥＣＵの出力側には、スロットルバルブ、燃料噴射弁、点火プラグを有する点火装置、および、ＥＧＲガスの流量を制御するＥＧＲバルブ等のアクチュエータが接続されている。そして、ＥＣＵは、センサ系統により検出した内燃機関の運転情報に基づいて各アクチュエータを駆動し、運転制御を行う。 The ECU is configured by an arithmetic processing unit that includes a storage circuit including a ROM, a RAM, a nonvolatile memory, and the like, and an input / output port. A learning map (to be described later) is stored in the nonvolatile memory of the ECU. Each sensor of the sensor system is connected to the input side of the ECU. On the output side of the ECU, an ignition device having a throttle valve, a fuel injection valve, an ignition plug, and an actuator such as an EGR valve for controlling the flow rate of EGR gas are connected. And ECU drives each actuator based on the operation information of the internal combustion engine detected by the sensor system, and performs operation control.

［実施の形態１で行われるマップ学習］
上述した筒内圧センサおよびクランク角センサによれば、内燃機関の１サイクル中の筒内圧波形をクランク角度同期で取得することができる。この筒内圧波形（筒内圧データ）を利用して、サイクル毎に図示トルクＴ_ｉを算出することができる。そして、サイクル毎に算出される図示トルクＴ_ｉの統計処理を行ってトルク変動率Ｔ_ｆを求めることができる。トルク変動率Ｔ_ｆは、エンジン定常状態で複数サイクルを経過する所定時間に渡って各気筒の図示トルクＴ_ｉを計測した際の図示トルクＴ_ｉの変動率のことであり、図示トルクＴ_ｉの標準偏差σ_Ｔｉを図示トルクＴ_ｉの算術平均値Ｔ_ｉバーで除することで得られる（後述の（８）式参照）。 [Map learning performed in Embodiment 1]
According to the in-cylinder pressure sensor and the crank angle sensor described above, the in-cylinder pressure waveform during one cycle of the internal combustion engine can be acquired in synchronization with the crank angle. Using the in-cylinder pressure waveform (cylinder pressure data), it is possible to calculate the indicated torque T _i in each cycle. Then, it is possible to obtain the torque variation ratio T _f by performing statistical processing of the indicated torque T _i is calculated for each cycle. The torque variation ratio T _f, and that the rate of change in indicated torque T _i when measured indicated torque T _i of each cylinder over a predetermined time elapses multiple cycles engine steady state, the indicated torque T _i obtained by dividing the standard deviation sigma _Ti arithmetic mean value T _i bar indicated torque T _i (see below formula (8)).

トルク変動率Ｔ_ｆをエンジン制御に利用することで、例えば、次のようなＥＧＲ制御が可能となる。すなわち、ＥＧＲ率を高くすることで、燃費向上を図ることができるが、その一方で、燃焼が不安定となることでトルク変動が大きくなる。内燃機関１０の運転中に（すなわち、オンボードで）エンジン回転速度、吸入空気量およびＥＧＲ率とトルク変動率Ｔ_ｆとの関係をマップ化して学習することができれば、エンジン回転速度と吸入空気量とで規定される個々のエンジン運転条件においてトルク変動率Ｔ_ｆが閾値に収まる範囲内で最大となるＥＧＲ率を求めることが可能になる。そして、トルク変動率Ｔ_ｆの観点で限界となる値にＥＧＲ率を制御することが可能になる。 By using the torque fluctuation rate _Tf for engine control, for example, the following EGR control can be performed. That is, by increasing the EGR rate, it is possible to improve fuel efficiency, but on the other hand, torque fluctuation increases due to unstable combustion. _If the relationship between the engine rotational speed, the intake air amount, the EGR rate, and the torque fluctuation rate _Tf can be learned by mapping during operation of the internal combustion engine 10 (that is, onboard), the engine rotational speed and the intake air amount can be learned. It is possible to obtain the EGR rate that becomes the maximum within the range in which the torque fluctuation rate _Tf falls within the threshold value under the individual engine operating conditions defined by Then, it becomes possible to control the EGR rate to a value that becomes a limit in terms of the torque fluctuation rate _Tf .

しかしながら、図示トルクＴ_ｉの標準偏差σ_Ｔｉやトルク変動率Ｔ_ｆといったトルク変動の指標値は、統計量であり、瞬時値（すなわち、各学習データ（図示トルクＴ_ｉ）の取得時に算出が完了する値）として得られるものではない。このため、マップ学習のためのこれらの指標値の取得中にエンジン運転条件が変化してしまうと、正しい統計が得られなくなる。例えば、標準偏差σ_Ｔｉの場合であれば、エンジン運転条件が変化すると、標準偏差σ_Ｔｉの式中の平均値Ｔ_ｉバーが標準偏差σ_Ｔｉの算出のためのデータ（すなわち、図示トルクＴ_ｉ）が変わってしまう。このため、マップの領域毎に適切なマップ値を得ることができなくなる。 However, the index values of torque fluctuation such as the standard deviation σ _{Ti of the} indicated torque T _i and the torque fluctuation rate T _f are statistical quantities, and the calculation is completed when the instantaneous value (that is, each learning data (indicated torque T _i ) is acquired). Value). For this reason, if the engine operating conditions change during acquisition of these index values for map learning, correct statistics cannot be obtained. For example, in the case of the standard deviation sigma _Ti, the engine operating conditions change, the data for the average value T _i bar in the formula of the standard deviation sigma _Ti is calculated in the standard deviation sigma _Ti (i.e., the indicated torque T _i ) Will change. For this reason, an appropriate map value cannot be obtained for each map area.

