JPH11224106A - パラメータ推定装置 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットワークを用いたパラメータ
推定装置において、学習時に用いた入力パラメータ値と
異なる入力パターンを受けた場合にも実用的な空燃比制
御等を行うことができ、ＮＮの安定性を保証すること。 【解決手段】 制御対象２１の非線形性と相関の強いパ
ラメータを選び、これをファジィ分割部２２においてフ
ァジィ理論を用いて比較的非線形性が弱くなるような複
数の制御領域に分割したものとし、ＮＮ演算部２３に
て、この分割された複数の制御領域毎に運転状態を表わ
すパラメータを入力とするＮＮを用いて処理し、積和演
算部２４にて上記制御対象の動特性Ｘを推定する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明はパラメータ推定装置
に関し、特にネットワーク自身に知識が蓄積され、ネッ
トワーク自体が目的や環境に適応して動作するニューラ
ルネットワークを用いてパラメータを推定する際に、推
定値を制御に用いた時の安定性の向上を図ったものに関
するものである。

【０００２】

【従来の技術】ニューラルネットワークを用いると、物
理系や化学系において入力と出力の因果関係を理論的に
導き出すことが困難な場合であっても、ネットワークの
学習機能に基づいて入力の値から出力の値を推定するこ
とが可能である。このことを利用してニューラルネット
ワークを複雑な制御系を制御する制御装置、特に、非線
形性が強く解析が困難な制御対象を制御する制御装置に
応用することが近年行われつつある。

【０００３】図２０に従来のニューラルネットワーク
（ＮＮ）の推定値算出方法を示す。制御対象１１の出力
をＹとし、その入力をＵとし、この入出力の時系列デー
タを含む制御対象１１の運転パラメータＺをＮＮ演算部
１２の入力として、状態Ｘを推定する。このＮＮは、例
えば、３層構造で、中間層および出力層の出力にシグモ
イド関数等の関数演算を施す。そして、この推定値Ｘを
用いて前記制御出力Ｙが目標値となるような制御量Ｕを
算出するように構成されている。

【０００４】このようなニューラルネットワークを用い
た制御装置として、例えば、自動車の内燃エンジンの空
燃比制御装置が挙げられる。自動車より排出される排気
ガス中に含まれる有毒ガスであるＮＯｘ，ＣＯ，ＨＣは
触媒を用いて低減させるという方法が採られ、例えば、
代表的な触媒として三元触媒が使用される。このような
触媒がこれらの有害ガスをより最も効果的に浄化するた
めには、空燃比を触媒が効果的に働くことのできる一定
値に保つ必要があり、このために空燃比を自動車の運転
状態にかかわらず一定に保つ空燃比制御が必要となるわ
けである。

【０００５】このような空燃比制御では、通常、スロッ
トル開度等の機械的な変化に応じて、燃料噴射量の増量
補正や、減量補正等を行うフィードフォワード制御が行
われ、さらにフィードバック制御も併用されている。こ
れらの制御は、エンジンのアイドル時や定速走行時など
の定常運転域においては良好な結果を得ることができ
る。しかし、加減速時などのエンジン運転の過渡状態に
おいては、空燃比センサの応答の遅れや、気筒内に実際
に流入する燃料量等が運転状態や外部環境により変化し
ていく等の解析困難な種々の要因により、空燃比を単純
なフィードフォワード制御やフィードバック制御のみで
一定値に保つのは現実には非常に困難である。

【０００６】そこで、空燃比制御の精度を向上させるた
めに、例えば、特開平３−２３５７２３号公報に示され
るように、上記燃料付着等の非線形要素をニューラルネ
ットワークにより学習させ、このニューラルネットワー
クを用いて燃料噴射量の補正量を過渡時の応答性能の向
上を図るように制御する制御装置が提案されている。

【０００７】ここで、上述したような構成を有する従来
のニューラルネットワークを用いた空燃比制御装置の一
例を図２１に示す。この空燃比制御装置は、状態検出部
２１０によりエンジンＥの状態を表す複数の物理量、こ
こではエンジンの回転数（Ｎｅ），吸入空気圧（Ｐ
ｂ），スロットル開度（ＴＨＬ），燃料噴射量（Ｇ
ｆ），吸入空気温（Ｔａ），冷却水温（Ｔｗ），空燃比
（Ａ／Ｆ）を検出し、ニューロ（ＮＮ）演算部２２０に
より、上記状態検出部２１０で検出した複数のパラメー
タを入力とし、エンジン運転の過渡時等において空燃比
センサでは検出できない真の空燃比（Ａ／Ｆｒ）挙動を
ニューラルネットワークにより推定する。そして、燃料
噴射量算出部２３０により、この推定された空燃比（Ａ
／Ｆ）の値と目標空燃比（Ａ／Ｆref ）との偏差を小さ
くするようにフィードバック制御により目的の空燃比を
実現する燃料噴射量（Ｇｂ）を算出する。

【０００８】このように、通常のセンサでは、応答遅れ
や、燃焼ガスの排気管内移動に際して生ずるシステム系
自体の遅れ無しには検出することができない，エンジン
運転の過渡状態等における空燃比（Ａ／Ｆ）の値を、ニ
ューラルネットワークを用いた推定処理により得ること
で、適正な空燃比の制御を行うことが可能となる。

【０００９】

【発明が解決しようとする課題】従来のパラメータ推定
装置は以上のように構成されており、ニューラルネット
ワークを用いた推定処理により、通常のセンサ等の出力
のみでは正常な空燃比を得ることができなかったエンジ
ン運転の過渡状態においても、良好な空燃比制御を行う
ことができるものであったが、上記のようなニューラル
ネットワークを用いた制御系では、制御系の安定性を必
ずしも保証することができない。すなわち、一般的なニ
ューラルネットワーク（以下ＮＮ）はブラックボックス
であり、その内部構造は明確にはなっておらず、理論的
に全ての入力に対して安定性を保証することはできてい
ない。つまり、個々の入力パラメータが学習領域内であ
ったとしても、学習時に用いた入力パラメータ値と異な
る入力パターンをＮＮの入力とした場合、そのＮＮ出力
が必ずしも正しい値（許容推定誤差内）を算出するとい
う理論的保証はできていない。図２２を用いて詳述する
と、ＮＮ１は得られたデータに従って学習された汎化性
のある正しく学習を行ったニューロであり、ＮＮ２は汎
化性がなく、少し入力パターンが異なると大きく出力が
変化する正しく学習を行っていないニューロである。よ
ってＮＮ出力を用いた制御系の安定性を保証することは
できないため、実用化できるレベルのＮＮ制御装置の開
発には、多大な検証実験を繰り返し行う必要があり、開
発工数が大きく、開発コスト、時間がかかるという点で
問題であった。

【００１０】また、全ての入力パターンに対するＮＮ出
力値のチェックを計算により行うことができるが、入力
数が多いＮＮ構成の場合には計算時間が膨大となり、実
用上計算によるチェックは不可能であり、そのため様々
な条件により複雑な挙動を示す対象、すなわち、本来も
っともＮＮが必要な制御対象に対しては、安定性を保証
する方法がないという問題点があった。

【００１１】そこでＮＮ制御の安定性を保証するため、
ニューロ出力を直接用いるのではなく、ニューロをオフ
ラインで制御ゲイン等のパラメータ設定ツールとして用
いる方法もあるが、制御対象のパラメータ変動に対する
ロバスト性（変動に対しても常に安定した出力が得られ
る特性）が低下するという問題点がある。

【００１２】また、ＮＮ出力にリミッタを設け、出力さ
れたデータを無効にする等の処理によって最悪な状態を
回避する方法もあるが、制御目的によっては、ＮＮ出力
がリミッタに掛かった状態でも、制御目標値をクリアで
きる制御系を設計しなければならいような場合があり、
ＮＮを使用するメリットが無くなってしまう。

【００１３】本発明は以上のような問題点を解消するた
めになされたもので、ニューラルネットワークを用いた
パラメータ推定装置において、従来、大規模なニューラ
ルネットワーク構成で精度よく表現できていた制御対象
を、複数の小さなＮＮ構成で高精度に表現することを可
能とし、安定性の解析を行うことができるパラメータ制
御装置を提供することを目的とする。

【００１４】

【課題を解決するための手段】この発明の請求項１にか
かるパラメータ推定装置は、ニューラルネットワークを
用いて制御対象の入出力に関係するパラメータを推定す
るパラメータ推定装置において、ファジィ演算の前件部
のパラメータとして上記制御対象の入出力特性のうち非
線形性と相関の強い１つ以上のパラメータを選び、上記
前件部のパラメータに基づいたファジィ分割により、上
記制御対象を複数の小さな領域に分割する制御領域分割
手段と、上記演算の後件部として、上記分割された制御
領域毎に運転状態を表すパラメータを入力としたニュー
ラルネットワークを用い、上記制御対象の動特性を推定
する推定手段とを備えたものである。

【００１５】また、この発明の請求項２にかかるパラメ
ータ推定装置は、ニューラルネットワークを用いて制御
対象の入出力に関係するパラメータを推定するパラメー
タ推定装置において、ファジィ演算の前件部のパラメー
タとして上記制御対象の入出力特性のうち非線形性と相
関の強い１つ以上のパラメータを選び、上記前件部のパ
ラメータに基づいたファジィ分割により、上記制御対象
を複数の小さな領域に分割する制御領域分割手段と、上
記演算の後件部として、上記分割された制御領域毎に運
転状態を表す複数のパラメータを、複数のニューラルネ
ットワークの入力となる所定個数の入力パラメータ群に
分割し、上記複数のニューラルネットワークの出力パラ
メータを、所定個数のパラメータ群に分割し、該記パラ
メータ群を入力とするニューラルネットワークを構成
し、１つのニューラルネットワーク出力となるまで上記
操作を繰り返し得られた複数のニューラルネットワーク
を組み合わせた構成のニューラルネットワークを学習
し、上記各入力パラメータ群に対する各ニューラルネッ
トワーク出力値を用いてマップを作成するマップ作成部
と、上記作成された各マップを上記ニューラルネットワ
ーク構成と同じ組み合わせ方で合成するマップ合成部と
を有し、該マップ合成部から出力されたマップ値を用い
て上記制御対象の動特性を推定する推定手段とを備えた
ものである。

【００１６】また、この発明の請求項３にかかるパラメ
ータ推定装置は、上記請求項２記載のパラメータ推定装
置において、上記学習されるニューラルネットワーク構
成は、２入力１出力の３層構造のネットワークを複数個
組み合わせた構成としたものである。

【００１７】また、この発明の請求項４にかかるパラメ
ータ推定装置は、上記請求項２記載のパラメータ推定装
置において、上記後件部の演算に用いられるニューラル
ネットワーク構成をマップ化する時のマップ格子点を決
定する際に、ニューラルネットワークの最大微分係数
と、推定誤差の許容値とにより格子点幅を算出して決定
するようにしたものである。

【００１８】また、この発明の請求項５にかかるパラメ
ータ推定装置は、ニューラルネットワークを用いて制御
対象の入出力に関係するパラメータを推定するパラメー
タ推定装置において、学習されたニューラルネットワー
ク出力の突発的変化をノイズと判定し、上記ニューラル
ネットワーク出力にフィルタを掛けたものを推定値とし
て用いるようにしたものである。

【００１９】また、この発明の請求項６にかかるパラメ
ータ推定装置は、上記請求項５記載のパラメータ推定装
置において、上記ニューラルネットワーク学習に用いる
教師信号は、予めフィルタ特性を考慮に入れ、その位相
およびゲインを調整して与えられるものである。

【００２０】また、この発明の請求項７にかかるパラメ
ータ推定装置は、上記請求項６記載のパラメータ推定装
置において、上記教師信号の位相およびゲインの調整
を、出力に用いるフィルタの逆モデルを元の教師信号に
掛けて新たな教師信号とすることで行うようにしたもの
である。

【００２１】また、この発明の請求項８にかかるパラメ
ータ推定装置は、ニューラルネットワークを用いて制御
対象の入出力に関係するパラメータを推定するパラメー
タ推定装置において、ファジィ演算の前件部のパラメー
タとして上記制御対象の入出力特性のうち非線形性と相
関の強い１つ以上のパラメータを選び、上記前件部のパ
ラメータに基づいたファジィ分割により、上記制御対象
を複数の小さな領域に分割する制御領域分割手段と、上
記演算の後件部として、上記分割された制御領域毎に上
記制御対象の入力および制御出力それぞれの時系列デー
タを入力としたニューラルネットワークを用い、上記制
御対象の動特性を推定する推定手段とを備えたものであ
る。

【００２２】また、この発明の請求項９にかかるパラメ
ータ推定装置は、ニューラルネットワークを用いて制御
対象の入出力に関係するパラメータを推定するパラメー
タ推定装置において、ファジィ演算の前件部のパラメー
タとして上記制御対象の入出力特性のうち非線形性と相
関の強い１つ以上のパラメータを選び、上記前件部のパ
ラメータに基づいたファジィ分割により、上記制御対象
を複数の小さな領域に分割する制御領域分割手段と、上
記演算の後件部として、上記分割された制御領域毎に上
記制御対象の入力およびニューラルネットワーク出力そ
れぞれの時系列データを入力としたニューラルネットワ
ークを用い、上記制御対象の動特性を推定する推定手段
とを備えたものである。

【００２３】また、この発明の請求項１０にかかるパラ
メータ推定装置は、ニューラルネットワークを用いて制
御対象の入出力に関係するパラメータを推定するパラメ
ータ推定装置において、ファジィ演算の前件部のパラメ
ータとして上記制御対象の入出力特性のうち非線形性と
相関の強い１つ以上のパラメータを選び、上記前件部の
パラメータに基づいたファジィ分割により、上記制御対
象を複数の小さな領域に分割する制御領域分割手段と、
上記演算の後件部として、上記分割された制御領域毎に
制御対象の入力および推定器により推定した制御出力推
定値それぞれの時系列データを入力としたニューラルネ
ットワークを用い、上記制御対象の動特性を推定する推
定手段とを備えたものである。

【００２４】また、この発明の請求項１１にかかるパラ
メータ推定装置は、ニューラルネットワークを用いて制
御対象の入出力に関係するパラメータを推定するパラメ
ータ推定装置において、ファジィ演算の前件部のパラメ
ータとして上記制御対象の入出力特性のうち非線形性と
相関の強い１つ以上のパラメータを選び、上記前件部の
パラメータに基づいたファジィ分割により、上記制御対
象を複数の小さな領域に分割する制御領域分割手段と、
上記演算の後件部として、上記分割された制御領域毎に
制御対象の入力および制御出力、もしくは推定値のそれ
ぞれの時系列データを少なくとも含む運転状態パラメー
タを入力としたニューラルネットワークを用い、上記制
御対象の動特性を推定する推定手段とを備えたものであ
る。

