阅读说明：本技术 车辆用学习控制系统、车辆用控制装置及车辆用学习装置 (Learning control system for vehicle, control device for vehicle, and learning device for vehicle ) 是由 桥本洋介 片山章弘 大城裕太 杉江和纪 冈尚哉 于 2020-08-14 设计创作，主要内容包括：提供一种车辆用学习控制系统、车辆用控制装置及车辆用学习装置。车辆用控制装置具备存储装置和执行装置,所述存储装置存储映射数据,所述映射数据规定将基于车载传感器的、在时序上处于前后的多个检测值的输入数据作为输入并输出预定的输出值的映射,包含通过机器学习而学习后的数据,所述执行装置执行：取得处理,从所述存储装置取得所述输入数据；算出处理,将所述输入数据作为所述映射的输入并算出所述预定的输出值；以及发送处理,将如下时序数据向所述车辆的外部发送,所述时序数据包含基于在生成所述输入数据时所使用的所述多个检测值和与该输入数据所使用的所述检测值在时序上处于前后的1个或多个检测值的数据。(Provided are a learning control system for a vehicle, a control device for a vehicle, and a learning device for a vehicle. The vehicle control device includes a storage device that stores map data that defines a map in which predetermined output values are output by inputting, as inputs, input data based on a plurality of detection values of an in-vehicle sensor that are chronologically preceding and succeeding, and that includes data learned by machine learning, and an execution device that executes: an acquisition process of acquiring the input data from the storage device; a calculation process of calculating the predetermined output value by using the input data as an input of the map; and a transmission process of transmitting, to the outside of the vehicle, time-series data including data based on the plurality of detection values used when the input data is generated and 1 or more detection values that are chronologically preceding and succeeding the detection value used for the input data.)

车辆用学习控制系统、车辆用控制装置及车辆用学习装置

技术领域

本发明涉及使用了机器学习的车辆用学习控制系统、车辆用控制装置及车辆用学习装置。

背景技术

例如在日本特开平4-91348中，提出了具备如下的神经网络的装置，该神经网络以转速的变化量即旋转变动量为输入、并输出表示在内燃机的多个汽缸中的各汽缸中是否产生了失火(不发火)的值。

发明内容

通常，在提高通过机器学习进行学习的学习完成模型的可靠性方面，需要预先使用各种状况下的训练数据来进行学习。但是，在搭载于车辆以前，关于在实际搭载于车辆的情况下可能产生的各种状况，不一定能够得到足够的训练数据。并且，在不能得到足够的训练数据的情况下，难以验证上述神经网络是否会在搭载于车辆的情况下在各种状况下输出正确的值。

本发明提供一种用于解决上述课题的车辆用学习控制系统、车辆用控制装置及车辆用学习装置。

本发明的第1方案的车辆用控制装置具备存储装置和执行装置。所述存储装置存储映射数据，所述映射数据是规定映射的数据且包含通过机器学习而学习后的数据，所述映射是以基于多个检测值的输入数据为输入、并输出具有与车辆的既定状态相关的信息的预定的输出值的映射，所述多个检测值是车载传感器的检测值且是时序上的前后多个检测值，所述执行装置执行取得处理、算出处理以及发送处理，所述取得处理是从所述存储装置取得所述输入数据的处理，所述算出处理是以由所述取得处理取得的所述输入数据为所述映射的输入并算出所述预定的输出值的处理，所述发送处理是将如下时序数据向所述车辆的外部发送的处理，所述时序数据是包含基于在生成所述输入数据时所使用的所述多个检测值和与该输入数据所使用的所述检测值在时序上处于前后的1个或多个检测值的数据的时序数据。

根据上述第1方案，将包含为了算出映射的输出值而使用的输入数据的时序数据向车辆的外部发送。该发送处理由搭载于车辆的车辆用控制装置执行，所以，能够发送各种状况下的数据。因此，根据上述第1方案，能够在车辆的外部，验证各种状况下的映射的输出值是否正确。而且，发送的时序数据中，包含基于与输入数据所使用的检测值在时序上处于前后的1个或多个检测值的数据，所以，与仅发送基于输入数据所使用的检测值的数据的情况相比，在进行验证的方面，能够提供更多的信息。

在上述第1方案中，可以是，所述存储装置存储第1映射数据并存储第2映射数据，所述第1映射数据是规定第1映射的数据，所述第2映射数据是规定第2映射的数据，所述第1映射是以基于所述车载传感器的检测值的第1输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第1输出值的映射，所述第2映射是以基于所述车载传感器的检测值的第2输入数据为输入、并输出作为具有与所述既定状态相关的信息的输出值的第2输出值的映射，可以是，所述执行装置执行：第1取得处理，取得基于所述车载传感器的检测值的所述第1输入数据；第1算出处理，将由所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入并算出所述第1输出值；第2取得处理，取得基于所述车载传感器的检测值的所述第2输入数据；第2算出处理，将由所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入并算出所述第2输出值；以及判定处理，判定所述第1输出值与所述第2输出值是否相符，可以是，所述执行装置在由所述判定处理判定为不相符的情况下执行所述发送处理。

根据上述第1方案，通过具备第1映射，在第1输出值与第2输出值相符的情况下，认为第2输出值至少与第1输出值同程度地可信赖，不执行发送处理。因而，在上述构成中，与无论判定处理的判定结果如何都始终发送基于第2输出值的算出中所使用的检测值的时序数据的情况相比，能够减轻通信负荷。

在上述第1方案中，可以是，所述车载传感器是搭载于所述车辆的内燃机的曲轴角传感器，所述第1输入数据及所述第2输入数据是旋转波形变量，所述旋转波形变量是包含如下信息的变量，所述信息是与比所述内燃机的压缩上止点的出现间隔小的角度间隔中的所述内燃机的曲轴的转速即瞬时速度彼此不同的所述角度间隔中的值彼此的不同相关的信息，所述时序数据包含瞬时速度变量，所述瞬时速度变量是表示如下所述的各个角度间隔中的所述瞬时速度的变量，所述各个角度间隔分别是：包含由所述判定处理判定为不相符时的所述第2输出值的算出中所使用的所述旋转波形变量所表示的与所述瞬时速度彼此的不同相关的信息的所述角度间隔、和与该角度间隔在时序上靠前或靠后地产生的所述角度间隔。

根据上述第1方案，不仅通过发送处理发送与第2输出值的算出中所使用的旋转波形变量对应的瞬时速度变量，还通过发送处理发送与该瞬时速度变量在时序上处于前后的瞬时速度变量。由此，与仅发送与第2输出值的算出中所使用的旋转波形变量对应的瞬时速度变量的情况相比，能够向车辆的外部提供关于曲轴的旋转举动的更详细的信息。

在上述第1方案中，可以是，所述角度间隔是第2间隔，可以是，所述旋转波形变量是构成为利用比所述第2间隔大的第1间隔所包含的连续的多个所述第2间隔各自中的所述瞬时速度变量自身表示这些所述瞬时速度变量彼此的差的变量的时序数据，可以是，由所述发送处理发送的所述时序数据，除了由所述判定处理判定为不相符时的所述多个所述第2间隔各自中的所述瞬时速度变量之外，还包含与该第1间隔相邻且连续的多个所述第2间隔各自中的所述瞬时速度变量。

根据上述第1方案，由发送处理发送关于第1间隔和与第1间隔相邻的间隔双方的、连续的多个第2间隔各自中的瞬时速度变量，所以，与仅发送间断的间隔的瞬时速度变量的情况相比，能够提供关于曲轴的旋转举动的更详细的信息。

在上述第1方案中，可以是，所述第1输出值及所述第2输出值均是与有无失火相关的输出值，可以是，由所述发送处理发送的所述时序数据，包含与由所述判定处理判定为不相符时的所述第2输出值的算出中使用了的所述旋转波形变量相关的所述瞬时速度变量、和由所述判定处理判定为相符时的所述瞬时速度变量。

根据上述第1方案，通过将判定为相符时的瞬时速度变量也作为发送对象，与仅发送判定为不相符时的瞬时速度变量的情况相比，容易看出曲轴的旋转举动在什么样的情况下变得不相符。

在上述第1方案中，可以是，由所述发送处理发送的所述时序数据，包含由所述判定处理判定为不相符时的所述瞬时速度变量、和从由所述判定处理判定为不相符的状态转移到判定为相符的状态时的该判定为相符的状态下的所述瞬时速度变量。

根据上述第1方案，将从由判定处理判定为不相符的状态转移到判定为相符的状态时的该判定为相符的状态下的瞬时速度变量作为发送对象。由此，能够提供从不相符的状态向相符的状态恢复的前后的曲轴的旋转举动的信息，所以，与仅发送判定为不相符时的瞬时速度变量的情况相比，容易看出曲轴的旋转举动在什么样的情况下变得不相符。

在上述第1方案中，可以是，所述执行装置在所述车辆的行驶结束时执行所述发送处理。

根据上述第1方案，在车辆的行驶结束时执行发送处理，由此，与在车辆行驶时执行发送处理的情况相比，能够减轻车辆行驶时的车辆用控制装置的运算负荷。

本发明的第2方案的车辆用学习控制系统具备第1存储装置、搭载于车辆的第1执行装置、以及所述车辆的外部的第2执行装置。所述第1存储装置存储映射数据，所述映射数据是规定映射的数据且包含通过机器学习而学习后的数据，所述映射是以基于多个检测值的输入数据为输入、并输出具有与车辆的既定状态相关的信息的预定的输出值的映射，所述多个检测值是车载传感器的检测值且是时序上的前后多个检测值，所述第1执行装置执行取得处理、算出处理以及发送处理，所述取得处理是从所述第1存储装置取得所述输入数据的处理，所述算出处理是将由所述取得处理取得的所述输入数据作为所述映射的输入并算出所述预定的输出值的处理，所述发送处理是将如下时序数据向所述车辆的外部发送的处理，所述时序数据是包含基于在生成所述输入数据时所使用的所述多个检测值和与该输入数据所使用的所述检测值在时序上处于前后的1个或多个检测值的数据的时序数据，所述第2执行装置执行接收处理、再学习数据生成处理以及再学习处理，所述接收处理是接收由所述发送处理从所述第1执行装置发送的所述时序数据的处理，所述再学习数据生成处理是基于由所述接收处理接收到的所述时序数据，生成使所述映射进行再学习的数据即再学习数据的处理，所述再学习处理是基于由所述再学习数据生成处理生成的数据，使所述映射数据进行再学习的处理。

根据上述第2方案，能够基于判定为不相符时的向映射的输入数据来使映射数据进行再学习，所以，能够使得映射在车辆的各种状况下输出精度高的值。此外，第2执行装置在“车辆的外部”是指第2执行装置不是车载装置。

在上述第2方案中，可以是，所述再学习数据生成处理包括：显示处理，使显示装置显示由所述发送处理发送的所述时序数据；妥当性判定结果取入处理，取入所述映射的输出值是否存在错误的信息；以及基于由所述妥当性判定结果取入处理取入的信息，生成用于更新所述映射数据的数据的处理。

根据上述第2方案，通过在显示装置显示由发送处理发送的向映射的输入数据等信息，能够在第1映射及第2映射之外，通过能够根据第2输入数据的信息等判定车辆的状态的主体，针对第2映射的输出的妥当性进行研究。并且，通过利用妥当性判定结果取入处理取入基于该主体的判定结果，能够确定是否应该将成为了显示对象的输入数据作为用于更新第2映射数据的再学习数据。

在本发明的第2方案中，还具备所述车辆的外部的第2存储装置。所述第1存储装置搭载于所述车辆，所述第2存储装置存储第3映射数据，所述第3映射数据规定以基于所述车载传感器的检测值的数据为输入、并输出具有与所述既定状态相关的信息的第3输出值的第3映射，所述再学习数据生成处理包括：第3算出处理，将由所述发送处理发送的所述时序数据向所述第3映射输入并算出所述第3输出值；和基于所述第3算出处理的算出结果与所述第2算出处理的算出结果有无相符性，生成用于更新所述第2映射数据的数据的处理。

根据上述第2方案，通过判定第3输出值与第2输出值有无相符性，能够验证第2输出值的妥当性，进而能够判定是否应该作为再学习用的数据。此外，第2存储装置在“车辆的外部”是指第2存储装置不是车载装置。

在上述第2方案中，可以是，所述第2执行装置执行将由所述再学习处理学习后的完成了再学习的参数向所述车辆发送的参数发送处理，所述第1执行装置执行接收由所述参数发送处理发送的所述参数的参数接收处理。

根据上述第2方案，通过在车辆侧接收完成了再学习的参数而利用在车辆侧接收到的参数，从而能够更新第2映射数据。

本发明的第3方案的车辆用控制装置具备搭载于车辆的执行装置。所述执行装置执行：取得处理，取得基于多个检测值的输入数据，所述多个检测值是车载传感器的检测值且是时序上的前后多个检测值；算出处理，将由所述取得处理取得的所述输入数据作为映射的输入并算出预定的输出值；以及发送处理，将如下所述的时序数据向所述车辆的外部发送，所述时序数据是包含基于在生成所述输入数据时所使用的所述多个检测值和与该输入数据所使用的所述检测值在时序上处于前后的1个或多个检测值的数据的时序数据。

本发明的第4方案的车辆用控制装置具备车辆的外部的执行装置。所述执行装置执行：接收处理，从所述车辆接收时序数据；再学习数据生成处理，基于由所述接收处理接收到的所述时序数据，生成使映射进行再学习的数据即再学习数据；以及再学习处理，基于由所述再学习数据生成处理生成的数据，使所述映射数据进行再学习。

附图说明

以下将参照附图说明本发明的示例性实施方式的特征、优点、以及技术和产业意义，在附图中相似的附图标记表示相似的要素，并且其中：

图1是示出第1实施方式的学习控制系统的构成的图。

图2是示出第1实施方式的控制装置执行的处理的步骤的流程图。

图3是示出第1实施方式的控制装置执行的处理的步骤的流程图。

图4是示出第1实施方式的系统执行的处理的步骤的流程图。

图5是示出第1实施方式的发送数据的图。

图6是示出第2实施方式的学习控制系统的构成的图。

图7是示出第2实施方式的控制装置执行的处理的步骤的流程图。

图8是示出第2实施方式的控制装置执行的处理的步骤的流程图。

图9是示出第2实施方式的系统执行的处理的步骤的流程图。

具体实施方式

第1实施方式

以下，关于车辆用学习控制系统的第1实施方式，参照附图进行说明。

在图1所示的搭载于车辆VC1的内燃机10中，在进气通路12设置有节气门14。从进气通路12吸入的空气通过进气门16打开而向各汽缸#1～#4的燃烧室18流入。通过燃料喷射阀20向燃烧室18喷射燃料。在燃烧室18中，空气与燃料的混合气通过点火装置22的火花放电而用于燃烧，通过燃烧产生的能量作为曲轴24的旋转能量而被取出。用于了燃烧的混合气伴随排气门26的打开而作为排气向排气通路28排出。在排气通路28设置有具有氧吸藏能力的催化剂30。

变速装置54的输入轴56能够经由变矩器50连结于内燃机10的曲轴24。变矩器50具备锁止离合器52，通过锁止离合器52成为紧固连结状态，曲轴24与输入轴56连结。在变速装置54的输出轴58以机械的方式连结有驱动轮60。

在曲轴24结合有设置有齿部42的曲轴转子40，该齿部42表示曲轴24的多个旋转角度中的各旋转角度。此外，在本实施方式中，例示了34个齿部42。虽然在曲轴转子40基本上以10℃A间隔设置有齿部42，但是设置有1处相邻的齿部42间的间隔成为30℃A的部位即缺齿部44。这是为了表示成为曲轴24的基准的旋转角度。

控制装置70将内燃机10作为控制对象，为了控制作为其控制量的转矩、排气成分比率等而操作节气门14、燃料喷射阀20、点火装置22等内燃机10的操作部。另外，控制装置70将变矩器50作为控制对象，为了控制作为其控制量的锁止离合器52的接合状态而操作锁止离合器52。另外，控制装置70将变速装置54作为控制对象，为了控制作为其控制量的齿轮比而操作变速装置54。此外，图1中记载了节气门14、燃料喷射阀20、点火装置22、锁止离合器52及变速装置54各自的操作信号MS1～MS5。

控制装置70在进行控制量的控制时，参照按除了缺齿部44之外每隔10℃A设置的齿部42间的每个角度间隔来输出脉冲的曲轴角传感器80的输出信号Scr、由空气流量计82检测的吸入空气量Ga。另外，控制装置70参照由水温传感器84检测的内燃机10的冷却水的温度即水温THW、由外气温度传感器86检测的外气温度Ta、由档位传感器88检测的变速装置54的档位Vsft。

控制装置70具备CPU72、ROM74、作为能够电改写的非易失性存储器的存储装置76、通信机77及周边电路78，它们能够通过局域网79进行通信。此外，周边电路78包括生成规定内部的动作的时钟信号的电路、电源电路、复位电路等。另外，在存储装置76中，存储有实用映射数据76a及评价映射数据76b。在此，实用映射数据76a是为了监视内燃机10的失火而实际利用的数据。相对于此，评价映射数据76b是成为其可靠性的评价的对象的数据，不是为了监视内燃机10的失火而利用的。此外，评价映射数据76b在进行了某种程度的基于机器学习的学习的状态下安装于控制装置70。

控制装置70通过CPU72执行存储于ROM74中的程序而执行上述控制量的控制。详细而言，在ROM74中存储有失火检测程序74a、再学习子程序74b。在此，再学习子程序74b是用于执行评价映射数据76b的再学习的程序。

上述通信机77是用于经由车辆VC1的外部的网络110而与数据解析中心100进行通信的设备。数据解析中心100对从多个车辆VC1、VC2、…发送的数据进行解析。数据解析中心100具备CPU102、ROM104、存储装置106、通信机107及周边电路108，它们能够通过局域网109进行通信。在ROM104中存储有规定如下处理的再学习主程序104a，该处理基于从多个车辆VC1、VC2、…发送的数据来生成用于使评价映射数据76b进行再学习的数据。另外，在存储装置106中存储有用于使由从多个车辆VC1、VC2、…发送的评价映射数据76b规定的映射进行再学习的数据即再学习用数据106a。

图2中示出通过CPU72执行存储于ROM74中的失火检测程序74a而实现的处理的一部分。图2所示的处理是利用实用映射数据76a进行的处理。图2所示的处理例如以预定周期反复执行。此外，以下，利用在开头标注有“S”的数字来表示各处理的步骤编号。

在图2所示的一系列的处理中，CPU72首先取得微小旋转时间T30(S10)。微小旋转时间T30是曲轴24旋转30℃A所需的时间，基于曲轴角传感器80的输出信号Scr而由CPU72算出。接着，CPU72将在S10的处理中取得的最新的微小旋转时间T30设为微小旋转时间T30[0]，越是过去的值，则将微小旋转时间T30[m]的变量“m”设为越大的值(S12)。即，设为“m＝1、2、3、…”，将即将进行S12的处理之前的微小旋转时间T30[m-1]设为微小旋转时间T30[m]。由此，例如，在上次执行图2的处理时由S10的处理取得的微小旋转时间T30成为微小旋转时间T30[1]。此外，微小旋转时间T30[0]、T30[1]、T30[2]、…中的、在时序上相邻的微小旋转时间T30彼此表示互相相邻的30℃A的角度间隔的旋转所需的时间，这些角度间隔不具有重叠的部分。

接着，CPU72判定在S10的处理中取得的微小旋转时间T30是否是汽缸#1～#4中的任一个的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间(S14)。并且，CPU72在判定为是到压缩上止点为止的角度间隔的旋转所需的时间的情况下(S14：是)，为了判定成为了压缩上止点的汽缸有无失火，向成为判定对象的汽缸#i的旋转变动量Δω(i)代入“T30[0]-T30[6]”(S16)。即，通过从成为失火的判定对象的汽缸的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间，减去在成为失火的判定对象的汽缸之前上一个成为压缩上止点的汽缸的压缩上止点前30℃A到压缩上止点为止的角度间隔的旋转所需的时间，从而将旋转变动量Δω定量化。

接着，CPU72判定旋转变动量Δω(i)是否为规定量Δωth以上(S18)。该处理是判定在成为失火的判定对象的汽缸中是否产生了失火的处理。在此，CPU72基于转速NE及充气效率η可变地设定规定量Δωth。

详细而言，在将以转速NE及充气效率η为输入变量并以规定量Δωth为输出变量的映射数据预先存储于存储装置76中的状态下由CPU72对规定量Δωth进行映射运算。此外，映射数据是输入变量的离散的值和与输入变量的值各自对应的输出变量的值的数据组。另外，关于映射运算，例如设为如下处理即可：在输入变量的值与映射数据的输入变量的值中的任一个一致的情况下，将对应的映射数据的输出变量的值作为运算结果，相对于此，在不一致的情况下，将通过映射数据所包含的多个输出变量的值的插值处理而得到的值作为运算结果。

转速NE由CPU72基于曲轴角传感器80的输出信号Scr而算出。在此，转速NE是曲轴24旋转比压缩上止点的出现间隔(在本实施方式中是180℃A)大的角度间隔时的转速的平均值。转速NE优选设为曲轴24旋转曲轴24的1圈以上的旋转角度时的转速的平均值。此外，此处的平均值不限于单纯平均，例如，也可以是指数移动平均处理，总之，算出除去了以压缩上止点的出现间隔程度变动的高阶成分后的低频成分即可。另外，充气效率η由CPU72基于转速NE及吸入空气量Ga而算出。

S16、S18的处理是使用实用映射数据76a进行的处理。即，实用映射数据76a规定了以微小旋转时间T30[0]和微小旋转时间T30[6]为输入、并将与在成为判定对象的汽缸中是否产生了失火相应的逻辑值作为输出值而输出的映射。此外，此处的逻辑值是与旋转变动量Δω(i)为规定量Δωth以上这一意思的命题是真还是假相关的值。

CPU72在判定为是规定量Δωth以上的情况下(S18：是)，判定为在汽缸#i中产生了失火(S20)。接着，CPU72使汽缸#i的失火计数CN(i)递增(S22)。然后，CPU72判定“从在失火计数CN(i)初始化了的状态下最初执行S18的处理起经过预定期间”与“从进行后述的S28的处理起经过预定期间”的逻辑或是否是真(S24)。并且，CPU72在判定为逻辑或是真的情况下(S24：是)，判定失火计数CN(i)是否为阈值CNth以上(S26)。CPU72在判定为小于阈值CNth的情况下(S26：否)，将失火计数CN(i)初始化(S28)。

相对于此，CPU72在判定为是阈值CNth以上的情况下(S26：是)，操作图1所示的警告灯90，将产生了异常这一消息报知给用户(S30)。此外，CPU72在S28、S30的处理完成的情况、在S14、S24的处理中判定为否的情况下，暂且结束图2所示的一系列的处理。

图3中示出通过CPU72执行存储于ROM74中的失火检测程序74a而实现的处理的一部分的步骤。图3所示的处理是使用评价映射数据76b进行的处理。

在图3所示的一系列的处理中，CPU72首先取得微小旋转时间T30(1)、T30(2)、…T30(24)、转速NE及充气效率η(S40)。在此，微小旋转时间T30(1)、T30(2)、…与图2的微小旋转时间T30[1]、T30[2]…不同，尤其是，微小旋转时间T30(1)、T30(2)、…中，括号中的数字越大，表示越靠后的值。此外，微小旋转时间T30(1)～T30(24)分别是以30℃A对720℃A的旋转角度区域进行等分而得到的24个角度间隔各自中的旋转时间。

接着，CPU72向由评价映射数据76b规定的映射的输入变量x(1)～x(26)代入由S40的处理取得的值(S42)。详细而言，CPU72设为“s＝1～24”，向输入变量x(s)代入微小旋转时间T30(s)。即，输入变量x(1)～x(24)成为微小旋转时间T30的时序数据。另外，CPU72向输入变量x(25)代入转速NE，向输入变量x(26)代入充气效率η。

接着，CPU72通过向由评价映射数据76b规定的映射输入输入变量x(1)～x(26)，来算出失火变量P(1)～P(5)的值(S44)。在此，若设为“i＝1～4”，则失火变量P(i)是在汽缸#i中产生了失火的概率高的情况下成为比低的情况下大的值的变量。另外，失火变量P(5)是在汽缸#1～#4的任一个中均没有产生失火的概率高的情况下成为比低的情况下大的值的变量。

详细而言，由评价映射数据76b规定的映射是中间层为1层的神经网络。上述神经网络包含系数w(1)ji(j＝0～n、i＝0～26)和激活函数h1(x)，所述激活函数h1(x)是对由系数w(1)ji规定的线性映射的输出分别进行非线性变换的非线性映射。在本实施方式中，作为激活函数h1(x)，例示双曲正切函数。w(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

另外，上述神经网络包含系数w(2)kj(k＝1～5、j＝0～n)和softmax函数，所述softmax函数将由系数w(2)kj规定的线性映射的输出即原型变量y(1)～y(5)分别作为输入并输出失火变量P(1)～P(5)。

接着，CPU72确定失火变量P(1)～P(5)中的成为最大的变量(S46)。然后，CPU72判定成为最大的失火变量P(q)是失火变量P(1)～P(4)中的任一个还是失火变量P(5)(S48)。并且，CPU72在判定为是失火变量P(1)～P(4)中的任一个的情况下(S48：是)，判定为汽缸#q失火(S50)。

此外，CPU72在S50的处理完成的情况、在S48的处理中判定为否的情况下，暂且结束图3所示的一系列的处理。图4中示出与本实施方式的评价映射数据76b的再学习相关的处理的步骤。图4的左侧所示的处理，通过CPU72执行图1所示的存储于ROM74中的再学习子程序74b而实现。另外，图4的右侧所示的处理，通过CPU102执行存储于ROM104中的再学习主程序104a而实现。以下，按照再学习处理的时序对图4所示的处理进行说明。

在图4的左侧所示的一系列的处理中，CPU72首先判定是否是评价映射数据76b的可靠性的验证期间(S60)。具体而言，在本实施方式中，将以下的期间设为了验证期间。

(a)水温THW为预定温度以下的期间：在水温THW低的情况下，燃烧容易变得不稳定，与水温THW高的情况相比难以提高失火的检测精度，所以将该期间包含于验证期间。

(b)外气温度Ta为规定温度以下的期间：在外气温度Ta低的情况下，燃烧容易变得不稳定，与外气温度Ta高的情况相比难以提高失火的检测精度，所以将该期间包含于验证期间。

(c)催化剂30的预热处理的执行期间：在催化剂30的预热处理的执行期间，进行燃烧效率降低了的燃烧，所以，燃烧容易不稳定化，与催化剂30的预热后相比难以提高失火的检测精度，所以将该期间包含于验证期间。

(d)充气效率η为预定值以下的期间：在轻负荷下，与负荷高的情况相比，燃烧容易不稳定化，与中、高负荷相比难以提高失火的检测精度，所以将该期间包含于验证期间。

(e)转速NE的每预定时间的变化量ΔNE成为预定值以上的期间：在过渡运转时，与稳定运转时相比，失火的检测精度容易降低，所以将该期间包含于验证期间。

CPU72在判定为是验证期间的情况下(S60：是)，判定标志F是否是“1”(S62)。在此，标志F在基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果不一致的情况下成为“1”，在一致的情况下成为“0”。CPU72在判定为标志F是“0”的情况下(S62：否)，判定基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果是否不一致(S64)。CPU72在同一燃烧循环中的基于图2的S18的处理的4次的判定结果与图3的S46的处理的结果不相符的情况下，判定为不一致。即，例如，虽然在S18的处理中判定为汽缸#1的旋转变动量Δω(1)为规定量Δωth以上但是在S46的处理中选择了P(5)的情况下，CPU72判定为不一致。

CPU72在判定为不一致的情况下(S64：是)，向标志F代入“1”(S66)。接着，CPU72使计数C递增(S68)。相对于此，CPU72在判定为标志F是“1”的情况下(S62：是)，判定基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果是否一致(S70)。并且，CPU72在判定为不一致的情况下(S70：否)，移向S68的处理，而在判定为一致的情况下(S70：是)，向标志F代入“0”(S72)。然后，CPU72判定计数C是否比最大值C0大(S74)。并且，CPU72在判定为比最大值C0大的情况下(S74：是)，将最大值C0更新为当前的计数C的值，并且更新旋转时间集合GrT30及额外信息集合GrE(S76)。

详细而言，旋转时间集合GrT30如图5所示，是与3燃烧循环相应的的微小旋转时间T30(1)～T30(72)的集合。不过，微小旋转时间T30(49)～T30(72)被更新为对应于由最近的S70的处理判定为基于图2所示的处理的失火的判定结果与基于图3所示的处理的失火的判定结果一致的燃烧循环。在此，在最大值C0为“2”以上的情况下，微小旋转时间T30(1)～T30(24)和微小旋转时间T30(25)～T30(48)均对应于基于图2的处理的失火的判定结果与基于图3所示的处理的失火的判定结果不同的燃烧循环。此外，最大值C0的初始值为零。

另外，额外信息集合GrE由转速NE、充气效率η、表示催化剂30的预热处理有无执行的预热控制变量Vcat、外气温度Ta、水温THW、变速装置54的档位Vsft、及表示锁止离合器52的接合状态的变量即接合变量Vrc构成。这些各变量优选是在S70的处理中判定为是的燃烧循环之前的燃烧循环中的值。除了作为向由评价映射数据76b规定的映射的输入的、作为动作点变量的转速NE及充气效率η之外，额外信息集合GrE还是对与有无失火相对应的曲轴24的旋转举动产生影响的变量的集合。即，根据锁止离合器52的接合状态、档位Vsft，从曲轴24到驱动轮60的惯性常数互相不同，所以，曲轴24的旋转举动不同。另外，预热控制变量Vcat、外气温度Ta、水温THW是表示燃烧状态是否稳定的变量。

返回图4，CPU72在S76的处理完成的情况、在S74的处理判定为否的情况下，将计数C初始化(S79)。并且，CPU72在S68、S79的处理完成的情况、在S60、S64的处理中判定为否的情况下，判定是否是行程的结束时(S78)。在此，行程是指车辆的行驶许可信号为开启状态的1次的期间。在本实施方式中，行驶许可信号相当于点火信号。CPU72在判定为是行程的结束时的情况下(S78：是)，操作通信机77，将与失火变量P(1)～P(5)中的成为最大的变量相关的信息“q”、最大值C0、旋转时间集合GrT30及额外信息集合GrE向数据解析中心100发送(S80)。

相对于此，如图4的右侧所示，CPU102接收与失火变量P(1)～P(5)中的成为最大的失火变量相关的信息“q”、最大值C0、旋转时间集合GrT30及额外信息集合GrE(S90)。然后，CPU72在图1所示的显示装置112显示由旋转时间集合GrT30表现的与曲轴24的旋转举动相关的波形数据，并且，显示与失火变量P(1)～P(5)中的成为最大的失火变量相关的信息“q”、最大值C0、额外信息集合GrE(S92)。这是向熟练方提供熟练方能够判断是否产生了失火的信息的处理。即，若是熟练方，则通过观看波形数据，能够高精度地判断是否产生了失火。并且，此时，通过参照额外信息集合GrE的信息，是否产生了失火的判断变得更可靠。由此，熟练方能够基于是否产生了失火的判断，来判断使用了评价映射数据76b的失火判定是否是误判定。

CPU102当通过熟练方操作图1所示的接口114而输入了判断结果后，取得该判断结果(S94)。然后，CPU102判定通过接口114的操作输入的判断结果是否是“使用了评价映射数据76b的失火判定是误判定”这一意思的判断(S96)。并且，CPU102在是“是误判定”这一意思的判断的情况下(S96：是)，将由S90的处理接收到的数据中的、至少微小旋转时间T30(25)～T30(48)、转速NE及充气效率η、和基于熟练方的是否失火的判断结果，作为再学习用数据106a而存储(S98)。再学习用数据106a包含基于不仅从车辆VC1、还从搭载有与内燃机10同一规格的内燃机的其他车辆VC2、…接收到的数据的数据。

接着，CPU102判定存储于存储装置106中的再学习用数据106a是否为预定量以上(S100)。并且，CPU102在判定为是预定量以上的情况下(S100：是)，使用再学习用数据106a作为训练数据，更新评价映射数据76b的完成了学习的参数即系数w(1)ji、w(2)kj(S102)。即，CPU72将训练数据中的除与基于熟练方的是否失火的判断结果相关的数据以外的数据作为输入变量x(1)～x(26)并算出失火变量P(1)～P(5)，另一方面，基于与基于熟练方的是否失火的判断结果相关的数据而生成教师数据。例如，若熟练方的判断是汽缸#1失火这一意思的判断，则设为P(1)＝1且P(2)～P(5)＝0。另外，例如，若熟练方的判断是正常的意思的判断，则设为P(1)～P(4)＝0且P(5)＝1。并且，以教师数据与神经网络输出的失火变量P(1)～P(5)之差的绝对值变小的方式，利用周知的方法来更新系数w(1)ji、w(2)kj。

此外，关于失火变量P(1)～P(5)的算出处理，需要系数w(1)ji、w(2)kj的信息、激活函数h1、及在神经网络的输出层中使用softmax函数这一意思的信息。关于这一点，例如，既可以在S100的处理中判定为是的情况下从CPU102向控制装置70发出“发送与上述信息相关的数据”这一指示，另外，例如，也可以预先存储于存储装置106中。

然后，CPU102操作通信机107，将更新后的系数w(1)ji、w(2)kj作为完成了再学习的参数向车辆VC1、VC2、…发送(S104)。此外，CPU102在S104的处理完成的情况、在S96、S100的处理中判定为否的情况下，暂且结束图4的右侧所示的一系列的处理。

另一方面，如图4的左侧所示，CPU72判定是否存在来自数据解析中心100的、完成了再学习的参数的发送(S82)。并且，CPU102在判定为存在完成了再学习的参数的发送的情况下(S82：是)，接收系数w(1)ji、w(2)kj(S84)，更新存储于存储装置76中的评价映射数据76b(S86)。

此外，CPU72在S86的处理完成的情况、在S78、S82的处理中判定为否的情况下，暂且结束图4的左侧所示的一系列的处理。在此，对本实施方式的作用及效果进行说明。

CPU72基于实用映射数据76a执行图2所示的处理而监视内燃机10有无失火，在频繁产生失火的情况下，为了应对该情况而执行报知处理。另外，CPU72基于评价映射数据76b执行图3所示的处理而执行基于评价映射数据76b的失火判定。然后，CPU72判定使用了评价映射数据76b的失火判定结果与使用了实用映射数据76a的失火判定结果是否相符，在判定为不相符的情况下，认为评价映射数据76b的学习有可能不充分，将向由评价映射数据76b规定的映射的输入变量等向数据解析中心100发送。详细而言，除了作为向映射的输入变量的微小旋转时间T30(25)～T30(48)之外，还将微小旋转时间T30(1)～T30(24)、微小旋转时间T30(49)～T30(72)等向数据解析中心100发送。

对此，CPU102在显示装置112显示表示基于从CPU72发送来的微小旋转时间T30(1)～T30(72)的曲轴24的旋转举动的波形数据等。由此，熟练方基于表示曲轴24的旋转举动的波形数据等，判断是否产生了失火，基于此，判断使用了评价映射数据76b的有无失火的判定是否是误判定。CPU102在熟练方的判断结果是“使用了评价映射数据76b的有无失火的判定是误判定”这一意思的判断的情况下，将从车辆侧发送来的数据的至少一部分作为再学习用数据106a而存储于存储装置106。并且，当再学习用数据106a成为预定量以上时，CPU102更新系数w(1)ji、w(2)kj，并作为完成了再学习的数据而分别向车辆VC1、VC2、…发送。

由此，在各车辆VC1、VC2、…中，通过如下的更新后的系数w(1)ji、w(2)kj来更新评价映射数据76b，关于该更新后的系数w(1)ji、w(2)kj，不仅使用在自身车辆中使用评价映射数据76b招致误判定的数据，还使用在其他车辆中使用评价映射数据76b招致误判定的数据来进行更新。

因此，能够将评价映射数据76b更新为在各种状况下均能够高精度地判定失火的数据。并且，在通过产生了不一致时的熟练方的判断而判明评价映射数据76b的可靠性高的情况下，能够将更新后的评价映射数据76b作为实用映射数据76a而用于失火的监视。进而，也能够从一开始就将基于搭载于多个车辆VC1、VC2、…的原始的数据的学习完成模型(映射数据)作为实用映射数据搭载于在新开发的具备同一汽缸数的内燃机的车辆中搭载的控制装置。

根据以上说明的本实施方式，还能够得到以下记载的效果。

(1)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，不仅是成为了不一致的燃烧循环中的微小旋转时间T30(25)～T30(48)，还将从不一致恢复为了一致的燃烧循环中的微小旋转时间T30(49)～T30(72)向数据解析中心100发送。由此，不仅发送与产生了不一致的状态相关的信息，还发送转变为消除了不一致的状态时的信息。因而，与仅发送作为成为了不一致的1燃烧循环的波形数据的微小旋转时间T30(25)～T30(48)的情况相比，熟练方能够更高精度地判断是否产生了失火。

(2)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，一并发送额外信息集合GrE。由此，与仅发送作为表示曲轴24的旋转举动的波形数据的、微小旋转时间T30(1)～T30(72)的情况相比，熟练方能够更高精度地判断是否产生了失火。

(3)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，对连续产生了不一致的次数进行计数，仅将在1行程中连续产生了不一致的次数最大时的数据向数据解析中心100发送。在此，与单次产生了不一致的情况相比，在连续产生了不一致的情况下，很可能并非偶发性的干扰等的影响，而是在使用了实用映射数据76a的失火判定的可靠性与使用了评价映射数据76b的失火判定的可靠性之间存在差异。因此，通过仅发送次数最大时的数据，能够在减轻与数据解析中心100的通信所涉及的数据量的同时，发送在确定评价映射数据76b的特征的方面极为有益的信息。

(4)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，在行程的结束时将产生了不一致时的数据向数据解析中心100发送。在行程的结束时，与车辆的行驶时等相比，控制装置70的运算负荷小，所以，能够抑制因发送处理而对控制装置70施加的运算负荷变得过大的情况。

第2实施方式

以下，关于第2实施方式，以与第1实施方式的不同点为中心，参照附图进行说明。

图6中示出第2实施方式的学习控制系统的构成。此外，在图6中，关于与先前的图1所示的部件对应的部件，为了方便，标注同一附图标记。在图6所示的存储装置106中存储有高确定性映射数据106b。高确定性映射数据106b中，输入变量的维数大且映射的构造复杂化，相应地，能够进行模拟了熟练方的失火判定。在高确定性映射数据106b的学习中，使用图4的处理中的旋转时间集合GrT30、额外信息集合GrE、基于S94、S96的处理的熟练方的判断结果来作为训练数据。

此外，在本实施方式中，例示如下情况：通过第1实施方式的处理，评价映射数据76b的可靠性提高，将其作为实用映射数据76a而进行了安装。图7中，示出通过CPU72执行存储于ROM74中的失火检测程序74a而实现的处理的一部分。图7所示的处理是利用了实用映射数据76a的处理。图7所示的处理例如以预定周期反复执行。此外，在图7中，关于与图2及图3所示的处理对应的处理，为了方便而标注了同一步骤编号。

在图7所示的一系列的处理中，CPU72执行与图3的S40～S48的处理同样的处理。即，在本实施方式中，在图3的处理中所利用的评价映射数据76b成为了实用映射数据76a，所以，使用实用映射数据76a来执行S40～S48的处理。此外，在图7中，将失火变量P(1)～P(5)中的成为最大的失火变量记载为失火变量P(i)，记载与图3中的失火变量P(q)不同，但是，处理本身相同。

并且，CPU72在S48的处理中判定为是的情况下，关于判定为产生了失火的汽缸#i，执行S22～S30的处理，另一方面，在S48的处理中判定为否的情况下，执行S24～S30的处理。

图8中示出通过CPU72执行存储于ROM74中的失火检测程序74a而实现的处理的一部分的步骤。图8所示的处理是使用了评价映射数据76b的处理。

在图8所示的一系列的处理中，CPU72首先除了微小旋转时间T30(1)、T30(2)、…T30(24)、转速NE及充气效率η之外，还取得外气温度Ta(S40a)。

接着，CPU72向由评价映射数据76b规定的映射的输入变量x(1)～x(27)代入由S40a的处理取得的值(S42a)。详细而言，CPU72关于输入变量x(1)～x(26)执行与S42的处理同样的处理，向输入变量x(27)代入外气温度Ta。

接着，CPU72通过向由评价映射数据76b规定的映射输入输入变量x(1)～x(27)，来算出与失火变量P(1)～P(5)对应的失火变量Pn(1)～Pn(5)(S44a)。详细而言，由评价映射数据76b规定的映射是中间层为1层的神经网络。上述神经网络包含系数wn(1)ji(j＝0～n、i＝0～27)和激活函数h1(x)，所述激活函数h1(x)是对由系数wn(1)ji规定的线性映射的输出分别进行非线性变换的输入侧非线性映射。在本实施方式中，作为激活函数h1(x)，例示双曲正切函数。wn(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

另外，上述神经网络包含系数wn(2)kj(k＝1～5、j＝0～n)和softmax函数，所述softmax函数将由系数wn(2)kj规定的线性映射的输出即原型变量yn(1)～yn(5)分别作为输入并输出失火变量Pn。

然后，CPU72确定失火变量Pn(1)～Pn(5)中的成为最大的失火变量Pn(q)(S46a)。然后，CPU72判定成为最大的失火变量Pn(q)是否是“1～4”中的任一个(S48a)。并且，CPU72在判定为是“1～4”中的任一个的情况下(S48a：是)，判定为汽缸#q的失火(S50a)。此外，CPU72在S50a的处理完成的情况、在S48a中判定为否的情况下，暂且结束图8所示的一系列的处理。

图9中示出与本实施方式的评价映射数据76b的再学习相关的处理的步骤。图9的左侧所示的处理，通过CPU72执行图6所示的存储于ROM74中的再学习子程序74b而实现。另外，图9的右侧所示的处理，通过CPU102执行存储于ROM104中的再学习主程序104a而实现。此外，在图9中，关于与图4所示的处理对应的处理，为了方便而标注同一步骤编号。以下，按照再学习处理的时序对图9所示的处理进行说明。

在图9的右侧所示的一系列的处理中，CPU102在S90的处理完成的情况下，向由高确定性映射数据106b规定的映射的输入变量x(1)～x(79)代入相应的值(S110)。即，CPU102设为“s＝1～72”，向输入变量x(s)代入微小旋转时间T30(s)，向输入变量x(73)代入转速NE，向输入变量x(74)代入充气效率η。另外，CPU102向输入变量x(75)代入外气温度Ta，向输入变量x(76)代入预热控制变量Vcat，向输入变量x(77)代入水温THW，向输入变量x(78)代入档位Vsft，向输入变量x(79)代入接合变量Vrc。接着，CPU102向由高确定性映射数据106b规定的映射代入输入变量x(1)～x(79)，算出与失火变量Pn(1)～Pn(5)对应的失火变量Pm(1)～Pm(5)(S112)。

在本实施方式中，由高确定性映射数据106b规定的映射，由中间层的层数为“p”个且各中间层的激活函数h1～hp为双曲正切函数的神经网络构成。在此，若设为m＝1、2、…、p，则第m中间层的各节点的值通过向激活函数hm输入由系数wm(m)规定的线性映射的输出而生成。在此，n1、n2、…、np分别是第1、第2、…、第p中间层的节点数。例如，第1中间层的各节点的值通过向激活函数h1输入在向由系数wm(1)ji(j＝0～n1、i＝0～79)规定的线性映射输入了上述输入变量x(1)～x(79)时的输出而生成。wm(1)j0等是偏置参数，输入变量x(0)被定义为“1”。

上述神经网络包含系数wm(p+1)lr(l＝1～5、r＝0～np)和softmax函数，所述softmax函数将由系数wm(p+1)lr规定的线性映射的输出即原型变量ym(1)～ym(5)分别作为输入并输出失火变量Pm(1)～Pm(5)。

然后，CPU102判定基于评价映射数据76b的失火的判定是否是误判定(S96)。即，CPU102在失火变量Pm(1)～Pm(5)中的成为最大的失火变量和由S90的处理接收到的与失火变量Pn(1)～Pn(5)中的成为最大的失火变量相关的信息“q”不相符的情况下，判定为误判定。具体而言，例如，在失火变量Pm(1)～Pm(5)中的成为最大的失火变量是失火变量Pm(1)，而失火变量Pn(1)～Pn(5)中的成为最大的失火变量是失火变量Pn(5)的情况下，判定为误判定。

并且，CPU102在判定为误判定的情况下(S96：是)，执行S98、S100的处理，在S100的处理中判定为是的情况下，将再学习用数据106a作为训练数据，更新作为评价映射数据76b的完成了学习的参数的系数wn(1)ji、wn(2)kj(S102a)。然后，CPU102操作通信机107，将更新后的系数wn(1)ji、wn(2)kj作为完成了再学习的参数向车辆VC1、VC2、…发送(S104a)。此外，CPU102在S104a的处理完成的情况、在S96、S100的处理中判定为否的情况下，暂且结束图9的右侧所示的一系列的处理。

另一方面，如图9的左侧所示，CPU72在判定为存在完成了再学习的参数的情况下(S82：是)，接收系数wn(1)ji、wn(2)kj(S84a)，更新存储于存储装置76中的评价映射数据76b(S86)。

此外，CPU72在S86的处理完成的情况、在S78、S82的处理中判定为否的情况下，暂且结束图9的左侧所示的一系列的处理。这样，在本实施方式中，在使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符的情况下，通过使用了高确定性映射数据106b的判定，来验证使用了评价映射数据76b的判定结果。由此，能够不依赖熟练方的判断地验证使用了评价映射数据76b的判定结果。

对应关系

上述实施方式中的事项与上述“发明内容”一栏所记载的事项的对应关系如下。执行装置对应于CPU72及ROM74，存储装置对应于存储装置76。映射数据对应于评价映射数据76b。取得处理对应于图3的S40的处理、图8的S40a的处理。算出处理对应于图3的S42、S44的处理、图8的S42a、S44a的处理。发送处理对应于图4的S80的处理。第1映射数据对应于实用映射数据76a。第1取得处理对应于图2的S10的处理、图7的S40的处理，第1算出处理对应于图2的S16、S18的处理、图7的S42、S44的处理。判定处理对应于图4的S64、S70的处理。旋转波形变量对应于微小旋转时间T30(1)～T30(24)。瞬时速度变量对应于微小旋转时间T30。第2间隔对应于30℃A，第1间隔对应于720℃A。判定为不相符时的瞬时速度变量对应于T30(25)～T30(48)，判定为相符时的瞬时速度变量对应于T30(49)～T30(72)。与在S78的处理中判定为是的情况下执行S80的处理的情况相对应。第2执行装置对应于CPU102及ROM104。接收处理对应于图4的S90的处理。再学习数据生成处理对应于图4的S92～S98的处理、图9的S110、S112、S96、S98的处理。再学习处理对应于图4的S102的处理、图9的S102a的处理。显示处理对应于图4的S92的处理。妥当性判定结果取入处理对应于S94的处理。第2存储装置对应于存储装置106。第3映射数据对应于高确定性映射数据106b。第3算出处理对应于S110、S112的处理。参数发送处理对应于图4的S104的处理、图9的S104a的处理。参数接收处理对应于图4的S84的处理、图9的S84a的处理。

其他实施方式

此外，本实施方式可以如以下这样变更来实施。本实施方式及以下的变更例可以在技术上不矛盾的范围内互相组合来实施。

关于车辆的既定状态

作为映射的输出中包含信息的车辆的既定状态，不限于上述实施方式中例示的状态。例如，作为内燃机的状态，也可以是以下的状态。

(a)与不均相关的状态

在此，不均是指为了将多个汽缸各自中的混合气的空燃比控制成互相相等的空燃比而操作了燃料喷射阀时的实际的空燃比彼此的偏差。在该情况下，在作为第1映射数据的实用映射数据76a中，例如包含规定如下映射的数据即可，该映射基于催化剂30的上游侧的空燃比传感器的检测值的每预定时间的变化量而输出不均变量表现出浓侧的值时的该值，所述不均变量是表示不均的程度的变量。另外，在实用映射数据76a中，包含规定如下映射的数据即可，该映射基于微小旋转时间T30的变动而输出不均变量表现出稀侧的值时的该值。另外，将作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将由上述微小旋转时间T30(1)～T30(24)构成的时序数据和该期间中的催化剂30的上游侧的空燃比传感器的检测值的时序数据作为输入、并输出不均变量的值。另外，也可以取代上述方案，将以由上述微小旋转时间T30(1)～T30(24)构成的时序数据和该期间中的催化剂30的上游侧的空燃比传感器的检测值的时序数据为输入的映射设为第1映射，而且把增加了输入的映射设为第2映射。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了产生了不相符时的不均变量的算出中所使用的微小旋转时间T30及上游侧的空燃比传感器的检测值之外，还包含与它们在时序上相邻的微小旋转时间T30的时序数据和上游侧的空燃比传感器的检测值的时序数据即可。由此，熟练方能够基于曲轴24的旋转举动、空燃比的检测值的举动而更准确地判断不均变量是否是正确的值。

(b)催化剂30的劣化程度

在该情况下，可以是，为了使用第1映射算出表示催化剂30的劣化程度的变量即劣化变量的值，在催化剂30的下游的空燃比传感器的检测值从稀反转为浓的定时，利用主动控制以使得向催化剂30流入的排气中过剩地存在氧。并且，可以将作为第1映射数据的实用映射数据76a设为规定如下映射的数据，该映射基于到通过主动控制而催化剂30的下游的空燃比传感器的检测值从浓反转为稀为止的向催化剂30的氧的流入量而输出劣化变量的值。另外，将规定第2映射数据的评价映射数据76b例如设为规定如下神经网络的数据即可，该神经网络将催化剂30的上游侧的空燃比传感器的检测值的时序数据、下游侧的空燃比传感器的检测值的时序数据、转速NE、充气效率η及催化剂30的温度作为输入、并输出劣化变量的值。在该情况下，可以在没有执行主动控制时进行基于第2映射的劣化变量的值的算出处理。由此，能够不执行主动控制就进行判定有无劣化的第2映射的学习，从而能够提高其精度。另外，例如也可以是，将第1映射设为将催化剂30的上游侧的空燃比传感器的检测值的时序数据、下游侧的空燃比传感器的检测值的时序数据、转速NE、充气效率η及催化剂30的温度作为输入并输出劣化变量的值的神经网络，将第2映射设为与第1映射相比增加了输入的维度的神经网络。

在该情况下，从车辆向数据解析中心100发送的数据中，例如包含产生了不相符时的劣化变量的算出中所使用的上游侧及下游侧的上述检测值的、在时序上相邻的上游侧的检测值的时序数据及下游侧的检测值的时序数据即可。由此，在数据解析中心100中，能够更准确地判断劣化变量是否是正确的值。

(c)过滤器所捕集到的PM量

在此，将在催化剂30具备捕集颗粒物质(PM)的过滤器作为前提。在该情况下，作为第1映射数据的实用映射数据76a例如构成为具备确定内燃机10的动作点变量与PM量的基础值的关系的映射数据、确定点火正时与PM量的修正量的关系的映射数据、确定内燃机10的冷却水的温度与PM量的修正量的关系的映射数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将动作点变量、点火正时、水温等作为输入并输出PM量。另外，例如也可以是，将第1映射设为将动作点变量、点火正时、水温作为输入的神经网络，将第2映射设为与第1映射相比增加了输入的维度的神经网络。

在该情况下，从车辆向数据解析中心100发送的数据中，例如包含由到在内燃机10启动后产生了不相符的时间点为止的期间中的PM量的算出中所使用的输入数据构成的时序数据等即可。由此，在数据解析中心100中，能够基于时序数据来算出PM量，判定使用评价映射数据76b而算出的PM量的妥当性。

(d)催化剂30的温度

在该情况下，关于作为第1映射数据的实用映射数据76a，例如设为对将催化剂30的上游侧的排气温度的检测值作为输入的1阶滞后滤波或2阶滞后滤波进行规定的数据即可。另外，规定第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将排气温度的检测值、动作点变量、催化剂30的上游侧的空燃比传感器的检测值各自的时序数据、催化剂30的温度的上次值作为输入。另外，例如也可以是，将第1映射设为将排气温度的检测值、动作点变量、催化剂30的上游侧的空燃比传感器的检测值各自的时序数据、催化剂30的温度的上次值作为输入的神经网络，将第2映射设为与第1映射相比增加了输入的维度的神经网络。

在该情况下，从车辆向数据解析中心100发送的数据中，例如包含由到在内燃机10启动后产生了不相符的时间点为止的期间中的催化剂30的温度的算出中所使用的输入数据构成的时序数据即可。由此，在数据解析中心100中，能够利用时序数据算出催化剂30的温度，判定使用评价映射数据76b而算出的催化剂30的温度的妥当性。

(e)与空燃比传感器的响应性的劣化相关的状态

在该情况下，在使用了作为第1映射数据的实用映射数据76a进行的劣化判定处理中，也可以从通常的空燃比反馈控制脱离而利用使空燃比交替地大幅变化为稀和浓的主动控制。并且，将实用映射数据76a设为如下数据即可，该数据基于到通过主动控制而空燃比传感器的检测值从浓反转为稀或从稀反转为浓为止的所需时间等，算出表示劣化程度的变量即劣化变量的值。另外，关于作为第2映射数据的评价映射数据76b，设为规定如下神经网络的数据即可，该神经网络将喷射量的时序数据和空燃比传感器的检测值的时序数据作为输入、并输出劣化变量的值。在该情况下，也可以在没有执行主动控制时进行基于第2映射的劣化变量的值的算出处理。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了输入到由评价映射数据76b规定的映射中的数据之外，还与空燃比传感器的检测值的时序数据相关地发送与输入到评价映射中的数据相邻的数据即可。由此，关于使用评价映射数据76b而算出的劣化变量的值的妥当性，能够更准确地进行验证。

(f)与催化剂的氧吸藏量相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为如下映射数据即可，该映射数据将催化剂30的上游侧的空燃比传感器的检测值的平均值与催化剂30的下游侧的空燃比传感器的检测值的平均值之差作为输入变量、并将表示氧吸藏量的变量即吸藏量变量的值作为输出变量。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将实际的燃料量相对于与氧不多不少地反应的燃料量的过剩不足量、催化剂的温度的预定期间中的累计值、以及吸藏量变量的上次值作为输入，输出吸藏量变量的值。

在该情况下，从车辆向数据解析中心100发送的数据中，例如包含到在内燃机10启动后产生了不相符的时间点为止的期间中的使用了评价映射数据76b的吸藏量变量的值的算出中所使用的输入数据的时序数据即可。

(g)与内燃机的有无爆震(knocking)相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为规定如下映射的数据即可，该映射通过爆震传感器的检测值的累计值与判定值的大小比较，输出表示是否爆震的逻辑值。另外，作为第2映射数据的评价映射数据76b也可以设为规定如下神经网络的数据，该神经网络将爆震传感器的检测值的时序数据作为输入，输出燃烧室18内的压力的峰值。在该情况下，在峰值为阈值以上的情况下判定为产生了爆震即可。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了产生了不相符时的峰值的算出中所使用的爆震传感器的检测值的时序数据之外，还包含与它们在时序上相邻的时序数据即可。

(h)与向燃料喷射阀20供给的燃料的温度相关的状态

在该情况下，将作为第1映射数据的实用映射数据76a设为将转速NE、充气效率η及水温THW作为输入变量、并将燃料的温度作为输出变量的映射数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将转速NE、充气效率η、基于燃料喷射阀20的燃料的喷射量、进气温度、车速V、燃料的温度的上次值作为输入，输出燃料的温度。

在该情况下，从车辆向数据解析中心100发送的数据中，例如包含到在内燃机10启动后产生了不相符的时间点为止的期间中的使用了评价映射数据76b的燃料的温度的算出中所使用的输入数据的时序数据即可。

(i)有无清除(purge)系统的异常

在该情况下，在具备捕集燃料箱内的燃料蒸气的罐和调整罐与进气通路之间的清除路径的流路截面积的清除阀的清除系统中，可以考虑在清除路径存在孔的情况下判定为异常的映射。在该情况下，作为第1映射数据的实用映射数据76a设为规定如下映射的数据即可，该映射在将清除阀打开而使罐内的压力降低了之后将清除阀关闭时的压力的上升速度为阈值以上的情况下输出存在异常这一意思的逻辑值。另外，作为第2映射数据的评价映射数据76b，设为规定如下神经网络的数据即可，该神经网络将罐内的压力的时序数据和大气压作为输入，输出与有无孔相应的输出值。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了产生了不相符时的与有无孔相应的输出值的算出中所使用的输入数据之外，还包含与它们在时序上相邻的罐内的压力的时序数据、大气压即可。

(j)EGR率

在此，前提是，具备连接内燃机10的排气通路28与进气通路12的EGR通路、和调整EGR通路的流路截面积的EGR阀。另外，EGR率是从EGR通路流入到进气通路12的流体的流量相对于从进气通路12流入燃烧室18的流体的流量的比例。在该情况下，作为第1映射数据的实用映射数据76a设为将转速NE及充气效率η作为输入变量、并将EGR率作为输出变量的映射数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将转速NE、充气效率η、进气通路12内的压力及吸入空气量Ga作为输入变量，输出EGR率。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了产生了不相符时的EGR率的算出中所使用的输入数据之外，还包含与它们在时序上相邻的输入数据的时序数据即可。

(k)与窜漏气体送出路有无泄漏相关的状态

在此，前提是具备连接内燃机的曲轴箱与进气通路的窜漏气体送出路。在该情况下，在窜漏气体送出路设置压力传感器，作为第1映射的实用映射数据76a设为基于由压力传感器检测的压力与基于转速NE及充气效率η的判定值的大小比较而输出表示有无异常的值的数据即可。另外，作为第2映射数据的评价映射数据76b设为规定如下神经网络的数据即可，该神经网络将转速NE、充气效率η及吸入空气量Ga与通过节气门14的进气量之差作为输入变量，输出表示有无异常的值。

在该情况下，从车辆向数据解析中心100发送的数据中，例如除了产生了不相符时的表示有无异常的值的算出中所使用的输入数据之外，还包含与它们在时序上相邻的输入数据的时序数据即可。

此外，作为车辆的既定状态，不限于内燃机的状态。例如，在如下述“关于车辆”一栏中所记载那样具备旋转电机的车辆中，也可以是蓄积向旋转电机供给的电力的电池的状态。

·关于第1映射、第1映射数据

在图1中，作为实用映射数据76a，例示了执行S16、S18的处理的数据，但不限于此。

在图6中，作为实用映射数据76a，例示了中间层为1层的神经网络，但不限于此。例如，也可以是中间层为2层以上的神经网络。另外，作为激活函数h1，不限于双曲正切函数，例如也可以是逻辑S型函数(logistic sigmoid)、ReLU。此外，ReLU是输出输入和“0”中不小的那一方的函数。另外，不限于将神经网络的输出层的节点的数即维度设为“(汽缸数)+1”。例如，也可以设为与汽缸数相等的个数，在各输出值中存在超过阈值的输出值的情况下判定为存在失火。另外，例如也可以是，将成为基于神经网络的1次的输出的有无失火的判定对象的汽缸设为1个，将输出层的节点的数设为1个。此外，在该情况下，输出层优选通过逻辑S型函数等而将输出值的可取的值的范围标准化。

作为实用映射数据，不限于规定神经网络的数据。例如，也可以是根据成为失火的判定对象的1个汽缸的有无失火而输出互相不同的符号的数值的识别函数。这例如也可以由支持向量机(support vector machine)构成。

·关于第2映射数据

作为设为第2映射数据的评价映射数据76b，不限于规定中间层为1层的神经网络的数据。例如，作为第2映射数据，也可以是规定中间层为2层以上的神经网络的数据。另外，作为激活函数h1，不限于双曲正切函数，例如也可以是逻辑S型函数、ReLU。另外，不限于将神经网络的输出层的节点的数即维度设为“(汽缸数)+1”。例如，也可以设为与汽缸数相等的个数，在各输出值中存在超过阈值的输出值的情况下判定为存在失火。另外，例如也可以是，将成为基于神经网络的1次的输出的有无失火的判定对象的汽缸设为1个，将输出层的节点的数设为1个。此外，在该情况下，输出层优选通过逻辑S型函数等而将输出值的可取的值的范围标准化。

此外，第2映射的输入的维数也不是必须比第1映射的输入的维数大。例如，也可以是，输入的维数相同且中间层的层数比第1映射的层数大。另外，例如也可以是，输入的维数及中间层的层数均与第1映射相同，激活函数互相不同。

作为第2映射，不限于神经网络。例如，也可以是根据成为失火的判定对象的1个汽缸的有无失火而输出互相不同的符号的数值的识别函数。这例如也可以由支持向量机构成。

·关于第3映射、第3映射数据

在上述实施方式中，作为第3映射数据，例示了与由评价映射数据76b规定的映射的输入相比维度大且中间层的层数多的高确定性映射数据106b，但不限于此。例如，也可以是维数相同且中间层的层数大的。这例如可以通过将输入变量设为与在S42a中例示出的相同且将中间层的层数设为2层以上来实现。另外，例如也可以是，虽然维数大，但是中间层的层数相同。

在上述实施方式中，作为第3映射数据，例示了将从搭载有同一规格的内燃机10的多个车辆VC1、VC2、…发送的数据作为训练数据的学习完成模型(高确定性映射数据106b)，但不限于此。例如，也可以使用从搭载有汽缸数、排气量等不同的各种内燃机的车辆发送的数据作为训练数据。不过，在该情况下，优选将汽缸数、排气量等规格信息设为第3映射的输入变量。此外，第3映射的输入变量不限于此，例如也可以包含在熟练方进行判断时没有使用的变量。另外，也不是必须在第3映射数据的学习时的教师数据的至少一部分中使用熟练方的判断结果。

·关于瞬时速度变量

作为时瞬时速度变量，不限于第2间隔的旋转所需的时间即微小旋转时间。例如，也可以是将第2间隔除以微小旋转时间而得到的值。

·关于第2间隔

作为定义成为向映射的输入的瞬时速度变量的第2间隔，不限于30℃A。例如也可以是10℃A等比30℃A小的角度间隔。当然，不限于30℃A以下的角度间隔，例如也可以是45℃A等。

·关于作为向映射的输入的旋转波形变量

在上述实施方式中，将作为1燃烧循环的720℃A的旋转角度间隔分割出的多个间隔各自中的微小旋转时间T30设为了向映射的输入，但不限于此。例如，也可以将0～720℃A中的0～20、40～60、80～100、120～140、160～180、…、700～720分别设为第2间隔，将它们的旋转所需的时间设为向映射的输入。

作为设为向映射的输入的旋转波形变量，不限于瞬时速度变量的时序数据。例如，也可以是隔开了压缩上止点的出现间隔的一对瞬时速度变量彼此的差异。

·关于发送处理

(a)在失火的情况下，在上述实施方式中，发送了3燃烧循环量的微小旋转时间T30的时序数据，但不限于此。例如，也可以是使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符时的微小旋转时间T30(25)～T30(48)、和从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30(49)～T30(72)这2燃烧循环量的时序数据。

在上述实施方式中，除了使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不相符时的微小旋转时间T30(25)～T30(48)之外，还发送了从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30(49)～T30(72)，但不限于此。例如，也可以发送判定为相符的状态下的微小旋转时间T30的时序数据、和从判定为相符的状态转移到判定为不相符的状态时的微小旋转时间T30的时序数据。

作为转移到判定为相符的状态时的微小旋转时间T30的时序数据，不限于1燃烧循环量的时序数据。例如，在处于如“关于第2映射数据”一栏所记载的那样、基于1次的输入的输出值仅输出1个汽缸的失火变量的值等情况、并且输入数据自身是比1燃烧循环短的期间中的微小旋转时间T30的时序数据的情况下，设为与其相应的量的时序数据。当然，构成向映射的输入变量的微小旋转时间T30的时序数据、与转移到判定为相符的状态时的微小旋转时间T30的时序数据，也不必须是具有相同长度的区间内的微小旋转时间T30。

在上述实施方式中，在1行程中发送1次与连续判定为不相符的次数成为最大的情况对应的、3燃烧循环量的微小旋转时间T30的时序数据，但不限于此。例如，也可以在1行程中发送1次与连续判定为不相符的次数成为最大的情况对应的、连续判定为不相符的期间中的微小旋转时间T30的全部、和从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30的1燃烧循环量的时序数据。另外，例如，也可以在1行程中发送1次判定为不相符的期间中的微小旋转时间T30的全部、和关于这些期间中的各期间的从判定为不相符的状态转移到判定为相符的状态时的微小旋转时间T30的1燃烧循环量的时序数据。

此外，作为被设为发送对象的、与由评价映射数据76b规定的映射的输出值相关的数据，不限于该映射的输出值自身。例如，也可以是由实用映射数据76a规定的映射的输出值。在该情况下，例如在S92～S94的处理中，在熟练方判断为由实用映射数据76a规定的映射的输出值正确的情况下，在S96的处理中判定为是即可。当然，即便不发送这样的数据，通过发送输入数据，在数据解析中心100侧也能够算出由评价映射数据76b规定的映射的输出值。

作为设为发送对象的数据中的、向映射的输入数据及微小旋转时间T30以外的数据，不限于以额外信息集合GrE例示的数据。另外，将向映射的输入数据及微小旋转时间T30以外的数据设为发送对象这一点本身也不是必须的。

作为被设为发送对象的、基于生成向由评价映射数据76b规定的映射的输入数据时所使用的多个微小旋转时间T30的数据，不限于输入数据自身。例如，即便在向由评价映射数据76b规定的映射的输入数据是由S16的处理利用的微小旋转时间T30[0]、T30[6]的情况下，也可以将设为发送对象的数据设为微小旋转时间T30(1)～T30(24)等。

(b)其他

不限于将判定为不相符作为条件而发送被设为输入的数据等的处理。例如，也可以每当算出评价映射数据76b的输出值时均发送在评价映射数据76b的输入中所使用的数据等。由此，也能够在车辆的外部验证各种状况下的映射的输出值是否正确。

另外，在失火以外的实施例中，设为发送对象的数据不限于在“关于车辆的既定状态”一栏所例示的。

·关于判定处理

作为S60的处理的验证期间，不限于在上述实施方式中所例示的。

在图4、图9的处理中，仅在验证期间对基于实用映射数据76a的失火判定结果与基于评价映射数据76b的失火判定结果的一致、不一致进行了判定，但不限于此，例如也可以始终进行上述判定。

在上述实施方式中，判定基于同一时期取得的传感器的检测值的失火的判定结果是否一致，但是，根据映射数据的选择，不是必须判定将基于同一时期取得的传感器的检测值的数据作为输入的第1映射的输出与第2映射的输出的相符性。例如，在处于如“关于车辆的既定状态”一栏所记载的那样、是输出催化剂、空燃比传感器的劣化变量的值的映射的情况、并且仅第1映射将主动控制作为前提的情况下，基于在同一行程内算出的值来判定有无相符性即可。

在处于如“关于车辆的既定状态”一栏所记载的那样、是输出催化剂30、空燃比传感器的劣化变量的值的映射等情况、并且第1映射的输出值与第2映射的输出值之差的绝对值为预定值以上的情况下判定为不相符即可。

·关于完成了再学习的参数

在图4及图9中，经由网络110向各车辆VC1、VC2、…发送了更新后的参数即完成了再学习的参数，但不限于此。例如，也可以向车辆的销售店发送，在各车辆VC1、VC2、…进货到销售店时更新存储装置76内的数据。即便在该情况下，也能够进一步对利用完成了再学习的参数而更新了的评价映射数据76b的可靠性进行评价、更新。

当然，向提供了在再学习中所使用的数据的车辆提供完成了再学习的参数这一点本身不是必须的。也可以使用完成了再学习的参数更新评价映射数据76b，将更新后的评价映射数据76b仅安装于新开发的车辆。在该情况下，搭载于新开发的车辆的内燃机的排气量与搭载于发送了用于再学习的数据的车辆的内燃机的排气量之差优选成为预定量以下。此外，在如上述实施方式那样，评价映射数据是输出与在各汽缸中产生了失火的概率相应的失火变量的评价映射数据的情况下，搭载于新开发的车辆的内燃机的汽缸数优选与搭载于发送了用于再学习的数据的车辆的内燃机的汽缸数相同。

而且，在图4及图9的处理中，也可以在使用完成了再学习的参数更新了评价映射数据76b之后，由此来覆盖实用映射数据76a。

·关于显示装置

在上述实施方式中，将显示装置112配置于数据解析中心100，但不限于此，也可以配置于与配置存储装置106等的场所不同的场所。

·关于再学习数据生成处理

在图4中，通过在显示装置112显示使用评价映射数据76b而算出的失火变量P(j)、Pn(j)的算出中所使用的输入数据和相关联的数据，从而熟练方评价是否是误判定，但不限于此。例如，也可以使用高确定性映射数据106b而自动地评价。此外，在评价使用评价映射数据76b而算出的失火变量P(j)、Pn(j)时，不是必须还考虑在失火变量P(j)、Pn(j)的算出中所使用的输入数据以外的数据来进行评价。

在图9中，基于使用评价映射数据76b而算出的失火变量Pn(j)的算出中所使用的输入数据和相关联的数据，使用高确定性映射数据106b而自动地评价是否是误判定，但不限于此，例如也可以由熟练方来进行评价。

在图4的处理中，为了便于说明，每当执行S80的处理时均执行S92的处理，但不限于此。例如，也可以在判定为不一致的数据累积了预定量的时间点执行S92的处理。另外，例如也可以每次均累积被认为不一致的数据，根据来自熟练方的要求而执行S92的处理。

在上述实施方式中，使用精度比由评价映射数据76b、实用映射数据76a规定的映射高的主体，判断由评价映射数据76b规定的映射的判定结果的妥当性，但不限于此。例如，也可以利用由评价映射数据76b规定的判定结果和基于2个以上的其他映射的判定结果的多数决，来判断由评价映射数据76b规定的映射的判定结果的妥当性。另外，例如，也可以将上述基于2个以上的其他映射的判定结果之一代替基于映射的判定结果而由熟练方进行判断。

·关于应对处理

在上述实施方式中，作为报知处理，例示了操作搭载于车辆的警告灯90的处理，但不限于此。例如，也可以设为操作通信机77以在用户的便携终端显示产生了异常这一意思的信息的处理。

作为应对处理，不限于报知处理。例如，也可以是根据产生了失火这一意思的信息而操作用于控制内燃机10的燃烧室18内的混合气的燃烧的操作部的处理。另外，例如，在如“关于车辆的既定状态”一栏所记载的那样、是输出有无不均异常的判定结果的映射的情况下，也可以设为操作燃料喷射阀以抑制不均异常的处理。另外，例如，在如“关于车辆的既定状态”一栏所记载的那样、是输出催化剂的温度的映射的情况下，也可以是操作用于使催化剂的温度上升的内燃机的操作部的处理。此外，该情况下的操作处理例如设为催化剂的再生处理即可。

·关于车辆用学习控制系统

在上述实施方式中，由控制装置70及数据解析中心100构成了车辆用学习控制系统，但不限于此。例如，也可以除了控制装置70及数据解析中心100之外还由便携终端构成车辆用学习控制系统。这例如能够通过由便携终端在上述第1实施方式中执行图3的处理并将其结果向控制装置70发送来实现。

·关于车辆用学习装置

也可以取代数据解析中心100而使用便携终端来构成车辆用学习装置。这例如能够通过在便携终端的存储装置中存储高确定性映射数据106b等并由便携终端执行图9的右侧的处理等方式来实现。此外，在该情况下，也可以向车辆VC1的用户的便携终端仅发送与车辆VC1相关的数据。

·关于执行装置

作为执行装置，不限于具备CPU72(102)和ROM74(104)并执行软件处理的装置。例如，也可以具备对在上述实施方式中进行了软件处理的内容的至少一部分进行硬件处理的专门的硬件电路(例如ASIC等)。即，执行装置是以下的(a)～(c)中的任一构成即可。(a)具备按照程序执行上述处理的全部的处理装置、和存储程序的ROM等程序存储装置。(b)具备按照程序执行上述处理的一部分的处理装置及程序存储装置、和执行剩余的处理的专门的硬件电路。(c)具备执行上述处理的全部的专门的硬件电路。在此，具备处理装置及程序存储装置的软件执行装置、专门的硬件电路也可以是多个。

·关于存储装置

在上述实施方式中，将存储评价映射数据76b、实用映射数据76a的存储装置76与存储再学习子程序74b的存储装置即ROM74设为了相互独立的存储装置，但不限于此。另外，例如，将存储高确定性映射数据106b的存储装置106与存储再学习主程序104a的存储装置即ROM104设为了相互独立的存储装置，但不限于此。

·关于内燃机

在上述实施方式中，作为燃料喷射阀，例示了向燃烧室18内喷射燃料的缸内喷射阀，但不限于此。例如，也可以是向进气通路12喷射燃料的进气口喷射阀。另外，例如，也可以具备进气口喷射阀和缸内喷射阀双方。

作为内燃机，不限于火花点火式内燃机，例如也可以是使用轻油等作为燃料的压缩着火式内燃机等。内燃机构成驱动系统这一点本身不是必须的。例如，也可以搭载于曲轴机械地连结于车载发电机而与驱动轮60切断了动力传递的所谓的串联混合动力车。

·关于车辆

作为车辆，不限于生成车辆的推进力的装置仅是内燃机的车辆，例如除了“关于内燃机”一栏所记载的串联混合动力车以外，还可以是并联混合动力车、串并联混合动力车。还可以是不搭载内燃机的电动汽车。

·其他

作为介于曲轴与驱动轮之间的驱动系统装置，不限于有级的变速装置，例如也可以是无级变速装置。