JP4501890B2 - Control device - Google Patents
Control device Download PDFInfo
- Publication number
- JP4501890B2 JP4501890B2 JP2006111517A JP2006111517A JP4501890B2 JP 4501890 B2 JP4501890 B2 JP 4501890B2 JP 2006111517 A JP2006111517 A JP 2006111517A JP 2006111517 A JP2006111517 A JP 2006111517A JP 4501890 B2 JP4501890 B2 JP 4501890B2
- Authority
- JP
- Japan
- Prior art keywords
- dead time
- value
- control
- time
- model
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Exhaust Gas After Treatment (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Description
本発明は、内燃機関等の制御対象を数式モデルで表したプラントモデルを用い、該プラントモデルのパラメータを逐次同定することで制御対象の動特性を自動的に適応させるようにした制御装置に関する発明である。 The present invention relates to a control apparatus that uses a plant model in which a control target of an internal combustion engine or the like is represented by a mathematical model, and automatically adapts the dynamic characteristics of the control target by sequentially identifying parameters of the plant model. It is.
従来から、制御対象の動特性を逐次同定する制御装置が提案されている。この制御装置は、制御対象を数式で表したプラントモデルを持ち、実際の制御入力をプラントモデルに入力した時のプラントモデル出力と実際の制御対象の出力との誤差をゼロに近づけるようにプラントモデルのパラメータを逐次推定するものであるが、制御対象が無視できないむだ時間を含む系の場合、同定に用いるプラントモデルは、実際の制御対象が持つむだ時間を考慮する必要がある。また、むだ時間を持つ制御対象に対して、同定したモデルパラメータを用いて制御器を設計して制御する場合、高精度な性能を達成するためには、むだ時間を考慮した設計が必要となる。 Conventionally, there has been proposed a control device that sequentially identifies the dynamic characteristics of a control target. This control device has a plant model that expresses the object to be controlled by a mathematical formula, and the plant model so that the error between the plant model output when the actual control input is input to the plant model and the output of the actual control object approaches zero. However, in the case of a system including a dead time that cannot be ignored, the plant model used for identification needs to consider the dead time of the actual controlled object. In addition, when designing and controlling a controller using the identified model parameters for a controlled object with a dead time, it is necessary to design in consideration of the dead time in order to achieve highly accurate performance. .
例えば、特許文献1(特開平11−324767号公報)では、内燃機関の排気系を制御対象とし、対象排気系の構成又は運転状態に応じて予めむだ時間を設定して、該対象排気系のモデルが構築されており、このモデルのパラメータが実制御対象の出力データと入力データとを用いて逐次同定される。そして、制御器において、対象排気系の出力の未来値(具体的には、対象排気系の所定むだ時間経過後の出力)が逐次推定される。さらに、この対象排気系の出力の未来値の推定値を用いてフィードバック制御のアルゴリズムにより操作量が生成される。 For example, in Patent Document 1 (Japanese Patent Application Laid-Open No. 11-324767), an exhaust system of an internal combustion engine is set as a control target, and a dead time is set in advance according to the configuration or operating state of the target exhaust system. A model is constructed, and parameters of the model are sequentially identified using the output data and input data of the actual control target. Then, the controller sequentially estimates the future value of the output of the target exhaust system (specifically, the output after a predetermined dead time of the target exhaust system). Further, the manipulated variable is generated by an algorithm of feedback control using the estimated value of the future value of the output of the target exhaust system.
また、特許文献2(特開2002−318604号公報)では、むだ時間要素を持つ制御対象に対して、該制御対象を伝達関数で表した制御対象モデルを用い、むだ時間経過後の制御対象の出力を予測して出力検出値と比較しつつ制御対象の入力をフィードバック制御する制御装置において、むだ時間の異なる複数のプラントモデルを備え、各プラントモデルを逐次同定し、複数のプラントモデルのうち、同定した各プラントモデルにより算出した予測出力と実際の出力との差が最小となるプラントモデルを最終的な制御対象モデルとして選択するようにしている。
ところで、むだ時間を持つ制御対象に対して同定モデルを用いて制御を行う場合には、プラントモデルに設定するむだ時間を実際のむだ時間の変動に対応させることが望ましいが、上記特許文献1,2の手法で、プラントモデルの同定により各パラメータを調整すると、むだ時間の変動分がモデルパラメータに吸収されてしまい、正しい同定が行われないおそれがある。特に、制御対象の特性変動が大きい系では、設定したむだ時間と実際のむだ時間との間に大きなずれが生じてしまう可能性がある。その結果、むだ時間のずれを吸収した同定モデルを用いて制御を行うことになってしまい、高い制御精度を維持できないという問題がある。
By the way, when performing control using an identification model for a controlled object having a dead time, it is desirable to make the dead time set in the plant model correspond to the fluctuation of the actual dead time. When each parameter is adjusted by identifying the plant model by the
むだ時間を所定の一定値としている特許文献1や、複数のむだ時間それぞれに対して同定し、最も近いと思われるものを実むだ時間とする特許文献2であっても、実際の制御対象のむだ時間を表しているとは言えないため、高精度な制御を実施するには限界がある。
Even in
これらの問題を解決するために、本出願人は、特願2004−306996の明細書に記載されているように、同定手段として制御対象のもつむだ時間の一部の情報をモデルパラメータに含む形として離散化したプラントモデルを用い、同定された離散モデルパラメータに含まれるむだ時間の一部の情報の変化に基づいて該むだ時間を制御対象の実むだ時間に近づけるように推定する技術を研究している。この技術は、むだ時間の一部の情報をモデルパラメータに含む形として離散化を行うことで、離散化後のモデルパラメータの同定値からむだ時間の一部の情報を抽出するものである。この場合、仮にプラントモデルに設定したむだ時間と実際のむだ時間とに差異が生じると、それが前記情報の変化として現れるため、該情報を用いることで、設定したむだ時間を実際のむだ時間の変化に追従させることができ、高い制御精度を維持することができる。 In order to solve these problems, the present applicant, as described in the specification of Japanese Patent Application No. 2004-306996, includes a model parameter including information on a part of the dead time of the controlled object as an identification means. Research is being conducted on a technique for estimating the dead time to be close to the actual dead time of the control target based on the change in the information on part of the dead time contained in the identified discrete model parameters. ing. In this technique, part of the information on the dead time is extracted from the identification value of the model parameter after the discretization by discretizing the information including a part of the information on the dead time as a model parameter. In this case, if there is a difference between the dead time set in the plant model and the actual dead time, it appears as a change in the information. Therefore, by using this information, the set dead time can be set to the actual dead time. It is possible to follow changes and maintain high control accuracy.
しかしながら、この技術を車載コンピュータで実現する場合、プラントモデルがむだ時間を持つ2次以上の高次遅れ系であると、車載コンピュータの演算負荷が大幅に増大して、プラントモデルのむだ時間を実際のむだ時間の変化に追従させることが困難になるおそれがある。 However, when this technology is implemented with an in-vehicle computer, if the plant model is a second-order or higher-order delay system with a dead time, the computation load of the in-vehicle computer increases significantly, and the dead time of the plant model is actually increased. It may be difficult to follow the change in the dead time.
そこで、本発明の目的は、プラントモデルがむだ時間を持つ2次以上の高次遅れ系であっても、演算負荷を従来より軽減することができて、車載コンピュータ等の演算能力が限られたコンピュータを使用しても、むだ時間の変化を逐次推定して高精度な制御を実施することができる制御装置を提供することにある。 Therefore, the object of the present invention is that even if the plant model is a second-order or higher-order delay system having a dead time, the calculation load can be reduced as compared with the conventional one, and the calculation capability of the in-vehicle computer or the like is limited. It is an object of the present invention to provide a control device capable of performing highly accurate control by sequentially estimating a change in dead time even when a computer is used.
上記目的を達成するために、請求項1に係る発明は、制御対象の実むだ時間の一部の情報をモデルパラメータに含む形として離散化したプラントモデルを用い、前記制御対象の入力を前記プラントモデルに入力した時のプラントモデル出力と前記制御対象の実出力との差である同定誤差をゼロに近付けるように前記モデルパラメータを同定する同定手段と、この同定手段により同定されたモデルパラメータに含まれるむだ時間の一部の情報の変化に基づいて前記むだ時間を前記制御対象の実むだ時間に近付けるように推定するむだ時間推定手段とを備え、前記プラントモデルは、むだ時間を持つ2次以上の高次遅れ系で近似すると共に、前記高次遅れ系は、複数の1次遅れ系に分割して離散化した後結合して近似するようにしたものである。
In order to achieve the above object, the invention according to
本発明によれば、むだ時間の一部の情報をモデルパラメータに含む形として離散化を行うことで、離散モデルパラメータの推定値からむだ時間の一部の情報を抽出することができる。この場合、仮にプラントモデルに設定したむだ時間と実際のむだ時間とに差異が生じると、それが前記情報の変化としてあらわれるため、該情報を用いることで、設定したむだ時間を実際のむだ時間の変化に追従させることができる。 According to the present invention, by performing discretization in such a way that a part of the time delay information is included in the model parameter, it is possible to extract a part of the time delay information from the estimated value of the discrete model parameter. In this case, if there is a difference between the dead time set in the plant model and the actual dead time, it will appear as a change in the information, so by using this information, the set dead time will be the actual dead time. It can follow changes.
しかも、本発明では、むだ時間を持つ2次以上の高次遅れ系で近似するプラントモデルを用いながら、その高次遅れ系を、複数の1次遅れ系に分割して離散化した後結合して近似するようにしたので、2次以上の高次遅れ系の演算であっても、演算負荷が1次遅れ系の演算負荷よりも少し高くなるだけで済み、2次以上の高次遅れ系の演算負荷を従来より大幅に軽減することができ、車載コンピュータ等の演算能力が限られたコンピュータを使用しても、むだ時間の変化を逐次推定して高精度な制御を実施することができる。 Moreover, in the present invention, while using a plant model approximated by a second-order or higher-order delay system having a dead time, the higher-order delay system is divided into a plurality of first-order delay systems and discretized and then combined. Therefore, even in the calculation of a second-order or higher-order delay system, the calculation load only needs to be slightly higher than the calculation load of the first-order delay system. The second-order or higher-order delay system The calculation load can be greatly reduced compared to the conventional method, and even with a computer with limited calculation capability such as an in-vehicle computer, it is possible to perform highly accurate control by successively estimating the change in dead time. .
この場合、請求項2のように、モデルパラメータに含まれるむだ時間の一部の情報の変化に基づいてむだ時間を離散化のサンプリング周期で除算した商であるむだサンプリング回数を増加又は減少させることで前記むだ時間を制御対象の実むだ時間に近付けるように推定するようにしても良い。この場合、むだサンプリング回数の増加又は減少により、むだ時間の推定値を実むだ時間の変化に追従させることができる。
In this case, as in
また、請求項3のように、プラントモデルは、前記むだ時間を離散化のサンプリング周期で除算した余りである余むだ時間の情報をモデルパメータに含む形として離散化した離散数式モデルで表わすようにしても良い。例えば、拡張z変換を用いることで所望とする離散化を実現できる。 According to a third aspect of the present invention, the plant model is represented by a discrete mathematical model obtained by discretizing the time delay information obtained by dividing the time delay by the discretization sampling period as a model parameter. Anyway. For example, the desired discretization can be realized by using the extended z transform.
また、請求項4のように、同定手段により同定された離散化後のモデルパラメータを連続時間表現のモデルパラメータに変換する連続化手段を備え、この連続化手段により算出された連続時間表現のモデルパラメータから前記余むだ時間を推定するようにしても良い。このように、離散化後のモデルパラメータよりも物理的意味が理解しやすい連続時間表現のモデルパラメータを用いることにより、余むだ時間の推定が容易となる。 Further, as in claim 4, there is provided continuous means for converting the model parameters after discretization identified by the identification means into model parameters of continuous time expression, and the model of continuous time expression calculated by the continuous means You may make it estimate the said dead time from a parameter. As described above, by using model parameters of continuous time expression whose physical meaning is easier to understand than model parameters after discretization, it is easy to estimate the dead time.
また、逐次同定されるモデルパラメータによりむだ時間を推定する際に、制御対象の実むだ時間とプラントモデルのむだ時間との差に応じて余むだ時間が変化し、それにより、余むだ時間が上限値又は下限値に近づく。この場合、余むだ時間の変化を基に、むだサンプリング回数を更新することが可能となる。 In addition, when estimating the dead time based on the model parameters that are sequentially identified, the dead time changes depending on the difference between the actual dead time of the controlled object and the dead time of the plant model. Approaches the value or lower limit. In this case, the number of times of dead sampling can be updated based on the change in the dead time.
従って、請求項5のように、余むだ時間の推定値が、サンプリング周期で規定される上限値の近傍若しくは下限値の近傍にあること、又は前記上限値以上若しくは前記下限値以下にあることを判定し、その結果、余むだ時間の推定値が前記上限値近傍若しくは上限値以上に変化してその状態が所定時間継続した場合に、むだサンプリング回数を所定値繰り上げると共に該余むだ時間を前記上限値以下で前記下限値以上の所定値とし、一方、余むだ時間の推定値が前記下限値近傍若しくは下限値以下に変化してその状態が所定時間継続した場合に、むだサンプリング回数を所定値繰り下げると共に該余むだ時間を前記上限値以下で前記下限値以上の所定値とするようにしても良い。これにより、プラントモデルのむだ時間が制御対象の実むだ時間に近づくようにむだサンプリング回数を更新できる。
Therefore, as in
また、請求項6のように、前記むだ時間推定手段により推定したむだ時間に基づいて前記プラントモデル出力を算出しても良い。この場合、制御対象のその都度の動特性を反映してプラントモデル出力と制御対象の実出力との誤差を正確に算出できるようになり、制御性を向上できる。 The plant model output may be calculated based on the dead time estimated by the dead time estimation means. In this case, it becomes possible to accurately calculate the error between the plant model output and the actual output of the controlled object reflecting the dynamic characteristics of the controlled object, and the controllability can be improved.
また、請求項7のように、前記制御対象の実出力が所定の目標値になるように制御対象の入力を算出する操作量算出手段を備えている場合は、前記むだ時間推定手段により推定したむだ時間を用いて前記操作量算出手段を実行すると良い。このようにすれば、操作量算出手段において制御対象のその都度の動特性を反映して最適な制御入力を設定することができ、制御性を向上できる。
Further, as in
また、請求項8のように、前記むだ時間推定手段により推定した推定パラメータを学習手段によって学習するようにしても良い。これにより、制御対象の個体差(製造ばらつき)や経時変化等により実むだ時間のずれが生じている場合でも、それに追従した制御を継続的に実施できる。この学習値は、書き換え可能な不揮発性メモリに記憶させれば、電源オフ中でも、学習値の記憶を保持することができる。
Further, as described in
この場合、請求項9のように、同定手段におけるプラントモデル出力と前記制御対象の実出力との誤差が所定範囲内である場合に学習値を更新すると良い。このようにすれば、適正な同定が行われていることを条件に学習が行われるため、学習値の信頼性を高めることができる。 In this case, as in the ninth aspect, the learning value may be updated when the error between the plant model output in the identification unit and the actual output of the control target is within a predetermined range. In this way, since learning is performed on the condition that proper identification is performed, the reliability of the learned value can be improved.
本発明を内燃機関制御システムに適用する場合は、請求項10のように、内燃機関の特定運転状態(例えば定常状態)を判定するための運転状態判定手段を備え、特定運転状態であると判定した場合に同定手段による同定を実行すると良い。例えば、請求項11のように、内燃機関の回転速度及び負荷の変化率の絶対値が所定値以下である場合に、特定運転状態であると判定するようにしても良い。このように、同定実行条件を適正に設定することにより、同定の精度を向上できる。
When the present invention is applied to an internal combustion engine control system, as in claim 10, it is provided with an operation state determination means for determining a specific operation state (for example, steady state) of the internal combustion engine, and it is determined that the operation state is a specific operation state. In this case, it is preferable to execute identification by the identification means. For example, as in
また、請求項12のように、内燃機関の運転条件に応じて設定されたノミナルモデルパラメータからの偏差のみを同定する場合は、内燃機関の運転条件を表す信号(回転速度信号や負荷信号)の高周波振動成分を抑制するためのフィルタ手段を備えると良い。これにより、ノミナルモデルパラメータの変動を抑制することができ、ひいてはノミナルモデルパラメータを用いた各種処理の精度を向上できる。 Further, when only the deviation from the nominal model parameter set according to the operating condition of the internal combustion engine is identified as in the twelfth aspect, a signal (rotational speed signal or load signal) representing the operating condition of the internal combustion engine is identified. It is preferable to provide filter means for suppressing high frequency vibration components. Thereby, the fluctuation | variation of a nominal model parameter can be suppressed and the precision of the various processes using a nominal model parameter can be improved by extension.
また、請求項13のように、内燃機関の排気通路に配設された排気ガス浄化用の触媒と、その下流側で特定排気ガス濃度を検出する排気ガスセンサとを有する空燃比制御システムを制御対象として本発明を適用しても良く、この場合も、プラントモデルをむだ時間を持つ2次遅れ系で近似するようにすれば良い。このようにすれば、空燃比制御システムを2次遅れ系でモデル化しても、むだ時間の変化を逐次推定して高精度な空燃比制御を実施することができる。 Further, an air-fuel ratio control system having an exhaust gas purifying catalyst disposed in an exhaust passage of an internal combustion engine and an exhaust gas sensor for detecting a specific exhaust gas concentration downstream thereof is controlled. In this case, the plant model may be approximated by a secondary delay system having a dead time. In this way, even if the air-fuel ratio control system is modeled by a second-order lag system, it is possible to perform a highly accurate air-fuel ratio control by sequentially estimating changes in the dead time.
この場合、請求項14のように、モデルパラメータを同定する際に、制御対象の入力を触媒の流入過不足酸素量とすると良い。このようにすれば、触媒による排気ガスの浄化率を高めるようにモデルパラメータを同定することができる。 In this case, as in the fourteenth aspect, when the model parameter is identified, the input to be controlled may be the inflow excess / deficiency oxygen amount of the catalyst. In this way, the model parameter can be identified so as to increase the exhaust gas purification rate by the catalyst.
以下、本発明を内燃機関の空燃比制御システムに適用して具体化した一実施例を図面を用いて説明する。
まず、図1に基づいてエンジン制御システム全体の概略構成を説明する。内燃機関であるエンジン11の吸気管12の最上流部には、エアクリーナ13が設けられ、このエアクリーナ13の下流側に、吸入空気量を検出するエアフローメータ14が設けられている。このエアフローメータ14の下流側には、モータ15によって開度調節されるスロットルバルブ16と、このスロットルバルブ16の開度(スロットル開度)を検出するスロットル開度センサ17とが設けられている。
Hereinafter, an embodiment in which the present invention is applied to an air-fuel ratio control system for an internal combustion engine will be described with reference to the drawings.
