本发明涉及设备控制装置。
背景技术：
一般的设备控制装置在关于设备的控制输出给予了目标值的情况下，通过使控制输出跟随目标值的反馈控制来决定设备的控制输入。但是，在实际的设备控制中，关于设备的状态量大多存在着硬件上或者控制上的各种限制。在这些限制得不到满足的情况下，可能会产生硬件破损和/或控制性能降低。使限制得到满足与使控制输出跟随目标值同样，是在设备控制中追求的重要性能之一。
作为用于使上述的限制得到满足的有效手段之一，可列举参考调节器(referencegovernor)。参考调节器具备预测模型作为用于对输入到反馈控制器的控制输出的目标值进行修正的构成。所述预测模型是将包括设备和反馈控制器的闭环系统进行模型化而得到的。参考调节器利用所述预测模型，预测所述设备的状态量的将来值。而且，参考调节器基于预测出的将来值和施加于该将来值的限制，对控制输出的目标值进行修正。
日本特开2016-61188中公开了将参考调节器应用于作为车载动力设备的柴油发动机的控制的设备控制装置。所述参考调节器具备如下的预测模型，该预测模型将使dpf(柴油微粒过滤器)的床温跟随目标值的反馈控制所涉及的闭环系统的动态特性以“无效时间(deadtime)+二阶振动系统”进行了模型化而得到。在所述参考调节器中，算出对使用预测模型的衰减系数ζ及固有角频率ωn、和上限限制β表现的变量(例如2ζβ/ωn)加上dpf的床温的当前值而得到的值，作为所述床温的目标值的候补。在所述参考调节器中，另外基于所算出的候补，修正床温的目标值。
在一般的参考调节器中，通过使用利用预测模型得到的状态量的将来值和限制的反复运算，缩减(narrowdown)所述状态量的目标值的候补，修正设备的控制输出的目标值。对此，在上述的参考调节器中，仅通过对包括预测模型的衰减系数ζ和上限限制β的变量加上dpf的床温的当前值来算出所述床温的目标值的候补。也就是说，在上述的参考调节器中，修正目标值时不进行反复运算。因此，根据上述的设备控制装置，能够降低参考调节器中的目标值修正所需的运算负荷。
技术实现要素：
然而，上述的设备控制装置以将反馈控制所涉及的闭环系统的动态特性以“无效时间+二阶振动系统”进行模型化而得到的预测模型为前提。因此，在无法将预测模型以“无效时间+二阶振动系统”来表现的情况下，难以修正目标值。另外，在上述的设备控制装置中，上限限制β是针对dpf的床温的每单位时间的变化量设定的，并没有针对dpf的床温本身施加限制。因此，在像针对dpf的床温施加有限制那样的情况下，需要进行上述的反复运算。于是，目标值修正所需的运算负荷的增大不可避免。因此，期望相对于预测模型的通用性高、而且用于简便地进行加入了针对设备的状态量本身的限制的所述状态量的目标值修正的改良。
本发明提供一种相对于预测模型的通用性高，而且能够降低加入了对设备的状态量本身施加的限制的所述状态量的目标值修正所需的运算负荷的设备控制装置。
本发明的第1技术方案涉及的设备控制装置，具备：反馈控制器，其构成为，在被输入设备的预定状态量的目标值时，决定所述设备的控制输入以使所述状态量跟随所述目标值；以及参考调节器，其构成为，在被输入所述状态量的初始目标值时，修正所述初始目标值以使施加于所述状态量的上限限制得到满足，并输出给所述反馈控制器。所述参考调节器构成为，将包括所述初始目标值的目标值候补中的、使预定评价函数的值成为最小的目标值候补决定为使所述上限限制得到满足的目标值；所述评价函数使用第1项和第2项来表现，所述第1项构成为随着目标值候补与所述初始目标值之间的距离的平方的增大而取越大的值，所述第2项构成为随着所述状态量的将来值与所述上限限制的抵触量的增大而取越大的值；所述状态量的将来值使用以目标值候补为变量的n次函数模型来预测，在此，所述n为自然数。所述参考调节器构成为，在所述初始目标值与所述上限限制相抵触的情况下，在将所述上限限制的值代入用目标值候补对所述评价函数进行微分而得到的微分函数的变量所获得的值为零以上时，将使所述上限限制得到满足的目标值决定为所述上限限制的值本身。
在上述第1技术方案中，也可以是，所述n次函数模型是5次以下的函数模型，所述参考调节器构成为，在所述初始目标值与所述上限限制相抵触的情况下，在将所述上限限制的值代入所述微分函数的变量所获得的值小于零时，将绘制于以微分函数为纵轴且以目标值候补为横轴的平面上的所述微分函数的横轴截距的值决定为使所述上限限制得到满足的目标值。
第2技术方案涉及的设备控制装置，具备：反馈控制器，其构成为，在被输入设备的预定状态量的目标值时，决定所述设备的控制输入以使所述状态量跟随所述目标值；以及参考调节器，其构成为，在被输入所述状态量的初始目标值时，修正所述初始目标值以使施加于所述状态量的下限限制得到满足，并输出给所述反馈控制器。所述参考调节器构成为，将包括所述初始目标值的目标值候补中的、使预定评价函数的值成为最小的目标值候补决定为使所述下限限制得到满足的目标值；所述评价函数使用第1项和第2项来表现，所述第1项构成为随着目标值候补与所述初始目标值之间的距离的平方的增大而取越大的值，所述第2项构成为随着所述状态量的将来值与所述下限限制的抵触量的增大而取越大的值；所述状态量的将来值使用以目标值候补为变量的n次函数模型来预测，在此，所述n为自然数。所述参考调节器构成为，在所述初始目标值与所述下限限制相抵触的情况下，在将所述下限限制的值代入用目标值候补对所述评价函数进行微分而得到的微分函数的变量所获得的值为零以下时，将使所述下限限制得到满足的目标值决定为所述下限限制的值本身。
在上述第2技术方案中，也可以是，所述n次函数模型是5次以下的函数模型，所述参考调节器构成为，在所述初始目标值与所述下限限制相抵触的情况下，在将所述下限限制的值代入所述微分函数的变量所获得的值大于零时，将绘制于以微分函数为纵轴且以目标值候补为横轴的平面上的所述微分函数的横轴截距的值决定为使所述下限限制得到满足的目标值。
根据第1技术方案，能够使用以目标值候补为变量的n次函数模型来预测状态量的预测值，因此，能够提高相对于预测模型的通用性。另外，根据第1技术方案，能够在被输入参考调节器的初始目标值与上限限制相抵触的情况下，在将上限限制的值代入用目标值候补对评价函数进行微分而得到的微分函数的变量所获得的值为零以上时，将使上限限制得到满足的目标值决定为上限限制的值本身。也就是说，根据第1技术方案，也能够在决定目标值时省略反复运算。因此，也能够降低参考调节器中的决定目标值所需的运算负荷。
根据上述第1技术方案，在上述n次函数模型是5次以下的函数模型的情况下，在上述值小于零时，能够将微分函数的横轴截距的值决定为使上限限制得到满足的目标值。也就是说，根据上述第1技术方案，能够在决定目标值时省略反复运算。因此，能够降低参考调节器中的决定目标值所需的运算负荷。
根据第2技术方案，能够使用以目标值候补为变量的n次函数模型来预测状态量的预测值，因此，能够提高相对于预测模型的通用性。另外，根据第2技术方案，能够在被输入参考调节器的初始目标值与下限限制相抵触的情况下，在将下限限制的值代入用目标值候补对评价函数进行微分而得到的微分函数的变量所获得的值为零以下时，将使下限限制得到满足的目标值决定为下限限制的值本身。也就是说，根据第2技术方案，也能够在决定目标值时省略反复运算。因此，也能够降低参考调节器中的决定目标值所需的运算负荷。
根据上述第2技术方案，在上述n次函数模型是5次以下的函数模型的情况下，在上述值大于零时，能够将微分函数的横轴截距的值决定为使下限限制得到满足的目标值。也就是说，根据上述第2技术方案，能够在决定目标值时省略反复运算。因此，能够降低参考调节器中的决定目标值所需的运算负荷。
附图说明
下文将参照附图来描述本发明的示例性实施例的特征、优点以及技术和工业意义，在附图中同样的标号表示同样的要素，其中，
图1是表示本发明的实施方式1涉及的设备控制装置所适用的增压系统的构成例的图。
图2是表示图1所示的ecu40具有的反馈控制构造的图。
图3是表示对图2所示的反馈控制构造进行等价变形而获得的前馈控制构造的图。
图4是对一般的参考调节器算法及其问题点进行说明的图。
图5是将式(2)所示的评价函数j(w)分解为右边第1项和右边第2项，并示意性表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面上的图。
图6是示出对图5所示的右边第1项(i)的梯度加上右边第2项(ii)的梯度而得到的梯度的一例(情况(a))的图。
图7是示出对图5所示的右边第1项(i)的梯度加上该图所示的右边第2项(ii)的梯度而得到的梯度的一例(情况(b))的图。
图8是表示本发明的实施方式1的参考调节器算法的一例的图。
图9是将式(2)所示的评价函数j(w)分解为右边第1项和右边第2项，并示意性表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面上的图。
图10是示出对图9所示的右边第1项(i)的梯度加上右边第2项(ii)的梯度而得到的梯度的一例(情况(a))的图。
图11是示出对图9所示的右边第1项(i)的梯度加上该图所示的右边第2项(ii)的梯度而得到的梯度的一例(情况(b))的图。
图12是表示本发明的实施方式2的参考调节器算法的一例的图。
图13是将式(4)中所示的评价函数j(w)分解为右边第1项和右边第2项，并表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面上的图。
图14是示出对图13所示的右边第1项(iii)的梯度加上右边第2项(iv)的梯度而得到的梯度的一例(情况(c))的图。
图15是示出对图13所示的右边第1项(iii)的梯度加上该图所示的右边第2项(iv)的梯度而得到的梯度的一例(情况(d))的图。
图16是表示本发明的实施方式3的参考调节器算法的一例的图
图17是表示本发明的实施方式4的参考调节器算法的一例的图。
图18是表示能够应用图2所示的反馈控制构造的设备、施加了限制的控制输出以及所述设备的状态量与限制的组合例的图。
具体实施方式
以下，基于附图对本发明的实施方式进行说明。此外，对在各图中共通的要素标注相同的标号并省略重复的说明。另外，本发明并不限定于以下的实施方式。
实施方式1.
首先，参照图1至图8对本发明的实施方式1进行说明。
[设备控制装置所适用的系统的构成的说明]
本发明的实施方式1的设备控制装置可应用于作为车载动力设备的柴油发动机的增压系统。图1是表示本实施方式1涉及的设备控制装置所适用的增压系统的构成例的图。图1所示的增压系统具备直列四汽缸型柴油发动机的主体2。主体2安装有进气歧管4和排气歧管6。对主体2的各汽缸，经由连接于共轨8的喷射器而喷射高压燃料。
进气歧管4连接有从空气净化器20取入的进气所流通的进气通路10。进气通路10另外安装有增压器14的压缩机14a。在压缩机14a的下游设置有中冷器22。在中冷器22的下游设置有柴油节气门(dieselthrottle)24。另一方面，排气歧管6连接有来自主体2的排气所流通的排气通路12。排气通路12另外安装有增压器14的透平机14b。增压器14是可变排量型的增压器，透平机14b设置有可变喷嘴16。
图1所示的增压系统另外具备使排气从排气系统向进气系统回流的egr(exhaustgasrecirculation，排气再循环)装置。egr装置是通过egr通路30来连接柴油节气门24的下游侧的进气通路10与排气歧管6的高压回路egr装置。egr通路30设置有egr阀32。不过，egr装置也可以是通过不同于egr通路30的其他egr通路来连接压缩机14a的上游侧的进气通路10和透平机14b的下游侧的排气通路12的低压回路egr装置。
[设备控制装置的构成的说明]
图1所示的ecu(electroniccontrolunit，电子控制单元)40相当于本实施方式1涉及的设备控制装置。ecu40具备ram(随机存取存储器)、rom(只读存储器)、cpu(微处理器)等。ecu40取入并处理搭载于车辆的各种传感器的信号。各种传感器包括检测发动机转速的转速传感器42、输出与加速器踏板的开度相应的信号的加速器踏板开度传感器44等。ecu40对取入的各种传感器的信号进行处理。ecu40通过由cpu执行ram或者rom所保存的预定控制程序来操作致动器。由ecu40操作的致动器至少包括可变喷嘴16。预定控制程序中至少包括图8所示的算法。
在本实施方式1中，ecu40执行柴油发动机的增压压力的反馈控制(目标值跟随控制)。所述反馈控制的控制输入u是可变喷嘴的开度。另外，所述反馈控制中所使用的柴油发动机的预定状态量x是实际增压压力。“实际增压压力”例如是中冷器22的紧挨着的下游的进气通路10的进气压力。另外，对作为所述反馈控制的控制输出y的增压压力施加有硬件上或者控制上的限制。此外，所述限制并非设定为严格禁止增压压力超过的界限值，而是事先设定为比所述界限值松缓的值。
在本实施方式1的反馈控制中，决定可变喷嘴的开度，以使作为控制输出y的增压压力满足上限限制yuplim，而且作为状态量x的实际增压压力跟随其目标值。参照图2和图3，对所述反馈控制的详细内容进行说明。此外，为便于说明，在下面也将“作为施加有限制的控制输出y的增压压力”表达为“增压压力y”，也将“作为状态量x的实际增压压力”表达为“实际增压压力x”。
[反馈控制构造的说明]
图2是表示图1所示的ecu40具有的反馈控制构造的图。此外，图2所示的反馈控制构造是cpu按照ecu40的rom所保存的控制程序进行工作从而虚拟实现的结构。所述反馈控制构造具备目标值映射(map)50、参考调节器(rg)52、反馈控制器(fbc)54以及设备56。
map50在被给予了表示柴油发动机的运转条件的外生输入d时，将增压压力的初始目标值r输出给rg52。外生输入d包括发动机转速和燃料喷射量。外生输入d所包含的这些物理量既可以是计测值，也可以是推定值。
rg52在由map50给予了增压压力y的初始目标值r时，修正初始目标值r以使与增压压力y有关的上限限制yuplim得到满足，并作为修正目标值w输出给fbc54。将在后面对rg52的构成的详细情况进行说明。
fbc54在由rg52给予了修正目标值w时，决定控制输入u以使实际增压压力x跟随修正目标值w。fbc54的规格不受限定，可以使用公知的反馈控制器。
图3是表示对图2所示的反馈控制构造进行等价变形而获得的前馈控制构造的图。假设在图2中用虚线包围的闭环系统58是已经设计好的，在图3所示的前馈构造中用一个模型来记述。在本实施方式1中，假定闭环系统的模型(以下也称为“预测模型”)由线性模型表示。于是，预测模型通过使用增压压力y、修正目标值w以及模型系数θ(其中θ>0)的下式(1)来记述。
