JPH08277742A - 自動車の制御装置 - Google Patents
自動車の制御装置Info
- Publication number
- JPH08277742A JPH08277742A JP8058793A JP5879396A JPH08277742A JP H08277742 A JPH08277742 A JP H08277742A JP 8058793 A JP8058793 A JP 8058793A JP 5879396 A JP5879396 A JP 5879396A JP H08277742 A JPH08277742 A JP H08277742A
- Authority
- JP
- Japan
- Prior art keywords
- output
- signal
- input
- neuro
- automobile
- 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.)
- Pending
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Vehicle Body Suspensions (AREA)
- Electrical Control Of Ignition Timing (AREA)
- Exhaust Gas After Treatment (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Transmission Device (AREA)
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
Abstract
(57)【要約】 （修正有）
【課題】複数のセンサ出力から最適なアクチュエータ制
御量を求める。 【解決手段】複数のセンサからの出力信号を階層形ニュ
ーロ素子の入力層に入力し、ニューロ素子の最終出力の
結果に基づき自動車の制御用アクチュエータを制御す
る。ニューロ素子の重み係数を学習により変更する。例
えば、ノック制御、空燃比制御、トルク制御、点火制
御、触媒劣化判定、路面状況に応じた制御、等の自動車
の制御に適用できる。
御量を求める。 【解決手段】複数のセンサからの出力信号を階層形ニュ
ーロ素子の入力層に入力し、ニューロ素子の最終出力の
結果に基づき自動車の制御用アクチュエータを制御す
る。ニューロ素子の重み係数を学習により変更する。例
えば、ノック制御、空燃比制御、トルク制御、点火制
御、触媒劣化判定、路面状況に応じた制御、等の自動車
の制御に適用できる。
Description
【０００１】
【発明の属する技術分野】本発明は自動車の制御装置に
係り、特にニューロ理論を適用した新規な自動車の制御
装置に関するものである。
係り、特にニューロ理論を適用した新規な自動車の制御
装置に関するものである。
【０００２】
【従来の技術】現在適用されている自動車の制御装置に
おいては燃料制御に代表されるようにデジタルコンピュ
ータを用いたプログラム制御が主流である。
おいては燃料制御に代表されるようにデジタルコンピュ
ータを用いたプログラム制御が主流である。
【０００３】このようなプログラム制御の一例としては
例えば、米国特許第4,542,730 号明細書や米国特許第4,
785,783 号明細書に記載のものが知られている。
例えば、米国特許第4,542,730 号明細書や米国特許第4,
785,783 号明細書に記載のものが知られている。
【０００４】
【発明が解決しようとする課題】このような従来技術に
おいては、自動車の運転状態（エンジン，トランスミシ
ョン，ブレーキ，車高，サスペンション等の作動状態）
を検出するのに数多くのセンサが用いられている。
おいては、自動車の運転状態（エンジン，トランスミシ
ョン，ブレーキ，車高，サスペンション等の作動状態）
を検出するのに数多くのセンサが用いられている。
【０００５】そして、これらのセンサ出力は単独で制御
量に反映され、又は単独で学習制御の補正量に反映され
ていた。
量に反映され、又は単独で学習制御の補正量に反映され
ていた。
【０００６】ところが、複雑な変化を行う信号や雑音を
多く含んだ信号を用いる場合はその抽出精度が悪いとい
った問題を有している。
多く含んだ信号を用いる場合はその抽出精度が悪いとい
った問題を有している。
【０００７】一方、自動車の制御量と自動車の乗員の間
にはいわゆる感性という評価の取り扱いが充分でないと
いう問題を有している。
にはいわゆる感性という評価の取り扱いが充分でないと
いう問題を有している。
【０００８】
【課題を解決するための手段】本発明の特徴は複数のセ
ンサからの出力信号を階層形ニューロ素子の入力層に入
力し、ニューロ素子の最終出力の結果に基づき自動車の
制御用アクチュエータを制御するようにしたものであ
る。
ンサからの出力信号を階層形ニューロ素子の入力層に入
力し、ニューロ素子の最終出力の結果に基づき自動車の
制御用アクチュエータを制御するようにしたものであ
る。
【０００９】
【発明の実施の形態】以下本発明の一実施例を図１に示
す。エンジン１には、吸気管２０，排気管２１がある。
吸気管２０の一部に燃料噴射弁６があり燃料が供給され
る。吸入空気量は、空気量センサ２２で計量され、制御
回路２に入力される。その他制御回路２には、クランク
軸の回転角検出器３，酸素センサ４等の信号がエンジン
より入力され、点火コイル５を介して点火信号が点火プ
ラグ７に入力される。エンジンの機械的な振動を検出す
るノックセンサ８が、エンジンブロックに付設されてい
る。ノックセンサ８の信号は、アンプ９を介してサンプ
ルホールド回路１１に入力される。この入力信号１０
は、時系列信号である。サンプルホールド回路１１は、
時系列信号１０を一定の時間周期でサンプルホールド
し、入力順に12ａ，１２ｂ，１２ｃ，…，１２ｎと空間
的多変数信号としてニューロコンピュータ１３の入力相
に入力する。ニューロコンピュータの出力１４は、エン
ジンのノッキングの強度に比例した電圧として出力さ
れ、制御回路２のＡ／Ｄコンバータで、アナログ信号か
らディジタル信号に変換され点火時期の制御を行う。一
方制御回路２からの信号１５により、サンプルホールド
回路１１を制御する。
す。エンジン１には、吸気管２０，排気管２１がある。
吸気管２０の一部に燃料噴射弁６があり燃料が供給され
る。吸入空気量は、空気量センサ２２で計量され、制御
回路２に入力される。その他制御回路２には、クランク
軸の回転角検出器３，酸素センサ４等の信号がエンジン
より入力され、点火コイル５を介して点火信号が点火プ
ラグ７に入力される。エンジンの機械的な振動を検出す
るノックセンサ８が、エンジンブロックに付設されてい
る。ノックセンサ８の信号は、アンプ９を介してサンプ
ルホールド回路１１に入力される。この入力信号１０
は、時系列信号である。サンプルホールド回路１１は、
時系列信号１０を一定の時間周期でサンプルホールド
し、入力順に12ａ，１２ｂ，１２ｃ，…，１２ｎと空間
的多変数信号としてニューロコンピュータ１３の入力相
に入力する。ニューロコンピュータの出力１４は、エン
ジンのノッキングの強度に比例した電圧として出力さ
れ、制御回路２のＡ／Ｄコンバータで、アナログ信号か
らディジタル信号に変換され点火時期の制御を行う。一
方制御回路２からの信号１５により、サンプルホールド
回路１１を制御する。
【００１０】図２に点火時期θigの制御フローを示す。
制御フローがスタートするとステップ２５で基本点火時
期θ0 をメモリマップから読出す。θ0 はエンジン回転
数と負荷（燃料の噴射時間，絞り弁開度等）より決定さ
れる。ステップ２６で点火時期θがθig＝θ0 ±Δθと
して計算される。ここでΔθは補正的に計算された値で
ある。ステップ２７でθigがセットされ点火される。ス
テップ２８でニューロコンピュータ１３の出力１４より
ノック強度が測定される。ステップ２９で補正量Δθが
計算される。ここでΔθは、出力１４の大きさにより−
Δθ（遅角量）〜＋Δθ（進角量）まで計算される。
制御フローがスタートするとステップ２５で基本点火時
期θ0 をメモリマップから読出す。θ0 はエンジン回転
数と負荷（燃料の噴射時間，絞り弁開度等）より決定さ
れる。ステップ２６で点火時期θがθig＝θ0 ±Δθと
して計算される。ここでΔθは補正的に計算された値で
ある。ステップ２７でθigがセットされ点火される。ス
テップ２８でニューロコンピュータ１３の出力１４より
ノック強度が測定される。ステップ２９で補正量Δθが
計算される。ここでΔθは、出力１４の大きさにより−
Δθ（遅角量）〜＋Δθ（進角量）まで計算される。
【００１１】一般にエンジンのノッキングにより発生す
る筒内固有振動数Ｆは、ドレーパにより次式で提唱され
ている。
る筒内固有振動数Ｆは、ドレーパにより次式で提唱され
ている。
【００１２】
【数１】
【００１３】ここで Ｂ：シリンダボア径 Ｃ：音速 Ｕnm：振動モードにより固有値 数１によれば、ノッキングはＢとＣの関係で決まるもの
である。そのため、エンジンのボア径によりノッキング
周波数は変化する。
である。そのため、エンジンのボア径によりノッキング
周波数は変化する。
【００１４】図３にノックセンサ８の周波数と出力の関
係を示す。非共振型は周波数全域において出力は同じレ
ベルにあるが、センサ出力は小さい。一方共振型は、特
定の周波数でセンサ出力が大きくなる。また広域共振型
は共振点での出力は共振型より小さいが、共振域が広い
周波数帯に広がっている。本発明には広域共振型が、図
４のノッキング周波数との関係で好適である。しかし共
振型であっても、シリンダボア径に合せて共振点を設計
することにより使用できる。
係を示す。非共振型は周波数全域において出力は同じレ
ベルにあるが、センサ出力は小さい。一方共振型は、特
定の周波数でセンサ出力が大きくなる。また広域共振型
は共振点での出力は共振型より小さいが、共振域が広い
周波数帯に広がっている。本発明には広域共振型が、図
４のノッキング周波数との関係で好適である。しかし共
振型であっても、シリンダボア径に合せて共振点を設計
することにより使用できる。
【００１５】図４は、ノック発生時とノックなし時の筒
内圧力の圧力比の周波数との関係を示したものである。
図４において、７.９ＫＨｚ,１３.８ＫＨｚ,１８.５Ｈ
Ｋｚ，２２ＫＨｚと圧力比が大きくなる点があり、広い
周波域においてノッキング時の圧力が大きくなっている
ことがわかる。このため多くのノッキング周波数が検出
できる広域共振型が有利である。
内圧力の圧力比の周波数との関係を示したものである。
図４において、７.９ＫＨｚ,１３.８ＫＨｚ,１８.５Ｈ
Ｋｚ，２２ＫＨｚと圧力比が大きくなる点があり、広い
周波域においてノッキング時の圧力が大きくなっている
ことがわかる。このため多くのノッキング周波数が検出
できる広域共振型が有利である。
【００１６】図５にクランク角とセンサ出力の関係を示
す。図５（ａ）は共振型の場合である。ノッキング現象
は、シリンダ内で混合気が燃料中にシリンダ内圧力が上
昇することにより混合気が自発火し、シリンダ内を圧力
波が往復する時の圧力で発生する。このためノッキング
の発生時期は点火より遅れて発生する。共振型の場合
は、共振周波数でセンサ出力が発生する。一方図５
（ｂ）は広域共振型の場合である。図示のごとく多くの
周波数の合成波として出力される。いずれの場合もノッ
キング発生は、点火が基点となりそれ以降に発生する。
このためサンプルホールド回路１１を制御回路２により
信号１５で制御する場合は、点火を基点としてサンプル
開始信号を発生すればよい。
す。図５（ａ）は共振型の場合である。ノッキング現象
は、シリンダ内で混合気が燃料中にシリンダ内圧力が上
昇することにより混合気が自発火し、シリンダ内を圧力
波が往復する時の圧力で発生する。このためノッキング
の発生時期は点火より遅れて発生する。共振型の場合
は、共振周波数でセンサ出力が発生する。一方図５
（ｂ）は広域共振型の場合である。図示のごとく多くの
周波数の合成波として出力される。いずれの場合もノッ
キング発生は、点火が基点となりそれ以降に発生する。
このためサンプルホールド回路１１を制御回路２により
信号１５で制御する場合は、点火を基点としてサンプル
開始信号を発生すればよい。
【００１７】一方、サンプルホールド回路１１のサンプ
ル周期については、広域共振型の場合最大測定周波数の
１／１０程度とすることが良い。つまりサンプル周期
は、ノッキング信号を間欠的に測定して、元信号の周波
数変化が復元できる必要があるためである。またサンプ
ル期間は、最小測定周波数が最小１周期の期間以上あれ
ばよい。
ル周期については、広域共振型の場合最大測定周波数の
１／１０程度とすることが良い。つまりサンプル周期
は、ノッキング信号を間欠的に測定して、元信号の周波
数変化が復元できる必要があるためである。またサンプ
ル期間は、最小測定周波数が最小１周期の期間以上あれ
ばよい。
【００１８】共振型センサの場合は、共振周波数の１／
１０の周期で１周期以上の間サンプルするのが良い。
１０の周期で１周期以上の間サンプルするのが良い。
【００１９】図６にニューロコンピュータ１３の構成要
素であるニューロ素子２３を示す。入力Ｏk ，Ｏj ，Ｏ
l に対してそれぞれに重み係数Ｗik，Ｗij，Ｗilを付
け、出力Ｏi は
素であるニューロ素子２３を示す。入力Ｏk ，Ｏj ，Ｏ
l に対してそれぞれに重み係数Ｗik，Ｗij，Ｗilを付
け、出力Ｏi は
【００２０】
【数２】
【００２１】ここにθ：しきい値 である。
【００２２】また、出力Ｏi は次のニューロ素子へ出力
される。
される。
【００２３】一方出力Ｏi には図７に示すように、しき
い値θより大きくなる出力が１ステップ的に変化するも
のや、図８に示すように
い値θより大きくなる出力が１ステップ的に変化するも
のや、図８に示すように
【００２４】
【数３】
【００２５】とシグモイド（Sigmoid ）関数で出力され
るものがある。本発明のごときノッキング強度と出力を
比例させる場合はシグモイド関数が有利である。
るものがある。本発明のごときノッキング強度と出力を
比例させる場合はシグモイド関数が有利である。
【００２６】図９はニューロコンピュータ内のニューロ
素子の構成の一部を示したものである。入力層として３
０ａ，３０ｂ，３０ｃがありサンプルホールド回路１１
よりの信号が各々１２ａ，１２ｂ，１２ｃに順次入力さ
れる。ニューロ素子３０ａの出力は中間層のニューロ素
子３１ａ，３１ｂ，３１ｃに各々重み係数が付加されて
入力される。同様にニューロ素子３０ｂ，３０ｃの出力
信号も各々重み係数が付加され中間層のニューロ素子３
１ａ，３１ｂ，３１ｃに入力される。中間層のニューロ
素子３１ａ，３１ｂ，３１ｃの出力はしきい値θ1 が付
加され出力層のニューロ素子３２は各々重み係数が付加
されて入力され、ニューロ素子３２のしきい値θ2 で出
力される。
素子の構成の一部を示したものである。入力層として３
０ａ，３０ｂ，３０ｃがありサンプルホールド回路１１
よりの信号が各々１２ａ，１２ｂ，１２ｃに順次入力さ
れる。ニューロ素子３０ａの出力は中間層のニューロ素
子３１ａ，３１ｂ，３１ｃに各々重み係数が付加されて
入力される。同様にニューロ素子３０ｂ，３０ｃの出力
信号も各々重み係数が付加され中間層のニューロ素子３
１ａ，３１ｂ，３１ｃに入力される。中間層のニューロ
素子３１ａ，３１ｂ，３１ｃの出力はしきい値θ1 が付
加され出力層のニューロ素子３２は各々重み係数が付加
されて入力され、ニューロ素子３２のしきい値θ2 で出
力される。
【００２７】ニューロコンピュータ１３の各々の重み係
数、しきい値の学習方法のフローを図１０に示す。ステ
ップ３３でモデルデータを入力層に入力する。そこでス
テップ３４で出力層に正しく出力されたかどうかを判定
する。Ｙesの場合はステップ３５に進み、正解径路の重
み係数を大きくする。同様にしきい値を小さくする。ス
テップ３７で正解との差を判定し、誤差量が小さければ
終了する。誤差量を大きければステップ３４に戻り再度
重み係数、しきい値を調整し、誤差量小となるまでくり
返す。以上の方法で数種類のモデルデータについて学習
することにより、正解率が高くなる。
数、しきい値の学習方法のフローを図１０に示す。ステ
ップ３３でモデルデータを入力層に入力する。そこでス
テップ３４で出力層に正しく出力されたかどうかを判定
する。Ｙesの場合はステップ３５に進み、正解径路の重
み係数を大きくする。同様にしきい値を小さくする。ス
テップ３７で正解との差を判定し、誤差量が小さければ
終了する。誤差量を大きければステップ３４に戻り再度
重み係数、しきい値を調整し、誤差量小となるまでくり
返す。以上の方法で数種類のモデルデータについて学習
することにより、正解率が高くなる。
【００２８】ノックセンサ８が広域共振型とした場合の
ニューロコンピュータの構成例を示す。ノッキング周波
数７.９ＫＨｚ，１３,８ＫＨｚ，１８.５ＫＨｚ で共振
するものとすれば、サンプル周期は
ニューロコンピュータの構成例を示す。ノッキング周波
数７.９ＫＨｚ，１３,８ＫＨｚ，１８.５ＫＨｚ で共振
するものとすれば、サンプル周期は
【００２９】
【数４】
【００３０】サンプル期間は
【００３１】
【数５】
【００３２】又は
【００３３】
【数６】 ５.４μｓ×３０＝１６２μｓ …（数６） 入力層 ３０個 中間層 ３個 出力層 １個 合計 ３４素子 となる。図１１にその構成を示す。入力層は３０個とし
て各々のニューロ素子の出力が中間層３個に入力され
る。３個の中間層は１個の出力層に入力される。
て各々のニューロ素子の出力が中間層３個に入力され
る。３個の中間層は１個の出力層に入力される。
【００３４】図１１の構成は、本発明の一実施例であ
り、入力層，中間層の素子数を増加すれば、検出精度が
向上する。
り、入力層，中間層の素子数を増加すれば、検出精度が
向上する。
【００３５】図１２〜図１４は図６のニューロ素子２３
の工学的構成を示したものである。図１２は、オペアン
プである。図１３はトランスコンダクタンスアンプの場
合、図１４は、インバータの場合である。いずれの場合
も
の工学的構成を示したものである。図１２は、オペアン
プである。図１３はトランスコンダクタンスアンプの場
合、図１４は、インバータの場合である。いずれの場合
も
【００３６】
【外１】
【００３７】である。
【００３８】図１５，図１６は、図１２，図１３の場合
の入力段の作動ペアのトランジスタの構成を示す。図１
５はバイポーラ、図１６はＣＭＯＳの場合である。
の入力段の作動ペアのトランジスタの構成を示す。図１
５はバイポーラ、図１６はＣＭＯＳの場合である。
【００３９】図１７〜図１９にニューロ素子２３の重み
係数を工学的に実現する方法を示す。図１７はＦＥＴの
トライオード領域を使用した場合、図１８は、トランス
コンダクタンスアンプを利用した場合である。図１９は
４ビットのキャパシタアレイを用いた場合である。
係数を工学的に実現する方法を示す。図１７はＦＥＴの
トライオード領域を使用した場合、図１８は、トランス
コンダクタンスアンプを利用した場合である。図１９は
４ビットのキャパシタアレイを用いた場合である。
【００４０】図２０は学習した重み係数を記憶しておく
場合の方法を示したものである。制御回路内のコンピュ
ータのメモリ４０に内蔵しておきＤ／Ａコンバータ４１
でアナログに変換し、ＦＥＴを作動させる。
場合の方法を示したものである。制御回路内のコンピュ
ータのメモリ４０に内蔵しておきＤ／Ａコンバータ４１
でアナログに変換し、ＦＥＴを作動させる。
【００４１】図２１に他の実施例を示す。ノックセンサ
８に共振型を使用した場合である。ノックセンサ８の時
系列信号をサンプルホールド回路で空間的多変数信号に
変化した出力を１２ａ〜１２ｆとする。この信号１２ａ
〜１２ｆを入力層と出力層で構成されたニューロコンピ
ュータに入力する。ここで入力層と出力層のニューロ素
子を同数としておく。またサンプリング周期は共振周波
数の１／４とし、サンプル時間も共振周波数と同じであ
る。このため４３ａの信号には共振周波数の成分がなく
なり、ノイズ成分となる。そこで入力層に入力した元の
信号と４３ａ〜４３ｆの信号を各々引けば、ノイズ信号
が除去され共振周波数の信号が残る。回路４２で４４ａ
〜４４ｆの信号の最大値と最小値の差を算出し、それを
ノッキング検出信号とする。
８に共振型を使用した場合である。ノックセンサ８の時
系列信号をサンプルホールド回路で空間的多変数信号に
変化した出力を１２ａ〜１２ｆとする。この信号１２ａ
〜１２ｆを入力層と出力層で構成されたニューロコンピ
ュータに入力する。ここで入力層と出力層のニューロ素
子を同数としておく。またサンプリング周期は共振周波
数の１／４とし、サンプル時間も共振周波数と同じであ
る。このため４３ａの信号には共振周波数の成分がなく
なり、ノイズ成分となる。そこで入力層に入力した元の
信号と４３ａ〜４３ｆの信号を各々引けば、ノイズ信号
が除去され共振周波数の信号が残る。回路４２で４４ａ
〜４４ｆの信号の最大値と最小値の差を算出し、それを
ノッキング検出信号とする。
【００４２】図２２は各部の信号である（ａ）は入力信
号、（ｂ）はノイズ信号、（ｃ）は共振周波数信号であ
る。なおこの実施例ではサンプル周期を共振周波数の１
／４としたがサンプル周期を小さくすることにより測定
精度が高くなる。
号、（ｂ）はノイズ信号、（ｃ）は共振周波数信号であ
る。なおこの実施例ではサンプル周期を共振周波数の１
／４としたがサンプル周期を小さくすることにより測定
精度が高くなる。
【００４３】図２３にニューラルネットを用いた、エン
ジン制御装置の構成を示した。ニューラルコントローラ
ーに目標値が入力されて、その結果を制御対象であるエ
ンジン５１に出力する。エンジン５１からの状態量を、
ニューラルコントローラー５０にフィードバックする。
本装置では、これに加えて、エラーフィードバック５２
によるルーチンがある。このルーチンは、目標値と実際
の状態量との差を検出して、差が大きい場合には、ニュ
ーラルコントローラー５０のニューラルネット部の重み
係数ｗ又は、ニューロ素子の変換関数を変更する。
ジン制御装置の構成を示した。ニューラルコントローラ
ーに目標値が入力されて、その結果を制御対象であるエ
ンジン５１に出力する。エンジン５１からの状態量を、
ニューラルコントローラー５０にフィードバックする。
本装置では、これに加えて、エラーフィードバック５２
によるルーチンがある。このルーチンは、目標値と実際
の状態量との差を検出して、差が大きい場合には、ニュ
ーラルコントローラー５０のニューラルネット部の重み
係数ｗ又は、ニューロ素子の変換関数を変更する。
【００４４】図２３の実施例は、エンジンの空燃比を制
御するためのシステムである。空燃比の目標値ｒはコン
トローラー５２から与えられる。ニューラルコントロー
ラー５０にはその他に、水温Ｔw ，回転数Ｎ，空気量
（負荷）Ｑq 等の他の状態量が入力される。またニュー
ラルコントローラー５０の出力は噴射弁の開弁時間Ｔで
ある。このＴがエンジン５１に与えられて、その結果と
して、実際の空燃比（Ａ／Ｆ）λが出力される。このλ
は、ニューラルコントローラー５０に入力されるととも
に、エラーフィードバック部５２にも入力される。この
エラーフィードバック部５２には、その他に目標値ｒが
入力される。ここでは、λとｒの偏差（エラー）が検出
される。このエラーが大きい場合には、ニューラルコン
トローラー５０の構成が不適当と判断され、これを再構
成されることになる。この再構成は、ニューラルネット
の重み係数を書き換えるか、変換関数（シグモイド関数
等）を書き換えることにより実行される。
御するためのシステムである。空燃比の目標値ｒはコン
トローラー５２から与えられる。ニューラルコントロー
ラー５０にはその他に、水温Ｔw ，回転数Ｎ，空気量
（負荷）Ｑq 等の他の状態量が入力される。またニュー
ラルコントローラー５０の出力は噴射弁の開弁時間Ｔで
ある。このＴがエンジン５１に与えられて、その結果と
して、実際の空燃比（Ａ／Ｆ）λが出力される。このλ
は、ニューラルコントローラー５０に入力されるととも
に、エラーフィードバック部５２にも入力される。この
エラーフィードバック部５２には、その他に目標値ｒが
入力される。ここでは、λとｒの偏差（エラー）が検出
される。このエラーが大きい場合には、ニューラルコン
トローラー５０の構成が不適当と判断され、これを再構
成されることになる。この再構成は、ニューラルネット
の重み係数を書き換えるか、変換関数（シグモイド関数
等）を書き換えることにより実行される。
【００４５】ニューラルネットの構成を図２４に示し
た。入力層λ，中間層ｊ，出力層ｋとなっている。中間
層の出力Ｏj は、
た。入力層λ，中間層ｊ，出力層ｋとなっている。中間
層の出力Ｏj は、
【００４６】
【数７】
【００４７】となる。このｆは、変換関数で、例えばシ
グモイド関数である。出力Ｔは、
グモイド関数である。出力Ｔは、
【００４８】
【数８】
【００４９】となる。
【００５０】動作の様子を図２５に示す。図２５（ａ）
は、中間層ｊにおける関数変換の様子である。θj(１）
は、中間層の第１個目のニューロ素子における状態であ
る。この素子への入力の総和は、ΣＷ1jＯi であり、こ
の関数の出力は、非線形関数変換されて、θj(１）とな
る。以下の中間層の出力も同様に決定され、出力は、θ
j(２），θj(３），…，というふうになる。次に、これ
らの中間層の出力の総和が図２５（ｂ）に示す出力層の
素子の入力となる。ここでも同様に関数変換されて、出
力Ｔを得る。このＴがエンジン５１に与えられる。
は、中間層ｊにおける関数変換の様子である。θj(１）
は、中間層の第１個目のニューロ素子における状態であ
る。この素子への入力の総和は、ΣＷ1jＯi であり、こ
の関数の出力は、非線形関数変換されて、θj(１）とな
る。以下の中間層の出力も同様に決定され、出力は、θ
j(２），θj(３），…，というふうになる。次に、これ
らの中間層の出力の総和が図２５（ｂ）に示す出力層の
素子の入力となる。ここでも同様に関数変換されて、出
力Ｔを得る。このＴがエンジン５１に与えられる。
【００５１】ここで、例えば、エンジンの過渡運転時の
供給燃料の輸送遅れを考慮して、Ｔを決定したい場合に
は、図２５（ａ）の関数を所望の値に決定すれば良い。
ニューラルコントローラー５０は、エンジン５１の内部
状態をモデル化したものと考えることができる。このた
め、後述するように、学習による再構成をくり返えせ
ば、燃料の輸送遅れなどの数式では記述しにくい現象も
補償されることになる。ニューラルネットの再構成の様
子を示した。図２６（ａ）は、ニューロ素子の重み係数
を書き換える方法である。学習前は、（イ）の状態で、
出力はθj(１）となる。ここで重みを学習により書き換
えて、Ｗ1i′とした場合には、（ロ）の状態となり、出
力は、θj(１）′となる。このように重み係数を書き換
えることによる前とは異なった出力が得られる。
供給燃料の輸送遅れを考慮して、Ｔを決定したい場合に
は、図２５（ａ）の関数を所望の値に決定すれば良い。
ニューラルコントローラー５０は、エンジン５１の内部
状態をモデル化したものと考えることができる。このた
め、後述するように、学習による再構成をくり返えせ
ば、燃料の輸送遅れなどの数式では記述しにくい現象も
補償されることになる。ニューラルネットの再構成の様
子を示した。図２６（ａ）は、ニューロ素子の重み係数
を書き換える方法である。学習前は、（イ）の状態で、
出力はθj(１）となる。ここで重みを学習により書き換
えて、Ｗ1i′とした場合には、（ロ）の状態となり、出
力は、θj(１）′となる。このように重み係数を書き換
えることによる前とは異なった出力が得られる。
【００５２】図２６（ｂ）は、別の方法を示した。ここ
では、変換関数を、学習前の（イ）から(ロ)のように書
き換える方法である。このようにすると、入力がΣＷ1j
Ｏiと同じでも、出力は、θj(１）からθj(１）′のよ
うに変化する。つまり関数の形を修正することによって
も、学習することができる。
では、変換関数を、学習前の（イ）から(ロ)のように書
き換える方法である。このようにすると、入力がΣＷ1j
Ｏiと同じでも、出力は、θj(１）からθj(１）′のよ
うに変化する。つまり関数の形を修正することによって
も、学習することができる。
【００５３】ニューラルコントローラー５０の学習のフ
ローチャートを図２７に示す。この学習は、λのサンプ
ル時期毎に起動される。ステップ５４で目標値ｒをリー
ドする。ステップ５５ではλをリードし、次にエラー変
数ｅを求める。ｅは数９となる。
ローチャートを図２７に示す。この学習は、λのサンプ
ル時期毎に起動される。ステップ５４で目標値ｒをリー
ドする。ステップ５５ではλをリードし、次にエラー変
数ｅを求める。ｅは数９となる。
【００５４】
【数９】 ｅ＝ｋ（λ−ｒ） …（数９） このｅを基に、ステップ５７で、Ｔの修正量ΔＴが計算
される。その後、ステップ５８で修正プログラムを起動
する。
される。その後、ステップ５８で修正プログラムを起動
する。
【００５５】図２８に修正プログラムを示した。このプ
ログラムが起動されると、ステップ５９１，５９２で今
回のΔＴ(n)と、前回のΔＴ(n-1)がリードされて、両者
の差であるΔＥをステップ５９３で求める。このΔＥの
大きさをステップ５９４〜５９７で基準値Ｔ1〜Ｔ4によ
り判断し、それぞれの大きさに応じて、ステップ５９８
〜６０２で重み群Ｗの微修正を行う。
ログラムが起動されると、ステップ５９１，５９２で今
回のΔＴ(n)と、前回のΔＴ(n-1)がリードされて、両者
の差であるΔＥをステップ５９３で求める。このΔＥの
大きさをステップ５９４〜５９７で基準値Ｔ1〜Ｔ4によ
り判断し、それぞれの大きさに応じて、ステップ５９８
〜６０２で重み群Ｗの微修正を行う。
【００５６】図２９には、別の修正プログラムを示し
た。ここでは、ステップ591〜597は同じで、ステップ６
０３〜６０７でΔＥの大きさに応じて、関数ｆ1〜ｆ5の
修正を行う。
た。ここでは、ステップ591〜597は同じで、ステップ６
０３〜６０７でΔＥの大きさに応じて、関数ｆ1〜ｆ5の
修正を行う。
【００５７】図２８，図２９に示した重み群Ｗａ〜Ｗｅ
の選択や、関数ｆ1〜ｆ5の選択は、あらかじめプログラ
ムしておき、それを書き換えるかは理論的に決定されて
いる。
の選択や、関数ｆ1〜ｆ5の選択は、あらかじめプログラ
ムしておき、それを書き換えるかは理論的に決定されて
いる。
【００５８】図３０には、修正値の記憶法を示した。図
３０（ａ）に示したように、修正プログラムが完了した
ら、修正された値（重みまたは関数）をバッテリーバッ
クアップ可能な、メモリにただちに記憶しておく。これ
は、学習効果を保存するために行う。この修正値は、図
３０（ｂ）に示したように、キースイッチＯＮ直後にメ
モリが読み出される。
３０（ａ）に示したように、修正プログラムが完了した
ら、修正された値（重みまたは関数）をバッテリーバッ
クアップ可能な、メモリにただちに記憶しておく。これ
は、学習効果を保存するために行う。この修正値は、図
３０（ｂ）に示したように、キースイッチＯＮ直後にメ
モリが読み出される。
【００５９】図３１には、学習の効果を示した。アクセ
ル開度θacに対する空燃比λの変動を示した図である。
（イ）→（ロ）→（ハ）と学習をかさねるたびに、λの
変動は小さくなっている。
ル開度θacに対する空燃比λの変動を示した図である。
（イ）→（ロ）→（ハ）と学習をかさねるたびに、λの
変動は小さくなっている。
【００６０】このように、ニューラルネットを用いた学
習は、重み係数を書き換えることにより達成されるの
で、エンジンのモデルを明確に知らなくても大きな効果
を得ることができる。
習は、重み係数を書き換えることにより達成されるの
で、エンジンのモデルを明確に知らなくても大きな効果
を得ることができる。
【００６１】図３２は、多変数の制御の例を示した。こ
の実施例では、コントローラー５３からは、目標値とし
て、空燃比Ａ／Ｆ，トルクＴ，加速度ｇがニューラルコ
ントローラー５０に入力される。ニューラルコントロー
ラー５０からは、噴射弁の開弁時間Ｔinj ，点火時期Ｔ
ig，スロットル開示θth，変速機の変速位置Ｐtr，ライ
ン圧力ＯＰl が出力される。これらの値が自動車６０に
与えられる。さらに自動車の実際のＡ／Ｆr ，Ｔr ，ｇ
r を測定して、目標値とともにエラーフィードバック部
５２に入力される。ここでは、図２７から図３０に示し
たように、エラー，修正量を計算して、ニューラルコン
トローラーを再構成する。このようにニューラルコント
ロールは、多変数の制御にも応用することができる。
の実施例では、コントローラー５３からは、目標値とし
て、空燃比Ａ／Ｆ，トルクＴ，加速度ｇがニューラルコ
ントローラー５０に入力される。ニューラルコントロー
ラー５０からは、噴射弁の開弁時間Ｔinj ，点火時期Ｔ
ig，スロットル開示θth，変速機の変速位置Ｐtr，ライ
ン圧力ＯＰl が出力される。これらの値が自動車６０に
与えられる。さらに自動車の実際のＡ／Ｆr ，Ｔr ，ｇ
r を測定して、目標値とともにエラーフィードバック部
５２に入力される。ここでは、図２７から図３０に示し
たように、エラー，修正量を計算して、ニューラルコン
トローラーを再構成する。このようにニューラルコント
ロールは、多変数の制御にも応用することができる。
【００６２】図３３には、ニューラルネットの構成を示
した。入力層ｉには、目標値Ａ／Ｆ，Ｔ，ｇの他に、水
温，吸気湯，回転数，負荷などの各種状態量を判断のた
めに入力される。
した。入力層ｉには、目標値Ａ／Ｆ，Ｔ，ｇの他に、水
温，吸気湯，回転数，負荷などの各種状態量を判断のた
めに入力される。
【００６３】図３４は、ハード構成を示した。６１は、
ニューラルコントローラーを含む、コントローラー部で
ある。
ニューラルコントローラーを含む、コントローラー部で
ある。
【００６４】コントロール部６１への入力は、アクセス
開度θac６２，空気量信号６３，トルク信号６４，加速
度信号６５などがあり、出力は、スロットル６６を電気
的に動作させるアクチュエータ６７への信号６８，点火
コイル６９への点火信号７０，噴射弁７１への開弁信号
７２，変速機７３への変速位置信号７４や、図示してい
ないが、変速機を制御する油圧のライン圧制御信号ＯＰ
l である。これらの変数が、ニューラルコントローラー
によって制御される。
開度θac６２，空気量信号６３，トルク信号６４，加速
度信号６５などがあり、出力は、スロットル６６を電気
的に動作させるアクチュエータ６７への信号６８，点火
コイル６９への点火信号７０，噴射弁７１への開弁信号
７２，変速機７３への変速位置信号７４や、図示してい
ないが、変速機を制御する油圧のライン圧制御信号ＯＰ
l である。これらの変数が、ニューラルコントローラー
によって制御される。
【００６５】図３５には、目標値であるＡ／Ｆ，Ｔ，ｇ
の決定法の一例を示した。ここでは、運転者の意図を判
断して、車のトルクＴ，加速度ｇを決定するので、アク
セル開度θacを入力とした。図３５のように、θacとθ
acの変化分θacによりＡ／Ｆ，Ｔ，ｇの三種類のマップ
から検索する。
の決定法の一例を示した。ここでは、運転者の意図を判
断して、車のトルクＴ，加速度ｇを決定するので、アク
セル開度θacを入力とした。図３５のように、θacとθ
acの変化分θacによりＡ／Ｆ，Ｔ，ｇの三種類のマップ
から検索する。
【００６６】図３６には、別の目標値の決定法を示し
た。この方法は、ニューラルコントローラー５０を２個
用いる方法である。ニューラルコントローラー５０
（Ａ）では、アクセル開度θac，ブレーキ踏角θbr，車
速Ｖが入力されて、自動車のおかれている環境が判断さ
れる。つまり、環境が市街地，高速道路，渋滞，悪路
（じゃり，水，氷），登り，下り坂などであるかを判断
して、この環境に見合ったトルク，加速度を与えるよう
に目標値を決定する。この目標値は、ニューラルコント
ローラー５０（Ｂ）に入力されて、前述のように自動車
の各部を制御する。
た。この方法は、ニューラルコントローラー５０を２個
用いる方法である。ニューラルコントローラー５０
（Ａ）では、アクセル開度θac，ブレーキ踏角θbr，車
速Ｖが入力されて、自動車のおかれている環境が判断さ
れる。つまり、環境が市街地，高速道路，渋滞，悪路
（じゃり，水，氷），登り，下り坂などであるかを判断
して、この環境に見合ったトルク，加速度を与えるよう
に目標値を決定する。この目標値は、ニューラルコント
ローラー５０（Ｂ）に入力されて、前述のように自動車
の各部を制御する。
【００６７】つまり、図３２の例は、運転者の意図を重
視した。自動車の制御であり、図３６は、環境に合せて
車が最適な走りをする制御法である。
視した。自動車の制御であり、図３６は、環境に合せて
車が最適な走りをする制御法である。
【００６８】次に本発明の他の実施例を図３７（ａ）に
示す。自動車１１５，自動車制御装置１１６，エンジン
軸トルク検出装置１１７から構成される。エンジンの軸
トルクをエンジン軸トルク検出装置１１７で検出し、自
動車制御装置１１６で目標トルクであるかを判断し、目
標トルクでなければ、エンジン１１５の軸トルクを変化
させるパラメータを変更し、目標トルクとなるように制
御する。
示す。自動車１１５，自動車制御装置１１６，エンジン
軸トルク検出装置１１７から構成される。エンジンの軸
トルクをエンジン軸トルク検出装置１１７で検出し、自
動車制御装置１１６で目標トルクであるかを判断し、目
標トルクでなければ、エンジン１１５の軸トルクを変化
させるパラメータを変更し、目標トルクとなるように制
御する。
【００６９】図３７（ｂ）に図３７（ａ）の制御フロー
を示す。目標トルクマップがメモリ１１８に格納されて
いる。メモリ１１８はたとえばＲＯＭ又はバッテリでバ
ックアップされたＲＡＭである。目標トルクはたとえば
エンジン回転数と負荷のマップとする（図３８参照）。
負荷のかわりに、基本燃料噴射パルス幅，吸気圧力，絞
り弁開度，アクセル開度を選んでも良い。目標トルクは
比較手段１１９でエンジンの軸トルクと比較され、目標
トルクと一致しない場合には、トルク修正手段１２２で
軸トルクを変化させるパラメータが修正され、エンジン
１１５の軸トルクを変更する。トルク修正方法として
は、具体的には、絞り弁開度，燃料量，点火時期を変更
して行う。
を示す。目標トルクマップがメモリ１１８に格納されて
いる。メモリ１１８はたとえばＲＯＭ又はバッテリでバ
ックアップされたＲＡＭである。目標トルクはたとえば
エンジン回転数と負荷のマップとする（図３８参照）。
負荷のかわりに、基本燃料噴射パルス幅，吸気圧力，絞
り弁開度，アクセル開度を選んでも良い。目標トルクは
比較手段１１９でエンジンの軸トルクと比較され、目標
トルクと一致しない場合には、トルク修正手段１２２で
軸トルクを変化させるパラメータが修正され、エンジン
１１５の軸トルクを変更する。トルク修正方法として
は、具体的には、絞り弁開度，燃料量，点火時期を変更
して行う。
【００７０】また、エンジンの軸トルクはトルク検出手
段１２１で検出される。
段１２１で検出される。
【００７１】図３９にエンジン軸トルクの検出方法を示
す。クランク軸１０３には、４つのピストン１００が接
続してある。この例では４気筒エンジンである。クラン
ク軸の両端にはクランク軸の両端の回転角を検出するセ
ンサ１０１，１０２が取付けてある。センサ１０１及び
１０２の信号を軸トルク検出手段１０８で処理する。周
知のようにクランク軸のねじれ角を検出することによっ
て、エンジン軸出力を検出できる。
す。クランク軸１０３には、４つのピストン１００が接
続してある。この例では４気筒エンジンである。クラン
ク軸の両端にはクランク軸の両端の回転角を検出するセ
ンサ１０１，１０２が取付けてある。センサ１０１及び
１０２の信号を軸トルク検出手段１０８で処理する。周
知のようにクランク軸のねじれ角を検出することによっ
て、エンジン軸出力を検出できる。
【００７２】図４０に単気筒エンジンの軸トルクの測定
した結果の一例を示す。燃焼圧力及び慣性力が合成され
て、クランク角度とともに軸トルクは複雑な変化をす
る。多気筒エンジンでは、各気筒間の軸トルクが合成さ
れたものが、検出されるため、軸トルクの検出がむずか
しい。
した結果の一例を示す。燃焼圧力及び慣性力が合成され
て、クランク角度とともに軸トルクは複雑な変化をす
る。多気筒エンジンでは、各気筒間の軸トルクが合成さ
れたものが、検出されるため、軸トルクの検出がむずか
しい。
【００７３】図４１にセンサ信号の一例を示す。センサ
１０１及びセンサ１０２はたとえば歯車と電磁ピックア
ップである。クランク軸が回転すると、図４１（ａ)，
(ｂ）のような信号が得られる。この２つの信号の位相
差を求めると図４１（ｃ）のような信号が得られる。こ
の位相差はクランク軸のねじれ角に相当する。すなわ
ち、２つのセンサ信号の位相差によって、クランク軸の
ねじれ角を設けることができる。
１０１及びセンサ１０２はたとえば歯車と電磁ピックア
ップである。クランク軸が回転すると、図４１（ａ)，
(ｂ）のような信号が得られる。この２つの信号の位相
差を求めると図４１（ｃ）のような信号が得られる。こ
の位相差はクランク軸のねじれ角に相当する。すなわ
ち、２つのセンサ信号の位相差によって、クランク軸の
ねじれ角を設けることができる。
【００７４】
【数１０】 Ｔｅ＝ｆ（Δθcr） …（数１０） 数１０のように、ねじれ角Δθを求めれば、軸トルクが
求まる。しかしながら、前述のように軸トルクは燃焼圧
力が慣性力及び多気筒の影響によって、関数ｆ（Δ
θcr）を求めることがむずかしい。特に高回転時には処
理時間が短かく、軸のねじれ角も大きくなり、トルクを
求めることがむずかしい、そのためｆ（Δθcr）の近似
モデルを用いたりするが、精度が悪い。またモデルの精
度を向上すると、軸トルクの計算に時間を要し、実用的
でない。
求まる。しかしながら、前述のように軸トルクは燃焼圧
力が慣性力及び多気筒の影響によって、関数ｆ（Δ
θcr）を求めることがむずかしい。特に高回転時には処
理時間が短かく、軸のねじれ角も大きくなり、トルクを
求めることがむずかしい、そのためｆ（Δθcr）の近似
モデルを用いたりするが、精度が悪い。またモデルの精
度を向上すると、軸トルクの計算に時間を要し、実用的
でない。
【００７５】図４２にニューロコンピュータを用いたト
ルク検出法の説明を示す。ニューロコンピュータの入力
層に時間的に取り込んだ信号の位相差Δθ1，Δθ2，Δ
θ3，…，Δθn を入力する。この場合、出力層には軸
トルクを出力させる。図４２（ａ）に示すように、初期
のうちは、各層の接続は均一であり、精度良く軸トルク
を求めることができない。図４２（ｂ）に示すように、
ニューロコンピュータに正しい軸トルクを学習させると
各層の接続が最適化され、正しい軸トルクを求めること
ができる。すなわち、あらかじめ、軸トルクをニューロ
コンピュータに与えて学習させることによって、位相差
に対する軸トルクの関係ｆ（Δθcr）を求めなくても、
軸トルクを検出することができる。しかも、各信号の計
算は並列に行われるため、短時間で軸トルクの計算が終
了する。
ルク検出法の説明を示す。ニューロコンピュータの入力
層に時間的に取り込んだ信号の位相差Δθ1，Δθ2，Δ
θ3，…，Δθn を入力する。この場合、出力層には軸
トルクを出力させる。図４２（ａ）に示すように、初期
のうちは、各層の接続は均一であり、精度良く軸トルク
を求めることができない。図４２（ｂ）に示すように、
ニューロコンピュータに正しい軸トルクを学習させると
各層の接続が最適化され、正しい軸トルクを求めること
ができる。すなわち、あらかじめ、軸トルクをニューロ
コンピュータに与えて学習させることによって、位相差
に対する軸トルクの関係ｆ（Δθcr）を求めなくても、
軸トルクを検出することができる。しかも、各信号の計
算は並列に行われるため、短時間で軸トルクの計算が終
了する。
【００７６】図４３に本発明の構成を示す。２つのセン
サの信号θa ，θb を回路１２０に入力し、位相差Δθ
を求める。位相差Δθはピークホールド回路１０６に入
力され、ピークホールドされた信号はニューロコンピュ
ータ１０７に入力される。ピークホールド回路１０６は
ニューロコンピュータの入力層１つに対して、１つ設け
る。ニューロコンピュータの各入力層に入力される信号
は、時系列的にづれた信号である。サンプル周期はクラ
ンク角１度〜３０度の範囲とする。本発明では、そのほ
かの構成とし、他の演算を行うCPU108，プログラムを入
力するROM109，ニューロコンピュータの学習パラメータ
を記憶するバッテリバックアップRAM110，プログラムを
実行させたりするRAM111，アナログデータを入力するＡ
／Ｄ変換器１２１より構成される。
サの信号θa ，θb を回路１２０に入力し、位相差Δθ
を求める。位相差Δθはピークホールド回路１０６に入
力され、ピークホールドされた信号はニューロコンピュ
ータ１０７に入力される。ピークホールド回路１０６は
ニューロコンピュータの入力層１つに対して、１つ設け
る。ニューロコンピュータの各入力層に入力される信号
は、時系列的にづれた信号である。サンプル周期はクラ
ンク角１度〜３０度の範囲とする。本発明では、そのほ
かの構成とし、他の演算を行うCPU108，プログラムを入
力するROM109，ニューロコンピュータの学習パラメータ
を記憶するバッテリバックアップRAM110，プログラムを
実行させたりするRAM111，アナログデータを入力するＡ
／Ｄ変換器１２１より構成される。
【００７７】図４４に本発明の他の実施例を示す。位相
差信号をＡ／Ｄ変換器１０８でディジタル信号に変換す
る。その後、RAM112にディジタル信号を格納する。RAM1
12には、Ａ／Ｄ変換値が時系列的に順番にＲＡＭ内のメ
モリに記憶される。RAM112に記憶されたデータはニュー
ロコンピュータ１０７に入力される。RAM112への時系列
的なデータの取り込みはCPU108で制御される。このよう
な構成では、ピークホールド回路を用いることなしに、
データの取り込みができるので、コンパクト化できる。
また信号がディジタル値であるので、信号処理が容易で
ある。
差信号をＡ／Ｄ変換器１０８でディジタル信号に変換す
る。その後、RAM112にディジタル信号を格納する。RAM1
12には、Ａ／Ｄ変換値が時系列的に順番にＲＡＭ内のメ
モリに記憶される。RAM112に記憶されたデータはニュー
ロコンピュータ１０７に入力される。RAM112への時系列
的なデータの取り込みはCPU108で制御される。このよう
な構成では、ピークホールド回路を用いることなしに、
データの取り込みができるので、コンパクト化できる。
また信号がディジタル値であるので、信号処理が容易で
ある。
【００７８】図４５に本発明の他の実施例を示す。RAM1
12へのデータの取り込みをメインCPU108とは別のＣＰＵ
（メインＣＰＵより小規模）によって制御する。たとえ
ばメインＣＰＵ３２ビットに対し、８ビットで十分であ
る。この場合、メインCPUの介在なしにデータの取り込
みができるので、メインＣＰＵの割込み処理などの負担
を大幅に低減できる。
12へのデータの取り込みをメインCPU108とは別のＣＰＵ
（メインＣＰＵより小規模）によって制御する。たとえ
ばメインＣＰＵ３２ビットに対し、８ビットで十分であ
る。この場合、メインCPUの介在なしにデータの取り込
みができるので、メインＣＰＵの割込み処理などの負担
を大幅に低減できる。
【００７９】図４６にニューロコンピュータの基本動作
を示す。
を示す。
【００８０】外界にｘ1，ｘ2，…，ｘk のｋ個の信号が
あった場合、 Ｓ＝｛ｘ1，ｘ2，…，ｘk｝ で表わされる。
あった場合、 Ｓ＝｛ｘ1，ｘ2，…，ｘk｝ で表わされる。
【００８１】情報Ｓたとえば軸ねじれ角に接するうち、
ニューロコンピュータは内部にＳの構造に適合するよう
にパラメータを修正する。これは、Ｓのモデルをニュー
ロコンピュータ内部に自動的に形成し、これを用いてＳ
の情報を処理することである。外部からの信号を受け取
る神経場Ｆは空間的に一様の構造をしていて、その相互
の結果方式は相互抑制形とする。すなわち、場の中の１
つのニューロンが信号を発すると、このニューロンの出
力はごく近くにある他のニューロンをも信号を発生させ
ようとするが、少し離れた場所にあるニューロンに対し
ては、抑制させるように作用する。
ニューロコンピュータは内部にＳの構造に適合するよう
にパラメータを修正する。これは、Ｓのモデルをニュー
ロコンピュータ内部に自動的に形成し、これを用いてＳ
の情報を処理することである。外部からの信号を受け取
る神経場Ｆは空間的に一様の構造をしていて、その相互
の結果方式は相互抑制形とする。すなわち、場の中の１
つのニューロンが信号を発すると、このニューロンの出
力はごく近くにある他のニューロンをも信号を発生させ
ようとするが、少し離れた場所にあるニューロンに対し
ては、抑制させるように作用する。
【００８２】各ニューロンは、入力信号ｘがくると、そ
れを自分の結合荷重ベクトルＳを用いて受け取るから、
総和として内積
れを自分の結合荷重ベクトルＳを用いて受け取るから、
総和として内積
【００８３】
【数１１】
【００８４】の強さの刺激を受ける。この他に抑制性の
信号ｘ0 を−Ｓ0ｘ0の強さで受け取るものとし、さらに
他のニューロンが出力をだしていれば、そこからの相互
抑制形の作用を受ける。こうしたすべての入力の総和が
一定値を超えれば、このニューロンは出力を出す。
信号ｘ0 を−Ｓ0ｘ0の強さで受け取るものとし、さらに
他のニューロンが出力をだしていれば、そこからの相互
抑制形の作用を受ける。こうしたすべての入力の総和が
一定値を超えれば、このニューロンは出力を出す。
【００８５】ｕi を第ｉ番目のニューロンの平均電位，
Ｚi をその出力，Ｗijをｊ番目のニューロンからｊ番目
のニューロンへの結合の強さ、Ｓi をこのニューロンの
外界の信号ｘに対する結合荷重とする。Ｓ0iを抑制入力
ｘ0 に対する荷重とする。入力信号ｘが入れば、ニュー
ロンの興奮状態は
Ｚi をその出力，Ｗijをｊ番目のニューロンからｊ番目
のニューロンへの結合の強さ、Ｓi をこのニューロンの
外界の信号ｘに対する結合荷重とする。Ｓ0iを抑制入力
ｘ0 に対する荷重とする。入力信号ｘが入れば、ニュー
ロンの興奮状態は
【００８６】
【数１２】
【００８７】となる。
【００８８】今、ニューロンが興奮すれば、そのときの
入力の強さに比例して興奮性結合Ｓ0iも強まるとすると
入力の強さに比例して興奮性結合Ｓ0iも強まるとすると
【００８９】
【数１３】
【００９０】
【数１４】
【００９１】すなわち、定数Ｃ，Ｃ′がうまく選ばれて
いれば、ニューロコンピュータの中に、Ｓに対応したニ
ューロンの結合を構成できることが数字的に証明され
る。
いれば、ニューロコンピュータの中に、Ｓに対応したニ
ューロンの結合を構成できることが数字的に証明され
る。
【００９２】以上より、たとえば、あらかじめ、エンジ
ンの運転中に別の手法で求めた軸トルクを与え、ニュー
ロコンピュータのＷijを最適化すれば、位相差Δθcrよ
り軸トルクＴe を求めることが可能となる。学習したＷ
ijはバッテリバックアップメモリに記憶しておく。
ンの運転中に別の手法で求めた軸トルクを与え、ニュー
ロコンピュータのＷijを最適化すれば、位相差Δθcrよ
り軸トルクＴe を求めることが可能となる。学習したＷ
ijはバッテリバックアップメモリに記憶しておく。
【００９３】図４７に本発明の他の実施例を示す。自動
車１４６に前方発光素子１４１と受光素子１４２を設け
る。発光素子としてはたとえば、レーザ，赤外線ダイオ
ードを用いる。受光素子としてはたとえば、フォトトラ
ンジスタ，フォトダイオードを用いる。発光素子１４１
より発生された光は、路面で反射，散乱し、受光素子１
４２に到達する。
車１４６に前方発光素子１４１と受光素子１４２を設け
る。発光素子としてはたとえば、レーザ，赤外線ダイオ
ードを用いる。受光素子としてはたとえば、フォトトラ
ンジスタ，フォトダイオードを用いる。発光素子１４１
より発生された光は、路面で反射，散乱し、受光素子１
４２に到達する。
【００９４】図４８に示すように、受光素子１４４は２
次元のアレイ状に複数個並べられている。受光素子１４
４の信号は、ニューロコンピュータ１０７の入力層に導
かれる。
次元のアレイ状に複数個並べられている。受光素子１４
４の信号は、ニューロコンピュータ１０７の入力層に導
かれる。
【００９５】図４９に示すように、各受光素子の位置に
よって、信号の強さが異なる。路面の状況（乾燥，雨，
凍結など）、障害物の大きさ，形状によって、信号の強
さパターンが異なる。すなわち、これらの信号を前述の
ようにニューロコンピュータで処理することによって、
高速に、障害物の形状，路面状況を検出することができ
る。
よって、信号の強さが異なる。路面の状況（乾燥，雨，
凍結など）、障害物の大きさ，形状によって、信号の強
さパターンが異なる。すなわち、これらの信号を前述の
ようにニューロコンピュータで処理することによって、
高速に、障害物の形状，路面状況を検出することができ
る。
【００９６】ニューロコンピュータの学習はあらかじ
め、路面状況を与えて、ニューロコンピュータ内の重み
係数，しきい値を最適化しておく。以上によって障害物
の有無，路面状況を正確に把握できるので、ドライバに
警報もしくは、運転パラメータを最適化することができ
る。
め、路面状況を与えて、ニューロコンピュータ内の重み
係数，しきい値を最適化しておく。以上によって障害物
の有無，路面状況を正確に把握できるので、ドライバに
警報もしくは、運転パラメータを最適化することができ
る。
【００９７】図５０に、路面状況の検出の他の方式を示
す。車両前方より発したレーザ光を路面に当て、その反
射光をレンズ，フィルタの作用によりフーリエ変換し、
光の形状と強度分布を調べ、それによって、走路前方の
路面状況，道路の傾斜，曲率を判定することができる。
す。車両前方より発したレーザ光を路面に当て、その反
射光をレンズ，フィルタの作用によりフーリエ変換し、
光の形状と強度分布を調べ、それによって、走路前方の
路面状況，道路の傾斜，曲率を判定することができる。
【００９８】以上は発光素子の光の路面での反射，散乱
による光を受光素子で検出することによるが、たとえ
ば、受光素子としての高感度のＣＣＤアレイを用いれ
ば、外界からの光のみで検出することができる。
による光を受光素子で検出することによるが、たとえ
ば、受光素子としての高感度のＣＣＤアレイを用いれ
ば、外界からの光のみで検出することができる。
【００９９】図５１に他の実施例を示す。加算器２００
には、信号１９８（例えばノッキング信号）と信号１９
９（例えばクランク軸前後の相対ねじれ角）が入力され
る。なお信号１９９は、クランク軸前端の角度信号１９
６，クランク軸後端（リングギヤ）の角度信号１９７を
減算器１９５で減算（相対角度差）したものである。こ
のため、信号１９９はクランク軸のねじれ角となり、エ
ンジン出力に比例した信号を発生する。加算器２００の
出力２０１をサンプルホールド回路２１０に入力し、時
系列信号を空間的多変数列に変換しニューロコンピュー
タ２２０の入力層に入力する。その結果ニューロコンピ
ュータ２２０の出力２２１にはノッキング信号、出力２
２２にはエンジン出力信号が発生する。またニューロコ
ンピュータ２２０を学習させる場合は、各々の信号１９
６，信号１９７，信号１９８を入力して、測定時と同様
に合成信号で行えば良い。
には、信号１９８（例えばノッキング信号）と信号１９
９（例えばクランク軸前後の相対ねじれ角）が入力され
る。なお信号１９９は、クランク軸前端の角度信号１９
６，クランク軸後端（リングギヤ）の角度信号１９７を
減算器１９５で減算（相対角度差）したものである。こ
のため、信号１９９はクランク軸のねじれ角となり、エ
ンジン出力に比例した信号を発生する。加算器２００の
出力２０１をサンプルホールド回路２１０に入力し、時
系列信号を空間的多変数列に変換しニューロコンピュー
タ２２０の入力層に入力する。その結果ニューロコンピ
ュータ２２０の出力２２１にはノッキング信号、出力２
２２にはエンジン出力信号が発生する。またニューロコ
ンピュータ２２０を学習させる場合は、各々の信号１９
６，信号１９７，信号１９８を入力して、測定時と同様
に合成信号で行えば良い。
【０１００】本実施例は３個の信号で２個の出力を検出
したが、２個又は３個以上の入力で２個以上の出力を得
ることができる。
したが、２個又は３個以上の入力で２個以上の出力を得
ることができる。
【０１０１】図５２は、触媒２３０の劣化度を測定する
場合の実施例である。触媒２３０の上流側のＯ2 センサ
２３１と下流側のＯ2 センサ２３２を減算器２３３に入
力しその出力２３７をサンプルホールド回路２３４に入
力しニューロコンピュータ２３５で演算し触媒劣化度出
力２３６を得る。
場合の実施例である。触媒２３０の上流側のＯ2 センサ
２３１と下流側のＯ2 センサ２３２を減算器２３３に入
力しその出力２３７をサンプルホールド回路２３４に入
力しニューロコンピュータ２３５で演算し触媒劣化度出
力２３６を得る。
【０１０２】図５３は触媒劣化度を検出する他の実施例
である。ニューロコンピュータ240の入力として触媒の
上流側のＯ2 センサ２３１の信号２４６，触媒の下流温
度センサ２４５の信号２４７，エンジン回転数信号２４
２，スロットル開度信号244を使用し、触媒劣化度信号
２４１を得る。ここでスロットル開度信号２４４を使用
したがエンジンの吸入空気量信号や吸気管圧力でも良
い。
である。ニューロコンピュータ240の入力として触媒の
上流側のＯ2 センサ２３１の信号２４６，触媒の下流温
度センサ２４５の信号２４７，エンジン回転数信号２４
２，スロットル開度信号244を使用し、触媒劣化度信号
２４１を得る。ここでスロットル開度信号２４４を使用
したがエンジンの吸入空気量信号や吸気管圧力でも良
い。
【０１０３】図５４に本発明の他の実施例を示す。神経
回路鋼３００には、回転数，ノック信号，水温，油温，
空気量，ギヤ位置，車速，絞り弁開度，サスペンション
の減衰率，車体振動といった自動車の情報が入力され
る。また神経回路鋼３００には最終出力がありこの最終
出力と快適度指標（運転者が自由に設定する）の差が発
生すると重み係数Ｗ1 ，Ｗ2 ，Ｗ3 が変更され、最終出
力と快適度指標が一致する。一方中間出力３０１〜３０
５は各々ａ，ｂの二方向に分岐し、３０１ａは神経回路
鋼の最終段に入力される。また３０１ｂは空燃比制御系
の目標値として入力される。また中間出力３０２ｂは点
火時期制御系の目標値、３０３ｂは変速機制御系の目標
値、３０４ｂはサスペンション制御系の目標値、３０５
ｂは絞り弁制御系の目標値として使用される。以上のよ
うに運転者が自分の好みに合った快適度指標を入力する
と各々のエンジンの制御系の目標値が変更され、好みに
合った運転性が得られる。
回路鋼３００には、回転数，ノック信号，水温，油温，
空気量，ギヤ位置，車速，絞り弁開度，サスペンション
の減衰率，車体振動といった自動車の情報が入力され
る。また神経回路鋼３００には最終出力がありこの最終
出力と快適度指標（運転者が自由に設定する）の差が発
生すると重み係数Ｗ1 ，Ｗ2 ，Ｗ3 が変更され、最終出
力と快適度指標が一致する。一方中間出力３０１〜３０
５は各々ａ，ｂの二方向に分岐し、３０１ａは神経回路
鋼の最終段に入力される。また３０１ｂは空燃比制御系
の目標値として入力される。また中間出力３０２ｂは点
火時期制御系の目標値、３０３ｂは変速機制御系の目標
値、３０４ｂはサスペンション制御系の目標値、３０５
ｂは絞り弁制御系の目標値として使用される。以上のよ
うに運転者が自分の好みに合った快適度指標を入力する
と各々のエンジンの制御系の目標値が変更され、好みに
合った運転性が得られる。
【０１０４】図５５は他の実施例で、快適指数の検出器
として利用できる。神経回路鋼300には回転数，ノック
信号，水温，油温，空気量，ギヤ位置，車速，絞り弁開
度，サスペンションの減衰率，車体振動が入力される。
神経回路鋼３００の出力を快適指数を教師データとして
重み係数の変更を行い学習する。学習が完了すれば、出
力３１０は快適指数を表わす出力となる。他の運転者が
自分に合った快適指数を教師データとして示せば、その
人に合った快適指数の発生器として再度重み係数が変更
される。
として利用できる。神経回路鋼300には回転数，ノック
信号，水温，油温，空気量，ギヤ位置，車速，絞り弁開
度，サスペンションの減衰率，車体振動が入力される。
神経回路鋼３００の出力を快適指数を教師データとして
重み係数の変更を行い学習する。学習が完了すれば、出
力３１０は快適指数を表わす出力となる。他の運転者が
自分に合った快適指数を教師データとして示せば、その
人に合った快適指数の発生器として再度重み係数が変更
される。
【０１０５】
【発明の効果】本発明によれば複数のセンサからの出力
信号を階層形ニューロ素子の入力層に入力し、ニューロ
素子の最終出力の結果に基づき自動車の制御用アクチュ
エータを制御するようにしたため、運転者の感性にあっ
た自動車運動特性が得られるものである。
信号を階層形ニューロ素子の入力層に入力し、ニューロ
素子の最終出力の結果に基づき自動車の制御用アクチュ
エータを制御するようにしたため、運転者の感性にあっ
た自動車運動特性が得られるものである。
【図１】本発明の実施例の概略図。
【図２】制御フローチャート。
【図３】ノックセンサの出力特性。
【図４】ノックセンサの出力特性。
【図５】ノックセンサの出力特性。
【図６】ニューロ素子の結合を示す図。
【図７】ニューロ素子の興奮状態を示す図。
【図８】ニューロ素子の興奮状態を示す図。
【図９】ニューロ素子の結合を示す図。
【図１０】制御フローチャート。
【図１１】ニューロ素子の結合を示す図。
【図１２】ニューロ素子の構成単位を示す図。
【図１３】ニューロ素子の構成単位を示す図。
【図１４】ニューロ素子の構成単位を示す図。
【図１５】ニューロ素子の構成単位を示す図。
【図１６】ニューロ素子の構成単位を示す図。
【図１７】ニューロ素子の構成単位を示す図。
【図１８】ニューロ素子の構成単位を示す図。
【図１９】ニューロ素子の構成単位を示す図。
【図２０】ニューロ素子の構成単位を示す図。
【図２１】ニューロ素子の結合を示す図。
【図２２】ニューロ素子の興奮状態を示す図。
【図２３】本発明の実施例の概略図。
【図２４】ニューロ素子の結合を示す図。
【図２５】ニューロ素子の興奮状態を示す図。
【図２６】ニューロ素子の興奮状態を示す図。
【図２７】制御フローチャート。
【図２８】制御フローチャート。
【図２９】制御フローチャート。
【図３０】制御フローチャート。
【図３１】絞り弁の開きに対する空燃比変動を示す図。
【図３２】本発明の実施例の概略図。
【図３３】ニューロ素子の結合を示す図。
【図３４】本発明の実施例の概略図。
【図３５】絞弁の開きと開き速度から決まる空燃比。
【図３６】本発明の実施例の概略図。
【図３７】本発明の実施例の概略図および制御フローチ
ャート。
ャート。
【図３８】負荷と回転数とから決まるトルクをメモリし
たマップを示す図。
たマップを示す図。
【図３９】トルク検出装置を示す図。
【図４０】トルク特性を示す図。
【図４１】トルク特性を示す図。
【図４２】ニューロ素子の結合を示す図。
【図４３】本発明の実施例の概略図。
【図４４】本発明の実施例の概略図。
【図４５】本発明の実施例の概略図。
【図４６】ニューロ素子の結合を示す図。
【図４７】路面状態を検出する構成図。
【図４８】検出原理を示す図。
【図４９】信号特性図。
【図５０】他の検出方法を示す図。
【図５１】本発明の実施例の概略図。
【図５２】本発明の実施例の概略図。
【図５３】本発明の実施例の概略図。
【図５４】本発明の実施例の概略図。
【図５５】本発明の実施例の概略図。
２…制御回路、１１…サンプルホールド回路、１３…ニ
ューロコンピュータ。
ューロコンピュータ。
フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｂ６０Ｋ 28/10 Ｂ６０Ｋ 28/10 Ｆ０１Ｎ 3/20 Ｆ０１Ｎ 3/20 Ｃ Ｆ０２Ｄ 29/02 Ｆ０２Ｄ 29/02 Ｚ 41/14 ３１０ 41/14 ３１０Ｈ Ｆ０２Ｐ 5/152 Ｆ１６Ｈ 61/00 5/153 Ｆ０２Ｐ 5/15 Ｄ Ｆ１６Ｈ 61/00 (72)発明者 大山 宜茂 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内
Claims (2)
- 【請求項１】(a).自動車の各要素の状態を検出するセン
サ群； (b).前記センサ群のうちの少なくとも２個以上のセンサ
信号が入力される階層形のニューロ素子； (c).前記２個以上のセンサと前記ニューロ素子の間にあ
って、前記ニューロ素子に入るセンサ信号に重み付けを
行う重み付け手段； (d).前記ニューロ素子の出力に基づいて制御量を求める
制御量決定手段； (e).前記制御量決定手段の制御量に基づいて自動車の各
要素を制御するアクチュエータ とよりなる自動車の制御装置。 - 【請求項２】(a).自動車の各要素の状態を検出するセン
サ群； (b).前記センサ群のうちの少なくとも２個以上のセンサ
信号が入力される階層形のニューロ素子； (c).前記２個以上のセンサと前記ニューロ素子の間にあ
って、前記ニューロ素子に入るセンサ信号に重み付けを
行う重み付け手段； (d).前記重み付け手段の重み付けの度合を変更する重み
付け変更手段； (e).前記ニューロ素子の出力に基づいて制御量を求める
制御量決定手段； (f).前記制御量決定手段の制御量に基づいて自動車の各
要素を制御するアクチュエータ とよりなる自動車の制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8058793A JPH08277742A (ja) | 1996-03-15 | 1996-03-15 | 自動車の制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8058793A JPH08277742A (ja) | 1996-03-15 | 1996-03-15 | 自動車の制御装置 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2028291A Division JP2792633B2 (ja) | 1990-02-09 | 1990-02-09 | 制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08277742A true JPH08277742A (ja) | 1996-10-22 |
Family
ID=13094464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8058793A Pending JPH08277742A (ja) | 1996-03-15 | 1996-03-15 | 自動車の制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08277742A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5954783A (en) * | 1996-10-14 | 1999-09-21 | Yamaha Hatsudoki Kabushiki Kaisha | Engine control system using combination of forward model and inverse model |
| JP2004509291A (ja) * | 2000-05-09 | 2004-03-25 | ツェットエフ、フリードリッヒスハーフェン、アクチエンゲゼルシャフト | 既定の適応運転戦略の変更方法 |
| JP2009250243A (ja) * | 2008-04-09 | 2009-10-29 | Robert Bosch Gmbh | 内燃機関の制御方法及びエンジン制御装置 |
| JP2021014010A (ja) * | 2017-06-27 | 2021-02-12 | 正好 石井 | マニピュレータ制御装置、及びマニピュレータ制御システム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02238599A (ja) * | 1989-03-13 | 1990-09-20 | Toyota Motor Corp | 車両用道路状況認識装置 |
| JPH02238600A (ja) * | 1989-03-13 | 1990-09-20 | Toyota Motor Corp | 車両用道路状況認識装置 |
| JPH02287860A (ja) * | 1989-04-28 | 1990-11-27 | Omron Corp | 情報処理装置 |
| JPH03132415A (ja) * | 1989-10-17 | 1991-06-05 | Mitsubishi Electric Corp | 自動車制御装置 |
| JPH03156152A (ja) * | 1989-11-13 | 1991-07-04 | Mitsubishi Heavy Ind Ltd | エンジンの故障診断装置 |
-
1996
- 1996-03-15 JP JP8058793A patent/JPH08277742A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02238599A (ja) * | 1989-03-13 | 1990-09-20 | Toyota Motor Corp | 車両用道路状況認識装置 |
| JPH02238600A (ja) * | 1989-03-13 | 1990-09-20 | Toyota Motor Corp | 車両用道路状況認識装置 |
| JPH02287860A (ja) * | 1989-04-28 | 1990-11-27 | Omron Corp | 情報処理装置 |
| JPH03132415A (ja) * | 1989-10-17 | 1991-06-05 | Mitsubishi Electric Corp | 自動車制御装置 |
| JPH03156152A (ja) * | 1989-11-13 | 1991-07-04 | Mitsubishi Heavy Ind Ltd | エンジンの故障診断装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5954783A (en) * | 1996-10-14 | 1999-09-21 | Yamaha Hatsudoki Kabushiki Kaisha | Engine control system using combination of forward model and inverse model |
| JP2004509291A (ja) * | 2000-05-09 | 2004-03-25 | ツェットエフ、フリードリッヒスハーフェン、アクチエンゲゼルシャフト | 既定の適応運転戦略の変更方法 |
| JP4880855B2 (ja) * | 2000-05-09 | 2012-02-22 | ツェットエフ、フリードリッヒスハーフェン、アクチエンゲゼルシャフト | 既定の適応運転戦略の変更方法 |
| JP2009250243A (ja) * | 2008-04-09 | 2009-10-29 | Robert Bosch Gmbh | 内燃機関の制御方法及びエンジン制御装置 |
| JP2021014010A (ja) * | 2017-06-27 | 2021-02-12 | 正好 石井 | マニピュレータ制御装置、及びマニピュレータ制御システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100196443B1 (ko) | 자동차의 제어장치 | |
| US5410477A (en) | Control system for an automotive vehicle having apparatus for predicting the driving environment of the vehicle | |
| CN101285429B (zh) | 组合脉谱对发动机空燃比控制的方法 | |
| CN101285431B (zh) | 组合脉谱对发动机控制的方法 | |
| US6405122B1 (en) | Method and apparatus for estimating data for engine control | |
| US6688286B2 (en) | Knock control apparatus for engine | |
| KR960002789B1 (ko) | 엔진의 전자제어장치 및 방법 | |
| JPH0711256B2 (ja) | 内燃エンジンの制御装置 | |
| US11654915B2 (en) | Method of generating vehicle control data, vehicle control device, and vehicle control system | |
| US11307111B2 (en) | Knocking detection system and knocking detection method of internal combustion engine | |
| KR20210046557A (ko) | 차량용 제어 데이터의 생성 방법, 차량용 제어 장치, 차량용 제어 시스템 | |
| EP0602672A1 (en) | Speed ratio control method and device for continuously variable transmission | |
| JPH0441940A (ja) | 車両用エンジンの制御装置 | |
| JPH0625545B2 (ja) | 内燃機関の電子スロツトル制御装置 | |
| EP0959414A1 (en) | Optimization method for a fuzzy neural network | |
| EP0315171B1 (en) | Apparatus and method of electronically controlling engine | |
| Zheng et al. | Real-time combustion torque estimation and dynamic misfire fault diagnosis in gasoline engine | |
| JP3387004B2 (ja) | 制御装置 | |
| JPH08277742A (ja) | 自動車の制御装置 | |
| Müller et al. | Neural adaptive ignition control | |
| Yap et al. | Comparative analysis of artificial neural networks and dynamic models as virtual sensors | |
| JPH10306744A (ja) | 制御装置 | |
| CN101061297B (zh) | 用于处理加速度计信号以帮助内燃机中燃烧质量控制的系统和方法 | |
| US5454358A (en) | Driving power control apparatus for internal combustion engine | |
| Park et al. | Torque estimation of spark ignition engines via cylinder pressure measurement |