DE102020115840A1

DE102020115840A1 - VERFAHREN ZUR ERFASSUNG DER SCHLIEßZEIT DES INJEKTORS VERWENDEND EIN KÜNSTLICHES NEURONALES NETZWERK UND VERFAHREN ZUM STEUERN DES INJEKTORS VERWENDEND DASSELBE

Info

Publication number: DE102020115840A1
Application number: DE102020115840.8A
Authority: DE
Inventors: Se-Do Oh; Ji-Hye Kim; Hyung-Soo Do; Young-Jin Kim; Je-Heyuk Lee; Young-Jae Kim; Sung-Jae Kim
Original assignee: Hyundai Motor Co; Kia Motors Corp; Hyundai Kefico Corp; Hyundai Autron Co Ltd
Current assignee: Hyundai Motor Co; Hyundai Kefico Corp; Hyundai AutoEver Corp; Kia Corp
Priority date: 2019-12-31
Filing date: 2020-06-16
Publication date: 2021-07-01
Also published as: US11255289B2; KR20210085726A; CN113123889B; CN113123889A; US20210199067A1

Abstract

Ein Verfahren zum Erfassen einer Schließzeit eines Injektors (120) mittels eines künstlichen neuronalen Netzwerks (KNN) kann umfassen: Erfassen einer von einem Injektor (120) erzeugten Spannung mittels einer Steuervorrichtung; Durchführen eines Vorverfahrens mittels der Steuervorrichtung zum Herleiten einer Eingabematrix mittels Variationseigenschaften der Spannung; und Durchführen einer Schließzeitvorhersage mittels der Steuervorrichtung, um eine Schließzeit des Injektors (120) durch ein künstliches neuronales Netzwerkmodell (KNN) herzuleiten, das eine Eingabeschicht mit der Eingabematrix, eine verborgenen Schicht, und eine Ausgabeschicht enthält.

Description

GEBIET
Die vorliegende Offenbarung betrifft ein Verfahren zum Erfassen einer Schließzeit eines Injektors mittels eines künstlichen neuronalen Netzwerks und ein Verfahren zum Steuern eines Injektors mittels desselben und insbesondere ein Verfahren zum Erfassen einer Schließzeit eines Injektors und Durchführen einer Steuerung, die zu der Charakteristik des Injektors passt, mittels der erfassten Injektor-Schließzeit.
HINTERGRUND
Die Aussagen in diesem Abschnitt liefern lediglich Hintergrundinformationen in Bezug auf die vorliegende Offenbarung und stellen möglicherweise keinen Stand der Technik dar.
Wenn ein Kraftstoff einem Motor eines Fahrzeugs zugeführt wird, wird eine zugeführte Kraftstoffmenge von einer Steuereinheit (ECU) ermittelt, und der Kraftstoff wird in der ermittelten erforderlichen Kraftstoffmenge von einem Injektor in den Motor eingespritzt, so dass der Kraftstoff dem Innenraum des Motors zugeführt wird.
Der Injektor besteht typischerweise aus einem Magnetventil (beispielsweise ein Magnetspulenventil) und ist für jeden Zylinder vorgesehen. Der Injektor empfängt ein Kraftstoffeinspritzsignal von der Steuereinheit und spritzt den Kraftstoff für eine ermittelte Einspritzzeit ein, um den Kraftstoff in der erforderlichen Kraftstoffmenge in das Innere des Motors bereitzustellen.
In der bezogenen Technik haben Injektoren ihre eigenen Ansteuereigenschaften, die sich je nach Injektortyp oder Unternehmen voneinander unterscheiden. Insbesondere, wie in
8A veranschaulicht ist, steht die Anforderungszeit zum Schließen des Injektors gemäß der erforderlichen Kraftstoffmenge gegen einen Kraftstoffdruck in einer spezifischen linearen Beziehung für jeden Injektortyp oder jedes Unternehmen. Wie in 8B veranschaulicht ist, stehen die Anforderungszeit für das Schließen des Injektors und eine entsprechende Einspritzbefehlszeit ebenfalls in einer spezifischen entsprechenden Beziehung für jeden Injektortyp oder jedes Unternehmen. Im Allgemeinen werden solche charakteristischen Informationen in einem Speicher gespeichert, der während der Herstellung des Fahrzeugs in der Steuereinheit bereitgestellt wird, und werden dann verwendet, um den Kraftstoff in den Innenraum jedes Zylinders in der erforderlichen Kraftstoffmenge zuzuführen.
Wir haben jedoch festgestellt, dass selbst im Fall der gleichen Injektoren die Injektor-Ansteuereigenschaften davon voneinander abweichen können aufgrund eines Unterschieds zwischen der Herstellungstoleranz, der Toleranz eines Ausgabeanschlusses der Steuereinheit zum Betreiben des Injektors und dem entsprechenden Betriebsstromprofil. Insbesondere tritt, wenn eine Abweichung der Ansteuereigenschaften des Injektors in Bezug auf die Schließzeit eines Injektors für jeden Zylinder nicht kompensiert wird, die Abweichung der Schließzeit zwischen den Injektoren für jeden Zylinder auf und es wird unabhängig vom Einspritzbefehl basierend auf der gleichen Einspritzzeit für jeden Zylinder eine andere Kraftstoffmenge zugeführt. Das heißt, es ist schwierig, die gleiche Flusssteuerung zwischen Zylindern durchzuführen.
Wir haben festgestellt, dass es, um die Abweichung zwischen der Einspritzbefehlszeit und der Schließzeit eines Injektors für jeden Zylinder wie oben beschrieben zu kompensieren, erwünscht ist, Daten zu kompensieren bzw. korrigieren, die sich auf die vorhandenen gespeicherten Injektor-Ansteuereigenschaften beziehen, wie beispielsweise die Injektor-Ansteuerkennlinie veranschaulicht in 8B, indem die tatsächliche Schließzeit eines Injektors, die dem Einspritzbefehl für jeden Zylinder entspricht, gemessen und gelernt wird.
Durch ein solches Lernverfahren wird die vorhandene Injektor-Ansteuerkennlinie mittels einer Kennlinie kompensiert, die durch Durchführen einer Interpolation basierend auf dem gemessenen Datenwert erhalten wird, nachdem eine Rückmeldung über den tatsächlich gemessenen Wert der Schließzeit eines Injektors gegen eine bestimmte Einspritzzeit, zu der der Kraftstoff während einer Motoransteuerung eingespritzt wird, empfangen wurde.
Dementsprechend ist es für eine genaue Steuerung der Kraftstoffeinspritzmenge erwünscht, die tatsächliche Injektor-Schließzeit genau zu erfassen.
Die tatsächliche Schließzeit eines Injektors kann mittels eines vom Injektor erzeugten Spannungssignals gemessen werden.
9 ist ein Diagramm, das die Beziehung zwischen einer Injektoröffnungsperiode zeigt, die eine Periode ist, in der ein Kraftstoff tatsächlich von einem Injektor eingespritzt wird, wobei Strom an den Injektor angelegt wird, und einer vom Injektor erzeugten Spannung. Bezugnehmend auf 9 repräsentiert eine horizontale Achse die Zeit und eine vertikale Achse repräsentiert Strom- und Spannungspegel und eine vom Injektor eingespritzte Kraftstoffmenge.
In 9 bedeutet Periode (a) einen Schließweg einer Nadel des Injektors und es bedeutet eine Periode, in der die Nadel durch Anlegen von Strom an den Injektor bewegt wird, aber eine Kraftstoffeinspritzdüse nicht tatsächlich geöffnet ist.
Damit der Injektor den Kraftstoff einspritzen kann, sollte die Nadel angehoben werden, und um die Nadel anzuheben, sollte Strom in Richtung einer Magnetspule (beispielsweise eines Solenoids) oder eines Piezos angelegt werden. Um den Strom anzulegen, wird ein Anfangssignal erzeugt, und der Strom wird mit einer vorbestimmten Verzögerungszeit vom Anfangssignal an die Magnetspule oder den Piezo des Injektors angelegt. In diesem Fall wird der aktuelle Pegel allmählich erhöht und, wie in 9 veranschaulicht, erreicht der Strompegel die aktuelle Spitze.
Wie in 9 veranschaulicht, hat der Strom einen Pfad, auf dem der Strom erhöht wird, um die Stromspitze zu erreichen, und dann wieder abfällt, und zu einer Zeit (Öffnungszeit des Injektors) nach Ablauf einer ermittelten Zeit von der Stromspitze wird die Nadel angehoben, um in einem angehobenen Zustand zu sein (Zustand, in dem der Kraftstoff tatsächlich eingespritzt wird) für eine Injektor-Öffnungsperiode der Injektor-Öffnungszeit. Bei der Injektor-Öffnungszeit gibt es jedoch keine spezielle Änderung der Spannung oder des Stroms, und daher ist es unmöglich, die Injektor-Öffnungszeit durch das typische Verfahren der bezogenen Technik präzise zu erfassen. Dementsprechend wird in der bezogenen Technik eine Injektor-Schließzeit erfasst, und dann wird die Injektor-Öffnungszeit durch eine inverse Berechnung der erfassten Injektor-Schließzeit geschätzt.
Derweil ist, wie in 9 veranschaulicht ist, die Spannung geeignet, in einem Anfangsstadium abrupt erhöht und reduziert zu werden, wenn der Strom an den Injektor angelegt wird, und um dann wieder erhöht zu werden. Danach wird die Spannung zu einer Zeit, zu der die Stromversorgung des Injektors abgeschaltet wird, abrupt reduziert und wird nach einer ermittelten Zeitverzögerung (Abschnitt (b), etwa 0,1 ms) wieder abrupt erhöht. Wie in 9 veranschaulicht ist, existiert ein Wendepunkt auf einer Spannungskurve in einem Abschnitt (Abschnitt (c)), in dem die Spannung wieder erhöht wird, und die Zeit, in der der Wendepunkt existiert, wird die Zeit, wenn die Nadel des Injektors geschlossen ist und die Kraftstoffeinspritzung beendet ist (Injektor-Schließzeit). Wenn dementsprechend die Zeit, zu der der Wendepunkt existiert, durch die zweite Ableitung der Spannungskurve erfasst wird, ist es möglich, die Injektor-Schließzeit zu erfassen.
Es kann jedoch schwierig sein, den Wendepunkt aus der Spannungskurve gemäß der eingespritzten Kraftstoffmenge (d.h. Einspritzzeit) zu erfassen. Insbesondere, wie in 10 veranschaulicht ist, bedeutet ein Abschnitt A, in dem die Einspritzzeit gleich oder kürzer als eine ermittelte Zeit ist, einen Mikro-Kraftstoffmengen-Einspritzabschnitt (auch als ballistischer Abschnitt bezeichnet), in dem eine Kraftstoffmenge m abrupt erhöht wird, selbst wenn die Einspritzbetriebszeit Ti geringfügig geändert wird, und im entsprechenden Abschnitt ist es erheblich schwierig, den Wendepunkt aus der Spannungskurve zu erfassen.
ZUSAMMENFASSUNG
Die vorliegende Offenbarung soll die obigen Probleme überwinden, und die vorliegende Offenbarung stellt ein Verfahren zum Erfassen einer Schließzeit eines Injektors bereit, das die Injektor-Schließzeit mittels eines künstlichen neuronalen Netzwerks selbst in einem Mikrokraftstoffmengen-Einspritzabschnitt, in dem eine Einspritzzeit gleich oder kürzer als eine spezifische Zeit ist, genau erfassen kann und ein Verfahren zum Steuern eines Injektors mittels der Injektor-Schließzeit.
Andere Aufgaben und Vorteile der vorliegenden Offenbarung können durch die folgende Beschreibung verstanden werden und werden unter Bezugnahme auf die Formen der vorliegenden Offenbarung offensichtlich. Für den Fachmann, auf den sich die vorliegende Offenbarung bezieht, ist es auch offensichtlich, dass die Gegenstände und Vorteile der vorliegenden Offenbarung durch die beanspruchten Mittel und Kombinationen davon realisiert werden können.
Gemäß der vorliegenden Offenbarung zur Lösung der obigen Probleme umfasst ein Verfahren zum Erfassen einer Schließzeit eines Injektors: Erfassen mittels einer Steuervorrichtung einer von einem Injektor erzeugten Spannung; Durchführen mittels der Steuervorrichtung eines Vorverfahrens zum Herleiten einer Eingabematrix mittels Variationseigenschaften der Spannung; und Durchführen mittels der Steuervorrichtung einer Vorhersage der Schließzeit, um eine Injektor-Schließzeit mittels eines künstlichen neuronalen Netzwerkmodells herzuleiten, das eine Eingabeschicht einschließlich der Eingabematrix, eine verborgene Schicht, und eine Ausgabeschicht enthält. Die Steuervorrichtung kann auf eine Hardware-Weise (z.B. ein Prozessor), eine Software-Weise oder eine Kombination der Hardware- und der Software-Weise (d.h. eine Reihe von Befehlen) ausgeführt sein, die mindestens eine Funktion oder Operation verarbeiten.
Gemäß der vorliegenden Offenbarung ist es für die Steuervorrichtung möglich, die Injektor-Schließzeit selbst in einem Mikrokraftstoffmengen-Einspritzabschnitt mittels der Variationseigenschaften der vom Injektor erzeugten Spannung und einem künstlichen neuronalen Netzwerk genau zu erfassen.
In einer Ausführungsform können die Variationseigenschaften der Spannung eine Halbwertszeitkonstante der Spannung sein, und die Halbwertszeitkonstante kann ein Wert sein, der durch die folgende Gleichung 1 berechnet wird: $k = - \frac{t}{{log}_{2} \frac{V_{t}}{V_{0}}}$
wobei V_t ein Spannungswert V für jeden Messpunkt ist, V₀ ein Spannungswert an einem Anfangsmesspunkt ist, keine Halbwertszeitkonstante ist und t eine Zeit an einem Messpunkt ist.
In einigen Formen der vorliegenden Offenbarung umfasst das Durchführen der Vorverarbeitung: Berechnen von Halbwertszeitkonstanten bei einer Vielzahl von Messzeitpunkten der Spannung in einem spezifischen Abschnitt; Herleiten eines Approximationspolynoms für Änderungen der berechneten Halbwertszeitkonstanten entsprechend der Zeit; und Herleiten der Eingabematrix mittels Normalisierens der jeweiligen Koeffizienten des Approximationspolynoms.
In einigen Formen der vorliegenden Offenbarung werden beim Herleiten des Approximationspolynoms die Koeffizienten des Approximationspolynoms mittels einer Normalgleichung unter Verwendung der linearen Algebra abgeleitet.
Beim Durchführen der Schließzeitvorhersage leitet die verborgene Schicht eine erste Vorbereitungsmatrix ab, indem die normalisierte Eingabematrix mit einer ersten Gewichtungsmatrix multipliziert wird und der multiplizierten Matrix eine erste Vorspannungsmatrix hinzugefügt wird, und die verborgene Schicht leitet eine erste resultierende Matrix ab, indem eine Transferfunktion der folgenden Gleichung für die erste Vorbereitungsmatrix ersetzt wird:
$a^{1} = \frac{2}{1 + e^{- 2 n^{1}}} - 1$
wobei a¹ die erste resultierende Matrix ist und n¹ die erste Vorbereitungsmatrix ist.
Beim Durchführen der Vorhersage der Schließzeit berechnet die Ausgabeschicht eine normalisierte Injektor-Schließzeit, indem die erste resultierende Matrix mit einer zweiten Gewichtungsmatrix multipliziert und der multiplizierten Matrix ein Vorspannungswert hinzugefügt wird, und die Ausgabeschicht berechnet eine endgültige Injektor-Schließzeit durch De-Normalisieren (beispielsweise Rückskalieren) der berechneten Injektor-Schließzeit.
In einer anderen Ausführungsform der vorliegenden Offenbarung umfasst ein Verfahren zum Steuern eines Injektors: Einstellen mittels einer Steuervorrichtung einer erforderlichen Kraftstoffeinspritzmenge; Berechnen mittels der Steuervorrichtung einer erforderlichen Einspritzbefehlszeit aus der eingestellten erforderlichen Kraftstoffeinspritzmenge; Ansteuern mittels der Steuervorrichtung des Injektors basierend auf der erforderlichen Einspritzbefehlszeit; Erfassen mittels der Steuervorrichtung einer tatsächlichen Injektor-Schließzeit, wenn der Injektor angesteuert wird; Kompensieren mittels der Steuervorrichtung der erforderlichen Einspritzbefehlszeit mittels der erfassten tatsächlichen Injektor-Schließzeit; und Steuern mittels der Steuervorrichtung des Injektors basierend auf der korrigierten erforderlichen Einspritzbefehlszeit. Das Erfassen der tatsächlichen Injektor-Schließzeit umfasst insbesondere: Durchführen mittels der Steuervorrichtung eines Vorverfahrens, um eine Eingabematrix mittels Variationseigenschaften einer vom Injektor erzeugten Spannung herzuleiten; und Durchführen mittels der Steuervorrichtung einer Vorhersage der Schließzeit, um die Injektor-Schließzeit durch ein künstliches neuronales Netzwerkmodell herzuleiten, das eine Eingabeschicht mit der Eingabematrix, eine verborgene Schicht, und eine Ausgabeschicht enthält.
In einigen Ausführungsformen der vorliegenden Offenbarung umfasst das Verfahren ferner das Vergleichen mittels der Steuervorrichtung der erforderlichen Einspritzbefehlszeit mit einem vorbestimmten spezifischen Wert, wobei, wenn die erforderliche Einspritzbefehlszeit gleich oder kürzer als die spezifische Zeit ist, die erforderliche Einspritzbefehlszeit basierend auf der Injektor-Schließzeit korrigiert wird, die durch das Verfahren zum Erfassen der Injektor-Schließzeit mittels des künstlichen neuronalen Netzwerks erfasst wird, wobei die erforderliche Einspritzbefehlszeit, wenn die erforderliche Einspritzbefehlszeit die spezifische Zeit überschreitet, basierend auf der Injektor-Schließzeit korrigiert wird, die mittels eines Wendepunkts einer vom Injektor erzeugten Spannung erfasst wird.
In einigen Formen der vorliegenden Offenbarung umfasst das Verfahren ferner das Lernen mittels der Steuervorrichtung der Injektor-Schließzeit für jeden von einer Vielzahl von Zylindern, wobei das Lernen der Injektor-Schließzeit für jeden der Vielzahl von Zylindern umfasst: Einstellen einer Injektor-Einspritzzeit, die ein Lernziel ist; Berechnen einer Schließzeit, die der eingestellten Einspritzzeit des Injektors entspricht, aus den Ansteuereigenschaften eines nominalen Injektors; Durchführen einer mehrstufigen Kraftstoffeinspritzung, einschließlich Durchführen einer Lerneinspritzung, um einen Kraftstoff für die eingestellte Kraftstoffeinspritzzeit einzuspritzen und Einspritzen des Kraftstoffs für die Schließzeit entsprechend der Kraftstoffmenge, die durch Ausschließen der berechneten Schließzeit von einer Zielschließzeit entsprechend einer gesamten Einspritzmenge, die für eine Motoransteuerung erforderlich ist, erhalten wird; Erfassen der Schließzeit des Injektors während der Lerneinspritzung mittels des Verfahrens zum Erfassen der Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks; Lernen einer tatsächlichen Schließzeit des Injektors entsprechend einer Lerneinspritzzeit durch Ausführen der mehrstufigen Kraftstoffeinspritzung und Erfassen der Schließzeit des Injektors; und Beenden des Lernens für die entsprechende Schließzeit des Injektors, wenn eine spezifische Lernabschlussbedingung erfüllt ist, und Kompensieren der Ansteuereigenschaften des Injektors durch Reflektieren, beispielsweise Abbilden oder Berücksichtigen, des Lernergebnisses.
In einigen Formen der vorliegenden Offenbarung wird das Lernen der Schließzeit des Injektors nicht durchgeführt, wenn die Injektor-Einspritzzeit, die das festgelegte Lernziel ist, eine spezifische Zeit überschreitet.
Gemäß dem Verfahren zum Erfassen der Schließzeit des Injektors und dem Verfahren zum Steuern des Injektors mittels des Erfassungsverfahrens, die wie oben beschrieben eingerichtet sind, ist es möglich, die Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerkes genau zu erfassen, selbst in dem Abschnitt zur Einspritzung von Mikrokraftstoffmengen, in dem es schwierig ist, die Schließzeit in der bezogenen Technik zu erfassen.
Ferner ist es dadurch möglich, eine genaue charakteristische Beziehung zwischen der tatsächlichen Injektor-Einspritzzeit und der Schließzeit, die das Lernen erfordert, zu erhalten und die Genauigkeit des Lernens zum Kompensieren der Abweichung der Schließzeit des Injektors zu verbessern, was ermöglicht, die Korrekturperformance für die Schließzeitabweichung für jeden Zylinder zu verbessern. Ferner ist es dadurch möglich, die Korrekturperformance der Kraftstoffmengenabweichung zwischen den Zylindern zu verbessern, was die genaue Kraftstoffeinspritzmengensteuerung ermöglicht.
Es versteht sich, dass sowohl die vorstehende allgemeine Beschreibung als auch die folgende detaillierte Beschreibung der vorliegenden Offenbarung beispielhaft und erklärend sind und eine weitere Erklärung der offenbarten Offenbarung liefern sollen.
Weitere Anwendungsbereiche werden aus der hier bereitgestellten Beschreibung ersichtlich. Es versteht sich, dass die Beschreibung und die spezifischen Beispiele nur zur Veranschaulichung dienen und den Umfang der vorliegenden Offenbarung nicht einschränken sollen.
Figurenliste
Damit die Offenbarung gut verstanden werden kann, werden nun verschiedene Formen davon beschrieben, die beispielhaft angegeben sind, wobei auf die beigefügten Zeichnungen Bezug genommen wird, in denen:

1 ist ein Diagramm, das schematisch die Konfiguration eines Injektorsteuersystems veranschaulicht, in dem ein Verfahren zum Erfassen einer Schließzeit eines Injektors und ein Verfahren zum Steuern eines Injektors mittels des Erfassungsverfahrens durchgeführt werden;
2 ist ein Ablaufdiagramm eines Verfahrens zum Erfassen einer Schließzeit eines Injektors;
3 ist ein Blockdiagramm, das das Verfahren zum Erfassen einer Schließzeit eines Injektors erläutert, wie es in 2 veranschaulicht ist;
4A ist ein Diagramm, das einen Spannungsabschnitt veranschaulicht, der zum Erfassen einer Schließzeit eines Injektors verwendet wird. 4B ist ein Diagramm, das eine Wellenform K veranschaulicht, die aus einer an jedem Messpunkt berechneten Halbwertszeitkonstante k besteht, und 4C ist ein Diagramm, das das Ergebnis der Kurvenanpassung mit Polynomen fünfter Ordnung in Bezug auf die Wellenform K von 4B veranschaulicht;
5 ist ein Blockdiagramm, das eine Operationslogik veranschaulicht, die ein künstliches neuronales Netzwerkmodell enthält, das aus einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht besteht;
6 ist ein Ablaufdiagramm eines Verfahrens zum Steuern eines Injektors mittels des Verfahrens zum Erfassen einer Schließzeit eines Injektors, das in 2 veranschaulicht ist;
7 ist ein Ablaufdiagramm eines Verfahrens zum Lernen einer Schließzeit eines Injektors, das in dem Verfahren zum Steuern eines Injektors ausgeführt wird, wie in 6 veranschaulicht ist;
8A bis 8B sind Diagramme, die die Ansteuereigenschaften des Injektors veranschaulichen;
9 ist ein Diagramm, das die Beziehung zwischen einer Injektoröffnungsperiode, die eine Periode ist, in der ein Kraftstoff tatsächlich von einem Injektor eingespritzt wird, Strom, der an den Injektor angelegt wird, und einer Spannung, die vom Injektor erzeugt wird, zeigt; und
10 ist ein Graph, der Änderungen einer Kraftstoffmenge m für jeden Abschnitt gemäß einer Injektorbetriebszeit T_i veranschaulicht.

Die hier beschriebenen Zeichnungen dienen nur zur Veranschaulichung und sollen den Umfang der vorliegenden Offenbarung in keiner Weise einschränken.
DETAILLIERTE BESCHREIBUNG
Die folgende Beschreibung ist lediglich beispielhafter Natur und soll die vorliegende Offenbarung, Anwendung oder Verwendung nicht einschränken. Es versteht sich, dass in allen Zeichnungen entsprechende Bezugszeichen gleiche oder entsprechende Teile und Merkmale angeben.
Nachfolgend werden ein Verfahren zum Erfassen einer Schließzeit eines Injektors und ein Verfahren zum Steuern eines Injektors mittels desselben gemäß beispielhaften Formen der vorliegenden Offenbarung unter Bezugnahme auf die beigefügten beispielhaften Zeichnungen beschrieben.
1 ist ein Diagramm, das schematisch die Konfiguration eines Injektorsteuersystems veranschaulicht, in dem ein Verfahren zum Erfassen einer Schließzeit eines Injektors und ein Verfahren zum Steuern eines Injektors mittels des Erfassungsverfahrens gemäß einer Ausführungsform der vorliegenden Offenbarung durchgeführt werden.
Bezugnehmend auf 1 umfasst das Injektorsteuersystem einen Kraftstofftank 150, eine Kraftstoffpumpe 140, eine Rail 130, einen Drucksensor 132, einen Injektor 120, einen Motor 110 und eine Steuervorrichtung 100.
Der Kraftstofftank 150 ist mit einem Kraftstoff gefüllt, der für einen Verbrennungsmotor verwendet wird, und die Kraftstoffpumpe 140 pumpt den im Kraftstofftank 150 enthaltenen Kraftstoff zur Rail. Auf der Rail 130 ist der Drucksensor 132 zum Erfassen eines Innendrucks eingesetzt, und ein separates Regelventil (nicht veranschaulicht) und eine Rücklaufleitung (nicht veranschaulicht) sind ausgebildet.
Der zur gemeinsamen Rail 130 gepumpte Kraftstoff wird auf die Injektoren 120 verteilt, und die Injektoren 120 werden entsprechend jedem Zylinder eingesetzt, um den Kraftstoff in die Brennräume des Motors 110 einzuspritzen.
Die Steuervorrichtung 100 kann eine erforderliche Kraftstoffeinspritzmenge gemäß einer Fahrbedingung, beispielsweise einer Motordrehzahl und eines Beschleunigungspedalsignals einstellen und kann eine Einspritzbefehlszeit des Injektors entsprechend der eingestellten erforderlichen Kraftstoffeinspritzmenge steuern.
In einer Ausführungsform der vorliegenden Offenbarung steuert die Steuervorrichtung 100 den Betrieb des Injektors durch Anlegen von Strom an den Injektor 120 für eine erforderliche Einspritzbefehlszeit und erfasst einen Kraftstoffeinspritzdruck durch Empfang eines Drucksignals vom Drucksensor 132 und erfasst eine in dem Injektor 120 erzeugte Spannung. Ferner erfasst, was später beschrieben wird, die Steuervorrichtung 100 eine Schließzeit des Injektors 120 durch Variationseigenschaften der vom Injektor 120 erzeugten Spannung und eines künstlichen neuronalen Netzwerkmodells.
Die Steuervorrichtung 100 erfasst die Schließzeit des Injektors 120 und kann eine tatsächliche Kraftstoffeinspritzmenge über eine Öffnungszeit, die Schließzeit und den Kraftstoffdruck betreiben.
Zusätzlich kann, wie später beschrieben wird, die Steuervorrichtung 100 die erforderliche Einspritzbefehlszeit basierend auf der erfassten Schließzeit des Injektors kompensieren (bzw. korrigieren) und die Kraftstoffeinspritzmenge des Injektors 120 genauer kompensieren (bzw. korrigieren).
Im Folgenden wird unter Bezugnahme auf die 2 und 3 ein Verfahren zum Erfassen einer Schließzeit eines Injektors, das von der Steuervorrichtung 100 von 1 durchgeführt wird, wird beschrieben.
2 ist ein Ablaufdiagramm eines Verfahrens zum Erfassen einer Schließzeit eines Injektors gemäß einer Ausführungsform der vorliegenden Offenbarung. 3 ist ein Blockdiagramm, das das Verfahren zum Erfassen einer Schließzeit eines Injektors erläutert, wie es in 2 veranschaulicht ist.
Wie in 2 veranschaulicht ist, umfasst das Verfahren zum Erfassen einer Schließzeit eines Injektors gemäß der vorliegenden Offenbarung das Erfassen einer von einem Injektor erzeugten Spannung (S10), das Durchführen einer Vorverarbeitung zum Herleiten einer Eingabematrix mittels Variationseigenschaften der Spannung (S20) und das Durchführen einer Schließzeitvorhersage zum Herleiten einer Schließzeit des Injektors mittels eines künstlichen neuronalen Netzwerkmodells, das eine Eingabeschicht, die aus der Eingabematrix besteht, eine verborgene Schicht, und eine Ausgabeschicht (S30) enthält.
Zunächst erfasst die Steuervorrichtung 100 die vom Injektor (S10) erzeugte Spannung. Wie in 9 veranschaulicht ist, wird, wenn eine Einspritzsteuerung beendet ist, ein Sperrspannungssignal von dem Injektor 120 natürlich erzeugt. Die Steuervorrichtung 100 erfasst das Sperrspannungssignal mittels eines Sensors (nicht veranschaulicht) oder dergleichen.
Als nächstes führt die Steuervorrichtung 100 die Vorverarbeitung durch, um die Eingabematrix mittels der Variationseigenschaften der Spannung (S20) herzuleiten.
Während der Vorverarbeitung wählt die Steuervorrichtung 100 zuerst einen Spannungsabschnitt aus, der zum Erfassen der Schließzeit des Injektors verwendet wird. In 4A wird der ausgewählte Spannungsabschnitt durch ein Rechteck angegeben, das durch eine dicke Linie angezeigt wird. Der Spannungsabschnitt wird als ein Abschnitt ausgewählt, in dem eine Wahrscheinlichkeit, dass die Schließzeit des Injektors im gesamten Spannungsabschnitt existiert, relativ hoch ist, und der Bereich des Spannungsabschnitts kann geändert werden, um gemäß einer Berechnungsfähigkeit einer ECU verringert zu werden oder kann basierend auf Daten zur Schließzeit des Injektor, die durch Lernen akkumuliert wurden, geändert werden. In diesem Fall kann die Berechnungsmenge zum Erfassen der Schließzeit des Injektors reduziert werden. Im Fall der Sperrspannung hat der Messwert einen negativen (-) Wert, und durch Ersetzen des negativen (-) Werts durch einen positiven (+) Wert, können die in 4A gezeigten invertierten Daten, erhalten werden.
Wenn der Spannungsabschnitt, der zum Erfassen der Schließzeit des Injektors verwendet werden soll, ausgewählt ist, werden Messpunkte in mehreren vorbestimmten Abschnitten in dem entsprechenden Abschnitt festgelegt, eine Halbwertszeitkonstante wird mittels der bei den jeweiligen Messpunkten gemessenen Spannungswerte berechnet.
Die Halbwertszeitkonstante gibt eine Halbwertszeit der Spannungswerte an den jeweiligen Messpunkten in Bezug auf einen an einem ersten Startpunkt einer Wellenform gemessenen Spannungswert V₀ an, und die Halbwertszeitkonstante k kann durch die folgende Gleichung 1 berechnet werden,
$k = - \frac{t}{{log}_{2} \frac{V_{t}}{v_{0}}}$
wobei V_t ein Spannungswert V für jeden Messpunkt ist, V₀ ein Spannungswert V an einem Initialmesspunkt ist, keine Halbwertszeitkonstante ist und t eine Zeit an einem Messpunkt ist.
Der Graph von 4B wird mittels Daten über die Halbwertszeit k erhalten, die an den jeweiligen Messpunkten berechnet wurden.
Als nächstes leitet die Steuervorrichtung 100 eine Polynomfunktion ab, die einer Wellenform k ähnlich ist, indem sie eine Polynomregression mehrerer Ordnungen in Bezug auf die Wellenform k der in 4B veranschaulichten Halbwertszeitkonstante k durchführt. In der vorliegenden Form, wie in 4C veranschaulicht ist, wird eine kleinste Fehlerfunktion der Wellenform k beispielhaft mittels eines Polynoms fünfter Ordnung geschätzt, und als Ergebnis wird die folgende Gleichung 2 erhalten. Die vorliegende Offenbarung ist jedoch nicht auf die Polynomregression fünfter Ordnung beschränkt, sondern entspricht der kleinsten Fehlerfunktion der Wellenformen k. In dem Fall, in dem die ECU über eine ausreichende Berechnungsfähigkeit verfügt, kann die ECU Polynomregressionen höherer Ordnung als Polynomregressionen fünfter Ordnung verwenden.
$k = I_{1} x^{5} + I_{2} x^{4} + I_{3} x^{3} + I_{4} x^{2} + I_{5} x + I_{6}$
Wie später beschrieben, werden die jeweiligen Koeffizienten I₁ bis I₆, die die Gleichung 2 bilden, zu Eingabevariablen, die eine Eingabematrix eines künstlichen neuronalen Netzwerkmodells (KNN) bilden, das die Schließzeit vorhersagt.
Unterdessen kann in der Polynomregression als ein Algorithmus, der die jeweiligen Koeffizienten I₁ bis I₆ schätzt, allgemein ein Optimierungsalgorithmus verwendet werden. Aufgrund der realistischen Grenze der Berechnungsfähigkeit der Steuervorrichtung kann es jedoch in einigen Fällen schwierig sein, Koeffizienten durch Ausführen des Optimierungsalgorithmus zu schätzen. In diesen Fällen können die Eingabevariablen, aus denen die Eingabematrix besteht, mittels der folgenden normalen Gleichung 3 mittels der linearen Algebra berechnet werden.
${(A^{T} A)}^{- 1} A^{T} k = I$
In diesem Fall veranschaulicht A eine Termmatrix mehrerer Ordnungen in Bezug auf Werte (Zeit) auf einer x-Achse von 4B und, wenn die Zeit t einen Wert im Bereich von 1 bis 70 hat, können die Eingabevariablen durch eine 6 × 70-Matrix in der folgenden Gleichung 4 berechnet werden. $[\begin{array}{l} A_{11} & A_{12} & A_{13} & \dots & A_{16} \\ A_{21} & A_{22} & A_{23} & \dots & A_{26} \\ A_{31} & A_{32} & A_{33} & \dots & A_{36} \\ \dots & \dots & \dots & \dots & \dots \\ A_{70,1} & A_{70,2} & A_{70,3} & \dots & A_{70,6} \end{array}]$
Im Fall der Verwendung der Matrix A in der obigen Gleichung 4 kann eine Eingabematrix I, die aus den jeweiligen Koeffizienten I₁ bis I₆ besteht, durch die folgende Gleichung 5 berechnet werden (hier ist keine Halbwertszeitkonstante an jedem Messpunkt). $[\begin{matrix} 6 \times 70 (A^{T}) \\ [\begin{array}{l} A_{11} & A_{12} & A_{13} & \dots & A_{1,70} \\ A_{21} & A_{22} & A_{23} & \dots & A_{2,70} \\ A_{31} & A_{32} & A_{33} & \dots & A_{3,70} \\ \dots & \dots & \dots & \dots & \dots \\ A_{61} & A_{62} & A_{43} & \dots & A_{6,70} \end{array}] \end{matrix} \begin{matrix} 70 \times 6 (A) \\ [\begin{array}{l} A_{11} & A_{12} & A_{13} & \dots & A_{16} \\ A_{21} & A_{22} & A_{23} & \dots & A_{26} \\ A_{31} & A_{32} & A_{33} & \dots & A_{36} \\ \dots & \dots & \dots & \dots & \dots \\ A_{70,1} & A_{70,2} & A_{70,3} & \dots & A_{70,6} \end{array}] \end{matrix}] \begin{matrix} 6 \times 70 (A^{T}) \\ [\begin{array}{l} A_{11} & A_{12} & A_{13} & \dots & A_{1,70} \\ A_{21} & A_{22} & A_{23} & \dots & A_{2,70} \\ A_{31} & A_{32} & A_{33} & \dots & A_{3,70} \\ \dots & \dots & \dots & \dots & \dots \\ A_{70,1} & A_{70,2} & A_{70,3} & \dots & A_{6,70} \end{array}] \end{matrix} \begin{matrix} 70 \times 1 (k) \\ [\begin{array}{l} k_{11} \\ k_{21} \\ k_{31} \\ k_{41} \\ k_{51} \\ k_{61} \\ k_{71} \\ k_{81} \\ \dots \\ K_{70,1} \end{array}] \end{matrix} = \begin{matrix} 6 \times 1 (I) \\ [\begin{array}{l} I_{1} \\ I_{2} \\ I_{3} \\ I_{4} \\ I_{5} \\ I_{6} \end{array}] \end{matrix}$
Im Fall der Berechnung der Eingabematrix I mittels einer Wellenform, in der die Extraktionszeit (Wert auf der x-Achse) konstant ist, mittels des oben beschriebenen Verfahrens, kann der Wert von (A^TA)^-1A^T auf der linken Seite von Gleichung 5 vorberechnet werden, und somit kann die Berechnungsmenge während der Schätzung des Polynomregressionstyps mehrerer Ordnung reduziert werden. Ferner ist der Berechnungsmenge immer konstant und somit wird eine stabile Steuervorrichtung möglich im Vergleich zum Optimierungsalgorithmusverfahren.
Wenn die Eingabematrix I, die aus den Koeffizienten I₁ bis I₆ des Polynoms besteht, durch die Polynomregression mehrerer Ordnung berechnet wird, wird die Eingabematrix I mittels der folgenden Gleichung 6 normalisiert.
$(Norm .) I_{i, j} = \frac{(old) I_{i, j} - I_{minj}}{I_{maxj} - I_{minj}}$
Hier ist (Norm.)I_i,j eine normalisierte Eingabematrix I in dem entsprechenden Lernmerkmal, und (Old) I_i,j ist eine Eingabematrix I, die durch die Gleichung 5 in dem entsprechenden Lernmerkmal berechnet wird.
Ferner werden Werte von Imax und Imin aus einer Maximum-Minimum-Wertetabelle für jedes Lernmerkmal ermittelt, das durch mehrere Lernzeiten erhalten wird. Wenn zum Beispiel Daten auf der n × 6-Eingabematrix I durch n Lernzeiten erhalten werden, werden die Werte von Imax und Imin in jedem Lernmerkmal wie folgt aus den entsprechenden Daten erhalten.
$[\begin{array}{l} I_{11} & I_{12} & I_{13} & \dots & I_{16} \\ I_{21} & I_{22} & I_{23} & \dots & I_{26} \\ I_{31} & I_{32} & I_{33} & \dots & I_{36} \\ \dots & \dots & \dots & \dots & \dots \\ I_{n,1} & I_{n,2} & I_{n,3} & \dots & I_{n,6} \end{array}] \Rightarrow [\begin{array}{l} I_{min1} & I_{min2} & I_{min3} & \dots & I_{min6} \\ I_{max1} & I_{max2} & I_{max3} & \dots & I_{max3} \end{array}]$
Wie oben beschrieben, wird durch Herleiten der normalisierten Eingabematrix Norm.I die Durchführung der Vorverarbeitung (S20) beendet.
Wenn die Durchführung der Vorverarbeitung (S20) beendet ist, führt die Steuervorrichtung 100 eine Schließzeitvorhersage durch, um die Schließzeit des Injektors 120 durch das künstliche neuronale Netzwerkmodell herzuleiten, das eine Eingabeschicht, die aus der berechneten Eingabematrix Norm.I besteht, eine verborgene Schicht und eine Ausgabeschicht enthält.
5 zeigt eine Operationslogik, die ein künstliches neuronales Netzwerkmodell enthält, das von einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht gebildet wird.
Das Modell des künstlichen neuronalen Netzwerks (KNN) ist ein mathematisches Modell mit dem Ziel, verschiedene Eigenschaften der Gehirnfunktion mit Computersimulationen auszudrücken. Das künstliche neuronale Netzwerk zeigt ein allgemeines Modell mit einer Fähigkeit zur Problemlösung an, bei dem ein künstliches Neuron (Knoten), das ein Netzwerk in Kombination mit einer Synapse bildet, die Stärke der Synapsenkombination durch Lernen ändert.
In dem künstlichen neuronalen Netzwerk gibt es beaufsichtigtes Lernen, das durch Eingabe eines Beaufsichtigungssignals (richtige Antwort) hinsichtlich eines Problems optimiert wird, und unbeaufsichtigtes Lernen, das das Beaufsichtigungssignal nicht benötigt. Wenn es eine klare Lösung gibt, wird das beaufsichtigte Lernen verwendet, während im Fall von Datenclustern das unbeaufsichtigte Lernen verwendet wird. Im Ergebnis, um alle Dimensionen zu reduzieren, ist es durch das künstliche neuronale Netzwerk möglich, häufig eine bessere Antwort mit einer relativ kleinen Berechnungsmenge in Bezug auf ein Problem zu erhalten, das aufgrund von Daten mit mehrdimensionalen Mengen, wie Bilder oder Statistiken, nicht linear getrennt werden kann. Dementsprechend wird das künstliche neuronale Netzwerk auf verschiedene Bereiche angewendet, wie beispielsweise Mustererkennung oder Data Mining. Das künstliche neuronale Netzwerk kann mittels eines speziellen Computers eingerichtet werden, wird jedoch von einer Anwendungssoftware in den meisten allgemeinen Computern implementiert.
Grundsätzlich weist das künstliche neuronale Netzwerkmodell eine Eingabeschicht, eine verborgene Schicht, und eine Ausgabeschicht auf. In dem Blockschaltbild von 5 ist eine Berechnungsreihenfolge gemäß solchen dreistufigen Schichten veranschaulicht.
Wie in 5 veranschaulicht ist, werden in die Eingabeschicht eingegebene Werte in Form einer Matrix konstruiert, und die Eingabematrix Norm.I, die bei der Durchführung der Vorverarbeitung normalisiert wird, wird als Eingabewert der Eingabeschicht eingegeben. Hier sind, wie oben beschrieben, I₁ bis I₆ Koeffizienten eines Polynoms, die durch die Polynomregression mehrerer Ordnung der Wellenform k erhalten werden. Wie in 5 veranschaulicht, wird in der vorliegenden Ausführungsform ein Polynom fünfter Ordnung für die Polynomregression mehrerer Ordnung verwendet, und die Eingabematrix Norm.I ist eine 6 × 1-Matrix, die aus 6 Eingabevariablen besteht.
Ferner, wie in 5 und der folgenden Gleichung 7 gezeigt ist, leitet die verborgene Schicht eine erste Vorbereitungsmatrix n¹ ab, die aus N₁ bis N₆ besteht, indem die normalisierte Eingabematrix Norm.I mit einer ersten Gewichtungsmatrix W1 multipliziert wird und der multiplizierten Matrix eine erste Vorspannungsmatrix b1 hinzugefügt wird. $\begin{array}{l} erste Gewichtungsmatrix Norm .1 erste Vorbereitungsmatrix \\ \begin{matrix} [\begin{matrix} W_{11} & W_{12} & W_{13} & \sim & W_{16} \\ W_{21} & W_{22} & W_{23} & \sim & W_{26} \\ W_{31} & W_{32} & W_{33} & \sim & W_{36} \\ ≀ & ≀ & ≀ & ≀ & ≀ \\ W_{61} & W_{62} & W_{63} & \sim & W_{66} \end{matrix}] \end{matrix} \begin{matrix} [\begin{matrix} I_{1} \\ I_{2} \\ I_{3} \\ ≀ \\ I_{6} \end{matrix}] \end{matrix} + \begin{matrix} [\begin{matrix} B_{1} \\ B_{2} \\ B_{3} \\ ≀ \\ B_{6} \end{matrix}] \end{matrix} = \begin{matrix} [\begin{matrix} N_{1} \\ N_{2} \\ N_{3} \\ ≀ \\ N_{6} \end{matrix}] \end{matrix} \\ erste Vorspannungsmatrix \end{array}$
Hierbei sind die erste Gewichtungsmatrix W1 und die erste Vorspannungsmatrix b1 zuvor vorbereitete Matrixwerte, die durch Experimente in einem Entwurfsprozess erfasst werden, bevor die Betriebslogik in der Steuervorrichtung 100 eines Fahrzeugs installiert wird.
Ferner leitet die verborgene Schicht eine erste resultierende Matrix a¹ ab, indem die erste Vorbereitungsmatrix n¹ gemäß der folgenden Gleichung 8 durch eine Transferfunktion der folgenden Gleichung 8 ersetzt wird.
$a^{1} = \frac{2}{1 + e^{- 2 n^{1}}} - 1$

wobei a¹ die erste resultierende Matrix ist und n¹ die erste Vorbereitungsmatrix ist.
Als nächstes berechnet die Ausgabeschicht eine normalisierte Injektor-Schließzeit C.T_normal durch Multiplizieren der abgeleiteten ersten resultierenden Matrix a¹ mit einer zweiten Gewichtungsmatrix W2 und Addieren eines Vorspannungswerts b zu der multiplizierten Matrix. Hierbei sind die zweite Gewichtungsmatrix W2 und der Vorspannungswert b ebenfalls Werte, die durch Experimente im Entwurfsprozess erfasst wurden, bevor die Betriebslogik in der Steuervorrichtung 100 des Fahrzeugs installiert wird, und Werte, die durch mehrmaliges Lernen erfasst wurden, so dass die Schließzeit des Injektors aus den Eigenschaften einer Spannungskurve erhalten bzw. abgeleitet werden kann (in der vorliegenden Ausführungsform die Halbwertszeitkonstante der Spannung). $\begin{matrix} zweite Gewichtungsmatrix W2 \\ [\begin{matrix} w_{1} & \sim & w_{6} \end{matrix}] \end{matrix} \begin{matrix} {erste resultierende Matrix a}^{1} \\ [\begin{matrix} L_{1} \\ ≀ \\ L_{6} \end{matrix}] + b = C . T n o r m \end{matrix}$
Wenn die normalisierte Injektor-Schließzeit C.T_normal berechnet wird, berechnet die Steuervorrichtung 100 eine endgültige Injektor-Schließzeit C.T durch Durchführen einer De-Normalisierung - wie in der folgenden Gleichung 10 - mittels des Maximalwerts C.T_max und des Minimalwerts C.T_min der Schließzeit des Injektors, die durch das Lernen erhalten wurden. $C . T = C . T n o r m \times (C . T m a x - C . T m i n) + C . T m i n$
Durch das oben beschriebene Verfahren leitet die Steuervorrichtung 100 die Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks ab.
Im Folgenden wird unter Bezugnahme auf die 6 und 7 ein Verfahren zum Steuern eines Injektors, das von der Steuervorrichtung 100 von 1 durchgeführt wird, beschrieben.
6 ist ein Ablaufdiagramm eines Verfahrens zum Steuern eines Injektors gemäß einer Ausführungsform der vorliegenden Offenbarung mittels des Verfahrens zum Erfassen einer Schließzeit eines Injektors, das in 2 veranschaulicht ist und 7 ist ein Ablaufdiagramm eines Verfahrens zum Lernen einer Schließzeit eines Injektors, das in dem in 6 veranschaulichten Verfahren zum Steuern eines Injektors ausgeführt wird.
Wie in 6 veranschaulicht ist, stellt zuerst die Steuervorrichtung 100 eine erforderliche Kraftstoffeinspritzmenge gemäß einer Fahrbedingung, beispielsweise einer Motordrehzahl und einem Beschleunigungspedalsignal (S100), ein.
Wenn die erforderliche Kraftstoffeinspritzmenge in S100 eingestellt ist, berechnet die Steuervorrichtung 100 eine erforderliche Einspritzbefehlszeit, die der erforderlichen Kraftstoffeinspritzmenge (S110) entspricht.
Hierzu kann die Steuervorrichtung 100 die erforderliche Einspritzbefehlszeit direkt aus der erforderlichen Kraftstoffeinspritzmenge basierend auf vorermittelten Kennlinien und Kraftstoffdruckwerten berechnen, die sich auf die erforderliche Einspritzbefehlszeit beziehen, die der erforderlichen Kraftstoffeinspritzmenge entspricht.
Die oben beschriebenen Kennlinien sind basierend auf einem nominalen Injektor vorermittelt und werden in Form einer Karte in einer Speichervorrichtung (nicht veranschaulicht), die in der Steuervorrichtung 100 bereitgestellt ist, gespeichert.
Wenn die erforderliche Einspritzbefehlszeit bei S110 berechnet wird, steuert die Steuervorrichtung 100 den Injektor 120 an, indem während der erforderlichen Einspritzbefehlszeit (S120) Strom an ein Magnetspulenventil des Injektors 120 angelegt wird.
Wenn der Injektor 120 bei S120 angesteuert wird, erfasst die Steuervorrichtung 100 eine tatsächliche Schließzeit des Injektors 120 zu diesem Zeitpunkt (S130).
Um die tatsächliche Schließzeit des Injektors 120 zu erfassen, verwendet die Steuervorrichtung 100 das Verfahren zum Erfassen der Schließzeit des Injektors, das oben unter Bezugnahme auf die 2 bis 5 beschrieben ist. Wenn die tatsächliche Schließzeit des Injektors 120 mittels des oben beschriebenen künstlichen neuronalen Netzwerks (KNN) erfasst wird, kompensiert die Steuervorrichtung 100 die erforderliche Einspritzbefehlszeit mittels der erfassten tatsächlichen Schließzeit (S140).
Zum Beispiel kann die Steuervorrichtung 100 die bei S110 berechnete erforderliche Einspritzbefehlszeit kompensieren, indem sie direkt die erforderliche Kraftstoffeinspritzmenge entsprechend der tatsächlichen Schließzeit des Injektors 120 basierend auf der Kennlinie berechnet, die sich auf die Beziehung zwischen der Schließzeit des Injektors 120 und der erforderlichen Einspritzbefehlszeit sowie dem vom Drucksensor 132 gemessenen Kraftstoffdruckwert bezieht.
Wenn die erforderliche Einspritzbefehlszeit bei S140 korrigiert wird, steuert die Steuervorrichtung 100 den Injektor 120 basierend auf der korrigierten erforderlichen Einspritzbefehlszeit (S150). Das heißt, wenn die bei S140 berechnete tatsächliche Einspritzbefehlszeit länger ist als die bei S110 berechnete erforderliche Einspritzbefehlszeit, bedeutet dies, dass der Kraftstoff in einer Menge eingespritzt wird, die größer als die erforderliche Kraftstoffeinspritzmenge ist, und somit steuert die Steuervorrichtung 100 die Einspritzbefehlszeit, dass sie reduziert wird.
In einer anderen Ausführungsform der vorliegenden Offenbarung umfasst das Verfahren ferner das Vergleichen der erforderlichen Einspritzbefehlszeit, die bei S110 berechnet wurde, mit einem vorbestimmten spezifischen Wert, und das Verfahren zum Erfassen der tatsächlichen Schließzeit kann basierend auf dem Ergebnis des Vergleichs geändert werden.
Wenn zum Beispiel die erforderliche Einspritzbefehlszeit gleich oder kleiner als der spezifische Wert ist, wird die erforderliche Einspritzbefehlszeit bei S140 basierend auf der Schließzeit des Injektors korrigiert, die durch das Verfahren zum Erfassen der Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks (KNN), das in 2 bis 5 veranschaulicht ist, erfasst wird. Bezugnehmend auf 10 ist es in einem ballistischen Abschnitt, in dem die Kraftstoffmenge m abrupt erhöht wird, selbst wenn die Injektorbetriebszeit Ti geringfügig geändert wird, und in einem Übergangsabschnitt, in dem die Kraftstoffmenge gemäß der Änderung der Betriebszeit T_i nicht stark geändert wird, schwierig, die Schließzeit durch das Verfahren zum Erfassen der Schließzeit der Injektor der bezogenen Technik genau zu erfassen. Dementsprechend ist es in den oben beschriebenen Abschnitten wünschenswerter, das Verfahren zum Erfassen der Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks zu verwenden.
Wenn unterdessen die Einspritzbefehlszeit den spezifischen Wert überschreitet, wird die erforderliche Einspritzbefehlszeit bei S140 basierend auf der Schließzeit des Injektors, die mittels eines Wendepunkts der vom Injektor erzeugten Spannung erfasst wird, korrigiert.
Unter Bezugnahme auf 10 ist es in einem linearen Abschnitt, in dem die Kraftstoffmenge m gemäß der Betriebszeit Ti linear geändert wird (d.h. in einem Abschnitt, in dem eine Nadel des Injektors vollständig angehoben ist), relativ einfach, die Schließzeit des Injektors aus der vom Injektor 120 erzeugten Spannungskurve zu berechnen. Dementsprechend ist es in dem entsprechenden Abschnitt unter Berücksichtigung der Berechnungsfähigkeit der ECU wünschenswerter, die Schließzeit eher mittels des Wendepunkts der vom Injektor 120 erzeugten Spannung zu erfassen als mit dem künstlichen neuronalen Netzwerk. Hierzu wird der Wendepunkt durch die zweite Ableitung der vom Injektor 120 erzeugten Spannungskurve abgeleitet, und der Zeitpunkt, zu dem der entsprechende Wendepunkt vorliegt, wird als Schließzeitpunkt des Injektors 120 betrachtet.
7 ist ein Ablaufdiagramm eines Verfahrens zum Lernen einer Schließzeit eines Injektors, das in dem in 6 veranschaulichten Verfahren zum Steuern eines Injektors ausgeführt wird. Durch Ausführen eines in 7 veranschaulichten Lernverfahrens kann die Kennlinie, die für das in 6 veranschaulichte Verfahren zur Steuerung des Injektors verwendet wird, richtig korrigiert werden. Dementsprechend kann eine genauere Kraftstoffeinspritzmengensteuerung durch das oben beschriebene Lernen durchgeführt werden.
Wie in 7 veranschaulicht ist, stellt die Steuervorrichtung 100 zum Lernen zuerst eine Injektor-Einspritzzeit ein, die ein Lernziel ist (S200). Das Ziel des Lernens ist die Injektor-Einspritzzeit, die das Lernen erfordert, um die Abweichung der Injektor-Schließzeit zu verringern, und das Lernen der Injektor-Schließzeit in einem Abschnitt mit geringem Durchfluss (d.h. dem oben beschriebenen ballistischen Abschnitt oder Übergangsabschnitt), der eine genaue Steuerung erfordert, hat eine hohe Notwendigkeit. In einer Ausführungsform ist die Notwendigkeit des Lernens relativ gering, wenn die Injektor-Einspritzzeit, die zum Gegenstand des Lernens wird, die spezifische Zeit überschreitet (z.B. im Fall des linearen Abschnitts, in dem die Nadel des Injektors vollständig angehoben ist) und das Lernen der Schließzeit des Injektors, das später beschrieben wird, braucht bzw. kann nicht durchgeführt werden.
Nachdem die Injektor-Einspritzzeit, die das Ziel des Lernens ist, eingestellt wurde, wird eine vorhergesagte Schließzeit berechnet, die der Injektor-Einspritzzeit entspricht, die eingestellt wurde aus den Ansteuercharakteristikdaten des Injektors, die die Beziehung zwischen der Injektor-Einspritzzeit für jeden Zylinder und die Schließzeit vorschreiben, die im vorhandenen nichtflüchtigen Speicher (S210) gespeichert sind.
Wenn die vorhergesagte Schließzeit berechnet wird, die der Injektor-Einspritzzeit entspricht, die das Ziel des Lernens ist, wird der Kraftstoff hauptsächlich für die vorhergesagte Schließzeit eingespritzt, und dann wird eine mehrstufige Kraftstoffeinspritzung für jeden Zylinder durchgeführt, um den verbleibenden Kraftstoff, der durch Ausschluss der während der Primäreinspritzung verbrauchten Kraftstoffmenge von der gesamten für den Motorantrieb erforderlichen Einspritzmenge (S600) erhalten wird, sekundär einzuspritzen.
Das heißt, um das Lernen durchzuführen, schaltet die Steuervorrichtung 100 den Kraftstoffeinspritzmodus durch den Injektor 120 in einen mehrstufigen Einspritzmodus und führt dann die Lerneinspritzung durch (S220), um zuerst den Kraftstoff für die eingestellte Kraftstoffeinspritzzeit einzuspritzen. Dann injiziert die Steuervorrichtung 100 den Kraftstoff entsprechend der verbleibenden Einspritzmenge, die durch Ausschließen der für die Lerneinspritzung verbrauchten Einspritzmenge von der gesamten erforderlichen Einspritzmenge erhalten wird, um der Lerneinspritzung zu folgen. Dadurch ist es möglich, die Kraftstoffeinspritzung für eine spezifische Injektor-Einspritzzeit durchzuführen, die das Ziel des Lernens ist.
Als nächstes erfasst die Steuervorrichtung 100 die tatsächliche Schließzeit des Injektors während der Lerneinspritzung, die in der mehrstufigen Kraftstoffeinspritzung durch den Injektor 120 (S230) enthalten ist. In einer Ausführungsform der vorliegenden Offenbarung verwendet die Steuervorrichtung 100 das Verfahren zum Erfassen der Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks (KNN), das oben unter Bezugnahme auf die 2 bis 5 beschrieben wurde, um die tatsächliche Schließzeit des Injektors zu erfassen. Dadurch erhält die Steuervorrichtung 100 in der vorliegenden Offenbarung Daten, die sich auf die Beziehung zwischen der tatsächlichen Injektoreinspritzbefehlszeit für jeden Zylinder, die das Lernziel ist, und der Schließzeit beziehen.
Um das Lernen bei S240 durchzuführen, leitet die Steuervorrichtung 100 als nächstes das zuverlässige Ergebnis zwischen der Injektoreinspritzbefehlszeit, die das Ziel des Lernens ist, und der Schließzeit durch wiederholtes Durchführen der Messung der tatsächlichen Schließzeit des Injektor 120 während der Lerneinspritzung, die in der mehrstufigen Einspritzung enthalten ist, her.
Als nächstes kompensiert die Steuervorrichtung 100 nach Beendigung des Lernens bei S240 die Injektor-Ansteuereigenschaften basierend auf dem Ergebnis des Lernens (S250).
Beispielsweise ermittelt die Steuervorrichtung 100, ob der tatsächliche Messwert der Injektor-Schließzeit, der durch wiederholtes Durchführen der Lerneinspritzung erhalten wurde, gegen einen bestimmten Wert oder Bereich konvergiert. Wenn ferner der tatsächliche Messwert der Injektor-Schließzeit konstant gegen den spezifischen Wert konvergiert, ermittelt die Steuervorrichtung 100, ob die Anzahl der Messung der Injektor-Schließzeit, die wie oben beschrieben konstant konvergiert, einen vorbestimmten ersten spezifischen Wert überschreitet. Wenn die Anzahl der Messungen der Injektor-Schließzeit, die konstant gegen den spezifischen Wert oder Bereich konvergiert, den ersten spezifischen Wert überschreitet, ermittelt die Steuervorrichtung 100, dass die zuverlässige Beziehung zwischen der Injektor-Einspritzzeit und der Schließzeit, die das Ziel des Lernens ist, abgeleitet wurde und damit ist das Lernen abgeschlossen. Die Steuervorrichtung 100 führt eine Kompensation durch, indem sie die Beziehung zwischen der Injektor-Einspritzzeit und der Schließzeit, die durch das Ergebnis des Lernens abgeleitet wurde, auf die Injektoransteuerkennlinie für jeden Zylinder (S250) anwendet.
Wenn der tatsächliche Messwert der Injektor-Schließzeit, der durch wiederholtes Durchführen der Lerneinspritzung erhalten wurde, nicht gegen den spezifischen Wert oder Bereich konvergiert, zählt die Steuervorrichtung 100 die Anzahl der Einspritzungen in einem Lernmodus und ermittelt, ob die Anzahl der Male der Einspritzung im Lernmodus einen vorbestimmten zweiten festgelegten Wert überschreitet. Wenn die Anzahl der Male der Einspritzung im Lernmodus den zweiten festgelegten Wert überschreitet, ermittelt die Steuervorrichtung 100, dass das Lernen der Injektor-Schließzeit, die das Ziel des Lernens ist, fehlgeschlagen ist und beendet somit das Lernen der entsprechenden Injektor-Schließzeit ohne das Lernen weiterhin durchzuführen.
Gemäß dem Verfahren zum Lernen der Schließzeit des Injektors gemäß der vorliegenden Offenbarung ist es möglich, die Daten zu erfassen, die sich auf die genaue Injektoransteuercharakteristik beziehen, die sich auf die spezifische Injektor-Schließzeit für jeden Zylinder bezieht, die das Ziel ist, durch Durchführen der mehrstufigen Einspritzung einschließlich der Lerneinspritzung, um den Kraftstoff für die Injektor-Einspritzzeit, die das Ziel des Lernens ist, einzuspritzen, im Fall der Einspritzung des Kraftstoffs mittels des Injektors und durch Messen der tatsächlichen Schließzeit des Injektors mittels des künstlichen neuronalen Netzwerks (KNN) im Falle der Lerneinspritzung.
Dadurch kann die Genauigkeit des Lernens zum Kompensieren der Abweichung der Injektor-Schließzeit verbessert werden, und somit kann auch die Korrektur der Kraftstoffmengenabweichung zwischen Zylindern verbessert werden.
Während die vorliegende Offenbarung in Bezug auf die spezifischen Ausführungsformen beschrieben wurde, wird es dem Fachmann klar sein, dass verschiedene Änderungen und Modifikationen vorgenommen werden können, ohne vom Geist und Umfang der Offenbarung, wie in den folgenden Ansprüchen definiert, abzuweichen.

Claims

Verfahren zum Erfassen einer Schließzeit eines Injektors (120) mittels eines künstlichen neuronalen Netzwerks (KNN), wobei das Verfahren aufweist: Erfassen (S10) einer von einem Injektor (120) erzeugten Spannung mittels einer Steuervorrichtung; Durchführen (S20) eines Vorverfahrens mittels der Steuervorrichtung, um eine Eingabematrix mittels Variationseigenschaften der Spannung herzuleiten; und Durchführen (S30) einer Vorhersage der Schließzeit mittels der Steuervorrichtung, um eine Schließzeit des Injektors (120) durch ein künstliches neuronales Netzwerkmodell (KNN) herzuleiten, das eine Eingabeschicht mit der Eingabematrix, eine verborgene Schicht, und eine Ausgabeschicht enthält.
Verfahren nach Anspruch 1, wobei die Variationseigenschaften der Spannung eine Halbwertszeitkonstante der Spannung sind und die Halbwertszeitkonstante ein Wert ist, der berechnet wird als: $k = - \frac{t}{{log}_{2} \frac{V_{t}}{V_{0}}}$
wobei V_t ein Spannungswert V für jeden Messpunkt ist, V₀ ein Spannungswert an einem Initialmesspunkt ist, keine Halbwertszeitkonstante ist und t eine Zeit an einem Messpunkt ist.
Verfahren nach Anspruch 2, wobei das Durchführen des Vorverfahrens aufweist: Berechnen von Halbwertszeitkonstanten bei einer Vielzahl von Messzeitpunkten der Spannung in einem spezifischen Abschnitt; Herleiten eines Approximationspolynoms für Änderungen der berechneten Halbwertszeitkonstanten gemäß der Zeit; und Herleiten der Eingabematrix durch Normalisieren der jeweiligen Koeffizienten des Approximationspolynoms.
Verfahren nach Anspruch 3, wobei beim Herleiten des Approximationspolynoms die Koeffizienten des Approximationspolynoms mittels einer Normalgleichung mittels einer linearen Algebra abgeleitet werden.
Verfahren nach Anspruch 3, wobei beim Durchführen der Vorhersage der Schließzeit die verborgene Schicht eine erste Vorbereitungsmatrix ableitet, indem die normalisierte Eingabematrix mit einer ersten Gewichtungsmatrix multipliziert wird und eine erste Vorspannungsmatrix zu der multiplizierten Matrix hinzugefügt wird, und die verborgene Schicht eine erste resultierende Matrix ableitet, indem die erste Vorbereitungsmatrix durch eine Transferfunktion der folgenden Gleichung ersetzt wird, $a^{1} = \frac{2}{1 + e^{- 2 n^{1}}} - 1$
wobei a¹ die erste resultierende Matrix und n¹ die erste Vorbereitungsmatrix ist.
Verfahren nach Anspruch 5, wobei bei der Durchführung der Schließzeitvorhersage die Ausgabeschicht eine normalisierte Schließzeit des Injektors (120) berechnet, indem die erste resultierende Matrix mit einer zweiten Gewichtungsmatrix multipliziert wird und ein Vorspannungswert zu der multiplizierten Matrix hinzugefügt wird, und die Ausgabeschicht berechnet eine endgültige Schließzeit des Injektors, indem die berechnete Schließzeit des Injektors (120) de-normalisiert wird.
Verfahren zum Steuern eines Injektors, aufweisend: Einstellen (S100) einer erforderlichen Kraftstoffeinspritzmenge mittels einer Steuervorrichtung; Berechnen (S110) einer erforderlichen Einspritzbefehlszeit mittels der Steuervorrichtung aus der eingestellten erforderlichen Kraftstoffeinspritzmenge; Ansteuern (S120) des Injektors (120) mittels der Steuervorrichtung basierend auf der erforderlichen Einspritzbefehlszeit; Erfassen (S130) einer tatsächlichen Injektor-Schließzeit mittels der Steuervorrichtung, wenn der Injektor (120) angesteuert wird; Kompensiere (S140) der erforderlichen Einspritzbefehlszeit mittels der Steuervorrichtung mittels der erfassten tatsächlichen Schließzeit des Injektors (120); und Steuern (S150) des Injektors (120) mittels der Steuervorrichtung basierend auf der korrigierten erforderlichen Einspritzbefehlszeit, wobei das Erfassen (S130) der tatsächlichen Injektor-Schließzeit umfasst: Durchführen (S20) eines Vorverfahrens mittels der Steuervorrichtung zum Herleiten einer Eingabematrix mittels Variationseigenschaften einer vom Injektor (120) erzeugten Spannung; und Durchführen (S30) einer Schließzeitvorhersage mittels der Steuervorrichtung, um die Schließzeit des Injektors (120) durch ein künstliches neuronales Netzwerkmodell (KNN) herzuleiten, das eine Eingabeschicht mit der Eingabematrix, eine verborgene Schicht, und eine Ausgabeschicht enthält.
Verfahren nach Anspruch 7, ferner aufweisend: Vergleichen der erforderlichen Einspritzbefehlszeit mittels der Steuervorrichtung mit einem vorbestimmten spezifischen Wert, wobei, wenn die erforderliche Einspritzbefehlszeit gleich oder kürzer als die spezifische Zeit ist, die erforderliche Einspritzbefehlszeit basierend auf der Injektor-Schließzeit korrigiert wird, wenn die erforderliche Einspritzbefehlszeit die spezifische Zeit überschreitet, die erforderliche Einspritzbefehlszeit basierend auf der Schließzeit des Injektors (120) korrigiert wird, die mittels eines Wendepunkts der vom Injektor (120) erzeugten Spannung erfasst wird.
Verfahren nach Anspruch 7, ferner aufweisend: Lernen mittels der Steuervorrichtung der Schließzeit des Injektors (120) für jeden von einer Vielzahl von Zylindern, wobei das Lernen der Schließzeit des Injektors (120) für jeden der Vielzahl von Zylindern aufweist: Einstellen (S200) einer Injektor-Einspritzzeit, die ein Lernziel ist; Berechnen (S210) einer Schließzeit, die der eingestellten Einspritzzeit des Injektors (120) entspricht, aus den Ansteuereigenschaften eines nominalen Injektors; Durchführen (S220) einer mehrstufigen Kraftstoffeinspritzung, einschließlich: Durchführen einer Lerneinspritzung zum Einspritzen eines Kraftstoffs für die eingestellte Kraftstoffeinspritzzeit und Einspritzen des Kraftstoffs für die Schließzeit entsprechend der Kraftstoffmenge, die durch Ausschließen der berechneten Schließzeit von einer Zielschließzeit entsprechend einer gesamten Einspritzmenge, die für einen Motorantrieb erforderlich ist, erhalten wird; Erfassen der Schließzeit des Injektors (120) während der Lerneinspritzung; Lernen einer tatsächlichen Schließzeit des Injektor (120) entsprechend einer Lerneinspritzzeit durch Ausführen der mehrstufigen Kraftstoffeinspritzung und Erfassen der Schließzeit des Injektors; und Beenden des Lernens für eine entsprechende Injektor-Schließzeit, wenn eine ermittelte Lernabschlussbedingung erfüllt ist, und Kompensieren der Ansteuereigenschaften des Injektors (120) durch Berücksichtigen des Lernergebnisses.
Verfahren nach Anspruch 9, wobei, wenn die Injektor-Einspritzzeit, die das festgelegte Lernziel ist, eine ermittelte Zeit überschreitet, das Lernen der Injektor-Schließzeit nicht durchgeführt wird.