内燃机的点火正时控制装置的制作方法

本发明涉及内燃机的点火正时控制装置。

背景技术：

在内燃机中，在混合气于燃烧室内被点火之后，当末端气体自着火时会产生压力波，会产生爆震。当产生爆震时，内燃机主体会振动，在该情况下，爆震强度越高，内燃机主体的振动变得越激烈。于是，众所周知如下内燃机，该内燃机设为：在内燃机主体安装对内燃机主体的振动进行检测的爆震传感器，根据由爆震传感器检测到的内燃机主体振动的激烈度来检测爆震强度，在爆震强度超过了阈值时，判断为发生爆震，使点火正时延迟(例如参照日本特开2006－226967)。然而，内燃机主体例如也会由于进气门和排气门的落座作用、燃料喷射阀的阀针(needle)的落座作用等的机械性动作而振动，因此，当使用设为检测内燃机主体的振动的爆震传感器时，在由于这样的机械性动作而内燃机主体的振动强度变得激烈时，尽管爆震强度不高，却会误判定为爆震强度高。

技术实现要素：

另一方面，在发生了爆震时，爆震强度越高，燃烧室内的压力的变动越激烈。因此，当使用能够对因点火而产生的混合气的燃烧压进行检测的压力传感器时，能够根据该压力传感器的输出值的变动的激烈度来检测爆震强度。在该情况下，例如当爆震强度变高时，压力传感器的输出值的峰值变高，因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，能够根据这样的代替爆震强度的值来检测爆震强度。在该情况下，基于机械性动作的内燃机主体的振动对压力传感器的输出值不产生影响，因此，对代表爆震强度的值也不产生影响，因此，当使用压力传感器时，能够高精度地检测爆震强度。

然而，该压力传感器的价格极高。并且，压力传感器在长时间使用时，会在压力传感器逐渐附着沉积物(deposits)，由于该附着的沉积物，燃烧室内的混合气的燃烧形态会变化。因此，难以对于市售车使用这样的压力传感器。于是，在本发明中设为：使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值求出的代表爆震强度的值。即设为：对神经网络的权重进行学习以使得当被输入爆震传感器的输出值时会输出代表爆震强度的推定值，使用完成了权重学习的已学习神经网络，根据爆震传感器的输出来推定代表爆震强度的值。

然而，当在市售车的控制装置保存这样的已学习神经网络，使用所保存的已学习神经网络，根据爆震传感器的输出值来推定代表爆震强度的值时会产生问题。即，内燃机的构成部件具有公差，因此，内燃机的构成部件的尺寸会按各市售车而存在偏差，因此，会产生按各市售车而不同的内燃机的振动。然而，已学习神经网络未针对这样按各市售车而产生的不同的内燃机的振动进行权重的学习，因此，有时当产生这样未进行权重的学习的内燃机的振动、即未学习的内燃机的振动时，会在已学习神经网络中误判断为因爆震而在内燃机主体发生振动。

当作出这样的误判断时，有可能点火正时会被过量地延迟。即，在因发生爆震而代表爆震强度的值超过阈值、由此点火正时被延迟了时，由于点火正时的延迟作用而燃烧压会降低，因此，代表爆震强度的值会降低。其结果，代表爆震强度的值成为阈值以下，点火正时的延迟作用被停止。另一方面，在产生未学习的内燃机的振动、因而代表爆震强度的值超过了阈值的情况下，点火正时也会被延迟。然而，在此时未受到点火正时的影响而产生了未学习的内燃机的振动的情况下，即使点火正时被延迟，未学习的内燃机的振动也不会被抑制。因此，此时，在点火正时被延迟之后也未受到点火正时的影响而持续产生了未学习的内燃机的振动的情况下，代表爆震强度的值会继续超过阈值，会成为继续进行点火正时的延迟作用。其结果，会产生点火正时过量地延迟、因而内燃机的输出会大幅地降低这一问题。

根据本发明的某技术方案，内燃机的点火正时控制装置具有：存储装置，其存储有事先已学习的正常信号生成模型和第1已学习神经网络，所述正常信号生成模型构成为将爆震传感器的输出值作为输入而输出将爆震传感器的输出值所包含的未学习噪声成分值除去后的已除去噪声输出值，所述爆震传感器对内燃机的主体的振动进行检测，所述第1已学习神经网络事先被进行了学习以使得将爆震传感器的输出值和正常信号生成模型的已除去噪声输出值中的任一方作为输入而输出根据压力传感器的输出值求出的代表爆震强度的值的推定值，所述压力传感器用于对因点火产生的混合气的燃烧压进行检测；和处理器，其构成为在内燃机的运转期间将爆震传感器的输出值输入到从存储装置读出的正常信号生成模型，并且，将从正常信号生成模型输出的已除去噪声输出值输入到从存储装置读出的第1已学习神经网络，取得从第1已学习神经网络输出的代表爆震强度的值的推定值，基于所取得的代表爆震强度的值的推定值来进行内燃机的点火正时的延迟控制。

在本发明的上述技术方案中，所述正常信号生成模型也可以包括自动编码器。

在本发明的上述技术方案中，所述存储装置也可以存储有第2已学习神经网络，所述第2已学习神经网络事先被进行了学习以使得推定内燃机的点火正时被延迟了时的代表爆震强度的值的推定值的预测值或者预测降低量。所述处理器也可以构成为：在内燃机的运转期间，当使用从存储装置读出的第1已学习神经网络算出的代表爆震强度的值的推定值超过预先确定的阈值时，对内燃机的下一周期中的内燃机的点火正时进行延迟控制，在内燃机的下一周期中，基于使用从存储装置读出的第2已学习神经网络算出的代表爆震强度的值的推定值的预测值与使用从存储装置读出的第1已学习神经网络算出的代表爆震强度的值的推定值之差，对内燃机的再下一周期中的点火正时进行控制。所述处理器也可以构成为：在差比预先确定的设定值小时，若代表爆震强度的值的推定值比预先确定的阈值大，则使再下一周期中的点火正时延迟，在差比预先确定的设定值大时，即使代表爆震强度的值的推定值比预先确定的阈值大，也不使再下一周期中的点火正时延迟。

在本发明的上述技术方案中，所述第2已学习神经网络也可以包括如下神经网络，该神经网络事先被进行了学习以使得：当输入内燃机的运转状态、内燃机的点火正时的延迟量以及内燃机的前一周期中的代表爆震强度的值的推定值时，求出点火正时被延迟了时的代表爆震强度的值的推定值的预测降低量，根据预测降低量输出点火正时被延迟了时的代表爆震强度的值的推定值的预测值。

在本发明的上述技术方案中，所述内燃机的运转状态也可以包括内燃机转速、内燃机负荷以及egr率。

在本发明的上述技术方案中，所述第2已学习神经网络也可以包括如下循环神经网络，该循环神经网络事先被进行了学习以使得：当输入从进行了预先确定的次数前的点火的周期到当前的周期为止的各周期中的代表爆震强度的值的推定值以及点火正时的延迟量或者提前量时，输出当前的周期中的代表爆震强度的值的推定值的预测值。

在本发明的上述技术方案中，所述处理器也可以构成为：在进行了点火正时的延迟之后，当代表爆震强度的值的推定值变为预先确定的阈值以下时，开始点火正时的提前。所述处理器也可以构成为：在进行了点火正时的延迟时的差比设定值大的情况下，与所述差为设定值以下时相比，使点火正时的提前量小。

在本发明的上述技术方案中，所述代表爆震强度的值也可以为压力传感器的输出值的峰值。

在本发明的上述技术方案中，所述代表爆震强度的值也可以为压力传感器的输出值的积分值。

在本发明的上述技术方案中，所述爆震传感器的输出值也可以为预先设定的期间内的输出值。

在本发明的上述技术方案中，所述爆震传感器的输出值也可以为在预先设定的期间内等分割而得到的区间内的爆震传感器的输出值的积分值。

在本发明的上述技术方案中，所述预先设定的期间也可以为一定的曲轴角度范围。

在本发明的上述技术方案中，所述预先设定的期间也可以为一定时间。

在本发明的上述技术方案中，所述存储装置也可以针对将所述内燃机的运转区域分割为多个运转区域而得到的各运转区域分别存储正常信号生成模型和第1已学习神经网络。

在本发明的上述技术方案中，所述内燃机也可以具备对内燃机的主体的振动进行检测的多个爆震传感器。第1已学习神经网络也可以在经由正常信号生成模型被输入多个爆震传感器的输出值时，输出代表爆震强度的值的推定值。

会产生未进行权重学习的内燃机的振动、即未学习的内燃机的振动，由此，包含了未学习的内燃机的振动成分、即未学习噪声成分的爆震传感器的输出值被输入到正常信号生成模型。在该情况下，如本发明的技术方案中那样，从正常信号生成模型输出从爆震传感器的输出值除去了未学习噪声成分值后的已除去噪声输出值，该已除去噪声输出值被输入到已学习神经网络。因此，即使为在爆震传感器的输出值包含了未学习的内燃机的振动，也能从已学习神经网络输出未受未学习的内燃机振动的影响的代表爆震强度的值的推定值。因此，能够不使用压力传感器而高精度地取得代表爆震强度的值，其结果，能够阻止点火正时被过量地延迟。

附图说明

下文将参照附图说明本发明示例性实施例的特征、优点以及技术和产业的意义，其中相同的标号表示同样的要素，并且，其中：

图1是内燃机的整体图。

图2是图1所示的内燃机的侧面剖视图。

图3是神经网络的说明图。

图4是气缸盖的仰视图。

图5是内燃机的整体图。

图6a是表示爆震传感器的输出值的图。

图6b是表示爆震传感器的输出值的其他图。

图6c是表示爆震传感器的输出值的又一其他图。

图7a是表示压力传感器的输出值的图。

图7b是表示压力传感器的输出值的其他图。

图7c是表示压力传感器的输出值的又一其他图。

图8是表示在本发明涉及的实施例中使用的神经网络的图。

图9是表示训练数据集的表。

图10是表示学习处理例程的流程图。

图11是表示爆震传感器、正常信号生成模型以及神经网络的关系的图。

图12是表示自动编码器的图。

图13是表示用于向电子控制单元读入数据的例程的流程图。

图14是表示爆震处理例程的流程图。

图15是表示爆震强度代表值的推定例程的一个例子的流程图。

图16是表示爆震强度代表值的推定例程的其他例子的流程图。

图17是表示爆震判定例程的流程图。

图18是表示阈值mij的图。

图19是表示点火控制例程的流程图。

图20是表示基准点火正时的映射的图。

图21的本发明的功能构成图。

图22是表示爆震处理的概要的图。

图23a是用于说明产生爆震时的燃烧压的图。

图23b是用于说明产生爆震时的燃烧压的其他图。

图24是用于说明爆震判定的图的表。

图25a是表示点火延迟量或者点火延迟速度与燃烧压的上升比例的关系的图。

图25b是表示点火延迟量或者点火延迟速度与爆震强度代表值的推定值ye的关系的图。

图26是用于说明爆震判定的图的表。

图27a是用于说明推定值ye的预测值或者预测降低量的图。

图27b是用于说明推定值ye的预测值或者预测降低量的其他图。

图28a是用于说明推定值ye预测值或者预测降低量的图。

图28b是用于说明推定值ye预测值或者预测降低量的其他图。

图29是表示输入参数的一览表的表。

图30的表示在本发明涉及的第2实施例中使用的第2神经网络的图。

图31是表示数据的一览表的表。

图32是表示训练数据集的表。

图33是表示爆震处理例程的流程图。

图34是表示爆震判定例程的流程图。

图35是表示爆震判定例程的流程图。

图36是表示点火控制例程的流程图。

图37是循环神经网络的说明图。

图38是循环神经网络的说明图。

图39是表示输入值以及输出值的一览表的表。

图40是表示训练数据集的表。

图41是循环神经网络的说明图。

图42是表示爆震处理例程的流程图。

图43是表示爆震判定例程的流程图。

图44是表示爆震判定例程的流程图。

图45是表示点火控制例程的流程图。

图46是表示门区间和内燃机转速的关系的图。

图47是表示门区间和分割区间的图。

图48a是表示运转区域的图。

图48b是表示运转区域的其他图。

图48c是表示运转区域的又一其他图。

图49是内燃机的整体图。

图50是表示在本发明涉及的又一其他实施例中使用的第1神经网络的图。

图51是表示训练数据集的表。

具体实施方式

内燃机的整体构成

在图1和图2中示出内燃机的整体图。参照图2，1表示内燃机主体，2表示气缸体，3表示气缸盖，4表示在气缸体2内往复运动的活塞，5表示燃烧室，6表示进气门，7表示进气端口，8表示排气门，9表示排气端口，10表示用于向各燃烧室5内供给燃料、例如汽油的燃料喷射阀，11表示配置在各燃烧室5内的火花塞。参照图1和图2，进气端口7分别经由所对应的进气歧管12而连结于缓冲罐13，缓冲罐13经由进气管道14和吸入空气量检测器15而连结于空气滤清器16。

另一方面，排气端口9连结于排气歧管17，排气歧管17经由排气气体再循环(以下称为egr)通路27而连结于缓冲罐13，排气气体再循环通路用于使排气歧管17内的排气气体(exhaustgas，废气)再循环到缓冲罐13内。在该egr通路27内配置有egr控制阀28。在图1所示的实施例中，预先设定有与内燃机的运转状态相应的egr率(＝再循环排气气体量/(再循环排气气体量+吸入空气量))，egr控制阀28被进行控制以使得egr率成为预先设定的egr率。

如图1和图2所示，在图1所示的实施例中，在气缸体2安装有用于对气缸体2的振动、即内燃机主体1的振动进行检测的爆震传感器18。在图1所示的例子中，在该爆震传感器18中，使用压电元件来作为振动的检测元件，该爆震传感器18产生与内燃机主体1的振动成比例的输出电压。此外，当产生爆震时，在内燃机主体1会产生频率为5khz～25khz程度的振动，此时，爆震传感器18的输出电压会以频率5khz～25khz程度进行变动。因此，能够根据爆震传感器18的输出电压的变动、即爆震传感器18的输出值的变动来检测爆震的产生。

另一方面，在图1中，30表示用于对内燃机的运转进行控制的电子控制单元。如图1所示，电子控制单元30由数字计算机构成，具备通过双向性总线31相互连接的存储装置32、即存储器32、cpu(微处理器)33、输入端口34以及输出端口35。爆震传感器18的输出信号经由所对应的ad变换器36和仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器37而被输入到输入端口34。另外，吸入空气量检测器15的输出信号经由所对应的ad变换器36而被输入到输入端口34。另外，在加速踏板40连接有负荷传感器41，负荷传感器41产生与加速踏板40的踏下量成比例的输出电压，负荷传感器41的输出电压经由所对应的ad变换器36而被输入到输入端口34。进一步，在输入端口34连接有曲轴角传感器42，曲轴角传感器42按曲轴例如每旋转30°而产生输出脉冲。在cpu33内，基于曲轴角传感器42的输出信号来算出内燃机转速。另一方面，输出端口35经由所对应的驱动电路38而连接于各气缸的燃料喷射阀10、火花塞11以及egr控制阀28。

神经网络的概要

在本发明涉及的实施例中设为：使用神经网络来推定代表爆震强度的值。于是，首先对神经网络进行简单的说明。图3表示简单的神经网络。图3中的圆形记号表示人工神经元，在神经网络中，该人工神经元通常被称为节点或者单元(本申请称为节点)。在图3中，l＝1表示输入层，l＝2和l＝3表示隐层，l＝4表示输出层。另外，在图3中，x1和x2表示从输入层(l＝1)的各节点输出的输出值，y1和y2表示从输出层(l＝4)的各节点输出的输出值，z1⁽²⁾、z2⁽²⁾以及z3⁽²⁾表示从隐层(l＝2)的各节点输出的输出值，z1⁽³⁾、z2⁽³⁾以及z3⁽³⁾表示从隐层(l＝3)的各节点输出的输出值。此外，隐层的层数可以为一层或者任意的层数，输入层的节点的数量和隐层的节点的数量也可以为任意的个数。另外，输出层的节点的数量既可以为1个，也可以为多个。

在输入层的各节点，输入值被直接进行输出。另一方面，输入层的各节点的输出值x1和x2被输入到隐层(l＝2)的各节点，在隐层(l＝2)的各节点，分别使用所对应的权重w和偏置b来算出总输入值u。例如，在图3中，在由隐层(l＝2)的zk⁽²⁾(k＝1、2、3)表示的节点中算出的总输入值uk成为如下式那样。

接着，该总输入值uk被通过激活函数f进行变换，从由隐层(l＝2)的zk⁽²⁾表示的节点被作为输出值zk⁽²⁾(＝f(uk))来进行输出。另一方面，隐层(l＝2)的各节点的输出值z1⁽²⁾、z2⁽²⁾以及z3⁽²⁾被输入到隐层(l＝3)的各节点，在隐层(l＝3)的各节点，分别使用所对应的权重w和偏置b来算出总输入值u(σz·w+b)。该总输入值u同样被通过激活函数进行变换，从隐层(l＝3)的各节点被作为输出值z1⁽³⁾、z2⁽³⁾以及z3⁽³⁾来进行输出，作为该激活函数，例如可使用sigmoid函数σ。

另一方面，隐层(l＝3)的各节点的输出值z1⁽³⁾、z2⁽³⁾以及z3⁽³⁾被输入到输出层(l＝4)的各节点，在输出层的各节点，分别使用所对应的权重w和偏置b来算出总输入值u(σz·w+b)，或者分别仅使用所对应的权重w来算出总输入值u(σz·w)。在本发明涉及的实施例中，在输出层的节点，使用恒等函数来作为激活函数，因此，在输出层的节点所算出的总输入值u被直接作为输出值y而从输出层的节点进行输出。

神经网络的学习

当将表示神经网络的输出值y的正解值的教师数据设为yt时，使用误差反向传播法学习神经网络中的各权重w和偏置b，以使得输出值y与教师数据yt之差变小。该误差反向传播法是周知的，因此，关于误差反向传播法，以下对其概要进行简单的说明。此外，偏置b是权重w的一种，因此，以下也包含偏置b而称为权重w。此外，当在如图3所示的神经网络中由w^(l)表示向l＝2、l＝3或者l＝4的各层的节点的输入值u^(l)的权重时，误差函数e的基于权重w^(l)的微分、即梯度在改写后成为由下式表示那样。

在此，因此，当设为时，上述(1)式可以由下式来表示。

在此，当u^(l)变动时，通过下一层的总输入值u^(l+1)的变化，会引起误差函数e的变动，因此，δ^(l)可以由下式来表示。

在此，当表示为z^(l)＝f(u^(l))时，上述(3)式的右边出现的输入值uk^(l+1)可以由下式表示。

在此，上述(3)式的右边第1项为δ^(l+1)，因此，上述(3)式的右边第2项可以由下式表示。

因此，δ^(l)由下式表示。

即、

即，当求出δ^(l+1)后，可以求出δ^(l)。

此外，在输出层(l＝4)的节点为一个、对某输入值求出教师数据yt、对于该输入值的从输出层的输出值为y的情况下，在使用平方误差来作为误差函数时，平方误差e由e＝1/2(y－yt)²来求出。在该情况下，在输出层(l＝4)的节点中，成为输出值y＝f(u^(l))，因此，在该情况下，输出层(l＝4)的节点中的δ^(l)的值成为如由下式表示那样。

在该情况下，在本发明涉及的实施例中，如前所述，f(u^(l))为恒等函数，成为f’(u^(ll))＝1。因此，成为δ^(l)＝y－yt，求出δ^(l)。

当求出δ^(l)后，使用上式(6)来求出前一层的δ^(l－1)。这样，依次求出前一层的δ，使用这些δ的值，关于各权重w，根据上式(2)来求出误差函数e的微分、即梯度当求出梯度后，使用该梯度来更新权重w以使得误差函数e的值减少。即，进行权重w的学习。此外，如图3所示，在输出层(l＝4)具有多个节点的情况下，当将来自各节点的输出值设为y1、y2、……、将所对应的教师数据设为yt1、yt2、……时，使用如下的平方和误差e来作为误差函数e。

在该情况下，输出层(l＝4)的各节点的δ^(l)的值也成为δ^(l)＝y－ytk(k＝1、2、……、n)，根据这些δ^(l)的值，使用上式(6)来求出前层的δ^(l－1)。

本发明涉及的实施例

此外，在内燃机中，爆震强度越高，内燃机主体1的振动越激烈。因此，如图1和图2所示，能够在内燃机主体1安装爆震传感器18，根据由爆震传感器18检测到的内燃机主体的振动的激烈度来检测爆震强度。然而，如前所述，内燃机主体1例如也会因进气门6和排气门8的落座作用、燃料喷射阀10的阀针的落座作用等的机械性动作而振动，因此，当使用设为检测内燃机主体1的振动的爆震传感器18时，在因这样的机械性动作而内燃机主体的振动强度变激烈时，尽管爆震强度不高，但却会误判定为爆震强度高。

另一方面，如前所述，当使用能够对因点火而产生的混合气的燃烧压进行检测的压力传感器时，能够根据该压力传感器的输出值的变动的激烈度来检测爆震强度。在该情况下，例如当爆震强度变高时，压力传感器的输出值的峰值变高，因此，该压力传感器的输出值的峰值可以说是代表爆震强度的值之一。因此，成为能够根据这样的代表爆震强度的值来检测爆震强度。在该情况下，基于机械性动作的内燃机主体1的振动对压力传感器的输出值不产生影响，因此，对代表爆震强度的值也不产生影响，因此，当使用压力传感器时，能够高精度地检测爆震强度。

然而，该压力传感器价格高，并且，由于逐渐附着于压力传感器的沉积物，燃烧室5内的混合气的燃烧形态会变化，因此，在市售车中难以使用这样的压力传感器。于是，在本发明中设为：使用神经网络，根据爆震传感器的输出值来推定根据压力传感器的输出值求出的代表爆震强度的值。对此进行说明，首先，参照图4、图5、图6a～图6c以及图7a～图7c，对爆震传感器的输出值、压力传感器的输出值以及根据压力传感器的输出值求出的代表爆震强度的值进行说明。

图4和图5分别表示仅为了取得神经网络的权重的学习所需要的数据而使用的气缸盖3的仰视图和内燃机主体1的一部分。参照图4和图5，为了根据爆震传感器18的输出值来推定根据压力传感器19的输出值求出的代表爆震强度的值，在各气缸的气缸盖3的内壁面上分别配置有压力传感器19。从各压力传感器19输出与各自所对应的燃烧室5内的压力成比例的输出电压、即表示因点火而产生的混合气的燃烧压的输出值。此外，在该情况下，燃烧室5内的压力也可以使用与火花塞一体型的压力传感器来进行计测。这些压力传感器19仅被用于取得神经网络的权重的学习所需要的数据。

此外，爆震通常产生在压缩上止点～压缩上止点后90°的期间，在产生了爆震时，会产生频率为5khz～25khz程度的燃烧室5内的压力变动以及频率为5khz～25khz程度的内燃机主体1的振动。因此，为了仅提取由爆震导致的内燃机主体1的振动，通常，爆震传感器18的输出值在被进行了ad变换后，例如被送入到仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器，基于通过该数字带通滤波器滤波后的爆震传感器18的输出值来判别爆震的强度。

同样地，为了仅提取由爆震导致的燃烧室5内的压力变动，通常，压力传感器19的输出值也在被进行了ad变换后，例如被送入到仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器，基于通过该数字带通滤波器滤波后的压力传感器19的输出值来判别爆震的强度。此外，以下，将这样通过数字带通滤波器滤波后的爆震传感器18的输出值简称为滤波后的爆震传感器18的输出值，以下，将通过数字带通滤波器滤波后的压力传感器19的输出值简称为滤波后的压力传感器19的输出值。

图6a和图7a分别表示对于产生同一爆震的、滤波后的爆震传感器18的输出值(v)的变化和滤波后的压力传感器19的输出值(v)的变化。此外，图6a的横轴和图7a的横轴均表示由atdc表示的曲轴角(压缩上止点～压缩上止点后90°)。

如对图6a和图7a进行比较可知那样，图7a所示的滤波后的压力传感器19的输出值的振动强度在产生爆震时会急剧增大，然后逐渐减少。即，压力传感器19的输出值不受基于机械性动作的内燃机主体1的振动的影响，因此，爆震的产生明确地表示于压力传感器19的输出值。与相对于，图6a所示的滤波后的爆震传感器18的输出值的振动强度也在产生爆震时增大，但爆震传感器18的输出值会较大地受到基于机械性动作的内燃机主体1的振动的影响，因此，爆震传感器18的输出值的振动强度在产生了爆震的前后都为大的值。即，在爆震传感器18的输出值中，基于机械性动作的内燃机主体的振动表现为噪声，因此，爆震的产生没有明确地表现于爆震传感器18的输出值。

因此，对于是否产生了爆震，能够根据压力传感器19的输出值来明确地进行判别。在该情况下，在压力传感器19的输出值中，也明确地表现出所产生的爆震的强度。接着，参照图7b和图7c来对此进行说明。此外，图7b和图7c是将图7a所示的滤波后的压力传感器19的输出值的波形的一部分在横轴方向上拉伸而以图解的方式表示的图。

此外，当所产生的爆震的强度变高时，滤波后的压力传感器19的输出值的峰值变高。因此，在图7b中由圆形记号表示的滤波后的压力传感器19的输出值的峰值表示代表爆震强度的值。另一方面，当所产生的爆震的强度变高时，在图7c中，用由输出值的波形和输出值为0(v)的线包围的影线表示的面积的总和、即滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)变高。因此，滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示代表爆震强度的值。这样，能够根据压力传感器19的输出值来确定代表爆震强度的值。

另一方面，难以从爆震传感器18的输出值提取这样的代表爆震强度的值。于是，在本发明中使用神经网络，对神经网络的权重进行学习，以使得能够基于爆震传感器18的输出值来取得根据压力传感器19的输出值求出的代表爆震强度的值，由此，设为使用已学习的神经网络，根据爆震传感器18的输出值来推定根据压力传感器19的输出值求出的代表爆震强度的值。于是，接着，对基于爆震传感器18的输出值来对神经网络的权重进行学习以使得能够取得根据压力传感器19的输出值求出的代表爆震强度的值的方法进行说明。

首先，参照图8对此时使用的神经网络进行说明。此外，图8所示的神经网络有时也被称为第1神经网络。参照图8，在该神经网络20中，也与图3所示的神经网络同样地，l＝1表示输入层，l＝2和l＝3表示隐层，l＝4表示输出层。如图8所示，输入层(l＝1)包括n个节点，n个输入值x1、x2、……、xn－1、xn被输入到输入层(l＝1)的各节点。另一方面，在图8中记载了隐层(l＝2)和隐层(l＝3)，但这些隐层的层数可以设为一层或者任意的层数，另外，这些隐层的节点的数量也可以设为任意的个数。此外，输出层(l＝4)的节点的数量设为1个，来自输出层的节点的输出值由y表示。

接着，对图8中的输入值x1、x2、……、xn－1、xn和输出值y进行说明。首先，参照图6b和图6c对输入值x1、x2、……、xn－1、xn进行说明。此外，图6b和图6c是将图6a所示的爆震传感器18的输出值的波形的一部分在横轴方向上拉伸而以图解的方式表示的图。在本发明涉及的实施例中，使用图6b所示的值或者图6c所示的值来作为输入值x1、x2、……、xn－1、xn。

即，在图6b所示的例子中，滤波后的爆震传感器18的输出值本身被作为输入值x1、x2、……、xn－1、xn。在该情况下，如在图6b中由黑圆所示那样，每一定时间的或者每一定曲轴角的爆震传感器18的输出值被作为输入值x1、x2、……、xn－1、xn。另一方面，在图6c所示的例子中，滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)、且例如一定曲轴角度内的滤波后的爆震传感器18的输出值的积分值被作为输入值x1、x2、……、xn－1、xn。

另一方面，在本发明的实施例中，根据压力传感器19的输出值求出的代表爆震强度的值被作为图8所示的输出值y。在该情况下，在图7b中由圆形记号表示的压力传感器19的输出值的峰值表示爆震强度，另外，图7c所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)也表示爆震强度。因此，在本发明的实施例中，在图7b中由圆形记号表示的压力传感器19的输出值的峰值被作为输出值y，或者图7c所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被作为输出值y。在该情况下，根据压力传感器19的输出值求出的代表爆震强度的值的实测值被作为教师数据yt。

图9表示使用输入值x1、x2、……、xn－1、xn和在输入值为x1、x2、……、xn－1、xn时根据压力传感器19的输出值求出的代表爆震强度的值的实测值、即教师数据yt制作的训练数据集。如图9所示，在该训练数据集中，取得表示输入值x1、x2、……、xn－1、xn与教师数据yt的关系的m个数据。例如，在第2(no.2)数据列举出所取得的输入值x12、x22、……、xm－12、xm2和教师数据yt2，在第m－1(no.m－1)数据列举出所取得的输入参数的输入值x1m－1、x2m－1、……、xn－1m－1、xnm－1和教师数据ytm－1。

在使用滤波后的爆震传感器18的输出值本身来作为输入值x1、x2、……、xn－1、xn的情况下，例如在压缩上止点～压缩上止点后90°的期间按每一定曲轴角而取得的滤波后的爆震传感器18的输出值被作为输入值x1、x2、……、xn－1、xn。在该情况下，输入值的个数n被设为数百以上，因此，图9所示的输入层(l＝1)的节点的个数n被设为数百以上。

另一方面，在本发明的实施例中，在使用滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)来作为输入值x1、x2、……、xn－1、xn的情况下，压缩上止点～压缩上止点后90°的期间被按每曲轴角度5°而分割为18个区间，所分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)被作为输入值x1、x2、……、xn－1、xn。在该情况下，输入值的个数n成为18个，因此，图8所示的输入层(l＝1)的节点的个数n被设为18个。

另一方面，图9所示的训练数据集中的教师数据yt是根据压力传感器19的输出值求出的代表爆震强度的值的实测值，作为该教师数据yt，使用在图7b中由圆形记号表示的压力传感器19的输出值的峰值，或者使用图7c所示的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)。另外，在本发涉及的实施例中，使用图9所示的训练数据集，进行图8所示的第1神经网络20的权重的学习。于是，接着参照图4和图5对图9所示的训练数据集的制作方法进行说明。

图4和图5示出图9所示的训练数据集的制作方法的一个例子。参照图4和图5，为了取得代表爆震强度的值，在各气缸的面向燃烧室5的气缸盖3的内壁面上分别配置有压力传感器19。如前所述，这些压力传感器19是仅为了取得学习所需要的数据而设置的。另一方面，在图5所示的例子中，爆震传感器18连接于能够对爆震传感器18的输出值的波形进行检测的检测器21、例如示波器，各压力传感器19连接于能够对各压力传感器19的输出值的波形进行检测的检测器22、例如示波器。

在检测器21内，为了仅提取由爆震导致的内燃机主体1的振动，爆震传感器18的输出值在被进行了ad变换之后，例如被送入到仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器，检测通过该带通滤波器滤波后的爆震传感器18的输出值的波形。另一方面，在检测器22中，为了仅提取由爆震导致的燃烧室5内的压力变动，压力传感器19的输出值在被进行了ad变换之后，例如被送入到仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器，检测通过该数字带通滤波器滤波后的压力传感器19的输出值的波形。

在制作训练数据集时，使内燃机进行运转以使得关于内燃机负荷、内燃机转速以及egr率的各种组合而产生未发生爆震的运转状态和发生爆震的运转状态这两方的状态，基于那时从各检测器21、22得到的滤波后的爆震传感器18的输出值的波形数据和滤波后的压力传感器19的输出值的波形数据，制作如图9所示的训练数据集。在该情况下，该训练数据集既可以基于从各检测器21、22得到的波形数据以手工作业来制作，也可以基于从各检测器21、22得到的电子数据以电子的方式进行制作。使用这样制作的训练数据集的电子数据，进行图8所示的神经网络20的权重的学习。

在图5所示的例子中，设置有用于进行神经网络的权重的学习的学习装置23。如图5所示，该学习装置23具备存储装置24、即存储器24和cpu(微处理器)25。在图5所示的例子中，图8所示的神经网络20的节点数以及所制作的训练数据集的电子数据存储于学习装置23的存储器24，在cpu25中进行神经网络20的权重的学习。

接着，使用在上止点～上止点后90°的期间中按每曲轴角度5°而分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)来作为输入值x1、x2、……、xn－1、xn，使用压力传感器19的输出值的峰值的实测值来作为教师数据yt，对通过学习装置23进行的神经网络20的权重的学习方法进行说明。

图10表示在学习装置23中进行的神经网络的权重的学习处理例程。参照图10，首先，在步骤100中读入存储于学习装置23的存储器24的训练数据集的各数据。接着，在步骤101中，读入神经网络20的输入层(l＝1)的节点数、隐层(l＝2)以及隐层(l＝3)的节点数以及输出层(l＝4)的节点数，基于这些节点数，制作如图8所示的第1神经网络20。在该情况下，在该例子中，输入层(l＝1)的节点数被设为18个，输出层(l＝4)的节点数被设为1个。

接着，在步骤102中进行神经网络20的权重的学习。首先，图9的第1(no.1)数据的输入值x1、x2、……、xn－1、xn、即输入值x1、x2、……、x17、x18被输入到神经网络20的输入层(l＝1)的18个的各节点。接着，算出此时的神经网络20的输出值y与第1(no.1)数据的教师数据yt1之间的平方误差e＝1/2(y－yt1)²，使用前述的误差反向传播法，进行神经网络20的权重的学习以使得该平方误差e变小。

当基于图9的第1(no.1)数据的神经网络20的权重的学习完成时，接着，使用误差反向传播法进行基于图9的第2(no.2)数据的神经网络20的权重的学习。同样地，依次进行神经网络20的权重的学习直到图9的第m(no.m)。当关于图9的第1(no.1)～第m(no.m)的全部而完成神经网络20的权重的学习后，进入步骤103。

在步骤103中，例如算出图9的第1(no.1)数据～第m(no.m)数据的全部的神经网络的输出值y与教师数据yt之间的平方和误差e，判别该平方和误差e是否变为了预先设定的设定误差以下。在判别为平方和误差e不为预先设定的设定误差以下时，返回步骤102，再次基于图9所示的训练数据集，进行神经网络20的权重学习。接着，继续进行神经网络20的权重的学习，直到平方和误差e变为预先设定的设定误差以下。在步骤103中，在判别为平方和误差e变为了预先设定的设定误差以下时，进入步骤104，神经网络20的已学习权重被存储于学习装置23的存储器24。这样制作代表爆震强度的值的推定模型。

此外，如前所述，图5所示的内燃机是为了对神经网络20的权重进行学习而在图1所示的内燃机安装了压力传感器19的内燃机。在这些图1或者图5所示的内燃机中，在使用该代表爆震强度的值的推定模型、即已学习神经网络20推定了代表爆震强度的值的情况下，能够高精度地推定代表爆震强度的值，不产生任何问题。然而，在其他内燃机、例如市售用的内燃机中，在使用该代表爆震强度的值的推定模型、即已学习神经网络20推定了代表爆震强度的值的情况下会产生问题。

即，如前所述，在内燃机的构成部件存在公差，因此，按各市售车而内燃机的构成部件的尺寸会产生偏差，因此，会产生按各市售车而不同的内燃机的振动。然而，已学习神经网络关于这样按各市售车而产生的不同的内燃机的振动未进行权重的学习，因此，当产生这样未进行权重的学习的内燃机的振动、即未学习的内燃机的振动时，在已学习神经网络中，有时会误判断为因爆震而在内燃机主体产生振动。然而，当进行这样的误判断时，如前所述，有时点火正时的延迟作用会持续起作用，在该情况下，点火正时有可能过量地延迟。

于是，在本发明涉及的实施例中设为：即使为产生了未进行权重的学习的内燃机的振动、即未学习的内燃机的振动，也为了对误判断为因爆震而在内燃机主体1产生振动这一情况进行抑制，如图11所示那样在爆震传感器18与神经网络20之间插入正常信号生成模型60，使爆震传感器18的输出值经由该正常信号生成模型60而输入到神经网络20，正常信号生成模型60在被输入了爆震传感器18的输出值时输出除去了该输出值所包含的表示未学习的内燃机的振动的值后的、即除去了未学习的噪声成分值后的已除去噪声输出值。

图12示出该正常信号生成模型60的一个例子。在图12所示的例子中，该正常信号生成模型60包括使用了神经网络的自动编码器。参照图12，在该自动编码器中，l＝1表示输入层，l＝2、l＝3以及l＝4表示隐层，l＝5表示输出层。在该自动编码器中，输入层(l＝1)的节点数与输出层(l＝5)的节点数相同，进一步，自动编码器的输入层(l＝1)以及输出层(l＝5)的节点数与图8所示的神经网络20的输入层(l＝1)的节点数相同。另外，隐层(l＝2、l＝3以及l＝4)的节点数被设为比输入层(l＝1)以及输出层(l＝5)的节点数少。此外，隐层(l＝2、l＝3以及l＝4)的层数可以设为任意的个数。

图12所示，在该自动编码器中，输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn分别被输入到自动编码器的输入层(l＝1)的各节点，从自动编码器的输出层(l＝5)的各节点分别输出输出值x^out1、x^out2、……、x^outn－1、x^outn。从自动编码器的输出层(l＝5)的各节点输出的输出值x^out1、x^out2、……、x^outn－1、x^outn分别被输入到图8所示的神经网络20的输入层(l＝1)的各节点来作为输入值x1、x2、……、xn－1、xn。

另一方面，作为自动编码器的输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn，使用图6b所示的值或者图6c所示的值。即，在图6b所示的例子中，滤波后的爆震传感器18的输出值其本身被作为输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn。在该情况下，图在图6b中用黑圆所表示的那样，每一定时间的、或者每一定曲轴角的爆震传感器18的输出值被作为输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn。在该情况下，自动编码器的输入层(l＝1)的节点数、自动编码器的输出层(l＝5)的节点数以及图8所示的神经网络20的输入层(l＝1)的节点数被设为数百以上。

另一方面，在图6c所示的例子中，滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)且、例如一定曲轴角度内的滤波后的爆震传感器18的输出值的积分值被作为输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn。在该情况下，在本发明涉及的实施例中，压缩上止点～压缩上止点后90°的期间被按每曲轴角度5°而分割为18个区间，分割而得到的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)被作为输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn。在该情况下，自动编码器的输入层(l＝1)的节点数、自动编码器的输出层(l＝5)的节点数以及图8所示的神经网络20的输入层(l＝1)的节点数被设为18个。

在图12所示的自动编码器中，进行权重的学习以使得输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn直接出现在所对应的输出值x^out1、x^out2、……、x^outn－1、x^outn，对于该自动编码器的权重的学习，使用图5所示的学习装置23来进行。此外，作为用于对该自动编码器的权重进行学习的训练数据集，既可以使用直接利用图9所示的训练数据集的输入值x1、x2、……、xm－1、xm的部分来制作的训练数据集，也可以使用利用新求出的爆震传感器18的输出值、或者利用新求出的爆震传感器18的输出值的积分值来制作的训练数据集。在对自动编码器的权重进行学习时，图12所示的自动编码器的输入层(l＝1)的节点数、各隐层(l＝2、l＝3、l＝4)的节点数以及输出层(l＝5)的节点数以及例如图9所示的训练数据集的输入值x1、x2、……、xn－1、xn存储于学习装置23的存储器24，在学习装置23中，使用图10所示的学习处理例程来进行自动编码器的权重的学习。

此时，图9所示的训练数据集的输入值x1、x2、……、xn－1、xn作为输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn被输入到自动编码器的输入层(l＝1)的各节点，持续进行自动编码器的权重的学习，直到此时的输出值x^out1、x^out2、……、x^outn－1、x^outn与所对应的输入值xⁱⁿ1、xⁱⁿ2、……、xⁱⁿn－1、xⁱⁿn的平方和误差e成为预先设定的设定误差以下。在该平方和误差e成为了预先设定的设定误差以下时，自动编码器的已学习权重存储于学习装置23的存储器24。由此，生成包括已学习自动编码器的正常信号生成模型60。

在这样事先进行了学习以使得输入值与输出值一致的自动编码器中，通过进行输入数据的维度削减，在隐层中提取输入数据的特征，从自动编码器输出表示该所提取的特征的输出数据。因此，即使为在输入数据重叠了噪声，噪声也不被视为输入数据的特征，因此，成为从自动编码器输出不包含噪声的输出数据、即除去了噪声后的输出数据。对本发明的实施例进行说明，在本发明的实施例中使用的已学习自动编码器中，即使为在爆震传感器18的输出值重叠了未进行权重的学习的内燃机的振动、即未学习的内燃机的振动，也从已学习自动编码器输出除去了爆震传感器18的输出值所包含的未学习的内燃机的振动值、即未学习噪声成分值后的已除去噪声输出值。因此，当使用已学习自动编码器的输出值时，即使为产生了未进行权重的学习的内燃机的振动、即未学习的内燃机的振动，也能对误判断为因爆震而在内燃机主体1产生振动进行抑制。

这样，在本发明涉及的实施例中，使用被事先进行了学习以使得在被输入了对内燃机主体1的振动进行检测的爆震传感器18的输出值时输出除去了该输出值所包含的未学习噪声成分值后的已除去噪声输出值的正常信号生成模型60，作为该正常信号生成模型60，使用如图12所示的自动编码器。在该情况下，作为该正常信号生成模型60，也可以代替如图12所示的自动编码器而使用变分自动编码器(variationalautoencoder)或者对抗式生成网络(generativeadversarialnetwork)。

另一方面，如前所述，在本发明涉及的实施例中，使用爆震传感器18的输出值或者爆震传感器18的输出值的积分值来制作图9所示的训练数据集，基于该训练数据集来进行神经网络20的权重学习。在该情况下，也可以使用已学习自动编码器的输出值、即正常信号生成模型60的输出值来进行神经网络20的权重学习。在该情况下，生成将正常信号生成模型60的输出值x^out1、x^out2、……、x^outn－1、x^outn作为了图9所示的训练数据集的输入值x1、x2、……、xn－1、xn的如图9所示的训练数据集，基于该训练数据集来进行神经网络20的权重学习。

当进行神经网络20的权重学习时，生成已学习神经网络20、即代表爆震强度的值的推定模型。在本发明涉及的实施例中，使用该已学习神经网络20、即代表爆震强度的值的推定模型来在内燃机中进行爆震处理，因此，正常信号生成模型60以及代表爆震强度的值的推定模型保存于图1所示的电子控制单元30。图13示出为了将正常信号生成模型60以及代表爆震强度的值的推定模型保存于电子控制单元30而在电子控制单元30中进行的向电子控制单元的数据读入例程。

即，如图13所示，在步骤110中，图8所示的神经网络20的输入层(l＝1)的节点数、隐层(l＝2、l＝3)的节点数以及输出层(l＝4)的节点数被读入到电子控制单元30的存储器32，基于这些节点数来制作如图8所示的神经网络20。另外，图12所示的自动编码器的输入层(l＝1)的节点数、隐层(l＝2、l＝3、l＝4)的节点数以及输出层(l＝5)的节点数被读入到电子控制单元30的存储器32，基于这些节点数来制作如图12所示那样的自动编码器。接着，在步骤111中，神经网络20的已学习的权重被读入到电子控制单元30的存储器32。由此，已学习神经网络20、即代表爆震强度的值的推定模型保存在内燃机的电子控制单元30内。另外，自动编码器的已学习的权重被读入到电子控制单元30的存储器32。由此，正常信号生成模型60保存在内燃机的电子控制单元30内。

此外，当在电子控制单元30内保存有正常信号生成模型60以及已学习神经网络20时，在将滤波后的爆震传感器18的输出值或者按每曲轴角度5°而分割得到的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)输入到了正常信号生成模型60、将正常信号生成模型60的输出值输入到了已学习神经网络20时，从已学习神经网络20输出根据压力传感器19的输出值求出的代表爆震强度的值的推定值。该代表爆震强度的值的推定值极接近代表爆震强度的值的实测值，因此，能够根据爆震传感器18的输出值准确地推定爆震强度。

接着，对使用保存在电子控制单元30的存储器32内的正常信号生成模型60以及已学习神经网络20而在内燃机运转时所执行的爆震处理进行说明。图14表示在该内燃机运转时所执行的爆震处理例程。如图14所示，当执行该爆震处理例程时，首先，在步骤120中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤121中，进行是否产生了爆震的爆震判定处理，接着，在步骤122中进行点火控制。

图15表示在图14的步骤120中进行的爆震强度代表值的推定处理例程的一实施例。该例程通过每一定曲轴角、或者每一定时间的中断来执行。参照图15，首先，在步骤130中，判别是否为爆震传感器18的输出信号的取入期间中。在该实施例中，爆震传感器18的输出信号的取入期间被设为压缩上止点～压缩上止点后90°的期间。因此，在曲轴角为压缩上止点前时，结束处理周期，另一方面，当曲轴角经过压缩上止点时，判别为处于爆震传感器18的输出信号的取入期间中，进入步骤131。

在步骤131中，爆震传感器18的输出信号经由所对应的ad变换器36和例如仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器37而被取入。即，取入滤波后的爆震传感器18的输出值。接着，在步骤132中，所取入的滤波后的爆震传感器18的输出值被存储在电子控制单元30的存储器32内。接着，在步骤133中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤133中，在判别为爆震传感器18的输出信号的取入期间未结束时、即判别为曲轴角未到达压缩上止点后90°时，结束处理周期。

与此相对，在步骤133中判别为爆震传感器18的输出信号的取入期间已结束时、即判别为曲轴角到达了压缩上止点后90°时，进入步骤134。此时，在存储器32内存储有如由图6b的黑圆所示那样的滤波后的爆震传感器18的输出值。在步骤134中，存储于该存储器32内的滤波后的爆震传感器18的输出值被输入到自动编码器、即正常信号生成模型60。接着，在步骤135中，正常信号生成模型60的输出值、即自动编码器的输出值x^out1、x^out2、……、x^outn-1、x^outn被输入到已学习的神经网络20的输入层(l＝1)的各节点。此时，从已学习的神经网络20输出代表爆震强度的值的推定值ye，因此，如步骤136所示，算出代表爆震强度的值的推定值ye。

图16表示在图14的步骤120中进行的爆震强度代表值的推定处理例程的其他例子。该例程也通过按每一定曲轴角、或者每一定时间的中断来执行。此外，图16的步骤140～步骤143的内容与图15的步骤130～步骤133的内容相同。即，参照图16，首先，在步骤140中判别是否处于爆震传感器18的输出信号的取入期间中。在该例子中，爆震传感器18的输出信号的取入期间也被设为压缩上止点～压缩上止点后90°的期间。因此，在曲轴角为压缩上止点前时，结束处理周期，另一方面，当曲轴角经过压缩上止点时，判别为处于爆震传感器18的输出信号的取入期间中，进入步骤141。

在步骤141中，爆震传感器18的输出信号经由所对应的ad变换器36和例如仅使5khz～25khz程度的频率的输入信号通过的数字带通滤波器37而被取入。即，取入滤波后的爆震传感器18的输出值。接着，在步骤142中，所取入的滤波后的爆震传感器18的输出值被存储在电子控制单元30的存储器32内。接着，在步骤143中，判别爆震传感器18的输出信号的取入期间是否已结束。即，判别曲轴角是否到达了压缩上止点后90°。在步骤143中判别为爆震传感器18的输出信号的取入期间未结束时、即判别为曲轴角未到达压缩上止点后90°时，结束处理周期。

与此相对，在步骤143中判别为爆震传感器18的输出信号的取入期间已结束时、即判别为曲轴角到达了压缩上止点后90°时，进入步骤144。在步骤144中，基于存储于存储器32内的滤波后的爆震传感器18的输出值，如参照图6c说明过的那样，算出按每曲轴角度5°而分割的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。接着，在步骤145中，滤波后的爆震传感器18的输出值的所算出的各积分值被输入到自动编码器、即正常信号生成模型60。接着，在步骤146中，正常信号生成模型60的输出值、即自动编码器的输出值x^out1、x^out2、……、x^outn-1、x^outn被输入到所对应的已学习的神经网络20的输入层(l＝1)的各节点。此时，从已学习的神经网络20输出代表爆震强度的值的推定值ye，因此，如步骤147所示，算出代表爆震强度的值的推定值ye。

图17示出基于在图15的步骤136中算出的代表爆震强度的值的推定值ye或者在图16的步骤147中算出的代表爆震强度的值的推定值ye来在电子控制单元30内执行的爆震判定例程。该例程通过按每一定曲轴角的中断来执行。参照图17，首先，在步骤150中读入对于代表爆震强度的值的阈值mij。如图18所示，该阈值mij是对于根据内燃机负荷l和内燃机转速ne分割为多个的各内燃机运转区域预先设定的。

接着，在步骤151中，判别所算出的代表爆震强度的值的推定值ye是否大于阈值mij。在判别为所算出的代表爆震强度的值的推定值ye不大于阈值mij时，进入步骤152，判别为未产生爆震，接着，结束处理周期。此外，以下，在这些代表爆震强度的值的推定值ye不大于阈值mij时，即使为产生了弱的爆震，为了便于处理说明，也称为未产生爆震。另一方面，在判别为所算出的代表爆震强度的值的推定值ye大于阈值mij时，进入步骤153，判别为产生爆震，接着，结束处理周期。

图19表示基于图17所示的爆震判定例程的判定结果而在电子控制单元30内执行的点火控制例程。该例程通过每一定曲轴角的中断来执行。参照图19，首先，在步骤160中，算出基准点火正时ig(btdc)。该基准点火正时ig被作为内燃机负荷l与内燃机转速ne的函数而以如图20所示那样的映射的形式存储于预先存储器32内。接着，在步骤161中，基于图17所示的爆震判定例程的判定结果，判别是否产生了爆震。在判别为产生了爆震时，进入步骤162。

在步骤162中，为了使点火正时延迟，在点火正时延迟量δig加上一定量α。接着，在步骤166中，通过从基准点火正时ig减去点火正时延迟量δig，从而算出最终的点火正时igo。基于该最终的点火正时igo，控制通过火花塞11实现的点火作用。此时，点火正时被延迟一定量α。另一方面，在步骤161判别为未产生爆震时，进入步骤163，为了使点火正时提前，从点火正时延迟量δig减去一定量β。

接着，在步骤164中，判别点火正时延迟量δig是否变为了负，在点火正时延迟量δig未变为负时，进入步骤166，算出最终的点火正时igo。此时，点火正时被提前一定量β。此外，在本发明涉及的实施例中，一定量α被设定为比一定量β大的值。换言之，延迟量α被设定为比提前量β大的值。另一方面，在步骤164中，在判别为点火正时延迟量δig变为了负时，进入步骤165，在点火正时延迟量δig被设为零之后，进入步骤166。此时，点火正时被设为基准点火正时ig。

这样，在本发明涉及的实施例中，如图21所示，设置有存储装置61，存储装置61存储有正常信号生成模型60和已学习神经网络20，正常信号生成模型60事先被进行了学习以使得在被输入了对内燃机主体1的振动进行检测的爆震传感器18的输出值时、输出除去了该输出值所包含的未学习噪声成分值后的已除去噪声输出值，已学习神经网络20事先被进行了学习以使得在被输入了爆震传感器的输出值和正常信号生成模型的已除去噪声输出值中的某一方时、输出根据压力传感器19的输出值求出的代表爆震强度的值的推定值，压力传感器19对因点火而产生的混合气的燃烧压进行检测。进一步，设置有推定值取得部62和控制部63，推定值取得部62取得将在内燃机运转时所取得的爆震传感器18的输出值输入到正常信号生成模型60、并且将从正常信号生成模型60输出的已除去噪声输出值输入到已学习神经网络20来从已学习神经网络20输出的代表爆震强度的值的推定值，控制部63基于在推定值取得部62中取得的代表爆震强度的值的推定值来进行点火正时的延迟控制。在该情况下，在本发明涉及的实施例中，正常信号生成模型60包括自动编码器。

另外，在本发明涉及的实施例中，代表爆震强度的值为预先设定的期间内的压力传感器19的输出值的峰值，或者，代表爆震强度的值为预先设定的期间内的压力传感器19的输出值的积分值。另外，在该情况下，预先设定的期间为一定的曲轴角度范围、例如压缩上止点～压缩上止点后90°的范围。

另一方面，在本发明涉及的实施例中，爆震传感器18的输出值为预先设定的期间内的输出值，或者，爆震传感器18的输出值为在预先设定的期间内等分割而得到的区间内的爆震传感器18的输出值的积分值。在该情况下，预先设定的期间为一定的曲轴角度范围、例如压缩上止点～压缩上止点后90°的范围。另外，当关于爆震传感器18的输出值的积分值举出一个例子时，该爆震传感器18的输出值的积分值为按每曲轴角度5°而等分割后的各区间内的滤波后的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)。

此外，如前所述，在本发明的实施例中使用的正常信号生成模型60中，即使为在爆震传感器18的输出值重叠了未进行权重的学习的内燃机的振动、即未学习的内燃机的振动，也从正常信号生成模型60输出除去了爆震传感器18的输出值所包含的未学习的内燃机的振动值、即未学习噪声成分值后的已除去噪声输出值。即，即使是在将图21所示的具有正常信号生成模型60、已学习神经网络20、推定值取得部62、控制部63的点火正时控制装置使用在了市售用的内燃机中的情况下，也从正常信号生成模型60输出除去了爆震传感器18的输出值所包含的未学习的内燃机的振动值、即未学习噪声成分值后的已除去噪声输出值。

因此，即使为将图21所示的点火正时控制装置使用在了市售用的内燃机中、那时产生了未进行权重的学习的内燃机的振动、即未学习的内燃机的振动，也能对误判断为因爆震而在内燃机主体1中产生振动进行抑制。这样，图21所示的点火正时控制装置具有能够对误判断为因爆震而在内燃机主体1中产生振动进行抑制这一大优点。此外，在将图21所示的点火正时控制装置使用在市售用的内燃机中的情况下，使用图13所示的向电子控制单元的数据读入例程，正常信号生成模型60以及已学习神经网络20被保存于市售用的内燃机的电子控制单元30内。

此外，图21所示的点火正时控制装置具有能够对误判断为因爆震而在内燃机主体1产生振动进行抑制这一大优点，因此，若使用图21所示的点火正时控制装置，有时也足以高精度地对内燃机主体的振动进行检测。然而，实际上难以通过正常信号生成模型60完全除去爆震传感器18的输出值所包含的未学习噪声成分值，虽能够对误判断为因爆震而在内燃机主体1产生振动进行抑制，但有时也希望进一步进行抑制。于是，接着，对能够进一步对误判断为因爆震而在内燃机主体1产生振动进行抑制的第2实施例进行说明。

当说明该第2实施例时，首先，对在图1和图5所示的内燃机中实施的爆震处理进行说明。此外，在该第2实施例中，将神经网络20以及已学习神经网络20分别称为第1神经网络20以及第1已学习神经网络20。图14～图17以及图19所示的爆震处理按各气缸分别独立地执行，图22表示某一个气缸中的爆震处理的一个例子。在图22中示出了周期编号，进行点火的定时、进行向第1已学习神经网络20取入输入值x1、x2、……、xn－1、xn的取入作业的期间、从第1已学习神经网络20输出的代表爆震强度的值的推定值ye、进行是否产生了爆震的判定的爆震判定定时、爆震的判定结果以及点火正时。

在本发明涉及的实施例中，吸气上止点tdc～下一吸气上止点tdc的720曲轴角度被作为1个周期，从内燃机开始了运转时起的周期编号被设为k1、k2、……、kn、kn+1、kn+2、kn+3、……。在图22中示出这些周期编号成为了kn、kn+1、kn+2、kn+3的时候，为了能够容易地理解爆震处理，以下，使用这些周期编号kn、kn+1、kn+2、kn+3来进行说明。在本发明涉及的实施例中，每当活塞4的位置到达压缩上止点tdc时，执行图14所示的爆震处理。当执行爆震处理时，执行图15或者图16所示的爆震强度代表值的推定例程，正常信号生成模型60的输出值、即自动编码器的输出值x^out1、x^out2、……、x^outn-1、x^outn被输入到第1已学习神经网络20。

当自动编码器的x^out1、x^out2、……、x^outn-1、x^outn被输入到第1已学习神经网络20时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。当从第1已学习神经网络20输出代表爆震强度的值的推定值ye时，执行图17所示的爆震判定例程，进行是否产生了爆震的判定。此时，当代表爆震强度的值的推定值ye超过阈值mij时，判定为产生了爆震。当进行是否产生了爆震的判定后，执行图19所示的点火控制例程。

如图22所示，当代表爆震强度的值的推定值ye超过阈值mij时，在下一周期中，点火正时被延迟。在点火正时被延迟的多数情况下，代表爆震强度的值的推定值ye多会降低到阈值mij以下。另一方面，即使点火正时延迟，有时代表爆震强度的值的推定值ye也不降低到阈值mij以下。图22表示即使点火正时这样被延迟、代表爆震强度的值的推定值ye也不降低到阈值mij以下的情况下的例子。

即，在图22所示的例子中，判别为在周期变为了编号kn的周期时、代表爆震强度的值的推定值ye超过了阈值mij，由此，在下一周期kn+1中点火正时被延迟。接着，即使是在下一周期kn+1，也判别为代表爆震强度的值的推定值ye超过了阈值mij，由此，在再下一周期kn+2中，点火正时也被延迟。当在周期kn+2中点火正时被延迟时，代表爆震强度的值的推定值ye降低到阈值mij以下，由此判别为未产生爆震。当判别为未产生爆震时，在下一周期kn+3中，点火正时被提前，只要不产生爆震，点火正时就持续被提前。此外，如从图22可知那样，在本发明涉及的实施例中，提前量被设为比延迟量小。

如前所述，图5所示的内燃机是为了对第1神经网络20的权重进行学习而在图1所示的内燃机安装有压力传感器19的内燃机。在这些图1或者图5所示的内燃机中，在使用正常信号生成模型60和第1已学习神经网络20进行了如参照图22说明过的那样的爆震处理的情况下，不产生任何问题。然而，当在其他内燃机、例如市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行如参照图22说明过的那样的爆震处理时，即使为使用了正常信号生成模型60，也会产生问题。于是，接着，参照图23a～图26对产生什么样的问题进行说明。

图23a表示燃烧室5内的燃烧压与曲轴角(atdc)的关系。此外，在图23a中，实线表示产生了爆震时的燃烧室5内的燃烧压的变化，虚线表示未产生爆震时的燃烧室5内的燃烧压的变化。如从图23a可知那样，当产生爆震时，在压缩上止点tdc后，燃烧室5内的燃烧压急剧上升。在图23b中，由各点表示此时的实际的燃烧室5内的燃烧压的上升量与爆震强度的关系。如图23b所示，燃烧室5内的燃烧压的上升量越大，爆震强度越大。即，燃烧室5内的燃烧压的上升量越大，代表爆震强度的值的推定值ye越大。因此，第1已学习神经网络20的输入值和输出值成为表示这些燃烧室5内的燃烧压的上升量与爆震强度的关系。

图24示出在图5所示的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行了图22所示的爆震处理时的压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压、代表爆震强度的值的推定值ye各自的值的变化。此外，在图24中，(a)表示图22的周期kn中的这些值的变化，(b)表示图22的周期kn+1中的这些值的变化，(c)表示图22的周期kn+2中的这些值的变化。如从图22可知那样，随着周期向kn+1、kn+2前进，点火正时逐渐被延迟，如从图24可知那样，随着周期向kn+1、kn+2前进，压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压的上升量以及代表爆震强度的值的推定值ye逐渐降低。

这样，从图22和图24可知：当使点火正时的延迟量增大时，燃烧室5内的燃烧压的上升量和代表爆震强度的值的推定值ye会降低。也可知：在该情况下，当使点火正时的延迟速度增大时，燃烧室5内的燃烧压的上升量和代表爆震强度的值的推定值ye会降低。即，可知：如由图25a的各点所示那样，当使点火正时的延迟量或者延迟速度增大时，燃烧室5内的燃烧压的上升比例降低，如由图25b的各点所示那样，当使点火正时的延迟量或者延迟速度增大时，代表爆震强度的值的推定值ye降低。

另一方面，图26示出在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机安装压力传感器19、使用正常信号生成模型60和第1已学习神经网络20进行了如参照图22说明过的那样的爆震处理的情况下的压力传感器19的输出值、爆震传感器18的输出值、燃烧室5内的燃烧压、代表爆震强度的值的推定值ye各自的值的变化。此外，在该图26中，(a)、(b)、(c)也表示图22的各周期kn、kn+1、kn+2中的这些值的变化。

此外，如前所述，内燃机的构成部件存在公差，因此，按各内燃机而内燃机的构成部件的尺寸会产生偏差，因而会产生按各内燃机而不同的内燃机的振动。然而，第1已学习神经网络20关于这样在各内燃机中产生的不同的内燃机的振动，并未进行权重的学习，因此，当产生这样未进行权重的学习的内燃机的振动、即未学习的内燃机的振动时，即使为使用了正常信号生成模型60，有时也会在第1已学习神经网络20中误判断为因爆震而在内燃机主体1产生了振动。图26的(a)中，作为一个例子示出了如下情况：在周期kn中产生爆震和未学习的内燃机的振动，代表爆震强度的值的推定值ye会超过阈值mij，其结果，判别为发生了爆震。

在该情况下，在下一周期kn+1中，点火正时被延迟，由此，如由图26的(b)所示那样，燃烧室5内的燃烧压的上升量降低，压力传感器19的输出值也降低。然而，在产生了不受点火正时的影响的未学习的内燃机的振动的情况下，即使为点火正时已被延迟，未学习的内燃机的振动也不会被抑制，因此，在图26所示的例子中，未学习的内燃机的振动在点火正时被延迟之后也会持续如由图26的(b)所示那样地产生。其结果，在图26所示的例子中，如由图26的(b)所示那样，即使为使用了正常信号生成模型60，因未学习的内燃机的振动，代表爆震强度的值的推定值ye也会成为阈值mij以上，其结果，依然判别为产生了爆震。

在该情况下，在下一周期kn+2中，点火正时再次被延迟，因此，如由图26的(c)所示那样，燃烧室5内的燃烧压的上升量降低，压力传感器19的输出值也降低。然而，即使这样点火正时被延迟，未学习的内燃机的振动也不会被抑制，其结果，在图26所示的例子中，在点火正时被延迟之后，如由图26的(c)所示那样，也持续产生未学习的内燃机的振动。其结果，如由图26的(c)所示那样，即使为使用了正常信号生成模型60，因未学习的内燃机的振动，代表爆震强度的值的推定值ye也成为阈值mij以上，其结果，依然判别为产生了爆震。这样，当持续产生未学习的内燃机的振动时，即使为使用了正常信号生成模型60，有时代表爆震强度的值的推定值ye也会持续超过阈值mij，由此，点火正时的延迟作用会持续起作用。在这样的情况下，点火正时会被过量地延迟，其结果，会产生内燃机的输出大幅地降低这一问题。

另一方面，在如下的情况下也是同样的，该情况为：虽未发生爆震，但由于产生了未学习的内燃机的振动，因此，代表爆震强度的值的推定值ye会超过阈值mij，会判别为发生了爆震。在该情况下，当持续产生未学习的内燃机的振动时，即使为使用了正常信号生成模型60，也会发生如下的情况，该情况为：代表爆震强度的值的推定值ye持续超过阈值mij，点火正时的延迟作用持续起作用。在该情况下，也会产生点火正时被过量地延迟、由此内燃机的输出大幅地降低这一问题。

在该第2实施例中，在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行了爆震处理的情况下，点火正时被进行控制以使得不会因产生未学习的内燃机的振动而点火正时过量地延迟。接着，参照图27a～图28b对此进行说明。此外，图27a～图28b与图22同样地表示判别为在周期kn中代表爆震强度的值的推定值ye超过了阈值mij、由此在下一周期kn+1中点火正时被延迟了的情况下的代表爆震强度的值的推定值ye和点火正时的变化。

首先，参照图27a，图27a表示在图1或者图5所示的内燃机中使用正常信号生成模型60和第1已学习神经网络20来基于爆震传感器18的输出值而进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化。图27a所示的例子中，示出如下情况：判别为在周期kn中代表爆震强度的值的推定值ye超过了阈值mij，由此，在下一周期kn+1中，点火正时被延迟α，其结果，周期kn+1中的代表爆震强度的值的推定值ye降低δye而成为了yee。此外，图27a示出在代表爆震强度的值的推定值ye变为了yee时、代表爆震强度的值的推定值ye变为了阈值mij以下的情况，在该情况下，在下一周期kn+2中，点火正时被提前β1。

另一方面，图27b是用于对设为在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20而基于爆震传感器18的输出值来进行爆震处理的情况下的新的爆震处理方法进行说明的图。此外，图27b示出如下情况：如由实线所示那样，在周期kn中，因产生爆震和未学习的内燃机的振动这两方，代表爆震强度的值的推定值ye超过阈值mij，在周期kn+1以后，即使为使用了正常信号生成模型60，因未学习的内燃机的振动，代表爆震强度的值的推定值ye也会在短暂的期间中持续超过阈值mij。即，在实际的内燃机中，未学习的内燃机的振动会在特定的运转状态下产生，当内燃机的运转状态变化时会逐渐平息，因此，如图27b所示，代表爆震强度的值的推定值ye即使为暂时性地持续超过了阈值mij，过一会儿之后也会逐渐降低。然而，在如图27b所示那样代表爆震强度的值的推定值ye持续超过阈值mij的情况下，当通过图14～图20所示的例程进行爆震处理时，点火正时会持续被延迟，其结果，点火正时会被过量地延迟。于是，在该第2实施例中，为了阻止点火正时被过量地延迟，在点火正时被延迟了时，判别是否因产生爆震而代表爆震强度的值的推定值ye超过阈值mij，在判别为不是因产生爆震而代表爆震强度的值的推定值ye超过阈值mij时，使得在下一周期中使点火正时不延迟。

即，如图27b所示，在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行了爆震处理的情况下，不知道是因仅产生爆震而代表爆震强度的值的推定值ye超过了阈值mij、还是因仅产生未学习的内燃机的振动而代表爆震强度的值的推定值ye超过了阈值mij、或是因产生爆震和未学习的内燃机的振动这两方而代表爆震强度的值的推定值ye超过了阈值mij。

然而，如图27a所示，可知：在因产生爆震而代表爆震强度的值的推定值ye超过了阈值mij、由此点火正时延迟了α的情况下，下一周期中的代表爆震强度的值的推定值ye降低δye而成为yee。

因此，如图27b所示，例如即使在市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行了爆震处理的情况下，在因产生爆震而代表爆震强度的值的推定值ye超过了阈值mij、由此点火正时延迟了α时，如由虚线所示，也预测为下一周期kn+1中的代表爆震强度的值的推定值ye降低δye而成为yee。因此，在点火正时延迟了α时，若代表爆震强度的值的推定值ye降低到该预测值yee附近，则能够判定为产生了爆震。另外，此时成为代表爆震强度的值的推定值ye正确地表示爆震强度。

另一方面，在点火正时延迟了α时，在图27b中，如由实线所示那样，在代表爆震强度的值的推定值ye不降低到预测值yee附近时，在周期kn中，不是仅因产生爆震，而是因产生未学习的内燃机的振动、或者因产生爆震和未学习的内燃机的振动这两方，代表爆震强度的值的推定值ye超过阈值mij。因此，此时成为代表爆震强度的值的推定值ye未正确地表示爆震强度。即，在点火正时延迟了α时的代表爆震强度的值的推定值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差比预先确定的设定值小时，代表爆震强度的值的推定值ye正确地表示爆震强度，在该差比预先确定的设定值大时，代表爆震强度的值的推定值ye未正确地表示爆震强度。

于是，在该第2实施例中，在市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20进行爆震处理的情况下，如图27b所示，在周期kn中判断为代表爆震强度的值的推定值ye超过了阈值mij的情况下，在下一周期kn+1中，根据点火正时延迟了α时的代表爆震强度的值的推定值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差是比预先确定的设定值小、还是比预先确定的设定值大，进行再下一周期kn+2中的点火正时的延迟控制。

即，在该差比预先确定的设定值小时、即代表爆震强度的值的推定值ye正确地表示爆震强度时，基于代表爆震强度的值的推定值ye，进行点火正时的延迟控制。在该情况下，在代表爆震强度的值的推定值ye比阈值mij大时，进行点火正时的延迟作用，在代表爆震强度的值的推定值ye比阈值mij小时，不进行点火正时的延迟作用，此时，在下一周期kn+2中，点火正时被提前β1。另一方面，在该差比预先确定的设定值大时、即代表爆震强度的值的推定值ye未正确地表示爆震强度时，不进行点火正时的延迟控制，为了对状况进行观察，如在图27b中由实线所示那样，点火正时被维持不变。接着，在代表爆震强度的值的推定值ye降低为低于阈值mij之后，点火正时开始每次β1地被提前。

此外，在该第2实施例中，如图27b所示，因未学习的内燃机的振动而代表爆震强度的值的推定值ye持续超过阈值mij的情况下的点火正时提前量β2比如图27a所示那样因仅产生爆震而代表爆震强度的值的推定值ye超过了阈值mij的情况下的点火正时提前量β1小。即，在因未学习的内燃机的振动而代表爆震强度的值的推定值ye持续超过阈值mij的情况下，点火正时慢慢地被提前。

另一方面，图28a与图27a同样地表示在图1或者图5所示的内燃机中使用正常信号生成模型60和第1已学习神经网络20来基于爆震传感器18的输出值进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化，图28b与图27a同样地表示在图5所示的内燃机以外的其他内燃机、例如市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20来基于爆震传感器18的输出值进行了爆震处理时的代表爆震强度的值的推定值ye和点火正时的变化。此外，图28a和图28b表示点火正时两次各延迟了α直到代表爆震强度的值的推定值ye变为阈值mij以下的情况，除了点火正时在两次中进行了延迟之外，与图27a以及图27b所示的情况是同样的。

即，如图28a所示，在因产生爆震而代表爆震强度的值的推定值ye超过了阈值mij、由此点火正时延迟了α的情况下，下一周期kn+1中的代表爆震强度的值的推定值ye降低δye1而成为yee1。此时，爆震的产生尚未平息，因此，代表爆震强度的值的推定值ye依然超过阈值mij，由此，点火正时再次被延迟α。其结果，下一周期kn+2中的代表爆震强度的值的推定值ye降低δye2而成为yee2。

在该第2实施例中，在该情况下，如由图28b的实线所示，在点火正时延迟了α时的代表爆震强度的值的推定值yee1与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差比预先确定的设定值大时、即代表爆震强度的值的推定值ye未正确地表示爆震强度时，不进行点火正时的延迟控制，为了对状况进行观察，如在图28b中由实线表示那样，点火正时被维持不变。接着，在代表爆震强度的值的推定值ye降低为低于阈值mij之后，点火正时开始每次β1地被进行提前。

这样，在该第2实施例中，在市售用的内燃机中使用正常信号生成模型60和第1已学习神经网络20来进行爆震处理的情况下，根据点火正时延迟了时的代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差是比预先确定的设定值小、还是比预先确定的设定值大，进行下一周期中的点火正时的延迟控制。

图29～图36表示设为使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量δye的第1例，图37～图45表示设为使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的第2例。于是，首先参照图29～图36对第1例进行说明。

图30表示在第1例中使用的第2神经网络50。参照图30，在该第2神经网络50中，也与图3所示的神经网络同样地，l＝1表示输入层，l＝2和l＝3表示隐层，l＝4表示输出层。在该第1例中，如图30所示，输入层(l＝1)包括5个节点，5个输入值xx1、xx2、xx3、xx4、xx5被输入到输入层(l＝1)的各节点。另一方面，在图30中记载了隐层(l＝2)和隐层(l＝3)，但这些隐层的层数可以为一层或者任意的层数，另外，这些隐层的节点的数量也可以为任意的个数。此外，输出层(l＝4)的节点的数量被设为1个，从输出层的节点输出的输出值由δye表示。

接着，对图30中的输入值xx1、xx2、xx3、xx4、xx5和输出值δye进行说明。首先对输出值δye进行说明，该输出值δye表示因仅产生爆震而点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量。另一方面，输入值xx1、xx2、xx3、xx4、xx5表示对代表爆震强度的值的推定值ye的降低量产生较大的影响的输入参数，这些输入参数的一览表示于图29。如图29所示，输入参数包括表示内燃机的运转状态的参数、点火正时的延迟量α或者提前量β(β1或者β2)、前一周期中的代表爆震强度的值的推定值yeo。

此外，在该第1例中，表示内燃机的运转状态的参数包括内燃机转速ne、内燃机负荷l以及egr率er。即，在第1例中，内燃机转速ne、内燃机负荷l、egr率er、点火正时的延迟量α或者提前量β、以及前一周期中的代表爆震强度的值的推定值yeo分别被作为输入值xx1、xx2、xx3、xx4、xx5，这些输入值xx1、xx2、xx3、xx4、xx5被输入到第2神经网络50的输入层的各节点。

图31表示如下数据的一览表，该数据是使用制作图9所示的训练数据集时所使用了的图5所示的内燃机主体1、为了制作第2神经网络50用训练数据集而取得的数据。这些数据表示在图5所示的内燃机主体1中在进行使用了图14～图20所示的例程的爆震处理的同时、使内燃机进行运转以使得关于内燃机转速ne、内燃机负荷l、egr率er以及点火正时的延迟量α和提前量β的各种组合产生不发生爆震的运转状态和发生爆震的运转状态这两方的状态时的、各周期的内燃机转速ne、内燃机负荷l、egr率er、代表爆震强度的值的推定值ye以及点火正时的延迟量α和提前量β。这些数据例如暂时性地存储在电子控制单元30的存储器32内。

此外，在取得这些数据时，在本发明涉及的实施例中，点火正时延迟量α被维持为一定，点火正时提前量β被设为提前量β1和提前量β2中的任一个。另外，在图31所示的一览表中包括点火正时被延迟了延迟量α时的代表爆震强度的值的推定值ye的降低量δye。根据点火正时被延迟了延迟量α时的代表爆震强度的值的推定值ye与前一周期中的代表爆震强度的值的推定值yeo之差来求出该降低量δye。例如，在周期kn+1中点火正时被延迟了延迟量α时，通过从周期kn时的代表爆震强度的值的推定值yen减去周期kn+1时的代表爆震强度的值的推定值yen+1，求出降低量δyen+1。例如在cpu33中进行该降低量δye的算出。

这样，在点火正时被延迟了延迟量α时，如图31所示，算出代表爆震强度的值的推定值ye的降低量δye，所算出的降低量δye与延迟量α一起例如暂时性地存储在电子控制单元30的存储器32内。该代表爆震强度的值的推定值ye的降低量δye表示代表爆震强度的值的推定值ye的实际的降低量，因此，该代表爆震强度的值的推定值ye的降低量δye被作为对第2已学习神经网络50的权重进行学习时的正解值、即教师数据。

图32表示用于对第2神经网络50的权重进行学习的训练数据集。对于该训练数据集，在第1实施例中，从图31所示的一览表抽出与点火正时被延迟了延迟量α时的周期中的内燃机转速ne、内燃机负荷l、egr率er、点火正时的延迟量α有关的数据、以及与点火正时被延迟了延迟量α时的周期的前一周期中的代表爆震强度的值的推定值yeo有关的数据来制作该训练数据集，该训练数据集包括表示从图31所示的一览表抽出的输入值xx1、xx2、xx3、xx4、xx5与教师数据yt的关系的m个数据。此外，在该情况下，图31所示的内燃机转速ne、内燃机负荷l、egr率er、点火正时的延迟量α以及前一周期中的代表爆震强度的值的推定值yeo分别被作为输入值xx1、xx2、xx3、xx4、xx5，图31所示的代表爆震强度的值的推定值ye的降低量δye被作为教师数据yt。

在该第1例中，图30所示的第2神经网络50的输入层(l＝1)的节点数、隐层(l＝2)和隐层(l＝3)的节点数、输出层(l＝4)的节点数以及图32所示的训练数据集存储于学习装置23的存储器24，在学习装置23中通过与参照图10已经说明过的学习处理方法同样的学习处理方法，使用图10所示的学习处理例程，进行第2神经网络50的权重的学习。由此，制作第2已学习神经网络50、即代表爆震强度的值的推定值ye的降低量δye的推定模型。

在该第1例中，使用通过第1已学习神经网络20生成的代表爆震强度的值的推定模型、和通过第2已学习神经网络50生成的代表爆震强度的值的推定值ye的降低量δye的推定模型，进行市售车辆的内燃机中的爆震处理。因此，这些代表爆震强度的值的推定模型和代表爆震强度的值的推定值ye的降低量δye的推定模型、即第1已学习神经网络20和第2已学习神经网络50被保存于市售车辆的电子控制单元30内，进一步，正常信号生成模型60保存在市售车辆的电子控制单元30内。对于这些模型向市售车辆的电子控制单元30的保存作用，通过与参照图13已经说明过的方法同样的方法，使用图13所示的向电子控制单元的数据读入例程来进行。

这样，当第1已学习神经网络20、第2已学习神经网络50以及正常信号生成模型60被保存于市售车辆的电子控制单元30时，在电子控制单元30的存储器32内形成第1已学习神经网络20、第2已学习神经网络50以及正常信号生成模型60。图33表示使用在市售车辆的电子控制单元30的存储器32内形成的第1已学习神经网络20、第2已学习神经网络50以及正常信号生成模型60而在市售车辆的内燃机运转时所执行的爆震处理。该爆震处理按各气缸、个别地按每一周期来执行。在该第1例中，该爆震处理例如在曲轴角到达了压缩上止点时被开始。

参照图33，首先，在步骤220中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤221中，进行是否产生爆震的爆震判定处理，接着，在步骤222中，进行点火控制。在步骤220中进行的爆震强度代表值的推定处理通过图15和图16中的任一方所示的爆震强度代表值的推定例程来进行。关于这些爆震强度代表值的推定例程已经进行了说明，因此，省略关于这些爆震强度代表值的推定例程的说明。此外，当执行这些爆震强度代表值的推定例程时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。

图34和图35表示在图33的步骤220中从第1已学习神经网络20输出了代表爆震强度的值的推定值ye时、基于从该第1已学习神经网络20输出的代表爆震强度的值的推定值ye来通过图33的步骤221进行的爆震判定例程。参照图34，首先，在步骤230中，读入对于代表爆震强度的值的阈值mij。如前所述，如图18所示，该阈值mij是针对根据内燃机负荷l和内燃机转速ne而分割为多个的各内燃机运转区域预先设定的。

接着，在步骤231中，判别在应该中止是否产生了爆震的判定时被置位的判定中止标志是否被置位。该判定中止标志通常是被复位的，因此，进入步骤232。在步骤232中，判别在判别为产生了爆震时被置位的产生爆震标志是否被置位。该产生爆震标志通常是被复位的，因此，跳到步骤237。在步骤237中，判别从第1已学习神经网络20输出的代表爆震强度的值的推定值ye是否大于阈值mij。在判别为代表爆震强度的值的推定值ye不大于阈值mij时，进入步骤239，产生爆震标志被复位。接着，结束处理周期。

另一方面，在步骤237中判别为从第1已学习神经网络20输出的代表爆震强度的值的推定值ye大于阈值mij时，进入步骤238，产生爆震标志被置位。当产生爆震标志被置位时，如后述的那样，下一周期中的点火正时被延迟α。另外，当产生爆震标志被置位时，在下一周期中，从步骤232进入步骤233。在步骤233中，内燃机转速ne、内燃机负荷l、egr率er、点火正时的延迟量α以及在前一周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值yeo被输入到第2已学习神经网络50的输入层的各节点，由此，从第2已学习神经网络50输出点火正时被延迟了时的代表爆震强度的值的推定值ye的预测降低量δye。

接着，在步骤234中，通过从在前一周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值yeo减去代表爆震强度的值的推定值ye的预测降低量δye，算出代表爆震强度的值的推定值ye的预测值yee。接着，在步骤235中，为了判别是否产生未学习的内燃机的振动，判别代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差(yee－ye)的绝对值是否大于设定值s。

即，在仅发生爆震时，代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye应当大致相等。因此，在仅发生爆震时，差(yee－ye)的绝对值比设定值s小。因此，此时进入步骤236，表示产生了未学习的内燃机的振动、即噪声的噪声标志被复位。当噪声标志被复位时，如后述的那样，点火正时的提前量被设为β1。接着，进入步骤238。

另一方面，此时，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye正确地表示爆震强度。因此，此时进入步骤237，判别代表爆震强度的值的推定值ye是否大于阈值mij。在判别为代表爆震强度的值的推定值ye大于阈值mij时，进入步骤238，产生爆震标志被置位。此时，下一周期中的点火正时被延迟α。

另一方面，在产生爆震和未学习的内燃机的振动时、或者仅产生未学习的内燃机的振动时，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye应当比代替爆震强度的值的推定值ye的预测值yee大。因此，此时，差(yee－ye)的绝对值比设定值s大。此时，从步骤235进入步骤240，表示产生未学习的内燃机的振动、即噪声的噪声标志被置位。当噪声标志被置位时，如后述的那样，点火正时的提前量被设为β2。接着，进入步骤241。

在步骤241中，产生爆震标志被复位。另一方面，此时，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye未正确地表示爆震强度。因此，此时，为了暂时性地中止点火正时的提前作用和延迟作用，在步骤242中，判定中止标志被置位。接着，结束处理周期。

当判定中止标志被置位时，在下一周期中，从步骤231进入步骤243。在步骤243和步骤244中，在代表爆震强度的值的推定值ye超过了阈值mij之后，因产生未学习的内燃机的振动，从第1已学习神经网络20输出的代表爆震强度的值的推定值ye比阈值mij大的状态持续的情况下，进行使中止了点火正时的提前作用和延迟作用的状态持续、并且使中止了是否发生了爆震的判定的状态持续的处理。

即，在步骤243中，判别从第1已学习神经网络20输出的代表爆震强度的值的推定值ye是否大于阈值mij。在判别为代表爆震强度的值的推定值ye大于阈值mij时，结束处理周期。与此相对，在判别为从第1已学习神经网络20输出的代表爆震强度的值的推定值ye小于阈值mij时，进入步骤244，进行使判定中止标志复位的处理。接着，进入步骤232，再次开始爆震判定处理。

图36表示基于图34和图35所示的爆震判定例程中的判定结果而在电子控制单元30内执行的点火控制例程。参照图36，首先，在步骤250中，判别在爆震判定例程中使用的判定中止标志是否被置位。在判别为判定中止标志被置位时，结束处理周期。与此相对，在判别为判定中止标志未被置位时，进入步骤251，算出基准点火正时ig(btdc)。该基准点火正时ig如前述的那样作为内燃机负荷l与内燃机转速ne的函数而以如图20所示的那样的映射的形式预先存储在存储器32内。接着，在步骤252中，在图34和图35所示的爆震判定例程中，判别产生爆震标志是否被置位。在判别为产生爆震标志被置位时，进入步骤260。

在步骤260中，为了使点火正时延迟，对点火正时延迟量δig加上一定量α。接着，在步骤259中，通过从基准点火正时ig减去点火正时延迟量δig，算出下一周期中的最终的点火正时igo。在下一周期中，在该最终的点火正时igo进行通过火花塞11实现的点火作用。此时，点火正时被延迟一定量α。另一方面，在步骤252中，在判别为产生爆震标志被复位时，进入步骤253，判别噪声标志在图34和图35所示的爆震判定例程中是否被置位。

在判别为噪声标志未被置位时，进入步骤254，提前量β1被作为β，接着，进入步骤256。另一方面，在判别为噪声标志被置位时，进入步骤255，提前量β2被作为β，接着，进入步骤256。在步骤256中，为了使点火正时提前，从点火正时延迟量δig减去β。接着，在步骤257中，判别点火正时延迟量δig是否变为了负，在点火正时延迟量δig未变为负时，进入步骤259，算出下一周期中的最终的点火正时igo。此时，点火正时被提前β。另一方面，在步骤257中判别为点火正时延迟量δig变为了负时，进入步骤258，在点火正时延迟量δig被设为零之后，进入步骤259。此时，点火正时被设为基准点火正时ig。

接着，参照图37～图45，对设为了使用第2神经网络来推定点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的第2例进行说明。在该第2例中，使用循环神经网络来作为第2神经网络。图37示出将在第2例使用的循环神经网络(rnn)展开来表示的图，图38示出循环神经网络。该循环神经网络为周知的，因此，以下，简单地对循环神经网络进行说明。

在图37中，x1^t-1、x2^t-1、x1^t、x2^t、x1^t+1、x2^t+1、x1^t+2、x2^t+2分别表示时刻t－1、t、t+1、t+2的向循环神经网络的输入层输入的时间序列输入值，y^t、y^t+1、y^t+2、y^t+3分别表示时刻t－1、t、t+1、t+2的从循环神经网络的输出层输出的输出值。另外，h^t－1、h^t、h^t+1、h^t+2(h为向量)分别表示时刻t－1、t、t+1、t+2的从循环神经网络的隐层输出的输出值，这些h^t－1、h^t、h^t+1、h^t+2被称为隐藏状态向量。

另一方面，参照图38，在该循环神经网络中，l＝1表示输入层，l＝2表示隐层，l＝3表示输出层。在图38中，点划线框内的节点实际上不存在，是为了说明而记载的节点，因此，在图38所示的例子中，输入层(l＝1)包括2个节点。另外，在图38所示的例子中，隐层(l＝2)包括m个节点(在图38中仅记载了3个)。另一方面，在图38中只记载一个隐层(l＝2)，但该隐层的层数可以设为任意的层数。此外，输出层(l＝3)的节点的数量被设为1个。

图38示出图37的时刻t的输入值x1^t、x2^t和输出值y^t+1。另外，在图38中，h1^t、h2^t、……、hm^t表示图37的时刻t的从隐层的各节点输出的输出值、即隐藏状态向量。在循环神经网络中，如图38所示，前一时刻t－1的从隐层的各节点输出的输出值、即隐藏状态向量h1^t－1、h2^t－1、……、hm^t－1分别乘以所对应的权重w后被输入到隐层的各节点。因此，对各输入值x1^t、x2^t分别乘以所对应的权重w而得到的值、和对前一时刻t－1的各隐藏状态向量h1^t－1、h2^t－1、……、hk^t－1分别乘以所对应的权重w而得到的值被输入到隐层的各节点，在图38的隐层(l＝2)的各节点(k＝1、2、……、m)中算出的总输入值uk成为如下式那样。

在隐层的各节点中算出的总输入值uk通过激活函数被进行变换，从隐层的各节点被作为隐藏状态向量hk^t(k＝1、2、……、m)进行输出。在该情况下，在作为激活函数而例如使用了tanh函数(双曲正切函数)的情况下，从隐层的各节点输出的隐藏状态向量hk^t成为hk^t＝tanh(uk)。这些的隐藏状态向量hk^t被输入到输出层(l＝3)的节点，在输出层的节点中，使用各自对应的权重w，算出由如下式表示的总输入值u。

在本发明涉及的实施例中，在输出层的节点中，使用恒等函数来作为激活函数，因此，从输出层的节点直接输出在输出层的节点所算出的总输入值u来作为输出值y。

接着，对图37所示的输入值x1^t－1、x2^t－1、x1^t、x2^t、x1^t+1、x2^t+1、x1^t+2、x2^t+2以及输出值y^t、y^t+1、y^t+2、y^t+3进行说明。在图37中，时刻t－1、t、t+1、t+2对应于同一气缸的连续的各周期，在本发明涉及的实施例中，在时刻t－1、t、t+1、t+2、即同一气缸的连续的各周期，从第1已学习神经网络20依次输出的代表爆震强度的值的推定值ye分别被作为输入值x1^t－1、x1^t、x1^t+1、x1^t+2。另外，时刻t－1、t、t+1、t+2的、即同一气缸的连续的各周期中的点火正时的延迟量α或者提前量β分别被作为输入值x2^t-1、x2^t、x2^t+1、x2^t+2。

另外，在该情况下，作为输入值，也可以追加egr率er。另一方面，输出值y^t、y^t+1、y^t+2、y^t+3分别是时刻t、t+1、t+2、t+3的、即下一周期中的代表爆震强度的值的推定值ye的预测值yee。在图39中，作为代表性的例子，示出时刻t的输入值和输出值的一览表。

图40表示用于对图37所示的循环神经网络的权重进行学习的训练数据集。对于该训练数据集，在第2例中，通过从图31所示的一览表仅抽出整个周期中的一部分的数据、即从第1已学习神经网络20输出的代表爆震强度的值的推定值ye和点火正时的延迟量α或者提前量β来制作该训练数据集。在该情况下，在该训练数据集中，下一周期中的从第1已学习神经网络20输出的代表爆震强度的值的推定值ye被作为代表爆震强度的值的推定值ye的预测值yee，该代表爆震强度的值的推定值ye的预测值yee被作为教师数据yt。

例如，在图40中，在周期为周期kn时，在周期kn时从第1已学习神经网络20输出的代表爆震强度的值的推定值yen和周期kn时的点火正时的延迟量α被作为周期kn时的输入值x1^t、x2^t，在周期kn+1时从第1已学习神经网络20输出的代表爆震强度的值的推定值yen+1被作为周期kn时的教师数据yt。

在该第2例中，图38所示的循环神经网络的输入层(l＝1)的节点数、隐层(l＝2)的节点数和输出层(l＝3)的节点数以及图40所示的训练数据集也存储于图5所示的学习装置23的存储器24，在学习装置23中，进行循环神经网络的权重的学习。对于该循环神经网络的权重的学习，通常使用trancatedbptt(backpopagationthroughtime，基于时间的反向传播)方法进行，trancatedbptt(截断的bptt)方法是切取被展开表示了的循环神经网络的一部分来进行误差反向传播的方法。

例如，当设为图37是所切取的循环神经网络的一部分时，在图37中，使时刻t－1、t、t+1、t+2的输入值x1^t－1、x2^t－1、x1^t、x2^t、x1^t+1、x2^t+1、x1^t+2、x2^t+2依次输入到循环神经网络，通过误差反向传播法进行循环神经网络的权重的学习，以使得在时刻t+2从循环神经网络输出的输出值y^t+3与所对应的教师数据yt的平方误差e(＝1/2(y^t+3-yt)²)变小。此时的误差逆传播以回溯时间的方式进行，省略关于详细的说明。

在该第2例中，在图40中，例如对于连续的10个周期的数据，通过误差反向传播法进行循环神经网络的权重的学习，当对于连续的10个周期的数据的循环神经网络的权重的学习完成时，对于接下来的连续的10个周期的数据进行循环神经网络的权重的学习。这样，对于全部连续的10个周期的数据进行循环神经网络的权重的学习，直到权重的学习完成。

图41表示权重的学习已完成的已学习循环神经网络。在图41中，在将时刻t作为了当前的时刻的情况下，在该已学习循环神经网络中，当将过去的时刻t－3、t－2、t－1的输入值x1^t－3、x2^t－3、x1^t－2、x2^t－2、x1^t―1、x2^t―1和当前的时刻t的输入值x1^t、x2^t依次输入到循环神经网络时，从循环神经网络输出当前的时刻t的代表爆震强度的值的推定值ye的预测值yee。即，在该第2例中，使用已学习循环神经网络，生成点火正时被延迟了时的代表爆震强度的值的推定值ye的预测值yee的推定模型。

在本发明涉及的第2实施例中，使用通过第1已学习神经网络20生成的代表爆震强度的值的推定模型、通过已学习的循环神经网络生成的代表爆震强度的值的推定值ye的预测值yee的推定模型以及正常信号生成模型60，进行市售车辆的内燃机中的爆震处理。因此，这些代表爆震强度的值的推定模型和代表爆震强度的值的推定值ye的预测值yee的推定模型、即第1已学习神经网络20、已学习的循环神经网络以及正常信号生成模型60被保存在市售车辆的电子控制单元30内。对于这些推定模型的向市售车辆的电子控制单元30的保存作用，通过与参照图13已经说明过的做法同样的方法，使用向图13所示的电子控制单元的数据读入例程来进行。

这样，当第1已学习神经网络20、已学习的循环神经网络以及正常信号生成模型60保存于市售车辆的电子控制单元30时，在电子控制单元30的存储器32内形成第1已学习神经网络20、已学习的循环神经网络以及正常信号生成模型60。图42表示使用在市售车辆的电子控制单元30的存储器32内形成的第1已学习神经网络20、已学习的循环神经网络以及正常信号生成模型60而在市售车辆的内燃机运转时所执行的爆震处理。该爆震处理按各气缸而个别地按每一周期来执行。在该第2例中，该爆震处理例如也在曲轴角到达了压缩上止点时被开始。

图42所示的爆震处理与图33所示的爆震处理是同样的。即，参照图42，首先，在步骤220中，进行根据压力传感器19的输出值求出的代表爆震强度的值、即爆震强度代表值的推定处理。接着，在步骤221中，进行是否产生爆震的爆震判定处理，接着，在步骤222中，进行点火控制。在步骤220中进行的爆震强度代表值的推定处理通过图15和图16中的任一方所示的爆震强度代表值的推定例程来进行。关于这些爆震强度代表值的推定例程已经进行了说明，因此，关于这些爆震强度代表值的推定例程省略说明。此外，当执行这些爆震强度代表值的推定例程时，从第1已学习神经网络20输出代表爆震强度的值的推定值ye。

图43和图44表示在图42的步骤220中从第1已学习神经网络20输出了代表爆震强度的值的推定值ye时、基于从该第1已学习神经网络20输出的代表爆震强度的值的推定值ye而在图42的步骤221中进行的爆震判定例程。图43和图44所示的爆震判定例程的步骤230～232以及步骤235～244与图34和图35所示的爆震判定例程的步骤230～232以及步骤235～244相同，在图43和图44所示的爆震判定例程中，与图34和图35所示的爆震判定例程的不同点仅为：在图43和图44所示的爆震判定例程中，在步骤230之前追加步骤230a，代替图34和图35所示的爆震判定例程的步骤233和234而设置了步骤233a。因此，关于图43和图44，仅对步骤230a和步骤233a进行说明，省略关于其他步骤的说明。

参照图43和图44，在步骤230a中，存储从第1已学习神经网络20输出的代表爆震强度的值的推定值ye，直到对同一气缸进行预先确定的次数的点火、例如直到进行5次点火。另一方面，在步骤233a中，在从进行了预先确定的次数前的点火的周期、例如从5次之前进行了点火的周期到当前的周期为止的各周期中从第1已学习神经网络20输出的代表爆震强度的值的推定值ye、和这些各周期中的点火正时的延迟量α或者提前量β依次被输入到循环神经网络的输入层的各节点，由此，从循环神经网络输出当前的周期中的代表爆震强度的值的推定值ye的预测值yee。

在该第2例中，在步骤235中，也为了判别是否产生未学习的内燃机的振动而判别代表爆震强度的值的推定值ye的预测值yee与从第1已学习神经网络20输出的代表爆震强度的值的推定值ye之差(yee－ye)的绝对值是否大于设定值s，在判别为差(yee－ye)的绝对值小于设定值s时，进入步骤236，噪声标志被复位。接着，进入步骤239，判别代表爆震强度的值的推定值ye是否大于阈值mij。另一方面，在判别为差(yee－ye)的绝对值大于设定值s时，从步骤235进入到步骤240，噪声标志被置位。接着，在步骤241中，产生爆震标志被复位，接着，在步骤242中，判定中止标志被置位。

图45表示基于图43和图44所示的爆震判定例程中的判定结果而在电子控制单元30内所执行的点火控制例程。图45所示的点火控制例程的步骤250～259与图36所示的点火控制例程的步骤250～259相同，在图45所示的点火控制例程中，与图36所示的点火控制例程的不同点仅为：在图45所示的爆震判定例程中，在步骤259之后追加了步骤259a。因此，关于图45，仅对步骤259a进行说明，省略关于其他步骤的说明。

参照图45，在步骤259a中，存储点火正时的延迟量α或者提前量β，直到对同一气缸进行预先确定的次数的点火、例如进行5次点火。在该第2实施例中，也在产生爆震标志被置位了时，点火正时被延迟一定量α，在产生爆震标志被复位了时，点火正时被提前一定量β1或者β2α。

这样，根据该第2实施例，第2已学习神经网络被存储在存储装置32内，该第2已学习神经网络推定点火正时被延迟了时的代表爆震强度的值的推定值的预测值或者预测降低量。当使用第1已学习神经网络20算出的代表爆震强度的值的推定值超过预先确定的阈值时，下一周期中的点火正时被延迟，在点火正时被延迟了的该下一周期中，基于使用第2已学习神经网络算出的代表爆震强度的值的推定值的预测值与使用第1已学习神经网络20算出的代表爆震强度的值的推定值之差，进行再下一周期中的点火正时的延迟控制。在该延迟控制中，在该差比预先确定的设定值小时，若代表爆震强度的值的推定值大于预先设定的阈值，则进行再下一周期中的点火正时的延迟作用，在该差大于预先确定的设定值时，即使为代表爆震强度的值的推定值大于了预先设定的阈值，也不进行再下一周期中的点火正时的延迟作用。

另外，在该第2实施例中，第2已学习神经网络当输入内燃机的运转状态、点火正时的延迟量以及前一周期中的代表爆震强度的值的推定值时，输出点火正时被延迟了时的代表爆震强度的值的推定值的预测降低量。根据该预测降低量求出点火正时被延迟了时的代表爆震强度的值的推定值的预测值。在该情况下，内燃机的运转状态包括内燃机转速、内燃机负荷以及egr率。

另外，在该第2实施例中，第2已学习神经网络包括如下的循环神经网络，该循环神经网络当输入从进行了预先确定的次数前的点火的周期到当前的周期为止的各周期中的代表爆震强度的值的推定值以及点火正时的延迟量或者提前量时，输出当前的周期中的代表爆震强度的值的推定值的预测值。此外，在该第2实施例中，也可以代替循环神经网络，使用带门的循环神经网络(gatedrecurrentneuralnetwork，门控循环神经网络)、例如lstm(longshort-termmemory，长短期记忆)。

另外，在该第2实施例中，在进行了点火正时的延迟作用之后，在代表爆震强度的值的推定值变为了预先确定的阈值以下时，开始点火正时的提前作用，在进行了点火正时的延迟作用时的代表爆震强度的值的推定值与代表爆震强度的值的推定值的预测值之差大于了设定值时，点火正时的提前量被设为小于该差为设定值以下时的该提前量。

接着，参照图46和图47对如下实施例进行说明，该实施例设为：基于在压缩上止点后的一定时间的期间取入的爆震传感器18的输出值和压力传感器19的输出值，进行第1神经网络20的权重的学习，并且，基于在压缩上止点后的一定时间的期间取入的爆震传感器18的输出值，检测爆震的产生。在内燃机工作的一个周期中，取入爆震传感器18和压力传感器19这两方的输出值或者爆震传感器18的输出值的曲轴角范围被称为门(gate)区间，在图46中由实线表示该实施例中的门区间(纵轴)与内燃机转速(横轴)的关系。此外，横轴上的n1、n2、n3表示代表性的内燃机转速。

另一方面，在图47中示出对于各内燃机转速n1、n2、n3的门区间g。另外，在图47中示出设为了算出以等间隔分割的各分割区间内的爆震传感器18的输出值的积分值(负侧的积分值也设为正的值)的情况下的各分割区间s。根据图46和图47可知，在该实施例中，内燃机转速越高，则门区间g越长。此外，在图46和图47所示的例子中，预先设定取入爆震传感器18的输出值和压力传感器19的输出值的期间，该预先设定的期间被设为一定时间。然而，该预先设定的期间不需要一定设为一定时间，也可以设定门区间以使得随着内燃机转速增大、门区间也增大。

另一方面，在到此描述过的实施例中设为：对于内燃机的全部运转区域，使用一个第1已学习神经网络来推定代表爆震强度的值。然而，当这样对于内燃机的全部运转区域只使用一个第1已学习神经网络时，存在代表爆震强度的值的推定精度降低的可能性。为了避免这样的可能性，优选将内燃机的运转区域分割为多个运转区域，按所分割的各运转区域分别使用不同的神经网络。图48a～图48c表示设为了按这样分割的各运转区域而分别使用不同的第1神经网络的实施例。

即，在该实施例中，如图48a～图48c所示，内燃机的运转区域被根据内燃机负荷l和内燃机转速ne而分割为多个运转区域，如图48a所示，按被分割后的各运转区域分别形成不同的第1神经网络nnij，并且，按被分割后的各运转区域分布形成不同的正常信号生成模型60。在该情况下，如图48b所示，按被分割后的各运转区域分别制作如图9所示那样的训练数据集dsij。对于按被分割后的各运转区域而分别形成的第1神经网络nnij的权重的学习，使用所对应的训练数据集dsij，使用图10所示的学习处理例程来进行。同样地，对于按被分割后的各运转区域而分别形成的正常信号生成模型60的权重的学习，也使用所对应的训练数据集，使用图10所示的学习处理例程来进行。另一方面，在该实施例中，如图48c所示，按被分割后的各运转区域来设定对于爆震强度代表值的阈值mij。在该实施例中，按被分割后的各运转区域，使用所对应的正常信号生成模型60和第1已学习神经网络nnij，基于图15或者图16所示的爆震强度代表值的推定例程，算出爆震强度代表值的推定值ye。

另一方面，在该实施例中，第2神经网络也可以按图48a所示的被分割后的各运转区域来分别形成。在该情况下，对于第2神经网络的训练数据集也按被分割后的各运转区域来分别制作，按被分割后的各运转区域而分别形成的第2神经网络的权重的学习使用所对应的训练数据集来进行。另外，在该情况下，当通过某运转区域的第1已学习神经网络nnij算出爆震强度代表值的推定值ye时，使用对于相同的运转区域制作的第2已学习神经网络，使用图48c所示的所对应的阈值mij来判别是否产生了爆震。

这样，在该实施例中，内燃机的运转区域被分割为多个运转区域，并且，对于被分割后的各运转区域，正常信号生成模型60和第1已学习神经网络分别被存储在存储装置内。另外，在使用第2已学习神经网络的情况下，第2已学习神经网络也被存储于存储装置内。在该实施例中，按被分割后的各运转区域，基于使用第2已学习神经网络算出的代表爆震强度的值的推定值的预测值与使用第1已学习神经网络算出的代表爆震强度的值的推定值之差，进行下一周期中的点火正时的延迟控制。

在图49和图51中进一步表示其他实施例。在该实施例中，如图49所示，在内燃机主体1安装有爆震传感器18a和爆震传感器18b，这些爆震传感器18a和爆震传感器18b与能够对爆震传感器18a的输出值的波形和爆震传感器18b的输出值的波形进行检测的检测器21、例如示波器连接。在图49中，当按从左向右的顺序称为第1气缸#1、第2气缸#2、第3气缸#3、第4气缸#4时，爆震传感器18a配置在距第1气缸#1和第2气缸#2等距离的位置，爆震传感器18b配置在距第3气缸#3和第4气缸#4等距离的位置。图49所示的其他构成与图5所示的构成相同，因此，省略关于该图49所示的其他构成的说明。此外，在该实施例中，各爆震传感器18a、18b的输出值被输入到共同的正常信号生成模型60。

图50示出在该实施例中使用的第1神经网络55。参照图50，在该第1神经网络55中，也与图3以及图8所示的神经网络同样地，l＝1表示输入层，l＝2和l＝3表示隐层，l＝4表示输出层。在该实施例中，如从图50可知那样，输入层(l＝1)包括2n个节点。另一方面，在图50中记载了隐层(l＝2)和隐层(l＝3)，但这些隐层的层数可以为一层或者任意的层数，另外，这些隐层的节点的数量也可以为任意的个数。此外，输出层(l＝4)的节点的数量被设为1个，从输出层的节点输出的输出值由y表示。

在图50中，x1、x2、……、xn－1、xn表示从滤波后的爆震传感器18a经由正常信号生成模型60而输入到第1神经网络55的输入值，xx1、xx2、……、xxn－1、xxn表示从滤波后的爆震传感器18b经由正常信号生成模型60而输入到第1神经网络55的输入值。此外，在该实施例中，也使用图6b所示的值或者图6c所示的值来作为输入值x1、x2、……、xxn－1、xxn。即，如图6b所示，被滤波后的爆震传感器18a和爆震传感器18b的输出值本身被作为输入值x1、x2、……、xxn－1、xxn，或者如图6c所示，被滤波后的爆震传感器18a和爆震传感器18b的输出值的积分值(负侧的积分值也设为正的值)、且例如一定曲轴角度内的爆震传感器18a和爆震传感器18b的输出值的积分值被作为输入值x1、x2、……、xxn－1、xxn。

另一方面，作为图50所示的输出值y，与图8所示的情况同样地，采用根据压力传感器19的输出值求出的代表爆震强度的值。在该情况下，与图8所示的情况同样地，在图7b中由圆形记号表示的滤波后的压力传感器19的输出值的峰值被用作输出值y，或者，图7c所示的滤波后的压力传感器19的输出值的积分值(负侧的积分值也设为正的值)被用作输出值y。此外，在该实施例中，根据压力传感器19的输出值求出的代表爆震强度的值的实测值也被作为教师数据yt。

图51表示使用输入值x1、x2、……、xxn－1、xxn、和根据压力传感器19的输出值求出的代表爆震强度的值的实测值、即教师数据yt来制作的训练数据集。如图51所示，在该训练数据集中，取得表示输入值x1、x2、……、xxn－1、xxn与教师数据yt的关系的m个数据。该训练数据集的制作方法与已经说明过的图9所示的训练数据集的制作方法相同。即，在制作训练数据集时，在图49中，使内燃机进行运转以使得关于内燃机负荷和内燃机转速的各种组合而产生不发生爆震的运转状态和发生爆震的运转状态这两方的状态，基于那时从各检测器21、22得到的数据，制作如图51所示那样的训练数据集。

当制作训练数据集时，使用所制作的训练数据集的电子数据，进行图50所示的第1神经网络55的权重的学习。该第1神经网络的权重的学习方法与参照图5在前面描述过的第1神经网络的权重的学习方法相同。即，在进行图50所示的第1神经网络55的权重的学习时，该第1神经网络55的节点数和所制作的训练数据集的电子数据被存储于图49所示的学习装置23的存储器24，在cpu25中，使用图10所示的学习处理例程，进行第1神经网络55的权重的学习。

这样，在该实施例中，具备对内燃机主体1的振动进行检测的多个爆震传感器18a和18b。第1已学习神经网络55当被经由正常信号生成模型60而输入多个爆震传感器18a和18b的输出值时，输出代表爆震强度的值。这样，当使用多个爆震传感器18a和18b，使用两方的爆震传感器18a和18b的输出值，进行第1神经网络55的权重的学习时，与使用了一个爆震传感器时相比，能够取得的信息量增大，因此，能够高精度地推定代表爆震强度的值。