JPH11343916A - エンジン制御におけるデータ推定方法 - Google Patents

エンジン制御におけるデータ推定方法

Info

Publication number
JPH11343916A
JPH11343916A JP10152855A JP15285598A JPH11343916A JP H11343916 A JPH11343916 A JP H11343916A JP 10152855 A JP10152855 A JP 10152855A JP 15285598 A JP15285598 A JP 15285598A JP H11343916 A JPH11343916 A JP H11343916A
Authority
JP
Japan
Prior art keywords
data
engine
intake
input information
control parameter
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
Application number
JP10152855A
Other languages
English (en)
Inventor
Masashi Yamaguchi
昌志 山口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yamaha Motor Co Ltd
Original Assignee
Yamaha Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yamaha Motor Co Ltd filed Critical Yamaha Motor Co Ltd
Priority to JP10152855A priority Critical patent/JPH11343916A/ja
Priority to DE69917711T priority patent/DE69917711T2/de
Priority to EP99110668A priority patent/EP0962871B1/en
Priority to US09/324,554 priority patent/US6405122B1/en
Publication of JPH11343916A publication Critical patent/JPH11343916A/ja
Pending legal-status Critical Current

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
    • F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
    • F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
    • F02D41/1454—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio
    • F02D41/1458—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio with determination means using an estimation
    • 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
    • F02D41/1404—Fuzzy logic 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
    • 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
    • F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
    • F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
    • F02D41/146—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration
    • F02D41/1461—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration of the exhaust gases emitted by the engine
    • F02D41/1462—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an NOx content or concentration of the exhaust gases emitted by the engine with determination means using an estimation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0402—Engine intake system parameters the parameter being determined by using a model of the engine intake or its components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)

Abstract

(57)【要約】 【課題】 従来のエンジン制御におけるデータ検出に関
する問題点を解決し、エンジンの状態に関する任意のデ
ータを、簡単にまた安価に制御パラメータとして用いる
ことが可能になるエンジン制御におけるデータ推定方法
を提供すること。 【解決手段】 本発明に係るエンジン制御におけるデー
タ推定方法は、少なくともエンジンの状態に関するデー
タを制御パラメータとするエンジン制御において、制御
パラメータとしてのエンジンの状態に関するデータを、
少なくとも、それとは異なる複数データを入力情報とす
るファジィニューラル回路網を用いて推定する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、エンジン制御にお
けるデータ推定方法に関する。
【０００２】
【従来の技術】エンジンを制御する場合には、その目的
に応じて、エンジンの状態（例えば、エンジン回転数や
エンジン温度等のような、駆動中のエンジンの状態やエ
ンジンの状態に対する使用者の感応評価値）に関するデ
ータをセンサで検出し、その検出情報を制御パラメータ
として制御量を決めるのが一般的である。
【０００３】
【発明が解決しようとする課題】制御パラメータとして
用いるエンジンの状態に関する情報は目的に応じて、様
々なものがあり、それら全てが車両に搭載されたエンジ
ンに実装できるセンサで検出できるものとは限らず、ま
た、実装できるセンサがあったとしてもセンサが高価で
あるという問題が生じることもある。また、さらに、制
御パラメータとして用いる情報毎にセンサを設けると、
センサの数が増えてしまうという問題も生じる。具体的
には、例えば、吸入空気量を検出するセンサとしては、
エアフロメータや熱線風速計等があるが、これらは高価
でサイズが大きく、塩害に弱いため船外機等には搭載で
きない等の使用上の制限があるという問題があり、ま
た、吸気管噴射式エンジンおける燃料噴射装置から噴射
した燃料が吸気管等に付着する割合や、吸気管に付着し
た燃料が蒸発する速度等は、測定できるセンサが存在せ
ず、さらに、トルク変動量は、エンジンのクランクシャ
フトに直接、トルクセンサを付ければ測定は可能だが、
一般商品として適用するには、高価で大きすぎるという
問題があり、また、燃焼室温度は、実験室等で特別な温
度計を用いれば測定可能だが、個々のエンジンに実装で
きる程、小さく、安価で、かつ耐久性があるセンサは存
在しないという問題があり、さらに、吸気管壁面温度
は、測定したい場所にセンサを付ければ簡単に測定でき
るが、エンジンの運転状態との関係により、測定すべき
場所が変わるため、これら全てに対応するためには、吸
気管の壁面全体にセンサを設けなければならず、実質的
にセンサで満足する情報を検出することは不可能であ
り、またさらに、排気空燃比は、検出できるセンサはあ
るが高価であるという問題があり、また、筒内噴射式エ
ンジンにおけるプラグの発火点周囲の空燃比についても
測定できるセンサが存在せず、さらに、排ガスの触媒シ
ステムの排ガス中に含まれるＮＯｘ成分の量は、測定装
置が大きくて高価なので個々の車両につけるのは不可能
であるという問題があった。また、エンジンの状態に対
する使用者の感応評価値を直接検出できるセンサは存在
せず、この感応評価値は、使用者が自分で感じた結果を
記録する等して表現しなければエンジン制御に使用でき
ないので、個々の車両でこの感応評価値に基づく制御を
行うことは極めて困難であるという問題があった。本発
明は、上記した従来のエンジン制御におけるデータ検出
に関する問題点を解決し、エンジンの状態に関する任意
のデータを、簡単にまた安価に制御パラメータとして用
いることが可能になるエンジン制御におけるデータ推定
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、本発明に係るエンジン制御におけるデータ推定
方法は、少なくともエンジンの状態に関するデータを制
御パラメータとするエンジン制御において、制御パラメ
ータとしてのエンジンの状態に関するデータを、少なく
とも、それとは異なる複数データを入力情報とするファ
ジィニューラル回路網を用いて推定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、本発明に係るエンジン制御における
データ推定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エンジン制御に
おけるデータ推定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と本発明に係るエンジン制御におけるデータ推定方
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１
４、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、制御パラメータとして吸入空気量、燃料付着率
又は蒸発時定数を、本発明に係るエンジン制御における
データ推定方法を用いて、それ以外の情報からファジィ
ニューラル回路網で推定する例を挙げて説明している
が、本発明に係るエンジン制御におけるデータ推定方法
で推定可能な情報は、本実施例に限定されることなく、
エンジンの状態に関するデータであれば任意のものでよ
いことは勿論であり、例えば、トルク変動量を、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
系列データの少なくとも一つを入力情報とするファジィ
ニューラル回路網で推定してもよく（図２３参照、本図
はトルク変動量を推定するためのファジィニューラル回
路網の一例を示している。）、また、エンジンの燃焼室
温度を、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の少なくとも一つを入
力情報とするファジィニューラル回路網で推定してもよ
く（図２４参照、本図はエンジンの燃焼室温度を推定す
るファジィニューラル回路網の一例を示している。）、
さらに、吸気管壁面温度を、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）の少なくとも一つを
入力情報とするファジィニューラル回路網で推定しても
よく（図２５参照、本図は吸気管壁面温度を推定するフ
ァジィニューラル回路網の一例を示している。）、ま
た、排気空燃比を、クランク角加速度の時系列データ、
エンジン回転数、吸入空気量、吸気負圧、点火時期、可
変バルブタイミング装置を用いる場合の吸排気弁の開閉
タイミング、ＥＧＲ制御を行う場合のＥＧＲバルブ開度
の少なくとも一つを入力情報とするファジィニューラル
回路網で推定してもよく（図２６参照、本図は排気空燃
比を推定するファジィニューラル回路網の一例を示して
いる。）、さらに、排気空燃比を、排気温度、大気温
度、エンジン回転数、吸入空気量、吸気負圧、点火時
期、及びスロットルバルブ開度の少なくとも一つを入力
情報とするファジィニューラル回路網で推定してもよく
（図２７参照、本図は排気空燃比を推定するファジィニ
ューラル回路網の別の例を示している。）、さらにま
た、筒内噴射式エンジンにおけるプラグの発火点周囲の
空燃比を、エンジン回転数、スロットル開度、燃料噴射
量、燃料噴射時期、点火時期、及び可変バルブタイミン
グ装置を用いる場合の吸排気弁の開閉タイミングの少な
くとも一つを入力情報とするファジィニューラル回路網
で推定してもよく（図２８参照、本図は筒内噴射式エン
ジンにおけるプラグの発火点周囲の空燃比を推定するフ
ァジィニューラル回路網の一例を示している。）、ま
た、排ガスの触媒システムの排ガス中に含まれるＮＯｘ
成分の量を、エンジン回転数、スロットル開度、冷却水
温、触媒の入口ガス温度、触媒の出口ガス温度、走行距
離、及び排気空燃比の少なくとも一つを入力情報とする
ファジィニューラル回路網で推定してもよく（図２９参
照、本図は触媒システムにおける排ガス中に含まれるＮ
Ｏｘ成分の量を推定するファジィニューラル回路網の一
例を示している。）、さらに、エンジンの状態に対する
使用者の感応評価値を、使用者の脈拍、血圧、呼吸間
隔、及び脳波等の複数の生理データの少なくとも一つを
入力情報とするファジィニューラル回路網で推定しても
よい（図３０参照、本図は、使用者の感応評価値を推定
するファジィニューラル回路網の一例を示してい
る。）。
【００２１】
【発明の効果】以上説明したように本発明に係るエンジ
ン制御におけるデータ推定方法は、少なくともエンジン
の状態に関するデータを制御パラメータとするエンジン
制御において、制御パラメータとしてのエンジンの状態
に関するデータを、少なくとも、それとは異なる複数デ
ータを入力情報とするファジィニューラル回路網を用い
て推定するので、制御パラメータとして用いるデータ以
外のデータであっても、それらをファジィニューラル回
路網の入力情報とし、制御パラメータとして用いるデー
タを出力情報としてファジィニューラル回路網の各結合
係数やメンバーシップ関数の数を最適化するよう学習さ
せるだけで、制御パラメータとして用いるデータを推定
できるので、従来制御パラメータとして用いることが困
難であったデータや、検出するためには高価なセンサを
用いる必要があったデータ等を安価なセンサを用いて簡
単に検出できるようになるという効果を奏し、また、入
力情報を共通化することができるので、制御パラメータ
毎にセンサを設ける必要がなくなるという効果も奏す
る。また、請求項２に係る推定方法によれば、高価でサ
イズが大きく、塩害に弱いため船外機等には搭載できな
い等の使用上の制限があったエアフロメータや熱線風速
計等を使うことなく、サイズが小さく安価な負圧センサ
を用いて吸入空気量を推定することができるようになる
という効果を奏する。さらに、請求項３及び４に係る推
定方法によれば、今まで検出することが困難であった、
吸気管噴射式エンジンおける燃料噴射装置から噴射した
燃料が吸気管等に付着する割合や、吸気管に付着した燃
料が蒸発する速度が簡単に推定できるようになるので、
例えば、エンジンの順モデルを制御装置内に簡単に構成
することができるようになるという効果を奏する。ま
た、請求項５に係る推定方法によれば、今までは測定す
ることが困難なため、トルク変動との非線形な関係であ
るエンジンの回転変動に基づいて演算していたトルク変
動を、より精度よく推定することができるようになると
いう効果を奏する。さらに、請求項６に係る推定方法に
よれば、個々のエンジンに実装できる程、小さく、安価
で、かつ耐久性があるセンサは存在しなかった燃焼室温
度を精度よく推定でき、これを制御パラメータとして使
用することができるため燃焼室温度に応じて燃料噴射量
を制御する等、より細かいエンジン制御が可能になると
いう効果を奏する。また、請求項７に係る推定方法によ
れば、エンジンの運転状態との関係により、測定すべき
場所が変わる吸気管壁面温度を、その時々のエンジンの
運転対応させて精度よく推定できるようになるという効
果を奏する。さらに、請求項８及び９に係る推定方法に
よれば、高価な空燃比センサを用いずに、既存のセンサ
で排気空燃比を推定することができるようになるという
効果を奏する。また、請求項１０に係る推定方法によれ
ば、今まで測定することができなかった筒内噴射式エン
ジンにおけるプラグの発火点周囲の空燃比を推定するこ
とができるようになるので、筒内への燃料噴射量をより
正確な量に制御することが可能になるという効果を奏す
る。さらにまた、請求項１１に係る推定方法によれば、
今まで測定することが困難であった排ガスの触媒システ
ムの排ガス中に含まれるＮＯｘ成分の量を推定すること
ができるようになるので、より燃焼効率がよくなるよう
にエンジンを制御することができるようになるという効
果を奏する。また、請求項１２に係る推定方法によれ
ば、今までセンサ等で測定することができなかったエン
ジン状態に対する使用者の感応評価値を、脈拍、鼓動、
血圧、呼吸間隔、脳波等の生理データを検出する既存の
センサから得られる情報に基づいて推定できるようにな
るという効果を奏する。具体的には、例えば、酸素セン
サを用いて空燃比制御を行う場合に、この感応評価値に
応じてＯ2フィードバックゲインを制御することで、Ｏ2
フィードバックに起因して空燃比のハンチングが使用者
に伝わり、ギクシャクした感じを使用者に与える等のド
ラビリ性の悪化を防止できるようにさらに、請求項１３
に係る推定方法によれば、実際に使用する入力データを
複数の適当な入力候補データから最適化することができ
るので、入力データの選択が設計者の経験や知識に依存
せず、より最適な入力データを得ることが可能になり、
また、入力データを選択する手間が省けるという効果を
奏する。
【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】 （１）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、（２）及び（３）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ファジィニュー
ラル回路網の一例を示す図である。
【図２６】 排気空燃比を推定するファジィニューラル
回路網の一例を示す図である。
【図２７】 排気空燃比を推定するファジィニューラル
回路網の別の例を示す図である。
【図２８】 筒内噴射式エンジンにおけるプラグの発火
点周囲の空燃比を推定するファジィニューラル回路網の
一例を示す図である。
【図２９】 触媒システムにおける排ガス中に含まれる
ＮＯｘ成分の量を推定するファジィニューラル回路網の
一例を示す図である。
【図３０】 エンジン状態に対する使用者の感応評価値
を推定する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

