-
Die
vorliegende Erfindung betrifft ein Motorsteuerungssystem gemäß dem Oberbegriff
des Anspruchs 1 sowie ein Verfahren zur Motorsteuerung gemäß dem Oberbegriff
des Anspruchs 9. Ein derartiges System und ein derartiges Verfahren
sind aus der
DE 101
48 973 A1 bekannt.
-
Ein
Motorsteuerungssystem eines modernen Kraftfahrzeugs besteht aus
Motorsensoren und -aktuatoren, die direkt mit einer elektronischen
Steuereinheit (ECU) oder einem Controller verbunden sind, der eine
eingebettete Software enthält.
Die Komplexität
der Software nimmt mit zunehmender Anzahl von Sensoren und Aktuatoren,
die an dem Fahrzeug verwendet werden, fortlaufend zu. Gemäß den gegenwärtigen gesetzlichen
Vorschriften muss an jedem mit Emissionen in Beziehung stehenden
Sensor eine Diagnose durchgeführt
werden, so dass fehlerhafte Sensoren sobald wie möglich ausgetauscht werden
können,
um eine Verschmutzung und ein schlechtes Leistungsvermögen des
Fahrzeugs zu minimieren. Aus diesem Grund wird jeder Sensor durch
einen Diagnosealgorithmus überwacht,
der dafür
verantwortlich ist, Sensorwerte zu detektieren, die irrational sind
oder außerhalb
des Messbereiches liegen. Es gibt zahllose Möglichkeiten, mit denen eine Diagnose
einen guten Sensor von einem schlechten unterscheiden kann, was
zu einem unhandlichen Diagnoseentwicklungsprozess mit vielen Analyseoptionen
führt.
-
Das
gegenwärtige
Verfahren, eine Diagnose für
Sensoren zu schaffen, umfasst den Entwurf des Algorithmus, den Vergleich
gesammelter Daten von einem guten Sensor mit jenen von einem schlechten Sensor
und den Versuch, die Werte für
die Unterscheidung eines guten Systems von einem schlechten zu bestimmen.
Das Verfahren zum Erzeugen der Parameter, die einen guten Sensor
von einem schlechten für
die verschiedenen Betriebsumgebungen unterscheiden, wird als Diagnoseentwicklungsverfahren
bezeichnet. Dieses Verfahren wird typischerweise von Hand durch
eine Person über
Versuch und Irrtum unternommen, um die Unterschiede in dem System
festzustellen, wenn Sensoren gut bzw. fehlerhaft sind. Die Entscheidungen
beruhen auf Daten, die aus unterschiedlichen Umgebungen genommen
werden, welche unterschiedliche Klimata, Höhen und Fahrzeugsbetriebsbedingungen umfassen.
Gegenwärtige
Diagnoseentwicklungsverfahren sind zeitraubend und beruhen vorwiegend
auf heuristischen Daten.
-
Bei
dem aus der
DE 101
48 973 A1 bekannten Motorsteuerungssystem und -verfahren
wird mittels des neuronalen Netzes ein Modell für die Ermittlung eines Drehmoment-Istwertes
gebildet, wozu eine Vielzahl einzelner Parameter herangezogen wird,
die für
die Berechnung des Drehmoment-Istwertes notwendige Eingangsgrößen darstellen.
Parallel zu dem anhand des Modells über die notwendigen Eingangsgrößen berechneten
Drehmoment-Istwert wird mittels eines Drehmoment-Sensors das Drehmoment
direkt gemessen. Das direkt gemessene Drehmoment wird anhand des
berechneten Drehmoment-Istwertes auf dessen Plausibilität hin überwacht,
wobei im Fehlerfall der berechnete Drehmoment-Istwert als Ersatzwert
verwendet werden kann.
-
Ein
aus der
DE 196 11
497 A1 bekanntes Motorsteuersystem umfasst eine im Ansaugsystem des
Verbrennungsmotors vorgesehene Einrichtung zur Messung der der Verbrennungsmaschine
zugeführten
Luft, deren Ausgangssignal anhand von Signalbereichsüberprüfungen (signal
range checks) auf mögliche
Fehler hin überwacht
wird. Entsprechende Signalbe reichsüberprüfungen (signal range checks) sind
auch bei einem aus der
WO
02/12699 A1 bekannten Motorsteuersystem vorgesehen.