First, a schematic configuration of the entire engine control system will be described with reference to FIG. An
更に、スロットルバルブ16の下流側には、サージタンク18が設けられ、このサージタンク18には、吸気管圧力を検出する吸気管圧力センサ19が設けられている。また、サージタンク18には、エンジン11の各気筒に空気を導入する吸気マニホールド20が設けられ、各気筒の吸気マニホールド20の吸気ポート近傍に、それぞれ燃料を噴射する燃料噴射弁21が取り付けられている。また、エンジン11のシリンダヘッドには、各気筒毎に点火プラグ22が取り付けられ、各点火プラグ22の火花放電によって各気筒内の混合気に着火される。
Further, a
また、エンジン11のシリンダブロックには、冷却水温を検出する冷却水温センサ26や、エンジン11のクランク軸27が所定クランク角回転する毎にクランク角信号(パルス信号)を出力するクランク角センサ28が取り付けられている。このクランク角センサ28のクランク角信号に基づいてクランク角やエンジン回転速度が検出される。
The cylinder block of the
一方、エンジン11の排気管23には、排気ガスを浄化するための2つの触媒25,30が直列に設けられている。各触媒25,30は、例えば、三元触媒、NOx吸蔵型三元触媒等により構成され、上流側の触媒25の上流側と下流側には、それぞれ特定排気ガス濃度(例えば酸素濃度、空燃比等)を検出する上流側排気ガスセンサ31と下流側排気ガスセンサ32とが設けられている。本実施例では、上流側排気ガスセンサ31として空燃比センサを用い、下流側排気ガスセンサ32として酸素センサ(O2 センサ)を用いているが、この構成に限定されないことは言うまでもない。
On the other hand, the
これら各種センサの出力は、エンジン制御回路(以下「ECU」と表記する)29に入力される。このECU29は、マイクロコンピュータを主体として構成され、内蔵されたROM(記憶媒体)に記憶された各種のエンジン制御プログラムを実行することで、エンジン運転状態に応じて燃料噴射弁21の燃料噴射量や点火プラグ22の点火時期を制御する。
Outputs of these various sensors are input to an engine control circuit (hereinafter referred to as “ECU”) 29. The
また、ECU29は、図2に示すように、上流側排気ガスセンサ31で検出した空燃比を上流側触媒25上流側の目標空燃比に一致させるように供給空燃比(燃料噴射量)をフィードバック補正するメインフィードバック制御(以下の説明では「フィードバック」を「F/B」で表記する)を行うメインF/Bコントローラ40と、下流側排気ガスセンサ32の検出電圧(検出空燃比)を目標電圧(上流側触媒25下流側の目標空燃比)に一致させるように上流側触媒25上流側の目標空燃比をF/B補正するサブF/B制御を行うサブF/Bコントローラ41として機能する。
Further, as shown in FIG. 2, the
メインF/Bコントローラ40は、事前にモデル化して適合したプラントモデル(1次遅れ系+むだ時間のモデル)を基に設計されたものであり、このメインF/Bコントローラ40により上流側排気ガスセンサ31の検出空燃比と上流側触媒25上流側の目標空燃比との偏差を小さくするように空燃比補正係数が演算され、最適な空燃比F/B制御が実現される。
The main F /
一方、サブF/Bコントローラ41は、下流側排気ガスセンサ32の検出電圧(検出空燃比)を目標電圧(上流側触媒25下流側の目標空燃比)に一致させるように上流側触媒25上流側の目標空燃比をF/B補正するサブF/B制御を行うように、事前にモデル化して適合したプラントモデル(2次遅れ系+むだ時間のモデル)を基に設計されている。
On the other hand, the sub F /
しかしながら、このサブF/Bコントローラ41の実際の制御対象(上流側触媒25、下流側排気ガスセンサ32)の個体差や劣化等によってサブF/B制御誤差が生じる。そこで、本実施例では、適応制御と称される制御方式を用い、サブF/Bコントローラ41におけるF/Bゲインを制御対象(プラント)の現時点の動特性に自動的に適応させ、制御系の性能を常に最良の状態に保持するようにしている。すなわち、制御対象を数式モデルで表したプラントモデルを用い、制御対象の入力(上流側触媒25の流入過不足酸素量)を該プラントモデルに入力した時のプラントモデル出力と制御対象の出力(下流側排気ガスセンサ32の検出電圧)との誤差eをゼロに近づけるようにプラントモデルの可変パラメータを逐次同定する(この機能が特許請求の範囲でいう同定手段に相当する)。
However, a sub F / B control error occurs due to individual differences or deterioration of the actual control target (
ここで、プラントモデルは、離散時間で表した離散プラントモデルであり、むだ時間を持つ2次遅れ系で近似すると共に、図3に示すように、2次遅れ系は、2つの1次遅れ系に分割して離散化した後結合して近似するようにしている。 Here, the plant model is a discrete plant model expressed in discrete time, approximated by a second-order lag system having a dead time, and as shown in FIG. 3, the second-order lag system is composed of two first-order lag systems. After being divided into discretizations, they are combined and approximated.
プラントモデル(上流側触媒25+下流側排気ガスセンサ32のモデル)の離散化は、オフラインで以下のように行う。本実施例では、プラントモデルをむだ時間を持つ2次遅れ系で近似する。
連続プラントモデルは、出力をY(s)、入力をU(s)として次式で表される。
The discretization of the plant model (
The continuous plant model is expressed by the following equation with the output Y (s) and the input U (s).
ここで、ω、ζ、K、Lは連続モデルパラメータで、ωは固有角振動数、ζは減衰係数、Kは定常ゲイン、Lはむだ時間である。
また、むだ時間Lは、次式で表される。
L=d×dt+L1
Here, ω, ζ, K, and L are continuous model parameters, ω is a natural angular frequency, ζ is a damping coefficient, K is a steady gain, and L is a dead time.
The dead time L is expressed by the following equation.
L = d × dt + L1
ここで、dはむだサンプリング回数、dtはサンプリング周期、L1 は余むだ時間である。つまり、むだ時間Lを離散化のサンプリング周期dtで除算した商dをむだサンプリング回数とし、余りL1 を余むだ時間とするものである。むだ時間Lをサンプリング周期dtで割り切れない場合は、余むだ時間L1 は0〜dtの正の値となる。
上記[数1]式で表される連続プラントモデルの伝達関数G(s)は次式で表される。
Here, d is the number of dead sampling times, dt is the sampling period, and L1 is the dead time. That is, the quotient d obtained by dividing the dead time L by the discretization sampling period dt is the number of times of dead sampling, and the remainder L1 is the dead time. If the dead time L cannot be divided by the sampling period dt, the dead time L1 is a positive value between 0 and dt.
The transfer function G (s) of the continuous plant model expressed by the above [Equation 1] is expressed by the following equation.
この連続プラントモデルを離散化(拡張z変換)する際に、部分分数展開を利用して、次のように1次遅れ系の和に分解する。ここで、z[*]は*の拡張z変換を表す。 When this continuous plant model is discretized (extended z-transform), partial fraction expansion is used to decompose it into a sum of first-order lag systems as follows. Here, z [*] represents the extended z transformation of *.
従って、離散プラントモデルは、次式で表される。 Therefore, the discrete plant model is expressed by the following equation.
上式を差分方程式に変換すると、次のように表される。 When the above equation is converted into a difference equation, it is expressed as follows.
ここで、p1 〜p4 は離散モデルパラメータであり、次のように表される。
p1 =a1 +a2
p2 =a1 a2
p3 =ρ(k1 −k2 )
p4 =ρ(a1 k2 −a2 k1 )
上記k1 ,k2 の中には、余むだ時間L1 が含まれる。
拡張z変換した離散プラントモデルは、次式で表される。
Here, p1 to p4 are discrete model parameters and are expressed as follows.
p1 = a1 + a2
p2 = a1 a2
p3 = ρ (k1 -k2)
p4 = ρ (a1 k2 -a2 k1)
In the above k1 and k2, the extra time L1 is included.
The discrete plant model subjected to the extended z-transform is expressed by the following equation.
以上説明した離散化式をまとめると、図4のように表される。
この離散モデルパラメータを連続化すると、図5に示すように、連続モデルパラメータω、ζ、K、L1 が導き出される。
The discretization equations described above are summarized as shown in FIG.
When the discrete model parameters are made continuous, continuous model parameters ω, ζ, K, and L1 are derived as shown in FIG.
上記各式に関して、実際はオンボードで演算可能にするため近似演算を用いても良い。例えば、三角関数、指数関数、対数関数は、2次までテイラー展開し、誤差大の範囲はテーブルでもつものとする。 For each of the above formulas, an approximate calculation may be used in order to actually enable the calculation on board. For example, a trigonometric function, an exponential function, and a logarithmic function are Taylor-expanded up to the second order, and the range of large error is assumed to be a table.
さて、図4に示すように、拡張z変換により離散化すると、離散モデルパラメータp3 ,p4 に余むだ時間L1 の情報(これが「むだ時間の一部の情報」に相当)が含まれる。このことが拡張z変換の特徴であり、一般的なz変換による離散化では現れないものである。同定システムにより同定するのは、離散モデルパラメータθ(θ=[p1 ,p2 ,p3 ,p4 ]T : 上付きTは転置を表す)であり、同定値θ_hat (x_hat はxの同定値もしくは推定値を表すものとする、以下同様)を用いて、図5の連続化式により連続モデルパラメータの推定値ω_hat ,ζ_hat ,K_hat ,L1 _hat を算出できるようになっている。この余むだ時間の推定値L1 _hat を用いることで、むだ時間L(むだサンプリング回数d)を推定することが可能となる。この機能が特許請求の範囲でいうむだ時間推定手段に相当する。
As shown in FIG. 4, when discretized by the extended z-transform, information of the dead time L1 remaining in the discrete model parameters p3 and p4 (this corresponds to "part of dead time information") is included. This is a feature of the extended z-transform and does not appear in discretization by a general z-transform. The identification system identifies the discrete model parameter θ (θ = [
以下、離散モデルパラメータを同定する同定処理について説明する。本同定処理では、同定誤差e(制御対象の実出力と離散プラントモデル出力との偏差)をゼロにするように離散モデルパラメータを逐次最小二乗法により推定する。以下、図2を基に詳細に説明する。
離散プラントモデルは上記[数6]式で表される数式モデルであり、離散モデルパラメータθ(θ=[p1 ,p2 ,p3 ,p4 ]T )は適応機構により逐次推定される。
Hereinafter, an identification process for identifying discrete model parameters will be described. In this identification process, the discrete model parameters are sequentially estimated by the least square method so that the identification error e (deviation between the actual output of the controlled object and the discrete plant model output) is zero. Hereinafter, it demonstrates in detail based on FIG.
The discrete plant model is a mathematical model expressed by the above [Equation 6], and the discrete model parameter θ (θ = [p1, p2, p3, p4] T ) is sequentially estimated by an adaptive mechanism.
図2に示すように、適応機構42は、離散プラントモデルの予測出力と制御対象の出力(下流側排気ガスセンサ32の検出電圧)との同定誤差eをゼロに近づけるように離散モデルパラメータθを推定するものである。同定誤差eは、離散プラントモデルに実際の制御入力uを入力した時のモデル出力y_hat と制御対象の実出力yとの誤差である。尚、離散プラントモデルに入力される制御入力uや制御対象の実出力y(下流側排気ガスセンサ32の検出電圧)には、不要な直流成分やノイズ成分などが含まれる。それ故に、制御入力uは、低周波成分除去手段としてのHPF(ハイパスフィルタ)により直流成分が除去される。
As shown in FIG. 2, the
また、制御対象の実出力yにおいて、F/B制御用の出力yは、高周波成分除去手段としてのLPF(ローパスフィルタ)によりノイズ成分が除去され、パラメータ同定用の出力yは、HPFとLPFとを組み合わせたBPF(バンドパスフィルタ)により直流成分とノイズ成分とが除去される。このとき、空燃比F/B用の出力yと同定用の出力yとには各々別のLPFを設定できるようになっている。 In addition, in the actual output y to be controlled, the noise component is removed from the output y for F / B control by an LPF (low pass filter) as a high frequency component removing means, and the output y for parameter identification is HPF and LPF. A DC component and a noise component are removed by a BPF (band pass filter) combining the above. At this time, different LPFs can be set for the output y for the air-fuel ratio F / B and the output y for identification.
また、同定誤差eには必要に応じてフィルタ処理(LPF)や不感帯処理が施される。このフィルタ処理により、同定パラメータの振動が抑制され、不感帯処理により過同定が抑制される。尚、このフィルタ処理や不感帯処理は無くても良い。 The identification error e is subjected to filter processing (LPF) and dead zone processing as necessary. This filtering process suppresses the vibration of the identification parameter, and the dead band process suppresses overidentification. Note that this filter processing and dead zone processing may be omitted.
ここで、前記[数6]式を、入力にむだ時間を有する自己回帰モデルとして表現しなおすと、次のように表される。 Here, when the above [Expression 6] is re-expressed as an autoregressive model having a time delay in input, it is expressed as follows.
上式を線形パラメトリックな自己回帰モデルとして表現しなおすと、次のように表される。 Re-expressing the above equation as a linear parametric autoregressive model, it is expressed as follows.
ここで、θ_hat(k-1)=[p1 _hat(k-1),p2 _hat(k-1),p3 _hat(k-1),p4 _hat(k-1)]T ,ζ(k-1) =[y(k-1) ,y(k-2) ,u(t-d-1) ,u(t-d-2) ]T である。
同定誤差eは次式で求められる。
Here, θ_hat (k-1) = [p1_hat (k-1), p2_hat (k-1), p3_hat (k-1), p4_hat (k-1)] T , ζ (k-1 ) = [Y (k-1), y (k-2), u (td-1), u (td-2)] T.
The identification error e is obtained by the following equation.
次に、適応機構42において、同定誤差eをゼロにするように離散モデルパラメータの推定値θ_hat を算出するパラメータ調整則は、本実施例では重み付き最小二乗法の原理に基づいて導出される。次式に示す同定誤差eの2乗和を評価関数として考える。
Next, the parameter adjustment rule for calculating the estimated value θ_hat of the discrete model parameter so that the identification error e is zero in the
ここで、λは忘却係数とも呼ばれる重み係数である。上記評価関数が最小となるようなパラメータ調整則は次式のように与えられる。 Here, λ is a weighting factor called a forgetting factor. A parameter adjustment rule that minimizes the evaluation function is given by the following equation.
上式において、同定誤差eに乗算する行列ゲインΓ及びスカラゲインγは次式のようになる。 In the above equation, the matrix gain Γ and the scalar gain γ multiplied by the identification error e are as follows.
そして、上式で求められた離散モデルパラメータの推定値が離散プラントモデルに反映される。
尚、パラメータ調整則は上記以外に、例えば、固定ゲイン則、漸減ゲイン則、可変ゲイン則、固定トレース則等を用いても良い。
And the estimated value of the discrete model parameter calculated | required by the said Formula is reflected in a discrete plant model.
In addition to the above, the parameter adjustment rule may be, for example, a fixed gain rule, a gradually decreasing gain rule, a variable gain rule, a fixed trace rule, or the like.
適応機構42で同定された離散モデルパラメータは、学習判定処理により同定誤差eが所定範囲内であるか否かが判定され、同定誤差eが所定範囲内であれば、むだ時間Lの学習が許可される。
The discrete model parameters identified by the
同定された離散モデルパラメータp1 ,p2 ,p3 ,p4 は、図5に示す連続化式により連続化され、連続モデルパラメータω、ζ、K、L1 に変換される。そして、後述する方法で、余むだ時間L1 からむだ時間Lが学習される。この学習値は、ECU29のバックアップRAM等の書き換え可能な不揮発性メモリに記憶され、電源オフ中でも、学習値の記憶を保持できるようになっている。
The identified discrete model parameters p1, p2, p3, and p4 are made continuous by the continuation formula shown in FIG. 5 and converted into continuous model parameters ω, ζ, K, and L1. Then, the dead time L is learned from the dead time L1 by the method described later. The learned value is stored in a rewritable nonvolatile memory such as a backup RAM of the
サブF/Bコントローラ41に対しては、連続モデルパラメータω、ζ、K、L1 の学習値が離散化されて入力される。サブF/Bコントローラ41は、学習値から算出された離散モデルパラメータを用いて制御対象の入力(入力酸素量)を算出する。この際、学習値(同定値)は逐次反映しても良いし、学習値の収束後に反映しても良い。また、学習値の範囲によって、予め算出した離散モデルパラメータ又は制御ゲインそのものを切り替えるようにしても良い。
To the sub F /
次に、むだ時間更新処理について説明する。むだ時間Lを持つ連続系は、次式で表される。 Next, the dead time update process will be described. A continuous system having a dead time L is expressed by the following equation.
そして、上式を拡張z変換により離散化することで、次式が得られる。 Then, the following equation is obtained by discretizing the above equation by the extended z-transform.
但し、上記[数13]式、[数14]式において、y(k)=x(k)である。
ここで、図6は、kdt≦t<(k+1)dtにおける出力y(k+1)に影響を与える制御入力u(むだ時間分だけ正の方向にずらした制御入力u)の変化を表すタイムチャートである。図6において、むだ時間Lがサンプリング周期dtで割り切れない場合、入力u(τ−L)は、τ=kdt〜(k+1)dtの期間内で一度だけ値が変わり、当該期間では、d回前の入力uの影響とd+1回前の入力uの影響を受ける。なお、上記[数14]式では、右辺の第2項によりd回前の入力uの影響を表し、同第3項によりd+1回前の入力uの影響を表している。
However, in the above [Expression 13] and [Expression 14], y (k) = x (k).
Here, FIG. 6 is a time chart showing a change in the control input u (control input u shifted in the positive direction by the dead time) that affects the output y (k + 1) when kdt ≦ t <(k + 1) dt. is there. In FIG. 6, when the dead time L is not divisible by the sampling period dt, the input u (τ−L) changes only once within the period of τ = kdt to (k + 1) dt. And the input u d + 1 times before. In the above [Expression 14], the second term on the right side represents the influence of the input u before d times, and the third term represents the influence of the input u before d + 1 times.
この場合、制御対象の実むだ時間は未知であるが、拡張z変換により離散化した離散モデルパラメータには余むだ時間L1 の情報が含まれており、この余むだ時間L1 を用いることによりむだ時間Lの推定が可能となる。本実施例では、離散モデルパラメータの推定値θ_hat の連続化により算出される余むだ時間の推定値L1 _hat の変化に基づき、離散プラントモデルのむだ時間を制御対象の実むだ時間に近づけるように、むだ時間(むだサンプリング回数d)を更新し、更新したむだ時間(むだサンプリング回数d)を離散プラントモデルでのプラントモデル出力の算出に反映させるようにしている。 In this case, the actual dead time of the controlled object is unknown, but the discrete model parameters discretized by the extended z-transform contain information on the extra time L1, and the dead time is obtained by using this extra time L1. L can be estimated. In the present embodiment, based on the change in the estimated time L1_hat of the dead time calculated by continuation of the estimated value θ_hat of the discrete model parameters, the dead time of the discrete plant model is brought closer to the actual dead time of the controlled object. The dead time (dead sampling number d) is updated, and the updated dead time (dead sampling number d) is reflected in the calculation of the plant model output in the discrete plant model.
より具体的には、余むだ時間の推定値L1 _hat が、サンプリング周期dtで規定される上限値近傍又は下限値近傍にあるか否かを判定する。ここで、推定値L1 _hat の上限値はdt、下限値は0であり、微小な正の定数ε2 により上限値近傍を「dt−ε2 〜dtの範囲」、下限値近傍を「0〜0+ε2 の範囲」として設定する。この場合、余むだ時間の推定値L1 _hat が上限値近傍(dt−ε2 〜dt)に変化してその状態が所定時間継続した場合に、むだサンプリング回数dを1つ繰り上げると共に、該余むだ時間の推定値L1 _hat を下限値近傍の所定値(但し下限値=0以上)とする。また、余むだ時間の推定値L1 _hat が下限値近傍(0〜0+ε2 )に変化してその状態が所定時間継続した場合に、むだサンプリング回数dを1つ繰り下げると共に、該余むだ時間の推定値L1 _hat を上限値近傍の所定値(但し上限値=dt以下)とする。 More specifically, it is determined whether or not the estimated value L1_hat of the surplus time is in the vicinity of the upper limit value or the lower limit value defined by the sampling period dt. Here, the upper limit value of the estimated value L1_hat is dt, and the lower limit value is 0. By a small positive constant ε2, the vicinity of the upper limit value is “range of dt−ε2 to dt”, and the vicinity of the lower limit value is “0 to 0 + ε2”. Set as "Range". In this case, when the estimated value L1_hat of the dead time changes to the vicinity of the upper limit value (dt−ε2 to dt) and the state continues for a predetermined time, the dead sampling time d is incremented by one and the dead time is increased. Is set to a predetermined value near the lower limit value (however, the lower limit value = 0 or more). Further, when the estimated value L1_hat of the dead time changes to the vicinity of the lower limit value (0 to 0 + ε2) and the state continues for a predetermined time, the dead sampling number d is decremented by one and the estimated value of the dead time is also obtained. Let L1_hat be a predetermined value near the upper limit (however, the upper limit = dt or less).
その概要を図7のタイムチャートを用いて説明する。図7(a)に示すように、ある入力に対するノミナルむだ時間(むだ時間のノミナル値)と実むだ時間との間に図示のような誤差が生じている場合を想定する。ノミナルむだ時間は、予め設定したノミナルモデルスケジューラを用いて算出される。サンプリングタイミング(d・dt)を超えた部分が余むだ時間L1 である。 The outline will be described with reference to the time chart of FIG. As shown in FIG. 7A, it is assumed that an error as shown in the figure occurs between the nominal dead time (nominal value of the dead time) for a certain input and the actual dead time. The nominal dead time is calculated using a preset nominal model scheduler. The portion exceeding the sampling timing (d · dt) is the extra time L1.
この場合、同定が逐次行われることにより、図7(b)に示すように、余むだ時間の推定値L1 _hat が変化し、dt近傍(上述したdt−ε2 〜dtの範囲)まで増加する。そして、余むだ時間の推定値L1 _hat がdt近傍で所定時間以上とどまっている場合には、図7(c)に示すように、むだサンプリング回数の推定値d_hat が1つ繰り上げられ(d_hat ←d+1)、更に、余むだ時間の推定値L1 _hat がゼロ近傍の値に更新される。 In this case, as the identification is performed sequentially, as shown in FIG. 7B, the estimated value L1_hat of the surplus time changes and increases to the vicinity of dt (the above-described range of dt−ε2 to dt). If the estimated value L1_hat of the dead time stays in the vicinity of dt for a predetermined time or longer, the estimated value d_hat of the number of dead samplings is incremented by one (d_hat ← d + 1) as shown in FIG. In addition, the estimated value L1_hat of the extra time is updated to a value near zero.
その後、同定が逐次行われることにより、図7(d)に示すように、余むだ時間の推定値L1 _hat が増加し、それに伴いむだ時間の推定値が実むだ時間に収束する。この場合、ノミナルむだ時間と実むだ時間との誤差がサンプリング周期の2倍以上であっても、上記更新を繰り返すことにより、むだ時間の推定値が実むだ時間に収束する。また、実むだ時間に収束後、劣化等により実むだ時間の変動がある場合にも、上記更新を実行することにより常にむだ時間の推定値を実むだ時間に収束させることができる。 Thereafter, by performing identification sequentially, as shown in FIG. 7D, the estimated value L1_hat of the dead time increases, and the estimated value of the dead time converges to the actual dead time accordingly. In this case, even if the error between the nominal dead time and the actual dead time is more than twice the sampling period, the estimated value of the dead time converges to the actual dead time by repeating the above update. Further, even when there is a fluctuation in the actual dead time due to deterioration after the convergence to the actual dead time, the estimated value of the dead time can always be converged to the actual dead time by executing the above update.
なお、図7では、余むだ時間の推定値L1 _hat が増加する場合を例示し、それに伴い、むだサンプリング回数の推定値d_hat が1つ繰り上げられる様子を説明したが、これとは逆に、余むだ時間の推定値L1 _hat が減少する場合には、それに伴いむだサンプリング回数の推定値d_hat が1つ繰り下げられると共に、余むだ時間の推定値L1 _hat がdt近傍の値に更新される。 FIG. 7 illustrates the case where the estimated value L1_hat of the surplus time increases, and along with this, has been described how the estimated value d_hat of the number of dead samplings is incremented by one. When the estimated value L1_hat of the dead time decreases, the estimated value d_hat of the number of dead samplings is lowered by one, and the estimated value L1_hat of the dead time is updated to a value near dt.
以上説明した適応制御処理等は、ECU29によって図8乃至図14の各プログラムに従って実行される。以下、図8乃至図14の各プログラムの処理内容を説明する。
The adaptive control process and the like described above are executed by the
[燃料噴射制御プログラム]
図8の燃料噴射制御プログラムは、エンジン運転中に所定周期(例えば30CA周期)で実行される。本プログラムが起動されると、まずステップ101で、例えば基本噴射量マップ等を用いて、その時点のエンジン回転速度や負荷等の運転状態パラメータに基づいて基本噴射量TPを算出する。
[Fuel injection control program]
The fuel injection control program in FIG. 8 is executed at a predetermined cycle (for example, 30 CA cycle) during engine operation. When this program is started, first, in
この後、ステップ102に進み、空燃比F/B制御実行条件が成立しているか否かを判定する。ここで、空燃比F/B制御実行条件は、例えば、次の条件(1) 〜(4) によって判定される。 Thereafter, the routine proceeds to step 102 where it is determined whether or not the air-fuel ratio F / B control execution condition is satisfied. Here, the air-fuel ratio F / B control execution condition is determined by the following conditions (1) to (4), for example.
(1) 上流側排気ガスセンサ31と下流側排気ガスセンサ32が活性化していること
(2) 空燃比制御システムが正常に動作すること(フェイル判定が行われていないこと) (3) エンジン冷却水温が所定温度以上(例えば70℃以上)であること、つまりエンジン11の暖機後であること
(4) エンジン運転状態がF/B実行領域であること
(1) The upstream side
(2) The air-fuel ratio control system operates normally (fail judgment is not performed). (3) The engine cooling water temperature is higher than a predetermined temperature (for example, 70 ° C. or higher), that is, after the
(4) The engine operating state is in the F / B execution range
これらの条件(1) 〜(4) の中で、1つでも満たさない条件があれば、空燃比F/B制御実行条件が不成立となり、ステップ103に進み、空燃比補正係数FAFを「1.0」に設定する。この場合は、空燃比F/B制御は行われないこととなる。 If any one of these conditions (1) to (4) does not satisfy the condition, the air-fuel ratio F / B control execution condition is not satisfied, and the routine proceeds to step 103 where the air-fuel ratio correction coefficient FAF is set to “1. Set to “0”. In this case, the air-fuel ratio F / B control is not performed.
これに対して、上記条件(1) 〜(4) を全て満たせば、空燃比F/B制御実行条件が成立して、ステップ104に進み、後述する図9の目標空燃比算出プログラムを実行して、上流側触媒25の上流側の目標空燃比λTGを算出した後、ステップ105に進み、上流側排気ガスセンサ31で検出した空燃比と目標空燃比λTGとの偏差を小さくするように空燃比補正係数FAFを算出する。
On the other hand, if all of the above conditions (1) to (4) are satisfied, the air-fuel ratio F / B control execution condition is satisfied, the process proceeds to step 104, and the target air-fuel ratio calculation program of FIG. After calculating the upstream target air-fuel ratio λTG of the
以上のようにして、ステップ103又は105で、空燃比補正係数FAFを算出した後、ステップ106に進み、空燃比補正係数FAFやその他各種の補正係数(例えば冷却水温補正係数、学習補正係数、加減速時の補正係数等)により基本噴射量TPを補正して、要求燃料噴射量TAUを算出する。
As described above, after calculating the air-fuel ratio correction coefficient FAF in
TAU=TP×FAF×各種補正係数
[目標空燃比算出プログラム]
図9の目標空燃比算出プログラムは、上記図8の燃料噴射制御プログラムのステップ104で実行されるサブルーチンである。本プログラムが起動されると、まずステップ201で、後述する図10の同定実行条件判定プログラムを実行して、同定実行条件の成否を判定し、その判定結果に応じて同定実行フラグをセット/リセット(ON/OFF)する。
TAU = TP × FAF × various correction factors [target air-fuel ratio calculation program]
The target air-fuel ratio calculation program in FIG. 9 is a subroutine executed in
その後、ステップ202に進み、図10の同定実行条件判定プログラムの実行結果に基づいて同定実行フラグがONであるか否かを判定し、同定実行フラグがONであれば、同定実行条件が成立していると判断して、ステップ203に進み、下流側排気ガスセンサ32の目標電圧を設定する。この際、元々の目標電圧に例えば所定振幅を加えた電圧を目標電圧として設定する。
Thereafter, the process proceeds to step 202, where it is determined whether or not the identification execution flag is ON based on the execution result of the identification execution condition determination program of FIG. 10, and if the identification execution flag is ON, the identification execution condition is satisfied. The process proceeds to step 203 where the target voltage of the downstream side
この後、ステップ204に進み、後述する図12の同定処理プログラムを実行して、制御対象の入力(上流側触媒25の流入過不足酸素量)を離散プラントモデルに入力した時のプラントモデル出力と制御対象の出力(下流側排気ガスセンサ32の検出電圧)との誤差eをゼロに近づけるように離散プラントモデルの可変パラメータを同定する。この後、ステップ205の処理に進む。 Thereafter, the process proceeds to step 204, where an identification processing program shown in FIG. 12 to be described later is executed, and the plant model output when the control target input (inflow excess / deficient oxygen amount of the upstream catalyst 25) is input to the discrete plant model. The variable parameter of the discrete plant model is identified so that the error e with respect to the output to be controlled (detection voltage of the downstream side exhaust gas sensor 32) approaches zero. Thereafter, the process proceeds to step 205.
一方、同定実行フラグがOFFであれば、同定実行条件が不成立であると判断して、上記同定処理(ステップ203、204)を行わずに、ステップ205に進む。
このステップ205では、サブF/B制御入力算出処理を実行する。このサブF/B制御入力算出処理では、同定処理により学習したパラメータに基づいて、下流側排気ガスセンサ32の検出電圧を目標電圧に近付けるように、モデルベース制御則(例えば現代制御やロバスト制御)によりサブF/B制御入力となる入力酸素量(上流側触媒25の流入過不足酸素量)を算出する。この際、PI制御又はPID制御のような古典制御を用いてサブF/B制御入力を算出するようにしても良い。
On the other hand, if the identification execution flag is OFF, it is determined that the identification execution condition is not satisfied, and the process proceeds to step 205 without performing the identification processing (
In
本実施例では、入力酸素量=目標酸素量と見なすようにしているが、入力酸素量=検出酸素量としても良いし、空燃比補正係数から入力酸素量を算出するようにしても良い。
この後、ステップ206に進み、目標酸素量(入力酸素量)より目標空燃比λTGを次のようにして算出する。まず、前回演算時から今回演算時までの目標燃料過剰率変化量Δφを次式により算出する。
In this embodiment, it is assumed that the input oxygen amount = the target oxygen amount, but the input oxygen amount = the detected oxygen amount may be used, or the input oxygen amount may be calculated from the air-fuel ratio correction coefficient.
Thereafter, the routine proceeds to step 206, where the target air-fuel ratio λTG is calculated from the target oxygen amount (input oxygen amount) as follows. First, the target fuel excess rate change amount Δφ from the previous calculation to the current calculation is calculated by the following equation.
Δφ={O(k) −O(k-1) }/(K・W・dt)
O(k) :今回の目標酸素量
O(k-1) :前回の目標酸素量
K:標準空気酸素質量割合
W:上流側触媒25の流入排気ガス流量[g/s]
dt:演算周期
Δφ = {O (k) −O (k−1)} / (K · W · dt)
O (k): Current target oxygen amount
O (k-1): Previous target oxygen content
K: Standard air oxygen mass ratio
W: Inflow exhaust gas flow rate [g / s] of the
dt: Calculation cycle
ここで、Wは、上流側触媒25の流入排気ガス流量の代わりに、エンジン吸入空気量を用いても良い。また、演算周期dtは、時間同期でも良いし、エンジン回転速度同期でも良い。エンジン回転速度同期の場合は、演算周期dtはエンジン回転速度Ne の関数となる。
Here, W may use the engine intake air amount instead of the inflow exhaust gas flow rate of the
この目標燃料過剰率変化量Δφを算出した後、ベース燃料過剰率φBASEから目標燃料過剰率変化量Δφを差し引いて目標燃料過剰率φTGを求める。
φTG=φBASE−Δφ
この目標燃料過剰率φTGの逆数が目標空燃比λTGとなる。
λTG=1/φTG
After calculating this target fuel excess rate variation Δφ, the target fuel excess rate φTG is obtained by subtracting the target fuel excess rate variation Δφ from the base fuel excess rate φBASE.
φTG = φBASE-Δφ
The reciprocal of this target fuel excess ratio φTG is the target air-fuel ratio λTG.
λTG = 1 / φTG
この後、ステップ207に進み、目標空燃比λTGにベース目標空燃比を加算(又は乗算)して最終的な目標空燃比λTGを求める。この際、ベース目標空燃比は、例えばエンジン運転条件をパラメータとするマップ等により算出される。 Thereafter, the process proceeds to step 207, and the final target air-fuel ratio λTG is obtained by adding (or multiplying) the base target air-fuel ratio to the target air-fuel ratio λTG. At this time, the base target air-fuel ratio is calculated by, for example, a map using engine operating conditions as parameters.
[同定実行条件判定プログラム]
図10の同定実行条件判定プログラムは、図9の目標空燃比算出プログラムのステップ201で実行されるサブルーチンである。本プログラムが起動されると、まずステップ301で、触媒劣化検出時であるか否かを判定し、触媒劣化検出時であれば、ステップ305に進み、同定実行フラグをONにセットする。
[Identification execution condition judgment program]
The identification execution condition determination program in FIG. 10 is a subroutine executed in
一方、上記ステップ301で、触媒劣化検出時でないと判定されれば、ステップ302に進み、後述する図11の運転状態判定プログラムを実行して、現在のエンジン運転状態が定常か過渡かを判定する。この後、ステップ303に進み、図11の運転状態判定プログラムの実行結果に基づいて現在のエンジン運転状態が過渡であるか否かを判定し、過渡であれば、ステップ304に進み、同定実行フラグをOFFにリセットし、定常であれば、ステップ305に進み、同定実行フラグをONにセットする。
On the other hand, if it is determined in
尚、同定実行条件は、触媒劣化検出時であることのみとしたり、逆に触媒劣化検出時であることを同定実行条件から外したりすることも可能である。また、空燃比F/B制御が実行される全運転領域で同定実行フラグをONにセットするようにしても良い。 It should be noted that the identification execution condition may be only when the catalyst deterioration is detected, or conversely, the identification execution condition may be excluded from the identification execution condition. Further, the identification execution flag may be set to ON in the entire operation region where the air-fuel ratio F / B control is executed.
[運転状態判定プログラム]
図11の運転状態判定プログラムは、図10の同定実行条件判定プログラムのステップ302で実行されるサブルーチンであり、特許請求の範囲でいう運転状態判定手段としての役割を果たす。本プログラムが起動されると、まずステップ301で、エンジン回転速度変化量(変化率の絶対値)が所定値以下であるか否かを判定し、エンジン回転速度変化量が所定値以下でなければ、ステップ404に進み、現在のエンジン運転状態が過渡であると判定する。
[Operation status judgment program]
The operation state determination program in FIG. 11 is a subroutine executed in
一方、上記ステップ401で、エンジン回転速度変化量が所定値以下と判定されれば、ステップ402に進み、負荷変化量(負荷変化率の絶対値)が所定値以下であるか否かを判定し、負荷変化量が所定値以下でなければ、ステップ404に進み、現在のエンジン運転状態が過渡であると判定する。
On the other hand, if it is determined in
上記ステップ401と402でいずれも「Yes」と判定された場合、つまりエンジン回転速度変化量が所定値以下で且つ負荷変化量が所定値以下である場合には、ステップ403に進み、現在のエンジン運転状態が定常であると判定する。
If both of the
尚、エンジン運転中に、所定時間以上の期間、定常と判定されない場合は、同定の実行頻度を確保するために、エンジン回転速度変化量と負荷変化量に対する定常判定値(ステップ401と402の所定値)を大きい値に変更するようにしても良い。
In addition, when it is not determined that the engine is stationary for a predetermined period of time or longer during engine operation, a stationary determination value for the engine speed change amount and the load change amount (predetermined values in
[同定処理プログラム]
図12の同定処理プログラムは、図9の目標空燃比算出プログラムのステップ204で実行されるサブルーチンであり、特許請求の範囲でいう同定手段としての役割を果たす。本プログラムが起動されると、まずステップ501で、入力酸素量(上流側触媒25の流入過不足酸素量)を次の(1) 、(2) のいずれかの方法で算出する。
[Identification processing program]
The identification processing program of FIG. 12 is a subroutine executed in
(1) 目標酸素量をベース目標空燃比変化分に応じて補正して入力酸素量を算出する。
(2) 上流側触媒25の流入ガス空燃比を、上流側排気ガスセンサ31の検出空燃比又は燃料噴射補正係数に基づく値とし、次式により入力酸素量を算出する。
入力酸素量=Σ{K・W・(理論当量比−触媒流入ガス当量比)・dt}
K:標準空気酸素質量割合
W:触媒流入排気ガス流量[g/s](エンジン吸入空気量でもよい)
dt:演算周期
(1) The input oxygen amount is calculated by correcting the target oxygen amount according to the change in the base target air-fuel ratio.
(2) The inflow gas air-fuel ratio of the
Input oxygen amount = Σ {K · W · (theoretical equivalent ratio−catalyst inflow gas equivalent ratio) · dt}
K: Standard air oxygen mass ratio
W: catalyst inflow exhaust gas flow rate [g / s] (may be engine intake air amount)
dt: Calculation cycle
ここで、Wは、上流側触媒25の流入排気ガス流量の代わりに、エンジン吸入空気量を用いても良い。また、演算周期dtは、時間同期でも良いし、エンジン回転速度同期でも良い。エンジン回転速度同期の場合は、演算周期dtはエンジン回転速度Ne の関数となる。このステップ501の処理が特許請求の範囲でいう操作量算出手段としての役割を果たす。
Here, W may use the engine intake air amount instead of the inflow exhaust gas flow rate of the
入力酸素量の算出後、ステップ502に進み、離散プラントモデルの出力を算出する。この際、離散プラントモデルの出力と検出出力に同一の所定信号処理を施すものとする。この所定信号処理は、例えば、LPF、HPF、BPFのいずれかであるが、他の処理であっても良い。 After calculating the input oxygen amount, the process proceeds to step 502, and the output of the discrete plant model is calculated. At this time, the same predetermined signal processing is applied to the output and detection output of the discrete plant model. This predetermined signal processing is, for example, one of LPF, HPF, and BPF, but may be other processing.
この後、ステップ503に進み、制御対象の実出力と離散プラントモデルの出力とから同定誤差eを算出する。そして、次のステップ504で、前述したパラメータ調整則に従つてパラメータ適応処理を実行する。これにより、制御対象の実出力と離散プラントモデルの出力との誤差をゼロに近づけるように離散モデルパラメータの推定値θ_hat を算出する。
Thereafter, the process proceeds to step 503, where the identification error e is calculated from the actual output of the controlled object and the output of the discrete plant model. In the
この後、ステップ505に進み、学習判定処理により同定誤差eが所定範囲内であるか否かを判定し、同定誤差eが所定範囲内であれば、むだ時間Lの学習が許可される。この後、ステップ506に進み、前記算出した離散モデルパラメータの推定値θ_hat に対して図5の連続化式を用いて連続化の処理を実行し、連続モデルパラメータ(余むだ時間の推定値L1 _hat )を算出する。尚、上記ステップ505の学習判定処理は、ステップ506の連続化処理後に行うようにしても良い。上記ステップ506の処理が特許請求の範囲でいう連続化手段としての役割を果たす。
Thereafter, the process proceeds to step 505, where it is determined whether or not the identification error e is within a predetermined range by learning determination processing. If the identification error e is within the predetermined range, learning of the dead time L is permitted. Thereafter, the process proceeds to step 506, where the calculated continuous model parameter estimated value θ_hat is subjected to a continuation process using the continuation formula of FIG. 5, and the continuous model parameter (estimated value L1_hat of the remaining time) is executed. ) Is calculated. The learning determination process in
そして、次のステップ507で、後述する図13及び図14のむだ時間更新処理プログラムを実行して、余むだ時間L1 を学習する。この後、ステップ508に進み、図4の離散化式を用いて連続モデルパラメータを離散化処理して離散プラントモデルのパラメータを更新する。
尚、パラメータ適応処理のアルゴリズムは、本実施例に限定されず、他のアルゴリズムを用いても良い。
In the
The algorithm for parameter adaptation processing is not limited to the present embodiment, and other algorithms may be used.
[むだ時間更新処理プログラム]
図13及び図14のむだ時間更新処理プログラムは、図12の同定処理プログラムのステップ507で、例えば180℃A毎に実行されるサブルーチンであり、特許請求の範囲でいうむだ時間推定手段及び学習手段としての役割を果たす。本プログラムで用いる微小な正の定数ε1 ,ε2 ,δは、ε1 <ε2 <δの関係に設定されている。
[Dead time update processing program]
The dead time update processing program in FIGS. 13 and 14 is a subroutine executed at
本プログラムが起動されると、まずステップ601で、前記図12のステップ506で算出した余むだ時間の推定値L1 _hat が所定の判定値「0+ε2 」よりも小さいか否かを判別する。すなわち、余むだ時間の推定値L1 _hat が余むだ時間の下限値近傍(0〜0+ε2 )にあるか否かを判別する。そして、L1 _hat ≧0+ε2 であれば、ステップ603に進み、カウンタcnt_minsを0にクリアする。
When this program is started, first, at
一方、上記ステップ601で、L1 _hat <0+ε2 と判定されば(つまりL1 _hat が下限値近傍にあれば)、ステップ602に進み、カウンタcnt_minsを1インクリメントする。その後、ステップ604に進み、カウンタcnt_minsの値が所定値N1以上で且つ余むだ時間の推定値L1 _hat が微小な負の定数(−δ)よりも小さいこと、又は、カウンタcnt_minsの値が所定値N2以上であることのいずれかが成立するか否かを判別する。ここで、N1>N2である。なお、このステップ604の判定条件を、カウンタcnt_minsの値が所定値N1以上で且つ余むだ時間の推定値L1 _hat が微小な負の定数(−δ)よりも小さいことのみとしたり、或は、カウンタcnt_minsの値が所定値以上であることのみとしたりすることも可能である。
On the other hand, if it is determined in
そして、このステップ604で「No」と判定されれば、ステップ606に進み、余むだ時間L1 _adpを「0」にする。
一方、上記ステップ604で「Yes」と判定されれば、ステップ605に進み、余むだ時間L1 _adp、むだサンプリング回数変化量Δd_adp、カウンタcnt_minsをそれぞれ更新する。
L1 _adp=dt−δ
Δd_adp=−1
cnt_mins=0
If “No” is determined in
On the other hand, if “Yes” is determined in
L1_adp = dt−δ
Δd_adp = −1
cnt_mins = 0
以上のようにして、ステップ603又は605又は606の処理を実行した後、図14のステップ607に進み、余むだ時間の推定値L1 _hat が所定の判定値「dt−ε2 」以上であるか否かを判定する。すなわち、余むだ時間の推定値L1 _hat が余むだ時間の上限値近傍(dt−ε2 〜dt)にあるか否かを判定する。
After executing the processing in
もし、L1 _hat <dt−ε2 であれば、ステップ608に進み、カウンタcnt_pulusを0にクリアする。
一方、上記ステップ607で、L1 _hat ≧dt−ε2 と判定されれば(つまりL1 _hat が上限値近傍にあれば)、ステップ609に進み、カウンタcnt_pulsを1インクリメントする。
If L1_hat <dt-ε2, the process proceeds to step 608 and the counter cnt_pulus is cleared to zero.
On the other hand, if it is determined in
その後、ステップ610に進み、カウンタcnt_pulsの値が所定値N1以上で且つ余むだ時間の推定値L1 _hat が上限値から微小な正の定数δだけ大きい値(dt+δ)よりも小さいこと、又は、カウンタcnt_pulsの値が所定値N2以上であることの何れかが成立するか否かを判定する。尚、このステップ610の判定条件を、カウンタcnt_pulsの値が所定値N1以上で且つ余むだ時間の推定値L1 _hat が(dt+δ)よりも小さいことのみとしたり、カウンタcnt_pulsの値が所定値N2以上であることのみとしたりすることも可能である。 Thereafter, the process proceeds to step 610, where the value of the counter cnt_puls is equal to or larger than the predetermined value N1 and the estimated value L1_hat of the remaining time is smaller than a value (dt + δ) larger than the upper limit by a small positive constant δ, or It is determined whether or not any of the values of cnt_puls is equal to or greater than a predetermined value N2. Note that the determination condition in step 610 is that the value of the counter cnt_puls is equal to or greater than the predetermined value N1 and the estimated time L1_hat of the remaining time is smaller than (dt + δ), or the value of the counter cnt_puls is equal to or greater than the predetermined value N2. It is also possible to just be.
このステップ610で「No」と判定されれば、ステップ611に進み、余むだ時間L1 _adpを「dt−ε1 」として更新する。
一方、上記ステップ610で「Yes」と判定されれば、ステップ612に進み、余むだ時間L1 _adp、むだサンプリング回数変化量Δd_adp、カウンタcnt_pulsをそれぞれ更新する。
L1 _adp=δ
Δd_adp=+1
cnt_puls=0
If "No" is determined in step 610, the process proceeds to step 611, and the remaining time L1_adp is updated as "dt-.epsilon.1".
On the other hand, if “Yes” is determined in step 610, the process proceeds to step 612, where the dead time L1_adp, the dead sampling frequency change amount Δd_adp, and the counter cnt_puls are updated.
L1_adp = δ
Δd_adp = + 1
cnt_puls = 0
以上のようにして、ステップ608又は611又は612の処理を実行した後、図14のステップ613に進み、学習フラグが学習値の更新を意味するONであるか否かを判定し、学習フラグがONであれば、ステップ614に進み、前回までのむだサンプリング回数変化量の積算値Σ(Δd_adp)をクリアし、学習フラグがOFFであれば、積算値Σ(Δd_adp)のクリアは行わない。 After executing the processing of step 608 or 611 or 612 as described above, the process proceeds to step 613 of FIG. 14 to determine whether or not the learning flag is ON, meaning that the learning value is updated. If it is ON, the process proceeds to step 614 to clear the accumulated value Σ (Δd_adp) of the amount of change in the number of dead samplings up to the previous time, and if the learning flag is OFF, the accumulated value Σ (Δd_adp) is not cleared.
この後、ステップ615に進み、むだサンプリング回数学習値d_lrnに積算値Σ(Δd_adp)を加算して、むだサンプリング回数d_adpを更新する。
d_adp=d_lrn+Σ(Δdadp)
Thereafter, the process proceeds to step 615, where the accumulated value Σ (Δd_adp) is added to the dead sampling number learning value d_lrn to update the dead sampling number d_adp.
d_adp = d_lrn + Σ (Δdadp)
以上説明した本実施例によれば、むだ時間を含む2次遅れ系で近似するプラントモデルを用いながら、その2次遅れ系を、2つの1次遅れ系に分割して離散化した後結合して近似するようにしたので、2次遅れ系の演算であっても、演算負荷が1次遅れ系の演算負荷よりも少し高くなるだけで済み、2次遅れ系の演算負荷を従来より大幅に軽減することができて、車載コンピュータ(ECU29)のような演算能力が限られたコンピュータを使用しても、むだ時間の変化を逐次推定して高精度な制御を実施することができる。 According to the present embodiment described above, the plant model approximated by the second-order lag system including the dead time is used, and the second-order lag system is divided into two first-order lag systems and discretized and then combined. Therefore, even in the case of a second-order lag calculation, the calculation load only needs to be slightly higher than that of the first-order lag calculation load. Even if a computer with a limited calculation capability such as an in-vehicle computer (ECU 29) can be used, it is possible to perform a highly accurate control by sequentially estimating a change in dead time.
しかも、本実施例では、拡張z変換により離散化を行って離散モデルパラメータに余むだ時間L1 の情報を含ませると共に、該離散モデルパラメータから算出される余むだ時間L1 の推定値を基に、離散プラントモデルのむだ時間を制御対象の実むだ時間に近づけるように推定し、さらに、離散化のむだサンプリング回数dを増加又は減少させることで、推定むだ時間を実むだ時間の変化に追従させるようにしたので、応答遅れだけでなくむだ時間も逐次推定できることとなり、制御対象のばらつきや経時変化によらず制御対象の動特性を十分把握することができ、高い制御精度を維持することができる。また、むだ時間の情報を種々に活用することもできる。 In addition, in this embodiment, discretization is performed by the extended z transformation so that the information of the remaining time L1 is included in the discrete model parameter, and based on the estimated value of the remaining time L1 calculated from the discrete model parameter, The time delay of the discrete plant model is estimated so as to be close to the actual time delay of the controlled object, and further, the estimated time delay is made to follow the change of the time delay by increasing or decreasing the number of times of time sampling d for discretization. As a result, not only the response delay but also the dead time can be sequentially estimated, the dynamic characteristics of the controlled object can be sufficiently grasped regardless of the variation of the controlled object and the change over time, and high control accuracy can be maintained. In addition, the dead time information can be used in various ways.
また、本実施例では、同定誤差に基づいて逐次推定された離散モデルパラメータを連続モデルパラメータに変換し、その連続モデルパラメータから余むだ時間の推定値L1_hat を算出するようにしたので、離散モデルパラメータから演算を行う場合に比べて、余むだ時間の推定値L1_hat の演算を容易に行うことができる。 In this embodiment, the discrete model parameter sequentially estimated based on the identification error is converted into a continuous model parameter, and the estimated time L1_hat of the remaining time is calculated from the continuous model parameter. As compared with the case where the calculation is performed from the above, it is possible to easily calculate the estimated value L1_hat of the remaining time.
また、推定むだ時間(推定むだサンプリング回数)に基づいて、プラントモデル出力を逐次算出したり、制御対象の制御入力を決定したりするようにしたので、誤同定の防止や制御ゲインの発散防止等を図ることができる。これにより、高精度なサブF/B制御を実現できる。 In addition, the plant model output is sequentially calculated based on the estimated dead time (estimated dead sampling count), and the control input of the controlled object is determined, preventing misidentification and control gain divergence, etc. Can be achieved. Thereby, highly accurate sub F / B control is realizable.
また、推定むだ時間を学習する構成としたため、制御対象の個体差や経時変化等により実むだ時間のずれが生じている場合にも、それに追従した制御を継続的に実施できる。このとき、プラントモデル出力と制御対象の実出力との誤差が所定範囲内である場合に学習値を更新するようにしているので、適正な同定が行われていることを条件に学習処理が行われ、学習値の信頼性が高められる利点もある。 In addition, since the estimated dead time is learned, even when there is a deviation in actual dead time due to individual differences in control objects, changes with time, etc., it is possible to continuously perform control following the dead time. At this time, since the learning value is updated when the error between the plant model output and the actual output of the controlled object is within a predetermined range, the learning process is performed on the condition that proper identification is performed. There is also an advantage that the reliability of the learning value is improved.
尚、上記実施例では、むだサンプリング回数dの繰り上げ/繰り下げや余むだ時間の推定値L1 _hat の更新を行う際に、余むだ時間の推定値L1 _hat が、サンプリング周期dtで規定される上限値近傍(dt−ε2 〜dt)又は下限値近傍(0〜0+ε2 )にあることを判定したが、これに代えて、余むだ時間の推定値L1 _hat が、上限値以上(dt以上)又は下限値(0以下)以下にあることを判定する構成としても良い。この場合、余むだ時間の推定値が前記上限値以上に変化してその状態が所定時間継続した場合に、むだサンプリング回数を1つ繰り上げると共に、該余むだ時間を前記上限値以下で前記下限値以上の所定値とし、一方、余むだ時間の推定値が下限値以下に変化してその状態が所定時間継続した場合に、むだサンプリング回数を1つ繰り下げると共に、該余むだ時間を前記上限値以下で前記下限値以上の所定値とするようにすれば良い。 In the above embodiment, when the dead sampling number d is increased / decreased or the estimated value L1_hat of the remaining time is updated, the estimated value L1_hat of the remaining time is the upper limit value defined by the sampling period dt. Although it has been determined that it is in the vicinity (dt−ε2 to dt) or the vicinity of the lower limit value (0 to 0 + ε2), instead of this, the estimated value L1_hat of the remaining time is greater than or equal to the upper limit value (dt or more) or the lower limit value (0 or less) It is good also as a structure which determines that it exists below. In this case, when the estimated value of the dead time changes to the upper limit value or more and the state continues for a predetermined time, the dead sampling time is incremented by one, and the dead time is less than the upper limit value and the lower limit value. On the other hand, when the estimated value of the surplus time changes to the lower limit value or less and the state continues for the predetermined time, the number of waste sampling times is decremented by one, and the surplus time is less than the upper limit value. Thus, a predetermined value equal to or greater than the lower limit value may be set.
また、上記実施例では、離散モデルパラメータの推定値θ_hat を連続モデルパラメータに変換し、その連続モデルパラメータに含まれる余むだ時間の推定値L1 _hat を用いてむだ時間L(むだサンプリング回数d)を推定する構成としたが、これに代えて、離散パラメータの連続化を行わず、余むだ時間L1 を含む離散パラメータの推定値を用いてむだ時間L(むだサンプリング回数d)を推定することも可能である。 Further, in the above embodiment, the estimated value θ_hat of the discrete model parameter is converted into a continuous model parameter, and the dead time L (the number of dead samplings d) is calculated using the estimated value L1_hat of the dead time included in the continuous model parameter. However, instead of continuation of the discrete parameters, it is possible to estimate the dead time L (dead sampling number d) using the estimated values of the discrete parameters including the dead time L1. It is.
また、上記実施例では、制御対象(上流側触媒25と下流側排気ガスセンサ32)をむだ時間を含む2次遅れ系で近似するようにしたが、本発明は、制御対象をむだ時間を含む3次以上の高次遅れ系で近似するようにしても良い。この場合、3次以上の高次遅れ系は、3つ以上の1次遅れ系に分割して離散化した後結合して近似するようにすれば良い。
In the above embodiment, the control target (the
また、本発明の適用範囲は、上流側触媒25と下流側排気ガスセンサ32を含むサブF/B系(空燃比制御システム)に限定されず、エンジン11と上流側排気ガスセンサ31を含むメインF/B系(内燃機関制御システム)に本発明を適用しても良い。この場合、同定手段は、エンジン運転条件に応じて設定されたノミナルモデルパラメータ(モデルパラメータのノミナル値)からの偏差を同定し、エンジン運転条件を表す信号の高周波振動成分を抑制するためのフィルタ手段を設けるようにすると良い。ノミナルモデルパラメータは、予め設定したノミナルモデルスケジューラを用いて算出される。
The scope of application of the present invention is not limited to the sub F / B system (air-fuel ratio control system) including the
また、上記実施例では、排気管23に2つの触媒25,30を設けたが、触媒を1つのみ設けたシステムにも本発明を適用して実施できる。
その他、本発明は、サブF/B系、メインF/B系に限定されず、他の制御対象に適用しても良い。
In the above embodiment, the
In addition, the present invention is not limited to the sub F / B system and the main F / B system, and may be applied to other control objects.
11…エンジン(内燃機関)、23…排気管、25…上流側の触媒、29…ECU(同定手段,むだ時間推定手段,連続化手段,操作量算出手段)、30…下流側の触媒、31…上流側排気ガスセンサ、32…下流側排気ガスセンサ、40…メインF/Bコントローラ、41…サブF/Bコントローラ、42…適応機構
DESCRIPTION OF
Claims (14)
前記同定手段により同定されたモデルパラメータに含まれるむだ時間の一部の情報の変化に基づいて前記むだ時間を前記制御対象の実むだ時間に近付けるように推定するむだ時間推定手段とを備え、
前記プラントモデルは、むだ時間を持つ2次以上の高次遅れ系で近似すると共に、前記高次遅れ系は、複数の1次遅れ系に分割して離散化した後結合して近似することを特徴とする制御装置。 Using a plant model that has been discretized as a model parameter including a part of information on the actual dead time of the controlled object, the plant model output when the controlled object input is input to the plant model and the actual output of the controlled object Identifying means for identifying the model parameter so that the identification error that is a difference between
A dead time estimation means for estimating the dead time so as to approach the actual dead time of the control target based on a change in part of the dead time information included in the model parameter identified by the identification means,
The plant model is approximated by a second-order or higher-order delay system having a dead time, and the higher-order delay system is divided into a plurality of first-order delay systems, discretized, and then combined and approximated. Control device characterized.
前記連続化手段により算出された連続時間表現のモデルパラメータから前記余むだ時間を推定する手段とを備えていることを特徴とする請求項3に記載の制御装置。 Continuous means for converting the model parameters after discretization identified by the identification means into model parameters of a continuous time expression;
The control apparatus according to claim 3, further comprising: a unit that estimates the remaining time from a model parameter of a continuous time expression calculated by the continuous unit.
前記むだ時間推定手段は、前記余むだ時間の推定値が前記上限値近傍若しくは上限値以上に変化してその状態が所定時間継続した場合に、むだサンプリング回数を所定値繰り上げると共に該余むだ時間を前記上限値以下で前記下限値以上の所定値とし、一方、余むだ時間の推定値が前記下限値近傍若しくは下限値以下に変化してその状態が所定時間継続した場合に、むだサンプリング回数を所定値繰り下げると共に該余むだ時間を前記上限値以下で前記下限値以上の所定値とすることを特徴とする請求項3又は4に記載の制御装置。 Means for determining that the estimated value of the dead time is in the vicinity of the upper limit value or in the vicinity of the lower limit value defined by the sampling cycle, or that the estimated value is greater than or equal to the upper limit value or less than the lower limit value;
The dead time estimation means raises the number of dead sampling times by a predetermined value and increases the dead time when the estimated value of the dead time changes near the upper limit value or more than the upper limit value and the state continues for a predetermined time. A predetermined value equal to or less than the upper limit value and equal to or greater than the lower limit value. The control device according to claim 3 or 4, wherein the control unit is configured to lower the value and set the remaining time to a predetermined value that is less than or equal to the upper limit value and greater than or equal to the lower limit value.
前記むだ時間推定手段により推定したむだ時間を用いて前記操作量算出手段を実行する手段とを備えていることを特徴とする請求項1乃至6のいずれかに記載の制御装置。 An operation amount calculating means for calculating an input of the control target so that an actual output of the control target becomes a predetermined target value;
The control device according to claim 1, further comprising: a unit that executes the operation amount calculation unit using the dead time estimated by the dead time estimation unit.
前記同定手段は、前記運転状態判定手段が特定運転状態であると判定した場合に前記モデルパラメータの同定を実行することを特徴とする請求項1乃至9のいずれかに記載の制御装置。 Comprising an operating state determining means for determining a specific operating state of the internal combustion engine;
The control device according to claim 1, wherein the identification unit executes identification of the model parameter when the operation state determination unit determines that the operation state is a specific operation state.
前記同定手段は、内燃機関の運転条件に応じて設定されたノミナルモデルパラメータからの偏差を同定するものであり、前記内燃機関の運転条件を表す信号の高周波振動成分を抑制するためのフィルタ手段を備えることを特徴とする請求項1乃至11のいずれかに記載の制御装置。 The control object is an internal combustion engine control system,
The identification means is for identifying a deviation from a nominal model parameter set in accordance with an operating condition of the internal combustion engine, and includes a filter means for suppressing a high frequency vibration component of a signal representing the operating condition of the internal combustion engine. The control device according to claim 1, comprising: a control device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006111517A JP4501890B2 (en) | 2006-04-14 | 2006-04-14 | Control device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006111517A JP4501890B2 (en) | 2006-04-14 | 2006-04-14 | Control device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007285167A JP2007285167A (en) | 2007-11-01 |
JP4501890B2 true JP4501890B2 (en) | 2010-07-14 |
Family
ID=38757190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006111517A Expired - Fee Related JP4501890B2 (en) | 2006-04-14 | 2006-04-14 | Control device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4501890B2 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318604A (en) * | 2001-04-20 | 2002-10-31 | Unisia Jecs Corp | Controller |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0277801A (en) * | 1988-09-14 | 1990-03-16 | Yokogawa Electric Corp | Self-tuning controller |
-
2006
- 2006-04-14 JP JP2006111517A patent/JP4501890B2/en not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318604A (en) * | 2001-04-20 | 2002-10-31 | Unisia Jecs Corp | Controller |
Also Published As
Publication number | Publication date |
---|---|
JP2007285167A (en) | 2007-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4251081B2 (en) | Control device for internal combustion engine | |
JP3773684B2 (en) | Air-fuel ratio control device for internal combustion engine | |
JP4184058B2 (en) | Control device | |
JP6077483B2 (en) | Control device | |
JPH06161511A (en) | Adaptive controller having recurrence system parameter adjusting rule | |
JP3998136B2 (en) | Air-fuel ratio control device for internal combustion engine | |
JP2010019105A (en) | Control device | |
JP2009115012A (en) | Air-fuel ratio control device of internal combustion engine | |
JP4432722B2 (en) | Control device | |
JPS63314339A (en) | Air-fuel ratio controller | |
JP2001090584A (en) | Air/fuel ratio control device for internal combustion engine | |
JP4174821B2 (en) | Vehicle control device | |
JP5660319B2 (en) | Control device for internal combustion engine | |
JP2008152318A (en) | Control device and failure determining device | |
JP2009150345A (en) | Controller for internal combustion engine | |
JPH10184431A (en) | Engine control system | |
JP4432723B2 (en) | Control device | |
JP2004019629A (en) | Controller for internal combustion engine | |
JP3758134B2 (en) | Control device for internal combustion engine | |
JP4501890B2 (en) | Control device | |
JP2010019106A (en) | Control device | |
JP7205456B2 (en) | VEHICLE CONTROL DEVICE, VEHICLE CONTROL SYSTEM AND VEHICLE LEARNING DEVICE | |
JP4492802B2 (en) | Air-fuel ratio control device | |
JP2004019477A (en) | Rotation speed control method of internal combustion engine | |
JP2010019107A (en) | Control device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080613 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20100325 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100330 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100412 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130430 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |