DE102020216145A1

DE102020216145A1 - Verfahren zum Schätzen einer Rußmasse und Steuereinrichtung

Info

Publication number: DE102020216145A1
Application number: DE102020216145.3A
Authority: DE
Inventors: Benedikt Alt
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-12-17
Filing date: 2020-12-17
Publication date: 2022-06-23
Also published as: CN114647973A

Abstract

Die Erfindung betrifft ein Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters (10) in einem Abgasmassenstrom eines Verbrennungsmotors und/oder der Rußmasse während eines Abbrands mithilfe eines physikalischen Modells, welches ausgehend von gemessenen Parametern und/oder Kenndaten die physikalischen Wirkzusammenhänge während des Betriebes des Verbrennungsmotors beschreibt, wobei das physikalische Modell mehrere Teilmodelle aufweist, wobei jedes Teilmodell ein physikalisches Teilmodell (200,300, 400) mit für das jeweilige Teilmodell gemessenen Parametern und/oder Kenndaten als Eingangsdaten zur Bestimmung eines jeweiligen Teilmodellwertes umfasst, wobei zumindest einem Teilmodell ein trainiertes datenbasiertes Teilmodell (2,3,4) zugeordnet ist, das trainiert ist, um abhängig von zumindest einem Teil der gemessenen Parameter und/oder Kenndaten als Eingangsdaten den Teilmodellwert des betreffenden physikalischen Teilmodells zu ergänzen oder zu korrigieren, wobei die Modellausgabe des zumindest einen mit dem datenbasierten Teilmodell (2,3,4) beaufschlagte physikalische Teilmodell (200,300, 400) durch das entsprechende datenbasierte Teilmodell (2,3,4) korrigiert wird.

Description

Technisches Gebiet
Die Erfindung betrifft ein Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters in einem Abgasmassenstrom eines Verbrennungsmotors und/oder der Rußmasse während eines Abbrands mithilfe eines physikalischen Modells. Ferner betrifft die Erfindung ein Computerprogrammprodukt und eine Steuereinrichtung.
Technischer Hintergrund
Normen betreffend der Luftreinhaltung sind mittlerweile in allen Industriestaaten in Form von Grenz- oder Zielwerten, insbesondere auch Partikelgrenzwerten für Verbrennungsmotoren, für die Freisetzung von Schadstoffen, festgelegt. Diese Normen betreffen auch die Verschmutzung und den Verbrauch der Verbrennungsmotoren, mit denen insbesondere Kraft- oder Straßenfahrzeuge ausgerüstet sind.
Die strengen Grenzwerte der heutigen Abgasgesetzgebung sind allein mit innermotorischen Maßnahmen der Verbrennungsmotoren nicht mehr zu erreichen. Um die Abgaswerte auf das vom Gesetzgeber geforderte Niveau zu reduzieren, werden bei Neufahrzeugen Partikelfilter eingesetzt. Dabei handelt es sich meist um Wandstromfilter, die im Laufe des Fahrzeuglebens mit Ruß und Asche beladen werden, die ihrerseits die Filtrationseffizienz des Partikelfilters entscheidend steigern. Während die Asche dauerhaft im Partikelfilter verbleibt und somit einen konstanten Filtrationsbeitrag liefert, ist der Filtrationsbeitrag durch den Ruß insbesondere von der Rußpartikelbeladung abhängig. Die optimale Filtrationseffizienz kann folglich durch einen gezielten Auf-bzw. Abbau einer Rußpartikelschicht unter bestimmten Bedingungen wie z.B. hohe Filtertemperaturen oder Sauerstoffüberschuss erreicht werden.
Die leeren Partikelfilter verfügen über eine eingeschränkte Filtrationseffizienz, deswegen ist es wichtig, dass diese Partikelfilter schnellstmöglich mit Asche oder Ruß vorbeladen werden, um die Filtrationseffizienz auf das nötige Niveau zu bringen. Das gezielte Vorbeladen des Partikelfilters vor dem Einbau oder eine starke Berußung des Partikelfilters kurz nach dem Motorstart sind dazu als Maßnahmen geeignet. Im Laufe der Fahrt erhöht sich der Filterwirkungsgrad, da die einzelnen Poren im Partikelfilter ohnehin zunehmend befüllt werden.
Bei ausreichend hohen Temperaturen und starkem Sauerstoffangebot kann die Rußpartikelschicht sehr schnell abbrennen, was zu einem starken Verlust der Filtrationseffizienz führt. Deswegen ist es von entscheidender Bedeutung die Oxidation der Rußpartikelschicht rechtzeitig anzuhalten und den Partikelfilter nicht allzu weit zu regenerieren und so die Filtrationseffizienz auf dem geforderten Niveau zu halten. Im Laufe des Fahrzeuglebens setzt sich der Partikelfilter immer mehr mit Asche zu, die sich selbst nicht wieder abbrennen lässt und somit für eine permanent hohe Filtrationseffizienz sorgt. Bei allzu hoher Beladung steigt allerdings der Abgasgegendruck, was wiederum zu Verbrauchsnachteilen führt. Als Folge sollte der Partikelfilter ab einer kritischen Aschebeladung ausgetauscht werden.
Der Differenzdruck beim Partikelfilter gilt als eine wichtige Messgröße, die durch Differenz der Drücke am Ein- und Ausgang des Partikelfilters berechnet wird. Durch die Änderung des Differenzdrucks lässt sich eine Änderung im Filterströmungswiderstand ableiten. Aus der Änderung des entsprechenden Strömungswiderstands lässt sich allerdings nur schwer eine Aussage treffen, zu welchem Anteil der Partikelfilter mit Asche bzw. Ruß beladen ist und wo der aktuelle Wirkungsgrad des Partikelfilters tatsächlich liegt.
Aus diesem Grund wurde für die Rußbildung und die Aschebildung ein physikalisches Modell entwickelt, das ausgehend vom gemessenen Differenzdruck und von weiteren Messgrößen bzw. Einflussgrößen / Kenngrößen (z.B. Laufleistung des Fahrzeugs, verwendete Ölsorte usw.) eine Aussage über die Asche- und Rußbeladung im Partikelfilter erlaubt. Damit ist es in bestimmten Fahrsituationen gezielt möglich, den Ruß verstärkt aufzubauen, den Ruß abzubauen oder eine exotherme Rußabbrandreaktion zu stoppen.
