JPH0656122B2 - 内燃機関の学習制御装置 - Google Patents

Description

【発明の詳細な説明】 〈産業上の利用分野〉 本発明は、内燃機関の空燃比（燃料噴射量），点火時
期，アイドル回転数等のフィードバック制御系の学習制
御装置に関する。

〈従来の技術〉 従来の内燃機関の学習制御装置としては、特開昭５９−
２０３８２８号公報，特開昭５９−２１１７３８号公
報，特開昭６０−９０９４４号公報，特開昭６１−１９
０１４１号公報等に示されているものがある。

これらは、機関の運転状態に基づき空燃比等の制御目標
値に対応させて設定される基本制御量を制御目標値と実
際値とを比較しつつ比例・積分制御などにより設定され
るフィードバック補正値により補正して制御量を演算
し、この制御量の制御を行って空燃比等を制御目標値に
フィードバック制御するものにおいて、フィードバック
制御中のフィードバック補正値の基準値からの偏差を機
関運転状態のエリア毎に学習してエリア別学習値を定
め、制御量の演算にあたって、基本制御量をエリア別学
習値により補正して、フィードバック補正値による補正
なしで演算される制御量により得られるものを制御目標
値に一致させるようにし、フィードバック制御中はこれ
をさらにフィードバック補正値により補正して制御量を
演算するものである。

これによれば、フィードバック制御中は過渡運転時にお
けるフィードバック制御の追従遅れをなくすことがで
き、フィードバック制御停止時においては所望の制御出
力を正確に得ることができる。

従って、電子制御燃料噴射装置等の構成部品のバラツキ
を吸収し、また機関の充填効率等の経年変化や大気圧，
温度，湿度等の使用環境条件の変化等を補正して長期に
わたって機関の最高性能を維持してゆくために用いられ
ている。

〈発明が解決しようとする問題点〉 しかしながら、このような従来の学習制御装置は、デー
タマップによるいわゆる繰返し学習方式、つまり、機関
運転状態によりデータマップ格子区分を設定し、各学習
エリアにおけるフィードバック制御偏差量を繰返し学習
経験により更新してゆく方式であったため、学習補正精
度を高めるために各学習エリア区分を細かく設定する
と、学習の更新スピードが遅くなるという欠点があっ
た。つまり、学習補正精度と学習スピードとが相反する
条件となっているのであった。

本発明は、このような従来の問題点に鑑み、学習補正精
度を高めつつ学習スピードを大幅に向上させることので
きる内燃機関の学習制御装置を提供することを目的とす
る。

〈問題点を解決するための手段〉 本発明は、上記の目的を達成するため、第１図に示すよ
うに、下記のＡ〜Ｋの手段を含んで内燃機関の学習制御
装置を構成する。

(A)内燃機関の制御対象の制御目標値に対応する基本制
御量を設定する基本制御量設定手段 (B)制御目標値と実際値とを比較して制御目標値に実際
値を近づける方向にフィードバック補正値を所定の量増
減して設定するフィードバック補正値設定手段 (C)複数の要因別学習値を記憶する書換え可能な要因別
学習値記憶手段 (D)前記基本制御量を前記フィードバック補正値及び前
記複数の要因別学習値に基づきこれらに応じてそれぞれ
設定された演算式で補正して制御量を演算する制御量演
算手段 (E)前記制御量に応じて作動し内燃機関の制御対象を制
御する制御手段 (F)前記フィードバック補正値の基準値からの偏差を検
出する偏差検出手段 (G)前記偏差の要因を偏差検出時の機関運転状態に関す
る情報及び偏差に関する情報のうち少なくとも１つを基
に分析し前記偏差を当該情報によって定まる割合で要因
別の複数のパラメータに分離する要因分析手段 (H)前記偏差検出手段による偏差検出時に前記制御量演
算手段により演算された制御量と前記要因分析手段によ
り分離された複数のパラメータに基づいた複数の要因別
学習値に基づいて前記基本制御量を補正演算して得た制
御量との差に基づき要因分析結果の正否を判定する要因
分析結果正否判定手段 (I)該要因分析結果正否判定手段による判定結果に基づ
き前記差を減少させる方向に前記要因分析手段で分離し
た複数のパラメータを増減修正する要因分析修正手段 (J)該要因分析修正手段による修正結果の前記複数のパ
ラメータのそれぞれに基づき前記要因別学習値記憶手段
の要因別学習値を修正して書換える要因別学習値更新手
段 (K)前記要因分析修正手段による複数のパラメータの増
減修正結果に基づいて前記要因分析手段による分析ルー
ルを変更する分析ルール変更手段 〈作用〉 基本制御量設定手段Ａは、内燃機関の制御対象の制御目
標値に対応する基本制御量を設定し、フィードバック補
正値設定手段Ｂは、制御目標値と実際値とを比較して制
御目標値に実際値を近づける方向にフィードバック補正
値を例えば比例・積分制御に基づいて所定の量増減して
設定する。そして、制御量演算手段Ｄは、基本制御量を
フィードバック補正値で補正し、さらに要因別学習値記
憶手段Ｃに記憶されている複数の要因別学習値に基づき
これらに応じてそれぞれ設定された最適な演算式で補正
することにより、制御量を演算する。そして、この制御
量に応じて制御手段Ｅが作動し、内燃機関の制御対象を
制御する。

一方、偏差検出種だＦは、フィードバック補正値の基準
値からの偏差を検出している。そして、要因分析手段Ｇ
は、偏差を与えるに至った要因を偏差検出時の機関運転
状態に関する情報及び偏差に関する情報（偏差量、偏差
方向、偏差速度、偏差変化方向等の情報）のうち少なく
とも１つを基に所定の分析ルールに従って推論的に分析
し、その分析結果に基づき偏差を要因別の複数のパラメ
ータに分離する。

要因分析結果正否判定手段Ｈは、偏差を検出したときに
フィードバック補正して設定された制御量と、基本制御
量を要因分析結果の要因別学習値に基づいて補正して得
た制御量と、の差に基づいて要因分析結果の正否を判定
する。そして、要因分析修正手段Ｉは、この要因分析結
果の正否に基づいて前記の差を減少させる方向に前記複
数のパラメータを修正し、この修正結果によって要因別
学習値更新手段Ｊが要因別学習値記憶手段Ｃの要因別学
習値を修正して書換えてゆく。

また、分析ルール変更手段Ｋは、要因分析修正手段Ｉに
より複数のパラメータがどのように増減修正されたかに
基づいて前記要因分析手段Ｇにより分析ルールを変更す
る。

即ち、要因分析手段Ｇが、フィードバック補正値の基準
値からの偏差を要因別の複数のパラメータに分離する
と、この分析結果に基づく要因別学習値によって制御量
を演算して、フィードバック補正に基づく制御量と比較
することにより、要因分析による学習結果が、フィード
バック補正による目標値に実際値を近づける方向の補正
と一致しているか否か（フィードバック補正値なしで要
因別学習値のみを用いることにより制御目標に制御対象
が制御されるか否か）を判定し、要因分析が不的確でフ
ィードバック補正による補正と一致しないときにはこの
差を減少させるように要因分析修正手段Ｉが要因別の複
数のパラメータを修正して、この修正結果を要因別学習
値記憶手段Ｃに記憶させる。

更に、要因分析修正手段Ｉによる修正を要したときに
は、要因分析手段Ｇによる要因分析のルールが不的確で
ある状態であるので、分析ルール変更手段Ｋが修正方向
に応じて分析ルールを変更して、要因分析修正手段Ｉに
よる修正を必要としないようにし、機関に対応した要因
分析がなされるようにする。

このように、フィードバック制御の偏差（エラー量）を
検出し、これを各種情報とデータベースとを用いて推論
して要因分析すると共に、この要因分析が実際値を制御
目標に近づける補正となるように修正し、かつ、修正結
果に応じて分析ルールを変更して最適な分析となるよう
にして、各々の要因に適した演算式で精度良く補正する
ことで、学習補正精度と学習スピードとを両立させるの
である。

〈実施例〉 以下に、本発明に係る学習制御装置を、電子制御燃料噴
射装置を有する内燃機関の空燃比のフィードバック制御
系に適用した実施例を説明する。

第２図において、機関１には、エアクリーナ２から吸気
ダクト３，スロットル弁４及び吸気マニホールド５を介
して空気が吸入される。吸気マニホールド５のブランチ
部には各気筒毎に制御手段としての燃料噴射弁６が設け
られている。燃料噴射弁６はソレノイドに通電されて開
弁し通電停止されて閉弁する電磁式燃料噴射弁であっ
て、後述するコントロールユニット12からの駆動パルス
信号により通電されて開弁し、図示しない燃料ポンプか
ら圧送されてプレッシャレギュレータにより所定の圧力
に調整された燃料を噴射供給する。

尚、この例はマルチポイントインジェクションシステム
（Ｍ．Ｐ．Ｉ．方式）であるが、スロットル弁の上流な
どに全気筒共通に単一の燃料噴射弁を設けるシングルポ
イントインジェクションシステム（Ｓ．Ｐ．Ｉ．方式）
であってもよい。

機関１の燃焼室には点火栓７が設けられていて、これに
より火花点火して混合気を着火燃焼させる。

そして、機関１からは、排気マニホールド８，排気ダク
ト９，三元触媒10及びマフラー11を介して排気が排出さ
れる。三元触媒10は、排気成分中のＣＯ，ＨＣを酸化
し、また、ＮＯ_ｘを還元して、他の無害な物質に転換す
る排気浄化装置であり、混合気を理論空燃比で燃焼させ
たときに両転換効率が最も良好なものとなる。

コントロールユニット12は、ＣＰＵ，ＲＯＭ，ＲＡＭ，
Ａ／Ｄ変換器及び入出力インタフェイスを含んで構成さ
れるマイクロコンピュータを備え、各種のセンサからの
入力信号を受け、後述の如く演算処理して、燃料噴射弁
６の作動を制御する。

前記各種のセンサとしては、吸気ダクト３中に熱線式あ
るいはフラップ式のエアフローメータ13が設けられてい
て、吸入空気流量Ｑに応じた電圧信号を出力する。

また、クランク角センサ14が設けられていて、４気筒の
場合、クランク角 180゜毎の基準信号とクランク角１゜
又は２゜毎の単位信号とを出力する。ここで、基準信号
の周期、あるいは所定時間内における単位信号の発生数
を計測することにより、機関回転数Ｎを算出可能であ
る。

また、機関１のウォータジャケットの冷却水温Ｔｗを検
出する水温センサ15等が設けられている。

さらに、排気マニホールド８の集合部にＯ_２センサ16が
設けられ、排気中のＯ_２濃度を介して機関１に吸入され
る混合気の空燃比を検出する。尚、Ｏ_２センサ16として
特願昭６２−６５８４４号で提案しているＮＯ_ｘ還元触
媒層付のものを用いるとより正確な検出が可能となる。

ここにおいて、コントロールユニット12に内蔵されたマ
イクロコンピュータのＣＰＵは、第３図〜第５図にフロ
ーチャートとして示すＲＯＭ上のプログラム（燃料噴射
量演算ルーチン，空燃比フィードバック制御ルーチン，
最適学習ルーチン）に従って演算処理を行い、燃料噴射
を制御する。

尚、基本制御量設定手段，フィードバック補正値設定手
段，制御量演算手段，偏差検出手段，要因分析手段，要
因別学習値更新手段，要因分析結果正否判定手段，要因
分析修正手段及び分析ルール変更手段としての機能は、
前記プログラムにより達成される。また、要因別学習値
記憶手段としては、ＲＡＭを用い、かつバックアップ電
源によりエンジンキースイッチのＯＦＦ後も記憶内容を
保持させる。

次に第３図〜第５図のフローチャートを参照しつつコン
トロールユニット12内のマイクロコンピュータの演算処
理の様子を説明する。

第３図は燃料噴射量演算ルーチンで、所定時間毎に実行
される。

ステップ１（図にはＳ１と記してある。以下同様）では
エアフローメータ13からの信号に基づいて検出される吸
入空気流量Ｑ，クランク角センサ14からの信号に基づい
て算出される機関回転数Ｎ，水温センサ15からの信号に
基づいて検出される水温Ｔｗ等を入力する。

ステップ２では吸入空気流量Ｑと機関回転数Ｎとから単
位回転当りの吸入空気量に対応する基本燃料噴射量Ｔｐ
＝Ｋ・Ｑ／Ｎ（Ｋは定数）を演算する。このステップ２
の部分が基本制御量設定手段に相当する。

ステップ３では水温Ｔｗに応じた水温補正係数Ｋ_TW，機
関回転数Ｎと基本燃料噴射量Ｔｐに応じた空燃比補正係
数Ｋ_MRなどを含む各種補正係数ＣＯＥＦ＝１＋Ｋ_TW＋Ｋ
_MR＋…を設定する。

ステップ４では後述する第４図の空燃比フィードバック
制御ルーチンによって設定されている最新の空燃比フィ
ードバック補正係数α（基準値１）を読込む。

ステップ５ではバッテリ電圧に基づいて電圧補正分Ｔｓ
を設定する。これはバッテリ電圧の変動による燃料噴射
弁６の噴射流量変化を補正するためのものである。

ステップ６では要因別学習値記憶手段としてのＲＡＭの
所定アドレスから要因別学習値Ｘ1,Ｘ_２を読込む。尚、
学習が開始されていない時点では、初期値として、Ｘ_１
＝０，Ｘ_２＝１を記憶させてある。

ステップ７では燃料噴射量Ｔｉを次式に従って演算す
る。このステップ７の部分が制御量演算手段に相当す
る。

Ｔｉ＝Ｘ_２・Ｔｐ・ＣＯＥＦ・α＋（Ｔｓ＋Ｘ_１） ステップ８では演算されたＴｉを出力用レジスタにセッ
トする。これにより予め定めた機関回転同期（例えば１
回転毎）燃料噴射タイミングになると、最新にセットさ
れたＴｉのパルス巾をもつ駆動パルス信号が燃料噴射弁
６に与えられて、燃料噴射が行われる。

第４図は空燃比フィードバック制御ルーチンで、回転同
期又は時間同期で実行され、これにより空燃比フィード
バック補正係数αが設定される。従ってこのルーチンが
フィードバック補正値設定手段に相当する。

ステップ11では所定の空燃比フィードバック制御条件が
成立しているか否かを判定する。ここで、所定の空燃比
フィードバック制御条件とは、機関回転数Ｎが所定値以
下で、かつ負荷を表わす基本燃料噴射量Ｔｐが所定値以
下であることを条件とする。かかる条件が満たされてい
ない場合はこのルーチンを終了する。この場合、空燃比
フィードバック補正係数αは前回値（又は基準値１）に
クランプされ、空燃比フィードバック制御が停止され
る。これは、高回転又は高負荷領域では空燃比フィード
バック制御を停止し、前記空燃比補正係数Ｋ_MRによりリ
ッチな出力空燃比を得て、排気温度の上昇を抑制し、機
関１の焼付きや三元触媒10の焼損などを防止するためで
ある。

空燃比フィードバック制御条件の成立時は、ステップ12
以降へ進む。

ステップ12ではＯ_２センサ16の出力電圧Ｖ₀₂を読込む、
次のステップ13で理論空燃比相当のスライスレベル電圧
Ｖ_ref と比較することにより実際の空燃比が理論空燃比
よりもリッチ状態であるか或いはリーン状態であるかを
判定する。即ち、本実施例において、制御対象とは機関
吸入混合気の空燃比であり、制御目標とは理論空燃比で
ある。

空燃比がリーン（Ｖ₀₂＜Ｖ_ref ）のときは、ステップ13
からステップ14へ進んでリッチからリーンへの反転時
（反転直後）であるか否かを判定し、反転時にはステッ
プ15へ進んで後述する第５図の最適学習ルーチンのため
前回の空燃比フィードバック補正係数αの基準値１から
の偏差をａ＝α−１として記憶した後、ステップ16へ進
んで空燃比フィードバック補正係数αを前回値に対し所
定の比例係数Ｐ分増大させる。反転時以外はステップ17
へ進んで、空燃比フィードバック補正係数αを前回値に
対し所定の積分定数Ｉ分増大させ、こうして空燃比フィ
ードバック補正係数αを一定の傾きで増大させる。尚、
Ｐ≫Ｉである。

空燃比がリッチ（Ｖ₀₂＜Ｖ_ref ）のときは、ステップ13
からステップ18へ進んでリーンからリッチへの反転時
（反転直後）であるか否かを判定し、反転時にはステッ
プ19へ進んで後述する第５図の最適学習ルーチンのため
前回の空燃比フィードバック補正係数αの基準値１から
の偏差をｂ＝α−１として記憶した後、ステップ20へ進
んで空燃比フィードバック補正係数αを前回値に対し所
定の比例係数Ｐ分減少させる。反転時以外はステップ21
へ進んで空燃比フィードバック補正係数αを前回値に対
し所定の積分定数Ｉ分減少させ、こうして空燃比フィー
ドバック補正係数αを一定の傾きで減少させる。

第５図は最適学習ルーチンで、所定時間毎に実行され、
これにより要因別学習値Ｘ1,Ｘ_２が設定・更新される。

ステップ31では所定の学習条件が成立しているか否かを
判定する。ここで、所定の学習条件とは、空燃比のフィ
ードバック制御中であり、かつＯ_２センサ16のリッチ・
リーン信号が適当な周期で反転していることを条件とす
る。かかる条件が満たされていない場合はこのルーチン
を終了する。

所定の学習条件が成立した場合は、ステップ32へ進んで
Ｏ_２センサ16の出力電圧Ｖ₀₂が反転したか否かを判定
し、反転時以外はステップ33へ進んでそのときの機関運
転状態のデータとして機関回転数Ｎと基本燃料噴射量Ｔ
ｐとをサンプリングする。

Ｏ_２センサ16の出力電圧の反転時は、最適学習のため、
ステップ34へ進んで前述のａとｂとの平均値を求める。
このときのａ，ｂは、第６図に示すように空燃比フィー
ドバック補正係数αの増減方向の反転から反転までの空
燃比フィードバック補正係数αの基準値１からの偏差の
上下のピーク値であり、これらの平均値を求けることに
より、空燃比フィードバック補正係数αの基準値１から
の平均的な偏差Δαを検出している。

従って、第４図のステップ15，19と第５図のステップ34
の部分が偏差検出手段に相当する。

次にステップ35へ進んでＯ_２センサ16の出力電圧Ｖ₀₂が
反転する間の機関回転数Ｎ及び基本燃料噴射量Ｔｐの動
き（Ｎ1,Ｎ_２…，Ｔｐ1,Ｔｐ_２…）を読出し、機関運転
状態（Ｎ，Ｔｐ）を特定する。

次にステップ36へ進んで機関運転状態（Ｎ，Ｔｐ）のエ
リアよりマップを参照して各エリアに割付けられた学習
重み付けパラメータＫ1,Ｋ_２を検索する。但し、Ｋ_１＋
Ｋ_２の初期値は１以下である。

ここで、偏差Δαを与えるに至った要因は、主に燃料噴
射弁６に起因するもの（以下Ｆ／Ｉ要因という）と、空
気密度変化などを含むエアフローメータ13に起因するも
の（以下Ｑ要因）とに分け、それぞれの占める割合をＫ
1,Ｋ_２で表わすのである。

そして、経験則から低回転低負荷領域ではＦ／Ｉ要因が
大きく、高回転高負荷ではＱ要因が大きいなどと推定し
て、各エリアにＫ1,Ｋ_２の値を割付けておき、このマッ
プを参照することで、機関運転状態を基に要因分析を行
うのである。

これにより、偏差Δαを、Ｆ／Ｉ要因のパラメータＫ_１
・Δαと、Ｑ要因のパラメータＫ_２・Δαとに分離する
ことが可能となり、次のステップ37ではΔα＝Ｋ_１・Δ
α，Δα＝Ｋ_２・Δαとして、各パラメータに分離す
る。

従って、ステップ35〜37の部分が要因分析手段に相当す
る。

尚、要因分析は、このように機関運転状態に関する情報
を基に行う他、偏差量、偏差方向、偏差速度、偏差変化
方向等の偏差に関する情報に基づき、それらのデータベ
ースから推論して行うようにしてもよい。

次にステップ38へ進んでＲＡＭ上の所定アドレスに記憶
してある要因別学習値Ｘ1,Ｘ_２を読出し、次式の如く、
一方のＦ／Ｉ要因の学習値Ｘ_１に偏差Δα_１をＭ_１分加
算して更新し、他方のＱ要因の学習値Ｘ_２に偏差Δα_２
をＭ_２分加算して更新する。Ｍ1,Ｍ_２は学習重み付け係
数である。

Ｘ_１＝Ｘ_１＋Ｍ_１・Δα_１ Ｘ_２＝Ｘ_２＋Ｍ_２・Δα_２ 次にステップ39へ進んで、上記ステップ38で更新した要
因別学習値Ｘ1,Ｘ_２を用いて燃料噴射量Ｔｉを演算す
る。但し、このときの燃料噴射量Ｔｉの演算式には、下
記に示すように空燃比フィードバック補正係数αが含め
られず、フィードバック補正係数αなしでかつ今回更新
した要因別学習値Ｘ1,Ｘ_２を用いて燃料噴射量Ｔｉが演
算される。

ＴＩ＝Ｘ_２・Ｔｐ・ＣＯＥＦ＋（Ｔｓ＋Ｘ_１） 次のステップ40では、偏差Δαを検出したときに第３図
の燃料噴射量演算ルーチンで演算された燃料噴射量Ｔｉ
を読込んでこの値をＭＴｉとする。上記偏差Δαを検出
したときの燃料噴射量Ｔｉとは、例えば空燃比フィード
バック補正係数αの上下のピーク値をとったときのそれ
ぞれ燃料噴射量Ｔｉの平均値とする。

次にステップ41へ進んでステップ39で空燃比フィードバ
ック補正係数αなしで演算した燃料噴射量Ｔｉと、ステ
ップ40で読込んだ要因別学習値Ｘ1,Ｘ_２の更新の基礎と
なった空燃比フィードバック補正係数αを用いて設定さ
れた燃料噴射量ＭＴｉとを比較し、要因分析の正否を判
定する。従って、このステップ40,40 の部分が要因分析
結果正否判定手段に相当する。

ここで、Ｔｉ≒ＭＴｉであると判定された場合には、今
回要因分析して更新した要因別学習値Ｘ1,Ｘ_２を用いれ
ば、空燃比フィードバック補正係数αを用いなくとも、
演算された燃料噴射量Ｔｉ相当の燃料を機関１に噴射供
給することで略理論空燃比相当の混合気を得ることが判
別される。

なぜなら、空燃比フィードバック補正係数αは、実際の
空燃比を目標空燃比である理論空燃比に近似させるよう
に設定されるものであるため、ステップ40で読込んだ燃
料噴射量ＭＴｉは略理論空燃比相当の燃料噴射量である
と言え、これに対し、今回の要因分析結果から得た要因
別学習値Ｘ1,Ｘ_２を用い空燃比フィードバック補正係数
αを用いないで演算した燃料噴射量Ｔｉがこの理論空燃
比相当の燃料噴射量ＭＴｉと略イコールであれば、要因
分析結果により空燃比フィードバック補正係数αなしで
目標である理論空燃比を略得られることになり、正しく
要因分析されて学習が的確であることが判明する。

一方、ステップ41でＴｉ≪ＭＴｉ或いはＴＩ≫ＭＴｉで
あると判定された場合には、空燃比フィードバック補正
係数αなしで今回要因分析してステップ38で得た要因別
学習値Ｘ1,Ｘ_２を用いて燃料噴射量Ｔｉを演算したので
は、目標である理論空燃比を得ることができないことが
判明する。即ち、空燃比フィードバック補正して得た燃
料噴射量ＭＴｉよりもステップ39で演算した燃料噴射量
Ｔｉが少ないときには、実際の燃料噴射量Ｔｉの設定に
際して、空燃比フィードバック補正係数αで燃料噴射量
Ｔｉを増量補正する必要があり、一方、燃料噴射量ＭＴ
ｉよりもステップ39で演算した燃料噴射量Ｔｉが多いと
きには空燃比フィードバック補正係数αで燃料噴射量Ｔ
ｉを減少補正する必要があるものである。

従って、このように空燃比フィードバック補正係数αに
よって理論空燃比相当の燃料噴射量Ｔｉに補正される状
態では、要因分析結果が不良であると言え、この場合に
はステップ42若しくはステップ43へ進んで、空燃比フィ
ードバック補正係数αなしで理論空燃比相当の燃料噴射
量Ｔｉが得られるように要因別学習値Ｘ1,Ｘ_２を以下に
説明するようにして増減補正する。

ステップ41でＴｉ≪ＭＴｉであると判定された場合に
は、ステップ38で得た要因別学習値Ｘ1,Ｘ_２のみを用い
空燃比フィードバック補正係数αを用いないで燃料噴射
量Ｔｉを演算した場合には燃料量が不足して空燃比がリ
ーン化する状態であるので、ステップ42へ進んでステッ
プ38で得た要因別学習値Ｘ1,Ｘ_２にそれぞれ微小値ΔＸ
1,ΔＸ_２を加算して新たな要因別学習値Ｘ1,Ｘ_２とし
（Ｘ_１←Ｘ_１＋ΔＸ_１、Ｘ_２←Ｘ_２＋ΔＸ_２）、燃料噴
射量Ｔｉが要因別学習値Ｘ1,Ｘ_２によってより増量補正
されるようにして再びステップ39へ戻る。即ち、Ｔｉ≒
ＭＴｉとなるまでステップ42における要因別学習値Ｘ1,
Ｘ_２の修正を繰り返す。

一方、ステップ41でＴｉ≫ＭＴｉであると判定された場
合には、ステップ38で要因別学習値Ｘ1,Ｘ_２のみを用い
空燃比フィードバック補正係数αを用いないで燃料噴射
量Ｔｉを演算した場合には燃料量が過剰で空燃比がリッ
チ化する状態であるので、ステップ43へ進んでステップ
38で得た要因別学習値Ｘ1,Ｘ_２からそれぞれ微小値ΔＸ
1,ΔＸ_２を減算して新たな要因別学習値Ｘ1,Ｘ_２とし
（Ｘ_１←Ｘ_１−ΔＸ1、Ｘ_２←Ｘ_２−ΔＸ2）、燃料噴射
量Ｔｉが要因別学習値Ｘ1,Ｘ_２によってより減量補正さ
れるようにして再びステップ39へ戻り、Ｔｉ≒ＭＴｉと
なるまでステップ43における要因別学習値Ｘ1,Ｘ_２の修
正を繰り返す。

従って、上記ステップ42及びステップ43の部分が要因分
析修正手段に相当する。

ここで、ステップ42若しくはステップ43での修正によっ
てステップ41においてＴｉ≒ＭＴｉと判定されるような
要因別学習値Ｘ1,Ｘ_２に修正された場合、或いは、要因
分析が良好に行われて、ステップ38で得た要因別学習値
Ｘ1,Ｘ_２を用いてステップ41でＴｉ≒ＭＴｉと判定され
た場合には、ステップ44へ進んで修正前の要因別学習値
Ｘ1,Ｘ_２（ステップ38で設定された値）を読出してそれ
ぞれ_１，_２とする。

そして、次のステップ45では、最終結果の要因別学習値
Ｘ1と前記_１とを比較する。ここで、最終結果の要因
別学習値Ｘ1とは、ステップ41の初回でＴｉ≒ＭＴｉで
あると判定されたときにはステップ38での設定結果であ
り、Ｔｉ≠ＭＴｉであると判定されたときにはステップ
42若しくはステップ43における最終修正結果である。

ステップ45でＸ_１≒_１であると判定されたときには、
修正が僅かであるかステップ42若しくはステップ43での
修正が行なれなかったことを示すので、ステップ46〜48
をジャンプしてステップ49へ進むが、Ｘ_１≒_１でない
と判定されたときには所定以上に増減修正されたことを
示すのでステップ46若しくはステップ47へ進んで学習重
み付けパラメータＫ1,Ｘ_２の修正を行う。

即ちステップ45でＸ_１＞_１であると判定されたときに
は、学習重み付けパラメータＫ_１を用いて要因分析して
得た要因別学習値Ｘ_１では目標である理論空燃比を得ら
れないため、ステップ42において要因別学習値Ｘ_１を増
大修正したことを示すので、ステップ46へ進んで現在の
学習重み付けパラメータＫ_１に所定微小量ΔＫ_１を加算
して新たな学習重み付けパラメータＫ_１を設定し、次の
ステップ48で学習重み付けパラメータＫ_１，Ｋ_２マップ
のＫ_１を書換える。これにより、次回においてＦ／Ｉ要
因のパラメータＫ_１・Δαに分離される割合を増大さ
せ、要因別学習値Ｘ_１を大きくすることで、ステップ42
における要因別学習値Ｘ_１の増大修正を不要とするか或
いは増大巾を抑制する。

一方、ステップ45でＸ_１＜_１であると判定されたとき
には、要因別学習値Ｘ_１を減少修正したことを示すの
で、ステップ47へ進んで現在の学習重み付けパラメータ
Ｋ_１から所定微小量ΔＫ_１を減算して新たな学習重み付
けパラメータＫ_１を設定し、次にステップ48でＫ_１の書
換えを行う。これにより、次回においてＦ／Ｉ要因のパ
ラメータＫ_１・Δαに分離される割合を減少させ、要因
別学習値Ｘ_１を小さくすることで、ステップ43における
要因別学習値Ｘ_１の減少修正を不要とするか或いは減少
巾を抑制する。

このように、Ｘ_１≒_１でないときには、Ｘ_１が増大修
正されたか減少修正されたかによって学習重み付けパラ
メータＫ_１を所定量微小量ΔＫ_１だけ増減修正し、初期
設定された学習重み付けパラメータＫ_１をその機関に対
応した最適値となるように変更してゆくものである。

また、ステップ49〜52では、上記学習重み付けパラメー
タＫ_１の修正と同様にして学習重み付けパラメータＫ_２
をＸ_２が増大修正されたか減少修正されたかによって最
適値に修正しマップ値を書換えることにより、Ｑ要因の
パラメータＫ_２・Δαの割合を機関に対応した値にして
ゆく。

従って、ステップ45〜ステップ52の部分が分析ルール変
更手段に相当する。

以上のようにして、学習重み付けパラメータＫ_１，Ｋ_２
のマップ値の書換えが終了すると、ステップ53へ進ん
で、ＲＡＭ上の所定アドレスにステップ38で設定された
値若しくはステップ42,43 での修正結果である要因別学
習値Ｘ1,Ｘ_２を書込んでデータを書換える。このＲＡＭ
はバックアップメモリーであり、エンジンキースイッチ
のＯＦＦ後も記憶内容が記憶保持される。

従って、ステップ44の部分が要因別学習値更新手段に相
当する。

このようにして、Ｆ／Ｉ要因の学習値Ｘ_１とＱ要因の学
習値Ｘ_２とが定まるわけであるが、これらを基にした補
正は、第３図のステップ７で示した如く、要因別に最適
な演算式で行われる。

即ち、Ｆ／Ｉ要因の学習値Ｘ_１については基本燃料噴射
量Ｔｐに対する加算項として、Ｑ要因の学習値Ｘ_２につ
いては基本燃料噴射量Ｔｐに対する掛算項として、演算
式が設定され、これにより最適な修正が行われる。

第７図は、本学習制御による効果として、□印の＋16％
のリッチ傾向のエンジンが４回程度の学習で●印のバラ
ツキ中央値のエンジンに近づいてゆく様子と、△印の−
16％のリーン傾向のエンジンが３回程度の学習で●印の
バラツキ中央値エンジンに近づいてゆく様子を示したも
ので、本学習制御による学習スピードの向上が明瞭に示
されている。

尚、本実施例では、電子制御燃料噴射装置として、エア
フローメータを有して吸入空気流量を検出するあわゆる
Ｌ−Ｊetro方式のものを示したが、吸気マニホールド負
圧を検出するいわゆるＤ−Ｊetro方式、あるいはスロッ
トル弁開度（α）と機関回転数（Ｎ）によるいわゆるα
−Ｎ方式等各種のシステムに適用し得る。

また、空燃比のフィードバック制御のみならず、ノッキ
ング検出による点火時期制御や、補助空気弁を介しての
アイドル回転数のフィードバック制御にも適用できるも
のである。

〈発明の効果〉 以上説明したように本発明によれば、従来の如くエリア
別に学習する方式ではなく、偏差を生じるに至った要因
を分析すると共に、分析結果の正否判定に基づいて要因
別学習値を修正して学習する方式とし、かつ、この修正
に応じて分析ルールを修正するようにしたため、学習ス
ピードを大幅に向上させることができ、また、分析結果
の正否を判定するので分析の誤りを修正し然も分析ルー
ルの最適化を図れて学習補正の精度を高めることができ
る。また、このような学習制御により、マッチング工数
の低減，部品管理の簡単化，メンテナンスフリー等を実
現できる。更に、バックアップメモリーの容量も少なく
することができる。

【図面の簡単な説明】

第１図は本発明の構成を示す機能ブロック図、第２図は
本発明の一実施例を示すシステム図、第３図〜第５図は
制御内容を示すフローチャート、第６図は空燃比フィー
ドバック補正係数の変化の様子を示す図、第７図は学習
制御の効果を示す図である。 １……機関、６……燃料噴射弁、12……コントロールユ
ニット、13……エアフローメータ、14……クランク角セ
ンサ、16……Ｏ_２センサ

Claims (1)

【特許請求の範囲】
1. 【請求項１】内燃機関の制御対象の制御目標値に対応す
   る基本制御量を設定する基本制御量設定手段と、 制御目標値と実際値とを比較して制御目標値に実際値を
   近づける方向にフィードバック補正値を所定の量増減し
   て設定するフィードバック補正値設定手段と、 複数の要因別学習値を記憶する書換え可能な要因別学習
   値記憶手段と、 前記基本制御量を前記フィードバック補正値及び前記複
   数の要因別学習値に基づきこれらに応じてそれぞれ設定
   された演算式で補正して制御量を演算する制御量演算手
   段と、 前記制御量に応じて作動し内燃機関の制御対象を制御す
   る制御手段と、 前記フィードバック補正値の基準値からの偏差を検出す
   る偏差検出手段と、 前記偏差の要因を偏差検出時の機関運転状態に関する情
   報及び偏差に関する情報のうち少なくとも１つを基に分
   析し前記偏差を当該情報によって定まる割合で要因別の
   複数のパラメータに分離する要因分析手段と、 前記偏差検出手段による偏差検出時に前記制御量演算手
   段により演算された制御量と前記要因分析手段により分
   離された複数のパラメータに基づいた複数の要因別学習
   値に基づいて前記基本制御量を補正演算して得た制御量
   との差に基づき要因分析結果の正否を判定する要因分析
   結果正否判定手段と、 該要因分析結果正否判定手段による判定結果に基づき前
   記差を減少させる方向に前記要因分析手段で分離した複
   数のパラメータを増減修正する要因分析修正手段と、 該要因分析修正手段による修正結果の前記複数のパラメ
   ータのそれぞれに基づき前記要因別学習値記憶手段の要
   因別学習値を修正して書換える要因別学習値更新手段
   と、 前記要因分析修正手段による複数のパラメータの増減修
   正結果に基づいて前記要因分析手段による分析ルール変
   更手段と、 を含んで構成されることを特徴とする内燃機関の学習制
   御装置。