JPH11353006A - オンライン学習方法 - Google Patents
オンライン学習方法Info
- Publication number
- JPH11353006A JPH11353006A JP10155674A JP15567498A JPH11353006A JP H11353006 A JPH11353006 A JP H11353006A JP 10155674 A JP10155674 A JP 10155674A JP 15567498 A JP15567498 A JP 15567498A JP H11353006 A JPH11353006 A JP H11353006A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- overall
- partial
- correction
- 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.)
- Pending
Links
Landscapes
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】部分学習と全体学習の間で影響が最小限になる
ように或は相互に干渉しないように組み合わせることに
より、学習の偏りを低減させ制御対象の正確な制御を行
う。 【解決手段】目標値と出力値との誤差に基づいて制御対
象の操作量を補正する制御方法において、部分的変化の
補正量に基づいて操作量を学習する部分学習手段と、全
体的変化の補正量に基づいて操作量を学習する全体学習
手段とを備えた構成。
ように或は相互に干渉しないように組み合わせることに
より、学習の偏りを低減させ制御対象の正確な制御を行
う。 【解決手段】目標値と出力値との誤差に基づいて制御対
象の操作量を補正する制御方法において、部分的変化の
補正量に基づいて操作量を学習する部分学習手段と、全
体的変化の補正量に基づいて操作量を学習する全体学習
手段とを備えた構成。
Description
【0001】
【発明の属する技術分野】本発明は、リアルタイムで学
習を行うオンライン学習の技術分野に属する。
習を行うオンライン学習の技術分野に属する。
【0002】
【従来の技術】従来、例えば、燃料を吸気管内に噴射す
る方式のエンジンにおいて、燃焼後の排気の空燃比(A
/F)を検出する空燃比センサを設け、目標空燃比にな
るように燃料噴射量をフィードバック制御し、これによ
りエンジン性能や排ガス特性、燃費の向上を図るように
した燃料噴射制御方式が知られている。この方式におい
ては、吸入空気量を正確に算出でき、燃料噴射量を吸入
空気量に応じて管理することができれば、現在の空燃比
を目標空燃比に合わすことができるが、実際上は、燃料
噴射量および吸入空気量が種々の原因で変化するため、
現在の空燃比と目標空燃比との間にズレが生じてしま
う。何故なら、吸気管内に噴射された燃料は、その全量
が燃焼室に入るわけではなく燃料の一部は吸気管壁に付
着し、吸気管壁に付着した燃料は、エンジンの運転状態
及び吸気管壁温度により定まる蒸発時定数によって燃料
蒸発量が変化し、また、エンジンの運転状態に応じて吸
気管壁に付着する燃料付着率も変化し、さらに、吸入空
気量は、吸気温度や大気圧等のエンジン周囲の環境変化
やバルブタイミング等のエンジン自体の経時変化によっ
ても変動してしまう。
る方式のエンジンにおいて、燃焼後の排気の空燃比(A
/F)を検出する空燃比センサを設け、目標空燃比にな
るように燃料噴射量をフィードバック制御し、これによ
りエンジン性能や排ガス特性、燃費の向上を図るように
した燃料噴射制御方式が知られている。この方式におい
ては、吸入空気量を正確に算出でき、燃料噴射量を吸入
空気量に応じて管理することができれば、現在の空燃比
を目標空燃比に合わすことができるが、実際上は、燃料
噴射量および吸入空気量が種々の原因で変化するため、
現在の空燃比と目標空燃比との間にズレが生じてしま
う。何故なら、吸気管内に噴射された燃料は、その全量
が燃焼室に入るわけではなく燃料の一部は吸気管壁に付
着し、吸気管壁に付着した燃料は、エンジンの運転状態
及び吸気管壁温度により定まる蒸発時定数によって燃料
蒸発量が変化し、また、エンジンの運転状態に応じて吸
気管壁に付着する燃料付着率も変化し、さらに、吸入空
気量は、吸気温度や大気圧等のエンジン周囲の環境変化
やバルブタイミング等のエンジン自体の経時変化によっ
ても変動してしまう。
【0003】この問題を解決するために、特願平9−2
71188号により、エンジンの運転状態に基づいて推
定吸入空気量及び推定吸入燃料量を学習可能に算出する
学習モデルを備え、目標空燃比と実際の空燃比との差に
基づいて推定吸入空気量及び推定吸入燃料量のオンライ
ン学習を行い、フィードフォワード制御により燃料噴射
量を制御することにより、過渡状態、環境変化及び経時
変化に対応できる制御方式が提案されている。
71188号により、エンジンの運転状態に基づいて推
定吸入空気量及び推定吸入燃料量を学習可能に算出する
学習モデルを備え、目標空燃比と実際の空燃比との差に
基づいて推定吸入空気量及び推定吸入燃料量のオンライ
ン学習を行い、フィードフォワード制御により燃料噴射
量を制御することにより、過渡状態、環境変化及び経時
変化に対応できる制御方式が提案されている。
【0004】
【発明が解決しようとする課題】しかしながら、上記従
来の制御においては、吸気温度や大気圧等のエンジン周
囲の環境が変化した場合、教師データ(エンジン運転条
件)の得られた部分しか学習を行うことができず、学習
済みの部分と未学習の部分で制御性に大きく差が生じて
しまうという問題を有している。これを図12により説
明する。図12は、エンジン回転数Nとスロットル開度
θに応じた体積効率Veの学習結果を示し、図(A)は
富士山5合目登山前、図(B)は下山後の状態を示して
いる。すなわち、登りと下りでは、外部負荷が異なりス
ロットル開度の使用する領域が異なるため、下山後の学
習結果によるマップが登山前のものと相違してしまい、
正確な推定吸入空気量を算出することができず、適正な
制御ができなくなってしまう。
