JPH10306744A

JPH10306744A - 制御装置

Info

Publication number: JPH10306744A
Application number: JP10092942A
Authority: JP
Inventors: Mamoru Fujieda; 藤枝　　護; Minoru Osuga; 大須賀　　稔; Toshiji Nogi; 利治野木; Takashige Oyama; 宜茂大山
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1998-04-06
Filing date: 1998-04-06
Publication date: 1998-11-17

Abstract

(57)【要約】【課題】目標値によって、複数のアクチュエータの制御
パターンを一緒に変更できる制御装置を提供すること。【解決手段】上記課題は、複数の入力口と複数の出力口
とを有するニューロコンピュータと、ある出力口の出力
信号とその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または変換関数を変更する
手段と、前記ニューロコンピュータの出力に基づいて、
複数の被制御装置に信号を出力する出力手段と、を備え
た制御装置により達成される。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【０００６】ところが、その制御パターンは容易に変更
できないといった問題を有していた。

【０００７】本発明の目的は、目標値によって、複数の
アクチュエータの制御パターンを一緒に変更できる制御
装置を提供することにある。

【０００８】

【課題を解決するための手段】上記目的は、複数の入力
口と複数の出力口とを有するニューロコンピュータと、
ある出力口の出力信号とその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または変
換関数を変更する手段と、前記ニューロコンピュータの
出力に基づいて、複数の被制御装置に信号を出力する出
力手段と、を備えた制御装置により達成される。

【０００９】また、上記目的は、複数の入力口と複数の
出力口とを有するニューロコンピュータと、ある出力口
の出力信号とその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または変換関数を変
更する手段と、前記ニューロコンピュータの出力に基づ
いて、自動車に取り付けられた複数のアクチュエータに
制御信号を出力する出力手段と、前記入力口には、前記
自動車に取り付けられたセンサからの信号が入力され、
前記目標値は、前記自動車の運転者によって入力される
自動車制御装置によっても達成される。

【００１０】上記手段によれば、複数の出力口のうち、
ある出力口に着目し、その出力信号とその目標値との差
が少なくなるようにニューロコンピュータの内部を変更
することにより、他の出力口の出力信号をも変更せし
め、複数のアクチュエータの制御パターンを一緒に変更
できる。

【００１１】

【発明の実施の形態】以下本発明の一参考例を図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。

【００１２】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θ₀をメモリマップから読出す。θ₀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＝θ₀±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。

【００１３】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。

【００１４】

【数１】

【００１５】ここでＢ：シリンダボア径Ｃ：音速Ｕ_nm：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。

【００１６】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。

【００１７】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と示したものである。
図４において、７.９ＫＨｚ,１３.８ＫＨｚ,１８.５Ｋ
Ｈｚ,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。

【００１８】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。

【００１９】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。

【００２０】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。

【００２１】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

【００２２】

【数２】

【００２３】ここにθ：しきい値である。

【００２４】また、出力Ｏ_iは次のニューロ素子へ出力
される。

【００２５】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

【００２６】

【数３】

【００２７】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。

【００２８】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。

【００２９】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。

【００３０】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

【００３１】

【数４】

【００３２】サンプル期間は

【００３３】

【数５】

【００３４】又は

【００３５】

【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。

【００３６】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。

【００３７】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。

【００３８】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。

【００３９】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。

【００４０】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。

【００４１】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。

【００４２】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。

【００４３】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。

【００４４】図２３の参考例は、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。

【００４５】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、

【００４６】

【数７】

【００４７】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、

【００４８】

【数８】

【００４９】となる。

【００５０】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、

【００５１】

【外１】

【００５２】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。

【００５３】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。

【００５４】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。

【００５５】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

【００５６】

【外２】

【００５７】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。

【００５８】ニューラルコントローラー５０の学習のフ
ローチャートを図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。

【００５９】

【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。

【００６０】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-j)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。

【００６１】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。

【００６２】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】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。

【００６４】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。

【００６５】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。

【００６６】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。

【００６７】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。

【００６８】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。

【００６９】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。

【００７０】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
（じゃり，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。

【００７１】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。

【００７２】次に本発明の他の参考例を図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。

【００７３】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。

【００７４】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。

【００７５】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が取り付けてある。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。

【００７６】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。

【００７７】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、クランク軸の
ねじれ角を設けることができる。

【００７８】

【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。

【００７９】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。

【００８０】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。

【００８１】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でディジタル信号に変換す
る。その後、RAM112にディ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。
また信号がディジタル値であるので、信号処理が容易で
ある。

【００８２】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。

【００８３】図４６にニューロコンピュータの基本動作
を示す。

【００８４】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】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。

【００８６】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

【００８７】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。

【００８８】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

【００８９】となる。

【００９０】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

【００９１】

【数１１】

【００９２】

【数１２】

【００９３】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。

【００９４】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】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、フォトトラ
ンジスタ，フォ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。

【００９６】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。

【００９７】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。

【００９８】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。

【００９９】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，フイ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。

【０１００】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。

【０１０１】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。

【０１０２】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。

【０１０３】図５２は、触媒２３０の劣化度を測定する
場合の参考例である。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。

【０１０４】図５３は触媒劣化度を検出する他の参考例
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。

【０１０５】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，サスペンション
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はサスペンション制御系の目標値、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。

【０１０６】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，サスペンションの減衰率，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。

【０１０７】

【発明の効果】本発明によれば、複数のアクチュエータ
の制御パターンを一緒に変更できる。

【図面の簡単な説明】

【図１】本発明の参考例の概略図。

【図２】制御フローチャート図。

【図３】ノックセンサの出力特性図。

【図４】ノックセンサの出力特性図。

【図５】ノックセンサの出力特性図。

【図６】ニューロ素子の結合を示す図。

【図７】ニューロ素子の興奮状態を示す図。

【図８】ニューロ素子の興奮状態を示す図。

【図９】ニューロ素子の結合を示す図。

【図１０】制御フローチャート図。

【図１１】ニューロ素子の結合を示す図。

【図１２】ニューロ素子の構成単位を示す図。

【図１３】ニューロ素子の構成単位を示す図。

【図１４】ニューロ素子の構成単位を示す図。

【図１５】ニューロ素子の構成単位を示す図。

【図１６】ニューロ素子の構成単位を示す図。

【図１７】ニューロ素子の構成単位を示す図。

【図１８】ニューロ素子の構成単位を示す図。

【図１９】ニューロ素子の構成単位を示す図。

【図２０】ニューロ素子の構成単位を示す図。

【図２１】ニューロ素子の結合を示す図。

【図２２】ニューロ素子の興奮状態を示す図。

【図２３】本発明の参考例の概略図。

【図２４】ニューロ素子の結合を示す図。

【図２５】ニューロ素子の興奮状態を示す図。

【図２６】ニューロ素子の興奮状態を示す図。

【図２７】制御フローチャート図。

【図２８】制御フローチャート図。

【図２９】制御フローチャート図。

【図３０】制御フローチャート図。

【図３１】絞り弁の開きに対する空燃比変動を示す図。

【図３２】本発明の実施例の概略図。

【図３３】ニューロ素子の結合を示す図。

【図３４】本発明の実施例の概略図。

【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。

【図３６】本発明の実施例の概略図。

【図３７】本発明の参考例の概略図。

【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。

【図３９】トルク検出装置を示す図。

【図４０】トルク特性を示す図。

【図４１】トルク特性を示す図。

【図４２】ニューロ素子の結合を示す図。

【図４３】本発明の実施例の概略図。

【図４４】本発明の実施例の概略図。

【図４５】本発明の実施例の概略図。

【図４６】ニューロ素子の結合を示す図。

【図４７】路面状態を検出する構成図。

【図４８】その検出原理を示す図。

【図４９】信号特性図。

【図５０】他の検出方法を示す図。

【図５１】本発明の実施例の概略図。

【図５２】本発明の参考例の概略図。

【図５３】本発明の参考例の概略図。

【図５４】本発明の実施例の概略図。

【図５５】本発明の実施例の概略図。

【符号の説明】

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。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号ＦＩＧ０６Ｆ 15/18 ５２０Ｇ０６Ｆ 15/18 ５２０Ｐ５５０５５０Ｅ (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

Claims

【特許請求の範囲】

【請求項１】複数の入力口と複数の出力口とを有するニ
ューロコンピュータと、ある出力口の出力信号とその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または変
換関数を変更する手段と、前記ニューロコンピュータの出力に基づいて、複数の被
制御装置に信号を出力する出力手段と、を備えた制御装
置。
【請求項２】請求項１において、前記ニューロコンピュータは、複数のニューロ素子を階
層形に組み合わせて構成され、前記ある出力口を有するニューロ素子は、他の出力口を
有する複数のニューロ素子から信号を入力することを特
徴とする制御装置。
【請求項３】請求項１または２において、前記入力口には、物理量を検出するセンサからの信号が
入力され、前記被制御装置は、前記物理量とは異なる種類の物理量
を変化させることを特徴とする制御装置。
【請求項４】複数の入力口と複数の出力口とを有するニ
ューロコンピュータと、ある出力口の出力信号とその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または変
換関数を変更する手段と、前記ニューロコンピュータの出力に基づいて、自動車に
取り付けられた複数のアクチュエータに制御信号を出力
する出力手段と、前記入力口には、前記自動車に取り付けられたセンサか
らの信号が入力され、前記目標値は、前記自動車の運転者によって入力される
自動車制御装置。
【請求項５】請求項において、前記複数の出力口からは、前記自動車の内燃機関の点火
時期，絞り弁、前記自動車の変速機，サスペンションの
うちの少なくとも１つに対する制御信号が出力されるこ
とを特徴とする自動車制御装置。