DE102004054271A1 - Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine - Google Patents
Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine Download PDFInfo
- Publication number
- DE102004054271A1 DE102004054271A1 DE200410054271 DE102004054271A DE102004054271A1 DE 102004054271 A1 DE102004054271 A1 DE 102004054271A1 DE 200410054271 DE200410054271 DE 200410054271 DE 102004054271 A DE102004054271 A DE 102004054271A DE 102004054271 A1 DE102004054271 A1 DE 102004054271A1
- Authority
- DE
- Germany
- Prior art keywords
- internal combustion
- combustion engine
- operating
- parameter
- influencing
- 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.)
- Ceased
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Description
- Die Erfindung betrifft ein Verfahren und eine zugehörige Vorrichtung zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum.
- Es ist bekannt, Simulationen bei einer Entwicklung von Verbrennungskraftmaschinen, insbesondere bei einer Entwicklung eines Brennverhaltens einzusetzen.
- Aufgabe der vorliegenden Erfindung ist es, eine Entwicklung eines Betriebsverhaltens einer Verbrennungskraftmaschine, insbesondere eines Brennverhaltens für verschiedene Lastzustände, zu vereinfachen und insbesondere zu beschleunigen.
- Erfindungsgemäß wird diese Aufgabe durch ein Verfahren nach Anspruch 1, eine Vorrichtung nach Anspruch 18, ein Datenverarbeitungssystem nach Anspruch 20 und ein Computerprogrammprodukt nach Anspruch 21 gelöst. Weitere Ausgestaltungen und Weiterbildungen sind in den jeweiligen abhängigen Ansprüchen angegeben.
- Bei einem erfindungsgemäßen Verfahren zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum, wobei anhand zumindest einer Datenbasis, welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindest einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind, werden Betriebszustände zumindest eines Teiles der Betriebspunkte einer Datenbasis mittels wenigstens eines Brennfunktionsmoduls unter Verwendung wenigstens einer Modellfunktion angepasst und wird anhand der angepassten Modellfunktion zumindest ein geeigneter Einflussparametervektor zur Erzielung eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder zur Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine ausgewählt.
- Ein Einflussparameter ist dabei insbesondere ein motorischer Einflussparameter wie eine Last, eine Drehzahl, eine Ventilsteuerzahl, ein Restgasgehalt, eine Zylindertemperatur oder ein Zylinderdruck und/oder ein Luftverhältnis. Ein Messwert ist insbesondere ein Restgasanteil, eine Ladungswechselarbeit, ein spezifischer Verbrauch, ein Luftaufwand, ein Wirkungsgrad, eine Abgaszusammensetzung, ein Druck oder eine Temperatur. Ein Betriebszustand einer Verbrennungskraftmaschine wird insbesondere durch einen Einflussparametervektor, der beispielsweise die vorgenannten Einflussparameter enthält, und einen Messparametervektor, der insbesondere die vorgenannten Messparameter enthält, beschrieben. Beide Vektoren werden vorteilhafterweise zu einem Betriebspunkt, der ebenfalls ein Vektor ist, zusammengefasst.
- Zur Durchführung des Verfahrens ist insbesondere vorgesehen, dass das Brennfunktionsmodul wenigstens ein Brennfunktionsmodell bereitstellt. Das Brennfunktionsmodell stellt eine modellhafte Beschreibung eines Brennverhaltens und/oder eines Brennverlaufes dar. Die modellhafte Beschreibung basiert vorzugsweise auf funktionalen Zusammenhängen und/oder dimensionsbehafteten und/oder dimensionslosen Kenngrößen. Dadurch lässt sich ein für spätere Rechenschritte vereinfachtes aber ausreichend genaues Modul gewinnen. Insbesondere wird hierbei eine Vorhersage des Brennverhaltens, des Brennverlaufes und/oder eines Klopfverhaltens und/oder einer Magerlaufgrenze unter Nutzung motorischer Einflussparameter wie beispielsweise Last, Drehzahl, Ventilssteuerzeiten, Ventilsteuerzahl, Zündzeitpunkt, Restgasgehalt, Zylindertemperatur und/oder Zylinderdruck ermittelt. Neben genauen Werten können hierbei ebenfalls auch gemittelte Werte in das Brennfunktionsmodul eingehen. Vorzugsweise sind die Werte zumindest teilweise zeit- und/oder kurbelwellenkorreliert, insbesondere kurbelwinkelbasiert.
- Das Brennfunktionsmodul wird in einem nächsten Schritt zur Verbesserung einer Vorhersage insbesondere eines Brennverlaufes zumindest mit einem Ladungswechselanalysemodul und/oder mit einem Brennverlaufsanalysemodul gekoppelt. Der oder die mittels des oder dieser Module ermittelten Werte dienen einer Anpassung von ermittelten Werten des Brennfunktionsmoduls. Das Ladungswechselmodul und/oder das Brennverlaufsanalysemodul basieren vorzugsweise jeweils auf phänomenologischen funktionalen Zusammenhängen. Diese werden beispielsweise vorab an zumindest einer Verbrennungskraftmaschine ermittelt. Die dabei ermittelte Datenbasis kann vorzugsweise auch für andere Verbrennungskraftmaschinen Anwendung finden.
- Insbesondere wird damit ein prädiktives Modell für einen Verbrennungsmotor (Otto oder Diesel), für Brenn-, Klopfverhalten und Magerlaufgrenze bereitgestellt. Insbesondere kann ein Brennfunktionsmodul mehrere prädiktive Modelle bereitstellen, auf die beispielsweise je nach Anwendungsfall zurückgegriffen wird. Bevorzugt ist ein prädiktives Modell auf Basis von Ähnlichkeitskenngrößen extrapolierbar. Des weiteren kann mittels eines prädiktiven Modells eine Reduzierung eines empirischen Aufwandes bei einer Auslegung bzw. Ermittlung von Einflussparametern wie beispielsweise einem Zündwinkelkennfeld erzielt werden. Ebenso kann eine Konfiguration von Steuergeräten durch mathematische Beschreibung funktionaler Zusammenhänge erleichtert werden.
- Des weiteren besteht die Möglichkeit, entweder in eines der Module zusätzliche Funktionalitäten zu implementieren, z. B. eine Aufladung und/oder eine innere Gemischbildung. Es besteht jedoch ebenfalls die Möglichkeit, dafür ein oder mehrere Module zusätzlich aufzusetzen. Diese können beispielsweise mit dem Brennfunktionsmodul oder indirekt über eines der anderen Module verknüpft werden. Diese zusätzlichen Funktionalitäts-Module basieren vorzugsweise ebenfalls auf funktionalen Zusammenhängen.
