废气再循环系统的异常检测装置的制作方法

本发明涉及废气再循环系统的异常检测装置。

背景技术：

一种内燃机，具有用于使从内燃机排出的废气再循环到节气门下游的进气歧管的废气再循环(以下，称为egr)通路，在该egr通路内配置有egr阀，该内燃机中，为了在打开egr阀时使压力高的废气再循环到进气歧管内，进气歧管的压力比egr阀关闭时上升。因此，能够根据egr阀的打开时和egr阀的关闭时的进气歧管内的压力的变化来判别egr阀是否正常地工作。于是，公知一种废气再循环系统的异常检测装置，在内燃机负荷和内燃机转速分别处于预先确定的范围内且egr阀打开的内燃机中负荷中速运转时使egr阀强制性地关闭一定时间，并根据此时的进气歧管内的压力的变化来判别egr阀是否正常地工作(例如参照专利文献1)。

在先技术文献

专利文献

专利文献1：日本特开平5-001624号公报

技术实现要素：

发明要解决的问题

但是，在内燃机负荷和内燃机转速分别处于预先确定的范围内但内燃机负荷和内燃机转速不同时，进气歧管内的压力大幅变化。因此，在上述的废气再循环系统的异常检测装置，即使在内燃机负荷和内燃机转速分别处于预先确定的范围内的内燃机中负荷中速运转时使egr阀强制性地关闭一定时间，并根据此时的进气歧管内的压力的变化来判别egr阀是否正常地工作，也很难正确地判别egr阀是否正常地工作。

于是，本发明，提供一种废气再循环系统的异常检测装置，在所述废气再循环系统中，在用于使从内燃机排出的废气再循环到节气门下游的进气通路的egr通路内配置egr阀，将目标egr率预先存储作为至少内燃机负荷和内燃机转速的函数，将egr阀开度控制成使得egr率成为目标egr率，在该废气再循环系统的异常检测装置中，存储有学习完毕神经网络，该学习完毕神经网络是将包括内燃机负荷、内燃机转速、节气门下游的进气通路内的进气压和向内燃机的吸入空气量的至少四个参数作为神经网络的输入参数并将目标egr率作为示教数据来进行了权重的学习的神经网络，在内燃机运转时，采用该学习完毕神经网络，根据上述的参数来推定目标egr率，并基于目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常。

发明效果

根据本发明，采用学习完毕神经网络来推定目标egr率，并基于该目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常，从而能正确地检测出废气再循环系统的异常。

附图说明

图1是内燃机的整体图。

图2是表示神经网络的一个例子的图。

图3a和图3b分别是表示最优egr率和基本egr率的映射的图。

图4是表示egr阀目标开度的映射的图。

图5a和图5b分别是用于求出egr阀目标开度和egr率的推定值的功能构成图。

图6是用于求出egr阀目标开度的功能构成图。

图7是表示修正值ka、kb、kc的图。

图8是表示修正值ksa的映射的图。

图9是表示在本发明的实施例中采用的神经网络的图。

图10是表示输入参数的一览表的图。

图11是表示训练数据集的图。

图12是用于说明学习方法的图。

图13是用于制作egr阀目标开度映射和训练数据集的流程图。

图14是用于制作egr阀目标开度映射和训练数据集的流程图。

图15是用于取得数据的流程图。

图16是用于执行学习处理的流程图。

图17是用于将数据读入电子控制单元的流程图。

图18是用于求出egr阀目标开度的功能构成图。

图19是用于执行egr控制的流程图。

图20a、图20b和图20c是表示目标egr率和目标egr的推定值的变化的图。

图21是用于检测异常的流程图。

图22是用于执行判定处理的流程图。

图23a、图23b和图23c是表示目标egr率和目标egr率的推定值的变化等的图。

图24是用于检测异常的流程图。

图25a、图25b和图25c是表示目标egr率和目标egr率的推定值的变化等的图。

图26是用于检测异常的流程图。

标号说明

1内燃机本体

6稳压箱

8吸入空气量检测器

10排气歧管

11节气门

13egr通路

14egr阀

15egr冷却器

16进气压传感器

17进气温度传感器

18大气压传感器

19水温传感器

30电子控制单元

具体实施方式

＜内燃机的整体构成＞

图1示出具有废气再循环系统的内燃机的整体图。参照图1，1表示内燃机本体，2表示各汽缸的燃烧室，3表示配置于各燃烧室1内的火花塞，4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，5表示进气支管，6表示稳压箱，7表示进气管道，8表示吸入空气量检测器，9表示空气滤清器，10表示排气歧管。在进气管道7内配置由执行器11驱动的节气门12。另一方面，排气歧管10经由egr通路13和egr阀14而连结于稳压箱6，在egr通路13内配置用于冷却egr气体的egr冷却器15。由这些egr通路13、egr控制阀14和egr冷却器15构成废气再循环系统。

如图1所示，在稳压箱6内，安装着用于检测稳压箱6内的压力即进气压的进气压传感器16、以及用于检测稳压箱6内的气体温度即进气温度的进气温度传感器17。另外，在空气滤清器9内安装着用于检测大气压的大气压传感器18，在内燃机本体1安装着用于检测冷却水的温度的水温传感器19。而且，在egr阀14安装着用于检测egr阀14的开度的egr阀开度传感器20。

另一方面，在图1中，30表示用于控制内燃机的运转的电子控制单元。如图1所示，电子控制单元30由数字计算机构成，具有由双向性母线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和输出端口35。吸入空气量检测器8、进气压传感器16、进气温度传感器17、大气压传感器18、水温传感器19和egr阀开度传感器20的输出信号分别经由对应的ad转换器36而输入到输入端口34。

另外，在加速踏板40连接着产生与加速踏板40的踏入量成正比的输出电压的负荷传感器41，负荷传感器41的输出电压经由对应的ad转换器36而输入到输入端口34。而且，在输入端口34连接着曲轴每旋转例如30°就产生输出脉冲的曲轴角传感器42。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经由对应的驱动电路37而与各火花塞3、各燃料喷射阀4、节气门12的执行器11和egr阀14相连。

egr率给燃烧室2内的燃烧带来大的影响，最优egr率基本上是内燃机负荷和内燃机转速的函数。因此，通常，最优egr率以至少内燃机负荷和内燃机转速的函数的形式被预先存储作为目标egr率，将egr阀开度控制成使得egr率成为目标egr率。在此情况下，在废气再循环系统产生异常而导致egr率与目标egr率不再一致时会产生各种问题，因此，在废气再循环系统产生了异常的情况下，需要赶紧检测出在废气再循环系统产生了异常的情况。

然而，要仅根据进气压的变化来正确地判别废气再循环系统是否产生了异常是非常困难的。另一方面，在废气再循环系统产生了异常时，egr率与目标egr率不再一致，在egr率与目标egr率之间产生差。于是，在本发明的实施例中，采用学习完毕神经网络来推定目标egr率，并基于该目标egr率的推定值和目标egr率之差来正确地判别废气再循环系统是否产生了异常。

