CN115795379A - 用于配量系统的运行的方法 - Google Patents

用于配量系统的运行的方法 Download PDF

Info

Publication number
CN115795379A
CN115795379A CN202211093319.4A CN202211093319A CN115795379A CN 115795379 A CN115795379 A CN 115795379A CN 202211093319 A CN202211093319 A CN 202211093319A CN 115795379 A CN115795379 A CN 115795379A
Authority
CN
China
Prior art keywords
dosing
output
dosing system
data
function
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
CN202211093319.4A
Other languages
English (en)
Inventor
A·亚尔拉加达
A·塞鲁特
金忱
J·吕普
V·H·拉古瓦尔兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN115795379A publication Critical patent/CN115795379A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2066—Selective catalytic reduction [SCR]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2066—Selective catalytic reduction [SCR]
    • F01N3/208—Control of selective catalytic reduction [SCR], e.g. dosing of reducing agent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2560/00—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics
    • F01N2560/02—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being an exhaust gas sensor
    • F01N2560/026—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being an exhaust gas sensor for measuring or detecting NOx
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2610/00—Adding substances to exhaust gases
    • F01N2610/02—Adding substances to exhaust gases the substance being ammonia or urea
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2610/00—Adding substances to exhaust gases
    • F01N2610/14—Arrangements for the supply of substances, e.g. conduits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0416—Methods of control or diagnosing using the state of a sensor, e.g. of an exhaust gas sensor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/18—Parameters used for exhaust control or diagnosing said parameters being related to the system for adding a substance into the exhaust
    • F01N2900/1806—Properties of reducing agent or dosing system
    • F01N2900/1808—Pressure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Exhaust Gas After Treatment (AREA)

Abstract

用于运行配量系统(100)、尤其机动车的配量系统(100)的方法(500)、控制器(720)和系统(700)，所述配量系统用于配量剂(110)的配量。

Description

用于配量系统的运行的方法
技术领域
本发明涉及用于运行配量系统、尤其机动车的配量系统的方法、控制器和系统，所述配量系统用于配量剂的配量。
背景技术
选择性催化还原(Selective Catalytic Reduction，SCR)能够用于内燃机的废气的后处理，目的是减少废气中的氮氧化物。在此，限定的量的选择性作用的试剂被配量到内燃机的废气通道中。所述试剂能够是氨，例如，通过水解在废气通道中以尿素-水溶液(UWL)的形式从预备阶段获得。
例如从DE 196 07 073 A1已知相应的配量装置。HWL在此通过管线从罐子输送到配量阀，并配量到SCR催化器上游的内燃机废气通道中。
在目前的配量系统中，例如那些以申请人的标识DENOXTRONIC一直的配量系统中，泵从试剂罐中抽取HWL并将其压缩到雾化所需的例如3到9巴的系统压力。考虑到例如当前的内燃机数据和催化剂数据，HWL的加料速度被调准到最大可能的氮氧化物减排量。
对于机动车内燃机的排放相关部件的检查有法律规定。例如，检测催化器系统中的配量量偏差，所述配量量偏差会导致内燃机排气系统超过限定的氮氧化物排放界限。因此，必须对试剂的要求的和实际配量的配量质量或配量量之间进行检测。
在试剂配量系统中，这种配量诊断以术语“消耗偏差监测”(ConsumptionDeviation Monitoring，CDM)已知，能够检测到输送所述试剂的泵的输送功率的偏差，检测到管线系统的泄漏或检测到试剂配量阀或试剂注射阀的故障。
目前使用的基于规则的CNM函数需要完整的系统周期，限定在一定数量的泵冲程上，例如一百个泵冲程，以检测系统的性能。因此，基于规则的CNM函数检测异常情况的速度被限制在完整的系统周期上。
发明内容
本公开所基于的任务是，提供一种方法，借助所述方法能够克服现有技术中已知的缺点。
一个实施方案涉及一种运行配量系统的方法，用于配量剂的配量，该方法包括以下步骤：
提供配量系统的数据，尤其是所述配量系统的至少一个配料阀的运行数据和所述配量系统的压力值，尤其以实时的方式提供；
确定运行数据中的周期；
根据所述配量系统的数据，尤其是质量比和/或压力损失率计算配量系统针对相应周期的系统特性；
在使用机器学习模型的情况下根据针对相应周期的系统特性的分类来预测系统性能。
该方法不使用具有预定长度的周期，例如一定数量的泵冲程或一定的持续时间。根据一个实施方案设置：动态地进行、尤其是基于事件地进行运行数据中的周期的确定。例如能够根据特定时间段内至少一个确定事件的不发生和随后至少一个确定事件的发生来确定相应周期。
针对相应周期，根据配量系统的数据，尤其是质量比和压力损失率计算配量系统的系统特性。针对相应周期的质量比根据配量剂的配量的量和泵送的量的比例来计算。这些值通过记录的运行数据或计算的值来确定。
针对相应周期的压力损失率根据该周期期间的确定的压力损失率的平均值来计算。压力值能够借助压力传感器测量，也能够借助模型值提供。
根据一个实施方案，该机器学习模型包括至少一个决策树。决策树是一种用于自动分类数据对象的方法。在该方法的扩展方案中还能够设置：机器学习模型基于随机森林。“随机森林”是一种分类和回归方法，其包括多个不相关的决策树。在该方法的扩展方案中还能够使用XGBoost。XGBoost是eXtreme Gradient Boosting的缩写。在此涉及用于借助所谓的梯度提升的树形算法监督机器学习的开源软件库。借助XGBoost能够精确地确定目标变量，其方式是多个较简单和较弱的模型互相组合并进行估计。替代地，机器学习模型也能够包括神经网络(尤其是多层神经网络)，多层感知器(MLP)。除了输出层外，多层神经网络还包括至少一个另外的隐藏神经元(英文：hidden layer)层。如果输出只与后续层的输入相关联，因此信息流只在一个方向上运行，就说是前馈网络(Feed-forward-Netzen)。
根据一个实施方案，该方法还包括：根据借助机器学习模型预测的系统性能确定尤其是用于操控配量系统的一输出。
根据一个实施方案，该方法还包括：提供一个历史函数，并根据所述历史函数确定尤其是用于操控配量系统的一输出。历史函数考虑过去的适配周期的输出。历史函数附加于机器学习模型的系统性能的预测来被考虑。借助历史函数能够例如验证或纠正机器学习模型的系统性能的预测。历史函数包括，例如简单的去抖动或平滑窗口函数或基于LSTM、长短期记忆或EWMA、指数加权移动平均的函数。
根据一个实施方案，该方法还包括：提供基于规则的功能，用于检测配量剂的配量量的偏差，并借助该基于规则的功能确定尤其是用于操控配量系统的一输出。通过这种方式，该方法能够与传统的基于规则的CNM函数相结合。
根据一个实施方案，该方法还包括：在使用决策模型的情况下确定尤其是用于操控配量系统的最终输出，其中，所述决策模型考虑基于所述机器学习模型的所述输出和/或所述历史函数的所述输出和/或所述基于规则的函数的所述输出。
据此，所述决策模型的最终输出能够基于以下配置：
-仅基于下述输出，该输出基于机器学习模型的系统性能的预测；
-仅基于历史函数的输出；
-基于下述组合，即基于机器学习模型的预测的输出和历史函数的输出的组合，
-仅基于下述输出，该输出是基于规则的CDM函数的输出，
-或基于下述组合，即规则的CDM函数的输出与上述选项之一的组合。
决策模型能够相应地比较输出，然后确定最终输出。确定最终输出能够涉及多个步骤：
比较输出并应用平均数，尤其是加权平均数，以求取所述最终输出，或
比较输出，并决定将其中一个输出作为最终输出，尤其是当两个输出之间的差超过一阈值时。
决策模型的应用尤其由于以下原因被证明是有利的：借助机器学习模型进行系统性能的预测和基于此确定的输出是基于将模型在其上被训练的数据和场景。当发生模型没有在其上被训练过的新场景时，就不可能预测机器学习模型会预测什么。在这种情况下，能够借助决策模型控制意外事件和避免输出。
最终能够借助决策模型确保只使用该模型在其上训练过的机器学习模型的输出。
在该方法的扩展方案中，在提供配量系统的运行数据以及在根据运行数据计算配量系统的系统特性时能够考虑其他的运行数据，尤其是刚度和/或温度。
在该方法的扩展方案中，能够使用历史函数的输出和/或基于规则的CDM函数的输出和/或决策模型的最终输出来训练机器学习模型。
附图说明
本发明的其他特征、应用可行性和优点从以下对附图中所示出的本发明的实施例的说明中得到。所说明或示出的所有特征能够单独地或者以任意组合的形式构成本发明的主题，而不依赖于它们在权利要求中总结或其引用关系，也不依赖于它们在说明或附图中的表述或呈现。
在附图中示出了：
图1用于配量剂的配量的示例性配量系统的概览；
图2图1中的配量系统的示例性数据；
图3a配量系统的用于确定配量剂的泵送量的示例性数据；
图3b配量系统的用于确定配量剂的配量的量的示例性数据；
图4配量系统的用于确定压力损失率的示例性数据；
图5流程图中的用于配量系统的运行的方法的步骤示意性概览；
图6方框图中的用于配量系统的运行的方法的示意性概览；以及
图7用于运行配量系统的系统的示意性概览。
具体实施方式
图1示出了在本发明的技术环境中，例如在机动车的排气系统10中用于配量剂110的配量的示例性配量系统100的示意性概览。排气系统10包括双重加料部，即在第一配量阀14.1和第一SCR催化器12.1之后布置另一配量阀14.2和另一SCR催化剂12.2。本发明也能够应用具有单次配量的配料系统100，即一个配量阀14和一个SCR催化剂12。
配量阀14.1和14.2能够借助于配量系统100的控制器120来控制。控制器120监测和控制排气系统10的废气相关部件的功能。如果在此检测到废气相关的故障，则将所述故障例如存储在控制器120中，用于工场人员读取和/或通过显示故障的显示器件显示给工场人员或机动车驾驶员。控制单元120能够被集成到发动机控制器中，或者控制单元120的功能能够由发动机控制器提供。
配量剂110例如是尿素-水溶液，能够通过供应模块130用泵132从配量剂罐140中提取。
排气系统包括三个氮氧化物传感器16，用于检测氮氧化物的浓度。
此外，配量系统100包括至少一个压力传感器。根据所示的实施方式，用于检测配量系统中的压力的压力传感器134被集成到供应模块130中。供应模块能够包括其他传感器，例如用于检测配量剂的填充水平、浓度和温度。
传感机构18.1至18.4代表布置在排气系统10中的所有其他传感器，以检测排气系统的运行参数，如排气的温度、氧含量、压降和/或粒子浓度。排气系统的其他部件包括氧化催化器20和柴油微粒过滤器。
虚线连接线示出组件之间的电气连接。
所示的配量系统100和排气系统的部件所示出的布置只是一个实施例。
图2中示出配量系统100的数据200的不同曲线。数据200在配量系统100的运行中尤其是实时地被记录，尤其是借助于参考图1说明的配量系统和排气系统的传感器。
图2示例性地示出了以下数据：
202 泵的冲程曲线
204 配量剂的泵送量
206 在达到1时标志：“开始吸气阶段”，
208 在达到1时标志：“达到最大泵行程”
210 在达到1时标志：“执行泵行程”
212 压力
214 稳定条件下的采样压力(点)
216 标志：“稳定状态”(在一定时间内不配量，不泵送)
218 “不发生事件”计数器
220 在达到1时标志：“阀14.1准备释放”
222 回馈信息配量阀14.1的配量的量(计算值)
224 扫描“配量的量”以检测输送功率的偏差
226 在达到1时标志：“阀14.2准备释放”
228 配量阀14.2的配量的量(计算值)
为了计算压力损失或系统的质量平衡理想的是：每个时步(Zeitschritt)的对此所需的的运行数据能与相应配量要求相关联。然而，一方面，压力调节设计为与配量是不同步的。另一方面，其他因素，如线路长度、压力传感器的装配点和压力波的反射，使得关联变困难。因此，运行数据必须以确定的方式进行汇编，以随后馈入到计算模型中。一方面，运行数据能够按固定长度的时间间隔进行汇编。替代地，也能够动态地进行、尤其是基于事件地进行运行数据中周期的确定。例如，能够根据确定的时间段内至少一个确定事件的不发生和随后至少一个确定事件的发生来确定相应周期。例如，如果在确定时间段内满足以下条件，则满足“确定时间段内至少一个确定事件的不发生”的条件：
-不操控配量阀14.1
-不操控配量阀14.2
-泵没有反应。
根据图2，借助“不发生事件”计数器2 18登记这些事件的不发生。
例如，如果在“确定时间段内不发生事件”之后发生泵行程，则满足“随后至少一个确定事件的发生”的条件。
借助图2示例性地阐明，如何以周期动态地，尤其是基于事件地进行运行数据的划分。
例如选择500ms作为实现不发生事件的时间段，参见图2的218。时间段从时间点T_1.0开始，并且在时间点T_1.1结束。根据示例性实施方案，在时间点T_1.1满足在确定的时间段内不发生事件。
在时间点T_1.1，当在确定的时间段内不发生事件得到满足时，即当“不发生事件”计数器218超过一阈值时，压力被采样，参照P_1.1。
在时间点T_1.2进行通过配量阀14.1的配量。在该时间点，“不发生事件”状态结束。在时间点T_1.2重新采样压力，参见P_1.2。
在时间点T_2.1又达到稳定状态，参见图2中的216，进行新的压力采样，参见P_2.1。
在时间点T_2.2进行通过配量阀14.1的配量。在该时间点，“不发生事件”状态结束。在时间点T_2.2重新采样压力，参见P_2.2。
在时间点T_3.1又达到稳定状态，参见图2中的216，进行新的压力采样，参见P_3.1。
在时间点T_3.2进行泵冲程。在该时间点，“不发生事件”状态结束。在时间点T_3.2重新采样压力，参见P_3.2。
随着泵冲程的发生，一个完整周期的条件也得到满足，即“随后至少一个确定事件的发生”，在这种情况下是泵冲程。根据示例性示出的实施方案，该周期从时间T_0持续到时间T_3.2。
在时间点T_0.1例如也已经发生泵冲程，然而在时间点T_0.1，“确定时间段内至少一个特定事件的不发生”的条件并没有得到满足。因此，时间点T_0.1不被确定为一个周期的结束时间。
借助运行数据能够根据配量剂的总配量的量和配量剂的总泵送的量的比率来计算针对相应周期的质量比。
例如，借助图3a中所示的运行数据进行总泵送的量的计算。这个数据与图2的以下数据相对应：
202 泵冲程的曲线
204 配量剂泵送的量
206 在达到1时标志：“开始吸气阶段”
208 在达到1时标志：“达到最大的泵行程”
210 在达到1时标志：“执行泵行程”。
在一个周期期间的总泵送的量是通过计算相应完全执行的泵行程期间的量来计算的，参见210。当识别出开始吸气阶段(参照206)和达到最大泵行程(参照208)时，被识别为一个完全执行的泵行程。
例如，借助图3b中所示的运行数据进行针对相应周期的总配量的量的计算。该数据与以下运行数据相对应，部分从图2中得知：
230 在达到1时标志：“配量阀14.1准备释放”
232 在达到1时标志：配量阀14.1“配量的结束”
234 扫描“配量的量”，以检测输送功率的偏差
236 配量阀14.1的配量的量
238 在达到1时标志：“配量阀14.2准备释放”
240 在达到1时标志：配量阀14.2“配量的结束”
242 用于配量阀14.2的配量的量(计算值)
244 配量阀14.2的配量的量
246 总配量的量(配量阀14.1+配量阀14.2)。
如图3b可见，在标志230“配量阀14.1准备释放”的每个上升沿，都会更新配量的量的值，参照234，并且不会被重置为零。为了确定配量阀14.1的配量的量，在标志230的上升沿期间对该值进行采样和求和，参见236。这个计算类似地针对配量阀14.2被执行。总的配量的量(参照246)是配量阀14.1的配量的量(参照236)和配量阀14.2的配量的量(参照244)的总和。
借助运行数据还能够针对相应周期确定压力损失率。
根据所示的实施方案，压力损失率每周期计算多次，即满足确定的时间段内不发生事件之后，发生事件，即对于发生的事件，当“不发生事件”计数器218超过一阈值。
参照图2示例性地计算以下压力损失率Δp：
Δp1＝(P_1.2-P_1.1)/(T_1.2-T_1.1)
Δp2＝(P_2.2-P_2.1)/(T_2.2-T_2.1)
Δp3＝(P_3.2-P_3.1)/(T_3.2-T_3.1)
在此根据压力损失率Δp1、Δp2和Δp3的平均值来计算针对相应周期的压力损失率。
参照图5至图7，下面说明一种用于运行配量系统的方法和系统。
图5以流程图示出了方法500的示意性概览，而图6以方框图示出了该方法的示意性概览。
该方法500包括用于提供配量系统100的数据的步骤510，尤其是配量系统的至少一个配量阀的运行数据和配量系统100的压力值，尤其以实时的方式提供。图2至图4中示出了配量系统100的示例性的数据。这些数据例如是由配量系统100的传感器检测和/或是配量阀中的一个或多个配量阀的运行数据。所提供的数据由图6中的方框610表示。
该方法500包括用于确定运行数据中的周期的步骤520。根据一个实施方案设置：动态地、尤其基于事件地进行运行数据中周期的确定520。例如，能够根据确定的时间段内至少一个确定事件的不发生和随后至少一个确定事件的发生来确定相应周期。上面已经参照图2说明了一个示例性的过程。
该方法500包括用于根据配量系统100的数据、尤其是质量比和/或压力损失率针对相应周期计算配量系统100的系统特性的步骤530。上面已经参照图3a、3b和4说明了用于确定质量比和压力损失率的示例性过程。
步骤520和530也能够被称为数据聚合。聚合是基于动态确定的周期和计算的系统特性。例如，对于每个周期，至少要计算以下系统特性：质量比和压力损失率。
聚合的数据在图6中通过方框620表示。
该方法还包括基于在使用机器学习模型的情况下针对相应周期的系统特性进行分类来预测系统性能步骤540。机器学习模型在图6中通过方框630表示。根据一个实施方式设置：机器学习模型630包括至少一个决策树。决策树是用于对数据对象进行自动分类的方法。也能够设想替代实施方式。
例如，机器学习模型被训练成根据四个类别对系统性能进行分类：“配量剂过量”、“配量剂不足”、“泄漏”和“正常”。
针对机器学习模型使用训练数据，所述训练数据与上述聚合的数据相对应，即针对相应周期的质量比、压力损失率。
该方法还包括基于借助机器学习模型预测的系统性能确定尤其用于操控配量系统的一输出的步骤545。这些输出在图6中通过箭头635表示。
根据一个实施例设置：该方法还包括提供历史函数并借助该历史函数确定尤其用于操控配量系统的一输出的步骤550。历史函数在图6中通过方框640表示，而历史函数的输出通过箭头645表示。历史函数640考虑了过去的适配周期的输出646。历史函数645能够附加于机器学习模型的系统性能的预测来考虑。例如，借助历史函数能够用于验证或纠正基于机器学习模型的系统性能预测的输出。
根据一个实施方案设置：该方法还包括用于提供用于检测配量剂的配量量的偏差的基于规则的函数的步骤560，并用于根据所述基于规则的函数确定尤其用于操控配量系统的一输出。所述基于规则的CDM函数在图6中通过方框650表示，而基于规则的CDM函数的输出由箭头655表示。
根据一个实施例设置：该方法还包括在使用决策模型的情况下用于确定尤其用于操控配量系统的最终输出的步骤570，其中，该决策模型考虑到基于机器学习模型630的输出和/或历史函数640的输出和/或基于规则的函数650的输出。决策模型在图6中由块660表示，历史函数的最终输出由箭头665表示。
因此，决策模型660的最终输出665能够基于以下配置：
-仅基于下述输出，所述输出基于机器学习模型的系统性能的预测；
-仅基于历史函数的输出；
-基于下述组合，所述组合是基于机器学习模型的预测的输出和历史函数的输出的组合，
-仅基于下述输出，所述输出是基于规则的CDM函数的输出，
-或基于下述组合，所述组合是基于规则的CDM函数的输出与上述选项之一的组合。
决策模型665能够比较相应输出，并且在此确定最终输出。确定最终产出会涉及多个步骤：
比较输出并应用平均数，尤其是加权平均数，以获得最终输出，或
比较输出并决定将其中一个输出作为最终输出，尤其是当两个输出之间的差超过一阈值时。
决策模型的应用尤其由于以下原因被证明是有利的：借助机器学习模型对系统性能的预测和基于此确定的输出是基于模型在其上已经训练过的数据和场景。当发生模型在其上没有被训练过的新场景时，就不能预测机器学习模型会预测什么。在这种情况下，借助决策模型能够控制意外事件和避免输出。
最终，借助决策模型能够确保只使用该模型在其上已经训练过的机器学习模型的输出。
例如，输出和/或最终输出包括以下输出中的一个或多个：
表征系统偏差(尤其是过量或不足)的值：例如，配量系统被设计为应配量100mg的量的配量剂AdBlue。然而，如果实际配量较高或较低的量，就会相应出现过量或不足量的情况。例如，如果配量多20％的配量剂，则会产生120/100＝1.2的系统偏差；
表征系统功能的值，例如，系统的功能是否没有错误：例如，该值NG给出为True或False，还能够设置例如用于偏差计数的计数器；
表征系统错误的值：该值也能够用True或False来给出，例如，存在泄漏或不存在泄漏。
所述输出还能够包括操控信号和/或能够基于输出产生操控信号。
例如，操控信号能够用于预设或适配或纠正配量系统中的配量。通过这种方式，例如能够对过量或不足量进行补偿。
例如，操控信号能够用于操控一个指示装置，如驾驶室的控制灯，所述指示装置示出系统的功能和/或故障。操控也能够取决于计数的偏差的数量。
在该方法的扩展方案中，在提供配量系统的运行数据以及在基于运行数据计算配量系统的系统特性时，能够考虑其他的运行数据，尤其是刚度和/或温度。
在该方法的扩展中，能够使用历史函数的输出和/或基于规则的CDM函数的输出和/或最终输出来机器学习模型。这在图5中通过步骤580示出。
下面参照图7说明机器学习模型的训练过程。
图7示出用于运行配量系统100的系统700的示意性概览。该系统700包括车辆侧710的控制器720。该控制器720例如是ECU或DCU(Automotive Domain Control Unit，汽车领域控制单元)。根据图示的实施方式，控制器包括一嵌入式监测和分析包730。
机器学习模型的输出635和/或历史函数的输出645和/或基于规则的CDM函数的输出655和/或最终输出针对每个周期存储，尤其是在环形缓冲器中，尤其是与其他统计信息一起存储。
嵌入式监测和分析包730包括：
检测模块730-1，其包含用于检测超过确定的阈值的CDM偏差的函数630、640、650；
原因分析模块730-2，在该模块中，对于每个检测到的CDM偏差超过阈值的事件收集物理参数，如温度、海拔、配量的量、泵送的量等；以及
效果分析模块730-3，用于分析其他的效果，其中，软件性能能够借助显示系统反应的各种状态变量和/或计时器来提供。在效果分析模块中存储例如有关事件的数量、发生的时间及其影响的信息，例如配量质量错误、系统中的错误。
机器学习模型在训练过程中不断改善。首先，上述的检测模块730-1将针对相应周期的输出发送到协调器740。进一步，协调器740收集和编译所有不同函数的输出，并将最终输出发送到连接控制单元CCU 750。该CCU 750是网络硬件，用于发送车辆710外部的数据和接收车辆外部的数据。根据协调器的指示，数据从CCU 750发送到远程位置，如服务器760。对数据进行分析，根据问题的不同，分析的结果770能够是修复问题或改进机器学习模型，或开发新的CDM函数来改进DNOX系统。随后，基于分析的结果的数据被传送到CCU 750，并从CCU 750传送到控制器720。

Claims (13)

1.一种用于运行配量系统(100)的方法(500)，所述配量系统用于对配量剂(110)进行配量，所述方法(500)包括以下步骤：
提供(510)所述配量系统(100)的数据(610)，尤其是所述配量系统(100)的至少一个配料阀(14.1，14.2)的运行数据和所述配量系统(100)的压力值，尤其以实时的方式提供；
确定(520)在所述数据(610)中的周期；
根据所述配量系统(100)的所述数据，尤其是质量比和/或压力损失率，计算(530)所述配量系统(100)针对相应周期的系统特性(620)；
在使用机器学习模型(630)的情况下根据针对相应周期的系统特性的分类来预测(540)系统性能。
2.根据权利要求1所述的方法(500)，其中，动态地进行所述运行数据中的周期的所述确定(520)，尤其是基于事件地进行。
3.根据权利要求1或2中的至少一项所述的方法(500)，其中，基于所述配量剂的配量的量和所述配量剂的泵送的量的比来计算针对相应周期的所述质量比的所述计算(530)。
4.根据权利要求1至3中的至少一项所述的方法(500)，其中，基于在所述周期期间确定的压力损失率的平均值进行针对相应周期的所述压力损失率的所述计算(530)。
5.根据前述权利要求中一项或多项所述的方法(500)，其中，所述机器学习模型(630)包括至少一个决策树。
6.根据前述权利要求中一项或多项所述的方法(500)，其中，所述方法还包括：基于借助所述机器学习模型(630)预测的所述系统性能来确定(545)尤其是用于操控所述配量系统(100)的一输出(635)。
7.根据前述权利要求中一项或多项所述的方法(500)，其中，所述方法还包括：提供(550)一历史函数(640)，并借助所述历史函数(640)确定尤其是用于操控所述配量系统(100)的一输出(645)。
8.根据前述权利要求中一项或多项所述的方法(500)，其中，所述方法还包括：提供(560)一基于规则的函数(650)，用于检测所述配量剂(110)的配量量的偏差，并根据所述基于规则的函数(650)确定尤其是用于操控所述配量系统(100)的一输出(655)。
9.根据前述权利要求中一项或多项所述的方法(500)，其中，所述方法包括：在使用决策模型(660)的情况下确定(570)尤其是用于操控所述配量系统(100)的最终输出(665)，其中，所述决策模型(660)考虑到基于所述机器学习模型(630)的所述输出(635)和/或所述历史函数(640)的所述输出(645)和/或所述基于规则函数(650)的所述输出(655)。
10.根据前述权利要求中一项或多项所述的方法(500)，其中，在提供所述配量系统(100)的运行数据时以及在基于所述运行数据计算所述配量系统(100)的系统特性时，考虑其他的运行数据，尤其是刚度和/或温度。
11.根据权利要求7至10中的一项或多项所述的方法(500)，其中，使用所述历史函数(640)的所述输出(645)和/或所述基于规则的函数(650)的所述输出(655)和/或所述决策模型(660)的所述最终输出(665)来训练所述机器学习模型(630)。
12.一种用于运行配量系统(100)的控制器(720)，其中，所述控制器(720)构造用于执行根据权利要求1至11中任一项所述的方法。
13.一种用于运行配量系统(100)的系统(700)，其包括配量系统(100)和根据权利要求12所述的控制器(720)。
CN202211093319.4A 2021-09-08 2022-09-08 用于配量系统的运行的方法 Pending CN115795379A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021209911.4 2021-09-08
DE102021209911.4A DE102021209911A1 (de) 2021-09-08 2021-09-08 Verfahren zum Betreiben eines Dosiersystems

Publications (1)

Publication Number Publication Date
CN115795379A true CN115795379A (zh) 2023-03-14

Family

ID=85226310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211093319.4A Pending CN115795379A (zh) 2021-09-08 2022-09-08 用于配量系统的运行的方法

Country Status (2)

Country Link
CN (1) CN115795379A (zh)
DE (1) DE102021209911A1 (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19607073A1 (de) 1996-02-24 1997-08-28 Bosch Gmbh Robert Verfahren zur Steuerung der Bewegung eines Ankers eines elektromagnetischen Schaltorgans

Also Published As

Publication number Publication date
DE102021209911A1 (de) 2023-03-09

Similar Documents

Publication Publication Date Title
JP4319461B2 (ja) 仮想センサを使用するＮＯｘ排出制御システム
US9261481B2 (en) Diagnostic system and method for nitrogen oxide sensor
CN104791119B (zh) 评估NOx传感器响应速率劣化的设备、系统和方法
EP2317090B1 (en) Method for operating exhaust gas treatment system
CN108425729A (zh) Scr原料气诊断的系统和方法
RU2561803C1 (ru) Способ определения качества содержащего аммиак восстановителя, используемого для снижения содержания оксидов азота
CN110088437A (zh) 还原剂浓度诊断系统和方法
US20130152545A1 (en) Diesel eission fluid quality detection system and method
CN104234800A (zh) 用于NOx传感器诊断的系统和方法
US9606092B2 (en) NOx sensor diagnosis system and method
DE102016201602A1 (de) Verfahren zur Ermittlung eines Ammoniakmassenstroms
Soleimani et al. Reliability challenges for automotive aftertreatment systems: A state-of-the-art perspective
CN115280002A (zh) 用于基于短期和长期累积劣化估计来控制后处理系统的操作的控制器和方法
CN111194378B (zh) 用于测定SCR催化器下游的NOx浓度和NH3溢出的方法
CN108474282A (zh) 确定还原剂输送性能的系统和方法
CN115795379A (zh) 用于配量系统的运行的方法
CN103388519B (zh) 选择禁用NOx还原效率诊断的排气诊断控制系统和方法
KR20180110603A (ko) 유체 계량공급 시스템에서 양 편차 결정 방법
CN110160800B (zh) 用于对用于scr催化器系统的仿真器进行探测的方法
WO2013003710A2 (en) Virtual reductant quality sensor
KR102557632B1 (ko) Scr 촉매 컨버터 시스템 및 그 진단 방법
US20240104971A1 (en) Method for providing data
US11959433B2 (en) Systems and methods for determining exhibited useful life of sensors in monitored systems
EP3557017B1 (en) Exhaust gas aftertreatment system for diesel engine and method of detecting abnormal injection
EP4180642A1 (en) Non-intrusive reductant injector clogging detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication