JPH1185719A

JPH1185719A - パラメータ推定装置

Info

Publication number: JPH1185719A
Application number: JP9238017A
Authority: JP
Inventors: Akira Ishida; 明石田; Masuo Takigawa; 益生瀧川
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1997-09-03
Filing date: 1997-09-03
Publication date: 1999-03-30
Also published as: US6092017A

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
推定装置において推定精度の悪い領域を再学習しても、
他の推定精度の良好な領域を劣化させることなく、悪い
領域だけの推定精度を向上させることを目的とする。【解決手段】ニューラルネットワークにより推定対象
パラメータ値を推定するパラメータ推定装置において、
ニューラルネットワークを、複数の入力パラメータの一
部のパラメータにより表される領域ごとに予め定めてあ
るように結合の仕方を変更して学習を行ったものとし、
領域判定手段により受け付けた前記複数の入力パラメー
タ値のうちの前記一部のパラメータ値から前記領域のい
ずれに属するかを判定し、経路変更手段により領域判定
手段が判定した領域に応じて前記ニューラルネットワー
クの結合の仕方を学習したときと同じように変更するよ
うに構成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、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関し、特に、入力
パラメータの範囲に対応した学習が可能なパラメータ推
定装置に関する。

【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、学習機能に基づい
て入力の値から出力の値を推定するようにすることが可
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、非線形性の
強い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。例えば、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自動車の内燃エンジンの
空燃比制御装置が挙げられる。

【０００３】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。

【０００４】このような空燃比制御では通常スロットル
開度等の変化に応じて、燃料噴射量の増量補正、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、
アイドル時や定速走行時などの定常運転域ではよい結果
を得ることができる。しかし、加減速時などの過渡状態
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。

【０００５】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８−７４６３６号公報に、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。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２２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（Ｐｂ）、スロットル開
度（ＴＨＬ）、燃料噴射量（Ｇｆ）、吸入空気温（Ｔ
ａ）、冷却水温（Ｔｗ）、空燃比（Ａ／Ｆ）を検出し、
ニューロ演算部２２０により、この状態検出部２１０で
検出した複数のパラメータを入力とし、空燃比センサで
は過渡時等においては追従できない真の空燃比（Ａ／Ｆ
ｒ）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。こ
のように、通常のセンサでは得ることのできない過渡状
態等における空燃比（Ａ／Ｆ）の値を得ることにより適
正な空燃比の制御が可能となる。

【０００６】このような制御を可能とする、上記ニュー
ロ演算部２２０に用いられるニューラルネットワークの
構成を図２３に示す。このニューラルネットワークは３
層により構成される。第１層へは入力パラメータとして
エンジン回転数（Ｎｅ）、吸入空気圧（Ｐｂ）、スロッ
トル開度（ＴＨＬ）、燃料噴射量（Ｇｆ）、吸入空気温
（Ｔａ）、冷却水温（Ｔｗ）、検出空燃比（Ａ／Ｆk）
が入力される。この検出空燃比（Ａ／Ｆｋ）は制御周期
において空燃比センサが検出した最新の空燃比である。
もっとも、この空燃比（Ａ／Ｆk）はセンサ遅れにより
真の空燃比（Ａ／Ｆr）の値を示していない。入力され
た各パラメータはそれぞれのウエイト値を乗算されて第
２層の各ニューロンで総和されたのち閾値が加算され、
トランスファー関数により変換される。第２層で変換さ
れた値は、さらにそれぞれウエイト値を乗算されて第３
層のニューロンで総和される。そして、第３層のニュー
ロンでこの総和された値に別の閾値を加算したもの別の
トランスファー関数により変換して推定空燃比（Ａ／Ｆ
NN）の値が算出される。

【０００７】このようなニューラルネットワークの学習
課程を図２４を用いて説明する。図２４はエンジン回転
数（Ｎｅ）等を入力パラメータとして、推定空燃比（Ａ
／ＦNN）を得るニューラルネットワークの学習過程を示
す模式図である。まず、学習データ採取のために自動車
のエンジンＥに図２２と同じ状態検出部２１０を設けて
おり、実際に自動車を運転し学習用のデータを採取す
る。採取されたデータは学習用データ生成部ａによりセ
ンサの応答遅れ等を調整した学習用データに変換され
る。学習用データには、教師データ用の空燃比（Ａ／Ｆ
t）と、これに対応する入力パラメータ用のエンジン回
転数（Ｎｅ）等がある。教師データ用の空燃比（Ａ／Ｆ
t）は空燃センサにより検出された空燃比（Ａ／Ｆk）か
ら検出遅れを考慮して得ることができる。なお、各入力
パラメータは時系列的に過去のデータも含めるようにす
ることが望ましいが、ここでは、説明を簡略化するため
に過去のパラメータは入力していない。生成された学習
用データは学習用データ蓄積部ｂに蓄積される。そし
て、学習実施部ｃが蓄積された学習用データを用いてニ
ューラルネットワークの学習を行う。即ち、入力パラメ
ータ用のエンジン回転数（Ｎｅ）等をニューラルネット
ワークに入力して、出力として推定された空燃比（Ａ／
ＦNN）と教師用の空燃比（Ａ／Ｆt）の偏差ｅを検出
し、この偏差ｅをある許容値以内、例えば空燃比換算で
平均０．１以下となるようにバックプロパゲーション法
によりニューラルネットワークの構成、つまり、ウエイ
ト値やトランスファー関数等を変えていく。

【０００８】

【発明が解決しようとする課題】しかし、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、制御性能
を向上させるためには、ニューラルネットワークの高精
度な学習を行うことが不可欠となる。そこで、上記の様
な学習をさせる際に、学習用のデータを特定の範囲に固
まることなく、また、予め制御対象の動作範囲内の学習
データを揃えて学習を行うことが行われている。しか
し、この学習データで十分であるかどうかは結果からし
か知ることができず、通常は学習をしては評価を行い、
評価結果の悪い領域のデータを採取しては学習データを
作成し直し、再び学習を行うといった開発ルーチンを繰
り返す必要がある。なお、「領域」とは、少なくとも１
部の入力パラメータの範囲の組み合わせから定まる、エ
ンジンの運転状態を表す概念である。

【０００９】ところで、評価データにより評価した結
果、一部のデータの誤差が大きい場合、その誤差を小さ
くするためには、通常その誤差の大きい領域の学習デー
タを増加させ再学習する。このとき全体の学習データ分
布のバランスを取るように、即ち各領域毎の学習データ
の個数のバランスを考えながら追加データを選定し再度
学習データを作成しなければならない。しかし、この選
定した追加データを用いて再学習した結果、前回良好な
結果が得られていた領域が、今回の学習により良好な結
果が得られなくなる場合や、全体的に劣化する場合が生
じることがある。このような場合、再度学習データの選
定を行わなければならず、何度もデータ採取を行い学習
し直さなければならないため、良好な結果が得られるま
で多大な時間がかかってしまう。このように、ニューラ
ルネットワークの推定精度を広範な推定領域に渡って向
上させるのは大変困難であり現在試行錯誤を行うことで
しかこれを解決することができない。

【００１０】また、ニューラルネットワークの学習にお
いては全ての起こりうる動作状況を事前に学習・評価す
ることはできない。そのため、通常は起こりうると考え
られる動作範囲内の学習を上述のような試行錯誤により
行い、当該学習範囲内では高精度な制御性能を保証する
ようにしている。しかし、学習範囲外では推定精度が保
証できないため制御性能も保証できず、通常は学習範囲
外の入力があった場合は制御を中止する等のフェールセ
ーフ機能が必要となる。

【００１１】例えば、前述したようなニューラルネット
ワークを用いた空燃比制御装置では、予め通常考えられ
る運転モードの範囲の学習データで学習・評価したニュ
ーラルネットワークが使用される。このため、学習範囲
外の走行状態では高精度な制御は保証できず、例えばド
ライバーが山岳路を主に走行する場合、さらには、空燃
比センサ等が劣化した場合などには、良好な空燃比制御
を行うことができなくなる。

【００１２】このような場合に対処するために、オンラ
イン学習可能な適応型ニューラルネットワークの概念が
あるが、このような適応型ニューラルネットワークは繰
り返し同じ様な動作を行う場合に有効であり、様々な動
作をランダムに行うような場合においては、上述したよ
うに新たな学習により今まで精度の良かった領域の推定
値が劣化することがあるため、現在のオンライン学習可
能な適応型ニューラルネットワークでは容易に対応する
ことができない。

【００１３】そこで、本発明では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推定精度の悪い
領域を再学習しても、他の推定精度の良好な領域を劣化
させることなく、悪い領域だけの推定精度を向上させる
ことを可能として、当該パラメータ推定装置の開発の効
率化を図り、さらに、オンライン学習可能な適応型ニュ
ーラルネットワークにおいても、他の領域に影響を与え
ることなく推定精度の悪い領域の推定精度をのみを再学
習により向上させることで、的確かつ効率的にオンライ
ン学習ができるようにすることを目的とする。

【００１４】

【課題を解決するための手段】上記課題を解決するため
に、本発明は推定対象パラメータに関連する複数の入力
パラメータ値の入力を受け付け、受け付けた入力パラメ
ータ値からニューラルネットワークにより推定対象パラ
メータ値を推定するパラメータ推定装置において、前記
ニューラルネットワークを、前記複数の入力パラメータ
の一部のパラメータにより表される領域ごとに予め定め
てあるように結合の仕方を変更して学習を行ったものと
し、受け付けた前記複数の入力パラメータ値のうちの前
記一部のパラメータ値から前記領域のいずれに属するか
を判定する領域判定手段と、領域判定手段が判定した領
域に応じて前記ニューラルネットワークの結合の仕方を
学習したときと同じように変更する経路変更手段とを設
けたものである。なお、本願ではパラメータの一部とい
う場合にはパラメータの全部も含むものとする。

【００１５】また、前記ニューラルネットワークは前記
一部のパラメータから前記領域をファジィ推論規則によ
り判定して、この結果に応じて予め定められるように結
合の仕方を変更して学習を行ったものであり、前記領域
判定手段が前記ファジィ推論規則により前記一部のパラ
メータの値から前記領域のいずれに属するかを判定する
ようにすることが望ましい。

【００１６】そして、前記ニューラルネットワークを、
前記複数の入力パラメータの一部のパラメータにより表
される領域ごとに、結合の経路を変えて学習を行ったも
のとして、前記経路変更手段が、領域判定手段が判定し
た領域に応じて前記ニューラルネットワークの結合の経
路を選択するようにすることができる。また、前記ニュ
ーラルネットワークを、前記複数の入力パラメータの一
部のパラメータにより表される領域ごとに、結合経路の
重みを変えて学習を行ったものとして、前記経路変更手
段が、領域判定手段が判定した領域に応じて前記ニュー
ラルネットワークの結合経路の重みを変更するようにも
できる。

【００１７】それから、上記パラメータ推定装置におい
て、前記推定された推定対象パラメータ値に対して推定
結果として出力されるべき基準値を取得する基準値取得
手段と、取得した基準値と推定された推定対象パラメー
タ値とを比較して前記各領域ごとに推定精度が悪いか否
かを所定の基準に基づいて判定する推定精度判定手段と
を設け、さらに、推定精度が悪い前記領域に対応する前
記複数の入力パラメータと前記基準値とを学習用データ
とし、当該領域に応じた結合の仕方をもつ前記ニューラ
ルネットワークについてニューロ学習を行い新たな結合
構成を得る学習手段と、得られた結合構成を用いて前記
推定手段のニューラルネットワークを更新するニューラ
ルネットワーク更新手段とを設けると効果的である。

【００１８】前記推定精度判定手段は、所定の推定精度
判定期間内における前記各領域での前記推定パラメータ
値と対応する前記基準値との差の平均又は分散の値が所
定の精度判定基準値以上であれば推定精度が悪いと判定
するようにすることができる。なお推定精度判定期間は
時間のほか、制御周期、データが所定量たまる期間も含
むものであり、これは本願の他の「期間」についても同
様である。

【００１９】また、前記推定精度判定手段は、所定の推
定精度判定期間内における前記各領域での前記推定パラ
メータ値と対応する前記基準値との差の絶対値が所定の
精度判定基準値以上である場合を計数していき、当該計
数値が所定数を越えれば推定精度が悪いと判定するよう
にすることもできる。前記学習手段は、推定精度が良く
ないと判定された前記領域に対応する前記複数の入力パ
ラメータと前記基準値とを用いて学習用データを生成す
る学習用データ生成手段と、生成された学習用データを
前記領域ごとに蓄積する学習用データ蓄積手段と、蓄積
された学習用データを用いてニューロ学習を行い新たな
結合構成を得る学習実施手段とより構成することが可能
である。

【００２０】また、上記パラメータ推定装置において、
さらに、前記ニューラルネットワークの初期状態を記録
している初期結合構成記録手段と、前記ニューラルネッ
トワークを前記初期結合構成記録手段に記録されている
初期状態へ戻す初期状態復帰手段とを設けることが望ま
しい。さらに、パラメータ推定装置においては、前記ニ
ューラルネットワーク更新手段により更新されたニュー
ラルネットワークを用いて推定される推定対象パラメー
タ値と前記基準値とを比較して所定の基準に基づき、前
記各領域ごとに更新されたニューラルネットワークの汎
化性の良否を判定する汎化性判定手段と、汎化性が良く
ないと判定された前記領域に対応する更新されたニュー
ラルネットワークの結合構成を無効にする更新無効手段
とを設けると効果的である。

【００２１】また、このパラメータ推定装置において、
前記更新無効手段を、汎化性が悪いと判定された前記領
域に対応する前記複数の入力パラメータと前記基準値と
から学習用データを生成し、当該領域に応じた結合の仕
方をもつ前記ニューラルネットワークについてさらにニ
ューロ学習を行い新たな結合構成を得る再学習手段に置
換し、前記ニューラルネットワーク更新手段が前記再学
習手段により新たな結合構成が得られると、これを用い
てニューラルネットワークをさらに更新するようにする
こともできる。

【００２２】それから、上記パラメータ推定装置におい
て、さらに、前記学習手段により得られた結合係数を前
記ニューラルネットワークに仮に置き換えた仮のニュー
ラルネットワークを用いて推定される推定対象パラメー
タ値と前記基準値とを比較して所定の基準に基づき、前
記各領域ごとに当該仮のニューラルネットワークの汎化
性が良いか否かを判定する仮汎化性判定手段を設け、前
記ニューラルネットワーク更新手段が、前記仮汎化性判
定手段により汎化性が良いと判定された場合のみ、前記
学習手段により得られた結合構成を用いて前記推定手段
のニューラルネットワークを更新するようにしてもよ
い。

【００２３】そして、前記汎化性判定手段および仮汎化
性判定手段は、所定の汎化性判定期間内における前記領
域での前記推定パラメータ値と対応する前記基準値との
差の平均又は分散の値が所定の汎化性判定基準値以上で
あれば汎化性が悪いと判定し、そうでなければ汎化性が
良いと判定するようにできる。また、前記汎化性判定手
段および仮汎化性判定手段は、所定の汎化性判定期間内
における前記領域での前記推定パラメータ値と対応する
前記基準値との差の絶対値の値が所定の汎化性判定基準
値以上である場合を計数していき、当該計数値が所定数
を越えてれば汎化性が悪いと判定し、そうでなければ汎
化性が良いと判定するようにもできる。

【００２４】

【発明の実施の形態】以下、図面を参照しながら本発明
の実施の形態について説明する。（実施の形態１）図１に本願発明に係るパラメータ推定
装置を用いた空燃比制御装置の概略を示す模式図を示
す。この空燃比制御装置の概略の動作を、以下に簡単に
説明すると、まず、スロットル開度センサｌ、吸入空気
圧センサｍ、吸入空気温センサｎ、水温センサｏ、クラ
ンク角センサｐおよび空燃比センサｑの出力がコントロ
ールユニットＣに入力される。そして、この入力に基づ
きコントロールユニットＣは実際の空燃比（Ａ／Ｆｒ）
を目標空燃比（Ａ／Ｆref）に保つような燃料噴射量
（Ｇｆ）を算出してインジェクタＩへ出力する。それか
らインジェクタＩは算出された燃料噴射量（Ｇｆ）だけ
エンジン内に燃料を噴射する。このような動作により空
燃比を目標空燃比（Ａ／Ｆref）に保つことが可能とな
る。なお、空燃比センサｑの出力は冷間時には使用され
ない。

【００２５】コントロールユニットＣのハードウエア構
成図を図２に示す。図２に示すようにコントロールユニ
ットＣは、演算処理を行うＣＰＵ１０１、制御プログラ
ム、各種マップ、ニューラルネットワークのウエイト
値、閾値、トランスファ関数等を格納したＲＯＭ１０
２、演算処理時の数値記憶等に用いるＲＡＭ１０３、セ
ンサ入力をデジタル値に変換するＡ／Ｄ変換部１０４、
デジタル出力をアナログ出力に変換するＤ／Ａ変換部１
０５により構成される。

【００２６】上記ハードウエアにより実現されるコント
ロールユニットＣを含む空燃比制御装置の機能ブロック
図を図３に示す。この空燃比制御装置は制御対象である
エンジンＥの状態を表す物理量を検出する状態検出部
３、コントロールユニットＣにより構成され、コントロ
ールユニットＣはニューロ演算部１と燃料噴射量算出部
２より構成される。なお、本願発明に係るパラメータ推
定装置は、上記ニューロ演算部１によって構成される。

【００２７】状態検出部３はエンジンＥの状態を表す検
出可能な複数の物理量を検出する部分である。ここでは
物理量として上述したセンサ出力から検知できるエンジ
ン回転数（Ｎｅ）、吸入空気圧（Ｐｂ）、スロットル開
度（ＴＨＬ）、燃料噴射量（Ｇｆ）、吸入空気温（Ｔ
ａ）、冷却水温（Ｔｗ）、空燃比（Ａ／Ｆk）を検出す
るものとし、状態検出部３はこれらの物理量を検出する
上記各種センサやセンサの値を用いて上記パラメータに
対し所定の演算を行うＣＰＵ、過去の制御周期における
燃料噴射量等を記憶しているＲＡＭ等により構成され
る。なお、上記燃料噴射量（Ｇｆ）はＲＡＭに記憶され
る１制御周期前の燃料噴射量である。また、空燃比セン
サが検出する空燃比はセンサの応答の遅れにより本当の
空燃比（Ａ／Ｆｒ）を表していない。ここでは、このセ
ンサが検出する空燃比を検出空燃比（Ａ／Ｆk）と表し
ている。さらに、検出される複数の物理量はこれらに限
られるものではなく、さらに多くの物理量を検出するよ
うにしてもよいのはいうまでもない。

【００２８】コントロールユニットＣ中のニューロ演算
部１はニューロ推定部１１、領域判定部１２、経路変更
部１３より構成される。ニューロ推定部１１は状態検出
部３より検出された物理量をパラメータとして入力し、
ニューラルネットワークを用いて空燃比（Ａ／ＦNN）を
推定する。図４に、ニューロ推定部１１で用いられるニ
ューラルネットワークの概念図を示す。このニューラル
ネットワークは４層で構成される。第１層へは入力パラ
メータとしてエンジン回転数（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）、検出空
燃比（Ａ／Ｆk）が入力される。なお、空燃比（Ａ／Ｆ
k）は冷間時においては空燃比センサが働かないので０
となる。また、各入力パラメータについても過去の制御
周期におけるデータも加えるようにすることが望まし
い。入力された各パラメータにはそれぞれの結合係数に
より示されるウエイト値が乗算されて第２層の各ニュー
ロンで総和される。この総和結果は閾値を加えられトラ
ンスファー関数により変換される。変換された値は、さ
らにそれぞれウエイト値を乗算されて第３層で総和さ
れ、第２層と同様の操作の後に第４層へと出力される。
そして第４層のニューロンで各値が総和されて別の閾値
が加えられ、これを別のトランスファー関数により変換
して推定空燃比（Ａ／ＦNN）の値を算出する。このニュ
ーラルネットワークの特徴は、入力パラメータによって
異なる経路構成により空燃比を推定する点である。これ
については、後に詳述するこのニューラルネットワーク
の学習方法と関連するので、これとともに説明する。

【００２９】領域判定部１２は、ニューロ推定部１１に
入力された上記パラメータの一部からエンジンの運転状
態が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（Ｎ
ｅ）、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
域のいずれに該当するのかを判定する。これらのパラメ
ータの選択は入力パラメータの内、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。

【００３０】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５のように分けることができる。図５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。即
ち、４次元空間における領域は、４次元空間内で各パラ
メータごと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。

【００３１】経路変更部１３は、この領域判定部１２が
判定した領域に対応させて予め定めた経路に従って、ニ
ューラルネットワークの経路を変更する。前記領域に対
応させたニューラルネットワークの経路として、例え
ば、前述したように４次元空間で切り分けた領域ごと
に、第１層の各ニューロンから第２層に至る経路を特定
のニューロンへ向かう一本だけとしたり、あるいは、数
本だけとしたりすることができる。また、領域ごとに各
経路の重みを変更するようにしても良い。

【００３２】図６に経路変更部１３の一部を模式的に表
した図を示す。図６（ａ）はエンジンの回転数（Ｎｅ）
を入力とするニューロンについて、経路を１つ選択する
構成を示しており、領域判定結果の出力する領域に応じ
てスイッチＸ1を切り替えることにより、経路を決定す
る。その他のパラメータ（Ｐｂ、THL、・・・）が入力
されるニューロンも同様に、入力される領域に応じた経
路を選択するように構成してある。なお、実際の経路の
切替はＲＯＭ内に格納されるプログラムの処理によって
行われる。

【００３３】経路の選択としては、例えば、ある領域に
ついては全てのスイッチが図の一番上の経路を選択し、
別の領域には全てのスイッチが上から２番目のスイッチ
を選択する等、全てのスイッチが第２層の同一のニュー
ロンへ向かう経路を選択させることが考えられる。図７
に全てのスイッチが一番上の経路を選択した場合に得ら
れる経路を示す。図から理解できるように、このような
構成とすると領域ごとに第２層の特定のニューロンに出
力が集中するので、第２層から第３層へ向かう経路の結
合係数を変更するようにすれば、それぞれの領域につい
て再学習させる際に他のニューロンに影響を与えること
を避けることができる。

【００３４】なお、経路の選択はこれに限られず、ある
領域に対して第２層の一群のニューロンへ向かう経路を
選択するようにでき、各領域に対応する当該一群のニュ
ーロンは互いに共通部分を含むようにしてもよく、完全
に相違するようにするようにしてもよい。図６（ｂ）は
エンジンの回転数（Ｎｅ）を入力とするニューロンにつ
いて、各経路の重みを変更する構成を示しており、領域
に対応させて重み付け係数（Ｓ1〜Ｓ8）を変更し、これ
らの重み付け係数をそれぞれの経路に対して乗算する構
成を示している。

【００３５】例えば、図７に示すような経路選択では特
定の領域について第２層の一つのニューロンしか用いら
れないが、特定のニューロンをメインとして最も重みを
付けるとともに、他のニューロンにもいくらかの重み付
けを行うことで、他のニューロンも用いるようにするこ
とができる。また、重み付けを変えることで経路の種類
を増やすことが可能であるので領域の種類に対応した柔
軟な経路を構成していくことができる。

【００３６】図８にエンジンの回転数（Ｎｅ）を入力と
する第１層のニューロンから第２層のニューロンへの向
かう各経路に対する重み付けの例を示す。なお、図にお
いて他のパラメータが入力されるニューロンにおいても
上の経路から順に同様の重み付けがなされているものと
する。このようにすれば、第１層の全てのニューロンか
ら第２層の一番上のニューロンへ向かう経路に重み付け
値として「０．６」を乗算することによりこの一番上の
ニューロンをメインのニューロンとし、第２層の他のニ
ューロンへの経路には軽い重み付け値を乗算することで
他のニューロンを補助的なニューロンとすることができ
る。そして、パラメータより定まる領域ごとにメインの
ニューロンを変え、また、補助的なニューロンの重みを
変えることで種々の経路を構築していくことができる。

【００３７】コントロールユニットＣ中の燃料噴射量算
出部２は、ニューロ演算部１で推定された空燃比（Ａ／
ＦNN）と目標空燃比（Ａ／Ｆref（＝１４．７））との
偏差Ｄより燃料噴射量（Ｇｆ）を算出する。具体的に
は、空燃比推定値（Ａ／ＦNN）と目標空燃比との偏差Ｄ
からＰ制御系、ＰＩ制御系、ＰＩＤ制御系等として与え
た式によって計算する。例えば、下の式によって計算す
る。但し、Ｋp、Ｋd、ＫiはＰＩＤゲインであり、実験
的に求められる。

【００３８】Ｇｆ＝Ｋｐ・Ｄ＋Ｋd・ΔＤ＋Ｋi・ΣＤなお、ここでは推定空燃比（Ａ／ＦNN）と目標空燃比
（Ａ／Ｆref）との偏差Ｄから直接を燃料噴射量（Ｇ
ｆ）を算出したが、これは、次のようにしてもよい。即
ち、燃料噴射量算出部２へ状態検出部３の検出した各物
理量を入力し、これらの値から実験により得たマップを
用いてフィードフォワード制御により基本となる燃料噴
射量（Ｇｆb）を求める。一方、ニューロ推定部１１に
より推定された空燃比（Ａ／ＦNN）と目標空燃比（Ａ／
Ｆref）の偏差からこれを小さくするようにＰＩＤ制御
系等として与えた式により燃料噴射量の補正量（ΔＧ
ｆ）を算出する。そして、基本燃料噴射量（Ｇｆb）と
補正量（ΔＧｆ）を足し合わせることで燃料噴射量（Ｇ
ｆ）を算出する。このようにすると、万一ニューラルネ
ットワークに大きなノイズがのり、ニューラルネットワ
ークの推定値が大きく外れた場合に、異常な燃料噴射が
行われるのを防ぐことができる。

【００３９】次に、以上のような構成を有するニューロ
推定部１１ニューラルネットワークの学習課程について
説明する。図９にエンジン回転数（Ｎｅ）、吸入空気圧
（Ｐｂ）、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）、検出空
燃比（Ａ／Ｆk）を入力項として、空燃比（Ａ／ＦNN）
を推定するニューラルネットワークの学習過程を示す模
式図である。

【００４０】まず、学習データ採取のために自動車のエ
ンジンＥに図４と同じ状態検出部３を設けている。そし
て、実際に自動車を運転し学習用のデータを採取する。
なお、低温時においては状態検出部の空燃比センサが働
かないので、空燃比センサは最初に暖めておき、エンジ
ン自体が低温状態であっても、空燃比を検出できるよう
にしておく。

【００４１】採取したデータは学習用データ生成部ａに
よりセンサの検出遅れに対する位相遅れ補償等を行い、
学習用のエンジン回転数（Ｎｅ）、吸入空気圧（Ｐｂ）
等を学習用の入力データ、また、これらに対応する空燃
比（Ａ／Ｆt）を教師データとして、これらを関連付け
て学習用データ蓄積部ｂへ蓄積していく。但し、冷間時
の検出空燃比（Ａ／Ｆk）は実際の運転では入力されな
いので入力データからは削除される。

【００４２】そして、これらの学習用データを用いて学
習実施部ｃにより、各入力データをニューラルネットワ
ークの入力パラメータとし、出力として推定された空燃
比（Ａ／ＦNN）と前記教師用データ（Ａ／Ｆｔ）の偏差
ｅを検出し、この偏差ｅを小さくするようにニューラル
ネットワークの結合係数、即ちニューロンからニューロ
ンへ向かう各経路において積算されるウエイト値を変え
ていく。

【００４３】この際、入力データの内のエンジン回転数
（Ｎｅ）、吸入空気圧（Ｐｂ）、吸入空気温（Ｔａ）、
冷却水温（Ｔｗ）の各データは図４に示す空燃比制御装
置のと同じ領域判定部１２に入力されて、当該入力デー
タについての領域判定が行われ、この結果に基づいてこ
れも図４に示す空燃比制御装置と同じ経路変更部１３に
より、当該入力データに対応してニューラルネットワー
クの経路を変える。即ち、各入力データに対応する領域
に応じてニューラルネットワークの構成が変更されなが
ら学習が行われていく。

【００４４】偏差ｅによるニューラルネットワークの結
合係数の変更は、バックプロパゲ−ション法を用い、各
入力パラメータをトランスファ−関数によって変換し、
これに乗算されるウエイト値の値および各処理ユニット
での閾値の値を偏差ｅに従って所定の手法で変換して行
くことにより行う。また、ここでは、トランスファー関
数として、正接シグモイド関数（ｆ（ｘ）＝ｔａｎｈ
（ｘ））が用いられる。なお、ニューラルネットワーク
は各パラメータから求める空燃比値が得られるならば種
々の形式のものが採用できる。

【００４５】以上のような学習が終了すると、学習に使
用しなかったデータや、さらに自動車を動かして得た新
たなデータから学習用データを生成して、かかる学習用
データから得られる入力パラメータを学習後のニューラ
ルネットワークに入力して、各領域ごとに推定した空燃
比（Ａ／ＦNN）が、教師用データの空燃比（Ａ／Ｆt）
と比較して推定精度および汎化性つまり学習データ以外
の入力パラメータに対して良い推定ができている度合い
が良好かどうかを判断する。例えば、推定空燃比（Ａ／
ＦNN）と教師用データの空燃比（Ａ／Ｆｔ）との偏差
が、０．５を越えるデータが２０％以上ある領域を推定
精度又は汎化性が悪いと判断する。

【００４６】そして、このように推定精度等の悪い領域
が存在する場合は、当該領域に対応させて、経路変更部
１３によりニューラルネットワークの経路を設定して、
当該領域の学習用データで再学習を行う。このような学
習をすることで、他の領域に属する入力パラメータを用
いて空燃比を推定する経路についてはほとんど影響を与
えることなく、推定精度や汎化性の悪い領域に属する入
力パラメータを用いて空燃比を推定する経路のみを改善
することができる。

【００４７】このような学習の結果、上記ニューラルネ
ットワークは経路変更部により変更される各経路ごと
に、原則的に上記パラメータを入力として空燃比（Ａ／
Ｆ）を予測推定することができるようになる。なお、以
下の実施の形態に示されるニューラルネットワークの学
習においても製造時には同様の手法が採用される。続い
て、以上の構成を有する空燃比制御装置の動作について
説明する。図１０に当該空燃比制御装置の一制御周期に
おける動作を示すフローチャートを示す。

【００４８】まず、状態検出部３がエンジンＥの状態を
表す物理量としてエンジン回転数（Ｎｅ）、吸入空気圧
（Ｐｂ）、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）を検出する（Ｓ１０１）。次に、領域判定部
１２が検出された物理量の内、エンジン回転数（Ｎ
ｅ）、吸入空気圧（Ｐｂ）、吸入空気温（Ｔａ）、冷却
水温（Ｔｗ）の値からエンジンの運転状態がどの領域で
あるかを判定する（Ｓ１０２）。この領域判定結果によ
り、経路変更部１３が、ニューロ推定部１１のニューラ
ルネットワークの経路の構成を変更する（Ｓ１０３）。

【００４９】そして、この経路の構成を変更されたニュ
ーラルネットワークによりニューロ推定部１１が、検出
された複数のパラメータを入力パラメータとして空燃比
（Ａ／ＦNN）を推定する（Ｓ１０４）。最後に、推定さ
れた空燃比（Ａ／ＦNN）を用いて燃料噴射量算出部２が
燃料噴射量（Ｇｆ）を算出する（Ｓ１０５）。算出され
た燃料噴射量（Ｇｆ）はエンジンのインジェクタＩへと
出力されて、この量の燃料がエンジンＥへと噴射され
る。このような動作により過渡時等においても適切な空
燃比制御が可能となる。

【００５０】ところで、上記の説明においては領域はパ
ラメータの範囲に応じて明瞭に区分され、この明瞭に区
分された各領域ごとにニューラルネットワークの経路構
成を変えるようにしたが、パラメータの範囲の区分けは
明瞭にするのではなく、境界は曖昧にして、ファジィ推
論規則により領域判定部１２は入力パラメータがどの領
域に属するのかを判定し、これに応じてニューラルネッ
トワークの経路を変更するようにすることも考えられ
る。以下、このようなファジィ推論規則を用いた領域判
断および経路変更の方法について説明する。

【００５１】説明を簡単するために、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）の二つにして、図１１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の境界の曖昧な９つの領域に分け
るものとする。

【００５２】また、ニューロ推定部１１のニューラルネ
ットワークの第２層は上記領域ごとに４つのニューロン
を割り当てるような構成にし、経路変更部１３は領域ご
とに割り当てられた４つのニューロンへ向かう経路のみ
を選択するものとする。例えば経路変更部１３は領域Ｄ
5に対しては図１２のようにＤ5に割り当てられた４つの
ニューロンへ向かう経路のみを選択することになる。

【００５３】上記Ｄ1〜Ｄ9の各領域は、ファジィ制御ル
ールにより次のように表せる。 if Ｎｅ＝Ｓ and Ｐｂ＝Ｓ then 領域Ｆ＝Ｄ1 if Ｎｅ＝Ｍ and Ｐｂ＝Ｓ then 領域Ｆ＝Ｄ2 if Ｎｅ＝Ｂ and Ｐｂ＝Ｓ then 領域Ｆ＝Ｄ3 if Ｎｅ＝Ｓ and Ｐｂ＝Ｍ then 領域Ｆ＝Ｄ4 ・・・（α） if Ｎｅ＝Ｍ and Ｐｂ＝Ｍ then 領域Ｆ＝Ｄ5 ・・・（β） if Ｎｅ＝Ｂ and Ｐｂ＝Ｍ then 領域Ｆ＝Ｄ6 if Ｎｅ＝Ｓ and Ｐｂ＝Ｂ then 領域Ｆ＝Ｄ7 if Ｎｅ＝Ｍ and Ｐｂ＝Ｂ then 領域Ｆ＝Ｄ8 if Ｎｅ＝Ｂ and Ｐｂ＝Ｂ then 領域Ｆ＝Ｄ9 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１３（ａ）、図
１３（ｂ）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。

【００５４】今、例えば、エンジン回転数（Ｎｅ）の値
が１０００rpm、吸入空気圧（Ｐｂ）の値が−３００mmH
g であるとする。これらの値より領域判定部１２は以
下のようなファジィ推論を行う。図１３（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。

【００５５】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）であ
り、ＭＩＮ演算により（α）即ち領域Ｆ＝Ｄ4になるこ
との適合度は、Ｓ＝０．８（Ｎｅ）、Ｍ＝１（Ｐｂ）よ
り０．８であり、（β）即ち領域Ｆ＝Ｄ5になることの
適合度は、Ｍ＝０．２（Ｎｅ）、Ｍ＝１（Ｐｂ）より
０．２となる。

【００５６】これを図示すると図１４のハッチング部分
のようになる。なお、図１４は領域Ｆのファジィ変数の
メンバシップ関数である。そして、ＭＡＸ演算により、
このハッチング部分の重心Ｇを求め、この点をエンジン
回転数（Ｎｅ）の値が１０００rpm、吸入空気圧（Ｐ
ｂ）の値が−３００mmHgにより表される領域とする。こ
のようにして求められた重心Ｇから経路変更部１３は次
のように経路を選択する。即ち、上記重心Ｇの位置はＤ
4の領域からややＤ5の領域側へずれた位置にあるので、
第２層のＤ4に対応するニューロンとＤ5に対応するニュ
ーロンとの構成比率をこの重心の位置に対応させて決め
るようにする。具体的には図１５に示すように領域Ｆの
メンバシップ関数の各領域に対応させて、ニューラルネ
ットワークの第２層の対応するニューロンを並べた時
に、重心位置を中心にした一領域に対応する幅の中に入
るニューロンを選択して、これらのニューロンに向かう
経路のみを選択するようにする。

【００５７】なお、ここでは経路変更部１３はファジィ
推論の結果に応じて、選択する経路の割合を変えるよう
にしているが、これは、重心に応じて各経路に対する重
み付けを変更するようにしてもよい。例えば、各領域に
対して第２層の１つのニューロンへ向かう経路のみが選
択されるような構成において、ファジィ推論の結果、ニ
ューロンＡへ向かうことになる領域が約８０％、ニュー
ロンＢへ向かうことになる領域が２０％であると判定さ
れたとする。この場合にはニューロンＡに向かう各経路
に０．８の重み付け係数を積算し、ニューロンＢに向か
う各経路に０．２の重み付け係積算するようにする。こ
のようにすれば、ファジィ推論の結果を重み付けによる
経路構成の変更に反映させることが可能となる。

【００５８】（実施の形態２）次に、第２の実施の形態
について説明する。図１６に本実施の形態に係る空燃比
制御装置の機能ブロック図を示す。この空燃比制御装置
は実施の形態１に係る空燃比制御装置と異なり、オンラ
イン学習が可能な構成としてある。このため、実施の形
態１に係る空燃比制御装置とニューロ演算部１の構成が
異なっている。

【００５９】即ち、ニューロ演算部１には、新たな構成
として基準値取得部１４、推定データ記録部１５、推定
精度判定部１６、汎化性判定部１７ａ、再学習部１７
ｃ、学習用データ生成部１８ａ、学習用データ蓄積部１
８ｂ、学習実施部１８ｃ、ニューラルネットワーク更新
部２０、初期結合係数格納部１９ａ、初期状態復帰部１
９ｂがさらに付加されている。その他の構成は実施の形
態１に係る空燃比制御装置と同様である。

【００６０】基準値取得部１４は、一つの制御周期にお
いてニューロ推定部１１で推定した空燃比（Ａ／ＦNN）
の値に対する、実際の空燃比（Ａ／Ｆr）を基準値とし
て取得する部分であり、具体的には状態検出部３の空燃
比センサより検出される検出空燃比値（Ａ／Ｆk）から
センサの応答遅れ時間分経過したものを実際の空燃比
（Ａ／Ｆr）、即ち、基準値とする。

【００６１】推定データ記録部１５は、状態検出部３か
ら検出される入力パラメータと、当該入力パラメータか
ら領域判定部１２により判定される領域および、当該入
力パラメータに対応する前記基準値を関連付けて記録し
ていく。推定精度判定部１６は、推定した空燃比（Ａ
／ＦNN）とこれに対応する基準値とを比較して各領域に
おける推定精度の良否を判定する。具体的には、所定の
精度判定期間内における各領域内における前記推定空燃
比（Ａ／ＦNN）と、前記基準値との差の絶対値の平均が
所定の設定値以下であれば、その領域の推定精度は良い
と判断し、設定値以上で在れば、その領域の推定精度は
悪いと判定する。ここでは精度判定期間は１時間とし、
また、上記設定値を０．８とする。

【００６２】但し、推定された空燃比（Ａ／ＦNN）の個
数が所定量、例えば１０個を越えない場合は推定精度の
判断は行わない。このようにするのは推定精度悪化がセ
ンサノイズ等の一時的な原因に起因する場合は新たな学
習を行わせることは妥当ではないので、このような場合
を排除するためである。なお、精度判定期間は時間間隔
で規定してもニューロ推定部１１の推定回数で規定して
もよく、さらには、各領域ごとにデータの個数が所定の
個数、例えば５０個に達する期間としてもよい。また、
ここでは推定空燃比（Ａ／ＦNN）と基準値との差の平均
が所定の設定値以下かどうかを判断したが、差の分散の
値が所定の設定値以下かどうかを判断するようにしても
よい。これらのことは、以下の各期間についても同様で
ある。

【００６３】さらに、推定空燃比（Ａ／ＦNN）と基準値
との差の平均や分散が所定の設定値以下か否かを判断せ
ずに、制御周期ごとに、各領域について推定空燃比（Ａ
／ＦNN）と基準値との差の絶対値が所定値（例えば、
０．８）以上となるものをカウントしていき、これが所
定時間（例えば、１時間）の間に、所定個数（例えば、
２０個）を越えた領域を推定精度が悪い領域と判断し、
越えなかった領域を推定精度が良い領域と判断するよう
にしてもよい。

【００６４】学習用データ生成部１８ａは、推定精度判
定部１６によって推定精度が悪いと判定された領域につ
いて、当該領域に対応する入力パラメータと前記基準値
とを前記推定データ記録部１５から読み出し、これらを
用いてニューロ推定部１１のニューラルネットワーク用
の学習用の入力データと教師用のデータを生成する。学
習用データ蓄積部１８ｂは、生成された学習用データを
領域ごとに記録して蓄積する。

【００６５】学習実施部１８ｃは、所定の蓄積期間の間
に学習用データ蓄積部１８ｂに蓄積された学習用データ
を用いて、各領域ごとに対応する結合の仕方をもつ前記
ニューラルネットワークについてニューロ学習を行い新
たな結合係数を得る。具体的には、学習実施部１８ｃは
ニューロ推定部１１のニューラルネットワークを実現す
るためのプログラムを呼び出して、これを用いて領域ご
とに経路変更部１３によりニューラルネットワークの経
路を変更しながら、各領域に対応する学習データを用い
て変更した経路におけるニューラルネットワークの構成
をバックプロパゲーション法により変えていき新たな結
合係数を得る。これらの学習用データ生成部１８ａ、学
習用データ蓄積部１８ｂ、学習実施部１８ｃにより学習
部１８が形成される。

【００６６】ニューラルネットワーク更新部２０は、学
習実施部１８ｃにより新たな結合係数が得られると、こ
の新たな結合係数によりニューロ推定部１１のニューラ
ルネットワークを更新する。汎化性判定部１７ａは、更
新されたニューラルネットワークを用いて推定される推
定空燃比値（Ａ／ＦNN）と基準値とを比較して、前記各
領域ごとに更新されたニューラルネットワークの汎化性
の良否を判定する。汎化性は、主に、前記学習実施部１
８ｃが行う学習が過学習となりすぎている場合や、学習
結果が収束すべき値でない極小値（ローカルミニマム）
に陥った場合に悪くなるので、このような場合に対処す
べく汎化性判定部１７ａにより汎化性の良否を判断する
ものである。

【００６７】具体的には、学習が行われた領域における
所定個数の推定空燃比値（Ａ／ＦNN）と基準値取得部１
４が取得した対応する基準値との差の平均の値が所定の
設定値以下であれば汎化性が良いと判断し、設定値以上
であれば汎化性が悪いと判断する。ここでは所定個数と
してニューラルネットワーク更新部２０によりニューラ
ルネットワークが更新されてから１００個としてあり、
また、設定値は０．３としてある。

【００６８】学習無効部１７ｂは、更新前の結合係数を
記録しておき、汎化性判定部１７ａにより特定の領域に
ついて汎化性が悪いと判断された場合には、当該領域に
ついて更新された結合係数を以前の値に戻す。初期結合
係数格納部１９ａは製造段階で設定した当初のニューラ
ルネットワークの結合係数を格納し、初期状態復帰部１
９ｂは、初期結合係数格納部１９ａに格納された結合係
数を用いて、ニューロ推定部１１のニューラルネットワ
ークを初期状態へ戻す。この初期状態復帰部１９ｂは、
使用者が所定のスイッチを操作することにより起動する
ようにしてある。なお、初期状態復帰部１９ｂの起動
は、劣化による性能の変化が激しい空燃比センサの交換
を行った場合等に所定の信号を発するようにしておき、
この信号により起動するようにすること等も考えられ
る。

【００６９】以上の構成を有する空燃比制御装置の動作
について、以下に説明する。空燃比の制御動作について
は実施の形態１に係る空燃比制御装置と同じであるので
ここでは説明を省略し、オンラインによる学習動作につ
いて説明する。なお、以下の実施の形態においても空燃
比の制御制御動作は実施の形態１に係るものと同様であ
る。

【００７０】図１７に学習動作の１学習サイクルにおけ
る動作を表すフローチャートを示す。まず、基準値取得
部１４が１制御周期における実際の空燃比（Ａ／Ｆr）
を基準値として取得し、推定精度判定部１６へ出力す
る。そして、推定精度判定部１６はこの制御周期におい
てニューロ推定部１１において推定された空燃比（Ａ／
ＦNN）と、出力された基準値（Ａ／Ｆr）との偏差を計
算し、この偏差の絶対値を領域判定部１２により判定さ
れた領域に対応付けて記録し加算していく。同時に、推
定データ記録部１５には当該制御周期におけるニューロ
推定部１１の入力パラメータと基準値と領域が対応づけ
られて記録される。

【００７１】そして、推定精度判定部１６はかかる動作
を１時間繰り返したのち、各領域ごとに記録した偏差の
絶対値の総和から平均を計算して、これを設定値と比較
して、これを越えている領域があるか否かを判断する
（Ｓ２０１）。なお、推定精度判定部１６においては、
ここで、再びＳ２０１にもどり、以下の処理は平行に行
われる。

【００７２】次に、学習用データ生成部１８ａが、推定
精度判定部１６が推定精度が悪いと判定した領域につい
て、推定データ記録部１５に記録されている当該入力パ
ラメータと前記基準値を読み出して学習用の入力データ
と教師用データを生成し、学習用データ蓄積部１８ｂに
蓄積する。そして、学習実施部１８ｃがニューロ推定部
１１のニューラルネットワークを実現するプログラムを
呼び出して、これを用いて領域に応じて経路変更部１３
によりニューラルネットワークの経路を変更し、バック
プロパゲーション法により領域ごとにニューラルネット
ワークにつき新たな結合係数を得る（Ｓ２０２）。

【００７３】推定精度が悪いとして抽出されたそれぞれ
領域についての学習が終了して最終的な結合係数が得ら
れると、エンジンがアイドリング状態の時等、空燃比制
御が問題とならない定常時にニューラルネットワーク更
新部２０がニューロ推定部１１のニューラルネットワー
クを新たな結合係数により更新する（Ｓ２０３）。ニュ
ーラルネットワークが更新されると、汎化性判定部１７
ａは学習された領域についてニューロ推定部１１が推定
した空燃比（Ａ／ＦNN）と基準値となる空燃比（Ａ／Ｆ
r）との差の絶対値を加算していく。そして、一つの領
域について１００個の値が加算されると汎化性判定部１
７ａは、これらの差の平均値を算出し、この値が所定値
（０．３）以上か否かを判定する（Ｓ２０４）。

【００７４】ここで、平均値が所定の値未満であるなら
ば汎化性は良いのでそのまま何もしない。一方、平均値
が所定値以上であれば汎化性が悪いので、ニューラルネ
ットワーク更新部２０がニューロ推定部１１のニューラ
ルネットワークを更新前の状態に戻す（Ｓ２０５）。以
上の動作を終了すると、ここでは学習用データ蓄積部１
８ｂのデータをクリアする（Ｓ２０６）。もっとも、学
習用データ蓄積部１８ｂのデータはクリアすることな
く、次回の学習周期に際して、新たな学習用データとと
もに利用してもよく、また、最新の１時間分のデータを
常に残し、残りの古いデータをクリアする等のようにす
ることも考えられる。

【００７５】以上のような動作により、製造時に学習し
ていなかった領域における運転状態での走行や、空燃比
センサの劣化等により空燃比の推定精度が悪くなって
も、再学習により推定精度を良い値にすることができ、
さらに、推定精度が悪くなった領域に対応するニューラ
ルネットワークの経路に対して学習が行われるので、そ
れまでに推定精度の良かった領域に対する推定にあまり
影響を与えることがない。

【００７６】続いて、初期結合係数格納部１９ａおよび
初期状態復帰部１９ｂの動作について説明する。まず、
初期状態復帰部１９ｂに対して使用者が所定のスイッチ
を操作して、信号を送る。すると初期状態復帰部１９ｂ
は初期結合係数格納部１９ａに記録されている製造段階
で設定した当初のニューラルネットワークの結合係数に
よりニューラルネットワークをもとの状態にもどす。

【００７７】例えば、空燃比センサの劣化により空燃比
の推定値が悪化したことが原因でオンライン学習を行い
ニューロ推定部１１のニューラルネットワークの結合係
数が更新されている場合に、空燃比センサを新しいもの
に交換すると更新したニューラルネットワークでは良い
推定値を得ることができない。かかる場合は出荷当初の
結合係数に戻すことが妥当である。そのほかに、オンラ
イン学習の結果、ニューラルネットワークの構成が収拾
がつかなくなったり、自動車の所有者が変更になり、運
転環境が変わった場合などには、出荷当初の結合係数に
戻した方が良い場合がある。このような場合を想定して
初期結合係数格納部１９ａ、初期状態復帰部１９ｂが設
けてある。

【００７８】（実施の形態３）実施の形態２では汎化性
判定部１７ａで汎化性がないと判定された領域につい
て、学習結果を無効にして更新前の結合係数に戻した
が、学習結果をそのまま利用して再学習を行うことも考
えられる。本実施の形態では、更新されたニューラルネ
ットワークをさらに再学習するように構成した空燃比制
御装置を示す。図１８にかかる空燃比制御装置の機能ブ
ロック図を示す。

【００７９】図１８に示す空燃比制御装置の図１６に示
す空燃比制御装置との違いは学習無効部１７ｂが再学習
部１７ｃに置き換わっている点であり、他の構成は同様
である。再学習部１７ｃは、前記学習部１８に働きかけ
て、汎化性判定部１７ａで汎化性が悪いと判定された領
域について再学習を行わせる。即ち、学習用データ生成
部１８ａが汎化性が悪いと判定された領域に対応する入
力パラメータと基準値とを前記推定データ記録部１５か
ら読み出して学習データを生成し、学習用データ蓄積部
１８ｂに蓄積し、学習実施部１８ｃが蓄積された学習デ
ータを用いて当該領域に対応する結合に変更したニュー
ラルネットワークにつき再学習を行う。

【００８０】なお、ここでは、この再学習においては過
学習や極小値になっている可能性が高いことを鑑みて、
最初の学習の時と条件を変え、例えば学習用データの数
を間引いて再学習を行うようにさせる。もっとも、再学
習におけるデータの採り方は、新たにデータを加える
等、種々のものが採用できることはいうまでもない。か
かる構成の空燃比制御装置のオンライン学習時の１周期
の動作を以下に説明する。図１９に、この動作を表すフ
ローチャートを示す。このフローチャートは図１７に示
すフローチャートとほぼ同じであるが、図１７のフロー
チャートにおけるＳ２０５で学習を無効にせずに再学習
を行っている点で異なる。

【００８１】推定精度の判定（Ｓ２０１）から汎化性の
判定（Ｓ２０４）までの動作は、実施の形態２に係る空
燃比制御装置と同様なので説明を省略する。Ｓ２０４に
おける汎化性判定部１７ａによる判定の結果、更新領域
の汎化性が良ければ実施の形態２の場合と同様に学習用
データ蓄積部１８ｂのデータをクリアする（Ｓ２０
６）。一方、汎化性判定部１７ａによる判定の結果、更
新領域の汎化性が悪ければ再学習部１７ｃは汎化性の悪
い更新領域について、学習部１８に働きかけて再学習を
行わせ、ニューラルネットワークの当該更新領域に対応
する新たな結合係数を取得させる（Ｓ３０５）。

【００８２】さらに新たな結合係数が取得されると、Ｓ
２０３にもどり、ニューラルネットワーク更新部２０
は、この結合係数をもってニューラルネットワークをさ
らに更新する。以下、更新領域の汎化性が良くなるま
で、Ｓ２０４、Ｓ３０５、Ｓ２０３の動作が繰り返され
る。このような動作により、推定精度を学習により高め
たニューラルネットワークをそのまま用いて、再学習に
よりさらに汎化性を高めることができ、効率良くニュー
ラルネットワークの構成を所望のものに変えていくこと
ができる。

【００８３】（実施の形態４）実施の形態２および３に
係る空燃比制御装置では、学習実施部１８ｃによりニュ
ーラルネットワークの新たな結合係数が得られた場合に
は、ニューラルネットワーク更新部２０が即座にニュー
ロ推定部１１のニューラルネットワークを更新したが、
本実施の形態に係る空燃比制御装置では、更新を行う前
に得られた新たな結合係数が汎化性の良いニューラルネ
ットワークを与えるか否かをまず判断するようにする。

【００８４】図２０に本実施の形態係る空燃比制御装置
の機能ブロック図を示す。この空燃比制御装置が実施の
形態３に係る空燃比制御装置と異なるのは、汎化性判定
部１７ａに置き換わって仮汎化性判定部１７ａ*が設け
てあり、ニューラルネットワーク更新部２０ａの機能が
変更してある点である。仮汎化性判定部１７ａ*は、学
習実施部１８ｃが得た新たな結合係数を仮に置き換えた
仮のニューラルネットワークを用いて推定される推定空
燃比（Ａ／ＦNN）と基準値とを比較して所定の基準に基
づき、各領域ごとに当該仮のニューラルネットワークの
汎化性の良否を判定する。具体的には、仮汎化性判定部
１７ａ*は、ニューロ推定部１１のニューラルネットワ
ークを実現するプログラムを学習実施部１８ｃが得た結
合係数に置き換えたものを仮のニューラルネットワーク
として取得しておき、所定の汎化性判定期間における各
領域ごとの仮のニューラルネットワークが推定した推定
空燃比値（Ａ／ＦNN）と基準値取得部１４が取得した対
応する基準値との差の絶対値の平均の値が所定の設定値
以下であれば汎化性が良いと判断し、設定値以上であれ
ば、汎化性が悪いと判断する。ここでは、実施の形態３
に係る汎化性判定部１７ａと同様に、所定個数としてニ
ューラルネットワーク更新部２０によりニューラルネッ
トワークが更新されてから１００個としてあり、また、
設定値は０．３としてある。

【００８５】また、再学習部１７ｃは実施の形態３に係
るものとほぼ同様であるが、仮汎化性判定部１７ａ* で
汎化性が悪いと判定された領域について再学習を行わせ
る点で異なる。即ち、再学習部１７ｃは仮汎化性判定部
１７ａ* で汎化性が悪いと判定された領域に対応する入
力パラメータと基準値とを学習用データ生成部１８ａに
働きかけて前記推定データ記録部１５から読み出させて
学習データを生成させ、学習用データ蓄積部１８ｂに蓄
積させた後に、当該学習データを用いて当該領域に対応
する結合に変更したニューラルネットワークにつき再学
習を行わせる。なお、再学習において学習データをある
程度変更するのは実施の形態３と同様である。

【００８６】ニューラルネットワーク更新部２０ａは前
記仮汎化性判定部１７ａ*により汎化性が良いと判定さ
れた場合のみ、前記学習実施部１８ｃにより得られた結
合係数を用いて前記ニューロ推定部１１のニューラルネ
ットワークを更新する。かかる構成を有する空燃比制御
装置のオンライン学習の１周期の動作を以下に説明す
る。図２１にこの動作を表すフローチャートを示す。こ
のフローチャートに示す動作は図１７に示すフローチャ
ートとＳ２０１、Ｓ２０２までは同様の動作を行うの
で、説明を省略する。

【００８７】Ｓ２０２で学習により新たな結合係数が得
られると、仮汎化性判定部１７ａ*は当該学習係数より
仮のニューラルネットワークを得て、所定の期間、即
ち、新たなデータが１００個得られる期間の推定空燃比
（Ａ／ＦNN）と基準値（Ａ／Ｆｒ）との絶対値の平均
が、設定値以下か否かを判断する（Ｓ４０３）。ここ
で、汎化性が良いと判断された領域については、ニュー
ラルネットワーク更新部２０ａが学習実施部１８ｃで得
られた結合係数を用いて、ニューロ推定部１１のニュー
ラルネットワークを更新する（Ｓ４０４）。

【００８８】一方、仮汎化性判定部１７ａ* による判定
の結果、仮のニューラルネットワークの汎化性が悪けれ
ば再学習部１７ｃは汎化性の悪い領域について、学習部
１８に働きかけて再学習を行わせ、仮のニューラルネッ
トワークの当該領域に対応する新たな結合係数を取得さ
せる（Ｓ４０５）。さらに新たな結合係数が取得される
と、Ｓ４０３にもどり、仮汎化性判定部１７ａ*は当該
学習係数よりさらに新たな仮のニューラルネットワーク
を得て再び汎化性の良否が判断され、汎化性が悪ければ
汎化性が良くなるまで、Ｓ４０５、Ｓ４０３の動作を繰
り返す。そして、汎化性が良いと判断されるとニューラ
ルネットワーク更新部２０ａが学習実施部１８ｃで得ら
れた結合係数を用いて、ニューロ推定部１１のニューラ
ルネットワークを更新する（Ｓ４０４）。以上の動作が
終了すると実施の形態２の場合と同様に学習用データ蓄
積部１８ｂのデータをクリアして処理を終了する（Ｓ
２０６）。

【００８９】このような動作によって、汎化性の悪い結
果を与える結合係数を用いたニューラルネットワークの
更新は行われないので、誤学習により学習データ以外の
運転状態において急激に空燃比の推定精度が悪化し、ひ
いて制御精度の悪化が生じることを確実に防ぐことがで
き、オンライン学習における安全性を確保することがで
きる。

【００９０】また、上記各実施の形態においては制御対
象をエンジンＥの空燃比としたが、非線形性の強い、且
つニューロ出力として推定したい状態量に関連するパラ
メータが検出可能である制御対象で有れば上記のニュー
ロ演算部１を使用することができ、さらに、制御装置以
外にも何らかのある複数の入力値から因果関係があるが
解析が困難な出力値を推定するあらゆる装置に使用する
ことも可能である。

【００９１】

【発明の効果】以上の説明から、本発明は以下のよう
な効果を奏する。まず、本発明に係るパラメータ推定装
置には、推定対象パラメータに関連する複数の入力パラ
メータ値の入力を受け付け、受け付けた入力パラメータ
値からニューラルネットワークにより推定対象パラメー
タ値を推定するパラメータ推定装置において、前記ニュ
ーラルネットワークが、前記複数の入力パラメータの一
部のパラメータにより表される領域ごとに予め定めてあ
るように結合の仕方を変更して学習を行ったものとして
あり、領域判定手段が受け付けた前記複数の入力パラメ
ータ値のうちの前記一部のパラメータ値から前記領域の
いずれに属するかを判定し、経路変更手段が領域判定手
段が判定した領域に応じて前記ニューラルネットワーク
の結合の仕方を学習したときと同じように変更する。

【００９２】このような動作により入力パラメータによ
り表される領域に応じた結合の仕方で推定対象パラメー
タ値が推定されることになる。そして、このように入力
パラメータにより定まる領域ごとに異なる結合構成とし
たニューラルネットワークで、推定対象パラメータ値を
推定するので、ニューラルネットワークの学習の際に領
域ごとの学習が可能となる。

【００９３】即ち、学習領域（考えられる制御対象の動
作範囲）を入力パラメータにより分割し、領域に応じ
て、ニューロの入力層から中間層への結合係数のつなが
り方等を変更することにより、一つのニューロ構成の中
に各領域毎に対応した小さなニューロ構成を持たせるこ
とができる。これにより、特定の領域について推定精度
等が悪い場合に、当該領域に対応する結合構成としたニ
ューラルネットワークについてのみ学習を行えばよいの
で、他の領域に対応するニューラルネットワークの結合
構成に及ぶ影響を少なくして、ほぼ領域ごとの学習を行
うことができるようになる。

【００９４】従って、精度が良く学習の不要な領域の結
合係数等はほぼ保存されるので、従来の追加学習では精
度が良好であった領域の推定精度が保証できないと言う
問題が解決でき、学習時の試行錯誤を減少させて学習効
率を上げることが可能となるる。更に、精度の悪い領域
のデータだけを用いて再学習すれば足りるので、従来の
ように全てのデータを用いて再学習する必要がなくなっ
て、データ数が少なくして学習時間を大幅に削減するこ
とができるので、このことによっても学習が高速に行え
ることとなる。

【００９５】また、前記ニューラルネットワークの前記
一部のパラメータから前記領域をファジィ推論規則によ
り判定して、この結果に応じて予め定められるように結
合の仕方を変更して学習を行ったものとし、前記領域判
定手段が前記ファジィ推論規則により前記一部のパラメ
ータの値から前記領域のいずれに属するかを判定するよ
うにすれば、領域と領域の境界を曖昧に扱うことによ
り、領域と領域を滑らかにつなぎ、これに応じてニュー
ラルネットワークの結合の仕方を滑らかに変更させるよ
うにすることができ、領域と領域との境界で推定値が急
激に変化することを防いで、滑らかな推定が可能とな
る。

【００９６】さらに、前記ニューラルネットワークを前
記複数の入力パラメータの一部のパラメータにより表さ
れる領域ごとに、結合の経路を変えて学習を行ったもの
とし、前記経路変更手段が領域判定手段を判定した領域
に応じて前記ニューラルネットワークの結合の経路を選
択するようにすれば、領域ごとに特有のニューロンを経
由するようにする等の構成とすることができ、このよう
にすることで領域ごと固有のニューラルネットワークの
結合の仕方を実現することができる。

【００９７】一方、前記ニューラルネットワークを前記
複数の入力パラメータの一部のパラメータにより表され
る領域ごとに、結合経路の重みを変えて学習を行ったも
のとし、前記経路変更手段が領域判定手段が判定した領
域に応じて前記ニューラルネットワークの結合経路の重
みを変更するようにすれば、領域ごとに特有のニューロ
ンを経由する結合経路に大きな重みをつけると共に、他
のニューロンに小さな重みをつける等の構成とすること
ができ、領域ごとに非常に多種類のニューラルネットワ
ークの結合の仕方を実現することができる。

【００９８】それから、基準値取得手段と、推定精度判
定手段と、学習手段、ニューラルネットワーク更新手段
とを設けたパラメータ推定装置では、基準値取得手段が
前記推定された推定対象パラメータ値に対して推定結果
として出力されるべき基準値を取得し、ニューラルネッ
トワーク更新手段が取得した基準値と推定された推定対
象パラメータ値とを比較して前記各領域ごとに推定精度
が悪いか否かを所定の基準に基づいて判定し、学習手段
が推定精度が悪い前記領域に対応する前記複数の入力パ
ラメータと前記基準値とを学習用データとし、当該領域
に応じた結合の仕方をもつ前記ニューラルネットワーク
についてニューロ学習を行い新たな結合構成を得、ニュ
ーラルネットワーク更新手段が得られた結合構成を用い
て前記推定手段のニューラルネットワークを更新する。

【００９９】このような動作により、推定精度の悪い領
域の学習データによって領域に応じてオンラインでニュ
ーラルネットワークの結合構成を変更しながら再学習を
行うことができる。これにより、推定精度の悪い領域に
対応するニューラルネットワークの結合構成のみを変更
させて他の推定精度のよい領域に対応するニューラルネ
ットワークの結合構成にはあまり影響を与えずにすみ、
また、学習データも少なくすることができるので、オン
ライン学習において高速且つ高精度の学習を行うことが
可能となる。

【０１００】そして、前記推定精度判定手段を、所定の
推定精度判定期間内における前記各領域での前記推定パ
ラメータ値と対応する前記基準値との差の平均又は分散
の値が所定の精度判定基準値以上であれば推定精度が悪
いと判定するようにすれば、推定精度を多くの値から得
られる平均値又は分散値から判断することになるので判
断が正確になる。

【０１０１】また、前記推定精度判定手段を、所定の推
定精度判定期間内における前記各領域での前記推定パラ
メータ値と対応する前記基準値との差の絶対値が所定の
精度判定基準値以上である場合を計数していき、当該計
数値が所定数を越えれば推定精度が悪いと判定するよう
にしても、センサノイズ等の原因で突発的に推定精度が
悪くなったような場合に、これだけで推定精度が悪いと
は判断しないので正確な判断を行うことが可能となる。

【０１０２】さらに、前記学習手段を、学習用データ生
成手段と、学習用データ蓄積手段と、学習実施手段とよ
り構成すれば、学習用データ生成手段が推定精度が良く
ないと判定された前記領域に対応する前記複数の入力パ
ラメータと前記基準値とを用いて学習用データを生成
し、学習用データ蓄積手段が生成された学習用データを
前記領域ごとに蓄積し、学習実施手段が蓄積された学習
用データを用いてニューロ学習を行い新たな結合構成を
得る。このような動作によりオンライン学習をより具体
的に実現することが可能となる。

【０１０３】また、初期結合係数記録手段と、初期結合
係数記録手段と、初期状態復帰手段とを設けたパラメー
タ推定装置では、初期状態復帰手段が前記ニューラルネ
ットワークを当該ニューラルネットワークの初期状態を
記録している前記初期結合係数記録手段に記録されてい
る初期状態へ戻す。このような動作により、オンライン
学習の結果が適切でなかったり、センサの交換を行って
エンジンの状態検知結果に変動が生じたりした場合に、
常に最初の状態に戻すことが可能となり、オンライン学
習で問題であった安全性を確保することが可能となる。

【０１０４】それから、汎化性判定手段と、更新無効手
段とを設けたパラメータ推定装置では、汎化性判定手段
が前記ニューラルネットワーク更新手段により更新され
たニューラルネットワークを用いて推定される推定対象
パラメータ値と前記基準値とを比較して所定の基準に基
づき、前記各領域ごとに更新されたニューラルネットワ
ークの汎化性の良否を判定し、更新無効手段が汎化性が
良くないと判定された前記領域に対応する更新されたニ
ューラルネットワークの結合構成を無効にする。

【０１０５】このような動作により、学習結果が極小値
に陥ったり、過学習を行ってしまったりした結果、汎化
性が悪くなってしまった場合でも、ニューラルネットワ
ークはもとの状態に復帰することができるので、汎化能
力の低下を防止することが可能となり、オンライン学習
における安全性が確保できる。また、前記更新無効手段
を再学習手段に置換したパラメータ推定装置では、再学
習手段が汎化性が悪いと判定された前記領域に対応する
前記複数の入力パラメータと前記基準値とから学習用デ
ータを生成し、当該領域に応じた結合の仕方をもつ前記
ニューラルネットワークについてさらにニューロ学習を
行い新たな結合構成を得、前記ニューラルネットワーク
更新手段が前記再学習手段により新たな結合構成が得ら
れると、これを用いてニューラルネットワークをさらに
更新する。

【０１０６】このような動作により、汎化性が悪くなっ
た領域に対してニューラルネットワークの結合の仕方を
変えてさらに再学習することにより汎化性を速やかに向
上させることが可能となる。そして、仮汎化性判定手段
を設けたパラメータ推定装置では、仮汎化性判定手段が
前記学習手段により得られた結合係数を前記ニューラル
ネットワークに仮に置き換えた仮のニューラルネットワ
ークを用いて推定される推定対象パラメータ値と前記基
準値とを比較して所定の基準に基づき、前記各領域ごと
に当該仮のニューラルネットワークの汎化性の良いか否
かを判定し、前記ニューラルネットワーク更新手段が、
前記仮汎化性判定手段により汎化性が良いと判定された
場合のみ、前記学習手段により得られた結合構成を用い
て前記推定手段のニューラルネットワークを更新する。

【０１０７】このような動作により、汎化性の良否を判
断してからニューラルネットワークの更新が行われるこ
とになるので、汎化能力の劣るニューラルネットワーク
による推定は確実に行われなくなり、常に一定以上の汎
化能力を確保して、オンライン学習の安全性を担保する
ことが可能となる。さらに、前記汎化性判定手段および
仮汎化性判定手段を、所定の汎化性判定期間内における
前記領域での前記推定パラメータ値と対応する前記基準
値との差の平均又は分散の値が所定の汎化性判定基準値
以上であれば汎化性が悪いと判定し、そうでなければ汎
化性が良いと判定するようにすれば、複数のデータの平
均値もしくは分散値から汎化性を判定するので、より判
定精度を上げることができる。

【０１０８】また、前記汎化性判定手段および仮汎化性
判定手段を、所定の汎化性判定期間内における前記領域
での前記推定パラメータ値と対応する前記基準値との差
の絶対値の値が所定の汎化性判定基準値以上である場合
を計数していき、当該計数値が所定数を越えてれば汎化
性が悪いと判定し、そうでなければ汎化性が悪いと判定
するようにすれば、やはり、種々の原因で突発的に汎化
性が悪くなったような場合に、これだけで推定精度が悪
いとは判断しないので正確な判断を行うことが可能とな
る。

【図面の簡単な説明】

【図１】実施の形態に係る空燃比制御装置の概略を示す
模式図である。

【図２】コントロールユニットのハードウエア構成を示
す図である。

【図３】実施の形態１に係る空燃比制御装置の機能ブロ
ック図である。

【図４】実施の形態に係るニューラルネットワークの概
念図である。

【図５】領域の分け方の一例を示す図である。

【図６】（ａ）は経路を変更する経路変更部の一部を模
式的に示す図であり、（ｂ）は経路の重み付けを変える
経路変更部の一部を模式的に示す図である。

【図７】経路変更したニューラルネットワークの一例を
示す概念図である。

【図８】経路の重み付けを与えたニューラルネットワー
クの一例を示す概念図である。

【図９】実施の形態１に係るニューラルネットワークの
学習課程を模式的に示す図である。

【図１０】実施の形態１に係る空燃比制御装置の制御動
作を示すフローチャートである。

【図１１】ファジィ推論規則を適用するための領域分け
の一例を示す図である。

【図１２】ファジィ推論規則を適用するためのニューラ
ルネットワークの構成の一例を示す概念図である。

【図１３】（ａ）はエンジン回転数のメンバシップ関数
を示す図であり、（ｂ）は吸入空気圧（Ｐｂ）のメンバ
シップ関数を示す図である。

【図１４】領域のメンバシップ関数を示す図である。

【図１５】ファジィ推論の結果に応じて経路を選択する
方法の一例を模式的に示す図である。

【図１６】実施の形態２に係る空燃比制御装置の機能ブ
ロック図である。

【図１７】実施の形態２に係る空燃比制御装置のオンラ
イン学習の動作を示すフローチャートである。

【図１８】実施の形態３に係る空燃比制御装置の機能ブ
ロック図である。

【図１９】実施の形態３に係る空燃比制御装置のオンラ
イン学習時の動作を示すフローチャートである。

【図２０】実施の形態４に係る空燃比制御装置の機能ブ
ロック図である。

【図２１】実施の形態４に係る空燃比制御装置のオンラ
イン学習時の動作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空燃
比制御装置の機能ブロック図である。

【図２３】図２２の空燃比制御装置に用いられるニュー
ラルネットワークの概念図である。

【図２４】従来のニューラルネットワークの学習過程を
模式的に示す図である。

【符号の説明】

１ニューロ演算部２燃料噴射量算出部３状態検出部１１ニューロ推定部１２領域判定部１３経路変更部１４基準値取得部１５推定データ記録部１６推定精度判定部１７ａ* 仮汎化性判定部１７ａ汎化性判定部１７ｂ学習無効部１７ｃ再学習部１８学習部１８ａ学習用データ生成部１８ｂ学習用データ蓄積部１８ｃ学習実施部１９ａ初期結合係数格納部１９ｂ初期状態復帰部２０、２０ａニューラルネットワーク更新部Ｅエンジン

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成１０年２月１０日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】特許請求の範囲

【補正方法】変更

【補正内容】

【特許請求の範囲】

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】００１４

【補正方法】変更

【補正内容】

【００１４】

【課題を解決するための手段】上記課題を解決するため
に、本発明は推定対象パラメータに関連する複数の入力
パラメータ値の入力を受け付け、受け付けた入力パラメ
ータ値からニューラルネットワークにより推定対象パラ
メータ値を推定するパラメータ推定装置において、前記
ニューラルネットワークを、前記複数の入力パラメータ
の一部のパラメータにより表される領域をファジィ推論
規則により判定して、この結果に応じて予め定めてある
ように結合の仕方を変更して学習を行ったものとし、受
け付けた前記複数の入力パラメータ値のうちの前記一部
のパラメータ値からファジィ推論規則により前記領域の
いずれに属するかを判定する領域判定手段と、領域判定
手段が判定した領域に応じて前記ニューラルネットワー
クの結合の仕方を学習したときと同じように変更する経
路変更手段とを設けたものである。なお、本願ではパラ
メータの一部という場合にはパラメータの全部も含むも
のとする。

【手続補正３】

【補正対象書類名】明細書

【補正対象項目名】００１５

【補正方法】削除

【手続補正４】

【補正対象書類名】明細書

【補正対象項目名】００１７

【補正方法】変更

【補正内容】

【００１７】また、上記課題を解決するために本発明に
係るパラメータ推定装置は、推定対象パラメータに関連
する複数の入力パラメータ値の入力を受け付け、受け付
けた入力パラメータ値からニューラルネットワークによ
り推定対象パラメータ値を推定するパラメータ推定装置
において、前記ニューラルネットワークを、前記複数の
入力パラメータの一部のパラメータにより表される領域
ごとに予め定めてあるように結合の仕方を変更して学習
を行ったものとしている。そして、受け付けた前記複数
の入力パラメータ値のうちの前記一部のパラメータ値か
ら前記領域のいずれに属するかを判定する領域判定手段
と、領域判定手段が判定した領域に応じて前記ニューラ
ルネットワークの結合の仕方を学習したときと同じよう
に変更する経路変更手段を設け、さらに、前記推定され
た推定対象パラメータ値に対して推定結果として出力さ
れるべき基準値を取得する基準値取得手段と、取得した
基準値と推定された推定対象パラメータ値とを比較して
前記各領域ごとに推定精度が悪いか否かを所定の基準に
基づいて判定する推定精度判定手段と、推定精度が悪い
前記領域に対応する前記複数の入力パラメータと前記基
準値とを学習用データとし、当該領域に応じた結合の仕
方をもつ前記ニューラルネットワークについてニューロ
学習を行い新たな結合構成を得る学習手段と、得られた
結合構成を用いて前記推定手段のニューラルネットワー
クを更新するニューラルネットワーク更新手段とを設け
たものである。

【手続補正５】

【補正対象書類名】明細書

【補正対象項目名】００９１

【補正方法】変更

【補正内容】

【００９１】

【発明の効果】以上の説明から、本発明は以下のような
効果を奏する。まず、本発明に係るパラメータ推定装置
は、推定対象パラメータに関連する複数の入力パラメー
タ値の入力を受け付け、受け付けた入力パラメータ値か
らニューラルネットワークにより推定対象パラメータ値
を推定するパラメータ推定装置において、前記ニューラ
ルネットワークが、前記複数の入力パラメータの一部の
パラメータにより表される領域をファジィ推論規則によ
り判定して、この結果に応じて予め定めてあるように結
合の仕方を変更して学習を行ったものとしてあり、領域
判定手段が受け付けた前記複数の入力パラメータ値のう
ちの前記一部のパラメータ値からファジィ推論規則によ
り前記領域のいずれに属するかを判定し、経路変更手段
が領域判定手段が判定した領域に応じて前記ニューラル
ネットワークの結合の仕方を学習したときと同じように
変更する。

【手続補正６】

【補正対象書類名】明細書

【補正対象項目名】００９５

【補正方法】変更

【補正内容】

【００９５】また、ファイジィ推論規則により領域と領
域の境界を曖昧に扱うことにより、領域と領域を滑らか
につなぎ、これに応じてニューラルネットワークの結合
の仕方を滑らかに変更させるようにすることができ、領
域と領域との境界で推定値が急激に変化することを防い
で、滑らかな推定が可能となる。

【手続補正７】

【補正対象書類名】明細書

【補正対象項目名】００９８

【補正方法】変更

【補正内容】

【００９８】また、本発明に係るオンライン学習可能な
パラメータ推定装置では、ニューラルネットワークが、
複数の入力パラメータの一部のパラメータにより表され
る領域に応じて予め定めてあるように結合の仕方を変更
して学習を行ったものとしてあり、受け付けた前記複数
の入力パラメータ値のうちの前記一部のパラメータ値か
ら判定される領域に応じて前記ニューラルネットワーク
の結合の仕方を学習したときと同じように変更する。そ
して、基準値取得手段が前記推定された推定対象パラメ
ータ値に対して推定結果として出力されるべき基準値を
取得し、ニューラルネットワーク更新手段が取得した基
準値と推定された推定対象パラメータ値とを比較して前
記各領域ごとに推定精度が悪いか否かを所定の基準に基
づいて判定し、学習手段が推定精度が悪い前記領域に対
応する前記複数の入力パラメータと前記基準値とを学習
用データとし、当該領域に応じた結合の仕方をもつ前記
ニューラルネットワークについてニューロ学習を行い新
たな結合構成を得、ニューラルネットワーク更新手段が
得られた結合構成を用いて前記推定手段のニューラルネ
ットワークを更新する。

Claims

【特許請求の範囲】

【請求項１】推定対象パラメータに関連する複数の入
力パラメータ値の入力を受け付け、受け付けた入力パラ
メータ値からニューラルネットワークにより推定対象パ
ラメータ値を推定するパラメータ推定装置であって、前記ニューラルネットワークが、前記複数の入力パラメ
ータの一部のパラメータにより表される領域ごとに予め
定めてあるように結合の仕方を変更して学習を行ったも
のであり、受け付けた前記複数の入力パラメータ値のうちの前記一
部のパラメータ値から前記領域のいずれに属するかを判
定する領域判定手段と、領域判定手段が判定した領域に応じて前記ニューラルネ
ットワークの結合の仕方を学習したときと同じように変
更する経路変更手段と、を有するパラメータ推定装置。
【請求項２】前記ニューラルネットワークが前記一部
のパラメータから前記領域をファジィ推論規則により判
定して、この結果に応じて予め定められるように結合の
仕方を変更して学習を行ったものであり、前記領域判定手段が前記ファジィ推論規則により前記一
部のパラメータの値から前記領域のいずれに属するかを
判定する請求項１に記載のパラメータ推定装置。
【請求項３】前記ニューラルネットワークが、前記複
数の入力パラメータの一部のパラメータにより表される
領域ごとに、結合の経路を変えて学習を行ったものであ
り、前記経路変更手段が、領域判定手段が判定した領域に応
じて前記ニューラルネットワークの結合の経路を選択す
る請求項１又は２に記載のパラメータ推定装置。
【請求項４】前記ニューラルネットワークが、前記複
数の入力パラメータの一部のパラメータにより表される
領域ごとに、結合経路の重みを変えて学習を行ったもの
であり、前記経路変更手段が、領域判定手段が判定した領域に応
じて前記ニューラルネットワークの結合経路の重みを変
更する請求項１〜３のいずれか１項に記載のパラメータ
推定装置。
【請求項５】請求項１〜４のいずれか１項に記載のパ
ラメータ推定装置において、さらに、前記推定された推定対象パラメータ値に対して推定結果
として出力されるべき基準値を取得する基準値取得手段
と、取得した基準値と推定された推定対象パラメータ値とを
比較して前記各領域ごとに推定精度が悪いか否かを所定
の基準に基づいて判定する推定精度判定手段と、推定精度が悪い前記領域に対応する前記複数の入力パラ
メータと前記基準値とを学習用データとし、当該領域に
応じた結合の仕方をもつ前記ニューラルネットワークに
ついてニューロ学習を行い新たな結合構成を得る学習手
段と、得られた結合構成を用いて前記推定手段のニューラルネ
ットワークを更新するニューラルネットワーク更新手段
とを設けたパラメータ推定装置。
【請求項６】前記推定精度判定手段が、所定の推定精
度判定期間内における前記各領域での前記推定パラメー
タ値と対応する前記基準値との差の平均又は分散の値が
所定の精度判定基準値以上であれば推定精度が悪いと判
定する請求項５記載のパラメータ推定装置。
【請求項７】前記推定精度判定手段が、所定の推定精
度判定期間内における前記各領域での前記推定パラメー
タ値と対応する前記基準値との差の絶対値が所定の精度
判定基準値以上である場合を計数していき、当該計数値
が所定数を越えれば推定精度が悪いと判定する請求項５
記載のパラメータ推定装置。
【請求項８】前記学習手段が、推定精度が良くないと判定された前記領域に対応する前
記複数の入力パラメータと前記基準値とを用いて学習用
データを生成する学習用データ生成手段と、生成された学習用データを前記領域ごとに蓄積する学習
用データ蓄積手段と、蓄積された学習用データを用いてニューロ学習を行い新
たな結合構成を得る学習実施手段とよりなる請求項５〜
７のいずれか１項に記載のパラメータ推定装置。
【請求項９】請求項５〜８のいずれか１項に記載のパ
ラメータ推定装置において、さらに、前記ニューラルネットワークの初期状態を記録している
初期結合構成記録手段と、前記ニューラルネットワークを前記初期結合構成記録手
段に記録されている初期状態へ戻す初期状態復帰手段と
を設けたパラメータ推定装置。
【請求項１０】請求項５〜９のいずれか１項に記載の
パラメータ推定装置において、さらに、前記ニューラルネットワーク更新手段により更新された
ニューラルネットワークを用いて推定される推定対象パ
ラメータ値と前記基準値とを比較して所定の基準に基づ
き、前記各領域ごとに更新されたニューラルネットワー
クの汎化性の良否を判定する汎化性判定手段と、汎化性が良くないと判定された前記領域に対応する更新
されたニューラルネットワークの結合構成を無効にする
更新無効手段とを設けたパラメータ推定装置。
【請求項１１】請求項１０に記載のパラメータ推定装
置において、前記更新無効手段を、汎化性が悪いと判定された前記領
域に対応する前記複数の入力パラメータと前記基準値と
から学習用データを生成し、当該領域に応じた結合の仕
方をもつ前記ニューラルネットワークについてさらにニ
ューロ学習を行い新たな結合構成を得る再学習手段に置
換し、前記ニューラルネットワーク更新手段が前記再学習手段
により新たな結合構成が得られると、これを用いてニュ
ーラルネットワークをさらに更新するパラメータ推定装
置。
【請求項１２】請求項５〜９のいずれか１項に記載の
パラメータ推定装置において、さらに、前記学習手段により得られた結合係数を前記ニューラル
ネットワークに仮に置き換えた仮のニューラルネットワ
ークを用いて推定される推定対象パラメータ値と前記基
準値とを比較して所定の基準に基づき、前記各領域ごと
に当該仮のニューラルネットワークの汎化性が良いか否
かを判定する仮汎化性判定手段を設け、前記ニューラルネットワーク更新手段が、前記仮汎化性
判定手段により汎化性が良いと判定された場合のみ、前
記学習手段により得られた結合構成を用いて前記推定手
段のニューラルネットワークを更新するパラメータ推定
装置。
【請求項１３】前記汎化性判定手段および仮汎化性判
定手段が、所定の汎化性判定期間内における前記領域で
の前記推定パラメータ値と対応する前記基準値との差の
平均又は分散の値が所定の汎化性判定基準値以上であれ
ば汎化性が悪いと判定し、そうでなければ汎化性が良い
と判定する請求項１０〜１２のいずれか１項に記載のパ
ラメータ推定装置。
【請求項１４】前記汎化性判定手段および仮汎化性判
定手段が、所定の汎化性判定期間内における前記領域で
の前記推定パラメータ値と対応する前記基準値との差の
絶対値の値が所定の汎化性判定基準値以上である場合を
計数していき、当該計数値が所定数を越えてれば汎化性
が悪いと判定し、そうでなければ汎化性が良いと判定す
る請求項１０〜１２のいずれか１項に記載のパラメータ
推定装置。