JPH0874636A - 空燃比制御装置 - Google Patents
空燃比制御装置Info
- Publication number
- JPH0874636A JPH0874636A JP6216169A JP21616994A JPH0874636A JP H0874636 A JPH0874636 A JP H0874636A JP 6216169 A JP6216169 A JP 6216169A JP 21616994 A JP21616994 A JP 21616994A JP H0874636 A JPH0874636 A JP H0874636A
- Authority
- JP
- Japan
- Prior art keywords
- air
- fuel ratio
- neural network
- amount
- control
- 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.)
- Granted
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
-
- 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
- F02D2041/1413—Controller structures or design
- F02D2041/143—Controller structures or design the control loop including a non-linear model or compensator
-
- 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
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
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)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
(57)【要約】
【目的】 空燃比制御のおける構造設計、アルゴリズム
の複雑性、高度化のためのデータ決定における手続の困
難さを解消して、より高精度な制御を行なう。 【構成】 内燃エンジン１１の各種状態量を検出するセ
ンサ群１２と、センサ群１２の各出力値をニューラルネ
ットワークの入力項となるように変換する変換手段１３
と、内燃エンジンにおける一つの状態量である空燃比
を、変換手段１３で得られるニューラルネットワークの
各入力項を内部状態量とする非線形関数ｆ nnで表し、こ
のｆnnを内部状態量で偏微分して得られる関数ＦNNの各
係数をニューラルネットワークの出力から推定するニュ
ーラルネットワークを用いた微分係数同定手段１４と、
空燃比が目標空燃比となるように、微分係数同定手段１
４で得られたパラメータを用いて、燃料噴射量または吸
入空気量を算出する制御量算出手段１５とを備える。
の複雑性、高度化のためのデータ決定における手続の困
難さを解消して、より高精度な制御を行なう。 【構成】 内燃エンジン１１の各種状態量を検出するセ
ンサ群１２と、センサ群１２の各出力値をニューラルネ
ットワークの入力項となるように変換する変換手段１３
と、内燃エンジンにおける一つの状態量である空燃比
を、変換手段１３で得られるニューラルネットワークの
各入力項を内部状態量とする非線形関数ｆ nnで表し、こ
のｆnnを内部状態量で偏微分して得られる関数ＦNNの各
係数をニューラルネットワークの出力から推定するニュ
ーラルネットワークを用いた微分係数同定手段１４と、
空燃比が目標空燃比となるように、微分係数同定手段１
４で得られたパラメータを用いて、燃料噴射量または吸
入空気量を算出する制御量算出手段１５とを備える。
Description
【０００１】
【産業上の利用分野】本発明は、内燃エンジンの燃料噴
射制御方式のガソリンエンジンに係り、特にニューラル
ネットワークを応用してエンジンの空燃比を制御するた
めの装置に関する。
射制御方式のガソリンエンジンに係り、特にニューラル
ネットワークを応用してエンジンの空燃比を制御するた
めの装置に関する。
【０００２】
【従来の技術】従来の空燃比制御は、Ｏ2 センサによる
フィードバック付きのＰＩＤ制御が一般に行なわれてお
り、アイドル時などの定常運転域で特に成果を納めてい
る。図１４は従来のこの種の空燃比制御装置の構成を示
している。図１４において、１０１は吸気管、１０２は
燃料室、１０３はＯ2 センサ、１０４はＰＩ制御部であ
る。吸気管１０１から燃料室１０２に送られる空気量Ｇ
ａは、スロットル開度θによって決まる。燃焼後の排気
中のＯ2 濃度がＯ2 センサ１０３によって計測され、そ
の値と目標空燃比とからＰＩ制御部１０４により適切な
燃料量Ｇf が計算され、燃焼室１０２に供給される。
フィードバック付きのＰＩＤ制御が一般に行なわれてお
り、アイドル時などの定常運転域で特に成果を納めてい
る。図１４は従来のこの種の空燃比制御装置の構成を示
している。図１４において、１０１は吸気管、１０２は
燃料室、１０３はＯ2 センサ、１０４はＰＩ制御部であ
る。吸気管１０１から燃料室１０２に送られる空気量Ｇ
ａは、スロットル開度θによって決まる。燃焼後の排気
中のＯ2 濃度がＯ2 センサ１０３によって計測され、そ
の値と目標空燃比とからＰＩ制御部１０４により適切な
燃料量Ｇf が計算され、燃焼室１０２に供給される。
【０００３】上記従来の空燃比制御でも、加減速などの
過渡状態において、燃料の増量補正、原料補正をしてい
るが、噴射した燃料が吸気管壁面や吸気バルブなどに付
着またはそこから蒸発してくる燃料があるため、加減速
時などの過渡状態においては、空燃比を正確に目標値に
制御することはできない。図１５はスロットルオープン
の加速時（ａ）およびスロットルクローズの減速時
（ｂ）に空燃比（Ａ／Ｆ）が大きく乱れることを示して
いる。
過渡状態において、燃料の増量補正、原料補正をしてい
るが、噴射した燃料が吸気管壁面や吸気バルブなどに付
着またはそこから蒸発してくる燃料があるため、加減速
時などの過渡状態においては、空燃比を正確に目標値に
制御することはできない。図１５はスロットルオープン
の加速時（ａ）およびスロットルクローズの減速時
（ｂ）に空燃比（Ａ／Ｆ）が大きく乱れることを示して
いる。
【０００４】一方、この付着燃料に着目して、加減速時
の空燃比補正を、噴射燃料がバルブや壁面へ付着する付
着率とそこから蒸発する蒸発時定数を定義することで、
モデル化して行なう手法が提案されている。
の空燃比補正を、噴射燃料がバルブや壁面へ付着する付
着率とそこから蒸発する蒸発時定数を定義することで、
モデル化して行なう手法が提案されている。
【０００５】図１６はこのモデル化手法の一例である
が、燃料の壁面付着に着目した吸気管燃料搬送モデルを
表したものである。図１６において、Ｇf は吸気管に噴
射される燃料噴射量を示し、Ｘは壁面への燃料付着率、
Ｍf は吸気管内面などに付着している燃料量の総量で液
膜量、τは液膜量Ｍf から蒸発する燃料の蒸発時定数、
＜＜Ｇfeは実際に燃料が気筒に流入する気筒流入燃料量
＞＞である。このモデルは以下の式で表現される。
が、燃料の壁面付着に着目した吸気管燃料搬送モデルを
表したものである。図１６において、Ｇf は吸気管に噴
射される燃料噴射量を示し、Ｘは壁面への燃料付着率、
Ｍf は吸気管内面などに付着している燃料量の総量で液
膜量、τは液膜量Ｍf から蒸発する燃料の蒸発時定数、
＜＜Ｇfeは実際に燃料が気筒に流入する気筒流入燃料量
＞＞である。このモデルは以下の式で表現される。
【０００６】
【数１】
【０００７】ところが、蒸発時定数、付着率は吸気マニ
ホールドを通過する空気量、吸気管温度、燃料の質、個
別ばらつきなど多くの雑多な要素の影響で決まるため、
これらのパラメータを求めることは非常に困難であり、
手法としては、たとえば燃料入力のステップ応答を各運
転条件下で求めてパラメータのマトリックスデータ群を
作成するなどの処理をしなければならない。また、モデ
ル化したものと実際のエンジンとのマッチングのため、
シミュレーション応答と実際のエンジン応答の誤差を最
小化するなどの処理を行なう必要もある。すなわち、こ
のモデルを実用化して、目標とする空燃比にエンジンを
制御するためには、多大の時間と制御上の味付けが必要
である。
ホールドを通過する空気量、吸気管温度、燃料の質、個
別ばらつきなど多くの雑多な要素の影響で決まるため、
これらのパラメータを求めることは非常に困難であり、
手法としては、たとえば燃料入力のステップ応答を各運
転条件下で求めてパラメータのマトリックスデータ群を
作成するなどの処理をしなければならない。また、モデ
ル化したものと実際のエンジンとのマッチングのため、
シミュレーション応答と実際のエンジン応答の誤差を最
小化するなどの処理を行なう必要もある。すなわち、こ
のモデルを実用化して、目標とする空燃比にエンジンを
制御するためには、多大の時間と制御上の味付けが必要
である。
【０００８】
【発明が解決しようとする課題】このように上記従来の
空燃比制御では、ＰＩＤ制御もしくは燃料の壁面付着モ
デルを用いた制御を使うにせよ、空燃比に影響を与える
機関の構造、パラメータをまず決めなければならない。
また、そのパラメータのデータはあらかじめ実験、シミ
ュレーション等により決定し、運転条件等によりデータ
を持ち換える必要性がある。また、空燃比制御を高精度
に行なうためには、実験、シミュレーションを繰り返
し、データ量も多くせざるを得ない等、種々の問題があ
った。また、燃料壁面付着以外に空燃比が変動する要因
は、 吸入空気量またはＯ2 センサ検出時期と燃料噴射時期
との関係で決まる遅れ、 吸入空気信号の電気的処理による遅れ、 スロットル変化検出の遅れ、 加速判定遅れによる制御遅れ、 インジェクタの機械的開弁遅れおよび燃料の流体遅
れ、 燃料噴射タイミングずれと吸気弁開閉タイミングとの
関係で決まる遅れ、 その他熱的な応答遅れに起因する制御誤差、などがあ
り、構造が複雑でモデル化するのは容易ではなく、多数
のデータマップを持つ必要があった。
空燃比制御では、ＰＩＤ制御もしくは燃料の壁面付着モ
デルを用いた制御を使うにせよ、空燃比に影響を与える
機関の構造、パラメータをまず決めなければならない。
また、そのパラメータのデータはあらかじめ実験、シミ
ュレーション等により決定し、運転条件等によりデータ
を持ち換える必要性がある。また、空燃比制御を高精度
に行なうためには、実験、シミュレーションを繰り返
し、データ量も多くせざるを得ない等、種々の問題があ
った。また、燃料壁面付着以外に空燃比が変動する要因
は、 吸入空気量またはＯ2 センサ検出時期と燃料噴射時期
との関係で決まる遅れ、 吸入空気信号の電気的処理による遅れ、 スロットル変化検出の遅れ、 加速判定遅れによる制御遅れ、 インジェクタの機械的開弁遅れおよび燃料の流体遅
れ、 燃料噴射タイミングずれと吸気弁開閉タイミングとの
関係で決まる遅れ、 その他熱的な応答遅れに起因する制御誤差、などがあ
り、構造が複雑でモデル化するのは容易ではなく、多数
のデータマップを持つ必要があった。
【０００９】本発明は、このような従来の問題を解決す
るものであり、空燃比制御における構造設計、アルゴリ
ズムの複雑性、空燃比制御の高精度化のためのデータ決
定における手続きの困難さを解消し、より高精度な制御
を可能とした空燃比制御装置を提供することを目的とす
る。
るものであり、空燃比制御における構造設計、アルゴリ
ズムの複雑性、空燃比制御の高精度化のためのデータ決
定における手続きの困難さを解消し、より高精度な制御
を可能とした空燃比制御装置を提供することを目的とす
る。
【００１０】
【課題を解決するための手段】本発明は、上記目的を達
成するために、空燃比に関わる内燃エンジンの非線形構
造を階層型ニューラルネットワークで予め学習させ、こ
の学習させたニューラルネットワークを用いて燃料噴射
量を制御することで、過渡時の燃料量を補正し、目標空
燃比を得るようにしたものである。
成するために、空燃比に関わる内燃エンジンの非線形構
造を階層型ニューラルネットワークで予め学習させ、こ
の学習させたニューラルネットワークを用いて燃料噴射
量を制御することで、過渡時の燃料量を補正し、目標空
燃比を得るようにしたものである。
【００１１】
【作用】したがって、本発明によれば、内燃エンジンメ
カニズムのパラメータを具体的に選定する作業、選定パ
ラメータへの影響要因の把握、個別パラメータの実験デ
ータ取得などの作業を行なうことなく、エンジンモデル
をニューラルネットワークの出力値を用いた偏微分方程
式で記述し、制御に利用することにより、比較的簡単な
手法で空燃比制御を高精度に行なうことができる。
カニズムのパラメータを具体的に選定する作業、選定パ
ラメータへの影響要因の把握、個別パラメータの実験デ
ータ取得などの作業を行なうことなく、エンジンモデル
をニューラルネットワークの出力値を用いた偏微分方程
式で記述し、制御に利用することにより、比較的簡単な
手法で空燃比制御を高精度に行なうことができる。
【００１２】
【実施例】図１は本発明の第１の実施例における空燃比
制御装置の構成を示す。図１において、１１は内燃式の
エンジン、１２はエンジン１１の各種状態量を検出する
センサ群、１３はセンサ群１２の各出力値をニューラル
ネットワークの入力項となるように変換する変換手段、
１４はエンジン１１における一つの状態量である空燃比
を、変換手段１３で得られるニューラルネットワークの
入力項を内部状態量とする非線形関数Ｆnnで表し、この
Ｆnnを内部状態量で偏微分して得られる関数ＦNNの各係
数をニューラルネットワークの出力から推定するニュー
ラルネットワークを用いた微分係数同定手段、１５は空
燃比が目標空燃比となるように、微分係数同定手段１４
により得られるパラメータを用いて、燃料噴射量または
吸入空気量を算出する制御算出手段である。
制御装置の構成を示す。図１において、１１は内燃式の
エンジン、１２はエンジン１１の各種状態量を検出する
センサ群、１３はセンサ群１２の各出力値をニューラル
ネットワークの入力項となるように変換する変換手段、
１４はエンジン１１における一つの状態量である空燃比
を、変換手段１３で得られるニューラルネットワークの
入力項を内部状態量とする非線形関数Ｆnnで表し、この
Ｆnnを内部状態量で偏微分して得られる関数ＦNNの各係
数をニューラルネットワークの出力から推定するニュー
ラルネットワークを用いた微分係数同定手段、１５は空
燃比が目標空燃比となるように、微分係数同定手段１４
により得られるパラメータを用いて、燃料噴射量または
吸入空気量を算出する制御算出手段である。
【００１３】次に、上記第１の実施例の動作について説
明する。センサ群１２でエンジン１１の各種状態量を検
出し、変換手段１３で、センサ群１２の出力値を微分係
数同定手段１４のニューラルネットワークの入力項とな
るように、一部のセンサ群出力に対し、センサ出力の差
分値または少なくとも一つ以上前のサンプル値に変換す
る。次いで微分係数同定手段１４で、エンジン１１にお
