JPH08177599A - 車両装備物の温度推定方法及び温度推定装置 - Google Patents

車両装備物の温度推定方法及び温度推定装置

Info

Publication number
JPH08177599A
JPH08177599A JP6328512A JP32851294A JPH08177599A JP H08177599 A JPH08177599 A JP H08177599A JP 6328512 A JP6328512 A JP 6328512A JP 32851294 A JP32851294 A JP 32851294A JP H08177599 A JPH08177599 A JP H08177599A
Authority
JP
Japan
Prior art keywords
temperature
neural network
engine
estimating
tangible object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP6328512A
Other languages
English (en)
Inventor
Mitsuru Nagaoka
満 長岡
Yoko Hirata
陽子 平田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mazda Motor Corp
Original Assignee
Mazda Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mazda Motor Corp filed Critical Mazda Motor Corp
Priority to JP6328512A priority Critical patent/JPH08177599A/ja
Publication of JPH08177599A publication Critical patent/JPH08177599A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Control Of Transmission Device (AREA)
  • Exhaust Gas After Treatment (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

(57)【要約】 【目的】 温度センサを要することなく、車両に装備さ
れる有体物（エンジン冷却水、変速制御油、触媒等）の
温度を精度よく推定する。 【構成】 エンジンの制御情報のうち、エンジンの吸気
負圧Ｂoost、エンジン出力軸の回転速度Ｅsp及びトルク
コンバータのタービン回転速度Ｔspを入力変数とするニ
ューラルネットワーク演算によりトルクコンバータの滑
り損Ｔlos を算出する。エンジン出力軸の回転速度Ｅsp
及び自動変速機の変速位置Ｇear を入力変数とするニュ
ーラルネットワーク演算により自動変速機の攪拌損Ｇlo
s を算出する。また、車速Ｖsp及び外気温Ａtempを入力
変数とするニューラルネットワーク演算により自動変速
機の冷却量Ｃlos を算出する。しかる後、上記滑り損Ｔ
los、攪拌損Ｇlos 及び冷却量Ｃlos を入力変数とする
ニューラルネットワーク演算により変速制御油の温度Ｆ
tempを推定する。その際、過去の温度推定値Ｆt(t-n)を
入力変数に加える。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、車両に装備される有体
物、例えばエンジン冷却水、自動変速機の変速制御油、
触媒コンバータ内の触媒等の温度を推定する車両装備物
の温度推定方法及び温度推定装置に関するものである。
【０００２】
【従来の技術】一般に、車両において、エンジンや自動
変速機等を制御する場合には、温度センサによりエンジ
ンの冷却水や自動変速機の変速制御油等の温度を測定
し、その温度を制御情報の一つとして制御を行ってい
る。また、エンジン排気系に設けられる触媒コンバータ
内の触媒温度を温度センサにより測定し、その温度が所
定温度以上になったときに警報を発するようにすること
もあり、車両に装備される有体物（物品及びその物品内
に含まれる気体、液体、粒状物等を含むことを意味す
る）の温度は、種々の制御に用いられている。
【０００３】
【発明が解決しようとする課題】ところが、上記有体物
の温度を測定するための温度センサは、比較的単価の高
いものであるため、その使用を極力抑えたいという要求
がある。
【０００４】本発明はかかる点に鑑みてなされたもので
あり、その目的とするところは、エンジンの制御情報の
うち、温度測定の対象である有体物の温度に関係する情
報を基にした適切な演算法を用いることにより、温度セ
ンサを要することなく、車両の、特にエンジン周辺に装
備される有体物の温度を精度よく推定できるようにする
ものである。
【０００５】
【課題を解決するための手段】上記目的を達成するた
め、請求項１に係わる発明は、各種の制御情報に基づい
て制御されるエンジンを搭載する車両に装備される有体
物の温度を推定する車両装備物の温度推定方法として、
上記エンジンの制御情報のうち、上記有体物の温度に関
係する情報を、少なくとも発生熱量グループと冷却熱量
グループとの二つに分け、発生熱量グループの情報を入
力変数とするニューラルネットワーク演算により有体物
の発生熱量を、冷却熱量グループの情報を入力変数とす
るニューラルネットワーク演算により有体物の冷却熱量
をそれぞれ算出し、しかる後、上記発生熱量及び冷却熱
量に基づいて有体物の温度を推定する構成とする。
【０００６】請求項２〜４に係わる発明は、いずれも温
度推定の対象である有体物の一例を示す。すなわち、上
記有体物は、請求項２に係わる発明では自動変速機の変
速制御油であり、請求項３に係わる発明ではエンジンの
冷却水であり、請求項４に係わる発明では触媒コンバー
タ内の触媒である。
【０００７】請求項５に係わる発明は、請求項１記載の
車両装備物の温度推定方法において、発生熱量及び冷却
熱量に基づいて有体物の温度を推定するに当り、発生熱
量及び冷却熱量を入力変数とするニューラルネットワー
ク演算により有体物の温度を推定する構成とする。
【０００８】請求項６に係わる発明は、請求項５記載の
車両装備物の温度推定方法において、ニューラルネット
ワーク演算により有体物の温度を推定するに当り、所定
時間前の有体物温度推定値を入力変数に加えてニューラ
ルネットワーク演算を行う構成とする。
【０００９】請求項７に係わる発明は、請求項１記載の
車両装備物の温度推定方法において、発生熱量及び冷却
熱量に基づいて有体物の温度を推定するに当り、発生熱
量及び冷却熱量を入力情報とするファジィ演算により有
体物の温度を推定する構成とする。
【００１０】請求項８に係わる発明は、請求項２に係わ
る発明の如く自動変速機の変速制御油の温度を推定する
方法の具体的態様を示す。すなわち、エンジンの制御情
報のうちエンジンの吸気負圧、エンジン出力軸の回転速
度及びトルクコンバータのタービン回転速度を入力変数
とするニューラルネットワーク演算によりトルクコンバ
ータの滑り損を、エンジン出力軸の回転速度及び自動変
速機の変速位置を入力変数とするニューラルネットワー
ク演算により自動変速機の攪拌損を、車速及び外気温を
入力変数とするニューラルネットワーク演算により自動
変速機の冷却量をそれぞれ算出し、しかる後、上記滑り
損、攪拌損及び冷却量に基づいて変速制御油の温度を推
定する構成とする。
【００１１】請求項９に係わる発明は、請求項３に係わ
る発明の如くエンジンの冷却水の温度を推定する方法の
具体的態様を示す。すなわち、エンジンの制御情報のう
ちエンジンの吸気負圧及びエンジン出力軸の回転速度を
入力変数とするニューラルネットワーク演算によりエン
ジンの発生熱量を、車速及び外気温を入力変数とするニ
ューラルネットワーク演算によりエンジンの冷却熱量を
それぞれ算出し、しかる後、上記発生熱量及び冷却熱量
に基づいてエンジン冷却水の温度を推定する構成とす
る。
【００１２】請求項１０に係わる発明は、請求項４に係
わる発明の如く触媒コンバータ内の触媒の温度を推定す
る方法の具体的態様を示す。すなわち、エンジンの制御
情報のうちエンジンの吸気負圧、エンジン出力軸の回転
速度及びアクセル開度を入力変数とするニューラルネッ
トワーク演算により触媒コンバータの発生熱量を、車速
及び外気温を入力変数とするニューラルネットワーク演
算により触媒コンバータの冷却熱量をそれぞれ算出し、
しかる後、上記発生熱量及び冷却熱量に基づいて触媒コ
ンバータ内の触媒温度を推定する構成とする。
【００１３】請求項１１に係わる発明は、各種の制御情
報に基づいて制御されるエンジンを搭載する車両に装備
される有体物の温度を推定する車両装備物の温度推定装
置として、上記エンジンの制御情報のうち、上記有体物
の発生熱量に関係する情報を入力変数とするニューラル
ネットワーク演算により有体物の発生熱量を算出する発
生熱量算出手段と、上記エンジンの制御情報のうち、上
記有体物の冷却熱量に関係する情報を入力変数とするニ
ューラルネットワーク演算により有体物の冷却熱量を算
出する冷却熱量算出手段と、上記両算出手段で各々算出
した発生熱量及び冷却熱量に基づいて有体物の温度を推
定する温度推定手段とを備える構成とする。
【００１４】
【作用】上記の構成により、請求項１又は１１に係わる
発明では、エンジンの制御情報のうち、温度測定対象で
ある有体物の発生熱量に関係する情報を入力変数とする
ニューラルネットワーク演算により有体物の発生熱量を
算出するとともに、有体物の冷却熱量に関係する情報を
入力変数とするニューラルネットワーク演算により有体
物の冷却熱量を算出し、上記発生熱量及び冷却熱量に基
づいて有体物の温度を推定することにより、従来の如き
温度センサを用いることなく、有体物の温度を検知する
ことができる。しかも、エンジンの制御情報のうち、有
体物の温度に関係する情報の全てを入力情報とする一つ
のニューラルネットワーク演算により直接有体物の温度
を算出するものに比べて、各ニューラルネットワークに
おける入力情報の次数及びこれらと結合される中間層の
ニューロン数が少なくなり、ニューラルネットワーク演
算全体に要する時間ひいては有体物の温度推定に要する
時間も少なくなるので、コンピュータの負担を軽減する
ことができるとともに、有体物の温度推定を精度良く行
うことができる。
【００１５】請求項６に係わる発明では、発生熱量及び
冷却熱量を入力変数とするニューラルネットワーク演算
により有体物の温度を推定するに当り、所定時間前の有
体物温度推定値を入力変数に加えてニューラルネットワ
ーク演算を行うことにより、有体物温度推定値が、実際
の有体物温度と同様に、時々刻々と変化するダイナミッ
クスを持つようになり、温度推定の精度がより向上す
る。
【００１６】請求項７に係わる発明では、発生熱量及び
冷却熱量に基づいて有体物の温度を推定するに当り、発
生熱量及び冷却熱量を入力情報とするファジィ演算によ
り有体物の温度を推定しているため、上記ファジィ演算
において人間の経験則を含めることで有体物の温度推定
をより適切に行うことができる。
【００１７】
【実施例】以下、本発明の実施例を図面に基づいて説明
する。
【００１８】図１は本発明の第１実施例に係わる温度推
定装置Ａを示し、この温度推定装置Ａは、各種の制御情
報に基づいて制御されるエンジンを搭載する車両に装備
される有体物としての自動変速機の変速制御油の温度を
測定するものであり、その温度測定においては、エンジ
ンンの制御情報のうち、変速制御油の温度に関係するエ
ンジン吸気負圧Ｂoost、エンジン出力軸の回転速度Ｅs
p、トルクコンバータのタービン回転速度Ｔsp、自動変
速機の変速位置Ｇear 、車速Ｖsp及び外気温Ａtempを用
いるようになっている。
【００１９】すなわち、上記温度推定装置Ａは、エンジ
ン吸気負圧Ｂoost及びエンジン出力軸の回転速度Ｅspを
正規化処理部１を通して受けるニューラルネット部２
と、エンジン出力軸の回転速度Ｅsp及びトルクコンバー
タのタービン回転速度Ｔspを受けてトルクコンバータの
速度比ｓ（＝Ｔsp／Ｅsp）を算出する速度比算出部３
と、エンジン出力軸の回転速度Ｅsp及び自動変速機の変
速位置Ｇear を正規化処理部４を通して受けるニューラ
ルネット部５と、車速Ｖsp及び外気温Ａtempを正規化処
理部６を通して受けるニューラルネット部７とを備えて
いる。
【００２０】上記ニューラルネット部２は、正規化処理
部１で正規化したエンジン吸気負圧Ｂoost及びエンジン
出力軸回転速度Ｅspの各正規化値を入力変数としかつ中
間層に複数のニューロンを有するニューラルネットワー
クにより構成され、ニューラルネットワーク演算により
自動変速機の入力トルクＴorquを算出する。その算出結
果である自動変速機の入力トルクＴorqu及び上記速度比
算出部３で算出したトルクコンバータの速度比ｓは、共
に正規化処理部８を通してニューラルネット部９に入力
される。該ニューラルネット部９は、正規化処理部８で
正規化した自動変速機入力トルクＴorqu及びトルクコン
バータ速度比ｓの各正規化値を入力変数としかつ中間層
に複数のニューロンを有するニューラルネットワークに
より構成され、ニューラルネットワーク演算によりトル
クコンバータの滑り損Ｔlos を算出する。
【００２１】上記ニューラルネット部５は、正規化処理
部４で正規化したエンジン出力軸回転速度Ｅsp及び変速
位置Ｇear の各正規化値を入力変数としかつ中間層に複
数のニューロンを有するニューラルネットワークにより
構成され、ニューラルネットワーク演算により自動変速
機のオイル攪拌損Ｇlos を算出する。また、上記ニュー
ラルネット部７は、正規化処理部６で正規化した車速Ｖ
sp及び外気温Ａtempの各正規化値を入力変数としかつ中
間層に複数のニューロンを有するニューラルネットワー
クにより構成され、ニューラルネットワーク演算により
自動変速機の冷却損Ｃlos を算出する。
【００２２】ここで、上記トルクコンバータの滑り損Ｔ
los と自動変速機のオイル攪拌損Ｇlos とはいずれも自
動変速機の発生熱量に相当し、上記自動変速機の冷却損
Ｃlos は自動変速機の冷却熱量に相当する。従って、ニ
ューラルネット部２，５，９は、請求項１１に係わる発
明にいう、エンジンの制御情報のうち、自動変速機（変
速制御油）の発生熱量に関係する情報を入力変数とする
ニューラルネットワーク演算により自動変速機の発生熱
量を算出する発生熱量算出手段を構成しており、また、
ニューラルネット部５は、同じく請求項１１に係わる発
明にいう、エンジンの制御情報のうち、自動変速機（変
速制御油）の冷却熱量に関係する情報を入力変数とする
ニューラルネットワーク演算により自動変速機の冷却熱
量を算出する冷却熱量算出手段を構成している。
【００２３】そして、上記トルクコンバータの滑り損Ｔ
los 、自動変速機のオイル攪拌損Ｇlos 及び自動変速機
の冷却損Ｃlos は、いずれも正規化処理部１０を通して
ニューラルネット部１１に入力される。該ニューラルネ
ット部１１は、正規化処理部１０で正規化した滑り損Ｔ
los 、オイル攪拌損Ｇlos 、冷却損Ｃlos 及び過去の温
度推定値Ｆt(t-n)の各正規化値を入力変数としかつ中間
層に複数のニューロンを有するニューラルネットワーク
により構成され、ニューラルネットワーク演算により自
動変速機の変速制御油の温度Ｆtempを推定する。また、
１２は上記ニューラルネット部１１からの温度推定値Ｆ
tempが入力される記憶部であって、該記憶部１２は、温
度推定値Ｆtempを所定の遅れ時間記憶し、その遅れ時間
後の温度推定値Ｆt(t-n)をニューラルネット部１１の入
力層に正規化処理部１０を通して出力するようになって
いる。上記ニューラルネット部１１、正規化処理部１０
及び記憶部１２により、請求項１１に係わる発明にい
う、自動変速機の発生熱量及び冷却熱量に基づいて自動
変速機の変速制御油の温度を推定する温度推定手段１３
が構成されている。
【００２４】次に、上記第１実施例の温度推定装置Ａに
おいて、自動変速機の変速制御油の温度を推定する場合
の動作手順である温度推定方法について、図２に示すフ
ローチャートに従って説明する。
【００２５】図２において、先ず、ステップＳ1 で推定
タイミングとなるを待った後、ステップＳ2 でエンジン
制御情報の中からエンジン吸気負圧Ｂoost、エンジン出
力軸の回転速度Ｅsp、トルクコンバータのタービン回転
速度Ｔsp、自動変速機の変速位置Ｇear 、車速Ｖsp及び
外気温Ａtempを読み込む。その後、ステップＳ3 で正規
化処理部１にて自動変速機の入力トルクの推定入力情報
であるエンジン吸気負圧Ｂoost及びエンジン出力軸の回
転速度Ｅspを正規化する。この正規化計算は、下記の式 Ｂoostn ＝（Ｂoost＋１３）／８０ Ｅspn ＝（Ｅsp−３８００）／３２００ Ｐ1 ＝［Ｂoostn ，Ｅspn ］T により行う。尚、マトリックスＰ1 のT は転置マトリッ
クスを意味する。
【００２６】続いて、ステップＳ4 でニューラルネット
部２にてエンジン吸気負圧正規化値Ｂoostn 及びエンジ
ン出力軸回転速度正規化値Ｅspn を入力変数とするニュ
ーラルネットワーク演算をして自動変速機の入力トルク
Ｔorquを算出する。また、ステップＳ5 で速度比算出部
３にてエンジン出軸の回転速度Ｅspに対するトルクコン
バータのタービン回転速度Ｔspの比であるトルクコンバ
ータの速度比ｓ（＝Ｔsp／Ｅsp）を算出する。
【００２７】続いて、ステップＳ6 で正規化処理部８に
てトルクコンバータの滑り損の推定入力情報である自動
変速機の入力トルクＴorqu及びトルクコンバータの速度
比ｓを正規化する。この正規化計算は、下記の式 Ｔn ＝Ｔorqu／１５０ ｓn ＝ｓ Ｐ2 ＝［Ｔn ，ｓn ］T により行う。その後、ステップＳ7 でニューラルネット
部９にて入力トルク正規化値Ｔn 及び速度比正規化値ｓ
n を入力変数とするニューラルネットワーク演算をして
トルクコンバータの滑り損Ｔlos を算出する。
【００２８】続いて、ステップＳ8 で正規化処理部４に
て自動変速機のオイル攪拌損の推定入力情報であるエン
ジン出力軸の回転速度Ｅsp及び自動変速機の変速位置Ｇ
earを正規化する。この正規化計算は、下記の式 Ｅspn ＝（Ｅsp−３８００）／３２００ Ｇearn＝Ｇear ／５ Ｐ3 ＝［Ｅspn ，Ｇearn］T により行う。その後、ステップＳ9 でニューラルネット
部５にてエンジン出力軸回転速度正規化値Ｅspn 及び変
速位置正規化値Ｇearnを入力変数とするニューラルネッ
トワーク演算をして自動変速機のオイル攪拌損Ｇlos を
算出する。
【００２９】続いて、ステップＳ10で正規化処理部６に
て自動変速機の冷却損の推定入力情報である車速Ｖsp及
び外気温Ａtempを正規化する。この正規化計算は、下記
の式 Ｖspn ＝（Ｖsp−７０）／７０ Ａtempn ＝（Ａtemp−２０）／３０ Ｐ4 ＝［Ｖspn ，Ａtempn ］T により行う。その後、ステップＳ11でニューラルネット
部７にて車速正規化値Ｖspn 及び外気温正規化値Ａtemp
n を入力変数とするニューラルネットワーク演算をして
自動変速機の冷却損Ｃlos を算出する。
【００３０】しかる後、ステップＳ12で正規化処理部１
０にて損失入力情報であるトルクコンバータの滑り損Ｔ
los 、自動変速機のオイル攪拌損Ｇlos 及び冷却損Ｃlo
s と過去の温度推定値Ｆt(t-n)を正規化する。この正規
化計算は、下記の式 Ｔlosn＝Ｔlos ／５ Ｇlosn＝Ｇlos Ｃlosn＝Ｃlos Ｆt(t-n)n ＝（Ｆt(t-n)−８０）／８０ Ｐ5 ＝［Ｔlosn，Ｇlosn，Ｃlosn，Ｆt(t-n)n ］T により行う。その後、ステップＳ13でニューラルネット
部１１にて滑り損正規化値Ｔlosn、オイル攪拌損正規化
値Ｇlosn、冷却損正規化値Ｃlosn及び過去の温度推定値
正規化値Ｆt(t-n)n を入力変数とするニューラルネット
ワーク演算をして自動変速機の変速制御油の温度Ｆtemp
を推定する。
【００３１】このように、第１実施例においては、エン
ジンの制御情報の中から、エンジン吸気負圧Ｂoost、エ
ンジン出力軸の回転速度Ｅsp及びトルクコンバータのタ
ービン回転速度Ｔspを入力変数とする、２段のニューラ
ルネット部２，９によるニューラルネットワーク演算に
よりトルコンバータの滑り損Ｔlos を、トルクコンバー
タのタービン回転速度Ｔsp及び自動変速機の変速位置Ｇ
ear を入力変数とするニューラルネット部５でのニュー
ラルネットワーク演算により自動変速機のオイル攪拌損
Ｇlos を、車速Ｖsp及び外気温Ａtempを入力変数とする
ニューラルネット部７でのニューラルネットワーク演算
により自動変速機の冷却損つまり冷却熱量Ｃlos をそれ
ぞれ算出し、しかる後上記滑り損Ｔlos 、オイル攪拌損
Ｇlos 及び冷却熱量Ｃlos を入力変数とするニューラル
ネット部１１でのニューラルネットワーク演算により自
動変速機の変速制御油の温度Ｆtempを推定することによ
り、従来の如き変速制御油用温度センサを用いることな
く変速制御油の温度Ｆtempを検知することができ、その
分コストの低廉化を図ることができる。
【００３２】しかも、上記各ニューラルネット部２，
５，７，９，１１は、いずれも入力変数の次数及び中間
層のニューロンの個数が少なく、自動変速機の変速制御
油の温度に関係する情報の全てを入力情報とする一つの
ニューラルネットワーク演算により直接温度を算出する
場合に比べて、ニューラルネットワーク演算全体に要す
る時間ひいては温度推定に要する時間を短くすることが
できるので、コンピュータの負担を軽減することができ
るとともに、温度推定の精度を高めることができる。
【００３３】さらに、滑り損Ｔlos 、オイル攪拌損Ｇlo
s 及び冷却熱量Ｃlos を入力変数とするニューラルネッ
トワーク演算により自動変速機の変速制御油の温度Ｆte
mpを推定するに当り、所定時間前の温度推定値Ｆt(t-n)
を入力変数に加えてニューラルネットワーク演算を行っ
ているため、温度推定値tempが、実際の温度と同様に、
時々刻々と変化するダイナミックスを持つようになり、
温度推定の精度をより向上させることができる。
【００３４】次に、ニューラルネット計算（ニューラル
ネットワーク演算）について、変速制御油の温度Ｆtemp
を推定するＡＴＦ温度推定用ニューラルネット計算を例
に、図３に示すフローチャートに従って説明する。
【００３５】図３において、先ず、ステップＳ21で正規
化情報Ｐ5 （滑り損正規化値Ｔlosn、オイル攪拌損正規
化値Ｇlosn、冷却損正規化値Ｃlosn及び過去の温度推定
値正規化値Ｆt(t-n)n ）を入力した後、ステップＳ22で
この正規化情報Ｐ5 と中間層重み係数Ｗ51（ｉ，ｊ）と
のマトリックス積Ｕ0 を求め、ステップＳ23でこのマト
リックスＵ0 に中間層バイアス係数Ｂ51（ｉ）を加算
し、その値を新たにマトリックスＵ0 と置換える。ここ
で、ｉは中間層のニューロン数、ｊは入力数であり、本
実施例の場合はｉ＝５，ｊ＝４である。
【００３６】続いて、ステップＳ24で上記マトリックス
Ｕ0 の正接双曲線関数である中間層伝達関数Ｕ（＝ｔａ
ｎｈ（Ｕ0 ））を計算する。中間層伝達関数に正接双曲
線関数を用いたのは、入力が正負両方に分布することに
対応したものである。この中間層伝達関数Ｕの計算は、
図４に示すフローチャートに従って行う。しかる後、ス
テップＳ25で上記中間層伝達関数Ｕと出力層重み係数Ｗ
52（ｉ）とのマトリックス積である温度推定値Ｆtempを
求め、ステップＳ26でこの温度推定値Ｆtempに出力層バ
イアス係数Ｂ52を加算し、その値を新たに温度推定値Ｆ
tempと置換える。以上によって、ニューラルネット計算
のサブルーチンを終了し、メインルーチンに戻る。
【００３７】尚、中間層重み係数Ｗ51、中間層バイアス
係数Ｂ51、出力層重み係数Ｗ52及び出力層バイアス係数
Ｂ52は、バックプロパゲーション法を用いた学習によ
り、本実施例に係わる温度推定装置の製造前に全装置共
通に決定されたものである。また、入力トルク推定用ニ
ューラルネット計算、滑り損推定用ニューラルネット計
算、攪拌損推定用ニューラルネット計算及び冷却損推定
用ニューラルネット計算は、基本的には、ＡＴＦ温度推
定用ニューラルネット計算と同じであって、単に入力情
報Ｐ、重み係数Ｗ及びバイアス係数Ｂが異なるだけであ
る。
【００３８】次に、中間層伝達関数Ｕの計算について、
図４に示すフローチャートに従って説明する。
【００３９】図４において、先ず、ステップＳ31で変数
ｉｉに１をセットした後、ステップＳ32でマトリックス
の値Ｕ0 （ｉｉ）が正であるか負であるかを判定する。
正であるときにはステッブＳ33でフラグｆをリセット
し、ステップＳ36へ移行する一方、負であるときにはス
テップＳ34でフラグｆをセットし、ステップＳ35でマト
リックスの値Ｕ0 （ｉｉ）にマイナス符号を掛けて正の
値に置換えた後、ステップＳ36へ移行する。ステップＳ
36では予め作成されたマップを用いて上記値Ｕ0（ｉ
ｉ）に対応した中間層伝達関数値Ｕ（ｉｉ）を算出す
る。上記マップは、Ｕ＝ｔａｎｈ（Ｕ0 ）を０≦Ｕ0 ≦
２０の範囲で表現したものである。このようにマップを
用いて中間層伝達関数値Ｕ（ｉｉ）を算出すると計算時
間を節約することができる。
【００４０】しかる後、ステップＳ37でフラグｆがセッ
トされているか否かを判定し、セットされているときつ
まり先にマトリックスの値Ｕ0 （ｉｉ）を正の値にして
いるときには、ステップＳ38でこの値にマイナス符号を
掛けて元の負の値に戻す。続いて、ステップＳ39で変数
ｉｉを１カウントアップした後、ステップＳ40で変数ｉ
ｉがニューラルネットワークの入力情報の次数ｉより大
きいか否かを判定する。この判定がＮＯのときにはステ
ップＳ32に戻る一方、判定がＹＥＳのときには中間層伝
達関数Ｕを終了し、ニューラルネット計算に戻る。
【００４１】尚、上記第１実施例では、滑り損Ｔlos 、
オイル攪拌損Ｇlos 及び冷却熱量Ｃlos に基づいて自動
変速機の変速制御油の温度Ｆtempを推定するに当り、滑
り損Ｔlos 、オイル攪拌損Ｇlos 及び冷却熱量Ｃlos を
入力変数とするニューラルネットワーク演算により変速
制御油の温度Ｆtempを推定したが、本発明は、滑り損Ｔ
los 、オイル攪拌損Ｇlos 及び冷却熱量Ｃlos を入力情
報とするファジィ演算により変速制御油の温度Ｆtempを
推定するようにしてもよい。ファジィ演算においては、
人間の経験則を含めることができるので、温度推定をよ
り適切に行うことができる。以下、変速制御油の温度Ｆ
tempを推定するためのファジィ演算について、図５に示
すフローチャートに従って説明する。
【００４２】図５においては、先ず、ステップＳ41で入
力情報である滑り損Ｔlos 、オイル攪拌損Ｇlos 及び冷
却熱量Ｃlos を、図６（ａ），（ｂ）及び（ｃ）にそれ
ぞれ示すメンバーシップ関数を用いてファジィ化する。
このファジィ化では、滑り損Ｔlos 、オイル攪拌損Ｇlo
s 及び冷却熱量Ｃlos をそれぞれ、小さい（ｓ）、普通
（ｍ）、大きい（ｌ）の３つに分けている。
【００４３】続いて、ステップＳ42で各ファジィルール
の適合度を計算する。ファジィルールは、滑り損Ｔlos
とオイル攪拌損Ｇlos と冷却熱量Ｃlos の各区分によっ
て２７ルールからなり、各ルールの適合度ｇ（１）〜ｇ
（27）はそれぞれ下記の式 ｇ（１）＝ｇ（ｓＴlos ）×ｇ（ｓＧlos ）×ｇ（ｓＣlos ） ｇ（２）＝ｇ（ｍＴlos ）×ｇ（ｓＧlos ）×ｇ（ｓＣlos ） ｇ（３）＝ｇ（ｌＴlos ）×ｇ（ｓＧlos ）×ｇ（ｓＣlos ） ｇ（４）＝ｇ（ｓＴlos ）×ｇ（ｍＧlos ）×ｇ（ｓＣlos ） ・ ・ ・ ｇ（26）＝ｇ（ｍＴlos ）×ｇ（ｌＧlos ）×ｇ（ｌＣlos ） ｇ（27）＝ｇ（ｌＴlos ）×ｇ（ｌＧlos ）×ｇ（ｌＣlos ） により算出される。尚、ｇ（ｓＴlos ）は滑り損Ｔlos
のメンバーシップ関数ｓＴlos に対するグレード値であ
り、他も同様に意味する。
【００４４】続いて、ステップＳ43で変速制御油の温度
Ｆtempを下記の式 Ｆtemp＝Σ（ｇ（ｉ）×Ｔemp （ｉ））／Σｇ（ｉ） ｉ＝１〜２７ により推定する。ここで、Ｔemp （ｉ）は、各ルール
（ｉ）毎に予め予測している変速制御油の温度Ｆtempで
あり、固定値又は予測式でもよい。以上によって、ファ
ジィ演算サブルーチンを終了する。
【００４５】また、上記第１実施例では、滑り損Ｔlos
、オイル攪拌損Ｇlos 及び冷却熱量Ｃlos に基づいて
自動変速機の変速制御油の温度Ｆtempを推定するに当
り、その温度測定値にダイナミックス特性を持たせるた
めに所定時間前の温度推定値Ｆt(t-n)を入力変数に加え
てニューラルネットワーク演算を行うようにしたが、エ
ンジン始動時には、その始動時よりも所定時間前がエン
ジン停止以前となることから、所定時間前の温度推定値
Ｆt(t-n)は、実際の変速制御油の温度と大きくことな
る。このため、エンジン始動時には、所定時間前の温度
推定値Ｆt(t-n)の代りに、エンジン制御情報の一つであ
るエンジンの冷却水の温度等を入力変数に加えてニュー
ラルネットワーク演算を行うようにしてもよい。
【００４６】さらに、滑り損Ｔlos 、オイル攪拌損Ｇlo
s 及び冷却熱量Ｃlos を入力変数とするニューラルネッ
トワーク演算により自動変速機の変速制御油の温度Ｆte
mpを推定するに当り、上記各損失の重みをコントロール
する入力情報であるエンジン出力軸の回転速度Ｅspを入
力変数に加えてニューラルネットワーク演算を行うよう
にしてもよい。
【００４７】（第２実施例）図７は本発明の第２実施例
に係わる温度推定装置Ｂを示し、この温度推定装置Ｂ
は、各種の制御情報に基づいて制御されるエンジンを搭
載する車両に装備される有体物としてのエンジン冷却水
の温度を測定するものであり、その温度測定において
は、エンジンンの制御情報のうち、エンジン冷却水の温
度に関係するエンジン吸気負圧Ｂoost、エンジン出力軸
の回転速度Ｅsp、車速Ｖsp及び外気温Ａtempを用いるよ
うになっている。
【００４８】すなわち、上記温度推定装置Ｂは、エンジ
ン吸気負圧Ｂoost及びエンジン出力軸の回転速度Ｅspを
正規化処理部２１を通して受けるニューラルネット部２
２と、車速Ｖsp及び外気温Ａtempを正規化処理部２３を
通して受けるニューラルネット部２４とを備えている。
上記ニューラルネット部２２は、正規化処理部２１で正
規化したエンジン吸気負圧Ｂoost及びエンジン出力軸回
転速度Ｅspの各正規化値を入力変数としかつ中間層に複
数のニューロンを有するニューラルネットワークにより
構成され、ニューラルネットワーク演算によりエンジン
の発生熱量Ｑeを算出する。また、上記ニューラルネッ
ト部２４は、正規化処理部２３で正規化した車速Ｖsp及
び外気温Ａtempの各正規化値を入力変数としかつ中間層
に複数のニューロンを有するニューラルネットワークに
より構成され、ニューラルネットワーク演算によりエン
ジンの冷却熱量Ｑc を算出する。よって、ニューラルネ
ット部２２は、請求項１１に係わる発明にいう発生熱量
算出手段としての機能を有し、ニューラルネット部２４
は、同じく冷却熱量算出手段としての機能を有する。
【００４９】上記両ニューラルネット部２２，２４で各
々算出したエンジンの発生熱量及び冷却熱量は、共に正
規化処理部２５を通してニューラルネット部２６に入力
される。該ニューラルネット部２６は、正規化処理部２
５で正規化した発生熱量Ｑe、冷却熱量Ｑc 及びエンジ
ン冷却水の過去の温度推定値Ｗt(t-n)の各正規化値を入
力変数としかつ中間層に複数のニューロンを有するニュ
ーラルネットワークにより構成され、ニューラルネット
ワーク演算によりエンジン冷却水の温度Ｗt を推定す
る。また、２７は上記ニューラルネット部２６からの温
度推定値Ｗt が入力される記憶部であって、該記憶部２
７は、温度推定値Ｗt を所定の遅れ時間記憶し、その遅
れ時間後の温度推定値Ｗt(t-n)をニューラルネット部２
６の入力層に正規化処理部２５を通して出力するように
なっている。上記ニューラルネット部２６、正規化処理
部２５及び記憶部２７により、請求項１１に係わる発明
にいう、エンジンの発生熱量及び冷却熱量に基づいてエ
ンジン冷却水の温度を推定する温度推定手段２８が構成
されている。
【００５０】次に、上記第２実施例の温度推定装置Ｂに
おいて、エンジン冷却水の温度を推定する場合の動作手
順である温度推定方法について、図８に示すフローチャ
ートに従って説明する。
【００５１】図８において、先ず、ステップＳ51で推定
タイミングとなるを待った後、ステップＳ52でエンジン
制御情報の中からエンジン吸気負圧Ｂoost、エンジン出
力軸の回転速度Ｅsp、車速Ｖsp及び外気温Ａtempを読み
込む。その後、ステップＳ53で正規化処理部２１にてエ
ンジン発生熱量の推定入力情報であるエンジン吸気負圧
Ｂoost及びエンジン出力軸の回転速度Ｅspを正規化す
る。この正規化計算は、下記の式 Ｂoostn ＝（Ｂoost＋１３）／８０ Ｅspn ＝（Ｅsp−３８００）／３２００ Ｐ1 ＝［Ｂoostn ，Ｅspn ］T により行う。尚、マトリックスＰ1 のT は転置マトリッ
クスを意味する。
【００５２】その後、ステップＳ54でニューラルネット
部２２にてエンジン吸気負圧正規化値Ｂoostn 及びエン
ジン出力軸回転速度正規化値Ｅspn を入力変数とするニ
ューラルネットワーク演算をしてエンジンの発生熱量Ｑ
e を算出する。
【００５３】また、ステップＳ55で正規化処理部２３に
てエンジン冷却熱量の推定入力情報である車速Ｖsp及び
外気温Ａtempを正規化する。この正規化計算は、下記の
式 Ｖspn ＝（Ｖsp−７０）／７０ Ａtempn ＝（Ａtemp−２０）／３０ Ｐ2 ＝［Ｖspn ，Ａtempn ］T により行う。その後、ステップＳ56でニューラルネット
部２４にて車速正規化値Ｖspn 及び外気温正規化値Ａte
mpn を入力変数とするニューラルネットワーク演算をし
てエンジンの冷却熱量Ｑc を算出する。
【００５４】しかる後、ステップＳ57で正規化処理部２
５にてエンジン冷却水の温度予測の入力情報であるエン
ジンの発生熱量Ｑe 、冷却熱量Ｑc 及び過去の温度推定
値Ｗt(t-n)を正規化する。この正規化計算は、下記の式 Ｑen＝Ｑe ／３０ Ｑcn＝Ｑc ／１０ Ｗt(t-n)n ＝（Ｗt(t-n)−６０）／６０ Ｐ3 ＝［Ｑen，Ｑcn，Ｗt (t-n)n］T により行う。その後、ステップＳ58でニューラルネット
部２６にて発生熱量正規化値Ｑen、冷却熱量正規化値Ｑ
cn及び過去の温度推定値正規化値Ｗt(t-n)n を入力変数
とするニューラルネットワーク演算をしてエンジン冷却
水の温度Ｗt を推定する。
【００５５】このように、第２実施例においては、エン
ジンの制御情報の中から、エンジン吸気負圧Ｂoost及び
エンジン出力軸の回転速度Ｅspを入力変数とするニュー
ラルネット部２２でのニューラルネットワーク演算によ
りエンジンの発生熱量Ｑe を、車速Ｖsp及び外気温Ａte
mpを入力変数とするニューラルネット部２４でのニュー
ラルネットワーク演算によりエンジンの冷却熱量Ｑc を
それぞれ算出し、しかる後上記発生熱量Ｑe 及び冷却熱
量Ｑc を入力変数とするニューラルネット部２６でのニ
ューラルネットワーク演算によりエンジンン冷却水の温
度Ｗt を推定することにより、従来の如きエンジン冷却
水用温度センサを用いることなくエンジン冷却水の温度
Ｗt を検知することができ、その分コストの低廉化を図
ることができる。
【００５６】しかも、上記各ニューラルネット部２２，
２４，２６は、いずれも入力変数の次数及び中間層のニ
ューロンの個数が少なく、エンジン冷却水の温度に関係
する情報の全てを入力情報とする一つのニューラルネッ
トワーク演算により直接温度を算出する場合に比べて、
ニューラルネットワーク演算全体に要する時間ひいては
温度推定に要する時間を短くすることができるので、コ
ンピュータの負担を軽減することができるとともに、温
度推定の精度を高めることができる。
【００５７】さらに、エンジンの発生熱量Ｑe 及び冷却
熱量Ｑc を入力変数とするニューラルネットワーク演算
によりエンジン冷却水の温度Ｗt を推定するに当り、所
定時間前の温度推定値Ｗt(t-n)を入力変数に加えてニュ
ーラルネットワーク演算を行っているため、温度推定値
Ｗt が、実際の温度と同様に、時々刻々と変化するダイ
ナミックスを持つようになり、温度推定の精度をより向
上させることができる。
【００５８】（第３実施例）図９は本発明の第３実施例
に係わる温度推定装置Ｃを示し、この温度推定装置Ｃ
は、各種の制御情報に基づいて制御されるエンジンを搭
載する車両に装備される有体物としての触媒コンバータ
内の触媒の温度を測定するものであり、その温度測定に
おいては、エンジンンの制御情報のうち、触媒温度に関
係するエンジン吸気負圧Ｂoost、エンジン出力軸の回転
速度Ｅsp、アクセル開度Ａcp、車速Ｖsp及び外気温Ａte
mpを用いるようになっている。
【００５９】すなわち、上記温度推定装置Ｃは、エンジ
ン吸気負圧Ｂoost及びエンジン出力軸の回転速度Ｅspを
正規化処理部３１を通して受けるニューラルネット部３
２と、アクセル開度Ａcpを受けてその微分値であるアク
セル踏込み速度ｄacp を算出する微分器３５と、エンジ
ン吸気負圧Ｂoost、エンジン出力軸の回転速度Ｅsp及び
上記微分器３５で算出したアクセル踏込み速度ｄacp を
正規化処理部３４を通して受けるニューラルネット部３
５と、車速Ｖsp及び外気温Ａtempを正規化処理部３６を
通して受けるニューラルネット部３７とを備えている。
【００６０】上記ニューラルネット部３２は、正規化処
理部３１で正規化したエンジン吸気負圧Ｂoost及びエン
ジン出力軸回転速度Ｅspの各正規化値を入力変数としか
つ中間層に複数のニューロンを有するニューラルネット
ワークにより構成され、ニューラルネットワーク演算に
より排気ガス流量Ｇv を算出する。また、上記ニューラ
ルネット部３５は、正規化処理部３４で正規化したエン
ジン吸気負圧Ｂoost、エンジン出力軸回転速度Ｅsp及び
アクセル踏込み速度ｄacp の各正規化値を入力変数とし
かつ中間層に複数のニューロンを有するニューラルネッ
トワークにより構成され、ニューラルネットワーク演算
により排気ガス中の未燃成分濃度Ｕb を算出する。上記
排気ガス流量Ｇv 及び未燃成分濃度Ｕb は、正規化処理
部３８を通してニューラルネット部３９に入力される。
該ニューラルネット部３９は、正規化処理部３８で正規
化した排気ガス流量Ｇv 及び未燃成分濃度Ｕb の各正規
化値を入力変数としかつ中間層に複数のニューロンを有
するニューラルネットワークにより構成され、ニューラ
ルネットワーク演算により触媒コンバータの発生熱量Ｑ
e を算出する。よって、ニューラルネット部３２，３
５，３９は、請求項１１に係わる発明にいう、エンジン
の制御情報のうち、触媒コンバータの発生熱量に関係す
る情報を入力変数とするニューラルネットワーク演算に
より触媒コンバータの発生熱量を算出する発生熱量算出
手段を構成している。
【００６１】上記ニューラルネット部３７は、正規化処
理部３６で正規化した車速Ｖsp及び外気温Ａtempの各正
規化値を入力変数としかつ中間層に複数のニューロンを
有するニューラルネットワークにより構成され、ニュー
ラルネットワーク演算により触媒コンバータの冷却熱量
Ｑc を算出する。よって、ニューラルネット部３７は、
請求項１１に係わる発明にいう、エンジンの制御情報の
うち、触媒コンバータの冷却熱量に関係する情報を入力
変数とするニューラルネットワーク演算により触媒コン
バータの冷却熱量を算出する冷却熱量算出手段を構成し
ている。
【００６２】また、上記温度推定装置Ｃは、上記正規化
処理部３１で正規化したエンジン吸気負圧Ｂoost及びエ
ンジン出力軸回転速度Ｅspの各正規化値を受けるニュー
ラルネット部４１と、エンジン出力軸回転速度Ｅspを受
けてその微分値である回転加速度ｄesp を算出する微分
器４２とを備えている。上記ニューラルネット部４１
は、エンジン吸気負圧Ｂoost及びエンジン出力軸回転速
度Ｅspの各正規化値を入力変数としかつ中間層に複数の
ニューロンを有するニューラルネットワークにより構成
され、ニューラルネットワーク演算によりエンジンの定
常回転変動を識別する。その識別結果は、回転変動の度
合いＤv で表され、上記微分器４２で算出した回転加速
度ｄesp と共に失火判定部４３に入力される。該失火判
定部４３は、エンジンの回転変動の度合いＤv 及び回転
加速度ｄesp を入力情報とするファジィ演算によりエン
ジンの失火を判定する。その判定結果も失火度合いＭと
して数値的に表される。
【００６３】そして、上記触媒コンバータの発生熱量Ｑ
e 、冷却熱量Ｑc 及び失火度合いＭは、いずれも正規化
処理部４４を通してニューラルネット部４５に入力され
る。該ニューラルネット部４５は、正規化処理部４４で
正規化した発生熱量Ｑe 、冷却熱量Ｑc 、失火度合いＭ
及び過去の触媒温度推定値Ｔc(t-n)の各正規化値を入力
変数としかつ中間層に複数のニューロンを有するニュー
ラルネットワークにより構成され、ニューラルネットワ
ーク演算により触媒コンバータ内の触媒温度Ｔc を推定
する。また、４６は上記ニューラルネット部４５からの
触媒温度推定値Ｔc が入力される記憶部であって、該記
憶部４６は、触媒温度推定値Ｔc を所定の遅れ時間記憶
し、その遅れ時間後の触媒温度推定値Ｔc(t-n)をニュー
ラルネット部４５の入力層に正規化処理部４４を通して
出力するようになっている。上記ニューラルネット部４
５、正規化処理部４４及び記憶部４６により、請求項１
１に係わる発明にいう、触媒コンバータの発生熱量及び
冷却熱量に基づいて触媒コンバータ内の触媒温度を推定
する温度推定手段４７が構成されている。
【００６４】次に、上記第３実施例の温度推定装置Ｃに
おいて、触媒コンバータ内の触媒温度を推定する場合の
動作手順である温度推定方法について、図１０及び図１
１に示すフローチャートに従って説明する。
【００６５】図１０において、先ず、ステップＳ61で推
定タイミングとなるを待った後、ステップＳ62でエンジ
ン制御情報の中からエンジン吸気負圧Ｂoost、エンジン
出力軸の回転速度Ｅsp、アクセル開度Ａcp、車速Ｖsp及
び外気温Ａtempを読み込む。その後、ステップＳ63で正
規化処理部３１にて排気ガス流量の推定入力情報である
エンジン吸気負圧Ｂoost及びエンジン出力軸の回転速度
Ｅspを正規化する。この正規化計算は、下記の式 Ｂoostn ＝（Ｂoost＋１３）／８０ Ｅspn ＝（Ｅsp−３８００）／３２００ Ｐ1 ＝［Ｂoostn ，Ｅspn ］T により行う。尚、マトリックスＰ1 のT は転置マトリッ
クスを意味する。
【００６６】続いて、ステップＳ64でニューラルネット
部３２にてエンジン吸気負圧正規化値Ｂoostn 及びエン
ジン出力軸回転速度正規化値Ｅspn を入力変数とするニ
ューラルネットワーク演算をして排気ガス流量Ｇv を算
出する。また、ステップＳ65で微分器３３にてアクセル
開度（踏み込み量）Ａcpを微分してアクセル踏み込み速
度ｄacp （＝ｄＡcp／ｄt ）を算出する。その後、ステ
ップＳ66で正規化処理部３４にて排気ガス中の未燃成分
濃度の推定入力情報であるエンジン吸気負圧Ｂoost、エ
ンジン出力軸の回転速度Ｅsp及びアクセル踏み込み速度
ｄacp を正規化する。この正規化計算は、下記の式 Ｂoostn ＝（Ｂoost＋１３）／８０ Ｅspn ＝（Ｅsp−３８００）／３２００ ｄacpn＝（ｄacp −１００）／１００ Ｐ2 ＝［Ｂoostn ，Ｅspn ，ｄacpn］T により行う。その後、ステップＳ67でニューラルネット
部３８にてエンジン吸気負圧正規化値Ｂoostn 、エンジ
ン出力軸回転速度正規化値Ｅspn 及びアクセル踏み込み
速度正規化値ｄacpnを入力変数とするニューラルネット
ワーク演算をして排気ガス中の未燃成分濃度Ｕb を算出
する。
【００６７】続いて、ステップＳ68で正規化処理部３８
にて触媒コンバータの発生熱量の推定入力情報である排
気ガス流量Ｇv 及び排気ガス中の未燃成分濃度Ｕb を正
規化する。この正規化計算は、下記の式 Ｇvn＝Ｇv Ｕbn＝（Ｕb −０．００１）／０．００１ Ｐ3 ＝［Ｇvn，Ｕbn］T により行う。その後、ステップＳ69でニューラルネット
部３９にて排気ガス流量正規化値Ｇvn及び未燃成分濃度
正規化値Ｕbnを入力変数とするニューラルネットワーク
演算をして触媒コンバータの発生熱量Ｑe を算出する。
【００６８】続いて、図１１において、ステップＳ70で
正規化処理部３６にて触媒コンバータの冷却熱量の推定
入力情報である車速Ｖsp及び外気温Ａtempを正規化す
る。この正規化計算は、下記の式 Ｖspn ＝（Ｖsp−７０）／７０ Ａtempn ＝（Ａtemp−２０）／３０ Ｐ4 ＝［Ｖspn ，Ａtempn ］T により行う。その後、ステップＳ71でニューラルネット
部３７にて車速正規化値Ｖspn 及び外気温正規化値Ａte
mpn を入力変数とするニューラルネットワーク演算をし
て触媒コンバータの冷却熱量Ｑc を算出する。
【００６９】続いて、ステップＳ72でニューラルネット
部４１にてエンジン吸気負圧正規化値Ｂoostn 及びエン
ジン出力軸回転速度正規化値Ｅspn を入力変数とするニ
ューラルネットワーク演算をしてエンジンの定常回転変
動の度合いＤv を算出する。また、ステップＳ73で微分
器４２にてエンジン出力軸回転速度Ｅspを微分してその
回転速度ｄesp （＝ｄＥsp／ｄt ）を算出する。その
後、ステップＳ74で失火判定部４３にてエンジンの失火
判定を行う。この失火判定は、図１２に示すフローチャ
ートに従ってファジィ演算により行われる。
【００７０】続いて、ステップＳ75で正規化処理部４４
にて触媒温度の推定入力情報である触媒コンバータの発
生熱量Ｑe 、冷却熱量Ｑc 、エンジン失火度合いＭ及び
過去の触媒温度推定値Ｔc(t-n)を正規化する。この正規
化計算は、下記の式 Ｑen＝（Ｑe −５）／５ Ｑcn＝（Ｑc −５）／５ Ｍn ＝（Ｍ−０．００１）／０．００１ Ｔc(t-n)n ＝（Ｔc(t-n)−６００）／６００ Ｐ6 ＝［Ｑen，Ｑcn，Ｍn ，Ｔc(t-n)n ］T により行う。その後、ステップＳ76でニューラルネット
部４５にて発生熱量正規化値Ｑen、冷却熱量正規化値Ｑ
cn、エンジン失火度合い正規化値Ｍn 及び過去の触媒温
度推定値正規化値Ｔc(t-n)n を入力変数とするニューラ
ルネットワーク演算をして触媒コンバータ内の触媒温度
Ｔc を推定する。
【００７１】このように、第３実施例においては、エン
ジンの制御情報の中から、エンジン吸気負圧Ｂoost、エ
ンジン出力軸の回転速度Ｅsp及びアクセル開度Ａcpを入
力変数とする、２段のニューラルネット部３２，３５，
３９によるニューラルネットワーク演算により触媒コン
バータの発生熱量Ｑe を、車速Ｖsp及び外気温Ａtempを
入力変数とするニューラルネット部３７でのニューラル
ネットワーク演算により触媒コンバータの冷却熱量Ｑc
をそれぞれ算出し、しかる後上記発生熱量Ｑe及び冷却
熱量Ｑc を入力変数とするニューラルネット部４５での
ニューラルネットワーク演算により触媒コンバータ内の
触媒温度Ｔc を推定することにより、従来の如き触媒コ
ンバータ用温度センサを用いることなく触媒温度Ｔc を
検知することができ、その分コストの低廉化を図ること
ができる。
【００７２】しかも、上記各ニューラルネット部３２，
３５，３７，３９，４５は、いずれも入力変数の次数及
び中間層のニューロンの個数が少なく、触媒コンバータ
内の触媒温度に関係する情報の全てを入力情報とする一
つのニューラルネットワーク演算により直接触媒温度を
算出する場合に比べて、ニューラルネットワーク演算全
体に要する時間ひいては温度推定に要する時間を短くす
ることができるので、コンピュータの負担を軽減するこ
とができるとともに、温度推定の精度を高めることがで
きる。
【００７３】さらに、触媒コンバータの発生熱量Ｑe 及
び冷却熱量Ｑc を入力変数とするニューラルネットワー
ク演算により触媒コンバータ内の触媒温度Ｔc を推定す
るに当り、所定時間前の触媒温度推定値Ｔc(t-n)を入力
変数に加えてニューラルネットワーク演算を行っている
ため、触媒温度推定値tempが、実際の温度と同様に、時
々刻々と変化するダイナミックスを持つようになり、温
度推定の精度をより向上させることができる。また、エ
ンジンの失火度合いＭをファジィ演算により求め、その
失火度合いＭをも入力変数に加えてニューラルネットワ
ーク演算を行っているため、推定精度の向上をより一層
図ることができる。
【００７４】次に、失火判定のファジィ演算について、
図１２に従って説明する。
【００７５】図１２において、先ず、ステップＳ81で入
力情報であるエンジン定常回転変動の度合いＤv 及び回
転加速度ｄesp を、図１３（ａ）及び（ｂ）にそれぞれ
示すメンバーシップ関数を用いてファジィ化する。この
ファジィ化では、定常回転変動の度合いＤv 及び回転加
速度ｄesp をそれぞれ、小さい（ｓ）、普通（ｍ）、大
きい（ｌ）の３つに分けている。
【００７６】続いて、ステップＳ82で各ファジィルール
の適合度を計算する。ファジィルールは、定常回転変動
の度合いＤv と回転加速度ｄesp の各区分によって９ル
ールからなり、各ルールの適合度ｇ（１）〜ｇ（９）は
それぞれ下記の式 ｇ（１）＝ｇ（ｓＤv ）×ｇ（ｓｄesp ） ｇ（２）＝ｇ（ｓＤv ）×ｇ（ｍｄesp ） ｇ（３）＝ｇ（ｓＤv ）×ｇ（ｌｄesp ） ｇ（４）＝ｇ（ｍＤv ）×ｇ（ｓｄesp ） ・ ・ ・ ｇ（８）＝ｇ（ｌＤv ）×ｇ（ｍｄesp ） ｇ（９）＝ｇ（ｌＤv ）×ｇ（ｌｄesp ） により算出される。尚、ｇ（ｓＤv ）は定常回転変動の
度合いＤv のメンバーシップ関数ｓＤv に対するグレー
ド値であり、他も同様に意味する。
【００７７】続いて、ステップＳ83でエンジンの失火度
合いＭを下記の式 Ｍ＝Σ（ｇ（ｉ）×ｍ（ｉ））／Σｇ（ｉ） ｉ＝１〜９ により推定する。ここで、ｍ（ｉ）は、各ルール（ｉ）
毎に予め決定している失火確率である。以上によって、
ファジィ演算サブルーチンを終了する。
【００７８】
【発明の効果】以上の如く、本発明における車両装備物
の温度推定方法及び温度推定装置によれば、エンジンの
制御情報のうち、温度測定対象である有体物の発生熱量
に関係する情報を入力変数とするニューラルネットワー
ク演算により有体物の発生熱量を算出するとともに、有
体物の冷却熱量に関係する情報を入力変数とするニュー
ラルネットワーク演算により有体物の冷却熱量を算出
し、上記発生熱量及び冷却熱量に基づいて有体物の温度
を推定することにより、温度センサを用いることなく有
体物の温度を検知することができ、コストの低廉化に寄
与することができる。しかも、コンピュータの負担軽減
を図りながら有体物の温度推定を精度良く行うことがで
きる。
【００７９】特に、請求項６に係わる発明によれば、発
生熱量及び冷却熱量を入力変数とするニューラルネット
ワーク演算により有体物の温度を推定するに当り、所定
時間前の有体物温度推定値を入力変数に加えてニューラ
ルネットワーク演算を行うことにより、有体物温度推定
値にダイナミックスを持たせることができ、温度推定の
精度をより向上させることができる。
【００８０】また、請求項７に係わる発明によれば、発
生熱量及び冷却熱量に基づいて有体物の温度を推定する
に当り、発生熱量及び冷却熱量を入力情報とするファジ
ィ演算により有体物の温度を推定しているため、人間の
経験則を含めて有体物の温度推定をより適切に行うこと
ができ、推定精度の向上を一層図ることができる。
【図面の簡単な説明】
【図１】本発明の第１実施例に係わる温度推定装置のブ
ロック線図である。
【図２】同じく温度推定方法のメインルーチンを示すフ
ローチャート図である。
【図３】ニューラルネット計算のサブルーチンを示すフ
ローチャート図である。
【図４】中間層伝達関数計算のサブルーチンを示すフロ
ーチャート図である。
【図５】第１実施例の変形例における変速制御油の温度
推定用ファジィ演算のサブルーチンを示すフローチャー
ト図である。
【図６】上記ファジィ演算のメンバシップ関数を示す図
である。
【図７】第２実施例を示す図１相当図である。
【図８】同じく図２相当図である。
【図９】第３実施例を示す図１相当図である。
【図１０】同じく図２相当図である。
【図１１】同じく図２相当図である。
【図１２】失火判定用ファジィ演算のサブルーチンを示
すフローチャート図である。
【図１３】上記ファジィ演算のメンバシップ関数を示す
図である。
【符号の説明】
Ａ，Ｂ，Ｃ 温度推定装置 ２，５，９ ニューラルネット部（発生熱量算出手
段） ７ ニューラルネット部（冷却熱量算出手
段） １３ 温度推定手段 ２２ ニューラルネット部（発生熱量算出
手段） ２４ ニューラルネット部（冷却熱量算出
手段） ２８ 温度推定手段 ３２，３５，３９ ニューラルネット部（発生熱量算出
手段） ３７ ニューラルネット部（冷却熱量算出
手段） ４７ 温度推定手段

Claims (11)

    【特許請求の範囲】
  1. 【請求項１】 各種の制御情報に基づいて制御されるエ
    ンジンを搭載する車両に装備される有体物の温度を推定
    する方法であって、 上記エンジンの制御情報のうち、上記有体物の温度に関
    係する情報を、少なくとも発生熱量グループと冷却熱量
    グループとの二つに分け、発生熱量グループの情報を入
    力変数とするニューラルネットワーク演算により有体物
    の発生熱量を、冷却熱量グループの情報を入力変数とす
    るニューラルネットワーク演算により有体物の冷却熱量
    をそれぞれ算出し、 しかる後、上記発生熱量及び冷却熱量に基づいて有体物
    の温度を推定することを特徴とする車両装備物の温度推
    定方法。
  2. 【請求項２】 上記有体物は、自動変速機の変速制御油
    である請求項１記載の車両装備物の温度推定方法。
  3. 【請求項３】 上記有体物は、エンジンの冷却水である
    請求項１記載の車両装備物の温度推定方法。
  4. 【請求項４】 上記有体物は、触媒コンバータ内の触媒
    である請求項１記載の車両装備物の温度推定方法。
  5. 【請求項５】 発生熱量及び冷却熱量に基づいて有体物
    の温度を推定するに当り、発生熱量及び冷却熱量を入力
    変数とするニューラルネットワーク演算により有体物の
    温度を推定する請求項１記載の車両装備物の温度推定方
    法。
  6. 【請求項６】 ニューラルネットワーク演算により有体
    物の温度を推定するに当り、所定時間前の有体物温度推
    定値を入力変数に加えてニューラルネットワーク演算を
    行う請求項５記載の車両装備物の温度推定方法。
  7. 【請求項７】 発生熱量及び冷却熱量に基づいて有体物
    の温度を推定するに当り、発生熱量及び冷却熱量を入力
    情報とするファジィ演算により有体物の温度を推定する
    請求項１記載の車両装備物の温度推定方法。
  8. 【請求項８】 各種の制御情報に基づいて制御されるエ
    ンジンを搭載する車両に装備される自動変速機の変速制
    御油の温度を推定する方法であって、 上記エンジンの制御情報のうちエンジンの吸気負圧、エ
    ンジン出力軸の回転速度及びトルクコンバータのタービ
    ン回転速度を入力変数とするニューラルネットワーク演
    算によりトルクコンバータの滑り損を、エンジン出力軸
    の回転速度及び自動変速機の変速位置を入力変数とする
    ニューラルネットワーク演算により自動変速機の攪拌損
    を、車速及び外気温を入力変数とするニューラルネット
    ワーク演算により自動変速機の冷却量をそれぞれ算出
    し、 しかる後、上記滑り損、攪拌損及び冷却量に基づいて変
    速制御油の温度を推定することを特徴とする車両装備物
    の温度推定方法。
  9. 【請求項９】 各種の制御情報に基づいて制御されるエ
    ンジンを搭載する車両に装備されるエンジンの冷却水の
    温度を推定する方法であって、 上記エンジンの制御情報のうちエンジンの吸気負圧及び
    エンジン出力軸の回転速度を入力変数とするニューラル
    ネットワーク演算によりエンジンの発生熱量を、車速及
    び外気温を入力変数とするニューラルネットワーク演算
    によりエンジンの冷却熱量をそれぞれ算出し、 しかる後、上記発生熱量及び冷却熱量に基づいてエンジ
    ン冷却水の温度を推定することを特徴とする車両装備物
    の温度推定方法。
  10. 【請求項１０】 各種の制御情報に基づいて制御される
    エンジンを搭載する車両に装備される触媒コンバータ内
    の触媒の温度を推定する方法であって、 上記エンジンの制御情報のうちエンジンの吸気負圧、エ
    ンジン出力軸の回転速度及びアクセル開度を入力変数と
    するニューラルネットワーク演算により触媒コンバータ
    の発生熱量を、車速及び外気温を入力変数とするニュー
    ラルネットワーク演算により触媒コンバータの冷却熱量
    をそれぞれ算出し、 しかる後、上記発生熱量及び冷却熱量に基づいて触媒コ
    ンバータ内の触媒温度を推定することを特徴とする車両
    装備物の温度推定方法。
  11. 【請求項１１】 各種の制御情報に基づいて制御される
    エンジンを搭載する車両に装備される有体物の温度を推
    定する装置であって、 上記エンジンの制御情報のうち、上記有体物の発生熱量
    に関係する情報を入力変数とするニューラルネットワー
    ク演算により有体物の発生熱量を算出する発生熱量算出
    手段と、 上記エンジンの制御情報のうち、上記有体物の冷却熱量
    に関係する情報を入力変数とするニューラルネットワー
    ク演算により有体物の冷却熱量を算出する冷却熱量算出
    手段と、 上記両算出手段で各々算出した発生熱量及び冷却熱量に
    基づいて有体物の温度を推定する温度推定手段とを備え
    たことを特徴とする車両装備物の温度推定装置。
JP6328512A 1994-12-28 1994-12-28 車両装備物の温度推定方法及び温度推定装置 Withdrawn JPH08177599A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP6328512A JPH08177599A (ja) 1994-12-28 1994-12-28 車両装備物の温度推定方法及び温度推定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP6328512A JPH08177599A (ja) 1994-12-28 1994-12-28 車両装備物の温度推定方法及び温度推定装置

Publications (1)

Publication Number Publication Date
JPH08177599A true JPH08177599A (ja) 1996-07-09

Family

ID=18211114

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6328512A Withdrawn JPH08177599A (ja) 1994-12-28 1994-12-28 車両装備物の温度推定方法及び温度推定装置

Country Status (1)

Country Link
JP (1) JPH08177599A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100336335B1 (ko) * 1999-10-25 2002-05-22 이경섭 차진단 시스템 및 방법
JP2012026302A (ja) * 2010-07-20 2012-02-09 Honda Motor Co Ltd 触媒温度予測装置
WO2022009345A1 (ja) * 2020-07-08 2022-01-13 三菱電機株式会社 画像処理装置、表示制御装置、画像表示装置、画像処理方法、プログラム、及び記録媒体

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100336335B1 (ko) * 1999-10-25 2002-05-22 이경섭 차진단 시스템 및 방법
JP2012026302A (ja) * 2010-07-20 2012-02-09 Honda Motor Co Ltd 触媒温度予測装置
WO2022009345A1 (ja) * 2020-07-08 2022-01-13 三菱電機株式会社 画像処理装置、表示制御装置、画像表示装置、画像処理方法、プログラム、及び記録媒体
JPWO2022009345A1 (ja) * 2020-07-08 2022-01-13

Similar Documents

Publication Publication Date Title
Huaguang et al. Modeling, identification, and control of a class of nonlinear systems
Kim Output feedback tracking control of robot manipulators with model uncertainty via adaptive fuzzy logic
US6678640B2 (en) Method and apparatus for parameter estimation, parameter estimation control and learning control
Flood et al. Neural networks in civil engineering. I: Principles and understanding
US6011379A (en) Method for determining state-of-charge using an intelligent system
US6208981B1 (en) Circuit configuration for controlling a running-gear or drive system in a motor vehicle
JP2000502427A (ja) １つの変速比から上下の変速比に常時移行する車両用自動変速機の不安定抑制方法
JPH08177599A (ja) 車両装備物の温度推定方法及び温度推定装置
Chiang et al. Predicting unstable modes in power systems: Theory and computations
Chen et al. A new method for weighted fuzzy interpolative reasoning based on weights-learning techniques
JPH0535308A (ja) フアジイメンバシツプ関数の同定装置及び同定方法
JP3028433B2 (ja) エンジン試験装置における自動運転時のスロットル開度予測制御装置
JP7310699B2 (ja) オイル状態推定装置、車両用制御装置、車両用制御システム、およびデータ解析装置
JPH1182137A (ja) パラメータ推定装置
Polycarpou et al. Learning approach to fault tolerant control: An overview
JPH07333242A (ja) 車両のヨーレート推定方法及びその装置
JPH05116601A (ja) 故障診断方法
JPH0272404A (ja) メンバーシップ関数決定方法
JP2522532B2 (ja) ファジィ制御装置
Holzmann et al. Neuro-fuzzy modeling of automotive SI-engine characteristics
JP2023023538A (ja) 情報処理システム
Chinag et al. Neural network approach to aerodynamic coefficients estimation and aircraft failure isolation design
Matko et al. Neuro-fuzzy model-based control
CA2254763A1 (en) Multi grade fuzzy logic controller
US5546501A (en) Defuzzification system for shifting and scaling centroid values

Legal Events

Date Code Title Description
A300 Withdrawal of application because of no request for examination

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20020305