Claims (13)

    【特許請求の範囲】
  1. 【請求項１】 少なくともエンジンの状態に関するデー
    タを制御パラメータとするエンジン制御において、 制御パラメータとしてのエンジンの状態に関するデータ
    を、少なくとも、それとは異なる複数データを入力情報
    とするファジィニューラル回路網を用いて推定すること
    を特徴とするエンジン制御におけるデータの推定方法。
  2. 【請求項２】前記制御パラメータが吸入空気量であり、 前記入力情報が、少なくともエンジンの吸気負圧に関す
    る複数のデータを含むことを特徴とする請求項１に記載
    のデータの推定方法。
  3. 【請求項３】前記制御パラメータが吸気管噴射式エンジ
    ンにおける燃料付着率であり、 前記入力情報が、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むことを特徴とする請求項
    １に記載のデータの推定方法。
  4. 【請求項４】前記制御パラメータが吸気管噴射式エンジ
    ンにおける蒸発時定数であり、 前記入力情報が、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むことを
    特徴とする請求項１に記載のデータの推定方法。
  5. 【請求項５】前記制御パラメータがトルク変動量であ
    り、 前記入力情報が、エンジンの回転変動、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の少な
    くとも一つを含むことを特徴とする請求項１に記載のデ
    ータの推定方法。
  6. 【請求項６】前記制御パラメータが燃焼室温度であり、 前記入力情報が、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む
    ことを特徴とする請求項１に記載のデータの推定方法。
  7. 【請求項７】前記制御パラメータが吸気管壁面温度であ
    り、 前記入力情報が、冷却水温、シリンダブロック温度、及
    び油温の少なくとも一つを含むことを特徴とする請求項
    １に記載のデータの推定方法。
  8. 【請求項８】前記制御パラメータが排気空燃比であり、 前記入力情報が、クランク角加速度の時系列データ、エ
    ンジン回転数、吸入空気量、吸気負圧、点火時期、可変
    バルブタイミング装置を用いる場合の吸排気弁の開閉タ
    イミング、ＥＧＲ制御を行う場合のＥＧＲバルブ開度の
    少なくとも一つを含むことを特徴とする請求項１に記載
    のデータの推定方法。
  9. 【請求項９】前記制御パラメータが排気空燃比であり、 前記入力情報が、排気温度、大気温度、エンジン回転
    数、吸入空気量、吸気負圧、点火時期、及びスロットル
    バルブ開度の少なくとも一つを含むことを特徴とする請
    求項１に記載のデータの推定方法。
  10. 【請求項１０】前記制御パラメータが筒内噴射式エンジ
    ンにおけるプラグの発火点周囲の空燃比であり、 前記入力情報が、エンジン回転数、スロットル開度、燃
    料噴射量、燃料噴射時期、点火時期、及び可変バルブタ
    イミング装置を用いる場合の吸排気弁の開閉タイミング
    の少なくとも一つを含むことを特徴とする請求項１に記
    載のデータの推定方法。
  11. 【請求項１１】前記制御パラメータが排ガスの触媒シス
    テムの排ガス中に含まれるＮＯｘ成分の量であり、 前記入力情報が、エンジン回転数、スロットル開度、冷
    却水温、触媒の入口ガス温度、触媒の出口ガス温度、走
    行距離、及び排気空燃比の少なくとも一つを含むことを
    特徴とする請求項１に記載のデータの推定方法。
  12. 【請求項１２】前記制御パラメータがエンジンの状態に
    対する使用者の感応評価値であり、 前記入力情報が、使用者の脈拍、鼓動、血圧、呼吸間
    隔、脳波等の複数の生理データの少なくとも一つを含む
    ことを特徴とする請求項１に記載のデータの推定方法。
  13. 【請求項１３】前記入力情報を、ファジィニューラル回
    路網の入力データとなり得る入力候補データとし、 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請求項１〜１２の何れか
    一項に記載のデータの推定方法。
JP10152855A 1997-10-14 1998-06-02 エンジン制御におけるデータ推定方法 Pending JPH11343916A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP10152855A JPH11343916A (ja) 1998-06-02 1998-06-02 エンジン制御におけるデータ推定方法
DE69917711T DE69917711T2 (de) 1998-06-02 1999-06-02 Methode zur Schätzung von Daten in einer Motorsteuerung
EP99110668A EP0962871B1 (en) 1998-06-02 1999-06-02 Data estimation method in engine control
US09/324,554 US6405122B1 (en) 1997-10-14 1999-06-02 Method and apparatus for estimating data for engine control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP10152855A JPH11343916A (ja) 1998-06-02 1998-06-02 エンジン制御におけるデータ推定方法

Publications (1)

Publication Number Publication Date
JPH11343916A true JPH11343916A (ja) 1999-12-14

Family

ID=15549607

Family Applications (1)

Application Number Title Priority Date Filing Date
JP10152855A Pending JPH11343916A (ja) 1997-10-14 1998-06-02 エンジン制御におけるデータ推定方法

Country Status (3)

Country Link
EP (1) EP0962871B1 (ja)
JP (1) JPH11343916A (ja)
DE (1) DE69917711T2 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6859692B2 (en) 2002-07-11 2005-02-22 Yamaha Marine Kabushiki Kaisha Information transmitting device and information transmitting method for watercraft
US6863580B2 (en) 2002-07-22 2005-03-08 Yamaha Marine Kabushiki Kaisha Control circuits and methods for inhibiting abrupt engine mode transitions in a watercraft
US6923696B2 (en) 2002-07-22 2005-08-02 Yamaha Marine Kabushiki Kaisha Engine starting system for multiple engines
US7120533B2 (en) * 2004-05-31 2006-10-10 Stmicroelectronics S.R.L. Soft-computing method for establishing the heat dissipation law in a diesel common rail engine
US7408950B2 (en) 2002-07-11 2008-08-05 Yamaha Marine Kabushiki Kaisha Multiple node network and communication method within the network
JP2009180218A (ja) * 2008-01-29 2009-08-13 Honda Motor Co Ltd 内燃機関の制御装置
JP2012092782A (ja) * 2010-10-28 2012-05-17 Isuzu Motors Ltd 過給制御装置
WO2016104186A1 (ja) * 2014-12-24 2016-06-30 株式会社ケーヒン 内燃機関制御装置
US11428185B2 (en) 2019-10-02 2022-08-30 Mitsubishi Electric Corporation Control device for internal combustion engine and control program therefor

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3825845B2 (ja) * 1996-09-27 2006-09-27 ヤマハ発動機株式会社 進化的制御方式
US6324529B1 (en) * 1996-09-27 2001-11-27 Yamaha Hatsudoki Kabushiki Kaisha Evolutionary controlling system
DE102005007406A1 (de) * 2005-02-18 2006-08-24 Dr.Ing.H.C. F. Porsche Ag Verfahren zur Ansteuerung einer Motorölpumpe
FR2898936B1 (fr) * 2006-03-24 2008-05-16 Renault Sas Procede d'estimation de la richesse d'un melange air/carburant
DE102007042440B3 (de) * 2007-09-06 2009-01-29 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102008020380B4 (de) 2008-04-23 2010-04-08 Siemens Aktiengesellschaft Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
FR2989428B1 (fr) * 2012-04-11 2015-10-02 Peugeot Citroen Automobiles Sa Procede d'estimation de la richesse dans un moteur a combustion de vehicule automobile
WO2016206920A1 (en) * 2015-06-26 2016-12-29 Robert Bosch Gmbh An ecm to determine air-fuel ratio of an engine
CN110533167B (zh) * 2019-08-23 2022-02-08 中国石油化工股份有限公司 一种电动阀门执行机构用故障诊断方法及诊断系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5307276A (en) * 1991-04-25 1994-04-26 Hitachi, Ltd. Learning control method for fuel injection control system of engine
JPH06299892A (ja) * 1993-04-19 1994-10-25 Mitsubishi Electric Corp エンジンコントローラ
US5524599A (en) * 1994-01-19 1996-06-11 Kong, Deceased; Hakchul H. Fuzzy logic air/fuel controller
JP3510021B2 (ja) * 1995-09-29 2004-03-22 松下電器産業株式会社 内燃機関の空燃比制御装置
JPH1011106A (ja) * 1996-06-27 1998-01-16 Yamaha Motor Co Ltd 動力源総合制御方式
JPH10122017A (ja) * 1996-10-14 1998-05-12 Yamaha Motor Co Ltd エンジン制御方式

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6859692B2 (en) 2002-07-11 2005-02-22 Yamaha Marine Kabushiki Kaisha Information transmitting device and information transmitting method for watercraft
US7408950B2 (en) 2002-07-11 2008-08-05 Yamaha Marine Kabushiki Kaisha Multiple node network and communication method within the network
US6863580B2 (en) 2002-07-22 2005-03-08 Yamaha Marine Kabushiki Kaisha Control circuits and methods for inhibiting abrupt engine mode transitions in a watercraft
US6923696B2 (en) 2002-07-22 2005-08-02 Yamaha Marine Kabushiki Kaisha Engine starting system for multiple engines
US7120533B2 (en) * 2004-05-31 2006-10-10 Stmicroelectronics S.R.L. Soft-computing method for establishing the heat dissipation law in a diesel common rail engine
US7369935B2 (en) * 2004-05-31 2008-05-06 Stmicroelectronics S.R.L. Soft-computing method for establishing the heat dissipation law in a diesel common rail engine
JP2009180218A (ja) * 2008-01-29 2009-08-13 Honda Motor Co Ltd 内燃機関の制御装置
JP2012092782A (ja) * 2010-10-28 2012-05-17 Isuzu Motors Ltd 過給制御装置
WO2016104186A1 (ja) * 2014-12-24 2016-06-30 株式会社ケーヒン 内燃機関制御装置
JPWO2016104186A1 (ja) * 2014-12-24 2017-10-19 株式会社ケーヒン 内燃機関制御装置
US10087863B2 (en) 2014-12-24 2018-10-02 Keihin Corporation Internal combustion engine control device
US11428185B2 (en) 2019-10-02 2022-08-30 Mitsubishi Electric Corporation Control device for internal combustion engine and control program therefor

Also Published As

Publication number Publication date
EP0962871B1 (en) 2004-06-02
DE69917711T2 (de) 2005-06-16
DE69917711D1 (de) 2004-07-08
EP0962871A3 (en) 2000-03-29
EP0962871A2 (en) 1999-12-08

Similar Documents

Publication Publication Date Title
US6405122B1 (en) Method and apparatus for estimating data for engine control
JPH11343916A (ja) エンジン制御におけるデータ推定方法
EP0959414A1 (en) Optimization method for a fuzzy neural network
JP6477951B1 (ja) 車載電子制御ユニット
EP1705353B1 (en) Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine
US7299123B2 (en) Method and device for estimating the inlet air flow in a combustion chamber of a cylinder of an internal combustion engine
US5954783A (en) Engine control system using combination of forward model and inverse model
CN110118130B (zh) 内燃机的控制装置
KR940006050B1 (ko) 엔진의 연료분사제어방법 및 장치
US20200264074A1 (en) State detection system for internal combustion engine, data analysis device, and vehicle
US10825267B2 (en) Control system of internal combustion engine, electronic control unit, server, and control method of internal combustion engine
CN110352297B (zh) 机器学习装置
US20070233326A1 (en) Engine self-tuning methods and systems
EP0950805B1 (en) Fuel injection control unit for an engine
JP2021017815A (ja) エンジン制御装置及びそれが有するニューラルネットワークプログラム
JP2020063699A (ja) 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法
JPH11231907A (ja) 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法
JP2020062914A (ja) 情報提供装置
JPH11328144A (ja) ファジィニューラル回路網の最適化方法
JP7388343B2 (ja) ターボチャージャのオイルコーキング堆積量の推定装置
JPH11294230A (ja) エンジンの燃料噴射制御装置
JP2000028412A (ja) 内燃機関の吸気管により吸い込まれ、吸気管内で測定される空気質量を修正する方法
WO2019151536A1 (ja) 機械学習装置
JPH11353298A (ja) 遺伝的アルゴリズムにおける個体のオンライン評価手法
JP2020086673A (ja) 機械学習装置