ここで、マップ学習の手法として、例えば、国際特許出願の国際公開第２０１４／００２１８９号に記載されているように重み付け学習手法が公知である。この重み付け学習手法は、マップ領域を規定する所定の領域規定パラメータをマップ軸として含み、複数の格子点を有し、所定の学習対象のパラメータの学習値が各格子点にそれぞれ更新可能に対応付けられた学習マップを対象としたものである。そして、この学習マップの学習は、学習データが取得されたときに、マップ領域上における学習対象格子点と学習データとの距離が近いほど、当該学習データの重みｗ_ｋを大きく設定し、かつ、学習データが取得される毎に、学習対象格子点において重みｗ_ｋが大きいほど学習データが学習値に大きく反映されるように当該学習対象格子点の学習値を更新する重み付け学習を行うものである。 Here, as a map learning method, for example, a weighted learning method is known as described in International Patent Application No. International Publication No. 2014/002189. This weighted learning method includes a predetermined region defining parameter that defines a map region as a map axis, has a plurality of lattice points, and associates learning values of a predetermined learning target parameter with each lattice point in an updatable manner. It is intended for a learning map. And learning of this learning map, when learning data is acquired, the weight w _{k of the} learning data is set larger as the distance between the learning target lattice point on the map region and the learning data is closer, and Each time learning data is acquired, weighting learning is performed to update the learning value of the learning target lattice point so that the learning data is reflected more greatly in the learning value as the weight w _k is larger at the learning target lattice point. .

上記の重み付け学習手法によれば、重みｗ_ｋを用いた重み付きで平均化対象の学習データが算出されることで、マップ領域上での格子点に対する学習データの距離の違いを学習値の計算に反映させることが可能となる。言い換えると、本手法によれば、ある格子点での学習値を計算する場合には、取得された学習データが単に学習対象格子点の学習値に反映されるのではなく、学習対象格子点と学習データとの距離に応じて（すなわち、重みｗ_ｋの大きさに応じて）、学習データが学習値に反映される度合いが変更される。したがって、重み付け学習手法によれば、マップ領域上における学習データの取得位置を考慮した重み付きで学習値が算出されることで、マップ上の個々の領域毎（すなわち、エンジン運転条件毎）に格子点の学習を行えるようになる。 According to the above-described weighted learning method, the learning data to be averaged is calculated with weighting using the weight w _k, and the difference in the distance of the learning data with respect to the lattice point on the map region is calculated. It is possible to reflect on. In other words, according to this method, when the learning value at a certain lattice point is calculated, the acquired learning data is not simply reflected in the learning value of the learning target lattice point, The degree to which the learning data is reflected in the learning value is changed according to the distance from the learning data (that is, according to the weight w _k ). Therefore, according to the weighting learning method, the learning value is calculated with weighting in consideration of the acquisition position of the learning data on the map region, so that the lattice value is calculated for each region on the map (that is, for each engine operating condition). You will be able to learn points.

次に、（１）〜（４）式を参照して、重み付け平均値ｍ_ｘの基本的な算出手法について説明する。ｎ個の学習データｘ_１,ｘ_２,…,ｘ_ｎがあったときの算術平均値ｘバーは、次の（１）式のように表すことができる。そして、この（１）式を基礎として重みｗ_ｋを考慮したサンプルデータｘ_１,ｘ_２,…,ｘ_ｎの重み付け平均値をｍ_ｘ（ｎ）とすると、重み付け平均値ｍ_ｘ（ｎ）は、次の（２）式のように表すことができる。

Then, (1) with reference to (4), the basic method of calculating the weighted average value m _x will be described. The arithmetic average value x bar when there are n pieces of learning data x ₁ , x ₂ ,..., x _n can be expressed as the following equation (1). _If the weighted average value of the sample data x ₁ , x ₂ ,..., X _n considering the weight w _k based on the equation (1) is m _x (n), the weighted average value m _x (n) is The following equation (2) can be expressed.

（２）式の分子は、データ取得回数ｎ回分の学習データｘ_ｋと重みｗ_ｋの積の和であり、（２）式の分母は、ｎ回分の重みｗ_ｋの和である。（２）式の分子と分母を漸化式にて表すと、データ取得回数がｋ回目である時の分子Ｎ（ｎ）および分母Ｍ（ｎ）は、それぞれ次の（３）および（４）式のようになる。また、Ｎ（１）およびＭ（１）の式は、初期値（ｋ＝１のときの値）を定義するためのものである。なお、格子点と学習データとの距離に応じた重みｗ_ｋの設定は、例えば、上記文献（国際公開第２０１４／００２１８９号）に開示されているように、ガウス関数を用いて行うことが好適であり、また、ガウス関数に限らず、一次関数または三角関数等を用いることもできる。

(2) of the molecule is the sum of the products of the learning data x _k and the weights w _k of the data acquisition times n times, (2) the denominator of the equation is the sum of the weights w _k of the n times. When the numerator and denominator of the formula (2) are expressed by a recurrence formula, the numerator N (n) and the denominator M (n) when the number of data acquisition times is the kth are respectively the following (3) and (4). It becomes like the formula. The expressions N (1) and M (1) are for defining an initial value (value when k = 1). Note that the setting of the weight w _k according to the distance between the lattice point and the learning data is preferably performed using a Gaussian function as disclosed in the above-mentioned document (International Publication No. 2014/002189), for example. Further, not only a Gaussian function but also a linear function or a trigonometric function can be used.

本実施形態の制御に用いるトルク変動率Ｔ_ｆの算出に関し、図示トルクＴ_ｉの算術平均値Ｔ_ｉバーについては、サイクル毎に算出可能な値である図示トルクＴ_ｉが学習データｘ_ｋに対応するものであるので、上記（１）〜（４）式の関係をそのまま適用して重み付け平均値を算出することができる。しかしながら、図示トルクＴ_ｉの標準偏差σ_Ｔｉについては、既述したように統計量であるため、上記（１）〜（４）式の関係をそのまま適用して重み付け平均値を算出することはできない。 Relates calculation of the torque variation ratio T _f for use in the control of this embodiment, the arithmetic mean value T _i bar indicated torque T _i, corresponding to the indicated torque T _i the learning data x _k is calculated possible values for each cycle Therefore, the weighted average value can be calculated by applying the relationships of the above equations (1) to (4) as they are. However, since the standard deviation σ _Ti of the indicated torque T _i is a statistic as described above, it is not possible to calculate the weighted average value by directly applying the relationship of the above formulas (1) to (4). .

