CN116075829A - 用于借助机器学习方法来运行燃料喷射阀的方法和设备 - Google Patents

用于借助机器学习方法来运行燃料喷射阀的方法和设备 Download PDF

Info

Publication number
CN116075829A
CN116075829A CN202180061961.1A CN202180061961A CN116075829A CN 116075829 A CN116075829 A CN 116075829A CN 202180061961 A CN202180061961 A CN 202180061961A CN 116075829 A CN116075829 A CN 116075829A
Authority
CN
China
Prior art keywords
opening
model
determined
sub
output vector
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
CN202180061961.1A
Other languages
English (en)
Inventor
A·霍普福
J-H·巴斯
M·沃尔勒
M·梅斯特
F·科沃尔
R·诺尔登
E·托纳
K·格劳
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 CN116075829A publication Critical patent/CN116075829A/zh
Pending legal-status Critical Current

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
    • F02D41/02—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

本发明涉及一种用于通过基于传感器信号(S)来确定喷射阀(6)的打开或者关闭时刻而运行喷射阀(6)的方法，该方法具有下列步骤：‑通过对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(Z)；‑使用(S3)非线性的、基于数据的第一子模型(21)，以便基于评估点时间序列(Z)来获得第一输出向量(A1)，其中所述第一输出向量的每个元素都分配给确定的时刻；‑使用(S4)线性的、基于数据的第二子模型(22)，以便基于评估点时间序列(Z)来获得第二输出向量(A2)，其中所述第二输出向量(A2)的每个元素都分配给确定的时刻；‑根据所述第二输出向量(A2)，限制(S5，S6)通过第一输出向量(A1)确定的时刻，以便获得打开或者关闭时刻。

Description

用于借助机器学习方法来运行燃料喷射阀的方法和设备
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，尤其是用于确定打开时刻和/或关闭时刻，以估计所喷射的燃料量。
背景技术
机电式的或者压电的喷射阀被用于计量燃烧发动机中的燃料。这些喷射阀能够实现经过直接和精确测定的、到燃烧发动机的气缸中的燃料供给。
挑战在于，尽可能精确地控制燃烧过程，以便改善燃烧发动机的运行特性，尤其是鉴于燃料消耗、效率、有害物质排放和平稳运行加以改善。对此重要的是，运行喷射阀，使得在工作压力变化的情况下并且必要时在每个工作周期(Arbeitstakt)多次喷射的情况下，能以高重复精确度来计量要喷射的燃料量。
喷射阀可以具有电磁致动器或者压电致动器，所述电磁致动器和压电致动器操纵阀针，以便将阀针从针阀座取出并打开喷射阀的排出口，以将燃料泄出到燃烧室中。由于结构上的差异和不同的运行条件、如温度、燃料压力、燃料黏度，在确定喷射阀的确切的打开时刻和确切的关闭时刻时，存在不确定性；所述打开时刻也就是说是如下时刻：从该时刻起，燃料通过喷射阀到达气缸的燃烧室；所述关闭时刻也就是说是如下时刻：直至该时刻，燃料通过喷射阀到达气缸的燃烧室。
发明内容
根据本发明，设置了一种根据权利要求1所述的用于运行燃料喷射阀的方法，以及设置了一种根据并列权利要求所述的设备和喷射系统。
其他构建方案在从属权利要求中予以说明。
根据第一方面，设置了一种用于通过基于传感器信号来确定喷射阀的打开或者关闭时刻而运行喷射阀的方法，该方法具有下列步骤：
-通过对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，以便基于评估点时间序列来获得第一输出向量，其中第一输出向量的每个元素都分配给确定的时刻；
-使用线性的、基于数据的第二子模型，以便基于评估点时间序列来获得第二输出向量，其中第二输出向量的每个元素都分配给确定的时刻；
-根据第二输出向量，限制通过第一输出向量确定的时刻，以便获得打开或者关闭时刻。
虽然根据操控信号的预先给定的变化过程进行对喷射阀的操控，但是喷射阀的由此引起的打开和关闭运动变化，使得不能确切地预先给定用于开始和结束燃料喷射的实际打开和关闭时刻。对此的原因在于阀运动与当前运行点的复杂相关性。
为了监控阀运动，在喷射阀中设置有压电传感器，该压电传感器构造为压力传感器，以便检测燃料压力的通过操控喷射阀所触发的压力变化，并且以便提供相对应的传感器信号。现在，可以对测量到的传感器信号进行评估，以确定喷射阀的实际打开和关闭时刻，以便这样相对应地适配对喷射阀的操控。
可是，传感器信号也是带有噪声的，并且尤其是取决于燃料供给中的实际燃料压力和要测量的操控的持续时间。
借助基于数据的评估模型，可以进行对传感器信号的评估，以确定喷射阀的打开和/或关闭时刻。基于数据的评估模型可以对应于或者包括概率回归模型、神经网络或者分类模型。
使用基于数据的评估模型来确定打开或者关闭时刻是有利的，因为合适的建模、尤其是借助物理激励模型来建模由于多种多样的影响和相互作用而不能被映射。可是，在安全攸关的应用中，采用纯基于数据的模型是使人产生疑问的，因为并不能针对每个运行点都确保，评估模型的输出不导致不符合期望的系统行为。
因而，根据上面提到过的方法，评估模型可以设置为混合模型，该混合模型基于两个基于数据的子模型独立地执行对打开和/或关闭时刻的确定，并将子模型的结果彼此组合，以便获得打开和关闭时刻。为此，设置了基于数据的第一子模型，该基于数据的第一子模型将如下评估点时间序列映射到说明打开时刻和/或关闭时刻的模型输出上：所述评估点时间序列从喷射阀中的压电传感器的传感器信号中导出。因此，通过每个子模型，彼此独立地说明各自的打开和/或关闭时刻。
模型输出可以是呈Logit形式的输出向量。这两个子模型的输出向量分别限定为使得：各自输出向量的元素的索引说明相对应的打开或关闭时刻。例如，在数目为n的评估点的情况下，输出向量可以相对应地包括数目为n的元素。在此，输出向量的元素的索引分配给在所观察的评估时间段之内的连续时刻。尤其是，分配给子模型的输出向量的元素的时刻可以对应于在时间上均匀间隔开的评估时刻。
因此，输出向量中的具有最大元素值的元素的索引值说明了在评估时间段中的要确定的打开和关闭时刻。这样，可以构造子模型，以便根据如下概率来说明输出向量的每个元素的值：通过元素的索引值确定的时刻以该概率对应于要输出的打开和/或关闭时刻。尤其是，可以通过如下方式来确定打开或关闭时刻：确定输出向量的具有相对应最高值的元素的索引值，并将所述索引值分配给相对应的打开或关闭时刻。
将索引值分配至相对应的时刻通过训练子模型来预先给定，并且尤其是相对于曲轴角度来说明，或者参照通过针对喷射阀的致动器单元的操控信号来操控喷射阀的起始时刻来说明。
这两个子模型的结果被组合，以便获得实际的打开或关闭时刻。因此，可以实现在第二子模型的可靠性与第一子模型的精确度之间的权衡(Trade-off)。
基于数据的第一子模型可以构造为非线性神经网络。非线性神经网络通常具有多层神经元，所述多层神经元中的至少一个神经元具有非线性激活函数。优选地，不带有非线性激活函数地设置输出层。这使得能够也对复杂的非线性关系进行建模。
基于数据的第二子模型可以构造为线性神经网络，该线性神经网络具有优选地仅一层。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区别在于较低的复杂性。基于数据的第二子模型可以设置为如下线性模型：该线性模型以与第一子模型相同的方式将评估点时间序列分配给一个时刻。优选地，子模型构造为使得，打开或关闭时刻的输出格式是同样的。
在线性神经网络中，输入向量与矩阵相乘，并且结果被提供为模型输出。尤其是，没有设置非线性激活函数。
尤其是在安全攸关的应用中，如在确定和监控喷射阀的要喷射的燃料量时，需要可理解被用于计量燃料量的函数。由于基于数据的第一子模型对应于非线性神经网络并且由此对应于黑箱模型(Blackbox-Modell)，所以不能分析用于确定输出向量的函数。而线性的、基于数据的第二子模型是可理解的映射。
由于第一子模型构造为纯基于数据的分类模型，所以基于训练数据，通常可以将第一子模型训练为使得，可以确定更精确的关于打开时刻或关闭时刻的说明。为了避免对打开时刻或关闭时刻进行安全攸关的带有错误的确定，根据第二子模型的模型输出来限制第一子模型的所确定的时刻。
例如，这样可以通过限制范围来限定与通过第二子模型确定的时刻的偏差，其中通过第一子模型确定的时刻被限制到限制范围上，以便作为打开或者关闭时刻而输出所述通过第一子模型确定的时刻。
通过使用线性的第二子模型，可以明确地理解评估点时间序列的各个条目的影响。在这种情况下，意外的模型输出可能不会出现。这尤其是对于如下安全攸关的应用是重要的：在所述应用中，不允许仅仅采用所谓的黑箱模型，在所述黑箱模型中，计算流程不是可理解的。
尤其是，通过第一输出向量确定的时刻可以通过如下方式来限制：第一输出向量的第一索引值被限制到索引值范围上，该索引值范围在通过预先给定的公差阈值围绕第二输出向量的第二索引值限定的范围之内延伸。
替选地，从第一输出向量和第二输出向量中确定的索引值可以分配给相对应的时刻，其中利用从第二子模型中确定的时刻，借助预先给定的公差距离来预先给定限制范围，该限制范围限制从第一子模型中确定的时刻，以便这样确定打开或者关闭时刻。
根据另一方面，设置了一种用于执行上面提到过的方法之一的设备。
替选地，可以创建第一子模型和第二子模型，以便分别直接输出打开和/或关闭时刻。这样，至少基于数据的第一子模型也可以设置为回归模型，以便根据对子模型的训练来输出实际时刻、也就是说打开或者关闭时刻。
可以设置，根据打开和/或关闭时刻来执行喷射阀的运行，其中喷射阀的运行尤其是进行为使得，喷射阀的通过所确定的打开和/或关闭时刻确定的打开持续时间被设定(eingestellt)到预先给定的期望打开持续时间。
根据另一方面，设置了一种用于训练针对基于数据的评估模型的子模型的方法，所述基于数据的评估模型用于确定喷射阀的打开和/或关闭时刻，该方法具有下列步骤：
-提供训练数据集，所述训练数据集分别针对评估点时间序列来说明确定的打开和/或关闭时刻；
-借助训练数据集，训练第一子模型，该第一子模型构造为非线性的、基于数据的模型；
-借助训练数据集，训练第二子模型，所述第二子模型构造为线性的、基于数据的模型。
相对应地，从具有相对应的标签(Labels)的评估点时间序列的预先给定中，可以进行对子模型的训练。在回归模型的情况下，标签可以对应于相对应的打开或关闭时刻。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，其中元素的索引值被分别分配给相对应的打开或关闭时刻。例如，标签的输出向量可以给所有元素分派“0”，而只给如下那个元素分派“1”：所述元素的索引值要分配给确定的打开或关闭时刻。
在训练之后，在利用相对应的子模型推断时，有关元素的值说明了如下概率：所分配的时刻以该概率对应于打开或者关闭时刻。
第二子模型的线性函数对应于基于数据的线性模型，该基于数据的线性模型借助矩阵乘法对评估点时间序列进行评估，其中与第一子模型中的计算相反，由于矩阵乘法的线性，可理解该线性模型中的计算。这尤其是对于如下安全攸关的应用是重要的：对于所述应用而言，不允许采用所谓的黑箱模型，在所述黑箱模型中不能看透计算流程。
附图说明
随后，依据附上的附图，更详细地阐述了实施形式。
图1示出了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示出了用于图示如下方法的流程图：所述方法用于应用经过训练的、基于数据的评估模型，以确定所喷射的燃料量；
图3示出了用于图解说明如下方法的框图：所述方法用于借助基于数据的评估模型来确定喷射阀的打开或关闭时刻；以及
图4示出了评估点时间序列的示例性时间变化过程的示意图。
具体实施方式
图1示出了用于机动车的燃烧发动机2的喷射系统1的布局，针对所述燃烧发动机2，示例性地示出了(尤其是多个气缸中的)一个气缸3。燃烧发动机2优选地构造为具有直接喷射的柴油机，可是也可以设置为汽油机。
气缸3具有进气阀4和排气阀5，用于输送新鲜空气并且用于排放燃烧废气。
此外，为了运行燃烧发动机2，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被输送给喷射阀，经由该燃料输送装置8，在高燃料压力下以本身已知的方式(例如共轨(commonrail))来提供燃料。
喷射阀6具有可电磁操控的或者可压电操控的致动器单元61，该致动器单元61与阀针62耦合。在喷射阀6的关闭状态中，阀针62置于针阀座63上。通过操控致动器单元61，阀针62在纵向方向上运动，并释放针阀座63中的阀开度
Figure BDA0004116877370000061
的部分，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，该压电传感器65布置在喷射阀6中。压电传感器65因通过喷射阀6引导的燃料中的压力变化而变形，并通过电压信号生成为传感器信号。
以通过控制单元10控制的方式来进行喷射，该控制单元10通过给致动器单元61通电来预先给定要喷射的燃料量。借助控制单元10中的A/D转换器11，在时间上对传感器信号进行采样，尤其是以为0.5MHz直至5MHz的采样率对传感器信号进行采样。
在燃烧发动机2运行中，传感器信号用于确定喷射阀6的正确的打开或者关闭时刻。为此，传感器信号借助A/D转换器11被数字化为评估点时间序列，并通过合适的评估模型来评估，由此根据燃料压力和其他运行变量，可以确定喷射阀6的打开持续时间，并且可以相对应地确定所喷射的燃料量。为了确定打开持续时间，尤其是需要打开时刻和关闭时刻，以便将打开持续时间确定为这些变量的时间差。
从对传感器信号变化过程的观察中，可以进行对打开时刻和/或关闭时刻的确定。尤其是，借助基于数据的评估模型，可以执行打开时刻和/或关闭时刻。
图2依据流程图图解说明了一种用于确定发动机系统1中的气缸3的喷射阀6的打开和/或关闭时刻的方法。该方法用于，感知燃烧发动机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。在控制单元10中实施该方法，在所述控制单元10中，可以以软件和/或硬件的形式实施该方法。
依据对用于燃烧发动机2的单个气缸3的喷射阀6的观察，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，也就是说也可以并行地被应用于多缸燃烧发动机。
在步骤S1中，借助压电传感器65，检测传感器信号。该信号通常是由于所输送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，以便在评估时间段之内确定评估点时间序列Z。可以有关喷射阀的操控时间窗来规定评估时间段。操控时间窗通过操控致动器单元61的开始和所规定的持续时间来限定，该所规定的持续时间是其中针对致动器单元61的操控信号预先给定阀开度的最大持续时间。因此，操控时间窗具有所限定的时间基准，针对该时间基准提供如下评估点时间序列Z：所述评估点时间序列Z是用于进一步确定打开或关闭时刻的基础。尤其是，通过对事先被过采样的传感器信号进行下采样，可以确定评估点时间序列。
评估时间段可以利用对于燃烧发动机2的工作周期的固定时间基准来设置，尤其是评估时间段可以在预先确定的曲轴位置的情况下优选地在压缩冲程之内开始。评估时间段可以选择来使得，喷射阀的整个打开时间窗可以被映射到其中。在图4中，示出了具有示例性的评估点时间序列Z的这种评估时间段。
在步骤S3中，评估点时间序列Z被输送给基于数据的第一子模型21。基于数据的第一子模型21可以是经过训练的具有多个层的神经网络和或诸如此类。至少一个层具有一个或者多个神经元，所述神经元包含激活函数、尤其是非线性的激活函数。不带有激活函数地设置输出层，该输出层提供模型输出。
第一子模型21提供Logit作为第一输出向量A1。第一输出向量A1包括如下多个元素：所述元素分别分配给可能的打开或关闭时刻。优选地，根据所述元素的上升的索引值，分配可能的打开或关闭时刻。
在步骤S4中，评估点时间序列Z被输送给第二子模型22。作为基于数据的线性模型，可以靠训练数据来训练第二子模型22。基于数据的第二子模型22可以构造为线性神经网络，该线性神经网络具有优选地仅一层。在线性神经网络中，输入向量与矩阵相乘，并且结果被提供为模型输出。没有设置尤其是非线性的激活函数。通过使用线性子模型，可以明确地理解评估点时间序列Z的各个条目的影响。
因此，第二子模型22也可被应用在安全攸关的领域中，因为所述第二子模型22是可理解的并且可以排除意外的模型输出。
第二子模型22中的对评估点时间序列Z的评估结果对应于与在第一子模型21中相同的格式、即第二输出向量A2，从该第二输出向量A2中，可以按上面描述的方式确定第二打开或关闭时刻。
借助训练数据集进行对第一子模型11和第二子模型22的训练，所述训练数据集分别包含评估点时间序列Z和相关的输出向量。该输出向量对要训练的打开和/或关闭时刻进行编码，所述要训练的打开和/或关闭时刻事先已通过在测试台上测量喷射阀来确定，使得只给其索引值与要训练的打开和/或关闭时刻相对应的元素分派高值、尤其是“1”，而给其余元素分派低值、尤其是“0”。
在步骤S5中，子模型的结果(也就是说第一输出向量A1和第二输出向量A2)在组合块23中彼此组合。为此，鉴于要确定的打开或者关闭时刻，单独地对输出向量A1、A2进行分析。对于这两个子模型(21，22)，通过由arg-max函数确定具有最高值的元素的索引值，进行这一点，其中这样确定的索引值要分配给打开或者关闭时刻。
在此，借助预先给定的公差距离，通过第二子模型确定的索引值形成围绕相对应地通过第二子模型22确定的索引值的限制范围，所述预先给定的公差距离可被预先给定为整数公差距离。限制范围通过如下方式来限制第一子模型21的输出：从第一子模型中所确定的索引值被限制到所述限制范围上。
也就是说，如果两个索引值相等，则该索引值被用作确定打开或关闭时刻的值。如果从第一输出向量A1中确定的索引值在围绕通过第二输出向量A2确定的索引值的限制范围之内，则使用通过第一输出向量A1确定的索引值。如果从第一输出向量A1中确定的索引值不在围绕通过第二输出向量A2确定的索引值的限制范围之内，则通过第一输出向量A1确定的索引值被限制到通过第二输出向量A2确定的索引值上。
在步骤S6中，在评估块24中通过如下方式确定要确定的打开或关闭时刻：从所限制的索引值中确定相对应地分配的时刻作为打开或关闭时刻。该分配对应于针对这两个子模型的输出向量所预先给定的时间网格。
替选地，从第一和第二输出向量A1、A2中确定的索引值也可以在限制之前被分配给相对应的时刻。从所述从第二子模型中确定的时刻中，借助预先给定的公差距离，预先给定如下限制范围：该限制范围限制从第一子模型中确定的时刻，以便这样确定打开或关闭时刻。

Claims (10)

1.用于通过基于传感器信号(S)来确定喷射阀(6)的打开或者关闭时刻而运行所述喷射阀的方法，其具有下列步骤：
-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(Z)；
-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(Z)来获得第一输出向量(A1)，其中所述第一输出向量(A1)的每个元素都分配给确定的时刻；
-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(Z)来获得第二输出向量(A2)，其中所述第二输出向量(A2)的每个元素都分配给确定的时刻；
-根据所述第二输出向量(A2)，限制(S5，S6)通过所述第一输出向量(A1)确定的时刻，以便获得所述打开或者关闭时刻。
2.根据权利要求1所述的方法，其中，所述子模型(21，22)构造为，以便根据如下概率来分别说明所述输出向量(A1，A2)的每个元素的值：通过所述元素的索引值确定的时刻以所述概率对应于要输出的所述打开或者关闭时刻。
3.根据权利要求2所述的方法，其中，第一和第二输出向量(A1，A2)分别包括多个元素，所述元素的第一或第二索引值说明针对所述打开或者关闭时刻的确定的时刻，其中连续的索引值对应于具有在时间上相等的或者可变的距离的连续的打开或者关闭时刻，并且尤其是同样的第一和第二索引值对应于相同的打开或关闭时刻。
4.根据权利要求3所述的方法，其中，通过所述第一输出向量(A1)确定的所述打开或者关闭时刻通过如下方式被限制：所述第一输出向量(A1)的第一索引值被限制到索引值范围上，所述索引值范围在通过预先给定的公差阈值围绕所述第二索引值限定的范围之内延伸。
5.根据权利要求2所述的方法，其中，从所述第一和第二输出向量(A1，A2)中确定的索引值被分配给相对应的时刻，其中利用从所述第二子模型中确定的时刻，借助预先给定的公差距离来预先给定限制范围，该限制范围限制从所述第一子模型中确定的时刻，以便这样确定所述打开或者关闭时刻。
6.根据权利要求1至5中任一项所述的方法，其中，所述第一子模型(21)构造为非线性神经网络，而所述第二子模型(22)构造为线性神经网络。
7.根据权利要求1至6中任一项所述的方法，其中，根据打开和/或关闭时刻，执行所述喷射阀(6)的运行，其中所述喷射阀(6)的所述运行尤其是进行为使得，所述喷射阀(6)的通过所确定的打开和/或关闭时刻确定的打开持续时间被设定到预先给定的期望打开持续时间。
8.用于执行根据上述权利要求中任一项所述的方法之一的设备。
9.计算机程序产品，其包括指令，所述指令在通过计算机实施程序时促使所述计算机，实施根据权利要求1至7中任一项所述的方法的步骤。
10.机器可读的存储介质，其包括指令，所述指令在通过计算机实施时促使所述计算机，实施根据权利要求1至7中任一项所述的方法的步骤。
CN202180061961.1A 2020-09-11 2021-09-10 用于借助机器学习方法来运行燃料喷射阀的方法和设备 Pending CN116075829A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020211418.8A DE102020211418A1 (de) 2020-09-11 2020-09-11 Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102020211418.8 2020-09-11
PCT/EP2021/074956 WO2022053626A1 (de) 2020-09-11 2021-09-10 Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils mithilfe maschineller lernverfahren

Publications (1)

Publication Number Publication Date
CN116075829A true CN116075829A (zh) 2023-05-05

Family

ID=77998949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180061961.1A Pending CN116075829A (zh) 2020-09-11 2021-09-10 用于借助机器学习方法来运行燃料喷射阀的方法和设备

Country Status (5)

Country Link
US (1) US20230340917A1 (zh)
CN (1) CN116075829A (zh)
BR (1) BR112023004382A2 (zh)
DE (1) DE102020211418A1 (zh)
WO (1) WO2022053626A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020214953A1 (de) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Trainieren eines Klassifikators zur Ansteuerung eines Injektors einer Verbrennungskraftmaschine

Family Cites Families (16)

* Cited by examiner, † Cited by third party
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
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
US20130019842A1 (en) * 2009-12-11 2013-01-24 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
DE112019002301T5 (de) * 2018-07-20 2021-02-18 Hitachi Automotive Systems, Ltd. Kraftstoffeinspritzungs-Steuervorrichtung
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
DE102020211421A1 (de) * 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils
DE102020211419A1 (de) * 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102020211416A1 (de) * 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021202289A1 (de) * 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102021210321A1 (de) * 2021-09-17 2023-03-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens
DE102022200286A1 (de) * 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Trainieren eines Sensormodells für eine Change-Point-Detektion

Also Published As

Publication number Publication date
US20230340917A1 (en) 2023-10-26
BR112023004382A2 (pt) 2023-04-04
WO2022053626A1 (de) 2022-03-17
DE102020211418A1 (de) 2022-03-17

Similar Documents

Publication Publication Date Title
US8973893B2 (en) Method and device for determining the actual start of injection of a piezo fuel injection valve
US20060082252A1 (en) Method for determining the position of a movable shut-off element of an injection valve
US7255087B2 (en) Method for controlling an injection system of an internal combustion engine
US9903294B2 (en) Method and device for injecting fuel into an internal combustion engine
CN114542312B (zh) 用于求取表征燃料喷射器的流量率的变量的方法
US11346299B2 (en) Method and device for operating an internal combustion engine having a common-rail injection system
CN109555617B (zh) 用于运行内燃机的方法以及用于内燃机的电子控制装置
US9617946B2 (en) Method for controlling an internal combustion engine, and system having an internal combustion engine and a control device
JP2014526647A5 (zh)
JP2014526647A (ja) 内燃機関の少なくとも１つの噴射弁の噴射特性を評価する方法及び内燃機関のための動作方法
Oh et al. Machine-learning based prediction of injection rate and solenoid voltage characteristics in GDI injectors
US20230229121A1 (en) Method and device for training a data-based time determining model for determining an opening or closing time of an injection valve using a machine learning method
CN116075829A (zh) 用于借助机器学习方法来运行燃料喷射阀的方法和设备
HU230527B1 (hu) Elemzőeszköz és eljárás tüzelőanyag-injektorral ellátott belső égésű motor tüzelőanyag-befecskendezésének szabályozására szolgáló tüzelőanyag-befecskendezés-vezérlő rendszer gyártásához
US11846244B2 (en) Method and apparatus for operating a fuel injection valve with the aid of machine learning methods
Parotto et al. Advanced GDI injector control with extended dynamic range
US20230222345A1 (en) Method and Device for Training a Sensor Model for Change-Point Detection
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
EP1813796A2 (en) Controller and control method for an engine control unit
Cranmer et al. Grey-box modeling architectures for rotational dynamic control in automotive engines
GB2475224A (en) Method of controlling a piezoelectric injector
Satkoski et al. Cycle-to-cycle estimation and control of multiple pulse profiles for a piezoelectric fuel injector
US10859024B2 (en) Determining the opening energy of a fuel injector
KR20150005549A (ko) 내연 기관을 작동하기 위한 방법 및 장치

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