ける一つの状態量である空燃比を、変換手段１３で得ら
れるニューラルネットワークの各入力項を内部状態量と
する非線形関数ｆnnと考え、このｆnnを内部状態量で偏
微分して得られる関数ＦNNの各係数をニューラルネット
ワークの出力から推定し、推定された各係数を用いて、
制御量算出手段１５により、空燃比が目標空燃比となる
ように燃料噴射量または吸入空気量を算出し、空燃比制
御を行なう。制御量算出手段１５は、制御量算出式をエ
ンジン回転ステップごとに離散化したシステムとして表
現し、回転ステップごとに制御量算出を行なう。
明する。センサ群１２でエンジン１１の各種状態量を検
出し、変換手段１３で、センサ群１２の出力値を微分係
数同定手段１４のニューラルネットワークの入力項とな
るように、一部のセンサ群出力に対し、センサ出力の差
分値または少なくとも一つ以上前のサンプル値に変換す
る。次いで微分係数同定手段１４で、エンジン１１にお
ける一つの状態量である空燃比を、変換手段１３で得ら
れるニューラルネットワークの各入力項を内部状態量と
する非線形関数ｆnnと考え、このｆnnを内部状態量で偏
微分して得られる関数ＦNNの各係数をニューラルネット
ワークの出力から推定し、推定された各係数を用いて、
制御量算出手段１５により、空燃比が目標空燃比となる
ように燃料噴射量または吸入空気量を算出し、空燃比制
御を行なう。制御量算出手段１５は、制御量算出式をエ
ンジン回転ステップごとに離散化したシステムとして表
現し、回転ステップごとに制御量算出を行なう。
【００１４】図２は本発明の第２の実施例における空燃
比制御装置の構成を示す。図２において、２１は内燃式
のエンジン、２２はエンジン２１の各種状態量を検出す
るセンサ群、２３はセンサ群２２の各出力値をニューラ
ルネットワークの入力項となるように変換する変換手
段、２４はエンジン２１における一つの状態量である空
燃比を、変換手段２３で得られるニューラルネットワー
クの入力項を内部状態量とする非線形関数ｆnnで表し、
このｆnnを内部状態量で偏微分して得られる関数ＦNNの
各係数をニューラルネットワークの出力から推定するニ
ューラルネットワークを用いた微分係数同定手段、２５
は空燃比が目標空燃比となるように、微分係数同定手段
２４により得られるパラメータを用いて、燃料噴射量ま
たは吸入空気量の制御補正量を算出する制御補正量算出
手段、２６は空燃比設定のために予め設定されたデータ
群、２７はセンサ群２２の各出力値と予め設定されたデ
ータ群２６とから、基本となる燃料噴射量または吸入空
気量を算出する演算手段、２８は演算手段２７の結果を
制御補正量算出手段２５の結果により補正する加算器
（空燃比補正手段）である。
比制御装置の構成を示す。図２において、２１は内燃式
のエンジン、２２はエンジン２１の各種状態量を検出す
るセンサ群、２３はセンサ群２２の各出力値をニューラ
ルネットワークの入力項となるように変換する変換手
段、２４はエンジン２１における一つの状態量である空
燃比を、変換手段２３で得られるニューラルネットワー
クの入力項を内部状態量とする非線形関数ｆnnで表し、
このｆnnを内部状態量で偏微分して得られる関数ＦNNの
各係数をニューラルネットワークの出力から推定するニ
ューラルネットワークを用いた微分係数同定手段、２５
は空燃比が目標空燃比となるように、微分係数同定手段
２４により得られるパラメータを用いて、燃料噴射量ま
たは吸入空気量の制御補正量を算出する制御補正量算出
手段、２６は空燃比設定のために予め設定されたデータ
群、２７はセンサ群２２の各出力値と予め設定されたデ
ータ群２６とから、基本となる燃料噴射量または吸入空
気量を算出する演算手段、２８は演算手段２７の結果を
制御補正量算出手段２５の結果により補正する加算器
（空燃比補正手段）である。
【００１５】次に、上記第２の実施例の動作について説
明する。センサ群２２でエンジン２１の各種状態量を検
出し、演算手段２７によりセンサ群２２の各出力値と予
め設定されたデータ群２６とから基本となる燃料噴射量
または吸入空気量を演算する。しかし、過渡時や外乱印
加時などは、実空燃比が目標空燃比とはならない。そこ
で、変換手段２３によりセンサ群２２の出力値を、微分
係数同定手段２４のニューラルネットワークの入力項と
なるように、一部のセンサ群出力に対し、センサ出力の
差分値または少なくとも一つ以上前のサンプル値に変換
する。次いで微分係数同定手段２４によりエンジン２１
における一つの状態量である空燃比を、変換手段２３で
得られるニューラルネットワークの各入力項を内部状態
量とする非線形関数ｆnnと考え、このｆnnを内部状態量
で偏微分して得られる関数ＦNNの各係数をニューラルネ
ットワークの出力から推定し、推定された各係数を用い
て、制御補正量算出手段２５が実空燃比が目標空燃比と
なるような燃料噴射量または吸入空気量の補正量を算出
し、この補正量を基に加算器２８が、演算手段２７によ
り演算された燃料噴射量または吸入空気量を補正し、空
燃比制御を行なう。制御補正量算出手段２５は、制御補
正量算出式をエンジン回転ステップごとに離散化したシ
ステムとして表現し、回転ステップごとに制御補正量算
出を行なう。
明する。センサ群２２でエンジン２１の各種状態量を検
出し、演算手段２７によりセンサ群２２の各出力値と予
め設定されたデータ群２６とから基本となる燃料噴射量
または吸入空気量を演算する。しかし、過渡時や外乱印
加時などは、実空燃比が目標空燃比とはならない。そこ
で、変換手段２３によりセンサ群２２の出力値を、微分
係数同定手段２４のニューラルネットワークの入力項と
なるように、一部のセンサ群出力に対し、センサ出力の
差分値または少なくとも一つ以上前のサンプル値に変換
する。次いで微分係数同定手段２４によりエンジン２１
における一つの状態量である空燃比を、変換手段２３で
得られるニューラルネットワークの各入力項を内部状態
量とする非線形関数ｆnnと考え、このｆnnを内部状態量
で偏微分して得られる関数ＦNNの各係数をニューラルネ
ットワークの出力から推定し、推定された各係数を用い
て、制御補正量算出手段２５が実空燃比が目標空燃比と
なるような燃料噴射量または吸入空気量の補正量を算出
し、この補正量を基に加算器２８が、演算手段２７によ
り演算された燃料噴射量または吸入空気量を補正し、空
燃比制御を行なう。制御補正量算出手段２５は、制御補
正量算出式をエンジン回転ステップごとに離散化したシ
ステムとして表現し、回転ステップごとに制御補正量算
出を行なう。
【００１６】図３は本発明の第３の実施例における空燃
比制御装置の構成を示す。本実施例は、上記第２の実施
例に運転状態検知手段を加えたものである。図３におい
て、３１は内燃式のエンジン、３２はエンジン３１の各
種状態量を検出するセンサ群、３３はセンサ群３２の各
出力値をニューラルネットワークの入力項となるように
変換する変換手段、３４はエンジン３１における一つの
状態量である空燃比を、変換手段３３で得られるニュー
ラルネットワークの入力項を内部状態量とする非線形関
数ｆnnで表し、このｆnnを内部状態量で偏微分して得ら
れる関数ＦNNの各係数をニューラルネットワークの出力
から推定するニューラルネットワークを用いた微分係数
同定手段、３５は空燃比が目標空燃比となるように、微
分係数同定手段３４により得られるパラメータを用い
て、燃料噴射量または吸入空気量の制御補正量を算出す
る制御補正量算出手段、３６は空燃比設定のために予め
設定されたデータ群、３７はセンサ群３２の各出力値と
予め設定されたデータ群３６とから、基本となる燃料噴
射量または吸入空気量を算出する演算手段、３８は演算
手段３７の結果を制御補正量算出手段３５の結果により
補正する加算器（空燃比補正手段）、３９はエンジン３
１が所定の運転状態にあるかどうかをセンサ群３２の各
出力値から判断するとともに、所定の運転状態にあると
判断されたときに制御補正量算出手段３５の結果を加算
器３８に出力する運転状態検知手段である。
比制御装置の構成を示す。本実施例は、上記第２の実施
例に運転状態検知手段を加えたものである。図３におい
て、３１は内燃式のエンジン、３２はエンジン３１の各
種状態量を検出するセンサ群、３３はセンサ群３２の各
出力値をニューラルネットワークの入力項となるように
変換する変換手段、３４はエンジン３１における一つの
状態量である空燃比を、変換手段３３で得られるニュー
ラルネットワークの入力項を内部状態量とする非線形関
数ｆnnで表し、このｆnnを内部状態量で偏微分して得ら
れる関数ＦNNの各係数をニューラルネットワークの出力
から推定するニューラルネットワークを用いた微分係数
同定手段、３５は空燃比が目標空燃比となるように、微
分係数同定手段３４により得られるパラメータを用い
て、燃料噴射量または吸入空気量の制御補正量を算出す
る制御補正量算出手段、３６は空燃比設定のために予め
設定されたデータ群、３７はセンサ群３２の各出力値と
予め設定されたデータ群３６とから、基本となる燃料噴
射量または吸入空気量を算出する演算手段、３８は演算
手段３７の結果を制御補正量算出手段３５の結果により
補正する加算器（空燃比補正手段）、３９はエンジン３
１が所定の運転状態にあるかどうかをセンサ群３２の各
出力値から判断するとともに、所定の運転状態にあると
判断されたときに制御補正量算出手段３５の結果を加算
器３８に出力する運転状態検知手段である。
【００１７】次に、上記第３の実施例の動作について説
明する。センサ群３２でエンジン３１の各種状態量を検
出し、演算手段３７によりセンサ群３２の各出力値と予
め設定されたデータ群３６とから基本となる燃料噴射量
または吸入空気量を演算する。しかし、過渡時や外乱印
加時などは、実空燃比が目標空燃比とはならない。そこ
で、変換手段３３によりセンサ群３２の出力値を、微分
係数同定手段３４のニューラルネットワークの入力項と
なるように、一部のセンサ群出力に対し、センサ出力の
差分値または少なくとも一つ以上前のサンプル値に変換
する。次いで微分係数同定手段３４により、エンジン３
１における一つの状態量である空燃比を、変換手段３３
で得られるニューラルネットワークの各入力項を内部状
態量とする非線形関数ｆnnと考え、このｆnnを内部状態
量で偏微分して得られる関数ＦNNの各係数をニューラル
ネットワークの出力から推定し、推定された各係数を用
いて、制御補正量算出手段３５により、実空燃比が目標
空燃比となるような燃料噴射量または吸入空気量の補正
量を算出する。一方、運転状態検知手段３９は、センサ
群３２の各出力値を用い、エンジン３１が所定の運転状
態にあるかどうかを判断し、所定の運転状態にあると判
断したときに、制御補正量算出手段３５で算出された補
正量を加算器３８に送り、この補正量を基に加算器３８
が、演算手段２７により演算された燃料噴射量または吸
入空気量を補正し、空燃比制御を行なう。制御補正量算
出手段３５は、制御補正量算出式をエンジン回転ステッ
プごとに離散化したシステムとして表現し、回転ステッ
プごとに制御補正量算出を行なう。
明する。センサ群３２でエンジン３１の各種状態量を検
出し、演算手段３７によりセンサ群３２の各出力値と予
め設定されたデータ群３６とから基本となる燃料噴射量
または吸入空気量を演算する。しかし、過渡時や外乱印
加時などは、実空燃比が目標空燃比とはならない。そこ
で、変換手段３３によりセンサ群３２の出力値を、微分
係数同定手段３４のニューラルネットワークの入力項と
なるように、一部のセンサ群出力に対し、センサ出力の
差分値または少なくとも一つ以上前のサンプル値に変換
する。次いで微分係数同定手段３４により、エンジン３
１における一つの状態量である空燃比を、変換手段３３
で得られるニューラルネットワークの各入力項を内部状
態量とする非線形関数ｆnnと考え、このｆnnを内部状態
量で偏微分して得られる関数ＦNNの各係数をニューラル
ネットワークの出力から推定し、推定された各係数を用
いて、制御補正量算出手段３５により、実空燃比が目標
空燃比となるような燃料噴射量または吸入空気量の補正
量を算出する。一方、運転状態検知手段３９は、センサ
群３２の各出力値を用い、エンジン３１が所定の運転状
態にあるかどうかを判断し、所定の運転状態にあると判
断したときに、制御補正量算出手段３５で算出された補
正量を加算器３８に送り、この補正量を基に加算器３８
が、演算手段２７により演算された燃料噴射量または吸
入空気量を補正し、空燃比制御を行なう。制御補正量算
出手段３５は、制御補正量算出式をエンジン回転ステッ
プごとに離散化したシステムとして表現し、回転ステッ
プごとに制御補正量算出を行なう。
【００１８】次に、上記実施例の具体例について説明す
る。図４は上記実施例の具体例におけるエンジンの概略
構成を示すものである。図４において、４１は燃焼室、
４２は吸気管、４３は排気管、４４は吸気管４２の中に
設けられたスロットルバルブ、４５はスロットルバルブ
４４の開閉を制御するスロットル開閉ステッピングモー
タ、４６はスロットルバルブ４４の開度を検出するスロ
ットル開度検出センサ、４７は吸気管４２の内圧を検出
する管内圧センサ、４８は吸気管４２に燃料を噴射する
インジェクタ、４９は燃焼室４１内のガスに点火する点
火プラグ、５０は排気管４３内のＯ2 濃度をリニアに検
出する空燃比センサとしてのリニアエアフローセンサ
（以下ＬＡＦセンサと略す。）である。これらのうち、
スロットル開度検出センサ４６、管内圧センサ４７、Ｌ
ＡＦセンサ５０は、上記実施例におけるセンサ群１２、
２２、３２の一部を構成する。また空燃比センサとして
のＬＡＦセンサ５０は、例えば三元触媒の前後に複数個
設けてもよい。
る。図４は上記実施例の具体例におけるエンジンの概略
構成を示すものである。図４において、４１は燃焼室、
４２は吸気管、４３は排気管、４４は吸気管４２の中に
設けられたスロットルバルブ、４５はスロットルバルブ
４４の開閉を制御するスロットル開閉ステッピングモー
タ、４６はスロットルバルブ４４の開度を検出するスロ
ットル開度検出センサ、４７は吸気管４２の内圧を検出
する管内圧センサ、４８は吸気管４２に燃料を噴射する
インジェクタ、４９は燃焼室４１内のガスに点火する点
火プラグ、５０は排気管４３内のＯ2 濃度をリニアに検
出する空燃比センサとしてのリニアエアフローセンサ
（以下ＬＡＦセンサと略す。）である。これらのうち、
スロットル開度検出センサ４６、管内圧センサ４７、Ｌ
ＡＦセンサ５０は、上記実施例におけるセンサ群１２、
２２、３２の一部を構成する。また空燃比センサとして
のＬＡＦセンサ５０は、例えば三元触媒の前後に複数個
設けてもよい。
【００１９】図５は上記実施例の具体例で使用した空燃
比制御装置の概略ブロック図であり、ニューラルネット
ワークを用いた極指定法制御システムに空燃比を検出す
るためのＬＡＦセンサを組み合わせた構成としている。
制御は学習後のニューラルネットワークを入力パラメー
タで偏微分することで線形近似モデルを導き、極指定法
によって最適なフィードバック係数を決定する。まずそ
の構造を説明する。図５において、５１はスロットル角
度θに対して吸気管内に入ってくる空気量Ｇaを与える
吸気管である。５２はエンジンの燃焼室で、空気量Ｇa
と燃料量Ｇf が混合されて燃焼するところである。５３
は排気中のＯ2 濃度を計測するＬＡＦセンサ、５４はセ
ンサ群からのエンジン運転状態パラメータとＬＡＦセン
サ値から偏微分方程式の微分係数群を求めるニューラル
ネットワークであり、上記実施例における変換手段１
３、２３、３３および微分係数同定手段１４、２４、３
４が含まれる。５５はニューラルネットワーク５４で求
めた微分係数群と目標空燃比から適切な燃料量Ｇf を計
算する制御ユニットであり、上記実施例における制御量
算出手段１５、制御補正量算出手段２５、３５、演算手
段２７、３７が含まれる。
比制御装置の概略ブロック図であり、ニューラルネット
ワークを用いた極指定法制御システムに空燃比を検出す
るためのＬＡＦセンサを組み合わせた構成としている。
制御は学習後のニューラルネットワークを入力パラメー
タで偏微分することで線形近似モデルを導き、極指定法
によって最適なフィードバック係数を決定する。まずそ
の構造を説明する。図５において、５１はスロットル角
度θに対して吸気管内に入ってくる空気量Ｇaを与える
吸気管である。５２はエンジンの燃焼室で、空気量Ｇa
と燃料量Ｇf が混合されて燃焼するところである。５３
は排気中のＯ2 濃度を計測するＬＡＦセンサ、５４はセ
ンサ群からのエンジン運転状態パラメータとＬＡＦセン
サ値から偏微分方程式の微分係数群を求めるニューラル
ネットワークであり、上記実施例における変換手段１
３、２３、３３および微分係数同定手段１４、２４、３
４が含まれる。５５はニューラルネットワーク５４で求
めた微分係数群と目標空燃比から適切な燃料量Ｇf を計
算する制御ユニットであり、上記実施例における制御量
算出手段１５、制御補正量算出手段２５、３５、演算手
段２７、３７が含まれる。
【００２０】次に、図５の動作について説明する。図５
において、５１および５２、５３については従来の構成
と同様であるので、詳細の説明は省略する。吸気管５１
から入力される空気量Ｇa は、スロットル開度検出セン
サ４６、管内圧センサ４７および図示されないクランク
角センサからのエンジン回転数などの信号とあらかじめ
決められたパラメータによって演算されて決まる量であ
る。この空気量Ｇa と制御ユニット５５からより供給さ
れる燃料量Ｇf が混合されて燃焼室５２内で燃焼し、Ｌ
ＡＦセンサ５３でモニタされたＯ2 濃度が空燃比として
ニューラルネットワーク５４に入力される。ニューラル
ネットワーク５４では、ｋ−１ステップ時の空燃比であ
るＬＡＦセンサ値（Ａ／Ｆk-1 ）に対して後に述べる演
算を行ない、第１の実施例における燃料噴射量Ｇf また
は第２、第３の実施例における燃料噴射補正量△Ｇfkを
求める。
において、５１および５２、５３については従来の構成
と同様であるので、詳細の説明は省略する。吸気管５１
から入力される空気量Ｇa は、スロットル開度検出セン
サ４６、管内圧センサ４７および図示されないクランク
角センサからのエンジン回転数などの信号とあらかじめ
決められたパラメータによって演算されて決まる量であ
る。この空気量Ｇa と制御ユニット５５からより供給さ
れる燃料量Ｇf が混合されて燃焼室５２内で燃焼し、Ｌ
ＡＦセンサ５３でモニタされたＯ2 濃度が空燃比として
ニューラルネットワーク５４に入力される。ニューラル
ネットワーク５４では、ｋ−１ステップ時の空燃比であ
るＬＡＦセンサ値（Ａ／Ｆk-1 ）に対して後に述べる演
算を行ない、第１の実施例における燃料噴射量Ｇf また
は第２、第３の実施例における燃料噴射補正量△Ｇfkを
求める。
【００２１】燃料噴射補正量△Ｇfkを求める上記第２ま
たは第３の実施例の場合は、制御ユニット５５では、従
来手法による目標空燃比Ａ／Ｆにするための燃料量Ｇfk
を計算するとともに、ニューラルネットワークによる噴
射補正量△Ｇfkを足し合わせた量（Ｇfk＋△Ｇfk）を燃
料噴射量Ｇf として出力する。また、運転状態検知手段
３９により、定常時（アイドル時など）には、従来の空
燃比制御とし、過渡時には何らかの判定基準を設けて、
その補正量としての△Ｇfkを有効にすることで、大きな
変更、制御上の不安の少ない制御を導入することができ
る。ただし、ニューラルネットワークの十分な学習がで
きていることが保証される場合、または常にニューラル
ネットワークパラメータ群を補正しながら（オンライン
学習と呼ぶ）制御を行なう場合は、すべての運転条件下
で使用することも可能である。
たは第３の実施例の場合は、制御ユニット５５では、従
来手法による目標空燃比Ａ／Ｆにするための燃料量Ｇfk
を計算するとともに、ニューラルネットワークによる噴
射補正量△Ｇfkを足し合わせた量（Ｇfk＋△Ｇfk）を燃
料噴射量Ｇf として出力する。また、運転状態検知手段
３９により、定常時（アイドル時など）には、従来の空
燃比制御とし、過渡時には何らかの判定基準を設けて、
その補正量としての△Ｇfkを有効にすることで、大きな
変更、制御上の不安の少ない制御を導入することができ
る。ただし、ニューラルネットワークの十分な学習がで
きていることが保証される場合、または常にニューラル
ネットワークパラメータ群を補正しながら（オンライン
学習と呼ぶ）制御を行なう場合は、すべての運転条件下
で使用することも可能である。
【００２２】次にニューラルネットワーク５４における
の学習方法について説明する。図６はニューラルネット
ワークの構造を示している。図に示すように、ニューラ
ルネットワークの構造は入力層素子数６、中間層素子数
２０、出力層素子数１とし、出力は空燃比を表すＡ／Ｆ
値とした。入力に用いた信号は、燃料噴射量Ｇfk，Ｇ
fk-1，空燃比Ａ／Ｆk-1 ，吸気管内圧Ｐbk-1，エンジン
回転数ｎek-1，スロットル開度θk-1 とした。ここで、
出力のステップｋに対して入力が１ステップ前のものを
用いているのは、エンジンが構造的に１次遅れに近似で
きると考えているからで、２次以上の場合は２ステップ
以上前のデータを入力項として用いる。
の学習方法について説明する。図６はニューラルネット
ワークの構造を示している。図に示すように、ニューラ
ルネットワークの構造は入力層素子数６、中間層素子数
２０、出力層素子数１とし、出力は空燃比を表すＡ／Ｆ
値とした。入力に用いた信号は、燃料噴射量Ｇfk，Ｇ
fk-1，空燃比Ａ／Ｆk-1 ，吸気管内圧Ｐbk-1，エンジン
回転数ｎek-1，スロットル開度θk-1 とした。ここで、
出力のステップｋに対して入力が１ステップ前のものを
用いているのは、エンジンが構造的に１次遅れに近似で
きると考えているからで、２次以上の場合は２ステップ
以上前のデータを入力項として用いる。
【００２３】また、吸気管内圧Ｐbk-1，エンジン回転数
ｎek-1，スロットル開度θk-1 は、エンジン運転条件を
示すものであるため、学習時の条件として利用するが、
学習後のニューラルネットワークにとっては外乱扱いと
し、制御の入力には用いない。
ｎek-1，スロットル開度θk-1 は、エンジン運転条件を
示すものであるため、学習時の条件として利用するが、
学習後のニューラルネットワークにとっては外乱扱いと
し、制御の入力には用いない。
【００２４】図６のニューラルネットワークを図７のシ
ステム構成でエンジンのさまざまな運転点での学習を行
なう。学習の手法は、バックプロパゲーション学習法と
し、エンジンの一つの状態量であるＡ／Ｆ（教師信号）
に対してニューラルネットワークの出力であるＡ／Ｆと
の差異を低下させるように行なう。このとき、エンジン
の運転点、学習誤差許容値設定についてはさまざまな手
法があるが、ここでは学習ポイントは、１０ポイント程
度、学習回数は５００万回とし、誤差は０．００１程度
までの学習とした。この学習推移誤差曲線を図８に、ま
た学習後のニューラルネットワークの構造を図９に示
す。
ステム構成でエンジンのさまざまな運転点での学習を行
なう。学習の手法は、バックプロパゲーション学習法と
し、エンジンの一つの状態量であるＡ／Ｆ（教師信号）
に対してニューラルネットワークの出力であるＡ／Ｆと
の差異を低下させるように行なう。このとき、エンジン
の運転点、学習誤差許容値設定についてはさまざまな手
法があるが、ここでは学習ポイントは、１０ポイント程
度、学習回数は５００万回とし、誤差は０．００１程度
までの学習とした。この学習推移誤差曲線を図８に、ま
た学習後のニューラルネットワークの構造を図９に示
す。
【００２５】このように、様々な運転条件に対して学習
した結果できる図９のニューラルネットワークは、空燃
比Ａ／Ｆの観点で見るとエンジンモデルそのものとなっ
ている。
した結果できる図９のニューラルネットワークは、空燃
比Ａ／Ｆの観点で見るとエンジンモデルそのものとなっ
ている。
【００２６】次に、この学習したニューラルネットワー
クを制御に利用する方法について説明する。学習して求
めた図９のニューラルネットワークは、一種の非線形関
数ｆ nnと考えることができる。すなわち、 Ａ／Ｆk ＝ｆnn（Ｇfk，Ｇfk-1，Ａ／Ｆf-1 ，Ｐbk-1，
ｎek-1，θk-1) ここで、Ｐbk-1，ｎek-1，θk-1 は、外乱扱いとし、こ
の関数ｆnnを全微分すると、
クを制御に利用する方法について説明する。学習して求
めた図９のニューラルネットワークは、一種の非線形関
数ｆ nnと考えることができる。すなわち、 Ａ／Ｆk ＝ｆnn（Ｇfk，Ｇfk-1，Ａ／Ｆf-1 ，Ｐbk-1，
ｎek-1，θk-1) ここで、Ｐbk-1，ｎek-1，θk-1 は、外乱扱いとし、こ
の関数ｆnnを全微分すると、
【００２７】
【数２】 となる。これをブロック線図化すると図１０のようにな
る。
る。
【００２８】さらに、このブロック線図を状態方程式表
現にすると、
現にすると、
【００２９】
【数３】 となる。これを、行列式で表現すると、 Ｘk ＝ＰＸk-1 ＋ＱΔＧfk Ａ／ＦK ＝ＣＸK ここで、
【００３０】
【数４】 とした。この成分を、
【００３１】
【数５】 とする。
【００３２】上式で表されるシステムにフィードバック
行列ｆを用いた図１１のような制御系を構築することを
考える。
行列ｆを用いた図１１のような制御系を構築することを
考える。
【００３３】フィードバック行列 を決定する手法とし
て様々な方法があるが、本実施例では極指定法を用い
る。即ち、固有方程式｜λＩ−（ｐ＋ｑｆ）｜＝０の特
性根が複素平面上左半平面の任意の位置となるように、
フィードバック行列ｆを決定する。
て様々な方法があるが、本実施例では極指定法を用い
る。即ち、固有方程式｜λＩ−（ｐ＋ｑｆ）｜＝０の特
性根が複素平面上左半平面の任意の位置となるように、
フィードバック行列ｆを決定する。
【００３４】このようにして決めたｆ＝［ｆ１ ｆ２
ｆ３］に対して△Ｇfkを求め、最終制御値Ｇfkを決め
る。
ｆ３］に対して△Ｇfkを求め、最終制御値Ｇfkを決め
る。
【００３５】
【数６】
【００３６】この制御量△Ｇfkは、運転点の変化による
エンジン応答の非線形性に対応するために、本実施例で
は回転同期で求め、制御を実行する。
エンジン応答の非線形性に対応するために、本実施例で
は回転同期で求め、制御を実行する。
【００３７】このようにして、従来のように具体的な変
数とそのデータマトリックスまたは現代制御理論に基づ
くステップ応答等の実験によるパラメータ行列データ決
定のための実験、シミュレーションなどを行なうことな
しに、簡単な構造のニューラルネットワークを利用する
ことと、ニューラルネットワークのパラメータを用いた
区間線形近似による非線形ダイナミック空燃比制御によ
り、高精度な空燃比制御が実現できる。
数とそのデータマトリックスまたは現代制御理論に基づ
くステップ応答等の実験によるパラメータ行列データ決
定のための実験、シミュレーションなどを行なうことな
しに、簡単な構造のニューラルネットワークを利用する
ことと、ニューラルネットワークのパラメータを用いた
区間線形近似による非線形ダイナミック空燃比制御によ
り、高精度な空燃比制御が実現できる。
【００３８】図１２に学習後のニューラルネットワーク
によるＡ／Ｆ値の挙動（エンジン同定結果）を示し、図
１３に実エンジンにおける空燃比制御結果を示す。図１
２では、ＬＡＦセンサ出力値とニューラルネットワーク
の出力値としてのＡ／Ｆがよく一致しており、十分学習
すなわちエンジンシステムの同定ができていることがわ
かる。また、図１３に示すように、本実施例によればス
ロットル開閉時の空燃比の乱れをよく吸収していること
がわかる。
によるＡ／Ｆ値の挙動（エンジン同定結果）を示し、図
１３に実エンジンにおける空燃比制御結果を示す。図１
２では、ＬＡＦセンサ出力値とニューラルネットワーク
の出力値としてのＡ／Ｆがよく一致しており、十分学習
すなわちエンジンシステムの同定ができていることがわ
かる。また、図１３に示すように、本実施例によればス
ロットル開閉時の空燃比の乱れをよく吸収していること
がわかる。
【００３９】
【発明の効果】以上のように、本発明は、空燃比に関わ
るエンジンの非線形構造を階層型ニューラルネットワー
クで予め学習させ、この学習させたニューラルネットワ
ークを用いて燃料噴射量を制御することで、過渡時の燃
料量を補正し、目標空燃比とするようにしたので、エン
ジンのパラメータの特定、詳細動作応答などを実験等で
求め、制御式として記述するなどの手数を掛けることな
しに、比較的簡単な手法で、空燃比制御を高精度に行な
うことができるという効果を有する。
るエンジンの非線形構造を階層型ニューラルネットワー
クで予め学習させ、この学習させたニューラルネットワ
ークを用いて燃料噴射量を制御することで、過渡時の燃
料量を補正し、目標空燃比とするようにしたので、エン
ジンのパラメータの特定、詳細動作応答などを実験等で
求め、制御式として記述するなどの手数を掛けることな
しに、比較的簡単な手法で、空燃比制御を高精度に行な
うことができるという効果を有する。
【図１】本発明の第１の実施例における空燃比制御装置
の概念を示すブロック図
の概念を示すブロック図
【図２】本発明の第２の実施例における空燃比制御装置
の概念を示すブロック図
の概念を示すブロック図
【図３】本発明の第３の実施例における空燃比制御装置
の概念を示すブロック図
の概念を示すブロック図
【図４】本発明の実施例における具体例を示すエンジン
部分の概略構成図
部分の概略構成図
【図５】具体例における制御部分の概略ブロック図
【図６】具体例におけるニューラルネットワークの構成
を示す模式図
を示す模式図
【図７】具体例におけるニューラルネットワークの学習
方法を示すブロック図
方法を示すブロック図
【図８】具体例におけるニューラルネットワークの学習
推移曲線を示す特性図
推移曲線を示す特性図
【図９】具体例におけるニューラルネットワークの学習
後の構成を示す模式図
後の構成を示す模式図
【図１０】具体例におけるニューラルネットワークの全
微分型モデルのブロック線図
微分型モデルのブロック線図
【図１１】具体例におけるニューラルネットワークの閉
ループ系のブロック線図
ループ系のブロック線図
【図１２】（ａ）具体例における同定結果を示すスロッ
トルバルブ開時の特性図 （ｂ）具体例における同定結果を示すスロットルバルブ
閉時の特性図
トルバルブ開時の特性図 （ｂ）具体例における同定結果を示すスロットルバルブ
閉時の特性図
【図１３】（ａ）具体例における極指定法制御結果を示
すスロットルバルブ開時の特性図 （ｂ）具体例における極指定法制御結果を示すスロット
ルバルブ閉時の特性図
すスロットルバルブ開時の特性図 （ｂ）具体例における極指定法制御結果を示すスロット
ルバルブ閉時の特性図
【図１４】従来の空燃比制御装置における構成を示すブ
ロック図
ロック図
【図１５】（ａ）従来の空燃比制御装置におけるＰＩＤ
制御結果を示すスロットルバルブ開時の特性図 （ｂ）従来の空燃比制御装置におけるＰＩＤ制御結果を
示すスロットルバルブ閉時の特性図
制御結果を示すスロットルバルブ開時の特性図 （ｂ）従来の空燃比制御装置におけるＰＩＤ制御結果を
示すスロットルバルブ閉時の特性図
【図１６】従来の吸気内燃料付着モデルを示す模式図
１１、２１、３１ 内燃式のエンジン １２、２２、３２ センサ群 １３、２３、３３ 変換手段 １４、２４、３４ 微分係数同定手段（Ｎ．Ｎ） １５ 制御量算出手段 ２５、３５ 制御補正量算出手段 ２６、３６ データ群 ２７、３７ 演算手段 ２８、３８ 加算器（空燃比補正手段） ３９ 運転状態検知手段
Claims (10)
- 【請求項１】 内燃エンジンの各種状態量を検出するセ
ンサ群と、前記センサ群の各出力値をニューラルネット
ワークの入力項となるように変換する変換手段と、内燃
エンジンにおける一つの状態量である空燃比を、前記変
換手段で得られるニューラルネットワークの各入力項を
内部状態量とする非線形関数ｆnnで表し、このｆnnを前
記内部状態量で偏微分して得られる関数ＦNNの各係数を
前記ニューラルネットワークの出力から推定する微分係
数同定手段と、前記空燃比が目標空燃比となるように、
前記微分係数同定手段により得られるパラメータを用い
て、燃料噴射量または吸入空気量を算出する制御量算出
手段とを備えた空燃比制御装置。 - 【請求項２】 制御量算出手段が、制御量算出式をエン
ジン回転ステップごとに離散化したシステムとして表現
し、回転ステップごとに制御量算出を行なうことを特徴
とする請求項１記載の空燃比制御装置。 - 【請求項３】 内燃エンジンの各種状態量を検出するセ
ンサ群と、前記センサ群の各出力値および予め設定され
たデータ群から燃料噴射量または吸入空気量を演算する
演算手段と、前記センサ群の各出力値をニューラルネッ
トワークの入力項となるように変換する変換手段と、内
燃エンジンにおける一つの状態量である空燃比を、前記
変換手段で得られるニューラルネットワークの各入力項
を内部状態量とする非線形関数ｆnnで表し、このｆnnを
前記内部状態量で偏微分して得られる関数ＦNNの各係数
を前記ニューラルネットワークの出力から推定する微分
係数同定手段と、前記空燃比が目標空燃比となるよう
に、前記微分係数同定手段により得られるパラメータを
用いて、燃料噴射量または吸入空気量の制御補正量を算
出する制御補正量算出手段と、前記演算手段の出力を前
記制御補正量算出手段の出力で補正する空燃比補正手段
とを備えた空燃比制御装置。 - 【請求項４】 エンジンが所定の運転状態に有るかどう
かを検知する運転状態検知手段を有し、所定の運転状態
にあると検知されたときに、制御補正量算出手段により
燃料噴射量の補正または吸入空気量の補正を行なうこと
を特徴とする請求項３記載の空燃比制御装置。 - 【請求項５】 制御補正量算出手段が、制御補正量算出
式をエンジン回転ステップごとに離散化したシステムと
して表現し、回転ステップごとに制御補正量算出を行な
うことを特徴とする請求項３または４記載の空燃比制御
装置。 - 【請求項６】 センサ群が、少なくとも一つ以上の空燃
比センサを有することを特徴とする請求項１または３ま
たは４記載の空燃比制御装置。 - 【請求項７】 変換手段が、ニューラルネットワークの
入力項として、一部のセンサ群出力に対し、センサ出力
の差分値または少なくとも一つ以上前のサンプル値に変
換することを特徴とする請求項１または３または４記載
の空燃比制御装置。 - 【請求項８】 微分係数同定手段で用いられるニューラ
ルネットワークの入力項は、ｋステップ時の燃料噴射
量、ｋ−１ステップ時の燃料噴射量、ｋ−１ステップ時
の空燃比、ｋ−１ステップ時の吸気管内圧、ｋ−１ステ
ップ時のエンジン回転数、ｋ−１ステップ時のスロット
ル開度とすることを特徴とする請求項１または３または
４記載の空燃比制御装置。 - 【請求項９】 微分係数同定手段が、入力項である吸気
管内圧、エンジン回転数、スロットル開度を外乱として
扱い、非線形関数ｆnnを偏微分する内部状態量を、ｋス
テップ時の燃料噴射量、ｋ−１ステップ時の燃料噴射
量、ｋ−１ステップ時の空燃比とすることを特徴とする
請求項１または３または４記載の空燃比制御装置。 - 【請求項１０】 制御補正量算出手段が、ニューラルネ
ットワークの出力から推定された各偏微分係数を用い、
極指定法で制御サイクル毎に制御ゲインを決定すること
を特徴とする請求項３または４記載の空燃比制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06216169A JP3081115B2 (ja) | 1994-09-09 | 1994-09-09 | 空燃比制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06216169A JP3081115B2 (ja) | 1994-09-09 | 1994-09-09 | 空燃比制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0874636A true JPH0874636A (ja) | 1996-03-19 |
| JP3081115B2 JP3081115B2 (ja) | 2000-08-28 |
Family
ID=16684372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06216169A Expired - Fee Related JP3081115B2 (ja) | 1994-09-09 | 1994-09-09 | 空燃比制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3081115B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0810363A2 (en) * | 1996-05-28 | 1997-12-03 | Matsushita Electric Industrial Co., Ltd. | Air/fuel ratio control apparatus that uses a neural network |
| US5755212A (en) * | 1995-09-29 | 1998-05-26 | Matsushita Electric Industrial Co., Ltd. | Air-fuel ratio control system for internal combustion engine |
| US6678640B2 (en) | 1998-06-10 | 2004-01-13 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for parameter estimation, parameter estimation control and learning control |
| JP2007303351A (ja) * | 2006-05-10 | 2007-11-22 | Honda Motor Co Ltd | 内燃機関の空燃比制御装置 |
| WO2011001529A1 (ja) * | 2009-07-03 | 2011-01-06 | 本田技研工業株式会社 | 内燃機関の吸気制御装置 |
| JP2021156258A (ja) * | 2020-03-30 | 2021-10-07 | 株式会社豊田中央研究所 | モデル構築装置、モデル構築方法、エンジン制御パラメータ決定方法、及びエンジン |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3968234A1 (en) * | 2020-09-14 | 2022-03-16 | Universität Mannheim | Method, computer program product and system for optimising the use of an artificial neural network |
-
1994
- 1994-09-09 JP JP06216169A patent/JP3081115B2/ja not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5755212A (en) * | 1995-09-29 | 1998-05-26 | Matsushita Electric Industrial Co., Ltd. | Air-fuel ratio control system for internal combustion engine |
| EP0810363A2 (en) * | 1996-05-28 | 1997-12-03 | Matsushita Electric Industrial Co., Ltd. | Air/fuel ratio control apparatus that uses a neural network |
| EP0810363A3 (en) * | 1996-05-28 | 2000-05-31 | Matsushita Electric Industrial Co., Ltd. | Air/fuel ratio control apparatus that uses a neural network |
| US6678640B2 (en) | 1998-06-10 | 2004-01-13 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for parameter estimation, parameter estimation control and learning control |
| JP2007303351A (ja) * | 2006-05-10 | 2007-11-22 | Honda Motor Co Ltd | 内燃機関の空燃比制御装置 |
| JP4673787B2 (ja) * | 2006-05-10 | 2011-04-20 | 本田技研工業株式会社 | 内燃機関の空燃比制御装置 |
| WO2011001529A1 (ja) * | 2009-07-03 | 2011-01-06 | 本田技研工業株式会社 | 内燃機関の吸気制御装置 |
| JP2021156258A (ja) * | 2020-03-30 | 2021-10-07 | 株式会社豊田中央研究所 | モデル構築装置、モデル構築方法、エンジン制御パラメータ決定方法、及びエンジン |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3081115B2 (ja) | 2000-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR0160396B1 (ko) | 공연비제어장치 | |
| US5954783A (en) | Engine control system using combination of forward model and inverse model | |
| JP4975158B2 (ja) | プラントの制御装置 | |
| Won et al. | Air-to-fuel ratio control of spark ignition engines using Gaussian network sliding control | |
| US6236908B1 (en) | Virtual vehicle sensors based on neural networks trained using data generated by simulation models | |
| US6805095B2 (en) | System and method for estimating and controlling cylinder air charge in a direct injection internal combustion engine | |
| JP2551038B2 (ja) | 内燃機関の空燃比制御装置 | |
| KR960000439B1 (ko) | Ic 엔진 연료 분사용 자동 제어 시스템 | |
| EP0582085A2 (en) | Fuel metering control system and cylinder air flow estimation method in internalcombustion engine | |
| JPH0988685A (ja) | 内燃機関の空燃比制御装置 | |
| US8108123B2 (en) | Sliding mode control system for internal combustion engine | |
| CN109268159B (zh) | 稀薄燃烧汽油机燃空比系统控制方法 | |
| KR101032845B1 (ko) | 내연 기관 제어 방법 | |
| JP3081115B2 (ja) | 空燃比制御装置 | |
| Yoon et al. | An adaptive sliding mode controller for air-fuel ratio control of spark ignition engines | |
| Takahashi et al. | A simple engine model for idle speed control | |
| JP3508328B2 (ja) | 空燃比制御装置 | |
| Corde et al. | Air mass flow rate observer applied to SI AFR control | |
| JP2002309990A (ja) | 内燃機関の制御装置 | |
| Lennox et al. | Non-linear model-based predictive control of gasoline engine air-fuel ratio | |
| JP2016211504A (ja) | 内燃機関の制御装置 | |
| Yoon et al. | A nonlinear dynamic model of SI engines for designing controller | |
| JPH08200130A (ja) | 空燃比制御装置 | |
| JPH1182102A (ja) | 内燃機関の制御装置 | |
| JP3144264B2 (ja) | 空燃比制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |