-
KURZDARSTELLUNG
-
Ein Motorklopfen tritt bei unvollständiger oder ungleichmäßiger Zündung von Kraftstoff innerhalb eines Brennraums eines Motors auf. Der Motor kann beispielsweise in einem Personenkraftwagen eingebaut sein. Wenn Motorklopfen auftritt, kann dieses hörbare Geräusche verursachen, welche das Wohlbefinden der Fahrzeuginsassen beeinträchtigen. Motorklopfen kann auch eine Beschädigung des Motors verursachen. Hochpräzise Klopferkennungssensoren können hohen Temperaturen und Drücken im Brennraum standhalten, diese hochpräzisen Sensoren sind allerdings teuer und die Installation der hochpräzisen Sensoren ist teuer und zeitaufwendig. Die hohen Installationskosten der Sensoren sind zum Teil darauf zurückzuführen, dass eine professionelle Installation erforderlich ist, um in den Innenbereich der Brennkammer zu gelangen, in dem sich hochpräzise Sensoren befinden sollten. Es gibt kostengünstigere niedrigpräzise Klopferkennungssensoren, die auf Schwingungen des Motorblocks des Motors angewiesen sind. Diese niedrigpräzisen Sensoren beeinträchtigen die Genauigkeit, sind aber kostengünstiger, da sie einfacher zu installieren sind als die hochpräzisen Sensoren und keinen hohen Drücken und Temperaturen standhalten müssen. Ein Beispiel für einen hochpräzisen Klopferkennungssensor 100 ist in der
1A dargestellt. Wie in der
1A dargestellt, ist ein hochpräziser Klopferkennungssensor 100 in einem Brennraum 105 eines Motors 110 aufgenommen. Ein Beispiel für einen niedrigpräzisen Klopferkennungssensor 115 ist in der
1A dargestellt. Wie in der
1B dargestellt, ist ein niedrigpräziser Klopferkennungssensor 115 an einem Motorblock 120 des Motors 110 installiert. Aus der
JP 2005-120 896 A ist weiter ein Verfahren zum Detektieren eines Zylinderdrucks bekannt.
-
Es wäre vorteilhaft, wenn die mit hochpräzisen Sensoren erreichte Genauigkeit erreicht werden könnte, ohne dass die Kosten für die Anschaffung und Installation solcher Sensoren anfallen. Die hierin beschriebenen Ausführungsformen bieten unter anderem ein System und ein Verfahren zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Sensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Sensor verwendet werden.
-
Eine Ausführungsform schafft ein System zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Klopferkennungssensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Klopferkennungssensor verwendet werden. Das System umfasst einen Motor, einen hochpräzisen Klopferkennungssensor, einen niedrigpräzisen Klopferkennungssensor und einen elektronischen Prozessor. Der elektronische Prozessor ist dazu eingerichtet, erste Daten von dem hochpräzisen Klopferkennungssensor zu empfangen. Die ersten Daten repräsentieren den Druck in einem Brennraum des Motors. Der elektronische Prozessor ist außerdem dazu eingerichtet, zweite Daten von dem niedrigpräzisen Klopferkennungssensor zu empfangen. Die zweiten Daten repräsentieren Schwingungen eines Motorblocks. Der elektronische Prozessor ist ferner dazu eingerichtet, die ersten Daten auf die zweiten Daten abzubilden, und das Deep-Learning-System unter Verwendung von Trainingsdaten einschließlich der abgebildeten Daten zu trainieren, einen prädizierten Spitzendruck unter Verwendung von Daten des niedrigpräzisen Klopferkennungssensors zu bestimmen. Der elektronische Prozessor ist außerdem dazu eingerichtet, dritte Daten von dem niedrigpräzisen Klopferkennungssensor zu empfangen und unter Verwendung der dritten Daten den prädizierten Spitzendruck mit dem trainierten Deep-Learning-System zu bestimmen.
-
Eine weitere Ausführungsform schafft ein Verfahren zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Klopferkennungssensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Klopferkennungssensor verwendet werden. Das Verfahren umfasst das Empfangen von ersten Daten von einem hochpräzisen Klopferkennungssensor mittels eines elektronischen Prozessors. Die ersten Daten repräsentieren den Druck in einem Brennraum eines Motors. Das Verfahren umfasst außerdem das Empfangen von zweiten Daten von einem niedrigpräzisen Klopferkennungssensor mittels des elektronischen Prozessors. Die zweiten Daten repräsentieren Schwingungen eines Motorblocks. Das Verfahren umfasst ferner das Abbilden der ersten Daten auf die zweiten Daten mittels des elektronischen Prozessors, und das Trainieren des Deep-Learning-Systems unter Verwendung von Trainingsdaten einschließlich der abgebildeten Daten, einen prädizierten Spitzendruck unter Verwendung von Daten des niedrigpräzisen Klopferkennungssensors zu bestimmen. Das Verfahren umfasst ferner das Empfangen von dritten Daten von dem niedrigpräzisen Klopferkennungssensor und das Bestimmen des prädizierten Spitzendrucks mittels des trainierten Deep-Learning-Systems unter Verwendung der dritten Daten.
-
Weitere Aspekte, Merkmale und Ausführungsformen ergeben sich aus der Betrachtung der ausführlichen Beschreibung und der beigefügten Zeichnungen.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
In den Zeichnungen ist:
- die 1A eine Darstellung eines installierten hochpräzisen Klopferkennungssensors gemäß einer Ausführungsform;
- die 1B eine Darstellung eines installierten niedrigpräzisen Klopferkennungssensors gemäß einer Ausführungsform;
- die 2 ein Blockdiagramm eines Systems zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Sensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Sensor verwendet werden, gemäß einigen Ausführungsformen;
- die 3 ein Blockdiagramm einer elektronischen Steuerung des Systems der 2;
- die 4 ein Ablaufdiagramm eines Verfahrens zur Verwendung des Systems der 1 zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Sensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Sensor verwendet werden, gemäß einigen Ausführungsformen;
- die 5 eine Darstellung des Abbildens von Daten von einem hochpräzisen Klopferkennungssensor auf Daten von einem niedrigpräzisen Klopferkennungssensor;
- die 6 eine Darstellung eines in einem Speicher der elektronischen Steuerung der 3 enthaltenen Deep-Learning-Systems;
- die 7A eine Darstellung eines eindimensionalen Filters einer ersten Faltungsschicht eines Deep-Learning-Systems, das in einem Speicher der elektronischen Steuerung der 3 enthalten ist, gemäß einigen Ausführungsformen;
- die 7B eine Darstellung eines Beispiels für die eindimensionalen Filter der letzten Faltungsschicht eines Deep-Learning-Systems, das in einem Speicher der elektronischen Steuerung der 3 enthalten ist, gemäß einigen Ausführungsformen;
- die 8 eine Darstellung einer linearen Regression zwischen einem durch einen hochpräzisen Klopferkennungssensor bestimmten Spitzendruck und einem prädizierten Spitzendruck, der unter Verwendung von Daten eines niedrigpräzisen Sensors durch ein Deep-Learning-System bestimmt wird, das in einem Speicher der elektronischen Steuerung der 3 enthalten ist.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Bevor Ausführungsformen ausführlich erläutert werden, ist anzumerken, dass diese Offenbarung bei ihrer Anwendung nicht auf die in der folgenden Beschreibung dargelegten oder in den folgenden Zeichnungen dargestellten Konstruktionsdetails und die Anordnung von Komponenten beschränkt werden soll. Ausführungsformen können anders ausgestaltet sein und unterschiedlich in die Praxis umgesetzt oder auf unterschiedliche Weise ausgeführt werden.
-
Zum Implementieren verschiedener Ausführungsformen können eine Vielzahl von hardware- und softwarebasierten Geräten sowie eine Vielzahl von unterschiedlichen Bauelementen verwendet werden. Darüber hinaus können Ausführungsformen Hardware, Software und elektronische Komponenten oder Module umfassen, die zur Erörterung so dargestellt und beschrieben werden können, als wäre der Grossteil der Komponenten ausschließlich in Hardware implementiert. Ein Durchschnittsfachmann auf dem Gebiet erkennt jedoch anhand der Lektüre dieser ausführlichen Beschreibung, dass in mindestens einer Ausführungsform die auf Elektronik basierenden Aspekte der Erfindung in Software (die z.B. auf einem nichtflüchtigen, computerlesbaren Medium gespeichert ist) implementiert werden können, die von einem oder mehreren Prozessoren ausgeführt werden kann. Beispielsweise können in der Beschreibung beschriebene „Steuereinheiten“ und „Steuerungen“ einen oder mehrere elektronische Prozessoren, ein oder mehrere Speichermodule mit einem nichtflüchtigen computerlesbaren Medium, eine oder mehrere Eingabe/Ausgabe-Schnittstellen, eine oder mehrere anwendungsspezifische integrierte Schaltungen (ASICs) und verschiedene Verbindungen (z.B. einen Systembus), welche die verschiedenen Komponenten verbinden, umfassen.
-
Die 2 zeigt ein System 200 zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Sensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Sensor verwendet werden. Das System 200 umfasst unter anderem eine elektronische Steuerung 205, einen Motor 210, einen hochpräzisen Klopferkennungssensor 215 und einen niedrigpräzisen Klopferkennungssensor 220. Der Motor 210 kann eine Zündung 225, einen Motorblock 228 und einen Brennraum 230 umfassen. Der hochgenaue Klopferkennungssensor 215 kann in einem Brennraum 230 des Motors 210 angeordnet und dazu eingerichtet sein, den Druck von Gasen im Brennraum 230 zu messen. Der niedrigpräzise Klopferkennungssensor 220 kann an der Außenseite des Motors 210 montiert sein (beispielsweise an dem Motorblock 228 des Motors 210) und dazu eingerichtet sein, Schwingungen des Motors 210 zu messen.
-
Die in der 2 dargestellte Ausführungsform stellt lediglich ein Beispiel für die Komponenten und Anschlüsse des Systems 200 dar. Diese Komponenten und Verbindungen können jedoch auch auf andere Weise als hierin dargestellt und beschrieben konstruiert sein. Es sei darauf hingewiesen, dass das System 200 zwar als in einem vierrädrigen Fahrzeug enthalten dargestellt ist, dass das System 200 jedoch in verschiedenen Arten und Konstruktionen von Fahrzeugen enthalten sein kann. Das System 200 kann beispielsweise in einem Automobil, einem Motorrad, einem Lastkraftwagen, einem Bus, einer Sattelzugmaschine und anderen Fahrzeugen enthalten sein. Darüber hinaus kann das System 200 in einer von einem Verbrennungsmotor angetriebenen Maschine enthalten sein, bei der es sich nicht um ein Fahrzeug handelt.
-
Die elektronische Steuerung 205 kann über verschiedene drahtgebundene oder drahtlose Verbindungen mit dem Motor 210, dem hochpräzisen Klopferkennungssensor 215, dem niedrigpräzisen Klopferkennungssensor 220 und der Zündung 225 kommunikativ verbunden sein. Beispielsweise ist die elektronische Steuerung 205 in einigen Ausführungsformen über einen dedizierten Draht direkt mit jeder der oben aufgeführten Komponenten des Systems 200 gekoppelt. In weiteren Ausführungsformen ist die elektronische Steuerung 205 über eine gemeinsame Kommunikationsverbindung, wie beispielsweise einen Fahrzeugkommunikationsbus (z.B. einen Controller Area Network (CAN)-Bus) oder eine drahtlose Verbindung, kommunikativ mit einer oder mehreren der Komponenten gekoppelt. Weiterhin kann jede der Komponenten des Systems 200 über verschiedene Kommunikationsprotokolle mit der elektronischen Steuerung 205 kommunizieren.
-
Die 3 ist ein Blockdiagramm der elektronischen Steuerung 205 des Systems 200. Die elektronische Steuerung 205 umfasst eine Vielzahl von elektrischen und elektronischen Komponenten, die den Komponenten und Modulen innerhalb der elektronischen Steuerung 205 Leistung, Betriebssteuerung und Schutz bereitstellen. Die elektronische Steuerung 205 umfasst unter anderem einen elektronischen Prozessor 300 (wie etwa einen programmierbaren elektronischen Mikroprozessor, einen Mikrocontroller oder eine ähnliche Einrichtung), einen Speicher 305 (beispielsweise einen nichtflüchtigen, computerlesbaren Speicher) und eine Eingabe/Ausgabe-Schnittstelle 310. Der elektronische Prozessor 300 ist kommunikativ mit dem Speicher 305 und der Eingabe/Ausgabe-Schnittstelle 310 verbunden. Der elektronische Prozessor 300 ist in Koordination mit dem Speicher 305 und der Eingabe/Ausgabe-Schnittstelle 310 unter anderem dazu eingerichtet, die hierin beschriebenen Verfahren zu implementieren.
-
Wie nachfolgend noch näher beschrieben wird, enthält der Speicher 305 computerausführbare Anweisungen zum Trainieren eines Deep-Learning-Systems, um Motorklopfen mit einer Genauigkeit zu erkennen, die mit hochpräzisen Klopferkennungssensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Klopferkennungssensor verwendet werden. In dem in der 3 dargestellten Beispiel umfasst der Speicher 305 eine Sensordaten-Abbildungssoftware 315, Trainingsdaten 320 und ein Deep-Learning-System 325. In einigen Ausführungsformen bildet die Sensordaten-Abbildungssoftware 315 von dem hochpräzisen Klopferkennungssensor 215 empfangene Daten auf von dem niedrigpräzisen Klopferkennungssensor 220 empfangene Daten ab, um die Trainingsdaten 320 zu erzeugen, die von dem elektronischen Prozessor 300 verwendet werden, um das Deep-Learning-System 325 zum Erkennen von Motorklopfen (genauer zum Bestimmen eines Spitzendrucks im Brennraum 230 des Motors 210) zu trainieren. Es versteht sich, dass der Speicher 305 mehr, weniger oder andere als die in der 3 dargestellten Programme umfassen kann. Es versteht sich außerdem, dass Funktionalitäten oder Werte, die hierin als einer Komponente des Speichers 305 zugeordnet beschrieben werden, in weiteren Ausführungsformen einer anderen Komponente des Speichers 305 zugeordnet sein können.
-
In einigen Ausführungsformen kann die elektronische Steuerung 205 in mehreren unabhängigen Steuerungen (zum Beispiel programmierbaren elektronischen Steuerungen) implementiert sein, die jeweils dazu eingerichtet sind, bestimmte Funktionen oder Teilfunktionen auszuführen. Zusätzlich kann die elektronische Steuerung 205 Submodule enthalten, die zusätzliche elektronische Prozessoren, Speicher oder anwendungsspezifische integrierte Schaltungen (ASICs) zum Behandeln von Eingabe/Ausgabe-Funktionen, zum Verarbeiten von Signalen und zur Anwendung der unten aufgeführten Verfahren umfassen. In weiteren Ausführungsformen umfasst die elektronische Steuerung 205 zusätzliche, weniger oder unterschiedliche Komponenten. Somit können die Programme auch auf einen oder mehrere Prozessoren verteilt sein.
-
Die 4 veranschaulicht ein Beispiel für ein Verfahren 400 zum Trainieren eines Deep-Learning-Systems zum Erkennen von Motorklopfen mit einer Genauigkeit, die mit hochpräzisen Klopferkennungssensoren verbunden ist, obwohl Daten von einem niedrigpräzisen Klopferkennungssensor verwendet werden. Das Verfahren 400 beginnt bei Schritt 405, wenn der elektronische Prozessor 300 von dem hochgenauen Klopferkennungssensor 215 erste Daten empfängt, die den Druck von Gasen im Brennraum 230 des Motors 210 repräsentieren. Bei Schritt 410 empfängt der elektronische Prozessor 300 außerdem zweite Daten von dem niedrigpräzisen Klopferkennungssensor 220, wobei die zweiten Daten Schwingungen des Motorblocks 228 repräsentieren. Bei Schritt 415 führt der elektronische Prozessor 300 die Sensordaten-Abbildungssoftware 315 aus und bildet die ersten Daten auf die zweiten Daten ab. In der 5 ist ein Beispiel für die Abbildung der ersten Daten auf die zweiten Daten dargestellt. Wie in der 5 dargestellt, bildet der elektronische Prozessor 300 einen Spitzendruck in den ersten Daten auf Schwingungen in den zweiten Daten ab. Die auf den Spitzendruck abgebildeten zweiten Daten und der Spitzendruck (die abgebildeten Daten) werden in die Trainingsdaten 320 in dem Speicher 305 aufgenommen. Es ist zu beachten, dass der elektronische Prozessor 300 die Schritte 405 bis 415 des Verfahrens 400 mehrfach ausführen kann, um eine Vielzahl von Trainingsbeispielen zur Aufnahme in die Trainingsdaten 320 zu erstellen. Bei Schritt 420 verwendet der elektronische Prozessor 300 die Trainingsdaten 320, um das Deep-Learning-System 325 dazu zu trainieren, unter Verwendung von Daten von dem niedrigpräzisen Klopferkennungssensor 220 einen Spitzendruck in dem Brennraum 230 vorherzusagen. Bei Schritt 425 empfängt der elektronische Prozessor 300 dritte Daten von dem niedrigpräzisen Klopferkennungssensor 220. Die dritten Daten wurden zuvor nicht von dem elektronischen Prozessor 300 empfangen. Bei Schritt 430 führt der elektronische Prozessor 300 das Deep-Learning-System 325 (das trainierte Deep-Learning-System) aus, um unter Verwendung der dritten Daten als Eingabe einen prädizierten Spitzendruck zu bestimmen. Es ist zu beachten, dass das trainierte Deep-Learning-System aus dem Speicher 305 in einen Speicher verschoben oder kopiert werden kann, der in einem anderen System als dem System 200 enthalten ist. Das andere System umfasst beispielsweise einen niedrigpräzisen Klopferkennungssensor, umfasst jedoch keinen hochpräzisen Klopferkennungssensor. Das trainierte Deep-Learning-System kann von dem anderen System verwendet werden, um unter Verwendung von Daten des in dem anderen System enthaltenen niedrigpräzisen Klopferkennungssensors prädizierte Spitzendrücke zu bestimmen.
-
Die 6 zeigt ein Beispiel für das Deep-Learning-System 325. In dem dargestellten Beispiel handelt es sich bei dem Deep-Learning-System 325 um ein neuronales Faltungsnetzwerk („convolutional neural network“, (CNN)), das Daten von dem niedrigpräzisen Klopferkennungssensor 220 akzeptiert und einen prädizierten Spitzendruck ausgibt. In einem Beispiel umfasst das neuronale Faltungsnetzwerk eine Vielzahl von Schichten. Jede in dem neuronalen Faltungsnetzwerk enthaltene Schicht ist vollständig verbunden, sodass durch das neuronale Faltungsnetzwerk extrahierte Merkmale in eine Vielzahl von Merkmalsräumen separiert werden können. In einer Ausführungsform sind in dem neuronalen Faltungsnetzwerk drei Arten von Schichten enthalten. Die drei Arten von Schichten sind Faltungsschichten, Pooling-Schichten und eine Schicht der linearen Aktivierungsfunktion. In einer Ausführungsform umfasst das neuronale Faltungsnetzwerk eine Vielzahl von Faltungsschichten, denen jeweils eine Pooling-Schicht nachgeschaltet ist.
-
Jede Faltungsschicht umfasst einen oder mehrere eindimensionale Filter. Die Filter werden von dem neuronalen Faltungsnetzwerk gelernt. Die Filter extrahieren Merkmale aus den von dem niedrigpräzisen Klopferkennungssensor 220 empfangenen Daten. Beispielsweise sind die Filter dazu ausgelegt, Merkmale zu extrahieren, die mit dem Zeitpunkt der Vibrationsdaten verknüpft sind. In der 7A ist ein Beispiel für das eindimensionale Filter der ersten Faltungsschicht des neuronalen Faltungsnetzwerks dargestellt, und in der 7B ist ein Beispiel für die eindimensionalen Filter der letzten Faltungsschicht des neuronalen Faltungsnetzwerks dargestellt. Es sei darauf hingewiesen, dass die Filter zwar im Zeitbereich gelernt werden, in den 7A und 7B zum leichteren Verständnis jedoch Frequenzbereichsdarstellungen der Filter (die durch Anwendung einer schnellen Fourier-Transformation erzeugt wurden) dargestellt sind.
-
Jede in dem neuronalen Faltungsnetzwerk enthaltene Pooling-Schicht ist eine Max-Pooling-Schicht. Die Pooling-Schichten des neuronalen Faltungsnetzwerks reduzieren die Merkmalsinvarianz. Aufgrund der Einbeziehung von Max-Pooling-Schichten in das neuronale Faltungsnetzwerk müssen beispielsweise die Daten von dem niedrigpräzisen Klopferkennungssensor 220 nicht zeitlich ausgerichtet sein, damit das neuronale Faltungsnetzwerk einen prädizierten Spitzendruck aus den Daten von dem niedrigpräzisen Klopferkennungssensor 220 bestimmen kann. Mit anderen Worten, der Spitzendruck kann in den Daten des niedrigpräzisen Klopferkennungssensors 220 zu einem Zeitpunkt auftreten, der sich von dem Zeitpunkt unterscheidet, zu dem in den zuvor von dem niedrigpräzisen Klopferkennungssensor 220 empfangenen Daten Spitzendrücke aufgetreten sind. Trotz der zu unterschiedlichen Zeitpunkten auftretenden Spitzendrücke ist das neuronale Faltungsnetzwerk in der Lage, den Spitzendruck genau zu identifizieren.
-
Die letzte Schicht des neuronalen Faltungsnetzwerks (die Schicht der linearen Aktivierungsfunktion) implementiert eine einzige lineare Aktivierungsfunktion. Die lineare Aktivierungsfunktion wirkt als Regressionsfunktion, die eine lineare Beziehung zwischen den eindeutigen Merkmalsräumen und dem prädizierten Spitzenwert des hochpräzisen Sensors bestimmt. Auf der Grundlage der linearen Beziehung gibt das neuronale Faltungsnetzwerk einen prädizierten Spitzendruck aus. In der 8 ist ein Beispiel für eine lineare Regression 800 zwischen dem durch den hochpräzisen Klopferkennungssensor 215 bestimmten Spitzendruck und dem durch das neuronale Faltungsnetzwerk unter Verwendung von Daten von einem niedrigpräzisen Sensor bestimmten prädizierten Spitzendruck dargestellt. Wie in der linearen Regression 800 zu sehen ist, korreliert der prädizierte Spitzendruck eng mit dem durch den hochpräzisen Sensor bestimmten Spitzendruck.
-
Sobald der elektronische Prozessor 300 den prädizierten Spitzendruck bestimmt hat, vergleicht der elektronische Prozessor 300 in einigen Ausführungsformen den prädizierten Spitzendruck mit einem vorgegebenen Schwellenwert. Falls der prädizierte Spitzendruck beispielsweise unter dem vorgegebenen Schwellenwert liegt, erkennt der elektronische Prozessor 300 ein Motorklopfen. In einigen Ausführungsformen prognostiziert der elektronische Prozessor 300 auch ein Motorklopfen, wenn der prädizierte Spitzendruck gleich dem vorgegebenen Schwellenwert ist. In einigen Ausführungsformen führt der elektronische Prozessor 300 ansprechend auf das Erkennen eines Motorklopfens eine vorbeugende Maßnahme durch. Beispielsweise kann der elektronische Prozessor 300 ein Signal an die Zündung 225 senden, um den Betriebspunkt der Zündung 225 zu ändern, wodurch die Zündung 225 verzögert wird. In einigen Ausführungsformen aktualisiert der elektronische Prozessor 300 den Betriebspunkt der Zündung 225 dynamisch basierend auf dem prädizierten Spitzendruck.
-
In der vorangegangenen Beschreibung wurden spezifische Ausführungsformen beschrieben. Ein Durchschnittsfachmann auf dem Gebiet erkennt jedoch, dass verschiedene Abwandlungen und Änderungen vorgenommen werden können, ohne von dem Umfang der Erfindung, wie er in den nachstehenden Ansprüchen dargelegt ist, abzuweichen. Dementsprechend sind die Beschreibung und die Figuren eher als veranschaulichend und nicht als einschränkend zu betrachten, und alle diese Änderungen sollen im Umfang der vorliegenden Lehren enthalten sein.
-
In diesem Dokument können relationale Begriffe wie erste(r) und zweite(r), obere(r) und untere(r) und dergleichen allein dazu verwendet werden, eine Einheit oder Handlung von einer anderen Einheit oder Handlung zu unterscheiden, ohne eine tatsächliche derartige Beziehung oder Reihenfolge zwischen solchen Einheiten oder Handlungen notwendigerweise zu erfordern oder zu implizieren. Die Begriffe „umfasst,“ „umfassend,“ „weist auf,“ „aufweisend,“ „einschließt,“ „einschließend,“ „enthält,“ „enthaltend“ oder eine beliebige andere Abwandlung derselben, sollen eine nichtausschließliche Einbeziehung abdecken, sodass ein Prozess, ein Verfahren, ein Gegenstand oder ein Apparat, der bzw. das eine Liste von Elementen umfasst, aufweist, einschließt, enthält, nicht nur diese Elemente einschließt, sondern auch andere Elemente einschließen kann, die nicht ausdrücklich aufgeführt sind oder die einem solchen Prozess, einem solchen Verfahren, einem solchen Gegenstand oder einer solchen Vorrichtung inhärent sind. Ein Element dem „umfasst ein,...“ „hat ein,...“ „schließt ein...ein," oder „enthält ein...“ vorangestellt ist, schließt nicht ohne weitere Einschränkungen die Existenz zusätzlicher identischer Elemente in dem Prozess, dem Verfahren, dem Gegenstand oder der Vorrichtung aus, der bzw. das bzw. die das Element umfasst, aufweist, einschließt, enthält. Die Begriffe „ein“ und „eine“ sind, sofern hierin nicht ausdrücklich anders angegeben, als „eine(r) oder mehrere“ definiert. Die Begriffe „im Wesentlichen“, „wesentlich“, „annähernd“, „circa“, oder eine beliebige andere Variante derselben, sind als „nahe bei“ definiert, wie dies von einem Durchschnittsfachmann auf dem Gebiet verstanden wird, und in einer nicht einschränkenden Ausführungsform ist der Begriff so definiert, dass er „innerhalb von 10%“ bedeutet, in einer weiteren Ausführungsform „innerhalb von 5%“, in einer weiteren Ausführungsform „innerhalb von 1%“ und in einer weiteren Ausführungsform „innerhalb von 0,5%“. Der hier verwendete Begriff „gekoppelt“ ist im Sinne von „verbunden“ definiert, wenn auch nicht notwendigerweise direkt und nicht notwendigerweise mechanisch. Eine Vorrichtung oder Struktur, die auf eine bestimmte Weise „eingerichtet“ ist, ist zumindest auf diese Weise eingerichtet, kann aber auch auf eine Weise eingerichtet sein, die nicht aufgeführt ist.
-
Verschiedene Merkmale, Vorteile und Ausführungsformen sind in den nachstehenden Ansprüchen dargelegt.