DE102020214952B4 - Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems - Google Patents

Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems Download PDF

Info

Publication number
DE102020214952B4
DE102020214952B4 DE102020214952.6A DE102020214952A DE102020214952B4 DE 102020214952 B4 DE102020214952 B4 DE 102020214952B4 DE 102020214952 A DE102020214952 A DE 102020214952A DE 102020214952 B4 DE102020214952 B4 DE 102020214952B4
Authority
DE
Germany
Prior art keywords
time
value
values
injector
determining
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.)
Active
Application number
DE102020214952.6A
Other languages
English (en)
Other versions
DE102020214952A1 (de
Inventor
Andreas Hopf
Jens-Holger Barth
Roland Norden
Konrad Groh
Mona Meister
Frank Kowol
Erik Tonner
Matthias Woehrle
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102020214952.6A priority Critical patent/DE102020214952B4/de
Priority to US17/456,040 priority patent/US11454202B2/en
Priority to CN202111420662.0A priority patent/CN114565005A/zh
Publication of DE102020214952A1 publication Critical patent/DE102020214952A1/de
Application granted granted Critical
Publication of DE102020214952B4 publication Critical patent/DE102020214952B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M65/00—Testing fuel-injection apparatus, e.g. testing injection timing ; Cleaning of fuel-injection apparatus
    • F02M65/005—Measuring or detecting injection-valve lift, e.g. to determine injection timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2464—Characteristics of actuators
    • F02D41/2467—Characteristics of actuators for injectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F02D2200/0616—Actual fuel mass or fuel injection amount determined by estimation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • F02D41/38—Controlling fuel injection of the high pressure type
    • F02D41/40—Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
    • F02D41/401—Controlling injection timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M2200/00—Details of fuel-injection apparatus, not otherwise provided for
    • F02M2200/24—Fuel-injection apparatus with sensors

Abstract

Computerimplementiertes Verfahren zum Ermitteln eines Verschlusszeitpunkts eines Injektors (20) einer Verbrennungskraftmaschine mittels eines Klassifikators (60), wobei das Verfahren die folgenden Schritte umfasst:• Ermitteln einer Zeitreihe (x) von Eingabesignalen, wobei die Eingabesignale jeweils mit einem Zeitpunkt innerhalb der Zeitreihe korrespondieren und die Eingabesignale jeweils eine Verformung des Injektors (20) charakterisieren;• Ermitteln einer Mehrzahl von ersten Werten (p1, p2, p3, pn) mittels des Klassifikators (60) basierend auf der Zeitreihe (x) von Eingabesignalen, wobei jeweils ein erster Wert (p1, p2, p3, pn) mit einem Zeitpunkt der Zeitreihe (x) korrespondiert und der erste Wert (p1, p2, p3, pn) eine Wahrscheinlichkeit charakterisiert, mit der der Verschlusszeitpunkt des Injektors (20) mit dem Zeitpunkt übereinstimmt;• Ermitteln einer Mehrzahl von zweiten Werten (z1, z2, z3, zn), wobei ein zweiter Wert (z1, z2, z3, zn) jeweils eine Summe von benachbarten ersten Werten (p1, p2, p3, pn) eines ersten Wertes (p1, p2, p3, pn) und des ersten Wertes (p1, p2, p3, pn) ist, wobei die benachbarten ersten Werte (p1, p2, p3, pn) basierend auf den mit den ersten Werten (p1, p2, p3, pn) korrespondierenden Zeitpunkten ermittelt werden, und der zweite Wert (z1, z2, z3, zn) mit dem Zeitpunkt korrespondiert, mit dem der erste Wert (p1, p2, p3, pn) korrespondiert;• Ermitteln des Verschlusszeitpunkts basierend auf einem größten zweiten Wert (z1, z2, z3, zn) der Mehrzahl von zweiten Werten (z1, z2, z3, zn).

