CN114563126A - 空气系统压力信号滤波自学习方法 - Google Patents
空气系统压力信号滤波自学习方法 Download PDFInfo
- Publication number
- CN114563126A CN114563126A CN202210202114.9A CN202210202114A CN114563126A CN 114563126 A CN114563126 A CN 114563126A CN 202210202114 A CN202210202114 A CN 202210202114A CN 114563126 A CN114563126 A CN 114563126A
- Authority
- CN
- China
- Prior art keywords
- self
- learning
- value
- pressure sensor
- exhaust manifold
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 241001125929 Trisopterus luscus Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 2
- 229910052697 platinum Inorganic materials 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical 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
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及空气系统压力信号滤波自学习方法，包含步骤：检查车辆的自学习条件；如果为“条件不满足”，则返回并再次从头执行；读取排气歧管压力传感器测量值、大气压力传感器测量值、上次自学习值；计算得到排气歧管压力修正值；计算得到自学习中间值；计算获得自学习最终值；用自学习最终值替换上次自学习值，存储上次自学习值在NVV存储空间中的存储地址中。本发明大幅减小停机随机产生的误差影响；适用于所有空气系统压力传感器的自学习；防止自学习的过大随机偏差产生，良好的保障空气系统控制精度。
Description
技术领域
本发明涉及发动机传感器技术领域，具体地涉及空气系统压力信号滤波自学习方法。
背景技术
发动机上各压力传感器，尤其是空气系统的压力传感器非常重要，其中涡前压力和进气歧管压力传感器，工作条件恶劣，传感器自身存在0点漂移的情况，需要进行修正。
为了解决上述问题，现有技术有很多，如名称为“压力传感器误差修正方法”，申请号为CN200610088029.5，公开号为CN101089574，申请日为0060614的中国发明专利申请，公布了以下技术方案：
一种压力传感器误差的修正方法，包括压力传感器零位失调误差、温度漂移、非线性三项误差的修正与压力传感器输出信号的标定，包括以下步骤：
第一步，建立压力传感器数据模型；
其中包括以下子步骤：
1.收集N个不同温度、压力下的传感器输出值：上位机1自动设定标准压力源6输出压力和烘箱7温度，并通过信号通道3和微处理器2采集N个温度下和M种压力下的压力传感器输出数据；
2.根据获得的传感器的输出数据建立压力传感器N*M矩阵输出模型；
3.根据模型状态，分析模型结构，将传感器补偿温区分解成若干修正温区，细化传感器模型。
根据该传感器测试特性将传感器的补偿温区分解为每15℃为一子温区，共计 9个子温区。
第二步，计算修正温区内的压力传感器误差补偿系数
其中包括以下子步骤：
1.根据分解后的各个子修正温区传感器输出数据，采用MATLAB自建拟合程序，分别采用二次项拟合的方式，计算传感器各项修正系数。
其中，系数计算过程举例：
3762626387531124513731162181870321187236692615128627
期望的输出值为：
02000400060008000100001200014000160001800020000
然后利用MATLAB中自带的polyfit函数计算出k3、k4两项非线性修正参数(polyfit(X，Y，2))。
同样，传感器的其余几项修正系数均可以通过类似的方法求得。
2.将计算所得的修正系数通过微处理器(2)写入存储器(8)；
第三步，根据修正公式得到修正后的压力传感器输出值。
其中包括以下子步骤：
1.上位机1控制标准压力源6至压力传感器量程内的任意压力值，控制烘箱 7至修正全温区内的任一温度值；
2.微处理器2通过信号通道3采集温度传感器5和压力传感器4当前温度、压力下的原始输出数据；
3.微处理器2读取存储器8内的各项修正系数值；
4.微处理器2根据如下公式计算修正后的输出值。
Pout＝k0+k1T+k2T2+(k3P+k4P2)×(k5+k6T+k7T2)-P0
其中：Pout：修正后压力传感器输出数据；P：压力传感器在当前原始输出数据；T：温度传感器当前原始输出数据；P0：清零校正时的Pout；k0：压力传感器零位温漂修正常数项；k1：压力传感器一阶零位温漂修正系数；k2：压力传感器二阶零位温漂修正系数；k3：压力传感器一阶非线性修正系数；k4：压力传感器二阶非线性修正系数；k5：压力传感器灵敏度温漂修正常数项；k6：压力传感器一阶灵敏度温漂修正系数；k7：压力传感器二阶灵敏度温漂修正系数；
微处理器2计算所得的压力传感器输出数据可通过DA通道模拟信号输出直接连接数字表显示，或者通过通讯接口传送至上位机1。
这个发明申请的优点在于对传感器的零位温漂和灵敏度温漂特性得到了一定改善，非线性误差在一定程度上也得到了相应的减小；
这个发明申请的缺点也很明显，即修正能力有限，对于日新月异的发动机控制技术所提出的越来越高的要求，在精度修正能力上逐渐不能满足需求。
又如名称为“一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法”，申请号为CN202011562623.X，公开号为CN112763225A，申请日为的中国发明专利申请，公布了以下技术方案：
使用铂金属作为传感器的感温元件，架设试验台，它的精度能达到A级允差等(0.15±0.003t℃)，铂电阻传感器温度覆盖范围为-200℃～400℃，根据管路尺寸、测点压力、测点流速设计传感器外壳尺寸，将铂电阻放入外壳中，使用三线引出线可以减少导线引起的误差。
步骤一，以发动机“0-0”截面全温全压测量环为例，测量环高度与发动机共轴，安装在发动机进气方向远前方，用于测量发动机进气总压和进气总温。
需要说明的是，使用6支热电阻温度传感器测量，最后测3次取平均值，共进行6次过程。Ttnij1～Ttnij6采用环状分布测量方式，这种方式在同一截面分散布置多支传感器，增加测量裕度同时做到了测点均匀分布，使结果更准确。
步骤二，首先创建测量温度的原始数据集X＝[x1,x2,...,xN]∈RD×N，其中D是数据维数，N是样本个数，设置近邻域数量、降维维数d,t∈RD×N，寻找邻域，创建邻域图G，通过k临近法，搜索每个样本Xi最近的k个样两相邻点连线为邻域图G中的边。
需要说明的是，G的计算包括近邻选择和权值计算两个步骤：
首先，利用多个热电阻温度传感器测量得到数据点的一个领域，然后为所有边定义权重，构建高维空间数据的权值矩阵；
然后，创建权值矩阵的方式成为热核函数，再进行特征分解：
Lz＝λDz
其中，拉普拉斯矩阵L＝D-W，D为度矩阵，D＝diag{d1,d2,d3,...,dN}，W为临近矩阵。对于降至一维的情况，然后得到目标函数为y*。取P的值为1，通过对目标函数的化简和优化，对上式的求解就转换成为对下式的广义特征值求解。下式中λ是特征值，降维结果y就是最小非0特征值对应的特征向量，即 Ly＝λDy将降维过程由一维扩展至多维，得到新的的目标函数其中P为m维的常数向量，此时的降维数据y*为m个最小的非0特征值对应的特征向量，本发明取m＝3，最后得到最终温度值
步骤三，通过小波变换滤波进行传感器温度信号降噪处理，本发明小波基选取Coif5对测温数据低频信号进行滤波处理，极大克服传统傅里叶变换信号失真问题，产生衰减曲线光滑，有效去除噪声，保持原有信号的特征，采取上述过程对传感器数据低频振荡信号进行滤波处理得到有效信号。
需要说明的是，共得到五次测量温度，经过步骤二拉普拉斯特征映射处理后，温度数据如表1所示：
表1测量温度数据处理表
再通过小波变换选取小波基Coif5滤波进行传感器温度信号降噪处理，与原温度信号曲线相比，得到更为光滑准确的温度衰减信号曲线，而得到该瞬时温度传感器测量温度的精确结果。
该申请的优点在于：
1.选取Coif5小波基，保证了信号在小波阈值去噪过程中的精度；
2.针对温度数据的具体特性，考虑在不同小波基下信号在小波域的稀疏特性，挑选对于输入信号稀疏性最好的小波基，有利于小波阈值去噪，整个方法简便快速，实现了温度信号快速准确降噪，提高了测温装置应用中的信号噪效果与信号处理效率，进而提高发动机试验台测控系统的精确度。
该申请的缺点在于：
Coif5小波基去噪的方法对于计算处理单元的要求较高，不适用于车辆的车载电脑使用，在汽车发动机领域的推广相对受限。
在现有技术中，还有一类是采用自学习的技术方案，但基本原理都是停机状态直接学习大气压力值。
最典型的是名称为“用于DPF压差传感器的自学习方法”，申请号为CN201711437315.2，授权公告号为CN108266253B，申请日为20171226的中国发明专利，公布了以下技术方案：
第一步，检测发动机的状态，判断车辆是否停车。
第二步，通过检测发动机的气缸变化，判断车辆处于停车状态还是行驶状态。若车辆处于行驶状态，则不进行DPF压差传感器的自学习，若车辆处于停车状态，则开始DPF压差传感器的自学习过程。
其中，如果车辆处于停车状态下，则连续多次采集压差传感器的测量值。
第三步，通过检测后，确认车辆处于停车状态，通过压差传感器多次进行测量，采集其测量值。
第四步，将多次采集的测量值进行求平均值处理。
第五步，对压差传感器的多次测量值进行计算，求其平均值。
第六步，将平均值进行限压处理，确保平均值处于压差上限值和压差下限值之间。
需要注意的是，这一步中中，压差传感器的压差应保证在一定范围内，如果其平均值超出压差上限值和压差下限值，则压差的检测或测量过程有误，应再次进行多次测量并求其平均值，保证其平均值处于压差上限值和压差下限值之间。
第七步，将平均值存入车辆的EEPROM中，以便用于后期车辆行驶过程中对压差传感器进行标定。
第八步，利用存储于车辆的EEPROM中的平均值对车辆行车过程中的压差传感器的测量值进行修正。
第九步，在车辆行驶过程中，利用计算后的压差平均值对压差传感器的测量值进行修正，得到修正后的压差传感器输出值，并输入到车辆系统中，保证车辆的正常行驶。
需要注意的是，在这一步中，如果是在停车状态下，连续六次采集压差传感器的测量值，并求取连续六次采集压差传感器的测量值的平均值。其中，连续六次采集所述压差传感器的测量值中任一连续两次采集测量值的间隔时间为 1s。在每次停车过程中，对DPF压差传感器进行自学习，能够有效地对压差传感器的测量特性曲线进行修正，同时不影响车辆的正常行驶。
还需要说明的是，当DPF压差传感器进行自学习时，应满足如下条件：
将环境温度控制在-7～35℃之间；将发动机的温度控制在60～90℃；将发动机的转速控制在0～50r/min内；将T15断电。
只有这样，当同时满足以上条件时，才能够进行DPF压差传感器的自学习。
现有技术的优点是：通过使用现有技术的用于DPF压差传感器的自学习方法，能够有效地对压差传感器的测量特性曲线进行修正，提高了压差传感器的测量精度，减少测量偏差，提高行车的安全性。
现有技术的缺陷在于：
1.由于空气系统中传感器都是工作在复杂的高温和腐蚀环境下，当下电自学习的时候，传感器有可能会因为热应变的干扰，从而导致停机自学习状态的值偏大或偏小某个随机值；
2.由于经过高温后再停车后过几个小时，上述偏差大概率会缓慢恢复正常，从而使得以现有技术直接学习大气压的值，反而会将传感器的值学偏了；
这其中，尤以排气歧管压力传感器P3最为典型；绝大多数偏差在5kPa以内，最大可能超过10kPa；这个误差在排气歧管压力传感器P3上将近有10％，属于不可忽略的误差。
发明内容
本发明针对上述问题，提供空气系统压力信号滤波自学习方法，其目的在于大幅减小停机随机产生的误差影响；适用于所有空气系统压力传感器的自学习；防止自学习的过大随机偏差产生，良好的保障空气系统控制精度。
为解决上述问题，本发明提供的技术方案为：
一种空气系统压力信号滤波自学习方法，包含以下步骤：
S100.检查车辆的自学习条件；所述自学习条件包含“条件满足”和“条件不满足”；然后根据所述自学习条件的内容做出如下操作：
如果所述自学习条件的内容为“条件不满足”，则返回并再次从头执行S100；
如果所述自学习条件的内容为“条件满足”，则执行S200；
S200.读取排气歧管压力传感器测量值；读取大气压力传感器测量值；读取存储在NVV存储空间中的上次自学习值；
S300.根据所述排气歧管压力传感器测量值和所述上次自学习值，计算得到用于本次车辆行进中空气系统闭环控制所使用的排气歧管压力修正值；
S400.根据所述排气歧管压力修正值、所述上次自学习值和所述大气压力传感器测量值，计算得到自学习中间值；
S500.根据所述自学习中间值，计算获得自学习最终值；
S600.用所述自学习最终值替换所述上次自学习值，然后存储所述上次自学习值在所述NVV存储空间中的存储地址中，以实现覆盖回存到所述NVV存储空间中；
S700.出并结束本次空气系统压力信号滤波自学习的步骤。
优选地，S100中所述检查车辆的自学习条件，具体包含以下内容：
S110.在整车熄火状态下，以人工预设的采集频率，持续采集通电信号；所述通电信号包含“通电”和“未通电”；然后根据所述点火信号的内容做出如下操作：
如果所述通电信号的内容为“未通电”，则返回并再次从头执行S110；
如果所述通电信号的内容为“通电”，则开启计时器；然后初始化所述计时器；计时器的初始值为0秒；然后执行S120；
S120.以人工预设的检查频率，持续采集计时器的值；然后根据采集到的计时器的值，做出如下操作：
如果计时器的值小于人工预设的启动持续时间阈值，则返回并再次从头执行S110；
如果计时器的值不小于人工预设的启动持续时间阈值，则执行S130；
S120.检查排气歧管压力传感器的工作状态；所述排气歧管压力传感器的工作状态包含“状态正常”和“状态不正常”；然后所述排气歧管压力传感器的工作状态做出如下操作：
如果所述排气歧管压力传感器的工作状态为“状态不正常”，则将字符串“排气歧管压力传感器错误”赋予报错信号；然后将字符串“条件不满足”赋予所述自学习条件；然后将所述自学习条件和报错信号一起转发给EECU；然后退出并结束本次空气系统压力信号滤波自学习的步骤；
如果所述排气歧管压力传感器的工作状态为“状态正常”，则将字符串“条件满足”赋予所述自学习条件；然后将所述自学习条件转发给EECU。
优选地，所述启动持续时间阈值为10秒。
优选地，S300中的所述排气歧管压力修正值按下式表达：
P3＝P3′+ΔP0
其中：P3为所述排气歧管压力修正值；P3′为所述排气歧管压力传感器测量值，通过排气歧管压力传感器读取得到；ΔP0所述上次自学习值，从所述NVV 存储空间中读取得到。
优选地，S400中所述自学习中间值按下式表达：
其中：ΔP1′为所述自学习中间值；P0为所述大气压力传感器测量值，通过大气压力传感器读取得到。
优选地，S500中所述根据所述自学习中间值，计算获得自学习最终值，具体包含以下步骤：
S510.将所述自学习中间值与人工预设的自学习下限阈值进行比较；然后根据比较结果做出如下操作：
如果所述自学习中间值小于所述自学习下限阈值，则将所述自学习下限阈值的值赋予所述自学习最终值；
否则，执行S520；
S520.将所述自学习中间值与人工预设的自学习上限阈值进行比较；然后根据比较结果做出如下操作：
如果所述自学习中间值大于所述自学习上限阈值，则将所述自学习上限阈值的值赋予所述自学习最终值；
否则，将所述自学习中间值的值赋予所述自学习最终值。
优选地，所述自学习下限阈值为-5。
优选地，所述自学习上限阈值为5。
优选地，所述大气压力传感器测量值，由EECU经过IN线，通过大气压力传感器读取得到。
优选地，所述排气歧管压力传感器测量值，由EECU经过IN线，通过排气歧管压力传感器读取得到。
本发明与现有技术对比，具有以下优点：
1.由于本专利采用了一个基于滤波的自学习的方法，每次仅学习偏差值的一个根据需求进行标定的比例，如1/5～1/3，从而可以大幅减小停机随机产生的误差影响；
2.由于本专利的策略兼顾了各种传感器误差的源头原因，从而适用于所有空气系统压力传感器的自学习；
3.由于本专利采用的滤波自学习的策略，减少了学习偏差，从而可以防止自学习的过大随机偏差产生，良好的保障空气系统控制精度。
附图说明
图1为本发明具体实施例的流程示意图；
图2为本发明具体实施例的第二次实验的P3传感器自学习数据对比示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种空气系统压力信号滤波自学习方法，包含以下步骤：
S100.检查车辆的自学习条件；自学习条件包含“条件满足”和“条件不满足”；具体包含以下内容：
S110.在整车熄火状态下，以人工预设的采集频率，持续采集通电信号；通电信号包含“通电”和“未通电”；然后根据点火信号的内容做出如下操作：
如果通电信号的内容为“未通电”，则返回并再次从头执行S110。
如果通电信号的内容为“通电”，则开启计时器；然后初始化计时器；计时器的初始值为0秒；然后执行S120。
S120.以人工预设的检查频率，持续采集计时器的值；然后根据采集到的计时器的值，做出如下操作：
如果计时器的值小于人工预设的启动持续时间阈值，则返回并再次从头执行S110。
如果计时器的值不小于人工预设的启动持续时间阈值，则执行S130。
本具体实施例中，启动持续时间阈值为10秒。
S130.检查排气歧管压力传感器的工作状态；排气歧管压力传感器的工作状态包含“状态正常”和“状态不正常”；然后排气歧管压力传感器的工作状态做出如下操作：
如果排气歧管压力传感器的工作状态为“状态不正常”，则将字符串“排气歧管压力传感器错误”赋予报错信号；然后将字符串“条件不满足”赋予自学习条件；然后将自学习条件和报错信号一起转发给EECU；然后退出并结束本次空气系统压力信号滤波自学习的步骤。
如果排气歧管压力传感器的工作状态为“状态正常”，则将字符串“条件满足”赋予自学习条件；然后将自学习条件转发给EECU。
然后根据自学习条件的内容做出如下操作：
如果自学习条件的内容为“条件不满足”，则返回并再次从头执行S100。
如果自学习条件的内容为“条件满足”，则执行S200。
S200.读取排气歧管压力传感器测量值；读取大气压力传感器测量值；读取存储在NVV存储空间中的上次自学习值。
本具体实施例中，大气压力传感器测量值，由EECU经过IN线，通过大气压力传感器读取得到。
本具体实施例中排气歧管压力传感器测量值，由EECU经过IN线，通过排气歧管压力传感器读取得到。
S300.根据排气歧管压力传感器测量值和上次自学习值，计算得到用于本次车辆行进中空气系统闭环控制所使用的排气歧管压力修正值。
本具体实施例中，排气歧管压力修正值按式(1)表达：
P3＝P3′+ΔP0 (1)
其中：P3为排气歧管压力修正值；P3′为排气歧管压力传感器测量值，通过排气歧管压力传感器读取得到；ΔP0上次自学习值，从NVV存储空间中读取得到。
S400.根据排气歧管压力修正值、上次自学习值和大气压力传感器测量值，计算得到自学习中间值。
本具体实施例中，自学习中间值按式(2)表达：
其中：ΔP1′为自学习中间值；P0为大气压力传感器测量值，通过大气压力传感器读取得到。
S500.根据自学习中间值，计算获得自学习最终值。
本具体实施例中，具体包含以下步骤：
S510.将自学习中间值与人工预设的自学习下限阈值进行比较；然后根据比较结果做出如下操作：
如果自学习中间值小于自学习下限阈值，则将自学习下限阈值的值赋予自学习最终值。
本具体实施例中，自学习下限阈值为-5。
否则，执行S520。
S520.将自学习中间值与人工预设的自学习上限阈值进行比较；然后根据比较结果做出如下操作：
如果自学习中间值大于自学习上限阈值，则将自学习上限阈值的值赋予自学习最终值。
本具体实施例中，自学习上限阈值为5。
否则，将自学习中间值的值赋予自学习最终值。
需要说明的是，S500的挑选过程可以用式(3)表达：
S600.用自学习最终值替换上次自学习值，然后存储上次自学习值在NVV 存储空间中的存储地址中，以实现覆盖回存到NVV存储空间中。
S700.退出并结束本次空气系统压力信号滤波自学习的步骤。
至此，就完成了一次空气系统压力信号滤波自学习；然后每次有司机钥匙上电，则再次进行一次空气系统压力信号滤波自学习，得到最新的排气歧管压力修正值；如此往复循环，则即可以将排气歧管压力修正值不断向最佳值方向无限逼近，又可以根据本次读取的大气压力传感器测量值和排气歧管压力传感器测量值来计算得到最适合本次工况的排气歧管压力修正值；从而实现了一举两得。
以下是本具体实施例为了验证本发明的有效性，进行的两次次模拟对比实验：
第一次模拟实验，是为了对比本发明与现有技术的效果，本具体实施例采用现有技术的自学习方法进行了一次对比试验，具体步骤如下：
步骤一：自学习条件检查：自司机钥匙下电起，10s后开启P3传感器(排气歧管压力)传感器自学习；
步骤二：关联数据获取：EECU通过IN线获取P3传感器(排气歧管压力) 测量值、大气压力传感器(P0)测量值，读取NVV存储空间的自学习值△P0。
步骤三：数据处理：自学习值计算，按式(4)表达：
ΔP1＝P3+ΔP0-P0 (4)
步骤四：数据存储：自学习值△P1存储在EECU中的NVV存储区间。
步骤五：下次上电启动：司机钥匙上电，EECU通过IN线获取P3’传感器 (排气歧管压力)测量值，读取NVV存储区间的上一次自学习值△P1。
步骤六：自学习值调用：EECU计算用于空气系统闭环控制的P3值，按式(5) 表达：
P3＝P3′+ΔP1 (5)
后续下电、上电循环重复以上步骤。
普通的自学习，是直接对比P3传感器值，即测量值+上一轮自学习值，与大气压力传感器P0值的差值，作为新的自学习值存储到EECU内用于下个循环调用。最终目的是使自学习传感器的值与大气压力传感器值一致。但实际上因为传感器自身0漂存在随机性(半导体器件会随着温度的变化而变化，导致输出电压漂移)，直接学习的结果反而容易导致随机偏差大
本具体实施例中，第一次模拟实验，亦即现有技术对照组实验，的饰演数据为：
第一次上电后，大气压力值100kpa，P3测量值93kpa(正常值应为100kpa， 0漂-7kpa)+上次自学习值2kpa等于95kpa，则本次自学习值等于100kpa-95kpa 即5kpa。
第二次上电后，P3的0漂消失，P3测量值等于大气压力值100kpa，用于空气系统闭环控制的P3值则为本次，P3测量值100kpa+上个循环自学习值5kpa等于 105kpa。
很明显可以看出，现有技术所得到的值与真实值偏离较大，且随传感器的0 漂随机性波动。
第二次模拟实验，则是采用本发明的技术再次进行自学习。
如图2所示，人工故意修改P3传感器，亦即排气歧管压力传感器，的排气歧管压力传感器测量值，给其值造成一个偏差。
在准备好之后，则由司机真实点火驾驶，然后记录每次的数据；每次EECU 上电，再下电后，满足自学习条件；然后采用滤波方式进行自学习，每次学习只学习偏差值的一部分。
从图2可以很明显的看出，经过下电、上电循环重复以上自学习步骤多次后， P3的值与大气压趋近一致。
对比两次模拟实验的结果，不难得出结论，即本发明相较于现有技术，可以大幅度减少随机误差，使得空气系统的控制精度更高。
具体来说，在自学习开始后，当偏差值从最大值往0方向变化过程中，通过延迟时间控制，使学习的修正值为最大偏差量的一个小的比例。
需要说明的是，该比例通过延迟学习时间实现，例如1/5最大偏差；通过这种方式，实现自学习的趋势性学习。
通过这种自学习，既可以防止因随机偏差导致的错误学习，减少学习的随机性，使自学习值在真值附近更加集中。若有真实的传感器特性变化，或更换新的传感器，通过几次下电自学习，也容易较快学习到正确值。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。
在此，需要说明的是，上述技术方案的描述是示例性的，本说明书可以以不同形式来体现，并且不应被解释为限于本文阐述的技术方案。相反，提供这些说明将使得本发明公开将是彻底和完整的，并且将向本领域技术人员充分传达本说明书所公开的范围。此外，本发明的技术方案仅由权利要求的范围限定。
用于描述本说明书和权利要求的各方面公开的形状、尺寸、比率、角度和数字仅仅是示例，因此，本说明书和权利要求的不限于所示出的细节。在以下描述中，当相关的已知功能或配置的详细描述被确定为不必要地模糊本说明书和权利要求的重点时，将省略详细描述。
在使用本说明书中描述的“包括”、“具有”和“包含”的情况下，除非使用否则还可以具有另一部分或其他部分，所用的术语通常可以是单数但也可以表示复数形式。
应该指出，尽管在本说明书可能出现并使用术语“第一”、“第二”、“顶部”、“底部”、“一侧”、“另一侧”、“一端”、“另一端”等来描述各种不同的组件，但是这些成分和部分不应受这些术语的限制。这些术语仅用于区分一个成分和部分和另一个成分和部分。例如，在不脱离本说明书的范围的情况下，第一部件可以被称为第二部件，并且类似地，第二部件可以被称为第一部件，顶部和底部的部件在一定情况下，也可以彼此对调或转换；一端和另一端的部件可以彼此性能相同或者不同。
此外，在构成部件时，尽管没有其明确的描述，但可以理解必然包括一定的误差区域。
在描述位置关系时，例如，当位置顺序被描述为“在...上”、“在...上方”、“在...下方”和“下一个”时，除非使用“恰好”或“直接”这样的词汇或术语，此外则可以包括它们之间不接触或者接触的情形。如果提到第一元件位于第二元件“上”，则并不意味着在图中第一元件必须位于第二元件的上方。所述部件的上部和下部会根据观察的角度和定向的改变而改变。因此，在附图中或在实际构造中，如果涉及了第一元件位于第二元件“上”的情况可以包括第一元件位于第二元件“下方”的情况以及第一元件位于第二元件“上方”的情况。在描述时间关系时，除非使用“恰好”或“直接”，否则在描述“之后”、“后续”、“随后”和“之前”时，可以包括步骤之间并不连续的情况。本发明的各种实施方案的特征可以部分地或全部地彼此组合或者拼接，并且可以如本领域技术人员可以充分理解的以各种不同地构造来执行。本发明的实施方案可以彼此独立地执行，或者可以以相互依赖的关系一起执行。
Claims (10)
1.一种空气系统压力信号滤波自学习方法，其特征在于：包含以下步骤：
S100.检查车辆的自学习条件；所述自学习条件包含“条件满足”和“条件不满足”；然后根据所述自学习条件的内容做出如下操作：
如果所述自学习条件的内容为“条件不满足”，则返回并再次从头执行S100；
如果所述自学习条件的内容为“条件满足”，则执行S200；
S200.读取排气歧管压力传感器测量值；读取大气压力传感器测量值；读取存储在NVV存储空间中的上次自学习值；
S300.根据所述排气歧管压力传感器测量值和所述上次自学习值，计算得到用于本次车辆行进中空气系统闭环控制所使用的排气歧管压力修正值；
S400.根据所述排气歧管压力修正值、所述上次自学习值和所述大气压力传感器测量值，计算得到自学习中间值；
S500.根据所述自学习中间值，计算获得自学习最终值；
S600.用所述自学习最终值替换所述上次自学习值，然后存储所述上次自学习值在所述NVV存储空间中的存储地址中，以实现覆盖回存到所述NVV存储空间中；
S700.出并结束本次空气系统压力信号滤波自学习的步骤。
2.根据权利要求1所述的空气系统压力信号滤波自学习方法，其特征在于：S100中所述检查车辆的自学习条件，具体包含以下内容：
S110.在整车熄火状态下，以人工预设的采集频率，持续采集通电信号；所述通电信号包含“通电”和“未通电”；然后根据所述点火信号的内容做出如下操作：
如果所述通电信号的内容为“未通电”，则返回并再次从头执行S110；
如果所述通电信号的内容为“通电”，则开启计时器；然后初始化所述计时器；计时器的初始值为0秒；然后执行S120；
S120.以人工预设的检查频率，持续采集计时器的值；然后根据采集到的计时器的值，做出如下操作：
如果计时器的值小于人工预设的启动持续时间阈值，则返回并再次从头执行S110；
如果计时器的值不小于人工预设的启动持续时间阈值，则执行S130；
S130.检查排气歧管压力传感器的工作状态；所述排气歧管压力传感器的工作状态包含“状态正常”和“状态不正常”；然后所述排气歧管压力传感器的工作状态做出如下操作：
如果所述排气歧管压力传感器的工作状态为“状态不正常”，则将字符串“排气歧管压力传感器错误”赋予报错信号；然后将字符串“条件不满足”赋予所述自学习条件；然后将所述自学习条件和报错信号一起转发给EECU；然后退出并结束本次空气系统压力信号滤波自学习的步骤；
如果所述排气歧管压力传感器的工作状态为“状态正常”，则将字符串“条件满足”赋予所述自学习条件；然后将所述自学习条件转发给EECU。
3.根据权利要求2所述的空气系统压力信号滤波自学习方法，其特征在于：所述启动持续时间阈值为10秒。
4.根据权利要求1所述的空气系统压力信号滤波自学习方法，其特征在于：S300中的所述排气歧管压力修正值按下式表达：
P3＝P3′+ΔP0
其中：P3为所述排气歧管压力修正值；P3′为所述排气歧管压力传感器测量值，通过排气歧管压力传感器读取得到；ΔP0所述上次自学习值，从所述NVV存储空间中读取得到。
5.根据权利要求4所述的空气系统压力信号滤波自学习方法，其特征在于：S400中所述自学习中间值按下式表达：
其中：ΔP1′为所述自学习中间值；P0为所述大气压力传感器测量值，通过大气压力传感器读取得到。
6.根据权利要求5所述的空气系统压力信号滤波自学习方法，其特征在于：S500中所述根据所述自学习中间值，计算获得自学习最终值，具体包含以下步骤：
S510.将所述自学习中间值与人工预设的自学习下限阈值进行比较；然后根据比较结果做出如下操作：
如果所述自学习中间值小于所述自学习下限阈值，则将所述自学习下限阈值的值赋予所述自学习最终值；
否则，执行S520；
S520.将所述自学习中间值与人工预设的自学习上限阈值进行比较；然后根据比较结果做出如下操作：
如果所述自学习中间值大于所述自学习上限阈值，则将所述自学习上限阈值的值赋予所述自学习最终值；
否则，将所述自学习中间值的值赋予所述自学习最终值。
7.根据权利要求6所述的空气系统压力信号滤波自学习方法，其特征在于：所述自学习下限阈值为-5。
8.根据权利要求6所述的空气系统压力信号滤波自学习方法，其特征在于：所述自学习上限阈值为5。
9.根据权利要求1～8任一所述的空气系统压力信号滤波自学习方法，其特征在于：所述大气压力传感器测量值，由EECU经过IN线，通过大气压力传感器读取得到。
10.根据权利要求9所述的空气系统压力信号滤波自学习方法，其特征在于：所述排气歧管压力传感器测量值，由EECU经过IN线，通过排气歧管压力传感器读取得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210202114.9A CN114563126B (zh) | 2022-03-03 | 2022-03-03 | 空气系统压力信号滤波自学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210202114.9A CN114563126B (zh) | 2022-03-03 | 2022-03-03 | 空气系统压力信号滤波自学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114563126A true CN114563126A (zh) | 2022-05-31 |
| CN114563126B CN114563126B (zh) | 2023-06-16 |
Family
ID=81718657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210202114.9A Active CN114563126B (zh) | 2022-03-03 | 2022-03-03 | 空气系统压力信号滤波自学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563126B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116413039A (zh) * | 2023-03-29 | 2023-07-11 | 中国航发沈阳发动机研究所 | 一种冲压发动机传感器信号处理方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004360535A (ja) * | 2003-06-03 | 2004-12-24 | Toyota Motor Corp | 内燃機関の吸気圧検出装置及び排気再循環制御装置 |
| EP1793106A1 (en) * | 2005-11-30 | 2007-06-06 | Delphi Technologies, Inc. | Method and apparatus for controlling a combustion engine |
| US20070156363A1 (en) * | 2005-12-29 | 2007-07-05 | Stewart Gregory E | Calibration of engine control systems |
| CN101929393A (zh) * | 2009-03-16 | 2010-12-29 | 通用汽车环球科技运作公司 | 用于测量发动机增压压力的系统和方法 |
| US20130327018A1 (en) * | 2012-06-07 | 2013-12-12 | GM Global Technology Operations LLC | Method of monitoring a differential pressure sensor of an exhaust gas treatment system |
| US20180017006A1 (en) * | 2016-07-15 | 2018-01-18 | Hyundai Motor Company | Method of detecting engine tuning of vehicle |
| CN108071502A (zh) * | 2017-12-08 | 2018-05-25 | 天津大学 | 基于map自学习和扰动补偿的扭矩控制系统及其方法 |
| CN110621867A (zh) * | 2017-05-11 | 2019-12-27 | 五十铃自动车株式会社 | 学习装置及学习方法 |
| CN112362221A (zh) * | 2020-10-09 | 2021-02-12 | 东风商用车有限公司 | 一种涡轮增压的排气歧管压力确定方法 |
| US20210088019A1 (en) * | 2019-09-24 | 2021-03-25 | Toyota Jidosha Kabushiki Kaisha | Ignition timing control device for internal combustion engine |
| CN112761757A (zh) * | 2021-01-27 | 2021-05-07 | 东风商用车有限公司 | 一种dpf初始化自学习方法及装置 |
-
2022
- 2022-03-03 CN CN202210202114.9A patent/CN114563126B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004360535A (ja) * | 2003-06-03 | 2004-12-24 | Toyota Motor Corp | 内燃機関の吸気圧検出装置及び排気再循環制御装置 |
| EP1793106A1 (en) * | 2005-11-30 | 2007-06-06 | Delphi Technologies, Inc. | Method and apparatus for controlling a combustion engine |
| US20070156363A1 (en) * | 2005-12-29 | 2007-07-05 | Stewart Gregory E | Calibration of engine control systems |
| CN101929393A (zh) * | 2009-03-16 | 2010-12-29 | 通用汽车环球科技运作公司 | 用于测量发动机增压压力的系统和方法 |
| US20130327018A1 (en) * | 2012-06-07 | 2013-12-12 | GM Global Technology Operations LLC | Method of monitoring a differential pressure sensor of an exhaust gas treatment system |
| US20180017006A1 (en) * | 2016-07-15 | 2018-01-18 | Hyundai Motor Company | Method of detecting engine tuning of vehicle |
| CN110621867A (zh) * | 2017-05-11 | 2019-12-27 | 五十铃自动车株式会社 | 学习装置及学习方法 |
| CN108071502A (zh) * | 2017-12-08 | 2018-05-25 | 天津大学 | 基于map自学习和扰动补偿的扭矩控制系统及其方法 |
| US20210088019A1 (en) * | 2019-09-24 | 2021-03-25 | Toyota Jidosha Kabushiki Kaisha | Ignition timing control device for internal combustion engine |
| CN112362221A (zh) * | 2020-10-09 | 2021-02-12 | 东风商用车有限公司 | 一种涡轮增压的排气歧管压力确定方法 |
| CN112761757A (zh) * | 2021-01-27 | 2021-05-07 | 东风商用车有限公司 | 一种dpf初始化自学习方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| YASSER M. MADANY: "Modelling and Simulation of Robust Navigation for Unmanned Air Systems (UASs) Based on Integration of Multiple Sensors Fusion Architecture" * |
| 胡国强 等: "电控柴油机噪声的评估和试验优化" * |
| 陈领平;何小明;洪伟春;陈龙;: "自然吸气式汽油机燃油系统故障快速排查方法研究" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116413039A (zh) * | 2023-03-29 | 2023-07-11 | 中国航发沈阳发动机研究所 | 一种冲压发动机传感器信号处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114563126B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6313871B2 (ja) | 最適エンジン制御設定を確定するためにエンジン性能測定値を摂動させること | |
| CN110725738B (zh) | Dpf过滤能力的检测方法及装置 | |
| US20070047616A1 (en) | Failure determination system and method for temperature sensors, as well as engine control unit | |
| CN111594331B (zh) | 不均检测装置、不均检测系统、不均检测方法、数据解析装置、及内燃机的控制装置 | |
| US7668687B2 (en) | Systems and methods for compensating pressure sensor errors | |
| JP2009079594A (ja) | 改良されたエンジン管理 | |
| EP3505746B1 (en) | Anomaly diagnosing apparatus and method for air flowmeter | |
| US8880321B2 (en) | Adaptive air charge estimation based on support vector regression | |
| JP6312618B2 (ja) | 内燃機関の制御装置及び異常燃焼検出方法 | |
| CN114563126A (zh) | 空气系统压力信号滤波自学习方法 | |
| US9200585B2 (en) | Control apparatus for internal combustion engine, method of controlling internal combustion engine, and computer-readable storage medium | |
| WO2011155054A1 (ja) | 内燃機関の制御装置 | |
| US9702787B2 (en) | In-cylinder pressure detecting apparatus for internal combustion engine | |
| CN104781528B (zh) | 内燃机的控制装置 | |
| JP2007064157A (ja) | 内燃機関の制御装置 | |
| AU2020217421A1 (en) | Vehicle learning control system, vehicle control device, and vehicle learning device | |
| US20080319600A1 (en) | Intake air temperature rationality diagnostic | |
| KR101534712B1 (ko) | 연소압 신호에 의한 부스트 압력 센서 및 공기 유량 센서의 진단 및 보정 방법 및 시스템 | |
| US20080276599A1 (en) | Exhaust air purifier for internal combustion engine | |
| US20090025469A1 (en) | Adaptive barometric pressure estimation | |
| CN101995314B (zh) | 用于确定内燃机的燃烧室的压力值的方法 | |
| JP2008152318A (ja) | 制御装置および異常判定装置 | |
| CN103852186B (zh) | 非接触式温度测量方法 | |
| US20060235600A1 (en) | Application of linear splines to internal combustion engine control | |
| US10371116B2 (en) | Method and apparatus for controlling a multi-cylinder internal combustion engine |
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 |