-
HINTERGRUND DER ERFINDUNG
-
1. Gebiet der Erfindung
-
Diese Erfindung bezieht sich im Allgemeinen auf ein Verfahren zum Identifizieren von Leistungskennlinien von Kraftstoffeinspritzdüsen während des Fahrzeugmotorbetriebs und insbesondere auf ein System und ein Verfahren zum Identifizieren und Charakterisieren der Durchflussraten von Kraftstoffeinspritzdüsen während eines Fahrzeugmotorbetriebs, das in Echtzeit stattfindet und selbstlernend ist.
-
2. Erörterung des Standes der Technik
-
Fast alle Fahrzeugmotoren, die derzeit in Produktion sind, verwenden eher Kraftstoffeinspritzdüsen als Vergaser. Kraftstoffeinspritzdüsen können individuelle Mengen von Kraftstoff zu jedem Zylinder in einem Motor zuführen und sind für Echtzeit-Steuersysteme dienlich. Da jedoch die Bedürfnisse an Motorleistung und Kraftstoffeffizienz zunehmen, wird es immer wichtiger, die Menge an Kraftstoff, die eine Kraftstoffeinspritzdüse bei jedem Einspritzdüsenimpuls oder -zyklus zuführt, zu verstehen und genau vorherzusagen. Dies ist in Anbetracht der Herstellungstoleranzen und anderer Variationen, die von einer individuellen Einspritzdüse zur anderen existieren können, schwierig mit hoher Präzision durchzuführen. Der Bedarf an einer genauen Vorhersage der Einspritzdüsenleistung ist bei Motoren mit fortschrittlicher Technologie, die in einem Zyklus einer homogenen Kompressionszündung (HCCI) arbeiten, bei Dualmodusmotoren, die entweder in einem Fremdzündungszyklus oder in einem Zyklus einer homogenen Kompressionszündung (SI/HCCI) arbeiten, und bei Dieselmotoren besonders wichtig.
-
Eine typische Kennlinie für eine Kraftstoffeinspritzdüse misst die Menge an Kraftstoff, die die Einspritzdüse zuführt, als Funktion der Impulsbreite (Zeit) der Einspritzung. Eine solche Kennlinie kann durch Laborprüfung für irgendein gegebenes Modell von Kraftstoffeinspritzdüse bei irgendeinem speziellen Kraftstoffverteilerdruck erstellt werden. In einem Vier-Zylinder-Motor, in dem vier Kraftstoffeinspritzdüsen desselben Modells verwendet werden, weicht jedoch beispielsweise jede Einspritzdüse geringfügig von der nominalen Kennlinie ab. Diese Abweichungen machen es für einen Motorcontroller sehr schwierig, die Menge an pro Zyklus eingespritztem Kraftstoff präzise zu steuern, was folglich zu einem übermäßigen Kraftstoffverbrauch, einer unvollständigen Verbrennung und anderen unerwünschten Effekten führt.
-
Was erforderlich ist, ist ein Verfahren, um zu ermöglichen, dass ein Motorcontroller während des Echtzeit-Motorbetriebs die Leistungskennlinien jeder individuellen Kraftstoffeinspritzdüse im Motor lernt und adaptiv auf Änderungen in der Betriebsumgebung anspricht. Diese Fähigkeit würde zu einer besseren Steuerung der Kraftstoffeinspritzmengen führen, was signifikante Verbesserungen in der Motorleistung und im Motorwirkungsgrad ergeben würde. Sie könnte sogar die Verwendung von HCCI-Motoren im großen Maßstab ermöglichen, was bis jetzt aufgrund der Schwierigkei ten beim Steuern der Verbrennung nicht möglich war.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Gemäß den Lehren der vorliegenden Erfindung werden ein System und ein Verfahren zur selbstlernenden Echtzeit-Identifikation der Kraftstoffeinspritzdüsen-Leistungskennlinien während des Motorbetriebs offenbart. Das System umfasst einen Algorithmus für einen Motorcontroller, der ermöglicht, dass der Controller die Korrelation zwischen der Kraftstoffmasse und der Impulsbreite für jede Einspritzdüse im Motor in Echtzeit lernt, während der Motor läuft. Der Controller erkennt fortschreitend diejenigen Impulsbereiten, die die gewünschte Kraftstoffmasse erreichen, und passt kontinuierlich das, was er gelernt hat, auf der Basis von verschiedenen Eingangsveränderungen an, wie z. B. Temperatur und Kraftstoffverteilerdruck. Der Controller verwendet dann die gelernte tatsächliche Leistung jeder Einspritzdüse, um die Impulsbreite zu befehlen, die erforderlich ist, um die gewünschte Menge an Kraftstoff für jeden Zylinder in jedem Zyklus zu erreichen.