【００２５】また、この発明の請求項１２にかかるパラ
メータ推定装置は、上記請求項８ないし１１のいずれか
に記載のパラメータ推定装置において、上記ニューラル
ネットワークの中間層と出力層に用いている非線形関数
ｆ（ｘ）を２つの線形関数で表現することにより、上記
ニューラルネットワークの動特性を上記線形関数のパラ
メータと、およびニューラルネットワークの結合係数の
積和演算から得られる係数で表現されるモデルとで与
え、該モデルを用いて制御系を設計するようにしたもの
である。

【００２６】また、この発明の請求項１３にかかるパラ
メータ推定装置は、上記請求項１２記載のパラメータ推
定装置において、上記ニューラルネットワークの中間層
と出力層に用いる非線形関数ｆ（ｘ）を表現する２つの
線形関数の一つを非線形関数の最大微分係数αを傾きと
する原点を通る直線であり、もう一つが傾きβの原点を
通る直線で与えられるものとしたものである。

【００２７】また、この発明の請求項１４にかかるパラ
メータ推定装置は、上記請求項１２記載のパラメータ推
定装置において、上記原点を通る直線の傾きβを、０≦
β≦αを満たし、β＝（ｆ（ｘ１））／ｘ１で与えられ
るものとしたものである。

【００２８】

【発明の実施の形態】以下、図面を参照しながら本発明
にかかるパラメータ推定装置について説明する。 実施の形態１．図１は本実施の形態１にかかるパラメー
タ推定装置の概略構成を示す模式図であり、図におい
て、２１は入力Ｕに対する出力をＹとする制御対象、２
５は制御対象から取り出されたパラメータ（Ｚ１）を入
力とし、この制御領域をファジィ理論を用いて複数の制
御領域に分割する（以下、ファジィ分割ともいう）ファ
ジィ分割部２２と、複数のニューラルネットワークＮＮ
１〜ＮＮｋからなるニューラルネットワーク部２３から
なるファジィ−ＮＮ演算部である。また、２４は上記ニ
ューラルネットワーク部２３により各制御領域毎に演算
されたＮＮ出力値と、上記ファジィ分割部２２の分割情
報値（適合度）とを、所定のもの同士を乗算した後、こ
の乗算されたものと他の領域とを加算するシーケンスを
行う積和演算部である。

【００２９】次に動作について説明する。制御対象２１
の非線形性と相関の強い１つ以上のパラメータＺ１をフ
ァジィ−ニューロ（以下ＮＮ）演算２５中の前件部パラ
メータとして選び、この前件部パラメータに基づくファ
ジィ分割部２２の領域分割処理により、上記制御対象２
１をファジィ理論により区画された複数の領域毎に分割
し、後件部は前記分割された領域毎に運転状態を表すパ
ラメータＺ２を入力としたニューラルネットワーク２３
（ＮＮ１，ＮＮ２・・・，ＮＮｋ）を用いて、前記制御
対象の動特性Ｘを、領域の適合度および各ＮＮ出力の積
和演算２４により推定する。ここで、パラメータＺ１，
Ｚ２は同じパラメータを含んでいてもよいものとする。

【００３０】図２に本発明のファジィ（分割）−ＮＮ演
算２５の推定値算出フローチャートを示す。ステップ３
０１においてｉ＝１での各パラメータの初期値を設定
し、ステップ３０２でファジィによる運転領域の分割時
に用いる前件部パラメータｘ１，ｘ２，・・・ｘｎを読
み込む。ステップ３０３でルールｉに対する各パラメー
タの適合度ｗｉ(i=1,2,・・・ｒ) を算出し、ステップ３０
４からステップ３０７において、各ルールｉの後件部で
あるＮＮｉの演算を行う。

【００３１】すなわち次の数式１のルールに対する適合
度ｗｉを求め、後件部によりＮＮｉを算出する。

【００３２】

【数１】

【００３３】ここで、ｒは規則数、Ｍはファジィ集合、
ｘ1 〜ｘｎは前件部パラメータ そしてステップ３０８において推定値Ｘを次の数式２に
より算出する。

【００３４】

【数２】

【００３５】図３に、制御システムの構成図を示す。図
に示すように、制御対象４１から状態パラメータZ を検
出し、ファジィ分割ＮＮ４２により状態Ｘを推定する。
この状態Ｘをフィードバックして補償器４３に入力する
ように構成することにより、制御対象４１からの出力Ｙ
が目標値となる入力Ｕを算出する。このような制御構成
とすることにより、推定器であるＮＮ構成が小さなファ
ジィ分割ＮＮの出力チェックを事前に行うことが可能と
なるため、全運転領域の推定誤差が許容値以内となる状
態Ｘの推定器が得られ、リミッタ等を設けることなく制
御系の安定性を保証することが可能となる。

【００３６】以上のような構成とすることで、大規模な
ＮＮ構成時ではＮＮ出力の机上チェックが時間的に不可
能であったものが、ファジィ分割により、小規模のＮＮ
に分割するファジィ分割ＮＮ表現にすることにより、推
定精度は保持しつつ、かつＮＮ出力を実用上問題のない
時間内で机上チェックすることが可能となる。

【００３７】以下に、一例として、本パラメータ制御装
置を空燃比制御装置に適応した場合について具体的に説
明を行う。ファジィ分割により、エンジンの運転状態
が、運転パラメータの一部から予め設定した当該一部の
パラメータの各範囲により定まる領域のいずれに、どの
程度属するのかを判定する。ここでは領域を定めるパラ
メータとして、エンジン回転数（Ｎｅ），吸入空気圧
（Ｐｂ），吸入空気温（Ｔａ），冷却水温（Ｔｗ）を用
いるものとし、この４つのパラメータにより構成される
４次元空間において、予め区分けした領域のいずれに、
どの程度該当するのか、すなわち、適合度合いを算出す
る。これらのパラメータの選択は入力パラメータのう
ち、空燃比との関係で非線形性の傾向が大きいものが選
ばれることになる。

【００３８】ここでは４次元空間における「領域」を用
いるので、これを図示することができないが、仮に上記
パラメータのうちエンジン回転数（Ｎｅ）と、吸入空気
圧（Ｐｂ）の２つのパラメータにより、領域を分けるも
のとすれば、例えば、領域は図４のように分けることが
できる。図４ではエンジン回転数（Ｎｅ）と、吸入空気
圧（Ｐｂ）の範囲をそれぞれ３つに分けることで、領域
を９つに分けている。すなわち、４次元空間における領
域は、４次元空間内で各パラメータ毎に区分けした範囲
の交わりに囲まれる各部分を意味する。なお、パラメー
タの数により空間の次元は定まり、パラメータが１つの
場合は直線上の範囲となるが、ここではこれも領域とい
うものとする。

【００３９】また、説明を簡単にするために、ここでは
領域を定めるパラメータを、エンジン回転数（Ｎｅ）と
吸入空気圧（Ｐｂ）の２つにして、図５のようにエンジ
ン回転数（Ｎｅ）と吸入空気圧（Ｐｂ）をそれぞれ、小
さい（Ｓ），中くらい（Ｍ），大きい（Ｂ）の３つに分
割して、大雑把にＤ1 〜Ｄ9 の境界を有する曖昧な９つ
の領域に分けるものとする。

【００４０】上記Ｄ1 〜Ｄ9 の各領域は、ファジィルー
ルにより次のように表せる。 ルール１：Ｉf Ｎｅ＝Ｓ and Ｐｂ＝Ｓ Ｔhen ＮＮ１＝ｆNN1 ルール２：Ｉf Ｎｅ＝Ｍ and Ｐｂ＝Ｓ Ｔhen ＮＮ２＝ｆNN2 ルール３：Ｉf Ｎｅ＝Ｂ and Ｐｂ＝Ｓ Ｔhen ＮＮ３＝ｆNN3 ルール４：Ｉf Ｎｅ＝Ｓ and Ｐｂ＝Ｍ Ｔhen ＮＮ４＝ｆNN4 ・・・（ α） ルール５：Ｉf Ｎｅ＝Ｍ and Ｐｂ＝Ｍ Ｔhen ＮＮ５＝ｆNN5 ・・・（ β） ルール６：Ｉf Ｎｅ＝Ｂ and Ｐｂ＝Ｍ Ｔhen ＮＮ６＝ｆNN6 ルール７：Ｉf Ｎｅ＝Ｓ and Ｐｂ＝Ｂ Ｔhen ＮＮ７＝ｆNN7 ルール８：Ｉf Ｎｅ＝Ｍ and Ｐｂ＝Ｂ Ｔhen ＮＮ８＝ｆNN8 ルール９：Ｉf Ｎｅ＝Ｂ and Ｐｂ＝Ｂ Ｔhen ＮＮ９＝ｆNN9 また、エンジン回転数（Ｎｅ）と吸入空気圧（Ｐｂ）の
各変数のメンバシップ関数をそれぞれ、図６（ａ），図
６（ｂ）のような三角型であるものとする。なお、メン
バシップ関数は三角型の他、釣り鐘型や台形型等種々の
ものを採用することができる。

【００４１】今、例えば、エンジン回転数（Ｎｅ）の値
が１０００rpm であり、吸入空気圧（Ｐｂ）の値が−３
００mmHgであるとする。これらの値より以下のようなフ
ァジィ分割による各ルールの適合度を求める。

【００４２】図６（ａ），（ｂ）のメンバシップ関数よ
り、エンジン回転数（Ｎｅ）および吸入空気圧（Ｐｂ）
のそれぞれの適合度は以下のようになる。 Ｎｅ： Ｓ＝０．８， Ｍ＝０．２， Ｂ＝φ Ｐｂ： Ｓ＝φ， Ｍ＝１， Ｂ＝φ これらより、上記ファジィ制御ルールに適合できると考
えられる組み合わせを求めると、上記（α），（β）を
記したものであり、ＭＩＮ演算により（α）になること
の適合度は、Ｓ＝０．８（Ｎｅ），Ｍ＝１（Ｐｂ）よ
り、ｗ4 ＝０．８であり、また、（β）になることの適
合度は、Ｍ＝０．２（Ｎｅ），Ｍ＝１（Ｐｂ）より、ｗ
5 ＝０．２となる。また、他のルールの適合度はゼロで
ある。よって、各ルールの適合度が求められたので、以
下の数式３により推定器の出力である空燃比推定値Ａ／
Ｆnnが算出できる。

【００４３】

【数３】

【００４４】各領域毎のニューロｆNNｉは小さな構成で
あるため、机上チェックが可能であり、上記空燃比推定
値を用いたフィードバック制御により、目標空燃比に安
定に、かつ高精度に制御を行うことが可能となる。

【００４５】このように本実施の形態１によれば、制御
対象の非線形性と相関の強いパラメータを選び、これを
ファジィ理論を用いて比較的非線形性が弱くなるような
複数の制御領域に分割したものとし、この分割された複
数の制御領域毎に運転状態を表わすパラメータを入力と
するＮＮを用いて処理するようにしたので、後件部は小
さなＮＮ構成で表現することが可能となり、机上でのチ
ェックを行うことができ、ひいては制御系の安定化を図
ることが可能となる。

【００４６】実施の形態２．次に本発明の実施の形態２
によるパラメータ推定装置について説明する。上記実施
の形態１では、制御領域をファジィ理論を用いた分割に
より、後件部に小さなＮＮ構成を配置することで、机上
で実用的なＮＮ出力の異常値チェックを行い、高い推定
精度を得て制御系の安定性を保証する手法について述べ
たが、制御対象によっては算出時間が現実的に利用不可
能なＮＮ構成にしか分割できない可能性もある。そこ
で、本実施の形態では、多入力ニューロを複数の組み合
わせで構成し学習を学習済みの個々のニューロをマップ
に落とし込むことで、安定性を保証する方法を提案す
る。

【００４７】図７は本実施の形態のパラメータ推定装置
の基本構成を示す機能ブロック図であり、図に示すよう
に、制御対象１１１の非線形性と相関の強い１つ以上の
パラメータＺ１を前件部パラメータとし、その制御対象
を領域毎にファジィ分割部１１２によってファジィ理論
に基づく分割を行い、後件部パラメータは、運転状態を
表すパラメータＺ２を入力としたＮＮ学習により得られ
たＮＮ構成を多次元マップ１１３により表現する。

【００４８】このような処理を行うことにより、ファジ
ィ−ＮＮマップ構成で制御対象の非線形性を精度よく表
現でき、かつ、出力のチェックを行わなくても安定性が
保証できるパラメータ推定器等を実現することが可能と
なる。

【００４９】以下、前記ＮＮを多次元マップに落とし込
む方法について、図８を用いて説明する。図８（ａ）に
示すように、従来の大規模ＮＮ構成のパラメータ入力が
Ｉ1〜Ｉ6 であったとする。この時、図８（ｂ）に示す
以下のファジィルールを考える。

【００５０】

【数４】

【００５１】ここで、Ｚ１＝（Ｉ１，Ｉ２，Ｉ３），Ｚ
２＝（Ｌ１，Ｌ２，Ｌ３） ＮＮｋは、２入力１出力の３層構造ニューロＮＮAk、お
よびＮＮBkの２つのニューロ構成を組み合わせた構成で
表される。すなわち、後件部で学習されるニューラルネ
ットワーク構成は、２入力１出力の３層構造のネットワ
ークを複数個組み合わせた構成で表現されることにな
る。このファジィ分割ＮＮ構成で学習されたＮＮｋを順
次他のマップに落とし込む。ここで、ＮＮAk，ＮＮBkは
２入力１出力のため２次元のマップＡk 、マップＢk に
それぞれ落とし込むことができる。

【００５２】この時、マップの格子幅は、ニューラルネ
ットワークの出力を、個々の入力パラメータで全微分し
たもので最大となる、最大微分係数を用いる方法により
決定する。以下、一例を図９を用いて説明する。ニュー
ラルネットワークＮＮAkを考えると、入力はＬ１，Ｌ２
であり、それぞれ最大微分係数と誤差の許容値より算出
した格子幅を△L1, △L2とすると、マップの格子点は、
Ｌ１，Ｌ２の最小値Ｌ１min 、Ｌ２min と、最大値Ｌ１
MAX 、Ｌ２MAX の間を△L1、△L2の幅で分割して与えら
れる。そして、マップの値Ｘijは学習されたＮＮAkに入
力Ｌ１＝Ｌ１min ＋ｉ^* △L1、Ｌ２＝Ｌ２min ＋ｊ^* △
L2を入れたときのＮＮAkの出力値で与える。すなわち、
Ｘｉｊ＝ＮＮAk（Ｌ１ｉ、Ｌ２ｊ）で与える。このよう
にして、ＮＮｋをマップｋに落とし込むことができ、以
下のルールにより推定値Ｘを算出して制御に使用する。

【００５３】

【数５】

【００５４】ここで、マップｋは２次元マップＡk 、マ
ップＢk の２つのマップを組み合わせた構成で表され
る。

【００５５】このように本実施の形態２によれば、従来
ニューロをマップに落とし込む方法に明確な指針がな
く、精度を保証するマップ作成は試行錯誤が必要で非常
に困難であったものが、ニューラルネットワークの構成
を２入力１出力の小さなＮＮの組み合わせとすることに
より、複数のマップに落とし込むことができ、かつ最大
微分係数と推定誤差の許容値より格子点幅を算出して決
定することにより、推定誤差を保証できるマップを作成
することが可能となる。さらに、マップ間の出力は線形
補間により得られるため、安定性の保証も可能となる。

【００５６】実施の形態３．次に本発明の実施の形態３
によるパラメータ推定装置について説明する。制御対象
によっては、ＮＮ出力が急変する可能性があるため、Ｎ
Ｎ安定性を保証することができない。そこで、上述した
ように、安定性を保証するため全入力の組み合わせにお
ける出力チェックが考えられるが、大規模なＮＮ構成で
は入力パラメータの全パターンチェックは不可能であ
り、また比較的小さなＮＮ構成でも推定精度の許容誤差
が小さい場合はチェックに多大な時間を要する。そこ
で、本実施の形態では、学習されたニューラルネットワ
ーク出力の突発的変化をノイズと考え、前記ニューラル
ネットワーク出力にフィルタＦ（ｚ）を掛けたものを推
定値として用いることにより、安定性を保証する方法を
提案することを目的とする。

【００５７】図１０は本実施の形態３によるパラメータ
推定装置の基本構成を示す機能ブロック図であり、図に
示すように、制御対象１４１からの運転状態パラメータ
Ｉを入力とし、ＮＮ演算部１４２により推定値Ｘnnを算
出する構成となっている。この推定値ＸnnをフィルタＦ
（ｚ）１４３に通し、Ｘ^* nnを推定し、この値を用いて
補償器１４４により、制御出力Ｙが目標値となる制御量
Ｕを算出する。

【００５８】図１１を用いて上記ＮＮの学習方法につい
て説明する。ＮＮ学習に用いる教師信号は、予めフィル
タ特性を考慮に入れ、位相およびゲインを調整して与え
る。すなわち、上記教師信号の位相およびゲインの調整
方法として、出力に用いるフィルタＦ（ｚ）１４３の逆
モデルを従来の教師信号に掛け、新たな教師信号とする
次の数式６により与えられる。

【００５９】

【数６】

【００６０】よって、ＮＮ学習は、出力である推定値Ｘ
nnがＸ^* teach となるように進められる。これにより、
ＮＮ演算部１４２で出力される突発的変化のノイズを含
んだＮＮ出力値ＸnnにフィルタＦ（ｚ）を掛けてノイズ
を除去しても、位相遅れのない推定値Ｘ^* nnを得ること
ができるため、フィルタによる制御系の位相遅れを改善
することができる。

【００６１】なお、ニューラルネットワーク学習に用い
る教師信号は、予めフィルタ特性を考慮に入れ、その位
相およびゲインを調整して与えるようにしたが、制御対
象の遅れも考慮に入れた次の数式７で与えることによ
り、応答性能を向上させることができる。

【００６２】

【数７】

【００６３】ここでＨ（ｚ）はフィルタＦへの入力から
制御対象の出力までの動特性を表す伝達関数であり、制
御対象とフィルタの遅れを考慮に入れた関数である。

【００６４】このように本実施の形態３によれば、ＮＮ
の突発的な変化をノイズと考え、ＮＮ出力にフィルタＦ
（ｚ）１４３を掛けたものを推定値として用いるように
したことにより、推定値の位相等の伝播タイミングを遅
らすことなく、突発的変化のみを効果的に除去すること
ができ、大幅な制御性能劣化が生じるのを防ぐことが可
能となる。

【００６５】実施の形態４．次に本発明の実施の形態４
によるパラメータ制御装置について説明する。上述した
ように、制御対象のある状態量を推定するＮＮの出力値
をフィードバック制御する系の、安定な制御ゲインを算
出する方法は、ＮＮはブラックボックスであるためな
い。そこで、本実施の形態では、ＮＮ入力項パラメータ
を、制御対象の入力Ｕおよび制御出力Ｙのみの時系列デ
ータで表現し、安定なＮＮ推定値フィードバックゲイン
を、ＮＮの重み係数を用いて理論的に決定する方法を提
案することを目的とする。

【００６６】図１２は本実施の形態によるパラメータ推
定装置の構成を示す機能ブロック図であり、図に示すよ
うに、時系列データ作成手段１６３を用いて、制御対象
１６１の入力Ｕおよび出力Ｙの時系列データを格納し、
ＮＮ演算部１６２の入力データ列を作成する。ＮＮ演算
部１６２において前記制御対象１６１の入出力時系列デ
ータの入力データ列を入力とし、ある運転状態パラメー
タを出力する。ここでは、上記制御対象１６１の出力値
Ｙの推定値Ｙｎｎを推定する。この推定値Ｙｎｎを用
い、補償器１６４において目標値Ｙtargetとなる制御入
力Ｕを算出する。制御入力Ｕは、例えば、次の数式８で
演算される。

【００６７】

【数８】

【００６８】ここで、ＮＮ推定値フィードバック制御系
として安定となるような制御ゲインＫｐ，Ｋｉ，Ｋｄを
求める方法について、以下に説明する。図１４に示すＮ
Ｎ構成について、ＮＮの安定解析可能なモデル化手法を
説明する。このＮＮの入力パラメータは制御対象の入力
と出力の時系列データのみから構成されており、次の数
式９で表される。

【００６９】

【数９】

【００７０】ここで 関数 ｆ（ｘ）＝ｔａｎｈ
（ｘ）：正接シグモイド関数 入力Ｉj ＝［Y(k),Y(k-1),・・・,Y(k-m+1),U(k),U(k-1),・
・・,U(k-n+1) ］' １≦ｊ≦Ｎj （Ｎj ＝ｍ＋ｎ） Ｗｊｉは入力から中間層への結合係数 １≦ｉ≦Ｎi （Ｎi ：中間層素子数） Ｖｉは中間層から出力への結合係数 である。今、説明を簡単にするため、図１５に示すよう
な、ｍ＝ｎ＝１のｊ＝２、かつ、ｉ＝０、すなわち２入
力、１出力で、中間層のないＮＮ構成を考える。

【００７１】

【数１０】

【００７２】ここで、非線形関数ｆ（ｙ）＝（２／（１
＋ｅｘｐ（−ｙ／Ｔ））−１は、図１６に示すように、
２つの直線で挟むことができる。すなわち、

【００７３】

【数１１】

【００７４】ここで、ｇ１，ｇ２は関数ｆの最小、最大
微分係数で次の数式１２で与えられる。

【００７５】

【数１２】

【００７６】これより、非線形関数ｆは次式で表すこと
ができる。

【００７７】

【数１３】

【００７８】但し

【００７９】

【数１４】

【００８０】よって、

【００８１】

【数１５】

【００８２】ここで、A1=g1*w1=0 , A2=g2*w1=w1/(2T) B1=g1*w2=0 , B2=g2*w2=w2/(2T) Ｙtarget＝０のレギュレータ問題を考えると、制御入力
演算は次のように行われる。

【００８３】

【数１６】

【００８４】よって、ニューロ制御の設計は数式１６の
Ｆi を求める問題である。上記数式１５、数式１６よ
り、ニューロ制御系全体のモデルは次式となる。

【００８５】

【数１７】

【００８６】よって、上式の安定条件をリアプノフの安
定定理より導出することができる。以下の２式の条件を
満たす正定対称行列Ｐ（Ｐ＞０）が存在するならば、数
式１７で表されるニューロシステムは大域的漸近安定で
ある。

【００８７】

【数１８】

【００８８】

【数１９】

【００８９】例えば、線形行列不等式（ＬＭＩ：Linear
Matrix Inequalities）に基づく解法により、上記２つ
の式を同時に満たすＦｉを求めることができる。以上の
方法によりニューロシステムの安定解析が可能となる。
同様に図１７の２入力、２中間層素子数、１出力のニュ
ーロも以下の式で表すことができる。関数ｆは全て異な
ると仮定している。

【００９０】

【数２０】

【００９１】同様にｍ，ｎを拡張することにより、図１
７に示すＮＮのダイナミクスは次の数式で表すことがで
きる。

【００９２】

【数２１】

【００９３】ここで、

【００９４】

【数２２】

【００９５】であるので未知パラメータである。しか
し、中間層は線形で、出力のみ非線形関数で表されるＮ
Ｎであれば一意に決まるパラメータである。よって、数
式１５と同等の式に変換でき、ニューロ制御の安定性が
数式１８、数式１９により検証が可能となる。

【００９６】しかし、ｈｉは未知パラメータで、その上
限と下限値のみしか分からないため、ニューロにおける
安定性判別はかなり保守的な結果となる。何故ならニュ
ーロをファジィモデルで表現するときに、非線形関数ｆ
を２直線の値で表現する方法を採ったため、図１８に示
すように、この２直線の間に存在する非線形関数全てに
おいて安定である条件を導出してしまうからである。よ
って、関数ｆをシグモイド関数で与えた場合、本来は安
定であるにも拘わらず、不安定であると判別されてしま
う恐れがある。

【００９７】これに対し、できるだけ判別精度を向上さ
せるためには、例えば、非線形関数に入る値がある値以
下であるとすると、図１９に示すように、２直線の幅を
狭めることができる。ちなみに、２直線が重なるときが
線形関数で与えることと同じであり、このときは線形式
で表現ができるため、厳密に安定性判別が可能となる。

【００９８】以下に、本実施の形態によるパラメータ推
定装置の一例として、空燃比制御装置に適用した場合を
例にとって具体的に説明を行う。ニューロで表現できた
エンジン動特性を示す非線形関数が数式２１の形で表現
可能であれば、リアプノフの安定性定理よりループの安
定性の検討が可能となる。

【００９９】安定性を検討するためには、ニューロの入
力項は制御対象の入出力の時系列データが含まれた形で
表現しなければならない。もしＹ（ｋ）が観測できず、
入力項に含むことができなければ、ダイナミクスを持っ
たＮＮとはならず、静的なＮＮとなるため、安定性を議
論することはできないからである。ニューロの入力項を
制御対象の入出力に時系列データのみで表現するため
に、本発明の実施の形態１で述べたファジィ−ＮＮ構成
を用いる。

【０１００】すなわち、非線形性が強く、運転領域の大
きな制御対象を１つのニューロで表現しようとすると、
大規模なＮＮ構成（入力数、中間層数、中間層素子数が
大）となってしまう。そこで、運転領域や運転状態を表
すパラメータをファジィモデルの前件部パラメータと
し、運転領域もしくは状態をファジィ理論を用いて分割
する。そして、後件部、すなわち、分割された領域毎に
小さな規模のＮＮ構成を持ち、個々のＮＮ推定値をファ
ジィ推論により結びつけることにより、出力の推定値を
得ることができる。

【０１０１】

【数２３】

【０１０２】ここで、ｒは規則数、Ｍはファジィ集合、
z1〜zpは前件部パラメータである。今、ｚ１＝Ｎｅ（回
転数）、ｚ２＝Ｐｂ（吸入空気圧）とすると、上記ＮＮ
iは数式２１の形で表現でき、上記の推論結果は次式で
表すことができる。

【０１０３】

【数２４】

【０１０４】また、メンバシップ関数の特性上、

【０１０５】

【数２５】

【０１０６】今、数式２４に対する補償器を次式で与え
る。

【０１０７】

【数２６】

【０１０８】このとき、推論は次のように行われる。

【０１０９】

【数２７】

【０１１０】ファジィ−ＮＮ制御器の設計は数式２７の
Ｆi を求める問題である。数式２４，数式２７より、フ
ァジィ−ＮＮ制御系全体のモデルは次式となる。

【０１１１】

【数２８】

【０１１２】よって、前述と同様、数式１８，数式１９
より、上式の安定条件を満たすＦｉを導出することがで
きる。このように本実施の形態４によれば、ＮＮ入力項
パラメータを、制御対象の入力Ｕおよび、制御出力Ｙの
みの時系列データで表現し、リアプノフの安定解析手法
に基づいた制御系設計を行うことにより、安定なＮＮ推
定値フィードバックゲインを、ＮＮの重み係数を用い理
論的に決定することができる。

【０１１３】実施の形態５．次に本実施の形態５による
パラメータ制御装置について説明する。上述のように制
御対象によっては、制御出力Ｙを計測するセンサがな
い、もしくはその出力が得られない不活性期間を有する
場合がある。このように、制御対象からの出力Ｙ（ｔ）
が観測不可能な場合、制御対象Ｙの時系列データを用い
ることができないため、ニューロ入力項に制御対象の出
力を含むことができず、ダイナミクスを持たない静的な
ＮＮとなってしまい、安定性を議論することはできな
い。そこで、本実施の形態５では、直接制御対象の出力
が観測できない場合でも、ＮＮにダイナミクスを持たせ
て安定性解析を行うことを目的とする。

【０１１４】図１３に本実施の形態５によるパラメータ
制御装置の機能ブロック図を示し、図に示されるよう
に、オブザーバ２３２により、制御対象２３１からの運
転状態パラメータＺを用いて、制御出力の推定値Ｙobを
算出し、時系列データ作成手段２３３により、制御対象
２３１の入力Ｕ、および前記オブザーバ２３２の出力Ｙ
obの時系列データを格納してＮＮ演算部２３４の入力デ
ータ列を作成する。ＮＮ演算部２３４において前記制御
対象の入出力時系列データの入力データ列を入力とし、
ある運転状態パラメータを出力する。ここでは、前記制
御対象２３１の出力値Ｙの推定値Ｙｎｎを推定するよう
に構成されている。この推定値Ｙｎｎを用い、補償器２
３５において、目標値Ｙtargetとなる制御入力Ｕを算出
する。制御入力Ｕは、例えば、次式で演算される。

【０１１５】

【数２９】

【０１１６】ここで、ＮＮ推定値フィードバック制御系
として安定となるような制御ゲインＫｐ，Ｋｉ，Ｋｄ
は、前述と同様、数式１８、数式１９より、安定条件を
満たすＦｉを導出することにより得られる。なおここで
は、出力Ｙの推定値をオブザーバ２３２により推定する
構成としたが、前記ＮＮ演算部２３４の出力であるＹｎ
ｎを前記時系列データ作成手段２３３にフィードバック
する、リカレント型のＮＮ構成としてもよい。

【０１１７】さらに、ＮＮ演算部２３４の入力データを
入・出力Ｕ，Ｙの時系列データとしてきたが、制御対象
の入力Ｕおよび制御出力Ｙ、もしくは推定値Ｙｏｂ、あ
るいはまた、Ｙｎｎのそれぞれの時系列データを少なく
とも入力として含む、ＮＮ構成であれば、他の運転パラ
メータが入力に入っていてもよい。この場合、前記数式
２３，数式２４で表されたプラントルールは次式とな
る。

【０１１８】

【数３０】

【０１１９】以上より、制御対象２３１の出力Ｙが観測
不可能な場合でも、出力Ｙの推定値Ｙob、またはＮＮ出
力値Ｙnnを用いてＮＮ入力項とすることにより、出力Ｙ
が観測可能な場合と同様に安定性解析が可能となる。さ
らに、ＮＮ入力項を制御対象の入出力データのみで与え
ることができない場合でも、外乱項として考えることに
より、安定性解析が可能となる。

【０１２０】以下、一例として、本実施の形態５による
パラメータ推定装置を空燃比制御装置に適用した場合を
例にとって具体的に説明を行う。エンジンの始動時等、
空燃比センサが活性化していないときは、出力ＹをＮＮ
入力として用いることができないこととなる。そこで、
出力Ｙを他の運転状態パラメータを用いて推定し、ＮＮ
入力として用いることになる。今、吸入空気重量Ｇａｉ
ｒは、次式で近似できることが分かっている。

【０１２１】

【数３１】

【０１２２】これより、燃料噴射量Ｇｆと、Ｇａｉｒか
ら出力である空燃比Ａ／Ｆを次式により推定することが
できる。

【０１２３】

【数３２】

【０１２４】以上より、推定値Ｙobを用いることによ
り、ＮＮ推定精度が得られ、安定解析を行うことが可能
となる。

【０１２５】このように本実施の形態５によれば、出力
Ｙが観測不可能な場合でも、出力Ｙの推定値Ｙobまたは
ＮＮ出力値Ｙnnを用いてＮＮ入力項とすることにより、
出力Ｙが観測可能な場合と同様に安定性解析が可能とな
る。さらに、ＮＮ入力項を制御対象の入出力データのみ
で与えることができない場合でも、外乱項として考える
ことにより、安定性解析が可能となり、従来試行錯誤で
決定していた、安定なＮＮ推定値フィードバックゲイン
の値をＮＮの重み係数を用いた計算により決定すること
ができる。

【０１２６】

【発明の効果】以上のように本発明にかかるパラメータ
推定装置によれば、演算の前件部としてファジィ理論を
用いて制御領域を複数の小さな制御領域に分割すること
により、演算の後件部における推定器であるＮＮ構成が
小さくなり、ＮＮの出力チェックが事前に可能なものと
なるため、全運転領域の推定誤差が許容値以内となる状
態Ｘが得られるようになり、リミッタ等を設けることな
く制御系の安定性保証が可能となるという効果がある。

【０１２７】また、ニューラルネットワークの構成を２
入力１出力等の小さなＮＮの組み合わせとなるようにし
たので、ニューラルネットワーク構成を複数のマップに
順次落とし込んで演算を行うことができ、かつ、最大微
分係数と推定誤差の許容値より格子点幅を算出して決定
することにより、推定誤差を保証できるマップ作成が可
能となるとともに、マップ間の出力は線形補間により得
られるため、安定性保証も可能となるという効果があ
る。

【０１２８】また、ニューラルネットワーク学習に用い
る教師信号を、予めフィルタ特性や制御対象の遅れも考
慮に入れ、その位相およびゲインを調整して与えられ
た，学習したＮＮ出力に、フィルタを掛けるようにした
ので、推定値の位相等を遅らせることなく、突発的変化
のみを除去することができ、大幅な制御性能の劣化を防
ぐことができるという効果がある。

【０１２９】また、ＮＮ入力項パラメータを、制御対象
の入力および制御出力のみの時系列データとし、中間層
および出力層の非線形関数を２つの線形関数で表現する
ようにしたので、ＮＮモデルを、安定解析可能なモデル
に変換することができ、安定なＮＮ推定値フィードバッ
クゲインをＮＮの重み係数を用い理論的に決定すること
ができ、さらに、非線形関数に入る値が設定値以下とな
るよう、制御領域毎に設定値を設けるようにしたので、
前記２つの線形関数の幅を狭めることができ、判別結果
が保守的となることを防ぐことが可能となるという効果
がある。

【０１３０】また、制御対象からの出力が観測不可能な
場合でも、出力の推定値またはＮＮ出力値を用いてＮＮ
入力項とするようにしたので、出力が観測可能な場合と
同様に安定性の解析が可能となり、ＮＮ入力項を制御対
象の入出力データのみで与えることができない場合で
も、外乱項としてこれを考えることにより、安定性の解
析が可能となり、従来、試行錯誤で決定していた、安定
なＮＮ推定値フィードバックゲインの値をＮＮの重み係
数を用いた計算により決定することができるという効果
がある。

【図面の簡単な説明】

【図１】本発明の実施の形態１に係るパラメータ推定装
置の構成を示す機能ブロック図である。

【図２】上記実施の形態１によるパラメータ推定装置を
構成するファジィ（分割）−ＮＮ演算の推定値を算出す
る際のフローチャートを説明するための図である。

【図３】上記実施の形態１によるパラメータ推定装置を
用いた制御システムの構成図である。

【図４】上記実施の形態１によるパラメータ推定装置を
空燃比制御装置に適用した場合の制御領域の分け方の一
例を示す図である。

【図５】上記実施の形態１によるパラメータ推定装置を
空燃比制御装置に適用し、ファジィ推論規則を適用する
ため、エンジン回転数（Ｎｅ）と吸入空気圧（Ｐｂ）を
パラメータに用いた場合の領域分けの一例を示す図であ
る。

【図６】エンジン回転数のメンバシップ関数を示す図
（図６（ａ））、および吸入空気圧（Ｐｂ）のメンバシ
ップ関数を示す図（図６（ｂ））である。

【図７】本発明の実施の形態２に係るパラメータ推定装
置の構成を示す機能ブロック図である。

【図８】上記実施の形態２によるパラメータ推定装置に
よるＮＮマップ化の手法を説明するための図である。

【図９】上記実施の形態２に係るパラメータ推定装置に
よるマップ化の一例を示す図である。

【図１０】本発明の実施の形態３に係るパラメータ推定
装置の構成を示す機能ブロック図である。

【図１１】上記実施の形態３に係るパラメータ推定装置
のＮＮ学習方法を説明するための図である。

【図１２】本発明の実施の形態４に係るパラメータ推定
装置の構成を示す機能ブロック図である。

【図１３】本発明の実施の形態５に係るパラメータ推定
装置の構成を示す機能ブロック図である。

【図１４】上記実施の形態４に係るパラメータ推定装置
の安定解析を説明するためのＮＮ構成を示す図である。

【図１５】上記実施の形態４に係るパラメータ推定装置
の安定解析を説明するためのＮＮ構成を示すさらなる図
である。

【図１６】上記実施の形態４に係るＮＮ非線形関数を説
明するための図である。

【図１７】上記実施の形態４に係るＮＮ非線形関数を説
明するための、２入力、２中間層素子数、１出力のニュ
ーロの構成図である。

【図１８】上記実施の形態４に係るパラメータ推定装置
のＮＮ非線形関数を説明するための図である。

【図１９】上記実施の形態４に係るパラメータ推定装置
のＮＮ非線形関数を説明するためのさらなる図である。

【図２０】従来のニューラルネットワークの構成を示す
ブロック図である。

【図２１】従来のニューラルネットワークを用いた空燃
比制御装置の構成を示す機能ブロック図である。

【図２２】従来のニューラルネットワークを用いたパラ
メータ制御装置の問題点を説明するための図である。

【符号の説明】

１１ 制御対象 １２ ＮＮ演算部 ２２ ファジィ分割 ２３ ＮＮ演算部 ２４ 積和演算 ２５ ファジィ−ＮＮ演算 ４２ ファジィ分割ＮＮ ４３ 補償器 １１３ マップｋ １４３ フィルタＦ（ｚ） １６３ 時系列データ作成部 ２３２ オブザーバ ２１０ 状態検出部 ２３０ 燃料噴射量算出部 Ｅ エンジン

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｇ０６Ｆ 15/18 ５５０ Ｇ０６Ｆ 15/18 ５５０Ｅ

Claims (14)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークを用いて制御対
   象の入出力に関係するパラメータを推定するパラメータ
   推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
   の入出力特性のうち非線形性と相関の強い１つ以上のパ
   ラメータを選び、上記前件部のパラメータに基づいたフ
   ァジィ分割により、上記制御対象を複数の小さな領域に
   分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
   運転状態を表すパラメータを入力としたニューラルネッ
   トワークを用い、上記制御対象の動特性を推定する推定
   手段とを備えたことを特徴とするパラメータ推定装置。
2. 【請求項２】 ニューラルネットワークを用いて制御対
   象の入出力に関係するパラメータを推定するパラメータ
   推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
   の入出力特性のうち非線形性と相関の強い１つ以上のパ
   ラメータを選び、上記前件部のパラメータに基づいたフ
   ァジィ分割により、上記制御対象を複数の小さな領域に
   分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
   運転状態を表す複数のパラメータを、複数のニューラル
   ネットワークの入力となる所定個数の入力パラメータ群
   に分割し、上記複数のニューラルネットワークの出力パ
   ラメータを、所定個数のパラメータ群に分割し、該パラ
   メータ群を入力とするニューラルネットワークを構成
   し、１つのニューラルネットワーク出力となるまで上記
   操作を繰り返し得られた複数のニューラルネットワーク
   を組み合わせた構成のニューラルネットワークを学習
   し、上記各入力パラメータ群に対する各ニューラルネッ
   トワーク出力値を用いてマップを作成するマップ作成部
   と、該作成された各マップを上記ニューラルネットワー
   ク構成と同じ組み合わせ方で合成するマップ合成部とを
   有し、該マップ合成部から出力されたマップ値を用いて
   上記制御対象の動特性を推定する推定手段とを備えたこ
   とを特徴とするパラメータ推定装置。
3. 【請求項３】 請求項２記載のパラメータ推定装置にお
   いて、 上記学習されるニューラルネットワーク構成は、２入力
   １出力の３層構造のネットワークを複数個組み合わせた
   構成のものであることを特徴とするパラメータ推定装
   置。
4. 【請求項４】 請求項２記載のパラメータ推定装置にお
   いて、 上記後件部の演算に用いられるニューラルネットワーク
   構成をマップ化する時のマップ格子点を決定する際に、
   ニューラルネットワークの最大微分係数と、推定誤差の
   許容値とにより格子点幅を算出して決定することを特徴
   とするパラメータ推定装置。
5. 【請求項５】 ニューラルネットワークを用いて制御対
   象の入出力に関係するパラメータを推定するパラメータ
   推定装置において、 学習されたニューラルネットワーク出力の突発的変化を
   ノイズと判定し、上記ニューラルネットワーク出力にフ
   ィルタを掛けたものを推定値として用いることを特徴と
   するパラメータ推定装置。
6. 【請求項６】 請求項５記載のパラメータ推定装置にお
   いて、 上記ニューラルネットワーク学習に用いる教師信号は、
   予めフィルタ特性を考慮に入れ、その位相およびゲイン
   を調整して与えられるものであることを特徴とするパラ
   メータ推定装置。
7. 【請求項７】 請求項６記載のパラメータ推定装置にお
   いて、 上記教師信号の位相およびゲインの調整を、出力に用い
   るフィルタの逆モデルを元の教師信号に掛けて新たな教
   師信号とすることで行うことを特徴とするパラメータ推
   定装置。
8. 【請求項８】 ニューラルネットワークを用いて制御対
   象の入出力に関係するパラメータを推定するパラメータ
   推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
   の入出力特性のうち非線形性と相関の強い１つ以上のパ
   ラメータを選び、上記前件部のパラメータに基づいたフ
   ァジィ分割により、上記制御対象を複数の小さな領域に
   分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
   上記制御対象の入力および制御出力それぞれの時系列デ
   ータを入力としたニューラルネットワークを用い、上記
   制御対象の動特性を推定する推定手段とを備えたことを
   特徴とするパラメータ推定装置。
9. 【請求項９】 ニューラルネットワークを用いて制御対
   象の入出力に関係するパラメータを推定するパラメータ
   推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
   の入出力特性のうち非線形性と相関の強い１つ以上のパ
   ラメータを選び、上記前件部のパラメータに基づいたフ
   ァジィ分割により、上記制御対象を複数の小さな領域に
   分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
   上記制御対象の入力およびニューラルネットワーク出力
   それぞれの時系列データを入力としたニューラルネット
   ワークを用い、上記制御対象の動特性を推定する推定手
   段とを備えたことを特徴とするパラメータ推定装置。
10. 【請求項１０】 ニューラルネットワークを用いて制御
    対象の入出力に関係するパラメータを推定するパラメー
    タ推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
    の入出力特性のうち非線形性と相関の強い１つ以上のパ
    ラメータを選び、上記前件部のパラメータに基づいたフ
    ァジィ分割により、上記制御対象を複数の小さな領域に
    分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
    制御対象の入力および推定器により推定した制御出力推
    定値それぞれの時系列データを入力としたニューラルネ
    ットワークを用い、上記制御対象の動特性を推定する推
    定手段とを備えたことを特徴とするパラメータ推定装
    置。
11. 【請求項１１】 ニューラルネットワークを用いて制御
    対象の入出力に関係するパラメータを推定するパラメー
    タ推定装置において、 ファジィ演算の前件部のパラメータとして上記制御対象
    の入出力特性のうち非線形性と相関の強い１つ以上のパ
    ラメータを選び、上記前件部のパラメータに基づいたフ
    ァジィ分割により、上記制御対象を複数の小さな領域に
    分割する制御領域分割手段と、 上記演算の後件部として、上記分割された制御領域毎に
    制御対象の入力および制御出力、もしくは推定値のそれ
    ぞれの時系列データを少なくとも含む運転状態パラメー
    タを入力としたニューラルネットワークを用い、上記制
    御対象の動特性を推定する推定手段とを備えたことを特
    徴とするパラメータ推定装置。
12. 【請求項１２】 請求項８ないし１１のいずれかに記載
    のパラメータ推定装置において、 上記ニューラルネットワークの中間層と出力層に用いて
    いる非線形関数ｆ（ｘ）を２つの線形関数で表現するこ
    とにより、上記ニューラルネットワークの動特性を上記
    線形関数のパラメータと、ニューラルネットワークの結
    合係数の積和演算から得られる係数で表現されるモデル
    とで与え、該モデルを用いて制御系を設計することを特
    徴とするパラメータ推定装置。
13. 【請求項１３】 請求項１２記載のパラメータ推定装置
    において、 上記ニューラルネットワークの中間層と出力層に用いる
    非線形関数ｆ（ｘ）を表現する２つの線形関数の一つが
    非線形関数の最大微分係数αを傾きとする原点を通る直
    線であり、もう一つが傾きβの原点を通る直線で与えら
    れるものであることを特徴とするパラメータ推定装置。
14. 【請求項１４】 請求項１２記載のパラメータ推定装置
    において、 上記原点を通る直線の傾きβは、０≦β≦αを満たし、
    β＝（ｆ（ｘ１））／ｘ１で与えられるものであること
    を特徴とするパラメータ推定装置。