CN105934576A - 用于内燃机的基于模型的气缸充气检测 - Google Patents

用于内燃机的基于模型的气缸充气检测 Download PDF

Info

Publication number
CN105934576A
CN105934576A CN201580004819.8A CN201580004819A CN105934576A CN 105934576 A CN105934576 A CN 105934576A CN 201580004819 A CN201580004819 A CN 201580004819A CN 105934576 A CN105934576 A CN 105934576A
Authority
CN
China
Prior art keywords
value
pressure
internal combustion
combustion engine
neutral net
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580004819.8A
Other languages
English (en)
Other versions
CN105934576B (zh
Inventor
安德烈亚斯·格特
缅诺·梅尔茨
努里·卡拉斯兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FEV Europe GmbH
Hyundai Kefico Corp
Hyundai Autoever Corp
Kia Corp
Original Assignee
Kia Motors Corp
Hyundai Autron Co Ltd
Kefico Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kia Motors Corp, Hyundai Autron Co Ltd, Kefico Corp filed Critical Kia Motors Corp
Publication of CN105934576A publication Critical patent/CN105934576A/zh
Application granted granted Critical
Publication of CN105934576B publication Critical patent/CN105934576B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0207—Variable control of intake and exhaust valves changing valve lift or valve lift and timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0002—Controlling intake air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/18—Circuit arrangements for generating control signals by measuring intake air flow
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0002—Controlling intake air
    • F02D2041/001—Controlling intake air for engines with variable valve actuation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0406—Intake manifold pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0411—Volumetric efficiency
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明涉及一种用于对内燃机的燃烧室中的气缸充气进行基于模型的确定的方法，其中，内燃机具有在基于模型的确定中考虑的可变阀升程，其中，对燃烧室的气缸充气的建模由至少一个神经网络(12)来执行，其中，至少三个输入值被输入到神经网络中。根据本发明，在至少一个神经网络(12)中，压力商(c)被用作所述至少三个输入值中的一个输入值，其中，压力商(c)将是至少间接地根据工作压力(a)和由内燃机抽取的空气的压力(b)来确定的。

Description

用于内燃机的基于模型的气缸充气检测
相关申请的交叉引用
本发明要求于2014年1月17日提交的德国专利申请10 2014 000 397.3的优先权，该德国专利申请的公开内容通过引用合并到本文中。
本发明涉及用于对内燃机的燃烧室的气缸充气进行基于模型的确定的方法、内燃机以及计算机程序产品。
根据现有技术，已知用于对内燃机的气缸充气进行建模的大量模型。要建模的内燃机通常包括完全可变阀升程，并且在考虑到抽气管压力的情况下通过基于模型的方法来执行该建模，其中，在现有技术中，基于抽气管压力对气缸充气的线性近似是非常不准确的，特别是在具有高的内部或外部废弃再循环的增压式发动机和抽气式发动机(suctionengine)的情况下。已知的是根据直线m*x+b的线性建模，其中，x表示抽气管压力。然而，在大的阀重叠的情况下，该方法太不准确。
EP-A-1 431 548描述了用于设置真空和阀升程以控制内部废气再循环(EGR)的设备，其中，在冷发动机与热发动机之间做出区分以控制内部EGR。
WO-A-2006/024397描述了用于对在抽气阶段期间流入内燃机的气缸燃烧室中的空气质量(air mass)进行基于模型的确定的方法。借助于各种负载部模型来确定在抽气阶段期间流入气缸燃烧室中的新鲜空气质量，其中，至少经由具有纯线性功能的第一负载部分模型来确定第一新鲜空气部分，并且经由具有非线性功能的第二负载部分模型来确定第二新鲜空气部分。
EP-A-1 234 958描述了用于根据工作状态和特性图的相应电流范围来控制对连续可变阀升程(CVVL)发动机中的进气阶段变换器的调整的方法。
DE-C-102 24 213描述了用于内燃机的充气控制的方法。在该方法中，在对于充气控制的相互协调中可以使用两个致动器，这两个致动器在抽气管中布置在彼此后面，并且每个致动器控制通过抽气管道的空气体积流量。使用测量结果和模型值来执行对模型的调整，其中，借助于相对于所调整的模型反转的模型来确定两个致动器的期望位置。所述模型包括两个部分模型，提供了第一部分模型和第二部分模型，在所述第一部分模型中，根据抽气管压力的测量值和第一致动器的实际位置来计算空气体积流量的模型值，在所述第二部分模型中，根据空气体积流量的测量值和第二致动器的实际位置来计算抽气管压力的模型值。在计算第二部分模型之前，将对第一部分模型进行调整，其中，确定将在第二部分模型中考虑的调整参数。
DE-A-102 27 466描述了用于确定内燃机的气缸充气的方法和设备。借助于第一空气体积模型，计算由气缸抽入的空气质量。该第一空气质量模型可以排它性地基于空气质量致动器的传感器模型，诸如，例如空气质量致动器的位置以及相应地可变阀升程，或者可以另外地考虑抽气管中的测量压力。将经由第二空气质量模型来调整第一空气质量模型。在第二模型中计算的空气质量基于废气的混合成分，该混合成分是基于lambda值和所提供的燃料质量来确定的。以此方式，认为对发动机个体容限进行了补偿。
DE-A-101 13 538描述了包括具有用于控制内燃机的神经元调适(neuronaladaption)的实时控制器的控制设备和控制方法。在所述控制设备和相应方法中，执行对非线性变化的在线调适。借助于神经元校正设备来执行在线调适。适用于神经元校正设备的网络类型是LOLIMOT网络。
DE-A-199 14 910描述了用于对车辆中的全过程进行建模的混合模型，该混合模型由相应的一个物理部分模型和神经元部分模型组成。全过程(例如，对气缸的填充)将被分成通过各种部分模型描述、然后被合并到总体模型中的部分过程。在具有可变阀升程的内燃机中，将经由物理模型来确定基本充气。然而，应当经由神经网络来描述凸轮轴移位(即，凸轮轴相对于曲轴的旋转偏移)的影响。认为DE-A-199 14 910的优点是，通过使用具有物理过程描述的基本模型，可以对神经元部分模型中的一部分进行限制。以此方式，应当保证的是，总体模型不会指示不合理的指数行为。
EP-B-0 877 309描述了基于利用经由模拟模型生成的数据所训练的神经网络的虚拟车辆传感器。在对网络进行训练期间，将确定各种连接以及附属的权重。借助于布置在神经网络的下游的多项式模型，可以生成传感器输出。然而，根据描述，神经元回归模型的类型不限于使用多项式。由于对多项式的插值将受到大的误差的影响的趋势，优选的是选择非多项式函数。
DE-A-197 06 750描述了用于内燃机中的混合控制的方法以及用于执行所述方法的设备。该方法包括学习过程，在该学习过程中将包括静态工作状态和动态工作状态二者。以此方式，描述了以下可训练混合控制：该可训练混合控制将实际上现有的混合率与期望值进行比较，并且在上述二者存在偏差的情况下，将对存储的控制信息进行调适，以便在以后通过相同或相似的工作点时将获得减小的偏差。因此，神经网络是在线训练的。
DE-C-44 21 950描述了用于内燃机和电机的诊断和控制的设备。还描述了神经网络的使用，该神经网络将使用传感器的测量数据来驱动用于控制电机的控制系统。
DE-C-195 47 496描述了用于控制内燃机的方法。具体地，提出了用于确定空气质量流量的方法，该空气质量流量由内燃机的气缸抽取并且用作由包括非线性类型的干扰值监视单元的控制设备对燃料进行计量的基础。该监视方法的目的在于，通过借助于人工智能方法来学习发动机的体积效率，从而估计进入气缸的空气质量流量。为此，可以使用例如初始地具有将影响体积效率的大量值的神经网络。在这些值当中有抽气管压力、旋转速度，还可能有阀控制次数或其他参数。
本发明的目的在于，与根据现有技术已知的各种方法相比，实现内燃机在各种应用中的更佳效率。
以上目的通过以下来实现：包括如在权利要求1中限定的特征的方法、如在权利要求13中限定的计算机程序产品、如在权利要求14中限定的内燃机以及如在权利要求15中限定的用途。在相应从属权利要求中指出了有利实施例和变型例。在权利要求、附图和描述中指出的相应特征可以以一般或特殊的方式与其他特征结合以实现变型。具体地，所指出的具有其相应特征的示例不应当被解释为限制意义。而是，在示例中指出的特征还可以与从其他示例得到的或从一般描述得到的其他特征结合。
根据本发明，提出了一种用于对内燃机的燃烧室内的气缸充气进行基于模型的确定的方法，其中，内燃机具有在基于模型的确定中考虑的可变阀升程，其中，对燃烧室的气缸充气的建模通过至少一个神经网络来执行，至少三个输入值将被输入到该至少一个神经网络中。本发明提出了，在至少一个神经网络中，压力商被用作所述至少三个输入值中的一个输入值，其中，压力商是至少间接地根据工作压力和由内燃机抽取的空气的压力来确定的。例如，工作压力在抽气式发动机的情况下可以为周围压力，或者在增压式发动机(诸如，例如涡轮发动机)的情况下为在节流阀的上游的主要压力。以此方式，可以达到高建模准确性。
具体地，以此方式，除了由内燃机抽取的空气的线性行为以外，还可以考虑气缸充气的非线性行为。根据一个实施例，压力商可以包括以下公式：
除直接将压力包括在压力商中以外，压力还可以仅以间接方式单独地或一起例如作为其他压力的确定量而包括在压力商中，所述其他压力将作为一项包括在比率中。
如果要建模的内燃机还包括多个变型(variability)，例如两重变型，诸如，例如进气系统中的旋转速度相关的长度可变(可切换)的抽气管或滚流阀(tumble valve)，则可以使用例如与变型的数量对应的多个神经网络，其中，根据多个变型的切换状态，使用对应于变型的设置而提前设置的神经网络。
优选地，作为由内燃机抽取的空气的压力，在压力商中包括有抽气管压力或进气压力。当使用抽气管压力来计算压力商时，将获得节流因子，并且当使用增压式内燃机的充气压力来计算压力商时，将获得充气因子。在仅在节流状态下操作内燃机的情况下，节流因子可以取从0至1的范围内的值，而在增压式内燃机中，充气因子可以取从0至2.5的范围内的值，并且在多级充气的情况下，充气因子可以取大于4的值。
根据优选实施例，作为由内燃机抽取的空气的压力，将包括测量值、计算值和/或根据特性图所确定的值。还可以将这些值的组合(例如，平均值)包括在压力商中。
优选地，将神经网络的输出值乘以工作压力、然后除以表征标准压力的值，该表征标准压力的值优选地为1013mbar，其中，对所确定的气缸充气的校正是根据内燃机所处的地理高度来执行的。
根据优选实施例，除压力商以外，还使用内燃机的旋转速度和内燃机的阀升程作为神经网络的另外的输入值。
根据优选实施例，使用包括至少四个输入值或者特别优选地五个输入值的神经网络。
优选地，使用凸轮轴的至少一个相位作为神经网络的另外的输入值，其中，这一个相位可以为进气阀凸轮轴的相位和/或出气阀凸轮轴的相位。
根据优选实施例，将对气缸充气的对数进行建模。这样，可以在少量的气缸充气的情况下实现相对准确性，其中，对气缸充气的对数进行建模而不是对绝对的气缸充气进行建模。例如，在神经网络的输出处，可以存在ex变换，该ex变换将产生表示气缸充气的值。从而，在整个负载范围内，相对误差会保持恒定，同时对数的绝对误差保持恒定。在网络训练中，优选的是实现仅一致的绝对误差；然而，在网络训练中实现一致误差是困难的。因此，对于高质量的混合，特别是与低负载的混合，优选的是不超过最大相对误差。
优选地，在该方法中，基于测量值和/或模拟值来离线执行对至少一个神经网络的训练。对于网络训练，可以使用例如包括至少5000个数据集合的集合，这5000个数据集合分别包括输入值的量，例如，在具有5个输入的神经网络中，这些可以为压力商、内燃机的旋转速度、内燃机的阀升程、进气阀凸轮轴相位、出气阀凸轮轴相位以及相对气缸充气的值。在神经网络的训练中，可以借助于均方根误差RMSE、相对于平均误差实现优化。良好训练的神经网络可以具有小于平均训练充气的2％的相对RMSE值，并且相应地，当使用气缸充气的对数时，绝对误差小于0.02。为了评估网络质量，还可以考虑所生成的网络表面的一致性如何。在这点上，根据一个实施例，不期望训练网络的阶梯状或振荡行为，并且该行为将例如设置有相应的惩罚项。
根据优选实施例，在神经网络的拓扑中使用包括至少一个隐藏层的多层感知器MLP。在第一隐藏层中，可以布置在8与30之间的范围内的多个神经元。当使用包括两个隐藏层的MLP时，在8与30之间的范围内的多个神经元可以存在于第一层中，并且在3与15之间的范围内的多个神经元可以存在于第二层中。已经变得明显的是，较少数量的神经元不能够实现足够的模型准确性，并且较高数量的神经元可能导致趋向于过拟合的不稳定行为。
优选地，本发明用于控制内燃机，其中，为了校正偏差，优选地执行对用在基于模型的确定中的值的调适，这些值具体地是神经网络的输出值、lambda控件的输出值、抽气管压力控制器的输出值和/或空气质量测量设备(特别是热膜类型)的输出值的值。以此方式，可以改善对内燃机的完全可变阀升程的控制，其中，以取决于控制模式的方式，可以对阀升程和节流阀角度的适当且最佳的设置进行设置和调整。
根据优选实施例，一旦由空气质量测量设备和lambda控件二者分别确定了与由神经网络确定的气缸充气的值的偏差，则借助于来自(例如，热膜)空气质量测量设备的值来执行对神经网络的输出值的调适。
优选地，一旦由空气质量测量设备和lambda控件二者分别确定了与由神经网络确定的气缸充气的值的偏差，则lambda控件执行对燃料路径的调适。
根据优选实施例，一旦由空气质量测量设备以及神经网络以及抽气管压力控制器分别确定了与由神经网络确定的气缸充气的值的偏差，则借助于神经网络的输出值来执行对空气质量测量设备的值的调适。
优选地，一旦由空气质量测量设备和抽气管压力控制器二者分别确定了与由神经网络确定的气缸充气的值的偏差，则抽气管压力控制器执行对建模的节流阀质量流量的调适。
根据优选实施例，通过执行以下操作来计算输出值：利用使用测量压力的压力商并利用其余的输入值来执行通过神经网络的第一次运行；利用使用计算压力的压力商并利用其余的输入值来执行通过神经网络的第二次运行；以及随后，执行所述第一次运行的输出值与所述第二次运行的输出值之间的局部线性回归。测量压力和计算压力可以表示抽气管压力。借助于线性回归，可以确定输出值。输出值可以为取决于抽气管压力的残余气体压力的值和/或充气部的值。以此方式，借助于局部线性计算模型，可以根据发动机控件的抽气管压力而使残余气体压力和/或充气部的值可用。
本发明还包括一种计算机程序产品，该计算机程序产品包括程序部，所述程序部在被加载到发动机控件中时适用于执行如上所述的方法。例如，计算机程序产品随后还可以经由适当的接口完全地或部分地在车辆中实现，并且在车辆中，该计算机程序产品可以替代或补充现有方法。可以经由有线连接或者还以无线方式来执行该实现方式。
另外，要求保护一种包括利用上述实现方法的发动机控件的内燃机。
本发明还涉及一种内燃机在机动车中的用途，该内燃机包括发动机控件，该发动机控件包括上述的实现方法。所述方法在行驶在道路上的机动车中的使用具有在各种驾驶情况下实现了改善的效率的优点。通过使用辅助驾驶员的智能系统，该方法还可以应用于使得可以以提高的效率例如在启停系统中执行动态过程，例如自动制动、巡航控制或自动换挡操作。这同样适用于自动驾驶系统。
在下文中将参照附图、通过示例来更详细地说明本发明。然而，那些所示的实施例不应当被解释为限制本发明的范围和细节。而是，从附图中显而易见的特征不限于各个实施例。相反地，这些特征可以与在附图中和/或在包括附图的描述的说明书中指出的各个其他特征组合，以获得未在本文中更详细示出的变型例。附图示出了以下：
图1是包括五个输入值的用于气缸充气计算的神经网络的架构；
图2是用于评价模型偏差并且用于计算调适因子的电路图；
图3是包括内燃机和发动机控件的车辆的示意图；以及
图4是用于气缸充气计算并且用于输出值的计算的架构。
图1以示例性方式示出了包括五个输入值的用于计算气缸充气的神经网络的架构。第一输入值是压力商c。压力商c间接地由内燃机抽取的空气的压力b相对于工作压力a所确定。在压力商中可以包括由内燃机抽取的空气的压力b作为抽气管压力或充气压力。压力b的值可以为测量值、计算值或根据特性图确定的值。工作压力a可以为周围压力，并且还可以测量、计算或根据特性图得到该工作压力a。第二输入值是内燃机的旋转速度d。第三输入值是内燃机的阀升程e。第四输入值是可相对于参考位置调整的进气阀凸轮轴相位的进气相位f。第五输入值是可相对于参考位置调整的出气阀凸轮轴相位的出气相位g。优选地，首先，在五个输入值将输入神经网络12之前在第一模块10中对五个输入值进行归一化。在神经网络12中，基于输入值的归一化值来计算输出值的值。所计算的值被转发至对数或指数变换设备14以补偿相对误差。在第二模块16中，将由对数和(相应地)指数变换设备14确定的值乘以工作压力a并且除以表征标准压力的值，该表征标准压力的值例如为1013mbar。以此方式，可以在确定建模的气缸充气h之前对地理高度执行校正。在图1中，还示出了可以在第二模块16中执行温度校正。出于该目的，(例如，热膜)空气质量测量设备16的测量值被输入到第二模块16中，并且基于所接收的值，第二模块16可以在确定建模的气缸充气h之前执行温度相关的校正。
图2示出了用于评估模型偏差并且计算调适因子的电路图。
首先，为了说明对模型偏差的评估和对调适因子的计算，应当说明内燃机的功能。例如，将基于加速器踏板的位置来确定调整值。这根据内燃机的控制模式来执行。控制模式可以例如为三种不同阀控制模式之一，特别是“可变阀控制”、“节流阀控制”或“部分节流阀控制”，其中，“可变控制”被理解为在大多数情况下通过调整阀升程来执行气缸的充气。并且作为模式的“节流”或“部分节流”被理解为在大多数情况下通过节流阀的变化来执行气缸的充气。
在控制模式“可变阀控制”下，在抽气管中设置了相对于周围较低的真空以允许极大非节流控制模式。出于该目的，将与工作点无关地确定例如20mbar至50mbar的真空，并且将通过节流阀的变化来调整该真空。通过切换控制模式，还可以设置针对特殊情况(例如，对催化剂和/或离子过滤器进行加热)的较高真空。
在控制模式“可变阀控制”下的阀升程的期望位置是基于简单的特性图来预先控制的，该特性图的输入值是相对期望充气量。在校准阶段期间确定期望升程特性图，其中，将对用于气缸充气检测的训练的神经网络12的值取逆，或者借助于在线工具对该值进行迭代近似，直到特性图的值与神经网络12的输出值对应为止。因此，特性图并非相对于神经网络12的真正的逆，这是因为一方面神经网络12还具有另外的输入值，并且另一方面，神经网络12本身实际上并非可逆的。
特性图是根据预先训练的神经网络12得到的。在这点上，假定神经网络12的行为将根据阀升程e而单调升高。借助于校准工具，将增大每个旋转速度支持点的阀升程e，直到已达到特性图中的下一负载支持点为止。因此，在达到完全负载限值以前，确定特性图，该特性图具有相对于神经网络12的逆行为，而并非真正地在算术意义上的逆。不存在另外的部分模型。在阀升程控制设备中对特性图与系统的其余部分之间的可能偏差进行补偿。
为了计算在控制模式“节流”和“部分节流”下抽气管中的期望压力，将从神经网络12中读取当前的特性值。利用该特性值，将基于当前工作参数来线性地推断抽气管压力，然后计算抽气管压力。
在图2所示的电路图20中，执行多达四次调整控制处理，其中，通过对值的调适来执行对偏差的各种校正。为了进行调整，针对真实性来分别使用另外的辅助值。特别地，使用在电路图20中用符号表示的神经网络12的输出值、lambda控件40的输出值、抽气管压力控制器42的输出值和/或空气质量测量设备38的输出值的值。
在模块12中借助于来自空气质量测量设备38的值执行对神经网络的输出值的调适。一旦已由空气质量测量设备38和lambda控件40在模块30中分别确定了在相同方向上发生的偏差，则该调适将发生。因此，空气质量测量设备38和lambda控件40的偏差是相同的。该偏差将由模块30确定。
在模块24中，一旦由空气质量测量设备38和lambda控件40确定了在相同方向上分别发生(即，具有相同的指向)的偏差，则lambda控件40执行对燃料路径24的调适。因此，空气质量测量设备38和lambda控件40的偏差是相同的。偏差将由模块32确定。以此方式，可以根据控制模式来设计燃料调适。
在模块26中借助于神经网络12的输出值来执行对空气质量测量设备38的值的调适，其中，一旦空气质量测量设备38、神经网络12以及抽气管压力控制器42确定了在相同方向上分别发生(即，具有相同的指向)的偏差，则输入神经网络12的输出值。因此，空气质量测量设备38、神经网络12以及抽气管压力控制器42的偏差是相同的。偏差将由模块34来确定。
在模块28中，一旦空气质量测量设备38和抽气管压力控制器42确定了在相同方向上分别发生(即，具有相同的指向)的偏差，则抽气管压力控制器42执行对建模的节流阀质量流量的调适。因此，空气质量测量设备38和抽气管压力控制器42的偏差是相同的。偏差将由模块36来确定。以此方式实现了测量空气质量、预先控制值节流阀的值以及阀升程的特性图之间的调整控制，以便保持测量空气质量与预先控制的空气质量之间的偏差尽可能地小。
图3示出了机动车44的示意图。机动车44包括内燃机46。内燃机46包括发动机控件48。发动机控件48包括具有存储介质50的计算机单元。存储介质50可以例如为随机存取存储器模块(RAM)、只读存储器模块(ROM)、CD、DVD、硬盘等。在存储模块50中，已存储计算机程序产品52。计算机程序产品52包括程序部，所述程序部适于控制根据图1的架构，或者根据图2的电路图来评估与模型的偏差并且计算调适因子。借助于计算机程序产品52，执行对神经网络12的不在线调适。替代地，借助于简单的控制器(例如，I控制器或PID控制器)、仅利用因子和偏移或者基于特性图(例如，3*3的特性图)来执行在线调适。另外，从图1和图2中显而易见的是，为了对气缸充气进行建模并且为了评估模型偏差并计算调适因子，计算机程序产品52使用神经网络12的输出值、lambda控件40的输出值、抽气管压力控制器42的输出值和/或空气质量测量设备38的输出值。
图4示出了用于气缸充气计算并且用于输出值j的计算的架构。这里，架构的上部与图1中的架构相同。按照以下方式来执行计算：压力商c包括测量压力b并且将通过神经网络12来运行，即与另外的输入值(诸如，例如内燃机的旋转速度d、阀升程e、进气阀凸轮轴相位f以及出气阀相位g)一起通过神经网络12来运行。在该过程中，另外的输入值d、e、f和g将通过神经网络12来第一次运行。以此方式，获得第一输出值。然后，输入值d、e、f和g将通过神经网络12来第二次运行。这在图4的下部示出。除输入值d、e、f和g之外，压力商i将通过神经网络12来运行，其中，使用计算压力而不是测量压力b。随后，在模块54中，在第一次运行的输出值与第二次运行的输出值之间执行局部线性回归。因此，所获得的输出值j是取决于抽气管压力的残余气体压力的值和/或充气部的值。
虽然已经参考本发明的具体示例性实施例描述和示出了本发明，但是并不意在将本发明限于那些示例性实施例。本领域技术人员将认识到，可以在不背离如由所附权利要求限定的本发明的真实范围的情况下进行变型和修改。因此，意在将落入所附权利要求及其等同方案的范围内的所有这样的变型和修改包括在本发明中。

Claims (15)

1.一种用于对内燃机的燃烧室的气缸充气进行基于模型的确定的方法，其中，所述内燃机具有在所述基于模型的确定中考虑的可变阀升程，其中，对所述燃烧室的所述气缸充气(h)的建模借助于至少一个神经网络(12)来执行，并且至少三个输入值被输入到所述神经网络(12)中，
其中，在所述至少一个神经网络(12)中，压力商(c)被用作所述至少三个输入值中的一个输入值，所述压力商(c)是至少间接地根据工作压力(a)和由所述内燃机抽取的空气的压力(b)来确定的。
2.根据权利要求1所述的方法，其特征在于，在所述压力商(c)中包括有抽气管压力或充气压力作为由所述内燃机抽取的空气的压力(b)。
3.根据权利要求1或2所述的方法，其特征在于，在所述压力商中包括有测量值、计算值和/或根据特性图确定的值作为由所述内燃机抽取的空气的压力(b)。
4.根据权利要求1至3中任一项所述的方法，其特征在于，将所述神经网络(12)的输出值乘以工作压力(a)、然后除以表征标准压力的值，所述表征标准压力的值优选地为1013mbar，其中，对所确定的气缸充气的校正是根据所述内燃机所处的地理高度来执行的。
5.根据权利要求1至4中任一项所述的方法，其特征在于，除所述压力商(c)以外，还使用所述内燃机的旋转速度(d)和所述内燃机的阀升程(e)作为所述神经网络(12)的另外的输入值。
6.根据权利要求1至5中任一项所述的方法，其特征在于，使用凸轮轴相位的至少一个相位作为所述神经网络(12)的另外的输入值，其中，使用进气阀凸轮轴相位(f)和/或出气阀凸轮轴相位(g)。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法用于控制内燃机，其中，为了校正偏差，优选地执行对用在所述基于模型的确定中的值的调适，所述值具体地是所述神经网络的输出值、lambda控件(40)的输出值、抽气管压力控制器(42)的输出值和/或空气质量测量设备(38)的输出值的值。
8.根据权利要求7所述的方法，其特征在于，一旦由所述空气质量测量设备(38)和所述lambda控件(40)二者分别确定了与由所述神经网络(12)传递的气缸充气的值的偏差，则借助于来自所述空气质量测量设备(38)的值来执行对所述神经网络(12)的输出值(22)的调适。
9.根据权利要求7或8所述的方法，其特征在于，一旦由所述空气质量测量设备(38)和所述lambda控件(40)二者分别确定了与由所述神经网络(12)传递的所述气缸充气的值的偏差，则所述lambda控件(40)执行对燃料路径(24)的调适。
10.根据权利要求7至9中任一项所述的方法，其特征在于，一旦由所述空气质量测量设备(38)以及所述神经网络(12)以及所述抽气管压力控制器(42)分别确定了与由所述神经网络(12)传递的所述气缸充气的值的偏差，则借助于所述神经网络(12)的输出值来执行对所述空气质量测量设备(38)的值的调适。
11.根据权利要求7至10中任一项所述的方法，其特征在于，一旦由所述空气质量测量设备(38)和所述抽气管压力控制器(42)二者分别确定了与由所述神经网络(12)传递的所述气缸充气的值的偏差，则所述抽气管压力控制器(42)执行对建模的节流阀质量流量(28)的调适。
12.根据权利要求1至11中任一项所述的方法，其特征在于，通过执行以下操作来计算输出值(j)的值：利用使用测量压力(b)的压力商(c)并利用另外的输入值(d、e、f、g)来执行通过所述神经网络(12)的第一次运行，并且利用使用计算压力的压力商(i)并利用另外的输入值(d、e、f、g)来执行通过所述神经网络(12)的第二次运行；以及随后，执行所述第一次运行的输出值与所述第二次运行的输出值之间的局部线性回归。
13.一种计算机程序产品(52)，包括至少一个程序部，所述至少一个程序部在被加载到发动机控件(48)中时适用于执行根据权利要求1至12中任一项所述的方法。
14.一种内燃机(46)，包括发动机控件(48)，所述发动机控件(48)包括根据权利要求1至12中任一项所述的实现方法。
15.一种内燃机(46)在机动车(44)中的用途，所述内燃机(46)包括发动机控件(48)，所述发动机控件(48)具有根据权利要求1至12中任一项所述的实现方法。
CN201580004819.8A 2014-01-17 2015-01-19 用于内燃机的基于模型的气缸充气检测 Expired - Fee Related CN105934576B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102014000397.3A DE102014000397A1 (de) 2014-01-17 2014-01-17 Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
DE102014000397.3 2014-01-17
PCT/EP2015/050897 WO2015107198A1 (en) 2014-01-17 2015-01-19 Model-based cylinder charge detection for an internal combustion engine

Publications (2)

Publication Number Publication Date
CN105934576A true CN105934576A (zh) 2016-09-07
CN105934576B CN105934576B (zh) 2019-04-09

Family

ID=52462273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580004819.8A Expired - Fee Related CN105934576B (zh) 2014-01-17 2015-01-19 用于内燃机的基于模型的气缸充气检测

Country Status (4)

Country Link
US (1) US10533510B2 (zh)
CN (1) CN105934576B (zh)
DE (2) DE102014000397A1 (zh)
WO (1) WO2015107198A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106762181A (zh) * 2016-11-28 2017-05-31 哈尔滨工程大学 一种基于神经网络的瞬态egr控制方法
CN109615083A (zh) * 2017-10-02 2019-04-12 宏达国际电子股份有限公司 机器学习系统、机器学习方法及其非暂态电脑可读媒体
CN109707521A (zh) * 2017-10-26 2019-05-03 罗伯特·博世有限公司 用于确定内燃机的气缸进气的方法，该内燃机具有可变的阀行程装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014000397A1 (de) 2014-01-17 2015-07-23 Fev Gmbh Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
DE102017100022A1 (de) 2016-01-07 2017-03-16 Fev Gmbh Verfahren zur modellbasierten Bestimmung der Gasbeladung eines Zylinders einer Verbrennungskraftmaschine mit äußerem Abgasrückführungssystem
FR3057302A1 (fr) * 2016-10-10 2018-04-13 Peugeot Citroen Automobiles Sa Procede de pilotage d'une vanne papillon d'un moteur a combustion interne a levee de soupapes variable
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
DE102020206786A1 (de) 2020-05-29 2021-12-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer Verkokung eines Einspritzventils

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5954783A (en) * 1996-10-14 1999-09-21 Yamaha Hatsudoki Kabushiki Kaisha Engine control system using combination of forward model and inverse model
JPH11294230A (ja) * 1998-04-09 1999-10-26 Yamaha Motor Co Ltd エンジンの燃料噴射制御装置
US5974870A (en) * 1996-03-15 1999-11-02 Siemens Aktiengesellschaft Process for model-assisted determination of the fresh-air mass flowing into the cylinders of an internal combustion engine with external exhaust-gas recycling
US20020107630A1 (en) * 2000-10-19 2002-08-08 Toyoji Yagi Air amount detector for internal combustion engine
DE10227466A1 (de) * 2002-06-20 2004-01-15 Bayerische Motoren Werke Ag Verfahren und Vorrichtung zum Bestimmen der Zylinderbeladung bei einer Brennkraftmaschine
US20090018748A1 (en) * 2007-07-12 2009-01-15 Martin Muller System and method for a pumping torque estimation model for all air induction configurations
US20090018752A1 (en) * 2005-04-28 2009-01-15 Renault S.A.S Method for controlling a motor vehicle using a network of neurones

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4421950C2 (de) 1993-12-09 1998-06-04 Peter Mueller Einrichtung zum Diagnostizieren und Regeln eines Verbrennungs- oder Elektromotors
DE19547496C2 (de) 1995-12-19 2003-04-17 Dierk Schroeder Verfahren zur Regelung von Verbrennungsmotoren
DE19706750A1 (de) 1997-02-20 1998-08-27 Schroeder Dierk Prof Dr Ing Dr Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung
US6236908B1 (en) 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
DE19914910A1 (de) 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug
US6401457B1 (en) * 2001-01-31 2002-06-11 Cummins, Inc. System for estimating turbocharger compressor outlet temperature
JP3815233B2 (ja) 2001-02-27 2006-08-30 日産自動車株式会社 内燃機関の吸気制御装置
DE10113538B4 (de) 2001-03-20 2012-03-01 Bayerische Motoren Werke Aktiengesellschaft Regelvorrichtung und Regelverfahren
DE10224213C1 (de) 2002-05-31 2003-10-09 Siemens Ag Verfahren zur Füllungsregelung einer Brennkraftmaschine
JP4186613B2 (ja) 2002-12-16 2008-11-26 日産自動車株式会社 内燃機関の吸気制御装置
DE102004011236A1 (de) * 2004-03-04 2005-09-29 Bayerische Motoren Werke Ag Prozesssteuersystem
DE102004041708B4 (de) 2004-08-28 2006-07-20 Bayerische Motoren Werke Ag Verfahren zur modellbasierten Bestimmung der während einer Ansaugphase in die Zylinderbrennkammer einer Brennkraftmaschine einströmenden Frischluftmasse
US9206751B2 (en) * 2013-06-25 2015-12-08 Achates Power, Inc. Air handling control for opposed-piston engines with uniflow scavenging
US9297330B2 (en) * 2013-09-05 2016-03-29 Caterpillar Inc. System and method for estimating and controlling temperature of engine component
US9217362B2 (en) * 2013-09-11 2015-12-22 GM Global Technology Operations LLC Two-stage turbocharger flow control
DE102014000397A1 (de) 2014-01-17 2015-07-23 Fev Gmbh Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5974870A (en) * 1996-03-15 1999-11-02 Siemens Aktiengesellschaft Process for model-assisted determination of the fresh-air mass flowing into the cylinders of an internal combustion engine with external exhaust-gas recycling
US5954783A (en) * 1996-10-14 1999-09-21 Yamaha Hatsudoki Kabushiki Kaisha Engine control system using combination of forward model and inverse model
JPH11294230A (ja) * 1998-04-09 1999-10-26 Yamaha Motor Co Ltd エンジンの燃料噴射制御装置
US20020107630A1 (en) * 2000-10-19 2002-08-08 Toyoji Yagi Air amount detector for internal combustion engine
DE10227466A1 (de) * 2002-06-20 2004-01-15 Bayerische Motoren Werke Ag Verfahren und Vorrichtung zum Bestimmen der Zylinderbeladung bei einer Brennkraftmaschine
US20090018752A1 (en) * 2005-04-28 2009-01-15 Renault S.A.S Method for controlling a motor vehicle using a network of neurones
US20090018748A1 (en) * 2007-07-12 2009-01-15 Martin Muller System and method for a pumping torque estimation model for all air induction configurations

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106762181A (zh) * 2016-11-28 2017-05-31 哈尔滨工程大学 一种基于神经网络的瞬态egr控制方法
CN106762181B (zh) * 2016-11-28 2019-11-01 哈尔滨工程大学 一种基于神经网络的瞬态egr控制方法
CN109615083A (zh) * 2017-10-02 2019-04-12 宏达国际电子股份有限公司 机器学习系统、机器学习方法及其非暂态电脑可读媒体
CN109615083B (zh) * 2017-10-02 2021-03-30 宏达国际电子股份有限公司 机器学习系统、机器学习方法及其非暂态电脑可读媒体
TWI742312B (zh) * 2017-10-02 2021-10-11 宏達國際電子股份有限公司 機器學習系統、機器學習方法及其非暫態電腦可讀媒體
CN109707521A (zh) * 2017-10-26 2019-05-03 罗伯特·博世有限公司 用于确定内燃机的气缸进气的方法，该内燃机具有可变的阀行程装置

Also Published As

Publication number Publication date
US10533510B2 (en) 2020-01-14
WO2015107198A1 (en) 2015-07-23
DE102014000397A1 (de) 2015-07-23
DE112015000425T5 (de) 2016-10-27
CN105934576B (zh) 2019-04-09
US20160341140A1 (en) 2016-11-24

Similar Documents

Publication Publication Date Title
CN105934576B (zh) 用于内燃机的基于模型的气缸充气检测
CN109716337B (zh) 用于对机动车进行基于仿真的分析的方法
Ashok et al. A review on control system architecture of a SI engine management system
DE102014112276B4 (de) Strömungssteuerung eines zweistufigen Turboladers
CN103518047B (zh) 增压发动机的控制装置
CN105201674B (zh) 内燃机的控制装置
US9518515B2 (en) Sliding mode controller and internal combustion engine system control device
JP4924694B2 (ja) エンジン制御装置
US20060259287A1 (en) Vehicle chassis and power train set up tool for track trajectory and speed optimization
DE102014101396A1 (de) Turboladerstrom-Steuerung
CN104583881B (zh) 设备控制装置
CN103827474A (zh) 内燃机的进气控制装置
CN101194092B (zh) 内燃机的控制方法和装置
WO2009024268A2 (de) Modellierungsverfahren und steuergerät für einen verbrennungsmotor
CN106401772A (zh) 内燃机的控制装置
Sardarmehni et al. Robust predictive control of lambda in internal combustion engines using neural networks
JP2020070742A (ja) 制御装置
CN107131068A (zh) 连续计算每汽缸截留和扫气空气的方法
CN110308652A (zh) 模型预测控制中的约束合并
CN113728159A (zh) 发动机控制系统
CN106285960A (zh) 一种车辆仿真参数的计算方法和装置
Cieslar et al. Model based approach to closed loop control of 1-D engine simulation models
US8781712B2 (en) Engine control system with algorithm for actuator control
CN107035560A (zh) 基于驾驶员类型在线识别的发动机控制系统
CN108884772A (zh) 用于运行具有可变的喷射轮廓的内燃机的方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190409

Termination date: 20210119

CF01 Termination of patent right due to non-payment of annual fee