-
Zusätzliche Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung und den beigefügten Ansprüchen in Verbindung mit den begleitenden Zeichnungen ersichtlich.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
1 ist ein Graph, der Kraftstoffeinspritzdüsen-Kennlinien enthält;
-
2 ist ein Blockdiagramm eines Systems zum Schaffen einer selbstlernenden Echtzeit-Identifikation von Kraftstoffeinspritzdüsen;
und
-
3 ist ein Ablaufplandiagramm, das einen Lernprozess für das in 2 gezeigte System zeigt.
-
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
-
Die folgende Erörterung der Ausführungsformen der Erfindung, die auf ein System und Verfahren zum Identifizieren von Kraftstoffeinspritzdüsen-Leistungskennlinien während des Fahrzeugmotorbetriebs gerichtet sind, ist dem Wesen nach lediglich beispielhaft und soll die Erfindung oder ihre Anwendungen oder Verwendungen keineswegs begrenzen.
-
Motoren mit homogener Kompressionszündung (HCCI) wurden für viele Jahre experimentell untersucht. HCCI-Motoren verwenden das Otto-Verfahren ebenso wie herkömmliche Motoren mit Fremdzündung (SI). In HCCI-Motoren wird jedoch kein Zündfunke verwendet, um die Verbrennung auszulösen. Vielmehr geschieht in HCCI-Motoren die Verbrennung spontan über die gesamte Ladung von Luft und Kraftstoff infolge dessen, dass das Luft/Kraftstoff-Gemisch während der Kompression eine kritische Temperatur und einen kritischen Druck erreicht. HCCI-Motoren bieten das Versprechen von niedrigeren Emissionen von Stickoxiden als Dieselmotoren und einer höheren Kraftstoffeffizienz als SI-Motoren. Obwohl die Vorteile von HCCI-Motoren beträchtlich sind, sind dies ebenso die Herausforderungen bei ihrem Betrieb unter realen Bedingungen. Eine stabile HCCI-Verbrennung kann nur erreicht werden, wenn das Luft/Kraftstoff-Verhältnis (A/F-Verhältnis) genau gesteuert wird. Die A/F-Verhältnis-Steuerherausforderungen haben die weitverbreitete Verwendung von HCCI-Motoren in der Vergangenheit verhindert. Eine genaue Vorhersage der Kraftstoffeinspritzdüsenleistung kann ein Haupthelfer für die Verwendung von HCCI-Motoren sein und kann auch für herkömmliche Fremdzündungs- und Dieselmotoren vorteilhaft sein.
-
Die Identifikation und Charakterisierung der Leistung von Kraftstoffeinspritzdüsen, die in SI-, HCCI- oder Dieselmotoren verwendet werden, ist eine allgemeine Aufgabe in der Kraftfahrzeugindustrie. Das Identifizieren der Kennlinie einer Kraftstoffeinspritzdüse, die in einem Verbrennungsmotor verwendet wird, ist ein Offline-Prozess, in dem verschiedene Verfahren in einer Testkammer iterativ verwendet werden. Diese Testverfahren zielen darauf ab, die Menge an Kraftstoff, die durch eine Einspritzdüse zugeführt wird, als Funktion der Impulsbreite oder der Zeit, die die Einspritzdüse offen ist, zu bestimmen. 1 ist ein Graph, der Kennlinien für vier Kraftstoffeinspritzdüsen desselben Modells zusammen mit einer nominalen oder Grundlinienkurve enthält. Der Graph trägt die durch jede Einspritzdüse zugeführte Kraftstoffmasse auf der vertikalen Achse als Funktion der Impulsbreite oder Zeit der Einspritzung auf der horizontalen Achse für einen gegebenen Kraftstoffverteilerdruck auf. Eine Grundlinienkennlinie kann als Mittelwert der Kurven einer Anzahl von Kraftstoffeinspritzdüsen desselben Modells erstellt werden, wie auf dem Graphen gezeigt. Aufgrund von Herstellungstoleranzen und einer anderen Variabilität weicht jedoch jede individuelle Einspritzdüse eines speziellen Modells geringfügig von der Grundlinie ab, wie im Graphen beobachtet werden kann. Die Abweichung könnte eine Verschiebung der Kurve entlang entweder der Zeitachse oder der Kraftstoffmassenachse oder eine Änderung der Steigung oder Kurvenform oder eine Kombination dieser Effekte umfassen. Außerdem ändert sich die Kennlinie einer Kraftstoffeinspritzdüse, wenn sich die Betriebsbedingungen wie z. B. Temperatur und Kraftstoffverteilerdruck verändern.
-
Daher wird es zu einer sehr anspruchsvollen Aufgabe, ein mathematisches Modell der Dynamik der Einspritzdüse abzuleiten, das das Ansprechen einer Einspritzdüse auf alle voraussichtlichen Eingangsveränderungen angemessen vorhersagen kann und folglich die statische Korrelationsbeziehung zwischen der Kraftstoffmasse und der Impulsbreite geeignet anpassen kann. Die exakte Modellierung dieses komplexen Konstruktionssystems ist unausführbar. Folglich kann die Kraftstoffeinspritz-Kalibrierungsanpassung nicht effektiv implementiert werden, was zu Ungleichgewichtseffekten zwischen den Zylindern eines Motors führt. Das heißt, da die Menge an eingespritztem Kraftstoff aufgrund von Unterschieden zwischen individuellen Kraftstoffeinspritzdüsen nicht genau gesteuert werden kann, variiert das A/F-Verhältnis von Zylinder zu Zylinder, was zu einer weniger als optimalen Leistung, Effizienz und weniger als optimalen Emissionen führt.
-
Diese Erfindung schlägt eine theoretische Gerüst- und Algorithmusimplementierung vor, die ermöglicht, dass ein Controller die Korrelation zwischen der Kraftstoffmasse und der Impulsbreite für individuelle Kraftstoffeinspritzdüsen in Echtzeit lernt, während ein Motor läuft. 2 ist ein Blockdiagramm eines Systems 20, das eine selbstlernende Steuerung der Kraftstoffeinspritzdüsen umfasst. Durch Treten auf ein Fahrpedal in einem Fahrzeug liefert ein Fahrer eine Eingabe im Kasten 22, die der Motor in eine gewünschte Menge an Kraftstoffzufuhr umsetzen kann. Wenn ein Fahrzeug neu ist und kein Lernverlauf vorhanden ist, auf den es sich verlassen kann, ist eine anfängliche Kalibrierung der Kraftstoffeinspritzdüsen, die im Speicher gespeichert ist, im Kasten 24 erforderlich. Diese anfängliche Kalibrierung kann die vorher beschriebene Grundlinienkennlinie sein. In Anbetracht einer gewünschten Kraftstoffmenge und einer Grundlinienkennlinie kann eine Impulsbreite bestimmt werden. Diese Impulsbreite wird für alle Einspritzdüsen verwendet. Die Impulsbreite (p. w.) wird durch einen Schalter 26 geleitet, der in dieser anfänglichen Betriebsstufe so gesetzt ist, dass die Grundlinienkurve von der anfänglichen Kalibrierung verwendet wird. Die Impulsbreite wird von allen Kraftstoffeinspritzdüsen 38 in einem Motor 28 verwendet, der in diesem Fall als Vier-Zylinder-Motor definiert ist. Sensoren 30 umfassen AFcy11–AFcy14, die das tatsächliche A/F-Verhältnis in jedem der vier Zylinder messen, zusammen mit einem Krümmerluftströmungssensor (MAF-Sensor), der verwendet werden kann, um die Menge an Luft zu bestimmen, die in jedem Zyklus in jeden Zylinder eingebracht wird. Diese Daten von den Sensoren 30 werden in einen Lerncontroller 32 eingespeist, der die Daten verwendet, um die tatsächlichen Kennlinien der vier Kraftstoffeinspritzdüsen 38 über die Zeit zu lernen, wie nachstehend im Einzelnen beschrieben. Sobald eine ausreichende Anzahl von Datenpunkten aufgenommen wurde, was normalerweise innerhalb der ersten paar Minuten des anfänglichen Motorbetriebs passieren würde, kann der Controller 32 die Kennlinien für die vier individuellen Kraftstoffeinspritzdüsen 38 verwenden, um die Impulsbreiten 36 (p.w.1–p.w.4) zu berechnen, die für jede Einspritzdüse 38 erforderlich sind, um sie am besten an die gewünschte Kraftstoffmasse anzupassen. An diesem Punkt wird der Schalter 26 so gesetzt, dass vielmehr die vier individuellen Impulsbreiten 36 vom Controller 32 als die einzelne Impulsbreite von der anfänglichen Kalibrierung im Kasten 24 verwendet werden. Ein Controller 34 mit adaptivem Schema kann auch verwendet werden, um die vier befohlenen Impulsbreiten 36 weiter zu modifizieren, um eine Veränderung der Umgebungsbedingungen zu berücksichtigen, wie nachstehend erörtert wird.
-
Durch diese neue Methode erkennt der Controller 32 fortschreitend diejenigen Impulsbreiten 36, die die gewünschte Kraftstoffmasse erreichen, während er kontinuierlich das, was er gelernt hat, auf der Basis von verschiedenen Eingangsveränderungen, wie z. B. Temperatur und Kraftstoffverteilerdruck, anpassen kann. Die potentiellen Langzeitvorteile dieser Methode sind beträchtlich. Die in die Zylinder eingespritzte gewünschte Kraftstoffmasse wird unter verschiedenen Umgebungs- oder anderen Bedingungen genau erreicht; wobei die Folge darin besteht, dass Zylinderungleichgewichtseffekte auf ein minimales Ausmaß verringert werden. Diese Fähigkeit kann gegenüber dem Erreichen von Verbrennungsrobustheit in entweder SI/HCCI- oder Dieselmotoren besonders ansprechend sein. Außerdem ermöglicht die Verwendung dieser Methode in HCCI-Motoren ein erfolgreiches Herstellen der HCCI-Verbrennung unter Bedingungen, die eine kleine Kraftstoffmenge verlangen, die ansonsten unter Verwendung von derzeitigen Kraftstoffkalibrierungsverfahren nicht realisierbar ist.
-
3 ist ein Ablaufplandiagramm eines Prozesses 40, der vom Controller 32 im System 20 verwendet wird. Der Prozess beginnt im Kasten 42 mit einer Impulsbreite, die aus einer anfänglichen oder Grundlinien-Kraftstoffeinspritzdüsenkurve berechnet wird, wie vorher beschrieben. Im Kasten 44 empfängt der Controller 32 Eingangsdaten von den Sensoren 30, einschließlich A/F-Verhältnisdaten für jeden Zylinder und Krümmerluftströmungsdaten (MAF-Daten). Aus diesen Daten kann die tatsächliche Kraftstoffmasse im vorherigen Zyklus im Kasten 46 berechnet werden und mit dem verglichen werden, was auf der Basis der Impulsbreite im vorherigen Zyklus erwartet wurde. Die gelernte Kennlinie für jede Einspritzdüse 38 wird im Kasten 48 aktualisiert und eine neue Impulsbreite 36 wird auf der Basis der gewünschten Kraftstoffmasse berechnet. Im Kasten 50 wird eine neue Vorhersage der Kraftstoffmasse für jeden Zylinder durchgeführt. Im Kasten 52 messen die Sensoren 30 das A/F-Verhältnis und die MAF-Daten, die in einer Beendungskriterienprüfung im Kasten 54 verwendet werden und auch im nächsten Zeitschritt verwendet werden.
-
Eine ausführliche Erörterung des im Controller 32 verwendeten Algorithmus folgt. Die Kraftstoffeinspritzdüsen-Identifikation wird hinsichtlich Kraftstoffmassen- und Impulsbreitenpaaren beschrieben und es handelt sich um eine Funktion von verschiedenen Variablen. Bei der hierin beschriebenen Methode wird die Kraftstoffeinspritzdüse 38 als stochastischer Prozess behandelt. Das Problem der Kraftstoffeinspritzdüsen-Identifikation wird somit als sequentielles Entscheidungsfindungsproblem unter Unsicherheit umformuliert. Das Hauptziel in Richtung der Lösung in diesem Problem besteht darin, die Werte der Impulsbreite für jedes Paar in Echtzeit auszuwählen, die die gewünschte Kraftstoffmasse erreichen. Der Markov-Entscheidungsprozess (MDP) stellt das mathematische Gerüst zum Modellieren von sequentiellen Entscheidungsfindungsproblemen unter Unsicherheit bereit; er besteht aus (a) einem Entscheidungsfinder (Controller), (b) Zuständen (Kraftstoffmassen- und Impulsbreitenpaaren), (c) Handlungen (Impulsbreite), (d) einer Übergangswahrscheinlichkeitsmatrix (Umgebungs- oder andere Veränderungen), (e) Übergangsvergeltungsmatrix (in den Zylinder eingespritzte Kraftstoffmasse) und (f) einem Optimierungskriterium (z. B. Minimieren des Fehlers zwischen der befohlenen Kraftstoffmasse und der tatsächlichen). Der Controller 32 ist mit dem Problem des Minimierens des Fehlers zwischen der gewünschten und der tatsächlichen Kraftstoffmasse durch Auswählen der optimalen Werte der Impulsbreite 36 konfrontiert. Das Ziel des Controllers 32 besteht darin, den Handlungsverlauf (Steuertaktik) zu lernen, der diesen Fehler minimiert.
-
Um eine selbstlernende Echtzeit-Identifikation der Kraftstoffeinspritzdüsenleistung zu erreichen, wird ein theoretisches Gerüst aus dem Gebiet der künstlichen Intelligenz verwendet. Das Ziel besteht darin, einen Controller mit einem eingebetteten Lernalgorithmus zu konstruieren, der lernen kann, die Kraftstoffeinspritzdüsenleistung auf der Basis des A/F-Verhältnisses jedes individuellen Zylinders und der Einlasskrümmer-Luftströmungsmessung (MAF-Messung) vorherzusagen. In Anbetracht der vom Fahrer befohlenen gewünschten Kraftstoffmasse sollte nämlich der Controller 32 die entsprechende Impulsbreite 36 für jede Kraftstoffeinspritzdüse 38 lernen. Obwohl die in 2 gezeigte Ausführungsform A/F-Verhältnissensoren in jedem Zylinder verwendet, um eine Rückmeldung vorzusehen, ist es wichtig zu beachten, dass andere Daten auch als Eingabe in den Controller 32 verwendet werden könnten. Der Zylinderdruck könnte beispielsweise als Maß für die Verbrennungsqualität verwendet werden, das eine indirekte Angabe des A/F-Verhältnisses vorsehen würde. Andere Datenmessungen könnten ebenso verwendet werden.
-
Die Kraftstoffeinspritzdüsenkurve wird als absorbierender Markov-Entscheidungsprozess modelliert. Der Markov-Zustand ist durch das Paar von Kraftstoffmasse und Impulsbreite in Anbetracht eines Satzes von Endzuständen T und eines Satzes von Nicht-Endzuständen N definiert. Die ”absorbierende” Eigenschaft bedeutet, dass unbegrenzte Zyklen unter den Nicht-Endzuständen nicht möglich sind; mit anderen Worten, alle Sequenzen von Zuständen enden schließlich. Ein mehrstufiges Vorhersageproblem wird betrachtet, in dem die Erfahrung in Beobachtungs-Ergebnis-Sequenzen der Form x
1, x
2, x
3, ..., x
m, z erscheint, wobei jedes x
t ein Vektor von Beobachtungen (z. B. Kraftstoffverteilerdruck, Temperatur, gewünschte Masse, Impulsbreite), die zum Zeitpunkt t in der Sequenz erhältlich sind, ist und z das Ergebnis der Sequenz (z. B. Luft/Kraftstoff-Verhältnis) ist. Für jede Beobachtungs-Ergebnis-Sequenz erzeugt der Lerner eine entsprechende Sequenz von Vorhersagen P
1, P
2, P
3, ..., P
m, von denen jede eine Abschätzung von z ist. Im Allgemeinen kann jedes P
t eine Funktion aller vorangehenden Beobachtungsvektoren bis zum Zeitpunkt t sein. Die Vorhersagen basieren auf einem Vektor von modifizierbaren Parametern w und die Funktionsabhängigkeit wird explizit hinsichtlich x
t und w angegeben als:
-
Die Lernprozedur wird als Regeln zum Aktualisieren von w ausgedrückt; für jede Beobachtung wird ein Inkrement zu w, das als Δw
t bezeichnet wird, bestimmt, und nachdem eine vollständige Sequenz verarbeitet wurde, wird w durch die Summe aller Sequenzinkremente geändert, das heißt:
-
Wobei m die Anzahl von Beobachtungssequenzen ist.
-
Beginnend mit einer anfänglichen Kraftstoffeinspritzdüsen-Kurvenvorhersage wird folglich an jedem Motorbetriebspunkt der Vektor xt aktualisiert, Gleichung (2) wird angewendet, um den neuen Vektor von w zu lernen und schließlich wird eine neue Vorhersage durch Gleichung (1) durchgeführt. Auf der Basis dieser Vorhersage liefert der Controller 32 die Impulsbreite 36 für jede Einspritzdüse 38, die sich an die gewünschte Kraftstoffmasse anpasst, und das A/F-Verhältnis und die Luftströmungssignale werden aufgezeichnet, wie in 3 dargestellt Der Controller 32 speichert den Vektor w im Speicher und er wird als anfänglicher Vektor verwendet, wenn der Motor 28 das nächste Mal gestartet wird.
-
Gleichung (2) kann schrittweise berechnet werden, da jedes Δw
t nur von einem Paar von aufeinander folgenden Vorhersagen und von der Summe aller Werte für ∇
wP
k abhängt, was zu beträchtlichen Speichereinsparungen führt. Es ist mathematisch bewiesen, dass die Vorhersagen P
t(x
t, w) auf den erwarteten Wert des realen Ergebnisses konvergieren, das heißt:
wobei E{
z |i} den erwarteten Wert der tatsächlichen Kraftstoffmasse für eine spezielle Impulsbreite bedeutet,
z die in den Zylinder eingespritzte tatsächliche Kraftstoffmasse ist und i die Impulsbreite ist.
-
Der selbstlernende Controller 32 arbeitet weiterhin, wie vorstehend beschrieben, wobei er iterativ die gelernten Kennlinien verwendet und aktualisiert, bis der Controller 32 überzeugt ist, dass er auf die Kennlinien für alle Kraftstoffeinspritzdüsen 38 im Motor 28 über den gesamten Betriebsbereich der Einspritzdüsen 38 konvergiert hat. Die Beendungskriterien können nach Wunsch durch den Motorhersteller definiert werden. Als Beispiel können die Beendungskriterien für den Lernmodus als erfüllt definiert werden, wenn alle gemessenen Kraftstoffmassen-Datenpunkte innerhalb 2% der vorhergesagten Kraftstoffmasse für jede Einspritzdüse 38 über ihren gesamten Betriebsbereich liegen.
-
Sobald die Beendungskriterien für alle Einspritzdüsen 38 erfüllt sind, hat der Controller 32 seine Lernphase vollendet. Das heißt, der Controller 32 hat die tatsächliche Kennlinie für jede Einspritzdüse im Motor 28 gelernt. Dieses Lernen findet einmal statt, wenn der Motor 28 neu ist. Danach verwendet der Controller 32 die gelernten Kennlinien, um zu bestimmen, welche Impulsbreite für eine gegebene gewünschte Kraftstoffmasse verwendet werden soll. Dasselbe vorstehend beschriebene iterative Vorhersage-Messungs-Verfahren kann jedoch verwendet werden, um adaptiv auf Änderungen in der Betriebsumgebung des Motors 28 anzusprechen. Dieser Controller 34 mit adaptivem Schema kann weitere Einstellungen an den befohlenen Impulsbreiten 36 vornehmen, um Veränderungen von Faktoren wie z. B. Kraftstoffverteilerdruck, Kraftstofftemperatur und Motortemperatur zu berücksichtigen. Durch weiteres adaptives Ansprechen auf Echtzeitbedingungen kann der adaptive Controller 34 sicherstellen, dass die tatsächliche Menge an Kraftstoff, die durch jede Kraftstoffeinspritzdüse 38 im Motor 28 zugeführt wird, äußerst nahe der gewünschten Menge liegt.
-
Ein Controller mit dem eingebetteten Lernalgorithmus wurde in einer Testkammer mit drastischen Ergebnissen erfolgreich implementiert und überprüft. Als die Grundlinienkennlinie für jede Einspritzdüse verwendet wurde, variierte das gemessene A/F-Verhältnis um 5% oder mehr zwischen den Zylindern. Als der Lernalgorithmus im Controller verwendet wurde und individuelle Einspritzdüsen-Impulsbreiten auf der Basis der gelernten Leistung jeder individuellen Einspritzdüse berechnet wurden, lag das gemessene A/F-Verhältnis innerhalb 1% desselben Werts in allen Zylindern. Diese Mengenverringerung der A/F-Verhältnis-Veränderung verbessert die Motorleistung, die Kraftstoffeffizienz und die Emissionen. Sie verbessert auch erheblich die Betriebsstabilität von HCCI-Motoren, was die Verwendung dieses Motorzyklus unter realen Bedingungen möglich macht.
-
Die vorangehende Erörterung offenbart und beschreibt lediglich beispielhafte Ausführungsformen der vorliegenden Erfindung. Ein Fachmann auf dem Gebiet erkennt aus einer solchen Erörterung und aus den begleitenden Zeichnungen und Ansprüchen leicht, dass verschiedene Änderungen, Modifikationen und Veränderungen darin vorgenommen werden können, ohne vom Gedanken und Schutzbereich der Erfindung, wie in den folgenden Ansprüchen definiert, abzuweichen.
