JPH11231907A - 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法 - Google Patents

学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法

Info

Publication number
JPH11231907A
JPH11231907A JP10029895A JP2989598A JPH11231907A JP H11231907 A JPH11231907 A JP H11231907A JP 10029895 A JP10029895 A JP 10029895A JP 2989598 A JP2989598 A JP 2989598A JP H11231907 A JPH11231907 A JP H11231907A
Authority
JP
Japan
Prior art keywords
control
feedback control
feedback
information
teacher data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP10029895A
Other languages
English (en)
Inventor
Yoko Fujime
葉子 藤目
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yamaha Motor Co Ltd
Original Assignee
Yamaha Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yamaha Motor Co Ltd filed Critical Yamaha Motor Co Ltd
Priority to JP10029895A priority Critical patent/JPH11231907A/ja
Priority to EP99102910A priority patent/EP0936351B1/de
Priority to DE59909980T priority patent/DE59909980D1/de
Priority to US09/249,194 priority patent/US6415273B1/en
Publication of JPH11231907A publication Critical patent/JPH11231907A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2454—Learning of the air-fuel ratio control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1413—Controller structures or design
    • F02D2041/1418—Several control loops, either as alternatives or simultaneous
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0402—Engine intake system parameters the parameter being determined by using a model of the engine intake or its components
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0411—Volumetric efficiency
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1404—Fuzzy logic control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
    • F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
    • F02D41/1454—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio
    • F02D41/1456—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio with sensor output signal being linear or quasi-linear with the concentration of oxygen
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/903—Control

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

(57)【要約】 【課題】 短時間で教師データを獲得し、モデルの補正
を行うことができる学習可能な制御ロジックを用いたフ
ィードバック制御における予測学習方法を提供するこ
と。 【解決手段】 本発明に係る学習可能な制御ロジックを
用いたフィードフォワード制御における予測学習方法
は、制御対象を学習可能な制御ロジックでモデル化し、
該モデルを用いて制御対象を所定の目標値に沿って動作
するようにフィードフォワード制御する制御方法におい
て、制御対象が定常状態にあるか否かを制御対象の駆動
状態と制御量とから判断し、定常状態にある時の前記制
御対象の制御量をフィードバックし、このフィードバッ
ク情報に基づいてモデルと制御対象とのずれを予測し、
このずれを補正するための予測教師データを作成し、前
記予測教師データを用いてモデルの制御ロジックの学習
を行う。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、学習可能なフィー
ドフォワード制御における予測学習を行う方法に関す
る。
【０００２】
【従来の技術】従来から、制御対象のモデルを使用して
入力に対する制御対象の動作を予測しながら制御対象の
制御を行うフィードフォワード制御は様々な技術分野で
提案されている。上記したフィードフォワード制御を用
いると入力の変化に対する制御の応答性が向上し、最適
な状態で制御対象を動作させることができるが、制御対
象自体の経時変化や使用環境の変化等により、予め構築
したモデルと実際の制御対象との間にずれが生じる場合
があるため、必要に応じてこのずれを補正する必要があ
った。上記したモデルのずれを補正する方法としては、
実際の制御対象の出力をフィードバックしフィードバッ
クして、このフィードバックした値に基づく補正を行
い、フィードバックが安定した時の補正量に基づいてを
教師データを作成して学習を行う学習方法があった。
【０００３】
【発明が解決しようとする課題】上記した実測値による
学習方法によれば、制御対象の実際の出力から教師デー
タを得るため、モデルと制御対象のずれを正確に把握す
ることができ、正確な学習を行うことができるが、第１
にフィードバックが安定するまでに時間がかかるため教
師データの獲得に時間がかかるという問題があり、第２
にフィードバックで教師データを獲得するためには制御
対象を実際の使用状態や使用環境に関係なく教師データ
を獲得するための制御状態で制御しなければならず、し
かもこの状態をフィードバックが安定するまで維持しな
ければならないため、実際に制御対象を使用している状
態で、制御対象の動作に影響を与えずに満足のいく教師
データを獲得するのは極めて困難であるという問題があ
った。本発明は、上記した従来の学習方法の問題点を解
決し、短時間で教師データを獲得し、モデルの補正を行
うことができる学習可能な制御ロジックを用いたフィー
ドバック制御における予測学習方法を提供することを目
的としている。
【０００４】
【課題を解決するための手段】上記した目的を達成する
ために本発明に係る学習可能な制御ロジックを用いたフ
ィードバック制御における予測学習方法は、制御対象を
学習可能な制御ロジックでモデル化し、該モデルを用い
て制御対象を所定の目標値に沿って動作するようにフィ
ードフォワード制御する制御方法において、制御対象が
定常状態にあるか否かを判断し、定常状態にある時の前
記制御対象における制御量に関する情報をフィードバッ
クし、このフィードバック情報に基づいてモデルと制御
対象とのずれを予測し、このずれを補正するための予測
教師データを作成し、前記予測教師データを用いてモデ
ルの制御ロジックの学習を行うことを特徴とする学習可
能な制御ロジックを用いたフィードフォワード制御にお
ける予測学習方法。
【０００５】
【発明の実施の形態】以下、本発明に係る学習可能な制
御ロジックを用いたフィードフォワード制御における予
測学習方法の実施の形態を添付図面に示した一実施例を
参照して説明していく。
【０００６】図１〜図８は、本発明に係る学習可能な制
御ロジックを用いたフィードフォワード制御における予
測学習方法（以下、単に予測学習方法と称する。）をエ
ンジンの空燃比制御に適用した実施例を示している。図
１は、エンジン１と本発明に係る予測学習方法を採用し
たエンジン制御を実行可能な制御装置１０との関係を示
す概略図である。エンジン１は、吸気管２に設けられた
エアクリーナ３及び燃料噴射装置４を介してシリンダ５
の燃焼室内に混合気を導入し、燃焼後の排気ガスを排気
管６を介して大気中に排気する４サイクルエンジンであ
り、本図では吸気バルブや排気バルブ等の他の構成部材
については省略されている。尚、図１中、符号７はクラ
ンクケースを、また、符号８はスロットルバルブを各々
示している。制御装置１０は、燃料噴射装置４からの燃
料噴射量を操作して排気ガス中の空燃比の値を制御する
ものである。この制御装置１０は、図１に示すように、
クランクケース７に設けられたクランク角検知手段１３
から得られるクランク角に関する情報ｘ１と、スロット
ルバルブ８に設けられたスロットル開度検知手段１２か
ら得られるスロットル開度に関する情報ｘ２と、吸気管
２に設けられた吸気管壁温検知手段１４から得られる吸
気管壁温に関する情報Ｔｅとを入力し、これらの入力情
報に基づいて、吸気管２に設けられた燃料噴射装置４の
操作量Ｍｆ（即ち、燃料噴射量）を決定して出力すると
共に、排気管６に設けられた酸素センサ１５から得られ
る実際の空燃比に関する検知信号Ｅを、必要に応じて入
力して、この情報に基づく内部モデルの出力の補正及び
内部モデルの学習を行い常時最適な制御が行えるように
構成されている。
【０００７】図２は、制御装置１０の構成を示す概略ブ
ロック図である。制御装置１０は、目標空燃比Ｅｐに沿
ってフィードフォワード制御ロジックを用いて燃料噴射
量を決定するモデルベース制御部２０、前記目標空燃比
Ｅｐを算出する目標空燃比算出部３０、エンジン回転数
演算部４０、変換部５０、前記モデルベース制御部２０
のずれを予測して仮想教師データを獲得し、前記モデル
ベース制御部２０の予測学習を実行する予測学習制御部
６０、及びモデルベース制御部２０によるフィードフォ
ワード制御を実行しながら酸素センサ１５からの出力に
基づいてフィードバック制御を行い実測での教師データ
の獲得を実行するフィードバック制御部７０を備え、フ
ィードフォワード制御を実行する通常制御モード、前記
予測学習を実行する予測学習モード又はフィードフォワ
ード制御を行いながら前記フィードバック制御を実行す
るフィードバック補正モードの何れかで作動する。
【０００８】（モデルベース制御部について）以下、図
３〜図５を参照してモデルベース制御部２０の構成につ
いて説明する。図３は、図２におけるモデルベース制御
部２０の構成を示す概略ブロック図である。モデルベー
ス制御部２０は、吸気管２内の空気の挙動をモデル化し
た空気系順モデル２１、燃料噴射装置４から噴射される
燃料の挙動をモデル化した燃料系順モデル２２、及び各
順モデル２１及び２２から出力される推定空気量Ａｖ及
び推定燃料量Ｆｖに基づいて推定空燃比Ｅｖを算出する
推定空燃比演算部２３を備えている。また、モデルベー
ス制御部２０は、推定空燃比演算部２３から出力される
推定空燃比Ｅｖを基本操作量演算部２４にフィードバッ
クするフィードバックループを備えている。前記基本操
作量演算部２４は、推定空燃比演算部２３から出力され
る推定空燃比Ｅｖと、目標空燃比算出部３０から出力さ
れる目標空燃比Ｅｐとを入力してエンジン１の燃料噴射
装置４に対する基本操作量Ｍｆｎ（基本燃料噴射量）を
算出する。この基本操作量Ｍｆｎは、モデルベース制御
部２０から出力されると共に燃料系順モデル２２にも入
力され、燃料系順モデル２２は前記基本操作量Ｍｆｎに
基づいて推定燃料量Ｆｖを求める。上記したように、モ
デルベース制御部２０では、空気系順モデル２１、燃料
系順モデル２２、及び推定空燃比演算部２３によりエン
ジン１の順モデルを構成し、かつ、前記燃料系順モデル
２２、推定空燃比演算部２３、及び基本操作量演算部２
４を含むフィードバックループを用いて前記エンジン１
の順モデルから出力される推定空燃比Ｅｖをフィードバ
ックして基本操作量Ｍｆｎを出力するエンジンの逆モデ
ルを構成している。
【０００９】（燃料系順モデルについて）図４は、前記
燃料系順モデル２２の構成を示す概略ブロック図であ
る。この燃料系順モデル２２は、前述したように燃料噴
射装置４から噴射された燃料の挙動をモデル化したもの
である。この燃料系順モデル２２は、非付着燃料演算部
２２ａ、付着燃料演算部２２ｂ、一次遅れ部２２ｃ，２
２ｄ、燃料付着率推定部２２ｅ、及び蒸発時定数推定部
２２ｆを備え、前記基本操作量演算部２４から入力され
る基本操作量Ｍｆｎ（基本燃料噴射量）から、実際にシ
リンダ８内に入る燃料量を推定する。前記燃料付着率推
定部２２ｅは、エンジン回転数ｘ１及びスロットル開度
ｘ２と燃料付着率ｒｖとの関係を予め学習させたファジ
ーニューラル回路網、ニューラル回路網、又はＣＭＡＣ
等を用いて燃料付着率ｒｖをモデル化したものであり、
エンジン回転数ｘ１及びスロットル開度ｘ２を入力し、
これらの情報に基づいて、燃料噴射装置４から噴射され
た燃料が吸気管２等の壁面に付着する割合ｒｖ（以下、
燃料付着率ｒｖ）を推定する。尚、この燃料付着率推定
部２２ｅは、図示していないが、必要に応じて、エンジ
ンの運転状態が過渡状態にある時に実際の空燃比と目標
空燃比Ｅｐとの比較結果に基づく教師データを入力し
て、経時変化等が原因で生じる燃料系順モデルの誤差を
補正し、学習できるように構成され得る。また、前記蒸
発時定数推定部２２ｆは、エンジン回転数ｘ１、スロッ
トル開度ｘ２、及び吸気管壁温Ｔｅ（又はエンジン水
温）と蒸発時定数τとの関係を予め学習させたファジー
ニューラル回路網、ニューラル回路網、又はＣＭＡＣ等
を用いて蒸発時定数τをモデル化したものであり、エン
ジン回転数ｘ１、スロットル開度ｘ２、及び吸気管壁温
Ｔｅ（又はエンジン水温）を入力し、これらの情報に基
づいて、壁面に付着した燃料が蒸発する時定数τ（以
下、蒸発時定数τ）を推定する。尚、この蒸発時定数推
定部２２ｆも、前記燃料付着率推定部２２ｅと同様、図
示していないが、必要に応じて、エンジンの運転状態が
過渡状態にある時に実際の空燃比と目標空燃比Ｅｐとの
比較結果に基づく教師データを入力して、経時変化等が
原因で生じる燃料系順モデルの誤差を補正し、学習でき
るように構成され得る。上記した燃料付着率推定部２２
ｅ及び蒸発時定数推定部２２ｆについては、本願出願人
が平成８年１０月１４日に出願した特願平８−２７１１
８８号により詳細に開示されている。非付着燃料演算部
２２ａは、前記燃料付着率推定部２２ｅから得られる燃
料付着率ｒｖに基づいて、基本操作量演算部２４から入
力される基本操作量Ｍｆｎ（即ち、基本燃料噴射量）に
おける燃料噴射装置４から直接シリンダ５の燃焼室内に
入る燃料量を算出する。付着燃料演算部２２ｂは、前記
燃料付着率推定部２２ｅから得られる燃料付着率ｒｖに
基づいて、基本操作量演算部２４から入力される基本操
作量Ｍｆｎ（基本燃料噴射量）において一度壁面に付着
した後でシリンダ５内に入る燃料量を算出する。前記非
付着燃料演算部２２ａ及び付着燃料演算部２２ｂから得
られる燃料量は、各々一次遅れ部２２ｃ，２２ｄで、蒸
発時定数演算部２２ｆから得られる蒸発時定数τ１，τ
２に基づいて一次遅れ系にて近似された後、加算され、
推定燃料量Ｆｖとして燃料系順モデル２２から出力され
る。尚、通常、エンジン１における燃料噴射装置４から
噴射された燃料の挙動をモデル化する場合、噴射燃料が
燃料噴射装置４からシリンダ５内に入るまでの無駄時間
を考慮して、図４に破線で示すように無駄時間分だけ位
相を遅らせる無駄時間用位相遅れ部２２ｇを設ける必要
があるが、本実施例における燃料系順モデル２２では、
前記無駄時間分だけ燃料系順モデルの位相を進ませるこ
とで無駄時間用位相遅れ部２２ｇを設ける必要をなくし
ている。これにより、燃料系順モデル２２は単純な一次
遅れ系になるので、燃料系順モデル２２の出力を用いて
フィードバック制御を行う場合に、フィードバックゲイ
ンを大きくすることが可能になり、過渡時にも適正な基
本操作量が得られる正確な逆モデルを構成している。
【００１０】（空気系順モデルについて）図５は、前記
空気系順モデル２１の構成を示す概略ブロック図であ
る。この空気系順モデル２１は、スロットル開度用位相
進み部２１ａ、空気量演算部２１ｂ、圧力変換部２１
ｃ、吸気負圧演算部２１ｄ、体積効率推定部２１ｅ、及
びエンジン回転数用位相進み部２１ｆを備えている。
【００１０】（各位相進み部２１ａ及び２１ｆについ
て）前記スロットル開度用位相進み部２１ａ及びエンジ
ン回転数用位相進み部２１ｆは、前記燃料系順モデル２
２において、取り除いた無駄時間（即ち、噴射燃料が燃
料噴射装置４から噴射された後、シリンダ５内に入るま
での時間）分だけ入力されるスロットル開度ｘ２及びエ
ンジン回転数ｘ１の位相を進める。具体的には、各位相
進み部２１ａ及び２１ｆは、時刻に対するエンジン回転
数又はスロットル開度の変化パターンを予め学習したニ
ューラル回路網を各々備えており、このニューラル回路
網により、過去の複数の時刻におけるエンジン回転数又
はスロットル開度に基づいてエンジン回転数又はスロッ
トル開度の未来値を求めることにより、位相を進める。
このように、空気系順モデル２１において、スロットル
開度及びエンジン回転数の位相を無駄時間分だけ進める
ことにより、燃料系順モデル２２及び空気系順モデル２
１の両方の位相を無駄時間分だけ進めることになり、燃
料系順モデル２２で無駄時間を取り除いたことにより推
定燃料量Ｆｖと推定空気量Ａｖとの位相のずれがなくな
り、推定空燃比演算部２３で適正な推定空燃比を推定す
ることが可能になる。また、例えば、筒内噴射式のエン
ジンのように、噴射燃料が燃料噴射装置からシリンダ内
に入るまでの無駄時間が存在しないものや、前記無駄時
間が無視できる程小さいものの場合には、噴射燃料の挙
動をモデル化する時に、始めから無駄時間用位相遅れ部
を設ける必要がないので、空気系順モデル２１における
各位相進み部２１ａ及び２１ｆも設ける必要はない。
尚、各位相の進め方はニューラル回路網を用いる方法に
限られず任意の方法でよく、例えば、最小二乗法等を用
いてもよい。
【００１１】空気量Ａｖ及び吸気負圧Ｐｍａｎの演算部
２１ｂ、２１ｄは流体力学的な数式（１），（２）での
モデル化を行う。 ここで、Ｃｔはスロットルでの流量計数、Ｄはスロット
ルの直径、Ｐａｍｂは大気圧、ｋは空気の比熱、Ｔａｍ
ｂは大気温、Ｒは気体定数、Ｍａｏは補正計数、Ｔｍａ
ｎは吸気管温度、Ｖは吸気管体積、β１はスロットル開
度に依存する計数、β２は吸気管圧力に依存する計数で
ある。また、体積効率ηに関しては数式によるモデル化
が困難なため、体積効率推定部２１ｅは、エンジン回転
数信号ｘ１及びスロットル開度ｘ２と体積効率ηとの関
係を予め学習させたファジーニューラル回路網（又はニ
ューラル回路網、ＣＭＡＣ等）によるモデル化を行う。
【００１１】図６は、エンジン回転数及びスロットル開
度を入力として構成された体積効率ηに関するファジィ
ニューラル回路網の一例を示す。このファジーニューラ
ル回路網は、６つの処理層を備えた階層型ファジィニュ
ーラル回路網で構成され、第１層から第４層までで前件
部を構成し、第５層及び第６層で後件部を構成してい
る。この例では、エンジン回転数ｘ１及びスロットル開
度ｘ２は各々３種類の前件部メンバーシップ関数Ａ11、
Ａ12、Ａ13、Ａ21、Ａ22、Ａ23を有し、後件部の入力空
間（即ち、第５層の入力）が３×３＝９のファジィルー
ル領域に分割されている。図６中、ｗｃ，ｗｇ，ｗｆ、
１、−１は丸い記号で示されるユニット間の結合荷重を
意味し、また、第１層の四角の記号で示されるユニット
は常に一定値１を出力するバイアスユニットを示してい
る。第３層の各ユニットは次式のように定義されるシグ
モイド関数を有し、このシグモイド関数より前件部メン
バーシップ関数が構成される。 このネットワークの構成により、第１層に加えられたエ
ンジン回転数ｘ１及びスロットル開度ｘ２は、第２層に
て結合荷重ｗｃがバイアスとして加算され、それにｗｇ
を掛けたものが第３層の対応するユニットの入力とな
る。従って、第３層の各ユニットの出力は次式のように
表される。 すなわち、結合荷重ｗｃ，ｗｇはシグモイド関数の中心
位置及び傾きを定めるパラメータであり、この結合荷重
ｗｃ，ｗｇは、学習により各シグモイド関数毎に適当な
値に設定されている。これにより、第４層の出力には、
所定のエンジン回転数領域及びスロットル開度領域をカ
バーする前件部メンバーシップ関数Ａ11、Ａ12、Ａ13、
Ａ21、Ａ22、Ａ23が得られる。ここで、エンジン回転数
に関する前件部メンバーシップ関数Ａ11は「低回転
域」、Ａ12は「中回転域」、Ａ13は「高回転域」を表
し、また、スロットル開度に関する前件部メンバーシッ
プ関数21は「開度が小さい」、Ａ22は「開度が中くら
い」、Ａ23は「開度が大きい」を表す。この例では、後
件部は、前記したようにその３×３＝９のファジィルー
ルに分割され、第５層にて前件部メンバーシップ関数の
グレードから各ファジィルールに対する前件部適合度が
計算される。ファジィルールは、エンジン回転数の各前
件部メンバーシップ関数とスロットル開度の各前件部メ
ンバーシップ関数との組合せ毎に「if エンジン回転数
ｘ１＝前件部メンバーシップ関数Ａ1n(n=1〜3) and ス
ロットル開度ｘ２＝前件部メンバーシップ関数Ａ2n(n=1
〜3) then 体積効率＝ｗｆ」のように決められる。即
ち、結合荷重ｗｆはファジィルールの出力を意味するパ
ラメータであり、この結合荷重ｗｆは、学習により各フ
ァジィルール毎に適当な値に、例えば、「if エンジン
回転数ｘ１＝高回転域 and スロットル開度ｘ２＝中く
らい then 燃料付着率ｗｆ＝５０％」、又は「if エ
ンジン回転数ｘ１＝低回転域 and スロットル開度ｘ
２＝小さい then 燃料付着率ｗｆ＝７０％」のように
設定される。第６層では、第５層で求められた各ファジ
ィルールに対する前件部適合度とファジィルールの出力
を意味する結合荷重ｗｆとの積和を求め、この値がファ
ジィ推論の重心法による推定値、即ち、推定体積効率η
ｖとなる。
【００１２】上記したように構成された体積効率推定部
２１ｅは、予測学習制御部６０又はフィードバック制御
部７０により、モデルと実際の制御対象との間のずれを
補正するための学習が行えるように構成されている。具
体的には、フィードバック制御部７０では実測による教
師データの獲得が行われ、予測学習制御部６０では予測
による仮想教師データの獲得が行われ、これらの何れか
により体積効率推定部２１ｅは、その前件部結合荷重ｗ
ｃ，ｗｇ又は後件部結合荷重ｗｆの学習が行われる。ま
た、図３及び図５に示すように予測学習制御部６０は仮
想教師データを直接出力するが、フィードバック制御部
７０は、体積効率推定部２１ｅの出力である推定体積効
率ηｖに対する補正値を出力し、この補正後の推定体積
効率ηｖ’が教師データとなる。
【００１３】以下、前記予測学習制御部６０及びフィー
ドバック制御部７０の処理を図７のフローチャートを用
いてさらに詳細に説明していく。予測学習制御部６０
は、エンジン回転数ｘ１及びスロットル開度ｘ２を入力
し、それらの変化率△ｘ１及び△ｘ２に基づいてエンジ
ンの駆動状態が定常状態にあるか否かを監視する（ステ
ップ１）。具体的には、本実施例ではエンジン回転数の
変化率△ｘ１が３００ｒｐｍ以下で、スロットル開度変
化率△ｘ２が１ｄｅｇ以下の場合にはエンジンの駆動状
態が定常状態にあると判断し、ステップ２の処理に進
む。ステップ２では、前記した駆動状態の定常状態が実
際に制御量である空燃比に反映し、空燃比が定常状態に
なっているかを監視する。具体的には、前記駆動状態の
定常状態が、所定の時間（図７の実施例では２秒）維持
された場合には、空燃比も定常状態になっていると判断
する。このステップ１及び２でエンジンの駆動状態が定
常状態であり、かつ、空燃比も定常状態であると判断し
た場合には、制御対象が定常状態にあると判断して、ス
テップ３の処理に進む。ステップ１及び２の判断により
制御対象が定常状態にあると判断すると、その時の、実
際のエンジン回転数ｘ１、スロットル開度ｘ２及び酸素
センサの出力Ｅ（リッチ又はリーン）をフィードバック
情報として記憶し（ステップ３）、フィードバック制御
開始信号をフィードバック制御部７０に出力する（ステ
ップ４）。フィードバック制御部７０は、予測学習制御
部６０からのフィードバック開始信号に基づいてフィー
ドバック制御を開始する。具体的には、例えば、酸素セ
ンサ１５から得られる信号Ｅがリッチの場合には、推定
体積効率ηｖを所定量減らす補正信号Ｆｂを、酸素セン
サ１５から得られる信号Ｅが反転するまで、即ち、リー
ンになるまで出力し続け、酸素センサ１５から得られる
信号Ｅがリーンになると推定体積効率ηｖを所定量増や
す補正信号Ｆｂを出力する。このフィードバック制御
は、酸素センサ１５から得られる信号Ｅが周期的に反転
するまで（即ち、周期的にリッチとリーンとに変化する
まで）連続して行われ、酸素センサ１５から得られる信
号Ｅが周期的にリッチとリーンとに変化するようになっ
たらフィードバック制御による補正量が収束し、フィー
ドバック制御が安定していると判断し（ステップ６）、
その時の補正後の推定体積効率ηｖ’を教師データとし
て獲得し（ステップ７）、フィードバック制御を終了し
て（ステップ８）、体積効率推定部２１ｅの学習を開始
する（ステップ９）。一方、予測学習制御部６０は、フ
ィードバック制御開始後も、制御対象が定常状態を維持
しているかを監視し続け（ステップ５）、フィードバッ
ク制御中に、制御対象が定常状態から脱すると、ステッ
プ３で記憶したフィードバック情報に基づいて予測教師
データＦａの作成を行う（ステップ１０）。
【００１４】図８は、前記予測教師データの作成方法の
第１の実施例を示す概略図である。予測学習制御部６０
は、図８に示すように過去の予測学習の傾向を記憶して
おき、その予測学習の傾向とステップ３で記憶したフィ
ードバック情報（実際の酸素センサの出力）とに基づい
て予測教師データを作成する。具体的には、予測学習制
御部６０は、フィードバック制御開始後（ステップ
４）、制御対象が定常状態を脱したら（ステップ５）、
ステップ３で記憶したエンジン回転数及びスロットル開
度に対応するファジィニューラル回路網の後件部結合荷
重（又は前件部結合荷重）の前回の学習の傾向と、フィ
ードバック情報（ステップ３で記憶した酸素センサの出
力）とを比較し、同じ後件部結合荷重に対して同じ方向
（減少又は増加）に２回以上学習を行っている場合に
は、予測教師データの値を前回の予測教師データの倍に
する。ここで、前回の学習の傾向のデータがない場合に
は、その後件部結合荷重の学習は初めてであると判断し
て、フィードバック情報（酸素センサの出力）がリッチ
の場合には後件部結合荷重を所定の最低量（図８では１
％）減少させる予測教師データを作成して体積効率推定
部２１ｅにおけるファジィニューラル回路網の学習を開
始する（ステップ９）。また、ここで、前回対応する後
件部結合荷重を最低量（１％）減少させるという学習を
行わせていた場合には、その結合荷重をさらに最低量
（１％）減少させる予測教師データを作成して体積効率
推定部２１ｅにおけるファジィニューラル回路網の学習
を開始する（ステップ９）。さらにまた、ここで、前回
対応する後件部結合荷重を最低量（１％）減少させると
いう学習を２回連続して行っていた場合には、今までの
予測教師データでは、モデルと制御対象とのずれを収束
させるのに十分ではないと予測して、予測教師データの
値を最低量の倍（２％）減少にする。上記した予測教師
データの作成（ステップ１０）及び学習（ステップ９）
は、ステップ１０の処理を行う度に行われ、酸素センサ
の出力が、前回の学習の傾向と反転すると、予測教師デ
ータを最低量に戻して逆方向への学習を行わせる。上記
したように予測教師データを作成して予測学習を行うこ
とにより、実測による教師データが得られない場合で
も、体積効率推定部２１ｅ内のモデルは、目標値に近づ
く方向に補正され、最終的に目標値に収束するようにな
る。
【００１５】上記したように予測学習制御部６０及びフ
ィードバック制御部７０を用いることにより、フィード
バック制御の補正量が収束するまで制御対象の定常状態
が維持された場合には、フィードバック制御による実測
で得られた教師データに基づいて体積効率推定部２１ｅ
内のモデルのずれを補正する学習が行え、フィードバッ
ク制御の補正量が収束するまで制御対象の定常状態が維
持されない場合（実際にはこのような状態が多いと考え
られる）にも、予測学習制御部６０により、制御対象が
定常状態になった時のフィードバック情報に基づいて体
積効率推定部２１ｅ内のモデルのずれを予測して、これ
を補正する予測学習が行えるようになるので、制御対象
の使用中、即ち、エンジンを実際に車両に搭載して走行
している最中でも、常に内部モデルを最適なモデルに向
けて補正し、学習させることが可能になる。
【００１６】図９〜１１は、予測学習制御部６０におけ
る予測教師データの作成処理（図７におけるステップ１
０）の別の実施例を各々示す図である。図９から説明し
ていくと、この例では、予測教師データの最小値（例え
ば、１％）及び最大値（例えば、５％）を予め決めてお
き、前記最小値で同じ方向に２回連続して学習を行った
場合、次の予測教師データを前記最大値に設定する。こ
の最大値は、走行状態に影響を及ぼさない最大の値（即
ち、運転者の体感できない変動の範囲での最大値）に設
定され得る。そして、予測教師データを最大値に設定し
た後は、フィードバック情報（酸素センサの出力）が反
転するまで予測教師データを最大値に設定し続け、フィ
ードバック情報（酸素センサの出力）が反転した後、予
測教師データの値を最小値まで所定の間隔で除々に小さ
くしていく。このように、予測教師データを最小値か
ら、いっきに最大値まで上げることにより、図８の実施
例に比べてモデルと制御対象との間のずれが収束するま
での時間を短くすることができるようになる。
【００１７】図１０の予測教師データ作成処理について
説明する。図１０の例では、予測学習制御部６０は、フ
ィードバック制御部７０におけるフィードバック制御情
報、即ち、フィードバック制御の継続時間と学習の収束
状況との関係をフィードバック情報とし、このフィード
バック情報に基づいて予測教師データを作成する。即
ち、図７におけるステップ４においてフィードバック制
御を開始し、このフィードバック制御の補正量が収束す
る前にステップ５で制御対象が定常状態から脱したと判
断した場合、フィードバック制御の継続時間をフィード
バック情報として、モデルと制御対象とのずれを予測す
る。図１０（ａ）に示すようにフィードバック制御開始
から酸素センサの出力反転までの時間が長い場合には体
積効率推定部２１ｅの出力の補正量が大きく、内部モデ
ルと制御対象とのずれが大きいと判断でき、逆に図１０
（ｂ）に示すようにフィードバック制御開始から酸素セ
ンサの出力反転までの時間が短い場合には体積効率推定
部２１ｅの出力の補正量が小さく、内部モデルと制御対
象とのずれが小さいと判断できる。即ち、フィードバッ
ク制御開始から酸素センサの出力反転までの時間と内部
モデル及び制御対象の間のずれの大きさとは比例関係に
あるといえ、予測学習制御部６０は、この関係に基づい
て予測教師データの作成を行う。
【００１８】図１１の仮想教師データ作成処理について
説明する。図１１の例では、予測学習制御部６０は、フ
ィードバック制御部７０におけるフィードバック制御情
報、即ち、フィードバック制御の補正量と学習の収束状
況との関係をフィードバック情報とし、このフィードバ
ック情報に基づいて予測教師データを作成する。即ち、
図７におけるステップ４においてフィードバック制御を
開始し、このフィードバック制御の補正量が収束する前
にステップ５で制御対象が定常状態から脱したと判断し
た場合、フィードバック制御の補正量の総計をフィード
バック情報として、モデルと制御対象とのずれを予測す
る。図１１（ａ）に示すようにフィードバック制御開始
から制御対象が定常状態を脱するまでのフィードバック
制御における仮想体積効率の補正量の総計が大きい程、
内部モデルと制御対象とのずれが大きいと判断でき、逆
に図１１（ｂ）に示すようにフィードバック制御開始か
ら制御対象が定常状態を脱するまでのフィードバック制
御における仮想体積効率の補正量の総計が小さい程、内
部モデルと制御対象とのずれが小さいと判断できる。即
ち、フィードバック制御開始から制御対象が定常状態を
脱するまでのフィードバック制御における仮想体積効率
の補正量の総計は、内部モデル及び制御対象の間のずれ
の大きさと比例関係にあるといえ、予測学習制御部６０
は、この関係に基づいて予測教師データの作成を行う。
尚、この方法を用いて予測教師データを作成する場合、
フィードバック制御中に酸素センサの出力が一度でも反
転した場合には、フィードバック制御開始から酸素セン
サの出力が反転するまでの間のフィードバック制御にお
ける仮想体積効率の補正量の総計が用いられる。
【００１９】上記した図１０及び図１１に示す予測教師
データの作成方法を用いることにより、安定する前に解
除されたフィードバック制御部７０におけるフィードバ
ック制御のデータを無駄にすることなく、また、図８及
び図９に示す方法に比べて正確な予測学習を行うことが
可能になる。また、本実施例では、図８〜図１１に示す
予測教師データの作成方法を別々に説明しているが、こ
れらを組み合わせて予測教師データの作成を行ってもよ
い。例えば、フィードバック制御が、その補正量は収束
しないが、酸素センサの出力が反転するまで行えた場合
には図１０又は図１１に示す方法により予測教師データ
を作成し、フィードバック制御が酸素センサの出力が反
転する前に中止されてしまった場合は、図１１に示す方
法により予測教師データの作成を行い、一度、図１０又
は図１１に示す方法により作成した予測教師データでの
予測学習が行われた場合は、その後はモデルと制御対象
とのずれが収束するまで図８又は図９に示す方法を用い
て予測教師データの学習を行うように予測学習制御部を
構成してもよい。さらに、予測学習制御における予測教
師データの作成方法は、本実施例に限定されることな
く、制御量に関するフィードバック情報（本実施例では
制御量に関する実測情報（例えば、酸素センサの出力
値）及び／又は制御量に関する実測情報に基づくフィー
ドバック制御を実行した後、フィードバック制御の補正
量が収束する前にフィードバック制御が中止された時の
フィードバック制御情報）に基づいて内部モデルと制御
対象とのずれを予測して、それを補正するように作成す
る方法であれば任意の方法でよい。また、本実施例で
は、燃料噴射装置４から噴射された燃料の挙動を燃料付
着率と蒸発時定数とに分けて、各々ファジーニューラル
回路網、ニューラル回路網、又はＣＭＡＣ等を用いてモ
デル化した燃料系順モデルを用いて燃料量を推定してい
るが、これは本実施例に限定されることなく、例えば、
エンジン回転数及びスロットル開度（又は吸気負圧）と
燃料量との三次元マップを目標空燃比毎に設けて燃料量
を求めてもよく、また、空気系順モデルから得られる推
定空気量と目標空燃比とから適当な関数を用いて燃料量
を求めてもよい。さらに、本実施例では、制御量のフィ
ードバックデータとして２値センサである酸素センサを
用いているが、これは本実施例に限定されることなく、
例えば、空燃比センサのようなリニアセンサを用いても
よい。さらにまた、本実施例では、エンジンの空燃比制
御に本発明に係る予測学習方法を適用しているが、これ
は本実施例に限定されることなく、学習可能なフィード
フォワード制御により制御対象の制御を行っている制御
対象であれば任意の制御対象に適用することができ、例
えば、車両における緩衝装置、電気モータ又はエンジン
を補助動力とする自転車、電動車イス、補助動力タイプ
車イス、船外機、ウォータビークル、無人ヘリコプタ、
又は、パーソナルロボット等、様々なものに適用するこ
とが可能である。
【００２０】
【発明の効果】以上説明したように本発明に係る学習可
能な制御ロジックを用いたフィードフォワード制御にお
ける予測学習方法は、制御対象を学習可能な制御ロジッ
クでモデル化し、該モデルを用いて制御対象を所定の目
標値に沿って動作するようにフィードフォワード制御す
る制御方法において、制御対象が定常状態にあるか否か
を判断し、定常状態にある時の前記制御対象における制
御量に関する情報をフィードバックし、このフィードバ
ック情報に基づいてモデルと制御対象とのずれを予測
し、このずれを補正するための予測教師データを作成
し、前記予測教師データを用いてモデルの制御ロジック
の学習を行うので、従来のようにフィードバック制御に
よるモデルと制御対象とのずれの補正を行い、その補正
データが得られるまで待って教師データを作成する必要
がなく、制御対象の定常状態が非常に短時間であって
も、モデルと制御対象とのずれを少なくする方向への学
習が可能になるという効果を奏する。
【図面の簡単な説明】
【図１】 エンジン１と本発明に係る予測学習方法を用
いてエンジン１の空燃比制御を行う制御装置１０との関
係を示す概略図である。
【図２】 制御装置１０の構成を示す概略ブロック図で
ある。
【図３】 図２におけるモデルベース制御部２０の構成
を示す概略ブロック図である。
【図４】 燃料系順モデル２２の構成を示す概略ブロッ
ク図である。
【図５】 空気系順モデル２１の構成を示す概略ブロッ
ク図である。
【図６】 エンジン回転数及びスロットル開度を入力と
して構成された体積効率に関する階層型ファジィニュー
ラル回路網の一例を示す図である。
【図７】 予測学習制御部６０及びフィードバック制御
部７０の処理行程を示すフローチャートである。
【図８】 予測教師データの作成方法を示す図である。
【図９】 予測教師データの作成方法の別の例を示す図
である。
【図１０】 （ａ），（ｂ）は、予測教師データの作成
方法のさらに別の例に使用するデータを示す図である。
【図１１】 （ａ），（ｂ）は、予測教師データの作成
方法のさらに別の例に使用するデータを示す図である。
【符号の説明】
１ エンジン ２ 吸気管 ３ エアクリーナ ４ 燃料噴射装置 ５ シリンダ ６ 排気管 ７ クランクケース ８ スロットルバルブ １０ 制御装置 １２ スロットル開度検知手段 １３ クランク角検知手段 １４ 吸気管壁温検知手段 １５ 酸素センサ ２０ モデルベース制御部 ２１ 空気系順モデル ２１ａ スロットル開度用位相進み部 ２１ｂ 空気量演算部 ２１ｃ 圧力変換部 ２１ｄ 吸気負圧演算部 ２１ｅ 体積効率推定部 ２１ｆ エンジン回転数用位相進み部 ２２ 燃料系順モデル ２２ａ 非付着燃料演算部 ２２ｂ 付着燃料演算部 ２２ｃ 一次遅れ部 ２２ｄ 一次遅れ部 ２２ｅ 燃料付着率推定部 ２２ｆ 蒸発時定数推定部 ２３ 推定空燃比演算部 ２４ 基本操作量演算部 ３０ 目標空燃比算出部 ４０ エンジン回転数演算部 ５０ 変換部 ６０ 予測学習制御部 ７０ フィードバック制御部 ｘ１ エンジン回転数 ｘ２ スロットル開度 Ｔｅ 吸気管壁温 Ｅ 制御量 Ｅｐ 目標制御量 Ｅｖ 推定制御量 Ｍｆ 操作量 Ｆａ 予測教師データ Ｆｂ フィードバック補正値（教師データの基） Ａｖ 推定空気量 Ｆｖ 推定燃料量 ηｖ 推定体積効率 ηｖ’ 実測値教師データ ｒｖ 推定燃料付着率 τｖ 推定蒸発時定数

Claims (8)

    【特許請求の範囲】
  1. 【請求項１】 制御対象を学習可能な制御ロジックでモ
    デル化し、該モデルを用いて制御対象を所定の目標値に
    沿って動作するようにフィードフォワード制御する制御
    方法において、 制御対象が定常状態にあるか否かを判断し、 定常状態にある時の前記制御対象における制御量に関す
    る情報をフィードバックし、このフィードバック情報に
    基づいてモデルと制御対象とのずれを予測し、 このずれを補正するための予測教師データを作成し、 前記予測教師データを用いてモデルの制御ロジックの学
    習を行うことを特徴とする学習可能な制御ロジックを用
    いたフィードフォワード制御における予測学習方法。
  2. 【請求項２】 前記制御対象の駆動状態が所定の時間定
    常状態を維持した時に、制御対象が定常状態にあると判
    断することを特徴とする請求項１に記載の予測学習方
    法。
  3. 【請求項３】 前記フィードバック情報が、制御対象が
    定常状態にある時に測定した制御量に関する実測情報を
    含み、 該実測情報が前記目標値より大きいか小さいかを判断
    し、 この判断結果に基づいて前記予測教師データの作成を行
    うことを特徴とする請求項１又は２に記載の予測学習方
    法。
  4. 【請求項４】 少なくとも前回の予測教師データによる
    学習の傾向からずれの収束具合を推定し、 該推定した収束具合と前記判断結果とに基づいて新たな
    予測教師データの作成を行うことを特徴とする請求項１
    〜３の何れか一項に記載の予測学習方法。
  5. 【請求項５】 制御対象が定常状態にあると判断した後
    に、制御量に関する実測情報に基づいてモデルと制御対
    象とのずれの補正を行うフィードバック制御を開始し、 該フィードバック制御における補正量が収束するまで制
    御対象の定常状態が維持された場合には、前記フィード
    バック制御における補正量に基づいてモデルと制御対象
    とのずれを補正する実測教師データを作成し、 前記フィードバック制御における補正量が収束する前に
    制御対象が定常状態から脱した場合には、フィードバッ
    ク制御を中止して、前記予測教師データの作成を行うこ
    とを特徴とする請求項１〜４の何れか一項に記載の予測
    学習方法。
  6. 【請求項６】 フィードバック制御の開始後、フィード
    バック制御における補正量が収束する前にフィードバッ
    ク制御が中止された場合、 前記フィードバック制御が中止される前までのフィード
    バック制御に関するフィードバック制御情報を少なくと
    もフィードバック情報の一部として、該フィードバック
    情報に基づいてモデルと制御対象とのずれを予測し、こ
    のずれを補正するための予測教師データを作成を行うこ
    とを特徴とする請求項５に記載の予測学習方法。
  7. 【請求項７】 フィードバック制御中に、制御量に関す
    る情報が一度も反転しないで、フィードバック制御が中
    止された場合には、フィードバック制御開始からフィー
    ドバック制御中止までの時間を、前記フィードバック制
    御情報とし、 また、前記フィードバック制御中に、制御量に関する情
    報が少なくとも一回反転した後に、フィードバック制御
    が中止された場合には、フィードバック制御開始から制
    御量に関する情報が最初に反転するまでの時間を、前記
    フィードバック制御情報として、 前記予測教師データの作成を行うことを特徴とする請求
    項６に記載の予測学習方法。
  8. 【請求項８】 フィードバック制御中に、制御量に関す
    る情報が一度も反転しないで、フィードバック制御が中
    止された場合には、フィードバック制御開始からフィー
    ドバック制御中止までの補正量をフィードバック制御情
    報とし、 また、前記フィードバック制御中に、制御量に関する情
    報が少なくとも一回反転した後に、フィードバック制御
    が中止された場合には、フィードバック制御開始から制
    御量に関する情報が最初に反転するまでの補正量をフィ
    ードバック制御情報として、 前記予測教師データの作成を行うことを特徴とする請求
    項６又は７に記載の予測学習方法。
JP10029895A 1998-02-12 1998-02-12 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法 Withdrawn JPH11231907A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP10029895A JPH11231907A (ja) 1998-02-12 1998-02-12 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法
EP99102910A EP0936351B1 (de) 1998-02-12 1999-02-12 Verfahren und Einrichtung zur Optimalwertsteuerung eines Regelgegenstandes mit lernfähiger Steuerlogik
DE59909980T DE59909980D1 (de) 1998-02-12 1999-02-12 Verfahren und Einrichtung zur Optimalwertsteuerung eines Regelgegenstandes mit lernfähiger Steuerlogik
US09/249,194 US6415273B1 (en) 1998-02-12 1999-02-12 Method of feed-forward control using control logic with anticipatory learning control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP10029895A JPH11231907A (ja) 1998-02-12 1998-02-12 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法

Publications (1)

Publication Number Publication Date
JPH11231907A true JPH11231907A (ja) 1999-08-27

Family

ID=12288722

Family Applications (1)

Application Number Title Priority Date Filing Date
JP10029895A Withdrawn JPH11231907A (ja) 1998-02-12 1998-02-12 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法

Country Status (4)

Country Link
US (1) US6415273B1 (ja)
EP (1) EP0936351B1 (ja)
JP (1) JPH11231907A (ja)
DE (1) DE59909980D1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095479B2 (en) 2006-02-28 2012-01-10 Hitachi, Ltd. Plant control apparatus and method having functions of determining appropriate learning constraint conditions
JP2019159957A (ja) * 2018-03-14 2019-09-19 オムロン株式会社 学習支援装置
JP2020060827A (ja) * 2018-10-05 2020-04-16 株式会社日立製作所 制御装置および制御方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6879969B2 (en) * 2001-01-21 2005-04-12 Volvo Technological Development Corporation System and method for real-time recognition of driving patterns
DE10241888B4 (de) * 2002-09-10 2012-12-27 Volkswagen Ag Verfahren zur Verbesserung der Genauigkeit eines Saugrohrmodells einer Brennkraftmaschine
DE102004054271A1 (de) * 2004-11-09 2006-05-11 Fev Motorentechnik Gmbh Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine
DE102006015264A1 (de) * 2006-04-01 2007-10-04 Bayerische Motoren Werke Ag Verfahren zum Steuern einer Brennkraftmaschine
US7498781B2 (en) * 2006-04-07 2009-03-03 L&L Engineering Llc Methods and systems for disturbance rejection in DC-to-DC converters
CN101285431B (zh) 2007-04-09 2010-04-14 山东申普汽车控制技术有限公司 组合脉谱对发动机控制的方法
DE102007023850B3 (de) * 2007-05-23 2008-08-21 Siemens Ag Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine
US20090017173A1 (en) * 2007-07-13 2009-01-15 Kozman Austin J Automatic process control of conveyorized ovens for improved baking efficiency and product uniformity
DE102007042440B3 (de) * 2007-09-06 2009-01-29 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102008020379A1 (de) * 2008-04-23 2009-10-29 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US8803055B2 (en) * 2009-01-09 2014-08-12 Automated Precision Inc. Volumetric error compensation system with laser tracker and active target
CN102622000B (zh) * 2012-03-30 2015-04-15 齐鲁工业大学 一种基于模糊神经网路的供浆系统流量控制方法
CN105822440B (zh) * 2016-04-08 2019-01-15 浙江工业大学义乌科学技术研究院有限公司 一种割草机汽油发动机空燃比自动调节方法
CN113167151B (zh) * 2019-03-20 2022-12-06 日立安斯泰莫株式会社 内燃机控制装置
DE102024202377B3 (de) * 2024-03-13 2024-12-12 Vitesco Technologies GmbH Verfahren zur Regelung eines Verbrennungsluftverhältnisses einer Brennkraftmaschine sowie Steuergerät

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE68904437T4 (de) * 1988-01-29 1996-04-04 Hitachi Ltd Steuerung für Motor-Kraftstoffeinspritzung.
GB9222328D0 (en) * 1992-10-23 1992-12-09 Lucas Ind Plc Method of and apparatus for fuelling an internal combustion engine
DE69635429T2 (de) * 1995-01-27 2006-08-03 Matsushita Electric Industrial Co., Ltd., Kadoma Luft/Kraftstoff-Verhältnis-Steuersystem
JP3703117B2 (ja) * 1996-07-10 2005-10-05 ヤマハ発動機株式会社 モデルベース制御方法および装置
JPH10122017A (ja) * 1996-10-14 1998-05-12 Yamaha Motor Co Ltd エンジン制御方式
JPH10205377A (ja) * 1997-01-21 1998-08-04 Yamaha Motor Co Ltd エンジン制御方式
JPH10205378A (ja) * 1997-01-21 1998-08-04 Yamaha Motor Co Ltd エンジン制御方式
JPH10274082A (ja) * 1997-03-28 1998-10-13 Yamaha Motor Co Ltd エンジン制御方式

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095479B2 (en) 2006-02-28 2012-01-10 Hitachi, Ltd. Plant control apparatus and method having functions of determining appropriate learning constraint conditions
JP2019159957A (ja) * 2018-03-14 2019-09-19 オムロン株式会社 学習支援装置
WO2019176480A1 (ja) * 2018-03-14 2019-09-19 オムロン株式会社 学習支援装置
CN111684475A (zh) * 2018-03-14 2020-09-18 欧姆龙株式会社 学习支援装置
CN111684475B (zh) * 2018-03-14 2023-10-20 欧姆龙株式会社 学习支援装置、处理系统、学习支援方法以及存储介质
US12229638B2 (en) 2018-03-14 2025-02-18 Omron Corporation Learning assistance device, processing system, learning assistance method, and storage medium
JP2020060827A (ja) * 2018-10-05 2020-04-16 株式会社日立製作所 制御装置および制御方法

Also Published As

Publication number Publication date
EP0936351A2 (de) 1999-08-18
US6415273B1 (en) 2002-07-02
EP0936351A3 (de) 2001-04-04
DE59909980D1 (de) 2004-08-26
EP0936351B1 (de) 2004-07-21

Similar Documents

Publication Publication Date Title
JPH11231907A (ja) 学習可能な制御ロジックを用いたフィードフォワード制御における予測学習方法
US6405122B1 (en) Method and apparatus for estimating data for engine control
US5954783A (en) Engine control system using combination of forward model and inverse model
JP3703117B2 (ja) モデルベース制御方法および装置
EP0728926B1 (en) Apparatus for controlling air-fuel ratio of internal combustion engine
EP0967534B1 (en) Online learning method
KR0160396B1 (ko) 공연비제어장치
JPH10176578A (ja) 空燃比制御装置
JP4315179B2 (ja) 内燃機関の空燃比制御装置
EP0962871B1 (en) Data estimation method in engine control
US7305297B2 (en) Controller for controlling a plant
US6466859B1 (en) Control system
JPH10184431A (ja) エンジン制御方式
JP2021173208A (ja) 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム
JP3942970B2 (ja) プラントの制御装置
JP4374141B2 (ja) 速度調整のための加速度制御システム
CN110077388B (zh) 一种混合动力发动机转矩控制系统及方法
JPH11353006A (ja) オンライン学習方法
JP2001164971A (ja) 内燃機関の空燃比制御装置
JP3508328B2 (ja) 空燃比制御装置
EP2397677A1 (en) EGR Control apparatus for internal combustion engine
JP4104425B2 (ja) 内燃機関の吸気管圧力予測方法および装置
JPH11324782A (ja) 内燃機関の空燃比制御装置における学習方法
JPH11328144A (ja) ファジィニューラル回路網の最適化方法
JPH10220269A (ja) エンジン制御方式

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20050125

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20060822