JPH11328144A - ファジィニューラル回路網の最適化方法 - Google Patents

Abstract

(57)【要約】 【課題】 従来のファジィニューラル回路網の最適化に
係る問題点を解決し、短時間で自動的に出力情報に最適
な入力情報の種類及び組み合わせを得ることができるフ
ァジィニューラル回路網の最適化方法を提供すること。 【解決手段】 本発明に係るファジィニューラル回路網
に最適化方法は、ファジィ推論による推論値の計算過程
をニューラル回路網の構造で構成し、ファジィ推論にお
いて同定又は調整すべきパラメータをニューラル回路網
の結合荷重に対応づけすると共に、学習により結合荷重
を更新することによりファジィルール及び／又はメンバ
ーシップ関数の調整を行うファジィニューラル回路網に
おいて、予め、少なくともファジィニューラル回路網の
入力データとなり得る複数の入力候補データを用意し、
遺伝的アルゴリズムを用いて、少なくとも各入力候補デ
ータの採用の有無に関する情報をコーディングして複数
の個体とし、かつ、これら個体を推定精度に基づいて遺
伝的アルゴリズムで進化させていくことにより、少なく
ともファジィニューラル回路網の入力データの数及び種
類を最適化する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ファジィニューラ
ル回路網の最適化方法の改良に関する。

【０００２】

【従来の技術】従来から、人間の判断のようなあいまい
さを含むアルゴリズムをif-then型のファジィルールに
より言語的に記述できるファジィ推論と、学習機能によ
り結合係数を更新することで任意の入出力関係を同定で
きるニューラル回路網とを融合し、両者の利点を併せ持
つファジィニューラル回路網を構成することは行われて
いる。上記したファジィニューラル回路網では、ファジ
ィ推論における前件部メンバーシップ関数をシグモイド
関数等により実現し、この前件部メンバーシップ関数の
中心位置、傾き及びファジィルールの出力値を、ニュー
ラル回路網の結合荷重に対応させており、これにより、
バックプロバケーション法等の学習法を用いてメンバー
シップ関数の形状の修正等ができるようにしていた。

【０００３】

【発明が解決しようとする課題】上記したように構成さ
れたファジィニューラル回路網は、バックプロバケーシ
ョン法等の学習法を用いてメンバーシップ関数の形状の
修正等ができるため、推定したい出力情報に対して、ど
のような入力情報を使っても、その入力情報の範囲で学
習により最適化できるという利点はあるが、どのような
入力情報を使えば、推定したい出力情報がより最適なも
のになるかは設計者が判断しなければならなかった。こ
のため、設計者は、推定すべき出力情報に対して最適と
思われる入力情報をその出力情報に関連すると思われる
情報の中から選択しなければならないが、ファジィニュ
ーラル回路網を用いて推定を行うべき出力情報は、例え
ば、エンジン制御における吸入空気量のように直接検出
するにはエアフロメータ等の高価がセンサを必要とする
情報や、燃料噴射装置から噴射した燃料が吸気管壁等に
付着する割合又は付着した燃料が蒸発する速度等のよう
に直接検出することが極めて困難なものや、センサの共
有を図るためにセンシング対象以外の情報から推定を行
いたい情報等、様々な情報があり、当然、出力情報毎
に、それに関連する情報も様々なものがあるため、これ
らの関連情報の中から、他の入力情報との組み合わせま
での考慮して入力情報として最適なものを選択するのは
非常に困難な作業であり、真に最適な入力情報の種類及
び組み合わせを得るためには、多大な時間と労力が必要
とされる。このため、出力情報に対する入力情報の種類
及び組み合わせは、従来は設計者の経験及び知識に基づ
いて決められているが、その種類及び組み合わせが必ず
しも最適なもとのは限らないという問題があった。本発
明は、上記した従来のファジィニューラル回路網の最適
化に係る問題点を解決し、短時間で自動的に出力情報に
最適な入力情報の種類及び組み合わせを得ることができ
るファジィニューラル回路網の最適化方法を提供するこ
とを目的としている。

【０００４】

【課題を解決するための手段】上記した目的を達成する
ために、本発明に係るファジィニューラル回路網の最適
化方法は、ファジィ推論による推論値の計算過程をニュ
ーラル回路網の構造で構成し、ファジィ推論において同
定又は調整すべきパラメータをニューラル回路網の結合
荷重に対応づけすると共に、学習により結合荷重を更新
することによりファジィルール及び／又はメンバーシッ
プ関数の調整を行うファジィニューラル回路網におい
て、予め、少なくともファジィニューラル回路網の入力
データとなり得る複数の入力候補データを用意し、遺伝
的アルゴリズムを用いて、少なくとも各入力候補データ
の採用の有無に関する情報をコーディングして複数の個
体とし、かつ、これら個体を推定精度に基づいて遺伝的
アルゴリズムで進化させていくことにより少なくともフ
ァジィニューラル回路網の入力データの数及び種類を最
適化することを特徴とするものである。

【０００５】

【発明の実施の形態】以下、添付図面に示した幾つかの
実施例を参照して、本発明に係るファジィニューラル回
路網の最適化方法の実施の形態について説明する。始め
に、図１〜図１５を用いて本発明に係るファジィニュー
ラル回路網の最適化方法を採用したエンジンの空燃比制
御の第１の実施例について説明していく。図１は、エン
ジン１と本発明に係るファジィニューラル回路網の最適
化方法を採用した空燃比制御を実行可能な制御装置１０
との関係を示す概略図である。エンジン１は、吸気管２
に設けられたエアクリーナ（図示せず）及び燃料噴射装
置３を介してシリンダ４の燃焼室内に混合気を導入し、
燃焼後の排気ガスを排気管５を介して大気中に排気する
４サイクルエンジンである。制御装置１０は、燃料噴射
装置３の燃料噴射量を操作して排気ガス中の空燃比の値
を制御するものである。この制御装置１０は、図１に示
すように、吸気管２に設けられており、クランクケース
６に設けられたクランク角センサ１１、シリンダブロッ
ク７に設けられたエンジン温度センサ１２ 排気管５に設けられた空燃比センサ１３及び吸気管２
に、該制御装置１０と一体に（又は別体に）設けられた
吸気管負圧センサ１４、雰囲気温度センサ１５、吸気管
壁温センサ１６で検出されるデータを入力し、これらの
データに基づいて、燃料噴射装置４の操作量（即ち、噴
射信号）を決定して出力すると共に、それを構成する内
部モデルの学習や評価等が行えるように構成されてい
る。

【０００６】図２は、制御装置１０の構成を示す概略ブ
ロック図である。制御装置１０は、クランク角センサ１
１から得られるクランク角信号に基づいてエンジン回転
数を算出するエンジン回転数算出部と、吸気管負圧セン
サ１４から得られる吸気負圧情報を後述するモデルベー
ス制御部で使用可能なデータに加工するデータ加工部
と、該データ加工部で加工されたデータ、エンジン回転
数、吸気管壁温センサ１６から得られる吸気管壁面温度
情報、及び空燃比センサ１３から得られる排気空燃比を
入力し、これらの入力情報に基づいて燃料噴射装置３に
対する噴射信号を決定するモデルベース制御部とを備え
ている。

【０００７】図３は、前記エンジン回転数算出部の構成
を示す概略ブロック図であり、この図面に示すように、
エンジン回転数算出部は、周期測定部でクランク角信号
を周期を測定した後、その周期を周期／回転数変換部で
エンジン回転数に変換するように構成されている。

【０００８】図４は、前記データ加工部の構成を示す概
略ブロック図であり、この図面に示すように、このデー
タ加工部は、１行程平均圧力算出部で吸気圧力から１行
程の平均圧力を算出すると共に、１行程最低圧力算出部
で１行程中で最低の圧力を算出し、これらのデータ（１
行程平均圧力及び１行程最低圧力）を出力するよう構成
されている。

【０００９】図５は、モデルベース制御部の構成を示す
概略ブロック図である。図面に示すように、このモデル
ベース制御部は、吸気管内の空気の挙動をモデル化した
空気系順モデルを構成する吸入空気量推定部と、燃料噴
射装置から噴射される燃料の挙動をモデル化した燃料系
順モデルを構成する吸入燃料量推定部と、吸入空気量推
定部及び吸入燃料量推定部で推定された推定吸入空気量
と推定吸入燃料量とに基づいて推定空燃比を算出する推
定空燃比演算部とを備えている。また、このモデルベー
ス制御部は、前記推定吸入空気量に基づいて目標空燃比
を算出する目標空燃比算出部、及びこの目標空燃比算出
部で得られる目標空燃比と前記推定空燃比とに基づいて
燃料噴射装置の噴射燃料量（即ち、燃料噴射装置に対す
る噴射信号）を算出し、エンジンの燃料噴射装置及び吸
入燃料量推定部に出力する内部フィードバック演算部を
備えており、さらに、推定空燃比、推定吸入空気量、実
際の排気空燃比及びエンジン回転数を入力し、これらに
基づいて、吸入空気量推定部及び吸入燃料量推定部の学
習データを算出する学習信号算出部を備えている。

【００１０】図６は吸入空気量推定部の内部構成を示す
図である。図面に示すように、吸入空気量推定部は、セ
ンシング対象である吸入空気量以外のエンジンの運転状
態に関するデータ（１行程間の平均吸気圧力及び最低吸
気圧力、エンジン回転数）を入力し、センシング対象で
ある吸入空気量の推定値を出力するファジィニューラル
回路網から成る。このファジィニューラル回路網は、６
つの処理層を備えたファジィニューラル回路網で構成さ
れ、第１層から第４層までで前件部を構成し、第５層及
び第６層で後件部を構成している。各入力情報は、各々
次式で定義されるメンバーシップ関数に分割されてお
り、シグモイド関数の中心位置を表すパラメータｗｃと
傾きを表すパラメータｗｇを結合係数として、第１層か
ら第４層までの前件部を構成している。 また、後件部は前件部のメンバーシップ関数の数に対応
するファジィルールに分割され、これらのファジィルー
ルの出力は各々結合荷重ｗｆで表され、各結合荷重ｗｆ
と対応する前件部メンバーシップ関数のグレードとの積
和を求め、この値がファジィ推論の重心法による推定
値、即ち、推定吸入空気量として出力される。上記した
吸入空気量推定部を構成するファジィニューラル回路網
における入力情報の数及び種類、メンバーシップ関数の
中心位置、傾きを表す結合荷重ｗｃ及びｗｇ、及び各入
力情報に対するメンバーシップ関数の数は、これらの情
報を遺伝子とした遺伝的アルゴリズムにより後件部結合
荷重ｗｆとの関係を考慮しながら最適化される。また、
制御実行中は、学習信号算出部で得られる学習信号２に
基づいて結合荷重ｗｆを学習可能にし、かつ、学習信号
算出部で得られる学習信号１に基づいてファジィニュー
ラル回路網の出力（推定吸入空気量）に対する補正係数
を学習可能にしている。尚、前記補正係数は坂道走行時
等の環境変化に応じてファジィニューラル回路網の出力
を補正する係数である。

【００１１】ここで、吸入空気量推定部を構成するファ
ジィニューラル回路網における入力情報の数及び種類、
メンバーシップ関数の中心位置及び傾きを表す結合荷重
ｗｃ及びｗｇの値を遺伝的アルゴリズムで決定する最適
化処理について説明する。図７は、遺伝的アルゴリズム
によるファジィニューラル回路網の最適化処理の流れを
示すフローチャートである。始めに、図８に示すよう
に、吸入空気量推定部を構成するファジィニューラル回
路網における入力情報の数及び種類、メンバーシップ関
数の中心位置、傾きを表す結合荷重ｗｃ及びｗｇ、及び
メンバーシップ関数の数を遺伝子としてコーディングし
て複数（例えば、１００個）の個体から成る第１世代を
生成する（ステップ１）。ここで、入力情報について
は、予めファジィニューラル回路網の入力情報として用
いる入力候補データを複数用意しておき、これら入力候
補データの使用／未使用を表すデータ（本実施例の場
合、”０”が未使用、”１”が使用）を遺伝子として用
いる。吸入空気量を推定するための入力候補データとし
ては、例えば、１行程間平均吸気圧力、１行程間最低吸
気圧力、１行程間最大吸気圧力、特定クランク角度での
吸気圧力、最低圧力から最高圧力までの変化時間、最高
圧力から最低圧力までの変化時間、最高圧力と最低圧力
との差圧、吸気脈動の振幅、及び吸気脈動の周期等が考
えられるが、これらの入力候補データは、最適化処理で
それが入力情報として適するか否かが判断されるので、
センシング及び加工可能なデータであれば任意のデータ
でよい。また、遺伝子としてコーディングするメンバー
シップ関数の数に関する情報は、各入力情報に対応する
ように用意され得る。次に、ステップ１で生成された複
数の個体の一つで、ファジィニューラル回路網の入力情
報及び結合係数を固定して、ファジィニューラル回路網
で吸入空気量の推定値を求めると共に、実際の吸入空気
量をエアフロメータ等のセンサを用いて検出し、推定値
と実測値との誤差が小さくなるように、即ち、推定精度
が高くなるようにＢＰ法（バックプロパゲーション法）
により規定回数、後件部結合荷重ｗｆの学習を行わせる
（ステップ２）。このステップ２の処理を全ての個体に
対して行った後、各固体毎に推定値と実測値との差に基
づく評価値を算出する（ステップ３）。全ての個体の評
価値を算出した後、評価が一番高い個体（エリート個
体）の誤差が許容値より小さいか否かを判断し（ステッ
プ４）、誤差が許容値より小さければファジィニューラ
ル回路網が最適化されたと判断して、最適化処理を終了
し、ファジィニューラル回路網の入力情報及び結合係数
をそのエリート個体を構成する遺伝子で固定する。この
ステップ４の判断で、誤差が許容値より大きい場合に
は、ファジィニューラル回路網が最適化されていないと
判断して、第１世代の個体の中から次世代を生成するた
めの二つの親個体を選択する（ステップ５）。親個体の
選択は、ステップ３で求めた評価値を基にして、評価値
の高い個体ほど親個体として選択される確率が高くなる
ルーレット選択により行われ得る。親個体の選択が終わ
ると、選択された親個体を交叉させて、再び複数の子個
体を生成し、これを第２世代とする（ステップ６）。
尚、個体間の交叉には、１点交叉、２点交叉正規分布交
叉等の手法を用いる。また、この時、例えば第１世代の
個体数が１００個の場合には、親個体の交叉によって生
成される子個体は９９個とし、それに第１世代のエリー
ト個体を加えて第２世代の１００個の子個体を生成して
もよい。このように、前世代のエリート個体を破壊せず
に次世代の残すことにより、最適化に必要な時間が短く
なるという効果を奏する。また、生成された複数の子個
体に対して一定の確立で、ランダムに遺伝子の値を変更
し、遺伝子の突然変異を発生させる（ステップ７）。上
記した処理により、第２世代を生成した後、再びステッ
プ２からの最適化処理を繰り返す。以上説明した、最適
化処理は、吸入空気量の推定値（ファジィニューラル回
路網の出力）と実測値との誤差が許容値以下になるまで
繰り返し行われ、これにより、吸入空気量を推定するた
めの最適な入力情報及び結合係数が自動的に決定され
る。

【００１２】再び、モデルベース制御部の各処理部の構
成の説明に戻る。図９は、吸入燃料量推定部の内部構成
を示す図である。この吸入燃料量推定部は、燃料噴射装
置から噴射された燃料の挙動を、噴射された燃料が直接
シリンダ内に入らないで吸気管壁や吸気弁等に付着する
割合（以下、燃料付着率ｘと称する）と、吸気管壁や吸
気弁等に付着した燃料が蒸発する速度（以下、蒸発時定
数τ）とに分けてモデル化し、上述した内部フィードバ
ック演算部から入力される燃料噴射量と前記燃料付着率
及び蒸発時定数とに基づいてシリンダ内に入る燃料量を
推定するもので、燃料付着率推定部、蒸発時定数推定
部、非付着燃料算出部、付着燃料算出部、及び蒸発燃料
量算出部を備える。

【００１３】前記燃料付着率推定部は、図１０に示すよ
うにセンシング対象である燃料付着率以外のエンジンの
運転状態に関するデータ（エンジン回転数、推定吸入空
気量）を入力し、センシング対象である燃料付着率の推
定値を出力するファジィニューラル回路網から成る。ま
た、前記蒸発時定数推定部は、図１１に示すようにセン
シング対象である蒸発時定数以外のエンジンの運転状態
に関するデータ（吸気管壁面温度、エンジン回転数及び
推定吸入空気量）を入力し、センシング対象である蒸発
時定数の推定値を出力するファジィニューラル回路網か
ら成る。上記した燃料付着率推定部及び蒸発時定数推定
部を構成するファジィニューラル回路網は、上述した吸
入空気量推定部を構成するファジィニューラル回路網と
同様、各々、６つの処理層を備え、シグモイド関数の中
心位置を表すパラメータｗｃと傾きを表すパラメータｗ
ｇを結合係数として、第１層から第４層までで前件部を
構成し、前件部のメンバーシップ関数の数に対応する９
個のファジィルールの出力ｗｆを結合荷重として第５層
及び第６層の後件部を構成し、各結合荷重ｗｆと対応す
る前件部メンバーシップ関数のグレードとの積和を求
め、この値をファジィ推論の重心法による推定値、即
ち、推定燃料付着率及び推定蒸発時定数として出力する
よう構成されている。これらのファジィニューラル回路
網における入力情報の数及び種類、メンバーシップ関数
の中心位置及び傾きを表す結合荷重ｗｃ及びｗｇの値
は、上述の遺伝的アルゴリズムによる最適化処理で後件
部結合荷重ｗｆとの関係を考慮しながら予め決定され
得、かつ、後件部を構成する結合荷重ｗｆは、制御実行
中に、学習信号算出部で得られる学習信号３又は４によ
って学習可能に構成されている。また、非付着燃料算出
部は、前記燃料付着率推定部から得られる推定燃料付着
率ｘと内部フィードバック演算部から得られる燃料噴射
量とに基づいて、燃料噴射装置から直接シリンダの燃焼
室内に入る燃料量を算出する。付着燃料算出部は、前記
燃料付着率推定部から得られる推定燃料付着率ｘと内部
フィードバック演算部から得られる燃料噴射量とに基づ
いて、燃料噴射装置から噴射された燃料中で、吸気管壁
面及び吸気弁等に付着する燃料量を算出する。第１蒸発
燃料量算出部は、前記蒸発時定数推定部で推定された蒸
発時定数τと、付着燃料算出部で得られる付着燃料量と
に基づいて、吸気管壁面及び吸気弁等に付着した燃料か
ら蒸発して燃焼室内に入る燃料量を算出する。第２蒸発
燃料量算出部は、燃料噴射装置から直接シリンダの燃焼
室内に入る燃料が、シリンダに入る前に蒸発する量を、
予め決めた蒸発時定数τ’に基づいて算出する。尚、こ
の直接シリンダに入る燃料の蒸発時定数τ’は非常に小
さい値であり、その影響を少ないので、ここでは適当な
定数として設定する。吸入燃料量推定部は、上記した各
処理部での処理により、吸入燃料量の推定値を算出して
出力する。

【００１４】推定空燃比算出部は、図１２に示すよう
に、上記したように構成された吸入空気量算出部及び吸
入燃料量推定部から得られる推定吸入空気量Ａｅ及び推
定吸入燃料量Ｆｅに基づいて推定空燃比Ａｅ／Ｆｅを算
出する。

【００１５】図１３は、前記目標空燃比算出部の構成を
示す概略ブロック図である。目標空燃比算出部は、推定
吸入空気量の変化率を算出する変化率算出部と、前記変
化率に対する目標空燃比のマップから成り、吸入空気量
推定部から得られる推定吸入空気量を入力して、その推
定吸入空気量に合った目標空燃比を出力する。

【００１６】図１４は、内部フィードバック演算部の構
成を示す概略ブロック図であり、この図面に示すよう
に、内部フィードバック演算部は、目標空燃比算出部か
ら得られる目標空燃比と、推定空燃比算出部から得られ
る推定空燃比との誤差が小さくなるように、燃料噴射量
を決定し、燃料噴射装置及び吸入燃料量推定部に出力す
る。尚、図１４中、Ｋｐはフィードバックゲインを示し
ている。

【００１７】図１５は、学習信号算出部の構成を示す概
略ブロック図である。この図面に示すように学習信号算
出部は、運転状態検出部と学習信号発生部とを備え、運
転状態検出部はエンジン回転数及び推定吸入空気量を入
力し、これらに基づいて現在のエンジンの運転状態（例
えば、過渡状態と定常状態）を検出する。学習信号発生
部は、排気空燃比の実測値に対する推定空燃比の誤差を
入力し、この誤差が小さくなるように学習信号１〜４の
値を決定する。尚、学習信号１及び２は、吸入空気量算
出部に対する学習信号なので、エンジンの運転状態が定
常状態の時に得られた情報に基づいて算出され、学習信
号３及び４は、吸入燃料量算出部に対する学習信号なの
で、エンジンの運転状態が過渡状態の時に得られた情報
に基づいて算出される。また、学習信号１は、上述のよ
うに坂道走行時等の環境変化に応じてファジィニューラ
ル回路網の出力を補正する補正係数に対する学習信号な
ので、ゲインが大きく、定常状態にある時は、環境変化
に応じて逐次発せられるが、学習信号２は、ファジィニ
ューラル回路網の後件部結合係数ｗｆに対する学習信号
なので、環境変化による誤差には反応しないように、学
習信号１の出力値の傾向に基づいて出力するか否かが決
められる。具体的には、坂道を上っている時などは、学
習信号１は連続して増加傾向にあり、また、坂道を下っ
ている時には学習信号１は連続して減少傾向にある。こ
のような場合には、環境が変化していると判断して、学
習信号２による学習は行わない。環境変化がなければ、
学習信号１及び２の両方で学習をする。但し、学習信号
１を使った学習のほうが、学習信号２を使ったＦＮＮの
学習よりゲインが大きくなるようにしておく。このよう
に、学習信号２の出力を学習信号１の出力の傾向に基づ
いて決定することにより、環境変化等に反応してファジ
ィニューラル回路網の後件部結合係数ｗｆが変わること
がなくなり、不必要な学習を行わなくなるので、ファジ
ィニューラル回路網の出力が安定するようになる。

【００１８】以上説明した第１実施例では、モデルベー
ス制御部の各推定部のファジィニューラル回路網の入力
情報及び前件部結合係数を遺伝的アルゴリズムにより後
件部結合荷重ｗｆとの関係を考慮しながら予め最適化
し、制御実行中は、後件部結合荷重ｗｆの学習のみをす
るように構成されているが、このファジィニューラル回
路網の最適化処理は、この第１実施例に限定されること
なく、制御実行中に行うように構成してもよい。図１６
は、第１実施例と同じ条件で、制御実行中にファジィニ
ューラル回路網の最適化処理を行うように構成された制
御装置の第２実施例の概略ブロック図である。以下の説
明では、第１実施例と異なる処理部についてのみ説明を
し、それ以外の処理部については説明を省略する。モデ
ルベース制御部は、制御実行中にその吸入空気量推定部
を構成するファジィニューラル回路網の最適化処理が行
えるように構成されている。データ加工部は、図１７に
示すように、吸気圧力を、モデルベース制御部における
吸入空気量推定部を構成するファジィニューラル回路網
の入力候補データとなり得るデータに加工する。図１８
は、モデルベース制御部の構成を示す概略ブロック図で
あり、前述のように吸入空気量算出部はセンシング対象
である吸入空気量を出力とし、センシング対象以外のデ
ータを入力情報とするファジィニューラル回路網を備
え、このファジィニューラル回路網の最適化処理を制御
実行中に行えるように構成され、また、学習・評価信号
算出部は、吸入燃料量算出部及び吸入空気量算出部のフ
ァジィニューラル回路網に対する学習信号の他に、吸入
空気量算出部での最適化処理に用いられる評価信号を算
出して出力する。図１９は、吸入空気量算出部の構成を
示す概略ブロック図である。図面に示すように、この吸
入空気量算出部は、最適化処理実行部を備え、データ加
工部で加工されたデータを含む各種入力候補データを入
力し、これらの入力候補情報の使用／未使用を表すデー
タ（本実施例の場合、”０”が未使用、”１”が使用）
と、ファジィニューラル回路網の前件部結合荷重ｗｃ及
びｗｇを遺伝子としてコーディングして複数の個体（染
色体）を生成し、これらの個体を学習・評価信号算出か
ら得られる評価信号に基づいて淘汰しながらファジィニ
ューラル回路網の最適化を行う。この遺伝的アルゴリズ
ムを用いた最適化処理は、基本的に第１実施例の処理を
同じであるので、ここでは説明は省略する。また、この
吸入空気量推定部における最適化処理は、適当な周期
で、又は所定の条件を満たした時、又は、使用者による
直接指示により開始され、最適化処理を行っていない時
は、第１実施例で説明した吸入空気量推定部と同様、学
習・評価信号算出部から得られる学習信号による学習処
理が行われ得る。

【００１９】図２０は、学習・評価信号算出部の構成を
示す概略ブロック図である。この学習・評価信号算出部
は、吸入空気量推定部で最適化処理が行われいない時
は、第１実施例の学習信号算出部と同様に、エンジンの
運転状態に基づいて吸入空気量推定部に対する学習信号
１及び２又は吸入燃料量推定部に対する学習信号３及び
４を算出して出力する。吸入空気量推定部で最適化処理
が行われている間は、上記した各学習信号１〜４に加え
て、空燃比の実測値に対する推定値の誤差に基づいて評
価信号発生部で各個体の評価信号を出力する。尚、吸入
空気量推定部では、最適化処理中は、この学習・評価信
号算出部から出力される学習信号２に基づいて各個体を
用いてファジィニューラル回路網を作動させている時に
後件部結合荷重ｗｆの学習を行い、かつ、評価信号に基
づいて各個体の評価を決定する。

【００２０】以上説明した第１及び第２の実施例では、
ファジィニューラル回路網の出力誤差が許容値より小さ
いか否かに基づいて最適化処理の終了判定を行っている
が、この終了判定の条件は本実施例に限定されることな
く、予め決められた世代数だけ処理を行うようにしても
よいし、出力誤差の減少傾向が収束していると判断した
場合に進化を終了するようにしてもよい。また、以上説
明した実施例では、ファジィニューラル回路網の入力情
報及びメンバーシップ関数の両方を遺伝的アルゴリズム
を用いて最適化しているが、これは本実施例に限定され
ることなく、図２１に示すように、入力情報の種類及び
数のみを遺伝子としてコーディングして遺伝的アルゴリ
ズムにより最適化し、メンバーシップ関数の最適化は、
出願人が特願平９−９１１１５号で提案しているよう
に、学習課程におけるファジィニューラル回路網の誤差
の減少傾向や結合係数の変化傾向を判断基準としてファ
ジィルールの追加を行い、かつ、同一入力情報における
少なくとも三種類のメンバーシップ関数の後件部結合荷
重の線形性を判断基準として、結合係数が線形性を有す
る場合に、その中の少なくとも一つの後件部結合荷重に
対応するメンバーシップ関数を削除することで行っても
よい。さらに、上記した実施例では、各推定部のファジ
ィニューラル回路網を図２２（１）に示すように基本形
のファジィニューラル回路網で構成しているが、ファジ
ィニューラル回路網の構成は本実施例に限定されること
なく、例えば、図２２（２）又は（３）に示すように、
複数のファジィニューラル回路網の出力を加算して推定
値を出力するように構成したり、複数のファジィニュー
ラル回路網の出力を、さらに入力データとするファジィ
ニューラル回路網で推定値を出力するように構成しても
よい。ファジィニューラル回路網をこのように複雑な構
成にしても、上述の遺伝的アルゴリズムによってその最
適化を行えば、入力情報の選択や、各結合係数の決定が
簡単に行えるという効果を奏する。また、上記した実施
例では、センシング対象としての吸入空気量、燃料付着
率又は蒸発時定数を推定するために、センシング対象以
外のエンジンの運転状態に関する情報を入力候補データ
として最適化したファジィニューラル回路網を例に挙げ
て説明しているが、ファジィニューラル回路網の入力候
補データは、本実施例に限定されることなく、センシン
グすべき対象に応じて任意に設定され得ることは勿論で
あり、例えば、センシング対象としてのトルク変動量を
推定する場合には、回転変動量、エンジン回転数、吸入
空気量及び燃焼室圧力の時系列データ等を入力候補情報
としてファジィニューラル回路網を最適化してもよく
（図２３参照、本図はトルク変動量を推定するために最
適化されたファジィニューラル回路網の一例を示してい
る。）また、センシング対象としてエンジンの燃焼室温
度を推定する場合には、吸気管壁温、吸気管周囲温度
（雰囲気温度）及びエンジンスタート後の経過時間を入
力候補情報としてファジィニューラル回路網を最適化し
てもよく（図２４参照、本図はエンジンの燃焼室温度を
推定するために最適化されたファジィニューラル回路網
の一例を示している。）、さらに、センシング対象とし
て吸気管壁面温度を推定する場合には、冷却水温、油温
及びエンジン温度（シリンダブロックの温度）を入力候
補情報としてファジィニューラル回路網を最適化しても
よい（図２５参照、本図は吸気管壁面温度を推定するた
めに最適化されたファジィニューラル回路網の一例を示
している。）。また、以上説明した第１及び第２の実施
例では、吸気管噴射式のエンジンを例に挙げて説明して
いるので、制御装置における吸入空気量推定部で推定し
ている吸入空気量は、スロットル弁を通過する吸入空気
の量であるが、例えば、筒内噴射式のエンジンで同様に
空燃比制御を行う場合には、スロットル弁を通過する吸
入空気の量に代えて、筒内に流入する吸入空気の量を推
定するようにファジィニューラル回路網を構成してもよ
い。さらに、上記した第１及び第２の実施例では、エン
ジンの空燃比制御を例に挙げて本発明に係るファジィニ
ューラル回路網の最適化方法を説明しているので、入力
候補データ及び出力データが共にエンジンの空燃比制御
に関連したデータになっているが、本発明に係る最適化
方法を適用できる制御対象はエンジンの空燃比に限定さ
れるものではなく、任意の制御対象に対して適用できる
ことはいうまでもない。具体的には、例えば、使用者の
好みを反映させて車両を総合的に制御する場合には、車
両に対する使用者の好みを推定するファジィニューラル
回路網を、例えば、アクセル、ブレーキ、シフト操作
量、又はエンジン回転数の変化パターン等を入力候補デ
ータとして最適化することができ、また、使用者の感情
や性格を反映させて制御対象の総合制御を行う場合に
は、使用者の感情や性格を推定するファジィニューラル
回路網を、例えば、使用者の顔の表情、操作、言葉、又
は動作等を入力候補データとして最適化することがで
き、また、電動車両において車速を制御する場合には、
車速を推定するファジィニューラル回路網を、例えば、
モータの誘起電圧、モータの回転数、角速度又は電流値
等を入力候補データとして最適化することができ、さら
に、発電器の発電量制御を制御する場合には、必要消費
電力を推定するファジィニューラル回路網を、例えば、
季節、時間帯、その日の天候等を入力候補データとして
最適化することができ、さらにまた、ウォータポンプが
エンジンのクランク軸に連動している船外機のエンジン
制御を行う場合には、エンジン温度を推定するファジィ
ニューラル回路網を、例えば、流入時の冷却水温、排水
時の冷却水温、エンジン回転数、又は連続運転時間等を
入力候補データとして最適化することができる。

【００２１】

【発明の効果】以上説明したように本発明に係るファジ
ィニューラル回路網の最適化方法は、ファジィ推論によ
る推論値の計算過程をニューラル回路網の構造で構成
し、ファジィ推論において同定又は調整すべきパラメー
タをニューラル回路網の結合荷重に対応づけすると共
に、学習により結合荷重を更新することによりファジィ
ルール及び／又はメンバーシップ関数の調整を行うファ
ジィニューラル回路網において、予め、少なくともファ
ジィニューラル回路網の入力データとなり得る複数の入
力候補データを用意し、遺伝的アルゴリズムを用いて、
少なくとも各入力候補データの採用の有無に関する情報
をコーディングして複数の個体とし、かつ、これら個体
を推定精度に基づいて遺伝的アルゴリズムで進化させて
いくことにより少なくともファジィニューラル回路網の
入力データの数及び種類を最適化するので、検出可能な
情報の中から、出力情報を推定するのに最適な入力情報
の種類及び数を自動的に短時間で選択できるようにな
り、より推定精度の高いファジィニューラル回路網を構
築することが可能になるという効果を奏する。また、フ
ァジィニューラル回路網の出力を制御で必要なセンシン
グ対象となるデータとし、ファジィニューラル回路網に
おける入力候補データをセンシング対象以外のエンジン
の運転状態に関するデータとすることで、例えば、直接
センシングするには困難な情報や直接センシングするに
は高価なセンサが必要な情報を間接的に推定できるよう
になるので、制御に使用できる情報の幅が広がり、か
つ、高価なセンサ等が必要なくなるので制御装置自体を
安価に構成することができるようになるという効果を奏
する。また、ファジィニューラル回路網を用いることで
複数のデータを総合的に用いることができ、しかも、そ
の入力情報を最適化することができるので、センシング
対象となるデータを他のデータから間接的に推定する場
合でも推定精度が高く、外乱に強いファジィニューラル
回路網を構築することが可能になる。

【図面の簡単な説明】

【図１】 エンジン１と本発明に係るファジィニューラ
ル回路網の最適化方法を採用した空燃比制御を実行可能
な制御装置１０との関係を示す概略図である。

【図２】 制御装置１０の構成を示す概略ブロック図で
ある。

【図３】 エンジン回転数算出部の構成を示す概略ブロ
ック図である。

【図４】 データ加工部の構成を示す概略ブロック図で
ある。

【図５】 モデルベース制御部の構成を示す概略ブロッ
ク図である。

【図６】 吸入空気量推定部の内部構成を示す図であ
る。

【図７】 遺伝的アルゴリズムによるファジィニューラ
ル回路網の最適化処理の流れを示すフローチャートであ
る。

【図８】 最適化処理におけるコーディングすべき遺伝
子情報とコーディングされた個体との関係を表す個体の
概念図である。

【図９】 吸入燃料量推定部の内部構成を示す図であ
る。

【図１０】 燃料付着率推定部の内部構成を示す図であ
る。

【図１１】 蒸発時定数推定部の内部構成を示す図であ
る。

【図１２】 推定空燃比算出部の内部構成を示す図であ
る。

【図１３】 前記目標空燃比算出部の構成を示す概略ブ
ロック図である。

【図１４】 内部フィードバック演算部の構成を示す概
略ブロック図である。

【図１５】 学習信号算出部の構成を示す概略ブロック
図である。

【図１６】 第１実施例と同じ条件で、制御実行中にフ
ァジィニューラル回路網の最適化処理を行うように構成
された制御装置の第２実施例の概略ブロック図である。

【図１７】 第２実施例に係るデータ加工部の内部構成
を示す図である。

【図１８】 第２実施例に係るモデルベース制御部の構
成を示す概略ブロック図である。

【図１９】 第２実施例に係る吸入空気量算出部の構成
を示す概略ブロック図である。

【図２０】 第２実施例に係る学習・評価信号算出部の
構成を示す概略ブロック図である。

【図２１】 最適化処理における個体の生成方法の別の
実施例を示す概念図である。

【図２２】 （ａ）はファジィニューラル回路網の基本
形の入出力関係を示す図であり、（ｂ）及び（ｃ）はフ
ァジィニューラル回路網の応用形を示す図である。

【図２３】 トルク変動量を推定するために最適化され
たファジィニューラル回路網の一例を示す図である。

【図２４】 エンジンの燃焼室温度を推定するために最
適化されたファジィニューラル回路網の一例を示す図で
ある。

【図２５】 吸気管壁面温度を推定するために最適化さ
れたファジィニューラル回路網の一例を示す図である。

【符号の説明】

１ エンジン ２ 吸気管 ３ 燃料噴射装置 ４ シリンダ ５ 排気管 ６ クランクケース ７ シリンダブロック １０ 制御装置 １１ クランク角センサ １２ エンジン温度センサ １３ 空燃比センサ １４ 吸気管負圧センサ １５ 雰囲気温度センサ １６ 吸気管壁温センサ

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｇ０５Ｂ 13/02 Ｇ０５Ｂ 13/02 Ｎ Ｚ

Claims (10)

【特許請求の範囲】
1. 【請求項１】 ファジィ推論による推論値の計算過程を
   ニューラル回路網の構造で構成し、ファジィ推論におい
   て同定又は調整すべきパラメータをニューラル回路網の
   結合荷重に対応づけすると共に、学習により結合荷重を
   更新することによりファジィルール及び／又はメンバー
   シップ関数の調整を行うファジィニューラル回路網にお
   いて、 予め、少なくともファジィニューラル回路網の入力デー
   タとなり得る複数の入力候補データを用意し、 遺伝的アルゴリズムを用いて、少なくとも各入力候補デ
   ータの採用の有無に関する情報をコーディングして複数
   の個体とし、かつ、これら個体を推定精度に基づいて遺
   伝的アルゴリズムで進化させていくことにより少なくと
   もファジィニューラル回路網の入力データの数及び種類
   を最適化することを特徴とするファジィニューラル回路
   網の最適化方法。
2. 【請求項２】 メンバーシップ関数に対応する結合荷重
   をコーディングして複数の個体し、かつ、これら個体を
   推定精度に基づいて遺伝的アルゴリズムで進化させてい
   くことにより前記結合荷重の値を最適化することを特徴
   とする請求項１に記載のファジィニューラル回路網の最
   適化方法。
3. 【請求項３】 前記ファジィニューラル回路網がエンジ
   ン制御に適用され、 前記入力候補データがエンジンの運転状態に関するもの
   を含むことを特徴とする請求項１又は２に記載のファジ
   ィニューラル回路網の最適化方法。
4. 【請求項４】 前記入力候補データが、エンジンの吸気
   圧力に関する複数のデータの少なくとも一つを含み、 前記出力データがシリンダへの吸入空気量であることを
   特徴とする請求項３に記載のファジィニューラル回路網
   の最適化方法。
5. 【請求項５】 前記入力候補データが、燃焼室圧力の時
   系列データ、エンジンの回転変動、エンジン回転数、及
   び吸入空気量の少なくとも一つを含み、 前記出力データがエンジンのトルク変動量であることを
   特徴とする請求項３又は４に記載のファジィニューラル
   回路網の最適化方法。
6. 【請求項６】 前記入力候補データが、エンジンの吸気
   管壁面温度、吸気管周囲温度、及びエンジン始動からの
   経過時間の少なくとも一つを含み、 前記出力データがエンジンの燃焼室温度であることを特
   徴とする請求項３〜５の何れか一項に記載のファジィニ
   ューラル回路網の最適化方法。
7. 【請求項７】 前記入力候補データが冷却水温、油温及
   びエンジン温度の少なくとも一つを含み、 前記出力データが吸気管壁面温度であることを特徴とす
   る請求項３〜６の何れか一項に記載のファジィニューラ
   ル回路網の最適化方法。
8. 【請求項８】 前記入力候補データが、吸気管壁面温
   度、エンジン回転数、吸入空気量及び吸気負圧の少なく
   とも一つを含み、 前記出力データが吸気管付着燃料の蒸発時定数であるこ
   とを特徴とする請求項３〜７の何れか一項に記載のファ
   ジィニューラル回路網の最適化方法。
9. 【請求項９】 前記入力候補データが、エンジン回転
   数、吸入空気量、及び吸気負圧の少なくとも一つを含
   み、 前記出力データが噴射燃料の吸気管への付着率であるこ
   とを特徴とする請求項３〜８の何れか一項に記載のファ
   ジィニューラル回路網の最適化方法。
10. 【請求項１０】 前記入力候補データが、さらにスロッ
    トル開度変化率及びエンジン回転数変化率の少なくとも
    一つを含むことを特徴とする請求項８又は９に記載のフ
    ァジィニューラル回路網の最適化方法。