y＝θw…(1)
[基于参考调节器算法的反复运算的问题点]
图4是对一般的参考调节器算法和所述问题点进行说明的图。在图4所示的算法中，针对修正目标值w的候补，有限次地反复进行对控制输出y的将来值y^的预测运算、对评价函数j(w)的运算、和向修正目标值w的下一个候补的移动。将来值y^的预测运算例如使用与在上式(1)中说明的模型同样事先设计的预测模型来进行。评价函数j(w)的运算例如使用下式(2)来进行。
上式(2)的右边第1项是以修正目标值w的候补为变量的函数。所述函数随着由图2所示的map50输入到rg52的初始目标值r与修正目标值w的候补之间的距离越远而取越大的值。上式(2)的右边第2项是以将来值y^为变量的函数。所述函数在将来值y^与上限限制yuplim相抵触的情况下，对目标函数施加补偿。所述函数在将来值y^不与上限限制yuplim相抵触的情况下取零，随着将来值y^与上限限制yuplim的抵触量增大而取越大的值。所述函数另外设定有用于对补偿加权的权重常数ρ(其中ρ>0)。
假定图4所示的一系列动作的反复次数为3次，详细说明图4所示的算法。在该情况下，首先，针对修正目标值w的候补w1，进行使用预测模型的将来值y1^的运算和使用如上式(2)中说明的评价函数j(w)的评价函数j(w1)的运算(第1次运算)。此外，候补w1通常为上述的初始目标值r。第1次运算结束后，移动至修正目标值w的下一个候补w2。然后，针对所述候补w2，进行将来值y2^的运算和评价函数j(w2)的运算(第2次运算)。第2次运算结束后，移动至修正目标值w的下一个候补w3。然后，针对所述候补w3，进行将来值y3^的运算和评价函数j(w3)的运算(第3次运算)。
根据图4所示的算法，在一系列动作的反复次数达到有限次的阶段，进行修正目标值w的最终决定。例如在反复次数为上述的3次的情况下，选择在反复过程中运算出的3个评价函数j(w1)、j(w2)以及j(w3)中的最小值。接下来，将所述最小值的运算中所使用的修正目标值w最终决定为修正目标值w。反馈控制中所使用的是以这种方式决定的修正目标值w。此外，搜索如评价函数j(w)这样的函数的最小值的方法，作为基于梯度法的最优解搜索而广为人知。
在此，成为问题的是一系列动作的反复次数。一系列的反复次数可以任意设定，一般而言反复次数越多，能够选定更合适的修正目标值w的可能性越高。然而，如果一系列的反复次数变多，则会导致到选定修正目标值w为止的运算量增大。除此之外，图1所示的ecu40的cpu的处理能力是有限的。
[实施方式1的特征]
因此，在本实施方式1中，为了减少到选定修正目标值w为止的运算量，进行利用了评价函数j(w)的各项的梯度(微分值)的几何学构造的最优解搜索。图5是将上式(2)中所示的评价函数j(w)分解为右边第1项和右边第2项，并示意性表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面上的图。图5的(i)相当于右边第1项，图5的(ii)相当于右边第2项。如图5所示，右边第1项(i)表现为当修正目标值w变得等于初始目标值r时变为j(w)＝0的2次曲线。右边第2项(ii)在修正目标值w小于上限限制yuplim时用j(w)＝0来表现，若修正目标值w变得大于上限限制yuplim则用j(w)＝ρθw-ρθyuplim来表现。
在所述图5中，初始目标值r示为比上限限制yuplim大的值。这意味着，在从图2所示的map50输入到rg52的阶段，初始目标值r已经超出了上限限制yuplim。
图6是示出对图5所示的右边第1项(i)的梯度加上右边第2项(ii)的梯度而得到的梯度的一例(情况(a))的图。图7是示出对图5所示的右边第1项(i)的梯度加上该图所示的右边第2项(ii)的梯度而得到的梯度的一例(情况(b))的图。图6和图7描绘为以修正目标值w为x轴且以评价函数j(w)的梯度dj(w)/dw为y轴的xy平面。图6和图7所示的虚线表现了右边第1项(i)的梯度d(i)/dw与修正目标值w的关系。另一方面，图6和图7所示的实线表现了通过将右边第2项(ii)的梯度d(ii)/dw加入梯度d(i)/dw所获得的梯度d{(i)+(ii)}/dw与修正目标值w的关系。
如上所述，在本实施方式1中，预测模型利用线性模型来记述。在这种情况下，梯度d(ii)/dw如下。
(1)修正目标值w<上限限制yuplim：零；
(2)修正目标值w>上限限制yuplim：ρθ。
因此，如图6和/或图7所示，梯度d{(i)+(ii)}/dw的轨迹如下所述分为不同情况。
(1)修正目标值w<上限限制yuplim的区域：与梯度d(i)/dw一致的直线；
(2)修正目标值w＝上限限制yuplim：与y轴平行的线段；
(3)修正目标值w>上限限制yuplim的区域：与梯度d(i)/dw平行的直线。
在此，梯度d{(i)+(ii)}/dw的轨迹与y轴平行时的线段的幅度等于ρθ。若所述线段的幅度小，则如图6所示那样成为坐标p(yuplim，2yuplim-2r+ρθ)位于x轴的下侧。相反，若所述线段的幅度大，则如图7所示那样成为坐标p(yuplim，2yuplim-2r+ρθ)位于x轴的上侧。无论怎样，若通过以x轴为基准的坐标p(yuplim，2yuplim-2r+ρθ)的位置来划分情况，则会成为图6的“情况(a)”和图7的“情况(b)”的某一种，而不存在除此之外的情况。此外，坐标p的y坐标基于用j(w)＝2w-2r表现梯度d(i)/dw以及上述线段的幅度等于ρθ来求出。
而且，评价函数j(w)成为最小值是在评价函数j(w)的梯度dj(w)/dw等于零时。也就是说，评价函数j(w)成为最小值是在图6或者图7所示的梯度d{(i)+(ii)}/dw等于零时，也就是在修正目标值w成为梯度d{(i)+(ii)}/dw的x轴截距时。更具体而言，在图6的“情况(a)”，在修正目标值w等于坐标q(r-ρθ/2，0)的x坐标值时，评价函数j(w)成为最小值。在图7的“情况(b)”，在修正目标值w等于坐标r(上限限制yuplim，0)的x坐标值时，评价函数j(w)成为最小值。此外，坐标q的x坐标作为经过坐标p(yuplim，2yuplim-2r+ρθ)的斜率为2的一次直线的x轴截距来求出。
如此，根据本实施方式1，通过以x轴为基准的坐标p(yuplim，2yuplim-2r+ρθ)的位置的情况划分，能够求出评价函数j(w)成为最小值的修正目标值w。也就是说，不进行如图4中说明的反复运算，就能够进行修正目标值w的最优解搜索。由此，能够减少到选定修正目标值w为止的运算量，减轻cpu的运算负荷。
图8是表示本实施方式1的参考调节器算法的一例的图。此外，本算法在判定为每预定控制周期(例如按各汽缸的燃烧循环)算出的初始目标值r为上限限制yuplim以上的情况下执行。
在图8所示的算法中，首先，判定2yuplim-2r+ρθ≥0是否成立(步骤s10)。本步骤的处理是判定图6、图7所示的坐标p的y坐标是否位于x轴的上侧的处理。在步骤s10的判定结果为肯定的情况下，将修正目标值w的最优解决定为上限限制yuplim其本身(步骤s12)。步骤s12的处理是将图7所示的坐标r的x坐标决定为修正目标值w的最优解的处理。另一方面，在步骤s10的判定结果为否定的情况下，将修正目标值w的最优解决定为r-ρθ/2(步骤s14)。步骤s14的处理是将图6所示的坐标q的x坐标决定为修正目标值w的最优解的处理。此外，在步骤s12或者步骤s14中所决定的修正目标值w的最优解将会被输入到图2所示的fbc54。
以上，根据图8所示的算法，能够通过单纯的“if-then-else”语句和交点计算，求出修正目标值w的最优解。因此，能够使ecu40作为参考调节器发挥功能时的cpu的运算负荷最小，能够节约运算资源。
实施方式2.
接着，参照图9至图12对本发明的实施方式2进行说明。此外，本实施方式2的设备控制装置的构成与上述实施方式1基本相同。因此，对于设备控制装置的构成的说明、反馈控制构造的说明，适当地参照图2、图3来进行。
在本实施方式2中，图3所示的闭环系统的模型使用增压压力y、修正目标值w以及模型系数θ2(其中θ2>0)、θ1、θ0，由例如下式(3)所示的2次函数模型来记述。
y＝θ2w2+θ1w+θ0…(3)
[实施方式2的特征]
与上述实施方式1同样，在本实施方式2中，进行利用了评价函数j(w)的梯度的几何学构造的最优解搜索。图9是将上式(2)中所示的评价函数j(w)分解为右边第1项和右边第2项，并示意性表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面上的图。图9的(i)相当于右边第1项，图9的(ii)相当于右边第2项。如图9所示，右边第1项(i)表现为当修正目标值w变得等于初始目标值r时成为j(w)＝0的2次曲线。到此为止与上述实施方式1相同。与上述实施方式1不同的是右边第2项(ii)。即，右边第2项(ii)在修正目标值w小于上限限制yuplim时用j(w)＝0来表现，若修正目标值w变得大于上限限制yuplim则用j(w)＝θ2w2+θ1w+θ0-ρθyuplim来表现。
图10是示出对图9所示的右边第1项(i)的梯度加上右边第2项(ii)的梯度而得到的梯度的一例(情况(a))的图。图11是示出对图9所示的右边第1项(i)的梯度加上该图所示的右边第2项(ii)的梯度而得到的梯度的一例(情况(b))的图。图10和图11所示的线的种类基本上与图6、图7相同。即，图10和图11所示的虚线表现了右边第1项(i)的梯度d(i)/dw与修正目标值w的关系。另一方面，图10和图11所示的实线表现了通过将右边第2项(ii)的梯度d(ii)/dw加入梯度d(i)/dw所获得的梯度d{(i)+(ii)}/dw与修正目标值w的关系。
如上所述，在本实施方式2中，预测模型用2次函数模型来记述。在这种情况下，梯度d(ii)/dw如下。
(1)修正目标值w<上限限制yuplim：零；
(2)修正目标值w>上限限制yuplim：ρ(2θ2w+θ1)。
因此，如图10、图11所示，梯度d{(i)+(ii)}/dw的轨迹如下所述分为不同情况。
(1)修正目标值w<上限限制yuplim的区域：与梯度d(i)/dw一致的直线；
(2)修正目标值w＝上限限制yuplim：与y轴平行的线段；
(3)修正目标值w>上限限制yuplim的区域：具有比梯度d(i)/dw大的梯度的直线。
在此，梯度d{(i)+(ii)}/dw的轨迹与y轴平行时的线段的幅度等于ρ(2θ2yuplim+θ1)。若所述线段的幅度小，则如图10所示那样成为坐标p(yuplim，2yuplim(1+ρθ2)-2r+ρθ1)位于x轴的下侧。相反，若所述线段的幅度大，则如图11所示那样成为坐标p(yuplim，2yuplim(1+ρθ2)-2r+ρθ1)位于x轴的上侧。无论怎样，若通过以x轴为基准的坐标p(yuplim，2yuplim(1+ρθ2)-2r+ρθ1)的位置来划分情况，则会成为图10的“情况(a)”和图11的“情况(b)”的某一种，而不存在除此之外的情况。此外，坐标p的y坐标基于用j(w)＝2w-2r表现梯度d(i)/dw以及上述线段的幅度等于2ρθ2yuplim+ρθ1来求出。
如在上述实施方式1中所述的那样，评价函数j(w)成为最小值是在评价函数j(w)的梯度dj(w)/dw等于零时。更具体而言，在图10的“情况(a)”，在修正目标值w等于坐标q((2r-ρθ1)/2(1+ρθ2)，0)的x坐标值时，评价函数j(w)成为最小值。在图11的“情况(b)”，在修正目标值w等于坐标r(上限限制yuplim，0)的x坐标值时，评价函数j(w)成为最小值。此外，坐标q的x坐标作为经过坐标p(yuplim，2yuplim(1+ρθ2)-2r+ρθ1)的斜率为2(1+ρθ2)的一次直线的x轴截距来求出。
如此，根据本实施方式2，在预测模型通过2次函数模型来记述的情况下，也与上述实施方式1同样地，能够求出评价函数j(w)成为最小值的修正目标值w。由此，与上述实施方式1同样地，能够减少到选定修正目标值w为止的运算量，减轻cpu的运算负荷。
图12是表示本实施方式2的参考调节器算法的一例的图。此外，本算法在判定为每预定控制周期算出的初始目标值r为上限限制yuplim以上的情况如下执行。
在图12所示的算法中，首先，判定2yuplim(1+ρθ2)-2r+ρθ1≥0是否成立(步骤s20)。本步骤的处理是判定图10、图11所示的坐标p的y坐标是否位于x轴的上侧的处理。在步骤s20的判定结果为肯定的情况下，将修正目标值w的最优解决定为上限限制yuplim其本身(步骤s22)。步骤s22的处理是将图11所示的坐标r的x坐标决定为修正目标值w的最优解的处理。另一方面，在步骤s20的判定结果为否定的情况下，将修正目标值w的最优解决定为(2r-ρθ1)/2(1+ρθ2)(步骤s24)。步骤s24的处理是将图10所示的坐标q的x坐标决定为修正目标值w的最优解的处理。此外，在步骤s22或者步骤s24中所决定的修正目标值w的最优解将会被输入到图2所示的fbc54。
以上，根据图12所示的算法，在预测模型通过2次函数模型来记述的情况下，也能够通过单纯的“if-then-else”语句和交点计算，求出修正目标值w的最优解。
实施方式3.
接着，参照图13至图16对本发明的实施方式3进行说明。此外，本实施方式3的设备控制装置的构成与上述实施方式1基本相同。因此，对于设备控制装置的构成的说明、反馈控制构造的说明，适当地参照图2、图3来进行。
与上述实施方式1同样地，在本实施方式3中，图3所示的闭环系统的模型通过上式(1)所示的线性模型来记述。
[实施方式3的特征]
在上述实施方式1中，对增压压力施加有硬件上或者控制上的上限限制。与此相对地，在本实施方式3中，对增压压力施加有硬件上或者控制上的下限限制。设定有下限限制的情况下的评价函数j(w)例如通过下式(4)来记述。
上式(4)的右边第1项与上式(2)的右边第1项为同一函数。上式(4)的右边第2项是以将来值y^为变量的函数。所述函数在将来值y^与下限限制ylolim相抵触的情况下，对目标函数施加补偿。所述函数在将来值y^不与下限限制ylolim相抵触的情况下取零，随着将来值y^与下限限制ylolim的抵触量增大而取越大的值。所述函数中另外设定有用于对补偿加权的权重常数ρ(其中ρ>0)。
图13是将上式(4)中所示的评价函数j(w)分解为右边第1项和右边第2项，并示意性表示于以修正目标值w为x轴且以评价函数j(w)为y轴的xy平面的图。图13的(iii)相当于右边第1项，图13的(iv)相当于右边第2项。如图13所示，右边第1项(iii)表现为当修正目标值w变得等于初始目标值r时成为j(w)＝0的2次曲线。到此为止，与上述实施方式1相同。与上述实施方式1不同的是右边第2项(iv)。即，右边第2项(iv)在修正目标值w大于下限限制ylolim时用j(w)＝0来表现，若修正目标值w变得小于下限限制ylolim则用j(w)＝ρθylolim-ρθw来表现。
在所述图13中，初始目标值r示为比下限限制ylolim小的值。这意味着，在从图2所示的map50输入到rg52的阶段，初始目标值r已经低于了下限限制ylolim。
图14是示出对图13所示的右边第1项(iii)的梯度加上右边第2项(iv)的梯度而得到的梯度的一例(情况(c))的图。图15是示出对图13所示的右边第1项(iii)的梯度加上该图所示的右边第2项(iv)的梯度而得到的梯度的一例(情况(d))的图。图14和图15描绘为以修正目标值w为x轴且以评价函数j(w)的梯度dj(w)/dw为y轴的xy平面。图14和图15所示的虚线表现了右边第1项(iii)的梯度d(iii)/dw与修正目标值w的关系。另一方面，图14和图15所示的实线表现了通过将右边第2项(iv)的梯度d(iv)/dw加入梯度d(iii)/dw所获得的梯度d{(iii)+(iv)}/dw与修正目标值w的关系。
如上所述，在本实施方式3中，预测模型通过线性模型来记述。在这种情况下，梯度d(iv)/dw如下。
(1)修正目标值w<下限限制ylolim：-ρθ；
(2)修正目标值w>下限限制ylolim：零
因此，如图14和/或图15所示，梯度d{((iii)+(iv)}/dw的轨迹如下所述分为不同情况。
(1)修正目标值w>下限限制ylolim的区域：与梯度d(iii)/dw一致的直线；
(2)修正目标值w＝下限限制ylolim：与y轴平行的线段；
(3)修正目标值w<下限限制ylolim的区域：与梯度d(iii)/dw平行的直线。
在此，梯度d{((iii)+(iv)}/dw的轨迹与y轴平行时的线段的幅度等于ρθ。若所述线段的幅度小，则如图14所示那样成为坐标p(ylolim，2ylolim-2r-ρθ)位于x轴的上侧。相反地，若所述线段的幅度大，则如图15所示那样成为坐标p(ylolim，2ylolim-2r-ρθ)位于x轴的下侧。此外，坐标p的y坐标基于用j(w)＝2w-2r表现梯度d(iii)/dw以及上述线段的幅度等于ρθ来求出。
如在上述实施方式1中所述的那样，评价函数j(w)成为最小值是在评价函数j(w)的梯度dj(w)/dw等于零时。也就是说，评价函数j(w)成为最小值是在图14或者图15所示的梯度d{(iii)+(iv)}/dw等于零时，也就是在修正目标值w成为梯度d{(iii)+(iv)}/dw的x轴截距时。更具体而言，在图14的“情况(c)”，在修正目标值w等于坐标q(r+ρθ/2，0)的x坐标值时，评价函数j(w)成为最小值。在图15的“情况(d)”，在修正目标值w等于坐标r(下限限制ylolim，0)的x坐标值时，评价函数j(w)成为最小值。此外，坐标q的x坐标作为经过坐标p(ylolim，2ylolim-2r-ρθ)的斜率为2的一次直线的x轴截距来求出。
如此，根据本实施方式3，在对增压压力施加有下限限制的情况下，也与上述实施方式1同样地，能够求出评价函数j(w)成为最小值的修正目标值w。由此，与上述实施方式1同样地，能够减少到选定修正目标值w为止的运算量，减轻cpu的运算负荷。
图16是表示本实施方式3的参考调节器算法的一例的图。此外，本算法在判定为每预定控制周期算出的初始目标值r为下限限制ylolim以下的情况下执行。
在图16所示的算法中，首先，判定2ylolim-2r-ρθ≤0是否成立(步骤s30)。本步骤的处理是判定图14、图15所示的坐标p的y坐标是否位于x轴的下侧的处理。在步骤s30的判定结果为肯定的情况下，将修正目标值w的最优解决定为下限限制ylolim其本身(步骤s32)。步骤s32的处理是将图15所示的坐标r的x坐标决定为修正目标值w的最优解的处理。另一方面，在步骤s30的判定结果为否定的情况下，将修正目标值w的最优解决定为r+ρθ/2(步骤s34)。步骤s34的处理是将图14所示的坐标q的x坐标决定为修正目标值w的最优解的处理。此外，在步骤s32或者步骤s34中所决定的修正目标值w的最优解将会被输入到图2所示的fbc54。
以上，根据图16所示的算法，在对增压压力y施加有下限限制ylolim的情况下，也能够通过单纯的“if-then-else”语句和交点计算，求出修正目标值w的最优解。
实施方式4.
接着，参照图17对本发明的实施方式4进行说明。此外，本实施方式4的设备控制装置的构成与上述实施方式1基本相同。因此，对于设备控制装置的构成的说明、反馈控制构造的说明，适当地参照图2、图3来进行。
与上述实施方式2同样地，在本实施方式4中，图3所示的闭环系统的模型例如通过上式(3)所示的2次函数模型来记述。另外，与上述实施方式3同样地，在本实施方式4中，对增压压力y施加有硬件上或者控制上的下限限制ylolim。
[实施方式4的特征]
如在上述实施方式2中说明的那样，在预测模型通过2次函数模型来记述的情况下，也能够求出评价函数j(w)成为最小值的修正目标值w。另外，如在上述实施方式3中说明的那样，在对增压压力y施加有下限限制ylolim的情况下，也能够求出评价函数j(w)成为最小值的修正目标值w。因此，如本实施方式4这样，在预测模型通过2次函数模型来记述，而且对增压压力y施加有下限限制ylolim的情况下，也能够求出评价函数j(w)成为最小值的修正目标值w。
图17是表示本实施方式4的参考调节器算法的一例的图。此外，本算法在判定为每预定控制周期算出的初始目标值r为下限限制ylolim以下的情况下执行。
在图17所示的算法中，首先，判定2ylolim(1-ρθ2)-2r-ρθ1≤0是否成立(步骤s40)。在步骤s40的判定结果为肯定的情况下，将修正目标值w的最优解决定为下限限制ylolim其本身(步骤s42)。另一方面，在步骤s40的判定结果为否定的情况下，将修正目标值w的最优解决定为(2r+ρθ1)/2(1-ρθ2)(步骤s44)。此外，在步骤s42或者步骤s44中所决定的修正目标值w的最优解将会被输入到图2所示的fbc54。
以上，根据图17所示的算法，在预测模型通过2次函数模型来记述、而且对增压压力y施加有下限限制ylolim的情况下，也能够通过单纯的“if-then-else”语句和交点计算，求出修正目标值w的最优解。
其他.
另外，在上述实施方式1、3中，通过线性模型(即1次函数模型)记述了预测模型，在上述实施方式2、4中，通过2次函数模型记述了预测模型。然而，也可以通过3次以上的函数模型来记述预测模型。不过，根据在求出图6、图10、图14所示的坐标q的x坐标值时利用了坐标p、以及在求出坐标p的坐标时利用了梯度d(ii)/dw这一情况可知，求出坐标q的x坐标值，需要用修正目标值w对预测模型进行微分而得到的微分函数的解的公式。在此，由于5次方程式中不存在解的公式，因此如果以坐标q的x坐标值的算出为前提，则优选通过5次以下的函数模型来记述预测模型，以使得上述微分函数成为4次以下的函数。
不过，即使在通过6次以上的函数模型来记述预测模型的情况下，图7、图11、图15所示的坐标r的x坐标值也能够利用单纯的“if-then-else”语句来确定。在该情况下，在求出坐标q的x坐标值时，需要进行遵从图4中所说明的一般的参考调节器算法的反复运算。也就是说，在设定有上限限制yuplim的情况下，如果坐标p的y坐标值为零以上，则决定为坐标r的x坐标值、也就是说上限限制yuplim是修正目标值w的最优解。否则，通过上述反复运算来决定坐标q的x坐标值即可。另外，在设定有下限限制ylolim的情况下，如果坐标p的y坐标值为零以下，则决定为坐标r的x坐标值、也就是说下限限制ylolim是修正目标值w的最优解。否则，通过上述反复运算来决定坐标q的x坐标值即可。根据以上观点，本发明能够应用6次以上的函数模型来作为预测模型。
另外，在上述实施方式1至4中，将柴油发动机的增压系统作为适用对象进行了说明，但只要是能够使用以目标值候补为变量的n次函数模型(其中n为自然数)来预测预定状态量的设备，就能够与上述实施方式1至4同样地进行反馈控制。图18是表示能够应用图2所示的反馈控制构造的设备、施加了限制的控制输出以及所述设备的预定状态量与限制的组合例的图。在图18的第1段所示的例子中，设备是柴油发动机的egr系统，施加有上限或者下限限制的控制输出是egr率，预定状态量是实际egr率。在第2段所示的例子中，设备是柴油发动机的后处理系统，施加有上限限制的控制输出是dpf的温度，预定状态量是dpf的实际温度。在第3段所示的例子中，设备是发动机的增压系统，施加有上限或者下限限制的控制输出是vn开度(可变喷嘴的开度)，预定状态量是vn实际开度。在第4段所示的例子中，设备是发动机的egr系统，施加有上限或者下限限制的控制输出是egr阀开度，预定状态量是egr阀实际开度。在第5段所示的例子中，设备是发动机的进气系统，施加有上限或者下限限制的控制输出是节气门开度，预定状态量是节气门实际开度。在第6段所示的例子中，设备是共轨系统，施加有上限或者下限限制的控制输出是喷射轨压力，预定状态量是喷射轨实际压力。