JP2021050728A - 内燃機関の点火時期制御装置 - Google Patents

Abstract

【課題】点火時期の過剰遅角を防止する。【解決手段】ノッキングセンサ（１８）の出力値の夫々異なる周波数帯域のみを夫々通過させる複数個のバンドパスフィルタ（３７ａ—３７ｅ）と、各周波数帯域のバンドパスフィルタ（３７ａ—３７ｅ）に対して夫々に設けられた複数個の学習済みニューラルネットワーク（２０ａ—２０ｅ）とを具備する。各ニューラルネットワーク（２０ａ—２０ｅ）は、対応する周波数帯域のバンドパスフィルタ（３７ａ—３７ｅ）によりフィルタリングされた後のノッキングセンサ（１８）の出力値が入力されたときに、圧力センサ（１９）の出力値から求められるノッキング強度を代表する値の推定値を出力するように事前学習されている。機関運転時に取得されたノッキング強度を代表する値の推定値から特異な推定値を除いた一部の推定値を用いて最適なノッキング強度を代表する値の最適推定値が算出され、算出されたノッキング強度を代表する値の最適推定値に基づいて点火時期の遅角制御が行われる。【選択図】図２１

Description

本発明は内燃機関の点火時期制御装置に関する。

内燃機関では、燃焼室内において、混合気が点火された後、末端ガスが自着火すると圧力波が発生し、ノッキングが生ずる。ノッキングが生ずると機関本体が振動し、この場合、ノッキング強度が高くなるほど機関本体の振動が激しくなる。そこで、機関本体に機関本体の振動を検出するノッキングセンサを取り付け、ノッキングセンサにより検出された機関本体の振動の激しさからノッキング強度を検出し、ノッキング強度が閾値を越えたときにはノッキングが発生していると判断して点火時期を遅角するようにした内燃機関が公知である（例えば特許文献１を参照）。しかしながら機関本体は、例えば、吸気弁および排気弁の着座作用や、燃料噴射弁のニードルの着座作用等の機械的動作によっても振動し、従って、機関本体の振動を検出するようにしたノッキングセンサを用いると、このような機械的動作が原因で機関本体の振動強度が激しくなったときに、ノッキング強度が高くないにも拘わらず、ノッキング強度が高いと誤判定してしまうという問題がある。

特開２００６−２２６９６７号公報

一方、ノッキングが生じたときには、ノッキング強度が高くなるほど燃焼室内の圧力の変動が激しくなる。従って、点火により発生する混合気の燃焼圧を検出可能な圧力センサを用いると、この圧力センサの出力値の変動の激しさからノッキング強度を検出できることになる。この場合、例えば、ノッキング強度が高くなると、圧力センサの出力値のピーク値が高くなり、従って、この圧力センサの出力値のピーク値は、ノッキング強度を代表する値の一つであると言える。従って、このようなノッキング強度を代表する値から、ノッキング強度を検出することができることになる。この場合、機械的動作に基づく機関本体の振動は、圧力センサの出力値に影響を与えず、従って、ノッキング強度を代表する値にも影響を与えないので、圧力センサを用いると、ノッキング強度を精度よく検出することができることになる。

しかしながら、この圧力センサは極めて高価である。しかも圧力センサは長期間使用されると、圧力センサにデポジットが徐々に付着し、この付着したデポジットによって燃焼室内における混合気の燃焼形態が変化してしまう。従って、市販車に対して、このような圧力センサを用いることは難しい。そこで、本発明では、圧力センサの出力値から求められるノッキング強度を代表する値を、ニューラルネットワークを用いて、ノッキングセンサの出力値から推定するようにしている。即ち、ノッキングセンサの出力値が入力されると、ノッキング強度を代表する推定値が出力されるように、ニューラルネットワークの重みを学習し、重みの学習が完了した学習済みニューラルネットワークを用いて、ノッキングセンサの出力値から、ノッキング強度を代表する値を推定するようにしている。

市販車の制御装置にこのような学習済みニューラルネットワークを格納し、格納された学習済みニューラルネットワークを用いて、ノッキングセンサの出力値から、ノッキング強度を代表する値を推定すると問題を生ずる。即ち、機関の構成部品には公差があり、従って、市販車ごとに機関の構成部品の寸法がばらつくために、市販車毎に異なる機関の振動が発生する。しかしながら、学習済みニューラルネットワークは、このように市販車毎に発生する異なる機関の振動については、重みの学習がなされておらず、従って、このように重みの学習がなされていない機関の振動、即ち、未学習の機関の振動が発生すると、学習済みニューラルネットワークにおいて、ノッキングにより機関本体に振動が発生していると誤判断される場合がある。

ところが、このような誤判断が行われると、点火時期が過剰に遅角される危険性がある。即ち、ノッキングが発生していることが原因でノッキング強度を代表する値が閾値を越え、それにより点火時期が遅角されたときには、点火時期の遅角作用により燃焼圧が低下するためにノッキング強度を代表する値が低下する。その結果、ノッキング強度を代表する値が閾値以下となり、点火時期の遅角作用が停止される。一方、未学習の機関の振動が発生し、それによりノッキング強度を代表する値が閾値を越えた場合でも、点火時期が遅角される。しかしながら、このとき、点火時期の影響を受けない未学習の機関の振動が発生していた場合には、点火時期が遅角されても、未学習の機関の振動は抑制されない。従って、このとき、点火時期が遅角された後も点火時期の影響を受けない未学習の機関の振動が発生し続けた場合には、ノッキング強度を代表する値が閾値を越え続けることになり、点火時期の遅角作用が続行し続けることになる。その結果、点火時期が過剰に遅角し、それにより機関の出力が大幅に低下してしまうという問題を生ずることになる。

このような問題を解決するために、本発明によれば、ノッキングセンサの出力値の夫々異なる周波数帯域のみを夫々通過させる複数個のバンドパスフィルタと、各周波数帯域のバンドパスフィルタに対して夫々設けられておりかつ対応する周波数帯域のバンドパスフィルタによりフィルタリングされた後のノッキングセンサの出力値が夫々入力される複数個のニューラルネットワークを記憶した記憶装置とを具備しており、各ニューラルネットワークは、対応する周波数帯域のバンドパスフィルタによりフィルタリングされた後のノッキングセンサの出力値が入力されたときに、点火により発生する混合気の燃焼圧を検出するための圧力センサの出力値から求められるノッキング強度を代表する値の推定値を出力するように事前学習されており、更に、機関運転時に取得されたノッキングセンサの出力値を各バンドパスフィルタに入力すると共に各バンドパスフィルタから出力されたフィルタリング後のノッキングセンサの出力値を夫々対応する学習済みニューラルネットワークに入力して各学習済みニューラルネットワークから出力されたノッキング強度を代表する値の推定値を取得する推定値取得部と、この推定値取得部により取得されたノッキング強度を代表する値の推定値から特異な推定値を除いた一部の推定値を用いてノッキング強度を代表する値の最適推定値を算出する算出部と、この算出部において算出されたノッキング強度を代表する値の最適推定値に基づいて点火時期の遅角制御を行う制御部とを具備する内燃機関の点火時期制御装置が提供される。

重みの学習がなされていない機関の振動、即ち、未学習の機関の振動は、機関によって異なる特定の周波数帯域において生ずる。従って、本発明におけるように、ノッキングセンサの出力値の種々の異なる周波数帯域におけるノッキング強度を代表する値の推定値から特異な推定値を除いた一部の推定値を用いてノッキング強度を代表する値の推定値を求めると、このノッキング強度を代表する値の推定値は、未学習の機関の振動の影響をそれほど受けない値となる。従って、このノッキング強度を代表する値の推定値、即ち、上述の最適推定値に基づいて点火時期の遅角制御を行うと、点火時期を適切に遅角制御することができ、その結果、点火時期が過剰に遅角されるのを阻止することが可能となる。

図１は、内燃機関の全体図である。 図２は、図１に示す内燃機関の側面断面図である。 図３は、ニューラルネットワークの説明図である。 図４は、シリンダヘッドの底面図である。 図５は、内燃機関の全体図である。 図６Ａ、図６Ｂおよび図６Ｃは、ノッキングセンサの出力値を示す図である。 図７Ａ、図７Ｂおよび図７Ｃは、圧力センサの出力値を示す図である。 図８は、バンドパスフィルタとニューラルネットワークとの関係を示す図である。 図９は、本発明による実施例において用いられているニューラルネットワークを示す図である。 図１０は、訓練データセットを示す図である。 図１１は、学習処理ルーチンを示すフローチャートである。 図１２は、電子制御ユニットにデータを読み込むためのルーチンを示すフローチャートである。 図１３Ａ、図１３Ｂおよび図１３Ｃは、ノッキング強度を代表する値の最適推定値を説明するための図である。 図１４は、ノッキング処理ルーチンを示すフローチャートである。 図１５は、ノッキング強度代表値の推定ルーチンを示すフローチャートである。 図１６は、ノッキング強度代表値の推定ルーチンの別の実施例を示すフローチャートである。 図１７は、ノッキング強度を代表する値の最適推定値を算出するためのルーチンを示すフローチャートである。 図１８は、ノッキング判定ルーチンを示すフローチャートである。 図１９は、閾値Ｍij を示す図である。 図２０Ａおよび図２０Ｂは夫々、点火制御ルーチンを示すフローチャートおよび基準点火時期のマップを示す図である。 図２１は、本発明の機能構成図である。 図２２は、ノッキング処理の概要を示す図である。 図２３Ａおよび図２３Ｂは、ノッキング発生時の燃焼圧を説明するための図である。 図２４は、ノッキング判定を説明するための図である。 図２５Ａおよび図２５Ｂは、点火遅角量又は点火遅角速度と燃焼圧の上昇割合等との関係を示す図である。 図２６は、ノッキング判定を説明するための図である。 図２７Ａおよび図２７Ｂは、最適推定値ｙｅの予測値又は予測低下量を説明するための図である。 図２８Ａおよび図２８Ｂは、最適推定値ｙｅ予測値又は予測低下量を説明するための図である。 図２９は、入力パラメータの一覧表を示す図である。 図３０は、本発明による第２実施例において用いられている第２のニューラルネットワークを示す図である。 図３１は、データの一覧表を示す図である。 図３２は、訓練データセットを示す図である。 図３３は、ノッキング処理ルーチンを示すフローチャートである。 図３４は、ノッキング判定ルーチンを示すフローチャートである。 図３５は、ノッキング判定ルーチンを示すフローチャートである。 図３６は、点火制御ルーチンを示すフローチャートである。 図３７は、リカレントニューラルネットワークの説明図である。 図３８は、リカレントニューラルネットワークの説明図である。 図３９は、入力値および出力値の一覧表を示す図である。 図４０は、訓練データセットを示す図である。 図４１は、リカレントニューラルネットワークの説明図である。 図４２は、ノッキング処理ルーチンを示すフローチャートである。 図４３は、ノッキング判定ルーチンを示すフローチャートである。 図４４は、ノッキング判定ルーチンを示すフローチャートである。 図４５は、点火制御ルーチンを示すフローチャートである。 図４６は、ゲート区間と機関回転数との関係を示す図である。 図４７は、ゲート区間と分割区間を示す図である。 図４８Ａ，図４８Ｂおよび図４８Ｃは、運転領域を示す図である。 図４９は、内燃機関の全体図である。 図５０は、本発明による更に別の実施例において用いられている第１のニューラルネットワークを示す図である。 図５１は、訓練データセットを示す図である。 図５２は、変形例の全体構成を示す図である。 図５３は、ノッキングセンサの出力値を示す図である。 図５４は、スペクトルグラムを示す図である。 図５５は、ＮＭＦ処理を説明するための図である。 図５６は、ＮＭＦ処理を説明するための図である。 図５７Ａ、図５７Ｂおよび図５７Ｃは、変形例におけるＮＭＦ処理を説明するための図である。 図５８Ａおよび図５８Ｂは、ノッキング強度を代表する値の最適推定値の取得方法を説明するための図である。

＜内燃機関の全体構成＞
図１および図２に内燃機関の全体図を示す。図２を参照すると、１は機関本体、２はシリンダブロック、３はシリンダヘッド、４はシリンダブロック２内で往復動するピストン、５は燃焼室、６は吸気弁、７は吸気ポート、８は排気弁、９は排気ポート、１０は各燃焼室５内に燃料、例えば、ガソリンを供給するための燃料噴射弁、１１は各燃焼室５内に配置された点火栓を夫々示す。図１および図２を参照すると、吸気ポート７は夫々対応する吸気枝管１２を介してサージタンク１３に連結され、サージタンク１３は吸気ダクト１４および吸入空気量検出器１５を介してエアクリーナ１６に連結される。

一方、排気ポート９は排気マニホルド１７に連結され、排気マニホルド１７は、排気マニホルド１７内の排気ガスをサージタンク１３内に再循環させるための排気ガス再循環（以下、ＥＧＲと称す）通路２７を介してサージタンク１３に連結される。このＥＧＲ通路２７内にはＥＧＲ制御弁２８が配置される。図１に示される実施例では、機関の運転状態に応じたＥＧＲ率（-＝再循環排気ガス量/（再循環排気ガス量＋吸入空気量））が予め設定されており、ＥＧＲ制御弁２８は、ＥＧＲ率が予め設定されたＥＧＲ率となるように制御される。

図１および図２に示されるように、図１に示される実施例では、シリンダブロック２に、シリンダブロック２の振動、即ち、機関本体１の振動を検出するためのノッキングセンサ１８が取り付られている。図１に示される例では、このノッキングセンサ１８では、振動の検出素子として圧電素子が用いられており、このノッキングセンサ１８は機関本体１の振動に比例した出力電圧を発生する。なお、ノッキングが発生すると、機関本体１には、周波数が５KHzから２５KHz程度の範囲内の種々の周波数の振動が発生し、このときノッキングセンサ１８の出力電圧は、周波数が５KHzから２５KHz程度の範囲内の種々の周波数で変動する。従って、ノッキングセンサ１８の出力電圧の変動、即ち、ノッキングセンサ１８の出力値の変動から、ノッキングの発生を検出することができることになる。

一方、図１において３０は、機関の運転を制御するための電子制御ユニットを示している。図１に示されるように、電子制御ユニット３０はデジタルコンピュータからなり、双方向性バス３１によって互いに接続された記憶装置３２、即ち、メモリ３２と、ＣＰＵ（マイクロプロセッサ）３３と、入力ポート３４および出力ポート３５を具備する。ノッキングセンサ１８の出力信号は、対応するＡＤ変換器３６を介して、夫々異なる周波数帯域の信号のみを通過させる第１から第５の複数個のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅに入力され、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅの出力信号は入力ポート３４に入力される。

本発明による実施例では、バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅが、複数個の狭帯域バンドパスフィルタ、即ち、第２から第５のバンドパスフィルタ３７ｂ、３７ｃ、３７ｄ、３７ｅと、全ての狭帯域バンドパスフィルタ３７ｂ、３７ｃ、３７ｄ、３７ｅの周波数帯域を包含する広帯域バンドパスフィルタ、即ち、第１のバンドパスフィルタ３７ａからなる。この場合、図１に示される例では、第１のバンドパスフィルタ３７ａの周波数帯域は５ｋHz から２５ｋHzである。一方、第２のバンドパスフィルタ３７ｂの周波数帯域は、５ｋHz から１０ｋHzであり、第３のバンドパスフィルタ３７ｃの周波数帯域は、１０ｋHz から１５ｋHzであり、第４のバンドパスフィルタ３７ｄの周波数帯域は、１５ｋHz から２０ｋHzであり、第５のバンドパスフィルタ３７ｅの周波数帯域は、２０ｋHz から２５ｋHzである。

一方、図１に示されるように、入力ポート３４には、吸入空気量検出器１５の出力信号が、対応するＡＤ変換器３６を介して入力される。また、アクセルペダル４０にはアクセルペダル４０の踏込み量に比例した出力電圧を発生する負荷センサ４１が接続され、負荷センサ４１の出力電圧は対応するＡＤ変換器３６を介して入力ポート３４に入力される。更に入力ポート３４にはクランクシャフトが例えば３０°回転する毎に出力パルスを発生するクランク角センサ４２が接続される。ＣＰＵ３３内ではクランク角センサ４２の出力信号に基づいて機関回転数が算出される。一方、出力ポート３５は対応する駆動回路３８を介して各気筒の燃料噴射弁１０、点火栓１１およびＥＧＲ制御弁２８に接続される。
＜ニューラルネットワークの概要＞

本発明による実施例では、ニューラルネットワークを用いてノッキング強度を代表する値を推定するようにしている。そこで最初にニューラルネットワークについて簡単に説明する。図３は簡単なニューラルネットワークを示している。図３における丸印は人工ニューロンを表しており、ニューラルネットワークにおいては、この人工ニューロンは、通常、ノード又はユニットと称される（本願では、ノードと称す）。図３においてL＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。また、図３において、ｘ_１およびｘ_２ は入力層 ( L＝１) の各ノードからの出力値を示しており、ｙ_１ およびｙ_２ は出力層 ( L＝４) の各ノードからの出力値を示しており、ｚ^（２） _１、ｚ^（２） _２ およびｚ^（２） _３ は隠れ層 ( L＝２) の各ノードからの出力値を示しており、ｚ^（３） _１、ｚ^（３） _２ およびｚ^（３） _３は隠れ層 ( L＝３) の各ノードからの出力値を示している。なお、隠れ層の層数は、１個又は任意の個数とすることができ、入力層のノードの数および隠れ層のノードの数も任意の個数とすることができる。また、出力層のノードの数は１個とすることもできるし、複数個とすることもできる。

入力層の各ノードでは入力がそのまま出力される。一方、隠れ層 ( L＝２) の各ノードには、入力層の各ノードの出力値ｘ_１およびｘ_２ が入力され、隠れ層 ( L＝２) の各ノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値u が算出される。例えば、図３において隠れ層 ( L＝２) のｚ^（２） _ｋ（ｋ＝１，２，３）で示されるノードにおいて算出される総入力値u_ｋは、次式のようになる。

