JP2004239233A - Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine - Google Patents

Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine Download PDF

Info

Publication number
JP2004239233A
JP2004239233A JP2003031915A JP2003031915A JP2004239233A JP 2004239233 A JP2004239233 A JP 2004239233A JP 2003031915 A JP2003031915 A JP 2003031915A JP 2003031915 A JP2003031915 A JP 2003031915A JP 2004239233 A JP2004239233 A JP 2004239233A
Authority
JP
Japan
Prior art keywords
air
cylinder
fuel ratio
exhaust
internal combustion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2003031915A
Other languages
Japanese (ja)
Inventor
Yukio Kuroda
幸男 黒田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2003031915A priority Critical patent/JP2004239233A/en
Publication of JP2004239233A publication Critical patent/JP2004239233A/en
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
    • F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
    • F02D41/1454—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio
    • F02D41/1458—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio with determination means using an estimation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/008—Controlling each cylinder individually

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To highly-precisely estimate an air-fuel ratio or exhaust gas ratio for each individual cylinder while driving. <P>SOLUTION: The exhaust gas ratio for each individual cylinder of an engine is estimated with an hourglass-shaped neural network. With the hourglass-shaped neural network, an exhaust gas ratio Rt14 between the first cylinder and the forth cylinder can be obtained by inputting a detected value CPAF14 of an air-fuel ratio sensor provided on an exhaust collecting section, the air-fuel ratios AF1 and AF4, and a crank angle CA, and implementing learning so that a final-stage output may become the detected value CPAF14 of the air-fuel sensor. Thus, any actually measured value of the exhaust gas ratio is not required for the learning (teacher signal). <P>COPYRIGHT: (C)2004,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明は、複数の気筒を有する内燃機関における気筒別の空燃比を推定する技術と、各気筒の排気割合を推定する技術に関する。
【０００２】
【従来の技術】
従来より、複数気筒を有する内燃機関において、複数の気筒からの排気を１または複数の集合部で集めて排出する排気系を備えるものがある。この集合部に空燃比センサを設けることで、気筒数より少ない数の空燃比センサで済ませることができるが、この場合には一つの空燃比センサの検出値から、気筒別の空燃比を推定する必要がある。この要求を満たすものとして、空燃比センサの検出値を入力とするニューラルネットワークを用いて、複数気筒の気筒別空燃比を推定する装置が提案されている（例えば、特許文献１を参照）。
【０００３】
【特許文献１】
特開平１０−２５２５３６号
【０００４】
ニューラルネットワークでは、学習（教師信号）に、各気筒の排気割合の実測値が必要である。ここでいう排気割合とは、空燃比センサが設けられている上記集合部において、各気筒からの排気量がどのような比率になっているかを示すものである。排気割合が絶えず変化するのは、気筒毎に点火のタイミングがずらしてあるためであり、これが空燃比センサの実測値にかかわる。そこで、特許文献１では、実車装着前に、各気筒の排気ポートに空燃比センサを取り付けて空燃比を実際に検出して、学習を行なうことにより、ネットワークの適切な結合強度を決めていた。
【０００５】
【発明が解決しようとする課題】
しかしながら、上述した従来の技術では、実車に装着した状態では、学習を行なうことができないことから、様々な走りや経年変化に対応できず、推定精度が低いという問題があった。
【０００６】
本発明は、上述した問題に鑑みてなされたもので、走行時における気筒別空燃比を高精度に推定可能とすることを目的とする。
【０００７】
【課題を解決するための手段およびその作用・効果】
前述した課題の少なくとも少なくとも一部を解決するための手段としては、以下に示す構成をとった。
【０００８】
本発明の内燃機関の気筒別空燃比推定装置は、
複数の気筒を有する内燃機関と、
前記複数の気筒からの排気を１または複数の集合部で集めて排出する排気手段と、
前記排気手段の集合部に設けられた空燃比センサと、
前記空燃比センサの検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が前記空燃比センサの検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する排気割合推定手段と、
該推定された排気割合に基づいて、前記気筒別の空燃比を演算する空燃比演算手段と
を備えることを要旨としている。
【０００９】
上記構成の内燃機関の気筒別空燃比推定装置では、学習（教師信号）に排気割合の実測値を必要としない。必要な入力信号は、排気の集合部に設けた空燃比センサの実測値と、その他の内燃機関の運転パラメータであることから、実車に装着した状態で学習を行なうことができる。このために、様々な走りや経年変化に対応することができることから、気筒別の空燃比の推定精度が高いという効果を奏する。
【００１０】
前記空燃比演算手段は、前記気筒別の空燃比の演算を、前記排気割合推定手段により推定された排気割合に加えて前記空燃比センサの検出値を用いて行なう構成としてもよい。この構成によれば、気筒別の空燃比を容易に演算することができる。
【００１１】
上記構成の内燃機関の気筒別空燃比推定装置において、前記内燃機関の吸入空気量を検出する吸入空気量検出手段と、該検出された吸入空気量と、前記燃料噴射弁からの気筒毎の燃料噴射量とに基づいて、気筒別の入力用空燃比を、前記運転パラメータの一つとして演算する入力用空燃比演算手段とを備える構成としてもよい。
【００１２】
この構成によれば、吸入空気量と気筒毎の燃料噴射量とから求まる入力用空燃比を考慮に入れた、砂時計型のニューラルネットワークによる学習を行なうことができる。
【００１３】
上記構成の内燃機関の気筒別空燃比推定装置において、内燃機関に連結されるクランク軸のクランク角度を、前記運転パラメータの一つとして検出するクランク角検出手段を備える構成としてもよい。
【００１４】
気筒毎の排気割合は、それぞれの気筒の排気上死点のタイミングが大きく関わる。例えば、第１気筒の排気上死点以降、排気集合部ではしばらくの間、第１気筒の排気が支配的となるとなるように、クランク角度によって排気割合が大きく変化する。上記構成ではクランク角度を考慮に入れた、砂時計型のニューラルネットワークによる学習を行なうことができることから、推定精度をより高めることができる。
【００１５】
本発明の内燃機関の気筒別空燃比推定方法は、
複数の気筒を有し、前記複数の気筒からの排気を１または複数の集合部で集めて排出する内燃機関システムにあって、気筒別の空燃比を推定する内燃機関の気筒別空燃比推定方法において、
（ａ）前記排気手段の集合部における空燃比を検出する工程と、
（ｂ）前記工程（ａ）による検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が工程（ａ）による検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する工程と、
（ｃ）該推定された排気割合に基づいて、前記気筒別の空燃比を演算する工程とを備えることを要旨としている。
【００１６】
上記構成の内燃機関の気筒別空燃比推定方法は、本発明の内燃機関の気筒別空燃比推定装置と同様な作用・効果を有しており、様々な走りや経年変化に対応することができ、気筒別の空燃比の推定精度が高い。
【００１７】
本発明の内燃機関の気筒排気割合推定装置は、
複数の気筒を有する内燃機関と、
前記複数の気筒からの排気を１または複数の集合部で集めて排出する排気手段と、
前記排気手段の集合部に設けられた空燃比センサと、
前記空燃比センサの検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が前記空燃比センサの検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する排気割合推定手段と、
を備えることを要旨としている。
【００１８】
上記構成の内燃機関の気筒排気割合推定装置では、学習（教師信号）に排気割合の実測値を必要としない。必要な入力信号は、排気の集合部に設けた空燃比センサの実測値と、その他の内燃機関の運転パラメータであることから、実車に装着した状態で学習を行なうことができる。このために、様々な走りや経年変化に対応することができることから、排気割合の推定精度が高いという効果を奏する。
【００１９】
本発明の内燃機関の気筒排気割合推定方法は、
複数の気筒を有し、前記複数の気筒からの排気を１または複数の集合部で集めて排出する内燃機関システムにあって、前記集合部での排気割合を推定する内燃機関の気筒排気割合推定方法において、
（ａ）前記排気手段の集合部における空燃比を検出する工程と、
（ｂ）前記工程（ａ）による検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が工程（ａ）による検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する工程と、
を備えることを要旨としている。
【００２０】
上記構成の内燃機関の気筒排気割合推定方法は、本発明の内燃機関の気筒排気割合推定装置と同様な作用・効果を有しており、様々な走りや経年変化に対応することができ、排気割合の推定精度が高い。
【００２１】
【発明の実施の形態】
次に、本発明の実施の形態を実施例に基づいて以下の順序で説明する。
Ａ．全体の構成：
Ｂ．砂時計型ニューラルネットワーク：
Ｃ．制御処理：
Ｄ．作用・効果：
Ｅ．他の実施形態：
【００２２】
Ａ．全体の構成：
図１は、本発明の一実施例における気筒別空燃比の推定装置を搭載するエンジンシステムの要部構成図である。このエンジンシステムの主要部であるエンジン１０は、４気筒のガソリンエンジンである。図示するように、エンジン１０の吸気側には、吸気マニホールド２０が接続されている、吸気マニホールド２０には、吸気通路２２が連通されている。吸気通路２２を介して吸入される吸入空気は、吸気マニホールド２０の枝分かれした各パイプ部分にそれぞれ設けられた燃料噴射弁３０から噴射される燃料と混合されて、エンジン１０の各気筒の燃焼室内に吸入される。この燃料混合気は、燃焼室内で点火プラグ（図示せず）によって火花点火され、エンジン１０を駆動させる。燃焼室内で燃焼したガス（排ガス）は、排気マニホールド（排気管）４０、排気通路４２を介して排出される。
【００２３】
排気マニホールド４０は、いわゆるデュアル型のもので、エンジン１０の第１気筒と第４気筒の組と、第２気筒と第３気筒の組との間を仕切り版で分離して、吸気の干渉が起こりにくい構成となっている。第１気筒と第２気筒の組の集合部には、第１の空燃比センサ５０が、第２気筒と第３気筒の組の集合部には、第２の空燃比センサ５２が設けられている。
【００２４】
上記燃料噴射弁３０からの燃料噴射量（燃料噴射時間）や、点火プラグによる点火時期は、電子制御ユニット（以下、ＥＣＵと呼ぶ）６０によって制御される。また、ＥＣＵ６０には、エンジン１０の運転状態を示す運転パラメータを検出する各種のセンサが接続されている。図示したセンサとしては、吸気通路２２への吸入空気量を検出するエアフロメータ５４と、エンジン１０に連結されるクランク軸のクランク角度を検出するクランク角センサ５６と、上記２つの空燃比センサ５０，５２がある。第１または第２の空燃比センサ５０，５２は、排ガス中の空燃比を検出する空燃比センサである。
【００２５】
ＥＣＵ６０は、上記の各種センサの検出信号を基に、燃料噴射制御や点火時期制御等を行なう。なお、ＥＣＵ６０は、ＣＰＵ、ＲＯＭ、ＲＡＭ等を備える所謂マイクロコンピュータによって構成される。上記各種の制御は、ＲＯＭに格納されたコンピュータプログラムに従って、ＣＰＵによって実行される。
【００２６】
ＥＣＵ６０は、上述したように燃料噴射制御を行なうが、この燃料噴射制御を行なうに当たり空燃比補正係数ＦＡＦを演算しなければならない。この空燃比補正係数ＦＡＦは、エンジン１０に供給される燃料混合気の気筒別の空燃比に基づいて定まるが、この気筒別の空燃比は、このエンジンシステムでは各気筒に対応する空燃比センサを持っていないから、排気マニホールド４０の集合部に設けられた２つの空燃比センサ５０，５２から推定する必要がある。この推定を行なうのが、ＥＣＵ６０により実現される気筒別空燃比推定部６２である。
【００２７】
実際には、ＥＣＵ６０は、ＣＰＵによって、ＲＯＭに格納されたコンピュータプログラム（以下、気筒別空燃比推定プログラムと呼ぶ）を実行することにより、気筒別空燃比推定部６２を機能的に実現している。気筒別空燃比推定部６２は、排気割合推定部６２ａと空燃比演算部６２ｂとを備える。排気割合推定部６２ａは、第１の空燃比センサ５０、エアフロメータ５４、クランク角センサ５６の各検出値を入力とし、最終層の出力が第１の空燃比センサ５０の検出値と同じ値となるように学習を行なう砂時計型ニューラルネットワークを用いて、排気割合Ｒｔ１４を推定する。ここでは、排気割合Ｒｔ１４とは、前記第１の空燃比センサ５０が設けられた排気マニホールド４０の集合部において、第１気筒、第４気筒からの排気量がどのような比率になっているかを示すものである。
【００２８】
この排気割合推定部６２ａは、２つの砂時計型のニューラルネットワークを用いており、一方側は上述したもので、他方側は、第２の空燃比センサ５２、エアフロメータ５４、クランク角センサ５６の各検出値を入力とし、最終層の出力が第２の空燃比センサ５２の検出値と同じ値となるように学習を行ない、排気割合Ｒｔ２３を推定するものである。ここでは、排気割合Ｒｔ２３とは、第２の空燃比センサ５２が設けられた排気マニホールド４０の集合部において、第２気筒、第３気筒からの排気量がどのような比率になっているかを示すものである。
【００２９】
空燃比演算部６２ｂは、排気割合推定部６２ａにより推定された排気割合と第１または第２の空燃比センサ５０，５２に基づいて、気筒別の空燃比を演算する。
【００３０】
Ｂ．砂時計型ニューラルネットワーク：
図２は、排気割合推定部６２ａで用いられる砂時計型ニューラルネットワークの基本的な構成を示す説明図である。この砂時計型ニューラルネットワーク（以下、砂時計型ＮＮと呼ぶ）は、排気割合Ｒｔ１４を推定する側のものである。図示するように、入力及び出力の双方に第１の空燃比センサ５０の検出信号ＣＰＡＦ１４が供給される。また、入力として、第１気筒と第４気筒の入力用空燃比ＡＦ１，ＡＦ４が供給される。第１気筒の入力用空燃比ＡＦ１は、エアフロメータ５４で検出された吸入空気量Ｇａを、第１気筒への燃料噴射量Ｔａｕ１で割った値であり、第４気筒の入力用空燃比ＡＦ４は、上記吸入空気量Ｇａを、第４気筒への燃料噴射量Ｔａｕ４で割った値である。第３層にも、第１気筒の入力用空燃比ＡＦ１と第４気筒の入力用空燃比ＡＦ１が入力されている。
【００３１】
砂時計型ＮＮでは、上記ＣＰＡＦ１４，ＡＦ１，ＡＦ４を入力として、最終層（第５層）の出力値が第１の空燃比センサ５０の検出信号ＣＰＡＦ１４と同じ値となるように教師信号を与え、誤差逆伝搬法による学習を行なう。この学習が終了したとき、中間層（第３層）の１番目のユニット内に、入力情報である第１の空燃比センサ５０の検出信号ＣＰＡＦ１４の特徴が出現する。ＣＰＡＦ１４は、空燃比センサ５０に送られてくる第１気筒からの排気量と第４気筒からの排気量との比率によって変わることから、上記特徴としてその比率を示す排気割合Ｒｔ１４が出現する。すなわち、ニューラルネットワークの内部表現として排気割合Ｒｔ１４を表わさせるために中間層に属するニューロン数が他の中間層より少ないいわゆる砂時計型のニューラルネットワークが構築されている。
【００３２】
砂時計型ＮＮについて、理解を深めるためにさらに説明する。砂時計型ＮＮは、従来、通信の分野において情報の圧縮・復元等に応用されており、また、近年人間の感覚を研究する際にも応用がなされている。例えば、「福村直博、宇野洋二、鈴木良次、川人光男：“把持対象の形状を認識し、手の形を決定する神経回路モデル”、信学技報、ＮＣ９０−１０４（１９９１−０３）」、「宇野洋二、岩田 伸、半場 滋、鈴木良次：“把持対象の重さの内部表現を獲得する神経回路モデル”、信学論（Ｄ−２）、Ｊ７６−Ｄ−２、３、ｐｐ、６６３−６７１（１９９３−０３）」等に、砂時計型ＮＮについての記載がある。また、本願発明者が、特許公報第３３１０４９８号にも記載している。
【００３３】
