DE102020205688A1 - Method and device for evaluating an operating variable of an injection valve - Google Patents
Method and device for evaluating an operating variable of an injection valve Download PDFInfo
- Publication number
- DE102020205688A1 DE102020205688A1 DE102020205688.9A DE102020205688A DE102020205688A1 DE 102020205688 A1 DE102020205688 A1 DE 102020205688A1 DE 102020205688 A DE102020205688 A DE 102020205688A DE 102020205688 A1 DE102020205688 A1 DE 102020205688A1
- Authority
- DE
- Germany
- Prior art keywords
- injection valve
- signal
- data
- exemplary embodiments
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
Verfahren zum Auswerten einer Betriebsgröße eines Einspritzventils, insbesondere eines Magnetventils für eine Brennkraftmaschine, insbesondere eines Kraftfahrzeugs, aufweisend die folgenden Schritte: Bereitstellen eines die Betriebsgröße charakterisierenden Signals, Auswerten des Signals mittels eines, insbesondere künstlichen, neuronalen Faltungsnetzwerks.A method for evaluating an operating variable of an injection valve, in particular a solenoid valve for an internal combustion engine, in particular a motor vehicle, having the following steps: providing a signal characterizing the operating variable, evaluating the signal by means of an, in particular artificial, neural convolution network.
Description
Stand der TechnikState of the art
Die Offenbarung bezieht sich auf ein Verfahren zum Auswerten einer Betriebsgröße eines Einspritzventils, insbesondere eines Magnetventils für eine Brennkraftmaschine, insbesondere eines Kraftfahrzeugs.The disclosure relates to a method for evaluating an operating variable of an injection valve, in particular a solenoid valve for an internal combustion engine, in particular a motor vehicle.
Die Offenbarung bezieht sich ferner auf eine Vorrichtung zum Auswerten einer Betriebsgröße eines Einspritzventils, insbesondere eines Magnetventils für eine Brennkraftmaschine, insbesondere eines Kraftfahrzeugs.The disclosure also relates to a device for evaluating an operating variable of an injection valve, in particular a solenoid valve for an internal combustion engine, in particular a motor vehicle.
Offenbarung der ErfindungDisclosure of the invention
Beispielhafte Ausführungsformen beziehen sich auf ein Verfahren zum Auswerten einer Betriebsgröße eines Einspritzventils, insbesondere eines Magnetventils für eine Brennkraftmaschine, insbesondere eines Kraftfahrzeugs, aufweisend die folgenden Schritte: Bereitstellen eines die Betriebsgröße charakterisierenden Signals, Auswerten des Signals mittels eines, insbesondere künstlichen, neuronalen Faltungsnetzwerks (englisch: convolutional neural network, CNN). Dies ermöglicht eine effiziente Auswertung der Betriebsgröße bei vergleichsweise geringem Bedarf an Rechenzeit- und/oder Speicherressourcen.Exemplary embodiments relate to a method for evaluating an operating variable of an injection valve, in particular a solenoid valve for an internal combustion engine, in particular a motor vehicle, having the following steps: providing a signal characterizing the operating variable, evaluating the signal by means of an, in particular artificial, neural convolution network : convolutional neural network, CNN). This enables an efficient evaluation of the operating size with a comparatively low requirement for computing time and / or memory resources.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Auswerten das Ausführen wenigstens einer eindimensionalen Faltungsoperation basierend auf dem Signal und/oder daraus ableitbaren Daten aufweist.In further exemplary embodiments, it is provided that the evaluation includes carrying out at least one one-dimensional convolution operation based on the signal and / or data that can be derived therefrom.
Bei weiteren beispielhaften Ausführungsformen ist das Signal zeit- und wertediskret und liegt z.B. in Form einer Vielzahl, insbesondere Reihe bzw. Zeitreihe, von digitalen Datenwerten vor, wie sie bei weiteren beispielhaften Ausführungsformen z.B. mittels eines Analog-/Digital-Wandlers basierend auf einer Ausgangsspannung z.B. eines Sensors des Einspritzventils erhalten werden können. Das Bereitstellen des Signals kann bei weiteren beispielhaften Ausführungsformen z.B. ein Ermitteln und/oder zumindest zeitweises Speichern des Signals aufweisen. Der Sensor kann z.B. eine elektrische Spannung ausgeben, die eine Position einer Ventilnadel des Einspritzventils charakterisiert.In further exemplary embodiments, the signal is time- and value-discrete and is present, for example, in the form of a large number, in particular series or time series, of digital data values, as in other exemplary embodiments, for example by means of an analog / digital converter based on an output voltage, for example a sensor of the injector can be obtained. In further exemplary embodiments, the provision of the signal can include, for example, determining and / or at least temporarily storing the signal. The sensor can, for example, output an electrical voltage that characterizes a position of a valve needle of the injection valve.
Bei weiteren beispielhaften Ausführungsformen ist das Signal dem Faltungsnetzwerk beispielsweise in Form eines Eingangsvektors zuführbar, wobei z.B. die Anzahl der Elemente des Eingangsvektors der Anzahl an Datenwerten entspricht.In further exemplary embodiments, the signal can be fed to the convolution network, for example in the form of an input vector, the number of elements of the input vector corresponding, for example, to the number of data values.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk wenigstens eine Eingabeschicht (englisch: input layer) hat, eine Ausgabeschicht (englisch: output layer), und wenigstens eine zwischen der Eingabeschicht und der Ausgabeschicht angeordnete, insbesondere versteckte, Schicht (englisch: hidden layer). Beispielsweise kann der wenigstens einen Eingabeschicht das Signal, z.B. in Form des vorstehend erwähnten Eingangsvektors, zugeführt werden.In further exemplary embodiments, it is provided that the convolution network has at least one input layer, an output layer, and at least one, in particular hidden, layer arranged between the input layer and the output layer ). For example, the signal, for example in the form of the above-mentioned input vector, can be fed to the at least one input layer.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk einen ersten Netzwerkteil aufweist, der wenigstens eine bzw. die wenigstens eine (eindimensionale) Faltungsoperation ausführt.In further exemplary embodiments it is provided that the convolution network has a first network part which carries out at least one or the at least one (one-dimensional) convolution operation.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk einen zweiten Netzwerkteil aufweist, der insbesondere vom dem ersten Netzwerkteil verschieden ist, und der ein Ausgangssignal des ersten Netzwerkteils verarbeitet, wobei insbesondere der zweite Netzwerkteil wenigstens ein weiteres Signal, das wenigstens eine weitere Betriebsgröße des Einspritzventils charakterisiert, und/oder daraus ableitbare Daten, verarbeitet.In further exemplary embodiments, it is provided that the convolution network has a second network part, which in particular is different from the first network part, and which processes an output signal of the first network part, the second network part in particular at least one further signal, which is at least one further operating variable of the injection valve characterized, and / or data that can be derived therefrom, processed.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass dem zweiten Netzwerkteil ein oder mehrere weitere Signale zugeführt werden, z.B. ein einen Fluiddruck (z.B. Kraftstoffdruck) im Bereich des Einspritzventils charakterisierendes Signal. Beispielsweise kann bei Kraftstoffeinspritzsystemen mit einem Hochdruck-Kraftstoffspeicher („rail“ bzw. „common rail“) das weitere Signal einen Raildruck charakterisieren.In further exemplary embodiments it is provided that one or more further signals are fed to the second network part, e.g. a signal characterizing a fluid pressure (e.g. fuel pressure) in the region of the injection valve. For example, in fuel injection systems with a high-pressure fuel accumulator (“rail” or “common rail”) the further signal can characterize a rail pressure.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass dem zweiten Netzwerkteil ein Signal zugeführt wird, das eine Ansteuerdauer für einen Aktor (z.B. Elektromagnet) des Einspritzventils charakterisiert.In further exemplary embodiments it is provided that the second network part is supplied with a signal that characterizes an activation duration for an actuator (e.g. electromagnet) of the injection valve.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass der zweite Netzwerkteil wenigstens eine Schicht mit vollständig verbundenen Neuronen (englisch: fully connected layer) aufweist, wobei insbesondere der zweite Netzwerkteil ein Ausgangssignal ermittelt, wobei insbesondere das Ausgangssignal einen Betriebszustand und/oder einen Übergang zwischen Betriebszuständen des Einspritzventils charakterisiert.In further exemplary embodiments it is provided that the second network part has at least one layer with fully connected neurons, the second network part in particular determining an output signal, the output signal in particular indicating an operating state and / or a transition between operating states of the Injector characterized.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass wenigstens manche Neuronen wenigstens einer Schicht des Faltungsnetzwerks wenigstens eines der folgenden Elemente als Aktivierungsfunktion verwenden: a) ReLU, b) linear, c) SoftMax.In further exemplary embodiments it is provided that at least some neurons of at least one layer of the convolution network use at least one of the following elements as an activation function: a) ReLU, b) linear, c) SoftMax.
Weitere beispielhafte Ausführungsformen beziehen sich auf ein Verfahren zum Trainieren eines, insbesondere künstlichen, neuronalen Faltungsnetzwerks, wobei das Faltungsnetzwerk insbesondere verwendbar ist für ein Verfahren gemäß den Ausführungsformen, wobei das das Verfahren zum Trainieren folgende Schritte aufweist: Bereitstellen von Trainingsdaten, Aufteilen der Trainingsdaten in Lerndaten und Testdaten, wobei insbesondere das Aufteilen zufallsbasiert oder pseudozufallsbasiert erfolgt, wobei insbesondere eine Zugehörigkeit der Trainingsdaten zu einzelnen Einspritzventilen nicht berücksichtigt wird, Trainieren des Faltungsnetzwerks basierend auf den Lerndaten und/oder den Testdaten.Further exemplary embodiments relate to a method for training a, in particular artificial, neural convolution network, wherein the convolution network can be used in particular for a method according to the embodiments, the method for training having the following steps: providing training data, dividing the training data into learning data and test data, with the splitting in particular taking place on a random or pseudo-random basis, where in particular an association of the training data with individual injection valves is not taken into account, training of the convolution network based on the learning data and / or the test data.
Bei weiteren beispielhaften Ausführungsformen erhöht das Nichtberücksichtigen der Zugehörigkeit der Trainingsdaten zu einzelnen Einspritzventilen eine Spreizung der Daten, sodass bei einer anschließenden Mustererkennung die Eigenschaft eines einzelnen Einspritzventils („Injektors“) nicht mitgelernt wird, sondern der physikalisch begründete Signalverlauf. Dies kann dem Faltungsnetzwerk bei weiteren beispielhaften Ausführungsformen helfen, eine gesteigerte Generalisierung zu erreichen.In further exemplary embodiments, disregarding the association of the training data with individual injection valves increases the spread of the data, so that in a subsequent pattern recognition the property of an individual injection valve (“injector”) is not learned, but the physically based signal curve. This can help the convolution network in further exemplary embodiments to achieve increased generalization.
Weitere beispielhafte Ausführungsformen beziehen sich auf eine Vorrichtung zur Ausführung des Verfahrens gemäß den Ausführungsformen.Further exemplary embodiments relate to a device for carrying out the method according to the embodiments.
Weitere beispielhafte Ausführungsformen beziehen sich auf ein computerlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, das Verfahren gemäß den Ausführungsformen auszuführen.Further exemplary embodiments relate to a computer-readable storage medium comprising instructions which, when executed by a computer, cause the computer to carry out the method according to the embodiments.
Weitere beispielhafte Ausführungsformen beziehen sich auf ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren gemäß den Ausführungsformen auszuführen.Further exemplary embodiments relate to a computer program, comprising instructions which, when the program is executed by a computer, cause the computer to execute the method according to the embodiments.
Weitere beispielhafte Ausführungsformen beziehen sich auf ein Datenträgersignal, das das Computerprogramm gemäß den Ausführungsformen überträgt und/oder charakterisiert.Further exemplary embodiments relate to a data carrier signal that the computer program transmits and / or characterizes according to the embodiments.
Weitere beispielhafte Ausführungsformen beziehen sich auf eine Verwendung des Verfahrens gemäß den Ausführungsformen und/oder der Vorrichtung gemäß den Ausführungsformen und/oder des computerlesbaren Speichermediums gemäß den Ausführungsformen und/oder des Computerprogramms gemäß den Ausführungsformen und/oder des Datenträgersignals gemäß den Ausführungsformen für wenigstens eines der folgenden Elemente: a) Ermitteln eines Betriebszustands des Einspritzventils, b) Ermitteln eines Übergangs zwischen Betriebszuständen des Einspritzventils, c) Ermitteln eines Zeitpunkts eines bzw. des Übergangs zwischen (den) Betriebszuständen des Einspritzventils, d) Ermitteln eines Nadelschließzeitpunkts einer Ventilnadel des Einspritzventils, e) Steuern und/oder Regeln eines Betriebs des Einspritzventils.Further exemplary embodiments relate to a use of the method according to the embodiments and / or the device according to the embodiments and / or the computer-readable storage medium according to the embodiments and / or the computer program according to the embodiments and / or the data carrier signal according to the embodiments for at least one of the the following elements: a) determining an operating state of the injection valve, b) determining a transition between operating states of the injection valve, c) determining a point in time or the transition between (the) operating states of the injection valve, d) determining a needle closing time of a valve needle of the injection valve, e ) Controlling and / or regulating an operation of the injection valve.
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind. Dabei bilden alle beschriebenen oder dargestellten Merkmale für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Ansprüchen oder deren Rückbeziehung sowie unabhängig von ihrer Formulierung bzw. Darstellung in der Beschreibung bzw. in der Zeichnung.Further features, possible applications and advantages of the invention emerge from the following description of exemplary embodiments of the invention, which are shown in the figures of the drawing. All of the features described or illustrated form the subject matter of the invention individually or in any combination, regardless of how they are summarized in the claims or their reference and regardless of their formulation or representation in the description or in the drawing.
In der Zeichnung zeigt:
-
1 schematisch ein vereinfachtes Blockdiagramm eines Einspritzventils gemäß beispielhaften Ausführungsformen in einem Zielsystem, -
2A schematisch ein vereinfachtes Flussdiagramm gemäß weiteren beispielhaften Ausführungsformen, -
2B schematisch ein vereinfachtes Flussdiagramm gemäß weiteren beispielhaften Ausführungsformen, -
3 schematisch ein beispielhaftes Faltungsnetzwerk gemäß weiteren beispielhaften Ausführungsformen, -
4 schematisch ein Signal gemäß weiteren beispielhaften Ausführungsformen, -
5 schematisch ein vereinfachtes Blockdiagramm einer Vorrichtung gemäß weiteren beispielhaften Ausführungsformen, -
6 schematisch Signale gemäß weiteren beispielhaften Ausführungsformen, und -
7 ,8 jeweils schematisch ein Histogramm gemäß weiteren beispielhaften Ausführungsformen.
-
1 schematically a simplified block diagram of an injection valve according to exemplary embodiments in a target system, -
2A schematically a simplified flowchart according to further exemplary embodiments, -
2 B schematically a simplified flowchart according to further exemplary embodiments, -
3 schematically an exemplary convolution network according to further exemplary embodiments, -
4th schematically a signal according to further exemplary embodiments, -
5 schematically a simplified block diagram of a device according to further exemplary embodiments, -
6th schematically signals according to further exemplary embodiments, and -
7th ,8th each schematically a histogram according to further exemplary embodiments.
Weitere beispielhafte Ausführungsformen, vgl.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Auswerten
Bei weiteren beispielhaften Ausführungsformen ist das Signal
Das Bereitstellen
Bei weiteren beispielhaften Ausführungsformen ist das Signal
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk
Bei weiteren beispielhaften Ausführungsformen kann der Eingangsvektor z.B. 50 Elemente aufweisen.For example, in further exemplary embodiments, the input vector may have 50 elements.
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk
Bei weiteren beispielhaften Ausführungsformen weist der erste Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass das Faltungsnetzwerk
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass dem zweiten Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass dem zweiten Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen weist der zweite Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen ist das Signal
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass der zweite Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass der zweite Netzwerkteil
Bei weiteren beispielhaften Ausführungsformen sind die beiden Schichten
Bei weiteren beispielhaften Ausführungsformen ist vorgesehen, dass wenigstens manche Neuronen wenigstens einer Schicht des Faltungsnetzwerks
Bei weiteren beispielhaften Ausführungsformen kann das Faltungsnetzwerk
Weitere beispielhafte Ausführungsformen, vgl.
Weitere beispielhafte Ausführungsformen, vgl.
Die Vorrichtung
Bei weiteren beispielhaften Ausführungsformen kann das Computerprogramm PRG auch wenigstens eine Anwendung (nachfolgend auch als „Applikation“ bezeichnet) APP1, APP2, APP3 charakterisieren, die zumindest zeitweise auf der Recheneinrichtung
Bei weiteren bevorzugten Ausführungsformen weist die Speichereinrichtung
Bei weiteren beispielhaften Ausführungsformen weist die Recheneinrichtung
Weitere beispielhafte Ausführungsformen beziehen sich auf ein computerlesbares Speichermedium SM, umfassend Befehle PRG, die bei der Ausführung durch einen Computer
Weitere beispielhafte Ausführungsformen beziehen sich auf ein Computerprogramm PRG, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer
Weitere beispielhafte Ausführungsformen beziehen sich auf ein Datenträgersignal DCS, das das Computerprogramm PRG gemäß den Ausführungsformen charakterisiert und/oder überträgt. Das Datenträgersignal DCS ist beispielsweise über eine optionale Datenschnittstelle
Bei weiteren beispielhaften Ausführungsformen kann die Datenschnittstelle
Weitere beispielhafte Ausführungsformen beziehen sich auf eine Verwendung des Verfahrens gemäß den Ausführungsformen und/oder der Vorrichtung gemäß den Ausführungsformen und/oder des computerlesbaren Speichermediums gemäß den Ausführungsformen und/oder des Computerprogramms gemäß den Ausführungsformen und/oder des Datenträgersignals gemäß den Ausführungsformen für wenigstens eines der folgenden Elemente: a) Ermitteln eines Betriebszustands des Einspritzventils
Nachfolgend sind weitere beispielhafte Aspekte und Ausführungsformen beschrieben, die jeweils einzeln oder in beliebiger Kombination miteinander mit wenigstens einer der vorstehend beschriebenen beispielhaften Ausführungsformen kombinierbar sind.Further exemplary aspects and embodiments are described below, each of which can be combined individually or in any combination with at least one of the exemplary embodiments described above.
Bei weiteren beispielhaften Ausführungsformen kann eine Sollposition des Nadelschließens der Ventilnadel des Einspritzventils bei einem Training des Faltungsnetzwerks
Bei weiteren beispielhaften Ausführungsformen, nachfolgend als „Variante 2, Variante 3“ bezeichnet, kann die Sollposition des Nadelschließens OneHotkodiert werden (d.h., es wird ein Vektor gebildet, der eine „eins“ an der Sollposition beim Lernen aufweist und sonst „null“ an allen anderen Positionen), wobei die Anzahl der Möglichkeiten bzw. Elemente des Vektors der gewünschten Genauigkeit entspricht, z.B. 50 mögliche Positionen.In further exemplary embodiments, hereinafter referred to as “
Bei weiteren beispielhaften Ausführungsformen, insbesondere auch bei Variante 2, wird insbesondere die letzte Schicht (Ausgabeschicht)
Bei weiteren beispielhaften Ausführungsformen ermöglicht das Prinzip gemäß den Ausführungsformen eine effiziente Erkennung z.B. eines vorgebbaren Musters in einem Signal
Claims (13)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020205688.9A DE102020205688A1 (en) | 2020-05-06 | 2020-05-06 | Method and device for evaluating an operating variable of an injection valve |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020205688.9A DE102020205688A1 (en) | 2020-05-06 | 2020-05-06 | Method and device for evaluating an operating variable of an injection valve |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020205688A1 true DE102020205688A1 (en) | 2021-11-11 |
Family
ID=78231809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020205688.9A Pending DE102020205688A1 (en) | 2020-05-06 | 2020-05-06 | Method and device for evaluating an operating variable of an injection valve |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020205688A1 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021205589A1 (en) | 2021-06-01 | 2022-12-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021205590A1 (en) | 2021-06-01 | 2022-12-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021206876A1 (en) | 2021-06-30 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021208280A1 (en) | 2021-07-30 | 2023-02-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for providing a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6088647A (en) | 1997-09-16 | 2000-07-11 | Daimlerchrysler Ag | Process for determining a fuel-injection-related parameter for an internal-combustion engine with a common-rail injection system |
DE102005001428A1 (en) | 2004-03-12 | 2005-09-29 | Robert Bosch Gmbh | Control system for internal combustion engine using common rail fuel injection system allows first and second injections of fuel into each cylinder with second injection controlling mixture strength |
DE102019209690A1 (en) | 2018-09-10 | 2020-03-12 | Robert Bosch Gmbh | Method for controlling the fuel metering in an internal combustion engine |
-
2020
- 2020-05-06 DE DE102020205688.9A patent/DE102020205688A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6088647A (en) | 1997-09-16 | 2000-07-11 | Daimlerchrysler Ag | Process for determining a fuel-injection-related parameter for an internal-combustion engine with a common-rail injection system |
DE102005001428A1 (en) | 2004-03-12 | 2005-09-29 | Robert Bosch Gmbh | Control system for internal combustion engine using common rail fuel injection system allows first and second injections of fuel into each cylinder with second injection controlling mixture strength |
DE102019209690A1 (en) | 2018-09-10 | 2020-03-12 | Robert Bosch Gmbh | Method for controlling the fuel metering in an internal combustion engine |
Non-Patent Citations (1)
Title |
---|
VIELZEUF, Valentin [et al.]: Multilevel sensor fusion with deep learning. IEEE sensors letters, 2018, 3. Jg., Nr. 1, S. 1-4 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021205589A1 (en) | 2021-06-01 | 2022-12-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021205590A1 (en) | 2021-06-01 | 2022-12-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021205589B4 (en) | 2021-06-01 | 2023-02-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021206876A1 (en) | 2021-06-30 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a fuel injector using machine learning methods |
DE102021208280A1 (en) | 2021-07-30 | 2023-02-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for providing a data-based time determination model for determining an opening or closing time of an injection valve using machine learning methods |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020205688A1 (en) | Method and device for evaluating an operating variable of an injection valve | |
DE102019209690A1 (en) | Method for controlling the fuel metering in an internal combustion engine | |
WO2019076685A1 (en) | Calculation of exhaust emissions from a motor vehicle | |
EP3876061B1 (en) | Method for validation and selection on machine learning based models for monitoring the state of a machine | |
DE102020003428A1 (en) | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device | |
DE102007060049A1 (en) | Method for determining injection discharge rate of injector for injecting fuel into combustion chamber, involves determining injection discharge rate, particularly end of injection of injector by multilayered artificial neuronal network | |
DE102009045307A1 (en) | Method and control device for operating a valve | |
DE102018213114A1 (en) | Method and device for operating an internal combustion engine with a common rail injection system | |
DE102010030868A1 (en) | Method for diagnosis and/or adaptation of e.g. air systems in motor car, involves determining two state variables of systems, where decision for implementation of systems is made based on state variables | |
DE102021200789A1 (en) | Computer-implemented method and device for manipulation detection for exhaust aftertreatment systems using artificial intelligence methods | |
DE102021202287B4 (en) | Method and device for operating a fuel injector using machine learning methods | |
DE102011076509A1 (en) | Method for performing on board diagnosis of e.g. exhaust gas system of motor car, involves adjusting manipulated variables, and making decision whether to perform diagnosis process again in response to determined state variables | |
WO2022053613A1 (en) | Method and device for operating a fuel injection valve using a machine learning method | |
EP3234328B1 (en) | Method and apparatus for diagnosing a fuel supply system | |
WO2022053626A1 (en) | Method and device for operating a fuel injection valve with the aid of machine learning methods | |
DE102014209316B4 (en) | Method and control device for carrying out exhaust gas-relevant diagnoses | |
DE102014100648A1 (en) | Device for detecting a malfunction for a fuel pressure sensor | |
WO2022053623A1 (en) | Method and device for operating a fuel injection valve | |
EP3605404B1 (en) | Method and device for the training of a machining learning routine for controlling a technical system | |
DE102020214953A1 (en) | Method and device for training a classifier for controlling an injector of an internal combustion engine | |
DE102019218905A1 (en) | METHOD AND DEVICE FOR LEARNING THE OPENING TIME OF THE INJECTOR FOR VEHICLE ENGINE | |
DE102021205589B4 (en) | Method and device for operating a fuel injector using machine learning methods | |
DE102020206786A1 (en) | Method for determining coking of an injection valve | |
DE102021115095B3 (en) | Process and drive control unit for functional testing of a water injection system | |
DE102020214952B4 (en) | Method and device for determining a closing time of an injector of an internal combustion engine using a machine learning system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |