JP7206407B2 - 内燃機関の制御装置 - Google Patents

Description

本開示は、内燃機関の制御装置に関する。

従来から圧縮比を可変する可変圧縮比機構を備えた内燃機関の点火時期制御に関する発明が知られている（下記特許文献１を参照）。この従来の内燃機関の制御装置は、可変に制御される圧縮比に応じて、点火時期を容易かつ高精度に制御できるようにしたものである（同文献、要約等を参照）。

この従来の制御装置は、機関運転状態に応じて基本圧縮比を設定すると共に、実圧縮比を検出する。そして、この従来の制御装置は、機関運転状態に応じて設定した基本点火時期を、圧縮比偏差ΔＣＲ（実圧縮比－基本圧縮比）の正負に応じて、ΔＣＲ＞０のときは遅角用の補正係数、遅角補正量を順次設定して点火時期を遅角補正する。また、この従来の制御装置は、ΔＣＲ＜０のときは進角用の補正係数、進角補正量を順次設定して点火時期を進角補正する（同文献、要約等を参照）。

特開２００５－０６９１３０号公報

上記従来の内燃機関の制御装置は、圧縮比のみに基づいて点火時期を制御している。このような制御では、内燃機関の運転条件によっては、圧縮比以外のパラメータが点火時期に与える影響により、点火時期の制御誤差を生じるおそれがある。この点火時期の制御誤差が、進角側の誤差である場合、内燃機関に不正燃焼であるノッキングを生じさせるおそれがあり、遅角側の誤差である場合、内燃機関に熱効率の悪化や燃焼変動を生じさせるおそれがある。

本開示は、従来よりも点火時期の制御誤差を低減することが可能な内燃機関の制御装置を提供する。

本開示の一態様は、少なくとも内燃機関の回転速度、負荷、およびその他の特定の変数を含む三以上の変数を入力とし、前記内燃機関の制御量を出力とするニューラルネットワークモデルを備え、前記ニューラルネットワークモデルは、前記特定の変数の基準値を入力とする第１ニューラルネットワークモデルと、前記特定の変数の現在値を入力とする第２ニューラルネットワークモデルと、を有し、前記第１ニューラルネットワークモデルの出力と前記第２ニューラルネットワークモデルの出力との差分または比率を補正量として、前記回転速度および前記負荷に基づいて算出された前記制御量の基準値を補正することを特徴とする内燃機関の制御装置である。

本開示によれば、従来よりも点火時期の制御誤差を低減することが可能な内燃機関の制御装置を提供することができる。

本開示に係る内燃機関の制御装置の実施形態１を示す概略図。 図１に示す内燃機関の制御装置の機能ブロック図。 図２に示すニューラルネットワークモデルの説明図。 図２に示すニューラルネットワークモデルの説明図。 図２に示すニューラルネットワークモデルの説明図。 図２に示す基準マップの一例の説明図。 図２に示す判定ニューラルネットワークモデルの説明図。 図２に示す判定ニューラルネットワークモデルの説明図。 図２に示す判定ニューラルネットワークモデルの説明図。 図２に示す判定ニューラルネットワークモデルの説明図。 図１に示す内燃機関の制御装置の処理の流れを説明するフローチャート。 可変圧縮比機構による圧縮比制御を実施する運転領域を説明するグラフ。 ＥＧＲを導入する運転領域を説明するグラフ。 吸気バルブおよび排気バルブのリフトパターンを説明する図。 吸気バルブおよび排気バルブのリフトパターンを説明する図。 吸気バルブおよび排気バルブのリフトパターンを説明する図。 吸気バルブおよび排気バルブの可変動弁機構の制御を説明するグラフ。 比較形態の内燃機関の制御装置の補正マップの一例を示す図。 基準条件における充填効率と点火時期との関係を示すグラフ。 第１補正条件における充填効率と点火時期との関係を示すグラフ。 第２補正条件における充填効率と点火時期との関係を示すグラフ。 本開示に係る内燃機関の制御装置の実施形態２を示す概略図。 ＭＢＴの教師データを取得する方法の説明図。 ＭＢＴの教師データを取得する方法の説明図。 トレースノック時期の教師データを取得する方法の説明図。 トレースノック時期の教師データを取得する方法の説明図。 トレースノック時期の教師データを取得する方法の説明図。 トレースノック時期の教師データを取得する方法の説明図。 図１４に示す内燃機関の制御装置の処理の流れを示すフローチャート。

以下、図面を参照して本開示に係る内燃機関の制御装置の実施形態を説明する。

（実施形態１）
図１は、本開示に係る内燃機関の制御装置の一実施形態を示す概略図である。本実施形態の内燃機関の制御装置１００は、たとえば、自動車などの車両のエンジン２１０を制御する電子制御装置（Electronic Control Unit：ＥＣＵ）によって構成され、または、そのＥＣＵの一部を構成する。ＥＣＵは、たとえば、マイクロコントローラであり、図示を省略する中央処理装置（Central Processing Unit：ＣＰＵ）、ＲＯＭやフラッシュメモリなどの記憶装置、その記憶装置に記憶された各種のコンピュータプログラムおよびデータ、タイマー、周辺機器との通信を行う入出力部を含む。

図１に示す例において、本実施形態の内燃機関の制御装置１００は、自動車などの車両に搭載されて動力を発生させるエンジン２１０およびその周辺機器を含むエンジンシステム２００を制御対象としている。エンジンシステム２００は、たとえば、内燃機関であるエンジン２１０と、そのエンジン２１０に接続された吸気流路および排気流路と、を備えている。エンジン２１０の吸気流路には、エアフローセンサ２０１と、ターボ過給機２０２と、エアバイパス弁２０３と、インタークーラー２０４と、過給温度センサ２０５と、スロットル弁２０６と、吸気マニホールド２０７と、過給圧センサ２０８と、流動強化弁２０９とが設けられている。

また、エンジン２１０は、たとえば、吸気バルブ２１１と、排気バルブ２１２と、開閉位置センサ２１３，２１４と、燃料噴射弁２１５と、点火プラグ２１６と、ノックセンサ２１７と、クランク角度センサ２１８と、可変圧縮比機構２１９と、を備えている。また、エンジン２１０の排気流路には、たとえば、ウェイストゲート弁２２０と、空燃比センサ２２１と、排気浄化触媒２２２と、排気再循環（Exhaust Gas Recirculation：ＥＧＲ）管２２３と、ＥＧＲクーラー２２４と、ＥＧＲ温度センサ２２５と、ＥＧＲ弁２２６と、差圧センサ２２７と、が設けられている。

エアフローセンサ２０１は、たとえば、温度センサ、流量センサ、および湿度センサを備え、吸気流路に取り込まれた空気の温度、流量、および湿度を測定し、測定結果を内燃機関の制御装置１００へ出力する。ターボ過給機２０２は、コンプレッサ２０２ａとタービン２０２ｂを備え、排気流路を流れる気体によってタービン２０２ｂを回転させ、タービン２０２ｂの回転によってコンプレッサ２０２ａを回転させ、吸気流路に取り込まれた空気をエンジン２１０へ圧送する。

エアバイパス弁２０３は、たとえば、吸気流路のターボ過給機２０２をバイパスするバイパス流路に設けられ、内燃機関の制御装置１００からの制御信号によって開閉され、コンプレッサ２０２ａとスロットル弁２０６との間の空気の圧力が過剰に上昇するのを防止する。たとえば、過給状態で吸気マニホールド２０７が急激に閉止された場合は、内燃機関の制御装置１００の制御にしたがってエアバイパス弁２０３が開かれる。これにより、コンプレッサ２０２ａの下流の圧縮された空気がバイパス流路を通ってコンプレッサ２０２ａの上流に逆流し、過給圧が低下する。

インタークーラー２０４は、コンプレッサ２０２ａによって断熱圧縮されて温度が上昇した吸入空気を冷却して温度を低下させる。過給温度センサ２０５は、インタークーラー２０４によって冷却された吸入空気の温度（過給温度）を測定し、測定結果を内燃機関の制御装置１００へ出力する。スロットル弁２０６は、たとえば、過給温度センサ２０５の下流に設けられ、内燃機関の制御装置１００の制御により開度が制御されることで、エンジン２１０のシリンダへ流入する吸入空気量を制御する。スロットル弁２０６は、たとえば、車両のドライバーによるアクセルペダルの踏量とは独立して、内燃機関の制御装置１００からの制御信号により弁開度の制御が可能なバタフライ弁により構成される。

吸気マニホールド２０７はスロットル弁２０６の下流に設けられ、過給圧センサ２０８が組み付けられている。過給圧センサ２０８は、吸気マニホールド２０７における吸入空気の圧力すなわち過給圧を測定して、測定結果を内燃機関の制御装置１００へ出力する。
なお、吸気マニホールド２０７とインタークーラー２０４とを一体化させてもよい。この場合、コンプレッサ２０２ａからエンジン２１０のシリンダへ至る吸気流路の容積を低減することができ、車両の加減速の応答性を向上させることができる。

流動強化弁２０９は、吸気マニホールド２０７の下流に設けられ、吸入空気に偏流を生じさせ、エンジン２１０のシリンダ内の混合気の流れに生じる乱れを強化する。吸気バルブ２１１および排気バルブ２１２は、それぞれ、内燃機関の制御装置１００によって制御され、弁開閉位置の位相を連続的に可変とするための可変動弁機構を備えている。開閉位置センサ２１３，２１４は、それぞれ、吸気バルブ２１１および排気バルブ２１２の可変動弁機構に設けられ、吸気バルブ２１１および排気バルブ２１２の開閉位置の位相を検知して内燃機関の制御装置１００へ出力する。

燃料噴射弁２１５は、たとえば、エンジン２１０のシリンダに設けられ、シリンダ内に直接的に燃料を噴射する直接噴射式である。なお、燃料噴射弁２１５は、吸気ポート内に燃料を噴射するポート噴射式であってもよい。点火プラグ２１６は、エンジン２１０のシリンダに設けられ、シリンダのヘッド内に露出させた電極部のスパークによってシリンダ内の可燃混合気を引火する。ノックセンサ２１７は、エンジン２１０のシリンダブロックに設けられ、燃焼室内で発生するノックの有無を検出する。

クランク角度センサ２１８は、エンジン２１０のクランク軸に組み付けられ、クランク軸の回転角度に応じた信号を、クランク軸の回転速度を示す信号として、燃焼周期ごとに内燃機関の制御装置１００へ出力する。可変圧縮比機構２１９は、エンジン２１０のクランク機構に設けられ、エンジン２１０の運転状態に応じて、内燃機関の制御装置１００の制御により、圧縮比を変化させることにより、熱効率を最適状態に維持しつつ、最大出力を向上させることができる。

ウェイストゲート弁２２０は、たとえば、排気流路のターボ過給機２０２をバイパスするバイパス流路に設けられ、内燃機関の制御装置１００からの制御信号によって開度が制御される電動式の弁である。たとえば、過給圧センサ２０８によって測定された過給圧に基づいて、内燃機関の制御装置１００がウェイストゲート弁２２０の開度を調整することで、排ガスの一部が排気流路のバイパス流路を通過し、排ガスがターボ過給機２０２のタービン２０２ｂに与える仕事を減じることができる。その結果、過給圧を目標圧に保持することができる。

空燃比センサ２２１は、たとえば、排気流路のウェイストゲート弁２２０の下流に設けられ、排ガスの酸素濃度すなわち空燃比を測定し、測定結果を内燃機関の制御装置１００へ出力する。排気浄化触媒２２２は、たとえば、排気流路の空燃比センサ２２１の下流に設けられ、排ガス中の一酸化炭素、窒素化合物および未燃炭化水素等の有害排出ガス成分を触媒反応によって浄化する。

ＥＧＲ管２２３は、排気流路の排気浄化触媒２２２よりも下流側の部分と、吸気流路のターボ過給機２０２のコンプレッサ２０２ａよりも上流側の部分とを接続し、排気浄化触媒２２２を通過した排ガスの一部をコンプレッサ２０２ａの上流側の吸気流路に還流させる。ＥＧＲクーラー２２４は、ＥＧＲ管２２３に設けられ、ＥＧＲ管２２３を通過する排ガスを冷却する。ＥＧＲ温度センサ２２５は、たとえば、ＥＧＲクーラー２２４とＥＧＲ弁２２６との間に設けられ、ＥＧＲ管２２３を流れる排ガスの温度を測定して、内燃機関の制御装置１００へ出力する。

ＥＧＲ弁２２６は、たとえば、ＥＧＲ温度センサ２２５と吸気流路との間に設けられ、内燃機関の制御装置１００によって開度が制御され、排気流路から吸気流路へ還流させる排ガスの流量を制御する。差圧センサ２２７は、ＥＧＲ管２２３に設けられ、ＥＧＲ弁２２６の上流側と下流側に設置され、ＥＧＲ弁２２６の上流側の排ガスの圧力と、ＥＧＲ弁２２６の下流側の排ガスの圧力との差圧を測定し、内燃機関の制御装置１００へ出力する。

内燃機関の制御装置１００は、たとえば、前述のように、エンジンシステム２００を構成する各種のセンサや、エンジンシステム２００の各部を駆動するアクチュエータに接続されている。内燃機関の制御装置１００は、たとえば、スロットル弁２０６、可変動弁機構を備えた吸気バルブ２１１および排気バルブ２１２、燃料噴射弁２１５、ＥＧＲ弁２２６等のアクチュエータの動作を制御する。また、内燃機関の制御装置１００は、各種のセンサから入力された信号に基づいてエンジン２１０の運転状態を検知し、その運転状態に応じて決定したタイミングで点火プラグ２１６を点火する。

このエンジン２１０の点火プラグ２１６の点火時期の制御誤差は、ノッキング、燃焼効率の悪化、または燃焼変動などの不具合を生じさせるおそれがある。本実施形態の内燃機関の制御装置１００は、以下に説明する構成により、従来よりも点火時期の制御誤差を低減して、ノッキング、燃焼効率の悪化、または燃焼変動などの不具合を防止する。

図２は、本実施形態の内燃機関の制御装置１００の機能ブロック図である。詳細については後述するが、本実施形態の内燃機関の制御装置１００は、以下の構成を備えることを主な特徴としている。

本実施形態の内燃機関の制御装置１００は、たとえば、少なくとも内燃機関であるエンジン２１０の回転速度ＲＳ、負荷Ｌ、およびその他の特定の変数Ｖを含む三以上の変数を入力とし、エンジン２１０の制御量ＣＶを出力とするニューラルネットワークモデル１１０を備えている。ニューラルネットワークモデル１１０は、特定の変数Ｖの基準値Ｖｒを入力とする第１ニューラルネットワークモデル１１１と、特定の変数Ｖの現在値Ｖｐを入力とする第２ニューラルネットワークモデル１１２と、を有する。内燃機関の制御装置１００は、第１ニューラルネットワークモデル１１１の出力ＯＵＴ１と、第２ニューラルネットワークモデルの出力ＯＵＴ２との差分ΔＯＵＴまたは比率Ｒ＿ＯＵＴを補正量として、回転速度ＲＳおよび負荷Ｌに基づいて算出された制御量ＣＶの基準値ＣＶｒを補正する。

なお、本実施形態において、内燃機関であるエンジン２１０の制御量ＣＶは、たとえば、最適点火時期である。最適点火時期は、たとえば、ミニマム・アドバンス・フォア・ベスト・トルク（ＭＢＴ）またはノッキングが生じる限界点火時期であるトレースノック時期である。

また、本実施形態において、内燃機関であるエンジン２１０の特定の変数Ｖは、たとえば、可変圧縮比機構２１９の操作量、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量、エンジン２１０の冷却水温、ＥＧＲ管２２３による排気再循環率、流動強化弁２０９の操作量、エンジン２１０の燃料のオクタン価、吸気温度、吸気湿度、燃料噴射時期、燃料噴射割合、または、空燃比である。

以下、本実施形態の内燃機関の制御装置１００の構成をより詳細に説明する。図２に示す例において、内燃機関の制御装置１００は、たとえば、前述のニューラルネットワークモデル１１０に加えて、たとえば、基準マップ１２０と、判定ニューラルネットワークモデル１３０とを備えている。基準マップ１２０は、エンジン２１０の回転速度ＲＳおよび負荷Ｌを入力として、エンジン２１０の制御量ＣＶの基準値ＣＶｒを出力するように構成されている。判定ニューラルネットワークモデル１３０は、エンジン２１０の回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値Ｖｐを入力とし、適合領域の領域内であるか領域外であるかの判定結果ＤＲを出力するように構成されている。

図３Ａから図３Ｃは、ニューラルネットワークモデル１１０の一例の説明図である。ニューラルネットワークモデル１１０は、人間の脳神経回路の仕組みを模した数学モデルであり、モデルを構成する各ニューロン（ユニット）には、重みとバイアスが設定されている。また、ニューロンには活性化関数と呼ばれる関数が定義されている。以下の式（１）および式（２）にその一例を示す。なお、式（１）において、ｗは重みであり、ｂはバイアスである。

ｚ＝ｗ１・ａ１＋ｗ２・ａ２＋・・・＋Ｗｎ・ａｎ＋ｂ ・・・（１）
ａ＝ｆ（ｚ） ・・・（２）

図３Ｂおよび図３Ｃに示すように、ニューラルネットワークモデル１１０は、入力層Ｌｉと、中間層Ｌｍと、出力層Ｌｏとの各層を備える。これら各層は、複数のニューロンで構成されている。ニューロンの数や中間層Ｌｍの数を増加させることで、より複雑な入出力の非線形関係を近似することができる。

図３Ａの右のグラフに示すように、活性化関数ｙ＝ｆ（ｘ）として、たとえば、ロジスティック関数ｆ＿ｌｏｇや線形関数ｆ＿ｌｉｎが適宜選択されて設定される。ニューラルネットワークモデル１１０は、たとえば、中間層Ｌｍの活性化関数ｙ＝ｆ（ｘ）としてロジスティック関数ｆ＿ｌｏｇが設定され、出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）として線形関数ｆ＿ｌｉｎが設定されている。近似精度とモデル規模との間にはトレードオフの関係があり、近似精度とモデル規模の双方の要求を満足するように、近似精度とモデル規模が設定される。

図３Ｂに示す教師あり学習のように、たとえば、エンジン２１０の回転速度ＲＳ、負荷Ｌおよび特定の変数Ｖなど、エンジン２１０の運転状態を入力層Ｌｉに設定する。また、たとえば、ＭＢＴやトレースノック時期などの最適点火時期を含む制御量ＣＶを出力層Ｌｏに設定する。そして、各ニューロンの重みｗとバイアスｂを機械学習することによって、エンジン２１０の運転状態の入出力関係を近似することができる。機械学習のアルゴリズムには、誤差逆伝播法を適用できる。

以上のように、本実施形態の内燃機関の制御装置１００において、ニューラルネットワークモデル１１０は、入力層Ｌｉ、中間層Ｌｍ、および出力層Ｌｏを備えた多層ニューラルネットワークモデルである。そして、入力層Ｌｉの各ユニットに、少なくとも、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖが設定され、中間層Ｌｍの各ユニットに、重みｗ、バイアスｂ、および活性化関数ｙ＝ｆ（ｘ）が設定され、出力層Ｌｏのユニットに、制御量ＣＶが設定されている。

これにより、図２および図３Ｃに示すように、学習済みのニューラルネットワークモデル１１０は、回転速度ＲＳ、負荷Ｌおよびその他の特定の変数Ｖを入力とし、最適点火時期などの制御量ＣＶを出力ＯＵＴ１，ＯＵＴ２とする演算を行うことができる。

図４は、図２に示す基準マップ１２０の一例の説明図である。基準マップ１２０は、前述のように、たとえば、エンジン２１０の回転速度ＲＳおよび負荷Ｌを入力として、エンジン２１０の制御量ＣＶの基準値ＣＶｒを出力するように構成されている。ここで、本実施形態の内燃機関の制御装置１００では、エンジン２１０の負荷Ｌとして、たとえば、充填効率が規定されている。充填効率は、エンジン２１０のシリンダの容積相当の標準状態の空気質量に対する一サイクルでシリンダに吸入される空気質量の割合である。

図４に示す例において、基準マップ１２０は、エンジン２１０の回転速度ＲＳと、エンジン２１０の負荷Ｌである充填効率とに応じて、エンジン２１０の制御量ＣＶの基準値ＣＶｒが規定されたテーブルである。換言すると、基準マップ１２０は、横軸をエンジン２１０の回転速度ＲＳとし、縦軸をエンジン２１０の負荷Ｌである充填効率とし、エンジン２１０の制御量ＣＶの基準値ＣＶｒとしての点火時期制御量が規定された二次元のマップである。

このような構成により、基準マップ１２０は、エンジン２１０の回転速度ＲＳと、エンジン２１０の負荷Ｌである充填効率とを入力とし、エンジン２１０の制御量ＣＶの基準値ＣＶｒを出力するように構成されている。ここで、基準値ＣＶｒは、たとえば、基準条件での点火時期制御量である。また、基準条件とは、エンジン２１０の回転速度ＲＳおよび負荷Ｌで規定された各種デバイスの状態および標準大気条件である。

図５Ａから図５Ｃは、図２に示す判定ニューラルネットワークモデル１３０の一例の説明図である。図５Ａは、横軸を入力パラメータＡ、縦軸を入力パラメータＢとして、ニューラルネットワークモデル１１０による学習領域である内挿領域ＩＡと、非学習領域である外挿領域ＥＡとの判定方法の一例を説明するグラフである。入力パラメータＡ、Ｂは、たとえば、図２の判定ニューラルネットワークモデル１３０に入力される回転速度ＲＳ、負荷Ｌ、特定の変数Ｖのうちのいずれか二つのパラメータである。

一般に、ニューラルネットワークモデル１１０は回帰モデルであり、教師データの内挿領域ＩＡの予測能力は高い一方で、外挿領域ＥＡの予測能力は低い。そのため、誤差を低減するためには、外挿領域ＥＡの演算結果を適切に除外する必要がある。図５Ａに示す例において、領域ａ、領域ｂ、および領域ｄのように各入力パラメータＡ，Ｂの下限値Ａ＿ｍｉｎ，Ｂ＿ｍｉｎの外側に位置する場合、または、各入力パラメータＡ，Ｂの上限値の外側に位置する場合には、外挿領域ＥＡであることが判定できる。

しかし、図５Ａに示す例において、領域ｃのように各入力パラメータＡ，Ｂの下限値Ａ＿ｍｉｎ，Ｂ＿ｍｉｎの内側に位置するか、上限値の内側に位置するが、適合領域の外側に位置する場合、入力パラメータＡ，Ｂの下限値Ａ＿ｍｉｎ，Ｂ＿ｍｉｎ、または上限値だけでは内挿領域ＩＡと外挿領域ＥＡを判定できない。そのため、本実施形態の内燃機関の制御装置１００は、適合領域である内挿領域ＩＡと、非適合領域である外挿領域ＥＡを判定する判定ニューラルネットワークモデル１３０を備えている。

図５Ｂおよび図５Ｃに示すように、判定ニューラルネットワークモデル１３０の中間層Ｌｍおよび出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）には、ロジスティック関数ｆ＿ｌｏｇを設定する。判定ニューラルネットワークモデル１３０は、あらかじめ全入力条件に対して出力層Ｌｏに未学習状態を意味する（０．０）を設定して学習する。さらに、ＭＢＴ、トレースノックなどの点火時期を学習する際のエンジン２１０の運転状態を入力層Ｌｉに設定し、出力層Ｌｏに学習済みであることを意味する（１．０）を設定し学習する。

このような学習を行うことで、学習済みの運転条件の近傍では（１．０）に近い値を出力し、学習していない運転条件では（０．０）に近い値を出力するロジスティック回帰型の判定ニューラルネットワークモデル１３０を構築することができる。たとえば、図２に示すように、この判定ニューラルネットワークモデル１３０を用いることで、図５Ａに示す領域ｃのように、各入力パラメータＡ，Ｂの下限値Ａ＿ｍｉｎ，Ｂ＿ｍｉｎまたは上限値の内側に位置し、内挿領域ＩＡの外側に位置する場合でも、内挿領域ＩＡと外挿領域ＥＡとを判定することができる。

図６は、判定ニューラルネットワークモデル１３０の入力パラメータＡ，Ｂが非学習領域である外挿領域ＥＡに位置する場合の出力層Ｌｏの演算方法の説明図である。全学習条件の入力パラメータＡ，Ｂに対する中間層Ｌｍの最終層すなわち出力層Ｌｏの一層前の層の各ユニット値の頻度分布から、ユニット毎の最小値Ｍｉｎおよび最大値Ｍａｘが規定される。判定ニューラルネットワークモデル１３０の入力パラメータＡ，Ｂが学習領域である内挿領域ＩＡ内に存在する限りにおいては、中間層Ｌｍの最終層の各ユニットの値は、上記ユニット毎の最大値Ｍａｘと最小値Ｍｉｎの間の範囲に存在すると考えられる。

判定ニューラルネットワークモデル１３０の入力パラメータＡ，Ｂが非学習領域である外挿領域ＥＡに位置すると判断された場合には、中間層Ｌｍの最終層の各ユニットの値を診断する。ユニットの値が最大値Ｍａｘ以上の値を示す場合には、最大値Ｍａｘを設定し、最小値Ｍｉｎ以下の値を示す場合は最小値Ｍｉｎを設定する。換言するとロジスティック回帰型ニューラルネットワークモデルである判定ニューラルネットワークモデル１３０が学習条件の範囲外であることを示す指標を出力した場合に、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層を構成するユニットの値を、各々のユニットの最大値Ｍａｘおよび最小値Ｍｉｎに基づく上下限値の範囲に制限する。この様に上下限値で処理することによって、入力パラメータＡ，ｂが外挿領域ＥＡに位置する場合においても、ニューラルネットワークモデル１１０が異常な値を出力することを適切に防止することができる。

このように、本実施形態の内燃機関の制御装置１００は、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖを入力とし、ニューラルネットワークモデル１１０の学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルである判定ニューラルネットワークモデル１３０を備えている。また、判定ニューラルネットワークモデル１３０の中間層Ｌｍおよび出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）としてロジスティック関数ｆ＿ｌｏｇを設定している。

また、判定ニューラルネットワークモデル１３０は、たとえば、中間層Ｌｍの各ユニットの値と、中間層Ｌｍの各ユニットの最大値Ｍａｘと最小値Ｍｉｎとの比較に基づいて、ニューラルネットワークモデル１１０を診断する診断部としての機能を備えてもよい。この場合、診断部としての判定ニューラルネットワークモデル１３０は、ニューラルネットワークモデル１１０の演算実行時に診断結果を出力してもよい。

以下、本実施形態の内燃機関の制御装置１００の動作を説明する。

図１に示すように、内燃機関の制御装置１００は、たとえば、エンジンシステム２００を構成する各種のセンサから出力された測定結果を入力として、エンジン２１０の回転速度ＲＳ、負荷Ｌおよび特定の変数Ｖを算出する。より詳細には、内燃機関の制御装置１００は、たとえば、特定の変数Ｖの基準値Ｖｒと現在値Ｖｐを算出する。

ここで、負荷Ｌは、たとえば、エンジン２１０の充填効率である。また、特定の変数Ｖは、たとえば、エンジン２１０の可変圧縮比機構２１９の操作量、可変動弁機構の操作量、冷却水温、排気再循環率、流動強化弁２０９の操作量、燃料のオクタン価、吸気温度、吸気湿度、燃料噴射時期、燃料噴射割合、および、空燃比からなる群から選択される一以上の変数である。

次に、図２に示すように、内燃機関の制御装置１００は、算出した回転速度ＲＳおよび負荷Ｌを入力として、基準マップ１２０により制御量ＣＶの基準値ＣＶｒを算出する。より具体的には、図４に示すように、基準マップ１２０は、入力された回転速度ＲＳと負荷Ｌに応じた制御量ＣＶの基準値ＣＶｒを出力する。

内燃機関の制御装置１００は、算出した回転速度ＲＳ、負荷Ｌおよび特定の変数Ｖの基準値Ｖｒを入力として、第１ニューラルネットワークモデル１１１により点火時期の目標値（基準値）の推定値を演算して出力する（出力ＯＵＴ１）。また、内燃機関の制御装置１００は、算出した回転速度ＲＳ、負荷Ｌおよび特定の変数Ｖの現在値Ｖｐを入力として、第２ニューラルネットワークモデル１１２により現在の点火時期の推定値を演算して出力する（出力ＯＵＴ２）。

さらに、内燃機関の制御装置１００は、第１ニューラルネットワークモデル１１１の出力ＯＵＴ１と、第２ニューラルネットワークモデル１１２の出力ＯＵＴ２との差分ΔＯＵＴまたは比率Ｒ＿ＯＵＴを算出する。そして、内燃機関の制御装置１００は、算出した出力ＯＵＴ１と出力ＯＵＴ２の差分ΔＯＵＴまたは比率Ｒ＿ＯＵＴを補正量として、回転速度ＲＳおよび負荷Ｌに基づいて基準マップ１２０により算出した点火時期である制御量ＣＶの基準値ＣＶｒを補正する。

一般に、ニューラルネットワークモデルを用いる場合、そのニューラルネットワークモデルの近似精度で、基準条件での制御量の誤差を極力低減させようとすると、モデルの規模が過大となり、演算負荷が増大するという課題がある。

これに対し、本実施形態の内燃機関の制御装置１００は、回転速度ＲＳおよび負荷Ｌを入力として基準マップ１２０によって点火時期である制御量ＣＶの基準値ＣＶｒを演算する。そして、この制御量ＣＶの基準値ＣＶｒを、回転速度ＲＳおよび負荷Ｌ以外の特定の変数Ｖの基準値Ｖｒと現在値Ｖｐとを入力とするニューラルネットワークモデル１１０の出力ＯＵＴ１と出力ＯＵＴ２の差分ΔＯＵＴまたは比率Ｒ＿ＯＵＴによって補正する。

すなわち、本実施形態の内燃機関の制御装置１００において、基準条件では、ニューラルネットワークモデル１１０による補正量はゼロとなり、基準マップ１２０の出力である制御量ＣＶの基準値ＣＶｒが採用される。これにより、本実施形態の内燃機関の制御装置１００は、基準条件において制御量ＣＶの精度を最も高くすることができ、トレードオフ関係にあるモデルの演算規模とモデルの精度との両立を実現することができる。

また、図２に示す例において、内燃機関の制御装置１００は、判定ニューラルネットワークモデル１３０を備えている。判定ニューラルネットワークモデル１３０は、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値Ｖｐを入力とし、ニューラルネットワークモデル１１０の学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルである。また、図５Ａおよび図５Ｂに示すように、この判定ニューラルネットワークモデル１３０の中間層Ｌｍおよび出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）として、たとえば、ロジスティック関数ｆ＿ｌｏｇが設定されている。

このような構成により、判定ニューラルネットワークモデル１３０は、回転速度ＲＳ、負荷Ｌ（充填効率）および特定の変数Ｖの現在値Ｖｐを入力として、図５Ａに示すように適合領域の領域内（内挿領域ＩＡ）であるか、適合領域の領域外（外挿領域ＥＡ）であるかの判定を行う。以下、図７を参照して、ニューラルネットワークモデル１１０および判定ニューラルネットワークモデル１３０の動作の一例を説明する。

図７は、内燃機関の制御装置１００の処理の流れを説明するフローチャートである。処理Ｐ１において、内燃機関の制御装置１００は、ニューラルネットワークモデル１１０の入力値として、たとえば、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖ（現在値Ｖｐおよび基準値Ｖｒ）を取得する。次に、処理Ｐ２において、内燃機関の制御装置１００は、ニューラルネットワークモデル１１０に入力された値を、図６に示すように、予め学習時に規定した最大値Ｍａｘおよび最小値Ｍｉｎで基準化する。この基準化を行うことによって、ニューラルネットワークモデル１１０に非学習領域（外挿領域ＥＡ）の入力パラメータが入力されることが防止される。

次に、処理Ｐ３において、内燃機関の制御装置１００は、判定ニューラルネットワークモデル１３０により、入力された値が学習領域（内挿領域ＩＡ）であるか、非学習領域（外挿領域ＥＡ）であるかを判定する外挿判定処理を実施する。この処理Ｐ３において、判定ニューラルネットワークモデル１３０により、入力された値が、内挿領域ＩＡに存在する（ＮＯ）と判定されると、処理Ｐ４へ進む。

処理Ｐ４において、内燃機関の制御装置１００は、ニューラルネットワークモデル１１０による演算を行った後、後述する処理Ｐ８を実行する。一方、処理Ｐ３において、判定ニューラルネットワークモデル１３０により、入力された値が外挿領域ＥＡに存在する（ＹＥＳ）と判定されると、内燃機関の制御装置１００は処理Ｐ５を実施する。

処理Ｐ５において、内燃機関の制御装置１００は、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層の各ユニットの値を診断する。より具体的には、内燃機関の制御装置１００は、たとえば、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層の各ユニットの値が、規定された最大値Ｍａｘ以上であるか、または最小値Ｍｉｎ以下であるかを判定する。

次に、処理Ｐ６において、内燃機関の制御装置１００は、前の処理Ｐ５において各ユニットの値が最大値Ｍａｘ以上であることを診断した場合、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層の各ユニットに最大値Ｍａｘを設定する。また、処理Ｐ６において、内燃機関の制御装置１００は、前の処理Ｐ５において各ユニットの値が最小値Ｍｉｎ以下であることを診断した場合、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層の各ユニットに最小値Ｍｉｎを設定する。

次に、処理Ｐ７において、内燃機関の制御装置１００は、ニューラルネットワークモデル１１０の出力層Ｌｏの演算を行った後、処理Ｐ８を実行する。処理Ｐ８では、ニューラルネットワークモデル１１０の演算結果として出力ＯＵＴ１と出力ＯＵＴ２を出力する。

以上のように、本実施形態の内燃機関の制御装置１００は、少なくともエンジン２１０の回転速度ＲＳ、負荷Ｌ、およびその他の特定の変数Ｖを含む三以上の変数を入力とし、エンジン２１０の制御量ＣＶを出力とするニューラルネットワークモデル１１０を備えている。このニューラルネットワークモデル１１０は、特定の変数Ｖの基準値Ｖｒを入力とする第１ニューラルネットワークモデル１１１と、特定の変数Ｖの現在値Ｖｐを入力とする第２ニューラルネットワークモデル１１２と、を有している。そして、本実施形態の内燃機関の制御装置１００は、第１ニューラルネットワークモデル１１１の出力ＯＵＴ１と第２ニューラルネットワークモデル１１２の出力ＯＵＴ２との差分ΔＯＵＴまたは比率Ｒ＿ＯＵＴを補正量として、回転速度ＲＳおよび負荷Ｌに基づいて算出された制御量ＣＶの基準値ＣＶｒを補正する。また、本実施形態の内燃機関の制御装置１００において、エンジン２１０の制御量ＣＶは、たとえば、最適点火時期である。

このような構成により、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖなどの補正変数同士の交互作用影響が大きい制御量ＣＶ、たとえばＭＢＴまたはトレースノック時期などの最適点火時期であっても、ニューラルネットワークモデル１１０によって制御量ＣＶを精度良く補正することができる。さらに、本実施形態の内燃機関の制御装置１００は、基準条件において、回転速度ＲＳと負荷Ｌに基づく基準マップ１２０の出力である制御量ＣＶの基準値ＣＶｒが採用される。したがって、本実施形態の内燃機関の制御装置１００によれば、大規模なニューラルネットワークモデル近似を必要とせず、演算負荷と制御量ＣＶの精度とのトレードオフの関係を両立することができる。なお、制御量ＣＶは、最適点火時期に限定されず、エンジン２１０の他の制御量であってもよい。

また、本実施形態の内燃機関の制御装置１００において、エンジン２１０の特定の変数Ｖは、たとえば、可変圧縮比機構２１９の操作量、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量、冷却水温、排気再循環率（ＥＧＲ率）、流動強化弁２０９の操作量、燃料のオクタン価、吸気温度、吸気湿度、燃料噴射時期、燃料噴射割合、または、空燃比である。

以下、図８から図１２を参照し、可変圧縮比機構２１９の操作量、ＥＧＲ率、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量、ならびに冷却水温を例に挙げて、エンジン２１０の回転速度ＲＳ、負荷Ｌ、およびその他の特定の変数Ｖの関係について説明する。

図８は、可変圧縮比機構２１９による圧縮比制御を実施する運転領域を説明するグラフである。図８において、回転速度ＲＳを横軸とし、負荷Ｌとしての充填効率を縦軸として、エンジン２１０の運転領域が規定されている。内燃機関の制御装置１００は、比較的に充填効率が低い低負荷かつ低回転速度の運転領域において、可変圧縮比機構２１９の操作量を制御して、比較的に高い圧縮比の高圧縮比領域ＨＣＲでエンジン２１０を運転する。
これにより、エンジン２１０のシリンダ内の燃焼エネルギを効率よく運動エネルギに変換して、高い熱効率を実現できる。

一方、エンジン２１０の充填効率が高い比較的に高負荷の運転領域では、圧縮比を高くすると、ノッキングと呼ばれる不正燃焼が生じ易くなる。ノッキングを防止するために、点火時期を遅角化すると熱効率が悪化する。すなわち、過剰な高圧縮比化は、むしろ熱効率の悪化の原因となる。そのため、内燃機関の制御装置１００は、充填効率が高い比較的に高負荷の運転領域において、可変圧縮比機構２１９の操作量を制御して、相対的に低圧縮比の低圧縮比領域ＬＣＲでエンジン２１０を運転する。これにより、ノッキングと熱効率の悪化を抑制し、熱効率と出力を両立することができ、エンジン２１０の運転状態に基づいて適切に圧縮比を制御することができる。したがって、エンジン２１０の全体の熱効率を向上させることができる。

このように、内燃機関の制御装置１００は、エンジン２１０の回転速度ＲＳと負荷Ｌである充填効率とに基づいて、可変圧縮比機構２１９の操作量を制御し、エンジン２１０の圧縮比を定常目標状態に制御する。しかしながら、可変圧縮比機構２１９は応答遅れを伴うため、回転速度ＲＳと負荷Ｌとが同一である運転条件であっても、その直前の状態に応じて異なる圧縮比を示す場合がある。

たとえば、運転状態が高圧縮比領域ＨＣＲに設定される低負荷条件から中圧縮比領域ＭＣＲに設定される中負荷条件（非過給域ＮＳＣＲ）を経て、高圧縮比領域ＨＲＣの高負荷条件（過給域ＳＣＲ）に移行する加速条件において、可変圧縮比機構２１９の応答遅れにより、圧縮比が定常目標状態より高圧縮比側に設定される。この場合、ノッキングを生じるおそれがあるため、エンジン２１０の点火時期は、可変圧縮比機構２１９の操作量に基づく現在の圧縮比に応じて適切に補正制御する必要がある。

本実施形態の内燃機関の制御装置１００によれば、前述の図２に示す構成を備えることで、エンジン２１０の特定の変数Ｖとして可変圧縮比機構２１９の操作量を用い、可変圧縮比機構２１９の操作量に基づく現在の圧縮比に応じてエンジン２１０の点火時期を適切に補正制御することができる。

図９は、ＥＧＲを導入する運転領域を説明するグラフである。図９では、図８と同様に、回転速度ＲＳを横軸とし、負荷Ｌとしての充填効率を縦軸として、エンジン２１０の運転領域が規定されている。エンジン２１０の運転領域は、非過給域ＮＳＣＲと過給域ＳＣＲとに大別される。内燃機関の制御装置１００は、非過給域ＮＳＣＲにおいてスロットル弁２０６の開度を制御し、過給域においてスロットル弁２０６を開いてウェイストゲート弁２２０の開度を制御することで、過給圧を制御して充填効率を制御する。このように、非過給域ＮＳＣＲと過給域ＳＣＲとの間で、エンジン２１０のトルクを調整する手段を切り替えることによって、エンジン２１０に生じるポンプ損失を低減でき、低燃費運転を実現することができる。

さらに、本実施形態の内燃機関の制御装置１００の制御対象であるエンジンシステム２００は、ＥＧＲ管２２３、ＥＧＲクーラー２２４、ＥＧＲ温度センサ２２５、ＥＧＲ弁２２６、および差圧センサ２２７を含むＥＧＲシステムを備えている。ＥＧＲシステムは、たとえば、エンジン２１０の非過給域ＮＳＣＲの比較的に高負荷の条件から過給域ＳＣＲにおいて、排気浄化触媒２２２を通過してＥＧＲクーラー２２４によって冷却された排ガスをエンジン２１０シリンダに還流する。これにより、エンジン２１０のシリンダ内に吸入されるガスを不活性ガスである排ガスで希釈し、高負荷の条件で生じやすいノックと呼ばれる不正燃焼を抑制することができる。ノックを抑制することで、点火時期を適切に進角制御することが可能となり、低燃費運転を実現することができる。

このように、ＥＧＲは、内燃機関の制御装置１００により、エンジン２１０の回転速度および負荷に基づいてＥＧＲ弁２２６の開度を制御することで、定常目標のＥＧＲ率に制御される。一方、内燃機関の制御装置１００は、凝縮水が生成する低温度条件では、ＥＧＲを停止する。図１に示す様に、ＥＧＲシステムはエンジン２１０のシリンダから離れた位置に設けられるため、ＥＧＲ弁２２６を制御しても、直ちにシリンダ内のＥＧＲ率を目標値に制御できない。

そのため、回転速度ＲＳおよび負荷Ｌが同一の条件でも、異なるＥＧＲ率を示す場合がある。すなわち、ＥＧＲが停止した低負荷の条件からＥＧＲを導入する高負荷の条件へ移行する加速時においてＥＧＲ弁２２６を開く際に、吸気管内の空気の流れによるＥＧＲの応答遅れによって、シリンダ内のＥＧＲ率が定常目標状態より低くなることがある。この場合、エンジン２１０の点火時期を過進角してノッキングを生じるおそれがあるため、現在のシリンダ内のＥＧＲ率に応じて、エンジン２１０の点火時期を適切に補正制御する必要がある。

本実施形態の内燃機関の制御装置１００によれば、前述の図２に示す構成を備えることで、エンジン２１０の特定の変数ＶとしてＥＧＲ率を用い、ＥＧＲ率に応じてエンジン２１０の点火時期を適切に補正制御することができる。

図１０Ａから図１０Ｃは、位相可変機構を備えた吸気バルブ２１１および排気バルブ２１２のリフトパターンを説明する図である。内燃機関の制御装置１００は、図１０Ａに示すデフォルト条件ＤＥＦにおいて、吸気バルブ２１１および排気バルブ２１２のリフトパターンを、上死点ＴＤＣの近傍で排気バルブ２１２が閉じるとともに、吸気バルブ２１１が開くタイミングに設定する。

また、内燃機関の制御装置１００は、図１０Ｂに示すオーバーラップ条件ＯＬＣにおいて、破線で示すデフォルト条件ＤＥＦのリフトパターンを基準として、吸気バルブ２１１のリフトパターンを進角するとともに、排気バルブ２１２のリフトパターンを遅角させる。内燃機関の制御装置１００により、吸気バルブ２１１および排気バルブ２１２の可変動弁機構をこのように制御することで、吸気バルブ２１１と排気バルブ２１２の両方が同時に開くオーバーラップ期間を設けることができる。

排気流路の圧力が吸気流路の圧力よりも高い場合に、図１０Ｂに示すように、吸気バルブ２１１と排気バルブ２１２のリフトパターンにオーバーラップ期間を設けることで、既燃ガスを吸気流路に逆流させる内部ＥＧＲを実施することができる。また、吸気圧力が排気圧力より大きい場合に吸気バルブ２１１と排気バルブ２１２のリフトパターンにオーバーラップ期間を設けることで、エンジン２１０のシリンダ内の既燃ガスを排気流路へ掃気することができる。

図１０Ｃに示す吸排気遅閉じ条件ＤＥＬでは、破線で示すデフォルト条件を基準として、吸気バルブ２１１のリフトパターンを遅角するとともに、排気バルブ２１２のリフトパターンを遅角させる。制御装置１００により、吸気バルブ２１１および排気バルブ２１２の可変動弁機構をこのように制御することで、排気バルブ２１２の閉じ時期を下死点ＢＤＣよりも遅角側に設定することができ、実効圧縮比を減少させることができる。このように実効圧縮比を減少させることで、ミラーサイクルを実現できる。

また、排気バルブ２１２を吸気バルブ２１１と同様に遅角化させることで、排気バルブ２１２の閉弁後に吸気バルブ２１１が開弁するまでの期間である、負のオーバーラップの発生を防止する。負のオーバーラップの発生を防止することで、エンジン２１０のポンプ損失を低減できるだけでなく、排気バルブ２１２の開弁時期を下死点ＢＤＣ近傍に設定することができるので、膨張比を最大化させることができる。なお、吸気バルブ２１１および排気バルブ２１２のリフトパターンを制御する方法は、可変動弁機構を用いる方法に限定されない。すなわち、カムの切り替え式の可変バルブシステムやリフト可変システムにおいても、同様の効果を奏することができる。

図１１は、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量の制御を説明するグラフである。図１１では、図８および図９と同様に、回転速度ＲＳを横軸とし、負荷Ｌとしての充填効率を縦軸として、エンジン２１０の運転領域が規定されている。
図１１に示す低回転速度かつ高負荷の運転領域において、図１０Ａに示すデフォルト条件ＤＥＦを基準として、吸気バルブ２１１を進角するとともに、排気バルブ２１２を遅角させることで、図１０Ｂに示すオーバーラップ条件ＯＬＣに設定する。

ターボ過給機２０２を備えたエンジンシステム２００では、低回転速度かつ高負荷の運転領域で吸気流路の圧力が排気流路の圧力よりも高くなる。そのため、この運転領域で吸気バルブ２１１と排気バルブ２１２のリフトパターンをオーバーラップさせることで、エンジン２１０のシリンダ内の残留既燃ガスを掃気することができる。エンジン２１０のシリンダ内の既燃ガスを掃気することで、新気をより多くシリンダ内に吸入することができるだけでなく、シリンダ内のガスの温度を低下させることができる。これにより、不正燃焼であるノッキングを防止することができる。

以上の効果から、低回転速度かつ高負荷の運転領域で、吸気バルブ２１１および排気バルブ２１２のリフトパターンをオーバーラップ条件ＯＬＣに設定することで、ターボ過給機２０２を備えたエンジンシステム２００におけるエンジン２１０の加速性を大幅に向上させることができる。

図１１に示すように、低回転速度かつ低負荷（低充填効率）の運転領域では、デフォルト条件ＤＥＦを基準として、吸気バルブ２１１を遅角するとともに、排気バルブ２１２を遅角させ、吸排気遅閉じ条件ＤＥＬに設定する。このように、内燃機関の制御装置１００によって吸気バルブ２１１および排気バルブ２１２の可変動弁機構を制御することで、実効圧縮比の減少と膨張比の増加によるミラーサイクルを実現でき、エンジン２１０の熱効率を向上させることができる。

また、図１１に示すように、高回転速度の運転領域においても、内燃機関の制御装置１００によって、吸気バルブ２１１および吸気バルブ２１１の可変動弁機構を、吸排気遅閉じ条件ＤＥＬに設定する。高回転速度の運転領域では、吸気ガスの慣性効果により、吸気バルブ２１１および排気バルブ２１２の位相を遅角化するほど、エンジン２１０のシリンダ内の吸入空気量を増加させることができる。したがって、高回転速度の運転領域では、吸排気遅閉じ条件ＤＥＬに設定することで、エンジン２１０の最大出力を向上させることができる。

以上のように、吸気バルブ２１１および排気バルブ２１２のリフトパターンの位相は、内燃機関の制御装置１００により、エンジン２１０の回転速度ＲＳおよび負荷Ｌに基づいて、可変動弁機構の操作量を制御することで、定常目標位相に制御される。しかしながら、吸気バルブ２１１および排気バルブ２１２の可変動弁機構は、応答遅れを伴うため、回転速度ＲＳおよび負荷Ｌが同一の条件でも、直前の状態に応じて異なる位相を示す場合がある。

すなわち、吸気バルブ２１１が遅角状態に設定される低負荷の運転領域から、吸気バルブ２１１を遅角してオーバーラップ条件ＯＬＣに設定する高負荷の運転領域へ移行する加速状態では吸気バルブ２１１の動作に遅れが生じる。この吸気バルブ２１１の動作の遅れによって、エンジン２１０のシリンダ内へのＥＧＲによる掃気が、定常目標状態まで十分に行われず、点火時期を過進角してしまい、ノッキングを生じるおそれがある。そのため、点火時期は、現在の吸気バルブ２１１および排気バルブ２１２の位相に応じて、適切に補正制御する必要がある。

本実施形態の内燃機関の制御装置１００によれば、前述の図２に示す構成を備えることで、エンジン２１０の特定の変数Ｖとして、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量を用いることができる。これにより、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量に基づく現在の吸気バルブ２１１および排気バルブ２１２の位相に応じてエンジン２１０の点火時期を適切に補正制御することができる。

また、エンジンシステム２００を構成する各種デバイスの目標制御量は、たとえば、エンジン２１０の冷却水の温度に基づいて異なる値が設定される。より具体的には、冷却水の温度は、エンジン２１０の始動直後に大気温のレベルから昇温し、暖気条件においてサーモスタットにより一定温度に制御される。冷却水の温度が低いときには、エンジン２１０のシリンダの壁面による熱損失が大きく、暖気条件と比較してノッキングが生じにくい。そのため、点火時期は、高負荷の条件でより進角側に補正されるように設定される。

図１２は、本実施形態の内燃機関の制御装置１００とは異なる比較形態の内燃機関の制御装置において用いられる補正マップ１２０ａ，１２０ｂ，１２０ｃ，１２０ｄ，・・・の一例を示す図である。前述のように、エンジン２１０が基準条件以外の条件で運転される場合には、図４に示すような基準マップ１２０によって求められる点火時期を用いることができない。そのため、従来の内燃機関の制御装置は、たとえば、図４に示すような基準マップ１２０に加えて、図１２に示すように、エンジン２１０の回転速度ＲＳと、負荷Ｌである充填効率とに応じて、制御量ＣＶである点火時期が規定された複数の補正マップ１２０ａ，１２０ｂ，１２０ｃ，１２０ｄ，・・・を用いる必要がある。

より具体的には、図１２に示す例において、補正マップ１２０ａは、たとえば冷却水の温度に応じた補正マップであり、補正マップ１２０ｂは、たとえば、圧縮比すなわち可変圧縮比機構２１９の操作量に応じた補正マップである。また、補正マップ１２０ｃは、たとえばＥＧＲ率に応じた補正マップであり、補正マップ１２０ｄは、たとえば、吸気バルブ２１１および排気バルブ２１２の可変動弁機構の操作量に応じた補正マップである。また、従来の内燃機関の制御装置では、制御量ＣＶの精度を向上させるために、補正マップとして、流動強化弁２０９の操作量、燃料のオクタン価、吸気温度、吸気湿度、燃料噴射時期、燃料噴射割合、空燃比などを考慮する必要がある。しかし、補正マップの数を増加させると、制御量ＣＶの精度が向上する反面、内燃機関の制御装置が大規模化、複雑化するという課題がある。

図１３Ａから図１３Ｃは、それぞれ、回転速度が同一で、圧縮比と冷却水の温度との少なくとも一方が異なる条件における充填効率と点火時期との関係を示すグラフである。図１３Ａは、基準条件における充填効率と点火時期との関係を示している。図１３Ｂは、基準条件よりも高圧縮比の第１補正条件における充填効率と点火時期との関係を示している。図１３Ｃは、基準条件よりも高圧縮比かつ冷却水の温度が高い第２補正条件における充填効率と点火時期との関係を示している。

図１３Ａに示す基準条件において、トレースノック時期ＴＫＬおよびＭＢＴは、ノッキングを防止するために、エンジン２１０の負荷Ｌである充填効率が増加するほど遅角側に設定される。図１３Ｂに示すように、基準条件よりも高圧縮比の第１補正条件のトレースノック時期ＴＫＬ１とＭＢＴ（ＭＢＴ１）は、ともに基準条件のトレースノック時期ＴＫＬおよびＭＢＴよりも遅角側に設定される。これは、エンジン２１０のシリンダ内のガスの高温化および高圧化により、燃焼速度および自着火反応速度が促進されるからである。

また、図１３Ｃに示すように、基準条件よりも高圧縮比かつ冷却水の温度が高い第２補正条件のトレースノック時期ＴＫＬ２、基準条件のトレースノック時期ＴＫＬに対して、第１補正条件のトレースノック時期ＴＫＬ１よりもさらに遅角側に設定される。また、第２補正条件のＭＢＴ（ＭＢＴ２）は、基準条件のトレースノック時期ＴＫＬに対して、第１補正条件のトレースノック時期ＴＫＬ１と同様に遅角側に設定される。これは、自着火反応速度促進に与える冷却水温の影響が、燃焼速度の促進効果に対して大きく表れることに起因している。

このように、エンジン２１０の回転速度ＲＳ、負荷Ｌ、およびその他の特定の変数Ｖが、エンジン２１０の制御量ＣＶに対する補正量に与える影響は、変数Ｖによって変化する交互作用効果をもつ非線形性を呈する。そのため、エンジン２１０の制御量ＣＶに対する補正量の演算では、各補正量の線形和で演算可能な部分と、交互作用を考慮した非線形関数による演算が必要な部分とに適切に分類することが重要である。

ここで、図２、および図３Ａから図３Ｃに示すように、本実施形態の内燃機関の制御装置１００において、ニューラルネットワークモデル１１０は、入力層Ｌｉ、中間層Ｌｍ、および出力層Ｌｏを備えた多層ニューラルネットワークモデルである。そして、入力層Ｌｉの各ユニットに、少なくとも、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖが設定され、中間層Ｌｍの各ユニットに、重みｗ、バイアスｂ、および活性化関数ｙ＝ｆ（ｘ）が設定され、出力層Ｌｏのユニットに、制御量ＣＶが設定されている。また、本実施形態の内燃機関の制御装置１００において、ニューラルネットワークモデル１１０は、たとえば、中間層Ｌｍの活性化関数ｙ＝ｆ（ｘ）としてロジスティック関数ｆ＿ｌｏｇが設定され、出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）として線形関数ｆ＿ｌｉｎが設定されている。

この構成により、エンジン２１０の運転状態を入力層Ｌｉに、ＭＢＴ、トレースノックなどの点火時期を出力層Ｌｏにそれぞれ設定し、各ニューロンの重みｗとバイアスｂを教師あり機械学習することによって、入出力関係を近似することができる。したがって、本実施形態の内燃機関の制御装置１００によれば、図１２に示すような多数の補正マップ１２０ａ，１２０ｂ，１２０ｃ，１２０ｄ，・・・を必要とせず、内燃機関の制御装置１００の小規模化および簡略化と、制御量ＣＶの高精度化とのトレードオフの関係を両立することができる。

また、本実施形態の内燃機関の制御装置１００は、図２、図５Ａから図５Ｃ、図６および図７に示すように、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖを入力とし、ニューラルネットワークモデル１１０の学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルである判定ニューラルネットワークモデル１３０を備える。この判定ニューラルネットワークモデル１３０の中間層Ｌｍおよび出力層Ｌｏの活性化関数ｙ＝ｆ（ｘ）としては、たとえばロジスティック関数ｌ＿ｌｏｇが設定される。そして判定ニューラルネットワークモデル１３０が学習条件の範囲外であることを示す指標を出力した場合に、ニューラルネットワークモデル１１０の中間層Ｌｍの最終層を構成するユニットの値を、各々のユニットの最大値Ｍａｘおよび最小値Ｍｉｎに基づく上下限値の範囲に制限する。

このように、本実施形態の内燃機関の制御装置１００は、ニューラルネットワークモデル１１０の学習領域である内挿領域ＩＡの領域外（外挿領域ＥＡ）と判定される場合は、ニューラルネットワークモデル１１０の使用許可の範囲外とみなし、ニューラルネットワークモデル１１０の出力に上下限処理を施すことができる。したがって、本実施形態の内燃機関の制御装置１００によれば、エンジン２１０の点火時期である制御量ＣＶの補正を適切に実施することができる。

なお、本実施形態の内燃機関の制御装置１００は、たとえば、ニューラルネットワークモデル１１０の実行時に診断結果を出力する診断部を備えてもよい。この診断部は、ニューラルネットワークモデル１１０の中間層Ｌｍのユニットの値と、中間層Ｌｍの各々のユニットの最大値および最小値との比較に基づいて、ニューラルネットワークモデル１１０を診断する。

また、本実施形態の内燃機関の制御装置１００は、前述のように、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖを入力とし、ニューラルネットワークモデル１１０の学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルである判定ニューラルネットワークモデル１３０を備えている。この場合、実施形態１の内燃機関の制御装置１００は、ニューラルネットワークモデル１１０の学習時に、判定ニューラルネットワークモデル１３０の学習を実行してもよい。

以上説明したように、本実施形態によれば、従来よりも点火時期の制御誤差を低減することが可能な内燃機関の制御装置１００を提供することができる。

（実施形態２）
以下、図１、図３Ａから図３Ｃ、図４から図６、および図８から図１１を援用し、図１４から図１７を参照して、本開示に係る内燃機関の実施形態２を説明する。

図１４は、本開示に係る内燃機関の制御装置の実施形態２を示す概略図である。本実施形態の内燃機関の制御装置１００Ａは、主に、ニューラルネットワークモデル１１０の数と、判定ニューラルネットワークモデル１３０に代えてニューラルネットワークモデル学習部１４０を有する点で、前述の実施形態１に係る内燃機関の制御装置１００と異なっている。本実施形態の内燃機関の制御装置１００Ａのその他の点は、前述の実施形態１に係る内燃機関の制御装置１００と同様であるので、同様の部分には同一の符号を付して説明を省略する。

本実施形態の内燃機関の制御装置１００Ａは、たとえば、二組以上の第１ニューラルネットワークモデル１１１Ａ，１１１Ｂおよび第２ニューラルネットワークモデル１１２Ａ，１１２Ｂを備えている。

一方の第１ニューラルネットワークモデル１１１Ａは、たとえば、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの基準値ＶｒＡとしてのノックセンサ２１７または図示を省略する筒内圧力センサの出力を入力とし、制御量ＣＶである点火時期を出力ＯＵＴ１Ａとして出力する。また、一方の第２ニューラルネットワークモデル１１２Ａは、たとえば、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値ＶｐＡとしてのノックセンサ２１７または図示を省略する筒内圧力センサの出力を入力とし、制御量ＣＶである点火時期を出力ＯＵＴ２Ａとして出力する。

他方の第１ニューラルネットワークモデル１１１Ｂは、たとえば、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの基準値ＶｒＢとしての図示を省略する筒内圧力センサまたはクランク角度センサ２１８の出力を入力とし、制御量ＣＶである点火時期を出力ＯＵＴ１Ｂとして出力する。また、他方の第２ニューラルネットワークモデル１１２Ｂは、たとえば、回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値ＶｐＢとしての図示を省略する筒内圧力センサまたはクランク角度センサ２１８の出力を入力とし、制御量ＣＶである点火時期を出力ＯＵＴ２Ｂとして出力する。

内燃機関の制御装置１００Ａは、基準マップ１２０の出力である制御量ＣＶの基準値ＣＶｒに対する第１の補正量として、第１ニューラルネットワークモデル１１１Ａの出力ＯＵＴ１Ａと第２ニューラルネットワークモデル１１２Ａの出力ＯＵＴ２Ａとの差分ΔＯＵＴＡを算出する。また、内燃機関の制御装置１００Ａは、基準マップ１２０の出力である制御量ＣＶの基準値ＣＶｒに対する第２の補正量として、第１ニューラルネットワークモデル１１１Ｂの出力ＯＵＴ１Ｂと第２ニューラルネットワークモデル１１２Ｂの出力ＯＵＴ２Ｂとの差分ΔＯＵＴＢを算出する。

内燃機関の制御装置１００Ａは、たとえば、内燃機関であるエンジン２１０のノックセンサ２１７または筒内圧力センサの出力である特定の変数Ｖの現在値ＶｐＡに基づいて、最適点火時期であるトレースノック時期の教師データＴＤＡを演算する。また、内燃機関の制御装置１００Ａは、たとえば、エンジン２１０の筒内圧力センサまたはクランク角度センサ２１８の出力である特定の変数Ｖの現在値ＶｐＢに基づいて最適点火時期であるＭＢＴの教師データＴＤＢを演算する。

ニューラルネットワークモデル学習部１４０は、たとえば、モデル選定部１４１と、モデル学習部１４２とを備える。モデル選定部１４１は、たとえば、第１ニューラルネットワークモデル１１１Ａの出力ＯＵＴ１Ａと第２ニューラルネットワークモデル１１２Ａの出力ＯＵＴ２Ａとの差分ΔＯＵＴＡの絶対値を入力とする。また、モデル選定部１４１は、たとえば、第１ニューラルネットワークモデル１１１Ｂの出力ＯＵＴ１Ｂと第２ニューラルネットワークモデル１１２Ｂの出力ＯＵＴ２Ｂとの差分ΔＯＵＴＢの絶対値を入力とする。そして、モデル選定部１４１は、入力されたこれら差分ΔＯＵＴＡの絶対値および差分ΔＯＵＴＢの絶対値に基づいて、制御量ＣＶに誤差を発生させる要因となっているニューラルネットワークモデル１１０を特定し、または各々のニューラルネットワークモデル１１０の寄与度を算出する。

モデル学習部１４２は、たとえば、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値ＶｐＡを入力変数に設定し、トレースノック時期を教師データＴＤＡとして出力変数に設定する。これにより、モデル学習部１４２は、たとえば学習許可フラグＦがＯＮの場合に、モデル選定部１４１によって選定されたニューラルネットワークモデル１１０、たとえば、第１ニューラルネットワークモデル１１１Ａおよび第２ニューラルネットワークモデル１１２Ａの重みｗとバイアスｂを学習する。

また、モデル学習部１４２は、たとえば、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖの現在値ＶｐＢを入力変数に設定し、ＭＢＴを教師データＴＤＢとして出力変数に設定する。これにより、モデル学習部１４２は、モデル選定部１４１によって選定されたニューラルネットワークモデル１１０、たとえば、第１ニューラルネットワークモデル１１１Ｂおよび第２ニューラルネットワークモデル１１２Ｂの重みｗとバイアスｂを学習する。

なお、モデル学習部１４２の学習アルゴリズムとしては、たとえば誤差逆伝播法を適用することができる。ニューラルネットワークモデル学習部１４０は、たとえば誤差逆伝播法で学習されたニューラルネットワークモデル１１０のパラメータである重みｗとバイアスｂを、モデル選定部１４１によって選定されたニューラルネットワークモデル１１０に反映させる。

ここで、図１５Ａおよび図１５Ｂを参照して、内燃機関の制御装置１００によるＭＢＴの教師データＴＤＢの取得方法の一例を説明する。図１５Ａは、図１に示す吸気マニホールド２０７およびエンジン２１０の周辺の拡大図である。図１５Ｂの上のグラフは、横軸をクランク角度とし、縦軸を筒内圧力とするグラフであり、図１５Ｂの下のグラフは、横軸をクランク角度とし、縦軸を熱発生率とするグラフである。

エンジン２１０の燃焼タイミングに関わる各種の物理量は、クランク角度に対するエンジン２１０のシリンダ内の圧力、すなわち筒内圧力に基づいて算出することができる。図１５Ｂに示すように、筒内圧力の情報として筒内圧力が最大になる時期を規定することができ、その時期が、たとえば、上死点ＴＤＣ後、約１３度の近傍となるように点火時期を設定すると、熱効率が最大値を示す。

たとえば、現在の点火時期に対し、筒内圧力センサ２１７ａによって計測された最大の筒内圧力となる時期θ１が目標とする時期θｔよりも進角側にある場合には、ＭＢＴが真値に対して進角側に誤差を発生していると考えられる。この場合、誤差分Δθを加味したＭＢＴを教師データＴＤＢに設定する。遅角側の誤差についても同様の考え方で教師データＴＤＢを設定することができる。

筒内圧力が最大になる時期以外のエンジン２１０の燃焼タイミングに関わる物理量としては、たとえば燃焼質量５０％時期、９０％時期などの燃焼質量割合時期、熱発生率ピークタイミング、瞬時トルクピークタイミングなどが挙げられる。熱発生率や燃焼質量割合は、筒内圧力センサ２１７ａの検出値と、筒内容積すなわちエンジン２１０のシリンダの容積に基づいて、以下の式（３）で表される熱発生率演算式によって算出することができる。なお、式（３）において、Ｖはシリンダの容積、ｋは比熱比、ｐはシリンダ内の圧力（筒内圧力）、θはクランク角度である。瞬時トルクピークタイミングについては、クランク角度センサの時間変化挙動より導出することが可能である。

次に、図１６Ａから図１６Ｃを参照して、内燃機関の制御装置１００Ａによるトレースノック時期の教師データＴＤＡを取得方法の一例を説明する。図１に示すノックセンサ２１７の出力を用いてトレースノック時期の教師データＴＤＡを取得する場合には、ノックセンサ２１７の出力に基づいて、ノッキングにともなうエンジン２１０のシリンダブロックの振動を検出する。このシリンダブロックの振動は、燃料噴射弁２１５の動作や、吸気バルブ２１１および排気バルブ２１２の動作に起因するノッキング以外の信号成分が含まれるため、検出ウィンドウを設定する。

図１６Ａは、図１５Ａに示す筒内圧力センサ２１７ａを用いてトレースノック時期の教師データＴＤＡを取得する方法を説明するグラフである。筒内圧力センサ２１７ａの出力を用いてトレースノック時期の教師データＴＤＡを取得する場合には、ノックによる異常な波形ＷＡを検知するために、筒内圧力センサ２１７ａの出力に対し、図１６Ｂに示すように、正常な燃焼波形を除去するための高域通過フィルタによる処理を施す。

次に、前述の検出ウィンドウ内のノックセンサ２１７の出力または高域通過フィルタ処理が施された筒内圧力センサ２１７ａの出力に対し、高速フーリエ変換などの信号処理を施す。これにより、図１６Ｃに示すように、ノックセンサ２１７の出力または筒内圧力センサ２１７ａの出力に対し、周波数ごとにパワーを算出し、ノック振動成分に関わる周波数のパワーの積算値からノック発生の有無とノック強度を算出することができる。

最後に、たとえば図１６Ｄに示すようなノック強度に応じた点火時期のリタード量ＲＥＴの関係に基づいて、現在の点火時期に対して真のトレースノックがどの時期に存在するかを知ることができる。この真のトレースノック時期を教師データＴＤＡとしてニューラルネットワークモデル１１０のパラメータを学習することができる。

以下、図１７を参照して本実施形態の内燃機関の制御装置１００Ａの動作を説明する。
図１７は、本実施形態の内燃機関の制御装置１００Ａの処理の流れを示すフローチャートである。

内燃機関の制御装置１００Ａは、まず、処理Ｐ１において、エンジンシステム２００を構成する各種のセンサの出力に基づいて、内燃機関の制御装置１００Ａが出力する制御量ＣＶに基づいて制御されたエンジン２１０の燃焼状態を検知する。

処理Ｐ１において、エンジン２１０の燃焼状態を検知するセンサとしては、たとえば、筒内圧力センサ２１７ａ、ノックセンサ２１７、クランク角度センサ２１８などを例示することができる。また、エンジン２１０の燃焼状態としては、シリンダ内の圧力が最大となる時期である最大筒内圧タイミングや、ノック強度を例示することができる。

次に、処理Ｐ２において、内燃機関の制御装置１００Ａは、制御量ＣＶの誤差の発生を判定する。この処理Ｐ２において、内燃機関の制御装置１００Ａは、たとえば、エンジン２１０の燃焼状態を示す数値が、あらかじめ設定された所定のしきい値以上になるような乖離状態を示した場合に誤差が発生したこと（ＹＥＳ）を判定し、処理Ｐ３を実行する。
一方、処理Ｐ２において、内燃機関の制御装置１００Ａが誤差が発生していないこと（ＮＯ）を判定すると、後述する処理Ｐ９を実行する。

処理Ｐ３において、内燃機関の制御装置１００Ａは、学習を行う条件であるか否かを判定する。たとえば、エンジンシステム２００が過渡状態にある場合、ニューラルネットワークモデル１１０の学習が正常に実施できないことが想定される。そのため、この処理Ｐ３において、内燃機関の制御装置１００Ａは、たとえば、エンジンシステム２００が過渡状態にあると判定した場合に、ニューラルネットワークモデル１１０の学習が禁止されていること（ＮＯ）を判定し、後述する処理Ｐ９を実行する。一方、この処理Ｐ３において、内燃機関の制御装置１００Ａは、たとえば、エンジンシステム２００が定常状態にあると判定した場合に、ニューラルネットワークモデル１１０の学習が許可されていること（ＹＥＳ）を判定し、処理Ｐ４を実行する。

処理Ｐ４において、内燃機関の制御装置１００Ａは、ニューラルネットワークモデル１１０の出力層Ｌｏに設定する教師データＴＤＡ，ＴＤＢを演算する。トレースノック時期の教師データＴＤＡとしては、前述の図１６Ｄに示すように、ノック強度に対する点火時期の遅角量であるリタード量ＲＥＴを現在のトレースノック時期に加味した目標点火時期θｔを用いることができる。

また、ＭＢＴの教師データＴＤＢとしては、現在の最大筒内圧タイミングと目標とする最大筒内圧タイミングとの差分、すなわち、図１５Ｂに示す筒内圧力センサ２１７ａによって計測された最大の筒内圧力となる時期θ１と、目標とする時期θｔとの誤差分Δθを、現在のＭＢＴに加味した値を用いることができる。なお、真のＭＢＴを検出する方法としては、たとえば燃焼質量５０％時期、９０％時期などの燃焼質量割合時期、熱発生率ピークタイミング、瞬時トルクピークタイミングなどを用いることも可能である。

次に、処理Ｐ５において、内燃機関の制御装置１００Ａは、たとえば、図１４に示すモデル選定部１４１により、制御量ＣＶである点火時期に誤差を発生しているニューラルネットワークモデル１１０を、補正量である差分ΔＯＵＴＡ，ΔＯＵＴＢの絶対値の大小関係に基づいて特定し、または寄与度を算出する。

次に、処理Ｐ６から処理Ｐ８において、内燃機関の制御装置１００Ａは、ニューラルネットワークモデル学習部１４０により、ニューラルネットワークモデル１１０に対して、オンボード学習を実行する。ニューラルネットワークモデル１１０の入力層Ｌｉに、教師データとして、回転速度ＲＳ、負荷Ｌ（充填効率）、特定の変数Ｖの基準値ＶｒＡ，ＶｒＢを設定し、同モデルの出力層Ｌｏにはセンサの検出値にもとづく真のＭＢＴ、トレースノック時期を設定する。ニューラルネットワークモデル１１０の学習アルゴリズムとしては、誤差逆伝播法を適用する。ニューラルネットワークモデル学習部１４０は、誤差逆伝播法で学習されたニューラルネットワークモデル１１０のパラメータ（重みｗおよびバイアスｂ）を当該ニューラルネットワークモデル１１０へ反映し、処理Ｐ９を実行する。

処理Ｐ９において、内燃機関の制御装置１００Ａは、点火時期制御モデルを構成する各ニューラルネットワークモデル１１０に最新のパラメータを設定する。このように、ニューラルネットワークモデル１１０のパラメータを、エンジンシステム２００を構成するセンサの出力に基づいてオンボードで学習することで、エンジン２１０およびエンジンシステム２００の特性の経時変化や個体毎のばらつきに起因した定常的な制御誤差を適切に補正することができる。

次に、処理Ｐ１０において、内燃機関の制御装置１００Ａは、ニューラルネットワークモデル１１０のパラメータをセンサの出力を用いてオンボードで学習した結果に基づいて、内燃機関、すなわち、エンジン２１０またはエンジンシステム２００の特性の経時劣化の度合を診断する。たとえば、ＭＢＴが所定値よりも進角側に学習された場合には、燃焼速度が想定以上に緩慢化している異常状態または異常状態に至る予兆とみなすことができるため、内燃機関の制御装置１００Ａは、その予兆を通知するための診断結果を出力する。また、トレースノック時期が所定値よりも遅角側に学習された場合には、ノック発生が想定以上に顕著化している異常状態または異常状態に至る予兆とみなすことができるため、内燃機関の制御装置１００Ａは、その予兆を通知するための診断結果を出力する。

以上説明したように、本実施形態によれば、前述の実施形態１と同様に、従来よりも点火時期の制御誤差を低減することが可能な内燃機関の制御装置１００Ａを提供することができる。

また、本実施形態の内燃機関の制御装置１００Ａは、ニューラルネットワークモデル１１０の重みｗとバイアスｂを学習するためのニューラルネットワークモデル学習部１４０を備えている。さらに、内燃機関の制御装置１００Ａは、内燃機関であるエンジン２１０のノックセンサ２１７または筒内圧力センサ２１７ａの出力に基づいて最適点火時期であるトレースノック時期の教師データＴＤＡを演算する。そして、ニューラルネットワークモデル学習部１４０は、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖを入力変数に設定し、トレースノック時期を教師データＴＤＡとして出力変数に設定する。

また、本実施形態の内燃機関の制御装置１００Ａは、ニューラルネットワークモデル１１０の重みｗとバイアスｂを学習するためのニューラルネットワークモデル学習部１４０を備えている。さらに、内燃機関の制御装置１００Ａは、内燃機関であるエンジン２１０の筒内圧力センサ２１７ａまたはクランク角度センサ２１８の出力に基づいて最適点火時期であるＭＢＴの教師データＴＤＢを演算する。そして、ニューラルネットワークモデル学習部１４０は、少なくとも回転速度ＲＳ、負荷Ｌ、および特定の変数Ｖを入力変数に設定し、ＭＢＴを教師データＴＤＢとして出力変数に設定する。

また、本実施形態の内燃機関の制御装置１００Ａにおいて、ニューラルネットワークモデル学習部１４０は、トレースノック時期がしきい値よりも遅角側に学習された場合に、異常状態または異常に至る予兆であることを診断し、診断結果を出力する。また、本実施形態の内燃機関の制御装置１００Ａにおいて、ニューラルネットワークモデル学習部１４０は、ＭＢＴがしきい値よりも進角側に学習された場合に、異常状態または異常に至る予兆であることを診断し、診断結果を出力する。さらに、本実施形態の内燃機関の制御装置１００Ａにおいて、ニューラルネットワークモデル学習部１４０は、内燃機関であるエンジン２１０またはエンジンシステム２００が過渡状態であるか否かを判定し、過渡状態であると判定された場合に、学習を禁止する。

以上のような構成により、現在の点火時期の制御量ＣＶにもとづいて内燃機関であるエンジン２１０が制御された際の燃焼状態を、筒内圧力センサ２１７ａ、ノックセンサ２１７、クランク角度センサ２１８などのセンサによって検知することができる。これにより、現在の制御量ＣＶと真の制御状態との乖離度合を、間接的に検出することができる。また、補正パラメータである特定の変数Ｖ毎にニューラルネットワークモデル１１０を備え、補正量である差分ΔＯＵＴＡ、差分ΔＯＵＴＢの絶対値の大小関係に基づいて学習対象とするニューラルネットワークモデル１１０を選定する構成とすることで、学習に要する演算負荷を低減することができる。

また、本実施形態の内燃機関の制御装置１００Ａは、たとえば、内燃機関であるエンジン２１０の燃焼状態を検知するセンサの出力と、補正量である差分ΔＯＵＴＡ、差分ΔＯＵＴＢによって補正された制御量ＣＶの基準値との差異がしきい値以上である場合に、補正量に基づいて学習対象となるニューラルネットワークモデル１１０を選定して学習を実行するニューラルネットワークモデル学習部１４０を備えてもよい。

以上、図面を用いて本開示に係る内燃機関の制御装置の実施形態を詳述してきたが、具体的な構成はこの実施形態に限定されるものではなく、本開示の要旨を逸脱しない範囲における設計変更等があっても、それらは本開示に含まれるものである。

たとえば、前述の実施形態では、ニューラルネットワークモデルの出力に最適点火時期（ＭＢＴ時期またはトレースノック時期）を設定する構成としているが、本開示に係る内燃機関の制御装置はこれに限定されない。たとえば、ニューラルネットワークモデルの出力として、図示トルク、排ガス温度、排ガス組成を設定し、内燃機関の制御装置を推定手段として用いることもできる。

１００ 内燃機関の制御装置、１００Ａ 内燃機関の制御装置、１１０ ニューラルネットワークモデル、１１１ 第１ニューラルネットワークモデル、１１１Ａ 第１ニューラルネットワークモデル、１１１Ｂ 第１ニューラルネットワークモデル、１１２ 第２ニューラルネットワークモデル、１１２Ａ 第２ニューラルネットワークモデル、１１２Ｂ 第２ニューラルネットワークモデル、１３０ 判定ニューラルネットワークモデル（ロジスティック回帰型ニューラルネットワークモデル）、１４０ ニューラルネットワークモデル学習部、２００ エンジンシステム（内燃機関）、２０９ 流動強化弁、２１０ エンジン（内燃機関）、２１７ ノックセンサ、２１７ａ 筒内圧力センサ、２１８ クランク角度センサ、２１９ 可変圧縮比機構、ｂ バイアス、ＣＶ 制御量、ＣＶｒ 制御量の基準値、ｆ＿ｌｏｇ ロジスティック関数、ｆ＿ｌｉｎ 線形関数、Ｌ 負荷、Ｌｉ 入力層、Ｌｍ 中間層、Ｌｏ 出力層、Ｍａｘ 最大値、Ｍｉｎ 最小値、ＲＳ 回転速度、Ｒ＿ＯＵＴ 比率（補正量）、ＴＤＡ トレースノック時期の教師データ、ＴＤＢ ＭＢＴの教師データ、Ｖ 特定の変数特定、Ｖｒ 特定の変数特定の基準値、Ｖｐ 特定の変数特定の現在値、ｗ 重み、ｙ＝ｆ（ｘ） 活性化関数、ΔＯＵＴ 差分（補正量）、ΔＯＵＴＡ 差分（補正量）、ΔＯＵＴＢ 差分（補正量）

Claims (16)

1. 少なくとも内燃機関の回転速度、負荷、およびその他の特定の変数を含む三以上の変数を入力とし、前記内燃機関の制御量を出力とするニューラルネットワークモデルを備え、
   前記ニューラルネットワークモデルは、前記特定の変数の基準値を入力とする第１ニューラルネットワークモデルと、前記特定の変数の現在値を入力とする第２ニューラルネットワークモデルと、を有し、
   前記第１ニューラルネットワークモデルの出力と前記第２ニューラルネットワークモデルの出力との差分または比率を補正量として、前記回転速度および前記負荷に基づいて算出された前記制御量の基準値を補正することを特徴とする内燃機関の制御装置。
2. 前記内燃機関の前記制御量は、最適点火時期であることを特徴とする請求項１に記載の内燃機関の制御装置。
3. 前記内燃機関の前記特定の変数は、可変圧縮比機構の操作量、可変動弁機構の操作量、冷却水温、排気再循環率、流動強化弁の操作量、燃料のオクタン価、吸気温度、吸気湿度、燃料噴射時期、燃料噴射割合、または、空燃比であることを特徴とする請求項１に記載の内燃機関の制御装置。
4. 前記ニューラルネットワークモデルは、入力層、中間層、および出力層を備えた多層ニューラルネットワークモデルであり、
   前記入力層の各ユニットに、少なくとも、前記回転速度、前記負荷、および前記特定の変数が設定され、
   前記中間層の各ユニットに、重み、バイアス、および活性化関数が設定され、
   前記出力層のユニットに、前記制御量が設定されていることを特徴とする請求項１に記載の内燃機関の制御装置。
5. 前記ニューラルネットワークモデルの前記重みと前記バイアスを学習するためのニューラルネットワークモデル学習部を備え、
   前記内燃機関の制御装置は、前記内燃機関のノックセンサまたは筒内圧力センサの出力に基づいてトレースノック時期の教師データを演算し、
   前記ニューラルネットワークモデル学習部は、少なくとも前記回転速度、前記負荷、および前記特定の変数を入力変数に設定し、前記トレースノック時期を前記教師データとして出力変数に設定することを特徴とする請求項４に記載の内燃機関の制御装置。
6. 前記ニューラルネットワークモデルの前記重みと前記バイアスを学習するためのニューラルネットワークモデル学習部を備え、
   前記内燃機関の制御装置は、前記内燃機関の筒内圧力センサまたはクランク角度センサの出力に基づいてＭＢＴの教師データを演算し、
   前記ニューラルネットワークモデル学習部は、少なくとも前記回転速度、前記負荷、および前記特定の変数を入力変数に設定し、前記ＭＢＴを前記教師データとして出力変数に設定することを特徴とする請求項４に記載の内燃機関の制御装置。
7. 前記中間層の前記活性化関数としてロジスティック関数が設定され、
   前記出力層の前記活性化関数として線形関数が設定されていることを特徴とする請求項４に記載の内燃機関の制御装置。
8. 前記ニューラルネットワークモデルの実行時に診断結果を出力する診断部を備え、
   前記診断部は、前記中間層の前記ユニットの値と、前記中間層の各々の前記ユニットの最大値および最小値との比較に基づいて、前記ニューラルネットワークモデルを診断することを特徴とする請求項４に記載の内燃機関の制御装置。
9. 少なくとも前記回転速度、前記負荷、および前記特定の変数を入力とし、前記ニューラルネットワークモデルの学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルを備えることを特徴とする請求項１に記載の内燃機関の制御装置。
10. 前記ロジスティック回帰型ニューラルネットワークモデルの中間層および出力層の活性化関数としてロジスティック関数を設定することを特徴とする請求項９に記載の内燃機関の制御装置。
11. 前記ロジスティック回帰型ニューラルネットワークモデルが前記学習条件の範囲外であることを示す指標を出力した場合に、前記ニューラルネットワークモデルの中間層の最終層を構成するユニットの値を、各々の前記ユニットの最大値および最小値に基づく上下限値の範囲に制限することを特徴とする請求項９に記載の内燃機関の制御装置。
12. 前記内燃機関の燃焼状態を検知するセンサの出力と、前記補正量によって補正された前記基準値との差異がしきい値以上である場合に、前記補正量に基づいて学習対象となる前記ニューラルネットワークモデルを選定して学習を実行するニューラルネットワークモデル学習部を備えることを特徴とする請求項１に記載の内燃機関の制御装置。
13. 少なくとも前記回転速度、前記負荷、および前記特定の変数を入力とし、前記ニューラルネットワークモデルの学習条件の範囲内であるか否かの指標を出力するロジスティック回帰型ニューラルネットワークモデルを備え、
    前記ニューラルネットワークモデルの学習時に、前記ロジスティック回帰型ニューラルネットワークモデルの学習を実行することを特徴とする請求項１２に記載の内燃機関の制御装置。
14. 前記ニューラルネットワークモデル学習部は、前記トレースノック時期がしきい値よりも遅角側に学習された場合に、異常状態または異常に至る予兆であることを診断し、診断結果を出力することを特徴とする請求項５に記載の内燃機関の制御装置。
15. 前記ニューラルネットワークモデル学習部は、前記ＭＢＴがしきい値よりも進角側に学習された場合に、異常状態または異常に至る予兆であることを診断し、診断結果を出力することを特徴とする請求項６に記載の内燃機関の制御装置。
16. 前記ニューラルネットワークモデル学習部は、前記内燃機関が過渡状態であるか否かを判定し、前記過渡状態であると判定された場合に、前記学習を禁止することを特徴とする請求項５または請求項６に記載の内燃機関の制御装置。

Images