-
Die Erfindung geht aus von einem Verfahren und einer Vorrichtung nach der Gattung der unabhängigen Patentansprüche. Es sind bereits Verfahren und Vorrichtungen zur Erkennung von klopfenden Verbrennungen in einem Verbrennungsmotor bekannt, bei denen eine Verarbeitung eines Signals eines Klopfsenders erfolgt. Typischerweise wird dabei das Signal des Klopfsensors mit einer Frequenz gefiltert und in einem Zeitfenster der Verbrennung aufintegriert. Das so gebildete Klopfintegral wird dann mit einem Referenzwert verglichen. Weiterhin sind auch Verfahren bekannt bei dem das Signal des Klopfsensors in ein Spektrogramm umgewandelt wird und dann die Intensität der Energie bestimmte Frequenzen ausgewertet werden.
-
Vorteile der Erfindung
-
Das erfindungsgemäße Verfahren und die erfindungsgemäße Vorrichtung mit den Merkmalen der unabhängigen Patentansprüche haben demgegenüber den Vorteil, dass eine verbesserte Erkennung von klopfenden Verbrennungen erfolgt. Es können so Verbrauchsvorteile und/oder eine verbesserte Leistung des Verbrennungsmotors realisiert werden.
-
Weitere Verbesserungen ergeben sich durch die Merkmale der abhängigen Patentansprüche. Besonders einfach erfolgt eine Verarbeitung des Spektrogramms mittels eines Convolutional Neural Network. Derartige neuronale Netze mit einer Faltungsfunktion sind besonders gut zur Verarbeitung von Bilddaten geeignet. Es hat sich gezeigt, das derartige Convolutional Neural Network auch besonders gut zur Verarbeitung von Spektrogrammen zur Erkennung von Klopfen in einem Verbrennungsmotor geeignet sind, weil die Verarbeitung mittels des Convolutional Neural Network besonders robust gegenüber Verschiebungen im Spektrogramm ist, die z.B. durch Temperaturunterschiede, Alterung, Serienstreuung der unterschiedlichen Klopfsensoren, durch den ungewissen Zeitpunkt des Klopfereignisses oder durch die Verzerrung aufgrund unterschiedlicher Betriebspunkte (Drehzahl, Last) hervorgerufen werden können. Parallel kann noch eine herkömmliche Auswertung mittels Bildung eines Klopfintegrals und Vergleich mit einem Referenzwert, der aus vorhergehenden Klopfintegralen gebildet wurde, erfolgen, um die Qualität der Erkennung von klopfenden Verbrennungen zu verbessern. Besonders einfach kann die künstliche Intelligenz eine Klassifikation in klopfende Verbrennung und nicht-klopfende Verbrennung vornehmen. Für eine verbesserte Auswertung, insbesondere im Zusammenhang mit einer herkömmlichen Auswertung, kann noch eine zusätzliche Abstufung hinsichtlich der Intensität der klopfenden Verbrennung und der nicht-klopfenden Verbrennung angegeben werden. Alternativ kann die künstliche Intelligenz auch einen einzelnen Wert erzeugen, der eine Intensität der Verbrennung anzeigt. Wenn zusätzlich Betriebsparameter des Verbrennungsmotors für die künstliche Intelligenz genutzt werden, kann die Qualität der Klopferkennung weiterhin verbessert werden.
-
Figurenliste
-
Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert.
-
Es zeigen:
- 1 eine Brennkraftmaschine und eine Vorrichtung zur Erkennung von klopfenden Verbrennungen und
- 2 die Verfahrensschritte eine künstliche Intelligenz zur Erkennung von klopfenden Verbrennungen.
-
Beschreibung
-
In der 1 wird schematisch eine Brennkraftmaschine 1 gezeigt, auf deren Außenseite ein Klopfsensor 2 angebracht ist. Der Klopfsensor 2 ist über eine Datenleitung 3 mit einem Analog/Digital-Wandler 4 verbunden, der das digitale Klopfsignal über eine Datenleitung 3 an einen Rechner 5 gibt. Im Rechner 5 erfolgt dann die weitere Verarbeitung der Klopfsignale des Sensors 2.
-
Bei dem Verbrennungsmotor 2 handelt es sich um einen üblichen Verbrennungsmotor beispielsweise um einen Otto-Motor. Bei den Klopfsensor 2 handelt es sich um einen Vibrationssensor, der beispielsweise als Piezo-Element ausgebildet ist. Durch einen derartigen Sensor können Schallwellen, die durch klopfende Verbrennungen in dem Verbrennungsmotor entstehen, erfasst und für eine Bewertung ob die Verbrennung eine klopfende Verbrennung war oder eine nicht-klopfende Verbrennung war herangezogen werden. Bei dem Rechner 5 handelt es sich um einen üblichen Rechner der in Kraftfahrzeugen für Steuerungsaufgaben herangezogen wird. Für das erfindungsgemäße Verfahren zur künstlichen Intelligenz muss der Rechner entsprechend leistungsstark ausgelegt sein und eventuell spezielle Hardwarebausteine, zu schnellen Abarbeitung der umfangreichen Berechnungen für die Verfahren zur künstlichen Intelligenz aufweisen.
-
In dem Rechner 5 kann eine herkömmliche Auswertung des Signals des Klopfsensors 2 erfolgen. Dazu wird das Signal des Klopfsensors 2 gefiltert um nur Signalanteile in einem Frequenzbereich auszuwerten, die für eine Klopferkennung geeignet sind. Nach dieser Filterung erfolgt eine Integration des Klopfsignals über ein bestimmtes Zeitfenster der Verbrennung. Dieses Klopfintegral wird dann mit dem Mittelwert von Klopfintegralen vorhergehender Verbrennungen verglichen um zu entscheiden, ob die Verbrennung klopfenden war oder nicht.
-
In dem Rechner 5 erfolgt als erster Verfahrensschritt der Auswertung mittels künstlicher Intelligenz eine Berechnung eines Spektrogramms auf Basis der Daten des Klopfsensors 2. Üblicherweise erfolgt dabei eine Fourier-Transformation, durch das der zeitliche Verlauf des Sensorsignals in eine Darstellung Energie des Sensorsignals gegenüber der Frequenz transformiert wird. Wenn dabei sehr kleine zeitliche Einheiten transformiert werden so entstehen Spektrogramme im Zeitverlauf, d.h. für eine Verbrennung ergibt sich ein zeitlicher Verlauf der Energie gegenüber der Frequenz. Alternativ kann auch nur eine einzelne Transformation für ein relevantes Zeitfenster pro Verbrennungsvorgang erfolgen, so das von jeder Verbrennung nur ein einzelnes Spektrogramm zur Verfügung steht. Die Auswahl des entsprechenden Verfahrens ist in erste Linie eine Frage der entsprechenden Rechenkapazität.
-
In der 2 wird als Beispiel ein Verfahren der künstlichen Intelligenz zur Verarbeitung eines Spektrogramms gezeigt, welches ein neuronales Netzwerk mit Faltungsfunktionen verwendet. Derartige Netzwerke mit Faltungsfunktionen werden üblicherweise auch als CNN (Convolutional Neural Network) bezeichnet. In der 2 wird mit 21 das ursprüngliche Spektrogramm, welches insbesondere durch Fouriertransformation des Signals des Klopfsensors 2 erzeugt wurde, gezeigt. Das Spektrogramm 21 mit beispielsweise 16 × 5 Datenpunkten stellt somit die Eingangsdaten für die nachfolgenden 5 Schichten der künstlichen Intelligenz bzw. des neuronalen Netzes mit Faltungsfunktionen dar. Durch eine Faltungsfunktion 22 wird aus dem Spektrogramm 21 die erste Faltungsschicht 24 erzeugt. Dabei bildete die Faltungsfunktion 22 jeweils einen Datenpunkt unter Berücksichtigung der Werte der jeweils umgebenden Punkte auf einen Neuron 23 der ersten Faltungsschicht 24 ab. Dabei werden 2 unterschiedliche Faltungsfunktion 22 verwendet, so dass die erste Schicht 24 insgesamt 16 × 5 × 2 Neuronen aufweist. Es erfolgt anschließend eine Reduktion durch einen sogenannten Maxpooling Schritt, bei dem von jeweils 4 Neuronen 25 nur der jeweils höchste Wert für einen Neuron 26 den nächsten Schicht 29 verwendet wird. Die Schicht 29 weist daher nur noch 8 × 3 × 2 Datenpunkte auf. Durch eine weitere Faltungsfunktion 27 wird die Schicht 30 aus der Schicht 29 gebildet. Es erfolgt dann abermals ein Maxpooling Schritt durch den die 8 × 3 × 2 Neuronen der Schicht 30 auf 4 × 2 × 2 Neuronen der Schicht 32 reduziert wird. Diese Schicht 32 dient dann für eine Weiterverarbeitung durch eine sogenannte Dense-Schicht oder voll-vernetzte-Schicht, bei der alle Neuronen der Schicht 32 als Input für jedes nachfolgende Neuron der Schicht 33 dienen. Die Neuronen 33 sind wiederum vollständig mit den Ausgabeneuronen 35 verbunden, wobei eine Neuron 35 für eine Klassifikation als klopfende Verbrennung und das andere Neuron 35 für eine Klassifikation als nicht-klopfende Verbrennung steht.
-
Für das Training des neuronalen Netzes der 2 werden Spektrogramme 21, mit bekannter dazugehöriger Klassifikation als klopfende Verbrennung oder nicht-klopfende Verbrennung verwendet. Durch Anpassung der Faltungsfunktionen erfolgt eine Anpassung des neuronalen Netzes, durch die das neuronale Netz der 2 in die Lage versetzt wird auch bislang unbekannte Spektrogramme 21 mit großer Zuverlässigkeit richtig zu klassifizieren.
-
Es können auch mehr als zwei Klassen mit Hilfe eines CNNs unterschieden werden. So ist es zum Beispiel möglich die Klasse des Nicht-Klopfens in zwei und die Klasse des Klopfens in drei Unterklassen zu unterteilen, so dass die Klopfintensität in insgesamt fünf Klassen unterschieden werden kann. Das CNN-Modell ist vom Aufbau ähnlich wie bei der binären Klassifizierung, jedoch hat es 5 Output-Neuronen und die vorangestellten Schichten sind deutlich größer aufgrund der zusätzlichen Klassen:
- 1. Convolutional 16×5×10
- 2. Maxpooling 8×3×10
- 3. Convolutional 8×3×10
- 4. Maxpooling 4×2×10
- 5. Dense 100
- 6. Dense 50
- 7. Output 5
-
Idealerweise werden allerdings höher aufgelöste Spektrogramme berechnet und dadurch gleichermaßen mehr Neuronen in Layer 1 bis 4 vorgesehen. Eingangsgrößen bis 32×100 und weitere Layer mit mehr Neuronen sind hier denkbar. Das Netz könnte dann Folgendermaßen aussehen:
- 1. Convolutional 32×100×15
- 2. Maxpooling 16×50×15
- 3. Convolutional 16×50×10
- 4. Maxpooling 8×25×10
- 5. Convolutional 8×25×8
- 6. Maxpooling 4×13×8
- 7. Dense 100
- 8. Dense 50
- 9. Output 5
-
Eine weitere Möglichkeit ist die Regression, hierbei gibt das Modell anstatt einer Intensitäts-Klasse einen kontinuierlichen Intensitätswert an. Jedes CNN für Regression hat nur einen Output, welcher den kontinuierlichen Wert liefert. Eine Linearverschiebung nach dem Output ist denkbar, um eine direkte Vergleichbarkeit zum klassischen Algorithmus zu ermöglichen.
-
Zum Beispiel kann das CNN-Modell für Regression folgendermaßen aufgebaut sein:
- 1. Convolutional 16×5×10
- 2. Maxpooling 8×3×10
- 3. Convolutional 8×3×10
- 5. Dense 100
- 4. Maxpooling 4×2×10
- 5. Dense 100
- 6. Dense 50
- 7. Output 1
-
Ein weiterer Aufbau eines CNN Modells, ist das VGG16, es findet besonders in der Bilderkennung Einsatz, ist also auch für die Klopferkennung interessant. Charakteristisch für das VGG16 sind die zwei bis drei Convolutional Layer vor den Maxpooling Layer. Ein größeres Modell bringt, laut heutigem Stand keine weiteren Vorteile.
-
Eine weitere Optimierung kann erreicht werden, indem die Drehzahl und der Ausgangswert des klassischen Algorithmus als zusätzliche Eingänge in den ersten Dense Layer oder auch zusätzlich zum Spektrogramm in der ersten Schicht hinzugegeben werden. Besonders die Drehzahl ist hier sehr vielversprechend.
