JP2021127742A - 写像の学習方法 - Google Patents

Abstract

【課題】できるだけ少量の訓練データで、写像から出力されるデータの精度を高める写像の学習方法を提供する。
【解決手段】内燃機関の制御装置は、内燃機関の状態を示すパラメータを写像に入力し、写像から出力される失火が生じた確率Ｐ（ｉ）に基づいて、失火の有無を分類している。写像の学習方法では、入力工程において訓練データを複数取得する。次に、更新工程において、入力された訓練データに基づいて写像を更新する。そして、入力工程で入力される訓練データの分布密度は、その確率Ｐ（ｉ）と相関のある回転変動量ΔＮＥが分類境界ＣＢに近いほど大きい。
【選択図】図７

Description

本発明は、写像の学習方法に関する。

特許文献１に記載の内燃機関の失火検出装置は、ニューラルネットワークと、ニューラルネットワークの出力を規格化するソフトマックス関数とによって構成される写像を、予め記憶している。失火検出装置は、内燃機関の状態を示すパラメータを写像に入力し、その写像の出力に基づいて、失火の有無を判定している。写像データによって規定される写像は、予め訓練データを入力することにより機械学習によって学習されている。

特許第６５９３５６０号明細書

特許文献１に記載の技術のように機械学習された写像によって内燃機関の状態を判定するものでは、学習用の訓練データの量が多ければ多いほど、学習後の写像から出力されるデータの精度が良くなる可能性が高い。しかしながら、訓練データを無制限に大量に収集することは現実的でなく、できるだけ少量の訓練データで、写像から出力されるデータの精度を高める技術が望まれる。

１．上記課題を解決するため、本発明は、内燃機関の状態を示すパラメータである内燃機関状態変数を入力として内燃機関の状態を複数の領域に分類した結果である分類結果に属する確率を算出する写像と、算出した確率に基づいて内燃機関の状態の前記分類結果を出力する演算部とを含むコンピュータの前記写像を学習させる方法であって、前記内燃機関状態変数と、前記内燃機関状態変数に対応付けられた正解の前記分類結果とからなる複数の訓練データを、訓練用コンピュータに入力する入力工程と、前記訓練用コンピュータが、入力された前記訓練データに基づいて前記写像を更新する更新工程と、を有し、前記入力工程で入力される複数の前記訓練データの分布密度は、前記分類結果における複数の領域の境界に前記確率が近いほど大きい写像の学習方法である。

上記構成によれば、確率の大小の全領域を網羅するような大量の訓練データを用意しなくても、分類結果に対する影響の大きい訓練データを入力するので、写像から出力される分類結果が高精度になり得る。

２．上記写像の学習方法において、前記境界は、前記確率および少なくとも１つの前記内燃機関状態変数を含む多次元の関数として定められ、前記入力工程で入力される複数の前記訓練データは、前記関数に含まれる前記内燃機関状態変数の一定の範囲以上に分布していてもよい。

上記構成では、境界は、確率および少なくとも１つの内燃機関状態変数を含む多次元の関数として定められている。この場合、確率が同じであっても、内燃機関状態変数が変化すると、写像が出力する分類結果に誤りが生じる可能性が捨てきれない。上記構成によれば、各訓練データの内燃機関状態変数が一定の範囲以上に分布している。そのため、広い内燃機関状態変数の範囲に亘って、写像の正確性を担保できる。

３．上記写像の学習方法において、前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、前記入力工程で入力される複数の前記訓練データの分布密度は、前記予備入力工程で入力される複数の前記訓練データの分布密度よりも、前記境界に前記確率が近いほど大きくてもよい。

上記構成によれば、入力工程の際に入力される訓練データは、予備入力工程の際に入力された訓練データに比べて、確率が境界に近いほど、分布密度が大きい。このように、分類結果に対する影響のより大きい訓練データを入力するので、写像から出力される分類結果を、より高精度にできる。

４．上記写像の学習方法において、前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、前記入力工程で入力された前記訓練データから前記写像を用いて算出された確率と前記境界との差が所定値以上である場合には、当該訓練データは、前記更新工程における訓練データからは除外してもよい。

上記構成によれば、入力工程の際に入力される訓練データは、確率と境界との差が所定値未満のものに限られる。このように、分類結果に対する影響の大きい訓練データのみが入力されるため、写像の更新に関する処理の負担を軽減できる。

５．上記写像の学習方法において、前記分類結果は、前記内燃機関の失火の有無であり、前記写像は、第１間隔に含まれる連続する複数の第２間隔のそれぞれにおける瞬時速度パラメータである時系列データを入力とし、内燃機関に失火が生じた確率を出力する写像であり、前記瞬時速度パラメータは、前記内燃機関のクランク軸の回転速度に応じたパラメータであり、前記第１間隔は、前記クランク軸の回転角度間隔であって圧縮上死点を含む間隔であり、前記第２間隔は、前記圧縮上死点の出現間隔よりも小さい間隔であり、前記写像は、前記第１間隔内に圧縮上死点が出現する少なくとも１つの気筒に関して失火が生じた確率を出力するものであり、前記確率は、前記内燃機関のクランク軸の回転挙動の変化量である回転変動量であってもよい。

上記構成によれば、失火の有無を判定する写像の学習をするうえで、訓練データを相応の範囲で、均一に大量に収集せずに、精度が相応に高い写像を生成できる。

制御装置および車両の駆動系の構成を示す図。 失火の分類処理の手順を示す流れ図。 失火への対処処理の手順を示す流れ図。 写像データを生成するシステムを示す図。 写像の学習方法の手順を示す流れ図。 訓練データの分布を説明する説明図。 訓練データの分布を説明する説明図。

以下、写像の学習方法の実施形態について、図面を参照して説明する。
先ず、図１に基づいて、写像が搭載される車両の駆動系および制御装置の構成を説明する。

図１に示す車両ＶＣに搭載された内燃機関１０において、吸気通路１２には、スロットルバルブ１４が設けられている。吸気通路１２から吸入された空気は、吸気バルブ１６が開弁することによって各気筒＃１〜＃４の燃焼室１８に流入する。内燃機関１０においては燃焼室１８に露出するようにして、燃料を噴射する燃料噴射弁２０と、火花放電を生じさせる点火装置２２とが設けられている。燃焼室１８において、空気と燃料との混合気は、燃焼に供され、燃焼によって生じたエネルギは、クランク軸２４の回転エネルギとして取り出される。燃焼に供された混合気は、排気バルブ２６の開弁に伴って、排気として、排気通路２８に排出される。排気通路２８には、酸素吸蔵能力を有した三元触媒３０が設けられている。排気通路２８は、ＥＧＲ通路３２を介して吸気通路１２に連通されている。ＥＧＲ通路３２には、その流路断面積を調整するＥＧＲバルブ３４が設けられている。

クランク軸２４の回転動力は、吸気側バルブタイミング可変装置４０を介して吸気側カム軸４２に伝達される一方、排気側バルブタイミング可変装置４４を介して排気側カム軸４６に伝達される。吸気側バルブタイミング可変装置４０は、吸気側カム軸４２とクランク軸２４との相対的な回転位相差を変更する。排気側バルブタイミング可変装置４４は、排気側カム軸４６とクランク軸２４との相対的な回転位相差を変更する。

