JP2020122401A - 内燃機関の制御装置 - Google Patents

Abstract

【課題】入力パラメータとして空燃比を用いた学習モデルにおいて出力パラメータの推定精度を向上させる。【解決手段】学習モデルの入力パラメータの実測値を変換して変換データ値を算出するデータ変換部８２と、変換データ値が入力されると学習モデルを用いて出力パラメータの推定値を出力するパラメータ値出力部８３と、この推定値に基づいて内燃機関１に関する制御を実行する制御部８４と、を備え、入力パラメータは空燃比関連パラメータを含み、データ変換部８２は、空燃比関連パラメータの変換データ値をその実測値が理論空燃比よりもリッチである場合とリーンである場合とで正負の符号が逆になるように算出し、空燃比関連パラメータ以外の入力パラメータの変換データ値をその実測値を正規化することにより算出し、各変換データ値をその上限値同士及び下限値同士のいずれか一方が等しくなるように算出する。【選択図】図５

Description

本開示は、内燃機関の制御装置に関する。

従来から、機械学習によって学習された学習モデルを用いて、車両の内燃機関を制御する内燃機関の制御装置が公知である（例えば、特許文献１参照）。例えば、特許文献１には、内燃機関の運転に関する複数の入力パラメータの実測値を正規化した正規化データが入力されると、ニューラルネットワークを用いて、内燃機関の排気通路に設けられた排気浄化触媒の劣化度合いの推定値を出力パラメータの推定値として出力する学習モデルが開示されている。特に、特許文献１では、正規化するにあたり、各入力パラメータの実測値を、その中央値が０に且つその最大値及び最小値がそれぞれ１及び−１になるように変換している。また、特許文献１に記載の内燃機関の制御装置では、学習モデルから出力された排気浄化触媒の劣化度合いの推定値に応じて、内燃機関における空燃比の制御が実行される。

特開平１０−２５２４５１号公報

ところで、斯かる内燃機関では、その排気通路に設けられた排気浄化触媒に流入する排気ガスの空燃比を理論空燃比よりもリッチにするリッチ制御と理論空燃比よりもリーンにするリーン制御とが交互に実行される場合がある。

しかし、斯かる空燃比制御においてリッチ制御における空燃比の理論空燃比からの差とリーン制御における空燃比の理論空燃比からの差とが異なるように空燃比が制御される場合、空燃比の実測値の中央値は理論空燃比にならない。このような場合に特許文献１に開示された方法によって空燃比の実測値を正規化すると共に正規化された値を学習モデルの入力パラメータとして用いると、その学習モデルにおける出力パラメータの推定精度は必ずしも十分ではなかった。

上記課題に鑑みて、本開示の目的は、入力パラメータとして空燃比を用いた学習モデルにおいて、出力パラメータの推定精度を向上させることにある。

本開示の要旨は、以下の通りである。
（１）学習モデルの入力パラメータの実測値を変換して変換データ値を算出するデータ変換部と、前記変換データ値が入力されると、前記学習モデルを用いて、出力パラメータの推定値を出力するパラメータ値出力部と、前記出力パラメータの推定値に基づいて、内燃機関に関する制御を実行する制御部と、を備え、前記入力パラメータは、前記内燃機関の機関本体から排出される排気ガスの空燃比に関するパラメータを含み、前記制御部は、前記内燃機関の排気通路に設けられた排気浄化触媒に流入する排気ガスの目標空燃比を理論空燃比よりもリッチにするリッチ制御と前記目標空燃比を理論空燃比よりもリーンにするリーン制御とを実行し、前記データ変換部は、前記空燃比に関するパラメータについての変換データ値を、前記空燃比に関するパラメータの実測値が理論空燃比よりもリッチである場合と理論空燃比よりもリーンである場合とで正負の符号が逆になるように算出し、前記データ変換部は、前記空燃比に関するパラメータ以外の入力パラメータについての変換データ値を、前記空燃比に関するパラメータ以外の入力パラメータの実測値を正規化することにより算出し、前記データ変換部は、前記空燃比に関するパラメータについての変換データ値と前記空燃比に関するパラメータ以外の入力パラメータについての変換データ値との上限値同士及び下限値同士のいずれか一方が等しくなるように、各変換データ値を算出する、内燃機関の制御装置。

本開示によれば、入力パラメータとして空燃比を用いた学習モデルにおいて、出力パラメータの推定精度を向上させることが可能となる。

図１は、内燃機関の概略的な構成図である。 図２は、ＥＣＵの処理部における機能ブロック図である。 図３は、ニューラルネットワークの一例を示す図である。 図４は、一実施形態に係る内燃機関の制御装置で行われる制御ルーチンを示すフローチャートである。 図５は、図４に示されるステップＳ２におけるデータ変換処理の制御ルーチンを示すフローチャートである。

以下、図面を参照して本開示の実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。

≪内燃機関全体の説明≫
まず、図１を参照して本実施形態に係る制御装置が用いられる内燃機関１の構成について説明する。図１は、車両に搭載される内燃機関１の概略的な構成図である。図１に示されるように、内燃機関１は、機関本体１０、燃料供給装置２０、吸気系３０、排気系４０、排気ガス再循環（ＥＧＲ）システム５０、及び制御装置６０を備える。

機関本体１０は、複数の気筒１１が形成されたシリンダブロックと、吸気ポート及び排気ポートが形成されたシリンダヘッドと、クランクケースとを備える。各気筒１１内にはピストンが配置されると共に、各気筒１１は吸気ポート及び排気ポートに連通している。

燃料供給装置２０は、燃料噴射弁２１、コモンレール２２、燃料供給管２３、燃料ポンプ２４、及び燃料タンク２５を備える。燃料噴射弁２１は、各気筒１１の燃焼室内に燃料を直接噴射するようにシリンダヘッドに配置されている。燃料噴射弁２１は、コモンレール２２及び燃料供給管２３を介して燃料タンク２５に連結されている。燃料供給管２３には、燃料タンク２５内の燃料を圧送する燃料ポンプ２４が配置される。燃料ポンプ２４によって圧送された燃料は、燃料供給管２３を介してコモンレール２２に供給され、燃料噴射弁２１から各気筒１１の燃焼室内に直接噴射される。コモンレール２２内の燃料の圧力は燃料ポンプ２４の出力を変更することによって調整される。したがって、燃料ポンプ２４は、燃料噴射弁２１へ供給する燃料の圧力を制御する燃圧制御装置として機能する。なお、燃料噴射弁２１は、吸気ポート内に燃料を噴射するように構成されてもよい。また、本実施形態では、燃料として理論空燃比が１４．６であるガソリンが用いられる。しかしながら、内燃機関１は他の燃料を用いてもよい。

吸気系３０は、吸気マニホルド３１、吸気管３２、エアクリーナ３３、排気ターボチャージャ５のコンプレッサ３４、インタークーラ３５、及びスロットル弁３６を備える。各気筒１１の吸気ポートは吸気マニホルド３１及び吸気管３２を介してエアクリーナ３３に連通している。吸気管３２内には、吸気管３２内を流通する吸入空気を圧縮して吐出する排気ターボチャージャ５のコンプレッサ３４と、コンプレッサ３４によって圧縮された空気を冷却するインタークーラ３５とが設けられている。スロットル弁３６は、スロットル弁駆動アクチュエータ３７によって回動せしめられることで、吸気通路の開口面積を変更することができる。

排気系４０は、排気マニホルド４１、排気管４２、排気ターボチャージャ５のタービン４３、及び排気浄化触媒４４を備える。各気筒１１の排気ポートは、排気マニホルド４１及び排気管４２を介して排気浄化触媒４４に連通している。排気マニホルド４１及び排気管４２は、排気通路を形成する。排気管４２には、排気ガスのエネルギによって回転駆動せしめられる排気ターボチャージャ５のタービン４３が設けられている。排気ターボチャージャ５のタービン４３が回転駆動せしめられると、これに伴ってコンプレッサ３４が回転し、よって吸入空気が圧縮せしめられる。

排気浄化触媒４４は、例えば、酸素吸蔵能力を有する三元触媒である。三元触媒は、三元触媒に流入する排気ガスの空燃比が理論空燃比に維持されていると、未燃ＨＣ、ＣＯ及びＮＯｘを同時に浄化する機能を有する。加えて、排気浄化触媒４４にある程度の酸素が吸蔵されている場合には、排気浄化触媒４４に流入する排気ガスの空燃比が理論空燃比に対してリッチ側或いはリーン側に若干ずれたとしても未燃ＨＣ、ＣＯ及びＮＯｘとが同時に浄化される。排気浄化触媒４４としては、三元触媒以外にも、例えば、排気ガス中のＮＯｘを還元浄化する選択還元型ＮＯｘ触媒、ＮＯｘ吸蔵還元触媒、酸化触媒等が用いられる。なお、排気系４０は、排気浄化触媒４４の下流側にさらに排気浄化触媒を備えてもよい。

ＥＧＲシステム５０は、機関本体１０から排出された排気ガスの一部を吸気通路に供給する。ＥＧＲシステム５０は、ＥＧＲ管５１と、ＥＧＲ制御弁５２と、ＥＧＲクーラ５３とを備える。ＥＧＲ管５１は、排気マニホルド４１と吸気マニホルド３１とに連結され、これらを互いに連通させる。ＥＧＲ管５１には、ＥＧＲ管５１内を流れるＥＧＲガスを冷却するＥＧＲクーラ５３が設けられている。加えて、ＥＧＲ管５１には、ＥＧＲ管５１によって形成されるＥＧＲ通路の開口面積を変更することができるＥＧＲ制御弁５２が設けられている。ＥＧＲ制御弁５２の開度を制御することによって、排気マニホルド４１から吸気マニホルド３１へ還流せしめられるＥＧＲガスの流量が調整され、その結果、ＥＧＲ率が変化する。なお、ＥＧＲ率は、燃焼室内に供給される全ガス量（新気量とＥＧＲガス量との合計）に対するＥＧＲガス量の割合である。

≪内燃機関の制御装置≫
内燃機関の制御装置６０は、電子制御ユニット（ＥＣＵ）６１及び各種センサを備える。ＥＣＵ６１は、デジタルコンピュータから構成され、双方向性バス６２を介して相互に接続された記憶部６３、ＣＰＵ（マイクロプロセッサ）を備える処理部６５、入力ポート６６、及び出力ポート６７を備える。記憶部６３は、揮発性メモリ（例えば、ＲＡＭ）及び不揮発性メモリ（例えば、ＲＯＭ）を備え、処理部６５において実行されるプログラム等、各種のデータを記憶する。

吸気管３２には、排気ターボチャージャ５のコンプレッサ３４の吸気流れ方向上流側に、吸気管３２内を流れる空気の流量を検出するエアフロメータ７１が設けられている。また、排気マニホルド４１の集合部には排気マニホルド４１内を流れる排気ガス（すなわち、排気浄化触媒４４に流入する排気ガス）の空燃比を検出する上流側空燃比センサ７２が配置される。加えて、排気管４２内には排気管４２内を流れる排気ガス（すなわち、排気浄化触媒４４から流出する排気ガス）の空燃比を検出する下流側空燃比センサ７３が配置される。これらエアフロメータ７１、上流側空燃比センサ７２及び下流側空燃比センサ７３の出力は、対応するＡＤ変換器６８を介して入力ポート６６に入力される。

また、アクセルペダル７７にはアクセルペダル７７の踏み込み量に比例した出力電圧を発生する負荷センサ７８が接続され、負荷センサ７８の出力電圧は対応するＡＤ変換器６８を介して入力ポート６６に入力される。したがって、本実施形態では、アクセルペダル７７の踏み込み量が機関負荷として用いられる。クランク角センサ７９は機関本体１０のクランクシャフトが例えば１０度回転する毎に出力パルスを発生し、この出力パルスが入力ポート６６に入力される。処理部６５ではこのクランク角センサ７９の出力パルスから機関回転速度が計算される。

一方、ＥＣＵ６１の出力ポート６７は、対応する駆動回路６９を介して、内燃機関１の運転を制御する各アクチュエータに接続される。図１に示される例では、出力ポート６７は、排気ターボチャージャ５の可変ノズル、燃料噴射弁２１、燃料ポンプ２４、スロットル弁駆動アクチュエータ３７、及びＥＧＲ制御弁５２に接続されている。ＥＣＵ６１は、これらアクチュエータを制御する制御信号を出力ポート６７から出力して、内燃機関１の運転を制御する。

図２は、ＥＣＵ６１の処理部６５における機能ブロック図である。図２に示されるように、本実施形態では、処理部６５は、機能モジュールとして、パラメータ値取得部８１と、データ変換部８２と、パラメータ値出力部８３と、制御部８４とを備える。

パラメータ値取得部８１は、内燃機関１の運転状態を表す入力パラメータの実測値を取得する。具体的には、パラメータ値取得部８１は、ＥＣＵ６１の入力ポート６６を介して、上述した種々のセンサ等の出力を、内燃機関１の運転状態を表す入力パラメータの実測値として取得する。また、パラメータ値取得部８１は、ＥＣＵ６１から燃料噴射弁２１への指令値等を、内燃機関１の運転状態を表す入力パラメータの実測値として取得する。

データ変換部８２は、パラメータ値取得部８１において取得した各入力パラメータの実測値を変換して変換データ値を算出する。データ変換部８２において行われる具体的なデータ変換方法については後述する。

パラメータ値出力部８３は、データ変換部８２において算出された変換データ値が入力されると、複数の入力層と、隠れ層と、出力層とを備えるニューラルネットワークを用いた学習モデルを用いて、内燃機関１の性能を表す出力パラメータの推定値を算出する。

制御部８４は、パラメータ値出力部８３によって算出された出力パラメータの推定値に基づいて、内燃機関１に関する制御を実行する。

≪基本的な空燃比制御≫
次に、本実施形態に係る内燃機関１の制御装置６０の制御部８４における基本的な空燃比制御の概要を説明する。本実施形態では、上流側空燃比センサ７２の出力空燃比（排気浄化触媒４４に流入する排気ガスの空燃比に相当）に基づいて上流側空燃比センサ７２の出力空燃比が目標空燃比となるようにフィードバック制御が行われる。すなわち、本実施形態に係る空燃比制御では、上流側空燃比センサ７２の出力空燃比に基づいて排気浄化触媒４４に流入する排気ガスの空燃比が目標空燃比となるようにフィードバック制御が行われる。なお、「出力空燃比」は、空燃比センサの出力に相当する空燃比を意味する。

また、本実施形態では、下流側空燃比センサ７３の出力空燃比等に基づいて目標空燃比が設定される。具体的には、下流側空燃比センサ７３の出力空燃比がリッチ空燃比となったときに、目標空燃比がリーン設定空燃比に設定される。この結果、排気浄化触媒４４に流入する排気ガスの空燃比もリーン設定空燃比になる。ここで、リーン設定空燃比は、理論空燃比（制御中心となる空燃比）よりもある程度リーンである予め定められた空燃比であり、例えば、１４．７〜１６程度である。本実施形態では、下流側空燃比センサ７３の出力空燃比が理論空燃比よりも僅かにリッチであるリッチ判定空燃比（例えば、１４．５５）以下になったときに、下流側空燃比センサ７３の出力空燃比がリッチ空燃比になったと判断される。

一方、下流側空燃比センサ７３の出力空燃比がリーン空燃比となったときに、それまでリーン設定空燃比だった目標空燃比がリッチ設定空燃比に設定される。この結果、排気浄化触媒４４に流入する排気ガスの空燃比もリッチ設定空燃比になる。リッチ設定空燃比は、理論空燃比よりもある程度リッチである予め定められた空燃比であり、例えば、１４〜１４．５５程度とされる。本実施形態では、下流側空燃比センサ７３の出力空燃比が理論空燃比よりも僅かにリーンであるリーン判定空燃比（例えば、１４．６５）以上になったときに、下流側空燃比センサ７３の出力空燃比がリーン空燃比になったと判断される。

なお、本実施形態では、リッチ設定空燃比の理論空燃比からの差（リッチ度合い）は、リーン設定空燃比の理論空燃比からの差（リーン度合い）以下とされる。したがって、本実施形態では、目標空燃比は、短期間のリーン設定空燃比と、長期間のリッチ設定空燃比とに交互に設定されることになる。

その後、下流側空燃比センサ７３の出力空燃比が再びリッチ判定空燃比以下となったときに、目標空燃比が再びリーン設定空燃比とされ、その後、同様な操作が繰り返される。このように本実施形態では、排気浄化触媒４４に流入する排気ガスの目標空燃比がリーン設定空燃比とリッチ設定空燃比とに交互に設定される。換言すると、本実施形態では、制御部８４は、内燃機関１の排気通路に設けられた排気浄化触媒４４に流入する排気ガスの目標空燃比を理論空燃比よりもリッチにするリッチ制御とこの目標空燃比を理論空燃比よりもリーンにするリーン制御とを実行するといえる。

なお、本実施形態では、下流側空燃比センサ７３の出力空燃比がリーン空燃比になったときにそれまでリーン設定空燃比だった目標空燃比がリッチ設定空燃比に設定されたが、下流側空燃比センサ７３の出力空燃比に基づいて算出した排気浄化触媒４４の吸蔵酸素量が、排気浄化触媒４４が吸蔵可能な酸素量の最大値である最大吸蔵可能酸素量よりも小さい所定の基準値以上になったときに目標空燃比がリッチ設定空燃比に設定されてもよい。

≪ニューラルネットワークを用いたモデルの例≫
上述したように、本実施形態では、パラメータ値出力部８３は、ニューラルネットワークを用いた学習モデルを用いて、内燃機関の性能を表す種々のパラメータ（出力パラメータ）の推定値を算出する。以下では、図３を参照して、パラメータ値出力部８３で用いられるニューラルネットワークの一例について説明する。

図３は、本実施形態においてパラメータ値出力部８３によって用いられる畳み込みニューラルネットワーク（ＣＮＮ）モデルの一例を示す図である。図３に示されるＣＮＮモデルは、入力層（Ｌ＝１）、１４個の隠れ層（Ｌ＝２〜１５）及び出力層（Ｌ＝１６）を有する。しかしながら、ニューラルネットワークは、３層以上の任意の層数であればいかなる層数を有していてもよい。

図３に示されるＣＮＮモデルは、入力層Ｉ（Ｌ＝１）、畳み込み層Ｃ１（Ｌ＝２）、Ｒｅｌｕ層Ｒ１（Ｌ＝３）、畳み込み層Ｃ２（Ｌ＝４）、Ｒｅｌｕ層Ｒ２（Ｌ＝５）、最大プーリング層Ｐ１（Ｌ＝６）、畳み込み層Ｃ３（Ｌ＝７）、Ｒｅｌｕ層Ｒ３（Ｌ＝８）、畳み込み層Ｃ４（Ｌ＝９）、Ｒｅｌｕ層Ｒ４（Ｌ＝１０）、最大プーリング層Ｐ２（Ｌ＝１１）、全結合層Ｆ１（Ｌ＝１２）、Ｒｅｌｕ層Ｒ５（Ｌ＝１３）、ドロップアウト層Ｄ（Ｌ＝１４）、全結合層Ｆ２（Ｌ＝１５）及びソフトマックス（Softmax）層Ｓ（Ｌ＝１６）の順に構成されている。

例えば、畳み込み層Ｃ１及びＲｅｌｕ層Ｒ１の出力チャンネル数は３０であり、畳み込み層Ｃ２、Ｒｅｌｕ層Ｒ２及び最大プーリング層Ｐ１の出力チャンネル数は２０であり、畳み込み層Ｃ３及びＲｅｌｕ層Ｒ３の出力チャンネル数は１０であり、畳み込み層Ｃ４、Ｒｅｌｕ層Ｒ４及び最大プーリング層Ｐ２の出力チャンネル数は５であり、全結合層Ｆ１、Ｒｅｌｕ層Ｒ５及びドロップアウト層Ｄの出力チャンネル数は４であり、全結合層Ｆ２及びソフトマックス層Ｓの出力チャンネル数は２である。また、例えば、畳み込み層Ｃ１乃至Ｃ４のストライド数は１であり、最大プーリング層Ｐ１及びＰ２のストライド数は２である。

なお、図３に示されるＣＮＮモデルでは、簡略化のため、各層におけるノードが省略されているが、各層及び各層の各出力チャンネルには１又は複数のノードが存在する。入力層のノードの数は任意の数とすることができ、入力層以降の各層及び各層の各出力チャンネルにおけるノードの数は各層で実行される演算処理に応じて適宜設定される。また、畳み込み層Ｃ１乃至Ｃ４及び全結合層Ｆ１及びＦ２における各ノードには、任意の重みやバイアスが適宜設定されている。ＣＮＮモデルにおいて、各層の数及び位置は、図３に例示したものに限定されず、適宜変更され得る。また、ドロップアウト層Ｄは省略されてもよい。

入力層Ｉでは、後述するように、各入力パラメータの実測値についての各変換データ値が入力され、斯かる変換データ値がそのまま畳み込み層Ｃ１に出力される。畳み込み層Ｃ１乃至Ｃ４では、入力された各データに対して畳み込み演算が実行され、入力されたデータの特徴が抽出される。Ｒｅｌｕ層Ｒ１乃至Ｒ５では、入力された各データに対して活性化演算が実行され、畳み込み層において抽出された特徴が強調される。最大プーリング層Ｐ１及びＰ２では、入力された各データについてその最大値を用いてダウンサンプリングする最大プーリング演算が実行される。全結合層Ｆ１及びＦ２では、入力された各データを全結合する全結合演算が実行され、抽出された特徴が結合されて特徴を示す変数が生成される。ドロップアウト層Ｄでは、入力されたデータをランダムに０にするドロップアウト演算が実行される。ソフトマックス層Ｓでは、入力されたデータを確率に変換する演算が実行され、全結合層Ｆ２で生成された変数が確率に変換される。

本実施形態では、パラメータ値取得部８１により取得された内燃機関１の運転状態を表す特定の入力パラメータの実測値がデータ変換部８２により変換データ値に変換され、入力層Ｉ（Ｌ＝１）にこの変換データ値が入力される。特に、本実施形態では、各入力パラメータの実測値が所定のデータ長を有する複数の時系列データに分割され、これら分割された時系列データがそれぞれデータ変換部８２によりこの所定のデータ長を有する変換データ値に変換され、入力層Ｉ（Ｌ＝１）にこの変換データ値が入力される。また、本実施形態では、入力パラメータとして、上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び内燃機関１の回転速度が用いられる。

加えて、本実施形態では、ソフトマックス層Ｓ（Ｌ＝１６）からは２つの出力パラメータの推定値が出力される。本実施形態では、出力パラメータとして、排気浄化触媒が異常状態である可能性及び正常状態である可能性が用いられる。

したがって、本実施形態におけるニューラルネットワークでは、上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び内燃機関１の回転速度の実測値についての変換データ値が入力されると、排気浄化触媒が異常状態である可能性及び正常状態である可能性に関する現在又は将来の推定値（例えば、異常状態である確率及び正常状態である確率）が出力パラメータの推定値として出力される。

したがって、パラメータ値出力部８３は、内燃機関１の運転中において、上述したような変換データ値が入力されると、ニューラルネットワークを用いた学習モデルを用いて、出力パラメータの推定値を算出する。具体的には、パラメータ値出力部８３は、パラメータ値出力部８３に入力された変換データ値をニューラルネットワークの入力層に入力すると共に、ニューラルネットワークの出力層から出力された出力パラメータの推定値を出力する。

各入力パラメータの実測値は、パラメータ値取得部８１によって取得される。具体的には、上流側空燃比センサ７２及び下流側空燃比センサ７３の出力空燃比は上流側空燃比センサ７２及び下流側空燃比センサ７３の出力値からそれぞれ取得される。吸入空気量はエアフロメータ７１等の出力に基づいてＥＣＵ６１において算出され、機関回転速度は、クランク角センサ７９の出力に基づいてＥＣＵ６１において算出される。パラメータ値取得部８１は、このようにして算出された吸入空気量及び機関回転速度をＥＣＵ６１内から取得する。

このようにしてパラメータ値取得部８１によって取得された各入力パラメータの実測値はデータ変換部８２によって変換されて、変換データ値が算出される。データ変換部８２によって算出された変換データ値はパラメータ値出力部８３に入力され、その結果、出力パラメータである排気浄化触媒が異常状態である可能性及び正常状態である可能性の推定値がパラメータ値出力部８３から出力される。

また、このように構成されたニューラルネットワークの学習（すなわち、畳み込み層や全結合層における重みの値及びバイアスの値の学習）は、各車両に搭載される前に事前に行われる。ニューラルネットワークの学習を行うにあたっては、入力パラメータの実測値とこの入力パラメータの実測値に対応した出力パラメータの実測値（正解データ）を含むデータセットが多数作成される。このようにして作成されたデータセットを用いて、例えば周知の誤差逆伝搬法を用いてニューラルネットワーク内の重み及びバイアスの値を繰り返し更新することによって、各重み及び各バイアスの値が学習される。

このようにして事前に学習された重み及びバイアスの値を用いたニューラルネットワークが車両に搭載される。したがって、パラメータ値出力部８３では、事前に学習された学習モデルによって排気浄化触媒が異常状態である可能性及び正常状態である可能性の推定値が算出される。

このようにして学習された学習モデルを用いて出力パラメータである排気浄化触媒が異常状態である可能性及び正常状態である可能性を推定することにより、比較的高い精度で排気浄化触媒が異常状態である可能性及び正常状態である可能性を推定することができる。

なお、本実施形態に係る学習モデルにおけるニューラルネットワークでは、上述した入出力パラメータの例の他にも、入力パラメータとして内燃機関１の機関本体１０から排出される排気ガスの空燃比に関するパラメータ（以下、「空燃比関連パラメータ」ともいう）を含むものであれば、その入出力パラメータは適宜設定されてもよい。本実施形態に係る学習モデルにおけるニューラルネットワークは、例えば、上流側空燃比センサ７２の出力空燃比、燃料噴射量、吸入空気量及び機関回転速度を入力パラメータとし、上流側空燃比センサ７２の出力空燃比が本来出力すべき値に対して異常に大きい又は小さい状態であるか否かに関する判定を出力パラメータとすることができる。また、本実施形態に係る学習モデルにおけるニューラルネットワークは、例えば、上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び機関回転速度を入力パラメータとし、下流側空燃比センサ７３の出力空燃比が本来出力すべき値に対して異常に大きい又は小さい状態であるか否かに関する判定を出力パラメータとすることができる。

ここで、上述したように、本実施形態では、学習モデルとしてＣＮＮモデルを用いるが、学習モデルとして例えばＲＮＮ（Recurrent Neural Network）モデルやＬＳＴＮ（Long Short Term Memory）モデルを用いてもよい。ただし、ＣＮＮモデルは、畳み込み層におけるフィルタの大きさや数を自由に調整することが可能であり、例えばＲＮＮモデルやＬＳＴＮモデルと比較して高い自由度で設計される。そのため、ＣＮＮモデルでは、畳み込み層におけるフィルタの大きさを変更することにより、所定のデータ長を有する変換データ値に対してフィルタを適用する部分を調整でき、その変換データ値における特徴量を適切に抽出することが可能となる。また、畳み込み層におけるフィルタの数を増やすことにより、１つの変換データ値からより多くの特徴量を抽出することが可能となる。そのため、学習モデルとしてＣＮＮモデルを用いることにより、学習モデルにおける出力パラメータの推定精度を向上させること可能となる。

≪出力パラメータの推定値に基づく制御の概要≫
上述したように、本実施形態では、パラメータ値出力部８３は、変換データ値が入力されると、学習モデルを用いて、出力パラメータである排気浄化触媒が異常状態である可能性及び正常状態である可能性の推定値を出力する。

制御部８４は、パラメータ値出力部８３によって算出された排気浄化触媒が異常状態である可能性及び正常状態である可能性の推定値に基づいて、内燃機関１に関する制御を実行する。具体的には、制御部８４は、例えば、パラメータ値出力部８３によって算出された排気浄化触媒が異常状態である可能性の推定値が排気浄化触媒が正常状態である可能性の推定値よりも大きい場合、排気浄化触媒４４が異常状態である旨の判定をする。この場合、制御部８４は、例えば、車両の室内に設置された警告灯等を点灯させることで、車両の運転者に排気浄化触媒４４の交換や修理を促す。

また、制御部８４は、例えば、排気浄化触媒が異常状態である可能性の推定値が相対的に大きい場合にリッチ制御時におけるリッチ度合いが相対的に小さくなるように、上記空燃比制御における目標空燃比を変更してもよい。この結果、例えば、排気浄化触媒４４の劣化の進行に伴い、排気浄化触媒４４における酸素吸蔵能力が低下した場合であっても、その酸素吸蔵能力を超えたＣＯ、ＨＣを含む排気ガスが排気浄化触媒４４に供給され、排気浄化触媒４４によってこの排気ガスが十分に浄化されなくなることを抑制することができる。

≪問題点≫
ところで、本実施形態では、データ変換部８２は、異なるカテゴリの複数の入力パラメータの実測値を同じ範囲の値に変換するように、入力パラメータの実測値（後述する空燃比関連パラメータを除く）を正規化する。この結果、学習モデルにおいて異なるカテゴリの複数の入力パラメータを用いる場合であっても、その出力結果が特定の入力パラメータに過大に影響を受けることを抑制することができるため、出力パラメータの推定精度を向上させることが可能となる。この正規化は、例えば、斯かる学習モデルへの入力パラメータの入力の前処理として行われる。

しかし、本実施形態に係る空燃比制御では、リッチ度合いとリーン度合いとが異なるため、空燃比関連パラメータの実測値の中央値が理論空燃比にならない。このような場合に特許文献１に開示された方法によって空燃比関連パラメータの実測値を正規化するとともに正規化された空燃比関連パラメータを学習モデルの入力パラメータとして用いると、学習モデルにおける出力パラメータの推定精度は必ずしも十分ではなかった。

≪空燃比関連パラメータについてのデータ変換≫
そこで、本実施形態では、データ変換部８２は、空燃比関連パラメータについての変換データ値を、空燃比関連パラメータの実測値が理論空燃比よりもリッチである場合と理論空燃比よりもリーンである場合とで正負の符号が逆になるように算出し、空燃比関連パラメータ以外の入力パラメータについての変換データ値を、空燃比関連パラメータ以外の入力パラメータの実測値を正規化することにより算出する。そして、データ変換部８２は、空燃比関連パラメータについての変換データ値と空燃比関連パラメータ以外の入力パラメータについての変換データ値との上限値同士及び下限値同士のいずれか一方が等しくなるように、各変換データ値を算出する。その結果、本実施形態によると、理論空燃比からリッチ側及びリーン側への空燃比関連パラメータの変動がその変換データ値にそのまま反映される一方で、各変換データ値の上限値同士及び下限値同士のいずれか一方が等しくなるため、学習モデルにおいて特定の入力パラメータに過大に影響を受けることを抑制することができる。従って、本実施形態によると、学習モデルにおける出力パラメータの推定精度を向上させることが可能となる。以下、本実施形態について詳細に説明する。

≪フローチャート≫
図４は、本実施形態に係る内燃機関１の制御装置６０で行われる制御ルーチンを示すフローチャートである。本制御ルーチンのフローは、処理部６５が、記憶部６３に記憶されているプログラムを実行することにより実現される。図示された制御ルーチンは、例えば、車両のイグニッションスイッチがオフからオンに切り替わる毎に実行される。

ステップＳ１では、パラメータ値取得部８１において、学習モデルの各入力パラメータの実測値が取得される。本実施形態では、パラメータ値取得部８１は、上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び内燃機関１の回転速度の実測値を取得する。

ステップＳ２では、データ変換部８２において、パラメータ値取得部８１により取得された各入力パラメータの実測値を変換して変換データ値が算出される。ステップＳ２におけるデータ変換処理については、図５を用いて後述する。

次に、ステップＳ３では、パラメータ値出力部８３において、データ変換部８２により算出された各変換データ値が入力され、学習モデルを用いて、出力パラメータの推定値が出力される。本実施形態では、パラメータ値出力部８３は、上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び内燃機関１の回転速度についての各変換データ値が入力されると、学習モデルを用いて、排気浄化触媒が異常状態である可能性及び正常状態である可能性の推定値が出力される。

次に、ステップＳ４では、制御部８４において、出力パラメータの推定値に基づいて、内燃機関１に関する制御が実行される。本実施形態では、制御部８４は、例えば、排気浄化触媒が異常状態である可能性の推定値が正常状態である可能性の推定値よりも大きい場合、排気浄化触媒４４が異常状態である旨の判定をし、車両の室内に設置された警告灯等を点灯させる。

ステップＳ４の後、本制御ルーチンは終了する。

図５は、図４に示されるステップＳ２においてデータ変換部８２により実行されるデータ変換処理の制御ルーチンを示すフローチャートである。本制御ルーチンのフローは、処理部６５が、記憶部６３に記憶されているプログラムを実行することにより実現される。

ステップＳ１１では、パラメータ値取得部８１において取得された入力パラメータについて、そのパラメータが空燃比関連パラメータであるか否かが判定される。ステップＳ１１において空燃比関連パラメータではないと判定された場合には、本制御ルーチンはステップＳ１２に進む。一方で、ステップＳ１１において空燃比関連パラメータではあると判定された場合には、本制御ルーチンはステップＳ１３に進む。

ステップＳ１２では、空燃比関連パラメータ以外のパラメータについて、例えば下記の式（１）に基づいて変換データ値を算出する。
変換データ値＝（実測値−中央値）／２ …（１）
ここで、中央値＝（実測値の上限値−実測値の下限値）／２である。ステップＳ１２の後、本制御ルーチンはステップＳ１６に進む。

ステップＳ１３では、空燃比関連パラメータについて、（実測値の上限値−理論空燃比）が（理論空燃比−実測値の上限値）よりも大きいか否かが判定される。ステップＳ１３において（実測値の上限値−理論空燃比）が（理論空燃比−実測値の上限値）よりも大きいと判定された場合には、本制御ルーチンはステップＳ１４に進む。一方、ステップＳ１３において（実測値の上限値−理論空燃比）が（理論空燃比−実測値の上限値）以下であると判定された場合には、本制御ルーチンはステップＳ１５に進む。

ステップＳ１４では、空燃比関連パラメータについて、下記の式（２）に基づいて、変換データ値が算出される。
変換データ値＝（実測値−理論空燃比）／（実測値の上限値−理論空燃比） …（２）
ステップＳ１４の後、本制御ルーチンはステップＳ１６に進む。

ステップＳ１５では、空燃比関連パラメータについて、下記の式（３）に基づいて、変換データ値が算出される。
変換データ値＝（実測値−理論空燃比）／（理論空燃比−実測値の下限値） …（３）
ステップＳ１５の後、本制御ルーチンはステップＳ１６に進む。

ステップＳ１６では、ステップＳ１２、Ｓ１４又はＳ１５によりデータ変換されていない入力パラメータがあるか否かを判定する。ステップＳ１６においてデータ変換されていない入力パラメータがあると判定された場合には、本制御ルーチンはステップＳ１１へと戻る。そして、ステップＳ１１では、データ変換されていない入力パラメータについて、上記のようにそのパラメータが空燃比関連パラメータであるか否かが判定される。一方で、ステップＳ１１においてデータ変換されていない入力パラメータはないと判定された場合には、本制御ルーチンは終了して、図４に示される制御ルーチンに戻る。

≪正解確率の比較≫
次に、本実施形態の効果について説明する。上述したように、本実施形態によると、理論空燃比からリッチ側及びリーン側への空燃比関連パラメータの変動がその変換データ値にそのまま反映され、また学習モデルにおいて特定の入力パラメータに過大に影響を受けることが抑制されるため、学習モデルにおける出力パラメータの推定精度を向上させることが可能となる。この効果を検証するため、本実施形態に係るデータ変換方法による変換データ値を用いて学習された学習モデルと、従来の正規化方法による変換データ値を用いて学習された学習モデルと、から出力された出力パラメータの推定値の推定精度（正解確率）の比較を実施した。以下、この比較結果について説明する。

本検証では、入力パラメータを上流側空燃比センサ７２の出力空燃比、下流側空燃比センサ７３の出力空燃比、吸入空気量及び内燃機関１の回転速度とし、出力パラメータを排気浄化触媒が異常状態である可能性及び正常状態である可能性とする学習モデルを用いた。そして、斯かる学習モデルから出力された出力パラメータの推定値に基づいて内燃機関が制御される車両を、異なる劣化度合いの排気浄化触媒を用いて、異なる車両状態（例えば重量など）及び異なる走行パターンでそれぞれ走行させた。ここで、テストデータを作成する際には、酸素吸蔵能力が所定の閾値を上回る正常状態及び所定の閾値を下回る異常状態の２つの排気浄化触媒をそれぞれ用いた。その結果、計２５６個の学習データ用のデータセット及び計６４個のテストデータ用のデータセットが得られた。この学習データ用のデータセット及びテストデータ用のデータセットは、各入力パラメータと各入力パラメータから得られるべき正解データ（すなわち、その走行中に用いられた排気浄化触媒の状態（異常状態又は正常状態）との組合せの集合で構成される。

また、本検証では、このようにして得らえた学習データ用のデータセット及びテストデータ用のデータセットについて、各入力パラメータのデータサンプリング間隔が１６ｍｓで、入力パラメータの１データ長が２５０サンプル（４秒）のデータサンプリングを実施した。このデータサンプリングでは、学習データについて２５サンプル（０．４秒）毎に１データを取得し、テストデータについて２５０サンプル（４秒）毎に１データを取得した。その結果、計２１２９３１個の学習データ及び計７３７１個のテストデータが得られた。

このようにして取得された学習データの入力パラメータを、本実施形態に係るデータ変換方法及び従来の正規化方法をそれぞれ用いてデータ変換し、斯かる変換データ値を含む学習データを用いて図３に示されるＣＮＮモデルをそれぞれ５０００epoch学習することにより、本実施形態に係るデータ変換方法及び従来の正規化方法による学習モデルをそれぞれ作成した。そして、各学習モデルについて、テストデータを用いて、排気浄化触媒の状態（異常状態又は正常状態）についての正解確率を検証した。なお、本検証では、排気浄化触媒が異常状態である可能性の推定値が正常状態である可能性の推定値よりも大きい場合には排気浄化触媒が異常状態であると判定し、その逆の場合には排気浄化触媒が正常状態であると判定した。

従来の正規化方法として、以下の式（４）を用いて変換データ値を算出する方法を用いた。
変換データ値＝（実測値−実測値の下限値）／（実測値の上限値−実測値の下限値） …（４）
この従来の正規化方法によると、入力パラメータの実測値が０〜１に正規化される。この従来の正規化方法の場合、学習モデルから出力された推定値に基づいて推定された排気浄化触媒の状態の正解確率は、９３．８８％であった。

また、別の従来の正規化方法として、上記式（１）を用いて変換データ値を算出する方法を用いた。この従来の正規化方法によると、入力パラメータの実測値が、その中央値を０として−１〜１に正規化される。この従来の正規化方法の場合、学習モデルから出力された推定値に基づいて判定された排気浄化触媒の状態の正解確率は、９５．７０％であった。

一方で、本実施形態に係るデータ変換方法では、一例として、上流側空燃比センサ７２の出力空燃比が１１．８８〜１６、下流側空燃比センサ７３の出力空燃比が１３．１３７〜１５、吸入空気量が５〜１０５［ｇ／ｓ］、内燃機関１の回転速度が０〜５０００［ｒｐｍ］である場合、吸入空気量及び内燃機関１の回転速度は上記式（１）に基づいて変換データ値が算出され、上流側空燃比センサ７２の出力空燃比及び下流側空燃比センサ７３の出力空燃比は上記式（３）に基づいて変換データ値が算出される。従って、上流側空燃比センサ７２の出力空燃比（１１．８８〜１６）は−１〜０．５１５に変換され、下流側空燃比センサ７３の出力空燃比（１３．１３７〜１５）は−１〜０．２７３に変換され、吸入空気量（５〜１０５［ｇ／ｓ］）及び内燃機関１の回転速度（０〜５０００［ｒｐｍ］）はそれぞれ−１〜１に変換される。

本実施形態に係るデータ変換方法の場合、学習モデルから出力された推定値に基づいて判定された排気浄化触媒の状態の正解確率は、９６．３２％であった。したがって、本実施形態に係るデータ変換方法では、従来の正規化方法と比較して、排気浄化触媒の状態の正解確率、すなわち学習モデルから出力された排気浄化触媒が異常状態である可能性の推定値及び正常状態である可能性の推定値の推定精度が向上していることがわかる。特に、９０％台での正解確率の向上は、機械学習の分野においては顕著な効果といえる。

１ 内燃機関
１０ 機関本体
４４ 排気浄化触媒
６０ 制御装置
６１ ＥＣＵ
６５ 処理部
８１ パラメータ値取得部
８２ データ変換部
８３ パラメータ値出力部
８４ 制御部

Claims (1)

1. 学習モデルの入力パラメータの実測値を変換して変換データ値を算出するデータ変換部と、
   前記変換データ値が入力されると、前記学習モデルを用いて、出力パラメータの推定値を出力するパラメータ値出力部と、
   前記出力パラメータの推定値に基づいて、内燃機関に関する制御を実行する制御部と、
   を備え、
   前記入力パラメータは、前記内燃機関の機関本体から排出される排気ガスの空燃比に関するパラメータを含み、
   前記制御部は、前記内燃機関の排気通路に設けられた排気浄化触媒に流入する排気ガスの目標空燃比を理論空燃比よりもリッチにするリッチ制御と前記目標空燃比を理論空燃比よりもリーンにするリーン制御とを実行し、
   前記データ変換部は、前記空燃比に関するパラメータについての変換データ値を、前記空燃比に関するパラメータの実測値が理論空燃比よりもリッチである場合と理論空燃比よりもリーンである場合とで正負の符号が逆になるように算出し、
   前記データ変換部は、前記空燃比に関するパラメータ以外の入力パラメータについての変換データ値を、前記空燃比に関するパラメータ以外の入力パラメータの実測値を正規化することにより算出し、
   前記データ変換部は、前記空燃比に関するパラメータについての変換データ値と前記空燃比に関するパラメータ以外の入力パラメータについての変換データ値との上限値同士及び下限値同士のいずれか一方が等しくなるように、各変換データ値を算出する、内燃機関の制御装置。

Images