JPH09504346A - 自動車の仮想排気ガス監視方法 - Google Patents

Abstract

(57)【要約】 内燃機関３６０は種々の温度測定圧力測定などに関してその動作を監視する複数のモニタを備える。予測モデルプロセッサ３２２はメモリ３２４に記憶されたモデルパラメータを利用しセンサ入力から予測排気ガス出力を予測する。このモデルはセンサによって供給される入力と実際の排気ガスセンサ出力で訓練される。処理の間、ライン３２６上の予測出力が警報供給のため、あるいはメモリ３２８の履歴データーベースに記憶される。さらに、内燃機関２６０はそのモデルを正確に判定するため周期的にチェックされる予測排気ガス出力を有することができる。これはエンジンの出力を外部排気ガスセンサに接続し、実測出力と予測出力の誤差を取ることによって実行される。この誤差は域値と比較され、その誤差が域値を上回るときは、予測モデルプロセッサ３２２は訓練処理に置き換えられる。ここでは、新しいモデルパラメータが発生される。さらに、再訓練が予測モデルプロセッサ３２２の外部で行われる。実行の間、制御ネットワーク３５０は排気ガス出力を最小にするために予測制御パラメータを利用することができる。

Description

【発明の詳細な説明】 自動車の仮想排気ガス監視方法発明の技術分野 この発明は、一般に排気ガス監視システムに関し、特に、仮想センサを有する 往復機関を連続的排気ガスモニタを置き換えるシステムに関する。この出願に関する参考文献 この出願は、“センサ評価を有する仮想連続的排気ガス監視装置（ＶＩＲＴＵ ＡＬ ＣＯＮＴＩＮＵＯＵＳ ＥＭＩＳＳＩＯＮ ＭＯＮＩＴＯＲＩＮＧ ＳＹ ＳＴＥＭ ＷＩＨＴ ＳＥＮＳＯＲ ＶＡＬＩＤＡＴＩＯＮ）”と称して、１９ ９３年８月５日に出願された、ＵＳ特許出願シリアルＮｏ．０８／１０２４０５ の一部継続出願である。従来の技術 環境に関する公共的関心の高まりの増大につれて、産業は重要な変化をするこ とが要求されつつある。産業界はこのような世論に答えているものの、政府調整 の組織体が、公共の必要に答えるために典型的に組織づけられている。そして、 政府は環境保護局のような実体の上に調整部署を作っている。これらの部署は、 有害な廃棄物（排気ガス）に関して環境に影響を及ぼさないよう政策を適正化す るという任務を与えられる。さらに、これらの調整する組織体は、これらの調整 を実施するタスクを与えられる。製造設備によって大気中に排出されていた有害 なガスをモニタすることが近年大きな注目を受けている。 有害なガスが正しくモニタされていることを確証するための技術は、典型的に 連続の排気ガス・モニタリング・システム（ＣＥＭ）を実行することであった。 これらのシステムは、亜硫酸ガス（二酸化硫黄）のような排気ガス、窒素酸化 物（ＮＯｘ）、一酸化炭素（コロラド州）、全減された硫黄（ＴＲＳ）、不透明 、揮発性の有機的なカーボン（ＶＯＣ）と全ての分類の危険な物質の量をモニタ するために利用される。 古典的なこれらの排気ガスのモニタリングの方法は、連続の排気ガス・モニタ （ＣＥＭ）を各排気ガス点源上のプラントに取り付けることによって行う。 出力を調節する方法に関して、調整機関は、各プラントためのガイドラインを 供給する。これは、排気ガスの受け入れられる限度を定義している。 古典的なＣＥＭは、煙突に直接取り付けられた分析器、または、ガス・サンプ ルを抽出してそれを等級レベルで分析器に渡す装置から成る。しかし、これらの センサはとても高価であり、維持するのが難しく、さらに適当にキャリブレーシ ョンすることが困難である。このように、ＣＥＭシステムを扱う調整においては 、頻繁にセンサをキャリブレーションすることが必要となる。 このキャリブレーション手続には、システムが複雑なために、多くの時間を要 する。調整においてはキャリブレーションのために最大１０パーセントの休止時 間を許容する。 もし、装置がＣＥＭが停止する時間の１０パーセントより多く稼働状態に置か れると、排気ガスレベルはレギュレータにより最大ポテンシャルレベルにあると 考慮される。この結果、装置の正常動作が行われなくなる。 大抵の工場は、そのような発生の高いペナルティーに直面するよりはむしろ、 動作を停止するだろう。この理由の一つは、ＮＯｘ排気ガスのモニタリングと関 連するプラントの動作が「本当に連続でなければならない」ことから、キャリブ レーションで失格した故障センサのための時間遅れは許されないということにあ る。 これを解決する一つの対策は、重複センサを使用することである。これは大変 高価につく解決策である。したがって、センサを必要としないが、プラントの排 気ガスが有害排気ガスに関して許容内に確実に止まる装置を供給する必要がある 。発明の概要 ここに記述され、請求の範囲とされる、この発明は、有毒汚染物を放出し、そ れに関連するエンジン動作の選択パラメータを測定する複数のセンサを有する内 燃機関の排気ガスを監視する方法を備える。予測モデルが備えられ、外部の排気 ガスモニタに接続されたエンジンの記憶された表示が表される。この予測モデル はエンジンに取り付けられた外部排気ガスモニタの出力に対応する予測排気ガス 値を出力できる。この予測モデルへの入力はセンサ出力値の選択組に対応する。 センサ出力値の選択組は予測モデルへ入力され、エンジンに接続された外部排気 ガスモニタを必要とする事なく、エンジンが動作する間有毒汚染物の予測を行う 。これは排気ガスのモニタが動作する事なく達成できる。 この発明の他の局面において、予測モデルの動作はエンジンに外部排気ガスモ ニタを取り付け有毒汚染物出力を測定することにより確かめられる。測定出力は 予測出力と比較される。この実測値と予測値が所定量より以上異なる場合、記憶 されている表示が調整される。記憶された表示は最初、入力データとしてセンサ の実測出力値と目標出力データとして外部排気ガスモニタの実測された排気ガス 出力とを含む訓練データセットで予測モデルを訓練することにより発生される。 記憶された表示を調整する一つの方法において、予測モデルは新しい記憶された 表示を訓練データの新しい組みで完全にするために再訓練される。他の方法にお いて、予測排気ガス値はオフセットされた予測排気ガス値と実測排気ガス値との 平均差が所定の差以下となるように予測モデルの出力を単にオフセットすること である。 さらに、この発明の他の局面において、予測ネットワークによって出力された 予測排気ガス値は、内部閾値と比較される。予測排気ガス値が内部閾値を上回る とき、警報が発せられる。一つの実施例において、この警報はライトである。閾 値は複数記憶された閾値から選択され得る。この閾値は所定の標準に従う複数の 記憶された閾値から選択される。 また、この発明の他の局面において、エンジンの動作パラメータを修正する制 御システムが提供され出力有毒汚染物を調整する。排気ガス制御システムは予測 モデルによって出力された予測排気ガス値の入力に応答して動作し、それを所望 の出力レベルと比較する。２つのレベルの差異は制御システムによって最小化さ れる。図面の簡単な説明 本発明のいっそう完全な理解と利点ための引用が、以下に図面を従う明細書に おいてなされる。 図１は、本発明の仮想センサの全ブロック図を示す。 図１ａは、センサ評価システムの概略図を示す。 図２は、仮想センサとコントロール・システムの関係を示すブロック図を示す 。 図３は、単独制御ネットワークを利用する実施例を示す。 図４は、従来のニューラル・ネットワークの概略図を示す。 図５ａは、制御ネットワークのより詳細なブロック図を示す。 図５ｂは、図５ａの繰り返し動作の詳細図を示す。 図６は、代表的なプラント（蒸気発生装置のためのボイラ）の詳細を示す。 図７は、センサ評価ネットワークのブロック図を示す。 図８は、図７のシステムにおいて利用される自動結合予測ネットワークの概略 図を示す。 図９ａと図９ｂは、実際の汚染物センサ値と予測汚染物との差をプロットで示 す。 図１０ａと図１０ｂは図９ａと図９ｂのプロットをそれぞれ示し、ここでセン サの一つは故障している。 図１１は、システム全体の動作ためのフロー・チャートを示す。 図１２は、センサ評価動作ためのフロー・チャートを示す。 図１３は、仮想センサが内燃機関に接続されて利用されるこの発明の好適実施 例を示す。 図１４は、外部排気ガスセンサが訓練のために利用される装置のブロック図を 示す。 図１５は、再訓練処理が訓練プロセッサを有する装置外でなされる代替方法を 示す。 図１６は、内燃機関のルーチン処理を示すブロック図を示す。 図１７は、通信システムの全体を示す。 図１８は、仮想センサからの予測出力と外部排気ガスモニタによって測定され た実際の排気ガス出力を示す。 図１９は制御処理全体を示すフローチャートを示す。 図２０は訓練処理を示すフローチャートを示す。実施例 さて、図１に言及して、本発明のシステムの全体ブロック図が示される。 プラント１０は、その正常動作の間、汚染物のあるレベルを含んでいるある排 気ガス１２を放出する。汚染物１２は、汚染物センサ１４によって、あるいは、 参照方法で確立されたＥＰＡの利用によって監視される。 このセンサ１４は、点線で示され、連続的な排気ガス監視を行う。これは、Ｃ ＥＭで言及される。 以下に記載されるように、この発明は仮想センサ動作を供給する。ここで汚染 物センサ１４は仮想センサ・ネットワークの最初の訓練のために必要なだけであ る。汚染物センサ１４は、一般にプラント情報システムとして言及される分散制 御システム（ＤＣＳ）に利用される、制御値とセンサ値が結合されたトレーニン グ・データを集めるために利用される。 このＤＣＳ１６は、システムへの制御入力値とコンピュータ１５へのセンサ値 が組み合わされた制御値を供給する。コンピューター１５は、本質的にプラント １０の非線形表示を行う仮想センサ・ネットワーク１８に備えられる。この非線 形表示は“学習”された表示である。 仮想センサ・ネットワーク１８は、実行時間入力２０をセンサ評価システム２ ２から受け取るために使用できる。 センサ評価システム２２は、実際の測定された入力２４をプラント１０からＤ ＣＳ１６を介して受け取るために使用できる。これらの測定された入力は、プラ ントを制御するためにプラントに入力されるセンサ値と制御値の形でプラントの 測定された状態変数を表す。 以下に記載されるように、種々の入力２４は、仮想センサ・ネットワーク１８ への入力として、ＤＣＳ１６を通して供給される。しかし、これらの入力のいく つかが、欠陥を有するかも知れず、またセンサ評価システム２２は、取り付けら れたどのセンサが故障しても、故障センサ値を調停されたセンサ値で置き換える ために警告を発するよう動作できる。 仮想センサ・ネットワーク１８は、入力２０を入力し、プラント制御と警告を 予測することができる。仮想センサ・ネットワーク１８は、通常汚染物センサ１ ４によって監視される汚染物レベルが何であるかを予測することができ、それゆ え、これは仮想センサを提供する。 センサ・ネットワーク１８は、トレーニング・システム２８により訓練される ことができるネットワークである。トレーニングシステム２８はターゲットとし て、汚染物センサ１４によって測定されたライン１３上の実際の汚染物レベルを 、それがあるときは利用し、またプラント１０からの入力２４を利用する。 ライン１７上の予測された汚染物レベルとライン１３上の実際の汚染物レベル の差は、ライン１９上に差を発生させる。これはトレーニング・システムによっ て使用され、その差が最小となるように、仮想センサモジュール内の記憶された 表示を調整する。 動作において、後でより詳細に説明されるように、汚染物センサ１４は汚染物 １２のレベルを監視するため、プラント１０に一時的に接続されることができる 連続的排気ガスモニタ（Ｃｏｎｔｉｎｕｏｕｓ Ｅｍｉｓｓｉｏｎｓ Ｍｏｎｉ ｔｏｒ：ＣＥＭ）である。これは、トレーニング・システム２８にターゲットを 与える。 ネットワーク１８は、それから、ＣＥＭ出力がなされても、ＣＥＭ出力値を含 まない、測定されたプラント・センサ値と制御値の両方により訓練される。この 情報は、トレーニング・データセットを生じるために利用される。 トレーニングの後、汚染物センサ１４は除去され、それから、システムはＣＥ Ｍの出力であるか、汚染物センサ１４の出力であるかを予測することによって動 作する。それから、仮想センサ・ネットワーク１８は、汚染物センサ１４を置き 換え、それからプラント制御／プラント警報を予測し、プラント１０の動作を許 容規格内に維持するために制御機能内で利用されることができる。 さらに、仮想センサ・ネットワーク１８は、汚染物センサの代わりに単独で出 力を提供するものとして使用されることができる。汚染物センサは、そのセンサ の働きにより、汚染物レベルが許容レンジ内にあることを確実にするべく、全て の必要な手続きが従うことを確実にするために使用されるものである。 例えば、ネットワーク１８からの予測された出力が、確立されたガイドライン 、または閾値の一つを超えるならば、オペレータはその状態を訂正するため、あ る予測された手続きに従う。これはたとえ汚染物センサ１４があったとしても同 じである。この利点は、汚染物センサ１４を維持することの比較的高価格性と、 困難性が不要になるということである。 さらに、新しい汚染物センサ１４、または携帯汚染物センサ１４が仮想センサ ネットワーク１８の動作チェックに利用され、動作が正確に行われ、また予測が 正しくなく、またはモデルがプラントを現さなくなるようなプラントパラメータ の変化がないことを確信するために利用される。 このように、プラント１０へ汚染物センサ１４を接続する動作によって供給さ れる新しいトレーニングデータの組を使用することにより、システムは稼働状態 に置かれる。これは、いくつかの測定装置が低級となり、またはプラントそれ自 体が資本改善のために物理的に変更されたパラメータを持つような場合でもよい 。 動作の他のモードにおいて、汚染物センサ１４は、キャリブレーション目的で 、プラント１０から除去されていても良い。この間、仮想センサネットワーク１ ８がそのキャリブレーション手続きの間、汚染物センサ１４に代わって利用され る。 さて図１ａに言及して、センサ評価システム２２の動作のブロック図が示され ている。ここで、複数のセンサ２７、２９、３１、３３、３５が、示されている 。センサ２７，２９，３１，３３，３５の各々は、仮想センサ１８の入力に接続 される出力を持つ。さらに、出力の各々が、センサが後に述べるように、有効か どうか決めるために評価システム３７に接続される。 センサ２７、２９、３１、３３、３５の一つが欠陥を有すると判断されると、 それは代用センサ３９に代えられる。代用センサは故障したセンサの記憶された 表示を利用し、故障したセンサの出力を予測する予測センサ値である。記憶され た表示は他のセンサ２７，２９，３１，３３、３５の関数である。 したがって、代用センサ３９は入力として、評価センサの出力と、代用センサ の予測出力を要求する。 これは、図１ａにおいて、代用されているセンサ２９、センサ２７、３１、３ ３、３５の出力を入力として受け取り、センサ２９の出力に代わりとして、代用 センサ３９の予測出力を受け取る代用センサ３９で示されている。 さらに、他のセンサが代用センサ３９の出力で代用されても良く、新しい、あ るいは追加のセンサ（図示しない）の入力となる。 さて図２に言及して、動作のためのブロック図が示されている。ここで仮想セ ンサ予測ネットワーク３２が備えられている。この仮想センサ予測ネットワーク ３２は、プラント１０への入力である制御値ｘ（ｔ）と、プラント１０からの測 定されたプラント・センサ値ｓ（ｔ）を受け取る。仮想センサ予測ネットワーク ３２は、マルチプレクサ３４への入力のため、予測された仮想センサ値０^P（ｔ ）を出力する。センサ１４からのセンサ値は、マルチプレクサ３４へのライン３ ６上の入力となる。マルチプレクサ３４は、コントロール・システム３８への入 力として、ネットワーク３２の予測出力か、センサ１４の実際の出力のいずれか を選択することができる。 コントロール・システム３８は、入力値ｘ（ｔ）をプラント１０に生じさせる ことができる。マルチプレクサ３４は、ネットワーク３２の出力を、センサ１４ の出力に置き換える動作を表す。 図３を参照して、動的制御システムが備えられた、この発明のシステムの一つ の実施例が示されている。 このシステムにおいて、制御ネットワーク４０は、入力として、制御入力値ｘ （ｔ）とセンサ値ｓ（ｔ）を受け取る。このセンサ値ｓ（ｔ）は流量測定、温度 測定などのような測定されたプラント変数を含んでいる。 さらに、制御ネットワーク４０は、入力の一つとして所望の出力値を受け取る ことができる。 制御ネット４０は、プラントの記憶された表示を含んで、一組の制御入力値ｘ （ｔ＋１）を出力することができる。これらが、分散制御系（ＤＣＳ）４２への 入力であり、管理値ｘ（ｔ）を生じるために使用できる。制御ネットワーク４０ は、与えられた所望の入力で訓練される従来の制御ネットワークであり、この制 御ネットワーク４０は、センサ値と制御値を受けて、所望の出力を供給するため に必要な更新された制御値ｘ（ｔ＋１）を発生する。 制御ネットワーク４０は、ニューラル・ネットワークに記憶されている表示を 定義する、ニューラル・ネットワークに関する重みを有するニューラル・ネット ワークからなる。 図３の実施例において、これらの重みは凍結され、与えられた所望の出力上で 制御値ｘ（ｔ）とセンサ値ｓ（ｔ）で制御ネットワーク４０をトレーニングする ことにより学習される。要求された出力は、重みを組の中から選択するための一 つの入力として供給される。 制御ネットの一般的な動作は、Ｗ．Ｔ．Ｍｉｌｌｅｒ，III，Ｒ．Ｓ．Ｓｕｔ ｔｏｎ、そしてＰ．Ｊ．Ｗｅｒｂｏｓの“制御のためのニューラルネットワーク ”ＭＩＴ出版１９９０年に記述されている。この文献は本明細書の参照のために ここに上げられる。 さて図４に言及して、入力ノード４４、隠れたノード４６そして出力ノード４ ８を備えた従来のニューラル・ネットワークの詳細図が示されている。 入力ノード４４は、ラベルをつけられたｘ₁，ｘ₂，…ｘ_NのＮ個のノードを備 える。これらは複数の入力ＩＮＰ１（ｔ），ＩＮＰ２（ｔ），…ＩＮＰＮ（ｔ） を有する入力ベクトルｘ（ｔ）を受けることができる。 同様に、出力ノード４８は、ｏ₁，ｏ₂，…ｏ_kのラベルが付され、出力ＯＵＴ １（ｔ），ＯＵＴ２（ｔ），…ＯＵＴＫ（ｔ）を含む出力ベクトルｏ（ｔ）を発 生する。 入力ノード４４は、隠れたノード４６と相互接続される。隠れたノード４６に は、各入力ノード４４が各ノード４６のそれぞれに相互接続される相互接続ネッ トワークを通してａ₁，ａ₂，…ａ_nのラベルが付される。 しかし、いくつかの相互接続体系は、フル相互接続を必要としない。相互接続 の各々は、重みＷ¹ _ijを持つ。隠れたノード４６の各々は、関数ｇを持っている 出力ｏ_iを持つ。隠れたノードの各出力は次のように定義される。同様に、隠れ たノード４６のそれぞれの出力も相互接続ネットワークを通る出力ノード４８の 大部分と相互接続される。 相互接続のそれぞれは、それに関連する重みＷ２ｉｊを有する。この出力ノー ドのそれぞれの出力は次のように定義される。 それから、このニューラル・ネットワークは、次のような関数ｆ（ｘ（ｔ）を 学習するために訓練される。 ここで、ｏ（ｔ）は出力ベクトルであり、Ｐは学習段階の間に変化することが できるベクトルまたはパラメータ（重み）である。この目標は二乗誤差の全合計 関数を最小にすることである。 二乗誤差の全合計関数は、関数ｆのパラメータＰを変えることによって最小と なる。これは、パラメータ Ｗ_jk ²，Ｗ_ij ¹，ｂ¹ _j，ｂ² _kについての言及された実 施例におけるバック伝播または勾配降下方法によって成し遂げられる。これは、 多くの文献において記述され、よく知られている。したがって、ニューラルネッ トワークは、本質的に確率分布に従う統計アルゴリズムの部類として見ることが できる体系に適合するパラメータである。 代わりに、高次元サーフェースを有する入出力データにフィットする近似関数 として見ることができる。 ニューラルネットワークが、多層網構造において、非常に単純な、ほとんど取 るに足らない関数（典型的にＳ字形状）を利用する。上述されたニューラルネッ トワークが、まさに一つの例である。 利用することができるニューラルネットワークの他のタイプは、マルチプルヒ ドンレア（ｍｕｌｔｉｐｌｅ ｈｉｄｄｅｎ ｌａｙｅｒｓ）、ラジアルベース （ｒａｄｉａｌ ｂａｓｉｓ）関数、ガウシアンバー（ｇａｕｓｓｉａｎ ｂａ ｒｓ）（１９９２年５月１２日に発行されたＵＳ特許５１１３４８３）、そして 他の一般的なニューラルネットワークを用いる。 好ましい実施例においては、利用されるニューラルネットワークは多層パーセ プトロンに関するタイプである。 さて、図５ａに言及して、プラント操作の最適化／制御のためのコントロール システムのブロック図が示されている。 プラント１０は、制御値ｘ（ｔ）を受け取るための入力と、それに関連するセ ンサ値ｓ（ｔ）を有する実際の出力ｙ（ｔ）を供給するための出力を持つ。これ らは内部の状態変数である。 プラント予測モデル７４は、関数ｆ（ｘ（ｔ），ｓ（ｔ）に従ってプラントを 正確にモデル化し、出力ｏ^P（ｔ）を出力するためにニューラルネットワークと ともに開発された。この出力ｏ^P（ｔ）はプラント予測モデル７４の予測された 出力を現す。 プラントモデル７４への入力は制御値ｘ（ｔ）とセンサ値ｓ（ｔ）である。最 適化／制御の目的のために、プラントモデル７４は、プラント７２の動作の比較 的正確な模型であると考えられる。 最適化／制御手順において、オペレータは予測された出力ｏ^P（ｔ）を受け取 る誤差発生ブロック７８への入力のために所望の出力値ｏ^d（ｔ）を独立に発生 する。 要求された（所望）の予測された出力とプラント予測モデル７４を現すニュー ラルネットワークと同じインバースプラントモデル７６への入力との間には、凍 結された予測モデルの重さを有するもとのプラントモデルを通して誤差を逆伝搬 することによりそう圧されるものを除く誤差が生じられる。 ネットワークを通るエラーのこの逆伝播は、繰り返しブロック７７によって示 された勾配降下動作において利用されたΔｘ（ｔ＋１）を表すプラントモデル７ ６の出力を持つ反転ネットワークに類似する。 動作において、値Δｘ（ｔ＋１）は最初に入力値ｘ（ｔ）に加えられる。そし て、この和がプラント予測モデル７４を通して新しい予測された出力ｏ^P（ｔ） と新しいエラーを供給するために処理される。エラーが予め定められた値の下に 減らされるまでこの繰返しが繰り返される。それから、最終値は新しい予測され た制御値ｘ（ｔ＋１）として出力される。この新しいｘ（ｔ＋１）値は、プラン ト７２から要求された実際の出力を行うために要求される制御値から成る。これ はコントロールシステム７３への入力である。ここで、新しい値は制御値ｘ（ｔ ）として入力装置に出力される。 コントロールシステム７３は、分散制御系７３によって変えられることができ る一般化された制御入力を受け取るために使用できる。 制御目的のためのエラーの逆伝播のための一般的な用語は、“活動への逆伝播 （Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ-ｔｏ-Ａｃｔｉｖａｔｉｏｎ（ＢＰＡ）” である。 好ましい実施例において、プラントモデル７６を通して誤差を逆伝播するため に利用される方法は、出力から凍結された重みを持つ入力に、ネットワークを通 して、ローカルな勾配降下を利用することである。 第一ステップは、制御値ｘ（ｔ）とセンサ値ｓ（ｔ）のための入力をプラント モデル７４に印加し、予測された出力ｏ^P（ｔ）を発生させることである。 それから、ローカルな勾配降下は、ニューラルネットワークの上で出力から次 の方程式に従って要求された出力ｏ^d（ｔ）と予測された出力ｏ^P（ｔ）の間の誤 差を入力することにより、凍結された重みを持つ入力まで実行される。 ここで、ηは「ステップサイズ」パラメータである。 それから、出力は新しいｘ（ｔ）から再生させられ、そして、勾配降下手続き は繰り返される。 さて図５ｂに言及して、繰り返しブロック７７の詳細図が示される。 繰り返しブロック７７は、Δｘ（ｔ＋１）入力とマルチプレクサ／ラッチブロ ック８６の出力を受けることができるサミングジャンクション（加算器）を備え る。 マルチプレクサ／ラッチブロック８６は、制御変数ｘ（ｔ）と入力の一つとし てフィードバックされたサミングジャンクション８４の出力の２つを受けること ができる。 加算ブロック８４の出力は、新しい変更値Δｘ（ｔ）と前の値ｘ（ｔ）の和で ある。これは、誤差が予め定められたレベルになるまで、前の値に、新しい反復 的な値を生じるために反復的に加算される。 この点で、サミングジャンクション８４の出力は、新しい制御値ｘ（ｔ＋１） を含む。最適化のための他の標準的な方法は、予測された出力と要求された出力 の差の平方を最小にするため、種々の制御値を通してのランダムサーチを含む。 これは、モンテカルロサーチ（ｍｏｎｔｅｃａｒｌｏ ｓｅａｒｃｈ）として しばしば言及される。 このサーチは、制御値にランダム変更を加え、これら修正された制御値をモデ ルに加えることによって行われ、予測された出力を得る。この予測された出力は 、次に要求された出力と比較され、制御値の最適組が全体のランダムサーチを通 して求められる。 十分なランダムな試験が行われると、要求された出力によく合う予測された出 力を生じる一組の制御値が得られる。 この技術と関連する、いっそう洗練されたランダムな最適化技法上の参照ため には、科学、２２０巻、６７１−７８０（１９８３年）Ｓ．Ｋｉｒｋｐａｔｒｉ ｃｋ，Ｃ．Ｄ．Ｇｅｌａｔｔ，Ｍ．Ｐ，Ｖｅｃｃｈｉによる論文“シミュレート アニーリングによる最適化（Ｏｐｔｉｍｉｚａｔｉｏｎ ｂｙ Ｓｉｍｕｌａｔ ｅｄ Ａｎｎｅａｌｉｎｇ）を参照されたい。 さて図６に言及して、製造設備に設けることができる典型的なプラントの概略 が示される。 このプラントは、典型的に、下端に火室９４を持つボイラ９２を備える。 ボイラ９２は予熱チャンバ９８を通してスタック９６と結合される。 典型的な管である管１００は、チャンバ９８とボイラ９２全体を通して走って いる。この管１００は、Ｓ字曲線をなしてボイラ９２を通り抜け、与圧される出 力圧力容器１０４に達する。容器１０４は、出口１０６から蒸気を発生する。 チャンバ９８に入る管１００の他端は、脱イオン化された水源１０８に接続さ れる。 動作において、この水は管１００を通ってチャンバ９８へ流れ、ここで熱を吸 収した後、主ボイラ９２に入り、ここでさらに加熱される。それから、これは容 器１０４を通り抜ける。火室９４はガスラインからガスを受け、空気ラインから 空気を受け取ることができる発熱体１１６を備える。ガスと空気の混合物は発熱 体１１６に火室９４内で熱を生じさせ、ボイラ９２内部の管１００内の水を加熱 させる。管１００は、脱イオン化された水を有する水源１０８にあるとき、その 流れが流量計１２２によって測定される。 弁１２４は、水源１０８からチャンバ９８に流れる流体の流量制御を行う。２ つの温度センサ１２６と１２８は、チャンバ９０内の管１００に沿った異なる位 置に設けられ、温度測定を行う。 さらに、温度センサ１３０、１３２、１３４が主ボイラ９２内部の種々の位置 に、管１００に沿って設けられる。温度センサ１３６は、火室９４のために設け られる。圧力容器１０４内部の流体のレベルはレベルメーター１４２によって測 定される、そして、流体圧力は圧力計１４６によって測定される。 流量計１５０は圧力容器の外で蒸気の流れを測定するために備えられる。そし て、調節弁１５２は圧力容器１０４にある蒸気の制御を行う。発熱体１１６は、 ガスライン上の弁１５８で制御され、ガスラインは、流量計１６０によって測定 された流れを有する。空気ライン１２０上の流量計は、流量計１６２によって測 定される。スタック９６におけるダンパ１６３は火室９４を通して空気流を制御 するために利用される。 プラントのセンサ値ｓ（ｔ）が、種々の温度測定装置と流量測定装置によって 得られることは明らかである。さらに、制御値は、いろいろな弁とダンパの位置 の形でプラントに制御値を供給する。 したがって、オペレータは、プラント操作を種々の流量計及び他の制御弁を制 御することにより制御することができる。これら流量計や制御弁のいくつかは、 ここでは図示されていない。 連続的に行う排気ガスの監視目的のためのプラントの適度な制御を提供するた めに必要となる残りの入力は、ノックスレベル（ＮＯｘレベル）である。これら は、図１の仮想センサネットワーク１８によって提供される。 しかしながら、先に述べたように、ＣＥＭ１７２を上部に有する携帯装置１７ ０が、定期的にダクト１７４を介して煙突９６に接続され、大気に放出される排 気ガス中のノックスの量を測定する。それから、ＣＥＭ１７２は、ノックスのレ ベルに関する報告を生じる。このレベルが許容規格内であるならば、これは単に 報告されるだけである。しかし、そのレベルが許容規格範囲外であるならば、こ れはプラントオペレータに報告され、、そして、変更が行われるか、あるいは、 プラントが停止される。 さらに、ＣＥＭ１７２によって発生させられた情報は、タイムベース上で発生 させられ、そして、これはトレーニングデータを構成する。このトレーニングデ ータは、それが共通のタイムベース上にあるので、またタイムベース上にあるセ ンサ値と制御値に関連するデータに結合され得、仮想センサネットワーク１８の ために新しいトレーニングデータを提供する。これは、トレーニングシステム２ ０によって利用され得、必要に応じて、仮想センサネットワーク１８を再訓練す る。 さて、図７に言及して、実施例のセンサ評価システム２２のためのブロック図 が示されている。ネットワーク１８への入力ｘ（ｔ）全部が“有効”であること を確かめるために、期待値あるいは予測値との幾つかの比較を実行することが必 要となる。生じられた値が正確でないと思われるならば、警報がプラントオペレ ータまたは制御システムに忠告するために発せられ、必要ならセンサをキャリブ レーションするか修正する。そして、センサ値として予測された値がそのセンサ の実際の測定値に代用される。好ましい実施例において、自動的に関連する予測 ニューラルネットワーク１８０は、入力１８２上の入力ｘ（ｔ）の選択されたも のを受け取るための入力層を有するネットワークである。 図示はしないが、実際のセンサ値のある一つのものだけが、汚染物センサ１４ によって一般に供給されるＮＯ_xレベルの正確な予測を供給するために仮想セン サネットワーク１８に入力として必要となる。これらは、感度解析を成し遂げる ことによって決められる。 これは、１９９３年４月３０日に、出力パラメータについて、ニューラルネッ トワークへの入力感度を決定するための方法と装置という名称で出願されたＵ． Ｓ．特許出願シリアル番号０５６、１９７において記載されている。これは現在 の譲り受け人に譲り受けられている。 感度解析を利用することによって、ネットワーク１８への入力数はかなり減ら すことができ、そして、重要な入力だけが利用される。 これは、自動統合予測ネットワーク１８０、更には仮想センサネットワーク１ ８のサイズをかなり減らす。 実際の入力ｘ（ｔ）は、予測出力であるネットワーク１８０によって出力され た予測入力ｘ^P（ｔ）出力と、実際の入力ｘ（ｔ）との間で選択するよう動作す ることができるマルチプレクサ１８６へ入力される。 動作において、マルチプレクサが実際の入力ｘ（ｔ）を選ぶとき、第一サイク ルが生じる。それから、予測入力ｘ^P（ｔ）が、減算回路１８８へ入力され、ｘ （ｔ）とｘ^P（ｔ）の差が検出される。この差は、閾値メモリ１９２において記 憶された閾値と比較のために比較器１９０へ入力される。それから、受け入れら れた閾値と比較して最も大きい誤差を有するネットワーク１８０への実際の入力 一つがネットワーク１８０の予測された関連出力に接続される。 代用され、または再接続された入力を持つ実際の入力ｘ（ｔ）は、自動統合予 測ネットワーク１８０を通して再び循環される。 この次のサイクルにおいて、実測値と予測値の差が再び検出され、閾値と比較 され、最も大きい誤差を有する実測入力の一つがマルチプレクサ１８６によって 関連予測入力に再接続される。これは、検出された故障、許容できない実測値が ネットワーク１８０によって出力される予測値に置き換えられてなる全ての予測 入力が、所定のレンジ内に入るまで続けられる。一度これが生じると、ネットワ ーク１８０からの予測値はマルチプレクサ１９６に入力され、マルチプレクサ１ ９６は、許容できるとされた実測値と許容できないと判断された実測値の代用と しての予測値を選択して出力する。 予測値は、検出された許容できない実測値がマルチプレクサ１８６により関連 予測値に置き換えられた状態でネットワークを稼働させることにより発生される ことには注意されたい。 それから、マルチプレクサ１９６の出力は、仮想センサネットワーク１８へ入 力される。 本発明の他の実施例において、自動統合予測ネットワーク１８０により出力さ れた予測入力値は、仮想センサネットワーク１８への入力として供給されること ができる。 これは、その後マルチプレクサ１９６を必要としない。実際、自動統合予測ネ ットワーク１８０は、絶えず監視を行い、無効と判断されるセンサ入力を置き換 えることができる。 さて、図８まで言及して、自動統合予測ネットワーク１８０の概略図が示され る。このネットワークは、ノード１９８の入力層とノード２００の出力層から成 る。 この層１９８内には、ｘ₁（ｔ），ｘ₂（ｔ），…ｘ（ｔ）で示される入力ベク トルｘ（ｔ）のそれぞれのためのノードがある。 同様に、出力ｘ₁ ^P（ｔ），ｘ₂ ^P（ｔ），…ｘ_n ^P（ｔ）がある予測出力変数ｘ^P （ｔ）のそれぞれのための一つの入力ノードがある。ノード１９８の入力層は、 ノード２００の出力層に、ノード２０２の隠れたノード層を通してマップ化され る。 ノード２０２の隠れた層は、ノードの入力層における各ノードとノード２００ の出力層における各ノードと複数の相互接続を持つ。これらの相互接続の各々は 、重みづけられる。さらにノード２０２の隠れた層におけるノードの数は、入力 層１９８または出力層２００におけるノードの数より少ない。 したがって、これはｂｏｗｔｉｅネットワークとして言及される。 ネットワーク１８０は、逆伝播トレーニング技術を通して訓練されることがで きる。 これは、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ，Ｈｉｎｔｏｎ，そしてＲ．Ｊ ．ＷｉｌｌｉａｍｓによるＤ．Ｅ．ＲｕｍｅｌｈａｒｔとＪ．Ｌ．ＭｃＣｌｅｌ ｌａｎｄのＰａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｉｖｅ Ｐｒｏｃｅｓｓｉｎ ｇ，１巻（１９８６年）“伝搬による内部表示学習（Ｌｅａｒｎｉｎｇ Ｉｎｔ ｅｒｎａｌ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ Ｐｒｏｐａｇａｔｉｏｎ ｓ）”において記載されている。 さて、図９ａと９ｂに言及して、センサ評価システム２２の動作を描写する２ つのプロットが示されている。 実測入力はＸ_Aによって表され、そして、予測された入力はＸ_pによって表され る。予測入力が正確に実測値入力に従わないことが分かり、また、実測入力が実 際に全体のシステムへの入力になることに注意されたい。 実測入力値と予測された入力値の間の差が図９ｂにおいて示される。 さて図１０ａと１０ｂに言及して、実際の入力欠陥を生じているセンサを除い て、図９ａと９ｂに対応するプロットが示されている。 曲線Ｘ_A上の点２０４までは、予測されたセンサ値と実測センサ値は最小の誤 差で、かなりよく追従していることが明らかである。 しかし、点２０４において、誤差は劇的に増加し、センサはもはや予測値に対 応する値を現さないことを示している。 これは図１０ｂにおいて示され、ここで誤差が増加する。 閾値よりＸ_AとＸ_Pの差が大きいとき、これはセンサの指示が無効であることを 表す。 しかしながら、上述したように、閾値より上において最も高い誤差を有するセ ンサの一つのみが、次のサイクルにおいて、マルチプレクサ８６による代替値と して選択される。 これはネットワーク１８０が入力変数の全てに大して訓練され、入力変数のそ れぞれが他の変数における予測値に影響を与えるということによる。 したがって、閾値より大きな誤差を有する予測出力値に関連する実測入力値を 置き換える場合は、逐次値を置き換える程正確にはならない。 さて図１１に言及して、システムの全体動作を表すフローチャートが示されて いる。 フローチャートはスターとブロック２０８で始められ、それからフローは判定 ブロック２１０へ進む。判定ブロック２１０は、遠隔ＣＥＭがインストールされ ているかどうかを判定する。インストールされている場合は、プログラムはそれ から機能ブロック２１２に進み、遠隔ＣＥＭでノックス（ＮＯｘ）レベルを測定 する。 それから、プログラムは測定されたノックス値（関数ブロック２１２において 測定される）が許容されるかどうかを判定するための判定ブロック２１４に進む 。許容され内場合、これは、ネットワーク１８がスペック外にあり、そして、シ ステムが変化したか、あるいは、ネットワークがもはやシステムを表さないこと を表す。それから、プログラムはＮパスを通って、機能ブロック２１６に進み、 システム変数を測定し、それから機能ブロック２１８へ進み、トレーニングデー タベースを発生する。 トレーニングデータベースは、測定されたノックスレベルと本質的に同じタイ ムベースに沿って測定されるシステム変数を利用する。 典型的に、遠隔ＣＥＭは、製造設備と所定の時間長さに亙って測定される汚染 物に隣接して置かれる。この汚染物は、数時間、数日、または数週間に亙って測 定される。 同時に、プラント設備それ自身は、プラント変数を測定している。これらはま たタイムベース上に置かれ、記憶される。この２つのデータ組を組み合わせるこ とによりトレーニングデータベースは仮想センサネットワーク１８を訓練するた めに供給され得る。 動作をマージしているこの時間が、１９９３年１１月２４日に出願され、喪失 あるいは不完全データを有するニューラルネットワークの動作のための方法及び 装置と称する、アメリカ特許出願シリアル番号９８０，６６４に記載されている 。 トレーニングデータベースが発生されたならば、機能ブロック２２０によって 示されるように、仮想センサネットワーク１８が訓練される。これは、その後、 仮想センサネットワーク１８におけるニューラルネットワーク重みために代用さ れることができる重みを本質的に生じる。 それから、プログラムは仮想センサネットワーク１８における新しい重みを代 用するために機能ブロック２２２に進む。その後、プログラムはプログラムの主 動作部分に進み、機能ブロック２２４で始められ、センサをの有効化する。 機能ブロック２１２で測定された汚染物パラメータが許容されると、プログラ ムはＹパスに沿って決定ブロック２１４から、トレーニングステップをバイパス して、機能ブロック２２４の入力に進む。さらに、遠隔ＣＥＭがないならば、プ ログラムはＮパスに沿って決定ブロック２１０からセンサ評価ブロック２２４の 入力まで進む。 センサ評価ブロック２２４は、センサを評価し、そして一つが無効と分かると 、無効センサのための予測値が代用される。プログラムは、それから機能ブロッ ク２２６に進み、あるセンサが予測値に置き換えられるべきかどうかが判断され る。置き換える必要がある場合は、プログラムはＹパスに沿って進み、無効セン サを予測センサ値に置き換える。 それから、プログラムは汚染物値を予測するために機能ブロック２３２に進み 、そして、それからプラントを制御するために機能ブロック２３２に進む。それ から、プログラムは決定ブロック２１０へ帰る。 センサがそれらの予測値によって置き換えられる必要がないと判断された場合 は、プログラムはＮパスにそって決定ブロック２２６から機能ブロック２３０の 入力に進む。 さて図１２に言及して、センサ評価の動作を示す機能ブロックが示されている 。 このプログラムは、スタートブロック２４０で始められて、それから機能ブロ ック２４２に進み、種々のセンサを読み取り入力する。それから、プログラムは 機能ブロック２４４に進み、センサ評価モデルを稼働させ、それから決定ブロッ ク２４６に進み、予測入力値と閾値を比較し、この予測入力値も所定の変数のた めの閾値より大きいときは誤差信号を発生する。センサ値の誤差を構成するため に各変数の閾値があることは知られている。 誤差が存在するとき、プログラムは機能ブロック２４８に進み、最も大きい入 力誤差を入力値の平均値で置き換える。警報は、故障センサを警告するために発 生される。それから、プログラムは機能ブロック２４４に帰る。 システムがこれらの閾値を上回る予測出力値がもはやないと反復的に判断した 場合、プログラムは、決定ブロック２４６から機能ブロック２５０に進み、すべ ての検出誤差を予測センサ値に置き換え、それから機能ブロック２５２に進み、 訂正されたセンサ値を出力する。それから、プログラムはリターンブロック２５ ４に進む。 図１３を参照して、仮想センサが内燃機関２６０に結合して用いられる実施例 が示されている。この内燃機関２６０は、吸気ポート２６２に空気を取り入れる 。これは、典型的には、自動車のフートペダルによって制御されるスロットルバ ルブであるバタフライバルブ２６４に入力される。このバタフライバルブはそれ から、吸気マニホールド２６６に正確な空気量を供給する。これは、内燃機関２ ６０への入力となる。複数の燃料噴射バルブは、そのうちの一つのみ（燃料噴射 バルブ２６８）が示されている。この燃料噴射バルブ２６８は吸気マニホールド ２６６内に調整された量の燃料を噴射する。この量は、従来より多くのファクタ を用いて決定される。内燃機関２６０は排気マニホールド２７０内に燃焼成分を 排出する。排気マニホールド２７０は触媒コンバータ２７４の入力に接続される 排気パイプ２７２に接続される。この触媒コンバータ２７４はそれからテイルパ イプ２７６の接続されて燃焼ガスを排出する。 排出するマニホールド２７０はパイプ２７８を介して排気ガス還流バルブ（Ｅ ＧＲ）２８０に接続される。このＥＧＲ２８０は従来の汚染物制御装置であり、 排気ガスの少しを排気ガスマニホールド２７０から再燃焼のために吸気マニホー ルドに戻すよう動作する。ＥＧＲバルブは、エンジンの低回転領域では排気ガス の還流はエンジンにアイドル乱れを生じさせるので、典型的にはエンジンの高回 転領域で動作する。 典型的な内燃機関においては、酸素センサ２８６が排気マニホールド２７０内 に設けられる。この酸素センサ２８６は、基本的には、排気ガス成分濃度、典型 的には排気マニホールド２７０内に存在する酸素を測定するために備えられる。 これらセンサのタイプは空気燃料比制御システムで利用される。このセンサ値は ライン２９０を介する燃料噴射動作とそこへの燃料供給を制御する中央処理ユニ ッ ト（ＣＰＵ）２８８へ入力される。なお、これらは従来技術である。 さらに酸素センサ２８６に加えて、ＣＰＵ２８８は内燃機関に関する多大のパ ラメータを監視する。これらパラメータは幾つかのセンサタイプを必要とする。 図１３に示された例において、点火の動作、すなわち、スパークアドバンス、タ イミング等が点火モジュール２９２に提供される。マニホールドの温度はマニホ ールド温度センサ（ＴＭ）２９４により供給され、シリンダ温度がシリンダ温度 センサ（ＴＣＹＬ）２９６によって供給される。これらセンサ２９４、２９６は 各シリンダとマニホールド全体の温度測定を可能にする。排気パイプ２７０の帰 還圧力は圧力センサ（ＰＥＸ）２９８によって供給され、吸気マニホールド内の 圧力は圧力センサ（ＰＭＡＮ）３００で供給される。典型的には、圧力センサ３ ００は従来エンジンの真空度を測定する。これは、システムがターボージャーと の結合において動作されるときは、正の圧力となる。吸気マニホールド温度は、 温度センサ（ＴＡ）３０２によって供給される。これは吸気マニホールド２６６ に接続されている。バタフライバルブ２６４の位置は位置センサ（θｔｈ）３０ ６によって供給される。この触媒コンバータの温度は、温度センサ（ＴＣＡＴ） ３０８によって測定される。ＣＰＵ２８８は上述したように全部のセンサシステ ムと共働し、内燃機関によって排出された排気ガスを予測する。この実施例にお いて、排気ガスは主としてＮＯｘであり、この情報はディスプレイの形で出力さ れたり、履歴として記憶されたり、エンジンの動作制御のために利用されたりす る。 エンジンの動作を制御するとき、排気ガス制御システム３０８が提供される。 これはシステムのあるパラメータを制御するよう動作する。例えば、制御される 一つのパラメータは、空気燃料比を決定するＣＰＵ２８８への内部閾値である。 典型的には、酸素センサ２８６は、その出力が閾値を上回ると空気燃料混合が一 方向に変化し、酸素センサの出力が閾値より下回ると、空気燃料比が他の方向に 変化するように、閾値に関して動作する。この閾値を変えることにより、平均の 空気燃料比は変化し、それゆえ、実際の排気ガス出力が変更され得る。これは以 下に詳述される。 排気ガス監視を必要とするシステムについては、過去より多くの方法が使用さ れてきた。環境保護局（ＥＰＡ）によって受け入れられる一つの方法は、所定マ イル後で照明するダッシュボードライトを用いることであり、この所定マイルは 経験的に定められる。ライトが照明されると、車両は検査を受けなければ成らな い。この発明における排気ガスセンサによれば、この実際の排気ガスはエンジン 動作と照明光とから予測され得、予測排気ガスレベルが所定の閾値以下に落ちる ことを示す。これら閾値は、車両のタイプ、国土の領域等によって変更され得る 。例えば、もっとも経済的な車両は厳しい汚染基準が低く、カリフォルニア、ロ サンゼルスのようなある領域では、非常に厳しい基準が設けられる。こうして、 異なる閾値がＣＰＵ２８８内に設けられ、これら閾値は所定の基準に従って選択 され得る。さらに、履歴がエンジンによって発生される排気ガスに関して車両に 設けられ、これは後に車両とエンジンの監視目的においてダウンロードのために 記憶される。 排気ガス予測は、入力としてセンサ出力を利用するシステムモデルを利用し、 予測された出力を供給することを達成されるので、このモデルは初期に訓練され る。この初期訓練処理は、“標準”の排気ガスモニタを有する“一般”のエンジ ンになされることができ、さらに全ての車両に使用されている標準の集積回路に ダウンロードされたモデルパラメータになされることが出来る。これは、一般シ ステムで訓練されたモデルが以下の全てのシステムおよびそれに関する製造誤差 に当てはまると推定する。しかしながら、たとえこの一般モデルが標準排気ガス モニタを備えるエンジンタイプとして製造される全てのエンジンの妥当な表示を 供給したとしても、エンジンのパラメータは時間が経つと変化する。それゆえ、 この訓練を更新する必要がある。これは２つの方法において達成できる。第１の 方法においては、排気ガスが車両外部に設けられ一体的ではない排気ガスセンサ により測定され、これが予測排気ガス出力と比較される。あまり大きな誤差が生 じた場合は、このシステムは、再訓練される。この再訓練は、モデルの完全な再 訓練か、または単に訓練する重みの更新のいずれかで有り得る。第２の方法にお いては、モデルは、そこに印加された“バイアス”を有し、わずかのオフセット を与える。これはまた監視されるべき実際の排気ガスを必要とする。この実測値 はバイアスを如何に調整するかを知るために必要である。 さて、図１４に言及して、外部排気ガスセンサ３１０が訓練のために使用され るシステムのブロックが示されている。この内燃機関はブロック３１２によって 表されている。これはライン３１４上の入力を受け取り、ライン３１６上に状態 変数ｓ（ｔ）または測定された出力を与える。これらの出力はモデルへの入力を 構成する。しかし、これら状態変数は最初、上述したセンサ評価モジュール３１ ８によって処理され、このモジュールはセンサの一つに故障が生じた場合には予 測センサ出力を代用させることができる。これは図７、図８を参照して上述され ている。評価された状態変数ｓ（ｔ）´はライン３２０で予測モデルプロセッサ ３２２に出力される。この予測モデルプロセッサ３２２はモデルパラメータを記 憶するメモリ３２４とインターフェースを取り、そのパラメータを処理し、予測 出力ｅ（ｔ）をライン３２６に出力する。さらに、予測モデルプロセッサ３２２ はメモリ３２８内に予測出力の時間履歴を記憶する。 記憶されたモデルは、エンジンと排気ガスセンサの結合の表示である。従って 、このモデルはエンジンと排気ガスセンサの両方に全てのアスペクトに関連する 。この排気ガスセンサが不正確であったとすれば、このモデルもセンサと同じく らいの不正確となり、この不正確性はモデル内に組み入れられるに違いない。こ れは調整機関が、出力測定は彼らの標準に従うことを要求する点において重要で ある。もし、例えば、彼らの標準に従う排気ガスセンサが実際不正確なら、これ ら不正確な出力を予測することが重要となるだろう。これら不正確性を正すこと は受け入れられないだろう。従って、このモデルはシステムの部分として実際の ハードウエアセンサを利用することを決定づけられる。これはエンジン動作の間 は除去される。 内燃機関３１２の外部において外部排気ガスセンサ３１０が内燃機関の出力に 接続されている。この出力はｙ（ｔ）とラベル化されたライン３３０を構成する 。これはシステムの出力を表す。これは排気パイプの出力である。この排気ガス センサ３１０は、その出力に接続され、ライン３３２で排気ガスの実際の出力を 供給する。これは別の装置３３４に入力され、排気ガスセンサ３１０とライン３ ２６の予測出力との差を検出する。これは誤差Ｅを発生し、比較器３３６の入力 される。この比較器３３６はこの誤差Ｅを所定の閾値と比較し、“Ｔｒａｉｎ” 信号をライン３４０に出力する。もし、この誤差が閾値を上回るなら、訓練処置 が開始される。これは予測モデルプロセッサ３２２に入力される。この予測モデ ルプロセッサ３２２は、次いでライン３４４の排気ガスセンサ実測出力と状態変 数入力３２０を利用する訓練モードに入り、このモデルを再訓練する。これらパ ラメータは、それからメモリ３２４に入力される。訓練後、このシステムは再び 内燃機関の動作による排気ガス出力を予測排気ガス出力と比較することにより評 価される。この誤差が一度最小になったら、すなわち、閾値以下に減じられると 、このシステムは“有効”となる。この予測モデルプロセッサ３２０は２つの方 法によってこのネットワークを訓練することができる。第１の方法においては、 典型的なトレーニングアルゴリズムを利用する出発点（スクラッチ）から完全に モデルパラメータを発生することができる。第２の方法においては、そのモデル パラメータを単に更新できるだけである。すなわち、誤差を減ずるためにそれに 僅かな調整を加えることができるだけである。 さて、図１５に言及して、再訓練処理が再訓練プロセッサ３４６を有するシス テムの外で行われる代替方法が示されている。再訓練プロセッサ３４６はその入 力において、内燃機関３１２から出力されたライン３４８上の状態変数、ライン ３３２上の実測排気ガスセンサ出力、別の装置３３４の誤差出力を受け取ること ができる。この再訓練プロセッサ３４６はそれから再訓練が必要か否かを判断し 、もし必要なら再訓練プロセッサ３４６はモデルパラメータを更新するか、ある いはモデルパラメータの新しい組を発生する。更新処理の間、メモリ３２４から の古いモデルパラメータは、アップロードされて調整され、メモリ３２４に返さ れダウンロードされる。完全な訓練処理において、完全に新しいモデルパラメー タが発生され、それからメモリ３２４にダウンロードされる。もちろん、再訓練 あるいはモデルパラメータ３２４のどのような修正後においても、このシステム は再びチェックされる。 ネットワークの訓練において、利用することができる一つの技術は逆伝搬であ る。これはＤ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ．Ｈｉｎｔｏｎ，そしてＲ．Ｊ ．Ｗｉｌｌｉａｍｓにより、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ＆Ｊ．Ｌ．ＭｃＣｌｅ ｌｌａｎｄ，Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎ ｇ、１巻１９８６年の“誤差伝搬による内部表示学習（Ｌｅａｒｎｉｎｇ Ｉｎ ｔｅｒｎａｌ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｂｙ Ｅｒｒｏｒ Ｐｒｏｐａ ｇａｔｉｏｎ）”に記述されている。ニューラルネットワークに適用されるよう なこの技術において、訓練は逆伝搬（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を有す る最小平均二乗誤差を最小にすることにより達成される。これは勾配降下の技術 を利用する。ここで、ニューラルネットワークの重みＷｉｊと活動関数に関連す るパラメータは誤差関数を最小にするよう変化する。この逆伝搬技術は本質的に は共通であり、非線形最小二乗アルゴリズムである。適合できる信号処理に共通 に使用されるリニアネットの非線形拡大は当然である。訓練処理の間に発生され る誤差の導関数計算においてチェインルールの使用は、最小化処理に有益な補完 を提供し、ニューラルネットワークに非線形ユニット多層を容易に一般化するこ とができる。１つまたは２つの出力ユニットのために誤差出力は次のように最小 化される。 ここで、ｙ（ｔ）はニューラルネットの出力、ｚ（ｔ）は所定の出力パターン のための特定の目標出力である。 非線形隠れユニットを含むネットワークにおいて、タームｙ（ｔ）は隠れ層内 の隠れユニットの出力からの寄与を含む。隠れ層は非線形伝達関数を有するので 、隠れ層の出力はその入力の非線形関数出力となり、その誤差Ｅは、隠れ層出力 が従来の３層ニューラルネットワークのトップモスト出力層に与えられるので非 線形関数重みの二乗となる。この逆伝搬アルゴリズムは、文献に記載され、１９ ９２年５月１２日に発行され、“入力スペースの半局部的非線形マッピングを有 するネットワーク（Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｗｅｍｉ−Ｌｏｃａｌｉｚｅｄ Ｎｏｎ−Ｌｉｎｅａｒ Ｍａｐｐｉｎｇ ｏｆ ｔｈｅ ｉｎｐｕｔ Ｓｐａ ｃｅ）”ＵＳ特許５１１３４８３に記載されている。この特許は、ここに参照に よって取り入れられる。 逆伝搬に加え、ニューラルネットワークを訓練するための、ラジアルベース関 数（ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）やガウスバー（Ｇａｕｓｓ ｉａｎ ｂａｒｓ）のような他の技術が利用され得る。さらに、ニューラルネッ トワークを利用し、システムの記憶された表示を提供することは必要ではない。 ファジィシステム（ラジアルベース関数ネットワークに大変近似する）がまた利 用され得る。 図１６に言及して、内燃機関３１２の稼働（実行）時間オペートを示すブロッ ク図が示されている。図１６のシステムは、ライン３１４で制御値ｘ（ｔ）、ラ イン３２０で評価されたセンサ出力ｓ（ｔ）´を受け取ることができ、そしてラ イン３５２で更新された制御入力ｘ（ｔ＋１）を出力することができる。制御ネ ットワーク３５０は図５ａを参照して上述されている。そして、実際、予測モデ ルプロセッサに備えられたモデルを組み合わせることができる。要求される、あ るいは目標排気ガスレベルがそこへ入力される。ライン３５２は内燃機関に種々 の制御を及ぼすエンジン制御システム３５４に入力される。制御のどれも所定の ガイドラインに沿った排気ガス制御を扱うことができ、これらの制御は空気燃料 比制御に関連する。 全体システムは、ライン３２６で予測モデルプロセッサ３２２からの出力を受 け取り、センサが誤差を発生していると判断されていることを示すセンサ評価モ ジュール３１８の出力を受け取ることができる稼働（実行）時間処理システム３ ５４によって制御される。この情報は、ライン３２６の予測排気ガス値出力に加 えて、実行時間オペレートシステムによって利用され、それを履歴情報に関する メモリ３２８に記憶するか、あるいは予測排気ガス情報に関してなされるべきこ とに関する種々の決定を行う。 実行時間閾値はメモリ３５６に予め記憶されており、予測排気ガスと比較のた めにルーチンオペレートシステムによって利用される。予測排気ガスが閾値の選 択された一つを上回る場合は、幾つかの動作が取られなければならない。例えば 、排気ガスが国土の一部領域におけるある閾値に許容され、国土の他の領域では 許容されないかも知れない。さらに、予測排気ガスレベルは、温度と湿度のよう な他のパラメータの関数とされる場合もある。実行時間閾値は大気状態または他 の標準の関数として選択されることができる。しかしながら、好適実施例におい て、閾値はエンジンが設けられる場所の関数として選択される。さらに、これら は一日の時間関数として選択することすらできる。 ユーザインプット３５８は入力／出力回路３６０を介して閾値を入力し、ある いは選択するために利用される。さらに入力／出力回路３６０はディスプレイ３ ６０として、また通信システム３６２としてインターフェースを取ることができ る。このディスプレイ３６０は、例えば、警報ライトである。さらに、ドライバ によって見ることができるように“ガスゲージ”の形でアナログ値を表示するデ ィスプレイのタイプとすることもできる。これは、ドライバがドライブ状態の関 数として排気ガスレベルを見ることができるようにするものである。一つのモー ドにおいて、通信システム３６２は離れた位置において、産業エンジンがある周 期ベースで制御され、メモリ３２８に記憶された履歴情報をある状態にダウンロ ードすることができるように設けることができる。 図１７に言及して、通信システムの全体構成が示されている。プラント３７０ に言及された複数のエンジンが離れた位置に配置されている。それぞれは、それ に関連する仮想排気ガスモニタ３７２を有し、通信装置３７４を有する。記述さ れた実施例において、通信装置３７４のそれぞれは、アンテナ３７６を介してワ イヤレス通信路で情報を伝達することができる。このアンテナ３７６は受信モー ドと伝送モードの両方で動作できる。アンテナ３７６は指令ステーション３８０ のアンテナ３７８と通信を行うことができる。伝送のために利用できるプロトコ ールは、従来のプロトコールのどのようなタイプでもよい。ワイヤレスシステム について示したが、固定されたワイヤシステムが利用され得ることは理解され得 る。 上述したように、逆伝搬、ガウスバー（Ｇａｕｓｓｉａｎ ｂａｒｓ）、ラジ アルベース関数等を利用するシステム訓練に加えて、そのネットワークはそのオ フセットパラメータ、あるいはそこに加えられるバイアス調整を有する。普通の 方法でニューラルネットワークを訓練した後、プラント出力の平均値がある量だ けドリフトする状態が生じ得る。この状態は図１８に示されている。ここで実線 は外部の排気ガスモニタにより測定された実測排気ガス出力を示し、点線は仮想 センサからの予測出力を示す。時間に亙る平均誤差が生じていることが知られる 。この平均誤差が決定され、オフセット決定のために用いられる。この平均誤差 は次式で定義される。 ここで、ｏ_aは実測プラント出力、ｏ_pはモデルによって予測された出力値であ る。 この平均は時間の幾つかの区域における全てにわたって決定される。この平均 誤差に次のようにモデル出力結果を付加する。 この結果、新しいモデルの平均誤差は次のようにゼロとなる。 このバイアス調整は周期的に、あるいは常になされなければならない。 他のパラメータ調整システムにおいて、第１原理モデルが利用される。第１原 理モデルはよく知られるもので、少しだけの制御が内燃機関において調整される ことができるという事実に依存している。典型的に、この調整または制御は、調 整パラメータ、すなわち、モデル出力とプラントまたはエンジン出力の誤差を最 小にするモデル係数を調整することで行われる。この手続きは、ニューラルネッ トワークの訓練に完全に類似する。２つの訓練動作における相違は、パラメータ がモデル内に現れ、そしてそれらが調整されるような方法において生じる。第１ 原理モデルは、それらがしばしば線形であり、調整パラメータが少ないという点 において、しばしばニューラルネットワークより簡単となる。第１原理モデルの 例は、内燃機関からのＮＯｘ排気ガスに、次のように適用される。 ＮＯ_xppm＝ｋ〈Ｔｃ−Ｔ_M〉 （１０） ここで、Ｔｃはシリンダ温度であり、Ｔｍはマニホールド温度であり、すべて のシリンダにおける異なるマニホールド間の平均である。そして、ｋは調整でき るパラメータである。 パラメータｋは人がニューラルネットワークモデルのパラメータを、例えば勾 配降下法により、調整するようにして、これを繰り返すことにより調整され得る 。すなわち、人はモデルとプラントの間の誤差を次のように最小化する。 勾配降下法方程式に従ってｋを繰り返して変化することにより、 この場合、これは簡単になり、 上記方程式において、簡単な制御例として、ＮＯｘ出力が高い場合、信号が出 力され、空気を減少させて燃料を増加させることにより、空気燃料比を減少させ ることが挙げれられる。 図１９に言及して、制御動作を実行時間に亙り示すフローチャートが示されて いる。このプログラムはスターとブロック３８６で開始され、それから機能ブロ ック３８８に進み、期待排気ガス値が内部のランタイム閾値を記憶された時間パ ラメータ（ランタイム）閾値と比較する。これら閾値は特定環境におけるユーザ によって選択されることができる。プログラムはそれから決定ブロック３９０に 進み、期待、または予測排気ガスが上記閾値を越えたかどうかを判定する。越え た場合は、これは幾つかの制御動作あるいは欠陥メカニズムが実行されたに違い ないことを示す。このプログラムは決定ブロック３９２に進み、制御動作が行わ れているかどうかを判定する。そうなら、プログラムはＹパスに沿って、機能ブ ロック３９４に進み、上述した第１原理動作まるいは制御ネットワークを利用す ることができる所定の制御動作に従ってその制御を調整する。このプログラムは それから決定ブロック３９６に進み、適する制御を実行できるかについて判断す る。これを決定するため、最大限界がエンジンの動作パラメータ内にセットされ 、これにより、制御は排気ガスを減ずるよう修正され得る。これらの制御限界を 越えた場合は、たとえ排気ガスが適度であっても、エンジン動作は悪化するだろ う。この最大制御限界が超過された場合、プログラムはＹパスに沿って機能ブロ ック３９８に進み、排気ガス制御パラメータの設定不履行として、次にその履歴 を記憶するため機能ブロック４００に進む。最大制御限界が超過されない場合、 その制御は受け入れられ、プログラムはＮパスに沿って決定ブロック３９６から 機能ブロック４００に進む。有効な制御がない場合もまたプログラムはＮパスに 沿っ て決定ブロック３９２から機能ブロック４００に進む。 制御動作が実行されていたか、あるいは簡単な排気ガス履歴の記録が得られて いたかについて、一度この履歴が記憶されたなら、プログラムは決定ブロック４ ０２に進み、警報処理出力について判断が行われる。決定ブロック３９０でなさ れた比較が警報セットを要求したか、あるいは機能ブロック３９８の不履行設定 が警報セットを要求した場合に生じ得る。警報セットがなされると、プログラム はＹパスに沿って決定ブロック４０２から機能ブロック４０４に進み、警報セッ トを行う。この警報にはライトやダッシュボードあるいは聴覚アラームが用いら れる。さらに、これはメンテナンスチェックのために中央局への警報通信とする こともできる。このブロックはそれからリターンブロック４０６に進む。もし、 警報動作が取られていなかった場合は、プログラムは決定ブロック４０２からＮ パスに沿ってリターンブロック４０６に進む。同様に、予測排気ガスが閾値を越 えなかった場合も、プログラムは決定ブロック３９０からリターンブロック４０ ６へ進む。 図２０に言及して、訓練処理を示すフローチャートが示されている。このプロ グラムはスタートブロック４１０で開始され、機能ブロック４１２に進み、実際 の排気ガスを測定する。このプログラムはそれから、機能ブロック４１４に進み 、測定された実際の排気ガスを仮想センサによって出力された予測値と比較する 。このプログラムはそれから決定ブロック４１６に進み、実測排気ガスと予測値 の差が閾値を越える場合を判断する。この差が閾値を越えた場合は、プログラム はＹパスに沿って決定ブロック４１８に進み、訓練動作が実行された場合を判断 する。閾値を越えない場合は、プログラムはＮパスに沿って機能ブロック４２０ に進み、記録データベースを更新し、リターンブロック４２２に進む。同様に、 誤差が閾値を越えない場合、プログラムは決定ブロック４１６からＮパスに沿っ て機能ブロック４２０に進む。 訓練動作が実行されると、プログラムは決定ブロック４１８からＹパスに沿っ て決定ブロック４２４に進み、全ての訓練動作が行われたかどうかを判断する。 全ての訓練動作が行われた場合は、プログラムはＹパスに沿って機能ブロック４ ２６に進み、完全モデルを再訓練し、次いで機能ブロック４２８に進みモデルパ ラメータをそのモデルパラメータに関連するメモリに返してダウンロードする。 このプログラムはそれからリターンブロック４３０に進む。全部の訓練動作が実 行されていない場合、すなわち、部分的な訓練動作のみが終了している場合は、 プログラムはＮパスに沿って決定ブロック４２４から機能ブロック４３２に進み 、システムにあったモデルパラメータをアップロードし、それからこれらモデル パラメータを機能ブロック４３４によって示されるように調整する。調整後、こ のプログラムは機能ブロック４２８の入力に進み、モデルパラメータをダウンロ ードする。この訓練動作がモデルプロセッサを利用するオンボード処理、または 外部プロセッサを利用するオフボード処理で可能であることは理解され得る。 まとめとして、往復機関に実際に排気ガスセンサを設ける必要を無くすために 、排気ガスを予測するためのシステムが得られる。このシステムは訓練データセ ットを発生する間に得られる実際の排気ガスの目標出力を有する往復機関からの 種々のセンサ出力で訓練される予測モデルを利用する。一度、訓練されると、こ のシステムは、実際に排気ガスセンサを有する事なく動作することができ、排気 ガスセンサの実際の出力を表すことができる。周期的に、このモデルは、予測値 が、外部の排気ガスセンサによる実測値による実際の測定値から、所定量以上逸 脱しないかを判断チェックすることができる。この測定が逸脱した場合は、この システムはスペックの外にあると示され、あるいはネットワークは再訓練され得 る。 この発明の好適実施例が詳細に述べられたが、種々の変更、代替、改造がこの 発明の精神と範囲から逸脱しないで行われ得ることは容易に理解され得る。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＡＵ，ＣＡ，ＪＰ，ＫＲ (72)発明者 ゴッドボール、ディヴェンドラ アメリカ合衆国、テキサス州 78731、オ ースティン、ウッドホロー・ドライブ 5805 ナンバー 228 (72)発明者 ファーガソン、ラルフ・ブルース アメリカ合衆国、テキサス州 78729、オ ースティン、コッパー・クリーク 9815、 アパートメント 814

Claims (1)

1. 【特許請求の範囲】 １． 有害汚染物を放出し、センサ出力値としてエンジン動作の選択パラメータ を測定する複数センサを備えた内燃機関の排気ガスを監視する方法において、 予測モデル内に、エンジンと標準の外部排気ガスモニタの組み合わされた表示 を記憶するステップであって、上記標準の外部排気ガスモニタが上記エンジンに よって出力される有害汚染物を測定し、上記予測モデルが予測排気ガス値として 排気ガスモニタの出力予測を供給する出力を有し、センサ出力値の選択組を入力 として受け取ることができる上記ステップと、 上記予測モデルへのセンサ出力値の選択組を入力するステップと、 上記エンジンと外部排気ガスモニタの組み合わされた出力を予測し、エンジン に設けられた排気ガスモニタを必要とすることなく、排気ガスモニタによって出 力された有害汚染物の指示を供給するステップと、 を備えてなる排気ガスを監視する方法。 ２． 請求項１の方法において、 上記エンジンの標準の外部排気ガスモニタに本質的に類似する外部排気ガスモ ニタを取り付けるステップと、 上記外部排気ガスモニタの出力を上記予測モデルの予測排気ガス値と比較する ステップと、 予測排気ガス値が外部排気ガスモニタの実際の出力値を所定量だけ上回るとき には上記予測モデルに記憶された表示を調整するステップと、 をさらに備えてなる排気ガスを監視する方法。 ３． 請求項２の方法において、 上記予測モデルに記憶された表示は、センサ出力値の選択組に関連するセンサ 出力から受け取られる実測センサデータと、上記エンジンに接続された外部排気 ガスモニタからの実際に測定された排気ガス出力データからなる訓練データの組 で上記予測モデルを訓練することにより発生される排気ガスを監視する方法。 ４． 請求項３の方法において、 上記調整ステップは、実際の出力データを供給する外部排気ガスモニタを使用 する新しい組の訓練データで上記予測モデルを再訓練するステップを含む排気ガ スを監視する方法。 ５． 請求項３の方法において、 上記調整ステップは、誤差を予め定められたレベル以下に最小化するため、上 記予測モデルの予測排気ガス値を、所定量だけオフセットするステップを含む排 気ガスを監視する方法。 ６． 請求項１の方法において、 所定の排気ガス値を内部の閾値と比較するステップと、 予測排気ガス値が内部の閾値を上回るとき警報を発生するステップと、 をさらに含む排気ガスを監視する方法。 ７． 請求項６の方法において、上記警報はディスプレイ上のライトである排気 ガスを監視する方法。 ８． 請求項６の方法において、複数の閾値をメモリに記憶するステップと、 上記複数の閾値の一つのみを選択し、所定の標準に従って実行される選択ステ ップ、上記比較ステップにおいて利用するステップとをさらに備える排気ガスを 監視する方法。 ９． 請求項１の方法において、実行される予測モデルによって時間関数として 出力される予測排気ガス値の履歴を記憶するステップをさらに備える排気ガスを 監視する方法。 １０． 請求項８の方法において、周期的に記憶される履歴をダウンロードする ステップをさらに備えた排気ガスを監視する方法。 １１． 請求項１の方法において、選択した測定パラメータが所定の標準に従う 許容限界の外にあることを判断するステップと、 上記センサ出力が上記許容限界の外にあると判断されたとき上記センサ出力を 既知の値で代用するステップとをさらに備える排気ガスを監視する方法。 １２． 請求項１１の方法において、上記代用ステップは、測定された上記セン サ出力値を過去の履歴より予測値を予測し、上記予測値は既知の値を含む排気ガ スを監視する方法。 １３． 請求項１２の方法において、上記過去の履歴は、上記他の測定されたセ ンサ出力の関数である排気ガスを監視する方法。 １４． 請求項１１の方法において、上記判断ステップは、上記エンジンの実測 センサ値を入力とするセンサ評価予測ネットワークを設けるステップであって、 上記センサ評価予測ネットワークは、他の実測センサ出力値の関数として、それ ぞれの実測センサ出力値の記憶された表示を有し、そこに入力される実測センサ 値のそれぞれに対応する予測センサ出力値を出力する、上記ステップと、 上記センサ評価予測ネットワークで上記予測センサ出力値を予測するステップ と、 入力された実測センサ出力値と予測センサ出力値との差を所定の限界値と比較 するステップと、 を備えた排気ガスを監視する方法。 １５． 請求項１の方法において、 上記予測モデルによって出力される予測排気ガス値を所望の排気ガス値と比較 するステップと、 上記エンジンの動作を変えるための排気ガス制御システムを設けるステップと 、上記予測排気ガス値と所望の排気ガス値との誤差を減ずるように、上記排気ガ ス制御システムを制御するステップと、 を備えた排気ガスを監視する方法。