CN1185832A - 用于内燃机爆震识别和调节的装置 - Google Patents

Abstract

文中说明了一种用于内燃机爆震识别与调节的装置。在这一装置中,首先将爆震传感器的输出信号传送给信号预处理阶段(14),在信号预处理阶段从这些单个信号中获取特征量,并将相应的、要进一步的数据继续传送给神经网络(15)。在神经网络(15)中,从传送的数据获得预报爆震是否能够发生的决定判据。内燃机控制装置的微机从这些用神经网络(15)获得的信息以及内燃机其它的典型信息中计算用于点火或喷射的控制信号,当识别出爆震时,将点火角向后调整。

Description

用于内燃机爆震识别和调节的装置

现有技术

根据主要要求分类，发明涉及的是用于内燃机爆震识别和调节的装置。

为了能够最优调节内燃机，必须可靠地识别所谓的“爆震”。爆震描述的是一种极限工作状态，这一工作状态会对内燃机的寿命产生不利的影响。一旦识别出爆震，通常要调节点火角，由此保证避免在下次燃烧过程中出现爆震。

在已知的用于爆震识别的装置中，借助于所谓的机器噪声传感器来记录内燃机中产生的噪音，将传感器的输出信号进行预处理，并借助于微处理器对信号加以分析。

例如，可从DE-OS 44 21950中了解根据这一方法工作的、用于爆震识别的装置。在这种已知装置中，首先对输出信号进行预处理，然后借助于神经网络以及相关连的模糊逻辑对信号进一步处理。如果识别出爆震，通常这样对点火或喷射产生作用，从而得到不出现爆震的条件。

在由DE-OS 44 21950中得知的用于内燃机爆震识别和调节的装置中虽然已经有信号预处理过程(爆震传感器提供信号给相关连的神经网络和模糊逻辑)，但是不能得到信号预处理过程如何形成的信息。

发明的优点

与现有技术相比，发明的、具有权利要求1的特征的用于内燃机爆震识别和调节的装置具有下述优点：爆震传感器的输出信号在输送给神经网络前这样进行预处理，即可对其进行非常可靠的进一步处理。如果在信号预处理装置中获取了爆震传感器信号的多个特征参量，并将这些选出的信号传送给处理逻辑，例如借助于神经网络或模糊逻辑建立起来的处理逻辑，那么，便可具备这些优点。

发明的其它优点可以用在其它权利要求中说明的措施来实现。此外，其特出的优点在于，在信号的预处理中只在测量窗口时扫描特征，这样可确定爆震发生的地点，并择出干扰。其优点还在于，在信号的预处理中进行傅立叶变换，由此测定一个或多个爆震最优频率，并将这一信息作为特征量输送给神经网络。在测量窗口中也可用有利的方式进行总能量的积分，这样可将爆震能作为一特征量输送给神经网络。其优点还在于，在信号的预处理中可测定不同测量窗口内的部分能量，并考虑用这样获得的特征信号形式来区分干扰噪音和爆震。

其优点还在于，借助于神经网络对从预处理过程中提取的特征量进行处理和分类，特征量的数目与输入的神经网络数目相当。说明爆震强度的输出值在神经网络中计算，根据计算的爆震强度来确定一临界值。作为阻止爆震的措施，从这一临界值起，将点火角向后调整。

这一发明并不只限于神经网络的应用，也可以有利的方式扩展到其它的网络上。

附图

在附图中介绍了发明的实施例，随后并进一步进行了详细说明。为了便于理解发明，在图1中说明了用于内燃机爆震识别和调节装置的基本组成件。在图2、3和4中说明了如何从一个爆震传感器或多个爆震传感器的输出信号中识别爆震出现的方法。

说明

在图1中介绍了用于内燃机爆震识别和调节装置的、发明的基本组成件。10是一信号处理装置，例如内燃机控制装置。11是爆震传感器，它装在内燃机的一个汽缸上。其它的爆震传感器装在其余的汽缸上，为了简便起见这里未在图1中标明。

爆震传感器11提供输出信号，用UK标明。这一信号传输给控制装置10，它首先在计算电路12中进行预处理，使得随后可将其传输给模拟-/数字转换器13。模拟-/数字转换器13与信号预处理阶段14相连，在14中对由模拟-/数字转换器13提供的数据进行预处理。

信号预处理过程14与一神经网络15和一微处理器16相连，在微处理器中进行内燃机爆震识别及调节装置的总控制。此外，还向微处理器提供其它信号，在这些信号中例如会涉及到所谓的内燃机负荷L以及转速n。通常通过传感器20扫过与内燃机曲轴17相连的齿轮18来测定转速。传感器20是一电感传感器，在这一传感器中，当经过齿轮18的每个齿时产生电压脉冲UN，从这一时间次序中可测定转速n。当然，其它信号也可传输给控制装置10，或者说控制装置的微机以进行处理。根据传输的信号由微处理器计算用于内燃机调节所需的控制信号，例如准备好点火终了阶段19的控制信号UZ。根据控制信号，将一由电池电压UB提供的电压加在点火线圈Z上。

图1的布置只是一个范例，可用另外不同的部件对其进行补充。例如可预先规定一乘法器，通过这一乘法器将由不同爆震传感器11产生的信号传输给控制装置。只要保证爆震传感器11的输出信号，或者说不同的爆震传感器的输出信号具有一定高度，这一高度使得有可靠的模拟-/数字转换，那么，就可以省略信号处理过程12。在这种情况下，输出信号UK直接输送给模拟-/数字转换器13。

原则上，图1中介绍的装置并不只局限于爆震传感器信号的处理，它还可处理与调节系统相连的其它传感器的信号。相应地，在预处理过程14中的信号预处理必须调整，使得同样再次获得特征量，然后将这些特征量传输给神经网络15或其它网。

在图1描述的装置中实施在图2、3和4中说明的用于内燃机爆震识别或者说调节的方法。在图2中说明了信号处理的第一概况，在这里首先以适宜的方式处理爆震传感器信号，用模拟-/数字转换器将其数字化，然后输送给预处理过程14。这一过程在图2中用步骤S1表示。

在预处理过程14中进一步处理数字化的爆震传感器信号。此外，从爆震传感器信号中获得可选择的特征量，这些特征可以例如通过在测量窗口中的扫描获得，然后可确定爆震发生的地点。进而可择出干扰。如果接着进行数字化信号的傅立叶变换，那么可以测定一个或多个爆震的最优频率。在一个可选择的测量窗口中通过爆震传感器总能量的积分可测定例如爆震能量。也可测定爆震传感器信号的部分能量，在这一过程中，部分能量的计算在不同的测量窗口段进行。通过确定不同的测量窗口或不同的测量窗口段可以得到一有特征的信号形式，因而可以区别干扰噪音和由爆震引起的噪音。在可选择阶段过程中，测量窗口的形成或随后的信号的进一步传输可以在预处理过程14中进行。

特别说明的爆震传感器信号的特征的获得在信号预处理过程14中进行。在图2中用步骤S2表明在信号处理过程14中进行的方法。单独借助于神经网络进行从信号预处理过程14中提取特征的选择和分类。此外，将提取的特征输送给输入层，它是神经网络的组成部分。在图1中神经网络用15表示，它例如指的是一个特有的神经网络计算机。但神经网络也可以是微处理器16的组成部分。

通常可以将神经网络理解为计算逻辑。也可以用模糊逻辑或组合网络来代替一个或多个神经网络。

在图2描述的方法中，提取特征在神经网络输入层中的接收被表示为步骤S3。在神经网络中的处理和输出被表示为步骤S4。在神经网络的输出端，或者说在神经网络的输出层有一可被识别的信号，该信号表明是否有爆震。在步骤S5生成这一信号。“爆震是/否”的说明输送给微处理器16，微处理器根据这一信息以及其它输送给它的信息计算用于点火UZ的新的控制信号。如果在神经网络15的输出端识别出存在有爆震，那么在计算新的点火信号UZ时要考虑爆震，并且微处理器16给出将点火角向后调整的信号。