そこで、本実施形態では、以下に説明するように、統計量の算出に用いる統計式の変形を行うことによって導かれる式であって学習データの算術平均値を項として含む修正式を、重み付け平均を利用した学習値の算出に用いることとした。 Therefore, in the present embodiment, as will be described below, a weighted average is an expression derived by performing a modification of a statistical expression used for calculating a statistic and including an arithmetic average value of learning data as a term. It was decided to use for the calculation of the learning value using.

ｎ個の学習データｘ_１,ｘ_２,…,ｘ_ｎを有する母集団の標準偏差σは、基本式である次の（５）式にしたがって算出される分散σ^２の正の平方根として算出することができる。（５）式の右辺を展開すると、分散σ^２は（６）式のように表すことができる。

ただし、（５）、（６）式において、ｘバーは、ｎ個の学習データｘ_１,ｘ_２,…,ｘ_ｎの算術平均値であり、ｘ^２バーは、ｎ個の学習データｘ_１ ^２,ｘ_２ ^２,…,ｘ_ｎ ^２の算術平均値である。 The standard deviation σ of the population having n pieces of learning data x ₁ , x ₂ ,..., x _n is calculated as a positive square root of variance σ ² calculated according to the following equation (5) that is a basic equation. be able to. When the right side of the expression (5) is expanded, the variance σ ² can be expressed as the expression (6).

However, in the equations (5) and (6), x bar is an arithmetic average value of n pieces of learning data x ₁ , x ₂ ,..., X _n , and x ² bar is n pieces of learning data x _1. ² , x ₂ ² ,..., X _n ² are arithmetic average values.

統計量である標準偏差σの算出に用いる統計式である（５）式を（６）式のように変形することで、学習データｘ_ｋに関する算術平均値ｘバーおよびｘ^２バーを項として含む修正式を得ることができる。このように変形された（６）式中の算術平均値ｘバーおよびｘ^２バーであれば、所定のサンプリング周期毎に取得される学習データｘ_ｋを用いて、それぞれの重み付け平均値を算出することが可能である。 By transforming equation (5), which is a statistical equation used to calculate the standard deviation σ, which is a statistic, into equation (6), arithmetic mean values x bar and x ² bar relating to learning data x _k are included as terms. A correction formula can be obtained. If the arithmetic average values x bar and x ² bar in the expression (6) thus modified are used, the respective weighted average values are calculated using the learning data x _k acquired every predetermined sampling period. It is possible.

上記（６）式を図示トルクＴ_ｉに適用することで、図示トルクＴ_ｉの標準偏差σ_Ｔｉは次の（７）式のように表すことができる。トルク変動率Ｔ_ｆは、標準偏差σ_Ｔｉを図示トルクＴ_ｉの平均値Ｔ_ｉバーで除して得られる値として（８）式のように表すことができる。

By applying the above equation (6) to indicated torque T _i, the standard deviation sigma _Ti of indicated torque T _i can be expressed as the following equation (7). Torque variation ratio T _f can be expressed as a value obtained by dividing the standard deviation sigma _Ti the average value T _i bar indicated torque T _i in equation (8).

上記（７）、（８）式中の算術平均値Ｔ_ｉバーについては、上記（１）〜（４）式の関係をそのまま適用して重み付け平均値を算出することができる。また、算術平均値Ｔ_ｉ ^２バーについては、次の（９）〜（１１）式の関係を適用することで重み付け平均値を算出することができる。すなわち、算術平均値ｘ^２バーの重み付け平均値ｍ_ｘ２（ｎ）の算出式は、上記（２）式と同様の思想に基づいて（９）式のように表すことができる。上記（６）式のように変形された分散σ^２の式は、（１０）式のように表すことができる。より具体的には、（１０）式の右辺第１項はｘ^２バーに対応し、右辺第２項はｘバーに対応している。（１０）式の右辺第１項の分子Ｎ_２（ｎ）を漸化式にて表すと、データ取得回数がｋ回目である時のＮ_２（ｋ）および初期値Ｎ_２（１）は（１１）式のようになる。なお、（１１）式中の残りのＮ（ｎ）およびＭ（ｎ）の算出式については上記（３）および（４）式に示す通りである。

For the arithmetic average value _Ti bar in the above formulas (7) and (8), the weighted average value can be calculated by applying the relationships of the above formulas (1) to (4) as they are. For the arithmetic average value T _i ² bar, the weighted average value can be calculated by applying the relationship of the following equations (9) to (11). That is, the calculation formula of the arithmetic mean value x ² bars weighted average of m _{x2 (n)} can be expressed as based on the same concept as equation (2) (9). The expression of the variance σ ² transformed as the above expression (6) can be expressed as the following expression (10). More specifically, (10) the first term corresponds to the x ² bar, the second term on the right side corresponds to the x bar. When the numerator N ₂ (n) in the first term on the right side of the equation (10) is expressed by a recurrence formula, N ₂ (k) and the initial value N ₂ (1) when the number of data acquisition times is k times are ( 11) The remaining N (n) and M (n) calculation formulas in the formula (11) are as shown in the formulas (3) and (4).

