DE102019209690A1 - Method for controlling the fuel metering in an internal combustion engine - Google Patents

Method for controlling the fuel metering in an internal combustion engine Download PDF

Info

Publication number
DE102019209690A1
DE102019209690A1 DE102019209690.5A DE102019209690A DE102019209690A1 DE 102019209690 A1 DE102019209690 A1 DE 102019209690A1 DE 102019209690 A DE102019209690 A DE 102019209690A DE 102019209690 A1 DE102019209690 A1 DE 102019209690A1
Authority
DE
Germany
Prior art keywords
neural network
injector
time
pressure
signal
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.)
Pending
Application number
DE102019209690.5A
Other languages
German (de)
Inventor
Niko Seubert
Carsten Bork
Erik Tonner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to PCT/EP2019/071690 priority Critical patent/WO2020052891A1/en
Publication of DE102019209690A1 publication Critical patent/DE102019209690A1/en
Pending legal-status Critical Current

Links

Images

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0602—Fuel pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0618—Actual fuel injection timing or delay, e.g. determined from fuel pressure drop
    • 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
    • F02D41/008—Controlling each cylinder individually
    • F02D41/0085—Balancing of cylinder outputs, e.g. speed, torque or air-fuel ratio
    • 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
    • F02D41/30—Controlling fuel injection
    • F02D41/38—Controlling fuel injection of the high pressure type
    • F02D41/40—Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
    • F02D41/402—Multiple injections
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
    • F02M65/005—Measuring or detecting injection-valve lift, e.g. to determine injection timing

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Es wird ein Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine beschrieben. Mittels eines Sensors wird ein Signalverlauf erfasst, der den zeitlichen Druckverlauf des Kraftstoffs in einem Injektor charakterisiert. Auf den zeitlichen Druckverlauf wird ein neuronales Netz angewendet, das mittels eines Lernverfahrens trainiert wurde. Wenigstens eine Ausgangsgröße des neuronalen Netzes wird zur Steuerung der Brennkraftmaschine verwendet.

Figure DE102019209690A1_0000
A method for controlling the fuel metering in an internal combustion engine is described. A signal curve is recorded by means of a sensor, which characterizes the temporal pressure curve of the fuel in an injector. A neural network that has been trained using a learning process is applied to the temporal pressure curve. At least one output variable of the neural network is used to control the internal combustion engine.
Figure DE102019209690A1_0000

Description

Stand der TechnikState of the art

Die Erfindung geht aus von einem Verfahren nach Gattung der unabhängigen Ansprüche.The invention is based on a method according to the type of the independent claims.

Aus der DE 10 2009 029 549 A1 ist ein Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine bekannt. Dort wird mittels eines NCS-Sensors ein Signalverlauf erfasst, der den zeitlichen Druckverlauf des Kraftstoffs in einem Injektor charakterisiert. Dabei wird der Druck im Steuerraum des Injektors erfasst. Ausgehend von dem Verlauf des Drucks im Steuerraum werden verschiedene Größen ermittelt, die den Bewegungszustand der Düsennadel des Injektors charakterisieren. So werden beispielsweise verschiedene Zeitpunkte, die das Öffnen und/oder das Schließen des Injektors angeben, erfasst. Diese Größen werden wiederum zur Steuerung der Brennkraftmaschine, insbesondere zur Ansteuerung des Injektors selbst verwendet. Mittels dieses NCS-Sensors ist eine Regelung mit einem geschlossenen Regelkreis der Einspritzung und dort insbesondere des Einspritzbeginns und der Einspritzdauer möglich.From the DE 10 2009 029 549 A1 a method for controlling the fuel metering in an internal combustion engine is known. There, a signal curve is recorded by means of an NCS sensor, which characterizes the temporal pressure curve of the fuel in an injector. The pressure in the control chamber of the injector is recorded. Starting from the course of the pressure in the control room, various variables are determined which characterize the state of movement of the nozzle needle of the injector. For example, different times that indicate the opening and / or closing of the injector are recorded. These variables are in turn used to control the internal combustion engine, in particular to control the injector itself. By means of this NCS sensor, regulation with a closed control loop of the injection and there in particular the start of injection and the injection duration is possible.

Problematisch ist, dass dem Signal des NCS-Sensors verschiedene Störsignale überlagert sind.It is problematic that various interference signals are superimposed on the signal of the NCS sensor.

Offenbarung der ErfindungDisclosure of the invention

Vorteile der ErfindungAdvantages of the invention

Das erfindungsgemäße Verfahren mit den Merkmalen des unabhängigen Anspruchs hat demgegenüber den Vorteil, dass die verschiedenen Größen, die ausgehend von dem Druckverlauf in dem Injektor sehr genau ermittelt werden. Dies wird insbesondere dadurch erreicht, dass mittels eines Sensors ein Signalverlauf erfasst wird, der den zeitlichen Druckverlauf des Kraftstoffs in einem Injektor charakterisiert. Auf dieses Signal, das den zeitlichen Druckverlauf charakterisiert, wird ein neuronales Netz angewendet, das mittels eines Lernverfahrens trainiert wurde. Wenigstens eine Ausgangsgröße des neuronalen Netzes wird zur Steuerung der Brennkraftmaschine verwendet. Dadurch kann ein Regelkreis zur Regelung einer die Einspritzung charakterisierende Größe realisiert werden. Dabei kann diese Größe auf einen gemeinsamen Sollwert für alle Injektoren einer Brennkraftmaschine eingeregelt werden.In contrast, the method according to the invention with the features of the independent claim has the advantage that the different sizes, which are determined very precisely on the basis of the pressure curve in the injector. This is achieved, in particular, in that a signal curve is detected by means of a sensor, which characterizes the temporal pressure curve of the fuel in an injector. A neural network that has been trained using a learning method is applied to this signal, which characterizes the pressure course over time. At least one output variable of the neural network is used to control the internal combustion engine. As a result, a control loop for regulating a variable characterizing the injection can be implemented. This variable can be adjusted to a common setpoint for all injectors of an internal combustion engine.

Vorzugsweise wird wenigstens ein charakteristischer Zeitpunkt der Einspritzung mittels des Injektors als Ausgangsgröße von dem neuronalen Netz bereitgestellt. Dadurch ist eine genaue Steuerung der Injektoren möglich. Insbesondre ist eine Gleichstellung der Einspritzung aller Injektoren auf einen charakteristischen Zeitpunkt möglich.At least one characteristic point in time of the injection is provided by the injector as an output variable from the neural network. This enables precise control of the injectors. In particular, it is possible to equate the injection of all injectors to a characteristic point in time.

Bei einer besonders vorteilhaften Ausgestaltung handelt es sich bei dem charakteristischen Zeitpunkt um den Öffnungszeitpunkt, den Schließzeitpunkt und/oder den Umkehrzeitpunkt einer Düsennadel des Injektors oder einer Ventilnadel eines Schaltventils des Injektors. Diese Zeitpunkte bestimmen wesentlich den Verbrennungsbeginn und die Energieumsetzung im Brennraum. Da diese mit dem erfindungsgemäßen Verfahren geregelt bzw. für alle Zylinder gleichgestellt werden können. Ist eine schadstoffärmere Verbrennung möglich.In a particularly advantageous embodiment, the characteristic time is the opening time, the closing time and / or the reversal time of a nozzle needle of the injector or a valve needle of a switching valve of the injector. These times essentially determine the start of combustion and the energy conversion in the combustion chamber. Since these can be regulated with the method according to the invention or can be equated for all cylinders. Is it possible to burn less pollutants?

Besonders vorteilhaft ist es, wenn das neuronale Netz als weitere Parameter wenigstens eine der Größen, Druck in einem Rail, eine Ansteuerdauer des Injektors und/oder de Abstand zweier Einspritzungen berücksichtigt.It is particularly advantageous if the neural network considers at least one of the variables, pressure in a rail, a control duration of the injector and / or the distance between two injections as further parameters.

Bei einer besonders vorteilhaften Ausführungsform ist vorgesehen, dass als Ausgangsgröße des neuronalen Netzes wenigstens eine der Größen eingespritzte Kraftstoffmenge und/oder ein Einspritzzeitpunkt verwendet wird. In a particularly advantageous embodiment, it is provided that at least one of the quantities of fuel injected and / or an injection point in time is used as the output variable of the neural network.

Der Aufwand beim Trainieren des neuronalen Netzes wird dadurch vereinfacht, dass zum Trainieren des neuronalen Netzes Daten verwendet werden, die gemessen und/oder mittels einer Simulation gewonnen werden. In einem weiteren Aspekt betrifft die Erfindung einen neuen Programmcode zusammen mit Verarbeitungsanweisungen zum Erstellen eines auf einem Steuergerät ablauffähigen Computerprogramms, insbesondere Sourcecode mit Compilier- und/oder Verlinkungsanweisungen, wobei der Programmcode das Computerprogramm zur Ausführung aller Schritte eines der beschriebenen Verfahren ergibt, wenn er gemäß der Verarbeitungsanweisungen in ein ablauffähiges Computerprogramm umgewandelt wird, also insbesondere kompiliert und/oder verlinkt wird. Dieser Programmcode kann insbesondere durch Quellcode gegeben sein, welche beispielsweise von einem Server im Internet herunterladbar ist.The effort involved in training the neural network is simplified by using data that are measured and / or obtained by means of a simulation to train the neural network. In a further aspect, the invention relates to a new program code together with processing instructions for creating a computer program that can run on a control unit, in particular source code with compiling and / or linking instructions, the program code resulting in the computer program for executing all the steps of one of the described methods if it is in accordance with the processing instructions are converted into an executable computer program, in particular compiled and / or linked. This program code can be given in particular by source code which can be downloaded from a server on the Internet, for example.

FigurenlisteFigure list

Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigen

  • 1 die wesentlichen Elemente eines Kraftstoffeinspritzsystems,
  • 2 den zeitlichen Druckverlauf des Kraftstoffs im Injektor
  • 3 ein neuronales Netz
  • 4 verschieden über der Zeit aufgetragene Signale und
  • 5 ein Blockdiagramm der wesentlichen Elemente.
Embodiments of the invention are shown in the drawing and explained in more detail in the following description. Show it
  • 1 the essential elements of a fuel injection system,
  • 2nd the temporal pressure curve of the fuel in the injector
  • 3rd a neural network
  • 4th signals and plotted differently over time
  • 5 a block diagram of the essential elements.

In der 1 sind die wesentlichen Elemente eines Kraftstoffeinspritzsystems dargestellt. Ein Injektor ist mit 100 bezeichnet. Dieser misst einer nicht dargestellten Brennkraftmaschine abhängig von einem Ansteuersignal, das von einer Steuereinheit 110 bereitgestellt wird, Kraftstoff zu. Diese Steuereinheit ist Teil eines Steuergeräts 115, das die gesamte Brennkraftmaschine steuert. Üblicherweise beinhalten diese Injektoren 100 ein Schaltventil mit einer Ventilnadel, das beim Öffnen desselben eine Druckentlastung bewirkt, die dazu führt, dass sich eine Düsennadel des Injektors die Einspritzung freigibt. In the 1 the essential elements of a fuel injection system are shown. An injector is included 100 designated. This measures an internal combustion engine, not shown, as a function of a control signal from a control unit 110 fuel is provided. This control unit is part of a control unit 115 that controls the entire internal combustion engine. These usually include injectors 100 a switching valve with a valve needle, which causes a pressure relief when opening the same, which leads to the fact that a nozzle needle of the injector releases the injection.

Bei geschlossenem Schaltventil befindet die Düsennadel im Kräftegleichgewicht und die Einspritzöffnungen sind verschlossen. In diesem Fall erfolgt keine Einspritzung. Sobald das Schaltventil angesteuert wird, öffnet dieses. Dies hat zur Folge, dass in einem Steuerraum Kraftstoff abfließt und der Druck im Steuerraum abfällt. Dies führt dazu, dass sich die Düsennadel nicht mehr im Kräftegleichgewicht befindet und damit die Einspritzöffnungen freigibt. Dies hat zur Folge, dass in der Hochdruckleitung Kraftstoff abfließt und der Druck in der Hochdruckleitung abfällt.When the switching valve is closed, the nozzle needle is balanced and the injection openings are closed. In this case there is no injection. As soon as the switching valve is activated, it opens. As a result, fuel flows away in a control room and the pressure in the control room drops. This means that the nozzle needle is no longer in the equilibrium of forces and thus opens up the injection openings. As a result, fuel flows out in the high-pressure line and the pressure in the high-pressure line drops.

Bei bekannten Systemen ist in dem Injektor 100 ein Sensor 130 angeordnet. Dieser Sensor misst den Kraftstoffdruck im Injektor. Insbesondere wird der Druck im Steuerraum des Injektors erfasst. Der Sensor kann auch an anderen Positionen im Injektor angeordnet sein. So kann er beispielsweise auch in der Hochdruckleitung im Injektor angeordnet sein. Das Ausgangssignal des Sensors 130 zur Erfassung des Drucks im Steuerraums gelangt ebenfalls zur Steuereinheit 110. Dieser Sensor wird im Folgenden auch als NCS-Sensor bezeichnet. Dieser NCS-Sensor kann an verschieden Positionen im Injektor angebracht werden. Bevorzugt ist der NCS-Sensor im Steuerraum oder am Haltekörper des Injektors verbaut. Der NCS-Sensor ist derart am oder im Injektor verbaut, dass der NCS-Sensor ein Signal liefert, dass einen Druck im Injektor während der Einspritzung charakterisiert. Abhängig von der Position des NCS-Sensor charakterisiert sein Signal eher die Bewegung der Ventilnadel des Schaltventils oder die Bewegung der Düsennadel. Aus beiden können charakteristische Zeitpunkte der Einspritzung berechnet und als Istwert einer Regelung zugeführt werden, die wiederum die Ansteuerung des Injektors steuert.In known systems is in the injector 100 a sensor 130 arranged. This sensor measures the fuel pressure in the injector. In particular, the pressure in the control chamber of the injector is recorded. The sensor can also be arranged at other positions in the injector. For example, it can also be arranged in the high-pressure line in the injector. The sensor output signal 130 to detect the pressure in the control room also reaches the control unit 110 . This sensor is also referred to below as an NCS sensor. This NCS sensor can be attached to different positions in the injector. The NCS sensor is preferably installed in the control room or on the holding body of the injector. The NCS sensor is installed on or in the injector in such a way that the NCS sensor delivers a signal that characterizes a pressure in the injector during the injection. Depending on the position of the NCS sensor, its signal characterizes the movement of the valve needle of the switching valve or the movement of the nozzle needle. Characteristic points in time of the injection can be calculated from both and can be supplied as an actual value to a regulation which in turn controls the activation of the injector.

Dem Injektor 100 wird von einem Rail 140 Kraftstoff zugeführt. An dem Rail ist ein Raildrucksensor 150 angeordnet, der den Druck des Kraftstoffs im Rail erfasst. Das Ausgangssignal des Raildrucksensors 150 gelangt zu dem Steuergerät 115. Das Steuergerät 115 wiederum steuert eine Hochdruckpumpe 160 an. Diese Ansteuerung der Hochdruckpumpe 160 erfolgt derart, dass sich im Rail 140 ein vorgegebener Raildruck aufbaut.The injector 100 is from a rail 140 Fuel supplied. There is a rail pressure sensor on the rail 150 arranged, which detects the pressure of the fuel in the rail. The output signal of the rail pressure sensor 150 arrives at the control unit 115 . The control unit 115 again controls a high pressure pump 160 on. This control of the high pressure pump 160 takes place in such a way that in the rail 140 builds up a predetermined rail pressure.

In der 2 ist der Verlauf des Messwert Sensors 130, das dem Druck P im Injektor entspricht, über der Zeit t aufgetragen. Dabei ist der Druckverlauf für zwei Ausführungsformen aufgetragen. In 2a ist der Verlauf des Ausgangssignals des Sensors 130 aufgetragen, wenn dieser im Steuerraum des Injektors angeordnet ist. In 2b ist der Verlauf des Ausgangssignals des Sensors 130 aufgetragen, wenn dieser an einem Haltekörper des Injektors angeordnet ist.In the 2nd is the course of the measured value sensor 130 , which corresponds to the pressure P in the injector, is plotted against the time t. The pressure curve is plotted for two embodiments. In 2a is the course of the output signal of the sensor 130 applied if this is arranged in the control room of the injector. In 2 B is the course of the output signal of the sensor 130 applied when this is arranged on a holding body of the injector.

Mit Beginn der Ansteuerung des Schaltventils zum Zeitpunkt t1 beginnt der Druck im Steuerraum abzufallen. Dieser fällt dann auf einen bestimmten Wert ab und steigt mit dem Schließen des Schaltventils zum Zeitpunkt t2 wieder auf seinen Ausgangswert an. Dabei tritt mit dem völligen Schließen des Schaltventils eine kurzfristige Drucküberhöhung an und der Druck fällt anschließend wieder auf seinen Ausgangsdruck ab.When control of the switching valve begins at time t1, the pressure in the control chamber begins to drop. This then drops to a certain value and rises to its initial value when the switching valve closes at time t2. When the switching valve is completely closed, there is a brief pressure increase and the pressure then drops back to its outlet pressure.

In der 2 ist lediglich ein kleiner zeitlicher Ausschnitt des Druckverlaufs während einer Einspritzung dargestellt. Die Darstellung in der Figur ist stark vereinfacht und abstrahiert. Abhängig von der Position des Sensors 130 im Injektor ergeben sich abweichende SignalverläufeIn the 2nd only a small temporal section of the pressure curve during an injection is shown. The representation in the figure is greatly simplified and abstracted. Depending on the position of the sensor 130 there are different signal profiles in the injector

In der 3 ist ein vereinfachtes Beispiel eines neuronalen Netzes dargestellt. In der dargestellten Ausführungsform umfasst dieses eine Eingangsschicht mit 6 Neuronen, eine Ausgangsschicht mit 1 Neuron und eine Zwischenschicht mit 3 Neuronen. Dies stellt lediglich eine vereinfachte Darstellung dar. Bevorzugt werden eine Eingangsschicht mit deutlich mehr Neuronen verwendet. Damit der zeitliche Verlauf des Drucks deutlich besser abgebildet werden kann. Ferner kann auch vorgesehen sein, dass die Ausgangsschicht mehrere Neuronen umfasst. So können mehrere Ausgangsgrößen mit einem Neuronalen Netz ermittelt werden. Es kann aber auch vorgesehen sein, dass für verschiedene Größen unterschiedliche Neuronale Netze vorgesehen sind.In the 3rd shows a simplified example of a neural network. In the embodiment shown, this comprises an input layer with 6 neurons, an output layer with 1 neuron and an intermediate layer with 3 neurons. This is only a simplified representation. An input layer with significantly more neurons is preferably used. So that the time course of the print can be depicted much better. Furthermore, it can also be provided that the output layer comprises several neurons. In this way, several output variables can be determined with one neural network. However, it can also be provided that different neural networks are provided for different sizes.

Ferner kann auch vorgesehen sein, dass weitere Zwischenschichten, die auch als verborgene Schichten bezeichnet werden, vorgesehen sind.Furthermore, it can also be provided that further intermediate layers, which are also referred to as hidden layers, are provided.

Diese Neuronale Netz ist Bestandteil der Steuereinheit 110.This neural network is part of the control unit 110 .

Bei dem erfindungsgemäßen Neuronalen Netz sind deutlich mehr Eingangsneuronen vorgesehen. Es ist nun vorgesehen, dass der zeitliche Verlauf des Drucksignals derart den Neuronen der ersten Schicht zugeordnet wird, dass der Druckverlauf in einzelne Messwerte zu bestimmten Zeitpunkten aufgeteilt und den Eingangsneuronen zugeordnet wird. Ausgehend von diesen Eingangssignalen berechnet dann das neuronale Netz eine Ausgangsgröße.In the neural network according to the invention, significantly more input neurons are provided. It is now provided that the time profile of the pressure signal is assigned to the neurons of the first layer in such a way that the pressure profile is divided into individual measured values at specific times and assigned to the input neurons. The neural network then calculates an output variable on the basis of these input signals.

Bei einer bevorzugten Ausführungsform können auch andere neuronale Netze verwendet werden. Insbesondere kann ein faltendes neuronales Netz verwendet werden. Ein solches faltendes neuronales Netz wird auch als Convolutional Neural Network bezeichnet. Ein Convolutional Neural Network (auch „ConvNet“ genannt) ist in der Lage, größere Mengen an Eingangsdaten in geringerer Zeit zu verarbeiten. Dies ermöglicht es, größere Signalausschnitte als Eingangsgrößen zu verwenden. Dies ist vorteilhaft, wenn frühe Merkmale im Signal Auswirkungen auf später im Signal auftretende Merkmale haben. In a preferred embodiment, other neural networks can also be used. In particular, a folding neural network can be used. Such a folding neural network is also known as a convolutional neural network. A convolutional neural network (also called "ConvNet") is able to process larger amounts of input data in less time. This makes it possible to use larger signal sections as input variables. This is advantageous if early features in the signal have an impact on features that appear later in the signal.

Ein neuronales Netz muss vor dessen Einsatz zur Steuerung der Kraftstoffzumessung trainiert werden. Hierbei wird der Eingangsebene ein bekannter Signalverlauf des Drucksignals und gegebenen falls weitere Parameter zugeführt, bei dem die Ausgangsgröße bekannt ist. Stimmt das Ausgangssignal des neuronalen Netzes nicht mit dem erwarteten Ausgangssignal überein, so wird das neuronale Netz entsprechend angepasst. Dieses Trainieren des neuronalen Netzes erfolgt mit einer Vielzahl von Daten. Mit jedem Trainingsschritt verbessert sich das Verhalten des neuronalen Netzes. Nach einer entsprechenden Anzahl von Trainingsschritten werden die Abweichungen zwischen den erwarteten Werten und den von dem neuronalen Netz berechneten Werten immer kleiner.A neural network must be trained to control fuel metering before it can be used. In this case, the input level is supplied with a known signal curve of the pressure signal and, if appropriate, further parameters in which the output variable is known. If the output signal of the neural network does not match the expected output signal, the neural network is adjusted accordingly. This training of the neural network is carried out with a large amount of data. The behavior of the neural network improves with each training step. After a corresponding number of training steps, the deviations between the expected values and the values calculated by the neural network become smaller and smaller.

Das neuronale Netz wird zunächst mit zufälligen Gewichten initialisiert. Die Anwendung auf das NCS-Signal führt zunächst zu einem falschen Ergebnis Y mit einer erheblichen Abweichung vom wahren Wert Ytrue. Die Abweichung (IY-Ytruel) jedes Neurons zum wahren Wert wird berechnet und die Gewichte werden entsprechend angepasst. Dieser Trainingsvorgang wird bis zur Konvergenz fortgesetzt.The neural network is initially initialized with random weights. The application to the NCS signal initially leads to an incorrect result Y with a considerable deviation from the true value Ytrue. The deviation (IY-Ytruel) of each neuron from the true value is calculated and the weights are adjusted accordingly. This training process continues until convergence.

Ein solcher Vorgang des Trainierens des neuronalen Netzes erfordert eine Vielzahl von Daten. Üblicherweise stehen entsprechende Messwerte nicht zur Verfügung bzw. sind nur mit einem sehr hohen Aufwand im Rahmen der Applikation erfassbar. Deshalb ist erfindungsgemäß vorgesehen, dass neben tatsächlichen Messwerten für die Ausgangsgröße auch simulierte Werte für die Ausgangsgröße zum Trainieren des neuronalen Netzes herangezogen werden.Such a process of training the neural network requires a large amount of data. Corresponding measured values are usually not available or can only be acquired with great effort in the context of the application. It is therefore provided according to the invention that in addition to actual measured values for the output variable, simulated values for the output variable are also used for training the neural network.

So werden von einer Vielzahl unterschiedlicher Injektoren der Druckverlauf im Injektor bei einer oder mehreren definierten Ansteuerungen vermessen und die jeweilige Ausgangsgröße gemessen. Dabei werden die Injektoren alle mit dem gleichen Ansteuersignal beaufschlagt. Diese gemessenen Druckverläufe und gemessenen Ausgangsgrößen werden dann dazu verwendet das Neuronale Netz zu trainieren. Hiermit wird das unterschiedliche Verhalten der Injektoren, die auf Ihrer individuellen Abweichungen von einander beruhen gelernt.The pressure curve in the injector is measured by one or more defined controls and the respective output variable is measured by a large number of different injectors. The injectors are all supplied with the same control signal. These measured pressure profiles and measured output variables are then used to train the neural network. This will learn the different behavior of the injectors based on their individual differences from each other.

Ferner werden unterschiedliche Druckverläufe bei einem Injektor bei unterschiedlicher Ansteuerung des Injektors und die Ausgangsgrößen simuliert. Diese simulierten Druckverläufe und Ausgangsgrößen werden dann dazu verwendet, dass Neuronale Netz zu trainieren. Hiermit werden unterschiedliche Druckverläufe, die auf unterschiedlichen Ansteuerungen des Injektors beruhen gelernt.Furthermore, different pressure profiles in an injector with different control of the injector and the output variables are simulated. These simulated pressure profiles and output variables are then used to train the neural network. Different pressure profiles that are based on different actuations of the injector are hereby learned.

Außerdem werden die Signalausschnitte so gewählt, dass das zu erkennende Merkmal überall im Signalausschnitt auftritt. Dazu wird bei einem gemessenen oder simulierten Signal der Beginn des Signalausschnitts und das zugehörige Target entsprechend verändert.In addition, the signal sections are selected so that the characteristic to be recognized occurs everywhere in the signal section. For this purpose, the beginning of the signal section and the associated target are changed accordingly for a measured or simulated signal.

Als Eingangsgröße für das neuronale Netz kann der gesamte Druckverlauf während eines Einspritzvorgangs, so wie er in 2 dargestellt ist, verwendet werden. Es kann aber erfindungsgemäß auch vorgesehen sein, dass lediglich ein kleiner Ausschnitt des Signals dem neuronalen Netz zugeführt wird. Dadurch reduziert sich der Aufwand bei der Programmierung und der Rechenaufwand, da die Zahl der Eingangsneuronen deutlich kleiner gewählt werden kann. So kann beispielsweise bei der Berechnung des Einspritzbeginns, d. h. des Öffnens der Düsennadel, nur ein gewisser Zeitbereich um den erwarteten Zeitpunkt verwendet werden.As an input variable for the neural network, the entire pressure curve during an injection process, as shown in FIG 2nd is used. However, it can also be provided according to the invention that only a small section of the signal is fed to the neural network. This reduces the programming effort and the computing effort, since the number of input neurons can be selected to be significantly smaller. For example, when calculating the start of injection, ie the opening of the nozzle needle, only a certain time range around the expected time can be used.

Erfindungsgemäß hat sich herausgestellt, dass zahlreiche Größen, die den Einspritzvorgang charakterisieren, mittels des neuronalen Netzes aus dem Druckverlauf im Injektor ermittelt werden können. Im Folgenden werden einige Größen beispielhaft beschrieben.According to the invention, it has been found that numerous variables that characterize the injection process can be determined from the pressure curve in the injector by means of the neural network. Some sizes are described below as examples.

Das neuronale Netz liefert verschiedene charakteristische Zeitpunkte der Einspritzung. Dies sind insbesondere der Öffnungszeitpunkt, der Schließzeitpunkt und/oder der Umkehrzeitpunkt der Ventilnadel des Schaltventils des Injektors. Bei einer Ausgestaltung der Erfindung werden der Öffnungszeitpunkt, der Schließzeitpunkt und/oder der Umkehrzeitpunkt der Düsennadel durch das neuronale Netz bereitgestellt.The neural network provides different characteristic times of the injection. These are, in particular, the opening time, the closing time and / or the reversal time of the valve needle of the switching valve of the injector. In one embodiment of the invention, the opening time, the closing time and / or the reversal time of the nozzle needle are provided by the neural network.

Als weitere Ausgangsgrößen stellt das Neuronale Netz eine Größe bereit, die die eingespritzte Kraftstoffmenge und/oder einen Einspritzzeitpunkt charakterisiert. Dabei kann vorgesehen sein. Dass für jede der Größen ein speziell eingelerntes Neuronales Netz vorgesehen ist, dass als Ausgangsgröße jeweils eine Größe bereitstellt. Es kann aber auch vorgesehen sein, dass mehrere Größen von einem Neuronalen Netz bereitgestellt werden.As further output variables, the neural network provides a variable that characterizes the amount of fuel injected and / or an injection time. It can be provided. That a specially trained neural network is provided for each of the variables, which provides a variable as an output variable. However, it can also be provided that several sizes are provided by one neural network.

Die erste Vorgehensweise, dass eine Größe von dem Neuronalen Netz bereitgestellt wird hat den Vorteil, dass ein kleinerer zeitlicher Abschnitt des Drucksignals den Eingangsneuronen des Neuronalen Netzes zugeführt werden muss. Dadurch kann die Auflösung des ausgewerteten Signals erhöht oder die Anzahl der Eingangsneuronen reduziert werden. The first procedure that a variable is provided by the neural network has the advantage that a smaller time segment of the pressure signal has to be supplied to the input neurons of the neural network. This can increase the resolution of the evaluated signal or reduce the number of input neurons.

In 4 sind verschiedene Größen über der Zeit aufgetragen. In 4a ist das Ansteuersignal A, mit dem der Injektor angesteuert wird qualitativ aufgetragen, In 4b ist die Einspritzrate R, die der eingespritzten Kraftstoffmenge pro Zeiteinheit entspricht, aufgetragen. In 4c ist das Signal P des NCS-Sensors 130 aufgetragen, der das Signal bereitstellt, dass den Druck des Kraftstoffs im Injektor charakterisiert.In 4th different sizes are plotted over time. In 4a is the control signal A, with which the injector is controlled, qualitatively plotted, In 4b the injection rate R, which corresponds to the amount of fuel injected per unit of time, is plotted. In 4c is the signal P of the NCS sensor 130 plotted, which provides the signal that characterizes the pressure of the fuel in the injector.

Bei dem hier dargestellten Ausführungsbeispiel handelt es sich um einen Injektor mit einem Piezo-Aktor. Mit einem ersten positiven Ansteuersignal wird der Piezo-Aktor geladen. Nach einer kurzen Verzögerungszeit beginnt zum Zeitpunkt t1 die Einspritzung. Dies bedeutet, dass die Einspritzrate R ansteigt und der Druck P im Injektor abfällt. Dieser Zeitpunkt t1 entspricht dem Öffnungszeitpunkt der Düsennadel des Injektors. Mit einem nachfolgenden negativen Ansteuersignal wird der Piezo-Aktor entladen. Nach einer kurzen Verzögerungszeit endet zum Zeitpunkt t2 die Einspritzung. Dies bedeutet, dass die Einspritzrate R wieder abfällt und der Druck P im Injektor ansteigt. Dieser Zeitpunkt t2 entspricht dem Schließzeitpunkt der Düsennadel des Injektors. Der dargestellte Verlauf der Signale ist grob vereinfacht und schematisiert. Bei anderen Injektor Typen, insbesondere bei Magnet-Injektoren ergibt sich ein anderer Verlauf. Es werden jedoch immer Merkmale im Verlauf des NCS-Signals auftreten, die den Öffnungszeitpunkt bzw. den Schließzeitpunkt charakterisieren.The exemplary embodiment shown here is an injector with a piezo actuator. The piezo actuator is charged with a first positive control signal. After a short delay, injection begins at time t1. This means that the injection rate R increases and the pressure P in the injector drops. This time t1 corresponds to the opening time of the injector nozzle needle. The piezo actuator is discharged with a subsequent negative control signal. After a short delay time, the injection ends at time t2. This means that the injection rate R drops again and the pressure P in the injector increases. This time t2 corresponds to the closing time of the injector nozzle needle. The course of the signals shown is roughly simplified and schematized. With other injector types, especially with magnetic injectors, there is a different course. However, there will always be characteristics in the course of the NCS signal that characterize the time of opening or the time of closing.

In 5 sind wesentliche Elemente der Steuereinheit 110 dargestellt. Das Neuronale Netz, wie es beispielhaft in 3 dargestellt ist, ist mit 500 bezeichnet. Die Eingangsneuronen sind mit einer Signalaufbereitung 510 verbunden. Die Ausgangsneuronen beaufschlagen eine Verarbeitungseinheit 520 mit Information. Ferner gelangen Signale weiterer Sensoren150 zu dem Neuronalen Netz 500. Bei dem weiteren Sensor handelt es sich hier um den Raildrucksensor. Es können aber alternativ oder zusätzlich auch andere Sensorsignale dem Neuronalen Netz zugeführt werden.In 5 are essential elements of the control unit 110 shown. The neural network, as exemplified in 3rd is shown with 500 designated. The input neurons are with signal conditioning 510 connected. The output neurons act on a processing unit 520 with information. Signals from other sensors also arrive 150 to the neural network 500 . The other sensor here is the rail pressure sensor. Alternatively or additionally, however, other sensor signals can also be fed to the neural network.

Das Ausgangsignal der Verarbeitungseinheit 520 gelangt über einen ersten Verknüpfungspunkt 530 zu einem zweiten Verknüpfungspunkt 540. Am zweiten Eingang des ersten Verknüpfungspunkt 530 liegt das Ausgangssignal DT der ersten Vorgabe 535. Am zweiten Eingang des zweiten Verknüpfungspunkt 540 liegt das Ausgangssignal TB der zweiten Vorgabe 535. Das Ausgangssignal des zweiten Verknüpfungspunkt gelangt dann zum Ausgang 550.The output signal of the processing unit 520 arrives via a first connection point 530 to a second connection point 540 . At the second input of the first node 530 is the output signal DT the first default 535 . At the second input of the second node 540 is the output signal TB the second requirement 535 . The output signal of the second node then reaches the output 550 .

Die Signalauswertung 510 betrachtet lediglich einen Bereich des Signalverlaufs P des Sensors 130. So wird beispielsweise ein Zeitbereich von 120 µs betrachtet. Dieser Zeitbereich ist in 4c mit einem waagrechten Pfeil markiert. Das auszuwertende Merkmal muss in dem Zeitbereich liegen. The signal evaluation 510 considers only a region of the signal curve P of the sensor 130 . For example, a time range of 120 µs is considered. This time range is in 4c marked with a horizontal arrow. The characteristic to be evaluated must be in the time range.

Vorzugsweise beginnt das Messfenster zum Zeitpunkt TB. Dieser wird beispielsweise abhängig von dem Ende des Ansteuersignals vorgegeben. In festen Zeitabständen TD, beispielsweise alle 8µs wird ein Messwert erfasst. Bei einem Zeitbereich von 120µs ergeben sich 15 Messpunkte. Diese 15 Messpunkte werden an die jeweiligen Eingangsneuronen des Neuronalen Netzes 500 übergeben.The measurement window preferably begins at the time TB . This is specified, for example, depending on the end of the control signal. At fixed intervals TD For example, a measurement value is recorded every 8µs. With a time range of 120µs there are 15 measuring points. This 15 Measuring points are sent to the respective input neurons of the neural network 500 to hand over.

Im Neuronalen Netz 500 werden die Daten der 15 Messpunkte verarbeitet. Bei einer ersten Ausführungsform ist die Anzahl der Eingangsneuronen des Neuronale Netzes gleich der Anzahl der Ausgangsneuronen. In diesem Fall besitzt ein Ausgangsneuron einen gegenüber den anderen Ausgangsneuronen erhöhten Wert. Jedes Ausgangsneuron ist einem Zeitpunkt im Messfenster zugeordnet. Der Zeitpunkt, der dem Ausgangsneuron mit dem erhöhten Wert zugeordnet ist, entspricht dem Zeitpunkt, bei dem das Merkmal auftritt.In the neural network 500 the data of the 15 measuring points are processed. In a first embodiment, the number of input neurons of the neural network is equal to the number of output neurons. In this case, one output neuron has a higher value than the other output neurons. Each output neuron is assigned to a point in time in the measurement window. The point in time associated with the output neuron with the increased value corresponds to the point in time at which the feature occurs.

Die Zeitabstände TD und die Anzahl der Messwerte ist nur beispielhaft gewählt. Es kann auch eine höher oder niedere Anzahl von Messwerten und damit von Eingangsneuronen vorgesehen sein.The time intervals TD and the number of measured values is chosen only as an example. A higher or lower number of measured values and thus of input neurons can also be provided.

Bei einer vorteilhaften Ausgestaltung ist vorgesehen sein, dass die Ausgangsneuronen einen Abstand von 4µs und die Eingangsneueronen einen Abstand von 8µs besitzen. Bei gleicher Anzahl von Eingangsneuronen und Ausgangsneuronen bedeutet dies, dass der Zeitbereich in dem gemessen wird doppelt so lang ist, wie der Zeitbereich, in dem detektiert werden kann.In an advantageous embodiment it is provided that the output neurons are at a distance of 4µs and the input neurons are at a distance of 8µs. With the same number of input neurons and output neurons, this means that the time range in which the measurement is carried out is twice as long as the time range in which the detection can take place.

Wird bei einer zweiten Ausführungsform ein Neuronales Netz mit einer geringeren Anzahl von Ausgangsneuronen wie Eingangsneuronen verwendet, so kann beispielsweise vorgesehen sein, dass über die Ausgangsneuronen kodiert, vorzugsweise bitkodiert, ausgegeben wird, bei welchem Eingangsneuron das Merkmal auftritt.If, in a second embodiment, a neural network with a smaller number of output neurons such as input neurons is used, it can be provided, for example, that the output neurons are coded, preferably bit-coded, at which input neuron the feature occurs.

Bei der Verwendung eines Neuronalen Netzes mit einem Ausgangsneuron wird über dieses ein Wert ausgegeben, der angibt an welcher Stelle im Eingangssignal das Merkmal auftritt.When using a neural network with an output neuron, a value is output via this, which indicates at which point in the input signal the feature occurs.

Bei der Verwendung eines Neuronalen Netzes mit mehreren Ausgangsneuronen wird das Ausgangsneuron den größten Wert aller Ausgangsneuronen annehmen, an dessen Stelle das Merkmal im Eingangssignal auftritt.When using a neural network with multiple output neurons, this will be Output neuron take the largest value of all output neurons, in whose place the feature appears in the input signal.

Die Anzahl der Ausgangsneuronen ist unabhängig von der Anzahl Eingangsneuronen. Im Extremfall ist lediglich ein Ausgangsneuron vorgesehen. Im anderen Extremfall ist die Anzahl der Ausgangsneuronen gleich der Anzahl der Eingangsneuronen. Die Ausgangsneuronen zeigen an, an welcher Stelle im Detektionsbereich das Merkmal liegt. Bei einem Ausgangsneuron erfolgt dies durch eine einzelne Zahl. Bei mehreren Ausgangsneuronen erfolgt dies als Maximum auf dem entsprechenden Ausgangsneuron. Das nennt sich dann Klassifikation. Jedes Ausgangsneuron entspricht einer Klasse.The number of output neurons is independent of the number of input neurons. In extreme cases, only one output neuron is provided. In the other extreme case, the number of output neurons is equal to the number of input neurons. The output neurons indicate where the feature is located in the detection area. For an output neuron, this is done by a single number. If there are several output neurons, this takes place as a maximum on the corresponding output neuron. This is called classification. Each output neuron corresponds to a class.

Diese Ermittlung, bei welchem Eingangsneuron das Merkmal auftritt erfolgt in der Verarbeitung 520. Durch Multiplikation im Verknüpfungspunkt 530 mit der Abtastrate DT und Addition im Verknüpfungspunkt 540 mit dem Beginn TB des Messfensters wird der Zeitpunkt des Merkmals berechnet und am Ausgang 550 bereitgestellt.This determination as to which input neuron the characteristic occurs occurs in the processing 520 . By multiplication in the connection point 530 at the sampling rate DT and addition in the connection point 540 with the start of the measurement window TB the time of the feature is calculated and at the output 550 provided.

Üblicherweise besitzt das Signal des Sensors 130 nicht den in 2 bzw. 4 dargestellten Verlauf, da verschieden Störeinflüsse auf den Druck im Injektor und damit auf das Signal P einwirken. Dies beruhen insbesondere auf hydraulischen Effekten, wie beispielsweise Druckreflexionen. Diese Störungen sind reproduzierbar und hängen von verschiedenen Parametern ab. Erfindungsgemäß werden diese Parameter dem Neuronalen Netz über einen weiteren Eingang zugeführt. Als wesentliche Größe wird dabei der Druck PR im Rail 140 verwendet, der vom Sensor 150 bereitgestellt wird. Weiter ist es vorteilhaft die Ansteuerdauer der Injektoren dem Neuronalen Netz als Parameter zu zuführen. Die Ansteuerdauer charakterisiert die eingespritzte Kraftstoffmenge. Insbesondere wenn zwei Einspritzungen in kurzem Abstand auf einander folgen, hat die Einspritzdauer bzw. die eingespritzte Kraftstoffmenge der ersten Einspritzung einen wesentlichen Einfluss auf das Signal P bei der nachfolgenden Einspritzung. Ferner ist es vorteilhaft den Abstand der beiden Einspritzungen dem Neuronalen Netz als Parameter zuzuführen und zu berücksichtigen.Usually the signal of the sensor 130 not the one in 2nd respectively. 4th shown course, since different interferences on the pressure in the injector and thus on the signal P act. This is due in particular to hydraulic effects, such as pressure reflections. These disturbances are reproducible and depend on various parameters. According to the invention, these parameters are fed to the neural network via a further input. The pressure is the main parameter PR in the rail 140 used by the sensor 150 provided. It is also advantageous to supply the control duration of the injectors as parameters to the neural network. The activation duration characterizes the amount of fuel injected. In particular if two injections follow one another at a short distance, the injection duration or the injected fuel quantity of the first injection has a significant influence on the signal P in the subsequent injection. Furthermore, it is advantageous to supply the distance between the two injections to the neural network as a parameter and to take this into account.

Die Steuereinheit 110 umfasst dieses Neuronales Netz. Diesem wird der zeitliche Verlauf des Signals des NCS-Sensors 130 zugeführt. Dieses Signal entspricht dem zeitlichen Druckverlauf des Kraftstoffs im Injektors. Vorzugsweise wird dabei der Druck im Steuerraum des Injektors erfasst. Ausgehend von diesem zeitlichen Druckverlauf ermittelt das Neuronale Netz verschiedene Ausgangsgrößen. Dies Ausgangsgrößen werden dann zur Steuerung der Brennkraftmaschine verwendet. Vorzugsweise wird der Injektor abhängig von den Ausgangsgrößen des Neuronalen Netzes angesteuert.The control unit 110 includes this neural network. This is the time course of the signal of the NCS sensor 130 fed. This signal corresponds to the time pressure of the fuel in the injector. The pressure in the control chamber of the injector is preferably detected. Based on this temporal pressure curve, the neural network determines various output variables. These output variables are then used to control the internal combustion engine. The injector is preferably controlled as a function of the output variables of the neural network.

Als Ausgangsgrößen stellt das Neuronale Netz Größen einen oder mehrere charakteristische Zeitpunkte der Einspritzung mittels des Injektors bereits. Dies sind insbesondere der Öffnungszeitpunkt und/oder der Schließzeitpunkt der Düsennadel des Injektors. Diese Zeitpunkte entsprechen den Zeitpunkten, bei denen die Einspritzung beginnt bzw. endet. Diese Zeitpunkte bestimmten wesentlich die eingespritzte Kraftstoffmenge bzw. den Beginn der Verbrennung. Mittels der Ausgangsgröße kann eine Regelung dieser Größen realisiert werden.The neural network variables already provide one or more characteristic points in time of the injection by means of the injector as output variables. These are, in particular, the opening time and / or the closing time of the injector nozzle needle. These points in time correspond to the points in time at which the injection begins or ends. These times essentially determined the amount of fuel injected or the start of combustion. These variables can be controlled using the output variable.

Der Öffnungszeitpunkt der Ventilnadel entspricht dem Zeitpunkt t1, bei dem der Druck abfällt. Bei einer bevorzugten Ausführungsform wird der Druckverlauf nur in dem Zeitraum ausgewertet, in dem der Öffnungszeitpunkt voraussichtlich auftritt. Hierzu wird das Zeitintervall zur Druckauswertung gestartet, nachdem eine entsprechende Ansteuerung des Injektors erfolgt ist.The opening time of the valve needle corresponds to the time t1 at which the pressure drops. In a preferred embodiment, the pressure curve is only evaluated in the period in which the opening time is likely to occur. For this purpose, the time interval for pressure evaluation is started after the injector has been actuated accordingly.

Der Schließzeitpunkt der Ventilnadel entspricht dem Zeitpunkt t2, bei dem der Druck wieder ansteigt. Bei einer bevorzugten Ausführungsform wird der Druckverlauf nur in dem Zeitraum ausgewertet, in dem der Schließzeitpunkt voraussichtlich auftritt. Hierzu wird das Zeitintervall zur Druckauswertung gestartet, nachdem eine entsprechende Ansteuerung des Injektors erfolgt ist.The closing time of the valve needle corresponds to the time t2 at which the pressure rises again. In a preferred embodiment, the pressure curve is only evaluated in the period in which the closing time is likely to occur. For this purpose, the time interval for pressure evaluation is started after the injector has been actuated accordingly.

Ferner kann das Neuronale Netz den Umkehrzeitpunkt der Ventilnadel oder der Düsennadel bereitstellen. Bei diesem Zeitpunkt ändert die Ventilnadel bzw. die Düsennadel ihre Bewegungsrichtung.Furthermore, the neural network can provide the time of reversal of the valve needle or the nozzle needle. At this point in time, the valve needle or the nozzle needle changes its direction of movement.

Mit den Ausgangsgrößen des neuronalen Netzes erfolgt eine Gleichstellung des Timings und der eingespritzten Kraftstoffmenge aller Injektoren. Dabei werden das Timing und/oder die eingespritzte Kraftstoffmenge auf einen gemeinsamen Wert für alle Injektoren eingeregelt. Der Istwert für eine eingespritzte Kraftstoffmenge und das Timing wird von dem neuronalen Netz bereitgestellt.With the output variables of the neural network, the timing and the injected fuel quantity of all injectors are compared. The timing and / or the amount of fuel injected are adjusted to a common value for all injectors. The actual value for an injected fuel quantity and the timing is provided by the neural network.

Zur Gleichstellung des Timings werden Ersatzgrößen gleichgestellt. Als Ersatzgrößen werden drei Zeitpunkte der Nadelbewegung des Schaltventils bzw. der Düsennadel verwendet. Dies sind der Zeitpunkt, wenn das Schaltventil öffnet und wenn das Schaltventil schließt. Bei der Düsennadel wird das Öffnen und Schließen der Düsennadel sowie der Umkehrzeitpunkt der Düsennadel betrachtet. Bei dem Umkehrzeitpunkt handelt es sich um den Zeitpunkt, bei dem die Düsennadel ihre Bewegungsrichtung vom Öffnen in schließen ändert.Substitute variables are put on an equal footing to ensure equal timing. Three points in time of the needle movement of the switching valve or the nozzle needle are used as substitute variables. These are the times when the switching valve opens and when the switching valve closes. In the case of the nozzle needle, the opening and closing of the nozzle needle and the time at which the nozzle needle is reversed are considered. The reversal point in time is the point in time at which the nozzle needle changes its direction of movement from opening to closing.

Ferner kann das Neuronale Netz weitere Größe bereitstellen. Vorzugsweise ermittelt das Neuronale Netz die eingespritzte Kraftstoffmenge. Die eingespritzte Kraftstoffmenge entspricht näherungsweise der Größe des Druckeinbruchs bei der Einspritzung. Die eingespritzte Kraftstoffmenge entspricht dem Produkt der Druckänderung und der Zeitdauer des Druckeinbruchs. Furthermore, the neural network can provide further size. The neural network preferably determines the amount of fuel injected. The amount of fuel injected approximately corresponds to the size of the pressure drop during injection. The amount of fuel injected corresponds to the product of the pressure change and the duration of the pressure drop.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

  • DE 102009029549 A1 [0002]DE 102009029549 A1 [0002]

Claims (10)

Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine, wobei mittels eines Sensors ein Signalverlauf erfasst wird, der den zeitlichen Druckverlauf des Kraftstoffs in einem Injektor charakterisiert, dass auf den zeitlichen Druckverlauf ein neuronales Netz angewendet wird, das mittels eines Lernverfahrens trainiert wurde, und dass wenigstens eine Ausgangsgröße des neuronalen Netzes zur Steuerung der Brennkraftmaschine verwendet wird.Method for controlling the fuel metering in an internal combustion engine, wherein a signal curve is detected by means of a sensor, which characterizes the temporal pressure curve of the fuel in an injector, that a neuronal network is applied to the temporal pressure curve, which was trained using a learning method, and that at least an output variable of the neural network is used to control the internal combustion engine. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die wenigstens eine Ausgangsgröße des neuronalen Netzes einen charakteristischen Zeitpunkt der Einspritzung mittels des Injektors entspricht.Procedure according to Claim 1 , characterized in that the at least one output variable of the neural network corresponds to a characteristic time of the injection by means of the injector. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass es sich bei dem charakteristischen Zeitpunkt um den Öffnungszeitpunkt, den Schließzeitpunkt und/oder den Umkehrzeitpunkt einer Düsennadel des Injektors oder einer Ventilnadel eines Schaltventils des Injektors handelt.Procedure according to Claim 2 , characterized in that the characteristic time is the opening time, the closing time and / or the time of reversal of a nozzle needle of the injector or a valve needle of a switching valve of the injector. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Ausgangsgröße des neuronalen Netzes wenigstens eine der Größen eingespritzte Kraftstoffmenge und/oder ein Einspritzzeitpunkt verwendet wird.Method according to one of the preceding claims, characterized in that at least one of the quantities of fuel injected and / or an injection time is used as the output variable of the neural network. Verfahren nach einem der Vorherigen Ansprüche, dadurch gekennzeichnet, dass das neuronale Netz als weitere Parameter wenigstens eine der Größen Druck in einem Rail, eine Ansteuerdauer des Injektors und/oder de Abstand zweier Einspritzungen berücksichtigt.Method according to one of the preceding claims, characterized in that the neural network takes into account as further parameters at least one of the variables pressure in a rail, a control duration of the injector and / or the distance between two injections. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Trainieren des neuronalen Netzes Daten verwendet werden, die gemessen und/oder mittels einer Simulation gewonnen werden.Method according to one of the preceding claims, characterized in that data which are measured and / or obtained by means of a simulation are used for training the neural network. Computerprogramm, das ausgebildet ist, alle Schritte eines der Verfahren nach einem der Ansprüche 1 bis 5 auszuführen.Computer program that is designed to perform all of the steps of one of the methods Claims 1 to 5 to execute. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 6 gespeichert ist.Machine-readable storage medium on which the computer program according Claim 6 is saved. Steuergerät, das ausgebildet ist, alle Schritte eines der Verfahren nach einem der Ansprüche 1 bis 5 auszuführen.Control device that is designed to perform all of the steps of one of the methods Claims 1 to 5 to execute. Programmcode zusammen mit Verarbeitungsanweisungen zum Erstellen eines auf einem Steuergerät ablauffähigen Computerprogramms, wobei der Programmcode das Computerprogramm nach Anspruch 6 ergibt, wenn er gemäß der Verarbeitungsanweisungen in ein ablauffähiges Computerprogramm umgewandelt wird.Program code together with processing instructions for creating a computer program executable on a control device, the program code following the computer program Claim 6 results when it is converted to an executable computer program according to the processing instructions.
DE102019209690.5A 2018-09-10 2019-07-02 Method for controlling the fuel metering in an internal combustion engine Pending DE102019209690A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/071690 WO2020052891A1 (en) 2018-09-10 2019-08-13 Method for controlling fuel metering into an internal combustion machine

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018215326 2018-09-10
DE102018215326.4 2018-09-10

Publications (1)

Publication Number Publication Date
DE102019209690A1 true DE102019209690A1 (en) 2020-03-12

Family

ID=69621325

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019209690.5A Pending DE102019209690A1 (en) 2018-09-10 2019-07-02 Method for controlling the fuel metering in an internal combustion engine

Country Status (2)

Country Link
DE (1) DE102019209690A1 (en)
WO (1) WO2020052891A1 (en)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020205688A1 (en) 2020-05-06 2021-11-11 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for evaluating an operating variable of an injection valve
DE102020211418A1 (en) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102020211416A1 (en) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
WO2022053623A1 (en) * 2020-09-11 2022-03-17 Robert Bosch Gmbh Method and device for operating a fuel injection valve
WO2022053620A1 (en) * 2020-09-11 2022-03-17 Robert Bosch Gmbh Method and device for training a data-based time determining model for determining an opening or closing time of an injection valve using a machine learning method
DE102020214953A1 (en) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training a classifier for controlling an injector of an internal combustion engine
DE102020214952A1 (en) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for determining a closing time of an injector of an internal combustion engine using a machine learning system
DE102021202289A1 (en) 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computer-implemented method and device for training a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods
DE102021202287A1 (en) 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021206638A1 (en) 2021-05-10 2022-11-10 Vitesco Technologies GmbH Computer-implemented method and control apparatus for controlling a powertrain of a vehicle using a convolutional neural network.
US11506165B2 (en) 2020-11-11 2022-11-22 Robert Bosch Gmbh Method for ascertaining a variable characterizing a flow rate of a fuel injector
DE102021205590A1 (en) 2021-06-01 2022-12-01 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021205589A1 (en) 2021-06-01 2022-12-01 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021206876A1 (en) 2021-06-30 2023-01-05 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021207799A1 (en) 2021-07-21 2023-01-26 Robert Bosch Gesellschaft mit beschränkter Haftung Method for determining a variable characterizing a flow rate of a fuel injector
DE102021208280A1 (en) 2021-07-30 2023-02-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for providing a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods
DE102022200286A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training a sensor model for change-point detection
DE102022200290A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training and evaluating an evaluation model for a classification application
DE102022200284A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for providing and evaluating a sensor model for a change point detection
DE102022212772A1 (en) 2022-11-29 2024-05-29 Robert Bosch Gesellschaft mit beschränkter Haftung Method for controlling an injector, control unit

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19740608C2 (en) * 1997-09-16 2003-02-13 Daimler Chrysler Ag Method for determining a fuel injection-related parameter for an internal combustion engine with high-pressure accumulator injection system
DE102005001428A1 (en) * 2004-03-12 2005-09-29 Robert Bosch Gmbh Control system for internal combustion engine using common rail fuel injection system allows first and second injections of fuel into each cylinder with second injection controlling mixture strength
DE102007060049A1 (en) * 2007-12-13 2009-06-18 Robert Bosch Gmbh Method for determining injection discharge rate of injector for injecting fuel into combustion chamber, involves determining injection discharge rate, particularly end of injection of injector by multilayered artificial neuronal network
DE102009029549A1 (en) 2009-09-17 2011-03-24 Robert Bosch Gmbh Method for determining a time
DE102016217306A1 (en) * 2016-09-12 2018-03-15 Robert Bosch Gmbh Method for controlling multiple injections in an injection system

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020205688A1 (en) 2020-05-06 2021-11-11 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for evaluating an operating variable of an injection valve
DE102020211418A1 (en) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102020211416A1 (en) 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
WO2022053623A1 (en) * 2020-09-11 2022-03-17 Robert Bosch Gmbh Method and device for operating a fuel injection valve
WO2022053620A1 (en) * 2020-09-11 2022-03-17 Robert Bosch Gmbh Method and device for training a data-based time determining model for determining an opening or closing time of an injection valve using a machine learning method
US11846244B2 (en) 2020-09-11 2023-12-19 Robert Bosch Gmbh Method and apparatus for operating a fuel injection valve with the aid of machine learning methods
US12092050B2 (en) 2020-09-11 2024-09-17 Robert Bosch Gmbh Method and device for operating a fuel injection valve
US12098688B2 (en) 2020-09-11 2024-09-24 Robert Bosch Gmbh Method and device for operating a fuel injection valve with the aid of machine learning methods
US11506165B2 (en) 2020-11-11 2022-11-22 Robert Bosch Gmbh Method for ascertaining a variable characterizing a flow rate of a fuel injector
DE102020214953A1 (en) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training a classifier for controlling an injector of an internal combustion engine
US11454202B2 (en) 2020-11-27 2022-09-27 Robert Bosch Gmbh Method and device for ascertaining a closure point in time of an injector of an internal combustion engine with the aid of a machine learning system
DE102020214952A1 (en) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for determining a closing time of an injector of an internal combustion engine using a machine learning system
DE102020214952B4 (en) 2020-11-27 2023-03-23 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for determining a closing time of an injector of an internal combustion engine using a machine learning system
DE102021202287A1 (en) 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021202289A1 (en) 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computer-implemented method and device for training a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods
DE102021202287B4 (en) 2021-03-09 2023-03-23 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021206638A1 (en) 2021-05-10 2022-11-10 Vitesco Technologies GmbH Computer-implemented method and control apparatus for controlling a powertrain of a vehicle using a convolutional neural network.
DE102021206638B4 (en) 2021-05-10 2023-02-02 Vitesco Technologies GmbH Computer-implemented method and control apparatus for controlling a powertrain of a vehicle using a convolutional neural network.
DE102021205590A1 (en) 2021-06-01 2022-12-01 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021205589A1 (en) 2021-06-01 2022-12-01 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021205589B4 (en) 2021-06-01 2023-02-09 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021206876A1 (en) 2021-06-30 2023-01-05 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for operating a fuel injector using machine learning methods
DE102021207799A1 (en) 2021-07-21 2023-01-26 Robert Bosch Gesellschaft mit beschränkter Haftung Method for determining a variable characterizing a flow rate of a fuel injector
DE102021208280A1 (en) 2021-07-30 2023-02-02 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for providing a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods
DE102022200290A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training and evaluating an evaluation model for a classification application
DE102022200284A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for providing and evaluating a sensor model for a change point detection
DE102022200286A1 (en) 2022-01-13 2023-07-13 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for training a sensor model for change-point detection
DE102022212772A1 (en) 2022-11-29 2024-05-29 Robert Bosch Gesellschaft mit beschränkter Haftung Method for controlling an injector, control unit

Also Published As

Publication number Publication date
WO2020052891A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
DE102019209690A1 (en) Method for controlling the fuel metering in an internal combustion engine
EP0416265A1 (en) Method and device for controlling fuel injection
WO2002006655A1 (en) Method and device for controlling an internal combustion engine
DE102021212338A1 (en) Method for determining a variable characterizing a flow rate of a fuel injector
EP3701433A1 (en) Method, device and computer program for developing a deep neural network
DE102007060049A1 (en) Method for determining injection discharge rate of injector for injecting fuel into combustion chamber, involves determining injection discharge rate, particularly end of injection of injector by multilayered artificial neuronal network
DE102020205688A1 (en) Method and device for evaluating an operating variable of an injection valve
DE102018213114A1 (en) Method and device for operating an internal combustion engine with a common rail injection system
DE4308541A1 (en) Method and device for controlling and / or regulating an actuator
WO2022053626A1 (en) Method and device for operating a fuel injection valve with the aid of machine learning methods
DE10123035A1 (en) Method and device for controlling an internal combustion engine
DE10003298A1 (en) Pressure regulation method involves modeling pressure regulator and/or actuator to produce at least one signal characterizing disturbing parameters in pressure regulating circuit
DE102009044969A1 (en) Method for determining switch-off time of solenoid valve of rail-diesel engine, involves providing reference characteristic as simulation characteristic by solenoid valve simulation circuit that imitates reference measurement characteristic
DE102016220123B4 (en) Method and device for plausibilizing the functionality of a high-pressure sensor of a fuel injection system of a motor vehicle
DE102016206476B3 (en) A method of operating a diesel common rail piezobetriebenen Servoinjektors and motor vehicle
DE102013205504B4 (en) Determining the opening energy of a fuel injector
WO2022053613A1 (en) Method and device for operating a fuel injection valve using a machine learning method
DE102014100648A1 (en) Device for detecting a malfunction for a fuel pressure sensor
DE102021200789A1 (en) Computer-implemented method and device for manipulation detection for exhaust aftertreatment systems using artificial intelligence methods
DE102014222556A1 (en) Method for controlling an injection duration of an injector in an internal combustion engine
WO2013156377A1 (en) Method and device for operating an internal combustion engine
DE102021205589B4 (en) Method and device for operating a fuel injector using machine learning methods
DE102015212085B4 (en) Method and device for determining the minimum hydraulic spraying distance of a piezo-servo-injector
WO2005080778A1 (en) Method for determining the actuator energy required for the different injection types of an actuator of an internal combustion engine
DE102017214519A1 (en) Method for detecting the viscosity of the fuel