CN116057268A - 用于借助于机器学习方法来运行燃料喷射阀的方法和装置 - Google Patents
用于借助于机器学习方法来运行燃料喷射阀的方法和装置 Download PDFInfo
- Publication number
- CN116057268A CN116057268A CN202180062166.4A CN202180062166A CN116057268A CN 116057268 A CN116057268 A CN 116057268A CN 202180062166 A CN202180062166 A CN 202180062166A CN 116057268 A CN116057268 A CN 116057268A
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- time
- injection valve
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
- F02D41/02—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
-
- 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
-
- 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
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/06—Fuel or fuel supply system parameters
- F02D2200/0602—Fuel pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/06—Fuel or fuel supply system parameters
- F02D2200/0618—Actual fuel injection timing or delay, e.g. determined from fuel pressure drop
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种用于通过基于传感器信号确定喷射阀(6)的开启和/或关闭时间点来运行喷射阀的方法,所述方法具有以下步骤:‑通过对所述喷射阀的传感器的传感器信号进行采样,提供(S 1、S2)评估点时间序列;‑使用(S3)非线性的、基于数据的第一子模型(21),以便基于所述评估点时间序列获得第一模型输出;‑使用(S4)线性的、基于数据的第二子模型(22),以便基于所述评估点时间序列获得第二模型输出,‑根据所述第一和第二模型输出确定(S5、S6)所述开启和/或关闭时间点。
Description
技术领域
本发明涉及一种用于在使用基于数据的模型的情况下运行内燃机的燃料喷射阀的方法,尤其是用于确定开启时间点和/或关闭时间点以便估计所喷射的燃料量。
背景技术
使用机电式或压电式喷射阀用于在燃烧发动机中计量燃料。这些机电式或压电式喷射阀使得能够以直接并且精确地测定的方式向燃烧发动机的气缸中进行燃料输送。
挑战在于尽可能精确地控制燃烧过程,以便尤其是在燃料消耗、效率、有害物质排放和安静运行方面,改善燃烧发动机的运行特性。为此重要的是,运行喷射阀,使得可以在变化的工作压力下以高的重复精度并且必要时对于每个工作冲程利用多次喷射来计量要喷射的燃料量。
喷射阀可以包括电磁执行器或压电执行器,所述电磁执行器或压电执行器操作阀针,以便将所述阀针从针座提升并且开启喷射阀的排出口以便将燃料排放到燃烧室中。由于结构差异以及不同的运行条件、诸如温度、燃料压力、燃料粘度,在确定喷射阀的准确的开启时间点、也即自其起燃料通过喷射阀进入气缸的燃烧室中的时间点以及准确的关闭时间点、即燃料通过喷射阀进入气缸的燃烧室中直至的时间点时存在不确定性。
发明内容
根据本发明,提供一种根据权利要求1所述的用于运行燃料喷射阀的方法以及根据并列权利要求所述的装置和喷射系统。
其他设计方案在从属权利要求中予以说明。
根据第一方面,提供一种用于通过基于传感器信号确定喷射阀的开启和/或关闭时间点来运行喷射阀的方法,所述方法具有以下步骤:
-通过对所述喷射阀的传感器的传感器信号进行采样,提供评估点时间序列;
-使用非线性的、基于数据的第一子模型,以便基于所述评估点时间序列获得第一模型输出;
-使用线性的、基于数据的第二子模型,以便基于所述评估点时间序列获得第二模型输出,
-根据所述第一和第二模型输出以及根据用于对所述第一和/或第二模型输出进行加权的加权因子确定开启和/或关闭时间点。
虽然喷射阀的操控根据操控信号的预先给定的曲线进行,但是由此引起的喷射阀的开启和关闭运动发生变化,使得不能准确地预先给定用于开始和结束燃料喷射的实际开启和关闭时间点。对此的原因在于阀运动与当前运行点的复杂依赖性。
为了监控阀运动,在喷射阀中设置压电传感器,所述压电传感器被构造为压力传感器,以便检测通过操控喷射阀触发的燃料压力的压力变化并且提供对应的传感器信号。现在可以评估所测量的传感器信号来确定喷射阀的实际开启和关闭时间点,以便从而相应地适配喷射阀的操控。
然而,传感器信号也是有噪声的并且尤其是取决于燃料输送中的实际燃料压力和要测量的操控的持续时间。
可以借助于基于数据的评估模型来对传感器信号进行评估以确定喷射阀的开启和/或关闭时间点。基于数据的评估模型可以对应于概率回归模型、神经网络或分类模型或者包括所述概率回归模型、神经网络或分类模型。
使用基于数据的评估模型来确定开启或关闭时间点是有利的,因为尤其是借助于物理激励模型的合适的建模由于各种各样的影响和交互作用而不能被映射。然而,在安全关键的应用中,使用纯粹基于数据的模型是危险的,因为不能对于每个运行点确保评估模型的输出不导致不期望的系统行为。
因此,根据上述方法,评估模型可以被设置为混合模型,所述混合模型基于两个基于数据的子模型独立地实施开启或关闭时间点的确定并且将子模型的结果相互组合,以便获得开启和关闭时间点。为此,设置第一基于数据的子模型,所述第一基于数据的子模型将从喷射阀中的压电传感器的传感器信号中导出的评估点时间序列映射到模型输出,所述模型输出说明开启时间点和/或关闭时间点。
第一基于数据的子模型可以被构造为非线性神经网络。非线性神经网络通常具有带有神经元的多个层,所述多个层中的至少一个层具有非线性激活函数。输出层优选地不被设置有非线性激活函数。这使得能够也对复杂的非线性关系进行建模。
第二基于数据的子模型可以被构造为具有优选地仅一个层的线性神经网络。线性的第二子模型不具有非线性激活函数,并且因此与非线性的第一子模型的不同之处在于较低的复杂性。
在线性神经网络的情况下,将输入向量乘以矩阵,并且提供结果作为模型输出。不设置尤其是非线性的激活函数。通过使用线性子模型,可以明确地追溯评估点时间序列的各个项的影响。在此情况下不会出现非预期的模型输出。这尤其是对于安全关键的应用是重要的,其中不允许仅仅使用所谓黑盒模型,其中计算流程是不可追溯的。
将两个子模型的结果组合,以便获得实际的开启或关闭时间点。因此可以在第二子模型的可靠性和第一子模型的精度之间实现权衡。
根据一种实施方式,所述第一和第二子模型可以被创建用于分别输出输出向量,其中所述输出向量的每个元素被分配给特定的开启或关闭时间点,其中所述子模型被构造用于根据概率说明输出向量的每个元素的值,其中通过所述元素的索引值确定的时间点以所述概率对应于要输出的开启或关闭时间点。尤其是,可以确定开启或关闭时间点,其方式是确定具有相应地最高的值的输出向量的元素的索引值并且将该索引值分配给对应的开启或关闭时间点。
因此,子模型可以被构造用于输出分别对应于输出向量的Logit。输出向量包含多个元素,所述元素的索引值说明用于开启和关闭时间点的特定的时间点。相继的索引值对应于具有时间间隔的相继的开启或关闭时间点,所述时间间隔可以是相同的或可变的。
相关的开启或关闭时间点被确定,其方式是将输出向量的元素相应地以利用预先给定的加权因子逐索引地加权的方式相加,以便获得总输出向量,其中具有相应的最高的值的总输出向量的元素的索引值被确定并且所确定的索引值被分配给对应的开启或关闭时间点。
可替代地,可以创建第一和第二子模型,用于分别直接输出开启或关闭时间点。从而,至少第一基于数据的子模型也可以设置有一个或多个回归模型,以便根据子模型的训练输出实际的时间点、也即开启或关闭时间点。
第二基于数据的子模型可以被设置为线性模型,其以相同的方式将评估点时间序列分配给开启或关闭时间点说明。子模型优选地被构造为使得开启或关闭时间点的输出的格式相同。
在这两种情况下,要确定的实际时间点对应于子模型的加权结果的平均值。
子模型的训练可以相应地从评估点时间序列的预设中利用对应的标签进行。在回归模型的情况下,标签可以对应于对应的开启或关闭时间点。在分类模型的情况下,标签可以对应于具有多个元素的输出向量,其中元素的索引值分别被分配给特定的对应的开启或关闭时间点。例如,标签的输出向量可以为所有元素分派“0”,并且仅为其索引值应该分配给特定的开启或关闭时间点的那个元素分派“1”。
在训练之后,在推断对应的子模型时,相关的元素的值说明所分配的时间点对应于开启时间点或关闭时间点的概率。
第一子模型可以对应于神经网络、支持向量模型、高斯过程模型等。