次いで、この総入力値u_ｋは活性化関数ｆにより変換され、隠れ層 ( L＝２) のｚ^（２） _ｋで示されるノードから、出力値ｚ^（２） _ｋ(= f (ｕ_ｋ)) として出力される。一方、隠れ層 ( L＝３) の各ノード には、隠れ層 ( L＝２) の各ノードの出力値ｚ^（２） _１、ｚ^（２） _２ およびｚ^（２） _３が入力され、隠れ層 ( L＝3 ) の各ノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出される。この総入力値ｕは同様に活性化関数により変換され、隠れ層 ( L＝3 ) の各ノードから、出力値ｚ^（３） _１、ｚ^（３） _２ およびｚ^（３） _３として出力される、この活性化関数としては、例えば、シグモイド関数σが用いられる。

一方、出力層 ( L＝４) の各ノード には、隠れ層 ( L＝３) の各ノードの出力値ｚ^（３） _１、ｚ^（３） _２ およびｚ^（３） _３が入力され、出力層 の各ノードでは、夫々対応する重みｗおよびバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出されるか、又は、夫々対応する重みｗのみを用いて総入力値ｕ（Σｚ・ｗ）が算出される。本発明による実施例では、出力層のノードでは、活性化関数として恒等関数が用いられており、従って、出力層のノードからは、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力される。
＜ニューラルネットワークにおける学習＞

さて、ニューラルネットワークの出力値ｙの正解値を示す教師データをｙ_ｔとすると、ニューラルネットワークにおける各重みｗおよびバイアスｂは、出力値ｙと教師データをｙ_ｔとの差が小さくなるように、誤差逆伝播法を用いて学習される。この誤差逆伝播法は周知であり、従って、誤差逆伝播法についてはその概要を以下に簡単に説明する。なお、バイアスｂは重みｗの一種なので、以下、バイアスｂも含めて重みｗと称する。さて、図３に示すようなニューラルネットワークにおいて、Ｌ＝２，Ｌ＝３又は Ｌ＝４の各層のノードへの入力値ｕ^（Ｌ）における重みをｗ^（Ｌ）で表すと、誤差関数Ｅの重みｗ^（Ｌ）による微分、即ち、勾配∂Ｅ/∂ｗ^（Ｌ）は、書き換えると、次式で示されるようになる。

ここで、ｚ^{（Ｌ−１）}・∂ｗ^（Ｌ）＝ ∂ｕ^（Ｌ）であるので、（∂Ｅ/∂ｕ^（Ｌ））＝δ^（Ｌ）とすると、上記（１）式は、次式でもって表すことができる。

ここで、ｕ^（Ｌ）が変動すると、次の層の総入力値ｕ^{（Ｌ＋１）}の変化を通じて誤差関数Ｅの変動を引き起こすので、δ^（Ｌ）は、次式で表すことができる。

ここで、z^（Ｌ）＝ｆ(u^（Ｌ）) と表すと、上記（３）式の右辺に現れる入力値ｕ_k ^{（Ｌ＋１）}は、次式で表すことができる。

ここで、上記（３）式の右辺第１項（∂Ｅ/∂ｕ^{（Ｌ＋１）}）はδ^{（Ｌ＋１）}であり、上記（３）式の右辺第２項（∂u_ｋ ^{（Ｌ＋１）} /∂u^（Ｌ））は、次式で表すことができる。

従って、δ^（Ｌ）は、次式で示される。

即ち、δ^{（Ｌ＋１）}が求まると、δ^（Ｌ）を求めることができることになる。

さて、出力層 ( L＝４) のノードが一個であって、或る入力値に対して教師データｙ_ｔが求められており、この入力値に対する出力層からの出力値がｙであった場合において、誤差関数として二乗誤差が用いられている場合には、二乗誤差Ｅは、Ｅ＝１/２(ｙ−ｙ_ｔ)^２で求められる。この場合、出力層（Ｌ＝４）のノードでは、出力値ｙ＝ ｆ(u^（Ｌ）) となり、従って、この場合には、出力層（Ｌ＝４）のノードにおけるδ^（Ｌ）の値は、次式で示されるようになる。

この場合、本発明による実施例では、前述したように、ｆ(u^（Ｌ）) は恒等関数であり、ｆ’(u^（Ｌｌ）) ＝ １となる。従って、δ^（Ｌ）＝ｙ−ｙ_ｔ となり、δ^（Ｌ）が求まる。

δ^（Ｌ）が求まると、上式（６）を用いて前層のδ^{（Ｌ−１）}が求まる。このようにして順次、前層のδが求められ、これらδの値を用いて、上式（２）から、各重みｗについて誤差関数Ｅの微分、即ち、勾配∂Ｅ/∂ｗ^（Ｌ）か求められる。勾配∂Ｅ/∂ｗ^（Ｌ）か求められると、この勾配∂Ｅ/∂ｗ^（Ｌ）を用いて、誤差関数Ｅの値が減少するように、重みｗが更新される。即ち、重みｗの学習が行われることになる。なお、図３に示されるように、出力層 ( L＝４) が複数個のノードを有する場合には、各ノードからの出力値をｙ_１、ｙ_１・・・、対応する教師データｙ_ｔ１、ｙ_ｔ２・・・とすると、誤差関数Ｅとして、次の二乗和誤差Ｅが用いられる。

この場合も、出力層 ( L＝４) の各ノードにおけるδ^（Ｌ）の値は、δ^（Ｌ）＝ｙ−ｙ_tk （ｋ＝１，２・・・ｎ）となり、これらδ^（Ｌ）の値から上式（６）を用いて前層のδ^{（Ｌ−１）}が求まる。
＜本発明による実施例＞

さて、内燃機関では、ノッキング強度が高くなるほど機関本体１の振動が激しくなる。従って、図１および図２に示されるように、機関本体１にノッキングセンサ１８を取り付け、ノッキングセンサ１８により検出された機関本体の振動の激しさからノッキング強度を検出することができる。しかしながら前述したように、機関本体１は、例えば、吸気弁６および排気弁８の着座作用や、燃料噴射弁１０のニードルの着座作用等の機械的動作によっても振動し、従って、機関本体１の振動を検出するようにしたノッキングセンサ１８を用いると、このような機械的動作が原因で機関本体の振動強度が激しくなったときに、ノッキング強度が高くないにも拘わらず、ノッキング強度が高いと誤判定してしまうという問題がある。

一方、前述したように、点火により発生する混合気の燃焼圧を検出可能な圧力センサを用いると、この圧力センサの出力値の変動の激しさからノッキング強度を検出できる。この場合、例えば、ノッキング強度が高くなると、５KHzから２５KHz程度の範囲内の種々の周波数内における圧力センサの出力値のピーク値が高くなり、従って、この圧力センサの出力値のピーク値は、ノッキング強度を代表する値の一つであると言える。従って、このようなノッキング強度を代表する値から、ノッキング強度を検出することができることになる。この場合、機械的動作に基づく機関本体の振動は、圧力センサの出力値に影響を与えず、従って、ノッキング強度を代表する値にも影響を与えないので、圧力センサを用いると、ノッキング強度を精度よく検出することができることになる。

しかしながら、この圧力センサは高価であり、しかも圧力センサに徐々に付着するデポジットにより燃焼室５内における混合気の燃焼形態が変化してしまうので、市販車において、このような圧力センサを用いることは難しい。そこで、本発明では、圧力センサの出力値から求められるノッキング強度を代表する値を、ニューラルネットワークを用いて、ノッキングセンサの出力値から推定するようにしている。このことを説明するに当たり、最初に、図４、図５、図６Ａから図６Ｃおよび図７Ａから図７Ｃを参照しつつ、ノッキングセンサの出力値と、圧力センサの出力値並びに圧力センサの出力値から求められるノッキング強度を代表する値について説明する。

図４および図５は夫々、ニューラルネットワークの重みの学習に必要なデータを取得するためにだけ用いられるシリンダヘッド３の底面図および機関本体１の一部を示している。図４および図５を参照すると、圧力センサの出力値から求められるノッキング強度を代表する値を、ノッキングセンサ１８の出力値から推定するために、各気筒のシリンダヘッド３の内壁面上には、夫々圧力センサ１９が配置される。各圧力センサ１９からは、夫々対応する燃焼室５内の圧力に比例した出力電圧、即ち、点火により発生する混合気の燃焼圧を示す出力値が出力される。なお、この場合、燃焼室５内の圧力は、点火栓と一体型の圧力センサを用いて計測することもできる。これら圧力センサ１９は、ニューラルネットワークの重みの学習に必要なデータを取得するためだけに用いられる。

さて、ノッキングは通常、圧縮上死点から圧縮上死点後９０°までの間に発生し、ノッキングが発生すると、機関本体１には、５KHzから２５KHz程度の範囲内の種々の周波数の振動が発生する。この場合、ノッキングの発生による機関本体１の振動は、燃焼室５内の圧力変動と同様に、５KHzから２５KHz程度の範囲内の全周波数に亘る振動に顕著に現れる場合もあるし、５ｋHz から１０ｋHz の周波数範囲内、１０ｋHz から１５ｋHzの周波数範囲内、１５ｋHz から２０ｋHzの周波数範囲内、および、２０ｋHz から２５ｋHzの周波数範囲内のいくつかの周波数範囲内に顕著に現れる場合もある。

従って、ノッキングの発生による機関本体１の振動からノッキングの発生を検出するには、これらの各周波数範囲内の機関本体１の振動が発生しているか否かを検出することが望ましい。従って、本発明による実施例では、図１に示されるように、ノッキングセンサ１８の出力信号が、種々の周波数帯域のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅに送り込まれ、これらバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによりフィルタリングされた後のノッキングセンサ１８の出力値に基づいて、ノッキングの強度が判別される。なお、このように各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅにより夫々、フィルタリングされた後のノッキングセンサ１８の出力値を、以下、単にフィルタリング後のノッキングセンサ１８の出力値と称する。

一方、本発明による実施例では、後述するように、圧力センサ１９の出力値も、ＡＤ変換された後、種々の周波数帯域のバンドパスフィルタに送り込まれ、これらデジタルバンドパスフィルタによりフィルタリングされた後の圧力センサ１９の出力値に基づいて、ノッキングの強度が判別される。なお、このようにデジタルバンドパスフィルタによりフィルタリングされた後の圧力センサ１９の出力値を、以下、単にフィルタリング後の圧力センサ１９の出力値と称する。

図６Ａおよび図７Ａは夫々、同一のノッキングの発生に対するフィルタリング後のノッキングセンサ１８の出力値（Ｖ）の変化と、フィルタリング後の圧力センサ１９の出力値の変化（Ｖ）とを示している。なお、図６Aは、一例として、第１のバンドパスフィルタ３７ａによるフィルタリング後のノッキングセンサ１８の出力値の変化を示しており、図７Ａは、第１のバンドパスフィルタ３７ａと同じ周波数帯域のバンドパスフィルタによるフィルタリング後の圧力センサ１９の出力値の変化を示している。また、図６Ａの横軸および図７Ａの横軸は共に、ＡＴＤＣで表したクランク角（圧縮上死点から圧縮上死点後９０°）を示している。

図６Ａおよび図７Ａを比較するとわかるように、図７Ａに示されるフィルタリング後の圧力センサ１９の出力値の振動強度は、ノッキングが発生すると急激に増大し、その後、次第に減少していく。即ち、圧力センサ１９の出力値は、機械的動作に基づく機関本体の振動の影響を受けないために、ノッキングの発生が圧力センサ１９の出力値に明確に表れる。これに対し、図６Ａに示されるフィルタリング後のノッキングセンサ１８の出力値の振動強度も、ノッキングが発生すると増大はするが、ノッキングセンサ１８の出力値は機械的動作に基づく機関本体の振動の影響を大きく受けるため、ノッキングセンサ１８の出力値の振動強度は、ノッキングが発生した前後においても大きな値となっている。即ち、ノッキングセンサ１８の出力値には、機械的動作に基づく機関本体の振動がノイズとなって現れるため、ノッキングの発生が、ノッキングセンサ１８の出力値に明確に表れなくなる。

従って、ノッキングが発生したか否かは、圧力センサ１９の出力値から明確に判別できることになる。この場合、圧力センサ１９の出力値には、発生したノッキングの強度も明確に現れる。次に、このことについて、図７Ｂおよび図７Ｃを参照しつつ説明する。なお、図７Ｂおよび図７Ｃは、図７Ａに示されるフィルタリング後の圧力センサ１９の出力値の波形の一部を横軸方向に引き伸ばして図解的に表した図である。

さて、発生したノッキングの強度が高くなると、フィルタリング後の圧力センサ１９の出力値のピーク値が高くなる。従って、図７Ｂにおいて丸印で示されるフィルタリング後の圧力センサ１９の出力値のピーク値は、ノッキング強度を代表する値を示していることになる。一方、発生したノッキングの強度が高くなると、図７Ｃにおいて出力値の波形と出力値が０（Ｖ）の線とで囲まれたハッチングで示される面積の総和、即ち、フィルタリング後の圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）が高くなる。従って、フィルタリング後の圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）も、ノッキング強度を代表する値を示していることになる。このように圧力センサ１９の出力値からノッキング強度を代表する値を取得することができる。

一方、ノッキングセンサ１８の出力値からは、このようなノッキング強度を代表する値を抽出することは難しい。そこで本発明では、ニューラルネットワークを用い、ノッキングセンサ１８の出力値に基づいて、圧力センサ１９の出力値から求められるノッキング強度を代表する値を取得し得るようにニューラルネットワークの重みを学習し、それにより圧力センサ１９の出力値から求められるノッキング強度を代表する値を、学習済みのニューラルネットワークを用いてノッキングセンサ１８の出力値から推定するようにしている。

この場合、本発明では、図８に示されるように、第１から第５の各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅに対して夫々ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられており、第１から第５の各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅにより夫々フィルタリングされた後のノッキングセンサ１８の出力値が夫々、対応するニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに入力され、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習は、ニューラルネットワーク毎に行われる。例えば、ニューラルネットワーク２０ａについて説明すると、第１のバンドパスフィルタ３７ａによるフィルタリング後のノッキングセンサ１８の出力値に基づいて、第１のバンドパスフィルタ３７ａと同じ周波数帯域のバンドパスフィルタによるフィルタリング後の圧力センサ１９の出力値から求められるノッキング強度を代表する値を取得し得るようにニューラルネットワーク２０ａの重みの学習が行われる。第２から第５の他のニューラルネットワーク２０ｂ、２０ｃ、２０ｄ、２０ｅについても同様である。

そこで次に、フィルタリング後のノッキングセンサ１８の出力値に基づいて、圧力センサ１９の出力値から求められるノッキング強度を代表する値を取得し得るように各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みを学習する方法について説明する。図８に示される例では、これらニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは同一の構造を有しており、これらニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの一例が図９に示されている。従って。最初に、図９に示されるニューラルネットワークの構造について説明する。なお、これらニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは、第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅと称される場合もある。

図９を参照すると、このニューラルネットワーク２０においても、図３に示されるニューラルネットワークと同様に、L＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。図９に示されるように、入力層 ( L＝１) がｎ個のノードからなり、ｎ個の入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎが、入力層 ( L＝１) の各ノードに入力されている。一方、図９には隠れ層 ( L＝２)および隠れ層 ( L＝３)が記載されているが、これら隠れ層の層数は、１個又は任意の個数とすることができ、またこれら隠れ層のノードの数も任意の個数とすることができる。なお、出力層 ( L＝４) のノードの数は１個とされており、出力層のノードからの出力値がｙｉ（ｉ＝１，２，３，４，５）で示されている。

次に、図９における入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎと、出力値ｙｉについて説明する。最初に、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎについて図６Ｂおよび図６Ｃを参照しつつ説明する。なお、図６Ｂおよび図６Ｃは、図６Ａに示されるノッキングセンサ１８の出力値の波形の一部を横軸方向に引き伸ばして図解的に表した図である。本発明による実施例では、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとして、図６Ｂに示される値か、或いは、図６Ｃに示される値が用いられる。

即ち、図６Ｂに示される例では、フィルタリング後のノッキングセンサ１８の出力値そのものが入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。この場合、図６Ｂにおいて黒丸で示されるように、一定時間毎の、或いは、一定クランク角毎のノッキングセンサ１８の出力値が入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。即ち、この場合、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値そのものが、対応するニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。

一方、図６Ｃに示される例では、フィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）であって例えば一定クランク角度内におけるフィルタリング後のノッキングセンサ１８の出力値の積分値が入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。この場合、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）であって例えば一定クランク角度内におけるフィルタリング後のノッキングセンサ１８の出力値の積分値が、対応するニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。

一方、本発明の実施例では、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後の圧力センサ１９の出力値から夫々求められるノッキング強度を代表する値が、図９に示される出力値ｙｉ（ｉ＝１，２，３，４，５）とされる。この場合、図７Ｂにおいて丸印で示される圧力センサ１９の出力値のピーク値はノッキング強度を表しており、また、図７Ｃに示される圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）もノッキング強度を表している。従って、本発明の実施例では、図７Ｂにおいて丸印で示される圧力センサ１９の出力値のピーク値が出力値ｙｉ（ｉ＝１，２，３，４，５）とされるか、或いは、図７Ｃに示される圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）が出力値ｙｉ（ｉ＝１，２，３，４，５）とされる。この場合、圧力センサ１９の出力値から求められるノッキング強度を代表する値の実測値が教師データｙｔとされる。

図１０は、入力値ｘ_１、ｘ_２・・・ｘ_ｍ−１、ｘ_ｍと、入力値がｘ_１、ｘ_２・・・ｘ_ｍ−１、ｘ_ｍであるときに圧力センサ１９の出力値から求められるノッキング強度を代表する値の実測値、即ち、教師データｙｔとを用いて作成された訓練データセットを示している。この訓練データセットは、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ毎に作成される。図１０に示されるように、この訓練データセットでは、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎと教師データｙｔとの関係を表すｍ個のデータが取得されている。例えば、２番目のデータ（No. 2）には、取得された入力値ｘ_１２、ｘ_{２２・・・}ｘ_ｍ−１２、ｘ_ｍ２と教師データｙｔ_２とが列挙されており、ｍ−１番目のデータ（No. ｍ−１）には、取得された入力パラメータの入力値ｘ_１ｍ−１、ｘ_{２ｍ−１・・・}ｘ_{ｎ−１ｍ−１}、ｘ_ｎｍ−１と教師データｙｔ_ｍ−１が列挙されている。

