JP6533816B2 - プラントの状態判定装置 - Google Patents

Description

本発明は、プラントの内部状態と出力との相関性を表すプラントモデルを作成するとともに、プラントの状態を判定するプラントの状態判定装置に関する。

従来、例えば内燃機関の排気温度センサの故障を判定する判定装置として、特許文献１に記載されたものが知られている。この判定装置は、排気温度センサが応答遅れ特性を有することを考慮し、その応答遅れ分を含む排気温度センサの出力値を推定するとともに、この推定出力値を排気温度センサの実際の出力値と比較することによって、排気温度センサの故障を判定するものである。

上記の推定出力値の算出は、以下のように行われる。
ａ．まず、吸気酸素濃度と燃料噴射時期と図示熱効率変化量との関係を規定した所定のモデル式（第２モデル式）を用い、検出された吸気酸素濃度及び設定された燃料噴射時期に応じて、図示熱効率変化量を算出する。
ｂ．次に、図示熱効率変化量と排気温度との関係を規定した所定のモデル式（第３モデル式）を用い、ａで算出された図示熱効率変化量に応じて、推定排気温度を算出する。
ｃ．さらに、排気温度と排気温度センサの所定の時定数と排気流量と排気温度との関係を規定した所定のモデル式（第１モデル式）を用い、ｂで算出された推定排気温度、時定数及び排気流量に応じて、排気温度センサの応答遅れを反映させた推定出力値を算出する。

算出された推定出力値は、排気温度センサの実出力値と比較され、例えば実出力値と推定出力値との差が所定のしきい値よりも大きくなったときに、排気温度センサが故障していると判定される。

特開２０１５−３１１６９号公報

上述したように、この従来の判定装置では、複数のモデル式（第２、第３及び第１モデル式）があらかじめ設定されるとともに、これらのモデル式を順に用いて、排気温度センサの推定出力値が算出される。このため、内燃機関を構成するデバイスの個体間の動作特性のばらつきや、運転パラメータを検出するセンサの故障や劣化などに起因して、運転パラメータ間の実際の相関性がモデル式における相関性から乖離した場合には、排気温度センサの推定出力値を精度良く算出できない。その場合には、推定出力値を用いた排気温度センサの故障判定の精度も低下してしまう。

本発明は、上記課題を解決するためになされたものであり、プラントの内部状態と出力との相関性を表すプラントモデルを効率良く高い精度で作成できるとともに、その後の運転中におけるプラントの状態を精度良く推定することができるプラントの状態判定装置を提供することを目的とする。

この目的を達成するため、請求項１に係る発明は、プラントの状態判定装置であって、プラント（実施形態における（以下、本項において同じ）内燃機関３）の内部状態を表す内部状態パラメータ（エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ、ＥＧＲ弁開度φｅｇｒ）を検出する内部状態パラメータ検出手段（クランク角センサ２０、吸気圧センサ２３、ＥＧＲ弁開度センサ２５）と、検出された多数の内部状態パラメータのデータのうちの、当該データの分布の中心点からの距離（マハラノビス距離ＤＭＡ）が大きい方の所定数（Ｍ１個）のデータを用いて、内部状態パラメータとプラントの出力を表す出力パラメータ（排気温度Ｔｅｘ）との相関性を表すプラントモデル（参照モデル）を作成するプラントモデル作成手段（モデリング装置５０、図２）と、所定数の内部状態パラメータのデータに基づき、プラントの状態を判定するためのしきい値（しきい値Ｄ＿ＡＢＮ、しきい値Ｄ＿ＤＥＴ、しきい値Ｄ＿ＯＰＲＮ、しきい値Ｄ＿ＩＮＩ）を設定するしきい値設定手段（ＥＣＵ２、図６のステップ４０、図９のステップ７０、図１２のステップ９０、図１４のステップ１２２）と、プラントモデルが作成された後のプラントの運転中に内部状態パラメータ検出手段によって検出された多数の内部状態パラメータのデータと、設定されたしきい値との関係に基づき、プラントの状態を判定する状態判定手段（ＥＣＵ２、図７のステップ５３〜６１、図１０のステップ８３〜８８、図１３のステップ１０３〜１０５、図１５のステップ１３３〜１３８）と、を備えることを特徴とする。

このプラントの状態判定装置では、プラントの内部状態を表す内部状態パラメータが内部状態パラメータ検出手段によって検出されるとともに、検出された多数の内部状態パラメータを用いて、内部状態パラメータとプラントの出力を表す出力パラメータとの相関性を表すプラントモデルが作成される。その際、多数の内部状態パラメータのデータのうちの、データの分布の中心点からの距離が大きい方の所定数のデータが選択され、プラントモデルの作成に用いられる。このように選択された所定数のデータは、より少ないデータ数で、プラントの内部状態を網羅するとともに良好に反映する。したがって、中心点からの距離が小さいデータを含むすべてのデータを用いた場合と比較して、データ数が少ない条件下で、モデル化誤差が低減されたプラントモデルを効率良く高い精度で作成することができる。なお、請求項１中の「データの分布の中心点からの距離が大きい方の所定数のデータを用い」るとは、距離の大きさに比例した確率で所定数のデータを用いることや、距離が大きい方から順に所定数のデータを用いることなどを含むものである。

また、本発明の状態判定装置によれば、プラントモデルの作成に用いられた内部状態パラメータの所定数のデータに基づき、しきい値が設定される。したがって、設定されたしきい値は、プラントモデルの作成時におけるプラントの内部状態を良好に反映する。一方、その後のプラントの運転時に、プラントの状態が変化すると、それに伴い、検出された内部状態パラメータに誤差やずれなどの変化が生じる。したがって、プラントの運転中に検出された内部状態パラメータのデータと、上記のように設定されたしきい値との関係に基づき、プラントの状態を適切に判定することができる。

請求項２に係る発明は、請求項１に記載のプラントの状態判定装置において、データの分布の中心点からの距離は、マハラノビス距離ＤＭＡであり、しきい値設定手段は、所定数の内部状態パラメータのデータのマハラノビス距離ＤＭＡに基づき、しきい値を設定することを特徴とする。

この構成によれば、多数の内部状態パラメータのデータの分布の中心点からの距離として、データ間の相関性を反映するマハラノビス距離が用いられる。したがって、プラントモデルの作成に用いられた所定数の内部状態パラメータのデータのマハラノビス距離に基づいて、しきい値を設定することにより、内部状態パラメータのデータ間の相関性を反映させながら、しきい値を適切に設定することができ、それにより、しきい値との比較に基づくプラントの状態判定をより精度良く行うことができる。

請求項３に係る発明は、請求項２に記載のプラントの状態判定装置において、プラントの運転中に検出された多数の内部状態パラメータのデータのマハラノビス距離ＤＭＡを、運転時マハラノビス距離ＤＭＡとして算出する運転時マハラノビス距離算出手段（ＥＣＵ２、図７のステップ５３、図１０のステップ８３、図１３のステップ１０３、図１５のステップ１３３）をさらに備え、状態判定手段は、算出された運転時マハラノビス距離ＤＭＡをしきい値と比較することによって、プラントの状態を判定することを特徴とする。

この構成によれば、プラントの運転中に検出された多数の内部状態パラメータのデータのマハラノビス距離を、運転時マハラノビス距離として算出するとともに、運転時マハラノビス距離をしきい値と比較することによって、プラントの状態を判定する。これにより、プラントモデルの作成時からの、データ間の相関性の変化を含む内部状態パラメータの変化に基づいて、プラントの状態判定をさらに適切に行うことができる。

請求項４に係る発明は、請求項３に記載のプラントの状態判定装置において、しきい値設定手段は、しきい値として、異常判定用のしきい値Ｄ＿ＡＢＮを設定し（図６のステップ４０）、状態判定手段は、運転時マハラノビス距離ＤＭＡが異常判定用のしきい値Ｄ＿ＡＢＮよりも大きいときに、内部状態パラメータ検出手段が異常であると判定すること（図７のステップ５５、５６、５９〜６１）を特徴とする。

内部状態パラメータ検出手段に異常が発生すると、検出される内部状態パラメータに誤差が生じ、それらのデータ間の相関性が低下することによって、運転時マハラノビス距離が増加する。したがって、この構成によれば、運転時マハラノビス距離が異常判定用のしきい値よりも大きいときに、内部状態パラメータ検出手段が異常であると適切に判定することができる。

請求項５に係る発明は、請求項３に記載のプラントの状態判定装置において、しきい値設定手段は、しきい値として、劣化判定用のしきい値Ｄ＿ＤＥＴをプラントの運転期間（車両走行距離ＤＶ）に応じて設定し（図９のステップ７０）、状態判定手段は、運転時マハラノビス距離が劣化判定用のしきい値Ｄ＿ＤＥＴよりも大きいときに、内部状態パラメータ検出手段が劣化していると判定すること（図１０のステップ８６〜８８）を特徴とする。

内部状態パラメータ検出手段に経年的な劣化が発生すると、検出される内部状態パラメータの誤差が徐々に増加し、それらのデータ間の相関性が低下することによって、運転時マハラノビス距離が徐々に増加する。したがって、この構成によれば、しきい値として、劣化判定用のしきい値をプラントの運転期間に応じて設定するとともに、運転時マハラノビス距離が劣化判定用のしきい値よりも大きいときに、内部状態パラメータ検出手段が経年的に劣化していると適切に判定することができる。

請求項６に係る発明は、請求項５に記載のプラントの状態判定装置において、状態判定手段は、内部状態パラメータ検出手段が劣化していると判定されたときに、劣化による内部状態パラメータ検出手段の検出特性のずれを学習すること（図１０のステップ８９）を特徴とする。

この構成によれば、内部状態パラメータ検出手段が劣化していると判定されるのに応じて、劣化による検出特性のずれを適切なタイミングで学習することができる。

請求項７に係る発明は、請求項３に記載のプラントの状態判定装置において、しきい値設定手段は、しきい値として、運転領域判定用のしきい値Ｄ＿ＯＰＲＮを設定し（図１２のステップ９０）、状態判定手段は、内部状態パラメータのデータの運転時マハラノビス距離ＤＭＡが運転領域判定用のしきい値Ｄ＿ＯＰＲＮよりも大きいときに、そのデータで表されるプラントの運転領域が、プラントモデルの作成時に学習された運転領域から逸脱していると判定すること（図１３のステップ１０５〜１０６）を特徴とする。

プラントの運転状態は、プラントの運転者の特徴（くせ）や好みによる運転や、運転環境に応じた又は不注意による通常と異なる運転が行われることによって変化し、それに応じて内部状態パラメータが変化し、データ間の相関性が低下することで、その内部状態パラメータのデータの運転時マハラノビス距離が増加する。この構成によれば、しきい値として、運転領域判定用のしきい値を設定するとともに、内部状態パラメータのデータの運転時マハラノビス距離が運転領域判定用のしきい値よりも大きいときに、そのデータで表されるプラントの運転領域が、プラントモデルの作成時に学習された運転領域（以下「学習領域」という）から逸脱していると判定する。これにより、上述した運転者の特徴的な運転や通常と異なる運転などに起因する、学習領域からのプラントの運転領域の逸脱を適切に判定することができる。

請求項８に係る発明は、請求項３に記載のプラントの状態判定装置において、プラントモデル作成手段は、プラントと同じ構成を有する他の複数のプラント（複数のサンプル用エンジン）に対してプラントモデルを作成し、しきい値設定手段は、複数のプラントのプラントモデルの作成にそれぞれ用いられた所定数の内部状態パラメータのデータのマハラノビス距離（モデル作成時マハラノビス距離ＤＭＡＭ）に基づき、しきい値として、プラントの初期状態判定用のしきい値を設定し（図１４のステップ１２２）、運転時マハラノビス距離算出手段は、プラントの初期運転中に運転時マハラノビス距離ＤＭＡを算出し（図１５のステップ１３３）、状態判定手段は、運転時マハラノビス距離が初期状態判定用のしきい値よりも大きいときに、プラントの初期状態において、内部状態パラメータ検出手段の検出特性のずれ及び／又は内部状態に関連するデバイスの動作特性のずれが発生していると判定すること（図１５のステップ１３５〜１３７）を特徴とする。

この構成によれば、判定対象のプラントと同じ構成を有する複数のプラントに対してプラントモデルを作成するとともに、その際にそれぞれ用いられた所定数の内部状態パラメータのデータのマハラノビス距離に基づき、しきい値として、プラントの初期状態判定用のしきい値が設定される。また、当該プラントの初期運転中に運転時マハラノビス距離を算出し、この運転時マハラノビス距離が初期状態判定用のしきい値よりも大きいときに、このプラントの初期状態において、内部状態パラメータ検出手段の検出特性のずれ及び／又は内部状態に関連するデバイスの動作特性のずれが発生していると判定する。

これにより、出荷工場内での試験運転や出荷直後のならし運転などの初期運転中に、異常や劣化などに起因しない、新品のプラントにおける内部状態パラメータ検出手段の検出特性のずれや内部状態に関連するデバイスの動作特性のずれを、適切に判定することができる。

請求項９に係る発明は、請求項１ないし８のいずれかに記載のプラントの状態判定装置において、プラントは内燃機関３であり、プラントの内部状態パラメータは、内燃機関３の回転数（エンジン回転数ＮＥ）、吸気圧Ｐｉｎ、燃料噴射量Ｑ及びＥＧＲ弁開度φｅｇｒであり、プラントの出力パラメータは、内燃機関３の排気の物理量を表す排気パラメータ（排気温度Ｔｅｘ）であることを特徴とする。

この構成によれば、プラントは内燃機関であり、内燃機関の回転数、吸気圧、燃料噴射量及びＥＧＲ弁開度を内部状態パラメータとして、これらと排気パラメータとの相関性を表すプラントモデルが効率良く高い精度で作成される。また、内燃機関の運転中に検出された内部状態パラメータのデータと、プラントモデルの作成時に検出された内部状態パラメータのデータに基づいて設定されたしきい値との関係に基づいて、内燃機関の状態を適切に判定することができる。