- In einer vorteilhaften Variante wird bei der Ermittlung eines Brennfunktionsmodells eine mehrdimensionale, insbesondere dreidimensionale, insbesondere zeitaufgelöste Simulation eines Brennverhaltens herangezogen. Dabei wird bevorzugt zumindest ein Teilprozess aus zum Beispiel der Gruppe Einspritzvorgang, insbesondere Strahlbildung/Strahlzerfall, Verdampfungsvorgang, Gemischbildungsvorgang, Entflammungsvorgang, Energieumsetzungsvorgang sowie Emissionsvorgang berücksichtigt. Aufgrund eines hohen damit verbundenen Zeitaufwandes werden derartige Simulationen vorzugsweise an wenigen ausgewählten Punkten im Einflussparameterraum durchgeführt. Umgekehrt kann eine auf einer experimentellen Datenbasis basierende Modellfunktion eines Brennfunktionsmodells eine dreidimensionale Simulation verifizieren, deren Aussagekraft zum Teil aufgrund noch unvollkommener Kenntnis von Teilprozessen begrenzt ist.
- Für eine einfache Beschreibung einer Einzelparameterabhängigkeit wird vorgesehen, dass als Modellfunktion einer Einzelparameterabhängigkeit eine Funktion f(x) = s·x + b verwendet wird, wobei die Parameter folgende Werte annehmen: –1000 ≤ s ≤ 1000 sowie –5000 ≤ b ≤ 5000. Bei einer Einzelparameterabhängigkeit sind alle Einflussparameter bis auf einen zu untersuchenden Einflussparameter zumindest innerhalb einer vorgebbaren Toleranz konstant. Mit der genannten Funktion werden mehrere Messwerte einer Messgröße angepasst.
- In einer anderen Variante ist vorgesehen, dass als Modellfunktion eine Einzelparameterabhängigkeit eine Funktion f(x) = A·exp(x/t) + b verwendet wird, wobei die Parameter folgende Werte annehmen: 0,01 ≤ A ≤ 30000; 0,01 ≤ t ≤ 10000 sowie –7000 ≤ b ≤ 7000.
- Bevorzugt wird eine Modellfunktion, insbesondere eine Modellfunktionsklasse, auch aus einer Anpassung ermittelt. So ist in einer weiteren Ausgestaltung vorgesehen, dass zur Auswahl einer Modellfunktion zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraft maschine in einem n-dimensionalen Einflussparameterraum basierend auf zumindest einer Datenbasis, welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindestens einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind, anhand von Betriebszuständen zumindest eines Teils der Betriebspunkte einer Datenbasis eine funktionelle Abhängigkeit der Betriebszustände von den Einflussparametervektoren ermittelt wird. Beispielsweise wird anhand einer Einzelparameterabhängigkeit anhand mehrerer Messwerte einer Messgröße eine Funktionsklasse ausgewählt, die eine Modellierung der Messwerte erlaubt. Insbesondere handelt es sich bei der funktionellen Abhängigkeit um die vorgenannten linearen oder exponentiellen Abhängigkeiten. Vorzugsweise können weitere Funktionsklassen, beispielsweise Polynome oder logarithmische Funktionen, ausgewählt werden. Insbesondere kann in einer bevorzugten Ausgestaltung auch eine von mehr als einem Einflussparameter abhängige Funktion ermittelt werden. Eine Auswahl einer geeigneten funktionellen Abhängigkeit erfolgt jeweils beispielsweise anhand eines Vergleiches einer Anpassungsgüte von mit verschiedenen Funktionsklassen erzielten Anpassungen.
- Des weiteren kann eine Anpassung einer funktionellen Abhängigkeit insbesondere mittels eines neuronalen Netzes dargestellt werden. So ist gemäß einem weiteren Gedanken vorgesehen, dass eine Anpassung von Betriebszuständen mittels zumindest eines insbesondere trainierbaren neuronalen Netzes erfolgt. In einer ersten Variante ist eine Eingangsgröße eines neuronalen Netzes insbesondere ein Betriebspunkt. Eine Ausgangsgröße eines neuronalen Netzes ist insbesondere ein Parametersatz, vorzugsweise für eine der vorgenannten funktionalen Abhängigkeiten. In einer zweiten Ausgestaltung ist eine Eingangsgröße eines neuronalen Netzes ein Betriebspunkt und eine Ausgangsgröße eines neuronalen Netzes ein Vektor von Parametersätzen für mehrere Parameterabhängigkeiten. In einer dritten Ausgestaltung ist eine Eingangsgröße eines neuronalen Netzes ein Einflussparametervektor und eine Ausgangsgröße eines neuronalen Netzes ein Messwert einer Messgröße. Beispielsweise ist eine Ausgangsgröße eines neuronalen Netzes auch ein Vektor, dessen Komponenten insbesondere Messwerte verschiedener Messgrößen enthalten.
- Um anhand der ermittelten funktionalen Abhängigkeit umgekehrt einen geeigneten Einflussparametervektor beispielsweise zur Erzielung eines gewünschten Betriebszustandes auszuwählen, können verschiedene Verfahren eingesetzt werden.
- In einer ersten Variante ist vorgesehen, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels Inter- oder Extrapolation erfolgt. Beispielsweise wird eine Inter- oder Extrapolation eines Messwertes anhand wenigstens zweier Messwerte in ähnlicher Weise auf die wenigstens zwei zugehörigen Einflussparametervektoren angewendet. Alternativ wird beispielsweise einer Inter- oder Extrapolation eines Messwertes in ähnlicher Weise auf die entsprechend zugehörigen Parametersätze angewendet.
- In einer zweiten Variante erfolgt eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels eines Optimierungsverfahrens. Für ein Optimierungsverfahren werden insbesondere gängige Verfahren wie beispielsweise Simplex-, Levenberg-Marquardt- oder weitere Verfahren verwendet. Vorzugsweise erfolgt in einem Optimierungsschritt jeweils eine Prädiktion eines Messwertes anhand eines Einflussparametervektors gemäß insbesondere vorstehend beschriebenen funktionellen Abhängigkeit. Dabei wird insbesondere der erhaltene Messwert mit dem gewünschten Zielmesswert verglichen und sukzessiv der Abstand zwischen diesen beiden Werten minimiert, indem der Einflussparametervektor geeignet modifiziert wird. Sinngemäß erfolgt eine Prädiktion und Anpassung bei einem mehrdimensionalen Messwertvektor, indem insbesondere ein Abstand des gewünschten Zielmesswertes und des erhaltenen Messwertes als Abstand zweier Vektoren ermittelt wird.
- In einer dritten Variante ist vorgesehen, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels einer zumindest lokalen Umkehrfunktion erfolgt. Beispielsweise wird für eine Einzelparameterabhängigkeit eine Umkehrfunktion einer insbesondere vorgenannten linearen oder exponentiellen Abhängigkeit gebildet.
- In einer vierten Variante erfolgt eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels zumindest eines insbesondere trainierbaren neuronalen Netzes. Eine Eingangsgröße eines neuronalen Netzes ist vorzugsweise eine Messgröße oder ein Vektor von Messgrößen. Hierbei handelt es sich jedoch nicht im strengen Wortsinne um einen tatsächlichen Messwert oder Messwertvektor, sondern vielmehr um einen gewünschten und somit zunächst virtuellen Messwert oder Messwertvektor. Eine Ausgangsgröße eines neuronalen Netzes ist vorzugsweise ein Einflussparametervektor, mit dem der gewünschte Messwert oder der gewünschte Messwertvektor erzielt werden kann. Vorzugsweise durch eine Präsentation von in der Datenbank vorhandenen Betriebspunkten, bzw. der darin enthaltenen Einflussparametervektoren und Messwertvektoren, wird das neuronale Netz trainiert. Dabei werden insbesondere Verbindungen zwischen Neuronen des neuronalen Netzes durch einen Lernalgorithmus so verändert, dass das neuronale Netz einen präsentierten Einflussparametervektor jeweils auf den zugehörigen Messparametervektor abbildet.
- In einer besonderen Ausführungsform ist, insbesondere zur Ermittlung einer Einzelparameterabhängigkeit vorgesehen, dass wenigstens die folgenden Schritte ausgeführt werden:
- a. Extraktion einer Schar von Betriebspunkten aus zumindest einer Datenbasis, in denen alle Einflussparameter bis auf einen ersten Einflussparameter zumindest innerhalb einer wählbaren Toleranz konstant sind,
- b. Wiederholung des vorigen Schrittes für wenigstens eine weitere Schar weiterer, in den gleichen übrigen Einflussparametern konstanter aber im Vergleich zum vorhergehenden Schritt verschiedener Betriebspunkte,
- c. Anpassung der jeweiligen Scharen aus den Schritten a) und b) mit jeweils einer von wenigstens einem Parameter abhängigen gleichen Funktion, wobei der oder die Parameter jeweils andere Werte annehmen können,
- d. Vorhersage eines Betriebszustandes an zumindest einem weiteren Betriebspunkt, insbesondere außerhalb der Messdatenbasis, und/oder
- e. Ermittlung zumindest eines geeigneten Einflussparametervektors zur Erzielung zumindest eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine.
- Durch Schritt a) wird insbesondere eine Einzelparameterabhängigkeit aus einer Datenbasis extrahiert. Die wählbare Toleranz wird insbesondere so gewählt, dass sie in der Größenordnung einer Ungenauigkeit und/oder einer Einstellgenauigkeit eines Einflussparameters liegt. Die in den Schritten a) und b) extrahierten Scharen liegen insbesondere in zueinander parallelen Ebenen im Raum der Betriebszustände. Für eine Anpassung der jeweiligen Scharen in Schritt c) werden beispielsweise die vorgenannten linearen oder exponentiellen Abhängigkeiten verwendet. Als für jede Schar individuell angepasste Parameter werden im Falle der linearen Abhängigkeit jeweils insbesondere die Parameter s und b verwendet, im Falle der exponentiellen Abhängigkeit werden insbesondere die Parameter A, t und b verwendet. In Schritt d) wird ein Betriebszustand insbesondere anhand einer ermittelten funktionellen Abhängigkeit anhand eines vorgegebenen Einflussparametervektors ermittelt. In Schritt e) erfolgt eine Ermittlung eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes insbesondere durch eines der vorgenannten Verfahren, vorzugsweise durch Inter- oder Extrapolation oder durch eine zumindest lokale Umkehrfunktion.
- Um insbesondere ein Rauschen von Messwerten oder eine Überbewertung von Ausreißern in Messpunkten zu korrigieren, wird bevorzugt eine Glättung durchgeführt. Dazu wird in einer abgewandelten Variante zumindest eine Schar aus den Schritten a) und/oder b) mit einer Ausgleichsfunktion geglättet, die in Schritt c) anstelle der jeweiligen Schar verwendet wird. Eine Glättung erfolgt beispielsweise durch Mittelwertbildung über jeweils benachbarte Datenpunkte oder beispielsweise über insbesondere modellfreie Polynomfunktionen.
- Zur Beeinflussung eines Betriebszustandes können verschiedene Einflussparameter herangezogen werden. Bevorzugt ist vorgesehen, dass ein Einflussparameter eine Prozessgröße ist. Eine Prozessgröße ist dabei insbesondere beispielsweise eine Ventilsteuerzeit bzw. Ventilsteuerzeiten, eine Ventilsteuerzahl, eine Drehzahl, ein Zündwinkel, ein Verbrennungsluftverhältnis, ein Restgasgehalt, eine Zylindertemperatur, ein Zylinderdruck oder eine Leistung. Diese Einflussparameter können insbesondere mittels einer Motorsteuerung eingestellt werden.
- Des weiteren ist insbesondere vorgesehen, dass ein Einflussparameter ein Konstruktionsmerkmal ist. Ein Konstruktionsmerkmal ist beispielsweise eine Kolbengeometrie oder ein Kolbenhub, eine Brennraumgeometrie, eine Hubfunktion, eine Ventilanzahl und/oder konstruktiv vorgesehene Ladungsbewegung (Drall und/oder Tumble).
- Für eine vorzugsweise gezielte Beeinflussung eines Betriebszustandes wird beispielsweise eine Ventilsteuerzeit und/oder eine Drehzahl und/oder ein Restgasgehalt und/oder eine Zylindertemperatur und/oder ein Zylinderdruck ausgewählt, insbesondere eingestellt. Drehzahl und Temperatur werden insbesondere durch Zusammenspiel von Kraftstoffmenge und Last eingestellt. Eine Ventilsteuerzeit wird insbesondere mit einer unabhängig von einer starren Nockenwellensteuerung arbeitenden Ventilsteuerung eingestellt. Eine Drehzahl wird insbesondere durch Zusammenspiel von Kraftstoffmenge und Last eingestellt. Eine Zylindertemperatur wird beispielsweise durch Kraftstoffmenge oder Last eingestellt. Ein Zylinderdruck wird beispielsweise durch einen entsprechenden Einspritzverlauf beeinflusst.
- Gemäß einem weiteren Gedanken ist vorgesehen, dass ein Kraftstoffverbrauch und/oder ein Klopfverhalten und/oder ein Umsetzungswirkungsgrad beeinflusst wird. Des Weiteren ist beispielsweise vorgesehen, dass ein Restgasanteil und/oder eine Ladungswechselarbeit und/oder ein spezifischer Verbrauch und/oder ein Luftaufwand und/oder eine Abgaszusammensetzung beeinflusst wird.
- Insbesondere für einen zeitlich effizienten Ablauf ist es vorteilhaft, dass automatisiert Betriebszustände anhand zumindest teilweise verschiedener Einflussparametervektoren zur Erzeugung der zumindest einen Datenbasis eingestellt und erfasst werden. Bevorzugt wird eine Vielzahl von Einflussparametervektoren eingestellt und die jeweils resultierenden Messwerte bzw. Messwertvektoren aufgenommen und mit den Einflussparametervektoren verknüpft jeweils als Betriebspunkt in eine Datenbank eingestellt. Vorzugsweise werden die Einflussparametervektoren so ausgewählt, dass sie möglichst gleichverteilt im Einflussparameterraum lokalisiert sind. Besonders bevorzugt erfolgt eine Auswahl von Einflussparametervektoren anhand eines Rasters oder anhand eines Zufallsgenerators.
- Gemäß einem weiteren Gedanken der Erfindung ist eine Verbrennungskraftmaschine vorgesehen, mit
- a. einer Datenakquisition zum Erfassen von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, in einem n-dimensionalen Einflussparameterraum zum Erzeugen zumindest einer Datenbasis, welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindestens einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind,
- b. einer Auswertungseinheit, zur Ermittlung einer Abhängigkeit von Betriebszuständen von Einflussparametervektoren anhand von Betriebszuständen zumindest eines Teiles der Betriebspunkte einer Datenbasis zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 14,
- c. einer Auswahleinheit, zur Auswahl zumindest eines weiteren Einflussparametervektors zur Erzielung eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine anhand der Abhängigkeit zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 17.
- Eine in Schritt a) verwendete Datenakquisition umfasst insbesondere einen oder mehrere Sensoren zur Erfassung beispielsweise wenigstens einer Größe aus der folgenden Gruppe: Druck, Temperatur, Abgaszusammensetzung, Restgasgehalt, Drehmoment, Drehzahl, Restgasanteil, Ladungswechselarbeit, spezifischer Verbrauch, Luftaufwand, Luftverhältnis, Wirkungsgrad, und abgegebene Leistung. Des weiteren wird insbesondere ein Klopfsensor zur Erfassung eines Klopfverhaltens eingesetzt. Mit einer in Schritt b) verwendeten Auswertungseinheit kann insbesondere eine Anpassung von Messwerten mit zumindest einer Modellfunktion gemäß einem der vorgenannten Verfahren durchgeführt werden. Eine in Schritt c) verwendete Auswahleinheit ermöglicht insbesondere eine Auswahl eines geeigneten Einflussparametervektors gemäß einem in der weiter oben in der Beschreibung angegebenen Verfahren, beispielsweise mittels Inter- oder Extrapolation, mittels einer Umkehrfunktion oder mittels eines neuronalen Netzes.
- In einer bevorzugten Ausgestaltung umfasst eine Verbrennungskraftmaschine eine Steuerung zur automatischen sequentiellen Einstellung einer Vielzahl von Einflussparametervektoren und Erfassung daraus resultierender Betriebszustände zur Erzeugung der mindestens einen Datenbasis. Vorzugsweise erzeugt eine Steuerung eine Folge von Einflussparametervektoren anhand eines Zufallsgenerators oder anhand eines Rasters im Einflussparameterraum.
- Gemäß einem weiteren Gedanken der Erfindung ist ein Datenverarbeitungssystem und/oder eine Motorsteuerung, zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum, zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 17 vorgesehen. Beispielsweise handelt es sich bei der Vorrichtung um einen Computer. Insbesondere handelt es sich bei der Vorrichtung um einen Mikrocontroller, insbesondere in einer Motorsteuerung.
- Gemäß einem weiteren Gedanken der Erfindung ist ein Computerprogrammprodukt vorgesehen, mit Programmcodemitteln, die auf einem computerlesbaren Datenträger, insbesondere einem Mikrochip einer Motorsteuerung, gespeichert sind, um ein Verfahren nach wenigstens einem der Ansprüche 1 bis 17 durchzuführen, wenn das Computerprogrammprodukt auf einem Computer, insbesondere einem Computer einer Motorsteuerung ausgeführt wird. Das Computerprogrammprodukt enthält insbesondere Befehle und/oder Daten zur Steuerung eines Computers. Bei einer Abarbeitung der Befehle und/oder Daten werden insbesondere in den Ansprüchen definierte Verfahrensschritte ausgeführt und das angestrebte technische Ergebnis erzielt. Ein computerlesbarer Datenträger ist beispielsweise eine Diskette, eine CD, ein Datenträgerband, eine magnetische oder optische Speicherplatte oder ein entfernter Datenspeicher, der beispielsweise mittels einer Internetverbindung verwendet wird.
- Im Folgenden wird die Erfindung anhand der Zeichnungen in mehreren Ausgestaltungen im Einzelnen exemplarisch erläutert. Die Merkmale sind dort jeweils jedoch nicht auf die einzelnen Ausgestaltungen beschränkt. Vielmehr sind jeweils in der Zeichnung und/oder in der Beschreibung einschließlich der Figurenbeschreibung angegebene Merkmale miteinander jeweils zu nicht näher ausgeführten Weiterbildungen kombinierbar.
- Es zeigen:
-
1 einen ersten Verfahrensablauf, -
2 einen zweiten Verfahrensablauf, -
3 eine Einzelparameterabhängigkeit und -
4 einen Vergleich verschiedener Modelle. -
1 zeigt einen ersten Verfahrensablauf. Ausgehend von einer Datenbasis1 , welche eine Vielzahl von zumindest teilweise verschiedenen Betriebspunkten enthält, die jeweils einen Einflussparametervektor und einen Messparametervektor umfassen, werden verschiedene Einzelparameterabhängigkeiten extrahiert. Es werden erste Einzelparameterabhängigkeiten2 für einen ersten Einflussparameter, zweite Einzelparameterabhängigkeiten3 für einen zweiten Einflussparameter, weitere Einzelparameterabhängigkeiten für weitere Einflussparameter und schließlich n-te Einzelparameterabhängigkeiten4 für einen n-ten Einflussparameter extrahiert. Die n-ten Einzelparameterabhängigkeiten4 umfassen dabei verschiedene Einzelparameterabhängigkeiten an verschiedenen Betriebspunkten, an denen jeweils der n-te Einflussparameter variiert wird. Analog gilt dies für die übrigen Einzelparameterabhängigkeiten. Ausgehend von einem übergeordneten Brennfunktions modul5 , welches insbesondere ein Brennfunktionsmodell bereitstellt, wird zumindest eine Modellfunktion6 ausgewählt, welche die in den Einzelparameterabhängigkeiten erzielten Messwerte anpassen kann. Als Modellfunktion6 wird beispielsweise eine lineare Funktion der Form f(x) = s·x + b oder eine exponentielle Funktion der Form F(x) = A·exp(x/t) + b verwendet. Bei einer Anpassung wird für jede Einzelparameterabhängigkeit jeweils ein Parametersatz, beispielsweise bestehend aus s und b im Falle der linearen Abhängigkeit oder beispielsweise bestehend aus A, t und b im Falle der exponentiellen Abhängigkeit ermittelt. - Eine Abhängigkeit wird in diesem Fall mit einem Levenberg-Marquard- oder Simplex-Optimierungsverfahren durchgeführt. Ebenso können jedoch auch weitere gebräuchliche Optimierungsverfahren, insbesondere auch mittels eines neuronalen Netzes verwendet werden. Bei einem Optimierungsverfahren werden Parameter der gewählten Modellfunktion
6 insbesondere so gewählt, dass beispielsweise eine aus jeweiligen Funktions- und Messwerten gebildete Fehlerquadratsumme minimiert wird. - Für die n-ten Einzelparameterabhängigkeiten
4 erhält man für jede einzelne Einzelparameterabhängigkeit einen separaten Parametersatz. Entsprechendes gilt analog für die übrigen Einzelparameterabhängigkeiten. Als Resultat erhält man erste Parametersätze7 für die ersten Einzelparameterabhängigkeiten2 , zweite Parametersätze8 für die zweiten Einzelparameterabhängigkeiten3 und schließlich n-te Parametersätze9 für die n-ten Einzelparameterabhängigkeiten4 . Die n-ten Parametersätze9 können dabei als Vektor von Parametersätzen zu jeweils einer Einzelparameterabhängigkeit aufgefasst werden. Für die übrigen Parametersätze ist die Betrachtung analog anzuwenden. Als Resultat erhält man aus den Parametersätzen ein Parameterfeld10 . Mit Hilfe dieses Parameterfeldes10 unter Berücksichtigung der Modellfunktion6 erfolgt anhand eines weiteren Einflussparametervektors11 eine Prädiktion12 eines weiteren Betriebspunktes. - Im folgenden werden Elemente gleicher Funktion mit den gleichen Bezugszeichen und Bezeichnungen versehen.
-
2 zeigt einen zweiten Verfahrensablauf. Dieser Verfahrensablauf bezieht sich auf Einzelparameterabhängigkeiten für lediglich einen einzigen Einflussparameter, in diesem Fall x4. Eine Reihe von Betriebspunkten mit einem ersten Betriebspunkt13 , B(1), und einem M-ten Betriebspunkt14 , B(M), wird aus der Datenbasis1 extrahiert. Ein Betriebspunkt B(M) ist dabei aus einem Einflussparametervektor p(M) und einem Messparametervektor m(M) zusammengesetzt. Für weitere Betriebspunkte gilt die Betrachtung analog. Die Ex traktion erfolgt dabei so, dass verschiedene Scharen, insbesondere eine erste Schar15 und eine N-te Schar16 erzielt werden, in denen jeweils nur ein variierter Einflussparameter17 , der in diesem Fall x4 ist, variiert wird. Die übrigen Einflussparameter sind innerhalb einer Schar konstant. Verschiedene Scharen unterscheiden sich in wenigstens einem vom variierten Einflussparameter17 verschiedenen Einflussparameter voneinander. Anhand der ersten Schar von Einflussparametervektoren15 und zugehörigen Messwerten wird eine erste Anpassung18 einer Einzelparameterabhängigkeit mittels einer Modellfunktion6 vorgenommen. Die Messwerte sind hierbei jeweils lediglich als Messwerte einer einzigen Messgröße, d.h. als zu einer Komponente eines Messparametervektors zugehörig, zu verstehen. Messwerte einer weiteren Messgröße werden insbesondere entsprechend mit einer weiteren Modellfunktion angepasst. Für die hier betrachtete Messgröße x4 wird in diesem Fall für die erste Schar eine Modellfunktion fk(Ak (1), x4) verwendet, welche lediglich von dem variierten Einflussparameter17 , x4, und einem Parametersatz Ak (1) abhängt. Im Falle einer linearen Abhängigkeit ist der Parametersatz Ak (1) ein Parametersatz, der aus zwei skalaren Parametern, beispielsweise s und b besteht. Im Falle einer exponentiellen Abhängigkeit ist dieser Parametersatz ein Parametersatz, der aus drei skalaren Parametern, beispielsweise A, b, t besteht. Der Parametersatz Ak (1) wird so angepasst, dass die zu der Einzelparameterabhängigkeit gehörigen Messwerte der betrachteten Messgröße angepasst werden. Ein i-ter Messwert einer k-ten Messgröße wird in der ersten Einzelparameterabhängigkeit mit mk,i (1) bezeichnet. Entsprechend analog wird mit weiteren Scharen der Einzelparameterabhängigkeit verfahren. Schließlich wird eine N-te Einzelparameterabhängigkeit der N-ten Schar ermittelt. Ein i-ter Messwert einer k-ten Messgröße der N-ten Schar wird hierbei als mk,i (N) bezeichnet. Bei einer N-ten Anpassung19 der N-ten Schar wird ein Parametersatz Ak (N) bestimmt. Insgesamt erhält man damit erste Parametersätze7 für eine Einzelparameterabhängigkeit eines einzelnen variierten Einflussparameter17 , in diesem Fall x4. Ein vollständiges Parameterfeld10 erhält man, indem man, was hier nicht dargestellt ist, die vorbeschriebenen Schritte analog für weitere Einzelparameterabhängigkeiten durchführt. Eine Anpassung eines Parametersatzes erfolgt in diesem Beispiel mit einem Simplex-Optimierungs-Verfahren. Ebenso können auch insbesondere im Beschreibungsteil angegebene Optimierungsverfahren verwendet werden. -
3 zeigt eine Einzelparameterabhängigkeit. In der Grafik sind verschiedene Scharen einer abhängigen Messgröße y5 dargestellt, die von einem Einflussparameter x5 abhängen. Die einzelnen Scharen resultieren dabei jeweils aus an drei verschiedenen Betriebspunkten durchgeführten Parametervariationen des Einflussparameters x5. Demzufolge bilden die Scharen drei Gruppen, die jeweils mit einer Modellfunktion, mit jeweils individu ell variierbaren Parametern, angepasst werden. Speziell wird eine erste Modellfunktion Y1, eine zweite Modellfunktion Y2 und eine dritte Modellfunktion Y3 verwendet. Die Funktion ist dabei von der Form F(x) = A·exp(x5/t) + b. Die Funktionen Y1, Y2 und Y3 unterscheiden sich somit höchstens in den Parametern A, t, oder b. -
4 zeigt einen Vergleich verschiedener Modelle. Die Abbildung zeigt eine Abhängigkeit eines mittleren effektiven Zylinderdruckes y1, eines indirekten Wirkungsgrades y2, einer Ladungswechselarbeit y3 und eines spezifischen Verbrauches y4 in Abhängigkeit eines Verdichtungsverhältnisses P5 für ein Basismodell, ein Modell A1 und ein Modell A2. Bei dem Basismodell erfolgt die Modellierung mit konstanter Brennfunktion wie im Basispunkt, der in den Abbildungen mit Basis bezeichnet ist. Beim Modell A1 erfolgt eine Modellierung mit einem Klopfmodell und beim Modell A2 erfolgt eine Modellierung mit einem Klopfmodell und einem Brennfunktionsmodell. Die gezeigten Modellierungen beziehen sich hierbei jeweils auf einen Motor bei Volllast bei 2500 Umdrehungen/min. Bei Berücksichtigung des Basismodells würde bei einer Erhöhung des Verdichtungsverhältnisses der Wirkungsgrad des betrachteten Motors theoretisch immer weiter ansteigen, was jedoch in der Realität aus wenigstens zwei Gründen nicht gegeben ist. Insbesondere nimmt bei einem steigenden Verdichtungsverhältnis eine Klopfintensität zu, der insbesondere mit einem späteren Zündzeitpunkt zu einem Schutz des Motors entgegengewirkt werden muss, was sich negativ auf einen Wirkungsgrad auswirkt. Insbesondere kann kein Zündzeitpunkt mehr gewählt werden, der im Hinblick auf einen Wirkungsgrad optimal ist. Des Weiteren stellt sich insbesondere durch einen späteren Zündzeitpunkt ein anderes Brennverhalten ein. Bei Berücksichtigung eines Klopfmodells und vorzugsweise bei zusätzlicher Verwendung eines Brennfunktionsmodells ist eine weitere Verschlechterung des Wirkungsgrades zu erkennen wie dies auch den Erfahrungen aus Prüfstandsversuchen in der Realität entspricht. Ähnliche nicht-monotone Verläufe ergeben sich bei Berücksichtigung eines Klopfmodells und insbesondere bei Berücksichtigung eines Klopfmodells mit einem Brennfunktionsmodell für die Abhängigkeiten des spezifischen Verbrauchs und des PME. Insbesondere zeigen diese Abhängigkeiten im betrachteten Verdichtungsverhältnisbereich ein Extremum im funktionellen Verlauf. Die so erzielten Abhängigkeiten werden vorzugsweise bei der Wahl eines Betriebspunktes einer Verbrennungskraftmaschine berücksichtigt.
Claims (21)
- Verfahren zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum, wobei anhand zumindest einer Datenbasis (
1 ), welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindestens einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind, wobei Betriebszustände zumindest eines Teiles der Betriebspunkte einer Datenbasis (1 ) mittels wenigstens eines Brennfunktionsmoduls (5 ) unter Verwendung wenigstens einer Modellfunktion (6 ) angepasst werden und anhand der angepassten Modellfunktion (6 ) zumindest ein geeigneter Einflussparametervektor (11 ) zur Erzielung eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder zur Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine ausgewählt wird. - Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass bei der Ermittlung eines Brennfunktionsmodells eine mehrdimensionale, insbesondere dreidimensionale, insbesondere zeitaufgelöste Simulation eines Brennverhaltens herangezogen wird.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Modellfunktion (
6 ) einer Einzelparameterabhängigkeit eine Funktion f(x) = s·x + b verwendet wird, wobei die Parameter folgende Werte annehmen: –1000 ≤ s ≤ 1000 sowie –5000 ≤ b ≤ 5000. - Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Modellfunktion (
6 ) einer Einzelparameterabhängigkeit eine Funktion f(x) = A·exp(x/t) + b verwendet wird, wobei die Parameter folgende Werte annehmen: 0,01 ≤ A ≤ 30000; 0,01 ≤ t ≤ 10000 sowie –7000 ≤ b ≤ 7000. - Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zur Auswahl einer Modellfunktion (
6 ) zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum basierend auf zumindest einer Datenbasis (1 ), welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindestens einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind, anhand von Betriebszuständen zumin dest eines Teiles der Betriebspunkte einer Datenbasis (1 ) eine funktionelle Abhängigkeit der Betriebszustände von den Einflussparametervektoren ermittelt wird. - Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Anpassung von Betriebszuständen mittels zumindest eines insbesondere trainierbaren neuronalen Netzes erfolgt.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels Inter- oder Extrapolation erfolgt.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels eines Optimierungsverfahrens erfolgt.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels einer zumindest lokalen Umkehrfunktion erfolgt.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Auswahl eines geeigneten Einflussparametervektors zur Erzielung eines Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine mittels zumindest eines insbesondere trainierbaren neuronalen Netzes erfolgt.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass wenigstens die folgenden Schritte ausgeführt werden: a. Extraktion einer Schar von Betriebspunkten aus zumindest einer Datenbasis (
1 ), in denen alle Einflussparameter bis auf einen ersten Einflussparameter zumindest innerhalb einer wählbaren Toleranz konstant sind, b. Wiederholung des vorigen Schrittes für wenigstens eine weitere Schar weiterer, in den gleichen übrigen Einflussparametern konstanter aber im Vergleich zum vorhergehenden Schritt verschiedener Betriebspunkte, c. Anpassung der jeweiligen Scharen aus den Schritten a) und b) mit jeweils einer von wenigstens einem Parameter abhängigen gleichen Funktion, wobei der oder die Parameter jeweils andere Werte annehmen können, d. Vorhersage eines Betriebszustandes an zumindest einem weiteren Betriebspunkt, insbesondere außerhalb der Messdatenbasis, und/oder e. Ermittlung zumindest eines geeigneten Einflussparametervektors zur Erzielung zumindest eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine. - Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass zumindest eine Schar aus den Schritten a) und/oder b) mit einer Ausgleichsfunktion geglättet wird, die in Schritt c) anstelle der jeweiligen Schar verwendet wird.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Einflussparameter eine Prozessgröße ist.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Einflussparameter ein Konstruktionsmerkmal ist.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass eine Ventilsteuerzeit und/oder eine Ventilsteuerzahl und/oder eine Drehzahl und/oder ein Restgasgehalt und/oder Last und/oder Luftverhältnis und/oder eine Zylindertemperatur und/oder ein Zylinderdruck ausgewählt, insbesondere eingestellt, wird.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Kraftstoffverbrauch und/oder ein Klopfverhalten und/oder ein Umsetzungswirkungsgrad beeinflusst wird.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass automatisiert Betriebszustände anhand zumindest teilweise verschiedener Einflussparametervektoren zur Erzeugung der zumindest einen Datenbasis (
1 ) eingestellt und erfasst werden. - Verbrennungskraftmaschine mit a. einer Datenakquisition zum Erfassen von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, in einem n-dimensionalen Einflussparameterraum zum Erzeugen zumindest einer Datenbasis (
1 ), welche Betriebspunkte enthält, die jeweils zumindest jeweils einen Einflussparametervektor und mindestens einen zugehörigen Messwert eines Betriebszustandes umfassen, wobei die Einflussparametervektoren zumindest teilweise verschieden sind, b. einer Auswertungseinheit, zur Ermittlung einer Abhängigkeit von Betriebszuständen von Einflussparametervektoren anhand von Betriebszuständen zumindest eines Teiles der Betriebspunkte einer Datenbasis (1 ) zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 14, c. einer Auswahleinheit, zur Auswahl zumindest eines weiteren Einflussparametervektors zur Erzielung eines weiteren Betriebszustandes der Verbrennungskraftmaschine und/oder Beeinflussung technischer Eigenschaften der Verbrennungskraftmaschine anhand der Abhängigkeit zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 17. - Verbrennungskraftmaschine nach Anspruch 18, dadurch gekennzeichnet, dass sie eine Steuerung zur automatischen sequentiellen Einstellung einer Vielzahl von Einflussparametervektoren und Erfassung daraus resultierender Betriebszustände zur Erzeugung der mindestens einen Datenbasis (
1 ) umfasst. - Datenverarbeitungssystem und/oder Motorsteuerung zur Vorhersage und/oder Auswahl von Betriebszuständen, insbesondere Brennverläufen und/oder eines Brennverhaltens, einer Verbrennungskraftmaschine in einem n-dimensionalen Einflussparameterraum, zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 17.
- Computerprogrammprodukt, mit Programmcode-Mitteln, die auf einem computerlesbaren Datenträger, insbesondere einem Mikrochip einer Motorsteuerung, gespeichert sind, um ein Verfahren nach wenigstens einem der Ansprüche 1 bis 17 durchzuführen, wenn das Programm auf einem Computer, insbesondere einem Computer einer Motorsteuerung, ausgeführt wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE200410054271 DE102004054271A1 (de) | 2004-11-09 | 2004-11-09 | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE200410054271 DE102004054271A1 (de) | 2004-11-09 | 2004-11-09 | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102004054271A1 true DE102004054271A1 (de) | 2006-05-11 |
Family
ID=36217292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE200410054271 Ceased DE102004054271A1 (de) | 2004-11-09 | 2004-11-09 | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102004054271A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009018735A1 (de) | 2009-04-27 | 2010-10-28 | Fev Motorentechnik Gmbh | Abgasrückführung |
FR2950143A1 (fr) * | 2009-09-11 | 2011-03-18 | Peugeot Citroen Automobiles Sa | Procede de generation d'une cartographie de controle moteur |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19520605C1 (de) * | 1995-06-06 | 1996-05-23 | Daimler Benz Ag | Verfahren und Einrichtung zur Regelung des Verbrennungsablaufs bei einem Otto-Verbrennungsmotor |
DE69028872T2 (de) * | 1989-05-18 | 1997-02-20 | Ford Werke Ag | Verfahren und Einrichtung zur Diagnose des elektronischen Steuersystems eines Kraftfahrzeuges mit Hilfe der Mustererkennung |
DE19754918A1 (de) * | 1996-12-10 | 1998-06-18 | Caterpillar Inc | Verbesserungen beim Komponentenmaschinentest unter Verwendung einer von einem neuralen Netzwerk verarbeiteten Schwingungsdatenanalyse |
DE4012278C2 (de) * | 1989-04-14 | 1999-05-06 | Hitachi Ltd | Betriebszustand-Diagnosevorrichtung |
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
EP1343060A1 (de) * | 2002-03-08 | 2003-09-10 | Siemens Aktiengesellschaft | Verfahren zur Simulation eines technischen Systems und Simulator |
DE10158480C1 (de) * | 2001-11-28 | 2003-10-09 | Omg Ag & Co Kg | Verfahren und Vorrichtung zum Betreiben eines Motors eines Kraftfahrzeuges |
DE10220124A1 (de) * | 2002-05-06 | 2003-11-27 | Prognost Systems Gmbh | Verfahren zur Überwachung des Zustands einer Maschine |
EP1394526A1 (de) * | 2002-08-30 | 2004-03-03 | Siemens Aktiengesellschaft | Verfahren zur Bewertung der Betriebsbedingungen einer Maschine oder einer Anlage |
EP0936351B1 (de) * | 1998-02-12 | 2004-07-21 | Yamaha Hatsudoki Kabushiki Kaisha | Verfahren und Einrichtung zur Optimalwertsteuerung eines Regelgegenstandes mit lernfähiger Steuerlogik |
DE10020448B4 (de) * | 2000-04-26 | 2005-05-04 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Optimierung des Betriebs eines Verbrennungsmotors |
-
2004
- 2004-11-09 DE DE200410054271 patent/DE102004054271A1/de not_active Ceased
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4012278C2 (de) * | 1989-04-14 | 1999-05-06 | Hitachi Ltd | Betriebszustand-Diagnosevorrichtung |
DE69028872T2 (de) * | 1989-05-18 | 1997-02-20 | Ford Werke Ag | Verfahren und Einrichtung zur Diagnose des elektronischen Steuersystems eines Kraftfahrzeuges mit Hilfe der Mustererkennung |
DE19520605C1 (de) * | 1995-06-06 | 1996-05-23 | Daimler Benz Ag | Verfahren und Einrichtung zur Regelung des Verbrennungsablaufs bei einem Otto-Verbrennungsmotor |
EP0747590B1 (de) * | 1995-06-06 | 2001-12-19 | DaimlerChrysler AG | Verfahren und Einrichtung zur Regelung des Verbrennungsablaufs bei einem Otto-Verbrennungsmotor |
DE19754918A1 (de) * | 1996-12-10 | 1998-06-18 | Caterpillar Inc | Verbesserungen beim Komponentenmaschinentest unter Verwendung einer von einem neuralen Netzwerk verarbeiteten Schwingungsdatenanalyse |
EP0936351B1 (de) * | 1998-02-12 | 2004-07-21 | Yamaha Hatsudoki Kabushiki Kaisha | Verfahren und Einrichtung zur Optimalwertsteuerung eines Regelgegenstandes mit lernfähiger Steuerlogik |
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
DE10020448B4 (de) * | 2000-04-26 | 2005-05-04 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Optimierung des Betriebs eines Verbrennungsmotors |
DE10158480C1 (de) * | 2001-11-28 | 2003-10-09 | Omg Ag & Co Kg | Verfahren und Vorrichtung zum Betreiben eines Motors eines Kraftfahrzeuges |
EP1343060A1 (de) * | 2002-03-08 | 2003-09-10 | Siemens Aktiengesellschaft | Verfahren zur Simulation eines technischen Systems und Simulator |
DE10220124A1 (de) * | 2002-05-06 | 2003-11-27 | Prognost Systems Gmbh | Verfahren zur Überwachung des Zustands einer Maschine |
EP1394526A1 (de) * | 2002-08-30 | 2004-03-03 | Siemens Aktiengesellschaft | Verfahren zur Bewertung der Betriebsbedingungen einer Maschine oder einer Anlage |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009018735A1 (de) | 2009-04-27 | 2010-10-28 | Fev Motorentechnik Gmbh | Abgasrückführung |
FR2950143A1 (fr) * | 2009-09-11 | 2011-03-18 | Peugeot Citroen Automobiles Sa | Procede de generation d'une cartographie de controle moteur |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102007021592B4 (de) | Verfahren für die erstellung eines maschinenkennfelds und -modells während eines entwicklungsprozesses einer brennkraftmaschine | |
DE112005003527B4 (de) | Verfahren für die Schätzung von Verbrennungsparametern | |
EP3194750B1 (de) | Verfahren zur erkennung von defekten einspritzdüsen eines verbrennungsmotors | |
WO2016170063A1 (de) | Verfahren und vorrichtung zur modellbasierten optimierung einer technischen einrichtung | |
DE102017218476A1 (de) | Verfahren und Vorrichtung zum Ermitteln von Emissionen | |
WO2014015974A2 (de) | Verbesserte versuchsdurchführung | |
WO2013131836A2 (de) | Verfahren zur emissionsoptimierung von verbrennungskraftmaschinen | |
DE102016208980A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Verbrennungsmotors | |
EP2748686A1 (de) | Verfahren zum erstellen einer funktion für ein steuergerät | |
DE102021002318A1 (de) | Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts | |
DE102019106991A1 (de) | Konsolidierung von beschränkungen in der modellprädiktiven steuerung | |
WO2021092639A1 (de) | Verfahren und system zum analysieren und/oder optimieren einer konfiguration einer fahrzeuggattung | |
WO2019057489A1 (de) | Verfahren und trainingsdatengenerator zum konfigurieren eines technischen systems sowie steuereinrichtung zum steuern des technischen systems | |
EP2088486B1 (de) | Verfahren zur Vermessung eines nichtlinearen dynamischen realen Systems mittels Versuchsplanung | |
DE102008057494A1 (de) | Verfahren zum Betrieb eines Verbrennungsmotors | |
EP1075594B1 (de) | Verfahren zur bestimmung von kennfelddaten zur kennfeldsteuerung eines verbrennungsmotors | |
WO2008043784A1 (de) | Verfahren und vorrichtung zur ermittlung einer betriebscharakteristik eines einspritzsystems | |
AT515055B1 (de) | Verfahren zur Simulation des Betriebs eines Verbrennungsmotors und Vorrichtung zur Durchführung des Verfahrens | |
DE102014213866B4 (de) | Abstimmung einer Brennkraftmaschine in der Entwicklung durch Kennfeldoptimierung hochdimensionaler Parameterräume | |
DE102006003156A1 (de) | Verfahren und Vorrichtung zur Vorhersage des Verlaufs einer zeitlich veränderlichen Größe | |
DE102004054271A1 (de) | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine | |
WO2022053613A1 (de) | Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils mithilfe maschineller lernverfahren | |
WO2022053626A1 (de) | Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils mithilfe maschineller lernverfahren | |
DE102020003746A1 (de) | Erstellen von kennfeldern für eine steuerung eines verbrennungsmotors | |
DE102020214474A1 (de) | Verfahren und Vorrichtung zum Erstellen eines Emissionsmodells eines Verbrennungsmotors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
OP8 | Request for examination as to paragraph 44 patent law | ||
R082 | Change of representative |
Representative=s name: PATENTANWAELTE MAXTON LANGMAACK & PARTNER, DE Representative=s name: PATENTANWAELTE MAXTON LANGMAACK & PARTNER, 50968 K |
|
R081 | Change of applicant/patentee |
Owner name: FEV GMBH, DE Free format text: FORMER OWNER: FEV MOTORENTECHNIK GMBH, 52078 AACHEN, DE Effective date: 20120509 Owner name: FEV EUROPE GMBH, DE Free format text: FORMER OWNER: FEV MOTORENTECHNIK GMBH, 52078 AACHEN, DE Effective date: 20120509 |
|
R082 | Change of representative |
Representative=s name: PATENTANWAELTE MAXTON LANGMAACK & PARTNER, DE Effective date: 20120509 Representative=s name: VON KREISLER SELTING WERNER - PARTNERSCHAFT VO, DE Effective date: 20120509 |
|
R016 | Response to examination communication | ||
R082 | Change of representative |
Representative=s name: VON KREISLER SELTING WERNER - PARTNERSCHAFT VO, DE |
|
R082 | Change of representative | ||
R084 | Declaration of willingness to licence | ||
R081 | Change of applicant/patentee |
Owner name: FEV EUROPE GMBH, DE Free format text: FORMER OWNER: FEV GMBH, 52078 AACHEN, DE |
|
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |