阅读说明：本技术 内燃机冷却水循环系统的异常检测装置 (Abnormality detection device for internal combustion engine cooling water circulation system ) 是由 武藤晴文 片山章弘 桥本洋介 兵藤淳司 于 2020-03-18 设计创作，主要内容包括：一种内燃机冷却水循环系统的异常检测装置,准确地检测内燃机冷却水循环系统的异常。为了推定内燃机冷却水温度,针对进气格栅(50)是否处于打开的状态、及鼓风机(63)的送出风是否处于在空气调节用加热器(65)流通的状态这四个状态,分别存储有进行了权重学习后的四个完成了学习的神经网络(150A、150B、150C、150D)。使用从上述四个完成了学习的神经网络(150A、150B、150C、150D)中选择出的任一个完成了学习的神经网络来推定内燃机冷却水温度,并基于内燃机冷却水温度的推定值来检测内燃机冷却水循环系统的异常。(An abnormality detection device for an internal combustion engine cooling water circulation system accurately detects an abnormality of the internal combustion engine cooling water circulation system. Four learned neural networks (150A, 150B, 150C, 150D) are stored in four states, namely, whether an intake grille (50) is open and whether the air blown by a blower (63) is flowing through an air-conditioning heater (65), after weight learning. The engine cooling water temperature is estimated using any one learning-completed neural network selected from the four learning-completed neural networks (150A, 150B, 150C, 150D), and an abnormality of the engine cooling water circulation system is detected based on the estimated value of the engine cooling water temperature.)

内燃机冷却水循环系统的异常检测装置

技术领域

本发明涉及内燃机冷却水循环系统的异常检测装置。

背景技术

根据内燃机转速、燃料喷射量、外气温度、车速及EGR控制阀的开度来预测内燃机起动后的内燃机冷却水温度的变化，并基于该预测水温来检测调整冷却水的流动的恒温器的工作异常的内燃机是公知的(例如参照专利文献1)。在该情况下，将内燃机转速、燃料喷射量、外气温度、车速及EGR控制阀的开度作为神经网络的输入参数，将内燃机冷却水温度的实测值作为教师数据，若对神经网络的权重进行学习，则能够以高精度获得内燃机冷却水温度的预测值。

现有技术文献

专利文献

专利文献1：日本特开2012-127324号公报

发明内容

发明所要解决的课题

然而，在具备能够调整从车辆外部向内燃机主体周围流入的行驶风的流动的进气格栅的情况下、在具备如下空气调节装置的情况下，内燃机冷却水温度根据进气格栅的工作状态、空气调节装置的工作状态大幅度地发生变动，该空气调节装置具有被供给内燃机冷却水的空气调节用加热器、和向空气调节用加热器送入空气以使得从空气调节用加热器流出加热后的空气的鼓风机。在像这样内燃机冷却水温度大幅度地发生变动的情况下，即使将进气格栅的工作状态、空气调节装置的工作状态添加到神经网络的输入参数中，也难以对能够针对进气格栅的工作状态、空气调节装置的工作状态的变化准确地预测内燃机冷却水温度的神经网络的权重进行学习。因此，若仅通过将进气格栅的工作状态、鼓风机的工作状态添加到神经网络的输入参数中，则存在无法高精度地预测内燃机冷却水温度的变化的问题。

为了解决上述问题，根据本发明，提供一种内燃机冷却水循环系统的异常检测装置，所述内燃机冷却水循环系统的异常检测装置具备：进气格栅，其能够调整从车辆外部向内燃机主体周围流入的行驶风的流动；空气调节装置，其具有被供给内燃机冷却水的空气调节用加热器、和向空气调节用加热器送入空气以使得从空气调节用加热器流出加热后的空气的鼓风机；以及内燃机冷却水循环系统，内燃机冷却水循环系统具备水泵、主冷却水循环通路、副冷却水循环通路、旁通通路以及恒温器，所述主冷却水循环通路供从水泵流出的冷却水经过内燃机主体内的水套和散热器返回到水泵，所述副冷却水循环通路供从水泵流出的冷却水经过空气调节用加热器返回到水泵，所述旁通通路从主冷却水循环通路分支并绕过散热器，所述恒温器调整从主冷却水循环通路和旁通通路返回到水泵的冷却水的流动，所述内燃机冷却水循环系统的异常检测装置基于内燃机冷却水温度来检测内燃机冷却水循环系统的异常，其中，将包括内燃机起动时的内燃机冷却水温度、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度以及车速的至少五个参数作为神经网络的输入参数，将内燃机冷却水温度的实测值作为教师数据，针对包括进气格栅关闭且鼓风机的送出风不在空气调节用加热器流通的状态、进气格栅打开且鼓风机的送出风不在空气调节用加热器流通的状态、进气格栅关闭且鼓风机的送出风在空气调节用加热器流通的状态、进气格栅打开且鼓风机的送出风在空气调节用加热器流通的状态的四个状态，分别存储有进行了权重学习后的四个完成了学习的神经网络，并使用上述四个完成了学习的神经网络中的与当前的进气格栅的状态和空气调节用加热器中的鼓风机的送出风的流通状态对应的任一个完成了学习的神经网络，根据上述的五个参数来推定内燃机冷却水温度，基于内燃机冷却水温度的推定值来检测内燃机冷却水循环系统的异常。

发明的效果

根据本发明，针对包括进气格栅关闭且鼓风机的送出风不在空气调节用加热器流通的状态、进气格栅打开且鼓风机的送出风不在空气调节用加热器流通的状态、进气格栅关闭且鼓风机的送出风在空气调节用加热器流通的状态、进气格栅打开且鼓风机的送出风在空气调节用加热器流通的状态的四个状态，分别使用进行了权重学习后的四个完成了学习的神经网络，从而能够以高精度预测内燃机冷却水温度。

附图说明

图1是内燃机周围的整体图。

图2是图1所示的内燃机的侧面剖视图。

图3是车辆前面的立体图。

图4是图示出的空气调节装置的侧视图。

图5是内燃机冷却水循环系统的整体图。

图6A及图6B是用于说明恒温器的工作的图。

图7是用于说明恒温器及多功能阀的工作的图。

图8是示出EGR率的图。

图9是用于执行运转控制的流程图。

图10是示出内燃机冷却水温度的变化的图。

图11是示出内燃机冷却水温度的变化的图。

图12是示出神经网络的一个例子的图。

图13是示出内燃机冷却水温度的变化的图。

图14是示出在基于本发明的实施例中使用的神经网络的图。

图15是示出输入参数的一览表的图。

图16是示出训练数据组的图。

图17A、17B、17C及17D是示出神经网络的图。

图18是用于说明学习方法的图。

图19是用于执行学习处理的流程图。

图20是用于向电子控制单元读入数据的流程图。

图21是示出内燃机冷却水温度的变化的图。

图22是用于进行故障诊断标志的设立处理的流程图。

图23是用于进行故障诊断的流程图。

图24是用于进行故障诊断的流程图。

图25是示出内燃机冷却水温度的变化的图。

图26是用于进行故障诊断的流程图。

图27是用于进行故障诊断的流程图。

图28是用于进行故障诊断的流程图。

图29是示出内燃机冷却水温度的变化的图。

图30是用于检测多功能阀的闭阀异常的流程图。

图31是用于检测多功能阀的闭阀异常的流程图。

标号说明

1：内燃机主体；

23：排气热回收器；

25：EGR控制阀；

26：EGR中冷器；

27：水泵；

28：散热器；

30：电子控制单元；

40：水温传感器；

50：进气格栅；

63：鼓风机；

65：空气调节用加热器；

74：主冷却水循环通路；

75：旁通通路；

78：恒温器；

90：副冷却水循环通路；

91：多功能阀。

具体实施方式

<内燃机的整体构成＞

在图1中示出内燃机周围的整体图，在图2中示出内燃机的侧面剖视图。当参照图2时，1表示内燃机主体，2表示汽缸体，3表示汽缸盖，4表示在汽缸体2内进行往复运动的活塞，5表示燃烧室，6表示进气门，7表示进气口，8表示排气门，9表示排气口，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，12表示用于控制排气门8的打开正时的可变气门正时机构。如图2所示，在汽缸体2内形成有水套13，在汽缸盖3内形成有水套14。

当参照图1及图2时，进气口7分别经由对应的进气支管15连结于稳压罐16，稳压罐16经由内置有节气门17的节气门体18及吸入空气量检测器19连结于空气滤清器20。另一方面，排气口9经由排气歧管21连结于内置有排气净化用催化剂22的排气热回收器23。另外，排气歧管21经由排气再循环(以下，称为EGR)通路24及EGR控制阀25连结于稳压罐16。在EGR通路24内配置有用于对EGR气体进行冷却的EGR中冷器26。此外，在图1中，27表示由内燃机驱动的水泵，28表示散热器，29表示散热器28的冷却用电动风扇。

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，具备通过双向性总线31而彼此连接的存储装置32，即存储器32、CPU(微处理器)33、输入端口34以及输出端口35。在内燃机主体1安装有用于检测冷却水的温度的水温传感器40，吸入空气量检测器19的输出信号、水温传感器40的输出信号、以及用于检测外气温度的外气温度传感器41的输出信号分别经由对应的AD转换器36向输入端口34输入。另外，在加速器踏板42连接有产生与加速器踏板42的踩踏量成比例的输出电压的负荷传感器43，负荷传感器43的输出电压经由对应的AD转换器36向输入端口34输入。在输入端口34还连接有每当曲轴旋转例如30°便产生输出脉冲的曲轴角传感器44。在CPU33内基于曲轴角传感器44的输出信号算出内燃机转速。在输入端口34还连接有产生与车速成比例的输出脉冲的车速传感器45。

另一方面，输出端口35经由对应的驱动电路37连接于各汽缸的燃料喷射阀10、火花塞11、节气门17的致动器、EGR控制阀25以及电动风扇29。另外，图1所示的内燃机是混合动力内燃机，在内燃机主体1安装有具备驱动用马达及发电用马达等的驱动控制机构46。上述驱动用马达的驱动控制及发电用马达的发电控制由电子控制单元30进行。此外，在基于本发明的实施例中，当在电子控制单元30中发出内燃机的起动指令时，由驱动控制机构46内的驱动用马达来进行内燃机的起动。

另一方面，如图1所示，在散热器28的车辆行进方向前方配置有能够调整从车辆外部向内燃机主体1周围流入的行驶风的流动的进气格栅50。如图3所示，该进气格栅50配置在车辆的前面。在图1所示的例子中，该进气格栅50由并联配置的多个蝶形阀状的百叶窗51构成，这些百叶窗51由致动器52驱动。该进气格栅50在内燃机起动时及内燃机起动后的预热运转时大多是关闭的，但也有时打开。该致动器52基于电子控制单元30的输出信号来进行控制。

另外，如图1所示，在车辆的车室60内配置有空气调节装置61。如图4所示，该空气调节装置61具备空气流通通道62、由电动马达驱动的鼓风机63、冷却装置的蒸发器64、被供给冷却水的空气调节用加热器65、以及门66。该门66在如虚线所示那样覆盖空气调节用加热器65的前方的位置与如实线所示那样使空气调节用加热器65的前方开放的位置之间转动。若对该空气调节装置61的工作大致进行说明，则在对车室60内进行供暖或制冷时，鼓风机63被驱动而旋转，来自鼓风机63的送出风被送入蒸发器64。在该情况下，当由门66覆盖空气调节用加热器65的前方并向蒸发器64内供给制冷剂时进行车室60内的制冷。另一方面，当门66使空气调节用加热器65的前方开放，并停止向蒸发器64内的制冷剂的供给时，进行车室60内的供暖。另外，在对车室60内进行供暖或制冷并且进行除湿时，门66使空气调节用加热器65的前方开放，并向蒸发器64内供给制冷剂。

该空气调节装置61由设置于空气调节装置61内的电子控制单元根据搭乘者的要求进行控制。在该情况下，给内燃机的冷却水温度带来影响的是被供给冷却水的空气调节用加热器65中的散热作用的大小。即，在鼓风机63停止时、或者如图4中的虚线所示那样空气调节用加热器65的前方被门66覆盖时，几乎不发挥空气调节用加热器65的散热作用。与此相对，在鼓风机63工作且门66使空气调节用加热器65的前方开放时，空气调节用加热器65中的散热作用增大。在本申请说明书中，将像这样空气调节用加热器65中的散热作用增大的状态称为鼓风机63的送出风在空气调节用加热器65流通的状态。与此相对，将几乎不发挥空气调节用加热器65中的散热作用的状态称为鼓风机63的送出风不在空气调节用加热器65流通的状态。在该情况下，是否处于鼓风机63的送出风在空气调节用加热器65流通的状态能够根据设置于空气调节装置61内的电子控制单元的控制信号来判别。

接着，参照图5对内燃机冷却水循环系统进行说明，当参照图5时，在图5中图示出图1、图2及图4所记载的内燃机主体1、汽缸体2、汽缸盖3、燃烧室5、水套13、14、节气门体18、排气热回收器23、EGR控制阀25、EGR中冷器26、水泵27、散热器28、水温传感器40以及空气调节用加热器65。另一方面，在图5中，在水泵27的两侧图示出冷却水返回室70和冷却水排出室71，冷却水返回室70内的冷却水通过水泵27向冷却水排出室71内排出。

通过水泵27向冷却水排出室71内排出的冷却水从水套13、14的入口部72流入水套13、14内，接着，通过冷却水通路73及散热器28返回到冷却水返回室70内。此时，冷却水在水套13、14内所吸收的热在散热器28中放出。在基于本发明的实施例中，将像这样供从水泵27流出的冷却水经过内燃机主体1内的水套13、14、冷却水通路73以及散热器28返回到水泵27的冷却水通路称为主冷却水循环通路74。在内燃机的预热完成后，冷却水像这样在主冷却水循环通路74内循环。

另一方面，在图5所示的内燃机冷却水循环系统中，设置有从主冷却水循环通路74分支并绕过散热器28的旁通通路75，即，将冷却水通路73与冷却水返回室70连结的旁通通路75。另外，如图5所示，在冷却水返回室70内图示出能够关闭主冷却水循环通路74向冷却水返回室70内的开口部76、及旁通通路75向冷却水返回室70内的开口部77中的任一方的恒温器78。在图6A及图6B中示出该恒温器78的一个例子。在图6A及图6B所示的例子中，恒温器78具备填充有蜡的主体部分79、能够关闭主冷却水循环通路74的开口部76的阀芯80、以及能够关闭旁通通路75的开口部77的阀芯81。

在该恒温器78中，在主体部分79周围的冷却水温度低时，如图5中的实线和图6A所示，阀芯80关闭主冷却水循环通路74的开口部76并且阀芯81打开旁通通路75的开口部77。此时，向水套13、14内送入的冷却水不通过散热器28，而经由旁通通路75返回到水泵27。因此，此时，促进内燃机主体1的预热作用。与此相对，当主体部分79周围的冷却水温度变高时主体部分79内的蜡膨胀，如图5中的虚线和图6B所示，阀芯80打开主冷却水循环通路74的开口部76并且阀芯81关闭旁通通路75的开口部77。此时，向水套13、14内送入的冷却水经由散热器28返回到水泵27。因此，此时，发挥内燃机主体1的通常的冷却作用。

在图7中示出恒温器78的阀芯80的开度与恒温器78的主体部分79周围的冷却水温度TW的关系。如图7所示，在冷却水温度TW比设定水温TW1低时，恒温器78的阀芯80使主冷却水循环通路74的开口部76全闭，当冷却水温度TW比设定水温TW1高时，恒温器78的阀芯80开始打开主冷却水循环通路74的开口部76。此外，在图7所示的例子中，设定水温TW1被设为70℃。

再次返回到图5，在内燃机冷却水循环系统设置有供从水泵27流出的冷却水在循环之后再次返回到水泵27的副冷却水循环通路90。根据图5可知，该副冷却水循环通路90由从冷却水排出室71延伸到EGR中冷器26的副冷却水循环通路部分90A、在EGR中冷器26中分支出的副冷却水循环通路部分90B及90C、从上述副冷却水循环通路部分90B及90C延伸到冷却水返回室70的副冷却水循环通路部分90D构成。在副冷却水循环通路部分90B配置有节气门体18及EGR控制阀25，在副冷却水循环通路部分90C配置有排气热回收器23及空气调节用加热器65。

另一方面，如图5所示，水套14经由辅助冷却水通路90E连结于副冷却水循环通路部分90A，在该辅助冷却水通路90E配置有多功能阀91。在图7中示出该多功能阀91的开度与由水温传感器40检测出的冷却水温度TW的关系。如图7所示，在冷却水温度TW比设定水温TW2低时，多功能阀91全闭，在冷却水温度TW比设定水温TW2高时，多功能阀91根据EGR气体的再循环作用而全开或全闭。此外，在图7所示的例子中，设定水温TW2被设为60℃。

图8示出EGR率r1、r2、r3、r4与内燃机负荷L及内燃机转速N的关系。在图8中，EGR率＝r1的实线表示EGR率为零时，在EGR率＝r1的实线的外侧区域中EGR率被设为零，即，EGR控制阀25关闭。另一方面，在EGR率＝r1的实线的内侧区域中，EGR控制阀25打开，EGR率按r2、r3、r4的顺序增高。在基于本发明的实施例中，在冷却水温度TW比设定水温TW2高时，若EGR控制阀25关闭则多功能阀91也关闭，若EGR控制阀25打开则多功能阀91也打开。

如图7所示，在冷却水温度TW比设定水温TW2低时多功能阀91关闭。此时，根据图5可知，持续向EGR中冷器26、EGR控制阀25、节气门体18、空气调节用加热器65以及排气热回收器23供给少量的冷却水。另一方面，在冷却水温度TW比设定水温TW2高时，若EGR控制阀25关闭则多功能阀91也关闭，若EGR控制阀25打开则多功能阀91也打开。在多功能阀91打开时，向EGR中冷器26、EGR控制阀25、节气门体18、空气调节用加热器65以及排气热回收器23供给的冷却水增多。

另外，在图5所示的例子中，水温传感器40配置在冷却水排出室71内。然而，该水温传感器40也可以配置在水套13内。即，水温传感器40配置在可以检测从水泵27流出的冷却水的温度的位置。此外，在基于本发明的实施例中，将由水温传感器40检测的冷却水温度称为内燃机冷却水温度。

图9示出在基于本发明的实施例中执行的运转控制例程。该运转控制例程通过每隔一定时间的中断处理(interrupt)来执行。

当参照图9时，首先，在步骤100中，读入由水温传感器40检测出的内燃机冷却水温度TW。接着，在步骤101中，判别内燃机冷却水温度TW是否比图7所示的设定水温TW2低。在内燃机冷却水温度TW比设定水温TW2低时前进至步骤104，多功能阀91关闭，接着前进至步骤105。

另一方面，在步骤101中判别为内燃机冷却水温度TW不比设定水温TW2低时前进至步骤102，判别EGR控制阀25是否打开。在EGR控制阀25打开时前进至步骤103，多功能阀91打开，接着前进至步骤105。与此相对，在EGR控制阀25关闭时前进至步骤104，多功能阀91关闭。接着，在步骤105中，判别是否发出了用于使进气格栅50打开的进气格栅打开指令。在发出了进气格栅打开指令时前进至步骤106，进气格栅50打开，在没有发出进气格栅打开指令时前进至步骤107，进气格栅50关闭。

图10示出从内燃机起动时起的内燃机冷却水温度TW的变化。在图10中，实线表示在某一运转状态下恒温器78正常工作的情况，虚线表示恒温器78发生了持续打开主冷却水循环通路74的开口部76的开阀异常的情况，点划线表示恒温器78发生了持续关闭主冷却水循环通路74的开口部76的闭阀异常的情况。即，在恒温器78发生了开阀异常时，在内燃机刚起动后冷却水在散热器28内流通，所以冷却水的温度不容易上升，因此，内燃机冷却水温度TW如虚线所示那样缓慢地上升。另一方面，当恒温器78发生闭阀异常时，即使冷却水的温度上升，冷却水也不被送入散热器28，所以内燃机冷却水温度TW如点划线所示那样持续上升。

像这样，当恒温器78发生开阀异常、闭阀异常时，内燃机起动后的内燃机冷却水温度TW的变化方式与正常时不同，因此，若将实际测量出的内燃机冷却水温度TW的变化方式与正常时的内燃机冷却水温度TW的变化方式进行比较，则能够判别恒温器78是否发生了开阀异常或闭阀异常。因此，需要推定正常时的内燃机冷却水温度TW的变化方式。因此，在基于本发明的实施例中，使用神经网络来推定正常时的内燃机冷却水温度TW的变化。

然而，在车辆具备进气格栅50的情况下、具备空气调节装置61的情况下，正常时的内燃机冷却水温度TW的变化模式根据进气格栅50的工作状态、鼓风机63的送出风是否在空气调节用加热器65流通而大幅度地发生变化。例如，在图11中，若用实线表示进气格栅50关闭并且鼓风机63的送出风不在空气调节用加热器65流通时的正常时的内燃机冷却水温度TW的变化，则进气格栅50打开并且鼓风机63的送出风不在空气调节用加热器65流通时的正常时的内燃机冷却水温度TW的变化模式如图11的虚线所示那样，与实线所示的情况相比大幅度地发生变化。另外，进气格栅50关闭并且鼓风机63的送出风在空气调节用加热器65流通时的正常时的内燃机冷却水温度TW的变化模式也如图11的点划线所示那样，与实线所示的情况相比大幅度地发生变化。

在像这样内燃机冷却水温度TW的变化模式大幅度地发生变化的情况下，即使将进气格栅50的工作状态、鼓风机63的送出风是否在空气调节用加热器65流通的状态添加到神经网络的输入参数中，也难以对能够针对进气格栅50的工作状态、鼓风机63的送出风是否在空气调节用加热器65流通的状态准确地预测内燃机冷却水温度TW的神经网络的权重进行学习。因此，若仅通过将进气格栅50的工作状态、鼓风机63的送出风是否在空气调节用加热器65流通的状态添加到神经网络的输入参数中，则难以高精度地预测内燃机冷却水温度TW的变化。

因此，在基于本发明的实施例中，针对包括进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、以及进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态的四个各状态，分别制作神经网络，并对每个状态学习神经网络的权重。通过像这样针对各状态分别制作神经网络，不仅能够高精度地预测内燃机冷却水温度TW的变化，还具有能够通过对每个状态学习神经网络的权重而减少权重的计算负荷这一优点。

<神经网络的概要＞

如上所述，在基于本发明的实施例中，使用神经网络来推定内燃机冷却水温度TW。因此，首先对神经网络简单地进行说明。图12示出简单的神经网络。图12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12中L＝1表示输入层，L＝2及L＝3表示隐藏层，L＝4表示输出层。另外，在图12中，x₁及x₂表示来自输入层(L＝1)的各节点的输出值，y₁及y₂表示来自输出层(L＝4)的各节点的输出值，z⁽²⁾ ₁、z⁽²⁾ ₂及z⁽²⁾ ₃表示来自隐藏层(L＝2)的各节点的输出值，z⁽³⁾ ₁、z⁽³⁾ ₂及z⁽³⁾ ₃表示来自隐藏层(L＝3)的各节点的输出值。此外，隐藏层的层数可以是1个或任意的个数，输入层的节点的数量及隐藏层的节点的数量也可以是任意的个数。另外，输出层的节点的数量也可以是1个，也可以是多个。

在输入层的各节点中，将输入原样地输出。另一方面，向隐藏层(L＝2)的各节点输入输入层的各节点的输出值x₁及x₂，在隐藏层(L＝2)的各节点中，使用各自对应的权重w及偏置b算出总输入值u。例如，在图12中，在隐藏层(L＝2)的用z⁽²⁾ _k(k＝1，2，3)表示的节点中算出的总输入值u_k如下式所示。

接着，该总输入值u_k通过激活函数f来转换，并且作为输出值z⁽²⁾ _k(＝f(u_k))从隐藏层(L＝2)的由z⁽²⁾ _k表示的节点输出。另一方面，向隐藏层(L＝3)的各节点输入隐藏层(L＝2)的各节点的输出值z⁽²⁾ ₁、z⁽²⁾ ₂及z⁽²⁾ ₃，在隐藏层(L＝3)的各节点中，使用各自对应的权重w及偏置b算出总输入值u(Σz·w+b)。该总输入值u同样通过激活函数来转换，并且作为输出值z⁽³⁾ ₁、z⁽³⁾ ₂及z⁽³⁾ ₃从隐藏层(L＝3)的各节点输出，例如使用S形函数(sigmoid function)σ作为该激活函数。

另一方面，向输出层(L＝4)的各节点输入隐藏层(L＝3)的各节点的输出值z⁽³⁾ ₁、z⁽³⁾ ₂及z⁽³⁾ ₃，在输出层的各节点中，使用各自对应的权重w及偏置b算出总输入值u(Σz·w+b)或者仅使用各自对应的权重w算出总输入值u(Σz·w)。在基于本发明的实施例中，在输出层的节点中使用恒等函数，因此，从输出层的节点原样地输出在输出层的节点中算出的总输入值u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的正解值的教师数据设为y_t，则使用误差逆传播法对神经网络中的各权重w及偏置b进行学习以使得输出值y与教师数据y_t之差变小。该误差逆传播法是周知的，因此，以下对误差逆传播法的概要简单地进行说明。此外，偏置b是权重w的一种，所以以下所称权重w也包括偏置b。在图12所示那样的神经网络中，若用w^(L)表示向L＝2、L＝3或L＝4的各层的节点的输入值u^(L)的权重，则基于误差函数E的权重w^(L)的微分，即，梯度

可写成如下式所示。

在此，所以当设为时，上述(1)式可以用下式表示。

在此，当u^(L)发生变动时，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)可以用下式表示。

在此，当表示为z^(L)＝f(u^(L))时，在上述(3)式的右边出现的输入值u_k ^(L+1)可以用下式表示。

在此，上述式(3)的右边第1项是δ^(L+1)，上述式(3)的右边第2项

可以用下式表示。

因此，δ^(L)用下式表示。

即

即，若求出δ^(L+1)，则能够求出δ^(L)。

在输出层(L＝4)的节点为一个并且针对某个输入值求出教师数据y_t，该输入值所对应的来自输出层的输出值为y的情况下，在使用平方误差作为误差函数时，利用E＝1/2(y-y_t)²求出平方误差E。在该情况下，在输出层(L＝4)的节点中，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)的值如下式所示。

在该情况下，在基于本发明的实施例中，如上所述，f(u^(L))是恒等函数，f’(u^(Ll))＝1。因此，δ^(L)＝y-y_t，求出δ^(L)。

当求出δ^(L)时，使用上式(6)求出前一层的δ^(L-1)。像这样依次求出前一层的δ，并使用上述δ的值，根据上式(2)，针对各权重w求出误差函数E的微分，即，梯度当求出梯度时，使用该梯度以使得误差函数E的值减小的方式更新权重w。即，进行权重w的学***方和误差E作为误差函数E。

在该情况下也是，输出层(L＝4)的各节点中的δ^(L)的值成为δ^(L)＝y-ytk(k＝1，2···n)，并根据上述δ^(L)的值，使用上式(6)求出前一层的δ^(L-1⁾。

＜基于本发明的实施例＞

首先，参照图13对恒温器78没有发生开阀异常、闭阀异常时，即，恒温器78正常时的内燃机冷却水温度TW的推定方法进行说明。此外，图13示出内燃机起动后的经过时间与内燃机冷却水温度TW的关系。在图13中，当着眼于时刻t_n和时刻t_n+1时，能够根据时刻t_n下的内燃机的状态来推定一定时间(t_n+1-t_n)内的内燃机冷却水温度TW的温度上升量(TW_n+1-TW_n)。即，当确定了内燃机的状态时，使内燃机冷却水温度TW上升的发热因素的发热量及使内燃机冷却水温度TW降低的散热因素的散热量被确定，所以能够根据时刻t_n下的内燃机的状态来推定内燃机冷却水温度TW的温度上升量(TW_n+1-TW_n)。换言之，能够根据时刻t_n(TW＝TW_n)下的内燃机的状态来推定一定时间(t_n+1-t_n)后的内燃机冷却水温度TW_n+1。

在该情况下，在基于本发明的实施例中，使用神经网络，根据时刻t_n下的内燃机的状态(TW＝TW_n)来推定一定时间(t_n+1-t_n)后的内燃机冷却水温度TW_n+1，为了根据时刻t_n下的内燃机的状态(TW＝TW_n)来推定一定时间(t_n+1-t_n)后的内燃机冷却水温度TW_n+1，制作了内燃机冷却水温度TW的推定模型。因此，首先，参照图14对用于制作该内燃机冷却水温度推定模型的神经网络进行说明。当参照图14时，在该神经网络150中，也与图12所示的神经网络同样地，L＝1表示输入层，L＝2及L＝3表示隐藏层，L＝4表示输出层。如图14所示，输入层(L＝1)由n个节点构成，n个输入值x₁、x₂···x_n-1、x_n向输入层(L＝1)的各节点输入。另一方面，在图14中记载了隐藏层(L＝2)及隐藏层(L＝3)，但上述隐藏层的层数可以是1个或任意的个数，另外上述隐藏层的节点的数量也可以是任意的个数。此外，输出层(L＝4)的节点的数量设为了1个，来自输出层的节点的输出值用y来表示。在该情况下，输出值y成为内燃机冷却水温度TW的推定值。

接着，参照图15所示的一览表对图14中的输入值x₁、x₂···x_n-1、x_n进行说明。如上所述，当确定了内燃机的状态时，使内燃机冷却水温度TW上升的发热因素的发热量及使内燃机冷却水温度TW降低的散热因素的散热量被确定。因此，能够根据时刻t_n下的内燃机的状态来推定内燃机冷却水温度TW的温度上升量(TW_n+1-TW_n)，即，一定时间(t_n+1-t_n)后的内燃机冷却水温度TW_n+1。在图15中列举出成为上述发热因素及散热因素的向神经网络的输入参数。此外，在图15中列举出对内燃机冷却水温度TW的变化带来强烈影响的输入参数作为必需的输入参数，列举出虽然不是必需的输入参数，但对内燃机冷却水温度TW的变化带来影响的输入参数作为辅助的输入参数。

如图15所示，将内燃机冷却水温度TW、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度以及车速设为必需的输入参数。在上述必需的输入参数中，向内燃机的吸入空气量、和向内燃机的燃料喷射量是发热因素，外气温度和车速是散热因素。认为上述向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度以及车速是必需的输入参数这一情况不需要特别进行说明。在基于本发明的一实施例中，仅上述必需的输入参数的值被设为图14中的输入值x₁、x₂···x_n-1、x_n。此外，在该情况下，也可以使用散热器28的冷却用电动风扇29的风量，即，电动风扇29的转速来替代车速。

另一方面，如图15所示，将点火正时、EGR率、排气门8的打开正时以及内燃机转速设为辅助的输入参数。上述点火正时、EGR率、排气门8的打开正时是发热因素，内燃机转速是散热因素。即，若点火正时提前则燃烧温度上升，若EGR率变高则燃烧温度降低。另外，若排气门8的打开正时延迟，进气门6和排气门8均打开的气门重叠期间变长，则从排气口9吹回到燃烧室5内的排气气体量增大。结果，燃烧温度降低。像这样，点火正时、EGR率以及排气门8的打开正时给燃烧温度带来影响，所以上述点火正时、EGR率、排气门8的打开正时成为发热因素。

与此相对，当内燃机转速变高时水泵27的转速变高，所以内燃机冷却水的循环量发生变化，从内燃机冷却水向外气中流失的热量发生变化。因此，内燃机转速是散热因素。此外，也可以使用电动水泵的流量，即，电动水泵的转速来替代内燃机转速。如上所述，也可以仅将必需的输入参数的值设为图14中的输入值x₁、x₂···x_n-1、x_n。当然，除了必需的输入参数的值以外，也可以将辅助的输入参数的值设为图14中的输入值x₁、x₂···x_n-1、x_n。此外，以下，以除了必需的输入参数的值以外，也将辅助的输入参数的值设为图14中的输入值x₁、x₂···x_n-1、x_n的情况为例，对基于本发明的实施例进行说明。

图16示出使用输入值x₁、x₂···x_n-1、x_n和教师数据y_t制作出的训练数据组。在该图16中，输入值x₁、x₂···x_n-1、x_n分别表示内燃机冷却水温度TW、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度、车速、点火正时、EGR率、排气门8的打开正时以及内燃机转速。在该情况下，内燃机冷却水温度TW由水温传感器40检测，向内燃机的吸入空气量由吸入空气量检测器19检测，外气温度由外气温度传感器41检测，车速由车速传感器45检测，向内燃机的燃料喷射量、点火正时、EGR率、排气门8的打开正时以及内燃机转速在电子控制单元30内算出。

另一方面，当使用图13中的时刻t_n及t_n+1进行说明时，图16中的输入值x₁、x₂···x_n-1、x_n表示时刻t_n下的输入值，图16中的教师数据y_t表示一定时间(t_n+1-t_n)后的内燃机冷却水温度TW的实测值。如图16所示，在该训练数据组中，取得表示输入值x₁、x₂···x_n-1、x_n与教师数据y_t的关系的m个数据。例如，对第2个数据(No.2)列举出所取得的输入值x₁₂、x₂₂···x_m-12、x_m2和教师数据y_t2，对第m-1个数据(No.m-1)列举出所取得的输入参数的输入值x_1m-1、x_2m-1···x_n-1m-1、x_nm-1和教师数据y_tm-1。

在基于本发明的实施例中，如上所述，针对包括进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、以及进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态的四个各状态，分别制作神经网络。上述的神经网络在图17A至图17D中由标号150A、150B、150C、150D来表示。

在该情况下，针对图17A至图17D所示的四个神经网络150A、150B、150C、150D中分别制作图16所示的训练数据组，使用各自对应的训练数据组来进行图17A至图17D所示的各神经网络150A、150B、150C、150D的权重学习。因此，接下来对图16所示的训练数据组的制作方法进行说明。

在图18中示出训练数据组的制作方法的一个例子。当参照图18时，具备图1所示的内燃机主体1、进气格栅50以及空气调节装置61的车辆V设置于具有送风机160的风洞161的底盘台162上，并通过模拟装置163在底盘台162上进行车辆V的模拟行驶。在该模拟行驶中，例如，将进气格栅50的状态及空气调节用加热器65处的送出风流通状态依次变更为前述的四个状态，在变更后的各状态下，依次变更内燃机冷却水温度TW、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度、车速、点火正时、EGR率、排气门8的打开正时以及内燃机转速的值的组合，并且反复进行内燃机起动和预热运转。

在进行该模拟行驶的期间，取得制作训练数据组所需要的数据。当使用图13中的时刻t_n及t_n+1进行说明时，在进行模拟行驶的期间，图13中的各时刻t_n(n＝0，1，2···)下的进气格栅50的状态、空气调节用加热器65中的送出风的流通状态、进行了组合的内燃机冷却水温度TW、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度、车速、点火正时、EGR率、排气门8的打开正时以及内燃机转速的实测值、以及图13中的时刻t_n+1下的内燃机冷却水温度TW的实测值例如存储于模拟装置163内。即，图16所示的训练数据组的No.1至No.m的输入值x_1m、x_2m···x_nm-1、x_nm和教师数据y_tm(m＝1，2，3···m)例如存储于模拟装置163内。

像这样，针对包括进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、以及进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态的四个各状态，分别制作图16所示那样的训练数据组。使用这样制作出的训练数据组的电子数据来进行图17A至图17D所示的各神经网络150A、150B、150C、150D的权重学习。

在图18所示的例子中，设置有用于进行神经网络的权重学习的学习装置164。也可以使用个人计算机作为该学习装置164。如图18所示，该学习装置164具备存储装置166即存储器166、和CPU(微处理器)165。在图18所示的例子中，图17A至图17D所示的各神经网络的节点数、及制作出的训练数据组的电子数据存储于学习装置164的存储器166中，在CPU165中进行各神经网络的权重学习。

图19示出在学习装置164中进行的各神经网络的权重的学习处理例程。

当参照图19时，首先，在步骤200中，读入存储于学习装置164的存储器166的神经网络150A、150B、150C、150D所对应的训练数据组的各数据。接着，在步骤201中，读入各神经网络150A、150B、150C、150D的输入层(L＝1)的节点数、隐藏层(L＝2)和隐藏层(L＝3)的节点数、以及输出层(L＝4)的节点数，接着，在步骤202中，基于上述节点数来制作图17A至图17D所示那样的四个神经网络150A、150B、150C、150D。

接着，在步骤203中，进行神经网络150A的权重学***方误差E＝1/2(y-y_t1)²，使用前述的误差逆传播法以使得该平方误差E变小的方式进行神经网络150A的权重学习。

当基于图16的第1个(No.1)数据的神经网络150A的权重学习完成时，接着，使用误差逆传播法进行基于图16的第2个(No.2)数据的神经网络20的权重学习。同样地，依次进行神经网络150A的权重学习直到图16的第m个(No.m)为止。当对从图16的第1个(No.1)到第m个(No.m)为止的所有数据完成了神经网络150A的权重学习时，前进至步骤204。

在步骤204中，例如，算出图16的第1个(No.1)到第m个(No.m)为止的所有神经网络的输出值y与教师数据y_t之间的平方和误差E，判别该平方和误差E是否成为了预先设定的设定误差以下。在判别为平方和误差E未成为预先设定的设定误差以下时，返回到步骤203，再次基于图16所示的训练数据组进行神经网络150A的权重学***方和误差E成为预先设定的设定误差以下为止。在步骤204中判别为平方和误差E成为了预先设定的设定误差以下时，前进至步骤205，将神经网络150A的完成了学习的权重存储于学习装置164的存储器166。接着，前进至步骤206。

在步骤206中，判别是否完成了图17A至图17D所示的所有神经网络150A、150B、150C、150D的权重学习。在未完成所有神经网络150A、150B、150C、150D的权重学习时，返回到步骤203，进行尚未完成权重学习的神经网络，例如图17B所示的神经网络150B的权重学习。当神经网络150B的权重学习完成时，在步骤205中，将神经网络150B的完成了学习的权重存储于学习装置164的存储器166。

如此一来，进行图17A至图17D所示的所有神经网络150A、150B、150C、150D的权重学习，将图17A至图17D所示的所有神经网络150A、150B、150C、150D的完成了学习的权重存储于学习装置164的存储器166。即，针对包括进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、以及进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态的四个各状态，制作内燃机冷却水温度的推定模型。

在基于本发明的实施例中，使用这样制作出的内燃机冷却水温度的推定模型来进行市场出售车辆中的恒温器78等的故障诊断，因此，将上述内燃机冷却水温度的推定模型存储于市场出售车辆的电子控制单元30。图20示出为了将内燃机冷却水温度的推定模型存储于市场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。

当参照图20时，首先，在步骤300中，将图17A至图17D所示的四个神经网络150A、150B、150C、150D的输入层(L＝1)的节点数、隐藏层(L＝2)和隐藏层(L＝3)的节点数、以及输出层(L＝4)的节点数读入到电子控制单元30的存储器32中，接着，在步骤301中，基于上述节点数来制作图17A至图17D所示那样的四个神经网络150A、150B、150C、150D。接着，在步骤302中，将上述神经网络150A、150B、150C及150D的完成了学习的权重读入到电子控制单元30的存储器32中。由此，将内燃机冷却水温度的推定模型存储于市场出售车辆的电子控制单元30。

接着，参照图21对在市场出售车辆中执行的恒温器78的故障诊断方法进行说明。图21示出从内燃机起动时起的内燃机冷却水温度TW的变化。在图21中，与图10同样地，实线表示在某一运转状态下恒温器78正常工作的情况，虚线表示恒温器78发生了持续打开主冷却水循环通路74的开口部76的开阀异常的情况，点划线表示恒温器78发生了持续关闭主冷却水循环通路74的开口部76的闭阀异常的情况。即，如上所述，在恒温器78发生了开阀异常时，在内燃机刚起动后冷却水在散热器28内流通，所以冷却水的温度不怎么上升，因此，内燃机冷却水温度TW如虚线所示那样缓慢地上升。另一方面，当恒温器78发生闭阀异常时，即使冷却水的温度上升，冷却水也不被送入散热器28，所以内燃机冷却水温度TW如点划线所示那样持续上升。

像这样，当恒温器78发生开阀异常、闭阀异常时，内燃机起动后的内燃机冷却水温度TW的变化方式与正常时不同，因此，若将实际测量出的内燃机冷却水温度TW的变化方式与正常时的内燃机冷却水温度TW的变化方式进行比较，则能够判别恒温器78是否发生了开阀异常或闭阀异常。在该情况下，在基于本发明的实施例中，使用存储于电子控制单元30的内燃机冷却水温度的推定模型来推定正常时的内燃机冷却水温度TW，根据通过该推定模型推定出的内燃机冷却水温度TW的推定值和由水温传感器40检测出的内燃机冷却水温度TW的实测值来判别恒温器78是否发生了开阀异常或闭阀异常。

当对在基于本发明的实施例中执行的具体的一个例子进行说明时，如图21所示，在实线所示的内燃机冷却水温度TW的推定值达到了恒温器78的开阀温度，例如70℃时，在从内燃机冷却水温度TW的推定值减去内燃机冷却水温度TW的实测值而得到的差ΔTW1比预先设定的差AX大的情况下，判别为恒温器78发生了开阀异常。换言之，在基于本发明的实施例中，在内燃机起动后，在内燃机冷却水温度TW的实测值的上升量比内燃机冷却水温度TW的推定值的上升量低时，判别为发生了从主冷却水循环通路74持续朝向水泵27流通冷却水这一恒温器78的工作异常。

另外，在恒温器78正常时，若恒温器78全开则通过散热器28的内燃机冷却水增大，所以如实线所示，内燃机冷却水温度TW在恒温器78全开后逐渐降低。因此，在基于本发明的实施例中，在内燃机冷却水温度TW的推定值达到了峰值后，在从内燃机冷却水温度TW的实测值减去内燃机冷却水温度TW的推定值而得到的差ΔTW2比预先设定的差BX大时，判别为恒温器78发生了闭阀异常。换言之，在基于本发明的实施例中，在内燃机起动后，在内燃机冷却水温度TW的实测值的上升量比内燃机冷却水温度TW的推定值的上升量高时，判别为发生了从主冷却水循环通路74朝向水泵27的冷却水的流通持续停止这一恒温器78的工作异常。

图22示出在电子控制单元30中执行的故障诊断标志的设立例程。在基于本发明的实施例中，当设立了该故障诊断标志时开始恒温器78的故障诊断。当参照图22时，首先，在步骤400中，判别是否在电子控制单元30中发出了内燃机的起动指令。当在电子控制单元30中发出了内燃机的起动指令时，由驱动控制机构46内的驱动用马达进行内燃机的起动。在步骤400中判别为没有发出内燃机的起动指令时，完成处理循环。与此相对，在判别为发出了内燃机的起动指令时前进至步骤401，设立故障诊断标志。

图23及图24示出恒温器的故障诊断例程。该故障诊断例程通过每隔一定时间的中断处理来执行。此外，为了可以容易理解，使用图13所示的时刻t_n(n＝1，2，3···)对该故障诊断例程进行说明。另外，该故障诊断例程的一定的中断处理时间相当于图13中的一定时间(t_n+1-t_n)，该一定时间例如为1秒。

当参照图23时，首先，在步骤500中，判别是否设立了故障诊断标志。在未设立故障诊断标志时完成处理循环。与此相对，在设立了故障诊断标志时前进至步骤501，基于是否发出了用于使进气格栅50打开的进气格栅打开指令，读入进气格栅50是处于打开的状态还是处于关闭的状态。接着，在步骤502中，基于设置于空气调节装置61内的电子控制单元的控制信号读入是否处于鼓风机63的送出风在空气调节用加热器65流通的状态。

接着，在步骤503中，从完成了权重学习的图17A至图17D所示的神经网络150A、150B、150C、150D中选择与进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、以及进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态相应的神经网络。

接着，在步骤504中，读入输入值x₁、x₂···x_n-1、x_n，即，内燃机冷却水温度TW、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度、车速、点火正时、EGR率、排气门8的打开正时以及内燃机转速。接着，在步骤505中，将上述的输入值向选择出的神经网络的输入层(L＝1)的各节点输入。当上述的输入值输入到所选择出的神经网络的输入层(L＝1)的各节点时，在步骤506中，从选择出的神经网络的输出层(L＝4)的节点输出内燃机冷却水温度TW的推定值y，由此，取得内燃机冷却水温度TW的推定值y。此外，以下，也有时将该内燃机冷却水温度TW的推定值y称为推定水温TWe。

在设立了故障诊断标志时，最初前进至步骤501是在图13中的时刻t₀的时候。若假设在图14中输入值x₁为内燃机冷却水温度TW，则此时由水温传感器40检测出的内燃机冷却水温度TW的实测值为输入值x₁。此时，从选择出的神经网络的输出层(L＝4)的节点输出图13的时刻t₁下的内燃机冷却水温度TW的推定值y。另一方面，下一次前进至步骤501是图13中的一定时间(t_n+1-t_n)后的时刻t₁的时候。此时，将在上次的中断处理时算出的图13的时刻t₁下的内燃机冷却水温度TW的推定值y作为输入值x₁，此时，从选择出的神经网络的输出层(L＝4)的节点输出图13的时刻t₂下的内燃机冷却水温度TW的推定值y。

以下同样，每次进行中断处理时，均将在上次的中断处理时算出的内燃机冷却水温度TW的推定值y作为输入值x₁。即，当开始恒温器的故障诊断例程时，作为输入值x₁，仅在最初使用内燃机冷却水温度TW的实测值，之后使用依次算出的内燃机冷却水温度TW的推定值y。像这样，算出内燃机起动后的内燃机冷却水温度TW的推定值y，即，推定水温TWe，使用该推定水温TWe来进行恒温器的故障诊断。

即，在步骤507中，判别推定水温TWe是否超过了图7所示的内燃机冷却水温度TW1。在推定水温TWe没有超过内燃机冷却水温度TW1时完成处理循环。与此相对，在推定水温TWe超过了内燃机冷却水温度TW1时前进至步骤508，算出推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1(＝TWe-TW)。接着，在步骤509中，判别推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1是否比图21所示的预先设定的差AX大。在推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1比预先设定的差AX大时前进至步骤510，判别为恒温器78发生了开阀异常。

接着，在步骤511中，进行恒温器78发生了开阀异常时的异常应对。作为该异常应对的一个例子，例如点亮警告灯。另外，若恒温器78发生了开阀异常，则内燃机冷却水温度TW的上升速度会变慢。因此，为了提高内燃机冷却水温度TW的上升速度，作为异常应对，在进气格栅50打开的情况下，可以使进气格栅50关闭，进而，也可以使点火正时提前以提高燃烧温度。接着，前进至步骤517，重置故障诊断标志。

另一方面，在步骤509中判别为推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1比预先设定的差AX小时，前进至步骤512，判别推定水温TWe是否超过了峰值。在判别为推定水温TWe超过了峰值时，前进至步骤513，算出推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW2(＝TW-TWe)。接着，在步骤514中，判别推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW2是否比图21所示的预先设定的差BX大。在推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW2比预先设定的差BX大时前进至步骤515，判别为恒温器78发生了闭阀异常。接着，在步骤516中，进行恒温器78发生了闭阀异常时的异常应对。例如，点亮警告灯。接着，前进至步骤517，重置故障诊断标志。

像这样，在基于本发明的实施例中，设置有：进气格栅50，其能够调整从车辆外部向内燃机主体1周围流入的行驶风的流动；空气调节装置61，其具有被供给内燃机冷却水的空气调节用加热器65、及向空气调节用加热器65送入空气以使得从空气调节用加热器65流出加热后的空气的鼓风机63；以及内燃机冷却水循环系统。该内燃机冷却水循环系统具备：水泵27；主冷却水循环通路74，其供从水泵27流出的冷却水经过内燃机主体1内的水套13、14及散热器28返回到水泵27；副冷却水循环通路90，其供从水泵27流出的冷却水经过空气调节用加热器65返回到水泵27；旁通通路75，其从主冷却水循环通路74分支并绕过散热器28；以及恒温器78，其调整从主冷却水循环通路74及旁通通路75返回到水泵27的冷却水的流动，所述内燃机冷却水循环系统基于内燃机冷却水温度来检测内燃机冷却水循环系统的异常。将包括内燃机起动时的内燃机冷却水温度、向内燃机的吸入空气量、向内燃机的燃料喷射量、外气温度以及车速的至少五个参数作为神经网络的输入参数，将内燃机冷却水温度的实测值作为教师数据，针对包括进气格栅50关闭且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风不在空气调节用加热器65流通的状态、进气格栅50关闭且鼓风机63的送出风在空气调节用加热器65流通的状态、进气格栅50打开且鼓风机63的送出风在空气调节用加热器65流通的状态的四个状态，分别存储有进行了权重学习后的四个完成了学习的神经网络150A、150B、150C、150D。使用上述四个完成了学习的神经网络150A、150B、150C、150D中的与当前的进气格栅50的状态及空气调节用加热器65中的鼓风机63的送出风的流通状态对应的任一个完成了学习的神经网络，根据上述的五个参数来推定内燃机冷却水温度，基于内燃机冷却水温度的推定值来检测内燃机冷却水循环系统的异常。

接着，参照图25对在市场出售车辆中执行的恒温器78及多功能阀91的故障诊断方法进行说明。图25示出从内燃机起动时起的内燃机冷却水温度TW的变化。此外，如参照图7已经说明的那样，在冷却水温度TW比设定水温TW2低时多功能阀91关闭。另一方面，在冷却水温度TW比设定水温TW2高时，若EGR控制阀25关闭，则多功能阀91也关闭，若EGR控制阀25打开则多功能阀91也打开。

当参照图25时，实线表示在某一运转状态下恒温器78及多功能阀91正常工作的情况。另一方面，虚线Y1表示即使在冷却水温度TW变得比设定水温TW2高后，多功能阀91也持续关闭的情况，虚线Y2表示在冷却水温度TW变得比设定水温TW2高后，多功能阀91持续打开的情况。在冷却水温度TW比设定水温TW2高时，EGR控制阀25、EGR中冷器26及排气热回收器23的温度变高，因此，此时，在副冷却水循环通路部分90B及90C内流通的冷却水从EGR控制阀25、EGR中冷器26及排气热回收器23接受热而温度上升。

因此，若在冷却水温度TW变得比设定水温TW2高后，多功能阀91也持续打开，则从EGR控制阀25、EGR中冷器26及排气热回收器23接受热而温度上升的冷却水量增大。因此，若在冷却水温度TW变得比设定水温TW2高后，多功能阀91也持续打开，则如虚线Y2所示，内燃机冷却水温度TW的温度比虚线Y1所示的多功能阀91关闭时的该温度稍高。

另一方面，虚线Z表示恒温器78正常但发生了多功能阀91从内燃机起动时起持续打开的开阀异常的情况。另外，点划线表示多功能阀91正常但恒温器78发生了开阀异常的情况。在内燃机起动时EGR中冷器26、排气热回收器23的温度低，所以若增大在内燃机起动后在副冷却水循环通路部分90B及90C内流通的冷却水量，则为了加热EGR中冷器26、排气热回收器23，冷却水被夺走热，抑制了冷却水的温度上升。因此，当发生了多功能阀91从内燃机起动时起持续打开的开阀异常时，由于在内燃机刚起动后在副冷却水循环通路部分90B及90C内流通的冷却水量增大，所以冷却水的温度上升被抑制。结果，如虚线Z所示，虽然与恒温器78发生了开阀异常时相比，内燃机冷却水温度TW上升得快，但与恒温器78正常的情况相比，内燃机冷却水温度TW上升得慢。

像这样，当多功能阀91发生开阀异常时，内燃机起动后的内燃机冷却水温度TW的变化方式与正常时不同，因此，若将实际测量出的内燃机冷却水温度TW的变化方式与正常时的内燃机冷却水温度TW的变化方式进行比较，则能够判别多功能阀91是否发生了开阀异常。另一方面，在发生了多功能阀91持续关闭的闭阀异常时，在冷却水温度TW变得比设定水温TW2高后，内燃机冷却水温度TW的温度如虚线Y1所示那样发生变化。因此，可以看出：在冷却水温度TW变得比设定水温TW2高后，在多功能阀91持续打开时，根据此时的虚线Y1所示的内燃机冷却水温度TW的温度与虚线Y2所示的内燃机冷却水温度TW的温度之差，能够检测出多功能阀91发生了闭阀异常的情况。

然而，虚线Y1所示的内燃机冷却水温度TW的温度与虚线Y2所示的内燃机冷却水温度TW的温度之差小，另外，虚线Y1所示的内燃机冷却水温度TW的温度、和虚线Y2所示的内燃机冷却水温度TW的温度都会因多功能阀91的开闭状态以外的因素而发生变动，所以难以根据虚线Y1所示的内燃机冷却水温度TW的温度与虚线Y2所示的内燃机冷却水温度TW的温度之差来检测多功能阀91的闭阀异常。

与此相对，在多功能阀91发生了开阀异常时，如上所述，能够根据内燃机起动后的内燃机冷却水温度TW的变化方式来判别多功能阀91是否发生了开阀异常。因此，在基于本发明的实施例中，根据内燃机起动后的内燃机冷却水温度TW的变化方式来检测多功能阀91的开阀异常，通过后述的其他的方法来检测多功能阀91的闭阀异常。

当对为了检测多功能阀91的开阀异常而在基于本发明的实施例中执行的具体的一个例子进行说明时，则如图25所示，在实线所示的内燃机冷却水温度TW的推定值达到了恒温器78的开阀温度，例如70℃时，在从内燃机冷却水温度TW的推定值减去内燃机冷却水温度TW的实测值而得到的差ΔTW1比预先设定的差AX(图21)小且比预先设定的差CX大的情况下，判别为多功能阀91发生了开阀异常。

即，在基于本发明的实施例中，在内燃机起动后，在内燃机冷却水温度的实测值的上升量比内燃机冷却水温度的推定值的上升量低时，判别为发生了从主冷却水循环通路74持续朝向水泵27流通冷却水这一恒温器78的工作异常，在内燃机起动后，在内燃机冷却水温度的实测值的上升量比内燃机冷却水温度的推定值的上升量低且内燃机冷却水温度的实测值的上升量比发生了恒温器78的工作异常时的内燃机冷却水温度的实测值的上升量高时，判别为发生了多功能阀91持续打开这一多功能阀91的工作异常。

图26至图28示出用于检测恒温器的开阀异常及闭阀异常和多功能阀的开阀异常的故障诊断例程。该故障诊断例程也与图23及图24所示的故障诊断例程同样地，通过每隔一定时间的中断处理来执行。此外，图26至图28所示的故障诊断例程仅在图23及图24所示的故障诊断例程中添加了图27中的由点划线包围的区域S内的三个步骤509A、509B及509C，其他的步骤500～517与图23及图24所示的故障诊断例程的步骤500～517完全相同。因此，关于图26至图28所示的故障诊断例程，省略对步骤500～517的说明，仅对图27的区域S内的三个步骤509A、509B及509C进行说明。

即，当参照图27时，在步骤509A中，判别推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1是否比图25所示的预先设定的差CX大。在推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1比预先设定的差CX大时，即，若考虑到步骤509，则在推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1比预先设定的差AX(图21)小且比预先设定的差CX大时前进至步骤509B，判别为多功能阀91发生了开阀异常。

接着，在步骤509C中，进行多功能阀91发生了开阀异常时的异常应对。作为该异常应对的一个例子，例如点亮警告灯。接着，前进至步骤517。另一方面，在步骤509A中判别为推定水温TWe与内燃机冷却水温度的实测值TW之差ΔTW1比预先设定的差CX小时，前进至步骤512。

接着，对多功能阀91的闭阀异常的检测方法进行说明。如上所述，图25中的虚线Y1所示的内燃机冷却水温度TW与虚线Y2所示的内燃机冷却水温度TW之差小，另外，虚线Y1所示的内燃机冷却水温度TW、和虚线Y2所示的内燃机冷却水温度TW都会因多功能阀91的开闭状态以外的因素而发生变动，所以难以根据虚线Y1所示的内燃机冷却水温度TW与虚线Y2所示的内燃机冷却水温度TW之差来检测多功能阀91的闭阀异常。因此，在基于本发明的实施例中，根据向多功能阀91发出了开阀指令时、或者向多功能阀91发出了闭阀指令时的内燃机冷却水温度TW的变化来检测多功能阀91的闭阀异常。

接着，参照图29对该情况进行说明。在图29中示出EGR控制阀25的状态、多功能阀91的状态、以及内燃机冷却水温度TW的变化。如图29所示，当EGR控制阀25打开时发出多功能阀91的开阀指令，由此多功能阀91打开。另外，如图29所示，当EGR控制阀25关闭时发出多功能阀91的闭阀指令，由此多功能阀91关闭。另一方面，例如，在内燃机冷却水温度TW超过了70℃时判断为内燃机的预热完成，在内燃机的预热完成后，在副冷却水循环通路部分90B及90C内流通的冷却水从EGR控制阀25、EGR中冷器26及排气热回收器23接受热而温度上升。

因此，如图29所示，在多功能阀91打开后内燃机冷却水温度TW上升，在多功能阀91关闭后内燃机冷却水温度TW降低。因此，能够根据多功能阀91打开或关闭后的内燃机冷却水温度TW的变化来检测多功能阀91的闭阀异常。因此，在基于本发明的实施例中，在如图29所示那样从发出了多功能阀91的开阀指令时起经过了一定时间tk时的温度上升量ΔTW3比预先设定的值DX小的情况下，判别为多功能阀91处于闭阀异常，进而，在如图29所示那样从发出了多功能阀91的闭阀指令时起经过了一定时间tk时的温度降低量ΔTW4比预先设定的值DX小时，判别为多功能阀91处于闭阀异常。

即，在基于本发明的实施例中，在EGR控制阀25打开时多功能阀91打开，并且在EGR控制阀25关闭时多功能阀91关闭。在EGR控制阀25从闭阀状态变化为了开阀状态时，在内燃机冷却水温度的推定值的上升量为预先设定的量以下的情况下，判别为发生了多功能阀91持续关闭这一多功能阀91的工作异常。

图30及图31示出用于检测多功能阀91的闭阀异常的例程。该例程通过每隔一定时间的中断处理来执行。

当参照图30时，首先，在步骤600中，判别是否完成了多功能阀91的闭阀异常检测。在完成了多功能阀91的闭阀异常检测时，结束处理循环。与此相对，在多功能阀91的闭阀异常检测没有完成时前进至步骤601，判别是否完成了内燃机的预热。在内燃机的预热没有完成时，结束处理循环。与此相对，在完成了内燃机的预热时前进至步骤602。

在步骤602中，判别是否完成了图29所示的温度上升量ΔTW3的检测。在完成了温度上升量ΔTW3的检测时跳到步骤607。与此相对，在温度上升量ΔTW3的检测没有完成时前进至步骤603，判别是否发出了多功能阀91的开阀指令。在没有发出多功能阀91的开阀指令时，跳到步骤607。与此相对，在发出了多功能阀91的开阀指令时前进至步骤604，将此时的内燃机冷却水温度TW设为水温TWO。接着，在步骤605中，判别是否经过了图29所示的一定时间tk。在没有经过一定时间tk时跳到步骤607。与此相对，在经过了一定时间tk时，前进至步骤606，通过从此时的内燃机冷却水温度TW减去水温TWO，从而算出温度上升量ΔTW3。接着，前进至步骤607。

在步骤607中，判别是否完成了图29所示的温度上升量ΔTW4的检测。在完成了温度上升量ΔTW4的检测时跳到步骤612。与此相对，在温度上升量ΔTW4的检测没有完成时前进至步骤608，判别是否发出了多功能阀91的闭阀指令。在没有发出多功能阀91的闭阀指令时，跳到步骤612。与此相对，在发出了多功能阀91的闭阀指令时前进至步骤609，将此时的内燃机冷却水温度TW设为水温TWC。接着，在步骤610中，判别是否经过了图29所示的一定时间tk。在没有经过一定时间tk时跳到步骤612。与此相对，在经过了一定时间tk时，前进至步骤611，通过从水温TWC减去此时的内燃机冷却水温度TW，从而算出温度降低量ΔTW4。接着，前进至步骤612。

在步骤612中，判别是否完成了温度上升量ΔTW3及温度降低量ΔTW4的检测。在完成了温度上升量ΔTW3及温度降低量ΔTW4的检测时前进至步骤613，判别是否温度上升量ΔTW3比图29所示的预先设定的值DX小并且温度降低量ΔTW4比图29所示的预先设定的值DX小。在温度上升量ΔTW3比预先设定的值DX小并且温度降低量ΔTW4比预先设定的值DX小时，前进至步骤614，判别为多功能阀91发生了闭阀异常。接着，在步骤615中，进行多功能阀91发生了闭阀异常时的异常应对。作为该异常应对的一个例子，例如点亮警告灯。