DE10113538A1 - Regelvorrichtung und Regelverfahren - Google Patents

Abstract

Die Erfindung betrifft ein Regelverfahren und eine Regelvorrichtung, umfassend einen Regler, der zumindest eine Eingangsgröße erhält und aus dieser zumindest eine Stellgröße bestimmt, welche einem Steller in einer Regelstrecke zugeführt wird. DOLLAR A Zur verbesserten adaptiven Echtzeitregelung wird vorgeschlagen, dass ein optional zuschaltbarer, neuronaler Korrekturgeber vorgesehen ist, der zumindest einen Teil der Reglereingangsgrößen und zumindest einen Teil der vom Regler bestimmten Stellgrößen erhält und derart ausgebildet ist, um aufgrund dieser Eingangsgrößen zum einen zumindest ein Korrektursignal zu erzeugen, welches mit der oder den Stellgrößen zu einer korrigierten Stellgröße algebraisch verketter wird, und zum anderen eine Adaption der den neuronalen Korrekturgeber in seiner Wirkungsweise beeinflussenden internen Parameter herbeizuführen.

Description

Die vorliegende Erfindung betrifft eine Regelvorrichtung und ein Regelverfahren. Insbesondere betrifft die vorliegende Erfindung einen Echtzeitregler mit neuronaler Adaption zur Steuerung von Verbrennungsmotoren.

Bei Regelvorrichtungen bzw. Regelverfahren wird einem Regler zumindest eine Eingangsgröße zugeführt, die dieser zu zumindest einer Stellgröße verarbeitet, wel­ che dann einem Aktor in einer Regelstrecke zugeführt wird. Mittels des Aktors wird eine dann Verstellung herbeigeführt, die am Ende der Regelstrecke wiederum zu einer Regelantwort (Response) führt. Aufgrund von verschiedenen Einflüssen, wie beispielsweise Toleranzen und Alterungserscheinungen, kann es zu Abweichungen im Streckenverhalten kommen. Um eine optimale Regelgüte zu erhalten, wird eine Echtzeitadaption des Reglers an diese Abweichungen vorgeschlagen.

Obwohl sich die vorliegende Erfindung allgemein auf Regelvorrichtungen und Re­ gelverfahren richtet, werden die Zusammenhänge nachfolgend insbesondere an­ hand eines Beispiels mit einem Verbrennungsmotor erläutert.

Bedingt durch Bauteiltoleranzen und Alterungsprozesse kommt es bei Verbren­ nungsmotoren zu einer bestimmten Serienstreuung der Aktoren und der zu regeln­ den Strecke. Gerade bei der Berechnung von Größen zur Motorsteuerung wird die­ se Streuung derzeit adaptiv über bestimmte, feste Korrekturwerte ausgeglichen, die einfach eine lineare Korrektur der Stellgröße bewirken oder betriebsbereichsselekti­ ve, konstante Korrekturwerte darstellen. Insbesondere bei der Bestimmung der ei­ nem Verbrennungsmotor zugeführten Frischluftmasse wird eine globale lineare Kor­ rektur der Stelleingriffe durchgeführt. Die Adaption der Korrekturwerte erfolgt hierbei herkömmlicherweise anhand der Rückführung des Luftmassenunterschieds zwi­ schen der vorgegebenen und der gemessenen Luftmasse. Das Adaptionsverfahren ist sowohl für Drosselklappensysteme als auch für Systeme mit variabler Ventilsteu­ erung ein lineares Verfahren, das die Korrekturwerte durch mehrmalige Integration des Luftmassenunterschieds iterativ ermittelt.

Der Einfluss der Streuungen auf die Regelstrecke und die Aktoren ist im allgemei­ nen jedoch nichtlinearer Natur. Lineare Korrekturmodelle vermögen deswegen - auch im besten Fall - nur eine allgemeine mittlere lineare Korrektur für alle Betriebs­ punkte darzustellen. Andererseits ist eine Korrektur über eine physikalisch- empirische Modellbildung oftmals sehr aufwendig.

Alternativ zur Verwendung von physikalisch-empirischen Modellen bei der Korrektur von Betriebsgrößen ist die Verwendung neuronaler Modelle bekannt.

Rein neuronale Modelle eignen sich allerdings wegen eines hohen Rechenzeitbe­ darfs beim Belernen nur bedingt zur Integration in einen adaptiven Reglerablauf. Deshalb werden sie meist off-line belernt, d. h. die Ergebnisse werden in der Mo­ torsteuerung abgelegt und bleiben dort unverändert. Zudem ist ein Lernvorgang nur im off-line-Modus geeignet kontrollierbar.

Hybridmodelle, wie beispielsweise aus der DE 43 38 607 A1 bekannt, umgehen die Nachteile der beiden oben genannten Ansätze, also eines rein physikalisch- empirischen Modells und eines rein neuronalen Modells, indem physikalisch- empirisch berechneten Vorhersagen mit neuronal berechneten Korrekturwerten ver­ sehen werden. Solche Modelle existieren bisher jedoch nur in nicht-adaptiver Form.

Aufgabe der vorliegenden Erfindung ist es, eine Regelvorrichtung und ein Regelver­ fahren der eingangs genannten Art anzugeben, welche bzw. welches eine Online- Adaption an nichtlineare Streuungen bei den vorgenannten Reglern bzw. Regelver­ fahren ermöglicht.

Diese Aufgabe wird alternativ durch die in den Ansprüchen 1 bzw. 8 genannten Merkmale gelöst.

Vorliegend wird ein Regler, insbesondere ein Echtzeitregler, verwendet, der aus zumindest einer Eingangsgröße zumindest eine Stellgröße ermittelt. Dabei kann es sich bei dem Regler um einen üblichen Regler aus dem Stand der Technik handeln, dessen Regelkonzept auf einem physikalischen Prozessmodell, einem empirischen Ansatz oder einem Entwurf auf Basis einer dynamischen Prozessidentifikation be­ ruht.

Zusätzlich zum Regler ist ein neuronaler Korrekturgeber vorgesehen, der zumindest einen Teil der Reglereingangsgrößen und zumindest einen Teil der Regleraus­ gangsgrößen (Stellgrößen) erhält. Der neuronale Korrekturgeber ist ausgebildet, um aufgrund seiner Eingangssignale zumindest ein Korrektursignal zu erzeugen, wel­ ches mit der oder den Stellgrößen des Reglers algebraisch zu einer oder mehreren korrigierten Stellgröße bzw. Stellgrößen verkettet wird. Zudem dienen die dem neu­ ronalen Korrekturgeber zugeführten Größen der eigenen Adaption. Dabei werden die den neuronalen Korrekturgeber in seiner Wirkungsweise beeinflussenden inter­ nen Parameter geändert (belernt). Der vorgestellte Reglertyp bzw. das vorgestellte Reglerverfahren eignen sich insbesondere zur Regelung von Prozessen, die rein physikalisch-empirisch schwierig zu modellieren sind.

Die algebraische Verkettung kann beliebig gewählt werden, beispielsweise kann eine einfache Summation gewählt sein. Bei einer Summation bestimmt sich die Ausgangsgröße aus der Summe der Stellgröße vom Regler und des Korrekturan­ teils vom neuronalen Korrekturgeber.

Beispielsweise können beim Einsatz der Regelvorrichtung bei einem Kraftfahrzeug zum Ausgleich von Bauteiltoleranzen alle Motoren des gleichen Typs mit dem glei­ chen physikalisch-empirischen Modellanteil im Regler ausgestattet werden. Das adaptive neuronale Modell aus dem neuronalen Korrekturgeber kann dann die spezielle Motoranpassung gewährleisten. Die Modellierung des Modells für den Regler lässt sich bei genauerer Kenntnis der Störeinflüsse auch ohne weiteres erweitern, ohne dass auf den neuronalen Anteil Einfluss genommen werden muss. Der neuro­ nale Anteil belernt sich stets nach dem jeweils vorgegebenen Algorithmus.

Bei Bedarf kann der neuronale Korrekturgeber gezielt abgeschaltet werden, so dass der Eingang für den Aktor der Regelstrecke gleich der Stellgröße aus dem Regler ist. Natürlich können neben den vorgenannten Eingangsgrößen für den neuronalen Korrekturgeber auch weitere Eingangsgrößen, wie weitere Prozessgrößen, insbe­ sondere Messgrößen und interne Größen des Reglers ausgewählt und dem Korrek­ turgeber als Eingangsgrößen zugeführt werden.

Gemäß einer Ausführungsform ist es von Vorteil, die Werte der internen adaptierba­ ren Parameter des neuronalen Korrekturgebers zu beschränken, um unplausible Ausgaben bzw. unerwünschte Lerneffekte zu vermeiden. Als Netzwerktyp für den neuronalen Korrekturgeber kann beispielsweise ein sog. "LOLIMOT-Netzwerk" ver­ wendet werden (vgl. Nelles, Lolimot, lineare Modelle zur Identifikation nichtlinearer, dynamischer Systeme, Automatisierungstechnik 45, 1997), das sich durch beson­ ders vorteilhafte Eigenschaften beim Lernvorgang sowie bei Interpolation und Ext­ rapolation auszeichnet. Dieses Netzwerk bildet einen mehrdimensionalen nichtlinea­ ren unbekannten funktionalen Zusammenhang zwischen Eingangsgrößen und Aus­ gangsgrößen ab.

Eine Ausführungsform der vorliegenden Erfindung wird mit Bezug auf die einzige beiliegende Zeichnung näher erläutert. Die Zeichnung zeigt in schematischer Block­ schaltweise eine Ausführungsform einer erfindungsgemäßen Regelvorrichtung.

Das Reglermodell der vorliegenden Ausführungsform wird bei einem Luftmassen­ stromabgleich eines Verbrennungsmotors angewendet. Jedoch ist bereits vorab anzumerken, dass das Modell allgemein gültig und für viele Regelvorgänge ver­ wendbar ist.

Beim vorliegenden Modell ist ein Regler R vorgesehen, der aus der Luftmassen­ strom-Abweichung des angeforderten Luftmassenstroms M_soll vom gemessenen Istwert M_ist und weiteren Prozessmessgrößen P₁ lineare Korrekturwerte U (= Reg­ lerausgangssignal) (vorliegend m = Steigungswert und b = Offsetwert) für den ange­ forderten Luftmassenstrom liefert. Dazu werden dem Regler R die vorher genannten Größen M_soll, M_ist und P₁ zugeführt.

Vorliegend werden die Eingangsgrößen M_soll, M_ist und P₁ im Block V₁, der in der Praxis durch einen Filter realisiert ist, zu einem Vektor E zusammengefasst. Der Regler R erzeugt aus diesen Größen die als Stellsignal wirkenden linearen Korrek­ turwerte U.

Überdies ist vorliegend ein optional zuschaltbares, neuronales Adaptionsmodell NAM als Korrekturgeber vorgesehen, welches als Eingangsgrößen zumindest einen Teil der Eingangssignale E sowie das Reglerausgangssignal U erhält. Die Auswahl der konkreten Eingangsdaten für das neuronale Adaptionsmodell NAM findet in ei­ nem zweiten Filter V₂ statt, dem die vorgenannten Werte E und U zugeführt sind. Die Auswahl der Eingangdaten für das neuronale Adaptionsmodell NAM im Filter V₂ findet in festgelegter Weise statt.

Optional werden dem neuronalen Adaptionsmodell NAM noch weitere Prozesspa­ rameter zugeführt. Vorliegend ist dies in Form von P₂ die Öltemperatur T. Überdies können dem Filter noch interne Größen des Reglers R, vorliegend R_I (Trigger-Bits), zur Verfügung gestellt werden.

Das als Korrekturgeber fungierende neuronale Adaptionsmodell NAM liefert einen Korrekturwert K, der im folgenden additiv berücksichtigt und mit der Stellgröße U zu einer korrigierten Stellgröße U_K gekoppelt wird. Die algebraische Verkettung kann in der jeweils angemessenen Form beliebig gewählt werden. Ferner werden unter Zu­ hilfenahme von Sollwerten für den Messparameter P₂ (vorliegend die Öltemperatur T) und den Luftmassenstrom die internen Parameter des Korrekturgebers NAM in Echtzeit adaptiert (belernt). Dies ist mittels dem den NAM Korrekturgeber durch­ kreuzenden Pfeil angedeutet.

Das verwendete neuronale Netz führt im weitesten Sinne eine nichtlineare mehrdi­ mensionale Regression durch und kann bezüglich einer Untermenge der Parameter mit linearen Trainingsalgorithmen online belernt werden. Natürlich sind viele Netz­ werktypen mit ähnlichen Eigenschaften denkbar, die aus der Literatur auch allge­ mein bekannt sind.

Um unplausible Ausgaben des Korrekturgebers bzw. unerwünschte Lerneffekte zu vermeiden, ist es möglich, die Werte der internen adaptierbaren Parameter zu be­ schränken. Beispielsweise ist das oben bereits erwähnte LOLIMOT-Netzwerk zu verwenden, das sich durch besonders vorteilhafte Eigenschaften beim Lernvorgang auszeichnet. Es bildet einen mehrdimensionalen nichtlinearen unbekannten funktio­ nalen Zusammenhang zwischen Eingangsgrößen und additiver Korrektur der Aus­ gangsgrößen ab. Dabei bestimmen sich die Ausgaben aus der Summe einzelner linearer Modelle, die mit nichtlinearen normierten Gewichtsfaktoren multipliziert wer­ den. Die Parameter dieser linearen und nichtlinearen Funktionen lassen sich unab­ hängig voneinander während des Betriebs in der Steuerung schrittweise mit minima­ lem Rechenaufwand anpassen, ohne auf zurückliegende Eingabewerte zurückgrei­ fen zu müssen. Beschränkt man dabei den Lernvorgang auf die Parameter der line­ aren Funktionen, konvergiert der Algorithmus bei korrekter Wahl der Lernrate ma­ thematisch garantiert gegen die minimale quadratische Abweichung gegenüber der abzubildenden Restkorrektur. Ist diese Restkorrektur eine lineare Funktion des Ein­ gangsnetzwerkes, lernt das Netzwerk diesen Zusammenhang exakt. Die nichtlinear eingerechneten Funktionsparameter erlauben eine weitgehende Plastizität des Net­ zes, die das Anwendungsspektrum erweitert. Bei Bedarf lässt sich auch diese Adap­ tion durch geeignete Wahl der entsprechenden Lernrate robust gestalten.

Wird das Netzwerk in einer normierten Form definiert, so können Ein- und Aus­ gangsgrößen mit beliebigen Wertebereichen verwendet werden. Damit können die Modelle ohne aufwendige Parameteranpassungen übertragen werden. Dies gibt die Möglichkeit eines universell verwendbaren unabhängigen adaptiven Moduls für Fahrzeugsteuerungen.

Im oben beschriebenen, vorliegenden Anwendungsfall wird ein Wert bei der Luft­ massenstromkorrektur des Leerlaufs mit variabler Ventilsteuerung mit einem adapti­ ven physikalisch-neuronalen Modell modelliert. Unter Verwendung eines vorhande­ nen Massenstromkorrekturwertes des angeforderten und korrigierten Soll- Luftmassenstroms und der Motoröltemperatur T als Eingangsgröße errechnet das neuronale Modell den additiven Korrekturwert U für den Luftmassenstrom im Leer­ laufbetrieb. Es bildet somit einen eindimensionalen nichtlinearen unbekannten funk­ tionalen Zusammenhang zwischen additiver Restkorrektur der Luftmassendifferenz und der Öltemperatur ab.

Damit ist vorliegend ein adaptives Modell zur Echtzeitregelung mit einem konventio­ nellen Regler, der beispielsweise eine Grundfunktion abdeckt, und einem neurona­ len Korrekturgeber angegeben, der die Reglerausgabe hinsichtlich der Regelgüte optimiert. Dieser Prozess läuft automatisch ab und generiert keine zusätzlichen Mo­ dellierungs- oder Auslegungsaufwände.

Claims (12)

1. Regelvorrichtung umfassend einen Regler (R), der zumindest eine Ein­ gangsgrößen (E) erhält und aus dieser zumindest eine Stellgröße (U) be­ stimmt, welche einem Steller einer Regelstrecke (S) zugeführt wird, dadurch gekennzeichnet, dass ein neuronaler Korrekturgeber (NAM) vorgesehen ist, der zumindest einen Teil der Reglereingangsgrößen (E = V₁(M_soll, M_ist, P₁)) und zumindest ei­ nen Teil der vom Regler bestimmten Stellgrößen (U) erhält und derart aus­ gebildet ist, um aufgrund dieser Eingangsgrößen zum einen zumindest ein Korrektursignal (K) zu erzeugen, welches mit der oder den Stellgrößen (U) zu einer korrigierten Stellgröße (U_K) algebraisch verkettet ist, und zum ande­ ren eine Adaption von den neuronalen Korrekturgeber (NAM) in seiner Wir­ kungsweise beeinflussenden internen Parameter herbeizuführen.

2. Regelvorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine Pro­ zessgröße (P₂) aus der Regelstrecke, insbesondere eine Messgröße, zuge­ führt wird.

3. Regelvorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine in­ terne Größe des ersten Reglers (R_I) zugeführt wird.

4. Regelvorrichtung nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Adaption des Korrekturgebers (NAM) mit einem Online- Lernalgorithmus in Echtzeit durchgeführt ist.

5. Regelvorrichtung nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die algebraische Verkettung eine Summation ist.

6. Regelvorrichtung nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der erste Regler (R) ein Regelkonzept umsetzt, welches auf einem physikalischen Prozessmodell, einem empirischen Ansatz oder einem Ent­ wurf auf Basis einer dynamischen Prozessidentifikation beruht.

7. Regelvorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) optional zuschaltbar ist.

8. Regelverfahren mit den Schritten,

• - dass einem Regler (R) zumindest eine Eingangsgröße (E) zugeführt wird,
• - dass der Regler (R) aus der zumindest einen Eingangsgröße (E) zumin­ dest eine Stellgröße (U) bestimmt,
• - dass einem neuronalen Korrekturgeber (NAM) zumindest ein Teil der Eingangsgrößen des Reglers (E) und zumindest ein Teil der Stellgrößen vom Regler (U) zugeführt werden,
• - dass der neuronale Korrekturgeber (NAM) aufgrund der ihm zugeführten Signale zumindest eine Korrekturgröße (K) erzeugt,
• - dass die zumindest eine Korrekturgröße (K) algebraisch mit zumindest einer Stellgröße (U) verknüpft wird und
• - dass eine Adaption von den neuronalen Korrekturgeber (NAM) in seiner Wirkungsweise beeinflussenden internen Parameter mit seinen Ein­ gangsparametern herbeigeführt wird.

9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine Pro­ zessgröße (P₂), insbesondere eine Messgröße, zugeführt wird und der neu­ ronale Korrekturgeber (NAM) diese ebenfalls bei der Bestimmung der Kor­ rekturgröße (K) berücksichtigt.

10. Verfahren nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine wei­ tere interne Größe des Reglers (R_I) zugeführt wird und der neuronale Korrek­ turgeber (NAM) diese ebenfalls bei der Bestimmung der Korrekturgröße (K) berücksichtigt.

11. Verfahren nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) mit einem bestimmten Lernalgo­ rithmus online in Echtzeit belernt wird.

12. Verfahren nach einem der Ansprüche 8 bis 11, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) bei bestimmten Bedingungen ausgeblendet wird.