DE102020007952A1

DE102020007952A1 - System und verfahren zur vorhersage eines fahrzeugmotordrehmoments unter verwendung eines künstlichen neuronalen netzes

Info

Publication number: DE102020007952A1
Application number: DE102020007952.0A
Authority: DE
Inventors: Hyung-Soo Do
Original assignee: Hyundai Kefico Corp
Current assignee: Hyundai Kefico Corp
Priority date: 2020-01-20
Filing date: 2020-12-29
Publication date: 2021-07-22
Also published as: US11326572B2; CN113153521B; KR102165878B1; CN113153521A; US20210222662A1

Abstract

Ein Verfahren zum Vorhersagen des Fahrzeugmotordrehmoments unter Verwendung eines künstlichen neuronalen Netzes wird bereitgestellt. Ein Modell eines datenbasierten künstlichen neuronalen Netzwerks wird verwendet, um das Drehmoment genauer zu berechnen und die Entwicklungskosten für Kalibrierung und Logik zu reduzieren.

Description

HINTERGRUND
Technisches Gebiet
Die vorliegende Erfindung betrifft allgemein ein System und ein Verfahren zur Vorhersage eines Kraftfahrzeugmotordrehmoments unter Verwendung eines künstlichen neuronalen Netzes (ANN) und insbesondere eine Technologie betreffend ein Verfahren zur Vorhersage des Kraftfahrzeugmotordrehmoments, wobei mit dem Verfahren die geringste Zündzeitpunktverstellung eines Benzinmotors unter Verwendung von Lernen mit künstlicher Intelligenz bestimmt wird.
Beschreibung des verwandten Standes der Technik
Im Allgemeinen verwenden Benzinmotorsysteme ein auf Thermodynamik basierendes Modell, um das aktuelle Drehmoment des Motors zu berechnen. Eine solche Drehmoment-Vorhersagetechnologie aus dem Stand der Technik wird auf der Basis von Faktoren konfiguriert, die die Erzeugung des Drehmoments während des Verbrennungsprozesses eines Benzinmotors beeinflussen. Mit anderen Worten: In der Drehmoment-Vorhersagetechnologie des verwandten Standes der Technik wird ein auf Thermodynamik beruhendes Modell verwendet, um das Drehmoment eines Benzinmotorsystems einzustellen.
Mit einem solchen thermodynamikbasierten Modell des verwandten Standes der Technik wird das aktuelle Motordrehmoment unter Verwendung einer Tabelle erhalten, die das maximale Drehmoment nach Fläche, die geringste Zündzeitpunktverstellung nach Fläche, die Auswirkungen des Inertgases in einem Gasgemisch, die Auswirkungen des Luft/Kraftstoff-Verhältnisses und die Zündwirkungsgrade enthält, basierend auf einer Vielzahl von Informationen, wie z. B. der Kalibrierung. Mit anderen Worten: In der Technologie nach dem verwandten Stand der Technik wird ein auf Thermodynamik basierendes Modell erstellt, und die Auswirkungen der Eingabevariablen auf die Ausgänge werden mit Hilfe physikalischer Gesetze erklärt und in Form von Formeln und Tabellen ausgedrückt.
Mit der Anwendung der neuesten Technologie zur Erfüllung der Abgasvorschriften ist eine solche Drehmomentberechnungslogik jedoch komplexer geworden. Darüber hinaus hat die Komplexität der Systeme von Benzinmotoren mit der Entwicklung der Fahrzeugtechnologien zugenommen. Dementsprechend wird es schwieriger, das Drehmoment mit dem auf Thermodynamik basierenden Modell des verwandten Standes der Technik genau zu berechnen.
In dieser Technologie des verwandten Standes der Technik wird es mit zunehmender Komplexität des Systems schwieriger, relevante Daten mit Hilfe von physikalischen Gesetzen auszudrücken. Dadurch kann die Genauigkeit des Modells abnehmen oder es können übermäßig hohe Kosten entstehen. Anders ausgedrückt: Die Drehmomentvorhersagetechnologie nach dem verwandten Stand der Technik leidet unter erhöhten Kalibrierungskosten, die problematisch sind.
Da es zum Beispiel schwierig ist, die Menge des Inertgases in Echtzeit zu messen, wird die Menge des Inertgases indirekt durch Modellierung vorhergesagt. Der durch die Vorhersage erhaltene Wert ist jedoch ungenau, und die Auswirkungen des Inertgases vorherzusagen stellt eine erhebliche Schwierigkeit dar. Darüber hinaus wird bei der Drehmomentvorhersagemethode, die das auf Thermodynamik basierende Modell verwendet, die Nichtlinearität des Modells, aufgrund der Auswirkungen der einzelnen physikalischen Größen, in einer Tabelle ausgedrückt. Daher kann ein in der Tabelle festgelegter Wert einen erheblichen Einfluss auf die Genauigkeit des Modells haben, was problematisch ist.
ZUSAMMENFASSUNG
Dementsprechend stellt die vorliegende Erfindung ein System und Verfahren zur Vorhersage des Kraftfahrzeugmotordrehmoments unter Verwendung eines künstlichen neuronalen Netzes bereit, in welchem die Beschränkungen eines thermodynamikbasierten Modells durch Anwendung eines datenbasierten künstlichen neuronalen Netzes überwunden werden können, so dass das Drehmoment mit größerer Genauigkeit berechnet werden kann und die Entwicklungskosten für die Kalibrierung und Logik reduziert werden können.
Um die oben genannte Aufgabe zu erfüllen, wird mit der vorliegenden Erfindung ein Verfahren zur Vorhersage des Kraftfahrzeugmotordrehmoments unter Verwendung eines künstlichen neuronalen Netzes bereitgestellt. Das Verfahren kann Folgendes umfassen: Erhalten von Informationen zum Betriebspunkt eines Fahrzeugmotors, Konfigurieren der Betriebspunktinformation in eine Anzahl n von Datensätzen durch den Fahrzeugmotor, Extrahieren von Information zu der geringsten Zündzeitpunktverstellung für bestes Drehmoment (MBT) aus der Anzahl n von Datensätzen, Konstruieren des künstlichen neuronalen Netzes, in dem die aus der Anzahl n von Datensätzen bestehende Betriebspunktinformation als eine Eingabeschicht bestimmt ist, die Zündzeitpunktverstellungsinformation und die Drehmomentinformation als eine Ausgabeschicht bestimmt sind und eine verborgene Schicht vorgesehen ist, Durchführen von Lernen unter Verwendung des künstlichen neuronalen Netzes auf der Grundlage der Anzahl n von Datensätzen, Speichern der Daten und einer Zündzeitpunktverstellungswirkungsgrad-Kurve, die durch das künstliche neuronale Netz gelernt wurden, in der ECU des Fahrzeugs, Eingeben der Information zum aktuellen Betriebspunkt in das in der ECU gespeicherte künstliche neuronale Netz und Ausgeben der Information zur geringsten Zündzeitpunktverstellung und der Information zum maximalen Drehmoment, die in dem künstlichen neuronalen Netz berechnet wurden, Berechnen eines Zündzeitpunktverstellungswirkungsgrades durch Eingeben einer Differenz zwischen der von der ECU unter Verwendung der Betriebspunktinformation berechneten Information zur Zündzeitpunktverstellung (aktuellen Zündzeitpunktverstellung) und der durch das gelernte künstliche neuronale Netz berechneten Information zur geringsten Zündzeitpunktverstellung in die Zündzeitpunktverstellungsinformation und Berechnen des Echtzeit-Drehmoments durch Multiplizieren der Drehmomentinformation mit dem berechneten Zündzeitpunktverstellungswirkungsgrad.
Zusätzlich kann das Lernen unter Verwendung des künstlichen neuronalen Netzwerks durch wiederholtes Variieren von Gewichts- und Bias-Werten durchgeführt werden. Die Betriebspunktinformation kann wenigstens eines aus Umdrehungen pro Minute (RPM) des Motors, Motorlast, Auslassbeginn(EVO)-Verstellung, Einlassende(IVC)-Verstellung und Luft/Kraftstoff-Verhältnis (Lambda) enthalten. Zusätzlich kann die Betriebspunktinformation wenigstens eines aus einer Motordrehzahl (RPM), einer Motorlast, EVO-Verstellung, Auslassende(EVC)-Verstellung, Einlassbeginn(IVO)-Verstellung, IVC-Verstellung und einem Luft/Kraftstoff-Verhältnis (Lambda) umfassen.
Des Weiteren kann die Betriebspunktinformation wenigstens eines aus einer Motordrehzahl (RPM), einer Motorlast, EVO-Verstellung, Auslassventilhub(EVL)-Verstellung, IVC-Verstellung, Einlassventilhub(IVL)-Verstellung sowie ein Luft/Kraftstoff-Verhältnis (Lambda) umfassen. Beim Erhalten der Betriebspunktinformation kann die Betriebspunktinformation und die Zündzeitpunktverstellung gemäß der Betriebspunktinformation entsprechend einer Änderung von der Position eines Phasenwinkels bei vollständiger Frühverstellung in die Position eines Phasenwinkels bei vollständiger Spätverstellung erhalten werden. In der verborgenen Schicht kann ein Versuch-und-Irrtum-Verfahren angewendet werden.
Die vorliegende Offenbarung, wie zuvor ausgeführt, hat die folgenden Wirkungen.
Erstens ist die Korrelation zwischen Eingabevariablen und Ausgabevariablen nur durch datenbasiertes Lernen definiert. So kann auch ein Bereich, der nicht durch ein auf Thermodynamik basierendes Modell ausgedrückt wird, in dem Modell des künstlichen neuronalen Netzes enthalten sein, wodurch sich die Genauigkeit erhöht.
Zweitens können, da es nicht erforderlich ist, physikalische Wirkungen in einem komplizierten System numerisch auszudrücken, die Kosten der Logik-Entwicklung reduziert werden, wodurch die ökonomische Wettbewerbsfähigkeit in vorteilhafter Weise verbessert wird.
Drittens besteht, da ein Kalibrierungsvorgang für die Festlegung von Tabellenwerten, wie im thermodynamikbasierten Modell, durch den datenbasierten Lernprozess des künstlichen neuronalen Netzes ersetzt wird, ein Vorteil darin, dass die Kosten erheblich reduziert werden können.
Figurenliste
Die obigen sowie weitere Ziele, Merkmale und Vorteile der vorliegenden Erfindung werden anhand der folgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen klarer verständlich, in denen:

1 ein Flussdiagramm ist, das ein Verfahren zur Vorhersage des Motordrehmoments gemäß der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung veranschaulicht,
2 ein Diagramm ist, das die Abfolge des Verfahrens zur Vorhersage des Motordrehmoments gemäß der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung veranschaulicht, und
3 ein Konzeptdiagramm eines künstlichen neuronalen Netzes gemäß der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung ist.

DETAILLIERTE BESCHREIBUNG
Es versteht sich, dass der Begriff „Fahrzeug“ oder „Fahrzeug...“ oder ein anderer ähnlicher Begriff, wie er hier verwendet wird, Kraftfahrzeuge im Allgemeinen umfasst, wie z. B. Personenkraftfahrzeuge einschließlich Sport-Utility-Fahrzeugen (SUV), Bussen, Lastkraftwagen, verschiedene Nutzfahrzeuge, Wasserfahrzeuge einschließlich einer Vielzahl von Booten und Schiffen, Flugzeuge und dergleichen, und Hybridfahrzeuge, Elektrofahrzeuge, Verbrennungsmotorfahrzeuge, Plug-in-Hybrid-Elektrofahrzeuge, wasserstoffbetriebene Fahrzeuge und andere Fahrzeuge mit alternativem Kraftstoff (z. B. Kraftstoffen, die aus anderen Ressourcen als Erdöl gewonnen werden) einschließt.
Obwohl die beispielhafte Ausführungsform als eine Vielzahl von Einheiten zur Durchführung des beispielhaften Prozesses verwendend beschrieben wird, versteht es sich, dass die beispielhaften Prozesse auch durch ein oder mehrere Module durchgeführt werden können. Darüber hinaus versteht es sich, dass sich der Begriff Controller/Steuereinheit/Steuergerät auf ein Hardwaregerät bezieht, das einen Speicher und einen Prozessor umfasst und speziell für die Ausführung der hier beschriebenen Prozesse programmiert ist. Der Speicher ist so konfiguriert, dass er die Module speichert, und der Prozessor ist speziell so konfiguriert, dass er diese Module ausführt, um einen oder mehrere Prozesse durchzuführen, die weiter unten beschrieben werden.
Darüber hinaus kann die Steuerlogik der vorliegenden Offenbarung als nichttransitorisches computerlesbares Medium auf einem computerlesbaren Medium ausgeführt sein, welches ausführbare Programmanweisungen enthält, die von einem Prozessor, einem Controller/einer Steuereinheit oder dergleichen ausgeführt werden. Beispiele für computerlesbare Medien sind u. a. ROM, RAM, Compact-Disc(CD)-ROMs, Magnetbänder, Disketten, Flash-Laufwerke, Smart Cards und optische Datenspeichervorrichtungen. Das computerlesbare Aufzeichnungsmedium kann auch in netzwerkgekoppelten Computersystemen verteilt sein, so dass das computerlesbare Medium in einer verteilten Weise gespeichert und ausgeführt wird, z. B. durch einen Telematik-Server oder ein Controller Area Network (CAN).
Die hier verwendete Terminologie dient nur der Beschreibung bestimmter Ausführungsformen und ist nicht als Einschränkung der Offenbarung zu verstehen. Die hier verwendeten Singularformen „ein“, „eine“ und „der“, „die“, „das“ schließen auch die Pluralformen ein, sofern aus dem Kontext nicht eindeutig etwas anderes hervorgeht. Es versteht sich weiterhin, dass die Begriffe „umfasst“ und/oder „umfassend“, wenn sie in dieser Beschreibung verwendet werden, das Vorhandensein von angegebenen Merkmalen, ganzen Zahlen, Schritten, Operationen, Elementen und/oder Komponenten spezifizieren, aber nicht das Vorhandensein oder Hinzufügen von einem oder mehreren anderen Merkmalen, ganzen Zahlen, Schritten, Operationen, Elementen, Komponenten und/oder Gruppen davon ausschließen. Wie hierin verwendet, schließt der Begriff „und/oder“ jegliche Kombination eines oder mehrerer der zugehörigen aufgeführten Elemente ein.
Sofern nicht ausdrücklich angegeben oder aus dem Kontext ersichtlich, wird der Begriff „ungefähr“, wie hier verwendet, als innerhalb eines Bereichs der normalen Toleranz in der Technik, z. B. innerhalb von 2 Standardabweichungen vom Mittelwert, verstanden. „Ungefähr“ kann als innerhalb von 10 %, 9 %, 8 %, 7 %, 6 %, 5 %, 4 %, 3 %, 2 %, 1 %, 0,5 %, 0,1 %, 0,05 % oder 0,01 % des angegebenen Wertes liegend verstanden werden. Sofern sich aus dem Zusammenhang nichts anderes ergibt, werden alle hier angegebenen Zahlenwerte durch den Begriff „ungefähr“ modifiziert.
Da die vorliegende Offenbarung in verschiedenen Formen modifiziert werden und verschiedene Ausführungsformen aufweisen kann, werden bestimmte beispielhafte Ausführungsformen in den begleitenden Zeichnungen dargestellt und unter Bezugnahme auf die Zeichnungen im Detail beschrieben. Dies soll jedoch nicht dazu dienen, die vorliegende Offenbarung auf die spezifischen beispielhaften Ausführungsformen zu beschränken, und die vorliegende Offenbarung sollte derart ausgelegt werden, dass sie verschiedene Änderungen, Äquivalente und Substitutionen innerhalb des technischen Geltungsbereichs und des Geistes der vorliegenden Offenbarung umfasst.
In den Zeichnungen werden gleiche Komponenten mit gleichen Bezugsziffern bezeichnet. Begriffe wie „erster“ und „zweiter“ können hier verwendet werden, um eine Vielzahl von Elementen zu beschreiben, und die Elemente sollten nicht durch die Begriffe eingeschränkt werden. Die Begriffe werden nur verwendet, um ein Element von anderen Elementen zu unterscheiden. So kann ein erstes Element als zweites Element bezeichnet werden, und in ähnlicher Weise kann ein zweites Element als erstes Element bezeichnet werden. Der Ausdruck „und/oder“ schließt ein beliebiges Element oder eine beliebige Kombination aus der Vielzahl der genannten Elemente mit ein.
Soweit nicht anders definiert, haben alle hier verwendeten Begriffe, die technische und wissenschaftliche Begriffe enthalten, die gleiche Bedeutung, wie sie von Fachleuten auf dem Gebiet, zu dem die vorliegende Offenbarung gehört, allgemein verstanden wird. Es versteht sich ferner, dass Begriffe, z. B. solche wie sie in allgemein gebräuchlichen Wörterbüchern definiert sind, so auszulegen sind, dass sie Bedeutungen haben, die mit ihren Bedeutungen im Kontext des relevanten Standes der Technik übereinstimmen, und dass sie nicht in einem idealisierten oder übermäßig formalen Sinne ausgelegt werden, es sei denn, sie seien hier ausdrücklich so definiert.
Ein Fahrzeugmotor gemäß einer ersten beispielhaften Ausführungsform der vorliegenden Offenbarung kann ein System zur stufenlosen Ventilsteuerzeitänderung (CVVT) aufweisen. Dementsprechend ist ein Verfahren zur Vorhersage des Drehmoments wie nachfolgend beschrieben. Das hier im Folgenden beschriebene Verfahren kann von einem Prozessor ausgeführt werden.
Erstens kann in Schritt S1 eine Betriebspunktinformation eines Fahrzeugmotors erhalten werden. Insbesondere kann die Betriebspunktinformation wenigstens eines aus Umdrehungen pro Minute (RPM) des Motors, eine Motorlast, Auslassbeginn(EVO)-Verstellung, Einlassende(IVC)-Verstellung und ein Luft/Kraftstoff-Verhältnis (Lambda) umfassen. In Schritt S1 kann die Betriebspunktinformation und die Zündzeitpunktverstellung gemäß der Betriebspunktinformation entsprechend einer Änderung von der Position eines Phasenwinkels bei vollständiger Frühverstellung in die Position eines Phasenwinkels bei vollständiger Spätverstellung erhalten werden.
Mit anderen Worten: Das Drehmoment kann durch Variieren des Zündzeitpunkts von der Position des Phasenwinkels bei vollständiger Frühverstellung in die Position des Phasenwinkels bei vollständiger Spätverstellung bei verschiedenen RPM, Motorlasten, EVO- und IVC-Verstellungen und Luft/Kraftstoff-Verhältnissen gemessen werden. Zusätzlich kann ein Motorsystem gemäß einer anderen beispielhaften Ausführungsform der vorliegenden Offenbarung ein System zur stufenlosen Ventilzeitdauer-Änderung (CVVD) anstelle des CWT-Systems aufweisen. Die Betriebspunktinformation kann wenigstens eines aus Motor-RPM, einer Motorlast, EVO-Verstellung, Auslassende(EVC)-Verstellung, Einlassbeginn(IVO)-Verstellung, IVC-Verstellung und ein Luft/Kraftstoff-Verhältnis (Lambda) umfassen.
Zusätzlich kann ein Motorsystem gemäß einer weiteren beispielhaften Ausführungsform der vorliegenden Offenbarung anstelle des CVVT-Systems ein Steuerungssystem zur stufenlosen Ventilhubänderung (CWL) aufweisen. Insbesondere kann die Betriebspunktinformation wenigstens eines aus Motor-RPM, einer Motorlast, EVO-Verstellung, Auslassventilhub(EVL)änderung, IVC-Verstellung, Einlassventilhub(IVL)änderung und ein Luft/Kraftstoff-Verhältnis (Lambda) enthalten.
Anschließend kann Schritt S2 durchgeführt werden, in dem die im Voraus von dem Fahrzeugmotor erhaltene Betriebspunktinformation in eine Anzahl n von Datensätzen konfiguriert wird. Insbesondere kann die Betriebspunktinformation als eine Anzahl n von kombinierten Datensätzen, einschließlich wenigstens einem aus Motor-RPM, einer Motorlast, EVO-Verstellung, IVC-Verstellung und einem Luft/Kraftstoff-Verhältnis (Lambda) bereitgestellt werden.
Anschließend kann Schritt S3 ausgeführt werden, in dem Informationen zur geringsten Zündzeitpunktverstellung für bestes Drehmoment (MBT) und eine Zündzeitpunktverstellungswirkungsgrad-Kurve aus der oben konfigurierten Anzahl n von Datensätzen des Fahrzeugmotors extrahiert werden. Die MBT gibt die geringste Zündzeitpunktverstellung an, bei welcher das maximale Drehmoment des Motors erhalten wird. Der Motor sollte mit Bestzündung betrieben werden, jedoch ist es aufgrund von Phänomenen wie Klopfen usw. möglicherweise nicht möglich, das maximale Drehmoment zu erhalten. Daher sollte die tatsächliche Zündzeitpunktverstellung durch Berücksichtigung der Temperatur, des Drucks, etc. der Verbrennungskammer über dem Betriebspunkt bestimmt werden. Im Allgemeinen wird zur Vermeidung von Klopfen der tatsächliche Zündzeitpunkt weiter als MBT nach spät verstellt. Die Zündzeitpunktverstellungswirkungsgrad-Kurve ist eine Art tabellarischer Daten, welche den Zündzeitpunkt(Zündungs)verstellungswirkungsgrad für die Zündzeitpunkt(Zündungs)verstellung angeben. Der Zündzeitpunktverstellungswirkungsgrad repräsentiert das Verhältnis von Drehmoment zum maximalen Drehmoment gemäß der Zündzeitpunktverstellung, mit einem Wert von 1 bei optimaler (geringster) Zündzeitpunktverstellung, wobei der Wert mit der Zündzeitpunktverstellung nach spät abnimmt. Ein Beispiel für die Zündzeitpunktverstellungswirkungsgrad-Kurve des Motors ist eine Drehmomentkurve über dem Zündzeitpunkt. Die Zündzeitpunktverstellungswirkungsgrad-Kurve des Motors gemäß dem Drehmoment über dem Zündzeitpunkt kann durch die folgenden Schritte bestimmt werden.
Insbesondere können die Schritte umfassen: einen Schritt zur Eingabe von Drehmoment-Datensätzen gemäß einer Anzahl n von Betriebspunkten entsprechend Änderungen in der Zündzeitpunktverstellung des Motors; einen Normalisierungsschritt des Dividierens des Drehmoments bezogen auf die Zündzeitpunktverstellung in den jeweiligen Betriebspunkten der Anzahl n von Betriebspunkten durch das maximale Drehmoment der entsprechenden Betriebspunkte und des parallelen Bewegens der Zündzeitpunktverstellung des maximalen Drehmoments, so dass sie Null (0) beträgt; einen Schritt des Zuordnens von Steigungsfaktoren, durch welche die Steigung einer Kurve, die durch die Drehmoment-Datensätze gemäß den Betriebspunkten angegeben wird, verändert werden kann, und von Bewegungsfaktoren, durch welche die Kurve parallel verschoben werden kann, zu den Datensätzen gemäß der Anzahl n von Betriebspunkten; Konfigurieren einer Zielfunktion, welche die Differenzen der jeweiligen Datensätze enthält, denen die Steigungsfaktoren und die Bewegungsfaktoren zugeordnet sind, aus einer logistischen Funktion mit unbestimmten Variablen; Bestimmen der logistischen Funktion durch Herleiten der unbestimmten Variablen mittels Optimierung der Zielfunktion; und Bestimmen der logistischen Funktion zur Zündzeitpunktverstellungswirkungsgrad-Kurve des Motors.
Für die Anzahl n von Datensätzen, welche die MBT-Information und die Zündzeitpunktverstellungswirkungsgrad-Kurve umfassen, wird ein künstliches neuronales Netzwerk konstruiert und gelernt. Mit anderen Worten, das künstliche neuronale Netz kann in Schritt S4 konstruiert oder generiert werden. In dem künstlichen neuronalen Netz kann die aus der Anzahl n von Datensätzen bestehende Betriebspunktinformation als eine Eingabeschicht bestimmt werden, die Zündzeitpunktverstellungsinformation und die Drehmomentinformation kann als Ausgabeschicht bestimmt werden und eine verborgene Schicht kann bereitgestellt werden.
Insbesondere kann der Fahrzeugmotor ein künstliches neuronales Netz 300 umfassen, welches eine Eingabeschicht, eine verborgene Schicht und eine Ausgabeschicht aufweist, wie in 3 dargestellt. Genauer gesagt, empfängt die Eingabeschicht die Betriebspunktinformation 200, welche sich aus der Anzahl n von Datensätzen zusammensetzt. Die Ausgabeschicht gibt die Information zur geringsten Zündzeitpunktverstellung 400 und die Information zum maximalen Drehmoment 500 aus. Die Konfigurierung der Ausgabeschicht des künstlichen neuronalen Netzes erfolgt, indem der Ausgabeschicht die geringste Zündzeitpunktverstellung und das maximale Drehmoment, welche aus der MBT-Information und der Zündzeitpunktverstellungswirkungsgrad-Kurve erhalten wurden, zur Verfügung gestellt werden.
Die verborgene Schicht bezeichnet ein künstliches Neuron, das zwischen der Eingabeschicht und der Ausgabeschicht vorgesehen ist, d.h. eine aus Knoten bestehende Schicht. Genauer gesagt ist das künstliche neuronale Netz ein Netz aus detaillierten Methodologien des Maschinenlernens und weist die Form eines Netzwerkes auf, in welchem eine Mehrzahl an Neuronen, die als Nervenzellen dienen, verbunden ist.
Künstliche neuronale Netze werden entsprechend ihrer Struktur und Funktion in eine Mehrzahl von Netztypen aufgeteilt. Ein sehr typisches künstliches neuronales Netz ist ein mehrlagiges Perzeptron, in welchem eine Mehrzahl verborgener Schichten zwischen einer einzelnen Eingabeschicht und einer einzelnen Ausgabeschicht vorhanden ist. Künstliches neuronales Netz ist ein allgemeiner Begriff für eine Mehrzahl von Modellen, wie etwa der selbstorganisierenden Karte (SOM), dem rekurrenten neuronalen Netz (RNN) und dem Convolutional Neural Network (CNN). Es gibt Dutzende künstlicher neuronaler Netzwerke. Bei dem in der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung angewendeten künstlichen neuronalen Netz kann es sich um ein vorwärtsgerichtetes neuronales Netz (Feedforward Neural Network, FFNet) handeln.
Bei dem vorwärtsgerichteten neuronalen Netz handelt es sich um ein typisches künstliches neuronales Netz (ANN), bei welchem sich Eingabedaten zur Ausgabeschicht bewegen, indem sie alle Knoten nur ein einziges Mal durchlaufen. Die erste Schicht ist die Eingabeschicht, die letzte Schicht ist die Ausgabeschicht und eine verborgene Zwischenschicht ist nicht extern verbunden. Zusätzlich sind Knoten in jeder Schicht mit Knoten der nächsten Schicht verbunden, wobei es keine Verbindungen zwischen den Knoten ein und derselben Schicht gibt. Dementsprechend wird das in der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung angewandte künstliche neuronale Netz als vorwärtsgerichtetes neuronales Netz bezeichnet.
Im Folgenden wird das künstliche neuronale Netz 300 gemäß der ersten beispielhaften Ausführungsform der vorliegenden Erfindung genauer beschrieben. 3 zeigt die Korrelation der Eingabeschicht, der verborgenen Schicht und der Ausgabeschicht gemäß der ersten beispielhaften Ausführungsform der vorliegenden Offenbarung. Das Modell des künstlichen neuronalen Netzes 300 weist die in 3 dargestellte Struktur auf. Je größer die Anzahl der verborgenen Schichten oder je größer die Anzahl der Neuronen, desto komplexer kann die Korrelation ausgedrückt werden.
Die Informationseingabe in die Eingabeschicht kann Informationen betreffend die jeweiligen Betriebspunkte (z.B. RPM, Last, EVO, IVC und Lambda) umfassen. Insbesondere kann die Informationsausgabe durch die Ausgabeschicht die Information zur geringsten Zündzeitpunktverstellung 400 und die Information zum maximalen Drehmoment 500 umfassen. In der verborgenen Schicht kann in dem Prozess des Messdatenlernens ein Trial-and-Error-Verfahren angewendet werden.
Anschließend wird der Fahrzeugmotor dem Lernschritt S5 unter Verwendung des künstlichen neuronalen Netzes 300 auf der Basis der Anzahl n von Datensätzen unterzogen. Der unter Verwendung des künstlichen neuronalen Netzes 300 durchgeführte Lernschritt kann durch wiederholtes Variieren der Gewichts- und Bias-Werte erfolgen. Das Modell des künstlichen neuronalen Netzes 300 definiert die Beziehung zwischen Eingabe und Ausgabe, wobei nur Daten und eine Berechnungsstruktur des künstlichen neuronalen Netzes 300 verwendet werden, ohne dabei physikalische Gesetze, welche die Ursache und Wirkung physikalischer Phänomene erklären, zu verwenden. Das Modell des künstlichen neuronalen Netzes 300 variiert wiederholt die Gewichts- und Bias-Werte, d.h. die Parameter im Modell, mittels eines Algorithmus für maschinelles Lernen auf der Basis der Eingabe- und Ausgabedaten. Dieser Prozess wird als „Lernen“ bezeichnet. Für erfolgreiches Lernen ist eine angemessene Eingabe- und Ausgabeauswahl erforderlich. Je größer die Menge der im Lernprozess verwendeten Daten, desto allgemeiner kann das Modell des künstlichen neuronalen Netzwerks 300 sein.
Anschließend wird der Fahrzeugmotor Schritt S6 unterzogen, in welchem die Daten und die Zündzeitpunktverstellungswirkungsgrad-Kurve, die durch das künstliche neuronale Netz 300 gelernt wurden, in der ECU des Fahrzeugs gespeichert werden. Anders ausgedrückt: Das künstliche neuronale Netz und die Zündzeitpunktverstellungswirkungsgrad-Kurve werden unter Verwendung der in dem Fahrzeug verwendeten ECU verwirklicht. Danach wird der Fahrzeugmotor Schritt S7 unterworfen, in welchem die aktuellen Betriebspunktinformationen 200 in das in der ECU gespeicherte künstliche neuronale Netz 300 eingegeben werden und die Information zur geringsten Zündzeitpunktverstellung 400 und die Information zum maximalen Drehmoment 500, welche in dem künstlichen neuronalen Netz 300 berechnet wurden, ausgegeben werden.
Anschließend wird der Fahrzeugmotor Schritt S8 unterworfen, in dem ein Zündzeitpunktverstellungswirkungsgrad 600 durch Eingabe einer Differenz zwischen der Zündzeitpunktverstellungsinformation 100, die durch die ECU unter Verwendung der Betriebspunktinformation berechnet wurde, und der Information zur geringsten Zündzeitpunktverstellung 400, welche durch das gelernte künstliche neuronale Netz 300 berechnet wurde, in die Zündzeitpunktverstellungsinformation 100 berechnet wird. Schließlich kann der Fahrzeugmotor das Fahrzeugmotordrehmoment durch Schritt S9 genauer berechnen, in welchem das aktuelle Drehmoment 700 in Echtzeit durch Multiplizieren der Information zum maximalen Drehmoment 500 mit dem berechneten Zündzeitpunktverstellungswirkungsgrad 600 berechnet wird. Das Fahrzeug kann dann auf Basis des berechneten Fahrzeugmotordrehmoments betrieben werden.
Zwar kann die Zündzeitpunktverstellungswirkungsgrad-Kurve auf der Basis der Anzahl n von Datensätzen erhalten werden, doch lässt sich die Zündzeitpunktverstellungswirkungsgrad-Kurve mit höherer Genauigkeit herleiten, wenn das künstliche neuronale Netz den Lernprozess fortführt. Auf der Grundlage der Alterung des Fahrzeugs oder dergleichen kann die Ausgabe der Information zur geringsten Zündzeitpunktverstellung 400 und der Information zum maximalen Drehmoment 500 für die aktuelle Betriebspunktinformation auf der jüngsten Zündzeitpunktverstellungswirkungsgrad-Kurve anstelle der alten Zündzeitpunktverstellungswirkungsgrad-Kurve basieren.

Claims

Verfahren zur Vorhersage eines Kraftfahrzeugmotordrehmoments unter Verwendung eines künstlichen neuronalen Netzes, umfassend: Erhalten von Informationen zu einer Anzahl n von konfigurierten Betriebspunkten eines Fahrzeugmotors durch einen Prozessor, Konfigurieren, durch den Prozessor, einer Anzahl n von Betriebspunkt-Datensätzen durch Hinzufügen von Zündzeitpunktverstellung und Drehmoment in den Betriebspunkten, Extrahieren, durch den Prozessor, von Kurven zur geringsten Zündzeitpunktverstellung, zum maximalen Drehmoment und zum Zündzeitpunktverstellungswirkungsgrad aus der Anzahl n von Betriebspunkt-Datensätzen, Konfigurieren, durch den Prozessor, eines künstlichen neuronalen Netzes, das eine Eingabeschicht, welche die Information zu der Anzahl n von Betriebspunkten enthält, eine Ausgabeschicht, welche die geringste Zündzeitpunktverstellung und das maximale Drehmoment enthält, und eine verborgene Schicht zwischen der Eingabeschicht und der Ausgabeschicht umfasst, Durchführen, durch den Prozessor, von Lernen aus der Anzahl n von Betriebspunkt-Datensätzen, unter Verwendung des künstlichen neuronalen Netzes, Ausgeben, durch den Prozessor, der geringsten Zündzeitpunktverstellung und des maximalen Drehmoments für Information zu einem aktuellen Betriebspunkt, durch Eingeben der Information zum aktuellen Betriebspunkt in das gelernte künstliche neuronale Netz, Berechnen, durch den Prozessor, eines Zündzeitpunktverstellungswirkungsgrades aus der aktuellen Zündzeitpunktverstellung und der geringsten Zündzeitpunktverstellung für die Information zu dem aktuellen Betriebspunkt und Berechnen, durch den Prozessor, eines aktuellen Drehmoments aus dem Zündzeitpunktverstellungswirkungsgrad.
Verfahren nach Anspruch 1, wobei das künstliche neuronale Netz und die durch das Lernen unter Verwendung des künstlichen neuronalen Netzes gelernte Zündzeitpunktverstellungswirkungsrad-Kurve in einem elektronischen Steuergerät gespeichert werden.
Verfahren nach Anspruch 2, wobei die Ausgabe der geringsten Zündzeitpunktverstellung und des maximalen Drehmoments für die Information zum aktuellen Betriebspunkt aus dem in dem elektronischen Steuergerät gespeicherten künstlichen neuronalen Netz ausgegeben wird.
Verfahren nach Anspruch 1, wobei die Information zu der Anzahl n von Betriebspunkten durch Verlegen des Zündzeitpunkts von einer Position eines Phasenwinkels bei vollständiger Spätverstellung in eine Position eines Phasenwinkels bei vollständiger Frühverstellung erhalten wird.
Verfahren nach Anspruch 1, wobei das Lernen unter Verwendung des neuronalen Netzes durch wiederholte Variierung von Gewichts- und Bias-Werten erfolgt.
Verfahren nach Anspruch 1, wobei die Information zu den Betriebspunkten wenigstes eines aus Umdrehungen pro Minute, Last und Luft/Kraftstoff-Verhältnis umfasst.
Verfahren nach Anspruch 6, wobei, wenn der Kraftfahrzeugmotor mit einem stufenlosen Ventilsteuerzeitänderungssystem versehen ist, die Information zu den Betriebspunkten des Weiteren eine Auslassbeginn-Verstellung und eine Einlassende-Verstellung umfasst.
Verfahren nach Anspruch 6, wobei, wenn der Kraftfahrzeugmotor mit einem stufenlosen Ventilzeitänderungssystem versehen ist, die Information zu den Betriebspunkten weiterhin wenigstens eines aus Auslassbeginn-Verstellung, Auslassende-Verstellung, Einlassbeginn-Verstellung und Einlassende-Verstellung umfasst.
Verfahren nach Anspruch 6, wobei, wenn der Fahrzeugmotor mit einem System zur stufenlosen Ventilhubänderung versehen ist, die Information zu den Betriebspunkten ferner eine Auslassbeginn-Verstellung, Auslassventilhub-Verstellung, Einlassende-Verstellung und Einlassventilhub-Verstellung umfasst.
System zur Vorhersage eines Kraftfahrzeugmotor-Drehmoments unter Verwendung eines künstlichen neuronalen Netzes, umfassend: einen Speicher, der für das Speichern von Programmbefehlen konfiguriert ist, und einen Prozessor, der für das Ausführen der Programmbefehle konfiguriert ist, wobei die Programmbefehle, so konfiguriert sind, dass bei deren Ausführung Folgendes durchgeführt wird: Erhalten von Information zu einer Anzahl n von Betriebspunkten eines Kraftfahrzeugmotors, Konfigurieren einer Anzahl n von Betriebspunkt-Datensätzen durch Hinzufügen von Zündzeitpunktverstellung und Drehmoment in den Betriebspunkten, Extrahieren von Kurven zur geringsten Zündzeitpunktverstellung, zum maximalen Drehmoment und zum Zündzeitpunktverstellungswirkungsgrad aus der Anzahl n von Betriebspunkt-Datensätzen, Konfigurieren eines künstlichen neuronalen Netzes, das eine Eingabeschicht, welche die Information zu der Anzahl n von Betriebspunkten enthält, eine Ausgabeschicht, welche die geringste Zündzeitpunktverstellung und das maximale Drehmoment enthält, und eine verborgene Schicht zwischen der Eingabeschicht und der Ausgabeschicht umfasst, Durchführen von Lernen aus der Anzahl n von Betriebspunkt-Datensätzen unter Verwendung des künstlichen neuronalen Netzes, Ausgeben der geringsten Zündzeitpunktverstellung und des maximalen Drehmoments für Informationen zu einem aktuellen Betriebspunkt durch Eingeben der Information zum aktuellen Betriebspunkt in das gelernte künstliche neuronale Netz, Berechnen des Zündzeitpunktverstellungswirkungsgrades aus der aktuellen Zündzeitpunktverstellung und der geringsten Zündzeitpunktverstellung für die Information zu dem aktuellen Betriebspunkt und Berechnen des aktuellen Drehmoments aus dem Zündzeitpunktverstellungswirkungsgrad.