CN104832304A - 非介入式排气传感器监测 - Google Patents

Abstract

本发明涉及非介入式排气传感器监测。提供了一种用于监测连接在发动机排气系统中的排气传感器的方法。在一个实施例中，所述方法包括基于在选择的工况期间收集的多组λ微分的极限值分布的形状，指示排气传感器劣化。以这种方式，排气传感器可以按照非介入方式被监测。

Description

非介入式排气传感器监测

技术领域

本发明涉及机动车辆中的排气传感器。

背景技术

排气传感器可以被置在车辆的排气系统中，以检测从车辆的内燃发动机排出的排气的空燃比。排气传感器的读数可以用于控制内燃发动机的运转从而推进车辆。

排气传感器的劣化可能引起发动机控制的劣化，而发动机控制的劣化可能导致增加的排放和/或降低的车辆驾驶性能。因此，排气传感器劣化的准确确定可以降低基于来自劣化排气传感器的读数的发动机控制的可能性。特别地，排气传感器可以显示6种离散类型的劣化行为。劣化行为的类型可以被分类为非对称型劣化或者对称型劣化，其中非对称型劣化(例如，富至稀非对称延迟，稀至富非对称延迟，富至稀非对称慢响应，稀至富非对称慢响应)仅影响稀至富或富至稀排气传感器响应速率，而对称型劣化(例如，对称延迟，对称慢响应)影响稀至富以及富至稀排气传感器响应速率两者。延迟类型劣化行为可以与排气传感器对排气成分变化的初始反应相关，而慢响应类型劣化行为可以与初始的排气传感器对富至稀或稀至富排气传感器输出的转变做出响应之后的持续时间相关。

早先的监测排气传感器劣化的方法，特别是确认6种劣化行为中的一个或多个行为的方法依赖于介入式数据收集。也就是说，发动机可以故意以一个或多个富至稀或稀至富转变运转，从而监测排气传感器响应。然而，这些冲程可能会被限制于特定工况，诸如在减速燃料切断状况期间，这些特定工况对于准确监测传感器来说发生得不够频繁。此外，这些冲程可能以非期望的空燃比增加发动机的运转，这导致了燃料消耗的增加和/或排放的增加。

发明内容

本发明人已经意识到了上述问题并且已经确认了一种非介入式方法，其降低用于确定排气传感器劣化的计算要求。在一个实施例中，方法包括基于在选择的工况期间收集的多组λ(lambda)微分的极限值分布的形状，指示排气传感器的劣化，所述形状基于连续缩窄该形状存于其内的值的范围的迭代(iterative)搜索而被确认。

以这种方式，排气传感器的劣化可以通过监测来自在稳态工况下的多组连续λ样本的极限值分布的特征而被指示。在一个示例中，该特征可以是在稳态工况期间收集的极限λ微分的广义极值(GEV)分布的形状，该形状经由黄金分割搜索迭代地确定。非对称延迟或非对称慢响应劣化可以按照这种方式以减少的计算资源来确定。

通过使用非介入方法利用在选择工况期间收集的数据来确定排气传感器的劣化，排气传感器的劣化监测可以以简单的方式来实现。此外，通过使用排气传感器的输出确定传感器显示的是7种劣化行为中的哪一种，闭环反馈控制可以通过以下步骤被提高，即通过响应于排气传感器的具体劣化行为的指示，调整(tailoring)发动机控制(例如，燃料喷射量和/或正时)，从而降低由于排气传感器的劣化带来的对于车辆驾驶性能和/或排放的影响。

当单独或结合附图时，上述优点和其他优点，以及本说明书的特征将通过下面的具体实施方式而变得显而易见。

应该理解的是提供上述发明内容以便以简化方式引入将进一步在具体实施方式部分中描述的一系列概念。其不旨在确认要求保护的主题的关键或必要的特征，其范围唯一地通过所附的权利要求来限定。此外，要求保护的主题不限于解决任何上述缺点或本发明任何部分中的缺点的实现方式。

