DE10010681A1 - Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte - Google Patents

Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte

Info

Publication number
DE10010681A1
DE10010681A1 DE2000110681 DE10010681A DE10010681A1 DE 10010681 A1 DE10010681 A1 DE 10010681A1 DE 2000110681 DE2000110681 DE 2000110681 DE 10010681 A DE10010681 A DE 10010681A DE 10010681 A1 DE10010681 A1 DE 10010681A1
Authority
DE
Germany
Prior art keywords
sensor
model
vehicle control
motor vehicle
control device
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.)
Withdrawn
Application number
DE2000110681
Other languages
English (en)
Inventor
Heinz J Theuerkauf
Thomas Winsel
Mohamed Ayeb
Dirk Lichtenthaeler
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to DE2000110681 priority Critical patent/DE10010681A1/de
Publication of DE10010681A1 publication Critical patent/DE10010681A1/de
Withdrawn legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/174—Using electrical or electronic regulation means to control braking characterised by using special control logic, e.g. fuzzy logic, neural computing
    • 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
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/1002—Output torque
    • F02D2200/1004—Estimation of the output torque

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Description

Anwendungsgebiet
Die Erfindung betrifft ein Verfahren bzw. eine Vorrichtung zur Unterstützung oder Erweiterung vorhandener Prozeßregelungen, einschließlich Prozeßsteuerungen und Prozeßüberwachungen im Kraftfahrzeug. Bei diesen Prozessen handelt es sich u. a. um den Verbrennungsmotor, das Getriebe, das Fahrwerk, die Spurführung und das Bremssystem. Alle oben aufgeführten Prozeßregelungen basieren auf zumeist gemessenen Signalen der verschiedenen Sensoren im Kraftfahrzeug. Mit Hilfe dieser Erfindung kann ein vorhandener Sensor bzw. dessen Sensorsignal ersetzt oder ein nicht verfügbares Sensorsignal bereitgestellt werden. Die Bereitstellung bzw. Nachbildung dieses Sensorsignals erfolgt mit Hilfe eines Berechnungsmodells, basierend auf den verbleibenden, verfügbaren Sensorsignalen. Eine solche Vorrichtung entsprechend dem Oberbegriff des Anspruchs 1, nachfolgend als virtueller Sensor bezeichnet, kann u. a. in ein Kraftfahrzeugsteuergerät implementiert werden.
Als besonders vorteilhafte Anwendung sei hierbei die Nachbildung des Motordrehmomentes bzw. einer vergleichbaren Größe genannt. Während des normalen Fahrzeugbetriebes ist eine Messung des Motordrehmomentes nur bedingt möglich, da die hierfür notwendige Sensorik äußerst umfangreich ausfällt und somit z. Z. nicht ökonomisch sinnvoll realisierbar ist. Abhilfe schafft ein im Steuergerät implementiertes Drehmomentenmodell entsprechend den Merkmalen nach Anspruch 4 und 5.
Stand der Technik
In allen herkömmlichen bzw. in Serie befindlichen Steuergeräten wird bereits eine virtuelle Lastgröße berechnet. Ein Drehmomenten-Modell wurde jedoch erst in aktuelleren Steuergeräten implementiert. Beide Berechnungsmodelle basieren auf den Signalen der Sensoren für Motordrehzahl, Motordrehposition, Fahrpedalposition, Luftmassenfluß bzw. alternativ Saugrohrdruck, Lambda-Wert, Motortemperatur und den Ausgangssignalen des Steuergerätes für Zündung und Einspritzung. Die Berechnung erfolgt i. a. durch die Auswertung von im Speicher abgelegten Kennfeldern und wird z. T. durch Adaptionsverfahren ergänzt, womit u. a. Alterungs- und Witterungseinflüsse berücksichtigt werden.
Nachteile des Standes der Technik
Die bereits vorhandenen virtuellen Drehmomentsensoren bzw. -modelle weisen während transienter Zustände eine unbefriedigende Übereinstimmung mit dem realen Drehmomentverlauf des Motors auf. Diese Abweichungen treten insbesondere bei Lastwechsel auf, bedingt z. B. von Klimakompressoren oder mechanischen Ansaugluft-Ladevorrichtungen (u. a. Abgaslader, Kompressor).
Die Parametrierung der aktueller Drehmomentmodelle, d. h. die Applikation der Modelle an verschiedene Motorvarianten ist sehr aufwendig, benötigt ein großes Maß an Prozeßkenntnis und ist somit nur unzureichend automatisierbar.
Aufgabe der Erfindung
Mit dem Verfahren muß ein vorhandener Sensor bzw. dessen Sensorsignal so ersetzt oder ein nicht verfügbares Sensorsignal so bereitgestellt werden, daß der Unterschied zum real gemessenen Signal vernachlässigt werden kann. Die Erfindung, d. h. der virtuelle Drehmomentensensor bzw. das -modell, muß unter Verwendung der für herkömmliche Steuergeräte eingesetzten Sensorik in der Lage sein, für alle Betriebsbereiche des Motors dessen realen Drehmomentverlauf mit guter Übereinstimmung im Quasi-Stationären als auch während transienter Zustände nachzubilden. Hierbei muß das Verfahren hinsichtlich der benötigten Rechenleistung und des benötigten Speicherbedarfs für die Applikation auf herkömmlichen Steuergeräten ohne zusätzliche Hardware geeignet sein.
Die Applikation der Modelle an verschiedene Motorvarianten soll weitgehend automatisiert erfolgen.
Lösung der Aufgabe
Der virtuelle Sensor wird mittels eines Berechnungsmodells nach den Merkmalen der Ansprüche 1 bis 3, d. h. unter Verwendung neuronaler Netze aufgebaut.
Insbesondere wird der virtueller Drehmomentsensor zur Implementierung in Kraftfahrzeugsteuergeräte (MD-VNS) nach den Merkmalen der Ansprüche 4 und 5 konzipiert.
Vorteile der Erfindung
Durch dieses Verfahren gemäß den Merkmalen der Ansprüche 1 bis 5, d. h. dem Einsatz Neuronaler Netze in der Modellstruktur der virtuellen Sensoren, können die oben aufgeführten Anforderungen erfüllt bzw. Verbesserungen erreicht werden:
Da Neuronale Netze sich bekanntermaßen ausgesprochen gut zur Nachbildung nichtlinearer Funktionen eignen, kann durch eine Modellstrukturierung nach den Ansprüchen 1 bis 3, einschließlich eines geeigneten Lernverfahrens, eine ausreichend hohe Übereinstimmung zwischen realem und virtuellem Sensor erreicht werden.
Durch Verwendung eines Lernverfahrens zur Optimierung der neuronalen Netzparameter kann der Applikationsvorgang weitgehend automatisch erfolgen.
Es ist zudem möglich, weitere Sensoren im Kraftfahrzeug mit Hilfe des vorgestellten Verfahrens zu ersetzen.
1. Einleitung
Ein virtueller Sensor zur Implementierung in Kraftfahrzeugsteuergeräten (ECU's) nach den Merkmalen der Ansprüche 1 bis 5 entspricht einem Berechnungsmodell, dessen Struktur neuronale Netze enthält. Dieses Berechnungsmodell wird in oder an einem Steuergerät untergebracht, wie in Abb. 1 skizziert. Es verwendet nur Ein-, Ausgangs und interne Signale, die auch in herkömmlichen Steuergeräten zugänglich sind.
Als Eingänge des Modells bzw. virtuellen Sensors werden
  • a) die Signale der Sensoren, d. h. die Eingangssignale des Steuergerätes, für
    Motordrehzahl n und -position ϕKW,
    Drosselklappenwinkel αDK bzw. Fahrpedalposition αPW,
    Luftmassenfluß Luft, bzw. alternativ Saugrohrdruck pSaug,
    Restsauerstoff im Abgas (Lambda-Wert) λ,
    Motortemperatur ϑMot,
    Luftdruck pLuft und -temperatur ϑLuft,
    ggf. Aggregate zur Ansaugluftaufladung,
    ggf. Klopfneigung pKlopf
    ggf. Abgasrückführung (AGR),
    ggf Tankentlüftung Tank, Rück,
  • b) die Ausgangssignale des Steuergerätes für
    Zündung αZünd,
    Einspritzung tEin,
  • c) und ggf. weitere, im Steuergerät verfügbare analoge oder digitale Informationen (u. a. CAN-Bus, MOST)
verwendet.
Ausgang des Modells ist das Signal des zu ersetzenden bzw. des bereitzustellenden Sensors. Im Fall des virtuellen Drehmomentsensors (MD-VNS) ist dieses ein Signal, welches dem Drehmoment an der Kurbelwelle entspricht.
In einem elektronischen Kraftfahrzeugsteuergerät sind, den Modelleingängen äquivalenten Werte als digitale Information abgelegt. Diese Abtastwerte werden mit neuronalen Strukturen, mittels Hardware und/oder Software verarbeitet, deren Struktur nachfolgend beschrieben wird.
2. Neuronale Modellstruktur
Zur Festlegung der neuronalen Modellstrukturen, die den Merkmalen der Ansprüche 1 bis 5 zugrunde liegen, werden diese nachfolgend näher spezifiziert. Derartige Strukturen werden häufig auch als Fuzzy-Modelle, Fuzzy-Neuro-Modelle o. ä. bezeichnet.
2.1 Neuronale Netze
Ein neuronales Netz besteht i. a. aus mehreren Neuronen, deren Ein- und Ausgänge miteinander verbunden sind. Ein einzelnes Neuron stellt hierbei eine einfache Einheit zur Verarbeitung von Informationen bzw. von Signalen dar. Die Eingänge des Neurons, d. h. der mehrdimensionale Eingangsraum wird in der Regel auf einen eindimensionalen Ausgangsraum projiziert, der durch eine Aktivierungsfunktion ausgegeben wird. Die massive parallele Verarbeitung von Eingabedaten durch die jeweils einfachen Neuronen erklärt die Leistungsfähigkeit der gesamten Netzstruktur. Neuronale Netze die nur Ein- und Ausgangsverbindungen ohne Zeitverzögerung bzw. Speicherung der Zustände aufweisen, werden als statische neuronale Netze bezeichnet. Im Gegensatz dazu, beinhalten dynamische oder rekurrente Netzstrukturen mindestens einen Zustandsspeicher.
2.1.1 Statische neuronale Netze
Die Fähigkeit statischer neuronaler Netze zur Nachbildung nichtlinearer statischer Zusammenhänge, d. h. zur Approximation kontinuierlicher Funktionen mit einer begrenzten Anzahl von Unstetigkeiten, wurde in mehreren Studien bewiesen [Cybe1989] sowie [HoSt1989]. Diese Studien machen aber keine Aussagen zum Netzaufbau, d. h. hinsichtlich der optimalen Anzahl der Schichten oder zur Festlegung der optimalen Neuronenzahl in einzelnen Schichten, um konkrete Aufgabenstellungen optimal zu lösen. Weiterhin geben sie keine Antworten zur Art der Initialisierung, um bei vorhandener optimaler neuronaler Approximatorstruktur eine optimale Approximation für konkrete Aufgabenstellung zu erreichen. Diese Schwierigkeiten sind auf das Fehlen allgemeingültiger globaler Eigenschaften der eingesetzten Algorithmen zum Lösen nichlinearer Gleichungssysteme zurückzuführen. Diese Algorithmen werden als Lernverfahren für neuronale Netze, d. h. zur Bestimmung der Netzparameter verwendet und beruhen in der Regel auf dem Gradienten-Verfahren und/oder dem Newton-Verfahren. Aussagen über diese Verfahren sind nur lokal möglich, so daß die iterative Suche bereits "ausreichend nah" an der gesuchten Lösung beginnen muß.
Zur Nachbildung nichtlinearer Zusammenhänge benötigt ein neuronales Netz zumindest einige Neuronen mit nichtlinearem Übertragungsverhalten, d. h. nichtlineare Aktivierungsfunktionen. Die verwendeten Aktivierungsfunktionen bestimmen weitgehend das Inter- und Extrapolationsverhalten des neuronalen Netzes. Das Interpolationsverhalten neuronaler Modelle ist bei Verwendung sogenannter Quetschfunktionen (z. B. sigmoidaler Funktionen als Aktivierungsfunktionen) i. a. besser als z. B. bei Verwendung von Polynom- Approximatoren. Das Extrapolationsverhalten von neuronalen Netzen ist i. a. unbestimmt. Die Verwendung von Quetschfunktionen in der Zwischenschicht von Neuro-Modellen stellt die Beschränktheit der Ausgänge für beliebige Eingänge sicher.
Als Beispiel für ein konventionelles statisches neuronales Netz sei hier das Multi- Layer-Perceptron (MLP) genannt und näher erläutert. Seine Struktur gewährleistet die Nachbildung statischer Kennfelder mit ausreichender Approximationsgüte.
Multi-Layer-Perceptron (MLP)
Das MLP besteht aus mehreren Neuronenschichten wie in Abb. 2 dargestellt. Die Struktur ist strikt vorwärts gerichtet und gehört zur Gruppe der Feed-Forward-Netze. Für die Anwendung als Teilmodell im virtuellen (Drehmoment) Sensor hat sich eine dreischichtige (NU|N|NY)-MLP-Struktur als ausreichend erwiesen. In der Eingangsschicht werden alle NU Eingänge u = [u1, . . ., uNU]T direkt zur verborgenen Schicht #2 durchgeführt und stehen dort jedem der N verdeckten Neuronen als Eingänge zur Verfügung. Im i-ten Neuron der k-ten Schicht ergibt sich als Ausgang
wobei z. B. für k = 2, als Bereich der Laufvariable j = 1, 2, . . ., NU gilt. Die log- sigmoidale Aktivierungsfunktion
wird in jedem Neuron der verdeckten Schicht #2 eingesetzt. In den NY Neuronen der Ausgangsschicht #3 werden die Ausgänge der Schicht #2 gewichtet aufsummiert und durch eine lineare Aktivierungsfunktion als Gesamtnetzausgänge y = [y1, . . ., YNY]T ausgegeben. In Abb. 2 ist eine (3|4|1)-MLP-Struktur dargestellt mit NU = 3 Eingängen, mit N = 4 verdeckten Neuronen und mit NY = 1 Ausgang.
Die Gesamtheit aller Wichtungen W(k) (i,j) und Bias B(k) (i,1), zusammengefaßt in den Parameter- bzw. Wichtungsmatrizen
bestimmen das Verhalten der neuronalen MLP-Gesamtstruktur
Lernverfahren
Während des Trainings bzw. des Lernens werden Parameter bzw. Wichtungen ermittelt, mit denen die quadratische Fehlerfunktion
minimiert wird.
Zu Beginn eines Lernvorgangs kann die Initialisierung der Wichtungen der verdeckten Schicht, also der Neuronen mit einer log-sigmoidalen Aktivierungs­ funktion nach Nguyen-Widrow (NgWi1990) durchgeführt werden. Die Wichtungen der Neuronen mit linearer Aktivierungsfunktion in der Ausgangsschicht können mittels symmetrischem Zufallsgenerator initialisiert werden. Das Anlernen des funktionalen Zusammenhangs zwischen Ein- und Ausgängen kann in effektiver Weise nach dem Levenberg-Marquardt-Verfahren [Marq1963] und [HaMe1994] erfolgen. Diese Methode ist eine Kombination der Gradienten-Methode und des Newton-Verfahrens und konvergiert schneller als das bekannte Back-Propagation Verfahren, benötigt aber eine höhere Speicherkapazität während der Trainingsphase.
2.1.2 Rekurrente neuronale Netze
Ein rekurrentes oder dynamisches neuronales Netz ist dadurch gekennzeichnet, daß seine Netzstruktur eine Zeitverzögerung oder Speicherung mindestens eines Zustandes, Ein- oder Ausgangswertes seiner Neuronen vorsieht.
Ausgehend von einer allgemeinen rekurrenten Struktur, in der alle Neuronen vollständig miteinander verbunden sein können und an jeder Verbindung ein Speicherelement enthalten sein kann, haben sich einige spezielle Strukturen herausgebildet. Die Spezialisierung erfolgt durch Einschränkung der Vielfalt zulässiger Verbindungen und bzgl. der Speicherplazierungen. Trotz hierdurch bedingter, prinzipieller Einschränkung der Approximationsfähigkeit haben sich diese speziellen Strukturen als äußerst vorteilhaft herausgestellt, besonders hinsichtlich der Kriterien:
  • - Kompaktheit und Zeitbedarf der Lernverfahren,
  • - Unabhängigkeit von der Initialisierung,
  • - ausreichende Approximationsgüte,
  • - Robustheit gegenüber Parameter- oder Eingangsvariationen (Rauschen),
  • - Nachweismöglichkeiten für stabiles dynamisches Modellverhalten,
  • - Inter- und Extrapolationsverhalten.
Die nachfolgend beschriebenen Strukturen wurden bereits im Rahmen der Forschungsarbeiten zur "Simulation technischer Systeme" vorteilhaft eingesetzt (vgl. u. a. [SAE1998]). So werden im Zusammenhang mit einem öffentlich geförderten Projekt, neben allgemeinen Systemuntersuchungen auf dem Gebiet dynamischer neuronaler Netze, intelligente Verfahren zur automatisierten Modellgenerierung am Beispiel von Verbrennungsmotoren entwickelt. Ziel des Vorhabens ist die Gewinnung echtzeitfähiger, aus physikalischen und neuronalen Modellansätzen kombinierter Motorenmodelle.
Struktur mit lokaler Rückführung
Lokale Rückführungen mit Zustandsspeicherung erweitern ein statisches zu einem dynamischen Netz. Hierbei wird weder über mehrere Neuronenschichten zurückgeführt noch bestehen zeitverzögerte Verbindungen zwischen den Neuronen innerhalb einer Schicht. Sondern in bestimmten Schichten besitzt jedes Neuron eine individuelle Rückführung, verfügt somit über eine eingebaute Dynamik, wie in Abb. 3 dargestellt. Hierbei handelt es sich um sogenannte Local-Recurrent-Global- Feedforward (LRGF) Netze.
Diese Struktur ermöglicht eine Überprüfung des dynamischen Modellverhaltens hinsichtlich Stabilität mit Hilfe des Kriteriums:
Ein neuronales LRGF-Netz (vgl. Abb. 3) ist global asymptotisch stabil, wenn die Verstärkungsfaktoren aller lokalen Rückführungen vom Betrag kleiner 1 sind.
Dieses Stabilitätskriterium läßt sich somit in ein Lernverfahren integrieren, indem sichergestellt wird, daß alle Parameter bzw. Wichtungen in den lokalen Rückführungen vom Betrag stets kleiner 1 sind.
Da die internen Zustände des Netzwerkes i. a. nicht verfügbar sind, muß das Lernverfahren in der Ausgangsfehler- bzw. in der parallelen Modellkonfiguration durchgeführt werden, z. B. mit Backpropagation-Through-Time, wodurch sich der Lernprozeß häufig sehr zeitaufwendig gestaltet.
Struktur mit externer Rückführung
Eine weitere Möglichkeit zur Erweiterung eines statischen zu einem dynamischen Netz ergibt sich, wenn dem statischen neuronalen Approximator zeitlich verzögerte Ein- und Ausgänge des Prozesses bzw. des Modells zugeführt werden. Eine solche Struktur wird als Time-Delay-Neural-Network (TDNN) bezeichnet und verfügt über eine externe Dynamik, wie in Abb. 4 dargestellt.
Die Überprüfung bzw. ein Nachweis der Stabilität dieses dynamischen Simulationsmodells gestaltet sich i. a. relativ aufwendig. Die Verwendung eines MLP wie in Abb. 2 als statischer Approximationskern, ermöglicht die Formulierung eines einfach anwendbaren Stabilitätskriteriums, welches sich ebenfalls in ein Lernverfahren integrieren läßt.
Ein TDNN (vgl. Abb. 4) mit einem statischen (2n|N|1)-MLP Approximationskem (vgl. Abb. 2) ist global asymptotisch stabil, wenn
Hierbei wurde als Eingang des MLP ein Vektor
[Y(k-1), . . ., y(k-n), u1(k-1), . . ., u1(k-n), um(k-1), . . ., um(k-n)]T
vorausgesetzt.
Da die TDNN-Struktur im statischen Approximationskern keine internen dynamischen Zustände aufweist, kann ein Lernverfahren sowohl in der Ausgangsfehler- bzw. in der parallelen Modellkonfiguration als auch in der Gleichungsfehler- bzw. in der seriell­ parallelen Modellkonfiguration durchgeführt werden. Im letzteren Fall wird zunächst ein Prädiktionsmodell trainiert, was i. a. mit einem erheblichen Zeitgewinn gegenüber der parallelen Modellkonfiguration verbunden ist. Erfolgt die Optimierung des statischen Approximationskerns unter Berücksichtigung hinreichender Approximationsgüte, Robustheit sowie Inter- und Extrapolationsfähigkeit, so ist in der Regel eine gute Simulationsfähigkeit des TDNN-Modells gegeben.
2.2 Kombinierte neuronale Netze
Eine Verwendung rein neuronaler Strukturen, wie im vorhergehenden Kapitel beschrieben, im sogenannten Black-Box-Modellverfahren führt u. U. bei der Anwendung virtueller Sensor zu nicht optimalen Ergebnissen. Die Einbindung vorhandener Kenntnisse des nachzubildenden Prozesses, in Form physikalischer Gleichungen ist hierbei vorteilhaft. Die Vorteile beider Modellgenerierungsverfahren können kombiniert werden.
Physikalisch motivierte Grundstruktur zur Aufteilung in neuronale Teilmodelle
In der Abb. 5 ist eine vereinfachte Darstellung der physikalischen Struktur eines Otto-Verbrennungsmotors gezeigt, mit der eine Nachbildung des Drehmomentes an der Kurbelwelle durchgeführt werden kann. Basierend auf den Eingängen Motordrehzahl n, Fahrpedalposition αDK, Kraftstoff-Einspritzzeit tEin und Zündwinkel αZünd kann mit diesem Modell u. a. ein virtueller Drehmoment-Sensor aufgebaut werden.
Im Gegensatz zu einem in sich geschlossenen Black-Box-Modell MDreh = TDNN(n, αDK, tEin, αZünd, . . .) wird lediglich das physikalische Saugrohrdruck- Teilmodell durch ein dynamisches neuronales Netz pSaug = TDNN(n, αDK) ersetzt. In analoger Vorgehensweise werden die restlichen Teilmodelle für den Kraftstoffpfad, die Gemischbildung und den eigentlichen Verbrennungsprozeß durch rekurrente neuronale Netze ersetzt.
Besonderes Augenmerk ist zu richten auf Teilprozesse, die bereits mit statischen Netzstrukturen ausreichend nachzubilden sind. Durch diese Maßnahme kann das Modell hinsichtlich Handhabbarkeit, Übersichtlichkeit und Robustheit deutlich verbessert werden.
3. Literatur
[Cybe1989] Cybenko, G., "Approximation by Superpositions of a sigmoidal function ", Math. Control, Sig. Syst., 2, 1989, pp 303-314.
[HaMe1994] M. T. Hagan, M. B. Menjaj:, "Training Feedforward Networks with the Marquardt Algorithm", IEEE-Transactions on Neural Networks, Vol 5, Nr 6, pp 989-993, November 1994.
[HoSt1989] Hornik K., Stinchcombe M., White H., " Multilayer feedforward networks are universal approximators", Neural Networks, 2, 1989, pp 359-366.
[Marq1963] D. Marquardt, "An Algorithm for least squares estimation of non-linear Parameters", J. Soc. Ind. Appl. Math, pp 431-441, 1963.
[NgWi1990] D. Nguyen, B. Widrow, "Improving the Learning Speed of 2-Layer Neural Networks by Choosing Initial Values of the Adaptive Weights", International Joint Conference of Neural Networks, vol 3, pp 21-26, July 1990.
[SAE1998] M. Ayeb, D. Lichtenthäler, H. J. Theuerkauf, T. Winsel; "SI Engine Modeling Using Neural Networks", SAE International Congress, Detroit.Michigan USA, 1998.

Claims (5)

1. Nachbildung des Signalverlaufs eines elektronischen Sensors im Kraftfahrzeug mittels virtuellem Sensor in einem elektronischen Fahrzeugsteuergerät bzw. -regelgerät, dadurch gekennzeichnet, daß die Nachbildung mit einem Berechnungsmodell im Fahrzeugsteuergerät erfolgt, das auf Neuronalen Netzen basiert.
2. Verfahren und Einrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Nachbildung mit einem Berechnungsmodell im Fahrzeugsteuergerät erfolgt, das auf Fuzzy-Systemen basiert.
3. Verfahren und Einrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Nachbildung mit einem Berechnungsmodell im Fahrzeugsteuergerät erfolgt, das auf einer Kombination aus Neuronalen Netzen, Fuzzy-Systemen und physikalisch motivierten Expertensystemen basiert.
4. Verfahren und Einrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Nachbildung des Signalverlaufs eines Drehmomentensensors im Kraftfahrzeug mittels virtuellem Drehmomentensensor erfolgt.
5. Verfahren und Einrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Nachbildung das Motordrehmomentes oder einer vergleichbaren Größe im Kraftfahrzeug mittels virtuellem Drehmomentensensor erfolgt.
DE2000110681 2000-03-04 2000-03-04 Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte Withdrawn DE10010681A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE2000110681 DE10010681A1 (de) 2000-03-04 2000-03-04 Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE2000110681 DE10010681A1 (de) 2000-03-04 2000-03-04 Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte

Publications (1)

Publication Number Publication Date
DE10010681A1 true DE10010681A1 (de) 2001-09-06

Family

ID=7633558

Family Applications (1)

Application Number Title Priority Date Filing Date
DE2000110681 Withdrawn DE10010681A1 (de) 2000-03-04 2000-03-04 Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte

Country Status (1)

Country Link
DE (1) DE10010681A1 (de)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10147589A1 (de) * 2001-09-27 2003-04-10 Volkswagen Ag Verfahren zum Betreiben einer Brennkraftmaschine
DE10203919A1 (de) * 2002-01-31 2003-08-21 Bayerische Motoren Werke Ag Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine
EP1416143A1 (de) * 2002-10-29 2004-05-06 STMicroelectronics S.r.l. Virtueller Sensor für die Abgasemission einer Brennkraftmaschine und das Einspritzsteuersystem
DE10328015A1 (de) * 2003-06-23 2005-01-13 Volkswagen Ag Virtuelle Lambdasonde für ein Kraftfahrzeug
DE10332024A1 (de) * 2003-07-15 2005-02-17 Daimlerchrysler Ag Verfahren zur Ansteuerung eines reversiblen Gurtstraffers in einem Kraftfahrzeug
DE10354322A1 (de) * 2003-11-20 2005-06-23 Bayerische Motoren Werke Ag Verfahren und System zur Ermittlung der Fahrsituation
DE102004001909A1 (de) * 2004-01-14 2005-08-04 Daimlerchrysler Ag Verfahren und Vorrichtung zur Verarbeitung von Sensordaten
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
DE102004058621A1 (de) * 2004-12-04 2006-06-14 Audi Ag Verfahren zum Ermitteln von Größen in einem Motorsteuergerät
DE102006046204B3 (de) * 2006-09-29 2008-07-17 Siemens Ag Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
DE102007008514A1 (de) * 2007-02-21 2008-09-04 Siemens Ag Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
DE102016212097A1 (de) * 2016-07-04 2018-01-04 Volkswagen Ag Verfahren und Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs
CN109695643A (zh) * 2019-02-19 2019-04-30 辽宁工业大学 一种电动汽车电子驻车结构及其控制方法
CN116300410A (zh) * 2023-05-25 2023-06-23 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4209150A1 (de) * 1991-03-22 1992-09-24 Hitachi Ltd Konzentriertes steuersystem fuer kraftfahrzeuge
DE4419317A1 (de) * 1993-06-02 1994-12-08 Honda Motor Co Ltd System zur Steuerung eines Fahrzeugs auf Basis der Schätzung der Fahrerfahrung eines Fahrzeugfahrers
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
DE19527323A1 (de) * 1995-07-26 1997-01-30 Siemens Ag Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug
DE19745427A1 (de) * 1996-10-28 1998-04-30 Valeo Climatisation Heizungs-, Lüftungs- und/oder Klimaanlage mit Fuzzy-Logik-Regelung, insbesondere für Kraftfahrzeuge
EP0877309A1 (de) * 1997-05-07 1998-11-11 Ford Global Technologies, Inc. Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4209150A1 (de) * 1991-03-22 1992-09-24 Hitachi Ltd Konzentriertes steuersystem fuer kraftfahrzeuge
DE4419317A1 (de) * 1993-06-02 1994-12-08 Honda Motor Co Ltd System zur Steuerung eines Fahrzeugs auf Basis der Schätzung der Fahrerfahrung eines Fahrzeugfahrers
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
DE19527323A1 (de) * 1995-07-26 1997-01-30 Siemens Ag Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug
DE19745427A1 (de) * 1996-10-28 1998-04-30 Valeo Climatisation Heizungs-, Lüftungs- und/oder Klimaanlage mit Fuzzy-Logik-Regelung, insbesondere für Kraftfahrzeuge
EP0877309A1 (de) * 1997-05-07 1998-11-11 Ford Global Technologies, Inc. Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10147589A1 (de) * 2001-09-27 2003-04-10 Volkswagen Ag Verfahren zum Betreiben einer Brennkraftmaschine
DE10147589B4 (de) * 2001-09-27 2011-01-27 Volkswagen Ag Verfahren zum Betreiben einer Brennkraftmaschine
DE10203919A1 (de) * 2002-01-31 2003-08-21 Bayerische Motoren Werke Ag Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine
EP1416143A1 (de) * 2002-10-29 2004-05-06 STMicroelectronics S.r.l. Virtueller Sensor für die Abgasemission einer Brennkraftmaschine und das Einspritzsteuersystem
US6925373B2 (en) 2002-10-29 2005-08-02 Stmicroelectronics S.R.L. Virtual sensor for the exhaust emissions of an endothermic motor and corresponding injection control system
DE10328015A1 (de) * 2003-06-23 2005-01-13 Volkswagen Ag Virtuelle Lambdasonde für ein Kraftfahrzeug
US7597170B2 (en) 2003-07-15 2009-10-06 Daimler Ag Method for controlling the operation of a reversible belt retractor in a motor vehicle
DE10332024A1 (de) * 2003-07-15 2005-02-17 Daimlerchrysler Ag Verfahren zur Ansteuerung eines reversiblen Gurtstraffers in einem Kraftfahrzeug
DE10354322A1 (de) * 2003-11-20 2005-06-23 Bayerische Motoren Werke Ag Verfahren und System zur Ermittlung der Fahrsituation
US7386389B2 (en) 2003-11-20 2008-06-10 Beyerische Motoren Werke Aktiengesellschaft Method and system for determining the driving situation
DE10354322B4 (de) 2003-11-20 2022-06-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Ermittlung der Fahrsituation
DE102004001909A1 (de) * 2004-01-14 2005-08-04 Daimlerchrysler Ag Verfahren und Vorrichtung zur Verarbeitung von Sensordaten
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
DE102004058621A1 (de) * 2004-12-04 2006-06-14 Audi Ag Verfahren zum Ermitteln von Größen in einem Motorsteuergerät
DE102004058621B4 (de) * 2004-12-04 2008-08-07 Audi Ag Verfahren zum Ermitteln von Größen in einem Motorsteuergerät
DE102006046204B3 (de) * 2006-09-29 2008-07-17 Siemens Ag Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
DE102007008514A1 (de) * 2007-02-21 2008-09-04 Siemens Ag Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
DE102016212097A1 (de) * 2016-07-04 2018-01-04 Volkswagen Ag Verfahren und Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad eines Kraftfahrzeugs
CN109695643A (zh) * 2019-02-19 2019-04-30 辽宁工业大学 一种电动汽车电子驻车结构及其控制方法
CN116300410A (zh) * 2023-05-25 2023-06-23 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统
CN116300410B (zh) * 2023-05-25 2023-08-22 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统

Similar Documents

Publication Publication Date Title
DE69725202T2 (de) Schwingung/Geräusch-Steuerungssystem
DE10010681A1 (de) Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
AT518850A1 (de) Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs
DE102019102835B4 (de) Steuervorrichtung eines Verbrennungsmotors
WO2008080864A1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
DE102004023450B4 (de) System und Verfahren zum Diagnostizieren von Sensoren eines Motorsteuerungssystems
EP1769151A1 (de) Fahrzeug-steuergerät mit einem neuronalen netz
DE4429763B4 (de) Regelungsvorrichtung für einen Verbrennungsmotor
DE112011105516T5 (de) Sliding-Mode-Steuerung und Steuerungseinrichtung eines internen Verbrennungsmaschinensystems
DE112006000821T5 (de) Steuersystem und Steuerverfahren
DE102019127016B4 (de) Steuerungssystem einer Verbrennungskraftmaschine, elektronische Steuerungseinheit, Server und Steuerungsverfahren einer Verbrennungskraftmaschine
DE102005007057A1 (de) Verfahren zur Regelung
DE102019127482A1 (de) Steuereinrichtung
DE102014000397A1 (de) Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
AT512977A2 (de) Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems
DE19547496C2 (de) Verfahren zur Regelung von Verbrennungsmotoren
DE102016011520A1 (de) Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit
DE102019201016A1 (de) Steuerung und steuerverfahren für verbrennungsmotor
EP0966600A1 (de) Verfahren zur gemischsteuerung bei einem verbrennungsmotor und vorrichtung zu dessen durchführung
DE102019128655B4 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
DE10201018B4 (de) Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens
WO2005081076A2 (de) Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes
EP3698222A1 (de) Verfahren und vorrichtung zum einstellen mindestens eines parameters eines aktorregelungssystems und aktorregelungssystem
WO2000008599A2 (de) Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente
DE102020212505A1 (de) Erzeugen eines vereinfachten Modells für XiL-Systeme

Legal Events

Date Code Title Description
OM8 Search report available as to paragraph 43 lit. 1 sentence 1 patent law
8139 Disposal/non-payment of the annual fee