CN112594107A

CN112594107A - 诊断方法和系统

Info

Publication number: CN112594107A
Application number: CN202010971694.9A
Authority: CN
Inventors: J.沈; J.M.哈特马彻; P.M.拉斯科夫斯基; D.J.萨特曼; I.穆罕默德雷扎扎德; R.斯科乔尼; V.德萨皮奥
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2019-09-17
Filing date: 2020-09-16
Publication date: 2021-04-02
Anticipated expiration: 2040-09-16
Also published as: US11236695B2; CN112594107B; US20210079864A1

Abstract

提供了用于监测内燃发动机的燃料喷射器的方法和系统。在一实施例中，一种方法包括：接收一组特征数据，该特征数据在燃料喷射事件期间从燃料喷射器感测；由处理器使用决策树模型处理所述一组特征数据，以生成故障状态的预测；以及由处理器基于所述预测选择性地生成通知信号。

Description

诊断方法和系统

技术领域

本发明的技术领域总体上涉及内燃发动机，更具体地，涉及用于诊断内燃发动机系统的燃料喷射器的方法和系统。

背景技术

内燃发动机包括将燃料喷射到进气流中以产生空气/燃料混合物的燃料喷射器。当燃料喷射器出现故障时，它不会向空气中输送所需量的燃料或不喷射燃料。如果燃料的量不正确，空气/燃料混合物可能不会燃烧，从而导致发动机运行中断。

因此，期望提供一种用于监测燃料喷射器的方法和系统。此外，结合附图和前述技术领域和背景技术，从随后的具体实施方式和所附权利要求书中，本发明的其他期望的特征和特性将变得显而易见。

发明内容

本发明提供了一种用于监测内燃发动机的燃料喷射器的方法和系统。

在一个实施例中，该方法包括：接收一组特征数据，该特征数据是在燃料喷射事件期间从燃料喷射器感测的；由处理器用决策树模型处理该组特征数据，以生成故障状态的预测；以及由处理器基于所述预测选择性地生成通知信号。

在各种实施例中，该方法包括：接收与燃料喷射器相关联的训练数据；以及由处理器基于所述训练数据定义决策树模型。

在各种实施例中，该方法包括：基于所述训练数据计算所述特征数据的特征的增益数据；以及基于增益数据确定与决策树模型的节点相关联的规则。

在各种实施例中，确定规则基于增益数据的最大增益值。在各种实施例中，增益数据基于计算的熵。在各种实施例中，所计算的熵是基于在针对特征分解训练数据之后熵的减少。

在各种实施例中，训练数据包括对应于与燃料喷射器相关联的多个特征的数据集。在各种实施例中，多个特征包括第一关闭时间、第一打开幅度、第一打开幅度位置、第二打开幅度、第二打开幅度变量、在检测到第二打开幅度的窗口内的位置以及窗口中早期点的原始电压。

在各种实施例中，该组特征数据包括第一关闭时间、第一打开幅度、第一打开幅度位置、第二打开幅度、第二打开幅度变量、在检测到第二打开幅度的窗口内的位置以及窗口中早期点的原始电压。

在另一实施例中，一种系统包括：至少一个传感器，其基于燃料喷射器的可观察状况产生传感器数据；以及控制器，其被配置为由处理器接收所述传感器数据，用决策树模型处理传感器数据以生成故障状态的预测，并基于该预测选择性地生成通知信号。

在各种实施例中，控制器还被配置成：接收与燃料喷射器相关联的训练数据；并基于训练数据定义决策树模型。

在各种实施例中，控制器还被配置为：基于训练数据计算特征数据的特征的增益数据；以及基于增益数据确定与决策树模型的节点相关联的规则。

在各种实施例中，控制器基于增益数据的最大增益值来确定规则。在各种实施例中，增益数据基于计算的熵。

在各种实施例中，所计算的熵是基于在针对特征分解训练数据之后熵的减少。

在各种实施例中，训练数据包括对应于与燃料喷射器相关联的多个特征的数据集。

在各种实施例中，多个特征包括第一关闭时间、第一打开幅度、第一打开幅度位置、第二打开幅度、第二打开幅度变量、在检测到第二打开幅度的窗口内的位置以及窗口中早期点的原始电压。

在各种实施例中，该方法包括：基于直方图和累积密度函数评估训练数据；以及基于评估存储决策树模型的参数表。

在各种实施例中，控制器还被配置为基于直方图和累积密度函数来评估训练数据，并基于评估来存储决策树模型的参数表。

附图说明

下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同的元件，并且其中：

图1是示出根据各种实施例的具有燃料喷射器监测系统的车辆的功能框图；

图2是示出根据各种实施例的燃料喷射器监测系统的数据流图；

图3是示出根据各种实施例的燃料喷射器监测系统的决策树的功能框图；和

图4和图5是示出根据各种实施例的燃料喷射器监测系统执行的方法的流程图。

具体实施方式

以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，不受前面的技术领域、背景技术、发明内容或下面的详细描述中提出的任何明示或暗示的理论的约束。如这里所使用的，术语“模块”指的是任何硬件、软件、固件、电子控制组件、处理逻辑和/或处理器设备，其单独地或以任何组合地包括但不限于：专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。

在此可根据功能和/或逻辑块组件和各种处理步骤描述本公开的实施例。应当理解，这种块组件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如，本公开的实施例可以采用各种集成电路组件，例如存储元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解，本公开的实施例可以结合任何数量的系统来实施，并且这里描述的系统仅仅是本公开的示例性实施例。

为了简洁起见，这里可能不详细描述与信号处理、数据传输、信令、控制和系统的其他功能方面(以及系统的各个操作组件)相关的传统技术。此外，本文包含的各图中所示的连接线旨在表示各种元件之间的示例功能关系和/或物理耦合。应当注意，在本公开的实施例中可存在许多替代的或附加的功能关系或物理连接。

参照图1，根据各种实施例，总体上以100示出的燃料喷射器监测系统与车辆10相关联。通常，燃料喷射器监测系统100监测内燃发动机的燃料喷射器的故障。如下文将更详细讨论的，燃料喷射器监测系统100基于决策树方法监测燃料喷射器。

如图1所示，车辆10总体上包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并且基本上封闭车辆10的部件。车身14和底盘12可以一起形成框架。车轮16-18每个都在车身14的相应拐角附近可旋转地联接到底盘12。

在各种实施例中，车辆10是自主、半自主或非自主车辆。车辆10在所示实施例中被描绘为乘用车，但是应当理解，任何其他车辆包括摩托车、卡车、运动型多功能车(SUV)、休闲车(RV)、船舶、飞机等也可以使用。

如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、至少一个控制器34和通信系统36。在各种实施例中，推进系统20可以包括内燃发动机38。

发动机38燃烧空气/燃料混合物以产生车辆10的驱动扭矩。例如，空气通过进气系统40被吸入发动机38中。进气系统40包括进气歧管和节气门。来自进气歧管的空气被吸入发动机38的气缸42中。虽然发动机38可以包括多个气缸42，但是为了说明的目的，示出了两个代表性的气缸42。例如，发动机38可包括2、3、4、5、6、8、10和/或12个气缸。

在各种实施例中，发动机38可以使用四冲程循环运行，包括进气冲程、压缩冲程、燃烧冲程和排气冲程。在进气冲程期间，来自进气歧管的空气通过进气阀被吸入气缸42中。燃料喷射器44被控制以将燃料喷射到空气中，从而实现目标的空气/燃料比。燃料可在中央位置或多个位置处喷射到进气歧管中，例如在每个气缸42的进气阀附近。在各种实施方式中，燃料可以直接喷射到气缸42中或与气缸相关联的混合室中。

所喷射的燃料与空气混合，并在每个气缸42中产生空气/燃料混合物。在压缩冲程期间，气缸42内的活塞(未示出)压缩空气/燃料混合物。在各种实施例中，发动机38可以是压燃式发动机，在这种情况下，气缸42中的压缩点燃空气/燃料混合物。可选地，发动机38可以是火花点火式发动机，在这种情况下，火花塞被通电以在气缸42中产生火花，该火花点燃空气/燃料混合物。火花的定时可以相对于活塞处于其最高位置(称为上止点)的时间来指定。

在燃烧冲程期间，空气/燃料混合物的燃烧向下驱动活塞，从而驱动曲轴。燃烧冲程可以定义为活塞到达上止点和活塞返回下止点之间的时间。在排气冲程期间，活塞开始从下止点向上移动，并通过排气阀排出燃烧副产物。燃烧副产物通过排气系统46从车辆中排出。

传动系统22被构造成根据可选择的速度比将动力从推进系统20传递到车轮16-18。根据各种实施例，传动系统22可包括有级自动变速器、无级变速器或其他合适的变速器。制动系统26被配置为向车轮16-18提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机的再生制动系统，和/或其他合适的制动系统。转向系统24影响车轮16-18的位置。

传感器系统28包括一个或多个感测车辆10的可观察状况的感测设备48a-48n。感测装置48a-48n可以包括但不限于感测与燃料喷射器44相关联的可观察状况的燃料喷射器传感器。

控制器34包括至少一个处理器54和计算机可读存储设备或介质56。处理器54可以是任何定制的或市场上可买到的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、宏处理器、它们的任何组合、或通常用于执行指令的任何设备。计算机可读存储设备或介质56可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)的易失性和非易失性存储器。KAM是永久性的或非易失性的存储器，当处理器54断电时，其可用于存储各种操作变量。计算机可读存储设备或介质56可以使用多种已知存储设备中的任何一种来实现，例如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些表示控制器34在控制车辆10时使用的可执行指令。

所述指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器54执行时，所述指令接收并处理来自传感器系统28的信号，执行逻辑、计算、方法和/或算法，用于通过致动器系统30控制车辆10的部件。尽管图1中仅示出了一个控制器34，但车辆10的实施例可以包括任意数量的控制器34，这些控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。

在各种实施例中，控制器34的一个或多个指令在燃料喷射器监测系统100中实施，并且当由处理器54执行时，监测与燃料喷射器44相关联的感测值以确定燃料喷射器44的故障。例如，当燃料喷射器失效时，燃料喷射器不能输送期望量的燃料或不会输送燃料。基于决策树模型监测来自传感器系统28的感测值，以确定故障何时发生。控制器34将故障传递给车辆10的通知系统60。通知系统60产生通知信号以通知车辆10的用户。可以理解，通知信号可以激活视觉通知系统、音频通知系统和/或触觉通知系统。

在各种实施例中，感测值包括与每个燃料喷射器44相关联的电压数据。感测的值被处理成对应每个喷射事件的特征数据。特征数据包括但不限于打开时间(OT)、打开幅度(OM)、打开幅度位置(OML)、关闭时间(CT)和原始电压(V)。燃料喷射器44的打开时间可以指在向燃料喷射器44施加电力以打开燃料喷射器44的第一时间和燃料喷射器44实际打开并开始喷射燃料的第二时间之间的时间段。燃料喷射器44的打开幅度可以对应于燃料喷射器44为燃料喷射事件打开的程度。燃料喷射器44的关闭时间可以指从将燃料喷射器44断电以关闭燃料喷射器44的第一时间和燃料喷射器44实际关闭并停止喷射燃料的第二时间之间的时间段。

可以通过使用一个或多个决策树模型评估特征数据来确定故障。然而，不同的燃料喷射器可具有不同的关闭时间、打开时间、打开幅度和其他特征。因此，机器学习模型可以针对每一燃料喷射器的类型进行调整。在各种实施例中，所述调整可以由远程系统58执行(例如，离线进行)，并经由通信系统36传送到控制器34，和/或可以由控制器34执行(例如，在线进行)。

现在参考图2，并继续参考图1，数据流图示出了决策树系统200的各种实施例，决策树系统200可以嵌入控制器34内，并且可以包括根据各种实施例的燃料喷射器监测系统100的部分。根据本公开的决策树系统200的各种实施例可以包括嵌入控制器34内的任意数量的子模块。可以理解，图2所示的子模块可以被组合和/或进一步分解，以类似地监测燃料喷射器44的故障。决策树系统200的输入可以从传感器系统28接收，从与车辆10相关联的其他控制器(未示出)接收，从通信系统36接收，和/或由控制器34内的其他子模块(未示出)确定/建模。在各种实施例中，决策树系统200包括增益计算模块202、树定义模块204、监测模块206和模型数据存储210。

在各种实施例中，树定义模块204接收作为输入的训练数据212，并基于此定义决策树模型214。决策树模型214包括以树状结构实现的规则，以预测通过或失败数据。在各种实施例中，如图3所示，树状结构包括初始节点300、两个或多个子节点304-310以及两个或多个叶或端节点312-324。每个节点300-324具有相关联的规则。初始节点300和子节点304-310包括比较规则(例如，在300处为OM1<＝206.32，在306处为OM1L<＝23，在304处为Evol<＝-7.8267，在308处为OM1<＝121.55，在310处为OM1<＝194.03，在312处为Evol<＝-8.6367)，并且叶节点313-324包括通过或失败规则(例如，失败313、通过314、失败316、通过318、失败320、通过322、失败324)。

回到图2，在各种实施例中，树定义模块204基于与燃料喷射器44监测相关联的训练数据212生成决策树模型214。例如，训练数据212可以包括对应用于诊断燃料喷射器44的缺失脉冲的特征集的每个特征的数据。所述特征集的特征可以包括但不限于：第一关闭时间(CT1)、第一打开幅度(OM1)、第一打开幅度位置(OM1L)、第二打开幅度(OM2)、第二打开幅度变量(OM2Delta)、在检测到第二打开幅度的窗口内位置(OM2Location)以及窗口中早期点的原始电压(Evolt)。这些数据可以包括每个特征的先前感测的值。

树定义模块204通过每个节点处的规则将对应每个特征的每个数据集分解成越来越小的子集来定义决策树模型214。每个规则都是将特征集的特征与阈值进行比较的决策过程。最终结果或端部节点是通过或失败决定。如下文将更详细讨论的，树定义模块204基于增益数据216分解每个特征。树定义模块204然后将定义的决策树模型214存储在模型数据存储210中，用于处理未来的特征集数据。

在各种实施例中，决策树模型包括参数表和相关算法。存储在参数表中的值由算法实现，从而允许算法对于每个燃料喷射器44是可调整的。在各种实施例中，该算法可以根据任何决策树方法来实现，例如但不限于ID3、C4.0、C5.0或利用增益数据216的其他版本。

在各种实施例中，参数表存储与规则、结果和与所述规则相关联的置信度值的列表。在各种实施例中，每个规则的置信度值被计算为训练数据212中被规则正确分类的训练例的数量除以规则覆盖的总训练例的比率。

在各种实施例中，参数表的大小可以基于使用直方图和累积密度函数对训练数据212的评估来定义。例如，可以通过从训练数据212中的观察的规则数计算直方图和累积密度函数来确定行的数量。类似地，可以通过从评估规则所需的条件的数量计算直方图和累积密度函数来确定列的数量。因为每个规则都有0或1的结果类，所以参数表列中的单元格总数被设置为最大条件数乘以3加2。因此，参数表中的单元格总数被设置为等于总行数乘以总列数。

增益确定模块202计算由树定义模块204使用的增益数据216。在各种实施例中，在针对特征划分数据集之后，增益确定模块216基于计算的熵来计算增益数据。熵是一组示例中杂质、无序或不确定性的度量。

其中P(xi)是给定类别(例如，通过或失败)中点的分数。

例如，给定上述特征OM1和示例阈值206.32，熵计算如下：

熵＝P(OM1≤206.32){-P(pass)log(p(pass))-P(fail)log(p(fail))}+P(OM1＜206.32){-P(pass)log(p(pass))-P(fail)log(p(fail))},

且

增益数据216被设置为计算的熵。增益数据216然后被提供给树定义模块204。

监测模块204接收感测到的特征组数据220作为输入，该数据包括用于诊断燃料喷射器44的缺失脉冲的数据。特征集数据220可以包括但不限于第一关闭时间(CT1)、第一打开幅度(OM1)、第一打开幅度位置(OM1L)、第二打开幅度(OM2)、第二打开幅度变量(OM2Delta)、在检测到第二打开幅度的窗口内的位置(OM2Location)以及窗口中早期点的原始电压(Evolt)。可以理解，在各种实施例中，特征集数据220可以包括其他数据，并且不限于本示例。

监测模块206从模型数据存储210中检索包括决策树模型的模型数据218，并用决策树模型处理特征集数据220，以预测故障并提供故障预测数据222。通知系统可以使用故障预测数据222来向用户通知故障。

现在参考图4和5，并继续参考图1-3，流程图示出了可以由根据本公开的图1的燃料喷射器监测系统100执行的方法400、500。可以理解，根据本公开，该方法内的操作顺序不限于如图4和5所示的顺序执行，而是可以根据本公开以一个或多个不同的顺序来执行。

在各种实施例中，方法400可以被安排为基于一个或多个预定事件来运行。例如，方法400可以在405处开始。在410处接收训练数据212。在420处从特征集中选择特征。例如，如上所述，在430处计算增益数据216。在440处评估增益数据216和相关数据以构建分支。基于增益数据216的最大增益来定义节点和两个分支。

例如，如果当前选择的特征是OM1，并且对应的数据集包括OM1值：196.47、180.73、206.32、201.17、222.08，则树定义模块204考虑以下可能性：

OM1<＝196.47&OM1>196.47，

OM1<＝180.73&OM1>180.73，

OM1<＝206.32&OM1>206.32，

OM1<＝201.17&OM1>201.17，以及

OM1<＝222.08&OM1>222.08。

所计算的增益数据与每种可能性相关联，具有最大增益的可能性被选择作为分解分支的阈值。

此后，在420处选择下一个特征，并且重复步骤430和440，直到在450处已经处理了特征集的特征。此后，在460处，基于具有最大信息的特征/阈值对来定义节点。决策树模型然后在470处被存储，并且该方法可以在480处结束。

在各种实施例中，方法500可以基于一个或多个预定事件被安排运行，和/或可以在车辆10的运行期间连续地运行。例如，方法500可以在505处开始。在510处接收特征集数据220。在520处用从模型数据存储210中检索的模型来处理特征集数据220以获得预测。此后，在530处基于所述预测发送通知，并且方法500可以在540处结束。

虽然在前面的详细描述中已经给出了至少一个示例性实施例，但是应当理解还存在大量的变化。还应当理解，一个或多个示例性实施例仅是示例，并不旨在以任何方式限制本公开的范围、适用性或配置。相反，前面的详细描述将为本领域技术人员提供实现一个或多个示例性实施例的便利路线图。应当理解，在不脱离所附权利要求及其合法等同所阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。

Claims

1.一种监测内燃发动机燃料喷射器的方法，包括：

接收一组特征数据，所述特征数据在燃料喷射事件期间从燃料喷射器感测；

由处理器使用决策树模型处理所述一组特征数据，以生成故障状态的预测；以及

由所述处理器基于所述预测选择性地生成通知信号。

2.根据权利要求1所述的方法，进一步包括：

接收与燃料喷射器相关联的训练数据；和

由处理器基于所述训练数据定义所述决策树模型。

3.根据权利要求2所述的方法，进一步包括：

基于所述训练数据计算所述特征数据的特征的增益数据；和

基于所述增益数据确定与决策树模型的节点相关联的规则。

4.根据权利要求3所述的方法，其中，所述确定规则基于所述增益数据的最大增益值。

5.根据权利要求3所述的方法，其中，所述增益数据基于计算的熵。

6.根据权利要求5所述的方法，其中，所计算的熵基于在针对所述特征分解所述训练数据之后熵的降低。

7.根据权利要求2所述的方法，其中，所述训练数据包括对应于与所述燃料喷射器相关联的多个特征的数据集，其中，所述多个特征包括第一关闭时间、第一打开幅度、第一打开幅度位置、第二打开幅度、第二打开幅度变量、在检测到所述第二打开幅度的窗口内的位置、以及在所述窗口的早期点的原始电压。

8.根据权利要求1所述的方法，其中，所述一组特征数据包括第一关闭时间、第一打开幅度、第一打开幅度位置、第二打开幅度、第二打开幅度变量、在检测到所述第二打开幅度的窗口内的位置、以及在所述窗口中的早期点的原始电压。

9.根据权利要求2所述的方法，进一步包括：

基于直方图和累积密度函数评估所述训练数据；和

基于所述评估存储决策树模型的参数表。

10.一种用于监测内燃发动机燃料喷射器的系统，包括：

至少一个传感器，其基于燃料喷射器的可观察状况产生传感器数据；和

控制器，其被配置为由处理器接收所述传感器数据，用决策树模型处理所述传感器数据以生成故障状态的预测，并基于该预测选择性地生成通知信号。