附图说明

图1示出包含排气传感器的车辆推进系统的实施例的示意图。

图2示出指示排气传感器的对称迟滞或慢响应类型劣化行为的曲线图。

图3示出指示排气传感器的非对称富至稀迟滞或慢响应类型劣化行为的曲线图。

图4示出指示排气传感器的非对称稀至富迟滞或慢响应类型劣化行为的曲线图。

图5示出指示排气传感器的对称延迟类型劣化行为的曲线图。

图6示出指示排气传感器的非对称富至稀延迟类型劣化行为的曲线图。

图7示出指示排气传感器的非对称稀至富延迟类型劣化行为的曲线图。

图8和9示出根据本发明实施例图示说明用于确定排气传感器劣化行为的方法的流程图。

图10图示说明使用黄金分割搜索的方法。

图11示出了用于使用黄金分割搜索的方法。

图12示出了图示说明皮尔逊相关系数的曲线图。

图13示出了图示说明中央峰值与形状的图表。

图14示出第一测试的曲线图。

图15示出第二测试的曲线图。

具体实施方式

下列说明涉及用于确定排气传感器劣化的方法。更具体地，下述系统和方法可以被实施为基于确认与排气传感器劣化相关联的6种离散行为中的任意一个来确定排气传感器劣化。

图1是示出多汽缸发动机10中的一个汽缸的示意图，发动机可以被包含于车辆的推进系统中，其中排气传感器126可以用于确定由发动机10产生的排气的空燃比。该空燃比(与其他的运转参数一起)可以用于各种运转模式中的发动机10的反馈控制。发动机10可以至少部分地通过包含控制器12的控制系统以及通过来自车辆操作者132经由输入设备130的输入来控制。在这个示例中，输入设备130包括用于产生比例踏板位置信号PP的加速器踏板和踏板位置传感器134。发动机10的燃烧室(即汽缸)30可以包括燃烧室壁32，并且活塞36位于其中。活塞36可以连接于曲轴40，以便将活塞往复运动转换为曲轴的旋转运动。曲轴40可以经由中间传动系统连接至车辆的至少一个驱动轮。此外，起动机马达可以经由飞轮连接至曲轴40以使能发动机10的起动运转。

燃烧室30可以经由进气道42接收来自进气歧管44的进气，并且可以经由排气道48排出燃烧气体。进气歧管44和排气道48可以经由各自的进气门52和排气门54选择性地与燃烧室30连通。在一些实施例中，燃烧室30可以包含两个或多个进气门和/或两个或多个排气门。

在这个示例中，进气门52和排气门54可以通过凸轮驱动经由相应的凸轮驱动系统51和53来控制。凸轮驱动系统51和53可以分别包含一个或多个凸轮并且可以利用可被控制器12运转以改变气门运转的凸轮廓线变换系统(CPS)、可变凸轮正时(VCT)系统、可变气门正时(VVT)系统和/或可变气门升程(VVL)系统中的一个或多个。进气门52和排气门54的位置可以分别通过位置传感器55和57来确定。在替换的实施例中，进气门52和/或排气门54可以通过电动气门驱动来控制。例如，汽缸30可以可替换地包含经由电动气门驱动控制的进气门以及经由包含CPS和/或VCT系统的凸轮驱动控制的排气门。

燃料喷射器66被显示成按照提供被称为到燃烧室30上游的进气端口中的进气道燃料喷射的配置而被布置在进气道44中。燃料喷射器66可以与经由电动驱动器68从控制器12接收的信号FPW的脉冲宽度成比例地喷射燃料。燃料可以通过燃料系统(未示出)被输送到燃料喷射器66，所述燃料系统包含燃料箱、燃料泵和燃料导轨。在一些实施例中，燃烧汽缸30可以可替换地或另外地包含燃料喷射器，该燃料喷射器被直接连接至燃烧室30用于以被称为直接喷射的方式在其中直接喷射燃料。

在选择运转模式下，点火系统88可以响应于来自控制器12的提前点火信号SA，经由火花塞92为燃烧室30提供点火火花。即使显示了火花点火组件，但在一些实施例中，发动机10的燃烧室30或者一个或多个其他燃烧室也可以在具有或不具有点火火花的情况下运转在压缩点火模式。

排气传感器126被显示成连接到排放控制装置70上游的排气系统50的排气道48。传感器126可以是任何适当的传感器，以便提供排气空燃比的指示，诸如线性氧传感器或者通用或宽域排气氧传感器(UEGO)、双态氧传感器或EGO、HEGO(加热型EGO)、NO_X、HC或者CO传感器。在一些实施例中，排气传感器126可以是位于排气系统中的多个排气传感器中的第一个传感器。例如，额外的排气传感器可以位于排放控制装置70的下游。

排放控制装置70被显示成沿排气传感器126下游的排气道48布置。装置70可以是三元催化剂(TWC)、NO_X捕集器、各种其他的排放控制装置或其组合。在一些实施例中，排放控制装置70可以是位于排气系统中的多个排放控制装置中的第一个排放控制装置。在一些实施例中，在发动机10运转期间，排放控制装置70可以通过使发动机的至少一个汽缸运转在特定空燃比内而被周期性地重置。