Aus dem Stand der Technik sind verschiedene Methoden zur Beladungserkennung bei Partikelfiltern in Kraftfahrzeugen bekannt, bei denen ein Differenzdruck über dem Partikelfilter gemessen wird.
Beispielhaft wird die EP 2065582 A1 genannt, welche ein Verfahren zur Erkennung der Beladung eines Partikelfilters, insbesondere eines Partikelfilters zur Filterung der Abgase einer Brennkraftmaschine offenbart, wobei ein Druckabfall über dem Partikelfilter bestimmt wird und ausgehend von dem Druckabfall auf eine den Strömungswiderstand des Partikelfilters charakterisierende Größe und aus dem Strömungswiderstand auf die Beladung des Partikelfilters geschlossen wird. Dabei wird die den Strömungswiderstand charakterisierende Größe in Abhängigkeit von Betriebspunkten der Brennkraftmaschine charakterisierenden Größen korrigiert.
Offenbarung der Erfindung
Erfindungsgemäß ist ein Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters in einem Abgasmassenstrom eines Verbrennungsmotors und/oder der Rußmasse während eines Abbrands mithilfe eines physikalischen Modells gemäß Anspruch 1 sowie eine entsprechende Steuereinrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
Vorteilhafte Aus- und Weiterbildungen, welche einzeln oder in Kombination miteinander eingesetzt werden können, sind Gegenstand der abhängigen Unteransprüche.
Gemäß einem ersten Aspekt ist ein Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters in einem Abgasmassenstrom eines Verbrennungsmotors und/oder der Rußmasse während eines Abbrands mithilfe eines physikalischen Modells vorgesehen, welches ausgehend von gemessenen Parametern und/oder Kenndaten die physikalischen Wirkzusammenhänge während des Betriebes des Verbrennungsmotors beschreibt, wobei das physikalische Modell verschiedene physikalische Teilmodelle mit für das jeweilige Teilmodell gemessenen Parametern und/oder Kenndaten als Eingangsdaten zur Bestimmung eines jeweiligen Teilmodellwertes umfasst, wobei zumindest ein Teilmodell unter Verwendung einer künstlichen Intelligenz (KI) Methode als trainiertes datenbasiertes Teilmodell modelliert ist, und wobei dem zumindest einen datenbasierten Teilmodell zumindest ein Teil der gemessenen Parameter und/oder Kenndaten als Eingangsdaten zugeführt werden und wobei die Modellausgabe des zumindest einen mit dem datenbasierten Teilmodell beaufschlagte Teilmodell durch das entsprechende datenbasierte Teilmodell korrigiert wird.
Der Erfindung liegt daher die Aufgabe zugrunde die Rußmasse in einem Partikelfilter in einem Abgasmassenstrom eines Verbrennungsmotors und/oder die Rußmasse während eines Abbrands mithilfe zumindest eines physikalischen Modells zu bestimmen, so dass eine einfachere Aussage über die Asche- und Rußbeladung und Abbrand im Partikelfilter möglich wird.
Das physikalische Modell wird auch als Rußmodell bezeichnet, welches im Wesentlichen die Menge an Ruß in dem Partikelfilter unter Berücksichtigung des Druckabfalls in der Abgasströmung unter Verwendung der gegebenen und bekannten gemessenen Parameter / Kenndaten und der zugrunde liegenden physikalischchemischen Prozesse ermittelt. Ein solches Rußmodell umfasst vorzugsweise verschiedene Teilmodelle.
Beim Partikelfilter geht es insbesondere darum, die nicht messbaren Größen Beladung und Filtrationseffizienz ausgehend von messbaren oder anderen berechneten Größen wie dem Abgasmassenstrom, Druck und Temperatur vor dem Partikelfilter, der Temperatur im Partikelfilter, der Sauerstoffkonzentration im Abgasmassenstrom und dem Massenstrom an Rohemissionen zu berechnen. Somit ist es dann möglich, mit dem Produkt aus Filterwirkungsgrad und dem eingehenden Massenstrom an Rohemissionen den Partikelmassenstrom zu berechnen, mit dem der Partikelfilter tatsächlich beladen wird.
Parameter und Kenndaten sind beispielsweise Messgrößen bzw. Einflussgrößen / Kenngrößen (z.B. Laufleistung des Fahrzeugs, verwendete Ölsorte usw.).
In der Regel sind die meisten Parameter aus den mitgelieferten Datenblätter bekannt und können direkt für die Parametrisierung benutzt werden. Manche Parameter wie z.B. eine Permeabilität oder Aktivierungsenergien können experimentell anhand von ausgesuchten Messungen, beispielsweise von einem einzelnen Partikelfilter, bestimmt werden.
Erfindungsgemäß wird ein Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters in einem Abgasmassenstrom und/oder der Rußmasse während eines Abbrands mithilfe einer trainierten künstlichen Intelligenz angegeben. Das physikalische Modell wird dabei in verschiedene Teilmodelle unterteilt. Erfindungsgemäß wird zumindest eines dieser Teilmodelle durch ein datenbasiertes Teilmodell ergänzt und kann dann den jeweiligen Wert, welches das entsprechende Teilmodell zurückliefern würde, als Modellwert des datenbasierten Teilmodells modellieren.
Erfindungsgemäß dient somit das datenbasierte Teilmodell als Ergänzung des bisherigen physikalischen Teilmodells oder kann dieses ersetzen. Insbesondere dient das datenbasierte Teilmodell in bestimmten Ausführungsformen als Ausgangsfehlermodell.
Durch die Ausgestaltung eines Teilmodells mit einem datenbasierten Teilmodell kann das physikalische Modell ergänzt oder ersetzt werden.
Durch das datenbasierte Teilmodell können die Änderungen der Partikelanzahl beim Beladungsvorgang und/oder beim Abbrandvorgang zumindest teilweise simuliert werden.
Durch Verwendung eines datenbasierten Teilmodells ist es zudem möglich, die erhaltenen Modellwerte des datenbasierten Teilmodells und das datenbasierte Teilmodell über die Laufzeit des Fahrzeugs immer weiter zu verbessern und genauere Werte zu erzielen.
Die physikalische Grundstruktur des physikalischen Modells kann bewusst ganz oder teilweise beibehalten werden. Ist das datenbasierte Teilmodell durch weiteres Training so angelernt worden, dass es beispielsweise bessere Werte liefert, so kann das physikalische Modell bzw. einzelne Teilmodelle jedoch auch ersetzt werden.
Dadurch wird eine einfachere und ggf. genauere Information zur Beladung des Partikelfilters eines Verbrennungsmotors (Otto oder Diesel) erzielt, so dass die Maßnahmen zur Verbesserung der Filtrationseffizienz, wie beispielsweise Anpassungen in einem Kraftstoffsystem, beispielsweise so dass größere/kleine Rußpartikel entstehen und/oder Maßnahmen zum Bauteilschutz, wie beispielsweise ein Schubabschaltverbot, d.h. Einspritzung trotz Schubphase, um Sauerstoffüberschuss zu verringern, zielgerichtet eingeleitet werden können. Durch die mittels der Erfindung mögliche hohe Filtrationseffizienz können die anspruchsvollen Grenzwerte in der Abgasgesetzgebung eingehalten werden. Weiterhin kann mittels der Erfindung der Kraftstoffverbrauch und der Kohlenstoffdioxidausstoß optimiert (verringert) werden.
Durch die Erfindung kann die Beladung und die Filtrationseffizienz eines Partikelfilters eines Verbrennungsmotors (Otto oder Diesel) im laufenden Betrieb genauer bestimmt werden. Dadurch können frühzeitig Maßnahmen wie Anpassungen im Kraftstoffsystem oder die Einleitung eines Schubabschaltverbots vorgenommen werden, um die Filtrationseffizienz rechtzeitig zu erhöhen oder aus Bauteilschutzgründen, wie beispielsweise bei einer hohen Temperaturbelastung beim Abbrand, einer zu hohen Ansammlung von Rußpartikeln im Partikelfilter entgegenzuwirken. Somit kann einem erhöhten Kraftstoffverbrauch und einem erhöhten Kohlendioxidausstoß die damit verbunden sind, entgegengewirkt werden.
Vorzugsweise wird als künstliche Intelligenz Methode bzw. Machine-Learning-Verfahren ein trainiertes künstliches neuronales Netz verwendet. Dieses kann als selbstlernendes Netz ausgestaltet sein, welches sich immer weiter verbessert. Somit sind immer weiter verbesserte Ergebnisse zu erwarten. Ein künstliches neuronales Netz eignet sich besonders für die Anwendung bei einer Vielzahl von Parameter/Kenngrößen.
Ferner kann das künstliche neuronale Netz als mehrschichtiges neuronales Netz ausgebildet sein. Auch können alle vorhandenen datenbasierte Teilmodelle als künstliches neuronales Netz ausgebildet sein. Auch ist es möglich, verschiedene Kl-Methoden für die jeweiligen datenbasierten Teilmodelle heranzuziehen.
Alternativ oder zusätzlich wird als künstliche Intelligenz Methode ein Gauß-Prozess-Modell verwendet. Da das Gauß-Prozess-Modell zur mathematischen Modellierung des Verhaltens von nicht-deterministischen Systemen auf der Basis von Beobachtungen angewendet wird, eignet sich dieses besonders gut für den hier aufgezeigten Einsatz.
Vorzugsweise wird das zumindest eine datenbasierte Teilmodell zusätzlich zu dem dazugehörigen physikalischen Teilmodell modelliert. Somit ist ein Vergleich des Ergebnisses zwischen dem konventionellen Teilmodell und dem datenbasierten Teilmodell möglich. Somit kann das Ergebnis des konventionellen physikalischen Teilmodells verifiziert oder verbessert werden. Dadurch kann die Beladung und die Filtrationseffizienz eines Partikelfilters eines Verbrennungsmotors (Otto oder Diesel) im laufenden Betrieb genauer bestimmt werden.
Vorzugsweise wird das zumindest eine physikalische Teilmodell um das zumindest eine datenbasierte Teilmodell als Ausgangsfehlermodell ergänzt.
Dabei stellt das Ausgangsfehlermodell ein Maß für die Abweichung des Modellverhaltens vom gemessenen Verhalten des Partikelfilters dar. Durch das datenbasierte Teilmodell kann der Ausgangsfehler minimiert werden, sodass ein gutes Parallelmodell zum physikalischen Teilmodell und zum realen Partikelfilter entsteht.
Vorzugsweise wird bei Abweichung eines zu dem zumindest einen datenbasierten Teilmodell entsprechenden KI-Differenzdruckmodellwertes zu einem korrespondierenden gemessenen Differenzdruck das entsprechende datenbasierte Teilmodell derart angepasst, dass die Abweichung minimiert wird. Dadurch kann das künstliche neuronale Netz oder eine anderweite KI-Methode weiter lernen, das heißt das entsprechende datenbasierte Teilmodell liefert immer bessere Ergebnisse. Somit kann die Beladung und die Filtrationseffizienz eines Partikelfilters eines Verbrennungsmotors (Otto oder Diesel) im laufenden Betrieb immer genauer bestimmt werden, um frühzeitig Maßnahmen wie beispielsweise eine Regeneration einzuleiten.
Vorzugsweise erfolgt die Anpassung des zumindest einen modellierten datenbasierten Teilmodells offline. Insbesondere kann das zumindest eine modellierte datenbasierte Teilmodell während der Applikationsphase mit ausreichend repräsentativen Messdaten aus einer Erprobungsflotte trainiert und angepasst werden. Dadurch kann vorzeitig ein sehr gutes Modellierungsergebnis erzielt werden. Ferner kann eine externe Anpassung auf einem leistungsstarken Rechner erfolgen.
Insbesondere kann dies von zusätzlichen Messungen an Partikelfiltern mehrerer Motoren im Rahmen einer Erprobung im Vorfeld des Trainings/Anpassung des modellierten datenbasierten Teilmodells vorgenommen werden. Dadurch lässt sich ein solches modelliertes datenbasiertes Teilmodell besonders gut bzw. einfach erstellen.
Alternativ oder zusätzlich erfolgt die Anpassung des zumindest einen modellierten datenbasierten Teilmodells online in dem Steuergerät eines jeweiligen Fahrzeugs. Dadurch kann stetig und auf das jeweilige Fahrzeug angepasst eine ständige Verbesserung erzielt werden.
Weiterhin kann das datenbasierte Teilmodell zumindest ein KI-Wirkungsgradmodell umfassen, das mittels zumindest eines Teils der gemessenen Parameter und/oder Kenndaten einen KI-Wirkungsgradmodellwert modelliert und ein physikalisches Wirkungsgradmodell als Ausgangsfehlermodell ergänzt oder ersetzt, und zumindest ein KI-Abbrandmodell, das mittels zumindest eines Teils der gemessenen Parameter und/oder Kenndaten einen KI-Abbrandmodellwert modelliert und ein physikalisches Abbrandmodell als Ausgangsfehlermodell ergänzt oder ersetzt, und zumindest ein KI-Differenzdruckmodell, wobei das KI-Differenzdruckmodell mittels des KI-Abbrandmodellwertes und/oder des KI-Wirkungsgradmodellwerts einen KI-Differenzdruckmodellwert in Bezug auf das modellierte KI-Abbrandmodell und/oder das modellierte KI-Wirkungsgradmodell simuliert und wobei das KI-Differenzdruckmodell ein physikalisches Differenzdruckmodell als Ausgangsfehlermodell ergänzt oder ersetzt.
Das Wirkungsgradmodell beschreibt die Änderungen der Partikelanzahl beim Beladungsvorgang. Mithilfe des Abbrandmodells wird dagegen die Massenänderung an Partikeln während eines Abbrandvorgangs berechnet. Die Differenz aus beiden Massenänderungen wird im Anschluss auf integriert. Daraus ergibt sich die Masse an Partikeln (Anzahl an Partikeln), die im Partikelfilter verbleibt. Ist die Masse bzw. Anzahl an Partikeln im Filter bekannt, so kann über das Differenzdruckmodell schließlich der Modellwert für den Differenzdruck bestimmt werden.
Ferner weist das Abgassystem eine Differenzdruckmessvorrichtung auf, die dazu dient einen Differenzdruck über den Partikelfilter bereitzustellen, insbesondere einen Differenzdruck am Eingang und am Ausgang.
Dies bedeutet, dass ggf. ganz auf das physikalische Modell oder auf einzelne physikalische Teilmodelle verzichtet werden kann. Durch die drei datenbasierte Teilmodelle kann eine hybride Modellstruktur geschaffen werden. Die einzelnen datenbasierten Teilmodelle können dazu dienen, die physikalischen Teilmodelle modular auszutauschen. Alternativ können die datenbasierten Teilmodelle als Ausgangsfehlermodelle fungieren und zur Verifikation oder Verbesserung der durch das konventionelle Teilmodell berechneten Modellwerte dienen.
In weiterer Ausgestaltung wird bei Abweichung eines gemessenen Differenzdrucks zu dem KI-Differenzdruckmodellwert bei Eingabe des simulierten KI-Wirkungsgradmodellwertes in das KI-Differenzdruckmodel, das Kl-Wirkungsgradmodell so angepasst, dass die Abweichung minimiert wird.
In weiterer Ausgestaltung wird bei Abweichung eines gemessenen Differenzdrucks zu dem KI-Differenzdruckmodellwert bei Eingabe des simulierten KI-Abbrandmodellwertes in das KI-Differenzdruckmodel, das KI-Abbrandmodell so angepasst, dass die Abweichung minimiert wird.
Vorzugsweise wird bei Abweichung des gemessenen Differenzdruckes und des KI-Differenzdruckmodellwerts bei Eingabe des modellierten KI-Abbrandmodellwertes in das KI-Differenzdruckmodel und bei gleicher oder ähnlicher Abweichung des Differenzdruckes und des KI-Differenzdruckmodellwerts bei Eingabe des modellierten KI-Wirkungsgradmodellwertes in das KI-Differenzdruckmodel, das KI-Differenzdruckmodell so angepasst, dass die Abweichung minimiert wird.
Dadurch wird das jeweilige datenbasierte Teilmodell während des Betriebes verbessert und es kann im Laufe der Zeit eine bessere Schätzung erzielt werden.
Durch die Verwendung der datenbasierten Teilmodelle können die einzelnen datenbasierte Teilmodelle anstatt des jeweiligen physikalischen konventionellen Teilmodells ergänzend verwendet werden, falls z.B. im weiteren Lebenszyklus ein anderes Teilmodell mit noch weiteren Eingangsgrößen verwendet werden soll. Zudem können die datenbasierte Teilmodelle im laufenden Betrieb immer wieder nachgeführt werden, so dass der simulierte Differenzdruck dem gemessenen Sensorwert entspricht, und somit die Beladung und die Filtrationseffizienz eines Partikelfilters eines Verbrennungsmotors (Otto oder Diesel) im laufenden Betrieb genauer bestimmt werden kann.
Insbesondere können die datenbasierten Teilmodelle als Ausgangsfehlermodelle genutzt werden, um die statischen, physikalischen Teilmodelle zielgerichtet zu ergänzen. Dies bedeutet, dass sobald es beim Beladungsvorgang eine Abweichung zwischen simulierten und gemessenen Differenzdruck gibt, eine Anpassung des Kl-Wirkungsgradmodells erfolgt. Gibt es dagegen eine Abweichung der beiden Differenzdrücke während der Regeneration/Abbrand, so wird vorzugsweise das KI-Abbrandmodell angepasst. Liegt sowohl beim Beladen als auch beim Abbrand dieselbe Abweichung vor, so wird vorzugsweise das KI-Differenzdruckmodell angepasst. Hierbei gilt es jeweils zu beachten, dass die Anpassung der datenbasierten Teilmodelle sowohl offline als auch online beispielsweise im Steuergerät des individuellen Fahrzeugs ausgeführt werden kann.
Ferner wird die Aufgabe gelöst durch ein Computerprogrammprodukt mit Programmcodemitteln zur Durchführung des wie oben beschriebenen Verfahrens. Ein Computerprogrammprodukt, wie z.B. ein Computerprogramm-Mittel, kann beispielsweise als Speichermedium, wie z.B. Speicherkarte, USB-Stick, CD-ROM, DVD, oder auch in Form einer herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden. In Zusammenhang mit dem Computerprogrammprodukt ergeben sich die Vorteile, die bereits im Zusammenhang mit dem Verfahren erläutert wurden.
Weiterhin wird die Aufgabe gelöst durch eine Steuereinrichtung zur Steuerung eines Verbrennungsmotors mit einem Partikelfilter, wobei die Steuereinrichtung dafür ausgebildet ist, eine Rußmasse zum Beladen eines Partikelfilters mit Rußpartikeln aus einem Abgasmassenstrom eines Verbrennungsmotors und/oder eine Rußmasse für die Regeneration, anhand eines wie oben beschriebenen Verfahrens zu schätzen.
In diesem Fall ist die Steuereinrichtung zur Durchführung des Verfahrens eingerichtet, das heißt, dass die Steuereinrichtung Anweisungen aufweist, aufgrund derer ein Verfahren nach einer der zuvor beschriebenen Ausführungsformen durchgeführt wird. In Zusammenhang mit der Steuereinrichtung verwirklichen sich die Vorteile, die bereits in Zusammenhang mit dem Verfahren beschrieben wurden. Insbesondere weist die Steuereinrichtung Prozessoren auf, auf denen die datenbasierten Teilmodelle ablaufen und angepasst werden können. Ferner weist die Steuereinheit vorzugsweise eine Differenzdruckmessvorrichtung auf, die zum Messen des Differenzdrucks ausgebildet und im Abgaskanal angeordnet ist.
Figurenliste
Bevorzugte Ausführungsformen der vorliegenden Erfindung werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

1 eine Übersicht eines physikalischen Modells mit einzelnen Wirkungsgradmodell, Abbrandmodell und Differenzmodell gemäß dem Stand der Technik für den Partikelfilter,
2 erfindungsgemäße datenbasierte Teilmodelle schematisch im Überblick,
3 eine Übersicht eines Modells mit einzelnen KI-Wirkungsgradmodell, KI - Abbrandmodell und KI -Differenzmodell gemäß der Erfindung, und
4 schematisch den Partikelfilter im Betrieb.

Beschreibung von Ausführungsformen
1 zeigt eine Übersicht eines physikalischen Modells mit einzelnen konventionellen physikalischen Teilmodellen, die hier als konventionelles Wirkungsgradmodell 200, konventionelles Abbrandmodell 300 und konventionelles Differenzdruckmodell 400 ausgestaltet sind, für einen Partikelfilter gemäß dem Stand der Technik. Ein solcher Partikelfilter weißt dabei eine Filterwand auf und eine bereits vorhandene Rußpartikelschicht, welche regelmäßig abgebrannt wird. Ruß wird sowohl in Rußpartikelschicht als auch in der Filterwand abgebrannt. Eine Regeneration wird dabei bei hoher Rußmasse eingeleitet. Dabei werden in dem physikalischen Modell die nicht messbaren Größen wie Beladung und Filtrationseffizienz vorzugsweise ausgehend von messbaren oder anderen berechneten Größen wie Abgasmassenstrom, Druck und Temperatur vor dem Partikelfilter, der Temperatur im Partikelfilter, der Sauerstoffkonzentration im Abgasmassenstrom und dem Massenstrom an Rohemissionen bestimmt.
Bei der Berechnung der Filtrationseffizienz wird zudem die Massenverteilung des Rußes zwischen Filterwand und aufgebauter Rußpartikelschicht bestimmt.
Hierzu müssen im physikalischen Modell sowohl die Rußmasse zum Beladen als auch die Rußmasse für die Regeneration jeweils für Filterwand und Rußpartikelschicht bestimmt werden.
Das vorliegende physikalische Modell rechnet hierzu als Basisgröße mit einer Rußpartikelmasse. Auch kann die Berechnung auf eine Partikelanzahl umgestellt werden.
Zur Berechnung der Rußmasse zum Beladen und der Rußmasse beim Regenerationsvorgang in der Filterwand und in der Rußpartikelschicht wird nun das physikalische Modell verwendet. Dieses ist üblicherweise als nichtlineares Modell ausgebildet, welches die physikalischen Wirkzusammenhänge beschreibt. Das physikalische Modell umfasst mehrere Teilmodelle, hier als Wirkungsgradmodell 200, Abbrandmodell 300 und Differenzdruckmodell 400 bezeichnet, welche nachfolgend noch beschrieben werden.
Dabei beschreibt das Wirkungsgradmodell 200 die Massenänderung ṁ_in des Partikelfilters unter Zuhilfenahme des Filterwirkungsgrads, des Abgasmassenstroms ṁ_exh, sowie den Druck p_us vor dem Partikelfilter, sowie der Temperatur T_us vor dem Partikelfilter.
Dadurch kann der angepasste Wirkungsgrad η_fit berechnet werden und unter Berücksichtigung des ursprünglichen Abgasmassenstroms ṁ_exh bestimmt werden. Anstelle der Partikelmasse kann auch die Anzahl an Partikeln herangezogen werden. In diesem Fall beschreibt das Wirkungsgradmodell 200 die Änderungen der Partikelanzahl beim Beladungsvorgang.
Die Massenänderung ṁ_out der Rußmasse in der Rußpartikelschicht nach dem Abbrand wird durch das Abbrandmodell 300 bestimmt, unter Zuhilfenahme von dem Abgasmassenstrom ṁ_exh, dem Druck p_us vor dem Partikelfilter, der Temperatur T_us vor dem Partikelfilter, dem Sauerstoff rat₀₂ im Abgasmassenstrom und der mittleren Temperatur T_gpf im Partikelfilter. Mithilfe des Abbrandmodells 300 wird somit die Massenänderung an Partikeln während eines Abbrandvorgangs berechnet. Anstelle der Partikelmasse kann auch die Anzahl an Partikeln herangezogen werden. In diesem Fall beschreibt das Abbrandmodell 300 d.h. die Änderungen der Partikelanzahl beim Abbrandvorgang.
Die Differenz aus beiden Massenänderungen wird im Anschluss aufintegriert und daraus ergibt sich schließlich die Masse an Partikeln, die im Partikelfilter verbleibt.
Somit ist es mithilfe des Wirkungsgradmodells 200 möglich, die Partikelmasse (Anzahl an Partikeln) zu berechnen, mit dem die Filterwand und die Rußpartikelschicht im Partikelfilter tatsächlich beladen werden. Mithilfe des Abbrandmodells 300, wird die jeweilige Massenänderungen an Partikeln (Partikelmasse oder Anzahl an Partikeln) während eines Abbrandvorgangs berechnet. Die Differenz aus den entsprechenden Massenstromänderungen wird im Anschluss aufintegriert. Daraus ergibt sich schließlich die Masse an Partikeln, die im Partikelfilter in Filterwand und Rußpartikelschicht verbleibt.
Ist die Masse bzw. Anzahl an Partikeln in der Wand und in der Rußpartikelschicht des Partikelfilters bekannt, kann über das weitere Differenzdruckmodell 400, schließlich der Modellwert für den Differenzdruck Δp berechnet werden. Dieses physikalische Modell erfordert jedoch einen hohen Rechenaufwand. Zudem können nicht alle Wirkzusammenhänge in den physikalischen Teilmodellen abgebildet werden.
2 zeigt einzeln die erfindungsgemäßen datenbasierten Teilmodelle 2,3 und 4. Diese datenbasierten Teilmodelle 2, 3 und 4 bilden zusammen mit den physikalischen Teilmodellen eine hybride Struktur für ein jeweiliges Teilmodell aus. So werden die Ausgänge des Wirkungsgradmodells 200, des Abbrandmodells 300 und des Differenzdruckmodells 400 (physikalische Teilmodelle) mit dem Ausgangs des entsprechenden zugeordneten datenbasierten Teilmodells 2,3 und 4 beaufschlagt, insbesondere addiert oder multipliziert.
Die einzelnen datenbasierten Teilmodelle 2,3 und 4 können neben dem konventionellen physikalischen Teilmodellen 200, 300 und 400 (1) bestehen. Die datenbasierte Teilmodelle sind hier in KI-Wirkungsgradmodell 2, KI-Abbrandmodell 3 und KI-Differenzdruckmodell 4 unterteilt.
Dem KI-Wirkungsgradmodell 2 liegt z.B. ein künstliches neuronales Netz oder ein anderes Machine-Learning-Verfahren (Machine-Learning-Modell) zugrunde. Das künstliche neuronale Netz kann ein Mehrschichtmodell sein. Das KI-Wirkungsgradmodell 2 kann anhand von repräsentativen Messdaten aus einer Erprobungsphase in an sich bekannter Weise trainiert und angepasst sein. Beispielsweise erfolgt das Trainieren basierend auf Trainingsdaten, die den zumindest einen Teil der Parameter und Kenngrößen auf eine Korrekturgröße abbilden, durch die der Modellwert des Wirkungsgradmodells korrigiert wird. Durch diese Ausgestaltung ist es möglich, die physikalischen Zusammenhänge verbessert abzubilden.
Das künstliche neuronale Netz kann im laufenden Betrieb immer wieder nachgeführt werden und somit als Ausgangsfehlermodell dienen. Anstatt des künstlichen neuronalen Netzes können auch andere Methoden aus dem Bereich des Machine-Learning herangezogen werden.
Das trainierte künstliche neuronale Netz bzw. das KI-Wirkungsgradmodell 2 erhält wie das konventionelle Wirkungsgradmodell 200 (1) die gemessenen Parameter Filterwirkungsgrad ṁ_loαd, Abgasmassenstrom ṁ_exh, den Druck p_us vor dem Partikelfilter, sowie die Temperatur T_us vor dem Partikelfilter. Anstelle der Partikelmasse kann auch die Anzahl an Partikeln herangezogen werden, wenn das neuronale Netz dahingehend trainiert ist. In diesem Fall beschreibt das KI-Wirkungsgradmodell 2 die Änderungen der Partikelanzahl beim Beladungsvorgang.
Wird eine Abweichung eines gemessenen Differenzdrucks zu dem KI-Differenzdruckmodellwert 4 festgestellt, so wird das KI-Wirkungsgradmodell 2 derart angepasst, dass die Abweichung minimiert wird. Dadurch wird das künstliche neuronale Netz weitertrainiert, bzw. nachgezogen. Dies kann offline, als auch online in einem Steuergerät eines individuellen Fahrzeugs ausgeführt werden.
Dem KI-Abbrandmodell 3 liegt ebenfalls ein künstliches neuronales Netz oder eine andere künstliche Intelligenz Methode (Machine-Learning-Modell) zugrunde. Das künstliche neuronale Netz kann ein Mehrschichtmodell sein. Das KI-Abbrandmodell 3 kann anhand von repräsentativen Messdaten aus einer Erprobungsphase in an sich bekannter Weise trainiert und angepasst sein. Beispielsweise erfolgt das Trainieren basierend auf Trainingsdaten, die den zumindest einen Teil der Parameter und Kenngrößen auf eine Korrekturgröße abbilden, durch die der Modellwert des Abbrandmodells 300 korrigiert wird. Durch diese Ausgestaltung ist es möglich, die physikalischen Zusammenhänge verbessert abzubilden.
Das künstliche neuronale Netz kann im laufenden Betrieb immer wieder nachgeführt werden und somit als Ausgangsfehlermodell dienen. Anstatt des künstlichen neuronalen Netzes können auch andere Methoden aus der KI herangezogen werden.
Wie beim konventionellen Abbrandmodell 300 (1) bestimmt das KI-Abbrandmodell 3 bzw. das trainierte künstliche neuronale Netz die Massenänderung ṁ_out der Rußmasse in der Rußpartikelschicht nach dem Abbrand unter Zuhilfenahme von dem Abgasmassenstrom ṁ_exh, dem Druck p_us vor dem Partikelfilter, der Temperatur T_us vor dem Partikelfilter, dem Sauerstoff rat₀₂ im Abgasmassenstrom und der mittleren Temperatur T_Gpf im Partikelfilter. Mithilfe des KI-Abbrandmodells 3 wird somit die Massenänderung an Partikeln während eines Abbrandvorgangs berechnet. Anstelle der Partikelmasse kann auch die Anzahl an Partikeln herangezogen werden. In diesem Fall beschreibt das KI-Abbrandmodell 3 die Änderungen der Partikelanzahl beim Abbrandvorgang.
Wird eine Abweichung eines gemessenen Differenzdrucks zu dem KI-Differenzdruckmodellwert festgestellt, so wird das KI-Abbrandmodell 3 derart angepasst, dass die Abweichung minimiert wird. Dadurch wird das künstliche neuronale Netz weitertrainiert, bzw. nachgezogen. Dies kann offline, als auch online in einem Steuergerät (Steuereinrichtung 12) eines individuellen Fahrzeugs ausgeführt werden.
Dem KI-Differenzmodell 4 liegt ebenfalls ein künstliches neuronales Netz oder eine andere künstliche Intelligenz Methode zugrunde. Das künstliche neuronale Netz kann ein Mehrschichtmodell sein. Das KI-Differenzmodell 4 kann anhand von repräsentativen Messdaten aus einer Erprobungsphase in an sich bekannter Weise trainiert und angepasst sein. Beispielsweise erfolgt das Trainieren basierend auf Trainingsdaten, die den zumindest einen Teil der Parameter und Kenngrößen auf eine Korrekturgröße abbilden, durch die der Modellwert des Differenzmodell 400 korrigiert wird. Durch diese Ausgestaltung ist es möglich, die physikalischen Zusammenhänge verbessert abzubilden.
Ist die Masse bzw. Anzahl an Partikeln in der Wand und in der Rußpartikelschicht des Partikelfilters bekannt, kann ebenfalls über das KI-Differenzdruckmodell 4 der KI-Differenzdruckmodellwert für den Differenzdruck Δp berechnet werden. Bei Abweichung des gemessenes Differenzdruckes und des KI-Differenzdruckmodellwerts bei Eingabe des modellierten KI-Abbrandmodellwertes in das KI-Differenzdruckmodel 4 und bei gleicher oder ähnlicher Abweichung des Differenzdruckes und des KI-Differenzdruckmodellwerts bei Eingabe des modellierten KI-Wirkungsgradmodellwertes in das KI-Differenzdruckmodel 4, wird das modellierte KI-Differenzdruckmodell 4 so angepasst, dass die Abweichung minimiert wird. Dies kann offline, als auch online in einem Steuergerät eines individuellen Fahrzeugs ausgeführt werden.
3 zeigt ein erfindungsgemäßes Modell 1 mit erfindungsgemäßen datenbasierten Teilmodellen 2, 3, 4 neben dem konventionellen physikalischen Teilmodellen 200, 300 und 400. Es wurde erkannt, dass bisher dem Wirkungsgradmodell 200, dem Abbrandmodell 300 und dem Differenzdruckmodell 400 komplexe physikalische Zusammenhänge zugrunde liegen, welche bisher nur in einem einfachen Modell beschrieben werden können. Demzufolge können die Maßnahmen zur Verbesserung der Filtrationseffizienz und zum Bauteilschutz ggf. nicht zielgerichtet eingeleitet werden und es gibt z.B. ggf. unnötige Schubabschaltverbote, die mit einem erhöhten Kraftstoffverbrauch und einem erhöhten Kohlendioxidausstoß verbunden sind.
Daher wurden erfindungsgemäß nun die komplexen Zusammenhänge durch datenbasierte Teilmodelle 2,3,4 dargestellt, wobei die datenbasierten Teilmodelle 2,3,4 auf künstlicher Intelligenz wie z.B. künstlichen neuronalen Netzen, Gauß-Prozess-Modellen oder sonstigen Machine-Learning-Modellen basieren.
Damit ist es auch möglich, die Teilmodelle / datenbasierten Teilmodelle modular gegeneinander auszutauschen, falls z.B. im weiteren Lebenszyklus ein anderes datenbasiertes Teilmodell / Teilmodell mit noch weiteren Eingangsgrößen verwendet werden soll. Zudem können die datenbasierte Teilmodelle 2,3,4 im laufenden Betrieb immer wieder nachgeführt werden, so dass der modellierte Differenzdruck dem gemessenen Differenzdruck (Sensorwert) entspricht. Die Modellwerte des datenbasierten Teilmodells können mit den gemessenen Werten abgeglichen werden. Dadurch kann das jeweilige datenbasierte Teilmodell 2,3,4 innerhalb der hybriden Modellstruktur so angepasst werden, dass die Abweichung zwischen Messwert und KI-Teilmodellwert minimiert wird.
Die erfindungsgemäßen datenbasierte Teilmodelle 2, 3, 4 können zielgerichtet ergänzt werden, d.h. sobald es beim Beladungsvorgang eine Abweichung zwischen simulierten KI-Differenzdruck und gemessenen Differenzdruck gibt, erfolgt eine Anpassung des Kl-Wirkungsgradmodells 2. Gibt es dagegen eine Abweichung der beiden Differenzdrücke während der Regeneration/des Abbrandes, so wird das KI-Abbrandmodell 3 angepasst. Liegt sowohl beim Beladen als auch beim Abbrand dieselbe Abweichung zwischen den beiden Differenzdrücken vor, so wird das KI-Differenzdruckmodell 4 angepasst.
Hierbei gilt es jeweils zu beachten, dass die Anpassung der datenbasierte Teilmodelle 2, 3, 4 sowohl offline (z.B. während der Applikationsphase mit ausreichend repräsentativen Messdaten aus einer Erprobungsflotte), als auch online im Steuergerät des individuellen Fahrzeugs ausgeführt werden können.
4 zeigt schematisch den Partikelfilter 10 im Betrieb, in dem das erfindungsgemäße Verfahren mit einer erfindungsgemäßen Steuereinheit 12 eingesetzt werden kann. Ein mit Kraftstoff betriebener Verbrennungsmotor 15 wird über einen Ansaugtrakt 13 Frischluft zugeführt. Abgas des Verbrennungsmotors 15 wird über einen Abgaskanal 14 abgeführt und unter anderem mittels eines Katalysators 16 und des Partikelfilters 10 gereinigt. Im Betrieb des Verbrennungsmotors 5 filtert der Partikelfilter 10 Rußpartikel aus dem Abgas.
Ist der Partikelfilter 19 mit Partikeln beladen, erhöht sich der Differenzdruck des Abgasmassenstroms durch den Partikelfilter 10. Es ist dann ein Regenerationsvorgang erforderlich, in dem die Partikel verbrannt werden. Dazu ist die Beladung des Partikelfilters 10 möglichst genau festzulegen. Ein solcher Regenerationsvorgang kann mittels der erfindungsgemäßen Steuereinheit 12 gesteuert werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 2065582 A1 [0009]

Claims

Verfahren zum Schätzen einer Rußmasse während des Beladens eines Partikelfilters (10) in einem Abgasmassenstrom eines Verbrennungsmotors und/oder der Rußmasse während eines Abbrands mithilfe eines physikalischen Modells, welches ausgehend von gemessenen Parametern und/oder Kenndaten die physikalischen Wirkzusammenhänge während des Betriebes des Verbrennungsmotors beschreibt, wobei das physikalische Modell mehrere Teilmodelle aufweist, wobei jedes Teilmodell ein physikalisches Teilmodell (200,300, 400) mit für das jeweilige Teilmodell gemessenen Parametern und/oder Kenndaten als Eingangsdaten zur Bestimmung eines jeweiligen Teilmodellwertes umfasst, wobei zumindest einem Teilmodell ein trainiertes datenbasiertes Teilmodell (2,3,4) zugeordnet ist, das trainiert ist, um abhängig von zumindest einem Teil der gemessenen Parameter und/oder Kenndaten als Eingangsdaten den Teilmodellwert des betreffenden physikalischen Teilmodells zu ergänzen oder zu korrigieren, wobei die Modellausgabe des zumindest einen mit dem datenbasierten Teilmodell (2,3,4) beaufschlagte physikalische Teilmodell (200,300, 400) durch das entsprechende datenbasierte Teilmodell (2,3,4) korrigiert wird.
Verfahren nach Anspruch 1, wobei das mindestens eine datenbasierte Teilmodell ein trainiertes künstliches neuronales Netz oder ein Gauß Prozess Modell umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ausgabe des zumindest einen physikalischen Teilmodells (2,3,4) mit der Ausgabe des zugeordneten datenbasierten Teilmodells beaufschlagt wird, insbesondere durch eine Addition oder Multiplikation.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das zumindest eine datenbasierte Teilmodell (3,4,5) zusätzlich zu und/oder separat von dem dazugehörigen physikalischen Teilmodell (200,300, 400) modelliert wird.
Verfahren nach Anspruch 4, wobei das zumindest eine physikalische Teilmodell (200,300, 400) um das zumindest eine datenbasierte Teilmodell (3,4,5) als Ausgangsfehlermodell ergänzt wird.
Verfahren nach Anspruch 5, wobei bei Abweichung eines zu dem zumindest einen datenbasierten Teilmodell (2,3,4) entsprechenden Kl-Differenzdruckmodellwertes zu einem korrespondierenden gemessenen Differenzdruck das entsprechende datenbasierte Teilmodell (2,3,4) derart angepasst wird, dass die Abweichung minimiert wird.
Verfahren nach Anspruch 6, wobei die Anpassung bzw. das Training des zumindest einen modellierten datenbasierten Teilmodells (2,3,4) offline oder online in einem Steuergerät des Verbrennungsmotors durchgeführt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das datenbasierte Teilmodell (2, 3, 4) umfasst: - zumindest ein Kl-Wirkungsgradmodell (2), das mittels zumindest eines Teils der gemessenen Parameter und/oder Kenndaten einen Kl-Wirkungsgradmodellwert modelliert, und wobei das Kl-Wirkungsgradmodell (2) ein physikalisches Wirkungsgradmodell (200) als Ausgangsfehlermodell ergänzt oder ersetzt, und/oder - zumindest ein Kl-Abbrandmodell (3), das mittels zumindest eines Teils der gemessenen Parameter und/oder Kenndaten einen Kl-Abbrandmodellwert modelliert, und wobei das KI-Abbrandmodell (3) ein physikalisches Abbrandmodell (300) als Ausgangsfehlermodell ergänzt oder ersetzt und/oder - zumindest ein Kl-Differenzdruckmodell (4), das mittels eines Kl-Abbrandmodellwertes und/oder eines KI-Wirkungsgradmodellwerts einen Kl-Differenzdruckmodellwert modelliert und wobei das Kl-Differenzdruckmodell (4) ein physikalisches Differenzdruckmodell (400) als Ausgangsfehlermodell ergänzt oder ersetzt.
Verfahren nach Anspruch 8, wobei bei Abweichung eines gemessenen Differenzdrucks zu dem Kl-Differenzdruckmodellwert bei Eingabe des modellierten Kl-Wirkungsgradmodellwertes in das Kl-Differenzdruckmodel (4), das KI-Wirkungsgradmodell (2) so angepasst wird, dass die Abweichung minimiert wird.
Verfahren nach Anspruch 8 oder 9, wobei bei Abweichung eines gemessenen Differenzdrucks zu dem Kl-Differenzdruckmodellwert bei Eingabe des modellierten Kl-Abbrandmodellwertes in das Kl-Differenzdruckmodel (4), das Kl-Abbrandmodell (3) so angepasst wird, dass die Abweichung minimiert wird.
Verfahren nach Anspruch 10, wobei bei Abweichung des gemessenen Differenzdrucks und des Kl-Differenzdruckmodellwerts bei Eingabe des modellierten Kl-Abbrandmodellwertes in das Kl-Differenzdruckmodel und bei gleicher oder ähnlicher Abweichung des Differenzdruckes und des Kl-Differenzdruckmodellwerts bei Eingabe des modellierten Kl-Wirkungsgradmodellwertes in das KI-Differenzdruckmodel(4), das Kl-Differenzdruckmodell (4) so angepasst wird, dass die Abweichung minimiert wird.
Steuereinrichtung (12) zur Steuerung eines Verbrennungsmotors (15) mit einem Partikelfilter (10), wobei die Steuereinrichtung (12) dafür ausgebildet ist, eine Rußmasse in einem Partikelfilter (10) in einem Abgasmassenstrom eines Verbrennungsmotors und/oder eine Rußmasse in einem abgebrannten Partikelfilter (10), anhand eines Verfahrens nach einem der vorhergehenden Ansprüche zu schätzen.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 11 auszuführen.
Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 11 auszuführen.