入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとして、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値そのものを用いる場合には、例えば、圧縮上死点から圧縮上死点後９０°までの間において一定クランク角毎に取得されたフィルタリング後のノッキングセンサ１８の出力値が、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。この場合には、入力値の個数ｎが数百以上とされ、従って、図９に示される入力層 ( L＝１) のノードの個数ｎが数百以上とされる。

一方、本発明の実施例では、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとして、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）を用いる場合には、圧縮上死点から圧縮上死点後９０°までの間がクランク角度５°毎に１８個の区間に分割され、分割された各区間内におけるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）が、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとされる。この場合には、入力値の個数ｎは１８個となり、従って、図９に示される入力層 ( L＝１) のノードの個数ｎは１８個とされる。

一方、図１０に示される訓練データセットにおける教師データｙｔは、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後の圧力センサ１９の出力値から夫々求められるノッキング強度を代表する値の実測値であり、この教師データｙｔとしては、図７Ｂにおいて丸印で示される圧力センサ１９の出力値のピーク値が用いられるか、或いは、図７Ｃに示される圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）が用いられる。ところで、本発明による実施例では、図１０に示される訓練データセットを用いて、図９に示されるニューラルネットワーク２０の重みの学習、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。そこで次に、図４および図５を参照しつつ、図１０に示される訓練データセットの作成方法について説明する。

図４および図５には、図１０に示される訓練データセットの作成方法の一例が示されている。図４および図５を参照すると、各気筒の燃焼室５に面するシリンダヘッド３の内壁面上には、ノッキング強度を代表する値を取得するために、夫々圧力センサ１９が配置されている。これら圧力センサ１９は、前述したように、学習に必要なデータを取得するためだけに設けられている。一方、図５に示される例では、ノッキングセンサ１８は、ノッキングセンサ１８の出力値の波形を検出可能な検出器２１、例えば、オシロスコープに接続され、各圧力センサ１９は、各圧力センサ１９の出力値の波形を検出可能な検出器２２、例えば、オシロスコープに接続されている。

検出器２１内では、ノッキングセンサ１８の出力値は、ＡＤ変換された後、５KHzから２５KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、５KHzから１０KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、１０KHzから１５KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、１５KHzから２０KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、および２０KHzから２５KHzの周波数の入力信号のみを通過させるバンドパスフィルタに送り込まれ、これらバンドパスフィルタによりフィルタリングされた後のノッキングセンサ１８の出力値の波形が検出される。

一方、検出器２２では、圧力センサ１９の出力値は、ＡＤ変換された後、５KHzから２５KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、５KHzから１０KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、１０KHzから１５KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、１５KHzから２０KHzの周波数の入力信号のみを通過させるバンドパスフィルタ、および２０KHzから２５KHzの周波数の入力信号のみを通過させるデジタルバンドパスフィルタに送り込まれ、これらデジタルバンドパスフィルタによりフィルタリングされた後の圧力センサ１９の出力値の波形が検出される。

訓練データセットを作成する際には、機関負荷、機関回転数およびＥＧＲ率の種々の組み合わせについてノッキングの発生しない運転状態とノッキングの発生する運転状態の双方の状態が生ずるように機関を運転させ、そのとき各検出器２１、２２から得られたフィルタリング後のノッキングセンサ１８の出力値の波形データおよびフィルタリング後の圧力センサ１９の出力値の波形データに基づいて、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに対する図９に示されるような訓練データセットが作成される。この場合、これら訓練データセットは、各検出器２１、２２から得られた波形データに基づき、手作業でもって作成することもできるし、各検出器２１、２２から得られた電子データに基づき、電子的に作成することもできる。このようにして作成された訓練データセットの電子データを用いて、図９に示されるニューラルネットワーク２０の重みの学習、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。

図５に示される例では、図９に示されるニューラルネットワークの重みの学習、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習を行うための学習装置２３が設けられている。図５に示されるように、この学習装置２３は、記憶装置２４、即ち、メモリ２４と、ＣＰＵ（マイクロプロセッサ）２５を具備している。図５に示される例では、図９に示されるニューラルネットワーク２０のノード数、および各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに対して作成された訓練データセットの電子データが学習装置２３のメモリ２４に記憶され、ＣＰＵ２５において図９に示されるニューラルネットワーク２０の重みの学習、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。

次に、入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎとして、圧縮上死点から圧縮上死点後９０°までの間においてクランク角度５°毎に分割された各区間内におけるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）を用い、教師データｙｔとして、圧力センサ１９の出力値のピーク値の実測値を用いて、学習装置２３により行われるニューラルネットワークの重みの学習方法について説明する。

図１１は、学習装置２３において行われる図９に示されるニューラルネットワーク２０の重みの学習処理ルーチン、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習処理ルーチンを示す。
図１１を参照すると、まず初めに、ステップ１００において、学習装置２３のメモリ２４に記憶されている各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに対する訓練データセットの各データが読み込まれる。次いで、ステップ１０１において、ニューラルネットワーク２０の入力層 ( L＝１) のノード数、隠れ層 ( L＝２)および隠れ層 ( L＝３)のノード数および出力層 ( L＝４) のノード数が読み込まれ、これらノード数に基づいて、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに対し、図９に示されるようなニューラルネットワーク２０が作成される。この場合、この例では、入力層 ( L＝１) のノード数は１８個とされ、出力層 ( L＝４) のノード数は１個とされる。

次いで、ステップ１０２では、図９に示されるニューラルネットワーク２０の重みの学習、即ち、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。最初は、例えば、ニューラルネットワーク２０ａに対する図１０の１番目（No. 1）の入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎ、即ち、入力値ｘ_１、ｘ_２・・・ｘ₁₇、ｘ₁₈がニューラルネットワーク２０ａの入力層 ( L＝１) の１８個の各ノードに入力される。次いで、このときのニューラルネットワーク２０ａの出力値ｙ_１と１番目（No. 1）の教師データｙｔ_１との間の二乗誤差Ｅ＝１/２(ｙ_１−ｙ_ｔ１)^２が算出され、この二乗誤差Ｅが小さくなるように、前述した誤差逆伝播法を用いて、ニューラルネットワーク２０ａの重みの学習が行われる。

図１０の１番目（No. 1）のデータに基づくニューラルネットワーク２０ａの重みの学習が完了すると、次に、図１０の２番目（No. ２）のデータに基づくニューラルネットワーク２０ａの重みの学習が、誤差逆伝播法を用いて行われる。同様にして、図１０のｍ番目（No. ｍ）まで順次、ニューラルネットワーク２０ａの重みの学習が行われる。図１０の１番目（No. 1）からｍ番目（No. ｍ）までの全てについてニューラルネットワーク２０ａの重みの学習が完了すると、ステップ１０３に進む。

ステップ１０３では、例えば、図１０の１番目（No. 1）からｍ番目（No. ｍ）までの全てのニューラルネットワーク２０ａの出力値ｙ_１と教師データｙｔとの間の二乗和誤差Ｅが算出され、この二乗和誤差Ｅが、予め設定された設定誤差以下になったか否かが判別される。二乗和誤差Ｅが、予め設定された設定誤差以下になっていないと判別されたときには、ステップ１０２に戻り、再度、ニューラルネットワーク２０ａに対する図１０に示される訓練データセットに基づいて、ニューラルネットワーク２０の重み学習が行われる。次いで、二乗和誤差Ｅが、予め設定された設定誤差以下になるまで、ニューラルネットワーク２０ａの重みの学習が続行される。ステップ１０３において、二乗和誤差Ｅが、予め設定された設定誤差以下になったと判別されたときには、ステップ１０４に進んで、ニューラルネットワーク２０ａの学習済み重みが学習装置２３のメモリ２４に記憶される。このようにして５KHzから２５KHzの周波数帯域におけるノッキング強度を代表する値ｙ_１の推定モデルが作成される。

次いで、ステップ１０５では、全てのニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅについて学習が完了したか否かが判別される。全てのニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅについて学習が完了していないときには、ステップ１０２に戻って、まだ学習の完了していないニューラルネットワーク、例えば、ニューラルネットワーク２０ｂの重みの学習が開始される。その後、ニューラルネットワーク２０ｂの重みの学習が完了すると、ステップ１０４において、ニューラルネットワーク２０ｂの学習済み重みが学習装置２３のメモリ２４に記憶される。それにより５KHzから１０KHzの周波数帯域におけるノッキング強度を代表する値ｙ_２の推定モデルが作成される。

同様にして、順次、ニューラルネットワーク２０ｃ、２０ｄ、２０ｅの重みの学習が行われ、それにより、１０KHzから１５KHzの周波数帯域におけるノッキング強度を代表する値ｙ_３の推定モデル、１５KHzから２０KHzの周波数帯域におけるノッキング強度を代表する値ｙ_４の推定モデル、および２０KHzから２５KHzの周波数帯域におけるノッキング強度を代表する値ｙ_５の推定モデルが作成される。

全てのニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が完了すると、これらの学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ、即ち、各周波数帯域におけるノッキング強度を代表する値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の推定モデルが、市販車両の電子制御ユニット３０内に格納される。図１２は、これらの学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ、即ち、各周波数帯域におけるノッキング強度を代表する値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の推定モデルを電子制御ユニット３０内に格納するために、電子制御ユニット３０内において行われる電子制御ユニットへのデータ読み込みルーチンを示している。

即ち、図１２に示されるように、ステップ１１０において、図９に示されるニューラルネットワーク２０の入力層 ( L＝１) のノード数、隠れ層 ( L＝２、L＝３) のノード数および出力層 ( L＝４) のノード数が、電子制御ユニット３０のメモリ３２に読み込まれ、これらノード数に基づき、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに対し、図９に示されるようなニューラルネットワーク２０が作成される。次いで、ステップ１１１において、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの学習済みの重みが電子制御ユニット３０のメモリ３２に読み込まれる。それにより、学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ、即ち、各周波数帯域におけるノッキング強度を代表する値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の推定モデルが、機関の電子制御ユニット３０内に格納される。

さて、市販車両の電子制御ユニット３０内に、学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ、即ち、各周波数帯域におけるノッキング強度を代表する値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の推定モデルが格納されると、機関運転時には、図８に示されるように、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅからは、夫々、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ が出力される。この場合、各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅから出力されるノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ のうちで、ノッキングの発生による機関本体１の振動が顕著に現れる周波数帯域に対応した推定値が高くなる。

ところで、前述したように、ノッキングの発生による機関本体１の振動は、５KHzから２５KHz程度の範囲内の全周波数に亘る振動に顕著に現れる場合もあるし、また、５ｋHz から１０ｋHz の周波数範囲内、１０ｋHz から１５ｋHzの周波数範囲内、１５ｋHz から２０ｋHzの周波数範囲内、および、２０ｋHz から２５ｋHzの周波数範囲内のいくつかに顕著に現れる場合もある。即ち、ノッキングが発生した場合には、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ のいくつかが高くなる。

図１３Ａは、ノッキングが発生したときのノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の一例を示している。図１３Ａに示される例では、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ のうちで、ノッキング強度を代表する値の推定値ｙ_２ が最も高く、ノッキング強度を代表する値の推定値ｙ_３ が最も低くなっている。この場合、ノッキング強度を代表する値の推定値としては、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて算出された値が最適であると考えられる。そこで本発明では、ノッキング強度を代表する値の最適推定値ｙｅを、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値から求めるようにしている。

この場合、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて、ノッキング強度を代表する値の最適推定値ｙｅを求める方法は、種々の方法があり、その方法の一つが図１３Ｂに示されている。図１３Ｂに示される方法では、図１３Ｂに示されるように、ノッキング強度を代表する値の推定値ｙv、ｙw、ｙx、ｙy、ｙz のうちで最大の推定値ｙy と最小の推定値ｙz のを除いた残りの推定値ｙv、ｙw、ｙx の平均値が、ノッキング強度を代表する値の最適推定値ｙｅとされる。図１３Ａに示される場合には、ノッキング強度を代表する値の最適推定値ｙｅが、ノッキング強度を代表する値の推定値ｙ_１、ｙ_４、ｙ_５ の平均値となる。

一方、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて、ノッキング強度を代表する値の最適推定値ｙｅを求める別の方法は、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５の中の一部の推定値の塊であって最も値の近い推定値の塊の平均値を、ノッキング強度を代表する値の最適推定値ｙｅとする方法である。この方法が図１３Ｃに示されている。図１３Ｃに示される方法では、図１３Ｃに示されるように、ノッキング強度を代表する値の推定値ｙv からみて最も離れたノッキング強度を代表する値の推定値がｙy、ｙz であるときには、ノッキング強度を代表する値の推定値ｙw、ｙx がノッキング強度を代表する値の推定値ｙv に最も値の近い推定値の塊とされ、これら推定値ｙw、ｙx と推定値ｙv との差の和Ｓ（＝|ｙv ―ｙw | +|ｙv ―ｙx |）が算出される。

なお、図１３Ｃには、図１３Ａに示されるノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の各々について、各ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ がら最も値の近い推定値の塊と、これら各ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ とこれら最も値の近い推定値との差の和Ｓが示されている。この例では、図１３Ｃに示される差の和Ｓ中で最も和Ｓの小さい三つの推定値の平均値が、ノッキング強度を代表する値の最適推定値ｙｅとされる。例えば、図１３Ｃにおいて、ノッキング強度を代表する値の推定値ｙ_１ とこれに最も値の近い推定値がｙ_２、ｙ_４ の差の和Ｓが最も小さかったとすると、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_４ の平均値が、ノッキング強度を代表する値の最適推定値ｙｅとされる。即ち、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ の中の一部の推定値の塊であって最も値の近い推定値の塊の平均値が、ノッキング強度を代表する値の最適推定値ｙｅとされる。

このようにノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて、ノッキング強度を代表する値の最適推定値ｙｅを求めると、求められたノッキング強度を代表する値の最適推定値ｙｅは、実際のノッキング強度により近い値となり、しかも最適推定値ｙｅは推定値の平均値であるために未学習の機関の振動の影響をそれほど受けない値となる。従って、このノッキング強度を代表する値の最適推定値ｙｅに基づいて点火時期の遅角制御を行うと、点火時期を適切に遅角制御することができ、その結果、点火時期が過剰に遅角されるのを阻止することが可能となる。なお、ノッキング強度を代表する値の最適推定値ｙｅは、Ｋ means 法を用いて求めることもできる。

次に、電子制御ユニット３０のメモリ３２内に格納された学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いて、機関運転時に実行されるノッキング処理について説明する。図１４は、この機関運転時に実行されるノッキング処理ルーチンを示している。図１４に示されるように、このノッキング処理ルーチンが実行されると、まず初めにステップ１２０において、圧力センサ１９の出力値から求められるノッキング強度を代表する値、即ち、ノッキング強度代表値の推定処理が行われる。次いで、ステップ１２１では、ノッキング強度を代表する値の最適推定値ｙｅの算出処理が行われる。次いで、ステップ１２２では、ノッキングが生じているか否かのノッキング判定処理が行われ、次いで、ステップ１２３では、点火制御が行われる。

図１５は、図１４のステップ１２０において行われるノッキング強度代表値の推定処理ルーチンの一実施例を示している。このルーチンは、一定クランク角毎、或いは、一定時間毎の割り込みにより実行される。図１５を参照すると、まず初めに、ステップ１３０において、ノッキングセンサ１８の出力信号の取り込み期間中であるか否かが判別される。この実施例では、ノッキングセンサ１８の出力信号の取り込み期間が圧縮上死点から圧縮上死点後９０°までの間とされている。従って、クランク角が圧縮上死点前であるときには、処理サイクルを終了し、クランク角が圧縮上死点を過ぎるとノッキングセンサ１８の出力信号の取り込み期間中であると判別され、ステップ１３１に進む。

ステップ１３１では、ノッキングセンサ１８の出力信号が、対応するＡＤ変換器３６および各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介して取り込まれる。即ち、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値が取り込まれる。次いで、ステップ１３２では、取り込まれたフィルタリング後のノッキングセンサ１８の出力値が電子制御ユニット３０のメモリ３２内に記憶される。次いで、ステップ１３３では、ノッキングセンサ１８の出力信号の取り込み期間が終了したか否かが判別される。即ち、クランク角が圧縮上死点後９０°に達したか否かが判別される。ステップ１３３において、ノッキングセンサ１８の出力信号の取り込み期間が終了していないと判別されたとき、即ち、クランク角が圧縮上死点後９０°に達していないと判別されたときには処理サイクルを終了する。

これに対し、ステップ１３３において、ノッキングセンサ１８の出力信号の取り込み期間が終了したと判別されたとき、即ち、クランク角が圧縮上死点後９０°に達したと判別されたときにはステップ１３４に進む。このときメモリ３２内には図６Ｂの黒丸で示すような各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値が記憶されている。ステップ１３４では、このメモリ３２内に記憶されているフィルタリング後のノッキングセンサ１８の出力値が、順次、対応する学習済みのニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの入力層 ( L＝１) の各ノードに入力される。このとき、学習済みの各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅからはノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）が出力され、従って、ステップ１３６に示されているように、ノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）が算出されることになる。

図１６は、図１４のステップ１２０において行われるノッキング強度代表値の推定処理ルーチンの別の実施例を示している。このルーチンも、一定クランク角毎、或いは、一定時間毎の割り込みにより実行される。なお、図１６のステップ１４０からステップ１４３の内容は、図１５のステップ１３０からステップ１３３の内容と同一である。即ち、図１６を参照すると、まず初めに、ステップ１４０において、ノッキングセンサ１８の出力信号の取り込み期間中であるか否かが判別される。この実施例でも、ノッキングセンサ１８の出力信号の取り込み期間が圧縮上死点から圧縮上死点後９０°までの間とされている。従って、クランク角が圧縮上死点前であるときには、処理サイクルを終了し、クランク角が圧縮上死点を過ぎるとノッキングセンサ１８の出力信号の取り込み期間中であると判別され、ステップ１４１に進む。

ステップ１４１では、ノッキングセンサ１８の出力信号が、対応するＡＤ変換器３６および各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介して取り込まれる。即ち、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値が取り込まれる。次いで、ステップ１４２では、取り込まれたフィルタリング後のノッキングセンサ１８の出力値が電子制御ユニット３０のメモリ３２内に記憶される。次いで、ステップ１４３では、ノッキングセンサ１８の出力信号の取り込み期間が終了したか否かが判別される。即ち、クランク角が圧縮上死点後９０°に達したか否かが判別される。ステップ１４３において、ノッキングセンサ１８の出力信号の取り込み期間が終了していないと判別されたとき、即ち、クランク角が圧縮上死点後９０°に達していないと判別されたときには処理サイクルを終了する。

