ニューラルネットを使用した車両エンジンの制御方法
本発明は自動車の制御方法に関する。前記方法によれば、人工ニューロン（６）のネットワークを使用して自動車の空気の充填の容積効率（η）を決定する。
【発明の詳細な説明】
【発明の開示】
【０００１】
本発明は、車両エンジンの制御、特にガソリンエンジンの制御に関する。
【０００２】
内燃機関の複雑さが増したことにより、特定の物理量が測定不能であるという理由、又は適切なセンサが高価であるという理由から、特定の物理量のモデルを使用する必要がある。これらのモデルは通常動的であるので、出力は現在及び過去の入力変数の関数として予測される。これらのモデルは、エンジンを制御するためのコンピュータに統合されている。前記コンピュータが、メモリ及び演算パワーの点で制限されていることを考えると、コンピュータに在駐するモデルの複雑性を制限することが望まれる。加えて、モニタリング及び汚染除去の基準の要件を満足させるためのシステムの複雑性、並びにこのシステムを使用する際の精度を達成するには、予測及びモデル化の精度を向上させることが必要となる。
【０００３】
特に、ガソリンエンジンは通常、マニホールド内の圧力、エンジンの回転数及びマニホールド内の気温に関する情報の測定に基づいて燃料要件を計算する注入システムを使用する。この場合、それに対応する充填効率を求めることにより、実際にエンジン内に入る空気量を特徴付ける。この空気量はその後、目標濃度に応じて注入するべき燃料の量に変換される。この計算は、以下の式により行うことができる。
関連するガソリン質量は： Ｍｐｅｔ＝Ｍａｉｒ＊Ｒｉ／１４．７
つまり、効果的な注入時間は：
このとき、
Ｖｃｙｌ＝エンジンの単位容積（ｍ３）
Ｒｉ＝設定点濃度（ｓ．ｕ）
１４．７＝市販のガソリンの理論混合比（空気ｋｇ／ガソリンｋｇ）
Ｑｓｔａｔ＝固定のランプ圧におけるインジェクタの静止流量（ｋｇ／秒）
Ｐｍａｎ＝マニホールド圧
Ｐ０＝流量０のときのマニホールド圧
Ｍａｉｒ＝エンジンに流入する空気の質量（ｋｇ）
Ｍｐｅｔ＝注入するガソリンの質量（ｋｇ）
ηｆｉｌｌ＝充填の容積効率（ｓ．ｕ）
【０００４】
充填の容積効率（ｓ．ｕ）ηｆｉｌｌは、エンジンの構成（吸気及び排気マニホールドに関連する容積、長さ及び形状、使用する材料及びそれらマニホールドを構成するダクトの表面状態）に特有である。充填効率はまた、吸気及び排気バルブのリフトの原理及びエンジンサイクルの段階によって特徴付けられる。この効率は、マニホールド内の圧力、エンジンの回転、そして最後に、吸気と排気のカムシャフトのタイミング（ＡＡＣ又はＶＶＴと呼ばれる）によって決まり、特にエンジンがこれらシャフトの可変タイミングシステムを具備している場合はそうである。
このような、（放物線状又はその他の種類の）パラメータの原理による効率の決定は、複雑な多数のマッピング修正を含み、処理すべき物理的現象に関する情報を何も提供しない。
【０００５】
更に一般的には、吸気カムシャフトシフタを具備しないエンジンの場合、単純なマッピング修正によりエンジンの充填を予測することが既知である。この修正では、マニホールド内の圧力とエンジンの回転に応じて一回のマッピングを行う。
また、オン／オフ吸気カムシャフトを備えたエンジンにおいて二重マッピング修正を行うことが既知である。この場合、エンジンは位置によるマッピングを含み、カムシャフトシフタがオンであるかオフであるかはマニホールド内の圧力とエンジンの回転に応じて決まる。
【０００６】
G. DE NICOLAOによる文献「Modelling the volumetric efficiency of IC engines: parametric, non-parametric and neural techniques」は、空気の充填の容積効率が決定されるエンジンの制御方法を提案している。
最後に、連続的吸気カムシャフトシフタを備えたエンジンの、非常に複雑なマッピング修正が知られている。この場合、マッピングは、シフタの基準位置の圧力と回転数の関数として実行され、放物線状の修正が行われて関連する係数が圧力と回転とに応じてマッピングされる。
【０００７】
従って、本発明の目的は、車両エンジンの制御を向上させること、特に対応する充填効率の予測、例えばデュアル吸気及び排気カムシャフトシフタを備えたエンジンの場合の、充填効率の予測を向上させることである。
【０００８】
この目的を達成するために、本発明では、空気充填の容積効率が決定される車両エンジンの制御方法を考慮する。本方法の特徴は、効率の基礎となる値、及び修正値が、人工的ニューラルネットを用いて決定され、この基礎値と修正値とが一緒に加えられることである。
【０００９】
本発明による方法は、更に、以下の特徴の内少なくともいずれか一つを有することができる：
−効率がエンジンの回転数の関数として決定されること。
−効率がエンジンのマニホールド内圧力の関数として決定されること。
−効率が、吸気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異の関数として決定されること。
−効率が、排気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異の関数として決定されること。
−効率が、吸気バルブのリフト原理とバルブ位置との差異の関数として決定されること。
−効率が、排気バルブのリフト原理とバルブ位置との差異の関数として決定されること。
−効率が、エンジンの設定点のトルクと最大トルクとの比の関数として決定されること。
−基礎値が、吸気マニホールド内圧力及び／又はエンジン回転数の関数として決定されること。
−ネットが一の隠れ層を有すること。
−ネットの起動関数がtansig関数であること。
−ネットの起動関数が、等距離に位置しない点の間で離散化されること。
【００１０】
本発明はまた、エンジンの空気充填容積効率を決定することができ、且つニューラルネットを具備する制御部材を備える車両エンジンを考慮する。
有利には、エンジンは吸気カムシャフト及び／又は排気カムシャフトの可変タイミング装置か、或いは吸気バルブ及び／又は排気バルブの可変リフト装置を備える。
【００１１】
本発明の他の特徴及び利点は、非限定的な例として提示される後述の好適な実施形態と変形例の説明、及び参照のための添付図面により更に明らかとなる。
【００１２】
本発明は、自動車のガソリン内燃機関に関する。このエンジンは、エンジンを確実に制御し、この場合人工ニューラルネットを備えるコンピュータを具備する。この種のネットは周知であるので本明細書では詳述しない。
本ネットの目的は、エンジンの空気充填容積効率を決定することであり、具体的にはこのパラメータのモデル化である。第一に、エンジンの名目基準タイミングを用いて調整した基準マッピングを用いて、基準充填値又は基礎充填値を決定する。次いで、ニューラルネットによってモデル化した充填修正値を使用し、この場合基礎値への加算により充填を修正する。こうして、エンジンの名目操作点と差異を有するエンジンの実際の充填特性が得られる。
【００１３】
この決定の原理を図１に示す。ボックス２は、横軸Ｘ上に示すエンジンの回転数の測定値と、縦軸Ｙ上に示すエンジンの吸気マニホールド内圧力の測定値との関数として、エンジンの充填効率Ｚの基準値を示したマッピングの実施例を表す。この実施例のエンジンは可変タイミング吸気及び排気カムシャフトを備えており、マッピングによって、チューナにより選択されたタイミングポイントの充填値が与えられる。
図１の上部に示すように、この基準充填値はその後、ブロック６においてニューラルネットにより平行して決定される修正項を加えることにより、ブロック４において修正される。
【００１４】
本ニューラルネットは、以下のパラメータの関数としてこの修正値を計算する：
−エンジン回転数の測定値
−エンジンの吸気マニホールド内圧力の測定値
−チューナによって選択された吸気カムシャフトのタイミング設定点の値と、このカムシャフトの実際の位置の測定値との差異
−チューナによって選択された排気カムシャフトのタイミング設定点の値と、このカムシャフトの実際の位置の測定値との差異
基礎値と修正項との合計により、モデル化される充填効率の最終的な値が求められる。
【００１５】
図２には、吸気及び排気カムシャフトの位置の変化を取得する方法を示す。
第一のグラフは、吸気シャフトの差異が、タイミングの設定点の位置と、このシャフトの実際の位置、例えば測定値との間で計算されることを示す。ブロック８でのこれら二つの値の減算により、このシャフト上におけるタイミングの差異を決定することができる。シャフトのシフトの値は、クランクシャフトの角度数で示されている。
【００１６】
タイミングの設定点については、
−測定されたエンジンの回転数、並びに
−設定点のトルク（アクセルの位置、エンジンの回転数及びその他のパラメータにより運転者の希望を反映）と、エンジンに可能な最大トルク（基本的にエンジンの回転数及び気温に応じて決まる）との比
に基づくマッピングにより、ブロック１０で事前に決定される。
排気シャフトに関するシフトの値は、全く同じように決定される。
【００１７】
この場合に使用されるニューラルネットのコンテンツ及び操作を図３に示す。エンジンの回転数、マニホールド内の圧力及び吸気シャフトと排気シャフトのタイミングの、基準タイミングとの差異が、入力パラメータとしてこのネットに入力される。
まず、ブロック１２において、これらの様々な入力が値−１と＋１の間で正規化される。この正規化の段階が完了した後、これらの入力はニューラルネット６の隠れ層１４の各ニューロンにおいて使用される。正確には、ニューロン入力の各々（ｅ１＝エンジン回転数、ｅ２＝マニホールド圧、ｅ３＝ΔＣｉｎｔ、ｅ４＝ΔＣｅｘｈ）に重み付けを行う（回転数にはｗ１、マニホールド圧にはｗ２、等）。更に、層１４層の各ニューロン１８には、ｂで示すバイアスを掛ける。また、起動関数Ｆａをニューロンの組全体に割り当てる。各ニューロン１８は、一の出力データを提供し、このデータはＳで示される。このデータＳは、入力データ（ｅｉ値）にそれぞれの重み（ｗｉ値）を付けたものの線形結合であり、この結合が起動関数（Ｆａ）に渡される。この操作は以下の数式を満たす：
Ｓ＝Ｆａ（Σｉｗｉ＊ｅｉ＋ｂ）
【００１８】
ニューラルネットは、ユーザが選択する起動関数に応じて各ニューロンの重み付け項（ｗｉ）及びバイアス（ｂ）を最適化するためのアルゴリズムを実行する。
各ニューロンの出力は、その後出力層２０において使用され、そこで隠れ層１４と同じ演算に従って（しかし異なる重み付け及び異なるバイアスを使用して）各ニューロンの出力の結合が行われる。
【００１９】
最後に、ニューラルネットの出力値はブロック２２において非正規化され、最終的な変数、この場合充填効率を最もよく表す。
ブロック１２で入力を−１と＋１との間で正規化することにより、膨大な変数全体に亘る重み付け及びバイアスの最適化が可能になる。
【００２０】
この実施例の隠れ層１４は特徴的である。実際にこの層は、このようなアーキテクチャによりいずれの区分的連続関数も近似化できることが判明している。
隠れ層のニューロンの数を選択は、二つの基本的な制約の関数として行われなければならない。即ち、ニューラルネットによってモデル化された充填の精度と、エンジンの制御コンピュータによる実時間処理が許容可能な操作及び較正の回数である。
【００２１】
各ニューロンの起動関数を慎重に選択することにより、ネットのパフォーマンスを補償することが重要である。この実施例に適合させた起動関数はtansig関数である。この数学的関数は、以下の式によって決定される：
logsig関数及びtansig関数の曲線の形状を図４に示す。
【００２２】
コンピュータに使用可能であるだけでなく、ニューラルネットの最適化手順の間にも使用可能とするために、この関数を表に離散化することが必要である。この後、ネットのポイント及びバイアスを最適化するための演算、又は充填効率の演算の段階で、この表は線形補間法によって不連続に使用される。
関数の最適化の基準を選択することにより、連続関数を区分的線形関数に置換することにより生じるエラーを最小化することができる。注意すべきは、多数の等距離点に関数を離散化することからなる解決法は、較正の回数という点で高価であるために最良でないことである。等距離に位置しない点を使用する離散化を使用することにより、マッピングの大きさを縮小しながら出力データの精度を良好に保つことが有利であることが分かる。
【００２３】
線形関数と離散化された関数の間に適用される最適化の基準は、線形関数と離散化された関数との間の第二微分計数の偏差を最小化することにより支持点（又は区切り点）の位置を最適化することである。実際には、点の間における関数の傾斜部の変化が大きいほど、これら点の間における線形補間法の精度が低いことが明らかである。
連続関数と補間された関数の間の、第二微分計数の偏差を最小化することにより、点（本実施例では点の数は２２に固定した）の位置を最適化した結果を、図５に示す。
【００２４】
図５の最初のグラフに示すのは、ニューラルネット全体に亘って使用され、この実施例ではネットの各ニューロンで使用される起動関数の「Ｓ」字曲線である。線形離散化の目的は、エンジン制御ソフトウェアに容易に使用できる一次元の表に従って連続的tansig関数を表すことである。この離散化を同じ図に示した。ここでは、ニューラルネットの重み付け（ｗｉ）及びバイアス（ｂ）を最適化するアルゴリズムを使用するときの計算エラーを最小化するように最適化を行った。均等に分散した区切り点による補間、及び最適化された区切り点による補間をこの曲線上に示す。
【００２５】
二番目の図は、様々な関数、即ち：
−連続する正確なtansig関数
−等距離に位置する区切り点により線形に離散化されたtansig関数、及び
−連続する正確な関数の第二の微分計数と、離散化された関数の第二の微分計数との絶対値の偏差を最小化するように、位置を最適化した区切り点により線形に離散化されたtansig関数の、ｄ２と呼ばれる第二の微分計数を表す。
連続的な、又は補間された第二の微分計数の正規化により、最適化された区切り点に対応する表を実際に実行する際にエラーが誘発されることに注意する必要がある。
【００２６】
ニューラルネット及びその較正を選択するプロセスを、図６に示す。具体的には、ニューロンの数の選択が、マイクロプロセッサの演算負荷、及び得られるモデル化の精度にとって重要である。
つまり、ブロック３０において、エンジンのデータベースが生成される。これは、ニューラルネット入力パラメータを完全なエンジンフィールド内にスキャンすることにより行われる。
【００２７】
このブロックはブロック３２に続き、ブロック３２では、ベースの一部の抽出を行って有効化ベースを生成する。
次のブロック３３では、データに基づく前処理（照合、クリーンアップ等）、並びに収束基準に従うニューラルネットのトレーニングの実現（二次方程式のエラー＋標準偏差＋他）が行われる。
【００２８】
次のブロック３４では、データベースと有効化ベース上で同じ時に、較正されたネットのパフォーマンスの試験が実行される。
このブロックが完了したら、必要に応じてブロック３２と３３の間の反復ループ３６に戻り、データベース、トレーニングの種類、ニューロンの数等を修正する。
【００２９】
試験３４が完了したら、次のブロック３７で、ネットの選択（特にニューロンの数及び起動関数の改善）を行う。
このブロックはブロック３８に続き、ブロック３８ではコンピュータへのニューラルネットのインストール、及び操作の間にパフォーマンスの特徴付けが行われる。
【００３０】
このブロックからの出力により、演算負荷、或いはデータベースの負荷物に応じたニューロンの数の変更に関する第二の反復ループ４０が開始する。反復の必要が無ければブロック３８はブロック４２に続く。
本発明の方法により、エンジンのフレームワーク内において、充填パラメータの修正を行う間の吸気及び排気カムシャフト各々の連続的なシフタを考慮することが可能となる。このようなデュアルカムシャフトシフタを備えたエンジンに対応する充填効率の予測は、マニホールド圧センサの補助により許容される空気の質量、吸気温度及びエンジン回転数を予測することにより行われる。これは、排気濃度プローブに関する情報を用いることにより、閉ループ注入時間修正外で、注入の最適な制御を補償することを可能にする。
【００３１】
本方法の一変形例を図７に示す。図７は、図３のモードによく似ている。しかしながら、ここでは、エンジンは吸気及び排気バルブのリフト量を変化させることができるシステムを備えている。バルブのリフト量設定点の原理と、実際のバルブの位置とのシフトを考慮して、ニューラルネットについて前述した四点に対し、二つの追加入力を行う。具体的には、エンジンの修正に関するモデル化を向上させることができるように、ニューラルネットのアーキテクチャを前もって構成する。
【００３２】
当然ながら、本発明の範囲を逸脱することなく、本発明に多数の修正を加えることが可能である。
tansig関数以外の起動関数を選択することができる。
【図面の簡単な説明】
【００３３】
【図１】本実施例の方法の一般的実行方法を示すフローチャートである。
【図２】吸気及び排気カムシャフトの可変タイミングに関する修正値の取得を示す二つのフローチャートである。
【図３】図１の方法におけるニューラルネットの使用を示すフローチャートである。
【図４】図３のネットに使用される起動関数のグラフである。
【図５】図４の関数に関する他のグラフを示す。
【図６】ニューラルネット及びその較正を選択するプロセスを示すフローチャートである。
【図７】本発明の一変形例の、図３と同様の図である。
【発明の開示】
【０００１】
本発明は、車両エンジンの制御、特にガソリンエンジンの制御に関する。
【０００２】
内燃機関の複雑さが増したことにより、特定の物理量が測定不能であるという理由、又は適切なセンサが高価であるという理由から、特定の物理量のモデルを使用する必要がある。これらのモデルは通常動的であるので、出力は現在及び過去の入力変数の関数として予測される。これらのモデルは、エンジンを制御するためのコンピュータに統合されている。前記コンピュータが、メモリ及び演算パワーの点で制限されていることを考えると、コンピュータに在駐するモデルの複雑性を制限することが望まれる。加えて、モニタリング及び汚染除去の基準の要件を満足させるためのシステムの複雑性、並びにこのシステムを使用する際の精度を達成するには、予測及びモデル化の精度を向上させることが必要となる。
【０００３】
特に、ガソリンエンジンは通常、マニホールド内の圧力、エンジンの回転数及びマニホールド内の気温に関する情報の測定に基づいて燃料要件を計算する注入システムを使用する。この場合、それに対応する充填効率を求めることにより、実際にエンジン内に入る空気量を特徴付ける。この空気量はその後、目標濃度に応じて注入するべき燃料の量に変換される。この計算は、以下の式により行うことができる。
関連するガソリン質量は： Ｍｐｅｔ＝Ｍａｉｒ＊Ｒｉ／１４．７
つまり、効果的な注入時間は：
このとき、
Ｖｃｙｌ＝エンジンの単位容積（ｍ３）
Ｒｉ＝設定点濃度（ｓ．ｕ）
１４．７＝市販のガソリンの理論混合比（空気ｋｇ／ガソリンｋｇ）
Ｑｓｔａｔ＝固定のランプ圧におけるインジェクタの静止流量（ｋｇ／秒）
Ｐｍａｎ＝マニホールド圧
Ｐ０＝流量０のときのマニホールド圧
Ｍａｉｒ＝エンジンに流入する空気の質量（ｋｇ）
Ｍｐｅｔ＝注入するガソリンの質量（ｋｇ）
ηｆｉｌｌ＝充填の容積効率（ｓ．ｕ）
【０００４】
充填の容積効率（ｓ．ｕ）ηｆｉｌｌは、エンジンの構成（吸気及び排気マニホールドに関連する容積、長さ及び形状、使用する材料及びそれらマニホールドを構成するダクトの表面状態）に特有である。充填効率はまた、吸気及び排気バルブのリフトの原理及びエンジンサイクルの段階によって特徴付けられる。この効率は、マニホールド内の圧力、エンジンの回転、そして最後に、吸気と排気のカムシャフトのタイミング（ＡＡＣ又はＶＶＴと呼ばれる）によって決まり、特にエンジンがこれらシャフトの可変タイミングシステムを具備している場合はそうである。
このような、（放物線状又はその他の種類の）パラメータの原理による効率の決定は、複雑な多数のマッピング修正を含み、処理すべき物理的現象に関する情報を何も提供しない。
【０００５】
更に一般的には、吸気カムシャフトシフタを具備しないエンジンの場合、単純なマッピング修正によりエンジンの充填を予測することが既知である。この修正では、マニホールド内の圧力とエンジンの回転に応じて一回のマッピングを行う。
また、オン／オフ吸気カムシャフトを備えたエンジンにおいて二重マッピング修正を行うことが既知である。この場合、エンジンは位置によるマッピングを含み、カムシャフトシフタがオンであるかオフであるかはマニホールド内の圧力とエンジンの回転に応じて決まる。
【０００６】
G. DE NICOLAOによる文献「Modelling the volumetric efficiency of IC engines: parametric, non-parametric and neural techniques」は、空気の充填の容積効率が決定されるエンジンの制御方法を提案している。
最後に、連続的吸気カムシャフトシフタを備えたエンジンの、非常に複雑なマッピング修正が知られている。この場合、マッピングは、シフタの基準位置の圧力と回転数の関数として実行され、放物線状の修正が行われて関連する係数が圧力と回転とに応じてマッピングされる。
【０００７】
従って、本発明の目的は、車両エンジンの制御を向上させること、特に対応する充填効率の予測、例えばデュアル吸気及び排気カムシャフトシフタを備えたエンジンの場合の、充填効率の予測を向上させることである。
【０００８】
この目的を達成するために、本発明では、空気充填の容積効率が決定される車両エンジンの制御方法を考慮する。本方法の特徴は、効率の基礎となる値、及び修正値が、人工的ニューラルネットを用いて決定され、この基礎値と修正値とが一緒に加えられることである。
【０００９】
本発明による方法は、更に、以下の特徴の内少なくともいずれか一つを有することができる：
−効率がエンジンの回転数の関数として決定されること。
−効率がエンジンのマニホールド内圧力の関数として決定されること。
−効率が、吸気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異の関数として決定されること。
−効率が、排気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異の関数として決定されること。
−効率が、吸気バルブのリフト原理とバルブ位置との差異の関数として決定されること。
−効率が、排気バルブのリフト原理とバルブ位置との差異の関数として決定されること。
−効率が、エンジンの設定点のトルクと最大トルクとの比の関数として決定されること。
−基礎値が、吸気マニホールド内圧力及び／又はエンジン回転数の関数として決定されること。
−ネットが一の隠れ層を有すること。
−ネットの起動関数がtansig関数であること。
−ネットの起動関数が、等距離に位置しない点の間で離散化されること。
【００１０】
本発明はまた、エンジンの空気充填容積効率を決定することができ、且つニューラルネットを具備する制御部材を備える車両エンジンを考慮する。
有利には、エンジンは吸気カムシャフト及び／又は排気カムシャフトの可変タイミング装置か、或いは吸気バルブ及び／又は排気バルブの可変リフト装置を備える。
【００１１】
本発明の他の特徴及び利点は、非限定的な例として提示される後述の好適な実施形態と変形例の説明、及び参照のための添付図面により更に明らかとなる。
【００１２】
本発明は、自動車のガソリン内燃機関に関する。このエンジンは、エンジンを確実に制御し、この場合人工ニューラルネットを備えるコンピュータを具備する。この種のネットは周知であるので本明細書では詳述しない。
本ネットの目的は、エンジンの空気充填容積効率を決定することであり、具体的にはこのパラメータのモデル化である。第一に、エンジンの名目基準タイミングを用いて調整した基準マッピングを用いて、基準充填値又は基礎充填値を決定する。次いで、ニューラルネットによってモデル化した充填修正値を使用し、この場合基礎値への加算により充填を修正する。こうして、エンジンの名目操作点と差異を有するエンジンの実際の充填特性が得られる。
【００１３】
この決定の原理を図１に示す。ボックス２は、横軸Ｘ上に示すエンジンの回転数の測定値と、縦軸Ｙ上に示すエンジンの吸気マニホールド内圧力の測定値との関数として、エンジンの充填効率Ｚの基準値を示したマッピングの実施例を表す。この実施例のエンジンは可変タイミング吸気及び排気カムシャフトを備えており、マッピングによって、チューナにより選択されたタイミングポイントの充填値が与えられる。
図１の上部に示すように、この基準充填値はその後、ブロック６においてニューラルネットにより平行して決定される修正項を加えることにより、ブロック４において修正される。
【００１４】
本ニューラルネットは、以下のパラメータの関数としてこの修正値を計算する：
−エンジン回転数の測定値
−エンジンの吸気マニホールド内圧力の測定値
−チューナによって選択された吸気カムシャフトのタイミング設定点の値と、このカムシャフトの実際の位置の測定値との差異
−チューナによって選択された排気カムシャフトのタイミング設定点の値と、このカムシャフトの実際の位置の測定値との差異
基礎値と修正項との合計により、モデル化される充填効率の最終的な値が求められる。
【００１５】
図２には、吸気及び排気カムシャフトの位置の変化を取得する方法を示す。
第一のグラフは、吸気シャフトの差異が、タイミングの設定点の位置と、このシャフトの実際の位置、例えば測定値との間で計算されることを示す。ブロック８でのこれら二つの値の減算により、このシャフト上におけるタイミングの差異を決定することができる。シャフトのシフトの値は、クランクシャフトの角度数で示されている。
【００１６】
タイミングの設定点については、
−測定されたエンジンの回転数、並びに
−設定点のトルク（アクセルの位置、エンジンの回転数及びその他のパラメータにより運転者の希望を反映）と、エンジンに可能な最大トルク（基本的にエンジンの回転数及び気温に応じて決まる）との比
に基づくマッピングにより、ブロック１０で事前に決定される。
排気シャフトに関するシフトの値は、全く同じように決定される。
【００１７】
この場合に使用されるニューラルネットのコンテンツ及び操作を図３に示す。エンジンの回転数、マニホールド内の圧力及び吸気シャフトと排気シャフトのタイミングの、基準タイミングとの差異が、入力パラメータとしてこのネットに入力される。
まず、ブロック１２において、これらの様々な入力が値−１と＋１の間で正規化される。この正規化の段階が完了した後、これらの入力はニューラルネット６の隠れ層１４の各ニューロンにおいて使用される。正確には、ニューロン入力の各々（ｅ１＝エンジン回転数、ｅ２＝マニホールド圧、ｅ３＝ΔＣｉｎｔ、ｅ４＝ΔＣｅｘｈ）に重み付けを行う（回転数にはｗ１、マニホールド圧にはｗ２、等）。更に、層１４層の各ニューロン１８には、ｂで示すバイアスを掛ける。また、起動関数Ｆａをニューロンの組全体に割り当てる。各ニューロン１８は、一の出力データを提供し、このデータはＳで示される。このデータＳは、入力データ（ｅｉ値）にそれぞれの重み（ｗｉ値）を付けたものの線形結合であり、この結合が起動関数（Ｆａ）に渡される。この操作は以下の数式を満たす：
Ｓ＝Ｆａ（Σｉｗｉ＊ｅｉ＋ｂ）
【００１８】
ニューラルネットは、ユーザが選択する起動関数に応じて各ニューロンの重み付け項（ｗｉ）及びバイアス（ｂ）を最適化するためのアルゴリズムを実行する。
各ニューロンの出力は、その後出力層２０において使用され、そこで隠れ層１４と同じ演算に従って（しかし異なる重み付け及び異なるバイアスを使用して）各ニューロンの出力の結合が行われる。
【００１９】
最後に、ニューラルネットの出力値はブロック２２において非正規化され、最終的な変数、この場合充填効率を最もよく表す。
ブロック１２で入力を−１と＋１との間で正規化することにより、膨大な変数全体に亘る重み付け及びバイアスの最適化が可能になる。
【００２０】
この実施例の隠れ層１４は特徴的である。実際にこの層は、このようなアーキテクチャによりいずれの区分的連続関数も近似化できることが判明している。
隠れ層のニューロンの数を選択は、二つの基本的な制約の関数として行われなければならない。即ち、ニューラルネットによってモデル化された充填の精度と、エンジンの制御コンピュータによる実時間処理が許容可能な操作及び較正の回数である。
【００２１】
各ニューロンの起動関数を慎重に選択することにより、ネットのパフォーマンスを補償することが重要である。この実施例に適合させた起動関数はtansig関数である。この数学的関数は、以下の式によって決定される：
logsig関数及びtansig関数の曲線の形状を図４に示す。
【００２２】
コンピュータに使用可能であるだけでなく、ニューラルネットの最適化手順の間にも使用可能とするために、この関数を表に離散化することが必要である。この後、ネットのポイント及びバイアスを最適化するための演算、又は充填効率の演算の段階で、この表は線形補間法によって不連続に使用される。
関数の最適化の基準を選択することにより、連続関数を区分的線形関数に置換することにより生じるエラーを最小化することができる。注意すべきは、多数の等距離点に関数を離散化することからなる解決法は、較正の回数という点で高価であるために最良でないことである。等距離に位置しない点を使用する離散化を使用することにより、マッピングの大きさを縮小しながら出力データの精度を良好に保つことが有利であることが分かる。
【００２３】
線形関数と離散化された関数の間に適用される最適化の基準は、線形関数と離散化された関数との間の第二微分計数の偏差を最小化することにより支持点（又は区切り点）の位置を最適化することである。実際には、点の間における関数の傾斜部の変化が大きいほど、これら点の間における線形補間法の精度が低いことが明らかである。
連続関数と補間された関数の間の、第二微分計数の偏差を最小化することにより、点（本実施例では点の数は２２に固定した）の位置を最適化した結果を、図５に示す。
【００２４】
図５の最初のグラフに示すのは、ニューラルネット全体に亘って使用され、この実施例ではネットの各ニューロンで使用される起動関数の「Ｓ」字曲線である。線形離散化の目的は、エンジン制御ソフトウェアに容易に使用できる一次元の表に従って連続的tansig関数を表すことである。この離散化を同じ図に示した。ここでは、ニューラルネットの重み付け（ｗｉ）及びバイアス（ｂ）を最適化するアルゴリズムを使用するときの計算エラーを最小化するように最適化を行った。均等に分散した区切り点による補間、及び最適化された区切り点による補間をこの曲線上に示す。
【００２５】
二番目の図は、様々な関数、即ち：
−連続する正確なtansig関数
−等距離に位置する区切り点により線形に離散化されたtansig関数、及び
−連続する正確な関数の第二の微分計数と、離散化された関数の第二の微分計数との絶対値の偏差を最小化するように、位置を最適化した区切り点により線形に離散化されたtansig関数の、ｄ２と呼ばれる第二の微分計数を表す。
連続的な、又は補間された第二の微分計数の正規化により、最適化された区切り点に対応する表を実際に実行する際にエラーが誘発されることに注意する必要がある。
【００２６】
ニューラルネット及びその較正を選択するプロセスを、図６に示す。具体的には、ニューロンの数の選択が、マイクロプロセッサの演算負荷、及び得られるモデル化の精度にとって重要である。
つまり、ブロック３０において、エンジンのデータベースが生成される。これは、ニューラルネット入力パラメータを完全なエンジンフィールド内にスキャンすることにより行われる。
【００２７】
このブロックはブロック３２に続き、ブロック３２では、ベースの一部の抽出を行って有効化ベースを生成する。
次のブロック３３では、データに基づく前処理（照合、クリーンアップ等）、並びに収束基準に従うニューラルネットのトレーニングの実現（二次方程式のエラー＋標準偏差＋他）が行われる。
【００２８】
次のブロック３４では、データベースと有効化ベース上で同じ時に、較正されたネットのパフォーマンスの試験が実行される。
このブロックが完了したら、必要に応じてブロック３２と３３の間の反復ループ３６に戻り、データベース、トレーニングの種類、ニューロンの数等を修正する。
【００２９】
試験３４が完了したら、次のブロック３７で、ネットの選択（特にニューロンの数及び起動関数の改善）を行う。
このブロックはブロック３８に続き、ブロック３８ではコンピュータへのニューラルネットのインストール、及び操作の間にパフォーマンスの特徴付けが行われる。
【００３０】
このブロックからの出力により、演算負荷、或いはデータベースの負荷物に応じたニューロンの数の変更に関する第二の反復ループ４０が開始する。反復の必要が無ければブロック３８はブロック４２に続く。
本発明の方法により、エンジンのフレームワーク内において、充填パラメータの修正を行う間の吸気及び排気カムシャフト各々の連続的なシフタを考慮することが可能となる。このようなデュアルカムシャフトシフタを備えたエンジンに対応する充填効率の予測は、マニホールド圧センサの補助により許容される空気の質量、吸気温度及びエンジン回転数を予測することにより行われる。これは、排気濃度プローブに関する情報を用いることにより、閉ループ注入時間修正外で、注入の最適な制御を補償することを可能にする。
【００３１】
本方法の一変形例を図７に示す。図７は、図３のモードによく似ている。しかしながら、ここでは、エンジンは吸気及び排気バルブのリフト量を変化させることができるシステムを備えている。バルブのリフト量設定点の原理と、実際のバルブの位置とのシフトを考慮して、ニューラルネットについて前述した四点に対し、二つの追加入力を行う。具体的には、エンジンの修正に関するモデル化を向上させることができるように、ニューラルネットのアーキテクチャを前もって構成する。
【００３２】
当然ながら、本発明の範囲を逸脱することなく、本発明に多数の修正を加えることが可能である。
tansig関数以外の起動関数を選択することができる。
【図面の簡単な説明】
【００３３】
【図１】本実施例の方法の一般的実行方法を示すフローチャートである。
【図２】吸気及び排気カムシャフトの可変タイミングに関する修正値の取得を示す二つのフローチャートである。
【図３】図１の方法におけるニューラルネットの使用を示すフローチャートである。
【図４】図３のネットに使用される起動関数のグラフである。
【図５】図４の関数に関する他のグラフを示す。
【図６】ニューラルネット及びその較正を選択するプロセスを示すフローチャートである。
【図７】本発明の一変形例の、図３と同様の図である。
【特許請求の範囲】
【請求項１】
エンジンの空気充填の容積効率（η）を決定する自動車の制御方法であって、効率の基礎値、及び補正値を人工ニューラルネット（６）によって決定し、当該基礎値及び当該補正値を一緒に加算することを特徴とする方法。
【請求項２】
前記効率を、エンジン回転数（Ｎ）の関数として決定することを特徴とする、請求項１に記載の方法。
【請求項３】
前記効率を、エンジンのマニホールド内の圧力（Ｐｍａｎ）の関数として決定することを特徴とする、請求項１又は２に記載の方法。
【請求項４】
前記効率を、吸気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異（ΔＣｉｎｔ）の関数として決定することを特徴とする、請求項１ないし３のいずれか一項に記載の方法。
【請求項５】
前記効率を、排気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異（ΔＣｅｘｈ）の関数として決定することを特徴とする、請求項１ないし４のいずれか一項に記載の方法。
【請求項６】
前記効率を、吸気バルブのリフト原理と、当該バルブの位置との差異（ΔＬｉｎｔ）の関数として決定することを特徴とする、請求項１ないし５のいずれか一項に記載の方法。
【請求項７】
前記効率を、排気バルブのリフト原理と、当該バルブの位置との差異（ΔＬｅｘｈ）の関数として決定することを特徴とする、請求項１ないし５のいずれか一項に記載の方法。
【請求項８】
前記効率を、エンジンの設定点のトルクと、最大トルクとの比（Ｔｑｉ）の関数として決定することを特徴とする、請求項１ないし７のいずれか一項に記載の方法。
【請求項９】
前記基礎値を、吸気マニホールド内の圧力及び／又はエンジン回転数の関数として決定することを特徴とする、請求項８に記載の方法。
【請求項１０】
前記ネット（６）が単一の隠れ層（１８）を含むことを特徴とする、請求項１ないし９のいずれか一項に記載の方法。
【請求項１１】
前記ネット（６）の起動関数がtansig関数であることを特徴とする、請求項１ないし１０のいずれか一項に記載の方法。
【請求項１２】
前記ネットの起動関数を、等距離に位置しない点の間で離散化することを特徴とする、請求項１ないし１１のいずれか一項に記載の方法。
【請求項１３】
エンジンの空気充填の容積効率を決定することができる制御部材であって、ニューラルネット（６）を含む制御部材を備えた自動車エンジンであって、当該効率の基礎値を決定し、ニューラルネット（６）による補正値を決定し、当該基礎値と当該補正値とを加算することを特徴とする、自動車エンジン。
【請求項１４】
吸気カムシャフト及び／又は排気カムシャフトの可変タイミング装置を備えることを特徴とする、請求項１３に記載のエンジン。
【請求項１５】
吸気バルブ及び／又は排気バルブの可変リフト装置を備えることを特徴とする、請求項１３又は１４に記載のエンジン。
【請求項１】
エンジンの空気充填の容積効率（η）を決定する自動車の制御方法であって、効率の基礎値、及び補正値を人工ニューラルネット（６）によって決定し、当該基礎値及び当該補正値を一緒に加算することを特徴とする方法。
【請求項２】
前記効率を、エンジン回転数（Ｎ）の関数として決定することを特徴とする、請求項１に記載の方法。
【請求項３】
前記効率を、エンジンのマニホールド内の圧力（Ｐｍａｎ）の関数として決定することを特徴とする、請求項１又は２に記載の方法。
【請求項４】
前記効率を、吸気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異（ΔＣｉｎｔ）の関数として決定することを特徴とする、請求項１ないし３のいずれか一項に記載の方法。
【請求項５】
前記効率を、排気カムシャフトのタイミング設定点と、当該シャフトの位置の測定値との差異（ΔＣｅｘｈ）の関数として決定することを特徴とする、請求項１ないし４のいずれか一項に記載の方法。
【請求項６】
前記効率を、吸気バルブのリフト原理と、当該バルブの位置との差異（ΔＬｉｎｔ）の関数として決定することを特徴とする、請求項１ないし５のいずれか一項に記載の方法。
【請求項７】
前記効率を、排気バルブのリフト原理と、当該バルブの位置との差異（ΔＬｅｘｈ）の関数として決定することを特徴とする、請求項１ないし５のいずれか一項に記載の方法。
【請求項８】
前記効率を、エンジンの設定点のトルクと、最大トルクとの比（Ｔｑｉ）の関数として決定することを特徴とする、請求項１ないし７のいずれか一項に記載の方法。
【請求項９】
前記基礎値を、吸気マニホールド内の圧力及び／又はエンジン回転数の関数として決定することを特徴とする、請求項８に記載の方法。
【請求項１０】
前記ネット（６）が単一の隠れ層（１８）を含むことを特徴とする、請求項１ないし９のいずれか一項に記載の方法。
【請求項１１】
前記ネット（６）の起動関数がtansig関数であることを特徴とする、請求項１ないし１０のいずれか一項に記載の方法。
【請求項１２】
前記ネットの起動関数を、等距離に位置しない点の間で離散化することを特徴とする、請求項１ないし１１のいずれか一項に記載の方法。
【請求項１３】
エンジンの空気充填の容積効率を決定することができる制御部材であって、ニューラルネット（６）を含む制御部材を備えた自動車エンジンであって、当該効率の基礎値を決定し、ニューラルネット（６）による補正値を決定し、当該基礎値と当該補正値とを加算することを特徴とする、自動車エンジン。
【請求項１４】
吸気カムシャフト及び／又は排気カムシャフトの可変タイミング装置を備えることを特徴とする、請求項１３に記載のエンジン。
【請求項１５】
吸気バルブ及び／又は排気バルブの可変リフト装置を備えることを特徴とする、請求項１３又は１４に記載のエンジン。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公表番号】特表２００８−５３９３６０（Ｐ２００８−５３９３６０Ａ）
【公表日】平成２０年１１月１３日（２００８．１１．１３）
【国際特許分類】
【出願番号】特願２００８−５０８２７１（Ｐ２００８−５０８２７１）
【出願日】平成１８年４月２５日（２００６．４．２５）
【国際出願番号】ＰＣＴ／ＦＲ２００６／０５０３８７
【国際公開番号】ＷＯ２００６／１１４５５０
【国際公開日】平成１８年１１月２日（２００６．１１．２）
【出願人】（５０３０４１７９７）ルノー・エス・アー・エス (286)
【Ｆターム（参考）】
【公表日】平成２０年１１月１３日（２００８．１１．１３）
【国際特許分類】
【出願日】平成１８年４月２５日（２００６．４．２５）
【国際出願番号】ＰＣＴ／ＦＲ２００６／０５０３８７
【国際公開番号】ＷＯ２００６／１１４５５０
【国際公開日】平成１８年１１月２日（２００６．１１．２）
【出願人】（５０３０４１７９７）ルノー・エス・アー・エス (286)
【Ｆターム（参考）】
[ Back to top ]