＜神经网络的概要＞

如上述那样，在本发明的实施例中，采用神经网络来推定目标egr率。于是，首先对神经网络进行简单地说明。图2示出简单的神经网络。图2中的圆圈表示人工神经元，在神经网络中，该人工神经元通常被称为节点或单元(在本申请中称为节点)。在图2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2中，x1和x2表示来自输入层(l＝1)的各节点的输出值，y1和y2表示来自输出层(l＝4)的各节点的输出值，z⁽²⁾1、z⁽²⁾2和z⁽²⁾3表示来自隐层(l＝2)的各节点的输出值，z⁽³⁾1、z⁽³⁾2和z⁽³⁾3表示来自隐层(l＝3)的各节点的输出值。此外，隐层的层数能够是1个或任意的个数，输入层的节点的数量和隐层的节点的数量也能够是任意的个数。另外，输出层的节点的数量能够是1个，也能够是多个。在此情况下，在本发明的实施例中，输出层的节点的数量是1个。

在输入层的各节点处，输入保持原样地被输出。另一方面，输入层的各节点的输出值x1和x2被输入隐层(l＝2)的各节点，在隐层(l＝2)的各节点处，分别采用对应的权重w和偏置(bias)b来算出总输入值u。例如，在图2中，在隐层(l＝2)的z⁽²⁾k(k＝1，2，3)所示的节点处算出的总输入值uk如下式。

【数学式1】

然后，该总输入值uk通过活性化函数f来变换，从隐层(l＝2)的z⁽²⁾k所示的节点被输出作为输出值z⁽²⁾k(＝f(uk))。另一方面，隐层(l＝2)的各节点的输出值z⁽²⁾1、z⁽²⁾2和z⁽²⁾3被输入隐层(l＝3)的各节点，在隐层(l＝3)的各节点处，分别采用对应的权重w和偏置b来算出总输入值u(σz·w+b)。该总输入值u同样地通过活性化函数来变换，从隐层(l＝3)的各节点被输出作为输出值z⁽³⁾1、z⁽³⁾2和z⁽³⁾3。作为该活性化函数，采用例如sigmoid函数σ。

另一方面，隐层(l＝3)的各节点的输出值z⁽³⁾1、z⁽³⁾2和z⁽³⁾3被输入输出层(l＝4)的各节点，在输出层的各节点处，分别采用对应的权重w和偏置b来算出总输入值u(σz·w+b)、或者分别仅采用对应的权重w来算出总输入值u(σz·w)。在本发明的实施例中，在输出层的节点处采用恒等函数，因此，在输出层的节点中算出的总输入值u从输出层的节点保持原样地被输出作为输出值y。

＜神经网络中的学习＞

若将表示神经网络的输出值y的真值的示教数据、即真值数据设为yt，则采用误差逆传播算法来学习神经网络中的各权重w和偏置b，以使得输出值y和示教数据yt之差变小。该误差逆传播算法是公知的，因此，以下对误差逆传播算法的概要进行简单地说明。此外，由于偏置b是权重w的一种，所以，以下将偏置b也包括在内地称之为权重w。在图2所示那样的神经网络中，在用w^(l)来表示向l＝2、l＝3或l＝4的各层的节点的输入值u^(l)中的权重时，误差函数e对于权重w^(l)的微分、即梯度改写成下式所示。

【数学式2】

在此，由于所以，若则上述式(1)也能够用下式来表示。

【数学式3】

在此，若u^(l)变动，则通过下一层的总输入值u^(l+1)的变化而引起误差函数e的变动，所以，δ^(l)能够用下式来表示。

【数学式4】

在此，若表示为z^(l)＝f(u^(l))，则在上述式(3)的右边出现的输入值uk^(l+1)能够用下式来表示。

【数学式5】

在此，上述式(3)的右边第1项为δ^(l+1)，上述式(3)的右边第2项能够用下式来表示。

【数学式6】

因此，δ^(l)用下式来表示。

【数学式7】

也就是说，在求出δ^(l+1)后，能够求出δ^(l)。

在输出层(l＝4)的节点为一个、对某输入值求出示教数据yt、来自对于该输入值的输出层的输出值为y的情况下，在采用平方误差作为误差函数时，平方误差e用e＝1/2(y-yt)²求出。在此情况下，在输出层(l＝4)的节点处，输出值y＝f(u^(l))，因此，在此情况下，输出层(l＝4)的节点处的δ^(l)的值用下式来表示。

【数学式8】

在此情况下，在本发明的实施例中，如前述那样，f(u^(l))为恒等函数，f’(u^(ll))＝1。因此，δ^(l)＝y-yt，从而求出δ^(l)。

在求出δ^(l)后，采用上式(6)来求出前层的δ^(l-1)。这样依次求出前层的δ，并采用这些δ的值根据上式(2)对各权重w求出误差函数e的微分、即梯度在求出梯度后，采用该梯度以减少误差函数e的值的方式更新权重w。也就是说，进行权重w的学习。此外，图2所示，在输出层(l＝4)具有多个节点的情况下，将来自各节点的输出值设为y1、y1…、对应的示教数据设为yt1、yt2…时，采用以下的平方和误差e作为误差函数e。

【数学式9】

在此情况下也同样地，输出层(l＝4)的各节点处的δ^(l)的值为δ^(l)＝y-ytk(k＝1，2…n)，采用上式(6)从这些δ^(l)的值求出前层的δ^(l-1)。

＜本发明的实施例＞

首先，参照图3a和图3b，对目标egr率进行说明。如前述那样，最优egr率基本上是内燃机负荷和内燃机转速的函数，在图3a中，该最优egr率以内燃机负荷l和内燃机转速ne的函数的形式来表示。此外，在图3a中，实线表示等egr率曲线，如图3a中箭头所示那样，内燃机负荷越高，则最优egr率越高，内燃机转速越高，则最优egr率越高。最优egr率以图3b所示那样的映射的形式作为基本egr率ra而被预先存储于存储器32内。

接着，对本发明进行说明，首先以能实施本发明的最简单的构成为例来进行本发明的说明。也就是说，在本发明中，将图3b所示的基本egr率ra作为目标egr率rao，并预先求出使egr率成为该目标egr率rao所需的egr阀目标开度sa。该egr阀目标开度sa以图4所示那样的映射的形式作为内燃机负荷l和内燃机转速ne的函数而被预先存储于存储器32内。而且，在本发明中，使egr阀14的开度为与图4所示的内燃机负荷l和内燃机转速ne相应的egr阀目标开度sa。此时，egr率成为图3b所示的目标egr率ra。图5a示出此时的功能构成图。也就是说，在本发明中，与内燃机负荷和内燃机转速相应地，根据图4所示的映射来求出egr阀目标开度sa。

如前述那样，在废气再循环系统产生异常而导致egr率与目标egr率ra不再一致时会产生各种问题，因此，在废气再循环系统产生了异常的情况下，需要赶紧检测出在废气再循环系统产生了异常的情况。在此情况下，例如在egr阀14或egr通路13堵塞而产生了堵塞异常的情况下，即使egr阀14的开度是恒定的，从egr通路13再循环到稳压箱6内的废气量也会减少，结果，egr率降低。因此，无法根据egr阀14的开度的变化来判别egr率降低的情况。

而与之相对地，在从egr通路13再循环到稳压箱6内的废气量减少时，稳压箱6内的压力降低且吸入空气量增大。也就是说，稳压箱6内的压力和吸入空气量受egr率很大的影响。另一方面，内燃机负荷l和内燃机转速ne确定，则目标egr率ra确定。因此，在内燃机负荷l、内燃机转速ne、稳压箱6内的压力和吸入空气量变化时，egr率变化成与内燃机负荷l、内燃机转速ne、稳压箱6内的压力和吸入空气量相对应的egr率。于是，在本发明中，如图5b的功能构成图所示，采用神经网络，根据内燃机负荷l、内燃机转速ne、稳压箱6内的压力和吸入空气量来求出目标egr率的推定值，并基于该目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常。

图5a和图5b示出能实施本发明的最简单的构成，采用该构成能检测出废气再循环系统的异常。另一方面，图6至图8示出再稍细致地设定了目标egr率和egr阀目标开度sa时的实施例，以下，如图6至图8所示，以稍细致地设定了目标egr率和egr阀目标开度sa的实施例为例来对本发明进行说明。

参照图6，在本发明的实施例中，基于内燃机负荷l和内燃机转速ne并根据图3b所示的映射而算出的基本egr率ra由大气压、进气温度和内燃机冷却水温来修正，基于内燃机负荷l和内燃机转速ne并根据图4所示的映射而算出的egr阀目标开度sa由大气压、进气温度和内燃机冷却水温来修正。也就是说，在本发明的实施例中，将基于内燃机负荷l和内燃机转速ne并根据图3b所示的映射而算出的基本egr率ra乘以基于大气压、进气温度和内燃机冷却水温而算出的修正值，并将相乘结果作为目标egr率rao。而且，如图6所示，将基于内燃机负荷l和内燃机转速ne并根据图4所示的映射而算出的egr阀目标开度sa乘以基于大气压、进气温度和内燃机冷却水温而算出的修正值，并将相乘结果作为最终的egr阀目标开度sa。

图7示出对于基本egr率ra的与大气压pa相应的修正值ka、对于基本egr率ra的与进气温度tm相应的修正值kb、以及对于基本egr率ra的与内燃机冷却水温tw相应的修正值kc的一个例子。在图7所示的例子中，修正值ka、kb、kc被确定为，不会使得燃烧恶化而导致不发火的产生。也就是说，大气压pa越低，则吸入空气中的氧浓度越降低。因此，在大气压pa降低时，若将目标egr率ra维持为恒定，则大气压pa越低则越容易产生不发火。因此，为了即使在大气压pa低时也不会产生不发火，如图7所示，大气压pa越低，则使修正值ka越降低。此外，在图7中，pao表示标准大气压(0.1013mpa)，在大气压pa为标准大气压pao以上时，将修正值ka设为1.0。

另一方面，在图7中，在进气温度tm比基准温度tmo(例如5℃)高时不产生不发火，因此，在进气温度tm比基准温度tmo高时，将修正值kb设为1.0。而与之相对地，在进气温度tm比基准温度tmo低时，若将目标egr率ra维持为恒定，则进气温度tm越低则越容易产生不发火。因此，为了即使在进气温度tm低时也不会产生不发火，如图7所示，进气温度tm越低，则使修正值kc越降低。

另一方面，在图7中，在内燃机冷却水温tw比基准温度two(例如70℃)高时不产生不发火，因此，在内燃机冷却水温tw比基准温度two高时，将修正值kc设为1.0。而与之相对地，在内燃机冷却水温tw比基准温度two低时，若将目标egr率ra维持为恒定，则内燃机冷却水温tw越低则越容易产生不发火。因此，为了即使在内燃机冷却水温tw低时也不产生不发火，如图7所示，内燃机冷却水温tw越低，则使修正值kb越降低。

对于基本egr率ra的修正值kkra由图7所示的修正值ka、修正值kb和修正值kc之积(ka·kb·kc)来表示。因此，在本发明的实施例中，基于内燃机负荷l和内燃机转速ne并根据图3b所示的映射而算出的基本egr率ra乘以基于大气压、进气温度和内燃机冷却水温而算出的修正值kkra(＝ka·kb·kc)，并将相乘结果作为目标egr率rao。在此情况下，修正值kkra(＝ka·kb·kc)为1.0以下，因此，目标egr率rao为基于内燃机负荷l和内燃机转速ne并根据图3b所示的映射而算出的基本egr率ra以下。此外，容易产生不发火的是内燃机负荷低时。因此，也能够仅将内燃机负荷l低的预先确定的内燃机低负荷运转区域的基本egr率ra乘以修正值kkra。

这样的目标egr率rao的降低控制通过使egr阀目标开度sa降低来进行。在本发明的实施例中，预先求出使目标egr率rao降低单位egr率所需的egr阀目标开度sa的修正量ksa，该egr阀目标开度sa的修正量ksa例如以图8所示那样的映射的形式作为内燃机负荷l和内燃机转速ne的函数而被预先存储于存储器32内。在此情况下，对于egr阀目标开度sa的修正值kksa为将根据图8所示的映射而算出的修正量ksa乘以对于基本egr率ra的修正值kkra而得到的值(ksa·kkra)。

因此，在本发明的实施例中，如图6所示，将基于内燃机负荷l和内燃机转速ne并根据图4所示的映射而算出的egr阀目标开度sa乘以基于大气压、进气温度和内燃机冷却水温而算出的修正值kksa(＝ksa·kkra)，并将相乘结果作为最终的egr阀目标开度sa。

在本发明的实施例中，采用神经网络来制作目标egr率rao的推定模型，基于通过该目标egr率推定模型而求出的目标egr率rao的推定值和目标egr率rao之差来检测废气再循环系统的异常。于是，首先，参照图9，对用于该目标egr率推定模型的制作的神经网络进行说明。参照图9，在该神经网络50中，与图2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9所示，输入层(l＝1)由n个节点构成，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，图9中记载了隐层(l＝2)和隐层(l＝3)，但这些隐层的层数能够是1个或任意的个数，另外，这些隐层的节点的数量也能够是任意的个数。此外，输出层(l＝4)的节点的数量为1个，用y来表示来自输出层的节点的输出值。在此情况下，输出值y为目标egr率ra的推定值。

接着，参照图10所示的一览表，对图9中的输入值x1、x2…xn-1、xn进行说明。如上述那样，在从egr通路13再循环到稳压箱6内的废气量减少了时，稳压箱6内的压力即进气压降低且吸入空气量增大。也就是说，进气压和吸入空气量受egr率的影响大。另一方面，若内燃机负荷l和内燃机转速ne确定，则基本egr率ra确定。因此，在内燃机负荷l、内燃机转速ne、进气压和吸入空气量变化了时，egr率变化成与内燃机负荷l、内燃机转速ne、进气压和吸入空气量相对应的egr率。

这样，egr率被内燃机负荷l、内燃机转速ne、进气压和吸入空气量所左右，所以，图10列举出内燃机负荷l、内燃机转速ne、进气压和吸入空气量作为必需的输入参数。另一方面，如前述那样，为了阻止不发火的产生，优选与大气压、进气温度和内燃机冷却水温相应地修正基本egr率ra。这些大气压、进气温度和内燃机冷却水温并非必需的输入参数，因此，如图10所示，这些大气压、进气温度和内燃机冷却水温被列举作为辅助的输入参数。

在本发明中，基本上来说，仅将这些必需的输入参数的值作为图9中的输入值x1、x2…xn-1、xn。在此情况下，除了这些必需的输入参数的值之外，还能够将辅助的输入参数的值作为图9中的输入值x1、x2…xn-1、xn。此外，如前述那样，在本发明的实施例中，除了必需的输入参数的值之外，辅助的输入参数的值也能够作为图9中的输入值x1、x2…xn-1、xn。因此，以下，以除了必需的输入参数的值之外将辅助的输入参数的值也作为图9中的输入值x1、x2…xn-1、xn的情况为例，对本发明的实施例进行说明。

图11示出采用输入值x1、x2…xn-1、xn和示教数据yt而制作的训练数据集。在该图11中，输入值x1、x2…xn-1、xn分别表示内燃机负荷l、内燃机转速ne、进气压、吸入空气量、大气压pa、进气温度mt和内燃机冷却水温tw。在此情况下，内燃机负荷l和内燃机转速ne在电子控制单元30内被算出，进气压由进气压传感器16检测，吸入空气量由吸入空气量检测器8检测，大气压由大气压传感器18检测，进气温度由进气温度传感器17检测，内燃机冷却水温tw由水温传感器19检测。

另一方面，图11中的示教数据yt表示目标egr率rao。如图11所示，在该训练数据集中，取得表示输入值x1、x2…xn-1、xn和示教数据yt的关系的m个数据。例如，在第2个数据(no.2)中列举出已取得的输入值x12、x22…xm-12、xm2和示教数据yt2，在第m-1个数据(no.m-1)中列举出已取得的输入参数的输入值x1m-1、x2m-1…xn-1m-1、xnm-1和示教数据y^tm-¹。

在本发明的实施例中，采用图11所示的训练数据集来进行图9所示的神经网络50的权重的学习。于是，接下来对图11所示的训练数据集的制作方法进行说明。图12示出训练数据集的制作方法的一个例子。参照图12，图1所示的内燃机本体1设置于能调整室内压力和室内温度的密闭试验室21内，在该密闭试验室21内设置着能够任意调整内燃机冷却水的温度的内燃机冷却水温调整装置。设置于密闭试验室21内的内燃机本体1由试验控制装置60来进行用于制作训练数据集的内燃机的运转处理。此外，在图12所示的内燃机本体1中，为了实测egr率，在稳压箱6内追加设置用于检测稳压箱6内的气体的co2浓度的co2浓度传感器22，而且，在egr通路13内追加设置用于检测egr通路13内的再循环废气的co2浓度的co2浓度传感器23。

接着，对由这一对co2浓度传感器22、23来实测egr率的方法进行说明。

在将从外气中流入稳压箱6内的吸入空气量设为qa、将从egr通路13流入稳压箱6内的再循环废气量设为qe、将稳压箱6内的co2浓度设为〔co2〕in、将egr通路13内的co2浓度设为〔co2〕ex、将外气中的co2浓度设为〔co2〕out时，从外气中流入稳压箱6内的co2的量和从egr通路13流入稳压箱6内的co2的量之和与稳压箱6内的co2的量相等，所以，下式成立。

【数学式10】

另一方面，egr率用下式来表示。

【数学式11】

若将上式(9)代入上式(10)，则egr率用下式来表示。

【数学式12】

也就是说，egr率为稳压箱6内的co2浓度〔co2〕in、egr通路13内的co2浓度〔co2〕ex和外气中的co2浓度〔co2〕out的函数。

在此，稳压箱6内的co2浓度〔co2〕in和egr通路13内的co2浓度〔co2〕ex分别能够在打开egr阀14而使再循环废气从egr通路13流入稳压箱6内时由co2浓度传感器22、23检测出来，外气中的co2浓度〔co2〕out能够在关闭egr阀14而使再循环废气从egr通路13向稳压箱6内的流入停止时由co2浓度传感器22检测出来。在本发明的实施例中，开关egr阀14并根据co2浓度传感器22、23的检测值来求出稳压箱6内的co2浓度〔co2〕in、egr通路13内的co2浓度〔co2〕ex和外气中的co2浓度〔co2〕out，根据这些稳压箱6内的co2浓度〔co2〕in、egr通路13内的co2浓度〔co2〕ex和外气中的co2浓度〔co2〕out并采用上式(11)来实测egr率。

在本发明的实施例中，在试验控制装置60中，取得用于制作训练数据集的数据，而且，在取得数据时进行制作图4所示的egr阀目标开度sa的映射的处理。在此情况下，在该试验控制装置60中，一边使表示内燃机负荷l的输入值x1、表示内燃机转速ne的输入值x2、表示进气压的输入值x3、表示吸入空气量的输入值x4、表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7依次变化，一边取得用于制作训练数据集的数据，一并进行制作图4所示的egr阀目标开度sa的映射的处理。

图13和图14示出用于制作在试验控制装置60中执行的egr阀目标开度映射和训练数据集的例程。

参照图13，首先在步骤100中，将表示内燃机负荷l的输入值x1和表示内燃机转速ne的输入值x2设为初始值，将表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7设为标准值即1.0。然后，在步骤101中，将图3b所示的基本egr率ra设为目标egr率rao。然后，在步骤102中，取得实测的egr率为目标egr率rao时的各种数据。该步骤102中的各种数据的取得处理在图15所示的子例程中执行。

因此，在此，先对图15所示的子例程进行说明。参照图15，首先，在步骤120中，读入目标egr率rao。然后，在步骤121中，关闭egr阀14。接着，在步骤122中，判别是否经过了一定时间，在经过了一定时间时前进到步骤123。在步骤123中，由co2浓度传感器22来检测稳压箱6内的co2浓度。此时外气流入稳压箱6内，所以，此时由co2浓度传感器22检测的是外气中的co2浓度〔co2〕out。也就是说，在步骤123中，由co2浓度传感器22来检测外气中的co2浓度〔co2〕out。

接着，在步骤124中，打开egr阀14，并且，将egr阀14的开度设为小的初始值。然后，在步骤125中，判别是否经过了一定时间，在经过了一定时间时前进到步骤126。在步骤126中，由co2浓度传感器22来检测稳压箱6内的co2浓度〔co2〕in，由co2浓度传感器23来检测egr通路13内的co2浓度〔co2〕ex。然后，在步骤127中，基于在步骤123中检测出的外气中的co2浓度〔co2〕out、以及在步骤126中检测出的稳压箱6内的co2浓度〔co2〕in和egr通路13内的co2浓度〔co2〕ex，根据上式(11)来算出egr率。该egr率表示egr率的实测值。

接着，在步骤128中，判别算出的egr率即egr率的实测值是否处于从目标egr率rao减去小的一定值α而得到的值(rao-α)与目标egr率rao加上小的一定值α而得到的值(rao+α)之间，即egr率的实测值是否成为目标egr率rao。在判别为egr率的实测值并非目标egr率rao时前进到步骤129，将egr阀14的开度增大小的一定开度。然后，返回步骤125。接着，在步骤126中再次由co2浓度传感器22来检测稳压箱6内的co2浓度〔co2〕in和egr通路13内的co2浓度〔co2〕ex，在步骤127中算出egr率，在步骤128中判别egr率的实测值是否成为了目标egr率rao。

在步骤128中，在判别为算出的egr率即egr率的实测值成为目标egr率rao时，前进到步骤130。在步骤130中，将此时所有输入值x1、x2…xn-1、xn、即表示内燃机负荷l的输入值x1、表示内燃机转速ne的输入值x2、表示进气压的输入值x3、表示吸入空气量的输入值x4、表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7存储于试验控制装置60的存储器内，并将此时的目标egr率rao即图3b所示的基本egr率ra作为示教数据yt而存储于试验控制装置60的存储器内。此时存储于试验控制装置60的存储器内的输入值x1、x2…xn-1、xn和示教数据yt构成图11中的no.1的数据集。

在步骤130中，在输入值x1、x2…xn-1、xn和示教数据yt存储于试验控制装置60的存储器内后，前进到图13的步骤103。在步骤103中，由egr阀开度传感器20来检测此时的、即egr率的实测值成为目标egr率rao时的egr阀14的开度，并将检测出的egr阀14的开度作为egr阀目标开度sa而存储于图4所示的映射。因此，存储于图4所示的映射的egr阀目标开度sa表示使egr率与目标egr率rao一致所需的egr阀14的开度。

接着，在步骤104中，判别是否对输入值x1和输入值x2的所有组合、即对内燃机负荷l和内燃机转速ne的所有组合都完成了数据的取得。在判别为并未对输入值x1和输入值x2的所有组合都完成数据的取得时，前进到步骤105，改变输入值x1和输入值x2的任一方、即内燃机负荷l和内燃机转速ne的任一方。然后，在步骤101中，将基于改变后的内燃机负荷l和内燃机转速ne而取得的图3b所示的基本egr率ra作为目标egr率rao。

接着，在步骤102中，通过图15所示的子例程而将egr率的实测值成为目标egr率rao时的所有输入值x1、x2…xn-1、xn和示教数据yt存储于试验控制装置60的存储器内。由此，形成由输入值x1、x2…xn-1、xn和示教数据yt构成的新的数据集。然后，在步骤103中，将egr率的实测值成为目标egr率rao时的egr阀14的开度作为egr阀目标开度sa而存储于图4所示的映射。反复进行这样的数据的取得作用，直到完成对内燃机负荷l和内燃机转速ne的所有组合的数据的取得。

在步骤104中，在判别为对输入值x1和输入值x2的所有组合、即对内燃机负荷l和内燃机转速ne的所有组合都完成了数据的取得时，前进到步骤106，在表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7并非标准值即1.0时，取得依次改变这些输入值x5、输入值x6和输入值x7时的数据。在此情况下，在本发明的实施例中，输入值x5如图7所示依次改变为隔开间隔的多个大气压pa1、pa2、pa3、…paj，输入值x6如图7所示依次改变为隔开间隔的多个进气温度mt1、mt2、mt3、…mtj，输入值x7如图7所示依次改变为隔开间隔的多个内燃机冷却水温tw1、tw2、tw3、…atwj。

也就是说，首先，在步骤106中，将所有输入值x1、x2…xn-1、xn设为初始值。然后，在步骤107中，根据图7所示的关系来算出与大气压pa相应的修正值ka、与进气温度tm相应的修正值kb和与内燃机冷却水温tw相应的修正值kc，并根据这些修正值ka、修正值kb、修正值kc算出对于基本egr率ra的修正值kkra(＝ka·kb·kc)。然后，在步骤108中，将图3b所示的基本egr率ra乘以修正值kkra而得到的值kkra·ra作为目标egr率rao。

接着，在步骤109中，通过图15所示的子例程而将egr率的实测值成为目标egr率rao时的所有输入值x1、x2…xn-1、xn和示教数据yt存储于试验控制装置60的存储器内。由此，形成由输入值x1、x2…xn-1、xn和示教数据yt构成的新的数据集。然后，在步骤110中，判别是否对输入值x1和输入值x2的所有组合、即对内燃机负荷l和内燃机转速ne的所有组合都完成了数据的取得。在判别为并未对输入值x1和输入值x2的所有组合都完成数据的取得时，前进到步骤111，改变输入值x1和输入值x2的任一方、即内燃机负荷l和内燃机转速ne的任一方。

接着，在步骤107中，基于改变后的内燃机负荷l和内燃机转速ne来算出修正值kkra。此时，由于对于输入值x5、输入值x6和输入值x7的哪一个都没有改变，所以，修正值kkra维持为相同的值。然后，在步骤108中，将基于改变后的内燃机负荷l和内燃机转速ne而取得的图3b所示的基本egr率ra乘以修正值kkra而得到的值kkra·ra作为目标egr率rao。在步骤109中，通过图15所示的子例程而将egr率的实测值成为目标egr率rao时的所有输入值x1、x2…xn-1、xn和示教数据yt存储于试验控制装置60的存储器内。由此，形成由输入值x1、x2…xn-1、xn和示教数据yt构成的新的数据集。反复进行这样的数据的取得作用，直到完成对内燃机负荷l和内燃机转速ne的所有组合的数据的取得。

在步骤110中，在判别为对输入值x1和输入值x2的所有组合、即对内燃机负荷l和内燃机转速ne的所有组合都完成了数据的取得时，前进到步骤112，判别是否对输入值x5、输入值x6和输入值x7的所有组合、即对大气压pa、进气温度mt和内燃机冷却水温tw的所有组合都完成了数据的取得。在判别为并未对输入值x5、输入值x6和输入值x7的所有组合都完成数据的取得时，前进到步骤113，改变大气压pa、进气温度mt和内燃机冷却水温tw的任一个。然后，在步骤114中，将输入值x1和输入值x2初始化。然后，再次返回步骤107。

此时，由于改变了大气压pa、进气温度mt和内燃机冷却水温tw的任一个，所以，在步骤107中更新修正值kkra。然后，在步骤108中，算出目标egr率rao，在步骤109中，通过图15所示的子例程而将egr率的实测值成为目标egr率rao时的所有输入值x1、x2…xn-1、xn和示教数据yt存储于试验控制装置60的存储器内。由此，形成由输入值x1、x2…xn-1、xn和示教数据yt构成的新的数据集。反复进行这样的数据的取得作用，直到完成对内燃机负荷l和内燃机转速ne的所有组合的数据的取得。

在步骤110中，在判别为对内燃机负荷l和内燃机转速ne的所有组合都完成了数据的取得时，前进到步骤112，在步骤112中，判别为并未对输入值x5、输入值x6和输入值x7的所有组合、即对大气压pa、进气温度mt和内燃机冷却水温tw的所有组合完成数据的取得时，前进到步骤113，改变大气压pa、进气温度mt和内燃机冷却水温tw的任一个。然后，再次进行数据的取得作用。反复进行这样的数据的取得作用直到完成对大气压pa、进气温度mt和内燃机冷却水温tw的所有组合的数据的取得。

这样，取得制作训练数据集所需的数据。也就是说，将图11所示的训练数据集的no.1至no.m的输入值x1m、x2m…xnm-1、xnm和示教数据ytm(m＝1，2，3…m)存储于试验控制装置60的存储器内。由此，制作图11所示那样的训练数据集。采用这样制作的训练数据集的电子数据来进行图9所示的神经网络50的权重的学习。

在图12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61。作为该学习装置61，也能够采用个人计算机。如图12所示，该学习装置61具有cpu(微处理器)62和存储装置63即存储器63。在图12所示的例子中，图9所示的神经网络50的节点数和制作出的训练数据集的电子数据被存储于学习装置61的存储器63，在cpu62进行神经网络50的权重的学习。

图16示出在学习装置61中进行的神经网络50的权重的学习处理例程。

参照图16，首先，在步骤200中，读入被存储于学习装置61的存储器63的对神经网络50的训练数据集的各数据。接着，在步骤201中，读入神经网络50的输入层(l＝1)的节点数、隐层(l＝2)和隐层(l＝3)的节点数、以及输出层(l＝4)的节点数，然后，在步骤202中，基于这些节点数来制作图9所示那样的神经网络50。

接着，在步骤203中，进行神经网络50的权重的学习。在该步骤203中，首先将图11的第1个(no.1)输入值x1、x2…xn-1、xn输入神经网络50的输入层(l＝1)的各节点。此时从神经网络50的输出层输出表示目标egr率的推定值的输出值y。在从神经网络50的输出层输出输出值y后，算出该输出值y与第1个(no.1)示教数据yt1之间的平方误差e＝1/2(y-yt1)²，采用前述的误差逆传播算法来进行神经网络50的权重的学习，以使得该平方误差e变小。

在完成了基于图11的第1个(no.1)数据的神经网络50的权重的学习后，接着采用误差逆传播算法来进行基于图11的第2个(no.2)数据的神经网络50的权重的学习。同样地，直到图11的第m个(no.m)为止，依次进行神经网络50的权重的学习。在对图11的第1个(no.1)至第m个(no.m)的所有数据完成了神经网络50的权重的学习后，前进到步骤204。

在步骤204中，例如，算出图11的第1个(no.1)至第m个(no.m)的所有的神经网络的输出值y与示教数据yt之间的平方和误差e，并判别该平方和误差e是否为预先设定的设定误差以下。在判别为平方和误差e并非预先设定的设定误差以下时，返回步骤203，再次基于图11所示的训练数据集来进行神经网络50的权重学习。然后，持续进行神经网络50的权重的学习，直到平方和误差e成为预先设定的设定误差以下。在步骤204中，判别为平方和误差e为预先设定的设定误差以下时，前进到步骤205，将神经网络50的学习完毕权重存储于学习装置61的存储器63内。这样，制作目标egr率的推定模型。

在本发明的实施例中，采用这样制作的目标egr率的推定模型来进行出售车辆中的废气再循环系统的异常检测。为此，将该目标egr率的推定模型保存于出售车辆的电子控制单元30。图17示出为了将目标egr率的推定模型保存于出售车辆的电子控制单元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。

参照图17，首先，在步骤300中，图9所示的神经网络50的输入层(l＝1)的节点数、隐层(l＝2)和隐层(l＝3)的节点数、以及输出层(l＝4)的节点数被读入电子控制单元30的存储器32，然后，在步骤301中，基于这些节点数来制作图9所示那样的神经网络50。接着，在步骤302中，该神经网络50的学习完毕权重被读入电子控制单元30的存储器32。由此，将目标egr率的推定模型保存于出售车辆的电子控制单元30。

图18示出在出售车辆的电子控制单元30中执行的用于求出egr阀目标开度的功能构成图。参照图18，图18示出表示内燃机负荷l的输入值x1、表示内燃机转速ne的输入值x2、表示进气压的输入值x3、表示吸入空气量的输入值x4、表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7。而且，图18示出5个功能块a、b、c、d、e。

如图18所示，在功能块a，基于内燃机负荷(x1)和内燃机转速(x2)并根据图4所示的映射来算出egr阀目标开度sa。另一方面，在功能块c，根据图3b所示的基本egr率ra和图7所示的修正值ka、修正值kb、修正值kc来算出目标egr率rao(＝kkra·ra)。在功能块b，根据该目标egr率rao和图8所示的修正量ksa来算出egr阀目标开度sa的修正量kksa(＝ksa·rao)，并将egr阀目标开度sa乘以该修正值kksa，从而算出egr阀目标开度sao(＝sa·kksa)。

另一方面，在功能块d，采用神经网络50并根据内燃机负荷(x1)、内燃机转速(x2)、进气压(x3)、吸入空气量(x4)、大气压(x5)、进气温度(x6)和内燃机冷却水温tw(x7)来算出目标egr率rao的推定值y。在功能块e，对egr阀目标开度sao(＝sa·kksa)进行反馈修正，以使得目标egr率rao的推定值y与目标egr率rao一致。

图19示出在出售车辆中在车辆行驶中进行的egr控制例程。该egr控制例程通过每隔一定时间的中断来执行。

参照图19，首先，在步骤400中，读入表示内燃机负荷l的输入值x1、表示内燃机转速ne的输入值x2、表示进气压的输入值x3、表示吸入空气量的输入值x4、表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7。然后，在步骤401中，根据图3b所示的映射来算出基本egr率ra。然后，在步骤402中，根据图7所示的修正值ka、修正值kb、修正值kc来算出修正值kkra(＝ka·kb·kc)。然后，在步骤403中，算出目标egr率rao(＝kkra·ra)。

接着，在步骤404中，根据图4所示的映射来算出egr阀目标开度sa，并根据图8所示的映射来算出修正值ksa。然后，在步骤405中，算出对于egr阀目标开度sao的修正值kksa(＝kkra·ksa)。然后，在步骤406中，算出egr阀目标开度sao(＝kksa·sa)。然后，在步骤407中，向神经网络50的输入层的各节点输入表示内燃机负荷l的输入值x1、表示内燃机转速ne的输入值x2、表示进气压的输入值x3、表示吸入空气量的输入值x4、表示大气压pa的输入值x5、表示进气温度mt的输入值x6和表示内燃机冷却水温tw的输入值x7，此时从神经网络50的输出层输出目标egr率rao的推定值y。结果，如步骤408所记载的那样，取得目标egr率rao的推定值y。

接着，在步骤409中，将目标egr率rao的推定值y和目标egr率rao之差乘以常数c而得到的值作为egr阀目标开度sa的修正值δsa。然后，在步骤410中，将在步骤406中算出的egr阀目标开度sao加上该修正值δsa，从而算出最终的egr阀目标开度sao+δsa。然后，在步骤411中，以egr阀14的开度为该最终的目标开度sao+δsa的方式发出egr阀14的驱动命令。也就是说，在步骤409至步骤411中，对egr阀14的开度进行反馈控制，以使得目标egr率rao的推定值y与目标egr率rao一致。此外，图19示出仅采用了比例项的反馈控制的简单的例子，但作为该反馈控制，也能够采用pid控制等各种反馈控制。

在发出egr阀14的驱动命令后，前进到步骤412，进行在使目标egr率rao、目标egr率rao的推定值y和取得了目标egr率rao的推定值y的时刻t在电子控制单元30的存储器32存储一定时间的存储处理。该存储处理是用于进行废气再循环系统的异常检测的处理，在经过一定时间后消去这些取得数据。然后，参照图20a至图26对采用这些取得数据在车辆运转中进行的废气再循环系统的异常检测方法进行说明。

在图20a至图20c中，用实线来表示在车辆运转中目标egr率rao上升时的目标egr率rao随着时间经过的变化，用虚线来表示此时的目标egr率rao的推定值y随着时间经过的变化。图20a示出废气再循环系统为正常时，此时即使目标egr率rao变化，目标egr率rao的推定值y如图20a所示也会追随着目标egr率rao地变化。

另一方面，图20b示出egr阀14产生了响应延迟的情况。也就是说，在目标egr率rao增大了时，为了使egr率增大而增大最终的egr阀目标开度sao+δsa，结果，对egr阀14发出使egr阀14的开度增大的驱动命令。但是，在egr阀14产生了响应延迟时，即使对egr阀14发出使egr阀14的开度增大的驱动命令，egr阀14的开度也不增大。因此，如图20b中虚线所示，表示实际的egr率的变化的目标egr率rao的推定值y不怎么上升。

另一方面，在本发明的实施例中，由于对egr阀14的开度进行反馈控制，所以，在目标egr率rao和目标egr率rao的推定值y之差变大时，最终的egr阀目标开度sao+δsa大幅地增大。结果，表示实际的egr率的变化的目标egr率rao的推定值y如图20b中虚线所示逐渐增大，根据情况，如图20b所示那样上冲(overshoot)后成为目标egr率rao。这样egr阀14是否产生了响应延迟可根据目标egr率rao增大时的目标egr率rao和目标egr率rao的推定值y之egr率差δegr来知晓。

在目标egr率rao的变化量少时，egr率差δegr也小，因此，难以根据egr率差δegr的大小来判别egr阀14是否产生了响应延迟。因此，为了根据egr率差δegr的大小来判别egr阀14是否产生了响应延迟，需要目标egr率rao的变化量大到某种程度。另一方面，即使在目标egr率rao的变化量大到某种程度的情况下，在目标egr率rao缓慢上升时，即使egr阀14产生了响应延迟，表示实际的egr率的变化的目标egr率rao的推定值y也会追随着目标egr率rao地变化而不产生大的egr率差δegr。因此，在目标egr率rao缓慢上升时，难以根据egr率差δegr的大小来判别egr阀14是否产生了响应延迟。

另一方面，在目标egr率rao快速上升时，在egr阀14产生了响应延迟的情况下，egr率差δegr变大，因此，能判别egr阀14是否产生了响应延迟。因此，为了根据egr率差δegr的大小来判别egr阀14是否产生了响应延迟，需要目标egr率rao的变化量大到某种程度且目标egr率rao的上升速度快。于是，在本发明的实施例中，在目标egr率rao的上升速度以在图20c中tx所示的一定时间维持在预先确定的上升速度范围内时，根据egr率差δegr的大小来判别egr阀14是否产生了响应延迟。

在egr阀14的响应延迟变长时，在图20c中，目标egr率rao与目标egr率rao的推定值y之间的阴影区域的面积增大，因此，能根据该阴影区域的面积来判别egr阀14是否产生了响应延迟。于是，在本发明的实施例中，求出从目标egr率rao开始上升时的时刻ts到目标egr率rao和目标egr率rao的推定值y之egr率差δegr为一定值以下时的时刻te为止的egr率差δegr的累计值，在该egr率差δegr的累计值为预先设定的阈值以上时，判别为egr阀14产生了响应延迟。

图21示出用于对egr阀14检测响应延迟异常的例程。该例程通过每隔一定时间δt的中断来执行。

参照图21，首先，在步骤500中，判别是否设定了检测完成标识1，该检测完成标识1表示完成了egr阀14的响应延迟异常的检测。在并未设定检测完成标识1时前进到步骤501，判别是否设定了判定标识，该判定标识表示应判别egr阀14的响应延迟异常。在并未设定判定标识时前进到步骤502，算出当前的目标egr率rao和上一次的中断时的目标egr率rao之差、即目标egr率rao的上升速度δra。

接着，在步骤503中，判别该目标egr率rao的上升速度δra是否处于预先设定的下限速度rx与上限速度ry之间。在上升速度δra处于下限速度rx与上限速度ry之间时前进到步骤504，将图20c所示的经过时间tx加上中断时间间隔δt。因此，该经过时间tx表示从目标egr率rao开始上升时起的经过时间。然后，在步骤505中，判别经过时间tx是否超过设定时间z。在经过时间tx并未超过设定时间z时，结束处理循环。

而与之相对地，在经过时间tx超过设定时间z时，前进到步骤506，设定判定标识，然后，在步骤507中，根据经过时间tx来算出图20c所示的目标egr率rao的上升开始时刻ts。然后，在步骤508中，清除经过时间tx。另一方面，在步骤503中，在判别为上升速度δra并未处于下限速度rx与上限速度ry之间时，跳到步骤508。在设定了判定标识时，在以下的处理循环中，从步骤501前进到步骤509。

在步骤509中，算出目标egr率rao和目标egr率rao的推定值y之egr率差δegr。然后，在步骤510中，判别egr率差δegr是否处于-α与α(α为预先设定的小的一定值)之间。在egr率差δegr并未处于-α与α之间时，前进到步骤511，判别egr率差δegr并未处于-α与α之间的状态是否持续了一定时间以上。在egr阀14并未产生响应延迟的情况和产生响应延迟的情况下都是若经过某时间，则egr率差δegr处于-α与α之间，所以，在判别为egr率差δegr并未处于-α与α之间的状态持续了一定时间以上时，认为产生了某些其它异常。因此，在此情况下，前进到步骤512，重置判定标识。

另一方面，在步骤510中，在判别为egr率差δegr处于-α与α之间时，前进到步骤513，进行用于判定是否产生了egr阀14的响应延迟异常的判定处理。该判定处理如图22所示。参照图22，在步骤520中，基于存储于电子控制单元30的存储器32内的各时刻t下的目标egr率rao和目标egr率rao的推定值y，来算出从目标egr率rao的上升开始时刻ts到当前的时刻为止的各时刻下的目标egr率rao和目标egr率rao的推定值y之egr率差δegr。该当前的时刻在图20c所示的情况下，相当于te。

接着，在步骤521中，算出从目标egr率rao的上升开始时刻ts到当前的时刻为止的各时刻下的egr率差δegr的累计值σδegr。然后，在步骤522中，判别累计值σδegr是否比预先设定的阈值ix大。在累计值σδegr比预先设定的阈值ix小时，前进到图21的步骤512来重置判定标识。而与之相对地，在累计值σδegr比预先设定的阈值ix大时前进到步骤523，进行异常应对。作为该异常应对的一个例子，例如点亮警告灯。然后，在步骤524中，重置检测完成标识1。

此外，至此，对根据目标egr率rao上升时的egr率差δegr来判定是否产生了egr阀14的响应延迟异常的例子进行了说明，但在目标egr率rao降低时，也能够用同样的方法，根据egr率差δegr来判定是否产生了egr阀14的响应延迟异常。也就是说，在目标egr率rao上升时和目标egr率rao降低时都是，在egr阀14存在响应延迟时，目标egr率rao和目标egr率rao的推定值y之egr率差δegr增大。

因此，在本发明的实施例中，在内燃机运转时，在目标egr率变化时，在目标egr率的推定值和目标egr率之差增大时判别为产生了egr阀14的响应延迟。此外，在此情况下，在本发明的实施例中，在内燃机运转时，在目标egr率变化时，算出目标egr率的推定值和目标egr率之差的积分值，在算出的积分值比预先设定的阈值大时，判别为产生了egr阀的响应延迟。

另一方面，在图23a和图23b中，在egr阀14或egr通路13内产生了堵塞的情况下，用实线来表示目标egr率rao上升时的目标egr率rao随着时间经过的变化，用虚线来表示此时的目标egr率rao的推定值y随着时间经过的变化。此外，图23b示出与图23a相比，目标egr率rao大幅增大的情况。

在目标egr率rao增大了时，为了使egr率增大而增大最终的egr阀目标开度sao+δsa，结果，egr阀14的开度增大。但是，在egr阀14或egr通路13内产生了堵塞时，即使egr阀14的开度增大，从egr通路13流入稳压箱6内的再循环废气量也不充分增大，所以，目标egr率rao的推定值y也不怎么上升。

另一方面，在本发明的实施例中，由于对egr阀14的开度进行反馈控制，所以，在目标egr率rao和目标egr率rao的推定值y之差变大时，最终的egr阀目标开度sao+δsa大幅地增大。但是，即使大幅地增大最终的egr阀目标开度sao+δsa，在egr阀14或egr通路13内的堵塞量多的情况下，表示实际的egr率的变化的目标egr率rao的推定值y如图23a和图23b中虚线所示那样增大不到目标egr率rao。结果，egr阀14成为全开状态。因此，在egr阀14或egr通路13内是否产生了堵塞可根据目标egr率rao增大并稳定时的目标egr率rao和目标egr率rao的推定值y之egr率差δegr来知晓。

此外，在egr阀14或egr通路13内的堵塞量多的情况下，从图23a和图23b可知，不管目标egr率rao的上升后的大小如何，表示实际的egr率的变化的目标egr率rao的推定值y只上升到某种程度。因此，在目标egr率rao的上升后，目标egr率rao越高，则目标egr率rao和目标egr率rao的推定值y之egr率差δegr越大。因此，如图23c所示，目标egr率rao越高，则对于用于判别为在egr阀14或egr通路13内产生了堵塞的egr率差δegr的阈值dx越大。

图24示出用于检测在egr阀14或egr通路13内产生了堵塞的堵塞异常的例程。该例程通过每隔一定时间的中断来执行。

参照图24，首先，在步骤600中，判别是否设定了检测完成标识2，该检测完成标识2表示完成了egr阀14或egr通路13内的堵塞异常的检测。在并未设定检测完成标识2时前进到步骤601，判别目标egr率rao是否为设定值xf以上。也就是说，在目标egr率rao没高到某种程度时，不产生egr率差δegr，所以，在步骤601中，判别目标egr率rao是否为设定值xf以上。

接着，在步骤602中，判别目标egr率rao是否以一定时间以上未变化、即目标egr率rao是否稳定。在目标egr率rao以一定时间以上未变化时、即目标egr率rao稳定时，前进到步骤603，算出目标egr率rao和目标egr率rao的推定值y之egr率差δegr。然后，在步骤604中，根据图23c来算出与目标egr率rao相应的阈值dx。然后，在步骤605中，判别egr率差δegr是否比阈值dx大。在egr率差δegr比阈值dx大时前进到步骤606，进行异常应对。作为该异常应对的一个例子，例如点亮警告灯。然后，在步骤607中，重置检测完成标识2。

也就是说，在该例子中，在内燃机运转时，在目标egr率稳定时，在目标egr率的推定值比目标egr率低且目标egr率的推定值和目标egr率之差比阈值大时，判别为在egr阀或egr通路产生了堵塞。

另一方面，在图25a和图25b中，在egr阀14产生了不完全关闭的关闭不良的情况下，用实线来表示目标egr率rao上升时的目标egr率rao随着时间经过的变化，用虚线来表示此时的目标egr率rao的推定值y随着时间经过的变化。此外，图25b示出与图25a相比，上升前的目标egr率rao低的情况。

如图25a和图25b中上升前的目标egr率rao所示，在目标egr率rao低的情况下，降低最终的egr阀目标开度sao+δsa以使egr率降低，结果，egr阀14的开度降低。但是，在egr阀14产生了不完全关闭的关闭不良的情况下，即使对egr阀14发出关闭指令，egr阀14也只关闭到某种开度。这在对egr阀14的开度进行反馈控制时也是同样的。因此，在egr阀14产生了关闭不良的情况下，如图25a和图25b中虚线所示，表示实际的egr率的变化的目标egr率rao的推定值y只降低到某种程度。因此，egr阀14是否产生了关闭不良可根据目标egr率rao稳定时的目标egr率rao和目标egr率rao的推定值y之egr率差δegr来知晓。

此外，在egr阀14产生了关闭不良时，如图25a和图25b中上升前的目标egr率rao和目标egr率rao的推定值y所示，不管目标egr率rao的大小如何，表示实际的egr率的变化的目标egr率rao的推定值y都是相同的值。因此，目标egr率rao越低，则目标egr率rao和目标egr率rao的推定值y之egr率差δegr越大。因此，如图25c所示，目标egr率rao越低，则对于用于判别为egr阀14产生了关闭不良的egr率差δegr的阈值ex越大。

图26示出用于检测egr阀14产生了关闭不良的关闭异常的例程。该例程通过每隔一定时间的中断来执行。

参照图26，首先，在步骤700中，判别是否设定了检测完成标识3，该检测完成标识3表示完成了egr阀14的关闭异常的检测。在并未设定检测完成标识3时前进到步骤701，判别目标egr率rao是否为设定值xm以下。也就是说，在目标egr率rao没低到某种程度时，不产生egr率差δegr，所以，在步骤701中，判别目标egr率rao是否为设定值xf以下。

接着，在步骤702中，判别目标egr率rao是否以一定时间以上未变化、即目标egr率rao是否稳定。在目标egr率rao以一定时间以上未变化时、即目标egr率rao稳定时，前进到步骤703，算出目标egr率rao和目标egr率rao的推定值y之egr率差δegr。然后，在步骤704中，根据图25c来算出与目标egr率rao相应的阈值ex。然后，在步骤705中，判别egr率差δegr是否比阈值ex大。在egr率差δegr比阈值ex大时前进到步骤706，进行异常应对。作为该异常应对的一个例子，例如点亮警告灯。然后，在步骤707中，重置检测完成标识3。

也就是说，在该例子中，在内燃机运转时，在目标egr率稳定时，在目标egr率的推定值比目标egr率高且目标egr率的推定值和目标egr率之差比阈值大时，判别为产生了egr阀的关闭不良。

如上述那样，在本发明的实施例中，在内燃机运转时，对egr阀开度进行反馈控制，以使得egr率成为目标egr率。在此情况下，即使不对egr阀开度进行反馈控制，也能够基于目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常。当然，在此情况下，对egr阀开度进行反馈控制时，废气再循环系统的异常检测的精度较为高。

若考虑这样即使不对egr阀开度进行反馈控制、也能够基于目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常，则在本发明中提供一种废气再循环系统的异常检测装置，在废气再循环系统中，在用于使从内燃机排出的废气再循环到节气门下游的进气通路的egr通路内配置egr阀，将目标egr率预先存储作为至少内燃机负荷和内燃机转速的函数，将egr阀开度控制成使得egr率成为目标egr率，在该废气再循环系统的异常检测装置中，存储有学习完毕神经网络，该学习完毕神经网络是将包括内燃机负荷、内燃机转速、节气门下游的进气通路内的进气压和向内燃机的吸入空气量的至少四个参数作为神经网络的输入参数并将目标egr率作为示教数据来进行了权重的学习的神经网络，在内燃机运转时，采用该学习完毕神经网络，根据上述的参数来推定目标egr率，并基于目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常。

在此情况下，在本发明的实施例中，目标egr率被预先存储作为内燃机负荷、内燃机转速、大气压、进气温度和内燃机冷却水温的函数，存储有学习完毕神经网络，该学习完毕神经网络是将包括内燃机负荷、内燃机转速、节气门下游的进气通路内的进气压、向内燃机的吸入空气量、大气压、进气温度和内燃机冷却水温的七个参数作为神经网络的输入参数并将目标egr率作为示教数据来进行了权重的学习的神经网络，在内燃机运转时，采用该学习完毕神经网络，根据上述的七个参数来推定目标egr率，并基于目标egr率的推定值和目标egr率之差来检测废气再循环系统的异常。