来の制御においては、吸気温度や大気圧等のエンジン周
囲の環境が変化した場合、教師データ(エンジン運転条
件)の得られた部分しか学習を行うことができず、学習
済みの部分と未学習の部分で制御性に大きく差が生じて
しまうという問題を有している。これを図12により説
明する。図12は、エンジン回転数Nとスロットル開度
θに応じた体積効率Veの学習結果を示し、図(A)は
富士山5合目登山前、図(B)は下山後の状態を示して
いる。すなわち、登りと下りでは、外部負荷が異なりス
ロットル開度の使用する領域が異なるため、下山後の学
習結果によるマップが登山前のものと相違してしまい、
正確な推定吸入空気量を算出することができず、適正な
制御ができなくなってしまう。
【0005】そのために、エンジンのオンライン学習に
おいては、長時間にわたる部分的変化に対応する部分学
習と、短時間の環境変化に対応する全体学習を相互に干
渉しないように組み合わせるかが大きな課題となってい
る。これは、エンジンの制御以外にも、例えばロボット
制御における感情変化に対応する部分学習と性格変化に
対応する全体学習などにおいても同様の課題となってい
る。
おいては、長時間にわたる部分的変化に対応する部分学
習と、短時間の環境変化に対応する全体学習を相互に干
渉しないように組み合わせるかが大きな課題となってい
る。これは、エンジンの制御以外にも、例えばロボット
制御における感情変化に対応する部分学習と性格変化に
対応する全体学習などにおいても同様の課題となってい
る。
【0006】本発明は、上記問題を解決するものであっ
て、部分学習と全体学習の間で影響が最小限になるよう
に或は相互に干渉しないように組み合わせることによ
り、学習の偏りを低減させ制御対象の正確な制御を行う
ことができるオンライン学習方法を提供することを目的
とする。
て、部分学習と全体学習の間で影響が最小限になるよう
に或は相互に干渉しないように組み合わせることによ
り、学習の偏りを低減させ制御対象の正確な制御を行う
ことができるオンライン学習方法を提供することを目的
とする。
【0007】
【課題を解決するための手段】そのために本発明のオン
ライン学習方法は、目標値と出力値との誤差に基づいて
制御対象の操作量を補正する制御方法において、部分的
変化の補正量に基づいて操作量を学習する部分学習手段
と、全体的変化の補正量に基づいて操作量を学習する全
体学習手段とを備えたことを特徴とする。
ライン学習方法は、目標値と出力値との誤差に基づいて
制御対象の操作量を補正する制御方法において、部分的
変化の補正量に基づいて操作量を学習する部分学習手段
と、全体的変化の補正量に基づいて操作量を学習する全
体学習手段とを備えたことを特徴とする。
【0008】
【発明の実施の形態】以下、本発明の実施の形態を図面
を参照しつつ説明する。本発明のオンライン学習方法の
1実施形態を示す構成図である。本発明においては、制
御対象54の運転状態に基づいて制御パラメータを学習
可能に算出する学習モデル52を備え、目標値と実際の
出力値との差をフィードバックして制御パラメータのオ
ンライン学習を行い、フィードフォワード制御により制
御対象54を制御するものであり、エンジン、ロボット
等の制御に適用することができる。
を参照しつつ説明する。本発明のオンライン学習方法の
1実施形態を示す構成図である。本発明においては、制
御対象54の運転状態に基づいて制御パラメータを学習
可能に算出する学習モデル52を備え、目標値と実際の
出力値との差をフィードバックして制御パラメータのオ
ンライン学習を行い、フィードフォワード制御により制
御対象54を制御するものであり、エンジン、ロボット
等の制御に適用することができる。
【0009】制御部53は、運転条件、制御パラメータ
及び全体補正係数から操作量を算出し制御対象54に出
力する。学習モデル52は、運転条件から制御パラメー
タを演算し制御部53に出力する。このとき、部分的変
化の補正量演算部55において、目標値と実際の出力値
との差が小さくなるように補正量を演算し、制御パラメ
ータを補正するとともに、補正された制御パラメータに
基づいて学習モデル52での学習(部分学習)を行う。
及び全体補正係数から操作量を算出し制御対象54に出
力する。学習モデル52は、運転条件から制御パラメー
タを演算し制御部53に出力する。このとき、部分的変
化の補正量演算部55において、目標値と実際の出力値
との差が小さくなるように補正量を演算し、制御パラメ
ータを補正するとともに、補正された制御パラメータに
基づいて学習モデル52での学習(部分学習)を行う。
【0010】一方、全体補正部57においては全体補正
係数が記憶されており、全体的変化の補正量演算部56
において、目標値と実際の出力値との差が小さくなるよ
うに補正量を演算し、全体補正係数を補正するととも
に、補正された全体補正係数を全体補正部57にフィー
ドバックして学習(全体学習)を行い、全体補正係数は
制御部53において操作量の補正に用いられる。
係数が記憶されており、全体的変化の補正量演算部56
において、目標値と実際の出力値との差が小さくなるよ
うに補正量を演算し、全体補正係数を補正するととも
に、補正された全体補正係数を全体補正部57にフィー
ドバックして学習(全体学習)を行い、全体補正係数は
制御部53において操作量の補正に用いられる。
【0011】本発明においては、全体学習での学習率G
Zを大きく部分学習での学習率GBを小さく、例えば、G
Z/GB=10〜100となるようにし、全体的変化が部
分学習に及ぼす影響を最小限となるようにする。ここ
で、希望値をT、補正前の補正量をH、補正後の補正量
をH′、学習率(ゲイン)をGとしたとき、H′=(T
−H)G+Hで表され、従って、学習率(ゲイン)は、
G=(H′−H)/(T−H)で表される。
Zを大きく部分学習での学習率GBを小さく、例えば、G
Z/GB=10〜100となるようにし、全体的変化が部
分学習に及ぼす影響を最小限となるようにする。ここ
で、希望値をT、補正前の補正量をH、補正後の補正量
をH′、学習率(ゲイン)をGとしたとき、H′=(T
−H)G+Hで表され、従って、学習率(ゲイン)は、
G=(H′−H)/(T−H)で表される。
【0012】図2〜図11は、本発明をエンジンの燃料
噴射制御に適用した1実施形態を示している。図2は、
本実施形態におけるエンジンの構成図である。4サイク
ルエンジン1は、シリンダボディ2、クランク軸3、ピ
ストン4、燃焼室5、吸気管6、吸気弁7、排気管8、
排気弁9、点火プラグ10、点火コイル11を備え、吸
気管6内にはスロットル弁12が配設され、また、スロ
ットル弁12の上流側にはインジェクタ13が配設さ
れ、さらに、吸気管6の壁面にはECU(制御装置)1
5を内蔵したボックスが配設されている。インジェクタ
13は、圧力調整弁16、電動モータにより駆動される
燃料ポンプ17、フィルタ18を介して燃料タンク19
に接続されている。
噴射制御に適用した1実施形態を示している。図2は、
本実施形態におけるエンジンの構成図である。4サイク
ルエンジン1は、シリンダボディ2、クランク軸3、ピ
ストン4、燃焼室5、吸気管6、吸気弁7、排気管8、
排気弁9、点火プラグ10、点火コイル11を備え、吸
気管6内にはスロットル弁12が配設され、また、スロ
ットル弁12の上流側にはインジェクタ13が配設さ
れ、さらに、吸気管6の壁面にはECU(制御装置)1
5を内蔵したボックスが配設されている。インジェクタ
13は、圧力調整弁16、電動モータにより駆動される
燃料ポンプ17、フィルタ18を介して燃料タンク19
に接続されている。
【0013】制御装置15には、エンジン1の運転状態
を検出する各種センサからの検出信号が入力される。す
なわち、センサとして、クランク軸3の回転角を検出す
るクランク角センサ20(エンジン回転数検出手段)、
シリンダボディ2の温度又は冷却水温度、すなわちエン
ジン本体の温度を検出するエンジン温度検出手段21、
排気管8内の空燃比を検出する空燃比検出手段22、ス
ロットル弁12の開度を検出するスロットル開度検出手
段23、吸気管6内の圧力を検出する吸気管負圧検出手
段24、吸気管壁温度を検出する吸気管壁温度検出手段
25が設けられている。制御装置15は、これら各セン
サの検出信号を演算処理し、制御信号をインジェクタ1
3、燃料ポンプ17、点火コイル11に伝送する。
を検出する各種センサからの検出信号が入力される。す
なわち、センサとして、クランク軸3の回転角を検出す
るクランク角センサ20(エンジン回転数検出手段)、
シリンダボディ2の温度又は冷却水温度、すなわちエン
ジン本体の温度を検出するエンジン温度検出手段21、
排気管8内の空燃比を検出する空燃比検出手段22、ス
ロットル弁12の開度を検出するスロットル開度検出手
段23、吸気管6内の圧力を検出する吸気管負圧検出手
段24、吸気管壁温度を検出する吸気管壁温度検出手段
25が設けられている。制御装置15は、これら各セン
サの検出信号を演算処理し、制御信号をインジェクタ1
3、燃料ポンプ17、点火コイル11に伝送する。
【0014】図3は、図2の制御装置15内で行われる
燃料噴射制御の構成図である。モデルベース制御部26
は、エンジン回転数、スロットル開度、目標A/F、体
積効率及び全体補正係数から燃料噴射量を算出しエンジ
ン1に出力する。体積効率演算部27は、エンジン回転
数及びスロットル開度から体積効率を演算しモデルベー
ス制御部26に出力する。このとき、経時変化補正の補
正量演算部28において、目標A/Fと実際の排気A/
Fとの差が小さくなるように経時変化補正の補正量を演
算し、体積効率を補正するとともに、補正された体積効
率(学習信号)に基づいて体積効率演算部27での学習
(後述)を行う(部分学習)。
燃料噴射制御の構成図である。モデルベース制御部26
は、エンジン回転数、スロットル開度、目標A/F、体
積効率及び全体補正係数から燃料噴射量を算出しエンジ
ン1に出力する。体積効率演算部27は、エンジン回転
数及びスロットル開度から体積効率を演算しモデルベー
ス制御部26に出力する。このとき、経時変化補正の補
正量演算部28において、目標A/Fと実際の排気A/
Fとの差が小さくなるように経時変化補正の補正量を演
算し、体積効率を補正するとともに、補正された体積効
率(学習信号)に基づいて体積効率演算部27での学習
(後述)を行う(部分学習)。
【0015】一方、環境補正部29においては環境補正
係数が記憶されており、環境補正の補正量演算部30に
おいて、目標A/Fと実際の排気A/Fとの差が小さく
なるように環境補正の補正量を演算し、環境補正係数を
補正するとともに、補正された環境補正係数(学習信
号)を環境補正部29にフィードバックして学習を行う
(全体学習)。
係数が記憶されており、環境補正の補正量演算部30に
おいて、目標A/Fと実際の排気A/Fとの差が小さく
なるように環境補正の補正量を演算し、環境補正係数を
補正するとともに、補正された環境補正係数(学習信
号)を環境補正部29にフィードバックして学習を行う
(全体学習)。
【0016】また、エンジン始動直後は燃焼が不安定で
あったりセンサの活性が十分でなかったりすることが原
因で排気A/Fが安定しないため、エンジン始動時に
は、切換部32により暖機補正部31側に切り換え、エ
ンジン温度、エンジン始動時の大気圧(吸気負圧)及び
大気温度(吸気管壁温度)から暖機補正係数を算出し、
暖機終了後は、切換部32により環境補正部29側に切
り換える。このときの暖機補正係数は初期値として環境
補正部の環境補正係数として用いられる。このようにし
て、環境補正係数又は暖機補正係数は、全体補正係数と
して図4のモデルベース制御部26において吸入空気量
の補正に用いられる。なお、環境補正係数に湿度の影響
を加味するようにしてもよい。
あったりセンサの活性が十分でなかったりすることが原
因で排気A/Fが安定しないため、エンジン始動時に
は、切換部32により暖機補正部31側に切り換え、エ
ンジン温度、エンジン始動時の大気圧(吸気負圧)及び
大気温度(吸気管壁温度)から暖機補正係数を算出し、
暖機終了後は、切換部32により環境補正部29側に切
り換える。このときの暖機補正係数は初期値として環境
補正部の環境補正係数として用いられる。このようにし
て、環境補正係数又は暖機補正係数は、全体補正係数と
して図4のモデルベース制御部26において吸入空気量
の補正に用いられる。なお、環境補正係数に湿度の影響
を加味するようにしてもよい。
【0017】図4は、図3のモデルベース制御部26の
構成を示すブロック図である。モデルベース制御部26
は、エンジン回転数、スロットル開度及び吸気管壁温度
に基づいて吸入燃料量を推定する燃料系モデル33と、
エンジン回転数、スロットル開度及び体積効率から吸入
空気量を推定する空気系モデル34と、エンジン回転数
及びスロットル開度に基づいて目標A/Fを設定する目
標A/F設定部35と、全体補正係数により補正された
吸入空気量と吸入燃料量から推定空燃比を算出する推定
空燃比演算部36と、設定された目標A/Fと推定A/
Fのズレに応じて燃料噴射量を算出し、エンジン及び燃
料系モデル33に出力する内部F/B(フィードバッ
ク)演算部37を備えている。
構成を示すブロック図である。モデルベース制御部26
は、エンジン回転数、スロットル開度及び吸気管壁温度
に基づいて吸入燃料量を推定する燃料系モデル33と、
エンジン回転数、スロットル開度及び体積効率から吸入
空気量を推定する空気系モデル34と、エンジン回転数
及びスロットル開度に基づいて目標A/Fを設定する目
標A/F設定部35と、全体補正係数により補正された
吸入空気量と吸入燃料量から推定空燃比を算出する推定
空燃比演算部36と、設定された目標A/Fと推定A/
Fのズレに応じて燃料噴射量を算出し、エンジン及び燃
料系モデル33に出力する内部F/B(フィードバッ
ク)演算部37を備えている。
【0018】図5は、図3の体積効率演算部27におい
て、体積効率(シリンダ容積に対する入った空気の体積
比率)を求めるためのファジィニューラルネットの概略
構成図である。体積効率は数式により求めることができ
ないのでファジィニューラルネットを用いて体積効率の
モデル化を図っている。ファジィニューラルネットは、
6つの処理層を備えた階層構造型であり、第1層から第
4層までの前件部と第5層及び第6層の後件部からな
り、前件部で入力したエンジン回転数及びスロットル開
度が、所定のルールにどの程度適合しているかをファジ
ィ推論し、前件部で得られた値を用いて後件部で重心法
を用いて推定体積効率を求める。
て、体積効率(シリンダ容積に対する入った空気の体積
比率)を求めるためのファジィニューラルネットの概略
構成図である。体積効率は数式により求めることができ
ないのでファジィニューラルネットを用いて体積効率の
モデル化を図っている。ファジィニューラルネットは、
6つの処理層を備えた階層構造型であり、第1層から第
4層までの前件部と第5層及び第6層の後件部からな
り、前件部で入力したエンジン回転数及びスロットル開
度が、所定のルールにどの程度適合しているかをファジ
ィ推論し、前件部で得られた値を用いて後件部で重心法
を用いて推定体積効率を求める。
【0019】前記ルールは、図6に示すように、入力情
報であるエンジン回転数及びスロットル開度に対応した
各3個の運転条件A11、A21、A31及びA12、A22、A
32と、入力情報の運転条件に対応する9個の結論R1〜
R9からなる。図6は、ルールをマップの形式で表した
図であり、縦軸がスロットル開度に対する運転条件
A12、A22、A32を、横軸がエンジン回転数に対する運
転条件A11、A21、A31を示し、これらエンジン回転数
及びスロットル開度により形成される2次元空間を各運
転条件に対応するように分割した9個の領域が結論R1
〜R9を示している。
報であるエンジン回転数及びスロットル開度に対応した
各3個の運転条件A11、A21、A31及びA12、A22、A
32と、入力情報の運転条件に対応する9個の結論R1〜
R9からなる。図6は、ルールをマップの形式で表した
図であり、縦軸がスロットル開度に対する運転条件
A12、A22、A32を、横軸がエンジン回転数に対する運
転条件A11、A21、A31を示し、これらエンジン回転数
及びスロットル開度により形成される2次元空間を各運
転条件に対応するように分割した9個の領域が結論R1
〜R9を示している。
【0020】この場合、前記運転条件A11はエンジン回
転数が「低回転域」、A21は「中回転域」、A31は「高
回転域」、運転条件A12はスロットル開度が「小さ
い」、A22は「中くらい」、A32は「大きい」という曖
昧な表現で運転条件を示しており、また、結論R1〜R9
は、エンジン回転数の大きさとスロットル開度の大きさ
に対応する推定体積効率を示している。これらの運転条
件及び結論により、ルールは、例えば、「エンジン回転
数が中回転域にあり、スロットル開度が中くらいの場合
は、推定体積効率は60%である。」、又は「エンジン
回転数が高回転域にあり、スロットル開度が大きい場合
は、推定体積効率は90%である。」等の9個のルール
に別れる。
転数が「低回転域」、A21は「中回転域」、A31は「高
回転域」、運転条件A12はスロットル開度が「小さ
い」、A22は「中くらい」、A32は「大きい」という曖
昧な表現で運転条件を示しており、また、結論R1〜R9
は、エンジン回転数の大きさとスロットル開度の大きさ
に対応する推定体積効率を示している。これらの運転条
件及び結論により、ルールは、例えば、「エンジン回転
数が中回転域にあり、スロットル開度が中くらいの場合
は、推定体積効率は60%である。」、又は「エンジン
回転数が高回転域にあり、スロットル開度が大きい場合
は、推定体積効率は90%である。」等の9個のルール
に別れる。
【0021】前記第1層から第4層までは、エンジン回
転数に対する処理とスロットル開度に対する処理とが分
かれており、第1層でエンジン回転数信号及びスロット
ル開度信号をそれぞれ入力信号xi(i=1又は2)と
して入力し、第2層から第4層までで、各入力信号xi
の各運転条件A11、A21、A31及びA12、A22、A32
に対する寄与率aijを求める。具体的には寄与率aij
は数1式に示すシグモナイド関数f(xi)により求め
られる。
転数に対する処理とスロットル開度に対する処理とが分
かれており、第1層でエンジン回転数信号及びスロット
ル開度信号をそれぞれ入力信号xi(i=1又は2)と
して入力し、第2層から第4層までで、各入力信号xi
の各運転条件A11、A21、A31及びA12、A22、A32
に対する寄与率aijを求める。具体的には寄与率aij
は数1式に示すシグモナイド関数f(xi)により求め
られる。
【0022】
【数1】
【0023】なお、上式中、wc、wgはそれぞれシグモ
イド関数の中心値及び傾きに関する係数である。上記シ
グモイド関数により第4層で寄与率aijを求めた後、第
5層で数2式を用いて前記寄与率から入力したエンジン
回転数及びスロットル開度に対する9個の結論R1〜R9
に対する適合度μiを求め、さらに数3式を用いて適合
度μiを正規化した正規化適合度を求め、第6層では数
4式を用いて数3式で得られた各結論に対する正規化適
合度と、ファジィルールの各出力値fi(すなわち各結
論R1〜R9に対応する出力値)との荷重平均をとって推
定体積効率Veを求める。なお、図5において、wfは、
前記の出力値fiに相当する結合係数である。
イド関数の中心値及び傾きに関する係数である。上記シ
グモイド関数により第4層で寄与率aijを求めた後、第
5層で数2式を用いて前記寄与率から入力したエンジン
回転数及びスロットル開度に対する9個の結論R1〜R9
に対する適合度μiを求め、さらに数3式を用いて適合
度μiを正規化した正規化適合度を求め、第6層では数
4式を用いて数3式で得られた各結論に対する正規化適
合度と、ファジィルールの各出力値fi(すなわち各結
論R1〜R9に対応する出力値)との荷重平均をとって推
定体積効率Veを求める。なお、図5において、wfは、
前記の出力値fiに相当する結合係数である。
【0024】
【数2】
【0025】
【数3】
【0026】
【数4】
【0027】この体積効率演算部27は学習可能に構成
されており、初期状態においては、実験的に求めた体積
効率とファジィニューラルネットが出力する体積効率と
を直接比較し、両者の誤差が小さくなるように、ファジ
ィニューラルネットの各ルールの設定、シグモイド関数
の中心値及び傾きに関する係数wc、wg、結合係数wf
を修正することによりファジィニューラルネットでの学
習を行い、その後はA/Fのズレにより補正された体積
効率(エンジン回転数及びスロットル開度のデータをも
つ)に基づいて前記諸係数を更新することによりファジ
ィニューラルネットでのオンライン学習を行う。
されており、初期状態においては、実験的に求めた体積
効率とファジィニューラルネットが出力する体積効率と
を直接比較し、両者の誤差が小さくなるように、ファジ
ィニューラルネットの各ルールの設定、シグモイド関数
の中心値及び傾きに関する係数wc、wg、結合係数wf
を修正することによりファジィニューラルネットでの学
習を行い、その後はA/Fのズレにより補正された体積
効率(エンジン回転数及びスロットル開度のデータをも
つ)に基づいて前記諸係数を更新することによりファジ
ィニューラルネットでのオンライン学習を行う。
【0028】図7は、図3の経時変化補正の補正量演算
部28及び環境補正の補正量演算部30の構成を示すブ
ロック図である。目標A/Fと実際の排気A/Fとの差
が小さくなるように環境補正の補正量を演算する演算部
40と、排気A/Fから所定時間の平均A/Fを算出す
る平均A/F算出部41と、目標A/Fと平均A/Fと
の差が小さくなるように補正量を演算する演算部42
と、エンジン回転数及びスロットル開度の変化率から定
常状態か否かを判別する定常状態判別部43と、定常状
態の場合には、補正量演算部40の補正量を出力し、過
渡状態の場合には補正量演算部42の補正量を出力する
切換部44を備えている。なお、本例においては、非定
常状態の場合に平均A/Fを演算するようにしている
が、他の統計的処理を行うようにしてもよい。また、経
時変化補正は、環境補正に比べてゲインを小さくしてい
るので、その補正量演算部28は、非定常時にA/Fを
そのまま用いるようにしてもよい。
部28及び環境補正の補正量演算部30の構成を示すブ
ロック図である。目標A/Fと実際の排気A/Fとの差
が小さくなるように環境補正の補正量を演算する演算部
40と、排気A/Fから所定時間の平均A/Fを算出す
る平均A/F算出部41と、目標A/Fと平均A/Fと
の差が小さくなるように補正量を演算する演算部42
と、エンジン回転数及びスロットル開度の変化率から定
常状態か否かを判別する定常状態判別部43と、定常状
態の場合には、補正量演算部40の補正量を出力し、過
渡状態の場合には補正量演算部42の補正量を出力する
切換部44を備えている。なお、本例においては、非定
常状態の場合に平均A/Fを演算するようにしている
が、他の統計的処理を行うようにしてもよい。また、経
時変化補正は、環境補正に比べてゲインを小さくしてい
るので、その補正量演算部28は、非定常時にA/Fを
そのまま用いるようにしてもよい。
【0029】図8は、図3の実施形態における学習方法
を説明するためのフロー図である。先ず、ステップS1
でエンジン始動前の大気圧、大気温度を記憶し、ステッ
プS2でエンジン温度により暖機終了か否かが判定さ
れ、暖機終了前であれば、ステップS3で始動前の大気
圧、大気温度により暖機補正係数を設定し、暖機補正を
行う。暖機が終了したらステップS4でスロットル開度
変化率及び/又はエンジン回転数の変化率から定常運転
か否か(過渡時)が判定され、定常運転であればステッ
プS5で排気A/Fをフィードバックし、定常運転でな
ければステップS6で所定時間(例えば10秒)の平均
A/Fをフィードバックする。そして、ステップS7で
環境補正係数の学習(全体学習)を行い、ステップS8
で体積効率のオンライン学習(部分学習)を行い、以
下、ステップS4〜S8の処理を繰り返す。本実施形態
の場合、図1で説明したように、全体学習での全体補正
係数の学習率GZを大きく、部分学習でのオンライン学
習率GBを小さく、例えば、GZ/GB=10〜100と
なるようにし、環境変化(全体的変化)が経時変化(部
分学習)に及ぼす影響を最小限となるようにする。
を説明するためのフロー図である。先ず、ステップS1
でエンジン始動前の大気圧、大気温度を記憶し、ステッ
プS2でエンジン温度により暖機終了か否かが判定さ
れ、暖機終了前であれば、ステップS3で始動前の大気
圧、大気温度により暖機補正係数を設定し、暖機補正を
行う。暖機が終了したらステップS4でスロットル開度
変化率及び/又はエンジン回転数の変化率から定常運転
か否か(過渡時)が判定され、定常運転であればステッ
プS5で排気A/Fをフィードバックし、定常運転でな
ければステップS6で所定時間(例えば10秒)の平均
A/Fをフィードバックする。そして、ステップS7で
環境補正係数の学習(全体学習)を行い、ステップS8
で体積効率のオンライン学習(部分学習)を行い、以
下、ステップS4〜S8の処理を繰り返す。本実施形態
の場合、図1で説明したように、全体学習での全体補正
係数の学習率GZを大きく、部分学習でのオンライン学
習率GBを小さく、例えば、GZ/GB=10〜100と
なるようにし、環境変化(全体的変化)が経時変化(部
分学習)に及ぼす影響を最小限となるようにする。
【0030】図9は、図3の実施形態における学習方法
の他の例を説明するためのフロー図である。本例におい
ては、ステップS9において、環境補正係数の変化率が
所定値K以上の場合には、ステップS8の部分学習を中
断し、ステップS10で環境補正係数を記憶するように
し、これにより、全体学習と部分学習とが相互に干渉し
ないようにすることができる。
の他の例を説明するためのフロー図である。本例におい
ては、ステップS9において、環境補正係数の変化率が
所定値K以上の場合には、ステップS8の部分学習を中
断し、ステップS10で環境補正係数を記憶するように
し、これにより、全体学習と部分学習とが相互に干渉し
ないようにすることができる。
【0031】図10は、富士山5合目に登り下りした場
合に、部分学習のみを行った場合と、全体学習と部分学
習を併用した場合の制御結果を示す図である。部分学習
のみの場合には、波形のハンチングが大きいと共に目標
A/F=12.0に制御ができなく、全体学習と部分学
習を併用した場合には、波形が滑らかで、且つ目標A/
F=12.0にほぼ制御されていることが判る。図11
は、図10において、5合目到達時点での吸入空気量の
出力結果を示す図である。部分学習のみの場合には、部
分学習の出力結果Aと本来あるべき出力結果Bとの間に
ずれが生じるが、全体学習と部分学習を併用した場合に
は、両者を一致させることができる。
合に、部分学習のみを行った場合と、全体学習と部分学
習を併用した場合の制御結果を示す図である。部分学習
のみの場合には、波形のハンチングが大きいと共に目標
A/F=12.0に制御ができなく、全体学習と部分学
習を併用した場合には、波形が滑らかで、且つ目標A/
F=12.0にほぼ制御されていることが判る。図11
は、図10において、5合目到達時点での吸入空気量の
出力結果を示す図である。部分学習のみの場合には、部
分学習の出力結果Aと本来あるべき出力結果Bとの間に
ずれが生じるが、全体学習と部分学習を併用した場合に
は、両者を一致させることができる。
【0032】以上、本発明の実施の形態について説明し
たが、本発明はこれに限定されるものではなく種々の変
更が可能である。例えば、上記実施形態においては、学
習モデルとしてファジィニューラルネットを採用してい
るが、これに限定されるものではなく、例えば、ニュー
ラルネットやCMAC(Cerebellar Model Arithmetic
Computer)等の学習可能な計算モデルを採用してもよ
い。CMACを用いる利点としては、階層型ニューラル
ネットに比べ追加学習の能力が優れていること、学習が
高速である等が挙げられる。
たが、本発明はこれに限定されるものではなく種々の変
更が可能である。例えば、上記実施形態においては、学
習モデルとしてファジィニューラルネットを採用してい
るが、これに限定されるものではなく、例えば、ニュー
ラルネットやCMAC(Cerebellar Model Arithmetic
Computer)等の学習可能な計算モデルを採用してもよ
い。CMACを用いる利点としては、階層型ニューラル
ネットに比べ追加学習の能力が優れていること、学習が
高速である等が挙げられる。
【0033】
【発明の効果】以上の説明から明らかなように、請求項
1、4記載の発明によれば、部分学習と全体学習を組み
合わせることにより、学習の偏りを低減させ制御対象の
正確な制御を行うことができ、請求項2記載の発明によ
れば、全体的変化が部分学習に及ぼす影響を最小限とな
るようにすることができ、請求項3記載の発明によれ
ば、部分学習と全体学習を相互に干渉しないように組み
合わせることができ、請求項5、6記載の発明によれ
ば、エンジンに適用させた場合に、経時変化の補正を部
分学習で、環境変化の補正を全体学習で行わせることに
より、学習の偏りを低減させ制御対象の正確な制御を行
うことができ、請求項7記載の発明によれば、暖機運転
時にも制御可能にすることができ、請求項8記載の発明
によれば、学習モデルとしてファジィニューラルネット
を採用することにより、効果的に学習を行わせることが
できる。
1、4記載の発明によれば、部分学習と全体学習を組み
合わせることにより、学習の偏りを低減させ制御対象の
正確な制御を行うことができ、請求項2記載の発明によ
れば、全体的変化が部分学習に及ぼす影響を最小限とな
るようにすることができ、請求項3記載の発明によれ
ば、部分学習と全体学習を相互に干渉しないように組み
合わせることができ、請求項5、6記載の発明によれ
ば、エンジンに適用させた場合に、経時変化の補正を部
分学習で、環境変化の補正を全体学習で行わせることに
より、学習の偏りを低減させ制御対象の正確な制御を行
うことができ、請求項7記載の発明によれば、暖機運転
時にも制御可能にすることができ、請求項8記載の発明
によれば、学習モデルとしてファジィニューラルネット
を採用することにより、効果的に学習を行わせることが
できる。
【図1】本発明のオンライン学習方法の1実施形態を示
す構成図である。
す構成図である。
【図2】本発明をエンジンの燃料噴射制御に適用した1
実施形態を示すエンジンの構成図である。
実施形態を示すエンジンの構成図である。
【図3】図2の制御装置内で行われる燃料噴射制御のブ
ロック図である。
ロック図である。
【図4】図3のモデルベース制御部の構成を示すブロッ
ク図である。
ク図である。
【図5】図3の体積効率演算部において、推定体積効率
を求めるためのファジィニューラルネットの概略構成図
である。
を求めるためのファジィニューラルネットの概略構成図
である。
【図6】図5のルールをマップの形式で表した図であ
る。
る。
【図7】図3の環境補正の補正量演算部の構成を示すブ
ロック図である。
ロック図である。
【図8】図3の実施形態における学習方法を説明するた
めのフロー図である。
めのフロー図である。
【図9】図3の実施形態における学習方法の他の例を説
明するためのフロー図である。
明するためのフロー図である。
【図10】富士山5合目に登り下りした場合に、部分学
習を行った場合と、全体学習と部分学習を併用した場合
の制御結果を示す図である。
習を行った場合と、全体学習と部分学習を併用した場合
の制御結果を示す図である。
【図11】図9において、5合目到達時点での吸入空気
量の出力結果を示す図である。
量の出力結果を示す図である。
【図12】従来のオンライン学習結果を示し、図(A)
は富士山5合目登山前、図(B)は下山後の体積効率を
示している。
は富士山5合目登山前、図(B)は下山後の体積効率を
示している。
Claims (8)
- 【請求項1】目標値と出力値との誤差に基づいて制御対
象の操作量を補正する制御方法において、部分的変化の
補正量に基づいて操作量を学習する部分学習手段と、全
体的変化の補正量に基づいて操作量を学習する全体学習
手段とを備えたことを特徴とするオンライン学習方法。 - 【請求項2】全体学習手段の学習率を部分学習手段の学
習率よりも大きく設定することを特徴とする請求項1記
載のオンライン学習方法。 - 【請求項3】全体的変化の補正量の変化率が所定値以上
の場合に前記部分学習手段での学習を中断することを特
徴とする請求項1記載のオンライン学習方法。 - 【請求項4】前記部分学習手段は、制御対象の運転状態
に基づいて制御パラメータを学習可能に算出する学習モ
デルを備え、目標値と出力値との誤差に基づいて制御パ
ラメータの演算値のオンライン学習を行う手段であり、
前記全体学習手段は、目標値と出力値との誤差に基づい
て制御パラメータの演算値に補正係数を掛け合わせるこ
とを特徴とする請求項1ないし3のいずれかに記載のオ
ンライン学習方法。 - 【請求項5】前記制御対象がエンジン、操作量が燃料噴
射量、目標値及び出力値が空燃比、部分学習手段が経時
変化の補正量を学習する手段、全体学習手段が環境変化
の補正量を学習する手段であり、全体学習手段は、エン
ジンの定常運転時には出力値をそのまま用い、非定常運
転時には出力値を統計的処理することを特徴とする請求
項4記載のオンライン学習方法。 - 【請求項6】前記部分学習手段は、エンジンの定常運転
時には出力値をそのまま用い、非定常運転時には出力値
を統計的処理することを特徴とする請求項5記載のオン
ライン学習方法。 - 【請求項7】エンジンの暖機運転時には、暖機運転状態
の補正係数を用い、暖機運転終了後に全体学習を行うこ
とを特徴とする請求項5又は6記載のオンライン学習方
法。 - 【請求項8】前記学習モデルがファジィニューラルネッ
トから構成されていることを特徴とする請求項1ないし
7のいずれかに記載のオンライン学習方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10155674A JPH11353006A (ja) | 1998-06-04 | 1998-06-04 | オンライン学習方法 |
US09/315,921 US6349293B1 (en) | 1998-05-20 | 1999-05-20 | Method for optimization of a fuzzy neural network |
EP99109963A EP0959414A1 (en) | 1998-05-20 | 1999-05-20 | Optimization method for a fuzzy neural network |
DE69914025T DE69914025T2 (de) | 1998-05-20 | 1999-05-20 | Online Lernverfahren |
EP99109952A EP0967534B1 (en) | 1998-05-20 | 1999-05-20 | Online learning method |
US09/324,750 US6466859B1 (en) | 1998-06-04 | 1999-06-03 | Control system |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10155674A JPH11353006A (ja) | 1998-06-04 | 1998-06-04 | オンライン学習方法 |
US09/315,921 US6349293B1 (en) | 1998-05-20 | 1999-05-20 | Method for optimization of a fuzzy neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH11353006A true JPH11353006A (ja) | 1999-12-24 |
Family
ID=26483605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP10155674A Pending JPH11353006A (ja) | 1998-05-20 | 1998-06-04 | オンライン学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH11353006A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009180195A (ja) * | 2008-01-31 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の燃料噴射装置 |
