JPH10331701A - Controller - Google Patents

Abstract

PROBLEM TO BE SOLVED: To properly control an actuator by providing a neuro-computer to which an output of a second sensor different from a first sensor, and controlling the actuator based on an output of the neuro-computer. SOLUTION: A signal of a knocking sensor 8 is input to a sample hold circuit 11 via an amplifier 9. The input signal 10 is a time series signal. The sample hold circuit 11 sample holds the signal 10 at a constant time cycle, and it is input as a special multivariate signal, 12a, 12b, 12c,..., 12n in input order, to an input phase of a neuro-computer 13. According to a signal 15 from a control circuit 2 the circuit 11 is controlled. An output 14 of the neuro-computer 13 is output as a voltage proportional to the strength of knocking in an engine, and then it is converted into a digital signal by a D/A converter of the circuit 2 to control the ignition timing. Accordingly, a proper control is assured.

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【発明の属する技術分野】本発明は制御装置に係り、特
にニューロ理論を適用した制御装置に関するものであ
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a control device, and more particularly to a control device to which neuro theory is applied.

【０００２】[0002]

【従来の技術】現在適用されている自動車の制御装置に
おいては燃料制御に代表されるようにディジタルコンピ
ュータを用いたプログラム制御が主流である。2. Description of the Related Art Program control using a digital computer, as typified by fuel control, is the mainstream in currently applied vehicle control devices.

【０００３】このようなプログラム制御の一例としては
例えば、米国特許第4,542,730 号明細書や米国特許第4,
785,783 号明細書に記載のものが知られている。Examples of such program control include, for example, US Pat. No. 4,542,730 and US Pat.
No. 785,783 is known.

【０００４】[0004]

【発明が解決しようとする課題】このような従来技術に
おいては、自動車の運転状態（エンジン，トランスミシ
ョン，ブレーキ，車高，サスペンション等の作動状態）
を検出するのに数多くのセンサが用いられている。In such prior art, the operating state of the automobile (the operating state of the engine, transmission, brake, vehicle height, suspension, etc.)
Many sensors have been used to detect.

【０００５】そして、これらのセンサ出力は単独で制御
量に反映され、又は単独で学習制御の補正量に反映され
ていた。[0005] These sensor outputs are independently reflected in the control amount, or are independently reflected in the correction amount of the learning control.

【０００６】ところが、その制御量が正しく物理量に反
映されない場合があるといった問題を有している。However, there is a problem that the control amount may not be correctly reflected on the physical amount.

【０００７】本発明の目的は、アクチュエータの動作が
正しく物理量に反映される精度の良い制御装置を提供す
ることにある。An object of the present invention is to provide a highly accurate control device in which the operation of an actuator is correctly reflected on a physical quantity.

【０００８】[0008]

【課題を解決するための手段】上記目的は、アクチュエ
ータの作動によって変化するある物理量を検出する第１
のセンサと、前記ある物理量の目標値と、前記第１のセ
ンサの出力と、前記第１のセンサとは別の第２のセンサ
出力とを入力するニューロコンピュータとを備え、前記
アクチュエータは前記ニューロコンピュータの出力に基
づいて制御される制御装置によって達成される。SUMMARY OF THE INVENTION It is an object of the present invention to provide a first method for detecting a certain physical quantity which is changed by the operation of an actuator.
And a neurocomputer for inputting a target value of the certain physical quantity, an output of the first sensor, and a second sensor output different from the first sensor. This is achieved by a control device controlled based on the output of the computer.

【０００９】また、上記目的は、アクチュエータの作動
によって変化するある物理量を検出するセンサと、入力
される前記ある物理量の目標値に基づいて、前記アクチ
ュエータに出力する制御量を演算するニューロコンピュ
ータと、前記センサの出力と前記目標値との差が少なく
なるように、前記ニューロコンピュータの重み付けを変
更する変更手段と、を備えた制御装置によっても達成さ
れる。Further, the object is to provide a sensor for detecting a certain physical quantity that changes by the operation of an actuator, a neurocomputer for calculating a control quantity to be output to the actuator based on an input target value of the certain physical quantity, This is also achieved by a control device comprising: a changing unit that changes the weight of the neurocomputer so that the difference between the output of the sensor and the target value is reduced.

【００１０】また、上記目的は、アクチュエータの作動
によって変化するある物理量を検出するセンサと、入力
される前記ある物理量の目標値に基づいて、前記アクチ
ュエータに出力する制御量を演算するニューロコンピュ
ータと、前記センサの出力と前記目標値との差が少なく
なるように、前記ニューロコンピュータの変換関数を変
更する変更手段と、を備えた制御装置によっても達成さ
れる。[0010] Further, the object is to provide a sensor for detecting a certain physical quantity that changes by the operation of an actuator, a neurocomputer for calculating a control quantity to be output to the actuator based on a target value of the certain physical quantity that is input, and This is also achieved by a control device including: a changing unit that changes a conversion function of the neurocomputer so that a difference between the output of the sensor and the target value is reduced.

【００１１】上記解決手段によれば、物理量の目標値と
その物理量の検出値（制御結果）とを考慮して、アクチ
ュエータを制御できるので、その制御が適正に行われ
る。According to the above solution, the actuator can be controlled in consideration of the target value of the physical quantity and the detected value (control result) of the physical quantity, so that the control is properly performed.

【００１２】[0012]

【発明の実施の形態】以下本発明の一実施例を図１に示
す。エンジン１には、吸気管２０，排気管２１がある。
吸気管２０の一部に燃料噴射弁６があり燃料が供給され
る。吸入空気量は、空気量センサ２２で計量され、制御
回路２に入力される。その他制御回路２には、クランク
軸の回転角検出器３，酸素センサ４等の信号がエンジン
より入力され、点火コイル５を介して点火信号が点火プ
ラグ７に入力される。エンジンの機械的な振動を検出す
るノックセンサ８が、エンジンブロックに付設されてい
る。ノックセンサ８の信号は、アンプ９を介してサンプ
ルホールド回路１１に入力される。この入力信号１０
は、時系列信号である。サンプルホールド回路１１は、
時系列信号１０を一定の時間周期でサンプルホールド
し、入力順に12ａ，１２ｂ，１２ｃ，…，１２ｎと空間
的多変数信号としてニューロコンピュータ１３の入力相
に入力する。ニューロコンピュータの出力１４は、エン
ジンのノッキングの強度に比例した電圧として出力さ
れ、制御回路２のＡ／Ｄコンバータで、アナログ信号か
らディジタル信号に変換され点火時期の制御を行う。一
方制御回路２からの信号１５により、サンプルホールド
回路１１を制御する。FIG. 1 shows an embodiment of the present invention. The engine 1 has an intake pipe 20 and an exhaust pipe 21.
The fuel injection valve 6 is provided in a part of the intake pipe 20 to supply fuel. The intake air amount is measured by the air amount sensor 22 and input to the control circuit 2. In addition, signals from the crankshaft rotation angle detector 3, oxygen sensor 4, and the like are input from the engine to the control circuit 2, and an ignition signal is input to the ignition plug 7 via the ignition coil 5. A knock sensor 8 for detecting mechanical vibration of the engine is attached to the engine block. The signal of knock sensor 8 is input to sample and hold circuit 11 via amplifier 9. This input signal 10
Is a time series signal. The sample hold circuit 11
The time-series signal 10 is sampled and held at a fixed time period, and is input to the input phase of the neurocomputer 13 as 12a, 12b, 12c,... The output 14 of the neurocomputer is output as a voltage proportional to the knocking intensity of the engine, and is converted from an analog signal to a digital signal by the A / D converter of the control circuit 2 to control the ignition timing. On the other hand, the sample and hold circuit 11 is controlled by the signal 15 from the control circuit 2.

【００１３】図２に点火時期θ_igの制御フローを示す。
制御フローがスタートするとステップ２５で基本点火時
期θ_O をメモリマップから読出す。θ_O はエンジン回転
数と負荷（燃料の噴射時間，絞り弁開度等）より決定さ
れる。ステップ２６で点火時期θがθ_ig＝θ_O±Δθ と
して計算される。ここでΔθは補正的に計算された値で
ある。ステップ２７でθ_igがセットされ点火される。ス
テップ２８でニューロコンピュータ１３の出力１４より
ノック強度が測定される。ステップ２９で補正量Δθが
計算される。ここでΔθは、出力１４の大きさにより−
Δθ（遅角量）〜＋Δθ（進角量）まで計算される。FIG. 2 shows a control flow of the ignition timing θ _ig .
When the control flow starts, in step 25, the basic ignition timing θ _O is read from the memory map. θ _O is determined from the engine speed and the load (fuel injection time, throttle valve opening, etc.). In step 26, the ignition timing θ is calculated as θ _ig = θ _O ± Δθ. Here, Δθ is a value calculated for correction. In step 27, θ _ig is set and ignited. In step 28, the knock intensity is measured from the output 14 of the neurocomputer 13. In step 29, the correction amount Δθ is calculated. Here, Δθ is given by −
It is calculated from Δθ (retard amount) to + Δθ (advance angle amount).

【００１４】一般にエンジンのノッキングにより発生す
る筒内固有振動数Ｆは、ドレーパにより次式で提唱され
ている。The in-cylinder natural frequency F generally generated by knocking of the engine is proposed by a draper by the following equation.

【００１５】[0015]

【数１】 (Equation 1)

【００１６】ここでＢ ：シリンダボア径 Ｃ ：音速 Ｕ_um：振動モードによる固有値 （１）式によれば、ノッキングはＢとＣの関係で決まる
ものである。そのため、エンジンのボア径によりノッキ
ング周波数は変化する。Here, B: cylinder bore diameter C: sound velocity U _um : eigenvalue by vibration mode According to the equation (1), knocking is determined by the relationship between B and C. Therefore, the knocking frequency changes depending on the bore diameter of the engine.

【００１７】図３にノックセンサ８の周波数と出力の関
係を示す。非共振型は周波数全域において出力は同じレ
ベルにあるが、センサ出力は小さい。一方共振型は、特
定の周波数でセンサ出力が大きくなる。また広域共振型
は共振点での出力は共振型より小さいが、共振域が広い
周波数帯に広がっている。本発明には広域共振型が、図
４のノッキング周波数との関係で好適である。しかし共
振型であっても、シリンダボア径に合わせて共振点を設
計することにより使用できる。FIG. 3 shows the relationship between the frequency of the knock sensor 8 and the output. In the non-resonant type, the output is at the same level over the entire frequency range, but the sensor output is small. On the other hand, in the resonance type, the sensor output increases at a specific frequency. In the wide-band resonance type, the output at the resonance point is smaller than the resonance type, but the resonance range is spread over a wide frequency band. In the present invention, the wide-band resonance type is preferable in relation to the knocking frequency shown in FIG. However, even the resonance type can be used by designing the resonance point according to the cylinder bore diameter.

【００１８】図４は、ノック発生時とノックなし時の筒
内圧力の圧力比の周波数との関係を示したものである。
図４において、７.９ＫＨｚ，１３.８ＫＨｚ，１８.５
ＫＨz，２２ＫＨｚと圧力比が大きくなる点があり、広
い周波数域においてノッキング時の圧力が大きくなって
いることがわかる。このため多くのノッキング周波数が
検出できる広域共振型が有利である。FIG. 4 shows the relationship between the frequency of the pressure ratio of the in-cylinder pressure when knock occurs and when knock does not occur.
In FIG. 4, 7.9 KHz, 13.8 KHz, 18.5 KHz
There is a point where the pressure ratio becomes large as KHz, 22 KHz, and it can be seen that the pressure at the time of knocking becomes large in a wide frequency range. Therefore, a wide-band resonance type that can detect many knocking frequencies is advantageous.

【００１９】図５にクランク角とセンサ出力の関係を示
す。図５（ａ）は共振型の場合である。ノッキング現象
は、シリンダ内で混合気が燃料中にシリンダ内圧力が上
昇することにより混合気が自発火し、シリンダ内を圧力
波が往復する時の圧力で発生する。このためノッキング
の発生時期は点火より遅れて発生する。共振型の場合
は、共振周波数でセンサ出力が発生する。一方図５
（ｂ）は広域共振型の場合である。図示のごとく多くの
周波数の合成波として出力される。いずれの場合もノッ
キング発生は、点火が基点となりそれ以降に発生する。
このためサンプルホールド回路１１を制御回路２により
信号１５で制御する場合は、点火を基点としてサンプル
開始信号を発生すればよい。FIG. 5 shows the relationship between the crank angle and the sensor output. FIG. 5A shows the case of the resonance type. The knocking phenomenon occurs at a pressure at which a pressure wave reciprocates in the cylinder when the air-fuel mixture spontaneously ignites due to an increase in the cylinder pressure in the fuel. For this reason, knocking occurs later than ignition. In the case of the resonance type, a sensor output is generated at a resonance frequency. On the other hand, FIG.
(B) is the case of the wide-area resonance type. As shown in the figure, it is output as a composite wave of many frequencies. In each case, knocking occurs from ignition as a base point and thereafter.
Therefore, when the sample and hold circuit 11 is controlled by the control circuit 2 using the signal 15, a sample start signal may be generated based on ignition.

【００２０】一方、サンプルホールド回路１１のサンプ
ル周期については、広域共振型の場合最大測定周波数の
１／１０程度とすることが良い。つまりサンプル周期
は、ノッキング信号を間欠的に測定して、元信号の周波
数変化が復元できる必要があるためである。またサンプ
ル期間は、最小測定周波数が最小１周期の期間以上あれ
ばよい。On the other hand, the sample period of the sample and hold circuit 11 is preferably set to about 1/10 of the maximum measurement frequency in the case of the wide-band resonance type. In other words, the sample period needs to be able to intermittently measure the knocking signal and restore the frequency change of the original signal. In addition, the sample period only needs to be equal to or longer than the period of the minimum measurement frequency of at least one cycle.

【００２１】共振型センサの場合は、共振周波数の１／
１０の周期で１周期以上の間サンプルするのが良い。In the case of a resonance-type sensor, 1 / the resonance frequency
It is preferable to sample for one or more cycles at 10 cycles.

【００２２】図６にニューロコンピュータ１３の構成要
素であるニューロ素子２３を示す。入力Ｏ_k，Ｏ_j，Ｏ_l
に対してそれぞれに重み係数Ｗ_ik，Ｗ_ij，Ｗ_ilを付け、
出力Ｏ_iはFIG. 6 shows a neuro element 23 which is a component of the neuro computer 13. Inputs O _k , O _j , O _l
With weighting factors W _ik , W _ij , and W _il respectively,
The output O _i is

【００２３】[0023]

【数２】 (Equation 2)

【００２４】ここにθ：しきい値 である。Where θ is a threshold value.

【００２５】また、出力Ｏ_i は次のニューロ素子へ出力
される。The output O _i is output to the next neuro element.

【００２６】一方出力Ｏ_i には図７に示すように、しき
い値θより大きくなると出力が１とステップ的に変化す
るものや、図８に示すようにOn the other hand, as shown in FIG. 7, when the output O _i becomes larger than the threshold value θ, the output changes stepwise to 1 or as shown in FIG.

【００２７】[0027]

【数３】 (Equation 3)

【００２８】とシグモイド(Sigmoid）関数で出力される
ものがある。本発明のごときノッキング強度と出力を比
例させる場合はシグモイド関数が有利である。And a sigmoid function. A sigmoid function is advantageous when making the knocking intensity proportional to the output as in the present invention.

【００２９】図９はニューロコンピュータ内のニューロ
素子の構成の一部を示したものである。入力層として３
０ａ，３０ｂ，３０ｃがありサンプルホールド回路１１
よりの信号が各々１２ａ，１２ｂ，１２ｃに順次入力さ
れる。ニューロ素子３０ａの出力は中間層のニューロ素
子３１ａ，３１ｂ，３１ｃに各々重み係数が付加されて
入力される。同様にニューロ素子３０ｂ，３０ｃの出力
信号も各々重み係数が付加され中間層のニューロ素子３
１ａ，３１ｂ，３１ｃに入力される。中間層のニューロ
素子３１ａ，３１ｂ，３１ｃの出力はしきい値θ₁ が付
加され出力層のニューロ素子３２に各々重み係数が付加
されて入力され、ニューロ素子３２のしきい値θ₂ で出
力される。FIG. 9 shows a part of the configuration of a neuro element in a neuro computer. 3 as input layer
0a, 30b, 30c and the sample and hold circuit 11
Are sequentially input to 12a, 12b, and 12c, respectively. The output of the neuro element 30a is input to the neuro elements 31a, 31b, and 31c of the intermediate layer with weighting factors added thereto. Similarly, the output signals of the neuro elements 30b and 30c are added with weighting factors, respectively, and the neuro elements 3 in the intermediate layer are added.
1a, 31b, and 31c. Neuro device 31a of the intermediate layer, 31b, the output of 31c are input to respective weighting factor is added to the neuro device 32 is added threshold theta ₁ output layer, output by the threshold theta ₂ of the neuro device 32 You.

【００３０】ニューロコンピュータ１３の各々の重み係
数，しきい値の学習方法のフローを図１０に示す。ステ
ップ３３でモデルデータを入力層に入力する。そこでス
テップ３４で出力層に正しく出力されたかどうかを判定
する。Ｙｅｓの場合はステップ３５に進み、正解径路の
重み係数を大きくする。同様にしきい値を小さくする。
ステップ３７で正解との差を判定し、誤差量が小さけれ
ば終了する。誤差量が大きければステップ３４に戻り再
度重み係数，しきい値を調整し、誤差量小となるまで繰
り返す。以上の方法で数種類のモデルデータについて学
習することにより、正解率が高くなる。FIG. 10 shows a flow of a method of learning each weight coefficient and threshold value of the neurocomputer 13. In step 33, the model data is input to the input layer. Therefore, it is determined in step 34 whether or not the data has been correctly output to the output layer. In the case of Yes, the process proceeds to step 35, and the weight coefficient of the correct route is increased. Similarly, the threshold value is reduced.
In step 37, the difference from the correct answer is determined, and if the error amount is small, the process ends. If the error amount is large, the process returns to step 34, the weight coefficient and the threshold value are adjusted again, and the process is repeated until the error amount becomes small. By learning about several types of model data by the above method, the correct answer rate increases.

【００３１】ノックセンサ８が広域共振型とした場合の
ニューロコンピュータの構成例を示す。ノッキング周波
数７.９ＫＨｚ，１３.８ＫＨｚ，１８.５ＫＨzで共振す
るものとすれば、サンプル周期はAn example of the configuration of a neurocomputer in the case where the knock sensor 8 is of a wide-area resonance type is shown. Assuming that the knocking frequencies resonate at 7.9 KHz, 13.8 KHz, and 18.5 KHz, the sample period becomes

【００３２】[0032]

【数４】 (Equation 4)

【００３３】サンプル期間はThe sample period is

【００３４】[0034]

【数５】 (Equation 5)

【００３５】又はOr

【００３６】[0036]

【数６】 ５.４μｓ×３０＝１６２μｓ …（６） 入力層 ３０個 中間層 ３個 出力層 １個 合計 ３４素子 となる。図１１にその構成を示す。入力層は３０個とし
各々のニューロ素子の出力が中間層３個に入力される。
３個の中間層は１個の出力層に入力される。5.4 μs × 30 = 162 μs (6) 30 input layers, 3 intermediate layers, 1 output layer, a total of 34 elements. FIG. 11 shows the configuration. The number of input layers is 30, and the output of each neuro element is input to three intermediate layers.
The three intermediate layers are input to one output layer.

【００３７】図１１の構成は、本発明の一実施例であ
り、入力層，中間層の素子数を増加すれば、検出精度が
向上する。The configuration shown in FIG. 11 is an embodiment of the present invention, and the detection accuracy is improved by increasing the number of elements in the input layer and the intermediate layer.

【００３８】図１２〜図１４は図６のニューロ素子２３
の工学的構成を示したものである。図１２は、オペアン
プである。図１３はトランスコンダクタンスアンプの場
合、図１４は、インバータの場合である。いずれの場合
も ｖ_i ⁺，ｖ_i ^-：入力 ｖ_O ⁺，ｖ_O ^-：出力 である。FIGS. 12 to 14 show the neural element 23 of FIG.
It shows the engineering configuration of FIG. 12 shows an operational amplifier. FIG. 13 shows the case of a transconductance amplifier, and FIG. 14 shows the case of an inverter. In either case v _i ^+, v _i ^-: Input v _O ^+, v _O ^-: which is the output.

【００３９】図１５，図１６は、図１２，図１３の場合
の入力段の作動ペアのトランジスタの構成を示す。図１
５はバイポーラ，図１６はＣＭＯＳの場合である。FIGS. 15 and 16 show the configuration of the transistors of the operating pair of the input stage in the case of FIGS. FIG.
5 shows a case of bipolar, and FIG. 16 shows a case of CMOS.

【００４０】図１７〜図１９にニューロ素子２３の重み
係数を工学的に実現する方法を示す。図１７はＦＥＴの
トライオード領域を使用した場合、図１８は、トランス
コンダクタンスアンプを利用した場合である。図１９は
４ビットのキャパシタアレイを用いた場合である。FIGS. 17 to 19 show a method of engineeringly realizing the weight coefficient of the neuro element 23. FIG. 17 shows the case where the triode region of the FET is used, and FIG. 18 shows the case where the transconductance amplifier is used. FIG. 19 shows a case where a 4-bit capacitor array is used.

【００４１】図２０は学習した重み係数を記憶しておく
場合の方法を示したものである。制御回路内のコンピュ
ータのメモリ４０に内蔵しておきＤ／Ａコンバータ４１
でアナログに変換し、ＦＥＴを作動させる。FIG. 20 shows a method for storing learned weight coefficients. D / A converter 41 built in memory 40 of the computer in the control circuit
To convert to analog and activate the FET.

【００４２】図２１に他の実施例を示す。ノックセンサ
８に共振型を使用した場合である。ノックセンサ８の時
系列信号をサンプルホールド回路で空間的多変数信号に
変化した出力を１２ａ〜１２ｆとする。この信号１２ａ
〜１２ｆを入力層と出力層で構成されたニューロコンピ
ュータに入力する。ここで入力層と出力層のニューロ素
子を同数としておく。またサンプリング周期は共振周波
数の１／４とし、サンプル時間も共振周波数と同じであ
る。このため４３ａの信号には共振周波数の成分がなく
なり、ノイズ成分となる。そこで入力層に入力した元の
信号と４３ａ〜４３ｆの信号を各々引けば、ノイズ信号
が除去され共振周波数の信号が残る。回路４２で４４ａ
〜４４ｆの信号の最大値と最小値の差を算出し、それを
ノッキング検出信号とする。FIG. 21 shows another embodiment. This is a case where a resonance type is used as the knock sensor 8. Outputs obtained by converting the time series signal of the knock sensor 8 into a spatial multivariable signal by a sample and hold circuit are denoted by 12a to 12f. This signal 12a
To 12f are input to a neurocomputer composed of an input layer and an output layer. Here, the number of neuro elements in the input layer and the output layer is the same. The sampling period is set to 1/4 of the resonance frequency, and the sampling time is the same as the resonance frequency. Therefore, the signal at 43a has no resonance frequency component and becomes a noise component. Therefore, if the original signal and the signals 43a to 43f input to the input layer are subtracted, the noise signal is removed and the signal of the resonance frequency remains. 44a in circuit 42
The difference between the maximum value and the minimum value of the signals of .about.44f is calculated, and is used as a knocking detection signal.

【００４３】図２２は各部の信号である（ａ）は入力信
号、（ｂ）はノイズ信号、（ｃ）は共振周波数信号であ
る。なおこの実施例ではサンプル周期を共振周波数の１
／４としたがサンプル周期を小さくすることにより測定
精度が高くなる。FIGS. 22 (a) and 22 (b) show signals of the respective parts, wherein FIG. 22 (a) shows an input signal, FIG. 22 (b) shows a noise signal, and FIG. In this embodiment, the sample period is set to 1 of the resonance frequency.
Although / 4 was set, the measurement accuracy was increased by reducing the sample period.

【００４４】図２３にニューラルネットを用いた、エン
ジン制御装置の構成を示した。ニューラルコントローラ
ーに目標値が入力されて、その結果を制御対象であるエ
ンジン５１に出力する。エンジン５１からの状態量を、
ニューラルコントローラー５０にフィードバックする。
本装置では、これに加えて、エラーフィードバック５２
によるルーチンがある。このルーチンは、目標値と実際
の状態量との差を検出して、差が大きい場合には、ニュ
ーラルコントローラー５０のニューラルネット部の重み
係数ｗ又は、ニューロ素子の変換関数を変更する。FIG. 23 shows the configuration of an engine control device using a neural network. The target value is input to the neural controller, and the result is output to the engine 51 to be controlled. The state quantity from the engine 51 is
This is fed back to the neural controller 50.
In the present device, in addition to this, the error feedback 52
There is a routine by This routine detects the difference between the target value and the actual state quantity, and if the difference is large, changes the weight coefficient w of the neural network unit of the neural controller 50 or the conversion function of the neural element.

【００４５】図２３の実施例は、エンジンの空燃比を制
御するためのシステムである。空燃比の目標値ｒはコン
トローラー５３から与えられる。ニューラルコントロー
ラー５０にはその他に、水温Ｔ_w ，回転数Ｎ，空気量
（負荷）Ｑ_q 等の他の状態量が入力される。またニュー
ラルコントローラー５０の出力は噴射弁の開弁時間Ｔで
ある。このＴがエンジン５１に与えられて、その結果と
して、実際の空燃比（Ａ／Ｆ）λが出力される。このλ
は、ニューラルコントローラー５０に入力されるととも
に、エラーフィードバック部５２にも入力される。この
エラーフィードバック部５２には、その他に目標値ｒが
入力される。ここでは、λとｒの偏差（エラー）が検出
される。このエラーが大きい場合には、ニューラルコン
トローラー５０の構成が不適当と判断され、これを再構
成されることになる。この再構成は、ニューラルネット
の重み係数を書き換えるか、変換関数（シグモイド関数
等）を書き換えることにより実行される。The embodiment shown in FIG. 23 is a system for controlling the air-fuel ratio of an engine. The target value r of the air-fuel ratio is given from the controller 53. In addition, other state quantities such as the water temperature _Tw , the rotation speed N, and the air amount (load) _Qq are input to the neural controller 50. The output of the neural controller 50 is the opening time T of the injection valve. This T is given to the engine 51, and as a result, the actual air-fuel ratio (A / F) λ is output. This λ
Is input to the neural controller 50 and also to the error feedback unit 52. A target value r is input to the error feedback unit 52. Here, a deviation (error) between λ and r is detected. If this error is large, the configuration of the neural controller 50 is determined to be inappropriate, and the neural controller 50 is reconfigured. This reconstruction is performed by rewriting the weighting factors of the neural network or rewriting the conversion function (sigmoid function or the like).

【００４６】ニューラルネットの構成を図２４に示し
た。入力層λ，中間層ｊ，出力層ｋとなっている。中間
層の出力Ｏ_j は、FIG. 24 shows the configuration of the neural network. An input layer λ, an intermediate layer j, and an output layer k are provided. The output O _j of the _hidden layer is

【００４７】[0047]

【数７】 (Equation 7)

【００４８】となる。このｆは、変換関数で、例えばシ
グモイド関数である。出力Ｔは、Is as follows. This f is a conversion function, for example, a sigmoid function. The output T is

【００４９】[0049]

【数８】 (Equation 8)

【００５０】となる。Is as follows.

【００５１】動作の様子を図２５に示す。図２５（ａ）
は、中間層ｊにおける関数変換の様子である。θ
_j ⁽¹⁾は、中間層の第１個目のニューロ素子における状態
である。この素子への入力の総和は、FIG. 25 shows the operation. FIG. 25 (a)
Shows the state of function conversion in the intermediate layer j. θ
_j ⁽¹⁾ is the state of the first neuro element of the intermediate layer. The sum of the inputs to this element is

【００５２】[0052]

【外１】 [Outside 1]

【００５３】であり、この関数の出力は、非線形関数変
換されて、θ_j ⁽¹⁾となる。以下の中間層の出力も同様に
決定され、出力は、θ_j ⁽²⁾，θ_j ⁽³⁾，…，というふうに
なる。次に、これらの中間層の出力の総和が図２５
（ｂ）に示す出力層の素子の入力となる。ここでも同様
に関数変換されて、出力Ｔを得る。このＴがエンジン５
１に与えられる。The output of this function is converted to a non-linear function to be θ _j ⁽¹⁾ . The outputs of the following hidden layers are determined in the same manner, and the outputs are θ _j ⁽²⁾ , θ _j ⁽³⁾ ,... Next, the sum of the outputs of these hidden layers is shown in FIG.
This is the input of the element in the output layer shown in FIG. Here, the function T is similarly converted to obtain the output T. This T is engine 5
Given to one.

【００５４】ここで、例えば、エンジンの過渡運転時の
供給燃料の輸送遅れを考慮して、Ｔを決定したい場合に
は、図２５（ａ）の関数を所望の値に決定すれば良い。
ニューラルコントローラー５０は、エンジン５１の内部
状態をモデル化したものと考えることができる。このた
め、後述するように、学習による再構成を繰り返せば、
燃料の輸送遅れなどの数式では記述しにくい現象も補償
されることになる。Here, for example, when it is desired to determine T in consideration of the transport delay of the supplied fuel during the transient operation of the engine, the function in FIG. 25A may be determined to a desired value.
The neural controller 50 can be considered as a model of the internal state of the engine 51. Therefore, as will be described later, by repeating the reconstruction by learning,
Phenomena that are difficult to describe in mathematical expressions such as fuel transport delay are also compensated.

【００５５】ニューラルネットの再構成の様子を示し
た。図２６（ａ）は、ニューロ素子の重み係数を書き換
える方法である。学習前は、（イ）の状態で、出力はθ
_j ⁽¹⁾となる。ここで重みを学習により書き換えて、
Ｗ_1i′とした場合には、（ロ）の状態となり、出力は、
θ_j ⁽¹⁾′となる。このように重み係数を書き換えること
による前とは異なった出力が得られる。The state of the reconstruction of the neural network has been described. FIG. 26A shows a method of rewriting the weight coefficient of the neuro element. Before learning, the output is θ in the state of (a).
_j ⁽¹⁾ . Here, the weight is rewritten by learning,
In the case of W _1i ′, the state becomes (b) and the output becomes
θ _j ⁽¹⁾ ′. In this way, an output different from that before is obtained by rewriting the weight coefficient.

【００５６】図２６（ｂ）は、別の方法を示した。ここ
では、変換関数を、学習前の（イ）から（ロ）のように
書き換える方法である。このようにすると、入力がFIG. 26B shows another method. Here, this is a method of rewriting the conversion function from (a) to (b) before learning. In this way, the input

【００５７】[0057]

【外２】 [Outside 2]

【００５８】と同じでも、出力は、θ_j ⁽¹⁾からＯ_j ⁽¹⁾′
のように変化する。つまり関数の形を修正することによ
っても、学習することができる。In the same way as above, the output is from θ _j ⁽¹⁾ to O _j ⁽¹⁾ ′.
It changes like In other words, it can be learned by modifying the shape of the function.

【００５９】ニューラルコントローラー５０の学習のフ
ローチヤートを図２７に示す。この学習は、λのサンプ
ル時期毎に起動される。ステップ５４で目標値ｒをリー
ドする。ステップ５５ではλをリードし、次にエラー変
数ｅを求める。ｅは（９）式となる。FIG. 27 is a flowchart for learning of the neural controller 50. This learning is started at each sampling period of λ. In step 54, the target value r is read. In step 55, λ is read, and then an error variable e is obtained. e is given by equation (9).

【００６０】[0060]

【数９】 ｅ＝ｋ(λ−ｒ) …（９） このｅを基に、ステップ５７で、Ｔの修正量ΔＴが計算
される。その後、ステップ５８で修正プログラムを起動
する。E = k (λ−r) (9) On the basis of this e, a correction amount ΔT of T is calculated in step 57. Thereafter, in step 58, the correction program is started.

【００６１】図２８に修正プログラムを示した。このプ
ログラムが起動されると、ステップ５９１，５９２で今
回のΔＴ_(n)と、前回のΔＴ_(n-1)がリードされて、両者
の差であるΔＥをステップ５９３で求める。このΔＥの
大きさをステップ５９４〜５９７で基準値Ｔ₁〜Ｔ₄によ
り判断し、それぞれの大きさに応じて、ステップ５９８
〜６０２で重み群Ｗの微修正を行う。FIG. 28 shows a correction program. When this program is started, the current ΔT _(n) and the previous ΔT _(n-1) are read in steps 591 and 592, and the difference ΔE between them is obtained in step 593. The magnitude of this ΔE is determined in steps 594 to 597 based on the reference values T _{1 to} T ₄ , and according to each magnitude, step 598 is performed.
At step 602, the weight group W is finely corrected.

【００６２】図２９には、別の修正プログラムを示し
た。ここでは、ステップ５９１〜597は同じで、ステッ
プ６０３〜６０７でΔＥの大きさに応じて、関数ｆ₁〜
ｆ₅の修正を行う。FIG. 29 shows another modification program. Here, steps 591 to 597 are the same, and in steps 603 to 607, the functions f ₁ to f ₁ are set in accordance with the magnitude of ΔE.
to correct the f _5.

【００６３】図２８，図２９に示した重み群Ｗ_a〜Ｗ_eの
選択や、関数ｆ₁〜ｆ₅の選択は、あらかじめプログラム
しておき、それを書き換えるかは理論的に決定されてい
る。図３０には、修正値の記憶法を示した。図３０
（ａ）に示したように、修正プログラムが完了したら、
修正された値（重みまたは関数）をバッテリバックアッ
プ可能な、メモリにただちに記憶しておく。これは、学
習効果を、保存するために行う。この修正値は、図３０
（ｂ）に示したように、キースイッチＯＮ直後にメモリ
が読み出される。[0063] Figure 28, selection of the weight group W _a to _W-e shown in FIG. 29, the selection of the function f ₁ ~f ₅ is previously programmed, whether rewriting it has been determined theoretically . FIG. 30 shows a method of storing the correction values. FIG.
As shown in (a), when the modification program is completed,
The corrected value (weight or function) is immediately stored in a memory that can be backed up by a battery. This is done to preserve the learning effect. This corrected value is
As shown in (b), the memory is read immediately after the key switch is turned on.

【００６４】図３１には、学習の効果を示した。アクセ
ル開度θ_acに対する空燃比λの変動を示した図である。
（イ）→（ロ）→（ハ）と学習をかさねるたびに、λの
変動は小さくなっている。FIG. 31 shows the effect of learning. FIG. 7 is a diagram showing a change in an air-fuel ratio λ with respect to an accelerator opening θ _ac .
Each time learning is performed in the order of (a) → (b) → (c), the variation of λ is small.

【００６５】このように、ニューラルネットを用いた学
習は、重み係数を書き換えることにより達成されるの
で、エンジンのモデルを明確に知らなくても大きな効果
を得ることができる。As described above, the learning using the neural network is achieved by rewriting the weight coefficient, so that a great effect can be obtained without clearly knowing the engine model.

【００６６】図３２は、多変数の制御の例を示した。こ
の実施例では、コントローラー５３からは、目標値とし
て、空燃比Ａ／Ｆ，トルクＴ，加速度ｇがニューラルコ
ントローラー５０に入力される。ニューラルコントロー
ラー５０からは、噴射弁の開弁時間Ｔ_inj ，点火時期Ｔ
_ig，スロットル開示θ_th，変速機の変速位置Ｐ_tr，ライ
ン圧力ＯＰ_l が出力される。これらの値が自動車６０に
与えられる。さらに自動車の実際のＡ／Ｆ_r ，Ｔ_r，ｇ_r
を測定して、目標値とともにエラーフィードバック部５
２に入力される。ここでは、図２７から図３０に示した
ように、エラー，修正量を計算して、ニューラルコント
ローラーを再構成する。このようにニューラルコントロ
ールは、多変数の制御にも応用することができる。FIG. 32 shows an example of multivariable control. In this embodiment, the air-fuel ratio A / F, torque T, and acceleration g are input from the controller 53 to the neural controller 50 as target values. From the neural controller 50, the injection valve opening time T _inj , the ignition timing T
_ig , throttle disclosure θ _th , transmission shift position P _tr , and line pressure OP _l are output. These values are provided to the vehicle 60. Furthermore, the actual A / F _r of the automobile, T _r, g _r
The error feedback unit 5 measures
2 is input. Here, as shown in FIGS. 27 to 30, the error and the correction amount are calculated, and the neural controller is reconfigured. Thus, the neural control can be applied to the control of multiple variables.

【００６７】図３３には、ニューラルネットの構成を示
した。入力層ｉには、目標値Ａ／Ｆ，Ｔ，ｇの他に、水
温，吸気湯，回転数，負荷などの各種状態量を判断のた
めに入力される。FIG. 33 shows the configuration of the neural network. In the input layer i, in addition to the target values A / F, T, and g, various state quantities such as water temperature, intake water, rotation speed, and load are input for determination.

【００６８】図３４は、ハード構成を示した。６１は、
ニューラルコントローラーを含む、コントローラー部で
ある。FIG. 34 shows a hardware configuration. 61 is
It is a controller section including a neural controller.

【００６９】コントロール部６１への入力は、アクセス
開度θ_ac６２，空気量信号６３，トルク信号６４，加速
度信号６５などであり、出力は、スロットル６６を電気
的に動作させるアクチュエータ６７への信号６８，点火
コイル６９への点火信号７０，噴射弁７１への開弁信号
７２，変速機７３への変速位置信号７４や、図示してい
ないが、変速機を制御する油圧のライン圧制御信号ＯＰ
_l である。これらの変数が、ニューラルコントローラー
によって制御される。The inputs to the control unit 61 are an access opening θ _ac 62, an air flow signal 63, a torque signal 64, an acceleration signal 65, and the like, and the output is a signal to an actuator 67 for electrically operating the throttle 66. 68, an ignition signal 70 to an ignition coil 69, a valve opening signal 72 to an injection valve 71, a shift position signal 74 to a transmission 73, and a line pressure control signal OP for hydraulic pressure for controlling the transmission (not shown).
_l . These variables are controlled by a neural controller.

【００７０】図３５には、目標値であるＡ／Ｆ，Ｔ，ｇ
の決定法の一例を示した。ここでは、運転者の意図を判
断して、車のトルクＴ，加速度ｇを決定するので、アク
セル開度θ_acを入力とした。図３５のように、θ_acとθ
_acの変化分θ′_acによりＡ／Ｆ，Ｔ，ｇの三種類のマッ
プから検索する。FIG. 35 shows target values A / F, T, and g.
An example of the determination method was shown. Here, since the driver's intention is determined and the vehicle torque T and acceleration g are determined, the accelerator opening _θac is input. As shown in FIG. 35, θ _ac and θ
A / F by the change in θ _'ac of the _ac, T, retrieved from three types of map of g.

【００７１】図３６には、別の目標値の決定法を示し
た。この方法は、ニューラルコントローラー５０を２個
用いる方法である。ニューラルコントローラー５０
（Ａ）では、アクセル開度θ_ac，ブレーキ踏角θ_br，車
速Ｖが入力されて、自動車のおかれている環境が判断さ
れる。つまり、環境が市街地，高速道路，渋滞，悪路
（じやり，水，氷），登り，下り坂などであるかを判断
して、この環境に見合ったトルク，加速度を与えるよう
に目標値を決定する。この目標値は、ニューラルコント
ローラー５０（Ｂ）に入力されて、前述のように自動車
の各部を制御する。FIG. 36 shows another method of determining the target value. This method uses two neural controllers 50. Neural controller 50
In (A), the accelerator opening θ _ac , the brake pedal angle θ _br , and the vehicle speed V are input, and the environment in which the vehicle is located is determined. In other words, it is determined whether the environment is an urban area, an expressway, traffic congestion, a bad road (slow, water, ice), climbing, going downhill, etc. decide. This target value is input to the neural controller 50 (B) to control each part of the automobile as described above.

【００７２】つまり、図３２の例は、運転者の意図を重
視した。自動車の制御であり、図３６は、環境に合わせ
て車が最適な走りをする制御法である。That is, in the example of FIG. 32, the intention of the driver is emphasized. FIG. 36 shows a control method for controlling the vehicle so that the vehicle runs optimally according to the environment.

【００７３】次に本発明の他の実施例を図３７（ａ）に
示す。自動車１１５，自動車制御装置１１６，エンジン
軸トルク検出装置１１７から構成される。エンジンの軸
トルクをエンジン軸トルク検出装置１１７で検出し、自
動車制御装置１１６で目標トルクであるかを判断し、目
標トルクでなければ、エンジン１１５の軸トルクを変化
させるパラメータを変更し、目標トルクとなるように制
御する。Next, another embodiment of the present invention is shown in FIG. The vehicle comprises a car 115, a car control device 116, and an engine shaft torque detecting device 117. The engine shaft torque is detected by the engine shaft torque detector 117, and the vehicle controller 116 determines whether the torque is the target torque. If the torque is not the target torque, the parameter for changing the shaft torque of the engine 115 is changed. Is controlled so that

【００７４】図３７（ｂ）に図３７（ａ）の制御フロー
を示す。目標トルクマップがメモリ１１８に格納されて
いる。メモリ１１８はたとえばＲＯＭ又はバッテリでバ
ックアップされたＲＡＭである。目標トルクはたとえば
エンジン回転数と負荷のマップとする（図３８参照）。
負荷のかわりに、基本燃料噴射パルス幅，吸気圧力，絞
り弁開度，アクセル開度を選んでも良い。目標トルクは
比較手段１１９でエンジンの軸トルクと比較され、目標
トルクと一致しない場合には、トルク修正手段１２２で
軸トルクを変化させるパラメータが修正され、エンジン
１１５の軸トルクを変更する。トルク修正方法として
は、具体的には、絞り弁開度，燃料量，点火時期を変更
して行う。FIG. 37 (b) shows the control flow of FIG. 37 (a). The target torque map is stored in the memory 118. The memory 118 is, for example, a ROM or a RAM backed up by a battery. The target torque is, for example, a map of the engine speed and the load (see FIG. 38).
Instead of the load, the basic fuel injection pulse width, the intake pressure, the throttle valve opening, and the accelerator opening may be selected. The target torque is compared with the shaft torque of the engine by the comparison means 119. If the target torque does not match, the parameter for changing the shaft torque is corrected by the torque correction means 122, and the shaft torque of the engine 115 is changed. Specifically, the torque is corrected by changing the throttle valve opening, the fuel amount, and the ignition timing.

【００７５】また、エンジンの軸トルクはトルク検出手
段１２１で検出される。The shaft torque of the engine is detected by the torque detecting means 121.

【００７６】図３９にエンジン軸トルクの検出方法を示
す。クランク軸１０３には、４つのピストン１００が接
続してある。この例では４気筒エンジンである。クラン
ク軸の両端にはクランク軸の両端の回転角を検出するセ
ンサ１０１，１０２が取付けてある。センサ１０１及び
１０２の信号を軸トルク検出手段１０８で処理する。周
知のようにクランク軸のねじれ角を検出することによっ
て、エンジン軸出力を検出できる。FIG. 39 shows a method of detecting the engine shaft torque. Four pistons 100 are connected to the crankshaft 103. In this example, the engine is a four-cylinder engine. Sensors 101 and 102 for detecting rotation angles of both ends of the crankshaft are attached to both ends of the crankshaft. The signals from the sensors 101 and 102 are processed by the shaft torque detecting means 108. As is well known, the output of the engine shaft can be detected by detecting the torsion angle of the crankshaft.

【００７７】図４０に単気筒エンジンの軸トルクの測定
した結果の一例を示す。燃焼圧力及び慣性力が合成され
て、クランク角度とともに軸トルクは複雑な変化をす
る。多気筒エンジンでは、各気筒間の軸トルクが合成さ
れたものが、検出されるため、軸トルクの検出がむずか
しい。FIG. 40 shows an example of the measurement result of the shaft torque of the single cylinder engine. The combustion pressure and the inertia force are combined, and the shaft torque changes in a complicated manner with the crank angle. In a multi-cylinder engine, the combination of the shaft torques between the cylinders is detected, so that the detection of the shaft torque is difficult.

【００７８】図４１にセンサ信号の一例を示す。センサ
１０１及びセンサ１０２はたとえば歯車と電磁ピックア
ップである。クラン軸が回転すると、図４１（ａ),
（ｂ）のような信号が得られる。この２つの信号の位相
差を求めると図４１（ｃ）のような信号が得られる。こ
の位相差はクランク軸のねじれ角に相当する。すなわ
ち、２つのセンサ信号の位相差によって、クラク軸のね
じれ角を設けることができる。FIG. 41 shows an example of the sensor signal. The sensor 101 and the sensor 102 are, for example, a gear and an electromagnetic pickup. When the cran shaft rotates, FIG. 41 (a),
A signal as shown in (b) is obtained. When a phase difference between these two signals is obtained, a signal as shown in FIG. 41 (c) is obtained. This phase difference corresponds to the torsion angle of the crankshaft. That is, the torsion angle of the crack axis can be provided by the phase difference between the two sensor signals.

【００７９】[0079]

【数１０】 Ｔｅ＝ｆ(Δθ_cr） …（１０） （１０）式のように、ねじれ角Δθを求めれば、軸トル
クが求まる。しかしながら、前述のように軸トルクは燃
焼圧力が慣性力及び多気筒の影響によって、関数ｆ（Δ
θ_cr）を求めることがむずかしい。特に高回転時には処
理時間が短かく、軸のねじれ角も大きくなり、トルクを
求めることがむずかしい、そのためｆ（Δθ_cr）の近似
モデルを用いたりするが、精度が悪い。またモデルの精
度を向上すると、軸トルクの計算に時間を要し、実用的
でない。Te = f (Δθ _cr ) (10) If the torsion angle Δθ is obtained as in the equation (10), the shaft torque is obtained. However, as described above, the shaft torque is determined by the function f (Δ
θ _cr ) is difficult to find. Particularly at high rotation speeds, the processing time is short, the torsion angle of the shaft is large, and it is difficult to find the torque. Therefore, an approximate model of f (Δθ _cr ) is used, but the accuracy is poor. Further, if the accuracy of the model is improved, it takes time to calculate the shaft torque, which is not practical.

【００８０】図４２にニューロコンピュータを用いたト
ルク検出法の説明を示す。ニューロコンピュータの入力
層に時間的に取り込んだ信号の位相差Δθ₁，Δθ₂，Δ
θ₃,…，Δθ_n を入力する。この場合、出力層には軸ト
ルクを出力させる。図４２（ａ）に示すように、初期の
うちは、各層の接続は均一であり、精度良く軸トルクを
求めることができない。図４２（ｂ）に示すように、ニ
ューロコンピュータに正しい軸トルクを学習させると各
層の接続が最適化され、正しい軸トルクを求めることが
できる。すなわち、あらかじめ、軸トルクをニューロコ
ンピュータに与えて学習させることによって、位相差に
対する軸トルクの関係ｆ（Δθ_cr）を求めなくても、軸
トルクを検出することができる。しかも、各信号の計算
は並列に行われるため、短時間で軸トルクの計算が終了
する。FIG. 42 shows a description of a torque detection method using a neurocomputer. Phase differences Δθ ₁ , Δθ ₂ , Δ of signals temporally captured in the input layer of the neurocomputer
Enter θ ₃ ,..., Δθ _n . In this case, the output layer outputs the shaft torque. As shown in FIG. 42 (a), in the initial stage, the connection of each layer is uniform, and the shaft torque cannot be obtained with high accuracy. As shown in FIG. 42 (b), when the neurocomputer learns the correct shaft torque, the connection of each layer is optimized, and the correct shaft torque can be obtained. That is, the shaft torque can be detected without giving the relationship f (Δθ _cr ) of the shaft torque to the phase difference by giving the neurotorque to the neurocomputer in advance and learning it. Moreover, since the calculation of each signal is performed in parallel, the calculation of the shaft torque is completed in a short time.

【００８１】図４３に本発明の構成を示す。２つのセン
サの信号θ_a，θ_bを回路１２０に入力し、位相差Δθを
求める。位相差Δθはピークホールド回路１０６に入力
され、ピークホールドされた信号はニューロコンピュー
タ１０７に入力される。ピークホールド回路１０６はニ
ューロコンピュータの入力層１つに対して、１つ設け
る。ニューロコンピュータの各入力層に入力される信号
は、時系列的にずれた信号である。サンプル周期はクラ
ンク角１度〜３０度の範囲とする。本発明では、そのほ
かの構成とし、他の演算を行うCPU108，プログラムを入
力するROM109，ニューロコンピュータの学習パラメータ
を記憶するバッテリバックアップRAM110，プログラムを
実行させたりするRAM111，アナログデータを入力するＡ
／Ｄ変換器１２１より構成される。FIG. 43 shows the structure of the present invention. The signals θ _a and θ _b of the two sensors are input to the circuit 120, and a phase difference Δθ is obtained. The phase difference Δθ is input to the peak hold circuit 106, and the peak-held signal is input to the neuro computer 107. One peak hold circuit 106 is provided for one input layer of the neurocomputer. The signals input to each input layer of the neurocomputer are signals shifted in time series. The sampling period is in the range of 1 to 30 degrees of crank angle. In the present invention, the CPU 108 performs other operations, a ROM 109 for inputting a program, a battery backup RAM 110 for storing learning parameters of a neurocomputer, a RAM 111 for executing a program, and an A for inputting analog data.
/ D converter 121.

【００８２】図４４に本発明の他の実施例を示す。位相
差信号をＡ／Ｄ変換器１０８でデイジタル信号に変換す
る。その後、RAM112にデイジタル信号を格納する。RAM1
12には、Ａ／Ｄ変換値が時系列的に順番にＲＡＭ内のメ
モリに記憶される。RAM112に記憶されたデータはニュー
ロコンピュータ１０７に入力される。RAM112への時系列
的なデータの取り込みはCPU108で制御される。このよう
な構成では、ピークホールド回路を用いることなしに、
データの取り込みができるので、コンパクト化できる。
また信号がデイジタル値であるので、信号処理が容易で
ある。FIG. 44 shows another embodiment of the present invention. The A / D converter 108 converts the phase difference signal into a digital signal. After that, the digital signal is stored in the RAM 112. RAM1
In 12, A / D conversion values are stored in a memory in the RAM in a time-series order. The data stored in the RAM 112 is input to the neuro computer 107. The fetching of time-series data into the RAM 112 is controlled by the CPU 108. In such a configuration, without using a peak hold circuit,
Since data can be captured, the size can be reduced.
Also, since the signal is a digital value, signal processing is easy.

【００８３】図４５に本発明の他の実施例を示す。RAM1
12へのデータの取り込みをメインCPU108とは別のＣＰＵ
（メインＣＰＵより小規模）によって、制御する。たと
えばメインＣＰＵ３２ビットに対し、８ビットで十分で
ある。この場合、メインＣＰＵの介在なしにデータの取
り込みができるので、メインＣＰＵの割込み処理などの
負担を大幅に低減できる。FIG. 45 shows another embodiment of the present invention. RAM1
A different CPU from the main CPU 108
(Smaller than the main CPU). For example, 8 bits are sufficient for 32 bits of the main CPU. In this case, since data can be fetched without the intervention of the main CPU, the burden of interrupt processing and the like of the main CPU can be greatly reduced.

【００８４】図４６にニューロコンピュータの基本動作
を示す。FIG. 46 shows the basic operation of the neurocomputer.

【００８５】外界にｘ₁，ｘ₂，…，ｘ_k のｋ個の信号が
あった場合、 Ｓ＝{ｘ₁，ｘ₂，…，ｘ_k} と表わせる。[0085] x _1, x ₂ to the outside, ..., if there are k signals _{x k, S = {x 1} , x 2, ..., x k} and expressed.

【００８６】情報Ｓたとえば軸ねじれ角に接するうち、
ニューロコンピュータは内部にＳの構造に適合するよう
にパラメータを修正する。これは、Ｓのモデルをニュー
ロコンピュータ内部に自動的に形成し、これを用いてＳ
の情報を処理することである。外部からの信号を受け取
る神経場Ｆは空間的に一様の構造をしていて、その相互
の結果方式は相互抑制形とする。すなわち、場の中の１
つのニューロンが信号を発すると、このニューロンの出
力はごく近くにある他のニューロンをも信号を発生させ
ようとするが、少し離れた場所にあるニューロンに対し
ては、抑制させるように作用する。Information S For example, while touching the shaft torsion angle,
The neurocomputer internally modifies the parameters to match the structure of S. This automatically forms a model of S inside the neurocomputer and uses it to
Is to process the information. The nerve field F that receives signals from the outside has a spatially uniform structure, and the mutual result system is a mutual suppression type. That is, one of the places
When one neuron emits a signal, the output of this neuron will also try to generate a signal for other neurons in close proximity, but will act to suppress neurons that are slightly further away.

【００８７】各ニューロンは、入力信号ｘがくると、そ
れを自分の結合荷重ベルトクＳを用いて受け取るから、
総和として内積 When each neuron receives the input signal x, it receives it using its own connection weight B.
Dot product as sum

【００８８】の強さの刺激を受ける。この他に抑制性の
信号ｘ_O を−Ｓ_Oｘ_Oの強さで受け取るものとし、さらに
他のニューロンが出力をだしていれば、そこからの相互
抑制形の作用を受ける。こうしたすべての入力の総和が
一定値を超えれば、このニューロンは出力を出す。The stimulus of the intensity is received. In addition to the signal x _O inhibitory shall receive in strength of -S _O x _O, if further out other neurons output acted upon reciprocal inhibition shaped therefrom. If the sum of all these inputs exceeds a certain value, the neuron will output.

【００８９】ｕ_i を第ｉ番目のニューロンの平均電位、
Ｚ_i をその出力、Ｗ_ijをｊ番目のニューロンからｉ番目
のニューロンへの結合の強さ、Ｓ_i をこのニューロンの
外界の信号ｘに対する結合荷重とする。Ｓ_Oiを抑制入力
ｘ_O に対する荷重とする。入力信号ｘが入れば、ニュー
ロンの興奮状態は U _i is the average potential of the ith neuron,
Let Z _i be its output, W _{ij be} the strength of the connection from the j-th neuron to the i-th neuron, and S _{i be the} connection weight of this neuron to the external signal x. Let S _{Oi be the} load for the suppression input x _O. When the input signal x is input, the neuron's excited state is

【００９０】となる。## EQU10 ##

【００９１】今、ニューロンが興奮すれば、そのときの
入力の強さに比例して興奮性結合Ｓ_Oiも強まるとするとNow, suppose that when the neuron is excited, the excitatory connection S _Oi also increases in proportion to the strength of the input at that time.

【００９２】[0092]

【数１１】 [Equation 11]

【００９３】[0093]

【数１２】 (Equation 12)

【００９４】すなわち、定数Ｃ，Ｃ′がうまく選ばれて
いれば、ニューロコンピュータの中に、Ｓに対応したニ
ューロンの結合を構成できることが数字的に証明され
る。That is, if the constants C and C 'are properly selected, it is proved numerically that the connection of the neuron corresponding to S can be formed in the neurocomputer.

【００９５】以上より、たとえば、あらかじめ、エンジ
ンの運転中に別の手法で求めた軸トルクを与え、ニュー
ロコンピュータのＷ_ijを最適化すれば、位相差Δθ_crよ
り軸トルクＴ_e を求めることが可能となる。学習したＷ
_ijはバッテリバックアップメモリに記憶しておく。[0095] From the above, for example, in advance, provided a shaft torque obtained by another method during operation of the engine, by optimizing the W _ij neuro computer can determine the axial torque T _e from the phase difference [Delta] [theta] _cr It becomes possible. W learned
_ij is stored in the battery backup memory.

【００９６】図４７に本発明の他の実施例を示す。自動
車１４６に前方発光素子１４１と受光素子１４２を設け
る。発光素子としてはたとえば、レーザ，赤外線ダイオ
ードを用いる。受光素子としてはたとえば、フオトトラ
ンジスタ，フオトダイオードを用いる。発光素子１４１
より発生された光は、路面で反射，散乱し、受光素子１
４２に到達する。FIG. 47 shows another embodiment of the present invention. An automobile 146 is provided with a front light emitting element 141 and a light receiving element 142. For example, a laser or an infrared diode is used as the light emitting element. As the light receiving element, for example, a phototransistor or a photo diode is used. Light emitting element 141
The light generated from the light is reflected and scattered on the road surface, and the light receiving element 1
Reach 42.

【００９７】図４８に示すように、受光素子１４４は２
次元のアレイ状に複数個並べられている。受光素子１４
４の信号は、ニューロコンピュータ１０７の入力層に導
かれる。As shown in FIG. 48, the light receiving element 144
A plurality are arranged in a dimensional array. Light receiving element 14
The signal of No. 4 is guided to the input layer of the neurocomputer 107.

【００９８】図４９に示すように、各受光素子の位置に
よって、信号の強さが異なる。路面の状況（乾燥，雨，
凍結など），障害物の大きさ，形状によって、信号の強
さパターンが異なる。すなわち、これらの信号を前述の
ようにニューロコンピュータで処理することによって、
高速に、障害物の形状，路面状況を検出することができ
る。As shown in FIG. 49, the signal intensity varies depending on the position of each light receiving element. Road surface conditions (dry, rain,
Signal strength pattern differs depending on the size and shape of the obstacle. That is, by processing these signals with a neurocomputer as described above,
The shape of the obstacle and the road surface condition can be detected at high speed.

【００９９】ニューロコンピュータの学習はあらかじ
め、路面状況を与えて、ニューロコンピュータ内の重み
係数，しきい値を最適化しておく。以上によって障害物
の有無，路面状況を正確に把握できるので、ドライバに
警報もしくは、運転パラメータを最適化することができ
る。In the learning of the neurocomputer, a road surface condition is given in advance, and the weight coefficient and the threshold value in the neurocomputer are optimized. As described above, the presence / absence of an obstacle and the road surface condition can be accurately grasped, so that the driver can be warned or the operating parameters can be optimized.

【０１００】図５０に、路面状況の検出の他の方式を示
す。車両前方より発したレーザ光を路面に当て、その反
射光をレンズ，フィルタの作用によりフーリエ変換し、
光の形状と強度分布を調べ、それによって、走路前方の
路面状況，道路の傾斜，曲率を判定することができる。FIG. 50 shows another method of detecting the road surface condition. Laser light emitted from the front of the vehicle is applied to the road surface, and the reflected light is subjected to Fourier transform by the action of a lens and a filter.
By examining the shape and intensity distribution of light, it is possible to determine the road surface condition, road inclination, and curvature in front of the runway.

【０１０１】以上は発光素子の光の路面での反射，散乱
による光を受光素子で検出することによるが、たとえ
ば、受光素子としての高感度のＣＣＤアレイを用いれ
ば、外界からの光のみで検出することができる。The above description is based on the detection of light due to the reflection and scattering of the light of the light emitting element on the road surface by the light receiving element. can do.

【０１０２】図５１に他の実施例を示す。加算器２００
には、信号１９８（例えばノッキング信号）と信号１９
９（例えばクランク軸前後の相対ねじれ角）が入力され
る。なお信号１９９は、クランク軸前端の角度信号１９
６，クランク軸後端（リングギヤ）の角度信号１９７を
減算器１９５で減算（相対角度差）したものである。こ
のため、信号１９９はクランク軸のねじれ角となり、エ
ンジン出力に比例した信号を発生する。加算器２００の
出力２０１をサンプルホールド回路２１０に入力し、時
系列信号を空間的多変数列に変換しニューロコンピュー
タ２２０の入力層に入力する。その結果ニューロコンピ
ュータ２２０の出力２２１にはノッキング信号，出力２
２２にはエンジン出力信号が発生する。またニューロコ
ンピュータ２２０を学習させる場合は、各々の信号１９
６，信号１９７，信号１９８を入力して、測定時と同様
に合成信号で行えば良い。FIG. 51 shows another embodiment. Adder 200
Signal 198 (for example, a knocking signal) and signal 19
9 (for example, a relative torsion angle before and after the crankshaft) is input. The signal 199 is the angle signal 19 of the front end of the crankshaft.
6. The angle signal 197 at the rear end (ring gear) of the crankshaft is subtracted (relative angle difference) by the subtractor 195. Therefore, the signal 199 becomes the torsion angle of the crankshaft, and generates a signal proportional to the engine output. The output 201 of the adder 200 is input to the sample-and-hold circuit 210, the time-series signal is converted into a spatial multivariable sequence, and is input to the input layer of the neurocomputer 220. As a result, the knocking signal and the output 2 are output to the output 221 of the neurocomputer 220.
At 22, an engine output signal is generated. When learning the neurocomputer 220, each signal 19
6, a signal 197 and a signal 198 may be input and performed with a composite signal in the same manner as in the measurement.

【０１０３】本実施例は３個の信号で２個の出力を検出
したが、２個又は３個以上の入力で２個以上の出力を得
ることができる。In this embodiment, two outputs are detected by three signals, but two or more outputs can be obtained by two or more inputs.

【０１０４】図５２は、触媒２３０の劣化度を測定する
場合の実施例である。触媒２３０の上流側のＯ₂ センサ
２３１と下流側のＯ₂ センサ２３２を減算器２３３に入
力しその出力２３７をサンプルホールド回路２３４に入
力しニューロコンピュータ２３５で演算し触媒劣化度出
力２３６を得る。FIG. 52 shows an embodiment in which the degree of deterioration of the catalyst 230 is measured. The O ₂ sensor 231 on the upstream side of the catalyst 230 and the O ₂ sensor 232 on the downstream side are input to a subtractor 233, and the output 237 is input to a sample and hold circuit 234, and is calculated by a neurocomputer 235 to obtain a catalyst deterioration degree output 236.

【０１０５】図５３は触媒劣化度を検出する他の実施例
である。ニューロコンピュータ240の入力として触媒の
上流側のＯ₂ センサ２３１の信号２４６，触媒の下流温
度センサ２４５の信号２４７，エンジン回転数信号２４
２，スロットル開度信号244を使用し、触媒劣化度信号
２４１を得る。ここでスロットル開度信号２４４を使用
したがエンジンの吸入空気量信号や吸気管圧力でも良
い。FIG. 53 shows another embodiment for detecting the degree of catalyst deterioration. As inputs to the neurocomputer 240, a signal 246 of the O ₂ sensor 231 on the upstream side of the catalyst, a signal 247 of the downstream temperature sensor 245 of the catalyst, and an engine speed signal 24
2. Using the throttle opening signal 244, a catalyst deterioration degree signal 241 is obtained. Although the throttle opening signal 244 is used here, it may be an intake air amount signal of the engine or an intake pipe pressure.

【０１０６】図５４に本発明の他の実施例を示す。神経
回路網３００には、回転数，ノック信号，水温，油温，
空気量，ギヤ位置，車速，絞り弁開度，サスペンシヨン
の減衰率，車体振動といった自動車の情報が入力され
る。また神経回路網３００には最終出力がありこの最終
出力と快適度指標（運転者が自由に設定する）の差が発
生すると重み係数Ｗ₁，Ｗ₂，Ｗ₃ が変更され、最終出力
と快適度指標が一致する。一方中間出力３０１〜３０５
は各々ａ，ｂの二方向に分岐し、３０１ａは神経回路網
の最終段に入力される。また３０１ｂは空燃比制御系の
目標値として入力される。また中間出力３０２ｂは点火
時期制御系の目標値、３０３ｂは変速機制御系の目標
値、３０４ｂはサスペンシヨン制御系の目標値、３０５
ｂは絞り弁制御系の目標値として使用される。以上のよ
うに運転者が自分の好みに合った快適度指標を入力する
と各々のエンジンの制御系の目標値が変更され、好みに
合った運転性が得られる。FIG. 54 shows another embodiment of the present invention. The neural network 300 includes a rotation speed, a knock signal, a water temperature, an oil temperature,
Vehicle information such as air volume, gear position, vehicle speed, throttle valve opening, suspension damping rate, and vehicle body vibration is input. The neural network 300 has a final output. When a difference between the final output and the comfort index (set freely by the driver) occurs, the weighting factors W ₁ , W ₂ , and W ₃ are changed, and the final output and the comfort level are changed. The degree indicators match. On the other hand, intermediate outputs 301 to 305
Are branched in two directions a and b, respectively, and 301a is input to the last stage of the neural network. Further, 301b is input as a target value of the air-fuel ratio control system. Further, the intermediate output 302b is a target value of the ignition timing control system, 303b is a target value of the transmission control system, 304b is a target value of the suspension control system, 305
b is used as a target value of the throttle valve control system. As described above, when the driver inputs the comfort index suitable for his / her preference, the target value of the control system of each engine is changed, and the drivability suitable for the preference is obtained.

【０１０７】図５５は他の実施例で、快適指数の検出器
として利用できる。神経回路網300には回転数，ノック
信号，水温，油温，空気量，ギヤ位置，車速，絞り弁開
度，サスペンシヨンの減衰率，車体振動が入力される。
神経回路網３００の出力を快適指数を教師データとして
重み係数の変更を行い学習する。学習が完了すれば、出
力３１０は快適指数を表わす出力となる。他の運転者が
自分に合った快適指数を教師データとして示せば、その
人に合った快適指数の発生器として再度重み係数が変更
される。FIG. 55 shows another embodiment, which can be used as a detector of a comfort index. The rotation speed, knock signal, water temperature, oil temperature, air volume, gear position, vehicle speed, throttle valve opening, suspension damping rate, and vehicle body vibration are input to the neural network 300.
The output of the neural network 300 is learned by changing the weight coefficient using the comfort index as teacher data. When the learning is completed, the output 310 becomes an output representing the comfort index. If another driver indicates a comfort index suitable for himself as teacher data, the weight coefficient is changed again as a generator of a comfort index suitable for that person.

【０１０８】[0108]

【発明の効果】本発明によれば、アクチュエータの制御
が適正に行われる。According to the present invention, the control of the actuator is properly performed.

【図面の簡単な説明】[Brief description of the drawings]

【図１】本発明の実施例の概略図。FIG. 1 is a schematic diagram of an embodiment of the present invention.

【図２】制御フローチヤート図。FIG. 2 is a control flowchart.

【図３】ノックセンサの出力特性図。FIG. 3 is an output characteristic diagram of a knock sensor.

【図４】ノックセンサの出力特性図。FIG. 4 is an output characteristic diagram of a knock sensor.

【図５】ノックセンサの出力特性図。FIG. 5 is an output characteristic diagram of a knock sensor.

【図６】ニューロ素子の結合を示す図。FIG. 6 is a diagram showing coupling of a neuro element.

【図７】ニューロ素子の興奮状態を示す図。FIG. 7 is a diagram showing an excited state of a neuro element.

【図８】ニューロ素子の興奮状態を示す図。FIG. 8 is a diagram showing an excited state of a neuro element.

【図９】ニューロ素子の結合を示す図。FIG. 9 is a diagram showing coupling of neuro elements.

【図１０】制御フローチヤート図。FIG. 10 is a control flowchart.

【図１１】ニューロ素子の結合を示す図。FIG. 11 is a diagram showing coupling of neuro elements.

【図１２】ニューロ素子の構成単位を示す図。FIG. 12 is a diagram showing constituent units of a neuro element.

【図１３】ニューロ素子の構成単位を示す図。FIG. 13 is a diagram showing constituent units of a neuro element.

【図１４】ニューロ素子の構成単位を示す図。FIG. 14 is a diagram showing constituent units of a neuro element.

【図１５】ニューロ素子の構成単位を示す図。FIG. 15 is a diagram showing constituent units of a neuro element.

【図１６】ニューロ素子の構成単位を示す図。FIG. 16 is a diagram showing structural units of a neuro element.

【図１７】ニューロ素子の構成単位を示す図。FIG. 17 is a diagram showing constituent units of a neuro element.

【図１８】ニューロ素子の構成単位を示す図。FIG. 18 is a diagram showing a structural unit of a neuro element.

【図１９】ニューロ素子の構成単位を示す図。FIG. 19 is a diagram showing constituent units of a neuro element.

【図２０】ニューロ素子の構成単位を示す図。FIG. 20 is a diagram showing constituent units of a neuro element.

【図２１】ニューロ素子の結合を示す図。FIG. 21 is a diagram showing coupling of neuro elements.

【図２２】ニューロ素子の興奮状態を示す図。FIG. 22 is a diagram showing an excited state of a neuro element.

【図２３】本発明の実施例の概略図。FIG. 23 is a schematic view of an embodiment of the present invention.

【図２４】ニューロ素子の結合を示す図。FIG. 24 is a diagram showing coupling of neuro elements.

【図２５】ニューロ素子の興奮状態を示す図。FIG. 25 is a diagram showing an excited state of a neuro element.

【図２６】ニューロ素子の興奮状態を示す図。FIG. 26 is a diagram showing an excited state of a neuro element.

【図２７】制御フローチヤート図。FIG. 27 is a control flowchart.

【図２８】制御フローチヤート図。FIG. 28 is a control flowchart.

【図２９】制御フローチヤート図。FIG. 29 is a control flowchart.

【図３０】制御フローチヤート図。FIG. 30 is a control flowchart.

【図３１】絞り弁の開きに対する空燃比変動を示す図。FIG. 31 is a diagram showing air-fuel ratio fluctuations with respect to opening of a throttle valve.

【図３２】本発明の実施例の概略図。FIG. 32 is a schematic view of an embodiment of the present invention.

【図３３】ニューロ素子の結合を示す図。FIG. 33 is a diagram showing coupling of neuro elements.

【図３４】本発明の実施例の概略図。FIG. 34 is a schematic view of an embodiment of the present invention.

【図３５】絞り弁の開きと開き速度からきまる空燃比，
トルク，加速度をメモリしたマップを示す図。FIG. 35 shows the air-fuel ratio determined from the opening and opening speed of the throttle valve,
The figure which shows the map which stored the torque and the acceleration.

【図３６】本発明の実施例の概略図。FIG. 36 is a schematic view of an embodiment of the present invention.

【図３７】本発明の実施例の概略図。FIG. 37 is a schematic view of an embodiment of the present invention.

【図３８】負荷と回転数からきまるトルクをメモリした
マップを示す図。FIG. 38 is a view showing a map in which a torque determined from a load and a rotation speed is stored.

【図３９】トルク検出装置を示す図。FIG. 39 is a diagram showing a torque detection device.

【図４０】トルク特性を示す図。FIG. 40 is a diagram showing torque characteristics.

【図４１】トルク特性を示す図。FIG. 41 is a diagram showing torque characteristics.

【図４２】ニューロ素子の結合を示す図。FIG. 42 is a view showing coupling of a neuro element.

【図４３】本発明の実施例の概略図。FIG. 43 is a schematic view of an embodiment of the present invention.

【図４４】本発明の実施例の概略図。FIG. 44 is a schematic view of an embodiment of the present invention.

【図４５】本発明の実施例の概略図。FIG. 45 is a schematic view of an embodiment of the present invention.

【図４６】ニューロ素子の結合を示す図。FIG. 46 is a view showing coupling of a neuro element.

【図４７】路面状態を検出する構成図。FIG. 47 is a configuration diagram for detecting a road surface state.

【図４８】その検出原理を示す図。FIG. 48 is a view showing the detection principle.

【図４９】信号特性図。FIG. 49 is a signal characteristic diagram.

【図５０】他の検出方法を示す図。FIG. 50 is a view showing another detection method.

【図５１】本発明の実施例の概略図。FIG. 51 is a schematic view of an embodiment of the present invention.

【図５２】本発明の実施例の概略図。FIG. 52 is a schematic view of an embodiment of the present invention.

【図５３】本発明の実施例の概略図。FIG. 53 is a schematic view of an embodiment of the present invention.

【図５４】本発明の実施例の概略図。FIG. 54 is a schematic view of an embodiment of the present invention.

【図５５】本発明の実施例の概略図。FIG. 55 is a schematic view of an embodiment of the present invention.

【符号の説明】[Explanation of symbols]

２…制御回路、１１…サンプルホールド回路、１３…ニ
ューロコンピュータ。2 ... control circuit, 11 ... sample and hold circuit, 13 ... neurocomputer.

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｇ０５Ｂ 15/02 Ｇ０５Ｂ 21/02 Ａ 21/02 Ｇ０６Ｆ 15/18 ５５０Ｅ Ｇ０６Ｆ 15/18 ５５０ Ｂ６０Ｇ 23/00 // Ｂ６０Ｇ 23/00 Ｇ０５Ｂ 15/02 Ａ (72)発明者 大山 宜茂 茨城県日立市久慈町4026番地 株式会社日 立製作所日立研究所内──────────────────────────────────────────────────の Continued on the front page (51) Int.Cl. ⁶ Identification code FI G05B 15/02 G05B 21/02 A 21/02 G06F 15/18 550E G06F 15/18 550 B60G 23/00 // B60G 23/00 G05B 15/02 A (72) Inventor Yoshimoge Oyama 4026 Kuji-cho, Hitachi City, Ibaraki Pref. Hitachi Research Laboratory, Hitachi, Ltd.

Claims (6)

【特許請求の範囲】[Claims] 【請求項１】アクチュエータの作動によって変化するあ
る物理量を検出する第１のセンサと、 前記ある物理量の目標値と、前記第１のセンサの出力
と、前記第１のセンサとは別の第２のセンサ出力とを入
力するニューロコンピュータとを備え、 前記アクチュエータは前記ニューロコンピュータの出力
に基づいて制御される制御装置。A first sensor for detecting a certain physical quantity changed by an operation of an actuator; a target value of the certain physical quantity; an output of the first sensor; and a second sensor different from the first sensor. And a neuro computer for inputting the sensor output of the neuro computer, wherein the actuator is controlled based on the output of the neuro computer. 【請求項２】請求項１において、 前記第１のセンサ出力と前記目標値との差が少なくなる
ように、前記ニューロコンピュータの重み付けを変更す
る変更手段を備えたことを特徴とする制御装置。2. The control device according to claim 1, further comprising changing means for changing a weight of the neurocomputer so that a difference between the first sensor output and the target value is reduced. 【請求項３】請求項１において、 前記第１のセンサ出力と前記目標値との差が少なくなる
ように、前記ニューロコンピュータの変換関数を変更す
る変更手段を備えたことを特徴とする制御装置。3. The control device according to claim 1, further comprising changing means for changing a conversion function of the neurocomputer so that a difference between the first sensor output and the target value is reduced. . 【請求項４】アクチュエータの作動によって変化するあ
る物理量を検出するセンサと、 入力される前記ある物理量の目標値に基づいて、前記ア
クチュエータに出力する制御量を演算するニューロコン
ピュータと、 前記センサの出力と前記目標値との差が少なくなるよう
に、前記ニューロコンピュータの重み付けを変更する変
更手段と、を備えた制御装置。4. A sensor for detecting a certain physical quantity that changes by the operation of the actuator; a neurocomputer for calculating a control quantity to be output to the actuator based on a target value of the certain physical quantity that is input; and an output of the sensor. Changing means for changing the weight of the neurocomputer so that the difference between the target value and the target value is reduced. 【請求項５】アクチュエータの作動によって変化するあ
る物理量を検出するセンサと、 入力される前記ある物理量の目標値に基づいて、前記ア
クチュエータに出力する制御量を演算するニューロコン
ピュータと、 前記センサの出力と前記目標値との差が少なくなるよう
に、前記ニューロコンピュータの変換関数を変更する変
更手段と、を備えた制御装置。5. A sensor for detecting a certain physical quantity that changes by operation of an actuator, a neurocomputer for calculating a control quantity to be output to the actuator based on a target value of the certain physical quantity that is input, and an output of the sensor. And a changing means for changing a conversion function of the neurocomputer so that a difference between the target value and the target value is reduced. 【請求項６】請求項１から５のいずれかにおいて、 前記物理量は、自動車の内燃機関の排気ガスの空燃比で
あり、 前記自動車の制御に用いられることを特徴とする制御装
置。6. The control device according to claim 1, wherein the physical quantity is an air-fuel ratio of exhaust gas of an internal combustion engine of the vehicle, and is used for controlling the vehicle.