本発明を適用した、プラントとしての内燃機関とその状態判定装置の構成を模式的に示す図である。 参照モデル作成処理を示すフローチャートである。 マハラノビス距離の説明図である。 マハラノビス距離を用いたサンプリング手法及びランダムサンプリング手法による誤差を比較した図である。 学習モデル作成処理を示すフローチャートである。 本発明の第１実施形態によるしきい値設定処理を示すフローチャートである。 第１実施形態によるセンサの異常判定処理を示すフローチャートである。 モデル作成時マハラノビス距離と図６の処理で設定されるしきい値との関係を説明するための図である。 本発明の第２実施形態によるしきい値設定処理を示すフローチャートである。 第２実施形態によるセンサの劣化判定処理を示すフローチャートである。 図９の処理で設定されるしきい値マップを示す図である。 本発明の第３実施形態によるしきい値設定処理を示すフローチャートである。 第３実施形態によるエンジンの運転領域判定処理を示すフローチャートである。 本発明の第４実施形態によるしきい値設定処理を示すフローチャートである。 第４実施形態によるエンジンの初期状態判定処理を示すフローチャートである。

以下、図面を参照しながら、本発明の好ましい実施形態について説明する。本実施形態は、本発明をプラントとしての内燃機関に適用したものである。図１に示すように、状態判定装置１はＥＣＵ（電子制御ユニット）２を備えており、ＥＣＵ２によって、後述する各種の制御処理が実行される。また、車両の工場出荷前において、参照用のプラントモデルである参照モデルを作成する場合には、さらにモデリング装置５０が用いられる。

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

燃料噴射弁４及び点火プラグ５はＥＣＵ２に電気的に接続されており、ＥＣＵ２により、エンジン３の運転状態に応じて、燃料噴射弁４による燃料噴射量Ｑ及び燃料噴射時期と、点火プラグ５による混合気の点火時期が制御される。

スロットル弁機構８は、スロットル弁８ａ及びこれを駆動するＴＨアクチュエータ８ｂなどで構成されている。スロットル弁８ａは、吸気通路６内に回動自在に設けられている。ＥＣＵ２からの制御信号によってＴＨアクチュエータ８ｂを駆動し、スロットル弁８ａの開度を変化させることによって、スロットル弁８ａを通過する空気量が制御される。

また、ＥＧＲ装置９は、エンジン３の気筒から排出された排気の一部を排気通路７から吸気通路６に還流させるものであり、ＥＧＲ通路９ａ、ＥＧＲ弁９ｂ及びＥＧＲクーラ９ｃなどで構成されている。ＥＧＲ通路９ａの一端部は排気通路７に接続され、他端部は、吸気通路６のスロットル弁８ａよりも下流側に接続されている。

ＥＧＲ弁９ｂは、バタフライ弁タイプのものであり、ＥＧＲ弁アクチュエータ（図示せず）に連結されている。ＥＣＵ２からの制御信号によってＥＧＲ弁アクチュエータを駆動し、ＥＧＲ弁９ｂの開度を変化させることによって、排気通路７から吸気通路６への還流ガス量（ＥＧＲ量）が制御される。

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

ＥＣＵ２には、クランク角センサ２０、水温センサ２１、エアフローセンサ２２、吸気圧センサ２３、ＥＧＲ圧センサ２４、ＥＧＲ弁開度センサ２５及びアクセル開度センサ２６が電気的に接続されており、それらの検出信号が入力される。

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

水温センサ２１は、エンジン３のシリンダブロック（図示せず）内を循環する冷却水の温度であるエンジン水温ＴＷを、絶対温度として検出する。エアフローセンサ２２は、スロットル弁８ａを通過する空気量Ｇｔｈを、質量流量として検出する。吸気圧センサ２３は、吸気通路６の吸気マニホールド（図示せず）内の圧力（以下「吸気圧」という）Ｐｉｎを、絶対圧として検出する。

ＥＧＲ圧センサ２４は、ＥＧＲクーラ９ｃからＥＧＲ弁９ｂに流入する還流ガスの圧力（以下「ＥＧＲ圧」という）Ｐｅｇｒを、絶対圧として検出する。ＥＧＲ弁開度センサ２５は、ＥＧＲ弁９ｂの開度（以下「ＥＧＲ弁開度」という）φｅｇｒを検出する。また、アクセル開度センサ２６は、車両のアクセルペダル（図示せず）の踏み込み量（アクセル開度）ＡＰを検出する。

ＥＣＵ２は、ＣＰＵ、ＲＡＭ、Ｅ２ＰＲＯＭ、ＲＯＭ及びＩ／Ｏインターフェース（いずれも図示せず）などから成るマイクロコンピュータで構成されており、上述した各種のセンサ２０〜２６の検出信号などに応じて、後述する各種の制御処理を実行する。なお、本実施形態では、ＥＣＵ２が、しきい値設定手段、状態判定手段、及び運転時マハラノビス距離算出手段に相当する。

また、モデリング装置５０は、ＣＰＵ、ＲＯＭ及びＲＡＭなどを有するマイクロコンピュータと、各種の電気回路などで構成されている。本実施形態では、モデリング装置５０がプラントモデル作成手段に相当する。前述したように、モデリング装置５０は、参照モデルの作成時にのみＥＣＵ２に接続され、モデリング装置５０には排気温センサ５１が接続される。

この排気温センサ５１は、排気通路７の排気マニホールド（図示せず）に取り付けられ、排気の温度（以下「排気温度」という）Ｔｅｘを検出し、その検出信号をモデリング装置５０に出力する。これらのモデリング装置５０及び排気温センサ５１は、車両が工場から出荷されるときに、ＥＣＵ２及びエンジン３からそれぞれ取り外される。

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

この参照モデル作成処理は、エンジン３の運転パラメータ（内部状態パラメータ）である、エンジン回転数ＮＥ、吸気圧Ｐｉｎ、燃料噴射量Ｑ及びＥＧＲ弁開度φｅｇｒを入力変数とし、排気パラメータである排気温度Ｔｅｘ（出力パラメータ）を出力変数とする、参照用のプラントモデルである参照モデルを作成するものであり、所定の周期で実行される。なお、以下の説明において「ＲＡＭ」は、モデリング装置５０のＲＡＭを意味する。

同図に示すように、本処理では、まずステップ１（「Ｓ１」と図示。以下同じ）において、５つのパラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ，Ｔｅｘ）のデータをサンプリングし、これらのデータにおける４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と１つの出力変数（Ｔｅｘ）を、これらの対応関係を保持した状態、すなわち５要素から成る１行５列の行列データの状態でＲＡＭに記憶する。

次いで、ステップ２に進み、第１サンプリング回数Ｎ１をインクリメントする。この第１サンプリング回数Ｎ１は、ステップ１におけるサンプリングの実行回数を表すものであり、その初期値は０に設定される。

次に、ステップ３において、第１サンプリング回数Ｎ１が所定値Ｋ１（例えば４桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。一方、ステップ３の判別結果がＹＥＳで、ステップ１でのサンプリング回数が所定値Ｋ１に達したときには、ステップ４に進み、第１サンプリング回数Ｎ１をリセットする。

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

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

以上のようにＫ１個のマハラノビス距離ＤＭＡを算出した後、Ｋ１組のデータから、マハラノビス距離ＤＭＡに比例した確率で、Ｍ１（例えば２桁の整数）個の入力変数データ及びこれに対応する出力変数のデータを要素とする行列データを、モデルデータとしてサンプリングし、ＲＡＭに記憶する。その結果、合計Ｍ１個の５要素の１行行列データ（Ｍ１行５列の行列データ）がＲＡＭに記憶される。このサンプリング処理は、図３に示すように、中心点のデータＤ１に対して、マハラノビス距離ＤＭＡが大きいデータＤ２〜Ｄ４を重点的にサンプリングすることに相当する。

上記のようにマハラノビス距離ＤＭＡを用いてサンプリングを実行する理由は、以下による。すなわち、図４に示すように、マハラノビス距離ＤＭＡを用いた場合、通常のランダムサンプリング手法を用いた場合と比較して、データサンプル数が少ない条件下で、誤差Ｖ＿ＲＭＳＥを小さくし、サンプリング精度を向上させることができるためである。なお、この誤差Ｖ＿ＲＭＳＥは、交差検定における２乗平均平方根誤差である。

以上のように、ステップ５でモデルデータのサンプリングを実行した後、ステップ６に進み、第２サンプリング回数Ｎ２をインクリメントする。この第２サンプリング回数Ｎ２は、上記ステップ５におけるサンプリングの実行回数を表すものであり、その初期値は０に設定される。

次に、ステップ７において、第２サンプリング回数Ｎ２が所定値Ｋ２（例えば３桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。一方、ステップ７の判別結果がＹＥＳで、ステップ５でのサンプリング回数が所定値Ｋ２に達し、合計Ｋ２×Ｍ１個の５要素から成る１行行列データ（Ｋ２×Ｍ１行５列の行列データ）のサンプリングが完了したときには、ステップ８に進み、２つのモデルパラメータλ，σを決定し、本処理を終了する。

これらのモデルパラメータλ，σは、後述する排気温度の推定値Ｔｅｘ＿ｅｓｔ算出用の回帰モデル式（４）（５）におけるモデルパラメータであり、以下の手法によって決定される。まず、上記のようにサンプリングされた４つの入力変数及び１つの出力変数を要素とする行列データにおける誤差Ｖ＿ＲＭＳＥを算出するとともに、この誤差Ｖ＿ＲＭＳＥを出力とし、パラメータλ，σを入力とする関数を定義する。そして、Ｎｅｌｄｅｒ−Ｍｅａｄ法（滑降シンプレックス法）を用いて、この関数の最小値を探索することによって、２つのモデルパラメータλ，σが決定される。

以上の処理により、４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）と１つの出力変数（Ｔｅｘ）との相関性を表すプラントモデルが作成される。作成されたプラントモデルは、参照モデルとして、ＥＣＵ２のＲＯＭに書き込まれるとともに、後述するように、車両の工場出荷後、ＥＣＵ２によって学習モデルを作成する際に参照される。

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

本処理では、まずステップ２０において、４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、ＲＡＭに記憶する。次に、ステップ２１に進み、第３サンプリング回数Ｎ３をインクリメントする。この第３サンプリング回数Ｎ３は、ステップ２０におけるサンプリングの実行回数を表すものであり、その初期値は０に設定される。

次に、ステップ２２において、第３サンプリング回数Ｎ３が所定値Ｋ３（例えば３桁の整数）以上になったか否かを判別する。この判別結果がＮＯのときには、そのまま本処理を終了する。一方、ステップ２２の判別結果がＹＥＳで、ステップ２０でのサンプリング回数が所定値Ｋ３に達したときには、ステップ２３に進み、第３サンプリング回数Ｎ３をリセットする。

次いで、ステップ２４に進み、学習データのサンプリングを実行する。具体的には、ＲＡＭに記憶されている４つの入力変数（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）から成るＫ３組のデータ（Ｋ３行４列の行列データ）に対し、前記式（１）〜（３）により、Ｋ３個のマハラノビス距離ＤＭＡを算出した後、Ｋ３組のデータから、マハラノビス距離ＤＭＡに比例した確率で、Ｍ２（例えば２桁の整数）個の４つの入力変数データを要素とする行列データ（Ｍ２行４列の行列データ）を、学習データとしてサンプリングする。

次に、ステップ２５において、学習モデルのデータを算出する。具体的には、ステップ２４でサンプリングしたＭ２組の行列データの各組の行列に対し、ＲＯＭ内の参照モデルを参照することによって、排気温度の学習値Ｔｅｘ＿ｌｒｎを算出する。この場合、補間演算手法が用いられる。これにより、５つのパラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ，Ｔｅｘ＿ｌｒｎ）を要素とするＭ２組の１行行列データ（Ｍ２行５列の行列データ）が、学習モデルのデータとして算出される。

次いで、ステップ２６に進み、以上のように算出したＭ２組のデータを、学習モデルの一部のデータとして、Ｅ２ＰＲＯＭ内に書き込んだ後、本処理を終了する。この場合、Ｍ２組のデータは、Ｍ２組分の最も古い学習モデルのデータに上書きされる。このように学習モデルのデータが更新された場合、更新されたデータに基づき、前述した２つのモデルパラメータλ，σが再度、算出される。

以上のように作成及び学習されたプラントモデルを用い、次式（４）及び（５）によって、排気温度の推定値Ｔｅｘ＿ｅｓｔが算出される。

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

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

以上のように算出された排気温度の推定値Ｔｅｘ＿ｅｓｔは、エンジン３の制御に用いられ、例えばＥＧＲ制御において、ＥＧＲ弁開度φｅｇｒの目標値である目標ＥＧＲ弁開度を算出するのに用いられる。

以上のように、本実施形態によれば、エンジン３の内部状態を表す４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）が検出されるとともに、検出された多数の運転パラメータを用いて、これらの運転パラメータとエンジン３の出力である排気温度Ｔｅｘとの相関性を表すプラントモデル（参照モデル）が作成される。その際、Ｋ１個の運転パラメータのデータの各々についてマハラノビス距離ＤＭＡを算出するとともに、算出したマハラノビス距離ＤＭＡが大きい方のＭ１個のデータが選択され、プラントモデルの作成に用いられる。これにより、中心点からの距離が小さいデータを含むすべてのデータを用いた場合と比較して、データ数が少ない条件下で、モデル化誤差が低減されたプラントモデルを効率良く高い精度で作成することができる。

次に、エンジン３の状態を判定する各種の判定処理について説明する。この状態判定は、前述した排気温度の推定値Ｔｅｘ＿ｅｓｔを算出するための参照モデルの入力変数である運転パラメータに誤差やずれが生じると、運転パラメータ間の相関性が低下し、それに伴ってマハラノビス距離ＤＭＡが増加することに着目したものである。具体的には、参照モデルの作成時に入力変数として用いられた４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）について算出された多数のマハラノビス距離（以下「モデル作成時マハラノビス距離ＤＭＡＭ」という）（図８参照）を基準とし、これに基づいてしきい値を設定するとともに、その後のエンジン３の運転中に得られた運転パラメータのマハラノビス距離（以下「運転時マハラノビス距離」という）ＤＭＡを、しきい値と比較することによって、入力変数の誤差やずれの原因になるような、センサの異常や劣化などを含むエンジン３の状態を判定するものである。

これらの判定処理のうち、図６及び図７は、第１実施形態によるセンサの異常判定処理を示す。この判定処理は、前述した４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）の検出系を構成するセンサの異常を判定するものである。

まず、図６のしきい値設定処理では、異常判定用のしきい値Ｄ＿ＡＢＮを設定する（ステップ４０）。この処理は、図２の処理による参照モデルの作成が完了した後に１回、実行される。このしきい値Ｄ＿ＡＢＮは、上述したモデル作成時マハラノビス距離ＤＭＡＭに対して、異常とみなされるマハラノビス距離ＤＭＡの下限を規定するものであり、モデル作成時マハラノビス距離ＤＭＡＭの最大値Ｄ＿ＭＡＸを基準とし、それよりも大きな値に設定される。

このようなしきい値Ｄ＿ＡＢＮの設定は、図８に示すように、最大値Ｄ＿ＭＡＸを通る等マハラノビス距離線の外側に、しきい値Ｄ＿ＡＢＮを通る等マハラノビス距離線（以下「しきい値線」という）Ｘを設定することに相当し、しきい値Ｄ＿ＡＢＮの値が小さいほど、異常判定としてより厳しいことを意味する。また、しきい値Ｄ＿ＡＢＮは、排ガス特性（エミッション）に対する法規制や車両の使用環境なども加味して設定され、例えば法規制の強化に対応する場合には、より小さな値に設定される。

図７の異常判定処理は、エンジン３の通常の運転中に実行される。本処理では、まずステップ５０において、参照モデル作成時の入力変数と同じ４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、１行４列の行列データの状態で、ＥＣＵ２のＲＡＭに記憶する。

次に、ステップ５１に進み、そのサンプリング回数Ｎ４をインクリメントした後、ステップ５２において、サンプリング回数Ｎ４が所定値Ｋ４（例えば２桁の整数）に達したか否かを判別する。この判別結果がＮＯのときには、ステップ５０及び５１に戻り、データのサンプリングとサンプリング回数Ｎ４のインクリメントを繰り返す。

サンプリング回数Ｎ４が所定値Ｋ４に達した場合には（ステップ５２：ＹＥＳ）、ステップ５３に進み、ＲＡＭに記憶された４つの運転パラメータを要素とするＫ４組のデータ（Ｋ４行４列の行列データ）に対し、前記式（１）〜（３）により、各データの運転時マハラノビス距離ＤＭＡ（１）〜ＤＭＡ（Ｋ４）を算出する。

次に、ステップ５４において、運転時マハラノビス距離ＤＭＡを指示するインデックス番号ｉを１に設定した後、ステップ５５に進み、運転時マハラノビス距離ＤＭＡ（ｉ）が、しきい値Ｄ＿ＡＢＮよりも大きいか否かを判別する。この判別結果がＹＥＳで、運転時マハラノビス距離ＤＭＡ（ｉ）がしきい値Ｄ＿ＡＢＮよりも大きいとき（図８において点Ａのようにしきい値線Ｘの外側に位置するとき）には、そのデータが異常であると判定し、ステップ５６において、その異常データ数Ｎ＿ＡＢＮをインクリメントした後、ステップ５７に進む。一方、前記ステップ５５の判別結果がＮＯのときには直接、ステップ５７に進む。

このステップ５７では、インデックス番号ｉが所定値Ｋ４に達したか否かを判別し、その判別結果がＮＯのときには、ステップ５８において、インデックス番号ｉをインクリメントした後、前記ステップ５５及び５６に戻り、運転時マハラノビス距離ＤＭＡ（ｉ）としきい値Ｄ＿ＡＢＮの比較、及びその比較結果に応じた異常データ数Ｎ＿ＡＢＮのインクリメントを繰り返す。

Ｋ４個のすべての運転時マハラノビス距離ＤＭＡについてしきい値Ｄ＿ＡＢＮとの比較が完了した場合には（ステップ５７：ＹＥＳ）、ステップ５９に進み、異常データ数Ｎ＿ＡＢＮが所定値ＮＲＥＦ１以上であるか否かを判別する。

このステップ５９の判別結果がＹＥＳのときには、運転時マハラノビス距離ＤＭＡがしきい値Ｄ＿ＡＢＮを超える異常データ数が多く、その原因が、上記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）の検出系を構成するセンサ（クランク角センサ２０、吸気圧センサ２３、ＥＧＲ弁開度センサ２５）の異常によるものと判定し、ステップ６０において異常フラグＦ＿ＡＢＮを「１」にセットした後、本処理を終了する。一方、ステップ５９の判別結果がＮＯのときには、上記のセンサに異常が発生していないと判定し、ステップ６１において異常フラグＦ＿ＡＢＮを「０」にセットした後、本処理を終了する。

上記のように異常フラグＦ＿ＡＢＮが「１」にセットされると、例えば、センサの異常を知らせる警告灯が点灯され、異常なセンサの特定や交換などが促される。

あるいは、本処理において、異常なセンサの特定を行うようにしてもよい。例えば、上述した処理により、異常を示した複数のデータがすでに把握されているので、それらの各データの４つの運転パラメータを、参照モデルの作成に用いられた４つの運転パラメータ（入力変数）と比較する。その結果、異常な値を示す運転パラメータが特定されれば、その運転パラメータを検出するセンサが異常であると判定することができる。

以上のように、本実施形態によれば、異常判定用のしきい値Ｄ＿ＡＢＮを、モデル作成時マハラノビス距離ＤＭＡＭの最大値Ｄ＿ＭＡＸよりも大きな値に設定するとともに、エンジン３の運転中に検出された４つの運転パラメータから成るＫ４組のデータに対し、各データの運転時マハラノビス距離ＤＭＡ（１）〜ＤＭＡ（Ｋ４）を算出する。そして、算出された各運転時マハラノビス距離ＤＭＡ（ｉ）がしきい値Ｄ＿ＡＢＮを上回った異常データ数Ｎ＿ＡＢＮが所定値ＮＲＥＦ１以上のときに、運転パラメータの検出系を構成するセンサに異常が発生していると判定するので、センサの異常判定を適切に行うことができる。

図９及び図１０は、本発明の第２実施形態によるセンサの劣化判定処理を示す。この判定処理は、上記の運転パラメータの検出系を構成するセンサの経年的な劣化を判定するものである。

まず、図９のしきい値設定処理では、劣化判定用のしきい値Ｄ＿ＤＥＴを設定する（ステップ７０）。この処理は、参照モデルの作成が完了した後に１回、実行される。この場合のしきい値Ｄ＿ＤＥＴは、センサの経年的な劣化による検出値のずれに伴って増加する運転時マハラノビス距離ＤＭＡの上限を規定するものであり、図１１に示すように、車両の走行距離ＤＶをパラメータとするしきい値マップの形態で設定される。より具体的には、しきい値Ｄ＿ＤＥＴは、車両走行距離ＤＶ＝０のときの初期値Ｄ＿ＩＮＩがモデル作成時マハラノビス距離ＤＭＡＭの平均値に設定されるとともに、実験結果などに基づき、車両走行距離ＤＶが増加するにつれて次第に増加するように設定される。

図１０の劣化判定処理は、エンジン３の通常の運転中に実行される。本処理のステップ８０〜８２は、図７のステップ５０〜５２と基本的に同じであり、ステップ８０では、上記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、ＥＣＵ２のＲＡＭに記憶する。このデータサンプリングを、サンプリング回数Ｎ５が所定値Ｋ５（例えば２桁の整数）に達するまで繰り返す（ステップ８１、８２）。

次に、ステップ８３に進み、ＲＡＭに記憶された４つの運転パラメータを要素とするＫ５組のデータ（Ｋ５行４列の行列データ）に対し、前記式（１）〜（３）により、各データの運転時マハラノビス距離ＤＭＡ（１）〜ＤＭＡ（Ｋ５）を算出するとともに、ステップ８４において、その平均値ＤＭＡ＿ＡＶＥを算出する。また、ステップ８５において、そのときの車両走行距離ＤＶに応じ、図１１のしきい値マップを検索することによって、しきい値Ｄ＿ＤＥＴを算出する。

次に、ステップ８６において、平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＤＥＴよりも大きいか否かを判別する。この判別結果がＹＥＳで、運転時マハラノビス距離の平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＤＥＴよりも大きいときには（例えば図１１の点Ｂ）、４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）の検出系を構成するセンサ（クランク角センサ２０、吸気圧センサ２３、ＥＧＲ弁開度センサ２５）に、過大な劣化が発生していると判定し、ステップ８７において、劣化フラグＦ＿ＤＥＴを「１」にセットする。次に、後述するステップ８９において、劣化によるセンサ検出値のずれ量を学習し、本処理を終了する。

一方、ステップ８６の判別結果がＮＯのときには、上記のセンサに過大な劣化は発生していないと判定し、ステップ８８において、劣化フラグＦ＿ＤＥＴを「０」にセットし、本処理を終了する。

上記ステップ８９におけるセンサの検出値のずれ量の算出は、例えば次のようにして行われる。例えばＥＧＲ弁開度センサ２５の場合には、ＥＧＲ弁９ｂを強制的に全閉開度に制御し、その状態においてＥＧＲ弁開度センサ２５で検出された検出値が、開度＝０からの検出値のずれ量として学習される（０点学習）。あるいは、吸気圧センサ２３の場合には、大気圧センサが併用されることを前提とし、吸気圧が大気圧と等しいと想定される条件、例えば車両及びエンジン３が停止している条件において検出された大気圧センサと吸気圧センサ２３との検出値の差が、吸気圧センサ２３の検出値のずれ量として学習される。

以上のように、本実施形態によれば、劣化判定用のしきい値Ｄ＿ＤＥＴを、モデル作成時マハラノビス距離ＤＭＡＭの平均値及び車両走行距離ＤＶに基づいて設定するとともに、運転時マハラノビス距離ＤＭＡの平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＤＥＴを上回ったときに、運転パラメータを検出するセンサに過大な劣化が発生していると判定する。これにより、センサの劣化判定を適切に行うことができる。また、過大な劣化が発生していると判定されたときに、劣化によるセンサ検出値のずれ量を適切なタイミングで学習することができる。

なお、上記の例では、センサ検出値のずれ量の学習を、過大な劣化が発生していると判定されることを条件として実行しているが、その条件の成否にかかわらず、実行してもよい。

図１２及び図１３は、本発明の第３実施形態によるエンジン３の運転領域判定処理を示す。この判定処理は、エンジン３の運転領域が、参照モデルの作成時に得られた運転パラメータで表される運転領域（以下「学習領域」という）から逸脱しているか否かを判定するものである。まず、図１２のしきい値設定処理では、領域判定用のしきい値Ｄ＿ＯＰＲＮを設定する（ステップ９０）。この処理は、例えば参照モデルの作成が完了した後に１回、実行される。このしきい値Ｄ＿ＯＰＲＮは、参照モデルの作成時の学習領域の外縁を規定するものであり、例えばモデル作成時マハラノビス距離ＤＭＡＭの最大値Ｄ＿ＭＡＸに設定される。

図１３の運転領域判定処理は、エンジン３の通常の運転中に実行される。本処理のステップ１００〜１０２は、図７のステップ５０〜〜５２と基本的に同じであり、ステップ１００において、上記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、ＥＣＵ２のＲＡＭに記憶する。このデータサンプリングを、サンプリング回数Ｎ６が所定値Ｋ６（例えば２桁の整数）に達するまで繰り返す（ステップ１０１、１０２）。

次に、ステップ１０３に進み、ＲＡＭに記憶された４つの運転パラメータを要素とするＫ６組のデータ（Ｋ６行４列の行列データ）に対し、前記式（１）〜（３）により、各データの運転時マハラノビス距離ＤＭＡ（１）〜ＤＭＡ（Ｋ６）を算出する。

次のステップ１０４〜１０８もまた、図７のステップ５４〜〜５８と基本的に同じであり、ステップ１０４において、インデックス番号ｉを１に設定した後、ステップ１０５に進み、各運転時マハラノビス距離ＤＭＡ（ｉ）が、しきい値Ｄ＿ＯＰＲＮよりも大きいか否かを判別する。この判別結果がＹＥＳで、運転時マハラノビス距離ＤＭＡ（ｉ）がしきい値Ｄ＿ＯＰＲＮよりも大きいときには、そのデータで表されるエンジン３の運転領域が学習領域から逸脱していると判定し、ステップ１０６において、その領域外データ数Ｎ＿ＯＰＲＮをインクリメントした後、ステップ１０７に進む。一方、前記ステップ１０５の判別結果がＮＯのときには直接、ステップ１０７に進む。

このステップ１０７では、インデックス番号ｉが所定値Ｋ６に達したか否かを判別し、その判別結果がＮＯのときには、ステップ１０８において、インデックス番号ｉをインクリメントした後、前記ステップ１０５及び１０６において、運転時マハラノビス距離ＤＭＡ（ｉ）としきい値Ｄ＿ＯＰＲＮの比較、及びその比較結果に応じた領域外データ数Ｎ＿ＯＰＲＮのインクリメントを繰り返す。

Ｋ６個のすべての運転時マハラノビス距離ＤＭＡについてしきい値Ｄ＿ＯＰＲＮとの比較が完了した場合には（ステップ１０７：ＹＥＳ）、ステップ１０９において、学習領域外と判定された運転パラメータについて、エンジン３の運転状態を学習し、本処理を終了する。この運転状態の学習は、例えば、領域外データ数Ｎ＿ＯＰＲＮを考慮するとともに、学習領域外と判定されたデータ（以下「領域外データ」という）を分析することによって行われる。より具体的には、複数の領域外データの中から、互いに同じ又は近似した運転パラメータを示すデータをピックアップするとともに、その運転パラメータを参照モデルの作成時に得られた運転パラメータと比較し、その特異性を把握することによって、エンジン３の運転状態が学習される。このような学習により、例えば運転者の特徴的な運転パターンや運転環境に応じた又は不注意による通常と異なる運転状態などを把握することが可能である。

以上のように、本実施形態によれば、運転領域判定用のしきい値Ｄ＿ＯＰＲＮを、モデル作成時マハラノビス距離ＤＭＡＭの最大値Ｄ＿ＭＡＸに設定するとともに、運転時マハラノビス距離ＤＭＡ（ｉ）がしきい値Ｄ＿ＯＰＲＮよりも大きいときに、そのデータで表されるエンジン３の運転領域が学習領域から逸脱していると判定する。これにより、学習領域からのエンジン３の運転領域の逸脱の有無を適切に判定することができる。また、領域外データを分析することによって、学習領域を逸脱したエンジン３の運転状態を学習することができる。

図１４及び図１５は、本発明の第４実施形態によるエンジン３の初期状態判定処理を示す。この判定処理は、エンジン３の通常の運転中に実行される第１〜第３実施形態の判定処理と異なり、工場出荷前やその直後において、新品のエンジン３を対象とし、センサの検出特性やデバイスの動作特性のずれの有無を判定するものである。

図１４のしきい値設定処理では、まずステップ１２０において、エンジン３と同じ構成のＮ個のサンプル用エンジンのそれぞれについて、モデリング装置５０を接続した状態で、図２の処理によって参照モデルを作成し、その際に算出された多数のモデル作成時マハラノビス距離ＤＭＡＭを平均した平均値ＤＭＡＭ＿ＡＶＥを得ることによって、Ｎ個の平均値ＤＭＡＭ＿ＡＶＥ（１）〜ＤＭＡＭ＿ＡＶＥ（Ｎ）を算出する。次に、これらの平均値ＤＭＡＭ＿ＡＶＥ（１）〜（Ｎ）をさらに平均することによって、全体平均値ＤＭＡＭ＿ＡＶＥ２を算出する（ステップ１２１）とともに、初期状態判定用のしきい値Ｄ＿ＩＮＩとして設定し（ステップ１２２）、本処理を終了する。

図１５の初期状態判定処理は、図１４の処理の後、出荷前の工場内での試験運転又は出荷直後のならし運転などのエンジン３の初期運転中に実行される。そのステップ１３０〜１３２は、図７のステップ５０〜５２と基本的に同じであり、ステップ１３０では、上記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）のデータをサンプリングし、ＥＣＵ２のＲＡＭに記憶する。このデータサンプリングを、サンプリング回数Ｎ７が所定値Ｋ７（例えば２桁の整数）に達するまで繰り返す（ステップ１３１、１３２）。

次に、ステップ１３３に進み、ＲＡＭに記憶された上記４つの運転パラメータから成るＫ７組のデータ（Ｋ７行４列の行列データ）に対し、前記式（１）〜（３）により、各データの運転時マハラノビス距離ＤＭＡ（１）〜ＤＭＡ（Ｋ７）を算出するとともに、ステップ１３４において、その平均値ＤＭＡ＿ＡＶＥを算出する。

次に、ステップ１３５において、運転時マハラノビス距離の平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＩＮＩよりも大きいか否かを判別する。この判別結果がＹＥＳで、平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＩＮＩよりも大きいときには、上記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）の検出系を構成するセンサ（クランク角センサ２０、吸気圧センサ２３、ＥＧＲ弁開度センサ２５）の検出特性、又は４つの運転パラメータに関連するデバイス（例えばスロットル弁機構８、燃料噴射弁４、ＥＧＲ装置９）の動作特性が、しきい値Ｄ＿ＩＮＩで表される中央品の特性に対してずれていると判定し、ステップ１３６において、初期ずれフラグＦ＿ＩＮＩを「１」にセットし、本処理を終了する。

一方、ステップ１３５の判別結果がＮＯのときには、上記のセンサの検出特性のずれやデバイスの動作特性のずれが発生していないと判定し、ステップ１３７において、初期ずれフラグＦ＿ＩＮＩを「０」にセットし、本処理を終了する。

なお、上記のように初期ずれフラグＦ＿ＩＮＩが「１」にセットされると、例えば、初期ずれを知らせる表示が行われ、それに応じてセンサやデバイスの交換などが適宜、行われる。あるいは、センサの検出値やデバイスの動作量のずれを学習し、その学習値を用いて検出値や動作量を補正するようにしてもよい。

以上のように、本実施形態によれば、エンジン３と同じ構成を有する他の複数のサンプル用エンジンを対象として、参照モデルを作成し、その際に算出された多数のモデル作成時マハラノビス距離ＤＭＡＭを全体として平均した全体平均値ＤＭＡＭ＿ＡＶＥ２を、初期状態判定用のしきい値Ｄ＿ＩＮＩとして設定する。そして、エンジン３の初期運転中に算出された運転時マハラノビス距離ＤＭＡの平均値ＤＭＡ＿ＡＶＥがしきい値Ｄ＿ＩＮＩよりも大きいときに、運転パラメータの検出系を構成するセンサの検出特性、及び／又は運転パラメータに関連するデバイスの動作特性が、中央品の特性からずれていると判定する。これにより、新品のエンジン３におけるセンサの検出特性やデバイスの動作特性のずれの有無を適切に判定することができる。

なお、本発明は、説明した実施形態に限定されることなく、種々の態様で実施することができる。例えば、実施形態では、運転パラメータ（内部状態パラメータ）のデータの分布の中心点からの距離として、マハラノビス距離ＤＭＡを用いているが、これに限らず、ユークリッド距離などの、中心点からの距離を表すものであればよい。

また、実施形態では、図２のステップ５におけるモデルデータのサンプリング、及び図５のステップ２４における学習データのサンプリングを、マハラノビス距離ＤＭＡに比例した確率で行っているが、これに限らず、マハラノビス距離ＤＭＡが大きい方から順にサンプリングを行ってもよい。

また、第１〜第４実施形態ではそれぞれ、エンジン３の状態として、センサの異常、センサの劣化、エンジン３の運転領域及びエンジン３の初期状態を判定しているが、これに限らず、エンジン３の運転パラメータ（内部状態パラメータ）のデータの相関性に影響を及ぼすものである限り、エンジン３の他の状態を対象として、その判定を行ってもよい。

さらに、第１〜第４実施形態でそれぞれ示したしきい値の設定方法や、しきい値と比較される運転時マハラノビス距離ＤＭＡの算出方法は、あくまでも例示であり、その細部の構成を変更することが可能である。

また、実施形態では、エンジン３の内部状態パラメータとして、前記４つの運転パラメータ（ＮＥ，Ｐｉｎ，Ｑ，φｅｇｒ）を用い、出力パラメータとして排気温度Ｔｅｘを用いている。これに限らず、運転パラメータについては、排気温度Ｔｅｘとの相関性を有する限り、他の適当なパラメータ、例えば点火時期ＩＧ、エンジン水温ＴＷやスロットル弁８ａの開度などをさらに用いてもよい。また、排気温度Ｔｅｘに代えて、排気の物理量を表す他の排気パラメータ、例えば排気圧力又は排気還流量を用いてもよい。

さらに、本発明は、実施形態のような排気パラメータを出力パラメータとする入出力系に限らず、他の入出力系に適用することが可能である。例えば、エンジン３の吸気の物理量を表す吸気パラメータ（例えば気筒吸気量や過給圧）を出力パラメータとし、吸気パラメータとの相関性を有する複数の運転パラメータを内部状態パラメータとする入出力系に、本発明を適用してもよい。あるいは、例えば車両の自動運転装置では通常、多数のセンサで検出された検出値を入力変数として用い、外界認識などの出力を得るように構成されるので、本発明は、そのような自動運転装置の入出力系に有効に用いることができる。

また、実施形態は、プラントとして車両用の内燃機関を用い、本発明を適用した例であるが、本発明は、これに限らず、船舶用の内燃機関や、他の産業機器を含むプラントに広く適用することが可能である。

１ 状態判定装置
２ ＥＣＵ（しきい値設定手段、状態判定手段、運転時マハラノビス距離算出手段）
３ 内燃機関（プラント）
４ 燃料噴射弁（デバイス）
８ スロットル弁機構（デバイス）
９ ＥＧＲ装置（デバイス）
２０ クランク角センサ（内部状態パラメータ検出手段）
２３ 吸気圧センサ（内部状態パラメータ検出手段）
２５ ＥＧＲ弁開度センサ（内部状態パラメータ検出手段）
５０ モデリング装置（プラントモデル作成手段）
ＮＥ エンジン回転数（内部状態パラメータ）
Ｐｉｎ 吸気圧（内部状態パラメータ）
Ｑ 燃料噴射量（内部状態パラメータ）
φｅｇｒ ＥＧＲ弁開度（内部状態パラメータ）
ＤＭＡ マハラノビス距離（運転時マハラノビス距離）
ＤＭＡＭ モデル作成時マハラノビス距離
Ｔｅｘ 排気温度（出力パラメータ、排気パラメータ）
Ｄ＿ＡＢＮ センサの異常判定用のしきい値
Ｄ＿ＤＥＴ センサの劣化判定用のしきい値
ＤＶ 車両走行距離（プラントの運転期間）
Ｄ＿ＯＰＲＮ 運転領域判定用のしきい値
Ｄ＿ＩＮＩ 初期状態判定用のしきい値

Claims (9)

1. プラントの内部状態を表す内部状態パラメータを検出する内部状態パラメータ検出手段と、
   当該検出された多数の内部状態パラメータのデータのうちの、当該データの分布の中心点からの距離が大きい方の所定数のデータを用いて、前記内部状態パラメータと前記プラントの出力を表す出力パラメータとの相関性を表すプラントモデルを作成するプラントモデル作成手段と、
   前記所定数の内部状態パラメータのデータに基づき、前記プラントの状態を判定するためのしきい値を設定するしきい値設定手段と、
   前記プラントモデルが作成された後の前記プラントの運転中に前記内部状態パラメータ検出手段によって検出された多数の前記内部状態パラメータのデータと、前記設定されたしきい値との関係に基づき、前記プラントの状態を判定する状態判定手段と、
   を備えることを特徴とするプラントの状態判定装置。
2. 前記データの分布の中心点からの距離は、マハラノビス距離であり、前記しきい値設定手段は、前記所定数の内部状態パラメータのデータのマハラノビス距離に基づいて、前記しきい値を設定することを特徴とする、請求項１に記載のプラントの状態判定装置。
3. 前記プラントの運転中に検出された多数の内部状態パラメータのデータのマハラノビス距離を、運転時マハラノビス距離として算出する運転時マハラノビス距離算出手段をさらに備え、
   前記状態判定手段は、前記算出された運転時マハラノビス距離を前記しきい値と比較することによって、前記プラントの状態を判定することを特徴とする、請求項２に記載のプラントの状態判定装置。
4. 前記しきい値設定手段は、前記しきい値として、異常判定用のしきい値を設定し、
   前記状態判定手段は、前記運転時マハラノビス距離が前記異常判定用のしきい値よりも大きいときに、前記内部状態パラメータ検出手段が異常であると判定することを特徴とする、請求項３に記載のプラントの状態判定装置。
5. 前記しきい値設定手段は、前記しきい値として、劣化判定用のしきい値を前記プラントの運転期間に応じて設定し、
   前記状態判定手段は、前記運転時マハラノビス距離が前記劣化判定用のしきい値よりも大きいときに、前記内部状態パラメータ検出手段が劣化していると判定することを特徴とする、請求項３に記載のプラントの状態判定装置。
6. 前記状態判定手段は、前記内部状態パラメータ検出手段が劣化していると判定されたときに、当該劣化による内部状態パラメータ検出手段の検出特性のずれを学習することを特徴とする、請求項５に記載のプラントの状態判定装置。
7. 前記しきい値設定手段は、前記しきい値として、運転領域判定用のしきい値を設定し、
   前記状態判定手段は、前記内部状態パラメータのデータの前記運転時マハラノビス距離が前記運転領域判定用のしきい値よりも大きいときに、そのデータで表される前記プラントの運転領域が、前記プラントモデルの作成時に学習された運転領域から逸脱していると判定することを特徴とする、請求項３に記載のプラントの状態判定装置。
8. 前記プラントモデル作成手段は、前記プラントと同じ構成を有する他の複数のプラントに対して前記プラントモデルを作成し、
   前記しきい値設定手段は、前記複数のプラントのプラントモデルの作成にそれぞれ用いられた前記所定数の内部状態パラメータのデータのマハラノビス距離に基づき、前記しきい値として、前記プラントの初期状態判定用のしきい値を設定し、
   前記運転時マハラノビス距離算出手段は、前記プラントの初期運転中に前記運転時マハラノビス距離を算出し、
   前記状態判定手段は、前記運転時マハラノビス距離が前記初期状態判定用のしきい値よりも大きいときに、前記プラントの初期状態において、前記内部状態パラメータ検出手段の検出特性のずれ又は前記内部状態に関連するデバイスの動作特性のずれが発生していると判定することを特徴とする、請求項３に記載のプラントの状態判定装置。
9. 前記プラントは内燃機関であり、
   前記プラントの前記内部状態パラメータは、前記内燃機関の回転数、吸気圧、燃料噴射量及びＥＧＲ弁開度であり、
   前記プラントの前記出力パラメータは、前記内燃機関の排気の物理量を表す排気パラメータであることを特徴とする、請求項１ないし８のいずれかに記載のプラントの状態判定装置。

Images