CN108688678A - 将系统性能分类并检测环境信息的方法 - Google Patents

将系统性能分类并检测环境信息的方法 Download PDF

Info

Publication number
CN108688678A
CN108688678A CN201810292945.3A CN201810292945A CN108688678A CN 108688678 A CN108688678 A CN 108688678A CN 201810292945 A CN201810292945 A CN 201810292945A CN 108688678 A CN108688678 A CN 108688678A
Authority
CN
China
Prior art keywords
output signal
signal data
sensor
actuator
output
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.)
Pending
Application number
CN201810292945.3A
Other languages
English (en)
Inventor
M·S·吉尔伯特
K·C·王
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN108688678A publication Critical patent/CN108688678A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • F02D41/1402—Adaptive control
    • 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
    • F02D41/1406—Introducing closed-loop corrections characterised by the control or regulation method with use of a optimisation method, e.g. iteration
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • 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
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • 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
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • 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
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F02D2041/1437—Simulation
    • 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
    • F02D2200/0414—Air temperature
    • F02D2200/0416—Estimation of air temperature
    • 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
    • F02D2200/0418—Air humidity
    • 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
    • F02D2200/70—Input parameters for engine control said parameters being related to the vehicle exterior
    • F02D2200/703—Atmospheric pressure
    • F02D2200/704—Estimation of atmospheric pressure
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

一种确定机动车辆的状态的方法包括从正在输出信号数据的至少一个装置收集第一输出信号数据，所述信号数据与所述机动车辆的多个第一操作参数和多个第一环境参数有关。所述方法还包括识别所述第一输出信号数据内的模式，分析所述第一输出信号数据内的所述模式；以及生成第二输出信号数据，所述第二输出信号数据定义与所述第一操作参数不同的多个第二操作参数。

Description

将系统性能分类并检测环境信息的方法
引言
本公开涉及汽车车辆传感器系统，并且具体地说，涉及用于收集和合成来自设置在汽车内的传感器的数据的方法。
汽车使用多种不同类型的传感器和致动器。传感器检测压力、温度、位置、加速度、化学成分、质量流量、电压、电流等。致动器包括燃料喷射器、节气门叶片、涡轮废气门、凸轮轴移相器、火花塞和火花塞点火器、燃料泵、废气再循环阀、主动燃料管理、可变升程凸轮轴、交流发电机和电流调节器、可变几何涡轮机等。传感器通常为汽车控制系统提供数据输入，而致动器通常接收来自汽车控制系统的数据输入并响应于汽车控制系统命令提供数据输出。
单个传感器输出和致动器输出可以被馈送到汽车内的各种控制模块，以帮助确定将改善排放和/或驾驶性能的发动机操作参数。类似地，多个传感器输出和致动器输出可以被馈送到汽车内的各种控制模块，以帮助改进发动机操作参数，改变驾驶性能特性和/或响应于与汽车有关的某些环境参数。
但是，因为上述传感器和致动器中的每一个仅提供或响应于特定类型的数据，所以对各种控制模块的输入限于那些特定的数据类型。因此，尽管当前的汽车传感器和致动器实现其预期目的，但仍需要新的和改善的系统和方法来确定来自传感器和致动器的另外信息以进一步改善燃料经济性、汽车排放、驾驶性能以及噪音振动和刺耳特性等等。
发明内容
根据若干方面，确定机动车辆的状态的方法包括从正在输出信号数据的至少一个装置收集第一输出信号数据，所述信号数据具有与机动车辆的第一操作参数有关的第一数据类型。所述方法还包括识别第一输出信号数据内的模式，分析第一输出信号数据内的模式，以及生成具有与第一数据类型不同的第二数据类型的第二输出信号数据。第二输出信号数据与机动车辆的不同于第一操作参数的第二操作参数有关。
在另一方面，从至少一个装置收集第一输出信号数据包括从设置在机动车辆中的多个传感器和致动器收集第一输出。
在又一方面，识别第一输出信号数据内的模式并分析第一输出信号数据内的模式包括将人工智能程序应用于第一输出信号数据。
在另一方面，应用人工智能程序包括应用强化学习算法、深度机器学习算法、分层学习算法、监督学习算法、半监督学习算法、无监督学习算法、聚类算法、降维算法、结构化预测算法、异常检测算法和神经网络算法中的至少一个。
在另一方面，生成第二输出信号数据包括将人工智能程序应用于第一输出信号数据并接近输出第二输出信号数据的至少一个第二装置，所述第二输出信号数据具有与机动车辆的第二操作参数有关的第二数据类型。
在另一方面，生成第二输出信号还包括应用人工智能程序以间接确定适用于机动车辆的周围环境条件。
在另一方面，接近至少一个第二装置还包括模拟至少一个虚拟传感器或虚拟致动器。所述至少一个虚拟传感器或虚拟致动器输出第二输出信号数据。
在又一方面，接近至少一个第二装置包括模拟用于确定或响应于适用于机动车辆的环境条件的传感器或致动器的输出。
在又一方面，接近至少一个第二装置包括模拟用于确定或响应于适用于配备给机动车辆的系统的操作条件的传感器或致动器的输出。
在另一方面，模拟传感器或致动器的输出包括模拟用于确定压力、温度、位置、加速度、化学成分、质量流量、电压或电流的传感器的输出；或者模拟用于燃料喷射器、节气门叶片、涡轮废气门、凸轮轴移相器、火花塞、燃料泵、废气再循环装置、主动燃料管理装置、可变升程凸轮轴、交流发电机电流、电流或可变几何涡轮的致动器的输出。
在另一方面，一种用于确定机动车辆的状态的方法包括从正在输出与机动车辆的操作参数有关的输出信号数据的至少一个传感器或致动器收集第一输出信号数据。所述方法还包括识别第一输出信号数据内的模式，分析第一输出信号数据内的模式，识别第一输出信号数据内的模式何时指示状态改变，以及生成与机动车辆的操作参数有关的第二输出信号数据。
在另一方面，分析第一输出信号数据内的模式还包括从至少一个传感器或致动器识别多个第一输出信号数据集，并将人工智能算法应用于所述多个第一输出信号数据集。
在另一方面，应用人工智能算法还包括应用强化学习算法、深度机器学习算法、分层学习算法、监督学习算法、半监督学习算法、无监督学习算法、聚类算法、降维算法、结构化预测算法、异常检测算法和神经网络算法中的至少一个。
在另一方面，识别第一输出信号数据集内的模式何时指示状态改变还包括应用人工智能算法以确定可间接检测的第二输出信号数据集。
在另一方面，应用人工智能算法来确定可间接检测的第二输出数据集还包括确定第二输出信号数据集内的可间接检测的环境信息和机动车辆状态信息。
在另一方面，生成与机动车辆的操作参数有关的第二输出信号数据还包括模拟至少一个虚拟传感器或虚拟致动器。所述至少一个虚拟传感器或虚拟致动器确定或响应于适用于机动车辆的操作条件。所述至少一个虚拟传感器或虚拟致动器输出第二输出信号数据。
在另一方面，模拟至少一个虚拟传感器或虚拟致动器包括模拟用于确定压力、温度、位置、加速度、化学成分、质量流量、电压或电流的传感器的输出；或者模拟用于燃料喷射器、节气门叶片、涡轮废气门、凸轮轴移相器、火花塞、燃料泵、废气再循环装置、主动燃料管理装置、可变升程凸轮轴、交流发电机电流、电流或可变几何涡轮的致动器的输出。
在另一方面，一种用于确定机动车辆的状态的系统包括配备给机动车辆的多个传感器和致动器，以及从配备给机动车辆的多个传感器和致动器中的至少一个收集的输出信号数据集。输出数据集包括与机动车辆的操作参数有关的第一输出信号数据。所述系统还包括与多个传感器和致动器通信的电子控制模块，以及存储器。所述系统还包括存储在电子控制模块的存储器内的模式辨识人工智能程序，其分析第一输出信号数据并生成第二输出信号数据。所述系统还包括应用于第二输出信号数据的数据分类，和当第二输出信号数据指示机动车辆的操作参数的状态改变时生成的状态信号。
在另一方面，数据分类还包括对应于多个虚拟传感器和虚拟致动器的第二输出信号数据。
在另一方面，状态信号还包括与机动车辆有关的周围环境数据和操作数据。
根据本文提供的描述，其它应用领域将变得显而易见。应当理解，描述和具体示例仅意图用于说明的目的，而不意图限制本公开的范围。
附图说明
本文描述的附图仅用于说明的目的，并不意图以任何方式限制本公开的范围。
图1是根据本公开的一个方面的采用系统和方法来将系统性能分类并检测环境信息的内燃机和控制系统的示意图；以及
图2是根据本公开的一个方面的将系统性能分类并检测环境信息的系统和方法的流程图。
具体实施方式
以下描述本质上仅仅是示例性的，并不意图限制本公开、应用或用途。
参考图1，描绘了用于检测环境信息并将整个系统性能分类的系统10和方法，其用于示例性汽车内。图1中的系统10和方法应用于示例性的内燃火花点火发动机12。系统10包括环境空气入口14，所述环境空气入口通过节气门致动器18将环境空气16馈送经过进气传感器20并进入燃烧室22。进气传感器20确定进入燃烧室22的周围空气16的量。燃料喷射器24将燃料作为喷射模式26喷射到燃烧室22中，其中环境空气16和燃料的混合物由火花塞28点燃。如图所示，燃烧排气30从燃烧室22排出并通过至少一个催化转换器32。排气空燃比(AFR)或O2传感器34位于燃烧排气30的流动流中。
尽管关于内燃火花点火发动机12描绘和描述了系统10和方法，但应当理解，所述系统和方法可以应用于其它汽车系统。例如，系统10和方法可以应用于诸如柴油发动机等的压缩点火发动机，并且也可以应用于电动和混合动力系统，而不脱离本公开的范围或意图。类似地，尽管系统10被描绘和描述为具有单个O2传感器12、环境空气入口14、节气门致动器18、燃烧室22、具有喷雾模式26的燃料喷射器24、火花塞28和催化转换器32，应当理解，系统10可以包括上述任何组合以及量与上述指示的不同，而不脱离本公开的范围或意图。在示例中，具有八个气缸的发动机12可以包括双环境空气进口14；八个节气门致动器18；双进气传感器20；八个燃烧室22；十六个燃料喷射器24，每个燃料喷射器具有至少一个喷射模式26；以及用于每个燃烧室22的双火花塞28。此外，具有本实例的八个气缸的发动机12还可以具有多个催化转换器32，包括点火催化转换器(未具体示出)和次级催化转换器(未具体示出)，每个催化转换器32之前，以及每个催化转换器32之后，具有排气AFR传感器34。在另一示例中，发动机12可以是旋转式发动机，其具有多个环境进气口14；节气门致动器18；多个进气传感器20；每个转子(未示出)上的多个燃烧室22和各自具有至少一个喷雾模式26的多个燃料喷射器24；以及每个燃料室22上的多个火花塞28，而不偏离本公开的范围或意图。
继续参考图1，系统10包括发动机控制模块(ECM)36，所述发动机控制模块从系统10中的多个传感器收集数据并且生成命令以改变发动机12的操作特性。ECM 36是具有多个子模块的嵌入式控制器单元，诸如与燃料喷射器24通信的燃料控制模块38，燃料喷射器24将燃料流引导通过燃料喷射器24。ECM 36还包括与火花塞28通信的火花控制模块40、与至少进气传感器20和排气AFR传感器34通信的排放控制模块42、与节气门致动器18通信的节气门控制模块44以及加速器踏板位置传感器46。
除了ECM 36之外，系统10还包括与变速器50通信的变速器控制模块(TCM)48，以及与诸如防盗锁止系统、电动车窗、电动后视镜、HVAC系统等多个车身控制系统54通信的车身控制模块(BCM)52。以与ECM 36大致相同的方式，TCM 48和BCM 52中的每一个可以各自包括多个子模块(未示出)，其中每个从多个传感器和致动器接收数据，并且计算这些数据并响应于这些数据提供输出，而不脱离本公开的范围或意图。
人工智能补偿模块(在下文中称为AI模块)56嵌入在ECM 36内。AI模块56是具有预编程数字计算机或处理器58的非广义电子控制装置，所述预编程数字计算机或处理器具有保存在随机存取存储器(RAM)存储器60中的人工智能程序(下文称为AI程序)或用于存储数据、指令、查找表等的非临时性计算机可读介质；以及多个输入/输出外围设备或端口62。AI模块56可以具有与处理器58通信的另外的处理器或另外的集成电路，诸如用于分析数据的逻辑电路，或专用AI电路。
AI程序使用可以执行模式辨识的机器学习算法。AI程序可以使用各种不同的人工智能算法(以下称为AI算法)，包括但不限于：深度机器学习、分层学习、监督学习、半监督学习、无监督学习、聚类、降维、结构化预测、异常检测、神经网络、强化学习等。在一个方面，在无监督学习中，AI算法从一个输入或多个输入的流中确定模式。在另一方面，使用监督学习的AI算法执行分类以确定特定输入属于何种类别。此外，在监督学习中，AI算法试图生成一个函数，所述函数描述输入和输出之间的关系，以预测输出应当如何随着输入改变而改变。在另一方面，使用强化学习的AI算法奖励“好”行为并惩罚“坏”行为，并且AI算法使用奖励和惩罚序列来形成操作策略。
由AI程序评估的模式包括但不限于输出信号频率、输出信号幅度、输出信号几何形状等。例如，如果传感器或致动器的输出信号振幅与保存在存储器60或RAM中的标称传感器输出信号振幅相比随时间减小或增加，则AI程序首先识别发生了超过预定阈值的改变，指示需要响应的信号改变，并且然后识别改变本身如何随着时间而改变。在示例中，使用强化学习的AI程序从进气传感器20和排气AFR传感器34收集数据，并且基于排气30的构成成分和抽吸经过进气传感器20的环境空气16的特性，AI程序确定另外的间接感测的环境条件。在所述示例中，AI程序确定环境湿度和气压。
在AI程序从进气传感器20和排气AFR传感器34收集数据的另一示例中，当示例性汽车爬山时，环境空气16的空气密度和温度均降低。AI程序识别流过进气传感器20的环境空气16以及燃烧排气30内的排气成分中已经发生的改变，并确定由于环境空气16流和排气成分的改变，汽车相对于海平面处于更高的海拔高度。
因此，AI程序可以从现有数据确定另外的信息，并且从而模仿多个人工或虚拟传感器64。在一个方面，由AI程序生成的多个虚拟传感器64中的每一个可以间接确定环境数据、发动机12系统数据等。环境数据和发动机12系统数据中的每一个都由ECM 36使用来向ECM 36命令发动机12、变速器、HVAC系统等所根据的直接感测数据提供另外的改进。尽管上文将AI程序描述为确定环境湿度、气压和海拔高度，但应当理解，根据系统10中装备了何种类型的传感器，可以模仿的虚拟传感器64的类型将变化。用于配备有图1中所描绘的多个传感器和致动器的系统10的示例性虚拟传感器64可以包括燃料乙醇含量(ETOH)传感器、海拔高度传感器、湿度传感器、蒸发泄漏传感器、换挡质量传感器、驾驶员攻击性传感器等，而不脱离本公开的范围或意图。
现在参考图2并且继续参考图1，描绘了系统10的操作方法的简化描述。所述方法整体由附图标记100指示。方法100开始于方框110，其中系统10从设置在机动车辆上的多个传感器和致动器收集操作数据。在方框112处，来自多个传感器和致动器的操作数据被馈送到板载嵌入式控制单元或嵌入式控制器，诸如ECM 36、TCM 48或BCM 52。在方框114处，存储在嵌入式控制单元的存储器60内的AI程序通过将AI算法应用于操作数据来分析操作数据以识别操作数据内的模式。在方框116处，AI程序识别操作数据内的模式何时指示机动车辆的状态已经改变或正在改变。在方框118处，方法100生成输出数据，所述输出数据可以由机动车辆内的各种系统使用以改进汽车系统响应。在一个方面，输出数据模拟多个虚拟传感器64，包括但不限于：燃料ETOH传感器、海拔高度传感器、湿度传感器、蒸发泄漏传感器、换挡质量传感器、驾驶员攻击性传感器等。
本公开的用于将系统性能分类并检测环境信息的系统10和方法100提供若干优点。由AI程序提供的模式辨识的用途可以应用于传感器和致动器输出数据模式。通过查看从各种传感器和致动器输出的数据的模式，可以在数据辨识和传感器以及致动器操作等方面进行改进。所述改进包括对传感器的应用，所述传感器用于确定间接可检测的压力、温度、位置、加速度、化学成分、质量流量、电压、电流等。本公开的用于将系统性能分类并检测环境信息的方法100可以类似地应用于汽车中使用的致动器，包括用于燃料喷射器26的致动器、节气门致动器18、涡轮废气门、凸轮轴移相器、火花塞28、燃料泵、废气30再循环、主动燃料管理、可变提升凸轮轴、交流发电机和电流、可变几何涡轮等。此外，系统10和方法100可以应用于实际上增加配备给汽车的传感器的数量和种类，同时降低配备给汽车的物理传感器的硬件成本。
本公开的描述在本质上仅仅是示例性的，并且不脱离本公开的主旨的变型意图在本公开的范围内。这样的变型不被认为是脱离本公开的精神和范围。

Claims (10)

1.一种确定机动车辆的状态的方法，所述方法包括：
从正在输出信号数据的至少一个装置收集第一输出信号数据，所述信号数据具有与所述机动车辆的第一操作参数有关的第一数据类型；
识别所述第一输出信号数据内的模式；
分析所述第一输出信号数据内的所述模式；以及
生成第二输出信号数据，所述第二输出信号数据具有与所述第一数据类型不同的第二数据类型，并且其中所述第二输出信号数据与所述机动车辆的不同于所述第一操作参数的第二操作参数有关。
2.根据权利要求1所述的方法，其中从至少一个装置收集第一输出信号数据包括从设置在机动车辆中的多个传感器和致动器收集所述第一输出信号数据。
3.根据权利要求1所述的方法，其中识别所述第一输出信号数据内的模式并分析所述第一输出信号数据内的模式包括将人工智能程序应用于所述第一输出信号数据。
4.根据权利要求3所述的方法，其中所述应用所述人工智能程序包括应用强化学习算法、深度机器学习算法、分层学习算法、监督学习算法、半监督学习算法、无监督学习算法、聚类算法、降维算法、结构化预测算法、异常检测算法和神经网络算法中的至少一个。
5.根据权利要求3所述的方法，其中生成所述第二输出信号数据包括将所述人工智能程序应用于所述第一输出信号数据并接近输出所述第二输出信号数据的至少一个第二装置，所述第二输出信号数据具有与所述机动车辆的所述第二操作参数有关的所述第二数据类型。
6.根据权利要求5所述的方法，其中生成所述第二输出信号还包括应用所述人工智能程序以间接确定适用于所述机动车辆的周围环境条件。
7.根据权利要求5所述的方法，其中接近至少一个第二装置还包括模拟至少一个虚拟传感器或虚拟致动器，并且其中所述至少一个虚拟传感器或虚拟致动器输出所述第二输出信号数据。
8.根据权利要求5所述的方法，其中接近至少一个第二装置包括模拟用于确定或响应于适用于所述机动车辆的环境条件的传感器或致动器的输出。
9.根据权利要求5所述的方法，其中接近至少一个第二装置包括模拟用于确定或响应于适用于配备给所述机动车辆的系统的操作条件的传感器或致动器的输出。
10.根据权利要求9所述的方法，其中模拟传感器或致动器的输出包括：
模拟用于确定压力、温度、位置、加速度、化学成分、质量流量、电压或电流的传感器的输出；或者
模拟用于燃料喷射器、节气门叶片、涡轮废气门、凸轮轴移相器、火花塞、燃料泵、废气再循环装置、主动燃料管理装置、可变升程凸轮轴、交流发电机电流、电流或可变几何涡轮的致动器的输出。
CN201810292945.3A 2017-04-05 2018-04-03 将系统性能分类并检测环境信息的方法 Pending CN108688678A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/479850 2017-04-05
US15/479,850 US20180293814A1 (en) 2017-04-05 2017-04-05 Method to classify system performance and detect environmental information

Publications (1)

Publication Number Publication Date
CN108688678A true CN108688678A (zh) 2018-10-23

Family

ID=63588178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810292945.3A Pending CN108688678A (zh) 2017-04-05 2018-04-03 将系统性能分类并检测环境信息的方法

Country Status (3)

Country Link
US (1) US20180293814A1 (zh)
CN (1) CN108688678A (zh)
DE (1) DE102018107831A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10619586B2 (en) 2018-03-27 2020-04-14 GM Global Technology Operations LLC Consolidation of constraints in model predictive control
KR102610320B1 (ko) * 2018-03-30 2023-12-06 현대자동차주식회사 배플이 이동되는 머플러 및 이의 제어방법
US10661804B2 (en) 2018-04-10 2020-05-26 GM Global Technology Operations LLC Shift management in model predictive based propulsion system control
KR20200041098A (ko) * 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
CN109871934A (zh) * 2019-01-16 2019-06-11 湖北工业大学 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法
US10859159B2 (en) 2019-02-11 2020-12-08 GM Global Technology Operations LLC Model predictive control of torque converter clutch slip
KR20210012730A (ko) 2019-07-26 2021-02-03 삼성전자주식회사 인공지능 모델의 학습 방법 및 전자 장치
US11312208B2 (en) 2019-08-26 2022-04-26 GM Global Technology Operations LLC Active thermal management system and method for flow control
DE102019125961A1 (de) * 2019-09-26 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung der Abgastemperatur bei einer Verbrennungsmaschine
US11008921B1 (en) 2019-11-06 2021-05-18 GM Global Technology Operations LLC Selective catalytic reduction device control
US11620519B2 (en) * 2019-12-11 2023-04-04 Hyundai Motor Company Big data-based driving information provision system and method thereof
JP7205503B2 (ja) 2020-01-22 2023-01-17 トヨタ自動車株式会社 内燃機関の制御装置
JP7222366B2 (ja) * 2020-01-27 2023-02-15 トヨタ自動車株式会社 内燃機関の制御装置
JP7359011B2 (ja) 2020-02-05 2023-10-11 トヨタ自動車株式会社 内燃機関の制御装置
KR20220140944A (ko) * 2021-04-12 2022-10-19 현대자동차주식회사 도심 항공 모빌리티를 위한 비행체의 제어 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11294821A (ja) * 1998-04-15 1999-10-29 Matsushita Seiko Co Ltd 同時吸排気換気システム機器の給排気経路
US20020103622A1 (en) * 2000-07-17 2002-08-01 Burge John R. Decision-aid system based on wirelessly-transmitted vehicle crash sensor information
US20090043441A1 (en) * 1995-06-07 2009-02-12 Automotive Technologies International, Inc. Information Management and Monitoring System and Method
CN104155409A (zh) * 2013-05-14 2014-11-19 福特环球技术公司 汽车虚拟湿度传感器
CN104919298A (zh) * 2013-01-14 2015-09-16 卡明斯公司 基于排气歧管压力的内燃发动机不点火检测

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8024084B2 (en) * 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
US7124047B2 (en) * 2004-09-03 2006-10-17 Eaton Corporation Mathematical model useful for determining and calibrating output of a linear sensor
US8863256B1 (en) * 2011-01-14 2014-10-14 Cisco Technology, Inc. System and method for enabling secure transactions using flexible identity management in a vehicular environment
US20160357262A1 (en) * 2015-06-05 2016-12-08 Arafat M.A. ANSARI Smart vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090043441A1 (en) * 1995-06-07 2009-02-12 Automotive Technologies International, Inc. Information Management and Monitoring System and Method
JPH11294821A (ja) * 1998-04-15 1999-10-29 Matsushita Seiko Co Ltd 同時吸排気換気システム機器の給排気経路
US20020103622A1 (en) * 2000-07-17 2002-08-01 Burge John R. Decision-aid system based on wirelessly-transmitted vehicle crash sensor information
CN104919298A (zh) * 2013-01-14 2015-09-16 卡明斯公司 基于排气歧管压力的内燃发动机不点火检测
CN104155409A (zh) * 2013-05-14 2014-11-19 福特环球技术公司 汽车虚拟湿度传感器

Also Published As

Publication number Publication date
DE102018107831A1 (de) 2018-10-11
US20180293814A1 (en) 2018-10-11

Similar Documents

Publication Publication Date Title
CN108688678A (zh) 将系统性能分类并检测环境信息的方法
Martinelli et al. Human behavior characterization for driving style recognition in vehicle system
US7266439B2 (en) Fuel property-adaptive engine control system with on-board fuel classifier
US10635976B2 (en) Machine learning system for estimating a temperature of an exhaust purification catalyst
US5694908A (en) Auxiliary water-supply sytem for an internal combustion engine
US7047117B2 (en) Integrated vehicle control system
US7900509B2 (en) Methods for variable displacement engine diagnostics
US11732664B2 (en) Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device
Isermann Combustion engine diagnosis
US20070203616A1 (en) Motor vehicle control device provided with a neuronal network
CN101900049B (zh) 具有最小空气流的后氧气传感器性能诊断
CN105719364A (zh) 事件数据记录器系统和方法
CN103807039B (zh) 防止发动机振荡和熄火的自适应发动机速度控制
DE102011003948A1 (de) Motorsteuerung mit Ventildeaktivierungsüberwachung unter Verwendung des Auslaßdrucks
CN104919298A (zh) 基于排气歧管压力的内燃发动机不点火检测
CN108691678A (zh) 检测和缓解传感器退化的方法和系统
US11401847B2 (en) Methods and systems for an exhaust tuning valve
US11199150B1 (en) Fuel pressure estimation system
CN105074181B (zh) 内燃机的控制装置
US11513011B2 (en) Fuel temperature estimation system
de Nola et al. Reduction of the experimental effort in engine calibration by using neural networks and 1D engine simulation
Kolachalama et al. Using Deep Learning to Predict the Engine Operating Point in Real-Time
CN108691679A (zh) 用于控制具有传感器或致动器退化的推进系统的方法和系统
CN112594107B (zh) 诊断方法和系统
Jurgen Electronic engine control technologies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181023

WD01 Invention patent application deemed withdrawn after publication