JP2018062913A - 内燃機関のモデリング装置及び制御装置 - Google Patents

Abstract

【課題】排気パラメータの推定値の算出に用いたときに、高い算出精度及び汎用性を確保できるようなプラントモデルを作成することができる内燃機関のモデリング装置、及び制御精度を向上させることができる内燃機関の制御装置を提供する。
【解決手段】モデリング装置５０は、マハラノビス距離ＤＭＡを用いて、参照モデルを作成する（ステップ１〜８）。制御装置１は、参照モデルを記憶したＥＣＵ２を備える。ＥＣＵ２は、参照モデル及びマハラノビス距離ＤＭＡを用いて、学習モデルを作成し（ステップ２０〜２６）、学習モデル及びカーネルリッジ回帰分析手法を用いて、排気温度の推定値Ｔｅｘ＿ｅｓｔを算出し（ステップ３０）、この推定値Ｔｅｘ＿ｅｓｔを用いて、ＥＧＲ制御を実行する（ステップ３１〜３７）。
【選択図】図５

Description

本発明は、内燃機関の排気パラメータの推定値を算出するためのプラントモデルを作成するモデリング装置及び、そのプラントモデルを用いて内燃機関を制御する制御装置に関する。

従来、内燃機関の排気パラメータの推定値を算出する算出装置として、特許文献１に記載されたものが知られている。この内燃機関には、過給機が設けられている。この算出装置は、排気パラメータの推定値として、内燃機関の排気温度の推定値を算出するものであり、エンジン回転数、吸入空気量及び吸気圧を検出する各種のセンサを備えている。

この算出装置では、同文献の図６のフローチャートに示すように、ステップ１１で、エンジン回転数などの各種のパラメータを取得した後、ステップ１２で、エンジン回転数及び吸気圧に応じたマップ検索により、筒内空気流量を算出する。次に、ステップ１３で、筒内空気流量及び吸入空気量に基づき、同文献の式（１２）により、ＥＧＲ流量を算出した後、ステップ１４に進み、ノズルの式（１０）を用いて、排気圧力を算出する。

次いで、ステップ１５に進み、圧力比及び過給機のコンプレッサを流れる空気流量に応じて、同文献の図４（ａ）のマップを検索することにより、過給機のコンプレッサの回転数を算出した後、ステップ１６で、過給機のタービンを流れる排気流量を算出する。そして、最終的に、同文献の式（１８）により、排気温度の推定値が算出される。

特開２００４−２５７３１５号公報

上記特許文献１の算出装置によれば、複数のマップを検索する手法を用いている関係上、内燃機関及びその周辺機器における個体間のばらつきなどに起因して、実際のパラメータ間の相関性がマップにおける相関性から乖離している場合、排気温度の推定値の算出精度が低下するおそれがある。その結果、そのような算出精度の低い排気温度の推定値を用いて、内燃機関を制御した場合、制御精度が低下してしまうことになる。

これに加えて、特許文献１の算出装置の場合、内燃機関が過給機を備えていることが前提条件となっている関係上、内燃機関が過給機を備えてない場合には、算出装置を適用することができず、汎用性が低いという問題もある。以上の問題を解消するには、排気パラメータの推定値を算出する場合において、複数のマップを用いたときよりも高い算出精度及び汎用性を確保できるような手法が必要となる。

本発明は、上記課題を解決するためになされたもので、排気パラメータの推定値の算出に用いたときに、高い算出精度及び汎用性を確保できるようなプラントモデルを作成することができる内燃機関のモデリング装置、及び制御精度を向上させることができる内燃機関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に、請求項１に係る内燃機関３のモデリング装置５０は、内燃機関３の運転中、内燃機関３の運転状態を表す運転状態パラメータ（エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ、ＥＧＲ弁開度φｅｇｒ）と内燃機関３の排気の物理量を表す排気パラメータ（排気温度Ｔｅｘ）とを、両者の相関性を保持した状態で取得するパラメータ取得手段（モデリング装置５０、ステップ１）と、取得された運転状態パラメータ及び排気パラメータを用いて、運転状態パラメータと排気パラメータとの相関性を表すプラントモデルを作成するプラントモデル作成手段（モデリング装置５０、ステップ５）と、を備え、プラントモデル作成手段は、取得された運転状態パラメータの数がＫ１（Ｋ１は正の整数）個に達する毎に、Ｋ１個の運転状態パラメータのデータにおける中心点と、中心点からの距離（マハラノビス距離ＤＭＡ）とを算出する距離算出手段（モデリング装置５０、ステップ５）と、距離が算出されたＫ１個のデータのうちの、中心点からの距離が大きい方のＭ１（Ｍ１はＫ１より小さい正の整数）個のデータをサンプリングするサンプリング手段（モデリング装置５０、ステップ５）と、サンプリングされたＭ１個のデータと、Ｍ１個のデータに対応するＭ１個の排気パラメータを用いて、プラントモデルを作成するモデル作成手段（モデリング装置５０、ステップ５）と、を有することを特徴とする。

この内燃機関のモデリング装置によれば、内燃機関の運転中、内燃機関の運転状態を表す運転状態パラメータと内燃機関の排気の物理量を表す排気パラメータとが、両者の相関性を保持した状態で取得され、取得された運転状態パラメータ及び排気パラメータを用いて、運転状態パラメータと排気パラメータとの相関性を表すプラントモデルが作成される。その際、取得された運転状態パラメータの数がＫ１（Ｋ１は正の整数）個に達する毎に、Ｋ１個の運転状態パラメータのデータにおける中心点と、中心点からの距離とを算出し、距離が算出されたＫ１個のデータのうちの、中心点からの距離が大きい方のＭ１（Ｍ１はＫ１より小さい正の整数）個のデータをサンプリングし、サンプリングされたＭ１個のデータと、Ｍ１個のデータに対応するＭ１個の排気パラメータを用いて、プラントモデルが作成されるので、中心点からの距離が小さい方のデータも併せてサンプリングした場合、すなわちランダムサンプリング手法を用いた場合と比べて、サンプリングデータ数が少ない条件下で、プラントモデルのモデル化誤差を低減することができる。それにより、そのようなプラントモデルを用いて排気パラメータの推定値を算出した場合、算出精度を向上させることができる。また、内燃機関が過給機を備えていない場合でも、プラントモデルを適切に作成できることで、排気パラメータの推定値の算出精度及び汎用性を向上させることができる（なお、本明細書の場合、「運転状態パラメータの取得」及び「排気パラメータの取得」における「取得」は、センサなどによりこれらのパラメータを直接検出することに限らず、これらのパラメータを、他のパラメータを用いて算出／推定することを含む）。

請求項２に係る発明は、請求項１に記載の内燃機関３のモデリング装置５０において、モデル作成手段は、サンプリング手段によるＭ１個のデータのサンプリング回数がＫ２（Ｋ２は正の整数）回に達したときに、サンプリングされたＭ１×Ｋ２個のデータと、Ｍ１×Ｋ２個のデータに対応するＭ１×Ｋ２個の排気パラメータとを用いて、プラントモデルを作成する（ステップ１〜７）ことを特徴とする。

この内燃機関のモデリング装置によれば、サンプリング手段によるＭ１個のデータのサンプリング回数がＫ２（Ｋ２は正の整数）回に達したときに、サンプリングされたＭ１×Ｋ２個のデータと、Ｍ１×Ｋ２個のデータに対応するＭ１×Ｋ２個の排気パラメータとを用いて、プラントモデルが作成されるので、請求項１に係る発明と比べて、プラントモデルのモデル化誤差を低減することができる。

請求項３に係る発明は、請求項１又は２に記載の内燃機関３のモデリング装置５０において、距離算出手段は、距離としてマハラノビス距離ＤＭＡを算出することを特徴とする。

この内燃機関のモデリング装置によれば、Ｋ１個のデータのうちのマハラノビス距離が大きい方のＭ１個のデータをサンプリングし、そのようなＭ１個のサンプリングデータと、それに対応するＭ１個の排気パラメータを用いて、プラントモデルが作成されるので、通常のランダムサンプリング手法を用いた場合と比べて、サンプリングデータ数が少ない条件下で、プラントモデルのモデル化誤差を低減することができる。それにより、そのようなプラントモデルを用いて排気パラメータの推定値を算出した場合、推定値の算出精度を向上させることができる。

請求項４に係る発明は、請求項１ないし３のいずれかに記載の内燃機関３のモデリング装置５０において、運転状態パラメータは、互いに異なる複数の運転状態パラメータ（エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ、ＥＧＲ弁開度φｅｇｒ）で構成されていることを特徴とする。

この内燃機関のモデリング装置によれば、互いに異なる複数の運転状態パラメータを用いて、プラントモデルが作成されるので、１つの運転状態パラメータを用いた場合と比べて、プラントモデルのモデル化誤差をさらに低減することができる。

請求項５に係る発明は、請求項１ないし４のいずれかに記載の内燃機関３のモデリング装置５０において、排気パラメータは、排気温度Ｔｅｘ、排気圧力及び排気還流量の少なくとも１つであることを特徴とする。

この内燃機関のモデリング装置によれば、排気温度、排気圧力及び排気還流量の少なくとも１つを精度よく推定することができるようなプラントモデルを作成することができる。

請求項６に係る内燃機関３の制御装置１は、請求項１ないし５のいずれかに記載の内燃機関３のモデリング装置５０によって作成されたプラントモデルを記憶する記憶手段（ＥＣＵ２）と、内燃機関３の運転中に運転状態パラメータを取得する運転状態パラメータ取得手段（ＥＣＵ２）と、取得された運転状態パラメータ、記憶されたプラントモデル及び所定の回帰分析手法を用いて、排気パラメータの推定値（排気温度の推定値Ｔｅｘ＿ｅｓｔ）を算出する推定値算出手段（ＥＣＵ２、ステップ３０）と、算出された排気パラメータの推定値（排気温度の推定値Ｔｅｘ＿ｅｓｔ）を用いて、内燃機関３を制御する制御手段（ＥＣＵ２、ステップ３１〜３７）と、を備えることを特徴とする。

この内燃機関の制御装置によれば、取得された運転状態パラメータ、記憶されたプラントモデル及び所定の回帰分析手法を用いて、排気パラメータの推定値が算出されるので、内燃機関が過給機を備えていない場合でも、排気パラメータの推定値を精度よく算出することができ、プラントモデルの汎用性を向上させることができる。それにより、内燃機関の制御精度を向上させることができ、商品性を向上させることができる。

請求項７に係る内燃機関３の制御装置１は、請求項６に記載の内燃機関３の制御装置１において、回帰分析手法は、カーネル関数を用いたカーネルリッジ回帰手法であることを特徴とする。

この内燃機関のモデリング装置によれば、カーネル関数を用いたカーネルリッジ回帰手法を用いて、プラントモデルが作成されるので、非線形な特性を有するプラントに対しても、モデル化誤差を低減しながら、プラントモデルを精度よく作成することができる。

請求項８に係る内燃機関３の制御装置１は、内燃機関３の運転状態を表す運転状態パラメータ（エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ、ＥＧＲ弁開度φｅｇｒ）と、内燃機関３の排気の物理量を表す排気パラメータ（排気温度Ｔｅｘ）との相関性を表す参照用のプラントモデルである参照モデルを記憶する参照モデル記憶手段（ＥＣＵ２）と、内燃機関３の運転中に運転状態パラメータを取得する運転状態パラメータ取得手段（ＥＣＵ２、ステップ２０）と、取得された運転状態パラメータと参照モデルを用いて、運転状態パラメータと排気パラメータの推定値との関係を学習したプラントモデルである学習モデルを作成する学習モデル作成手段（ＥＣＵ２、ステップ２１〜２６）と、作成された学習モデル、取得された運転状態パラメータ及び所定の回帰分析手法を用いて、排気パラメータの推定値（排気温度の推定値Ｔｅｘ＿ｅｓｔ）を算出する推定値算出手段（ＥＣＵ２、ステップ３０）と、算出された排気パラメータの推定値（排気温度の推定値Ｔｅｘ＿ｅｓｔ）を用いて、内燃機関３を制御する制御手段（ＥＣＵ２、ステップ３１〜３７）と、を備え、学習モデル作成手段は、取得されたＫ３（Ｋ３は正の整数）個の運転状態パラメータのデータにおける中心点と、中心点からの距離（マハラノビス距離ＤＭＡ）とを算出する距離算出手段（ＥＣＵ２、ステップ２４）と、距離が算出されたＫ３個のデータのうちの、中心点からの距離が大きい方のＭ２（Ｍ２はＫ３より小さい正の整数）個のデータをサンプリングするサンプリング手段（ＥＣＵ２、ステップ２４）と、サンプリングされたＭ２個のデータに応じて、参照モデルを参照することにより、Ｍ２個のデータとＭ２個のデータに対応するＭ２個の排気パラメータの推定値（排気温度の推定値Ｔｅｘ＿ｅｓｔ）とをサンプリングし、サンプリングしたデータを学習モデルのデータとして更新する更新手段（ＥＣＵ２、ステップ２６）と、を有することを特徴する。

この内燃機関の制御装置によれば、内燃機関の運転中に運転状態パラメータが取得され、取得された運転状態パラメータと参照モデルを用いて、運転状態パラメータと排気パラメータの推定値との関係を学習したプラントモデルである学習モデルが作成される。この場合、参照モデルは、内燃機関の運転状態を表す運転状態パラメータと、内燃機関の排気の物理量を表す排気パラメータとの相関性を表す参照用のプラントモデルが記憶されたものであり、そのような参照モデルと運転状態パラメータを用いて、学習モデルが作成されるので、内燃機関が実際に使用される運転域に対して相関性を高めると同時にモデル化誤差を低減しながら、学習モデルを作成することができる。

そして、そのよう作成された学習モデル、取得された運転状態パラメータ及び所定の回帰分析手法を用いて、排気パラメータの推定値が算出されるので、排気パラメータの推定値の算出精度を向上させることができる。さらに、そのような排気パラメータの推定値を用いて、内燃機関が制御されるので、その制御精度を向上させることができる。これに加えて、制御装置を過給機を備えていない内燃機関にも適用できることで、汎用性を向上させることができる。

請求項９に係る発明は、請求項８に記載の内燃機関３の制御装置１において、回帰分析手法は、カーネル関数を用いたカーネルリッジ回帰手法であることを特徴とする。

この内燃機関の制御装置によれば、カーネル関数を用いたカーネルリッジ回帰手法を用いて、排気パラメータの推定値が算出され、そのような排気パラメータの推定値を用いて、内燃機関が制御されるので、非線形な特性を有する内燃機関を制御する場合でも、高い制御精度を確保することができる。

請求項１０に係る発明は、請求項８又は９に記載の内燃機関３の制御装置１において、距離算出手段は、距離としてマハラノビス距離ＤＭＡを算出することを特徴とする。

この内燃機関の制御装置によれば、Ｋ３個のデータのうちの、マハラノビス距離が大きい方のＭ２個のデータをサンプリングし、そのようなＭ２個のサンプリングデータに応じて、参照モデルを参照することにより、Ｍ２個のデータとＭ２個のデータに対応するＭ２個の排気パラメータの推定値とをサンプリングし、サンプリングしたデータが学習モデルのデータとして更新されるので、通常のランダムサンプリング手法を用いた場合と比べて、サンプリングデータ数が少ない条件下で、学習モデルのモデル化誤差を低減することができる。さらに、そのような学習モデルを用いて算出された排気パラメータの推定値を用いて、内燃機関が制御されるので、その制御精度を向上させることができる。

請求項１１に係る発明は、請求項８ないし１０のいずれかに記載の内燃機関３の制御装置１において、運転状態パラメータは、互いに異なる複数の運転状態パラメータ（エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ、ＥＧＲ弁開度φｅｇｒ）で構成されていることを特徴とする。

この内燃機関の制御装置によれば、互いに異なる複数の運転状態パラメータを用いて、学習モデルが作成されるので、１つの運転状態パラメータを用いた場合と比べて、学習モデルのモデル化誤差をさらに低減することができる。それにより、そのような学習モデルを用いて算出された排気パラメータの推定値を用いて、内燃機関が制御されるので、その制御精度をさらに向上させることができる。

請求項１２に係る発明は、請求項８ないし１１のいずれかに記載の内燃機関３の制御装置１において、排気パラメータは、排気温度Ｔｅｘ、排気圧力及び排気還流量の少なくとも１つであることを特徴とする。

この内燃機関の制御装置によれば、排気温度、排気圧力及び排気還流量の少なくとも１つを精度よく推定することができ、それにより、内燃機関の制御精度をより一層向上させることができる。

本発明の一実施形態に係るモデリング装置及び制御装置と、これらを適用した内燃機関の構成を模式的に示す図である。 モデリング装置による参照モデル作成処理を示すフローチャートである。 マハラノビス距離の説明図である。 マハラノビス距離を用いたサンプリング手法及びランダムサンプリング手法における誤差を比較した図である。 学習モデル作成処理を示すフローチャートである。 ＥＧＲ制御処理を示すフローチャートである。 車両走行中における排気温度の推定値と測定結果を示すタイミングチャートである。

以下、図面を参照しながら、本発明の一実施形態に係る内燃機関のモデリング装置及び制御装置について説明する。図１に示すように、本実施形態の制御装置１は、ＥＣＵ２を備えており、このＥＣＵ２によって、後述するように、各種の制御処理が実行される。また、同図に示すように、車両の製作工場内などにおいて、車両の工場出荷前に参照用のプラントモデルである参照モデルを作成する場合には、モデリング装置５０がＥＣＵ２に電気的に接続される。

本実施形態の内燃機関（以下「エンジン」という）３は、ガソリンを燃料とする多気筒内燃機関であり、図示しない車両に動力源として搭載されている。エンジン３は、気筒ごとに設けられた燃料噴射弁４及び点火プラグ５（いずれも１つのみ図示）と、スロットル弁機構８と、ＥＧＲ装置９などを有している。

これらの燃料噴射弁４及び点火プラグ５はいずれもＥＣＵ２に電気的に接続されており、ＥＣＵ２により、エンジン３の運転状態に応じて、燃料噴射弁４による燃料の噴射量及び噴射時期と、点火プラグ５による混合気の点火時期とが制御される。

また、前述したスロットル弁機構８は、スロットル弁８ａ及びこれを開閉駆動するＴＨアクチュエータ８ｂなどを備えている。スロットル弁８ａは、吸気通路６の途中に回動自在に設けられており、当該回動に伴う開度の変化によりスロットル弁８ａを通過する空気の流量を変化させる。ＴＨアクチュエータ８ｂは、ＥＣＵ２に接続されたモータにギヤ機構（いずれも図示せず）を組み合わせたものであり、ＥＣＵ２からの制御入力信号によって制御されることにより、スロットル弁８ａの開度を変化させる。それにより、スロットル弁８ａを通過する空気量が制御される。

さらに、前述したＥＧＲ装置９は、排気通路７の排気の一部を吸気通路６に還流させるものであり、ＥＧＲ通路９ａ、ＥＧＲ弁９ｂ及びＥＧＲクーラ９ｃなどで構成されている。ＥＧＲ通路９ａの一端部は、吸気通路６の所定部位に接続され、他端部は排気通路７の所定部位に接続されている。

また、ＥＧＲ弁９ｂは、バタフライ弁タイプのものであり、ＤＣモータなどで構成されたアクチュエータ（図示せず）に連結されている。このＥＧＲ弁９ｂの場合、ＥＣＵ２からの制御入力信号がアクチュエータに供給されることによって、その開度が制御され、それにより、排気通路７から吸気通路６に還流される排ガス量、すなわちＥＧＲ量が制御される。

さらに、ＥＧＲクーラ９ｃは、ＥＧＲ通路９ａのＥＧＲ弁９ｂよりも排気通路７側に配置された水冷式のものであり、エンジン冷却水を利用して、ＥＧＲ通路９ａを流れる高温の還流ガスを冷却する。

一方、ＥＣＵ２には、クランク角センサ２０、水温センサ２１、エアフローセンサ２２、吸気圧センサ２３、ＥＧＲ温センサ２４、ＥＧＲ弁開度センサ２５及びアクセル開度センサ２６が電気的に接続されている。

このクランク角センサ２０は、図示しないクランクシャフトの回転に伴い、パルス信号であるＣＲＫ信号をＥＣＵ２に出力する。このＣＲＫ信号は、所定クランク角（例えば３０゜）ごとに１パルスが出力され、ＥＣＵ２は、このＣＲＫ信号に基づき、エンジン３の回転数（以下「エンジン回転数」という）ＮＥを算出する。

また、水温センサ２１は、エンジン３のシリンダブロック（図示せず）内を循環する冷却水の温度であるエンジン水温ＴＷを検出して、それを表す検出信号をＥＣＵ２に出力する。このエンジン水温ＴＷは、絶対温度として検出される。

さらに、エアフローセンサ２２は、スロットル弁８ａを通過する空気量（以下「ＴＨ通過空気量」という）Ｇｔｈを検出して、それを表す検出信号をＥＣＵ２に出力する。このＴＨ通過空気量Ｇｔｈは、質量流量として検出される。

一方、吸気圧センサ２３は、吸気通路６のインテークマニホールド（図示せず）内の圧力（以下「吸気圧」という）Ｐｉｎを検出して、それを表す検出信号をＥＣＵ２に出力する。この吸気圧Ｐｉｎは、絶対圧として検出される。

また、ＥＧＲ圧センサ２４は、ＥＧＲクーラ９ｃからＥＧＲ弁９ｂに流れ込む還流ガスの圧力（以下「ＥＧＲ圧」という）Ｐｅｇｒを検出して、それを表す検出信号をＥＣＵ２に出力する。このＥＧＲ圧Ｐｅｇｒは、絶対圧として検出される。

さらに、ＥＧＲ弁開度センサ２５は、ＥＧＲ弁９ｂの開度（以下「ＥＧＲ弁開度」という）φｅｇｒを検出して、それを表す検出信号をＥＣＵ２に出力する。

また、アクセル開度センサ２６は、車両の図示しないアクセルペダルの踏み込み量（以下「アクセル開度」という）ＡＰを検出して、それを表す検出信号をＥＣＵ２に出力する。

一方、ＥＣＵ２は、ＣＰＵ、ＲＡＭ、Ｅ２ＰＲＯＭ、ＲＯＭ及びＩ／Ｏインターフェース（いずれも図示せず）などからなるマイクロコンピュータで構成されており、前述した各種のセンサ２０〜２６の検出信号などに応じて、後述するＥＧＲ制御処理などの各種の制御処理を実行する。なお、本実施形態では、ＥＣＵ２が、記憶手段、運転状態パラメータ取得手段、推定値算出手段、制御手段、参照モデル記憶手段、学習モデル作成手段、距離算出手段、サンプリング手段及び更新手段に相当する。

また、モデリング装置５０は、ＣＰＵ、ＲＯＭ及びＲＡＭなどを有するマイクロコンピュータと、各種の電気回路などで構成されている。なお、本実施形態では、モデリング装置５０が、パラメータ取得手段、プラントモデル作成手段、距離算出手段、サンプリング手段及びモデル作成手段に相当する。このモデリング装置５０の場合、参照モデルの作成時にのみ、工場内においてＥＣＵ２及び排気温センサ５１に電気的に接続される。

この排気温センサ５１は、エンジン３の排気通路７のエキゾーストマニホールド（図示せず）内における排気の温度（以下「排気温度」という）Ｔｅｘを検出して、それを表す検出信号を出力するものであり、モデリング装置５０による参照モデルの作成時などにおいて、エンジン３の排気通路７の排気マニホールドに取り付けられる。一方、これらのモデリング装置５０及び排気温センサ５１は、車両が工場から出荷されるときに、ＥＣＵ２及びエンジン３からそれぞれ取り外される。

このモデリング装置５０は、エンジン３がＥＣＵ２によって様々な運転モードで制御されているときに、ＥＣＵ２との間で各種の電気信号を授受しながら、図２に示すように、参照モデル作成処理を実行する。

この参照モデル作成処理は、いずれも運転状態パラメータである、エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ及びＥＧＲ弁開度φｅｇｒを入力変数とし、排気温度Ｔｅｘ（排気パラメータ）を出力変数とする、参照用のプラントモデルである参照モデルを作成するものであり、所定の制御周期で実行される。なお、以下の説明おける「ＲＡＭ」は、モデリング装置５０のＲＡＭを表している。

同図に示すように、まず、ステップ１（図では「Ｓ１」と略す。以下同じ）で、５つのパラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ，Ｔｅｘ）のデータをサンプリングし、これらのデータにおける４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と１つの出力変数（Ｔｅｘ）を、これらの相関性を保持した状態、すなわち５要素の１行行列データの状態でＲＡＭ内に記憶する。

次いで、ステップ２に進み、第１サンプリング回数Ｎ１をその前回値Ｎ１ｚと値１の和に設定する。すなわち、第１サンプリング回数Ｎ１を値１インクリメントする。この第１サンプリング回数Ｎ１は、ステップ１におけるサンプリングの実行回数に相当する値であり、その関係上、前回値Ｎ１ｚの初期値は値０に設定される。

次に、ステップ３で、第１サンプリング回数Ｎ１が所定値Ｋ１（例えば、４桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。

一方、ステップ３の判別結果がＹＥＳで、ステップ１の実行回数が所定値Ｋ１に達したときには、ステップ４に進み、第１サンプリング回数Ｎ１をリセットする。

次いで、ステップ５に進み、モデルデータのサンプリングを実行する。具体的には、ＲＡＭ内に記憶されているＫ１組のデータ（すなわちＫ１行５列の行列データ）における４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）に対して、下式（１）〜（３）により、マハラノビス距離ＤＭＡを算出する。

上式（１）のｘは、式（２）に示すように定義される入力変数の行列であり、この行列ｘにおいて、４つの要素ｘ₁〜ｘ₄はそれぞれ、ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒに相当する。また、上式（１）のｘ＿ａｖｅは、式（３）に示すように定義される入力変数の平均値の行列であり、この行列ｘ＿ａｖｅにおいて、４つの要素ｘ₁＿ａｖｅ〜ｘ₄＿ａｖｅはそれぞれ、ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒのサンプリングデータの平均値に相当する。

次に、以上のようにマハラノビス距離ＤＭＡをＫ１個算出した後、これらＫ１個のマハラノビス距離ＤＭＡを算出したデータのうちの、マハラノビス距離ＤＭＡが大きい方のＭ１（例えば、２桁の整数）個の入力変数データ及びこれに対応する出力変数のデータを要素とする行列データをサンプリングした後、ＲＡＭ内に記憶する。その結果、合計Ｍ１個の５要素の１行行列データ（すなわちＭ１行５列の行列データ）がＲＡＭ内に記憶される。このサンプリング処理は、図４に示すように、中心点のデータＤ１に対して、マハラノビス距離ＤＭＡが大きいデータＤ２〜Ｄ４をサンプリングすることに相当する。

この場合、マハラノビス距離ＤＭＡを用いてサンプリングを実行した理由は、以下による。すなわち、図５に示すように、マハラノビス距離ＤＭＡを用いた場合、通常のランダムサンプリング手法を用いた場合と比べて、サンプリングデータ数が少ない条件下で、誤差Ｖ＿ＲＭＳＥを小さくでき、サンプリング精度を向上させることができるためである。なお、この誤差Ｖ＿ＲＭＳＥは、交差検定における２乗平均平方根誤差である。

以上のように、ステップ５でモデルデータのサンプリングを実行した後、ステップ６に進み、第２サンプリング回数Ｎ２をその前回値Ｎ２ｚと値１の和に設定する。すなわち、第２サンプリング回数Ｎ２を値１インクリメントする。この第２サンプリング回数Ｎ２は、上記ステップ５におけるサンプリングの実行回数に相当する値であり、その関係上、前回値Ｎ２ｚの初期値は値０に設定される。

次に、ステップ７で、第２サンプリング回数Ｎ２が所定値Ｋ２（例えば、３桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。

一方、ステップ７の判別結果がＹＥＳで、ステップ５の実行回数が所定値Ｋ２に達し、５要素の１行行列データを合計Ｋ２×Ｍ１個、サンプリングしたとき、すなわち、Ｋ２×Ｍ１行５列の行列データをサンプリングしたときには、ステップ８に進み、２つのモデルパラメータλ，σを決定する。これらのモデルパラメータλ，σは、後述する排気温度の推定値Ｔｅｘ＿ｅｓｔ算出用の回帰モデル式（４），（５）におけるモデルパラメータに相当する値であり、以下に述べる手法によって決定される。

まず、以上のようにサンプリングされた４つの入力変数及び１つの出力変数を要素とする行列データにおける誤差Ｖ＿ＲＭＳＥを算出し、これを出力とし、パラメータλ，σを入力とする関数を定義する。そして、Ｎｅｌｄｅｒ−Ｍｅａｄ法（滑降シンプレックス法）を用いて、この関数の最小値を探索することによって、２つのモデルパラメータλ，σが決定される。

ステップ８で、２つのモデルパラメータλ，σを以上のように決定した後、本処理を終了する。

本実施形態の場合、以上のように、図２のステップ１〜８の処理を実行することにより、４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と１つの出力変数（Ｔｅｘ）との相関性を表すプラントモデルが完成するので、そのタイミングで、このプラントモデルが、参照モデルとして、ＥＣＵ２内のＲＯＭ内に書き込まれる。それにより、車両の工場出荷後、ＥＣＵ２は、後述するように、ＲＯＭ内の参照モデルのデータを利用しながら、学習モデル作成処理を実行する。

次に、図５を参照しながら、ＥＣＵ２によって実行される学習モデル作成処理について説明する。この制御処理は、車両の工場出荷後、運転者による車両の運転中において、所定の制御周期（例えば数十ｍｓｅｃ）で実行される。

同図に示すように、まず、ステップ２０で、今回の制御タイミングにおける、４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、ＲＡＭ内に記憶する。

次いで、ステップ２１に進み、第３サンプリング回数Ｎ３をその前回値Ｎ３ｚと値１の和に設定する。すなわち、第３サンプリング回数Ｎ３を値１インクリメントする。この第３サンプリング回数Ｎ３は、ステップ２０におけるサンプリングの実行回数に相当する値であり、その関係上、前回値Ｎ３ｚの初期値は値０に設定される。

次に、ステップ２２で、第３サンプリング回数Ｎ３が所定値Ｋ３（例えば、３桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。

一方、ステップ２２の判別結果がＹＥＳで、ステップ２０の実行回数が所定値Ｋ３に達したときには、ステップ２３に進み、第３サンプリング回数Ｎ３をリセットする。

次いで、ステップ２４に進み、学習データのサンプリングを実行する。具体的には、ＲＡＭ内に記憶されている４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のＫ３組のサンプリングデータ（すなわちＫ３行４列の行列データ）に対して、前述した式（１）〜（３）により、マハラノビス距離ＤＭＡをＫ３個算出した後、これらＫ３個のマハラノビス距離ＤＭＡを算出したデータのうちの、マハラノビス距離ＤＭＡが大きい方のＭ２（例えば、２桁の整数）個の入力変数データを要素とするＭ２組の行列データ（すなわちＭ２行４列の行列データ）をサンプリングする。

次に、ステップ２５で、学習モデルのデータを算出する。具体的には、ステップ２４でサンプリングしたＭ２組の行列データの各組の行列に応じて、ＲＯＭ内の参照用モデルを参照し、排気温度の学習値Ｔｅｘ＿ｌｒｎを算出する。この場合、補間演算手法を用いて、排気温度の学習値Ｔｅｘ＿ｌｒｎが算出される。以上の動作を合計Ｍ２回繰り返すことにより、Ｍ２組の、５つのパラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ，Ｔｅｘ＿ｌｒｎ）を要素とする１行行列データを算出する。すなわち、学習モデルのデータとして、Ｍ２行５列の行列データが算出される。

次いで、ステップ２６に進み、以上のように算出したＭ２組のデータを、学習モデルの一部のデータとして、Ｅ２ＰＲＯＭ内に書き込んだ後、本処理を終了する。この場合、ステップ２６で、Ｍ２組の学習モデルのデータを書き込む際には、Ｍ２組分の最も古い学習モデルのデータに上書きされる。すなわち、Ｅ２ＰＲＯＭ内の学習モデルのデータ数は一定に保持される。

次に、図６を参照しながら、ＥＣＵ２によって実行されるＥＧＲ制御処理について説明する。この制御処理は、以下に述べるように、目標ＥＧＲ弁開度φｅｇｒ＿ｔｒｇｔを算出するものであり、所定の制御周期（例えば数十ｍｓｅｃ）で実行される。

同図に示すように、まず、ステップ３０で、下式（４），（５）により、排気温度の推定値Ｔｅｘ＿ｅｓｔを算出する。

上式（４）は、カーネル関数としてガウスカーネル関数を用いたカーネルリッジ回帰手法から導出した回帰モデル式であり、右辺のｘは、今回の制御タイミングで実際にサンプリングした４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータを要素とする１行行列であり、右辺のｘ（ｊ）は、前述した学習モデルにおける、今回の制御タイミングでサンプリングした値ｘに最も近い入力変数のデータを要素とする行列である。

さらに、上式（４）のαは、式（５）に示すように定義される係数ベクトルであり、残差平方和が最小になるように導出される。この式（５）のＫは、Ｋ_ij＝ｋ（ｘ（ｊ），ｘ（ｉ））を（ｉ，ｊ）成分とする行列であり、各サンプリングデータ間の類似性を表すものである。また、式（５）のＩ_nは、ｎ次の単位行列であり、ｙは、ｘ（ｊ）に対応する排気温度の学習値Ｔｅｘ＿ｌｒｎである。

次いで、ステップ３１に進み、下式（６）により、ＥＧＲ温度Ｔｅｇｒを算出する。このＥＧＲ温度Ｔｅｇｒは、ＥＧＲクーラ９ｃからＥＧＲ弁９ｂに流入する還流ガスの温度である。

この式（６）のηｅｇｒは、ＥＧＲクーラ９ｃの冷却効率である。

次に、ステップ３２で、下式（７）により、ＥＧＲ量Ｇｅｇｒを算出する。このＥＧＲ量Ｇｅｇｒは、還流ガスの流量質量に相当する。

この式（７）は、ＥＧＲ弁９ｂをノズルと見なして、ノズルの式を適用することによって導出される。上式（７）のＡ（φｅｇｒ）は、ＥＧＲ弁９ｂの有効開口面積と流量係数の積に相当する関数値であり、この関数値Ａ（φｅｇｒ）は、具体的には、ＥＧＲ弁開度φｅｇｒに応じて、図示しないマップを検索することにより算出される。また、式（７）のκは比熱比であり、Ｒｅｇｒは還流ガスの気体定数である。

ステップ３２に続くステップ３３で、下式（８）により、ＥＧＲ率γｅｇｒを算出する。

次いで、ステップ３４に進み、エンジン回転数ＮＥ及びアクセル開度ＡＰに応じて、図示しないマップを検索することにより、目標ＥＧＲ率γｅｇｒ＿ｔｒｇｔを算出する。

次に、ステップ３５で、目標ＥＧＲ率γｅｇｒ＿ｔｒｇｔに応じて、図示しないマップを検索することにより、目標ＥＧＲ弁開度のフィードフォワード制御項φｅｇｒ＿ｆｆを算出する。

ステップ３５に続くステップ３６で、ＥＧＲ率γｅｇｒが目標ＥＧＲ率γｅｇｒ＿ｔｒｇｔに収束するように、所定のフィードバック制御アルゴリズム（例えば、応答指定型制御アルゴリズムやＰＩＤ制御アルゴリズムなど）を用いて、目標ＥＧＲ弁開度のフィードバック制御項φｅｇｒ＿ｆｂを算出する。

次いで、ステップ３７に進み、下式（９）により、目標ＥＧＲ弁開度φｅｇｒ＿ｔｒｇｔを算出した後、本処理を終了する。

以上のように、目標ＥＧＲ弁開度φｅｇｒ＿ｔｒｇｔが算出されると、これに対応する制御入力信号がＥＣＵ２からＥＧＲ弁９ｂに供給される。それによって、ＥＧＲ弁開度φｅｇｒが目標ＥＧＲ弁開度φｅｇｒ＿ｔｒｇｔになるように制御される。

次に、図７を参照しながら、本実施形態の制御装置１による排気温度の推定値Ｔｅｘ＿ｅｓｔの算出結果について説明する。同図において、破線で示すデータは、車両の走行中における排気温度の推定値Ｔｅｘ＿ｅｓｔの算出結果を表しており、実線で示すデータは、車両の走行中における排気温度Ｔｅｘの実測結果を表している。

両データを比較すると明らかなように、排気温度の推定値Ｔｅｘ＿ｅｓｔが、実測した排気温度Ｔｅｘに対して精度よく追従しており、高い推定精度が得られていることが判る。

以上のように、本実施形態のモデリング装置５０によれば、車両の工場出荷前において、エンジン運転中、エンジン３の運転状態を表す４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と、排気パラメータである排気温度Ｔｅｘとが両者の相関性を保持した状態で取得され、取得された運転状態パラメータ及び排気パラメータを用いて、参照用のプラントモデルである参照モデルが作成される。その際、運転状態パラメータの取得回数がＫ１（Ｋ１は正の整数）回に達する毎に、４つの運転状態パラメータの各々において、Ｋ１個の各運転状態パラメータのマハラノビス距離ＤＭＡを算出し、算出されたＫ１個のマハラノビス距離ＤＭＡのうちのマハラノビス距離ＤＭＡが大きい方のＭ１（Ｍ１はＫ１より小さい正の整数）個のデータをサンプリングされる。そして、以上のサンプリング動作を合計Ｋ２回、実施することによって、４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と排気温度Ｔｅｘとの相関性を表す参照モデルが作成される。

以上の手法により、マハラノビス距離ＤＭＡを用いることなく、通常のランダムサンプリング手法を用いた場合と比べて、サンプリングデータ数が少ない条件下で、参照モデルのモデル化誤差を低減することができる。また、互いに異なる４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を入力変数とし、排気温度Ｔｅｘを出力変数とする参照モデルが作成されるので、１つのパラメータを入力変数とする場合とくらべて、参照モデルのモデル化誤差をさらに低減することができる。

さらに、本実施形態の制御装置１によれば、運転者による車両の運転中に４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）が取得され、４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と参照モデルを用いて、４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と排気温度Ｔｅｘの推定値との関係を学習したプラントモデルである学習モデルが作成される。この場合、参照モデルは、前述したようにモデル化誤差が低減できるように作成され、そのような参照モデルと運転中に取得された４つの運転状態パラメータを用いて、学習モデルが作成されるので、エンジン３が実際に使用される運転域に対して相関性を高めると同時にモデル化誤差を低減しながら、学習モデルを作成することができる。

そして、そのよう作成された学習モデルにおける入力変数及び出力変数の値、取得された４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を、回帰モデル式（４），（５）に代入することにより、排気温度の推定値Ｔｅｘ＿ｅｓｔが算出されるので、その算出精度を向上させることができる。さらに、そのような排気温度の推定値Ｔｅｘ＿ｅｓｔを用いて、ＥＧＲ制御処理が実行されるので、その制御精度を向上させることができる。これに加えて、制御装置１を、過給機を備えてないエンジン３にも適用できることで、汎用性を向上させることができる。

また、排気温度の推定値Ｔｅｘ＿ｅｓｔのモデル式（４），（５）がガウスカーネル関数を用いたカーネルリッジ回帰手法を用いて導出されるので、非線形な特性を有するエンジン３のＥＧＲ制御を実行する場合でも、高い制御精度を確保することができる。これに加えて、モデリング装置５０において、排気温度の推定値Ｔｅｘ＿ｅｓｔのモデル式（４），（５）におけるモデルパラメータλ，σが、参照モデルにおける４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）及び排気温度Ｔｅｘを要素とする行列データにおける誤差Ｖ＿ＲＭＳＥを算出し、これを出力とし、モデルパラメータλ，σを入力とする関数を定義するとともに、Ｎｅｌｄｅｒ−Ｍｅａｄ法（滑降シンプレックス法）を用いて、この関数の最小値を探索することによって決定されるので、これらのモデルパラメータλ，σを、実際のプラント特性に適合するように精度よくかつ適切に決定（同定）することができる。

さらに、４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を、マハラノビス距離ＤＭＡを用いてサンプリングし、そのようにサンプリングされた運転状態パラメータを参照モデルに適用することにより、排気温度の推定値Ｔｅｘ＿ｅｓｔをサンプリングし、この排気温度の推定値Ｔｅｘ＿ｅｓｔと運転状態パラメータとが学習モデルのデータとして更新されるので、通常のランダムサンプリング手法を用いた場合と比べて、学習モデルのモデル化誤差をより低減することができる。これに加えて、互いに異なる４つの運転状態パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を用いて、学習モデルが作成されるので、１つの運転状態パラメータを用いた場合と比べて、学習モデルのモデル化誤差をさらに低減することができる。そして、以上のような学習モデルを用いて排気温度の推定値Ｔｅｘ＿ｅｓｔが算出され、その算出値を用いて、ＥＧＲ制御処理が実行されるので、その制御精度をさらに向上させることができる。

なお、実施形態は、排気パラメータとして、排気温度Ｔｅｘを用いた例であるが、本発明の排気パラメータはこれに限らず、内燃機関の排気の物理量を表すものであればよい。例えば、排気パラメータとして、排気温度Ｔｅｘに変えて、排気圧力又は排気還流量を用いてもよく、これらの３つのパラメータの少なくとも１つを用いてもよい。

また、実施形態は、運転状態パラメータとして、４つのパラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を用いた例であるが、本発明の運転状態パラメータはこれらに限らず、内燃機関の運転状態を表すものであればよい。例えば、これらの４つのパラメータに加えて、点火時期ＩＧ、エンジン水温ＴＷ及びスロットル弁８ａの開度などを用いてもよい。また、運転状態パラメータの数は、４個に限らず、１〜３個又は５個以上の運転状態パラメータを用いてもよい。

さらに、実施形態は、排気温度の推定値Ｔｅｘ＿ｅｓｔを用いて、内燃機関３のＥＧＲ制御を実行した例であるが、本発明の内燃機関の制御はこれに限らず、排気パラメータの推定値を用いて、内燃機関を制御するものであればよい。例えば、排気温度の推定値Ｔｅｘ＿ｅｓｔを用いて、内燃機関の燃料噴射制御処理を実行してもよい。

一方、実施形態は、参照モデル作成処理を図２に示すように実行した例であるが、この参照モデル作成処理において、ステップ３の所定値Ｋ１を実施形態に括弧書きで記載した値よりも大きな値に設定し、ステップ６，７を省略するように構成してもよい。

これに加えて、所定値Ｋ１〜Ｋ３，Ｍ１〜Ｍ２の値はいずれも、実施形態に括弧書きした値に限らず、要求される精度や演算負荷などに応じて、適宜、設定可能である。

また、実施形態は、中心点からの距離として、マハラノビス距離ＤＭＡを用いた例であるが、本発明の中心点からの距離はこれに限らず、ユークリッド距離などの中心点からの距離を表すものであればよい。

さらに、実施形態は、図のステップ５でモデルデータをサンプリングする際、マハラノビス距離ＤＭＡが大きい方のＭ１個のデータをサンプリングした例であるが、モデルデータのサンプリング手法はこれに限らず、マハラノビス距離が大きいものをサンプリングできる手法であればよい。例えば、多数のデータに対して、マハラノビス距離ＤＭＡが大きくなるほど確率がより大きくなるように、確率を付与し、その確率に従って、Ｍ１個のデータをサンプリングしてもよい。

一方、実施形態は、本発明の制御装置を車両用の内燃機関に適用した例であるが、本発明の制御装置は、これに限らず、船舶用の内燃機関や、他の産業機器用の内燃機関にも適用可能である。

１ 制御装置
２ ＥＣＵ（記憶手段、運転状態パラメータ取得手段、推定値算出手段、制御手段、 参照モデル記憶手段、学習モデル作成手段、距離算出手段、サンプリング手段、 更新手段）
３ 内燃機関
５０ モデリング装置（パラメータ取得手段、プラントモデル作成手段、距離算出手段 、サンプリング手段、モデル作成手段）
ＮＥ エンジン回転数（運転状態パラメータ）
Ｐｉｎ 吸気圧（運転状態パラメータ）
Ｑ 燃料噴射量（運転状態パラメータ）
φｅｇｒ ＥＧＲ弁開度（運転状態パラメータ）
ＤＭＡ マハラノビス距離
Ｔｅｘ 排気温度（排気パラメータ）
Ｔｅｘ＿ｅｓｔ 排気温度の推定値（排気パラメータの推定値）

Claims (12)

1. 内燃機関の運転中、当該内燃機関の運転状態を表す運転状態パラメータと当該内燃機関の排気の物理量を表す排気パラメータとを、両者の相関性を保持した状態で取得するパラメータ取得手段と、
   当該取得された運転状態パラメータ及び排気パラメータを用いて、当該運転状態パラメータと当該排気パラメータとの相関性を表すプラントモデルを作成するプラントモデル作成手段と、
   を備え、
   当該プラントモデル作成手段は、
   前記取得された運転状態パラメータの数がＫ１（Ｋ１は正の整数）個に達する毎に、当該Ｋ１個の運転状態パラメータのデータにおける中心点と、当該中心点からの距離とを算出する距離算出手段と、
   当該距離が算出されたＫ１個のデータのうちの、中心点からの距離が大きい方のＭ１（Ｍ１はＫ１より小さい正の整数）個のデータをサンプリングするサンプリング手段と、
   当該サンプリングされたＭ１個のデータと、当該Ｍ１個のデータに対応するＭ１個の排気パラメータを用いて、前記プラントモデルを作成するモデル作成手段と、
   を有することを特徴とする内燃機関のモデリング装置。
2. 前記モデル作成手段は、前記サンプリング手段によるＭ１個のデータのサンプリング回数がＫ２（Ｋ２は正の整数）回に達したときに、当該サンプリングされたＭ１×Ｋ２個のデータと、当該Ｍ１×Ｋ２個のデータに対応するＭ１×Ｋ２個の排気パラメータとを用いて、前記プラントモデルを作成することを特徴とする請求項１に記載の内燃機関のモデリング装置。
3. 前記距離算出手段は、前記距離としてマハラノビス距離を算出することを特徴とする請求項１又は２に記載の内燃機関のモデリング装置。
4. 前記運転状態パラメータは、互いに異なる複数の運転状態パラメータで構成されていることを特徴とする請求項１ないし３のいずれかに記載の内燃機関のモデリング装置。
5. 前記排気パラメータは、排気温度、排気圧力及び排気還流量の少なくとも１つであることを特徴とする請求項１ないし４のいずれかに記載の内燃機関のモデリング装置。
6. 請求項１ないし５のいずれかに記載の内燃機関のモデリング装置によって作成されたプラントモデルを記憶する記憶手段と、
   前記内燃機関の運転中に前記運転状態パラメータを取得する運転状態パラメータ取得手段と、
   当該取得された運転状態パラメータ、前記記憶されたプラントモデル及び所定の回帰分析手法を用いて、前記排気パラメータの推定値を算出する推定値算出手段と、
   当該算出された排気パラメータの推定値を用いて、前記内燃機関を制御する制御手段と、
   を備えることを特徴とする内燃機関の制御装置。
7. 前記回帰分析手法は、カーネル関数を用いたカーネルリッジ回帰手法であることを特徴とする請求項６に記載の内燃機関の制御装置。
8. 内燃機関の運転状態を表す運転状態パラメータと、当該内燃機関の排気の物理量を表す排気パラメータとの相関性を表す参照用のプラントモデルである参照モデルを記憶する参照モデル記憶手段と、
   前記内燃機関の運転中に前記運転状態パラメータを取得する運転状態パラメータ取得手段と、
   当該取得された運転状態パラメータと前記参照モデルを用いて、前記運転状態パラメータと前記排気パラメータの推定値との関係を学習したプラントモデルである学習モデルを作成する学習モデル作成手段と、
   当該作成された学習モデル、前記取得された運転状態パラメータ及び所定の回帰分析手法を用いて、前記排気パラメータの推定値を算出する推定値算出手段と、
   当該算出された排気パラメータの推定値を用いて、前記内燃機関を制御する制御手段と、
   を備え、
   前記学習モデル作成手段は、
   前記取得されたＫ３（Ｋ３は正の整数）個の運転状態パラメータのデータにおける中心点と、当該中心点からの距離とを算出する距離算出手段と、
   当該距離が算出されたＫ３個のデータのうちの、中心点からの距離が大きい方のＭ２（Ｍ２はＫ３より小さい正の整数）個のデータをサンプリングするサンプリング手段と、
   当該サンプリングされたＭ２個のデータに応じて、前記参照モデルを参照することにより、当該Ｍ２個のデータと当該Ｍ２個のデータに対応するＭ２個の排気パラメータの推定値とをサンプリングし、当該サンプリングしたデータを前記学習モデルのデータとして更新する更新手段と、
   を有することを特徴する内燃機関の制御装置。
9. 前記回帰分析手法は、カーネル関数を用いたカーネルリッジ回帰手法であることを特徴とする請求項８に記載の内燃機関の制御装置。
10. 前記距離算出手段は、前記距離としてマハラノビス距離を算出することを特徴とする請求項８又は９に記載の内燃機関の制御装置。
11. 前記運転状態パラメータは、互いに異なる複数の運転状態パラメータで構成されていることを特徴とする請求項８ないし１０のいずれかに記載の内燃機関の制御装置。
12. 前記排気パラメータは、排気温度、排気圧力及び排気還流量の少なくとも１つであることを特徴とする請求項８ないし１１のいずれかに記載の内燃機関の制御装置。

Images