内燃機関１０のクランク軸２４には、トルクコンバータ６０を介して変速装置６４の入力軸６６が連結可能となっている。トルクコンバータ６０は、ロックアップクラッチ６２を備えており、ロックアップクラッチ６２が締結状態となることにより、クランク軸２４と入力軸６６とが連結される。変速装置６４の出力軸６８には、駆動輪６９が機械的に連結されている。なお、本実施形態では、変速装置６４は、１速から５速までの変速比を変更可能な有段変速装置である。

クランク軸２４には、クランク軸２４の複数個（ここでは、３４個）の回転角度のそれぞれを示す歯部５２が設けられたクランクロータ５０が結合されている。クランクロータ５０には、基本的には、１０°ＣＡ間隔で歯部５２が設けられているものの、隣接する歯部５２間の間隔が３０°ＣＡとなる箇所である欠け歯部５４が１箇所設けられている。これは、クランク軸２４の基準となる回転角度を示すためのものである。

コンピュータである制御装置７０は、内燃機関１０を制御対象とし、その制御量であるトルクや排気成分比率等を制御するために、スロットルバルブ１４や、燃料噴射弁２０、点火装置２２、ＥＧＲバルブ３４、吸気側バルブタイミング可変装置４０、排気側バルブタイミング可変装置４４を操作する。なお、図１には、スロットルバルブ１４、燃料噴射弁２０、点火装置２２、ＥＧＲバルブ３４、吸気側バルブタイミング可変装置４０、排気側バルブタイミング可変装置４４のそれぞれの操作信号ＭＳ１〜ＭＳ６を記載している。

制御装置７０は、制御量の制御に際し、上記歯部５２間の角度間隔（欠け歯部５４を除き１０°ＣＡ）毎のパルスを出力するクランク角センサ８０の出力信号Ｓｃｒや、エアフローメータ８２によって検出される吸入空気量Ｇａを参照する。また制御装置７０は、水温センサ８４によって検出される内燃機関１０の冷却水の温度（水温ＴＨＷ）や、シフト位置センサ８６によって検出される変速装置６４のシフト位置Ｓｆｔ、加速度センサ８８によって検出される車両ＶＣの上下方向の加速度Ｄａｃｃを参照する。

制御装置７０は、ＣＰＵ７２、ＲＯＭ７４、電気的に書き換え可能な不揮発性メモリ（記憶装置７６）、および周辺回路７７を備え、それらがローカルネットワーク７８によって通信可能とされたものである。なお、周辺回路７７は、内部の動作を規定するクロック信号を生成する回路や、電源回路、リセット回路等を含む。

制御装置７０は、ＲＯＭ７４に記憶されたプログラムをＣＰＵ７２が実行することによって、上記制御量の制御を実行する。また、制御装置７０は、内燃機関１０の状態を示す各種パラメータを入力として、内燃機関に失火が生じた確率を、写像を用いて算出する。そして、制御装置７０のＣＰＵ７２は、算出した確率に基づいて内燃機関１０の失火の有無を分類する。

図２に、失火検出処理の手順を示す。図２に示す処理は、図１に示すＲＯＭ７４に記憶された失火検出プログラム７４ａをＣＰＵ７２がたとえば所定周期で繰り返し実行することにより実現される。なお、以下では、先頭に「Ｓ」が付与された数字によって、各処理のステップ番号を表現する。

図２に示す一連の処理において、ＣＰＵ７２は、まず、微小回転時間Ｔ３０（１），Ｔ３０（２），…Ｔ３０（２４）を取得する（Ｓ１０）。微小回転時間Ｔ３０は、ＣＰＵ７２により、クランク角センサ８０の出力信号Ｓｃｒに基づき、クランク軸２４が３０°ＣＡ回転するのに要する時間を計時することによって算出される。ここで、微小回転時間Ｔ３０（１），Ｔ３０（２）等、カッコの中の数字が異なる場合、１燃焼サイクルである７２０°ＣＡ内の異なる回転角度間隔であることを示す。すなわち、微小回転時間Ｔ３０（１）〜Ｔ３０（２４）は、７２０°ＣＡの回転角度領域を３０°ＣＡで等分割した各角度間隔における回転時間を示す。

詳しくは、ＣＰＵ７２は、出力信号Ｓｃｒに基づき３０°ＣＡだけ回転した時間を計時し、これをフィルタ処理前時間ＮＦ３０とする。次にＣＰＵ７２は、フィルタ処理前時間ＮＦ３０を入力とするデジタルフィルタ処理を施すことによって、フィルタ処理後時間ＡＦ３０を算出する。そしてＣＰＵ７２は、所定期間（たとえば７２０°ＣＡ）におけるフィルタ処理後時間ＡＦ３０の極大値と極小値との差が「１」となるようフィルタ処理後時間ＡＦ３０を正規化することによって、微小回転時間Ｔ３０を算出する。

次にＣＰＵ７２は、回転速度ＮＥおよび充填効率ηを取得する（Ｓ１２）。回転速度ＮＥは、ＣＰＵ７２によりクランク角センサ８０の出力信号Ｓｃｒに基づき算出され、充填効率ηは、ＣＰＵ７２により回転速度ＮＥおよび吸入空気量Ｇａに基づき算出される。なお、回転速度ＮＥは、圧縮上死点の出現間隔（本実施形態では１８０°ＣＡ）よりも大きい角度間隔だけクランク軸２４が回転する際の回転速度の平均値である。なお、回転速度ＮＥは、クランク軸２４の１回転以上の回転角度だけクランク軸２４が回転する際の回転速度の平均値とすることが望ましい。なお、ここでの平均値は、単純平均に限らず、たとえば、指数移動平均処理でもよく、１回転以上の回転角度だけクランク軸２４が回転する際のたとえば微小回転時間Ｔ３０等の複数のサンプリング値によって算出されるものとする。また、充填効率ηは、燃焼室１８内に充填される空気量を定めるパラメータである。

次にＣＰＵ７２は、失火が生じた確率を算出するための写像の入力変数ｘ（１）〜ｘ（２６）に、Ｓ１０，Ｓ１２の処理によって取得した値を代入する（Ｓ１４）。詳しくは、ＣＰＵ７２は、「ｓ＝１〜２４」として、入力変数ｘ（ｓ）に微小回転時間Ｔ３０（ｓ）を代入する。すなわち、入力変数ｘ（１）〜ｘ（２４）は、微小回転時間Ｔ３０の時系列データとなる。また、ＣＰＵ７２は、入力変数ｘ（２５）に回転速度ＮＥを代入し、入力変数ｘ（２６）に充填効率ηを代入する。

次にＣＰＵ７２は、図１に示す記憶装置７６に記憶された写像データ７６ａによって規定される写像に入力変数ｘ（１）〜ｘ（２６）を入力することによって、気筒＃ｉ（ｉ＝１〜４）において失火が生じた確率Ｐ（ｉ）を算出する（Ｓ１６）。写像データ７６ａは、Ｓ１０の処理によって取得された微小回転時間Ｔ３０（１）〜Ｔ３０（２４）に対応する期間において気筒＃ｉで失火が生じた確率Ｐ（ｉ）を出力可能な写像を規定するデータである。ここで、確率Ｐ（ｉ）は、入力変数ｘ（１）〜ｘ（２６）に基づき、実際に失火が生じたことのもっともらしさの大小を定量化したものである。ただし、本実施形態においては、気筒＃ｉにおいて失火が生じた確率Ｐ（ｉ）の最大値は、「１」よりも小さく、最小値は「０」よりも大きい値となる。すなわち、本実施形態において、確率Ｐ（ｉ）は、実際に失火が生じたことのもっともらしさの大小を「０」よりも大きく「１」よりも小さい所定領域内で連続的な値として定量化したものである。

本実施形態において、この写像は、中間層が１層のニューラルネットワークと、ニューラルネットワークの出力を規格化することによって、失火が生じた確率Ｐ（１）〜Ｐ（４）の和を「１」とするためのソフトマックス関数とによって構成されている。上記ニューラルネットワークは、入力側係数ｗＦｊｋ（ｊ＝０〜ｎ，ｋ＝０〜２６）と、入力側係数ｗＦｊｋによって規定される線形写像である入力側線形写像の出力のそれぞれを非線形変換する入力側非線形写像としての活性化関数ｈ（ｘ）を含む。本実施形態では、活性化関数ｈ（ｘ）として、ハイパボリックタンジェント「ｔａｎｈ（ｘ）」を例示する。また、上記ニューラルネットワークは、出力側係数ｗＳｉｊ（ｉ＝１〜４，ｊ＝０〜ｎ）と、出力側係数ｗＳｉｊによって規定される線形写像である出力側線形写像の出力のそれぞれを非線形変換する出力側非線形写像としての活性化関数ｆ（ｘ）を含む。本実施形態では、活性化関数ｆ（ｘ）として、ハイパボリックタンジェント「ｔａｎｈ（ｘ）」を例示する。なお、値ｎは、中間層の次元を示すものである。本実施形態において、値ｎは、入力変数ｘの次元（ここでは、２６次元）よりも小さい。また、入力側係数ｗＦｊ０は、バイアスパラメータであり、入力変数ｘ（０）を「１」と定義することによって、入力変数ｘ（０）の係数となっている。また、出力側係数ｗＳｉ０は、バイアスパラメータであり、これには「１」が乗算されるものとする。これはたとえば、「ｗＦ００・ｘ（０）＋ｗＦ０１・ｘ（１）＋…」を恒等的に無限大と定義することによって実現できる。

詳しくは、ＣＰＵ７２は、入力側係数ｗＦｊｋ、出力側係数ｗＳｉｊおよび活性化関数ｈ（ｘ），ｆ（ｘ）によって規定されるニューラルネットワークの出力である確率原型ｙ（ｉ）を算出する。確率原型ｙ（ｉ）は、気筒＃ｉにおいて失火が生じた確率と正の相関を有するパラメータである。そして、ＣＰＵ７２は、確率原型ｙ（１）〜ｙ（４）を入力とするソフトマックス関数の出力によって、気筒＃ｉにおいて失火が生じた確率Ｐ（ｉ）を算出する。

次にＣＰＵ７２は、失火が生じた確率Ｐ（１）〜Ｐ（４）のうちの最大値Ｐ（ｍ）が閾値Ｐｔｈ以上であるか否かを判定する（Ｓ１８）。ここで、変数ｍは、１〜４のいずれかの値をとり、また、閾値Ｐｔｈは、「１／２」以上の値に設定されている。そして、ＣＰＵ７２は、閾値Ｐｔｈ以上であると判定する場合（Ｓ１８：ＹＥＳ）、確率が最大となった気筒＃ｍの失火の回数Ｎ（ｍ）をインクリメントする（Ｓ２０）。そしてＣＰＵ７２は、回数Ｎ（１）〜Ｎ（４）の中に、所定回数Ｎｔｈ以上となるものがあるか否かを判定する（Ｓ２２）。本実施形態では、Ｓ２２の処理が分類処理である。そしてＣＰＵ７２は、所定回数Ｎｔｈ以上となるものが存在すると判定する場合（Ｓ２２：ＹＥＳ）、特定の気筒＃ｑ（ｑは、１〜４のうちの１つ）で許容範囲を超える頻度の失火が生じているとして、フェールフラグＦに「１」を代入する（Ｓ２４）。なお、この際、ＣＰＵ７２は、失火が生じた気筒＃ｑの情報を記憶装置７６に記憶するなどして少なくとも当該気筒＃ｑで失火が解消するまで保持することとする。

これに対し、ＣＰＵ７２は、最大値Ｐ（ｍ）が閾値Ｐｔｈ未満であると判定する場合（Ｓ１８：ＮＯ）、Ｓ２４の処理または後述するＳ２８の処理がなされてから所定期間が経過したか否かを判定する（Ｓ２６）。ここで所定期間は、１燃焼サイクルの期間よりも長く、望ましくは、１燃焼サイクルの１０倍以上の長さを有することが望ましい。

ＣＰＵ７２は、所定期間が経過したと判定する場合（Ｓ２６：ＹＥＳ）、回数Ｎ（１）〜Ｎ（４）を初期化するとともに、フェールフラグＦを初期化する（Ｓ２８）。
なお、ＣＰＵ７２は、Ｓ２４，Ｓ２８の処理が完了する場合や、Ｓ２２，Ｓ２６の処理において否定判定する場合には、図２に示す一連の処理を一旦終了する。

図３に、失火が生じた場合にこれに対処する操作処理の手順を示す。図３に示す処理は、フェールフラグＦが「０」から「１」に切り替わることをトリガとして図１に示すＲＯＭ７４に記憶された対処プログラム７４ｂをＣＰＵ７２が実行することにより実現される。

図３に示す一連の処理において、ＣＰＵ７２は、まず吸気バルブ１６の開弁タイミングＤＩＮを進角側とすべく、吸気側バルブタイミング可変装置４０に操作信号ＭＳ６を出力して吸気側バルブタイミング可変装置４０を操作する（Ｓ３２）。具体的には、たとえばフェールフラグＦが「０」である通常時において開弁タイミングＤＩＮを内燃機関１０の動作点に応じて可変設定し、Ｓ３２の処理においては、通常時における開弁タイミングＤＩＮに対して実際の開弁タイミングＤＩＮを進角させる。Ｓ３２の処理は、圧縮比を高めることによって燃焼を安定させることを狙ったものである。

次にＣＰＵ７２は、Ｓ３２の処理を上記所定期間以上の時間継続した後、フェールフラグＦが「１」であるか否かを判定する（Ｓ３４）。この処理は、Ｓ３２の処理によって失火が生じる事態が解消されたか否かを判定するものである。ＣＰＵ７２は、フェールフラグＦが「１」であると判定する場合（Ｓ３４：ＹＥＳ）、失火が生じている気筒＃ｑについて、点火装置２２に操作信号ＭＳ３を出力して点火装置２２を操作し、点火時期ａｉｇを所定量Δだけ進角させる（Ｓ３６）。この処理は、失火が生じる事態を解消することを狙ったものである。

次にＣＰＵ７２は、Ｓ３６の処理を上記所定期間以上の時間継続した後、フェールフラグＦが「１」であるか否かを判定する（Ｓ３８）。この処理は、Ｓ３６の処理によって失火が生じる事態が解消されたか否かを判定するものである。ＣＰＵ７２は、フェールフラグＦが「１」であると判定する場合（Ｓ３８：ＹＥＳ）、失火が生じている気筒＃ｑについて、燃料噴射弁２０に操作信号ＭＳ２を出力して燃料噴射弁２０を操作し、燃料噴射弁２０により１燃焼サイクルにおいて要求される燃料量である要求噴射量Ｑｄを所定量だけ増量する（Ｓ４０）。この処理は、失火が生じる事態を解消することを狙ったものである。

次にＣＰＵ７２は、Ｓ４０の処理を上記所定期間以上の時間継続した後、フェールフラグＦが「１」であるか否かを判定する（Ｓ４２）。この処理は、Ｓ４０の処理によって失火が生じる事態が解消されたか否かを判定するものである。ＣＰＵ７２は、フェールフラグＦが「１」であると判定する場合（Ｓ４２：ＹＥＳ）、失火が生じている気筒＃ｑについて、燃料噴射を停止し、スロットルバルブ１４の開口度θを小さい側に制限しつつスロットルバルブ１４を操作すべく、スロットルバルブ１４に出力する操作信号ＭＳ１を調整する（Ｓ４４）。そしてＣＰＵ７２は、図１に示す警告灯９０を操作することによって、失火が生じた旨、報知する報知処理を実行する（Ｓ４６）。

なお、ＣＰＵ７２は、Ｓ３４，Ｓ３８，Ｓ４２の処理において否定判定する場合、すなわち失火が生じる事態が解消する場合や、Ｓ４６の処理が完了する場合には、図３に示す一連の処理を一旦終了する。なお、Ｓ４４の処理において肯定判定される場合、Ｓ４４の処理は、フェールセーフ処理として継続される。

次に、写像の学習方法、すなわち写像に含まれる写像データ７６ａの学習方法について説明する。
図４に、写像データ７６ａによって規定される写像を学習するシステムを示す。

図４に示すように、本実施形態では、内燃機関１０のクランク軸２４に、トルクコンバータ６０および変速装置６４を介してダイナモメータ１００を機械的に連結する。そして内燃機関１０を稼働させた際の様々な状態変数がセンサ群１０２によって検出され、検出結果が、写像データ７６ａを生成する訓練用コンピュータである適合装置１０４に入力される。なお、センサ群１０２には、写像への入力を生成するための値を検出するセンサであるクランク角センサ８０やエアフローメータ８２が含まれる。また、ここでは、失火が生じているか否かを確実に把握するために、たとえば筒内圧センサ等をセンサ群１０２に含める。

図５に、写像の学習方法の工程を示す。図５に示す各工程の処理は、適合装置１０４によって実行される。なお、図５に示す各工程の処理は、たとえば、適合装置１０４にＣＰＵおよびＲＯＭを備え、ＲＯＭに記憶されたプログラムをＣＰＵが実行することにより実現すればよい。

図５に示す一連の工程において、適合装置１０４は、まず、センサ群１０２の検出結果に基づき定まる訓練データとして、微小回転時間Ｔ３０（１）〜Ｔ３０（２４）、回転速度ＮＥ、充填効率η、および失火の真の確率Ｐｔ（ｉ）の組を複数取得する（Ｓ５０）。ここで、真の確率Ｐｔ（ｉ）は、失火が生じた場合に「１」となり、生じていない場合に「０」となるものであり、センサ群１０２のうちの、入力変数ｘ（１）〜ｘ（２６）を定めるパラメータ以外のパラメータを検出値とする筒内圧センサの検出値等に基づき、算出されるものである。もっとも、訓練データを生成するにあたっては、たとえば所定の気筒において意図的に燃料噴射を停止し、失火が生じたときと類似した現象を生成してもよい。その場合であっても、燃料噴射している気筒において失火が生じているか否かを検知するうえで、筒内圧センサ等が用いられる。すなわち、Ｓ５０の工程は予備入力工程であり、適合装置１０４に、訓練データを入力している。

次に適合装置１０４は、Ｓ１４の処理の要領で、失火の確率を算出するための写像の入力変数ｘ（１）〜ｘ（２６）に、訓練データのうちの真の確率Ｐｔ（ｉ）以外のデータを代入する（Ｓ５２）。次に適合装置１０４は、Ｓ１６の処理の要領で、気筒＃１〜＃４のそれぞれにおいて失火が生じた確率Ｐ（１）〜Ｐ（４）を算出する（Ｓ５４）。そして適合装置１０４は、センサ群１０２によって検出された全ての訓練データについて、Ｓ５０〜Ｓ５４の工程を実行したか否かを判定する（Ｓ５６）。そして適合装置１０４は、未だＳ５０〜Ｓ５４の工程の対象となっていない訓練データがあると判定する場合（Ｓ５６：ＮＯ）、Ｓ５０の工程に移行することにより、対象となっていない訓練データを対象として、Ｓ５０〜Ｓ５４の工程を実行する。

これに対し適合装置１０４は、センサ群１０２によって検出された全ての訓練データについて、Ｓ５０〜Ｓ５４の工程を実行したと判定する場合（Ｓ５６：ＹＥＳ）、Ｓ５４の工程によって算出された確率Ｐ（ｉ）と真の確率Ｐｔ（ｉ）との公差エントロピーを最小とするように、入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊを更新する（Ｓ５８）。本実施形態において、Ｓ５８の工程は予備更新工程である。そして、適合装置１０４は、更新した入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊ等を学習済みの写像データとして記憶する（Ｓ６０）。

図５に示すように、適合装置１０４は、次に、Ｓ５０において取得した訓練データとは別の訓練データを複数取得する（Ｓ６２）。Ｓ６２の工程において取得する訓練データは、Ｓ５０において取得した訓練データと比べて、Ｓ６０の工程において記憶された写像データが規定する写像が算出する確率Ｐ（ｉ）が閾値Ｐｔｈに近くなるような訓練データを含むものである。本実施形態において、Ｓ６２の工程は、入力工程である。

次に適合装置１０４は、Ｓ５２の工程と同様に、Ｓ１４の処理の要領で、失火の確率を算出するための写像の入力変数ｘ（１）〜ｘ（２６）に、訓練データのうちの真の確率Ｐｔ（ｉ）以外のデータを代入する（Ｓ６４）。次に適合装置１０４は、Ｓ５４の工程と同様に、Ｓ１６の処理の要領で、気筒＃１〜＃４のそれぞれにおいて失火が生じた確率Ｐ（１）〜Ｐ（４）を算出する（Ｓ６６）。そして、適合装置１０４はＳ６２によって入力した全ての訓練データについて、Ｓ６４およびＳ６６の工程を実行する。次に、適合装置１０４は、Ｓ５８の工程と同様に、Ｓ６６の工程によって算出された確率Ｐ（ｉ）と真の確率Ｐｔ（ｉ）との交差エントロピーを最小とするように、入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊを更新する（Ｓ６８）。本実施形態において、Ｓ６８の工程は、更新工程である。そして、適合装置１０４は、更新した入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊ等を学習済の写像データとして記憶する（Ｓ７０）。

なお、Ｓ７０の工程が完了すると、Ｓ７０の工程によって記憶された入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊ等によって規定される写像を用いて算出される確率Ｐ（ｉ）の精度が検証される。そして、精度が許容範囲から外れる場合、訓練データを新たに取得し、Ｓ６２〜Ｓ７０の工程を繰り返す。そして、精度が許容範囲に入ることで、入力側係数ｗＦｊｋおよび出力側係数ｗＳｉｊ等を、制御装置７０に実装する写像データ７６ａとする。

次に、Ｓ５０およびＳ６２で取得する訓練データについて説明する。
図６に示すように、Ｓ５０の予備入力工程で、訓練データとして入力された各内燃機関状態変数は、失火が生じる確率Ｐ（ｉ）の大小によって、失火が生じる場合と失火が生じない場合とに分類できる。そして、失火が生じる確率Ｐ（ｉ）と単位時間あたりの回転速度ＮＥの変化量である回転変動量ΔＮＥとの間には、強い相関がある。具体的には、回転変動量ΔＮＥが大きくなれば失火が生じる確率Ｐ（ｉ）は大きくなり、反対に、回転変動量ΔＮＥが小さくなれば失火が生じる確率Ｐ（ｉ）は小さくなる。

ここで、たとえば、予備入力工程で入力された各訓練データにおいて、失火が生じる場合の回転変動量ΔＮＥの最小値と、と失火が生じない場合の回転変動量ΔＮＥの最大値との平均の回転変動量ΔＮＥは、内燃機関１０において失火が生じるか否かの境界に近いと考えられる。そこで、本実施形態では、回転変動量ΔＮＥと訓練データの真の確率Ｐｔ（ｉ）以外の変数である回転速度ＮＥとの二次元マップ上で、失火が生じる場合と失火が生じない場合との領域の分類境界ＣＢを、上記平均の回転変動量ΔＮＥを通る二次元の関数として暫定的に定めている。

そして、本実施形態においては、予備入力工程の後、内燃機関１０を、予め定められた回転速度ＮＥの範囲以上、たとえば「０」から通常の使用が想定される数千ｒｐｍの範囲で駆動させて、訓練データを取得する。そして、新たに取得した訓練データを、訓練データを取得したときの回転変動量ΔＮＥおよび回転速度ＮＥに基づいて、上記二次元マップに当てはめる。これら複数の訓練データのうち、上記二次元マップ上において分類境界ＣＢに近い訓練データを優先的に、Ｓ６２の入力工程での訓練データとして採用する。その結果、図７に示すように、Ｓ６２の入力工程で入力された訓練データの分布密度は、その回転変動量ΔＮＥが分類境界ＣＢに近いほど大きい。

また、Ｓ６２の入力工程で入力された訓練データは、分類境界ＣＢに近いものが優先して採用されているものの、回転速度ＮＥの大小によっては優先付けてはいない。したがって、Ｓ６２の入力工程によって入力される訓練データは、上記二次元マップ上において、回転速度ＮＥが「０」から数千ｒｐｍの間で広範に分布している。

ここで、上記実施形態における作用および効果について説明する。
（１）内燃機関１０の失火の有無を分類するための写像を更新するにあたっては、訓練データの数のみならず、失火が生じているか否かの境界近傍の訓練データの存在が、分類結果の精度に大きく影響することが新たに判明した。上記実施形態によれば、Ｓ６２の工程で入力される訓練データの分布密度は、分類境界ＣＢに回転変動量ΔＮＥが近いほど大きくなっている。分類境界ＣＢ付近において、訓練データの分布密度が比較的に大きいことで、正解の分類結果を出力できるように、写像データが更新される。よって、回転変動量ΔＮＥの全ての領域を網羅するような大量の訓練データを用意しなくても、分類結果に対する影響の大きい訓練データを入力するので、写像の出力によって得られる分類結果が高精度になり得る。

（２）上記実施形態では、分類境界ＣＢは、確率Ｐ（ｉ）および回転速度ＮＥの二次元マップ上に関数として定められている。この場合、確率Ｐ（ｉ）が同じであっても、回転速度ＮＥが変化すると、写像が出力する分類結果に誤りが生じる可能性が捨てきれない。上記実施形態によれば、各訓練データの回転速度ＮＥが一定の範囲以上に分布している。そのため、広い回転速度ＮＥの範囲に亘って、写像の正確性を担保できる。

（３）上記実施形態によれば、Ｓ６２の工程によって入力する訓練データは、Ｓ５０の工程において用意した訓練データに比べて、回転変動量ΔＮＥが分類境界ＣＢに近いほど、分布密度が大きくなっている。そのため、分類結果に対する影響のより大きい訓練データを入力するので、制御装置７０が算出する分類結果が高精度になりやすい。

（４）上記実施形態によれば、入力工程の前に、予備入力工程および予備更新工程を行っている。そのため、図６に示すように、予備入力工程において入力された訓練データに基づいて、分類境界ＣＢが推定できる。そのため、入力工程において取得する訓練データを選択する際に、分類結果を高精度にするための訓練データの範囲を選択できる。

＜対応関係＞
上記実施形態における事項と、上記「課題を解決するための手段」の欄に記載した事項との対応関係は、次の通りである。以下では、「課題を解決するための手段」の欄に記載した解決手段の番号ごとに、対応関係を示している。［１］写像と演算部とを含むコンピュータは、制御装置７０に対応する。演算部は、ＣＰＵ７２に対応する。訓練データを入力され更新工程を行う訓練用コンピュータは、適合装置１０４に対応する。内燃機関状態変数は、微小回転時間Ｔ３０（１）〜Ｔ３０（２４）、回転速度ＮＥおよび充填効率ηに対応する。正解の分類結果は、真の確率Ｐｔ（ｉ）に対応する。入力工程は、Ｓ６４の処理に対応する。更新工程は、Ｓ６８の処理に対応する。境界は、分類境界ＣＢに対応する。分類する内燃機関の状態は、内燃機関の失火の有無に対応する。［２］少なくとも１つの内燃機関状態変数は、回転速度ＮＥに対応する。［３、４］入力工程は、Ｓ６２の工程に、更新工程は、Ｓ６８の工程に対応する。予備入力工程は、Ｓ５０の処理に、予備更新工程は、Ｓ５８の処理に対応する。［５］第１の間隔は、７２０°ＣＡに対応し、第２の間隔は、３０°ＣＡに対応し、瞬時速度パラメータは、微小回転時間Ｔ３０に対応する。取得処理は、Ｓ１０の処理に対応する。

＜その他の実施形態＞
なお、本実施形態は、以下のように変更して実施することができる。本実施形態および以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。

・「分類境界ＣＢについて」
上記実施形態では、分類境界ＣＢは、回転変動量ΔＮＥに対する回転速度ＮＥの二次元上の境界線として示したが、これに限られない。たとえば、回転変動量ΔＮＥ、回転速度ＮＥおよび充填効率ηの三次元での境界面として示されてもよいし、さらに高次元の境界面として示されてもよい。このような場合、たとえば、分類境界ＣＢは、内燃機関１０が失火しているデータの分布する空間を定義する境界面となる。

・「回転変動量ΔＮＥについて」
上記実施形態では、失火が生じているか否かの確率に相関するパラメータとして回転変動量ΔＮＥを例示したが、失火のしやすさと相関のあるパラメータであれば構わない。

・「予備入力工程および予備更新工程について」
入力工程において入力する訓練データの分布密度と予備入力工程において入力する訓練データの分布密度との関係は、上記実施形態の例に限られない。例えば、入力工程と予備入力工程とで、訓練データの分布密度に大きな差がなくてもよい。この場合でも、全体として訓練データの数は増えるので、写像の出力結果の精度の向上は期待できる。

また、上記実施形態では、入力工程の前に、予備入力工程および予備更新工程を行ったが、これらの工程は省いてもよい。たとえば、技術者の知見等によって、分類境界ＣＢが予備更新工程をしなくても予測できる場合には、複数の訓練データの中から、入力工程において入力するべき訓練データを選択してもよい。

また、上記実施形態では、入力工程で適合装置１０４に入力される訓練データのうちの一部を、当該適合装置１０４で選別して写像の更新に関する訓練データから除外してもよい。たとえば、入力工程で入力された訓練データを取得したときの回転変動量ΔＮＥと、予備入力工程の後に求めることのできる分類境界ＣＢとの差が所定値以上である場合に、その訓練データを更新工程における訓練データから除外してもよい。このように、適合装置１０４で、更新工程における訓練データの選別を行えば、技術者が自ら訓練データの選別を手間は省ける。

・「第１の間隔および第２の間隔について」
上記実施形態では、１燃焼サイクルである７２０°ＣＡの回転角度間隔内における連続する複数の第２の間隔のそれぞれにおける瞬時速度パラメータとしての微小回転時間Ｔ３０を失火の有無の判定のための写像の入力パラメータとした。すなわち、第１の間隔が７２０°ＣＡであり、第２の間隔が３０°ＣＡである例を示したが、これに限らない。たとえば、第１の間隔が７２０°ＣＡよりも長い回転角度間隔であってもよい。もっとも、第１の間隔が７２０°ＣＡ以上であることも必須ではない。たとえば「複数種類の写像データについて」の欄に記載したように、特定の気筒において失火が生じた確率や発生トルクに関するデータを出力する写像などの入力については、上記第１の間隔を４８０°ＣＡとするなど、７２０°ＣＡ以下の間隔としてもよい。この際、圧縮上死点の出現間隔よりも長い回転角度間隔とすることが望ましい。なお、上記第１の間隔には、失火が生じた確率が求められる対象となる気筒の圧縮上死点が含まれることとする。

第２の間隔としては、３０°ＣＡに限らない。たとえば１０°ＣＡ等、３０°ＣＡよりも小さい角度間隔であってもよい。もっとも３０°ＣＡ以下の角度間隔に限らず、たとえば４５°ＣＡ等であってもよい。

・「瞬時速度パラメータについて」
瞬時速度パラメータとしては、第２の間隔の回転に要する時間である微小回転時間に限らない。たとえば、第２の間隔を微小回転時間で割った値であってもよい。なお、瞬時速度パラメータとしては、極大値と極小値との差を固定値とする正規化処理がなされたものであることは必須ではない。また、写像の入力とするための前処理としてのフィルタ処理としては、上述したものに限らず、たとえば変速装置６４の入力軸６６の微小回転時間に基づき、入力軸６６によってクランク軸２４が回されている影響分を除く処理がなされたものとしてもよい。もっとも、写像の入力としての瞬時速度パラメータにフィルタ処理が施されていることは必須ではない。

・「内燃機関の動作点を規定するパラメータについて」
上記実施形態では、回転速度ＮＥおよび充填効率ηによって動作点を規定したが、これに限らない。たとえば、回転速度ＮＥおよび吸入空気量Ｇａであってもよい。またたとえば、負荷として、充填効率ηに代えて、噴射量や内燃機関に対する要求トルクを用いてもよい。負荷として噴射量や要求トルクを用いることは、下記「内燃機関について」の欄に記載した圧縮着火式内燃機関において特に有効である。

・「写像の入力について」
瞬時速度パラメータに加えて入力する写像の入力としては、上記実施形態や上記変更例において例示したものに限らない。たとえば、内燃機関１０の置かれた環境に関するパラメータを用いてもよい。具体的には、たとえば吸入空気中の酸素の割合に影響を与えるパラメータである大気圧を用いてもよい。またたとえば、燃焼室１８内における混合気の燃焼速度に影響を与えるパラメータである吸気温を用いてもよい。またたとえば、燃焼室１８内における混合気の燃焼速度に影響を与えるパラメータである湿度を用いてもよい。なお、湿度の把握には、湿度センサを用いてもよいが、ワイパーの状態や、雨滴を検知するセンサの検出値を利用してもよい。また、クランク軸２４に機械的に連結される補機の状態に関するデータであってもよい。

写像の入力に内燃機関１０の動作点を含めることは必須ではない。たとえば下記「内燃機関について」の欄に記載したように内燃機関がシリーズハイブリッド車に搭載され、その動作点が狭い範囲に制限された制御が前提とされる場合等にあっては、動作点を含めなくてもよい。

また、動作点を規定する回転速度ＮＥおよび負荷、または回転速度ＮＥおよび吸入空気量の２つのパラメータのうちのいずれか１つのパラメータのみを瞬時速度パラメータに加えて入力する写像の入力としてもよい。

・「分類する内燃機関の状態について」
上記実施形態では、内燃機関の失火の有無について分類したが、分類する状態は、失火の有無に限られない。例えば、内燃機関の異常の有無であってもよいし、内燃機関の特定の部品の故障の有無であってもよい。少なくとも、分類問題を写像の出力によって算出する際には、上記写像の学習方法を適用できる。

また、上記実施形態のように、内燃機関の失火の有無は、確率Ｐ（ｉ）に相関のある回転変動量ΔＮＥにおける分類境界ＣＢを、技術者の知見によって予測できる場合がある。このような場合には、予測できる付近の訓練データの分布密度を高くしやすいため、内燃機関の失火の有無を分類する際には、上記写像の学習方法を適用しやすい。

・「写像について」
失火の確率を出力とする写像を構成するニューラルネットワークとしては、中間層が１層のニューラルネットワークに限らない。たとえば、中間層が２層以上のニューラルネットワークであってもよい。

活性化関数ｈ（ｘ）としては、ハイパボリックタンジェントを用いるものに限らない。たとえばロジスティックジグモイド関数であってもよい。図２の処理における活性化関数ｆ（ｘ）としては、ハイパボリックタンジェントを用いるものに限らない。たとえばロジスティックジグモイド関数であってもよい。この場合、ソフトマックス関数を用いることなく、活性化関数ｆ（ｘ）の出力を確率Ｐとしてもよい。この場合、気筒＃１〜＃４のそれぞれで失火が生じた確率Ｐ（１）〜Ｐ（４）が、互いに独立に「０」〜「１」の値をとることとなる。

発生トルクや失火の確率を出力する写像としては、ニューラルネットワークを用いるものに限らない。たとえば、微小回転時間Ｔ３０等、写像の入力とするために取得したデータの次元を主成分分析によって低減させたパラメータを規定する係数を、上記入力側係数ｗＦｉｊに代えてもよい。これを具体化する手法の一例を上記第１の実施形態の変更例について説明すると、主成分は、たとえば次のニューラルネットワークを利用して求めればよい。すなわち、２４個の微小回転時間Ｔ３０、回転速度ＮＥ、および充填効率ηからなる２６次元のパラメータを入力としｎ（＜２６）次元のパラメータを出力する線形写像である圧縮写像と、その線形写像の出力を入力とし２６次元のパラメータを出力する線形写像である出力写像とからなる自己連想写像である。このニューラルネットワークの出力と入力との誤差を最小とするように圧縮写像の成分を学習する場合、この圧縮写像は、入力パラメータを主成分分析の最初のｎ個の主成分によって張られるｎ次元空間へ移す。そのため、圧縮写像の係数を、上記入力側係数ｗＦｊｋ（ただし、ｋ≧１）に代えて用いることで、上記第１の実施形態における入力パラメータの線形結合に代用することができる。この場合、ｎ個の主成分のそれぞれを活性化関数ｈ（ｘ）の入力とし、それらの出力を出力側係数ｗＳｉｊによって線形結合したものを入力とする活性化関数ｆ（ｘ）の出力を発生トルクや確率原型ｙ（ｉ）とする回帰式を利用した失火の有無の判定を行うことができる。

もっとも、その場合、バイアスパラメータを構成する入力側係数ｗＦｊ０が含まれないが、バイアスパラメータを加えてもよい。その場合、バイパスパラメータを構成する入力側係数ｗＦｊ０については、上記第１の実施形態と同様の手法にて学習することが望ましい。

またたとえば、ニューラルネットワークの入力として上記各物理量を用いる代わりに、それら物理量による主成分のいくつかを入力としてもよい。その場合、主成分は、微小回転時間Ｔ３０（１）〜Ｔ３０（２４）の線形結合を含むことから、微小回転時間Ｔ３０（１）〜Ｔ３０（２４）を入力とする線形写像の出力がニューラルネットワークに入力されるものとみなせる。

さらに、写像としては、Ｓ１０，Ｓ１２等の処理によって取得された変数の線形結合を入力とするものに限らない。これはたとえばサポートベクトルマシンによって実現できる。すなわちたとえば、独立変数が多次元となる適宜の基底関数φｉ（ｉ＝１，２，３，…）とサポートベクトルに基づき定まる係数ｗ１，ｗ２，…とを用いた「ｗ１・φ１（Ｔ３０（１），Ｔ３０（２），…）＋ｗ２・φ２（Ｔ３０（１），Ｔ３０（２），…）＋…」であってもよい。すなわち、係数ｗ１，ｗ２，…を、失火が生じたか生じていないかによって上記の式の出力の符号が逆となるように学習すればよい。ここで、上記の基底関数φ１，φ２，…の中に入力パラメータの線形結合を入力とする関数とならないものを用いるなら、これは、入力パラメータの線形結合を入力としない例となる。なお、上記の式は、たとえば出力値の符号が正の場合に、失火が生じた確率が「０」、出力値の符号がゼロ以下の場合に失火が生じた確率が「１」となるように規定することができ、これにより確率を出力する写像となる。

・「写像の出力について」
たとえば、ニューラルネットワークを含んで構成される写像において、確率Ｐが連続的な値をとりうることは必須ではない。すなわち、たとえば実際に失火が生じたことのもっともらしさの大小に応じた３値の値を出力するものであるなど、３値以上の値を離散的または連続的に出力するものであればよい。もっともこれにも限らず、２値の値を出力するものであってもよい。

・「分類処理について」
分類処理としては、失火が生じた確率を出力する写像の出力を直接用いるものに限らない。たとえば、図２の処理における写像の入力から回転速度ＮＥを削除し、代わりに、出力としての失火の確率を回転速度ＮＥによって補正してもよい。具体的には、たとえば、特定の回転速度ＮＥにおける訓練データを用いて写像データを生成し、実際の回転速度ＮＥが特定の回転速度ＮＥからずれる場合に、写像が出力する失火の確率を上昇させるなどすればよい。これは、訓練データが前提とした回転速度ＮＥからずれることにより確率の精度が低くなることに鑑みたマージンを設定する一手法である。

なお、こうした手法は、回転速度ＮＥを用いた補正に限らない。たとえば「写像の入力としての混合気の燃焼速度を調整する調整変数について」の欄に記載した調整変数を瞬時速度パラメータに加えて入力する写像の入力とする代わりに、写像が出力する確率を補正する補正量を算出するパラメータとしてもよい。またたとえば「写像の入力としての駆動系装置の状態変数について」の欄に記載した駆動系装置の状態変数を瞬時速度パラメータに加えて入力する写像の入力とする代わりに、写像が出力する確率を補正する補正量を算出するパラメータとしてもよい。またたとえば「写像の入力としての路面の状態変数について」の欄に記載した路面の状態変数を瞬時速度パラメータに加えて入力する写像の入力とする代わりに、写像が出力する確率を補正する補正量を算出するパラメータとしてもよい。またたとえば「写像の入力について」の欄や「内燃機関の動作点を規定するパラメータについて」の欄に例示したパラメータを瞬時速度パラメータに加えて入力する写像の入力とする代わりに、写像が出力する確率を補正する補正量を算出するパラメータとしてもよい。

・「報知処理について」
上記実施形態では、フェールフラグＦが「１」となってからＳ３２，Ｓ３６，Ｓ４０の処理を行っても失火が解消しない場合に、報知処理として警告灯９０を操作する処理を実行したがこれに限らない。たとえば、フェールフラグＦが「１」となる場合に直ちに報知処理を実行してもよい。

上記実施形態では、警告灯９０を操作することによって、視覚情報を通じて失火が生じた旨を報知したが、これに限らない。たとえば、スピーカを操作することによって、聴覚情報を通じて失火が生じた旨を報知してもよい。

・「操作処理について」
上記実施形態では、フェールフラグＦが「１」となってからＳ３２の処理を実行しても失火が解消しない場合にＳ３６の処理を実行し，Ｓ３６の処理を実行しても失火が解消しない場合にＳ４０の処理を実行したが、このようにＳ３２，Ｓ３６，Ｓ４０の処理の順に順次失火を解消するための処理を実行するものに限らない。たとえば、Ｓ３６，Ｓ４０，Ｓ３２の処理の順に実行してもよく、またたとえば、Ｓ４０，Ｓ３６，Ｓ３２の処理の順に実行してもよく、またたとえば、Ｓ４０，Ｓ３２，Ｓ３６の順に実行してもよい。

フェールフラグＦが「１」となる場合に実行されるフェールセーフ処理としては、Ｓ３２，Ｓ３６，Ｓ４０，Ｓ４４の処理を実行するものに限らない。たとえば、Ｓ３２，Ｓ３６，Ｓ４０，Ｓ４４の処理の４つの処理については、それらのうちの３つのみを実行してもよく、２つのみを実行してもよく、１つのみを実行してもよい。

またたとえば下記「内燃機関について」の欄に記載したように内燃機関として圧縮着火式内燃機関を用いる場合、点火時期を進角させる処理（Ｓ３６の処理）に代えて、噴射時期を進角させる処理を実行してもよい。

・「訓練データの生成について」
上記実施形態では、クランク軸２４にトルクコンバータ６０および変速装置６４を介してダイナモメータ１００が接続された状態で内燃機関１０を稼働した時のデータを訓練データとして用いたが、これに限らない。たとえば車両ＶＣに搭載された状態で内燃機関１０が駆動されたときにおけるデータを訓練データとして用いてもよい。

また、入力工程で入力される訓練データは、予備入力工程で入力された訓練データから推定されるデータであってもよい。たとえば、予備入力工程で想定し得る失火のしやすい状況での訓練データを取得した場合には、入力工程では、さらに回転変動量ΔＮＥが大きい訓練データを取得することは難しい場合があり得る。この場合、予備入力工程で取得した訓練データから所定量だけ回転変動量ΔＮＥが大きい訓練データを生成してもよい。

・「コンピュータについて」
コンピュータとしては、ＣＰＵ７２（１２２）とＲＯＭ７４（１２４）とを備えて、ソフトウェア処理を実行するものに限らない。たとえば、上記実施形態においてソフトウェア処理されたものの少なくとも一部を、ハードウェア処理する専用のハードウェア回路（たとえばＡＳＩＣ等）を備えてもよい。すなわち、コンピュータは、以下の（ａ）〜（ｃ）のいずれかの構成であればよい。（ａ）上記処理の全てを、プログラムに従って実行する処理装置と、プログラムを記憶するＲＯＭ等のプログラム格納装置とを備える。（ｂ）上記処理の一部をプログラムに従って実行する処理装置およびプログラム格納装置と、残りの処理を実行する専用のハードウェア回路とを備える。（ｃ）上記処理の全てを実行する専用のハードウェア回路を備える。ここで、処理装置およびプログラム格納装置を備えたソフトウェア実行装置や、専用のハードウェア回路は複数であってもよい。

また、上記実施形態では、訓練用コンピュータである適合装置１０４は、コンピュータである制御装置７０とは別の装置としたが、適合装置１０４が制御装置７０の一部であってもよい。すなわち、適合装置１０４が車両ＶＣに搭載されていてもよい。

・「記憶装置について」
上記実施形態では、写像データ７６ａが記憶される記憶装置を、失火検出プログラム７４ａが記憶されるＲＯＭ７４とを別の記憶装置としたが、これに限らない。

・「内燃機関について」
上記実施形態では、燃料噴射弁として、燃焼室１８内に燃料を噴射する筒内噴射弁を例示したがこれに限らない。たとえば吸気通路１２に燃料を噴射するポート噴射弁であってもよい。またたとえば、ポート噴射弁と筒内噴射弁との双方を備えてもよい。

内燃機関としては、火花点火式内燃機関に限らず、たとえば燃料として軽油などを用いる圧縮着火式内燃機関等であってもよい。
内燃機関が駆動系を構成すること自体必須ではない。たとえば、車載発電機にクランク軸が機械的に連結され、駆動輪６９とは動力伝達が遮断されたいわゆるシリーズハイブリッド車に搭載されるものであってもよい。

・「車両について」
車両としては、車両の推進力を生成する装置が内燃機関のみとなる車両に限らず、たとえば「内燃機関について」の欄に記載したシリーズハイブリッド車以外にも、パラレルハイブリッド車や、シリーズ・パラレルハイブリッド車であってもよい。

・「そのほか」
クランク軸と駆動輪との間に介在する駆動系装置としては、有段の変速装置に限らず、たとえば無段変速装置であってもよい。

１０…内燃機関
６０…駆動輪
６４…変速装置
７０…制御装置
７２…ＣＰＵ
７４…ＲＯＭ
７６…記憶装置
７６ａ…写像データ
１００…ダイナモメータ
１０２…センサ群
１０４…適合装置
ＣＢ…分類境界

Claims (5)

1. 内燃機関の状態を示すパラメータである内燃機関状態変数を入力として内燃機関の状態を複数の領域に分類した結果である分類結果に属する確率を算出する写像と、算出した確率に基づいて内燃機関の状態の前記分類結果を出力する演算部とを含むコンピュータの前記写像を学習させる方法であって、
   前記内燃機関状態変数と、前記内燃機関状態変数に対応付けられた正解の前記分類結果とからなる複数の訓練データを、訓練用コンピュータに入力する入力工程と、
   前記訓練用コンピュータが、入力された前記訓練データに基づいて前記写像を更新する更新工程と、を有し、
   前記入力工程で入力される複数の前記訓練データの分布密度は、前記分類結果における複数の領域の境界に前記確率が近いほど大きい
   写像の学習方法。
2. 前記境界は、前記確率および少なくとも１つの前記内燃機関状態変数を含む多次元の関数として定められ、
   前記入力工程で入力される複数の前記訓練データは、前記関数に含まれる前記内燃機関状態変数の一定の範囲以上に分布している
   請求項１に記載の写像の学習方法。
3. 前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、
   前記入力工程で入力される複数の前記訓練データの分布密度は、前記予備入力工程で入力される複数の前記訓練データの分布密度よりも、前記境界に前記確率が近いほど大きい
   請求項１または請求項２に記載の写像の学習方法。
4. 前記入力工程の前に、前記訓練データを前記訓練用コンピュータに入力する予備入力工程と、前記予備入力工程で入力された前記訓練データに基づいて前記訓練用コンピュータが前記写像を更新する予備更新工程と、を有し、
   前記入力工程で入力された前記訓練データから前記写像を用いて算出された確率と前記境界との差が所定値以上である場合には、当該訓練データは、前記更新工程における訓練データからは除外する
   請求項１〜請求項３のいずれか１項に記載の写像の学習方法。
5. 前記分類結果は、前記内燃機関の失火の有無であり、
   前記写像は、第１間隔に含まれる連続する複数の第２間隔のそれぞれにおける瞬時速度パラメータである時系列データを入力とし、内燃機関に失火が生じた確率を出力する写像であり、
   前記瞬時速度パラメータは、前記内燃機関のクランク軸の回転速度に応じたパラメータであり、
   前記第１間隔は、前記クランク軸の回転角度間隔であって圧縮上死点を含む間隔であり、
   前記第２間隔は、前記圧縮上死点の出現間隔よりも小さい間隔であり、
   前記写像は、前記第１間隔内に圧縮上死点が出現する少なくとも１つの気筒に関して失火が生じた確率を出力するものであり、
   前記確率は、前記内燃機関のクランク軸の回転挙動の変化量である回転変動量である
   請求項１〜請求項４のいずれか１項に記載の写像の学習方法。

Images