控制器12在图1中被显示为微型计算机，包含微型处理器单元102、输入/输出端口104、在该特定示例中被显示为只读存储器芯片(ROM)106的用于可执行程序和校准值的电子存储介质、随机存取存储器(RAM)108、保活存储器(KAM)110以及数据总线。控制器12可以从被连接到发动机10的传感器接收各种信号，除了先前论述的那些信号外，还包含来自质量空气流量传感器120的进气质量空气流量(MAF)的测量值；来自连接到冷却套筒114的温度传感器112的发动机冷却剂温度(ECT)；来自连接到曲轴40的霍尔效应传感器118(或其他类型)的表面点火感测信号(PIP)；来自节气门位置传感器的节气门位置(TP)；以及来自传感器122的歧管绝对压力信号MAP。发动机转速信号RPM可以通过控制器12从信号PIP产生。来自歧管压力传感器的歧管压力信号MAP可以用于提供进气歧管中的真空或压力的指示。应注意的是可以使用上述传感器的各种组合，诸如在没有MAP传感器情况下的MAF传感器，或反之亦然。在化学计量运转期间，MAP传感器能够给出发动机扭矩的指示。此外，这种传感器连同检测的发动机转速一起可以提供吸入至汽缸内的充气(包含空气)的估计。在一个示例中，还可以用作发动机转速传感器的传感器118可以在曲轴每转中生成预定数量的等间隔脉冲。

此外，至少一些上述信号可以用于以下进一步详细描述的排气传感器劣化确定方法中。例如，发动机转速的倒数可以用于确定与喷射-进气-压缩-膨胀-排气循环相关联的延迟。作为另一示例，速度的倒数(或MAF信号的倒数)可以用于确定与排气从排气门54到排气传感器126的行进相关联的延迟。上述示例连同发动机传感器信号的其他使用一起可以用于确定命令的空燃比的变化与排气传感器响应速率之间的时间延迟。

在一些实施例中，排气传感器劣化的确定可以在专用控制器140中执行。专用控制器140可以包括处理资源142用于处理与排气传感器126的劣化确定的产生、校准以及验证相关联的信号处理。具体来说，用于记录排气传感器响应速率的样本缓冲器(例如，每秒每发动机组产生大约100个样本)对于车辆的动力传动系统控制模块(PCM)的处理资源来说是极大的。因此，专用控制器140可以可操作地与控制器12连接，以执行排气传感器的劣化确定。应注意的是专用控制器140可以接收来自控制器12的发动机参数信号并且可以将发动机控制信号和劣化确定信息连同其他通信信息一起发送至控制器12。

注意到，存储介质只读存储器106和/或处理资源142可以用计算机可读数据来编程，该计算机可读数据表示由处理器102和/或专用控制器140执行的指令，这些指令用于执行如下所述的方法以及其他变体。

如上所述，排气传感器的劣化可以基于在富至稀转变和/或稀至富转变期间由排气传感器生成的空燃比读数的响应速率中的延迟指示的6个离散行为中的任意一个确定或者在一些示例中由该6个离散行为中每个来确定。图2-7分别显示了指示排气传感器劣化行为的6个离散类型中的一个的曲线图。该曲线图绘出空燃比(λ)与时间(以秒为单位)的关系。在每个曲线图中，点线指示命令的λ信号，该λ信号可以被发送至发动机组件(例如，燃料喷射器、汽缸气门、节气门、火花塞等)以产生进行通过包含一个或多个稀至富转变和一个或多个富至稀转变的循环的空燃比。在每个曲线图中，虚线指示排气传感器的预期λ响应时间。在每个曲线图中，实线指示响应于命令的λ信号可能由劣化的排气传感器产生的劣化λ信号。在每个曲线图中，双箭头线指示给定的劣化行为类型与预期的λ信号的区别在何处。

图2显示了指示可由劣化排气传感器呈现的第一类劣化行为的曲线图。这种第一类劣化行为是对称慢响应类型，该对称慢响应类型包含对于富至稀和稀至富调制两者的命令λ信号的慢排气传感器响应。换句话说，劣化的λ信号可以在预期时间处起动从稀至富和富至稀转变，但响应速率可能低于预期的响应速率，这导致了稀和富峰值时间的减少。

图3显示了指示可由劣化排气传感器呈现的第二类劣化行为的曲线图。第二类劣化行为是非对称的富至稀慢响应类型，该非对称的富至稀慢响应类型包含对于从富至稀空燃比的转变的命令λ信号的慢排气传感器响应。这种行为类型可以在预期时间处起动从富至稀转变，但响应速率可能低于预期的响应速率，这可能导致稀峰值时间的减少。这类行为可以被认为是非对称的，因为排气传感器的响应在从富至稀转变期间是缓慢的(或低于预期)。

图4显示了指示可由劣化排气传感器呈现的第三类劣化行为的曲线图。第三类行为是非对称的稀至富慢响应类型，该非对称的稀至富慢响应类型包括对于从稀至富空燃比转变的命令λ信号的慢排气传感器响应。这种行为类型可以在预期时间处起动从稀至富转变，但响应速率可能低于预期的响应速率，这可能导致富峰值时间的减少。这类行为可以被认为是非对称的，因为排气传感器的响应在从稀至富转变期间是仅慢的(或低于预期)。

图5显示了指示可由劣化排气传感器呈现的第四类劣化行为的曲线图。这种第四类劣化行为是对称延迟类型，该对称延迟类型包括对于富至稀和稀至富调制两者的命令λ信号的延迟响应。换句话说，劣化的λ信号可以在比预期时间延迟的时间处起动从富至稀和稀至富转变，但各自的转变可能以预期的响应速率发生，这导致了移位的稀和富峰值时间。

图6显示了指示可由劣化排气传感器呈现的第五类劣化行为的曲线图。这种第五类劣化行为是非对称的富至稀延迟类型，该非对称的富至稀延迟类型包括对于富至稀空燃比的命令λ信号的延迟响应。换句话说，劣化的λ信号可以在比预期时间延迟的时间处起动富至稀的转变，但该转变可能以预期的响应速率发生，这导致了稀峰值时间的移位和/或减少。这类行为可被认为是非对称的，因为排气传感器的响应在从富至稀的转变期间仅比预期的起动时间延迟。

图7显示了指示可由劣化排气传感器呈现的第六类劣化行为的曲线图。这种第六类行为是非对称的稀至富延迟类型，该稀至富延迟类型包括对于来自稀至富空燃比的命令λ信号的延迟响应。换句话说，劣化的λ信号可以在比预期时间延迟的时间处起动稀至富的转变，但该转变可能以预期的响应速率发生，这导致了富峰值时间的移位和/或减少。这类行为可以被认为是非对称的，因为排气传感器的响应在从稀至富的转变期间仅比预期的起动时间延迟。

现在转到图8-9，根据本发明实施例描述了用于确定排气传感器劣化行为的示例性方法。图8包括用于监测连接在发动机排气系统中的排气传感器的方法800。方法800可以由车辆的控制系统(诸如，控制器12和/或专用控制器140)执行，从而监测诸如排气传感器126的传感器。图9包括方法900，该方法900可以作为图8的一部分被执行，用于基于多个数据组的极限值分布的特征确定传感器的劣化行为。将在下文更详细解释的这些特征被描绘在图12所示的示例性曲线图中。

具体参考图8，在802处，方法800包括确定发动机的运转参数。发动机的运转参数可以基于来自各种发动机传感器的反馈来确定，并且可以包括发动机转速、负载、空燃比、温度等。此外，可以在给定持续时间例如10秒期间确定发动机运转参数，以便确定某些发动机工况是否正在变化，或发动机是否运转在稳定工况下。因此，方法800包括，在804处，基于确定的发动机运转参数确定发动机是否运转在稳定工况下。稳定工况可以基于在给定持续时间期间变化小于阈值量的某些运转参数来确定。在一个示例中，如果发动机正以怠速运转或者如果发动机转速变化小于20％，发动机负载变化少于30％，以及发动机空燃比变化少于0.15，则可以指示稳态工况。在一些实施例中，稳态工况还可以包括发动机温度变化小于阈值量或发动机温度大于阈值量。这可以避免在传感器可能没有被加热并且因此没有产生准确的输出时在冷发动机运转期间监测传感器。

如果在804处确定了发动机没有运转在稳态工况下，方法800返回至802以继续确定发动机运转参数。如果确定了稳态工况，方法800前进至806，以基于来自被监测的排气传感器(例如，传感器126)的读数计算空燃比或λ即给定持续时间内的微分。λ可以针对给定持续时间内的给定数量的样本来确定，例如可以以每96毫秒1个样本的速率持续60秒收集样本。对于每个样本，确定的λ与之前的λ之间的差值可以被计算并且被存储在控制器的存储器中。

基于统计的方法已经被呈现，从而基于来自传感器的测量的空燃比非介入地诊断UEGO传感器的运转。

在出现6个可能的故障中的一个的情况下，传感器响应可能是以下任何一个：

1.对称的(在对称延迟的情况下，对称过滤器或无故障)

2.非对称延迟(稀至富延迟或富至稀延迟)

3.非对称迟滞(稀至富过滤器或富至稀过滤器)

对称延迟(SYMD)、对称过滤器(SYMF)、富至稀过滤器(R2LF)、稀至富过滤器(L2RF)、富至稀延迟(R2LD)和稀至富延迟(L2RD)。

通过观察来自传感器的微分数据的样本的分布函数，其中总体数据(population data)被定义为：

X_p＝Δλ(k)|_2＜k＜n

＝[λ(2)-^λ(1)···λ(n)-λ(n-1)]

λ微分可以以非正态分布绘制，并且之后在808处确定分布的特征。

在一个实施例中，基于极限值确定分布曲线可以包括广义极值(GEV)分布：

其中k是形状，σ是比例，μ是分布曲线的位置。

分布的特征可以包括分布的中央峰值和众数(mode)的大小(magnitude)。该众数是在分布中出现频率最多的那个值，并且该中央峰值是具有那个值的数据样本的百分比。在GEV分布中，众数可以通过以下等式确定：

$\mathrm{Mode}\left[x\right]=\mathrm{\μ}+\frac{\mathrm{\σ}}{k}[{(1+k)}^{-k}-1]$

这样，众数可以是形状(K)，位置(μ)以及GEV函数的标准差(σ)的函数。

然而，用于估计众数的方法可以要求包含存储器和处理器两者的大量资源。例如，用于估计分布函数形状以便计算众数的多级处理器可能会成问题。对于形状的估计步骤可以基于非线性优化并且仅在数百次迭代后往往收敛。非减少步骤方法的一个示例采用两步过程以估计参数。第一步是使用关于参数K(形状)的概率-概率图的线性化的一维搜索。第二步是多维搜索以便最大化关于数据和GEV分布函数(先前通过对于给定k，σ和μ的f(x)定义)之间的k，log(σ)以及μ的对数似然。计算对于给定的数据样本的这些参数可能导致相当大的计算资源，这对于实时运行的车载应用来说是难以实现的。

在本申请中，简化的减少步骤的方法可以被用于基于哪一个空燃比传感器劣化的监测-分离可以由控制系统执行而估计形状(k)，并且该形状被用作众数的替换。当描述减少步骤的方法时，如果需要可以加入额外的步骤。如下所述的方法可以以较少的迭代收敛，从而降低控制系统的处理要求。此外，当快速估计在发动机控制系统中实现以在发动机运转期间实时执行时，快速的估计可以提高诊断的精确度和有效性。

减少步骤的方法基于发动机排气系统运转期间空燃比传感器(诸如，UEGO传感器)的特定运转。具体来说，发明人发现可以使用分布函数形状的估计而不是分布众数的估计来决定分布类型。然后可以通过这个参数来进行故障的检测-分离，这提供了UEGO传感器监测系统的特定示例中的降低的计算处理。

进一步，可以通过在最优值(最优形状)存在且为唯一的值的范围内的黄金分割搜索，以降低的计算要求执行参数K(形状)的估计。黄金分割搜索是用于通过连续缩窄已知存在极限的数值的范围而找到严格单峰函数的极值(最小值或最大值)的技术。

与上述两步法相比，提出的方法展现了引人注目的收敛性质、快速估计过程和较佳精确度。这个方法的优势在于：在发动机运行期间实时在线数据处理和诊断在发动机控制系统控制器中实现的可行性。

在一个示例中，黄金分割搜索操作在形状参数(K)预先指定的间隔内。该处理使收集数据(空燃比微分)的概率密度函数和辅助变量Z的概率之间的概率-概率图似然(Probability-Probability plot likelihood)最大化，该辅助变量Z被产生为：

Z＝GEV^-1(Y，k，σ＝1，μ＝0）

其中K将通过迭代过程估计并且人工数据(Y)是有序统计数据，其被产生为：

$Y=\frac{[\frac{1}{2}\frac{3}{2}\·\·\·(n-1)-\frac{1}{2}]}{(n-1)}$

在此，n是X_p的长度，其中X_p是预分类微分的矢量，其被定义为

X_p＝Δλ(k)_|2＜k＜n

＝[λ(2)-λ(1)···λ(n)-λ(n-1)]

其中(X)随后通过以上升顺序排序X_p而获得。

皮尔森相关系数被用于测量(X)的PDF和(Z)的PDF之间的相似性并且其被定义为：

${\mathrm{\ρ}}_{X,Z}=\mathrm{corr}(X,Z)=\frac{E\left[(X-E[X\left]\right)(Z-E[Z\left]\right)\right]}{{\mathrm{\σ}}_X{\mathrm{\σ}}_Z}$

用于优化的目标函数是凸的，这意味着该解存在并且在可能的K值范围内是唯一的。该算法可以以给定的极限之间形状的宽间隔开始搜索K。例如，可以使用-1和1的间隔。

具体来说，图10示出了使用黄金分割搜索的方法，以及图11中相应的方法1000。黄金分割搜索通过连续地缩窄其中最优解存在且唯一的值的范围，找到目标函数的最优解。

图11中的方法1000使用上述等式估计形状K。

在1002处，方法产生人工的标准概率数据Y。该方法随后前进至1004，从而产生Z。

在1006处，方法缓冲存储器内的数据并且计算Δλ(K)。该方法随后前进至1008，并且以上升顺序排序在1006处计算的数据。

在1010处，方法输入来自1004和1006的数据并且计算相关系数。

在1012处，方法可以确定是否达到了最大相关。如果没有，则方法可以前进至1014，并且在于1004处重返方法之前更新K的值以产生Z。方法使用如图10所示的黄金分割搜索来更新K值。

在1012处，如果答案为是，则方法可以前进至1014并且保持K作为形状估计，然后结束。该形状估计随后传到其他的方法以确认空燃比传感器的各种劣化类型中的一个或多个。

继续参考图8，如上所述，在810处，传感器劣化行为可以基于分布的特征来确定(见图9)。例如，将如下详细讨论的，中央峰值的大小(其指示极限λ微分的变化程度)可以指示非对称延迟劣化行为是否出现，因为具有非对称延迟类型劣化的传感器与不具有非对称延迟的传感器相比可以呈现更少的变化。此外，分布的形状可以作为形状大小的替换(其指示传感器输出是否偏置富或稀)以便指示非对称响应劣化行为是否出现。通过确定中央峰值和形状的大小，以及确定如下详述的其他的传感器参数，传感器可以被分类到6个离散的劣化行为的一个或多个中，或可以被分类为无劣化。基于分布的特征确定传感器劣化行为将参照图9被更详细地描述。

以这种方式，经由控制器基于劣化类型来确定并且随后指示至少下列不同形状中的每个：

1.高中央峰值

2.非对称分布-低中央峰值

3.对称分布-低中央峰值

具体来说，对于是否存在劣化以及进一步的类型(SYMD、SYMF、R2LF、L2RF、R2LD或L2RD)的判断可以基于分布函数的两个特征参数：如本文所述的中央峰值(CP)的大小和形状(K)。

返回到方法800，在812处，方法包括确定是否指示传感器劣化。如果没有指示传感器劣化(例如，分布的特征指示没有呈现劣化行为)，方法800返回以继续监测传感器。如果指示劣化，方法800前进至814以确定传感器劣化行为是否超过最大值。如上所述，传感器劣化可以基于λ微分的极限值分布的特征而被指示。指示劣化的该特征(例如，中央峰值或形状)可以被分析以确定劣化的程度。例如，中央峰值的大小在给定的第一阈值以上可以指示非对称延迟劣化行为。如果大小大于第一阈值足够量，例如，如果比第一阈值大20％或更多，劣化行为可能超过最大极限。如果劣化行为超过最大值，这可以指示传感器被破坏或者否则不起作用，并且因此方法800前进至816以通知车辆操作者传感器劣化，例如通过激活故障指示灯。如果劣化行为不超过最大值，这可以指示传感器仍然起作用。然而，为了确保足够的发动机控制从而将发动机排放和燃料经济性维持在期望水平，如果需要，一个或多个发动机的运转参数可以在818处被调节。这可以包括调节燃料喷射量和/或正时，并且可以包括调节控制程序，其基于来自劣化传感器的反馈以弥补确认的劣化。

如上所述，方法800以及如下参考图9所述的方法900基于发动机运转期间收集的计算的λ微分的极限值分布的特征，指示传感器劣化。

现在转向图9，描述了用于基于极限值分布的特征确定传感器劣化行为的方法900。方法900可以作为方法800的一部分被执行，例如方法800中的810。方法900包括，在902处，确定分布的中央峰值是否小于第一阈值。参考图8如上所述，中央峰值是具有最大共同值的数据样本的百分比。因为分布基于λ微分，所以当排气传感器正常工作时，在分布中期望有相对较高的变化量。因此，导致高中央峰值的变化的缺乏指示了传感器的劣化。具体来说，高中央峰值指示非对称延迟行为，其中从空燃比的命令变化何时被接收到变化何时实际出现的时间延迟大于预期。因为延迟是非对称的，那么或者在富运转时花费更多时间或者在稀运转时花费更多时间。无论在哪种情况中，都将呈现较少的总体变化。第一阈值可以按照合适的方式确定。在一个实施例中，对于新的非劣化的传感器，极限值的分布可以被离线确定，并且第一阈值可以是非劣化的传感器的分布的中央峰值。进一步地，第一阈值可以被调节，或者增加或者降低劣化检测的敏感性。图12图示说明了示例性的第一阈值T1。

如果中央峰值不小于第一阈值，则指示非对称延迟传感器劣化行为。方法900前进至904以确定在怠速下的期望的λ是否大于确定的λ，以便确定出现哪一个非对称劣化行为。如果中央峰值大于第一阈值，则控制器可以确定当λ处于怠速时给定持续时间内的平均λ。如果确定的平均λ值小于期望的或命令的平均λ值，则其指示了在富运转中花费比命令情况下的时间更多的时间，并且因此方法900包括在906处指示富至稀延迟传感器劣化行为。如果确定的平均λ值大于期望值，则其指示在稀运转中花费更多时间，并且方法900包括在908指示了稀至富延迟传感器劣化行为。

返回至902，如果中央峰值小于第一阈值，方法900前进至910以确定分布的形状是否小于第二阈值。对称传感器是不显示任何非对称传感器劣化的传感器，它通常具有由第二和第三阈值限制的特定对称范围内的形状。该第二和第三阈值可以按照与第一中央峰值阈值类似的方式来确定。

如果形状小于或大于对称范围，则指示非对称响应型劣化行为。如果形状小于对称范围，即如果形状小于第二阈值，则方法900前进至912以指示富至稀迟滞响应劣化。在这种情况下，传感器响应于命令的富至稀变化经历延迟，并且因此在命令的稀λ处花费比命令的富λ处更少的时间。因此，大量的λ微分将以具有正(稀)幅度的值出现。

如果形状不小于第二阈值，方法900前进至914以确定形状是否大于第三阈值。如果是，该形状因而小于对称范围，并且因此方法900包括在916处指示稀至富迟滞响应劣化。如果该形状不大于第三阈值，则该形状位于对称范围内。基于分布的特征，对称延迟和响应劣化以及无劣化不能彼此区分。

为了确定传感器正在显示哪一个对称状态，方法900包括在918处确定传感器时间延迟是否大于额定(nominal)时间延迟。传感器额定时间延迟是响应于命令的空燃比变化的传感器中的预期延迟，该延迟基于从燃料何时被喷射、被燃烧以及排气何时从燃烧室行进至排气传感器的延迟。确定的时间延迟可以是传感器何时实际输出指示变化的空燃比的信号。如果时间延迟大于额定时间延迟，方法900前进至920以指示对称延迟。

如果时间延迟不大于额定时间延迟，方法900前进至922以确定传感器的时间常数是否大于额定时间常数。额定时间常数可以是指示传感器如何快速响应λ的命令的变化的时间常数，并且可以基于非劣化传感器的工作而被离线确定。如果确定的时间常数大于额定时间常数，则它指示慢响应速率，并且因此在924处，如果时间常数大于额定时间常数，则指示对称响应劣化行为。

如果时间常数不大于额定时间常数，方法900包括在926处指示无劣化。由于指示传感器对称行为的分布的特征，以及传感器时间常数和延迟类似于额定时间常数和延迟，因此无劣化被指示。一旦指示传感器行为，无论是6个离散劣化行为中的一个还是无劣化行为，方法900退出。

因此，参考图8和图9描述的方法提供了监测排气传感器，以便确定传感器劣化行为。如果确定传感器劣化，劣化的严重性可以被评估。如果劣化是严重的，可以将传感器的替换/修复指示给车辆的操作者。如果劣化是不太严重，则当前的传感器可以继续运转。然而，包含传感器的控制程序可以基于劣化被调整。例如，用于空燃比的反馈控制中的传感器的时间常数和/或延迟常数可以被调节。进一步地，随着燃料喷射正时和喷射量基于来自下游排气传感器的反馈而被确定，喷射的燃料的量和/或正时可以被调节以维持期望范围内的发动机控制和车辆排放。

进一步的，图8和图9的方法通过在稳态工况期间收集数据，而非介入式地监测排气传感器。然而，在一些实施例中，当执行该方法时，发动机可以被有目的地命令以富或稀运转。这类运转可以用于基于如所述的分布的特征来验证传感器劣化的确定。

现在转向图12，针对皮尔森相关系数的示例性图表被显示为针对不同故障类型的形状的函数。故障的大小为500毫秒。该图示出了稀至富过滤器(L2RF)、富至稀过滤器(R2LF)、对称延迟(SYMD)、对称过滤器(SYMF)以及无故障(NOF)。这个示例中的数据从式样V-6发动机收集。该图显示了作为具有相同故障大小的各种故障类型的形状参数K的函数而变化的相关系数。从这个示例中，对称运转(NOF、SYMF、SYMD)具有相仿的大小的形状，而R2LF运转系数相对较小，并且L2RF系数相对较大。阈值选择的示例显示在图14(beta_1)和(beta_2)，其说明了故障类型之间的间隔的阈值并且允许将非对称过滤器故障与对称运转模式隔离。

现在转向图13，显示了针对各种故障、各种大小以及路况计算的中央峰值与形状的示例。此处显示的示例性数据使用V8-5L发动机收集。缩写与图13中所使用的相同。此外，该图说明了稀至富延迟(L2RD)和富至稀延迟(R2LD)。决定阈值阿尔法α、贝塔1即β₁和贝塔2即β₂用虚线显示。SYMD、NOF以及SYMF落入由x轴、β₁、β₂和α圈定的一部分图中。R2LF落入由x轴、α、β₁和y轴圈定的一部分图中。L2RF落入由x轴、α、β₂和y轴圈定的一部分图中。L2RD和R2LD两者出现在α线上方，其中R2LD显示了最高幅度的中央峰值。

图14和15显示了使用提出的形状估计过程获得的诊断结果的示例。

图14显示第一测试，其为对称过滤器(迟滞)故障。决定阈值被选择为α＝10，β₁＝-0.1以及β₂＝-0.5。该图表显示了针对安全囊(Bags)4、5和高速路，以及热起动的诊断结果。故障的大小是1200毫秒。图中的顶部线所示的是车辆速度，随后是统计中央峰值，接着是统计形状，DFSO以及SYS ID。决定阈值被显示为点线并且被相应地标注。中央峰值为低，说明不存在非对称延迟。估计的形状指示对称运转，形状落在β₁和β₂之间。

图15显示了第二测试，其为R2LF故障。决定阈值被选为α＝10，β1＝-0.55，以及β2＝-0.1。该图表显示安全囊1，2和CD533，以及冷起动的诊断结果。故障的大小是900毫秒。图中顶部线所示的是车辆速度，随后是统计中央峰值，接着是统计形状，DFSO，SYS ID。决定阈值被显示为点线并且被相应地标注。中央峰值为低，说明了不存在非对称延迟。估计的形状指示R2LF故障运转的存在，该形状小于β₁。

将会意识到的是，本文公开的配置和方法在本质上是示例性的，并且由于许多变化是可能的，所以这些具体实施例不被认为有限制意义。例如，以上技术能够被应用到V-6、L-4、L-6、V-12、对置4缸以及其他的发动机类型中。本公开的主题包含各种系统和配置以及本文公开的其他特征、功能和/或属性的所有新颖和非显而易见的组合和子组合。

所附权利要求特别指出被认为是新颖的并且非显而易见的某些组合和子组合。这些权利要求可能涉及“一个”元件或“第一”元件或其等价物。这些权利要求应该被理解为包含一个或多个这些元件的合并，既不要求也不排除两个或多个这种元件。通过修改本权利要求或者通过在本申请或相关申请中提出新的权利要求，所公开特征、功能、元件和/或属性的其他组合和子组合可以得以保护。这些权利要求，无论比原始权利要求的范围更宽、更窄、等同或不同，也都被认为包含在本公开的主题内。

Claims (19)

1.一种监测连接在发动机排气系统中的排气传感器的方法，其包括：

基于在选择工况期间收集的多组λ微分的极限值分布的形状，指示排气传感器的劣化，所述形状基于连续缩窄所述形状存在于其中的值的范围的迭代搜索而被确认。

2.根据权利要求1所述的方法，其中所述分布是广义极值分布即GEV分布，并且其中所述劣化进一步基于所述GEV分布的中央峰值。

3.根据权利要求2所述的方法，其中如果所述中央峰值的大小大于阈值，则指示非对称延迟传感器劣化。

4.根据权利要求3所述的方法，其中如果预期的平均空燃比大于处于怠速的确定的平均空燃比，则指示富至稀延迟传感器劣化，并且如果所述预期的平均空燃比小于处于怠速的所述确定的平均空燃比，则指示稀至富延迟传感器劣化。

5.根据权利要求3所述的方法，其中如果所述中央峰值的大小小于所述阈值并且所述形状在对称范围之外，则指示非对称响应传感器劣化。

6.根据权利要求5所述的方法，其中如果所述形状小于对称范围，则指示富至稀响应传感器劣化，并且如果所述形状大于所述对称范围，则指示稀至富响应传感器劣化。

7.根据权利要求5所述的方法，其中如果所述形状位于所述对称范围内，则指示无劣化或对称传感器劣化。

8.根据权利要求7所述的方法，其进一步包括如果确定的时间延迟大于额定时间延迟，则指示对称延迟传感器劣化，并且如果确定的时间常数大于额定时间常数，则指示对称慢响应传感器劣化。

9.根据权利要求1所述的方法，其中选择的工况进一步包括稳态工况。

10.根据权利要求1所述的方法，其进一步包括基于指示的劣化调节燃料喷射量和/或正时，其中所述形状基于以上升或下降顺序排序的数据的黄金分割搜索。

11.一种车辆的系统，其包括：

发动机，其包含燃料喷射系统；

排气传感器，其连接在所述发动机的排气系统中；以及

控制器，其包含指令，该指令可被执行以便：

基于在稳定的发动机运转期间收集的多组λ微分的极限值的迭代确认的形状分布，指示排气传感器的劣化；和

基于所述指示的传感器劣化调节燃料喷射的量和/或正时。

12.根据权利要求11所述的系统，其中所述指令是进一步可执行的，以便在指示的传感器劣化超过阈值时，通知所述车辆的操作者。

13.根据权利要求11所述的系统，其中形状从黄金分割搜索确定。

14.一种监测连接在发动机排气系统中的氧传感器的方法，其包括：

如果多组λ微分的极限值分布的形状超过第一阈值，则指示非对称延迟传感器劣化；以及

如果所述形状低于所述第一阈值并且所述分布的第二特征在第二阈值范围之外，则指示非对称慢响应传感器劣化，所述形状基于连续地缩窄所述形状位于其中的值的范围。

15.根据权利要求14所述的方法，其中所述指示进一步基于所述分布的中央峰值的大小。

16.根据权利要求15所述的方法，其中所述形状基于黄金分割搜索。

17.根据权利要求16所述的方法，其中较大形状值指示稀至富传感器非对称劣化，并且较小形状值指示富至稀非对称劣化。

18.根据权利要求14所述的方法，其进一步包括基于指示的传感器劣化调节燃料喷射量。

19.根据权利要求14所述的方法，其中在稳态工况期间收集所述λ微分。