CN113795661B - 内燃发动机的控制器 - Google Patents
内燃发动机的控制器 Download PDFInfo
- Publication number
- CN113795661B CN113795661B CN202080032332.1A CN202080032332A CN113795661B CN 113795661 B CN113795661 B CN 113795661B CN 202080032332 A CN202080032332 A CN 202080032332A CN 113795661 B CN113795661 B CN 113795661B
- Authority
- CN
- China
- Prior art keywords
- actuator
- internal combustion
- combustion engine
- candidate
- cost
- 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.)
- Active
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 description 61
- 239000000446 fuel Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 239000004071 soot Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
- F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
-
- 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
-
- 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
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
-
- 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
-
- 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
-
- 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
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2464—Characteristics of actuators
-
- 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
- F02D2041/1413—Controller structures or design
- F02D2041/1415—Controller structures or design using a state feedback or a state space representation
-
- 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
- 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
- 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
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2474—Characteristics of sensors
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
Abstract
提供了一种用于控制内燃发动机的内燃发动机控制器。所述内燃发动机控制器包括存储器和处理器。所述存储器被配置成存储多个控制脉谱图,每个控制脉谱图限定致动器设定点的超曲面,用于基于到所述内燃发动机控制器的多个输入变量来控制内燃发动机的致动器。所述处理器包括发动机设定点模块和脉谱图更新模块。所述脉谱图更新模块被配置成优化所述控制脉谱图在由所述多个输入变量限定的位置处的超曲面中的一个或多个超曲面。所述脉谱图更新模块包括优化器模块,所述优化器模块被配置成搜索优化的致动器设定点组,其中所述脉谱图更新模块基于所述优化的致动器设定点组来更新由所述多个输入变量限定的位置处的所述一个或多个超曲面。还提供了一种控制内燃发动机的方法。
Description
技术领域
本公开涉及对内燃发动机的控制。更具体地,本公开涉及用于控制内燃发动机的致动器的系统和方法。
背景技术
内燃发动机通常包括一个或多个用于管理从内燃发动机的排气输出的排放物的系统。例如,内燃发动机通常包括用于处理由内燃发动机产生的排气的后处理系统。
典型的后处理系统可以包括许多传感器和(控制)致动器。在内燃发动机中可以设置另外的传感器和致动器,用于监测内燃发动机的排气、性能和/或效率。因此,内燃发动机可以包括许多独立的可控变量和校准值。因此,用于内燃发动机的发动机控制系统的设计是多维控制问题。
发动机控制系统需要响应于内燃发动机的运行状况的实时变化而向内燃发动机的致动器提供设定点。对满足排放法规的高效率内燃发动机的需求进一步限制可控制系统的设计。对控制系统设计的进一步限制是发动机控制系统可用的计算能力的量可能受到限制。
常规地,对内燃发动机和后处理系统的控制由车载处理器(发动机控制模块)管理。由于内燃发动机和后处理系统的复杂性,所实现的发动机控制通常利用基于一系列“控制脉谱图(map)”的开环控制系统,所述控制脉谱图包括用于内燃发动机和后处理系统的预校准的、时不变的发动机设定点。通常,所控制的发动机设定点包括燃料质量、喷射开始(SOI)、排气再循环(EGR)和进气歧管绝对压力(IMAP)。
一些简单的控制脉谱图包括多个查找表,其中存储了与不同发动机运行状况相关联的多个时不变发动机设定点。发动机控制模块仅可从与所需的发动机运行相关的控制脉谱图读出发动机设定点。一些发动机控制脉谱图还可以提供一个变量的估计值作为有限数量的其他变量的函数。由于随着附加变量的加入,存储器和脉谱图复杂性呈指数级增长,因此发动机设定点脉谱图只能基于有限数量的输入变量。在一些情况下,系统存储器可能受损,但是以插值误差为代价。
一种用于减小对开环控制方案的性能的影响的方法是为不同的工况提供不同的控制脉谱图。例如,可以为怠速运行和节气门全开运行或启动提供不同的控制脉谱图。为每个内燃发动机提供许多不同的控制脉谱图使得对每个内燃发动机的校准昂贵且耗时。此外,这些预校准的脉谱图各自为时不变查找表。因此,这些时不变控制脉谱图不能考虑发动机部件中的部件间变化,或者例如湿度的无法测量的影响。时不变控制脉谱图也不能适应发动机部件性能随时间的变化。
一种替代方法是实现发动机的实时、车载、基于模型的控制,以代替预校准的控制脉谱图。因此,发动机模型直接控制内燃发动机的一个或多个设定点。基于模型的发动机控制可包括动态发动机模型以预测发动机性能、排放和运行状态。预测的发动机性能可被反馈到模型中以进一步优化发动机设定点。因此,基于模型的控制方法有效地将负反馈形式结合到发动机控制系统中,以便改善性能和排放。
基于模型的控制难以实现,因为必须实时计算发动机设定点。因此,包括预测元件的基于模型的发动机控制器理想地也实时完成它们的预测。因此,许多基于模型的控制方案需要大量的计算资源以在用于控制内燃发动机的合适的时间尺度内优化模型输出。
发明内容
根据本公开的第一方面,提供了一种内燃发动机控制器。内燃发动机控制器包括存储器和处理器。存储器被配置成存储多个控制脉谱图,每个控制脉谱图限定致动器设定点的超曲面,用于基于到内燃发动机控制器的多个输入变量来控制内燃发动机的致动器。处理器包括发动机设定点模块和脉谱图更新模块。发动机设定点模块被配置成基于由多个输入变量限定的相应控制脉谱图的超曲面上的位置向每个致动器输出致动器设定点。脉谱图更新模块被配置成优化控制脉谱图在由多个输入变量限定的位置处的超曲面中的一个或多个超曲面。脉谱图更新模块包括优化器模块。优化器模块被配置成通过以下步骤来搜索优化的致动器设定点组:
(i)执行控制脉谱图的初始致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第一集合,并且根据内燃发动机的性能模型来评价候选的致动器设定点组的第一集合,以计算与候选的致动器设定点组的第一集合中的每一者相关联的成本,
(ii)基于与候选的致动器设定点组的第一集合相关联的成本,确定初始致动器设定点搜索空间中跨越第一成本最小值的搜索线;
(iii)沿着所述搜索线执行线搜索以计算与第一成本最小值相关联的优化的致动器设定点组;
其中脉谱图更新模块基于优化的致动器设定点组来更新由多个输入变量限定的位置处的一个或多个超曲面。
因此,内燃发动机控制器包括两个处理模块:发动机设定点模块和脉谱图更新模块。发动机设定点模块被配置成控制内燃发动机的多个致动器。例如,发动机设定点模块可以控制SOI、EGR、燃料质量和内燃发动机的进气歧管绝对压力请求(IMAPR)中的一者或多者。发动机设定点模块基于输入到内燃发动机的性能来控制这些致动器,所述性能为例如用户对扭矩、发动机速度等的需求,或者来自内燃发动机的特定传感器数据(例如当前IMAP)。基于每个致动器的控制脉谱图来确定对每个致动器的控制。每个控制脉谱图限定一个超曲面,用于基于到内燃发动机控制器的多个输入变量来控制内燃发动机的致动器。因此,发动机设定点模块实际上是开环控制模块,其利用存储在控制脉谱图中的致动器设定点来控制致动器。
脉谱图更新模块独立于发动机设定点模块的开环控制而有效地运行。脉谱图更新模块被配置成通过更新控制脉谱图在由输入变量限定的位置处的超曲面来优化对内燃发动机的控制。由于有多个致动器要控制,因此优化超曲面是多维优化问题。根据第一方面的内燃发动机控制器提供了一种脉谱图更新模块,其旨在以计算高效的方式实时解决多维优化问题。因此,脉谱图更新模块被设计为具有所考虑的内燃发动机的机载发动机控制模块可用的计算资源。
为了优化超曲面,使用内燃发动机的性能模型来针对候选的致动器设定点组评价内燃发动机的性能并确定成本。所确定的成本可以反映由性能模型所限定的内燃发动机的一个或多个性能特性。性能模型可以考虑内燃发动机控制器可用的其他输入参数,例如控制脉谱图的输入变量、其他传感器数据和/或后处理信息。因此,内燃发动机的性能模型可能是高度非线性的。由于致动器设定点搜索空间的多维性质,性能模型输出可以限定除全局最小值之外的多个局部最小值。第一方面的优化器模块被配置成搜索与全局最小值相对应的一组优化的致动器设定点。通过从致动器设定点搜索空间的分层样本开始搜索过程,优化器模块旨在降低或消除搜索达到局部最小值的可能性。
因此,优化器模块被布置成计算在内燃发动机控制器上的优化设定点。因此,优化器模块在内燃发动机的运行期间计算优化的致动器设定点。优化器模块的搜索方法相应地适于使用内燃发动机控制器的(有限的)可用处理能力来实时输出优化设定点。也就是说,优化器模块的搜索方法适于实时运行,而不是可以在不限制可用计算能力的情况下离线执行的搜索方法。
通过提供多个可更新的控制脉谱图,可以提供基于控制脉谱图的控制器,可以使用有限数量的控制脉谱图将所述控制器优化到不同运行点的范围。因此,可以减少需要对内燃发动机进行校准的控制脉谱图的数量,因为本公开的可更新脉谱图可以提供覆盖不同运行点范围的控制,在过去可能已经针对这些运行点校准了单独的控制脉谱图。因此,可以降低内燃发动机的初始校准和设置的复杂性。
此外,本领域已知的时不变控制脉谱图通常以相对大的安全裕度校准,以便适应内燃发动机随时间的任何变化。相比之下,根据第一方面的脉谱图更新模块可以响应于内燃发动机的实时性能来更新控制脉谱图的致动器设定点。因此,第一方面的控制脉谱图可以被配置成使内燃发动机在更优的性能条件下运行。
控制脉谱图的初始致动器设定点搜索空间可以是由每个控制脉谱图的致动器设定点的可能范围限定的多维搜索空间。例如,内燃发动机控制器可以包括用于控制内燃发动机的致动器X、Y和Z的三个控制脉谱图。因此,初始致动器设定点搜索空间由用于控制脉谱图的X、Y和Z中每一个的设定点值的范围,即,用于三个致动器的三维搜索空间来限定。
根据第一方面,脉谱图更新模块基于优化的致动器设定点组来更新由多个输入变量限定的位置处的一个或多个超曲面。可以理解,更新超曲面的步骤可以基于优化的致动器设定点组。因此,在一些示例中,超曲面中的一个或多个超曲面上的当前位置可能比由优化的致动器设定点组限定的位置更优选。因此,在一些示例中,更新的步骤可以包括脉谱图更新模块选择不改变控制脉谱图的一个或多个超曲面。
在一些实施例中,初始致动器设定点搜索空间可以由上致动器约束和下致动器约束中的一者或多者限定。可以选择上致动器约束和下致动器约束以确保内燃发动机的致动器在特定物理界限内运行。
在一些实施例中,一个候选的致动器设定点组可以对应于由多个输入变量限定的每个超曲面上的位置。因此,第一方面的内燃发动机控制器可以总是评价内燃发动机在初始致动器设定点搜索空间的分层样本中的当前运行点(即,当前致动器设定点)。因此,在内燃发动机的当前运行点已经对应于全局成本最小值的情况下,优化器模块可以返回当前致动器设定点(如由多个输入变量限定的每个超曲面上的位置所确定)作为优化的致动器设定点组。
在一些实施例中,可以基于具有最低成本的两个候选的致动器设定点组来计算致动器设定点搜索空间中的搜索线。因此,优化器模块可以以计算高效的方式确定搜索线(即,搜索方向,或者初始致动器设定点搜索空间内的搜索向量)。
脉谱图更新模块可进一步被配置成确定与优化的致动器设定点组相关联的成本和与对应于由多个输入变量限定的控制脉谱图的每个超曲面上的位置的候选的致动器设定点组相关联的成本之间的成本差。如果成本差小于更新阈值,则不更新控制脉谱图的超曲面。因此,当仅获得极小的性能提高时,内燃发动机控制器可以选择不更新控制脉谱图。例如,在稳态运行下,可能不期望为了相对较小的性能益处而对致动器设定点进行频繁的较小更新(从而引起致动器中的磨损)。
在一些实施例中,优化器模块可以进一步被配置成通过以下步骤来搜索优化的致动器设定点组:
(iv)执行受约束的致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第二集合,其中基于优化的致动器设定点组来约束所述受约束的致动器设定点搜索空间,以及根据内燃发动机的性能模型来评价候选的致动器设定点组的第二集合,以计算与候选的致动器设定点组的第二集合中的每一者相关联的成本,
(v)基于与候选的致动器设定点组的第二集合相关联的成本,确定受约束的致动器设定点搜索空间中跨越第二成本最小值的另一搜索线;
(vi)沿着所述另一搜索线执行线搜索以计算与所述第二成本最小值相关联的致动器设定点组;
(vii)如果实现成本降低,则基于与所述第二成本最小值相关联的致动器设定点组来更新优化的致动器设定点组。
因此,第一方面的脉谱图更新模块可以对所计算的优化的致动器设定点组进行迭代。通过对计算进行迭代,优化器模块可以识别更接近全局成本最小值的致动器设定点组。在先前计算的优化的致动器设定点组落入局部成本最小值内的情况下,迭代搜索策略允许优化器模块(经由分层样本)在优化的致动器设定点组周围搜索,使得仍然可以找到全局最小值。
受约束的致动器设定点搜索空间是与初始致动器设定点搜索空间相似的致动器设定点搜索空间。实际上,受约束的致动器设定点搜索空间是初始致动器设定点搜索空间的子集。也就是说,要搜索的每个致动器设定点的范围可以相对于初始设定点搜索空间而被约束。可以基于先前计算的优化的致动器设定点组(例如,第一优化的致动器设定点组)来约束受约束的致动器设定点搜索空间。可以通过更新用于限定执行分层样本的致动器设定点搜索空间的每个致动器的上致动器约束和下致动器约束(例如,初始致动器设定点搜索空间,或先前的受约束的致动器设定点搜索空间),来约束受约束的致动器设定点搜索空间。在一些实施例中,每个致动器的可用搜索范围可以减少至少:30%、40%、50%、60%或70%。在一些实施例中,可以选择每个致动器的上致动器约束和下致动器约束,使得先前计算的优化的致动器设定点组朝向受约束的致动器设定点搜索空间的中心(即,尽可能在中心)定位。
通过计算与第二成本最小值相关联的致动器设定点组,优化器模块允许第一成本最小值不是性能模型的全局最小值的可能性。因此,根据第一方面的内燃发动机控制器允许对所计算的优化的致动器设定点进行迭代。
在一些实施例中,优化器模块被配置成多次重复步骤(iv)、(v)、(vi)和(vii)。因此,优化器模块可以对优化的设定点组的计算进行多次迭代。重复这些步骤可以增加优化的致动器设定点组位于全局成本最小值中的确定性。
在一些实施例中,优化器模块对步骤(iv)、(v)、(vi)和(vii)的重复可以进行,直到:当更新优化的致动器设定点组时实现的成本降低降至收敛极限以下,和/或执行搜索所花费的时间超过时间极限。因此,优化器模块可以考虑对计算资源的需求以及获得对所计算的优化的致动器设定点组的进一步改进的可能性/相对益处,如果执行进一步迭代的话。
在一些实施例中,致动器设定点搜索空间的分层样本是初始致动器设定点搜索空间或受约束的致动器设定点搜索空间的拉丁超立方体(Latin Hypercube)样本。通过使用拉丁超立方体样本,所选择的候选的致动器设定点组可以均匀地分布在搜索空间上。通过跨搜索空间分布候选的致动器设定点组,优化器模块旨在选择全局成本最小值内的至少一个候选的致动器设定点组,以便提供用于搜索优化的致动器设定点组的稳健算法。
根据本公开的第二方面,可提供一种控制内燃发动机的方法。所述方法包括提供多个控制脉谱图,每个控制脉谱图限定致动器设定点的超曲面,用于基于到内燃发动机控制器的多个输入变量来控制内燃发动机的致动器,基于由多个输入变量限定的相应控制脉谱图的超曲面上的位置来向每个致动器输出致动器设定点,以及优化控制脉谱图在由多个输入变量限定的位置处的超曲面中的一个或多个超曲面。优化控制脉谱图的超曲面中的一个或多个超曲面包括:搜索优化的致动器设定点组,以及基于优化的致动器设定点组来更新由多个输入变量限定的位置处的超曲面中的一个或多个超曲面。搜索优化的致动器设定点组包括:
(i)执行控制脉谱图的初始致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第一集合,并且根据内燃发动机的性能模型来评价候选的致动器设定点组的第一集合,以计算与候选的致动器设定点组的第一集合中的每一者相关联的成本,
(ii)基于与候选的致动器设定点组的第一集合相关联的成本,确定初始致动器设定点搜索空间中跨越第一成本最小值的搜索线;以及
(iii)沿着所述搜索线执行线搜索以计算与第一成本最小值相关联的优化的致动器设定点组。
因此,第二方面的方法可以由根据第一方面的内燃发动机控制器来实现。因此,将理解,关于第一方面描述的优点可以应用于第二方面的方法。此外,关于第一方面描述的可选特征可以等同地应用于本公开的第二方面。
附图说明
现在将参照以下非限制性附图来描述本发明。通过参考结合以下附图考虑的详细描述,本公开的进一步优点是显而易见的,其中:
-图1示出了根据本公开的实施例的连接到内燃发动机的内燃发动机控制器的框图;
-图2a示出了根据本公开的实施例的查找表控制脉谱图的示例;
-图2b是由图2a的示例查找表控制脉谱图限定的超曲面的图形表示。
-图3示出了根据本公开的实施例的内燃发动机控制器的一部分的框图;
-图4示出了根据本公开的实施例的初始致动器设定点搜索空间的一部分和性能模型的图形表示;
-图5示出了图4的性能模型的等高线图,包括表示根据分层样本选择的候选的致动器设定点组的点;
-图6a、6b和6c分别示出了性能目标函数、排放函数和发动机约束函数的合适函数的图形表示;
-图7示出了沿图4和图5所示的搜索线的成本函数的图形表示;
-图8示出了根据本公开的另一实施例的内燃发动机控制器的一部分的示意图的框图。
具体实施方式
图1示出了根据本公开的实施例的内燃发动机1和内燃发动机控制器10的总体系统图。
内燃发动机控制器10可以包括处理器和存储器。因此,内燃发动机控制器10可以在本领域已知的任何合适的计算装置上实现。内燃发动机模块可以设置在包括一个或多个处理器和集成存储器的专用发动机控制单元(例如发动机控制模块)上。内燃发动机控制器10可以连接到各种输入和输出以便实现本公开的控制方案。因此,内燃发动机控制器10可以被配置成接收各种输入变量信号、传感器数据和可以在控制方案中使用的任何其他信号。例如,内燃发动机控制器10可以配置成接收发动机传感器数据,例如发动机速度、大气压力、环境温度、IMAP、进气歧管空气温度(IMAT)、EGR质量速率(或用于导出EGR质量估计的传感器)、燃料轨压力和/或空气系统阀位置、燃料质量估计和/或后处理传感器数据,例如发动机排出NOx、排气尾管NOx、柴油微粒过滤器dP/RF碳烟传感器、柴油氧化催化剂入口温度和/或SCR入口温度。
如图1所指示,内燃发动机的致动器由多个发动机致动器设定点控制。发动机致动器设定点由内燃发动机控制器10控制。在图1的实施例中,要被控制的发动机致动器是EGR、SOI、燃料量和进气歧管绝对压力请求(IMAPR)。当然,在其他实施例中,可以改变要控制的发动机致动器。
如图1所示,内燃发动机控制器包括发动机设定点模块20。发动机设定点模块20被配置成基于多个控制脉谱图30和到发动机设定点模块20的输入变量向每个致动器输出控制信号。因此,发动机设定点模块20的操作类似于现有技术中已知的开环、基于发动机脉谱图的控制方案。与更复杂的基于模型的控制方案相比,这种开环控制方案具有相对小的计算需求。
到发动机设定点模块20的输入变量可以是从内燃发动机1的当前运行导出的不同变量的组合。一些输入变量可以基于内燃发动机的性能要求。一些输入变量可以基于内燃发动机1的当前运行状态,例如由各种传感器测量的当前运行状态。由于输入变量用于基于控制脉谱图确定致动器设定点,因此应当理解,每个控制脉谱图的输入变量的总数可能受到内燃发动机控制器10可用的计算资源的限制。
在图1的实施例中,输入变量是请求的扭矩(TqR)、当前发动机速度(N)和当前进气歧管绝对压力(IMAPC)。在其他实施例中,可以使用其他输入变量,例如当前EGR(即EGR阀的当前位置)。
多个控制脉谱图30中的每个控制脉谱图限定一个或多个输入变量和致动器设定点之间的关系。在图1的实施例中,提供了四个控制脉谱图30,一个控制脉谱图用于控制EGR、SOI、燃料质量和IMAPR中的每一个。控制脉谱图30中的每个控制脉谱图可以基于输入变量TqR、N和IMAPC中的一个或多个来限定发动机致动器设定点。例如,在一个实施例中,EGR控制脉谱图可以基于TqR、N和IMAPC来限定致动器设定点的超曲面。因此,TqR,N和IMAPC的组合限定超曲面的位置,从该位置可以计算EGR的致动器设定点。类似地,SOI和燃料质量的控制脉谱图30也可以由超曲面限定,超曲面是TqR、N和IMAPC的函数。图1的实施例中的IMAPR的控制脉谱图可以由超曲面来限定,该超曲面是TqR和N的函数。因此,多个控制脉谱图30的不同控制脉谱图可以具有不同数量的维度(即,不同数量的输入变量)。
图1的控制脉谱图30中的每个控制脉谱图可以实现为查找表。用于发动机控制器的查找表控制脉谱图30在本领域中是公知的。图2a中示出了示例性查找表控制脉谱图31。图2a中所示的查找表控制脉谱图31具有两个输入维度和单个输出维度。因此,在图2a的实施例中,控制脉谱图31是二维控制脉谱图,其中所引用的维度数量由输入维度数量确定。图2a的控制脉谱图31包括输入变量1(即第一输入变量)和输入变量2(第二输入变量)。查找表为输入变量1和输入变量2的不同组合限定多个值(致动器设定点)。因此,查找表控制脉谱图31可以用于基于输入变量1和2的值来选择致动器设定点。图2b是由查找表控制脉谱图31中的值限定的超曲面的图形表示。如本领域所公知的,可使用查找表中限定的设定点的插值来找到超曲面上的一个或多个输入变量不与查找表中存储的值精确匹配的位置。
在其他实施例中,可以使用替代方式来描述每个控制脉谱图30的超曲面。例如,超曲面可以被限定为输入变量的函数。用于限定超曲面的合适的多维函数可以是通用近似器函数。合适的通用近似器函数可以包括:人工神经网络(例如,径向基函数、多层感知器)、多变量多项式、模糊逻辑、不规则插值、克里金法(Kriging))。
多个控制脉谱图30可以存储在内燃发动机控制器10的存储器中,使得内燃发动机控制器10的各种处理模块可以访问控制脉谱图30。
如图1所示,内燃发动机控制器10还包括脉谱图更新模块40。脉谱图更新模块40被配置成优化控制脉谱图在由多个输入变量限定的位置处的超曲面中的一个或多个超曲面。在图1的实施例中,脉谱图更新模块40同时为控制脉谱图30中的每个控制脉谱图计算优化超曲面。脉谱图更新模块40更新由多个输入变量限定的位置处的控制脉谱图。
脉谱图更新模块40被配置成基于优化超曲面来更新控制脉谱图30的超曲面。因此,在内燃发动机1的运行期间,可以更新一个或多个控制脉谱图30的超曲面。通过提供一组可更新的控制脉谱图30,可以提供可以被优化到不同运行点范围的一组控制脉谱图30。因此,可以减少需要为内燃发动机1校准的控制脉谱图的数量,因为本公开的可更新控制脉谱图组30可以提供覆盖不同运行点范围的控制,过去可能已经为这些运行点校准了单独的控制脉谱图集合(即,多个控制脉谱图集合)。
图3示出了表示根据本公开的实施例的内燃发动机控制器的框图。该框图表示发动机设定点模块20和脉谱图更新模块40。因此,该实施例的内燃发动机控制器具有与图1所示的内燃发动机控制器10的结构类似的总体结构。因此,参考图1和相应的描述,将理解,发动机设定点模块20基于由多个输入变量限定的相应控制脉谱图30的超曲面上的位置来进行操作以输出多个致动器设定点。
如图3所示,脉谱图更新模块40包括优化器模块50,其被配置成搜索优化的致动器设定点组。由优化器执行的搜索优化的致动器设定点组的过程可以被认为被分成三个子模块51、52、53。在第一子模块51中,优化器模块执行控制脉谱图的初始致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第一集合,并且根据内燃发动机的性能模型来评价候选的致动器设定点组的第一集合,以计算与候选的致动器设定点组的第一集合中的每一者相关联的成本。在第二子模块52中,优化器模块50基于与候选的致动器设定点组的第一集合相关联的成本,确定初始致动器设定点搜索空间中跨越第一成本最小值的搜索线。在第三子模块53中,优化器模块50沿着搜索线执行线搜索以计算与第一成本最小值相关联的优化的致动器设定点组。搜索优化的致动器设定点组的三步过程由图3的框图中所示的子模块51、52和53指示。
第一子模块51执行控制脉谱图的初始致动器设定点搜索空间的分层样本。初始致动器设定点搜索空间可以是多维搜索空间,其中维度的数量对应于控制脉谱图的数量(即,要由内燃发动机控制器控制的内燃发动机的致动器的数量)。内燃发动机的每个致动器可以具有致动器设定点的预定范围。用于控制脉谱图的致动器设定点的预定范围可以由上致动器约束和下致动器约束中的一者或多者限定。可以选择上致动器约束和下致动器约束以确保内燃发动机的致动器总是在特定物理界限内运行。例如,对于EGR致动器,上EGR致动器约束可以是360kg/hr,并且下EGR致动器约束可以是0kg/hr。因此,初始致动器设定点搜索空间可以由内燃发动机控制器的每个控制脉谱图的上致动器约束和下致动器约束限定。如上所述,初始致动器设定点搜索空间可以被预先确定以反映内燃发动机的致动器的物理界限。限定初始致动器设定点搜索空间的每个控制脉谱图的上致动器约束和下致动器约束可以存储在内燃发动机控制器的存储器中。
在一些实施例中,初始致动器设定点搜索空间可以根据内燃发动机的所需运行点而变化。例如,用于EGR致动器的搜索空间可以根据内燃发动机的所需运行负载和/或所需发动机速度而变化。例如,上致动器约束可以根据所需的运行点而变化。在一个实施例中,上EGR致动器约束可以根据内燃发动机的所需负载和/或发动机速度而变化。例如,在高速高负荷下可以提供360kg/hr的上EGR致动器约束。在低速和低负荷下,可能希望减少EGR,因此上EGR致动器约束可以降低,或者甚至设定为0kg/hr以相对于该变量“夹持”优化器。
初始致动器设定点搜索空间有效地限定了可以由内燃发动机控制器评价的每个可能的运行点。优化器模块50被配置成从初始致动器设定点搜索空间内选择候选的致动器设定点组以供优化器模块50进行评价。每个候选的致动器设定点组有效地表示内燃发动机1的潜在运行点。作为第一步骤的一部分,优化器模块50被配置成执行初始致动器设定点搜索空间的分层样本,以便获得候选的致动器设定点组的第一集合。通过使用分层样本对初始致动器设定点搜索空间进行采样,优化器模块确保所选的候选的致动器设定点组分布在致动器设定点搜索空间上。因此,将理解,分层样本可以提供比初始致动器设定点搜索空间的纯随机样本更均匀的候选的致动器设定点组在初始致动器设定点搜索空间上的分布。
执行多维搜索空间的分层样本的各种方法是本领域技术人员已知的。在本公开的一个实施例中,优化器模块50执行初始致动器设定点搜索空间的拉丁超立方体样本。因此,对于N个变量的初始致动器设定点搜索空间,每个致动器的范围(由上和下致动器约束条件限定)被分成M个等概率区间。然后放置M个采样点,其中每个采样点是每个轴对准的超平面中唯一的一个。例如,取得至少5个采样点,或至少7个,或至少9个。在其他实施例中,可以使用正交采样方法来确定分层样本,或者使用任何其他合适的分层采样方法,所述方法提供了候选的致动器设定点组在初始致动器设定点搜索空间上的分布。
第一子模块51根据内燃发动机的性能模型评价(第一集合的)每个候选的致动器设定点组。第一子模块51使用性能模型来计算与第一集合的每个候选的致动器设定点组相关联的成本。
图4示出了根据本公开的实施例的初始致动器设定点搜索空间的一部分和由性能模型生成的成本表面的图形表示。在图4的实施例中,初始致动器设定点搜索空间由两个致动器变量A1和A2限定(即,二维初始致动器设定点搜索空间)。因此,如图4所示,性能模型限定了初始致动器设定点搜索空间中的成本表面。图4的成本表面的另一等高线图如图5所示。如上所述,仅示出了初始致动器设定点搜索空间的一部分。每个致动器变量(A1和A2)具有从约束下限(分别为lc1和lc2,图4和图5中未示出)到约束上限(分别为uc1和uc2)的搜索范围。图4和图5分别示出了从A1和A2的中间值直到uc1和uc2的初始致动器设定点搜索空间。应当理解,图4和图5所示的成本表面仅仅是可能的致动器设定点搜索空间和所得成本表面的一个说明性示例,在其他实施例中,可以设想具有三维或更多维的致动器设定点搜索空间。
在图4和图5中指示了一系列点a、b、c、d、e、f和g,以表示由第一子模块51选择的候选的致动器设定点组的第一集合。点a、b、c、d、e、f和g表示初始致动器设定点搜索空间的分层样本(拉丁超立方体样本)。
用于评价每个候选的致动器设定点组的性能模型可以是用于评价内燃发动机性能的任何合适的性能模型。性能模型可以取决于输入变量和优化器模块50可用的处理能力。内燃发动机的性能模型可以是内燃发动机1的实时性能模型。通过实时性能模型,应当理解,评价是基于实时计算的内燃发动机性能模型,而不是例如历史发动机数据的离线计算。实时性能模型可以使用来自内燃发动机1的传感器数据和多个输入变量(即,到内燃发动机的实时输入变量)。因此,除了控制脉谱图的输入变量之外,实时性能模型还可以使用来自内燃发动机1的附加传感器数据,以便优化控制脉谱图。实际上,本公开的内燃发动机控制器10可以不显著增加基于脉谱图的控制的计算复杂性的方式将附加变量(直接和/或间接传感器数据变量)结合到内燃发动机控制中。
内燃发动机1的性能模型可以包括被布置成计算一个或多个发动机性能变量的发动机模型,以及被布置成基于一个或多个发动机性能变量计算成本的成本模型。发动机模型可以利用内燃发动机的一个或多个物理模型来计算发动机性能变量,和/或利用一个或多个布置的经验模型来计算另外的发动机性能变量。因此,内燃发动机1的性能模型可以是“灰盒”型性能模型。
到性能模型的输入是控制脉谱图的多个输入变量,以及来自内燃发动机的传感器输入和候选的致动器设定点组。因此,性能模型被提供有与内燃发动机的实时运行相关联的多个变量。因此,由性能模型计算的发动机性能变量可以表示内燃发动机1的实时性能。
现在参考图3描述合适的性能模型的一个示例。在图3的实施例中,性能模型被提供有SOI、燃料质量、请求的EGR(EGR)和IMAPR的候选的致动器设定点组。性能模型还被提供有来自内燃发动机的传感器的多个实时数据。来自内燃发动机1的传感器数据可包括来自与内燃发动机相关联的各传感器的信息。传感器数据还可以包括从来自内燃发动机的一个或多个传感器的数据导出的各种变量。例如,传感器数据可包括进气歧管压力、进气歧管温度、燃料轨压力、背压阀位置、质量EGR流量、总空气质量流量、燃料质量流量、燃料轨压力(FRP)。
性能模型可包括一个或多个模型,所述模型被配置成计算与每个候选的致动器设定点组相关联的多个发动机性能变量。应当理解,由于到性能模型的输入包括内燃发动机的致动器设定点和传感器数据,因此所计算的发动机性能变量将表示在这些致动器设定点下的内燃发动机1的实时性能。所计算的发动机性能变量可以包括:发动机扭矩、质量空气流量、制动平均有效压力(BMEP)、净平均指示有效压力(IMEP)、泵送平均有效压力(PMEP)、摩擦平均有效压力(FMEP)、排气歧管温度、峰值气缸压力、NOx量(例如,净指示比NOx、制动指示比NOx)、碳烟量(例如,净指示比碳烟、制动指示比碳烟)、NOx/碳烟比、最小新鲜充量、EGR潜能。上述发动机性能变量和提供给性能模型的输入之间的物理关系是本领域技术人员公知的。如上所述,性能模型可以利用基于物理学的模型、经验模型或基于经验和物理学的模型的组合(即半物理/灰盒模型)来计算一个或多个上述发动机性能变量。
例如,性能模型可以包括均值发动机模型。均值发动机模型对于本领域技术人员来说是公知的,用于模拟发动机性能参数,例如BMEP、发动机扭矩、空气流量等。适用于本公开的均值发动机模型的进一步解释可见于Urs Christen等人,SAE Technical PaperSeries中的“Event-Based Mean-Value Modeling of DIDiesel Engines for ControllerDesign”。因此,性能模型可用于基于输入计算发动机性能变量。
除了使用均值模型之外,性能模型可以包括用于计算一个或多个发动机性能变量的一个或多个基于神经网络的模型。例如,可以使用适当训练的神经网络根据传感器数据来计算净指示比NOx(NISNOx)发动机性能变量。使用神经网络计算发动机性能变量例如NISNOx的合适技术的进一步解释可见于Michele Steyskal等人,SAE Technical PaperSeries中的“Development of PEMS Models for Predicting NOx Emissions from LargeBore Natural Gas Engines”。
除了上述模型之外,还可以提供一个或多个内燃发动机部件的基于物理学的模型。例如,可提供压缩机模型、涡轮机模型或排气再循环冷却器模型,以便帮助计算合适的发动机性能变量。
性能模型将发动机性能变量输出到成本模型。成本模型被配置成评价一个或多个发动机性能变量,并基于发动机性能变量输出与每个候选的致动器设定点组相关联的成本。
成本模型可以包括多个函数,所述多个函数被配置成将成本分配给各种性能目标,以便根据候选的致动器设定点组来评价内燃发动机1的性能。例如,多个函数可以包括一个或多个性能目标函数、一个或多个排放函数以及一个或多个发动机约束函数。多个函数中的每一个可以被配置成基于一个或多个发动机性能变量和一个或多个成本参数的函数来输出成本。成本参数确定与每个发动机性能参数相关联的成本的大小。在图3的实施例中,成本函数被配置成使得较低的成本与更优的性能相关联。
性能目标函数可以是被配置成优化内燃发动机1以满足某些性能目标的函数。例如,性能目标可以是使制动比燃料消耗(BSFC)或净指示比燃料消耗(NISFC)最小化。进一步的性能目标可以是最小化转矩误差(即,实际输出转矩和请求的转矩之间的差)。这种性能目标函数的形式可以由具有加权平方律关系的函数(即,形式:成本=重量*(发动机性能变量)^2)表示。因此,对于性能目标函数,性能目标函数的权重是成本参数。图6a中示出了合适的性能目标函数的图形表示。例如,NISFC(成本NISFC)的性能目标可以是:
成本NISFC=权重NISFC*NISFC^2
排放函数可以是被配置成优化内燃发动机以便满足与内燃发动机产生的排放相关的某些目标的函数。例如,可以基于与内燃发动机产生的排放物相关的发动机性能变量来提供一个或多个排放函数。因此,一个或多个排放函数可基于NOx量(NISNOx、碳烟(NISCF)、NOx碳烟比、最小新鲜充量和/或EGR潜能。排放函数可以使用任何合适的函数来限定成本和发动机性能变量之间的关系。例如,在图3的实施例中,排放函数可以单侧平方律函数的形式提供。图6b示出了合适的排放函数的图形表示。
在本公开中,净指示比NOx(NISNOx)旨在表示在后处理系统中的任何处理之前由内燃发动机输出的NOx量。当然,本领域技术人员将理解,还可以在后处理系统的下游估算NOx量(例如,排气尾管NOx)。
例如,排放函数可以包括目标上限(T)。目标上限可以限定发动机性能变量的值,高于该值会产生显著的的成本,而对于低于目标上限的值,不会产生成本或成本极小。例如,对于一些内燃发动机,NISNOx的目标上限可以是4g/kWh。因此,对于排放函数,目标上限和/或权重可以是成本参数。在其他实施例中,可以提供目标限值来作为目标下限。
因此,基于发动机性能变量NISNOx的排放函数(成本NOx)可以是:
当:NISNOx<T,成本NOx=0
NISNOx≥T,成本NOx=权重NOx*(NISNOx–T)^2
发动机约束函数可以是被配置成反映与内燃发动机的性能相关联的约束的函数。因此,可以提供一个或多个发动机约束函数以阻止或防止内燃发动机控制器在某些工况下运行内燃发动机1。例如,一个或多个发动机约束函数可以基于具有固定限值的发动机性能变量,所述固定限值由于内燃发动机的物理要求而不能被超越。因此,一个或多个发动机约束函数可以基于峰值气缸压力(PCP)、排气歧管温度、压缩机出口温度。具有期望的固定限值例如最大转矩误差的另外的发动机性能变量也可具有相应的发动机约束函数。每个发动机约束函数可以使用任何合适的函数来限定成本和一个或多个发动机性能变量之间的关系。例如,在图3的实施例中,可以以成本=1/发动机性能变量的形式提供发动机约束函数。图6c中示出了合适的发动机约束函数的图形表示。
例如,可以基于限值L提供用于发动机性能变量PCP的发动机约束函数,由发动机约束函数计算的成本可以随着接近限值L而渐近地上升。因此,限值L也可以是成本参数。因此,基于发动机性能变量PCP的发动机约束函数(成本PCP)可以是:
成本PCP=1/(L–PCP)
如上所述,已经关于性能目标函数、排放函数和发动机约束函数描述了各种成本参数。成本参数可以由成本模型存储,例如作为成本参数向量。在一些实施例中,成本参数可以是时变的。也就是说,在一些实施例中,成本模型可更新一个或多个成本参数,以便实现与不同发动机性能变量相关联的相对成本的变化。例如,成本模型可更新一个或多个成本参数,以便启动后处理系统的再生,如下所述。
例如,成本模型可以利用来自后处理系统的数据,以便确定将执行后处理系统的再生(例如,来自后处理系统的需要柴油微粒过滤器的再生的指示)。成本模型可更新模型的一些成本函数,以便实现后处理系统的再生。例如,可以提供成本函数(例如性能目标函数)来控制排气最低温度。为了再生后处理系统,可以增加排气温度最小损耗(例如,至400℃)以促使优化器计算提高排气温度的优化超曲面。内燃发动机可能不能达到这样的排气温度,但是将促使其找到使与该值的偏差最小的解决方案。当不需要后处理热管理时,可将排气温度最小损耗设定为可忽略的值(例如,-180℃)。因此,当不需要时,成本函数将不考虑该项。
因此,成本模型可以基于由上面计算的成本函数中的每一个计算的成本来计算与每个候选的致动器设定点组相关联的总成本。与每个候选的致动器设定点组相关联的总成本可以被提供给优化器模块50以供进一步处理。
因此,可以提供用于计算与每个候选的致动器设定点组相关联的成本的性能模型。应当理解,本领域技术人员可以想到对上述性能模型的各种修改或变化。特别地,可以基于内燃发动机控制器10旨在控制的特定内燃发动机1来调整性能模型。
在第二步骤中,优化器模块50的第二子模块52基于与候选的致动器设定点组的第一集合相关联的成本来确定初始致动器设定点搜索空间中跨越第一成本最小值的搜索线。
在一个实施例中,基于具有最低成本的两个候选的致动器设定点组来确定搜索线。例如,如图4和图5的搜索空间中所示,搜索向量被确定为初始致动器设定点搜索空间中沿着具有最低成本的两个候选的致动器设定点组之间的线的向量。在图7中以图形方式表示了沿着搜索向量的成本函数的值。确定搜索向量的目的是提供进一步搜索最小值以便识别优化的致动器设定点组的方向。
一旦确定了搜索向量,子模块52就确定沿着搜索向量的跨成本最小值的线。用于确定函数(即性能模型)的最小值是否位于线上的两个点之间的各种方法对于本领域技术人员是已知的。下面更详细地讨论用于确定搜索线的一个示例。一旦确定了已知最小值所沿的搜索线,子模块52就将限定搜索线的信息输出到第三子模块53。应当理解,搜索线可以以各种方式限定,例如,限定为坐标(即,两个候选的致动器设定点组),或者限定为方程。图7以粗体示出在点e和f之间延伸的搜索线。
用于检查沿搜索线是否存在最小值的一种方法是在沿搜索线的第三点(x1)处(即,在限定搜索线的起点和终点的两个候选的致动器设定点组之间)评价成本函数。如果所评价的第三点具有比搜索线的两个端点中的任一个低的成本,则这指示最小值位于两个端点之间的搜索线上。在确定沿着搜索线不存在最小值的情况下,可以沿着初始致动器设定点搜索空间中的搜索向量延伸搜索线的端点,并且重新评价。可以重复该过程,直到找到跨最小值的搜索线(例如,如图4和图5所示)。所述方法的一个优点是可以减少需要评价的候选的致动器设定点组的数量。也就是说,不需要评价沿着搜索向量的每个点。在许多情况下,通过分层搜索识别的具有最低成本的候选的致动器设定点组将跨最小值,并且因此仅评价沿着搜索线的一个另外的点(即,一个另外的候选的致动器设定点组)以确认最小值位于该线上。例如,如图5的示例中所示,性能模型沿搜索线的成本在候选组e和f之间的点处被最小化。
在第三步骤中,优化器模块50的第三子模块53沿着搜索线执行线搜索,以计算与第一成本最小值相关联的优化的致动器设定点组。因此,线搜索的目的是识别在初始致动器设定点搜索空间中沿着搜索线的与成本最小值相对应的点。本领域技术人员已知各种线搜索方法用于沿着线搜索函数的最小值。
参考图7的搜索线,可以使用黄金分割线搜索方法来定位最小值。黄金分割线搜索是一种形式的分割算法,其中黄金比例((1+√5)/2)用于选择下一个要评价的点(致动器设定点组)。其他分割算法(例如,平分)也是合适的。黄金分割线搜索的一个优点是先前识别的候选的致动器设定点组可以在算法中被重新使用,从而降低优化器模块50的计算要求。黄金分割算法使用曲线上的三个点,其中最小值被认为位于这三个点之间。
在图7的实施例中,可以使用黄金比例在搜索线的端点之间选择点x1。如图7所示,可以基于用于建立搜索线的两个点和用于确认搜索线跨最小值的点x1来选择要评价的下一个候选的致动器设定点组(由点x2表示)。在搜索线上选择点x2,使得距离b等于a+c。根据点x2处的成本值,黄金分割算法更新限定成本最小值的三个点。例如,在图7的实施例中,下一个三重点将是x1、x2和f。
黄金分割线搜索可以重复该搜索,直到沿着搜索线的最小值被识别。一旦达到终止标准,黄金分割线搜索就可以终止。终止准则可以基于以下中的一个或多个:最大迭代次数,以及在两次迭代之间降至特定阈值以下的成本降低(即,搜索已经收敛到优化的致动器设定点组)。
一旦优化器模块已经识别出优化的致动器设定点组,脉谱图更新模块40就基于优化的致动器设定点组来更新控制脉谱图30的一个或多个超曲面。更新由多个输入变量限定的每个控制超曲面上的位置处的超曲面,因为这些输入变量是用于评价与候选的致动器设定点组相关联的成本的输入变量。可以更新每个控制脉谱图的超曲面,以反映优化的致动器设定点组中的致动器设定点在由多个输入变量限定的每个控制超曲面上的位置。因此,脉谱图更新模块40可更新由控制脉谱图限定的内燃发动机1的实时运行点。
脉谱图更新模块40可以包括进一步的检查,以确定是否基于优化的致动器设定点组来更新控制脉谱图。脉谱图更新模块40可确定与优化的致动器设定点组相关联的成本和与对应于由多个输入变量限定的控制脉谱图的每个超曲面上的位置的候选的致动器设定点组相关联的成本之间的成本差。如果成本差小于更新阈值,则可以不更新控制脉谱图的超曲面。应当理解,对于一些优化的致动器设定点组,相对于由控制脉谱图的超曲面上的位置限定的当前致动器设定点的性能改进可能相对较小。对于一些内燃发动机1,可能不希望为了相对适度的性能改进而频繁地改变致动器设定点。因此,在与致动器设定到优化设定点的变化相关联的成本降低小于预定阈值的情况下,脉谱图更新模块可以选择不更新控制脉谱图30。例如,预定阈值可以是先前成本的百分比。也就是说,在变化小于:10%、5%、3%或1%的差值的情况下,则脉谱图更新模块40可以不更新控制脉谱图30。
根据本公开的另一实施例,优化器模块可以被配置成对用于计算优化的致动器设定点组的过程进行迭代。图8是本公开的另一实施例的框图,其中优化器对优化的致动器设定点组的计算进行迭代。
如图8所示,优化器模块50可进一步被修改以结合来自控制脉谱图30的输入。优化器模块50可以被配置成基于发动机设定点模块20的控制信号输出来选择一个候选的致动器设定点组。因此,由内燃发动机控制器10输出的当前控制信号可以被提供给脉谱图更新模块40,以便被评价为候选的致动器设定点组中的一个。因此,当计算优化的致动器设定点组时,脉谱图更新模块40可以评价由控制脉谱图30限定的当前超曲面上的位置。
如本领域技术人员将理解的,发动机设定点模块20的输出可基于先前已由脉谱图更新模块40更新的控制脉谱图30。因此,基于发动机设定点模块20的控制信号输出的致动器设定点候选组可反映先前计算的优化超曲面。因此,内燃发动机控制器10可有效地结合存储器的形式,其中先前计算的优化超曲面可影响由优化器模块50评价的候选的致动器设定点组。
类似于上面讨论的图3的实施例,图8的优化器模块50被布置成执行初始致动器设定点搜索空间的分层样本,并且计算(第一)优化的致动器设定点组。优化器模块50可以计算基本上如以上针对图3的实施例所讨论的第一优化的致动器设定点组。
一旦计算出第一优化致动器设定点,优化器模块就可以选择对通过重复上述搜索过程而找到的解进行迭代。为了尝试改进优化的致动器设定点,优化器模块使用更新的搜索空间来重复搜索过程。因此,优化器模块执行受约束的致动器设定点搜索空间(即,初始致动器设定点搜索空间的子集)的分层样本,而不是执行初始致动器设定点搜索空间的分层样本。
可以基于先前计算的优化的致动器设定点组(例如,第一优化的致动器设定点组)来约束受约束的致动器设定点搜索空间。可以通过更新用于限定执行分层样本的搜索空间的每个致动器的上致动器约束和下致动器约束(例如,初始致动器设定点搜索空间)来约束搜索空间。每个致动器的可用搜索范围可以至少减少:30%、40%、50%、60%或70%。可以选择每个致动器的上致动器约束和下致动器约束,使得先前计算的优化的致动器设定点组位于受约束的致动器设定点搜索空间的中心。当然,在一些示例中,例如,在先前计算的优化的致动器设定点组接近初始致动器设定点搜索空间的一个或多个上约束或下约束的情况下,可能无法将先前计算的优化的致动器设定点组定位在受约束的致动器设定点搜索空间的中心。在这种情况下,可以根据相关的上致动器约束或下致动器约束来限定受约束的致动器设定点范围,使得先前计算的优化的致动器设定点组尽可能位于受约束的致动器设定点搜索空间内的中心。
一旦确定了受约束的致动器设定点搜索空间,优化器模块50就被配置成执行受约束的致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第二集合。受约束的致动器设定点搜索空间的分层样本可以以与初始致动器设定点搜索空间的分层样本基本上相同的方式执行。在一些实施例中,候选的致动器设定点组之一可以是先前计算的优化的致动器设定点组。因此,优化器模块50确保在随后的迭代中评价先前的解,并且还减少第二集合内需要评价的候选的致动器设定点组的数量。
优化器模块50根据内燃发动机的性能模型来评价候选的致动器设定点组的第二集合,并且计算与候选的致动器设定点组的第二集合中的每一者相关联的成本。可以以与上述针对候选的致动器设定点组的第一集合基本上相同的方式执行对候选的致动器设定点组的第二集合中的每一者的评价。
优化器模块50(例如,第二子模块52)然后基于与候选的致动器设定点组的第二集合相关联的成本来确定在受约束的致动器设定点搜索空间中跨越第二成本最小值的另一搜索线。
优化器模块50(例如,第三子模块53)然后沿着该另一搜索线执行线搜索以计算与第二成本最小值相关联的致动器设定点组。优化器模块可以执行基本上如上所述的线搜索。
一旦计算出了与第二成本最小值相关联的致动器设定点组,优化器模块评价是否已经相对于第一成本最小值(即,先前计算的优化的致动器设定点组)实现了成本降低,如果实现成本降低,则优化器模块50基于与第二成本最小值相关联的致动器设定点组来更新优化的致动器设定点组。如果没有实现成本降低,则不更新优化的致动器设定点组。
因此,优化器模块可以对优化的致动器设定点组的计算进行迭代。从图8的实施例将理解,优化器模块50可以对优化的致动器设定点组的计算进行多次迭代。每次对计算进行迭代时,受约束的致动器设定点搜索空间的大小可以相对于先前的计算进一步减小。优化器模块可以被布置成将计算迭代至少3次、至少5次或至少7次。
如图8的实施例所示,优化器模块50包括终止模块54,该终止模块被配置成决定何时终止对优化的候选致动器设定点组的迭代。当在更新优化的致动器设定点组时实现的成本降低降至收敛极限以下时,终止模块54可以终止迭代;和/或执行迭代所花费的时间超过时间极限。可以基于优化器模块50可用的计算资源来限定时间极限。可以设定时间极限,使得允许优化器模块运行例如至少7次。
一旦优化器模块50的终止模块54终止优化的致动器设定点的迭代,则可以由脉谱图更新模块40评价优化的致动器设定点,以便决定是否更新控制脉谱图。
本公开描述了内燃发动机控制器的运行。本文描述的内燃发动机控制器包括一个或多个处理器并且可以访问一个或多个存储器模块。由内燃发动机控制器执行的处理运行根据被配置成执行各种处理任务的各种模块来描述。在一些实施例中,各种模块可以由不同的计算机处理器执行;而在其他实施例中,一些或所有处理模块可以由单个处理器执行。因此,将理解,本文描述的处理模块可以表示由一个或多个处理器执行的计算机程序内的各种功能。
工业适用性
本公开的内燃发动机控制器10可以被配置成以多种配置来控制内燃发动机。
一种应用可以是用于控制如图1所示的内燃发动机的致动器设定点。所述内燃发动机可以安装在例如车辆或机器上,或者可以形成发电机的一部分。
Claims (18)
1.一种内燃发动机控制器,包括:
存储器,所述存储器被配置成存储多个控制脉谱图,每个控制脉谱图限定致动器设定点的超曲面,用于基于到所述内燃发动机控制器的多个输入变量来控制所述内燃发动机的致动器;以及
处理器,所述处理器包括:
发动机设定点模块,所述发动机设定点模块被配置成基于由所述多个输入变量限定的相应控制脉谱图的超曲面上的位置向每个致动器输出致动器设定点;以及
脉谱图更新模块,所述脉谱图更新模块被配置成优化所述控制脉谱图在由所述多个输入变量限定的所述位置处的所述超曲面中的一个或多个超曲面,所述脉谱图更新模块包括:
优化器模块,所述优化器模块被配置成通过以下步骤来搜索优化的致动器设定点组:
(i)执行所述控制脉谱图的初始致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第一集合,并且根据所述内燃发动机的性能模型来评价候选的致动器设定点组的第一集合,以计算与所述候选的致动器设定点组的第一集合中的每一者相关联的成本,
(ii)基于与所述候选的致动器设定点组的第一集合相关联的所述成本,确定所述初始致动器设定点搜索空间中跨越第一成本最小值的搜索线;
(iii)沿着所述搜索线执行线搜索以计算与所述第一成本最小值相关联的优化的致动器设定点组;
其中所述脉谱图更新模块基于所述优化的致动器设定点组来更新由所述多个输入变量限定的所述位置处的所述一个或多个超曲面。
2.根据权利要求1所述的内燃发动机控制器,其中所述优化器模块还被配置成通过以下步骤来搜索优化的致动器设定点组:
(iv)执行受约束的致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第二集合,其中基于所述优化的致动器设定点组来约束所述受约束的致动器设定点搜索空间,以及根据所述内燃发动机的性能模型来评价所述候选的致动器设定点组的第二集合,以计算与所述候选的致动器设定点组的第二集合中的每一者相关联的成本,
(v)基于与所述候选的致动器设定点组的第二集合相关联的所述成本,确定所述受约束的致动器设定点搜索空间中跨越第二成本最小值的另一搜索线;
(vi)沿着所述另一搜索线执行线搜索以计算与所述第二成本最小值相关联的致动器设定点组;
(vii)如果实现成本降低,则基于与所述第二成本最小值相关联的所述致动器设定点组来更新所述优化的致动器设定点组。
3.根据权利要求2所述的内燃发动机控制器,其中所述优化器模块被配置成将所述步骤(iv)、(v)、(vi)和(vii)重复至少一次。
4.根据权利要求3所述的内燃发动机控制器,其中所述优化器模块被配置成重复所述步骤(iv)、(v)、(vi)和(vii),直到:
当在更新所述优化的致动器设定点组时实现的成本降低降至收敛极限以下;和/或
执行所述搜索所花费的时间超过时间极限。
5.根据任一项前述权利要求所述的内燃发动机控制器,其中一个候选的致动器设定点组对应于由所述多个输入变量限定的每个超曲面上的所述位置。
6.根据权利要求5所述的内燃发动机控制器,其中所述脉谱图更新模块被配置成通过以下步骤来优化所述控制脉谱图的所述超曲面:
确定与所述优化的致动器设定点组相关联的所述成本和与对应于由所述多个输入变量限定的所述控制脉谱图的每个超曲面上的所述位置的所述候选的致动器设定点组相关联的成本之间的成本差;
其中如果所述成本差小于更新阈值,则不更新所述控制脉谱图的所述超曲面。
7.根据权利要求2至4中任一项所述的内燃发动机控制器,其中基于具有最低成本的两个所述候选的致动器设定点组来计算所述初始致动器设定点搜索空间中的所述搜索线和/或所述受约束的致动器设定点搜索空间中的所述另一搜索线。
8.根据权利要求2至4中任一项所述的内燃发动机控制器,其中所述初始致动器设定点搜索空间的所述分层样本和/或所述受约束的致动器设定点搜索空间的所述分层样本是相应的致动器设定点搜索空间的拉丁超立方体样本。
9.根据权利要求1至4中任一项所述的内燃发动机控制器,其中所述初始致动器设定点搜索空间由所述控制脉谱图中的每个控制脉谱图的上致动器约束和下致动器约束来限定。
10.一种控制内燃发动机的方法,包括:
提供多个控制脉谱图,每个控制脉谱图限定致动器设定点的超曲面,用于基于到所述内燃发动机控制器的多个输入变量来控制所述内燃发动机的致动器;
基于由所述多个输入变量限定的相应控制脉谱图的所述超曲面上的位置向每个致动器输出致动器设定点;以及
通过以下步骤来优化由所述多个输入变量限定的所述位置处的所述控制脉谱图中的一个或多个超曲面:
搜索优化的致动器设定点组,包括:
(i)执行所述控制脉谱图的初始致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第一集合,并且根据所述内燃发动机的性能模型来评价候选的致动器设定点组的第一集合,以计算与所述候选的致动器设定点组的第一集合中的每一者相关联的成本,
(ii)基于与所述候选的致动器设定点组的第一集合相关联的所述成本,确定所述初始致动器设定点搜索空间中跨越第一成本最小值的搜索线;
(iii)沿着所述搜索线执行线搜索以计算与所述第一成本最小值相关联的优化的致动器设定点组;以及
基于所述优化的致动器设定点组来更新由所述多个输入变量限定的所述位置处的所述一个或多个超曲面。
11.根据权利要求10所述的方法,其中搜索优化的致动器设定点组还包括以下步骤:
(iv)执行受约束的致动器设定点搜索空间的分层样本以便选择候选的致动器设定点组的第二集合,其中基于所述优化的致动器设定点组来约束所述受约束的致动器设定点搜索空间,以及根据所述内燃发动机的性能模型来评价所述候选的致动器设定点组的第二集合,以计算与所述候选的致动器设定点组的第二集合中的每一者相关联的成本,
(v)基于与所述候选的致动器设定点组的第二集合相关联的所述成本,确定所述受约束的致动器设定点搜索空间中跨越第二成本最小值的另一搜索线;
(vi)沿着所述另一搜索线执行线搜索以计算与所述第二成本最小值相关联的致动器设定点组;
(vii)如果实现成本降低,则基于与所述第二成本最小值相关联的所述致动器设定点组来更新所述优化的致动器设定点组。
12.根据权利要求11的方法,其中将所述步骤(iv)、(v)、(vi)和(vii)重复至少一次。
13.根据权利要求12所述的方法,其中重复所述步骤(iv)、(v)、(vi)和(vii),直到:
当在更新所述优化的致动器设定点组时实现的成本降低降至收敛极限以下;和/或
执行所述搜索所花费的时间超过时间极限。
14.根据权利要求10至13中任一项所述的方法,其中一个候选的致动器设定点组对应于由所述多个输入变量限定的每个超曲面上的所述位置。
15.根据权利要求14的方法,其中优化所述控制脉谱图的所述超曲面包括:
确定与所述优化的致动器设定点组相关联的所述成本和与对应于由所述多个输入变量限定的所述控制脉谱图的每个超曲面上的所述位置的所述候选的致动器设定点组相关联的成本之间的成本差;
其中如果所述成本差小于更新阈值,则不更新所述控制脉谱图的所述超曲面。
16.根据权利要求11至13中任一项所述的方法,其中基于具有最低成本的两个所述候选的致动器设定点组来计算所述初始致动器设定点搜索空间中的所述搜索线和/或所述受约束的致动器设定点搜索空间中的所述另一搜索线。
17.根据权利要求11至13中任一项所述的方法,其中所述初始致动器设定点搜索空间的所述分层样本和/或所述受约束的致动器设定点搜索空间的所述分层样本是相应的致动器设定点搜索空间的拉丁超立方体样本。
18.根据权利要求10至13中任一项所述的方法,其中所述初始致动器设定点搜索空间由所述控制脉谱图中的每个控制脉谱图的上致动器约束和下致动器约束来限定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1905877.5 | 2019-04-26 | ||
GB1905877.5A GB2583382B (en) | 2019-04-26 | 2019-04-26 | Internal combustion engine controller |
PCT/EP2020/025187 WO2020216472A1 (en) | 2019-04-26 | 2020-04-24 | Internal combustion engine controller |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113795661A CN113795661A (zh) | 2021-12-14 |
CN113795661B true CN113795661B (zh) | 2024-03-01 |
Family
ID=66809148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080032332.1A Active CN113795661B (zh) | 2019-04-26 | 2020-04-24 | 内燃发动机的控制器 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11719181B2 (zh) |
EP (1) | EP3959431A1 (zh) |
JP (1) | JP7482896B2 (zh) |
CN (1) | CN113795661B (zh) |
GB (1) | GB2583382B (zh) |
WO (1) | WO2020216472A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2585178B (en) * | 2019-04-26 | 2022-04-06 | Perkins Engines Co Ltd | Engine control system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031935A (en) * | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
US6178373B1 (en) * | 1999-04-12 | 2001-01-23 | Ford Motor Company | Engine control method using real-time engine system model |
CN101285430A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机喷油器控制的方法 |
CN106414964A (zh) * | 2014-05-26 | 2017-02-15 | 丰田自动车株式会社 | 用于内燃发动机的控制设备 |
CN108733868A (zh) * | 2017-03-17 | 2018-11-02 | 通用电气公司 | 用于基于飞行数据的参数调谐和配置的方法和系统 |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4379332A (en) * | 1978-09-25 | 1983-04-05 | The Bendix Corporation | Electronic fuel injection control system for an internal combustion engine |
US6240343B1 (en) | 1998-12-28 | 2001-05-29 | Caterpillar Inc. | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network |
DE10020448B4 (de) | 2000-04-26 | 2005-05-04 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Optimierung des Betriebs eines Verbrennungsmotors |
GB0204826D0 (en) * | 2002-03-01 | 2002-04-17 | Axeon Ltd | Control of a mechanical actuator using a modular map processor |
US6965826B2 (en) * | 2002-12-30 | 2005-11-15 | Caterpillar Inc | Engine control strategies |
DE102004026583B3 (de) * | 2004-05-28 | 2005-11-24 | Robert Bosch Gmbh | Verfahren zur Optimierung von Kennfeldern |
US7047125B1 (en) * | 2005-02-25 | 2006-05-16 | Caterpillar Inc. | Internal combustion engine performance calibration systems |
FR2883602B1 (fr) | 2005-03-22 | 2010-04-16 | Alain Lunati | Procede d'optimisation des parametres de fonctionnement d'un moteur a combustion |
US7204236B2 (en) | 2005-05-04 | 2007-04-17 | Gm Global Technology Operations, Inc. | Calibration of model-based fuel control with fuel dynamics compensation for engine start and crank to run transition |
US7415389B2 (en) * | 2005-12-29 | 2008-08-19 | Honeywell International Inc. | Calibration of engine control systems |
US7505949B2 (en) * | 2006-01-31 | 2009-03-17 | Caterpillar Inc. | Process model error correction method and system |
US7431011B2 (en) * | 2006-02-06 | 2008-10-07 | Ut-Battelle, Llc | Method and device for diagnosing and controlling combustion instabilities in internal combustion engines operating in or transitioning to homogeneous charge combustion ignition mode |
US7577483B2 (en) * | 2006-05-25 | 2009-08-18 | Honeywell Asca Inc. | Automatic tuning method for multivariable model predictive controllers |
JP4340676B2 (ja) * | 2006-10-11 | 2009-10-07 | 本田技研工業株式会社 | 制御装置 |
JP4795920B2 (ja) * | 2006-12-08 | 2011-10-19 | 富士重工業株式会社 | 制御マップ最適化装置 |
CN101285426B (zh) * | 2007-04-09 | 2010-10-06 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机怠速控制的方法 |
DE102008004382A1 (de) | 2008-01-15 | 2009-07-16 | Robert Bosch Gmbh | Bestimmung der Drehzahl in einer elektrischen Maschine anhand mehrerer Parameter |
DE102008004361A1 (de) | 2008-01-15 | 2009-07-16 | Robert Bosch Gmbh | Verfahren zur Regelung eines Verbrennungsmotors, Computerprogramm und Steuergerät |
EP2116836B1 (en) * | 2008-05-05 | 2017-01-18 | Delphi Technologies, Inc. | Method and apparatus for determining TDC for each cylinder of a multi-cylinder internal combustion engine |
US7853395B2 (en) * | 2008-05-30 | 2010-12-14 | Cummins Ip, Inc. | Apparatus, system, and method for calibrating an internal combustion engine |
US8060290B2 (en) * | 2008-07-17 | 2011-11-15 | Honeywell International Inc. | Configurable automotive controller |
US8504175B2 (en) * | 2010-06-02 | 2013-08-06 | Honeywell International Inc. | Using model predictive control to optimize variable trajectories and system control |
US8601298B2 (en) * | 2010-09-15 | 2013-12-03 | Qualcomm Incorporated | System and method for determining optimal operating parameters for conserving power in a portable device from a hypersurface which represents optimal values of the operating parameters under various synthetic workloads |
US8924125B2 (en) * | 2011-03-31 | 2014-12-30 | Robert Bosch Gmbh | Perturbing engine performance measurements to determine optimal engine control settings |
US9650934B2 (en) * | 2011-11-04 | 2017-05-16 | Honeywell spol.s.r.o. | Engine and aftertreatment optimization system |
FR2982908B1 (fr) * | 2011-11-17 | 2014-11-14 | IFP Energies Nouvelles | Procede de controle de la fraction de gaz brules dans un cylindre moteur avec egr rt igr |
US8977373B2 (en) * | 2011-12-28 | 2015-03-10 | Caterpillar Inc. | Systems and methods for extending physical sensor range using virtual sensors |
JP2014026516A (ja) * | 2012-07-27 | 2014-02-06 | Nissan Motor Co Ltd | 目標経路生成装置及び目標経路生成方法 |
US8862297B2 (en) * | 2012-08-09 | 2014-10-14 | GM Global Technology Operations LLC | Enhanced method for choosing optimal engine speed and torque |
US9146545B2 (en) * | 2012-11-27 | 2015-09-29 | Honeywell International Inc. | Multivariable control system for setpoint design |
US9874160B2 (en) * | 2013-09-27 | 2018-01-23 | Ford Global Technologies, Llc | Powertrain control system |
US10030602B2 (en) | 2014-07-22 | 2018-07-24 | The Regents Of The University Of Michigan | Adaptive machine learning method to predict and control engine combustion |
US10190522B2 (en) * | 2016-06-17 | 2019-01-29 | Toyota Motor Engineering & Manufacturing North America, Inc. | Hybrid partial and full step quadratic solver for model predictive control of diesel engine air path flow and methods of use |
US11454188B2 (en) * | 2017-06-02 | 2022-09-27 | The Mathworks, Inc. | Systems and methods for rescaling executable simulation models |
US10578040B2 (en) * | 2017-09-15 | 2020-03-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Smoothed and regularized Fischer-Burmeister solver for embedded real-time constrained optimal control problems in automotive systems |
US10787981B2 (en) * | 2018-08-08 | 2020-09-29 | Caterpillar Inc. | Power system optimization |
-
2019
- 2019-04-26 GB GB1905877.5A patent/GB2583382B/en active Active
-
2020
- 2020-04-24 EP EP20723988.0A patent/EP3959431A1/en active Pending
- 2020-04-24 JP JP2021561009A patent/JP7482896B2/ja active Active
- 2020-04-24 WO PCT/EP2020/025187 patent/WO2020216472A1/en unknown
- 2020-04-24 US US17/606,623 patent/US11719181B2/en active Active
- 2020-04-24 CN CN202080032332.1A patent/CN113795661B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031935A (en) * | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
US6178373B1 (en) * | 1999-04-12 | 2001-01-23 | Ford Motor Company | Engine control method using real-time engine system model |
CN101285430A (zh) * | 2007-04-09 | 2008-10-15 | 山东申普汽车控制技术有限公司 | 组合脉谱对发动机喷油器控制的方法 |
CN106414964A (zh) * | 2014-05-26 | 2017-02-15 | 丰田自动车株式会社 | 用于内燃发动机的控制设备 |
CN108733868A (zh) * | 2017-03-17 | 2018-11-02 | 通用电气公司 | 用于基于飞行数据的参数调谐和配置的方法和系统 |
Non-Patent Citations (1)
Title |
---|
Kristian Jankov.Beitrag zur automatisierten Steuerkennfeld-Applikation bei Fahrzeug-Dieselmotoren.Doctoral Thesis of Technical University of Berlin.2008,全文. * |
Also Published As
Publication number | Publication date |
---|---|
GB2583382A (en) | 2020-10-28 |
EP3959431A1 (en) | 2022-03-02 |
JP2022529770A (ja) | 2022-06-24 |
US11719181B2 (en) | 2023-08-08 |
US20220235721A1 (en) | 2022-07-28 |
JP7482896B2 (ja) | 2024-05-14 |
GB201905877D0 (en) | 2019-06-12 |
GB2583382B (en) | 2021-10-27 |
WO2020216472A1 (en) | 2020-10-29 |
CN113795661A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wahlström et al. | Output selection and its implications for MPC of EGR and VGT in diesel engines | |
US11939931B2 (en) | Engine control system | |
CN113795660B (zh) | 内燃发动机控制器 | |
US20160160787A1 (en) | Controller for controlling an internal combustion engine of a vehicle, in particular a commercial vehicle | |
Nikzadfar et al. | Investigating a new model-based calibration procedure for optimizing the emissions and performance of a turbocharged diesel engine | |
Papalambrou et al. | Model predictive control for hybrid diesel-electric marine propulsion | |
CN113795661B (zh) | 内燃发动机的控制器 | |
Moriyasu et al. | Real-time mpc design based on machine learning for a diesel engine air path system | |
Fang et al. | Optimal-behavior-based dynamic calibration of the automotive diesel engine | |
Hirsch et al. | Adapted D-optimal experimental design for transient emission models of diesel engines | |
Simani et al. | Fuzzy modelling and control of the air system of a diesel engine | |
Min et al. | Iterative learning control algorithm for feedforward controller of EGR and VGT systems in a CRDI diesel engine | |
Al Tamimi et al. | Neural network-based optimal control for advanced vehicular thermal management systems | |
Geiselhart et al. | Hierarchical predictive control of a combined engine/selective catalytic reduction system with limited model knowledge | |
US11761392B2 (en) | Method and system for engine air system control | |
Bemporad et al. | Hybrid modeling and control of a direct injection stratified charge engine | |
Aran et al. | Diesel engine airpath controller via data driven disturbance observer | |
Jimbo et al. | Predictive control for high-EGR SI engines without misfire via flow-based design | |
Shirai et al. | An application of a model-prediction-based reference modification algorithm to engine air path control | |
CN117927395A (zh) | 一种考虑不同工况的发动机控制方法及系统 | |
Yazdanpanah et al. | Air/fuel ratio control in SI1 engines using a combined neural network and estimator | |
Liu et al. | A Hierarchical Economic Model Predictive Controller That Exploits Look-Ahead Information of Roads to Boost Engine Performance | |
Shi et al. | Extremum seeking-based optimal EGR set-point design for combustion engines in lean-burn mode | |
Isermann et al. | Model Based Control of Diesel Engines with Dynamic Neural Networks | |
Kaji et al. | Avoidance of constraint violation for experiment-based evolutionary multi-objective optimization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |