DE102007020355B4

DE102007020355B4 - Motorsteuersystem und Verfahren zur Erkennung einer Fehlfunktion in einem Drehmomentsteuerungspfad

Info

Publication number: DE102007020355B4
Application number: DE102007020355.3A
Authority: DE
Inventors: Jinchun Peng; Timothy J. Hartrey
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2006-05-02
Filing date: 2007-04-30
Publication date: 2014-05-22
Anticipated expiration: 2027-05-01
Also published as: US20070260389A1; DE102007020355A1; US8818676B2; CN101067401A; CN100532812C

Abstract

Motorsteuersystem, das umfasst: ein Drehmomentanforderungs-Steuermodul, das eine erste Motordrehmomentanforderung bestimmt; ein auf einem künstlichen neuronalen Netz (KNN) basierendes Drehmomentanforderungsmodul, das anhand eines KNN-Modells eine zweite Motordrehmomentanforderung bestimmt; und ein Drehmomentsicherheits-Prüfmodul, das anhand einer Differenz zwischen der ersten Motordrehmomentanforderung und der zweiten Motordrehmomentanforderung ein Fehlfunktionssignal erzeugt.

Description

GEBIET DER ERFINDUNG
Die vorliegende Erfindung bezieht sich allgemein auf ein Motorsteuersystem und ein Verfahren zur Erkennung einer Fehlfunktion in einem Drehmomentsteuerungspfad.
HINTERGRUND DER ERFINDUNG
Herkömmlicherweise werden Kraftfahrzeuge durch eine Brennkraftmaschine angetrieben, die ein Drehmoment erzeugt. Auf der Grundlage einer Fahrereingabe wie etwa eines Fahrpedals oder eines automatischen Geschwindigkeitsregelungssystems und einer Fahrzeuggeschwindigkeit wird eine Drehmomentanforderung erzeugt. Die Drehmomentanforderung wird über einen Drehmomentsteuerpfad übertragen, um das Motorausgangsdrehmoment zu regulieren.
Bei manchen Fahrzeugen ist der Drehmomentsteuerungspfad wegen der Anfälligkeit von prozessorgestützten Steuersystemen und der Möglichkeit verschiedener elektronischer Fehler durch einen Drehmomentsteuerungssicherheitspfad ergänzt. Jedoch könnte es wegen der verbreiteten Fehlerarten bei der Algorithmusformulierung, den Algorithmusberechnungen und/oder der Benutzung der Arithmetik-Logik-Einheit (ALU) misslingen, dass der Drehmomentsicherheitssteuerungspfad Fehlfunktionen im Drehmomentsteuerungspfad erkennt.
Der Erfindung liegt daher die Aufgabe zu Grunde, zumindest eine Realisierung anzugehen, mit der Fehlfunktionen in einem Drehmomentsteuerungspfad zuverlässig erkannt werden können.
ZUSAMMENFASSUNG DER ERFINDUNG
Diese Aufgabe wird mit einem Motorsteuersystem mit den Merkmalen des Anspruchs 1 und mit einem Verfahren mit den Merkmalen des Anspruchs 11 gelöst.
Das Motorsteuersystem umfasst ein Drehmomentanforderungs-Steuermodul, um eine erste Motordrehmomentanforderung zu bestimmen. Ein auf einem künstlichen neuronalen Netz (KNN) basierendes Drehmomentanforderungsmodul bestimmt anhand eines KNN-Modells eine zweite Motordrehmomentanforderung. Ein Drehmomentsicherheits-Prüfmodul erzeugt anhand der Differenz zwischen der ersten Motordrehmomentanforderung und der zweiten Motordrehmomentanforderung wahlweise ein Fehlfunktionssignal.
Gemäß einem Merkmal basieren die erste und die zweite Motordrehmomentanforderung auf einem Reisegeschwindigkeits-Drehmomentanforderungssignal, einem Motordrehzahlsignal und einem Pedalpositionssignal.
Gemäß einem weiteren Merkmal umfasst das Motorsteuersystem ein Drehmomentsteuermodul, das ein Steuersignal an ein Motorsystem ausgibt, um die erste Motordrehmomentanforderung zu erzeugen.
Gemäß einem nochmals weiteren Merkmal erzeugt das Drehmomentsicherheits-Prüfmodul das Fehlfunktionssignal, wenn die Differenz zwischen der ersten Drehmomentanforderung und der zweiten Drehmomentanforderung größer als ein vorgegebener Wert ist. Das KNN-Modell wird aktualisiert, wenn die Differenz zwischen dem ersten Motordrehmoment und dem zweiten Motordrehmoment kleiner als ein vorgegebener Wert ist.
Gemäß einem nochmals weiteren Merkmal umfasst das Motorsteuersystem ein Abschaltmodul, das auf das Empfangen des Fehlfunktionssignals hin ein Abschaltsignal für ein Kraftstoffeinspritzsystem erzeugt.
Gemäß einem Merkmal umfasst das KNN-Modell einen Particle-Swarm-Optimierungs-Algorithmus, der verwendet wird, wenn das KNN-Modell aktualisiert wird. Das KNN-Modell ist ein Feed-Forward-System. Das KNN-Modell empfängt eine Fahrpedalpositionseingabe, eine Motordrehzahleingabe und eine Reisegeschwindigkeitsanforderungseingabe.
Gemäß einem nochmals weiteren Merkmal umfasst ein Motorsystem das Motorsteuersystem und ein Motorsteuermodul, das das Drehmomentanforderungs-Steuermodul, das KNN-Drehmomentanforderungsmodul und das Drehmomentsicherheits-Prüfmodul enthält.
Weitere Anwendungsgebiete der vorliegenden Erfindung werden aus der im Folgenden gegebenen genauen Beschreibung deutlich.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Die vorliegende Erfindung wird umfassender verständlich aus der genauen Beschreibung und den beigefügten Zeichnungen; in diesen zeigt:
1 einen funktionalen Blockschaltplan eines Motorsystems gemäß der vorliegenden Erfindung;
2 einen funktionalen Blockschaltplan des Motorsteuermoduls (ECM) gemäß der vorliegenden Erfindung;
3 ein Modell für künstliches neuronales Netz (KNN) gemäß der vorliegenden Erfindung;
4 einen Ablaufplan, der Schritte zum Aktualisieren des KNN-Modells gemäß der vorliegenden Erfindung zeigt; und
5 einen Ablaufplan, der Schritte zum Bestimmen einer Drehmomentanforderungs-Fehlfunktion zeigt.
GENAUE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Die Begriffe ”Modul” und/oder ”Vorrichtung”, wie sie hier verwendet werden, beziehen sich auf eine anwendungsspezifische integrierte Schaltung (ASIC), eine elektronische Schaltung, einen Prozessor (gemeinsam genutzt, eigens zugewiesen oder für eine Gruppe) mit Speicher, der ein oder mehrere Software- oder Firmwareprogramme ausführt, eine kombinatorische Logikschaltung und/oder andere geeignete Komponenten, die die beschriebene Funktionalität verschaffen.
Gemäß der vorliegenden Erfindung ist der Drehmomentsteuerungssicherheitspfad unabhängig von dem Drehmomentsteuerungspfad, um verbreitete Fehlerarten zu vermeiden. Genauer ist der Drehmomentsteuerungssicherheitspfad von dem Drehmomentsteuerungspfad hinsichtlich der Eingangssignalerfassung, der Algorithmusformulierung, der Algorithmusberechnung und/oder der ALU-Benutzung unabhängig. Bei manchen Implementierungen wird ein Modell für künstliches neuronales Netz (KNN) verwendet, um den Drehmomentsteuerungssicherheitspfad von dem Drehmomentsicherheitspfad zu entkoppeln. Das KNN-Modell ist so entworfen, dass es die neuronale Struktur des Gehirns emuliert. Das KNN-Modell erkennt durch einen Lernprozess Muster in einer Datensammlung und erzeugt für jene Daten eine gewünschte Ausgabe.
In 1 umfasst ein Motorsystem 11 einen Motor 12 und ein Getriebe 14. Der Motor 12 erzeugt ein Antriebsdrehmoment, um das Getriebe 14 anzutreiben. Genauer saugt der Motor 12 Luft in einen Einlasskrümmer 16 und verteilt die Luft an Zylinder (nicht gezeigt), wo sie mit Kraftstoff kombiniert wird, um ein Luft/Kraftstoff-Gemisch zu bilden. Eine Kraftstoffeinspritzvorrichtung (nicht gezeigt) spritzt Kraftstoff ein, der mit Luft, wenn sie in die Zylinder gesaugt wird, kombiniert wird. Die Kraftstoffeinspritzvorrichtung kann eine Einspritzvorrichtung sein, die einem elektronischen oder mechanischen Kraftstoffeinspritzsystem 18 zugeordnet ist. Das Kraftstoffeinspritzsystem 18 wird so gesteuert, dass es in jedem Zylinder ein gewünschtes Luft-Kraftstoff-(L/K)-Verhältnis bewirkt.
Ein Motorsteuermodul (ECM) 20 erzeugt anhand von Daten von einem Pedalpositionssensor 22, einem Fahrzeuggeschwindigkeitssensor 26 und einem Reisegeschwindigkeits-Drehmomentanforderungsmodul 28 eine Antriebsdrehmomentanforderung. Wohlgemerkt kann das ECM 20 ein oder mehrere Steuermodule umfassen. Das ECM 20 kommuniziert mit einem Abschaltmodul 32, das das Kraftstoffeinspritzsystem 18 während einer Drehmomentanforderungs-Fehlfunktion sperrt.
In 2 umfasst das ECM 20 ein Drehmomentanforderungs-Steuermodul 40 und ein KNN-Drehmomentanforderungsmodul 42. Das Drehmomentanforderungs-Steuermodul 40 bestimmt in einer herkömmlichen Weise eine erste Motordrehmomentanforderung anhand eines Pedalpositionssignals 43, eines Fahrzeuggeschwindigkeitssignals 44 und eines Reisegeschwindigkeits-Drehmomentanforderungssignals 45. Das KNN-Drehmomentanforderungsmodul 42 bestimmt eine zweite Motordrehmomentanforderung, indem es das Pedalpositionssignal 43, das Fahrzeuggeschwindigkeitssignal 44 und das Reisegeschwindigkeits-Drehmomentanforderungssignal 45 durch ein KNN-Modell verarbeitet. Ein Drehmomentsteuermodul 46 gibt ein Steuersignal 48 an das Motorsystem 11 aus, um die erste Motordrehmomentanforderung zu erzeugen. Ein Drehmomentsicherheits-Prüfmodul 50 empfängt ein Drehmomentanforderungssignal 49 von dem Drehmomentanforderungs-Steuermodul 40 und ein KNN-Drehmomentanforderungssignal 54 von dem KNN-Drehmomentanforderungsmodul 42. Das Drehmomentsicherheits-Prüfmodul 50 bestimmt wahlweise eine Drehmomentanforderungs-Fehlfunktion. Das KNN-Modell basiert auf einer Differenz zwischen den Drehmomentanforderungen von den Modulen 40 und 42. Wohlgemerkt können verschiedenartige Konfigurationen eines künstlichen neuronalen Netzes (KNN) vorkommen.
Wenn der Fehlfunktionszustand eintritt, gibt das Drehmomentsicherheits-Prüfmodul 50 ein Fehlfunktionssignal 56 an das Abschaltmodul 32 aus. Das Abschaltmodul 32 sperrt das Kraftstoffeinspritzsystem 18, um den Motor 11 abzuschalten.
In 3 ist ein KNN-Modell 70 ein Beispiel eines Feed-Forward-Netzes gemäß der vorliegenden Erfindung. Ein Feed-Forward-Netz basiert auf der sequentiellen Bewegung von Daten durch Schichten des KNN-Modells 70. Eine Eingabeschicht 72 empfängt Eingangsparameter 74 wie etwa die Fahrzeuggeschwindigkeit, die Reisegeschwindigkeits-Drehmomentanforderung und die Fahrpedalposition. Eine mittlere Schicht 76, die auch als versteckte Schicht bekannt ist, wendet in mehreren Funktionen 78 die Multiplikation der Eingangsparameter 74 mit den entsprechenden Gewichten 82 an. Die Ausgabeschicht 80 berechnet anhand der von der mittleren Schicht 76 weitergeleiteten Berechnungen eine Ausgabe.
In dem KNN-Modell 70 verbinden mehrere Gewichte 82 mehrere Knoten 78 zwischen Schichten. Die Gewichte 82 enthalten jeweils einen spezifischen Wert. Die Gewichte 82 ermöglichen dem KNN-Modell 70, auf der Grundlage der Erfahrung aus früherem Lernen verschiedene Knoten 78 zu beeinflussen.
Während der Entwicklungsphase wird das KNN-Modell 70 offline anhand von Trainingssätzen oder online am Fahrzeug trainiert. Beim Offline-Training wird die Drehmomentanforderung gemäß im Voraus bestimmter Parameterwerte, die auf gemessenen Werten aus dem realen Fahrzeugbetrieb basieren, bestimmt. Die entsprechenden Drehmomentanforderungen werden aufgezeichnet und mit den Eingangsparameterwerten so integriert, dass sie zu Trainingssätzen werden. Das KNN-Modell 70 verarbeitet die Trainingssätze, um Lernmuster zu entwickeln. Die Lernmuster werden entwickelt, indem die Gewichte 82 in dem KNN-Modell 70 so eingestellt werden, dass die Ausgabe durch das KNN-Modell 70 gleich der bestimmten Drehmomentanforderung des Trainingssatzes ist.
Beim Online-Training (normaler Fahrzeugbetrieb) bestimmt das KNN-Modell 70 die Drehmomentanforderung anhand eines Fahrpedalpositionssignals 43, eines Fahrzeuggeschwindigkeitssignals 44 und eines Reisegeschwindigkeits-Drehmomentanforderungssignals. Die Lernmuster werden während des normalen Fahrzeugbetriebs entwickelt, indem die Gewichte 82 in dem KNN-Modell 70 so eingestellt werden, dass die Ausgabe durch das KNN-Modell 70 der Drehmomentanforderungsausgabe von dem Drehmomentanforderungsmodul nahe kommt. In dem realen Fahrzeugbetrieb verwendet das KNN-Modell 70 seine anhand des vorhergehenden Trainings entwickelten Lernmuster, um die Drehmomentanforderung zu bestimmen.
In 4 zeigt ein Ablaufplan die Schritte des Trainierens des KNN-Modells 70 gemäß der vorliegenden Erfindung. Im Schritt 110 bestimmt das Drehmomentanforderungs-Steuermodul 40 in einer herkömmlichen Weise eine Drehmomentanforderung (T_REQ). Im Schritt 120 bestimmt das auf einem neuronalen Netz basierende Drehmomentanforderungsmodul 42 durch das KNN-Modell 70 eine Drehmomentanforderung (T_REQNN). Im Schritt 130 berechnet die Steuerung die Drehmomentanforderungsdifferenz (T_DIFF). Genauer kann T_DIFF ein Wert sein, der berechnet wird, indem T_REQNN und T_REQ voneinander subtrahiert werden, oder ein Wert sein, der berechnet wird, indem eine Prozentdifferenz zwischen T_REQ und T_REQNN gefunden wird. Im Schritt 140 bestimmt die Steuerung, ob T_DIFF kleiner als ein vorgegebener Schwellenwert (T_DIFFTHR) ist. Wenn T_DIFF kleiner als T_DIFFTHR ist, geht die Steuerung zum Schritt 150 weiter; andernfalls endet die Steuerung. Im Schritt 150 stellt das KNN-Modell 70 dann anhand von T_DIFF die Gewichte 82 ein. Dies ermöglicht einen Abgleich der durch das KNN-Modell 70 bestimmten Drehmomentanforderung auf die durch das Drehmomentanforderungsmodul 40 bestimmte Drehmomentanforderung.
In 5 zeigt ein Ablaufplan die Schritte des Bestimmens einer Drehmomentanforderungs-Fehlfunktion gemäß der vorliegenden Erfindung. Im Schritt 210 bestimmt das Drehmomentanforderungs-Steuermodul 40 in einer herkömmlichen Weise eine Drehmomentanforderung (T_REQ). Im Schritt 220 bestimmt das auf einem neuronalen Netz basierende Drehmomentanforderungsmodul 42 durch das KNN-Modell 70 eine Drehmomentanforderung (T_REQNN). Im Schritt 230 berechnet die Steuerung die Drehmomentanforderungsdifferenz (T_DIFF). Genauer kann T_DIFF ein Wert sein, der berechnet wird, indem T_REQNN und T_REQ voneinander subtrahiert werden, oder ein Wert sein, der berechnet wird, indem eine Prozentdifferenz zwischen T_REQ und T_REQNN gefunden wird. Im Schritt 240 wird T_DIFF mit T_DIFFTHR verglichen, was eine Grenze zwischen einem Fehlfunktionszustand und einem Normalzustand in dem Drehmomentanforderungs-Steuerungspfad festlegt. Wenn T_DIFF größer als T_DIFFTHR ist, erzeugt die Steuerung im Schritt 250 das Fehlfunktionssignal 56; andernfalls endet die Steuerung. Im Schritt 260 sperrt die Steuerung das Kraftstoffeinspritzsystem 18, um den Motor 12 abzuschalten.
In dem KNN-Modell 70 kann ein als Particle-Swarm-Optimierung (PSO) bekannter Algorithmus implementiert sein. Der PSO-Algorithmus modelliert das soziale Verhalten von Organismen wie etwa eines Vogelschwarms oder eines Fischschwarms. Genauer berücksichtigt PSO die Erfahrung eines Nachbarelements, um Gebrauch von dem besten Ergebnis, das ihm selbst und seinem Nachbar begegnet, zu machen. Somit kombiniert PSO Suchverfahren, die eine Abwägung zwischen Untersuchung und Auswertung versuchen, um eine Lösung zu optimieren.
Beispielsweise wird dann, wenn das Drehmomentsicherheits-Prüfmodul 50 einen Aktualisierungszustand für das KNN-Modell 70 bestimmt, ein PSO-Algorithmus verwendet. Das KNN-Modell 70 besitzt einen Bereich von Werten für jedes der Gewichte 82. Der PSO-Algorithmus wählt anhand seiner vorherigen Lernmuster Werte für jedes der Gewichte 82 aus. Die Werte der Gewichte 82, die ein Ergebnis produzieren, das der Drehmomentanforderung am nächsten kommt, werden als Basis für das Festlegen neuer Werte für jedes der Gewichte 82 genommen. In dieser Weise erreicht PSO schließlich für jedes der Gewichte 82 einen optimalen Wert.

Claims

Motorsteuersystem, das umfasst: ein Drehmomentanforderungs-Steuermodul, das eine erste Motordrehmomentanforderung bestimmt; ein auf einem künstlichen neuronalen Netz (KNN) basierendes Drehmomentanforderungsmodul, das anhand eines KNN-Modells eine zweite Motordrehmomentanforderung bestimmt; und ein Drehmomentsicherheits-Prüfmodul, das anhand einer Differenz zwischen der ersten Motordrehmomentanforderung und der zweiten Motordrehmomentanforderung ein Fehlfunktionssignal erzeugt.
Motorsteuersystem nach Anspruch 1, bei dem die erste und die zweite Motordrehmomentanforderung auf einem Reisegeschwindigkeits-Drehmomentanforderungssignal, einem Fahrzeuggeschwindigkeitssignal und einem Pedalpositionssignal basieren.
Motorsteuersystem nach Anspruch 1, das ferner ein Drehmomentsteuermodul umfasst, das ein Steuersignal an ein Motorsystem ausgibt, um die erste Motordrehmomentanforderung zu erzeugen.
Motorsteuersystem nach Anspruch 1, bei dem das Drehmomentsicherheits-Prüfmodul das Fehlfunktionssignal erzeugt, wenn die Differenz größer als ein vorgegebener Wert ist.
Motorsteuersystem nach Anspruch 1, das ferner ein Abschaltmodul umfasst, das auf das Empfangen des Fehlfunktionssignals hin ein Abschaltsignal für ein Kraftstoffeinspritzsystem erzeugt.
Motorsteuersystem nach Anspruch 4, bei dem das KNN-Modell aktualisiert wird, wenn die Differenz kleiner als der vorgegebene Wert ist.
Motorsteuersystem nach Anspruch 6, bei dem das KNN-Modell ferner einen Particle-Swarm-Optimierungs-Algorithmus umfasst, der verwendet wird, wenn das KNN-Modell aktualisiert wird.
Motorsteuersystem nach Anspruch 1, bei dem das KNN-Modell ein Feed-Forward-System ist.
Motorsteuersystem nach Anspruch 1, bei dem das KNN-Modell eine Fahrpedalpositionseingabe, eine Fahrzeuggeschwindigkeitseingabe und eine Reisegeschwindigkeits-Drehmomentanforderungseingabe empfängt.
Motorsystem, das das Motorsteuersystem nach Anspruch 1 umfasst und ferner ein Motorsteuermodul umfasst, das das Drehmomentanforderungs-Steuermodul, das das auf einem künstlichen neuronalen Netz (KNN) basierende Drehmomentanforderungsmodul und das Drehmomentsicherheits-Prüfmodul enthält.
Verfahren, das eine Fehlfunktion in einem Drehmomentsteuerungspfad bestimmt und umfasst: Bestimmen einer ersten Motordrehmomentanforderung; Bestimmen einer zweiten Motordrehmomentanforderung anhand eines KNN-Modells; und wahlweises Erzeugen eines Fehlfunktionssignals anhand einer Differenz zwischen der ersten Motordrehmomentanforderung und der zweiten Motordrehmomentanforderung.
Verfahren nach Anspruch 11, bei dem die erste und die zweite Motordrehmomentanforderung auf einem Reisegeschwindigkeits-Drehmomentanforderungssignal, einem Fahrzeuggeschwindigkeitssignal und einem Pedalpositionssignal basieren.
Verfahren nach Anspruch 11, das ferner das Ausgeben eines Steuersignals an ein Motorsystem, um die erste Motordrehmomentanforderung zu erzeugen, umfasst.
Verfahren nach Anspruch 11, das ferner das Erzeugen des Fehlfunktionssignals, wenn die Differenz größer als ein vorgegebener Wert ist, umfasst.
Verfahren nach Anspruch 11, das ferner das Erzeugen eines Abschaltsignals für ein Kraftstoffeinspritzsystem auf das Empfangen des Fehlfunktionssignals hin umfasst.
Verfahren nach Anspruch 14, das ferner das Aktualisieren des KNN-Modells, wenn die Differenz kleiner als der vorgegebene Wert ist, umfasst.
Verfahren nach Anspruch 16, das ferner das Aktualisieren des KNN-Modells mit Hilfe eines Particle-Swarm-Optimierungs-Algorithmus, umfasst.