第二子模型的线性函数对应于基于数据的线性模型,所述基于数据的线性模型借助于矩阵乘法对评估点时间序列进行评估,其中线性模型中的计算与第一子模型中的计算不同由于矩阵乘法的线性而可以被追溯。这尤其是对于安全关键的应用是重要的,因为使用所谓的黑盒模型并非如此,在所述黑盒模型中计算流程不能被看透。
根据另一方面,提供一种用于为基于数据的评估模型训练子模型来确定喷射阀的开启和/或关闭时间点的方法,所述方法具有以下步骤:
-提供训练数据记录,所述训练数据记录对于评估点时间序列分别说明特定的开启或关闭时间点;
-借助于训练数据记录训练第一子模型,所述第一子模型被构造为非线性的、基于数据的模型;
-借助于所述训练数据记录训练第二子模型,所述第二子模型被构造为线性的、基于数据的模型。
可以规定,加权因子被确定用于组合模型输出,其方式是针对预先给定的训练数据记录确定第二子模型如何可靠地确定开启和/或关闭时间点,其中加权因子λ被规定为使得通过第一子模型的模型输出引起的第二子模型的模型输出的变化不使开启和/或关闭时间点的正确确定失真,其中所述加权因子以加权的方式使第一和第二子模型的模型输出相加。
根据另一方面,提供一种用于实施上述方法的装置。
附图说明
下面根据所附附图更详细地阐述实施方式。其中:
图1示出用于将燃料喷射到燃烧发动机的气缸中的喷射系统的示意图;
图2示出用于应用经训练的基于数据的评估模型来确定所喷射的燃料量的方法的流程图;
图3示出用于阐明用于借助于基于数据的评估模型来确定喷射阀的开启或关闭时间点的方法的框图;以及
图4示出评估点时间序列的示例性时间曲线的示意图。
具体实施方式
图1示出用于机动车辆的燃烧发动机2的喷射系统1的布置,对于所述燃烧发动机示例性地示出(尤其是多个气缸中的)气缸3。燃烧发动机2优选地被构造为具有直接喷射的柴油发动机,但是也可以被设置为汽油发动机。
气缸3具有进气阀4和排气阀5,用于输送新鲜空气和用于排出燃烧废气。
此外,用于运行燃烧发动机2的燃料经由喷射阀6被喷射到气缸3的燃烧室7中。为此,燃料经由燃料输送装置8被输送到喷射阀,燃料经由所述燃料输送装置以本身已知的方式(例如共轨)在高燃料压力下被提供。
喷射阀6具有与阀针62耦合的以电磁或压电方式可操控的执行器单元61。在喷射器6的闭合的状态下,阀针62位于针座63上。通过操控执行器单元61,阀针62沿纵向被移动并且释放针座63中的阀开口的一部分,以便将处于压力下的燃料喷射到气缸3的燃烧室7中。
喷射阀6此外具有压电传感器65,所述压电传感器布置在喷射阀6中。压电传感器65由于在通过喷射阀6引导的燃料中的压力变化而变形,并且通过电压信号作为传感器信号生成。
喷射以通过控制单元10控制的方式进行,所述控制单元10通过对执行器单元61通电而预先给定要喷射的燃料量。传感器信号借助于控制单元10中的A/D转换器11在时间上被采样,尤其是以0.5至5MHz的采样率被采样。
在燃烧发动机2的运行中,传感器信号用于确定喷射阀6的正确的开启和/或关闭时间点。为此,传感器信号借助于A/D转换器11被数字化为传感器信号时间序列,并且通过合适的评估模型被评估,从中可以根据燃料压力和其他运行参量来确定喷射阀6的开启持续时间并且因此确定所喷射的燃料量。尤其是,为了确定开启持续时间,需要开启时间点和关闭时间点,以便将开启持续时间确定为这些参量的时间差。
可以从传感器信号曲线的观察中进行开启时间点或关闭时间点的确定。尤其是,开启时间点和/或关闭时间点可以借助于基于数据的评估模型来实施。
图2根据流程图阐明用于确定发动机系统1中的气缸3的喷射阀6的开启和/或关闭时间点的方法。该方法用于感知用于燃烧发动机2的控制功能并且尤其是为此确定所喷射的燃料量。
结合图3的框图更详细地描述该方法。该方法在控制单元10中被执行,在所述控制单元中可以以软件和/或硬件的形式实现该方法。
根据用于燃烧发动机2的单个气缸3的喷射阀6的观察来描述该方法。当然,该方法可以并行地被应用于燃烧发动机3的所有喷射阀6,即也被应用于多气缸燃烧发动机。
在步骤S1中借助于压电传感器65检测传感器信号。该信号通常是由于在所供应的燃料中的压力变化而生成的电压信号。
在步骤S2中,借助于A/D转换器11对传感器信号进行采样,以便在评估时段内确定评估点时间序列。评估时间段可以相对于喷射阀的操控时间窗被规定,所述操控时间窗由执行器单元61的操控的开始和规定的持续时间来定义,所述持续时间对应于用于执行器单元61的操控信号预先给定阀开启的最大持续时间。操控时间窗因此具有所定义的时间基准,为所述时间基准提供评估点时间序列,所述评估点时间序列表示用于进一步确定开启或关闭时间点的基础。尤其是,可以通过对先前过采样的传感器信号进行下采样来确定评估点时间序列。
评估时间段可以被设置有关于燃烧发动机2的工作冲程的固定时间基准,尤其是,评估时间段可以在预定的曲轴位置优选地在压缩冲程内开始。可以选择评估时间段,使得可以在其中映射喷射阀的整个开启时间窗。具有示例性评估点时间序列的这样的评估时间段在图4中示出。
在步骤S3中,将评估点时间序列输送给第一基于数据的子模型21。第一基于数据的子模型21可以是具有多个层的经训练的神经网络和或诸如此类。至少一个层具有一个或多个神经元,所述神经元包含激活函数、尤其是非线性激活函数。提供模型输出的输出层优选地被设置不具有激活函数。
第一子模型21提供Logit作为第一输出向量A1(第一模型输出)。第一输出向量A1包括多个元素,所述元素分别被分配给可能的开启或关闭时间点。可能的开启或关闭时间点优选地根据其时间顺序分配给元素的索引值,使得时间顺序对应于增高的索引值的序列。
在步骤S4中,将评估点时间序列输送给第二子模型22。第二子模型22可以作为基于数据的线性模型根据训练数据被训练。第二基于数据的子模型22可以被构造为具有优选地仅一个层的线性神经网络。在线性神经网络的情况下,将输入向量乘以矩阵,并且作为模型输出提供结果,在该情况下是第二输出向量A2。不设置尤其是非线性激活函数。通过使用线性子模型,可以明确地追溯评估点时间序列的各个项的影响。
因为第二子模型是可追溯的并且可以排除非预期的模型输出,所以第二子模型22也可以被应用于安全关键区域中。
在第二子模型22中评估点时间序列的评估的结果对应于与在第一子模型21情况下相同的格式,即第二输出向量A2,从中可以以上述方式确定第二开启或关闭时间点。
第一子模型11和第二子模型22的训练借助于训练数据记录,所述训练数据记录分别包含评估点时间序列和所属的输出向量。输出向量对要训练的开启和/或关闭时间点进行编码,所述要训练的开启和/或关闭时间点先前已经通过在试验台上测量喷射阀被确定,使得仅高的值、尤其是“1”被分派给其索引值对应于要训练的开启和/或关闭时间点的元素,而低的值、尤其是“0”被分派给其余元素。
在步骤S5中,将子模型21、22的结果、即第一和第二输出向量逐元素地在组合块23中相互组合。为此,子模型21、22的输出向量首先被归一化,例如其方式是缩放相关的输出向量A1、A2的元素,使得所述元素的总和得出“1”。随后,将相同索引值的元素以用预先给定的加权因子λ加权的方式根据以下方式相加:
Ages=λA1+(1-λ)A2
得出总输出向量Ages。通过使用可变加权因子λ,可以将置信度考虑到第一和第二子模型21、22的结果中。
加权因子λ可以利用训练数据被参数化。在此,加权因子λ被设定为使得对于所有先前确定的训练数据记录,不通过第一基于数据的子模型21的模型输出改变第二子模型22的正确的模型预测。
在此情况下,首先根据所选择的训练数据记录、尤其是不是为了训练第二子模型设置的训练数据记录确定线性的第二子模型22确定正确的开启或关闭时间点所针对的那些训练数据记录。
现在可以例如通过迭代方案设定加权因子λ,使得对于所有先前确定的训练数据记录而言,通过总输出向量Ages预先给定的开启或关闭时间点与相关的训练数据记录的对应的预先给定的开启或关闭时间点一致。
加权因子优选地被规定为值,诸如被规定为0.5。
在步骤S6中,在评估块24中确定要确定的开启或关闭时间点,其方式是通过argmax函数确定具有最大值的总输出向量Ages的元素的索引值并且将所述索引值分配给对应的时间点作为开启或关闭时间点。分配对应于为输出向量预先给定的时隙。
在一种替代的实施方式中,子模型21、22可以直接输出第一或第二开启或关闭时间点,所述第一或第二开启或关闭时间点借助于加权因子λ直接被组合,以便获得用于进一步运行喷射阀的总开启或关闭时间点。
Claims (11)
1.一种用于通过基于传感器信号确定喷射阀(6)的开启和/或关闭时间点来运行喷射阀的方法,所述方法具有以下步骤:
-通过对所述喷射阀的传感器的传感器信号进行采样,提供(S1、S2)评估点时间序列;
-使用(S3)非线性的、基于数据的第一子模型(21),以便基于所述评估点时间序列获得第一模型输出;
-使用(S4)线性的、基于数据的第二子模型(22),以便基于所述评估点时间序列获得第二模型输出,
-根据所述第一和第二模型输出确定(S5、S6)所述开启和/或关闭时间点。
2.根据权利要求1所述的方法,其中所述第一和第二子模型(21、22)被构造用于分别输出输出向量(A1、A2)作为模型输出,其中所述输出向量(A1、A2)的每个元素被分配给特定的开启或关闭时间点,其中所述子模型(21、22)被构造用于根据概率分别说明输出向量(A1、A2)的每个元素的值,其中通过所述元素的索引值确定的时间点以所述概率对应于所述要输出的开启或关闭时间点。
3.根据权利要求2所述的方法,其中所述开启或关闭时间点被确定,其方式是所述输出向量(A1、A2)的元素相应地以用预先给定的加权因子(λ)逐索引地加权的方式被相加,以便获得总输出向量(Ages),其中确定具有相应地最高的值的总输出向量(Ages)的元素的索引值,并且将所确定的索引值分配给对应的开启或关闭时间点。
4.根据权利要求1至3中任一项所述的方法,其中所述第一子模型(21)被构造为非线性神经网络,并且所述第二子模型(22)被构造为线性神经网络。
5.根据权利要求1所述的方法,其中所述第一和第二子模型(22)被构造用于通过回归分别输出时间点并且根据加权因子(λ)以加权的方式将这些时间点相加,以便确定所述开启或关闭时间点。
6.根据权利要求1至5中任一项所述的方法,其中所述喷射阀(6)的运行根据所述开启和/或关闭时间点被实施,其中所述喷射阀(6)的运行尤其是被执行为使得通过所确定的开启和/或关闭时间点确定的喷射阀(6)的开启持续时间被设定为预先给定的额定开启持续时间。
7.一种用于为基于数据的评估模型训练子模型(21、22)来确定喷射阀(6)的开启和/或关闭时间点的方法,所述方法具有以下步骤:
-提供训练数据记录,所述训练数据记录对于评估点时间序列说明特定的开启和/或关闭时间点;
-借助于训练数据记录训练第一子模型(21),所述第一子模型被构造为非线性的、基于数据的模型;
-借助于所述训练数据记录训练第二子模型(22),所述第二子模型被构造为线性的、基于数据的模型。
8.根据权利要求6所述的方法,其中确定加权因子(λ)用于以加权方式组合所述模型输出(A1、A2),对于预先给定的训练数据记录的集合,不通过所述第一基于数据的子模型(21)的模型输出改变通过所述第二子模型(22)进行的作为开启或关闭时间点的时间点的正确模型输出。
9.一种用于实施根据前述权利要求中的任一项所述的方法之一的装置。
10.一种计算机程序产品,所述计算机程序产品包括指令,当通过计算机执行程序时,所述指令促使所述计算机执行根据权利要求1至8中任一项所述的方法的步骤。
11.一种机器可读存储介质,所述机器可读存储介质包括指令,当通过计算机执行时,所述指令促使所述计算机执行根据权利要求1至8中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020211416.1 | 2020-09-11 | ||
DE102020211416.1A DE102020211416A1 (de) | 2020-09-11 | 2020-09-11 | Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren |
PCT/EP2021/074934 WO2022053613A1 (de) | 2020-09-11 | 2021-09-10 | Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils mithilfe maschineller lernverfahren |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116057268A true CN116057268A (zh) | 2023-05-02 |
Family
ID=77998945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180062166.4A Pending CN116057268A (zh) | 2020-09-11 | 2021-09-10 | 用于借助于机器学习方法来运行燃料喷射阀的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11846244B2 (zh) |
CN (1) | CN116057268A (zh) |
DE (1) | DE102020211416A1 (zh) |
WO (1) | WO2022053613A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020211418A1 (de) * | 2020-09-11 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19740608C2 (de) | 1997-09-16 | 2003-02-13 | Daimler Chrysler Ag | Verfahren zur Bestimmung einer kraftstoffeinspritzbezogenen Kenngröße für einen Verbrennungsmotor mit Hochdruckspeicher-Einspritzanlage |
JP4627603B2 (ja) * | 2001-03-15 | 2011-02-09 | 日立オートモティブシステムズ株式会社 | 燃料供給装置 |
DE10344181A1 (de) | 2003-09-24 | 2005-04-28 | Mtu Friedrichshafen Gmbh | Verfahren zur Steuerung und Regelung einer Brennkraftmaschine |
DE102007060049A1 (de) | 2007-12-13 | 2009-06-18 | Robert Bosch Gmbh | Verfahren zur Bestimmung des Einspritzverlaufs eines Injektors |
WO2011072293A2 (en) | 2009-12-11 | 2011-06-16 | Purdue Research Foundation | Flow rate estimation for piezo-electric fuel injection |
DE102012003581B3 (de) | 2012-02-27 | 2013-07-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Leerlaufregler und Verfahren zum Betrieb von Brennkraftmaschinen |
US10196997B2 (en) | 2016-12-22 | 2019-02-05 | GM Global Technology Operations LLC | Engine control system including feed-forward neural network controller |
DE102018212669A1 (de) | 2018-07-30 | 2020-01-30 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines Verbrennungsmotors mit einem Common-Rail-Einspritzsystem |
DE102019209690A1 (de) | 2018-09-10 | 2020-03-12 | Robert Bosch Gmbh | Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine |
DE102019209644A1 (de) | 2019-07-02 | 2021-01-07 | Robert Bosch Gmbh | Verfahren zum Trainieren eines neuronalen Netzes |
CN114013284B (zh) * | 2021-11-02 | 2023-09-22 | 上汽大众汽车有限公司 | 一种车辆续航里程的计算方法和系统 |
-
2020
- 2020-09-11 DE DE102020211416.1A patent/DE102020211416A1/de active Pending
-
2021
- 2021-09-10 WO PCT/EP2021/074934 patent/WO2022053613A1/de active Application Filing
- 2021-09-10 US US18/001,784 patent/US11846244B2/en active Active
- 2021-09-10 CN CN202180062166.4A patent/CN116057268A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102020211416A1 (de) | 2022-03-17 |
US20230228226A1 (en) | 2023-07-20 |
WO2022053613A1 (de) | 2022-03-17 |
US11846244B2 (en) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102027221B (zh) | 用于控制喷射阀的方法,燃料喷射设备和内燃机 | |
CN103154483B (zh) | 用于求取压电式燃油喷射阀的实际喷射开始的方法和装置 | |
US20060082252A1 (en) | Method for determining the position of a movable shut-off element of an injection valve | |
CN106536905B (zh) | 用于多脉冲燃料喷射的喷射器控制的系统和方法 | |
CN114542312B (zh) | 用于求取表征燃料喷射器的流量率的变量的方法 | |
CN102691588B (zh) | 估算燃料喷射状态的设备 | |
US9617946B2 (en) | Method for controlling an internal combustion engine, and system having an internal combustion engine and a control device | |
CN105612334B (zh) | 用于确定内燃机的至少一个喷射参数的方法以及内燃机 | |
HU230527B1 (hu) | Elemzőeszköz és eljárás tüzelőanyag-injektorral ellátott belső égésű motor tüzelőanyag-befecskendezésének szabályozására szolgáló tüzelőanyag-befecskendezés-vezérlő rendszer gyártásához | |
CN116057268A (zh) | 用于借助于机器学习方法来运行燃料喷射阀的方法和装置 | |
Oh et al. | Machine-learning based prediction of injection rate and solenoid voltage characteristics in GDI injectors | |
CN116097257A (zh) | 借助机器学习方法来训练基于数据的时间点确定模型以确定喷射阀的打开或关闭时间点的方法和装置 | |
US20230340917A1 (en) | Method and device for operating a fuel injection valve with the aid of machine learning methods | |
CN115045775A (zh) | 训练时间点确定模型以确定喷射阀的打开或关闭时间点的方法和设备 | |
US20230313752A1 (en) | Method and device for operating a fuel injection valve | |
WO2014039800A1 (en) | Rapid estimation of piezoelectric fuel injection events | |
CN116431984A (zh) | 用于训练用于变点检测的传感器模型的方法和装置 | |
GB2475224A (en) | Method of controlling a piezoelectric injector | |
CN113050609B (zh) | 一种ecu测试方法及装置 | |
Ioanas | Modeling, identification and prediction of inherent quasi-stationary pressure dynamics of a common-rail system using neuro-fuzzy structures with local linear arx models | |
Ioanaş et al. | Common-rail pressure estimation using a neuro-fuzzy architecture with local hammerstein models | |
US20230222329A1 (en) | Method and Device Used for Providing and Evaulating a Sensor Model for Change Point Detection | |
CN105189995A (zh) | 燃料喷射器的打开能量的确定 | |
CN112879192B (zh) | 一种电控喷油器的喷油量在线观测方法及装置 | |
US20230222352A1 (en) | Method for Training a Data-Based Evaluation Model |
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 |