これに対し、ステップ１４３において、ノッキングセンサ１８の出力信号の取り込み期間が終了したと判別されたとき、即ち、クランク角が圧縮上死点後９０°に達したと判別されたときにはステップ１４４に進む。ステップ１４４では、メモリ３２内に記憶されているフィルタリング後のノッキングセンサ１８の出力値に基づいて、図６Ｃを参照しつつ説明したように、クランク角度５°毎に分割された各区間内における各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）が算出される。次いで、ステップ１４５では、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによるフィルタリング後のノッキングセンサ１８の出力値の算出された各積分値が、対応する学習済みのニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの入力層 ( L＝１) の各ノードに入力される。このとき、学習済みの各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅからはノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）が出力され、従って、ステップ１４６に示されているように、ノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）が算出されることになる。

図１７は、図１５のステップ１３５において算出されたノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）、又は図１６のステップ１４６において算出されたノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）に基づき、図１４のステップ１２１において行われる最適推定値ｙｅの算出ルーチンを示している。このルーチンは、一定クランク角毎の割り込みにより実行される。図１７を参照すると、まず初めに、ステップ１５０において、ノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）が読み込まれる。次いで、ステップ１５１および１５２においてノッキング強度を代表する値の最適推定値ｙｅが算出される。

例えば、図１３Ｂに示される場合を例にとって説明すると、ステップ１５１では、ノッキング強度を代表する値の推定値ｙｉのうちで最大の推定値ｙy と最小の推定値ｙz を除いた残りの推定値ｙv、ｙw、ｙx が選定され、次いで、ステップ１５２では、選定された推定値ｙv、ｙw、ｙxの平均値が、ノッキング強度を代表する値の最適推定値ｙｅとされる。このようにしてノッキング強度を代表する値の最適推定値ｙｅが求められる。

図１８は、このようにして求められたノッキング強度を代表する値の最適推定値ｙｅに基づき、図１４のステップ１２２において行われるノッキング判定ルーチンを示している。このルーチンは、一定クランク角毎の割り込みにより実行される。図１８を参照すると、まず初めに、ステップ１６０において、ノッキング強度を代表する値に対する閾値Ｍij が読み込まれる。この閾値Ｍij は、図１９に示されるように、機関負荷Ｌと機関回転数Ｎに応じて複数個に分割された各機関運転領域に対して予め設定されている。

次いで、ステップ１６１では、算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいか否かが判別される。算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きくないと判別されたときにはステップ１６２に進んで、ノッキングが発生していないと判別され、次いで処理サイクルを終了する。なお、以下、このようにノッキング強度を代表する値の推定値ｙe が閾値Ｍij よりも大きくないときには、たとえ弱いノッキングが発生していたとしても、処理説明の便宜上、ノッキングが発生していないと言う。一方、算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいと判別されたときにはステップ１６３に進んで、ノッキングが発生していると判別され、次いで処理サイクルを終了する。

図２０Ａは、図１８に示されるノッキング判定ルーチンにおける判定結果に基づき電子制御ユニット３０内で実行される点火制御ルーチンを示している。このルーチンは、一定クランク角毎の割り込みにより実行される。図２０Ａを参照すると、まず初めに、ステップ１７０において、基準点火時期ＩＧ（ＢＴＤＣ）が算出される。この基準点火時期ＩＧは、機関負荷Ｌと機関回転数Ｎの関数として、図２０Ｂに示されるようなマップの形で予めメモリ３２内に記憶されている。次いで、ステップ１７１では、図１８に示されるノッキング判定ルーチンにおける判定結果に基づき、ノッキングが発生したか否かが判別される。ノッキングが発生したと判別されたときにはステップ１７２に進む。

ステップ１７２では、点火時期を遅角させるために点火時期遅角量ΔＩＧに一定量αが加算される。次いで、ステップ１７６では、基準点火時期ＩＧから点火時期遅角量ΔＩＧを減算することによって最終的な点火時期ＩＧＯが算出される。この最終的な点火時期ＩＧＯに基づいて。点火栓１１による点火作用が制御される。このとき点火時期は一定量αだけ遅角される。一方、ステップ１７１において、ノッキングが発生していないと判別されたときにはステップ１７３に進み、点火時期を進角させるために点火時期遅角量ΔＩＧから一定量βが減算される。

次いで、ステップ１７４では、点火時期遅角量ΔＩＧか負になったか否かが判別され、点火時期遅角量ΔＩＧか負になっていないときにはステップ１７６に進んで、最終的な点火時期ＩＧＯが算出される。このときには、点火時期は一定量βだけ進角される。なお、本発明による実施例では、一定量αは一定量βよりも大きな値に設定されている。言い換えると、遅角量αは進角量βよりも大きな値に設定されている。一方、ステップ１７４において、点火時期遅角量ΔＩＧか負になったと判別されたときにはステップ１７５に進んで点火時期遅角量ΔＩＧが零とされた後、ステップ１７６に進む。このときには、点火時期が基準点火時期ＩＧとされる。

このように、本発明による実施例では、図２１に示されるように、ノッキングセンサ１８の出力値の夫々異なる周波数帯域のみを夫々通過させる複数個のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅと、各周波数帯域のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅに対して夫々設けられておりかつ対応する周波数帯域のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによりフィルタリングされた後のノッキングセンサの出力値が夫々入力される複数個のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを記憶した記憶装置６０とを具備している。各ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは、対応する周波数帯域のバンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅによりフィルタリングされた後のノッキングセンサ１８の出力値が入力されたときに、点火により発生する混合気の燃焼圧を検出するための圧力センサ１９の出力値から求められるノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）を出力するように事前学習されている。更に、機関運転時に取得されたノッキングセンサ１８の出力値を各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅに入力すると共に各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅから出力されたフィルタリング後のノッキングセンサ１８の出力値を夫々対応する学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに入力して各学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅから出力されたノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）を取得する推定値取得部６１と、この推定値取得部６１により取得されたノッキング強度を代表する値の推定値ｙｉ（ｉ＝１，２，３，４，５）から特異な推定値を除いた一部の推定値を用いてノッキング強度を代表する値の最適推定値ｙを算出する算出部６２と、この算出部６２において算出されたノッキング強度を代表する値の最適推定値ｙｅに基づいて点火時期の遅角制御を行う制御部６３とを具備する。

また、本発明による実施例では、ノッキング強度を代表する値が、予め設定されている期間内における圧力センサ１９の出力値のピーク値であり、或いは、ノッキング強度を代表する値が、予め設定されている期間内における圧力センサ１９の出力値の積分値である。また、この場合、予め設定されている期間が、一定のクランク角度範囲、例えば、圧縮上死点から圧縮上死点後９０°の範囲である。

一方、本発明による実施例では、ノッキングセンサ１８の出力値が、予め設定されている期間内における出力値であり、ノッキングセンサ１８の出力値が、予め設定されている期間内において等分割された区間内におけるノッキングセンサ１８の出力値の積分値である。この場合、予め設定されている期間が、一定のクランク角度範囲、例えば、圧縮上死点から圧縮上死点後９０°の範囲である。また、ノッキングセンサ１８の出力値の積分値に関し、一例を挙げると、このノッキングセンサ１８の出力値の積分値は、クランク角度５°毎に等分割された各区間内におけるフィルタリング後のノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）である。

さて、前述したように、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて、ノッキング強度を代表する値の最適推定値ｙｅを求めると、求められたノッキング強度を代表する値の最適推定値ｙｅは、推定値の平均値であるために、未学習の機関の振動の影響をそれほど受けない値となる。従って、図２１に示される点火時期制御装置を用いると、ノッキングにより機関本体１に振動が発生していると誤判断されるのを抑制することができ、従って、図２１に示される点火時期制御装置を用いれば十分な場合もある。しかしながら、この場合、ノッキング強度を代表する値の最適推定値ｙｅが、未学習の機関の振動の影響を全く受けないようにすることは難しく、ノッキングにより機関本体１に振動が発生していると誤判断されるのを抑制することはできるが、更に抑制することが望ましい場合もある。そこで、次に、ノッキングにより機関本体１に振動が発生していると誤判断されるのを更に抑制することのできる第２の実施例について説明する。

この第２の実施例を説明するに当たり、最初に，内燃機関において実施されているノッキング処理について説明する。なお、この第２の実施例では、ニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを夫々、第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅと称する。さて、図１４から図１８および図２０Ａに示されるノッキング処理は、気筒毎に夫々独立して実行され、図２２は、或る一つの気筒におけるノッキング処理の一例を示している。図２２には、サイクル番号と、点火の行われるタイミングと、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅへの入力値ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎの取り込み作業が行なわれる期間と、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅから出力されたノッキング強度を代表する値の推定値ｙｉ に基づき算出されたノッキング強度を代表する値の最適推定値ｙeと、ノッキングが発生したか否かの判定が行われるノッキング判定時期と、ノッキングの判定結果と、点火時期とが示されている。

本発明による実施例では、吸気上死点ＴＤＣから次の吸気上死点ＴＤＣまでの７２０クランク角度が１サイクルとされており、機関の運転が開始されたときからのサイクル番号がｋ_１、ｋ_２、・・・ｋ_ｎ、ｋ_ｎ＋１、ｋ_ｎ＋２、ｋ_ｎ＋３・・・とされている。図２２には、これらサイクル番号が、ｋ_ｎ、ｋ_ｎ＋１、ｋ_ｎ＋２、ｋ_ｎ＋３となったときが示されており、ノッキング処理を容易に理解し得るように、以下、これらサイクル番号ｋ_ｎ、ｋ_ｎ＋１、ｋ_ｎ＋２、ｋ_ｎ＋３を用いて説明する。本発明による実施例では、ピストン４の位置が圧縮上死点ＴＤＣに達する毎に、図１４に示されるノッキング処理が実行される。ノッキング処理が実行されると、図１５又は図１６に示されるノッキング強度代表値の推定ルーチンが実行され、第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅからノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ が出力される。

第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅからノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ が出力されると、図１７に示される最適推定値ｙｅの算出ルーチンが実行され、ノッキング強度を代表する値の最適推定値ｙｅが算出される。ノッキング強度を代表する値の最適推定値ｙｅが算出されると、図１８に示されるノッキング判定ルーチンが実行され、ノッキングが発生したか否かの判定が行われる。このとき、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えると、ノッキングが発生したと判定される。ノッキングが発生したか否かの判定が行われると、図２０Ａに示される点火制御ルーチンが実行される。

図２２からわかるように、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えると、次のサイクルでは点火時期が遅角される。点火時期が遅角されると多くの場合、ノッキング強度を代表する値の最適推定値ｙe は閾値Ｍij 以下まで低下する。一方、点火時期が遅角されても、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij以下まで低下しない場合もある。図２２は、このように点火時期が遅角されても、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij以下まで低下しない場合の例を示している。

即ち、図２２に示される例では、サイクルが番号ｋ_ｎのサイクルとなったときにノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたと判別され、それにより次のサイクルｋ_ｎ＋１において点火時期が遅角される。次いで、次のサイクルｋ_ｎ＋１でも、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたと判別され、それにより更に次のサイクルｋ_ｎ＋２においても点火時期が遅角される。サイクルｋ_ｎ＋２において点火時期が遅角されると、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij 以下に低下し、それによりノッキングが発生していないと判別される。ノッキングが発生していないと判別されると、次のサイクルｋ_ｎ＋３では点火時期が進角され、ノッキングが発生しない限り、点火時期は進角され続ける。なお、図２２からわかるように、本発明による実施例では、遅角量に比べて進角量は小さくされている。

さて、前述したように、図５に示される内燃機関は、第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みを学習するために、図１に示される内燃機関に圧力センサ１９を取り付けた内燃機関である。これら図１或いは図５に示される内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、図２２を参照しつつ説明したようなノッキング処理を行った場合には、何ら問題は生じない。一方、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ から特異な推定値を除いた一部の推定値を用いて、ノッキング強度を代表する値の最適推定値ｙｅを求めると、求められたノッキング強度を代表する値の最適推定値ｙｅは、未学習の機関の振動の影響をそれほど受けなくなるが、全く受けないわけではない。従って、他の内燃機関、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、図２２を参照しつつ説明したようなノッキング処理を行うと、未学習の機関の振動の影響を受けて問題を生じる場合がある。そこで次に、どのような問題を生ずるかについて図２３Ａから図２６を参照しつつ説明する。

図２３Ａは燃焼室５内の燃焼圧とクランク角（ＡＴＤＣ）との関係を示している。なお、図２３Ａにおいて実線はノッキングが発生したときの燃焼室５内の燃焼圧の変化を示しており、破線はノッキングが発生していないときの燃焼室５内の燃焼圧の変化を示している。図２３Ａからわかるように、ノッキングが発生すると、圧縮上死点ＴＤＣ後に、燃焼室５内の燃焼圧が急激に上昇する。図２３Ｂには、このときの実際の燃焼室５内の燃焼圧の上昇量とノッキング強度との関係が各点で示されている。図２３Ｂに示されるように燃焼室５内の燃焼圧の上昇量が大きくなるほど、ノッキング強度が大きくなる。即ち、燃焼室５内の燃焼圧の上昇量が大きくなるほど、ノッキング強度を代表する値の最適推定値ｙe が大きくなる。従って、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの入力値と、第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの出力値に基づき算出されたノッキング強度を代表する値の最適推定値ｙe は、これら燃焼室５内の燃焼圧の上昇量とノッキング強度との関係を示していることになる。

図２４は、図５に示される内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、図２２に示されるノッキング処理が行われたときの圧力センサ１９の出力値と、ノッキングセンサ１８の出力値と、燃焼室５内の燃焼圧と、ノッキング強度を代表する値の最適推定値ｙe の夫々の値の変化を示している。なお、図２４において、（ａ）は図２２のサイクルｋ_ｎにおけるこれらの値の変化を示しており、（ｂ）は図２２のサイクルｋ_ｎ＋１におけるこれらの値の変化を示しており、（ｃ）は図２２のサイクルｋ_ｎ＋２におけるこれらの値の変化を示している。図２２からわかるように、サイクルが、ｋ_ｎ＋１、ｋ_ｎ＋２へと進むにつれて、点火時期が次第に遅角され、図２４からわかるように、サイクルが、ｋ_ｎ＋１、ｋ_ｎ＋２へと進むにつれて、圧力センサ１９の出力値、ノッキングセンサ１８の出力値、燃焼室５内の燃焼圧の上昇量およびノッキング強度を代表する値の最適推定値ｙe が次第に低下していく。

このように図２２および図２４から、点火時期の遅角量を増大させると、燃焼室５内の燃焼圧の上昇量およびノッキング強度を代表する値の最適推定値ｙe が低下することがわかる。この場合、点火時期の遅角速度を増大させると、燃焼室５内の燃焼圧の上昇量およびノッキング強度を代表する値の最適推定値ｙe が低下することもわかっている。即ち、図２５Ａの各点で示されるように、点火時期の遅角量又は遅角速度を増大させると、燃焼室５内の燃焼圧の上昇割合が低下し、図２５Ｂの各点で示されるように、点火時期の遅角量又は遅角速度を増大させると、ノッキング強度を代表する値の最適推定値ｙe が低下することがわかっている。

一方、図２６は、図５に示される内燃機関以外の他の内燃機関、例えば、市販用の内燃機関に圧力センサ１９を取り付け、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いて、図２２を参照しつつ説明したようなノッキング処理が行なわれた場合の圧力センサ１９の出力値と、ノッキングセンサ１８の出力値と、燃焼室５内の燃焼圧と、ノッキング強度を代表する値の最適推定値ｙe の夫々の値の変化を示している。なお、この図２６においても、（ａ）、（ｂ）、（ｃ）は、図２２の各サイクルｋ_ｎ、ｋ_ｎ＋１，ｋ_ｎ＋２におけるこれらの値の変化を示している。

さて、前述したように、機関の構成部品には公差があり、従って、機関毎に機関の構成部品の寸法がばらつくために、機関毎に異なる機関の振動が発生する。しかしながら、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは、このように機関毎に発生する異なる機関の振動については、重みの学習がなされておらず、従って、このように重みの学習がなされていない機関の振動、即ち、未学習の機関の振動が発生すると、たとえ周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅにおいて、ノッキングにより機関本体１に振動が発生していると誤判断される場合がある。図２６の（a）は、一例として、サイクルｋ_ｎにおいてノッキングおよび未学習の機関の振動が発生していてノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、その結果、ノッキングが発生していると判別された場合を示している。

この場合、次のサイクルｋ_ｎ＋１では、点火時期が遅角され、それにより図２６の（ｂ）で示されるように燃焼室５内の燃焼圧の上昇量は低下し、圧力センサ１９の出力値も低下する。しかしながら、点火時期の影響を受けない未学習の機関の振動が発生している場合には、点火時期が遅角されたとしても未学習の機関の振動は抑制されず、従って、図２６に示される例では、未学習の機関の振動は、点火時期が遅角された後も、図２６の（ｂ）で示されるように発生し続ける。その結果、図２３に示される例では、図２６の（ｂ）で示されるように、周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、未学習の機関の振動によってノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij 以上となり、その結果、依然として、ノッキングが発生していると判別されることになる。

この場合、次のサイクルｋ_ｎ＋２では、再度点火時期が遅角され、従って、図２６の（ｃ）で示されるように燃焼室５内の燃焼圧の上昇量は低下し、圧力センサ１９の出力値も低下する。しかしながらこのように点火時期が遅角されても、未学習の機関の振動が抑制されず、その結果、図２６に示される例では、点火時期が遅角された後も、図２６の（ｃ）で示されるように未学習の機関の振動が発生し続ける。その結果、図２６の（ｃ）で示されるように、周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、未学習の機関の振動によってノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij 以上となり、その結果、依然としてノッキングが発生していると判別されることになる。このように、未学習の機関の振動が発生し続けると、周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍijを越え続け、それにより点火時期の遅角作用が続行され続ける場合がある。このような場合には、点火時期が過剰に遅角し、その結果、機関の出力が大幅に低下してしまうという問題を生ずることになる。

一方、ノッキングが発生していないが、未学習の機関の振動が発生したために、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、ノッキングが発生していると判別された場合も同様である。この場合も、未学習の機関の振動が発生し続けると、周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍijを越え続け、点火時期の遅角作用が続行され続ける場合が生ずる。この場合にも、点火時期が過剰に遅角し、それにより機関の出力が大幅に低下してしまうという問題を生ずることになる。

この第２実施例では、図５に示される内燃機関以外の他の内燃機関、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いてノッキング処理を行なった場合に、未学習の機関の振動の発生により点火時期が過剰に遅角することがないように点火時期が制御される。次に、このことについて、図２７Ａから図２８Ｂを参照しつつ説明する。なお、図２７Ａから図２８Ｂは、図２２と同様に、サイクルｋ_ｎにおいてノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたと判別され、それにより次のサイクルｋ_ｎ＋１において点火時期が遅角された場合におけるノッキング強度を代表する値の最適推定値ｙe および点火時期の変化を示している。

まず初めに、図２７Ａを参照すると、図２７Ａは、図１又は図５に示される内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、ノッキングセンサ１８の出力値に基づいてノッキング処理が行われたときのノッキング強度を代表する値の最適推定値ｙe および点火時期の変化を示している。図２７Ａに示される例は、サイクルｋ_ｎにおいてノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたと判別され、それにより次のサイクルｋ_ｎ＋１において点火時期がαだけ遅角され、その結果、サイクルｋ_ｎ＋１におけるノッキング強度を代表する値の最適推定値ｙe がΔｙｅだけ低下して、ｙｅｅになった場合を示している。なお、図２７Ａは、ノッキング強度を代表する値の最適推定値ｙe がｙｅｅになったときに、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij 以下になった場合を示しており、この場合には、次のサイクルｋ_ｎ＋２ において、点火時期がβ１だけ進角される。

一方、図２７Ｂは、図５に示される内燃機関以外の他の内燃機関、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、ノッキングセンサ１８の出力値に基づいてノッキング処理を行うようにした場合の新たなノッキング処理方法を説明するための図である。なお、図２７Ｂは、実線で示されるように、サイクルｋ_ｎにおいて、ノッキングおよび未学習の機関の振動の双方の発生によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、サイクルｋ_ｎ＋１以降は、周波数帯域毎に第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが設けられていたとしても、未学習の機関の振動によりノッキング強度を代表する値の推定値ｙe が暫くの間、閾値Ｍij を越え続けている場合を示している。即ち、実際の内燃機関では、未学習の機関の振動は特定の運転状態で発生し、機関の運転状態が変化すると次第に収まるので、図２７Ｂに示されるように、ノッキング強度を代表する値の推定値ｙe は、一時的に閾値Ｍij を越え続けていたとしても、暫くすると次第に低下していく。ところが、図２７Ｂに示されるようにノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え続けている場合、図１４から図２０Ａに示されるルーチンによりノッキング処理が行われると、点火時期が遅角され続け、その結果、点火時期が過剰に遅角されることになる。そこでこの第２実施例では、点火時期が過剰に遅角されるのを阻止するために、点火時期が遅角されたときに、ノッキングの発生によりノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ に基づき算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えているのか否かを判別し、ノッキングの発生によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えているのではないと判別されたときには、次のサイクルにおいて点火時期を遅角しないようにしている。

即ち、図２７Ｂに示されるように、図５に示される内燃機関以外の他の内燃機関、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いてノッキング処理が行われた場合には、ノッキングのみが発生することによりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたのか、未学習の機関の振動のみが発生することによりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたのか、ノッキングおよび未学習の機関の振動の双方が発生することによりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたのかは、わからない。

しかしながら、図２７Ａに示されるように、ノッキングの発生によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、それにより点火時期がαだけ遅角された場合には、次のサイクルにおけるノッキング強度を代表する値の最適推定値ｙe がΔｙｅだけ低下して、ｙｅｅになることはわかっている。

従って、図２７Ｂに示されるように、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いてノッキング処理を行った場合においても、ノッキングの発生のみによりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、それにより点火時期がαだけ遅角された場合には、破線で示されるように、次のサイクルｋ_ｎ＋１におけるノッキング強度を代表する値の最適推定値ｙe はΔｙｅだけ低下して、ｙｅｅになると予測される。従って、点火時期がαだけ遅角されたときに、ノッキング強度を代表する値の最適推定値ｙeがこの予測値ｙeｅ近くまで低下すれば、ノッキングが発生したと判断できることになる。また、このとき、ノッキング強度を代表する値の推定値ｙe は、ノッキング強度を正しく示していることになる。

一方、点火時期がαだけ遅角されたときに、図２７Ｂにおいて、実線で示されるように、ノッキング強度を代表する値の最適推定値ｙeが予測値ｙeｅ 近くまで低下しないときには、サイクルｋ_ｎにおいて、ノッキングの発生のみによるのではなく、未学習の機関の振動の発生により、或いは、ノッキングおよび未学習の機関の振動の双方の発生によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えていることになる。従って、このときには、ノッキング強度を代表する値の最適推定値ｙe が、ノッキング強度を正しく示していないことになる。即ち、点火時期がαだけ遅角されたときのノッキング強度を代表する値の最適推定値ｙｅｅと第１の学習済みニューラルネットワーク２０から出力されるノッキング強度を代表する値の最適推定値ｙe との差が予め定められた設定値よりも小さいときには、ノッキング強度を代表する値の最適推定値ｙe は、ノッキング強度を正しく示しており、この差が予め定められた設定値よりも大きいときには、ノッキング強度を代表する値の最適推定値ｙe は、ノッキング強度を正しく示していないことになる。

そこでこの第２実施例では、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いてノッキング処理を行う場合には、図２７Ｂに示されるように、サイクルｋ_ｎにおいて、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えたと判断された場合、次のサイクルｋ_ｎ＋１では、点火時期がαだけ遅角されたときのノッキング強度を代表する値の最適推定値ｙｅｅと第１の学習済みニューラルネットワーク２０から出力されるノッキング強度を代表する値の最適推定値ｙe との差が予め定められた設定値よりも小さいか、又は、大きいかに応じて、更に次のサイクルｋ_ｎ＋２における点火時期の遅角制御が行われる。

即ち、この差が予め定められた設定値よりも小さいときには、即ち、ノッキング強度を代表する値の最適推定値ｙe が、ノッキング強度を正しく示しているときには、ノッキング強度を代表する値の最適推定値ｙe に基づいて、点火時期の遅角制御が行われる。この場合、ノッキング強度を代表する値の最適推定値ｙe が、閾値Ｍij よりも大きいときには、点火時期の遅角作用が行われ、ノッキング強度を代表する値の最適推定値ｙe が、閾値Ｍij よりも小さいときには、点火時期の遅角作用は行われず、このとき、次のサイクルｋ_ｎ＋２ では、点火時期がβ１だけ進角される。一方、この差が予め定められた設定値よりも大きいときには、即ち、ノッキング強度を代表する値の最適推定値ｙe が、ノッキング強度を正しく示していないときには、点火時期の遅角制御は行われず、様子をみるために、図２７Ｂにおいて実線で示されるように点火時期がそのまま維持される。次いで、ノッキング強度を代表する値の最適推定値ｙe が値Ｍij よりも低下した後に、点火時期がβ１ずつ進角され始める。

なお、この第２実施例では、図２７Ｂに示されるように、未学習の機関の振動によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え続けている場合における点火時期進角量β２は、図２７Ａに示されるように、ノッキングの発生のみによりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えた場合における点火時期進角量β１に比べて小さくされている。即ち、未学習の機関の振動によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え続けている場合には、点火時期はゆっくりと進角される。

一方、図２８Ａは、図２７Ａと同様に、図１又は図５に示される内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、ノッキングセンサ１８の出力値に基づいてノッキング処理が行われたときのノッキング強度を代表する値の最適推定値ｙe および点火時期の変化を示しており、図２８Ｂは、図２７Ｂと同様に、図５に示される内燃機関以外の他の内燃機関、例えば、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用い、ノッキングセンサ１８の出力値に基づいてノッキング処理が行われたときのノッキング強度を代表する値の最適推定値ｙe および点火時期の変化を示している。なお、図２８Ａおよび図２８Ｂは、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij 以下となるまで点火時期がαだけ２回にわたり遅角された場合を示しており、点火時期が２回にわたり遅角されることを除けば、図２７Ａおよび図２７Ｂに示される場合と同様である。

即ち、図２８Ａに示されるように、ノッキングの発生によりノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越え、それにより点火時期がαだけ遅角された場合には、次のサイクルｋ_ｎ＋１におけるノッキング強度を代表する値の最適推定値ｙe がΔｙｅ１だけ低下して、ｙｅｅ１となる。このとき、まだノッキングの発生が収まっていないために、ノッキング強度を代表する値の最適推定値ｙe が依然として閾値Ｍij が越えており、それにより点火時期が再度αだけ遅角される。その結果、次のサイクルｋ_ｎ＋２におけるノッキング強度を代表する値の最適推定値ｙe がΔｙｅ２だけ低下して、ｙｅｅ２となる。

この第２実施例では、この場合も、図２８Ｂの実線で示されるように、点火時期がαだけ遅角されたときのノッキング強度を代表する値の最適推定値ｙｅｅ１と第１の学習済みニューラルネットワーク２０から出力されるノッキング強度を代表する値の最適推定値ｙe との差が予め定められた設定値よりも大きいときには、即ち、ノッキング強度を代表する値の最適推定値ｙe が、ノッキング強度を正しく示していないときには、点火時期の遅角制御は行われず、様子をみるために、図２８Ｂにおいて実線で示されるように点火時期がそのまま維持される。次いで、ノッキング強度を代表する値の最適推定値ｙe が値Ｍij よりも低下した後に、点火時期がβ１ずつ進角され始める。

このように第２実施例では、市販用の内燃機関において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いてノッキング処理を行う場合、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙeの予測値ｙeｅと第１の学習済みニューラルネットワーク２０から出力されるノッキング強度を代表する値の最適推定値ｙe との差が予め定められた設定値よりも小さいか、又は、大きいかに応じて、次のサイクルにおける点火時期の遅角制御が行われる。この場合、この第２実施例では、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙe の予測低下量Δｙｅ、或いはノッキング強度を代表する値の最適推定値ｙeの予測値ｙeｅが、第２のニューラルネットワークを用いて推定される。

図２９から図３６は、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙe の予測低下量Δｙｅを、第２のニューラルネットワークを用いて推定するようにした第１の例を示しており、図３７から図４５は、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙｅの予測値ｙｅｅを、第２のニューラルネットワークを用いて推定するようにした第２の例を示している。そこで最初に、図２９から図３６を参照しつつ、第１の例について説明する。

図３０は、第１の例において用いられている第２のニューラルネットワーク５０を示している。図３０を参照すると、この第２のニューラルネットワーク５０においても、図３に示されるニューラルネットワークと同様に、L＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。この第１の例では、図３０に示されるように、入力層 ( L＝１) が５個のノードからなり、５個の入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５が、入力層 ( L＝１) の各ノードに入力される。一方、図３０には隠れ層 ( L＝２)および隠れ層 ( L＝３)が記載されているが、これら隠れ層の層数は、１個又は任意の個数とすることができ、またこれら隠れ層のノードの数も任意の個数とすることができる。なお、出力層 ( L＝４) のノードの数は１個とされており、出力層のノードからの出力値がΔｙｅで示されている。

次に、図３０における入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５と、出力値Δｙｅについて説明する。最初に出力値Δｙｅについて説明すると、この出力値Δｙｅは、ノッキングのみの発生により点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙe の予測低下量を示している。一方、入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５は、ノッキング強度を代表する値の最適推定値ｙe の低下量に強い影響を与える入力パラメータを示しており、これら入力パラメータの一覧表が図２９に示されている。図２９に示されるように、入力パラメータは、機関の運転状態を表すパラメータと、点火時期の遅角量α又は進角量β（β１又はβ２）と、一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeｏからなる。

なお、この第１の例では、機関の運転状態を表すパラメータが、機関回転数ＮＥと、機関負荷Ｌと、ＥＧＲ率ＥＲからなる。即ち、第１の例では、機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲ、点火時期の遅角量α又は進角量β、および一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeｏが夫々、入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５とされ、これら入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５が、第２のニューラルネットワーク５０の入力層の各ノードに入力される。

図３１は、図９に示される訓練データセットを作成する際に用いられた図５に示される機関本体１を用いて、第２のニューラルネットワーク５０用訓練データセットを作成するために取得されたデータの一覧表を示している。これらのデータは、図５に示される機関本体１において、図１４から図２０Ａに示されるルーチンを用いたノッキング処理を行いつつ、機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲおよび点火時期の遅角量αおよび進角量βの種々の組み合わせについてノッキングの発生しない運転状態とノッキングの発生する運転状態の双方の状態が生ずるように機関を運転させたときの、サイクル毎の機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲ、ノッキング強度を代表する値の最適推定値ｙe および点火時期の遅角量αおよび進角量βを示している。これらのデータは、例えば、電子制御ユニット３０のメモリ３２内に一時的に記憶される。

なお、これらデータを取得する際、本発明による実施例では、点火時期遅角量αは一定に維持されており、点火時期進角量βは、進角量β１又は進角量β２のいずれかとされる。また、図３１に示される一覧表には、点火時期が遅角量αだけ遅角されたときのノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅが含まれている。この低下量Δｙｅは、点火時期が遅角量αだけ遅角されたときのノッキング強度を代表する値の最適推定値ｙe と、一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeｏ との差から求められる。例えば、サイクルｋ_ｎ＋１でおいて点火時期が遅角量αだけ遅角されたときには、サイクルｋ_ｎのときのノッキング強度を代表する値の最適推定値ｙeｎから、サイクルｋ_ｎ＋１のときのノッキング強度を代表する値の最適推定値ｙe n+1 を減算することによって、低下量Δｙe n+1が求められる。この低下量Δｙｅの算出は、例えば、ＣＰＵ３３において行われる。

このようにして、点火時期が遅角量αだけ遅角されたときに、図３１に示されるようにノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅが算出され、算出された低下量Δｙｅが、遅角量αと共に、例えば、電子制御ユニット３０のメモリ３２内に一時的に記憶される。このノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅは、ノッキング強度を代表する値の最適推定値ｙe の実際の低下量を表しており、従って、このノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅは、第２の学習済みニューラルネットワーク５０の重みを学習する際の正解値、即ち、教師データとされる。

図３２は、第２のニューラルネットワーク５０の重みを学習するための訓練データセットを示している。この訓練データセットは、第１の例では、図３１に示される一覧表から、点火時期が遅角量αだけ遅角されたときのサイクルにおける機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲ、点火時期の遅角量αに関するデータ、および点火時期が遅角量αだけ遅角されたときのサイクルの一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeｏに関するデータを抜き出すことによって作成されており、この訓練データセットは、図３１に示される一覧表から抜き出された入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５と、教師データｙｔとの関係を表すｍ個のデータからなる。なお、この場合、図３１に示される機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲ、点火時期の遅角量α、および一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeｏが夫々、入力値ｘｘ_１、ｘｘ_２、ｘｘ_３、ｘｘ_４、ｘｘ_５とされ、図３１に示されるノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅが、教師データｙｔとされる。

この第１の例では、図３０に示される第２のニューラルネットワーク５０の入力層 ( L＝１) のノード数、隠れ層 ( L＝２)および隠れ層 ( L＝３) のノード数および出力層 ( L＝４) のノード数、および、図３２に示される訓練データセットが、学習装置２３のメモリ２４に記憶され、学習装置２３において、図１０を参照しつつ既に説明した学習処理方法と同様な学習処理方法により、図１０に示される学習処理ルーチンを用いて、第２のニューラルネットワーク５０の重みの学習が行われる。それにより、第２の学習済みニューラルネットワーク５０、即ち、ノッキング強度を代表する値の最適推定値ｙe の低下量Δｙｅの推定モデルが作成される。

この第１の例では、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅにより生成された、ノッキング強度を代表する値の推定モデルと、第２の学習済みニューラルネットワーク５０により生成されたノッキング強度を代表する値の推定値ｙe の低下量Δｙｅの推定モデルを用いて、市販車両の機関におけるノッキング処理が行われる。そのためにこれらノッキング強度を代表する値の推定モデルおよびノッキング強度を代表する値の推定値ｙe の低下量Δｙｅの推定モデル、即ち、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび第２の学習済みニューラルネットワーク５０が、市販車両の電子制御ユニット３０内に格納される。これらモデルの市販車両の電子制御ユニット３０への格納作用は、図１３を参照しつつ既に説明した方法と同様な方法でもって、図１３に示される電子制御ユニットへのデータ読み込みルーチンを用いて行われる。

このように第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび第２の学習済みニューラルネットワーク５０が、市販車両の電子制御ユニット３０に格納されると、電子制御ユニット３０のメモリ３２内には、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび第２の学習済みニューラルネットワーク５０が形成される。図３３は、市販車両の電子制御ユニット３０のメモリ３２内に形成された第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび第２の学習済みニューラルネットワーク５０を用いて、市販車両の機関運転時に実行されるノッキング処理を示している。このノッキング処理は、気筒毎に、個別に、一サイクル毎に実行される。この第１の例では、このノッキング処理は、例えば、クランク角が圧縮上死点に達したときに開始される。

図３３を参照すると、まず初めにステップ２２０において、圧力センサ１９の出力値から求められるノッキング強度を代表する値、即ち、ノッキング強度代表値の推定処理が行われる。次いで、ステップ２２１では、ノッキング強度を代表する値の最適推定値ｙe の算出処理が行われる。次いで、ステップ２２２では、ノッキングが生じているか否かのノッキング判定処理が行われ、次いで、ステップ２２３では、点火制御が行われる。ステップ２２０において行われるノッキング強度代表値の推定処理は、図１５又は図１６のいずれか一方に示されるノッキング強度代表値の推定ルーチンにより行われ、ステップ２２１において行われるノッキング強度を代表する値の最適推定値ｙe の算出処理は、図１７に示される最適推定値ｙe の算出ルーチンにより行われる。これらのノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンについては既に説明したので、これらノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンについては説明を省略する。なお、これらのノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンが実行されると、ノッキング強度を代表する値の最適推定値ｙe が算出される。

図３４および図３５は、図３３のステップ２２１においてノッキング強度を代表する値の最適推定値ｙe が算出されたときに、このノッキング強度を代表する値の最適推定値ｙe に基づき、図３３のステップ２２２で行われるノッキング判定ルーチンを示している。図３４を参照すると、まず初めに、ステップ２３０において、ノッキング強度を代表する値に対する閾値Ｍij が読み込まれる。この閾値Ｍij は、前述したように、図１８に示される如く、機関負荷Ｌと機関回転数Ｎに応じて複数個に分割された各機関運転領域に対して予め設定されている。

次いで、ステップ２３１では、ノッキングが発生したか否かの判定を中止すべきときにセットされる判定中止フラグがセットされているか否かが判別される。この判定中止フラグは、通常、リセットされており、従って、ステップ２３２に進む。ステップ２３２では、ノッキングが発生したと判別されたときにセットされるノッキング発生フラグがセットされているか否かが判別される。このノッキング発生フラグは、通常、リセットされており、従って、ステップ２３７にジャンプする。ステップ２３７では、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいか否かが判別される。ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きくないと判別されたときにはステップ２３９に進んで、ノッキング発生フラグがリセットされる。次いで、処理サイクルを終了する。

一方、ステップ２３７において、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいと判別されたときにはステップ２３８に進んで、ノッキング発生フラグがセットされる。ノッキング発生フラグがセットされると、後述するように、次のサイクルにおける点火時期がαだけ遅角される。また、ノッキング発生フラグがセットされると、次のサイクルでは、ステップ２３２からステップ２３３に進む。ステップ２３３では、機関回転数ＮＥ、機関負荷Ｌ、ＥＧＲ率ＥＲ、点火時期の遅角量α、および一つ前のサイクルにおいて第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの出力値に基づき算出されたノッキング強度を代表する値の最適推定値ｙeｏ が第２の学習済みニューラルネットワーク５０の入力層の各ノードに入力され、それにより第２の学習済みニューラルネットワーク５０からは、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙe の予測低下量Δｙｅが出力される。

次いで、ステップ２３４では、一つ前のサイクルにおいて第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの出力値に基づき算出されたノッキング強度を代表する値の最適推定値ｙeｏから、ノッキング強度を代表する値の最適推定値ｙe の予測低下量Δｙｅを減算することによって、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅe が算出される。次いで、ステップ２３５では、未学習の機関の振動が発生しているか否かを判別するために、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅeとステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe との差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも大きいか否かが判別される。

即ち、ノッキングのみが発生しているときには、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅeとステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe とは、ほぼ等しくなる筈である。従って、ノッキングのみが発生しているときには、差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも小さくなる。従って、このときには、ステップ２３６に進んで、未学習の機関の振動、即ち、ノイズが発生していることを示すノイズフラグがリセットされる。ノイズフラグがリセットされると、後述するように、点火時期の進角量がβ１とされる。

一方、このときには、第１の学習済みニューラルネットワーク２０から出力されたノッキング強度を代表する値の最適推定値ｙe は、正しいノッキング強度を示している。従って、このときには、ステップ２３７に進んで、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいか否かが判別される。ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいと判別されたときには、ステップ２３８に進んで、ノッキング発生フラグがセットされる。このときには、次のサイクルにおける点火時期がαだけ遅角される。

一方、ノッキングおよび未学習の機関の振動が発生しているとき、或いは、未学習の機関の振動のみが発生しているときには、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe は、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅeに比べて大きい筈である。従って、このときには、差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも大きくなる。このときには、ステップ２３５からステップ２４０に進んで、未学習の機関の振動、即ち、ノイズが発生していることを示すノイズフラグがセットされる。ノイズフラグがセットされると、後述するように、点火時期の進角量がβ２とされる。次いで、ステップ２４１に進む。

ステップ２４１では、ノッキング発生フラグがリセットされる。一方、このときには、第１の学習済みニューラルネットワーク２０から出力されたノッキング強度を代表する値の最適推定値ｙe は、ノッキング強度を正しく示していない。従って、このときには、点火時期の進角作用および遅角作用を一次的に中止するために、ステップ２４２において、判定中止フラグがセットされる。次いで、処理サイクルを終了する。

判定中止フラグがセットされると、次のサイクルでは、ステップ２３１からステップ２４３に進む。ステップ２４３およびステップ２４４では、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij を越えた後、未学習の機関の振動の発生により、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きくなる状態が続いている場合に、点火時期の進角作用および遅角作用をに中止し続けると共に、ノッキングが発生したか否かの判定を中止し続ける処理が行われる。

即ち、ステップ２４３では、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいか否かが判別される。ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍijよりも大きいと判別されたときには、処理サイクルを終了する。これに対し、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも小さくなったと判別されたときには、ステップ２４４に進んで、判定中止フラグをリセットさせる処理が行われる。次いで、ステップ２３２に進んで、ノッキング判定処理が再開される。

図３６は、図３４および図３５に示されるノッキング判定ルーチンにおける判定結果に基づき電子制御ユニット３０内で実行される点火制御ルーチンを示している。図３６を参照すると、まず初めに、ステップ２５０において、ノッキング判定ルーチンにおいて用いられている判定中止フラグがセットされているか否かが判別される。判定中止フラグがセットされていると判別されたときには処理サイクルを終了する。これに対し、判定中止フラグがセットされていないと判別されたときには、ステップ２５１に進んで、基準点火時期ＩＧ（ＢＴＤＣ）が算出される。この基準点火時期ＩＧは、前述したように、機関負荷Ｌと機関回転数Ｎの関数として、図２０Ｂに示されるようなマップの形で予めメモリ３２内に記憶されている。次いで、ステップ２５２では、図３４および図３５に示されるノッキング判定ルーチンにおいて、ノッキング発生フラグがセットされているか否かが判別される。ノッキング発生フラグがセットされていると判別されたときにはステップ２６０に進む。

ステップ２６０では、点火時期を遅角させるために点火時期遅角量ΔＩＧに一定量αが加算される。次いで、ステップ２５９では、基準点火時期ＩＧから点火時期遅角量ΔＩＧを減算することによって、次のサイクルにおける最終的な点火時期ＩＧＯが算出される。次のサイクルでは、この最終的な点火時期ＩＧＯに、点火栓１１による点火作用が行われる。このとき点火時期は一定量αだけ遅角される。一方、ステップ２５２において、ノッキング発生フラグがリセットされていると判別されたときにはステップ２５３に進み、図３４および図３５に示されるノッキング判定ルーチンにおいて、ノイズフラグがセットされているか否かが判別される。

ノイズフラグがセットされていないと判別されたときにはステップ２５４に進んで、進角量β１がβとされ、次いでステップ２５６に進む。一方、ノイズフラグがセットされていると判別されたときにはステップ２５５に進んで、進角量β２がβとされ、次いでステップ２５６に進む。ステップ２５６では、点火時期を進角させるために点火時期遅角量ΔＩＧからβが減算される。次いで、ステップ２５７では、点火時期遅角量ΔＩＧか負になったか否かが判別され、点火時期遅角量ΔＩＧか負になっていないときにはステップ２５９に進んで、次のサイクルにおける最終的な点火時期ＩＧＯが算出される。このときには、点火時期はβだけ進角される。一方、ステップ２５７において、点火時期遅角量ΔＩＧか負になったと判別されたときにはステップ２５８に進んで点火時期遅角量ΔＩＧが零とされた後、ステップ２５９に進む。このときには、点火時期が基準点火時期ＩＧとされる。

次に、図３７から図４５を参照しつつ、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙｅの予測値ｙｅｅを、第２のニューラルネットワークを用いて推定するようにした第２の例について説明する。この第２の例では、第２のニューラルネットワークとして、リカレントニューラルネットワークが用いられている。図３７は、第２の例で用いられているリカレントニューラルネットワーク（ＲＮＮ）を展開して表した図を示しており、図３８は、リカレントニューラルネットワークを示している。このリカレントニューラルネットワークは周知であり、従って、以下、簡単にリカレントニューラルネットワークについて説明する。

図３７において、ｘ_１ ^ｔ−１、ｘ_２ ^ｔ−１、ｘ_１ ^ｔ、ｘ_２ ^ｔ、ｘ_１ ^ｔ＋１、ｘ_２ ^ｔ＋１、ｘ_１ ^ｔ＋２、ｘ_２ ^ｔ＋２ は、夫々時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２におけるリカレントニューラルネットワークの入力層への時系列入力値を示しており、ｙ^ｔ、ｙ^ｔ＋１、ｙ^ｔ＋２、ｙ^ｔ＋３ は、夫々時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２におけるリカレントニューラルネットワークの出力層からの出力値を示している。また、ｈ^ｔ−１、ｈ^ｔ、ｈ^ｔ＋１、ｈ^ｔ＋２ （ｈはベクトル）は、夫々時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２におけるリカレントニューラルネットワークの隠れ層からの出力値を表しており、これら、ｈ^ｔ−１、ｈ^ｔ、ｈ^ｔ＋１、ｈ^ｔ＋２ は、隠れ状態ベクトルと称される。

一方、図３８を参照すると、このリカレントニューラルネットワークにおいて、L＝１は入力層、L＝２は隠れ層、L＝３は出力層を夫々示している。図３８において鎖線枠内のノードは実際には存在せず、説明のために記載したノードであり、従って、図３８に示される例では、入力層 ( L＝１) が２個のノードからなる。また、図３８に示される例では、隠れ層 ( L＝２) がｍ個のノードからなる（図３８には３個のみが記載されている）。一方、図３８には一つの隠れ層 ( L＝２)しか記載されていないが、この隠れ層の層数は、任意の個数とすることができる。なお、出力層 ( L＝３) のノードの数は１個とされている。

図３８は、図３７の時刻ｔにおける入力値ｘ_１ ^ｔ、ｘ_２ ^ｔと、出力値ｙ^ｔ＋１とを示している。また、図３８において、ｈ_１ ^ｔ、ｈ_２ ^ｔ・・・ｈ_ｍ ^ｔ は、図３７の時刻ｔにおける隠れ層の各ノードからの出力値、即ち、隠れ状態ベクトルを示している。リカレントニューラルネットワークでは、図３８に示されるように、一つ前の時刻ｔ−１における隠れ層の各ノードからの出力値、即ち、隠れ状態ベクトルｈ_１ ^ｔ−１、ｈ_２ ^ｔ−１・・・ｈ_ｍ ^ｔ−１ が、夫々対応する重みｗを掛けて、隠れ層の各ノードに入力される。従って、隠れ層の各ノードには、各入力値ｘ_１ ^ｔ、ｘ_２ ^ｔに夫々対応する重みｗを掛けた値と、一つ前の時刻ｔ−１における各隠れ状態ベクトルｈ_１ ^ｔ−１、ｈ_２ ^ｔ−１・・・ｈ_ｋ ^ｔ−１に夫々対応する重みｗを掛けた値が入力され、図３８の隠れ層 ( L＝２) の各ノード（ｋ＝１，２・・・m）において算出される総入力値ｕ_ｋは、次式のようになる。

隠れ層の各ノードにおいて算出された総入力値ｕ_ｋは、活性化関数により変換されて、隠れ層の各ノードから隠れ状態ベクトルｈ_ｋ ^ｔ （ｋ＝１，２・・・m）として出力される。この場合、活性化関数として、例えば、tanh 関数(双曲線正接関数)が用いられた場合には、隠れ層の各ノードから出力される隠れ状態ベクトルｈ_ｋ ^ｔ は,ｈ_ｋ ^ｔ ＝tanh (ｕ_k) となる。これらの隠れ状態ベクトルｈ_ｋ ^ｔ は, 出力層 ( L＝３) のノード に入力され、出力層 のノードでは、夫々対応する重みｗを用いて、次式で示される総入力値ｕが算出される。

本発明による実施例では、出力層のノードでは、活性化関数として恒等関数が用いられており、従って、出力層のノードからは、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力される。

次に、図３７に示される入力値ｘ_１ ^ｔ−１、ｘ_２ ^ｔ−１、ｘ_１ ^ｔ、ｘ_２ ^ｔ、ｘ_１ ^ｔ＋１、ｘ_２ ^ｔ＋１、ｘ_１ ^ｔ＋２、ｘ_２ ^ｔ＋２ および出力値ｙ^ｔ、ｙ^ｔ＋１、ｙ^ｔ＋２、ｙ^ｔ＋３ について説明する。図３７において時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２は、同一気筒の連続する各サイクルに対応しており、本発明による実施例では、時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２において、即ち、同一気筒の連続する各サイクルにおいて第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの出力値に基づき順次算出されたノッキング強度を代表する値の最適推定値ｙeが夫々、入力値ｘ_１ ^ｔ−１、ｘ_１ ^ｔ、ｘ_１ ^ｔ＋１、ｘ_１ ^ｔ＋２ とされる。また、時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２における、即ち、同一気筒の連続する各サイクルにおける点火時期の遅角量α又は進角量βが夫々、入力値ｘ_２ ^ｔ−１、ｘ_２ ^ｔ、ｘ_２ ^ｔ＋１ｘ_２ ^ｔ＋２ とされる。

また、この場合、入力値として、ＥＧＲ率ＥＲを追加することもできる。一方、出力値ｙ^ｔ、ｙ^ｔ＋１、ｙ^ｔ＋２、ｙ^ｔ＋３ は夫々、時刻ｔ、ｔ＋１、ｔ＋２、ｔ＋３における、即ち、次のサイクルにおけるノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅｅである。図３９には、代表的な例として、時刻ｔにおける入力値および出力値の一覧表が示されている。

図４０は、図３７に示されるリカレントニューラルネットワークの重みを学習するための訓練データセットを示している。この訓練データセットは、第２の例では、図３１に示される一覧表から、全サイクルに亘る一部のデータ、即ち、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe と点火時期の遅角量α又は進角量βのみを抜き出すことによって作成される。この場合、この訓練データセットでは、次のサイクルにおけるノッキング強度を代表する値の最適推定値ｙe が、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅｅとされ、このノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅｅが、教師データｙｔとされる。

例えば、図４０において、サイクルがサイクルｋ_ｎのときには、サイクルｋ_ｎのときにステップ２２１において算出されたノッキング強度を代表する値の推定値ｙ_eｎ と, サイクルｋ_ｎのときの点火時期の遅角量αが、サイクルｋ_ｎのときの入力値ｘ_１ ^ｔ、ｘ_２ ^ｔとされ、サイクルｋ_ｎ＋１のときにステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙ_eｎ＋１ が、サイクルｋ_ｎのときの教師データｙｔとされる。

この第２の例でも、図３８に示されるリカレントニューラルネットワークの入力層 ( L＝１) のノード数、隠れ層 ( L＝２) のノード数および出力層 ( L＝3) のノード数、および、図４０に示される訓練データセットが、図５に示される学習装置２３のメモリ２４に記憶され、学習装置２３において、リカレントニューラルネットワークの重みの学習が行われる。このリカレントニューラルネットワークの重みの学習は、通常、展開表示されたリカレントニューラルネットワークの一部を切り取って誤差逆伝播を行なわせるTrancated BBPT(Backpropagation Through Time) 手法を用いて行われる。

例えば、図３７が、切り取られたリカレントニューラルネットワークの一部であるとすると、図３７において、時刻ｔ−１、ｔ、ｔ＋１、ｔ＋２における入力値ｘ_１ ^ｔ−１、ｘ_２ ^ｔ−１、ｘ_１ ^ｔ、ｘ_２ ^ｔ、ｘ_１ ^ｔ＋１、ｘ_２ ^ｔ＋１、ｘ_１ ^ｔ＋２、ｘ_２ ^ｔ＋２ を、リカレントニューラルネットワークに順次入力させ、時刻ｔ＋２においてリカレントニューラルネットワークから出力される出力値ｙ^ｔ＋３ と、対応する教師データｙｔとの二乗誤差Ｅ（＝1/2 (ｙ^ｔ＋３ -ｙｔ)²）が小さくなるように、誤差逆伝播法により、リカレントニューラルネットワークの重みの学習が行われる。このときの誤差逆伝播は時間を遡るように行われるが、詳細については説明を省略する。

この第２の例では、図４０において、例えば、連続する１０サイクルのデータに対し、誤差逆伝播法により、リカレントニューラルネットワークの重みの学習が行われ、連続する１０サイクルのデータに対するリカレントニューラルネットワークの重みの学習が完了すると、次の連続する１０サイクルのデータに対し、リカレントニューラルネットワークの重みの学習が行われる。このようにして全ての連続する１０サイクルのデータに対し、重みの学習が完了するまで、リカレントニューラルネットワークの重みの学習が行われる。

図４１は、重みの学習が完了した学習済みリカレントニューラルネットワークを示している。図４１において、時刻ｔを現在の時刻とした場合、この学習済みリカレントニューラルネットワークでは、過去の時刻ｔ−３、ｔ−２、ｔ−１における入力値ｘ_１ ^ｔ−３、ｘ_２ ^ｔ−３、ｘ_１ ^ｔ−２、ｘ_２ ^ｔ−２、ｘ_１ ^ｔ―１、ｘ_２ ^ｔ―１ と、現在の時刻ｔにおける入力値ｘ_１ ^ｔ、ｘ_２ ^ｔを、リカレントニューラルネットワークに順次入力すると、リカレントニューラルネットワークからは、現在の時刻ｔにおける。ノッキング強度を代表する値の最適推定値ｙｅの予測値ｙｅｅが出力される。即ち、この第２の例では、学習済みリカレントニューラルネットワークを用いて、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値ｙｅの予測値ｙｅｅの推定モデルが生成される。

本発明による第２の例では、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅにより生成されたノッキング強度を代表する値の推定モデルおよび学習済みのリカレントニューラルネットワークにより生成されたノッキング強度を代表する値の最適推定値ｙｅの予測値ｙｅｅの推定モデルを用いて、市販車両の機関におけるノッキング処理が行われる。そのためにこれらノッキング強度を代表する値の推定モデルおよびノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅｅの推定モデル、即ち、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび学習済みのリカレントニューラルネットワークが、市販車両の電子制御ユニット３０内に格納される。これら推定モデルの市販車両の電子制御ユニット３０への格納作用は、図１３を参照しつつ既に説明したやり方と同様な方法でもって、図１３に示される電子制御ユニットへのデータ読み込みルーチンを用いて行われる。

このように第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび学習済みのリカレントニューラルネットワークが、市販車両の電子制御ユニット３０に格納されると、電子制御ユニット３０のメモリ３２内には、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび学習済みのリカレントニューラルネットワークが形成される。図４２は、市販車両の電子制御ユニット３０のメモリ３２内に形成された第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅおよび学習済みのリカレントニューラルネットワークを用いて、市販車両の機関運転時に実行されるノッキング処理を示している。このノッキング処理は、気筒毎に、個別に、一サイクル毎に実行される。この第２の例でも、このノッキング処理は、例えば、クランク角が圧縮上死点に達したときに開始される。

図４２に示されるノッキング処理は、図３３に示されるノッキング処理と同様である。即ち、図４２を参照すると、まず初めにステップ２２０において、圧力センサ１９の出力値から求められるノッキング強度を代表する値、即ち、ノッキング強度代表値の推定処理が行われる。次いで、ステップ２２１では、ノッキング強度を代表する値の最適推定値ｙe の算出処理が行われる。次いで、ステップ２２２では、ノッキングが生じているか否かのノッキング判定処理が行われ、次いで、ステップ２２３では、点火制御が行われる。ステップ２２０において行われるノッキング強度代表値の推定処理は、図１５又は図１６のいずれか一方に示されるノッキング強度代表値の推定ルーチンにより行われ、ステップ２２１において行われるノッキング強度を代表する値の最適推定値ｙe の算出処理は、図１７に示される最適推定値ｙe の算出ルーチンにより行われる。これらのノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンについては既に説明したので、これらノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンについては説明を省略する。なお、これらのノッキング強度代表値の推定ルーチンおよび最適推定値ｙe の算出ルーチンが実行されると、ノッキング強度を代表する値の最適推定値ｙe が算出される。

図４３および図４４は、図４２のステップ２２１においてノッキング強度を代表する値の最適推定値ｙe が算出されたときに、このノッキング強度を代表する値の最適推定値ｙe に基づき、図４２のステップ２２２で行われるノッキング判定ルーチンを示している。図４３および図４４に示されるノッキング判定ルーチンのステップ２３０から２３２およびステップ２３５から２４４は、図３４および図３５に示されるノッキング判定ルーチンのステップ２３０から２３２およびステップ２３５から２４４と同一であり、図４３および図４４に示されるノッキング判定ルーチンにおいて図３４および図３５に示されるノッキング判定ルーチンと異なるところは、図４３および図４４に示されるノッキング判定ルーチンでは、ステップ２３０の前にステップ２３０ａが追加されており、図３４および図３５に示されるノッキング判定ルーチンのステップ２３３および２３４に代えて、ステップ２３３ａが設けられたことだけである。従って、図４３および図４４については、ステップ２３０ａおよびステップ２３３ａのみについて説明し、その他のステップについての説明は省略する。

図４３および図４４を参照すると、ステップ２３０ａでは、ステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe が、同一気筒に対し、予め定められた回数の点火が行われるまで、例えば、５回点火が行われるまで記憶される。一方、ステップ２３３ａでは、予め定められた回数前の点火が行われたサイクルから、例えば、５回前に点火が行われたサイクルから現在のサイクルに至るまでの各サイクルにおいてステップ２２１において算出されたノッキング強度を代表する値の最適推定値ｙe 、およびこれら各サイクルにおける点火時期の遅角量α或いは進角量βが、順次、リカレントニューラルネットワークの入力層の各ノードに入力され、それによりリカレントニューラルネットワークからは、現在のサイクルにおけるノッキング強度を代表する値の最適推定値ｙeの予測値ｙｅｅが出力される。

この第２の例でも、ステップ２３５では、未学習の機関の振動が発生しているか否かを判別するために、ノッキング強度を代表する値の最適推定値ｙe の予測値ｙｅeと第１の学習済みニューラルネットワーク２０から出力されたノッキング強度を代表する値の最適推定値ｙe との差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも大きいか否かが判別され、差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも小さいと判別されたときには、ステップ２３６に進んで、ノイズフラグがリセットされる。次いで、ステップ２３９に進んで、ノッキング強度を代表する値の最適推定値ｙe が閾値Ｍij よりも大きいか否かが判別される。一方、差（ｙｅe ―ｙｅ）の絶対値が設定値Ｓよりも大きいと判別されたときには、ステップ２３５からステップ２４０に進んで、ノイズフラグがセットされる。次いで、ステップ２４１において、ノッキング発生フラグがリセットされ、次いで、ステップ２４２において、判定中止フラグがセットされる。

図４５は、図４３および図４４に示されるノッキング判定ルーチンにおける判定結果に基づき電子制御ユニット３０内で実行される点火制御ルーチンを示している。図４５に示される点火制御ルーチンのステップ２５０から２５９は、図３６に示される点火制御ルーチンのステップ２５０から２５９と同一であり、図４５に示される点火制御ルーチンにおいて図３６に示される点火制御ルーチンと異なるところは、図４５に示されるノッキング判定ルーチンでは、ステップ２５９の後にステップ２５９ａが追加されていることだけである。従って、図４５については、ステップ２５９ａのみについて説明し、その他のステップについての説明は省略する。

図４５を参照すると、ステップ２５９ａでは、点火時期の遅角量α或いは進角量βが、同一気筒に対し、予め定められた回数の点火が行われるまで、例えば、５回点火が行われるまで記憶される。この第２実施例でも、ノッキング発生フラグがセットされたときには、点火時期は一定量αだけ遅角され、ノッキング発生フラグがリセットされたときには、点火時期は一定量β１又はβ２αだけ進角される。

このように、この第２実施例によれば、点火時期が遅角されたときのノッキング強度を代表する値の最適推定値の予測値又は予測低下量を推定する第２の学習済みニューラルネットワークが記憶装置３２内に記憶されている。機関運転時に、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いて算出されたノッキング強度を代表する値の最適推定値が予め定められた閾値を越えると次のサイクルにおける点火時期が遅角され、点火時期が遅角されたこの次のサイクルでは、第２の学習済みニューラルネットワークを用いて算出されたノッキング強度を代表する値の最適推定値の予測値と第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いて算出されたノッキング強度を代表する値の最適推定値との差に基づいて更に次のサイクルにおける点火時期の遅角制御が行われる。この遅角制御では、この差が予め定められた設定値よりも小さいときには、ノッキング強度を代表する値の最適推定値が予め設定された閾値よりも大きければ、更に次のサイクルにおける点火時期の遅角作用が行われ、この差が予め定められた設定値よりも大きいときには、たとえノッキング強度を代表する値の最適推定値が予め設定された閾値よりも大きかったとしても、更に次のサイクルにおける点火時期の遅角作用が行われない。

また、この第２実施例では、第２の学習済みニューラルネットワークは、機関の運転状態、点火時期の遅角量、および一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値を入力すると、点火時期が遅角されときのノッキング強度を代表する値の最適推定値の予測低下量を出力する。この予測低下量から点火時期が遅角されときのノッキング強度を代表する値の最適推定値の予測値が求められる。この場合、機関の運転状態は、機関回転数、機関負荷およびＥＧＲ率からなる。

また、この第２実施例では、第２の学習済みニューラルネットワークは、予め定められた回数前の点火が行われたサイクルから現在のサイクルに至るまでの各サイクルにおけるノッキング強度を代表する値の最適推定値および点火時期の遅角量又は進角量を入力すると、現在のサイクルにおけるノッキング強度を代表する値の最適推定値の予測値を出力するリカレントニューラルネットワークからな次いで、ステップ２３２に進んで、ノッキング判定処理が再開される。る。なお、この第２実施例では、リカレントニューラルネットワークに代えて、ゲート付きリカレントニューラルネットワーク、例えば、ＬＳＴＭ（Long short-term memory ）を用いることもできる。

また、この第２実施例では、点火時期の遅角作用が行われた後、ノッキング強度を代表する値の最適推定値が予め定められた閾値以下となったときには、点火時期の進角作用が開始され、点火作用が行われたときのノッキング強度を代表する最適推定値とノッキング強度を代表する最適推定値の予測値との差が設定値よりも大きかったときには、この差が設定値以下だったときに比べて点火時期の進角量が小さくされる。

次に、図４６および図４７を参照しつつ、圧縮上死点後、一定時間の間に取り込まれたノッキングセンサ１８の出力値および圧力センサ１９の出力値に基づいて、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習を行うと共に、圧縮上死点後、一定時間の間に取り込まれたノッキングセンサ１８の出力値に基づいてノッキングの発生を検出するようにした実施例について説明する。機関の作動の一サイクルのうちで、ノッキングセンサ１８および圧力センサ１９の双方の出力値、或いは、ノッキングセンサ１８の出力値が取り込まれるクランク角範囲はゲート区間と称され、図４６には、この実施例におけるゲート区間（縦軸）と、機関回転数（横軸）との関係が実線で示されている。なお、横軸におけるＮ１，Ｎ２，Ｎ３は代表的な機関回転数を示している。

一方、図４７には、各機関回転数Ｎ１，Ｎ２，Ｎ３に対するゲート区間Ｇが示されている。また、図４７には、等間隔で分割された各分割区間内におけるノッキングセンサ１８の出力値の積分値（負側の積分値も正の値とする）を算出するようにした場合における各分割区間Ｓが示されている。図４６および図４７から、この実施例では、機関回転数が高くなるほど、ゲート区間Ｇが長くなることがわかる。なお、図４６および図４７に示される例では、ノッキングセンサ１８の出力値および圧力センサ１９の出力値が取り込まれる期間が予め設定されており、この予め設定されている期間が、一定時間とされている。しかしながら、この予め設定されている期間は、必ずしも一定時間とする必要はなく、機関回転数が増大するにつれてゲート区間も増大するようにゲート区間を設定することもできる。

一方、これまで述べた実施例では、機関の全運転領域に対し、一組の第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いて、ノッキング強度を代表する値を推定するようにしている。しかしながら、このように機関の全運転領域に対して一組の第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅしか用いないとノッキング強度を代表する値の推定精度が低下する危険性がある。このような危険性を回避するためには、機関の運転領域を複数個の運転領域に分割し、分割された運転領域毎に夫々別個のニューラルネットワークを用いることが好ましい。図４８Ａから図４８Ｃは、このように分割された運転領域毎に夫々別個の第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅを用いるようにした実施例を示している。

即ち、この実施例では、図４８Ａから図４８Ｃに示されるように、機関の運転領域が、機関負荷Ｌおよび機関回転数Ｎに応じて、複数個の運転領域に分割されており、図４８Ａに示されるように、分割された運転領域毎に夫々別個の第１のニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅ（以下、第１のニューラルネットワークＮＮij という）が形成されている。この場合には、図４８Ｂに示されるように、図９に示されるような訓練データセットＤＳij が、分割された運転領域毎に夫々作成される。分割された運転領域毎に夫々形成された第１のニューラルネットワークＮＮij の重みの学習は、対応する訓練データセットＤＳij を用い、図１０に示される学習処理ルーチンを用いて行われる。一方、この実施例では、図４８Ｃに示されるように、分割された運転領域毎に、ノッキング強度代表値に対する閾値Ｍij が設定されている。この実施例では、分割された運転領域毎に、対応する第１の学習済みニューラルネットワークＮＮij を用い、図１５又は図１６に示されるノッキング強度代表値の推定ルーチンの出力値に基づき、ノッキング強度代表値の最適推定値ｙe が算出される。

一方、この実施例では、第２のニューラルネットワークも、図４８Ａに示される分割された運転領域毎に夫々形成することができる。この場合には、第２のニューラルネットワークに対する訓練データセットも、分割された運転領域毎に夫々作成され、分割された運転領域毎に夫々形成された第２のニューラルネットワークの重みの学習は、対応する訓練データセットを用いて行われる。また、この場合には、或る運転領域の第１の学習済みニューラルネットワークＮＮij により、ノッキング強度代表値の最適推定値ｙe が算出されると、同じ運転領域に対して作成されている第２の学習済みニューラルネットワークを用い、図４８Ｃに示される対応する閾値Ｍij を用いて、ノッキングが発生したか否かが判別される。

このようにこの実施例では、機関の運転領域が複数個の運転領域に分割されると共に、分割された各運転領域に対して夫々第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅが記憶装置内に記憶されている。また、第２のニューラルネットワークを用いる場合には、第２のニューラルネットワークも記憶装置内に記憶される。この実施例では、分割された運転領域毎に、第２の学習済みニューラルネットワークを用いて算出されたノッキング強度を代表する値の最適推定値の予測値と第１の学習済みニューラルネットワークを用いて算出されたノッキング強度を代表する値の最適推定値との差に基づいて次のサイクルにおける点火時期の遅角制御が行われる。

図４９から図５１に、更に別の実施例を示す。この実施例では、図４９に示されるように、機関本体１にノッキングセンサ１８ａおよびノッキングセンサ１８ｂが取付けられており、これらノッキングセンサ１８ａおよびノッキングセンサ１８ｂは、ノッキングセンサ１８ａの出力値の波形およびノッキングセンサ１８ｂの出力値の波形を検出可能な検出器２１、例えば、オシロスコープに接続されている。図４９において、左から順に１番気筒＃１、２番気筒＃２、３番気筒＃３、４番気筒＃４と称すると、ノッキングセンサ１８ａは１番気筒＃１および２番気筒＃２から等距離の位置に配置されており、ノッキングセンサ１８ｂは３番気筒＃３および４番気筒＃４から等距離の位置に配置されている。図４９に示されるその他の構成は、図５に示される構成と同じであり、従って、この図４９に示されるその他の構成については、説明を省略する。なお、この実施例では、各ノッキングセンサ１８ａ、１８ｂの出力値が共通の各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介して対応する第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに入力される。

この実施例において、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは、図５０に示されている同一構造のニューラルネットワーク５５からなる。図５０を参照すると、このニューラルネットワーク５５においても、図３および図８に示されるニューラルネットワークと同様に、L＝１は入力層、L＝２および L＝３は隠れ層、L＝４は出力層を夫々示している。この実施例では、図５０からわかるように、入力層 ( L＝１) が２ｎ個のノードからなる。一方、図５０には隠れ層 ( L＝２)および隠れ層 ( L＝３)が記載されているが、これら隠れ層の層数は、１個又は任意の個数とすることができ、またこれら隠れ層のノードの数も任意の個数とすることができる。なお、出力層 ( L＝４) のノードの数は１個とされており、出力層のノードからの出力値がｙで示されている。

図５０において、ｘ_１、ｘ_２・・・ｘ_ｎ−１、ｘ_ｎは、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介してノッキングセンサ１８ａから対応する第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに入力される入力値を示しており、ｘｘ_１、ｘｘ_２・・・ｘｘ_ｎ−１、ｘｘ_ｎは、各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介してノッキングセンサ１８ｂから対応する第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅに入力される入力値を示している。なお、この実施例でも、入力値ｘ_１、ｘ_２・・・ｘｘ_ｎ−１、ｘｘ_ｎとして、図６Ｂに示される値か、或いは、図６Ｃに示される値が用いられる。即ち、図６Ｂに示されるように、フィルタリングされた後のノッキングセンサ１８ａおよびノッキングセンサ１８ｂの出力値そのものが入力値ｘ_１、ｘ_２・・・ｘｘ_ｎ−１、ｘｘ_ｎとされるか、或いは、図６Ｃに示されるように、フィルタリングされた後のノッキングセンサ１８ａおよびノッキングセンサ１８ｂの出力値の積分値（負側の積分値も正の値とする）であって例えば一定クランク角度内におけるノッキングセンサ１８ａおよびノッキングセンサ１８ｂの出力値の積分値が入力値ｘ_１、ｘ_２・・・ｘｘ_ｎ−１、ｘｘ_ｎとされる。

一方、図５０に示される出力値ｙｉ（ｉ＝１，２，３，４，５）としては、図８に示される場合と同様に、圧力センサ１９の出力値から求められるノッキング強度を代表する値が採用されている。この場合、図８に示される場合と同様に、図７Ｂにおいて丸印で示されるフィルタリング後の圧力センサ１９の出力値のピーク値が出力値ｙｉとして用いられるか、或いは、図７Ｃに示されるフィルタリング後の圧力センサ１９の出力値の積分値（負側の積分値も正の値とする）が出力値ｙｉとして用いられる。なお、この実施例においても、圧力センサ１９の出力値から求められるノッキング強度を代表する値の実測値が教師データｙｔとされる。

図５１は、入力値ｘ_１、ｘ_２・・・ｘｘ_ｍ−１、ｘｘ_ｍと、圧力センサ１９の出力値から求められるノッキング強度を代表する値の実測値、即ち、教師データｙｔとを用いて作成された訓練データセットを示している。図５１に示されるように、この訓練データセットでは、入力値ｘ_１、ｘ_２・・・ｘｘ_ｎ−１、ｘｘ_ｎと教師データｙｔとの関係を表すｍ個のデータが取得されている。この訓練データセットの作成方法は、既に説明した図９に示される訓練データセットの作成方法と同じである。即ち、訓練データセットを作成する際には、図４９において、機関負荷および機関回転数の種々の組み合わせについてノッキングの発生しない運転状態とノッキングの発生する運転状態の双方の状態が生ずるように機関を運転させ、そのとき各検出器２１、２２から得られたデータに基づいて、図５１に示されるような訓練データセットが作成される。

訓練データセットが作成されると、作成された訓練データセットの電子データを用いて、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。この第１のニューラルネットワークの重みの学習方法は、図５を参照しつつ前述した第１のニューラルネットワークの重みの学習方法と同じである。即ち、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習を行うときには、これら第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅのノード数、および作成された訓練データセットの電子データが、図４９に示される学習装置２３のメモリ２４に記憶され、ＣＰＵ２５において、図１０に示される学習処理ルーチンを用いて、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われる。

このように、この実施例では、機関本体１の振動を検出する複数個のノッキングセンサ１８ａおよび１８ｂを具備している。第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅは、複数個のノッキングセンサ１８ａおよび１８ｂの出力値が各バンドパスフィルタ３７ａ、３７ｂ、３７ｃ、３７ｄ、３７ｅを介して入力されると、ノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５を出力し、これらノッキング強度を代表する値の推定値ｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５ に基づいて、ノッキング強度を代表する値の最適推定値ｙe が算出される。このように複数個のノッキングセンサ１８ａおよび１８ｂを用い、両方のノッキングセンサ１８ａおよび１８ｂの出力値を用いて、第１の学習済みニューラルネットワーク２０ａ、２０ｂ、２０ｃ、２０ｄ、２０ｅの重みの学習が行われると、一つのノッキングセンサを用いたときよりも、取得できる情報量が増大するために、ノッキング強度を代表する値を精度よく推定することができる。

次に、図５２から図５８Ｂを参照しつつ、非負値行列因子分解（Non-negative MatrixFactorization）を用いて、ノッキング強度を代表する値の最適推定値ｙe を求めるようにした変形例について説明する。なお、この非負値行列因子分解を、以降、ＮＭＦと称する。まず初めに、この変形例の概要について説明すると、この変形例では、図５２に示されるように、ノッキングセンサ１８の出力値が短時間フーリエ変換（ＳＴＦＴ）処理部７０に入力され、ＳＴＦＴ処理部７０からの出力がＮＭＦ処理部７１に入力され、ＮＭＦ処理部７１からの出力が算出部７２に入力され、算出部７２ではＮＭＦ処理部７１からの出力に基づいてノッキング強度を代表する値の最適推定値ｙe が算出される。

最初に、ＳＴＦＴ処理部７０において行われているＳＴＦＴ処理について図５３を参照しつつ簡単に説明する。図５３は、ノッキングセンサ１８の出力値（Ｖ）の変化を示しており、図５３の横軸は、ＡＴＤＣで表したクランク角（圧縮上死点から圧縮上死点後９０°）を示している。図５３に示されるように、圧縮上死点から圧縮上死点後９０°までの間が一定の時間区分（図５３に示される例では、ｔ_１からｔ_９の９区分）に分割され、これら区分毎にノッキングセンサ１８の出力値の短時間フーリエ変換が行われる。短時間フーリエ変換が行われると、時間×周波数×パワー（振幅の２乗）の３次元データであるスペクトログラムが生成される。

図５４は、このスペクトログラムを図解的に示している。図５４において横軸は時間を示しており、横軸には図５３に示されるｔ_１からｔ_９の各時間区分が示されている。一方図５４において縦軸は周波数を示しており、ａ₁・・a_ｎ・・・ｉ_１・・・ｉ_ｎ は、対応する時間区分（ｔ_１からｔ_９）と周波数におけるパワーを示している。この実施例では、図５４に示されるスペクトログラムを行列とみなしてＮＭＦ処理が行われる。そこで次に、このＮＭＦ処理について、図５５を参照しつつ説明する。

図５５においてＹは、図５４に示されるスペクトログラムにおける各パワーをｎ行ｍ列の各要素として並べた行列を示している。ＮＭＦ処理では、この行列Ｙが、ｎ行ｋ列の行列Ｈとｋ行ｍ列の行列Ｕの積（Ｙ＝ＨＵ）で表されるように行列Ｈと行列Ｕの各要素が求められる。この場合、この変形例では、行列Ｈは基底行列と称され、行列Ｙはアクティベーション行列と称される。ところでこの場合、Ｙ＝ＨＵを満たす行列Ｈおよび行列Ｕの各要素の厳密解を求めるのは困難であり、一般的には近似値が求められる。この近似値の求め方については説明を省略するが、基本的な考え方としては、誤差行列Ｙ−ＨＵの要素の二乗和が最小になる行列Ｈと行列Ｕの各要素を求めることにある。いずれにしても、ＮＭＦ処理では、行列Ｈと行列Ｕの積がほぼ行列Ｙとなるような行列Ｈと行列Ｕの各要素が求められる。

次に、図５５に示される基底行列Ｈとアクティベーション行列Ｕの技術的意味を容易に理解するために、図５６に示されるＹ’＝Ｈ’U’の関係を満たした簡単な例について説明する。図５６を参照すると、行列Ｙ’の１列目と行列Ｈ’の１列目は、同じ数値配列[１，２，３，４] とされており、行列Ｙ’の２列目と行列Ｈ’の２列目は、同じ数値配列[１，０，１，０] とされている。また、行列Ｙ’の３列目は、行列Ｙ’の１列目の２倍の数値となっており、行列Ｙ’の４列目は、行列Ｙ’の２列目と３列目の数値の和となっている。この場合、行列Ｈ’の１列目と行列Ｙ’の各列との関係が、行列Ｕ’の１行目に現れ、行列Ｈ’の２列目と行列Ｙ’の各列との関係が、行列Ｕ’の２行目に現れる。即ち、行列Ｙ’のいずれかの列の数値が、行列Ｈ’の１列目と同じとき、或いは、行列Ｈ’の１列目の２倍のときには、夫々、行列Ｕ’の１行目に１、或いは、２となって現れ、また、行列Ｙ’のいずれかの列の数値が、行列Ｈ’の２列目と同じときには、行列Ｕ’の２行目に１となって現れる。このように行列Ｙ’のいずれかの列の数値が、行列Ｈ’のいずれかの列と同じとき、或いは、倍のときには、行列Ｕ’の要素の数値が高くなる。

従って、図５５において、行列Ｈの１列目の数値配列が、基準となる数値配列、例えば、ノッキングが発生したときの時間区分内におけるパワーの周波数分布を示す数値配列とされている場合には、行列Ｙのいずれかの列に、この基準となる数値配列と、例えば、同じ数値配列が存在する場合には、行列Ｕの１行目に１が現れ、行列Ｕの１行目の値が増大する。即ち、ノッキングが発生したときには、行列Ｕの１行目の値が増大する。従って、逆に、行列Ｕの１行目の値が増大したときには、ノッキングが発生したと判別できることになる。この変形例では、このような考え方に基づいて、ノッキングの発生を判別している。なお、行列Ｈにおける数値配列が、基準となる数値配列にされた場合、行列Ｙのいずれかの列に、この基準となる数値配列と同じような数値配列が存在すると共起して行列Ｕの要素の値が増大する。従って、上述したように、行列Ｈは基底行列と称され、行列Ｕはアクティベーション行列と称される。

次に、図５７Ａから図５７Ｃを参照しつつ、この変形例における基底行列Ｈおよびアクティベーション行列Ｕの作成方法の一例について説明する。図５７Ａにおいて、データＡは、ノッキングのみが発生したときのパワーの周波数分布を示す数値配列の多数の実測データを示している。この変形例では、図５７Ａに示されるように、これら多数の実測データＡの中から、ノッキングのみを表す代表的な数値配列が抽出され、これら抽出された数値配列が、基底行列Ｈの各列の要素とされる。それにより複数個の基底ベクトルＢＡ１，ＢＡ２，ＢＡ３からなる基底行列Ｈが作成される。一方、図５７Ｂには、この基底行列Ｈに対するアクティベーション行列Ｕが示されており、図５７Ｂに示されるように、この場合、この基底行列Ｈに対するアクティベーション行列Ｕは、基底ベクトルＢＡ１，ＢＡ２，ＢＡ３と同数の行ベクトルＡＣＴ１，ＡＣＴ２，ＡＣＴ３からなる。

次いで、図５７Ｃに示されるように、データＡに代えてデータＢが用いられると共に、基底行列Ｈには、ノイズ用の複数個の基底ベクトルＢＡ４，ＢＡ５が追加され、アクティベーション行列Ｕには、追加された基底ベクトルＢＡ４，ＢＡ５と同数の行ベクトルＡＣＴ４，ＡＣＴ５が追加される。なお、図５７Ｃに示されるデータＢは、ノッキングに加え、ノッキングの発生による機関本体１の振動以外の振動、即ち、ノイズが発生したときのパワーの周波数分布を示す数値配列の多数の実測データを示している。図５７Ｃでは、このデータＢを用いて、追加されたノイズ用基底ベクトルＢＡ４，ＢＡ５の学習が行われる。

この追加されたノイズ用基底ベクトルＢＡ４，ＢＡ５の学習方法について一例を挙げると、例えば、アクティベーション行列Ｕのノイズ用行ベクトルＡＣＴ４，ＡＣＴ５が共起状態とされ、例えば、ノイズ用行ベクトルＡＣＴ４，ＡＣＴ５の全ての要素が１とされ、この状態で、基底行列Ｈとアクティベーション行列Ｕの積がほぼ行列Ｙ（データＢ）となるように基底行列Ｈのノイズ用基底ベクトルＢＡ４，ＢＡ５の各要素が求められる。このとき、基底行列Ｈのノイズ用基底ベクトルＢＡ４，ＢＡ５の数値配列は、データＢ内に含まれるノイズを表していることになる。なお、この場合、このような学習を行うことなく、多数の実測データの中から、ノイズのみを表す代表的な数値配列を抽出し、これら抽出された数値配列を基底行列Ｈのノイズ用基底ベクトルＢＡ４，ＢＡ５とすることもできる。このようにしてノッキングのみが発生したときの数値配列を表している基底ベクトルＢＡ１，ＢＡ２，ＢＡ３と、ノイズを示す数値配列を表している基底ベクトルＢＡ４，ＢＡ５からなる基底行列Ｈが作成される。

このような基底行列Ｈが作成されると、この基底行列Ｈを用いて、ノッキング強度を代表する値の最適推定値ｙe が求められる。即ち、図５７Ｂにおいて、データＡに基底ベクトルＢＡ１，ＢＡ２，ＢＡ３からなる基底行列Ｈの逆行列を掛けると、行ベクトルＡＣＴ１，ＡＣＴ２，ＡＣＴ３からなるアクティベーション行列Ｕが求まる、従って、データＡとして、車両運転中に図５４のスペクトログラムに示されるような実測データを取得すれば、この実測データに基底ベクトルＢＡ１，ＢＡ２，ＢＡ３からなる基底行列Ｈの逆行列を掛けることにより、行ベクトルＡＣＴ１，ＡＣＴ２，ＡＣＴ３からなるアクティベーション行列Ｕを求めることができる。その結果、アクティベーション行列Ｕの要素の大きさから、ノッキング強度を代表する値の最適推定値ｙe を求めることができる。但し、基底ベクトルＢＡ１，ＢＡ２，ＢＡ３からなる基底行列Ｈは正方行列ではなく、従って、逆行列を求めることはできない。

従って、この変形例では、図５８Ａに示されるように、車両運転中に取得された図５４のスペクトログラムに示されるような実測データに、基底ベクトルＢＡ１，ＢＡ２，ＢＡ３からなる基底行列Ｈの疑似逆行列を掛けることによって、行ベクトルＡＣＴ１，ＡＣＴ２，ＡＣＴ３からなるアクティベーション行列Ｕを求めるようにしている。なお、基底行列Ｈの疑似逆行列Ｈ^＋は、図５８Ｂに示されるように、基底行列Ｈの転置行列Ｈ^Ｔに基底行列Ｈを掛けることにより得られた正方行列に転置行列Ｈ^Ｔを掛けることによって得られる。実測データに基づき得られたアクティベーション行列Ｕの各要素の総和はノッキング強度を表していると考えられ、従って、この変形例では、アクティベーション行列Ｕの各要素の総和がノッキング強度を代表する値の最適推定値ｙe とされる。なお、この場合、このような疑似逆行列Ｈ^＋を用いるのではなく、例えば、補間関数法として知られている繰り返し計算を行うことによりアクティベーション行列Ｕを求めることもできる。

このようにして、この変形例では、ＮＭＦ処理を用いて、ノッキング強度を代表する値の最適推定値ｙe が算出される。この変形例では、必要に応じて、このノッキング強度を代表する値の最適推定値ｙe に基づき、図２５から図４５に示される第２実施例が実行される。

１ 機関本体
５ 燃焼室
１１ 点火栓
１８、１８ａ、１８ｂ ノッキングセンサ
１９ 圧力センサ
２０，５５ 第１のニューラルネットワーク
２３ 学習装置
３０ 電子制御ユニット
５０ 第２のニューラルネットワーク

Claims (18)

1. ノッキングセンサの出力値の夫々異なる周波数帯域のみを夫々通過させる複数個のバンドパスフィルタと、各周波数帯域のバンドパスフィルタに対して夫々設けられておりかつ対応する周波数帯域のバンドパスフィルタによりフィルタリングされた後のノッキングセンサの出力値が夫々入力される複数個のニューラルネットワークを記憶した記憶装置とを具備しており、各ニューラルネットワークは、対応する周波数帯域のバンドパスフィルタによりフィルタリングされた後のノッキングセンサの出力値が入力されたときに、点火により発生する混合気の燃焼圧を検出するための圧力センサの出力値から求められるノッキング強度を代表する値の推定値を出力するように事前学習されており、更に、機関運転時に取得されたノッキングセンサの出力値を各バンドパスフィルタに入力すると共に各バンドパスフィルタから出力されたフィルタリング後のノッキングセンサの出力値を夫々対応する学習済みニューラルネットワークに入力して各学習済みニューラルネットワークから出力されたノッキング強度を代表する値の推定値を取得する推定値取得部と、該推定値取得部により取得された該ノッキング強度を代表する値の推定値から特異な推定値を除いた一部の推定値を用いてノッキング強度を代表する値の最適推定値を算出する算出部と、該算出部において算出されたノッキング強度を代表する値の最適推定値に基づいて点火時期の遅角制御を行う制御部とを具備する内燃機関の点火時期制御装置。
2. 該バンドパスフィルタが、複数個の狭帯域バンドパスフィルタと、全ての該狭帯域バンドパスフィルタの周波数帯域を包含する広帯域バンドパスフィルタからなる請求項１に記載の内燃機関の点火時期制御装置。
3. 該広帯域バンドパスフィルタの周波数帯域が５ｋHz から２５ｋHzであり、狭帯域バンドパスフィルタが夫々、５ｋHz から１０ｋHz、１０ｋHz から１５ｋHz、１５ｋHz から２０ｋHz、２０ｋHz から２５ｋHzである請求項２に記載の内燃機関の点火時期制御装置。
4. 該算出部は、該推定値取得部により取得された該ノッキング強度を代表する値の推定値のうちで最大の推定値と最小の推定値を除いた残りの推定値の平均値を、ノッキング強度を代表する値の最適推定値とする請求項１に記載の内燃機関の点火時期制御装置。
5. 該算出部は、該推定値取得部により取得された該ノッキング強度を代表する値の推定値の中の一部の推定値の塊であって最も値の近い推定値の塊の平均値を、ノッキング強度を代表する値の最適推定値とする請求項１に記載の内燃機関の点火時期制御装置。
6. 上記学習済みニューラルネットワークが、第１の学習済みニューラルネットワークを形成しており、点火時期が遅角されたときの該ノッキング強度を代表する値の最適推定値の予測値又は予測低下量を推定する第２の学習済みニューラルネットワークが記憶装置内に記憶されており、機関運転時に、該第１の学習済みニューラルネットワークを用いて算出されたノッキング強度を代表する値の最適推定値が予め定められた閾値を越えると次のサイクルにおける点火時期が遅角され、点火時期が遅角された該次のサイクルでは、第２の学習済みニューラルネットワークを用いて算出された該ノッキング強度を代表する値の最適推定値の予測値と第１の学習済みニューラルネットワークを用いて算出された該ノッキング強度を代表する値の最適推定値との差に基づいて更に次のサイクルにおける点火時期の遅角制御が行われ、この遅角制御では、該差が予め定められた設定値よりも小さいときには、該ノッキング強度を代表する値の最適推定値が予め設定された閾値よりも大きければ、該更に次のサイクルにおける点火時期の遅角作用が行われ、該差が予め定められた設定値よりも大きいときには、たとえ該ノッキング強度を代表する値の最適推定値が予め設定された閾値よりも大きかったとしても、該更に次のサイクルにおける点火時期の遅角作用が行われない請求項１に記載の内燃機関の点火時期制御装置。
7. 該第２の学習済みニューラルネットワークは、機関の運転状態、点火時期の遅角量、および一つ前のサイクルにおけるノッキング強度を代表する値の最適推定値を入力すると、点火時期が遅角されときのノッキング強度を代表する値の最適推定値の予測低下量を出力し、該予測低下量から点火時期が遅角されときのノッキング強度を代表する値の最適推定値の予測値が求められる請求項６に記載の内燃機関の点火時期制御装置。
8. 該機関の運転状態が、機関回転数、機関負荷およびＥＧＲ率からなる請求項７に記載の内燃機関の点火時期制御装置。
9. 該第２の学習済みニューラルネットワークは、予め定められた回数前の点火が行われたサイクルから現在のサイクルに至るまでの各サイクルにおけるノッキング強度を代表する値の最適推定値および点火時期の遅角量又は進角量を入力すると、現在のサイクルにおけるノッキング強度を代表する値の最適推定値の予測値を出力するリカレントニューラルネットワークからなる請求項６に記載の内燃機関の点火時期制御装置。
10. 点火時期の遅角作用が行われた後、ノッキング強度を代表する値の最適推定値の予測値が予め定められた閾値以下となったときに、点火時期の進角作用が開始され、点火時期の遅角作用が行われたときのノッキング強度を代表する値の最適推定値とノッキング強度を代表する値の最適推定値の予測値との差が設定値よりも大きかったときには該差が設定値以下だったときに比べて点火時期の進角量が小さくされる請求項６に記載の内燃機関の点火時期制御装置。
11. 上記ノッキング強度を代表する値が、圧力センサの出力値のピーク値である請求項１に記載の内燃機関の点火時期制御装置。
12. 上記ノッキング強度を代表する値が、圧力センサの出力値の積分値である請求項１に記載の内燃機関の点火時期制御装置。
13. ノッキングセンサの出力値が、予め設定されている期間内における出力値である請求項１に記載の内燃機関の点火時期制御装置。
14. ノッキングセンサの出力値が、予め設定されている期間内において等分割された区間内におけるノッキングセンサの出力値の積分値である請求項１に記載の内燃機関のノッキング検出装置。
15. 該予め設定されている期間が、一定のクランク角度範囲である請求項１３又は請求項１４に記載の内燃機関の点火時期制御装置。
16. 該予め設定されている期間が、一定時間である請求項１３又は請求項１４に記載の内燃機関の点火時期制御装置。
17. 機関の運転領域が複数個の運転領域に分割されると共に、分割された各運転領域に対して夫々各学習済みニューラルネットワークが記憶装置内に記憶されている請求項１に記載の内燃機関の点火時期制御装置。
18. 機関本体の振動を検出する複数個のノッキングセンサを具備しており、各学習済みニューラルネットワークは、該バンドパスフィルタを介して該複数個のノッキングセンサの出力値が入力されると、ノッキング強度を代表する値の推定値を出力する請求項１に記載の内燃機関の点火時期制御装置。

Images