-
Bei
einem in der
DE 199
02 923 A1 beschriebenen Verfahren zur Funktionsüberwachung
des Kühlsystems
einer Brennkraftmaschine wird unter Verwendung eines neuronalen
Netzes ein Erwartungswert für
die Temperatur an wenigstens einem Wärmetauscher des Kühlsystems
ermittelt, der mit einem direkt gemessenen Temperaturwert verglichen wird,
um eventuelle Störungen
zu erkennen. Dabei wird das zur Ermittlung des Erwartungswertes
verwendete neuronale Netz anhand einer typgleichen Brennkraftmaschine
mit ordnungsgemäßem Kühlsystem
trainiert.
-
Der
Erfindung liegt die Aufgabe zugrunde, ein verbessertes Motorsteuerungssystem
sowie ein verbessertes Verfahren der eingangs genannten Art anzugeben,
bei denen die zuvor genannten Nachteile beseitigt sind. Dabei soll
insbesondere die Robustheit des Motorsteuerungssystems bzw. des
Verfahrens verbessert werden.
-
Bezüglich des
Motorsteuerungssystems wird diese Aufgabe erfindungsgemäß dadurch
gelöst, dass
als neuronales Netz ein autoassoziatives neuronales Netz vorgesehen
ist, das sowohl unter Verwendung von guten Datenwerten als auch
unter Verwendung von Daten trainiert ist, die für schlechte Sensoren repräsentativ
sind, um über
die sich bei einer Gruppe von miteinander in Beziehung stehenden Sensoren
ergebende analytische Redundanz in dem Fall, dass ein Sensor der
Gruppe fehlerhaft ist, für diesen
fehlerhaften Sensor einen repräsentativen korrekten
Ausgangswert zu erzeugen.
-
Bevorzugte
Ausführungsformen
des erfindungsgemäßen Motorsteuerungssystems
sind in den Unteransprüchen
angegeben.
-
Bezüglich des
Verfahrens wird die Aufgabe erfindungsgemäß dadurch gelöst, dass
als neuronales Netz ein autoassoziatives Netz verwendet wird, das
sowohl unter Verwendung von guten Datenwerten als auch unter Verwendung
von Daten trainiert ist, die für
schlechte Sensoren repräsentativ
sind, und dass über
die sich bei einer Gruppe von miteinander in Beziehung stehenden
Sensoren ergebende analytische Redundanz in dem Fall, dass ein Sensor
der Gruppe fehlerhaft ist, für
diesen fehlerhaften Sensor ein repräsentativer korrekter Sensormesswert
erzeugt wird.
-
Bevorzugte
Ausgestaltungen des erfindungsgemäßen Verfahrens sind in den
Unteransprüchen
angegeben.
-
Die
Erfindung ist zum Diagnostizieren von Sensoren in einem Verbrennungsmotor
(ICE) anwendbar, wobei neuronale Netze verwendet werden. Ein neuronales
Netz (NN) ist ein mathematisches Werkzeug, das dazu verwendet wird,
komplexe Berechnungen durchzuführen.
Es ist ein Werkzeug, das dazu verwendet wird, eine Gleichung oder
eine Übertragungsfunktion
zu erzeugen, die bekannte Eingänge
mit bekannten Ausgängen
in Beziehung bringt. Ein neuronales Netz wird mit Datenexemplaren
trainiert, die Eingangswerte gewünschten
Ausgangswerten zuordnen. Der Trainingsprozess umfasst das Einstellen
interner Wichtungen des neuronalen Netzes auf eine Weise, die den
Fehler zwischen den Eingangswerten und den entsprechenden gewünschten Ausgangswerten
minimieren wird. Ein neuronales Netz, das außerhalb des Steuerungssystems
trainiert wird, in das es eingebettet werden wird, wird als "offline" trainiert bezeichnet.
Alternativ ist es möglich, das
neuronale Netz "online" zu trainieren, während es
in dem Steuerungssystem in Echtzeit arbeitet. Sobald das neuronale
Netz unter Verwendung von einem der beiden Verfahren vollständig trainiert
ist und in einem Steuerungssystem eingebettet ist, wird es die Fähigkeit
haben, komplexe Berechnungen auszuführen, die sonst mit einfachen
mathematischen Gleichungen sehr schwierig zu modellieren wären.
-
Vom
Blickpunkt einer "Black
Box" aus ist ein neuronales
Netz im Grunde eine komplexe Übertragungsfunktion,
die Eingangswerte aufnimmt und sie in Ausgangswerte übersetzt.
Im Inneren der Black Box gibt es eine möglicherweise komplexe Struktur aus
Knoten und Verbindungen zwischen den Eingängen und den Ausgängen auf
eine Weise, die irgendein gewünschtes
Ergebnis erzeugt.
-
Neuronale
Netze sind durch die Arbeit des menschlichen Gehirns inspiriert,
das aus Milliarden von durch Synapsen miteinander verbundenen Neuronen
besteht, und wie ein menschliches Gehirn muss ein neuronales Netz
trainiert werden. Der Trainingsprozess umfasst, dass eine Reihe
von bekannten Eingangs/Ausgangs-Datenpaaren, Exemplare genannt,
genommen werden, die in einen Trainingsalgorithmus, wie etwa einen
Back-Propagation-Prozess,
eingespeist werden, um einen kleinsten quadratischen Fehler für jeden
Eingang zu erzeugen. Im Wesentlichen iteriert der Trainingsalgorithmus
durch jedes Exemplar und stellt die Gewichte der Verbindungen zwischen
jedem Knoten ein, um eine Gesamtübertragungsfunktion
zu bilden, die den richtigen Ausgang für jedes Exemplar erzeugen wird.
Die Gesamtübertragungsfunktion
besteht aus der Kombination der Knoten, die selbst eine einzige Übertragungsfunktion
bilden, die mit der Summe der gewichteten Verbindungen, die in diese
hineinkommen, multipliziert wird.
-
Sobald
das neuronale Netz ausreichend trainiert worden ist, ist es in der
Lage, Ausgangsvariablen für
jeden Eingang zu berechnen, selbst wenn der Eingangswert in dem
ursprünglichen
Trainingssatz nicht explizit verwen det wurde. Sobald das trainierte neuronale
Netz in einem System mit tatsächlichen Eingangswerten
implementiert ist, werden die Ausgänge gleich jenen sein, die
während
des Trainings verwendet wurden, wenn der Eingang zu einem der verwendeten
Trainingspaare passte. Sonst ist der Ausgang ein berechneter Wert
auf der Grundlage der Gesamtübertragungsfunktion
des neuronalen Netzes, die aus dem Training resultierte.
-
Die
vorliegende Erfindung integriert ein autoassoziatives neuronales
Netz (AANN von Auto Associative Neural Network) in eine Diagnose,
die einen Teil der Analyselast vom Ingenieur zum Computer verschiebt.
Sobald eine Diagnose erfolgreich entwickelt worden ist, ist das
Endergebnis ein Algorithmus, der mit dem Fahrzeug kommuniziert,
wenn eine Standard- oder Fail-Soft-Aktion notwendig ist. Die Algorithmusentwicklung,
die erforderlich ist, um richtige Fail-Soft-Werte zu erzeugen, ist
für die
Kundenzufriedenheit entscheidend. Ein Fahrzeug, das bei Vorhandensein
eines Fehlers weiterhin fahren kann, wird die Unannehmlichkeiten
für den
Kunden so gering wie möglich
halten, während
ein liegen gebliebenes Fahrzeug dies nicht tun wird. Die Diagnose
eines autoassoziativen neuronalen Netzes (AANND von Auto Associative
Neural Network Diagnostic) der vorliegenden Erfindung hat Eigenschaften,
die zu einem verbesserten Diagnoseentwicklungsverfahren, zu einer
genauen Fehlerdetektion von betreffenden Gruppen von Sensoren und
zu einer überlegenen
Bestimmung eines Fail-Soft-Wertes
führen.
Die Vorzüge
eines AANND hängen
davon ab, wie gut eine Gruppe von Sensoren miteinander in Beziehung
steht, und davon, wie gut das AANN trainiert werden kann.
-
Das
Verfahren zum Trainieren eines AANN verschiebt etwas von der Analyselast
vom Ingenieur zum Computer, der eine Übertragungsfunktion lernt, die
es zulässt,
dass die gegenwärtige
Diagnose ein gutes System von einem schlechten unterscheiden kann.
Eine normale vom Ingenieur vor genommene Analyse wird automatisch
bewerkstelligt, wenn das AANN mit Daten von einem guten System trainiert
ist. Darüber
hinaus werden die Daten, die dazu verwendet werden, ein schlechtes
System darzustellen, ebenfalls durch Skripte, die während der
Trainingsprozedur verwendet werden, automatisch erzeugt. Folglich
kann eine Analysearbeit, die früher
in einem Entwicklungsfahrzeug vorgenommen wurde, nun "offline" vorgenommen werden,
wodurch eine teuere Entwicklungsresource freigegeben wird.
-
Bei
einer Ausführungsform
der vorliegenden Erfindung ist eine Diagnose entwickelt worden,
die drei Sensoren überwacht,
die mit der Luft, die in einen Motor strömt, in Beziehung stehen. Die
Diagnose umfasst ein trainiertes AANN, um einen Fehler eines einzelnen
Sensors an irgendeinem von drei Sensoren festzustellen und genaue
Fail-Soft-Werte bereitzustellen, die von den Werten abhängen, die
aus den verbliebenen guten Sensoren ausgelesen werden. Die Ausgänge des
AANN sind abgeschätzte
Werte, die den Ist-Werten eines guten Sensors folgen.
-
Bei
einer weiteren Ausführungsform
der vorliegenden Erfindung können
virtuelle Sensorwerte dazu verwendet werden, traditionelle physikalische Sensoren
in einem Steuerungssystem zu ersetzen.
-
Das
diagnostische AANN der vorliegenden Erfindung bildet eine komplexe Übertragungsfunktion,
die redundante Information, die in Sensorwerten an ihren Eingängen vorhanden
sind, komprimiert, welche später
dekomprimiert werden, um die gleichen exakten Werte an seinen Ausgängen zu
erzeugen. Dieses trainierte AANN wird dann in ein Fahrzeug verbracht,
in dem es weiterhin Ausgangswerte erzeugen wird, die gleich den
Eingangswerten sind, während
die Sensoren gut sind. Wenn jedoch ein schlechter Sensorwert am
Eingang erscheint, wird dann ein nicht idealer Ausgangswert berechnet.
Eine Differenz zwischen einem berechneten Ausgangswert und seinem
entsprechenden Eingangswert würde
dazu verwendet werden, einen Fehler anzuzeigen. Wenn der Fehler
andauert, würde
der abgeschätzte
Ausgang zurück
in das System rückgekoppelt
werden, um als ein dynamischer Fail-Soft-Wert verwendet zu werden,
bis die Diagnose zurückgesetzt
wird.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
1 ist
eine schematische Zeichnung eines autoassoziativen neuronalen Netzes;
-
2 ist
eine schematische Zeichnung eines Motorsteuerungssystems der vorliegenden
Erfindung; und
-
3 ist
ein Schaubild eines bevorzugten neuronalen Netzes, das dazu verwendet
wird, bei der vorliegenden Erfindung einen Motor zu steuern.
-
1 ist
eine schematische Zeichnung eines autoassoziativen neuronalen Netzes
(AANN von Auto Associative Neural Network) 10, das eine
Eingangsschicht 12, drei verdeckte Schichten, die eine Abbildungsschicht 14,
eine Flaschenhalsschicht 16 und eine Rückabbildungsschicht enthalten,
sowie eine Ausgangsschicht 20 umfasst. Die Gesamtübertragungsfunktion
des AANN 10 der vorliegenden Erfindung ist gleich 1, da
die Ausgänge
so trainiert sind, dass sie gleich den Werten an den entsprechenden Eingängen sind.
Der Entwurf des AANN 10 verwendet eine Kompression von
Daten in der Flaschenhalsschicht 16, um eine Gesamtübertragungsfunktion
zu erzielen, die nicht trivial gleich 1 ist. Damit diese Art von
AANN richtig arbeitet, haben die Eingangsdaten die Eigenschaft einer
analytischen Redundanz, wo die Eingänge in das AANN 10 physikalisch
irgend wie in Beziehung stehen. Die analytisch redundante Information
wird dazu verwendet, korrekte Ausgangswerte zu erzeugen, wenn die
Eingänge nur
teilweise korrekt sind oder sich in einem fehlerhaften Zustand befinden.
Wenn beispielsweise ein Sensor an einem Eingang fehlerhaft ist,
gibt es genug Information, die von den anderen Eingängen kommt, um
einen richtigen Ausgangswert für
den fehlerhaften Sensor zu bilden. Das AANN 10 der vorliegenden Erfindung
mit einer analytischen Redundanz kann dazu verwendet werden, Erwartungswerte
für jeden Ausgang
zu berechnen, die dann dazu verwendet werden können, schlechte Eingangswerte
zu detektieren und Fail-Soft-Werte für das System anstelle des fehlerhaften
Sensorwertes zu liefern. Um eine Robustheit zu erzielen und einen
nicht fehlerbehafteten Ausgangswert für Eingänge, die grobe Fehler enthalten,
zu erzeugen, wird das AANN 10 mit Exemplaren trainiert,
die dieses Eingangs-Ausgangs-Verhalten darstellen.
-
Sobald
ein AANN 10 zu Beginn unter Verwendung einer hinreichenden
Anzahl von guten Datenwerten trainiert ist, so dass es das System über seinen
vollständigen
Betriebsbereich darstellt, hat es die Fähigkeit, seine Ausgänge gleich
seinen Eingängen
zu machen, solange kein Sensorfehler vorhanden ist. Wenn das Training
an diesem Punkt gestoppt wird, ist das AANN 10 trainiert,
um ein gutes System zu modellieren, so dass es dazu verwendet werden kann,
Fehler auf eine traditionelle Weise zu detektieren. Die gegenwärtigen Sensorwerte
werden mit den berechneten Ausgängen
des AANN 10 verglichen und es wird ein Fehler signalisiert,
wenn die Unterschiede zwischen den beiden einen Schwellenwert überschreiten.
Wenn jedoch das Training einen Schritt weiter vorgenommen wird und
das System anhand von Daten trainiert wird, die für schlechte
Sensoren repräsentativ
sind, kann dann der Ausgang des AANN 10 dazu verwendet
werden, sofort alle Fail-Soft-Werte für den schlechten Eingang bereitzustellen.
Das Training des AANN 10 umfasst die Kompilierung oder Über setzung
von heuristischen Daten, da es mehrere "Knöpfe" gibt, an denen während des Trainingsprozesses
gedreht werden kann. Das Endergebnis des Trainings ist ein AANN 10,
das Ausgänge
erzeugen wird, die gleich seinen Eingängen sind, wenn gute Sensoren
vorhanden sind, und Fail-Soft-Werte
erzeugen wird, wenn fehlerhafte Sensoren vorhanden sind. AANNs,
die durch diesen zweiten Trainingsschritt mit Exemplaren fehlerhafter Sensoren
gegangen sind, werden als robuste AANNs bezeichnet. Das entwickelte
erfindungsgemäße AANN 10 ist
von der robusten Art.
-
Die
vorliegende Erfindung benutzt bei einer bevorzugten Ausführungsform
das AANN 10 in einer Kraftfahrzeuganwendung, wie sie durch
das Motorsteuerungssystem 30 von 2 gezeigt
ist, aber jede andere Sensoranwendung wird als im Umfang der vorliegenden
Erfindung liegend angesehen. Das Motorsteuerungssystem 30 umfasst
einen Motor-Controller 32, der Sensormesswerte von Kühlmitteltemperatur,
Lufttemperatur, Saugrohrdruck (MAP) von MAP-Sensor 34,
Saugrohrluftdurchsatz (MAF) von MAF-Sensor 36, Motordrehzahl
und Motorposition von einem Motorpositionssensor 38, Pedalstellung,
Drosselklappenstellung oder -winkel (TPS) von Drosselklappenstellungssensor 40 und
Abgassauerstoffmesswerte vor und nach einem katalytischen Umformer 42 durch
Sauerstoffsensoren 44 und 46 empfängt.
-
Luft
tritt in einen Verbrennungsmotor (ICE) 50 durch ein Saugrohr 52 ein.
Eine Drosselklappe 54 steuert den Luftstrom oder Luftdurchsatz
durch den Verbrennungsmotor 50 und kann elektronisch oder von
Hand durch einen mit einem Gaspedal verbundenen Draht gesteuert
werden. Die Luft wird mit Kraftstoff von einem Kraftstoffeinspritzventil 56,
das von dem Motor-Controller 32 gesteuert wird, gemischt. Das
Luft-/Kraftstoffgemisch tritt in einen Zylinder 58 ein,
in dem es gezündet
wird, um eine Kurbelwelle zu rotieren, wie es in der Technik allgemein
bekannt ist. Die Abgase werden durch den katalytischen Umformer 42 oxidiert
und reduziert, wie es in der Technik allgemein bekannt ist.
-
Die
Sensoren, die mit der in das Motorsaugrohr eintretenden Luft in
Beziehung stehen, haben die Eigenschaft einer analytischen Redundanz
und werden bei der bevorzugten Ausführungsform der vorliegenden
Erfindung verwendet. Im Besonderen stehen der MAP-Sensor 34,
der MAF-Sensor 36 und der
TPS-Sensor 40 mit dem Luftdurchsatz durch den Verbrennungsmotor 50 in
Beziehung. Der MAF-Sensor 36 misst die Luftmenge, die in
den Verbrennungsmotor 50 eingesaugt wird, der MAP-Sensor 34 misst den
Druck in dem Verbrennungsmotor 50, und der TPS-Sensor 40 misst
den Winkel oder den Querschnitt der Drosselklappe 54.
-
3 ist
eine schematische Zeichnung einer bevorzugten Ausführungsform
eines AANN 60 bei der vorliegenden Erfindung. Auf die Messwerte
der MAP-, MAF- und TPS-Sensoren 34, 36 und 40 wird eine
Normierungsfunktion 62 angewandt. Die normierten Sensorwerte
werden in einer Eingangsschicht 64 mit einer linearen Übertragungsfunktion verarbeitet.
Die Eingangsschicht erzeugt Ausgänge für gewichtete
Verbindungen 66. Eine Abbildungsschicht 68 mit
sigmoidischen Übertragungsfunktionen
gibt Werte an gewichtete Funktionen 70 aus. Eine Flaschenhalsschicht 72 verarbeitet
die Eingänge
von den gewichteten Verbindungen 70 und erzeugt Ausgänge für gewichtete
Verbindungen 74. Die gewichteten Verbindungen 74 geben
Signale an die Rückabbildungsschicht 76 aus
und geben Werte an die gewichteten Verbindungen 78 aus.
Eine Eingangsschicht 80 mit einer linearen Übertragungsfunktion
verarbeitet die Ausgänge
von den gewichteten Verbindungen 78. Block 82 entnormiert
die Ausgänge
von Block 80, um repräsentative
Werte MAF', MAP' und TPS' zu erzeugen. Die
Funktionen des oben beschriebenen autoassoziativen neuronalen Netzes 60 (Schichten 62–82)
sind wie folgt: a = F1(W5F2(W4F1(W3F2(W2F1(W1p
+ b1) + b2) + b3) + b4) + b5)wobei
- F1
- = Lineare Transformationsfunktion
- F2
- = Tan-Sigmoid-Übertragungsfunktion
- W1
- = Gewichtungsvektor
für Eingangsschicht 64 (3×3 Matrix)
- W2
- = Gewichtungsvektor
für Abbildungsschicht 68 (6×3 Matrix)
- W3
- = Gewichtungsvektor
für Flaschenhalsschicht 72 (2×6 Matrix)
- W4
- = Gewichtungsvektor
für Rückabbildungsschicht 76 (6×2 Matrix)
- W5
- = Gewichtungsvektor
für Ausgangsschicht 80 (3×6 Matrix)
- b1
- = Vorbelastungsvektor
für Eingangsschicht 64 (3×1 Matrix)
- b2
- = Vorbelastungsvektor
für Abbildungsschicht 68 (6×1 Matrix)
- b3
- = Vorbelastungsvektor
für Flaschenhalsschicht 72 (2×1 Matrix)
- b4
- = Vorbelastungsvektor
für Rückabbildungsschicht 76 (6×1 Matrix)
- b5
- = Vorbelastungsvektor
für Ausgangsschicht 80 (3×1 Matrix)
- p
- = Eingangsmuster (3×1 Matrix)
- a
- = Ausgangsmuster (3×1 Matrix)
-
Die
repräsentativen
Werte MAF', MAP' und TPS' sollten im Allgemeinen
gleich den Werten sein, die von den MAP-, MAF- und TPS-Sensoren 34, 36 und 40 unter
normalen Betriebsbedingungen oder unter fehlerhaften Bedingungen
für irgendeinen
der Sensoren 34, 36 und 40 erzeugt werden.
Dementsprechend kann das Motorsteuerungssystem 30 noch
innerhalb normaler Parameter arbeiten, wenn es einen Fehler gibt,
oder bei alternativen Ausführungsformen
können
die repräsentativen
Werte dazu verwendet werden, einen physikalischen Sensor zu ersetzen.
-
Bei
alternativen Ausführungsformen
der vorliegenden Erfindung können
andere verwandte Sensorgruppen, wie etwa Motordrehzahl-, Getriebedrehzahl-,
Raddrehzahlsensoren, damit in Beziehung stehende Sensoren, wie Drosselklappenstellungssensoren,
und andere ähnliche
Sensorgruppen verwendet werden.
-
Es
wird also ein Motorsteuerungssystem angegeben, das einen Motor-Controller, mehrere
mit dem Motor-Controller gekoppelte Sensoren und ein in dem Motor-Controller
arbeitendes neuronales Netz umfasst, wobei das neuronale Netz bei
Ausfall von zumindest einem der Sensoren einen repräsentativen
Wert von dem ausgefallenen Sensor erzeugt.