CN101713321A

CN101713321A - 使用气缸压力传感器的发动机排出nox的虚拟传感器

Info

Publication number: CN101713321A
Application number: CN200910178782A
Authority: CN
Inventors: Y·-Y·王; Y·何
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2008-10-06
Filing date: 2009-09-30
Publication date: 2010-05-26
Anticipated expiration: 2029-09-30
Also published as: US20100083640A1; CN101713321B; US8301356B2; DE102009047829A1; DE102009047829B4

Abstract

本发明涉及使用气缸压力传感器的发动机排出NOX的虚拟传感器。一种用于估计四冲程内燃机的燃烧过程中的NO_X生成的方法，包括：监测发动机传感器输入；基于所述发动机传感器输入来建模描述所述燃烧过程的参数；和基于所述参数用人工神经网络来估计NO_X生成。

Description

使用气缸压力传感器的发动机排出NOX的虚拟传感器

技术领域

本发明涉及内燃机中NO_X排放物的后处理的控制。

背景技术

该部分的内容仅提供与本发明有关的背景信息，且可能不构成现有技术。

排放物控制是发动机设计和发动机控制中的一种重要因素。NO_X是已知的燃烧副产物。NO_X通过发动机进气空气中存在的氮和氧分子在高的燃烧温度下分裂而生成，NO_X生成速率与燃烧过程具有已知的关系，例如，较高的NO_X生成速率与较高的燃烧温度和空气分子较长时间暴露于较高温度相关联。在燃烧过程中生成的NO_X的还原和排气后处理系统中的NO_X管理在车辆设计中是优先考虑的。

一旦在燃烧室中生成，NO_X分子能够在后处理装置的广泛范畴内的本领域已知的示例性装置中转化回到氮和氧分子。然而，本领域技术人员将理解，后处理装置很大程度上取决于操作状况，例如由排气流温度决定的装置操作温度。

现代发动机控制方法采用各种各样的操作方案来优化燃烧。在燃料效率方面优化燃烧的一些操作方案包括在燃烧室内的稀的、局部或分层燃烧，以减小实现需要气缸输出的功所需的燃料装料。虽然燃烧室内的温度能够在燃烧包内变得足够高，以生成大量的NO_X，但是燃烧室的总体能量输出，尤其是通过排气流从发动机排出的热能，可能从正常值极大地减小。这种状况对于排气后处理方案是有挑战的，因为前述后处理装置通常需要由排气流温度决定的升高的操作温度，以恰当地操作来处理NO_X排放物。

例如，已知后处理装置采用能够存储一定量的NO_X的催化剂，且已经研发了发动机控制技术来将这些NO_X捕获器或NO_X吸附器与燃料有效的发动机控制方案结合，以改进燃料效率且仍实现可接受的NO_X排放物水平。一个示例性方案包括使用NO_X捕获器来在燃料稀操作期间存储NO_X排放物且然后在燃料浓的、较高温度发动机操作状况期间用常规三效催化剂将存储的NO_X净化成氮和水。这种净化事件或再生事件能够是改变车辆操作或强制净化事件的结果。强制净化事件需要监测存储的NO_X的量和一些机制或标准来启动净化。例如，NO_X捕获器具有有限的存储容量，且传感器能够用于排气流中来估计NO_X生成，以估计NO_X捕获器状况。一旦NO_X捕获器接近其全容量，必须用燃料浓还原“脉冲”来再生。期望控制NO_X捕获器的再生事件的效率，以提供最优排放控制和最小燃料消耗。已经提出了多种方案。

已知在流入NO_X吸附剂的排气的空气-燃料比是稀时吸附NO_X(捕获)且在流入NO_X吸附剂的排气的空气-燃料比变成浓时释放已吸附的NO_X(再生)的技术，其中，NO_X吸附剂中吸附的NO_X量可以从发动机负荷和发动机旋转速度估计。当估计的NO_X量变成NO_X吸附剂的最大NO_X吸附容量时，流入NO_X吸附剂的排气的空气-燃料比变成浓。再生阶段的确定也可以基于内燃机的单独操作循环。

也已知通过使用NO_X传感器或NO_X捕获器前的氧气传感器估计流入NO_X捕获器的NO_X量来估计NO_X捕获器有多满。也已知基于积聚的NO_X质量以及发动机负荷和速度操作状况可能性的估计来排定再生。

日益严格的排放标准需要NO_X后处理方法采用例如选择性催化还原装置(SCR)。SCR采用从尿素注入得到的或者从三效催化剂装置的正常操作回收的氨来处理NO_X。排气后处理的持续改进需要关于排气流中NO_X排放物的准确信息，以实现有效的NO_X还原，例如基于监测的NO_X排放物来定量合适量的尿素。

NO_X传感器或氧气传感器增加了车辆的成本和重量，且这种传感器通常需要在一定暖机时间之后实现特定的操作温度范围以起作用。存在经由使用热释放模型、多区域燃烧模型和Zodovich化学能方程的详细燃烧建模来估计发动机排出NO_X的方法。这些详细建模虽然对于分析来说是良好的，但是由于其复杂的编程和标定要求，可能不适合用于车内发动机控制模块(ECM)应用。此外，这种模型对于传感器公差和老化是敏感性的，对ECM施加大的计算负担，且需要处理时间，从而不能实时提供结果。

从燃烧参数预测NO_X生成的燃烧模型必须考虑在车辆内可能存在的所有可变参数。虽然技术人员可能对每个车辆单独地分析和设计定制算法且针对改变的系统和操作状况定期调节算法，但是大范围地进行这种操作是不便利的。相反，优选的是一些自动控制器监测系统并基于特定系统的性能来调节控制算法的参数。已经研发出机器学习算法以允许基于改变的状况和结果来自动调节功能机构。已经广泛地开发出许多不同的机器学习算法技术；本发明的一个具体应用包括神经网络。

神经网络是本领域熟知的，本文将不详细描述。然而，与本发明最相关的，人工神经网络或神经网络是模拟作出决策的生物手段所形成的计算机系统。常规计算手段基于通过算法的数据顺序处理，从而得到可预测的结果，而已知神经网络在连续层和每个层内通过交替的节点的并行路径内来处理数据。神经网络使用得到一组已知的结果的数据来初始训练。由于这种训练，权重应用于层之间和节点之间，网络自动地适应于训练数据并调节权重以更接近地建模数据。在后一使用中，神经网络能够保留训练调节且在网络的寿命内应用所述训练调节，或者网络可以采用各种已知方法来从持续进行的数据模式学习。神经网络具有适应于复杂数据集和改变的状况的益处。常规算法必须用固定的功能过程编程，从而试图在生成算法时预期系统的所有可能操作转变，而神经网络可以用于在生成网络时不是数据的所有因素或关系都已知的情况。

一种估计燃烧过程的NO_X生成、将NO_X传感器的实时效果与基于模型的NO_X估计的成本和权重效率相结合的方法将是有利的。

发明内容

一种用于估计四冲程内燃机的燃烧过程中的NO_X生成的方法，包括：监测发动机传感器输入；基于所述发动机传感器输入来建模描述所述燃烧过程的参数；和基于所述参数用人工神经网络来估计NO_X生成。

附图说明

现在将参考附图以示例的方式描述一个或更多实施例，在附图中：

图1示出了根据本发明的示例性人工神经网络的信息流；

图2示意性地示出了根据本发明实施例构造的示例性内燃机和控制系统；

图3示意性地示出了根据本发明的用于发动机控制模块中且确定NO_X生成估计值的示例性NO_X模型模块；

图4以图表形式示出了根据本发明的示例性燃烧质量分数曲线；

图5以图表形式示出了根据本发明的相对于在燃烧过程中的曲轴角绘出的示例性气缸压力；

图6示出了根据本发明的能够估计燃烧室内对于描述燃烧过程重要的多个不同温度，其中示出了简化的双区域燃烧模型；

图7是根据本发明描述在一组给定状况下多个输入对NO_X排放物的标准化影响的示例性建模结果的图表显示；

图8以图表形式示出了根据本发明的用于初始训练神经网络连同在训练之后校验神经网络所产生的估计结果的数据集；

图9-13以图表形式示出了根据本发明的对编程来估计NO_X生成估计值的神经网络的初始训练进行校验所产生的示例性训练/校验结果；

图9示出了使用根据已知方法模型的NO_X生成估计系统来处理并相对于测量的NO_X浓度来校验的输入数据点；

图10示出了用一组输入数据点来训练的神经网络的示例性校验，该组数据点由采用根据已知方法的模型的NO_X生成估计系统产生，并且相同输入数据点由采用已训练的神经网络的系统进行随后处理；

图11示出了与图10所示类似的神经网络的示例性校验，采用与不同的描述性燃烧项有关的输入数据集；

图12示出了示例性的NO_X生成模型，使用与图10和11的示例性图示不同的描述性燃烧项有关的输入数据集；

图13示出了示例性的NO_X生成模型，使用与图10-12的示例性图示不同的描述性燃烧项有关的输入数据集；和

图14示意性地示出了根据本发明的产生NO_X生成估计值、使用神经网络来产生NO_X生成估计值且包括动态模型模块以补偿动态发动机和车辆状况对NO_X生成估计值的影响的示例性系统。

具体实施例

现在参考附图，其中所示的内容仅仅是为了说明某些示例性实施例，而非为了限制本发明，图1示出了根据本发明的示例性人工神经网络(神经网络)的信息流。如上文所述，已知神经网络在连续层和每个层内通过交替的节点的并行路径内来处理数据。示例性神经网络100包括输入110和115以及三个层，包括输入层120、隐藏层130和输出层140。输入层120包括三个节点，即节点122、124和126。隐藏层130包括三个节点，即节点132、134和136。输出层140包括一个节点，即节点142。每层中的每个节点提供在信息提供给所述层时能够进行的交替功能关系和操作。每个节点对该层的输出的影响可通过权重调节，且这些权重适合于校正神经网络的总体输出。影响每个节点的效果的权重通过用产生一组已知结果的数据初始训练神经网络来产生并调节权重使得神经网络的输出与已知结果匹配。单独地作为这种初始训练的结果，或者作为这种初始训练与通过持续使用神经网络学习的调节因子结合的结果，权重应用于层之间和节点之间。通过训练和调节神经网络，能够分析不同因素和依赖性未知的输入数据以产生估计的输出。

图2示意性地示出了根据本发明的实施例构造的内燃机10和控制系统25。所示的实施例作为总体控制方案的一部分被应用以操作示例性的多缸、火花点火、直接喷射、汽油、四冲程内燃机，该内燃机适于在受控的自动点火程序下运行，该自动点火程序也被称为均质充气、压缩点火(“HCCI”)模式。

在本发明的该示例性说明中，自然吸气、四冲程、单缸、0.55升、受控自动点火、汽油直喷式燃料内燃机具有大体上为12至13的压缩比，该内燃机用于实施气门和燃料控制以及本文所列的各种数据的获取。除非另有声明，所有这些实施和获取都假定是在本领域技术人员熟知的标准状况下进行。

示例性发动机10包括金属铸造的发动机本体和发动机盖27，发动机本体具有形成在其中的多个气缸，图中示出了其中一个。每个气缸包括端部封闭的气缸，气缸具有插入在其中的可移动的往复活塞11。可变容积的燃烧室20在每个气缸中形成，并且由气缸壁、可移动活塞11和盖27限定。发动机本体优选包括发动机冷却剂流体流过其中的冷却剂通道29。可操作以监测冷却剂流体温度的冷却剂温度传感器37位于适当位置处，并且提供参数信号输入给可用于控制发动机的控制系统25。发动机优选包括公知系统，所述公知系统包括外部排气再循环(EGR)阀和进气节气门(未示出)。

每个可移动活塞11包括根据公知的活塞形成方法设计的装置，并且包括顶部和本体，本体大体上与活塞在其中操作的气缸相匹配。活塞具有暴露在燃烧室中的顶部或冠部区域。每个活塞经由销34和连杆33连接到曲轴35。曲轴35在靠近发动机本体的底部的主轴承区域处可旋转地附接到发动机本体，使得曲轴能够绕与每个气缸限定的纵向轴线垂直的轴线旋转。曲轴传感器31安置在合适位置，其可操作以产生可被控制器25用于测量曲轴角的信号，并且该信号可被转换以提供可在各种控制方案中使用的曲轴旋转、速度和加速度的测量值。在发动机操作期间，由于活塞连接到曲轴35和曲轴35的旋转以及燃烧过程，每个活塞11以往复形式在气缸中上下移动。曲轴的旋转活动实现了将在燃烧期间施加在每个活塞上的线性力转换为从曲轴输出的角向扭矩，所述角向扭矩可被传递到另一装置，例如车辆传动系。

发动机盖27包括具有一个或多个进气端口17以及一个或多个排气端口19的金属铸造装置，进气端口17和排气端口19都与燃烧室20连通。进气端口17将空气供应到燃烧室20。燃烧后的(燃烧)气体经排气端口19从燃烧室20流出。通过每个进气端口的空气流借助于对一个或多个进气门21的致动来控制。通过每个排气端口的燃烧气体流借助于对一个或多个排气门23的致动来控制。

进气门21和排气门23中的每个都具有头部，所述头部包括暴露到燃烧室的顶部。气门21、23中的每个都具有连接到气门致动装置的气门杆。如60所示的气门致动装置可操作以控制进气门21中的每个的开启和关闭，第二气门致动装置70可操作以控制排气门23中的每个的开启和关闭。气门致动装置60、70中的每个包括下述装置，该装置信号连接到控制系统25并且可操作以便共同或单独控制每个气门的开启和关闭的时间、持续时间及幅度。示例性发动机的第一实施例包括双顶置凸轮系统，该双顶置凸轮系统具有可变升程控制(VLC)装置和可变凸轮定相(VCP)装置。该VCP装置可操作以控制相对于曲轴旋转位置的每个进气门和每个排气门的开启或关闭的时间，并使每个气门开启固定曲轴角持续时间。该示例性VLC装置可操作以便将气门升程的幅度控制到两个位置中的一个：一个位置是3-5mm升程，开启持续时间120-150度曲轴角；另一个位置是9-12mm升程，开启持续时间220-260度曲轴角。单独的气门致动装置能够以相同的效果实现相同的功能。气门致动装置优选地由控制系统25根据预定的控制方案来控制。例如包括完全灵活的电力或电力液压装置的替代性可变气门致动装置也可以被使用，并且具有独立的开启和关闭相位控制以及在系统限度内大体上无限制的气门升程可变性的进一步的优点。在此描述控制气门开启和关闭的控制方案的特定方面。

空气通过进气歧管流道(runner)50进入进气端口17，进气歧管流道50接收经过公知的空气计量装置和节气装置(未示出)的过滤空气。排气从排气端口19流向包括排气传感器40的排气歧管42，排气传感器40可操作以监测排气流的成分并且确定与其相关的参数。排气传感器40可包括若干公知感测装置的任一种，所述感测装置可操作以提供排气流的参数值，包括空燃比，或排气成分的测量值，例如NO_X，CO，HC，O₂和其他成分。该系统可包括用于监测燃烧压力的缸内传感器16或非侵入式压力传感器或推断确定压力的确定装置(例如，通过曲轴加速度)。前述传感器和计量装置中的每个都将信号作为参数输入提供给控制系统25。这些参数输入可以由控制系统用于确定燃烧性能测量值。

示出了连接到排气歧管42并将排气流传输通过排气系统的示例性后处理装置43。后处理装置43能够任选地配备有后处理传感器44，如图所示。后处理传感器能够监测后处理装置43的重要参数，例如装置温度。后处理装置43用于管理排气流的属性和成分。如前文所述，已知后处理装置包括用于转换或吸附以便随后处理排气流中的NO_X排放物的装置。

控制系统25优选地包括总体控制体系的子组，所述总体控制体系可操作以提供对发动机10和其他系统的协调系统控制。在总体操作中，控制系统25可操作以综合操作员输入、环境状况、发动机操作参数和燃烧性能测量值，并且执行算法以控制各种致动器从而获得控制参数的目标，所述控制参数包括诸如燃料经济性、排放、性能和驾驶性能的参数。控制系统25可操作地连接到多个装置，操作员通常通过这些装置控制或引导发动机的操作。当发动机应用在车辆中时，示例性的操作员输入包括加速器踏板、制动器踏板、变速器档位选择器以及车速巡航控制。控制系统可通过局域网(LAN)总线(未示出)与其他控制器、传感器和致动器通信，局域网(LAN)总线优选地允许各种控制器之间进行控制参数和指令的结构化通信。

控制系统25可操作地连接到发动机10，并用于从传感器获取参数数据以及通过合适的接口45控制发动机10的多个致动器。控制系统25基于操作员输入来接收发动机扭矩指令，并产生期望的扭矩输出。由控制系统25使用上述传感器感测的示例性发动机操作参数包括：发动机温度(例如通过监测发动机冷却剂温度的方法所标示出的)、油温度、或金属温度；曲轴旋转速度(“RPM”)和位置；歧管绝对压力；环境空气流量和温度；以及环境空气压力。燃烧性能测量值通常包括测得的和推导出的燃烧参数，除了其它参数之外，包括例如空燃比及峰值燃烧压力的位置。

由控制系统25控制的致动器包括：燃料喷射器12；VCP/VLC气门致动装置60、70；可操作地连接到用于控制火花时长(spark dwell)和时间的点火模块的火花塞14；排气再循环(EGR)阀(未示出)以及电子节气门控制模块(未示出)。燃料喷射器12优选地可操作以将燃料直接喷射到每个燃烧室20中。示例性的直喷燃料喷射器的具体细节是公知的，在此不再详述。控制系统25应用火花塞14从而在部分发动机速度和负载操作范围内增强对示例性发动机的点火正时控制。当示例性发动机在纯HCCI模式下操作时，发动机不使用通电的火花塞。然而已经证实，在某些状况下应用火花点火来补充HCCI模式是有利的，这些状况包括例如，在冷启动期间以防止堵塞，以及根据本发明的某些方面在接近低负载极限的低负载操作状况下。并且，已经证实在HCCI模式中的高负载操作极限时以及在节流或未节流的火花点火操作下的高速/负载操作状况时使用火花点火是优选的。

控制系统25优选地包括通用数字计算机，通用数字计算机大体包括微处理器或中央处理单元、只读存储器(ROM)、随机存取存储器(RAM)、电子可编程只读存储器(EPROM)、高速时钟、模数(A/D)和数模(D/A)电路、输入/输出电路和装置(I/O)以及合适的信号调节和缓冲电路。每个控制器具有一组控制算法，所述控制算法包括存储在ROM中的常驻程序指令和标定值，该指令和标定值被执行以提供期望的功能。

用于发动机控制的算法通常在预定环路循环期间被执行，以便每个算法在每个环路循环被执行至少一次。存储在非易失性存储装置中的算法由中央处理单元执行，并且可操作以监测来自感测装置的输入以及执行控制和诊断程序从而用预定标定值来控制发动机操作。在持续进行的发动机操作期间，环路循环通常以规则间隔例如每3.125、6.25、12.5、25和100毫秒被执行。替代性地，算法可响应于事件的发生或中断请求而被执行。

图3示意性地示出了根据本发明的用于发动机控制模块中且确定NO_X生成估计值的示例性NO_X模型模块。示例性NO_X模型模块200在NO_X生成估计系统210中操作且包括模型模块220和NO_X估计模块230。发动机传感器输入x₁-x_n是NO_X模型模块的输入且能够包括多个因素，包括温度、压力、发动机控制设置(包括气门和火花定时)、和表示燃烧室内的燃烧状态的其它读数。模型模块220接收这些输入且应用算法来确定多个参数以描述燃烧室内的燃烧。这些描述性参数的示例包括EGR％，即排气改向回到燃烧室以控制燃烧过程的百分比；描述在燃烧室内存在的空气和燃料的混合物的空气-燃料装料比(AFR)；可测量的燃烧温度，包括例如燃烧气体温度或平均燃烧温度；通过在燃烧过程中跟踪燃烧进展来测量的燃烧定时，例如CA50，即在燃烧室中最初存在的燃料的50％的质量被燃烧时曲轴角的测量；和燃料轨道压力，表示燃料喷射器可用的以被喷射到燃烧室中的燃料压力。这些描述性参数能够用于估计在燃烧过程中燃烧室内存在的状况。如上所述，燃烧室内存在的状况影响燃烧过程中NO_X的生成。这些描述性参数能够提供给NO_X估计模块，其中，算法采用所述描述性参数作为输入来产生由于燃烧过程引起的NO_X生成估计值。然而，如上所述，分析描述燃烧过程的变量的模型可能包括复杂的计算，这可能需要比产生实时结果所需要的时间更长的时间来计算，需要大的处理容量，且仅仅具有预编程算法所允许的准确性。由于这些困难和准确和及时的信息的需要，把在ECM内NO_X生成估计作为后处理控制方案的一部分不是优选的。

公开了将描述燃烧燃烧过程的模型与配置成基于模型输出来产生NO_X生成估计值的神经网络相结合的方法。神经网络允许该NO_X估计值包括在生成神经网络时未知的或不能确定的因素，例如，化学燃烧过程的未知热传递速率和具体参数(受到诸如燃料含量、空气质量、车辆维护状态或其它未知因素的因素影响)。此外，神经网络通常允许降低产生NO_X生成估计值所需要的算法的复杂性。神经网络被训练且对数据中的模式作出反应。相反，NO_X估计模型需要分析诸如装料点火动态、燃烧室内不同区域的温度图形的因素，需要分析在燃烧过程中燃烧室内的装料分布。通过从所涉及的燃烧分析将NO_X生成估计简化成更集中于数据的分析，往往允许较简单的算法，从而需要减少的处理资源且能够实时计算。

多个发动机传感器输入能够用于量化描述燃烧过程的参数。然而，在发动机内发生的燃烧难以直接监测。传感器可以检测和测量进入气缸的燃料流量和空气流量，传感器可以监测施加到火花塞的具体电压或者处理器可以采集预测产生自动点火所需要的状况的信息和，但是这些读数一起仅仅是燃烧的预测，而不是测量实际燃烧结果。测量实际燃烧结果的一种示例性方法使用在燃烧过程中燃烧室内获得的压力测量值。气缸压力读数提供描述燃烧室内的状况的真实读数。基于对燃烧过程的理解，气缸压力可以被分析以估计具体气缸内的燃烧过程的状态，从而在燃烧定相和燃烧强度两方面描述燃烧。在已知状况下已知装料在已知定时的燃烧在气缸内产生可预测压力。通过描述在一定曲轴角时燃烧的相位和强度，具体燃烧过程的启动和进展可以被描述为燃烧的估计状态。通过估计气缸的燃烧过程的状态，在燃烧过程中影响NO_X生成的因素能够被确定且可用在NO_X生成估计中。

监测燃烧定相的一种已知方法是基于已知参数来估计给定曲轴角的燃烧质量分数比。燃烧质量分数比描述燃烧室中多少百分比的装料已经燃烧且用作燃烧定相的良好估计。图4以图表形式示出了根据本发明的示例性燃烧质量分数曲线。对于给定曲轴角，所示曲线描述了对该燃烧过程已经燃烧的装料内的燃料空气混合物的估计百分比。为了用作燃烧定相的度量，已知的是识别有关的具体燃烧质量分数百分比或者有关的具体曲轴角。图4识别CA50％作为燃烧质量分数等于50％时的曲轴角。通过检查在该气缸中或者在多个气缸中的多个燃烧过程中的这种具体度量，可以描述具体燃烧过程的相对定相。

如上所述，燃烧定相能够用于估计具体燃烧过程的状态。公开了一种用于监测燃烧定相以诊断无效燃烧的示例性方法，藉此监测发动机中的燃烧，在每个气缸燃烧过程产生燃烧质量分数比，且比较多个气缸的燃烧定相。如果一个气缸在该气缸的具体曲轴角时的燃烧相位与另一气缸在该第二气缸的相同曲轴角时的燃烧相位相差阈值相位差以上，那么可以推断异常燃烧。通过本方法可以诊断异常燃烧的许多源。例如，如果一些状况引起燃烧室内的过早点火或者爆燃，那么气缸压力读数将展现不同于正常燃烧的值。此外，燃烧系统喷射定时故障(使得装料在错误的定时喷射)将引起异常气缸压力读数。另外，如果气缸不点火或者从未实现燃烧，那么气缸压力读数将展现不同于正常燃烧的值。类似地，压力曲线可以用于诊断其它异常燃烧状况，例如空气燃料混合物中的变化、凸轮轴定相中的变化和相关部件的维护故障。燃烧兴旺状况的任何这种诊断与NO_X有牵连且能够用于估计NO_X生成。

已知许多方法来估计燃烧质量分数。一种方法检查燃烧室内的压力数据，包括分析燃烧室内可归因于燃烧的压力升高。存在多种方法来量化气缸内可归因于燃烧的压力升高。压力比管理(PRM)是基于Rassweiler途径的方法，其阐述燃烧质量分数可以用由于燃烧引起的分数压力升高来近似。在已知状况下已知装料在已知时间的燃烧往往在气缸内产生可一致预测的压力升高。PRM从在给定曲轴角时燃烧下测量的气缸压力(P_CYL(θ))与通过估计在给定曲轴角时如果气缸中没有发生燃烧的压力值来计算的驱动压力(motored pressure)(P_MOT(θ))的比获得压力比(PR)，从而得到以下等式：

PR (θ) = \frac{P_{CYL} (θ)}{P_{MOT} (θ)} - - - (1)

图5以图表形式示出了根据本发明的相对于在燃烧过程中的曲轴角绘出的示例性气缸压力。P_MOT(θ)展现了在没有任何燃烧的情况下由活塞压缩捕获的气体包而得到平滑倒抛物线。在活塞处于BDC时，所有气门关闭，活塞升高，从而压缩气体，活塞在压力曲线的峰值处达到TDC，且压力随着活塞从TDC下降而减小。高于P_MOT(θ)的压力升高由P_CYL(θ)示出。燃烧定时将根据应用而不同。在该具体示例性曲线中，P_CYL(θ)在TDC附近从P_MOT(θ)开始升高，从而描述在TDC之前一定时间的点火事件。当装料燃烧时，燃烧引起热和功，从而导致燃烧室内压力增加。PR是P_MOT与P_CYL的比，且P_MOT是P_CYL的分量。净燃烧压力(NCP(θ))是P_CYL(θ)和P_MOT(θ)之间的差，或者是在给定曲轴角时燃烧室内可归因于燃烧的压力升高。应当理解的是，通过从PR减去1，可以确定NCP与P_MOT的比。

PR (θ) - 1 = \frac{P_{CYL} (θ)}{P_{MOT} (θ)} - \frac{P_{MOT} (θ)}{P_{MOT} (θ)} = \frac{NCP (θ)}{P_{MOT} (θ)} - - - (2)

因而，通过上述等式测量的PR可用于直接描述气缸内的燃烧强度。将曲轴角θ时的PR-1相对于预期或理论最大PR值减1标准化得到在曲轴角θ时由于燃烧引起的压力升高与在燃烧过程完成时由于燃烧引起的预期总压力升高的分数压力比。该标准化能够由以下等式表示：

通过使得可归因于燃烧的压力升高等同于燃烧的进展，该分数压力比描述了该具体燃烧过程的燃烧质量分数。通过使用PRM，来自于气缸的压力读数可以用于估计该气缸的燃烧质量分数。

采用PRM的上述方法可应用于大范围的与压缩点火发动机有关的温度、气缸装料和定时，从而增加了不需要标定压力传感器的益处。由于PR是压力比，未标定线性压力传感器可以用于从每个气缸获得压力数据读数。

估计燃烧质量分数的另一方法直接使用Rassweiler途径来通过计算给定曲轴角释放的总热量来确定燃烧质量分数。Rassweiler途径使用气缸的压力读数来近似气缸中的累加放热。该途径由以下等式给出：

Q_{Released} (θ) = Σ P_{k + 1} - P_{k - 1} {(\frac{V_{k - 1}}{V_{k}})}^{r} - - - (4)

燃烧质量分数(到某一曲轴角时已经燃烧多少装料的测量)可以通过确定在给定曲轴角时已经发生了燃烧过程的多少比例的放热来近似。由Rassweiler途径确定的累加放热可以在曲轴角的范围内求和，与燃烧过程的总预期或理论放热进行比较，且用于估计燃烧质量分数。例如，如果对于给定曲轴角已经实现75％的总预期放热，那么我们能够估计在该曲轴角时已经发生该循环的75％的燃烧。

其它方法可以用于估计燃烧质量分数。一种方法通过基于在装料燃烧中释放的热和做的功的分析来分析经典放热测量来量化燃烧室内由于燃烧引起的能量变化速率。这种分析集中于热力学第一定律，其阐述在闭合系统中能量的净变化等于增加到系统的热和功的总和。应用于燃烧室，燃烧室内和封闭气体的能量增加等于传递给燃烧室的壁和气体的热加上燃烧所做的膨胀功。

使用这些经典放热测量来近似燃烧质量分数估计值的示例性方法分析了在燃烧过程中通过装料燃烧引起的放热速率。该放热速率dQ_ch/Dθ可以在曲轴角范围内积分，以描述以热的形式释放的净能量。通过本领域熟知的推导方法，该放热可以通过以下等式表示：

Q = &Integral; \frac{d Q_{ch}}{dθ} = &Integral; (\frac{γ}{γ - 1} p \frac{dV}{dθ} + \frac{1}{γ - 1} V \frac{dp}{dθ}) - - - (5)

γ包括比热的比，且根据在与用于计算信号偏差相对应的温度时和没有EGR的情况下空气的比热标称选择。因而，对于柴油发动机标称或初始γ＝1.365，对于常规汽油发动机标称γ＝1.30。然而，这些能够基于空气和当量产物的比热数据使用当量比φ的估计值和对于操作状况而言指定的EGR摩尔分数且使用关系[γ＝1+(R/c_v)](其中R是通用气体常数)以及空气和产物属性的加权平均值通过以下等式来进行调整：

c_v(T)＝(1.0-φ*EGR)*c_vair(T)+(φ*EGR)*c_vstoichprod(T) (6)

所述等式在与为了计算信号偏差而取样的压力相对应的气体温度下估计。

不管是通过前述方法还是通过本领域已知的一些其它方法计算，对于给定曲轴角而言在燃烧过程中释放的能量的计算可以与该燃烧过程的预期或理论总能量释放进行比较。这种比较产生了用于描述燃烧定相的燃烧质量分数的估计值。

上述方法容易缩减以编程到微控制器或者其它装置中，用于在内燃机进行操作期间执行，如下文所述。

一旦产生了具体燃烧过程的燃烧质量分数曲线，所述曲线可用于估计该具体燃烧过程的燃烧定相。再次参考图5，获得参考点，将不同燃烧过程的燃烧质量分数估计值与所述参考点进行比较。在该具体实施例中，选择CA50％，表示在燃烧50％的装料时的曲轴角。能够选择其它测量，只要对每一次比较使用相同的测量即可。

确定燃烧质量分数值是本领域熟知的实践。虽然示例性方法在上文描述用于确定燃烧质量分数，但是本文公开的使用燃烧质量分数值来诊断气缸燃烧问题的方法可以与确定燃烧质量分数的任何方法一起使用。可以使用产生燃烧质量分数的任何实践，且本发明并不打算限于本文所述的具体方法。

存在附加方法来分析气缸压力信号。已知用于处理复杂或带噪音信号并将所述信号缩减为有用信息的方法。一种所述方法包括通过快速傅立叶变换(FFT)进行的频谱分析。FFT将周期性或重复信号缩减为可用于将信号转化成其频谱的分量的谐波信号总和。一旦信号分量被识别，它们可以被分析且可以从该信号获取信息。

位于燃烧气缸中或者与燃烧气缸连通的压力传感器的压力读数含有与在燃烧室内发生的燃烧直接相关的信息。然而，发动机是非常复杂的机构，且除了P_CYL(θ)的测量值之外，这些压力读数能够包含来自于其它源的多个压力振动。快速傅立叶变换(FFT)是本领域熟知的数学方法。一种称为频谱分析的FFT方法分析复杂信号且将信号分成其分量部分，这些分量部分可以表示为谐波的总和。由f(θ)表示的压力传感器信号的频谱分析可以表示如下：

FFT(f(θ))＝A₀+(A₁ sin(ω₀θ+φ₁))+(A₂ sin(2ω₀θ+φ₂))+...+(A_Nsin(Nω₀θ+φ_N)) (7)

信号f(θ)的每个分量N表示燃烧室内压力的周期性输入，N中的每个增加增量，包括信号或较高频率。试验分析已经表明，由燃烧和在燃烧过程的各个阶段中移动的活塞引起的压力振动P_CYL(θ)往往是第一个最低频率的谐波。通过分离该第一谐波信号，能够测量和评估P_CYL(θ)。如本领域熟知的那样，FFT提供关于每个识别的谐波的振幅和相位的信息，作为在上述等式中的每个谐波中的φ项获得。因而，第一谐波角或φ₁是跟踪燃烧定相信息的最主要项。通过分析与P_CYL有关的FFT输出分量，该分量的定相信息能够被量化并与预期定相或其它气缸的定相进行比较。这种比较允许测量的定相值被评估且如果差大于阈值定相差，那么指示警报，从而指示该气缸的燃烧问题。

通过FFT分析的信息在输入信号处于稳态时被最有效地估计。变化的输入信号的瞬时影响可能在进行的估计中产生误差。虽然已知补偿瞬时输入信号的影响的方法，但是本文公开的方法最好在怠速或者稳态平均发动机速度状况下进行，其中排除了瞬时的影响。在可接受的稳态试验期间完成该试验的一种已知方法是获得样本并使用控制模块中的算法来验证或者取消在发动机操作的稳态期间获得的试验数据。

应当注意的是，虽然试验数据优选在怠速或稳态发动机操作时获得，但是从这些分析获得的信息能够由复杂编程的算法或发动机模型使用，以在发动机操作的各个范围内实现更准确的发动机控制。例如，如果在怠速时的试验和分析表明气缸编号4具有部分堵塞的喷射器，那么在不同操作范围内对该气缸的燃料喷射定时进行调整以补偿察觉到的问题。

一旦气缸压力信号已经通过FFT进行分析，来自于压力信号的信息能够以各种方式使用，以分析燃烧过程。例如，所分析的压力信号能够用于产生如上述方法讨论的分数压力比和用于描述燃烧质量分数百分比，以描述燃烧过程的进展。

一旦诸如压力读数的测量值是可用的，则能够计算与燃烧过程相关的其它描述性参数。能够使用通过使用本领域熟知的物理特性和关系来描述燃烧过程的具体特性的子模型，以将气缸压力和其它容易获得的发动机传感器项转换成描述燃烧过程的变量。例如，能够通过以下等式表示容积效率，即进入气缸的空气-燃料装料与气缸容量相比的比值：

η = f (RPM . P_{im} . {\overset{\cdot}{m}}_{a}) - - - (8)

RPM(或发动机速度)通过曲轴速度传感器容易测量，如上所述。P_im(或进气歧管压力)通常测量为与发动机控制相关且是容易获得的项。

(或流入气缸的装料的新鲜空气质量流量部分)也是在发动机的空气进气系统中通常测量的项，或者能够替代地从P_im、环境大气压力和空气进气系统的已知特性容易地推导出。能够从气缸压力和其它容易获得的传感器读数推导出的描述燃烧过程的另一变量是进入气缸的装料流量

能够由以下等式确定：

{\overset{\cdot}{m}}_{c} = \frac{P_{im} \cdot rpm \cdot D \cdot η}{2 {RT}_{im}} - - - (9)

D等于发动机排量。R是本领域熟知的气体常数。T_im是来自于进气歧管的温度读数。能够从气缸压力和其它容易获得的传感器读数推导出的描述燃烧过程的另一变量是EGR％(或，排气改向到排气再循环回路的百分比)。EGR％能够由以下等式确定：

EGR % = 1 - \frac{{\overset{\cdot}{m}}_{a}}{{\overset{\cdot}{m}}_{c}} - - - (10)

能够从气缸压力和其它容易获得的传感器读数推导出的描述燃烧过程的又一变量是CAx，其中x等于期望分数压力比。CAx能够由与上述等式(2)密切相关的以下等式确定：

Z = \frac{P_{CYL} (θ)}{P_{MOT} (θ)} - 1 - - - (11)

代入期望分数压力比作为Z并求解θ得到CAx。例如，CA50能够由以下等式确定：

\frac{P_{CYL} (θ)}{P_{MOT} (θ)} = 1.5 - - - (12)

燃烧室内的各种温度也能够从气缸压力和其它容易获得的传感器读数估计。图6示出了根据本发明的能够估计燃烧室内对于描述燃烧过程重要的多个不同温度。燃烧室内的平均温度T_a能够由以下等式确定：

T_{a} = \frac{P_{\max} \cdot V (PPL)}{1.05 * {\overset{\cdot}{m}}_{c} R} - - - (13)

P_max是在燃烧过程中燃烧室内实现的最大压力。PPL是发生P_max时的曲轴角的测量。V(PPL)是在点P_max发生时气缸的容积。燃烧室内装料未燃烧或未燃部分的平均温度T_u能够由以下等式确定：

T_{u} = \frac{1.05 * {\overset{\cdot}{m}}_{c}}{1.05 * {\overset{\cdot}{m}}_{c} - α \cdot {\overset{\cdot}{m}}_{f} λ_{S}} [0.05 β T_{ex} + 0.95 T_{im}] {(\frac{P_{\max} - ΔP}{P_{im}})}^{\frac{r - 1}{r}} - - - (14)

是燃料质量流量，且能够从已知燃料轨道压力与已知属性和燃料喷射器的操作结合或者从

和

确定。α和β是基于发动机速度和负荷的标定值，且可以通过试验、根据经验、通过预测、通过建模或者通过足以准确地预测发动机操作的其它技术来确定，且对每个气缸和不同的发动机设置、状况或操作范围，相同发动机可以使用多个标定曲线。λ_S是具体燃料的当量空气-燃料比且包括本领域熟知的值。T_ex是测量的排气温度。T_im和P_im是在进气歧管处获得的温度和压力读数。P_max-ΔP描述了刚好在燃烧启动之前燃烧室内的压力。γ是上述比热常数。燃烧室内装料燃烧或已燃部分的平均温度T_b能够由以下等式确定：

T_{b} = \frac{T_{a} - (1 - x_{b}) T_{u}}{x_{b}},

x_{b} = \frac{α \cdot {\overset{\cdot}{m}}_{f} (1 + λ_{S})}{1.05 {\overset{\cdot}{m}}_{c}} - - - (15)

注意到，上述方法通过忽略气缸壁的热损失而以本领域熟知的方法简化。补偿该简化的方法是本领域熟知的且在本文将不详细描述。通过使用前述关系和推导，气缸压力和其它容易获得的传感器读数能够用于确定描述被监测的燃烧过程的多个参数。

如上所述，气缸压力读数能够用于描述燃烧室内发生的燃烧的状态，以便用作估计NO_X生成的因素。也如上所述，多个其它因素对于准确地估计NO_X生成是重要的。图7是根据本发明描述在一组给定状况下多个输入对NO_X排放物的标准化影响的示例性建模结果的图表显示。如上所述，已知使用模型模块和NO_X估计模块而基于发动机的已知特性来模拟或估计NO_X生成的方法。在该具体示例性分析中，用于表征燃烧过程中NO_X生成的模型能够由以下等式表征：

NOx＝NNT(Pmax，CA50，CApmax，EGR％，AFR) (16)

如图7的图形结果所示，多个因素对具有NO_X生成不同的影响。在该组具体状况下，对所建模的发动机来说，EGR％对NO_X生成具有最大的影响。在这种情况下，通过本领域熟知的方法，将具体量的排气通过EGR回路再循环回到燃烧室中降低了燃烧过程的绝热火焰温度，从而降低了氮和氧分子在燃烧期间暴露的温度，藉此降低了NO_X生成速率。通过研究在各种发动机操作状况下的这些模型，神经网络能够设置有最有用的输入，以提供对NO_X生成的准确估计。此外，研究这些模型提供了对于选择输入数据有用的信息，以最初训练神经网络，改变输入并提供与传感器输入相对应的输出和最可能影响NO_X生成的描述性参数。

如上文所述，神经网络必须用与已知输出或结果相关的数据初始训练。图8以图表形式示出了根据本发明的用于初始训练神经网络连同在训练之后校验神经网络产生的估计结果的数据集。实线表示各个数据点，每个数据点具有表示不同发动机操作状况和对应的测量或模型产生的NO_X生成响应的不同传感器输入。一旦神经网络已经训练，可以初始试验以校验此时在没有已知结果的情况下再次输入的训练输入是否产生在可接受估计公差内的估计NO_X生成结果。神经网络可以通过提供附加数据集并将神经网络的结果与试验及测量结果或者模型产生的结果进行比较来进一步试验。图9-13以图表形式示出了根据本发明的对编程来估计NO_X生成估计值的神经网络的初始训练进行校验所产生的示例性训练/校验结果。图9示出了输入数据点，该输入数据点由检验模型提供并与用本领域已知方法采集的实际NO_X浓度测量值进行比较。在该具体示例性分析中，用于表征燃烧过程的NO_X生成的模型可以由以下等式表征。

NOx＝f(CA50，PPL，Pmax，AFR，EGR％) (17)

如上所述，这种模型是本领域已知的，但是包括抑制实时NO_X计算的缺陷。关于当前数据和结果，在1∶1的均等比的两侧上绘出了10％线，示出了当两个不同方法估计的结果相差10％以上时的指示。取决于具体应用和涉及的装置和系统的敏感性，可以采用不同的误差容限。在该示例性曲线中，在试验设置中通过已知手段收集的一组校验结果被示出为在实际NO_X浓度水平的合理误差水平内。

图10示出了由采用根据已知方法的模型的NO_X生成估计系统来提供的输入数据点和由采用根据本发明方法的已训练神经网络的系统来提供的相同输入数据点。在该具体示例性分析中，用于表征燃烧过程的NO_X生成的模型可以由以下等式表征。

NOx＝NNT(Tb，CA50，EGR％，AFR，railP) (18)

来自于1∶1的均等比的点距曲线的x和y轴的偏差示出了基于神经网络的方法和为校验该模型而测量的实际NO_X浓度水平之间的差异。关于当前数据和结果，在1∶1的均等比的两侧上绘出了10％线，示出了当两个不同方法估计的结果相差10％以上时的指示。在该示例性曲线中，为了对比，示出了两个数据集：第一，神经网络训练模型包括由图9所示的方法预先校验并用于训练所试验的神经网络的数据集；和第二，通过训练后的神经网络形成的一组校验结果。示出了训练模型和校验结果之间的强相关性，且示出了与实际NO_X浓度测量值相比，该具体神经网络得到的结果几乎全部在10％误差容限内。这种曲线能够用于校验训练后的神经网络和根据各种操作状况来确定与已知建模方法相比神经网络估计NO_X生成量有多好。

图11-13显示了通过操作附加模型的NO_X估计。图11用图形示出了由以下等式描述的训练神经网络的操作中的训练和校验数据集。

NOx＝NNT(railP，Ta，CA50，EGR％，phi) (19)

图12用图形示出了基于由以下等式描述的项的模型的校验。

NOx＝f(Ta，RPM，fuel，intO2，railP) (20)

其中，fuel描述燃烧的燃料的内能，intO2描述来自于位于进气歧管中的氧气传感器的读数或者进气歧管中的估计氧气浓度。图13用图形示出了基于由以下等式描述的项的模型的校验。

NOx＝f(Ta，RPM，fuel，intO2，SOI) (21)

其中，SOI描述燃烧室中使用的喷射开始曲轴角。虽然已经描述了可用于描述燃烧过程的项和得到的NO_X生成的示例性实施例，但是应当理解的是，可以想到大量的类似组合，且本发明不打算限于本文所述的具体实施例。

如上所述，本发明的方法使用的神经网络减少了在处理器上进行计算的计算负荷，因为神经网络使用的计算和算法基于数据模式而不是燃烧室内的实际建模状况(如已知的NO_X生成估计方法中的那样)。该基于数据的分析方法的附加效果在于，与数据中的趋势相比，神经网络较少地依赖于实际传感器输入。因而，从工厂设置漂移的老化或退化传感器将对神经网络均有较少的影响，与硬件编程到NO_X生成估计系统中的算法相比，神经网络对数据的变化具有更好的鲁棒性。

如结合已知NO_X估计装置(例如图3所述的装置)描述的那样，使用本文描述的方法的系统可以不需要实质上全部位于单个装置内或者在单个处理器中执行。由于包含现代计算和通信能力，整个系统不需要存在于单个车辆中，而可以存在于共用信息并从收集的大量数据进行学习的一组网络车辆中。替代地或者附加地，系统可包括监测数据模式并更新或者连续地改进中心位置的NO_X估计值的中心计算机。

通过上述方法，对于一组发动机传感器输入，能够产生NO_X生成估计值。本领域技术人员将理解，当发动机在稳态或者接近稳态操作时，发动机操作的等式和模型预测通常最有效地起作用。类似地，基于变化的或者瞬时发动机传感器输入来估计NO_X生成的神经网络没有用发动机稳态时产生的数据工作的神经网络那么准确。然而，能够进行关于瞬时或动态发动机操作对NO_X生成估计值或其准确性的影响的观察和预测。描述动态模型或动态滤波模块的示例性等式表示如下：

\frac{dNOx}{dt} = f (NOx, y, EGR %, AFR, Ta, RPM) - - - (22)

其中，同时的NO_X读数和来自于训练后的神经网络的输出y用于估计NO_X生成的变化。这种变化变量能够用于累加地估计NO_X生成或者能够用于检查或滤波NO_X生成估计值。图14示意性地示出了根据本发明的产生NO_X生成估计值、使用神经网络内的模型来产生NO_X生成估计值且包括动态模型模块以针对动态发动机和车辆状况的影响补偿NO_X生成估计值的示例性系统。NO_X生成估计系统400包括模型模块410、神经网络模块420和动态模型模块430。在动态或者变化状况下，在当前操作状况下最可能影响NO_X生成估计值的因素可以通过试验、根据经验、通过预测、通过建模或者通过足以准确地预测发动机操作的其它技术来确定。将关于这些因素的输入连同来自于神经网络模块420的输出一起提供给动态模型模块430，且来自于神经网络的原始输出能够基于动态模型模块430所确定的动态状况的影响来调整、滤波、取平均值、解除优先次序或者修改。由此，在估计NO_X生成时能够考虑动态发动机或车辆操作状况的影响。

可以在后处理系统内的各种诊断和预测功能中使用NO_X生成估计。例如，稀NO_X捕获器可以基于到达阈值水平的NO_X估计值来再生。NO_X生成估计的提高的准确性允许装置存储水平的更大确定性，从而允许较少频率的再生并导致改进的燃料效率。NO_X估计允许SCR中尿素喷射的更准确定量，从而减少了基于装置中NO_X水平的不确定性的过多的喷射和尿素存储箱的更频繁的清空。此外，利于后处理的燃料喷射、空气喷射、分流阀方案、以及发动机或混合控制方案均是受益于准确实时的NO_X生成估计的后处理方法。

本发明已经描述了某些优选实施例及其变型。本领域技术人员在阅读和理解说明书以后可以想到其它变型和变化。因而，本发明并不打算限于作为用于实施本发明的最佳模式公开的具体实施例，而本发明将包括落入所附权利要求范围内的所有实施例。

Claims

1.一种用于估计四冲程内燃机的燃烧过程中的NO_X生成的方法，所述内燃机包括由活塞限定的可变容积燃烧室、进气和排气通道、以及进气门和排气门，所述活塞在气缸中在上止点和下止点之间往复移动，所述进气门和排气门在所述活塞的反复的且按顺序的排气、进气、压缩和膨胀冲程期间被控制，所述方法包括：

监测发动机传感器输入；

基于所述发动机传感器输入来建模描述所述燃烧过程的参数；和

基于所述参数用人工神经网络来估计NO_X生成。

2.根据权利要求1所述的方法，还包括基于所述估计NO_X生成来控制后处理装置。

3.根据权利要求1所述的方法，其中，所述监测发动机传感器输入包括监测气缸压力。

4.根据权利要求3所述的方法，其中，所述建模描述所述燃烧过程的参数包括基于所监测的气缸压力来确定燃烧质量分数百分比。

5.根据权利要求3所述的方法，其中，所述建模描述所述燃烧过程的参数包括通过基于所监测的气缸压力计算给定曲轴角释放的总热量来确定燃烧质量分数百分比。

6.根据权利要求3所述的方法，其中，所述建模描述所述燃烧过程的参数包括通过包括快速傅立叶变换的频谱分析来分析所述监测的气缸压力。

7.根据权利要求1所述的方法，还包括基于动态发动机因素来修正所述估计NO_X生成的结果。

8.根据权利要求7所述的方法，其中，所述动态发动机因素包括将在瞬时发动机操作期间产生的有差别的NO_X估计值进行滤波。

9.根据权利要求7所述的方法，其中，所述动态发动机因素包括用于估计瞬时发动机操作的影响的NO_X生成速率估计值。

10.根据权利要求1所述的方法，其中，所述建模描述所述燃烧过程的参数包括监测以下参数：

在所述燃烧室内实现预定百分比的一部分压力升高时的曲轴角；

在所述燃烧室内实现的最大压力；

实现所述最大压力时的曲轴角；

空燃比；和

气缸进气中包括排气再循环流的百分比。

11.根据权利要求1所述的方法，其中，所述建模描述所述燃烧过程的参数包括监测以下参数：

所述气缸内的燃烧装料的估计温度；

进气中包括排气再循环流的百分比；

空燃比；和

燃料轨道压力。

12.根据权利要求1所述的方法，其中，所述建模描述所述燃烧过程的参数包括监测以下参数：

所述燃烧室内的估计平均温度；

进气中包括排气再循环流的百分比；

空燃比；和

燃料轨道压力。

13.根据权利要求1所述的方法，其中，所述建模描述所述燃烧过程的参数包括监测以下参数：

所述燃烧室内的估计平均温度；

发动机速度；

燃料内能；

氧气传感器测量值；和

燃料轨道压力。

14.根据权利要求1所述的方法，其中，所述建模描述所述燃烧过程的参数包括监测以下参数：

所述燃烧室内的估计平均温度；

发动机速度；

燃料内能；

氧气传感器测量值；和

开始燃料喷射的曲轴角。

15.一种用于估计四冲程内燃机的燃烧过程中的NO_X生成的设备，所述内燃机包括由活塞限定的可变容积燃烧室、进气和排气通道、以及进气门和排气门，所述活塞在气缸中在上止点和下止点之间往复移动，所述进气门和排气门在所述活塞的反复的且按顺序的排气、进气、压缩和膨胀冲程期间被控制，所述设备包括：

压力传感器，所述压力传感器产生描述所述燃烧室内的状况的压力传感器读数；

NO_X估计模块，所述NO_X估计模块包括以下逻辑操作：

监测所述压力传感器读数；

基于所述压力传感器读数来建模描述所述燃烧过程的参数；和

基于所述参数用人工神经网络来估计NO_X生成；和

后处理系统，所述后处理系统基于所述NO_X生成估计从所述发动机接收排气流并调节后处理。

16.根据权利要求15所述的设备，其中，所述逻辑操作还包括基于所述发动机的瞬时操作对NO_X估计进行动态发动机滤波调节。

17.根据权利要求15所述的设备，其中，所述后处理系统包括稀NO_X捕获器；且其中，所述调节后处理包括排定再生事件。

18.根据权利要求15所述的设备，其中，所述后处理系统包括选择性催化还原装置；且其中，所述调节后处理包括基于所述NO_X生成估计来计量尿素注入量。