JP2010009529A (ja) * | 2008-06-30 | 2010-01-14 | Fanuc Ltd | サーボモータの駆動制御装置及び駆動制御方法 |
JP2011027110A (ja) * | 2009-07-24 | 2011-02-10 | Harley-Davidson Motor Co Group Llc | 通常動作中に収集されたデータを用いた車両校正 |
JP2014185571A (ja) * | 2013-03-22 | 2014-10-02 | Yamaha Motor Co Ltd | 燃料噴射制御装置 |
JP2018197977A (ja) * | 2017-05-24 | 2018-12-13 | トヨタ自動車株式会社 | 車両システム |
JP2020134051A (ja) * | 2019-02-21 | 2020-08-31 | 三菱電機株式会社 | 空気調和機制御装置、空気調和機制御方法およびプログラム |
JP2023028327A (ja) * | 2021-08-19 | 2023-03-03 | 富士電機株式会社 | 制御装置、制御方法、及びプログラム |
-
1998
- 1998-06-04 JP JP10155674A patent/JPH11353006A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009180195A (ja) * | 2008-01-31 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の燃料噴射装置 |
JP2010009529A (ja) * | 2008-06-30 | 2010-01-14 | Fanuc Ltd | サーボモータの駆動制御装置及び駆動制御方法 |
JP4741637B2 (ja) * | 2008-06-30 | 2011-08-03 | ファナック株式会社 | サーボモータの駆動制御装置及び駆動制御方法 |
JP2011027110A (ja) * | 2009-07-24 | 2011-02-10 | Harley-Davidson Motor Co Group Llc | 通常動作中に収集されたデータを用いた車両校正 |
US9115663B2 (en) | 2009-07-24 | 2015-08-25 | Harley-Davidson Motor Company Group, LLC | Vehicle calibration using data collected during normal operating conditions |
JP2014185571A (ja) * | 2013-03-22 | 2014-10-02 | Yamaha Motor Co Ltd | 燃料噴射制御装置 |
US9745913B2 (en) | 2013-03-22 | 2017-08-29 | Yamaha Hatsudoki Kabushiki Kaisha | Fuel injection controller |
JP2018197977A (ja) * | 2017-05-24 | 2018-12-13 | トヨタ自動車株式会社 | 車両システム |
JP2020134051A (ja) * | 2019-02-21 | 2020-08-31 | 三菱電機株式会社 | 空気調和機制御装置、空気調和機制御方法およびプログラム |
JP2023028327A (ja) * | 2021-08-19 | 2023-03-03 | 富士電機株式会社 | 制御装置、制御方法、及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4975158B2 (ja) | プラントの制御装置 | |
JP4315179B2 (ja) | 内燃機関の空燃比制御装置 | |
EP0967534B1 (en) | Online learning method | |
JPH10122017A (ja) | エンジン制御方式 | |
US6983735B2 (en) | Control apparatus for controlling the amount of intake air into an engine | |
JP2004036473A (ja) | 内燃機関の空燃比制御装置 | |
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 | |
US6466859B1 (en) | Control system | |
JPH11353006A (ja) | オンライン学習方法 | |
JPH11294216A (ja) | エンジンの制御装置 | |
US7124015B2 (en) | Control apparatus for plant | |
JP2004156456A (ja) | 内燃機関の吸入空気量推定方法、推定装置、吸入空気量制御方法および制御装置 | |
JPH11294230A (ja) | エンジンの燃料噴射制御装置 | |
EP2397677B1 (en) | Egr control apparatus for internal combustion engine | |
JP2001164971A (ja) | 内燃機関の空燃比制御装置 | |
JP2832422B2 (ja) | 内燃機関の排気ガス再循環装置 | |
JP3355287B2 (ja) | 内燃機関の燃料噴射制御装置 | |
JPH08165947A (ja) | 内燃エンジンのスロットル弁制御装置 | |
JPS61167134A (ja) | エンジンの空燃比制御装置 | |
JP4184361B2 (ja) | エンジンの制御装置 | |
JP3478092B2 (ja) | アイドル吸気圧学習機能を有するエンジン制御装置 | |
JPH11294231A (ja) | エンジンの燃料噴射制御装置 | |
JP4304411B2 (ja) | 内燃機関の燃料噴射制御装置 | |
JPH06173743A (ja) | 内燃機関の空燃比学習制御方法 | |
JP2886771B2 (ja) | 内燃エンジンの吸気管内圧力予測装置 |