车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置

摘要

本发明提供一种价格低廉的车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置。该车辆用转向角检测装置通过一边学习非线性要素，一边高精度地估计出电动机轴角度和转向轴角度，并且利用双方的角度传感器估计值，就能够备份双方的角度传感器。在本发明的车辆用转向角检测装置中，用于对车辆的转向系统进行辅助控制的电动机通过减速机构与转向轴相连接，本发明的车辆用转向角检测装置具有用于检测出转向轴的转向轴角度的第1角度传感器和用于检测出电动机的电动机轴角度的第2角度传感器，其一边重复学习包括减速机构在内的非线性要素的静态特性以及动态特性，一边更新静态特性图以及动态特性图，并且，通过使用静态特性图以及动态特性图，来相互估计出转向轴角度以及电动机轴角度。将本发明的车辆用转向角检测装置搭载在电动助力转向装置中。

说明书

技术领域

本发明涉及一种电动助力转向装置以及被搭载在该电动助力转向装置上的车辆用转向角检测装置，该电动助力转向装置通过电流指令值(转向辅助指令值)对电动机进行驱动控制，通过电动机的驱动控制对车辆的转向系统进行辅助控制。本发明尤其涉及一种车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置，该车辆用转向角检测装置在转向轴(小齿轮侧)和电动机轴上分别搭载双重系统的角度传感器，一边按照需要学习包括减速机构在内的机构系统和转向系统的非线性要素，一边高精度地估计出电动机轴角度和转向轴角度，并且，通过对实测值和估计值进行比较来判定出异常(包括故障)，在双方中某一方的角度传感器产生了异常的情况下，通过利用一方的角度传感器的检测角度，使得能够备份另一方的角度传感器。

还有，本发明涉及一种车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置，在该车辆用转向角检测装置中，将非线性要素分成静态特性(角度误差)、动态特性(角度误差)和延迟(相位误差)这三种成分，或者，将这些成分适当地结合起来后进行学习，基于学习的结果能够判定出非线性要素的异常或传感器系统的异常，能够针对保持转向盘不动的场合或者从缓慢地转动转向盘的场合到快速转动转向盘的场合，来进行广泛的对应。

背景技术

利用电动机的旋转力将转向辅助力(辅助扭矩)赋予给车辆的转向系统的电动助力转向装置，将电动机的驱动力经由减速机构由诸如齿轮或皮带之类的传送机构，向转向轴或齿条轴施加转向辅助力，以便进行辅助控制。为了正确地产生辅助扭矩，这样的现有的电动助力转向装置(EPS)进行电动机电流的反馈控制。反馈控制调整电动机外加电压，以便使转向辅助指令值(电流指令值)与电动机电流检测值之间的差变小，一般来说，通过调整PWM(脉冲宽度调制)控制的占空比(duty ratio)来进行电动机外加电压的调整。

参照图1对电动助力转向装置的一般结构进行说明。如图1所示，转向盘(方向盘)1的转向轴(柱轴或方向盘轴)2经过用来构成减速机构的减速齿轮(蜗轮和蜗杆)3、万向节4a和4b、齿轮齿条机构5、转向横拉杆6a和6b，再通过轮毂单元7a和7b，与转向车轮8L和8R连接。另外，扭力杆被插入到转向轴2，并且，作为车辆用转向角检测装置，在转向轴2上设有根据扭力杆的扭转角来检测出转向盘1的转向角θ的转向角传感器14和用于检测出转向扭矩Th的扭矩传感器10，对转向盘1的转向力进行辅助的电动机20通过减速齿轮3与转向轴2连接。电池13对用于控制电动助力转向装置的控制单元(ECU)30进行供电，并且，经过点火开关11，点火信号被输入到控制单元30中。控制单元30基于由扭矩传感器10检测出的转向扭矩Th和由车速传感器12检测出的车速Vel，进行辅助控制指令的电流指令值的运算，由通过对电流指令值实施补偿等而得到的电压控制值Vref来控制供应给电动机20的电流。此外，车速Vel也可以从CAN(Controller Area Network，控制器局域网络)处获得。

另外，用于收发车辆的各种信息的CAN(Controller Area Network，控制器局域网络)40被连接到控制单元30，车速VVel也能够从CAN40处获得。此外，用于收发CAN40以外的通信、模拟/数字信号、电波等的非CAN41也可以被连接到控制单元30。

尽管控制单元30主要由CPU(也包含MPU、MCU等)来构成，但该CPU内部由程序执行的一般功能如图2所示。

参照图2对控制单元30进行说明。如图2所示，由扭矩传感器10检测出的转向扭矩Th和由车速传感器12检测出的(或来自CAN40的)车速Vel被输入到用于运算出电流指令值Iref1的电流指令值运算单元31中。电流指令值运算单元31基于被输入进来的转向扭矩Th和车速Vel并利用辅助图(assist map)等来运算出作为供应给电动机20的电流的控制目标值的电流指令值Iref1。电流指令值Iref1经过加法单元32A被输入到电流限制单元33中；被限制了最大电流的电流指令值Irefm被输入到减法单元32B中；减法单元32B运算出电流指令值Irefm与被反馈回来的电动机电流Im之间的偏差I(＝Irefm-Im)；该偏差I被输入到用于进行转向动作的特性改善的诸如PI(比例积分)控制之类的电流控制单元35中。在电流控制单元35中经过特性改善后得到的电压控制值Vref被输入到PWM控制单元36中，再经过逆变器37来对电动机20进行PWM驱动。电动机电流检测器38检测出电动机20的电动机电流Im，由电动机电流检测器38检测出的电动机电流Im被反馈到减法单元32B中。逆变器37由作为半导体开关元件的FET(场效应晶体管)的电桥电路来构成。

还有，作为车辆用转向角检测装置，诸如分解器之类的旋转传感器21被连接到电动机20，旋转传感器21输出电动机旋转角度θ。

另外，在加法单元32A对来自补偿信号生成单元34的补偿信号CM进行加法运算，通过补偿信号CM的加法运算来进行转向系统的特性补偿，以便改善收敛性和惯性特性等。补偿信号生成单元34先在加法单元344将自对准扭矩(SAT)343与惯性342相加，然后，在加法单元345再将在加法单元344得到的加法结果与收敛性341相加，最后，将在加法单元345得到的加法结果作为补偿信号CM。

在如上所述那样的电动助力转向装置中，近年来，为了满足“提高可靠性和功能冗余化”的要求，有时以对扭矩传感器和角度传感器进行多重化的方式来搭载扭矩传感器和角度传感器。然而，因为同样地也存在“降低成本”的要求，所以简单地对传感器进行多重化并不是容易的事。因此，非常期待“最大限度地利用目前被搭载的个数有限的传感器，并且，能够对这些个数有限的的传感器进行互相监视和互相诊断”的方法。还有，电动助力转向装置的转向轴经过诸如蜗轮之类的减速机构被连接到电动机轴。

还有，在对角度传感器进行了多重化的情况下，也就是说，在转向轴和电动机轴上分别搭载了两套角度传感器(双重系统的角度传感器)的情况下，当一套角度传感器(一个系统的角度传感器)发生了故障的时候，可以考虑通过剩下的另一套角度传感器(剩下的另一个系统的角度传感器)来进行备份。然而，一般来说，因为包括减速机构在内的机构系统和转向系统具有诸如摩擦和反冲、电动机输出轴的弹性联轴器、施加在蜗轮和蜗杆的齿轮表面上的预压、减速机构部的润滑脂之类的非线性要素，所以转向轴的角度不同于电动机轴的角度，从而产生角度误差。因此，当一方的角度传感器发生了故障的时候，不能立刻通过另一方的角度传感器来备份发生了故障的角度传感器(也就是说，不能立刻通过另一方的角度传感器来作为异常时的代替)。

作为现有技术，WO2004/022414(专利文献1)公开了一种用来测定具有机电式转向系统的车辆的扭矩的方法，可以将专利文献1所公开的方法考虑成用于备份角度传感器。作为整体结构，是一种具备了与驱动转向机构相连接的输入轴部以及输出轴部和具有伺服电动机并且经过扭力杆被连接的转向装置的机电式转向装置。尽管其结构为“通过驱动用转向机构的输入轴部与输出轴部之间的相对旋转位移来进行扭矩检测”的机电式转向装置(数字电路或模拟电路)，但形成了“用于检测出虚拟扭矩并且具有转向角(δ)传感器的输出和伺服电动机的旋转角度这两个输入”的传感器，并且通过虚拟扭矩来决定转向扭矩。

还有，在日本特开2005-274484号公报(专利文献2)中，通过搭载复数个(3个)转向角传感器来构成冗余系统。

现有技术文献

专利文献

专利文献1：WO2004/022414

专利文献2：日本特开2005-274484号公报

发明内容

(一)要解决的技术问题

然而，在专利文献1的装置中，作为备份的系统，尽管针对转向角传感器的故障，能够通过伺服电动机的转子旋转信息来进行备份，但针对两个传感器来说，无法相互进行故障诊断和备份。还有，在专利文献2的例子中，因为转向系统的外围变大，所以装置的车辆搭载性变差，从而一般来说，会存在成本上升的问题。

本发明是鉴于上述情况而完成的，本发明的目的在于提供一种价格低廉并且高性能的车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置，该车辆用转向角检测装置通过在电动机侧以及小齿轮侧对角度传感器进行双重化来提高角度检测的可靠性和冗余性，通过一边学习包括减速机构在内的机构系统和转向系统的非线性要素，一边高精度地估计出电动机轴角度和转向轴角度，并且利用双方的角度传感器的估计角度，就能够备份双方的角度传感器。

还有，关于机构系统和转向系统所具有的非线性要素的学习，将机构系统和转向系统所具有的非线性要素分成静态特性、动态特性和延迟这三种主要因素，本发明提供考虑了这三种主要因素的学习形式。另外，本发明的目的在于提供一种车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置，该车辆用转向角检测装置基于容许误差的范围来判定“学习完毕”的场合和“学习还没有完毕”的有缺陷的场合，在进行了所规定的次数的学习之后，但学习仍然没有完毕的情况下，判定出包括故障在内的异常(非线性要素或传感器系统)，能够针对保持转向盘不动的场合或者从缓慢地转动转向盘的场合到快速转动转向盘的场合来进行对应，并且，还考虑了诸如温度之类的环境变化。

(二)技术方案

本发明涉及一种车辆用转向角检测装置，在所述车辆用转向角检测装置中，用于对车辆的转向系统进行辅助控制的电动机通过减速机构与转向轴相连接，其具有用于检测出所述转向轴的转向轴角度的第1角度传感器和用于检测出所述电动机的电动机轴角度的第2角度传感器，本发明的上述目的可以通过下述这样实现，即：一边重复学习包括所述减速机构在内的非线性要素的静态特性以及动态特性，一边更新静态特性图以及动态特性图，并且，通过使用所述静态特性图以及所述动态特性图，来相互估计出所述转向轴角度以及所述电动机轴角度。

本发明的上述目的还可以通过下述这样更有效地实现，即：当基于所述第1角度传感器的实测角度、所述第2角度传感器的实测角度、所述电动机的电动机扭矩以及电动机角速度的初始值均在预先被存储起来的各个特性标称值的近似值范围外的时候，实施所述静态特性的学习以及所述动态特性的学习；或，延迟特性图被插在所述动态特性图的后一级；或，当基于所述第1角度传感器的实测角度、所述第2角度传感器的实测角度以及所述电动机扭矩的初始值均在预先被存储起来的延迟特性标称值的近似值范围外的时候，实施延迟特性的学习；或，计算出所述转向轴角度的估计值与所述第1角度传感器的实测值之间的偏差和所述电动机轴角度的估计值与所述第2角度传感器的实测值之间的偏差，在所述各个偏差在所述静态特性图以及所述动态特性图的各个容许范围内的情况下，进行所述更新；或，所述各个容许范围为取决于目的地的不同的规格，根据所述目的地来设置各个初始值；或，所述第1角度传感器以及所述第2角度传感器分别被设置成双重系统；或，在所述各个偏差在所述各个容许范围外的情况下，重复进行所述静态特性以及所述动态特性的各个学习直到变成所规定的次数为止；或，在所述各个偏差变成在所述各个容许范围外的次数超过了所述所规定的次数的情况下，进行所述第1角度传感器以及所述第2角度传感器的各个双重系统的检测值的判定；或，在所述判定中，当所述第1角度传感器以及所述第2角度传感器的各个双重系统的检测值相同的时候，判定为所述非线性要素的异常；当所述第1角度传感器以及所述第2角度传感器的各个双重系统的检测值不同的时候，判定为传感器系统的异常。

还有，通过搭载上述车辆用转向角检测装置，或者，通过搭载上述车辆用转向角检测装置，当被判定为一方的传感器系统的估计角度的异常的时候，通过使用另一方的传感器系统的估计角度，来继续进行所述辅助控制，这样就能够实现“达到本发明的目的”的电动助力转向装置。

(三)有益效果

根据本发明的车辆用转向角检测装置以及搭载了该车辆用转向角检测装置的电动助力转向装置，对角度传感器进行双重化，并且，一边按照需要学习包括减速机构在内的机构系统和转向系统的非线性要素，一边求得补偿值图，基于补偿值图来高精度地估计出电动机轴角度和转向轴角度(小齿轮侧)，并且利用双方的角度传感器的估计角度，当一方的角度传感器产生了异常(包括故障)的时候，就能够互相备份双方的角度传感器。

通过使用电动机轴角度的估计角度和电动机轴的估计角度，来实施异常判定并且使功能延续，这样就能够减少一个传感器。例如，为了实施异常判定和继续进行辅助控制，尽管如专利文献2所公开那样，需要将角度传感器构成为三重系统(三套系统)，但是通过使用估计角度，就能够将角度传感器构成为双重系统(两套系统)。

附图说明

图1是表示电动助力转向装置的概要的结构图。

图2是表示电动助力转向装置的控制系统的结构示例的结构框图。

图3是表示本发明的角度传感器的配置示例的结构框图。

图4是表示本发明的控制单元(ECU)的结构示例的结构框图。

图5是表示本发明的非线性要素的非线性学习逻辑单元、转向轴角度估计单元以及电动机轴角度估计单元的结构示例(第1实施方式)的结构框图。

图6是表示非线性要素的静态特性图(学习完毕)的特性示例的线图。

图7是表示非线性要素的动态特性图(学习完毕)的特性示例的线图。

图8是表示非线性要素的延迟特性图(学习完毕)的特性示例的线图。

图9是表示非线性要素的静态特性图的标称值的设定示例的线图。

图10是表示非线性要素的动态特性图的标称值的设定示例的线图。

图11是表示非线性要素的延迟特性图的标称值的设定示例的线图。

图12是表示有关非线性元素的学习方法的一个示例的流程图。

图13是表示静态特性图的学习单元的结构示例的结构框图。

图14是表示静态特性图的学习动作示例的流程图。

图15是表示非线性要素的静态特性图(学习完毕)的特性示例以及容许范围的线图。

图16是表示动态特性图的学习单元的结构示例的结构框图。

图17是表示动态特性图的学习动作示例的流程图。

图18是表示非线性要素的动态特性图(学习完毕)的特性示例以及容许范围的线图。

图19是表示延迟特性图的学习单元的结构示例的结构框图。

图20是表示非线性要素的延迟特性图(学习完毕)的特性示例以及容许范围的线图。

图21是表示多级延迟单元的动作示例的时间图。

图22是表示互相关单元的处理示例的输入输出关系图。

图23是表示延迟特性图的学习动作示例的流程图。

图24是用来说明本发明的效果(静态特性补偿、静态特性补偿+动态特性补偿)的特性图。

图25是表示本发明的第2实施方式的结构示例的结构框图。

图26是表示本发明的第2实施方式的动作示例的流程图。

图27是用来说明本发明的第2实施方式的效果(没有补偿、静态特性补偿)的特性图。

图28是表示本发明的第3实施方式的结构示例的结构框图。

图29是表示本发明的第3实施方式的动作示例的流程图。

具体实施方式

本发明的特征在于：一边按照需要学习包括减速机构在内的机构系统和转向系统的诸如摩擦和反冲、电动机输出轴的弹性联轴器、施加在蜗轮和蜗杆的齿轮表面上的预压、齿轮部的润滑脂、齿轮表面的接触状况(偏转)之类的非线性要素，一边通过双重系统来高精度地估计出电动机轴的角度和转向轴(小齿轮侧)的角度，利用双方的角度传感器的估计角度，当一方的角度传感器产生了异常(下面，还包括“故障”)的时候，通过备份另一方的角度传感器，这样就能够继续进行辅助控制。双方的角度传感器的备份逻辑是共通的，通过将通过学习而被确定的非线性补偿的补偿值图预先存储在诸如电可擦可编程只读存储器(EEPROM)之类的非易失性存储器中，这样即使在重新启动发动机之后，也能够立即备份角度传感器。

还有，在发送产品的时候，将基于经验等的标称值作为初始值预先存储在诸如EEPROM之类的非易失性存储器中，并且，在点火开关启动时的实际的补偿值超过了标称值的近似值范围的情况下(也就是说，在需要进行学习的情况下)，进行静态特性学习、动态特性学习和延迟特性学习。预先被调节成“适应车辆的目的地(对外出口的国家、地区等)的环境(主要是基于当地的气候的温度、湿度数据)”的数据作为标称值被输入进来。

另外，在本发明中，在经过多次学习之后，但估计值与实测值之间的误差仍然超出所规定的容许范围的情况下，根据双重系统传感器的信息是相同还是不同，来判定是否产生了角度传感器系统或非线性要素(例如，减速机构)的异常。还有，也可以在每次接收到来自各个传感器的检测信号的时候，通过赋予时间戳记来进行准确的同步，从而抑制角度误差，并且提高“转向角检测成立”的转向速度(例如，日本特开2014-210471号公报)。在被安装在转向轴上的角度传感器的检测周期(例如，500μs)不同于被安装在电动机轴上的诸如分解器、磁阻传感器(MR传感器)之类的角度传感器的检测周期(例如，250μs)的情况下，在通过使两者同步以便提高检测精度的场合，时间戳记是特别有效的。

下面，参照附图对本发明的实施方式进行说明。

在本发明中，如图3所示，针对通过转向盘(方向盘)60而被转向的转向轴61的扭力杆62，在转向轴61的转向盘侧设有双重系统的转向盘侧角度传感器63，在转向轴61的小齿轮侧设有双重系统的小齿轮侧角度传感器64，小齿轮侧角度传感器64输出小齿轮轴角度(转向轴角度)Ap。转向轴61经过诸如蜗轮之类的减速机构65被连接到电动机66，在电动机66上设有用于检测出电动机轴角度Am的双重系统的电动机轴角度传感器67(例如，分解器、MR传感器)以及用于检测出电动机电流Im的电动机电流检测器(图中未示出)。此外，在电动机轴和减速机构65的连接部设有具有非线性特性的弹性联轴器(图中未示出)。

在本发明中，在转向轴(小齿轮侧)61上搭载了由2个角度传感器构成的双重系统的角度传感器(64)，在电动机轴上搭载了由2个角度传感器构成的双重系统的角度传感器(67)，在双方中某一方的角度传感器产生了异常的情况下，考虑“通过利用一方的角度传感器的检测角度来备份另一方的角度传感器并且继续进行辅助控制”。来自小齿轮侧角度传感器64的小齿轮轴角度Ap、来自电动机轴角度传感器67的电动机轴角度Am以及来自电动机电流检测器的电动机电流Im被输入到控制单元(ECU)100中。

此外，尽管从转向盘侧角度传感器63处也输出检测角度，但因为其与本发明没有直接的关系，所以省略其说明。下面，在将小齿轮侧角度传感器64作为转向轴角度传感器，并且，将小齿轮轴角度Ap作为转向轴角度之后，对本发明的实施方式进行说明。

尽管转向轴61经过由蜗杆和蜗轮等构成的减速机构65被连接到电动机66的旋转轴，但包括减速机构65在内的机构系统和转向系统含有许多非线性要素。也就是说，因为机构系统和转向系统不但含有摩擦和反冲，而且还含有诸如电动机输出轴的弹性联轴器、施加在蜗轮和蜗杆的齿轮表面上的预压、齿轮部的润滑脂、齿轮表面的接触状况(偏转)之类的非线性要素，所以当一方的角度传感器产生了异常的时候，如果仅仅是简单地置换成另一方的角度传感器的检测值的话，则无法进行备份。因此，在本发明中，通过重复学习包括减速机构65在内的机构系统和转向系统的非线性要素，来互相估计出另一方的角度传感器的输出角度。图4示出了用于实施这样的功能的控制单元(ECU)100的结构示例。

电动机电流Im被输入到电动机扭矩运算单元110中，运算出的电动机扭矩Tm被输入到非线性要素的非线性学习逻辑单元130中，电动机轴角度Am被输入到电动机角速度运算单元120中，运算出的电动机角速度ωm被输入到非线性要素的非线性学习逻辑单元130中。还有，由非线性要素的非线性学习逻辑单元130运算出的角度补偿值MP被输入到转向轴角度估计单元180以及电动机轴角度估计单元190中。小齿轮侧的转向轴角度Ap被输入到非线性要素的非线性学习逻辑单元130中，并且还被输入到电动机轴角度估计单元190中。还有，电动机轴角度Am被输入到电动机角速度运算单元120中，并且还被输入到非线性要素的非线性学习逻辑单元130以及转向轴角度估计单元180中。转向轴角度估计单元180输出转向轴估计角度SSe，电动机轴角度估计单元190输出电动机轴估计角度MSe。

接下来，将传感器的异常诊断(包括故障诊断)与备份(继续进行辅助控制)之间的关系分成以下各个场合并对其进行说明。

(1)进行异常诊断和备份的场合：

在这种场合，需要将角度传感器设置成双重系统，并且需要估计出的估计角度。

(1－1)转向轴角度的场合

传感器的结构为，将转向轴的角度传感器设置成双重系统(小齿轮侧角度传感器64-1(转向轴角度Ap1)、小齿轮侧角度传感器64-2(转向轴角度Ap2))，并且使用转向轴估计角度SSe。通过转向轴角度Ap1以及Ap2和转向轴估计角度SSe这三者的多数表决来进行异常诊断，例如，当小齿轮侧角度传感器64-1(转向轴角度Ap1)产生了异常的时候，使用小齿轮侧角度传感器64-2的转向轴角度Ap2来进行备份(继续进行辅助控制)。

(1－2)电动机轴角度的场合

传感器的结构为，将电动机轴的角度传感器设置成双重系统(电动机轴角度传感器67-1(电动机轴角度Am1)、电动机轴角度传感器67-2(电动机轴角度Am2))，并且使用电动机轴估计角度MSe。通过电动机轴角度Am1以及Am2和电动机轴估计角度MSe这三者的多数表决来进行异常诊断，例如，当电动机轴角度传感器67-1(电动机轴角度Am1)产生了异常的时候，使用电动机轴角度传感器67-2的电动机轴角度Am2来进行备份(继续进行辅助控制)。

(2)只有异常诊断的场合：

在这种场合，因为不进行备份，所以仅仅需要1个角度传感器和估计出的估计角度。

(2－1)转向轴角度的场合

传感器的结构为转向轴的转向轴角度传感器64(转向轴角度Ap)和转向轴估计角度SSe。通过对转向轴角度Ap和转向轴估计角度SSe进行比较来进行异常诊断，当转向轴角度传感器64产生了异常的时候，停止辅助控制。

(2－2)电动机轴角度的场合

传感器的结构为电动机轴的电动机轴角度传感器67(电动机轴角度Am)和电动机轴估计角度MSe。通过对电动机轴角度Am和电动机轴估计角度MSe进行比较来进行异常诊断，当电动机轴角度传感器67产生了异常的时候，停止辅助控制。

图5示出了非线性要素的非线性学习逻辑单元130、转向轴角度估计单元180以及电动机轴角度估计单元190的详细的结构示例。如图5所示，非线性要素的非线性学习逻辑单元130由用于运算出补偿值CMs的静态特性补偿单元140、用于运算出补偿值CMd的动态特性补偿单元150和用于将补偿值CMs与补偿值CMd相加后输出角度补偿值MP的加法单元131来构成。如图5所示那样，角度估计大致可以分为两种，一种是“静态特性补偿”，另一种是“动态特性补偿”。“静态特性补偿”为保持转向盘不动时的静态特性的角度补偿和像“驾驶员开着车，在交叉路口暂时将车停下来之后，进行安全确认，然后缓慢地使车向右或向左转”的场合那样的以等于或小于5[deg/s]的速度缓慢地转动转向盘时的动态特性的角度补偿。静态特性补偿通过以电动机扭矩Tm为输入(或者以通过低通滤波器(LPF)后得到的“去噪后电动机扭矩Tma”为输入)的静态特性图，来运算出静态特性的补偿值CMs。还有，“动态特性补偿”为像“因为有人突然跑出来所以驾驶员急速转动转向盘”的场合那样的以等于或大于一定速度(50[deg/s])的速度转动转向盘时的角度补偿。动态特性补偿基于“通过以电动机角速度ωm为输入的动态特性图来运算出的动态特性的补偿值CMy”，并且考虑了与电动机扭矩Tm(去噪后电动机扭矩Tma)相对应的延迟时间，来运算出动态特性整体的补偿值CMd。

静态特性补偿单元140由用于输入电动机扭矩Tm的LPF141和用于输入来自LPF141的去除了高频噪声的“去噪后电动机扭矩Tma”并且输出补偿值CMs的非线性要素的静态特性图(学习完毕)142来构成。为了防止“错误的学习”，需要使用LPF141。因为流经电动机的电流本身是电动机扭矩Tm，并且电动机电流中混入了脉动电流、白噪声、谐波等，所以如果不进行LPF处理的话，则(例如，每250μs)就会对噪声大的部分(峰值)进行采样，从而有时静态特性图142会变形。因此，采用截止频率为20～30Hz的LPF。

还有，动态特性补偿单元150由用于输入电动机角速度ωm并且输出补偿值CMy的非线性要素的动态特性图151和用于输入从非线性要素的动态特性图151处输出的补偿值CMy以及来自LPF141的“去噪后电动机扭矩Tma”并且输出补偿值CMd的非线性要素的延迟特性图(学习完毕)152来构成。加法单元131将补偿值CMs与补偿值CMd相加，然后将相加后得到的加法值作为最终的角度补偿值MP(正在学习的时候为补偿值图)输出。

角度补偿值MP被减法输入到转向轴角度估计单元180的减法单元181中，并且还被输入到电动机轴角度估计单元190的加法单元191中。减法单元181从电动机轴角度Am中减去角度补偿值MP后，输出转向轴估计角度SSe。加法单元191将转向轴角度Ap与角度补偿值MP相加后，输出电动机轴估计角度MSe。因为角度补偿值MP为静态特性补偿单元140与动态特性补偿单元150之间的角度的差，作为电动机基准的电动机扭矩Tm被输入到静态特性补偿单元140中，还有，电动机角速度ωm被输入到动态特性补偿单元150中，所以角度补偿值MP作为减法要素被输入到转向轴角度估计单元180中，并且还作为加法要素被输入到电动机轴角度估计单元190中。

然后，诊断“转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)是否在容许范围ε内”，重复进行学习直到转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成在容许范围ε内为止，在转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成了在容许范围ε内的时刻，学习结束。也就是说，按照下述式1来进行诊断，式1成立的话，则结束学习，在式1不成立的情况下，重复进行所规定的次数的学习(例如，重复进行2次学习)。在式1中，判定“转向轴估计角度SSe与转向轴角度Ap之间的差的绝对值是否在容许范围ε1内”，并且还判定“电动机轴估计角度Mse与电动机轴角度Am之间的差的绝对值是否在容许范围ε2内”。通过重复进行学习，就能够提高估计角度的精度，并且还可以对应周围的环境变化(温度、湿气等)、机构部件的经年变化等。此外，作为容许范围，也可以为ε1＝ε2。

式1

|SSe－Ap|≦ε1

|MSe－Am|≦ε2

此外，在即使重复进行了学习，但式1的双方或一方仍然不成立的情况下，就判定为“非线性要素或传感器系统中的某一方产生了异常(发生了故障)”。

如图6所示，非线性要素的静态特性图142为这样的特性，即，随着电动机扭矩Tm从Tm1(＝0)起沿着正负方向变大，作为角度误差的补偿值(CMs)也分别逐渐以非线性的方式变大，并且，作为角度误差的补偿值(CMs)在电动机扭矩Tm1(＝0)附近急剧地大幅度地增加或减少。还有，如图7所示，非线性要素的动态特性图151为这样的特性，即，随着电动机角速度ωm从0起沿着正负方向变大，作为角度误差的补偿值(CMy)也分别逐渐以非线性的方式变大，并且，在电动机角速度－ωm1～+ωm2的范围(例如，50[deg/s])，也就是说，在0附近，成为呈几乎平坦的特性，可以用静态特性来覆盖平坦部分。因为当温度升高的时候则粘性下降，所以补偿值也整体下降。

还有，如图8所示，非线性要素的延迟特性图152为这样的特性，即，随着来自LPF141的电动机扭矩Tma变大，作为相位误差的补偿值(CMd)逐渐以非线性的方式变小，并且，作为相位误差的补偿值(CMd)在电动机扭矩Tma1(0)附近急剧地大幅度地减少，最后几乎收敛到0。因为延迟特性图152的温度特性也是当温度升高的时候则粘性下降，所以补偿值也整体下降。

各个特性图(142、151以及152)的学习与图的生成相对应。针对横轴(电动机扭矩Tm、电动机角速度ωm以及电动机扭矩Tma)，在广范围(例如，从一方(正侧)的齿条末端附近到另一方(负侧)的齿条末端附近的范围)进行图的学习的话，则误差变小。也就是说，仅仅在特定的点(例如，在图6中，为点s₅(Tm1＝0、CMs5＝0)附近)进行学习，是没有意义的。尽管因为图的点的数目依赖于微型计算机的随机存取存储器(RAM)以及只读存储器(ROM)的容量和CPU的运算速度，所以无法确定图的点的数目，但是针对横轴，当包罗了一定程度的范围的时侯，就作为“学习完毕”。在图6～图8的示例中，均将横轴分割成10个区间，当学习了11个点之后，就作为“学习完毕”。

此外，在特性变化大的区域，尽量以窄的点间距离的方式来进行学习，在特性变化小的区域，以宽的点间距离的方式来进行学习。

当电动助力转向装置的各个单元进行角度估计的时候，需要对包括减速机构65在内的机构系统和转向系统的诸如摩擦和反冲之类的上述所有的非线性要素进行补偿，为了进行补偿，至少需要进行静态特性的学习，在进行了静态特性的学习之后，优选地进行动态特性的学习，并且，还可以进行延迟的学习。

还有，在发送产品的时候，因为无法获取学习数据，所以将如图9～图11所示那样的基于经验等的各个特性的标称值预先存储在诸如EEPROM之类的非易失性存储器中，在由虚线表示的标称值的近似值范围之外的时候，实施各个学习。标称值采用预先被调节成“适应车辆的目的地(对外出口的国家、地区等)的环境(主要是基于当地的气候的温度、湿度数据)”的数据。图9是表示非线性要素的静态特性图的标称值(ns₀～ns₁₀)的设定示例的线图，虚线表示了用来判定“是否需要进行学习”的近似值范围。图10是表示非线性要素的动态特性图的标称值(ny₀～ny₁₀)的设定示例的线图，虚线表示了用来判定“是否需要进行学习”的近似值范围。还有，图11是表示非线性要素的延迟特性图的标称值(nd₀～nd₁₀)的设定示例的线图，虚线表示了用来判定“是否需要进行学习”的近似值范围。

在本实施方式中，参照图12的流程图，对“在进行了静态特性的学习之后，进行动态特性的学习，并且还进行延迟的学习，然后基于这些学习结果来进行角度估计”的整体的动作示例进行说明。

首先，点火开关被启动的话，则进行角度检测和电动机扭矩的运算(步骤S1)，判定运算出的静态特性的补偿值是否在如图9所示的标称值的近似值范围内(步骤S2)。在图9的示例中，补偿值A1以及A2在范围外，补偿值B1以及B2在范围内。在被判定为补偿值在近似值范围外的情况下，进行非线性要素的静态特性图142的学习(步骤S10)，继续进行非线性要素的静态特性图142的学习直到静态特性图的学习完毕为止(步骤S20)。当针对电动助力转向装置的电动机扭矩区域，充分学习了静态特性图的时候(例如图6)，静态特性图的学习完毕。在非线性要素的静态特性图142的学习完毕之后，并行地实施非线性要素的动态特性图151的学习(步骤S30)和非线性要素的延迟特性图152的学习(步骤S50)。

尽管在非线性要素的动态特性图151的学习(步骤S30)以及非线性要素的延迟特性图152的学习(步骤S50)中，也分别判定运算出的补偿值是否在如图10以及图11所示的标称值的近似值范围的内外，当各个特性的补偿值在近似值范围外的时候，实施学习，但也可以省略这个判定来进行学习。在图12的流程图中，为了避免图的繁琐，所以省略了近似值范围的判定动作。

在通常情况下，在进行了非线性要素的动态特性图151的学习之后，进行非线性要素的延迟特性图152的学习。继续进行非线性要素的动态特性图151的学习(步骤S30)直到动态特性图的学习完毕为止(例如图7)(步骤S40)，继续进行非线性要素的延迟特性图152的学习(步骤S50)直到延迟特性图的学习完毕为止(例如图8)(步骤S60)。当针对电动助力转向装置的电动机角速度ω的区域，充分学习了动态特性图的时候，动态特性图的学习完毕。当针对电动机扭矩Tma的区域，充分学习了延迟特性图的时候，延迟特性图的学习完毕。

然后，因为当所有的图的学习均完毕的时候，也就是说，当非线性要素的动态特性图151的学习以及非线性要素的延迟特性图152的学习均完毕的时候(步骤S70)，就生成了补偿值图，所以通过使来自静态特性补偿单元140的补偿值CMs与来自动态特性补偿单元150的补偿值CMd在加法单元131中相加来运算出角度补偿值MP，并且，基于角度补偿值MP来估计出估计角度(步骤S71)。通过从电动机轴角度Am中减去角度补偿值MP来求出转向轴估计角度SSe，还有，通过转向轴角度Ap与角度补偿值MP相加来求出电动机轴估计角度MSe。然后，按照上述式1来诊断“估计角度与实测值之间的误差(绝对值)是否在容许范围ε内”(步骤S72)，如果估计角度与实测值之间的误差(绝对值)在容许范围ε内的话，则学习结束，在估计角度与实测值之间的误差(绝对值)在容许范围ε外的情况下，判定是否为第N次(例如第3次)(步骤S80)，在还没有到第N次的情况下，返回到上述步骤S10，重复进行上述动作。

在上述步骤S80中，在被判定为第N次的情况下，判定为“非线性要素或传感器系统产生了异常”(步骤S81)。此外，可以适当地变更上述步骤S80的重复次数N的设定。

通过重复进行学习，就能够提高转向轴估计角度SSe以及电动机轴估计角度Mse的精度，并且，还可以对应诸如温度之类的周围的环境变化、机构部件的经年变化等。尽管通过重复进行学习还可以对应诸如温度之类的环境变化，但也可以另行设置温度传感器，并且，根据检测温度来对各个图的值进行补正。

上述各个学习所需要的输入信号为电动机扭矩Tm、电动机角加速度αm、电动机角速度ωm、电动机轴角度Am和转向轴角度Ap。

接下来，对上述步骤S10中的非线性要素的静态特性图142的学习进行说明。

关于非线性要素的静态特性图142，如图6所示，横轴为电动机扭矩Tm，纵轴为作为电动机轴角度Am与转向轴角度Ap之间的角度偏差的补偿值CMs。非线性要素的静态特性图142的结构，例如，如图13所示那样，是由静态特性学习判定单元143和静态特性学习逻辑单元144来构成的。

电动机角速度ωm被输入到静态特性学习判定单元143中，静态特性学习判定单元143按照如后所述的判定来输出学习判定信号LD1(ON/OFF)。还有，静态特性学习逻辑单元144由减法单元144-1、加法平均单元144-2、加法平均单元144-3和非线性要素的静态特性图生成单元144-4来构成。来自LPF141的去除了噪声的“去噪后电动机扭矩Tma”被输入到加法平均单元144-2中，转向轴角度Ap以及电动机轴角度Am被输入到减法单元144-1中，转向轴角度Ap与电动机轴角度Am之间的角度误差被输入到加法平均单元144-3中。学习判定信号LD1被输入到静态特性学习逻辑单元144中，由加法平均单元144-2求出的加法平均值MN1以及由加法平均单元144-3求出的加法平均值MN2被输入到非线性要素的静态特性图生成单元144-4中。

在这样的结构中，参照图14的流程图，对其动作示例(静态特性图学习)进行说明。

关于静态特性学习逻辑单元144的静态特性学习，当变成了保持转向盘不动状态(下面，被称为“保舵状态”)或变成了以等于或小于5[deg/s]的速度缓慢地转动转向盘(电动机角速度ωm几乎为零的状态)的时侯，也就是说，当静态特性学习判定单元143判定出“变成了电动机角速度ωm几乎为零的状态”从而启动(ON)学习判定信号LD1，并且，被启动的学习判定信号LD1被输入到静态特性学习逻辑单元144中的时候，学习就开始了(步骤S11)。开始进行学习的话，则减法单元144-1计算出转向轴角度Ap与电动机轴角度Am之间的偏差Dp(步骤S12)，偏差Dp被输入到加法平均单元144-3中，通过加法平均单元144-3计算出加法平均值MN2(步骤S13)。还有，来自LPF141的“去噪后电动机扭矩Tma”也被输入到加法平均单元144-2中，通过加法平均单元144-2计算出加法平均值MN1(步骤S14)。也可以将加法平均值MN1以及MN2的计算顺序反过来。加法平均值MN1以及MN2被输入到非线性要素的静态特性图生成单元144-4(与图5的非线性要素的静态特性图142相对应)中，通过使用诸如迭代最小二乘法之类的计算方法来判定实测值与估计值之间的误差是否没有超出图15的容许范围(阴影区域)(步骤S14)，在误差没有超出容许范围的情况下，更新非线性要素的静态特性图144-4(步骤S15)。

在实测值与估计值之间的误差超出了容许范围的情况下，返回到步骤S11，重复进行上述动作，直到该次数超过所规定的次数N1(例如，5次)为止(步骤S16)。在即使经过了N1次的学习之后，但实测值与估计值之间的误差仍然超出容许范围的情况下，判定双重系统的各个角度传感器的信息是否相同，也就是说，判定双重系统的转向轴角度传感器64的检测值是否相同，判定双重系统的电动机轴角度传感器67的检测值是否相同(步骤S17)，因为各个双重系统角度传感器的检测值相同的话，则在传感器系统中没有异常，所以判定出(判定为)非线性要素的异常(步骤S17A)。还有，在各个双重系统角度传感器的检测值不同的情况下，判定出(判定为)传感器系统的异常(步骤S17B)。

就这样，当保舵状态或缓慢转向(缓慢地转动转向盘)持续一定时间之后，使用诸如迭代最小二乘法之类的计算方法来更新非线性要素的静态特性图142，当针对电动助力转向装置的电动机扭矩区域，充分学习了静态特性图的时候，静态特性图的学习完毕。

接下来，对图12的步骤S30中的动态特性图的学习进行说明。

关于动态特性图，如图7所示，横轴为电动机角速度ωm，纵轴为作为电动机轴角度Ams(经过静态特性补偿后)与转向轴角度Ap之间的角度偏差的补偿值CMy。非线性要素的动态特性图151的结构，例如为如图16所示的结构。

电动机角加速度αm被输入到动态特性学习判定单元145中，电动机扭矩Tm通过LPF141后被输入到动态特性学习判定单元145和非线性要素的静态特性图146-1中。动态特性学习判定单元145根据所规定的条件(电动机角加速度αm几乎为零并且电动机扭矩Tm(Tma)比较大的状态)，来输出学习判定信号LD2(ON/OFF)。还有，动态特性学习逻辑单元146由非线性要素的静态特性图146-1、加法单元146-2、减法单元146-3、加法平均单元146-4、加法平均单元146-5和非线性要素的动态特性图生成单元146-6(与图5的非线性要素的动态特性图151相对应)来构成。电动机角速度ωm被输入到加法平均单元146-4中，转向轴角度Ap被加法输入到减法单元146-3中，电动机轴角度Am被输入到加法单元146-2中。来自非线性要素的静态特性图146-1的补偿值CMs被输入到加法单元146-2中，在加法单元146-2中得到的加法值(经过静态特性补偿后的电动机轴角度)Ams被减法输入到减法单元146-3中。由减法单元146-3计算出的偏差Dm(＝Ap－Ams)被输入到加法平均单元146-5中。学习判定信号LD2被输入到动态特性学习逻辑单元146中，由加法平均单元146-4求出的加法平均值MN3以及由加法平均单元146-5求出的加法平均值MN4被输入到非线性要素的动态特性图生成单元146-6中。

在这样的结构中，参照图17的流程图，对其动作示例(动态特性图学习)进行说明。

关于动态特性学习逻辑单元146的动态特性学习，当电动机角加速度αm几乎为零，并且，蜗轮与电动机齿轮呈紧密啮合的状态(来自LPF141的“去噪后电动机扭矩Tma”比较大的状态)的时候，启动(ON)学习判定信号LD2并将其输入到动态特性学习逻辑单元146中，学习从这个时候开始(步骤S31)。开始进行学习的话，则来自LPF141的“去噪后电动机扭矩Tma”被输入到非线性要素的静态特性图146-1中以便进行静态特性补偿(步骤S32)。静态特性补偿的补偿值CMs被输入到加法单元146-2中，加法单元146-2求出通过补偿值CMs与电动机轴角度Am相加而得到的经过静态特性补偿后的加法值Ams，加法值Ams被减法输入到减法单元146-3中。减法单元146-3计算出转向轴角度Ap与加法值Ams之间的偏差Dm(＝Ap－Ams)(步骤S33)，偏差Dm被输入到加法平均单元146-5中，加法平均单元146-5计算出加法平均值MN4(步骤S34)。还有，电动机角速度ωm也被输入到加法平均单元146-4中，加法平均单元146-4计算出加法平均值MN3(步骤S35)。也可以将加法平均值MN3以及MN4的计算顺序反过来。加法平均值MN3以及MN4被输入到非线性要素的动态特性图生成单元146-6中，通过使用诸如迭代最小二乘法之类的计算方法来判定实测值与估计值之间的误差是否没有超出图18的容许范围(阴影区域)(步骤S35)，在误差没有超出容许范围的情况下，更新非线性要素的动态特性图146-6(步骤S36)。

在实测值与估计值之间的误差超出了容许范围的情况下，返回到步骤S31，重复进行上述动作，直到该次数超过所规定的次数N2(例如，5次)为止(步骤S37)。在即使经过了N2次的学习之后，但实测值与估计值之间的误差仍然超出容许范围的情况下，判定双重系统的各个角度传感器的信息是否相同，也就是说，判定双重系统的转向轴角度传感器64的检测值是否相同，判定双重系统的电动机轴角度传感器67的检测值是否相同(步骤S38)，因为各个双重系统角度传感器的检测值相同的话，则在传感器系统中没有异常，所以判定出(判定为)非线性要素的异常(步骤S38A)。还有，在各个双重系统角度传感器的检测值不同的情况下，判定出(判定为)传感器系统的异常(步骤S38B)。

就这样，当针对电动助力转向装置的电动机角速度区域，充分学习了动态特性图的时候，动态特性图的学习完毕。图18中的黑圆点表示经过学习后的补偿值CMy。

接下来，对图12的步骤S50中的延迟特性图的学习进行说明。

关于延迟特性图，如图8所示，横轴为电动机扭矩Tma，纵轴为作为电动机轴角度Ams(经过静态特性补偿后)与转向轴角度Ap之间的相位偏差的补偿值CMd。延迟特性图的结构，例如为如图19所示的结构。

通过LPF141后得到的“去噪后电动机扭矩Tma”被输入到延迟特性学习判定单元147中，并且还被输入到非线性要素的静态特性图148-1中。延迟特性学习判定单元147根据所规定的条件(当电动机扭矩Tm(Tma)变成等于或小于所规定的值的时候)，来输出学习判定信号LD3(ON/OFF)。学习判定信号LD3被输入到延迟特性学习逻辑单元148中。

延迟特性学习逻辑单元148由非线性要素的静态特性图148-1(图16的非线性要素的静态特性图146-1)、加法单元148-2、减法单元148-3、加法平均单元148-5、多级延迟单元148-4、互相关单元148-6和非线性要素的延迟特性图生成单元148-7来构成。电动机扭矩Tm被输入到加法平均单元148-5中，电动机角速度ωm被输入到多级延迟单元148-4中，来自多级延迟单元148-4的多级延迟输出MD被输入到互相关单元148-6中。还有，转向轴角度Ap被加法输入到减法单元148-3中，电动机轴角度Am被输入到加法单元148-2中。来自非线性要素的静态特性图148-1的补偿值CMs被输入到加法单元148-2中，在加法单元148-2中得到的加法值(经过静态特性补偿后的电动机轴角度)Ams被减法输入到减法单元148-3中。由减法单元148-3计算出的偏差Dd被输入到互相关单元148-6中。互相关单元148-6基于来自多级延迟单元148-4的多级延迟输出MD以及偏差Dd来进行互相关处理，探索相关性最大的延迟时间。因为互相关处理分析2个输入信号的相似性，所以需要一定的分析时间。

图21示出了多级延迟单元148-4的动作示例。如图18所示，针对电动机角速度ωm的输入，多级延迟单元148-4通过各个延迟器(Z^-1)来输出分别按照所规定的延迟时间延迟了电动机角速度ωm后得到的多级延迟电动机角速度ωd0、ωd1、...、ωd10。从多级延迟单元148-4输出的多级延迟电动机角速度MD(ωd0～ωd10)与小齿轮轴角度(经过静态特性补偿后)Dd一起被输入到互相关单元148-6中，互相关单元148-6如图22所示那样，计算出作为参照信号的小齿轮轴角度Dd和来自多级延迟单元148-4的多级延迟电动机角速度MD(ωd0～ωd10)的相关函数，将相关性最大的多级延迟器的延迟时间反映在图上。

学习判定信号LD3被输入到延迟特性学习逻辑单元148中，由加法平均单元148-5求出的加法平均值MN5和作为互相关单元148-6的输出的互相关值ML被输入到非线性要素的延迟特性图生成单元148-7中。

在这样的结构中，参照图23的流程图，对其动作示例进行说明。

在电动机扭矩Tma(或Tm)小的区域，因为反冲的影响大，所以延迟时间长。另一方面，在电动机扭矩Tma(或Tm)大的区域，因为蜗轮与电动机齿轮紧密地啮合在一起，所以延迟时间变短。因此，延迟特性学习逻辑单元148的延迟特性学习是这样的，即，按照上述条件，当电动机扭矩Tma(或Tm)变成等于或小于所规定的值的时候，启动(ON)学习判定信号LD3并将其输入到延迟特性学习逻辑单元148中，学习从这个时候开始(步骤S51)。

开始进行学习的话，则来自LPF141的“去噪后电动机扭矩Tma”被输入到非线性要素的静态特性图148-1中，由非线性要素的静态特性图148-1来实施静态特性补偿(步骤S52)。静态特性补偿的补偿值CMs被输入到加法单元148-2中，通过在加法单元148-2中补偿值CMs与电动机轴角度Am相加而得到的加法值(经过静态特性补偿后的电动机轴角度)Ams被减法输入到减法单元148-3中。减法单元148-3计算出转向轴角度Ap与加法值(经过静态特性补偿后的电动机轴角度)Ams之间的偏差Dd(步骤S53)，偏差Dd被输入到互相关单元148-6中。还有，电动机角速度ωm被输入到多级延迟单元148-4中，多级延迟单元148-4计算出延迟时间不同的复数个多级延迟电动机角速度MD(ωd0～ωd10)(步骤S54A)，这些多级延迟电动机角速度MD被输入到互相关单元148-6中以便进行互相关处理(步骤S54B)。互相关单元148-6从延迟量不同的复数个多级延迟电动机角速度中，探索相关性最大的延迟时间，输出相关系数ML。

还有，来自LPF141的电动机扭矩Tm被输入到加法平均单元148-5中，加法平均单元148-5计算出加法平均值MN5(步骤S54C)。也可以将加法平均值MN5和相关系数ML的计算顺序反过来。加法平均值MN5以及相关系数ML被输入到非线性要素的延迟特性图生成单元148-7中，通过使用诸如迭代最小二乘法之类的计算方法来判定实测值与估计值之间的误差是否没有超出图20的容许范围(阴影区域)(步骤S55)，在误差没有超出容许范围的情况下，更新非线性要素的延迟特性图148-7(步骤S56)。

在实测值与估计值之间的误差超出了容许范围的情况下，返回到步骤S51，重复进行上述动作，直到该次数超过所规定的次数N3(例如，5次)为止(步骤S57)。在即使经过了N3次的学习之后，但实测值与估计值之间的误差仍然超出容许范围的情况下，判定双重系统的各个角度传感器的信息是否相同，也就是说，判定双重系统的转向轴角度传感器64的检测值是否相同，判定双重系统的电动机轴角度传感器67的检测值是否相同(步骤S58)，因为各个双重系统角度传感器的检测值相同的话，则在传感器系统中没有异常，所以判定出(判定为)非线性要素的异常(步骤S58A)。还有，在各个双重系统角度传感器的检测值不同的情况下，判定出(判定为)传感器系统的异常(步骤S58B)。

就这样，当针对电动助力转向装置的电动机扭矩区域，充分学习了延迟特性图的时候，延迟特性图的学习完毕。图20中的黑圆点表示经过学习后的补偿值CMd。

此外，图5的静态特性图142与图13的静态特性图生成单元144-4相对应，图5的动态特性图151与图16的动态特性图生成单元146-6相对应，图5的延迟特性图152与图19的延迟特性图生成单元148-7相对应。因为图5示出了各自的“学习完毕的图”，但是图13、图16以及图19示出了“正在学习的图”，所以，分别用不同的附图标记来表示这些图。

接下来，参照图24对本发明(第1实施方式)的效果进行说明。

如图24所示，横轴为时间，纵轴示出了角度误差(电动机轴角度与转向轴角度之间的差分)。从时刻t0到时刻t1的区间示出了“在转向盘中心向左或向右转动转向盘”的状态。从时刻t1到时刻t2的区间示出了“将转向盘转动到左侧末端附近，然后向左或向右转动转向盘”的状态。还有，从时刻t2到时刻t3的区间示出了“将转向盘转动到右侧末端附近，然后向左或向右转动转向盘”的状态。时刻t3以后的区间示出了“将转向盘返回到中心”的状态。尽管如图24(A)所示那样，在完全没有补偿的情况下，角度差分大(2.5°)，但是如图24(B)所示那样，通过静态特性补偿，针对速度慢的转向盘的操作，角度差分减少了(0.75°)。还有，通过附加动态特性补偿，如图24(C)所示那样，针对速度快的转向盘的操作，也可以使角度差分减少(0.25°)。

尽管在上述第1实施方式中，如图5所示那样，对静态特性、动态特性以及延迟特性进行了补偿，但也可以通过如图25所示的结构只进行静态特性的补偿(第2实施方式)。

如图25所示，用于运算出补偿值CMs的静态特性补偿单元140由用于输入电动机扭矩Tm的低通滤波器(LPF)141和用于输入来自LPF141的去除了高频噪声的“去噪后电动机扭矩Tma”并且输出补偿值CMs(正在学习的时候为补偿值图)的非线性要素的静态特性图(学习完毕)142来构成。

与第1实施方式相同，补偿值CMs被减法输入到减法单元181中，并且还被加法输入到加法单元191中。减法单元181输出转向轴估计角度SSe，加法单元191输出电动机轴估计角度MSe。然后，按照上述式1来诊断“转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)是否在容许范围ε内”，重复进行学习直到转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成在容许范围ε内为止，在转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成了在容许范围ε内的时刻，学习结束。

如图6所示，非线性要素的静态特性图142为这样的特性，即，随着电动机扭矩Tm从Tm1(＝0)起沿着正负方向变大，作为角度误差的补偿值(CMs)也分别逐渐以非线性的方式变大，并且，作为角度误差的补偿值(CMs)在电动机扭矩Tm1(＝0)附近急剧地大幅度地增加或减少。

非线性要素的静态特性图142的学习与图的生成相对应。针对横轴(电动机扭矩Tm)，在广范围(例如，从一方(正侧)的齿条末端附近到另一方(负侧)的齿条末端附近的范围)进行图的学习的话，则误差变小。也就是说，仅仅在特定的点(例如，在图6中，为点s5(Tm1＝0、CMs＝0)附近)进行学习，是没有意义的。尽管因为图的点的数目依赖于微型计算机的RAM以及ROM的容量和CPU的运算速度，所以无法确定图的点的数目，但是针对横轴当包罗了一定程度的范围的时侯，就作为“学习完毕”。

参照图26的流程图，对“基于静态特性的学习以及学习结果来进行角度估计”的整体的动作示例进行说明。在这种情况下，也可以在判定出“补偿值在如图9所示的标称值的近似值范围外”之后，开始进行学习。

首先，进行非线性要素的静态特性图142的学习(步骤S10)，继续进行非线性要素的静态特性图142的学习直到静态特性图的学习完毕为止(步骤S101)。当针对电动助力转向装置的电动机扭矩区域，充分学习了静态特性图的时候(例如图6)，静态特性图的学习完毕。因为当非线性要素的静态特性图142的学习完毕的时候，就生成了补偿值图，所以基于来自静态特性补偿单元140的补偿值CMs来估计出估计角度(步骤S102)。通过从电动机轴角度Am中减去补偿值CMs来求出转向轴估计角度SSe，还有，通过转向轴角度Ap与补偿值CMs相加来求出电动机轴估计角度MSe。然后，按照上述式1来诊断“估计角度与实测值之间的误差(绝对值)是否在容许范围ε内”(步骤S103)，如果估计角度与实测值之间的误差(绝对值)在容许范围ε内的话，则学习结束，在估计角度与实测值之间的误差(绝对值)在容许范围ε外的情况下，例如，判定是否为第3次(步骤S104)，在还没有到第3次的情况下，返回到上述步骤S10，重复进行上述动作。

在上述步骤S104中，在被判定为第3次的情况下，判定为“非线性要素或传感器系统产生了异常”(步骤S105)。此外，可以适当地变更上述步骤S104的重复次数的设定。

通过重复进行学习，就能够提高转向轴估计角度SSe以及电动机轴估计角度Mse的精度，并且，还可以对应诸如温度之类的周围的环境变化、机构部件的经年变化等。尽管通过重复进行学习还可以对应诸如温度之类的环境变化，但也可以另行设置温度传感器，并且，根据检测温度来对各个图的值进行补正。上述步骤S10中的非线性要素的静态特性图142的学习动作与图14相同。

接下来，参照图27对第2实施方式的效果进行说明。

如图27所示，从时刻t0到时刻t1的区间示出了“在转向盘中心向左或向右转动转向盘”的状态。从时刻t1到时刻t2的区间示出了“将转向盘转动到左侧末端附近，然后向左或向右转动转向盘”的状态。还有，从时刻t2到时刻t3的区间示出了“将转向盘转动到右侧末端附近，然后向左或向右转动转向盘”的状态。时刻t3以后的区间示出了“将转向盘返回到中心”的状态。尽管如图27(A)所示那样，在完全没有补偿的情况下，角度误差大(2.5°)，但是如图27(B)所示那样，通过静态特性补偿，针对速度慢的转向盘的操作，角度误差减少了(0.75°)。

图28示出了用于进行静态特性以及动态特性(没有延迟特性)的补偿的第3实施方式的结构示例。如图28所示，非线性要素的非线性学习逻辑单元130由用于运算出补偿值CMs的静态特性补偿单元140、用于运算出补偿值CMy的动态特性补偿单元150和用于将补偿值CMs与补偿值CMy相加后输出角度补偿值MP的加法单元131来构成。静态特性补偿单元140由用于输入电动机扭矩Tm的低通滤波器(LPF)141和用于输入来自LPF141的去除了高频噪声的“去噪后电动机扭矩Tma”并且输出补偿值CMs的非线性要素的静态特性图(学习完毕)142来构成。还有，动态特性补偿单元150由用于输入电动机角速度ωm并且输出补偿值CMy的非线性要素的动态特性图151来构成。加法单元131将补偿值CMs与补偿值CMy相加，然后将相加后得到的加法值作为最终的角度补偿值MP(正在学习的时候为补偿值图)输出。

角度补偿值MP被减法输入到减法单元181中，并且还被加法输入到电动机轴角度估计单元190的加法单元191中。减法单元181输出转向轴估计角度SSe，加法单元191输出电动机轴估计角度MSe。然后，按照上述式1来诊断“转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)是否在容许范围ε内”，重复进行学习直到转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成在容许范围ε内为止，在转向轴估计角度SSe以及电动机轴估计角度Mse与各个实测值之间的误差(绝对值)变成了在容许范围ε内的时刻，学习结束。

此外，在即使重复进行了学习，但式1的双方或一方仍然不成立的情况下，就判定为“转向系统或传感器系统中的某一方发生了故障或异常”。非线性要素的静态特性图142为如图6所示的特性，非线性要素的动态特性图151为如图7所示的特性。

各个特性图(142以及151)的学习与图的生成相对应。当电动助力转向装置的各个单元进行角度估计的时候，需要对包括减速机构65在内的机构系统和转向系统的诸如摩擦和反冲之类的非线性要素进行补偿，为了进行补偿，至少需要进行静态特性的学习，在进行了静态特性的学习之后，优选地进行动态特性的学习。

在这里，参照图29的流程图，对“在进行了静态特性的学习之后，进行动态特性的学习，然后基于这些学习结果来进行角度估计”的整体的动作示例(第3实施方式)进行说明。在这种情况下，也可以在判定出“补偿值在如图9以及图10所示的各个标称值的近似值范围外”之后，开始进行各个学习。

首先，进行非线性要素的静态特性图142的学习(步骤S10)，继续进行非线性要素的静态特性图142的学习直到静态特性图的学习完毕(步骤S20)。当针对电动助力转向装置的电动机扭矩区域，充分学习了静态特性图的时候(例如图6)，静态特性图的学习完毕。在非线性要素的静态特性图142的学习完毕之后，实施非线性要素的动态特性图151的学习(步骤S30)。继续进行非线性要素的动态特性图151的学习(步骤S30)直到动态特性图的学习完毕(例如图7)(步骤S40)。当针对电动助力转向装置的电动机角速度区域，充分学习了动态特性图的时候，动态特性图的学习完毕。

然后，因为当非线性要素的动态特性图151的学习完毕的时候，就生成了补偿值图，所以通过使来自静态特性补偿单元140的补偿值CMs与来自动态特性补偿单元150的补偿值CMy在加法单元131中相加来运算出角度补偿值MP，并且，基于角度补偿值MP来估计出估计角度(步骤S110)。通过从电动机轴角度Am中减去角度补偿值MP来求出转向轴估计角度SSe，还有，通过转向轴角度Ap与角度补偿值MP相加来求出电动机轴估计角度MSe。然后，按照上述式1来诊断“估计角度与实测值之间的误差(绝对值)是否在容许范围ε内”(步骤S111)，如果估计角度与实测值之间的误差(绝对值)在容许范围ε内的话，则学习结束，在估计角度与实测值之间的误差(绝对值)在容许范围ε外的情况下，例如，判定是否为第3次(步骤S112)，在还没有到第3次的情况下，返回到上述步骤S10，重复进行上述动作。

在上述步骤S112中，在被判定为第3次的情况下，判定为“转向系统或传感器系统发生了故障”(步骤S113)。此外，可以适当地变更上述步骤S112的重复次数的设定。

通过重复进行学习，就能够提高转向轴估计角度SSe以及电动机轴估计角度Mse的精度，并且，还可以对应诸如温度之类的周围的环境变化、机构部件的经年变化等。尽管通过重复进行学习还可以对应诸如温度之类的环境变化，但也可以另行设置温度传感器，并且，根据检测温度来对各个图的值进行补正。

上述步骤S10中的非线性要素的静态特性图142的学习动作与图14相同，上述步骤S30中的非线性要素的动态特性图151的学习动作与图17相同。

此外，尽管在上述实施方式中，针对转向轴助力式电动助力转向装置进行了说明，但同样地也可以将本发明应用在助力电动机装配位置位于下游的电动助力转向装置。

附图标记说明

1、60 转向盘(方向盘)

2、61转向轴(柱轴或方向盘轴)

10扭矩传感器

12车速传感器

13电池

20、66 电动机

21旋转传感器

30、100控制单元(ECU)

62扭力杆

63转向盘侧角度传感器

64转向轴(小齿轮侧)角度传感器

65减速机构

67电动机轴角度传感器

110 电动机扭矩运算单元

120 电动机角速度运算单元

130 非线性要素的非线性学习逻辑单元

140 静态特性补偿单元

141 低通滤波器(LPF)

142 非线性要素的静态特性图

150 动态特性补偿单元

151 非线性要素的动态特性图

152 非线性要素的延迟特性图

180 转向轴角度估计单元

190 电动机轴角度估计单元。