在信号预处理过程中提取的特征量的计算和分类也在神经网络15中进行。此外，被计算的特征量的数目与神经网络输入端的数目相对应。在神经网络中计算的输出值可以用来评价爆震强度。根据这一爆震强度可以例如确定一临界值，从这一临界值起将点火角向后调节，并作为阻止爆震产生的措施。最后，微处理器决定是否需要进行点火角的调整。

在图3中说明了一个神经网络的实施例。图3中的流程图与图1中被视为神经网络15的框图相对应。从EP-O 441 522 A中可了解类似的神经网络。在图3中介绍的神经网络流程图在开始步骤S7之后开始特征量输入S8。这些输入给神经网络的特征量与在预处理过程中提取的特征量相对应。在特征量的输入过程中还涉及到爆震传感器信号的特征量，并不涉及到爆震传感器输出信号本身。在步骤S9中分析这些提取的特征量。此外还检验，输出层的值是否与规定值(爆震或不爆震)相等。如果相等，那么在步骤S10提高临界值，或者说权重系数。如果在步骤S9中，输出层的值与规定值不相等，那么在步骤S11降低临界值，或者说权重系数。

接着，在步骤S12检查步骤S10和S11的结果，看出现的误差是否最小。如果是这种情况，那么在步骤S13结束这一过程。但如果在步骤S12中识别出，误差不是最小，那么程序返回步骤S9再继续进行。用图3中说明的神经网络实施例可以使得临界值或者说权重系数得以学习和自适应，这样可优化爆震识别。

在图4中介绍了发明的另一实施例，在这一实施例中，不仅详细说明了信号预处理，而且还详细说明了信号在神经网络中的再处理。对于图4的实施例，在步骤S14接收到机器噪音，或者说爆震传感器的输出信号，在步骤S15进行圆柱选择扫描，这一圆柱扫描可以例如借助于模拟-/数字信号转换器13进行。可以预先规定多个模拟-/数字信号转换器，扫描或者以相乘工作方式进行。

圆柱选择的扫描信号在信号预处理阶段进行快速傅立叶变换，或者借助多个数字滤波器进一步处理(步骤S16)。例如从DE-OS 35 06 114或DE-OS 31 37 016中知道，不仅快速傅立叶变换，而且多个数字滤波器的使用与爆震传感器信号的计算有关。快速傅立叶变换时或借助一个或多个数字滤波器进行信号计算时的进行方式这里就不详细说明了。

在步骤S16处理过的信号在步骤S17进一步进行处理，其中每个值都经过选择。这些选出的值(它们例如只包括傅立叶变换分量)被概括为一个所谓的信号矢量，借助神经网络进一步处理这一信号矢量。由于对信号矢量的进一步处理可以有两种方法，因而对于处理方法中的任一种都严格规定了一个神经网络。也可用其它的网络结构来取代一个或多个神经网络，通常这些网络结构被视为感知器。

信号矢量由谁组成？怎样组成？取决于信号处理过程14中选用哪种方法。如果在测量窗口中通过圆柱选择扫描获取参量，那么信号矢量中包含有关于爆震发生地点的信息，在这一过程中干扰可进一步被择出。如果在测量窗口进行圆柱扫描后还要进行傅立叶变换，那么信号矢量包含了有关多个爆震最优频率的信息。如果在测量窗口中进行爆震传感器信号总能量的积分，那么将得到爆震能量，因而，所属的信号矢量取决于爆震能。通过在不同的测量窗口段进行部分能量的计算可以识别有特征的信号形式，可以将干扰噪音与爆震区分开来。在信号预处理阶段14使用多个数字滤波器也可实现这一目的。在这种情况下，从选择值中得到的信号矢量将取决于有特征的信号形式或取决于干扰噪音与爆震的不同点。

借助于网络，例如神经网络进行的信号矢量处理也有两种途径，在图中表示为步骤S18和S19。按照被表示为步骤S18的第一种途径，将信号矢量与一个或多个加权矢量相比较，然后选出加权区域，这一区域内的信号间距具有最小距离。然后，这一最小间距被用作临界值的比较值。接着，在步骤S20进行临界值比较，在步骤S21得到爆震识别结果。在图4的流程图中，步骤S21是爆震识别“是/否”。如果识别是爆震，那么将这一信息传送给微处理器16，微处理器在识别出爆震的情况下通过传送给点火结束阶段相应的控制信号UZ开始将点火角19向后调整，由此保证在下次点火时不再发生爆震。

借助于神经网络进行信号处理的第二种途径在步骤S19中描述。在这种方法中，将信号矢量统一为1，并与加权矢量相乘。由此得到的结果值是临界值的比较值。在步骤S20再次进行临界值比较。临界值与计算值的比较使得可再次进行爆震识别。

对于这两种途径，加权矢量或者说临界值在工作中得以自适应。在开始第一次爆震识别之前，或者在每次爆震识别之前都要确定临界值。一个或多个加权矢量、或临界值的自适应用步骤S22或者说步骤S23表示。

用发明的方法，根据在预处理阶段14从爆震传感器信号中获取的预定特征量，例如作为信号矢量传送给神经网络15的特征量，可以进行可靠的爆震识别。由于通过测量窗口的形成排除了可能出现的误差源部分，因而保证了可进行非常可靠的、不易受干扰的爆震识别。一旦在信号预处理阶段14进行了广泛的预处理和选择，那么在神经网络15中的信号处理只需很少的费用。

Claims (14)

1.用于内燃机爆震识别和调节的装置，其特征是，预处理阶段(14)包含这样的手段，即从爆震传感器的输出信号中获取特征量以及相应的、传递给处理逻辑特别是网络(15)进行进一步处理的数据，由此形成了可以预报爆震存在的决定判据，该装置具有至少一个爆震传感器，该传感器安装在内燃机汽缸上并提供电输出信号，输出信号取决于相关汽缸的燃烧状态，并被输送给信号处理装置，信号处理装置包括至少一个预处理阶段、一个处理逻辑和一个微处理器，微处理器在信号处理装置中实现连接。

2.根据权利要求1的装置，其特征是，至少有两个爆震传感器11，或者在每个汽缸上布置一个爆震传感器11，并将爆震传感器的电输出信号UK传输给信号处理装置。

3.根据权利要求1或2的装置，其特征是，将处理逻辑实现为模糊逻辑或至少一个神经网络。

4.根据权利要求1，2或3的装置，其特征是，信号处理装置是内燃机控制装置(10)的组成部分，取决于神经网络输出信号的控制装置(10)的微机(16)给出点火结束阶段的控制信号UZ。

5.根据权利要求4的装置，其特征是，在已知爆震的情况下，点火结束阶段的控制信号UZ将点火角向后移动。

6.根据前述权利要求之一的装置，其特征是，信号预处理阶段采用的、从爆震传感器输出信号中获取特征量的手段是计算手段，它可进行傅立叶变换，特别是快速傅立叶变化。

7.根据前述权利要求1-5之一的装置，其特征是，预处理阶段包括这样的手段，它至少对应着一个数字滤波器，且爆震信号这样处理：只将有特征的信号形式进一步传输给神经网络。

8.根据前述权利要求1-5之一的装置，其特征是，预处理阶段包括在测量窗口内将爆震传感器信号的总能量积分，以确定爆震能量的手段，

9.根据前述权利要求之一的装置，其特征是，在爆震传感器和信号预处理阶段之间至少有一个模拟-/数字转换器(13)。

10.根据前述权利要求之一的装置，其特征是，数字滤波器(13)进行爆震传感器信号的圆柱选择扫描。

11.根据前述权利要求之一的装置，其特征是，从信号预处理阶段的输出信号中选出某个值，由此构成一个信号矢量或多个信号矢量，这些信号矢量被传送给神经网络(15)作为输入矢量。

12.根据权利要求10的装置，其特征是，在神经网络中进行信号矢量和多个加权矢量之间距离的计算，选择具有最小距离的加权矢量，并从这一结果出发进行用于爆震识别的设定值的比较。

13.根据权利要求10的装置，其特征是，将信号矢量与加权矢量相乘，并将结果与用于爆震识别的临界值相比较。

14.根据权利要求11或12的装置，其特征是，在考虑前面的测量结果条件下，加权矢量和/或临界值动态相适应。

Images