したがって、（７）、（８）式から分かるように、図示トルクＴ_ｉの標準偏差σ_Ｔｉおよびトルク変動率Ｔ_ｆの算出の基礎となる平均値Ｔ_ｉバーおよびＴ_ｉ ^２バーにそれぞれ対応する重み付け平均値ｍ_Ｔｉおよびｍ_Ｔｉ２をエンジン回転速度、吸入空気量およびＥＧＲ率をマップ軸としてそれぞれマップ化することができれば、それらのマップ値から標準偏差σ_Ｔｉおよびトルク変動率Ｔ_ｆといったトルク変動の指標値を、エンジン運転条件で規定されたマップの領域毎に（言い換えれば、マップの各格子点において）算出することができるといえる。さらには、それらのマップ値を利用して標準偏差σ_Ｔｉおよびトルク変動率Ｔ_ｆ自体をマップ化したりすることも可能となる。 Therefore, (7), (8) As can be seen from the equation, corresponding respectively to the average value _{T i} bar and _T ^{i 2} bars underlying the calculation of the standard deviation sigma _Ti and torque variation ratio _{T f} of the indicated torque _{T i} If the weighted average values m _Ti and m _Ti2 can be mapped using the engine speed, the intake air amount, and the EGR rate as map axes, respectively, torque fluctuations such as standard deviation σ _Ti and torque fluctuation rate T _f can be calculated from these map values. It can be said that the index value can be calculated for each area of the map defined by the engine operating conditions (in other words, at each grid point of the map). Further, it is possible to map the standard deviation σ _Ti and the torque fluctuation rate T _f itself using these map values.

そこで、本実施形態では、重み付け平均値ｍ_Ｔｉおよびｍ_Ｔｉ２をエンジン回転速度、吸入空気量およびＥＧＲ率（領域規定パラメータ）をマップ軸としてそれぞれマップ化し、上述した重み付け学習手法を用いてこれらのマップが学習されることとした。そして、本実施形態では、これらのマップの学習結果を利用して、これらのマップと同じマップ軸を有する図示トルクＴ_ｉの標準偏差σ_Ｔｉのマップが作成されるようにした。そのうえで、標準偏差σ_Ｔｉのマップの各マップ点の値を図示トルクＴ_ｉの重み付け平均値ｍ_Ｔｉで除することで、トルク変動率Ｔ_ｆが算出されるようにした。 Therefore, in the present embodiment, the weighted average values m _Ti and m _Ti2 are respectively mapped with the engine speed, the intake air amount, and the EGR rate (region defining parameter) as map axes, and these maps are obtained using the above-described weighted learning method. Was to be learned. In the present embodiment, by utilizing the learning result of these maps, map the standard deviation sigma _Ti of indicated torque T _i is to be constructed having the same map axis as these maps. After that, the torque fluctuation rate T _f is calculated by dividing the value of each map point of the map of the standard deviation σ _Ti by the weighted average value m _Ti of the indicated torque T _i .

トルク変動率Ｔ_ｆの算出に用いる重み付け平均値ｍ_Ｔｉおよびｍ_Ｔｉ２のマップの学習においては、学習データ（図示トルクＴ_ｉ）ｘ_ｋが取得される毎に（すなわち、図示トルクＴ_ｉの算出対象となるエンジンサイクル毎に）、マップの学習対象格子点の学習値を上記の各式を用いて算出すればよい。 In the learning map weighted average value _{m Ti} and _{m Ti2} used for calculating the torque variation ratio _{T f,} learning data each time (indicated torque _T i) _{x k} is obtained (i.e., the calculation target of the indicated torque _{T i} The learning value of the learning target grid point of the map may be calculated using the above equations.

以上説明した手法によれば、統計量であるトルク変動率Ｔ_ｆをマップの領域毎に学習することが可能となる。なお、トルク変動率Ｔ_ｆは、標準偏差σ_Ｔｉのマップを介さずに、上記（８）式の関係にしたがって、重み付け平均値ｍ_Ｔｉおよびｍ_Ｔｉ２のそれぞれのマップ値から直接的に算出されるものであってもよい。 According to the method described above, it is possible to learn the torque fluctuation rate _Tf , which is a statistic, for each map area. The torque fluctuation rate T _f is directly calculated from the respective map values of the weighted average values m _Ti and m _Ti2 according to the relationship of the above equation (8) without using the standard deviation σ _Ti map. It may be a thing.

なお、上述した実施の形態１においては、図示トルクＴ_ｉの標準偏差σ_Ｔｉが前記第１の発明における「統計量」に、筒内圧およびクランク角度が前記第１の発明における「基礎パラメータ」に、筒内圧センサおよびクランク角センサが前記第１の発明における「センサ」に、それぞれ相当している。 In the first embodiment described above, the standard deviation σ _{Ti of the} indicated torque T _i is the “statistic” in the first invention, and the in-cylinder pressure and the crank angle are the “basic parameters” in the first invention. The in-cylinder pressure sensor and the crank angle sensor correspond to the “sensor” in the first invention, respectively.

ところで、上述した実施の形態１においては、本発明におけるマップ学習の対象となる統計量としてトルク変動率Ｔ_ｆを例に挙げて説明を行った。より具体的には、トルク変動率Ｔ_ｆの算出の過程において統計量である標準偏差σ（図示トルクＴ_ｉの標準偏差σ_Ｔｉ）が登場する例を挙げて、本発明の特徴的な学習手法について説明を行った。しかしながら、本発明の学習手法は、例えば、以下に列挙するような態様で実行されるものであってもよい。 By the way, in Embodiment 1 mentioned above, torque fluctuation rate _Tf was mentioned as an example and demonstrated as a statistic which becomes the object of the map learning in this invention. More specifically, an example in which the standard deviation σ (standard deviation σ _{Ti of the} indicated torque T _i ), which is a statistic, appears in the process of calculating the torque fluctuation rate T _f is given as a characteristic learning method of the present invention. I explained about. However, the learning method of the present invention may be executed in the modes listed below, for example.

（平均偏差ａ）
本発明の学習手法は、学習対象の統計量、もしくは学習値の算出過程で登場する統計量として、平均偏差ａが利用される学習にも適用することができる。このような学習の好ましい対象の一例には、上述したトルク変動率Ｔ_ｆが該当する。平均偏差ａの基本式は次の（１２）式のように表すことができる。そして、（１２）式の右辺を展開することで、学習データｘ_ｋの算術平均値ｘバーを項として含む（１３）式を得ることができる。（１３）式によれば、平均偏差ａをｓｉｇｎ_ｋｘ_ｋおよびｓｉｇｎ_ｋのそれぞれの算術平均値の差として表すことができるようになる。

(Average deviation a)
The learning method of the present invention can also be applied to learning in which the average deviation a is used as a statistic to be learned or a statistic that appears in the learning value calculation process. The torque fluctuation rate T _f described above corresponds to an example of a preferable target for such learning. The basic equation of the average deviation a can be expressed as the following equation (12). Then, it is possible to obtain (12) by expanding the right hand side of the equation, including arithmetic mean value x bar training data x _k as a term (13). According to the equation (13), the average deviation a can be expressed as the difference between the arithmetic average values of sign _k x _k and sign _k .

ここで、（１３）式中のｓｉｇｎ_ｋは次のような値である。すなわち、ｓｉｇｎ_ｋは、学習データｘ_ｋが算術平均値ｘバーよりも大きい場合には１となり、学習データｘ_ｋが算術平均値ｘバーよりも小さい場合には−１となるものである。ただし、統計対象の学習データｘ_ｋの数がｎ個であるとした場合、厳密には、ｓｉｇｎ_ｋはｎ番目までの学習データｘ_ｋの算術平均値ｘバー（ｎ）が必要になる。ここでは、漸化式で計算するため、ｓｉｇｎ_ｋの値を決めるうえでの学習データｘ_ｋとの比較対象となる算術平均値としてｘバー（ｋ）を代用して近似計算を行うものとする。すなわち、この平均偏差ａの学習例では、平均偏差ａの算出に用いる統計式である（１２）式の変形を近似計算を含めて行うことによって導かれた修正式である（１３）式が、重み付け平均を利用した学習値の算出に用いられている。 Here, sign _k in the equation (13) has the following value. That is, sign _k is 1 when the learning data x _k is larger than the arithmetic average value x bar, and is -1 when the learning data x _k is smaller than the arithmetic average value x bar. However, if the number of learning data x _k statistics object is assumed to be n number, strictly, sign _k is the arithmetic mean value x bar of the learning data x _k to n-th (n) is required. Here, since calculation is performed using a recurrence formula, approximate calculation is performed by substituting x bar (k) as an arithmetic average value to be compared with learning data x _k for determining the value of sign _k. . That is, in this learning example of the average deviation a, the equation (13), which is a correction equation derived by performing a modification of the equation (12), which is a statistical equation used to calculate the average deviation a, including approximate calculation, It is used to calculate the learning value using the weighted average.

以下の（１４）式は、漸化式にて重み付け後の平均偏差ａを計算するために上記（１３）式を変形した式である。（１４）式中に登場するＳ_２（ｎ）、Ｓ_１（ｎ）、Ｎ（ｎ）およびＭ（ｎ）並びにこれらの初期値は、以下の（１５）および（１６）式と上記（３）および（４）式とにしたがって算出することができる。なお、上述したようにｘバー（ｋ）を代用した場合には、ｘバー（ｋ）がｘバー（ｎ）とほぼ等しくないと正しい計算が行えない。そこで、ｘバー（ｎ）を先に計算しておき、ｘバー（ｎ）の変化代が少なくなるまでは重みｗ_ｋを小さくすることで、ｘバー（ｋ）を代用することが計算に与える影響を小さくすることが好ましい。

The following formula (14) is a formula obtained by modifying the above formula (13) in order to calculate the weighted average deviation a by the recurrence formula. S ₂ (n), S ₁ (n), N (n) and M (n) appearing in the equation (14) and their initial values are the following equations (15) and (16) and the above (3) ) And (4). As described above, when x bar (k) is substituted, correct calculation cannot be performed unless x bar (k) is substantially equal to x bar (n). Therefore, the x bar (n) is calculated in advance, and the x bar (k) is substituted for the calculation by decreasing the weight w _k until the change amount of the x bar (n) decreases. It is preferable to reduce the influence.

（幾何平均ｍ_ｂ）
また、本発明の学習手法は、学習対象の統計量、もしくは学習値の算出過程で登場する統計量として、幾何平均ｍ_ｂが利用される学習にも適用することができる。このような学習の好ましい対象の一例としては、内燃機関が搭載するセンサの感度低下率が挙げられる。センサの感度低下率の学習によれば、一定時間毎に検出した感度低下率から平均の感度低下率を算出することが可能となる。その他の対象としては、例えば、空燃比のばらつき量（空燃比センサの検出値と目標空燃比との差、あるいは気筒間での空燃比のばらつき量など）の学習を挙げることができる。 (Geometric mean m _b )
The learning method of the present invention can also be applied to learning in which the geometric mean _mb is used as a statistic to be learned or a statistic that appears in the learning value calculation process. As an example of such a preferable object of learning, there is a sensitivity reduction rate of a sensor mounted on an internal combustion engine. According to the learning of the sensitivity reduction rate of the sensor, it is possible to calculate the average sensitivity reduction rate from the sensitivity reduction rate detected at regular intervals. Examples of other objects include learning of the variation amount of the air-fuel ratio (the difference between the detected value of the air-fuel ratio sensor and the target air-fuel ratio, the variation amount of the air-fuel ratio between cylinders, etc.).

幾何平均ｍ_ｂの基本式は次の（１７）式のように表すことができる。そして、（１７）式の両辺の対数をとると、（１８）式を得ることができる。この（１８）式によれば、学習データｘ_ｋの対数ｌｏｇ（ｘ_ｋ）の算術平均値を求める式が得られる。また、（１９）式は、漸化式にて重み付け後の幾何平均ｍ_ｂを計算するために上記（１８）式を変形した式である。（１９）式中に登場するＮ_ｌ（ｎ）およびＭ（ｎ）並びにこれらの初期値は、以下の（２０）式と上記（４）式とにしたがって算出することができる。

The basic formula for geometric mean m _b can be expressed as the following equation (17). Then, by taking the logarithm of both sides of equation (17), equation (18) can be obtained. According to the equation (18), an equation for obtaining the arithmetic average value of the logarithm log (x _k ) of the learning data x _k is obtained. Further, (19) is an equation obtained by modifying the above equation (18) to calculate the geometric mean m _b the weighted by a recursion formula. N ₁ (n) and M (n) appearing in the equation (19) and their initial values can be calculated according to the following equation (20) and the above equation (4).

（調和平均ｍ_ｆ）
また、本発明の学習手法は、学習対象の統計量、もしくは学習値の算出過程で登場する統計量として、調和平均ｍ_ｆが利用される学習にも適用することができる。このような学習の好ましい対象の一例としては、内燃機関を搭載する車両の平均車速が挙げられる。平均車速の学習によれば、一定距離毎に検出した車速から平均車速を算出することが可能となる。 (Harmonic mean m _f )
The learning method of the present invention can also be applied to learning in which the harmonic mean _mf is used as a statistic to be learned or a statistic that appears in the learning value calculation process. As an example of a preferable object of such learning, there is an average vehicle speed of a vehicle equipped with an internal combustion engine. According to the learning of the average vehicle speed, it is possible to calculate the average vehicle speed from the vehicle speed detected at every constant distance.

調和平均ｍ_ｆの基本式は次の（２１）式のように表すことができる。そして、（２１）式の両辺の逆数をとると、（２２）式を得ることができる。この（２２）式によれば、学習データｘ_ｋの逆数（１／ｘ_ｋ）の算術平均値を求める式が得られる。また、（２３）式は、漸化式にて重み付け後の調和平均ｍ_ｆを計算するために上記（２２）式を変形した式である。（２２）式中に登場するＮ_ｆ（ｎ）およびＭ（ｎ）並びにこれらの初期値は、以下の（２４）式と上記（４）式とにしたがって算出することができる。

The basic formula of the harmonic mean m _f can be expressed as the following formula (21). Then, by taking the reciprocals of both sides of equation (21), equation (22) can be obtained. According to the equation (22), an equation for obtaining the arithmetic average value of the reciprocal (1 / x _k ) of the learning data x _k is obtained. Moreover, (23) Formula is the type _| formula which deform _| transformed the said (22) Formula in order to calculate the harmonic average mf after weighting by a recurrence formula. N _f (n) and M (n) appearing in the equation (22) and their initial values can be calculated according to the following equation (24) and the above equation (4).

（一般化平均ｍ_ｇ）
また、本発明の学習手法は、学習対象の統計量、もしくは学習値の算出過程で登場する統計量として、一般化平均ｍ_ｇが利用される学習にも適用することができる。このような学習の好ましい対象の一例としては、調和平均ｍ_ｆと同様に、平均車速が挙げられる。 (Generalized average _mg )
The learning method of the present invention can also be applied to learning in which a generalized average _mg is used as a statistic to be learned or a statistic that appears in the learning value calculation process. As a preferred example of the subject of such study, similar to the harmonic mean m _f, it includes the average vehicle speed.

一般化平均ｍ_ｇの基本式は次の（２５）式のように表すことができる。そして、（２５）式の両辺をｐ乗すると、（２６）式を得ることができる。この（２６）式によれば、学習データｘ_ｋのｐ乗値ｘ_ｋ ^ｐの算術平均値を求める式が得られる。また、（２７）式は、漸化式にて重み付け後の一般化平均ｍ_ｇを計算するために上記（２６）式を変形した式である。（２７）式中に登場するＮ_ｐ（ｎ）およびＭ（ｎ）並びにこれらの初期値は、以下の（２８）式と上記（４）式とにしたがって算出することができる。

The basic formula of the generalized average _mg can be expressed as the following formula (25). Then, when both sides of the equation (25) are raised to the pth power, the equation (26) can be obtained. According to the equation (26), an equation for obtaining the arithmetic average value of the p-th power value x _k ^p of the learning data x _k is obtained. Further, the equation (27) is a variation of the above equation (26) in order to calculate the generalized average _mg after weighting by the recurrence equation. N _p (n) and M (n) appearing in the equation (27) and their initial values can be calculated according to the following equation (28) and the above equation (4).

（相関関数）
また、本発明の学習手法は、学習対象の統計量として、２つのパラメータの相関を示す相関関数が利用される学習にも適用することができる。相関関数によれば、２つのパラメータ、例えば、各アクチュエータの操作量と当該アクチュエータの操作に基づく制御量（センサの検出値）との相関関係を求めることができる。また、求められた相関関係に基づいてアクチュエータの操作に対する制御量の感度が得られるため、フィードバック制御を行っている場合であれば、得られた感度を踏まえて適切なフィードバックゲインを設定するといったことが可能となる。このような学習において相関を求める２つのパラメータの組の一例としては、燃料噴射量と空燃比、または、スロットル開度と吸入空気量が挙げられる。 (Correlation function)
The learning method of the present invention can also be applied to learning in which a correlation function indicating the correlation between two parameters is used as a statistic to be learned. According to the correlation function, a correlation between two parameters, for example, an operation amount of each actuator and a control amount (detected value of the sensor) based on the operation of the actuator can be obtained. Also, since the sensitivity of the control amount for the operation of the actuator can be obtained based on the obtained correlation, if feedback control is performed, an appropriate feedback gain is set based on the obtained sensitivity Is possible. An example of a set of two parameters for which a correlation is obtained in such learning is a fuel injection amount and an air-fuel ratio, or a throttle opening and an intake air amount.

相関関数の基本式は、２つのパラメータの学習データをｘ_ｋ、ｙ_ｋとし、係数をαとすると、次の（２９）式のように表すことができる。そして、（２９）式の右辺を変形すると、（３０）式を得ることができる。この（３０）式によれば、学習データｘ_ｋ、ｙ_ｋに関する算術平均値を項として有する式が得られる。また、（３１）式のそれぞれは、漸化式にて重み付け後の係数αを計算するために上記（３０）式の各部を変形した式である。（３１）式中に登場するＮ_ｘ（ｎ）、Ｎ_ｘ２（ｎ）、Ｎ_ｙ（ｎ）、Ｎ_ｙ２（ｎ）、Ｎ_ｘｙ（ｎ）、およびＭ（ｎ）並びにこれらの初期値は、以下の（３２）〜（３６）式と上記（４）式とにしたがって算出することができる。

The basic expression of the correlation function can be expressed as the following expression (29), _where the learning data of the two parameters are x _k and y _k and the coefficient is α. Then, by deforming the right side of the equation (29), the equation (30) can be obtained. According to the expression (30), an expression having an arithmetic average value regarding the learning data x _k and y _k as a term is obtained. Each of the equations (31) is an equation obtained by modifying each part of the equation (30) in order to calculate the weighted coefficient α by the recurrence equation. (31) N _x (n), N _x2 (n), N _y (n), N _y2 (n), N _xy (n), and M (n) appearing in the equation, and their initial values are It can be calculated according to the following equations (32) to (36) and the above equation (4).

（共分散）
また、本発明の学習手法は、学習対象の統計量として、２つのパラメータに関する共分散が利用される学習にも適用することができる。共分散は、上記の相関関数を正規化して表したものに相当する。このため、共分散の適用対象は、相関関数と同様である。 (Covariance)
The learning method of the present invention can also be applied to learning in which the covariance regarding two parameters is used as a statistic to be learned. The covariance corresponds to a normalized representation of the above correlation function. For this reason, the application target of covariance is the same as the correlation function.

共分散の基本式は、２つのパラメータの学習データをｘ_ｋ、ｙ_ｋとし、係数をβとすると、次の（３７）式のように表すことができる。そして、（３７）式の右辺を変形すると、（３８）式を得ることができる。この（３８）式によれば、学習データｘ_ｋ、ｙ_ｋに関する算術平均値を項として有する式が得られる。（３８）式を基礎として漸化式にて重み付け後の係数βを計算するための手法は、相関関数のために上述した手法を流用することができる。

The basic equation of covariance can be expressed as the following equation (37), _where learning data of two parameters is x _k and y _k and the coefficient is β. Then, by deforming the right side of the equation (37), the equation (38) can be obtained. According to the equation (38), an equation having an arithmetic average value regarding the learning data x _k and y _k as a term is obtained. As a method for calculating the weighted coefficient β by the recurrence formula based on the equation (38), the method described above can be used for the correlation function.

（尖度）
また、本発明の学習手法は、学習対象の統計量として、尖度が利用される学習にも適用することができる。尖度によれば、学習対象の分布が歪んできたことを検知して異常値の検出を行えるようになる。このため、この学習手法は、ノックの検出、アクチュエータの故障検出などの異常検出に用いることができる。 (kurtosis)
The learning method of the present invention can also be applied to learning in which kurtosis is used as a statistic for learning. According to the kurtosis, it is possible to detect an abnormal value by detecting that the distribution of the learning target has been distorted. Therefore, this learning method can be used for abnormality detection such as knock detection and actuator failure detection.

尖度の基本式は、尖度の推定量をＫとし、標本標準偏差をｓとすると、次の（３９）式のように表すことができる。標本標準偏差ｓは（４０）式のように表すことができる。データ取得回数ｎが十分に大きいとして（３９）式の近似計算を行うと、（４１）式を得ることができる。そして、（４１）式の右辺を変形すると、（４２）式を得ることができる。この（４２）式によれば、学習データｘ_ｋに関する算術平均値を項として有する式が得られる。すなわち、この尖度の学習例では、尖度の推定量Ｋの算出に用いる統計式である（３９）式の変形を近似計算を含めて行うことによって導かれた修正式である（４２）式が、重み付け平均を利用した学習値の算出に用いられることになる。 The basic expression for kurtosis can be expressed as the following expression (39), where K is the estimated amount of kurtosis and s is the sample standard deviation. The sample standard deviation s can be expressed as in equation (40). If approximate calculation of equation (39) is performed assuming that the number of times n of data acquisition is sufficiently large, equation (41) can be obtained. And if the right side of (41) Formula is deform | transformed, (42) Formula can be obtained. According to the equation (42), an equation having an arithmetic average value regarding the learning data x _k as a term is obtained. That is, in this kurtosis learning example, equation (42) is a modified equation derived by performing a modification of equation (39), which is a statistical equation used for calculating the kurtosis estimation amount K, including approximate calculation. Is used to calculate a learning value using a weighted average.

また、（４３）式のそれぞれは、漸化式にて重み付け後の尖度の推定量Ｋを計算するために上記（４２）式の各部を変形した式である。ここでは、学習データｘ_ｋに関する算術平均値のうちでこれまでに登場していないｘ^３バーおよびｘ^４バーの変形を表している。（４３）式中に登場するＮ_ｘ３（ｎ）、Ｎ_ｘ４（ｎ）およびＭ（ｎ）並びにこれらの初期値は、以下の（４４）、（４５）式と上記（４）式とにしたがって算出することができる。ただし、データ取得回数ｎが十分に大きくない場合には、上記のように近似計算を行うことは好ましくない。この課題については、Ｍ（ｎ）が十分に大きくなるまでは（より具体的には、重みｗ_ｋが十分に蓄積されていない学習対象格子点では）、取得される学習データｘ_ｋを用いないようにするといった対策が考えられる。

Each of the equations (43) is an equation obtained by modifying each part of the equation (42) in order to calculate the estimated kurtosis K after weighting by the recurrence equation. Here, it represents x ³ bar and x ⁴ bar deformation of which is not appeared so far among the arithmetic mean value of learning data x _k. N _x3 (n), N _x4 (n) and M (n) appearing in the equation (43) and their initial values are in accordance with the following equations (44), (45) and the above equation (4): Can be calculated. However, when the data acquisition count n is not sufficiently large, it is not preferable to perform the approximate calculation as described above. For this problem, the acquired learning data x _k is not used until M (n) becomes sufficiently large (more specifically, at the learning target grid point where the weight w _k is not sufficiently accumulated). Measures can be considered.

また、以上説明した本発明の学習手法を用いる際には、以下の点が考慮されていることが好ましい。すなわち、上述した手法によって各種偏差（標準偏差σなど）、分散σ^２および尖度などのばらつきを示す統計量を計算する場合、エンジン運転条件によって学習データｘ_ｋ（例えば、図示トルクＴ_ｉ）の取得値がばらつくことがあると、エンジン運転条件の変化によって標準偏差σが発生してしまう。 Moreover, when using the learning method of the present invention described above, it is preferable that the following points are taken into consideration. That is, when calculating statistics indicating variations such as various deviations (standard deviation σ, etc.), variance σ ² and kurtosis by the above-described method, the learning data x _k (for example, the indicated torque T _i ) is calculated according to engine operating conditions. If the acquired value varies, the standard deviation σ is generated due to a change in engine operating conditions.

図１は、エンジン運転条件によって学習データｘ_ｋにばらつきが生じる場合の課題を説明するための図である。図１（Ａ）は、エンジン運転条件が変化していない状態で取得された学習データｘ_ｋのばらつきを表した図である。この図１（Ａ）のように同一エンジン運転条件下において学習データｘ_ｋにばらつきがある場合であれば、上述した各種偏差等の統計量を用いたばらつきの学習が正しく行われる。 FIG. 1 is a diagram for describing a problem when learning data _xk varies depending on engine operating conditions. 1 (A) is a diagram showing the variation of the learning data x _k obtained with the engine operating conditions are not changed. In the case where there is a variation in the learning data x _k in the same engine operating conditions as in the FIG. 1 (A), the learning of variations using statistics of various deviations described above is performed correctly.

その一方で、図１（Ｂ）は、所定のエンジン運転条件ｚが変化している状態で取得された学習データｘ_ｋの分布を表した図である。図１（Ｂ）上に示された学習データｘ_ｋ（白丸印）は、何れも、学習データｘの算術平均値ｘバーとエンジン運転条件ｚとの関係を示す直線上で取得されている。したがって、これらの学習データｘ_ｋは、何れも、取得時のエンジン運転条件ｚとの関係では算術平均値ｘバーに対して実際にはばらついていないものである。しかしながら、学習データｘ_ｋのばらつきを求める際に、エンジン運転条件ｚの影響が考慮されていないと、図１（Ｂ）中に示す範囲で学習データｘ_ｋにばらつきが生じているものとされ、学習対象格子点の学習値が大きく算出されてしまう結果となる。 On the other hand, FIG. 1 (B) is a diagram showing the distribution of the acquired learning data x _k in the state where a predetermined engine operating condition z is changing. The learning data x _k (white circles) shown in FIG. 1B are all acquired on a straight line indicating the relationship between the arithmetic average value x bar of the learning data x and the engine operating condition z. Therefore, none of these learning data x _k actually varies with respect to the arithmetic average value x bar in relation to the engine operating condition z at the time of acquisition. However, when obtaining the variation in the learning data x _k, the effect of engine operating conditions z is not considered, is assumed to variation occurs in the learning data x _k within the range shown in FIG. 1 (B), the As a result, the learning value of the learning target lattice point is largely calculated.

図２は、図１を参照して説明した課題への対策を説明するための図である。上記の課題への対策としては、学習データｘの算術平均値ｘバーとエンジン運転条件ｚとの関係を規定する算術平均マップ（すなわち、図２中で算術平均値ｘバーが通る直線）を別途求めておくのが良い。そして、図２に示すように、取得された各学習データｘ_ｋが特定のエンジン運転条件ｚ１での値となるように上記算術平均マップを利用して各学習データｘ_ｋが補正される。より具体的には、算術平均値ｘバーが通る直線と平行に各学習データｘ_ｋ（実線の白丸印）を移動させることによって同一エンジン運転条件ｚ１での補正後の各学習データｘ’_ｋ（破線の白丸印）が取得される。そして、このような補正後の各学習データｘ’_ｋを用いて、ばらつきの学習が実行される。これにより、学習データｘ_ｋの取得中のエンジン運転条件ｚの変化に起因して学習値が増大するのを防止することができる。 FIG. 2 is a diagram for explaining a countermeasure to the problem described with reference to FIG. As a countermeasure to the above problem, an arithmetic average map (that is, a straight line through which the arithmetic average value x bar passes in FIG. 2) that defines the relationship between the arithmetic average value x bar of the learning data x and the engine operating condition z is separately provided. It is good to ask. Then, as shown in FIG. 2, the learning data x _k, which is acquired is the arithmetic mean by using the map each learning data x _k to a value at a particular engine operating condition z1 is corrected. More specifically, each learning data x ′ _k (corrected under the same engine operating condition z1 by moving each learning data x _k (solid white circle) parallel to the straight line through which the arithmetic average value x bar passes. A dashed white circle) is acquired. Then, variation learning is executed using each of the corrected learning data x ′ _k . Thus, it is possible to prevent the learning value due to a change in engine operating conditions z in the acquisition of the learning data x _k increases.

Claims

A control device for an internal combustion engine that performs engine control using statistics,
A learning map that includes a region defining parameter that defines a map region as a map axis, has a plurality of lattice points, and the learning values of the statistics are associated with the plurality of lattice points in an updatable manner,
A sensor for detecting a basic parameter used for calculating the statistic;
Learning means for learning the statistics using the learning map during operation of the internal combustion engine;
With
In learning of the learning map, when learning data based on the basic parameters is acquired, the weight of the learning data is set to be larger as the distance between the learning target lattice point on the learning map and the learning data is closer. In addition, each time learning data is acquired, weighting learning is performed in which the learning value of the learning target lattice point is updated so that the learning data is reflected more greatly in the learning value as the weight is increased at the learning target lattice point. ,
In the weighted learning, a correction formula that is derived by modifying a statistical formula used for calculating the statistic and includes an arithmetic average value of learning data as a term is used to calculate a learning value using the weighted average. A control device for an internal combustion engine, characterized by being used.