Description

  • Technisches Gebiet
  • Die Erfindung betrifft ein Verfahren zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine, ein Steuerungssystem, ein Trainingssystem, ein Computerprogramm und ein maschinenlesbares Speichermedium.
  • Stand der Technik
  • Aus der DE 10 2014 219 242 A1 ist ein Verfahren zur Bestimmung eines Verschlusszeitpunkts eines Kraftstoffinjektors mittels einer ein Piezoelement aufweisenden Sensoreinrichtung bekannt.
  • Aus der DE 103 55 412 B4 ist ein Verfahren zur Optimierung des Betriebs einer Brennkraftmaschine, die mit einem Kraftstoff-Direkteinspritzsystem ausgebildet ist, bekannt, wobei für die Optimierung des Betriebs mehrere Kriterien, insbesondere bezüglich des Emissionsverhaltens und des Komforts, in Betracht gezogen werden, dadurch gekennzeichnet, dass vorab für mehrere Optimierungskriterien spezielle Kennfeldsätze gespeichert werden, denen in Abhängigkeit von der Fahrsituation und/oder Umweltbedingungen optimale Betriebswerte zugeordnet sind und dass ein Klassifikator gebildet wird, der für eine aktuelle Fahrsituation oder Umgebungsbedingung ein Optimierungskriterium auswählt und dann das Kraftstoff-Direkteinspritzsystem oder ein betroffenes anderes Steuersystem entsprechend steuert.
  • Aus der DE 10 2008 005 524 A1 ist ein Verfahren zum Steuern eines selbstzündenden Verbrennungsmotors bekannt mit den Schritten: Vorgeben einer Soll-Verbrennungslage für den selbstzündenden Verbrennungsmotor, Vorgeben eines Rechenmodells zum Berechnen einer wahrscheinlichen Abweichung eines zukünftigen Zyklus des Verbrennungsmotors von der vorgegebenen Soll-Verbrennungslage unter Berücksichtigung einer ermittelten Ist-Verbrennungslage eines abgelaufenen Zyklus des Verbrennungsmotors, Vorgeben einer mittleren Abweichung für den Verbrennungsmotor, Betreiben des Verbrennungsmotors für einen ersten Zyklus und Ermitteln einer Ist-Verbrennungslage des ersten Zyklus, Berechnen einer wahrscheinlichen Abweichung eines nach dem ersten Zyklus stattfindenden zweiten Zyklus des Verbrennungsmotors von der vorgegebenen Soll-Verbrennungslage mittels des Rechenmodells, Vergleichen der berechneten wahrscheinlichen Abweichung des zweiten Zyklus mit der vorgegebenen mittleren Abweichung und Ermitteln mindestens einer Betriebsgröße zum Betreiben des Verbrennungsmotors zumindest während des zweiten Zyklus abhängig von dem Vergleich. Zusätzlich betrifft die Erfindung eine Steuervorrichtung zum Steuern eines selbstzündenden Verbrennungsmotors.
  • Aus der DE 10 2019 209 690 A1 ist ein Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine bekannt. Mittels eines Sensors wird ein Signalverlauf erfasst, der den zeitlichen Druckverlauf des Kraftstoffs in einem Injektor charakterisiert. Auf den zeitlichen Druckverlauf wird ein neuronales Netz angewendet, das mittels eines Lernverfahrens trainiert wurde. Wenigstens eine Ausgangsgröße des neuronalen Netzes wird zur Steuerung der Brennkraftmaschine verwendet.
  • Vorteile der Erfindung
  • Eine Direkteinspritzung von Kraftstoffen in Verbrennungskraftmaschinen, wie beispielsweise Dieselmotoren oder Ottomotoren mit Direkteinspritzung, erlaubt vorteilhafte Betriebseigenschaften der Verbrennungskraftmaschine. Eine Herausforderung besteht darin, den Verbrennungsvorgang möglichst genau zu steuern, um Betriebseigenschaften der Verbrennungskraftmaschine insbesondere hinsichtlich des Kraftstoffverbrauchs, der Effizienz, der Schadstoffemissionen und der Laufruhe zu verbessern.
  • Dazu ist wesentlich, die Injektoren (auch Einspritzdüsen oder Einspritzventile) der Verbrennungskraftmaschine so zu betreiben, dass die einzuspritzende Kraftstoffmenge mit hoher Wiederholgenauigkeit zugemessen werden kann. Die Injektoren können zum Beispiel einen elektromagnetischen Aktuator oder Piezoaktuator aufweisen, der eine Ventilnadel des Injektors betätigen kann, um diese von einem Nadelsitz abzuheben und eine Austrittsöffnung des Injektors zum Auslassen des Kraftstoffs in einen Verbrennungsraum zu öffnen.
  • Aufgrund von baulichen Unterschieden, baulichen Toleranzen und/oder unterschiedlichen Betriebsbedingungen, wie Temperatur, Kraftstoffdruck oder Kraftstoffviskosität, gibt es eine Unsicherheit beim Bestimmen des exakten Verschlusszeitpunkts des Injektors, d. h. des Zeitpunkts, ab dem die Nadel des Injektors schließt und kein Kraftstoff mehr durch den Injektor in den Verbrennungsraum gelangt.
  • Der Vorteil des Verfahren mit Merkmalen des unabhängigen Anspruchs 1 ist, dass der Verschlusszeit eines Injektors einer Verbrennungskraftmaschine genauer bestimmt werden kann. Vorteilhafterweise kann hierdurch die Menge von Kraftstoff, die in einer Einspritzung durch den Injektor abgegeben wurde, genauer ermittelt werden. Dies erlaubt ein verbessertes Ansteuern der Verbrennungskraftmaschine, da die Menge an Kraftstoff genauer dosiert werden kann. Hierdurch lassen sich vorteilhafterweise Betriebseigenschaften der Verbrennungskraftmaschine, insbesondere hinsichtlich des Kraftstoffverbrauchs, der Effizienz, der Schadstoffemissionen und der Laufruhe, verbessern.
  • Das Verfahren erlangt seinen Vorteil durch den Einsatz eines speziellen Klassifikators, mittels welchem der exakte Verschlusszeitpunkt des Injektors sehr genau klassifiziert werden kann.
  • Offenbarung der Erfindung
  • In einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines Klassifikators, wobei das Verfahren die folgenden Schritte umfasst:
    • • Ermitteln einer Zeitreihe von Eingabesignalen, wobei die Eingabesignale jeweils mit einem Zeitpunkt innerhalb der Zeitreihe korrespondieren und die Eingabesignale jeweils eine Verformung des Injektors charakterisieren;
    • • Ermitteln einer Mehrzahl von ersten Werten mittels des Klassifikators basierend auf der Zeitreihe von Eingabesignalen, wobei jeweils ein erster Wert mit einem Zeitpunkt der Zeitreihe korrespondiert und der erste Wert eine Wahrscheinlichkeit charakterisiert, mit der der Verschlusszeitpunkt des Injektors mit dem Zeitpunkt übereinstimmt;
    • • Ermitteln einer Mehrzahl von zweiten Werten, wobei ein zweiter Wert jeweils eine Summe von benachbarten ersten Werten eines ersten Wertes und des ersten Wertes ist, wobei die benachbarten ersten Werte basierend auf den mit den ersten Werten korrespondierenden Zeitpunkten ermittelt werden, und der zweite Wert mit dem Zeitpunkt korrespondiert, mit dem der erste Wert korrespondiert;
    • • Ermitteln des Verschlusszeitpunkts basierend auf einem größten zweiten Wert der Mehrzahl von zweiten Werten.
  • Das Verfahren kann derart verstanden werden, dass auf Basis der Verformung des Injektors der genaue Verschlusszeitpunkt des Injektors ermittelt werden kann. Die Erfinder konnten herausfinden, dass diese Herangehensweise zur Ermittlung des Verschlusszeitpunkts eine sehr genaue Ermittlung des Verschlusszeitpunkts ermöglicht.
  • Der Injektor kann insbesondere ein Injektor eines Dieselmotors oder eines Ottomotors mit Direkteinspritzung sein.
  • Zum Ermitteln der Zeitreihe können über einen geeigneten Sensor, der die Verformung des Injektors ermitteln kann, zu vorzugsweise regelmäßigen Zeitpunkten Messungen vorgenommen werden, wobei die einzelnen Messungen jeweils als Eingabesignale der Zeitreihe verwendet werden können.
  • Insbesondere kann jedem Eingabesignal der Zeitreihe so ein Zeitpunkt, beispielsweise eine Uhrzeit oder ein relativer Zeitpunkt des Eingabesignals innerhalb der Zeitreihe, zugeordnet werden.
  • Es ist auch möglich, dass als Zeitreihe ein Ausschnitt oder eine Teilmenge einer anderen Zeitreihe verwendet wird.
  • In einer vorteilhaften Ausführungsform ist möglich, dass die Eingabesignale mittels eines Piezosensors ermittelt werden.
  • Dies ist vorteilhaft, da Piezosensoren sehr genaue Messungen bezüglich Verformung ermöglichen da sie unempfindlich gegenüber elektromagnetischen Strahlungen oder elektromagnetischen Feldern sind und eine hohe Eigenfrequenz aufweisen. Hierdurch kann die Verformung des Injektors sehr genau bestimmt werden, was zu einer genaueren Bestimmung des Verschlusszeitpunkts führt.
  • Die Zeitreihe wird einem Klassifikator übermittelt. Der Klassifikator kann derart verstanden werden, dass er zu den durch die Zeitreihe abgebildeten Zeitpunkten jeweils bestimmt, ob es sich um einen Verschlusszeitpunkt handelt oder nicht. Vorteilhafterweise wird dem Klassifikator durch die Zuführung der Eingabesignale der Zeitreihe ein Kontext von Messungen offenbart, auf dessen Basis er für die jeweiligen Zeitpunkte ermitteln kann, ob es sich um einen Verschlusszeitpunkt handelt oder nicht. Der Klassifikator ermittelt auf Basis der Zeitreihe die Mehrzahl von ersten Werten. Ein ersten Werten kann mit einem durch die Zeitreihe charakterisierten Zeitpunkt als korrespondierenden verstanden werden. Insbesondere ist möglich, dass zu jedem Eingabesignal der Zeitreihe ein erster Wert ermittelt wird, wobei der erste Wert eine Wahrscheinlichkeit charakterisiert, mit der es sich bei dem Zeitpunkt, zu dem das Eingabesignal vom Sensor ermittelt wurde, um einen Verschlusszeitpunkt handelt.
  • Der Klassifikator kann ein Modell des maschinellen Lernens umfassen, auf dessen Basis der Klassifikator die ersten Werte ermitteln kann. Alternativ oder zusätzlich ist auch möglich, dass die ersten Werte auf Basis eines regelbasierten Modells des Klassifikators ermittelt werden.
  • In einer vorteilhaften Ausführungsform ist möglich, dass der Klassifikator ein neuronales Netz umfasst, mittels welchem die Mehrzahl von ersten Werten ermittelt wird.
  • Die Erfinder konnten herausfinden, dass ein auf einem neuronalen Netz basierender Klassifikator vorteilhafterweise eine höchste Genauigkeit bei der Ermittlung eines Verschlusszeitpunkts basierend auf der Zeitreihe von Eingabesignalen erzielen kann.
  • Die ersten Werte könnten bereits verwendet werden, um einen Verschlusszeitpunkt zu ermitteln. Insbesondere, wenn die Verteilung der ermittelten ersten Werte jedoch multimodal ist, führt dies zu einer ungenauen Bestimmung des Verschlusszeitpunkts. Vorteilhafterweise verwendet das Verfahren daher die Mehrzahl von zweiten Werten, um den Verschlusszeitpunkt zu schätzen. Insbesondere ist vorstellbar, dass zu jedem ersten Wert ein zweiter Wert existiert, der eine Wahrscheinlichkeit charakterisiert, mit der der zum ersten Wert korrespondierende Zeitpunkt ein Verschlusszeitpunkt ist, wobei der zweite Wert basierend auf dem ersten Wert und dem ersten Wert benachbarten anderen ersten Wert ermittelt wird.
  • Ein zweiter Wert kann daher derart verstanden werden, dass er die Wahrscheinlich, dass es sich bei einem Zeitpunkt um einen Verschlusszeitpunkt handelt, basierend auf einer Mehrzahl von Wahrscheinlichkeiten um den jeweiligen Zeitpunkt herum charakterisiert. Insbesondere kann der zweite Wert daher als eine Wahrscheinlichkeitsmasse charakterisierend verstanden werden.
  • Durch die Ermittlung eines Verschlusszeitpunkts basierend auf einer Wahrscheinlichkeitsmasse kann die Genauigkeit der Bestimmung eines Verschlusszeitpunkts verbessert werden. Insbesondere können hierdurch mögliche Ungenauigkeiten oder numerische Ausreißer innerhalb der ersten Werte unterdrückt werden, was die Genauigkeit der Bestimmung erhöht.
  • Insbesondere ist möglich, dass im Schritt des Ermittelns der Mehrzahl von zweiten Werten eine vordefinierte erste Anzahl von vorgehenden ersten Werten eines ersten Wertes und eine vordefinierte zweite Anzahl von nachfolgenden ersten Werten des ersten Wertes und der erste Wert die benachbarten ersten Werte bilden.
  • Eine Reihenfolge der ersten Wert kann insbesondere basierend auf den mit den ersten Werten korrespondierenden Zeitpunkten der Zeitreihe ermittelt werden. Insbesondere können die ersten Werte an Hand der mit Ihnen korrespondierenden Zeitpunkte sortiert werden. Zu einem ersten Wert kann dann ein Vorgänger und ein Nachfolger an Hand der Sortierung ermittelt werden. Insbesondere ist auch möglich, dass an Hand der Sortierung eine Nachbarschaft, also eine Menge vorgehender und nachfolgender erster Werte eines ersten Wertes, ermittelt werden kann.
  • Bei ersten Werten, deren Zeitpunkte bezüglich der Zeitreihe in Randbereichen liegen, ist möglich, dass nur nachfolgende erste Werte oder nur vorhergehende erste Werte als Nachbarschaft verwendet werden.
  • In einer vorteilhaften Ausführungsform ist möglich, dass im Schritt des Ermittelns der Mehrzahl von zweiten Werten jeweils ein zweiter Wert mittels einer eindimensionalen diskreten Faltung ermittelt wird.
  • Dies ist vorteilhaft, da für diskrete Faltungen spezialisierte Hardware und Software existiert, wodurch das Verfahren beschleunigt werden kann. Dies ist von Vorteil, da das Verfahren zur Ermittlung des Verschlusszeit des Injektors im Allgemein mit hoher Frequenz wiederholt wird und so eine möglichst zeiteffiziente Ausgestaltung des Verfahrens ermöglicht werden kann.
  • Weiterhin ist möglich, dass im Schritt des Ermittelns des Verschlusszeitpunkts ein Zeitpunkt als Verschlusszeitpunkt ermittelt wird, der mit dem größten zweiten Wert korrespondiert.
  • In einer weiteren bevorzugten Ausführungsform ist möglich, dass die Verbrennungskraftmaschine basierend auf dem ermittelten Verschlusszeitpunkt angesteuert wird.
  • Durch die genaue Ermittlung des Verschlusszeitpunkts, kann die Verbrennungskraftmaschine sehr genau angesteuert werden. Hierdurch lässt sich vorteilhafterweise ein Kraftstoffverbrauch der Verbrennungskraftmaschine, eine Effizienz der Verbrennungskraftmaschine, eine Schadstoffemissionen der Verbrennungskraftmaschine und/oder eine Laufruhe der Verbrennungskraftmaschine verbessern.
  • In einer bevorzugten Ausführungsform des Verfahren ist möglich, dass das Verfahren zusätzlich ein Training des Klassifikators umfasst, wobei der Klassifikator derart trainiert wird, dass er zu einer Zeitreihe von Eingabesignalen eines Injektors ermittelt, ob ein jeweiliger Zeitpunkt der Zeitreihe einen Verschlusszeitpunkt des Injektors charakterisiert oder nicht.
  • Insbesondere kann der Klassifikator überwacht trainiert werden, d.h. der Klassifikator kann derart trainiert werden, dass ein Fehler zwischen einem durch den Klassifikator ermittelten Ausgabesignal und einem gewünschten Ausgabesignal minimiert wird.
  • Ein zum Training notwendiger Trainingsdatensatz kann vorzugsweise auf einem Messstand ermittelt werden. Insbesondere kann über entsprechende Messungen innerhalb des Messstandes ein Austritt von Kraftstoff aus dem Injektor ermittelt werden und so bezüglich einer Zeitreihe ein genauer Verschlusszeitpunkt des Injektors ermittelt werden. Der so ermittelte Verschlusszeitpunkt kann dann als gewünschter Verschlusszeitpunkt verwendet werden, den der Klassifikator für die Zeitreihe vorhersagen soll.
  • Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
    • 1 schematisch einen Klassifikator;
    • 2 schematisch einen Aufbau eines Steuerungssystems zur Ansteuerung eines Injektors mittels des Klassifikators;
    • 3 schematisch ein Trainingssystem zum Trainieren des Klassifikators.
  • Beschreibung der Ausführungsbeispiele
  • 1 zeigt einen Klassifikator (60). Im Ausführungsbeispiel umfasst der Klassifikator (60) ein neuronales Netz (61) zur Klassifikation einer Zeitreihe (x) von Eingabesignalen. Für jeweils ein Eingabesignal existiert zudem ein Zeitpunkt. Der Zeitpunkt kann entweder ein absoluter Zeitpunkt sein, zum Beispiel eine Uhrzeit oder eine Anzahl von verstrichenen Sekunden ab einem vordefinierten Zeitpunkt, oder ein relativer Zeitpunkt innerhalb der Zeitreihe. In alternativen Ausführungsbeispielen ist auch möglich, dass zur Klassifikation der Zeitreihe ein anderes maschinelles Lernmodell verwendet wird, zum Beispiel eine Stützvektormaschine (engl. Support Vector Machine), ein Zufallswaldklassifikator (engl. Random Forest Classifier) oder ein Gaussprozess (engl. Gaussian Process).
  • Das neuronale Netz (61) ermittelt auf Basis der Zeitreihe (x) eine Mehrzahl von ersten Werten (p1, p2, p3, pn), wobei zu jedem Eingabesignal der Zeitreihe (x) ein erster Wert (p1, p2, p3, pn) durch das neuronale Netz (61) ermittelt wird. Ein erster Wert (p1, p2, p3, pn) charakterisiert dabei jeweils eine Wahrscheinlich, mit der der Zeitpunkt des mit dem ersten Wert (p1, p2, p3, pn) korrespondierenden Eingabesignals ein Verschlusszeitpunkt eines Injektors ist. Vorzugsweise gibt das neuronale Netz hierfür einen Vektor (63) von ersten Werten (p1, p2, p3, pn) aus, wobei die ersten Werte (p1, p2, p3, pn) von einer Ausgabeschicht des neuronalen Netzes (60) ermittelt werden. Im Ausführungsbeispiel verwendet die Ausgabeschicht als Aktivierungsfunktion eine Sigmoidfunktion. In alternativen Ausführungsbeispielen ist auch möglich, dass als Aktivierungsfunktion eine Softmax-Funktion verwendet wird oder keine Aktivierungsfunktion verwendet wird.
  • Die Anordnung der ersten Werte (p1, p2, p3, pn) im Vektor (63) wird vorzugsweise gemäß einer Reihenfolge der ersten Werte (p1, p2, p3, pn) gewählt, wobei die Reihenfolge basierend auf den mit den ersten Werten (p1, p2, p3, pn) korrespondierenden Zeitpunkten gewählt wird. Zum Beispiel ist möglich, dass ein aufsteigender Index der Vektorkomponenten einen Fortlauf der mit den ersten Werten (p1, p2, p3, pn) korrespondierenden Zeitpunkte charakterisiert.
  • Der Vektor (63) wird einer eindimensionalen diskreten Faltungsfunktion zugeführt, die eine Mehrzahl von zweiten Werten (z1, z2, z3, zn) ermittelt. Vorzugsweise wird der Vektor (63) vor der Faltung mit Nullen (65) derart aufgefüllt (engl. padding), dass durch die Faltung so viele zweite Werte (z1, z2, z3, zn) ermittelt werden, wie erste Werte (p1, p2, p3, pn) im Vektor (63) existieren. Alternativ ist jedoch auch möglich, dass die Faltung nur die ersten Werte (p1, p2, p3, pn) berücksichtigt, die im Vektor (63) vorliegen und dadurch weniger zweite Werte (z1, Z2, Z3, zn) ermittelt werden als erste Werte (p1, p2, p3, pn) existieren. Im Ausführungsbeispiel umfasst die Faltung jeweils drei erste Werte (p1, p2, p3, pn).
  • Ein zweiter Wert (z1, z2, z3, zn) kann derart verstanden werden, dass er die Summe einer Nachbarschaft von ersten Werten (p1, p2, p3, pn) charakterisiert. Insbesondere kann ein zweiter Wert (z1, z2, Z3, zn) derart verstanden werden, dass er bezüglich der Mehrzahl von ersten Werten (p1, p2, p3, pn) einen Bezugswert hat, mit dem er korrespondiert. Bevorzugt basiert die Faltung auf einer ungeraden Anzahl von ersten Werten (p1, p2, p3, pn), wobei ein zweiter Wert (z1, z2, z3, zn) den ersten Wert (p1, p2, p3, pn) als Bezugswert hat, der im Sinne der Sortierung der ersten Werte (p1, p2, p3, pn) das mittlere Element ist. Das Bezugselement kann derart verstanden werden, dass es einen mit dem zweiten Wert (z1, z2, z3, zn) korrespondierenden Zeitpunkt definiert. Mit anderen Worten, das Bezugselement bestimmt den Zeitpunkt innerhalb der Zeitreihe mit dem der zweite Wert (z1, z2, z3, zn) korreliert.
  • Es ist auch denkbar, dass die Faltung auf einer geraden Anzahl von ersten Werten basiert (p1, p2, p3, pn). In diesem Fall kann ein zweiter Wert (z1, z2, z3, zn) vorzugsweise zwei Bezugswerte haben, nämlich die im Sinne der Sortierung der ersten Werte (p1, p2, p3, pn) beiden mittleren Werte. Der mit dem zweiten Wert (z1, z2, z3, zn) korrespondierende Zeitpunkt kann dann Beispielsweise ein Zeitpunkt sein, der zwischen dem Zeitpunkt des ersten der beiden Bezugswerte und dem Zeitpunkt des zweiten der beiden Bezugswerte liegt, vorzugsweise der Zeitpunkt, der die Mitte zwischen beiden Zeitpunkte bildet.
  • Die zweiten Werte (z1, z2, z3, zn) können dann in einem Ausgabesignal (y) bereitgestellt werden. Alternativ oder zusätzlich ist auch möglich, dass ein Zeitpunkt als ermittelter Verschlusszeit im Ausgabesignal (y) bereitgestellt wird, wobei als Zeitpunkt der Zeitpunkt genommen, der mit dem größten der zweiten Werte (z1, z2, z3, zn) korrespondiert.
  • 2 zeigt ein Steuerungssystem (40) zur Steuerung eines Injektors (20) einer Verbrennungskraftmaschine. In vorzugsweise regelmäßigen zeitlichen Abständen wird eine Verformung des Injektors (20) mittels eines Sensors (30) erfasst. Im Ausführungsbeispiel ist der Sensor (30) ein Piezosensor. In alternativen Ausführungsbeispielen sind auch andere Sensoren (30) zum Ermitteln einer Verformung des Injektors möglich, beispielsweise Sensoren (30) auf Basis eines Dehnungsmessstreifens.
  • Eine durch den Sensor (30) ermittelte Messung (S) wird an das Steuerungssystem (40) übermittelt. Das Steuerungssystem (40) empfängt somit eine Folge von Messungen (S). Das Steuerungssystem (40) ermittelt hieraus Ansteuersignale (A), welche an eine Steuereinheit (10) des Injektors (20) übertragen werden.
  • Das Steuerungssystem (40) empfängt die Folge von Messungen (S) des Sensors (30) in einer Empfangseinheit (50), die die Folge von Messungen (S) in eine Zeitreihe (x) von Eingabesignalen umwandelt. Die Zeitreihe kann beispielswiese durch eine Auswahl von zurückliegenden Messungen und der aktuellen Messung (S) ermittelt werden. Alternativ ist denkbar, dass die Zeitreihe jeweils eine vordefinierte Zahl von zeitlich zurückliegenden Messungen und der aktuellen Messung (S) umfasst. Mit anderen Worten, die Zeitreihe (x) wird abhängig vom Sensorsignal (S) ermittelt. Die Zeitreihe (x) von Eingabesignalen wird dem Klassifikator (60) zugeführt.
  • Der Klassifikator (60) wird vorzugsweise parametriert durch Parameter (ϕ), die in einem Parameterspeicher (P) hinterlegt sind und von diesem bereitgestellt werden.
  • Basierend auf der Zeitreihe (x) ermittelt der Klassifikator (60) ein Ausgabesignal (y). Das Ausgabesignal (y) wird einer optionalen Umformeinheit (80) zugeführt, die hieraus Ansteuersignale (A) ermittelt, welche der Steuereinheit (10) des Injektors (20) zugeführt werden, um den Injektor (20) entsprechend anzusteuern.
  • Die Steuereinheit (10) empfängt die Ansteuersignale (A), wird entsprechend angesteuert und führt eine entsprechende Aktion aus. Die Steuereinheit (10) kann hierbei eine (nicht notwendigerweise baulich integrierte) Ansteuerlogik umfassen, welches aus dem Ansteuersignal (A) ein zweites Ansteuersignal ermittelt, mit dem dann der Injektor (20) angesteuert wird.
  • In weiteren Ausführungsformen umfasst das Steuerungssystem (40) den Sensor (30). In noch weiteren Ausführungsformen umfasst das Steuerungssystem (40) alternativ oder zusätzlich auch die Steuereinheit (10).
  • In weiteren bevorzugten Ausführungsformen umfasst das Steuerungssystem (40) zumindest einen Prozessor (45) und zumindest ein maschinenlesbares Speichermedium (46), auf dem Anweisungen gespeichert sind, die dann, wenn sie auf dem zumindest einen Prozessor (45) ausgeführt werden, das Steuerungssystem (40) veranlassen, das erfindungsgemäße Verfahren auszuführen.
  • In alternativen Ausführungsformen ist alternativ oder zusätzlich zur Steuereinheit (10) vorgesehen, dass mittels des Ansteuersignals (A) zumindest eine weitere Vorrichtung (10a) angesteuert wird. Die Vorrichtung (10a) kann beispielsweise eine Pumpe eines Common-Rail-Systems sein, zu welchem der Injektor (20) gehört. Alternativ oder zusätzlich ist vorstellbar, dass die Vorrichtung ein Steuergerät der Verbrennungskraftmaschine ist. Alternativ oder zusätzlich ist auch vorstellbar, dass die Vorrichtung (10a) eine Anzeigeeinheit ist, mittels welcher einer Person (z.B. einem Fahrer oder einem Mechaniker) die Information der durch den Klassifikator (60) ermittelten Klassifikation entsprechend angezeigt werden kann.
  • 3 zeigt ein Ausführungsbeispiel eines Trainingssystems (140) zum Trainieren des Klassifikators (60) des Steuerungssystems (40) mittels eines Trainingsdatensatzes (T). Der Trainingsdatensatz (T) umfasst eine Mehrzahl von Zeitreihen (xi) von Eingabesignalen, die zum Trainieren des Klassifikators (60) verwendet werden, wobei der Trainingsdatensatz (T) ferner zu jeweils einer Zeitreihe (xi) ein gewünschtes Ausgabesignal (yi) umfasst, welches mit der Zeitreihe (xi) korrespondiert und eine Klassifikation der Zeitreihe (xi) charakterisiert.
  • Zum Training greift eine Trainingsdateneinheit (150) auf eine computerimplementierte Datenbank (St2) zu, wobei die Datenbank (St2) den Trainingsdatensatz (T) zur Verfügung stellt. Die Trainingsdateneinheit (150) ermittelt aus dem Trainingsdatensatz (T) vorzugsweise zufällig zumindest eine Zeitreihe (xi) und das zur Zeitreihe (xi) korrespondierende gewünschte Ausgabesignal (yi) und übermittelt die Zeitreihe (xi) an den Klassifikator (60). Der Klassifikator (60) ermittelt auf Basis des Eingabesignals (xi) ein Ausgabesignal (ŷi).
  • Das gewünschte Ausgabesignal (yi) und das ermittelte Ausgabesignal (ŷi) werden an eine Veränderungseinheit (180) übermittelt.
  • Basierend auf dem gewünschten Ausgabesignal (yi) und dem ermittelten Ausgabesignal (ŷi) werden dann von der Veränderungseinheit (180) neue Parameter (Φ') für den Klassifikator (60) bestimmt. Hierfür vergleicht die Veränderungseinheit (180) das gewünschte Ausgabesignal (yi) und das ermittelte Ausgabesignal (ŷi) mittels einer Verlustfunktion (engl.: Loss Function). Die Verlustfunktion ermittelt einen ersten Verlustwert, der charakterisiert, wie weit das ermittelte Ausgabesignal (yi) vom gewünschten Ausgabesignal (yi) abweicht. Als Verlustfunktion wird im Ausführungsbeispiel eine negative logarithmierte Plausibilitätsfunktion (Englisch: negative log-likehood function) gewählt. In alternativen Ausführungsbeispielen sind auch andere Verlustfunktion denkbar.
  • Die Veränderungseinheit (180) ermittelt auf Grundlage des ersten Verlustwertes die neuen Parameter (Φ'). Im Ausführungsbeispiel geschieht dies mittels eines Gradientenabstiegsverfahren, vorzugsweise Stochastic Gradient Descent, Adam, oder AdamW. In alternativen Ausführungsbeispielen können die neuen Parameter (Φ') auch mittels eines evolutionären Algorithmus ermittelt werden.
  • Die ermittelten neuen Parameter (Φ') werden in einem Modellparameterspeicher (St1) gespeichert. Vorzugsweise werden die ermittelten neuen Parameter (Φ') als Parameter (Φ) dem Klassifikator (60) bereitgestellt.
  • In weiteren bevorzugten Ausführungsbeispielen wird das beschriebene Training iterativ für eine vordefinierte Anzahl an Iterationsschritten wiederholt oder iterativ wiederholt, bis der erste Verlustwert einen vordefinierten Schwellenwert unterschreitet. Alternativ oder zusätzlich ist auch vorstellbar, dass das Training beendet wird, wenn ein durchschnittlicher erster Verlustwert bezüglich eines Test- oder Validierungsdatensatzes einen vordefinierten Schwellenwert unterschreitet. In mindestens einer der Iterationen werden die in einer vorherigen Iteration bestimmten neuen Parameter (Φ') als Parameter (Φ) des Klassifikators (60) verwendet.
  • Des Weiteren kann das Trainingssystem (140) mindestens einen Prozessor (145) und mindestens ein maschinenlesbares Speichermedium (146) umfassen, welches Befehle enthält, welche, wenn sie durch den Prozessor (145) ausgeführt werden, das Trainingssystem (140) veranlassen, ein Trainingsverfahren nach einem der Aspekte der Erfindung auszuführen.
  • Der Begriff „Computer“ umfasst beliebige Geräte zur Abarbeitung vorgebbarer Rechenvorschriften. Diese Rechenvorschriften können in Form von Software vorliegen, oder in Form von Hardware, oder auch in einer Mischform aus Software und Hardware.
  • Im Allgemeinen kann eine Mehrzahl als indexiert verstanden werden, d.h. jedem Element der Mehrzahl wird ein eindeutiger Index zugewiesen, vorzugsweise durch Zuweisung aufeinanderfolgender Ganzzahlen an die in der Mehrzahl enthaltenen Elemente. Vorzugsweise, wenn eine Mehrzahl N Elemente umfasst, wobei N die Anzahl der Elemente in der Mehrzahl ist, werden den Elementen die ganzen Zahlen von 1 bis N zugewiesen.

Claims (12)

  1. Computerimplementiertes Verfahren zum Ermitteln eines Verschlusszeitpunkts eines Injektors (20) einer Verbrennungskraftmaschine mittels eines Klassifikators (60), wobei das Verfahren die folgenden Schritte umfasst: • Ermitteln einer Zeitreihe (x) von Eingabesignalen, wobei die Eingabesignale jeweils mit einem Zeitpunkt innerhalb der Zeitreihe korrespondieren und die Eingabesignale jeweils eine Verformung des Injektors (20) charakterisieren; • Ermitteln einer Mehrzahl von ersten Werten (p1, p2, p3, pn) mittels des Klassifikators (60) basierend auf der Zeitreihe (x) von Eingabesignalen, wobei jeweils ein erster Wert (p1, p2, p3, pn) mit einem Zeitpunkt der Zeitreihe (x) korrespondiert und der erste Wert (p1, p2, p3, pn) eine Wahrscheinlichkeit charakterisiert, mit der der Verschlusszeitpunkt des Injektors (20) mit dem Zeitpunkt übereinstimmt; • Ermitteln einer Mehrzahl von zweiten Werten (z1, z2, z3, zn), wobei ein zweiter Wert (z1, z2, z3, zn) jeweils eine Summe von benachbarten ersten Werten (p1, p2, p3, pn) eines ersten Wertes (p1, p2, p3, pn) und des ersten Wertes (p1, p2, p3, pn) ist, wobei die benachbarten ersten Werte (p1, p2, p3, pn) basierend auf den mit den ersten Werten (p1, p2, p3, pn) korrespondierenden Zeitpunkten ermittelt werden, und der zweite Wert (z1, z2, z3, zn) mit dem Zeitpunkt korrespondiert, mit dem der erste Wert (p1, p2, p3, pn) korrespondiert; • Ermitteln des Verschlusszeitpunkts basierend auf einem größten zweiten Wert (z1, z2, z3, zn) der Mehrzahl von zweiten Werten (z1, z2, z3, zn).
  2. Verfahren nach Anspruch 1, wobei die Eingabesignale mittels eines Piezosensors (30) ermittelt werden.
  3. Verfahren nach einem der Anspruch 1 oder 2, wobei der Klassifikator (60) ein neuronales Netz (61) umfasst, mittels welchem die Mehrzahl von ersten Werten (p1, p2, p3, pn) ermittelt wird.
  4. Verfahren nach einem der Ansprüche 1 bis 3, wobei im Schritt des Ermittelns der Mehrzahl von zweiten Werten (z1, z2, z3, zn) jeweils ein zweiter Wert (z1, z2, z3, zn) mittels einer eindimensionalen diskreten Faltung ermittelt wird.
  5. Verfahren nach einem der vorhergehenden Ansprüche, wobei im Schritt des Ermittelns der Mehrzahl von zweiten Werten (z1, z2, z3, zn) eine vordefinierte erste Anzahl von vorgehenden ersten Werten (p1, p2, p3, pn) eines ersten Wertes (p1, p2, p3, pn) und eine vordefinierte zweite Anzahl von nachfolgenden ersten Werten (p1, p2, p3, pn) des ersten Wertes (p1, p2, p3, pn) und der erste Wert (p1, p2, p3, pn) die benachbarten ersten Werte (p1, p2, p3, pn) bilden.
  6. Verfahren nach einem der vorhergehenden Ansprüche, wobei im Schritt des Verschlusszeitpunkts ein Zeitpunkt als Verschlusszeitpunkt ermittelt wird, der mit dem größten zweiten Wert (z1, z2, z3, zn) korrespondiert.
  7. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verbrennungskraftmaschine basierend auf dem ermittelten Verschlusszeitpunkt angesteuert wird.
  8. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren zusätzlich ein Training des Klassifikators (60) umfasst, wobei der Klassifikator derart trainiert wird, dass er zu einer Zeitreihe (xi) von Eingabesignalen eines Injektors (20) ermittelt, ob ein jeweiliger Zeitpunkt der Zeitreihe (xi) einen Verschlusszeitpunkt des Injektors (20) charakterisiert oder nicht.
  9. Steuerungssystem (40), welches eingerichtet ist, das Verfahren nach Anspruch 7 auszuführen.
  10. Trainingssystem (140), welches eingerichtet ist, das Verfahren nach Anspruch 8 auszuführen.
  11. Computerprogramm, welches eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 8 auszuführen, wenn es durch einen Prozessor (45, 145) ausgeführt wird.
  12. Maschinenlesbares Speichermedium (46, 146), auf dem das Computerprogramm nach Anspruch 11 gespeichert ist.
DE102020214952.6A 2020-11-27 2020-11-27 Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems Active DE102020214952B4 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102020214952.6A DE102020214952B4 (de) 2020-11-27 2020-11-27 Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems
US17/456,040 US11454202B2 (en) 2020-11-27 2021-11-22 Method and device for ascertaining a closure point in time of an injector of an internal combustion engine with the aid of a machine learning system
CN202111420662.0A CN114565005A (zh) 2020-11-27 2021-11-26 确定燃烧发动机的喷射器的关闭时间点的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020214952.6A DE102020214952B4 (de) 2020-11-27 2020-11-27 Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems

Publications (2)

Publication Number Publication Date
DE102020214952A1 DE102020214952A1 (de) 2022-06-02
DE102020214952B4 true DE102020214952B4 (de) 2023-03-23

Family

ID=81586086

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020214952.6A Active DE102020214952B4 (de) 2020-11-27 2020-11-27 Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems

Country Status (3)

Country Link
US (1) US11454202B2 (de)
CN (1) CN114565005A (de)
DE (1) DE102020214952B4 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10355412B4 (de) 2003-11-27 2006-05-18 Siemens Ag Verfahren und Vorrichtung zur Optimierung des Betriebs einer Brennkraftmaschine, die mit einem Kraftstoff-Direkteinspritzsystem ausgebildet ist
DE102008005524A1 (de) 2008-01-22 2009-07-23 Robert Bosch Gmbh Verfahren zum Steuern eines selbstzündenden Verbrennungsmotors und Steuervorrichtung zum Steuern eines selbstzündenden Verbrennungsmotors
DE102014219242A1 (de) 2014-09-24 2016-03-24 Robert Bosch Gmbh Kraftstoffinjektor und Verwendung eines Kraftstoffinjektors
DE102019209690A1 (de) 2018-09-10 2020-03-12 Robert Bosch Gmbh Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2530738A (en) * 2014-09-30 2016-04-06 Gm Global Tech Operations Inc Method of controlling an injection dwell time between two injections of a fuel injector
US11162451B1 (en) * 2021-03-22 2021-11-02 Ford Global Technologies, Llc Methods and systems for controlling fuel injector holding current

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10355412B4 (de) 2003-11-27 2006-05-18 Siemens Ag Verfahren und Vorrichtung zur Optimierung des Betriebs einer Brennkraftmaschine, die mit einem Kraftstoff-Direkteinspritzsystem ausgebildet ist
DE102008005524A1 (de) 2008-01-22 2009-07-23 Robert Bosch Gmbh Verfahren zum Steuern eines selbstzündenden Verbrennungsmotors und Steuervorrichtung zum Steuern eines selbstzündenden Verbrennungsmotors
DE102014219242A1 (de) 2014-09-24 2016-03-24 Robert Bosch Gmbh Kraftstoffinjektor und Verwendung eines Kraftstoffinjektors
DE102019209690A1 (de) 2018-09-10 2020-03-12 Robert Bosch Gmbh Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine

Also Published As

Publication number Publication date
US20220170436A1 (en) 2022-06-02
CN114565005A (zh) 2022-05-31
US11454202B2 (en) 2022-09-27
DE102020214952A1 (de) 2022-06-02

Similar Documents

Publication Publication Date Title
DE112005003527B4 (de) Verfahren für die Schätzung von Verbrennungsparametern
DE102017218476A1 (de) Verfahren und Vorrichtung zum Ermitteln von Emissionen
DE102019127482B4 (de) Steuereinrichtung
DE102011081346A1 (de) Verfahren zum Erstellen einer Funktion für ein Steuergerät
DE112023000011T5 (de) Ein primäres Frequenzmodulationssteuersystem der thermischen Stromerzeugungseinheit mit kleinen Störungen
DE102021002318A1 (de) Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts
DE102020205688A1 (de) Verfahren und Vorrichtung zum Auswerten einer Betriebsgröße eines Einspritzventils
DE102015216953A1 (de) Verfahren und Vorrichtung zum Vermessen einer zu testenden Einheit
DE102018213114A1 (de) Verfahren und Vorrichtung zum Betreiben eines Verbrennungsmotors mit einem Common-Rail-Einspritzsystem
WO2022053620A1 (de) VERFAHREN UND VORRICHTUNG ZUM TRAINIEREN EINES DATENBASIERTEN ZEITPUNKTBESTIMMUNGSMODELLS FÜR DIE BESTIMMUNG EINES ÖFFNUNGS- ODER SCHLIEßZEITPUNKTS EINES EINSPRITZVENTILS MITHILFE MASCHINELLER LERNVERFAHREN
DE102020214952B4 (de) Verfahren und Vorrichtung zum Ermitteln eines Verschlusszeitpunkts eines Injektors einer Verbrennungskraftmaschine mittels eines maschinellen Lernsystems
DE102020214953A1 (de) Verfahren und Vorrichtung zum Trainieren eines Klassifikators zur Ansteuerung eines Injektors einer Verbrennungskraftmaschine
DE102020211416A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021132622A1 (de) Schätzvorrichtung für eine Ölkoksablagerungsmenge in einem Turbolader
DE102020211418A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021200789A1 (de) Computer-implementiertes Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungssysteme mithilfe Verfahren künstlicher Intelligenz
DE102021202289A1 (de) Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102020209479A1 (de) Verfahren und Vorrichtung zum Parametrisieren eines Gießverfahrens und zum Betreiben eines Gießsystems mithilfe Methoden maschinellen Lernens
DE102022101290B4 (de) Verfahren zur Kraftstoffbestimmung
DE102021205589B4 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102013206285A1 (de) Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
DE102017205437A1 (de) Robustheitsanalyse bei Fahrzeugen
DE102022201113A1 (de) Verfahren und Vorrichtung zum Bereitstellen von Erkennen von systematischen Fehlern in einem datenbasierten Systemmodell
DE102017204173A1 (de) Verfahren und Vorrichtung zum Ermitteln eines angepassten datenbasierten Funktionsmodells für die Berechnung eines Modellwert mit verändertem Eingangsgrößenvektor

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final