WO2010109667A1

WO2010109667A1 - プラントの制御装置

Info

Publication number: WO2010109667A1
Application number: PCT/JP2009/056366
Authority: WO
Inventors: 安井　裕司; 中島　幸一; ミハエルフィッシャー
Original assignee: 本田技研工業株式会社
Priority date: 2009-03-27
Filing date: 2009-03-27
Publication date: 2010-09-30
Also published as: EP2413205A4; EP2413205B1; US8965664B2; JPWO2010109667A1; EP2413205A1; US20120014838A1; JP5149988B2

Abstract

　推定値に基づいてプラントの制御量を制御するプラントの制御装置であって、プラントの固体ばらつきや経年劣化による推定値の誤差を抑制できるプラントの制御装置を提供すること。　排気浄化システムの制御装置は、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを、入力ベクトルＵに基づきニューラルネットワークにより算出するＩｎｅｒｔ－ＥＧＲ推定値算出部７１１と、Ｉｎｅｒｔ－ＥＧＲ量と相関のある排気空燃比の推定値Φ_ＨＡＴを、入力ベクトルＵに基づきニューラルネットワークにより算出するＬＡＦセンサ出力推定値算出部７１２と、排気空燃比を検出するＬＡＦセンサ３４と、ＬＡＦセンサ３４の検出値Φ_ＡＣＴとＬＡＦセンサ３４の出力の推定値Φ_ＨＡＴとの推定誤差Ｅ_ＨＡＴが最小になるように、適応入力Ｕ_ＶＮＳを算出する非線形適応修正器７１３と、を備える。

Description

プラントの制御装置

　本発明は、プラントの制御装置に関する。特に、プラントの状態を示す所定の物理量の推定値を算出し、この推定値に基づいてプラントの制御量を制御するプラントの制御装置に関する。

　内燃機関やその排気浄化システムなどのプラントにおいて、このプラントの状態を示す複数の物理量は、センサにより検出されている物理量（検出物理量）と、センサにより検出されていない物理量（非検出物理量）とに分けられる。ここで、非検出物理量には、原理的にセンサで直に検出できない物理量や、耐久性やコストなどの様々な理由からセンサを用いて直に検出しない物理量などが含まれる。このような非検出物理量に基づいてプラントを制御する必要が生じた場合、制御装置では、基本的には他の検出物理量に基づいて、その推定値を算出する。

　非検出物理量の具体例の１つとして、例えば内燃機関の排気浄化システムでは、ＥＧＲ量やＥＧＲ率などの排気還流装置に関わる物理量が挙げられる。特許文献１や特許文献２には、ＥＧＲ量やＥＧＲ率の推定値の算出や、この推定値に基づいた制御に関する技術が示されている。

　特許文献１には、各種バルブの開度と、吸入新気量と、機関回転数と、ＥＧＲ率との関係が定められたマップにより、ＥＧＲ率の推定値を算出する制御装置が示されている。この制御装置では、ＥＧＲ率の推定値が目標ＥＧＲ率に維持するようにディーゼルパティキュレートフィルタ（以下、「ＤＰＦ（Ｄｉｅｓｅｌ　Ｐａｒｔｉｃｕｌａｔｅ　Ｆｉｌｔｅｒ）」という）を再生することにより、内燃機関から排出されるＮＯｘの量の変動を抑制している。

　特許文献２には、ＥＧＲ弁の開度やエアフローメータで検出された吸入空気量などに基づいて、ＥＧＲ量の推定値を算出する制御装置が示されている。この制御装置では、推定したＥＧＲ量に基づいて、燃料噴射時期やパイロット噴射量を補正することにより、内燃機関の過渡運転状態における燃焼騒音を低減したり、ＮＯｘの排出量を低減したりしている。
特開２００８－１０６７１７号公報特開２００８－１９７８２号公報

　ところで、特許文献１及び特許文献２に示された技術や、その他従来から知られている技術などにおいて、ＥＧＲ量やＥＧＲ率を推定する際には、予め設定されたマップや、物理モデルに基づいて予め設定された演算式が用いられる。しかしながら、このような予め設定されたマップや演算式を用いた場合、例えば、システムの経年劣化や固体ばらつきが生じると、推定値と実際の値との間に誤差が生じてしまい、結果として適切な制御が行えなくなってしまう。

　本発明は上述した点を考慮してなされたものであり、推定値に基づいてプラントの制御量を制御するプラントの制御装置であって、プラントの固体ばらつきや経年劣化による推定値の誤差を抑制できるプラントの制御装置を提供することを目的とする。

　上記目的を達成するため本発明は、プラント（２，２Ａ，２Ｂ）の制御装置を提供する。前記プラントの制御装置は、前記プラントの状態を示す複数の物理量のうちの少なくとも１つである第１物理量の推定値（ＩＥＧＲ_ＨＡＴ，ＮＯＸ_ＨＡＴ，ＲＥＤ_ＨＡＴ）を、複数の入力に基づき所定のアルゴリズムにより算出する第１推定値算出手段（７１１，８１１，９１１，９１５）と、前記第１物理量と相関のある第２物理量の推定値（Φ_ＨＡＴ）を、複数の入力に基づき所定のアルゴリズムにより算出する第２推定値算出手段（７１２，８１２，９１２）と、前記第２物理量を検出する検出手段（３４）と、前記検出手段により検出された第２物理量の検出値（Φ_ＡＣＴ）と前記第２推定値算出手段により算出された第２物理量の推定値（Φ_ＨＡＴ）との偏差（Ｅ_ＨＡＴ）が最小になるように、前記第１推定値算出手段及び前記第２推定値算出手段に入力される適応入力（Ｕ_ＶＮＳ）を算出する適応入力算出手段（７１３，８１３，９１３）と、を備える。前記プラントの制御装置は、前記第１物理量の推定値に基づいて、前記プラントの所定の制御量を制御する。

　この構成によれば、第１推定値算出手段で所定のアルゴリズムに基づいて第１物理量の推定値を算出し、第２推定値算出手段で所定のアルゴリズムに基づいて第２物理量の推定値を算出する。ここで、第１推定値算出手段及び第２推定値算出手段には、第２物理量の推定値と検出手段の出力値との偏差が最小になるように算出された適応入力が入力される。さらにこの第１物理量の推定値に基づいて、プラントの所定の制御量を制御する。

　ここで、例えば、プラントに固体ばらつきや経年劣化が生じることにより、第１物理量の推定値に誤差が発生したとする。この場合、第１物理量と相関のある第２物理量の推定値にも、誤差が発生すると考えられる。上記構成によれば、この第１物理量の推定値に発生する誤差は、第２物理量の推定値と検出手段の検出値との偏差として検出される。さらにこの偏差が最小になるように適応入力が算出され、第１推定値算出手段及び第２推定手段に入力される。これにより、第２物理量の推定値とともに第１物理量の推定値の誤差が抑制される。また、このような第１物理量の推定値に基づいてプラントの所定の制御量を制御することにより、プラントの制御量を適切な状態に制御することができる。

　好ましくは、前記第１推定値算出手段のアルゴリズム及び前記第２推定値算出手段のアルゴリズムは、それぞれ、所定の関数（ｆ（ｘ）、ｇ（ｘ））に従って出力する複数のニューロンを結合して構成されたニューラルネットワークである。

　この構成によれば、非線形な動特性の再現性に優れたニューラルネットワークにより第１物理量及び第２物理量の推定値を算出する。これにより、例えば、実際の第１物理量が非線形な挙動を示したとしても、これを精度良く推定することができる。

　好ましくは、前記第１推定値算出手段への複数の入力（Ｕ）、及び、前記第２推定値算出手段への複数の入力（Ｕ）には、それぞれ、複数の異なる時刻の物理量に関するデータが含まれる。

　この構成によれば、第１推定値算出手段及び第２推定値算出手段への入力に、複数の異なる時刻の物理量に関するデータを含めることで、推定値の動的挙動の再現性をより向上することができる。

　好ましくは、前記適応入力算出手段は、前記第１推定値算出手段への複数の入力、及び、前記第２推定値算出手段への複数の入力のうちの少なくとも１つを参照パラメータとし、当該参照パラメータを基底とする空間に、互いに重複する複数の領域を定義するとともに、各領域にそれぞれ「０」でない値を持つ正規化された複数の重み関数（Ｗ_ｉｊ）を設定する重み関数設定手段（７１５）と、前記重み関数の値と前記偏差との積が最小になるように、前記領域ごとに修正値（Ｕ_ｉｊ）を算出する修正値算出手段（７１６）と、前記重み関数の値と前記修正値との積の全領域に亘る総和（ΣΣＷ_ｉｊＵ_ｉｊ）に基づいて適応入力を決定する決定手段（７１７）と、を備える。

　この構成によれば、参照パラメータを基底とする空間に複数の領域を定義するとともに、各領域に重み関数を設定する。そして、重み関数と上記偏差との積が最小になるように、領域ごとに修正値を算出する。さらに、重み関数と上記修正値との積の全領域に亘る総和に基づいて適応入力を決定する。
　ところで、プラントにおける経年劣化や固体ばらつきが、第１物理量の推定値の誤差に及ぼす影響は、プラントの状態に応じて異なったものになると考えられる。この構成によれば、プラントの状態を示す参照パラメータを基底とした空間内の領域ごとに修正値を算出することにより、プラントの状態ごとに異なる誤差への影響を考慮して適応入力を算出することができる。

　好ましくは、前記プラントは、内燃機関（１）の排気系を流通する排気の一部を、前記内燃機関の吸気系に還流する排気還流装置（４０，４５）を備えた内燃機関の排気浄化システム（２）である。前記プラントの第１物理量は、前記排気還流装置により前記内燃機関に還流される排気に関するパラメータを含む。

　この構成によれば、排気還流装置により内燃機関に還流される排気に関するパラメータを第１物理量とし、この第１物理量の推定値を上述の手順で算出する。排気還流装置により還流される排気に関するパラメータは、現存するセンサでは精度良く検出することができない。そこで、このパラメータの推定値を第１推定値算出手段で精度良く算出することにより、排気浄化システムを、その固体ばらつきや経年劣化に応じて適切な状態に制御することができる。
　特に、排気還流装置により還流される排気に関するパラメータは、過渡時において非線形的な挙動を示す。このため、上述のようなニューラルネットワークに基づいて、上述のパラメータの推定値を算出することで、このような非線形的な挙動も再現することができる。

　好ましくは、前記排気還流装置は、排気系を流通する排気の一部を吸気系に還流する排気還流通路（４１，４６）と、当該排気還流通路に設けられた排気還流制御弁（４２，４７）とを備える。前記制御装置は、前記還流される排気に関するパラメータの推定値（ＩＥＧＲ_ＨＡＴ）が所定の目標値（ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}）に一致するように、前記排気還流制御弁の操作量（Ｌ_ＨＰ，Ｌ_ＬＰ）を決定するコントローラ（７，７２，７３，７４）をさらに備える。

　この構成によれば、コントローラは、排気還流装置により還流される排気に関するパラメータの推定値が所定の目標値に一致するように、排気還流制御弁の操作量を決定する。これにより、排気浄化システムの固体ばらつきや経年劣化に合わせて排気還流制御弁の操作量を適切に決定することができる。したがって、排気浄化システムの固体ばらつきや経年劣化によるＮＯｘの排出量の増加を抑制することができる。

　好ましくは、前記プラントは、内燃機関の排気系に設けられ、還元剤の存在下で前記排気系を流通するＮＯｘを還元する選択還元触媒（６１）と、前記排気系のうち前記選択還元触媒の上流側に、還元剤又は還元剤の元となる添加剤を供給する還元剤供給手段（６２）と、を備える内燃機関の排気浄化システム（２Ａ）である。前記プラントの第１物理量は、前記選択還元触媒に流入する排気中のＮＯｘに関するパラメータを含む。

　この構成によれば、選択還元触媒に流入する排気中のＮＯｘに関するパラメータを第１物理量として、この第１物理量の推定値を上述の手順で算出する。排気中のＮＯｘを検出するセンサは、現存するものでは、検出分解能や応答性が低く、また出力ばらつきが大きい。このため、排気中のＮＯｘに関するパラメータを、精度良く検出することができない。そこで、このような排気中のＮＯｘに関するパラメータの推定値を第１推定値算出手段で精度良く算出することにより、排気浄化システムを、その固体ばらつきや経年劣化に応じて適切な状態に制御することができる。

　好ましくは、前記プラントの制御装置は、前記排気中のＮＯｘに関するパラメータの推定値（ＮＯＸ_ＨＡＴ）に基づいて、前記還元剤供給手段による還元剤又は添加剤の供給量（Ｇ_ＵＲＥＡ）を決定するコントローラ（８、８２，８３，８４，８５）をさらに備える。

　この構成によれば、コントローラは、排気中のＮＯｘに関するパラメータの推定値に基づいて、還元剤又は添加剤の供給量を決定する。これにより、排気浄化システムの固体ばらつきや経年劣化に合わせて、選択還元触媒におけるＮＯｘ浄化率を高く維持することができる。

　好ましくは、前記プラントは、内燃機関の排気系に設けられ、前記内燃機関で燃焼する混合気を理論空燃比よりもリーンにしたときに排気中のＮＯｘを吸着又は吸蔵し、還元雰囲気下で前記吸着又は吸蔵したＮＯｘを還元するＮＯｘ浄化触媒（６５）と、前記ＮＯｘ浄化触媒に流入する排気を還元雰囲気にする還元制御処理を実行する還元化手段（９）と、を備える内燃機関の排気浄化システム（２Ｂ）である。前記プラントの第１物理量は、前記ＮＯｘ浄化触媒に流入する排気中のＮＯｘに関するパラメータ、及び、前記ＮＯｘ浄化触媒に流入する排気中の還元成分に関するパラメータを含む。

　この構成によれば、ＮＯｘ浄化触媒に流入する排気中のＮＯｘ及び還元成分に関するパラメータを第１物理量として、この第１物理量の推定値を上述の手順で算出する。このような排気中のＮＯｘや還元成分は、上述のように現存するセンサでは精度良く検出することができない。そこで、このような排気中のＮＯｘや還元成分に関するパラメータの推定値を第１推定値算出手段で精度良く算出することにより、排気浄化システムを、その固体ばらつきや経年劣化に応じて適切な状態に制御することができる。

　好ましくは、前記プラントの制御装置は、前記ＮＯｘに関するパラメータ及び前記還元成分に関するパラメータの推定値（ＮＯＸ_ＨＡＴ，ＲＥＤ_ＨＡＴ）に基づいて、前記還元制御処理の実行を指令するコントローラ（９，９２，９３）をさらに備える。

　この構成によれば、コントローラは、排気中のＮＯｘ及び還元成分に関するパラメータの推定値に基づいて、還元制御処理の実行を指令する。これにより、排気浄化システムの固体ばらつきや経年劣化に合わせて、ＮＯｘ浄化触媒におけるＮＯｘ浄化率を高く維持することができる。

　好ましくは、前記第２物理量は、前記排気系を流通する排気の空燃比である。

　この構成によれば、排気の空燃比を第２物理量として、この第２物理量の推定値を算出する。上述の排気還流装置により還流される排気に関するパラメータ、排気中のＮＯｘに関するパラメータ、及び排気中の還元成分に関するパラメータは、何れも排気の空燃比と強い相関がある。このような排気の空燃比を第２物理量の推定値するとともに、この推定値と検出値との偏差が最小になるように適応入力を算出することにより、第１物理量の推定値の精度を向上することができる。

本発明の第１実施形態に係るエンジン及びその排気浄化システムと、その制御装置との構成を示す模式図である。シリンダに吸入された吸気の成分を示す図である。Ｉｎｅｒｔ－ＥＧＲ量と、エンジンから排出されるＮＯｘ、ＨＣ、及びスートの量との関係を示す図である。上記実施形態に係る排気浄化システムの制御装置の構成を示すブロック図である。上記実施形態に係る適応バーチャルセンサシステムの構成を示すブロック図である。上記実施形態に係るＩｎｅｒｔ－ＥＧＲ推定値算出部のニューラルネットワーク構造を示す図である。上記実施形態に係るシグモイド関数を示す図である。上記実施形態に係る非線形適応修正器の構成を示すブロック図である。上記実施形態に係るエンジン回転数を定義域とした４つの第１重み関数を示す図である。上記実施形態に係る燃料噴射量を定義域とした４つの第２重み関数を示す図である。上記実施形態に係る２つの参照パラメータを定義域とした１６個の重み関数を示す図である。上記実施形態に係るＩｎｅｒｔ－ＥＧＲ量制御の手順を示すフローチャートである。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。本発明の第２実施形態に係るエンジン及びその排気浄化システムの構成を示す模式図である。上記実施形態に係る選択還元触媒におけるＮＯｘ浄化率と、ＮＯ２とＮＯｘの比率との関係を示す図である。上記実施形態に係る排気浄化システムの制御装置の構成を示すブロック図である。上記実施形態に係る適応バーチャルセンサシステムの構成を示すブロック図である。上記実施形態に係る最大ストレージ容量と選択還元触媒温度との関係を示す図である。上記実施形態に係る選択還元触媒のストレージモデルの概念を示す模式図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。本発明の第３実施形態に係るエンジン及びその排気浄化システムの構成を示す模式図である。上記実施形態に係るＮＯｘ浄化触媒におけるＮＯｘの吸着／吸蔵効率と、ＮＯｘの吸着／吸蔵量との関係を示す図である。上記実施形態に係る排気浄化システムの制御装置の構成を示すブロック図である。上記実施形態に係る適応バーチャルセンサシステムの構成を示すブロック図である。上記実施形態に係るＮＯｘ浄化触媒における最大ＮＯｘ吸着／吸蔵量とＮＯｘ浄化触媒温度との関係を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。上記実施形態に係るシミュレーション結果を示す図である。

符号の説明

　１…エンジン（内燃機関）
　２，２Ａ，２Ｂ…排気浄化システム（プラント、排気浄化システム）
　２０…吸気管（吸気系）
　２１…吸気マニホールド（吸気系）
　３０…排気管（排気系）
　３１…排気マニホールド（排気系）
　３４…ＬＡＦセンサ（検出手段）
　４０…高圧ＥＧＲ装置（排気還流装置）
　４１…高圧ＥＧＲ管（排気還流通路）
　４２…高圧ＥＧＲバルブ（排気還流制御弁）
　４５…低圧ＥＧＲ装置（排気還流装置）
　４６…低圧ＥＧＲ管（排気還流通路）
　４７…低圧ＥＧＲバルブ（排気還流制御弁）
　６１…選択還元触媒
　６２…ユリア噴射装置（還元剤供給手段）
　６５…ＮＯｘ浄化触媒
　７…ＥＣＵ
　７１…適応バーチャルセンサシステム
　７１１…Ｉｎｅｒｔ－ＥＧＲ推定値算出部（第１推定値算出手段）
　７１２…ＬＡＦセンサ出力推定値算出部（第２推定値算出手段）
　７１３…非線形適応修正器（適応入力算出手段）
　７１５…重み関数設定部（重み関数設定手段）
　７１６…局所適応入力算出部（修正値算出手段）
　７１７…適応係数算出部（決定手段）
　７２…Ｉｎｅｒｔ－ＥＧＲ量目標値算出部（コントローラ）
　７３…Ｉｎｅｒｔ－ＥＧＲコントローラ（コントローラ）
　７４…リフト量算出部（コントローラ）
　８…ＥＣＵ
　８１…適応バーチャルセンサシステム
　８１１…ＮＯｘ量推定値算出部（第１推定値算出手段）
　８１２…ＬＡＦセンサ出力推定値算出部（第２推定値算出手段）
　８１３…非線形適応修正器（適応入力算出手段）
　８２…フィードフォワード噴射量決定部（コントローラ）
　８３…ストレージ量目標値設定部（コントローラ）
　８４…フィードバック噴射量決定部（コントローラ）
　８５…加算器（コントローラ）
　９…ＥＣＵ
　９１…適応バーチャルセンサシステム
　９１１…ＮＯｘ量推定値算出部（第１推定値算出手段）
　９１２…ＬＡＦセンサ出力推定値算出部（第２推定値算出手段）
　９１３…非線形適応修正器（適応入力算出手段）
　９１５…還元剤量推定値算出部（第１推定値算出手段）
　９２…ＮＯｘ吸着／吸蔵量推定部（コントローラ）
　９３…リッチモードコントローラ（コントローラ）

発明を実施するための形態

［第１実施形態］
　以下、本発明の第１実施形態を、図面を参照して説明する。
　図１は、本実施形態に係る内燃機関（以下「エンジン」という）１及びその排気浄化システム２と、その制御装置との構成を示す模式図である。

　エンジン１は、リーンバーン運転方式のガソリンエンジン又はディーゼルエンジンであり、図示しない車両に搭載されている。エンジン１には、各シリンダの燃焼室内に燃料を噴射する燃料噴射弁が設けられている。これら燃料噴射弁は、電子制御ユニット（以下「ＥＣＵ」という）７により電気的に接続されており、燃料噴射弁の開弁時間及び閉弁時間は、ＥＣＵ７により制御される。

　排気浄化システム２は、エンジン１に接続され吸気が流通する吸気管２０と、エンジン１の排気が流通する排気管３０と、排気の一部を吸気に還流する高圧排気還流装置（以下、「高圧ＥＧＲ装置」という）４０及び低圧排気還流装置（以下、「低圧ＥＧＲ装置」という）４５と、排気を浄化する酸化触媒３５及びＤＰＦ３６と、エンジン１に吸気を圧送するプライマリターボチャージャ５０及びセカンダリターボチャージャ５５と、を含んで構成される。

　吸気管２０は、吸気マニホールド２１の複数の分岐部を介してエンジン１の各気筒の吸気ポートに接続されている。排気管３０は、排気マニホールド３１の複数の分岐部を介してエンジン１の各気筒の排気ポートに接続されている。

　吸気管２０には、プライマリターボチャージャ５０と、セカンダリターボチャージャ５５と、インタークーラ５９とが上流側からこの順で設けられている。

　プライマリターボチャージャ５０は、排気管３０に設けられたタービン５１と、吸気管２０に設けられたコンプレッサ５２と、を備える。タービン５１は、排気管３０を流通する排気の運動エネルギにより駆動される。コンプレッサ５２は、タービン５１の回転により駆動され、吸気を加圧する。さらに、プライマリターボチャージャ５０は、開閉動作によりタービン５１の回転速度を変更する図示しない可変ベーンを備える。

　セカンダリターボチャージャ５５は、排気管３０のうちプライマリターボチャージャ５０のタービン５１よりも上流側に設けられたタービン５６と、吸気管２０のうちプライマリターボチャージャ５０のコンプレッサ５２よりも下流側に設けられたコンプレッサ５７と、を備える。タービン５６は、排気管３０を流通する排気の運動エネルギにより駆動される。コンプレッサ５７は、タービン５６の回転により駆動され、吸気を加圧する。さらに、セカンダリターボチャージャ５５は、開閉動作によりタービン５６の回転速度を変更する図示しない可変ベーンを備える。また、吸気管２０には、セカンダリターボチャージャ５５のコンプレッサ５７を迂回するバイパス管２２が設けられている。バイパス管２２には、このバイパス管２２を開閉するバイパス弁２３が設けられている。

　インタークーラ５９は、２つのターボチャージャ５０，５５により加圧された吸気を冷却する。

　排気管３０のうち、プライマリターボチャージャ５０のタービン５１の下流には、酸化触媒３５とＤＰＦ３６とが、上流側からこの順で設けられている。

　酸化触媒３５は、排気との反応により発生する熱で排気を昇温する。この酸化触媒３５には、例えば、触媒として作用する白金（Ｐｔ）を、アルミナ（Ａｌ_２Ｏ_３）担体に担持させたものに、ＨＣの吸着作用に優れたゼオライトと、ＨＣの水蒸気改質作用に優れたロジウム（Ｒｈ）を加えて構成されたものが用いられる。

　ＤＰＦ３６は、排気がフィルタ壁の微細な孔を通過する際、排気中の炭素を主成分とする粒子状物質（以下、「ＰＭ（Ｐａｒｔｉｃｕｌａｔｅ　Ｍａｔｔｅｒ）」という）を、フィルタ壁の表面及びフィルタ壁中の孔に堆積させることによって捕集する。フィルタ壁の構成材料としては、例えば、炭化珪素（ＳｉＣ）などのセラミックスの多孔体が使用される。

　高圧ＥＧＲ装置４０は、高圧ＥＧＲ管４１と、高圧ＥＧＲバルブ４２と、高圧ＥＧＲクーラ４３と、高圧ＥＧＲインテークシャッタ４４Ｉと、高圧ＥＧＲエキゾーストシャッタ４４Ｅと、を含んで構成される。

　高圧ＥＧＲ管４１は、排気マニホールド３１と吸気マニホールド２１とを接続する。高圧ＥＧＲバルブ４２は、高圧ＥＧＲ管４１に設けられ、この高圧ＥＧＲ管４１を介して還流される排気の流量を制御する。高圧ＥＧＲクーラ４３は、高圧ＥＧＲ管４１を介して還流される排気を冷却する。高圧ＥＧＲインテークシャッタ４４Ｉは、吸気管２０のうちインタークーラ５９の下流に設けられ、高圧ＥＧＲエキゾーストシャッタ４４Ｅは、排気管３０のうちタービン５６の上流に設けられている。

　高圧ＥＧＲバルブ４２、高圧ＥＧＲインテークシャッタ４４Ｉ、及び高圧ＥＧＲエキゾーストシャッタ４４Ｅは、図示しないアクチュエータを介してＥＣＵ７に接続されており、その開度（リフト量）はＥＣＵ７により電磁的に制御される。

　低圧ＥＧＲ装置４５は、低圧ＥＧＲ管４６と、低圧ＥＧＲバルブ４７と、低圧ＥＧＲクーラ４８と、低圧ＥＧＲインテークシャッタ４９Ｉと、低圧ＥＧＲエキゾーストシャッタ４９Ｅと、を含んで構成される。

　低圧ＥＧＲ管４６は、排気管３０のうちＤＰＦ３６の下流側と吸気管２０のうちコンプレッサ５２の上流側とを接続する。低圧ＥＧＲバルブ４７は、低圧ＥＧＲ管４６に設けられ、この低圧ＥＧＲ管４６を介して還流される排気の流量を制御する。低圧ＥＧＲクーラ４８は、低圧ＥＧＲ管４６を介して還流される排気を冷却する。低圧ＥＧＲインテークシャッタ４９Ｉは、吸気管２０のうち低圧ＥＧＲ管４６の接続部よりも上流側に設けられ、低圧ＥＧＲエキゾーストシャッタ４９Ｅは、排気管３０のうち低圧ＥＧＲ管４６の接続部よりも下流側に設けられている。

　低圧ＥＧＲバルブ４７、低圧ＥＧＲインテークシャッタ４９Ｉ、及び低圧ＥＧＲエキゾーストシャッタ４９Ｅは、図示しないアクチュエータを介してＥＣＵ７に接続されており、その開度（リフト量）はＥＣＵ７により電磁的に制御される。

　ＥＣＵ７には、エンジン１のクランク軸の回転角度を検出するクランク角度位置センサ１１、及びエンジン１により駆動される車両のアクセルペダルの踏み込み量を検出するアクセルセンサ１２が接続されており、これらセンサの検出信号は、ＥＣＵ７に供給される。ここで、エンジン１の回転数ＮＥは、クランク角度位置センサ１１の出力に基づいてＥＣＵ７により算出される。エンジン１の負荷を示す燃料噴射量Ｇ_ＦＵＥＬは、アクセルセンサ１２の出力に基づいてＥＣＵ７により算出される。

　これらセンサ１１，１２に加えて、ＥＣＵ７には、排気浄化システム２の各部分における物理量を検出する吸気圧力センサ２４、第１排気圧力センサ３２、第２排気圧力センサ３３、ＬＡＦセンサ３４、第１リフトセンサ１３、及び第２リフトセンサ１４が接続されている。
　吸気圧力センサ２４は、吸気管２０のうちインタークーラ５９と高圧ＥＧＲインテークシャッタ４９Ｉとの間の吸気圧力Ｐ２を検出し、検出値に略比例した信号をＥＣＵ７に送信する。第１排気圧力センサ３２は、高圧ＥＧＲ管４１のうち高圧ＥＧＲクーラ４３の上流側の排気圧力Ｐ３を検出し、検出値に略比例した信号をＥＣＵ７に送信する。第２排気圧力センサ３３は、排気管３０のうちタービン５１と酸化触媒３５との間の排気圧力Ｐ４Ｌを検出し、検出値に略比例した信号をＥＣＵ７に送信する。ＬＡＦセンサ３４は、排気管３０のうちタービン５１と酸化触媒３５との間の排気の空燃比Φ_ＡＣＴを検出し、検出値に略比例した信号をＥＣＵ７に送信する。第１リフトセンサ１３は、高圧ＥＧＲバルブ４２のリフト量Ｌ_{ＨＰ＿ＡＣＴ}を検出し、検出値に略比例した信号をＥＣＵ７に送信する。第２リフトセンサ１４は、低圧ＥＧＲバルブ４７のリフト量Ｌ_{ＬＰ＿ＡＣＴ}を検出し、検出値に略比例した信号をＥＣＵ７に送信する。

　ＥＣＵ７は、各種センサからの入力信号波形を整形し、電圧レベルを所定のレベルに修正し、アナログ信号値をデジタル信号値に変換するなどの機能を有する入力回路と、中央演算処理ユニット（以下「ＣＰＵ」という）とを備える。この他、ＥＣＵ７は、ＣＰＵで実行される各種演算プログラム及び演算結果などを記憶する記憶回路と、高圧ＥＧＲバルブ４２、低圧ＥＧＲバルブ４７、ターボチャージャ５０，５５、及びエンジン１の燃料噴射弁などに制御信号を出力する出力回路と、を備える。

　次に、以上のような排気浄化システム２を制御するＥＣＵを構成するにあたり、本願発明者が着目した課題について、図２及び図３を参照して説明する。

　図２は、シリンダに吸入された吸気の成分を示す図である。
　図２に示すように、吸気は、新たに吸入された分（新気成分）と、高圧ＥＧＲ装置及び低圧ＥＧＲ装置により排気から還流された分（ＥＧＲ成分）とで構成される。ところで、ディーゼルエンジンやリーンバーンガソリンエンジンは、リーン燃焼を行うことにより、排気中には不活性ガスの他残留酸素が多く存在する。そこで、図２に示すように、ＥＧＲ成分のうち、この不活性ガスの成分のみを指してＩｎｅｒｔ－ＥＧＲという。また、この不活性ガスの量をＩｎｅｒｔ－ＥＧＲ量という。

　図３は、以上のように定義されたＩｎｅｒｔ－ＥＧＲ量と、エンジンから排出される排気のＮＯｘ、ＨＣ、及びスートの濃度との関係を示す図である。図３に示すように、Ｉｎｅｒｔ－ＥＧＲ量と排気のＮＯｘ濃度、ＨＣ濃度、及びスート濃度との間には強い相関がある。

　より具体的には、Ｉｎｅｒｔ－ＥＧＲ量を多くすると、混合気の比熱量が増加することにより燃焼温度が低下し、ＮＯｘ濃度は減少する。また、このような燃焼温度の低下に伴い、ＨＣやスートの濃度が増加する。また、さらにＩｎｅｒｔ－ＥＧＲ量を多くすると、燃焼温度の低下により未燃のＨＣが増加するため、スート濃度は減少する。そこで、これらＮＯｘ濃度、ＨＣ濃度、及びスート濃度を、できるだけ全て低減するためには、図３中、ハッチングで示す領域内に、Ｉｎｅｒｔ－ＥＧＲ量を制御することが好ましい。

　図１に示すような排気浄化システム２では、還流される排気の温度をＥＧＲクーラ４３，４８で低下させることにより、不活性ガスの濃度を増加し、Ｉｎｅｒｔ－ＥＧＲ量を増加することができる。また、例えば、タービン５１，５６を駆動することで熱エネルギーを失い温度が低下した排気を、低圧ＥＧＲ管４６を介して還流することによっても、Ｉｎｅｒｔ－ＥＧＲ量を増加することができる。

　ここで、排気のＮＯｘ濃度、ＨＣ濃度、及びスート濃度が最適になるように、図１の排気浄化システム２に対し、Ｉｎｅｒｔ－ＥＧＲ量のフィードバック制御を行うことを検討する。この場合、各燃焼サイクルにおいてシリンダに吸入されるＩｎｅｒｔ－ＥＧＲ量を検出する必要があるが、シリンダ内のＩｎｅｒｔ－ＥＧＲ量を必要な精度で検出でき、かつ、実際のエンジンの運転状況下での使用に耐えうる耐久性を有するセンサは存在しない。このため、上述の吸気圧力Ｐ２、排気圧力Ｐ３，Ｐ３Ｌや、その他の排気浄化システム２の状態を示す物理量に基づいて推定する必要がある。

　従来では、物理量を推定する場合、この物理量の振る舞いを再現する物理モデルを構築し、このモデルに基づく演算式が用いられる。しかしながら、Ｉｎｅｒｔ－ＥＧＲ量を物理モデルに基づいて推定する場合、以下のような課題がある。

　（１）先ず、実際のＩｎｅｒｔ－ＥＧＲ量は非線形で予測のしにくい挙動を示す。特に、過渡時における挙動は複雑であり、このような挙動を十分な精度で再現できる簡易な物理モデルを構築するのは容易ではない。

　（２）また、このような物理モデルが構築できたとしても、排気浄化システム２の経年変化や固体ばらつきに対応することは困難である。したがって、例えば、ＥＧＲバルブやポート部、各インテークシャッタなどへのデポジットが生じた場合には、Ｉｎｅｒｔ－ＥＧＲ量の推定値が実際の値からずれてしまい、結果として排気の浄化性能が低下するおそれがある。

　以下では、以上のような２つの課題（１）及び（２）に鑑みてなされた、排気浄化システム２の制御装置の構成について説明する。

　図４は、排気浄化システム２の制御装置の構成を示すブロック図である。なお、図４には、排気浄化システム２におけるＩｎｅｒｔ－ＥＧＲ量のフィードバック制御に係る構成のみを図示する。より具体的には、高圧ＥＧＲバルブのリフト量Ｌ_ＨＰ及び低圧ＥＧＲバルブのリフト量Ｌ_ＬＰの決定に関する、ＥＣＵにより構成されるモジュールのみを図示する。

　このモジュールは、適応バーチャルセンサシステム７１と、Ｉｎｅｒｔ－ＥＧＲ量目標値算出部７２と、Ｉｎｅｒｔ－ＥＧＲコントローラ７３と、リフト量算出部７４とを含んで構成される。

　適応バーチャルセンサシステム７１は、複数のセンサ２４，３２，３３，３４，１３，１４の検出値Ｐ２，Ｐ３，Ｐ３Ｌ，Φ_ＡＣＴ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}、並びに燃料噴射量Ｇ_ＦＵＥＬ及びエンジン回転数ＮＥに基づいてＩｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを算出する。なお、この適応バーチャルセンサシステム７１の詳細な構成については、後に図５～図１１を参照して説明する。

　Ｉｎｅｒｔ－ＥＧＲ量目標値算出部７２は、複数のセンサ２４，３２，３３，１３，１４の検出値Ｐ２，Ｐ３，Ｐ３Ｌ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}、並びに、エンジン回転数ＮＥ及び燃料噴射量Ｇ_ＦＵＥＬに基づいて、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}を算出する。ここで、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}は、上述のように排気のＮＯｘ、ＨＣ、及びスートの濃度をともに低減するように予め設定されたマップに基づいて決定される。

　リフト量算出部７４は、Ｉｎｅｒｔ－ＥＧＲ量の目標値、並びに、エンジン回転数ＮＥ及び燃料噴射量Ｇ_ＦＵＥＬに対する高圧ＥＧＲバルブリフト量Ｌ_ＨＰ及び低圧ＥＧＲバルブリフト量Ｌ_ＬＰが設定されたマップを備えており、このマップに基づいてバルブリフト量Ｌ_ＨＰ，Ｌ_ＬＰを決定する。

　Ｉｎｅｒｔ－ＥＧＲコントローラ７３は、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴとＩｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}との偏差Ｅ_ＩＥ（下記式（１）参照）が「０」となるように、リフト量算出部７４の上述のマップに対する入力を修正する。より具体的には、以下に示すような応答指定型制御アルゴリズムに基づいて、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に対する修正目標値ＩＥＧＲ_ＣＭＤを算出する。本実施形態では、以下に示すような応答指定型制御アルゴリズムに基づいて、修正目標値ＩＥＧＲ_ＣＭＤを算出する。

　ここで、記号（ｋ）は、離散化した時間を示す記号であり、所定の制御周期ごとに検出又は算出されたデータであることを示す。すなわち、記号（ｋ）が今回の制御タイミングにおいて検出又は算出されたデータであるとした場合、記号（ｋ－１）は前回の制御タイミングにおいて検出又は算出されたデータであることを示す。なお、以下の説明においては、記号（ｋ）を適宜、省略する。

　先ず、下記式（２）に示すように、切換関数設定パラメータＰＯＬＥ_ＩＥと前回制御時の偏差Ｅ_ＩＥ（ｋ－１）との積と、今回制御時の偏差Ｅ_ＩＥ（ｋ）との和を算出し、これを切換関数σ_ＩＥ（ｋ）として定義する。なお、切換関数設定パラメータＰＯＬＥ_ＩＥは、所定の設定テーブルに基づいて、－１から０の間で設定されたものが用いられる。

　次に、切換関数σ_ＩＥ（ｋ）に基づいて、到達則入力Ｕ_{ＲＣＨ＿ＩＥ}（ｋ）、及び適応則入力Ｕ_{ＡＤＰ＿ＩＥ}（ｋ）を算出する。より具体的には、到達則入力Ｕ_{ＲＣＨ＿ＩＥ}（ｋ）は、偏差状態量を切換直線上に載せるための入力であり、下記式（３）に示すように、切換関数σ_ＩＥ（ｋ）に所定の到達則制御ゲインＫ_{ＲＣＨ＿ＩＥ}を乗算することで算出される。

　適応則入力Ｕ_{ＡＤＰ＿ＩＥ}（ｋ）は、モデル化誤差や外乱の影響を抑制し、偏差状態量を切換直線に載せるための入力であり、下記式（４）に示すように、切換関数σ_ＩＥ（ｋ）と所定の適応則ゲインＫ_{ＡＤＰ＿ＩＥ}を乗算したものと、前回制御時の適応則入力Ｕ_{ＡＤＰ＿ＩＥ}（ｋ－１）との和により算出される。

　そして、下記式（５）に示すように、これらＵ_ＲＣＨ（ｋ）、及びＵ_ＡＤＰ（ｋ）の和を算出し、これを、補正係数ＫＥＧＲ（ｋ）として定義する。

　さらに、下記式（６）に示すように、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}（ｋ）に、算出した補正係数ＫＥＧＲ（ｋ）を乗算することにより、Ｉｎｅｒｔ－ＥＧＲ量の修正目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}（ｋ）を算出する。

　以上のような構成により、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴが目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に一致するように、高圧ＥＧＲバルブリフト量Ｌ_ＨＰ及び低圧ＥＧＲバルブリフト量Ｌ_ＬＰが決定される。

　以下、図５～図１１を参照して、適応バーチャルセンサシステム７１の構成について詳細に説明する。
　図５は、適応バーチャルセンサシステム７１の構成を示すブロック図である。

　適応バーチャルセンサシステム７１は、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを算出するＩｎｅｒｔ－ＥＧＲ推定値算出部７１１と、ＬＡＦセンサ３４の出力（排気空燃比）の推定値Φ_ＨＡＴを算出するＬＡＦセンサ出力推定値算出部７１２と、適応入力Ｕ_ＶＮＳを算出する非線形適応修正器７１３とを含んで構成される。

　Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１は、上述の課題（１）を解決するため、図５及び後述の図６に示すように、非線形な動特性の再現性に優れたニューラルネットワークを用いてＩｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを算出する。

　また、さらに、この適応バーチャルセンサシステム７１では、上述の課題（２）を解決するため、すなわち排気浄化システムの劣化や固体ばらつきに対応するため、Ｉｎｅｒｔ－ＥＧＲ量とは別の物理量であり、かつ、Ｉｎｅｒｔ－ＥＧＲ量と相関のある物理量である排気空燃比の推定値Φ_ＨＡＴを、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１と同様のニューラルネットワーク構造を有するＬＡＦセンサ出力推定値算出部７１２で算出する。

　さらに、下記式（７）に示すように、算出した排気空燃比の推定値Φ_ＨＡＴ（ｋ）とＬＡＦセンサ３４の検出値Φ_ＡＣＴ（ｋ）との間の推定誤差Ｅ_ＨＡＴ（ｋ）を加算器７１４により算出する。

　さらに、非線形適応修正器７１３では、後に図８～図１１を参照して詳述するように、算出した推定誤差Ｅ_ＨＡＴが最小になるように、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２に対し共通に入力される適応入力Ｕ_ＶＮＳを算出する。

　この適応入力Ｕ_ＶＮＳは、例えば、「０」～「１」の間に設定されるものであり、後に詳述するように、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２において、排気浄化システムの劣化や固体ばらつきによる基準品からのずれを示す値として、それぞれのニューラルネットワークの学習時に設定される入力である。

　すなわち、この適応バーチャルセンサシステム７１では、直感的には、排気浄化システムの劣化や固体ばらつきにより生じるＩｎｅｒｔ－ＥＧＲ量の推定値の誤差を、Ｉｎｅｒｔ－ＥＧＲ量と相関のある物理量の推定誤差Ｅ_ＨＡＴにより間接的に検出する。そして、この誤差が最小になるように、基準品からのずれを示す入力として予め用意しておいた適応入力Ｕ_ＶＮＳを算出し、この適応入力Ｕ_ＶＮＳをＩｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２に入力する。これにより、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２のニューラルネットワーク構造において、排気浄化システムの劣化や固体ばらつきに対する適応特性を実現することができる。

　ここで、本実施形態の適応バーチャルセンサシステム７１におけるＩｎｅｒｔ－ＥＧＲ量と、排気空燃比との関係について説明する。この適応バーチャルセンサシステム７１では、出力として必要となるのはＩｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴである。これに対して、排気空燃比の推定値Φ_ＨＡＴは、上述の課題（２）を解決しＩｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴの真値との誤差を小さくするために、補助的に算出されるものである。

　すなわち、排気浄化システムが劣化したり固体ばらつきが発生したりした場合には、Ｉｎｅｒｔ－ＥＧＲ量に及ぼされる影響と、補助的に検出される物理量に及ぼされる影響とがほぼ等しいことが好ましい。

　したがって、このような補助的に検出する物理量としては、上述のように推定する必要のある物理量と上述のような相関があること、並びに、センサにより常時検出できる物理量であることが好ましい。このような条件を満たす物理量であれば、補助的に検出する物理量は、排気空燃比に限られない。

　以下では、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１、ＬＡＦセンサ出力推定値算出部７１２、及び非線形適応修正器７１３の構成について順に説明する。

　［Ｉｎｅｒｔ－ＥＧＲ推定値算出部］
　図６は、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１のニューラルネットワーク構造を示す図である。
　このニューラルネットワークは、所定の関数に従って出力する複数のニューロンを結合して構成され、ｍ成分の入力ベクトルＵ（ｋ）に応じて、値Ｙ（ｋ）を出力する。図６に示すように、このニューラルネットワークは、ｍ個のニューロンＷ_１ｊ（ｊ＝１～ｍ）で構成された入力層と、ｍ×（ｎ－１）個のニューロンＷ_ｉｊ（ｉ＝２～ｎ，ｊ＝１～ｍ）で構成された中間層と、１個のニューロンＹで構成された出力層との３つの層を含んで構成された階層型である。
　入力層：Ｗ_１ｊ　　　（ｊ＝１，２，…，ｍ）
　中間層：Ｗ_ｉｊ　　　（ｉ＝２，３，…，ｎ，ｊ＝１，２，…，ｍ）
　出力層：Ｙ

　入力層のｍ個のニューロンＷ_１ｊ（ｊ＝１～ｍ）の動作について説明する。
　入力層のニューロンＷ_１ｊには、信号Ｔ_１ｊ（ｋ）が入力される。この入力信号Ｔ_１ｊ（ｋ）には、それぞれ、下記式（８）に示すように入力ベクトルＵ（ｋ）のｊ番目の成分Ｕ_ｊ（ｋ）が用いられる。

　入力層のニューロンＷ_１ｊは、中間層のｍ個のニューロンＷ_２ｊ（ｊ＝１～ｍ）に所定の重みで結合しており、これら結合したｍ個のニューロンＷ_２ｊへ信号Ｖ_１ｊ（ｋ）を出力する。すなわち、このニューロンＷ_１ｊは、下記式（９），（１０）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_１ｊ（ｋ）に応じた信号Ｖ_１ｊ（ｋ）をｍ個のニューロンＷ_２ｊに出力する。

　図７は、シグモイド関数ｆ（ｘ）を示す図である。この図７には、上記式（１０）において、ε＝０とし、β＝０．５，１．０，２．０，３．０とした場合を示す。
　シグモイド関数ｆ（ｘ）の値域は、［ε，ε＋１］となっている。また、図７に示すように、シグモイド関数ｆ（ｘ）は、βを大きくするに従い、ｘ＝０を中心としたステップ関数に近づく。

　上記式（１０）において、係数βはシグモイド関数ｆ（ｘ）の傾きゲインを示し、係数εはシグモイド関数ｆ（ｘ）のオフセット値を示す。傾きゲインβは、後述のニューラルネットワークの学習により設定する。オフセット値εは、後述のニューラルネットワークの学習により設定するか、又は所定の値に設定しておく。

　次に中間層の（ｎ－１）×ｍ個のニューロンＷ_ｉｊ（ｉ＝２～ｎ，ｊ＝１～ｍ）の動作について説明する。
　中間層のニューロンＷ_ｉｊ（ｉ＝２～ｎ，ｊ＝１～ｍ）には、結合するニューロンから出力されたｍ個の信号Ｖ_{ｉ－１，ｊ}（ｊ＝１～ｍ）のそれぞれに所定の重みω_{ｉ－１，ｊ}（ｊ＝１～ｍ）を乗じた信号の和が入力される。したがって、中間層のニューロンＷ_ｉｊには、下記式（１１）に示すような信号Ｔ_ｉｊ（ｋ）が入力される。

　中間層のニューロンのうち出力層に結合するｍ個を除いたニューロン、すなわち、（ｎ－２）×ｍ個のニューロンＷ_ｉｊ（ｉ＝２～ｎ－１，ｊ＝１～ｍ）は、中間層のｍ個のニューロンＷ_{ｉ＋１，ｊ}（ｊ＝１～ｍ）に重みω_ｉｊで結合しており、これら結合したニューロンＷ_{ｉ＋１，ｊ}へ信号Ｖ_ｉｊ（ｋ）を出力する。すなわち、このニューロンＷ_ｉｊ（ｉ＝２～ｎ－１，ｊ＝１～ｍ）は、下記式（１２）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_ｉｊ（ｋ）に応じた信号Ｖ_ｉｊ（ｋ）をｍ個のニューロンＷ_{ｉ＋１，ｊ}に出力する。

　また、中間層のｍ個のニューロンＷ_ｎｊ（ｊ＝１～ｍ）は、出力層のニューロンＹに重みω_ｎｊで結合しており、この出力層のニューロンＹへ信号Ｖ_ｎｊ（ｋ）を出力する。すなわち、これらニューロンＷ_ｎｊ（ｊ＝１～ｍ）は、下記式（１３）に示すように、シグモイド関数ｆ（ｘ）に従って、入力信号Ｔ_ｎｊ（ｋ）に応じた信号Ｖ_ｎｊ（ｋ）をニューロンＹに出力する。

　次に出力層のニューロンＹの動作について説明する。
　出力層のニューロンＹには、結合する中間層のニューロンから出力されたｍ個の信号Ｖ_ｎ，ｊ（ｊ＝１～ｍ）に所定の重みω_ｎ，ｊ（ｊ＝１～ｍ）を乗じた信号の和が入力される。したがって、出力層のニューロンＹには、下記式（１４）に示すような信号Ｔ（ｋ）が入力される。

　出力層のニューロンＹは、下記式（１５），（１６）に示すように、シグモイド関数ｇ（ｘ）に従って、入力信号Ｔ（ｋ）に応じた信号Ｙ（ｋ）を出力する。

　シグモイド関数ｇ（ｘ）は、上述の図７に示す関数ｆ（ｘ）と、定性的には同じ振る舞いを示すが、値域が［δ，δ＋α］である点でシグモイド関数ｆ（ｘ）と異なる。上記式（１６）において、係数γはシグモイド関数ｇ（ｘ）の傾きゲインを示し、係数δはシグモイド関数ｇ（ｘ）のオフセット値を示す。また、係数αはニューラルネットワークの出力の取り得る自由度を設定するための出力ゲインを示す。傾きゲインγ及び出力ゲインαは、後述のニューラルネットワークの学習により設定する。オフセット値δは、後述のニューラルネットワークの学習により設定するか、又は所定の値に設定しておく。

　次に、Ｉｎｅｒｔ－ＥＧＲ量を推定するための、ニューラルネットワークの学習について説明する。

　先ず、ニューラルネットワークに対する入力ベクトルＵ（ｋ）の成分を、下記式（１７）に示すように定義する。このように、入力ベクトルＵ（ｋ）の成分には、Ｉｎｅｒｔ－ＥＧＲ量を推定するために必要となる複数の物理量（燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ３Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、上述の適応入力Ｕ_ＶＮＳとが含まれる。また、入力ベクトルの成分には、このように異なる種類の物理量に関するデータが含まれているとともに、異なる時刻の物理量に関するデータも含まれている。

　また、このような入力ベクトルＵ（ｋ）に対するニューラルネットワークの出力Ｙ（ｋ）を、下記式（１８）に示すように、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴ（ｋ）として定義する。

　次に、Ｉｎｅｒｔ－ＥＧＲ量を実際に検出できるセンサと、状態の異なる排気浄化システムを少なくとも２組準備する。１つは、例えば基準となる新品の排気浄化システム（以下、単に「基準品」という）であり、もう１つは、固体ばらつきや劣化などの理由により、基準品に対し大きく異なった特性を有する排気浄化システム（以下、単に「劣化品」という）である。そして、実際に準備した排気浄化システムを運転することにより、上記式（１７）の入力ベクトルＵの成分（Ｇ_ＦＵＥＬ，Ｐ２，Ｐ３，Ｐ３Ｌ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，ＮＥ）と、上述のセンサにより検出されたＩｎｅｒｔ－ＥＧＲ量の検出値との関係を記録する。なお、この入力ベクトルの成分とＩｎｅｒｔ－ＥＧＲ量の検出値との関係を示すデータは、準備した状態の異なる排気浄化システムごとに取得する。

　次に、取得したデータに基づいてニューラルネットワークの学習を行う。すなわち、入力ベクトルＵの成分（Ｇ_ＦＵＥＬ，Ｐ２，Ｐ３，Ｐ３Ｌ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，ＮＥ）とＩｎｅｒｔ－ＥＧＲ量の検出値との関係が、ニューラルネットワークにより再現されるようにニューロンの関数ｆ（ｘ），ｇ（ｘ）の各種ゲイン（α，β，γ，δ，ε）、並びに、各ニューロンの結合の強さを示す重みω_ｉｊ（ｉ＝１～ｎ，ｊ＝１～ｍ）を設定する。なお、ニューラルネットワークの学習のアルゴリズムには、既知の方法が用いられる。具体的には、例えば、逆誤差伝播法などの学習アルゴリズムの他、遺伝的アルゴリズムなどの最適化アルゴリズムが挙げられる。

　ここで、上述のような学習を行う際における適応入力Ｕ_ＶＮＳの設定について説明する。例えば、データを取得するための排気浄化システムとして、基準品と劣化品との２つを準備した場合について説明する。先ず、基準品のデータに基づいて学習を行う際には、適応入力Ｕ_ＶＮＳを「１」と設定する。また、劣化品のデータに基づいて学習を行う際には、適応入力Ｕ_ＶＮＳを「０」と設定する。
　基準品：適応入力Ｕ_ＶＮＳ←１
　劣化品：適応入力Ｕ_ＶＮＳ←０

　以上のように設定された適応入力Ｕ_ＶＮＳを含む入力ベクトルＵを用いてニューラルネットワークの学習を行うことにより、適応入力Ｕ_ＶＮＳを「０」～「１」の間で連続的に変化させた場合に、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴ及びＬＡＦセンサの出力の推定値Φ_ＨＡＴを基準品から劣化品へ連続的に変化させることができる。

　以上のようにして適応入力Ｕ_ＶＮＳを設定した上でニューラルネットワークの学習を行うことにより、排気浄化システムの劣化や固体ばらつきに対する適応特性が実現された適応バーチャルセンサシステムを構築することができる。

　また、例えば、基準品と劣化品との間の中間的な特性を有する排気浄化システムを準備した場合には、適応入力Ｕ_ＶＮＳを「１」と「０」との間の値、例えば「０．３」や「０．６」等の値に設定した上で、ニューラルネットワークの学習を行う。これにより、排気浄化システムの劣化や固体ばらつきに対する適応特性を、より現実的に実現することができる。

　［ＬＡＦセンサ出力推定値算出部］
　図５に戻って、ＬＡＦセンサ出力推定値算出部７１２の構成について説明する。
　ＬＡＦセンサ出力推定値算出部７１２は、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１と同様に、ニューラルネットワークによりＬＡＦセンサ３４の出力の推定値Φ_ＨＡＴを算出する。なお、ＬＡＦセンサ出力推定値算出部７１２のニューラルネットワーク構造は、図６及び図７を参照して詳述したＩｎｅｒｔ－ＥＧＲ推定値算出部７１１のニューラルネットワーク構造とほぼ同じであり、その詳細な説明を省略する。

　また、入力ベクトルＵの成分も、上記式（１７）と同様に定義する。すなわち、入力ベクトルＵの成分には、排気空燃比を推定するために必要となる複数の物理量（燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ３Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、適応入力Ｕ_ＶＮＳとが含まれる。なお、本実施形態では、ＬＡＦセンサ出力推定値算出部のニューラルネットワークに対する入力ベクトルＵとしてＩｎｅｒｔ－ＥＧＲ推定値算出部と同じ入力ベクトルＵを用いたが、これに限るものではない。これら入力ベクトルの成分には互いに異なる物理量を含むようにしてもよいが、適応入力Ｕ_ＶＮＳは共通のものを用いる。

　さらに、下記式（１９）に示すように、ニューラルネットワークの出力Ｙ（ｋ）をＬＡＦセンサの出力の推定値Φ_ＨＡＴ（ｋ）として定義する。

　また、ニューラルネットワークに対する学習も、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１のニューラルネットワークと同様の手順により行う。したがって、その詳細な説明を省略する。

　これにより、上述のＩｎｅｒｔ－ＥＧＲ推定値算出部７１１と同様に、排気浄化システムの劣化や固体ばらつきに対する適応特性が実現された適応バーチャルセンサシステムを構成することができる。

　［非線形適応修正器］
　次に、図８～図１１を参照して、非線形適応修正器７１３の構成について説明する。
　図８は、非線形適応修正器７１３の構成を示すブロック図である。

　非線形適応修正器７１３は、重み関数設定部７１５と、局所適応入力算出部７１６と、適応係数算出部７１７と、を備える。非線形適応修正器７１３は、このような構成により推定誤差Ｅ_ＨＡＴが最小となるように適応入力Ｕ_ＶＮＳを算出する。

　より具体的には、この非線形適応修正器７１３では、２つの参照パラメータ（エンジン回転数ＮＥ及び燃料噴射量Ｇ_ＦＵＥＬ）を基底とする空間を定義するとともに、この空間を複数の領域に分ける。さらに、領域ごとに後述の局所適応入力Ｕ_ｉｊ（ｉ＝１～４，ｊ＝１～４）を算出し、これら局所適応入力Ｕ_ｉｊを後述の重み関数Ｗ_ｉｊ（ｉ＝１～４，ｊ＝１～４）で重み結合することにより、適応入力Ｕ_ＶＮＳを算出する。

　ところで、排気浄化システムにおける経年劣化や固体ばらつきが、Ｉｎｅｒｔ－ＥＧＲ量や排気空燃比の推定値の誤差に及ぼす影響は、エンジンの運転条件、すなわち参照パラメータの値ごとに異なったものになると考えられる。この非線形適応修正器７１３では、参照パラメータを基底とする空間内の領域ごとに局所適応入力Ｕ_ｉｊを算出することにより、参照パラメータの値ごとに異なる上述の誤差への影響を考慮して適応入力Ｕ_ＶＮＳを算出することができる。

　図９は、エンジン回転数ＮＥを定義域とした４つの第１重み関数ＷＮ_ｉ（ｉ＝１～４）を示す図である。図９に示すように、４つの第１重み関数ＷＮ_ｉは、それぞれ、定義域に互いに重複した４つの領域を定義し、これら領域において「０」でない値を持つように設定される。

　より具体的には、定義域は、［Ｎ_０，Ｎ_２］と、第２領域［Ｎ_１，Ｎ_３］と、第３領域［Ｎ_２，Ｎ_４］と、第４領域［Ｎ_３，Ｎ_５］とに分けられる。ここで、図９に示すように、Ｎ_０＜Ｎ_１＜Ｎ_２＜Ｎ_３＜Ｎ_４＜Ｎ_５とする。したがって、第１領域と第２領域は区間［Ｎ_１，Ｎ_２］で重複し、第２領域と第３領域は区間［Ｎ_２，Ｎ_３］で重複し、第３領域と第４領域は区間［Ｎ_３，Ｎ_４］で重複する。

　関数ＷＮ_１は、第１領域［Ｎ_０，Ｎ_２］において「０」でない値を持つように設定される。より具体的には、関数ＷＮ_１は、区間［Ｎ_０，Ｎ_１］において「１」に設定され、区間［Ｎ_１，Ｎ_２］において「１」から「０」に減少するように設定される。
　関数ＷＮ_２は、第２領域［Ｎ_１，Ｎ_３］において「０」でない値を持つように設定される。より具体的には、関数ＷＮ_２は、区間［Ｎ_１，Ｎ_２］において「１」から「０」に上昇するように設定され、区間［Ｎ_２，Ｎ_３］において「１」から「０」に減少するように設定される。したがって、関数ＷＮ_１と関数ＷＮ_２は、区間［Ｎ_１，Ｎ_２］の中心で交差する。
　関数ＷＮ_３は、第３領域［Ｎ_２，Ｎ_４］において「０」でない値を持つように設定される。より具体的には、関数ＷＮ_３は、区間［Ｎ_２，Ｎ_３］において「１」から「０」に上昇するように設定され、区間［Ｎ_３，Ｎ_４］において「１」から「０」に減少するように設定される。したがって、関数ＷＮ_２と関数ＷＮ_３は、区間［Ｎ_２，Ｎ_３］の中心で交差する。
　関数ＷＮ_４は、第４領域［Ｎ_３，Ｎ_５］において「０」でない値を持つように設定される。より具体的には、関数ＷＮ_４は、区間［Ｎ_３，Ｎ_４］において「１」から「０」に上昇するように設定され、区間［Ｎ_４，Ｎ_５］において「１」に設定される。したがって、関数ＷＮ_３と関数ＷＮ_４は、区間［Ｎ_３，Ｎ_４］の中心で交差する。

　また、図９には、Ｉｎｅｒｔ－ＥＧＲ量のエンジン回転数ＮＥに対する定性的な振る舞いを破線で示す。この図に示すように、低い回転数におけるＩｎｅｒｔ－ＥＧＲ量は、高い回転数におけるＩｎｅｒｔ－ＥＧＲ量よりも多くなる傾向がある。そこで、このようなＩｎｅｒｔ－ＥＧＲ量の非線形性に合わせて、本実施形態では、区間［Ｎ_１，Ｎ_２］は、区間［Ｎ_３，Ｎ_４］よりも狭くなるように設定する。

　また、以上のように構成された第１重み関数ＷＮ_ｉは、下記式（２０）に示すように、その総和関数がエンジン回転数ＮＥによらず「１」となるように正規化される。

　図１０は、燃料噴射量Ｇ_ＦＵＥＬを定義域とした４つの第２重み関数ＷＧ_ｊ（ｊ＝１～４）を示す図である。
　図１０に示すように、４つの第２重み関数ＷＧ_ｊは、それぞれ、定義域に互いに重複した４つの領域を定義し、これら領域において「０」でない値を持つように設定される。

　より具体的には、定義域は、［Ｇ_０，Ｇ_２］と、第２領域［Ｇ_１，Ｇ_３］と、第３領域［Ｇ_２，Ｇ_４］と、第４領域［Ｇ_３，Ｇ_５］とに分けられる。ここで、図１０に示すように、Ｇ_０＜Ｇ_１＜Ｇ_２＜Ｇ_３＜Ｇ_４＜Ｇ_５とする。したがって、第１領域と第２領域は区間［Ｇ_１，Ｇ_２］で重複し、第２領域と第３領域は区間［Ｇ_２，Ｇ_３］で重複し、第３領域と第４領域は区間［Ｇ_３，Ｇ_４］で重複する。

　関数ＷＧ_１は、第１領域［Ｇ_０，Ｇ_２］において「０」でない値を持つように設定される。より具体的には、関数ＷＧ_１は、区間［Ｇ_０，Ｇ_１］において「１」に設定され、区間［Ｇ_１，Ｇ_２］において「１」から「０」に減少するように設定される。
　関数ＷＧ_２は、第２領域［Ｇ_１，Ｇ_３］において「０」でない値を持つように設定される。より具体的には、関数ＷＧ_２は、区間［Ｇ_１，Ｇ_２］において「１」から「０」に上昇するように設定され、区間［Ｇ_２，Ｇ_３］において「１」から「０」に減少するように設定される。したがって、関数ＷＧ_１と関数ＷＧ_２は、区間［Ｇ_１，Ｇ_２］の中心で交差する。
　関数ＷＧ_３は、第３領域［Ｇ_２，Ｇ_４］において「０」でない値を持つように設定される。より具体的には、関数ＷＧ_３は、区間［Ｇ_２，Ｇ_３］において「１」から「０」に上昇するように設定され、区間［Ｇ_３，Ｇ_４］において「１」から「０」に減少するように設定される。したがって、関数ＷＧ_２と関数ＷＧ_３は、区間［Ｇ_２，Ｇ_３］の中心で交差する。
　関数ＷＧ_４は、第４領域［Ｇ_３，Ｇ_５］において「０」でない値を持つように設定される。より具体的には、関数ＷＧ_４は、区間［Ｇ_３，Ｇ_４］において「１」から「０」に上昇するように設定され、区間［Ｇ_４，Ｇ_５］において「１」に設定される。したがって、関数ＷＧ_３と関数ＷＧ_４は、区間［Ｇ_３，Ｇ_４］の中心で交差する。

　また、図１０には、エンジンのＮＯｘ排出量の燃料噴射量Ｇ_ＦＵＥＬに対する定性的な振る舞いを破線で示す。この図に示すように、ＮＯｘ排出量は、燃料噴射量が所定量を超えると急激に増加する傾向がある。そこで、このようなＮＯｘ排出量の非線形性に合わせて、本実施形態では、区間［Ｇ_３，Ｇ_４］は、区間［Ｇ_１，Ｇ_２］よりも狭くなるように設定する。

　また、以上のように構成された第２重み関数ＷＮ_ｉは、下記式（２１）に示すように、その総和関数が燃料噴射量Ｇ_ＦＵＥＬによらず「１」となるように正規化される。

　図１１は、２つの参照パラメータ（ＮＥ，Ｇ_ＦＵＥＬ）を定義域とした１６個の重み関数Ｗ_ｉｊ（ｉ＝１～４，ｊ＝１～４）を示す図である。図１１において、横軸はエンジン回転数ＮＥを示し、縦軸は燃料噴射量Ｇ_ＦＵＥＬを示す。図１１に示すように、２つの参照パラメータ（ＮＥ，Ｇ_ＦＵＥＬ）の定義域には、互いに重複する１６個の領域が定義される。

　１６個の重み関数Ｗ_ｉｊは、下記式（２２）に示すように、第１重み関数ＷＮ_ｉの各成分と第２重み関数ＷＧ_ｊの各成分との積により定義される。これにより、１６個の領域においてそれぞれ「０」でない値を持つ重み関数Ｗ_ｉｊが定義される。なお、図１１には、４つの重み関数Ｗ_１１，Ｗ_２２，Ｗ_３３，Ｗ_４４のみを図示する。

　また、上記式（２０）及び（２１）と同様に、重み関数Ｗ_ｉｊの総和関数は、下記式（２３）に示すように、２つの参照パラメータ（ＮＥ，Ｇ_ＦＵＥＬ）によらず「１」となるように正規化される。

　図８に戻って、重み関数設定部７１５は、複数の第１重み関数ＷＮ_ｉが設定された第１重み関数算出部７１５１と、複数の第２重み関数ＷＧ_ｊが設定された第２重み関数算出部７１５２と、これら第１重み関数ＷＮ_ｉ及び第２重み関数ＷＧ_ｊに基づいて重み関数Ｗ_ｉｊを算出する乗算器７１５３と、推定誤差Ｅ_ＨＡＴに対し領域ごとに重み付けする乗算器７１５４と、を含んで構成される。

　第１重み関数算出部７１５１は、図９に示すような制御マップを検索することにより、エンジン回転数ＮＥ（ｋ）に応じた第１重み関数の値ＷＮ_ｉ（ｋ）を算出する。

　第２重み関数算出部７１５２は、図１０に示すような制御マップを検索することにより、燃料噴射量Ｇ_ＦＵＥＬ（ｋ）に応じた第２重み関数の値ＷＧ_ｊ（ｋ）を算出する。

　乗算器７１５３は、下記式（２４）に示すように、第１重み関数算出部７１５１により算出された第１重み関数の値ＷＮ_ｉ（ｋ）と第２重み関数の値ＷＧ_ｊ（ｋ）との各成分を乗算することにより、重み関数の値Ｗ_ｉｊ（ｋ）を算出する。

　乗算器７１５４は、下記式（２５）に示すように、算出された重み関数の値Ｗ_ｉｊ（ｋ）の各成分を推定誤差Ｅ_ＨＡＴ（ｋ）に乗算することにより、領域ごとに重み付けされた誤差信号ＷＥＶＮＳ_ｉｊ（ｋ）を算出する。

　局所適応入力算出部７１６は、領域ごとに重み付けされた誤差信号ＷＥＶＮＳ_ｉｊが「０」になるように、局所適応入力Ｕ_ｉｊ（ｉ＝１～４，ｊ＝１～４）を領域ごとに算出する。

　本実施形態では、誤差信号ＷＥＶＮＳ_ｉｊの収束速度を設定できる応答指定型制御アルゴリズムにより、局所適応入力Ｕ_ｉｊを算出する。この応答指定型制御アルゴリズムとは、偏差の収束挙動を規定した関数に基づいて、偏差の収束速度と収束挙動の両方を指定できる制御アルゴリズムのことをいう。

　局所適応入力算出部７１６は、この応答指定型制御アルゴリズムが実行可能に構成された複数のスライディングモードコントローラを備える。以下では、これらスライディングモードコントローラの動作について説明する。

　先ず、下記式（２６）に示すように、切換関数設定パラメータＰＯＬＥ_Ｖと前回制御時の誤差信号ＷＥＶＮＳ_ｉｊ（ｋ－１）との積と、ＷＥＶＮＳ_ｉｊ（ｋ）との和を算出し、これを切換関数σ_Ｖ＿ｉｊ（ｋ）として定義する。なお、切換関数設定パラメータＰＯＬＥ_Ｖは、所定の設定テーブルに基づいて、－１から０の間で設定されたものが用いられる。

　次に、切換関数σ_Ｖ＿ｉｊ（ｋ）に基づいて、到達則入力Ｕ_{ＲＣＨ＿Ｖ＿ｉｊ}（ｋ）、及び適応則入力Ｕ_{ＡＤＰ＿Ｖ＿ｉｊ}（ｋ）を算出し、さらに下記式（２７）に示すように、これらＵ_ＲＣＨ（ｋ）、及びＵ_ＡＤＰ（ｋ）の和を算出し、これを局所適応入力Ｕ_ｉｊ（ｋ）として定義する。

　到達則入力Ｕ_{ＲＣＨ＿Ｖ＿ｉｊ}（ｋ）は、偏差状態量を切換直線上に載せるための入力であり、下記式（２８）に示すように、切換関数σ_Ｖ＿ｉｊ（ｋ）に所定の到達則制御ゲインＫ_{ＲＣＨ＿Ｖ}を乗算することで算出される。

　適応則入力Ｕ_{ＡＤＰ＿Ｖ＿ｉｊ}（ｋ）は、モデル化誤差や外乱の影響を抑制し、偏差状態量を切換直線に載せるための入力であり、下記式（２９）に示すように、切換関数σ_Ｖ＿ｉｊ（ｋ）と所定の適応則ゲインＫ_{ＡＤＰ＿Ｖ}を乗算したものと、前回制御時の適応則入力Ｕ_{ＡＤＰ＿Ｖ＿ｉｊ}（ｋ－１）との和により算出される。

　適応係数算出部７１７は、領域ごとに算出された局所適応入力Ｕ_ｉｊを重み関数Ｗ_ｉｊによる重み結合したものに、「１」を加算することにより、適応入力Ｕ_ＶＮＳを算出する。すなわち、適応係数算出部７１７は、下記式（３０）に示すように、局所適応入力Ｕ_ｉｊ（ｋ）と重み関数の値Ｗ_ｉｊとの積の全領域（ｉ＝１～４，ｊ＝１～４）に亘る総和に、「１」を加算することにより、適応入力Ｕ_ＶＮＳ（ｋ）を算出する。

　ここで、上記式（３０）において、「１」を加算した理由は、上述のように適応入力Ｕ_ＶＮＳ＝１を基準品の状態とした上で、適応則入力Ｕ_{ＡＤＰ＿Ｖ＿ｉｊ}の初期値を「０」とし、かつ、適応入力Ｕ_ＶＮＳの初期値を「１」とするためである。なお、適応則入力Ｕ_{ＡＤＰ＿Ｖ＿ｉｊ}の初期値を「１」とした場合には、上記式（３０）において「１」を加算する必要は無い。また、適応入力Ｕ_ＶＮＳの初期値を、劣化品を示す「０」にする場合にも、上記式（３０）において「１」を加算する必要は無い。

　また、上述のように重み関数Ｗ_ｉｊは、各領域においてのみ「０」でない値を持つ関数ＷＮ_ｉ及びＷＧ_ｊの積に基づいて算出されるものであるため、重み関数の値が「０」になる領域も存在する。したがって、上記式（３０）において、全領域（ｉ＝１～４，ｊ＝１～４）に亘る総和を演算する際には、このような重み関数の値Ｗ_ｉｊ（ｋ）が「０」になる領域に関する演算を除外してもよい。これにより、演算負荷を軽減することができる。

　次に、Ｉｎｅｒｔ－ＥＧＲ量制御の具体的な手順について、図１２を参照して説明する。
　図１２は、ＥＣＵにより実行されるＩｎｅｒｔ－ＥＧＲ量制御の手順を示すフローチャートである。この処理は、所定の制御周期（例えば、５０ｍｓｅｃ）ごとに実行される。

　ステップＳ１では、ＥＧＲ弁故障フラグＦ_{ＥＧＲＮＧ}が「１」であるか否かを判別する。このＥＧＲ弁故障フラグＦ_{ＥＧＲＮＧ}は、図示しない判定処理において高圧ＥＧＲ弁又は低圧ＥＧＲ弁が故障したと判定されたときに「１」に設定され、それ以外のときには「０」に設定される。この判別がＹＥＳの場合には、ステップＳ１１に移り、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_ＣＭＤを強制的に「０」にした後に、ステップＳ１２に移る。この判別がＮＯの場合には、ステップＳ２に移る。

　ステップＳ２では、ＬＡＦセンサ故障フラグＦ_{ＬＡＦＮＧ}が「１」であるか否かを判別する。このＬＡＦセンサ故障フラグＦ_{ＬＡＦＮＧ}は、図示しない判定処理においてＬＡＦセンサが故障したと判定されたときに「１」に設定され、それ以外のときには「０」に設定される。この判別がＹＥＳの場合には、ステップＳ１１に移る。この判別がＮＯの場合には、ステップＳ３に移る。

　ステップＳ３では、圧力センサ故障フラグＦ_{ＣＮＳＮＧ}が「１」であるか否かを判別する。この圧力センサ故障フラグＦ_{ＣＮＳＮＧ}は、図示しない判定処理において圧力センサの何れかが故障したと判定されたときに「１」に設定され、それ以外のときには「０」に設定される。この判別がＹＥＳの場合には、ステップＳ１１に移る。この判別がＮＯの場合には、ステップＳ３に移る。

　ステップＳ４では、適応バーチャルセンサシステムにより、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを算出する（上記式（８）～（１８）参照）。

　ステップＳ５では、ＬＡＦセンサ活性フラグＦ_{ＬＡＦＡＣＴ}が「１」であるか否かを判別する。このＬＡＦセンサ活性フラグＦ_{ＬＡＦＡＣＴ}は、図示しない判定処理においてＬＡＦセンサが活性状態に達したと判定されたときに「１」に設定され、それ以外のときには「０」に設定される。この判別がＹＥＳの場合にはステップＳ６に移り、推定誤差Ｅ_ＨＡＴを算出する（上記式（７）参照）。また、この判別がＮＯの場合にはステップＳ７に移り、推定誤差Ｅ_ＨＡＴを強制的に「０」にする。

　ステップＳ８では、適応入力Ｕ_ＶＮＳを算出する（上記式（２０）～（３０）参照）。
　ステップＳ９では、Ｉｎｅｒｔ－ＥＧＲ量目標値算出部７２により、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}を算出する。

　ステップＳ１０では、目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に対する修正目標値ＩＥＧＲ_ＣＭＤを算出し（上記式（１）～（６）参照）、ステップＳ１２では、修正目標値ＩＥＧＲ_ＣＭＤに基づいて高圧ＥＧＲバルブリフト量Ｌ_ＨＰ及び低圧ＥＧＲバルブリフト量Ｌ_ＬＰを算出し、この処理を終了する。

　次に、以上のように構成された本実施形態のＩｎｅｒｔ－ＥＧＲ量制御のシミュレーション結果について、図１３～図１６を参照して詳述する。

　図１３は、排気浄化システムの高圧ＥＧＲ弁及び低圧ＥＧＲ弁を基準品とし、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、各ＥＧＲ弁を基準品としたため、適応入力Ｕ_ＶＮＳを強制的に「１」に固定しても、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴは実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴに一致する。このため、実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴを目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に精度良く制御することができる。したがって、エンジンから排出されるＮＯｘ量は、可能な限り抑制される。

　図１４は、排気浄化システムの高圧ＥＧＲ弁及び低圧ＥＧＲ弁を基準品とし、かつ、適応入力Ｕ_ＶＮＳを、非線形適応修正器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、各ＥＧＲ弁を基準品としたため、適応入力Ｕ_ＶＮＳを非線形適応器により算出させても、初期値の「１」のまま変動しない。したがって、上述の図１３に示す結果とほぼ同様となり、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴは実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴに一致する。また、実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴを目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に精度良く制御することができる。したがって、エンジンから排出されるＮＯｘ量は、可能な限り抑制される。

　図１５は、排気浄化システムの高圧ＥＧＲ弁及び低圧ＥＧＲ弁を時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴと実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。しかしながら、適応入力Ｕ_ＶＮＳを「１」に固定したため、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴには誤差が生じたままである。このため、Ｉｎｅｒｔ－ＥＧＲ量の目標値ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}は、Ｉｎｅｒｔ－ＥＧＲコントローラにより修正されることはない。この結果、エンジンから排出されるＮＯｘ量は増加する。なお、このＮＯｘ量の排出量の増加は、エンジンの高負荷側において特に顕著である。

　図１６は、排気浄化システムの高圧ＥＧＲ弁及び低圧ＥＧＲ弁を時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを非線形適応修正器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴと実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。これに伴い、非線形適応修正器は、発生した誤差を最小にするように適応入力Ｕ_ＶＮＳを「１」から小さな値へ修正する。また、この適応入力Ｕ_ＶＮＳの修正により、Ｉｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴとＬＡＦセンサの出力の推定値Φ_ＨＡＴに発生した誤差が次第に小さくなる。
　Ｉｎｅｒｔ－ＥＧＲコントローラは、実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴの変化を、推定値量ＩＥＧＲ_ＨＡＴを介して検出し、実Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_ＡＣＴが目標Ｉｎｅｒｔ－ＥＧＲ量ＩＥＧＲ_{ＩＤＥＡＬ＿ＣＭＤ}に収束するように補正係数ＫＥＧＲを修正する。これにより、各ＥＧＲ弁が劣化し、Ｉｎｅｒｔ－ＥＧＲ導入量が低下した場合であっても、これを修正し、適正なＩｎｅｒｔ－ＥＧＲ量に維持できるため、排出されるＮＯｘ量の増加を抑制することができる。

　以上により、本実施形態の適応バーチャルセンサシステムが、排気浄化システムの劣化に対して優れたロバスト性を発揮し、精度良くＩｎｅｒｔ－ＥＧＲ量の推定値ＩＥＧＲ_ＨＡＴを算出できることが確認された。また、この適応バーチャルセンサシステムが、排気浄化システムの固体ばらつきに対しても優れたロバスト性を発揮できることは明らかである。

　本実施形態では、例えば、ＬＡＦセンサ３４により検出手段が構成され、ＥＣＵ７により、第１推定値算出手段、第２推定値算出手段、適応入力算出手段、重み関数設定手段、修正値算出手段、決定手段、及びコントローラが構成される。

　具体的には、例えば、Ｉｎｅｒｔ－ＥＧＲ推定値算出部７１１により第１推定値算出手段が構成され、ＬＡＦセンサ出力推定値算出部７１２により第２推定値算出手段が構成され、非線形適応修正器７１３により適応入力算出手段が構成され、重み関数設定部７１５により重み関数設定手段が構成され、局所適応入力算出部７１６により修正値算出手段が構成され、適応係数算出部７１７により決定手段が構成される。また、例えば、Ｉｎｅｒｔ－ＥＧＲ量目標値算出部７２、Ｉｎｅｒｔ－ＥＧＲコントローラ７３、及びリフト量算出部７４により、コントローラが構成される。

［第２実施形態］
　次に、本発明の第２実施形態を、図面を参照して説明する。
　以下の第２実施形態の説明にあたって、第１実施形態と同一構成要件については同一符号を付し、その説明を省略化又は簡略化する。

　図１７は、本実施形態に係るエンジン１及びその排気浄化システム２Ａの構成を示す模式図である。
　図１７に示すように、本実施形態は、選択還元触媒６１及びユリア噴射装置６２を備える点と、ＥＣＵ８の構成とが、第１実施形態と異なる。

　排気浄化システム２Ａは、排気管３０のうち酸化触媒３５の下流側に設けられ、この排気管３０を流通する排気中の窒素酸化物（以下、「ＮＯｘ」という）を、還元剤としてのアンモニアの存在下で浄化する選択還元触媒６１と、排気管３０のうち選択還元触媒６１の上流側に、還元剤の元となる尿素水を供給するユリア噴射装置６２と、を備える。

　ユリア噴射装置６２は、ユリアタンク６２１と、ユリア噴射弁６２３とを備える。
　ユリアタンク６２１は、尿素水を貯蔵する。ユリア噴射弁６２３は、ＥＣＵ８に接続されており、ＥＣＵ８からの制御信号により動作し、この制御信号に応じた量の尿素水を排気管３０内の酸化触媒３５と選択還元触媒６１との間に噴射する。すなわち、ユリア噴射制御が実行される。

　酸化触媒３５は、排気管３０のうち選択還元触媒６１及びユリア噴射弁６２３よりも上流側に設けられ、排気中のＮＯをＮＯ２に変換し、これにより、選択還元触媒６１におけるＮＯｘの還元を促進する。

　選択還元触媒６１は、アンモニア等の還元剤が存在する雰囲気下で、排気中のＮＯｘを選択的に還元する。具体的には、ユリア噴射装置６２により尿素水を噴射すると、この尿素水は、排気の熱により熱分解又は加水分解されて還元剤としてのアンモニアが生成される。生成されたアンモニアは、選択還元触媒６１に供給され、これらアンモニアにより、排気中のＮＯｘは選択的に還元される。

　ところで、この選択還元触媒６１は、尿素水から生成したアンモニアで排気中のＮＯｘを還元する機能を有するとともに、生成したアンモニアを所定の量だけ貯蔵する機能も有する。以下では、選択還元触媒６１において貯蔵されたアンモニア量をストレージ量とし、選択還元触媒６１において貯蔵できるアンモニア量を最大ストレージ容量とする。

　このようにして貯蔵されたアンモニアは、排気中のＮＯｘの還元にも適宜消費される。このため、ストレージ量が大きくなるに従い、選択還元触媒６１におけるＮＯｘ還元率は高くなる。また、エンジンから排出されたＮＯｘの量に対し尿素水の供給量が少ない場合等には、貯蔵されたアンモニアが、この尿素水の不足分を補うようにしてＮＯｘの還元に消費される。

　ここで、選択還元触媒６１において、最大ストレージ容量を超えてアンモニアが生成された場合、生成されたアンモニアは、選択還元触媒６１の下流側へ排出される。このようにしてアンモニアが選択還元触媒６１に貯蔵されず、その下流側へ排出されることを、以下では「アンモニアスリップ」という。

　後に詳述するように、選択還元触媒６１のストレージ量が所定の目標値に維持されるようにユリア噴射制御を行うことにより、選択還元触媒６１におけるＮＯｘ浄化率を高く維持しながら、アンモニアスリップの発生も極力抑制することができる。

　ＥＣＵ８には、クランク角度位置センサ１１、アクセルセンサ１２、吸気圧力センサ２４、第１排気圧力センサ３２、第２排気圧力センサ３３、ＬＡＦセンサ３４、第１リフトセンサ１３、及び第２リフトセンサ１４の他、酸化触媒温度センサ３７、及び選択還元触媒温度センサ３８が接続されている。

　酸化触媒温度センサ３７は、酸化触媒３５の温度Ｔ_ＤＯＣを検出し、検出値に略比例した信号をＥＣＵ８に送信する。選択還元触媒温度センサ３８は、選択還元触媒６１の温度Ｔ_ＳＣＲを検出し、検出値に略比例した信号をＥＣＵ８に送信する。

　次に、以上のような排気浄化システム２Ａを制御するＥＣＵを構成するにあたり、本願発明者が着目した課題について説明する。

　このような排気浄化システムを制御する場合、従来では、ユリア噴射装置と選択還元触媒との間に排気中のＮＯｘ量を検出するＮＯｘセンサを設け、このＮＯｘセンサの検出値に基づいてユリア噴射量を決定することが知られている。しかしながら、このようにＮＯｘセンサを用いた場合には、以下のような課題がある。

　（３）先ず、現存するＮＯｘセンサは、高精度でユリア噴射制御を行うにはＮＯｘの観測分解能が十分ではなく、また固体ばらつきが大きい。このため、ユリア噴射量が不足してＮＯｘ浄化率が低下したり、逆にユリア噴射量が過多になってしまい過剰なアンモニアスリップが発生したりする虞がある。

　（４）また、現存するＮＯｘセンサは、高精度でユリア噴射制御を行うには応答性能が十分では無い。このため、特に過渡時において大きなセンシング遅れが生じてしまい、結果としてユリア噴射量が不足しＮＯｘ浄化率が低下する虞がある。

　（５）また、現存するＮＯｘセンサは、センサ素子の割れを防止するために、急速昇温することができない。このため、エンジンの始動後、ＮＯｘセンサが活性に達するまで、数百秒程度かかってしまう場合がある。したがって、この間は、ＮＯｘセンサの出力を利用できないため、ＮＯｘ浄化率が低下したりアンモニアスリップが発生したりする虞がある。

　（６）図１８は、選択還元触媒におけるＮＯｘ浄化率と、ＮＯ２とＮＯｘの比率（ＮＯ２／ＮＯｘ＝ＲＮＯ２）との関係を示す図である。
　図１８に示すように、選択還元触媒におけるＮＯｘ浄化率は、ＮＯ２とＮＯｘの比率によって大きく異なる。特に、選択還元触媒の温度が低くなるに従い、ＮＯ２とＮＯｘの比率に対するＮＯｘ浄化率の変動は大きくなる。
　選択還元触媒にはこのような特性があるにもかかわらず、現存するＮＯｘセンサではＮＯ２とＮＯｘの比率を検出することは出来ない。したがって、このようなＮＯｘセンサの出力に基づいてユリア噴射量を決定した場合、噴射した尿素水が選択還元触媒におけるＮＯｘ浄化率の向上に寄与しない余剰分がＮＯ２とＮＯｘの比率に応じて発生してしまい、アンモニアスリップが発生するおそれがある。

　以上のように、ユリア噴射制御を行うためにＮＯｘセンサを設けることの利点は多くない。また、ＮＯｘセンサの出力を用いずに、予め設定したマップを用いてユリア噴射量を決定することも考えられるが、この場合も、高い精度でユリア噴射量を決定することは困難であり、また、エンジンや排気浄化システムの劣化や固体ばらつきに対応することも困難である。

　以下では、以上のような課題に鑑みてなされた、排気浄化システム２Ａの制御装置の構成について説明する。以下、詳細に説明するように、本実施形態では、第１実施形態の排気浄化システムにおけるＩｎｅｒｔ－ＥＧＲ量の推定値と同様にして、排気中のＮＯｘ量の推定値を算出する適応バーチャルセンサシステムを構築する。すなわち、本実施形態では、ニューラルネットワークを用いて排気中のＮＯｘ量を推定し、さらにこのＮＯｘ量の推定値に基づいてユリア噴射制御を行う。

　図１９は、排気浄化システム２Ａの制御装置の構成を示すブロック図である。なお、図１９には、排気浄化システム２Ａにおけるユリア噴射制御に係る構成のみを図示する。より具体的には、ユリア噴射装置のユリア噴射量Ｇ_ＵＲＥＡの決定に関する、ＥＣＵにより構成されるモジュールのみを図示する。

　このモジュールは、適応バーチャルセンサシステム８１と、フィードフォワード噴射量決定部８２と、ストレージ量目標値設定部８３と、フィードバック噴射量決定部８４と、を含んで構成される。

　このモジュールにおいて、ユリア噴射量Ｇ_ＵＲＥＡ（ｋ）は、下記式（３１）に示すように、加算器８５によりフィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）とフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）との和を算出することにより決定される。

　以下、詳細に説明するように、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）は、適応バーチャルセンサシステム８１により算出された排気中のＮＯｘ量の推定値ＮＯＸ_ＨＡＴに基づいて、フィードフォワード噴射量決定部８２により決定される。
　また、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）は、ストレージ量目標値設定部８３により設定された目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）にストレージ量を維持するように、フィードバック噴射量決定部８４により決定される。

　適応バーチャルセンサシステム８１は、複数のセンサ２４，３２，３３，３４，１３，１４，３７，３８の検出値Ｐ２，Ｐ３，Ｐ３Ｌ，Φ_ＡＣＴ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，Ｔ_ＤＯＣ，Ｔ_ＳＣＲに基づいて、酸化触媒と選択還元触媒との間の排気のＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出する。

　図２０は、適応バーチャルセンサシステム８１の構成を示すブロック図である。
　適応バーチャルセンサシステム８１は、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出するＮＯｘ量推定値算出部８１１と、ＬＡＦセンサ３４の出力（排気空燃比）の推定値Φ_ＨＡＴを算出するＬＡＦセンサ出力推定値算出部８１２と、適応入力Ｕ_ＶＮＳを算出する非線形適応修正器８１３とを含んで構成される。

　この適応バーチャルセンサシステム８１では、上述の課題（３）～（５）を解決するため、上述の第１実施形態におけるＩｎｅｒｔ－ＥＧＲ量の推定と同様にしてＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出する。

　すなわち、本実施形態の適応バーチャルセンサシステム８１では、ニューラルネットワークが構築されたＮＯｘ量推定値算出部８１１により、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出する。さらに、ＮＯｘ量とは別の物理量であり、かつ、ＮＯｘ量と相関のある物理量である排気空燃比の推定値Φ_ＨＡＴを、ＮＯｘ量推定値算出部８１１と同様のニューラルネットワーク構造を有するＬＡＦセンサ出力推定値算出部８１２で算出する。なお、これらＮＯｘ量推定値算出部８１１及びＬＡＦセンサ出力推定値算出部８１２のニューラルネットワーク構造は、それぞれ、第１実施形態のＩｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２のニューラルネットワーク構造とほぼ同様の構成であるので、その詳細な説明を省略する。

　さらに、下記式（３２）に示すように、算出した排気空燃比の推定値Φ_ＨＡＴ（ｋ）とＬＡＦセンサ３４の検出値Φ_ＡＣＴ（ｋ）との間の推定誤差Ｅ_ＨＡＴ（ｋ）を加算器８１４により算出する。

　さらに、非線形適応修正器８１３では、算出した推定誤差Ｅ_ＨＡＴが最小になるように、ＮＯｘ量推定値算出部８１１及びＬＡＦセンサ出力推定値算出部８１２に対し共通に入力される適応入力Ｕ_ＶＮＳを算出する。なお、この非線形適応修正器８１３は、第１実施形態の非線形適応修正器７１３とほぼ同様の構成であるので、その詳細な説明を省略する。

　次に、ＮＯｘ量を推定するための、ニューラルネットワークの学習について説明する。
　先ず、ニューラルネットワークに対する入力ベクトルＵ（ｋ）の成分を、下記式（３３）に示すように定義する。このように、入力ベクトルＵ（ｋ）の成分には、ＮＯｘ量を推定するために必要となる複数の物理量（酸化触媒温度Ｔ_ＤＯＣ、選択還元触媒温度Ｔ_ＳＣＲ、燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ３Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、適応入力Ｕ_ＶＮＳとが含まれる。また、入力ベクトルの成分には、このように異なる種類の物理量に関するデータが含まれているとともに、異なる時刻の物理量に関するデータも含まれている。また、酸化触媒の下流側のＮＯｘ量は、酸化触媒の酸化能力にも大きく依存するため、入力ベクトルＵの成分には、酸化触媒温度Ｔ_ＤＯＣが含まれる。

　なお、入力ベクトルＵの成分には、例えば、エンジンの冷却水の温度を含めてもよい。これにより、エンジンの暖機過程におけるＮＯｘ量の推定精度を向上することができる。

　また、このような入力ベクトルＵ（ｋ）に対するニューラルネットワークの出力Ｙ（ｋ）を、下記式（３４）に示すように、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴ（ｋ）として定義する。

　ニューラルネットワークの学習は、以上のようにして入力ベクトルＵ（ｋ）と出力Ｙ（ｋ）とを設定した上で、上述の第１実施形態と同様の手順に従って行う。すなわち、排気浄化システムの基準品と劣化品との少なくとも２つを準備し、入力ベクトルＵの成分と、酸化触媒と選択還元触媒との間の排気のＮＯｘ量との関係を示すデータを、準備した排気浄化システムごとに取得する。そして、この取得したデータに基づいて、ニューラルネットワークの学習を行う。

　ここで、ニューラルネットワークの学習に用いる上述のデータの教師データについて説明する。
　教師データ、すなわち、ニューラルネットワークの出力ＮＯＸ_ＨＡＴにより再現されるデータには、下記式（３５）に示すように、酸化触媒と選択還元触媒との間のＮＯｘの量を検出するＮＯｘセンサの出力ＮＯＸ（ｋ）に補正係数Ｋ_{ＭＯＤ＿ＮＯ２}（ｋ）を乗算した修正ＮＯｘ量ＮＯＸ_ＭＯＤ（ｋ）のデータを用いる。

　ここで、補正係数Ｋ_{ＭＯＤ＿ＮＯ２}（ｋ）は、下記式（３６）及び（３７）に示すように、上述の図１８に示すマップに基づいて決定された選択還元触媒におけるＮＯｘ浄化率Ｉ_{ＴＡ＿ＮＯＸ}（ｋ）を、最大浄化率Ｉ_{ＴＡ＿ＮＯＸ＿ＭＡＸ}で割ったものである。なお、ＮＯｘに対するＮＯ２の比率ＲＮＯ２（ｋ）は、フーリエ変換赤外分光光度計（ＦＴＩＲ）などにより測定された値が用いられる。

　すなわち、上述の修正ＮＯｘ量ＮＯＸ_ＭＯＤは、酸化触媒と選択還元触媒との間の排気のうち、選択還元触媒において浄化可能なＮＯｘ量に相当する。本実施形態では、このような修正ＮＯｘ量が記録された教師データを用いてニューラルネットワークの学習を行い、その出力ＮＯＸ_ＨＡＴを設定する。このようなＮＯｘに対するＮＯ２の比率による影響が予め反映された出力ＮＯＸ_ＨＡＴに基づいてユリア噴射量を決定することにより、余分な尿素水の噴射を抑制し、アンモニアスリップの発生を抑制しながら、選択還元触媒におけるＮＯｘ浄化率を高く維持することができる。したがって、上述の課題（６）を解決することができる。

　また、ＬＡＦセンサ出力推定値算出部８１２のニューラルネットワークに対する学習も、上述のＮＯｘ量推定値算出部８１１のニューラルネットワークと同様の手順により行う。

　フィードフォワード噴射量決定部８２は、下記式（３８）に示すように、適応バーチャルセンサシステム８１により算出されたＮＯｘ量の推定値ＮＯＸ_ＨＡＴ（ｋ）に、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}を乗算することにより、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}（ｋ）を決定する。下記式（３８）において、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}は、ＮＯｘ量からユリア噴射量に変換する変換係数である。より具体的には、変換係数Ｋ_{ＣＯＮＶ＿ＮＯＸ＿ＵＲＥＡ}は、所定の量のＮＯｘを還元するために必要なユリア噴射量である。

　ここで、上述のように、適応バーチャルセンサシステム８１により算出されたＮＯｘ量の推定値ＮＯＸ_ＨＡＴには、ＮＯｘに対するＮＯ２の比率や選択還元触媒温度Ｔ_ＳＣＲに応じて変化するＮＯｘ浄化率の影響が反映されている。したがって、上記式（３８）に示すように、推定値に係数を乗算するだけで、過分の無い適切なフィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}を決定することができる。

　ストレージ量目標値設定部８３は、選択還元触媒温度の検出値Ｔ_ＳＣＲ（ｋ）に基づいて、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定する。

　図２１は、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}と選択還元触媒温度Ｔ_ＳＣＲとの関係を示す図であり、検出値Ｔ_ＳＣＲ（ｋ）に基づいて、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定するためのマップを示す図である。

　この図に示すように、選択還元触媒温度Ｔ_ＳＣＲが上昇するに従い最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}は減少する。そこで、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}は、アンモニアスリップが発生しないように、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}よりもやや小さな値に設定される。

　図１９に戻って、ストレージ量目標値設定部８３では、図２１に示すようなマップに基づいて、検出値Ｔ_ＳＣＲ（ｋ）に応じた目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）を設定する。

　フィードバック噴射量決定部８４は、選択還元触媒の所定のストレージモデルに基づいてストレージ量ＳＴ_ＵＲＥＡを推定しつつ、このストレージ量の推定値ＳＴ_ＵＲＥＡが設定された目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に一致するように、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}を決定する。

　図２２は、選択還元触媒のストレージモデルの概念を示す模式図である。
　このアンモニアストレージモデルは、選択還元触媒に流入する排気のＮＯｘ量に対するユリア噴射量に応じて、選択還元触媒におけるアンモニアのストレージ量の変化を推定するモデルである。具体的には、選択還元触媒におけるストレージ量の変化の状態を、所定のＮＯｘ量に対してユリア噴射量が適切な状態（図２２の（ａ）参照）と、ユリア噴射量が過剰な状態（図２２の（ｂ）参照）と、ユリア噴射量が不足した状態（図２２の（ｃ）参照）との、３つの状態に分類する。

　図２２の（ａ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が適切な状態である場合、すなわち、排気中のＮＯｘを最も効率良く還元できるアンモニアの量と、供給した尿素水から生成されるアンモニアの量とが略一致した場合には、ストレージ量の変化はない。

　図２２の（ｂ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が過剰な状態である場合、すなわち、供給した尿素水から生成されたアンモニアの量が、排気中のＮＯｘを最も効率良く還元できる量より多い場合には、この余剰分のアンモニアが選択還元触媒に貯蔵される。したがって、このような供給過剰（Ｏｖｅｒ－ｄｏｓｉｎｇ）状態では、ストレージ量は増加する。

　図２２の（ｃ）に示すように、選択還元触媒に流入するＮＯｘに対して、ユリア噴射量が不足した状態である場合、すなわち、供給した尿素水から生成されたアンモニアの量が、排気中のＮＯｘを最も効率良く還元できる量より少ない場合には、この不足分は貯蔵されたアンモニアから補われる。したがって、このような供給不足（Ｕｎｄｅｒ－ｄｏｓｉｎｇ）状態では、ストレージ量は減少する。

　フィードバック噴射量決定部８４では、以上のようなストレージモデルに基づいてストレージ量の推定値ＳＴ_ＵＲＥＡを算出する。より具体的には、下記式（３９）～（４２）に基づいて算出する。

　先ず、選択還元触媒に流入したＮＯｘを還元するために必要な量のユリア噴射量Ｇ_{ＵＲＥＡ＿ＩＤＥＡＬ}（ｋ）は、下記式（３９）に示すように、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴに基づいて算出される。

　ストレージ量を増減する要因となるユリア噴射量の余剰分Ｄ_ＵＲＥＡ（ｋ）は、下記式（４０）に示すように、実際のユリア噴射量Ｇ_ＵＲＥＡ（ｋ）から還元に必要なユリア噴射量Ｇ_{ＵＲＥＡ＿ＩＤＥＡＬ}（ｋ）を減算することにより算出される。

　したがって、ストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）は、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}（ｋ）を上限値として、下記式（４１）及び（４２）に示すように、ユリア噴射量の余剰分Ｄ_ＵＲＥＡ（ｋ）に基づいて算出される。

　ここで、最大ストレージ容量ＳＴ_{ＵＲＥＡ＿ＭＡＸ}（ｋ）は、選択還元触媒温度Ｔ_ＳＣＲ（ｋ）に応じて、上述の図２１に示すようなマップを検索することにより設定される。

　フィードバック噴射量決定部８４は、以上のように算出されたストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）が目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）に一致するように、下記式（４３）～（４６）に以下に示すような拡大系Ｉ－Ｐ制御によりフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）を決定する。

　先ず、下記式（４３）に示すように、ストレージ量の推定値ＳＴ_ＵＲＥＡ（ｋ）と目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}（ｋ）との偏差Ｅ_ＳＴ（ｋ）を算出する。

　次に、偏差Ｅ_ＳＴ（ｋ）に積分ゲインＫＩ_ＳＴを乗算したものを、下記式（４４）に示すように、積分項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｉ}（ｋ）として定義する。

　一方、ストレージ量の推定値の微分値ＳＴ_ＵＲＥＡ（ｋ）－ＳＴ_ＵＲＥＡ（ｋ－１）を算出し、この微分値に比例ゲインＫＰ_ＳＴを乗算したものを、下記式（４５）に示すように、比例項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｐ}（ｋ）として定義する。

　次に、下記式（４６）に示すように、比例項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｐ}（ｋ）と積分項Ｇ_{ＵＲＥＡ＿ＳＴ＿Ｉ}（ｋ）の和を算出し、これをフィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}（ｋ）として決定する。

　次に、以上のように構成された本実施形態のユリア噴射制御のシミュレーション結果について、図２３～図２６を参照して詳述する。

　図２３は、排気浄化システムを基準品とし、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、排気浄化システムを基準品としたため、適応入力Ｕ_ＶＮＳを強制的に「１」に固定しても、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴは実ＮＯｘ量ＮＯＸ_ＡＣＴに一致する。このため、ストレージ量の推定値ＳＴ_ＵＲＥＡは、目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持される。この際、実際のストレージ量も目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持されているので、選択還元触媒におけるＮＯｘ浄化率を高く維持することができる。したがって、選択還元触媒の下流側のＮＯｘ量は、可能な限り抑制される。

　図２４は、排気浄化システムを基準品とし、かつ、適応入力Ｕ_ＶＮＳを非線形適応器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、排気浄化システムを基準品としたため、適応入力Ｕ_ＶＮＳを非線形適応器により算出させても、初期値の「１」のまま変動しない。したがって、上述の図２３に示す結果とほぼ同様となり、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴは実ＮＯｘ量ＮＯＸ_ＡＣＴに一致する。また、ストレージ量の推定値ＳＴ_ＵＲＥＡは、目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持される。この際、実際のストレージ量も目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持されているので、選択還元触媒におけるＮＯｘ浄化率を高く維持することができる。したがって、選択還元触媒の下流側のＮＯｘ量は、可能な限り抑制される。

　図２５は、排気浄化システムを時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴと実ＮＯｘ量ＮＯＸ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。しかしながら、適応入力Ｕ_ＶＮＳを「１」に固定したため、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴには誤差が生じたままである。このため、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}は、実ＮＯｘ量ＮＯＸ_ＡＣＴに対して不足した状態となり、また、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}は、ストレージ量を目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持するように適切に決定されなくなる。このため、選択還元触媒におけるストレージ量が急激に減少してしまい、その後、回復することもない。結果として、選択還元触媒におけるＮＯｘ浄化率が低下してしまい、選択還元触媒の下流側のＮＯｘ量が増加してしまう。

　図２６は、排気浄化システムを時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを非線形適応修正器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴと実ＮＯｘ量ＮＯＸ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。これに伴い、非線形適応修正器は、発生した誤差を最小にするように適応入力Ｕ_ＶＮＳを「１」から修正する。また、この適応入力Ｕ_ＶＮＳの修正により、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴとＬＡＦセンサの出力の推定値Φ_ＨＡＴに発生した誤差が次第に小さくなる。このため、フィードフォワード噴射量Ｇ_{ＵＲＥＡ＿ＦＦ}は、実ＮＯｘ量ＮＯＸ_ＡＣＴに対して適切に決定され、選択還元触媒の下流側のＮＯｘ量の増加が抑制される。また、フィードバック噴射量Ｇ_{ＵＲＥＡ＿ＳＴ}もストレージ量を目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に維持するように決定される。これにより、ストレージ量は、時刻Ａにおいて、一旦は急激に減少するものの、ストレージ量の目標値ＳＴ_{ＵＲＥＡ＿ＣＭＤ}に向けて次第に回復し始める。

　以上より、本実施形態の適応バーチャルセンサシステムが、排気浄化システムの劣化に対して優れたロバスト性を発揮し、精度良くＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出できることが確認された。また、この適応バーチャルセンサシステムが、排気浄化システムの固体ばらつきに対しても優れたロバスト性を発揮できることは明らかである。

　本実施形態では、例えば、ＬＡＦセンサ３４により検出手段が構成され、ＥＣＵ８により、第１推定値算出手段、第２推定値算出手段、適応入力算出手段、及びコントローラが構成される。

　具体的には、例えば、ＮＯｘ量推定値算出部８１１により第１推定値算出手段が構成され、ＬＡＦセンサ出力推定値算出部８１２により第２推定値算出手段が構成され、非線形適応修正器８１３により適応入力算出手段が構成される。また、例えば、フィードフォワード噴射量決定部８２、ストレージ量目標値設定部８３、フィードバック噴射量決定部８４、及び加算器８５により、コントローラが構成される。

［第３実施形態］
　次に、本発明の第３実施形態を、図面を参照して説明する。
　以下の第３実施形態の説明にあたって、第１実施形態と同一構成要件については同一符号を付し、その説明を省略化又は簡略化する。

　図２７は、本実施形態に係るエンジン１及びその排気浄化システム２Ｂの構成を示す模式図である。
　図２７に示すように、本実施形態は、ＮＯｘ浄化触媒６５を備える点と、ＥＣＵ９の構成とが、第１実施形態と異なる。

　排気浄化システム２Ｂは、排気管３０のうち酸化触媒３５の下流側に設けられ、この排気管３０を流通する排気中のＮＯｘを浄化するＮＯｘ浄化触媒６５を備える。

　ＮＯｘ浄化触媒６５は、エンジン１で燃焼する混合気を理論空燃比よりもリーンにしたときに排気中のＮＯｘを吸着又は吸蔵し、還元雰囲気下で吸着又は吸蔵したＮＯｘを還元する。

　ここで、還元雰囲気下とは、エンジン１で燃焼する混合気を理論空燃比よりもリッチにしたときにおける排気の雰囲気下（リッチ燃焼雰囲気下）、又は、還元剤が存在する排気の雰囲気下（還元剤雰囲気下）をいう。また、この還元剤雰囲気は、例えば、エンジン１で燃焼する混合気を理論空燃比よりもリーンにしたまま、排気工程や膨張行程において燃料を噴射（ポスト噴射）したり、排気管３０内に燃料を直接噴射したりすることで生成することができる。
　以下では、上述のような方法により、ＮＯｘ浄化触媒６５に流入する排気を還元雰囲気にすることで排気中のＮＯｘを浄化する処理を、還元制御処理という。

　このＮＯｘ浄化触媒６５としては、例えば、アルミナ（Ａｌ_２Ｏ_３）、セリア（ＣｅＯ_２）、及びセリウムと希土類の複合酸化物（以下、「セリア系複合酸化物」という）の担体に担持された、触媒として作用する白金（Ｐｔ）と、ＮＯｘ吸着能力を有するセリアもしくはセリア系複合酸化物と、触媒に生成されたアンモニアアンモニア（ＮＨ_３）を、アンモニウムイオン（ＮＨ_４ ^＋）として保持する機能を有するゼオライトとを備えるものが用いられる。

　ＥＣＵ９には、クランク角度位置センサ１１、アクセルセンサ１２、吸気圧力センサ２４、第１排気圧力センサ３２、第２排気圧力センサ３３、ＬＡＦセンサ３４、第１リフトセンサ１３、及び第２リフトセンサ１４の他、冷却水温度センサ１５、及びＮＯｘ浄化触媒温度センサ３９が接続されている。

　冷却水温度センサ１５は、エンジン１の冷却水の温度Ｔ_Ｗを検出し、検出値に略比例した信号をＥＣＵ９に送信する。ＮＯｘ浄化触媒温度センサ３９は、ＮＯｘ浄化触媒６５の温度Ｔ_ＬＮＣを検出し、検出値に略比例した信号をＥＣＵ９に送信する。

　このような排気浄化システム２Ｂを制御するＥＣＵを構成するにあたり、本願発明者が着目した課題について説明する。

　図２８は、ＮＯｘ浄化触媒におけるＮＯｘの吸着／吸蔵効率と、ＮＯｘの吸着／吸蔵量との関係を示す図である。
　図２８に示すように、ＮＯｘの吸着／吸蔵効率は、ＮＯｘの吸着／吸蔵量が所定の量に達するまではほぼ一定であるが、所定の量を超えると急激に減少する。このため、高いＮＯｘ吸着／吸蔵効率を維持し続けるためには、ＮＯｘの吸着／吸蔵量が過大にならないように適切なタイミングで還元制御処理を行うことが好ましい。

　この場合、ＮＯｘ浄化触媒におけるＮＯｘの吸着／吸蔵量を推定する必要がある。従来では、ＮＯｘ浄化触媒の上流側に排気中のＮＯｘ量を検出するＮＯｘセンサを設け、このＮＯｘセンサの検出値に基づいてＮＯｘの吸着／吸蔵量を推定することが行われている。しかしながら、このようにＮＯｘセンサを用いた場合には、以下のような課題がある。

　（７）先ず、現存するＮＯｘセンサは、高精度でＮＯｘ吸着／吸蔵量を推定するにはＮＯｘの観測分解能が十分ではなく、また固体ばらつきが大きい。このため、ＮＯｘ吸着／吸蔵量の推定値が実際の値からずれてしまい、還元制御処理を実行するタイミングが適切でなくなる場合がある。したがって、ＮＯｘ浄化触媒からＮＯｘが飽和し、ＮＯｘ浄化触媒の下流側へ排出されるＮＯｘの量が増加する虞がある。

　（８）また、現存するＮＯｘセンサは、高精度でＮＯｘ吸着／吸蔵量を推定するには応答性能が十分では無い。このため、特に過渡時において大きなセンシング遅れが生じてしまい、結果として、ＮＯｘ吸着／吸蔵量の推定値が実際の値からずれてしまい、還元制御処理を実行するタイミングが適切でなくなる場合がある。したがって、ＮＯｘ浄化触媒が飽和状態となり、ＮＯｘ浄化触媒の下流側へ排出されるＮＯｘ量が増加する虞がある。

　（９）また、現存するＮＯｘセンサは、センサ素子の割れを防止するために、急速昇温することができない。このため、エンジンの始動後、ＮＯｘセンサが活性に達するまで、数百秒程度かかってしまう場合がある。したがって、この間は、ＮＯｘセンサの出力を利用できないため、ＮＯｘ吸着／吸蔵量を推定することができない。

　（１０）上述の第２実施形態では、還元剤、すなわち尿素水をユリア噴射装置により排気に直接噴射していたため、排気中の還元剤量を推定することは比較的容易である。これに対して本実施形態では、燃料を還元剤として用いるため、排気中の還元剤量は、燃焼室や排気管での燃焼、すなわちエンジンの運転条件により複雑に変化する。このため、従来の方法では還元剤量を推定することは困難である。

　以下では、以上のような課題に鑑みてなされた、排気浄化システム２Ｂの制御装置の構成について説明する。以下、詳細に説明するように、本実施形態では、第１実施形態の排気浄化システムにおけるＩｎｅｒｔ－ＥＧＲ量の推定値と同様にして、排気中のＮＯｘ量の推定値と、排気中の還元剤量の推定値とを算出する適応バーチャルセンサシステムを構築する。すなわち、本実施形態では、ニューラルネットワークを用いて排気中のＮＯｘ量及び還元剤量を推定し、さらにこれらＮＯｘ量及び還元剤量の推定値に基づいて還元制御処理を実行する。

　図２９は、排気浄化システム２Ｂの制御装置の構成を示すブロック図である。なお、図２９には、排気浄化システム２Ｂにおける還元制御処理の実行に係る構成のみを図示する。より具体的には、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}の決定に関する、ＥＣＵにより構成されるモジュールのみを図示する。

　リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}は、上述の還元制御処理を実行する時期であることを示すフラグである。すなわち、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}を「１」にすることにより、還元制御処理の実行が指令される。この指令に基づいて、図示しないモジュールにより還元制御処理が実行される。また、このリッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}を「０」に戻すことにより、還元制御処理の停止が指令される。この指令に基づいて、上述の還元制御処理が停止される。

　このモジュールは、適応バーチャルセンサシステム９１と、ＮＯｘ吸着／吸蔵量推定部９２と、リッチモードコントローラ９３と、を含んで構成される。

　適応バーチャルセンサシステム９１は、複数のセンサ２４，３２，３３，３４，１３，１４，１５の検出値Ｐ２，Ｐ３，Ｐ３Ｌ，Φ_ＡＣＴ，Ｌ_{ＨＰ＿ＡＣＴ}，Ｌ_{ＬＰ＿ＡＣＴ}，Ｔ_Ｗ並びにリッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}に基づいて、ＮＯｘ浄化触媒に流入する排気のＮＯｘ量の推定値ＮＯＸ_ＨＡＴ及びＮＯｘ浄化触媒に流入する排気の還元剤量の推定値ＲＥＤ_ＨＡＴを算出する。

　図３０は、適応バーチャルセンサシステム９１の構成を示すブロック図である。
　適応バーチャルセンサシステム９１は、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴを算出するＮＯｘ量推定値算出部９１１と、還元剤量の推定値ＲＥＤ_ＨＡＴを算出する還元剤量推定値算出部９１５と、ＬＡＦセンサ３４の出力（排気空燃比）の推定値Φ_ＨＡＴを算出するＬＡＦセンサ出力推定値算出部９１２と、適応入力Ｕ_ＶＮＳを算出する非線形適応修正器９１３とを含んで構成される。

　この適応バーチャルセンサシステム９１では、上述の課題（７）～（１０）を解決するため、上述の第１実施形態におけるＩｎｅｒｔ－ＥＧＲ量の推定と同様にして、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴ及び還元剤量の推定値ＲＥＤ_ＨＡＴを算出する。

　すなわち、本実施形態の適応バーチャルセンサシステム９１では、ニューラルネットワークが構築されたＮＯｘ量推定値算出部９１１及び還元剤量推定値算出部９１５により、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴ及び還元剤量の推定値ＲＥＤ_ＨＡＴを算出する。さらに、これらＮＯｘ量及び還元剤量とは別の物理量であり、かつ、ＮＯｘ量及び還元剤量と相関のある物理量である排気空燃比の推定値Φ_ＨＡＴを、ＮＯｘ量推定値算出部９１１及び還元剤量推定値算出部９１５と同様のニューラルネットワーク構造を有するＬＡＦセンサ出力推定値算出部９１２で算出する。なお、これらＮＯｘ量推定値算出部８１１、還元剤量推定値算出部９１５、及びＬＡＦセンサ出力推定値算出部９１２のニューラルネットワーク構造は、それぞれ、第１実施形態のＩｎｅｒｔ－ＥＧＲ推定値算出部７１１及びＬＡＦセンサ出力推定値算出部７１２のニューラルネットワーク構造とほぼ同様の構成であるので、その詳細な説明を省略する。

　さらに、下記式（４７）に示すように、算出した排気空燃比の推定値Φ_ＨＡＴ（ｋ）とＬＡＦセンサ３４の検出値Φ_ＡＣＴ（ｋ）との間の推定誤差Ｅ_ＨＡＴ（ｋ）を加算器９１４により算出する。

　さらに、非線形適応修正器９１３では、算出した推定誤差Ｅ_ＨＡＴが最小になるように、ＮＯｘ量推定値算出部９１１、還元剤量推定値算出部９１５、及びＬＡＦセンサ出力推定値算出部９１２に対し共通に入力される適応入力Ｕ_ＶＮＳを算出する。なお、この非線形適応修正器９１３は、第１実施形態の非線形適応修正器７１３とほぼ同様の構成であるので、その詳細な説明を省略する。

　次に、ＮＯｘ量及び還元剤量を推定するための、ニューラルネットワークの学習について説明する。
　先ず、ニューラルネットワークに対する入力ベクトルＵ（ｋ）の成分を、下記式（４８）に示すように定義する。このように、入力ベクトルＵ（ｋ）の成分には、ＮＯｘ量及び還元剤量を推定するために必要となる複数の物理量（冷却水温度Ｔ_Ｗ、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}、燃料噴射量Ｇ_ＦＵＥＬ、吸気圧力Ｐ２、排気圧力Ｐ３、排気圧力Ｐ３Ｌ、高圧ＥＧＲバルブリフト量の検出値Ｌ_{ＨＰ＿ＡＣＴ}、低圧ＥＧＲバルブリフト量の検出値Ｌ_{ＬＰ＿ＡＣＴ}、エンジン回転数ＮＥ）と、適応入力Ｕ_ＶＮＳとが含まれる。また、入力ベクトルの成分には、このように異なる種類の物理量に関するデータが含まれているとともに、異なる時刻の物理量に関するデータも含まれている。

　また、このような入力ベクトルＵ（ｋ）に対するニューラルネットワークの出力Ｙ（ｋ）を、下記式（４９）及び（５０）に示すように、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴ（ｋ）及び還元剤量の推定値ＲＥＤ_ＨＡＴ（ｋ）として定義する。

　ニューラルネットワークの学習は、以上のようにして入力ベクトルＵ（ｋ）と出力Ｙ（ｋ）とを設定した上で、上述の第１実施形態と同様の手順に従って行う。すなわち、排気浄化システムの基準品と劣化品との少なくとも２つを準備し、入力ベクトルＵの成分と、排気中のＮＯｘ量及び排気中の還元剤量との関係を示すデータを、準備した排気浄化システムごとに取得する。さらに取得したデータに基づいて、ニューラルネットワークの学習を行う。

　ここで特に、エンジンの冷却水温度Ｔ_Ｗを変化させた場合のデータも取得しておく。このようなデータに基づいてニューラルネットワークの学習を行うことにより、エンジン始動後の暖機過程での排気中のＮＯｘ量の推定精度を向上し、上述の課題（９）を解決することができる。

　また、ＬＡＦセンサ出力推定値算出部９１２のニューラルネットワークに対する学習も、上述のＮＯｘ量推定値算出部９１１及び還元剤量推定値算出部９１５のニューラルネットワークと同様の手順により行う。

　ＮＯｘ吸着／吸蔵量推定部９２は、適応バーチャルセンサシステム９１により算出されたＮＯｘ量の推定値ＮＯＸ_ＨＡＴ及び還元剤量の推定値ＲＥＤ_ＨＡＴに基づいて、ＮＯｘ浄化触媒におけるＮＯｘの吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}を算出する。

　このＮＯｘ吸着／吸蔵量推定部９２では、下記式（５１）及び（５２）に示すような演算を所定の演算周期ごとに行うことにより、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}（ｋ）を算出する。なお、下記式（５１）において、ＳＴ_{ＮＯＸ＿ＭＡＸ}（ｋ）は、ＮＯｘ浄化触媒における最大ＮＯｘ吸着／吸蔵量を示す。

　図３１は、ＮＯｘ浄化触媒における最大ＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＭＡＸ}とＮＯｘ浄化触媒温度Ｔ_ＬＮＣとの関係を示す図である。
　この図に示すように、最大ＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＭＡＸ}は、ＮＯｘ浄化触媒温度Ｔ_ＬＮＣに応じて変化する。上記式（５１）において、最大ＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＭＡＸ}（ｋ）は、ＮＯｘ浄化触媒温度Ｔ_ＬＮＣ（ｋ）に基づいて、この図に示すようなマップを検索することにより算出される。

　また、上記式（５２）において、右辺第２項は、排気中のＮＯｘを吸着／吸蔵したことによる増量分を示し、右辺第３項は、ＮＯｘを還元したことによる減量分を示す。

　すなわち、右辺第２項のＩ_{ＴＡ＿ＮＯＸ}（ｋ）は、ＮＯｘ浄化触媒のＮＯｘ吸着／吸蔵効率の推定値を示す。このＮＯｘ吸着／吸蔵効率の推定値Ｉ_{ＴＡ＿ＮＯＸ}（ｋ）は、例えば、ＮＯｘ浄化触媒温度Ｔ_ＬＮＣ（ｋ）及びＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}（ｋ）に基づいて、上述の図２８に示すようなマップを検索することにより算出される。
　また、右辺第３項の係数Ｋ_ＲＥＤは、還元剤量からＮＯｘ量へ変換する変換係数である。より具体的には、所定の量の還元剤で還元化能なＮＯｘの量を示す。

　リッチモードコントローラ９３は、２つの閾値ＳＴ_{ＲＩＣＨ＿ＯＮ}（ｋ）及びＳＴ_{ＲＩＣＨ＿ＯＦＦ}（ｋ）と、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}（ｋ）との比較に基づいて、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}（ｋ）を設定する。

　より具体的には、リッチモードコントローラ９３は、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}（ｋ）がＳＴ_{ＲＩＣＨ＿ＯＮ}（ｋ）を超えた場合に、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}（ｋ）を「０」から「１」にする。また、リッチモードコントローラ９３は、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}（ｋ）がＳＴ_{ＲＩＣＨ＿ＯＦＦ}（ｋ）を下回った場合に、リッチモードフラグＦ_{ＲＩＣＨＭＯＤＥ}（ｋ）を「１」から「０」に戻す。

　また、これら閾値ＳＴ_{ＲＩＣＨ＿ＯＮ}（ｋ）及びＳＴ_{ＲＩＣＨ＿ＯＦＦ}（ｋ）は、それぞれ、下記式（５３）及び（５４）に示すように、図３１に示すマップを検索して設定された最大ＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＭＡＸ}（ｋ）に係数Ｋ_ＲＯＮ及びＫ_ＲＯＦＦを乗算することで算出される。ここで、係数Ｋ_ＲＯＮは例えば０．８０に設定され、係数Ｋ_ＲＯＦＦは例えば０．１５に設定される。

　次に、以上のように構成された本実施形態の還元制御処理のシミュレーション結果について、図３２～図３５を参照して詳述する。

　図３２は、排気浄化システムを基準品とし、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、排気浄化システムを基準品としたため、適応入力Ｕ_ＶＮＳを強制的に「１」に固定しても、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴは実ＮＯｘ量ＮＯＸ_ＡＣＴに一致する。このため、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}は、実際のＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＡＣＴ}に一致する。このため、還元制御処理を実行するタイミングは適切に維持される。したがって、ＮＯｘ浄化触媒の下流側のＮＯｘ量は、可能な限り抑制される。

　図３３は、排気浄化システムを基準品とし、かつ、適応入力Ｕ_ＶＮＳを非線形適応器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、排気浄化システムを基準品としたため、適応入力Ｕ_ＶＮＳを非線形適応器により算出させても、初期値の「１」のまま変動しない。したがって、上述の図３２に示す結果とほぼ同様となり、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴは実ＮＯｘ量ＮＯＸ_ＡＣＴに一致する。また、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}は、実際のＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＡＣＴ}に一致する。このため、還元制御処理を実行するタイミングは適切に維持される。したがって、ＮＯｘ浄化触媒の下流側のＮＯｘ量は、可能な限り抑制される。

　図３４は、排気浄化システムを時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを「１」に固定した場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴと実ＮＯｘ量ＮＯＸ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。しかしながら、適応入力Ｕ_ＶＮＳを「１」に固定したため、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴには誤差が生じたままである。このため、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}と、実際のＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＡＣＴ}との間の誤差は次第に大きくなる。このため、還元制御処理を実行するタイミングが適切なタイミングからずれ始める。すなわち、実際のＮＯｘ吸着／吸蔵量ＳＴ_{ＮＯＸ＿ＡＣＴ}が閾値ＳＴ_{ＲＩＣＨ＿ＯＮ}を上回っているにもかかわらず、還元制御処理が実行されなくなってしまう。このため、ＮＯｘ浄化触媒が飽和状態になってしまい、結果として、ＮＯｘ浄化触媒の下流側のＮＯｘ量が増加してしまう。

　図３５は、排気浄化システムを時刻Ａにおいて基準品から劣化品へ仮想的に変化させ、かつ、適応入力Ｕ_ＶＮＳを非線形適応修正器により算出させた場合におけるシミュレーション結果を示す図である。
　この場合、時刻Ａ以降、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴと実ＮＯｘ量ＮＯＸ_ＡＣＴとの間で誤差が発生する。また、ＬＡＦセンサの出力Φ_ＡＣＴと推定値Φ_ＨＡＴとの間にも誤差が発生する。これに伴い、非線形適応修正器は、発生した誤差を最小にするとように適応入力Ｕ_ＶＮＳを「１」から修正する。また、この適応入力Ｕ_ＶＮＳの修正により、ＮＯｘ量の推定値ＮＯＸ_ＨＡＴとＬＡＦセンサの出力の推定値Φ_ＨＡＴに発生した誤差が次第に小さくなる。このため、ＮＯｘ吸着／吸蔵量の推定値ＳＴ_{ＮＯＸ＿ＨＡＴ}が実際のＮＯｘ吸着／吸蔵量から大きくずれるのを抑制することができる。したがって、ＮＯｘ浄化触媒が飽和状態になるのを防止できる、また、これにより、ＮＯｘ浄化触媒の下流側のＮＯｘ量の増加を抑制することができる。

　本実施形態では、例えば、ＬＡＦセンサ３４により検出手段が構成され、ＥＣＵ９により、第１推定値算出手段、第２推定値算出手段、適応入力算出手段、及びコントローラが構成される。

　具体的には、例えば、ＮＯｘ量推定値算出部９１１及び還元剤量推定値算出部９１５により第１推定値算出手段が構成され、ＬＡＦセンサ出力推定値算出部９１２により第２推定値算出手段が構成され、非線形適応修正器９１３により適応入力算出手段が構成される。また、例えば、ＮＯｘ吸着／吸蔵量推定部９２、及びリッチモードコントローラ９３により、コントローラが構成される。

　なお本発明は上述した実施形態に限るものではなく、種々の変形が可能である。

　例えば、上記実施形態では、ニューラルネットワークとして、図６に示すような階層型のパーセプトロンを用いたが、これに限らない。ニューラルネットワーク構造としては、この他、網目状のボルツマンマシン、出力の過去値を入力として用いるリカレント型ニューラルネットワーク、入力に各データの時系列データを用いるカオス型ニューラルネットワーク、多くの階層やニューロンを用いずに高精度の推定が可能な自己組織化マップ（ＳＯＭ）、並びに、ＲＢＦニューラルネットワークを用いてもよい。

　上記実施形態では、非線形適応修正器により、推定誤差及び参照パラメータに応じた適応入力を算出した（上述の図８～図１１参照）が、これに限らない。例えば、スライディングモード制御、バックステッピング制御、ＰＩＤ制御、及び最適制御アルゴリズムなどの既知のフィードバックアルゴリズムを用いて適応入力を算出することも効果的である。

　上記実施形態の非線形適応修正器では、２つの参照パラメータ（エンジン回転数、燃料噴射量）を基底とした２次元の空間に重み関数を定義し、この重み関数を用いて適応入力Ｕ_ＶＮＳを算出したが、これに限らない。すなわち、重み関数を定義する空間の次元数、及び、参照パラメータとして用いる物理量の種類は、上記実施形態に示した例に限らない。空間の次元数は、例えば、１次元又は３次元以上であってもよい。また、参照パラメータとして用いる物理量には、例えば、吸気圧力Ｐ２、排気圧力Ｐ３，Ｐ３Ｌ、及びＥＧＲバルブリフト量Ｌ_ＬＰ，Ｌ_ＨＰなどを用いてもよい。

　上記実施形態の非線形適応修正器では、スライディングモード制御アルゴリズムを用いて領域ごとの局所適応入力Ｕ_ｉｊを算出した（上記式（２６）～（３０）参照）が、これに限らない。例えば、バックステッピング制御、ＰＩＤ制御、及び最適制御アルゴリズムなどの既知のフィードバックアルゴリズムを用いて領域ごとの局所適応入力Ｕ_ｉｊを算出してもよい。

　上記第１実施形態では、Ｉｎｅｒｔ－ＥＧＲ量を推定したが、これに限らない。全体のＥＧＲ量のうち不活性分を示すＩｎｅｒｔ－ＥＧＲ量だけでなく、全体のＥＧＲ量もセンサを用いて検出することが難しい物理量である。このため、ＥＧＲ量を適応バーチャルセンサシステムにより推定し、この推定に基づいて各ＥＧＲ弁の操作量を決定することも効果的である。

　上記第２実施形態の適応バーチャルセンサシステムでは、排気のＮＯｘに対するＮＯ２の比率に応じて選択還元触媒におけるＮＯｘ浄化率が変化することを考慮して、選択還元触媒に流入する排気のうち選択還元触媒で浄化可能なＮＯｘ量の推定値をＮＯＸ_ＨＡＴとして算出したが、これに限らない。すなわち、ＮＯｘに対するＮＯ２の比率による影響を、ニューラルネットワークの出力の段階で考慮したが、これに限らない。
　例えば、排気中のＮＯｘ量の推定値を算出するニューラルネットワークと、同じ排気中のＮＯ２量の推定値を算出するニューラルネットワークとの２つを準備し、これらの出力に基づいて、ユリア噴射量Ｇ_ＵＲＥＡを決定する段階において、ＮＯｘに対するＮＯ２の比率による影響を考慮してもよい。

　上記第２実施形態では、アンモニアを還元剤とし、かつ、この還元剤の元となる添加剤として尿素水を供給する尿素添加式の排気浄化システムに、本発明を適用した例を示したが、これに限るものではない。
　例えば、尿素水を供給しこの尿素水からアンモニアを生成せずに、直接アンモニアを供給してもよい。また、アンモニアの元となる添加剤としては、尿素水に限らず他の添加剤を用いてもよい。また、ＮＯｘを還元するための還元剤はアンモニアに限るものではない。本発明は、ＮＯｘを還元するための還元剤として、アンモニアの代わりに、例えば炭化水素を用いた排気浄化システムに適用することもできる。

Claims

　プラントの制御装置であって、
　前記プラントの状態を示す複数の物理量のうちの少なくとも１つである第１物理量の推定値を、複数の入力に基づき所定のアルゴリズムにより算出する第１推定値算出手段と、
　前記第１物理量と相関のある第２物理量の推定値を、複数の入力に基づき所定のアルゴリズムにより算出する第２推定値算出手段と、
　前記第２物理量を検出する検出手段と、
　前記検出手段により検出された第２物理量の検出値と前記第２推定値算出手段により算出された第２物理量の推定値との偏差が最小になるように、前記第１推定値算出手段及び前記第２推定値算出手段に入力される適応入力を算出する適応入力算出手段と、を備え、
　前記第１物理量の推定値に基づいて、前記プラントの所定の制御量を制御することを特徴とするプラントの制御装置。
　前記第１推定値算出手段のアルゴリズム及び前記第２推定値算出手段のアルゴリズムは、それぞれ、所定の関数に従って出力する複数のニューロンを結合して構成されたニューラルネットワークであることを特徴とする請求項１に記載のプラントの制御装置。
　前記第１推定値算出手段への複数の入力、及び、前記第２推定値算出手段への複数の入力には、それぞれ、複数の異なる時刻の物理量に関するデータが含まれることを特徴とする請求項２に記載のプラントの制御装置。
　前記適応入力算出手段は、
　前記第１推定値算出手段への複数の入力、及び、前記第２推定値算出手段への複数の入力のうちの少なくとも１つを参照パラメータとし、当該参照パラメータを基底とする空間に、互いに重複する複数の領域を定義するとともに、各領域にそれぞれ「０」でない値を持つ正規化された複数の重み関数を設定する重み関数設定手段と、
　前記重み関数の値と前記偏差との積が最小になるように、前記領域ごとに修正値（Ｕ_ｉｊ）を算出する修正値算出手段と、
　前記重み関数の値と前記修正値との積の全領域に亘る総和に基づいて適応入力を決定する決定手段と、を備えることを特徴とする請求項１から３の何れかに記載のプラントの制御装置。
　前記プラントは、
　内燃機関の排気系を流通する排気の一部を、前記内燃機関の吸気系に還流する排気還流装置を備えた内燃機関の排気浄化システムであり、
　前記プラントの第１物理量は、前記排気還流装置により前記内燃機関に還流される排気に関するパラメータを含むことを特徴とする請求項１から４の何れかに記載のプラントの制御装置。
　前記排気還流装置は、排気系を流通する排気の一部を吸気系に還流する排気還流通路と、当該排気還流通路に設けられた排気還流制御弁とを備え、
　前記制御装置は、前記還流される排気に関するパラメータの推定値が所定の目標値に一致するように、前記排気還流制御弁の操作量を決定するコントローラをさらに備えることを特徴とする請求項５に記載のプラントの制御装置。
　前記プラントは、
　内燃機関の排気系に設けられ、還元剤の存在下で前記排気系を流通するＮＯｘを還元する選択還元触媒と、
　前記排気系のうち前記選択還元触媒の上流側に、還元剤又は還元剤の元となる添加剤を供給する還元剤供給手段と、を備える内燃機関の排気浄化システムであり、
　前記プラントの第１物理量は、前記選択還元触媒に流入する排気中のＮＯｘに関するパラメータを含むことを特徴とする請求項１から４の何れかに記載のプラントの制御装置。
　前記排気中のＮＯｘに関するパラメータの推定値に基づいて、前記還元剤供給手段による還元剤又は添加剤の供給量を決定するコントローラをさらに備えることを特徴とする請求項７に記載のプラントの制御装置。
　前記プラントは、
　内燃機関の排気系に設けられ、前記内燃機関で燃焼する混合気を理論空燃比よりもリーンにしたときに排気中のＮＯｘを吸着又は吸蔵し、還元雰囲気下で前記吸着又は吸蔵したＮＯｘを還元するＮＯｘ浄化触媒と、
　前記ＮＯｘ浄化触媒に流入する排気を還元雰囲気にする還元制御処理を実行する還元化手段と、を備える内燃機関の排気浄化システムであり、
　前記プラントの第１物理量は、前記ＮＯｘ浄化触媒に流入する排気中のＮＯｘに関するパラメータ、及び、前記ＮＯｘ浄化触媒に流入する排気中の還元成分に関するパラメータを含むことを特徴とする請求項１から４の何れかに記載の制御装置。
　前記ＮＯｘに関するパラメータ及び前記還元成分に関するパラメータの推定値に基づいて、前記還元制御処理の実行を指令するコントローラをさらに備えることを特徴とする請求項９に記載の制御装置。
　前記第２物理量は、前記排気系を流通する排気の空燃比であることを特徴とする請求項５から１０の何れかに記載のプラントの制御装置。