図２から理解されるように、この砂時計型ＮＮは、三層構造の情報圧縮ＮＮと、情報復元ＮＮとを対称形に結合した構成をなしている。そして、入力・出力は共に第１の空燃比センサ５０の検出信号ＣＰＡＦ１４である。この砂時計型ＮＮの学習は、このＮＮの出力信号と、教師信号の誤差の２乗和を最小にするように、この誤差信号を出力から入力側に逆伝搬（バックプロパゲーション）させて、ＮＮの第１層と第２層との間、及び第２層と第３層との間、さらには第３層及び第４層、第４層と第５層との間のシナプス結合の結合荷重（ウエイト）を変化させることによって行われる。
【００３４】
この砂時計型ＮＮにおいて特徴的なことは、このＮＮの学習に用いられる入力信号と教師信号とが共に第１の空燃比センサ５０の検出信号ＣＰＡＦ１４であることである。このように、教師信号と、入力信号とに共に検出信号ＣＰＡＦ１４を与えて学習させることにより、中間層に、第１の空燃比センサ５０の検出信号ＣＰＡＦ１４の特徴である排気割合Ｒｔ１４に対応したニューロンが形成されるのである。すなわち、このＮＮの中間層に排気割合Ｒｔ１４に対応する内部表現の獲得がなされる。
【００３５】
排気割合推定部６２ａで用いられる他方側、すなわち、排気割合Ｒｔ２３を推定する側の砂時計型ＮＮは、上記第２図の構成を、第１気筒に関わるものは第２気筒に、第４気筒に関わるもの第３気筒に変えたもので、考え方は同様のものである。すなわち、第２の空燃比センサ５２の検出信号ＣＰＡＦ２３が入力及び出力の双方に供給される。また、入力として、第２気筒と第３気筒の入力用空燃比ＡＦ２，ＡＦ３が供給される。そうして、最終層の出力値が第２の空燃比センサ５２の検出信号ＣＰＡＦ２３となるように誤差逆伝搬法による学習を行なう。この学習が終了したとき、中間層（第３層）の１番目のユニット内に、入力情報である第２の空燃比センサ５２の検出信号ＣＰＡＦ２３の特徴である上記排気割合Ｒｔ２３が出現する。すなわち、ニューラルネットワークの内部表現として排気割合Ｒｔ２３を表わさせるために中間層に属するニューロン数が他の中間層より少ないいわゆる砂時計型のニューラルネットワークが構築されている。
【００３６】
図２で示した砂時計型ＮＮは、前述したように基本的な構成であり、実際は次の通りである。図３は、排気割合推定部６２ａで用いられる砂時計型ニューラルネットワークの実用的な構成を示す説明図である。各気筒からの排気割合は、それぞれの気筒の排気上死点のタイミングが大きく関わる。例えば、第１気筒の排気上死点以降、第１の空燃比センサ５０の取り付け部である排気集合部ではしばらくの間、第１気筒の排気が支配的となるとなるように、クランク角によって排気割合が大きく変化する。
【００３７】
このために、図３に示した砂時計型ＮＮでは、入力として、図２に示した第１気筒と第４気筒の入力用空燃比ＡＦ１、ＡＦ４に加えて、クランク角センサ５６の検出値ＣＡも供給する構成としている。なお、図示するように、第３層にも、クランク角センサ５６の検出値ＣＡが入力されている。
【００３８】
なお、他方側、すなわち、第２気筒と第３気筒との間の排気割合を推定する側の砂時計型ＮＮについても、同様に、入力として、クランク角センサ５６の検出値ＣＡも供給する構成となっている。両砂時計型ＮＮは、ソフトウェアモジュールの形で、ＲＯＭに予め格納されている。
【００３９】
Ｃ．制御処理：
ＥＣＵ６０にて実行される気筒別空燃比推定プログラムについて、次に説明する。図４〜図５は、ＥＣＵ６０のＣＰＵにて実行される気筒別空燃比推定プログラムの処理ルーチンを示すフローチャートである。ここに示しているのは、第１の空燃比センサ５０の検出値ＣＰＡＦ１４を利用して第１気筒と第４気筒の気筒別の空燃比ＡＦ１＊，ＡＦ４＊を求めるルーチンであり、第２気筒と第３気筒の気筒別の空燃比ＡＦ２＊，ＡＦ３＊を求めるルーチンについては、第１気筒と第４気筒の気筒別の空燃比ＡＦ１＊，ＡＦ４＊を求めるルーチンと似通っているので説明を省略する。この処理ルーチンは所定時間毎に繰り返し実行される。
【００４０】
図示するように、ＥＣＵ６０のＣＰＵは、処理が開始されると、まず、第１の空燃比センサ５０の検出信号（検出値）ＣＰＡＦ１４を取り込み（ステップＳ１００）、エアフロメータ５４で検出された吸入空気量Ｇａを取り込み（ステップＳ１１０）、クランク角センサ５６で検出されたクランク角度ＣＡを取り込む（ステップＳ１２０）。次いで、ＣＰＵは、第１気筒と第４気筒の入力用空燃比ＡＦ１，ＡＦ４を算出する処理を行なう（ステップＳ１３０）。詳細には、別ルーチンである燃料噴射量演算ルーチンから第１気筒と第４気筒用の燃料噴射量Ｔａｕ１，Ｔａｕ４を読み出して、ステップＳ１１０で取り込んだ吸入空気量Ｇａを、第１気筒への燃料噴射量Ｔａｕ１で除算して、第１気筒の入力用空燃比ＡＦ１を求め、また、吸入空気量Ｇａを、第４気筒への燃料噴射量Ｔａｕ４で除算して、第２気筒の入力用空燃比ＡＦ２を求める。
【００４１】
続いて、ＣＰＵは、砂時計型ニューラルネットワークを用いて第１気筒と第４気筒との間の排気割合Ｒｔ１４を推定する処理を行なう（ステップＳ１４０）。詳細には、ＥＣＵ６０のＲＯＭに予め格納された前述した砂時計型ＮＮ（図３で示されたもの）を構成するソフトウェアモジュールに、ステップＳ１００ないしＳ１２０で得られた検出信号（排気集合部の空燃比）ＣＰＡＦ１４、クランク角度ＣＡと、入力用空燃比ＡＦ１，ＡＦ４とを入力して、その後、ソフトウェアモジュールから出力される排気割合Ｒｔ１４を得る。この排気割合Ｒｔ１４としては、具体的には、例えば０．６２という０から１までの値が出力される。０．６２の場合には、第１気筒からの排気量が６２％であり、第４気筒からの排気量が３８％である。なお、前回このステップＳ１３０を実行したときに得られた排気割合Ｒｔ１４は、ＸＲｔ１４として一旦保存しておく。このステップＳ１４０の処理が、排気割合推定部６２ａ（図１）に対応する。
【００４２】
その後、ＣＰＵは、ステップＳ１００で取り込んだ集合部の空燃比ＣＰＡＦ１４とステップＳ１４０で求まった排気割合Ｒｔ１４とに基づいて、第１気筒の推定空燃比ＡＦ１＊と第４気筒の推定空燃比ＡＦ４＊とを算出する（ステップＳ１５０）。例えば、排気割合Ｒｔ１４から第１気筒の排気割合が６２％、第４気筒の排気割合が３８％と定まったとき、次式（１）の関係が成り立つ。ＣＰＡＦ１４は実測値であることから、式（１）は単純な２次方程式となり、ステップＳ１５０を前回行なったときに得られた式と今回行なった式とから、推定空燃比ＡＦ１＊，ＡＦ４＊とを求めることができる。このステップＳ１５０の処理が、空燃比演算部６２ｂ（図１）に対応する。
【００４３】
０．６２ × ＡＦ１＊ ＋ ０．３８ × ＡＦ４＊ ＝ ＣＰＡＦ１４ …（１）
【００４４】
ステップＳ１５０の実行後、ＣＰＵは、ステップＳ１５０で算出された推定空燃比ＡＦ１＊，ＡＦ４＊が、目標空燃比（例えば、ストイキ）からかけ離れていないかを判別する（ステップＳ１６０）。詳細には、第１気筒の推定空燃比ＡＦ１＊と目標空燃比との差が所定の範囲内に収まっており、かつ第４気筒の推定空燃比ＡＦ４＊と目標空燃比との差が所定の範囲内に収まっているかを判別する。ここで肯定判別された場合には、ステップＳ１７０に処理を進める。一方、ステップＳ１６０で否定判別、すなわち。少なくとも一方の差が所定の範囲内を越えた場合には、ステップＳ１００に処理を戻して、砂時計型ＮＮの再学習を行なう。
【００４５】
ステップＳ１７０では、ＣＰＵは、ステップＳ１５０で算出された推定空燃比ＡＦ１＊，ＡＦ４＊を、燃料噴射制御ルーチンに提供して、燃料噴射制御ルーチンによる各気筒の燃料噴射量の修整を行なう。その後、ＣＰＵは、所定期間待機して実際に第１気筒、第４気筒への燃料噴射が行なわれるのを待って、第１の空燃比センサ５０の検出値ＣＰＡＦ１４を取り込む（ステップＳ１８０）。
【００４６】
続いて、ＣＰＵは、ステップＳ１８０で取り込んだ検出値ＣＰＡＦ１４が、前回取り込んだ検出値（ステップＳ１００で取り込んだ検出値）よりも目標空燃比（例えば、ストイキ）の側に移行しているか否かを判別する（ステップＳ１９０）。ここで、移行していると判別された場合には、「リターン」に抜けてこの処理ルーチンを一旦終了する。
【００４７】
一方、ステップＳ１９０で、検出値ＣＰＡＦ１４が目標空燃比側に移行していないと判別された場合には、ステップＳ１４０で推定した排気割合Ｒｔ１４に誤りがあるとして、処理をステップＳ２００に進める。ステップＳ１７０で推定空燃比ＡＦ４＊，ＡＦ４＊に基づく燃料噴射量の修正を行なったにも拘わらず、空燃比の検出値ＣＰＡＦ１４が目標空燃比側に移行しないということは、推定空燃比ＡＦ４＊，ＡＦ４＊、ひいてはステップＳ１４０で推定した排気割合Ｒｔ１４に誤りがあると考えられるからである。
【００４８】
ステップＳ２００では、ステップＳ１４０で推定した排気割合Ｒｔ１４を、一旦保存した前回の排気割合のＸＲｔ１４に置き換える。その後、ステップＳ１５０に処理を戻して、前回の排気割合に基づいて推定空燃比ＡＦ１＊，ＡＦ４＊とを算出し、その後の処理を繰り返し実行する。
【００４９】
Ｃ．作用・効果：
以上のように構成されたエンジンシステムでは、エンジン１０の排気集合部での排気割合を、砂時計型のニューラルネットワークを用いて推定する。砂時計型のニューラルネットワークによれば、排気集合部に設けた空燃比センサ５０の検出値ＣＰＡＦ１４と、入力用空燃比ＡＦ１、ＡＦ４と、クランク角度ＣＡを入力とし、最終層の出力が空燃比センサ５０の検出値ＣＰＡＦ１４と同じ値となるように学習を行なうことで、中間層に検出値ＣＰＡＦ１４の特徴である前記排気集合部での排気割合Ｒｔ１４を得ることができる。このために、学習（教師信号）に排気割合の実測値を必要としない。必要な入力信号は、排気の集合部に設けた空燃比センサ５０の実測値と、その他の内燃機関の運転パラメータであることから、実車に装着した状態で学習を行なうことができる。したがって、様々な走りや経年変化に対応することができることから、気筒別の空燃比の推定精度が高いという効果を奏する。
【００５０】
Ｄ．他の実施形態：
なお、本発明は上記の実施例や実施形態に限られるものではなく、その要旨を逸脱しない範囲において種々の態様において実施することが可能であり、例えば次のような変形も可能である。
【００５１】
（１）上述した実施例では、砂時計型ニューラルネットワークを用いて推定した排気割合Ｒｔ１４と、排気集合部に設けた空燃比センサ５０の検出値ＣＰＡＦ１４とに基づいて、気筒別の推定空燃比ＡＦ１＊，ＡＦ４＊を算出していたが、これに替えて、排気割合Ｒｔ１４と、エアフロメータ５４で検出された吸入空気量Ｇａと、第１気筒、第４気筒への燃料噴射量Ｔａｕ１、Ｔａｕ４に基づいて、気筒別の推定空燃比ＡＦ１＊，ＡＦ４＊を算出する構成としてもよい。
【００５２】
（２）上述した実施例では、砂時計型ニューラルネットワークにおいて、排気集合部に設けた空燃比センサ５０の検出値ＣＰＡＦ１４と、入力用空燃比ＡＦ１、ＡＦ４と、クランク角度ＣＡを入力としていたが、これに替えて、クランク角度ＣＡの入力を除いた構成とすることもできる。すなわち、図２で説明した基本的な構成とすることもできる。
【００５３】
（３）上述した実施例では、砂時計型ニューラルネットワークにおいて、排気集合部に設けた空燃比センサ５０の検出値ＣＰＡＦ１４に加えて、入力用空燃比ＡＦ１、ＡＦ４を入力としていたが、この入力用空燃比ＡＦ１、ＡＦ４に替えて、吸入空気量Ｇａ、第１気筒、第４気筒への燃料噴射量Ｔａｕ１、Ｔａｕ４等を入力とした構成とすることもできる。
【００５４】
（４）排気割合Ｒｔ１４は、実際にはエンジン１０の運転状態により多少なりとも変化する。このために、特定の運転状態（例えばアイドリング時）のときには、上述した実施例が極めて有効に働く。しかしながら、全ての運転状態に有効に働かそうとした場合には、さらに多くの種類の運転パラメータを用いた方が推定精度が高くなる。図６は、他の実施形態の一例としての砂時計型ニューラルネットワークを示す説明図である。図示するように、上述した実施例で入力としたＣＰＡＦ１４、ＡＦ１、ＡＦ４ＣＡに加えて、回転速度センサにより検出されたエンジン回転速度Ｎｅと、エンジン負荷Ｐｍ（またはバキュームセンサで検出された吸入空気圧）と、水温センサにより検出された機関温度Ｔｈｗとを入力とした砂時計型ニューラルネットワークの構成とすることができる。
【００５５】
この場合、排気割合Ｒｔ１４は、クランク角度ＣＡのみならずＮｅ、Ｐｍなどの角運転パラメータの関数となるため、中間層のＲｔ１４部の内部表現を獲得するニューロン数（図６では第３層第１番目の１個のみ）は複数個になる可能性が大きい。複数個で結合させることで、気筒数が６気筒、８気筒とより多くなったときにも対応が容易となる。
【００５６】
（５）上述した実施例のエンジンシステムは、エアフロメータ５４によって吸入空気量を直接計測する、所謂ＥＦＩ−Ｌ方式のものであるが、これに換えて、エンジンの吸気管圧力をバキュームセンサで計測して、この吸気管圧力とエンジン回転速度で間接的に吸入空気量を検出する、所謂ＥＦＩ−Ｄ方式に採用する構成とすることもできる。
【００５７】
（６）上述した実施例では、４気筒のエンジンからの排気を２気筒ずつ集約した構成であったが、これに換えて、４気筒のエンジンからの排気を４気筒まとめて１つに集約した構成として、この構成に砂時計型のニューラルネットワークを適用させて、排気集合部での排気割合、ひいては気筒別の空燃比を推定する構成としてもよい。
【図面の簡単な説明】
【図１】本発明の一実施例における気筒別空燃比の推定装置を搭載するエンジンシステムの要部構成図である。
【図２】砂時計型ニューラルネットワークの基本的な構成を示す説明図である。
【図３】砂時計型ニューラルネットワークの実用的な構成を示す説明図である。
【図４】気筒別空燃比推定プログラムの処理ルーチンの前半部分を示すフローチャートである。
【図５】気筒別空燃比推定プログラムの処理ルーチンの後半部分を示すフローチャートである。
【図６】他の実施形態の一例としての砂時計型ニューラルネットワークを示す説明図である。
【符号の説明】
１０…エンジン
２０…吸気マニホールド
２２…吸気通路
３０…燃料噴射弁
４０…排気マニホールド
４２…排気通路
５０…第１の空燃比センサ
５２…第２の空燃比センサ
５４…エアフロメータ
５６…クランク角センサ
６０…電子制御ユニット（ＥＣＵ）
６２…気筒別空燃比推定部
６２ａ…排気割合推定部
６２ｂ…空燃比演算部
ＡＦ１，ＡＦ４…入力用空燃比
ＣＡ…クランク角度
ＣＰＡＦ１４…空燃比センサの検出信号
Ｇａ…吸入空気量
Ｒｔ１４…排気割合
Ｔａｕ１…燃料噴射量
Ｔａｕ４…燃料噴射量[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a technology for estimating an air-fuel ratio for each cylinder in an internal combustion engine having a plurality of cylinders, and a technology for estimating an exhaust ratio of each cylinder.
[0002]
[Prior art]
2. Description of the Related Art Conventionally, some internal combustion engines having a plurality of cylinders include an exhaust system that collects and exhausts exhaust gas from a plurality of cylinders in one or a plurality of collecting portions. By providing an air-fuel ratio sensor in this collecting portion, it is possible to use only a smaller number of air-fuel ratio sensors than the number of cylinders. In this case, the air-fuel ratio for each cylinder is estimated from the detection value of one air-fuel ratio sensor. There is a need. As a device that satisfies this requirement, there has been proposed a device that estimates a cylinder-by-cylinder air-fuel ratio of a plurality of cylinders using a neural network that receives a detection value of an air-fuel ratio sensor (for example, see Patent Document 1).
[0003]
[Patent Document 1]
JP-A-10-252536
[0004]
In a neural network, learning (teacher signal) requires an actually measured value of the exhaust rate of each cylinder. Here, the exhaust ratio indicates the ratio of the amount of exhaust from each cylinder in the above-mentioned collecting portion provided with the air-fuel ratio sensor. The exhaust ratio constantly changes because the ignition timing is shifted for each cylinder, which is related to the actual measurement value of the air-fuel ratio sensor. Therefore, in Patent Literature 1, before the actual vehicle is mounted, an air-fuel ratio sensor is attached to the exhaust port of each cylinder to actually detect the air-fuel ratio and perform learning to determine an appropriate coupling strength of the network.
[0005]
[Problems to be solved by the invention]
However, the above-described conventional technology has a problem that learning cannot be performed in a state where the vehicle is mounted on an actual vehicle, so that the vehicle cannot cope with various running and aging changes, and the estimation accuracy is low.
[0006]
The present invention has been made in view of the above-described problem, and has as its object to enable highly accurate estimation of a cylinder-by-cylinder air-fuel ratio during traveling.
[0007]
[Means for Solving the Problems and Their Functions and Effects]
As means for solving at least a part of the above-described problem, the following configuration is adopted.
[0008]
The cylinder-by-cylinder air-fuel ratio estimating device of the present invention,
An internal combustion engine having a plurality of cylinders,
Exhaust means for collecting and discharging exhaust gas from the plurality of cylinders in one or more collecting portions;
An air-fuel ratio sensor provided in a collecting part of the exhaust means,
The operating parameters of the internal combustion engine including at least the detection value of the air-fuel ratio sensor are input, and learning is performed so that the output of the final layer becomes the same value as the detection value of the air-fuel ratio sensor. Using an hourglass-type neural network in which the exhaust rate at the collecting section that is a characteristic of the detection value of the sensor appears, an exhaust rate estimating unit that estimates the exhaust rate,
Air-fuel ratio calculating means for calculating an air-fuel ratio for each cylinder based on the estimated exhaust ratio;
The gist is to provide.
[0009]
The cylinder-by-cylinder air-fuel ratio estimating device of the internal combustion engine having the above configuration does not require the actual measurement value of the exhaust rate for learning (teacher signal). The necessary input signals are the actual measurement values of the air-fuel ratio sensor provided in the exhaust gas collecting section and other operating parameters of the internal combustion engine, so that the learning can be performed while the vehicle is mounted on the actual vehicle. For this reason, since it is possible to cope with various running and aging changes, there is an effect that the estimation accuracy of the air-fuel ratio for each cylinder is high.
[0010]
The air-fuel ratio calculation means may be configured to perform the calculation of the air-fuel ratio for each cylinder by using a detection value of the air-fuel ratio sensor in addition to the exhaust rate estimated by the exhaust rate estimation means. According to this configuration, the air-fuel ratio for each cylinder can be easily calculated.
[0011]
In the cylinder-by-cylinder air-fuel ratio estimating device having the above-described configuration, intake air amount detecting means for detecting an intake air amount of the internal combustion engine, the detected intake air amount, and a fuel for each cylinder from the fuel injection valve. An input air-fuel ratio calculating means for calculating an input air-fuel ratio for each cylinder as one of the operation parameters based on the injection amount may be provided.
[0012]
According to this configuration, learning using an hourglass-type neural network that takes into account the input air-fuel ratio obtained from the intake air amount and the fuel injection amount for each cylinder can be performed.
[0013]
The cylinder-by-cylinder air-fuel ratio estimating device of the internal combustion engine having the above configuration may be configured to include a crank angle detecting unit that detects a crank angle of a crankshaft connected to the internal combustion engine as one of the operation parameters.
[0014]
The timing of the exhaust top dead center of each cylinder greatly affects the exhaust ratio for each cylinder. For example, after the exhaust top dead center of the first cylinder, the exhaust gas ratio largely changes depending on the crank angle so that the exhaust of the first cylinder becomes dominant for a while in the exhaust collecting section. In the above configuration, learning can be performed by an hourglass-type neural network in which the crank angle is taken into account, so that the estimation accuracy can be further improved.
[0015]
The cylinder-by-cylinder air-fuel ratio estimation method of the internal combustion engine of the present invention,
An internal combustion engine system having a plurality of cylinders and collecting and discharging exhaust gas from the plurality of cylinders in one or a plurality of collecting sections, wherein a method for estimating an air-fuel ratio for each cylinder of an internal combustion engine for estimating an air-fuel ratio for each cylinder At
(A) a step of detecting an air-fuel ratio at a collecting portion of the exhaust means;
(B) The operating parameters of the internal combustion engine including at least the detected value in the step (a) are input, and learning is performed so that the output of the final layer becomes the same value as the detected value in the step (a). Estimating the exhaust rate by using an hourglass-type neural network in which the exhaust rate at the collecting section that is a feature of the detection value of the air-fuel ratio sensor appears,
(C) calculating an air-fuel ratio for each cylinder based on the estimated exhaust gas ratio.
[0016]
The cylinder-by-cylinder air-fuel ratio estimating method of the internal combustion engine having the above configuration has the same operation and effect as the cylinder-by-cylinder air-fuel ratio estimating device of the present invention, and can cope with various running and aging. The accuracy of estimating the air-fuel ratio for each cylinder is high.
[0017]
The cylinder exhaust ratio estimating device of the internal combustion engine of the present invention,
An internal combustion engine having a plurality of cylinders,
Exhaust means for collecting and discharging exhaust gas from the plurality of cylinders in one or more collecting portions;
An air-fuel ratio sensor provided in a collecting part of the exhaust means,
The operating parameters of the internal combustion engine including at least the detection value of the air-fuel ratio sensor are input, and learning is performed so that the output of the final layer becomes the same value as the detection value of the air-fuel ratio sensor. Using an hourglass-type neural network in which the exhaust rate at the collecting section that is a characteristic of the detection value of the sensor appears, an exhaust rate estimating unit that estimates the exhaust rate,
The gist is to provide.
[0018]
In the device for estimating the cylinder exhaust ratio of the internal combustion engine having the above configuration, the measured value of the exhaust ratio is not required for learning (teacher signal). The necessary input signals are the actual measurement values of the air-fuel ratio sensor provided in the exhaust gas collecting section and other operating parameters of the internal combustion engine, so that the learning can be performed while the vehicle is mounted on the actual vehicle. For this reason, since it is possible to cope with various running and secular changes, there is an effect that the estimation accuracy of the exhaust rate is high.
[0019]
The method for estimating the cylinder exhaust ratio of an internal combustion engine according to the present invention includes:
An internal combustion engine system having a plurality of cylinders and collecting and discharging exhaust gas from the plurality of cylinders in one or a plurality of collecting sections, wherein a cylinder exhaust rate estimation of the internal combustion engine for estimating an exhaust rate in the collecting section In the method,
(A) a step of detecting an air-fuel ratio at a collecting portion of the exhaust means;
(B) The operating parameters of the internal combustion engine including at least the detected value in the step (a) are input, and learning is performed so that the output of the final layer becomes the same value as the detected value in the step (a). Estimating the exhaust rate by using an hourglass-type neural network in which the exhaust rate at the collecting section that is a feature of the detection value of the air-fuel ratio sensor appears,
The gist is to provide.
[0020]
The cylinder exhaust ratio estimation method for an internal combustion engine having the above configuration has the same operation and effect as the cylinder exhaust ratio estimation device for an internal combustion engine of the present invention, and can cope with various running and aging changes. High accuracy of ratio estimation.
[0021]
BEST MODE FOR CARRYING OUT THE INVENTION
Next, embodiments of the present invention will be described in the following order based on examples.
A. Overall configuration:
B. Hourglass neural network:
C. Control processing:
D. Action / effect:
E. FIG. Other embodiments:
[0022]
A. Overall configuration:
FIG. 1 is a main part configuration diagram of an engine system equipped with a cylinder-by-cylinder air-fuel ratio estimating apparatus according to one embodiment of the present invention. The engine 10, which is a main part of the engine system, is a four-cylinder gasoline engine. As shown in the drawing, an intake manifold 20 is connected to an intake side of the engine 10, and an intake passage 22 is connected to the intake manifold 20. The intake air sucked through the intake passage 22 is mixed with fuel injected from the fuel injection valves 30 provided in each of the branched pipe portions of the intake manifold 20, and enters the combustion chamber of each cylinder of the engine 10. Inhaled. The fuel mixture is spark-ignited by a spark plug (not shown) in the combustion chamber, and drives the engine 10. Gas (exhaust gas) burned in the combustion chamber is discharged through an exhaust manifold (exhaust pipe) 40 and an exhaust passage 42.
[0023]
The exhaust manifold 40 is a so-called dual type, and separates a set of the first cylinder and the fourth cylinder and a set of the second cylinder and the third cylinder of the engine 10 by a partition plate, so that interference of intake air is reduced. It is a configuration that does not easily occur. A first air-fuel ratio sensor 50 is provided at the gathering portion of the pair of the first cylinder and the second cylinder, and a second air-fuel ratio sensor 52 is provided at the gathering portion of the pair of the second cylinder and the third cylinder. I have.
[0024]
The fuel injection amount (fuel injection time) from the fuel injection valve 30 and the ignition timing of the ignition plug are controlled by an electronic control unit (hereinafter, referred to as ECU) 60. The ECU 60 is connected to various sensors that detect operating parameters indicating the operating state of the engine 10. The illustrated sensors include an air flow meter 54 for detecting an amount of air taken into the intake passage 22, a crank angle sensor 56 for detecting a crank angle of a crankshaft connected to the engine 10, and the two air-fuel ratio sensors 50, There are 52. Each of the first and second air-fuel ratio sensors 50 and 52 is an air-fuel ratio sensor that detects an air-fuel ratio in exhaust gas.
[0025]
The ECU 60 performs fuel injection control, ignition timing control, and the like based on the detection signals of the various sensors described above. Note that the ECU 60 is configured by a so-called microcomputer including a CPU, a ROM, a RAM, and the like. The above various controls are executed by the CPU according to a computer program stored in the ROM.
[0026]
The ECU 60 performs the fuel injection control as described above. To perform the fuel injection control, the ECU 60 must calculate the air-fuel ratio correction coefficient FAF. The air-fuel ratio correction coefficient FAF is determined based on the cylinder-by-cylinder air-fuel ratio of the fuel mixture supplied to the engine 10. The cylinder-by-cylinder air-fuel ratio is determined by an air-fuel ratio sensor corresponding to each cylinder in this engine system. Since it does not have it, it is necessary to estimate it from the two air-fuel ratio sensors 50 and 52 provided in the collection part of the exhaust manifold 40. This estimation is performed by the cylinder-by-cylinder air-fuel ratio estimator 62 realized by the ECU 60.
[0027]
Actually, the ECU 60 executes the computer program stored in the ROM (hereinafter, referred to as a cylinder-by-cylinder air-fuel ratio estimation program) by the CPU to functionally realize the cylinder-by-cylinder air-fuel ratio estimation unit 62. . The cylinder-by-cylinder air-fuel ratio estimating unit 62 includes an exhaust ratio estimating unit 62a and an air-fuel ratio calculating unit 62b. The exhaust ratio estimating unit 62a receives the respective detection values of the first air-fuel ratio sensor 50, the air flow meter 54, and the crank angle sensor 56, and outputs the final layer with the same value as the detection value of the first air-fuel ratio sensor 50. The exhaust rate Rt14 is estimated using an hourglass-type neural network that performs learning so as to be as follows. Here, the exhaust ratio Rt14 is a ratio of the amount of exhaust from the first cylinder and the fourth cylinder in the collecting portion of the exhaust manifold 40 provided with the first air-fuel ratio sensor 50. It is shown.
[0028]
The exhaust rate estimating unit 62a uses two hourglass-type neural networks. One side is as described above, and the other side is a second air-fuel ratio sensor 52, an air flow meter 54, and a crank angle sensor 56. The detection value is input, learning is performed so that the output of the final layer becomes the same value as the detection value of the second air-fuel ratio sensor 52, and the exhaust rate Rt23 is estimated. Here, the exhaust ratio Rt23 indicates the ratio of the amount of exhaust from the second cylinder and the third cylinder in the collecting portion of the exhaust manifold 40 provided with the second air-fuel ratio sensor 52. Things.
[0029]
The air-fuel ratio calculation unit 62b calculates an air-fuel ratio for each cylinder based on the exhaust ratio estimated by the exhaust ratio estimation unit 62a and the first or second air-fuel ratio sensor 50, 52.
[0030]
B. Hourglass neural network:
FIG. 2 is an explanatory diagram showing a basic configuration of an hourglass-type neural network used in the exhaust rate estimation unit 62a. This hourglass-type neural network (hereinafter, referred to as an hourglass-type NN) is for estimating the exhaust rate Rt14. As shown, the detection signal CPAF14 of the first air-fuel ratio sensor 50 is supplied to both the input and the output. The input air-fuel ratios AF1 and AF4 of the first cylinder and the fourth cylinder are supplied as inputs. The input air-fuel ratio AF1 of the first cylinder is a value obtained by dividing the intake air amount Ga detected by the air flow meter 54 by the fuel injection amount Tau1 to the first cylinder, and the input air-fuel ratio AF4 of the fourth cylinder is , Is the value obtained by dividing the intake air amount Ga by the fuel injection amount Tau4 to the fourth cylinder. The input air-fuel ratio AF1 of the first cylinder and the input air-fuel ratio AF1 of the fourth cylinder are also input to the third layer.
[0031]
In the hourglass type NN, the CPAFs 14, AF1, and AF4 are input, and a teacher signal is provided so that the output value of the final layer (fifth layer) becomes the same value as the detection signal CPAF14 of the first air-fuel ratio sensor 50. Learning by the back propagation method is performed. When this learning is completed, the feature of the detection signal CPAF14 of the first air-fuel ratio sensor 50 as input information appears in the first unit of the intermediate layer (third layer). Since the CPAF 14 changes depending on the ratio between the amount of exhaust from the first cylinder and the amount of exhaust from the fourth cylinder sent to the air-fuel ratio sensor 50, an exhaust ratio Rt14 indicating the ratio appears as the above feature. That is, a so-called hourglass-type neural network is constructed in which the number of neurons belonging to the hidden layer is smaller than that of the other hidden layers in order to express the exhaust rate Rt14 as an internal representation of the neural network.
[0032]
The hourglass-type NN will be further described for better understanding. The hourglass type NN has been conventionally applied to the compression and decompression of information in the field of communication, and has recently been applied to research on human sensation. For example, "Naohiro Fukumura, Yoji Uno, Ryoji Suzuki, Mitsuo Kawato:" A neural circuit model that recognizes the shape of a gripping object and determines the shape of a hand ", IEICE Technical Report, NC90-104 (1991-03) "Yoji Uno, Shin Iwata, Shigeru Hanba, Ryoji Suzuki:" A neural network model that acquires the internal representation of the weight of a grasped object ", IEICE (D-2), J76-D-2, 3, pp. 663-671 (1993-03) "and the like, there is a description of an hourglass-type NN. In addition, the inventor of the present application has also described in Japanese Patent Publication No. 3310498.
[0033]
As can be understood from FIG. 2, the hourglass type NN has a configuration in which a three-layer information compression NN and an information restoration NN are symmetrically coupled. The input and output are both the detection signal CPAF14 of the first air-fuel ratio sensor 50. The learning of the hourglass-type NN is performed by back-propagating (backpropagating) the error signal from the output to the input side so as to minimize the sum of squares of the error between the output signal of the NN and the teacher signal. Of the synaptic connection between the first layer and the second layer, between the second layer and the third layer, and further between the third layer and the fourth layer, and between the fourth layer and the fifth layer. (Weight).
[0034]
A characteristic of the hourglass type NN is that the input signal and the teacher signal used for learning the NN are both detection signals CPAF14 of the first air-fuel ratio sensor 50. As described above, the learning is performed by providing the detection signal CPAF14 to both the teacher signal and the input signal, so that the neuron corresponding to the exhaust rate Rt14 which is a characteristic of the detection signal CPAF14 of the first air-fuel ratio sensor 50 is provided in the intermediate layer. Is formed. That is, an internal expression corresponding to the exhaust rate Rt14 is obtained in the intermediate layer of the NN.
[0035]
The other side used in the exhaust ratio estimating unit 62a, that is, the hourglass type NN on the side for estimating the exhaust ratio Rt23 has the configuration shown in FIG. 2 described above. The related one is changed to the third cylinder, and the concept is the same. That is, the detection signal CPAF23 of the second air-fuel ratio sensor 52 is supplied to both the input and the output. The input air-fuel ratios AF2 and AF3 of the second and third cylinders are supplied as inputs. Then, learning by the error back propagation method is performed so that the output value of the final layer becomes the detection signal CPAF23 of the second air-fuel ratio sensor 52. When this learning is completed, the exhaust rate Rt23, which is a feature of the detection signal CPAF23 of the second air-fuel ratio sensor 52 as input information, appears in the first unit of the intermediate layer (third layer). That is, a so-called hourglass-type neural network in which the number of neurons belonging to the intermediate layer is smaller than that of the other intermediate layers in order to express the exhaust rate Rt23 as an internal representation of the neural network.
[0036]
The hourglass type NN shown in FIG. 2 has a basic configuration as described above, and is actually as follows. FIG. 3 is an explanatory diagram showing a practical configuration of an hourglass-type neural network used in the exhaust rate estimation unit 62a. The timing of the exhaust top dead center of each cylinder greatly affects the exhaust ratio from each cylinder. For example, after the top dead center of the exhaust of the first cylinder, the exhaust gas is exhausted by the crank angle so that the exhaust of the first cylinder becomes dominant for a while in the exhaust collecting section where the first air-fuel ratio sensor 50 is attached. The ratio changes greatly.
[0037]
For this reason, in the hourglass type NN shown in FIG. 3, in addition to the input air-fuel ratios AF1 and AF4 of the first and fourth cylinders shown in FIG. 2, the detection value CA of the crank angle sensor 56 is also input. It is configured to supply. As shown in the figure, the detection value CA of the crank angle sensor 56 is also input to the third layer.
[0038]
Note that the hourglass type NN on the other side, that is, the side for estimating the exhaust ratio between the second cylinder and the third cylinder, is also configured to similarly supply the detection value CA of the crank angle sensor 56 as an input. Has become. The double hourglass type NN is stored in the ROM in advance in the form of a software module.
[0039]
C. Control processing:
Next, the cylinder-by-cylinder air-fuel ratio estimation program executed by the ECU 60 will be described. 4 and 5 are flowcharts showing the processing routine of the cylinder-by-cylinder air-fuel ratio estimation program executed by the CPU of the ECU 60. The routine shown here is a routine for obtaining the air-fuel ratios AF1 * and AF4 * for the first and fourth cylinders using the detection value CPAF14 of the first air-fuel ratio sensor 50, and the second cylinder. The routine for obtaining the air-fuel ratios AF2 * and AF3 * for each of the third and third cylinders is similar to the routine for obtaining the air-fuel ratios AF1 * and AF4 * for each of the first and fourth cylinders, and therefore will not be described. I do. This processing routine is repeatedly executed at predetermined time intervals.
[0040]
As shown, when the processing is started, the CPU of the ECU 60 first takes in the detection signal (detection value) CPAF14 of the first air-fuel ratio sensor 50 (step S100), and the intake air detected by the air flow meter 54. The amount Ga is captured (step S110), and the crank angle CA detected by the crank angle sensor 56 is captured (step S120). Next, the CPU performs a process of calculating the input air-fuel ratios AF1 and AF4 of the first cylinder and the fourth cylinder (step S130). More specifically, the fuel injection amounts Tau1 and Tau4 for the first cylinder and the fourth cylinder are read out from a fuel injection amount calculation routine which is another routine, and the intake air amount Ga taken in step S110 is taken as the fuel to the first cylinder. The input air-fuel ratio AF1 of the first cylinder is obtained by dividing by the injection amount Tau1, and the input air-fuel ratio AF1 of the second cylinder is obtained by dividing the intake air amount Ga by the fuel injection amount Tau4 to the fourth cylinder. AF2 is obtained.
[0041]
Subsequently, the CPU performs a process of estimating the exhaust rate Rt14 between the first cylinder and the fourth cylinder using the hourglass neural network (step S140). More specifically, a software module constituting the above-described hourglass type NN (shown in FIG. 3) stored in advance in the ROM of the ECU 60 is provided with the detection signal (the air-fuel ratio of the exhaust collecting section) obtained in steps S100 to S120. 3.) Input the CPAF 14, the crank angle CA, and the input air-fuel ratios AF1 and AF4, and then obtain the exhaust rate Rt14 output from the software module. As the exhaust rate Rt14, specifically, for example, a value from 0 to 1 of 0.62 is output. In the case of 0.62, the exhaust amount from the first cylinder is 62%, and the exhaust amount from the fourth cylinder is 38%. Note that the exhaust rate Rt14 obtained when the step S130 was executed last time is temporarily stored as XRt14. The processing in step S140 corresponds to the exhaust rate estimation unit 62a (FIG. 1).
[0042]
Thereafter, the CPU calculates the estimated air-fuel ratio AF1 * of the first cylinder and the estimated air-fuel ratio AF4 * of the fourth cylinder based on the air-fuel ratio CPAF14 of the collecting portion taken in step S100 and the exhaust ratio Rt14 obtained in step S140. Is calculated (step S150). For example, when the exhaust ratio of the first cylinder is determined to be 62% and the exhaust ratio of the fourth cylinder is determined to be 38% from the exhaust ratio Rt14, the following equation (1) holds. Since the CPAF 14 is an actually measured value, the equation (1) is a simple quadratic equation. From the equation obtained when the step S150 was previously performed and the equation performed this time, the estimated air-fuel ratios AF1 * and AF4 * are obtained. Can be requested. The process in step S150 corresponds to the air-fuel ratio calculation unit 62b (FIG. 1).
[0043]
0.62 × AF1 * + 0.38 × AF4 * = CPAF14 (1)
[0044]
After executing step S150, the CPU determines whether the estimated air-fuel ratios AF1 * and AF4 * calculated in step S150 are not far from a target air-fuel ratio (for example, stoichiometric) (step S160). Specifically, the difference between the estimated air-fuel ratio AF1 * of the first cylinder and the target air-fuel ratio is within a predetermined range, and the difference between the estimated air-fuel ratio AF4 * of the fourth cylinder and the target air-fuel ratio is a predetermined value. Determine if it is within the range. If a positive determination is made here, the process proceeds to step S170. On the other hand, a negative determination is made in step S160, that is, If at least one of the differences exceeds a predetermined range, the process returns to step S100 to perform re-learning of the hourglass type NN.
[0045]
In step S170, the CPU provides the estimated air-fuel ratio AF1 *, AF4 * calculated in step S150 to the fuel injection control routine, and adjusts the fuel injection amount of each cylinder according to the fuel injection control routine. Thereafter, the CPU waits for a predetermined period of time and waits for actual fuel injection into the first and fourth cylinders, and then takes in the detected value CPAF14 of the first air-fuel ratio sensor 50 (step S180).
[0046]
Subsequently, the CPU determines whether or not the detection value CPAF14 taken in step S180 is shifted to the target air-fuel ratio (for example, stoichiometric) side from the previously taken detection value (the detection value taken in step S100). It is determined (step S190). Here, if it is determined that the process has been shifted, the process returns to “Return” and the process routine is temporarily terminated.
[0047]
On the other hand, if it is determined in step S190 that the detected value CPAF14 has not shifted to the target air-fuel ratio side, it is determined that there is an error in the exhaust rate Rt14 estimated in step S140, and the process proceeds to step S200. The fact that the detected value CPAF14 of the air-fuel ratio does not shift to the target air-fuel ratio side even though the fuel injection amount is corrected based on the estimated air-fuel ratio AF4 *, AF4 * in step S170 means that the estimated air-fuel ratio AF4 *, AF4 *, This is because it is considered that there is an error in AF4 *, and eventually in the exhaust rate Rt14 estimated in step S140.
[0048]
In step S200, the exhaust rate Rt14 estimated in step S140 is replaced with the previously saved XRt14 of the previous exhaust rate. Thereafter, the process returns to step S150 to calculate the estimated air-fuel ratios AF1 * and AF4 * based on the previous exhaust ratio, and repeats the subsequent processes.
[0049]
C. Action / effect:
In the engine system configured as described above, the exhaust rate at the exhaust collecting portion of the engine 10 is estimated using an hourglass-type neural network. According to the hourglass-type neural network, the detection value CPAF14 of the air-fuel ratio sensor 50 provided in the exhaust gas collecting section, the input air-fuel ratios AF1 and AF4, and the crank angle CA are input, and the output of the final layer is the air-fuel ratio sensor 50. By performing learning so as to have the same value as the detected value CPAF14, the exhaust rate Rt14 in the exhaust collecting portion, which is a characteristic of the detected value CPAF14, can be obtained in the intermediate layer. Therefore, an actual measurement value of the exhaust rate is not required for learning (teacher signal). The necessary input signals are the measured values of the air-fuel ratio sensor 50 provided in the exhaust gas collecting section and other operating parameters of the internal combustion engine, so that the learning can be performed in a state of being mounted on the actual vehicle. Therefore, since it is possible to cope with various running and aging changes, there is an effect that the estimation accuracy of the air-fuel ratio for each cylinder is high.
[0050]
D. Other embodiments:
The present invention is not limited to the above-described examples and embodiments, and can be implemented in various modes without departing from the gist of the present invention. For example, the following modifications are possible.
[0051]
(1) In the embodiment described above, the estimated air-fuel ratio AF1 * for each cylinder is based on the exhaust ratio Rt14 estimated using the hourglass-type neural network and the detection value CPAF14 of the air-fuel ratio sensor 50 provided in the exhaust collector. , AF4 *, but instead of this, based on the exhaust ratio Rt14, the intake air amount Ga detected by the air flow meter 54, and the fuel injection amounts Tau1 and Tau4 to the first and fourth cylinders. Thus, the estimated air-fuel ratio AF1 *, AF4 * for each cylinder may be calculated.
[0052]
(2) In the above-described embodiment, in the hourglass-type neural network, the detection value CPAF14 of the air-fuel ratio sensor 50 provided in the exhaust collecting section, the input air-fuel ratios AF1 and AF4, and the crank angle CA are input. In place of the above, a configuration in which the input of the crank angle CA is omitted may be adopted. That is, the basic configuration described with reference to FIG. 2 can be adopted.
[0053]
(3) In the above-described embodiment, in the hourglass-type neural network, the input air-fuel ratios AF1 and AF4 are input in addition to the detection value CPAF14 of the air-fuel ratio sensor 50 provided in the exhaust collecting section. Instead of the fuel ratios AF1 and AF4, the intake air amount Ga and the fuel injection amounts Tau1 and Tau4 to the first and fourth cylinders may be input.
[0054]
(4) The exhaust rate Rt14 actually changes somewhat depending on the operating state of the engine 10. For this reason, at the time of a specific operation state (for example, at the time of idling), the above-described embodiment works extremely effectively. However, when trying to work effectively in all driving states, the estimation accuracy is higher when more types of driving parameters are used. FIG. 6 is an explanatory diagram showing an hourglass-type neural network as an example of another embodiment. As shown, in addition to the CPAF 14, AF1, and AF4CA input in the above-described embodiment, the engine speed Ne detected by the rotation speed sensor and the engine load Pm (or the intake air pressure detected by the vacuum sensor) are displayed. , An hourglass-type neural network having the engine temperature Thw detected by the water temperature sensor as an input.
[0055]
In this case, since the exhaust rate Rt14 is a function of angular operating parameters such as Ne and Pm as well as the crank angle CA, the number of neurons acquiring the internal representation of the Rt14 part of the intermediate layer (the first layer in the third layer in FIG. 6). (Only the first one) is likely to be plural. By combining a plurality of cylinders, it is easy to cope with the case where the number of cylinders is increased to six or eight.
[0056]
(5) The engine system of the above-described embodiment is of the so-called EFI-L type in which the intake air amount is directly measured by the air flow meter 54, but instead, the intake pipe pressure of the engine is measured by a vacuum sensor. Then, it is also possible to adopt a configuration adopted in a so-called EFI-D system in which the intake air amount is indirectly detected based on the intake pipe pressure and the engine rotation speed.
[0057]
(6) In the above-described embodiment, the exhaust from the four-cylinder engine was integrated into two cylinders at a time, but instead, the exhaust from the four-cylinder engine was integrated into four cylinders. As a configuration, an hourglass-type neural network may be applied to this configuration to estimate the exhaust rate at the exhaust collecting portion, and thus the air-fuel ratio for each cylinder.
[Brief description of the drawings]
FIG. 1 is a main part configuration diagram of an engine system equipped with a cylinder-by-cylinder air-fuel ratio estimating apparatus according to an embodiment of the present invention.
FIG. 2 is an explanatory diagram showing a basic configuration of an hourglass-type neural network.
FIG. 3 is an explanatory diagram showing a practical configuration of an hourglass-type neural network.
FIG. 4 is a flowchart showing a first half of a processing routine of a cylinder-by-cylinder air-fuel ratio estimation program.
FIG. 5 is a flowchart showing a latter half of a processing routine of a cylinder-by-cylinder air-fuel ratio estimation program.
FIG. 6 is an explanatory diagram showing an hourglass-type neural network as an example of another embodiment.
[Explanation of symbols]
10 ... Engine
20 ... intake manifold
22 ... intake passage
30 ... Fuel injection valve
40 ... exhaust manifold
42 ... Exhaust passage
50: first air-fuel ratio sensor
52... Second air-fuel ratio sensor
54 ... Air flow meter
56 ... Crank angle sensor
60 Electronic control unit (ECU)
62 ... cylinder-by-cylinder air-fuel ratio estimation unit
62a: Emission ratio estimation unit
62b ... air-fuel ratio calculation unit
AF1, AF4 ... Air-fuel ratio for input
CA ... Crank angle
CPAF14: detection signal of the air-fuel ratio sensor
Ga: intake air volume
Rt14: Emission ratio
Tau1: fuel injection amount
Tau4: fuel injection amount

Claims (7)

複数の気筒を有する内燃機関と、
前記複数の気筒からの排気を１または複数の集合部で集めて排出する排気手段と、
前記排気手段の集合部に設けられた空燃比センサと、
前記空燃比センサの検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が前記空燃比センサの検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する排気割合推定手段と、
該推定された排気割合に基づいて、前記気筒別の空燃比を演算する空燃比演算手段と
を備える内燃機関の気筒別空燃比推定装置。An internal combustion engine having a plurality of cylinders,
Exhaust means for collecting and discharging exhaust gas from the plurality of cylinders in one or more collecting portions;
An air-fuel ratio sensor provided in a collecting part of the exhaust means,
The operating parameters of the internal combustion engine including at least the detection value of the air-fuel ratio sensor are input, and learning is performed so that the output of the final layer becomes the same value as the detection value of the air-fuel ratio sensor. Using an hourglass-type neural network in which the exhaust rate at the collecting section that is a characteristic of the detection value of the sensor appears, an exhaust rate estimating unit that estimates the exhaust rate,
A cylinder-by-cylinder air-fuel ratio estimating device comprising: an air-fuel ratio calculating means for calculating the cylinder-by-cylinder air-fuel ratio based on the estimated exhaust ratio. 請求項１に記載の内燃機関の気筒別空燃比推定装置であって、
前記空燃比演算手段は、
前記気筒別の空燃比の演算を、前記排気割合推定手段により推定された排気割合に加えて前記空燃比センサの検出値を用いて行なう構成である内燃機関の気筒別空燃比推定装置。The cylinder-by-cylinder air-fuel ratio estimating device according to claim 1, wherein:
The air-fuel ratio calculating means includes:
A cylinder-by-cylinder air-fuel ratio estimating device for an internal combustion engine, wherein the calculation of the cylinder-by-cylinder air-fuel ratio is performed using the detection value of the air-fuel ratio sensor in addition to the exhaust ratio estimated by the exhaust ratio estimating means. 請求項１または２に記載の内燃機関の気筒別空燃比推定装置であって、
前記内燃機関の吸入空気量を検出する吸入空気量検出手段と、
該検出された吸入空気量と、前記燃料噴射弁からの気筒毎の燃料噴射量とに基づいて、気筒別の入力用空燃比を、前記運転パラメータの一つとして演算する入力用空燃比演算手段と
を備える内燃機関の気筒別空燃比推定装置。The cylinder-by-cylinder air-fuel ratio estimating device according to claim 1 or 2,
Intake air amount detection means for detecting an intake air amount of the internal combustion engine,
Input air-fuel ratio calculating means for calculating an input air-fuel ratio for each cylinder as one of the operation parameters based on the detected intake air amount and a fuel injection amount for each cylinder from the fuel injection valve. A cylinder-by-cylinder air-fuel ratio estimating device comprising: 請求項１ないし３のいずれかに記載の内燃機関の気筒別空燃比推定装置であって、
内燃機関に連結されるクランク軸のクランク角度を、前記運転パラメータの一つとして検出するクランク角検出手段を備える内燃機関の気筒別空燃比推定装置。The cylinder-by-cylinder air-fuel ratio estimating device according to any one of claims 1 to 3,
An apparatus for estimating a cylinder-by-cylinder air-fuel ratio of an internal combustion engine, comprising crank angle detection means for detecting a crank angle of a crankshaft connected to the internal combustion engine as one of the operation parameters. 複数の気筒を有する内燃機関と、
前記複数の気筒からの排気を１または複数の集合部で集めて排出する排気手段と、
前記排気手段の集合部に設けられた空燃比センサと、
前記空燃比センサの検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が前記空燃比センサの検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する排気割合推定手段と
を備える内燃機関の気筒排気割合推定装置。An internal combustion engine having a plurality of cylinders,
Exhaust means for collecting and discharging exhaust gas from the plurality of cylinders in one or more collecting portions;
An air-fuel ratio sensor provided in a collecting part of the exhaust means,
The operating parameters of the internal combustion engine including at least the detection value of the air-fuel ratio sensor are input, and learning is performed so that the output of the final layer becomes the same value as the detection value of the air-fuel ratio sensor. A cylinder exhaust ratio estimating device for an internal combustion engine, comprising: exhaust ratio estimating means for estimating the exhaust ratio by using an hourglass-type neural network in which an exhaust ratio in the collecting section, which is a characteristic of a detection value of a sensor, appears. 複数の気筒を有し、前記複数の気筒からの排気を１または複数の集合部で集めて排出する内燃機関システムにあって、気筒別の空燃比を推定する内燃機関の気筒別空燃比推定方法において、
（ａ）前記排気手段の集合部における空燃比を検出する工程と、
（ｂ）前記工程（ａ）による検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が工程（ａ）による検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する工程と、
（ｃ）該推定された排気割合に基づいて、前記気筒別の空燃比を演算する工程と
を備えることを特徴とする内燃機関の気筒別空燃比推定方法。An internal combustion engine system having a plurality of cylinders and collecting and discharging exhaust gas from the plurality of cylinders in one or a plurality of collecting sections, wherein a method for estimating an air-fuel ratio for each cylinder of an internal combustion engine for estimating an air-fuel ratio for each cylinder At
(A) a step of detecting an air-fuel ratio at a collecting portion of the exhaust means;
(B) The operating parameters of the internal combustion engine including at least the detected value in the step (a) are input, and learning is performed so that the output of the final layer becomes the same value as the detected value in the step (a). Estimating the exhaust rate by using an hourglass-type neural network in which the exhaust rate at the collecting section that is a feature of the detection value of the air-fuel ratio sensor appears,
(C) calculating an air-fuel ratio for each cylinder based on the estimated exhaust ratio. 複数の気筒を有し、前記複数の気筒からの排気を１または複数の集合部で集めて排出する内燃機関システムにあって、前記集合部での排気割合を推定する内燃機関の気筒排気割合推定方法において、
（ａ）前記排気手段の集合部における空燃比を検出する工程と、
（ｂ）前記工程（ａ）による検出値を少なくとも含む内燃機関の運転パラメータを入力とし、最終層の出力が工程（ａ）による検出値と同じ値となるように学習を行なうことで、中間層に前記空燃比センサの検出値の特徴である前記集合部での排気割合が出現する砂時計型ニューラルネットワークを用いて、前記排気割合を推定する工程と、
を備えることを特徴とする内燃機関の気筒排気割合推定方法。An internal combustion engine system having a plurality of cylinders and collecting and discharging exhaust gas from the plurality of cylinders in one or a plurality of collecting sections, wherein a cylinder exhaust rate estimation of the internal combustion engine for estimating an exhaust rate in the collecting section In the method,
(A) a step of detecting an air-fuel ratio at a collecting portion of the exhaust means;
(B) The operating parameters of the internal combustion engine including at least the detected value in the step (a) are input, and learning is performed so that the output of the final layer becomes the same value as the detected value in the step (a). Estimating the exhaust rate by using an hourglass-type neural network in which the exhaust rate at the collecting section that is a feature of the detection value of the air-fuel ratio sensor appears,
A method for estimating a cylinder exhaust ratio of an internal combustion engine, comprising:
JP2003031915A 2003-02-10 2003-02-10 Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine Pending JP2004239233A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2003031915A JP2004239233A (en) 2003-02-10 2003-02-10 Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2003031915A JP2004239233A (en) 2003-02-10 2003-02-10 Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine

Publications (1)

Publication Number Publication Date
JP2004239233A true JP2004239233A (en) 2004-08-26

Family

ID=32958329

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2003031915A Pending JP2004239233A (en) 2003-02-10 2003-02-10 Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine

Country Status (1)

Country Link
JP (1) JP2004239233A (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007032514A (en) * 2005-07-29 2007-02-08 Toyota Motor Corp Fuel injection control device for internal combustion engine
JP2007223494A (en) * 2006-02-24 2007-09-06 Fuji Heavy Ind Ltd Vehicle behavior estimation and prediction device and vehicle stabilization control system
US20190325671A1 (en) * 2018-04-20 2019-10-24 Toyota Jidosha Kabushiki Kaisha Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system
JP2020060127A (en) * 2018-10-09 2020-04-16 トヨタ自動車株式会社 Control device of driving device for vehicle, on-vehicle electronic control unit, learned model, machine learning system, control method of driving device for vehicle, manufacturing method of electronic control unit, and output parameter calculation device
JP2020060125A (en) * 2018-10-09 2020-04-16 トヨタ自動車株式会社 Control device of driving device for vehicle, on-vehicle electronic control unit, learned model, machine learning system, control method of driving device for vehicle, manufacturing method of electronic control unit, and output parameter calculation device
JP2020133626A (en) * 2019-12-23 2020-08-31 トヨタ自動車株式会社 Imbalance detection device, imbalance detection system, data analysis device, and controller for internal combustion engine
CN112594077A (en) * 2019-10-02 2021-04-02 三菱电机株式会社 Control device and control program for internal combustion engine

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007032514A (en) * 2005-07-29 2007-02-08 Toyota Motor Corp Fuel injection control device for internal combustion engine
JP4631584B2 (en) * 2005-07-29 2011-02-16 トヨタ自動車株式会社 Fuel injection control device for internal combustion engine
JP2007223494A (en) * 2006-02-24 2007-09-06 Fuji Heavy Ind Ltd Vehicle behavior estimation and prediction device and vehicle stabilization control system
US20190325671A1 (en) * 2018-04-20 2019-10-24 Toyota Jidosha Kabushiki Kaisha Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system
US10991174B2 (en) * 2018-04-20 2021-04-27 Toyota Jidosha Kabushiki Kaisha Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system
JP2020060127A (en) * 2018-10-09 2020-04-16 トヨタ自動車株式会社 Control device of driving device for vehicle, on-vehicle electronic control unit, learned model, machine learning system, control method of driving device for vehicle, manufacturing method of electronic control unit, and output parameter calculation device
JP2020060125A (en) * 2018-10-09 2020-04-16 トヨタ自動車株式会社 Control device of driving device for vehicle, on-vehicle electronic control unit, learned model, machine learning system, control method of driving device for vehicle, manufacturing method of electronic control unit, and output parameter calculation device
CN112594077A (en) * 2019-10-02 2021-04-02 三菱电机株式会社 Control device and control program for internal combustion engine
JP2020133626A (en) * 2019-12-23 2020-08-31 トヨタ自動車株式会社 Imbalance detection device, imbalance detection system, data analysis device, and controller for internal combustion engine

Similar Documents

Publication Publication Date Title
JP4404030B2 (en) Control device and control method for internal combustion engine
US7506536B2 (en) Method of deriving engine cylinder mechanical top dead centre
JP4240132B2 (en) Control device for internal combustion engine
US7861690B2 (en) Device and method for controlling internal combustion engine
US6560526B1 (en) Onboard misfire, partial-burn detection and spark-retard control using cylinder pressure sensing
US7603994B2 (en) Abnormality diagnosis device and control system for internal combustion engine
CN102439280B (en) Control device for internal combustion engine
JP3578597B2 (en) Control device for direct injection spark ignition type internal combustion engine
US6196197B1 (en) Engine control apparatus and method having cylinder-charged air quantity correction by intake/exhaust valve operation
JPH01253543A (en) Air-fuel ratio control device for engine
US6655357B2 (en) Abnormality detection apparatus for intake system of internal combustion engine
JP5446759B2 (en) Engine abnormality detection method and abnormality detection apparatus
JP3467455B2 (en) Air-fuel ratio estimator for each cylinder of internal combustion engine
JP2008540912A (en) Method and apparatus for determining the ratio between the fuel mass burned in a cylinder of an internal combustion engine and the fuel mass supplied to the cylinder
JP2004239233A (en) Estimation of air-fuel ratio and in-cylinder exhaust gas ratio for each individual cylinder of internal combustion engine
US20030100989A1 (en) Electronic control device for internal combustion engine
WO2018063973A1 (en) System and methods for combustion control in multi-cylinder opposed piston engines
JP2006057523A (en) Failure diagnosis device for engine control system
JP5734782B2 (en) Internal combustion engine state estimation device
JP2518294B2 (en) Failure diagnosis device for atmospheric pressure sensor
JP4019265B2 (en) EGR flow rate calculation device for internal combustion engine and control device for internal combustion engine
JPH08246941A (en) Failure diagnosing device for cylinder internal pressure sensor for internal combustion engine
JP3627658B2 (en) Fuel injection control device for internal combustion engine
JP3563435B2 (en) Cylinder-specific combustion control method
JP3897690B2 (en) Control valve passage gas flow rate calculation device