DE102021202289A1 - Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren - Google Patents

Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren Download PDF

Info

Publication number
DE102021202289A1
DE102021202289A1 DE102021202289.8A DE102021202289A DE102021202289A1 DE 102021202289 A1 DE102021202289 A1 DE 102021202289A1 DE 102021202289 A DE102021202289 A DE 102021202289A DE 102021202289 A1 DE102021202289 A1 DE 102021202289A1
Authority
DE
Germany
Prior art keywords
training data
time
data sets
difficulty
opening
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021202289.8A
Other languages
English (en)
Inventor
Konrad Groh
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 DE102021202289.8A priority Critical patent/DE102021202289A1/de
Priority to US17/685,891 priority patent/US20220292307A1/en
Priority to CN202210218407.6A priority patent/CN115045775A/zh
Publication of DE102021202289A1 publication Critical patent/DE102021202289A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D41/00Electrical control of supply of combustible mixture or its constituents
    • F02D41/30Controlling fuel injection
    • F02D41/38Controlling fuel injection of the high pressure type
    • F02D41/40Controlling fuel injection of the high pressure type with means for controlling injection timing or duration
    • F02D41/401Controlling injection timing
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D41/00Electrical control of supply of combustible mixture or its constituents
    • F02D41/02Circuit arrangements for generating control signals
    • F02D41/14Introducing closed-loop corrections
    • F02D41/1401Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405Neural network control
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/04Testing internal-combustion engines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D2200/00Input parameters for engine control
    • F02D2200/02Input parameters for engine control the parameters being related to the engine
    • F02D2200/06Fuel or fuel supply system parameters
    • F02D2200/0602Fuel pressure
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D2200/00Input parameters for engine control
    • F02D2200/02Input parameters for engine control the parameters being related to the engine
    • F02D2200/06Fuel or fuel supply system parameters
    • F02D2200/0614Actual fuel mass or fuel injection amount
    • F02D2200/0616Actual fuel mass or fuel injection amount determined by estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

Die Erfindung betrifft ein computer-implementiertes Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Ermitteln eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils (6) eines Verbrennungsmotors, basierend auf einem Sensorsignal mit folgenden Schritten:- Bereitstellen (S1, S2, S3) einer Menge von Trainingsdatensätzen, insbesondere aus einer Vermessung des Verbrennungsmotors durch Abtasten des Sensorsignals eines Sensors des Einspritzventils (6) auf einem Prüfstand, wobei die Trainingsdatensätze einer Auswertungspunkt-Zeitreihe eine Zeitangabe des Öffnungs- oder Schließzeitpunkts zuordnen;- Zuweisen eines Schwierigkeitswerts zu jedem Trainingsdatensatz, wobei die Schwierigkeitswerte jeweils eine Konsistenz der Zeitangaben für den betreffenden Trainingsdatensatz angeben,- Klassifizieren (S4, S5) der Trainingsdatensätze in eine Anzahl von Schwierigkeitsklassen entsprechend ihrem jeweiligen Schwierigkeitswert;- Ermitteln (S7) von neuen Trainingsdatensätzen abhängig von den jeder Schwierigkeitsklasse zugeordneten Trainingsdatensätzen;- Trainieren (S8) des datenbasierten Zeitpunktbestimmungsmodells mit der Menge der neuen Trainingsdatensätze.

Description

  • Technisches Gebiet
  • Die Erfindung betrifft Verfahren zum Bereitstellen von Trainingsdaten zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils und insbesondere Maßnahmen zum Verbessern der Trainingsdaten für das Training des Zeitpunktbestimmungsmodells.
  • Technischer Hintergrund
  • Datenbasierte Modelle, wie beispielsweise neuronale Netze, können vielfältige komplexe Zusammenhänge modellieren. Jedoch ist der Einsatz von datenbasierten Modellen in sicherheitskritischen Anwendungen begrenzt, da die Zuverlässigkeit der Modellausgabe in der Regel nicht vollständig nachvollzogen werden kann. Für das Training eines datenbasierten Modells werden in der Regel Trainingsdaten durch Messungen an einem technischen System oder in anderer Weise ermittelt und diese durch geeignete Lernverfahren, wie beispielsweise Backpropagation, zum Trainieren des datenbasierten Modells verwendet.
  • Zum Zumessen von Kraftstoff in Verbrennungsmotoren werden elektromechanische oder piezoelektrische Einspritzventile verwendet. Diese ermöglichen eine direkte und genau bemessene Kraftstoffzufuhr in die Zylinder des Verbrennungsmotors.
  • Eine Herausforderung besteht darin, den Verbrennungsvorgang möglichst genau zu steuern, um Betriebseigenschaften des Verbrennungsmotors, insbesondere hinsichtlich des Kraftstoffverbrauchs, der Effizienz, der Schadstoffemissionen und der Laufruhe zu verbessern. Dazu ist wesentlich, die Einspritzventile so zu betreiben, dass die einzuspritzende Kraftstoffmenge mit hoher Wiederholgenauigkeit, bei variierenden Arbeitsdrücken und ggfs. mit mehreren Einspritzungen pro Arbeitstakt zugemessen werden kann.
  • Einspritzventile können einen elektromagnetischen Aktuator oder Piezoaktuator aufweisen, die eine Ventilnadel betätigen, um diese von einem Nadelsitz abzuheben und eine Austrittsöffnung des Einspritzventils zum Auslassen des Kraftstoffs in den Verbrennungsraum zu öffnen. Aufgrund von baulichen Unterschieden und unterschiedlichen Betriebsbedingungen wie Temperatur, Kraftstoffdruck, Kraftstoffviskosität gibt es eine Unsicherheit beim Bestimmen des exakten Öffnungszeitpunkts, d. h. des Zeitpunkts, ab dem Kraftstoff durch das Einspritzventil in den Brennraum des Zylinders gelangt, und des exakten Schließzeitpunkts des Einspritzventils, d. h. des Zeitpunkts, bis zu dem Kraftstoff durch das Einspritzventil in den Brennraum des Zylinders gelangt.
  • Das Bestimmen eines Öffnungs- bzw. Schließzeitpunkts eines Einspritzventils kann mithilfe eines trainierten datenbasierten Zeitpunktbestimmungsmodells vorgenommen werden. Dieses wird anhand von Trainingsdaten trainiert, die beispielsweise einer Zeitreihe eines Sensorsignals jeweils eine Angabe über den Öffnungs- oder Schließzeitpunkt des Einspritzventils angeben können.
  • Offenbarung der Erfindung
  • Erfindungsgemäß sind ein Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Ermitteln eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils gemäß Anspruch 1 sowie eine Vorrichtung gemäß den nebengeordneten Ansprüchen vorgesehen.
  • Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
  • Gemäß einem ersten Aspekt ist ein computer-implementiertes Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Ermitteln eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils eines Verbrennungsmotors vorgesehen, mit folgenden Schritten:
    • - Bereitstellen einer Menge von Trainingsdatensätzen, insbesondere aus einer Vermessung des Verbrennungsmotors durch Abtasten des Sensorsignals eines Sensors des Einspritzventils auf einem Prüfstand, wobei die Trainingsdatensätze einer Auswertungspunkt-Zeitreihe als Eingangsvektor eine Zeitangabe des Öffnungs- oder Schließzeitpunkts als Ausgabevektor zuordnen;
    • - Zuweisen eines Schwierigkeitswerts zu jedem Trainingsdatensatz, wobei die Schwierigkeitswerte jeweils eine Konsistenz der Zeitangaben für den betreffenden Trainingsdatensatz angeben,
    • - Klassifizieren der Trainingsdatensätze in eine Anzahl von Schwierigkeitsklassen entsprechend ihrem jeweiligen Schwierigkeitswert;
    • - Ermitteln von neuen Trainingsdatensätzen abhängig von den jeder Schwierigkeitsklasse zugeordneten Trainingsdatensätzen;
    • - Trainieren des datenbasierten Zeitpunktbestimmungsmodells mit der Menge der neuen Trainingsdatensätze.
  • Obwohl die Ansteuerung eines Einspritzventils gemäß einem vorgegebenen Verlauf eines Ansteuersignals erfolgt, variieren die dadurch bewirkten Öffnungs- und Schließbewegungen des Einspritzventils, sodass die tatsächlichen Öffnungs- und Schließzeitpunkte zum Starten und Beenden der Kraftstoffeinspritzung nicht exakt vorgegeben werden können. Die Ursache hierfür liegt in den komplexen Abhängigkeiten der Ventilbewegung von dem aktuellen Betriebspunkt.
  • Um die Ventilbewegung zu überwachen, ist in den Einspritzventilen ein Piezosensor vorgesehen, der als Drucksensor ausgebildet ist, um die durch die Ansteuerung des Einspritzventils ausgelösten Druckänderungen eines Kraftstoffdrucks zu erfassen und ein entsprechendes Sensorsignal bereitzustellen. Das gemessene Sensorsignal kann nun zur Ermittlung der tatsächlichen Öffnungs- und Schließzeitpunkte des Einspritzventils ausgewertet werden, um so die Ansteuerung des Einspritzventils entsprechend anzupassen.
  • Die Auswertungspunkt-Zeitreihe erhält man durch Abtasten des Sensorsignals entsprechend einer vorgegebenen Abtastrate, wobei die Auswertungspunkt-Zeitreihe für einen vorgegebenen Auswertungszeitraum bestimmt wird. Die übrigen Abtastwerte sind nicht Bestandteil der Auswertungspunkt-Zeitreihe.
  • Jedoch ist auch das Sensorsignal rauschbehaftet und hängt insbesondere von dem tatsächlichen Kraftstoffdruck in der Kraftstoffzufuhr und der Dauer der zu vermessenden Ansteuerung ab.
  • Die Auswertung des Sensorsignals zum Ermitteln eines Öffnungs- oder Schließzeitpunkts des Einspritzventils kann mithilfe eines datenbasierten Zeitpunktbestimmungsmodells vorgenommen werden. Das datenbasierte Zeitpunktbestimmungsmodell kann einem neuronalen Netz, einem probabilistischen Regressionsmodell oder einem sonstigen datenbasierten Modell entsprechen.
  • Das Sensorsignal des Piezosensors entspricht einem Spannungssignal und kann einen Öffnungs- und Schließzeitpunkt des Einspritzventils angeben.
  • Zum Trainieren des Zeitpunktbestimmungsmodells können Auswertungspunkt-Zeitreihen vorgegeben werden, die jeweils mit einem Label versehen sind, um Trainingsdatensätze zu bilden. Ein Label entspricht einer Angabe zu einem zugeordneten Öffnungs- oder Schließzeitpunkt eines Einspritzventils. Die so erstellen Trainingsdaten erhält man über die Vermessung des Verbrennungsmotors auf einem Prüfstand, wobei für unterschiedliche Ansteuersignale des Einspritzventils, die unterschiedliche Öffnungszeitdauern vorgeben, Auswertungspunkt-Zeitreihen aufgezeichnet werden und der entsprechende, tatsächliche Öffnungs- oder Schließzeitpunkt durch eine geeignete Prüfstand-Sensorik bestimmt wird.
  • Die Trainingsdaten können den Zeitreihen des Sensorsignals jeweils eine Zeitangabe zuordnen. Die Zeitangabe kann in verschiedener Weise codiert sein, insbesondere kann die Zeitangabe durch eine Klassifikation ermittelt werden, wobei den unterschiedlichen Öffnungs- oder Schließzeitpunkten unterschiedliche Klassen zugeordnet werden. Entsprechend der Abtastrate der Zeitreihe des Sensorsignals kann jedem der Zeitpunkte eine Ausgabeklasse zugeordnet werden, die jeweils einem zugeordneten Zeitpunkt entspricht. Durch die Anzahl der Klassen kann die zeitliche Auflösung bei der Bestimmung der Zeitangabe festgelegt werden. Alternativ kann die Zeitangabe auch in Form eines Floating-Point-Wertes angegeben werden.
  • Gemäß dem obigen Verfahren können die Trainingsdaten vor dem Training des Zeitpunktbestimmungsmodells manipuliert werden, sodass insbesondere in schwierigen Bereichen, in denen zumindest teilweise sich widersprechende Trainingsdaten vorliegen, ein genaueres Training des Zeitpunktbestimmungsmodells vorgenommen werden kann. Dies ermöglicht es, dass insbesondere in den Bereichen, in denen keine ausreichenden Trainingsdaten vorliegen, die Zuverlässigkeit erhöht werden kann, insbesondere dadurch, dass die Trainingsdaten gleich verteilt über den gesamten Trainingsdatenraum bereitgestellt werden.
  • Weiterhin kann zur Bestimmung des Schwierigkeitswerts für jeden betrachteten Trainingsdatensatz eine vorbestimmte Anzahl von nächsten Nachbarn als Nachbar-Trainingsdatensätze hinsichtlich der Auswertungspunkt-Zeitreihen der Trainingsdatensätze ermittelt werden, wobei dem jeweiligen betrachteten Trainingsdatensatz der Schwierigkeitswert abhängig von den Zeitangaben der Nachbar-Trainingsdatensätze zugeordnet wird.
  • Insbesondere kann das datenbasierte Zeitpunktbestimmungsmodell als Klassifikationsmodell ausgebildet sein, wobei eine Anzahl von Ausgabeklassen definiert werden, die jeweils einem Öffnungs- bzw. Schließzeitpunkt zugeordnet sind, sodass die Trainingsdatensätze jeweils eine Auswertungspunkt-Zeitreihe eine der Ausgabeklassen zuordnen, wobei der Schwierigkeitswert jeder der Trainingsdatensätze der Anzahl der unterschiedlichen Klassenzuweisungen der Nachbar-Trainingsdatensätze entspricht oder davon abhängt.
  • Dabei kann die Anzahl der Schwierigkeitsklassen der Anzahl der Ausgabeklassen entsprechen.
  • Alternativ kann das datenbasierte Zeitpunktbestimmungsmodell als Regressionsmodell ausgebildet sein, wobei die Trainingsdatensätze jeweils eine Auswertungspunkt-Zeitreihe einem Öffnungszeitpunkt bzw. einem Schließzeitpunkt zuordnen, wobei der Schwierigkeitswert jeder der Trainingsdatensätze einer Varianz der Öffnungszeitpunkte bzw. Schließzeitpunkte der Nachbar-Trainingsdatensätze entspricht oder davon abhängt.
  • Es kann vorgesehen sein, dass das Ermitteln von neuen Trainingsdatensätzen für jede der Schwierigkeitsklassen durchgeführt wird, indem für jede der Schwierigkeitsklassen eine vorgegebene Anzahl von Trainingsdatensätzen ermittelt wird.
  • Insbesondere kann die vorgegebene Anzahl für jede der Schwierigkeitsklassen identisch ist oder um nicht mehr als 10 % voneinander abweichen.
  • Gemäß einer Ausführungsform können für jede der Schwierigkeitsklassen Trainingsdatensätze ermittelt werden, indem aus den der jeweiligen Schwierigkeitsklasse zugeordneten Trainingsdatensätzen ausgewählt wird oder indem Trainingsdatensätze abhängig von den der Schwierigkeitsklasse zugeordneten Trainingsdatensätze generiert werden. Die Erzeugung dieser Trainingsdatensätze kann mit einem Datenaugmentierungsverfahren durchgeführt werden, wie z.B. Bucket-sampling oder durch Anwenden eines Rauschmodells auf die der betreffenden Schwierigkeitsklasse zugeordneten Trainingsdatenpunkte, z.B. indem jedes Element des Eingangsvektors des Trainingsdatensatzes mit einem parametrierbaren Rauschgröße addiert wird.
  • Gemäß einem weiteren Aspekt kann ein Verfahren zum Betreiben eines Einspritzventils durch Ermitteln eines Öffnungs- oder Schließzeitpunkts des Einspritzventils basierend auf einem Sensorsignal und einem datenbasierten Zeitpunktbestimmungsmodell, das entsprechend dem obigen Verfahren trainiert worden ist, vorgesehen sein, wobei der Betrieb des Einspritzventils abhängig von dem Öffnungs- und/oder Schließzeitpunkt durchgeführt wird, wobei der Betrieb des Einspritzventils insbesondere so vorgenommen wird, dass eine Öffnungsdauer des Einspritzventils, die durch den ermittelten Öffnungs- und/oder Schließzeitpunkt bestimmt ist, auf eine vorgegebene Soll-Öffnungsdauer eingestellt wird.
  • Gemäß einem weiteren Aspekt ist eine Vorrichtung zur Durchführung eines der obigen Verfahren vorgesehen.
  • Figurenliste
  • Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
    • 1 eine schematische Darstellung eines Einspritzsystems für die Einspritzung von Kraftstoff in den Zylinder eines Verbrennungsmotors;
    • 2 ein Flussdiagramm zur Darstellung eines Verfahrens zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Bestimmen eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils; und
    • 3 eine beispielhafte Darstellung einer Auswertungspunkt-Zeitreihe.
  • Beschreibung von Ausführungsformen
  • 1 zeigt eine Anordnung eines Einspritzsystems 1 für einen Verbrennungsmotor 2 eines Kraftfahrzeugs, für den beispielhaft ein Zylinder 3 (von insbesondere mehreren Zylindern) dargestellt ist. Der Verbrennungsmotor 2 ist vorzugsweise als Dieselmotor mit Direkteinspritzung ausgebildet, kann jedoch auch als ein Ottomotor vorgesehen sein.
  • Der Zylinder 3 weist ein Einlassventil 4 und ein Auslassventil 5 zur Zufuhr von Frischluft und zur Abführung von Verbrennungsabgas auf.
  • Ferner wird Kraftstoff zum Betrieb des Verbrennungsmotors 2 über ein Einspritzventil 6 in einen Brennraum 7 des Zylinders 3 eingespritzt. Kraftstoff wird dazu dem Einspritzventil über eine Kraftstoffzuführung 8 zugeführt, über die Kraftstoff in an sich bekannter Weise (z. B. Common Rail) unter einem hohen Kraftstoffdruck bereitgestellt wird.
  • Das Einspritzventil 6 weist eine elektromagnetisch oder piezoelektrisch ansteuerbare Aktuatoreinheit 61 auf, die mit einer Ventilnadel 62 gekoppelt ist. Die Ventilnadel 62 sitzt im geschlossenen Zustand des Einspritzventils 6 auf einem Nadelsitz 63. Durch Ansteuerung der Aktuatoreinheit 61 wird die Ventilnadel 62 in Längsrichtung bewegt und gibt einen Teil einer Ventilöffnung in dem Nadelsitz 63 frei, um den unter Druck stehenden Kraftstoff in den Brennraum 7 des Zylinders 3 einzuspritzen.
  • Das Einspritzventil 6 weist weiterhin einen Piezosensor 65 auf, der in dem Einspritzventil 6 angeordnet ist. Der Piezosensor 65 wird durch Druckänderungen in dem durch das Einspritzventil 6 geführten Kraftstoff verformt und durch ein Spannungssignal als Sensorsignal generiert.
  • Die Einspritzung erfolgt gesteuert durch eine Steuereinheit 10, die eine einzuspritzende Kraftstoffmenge durch Bestromung der Aktuatoreinheit 61 vorgibt. Das Sensorsignal wird mithilfe eines A/D-Wandlers 11 in der Steuereinheit 10 zeitlich abgetastet, insbesondere mit einer Abtastrate von 0,5 bis 5 MHz.
  • Das Sensorsignal dient im Betrieb des Verbrennungsmotors 2 der Ermittlung eines korrekten Öffnungs- und/oder Schließzeitpunktes des Einspritzventils 6. Dazu wird das Sensorsignal mithilfe des A/D-Wandlers 11 in eine Sensorsignalzeitreihe digitalisiert und durch ein geeignetes Zeitpunktbestimmungsmodell ausgewertet, woraus eine Öffnungszeitdauer des Einspritzventils 6 und entsprechend eine eingespritzte Kraftstoffmenge abhängig vom Kraftstoffdruck und weiteren Betriebsgrößen ermittelt werden kann. Zur Bestimmung der Öffnungszeitdauer werden insbesondere ein Öffnungszeitpunkt und ein Schließzeitpunkt benötigt, um die Öffnungszeitdauer als zeitliche Differenz dieser Größen zu ermitteln.
  • Die Ermittlung eines Öffnungszeitpunkts und/oder eines Schließzeitpunkts kann aus der Betrachtung des Sensorsignalverlaufs vorgenommen werden. Insbesondere können der Öffnungszeitpunkt oder der Schließzeitpunkt mithilfe eines datenbasierten Zeitpunktbestimmungsmodells bestimmt werden. Zum Training des datenbasierten Zeitpunktbestimmungsmodells werden gemessene Trainingsdatensätze verwendet.
  • 2 veranschaulicht anhand eines Flussdiagramms ein Verfahren zum Trainieren eines solchen datenbasierten Zeitpunktbestimmungsmodells, das in Betrieb in einem oben beschriebenen Motorsystem 1 zum Ermitteln eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils 6 eines Zylinders 3 verwendet werden kann. Das Verfahren kann in einer Steuerung eines Prüfstands ausgeführt werden. Der Prüfstand ermöglicht es, Einspritzventile 6 in einem Motorsystem 1 zu vermessen, sodass abhängig von einem Ansteuersignal für die Aktuatoreinheit 61 ein entsprechender Öffnungs- und/oder Schließzeitpunkt mithilfe einer zusätzlichen Sensorik genau erfasst werden kann. Das Sensorsignal des Piezosensors 65 wird dazu abgetastet und eine entsprechend abgetastete Auswertungspunkt-Zeitreihe eines resultierenden Spannungssignals in einer Auflösung von beispielsweise zwischen 5 und 20 µs erfasst.
  • In Schritt S1 wird mithilfe des Piezosensors 65 ein Sensorsignal erfasst. Dieses Signal ist in der Regel ein Spannungssignal, das aufgrund von Druckänderungen im zugeführten Kraftstoff generiert wird.
  • In Schritt S2 wird das Sensorsignal mit Hilfe des A/D-Wandlers 11 abgetastet, um eine Auswertungspunkt-Zeitreihe innerhalb eines Auswertungszeitraums zu ermitteln. Der Auswertungszeitraum kann bezüglich eines Ansteuerungszeitfensters des Einspritzventils festgelegt werden. Das Ansteuerungszeitfenster ist durch den Beginn der Ansteuerung der Aktuatoreinheit 61 und eine festgelegte Zeitdauer, die einer maximalen Zeitdauer, in der das Ansteuersignal für die Aktuatoreinheit 61 eine Ventilöffnung vorgibt, definiert. Das Ansteuerungszeitfenster weist somit einen definierten Zeitbezug auf, für den eine Auswertungspunkt-Zeitreihe bereitgestellt wird, die die Grundlage für die weitere Ermittlung eines Öffnungs- bzw. Schließzeitpunkts darstellt. Insbesondere kann die Auswertungspunkt-Zeitreihe durch Downsampling des zuvor überabgetasteten Sensorsignals ermittelt werden.
  • Der Auswertungszeitraum kann mit festem Zeitbezug zu den Arbeitstakten des Verbrennungsmotors 2 vorgesehen werden, insbesondere kann der Auswertungszeitraum bei einer vorbestimmten Kurbelwellenlage vorzugsweise innerhalb des Kompressionstaktes beginnen. Der Auswertungszeitraum kann so gewählt sein, dass das gesamte Öffnungszeitfenster des Einspritzventils 6 darin abgebildet werden kann. Ein solcher Auswertungszeitraum Tausw mit einer beispielhaften Auswertungspunkt-Zeitreihe des Sensorsignals S über der Zeit t ist in 3 dargestellt.
  • In Schritt S3 wird entsprechend einer Prüfstandssensorik auf einem Prüfstand ein tatsächlicher Zeitpunkt als Öffnungs- oder Schließzeitpunkt für eine Auswertungspunkt-Zeitreihe ermittelt. Diese Zeitangabe wird als Label für die zuvor bestimmte zugehörige Auswertungspunkt-Zeitreihe angenommen, sodass ein Trainingsdatensatz gebildet wird.
  • Der Trainingsdatensatz kann der Auswertungspunktzeitreihe die Zeitangabe des Öffnungs- oder Schließzeitpunkts direkt zuordnen.
  • Alternativ kann das Zeitpunktbestimmungsmodell auch als Klassifikationsmodell trainiert werden, wobei die Ausgabe des Klassifikationsmodells entsprechend einer gewünschten zeitlichen Auflösung jeweils einen Zeitpunkt als möglichen Öffnungs- oder Schließzeitpunkt vorgibt. Die Ausgabeklassen eines solchen Klassifikationsmodells sind jeweils einem möglichen Zeitpunkt zugeordnet.
  • Die Modellausgabe kann somit ein Ausgabevektor in Form eines Logits sein. Der Ausgabevektor ist dabei so definiert, dass der Index der Elemente des Ausgabevektors einen entsprechenden Öffnungs- bzw. Schließzeitpunkt angibt. Beispielsweise kann bei einer Anzahl von n Auswertungspunkten der Ausgabevektor entsprechend eine Anzahl von n Elementen umfassen. Die Indizes der Elemente der Ausgabevektoren sind dabei aufeinanderfolgenden Zeitpunkten innerhalb eines betrachteten Auswertungszeitraums zugeordnet. Insbesondere können die den Elementen des Ausgabevektors zugeordnete Zeitpunkte den zeitlich gleichmäßig beabstandeten Auswertungszeitpunkten entsprechen.
  • So kann beispielsweise ein Wert einer Ausgabeklasse von „1‟ angeben, dass der Zeitpunkt einem Zeitpunkt entspricht, der dieser Ausgabeklasse zugeordnet ist. Analog kann ein Wert einer Ausgabeklasse von „0“ angeben, dass der Öffnungs- oder Schließzeitpunkt nicht einem Zeitpunkt entspricht, der dieser Ausgabeklasse zugeordnet ist. Ein solches Klassifikationsmodell gibt für jede Ausgabeklasse einen Wert aus, der eine Wahrscheinlichkeit angibt, mit welcher der Zeitpunkt, der der entsprechenden Ausgabeklasse zugeordnet ist, der zu ermittelnde Öffnungs- oder Schließzeitpunkt ist.
  • Im Folgenden wird von einem Klassifikationsmodell als Zeitpunktbestimmungsmodell ausgegangen. Das als Klassifikationsmodell ausgebildete Zeitpunktbestimmungsmodell kann nun mit Trainingsdatensätzen trainiert werden, die jeweils einer Auswertungspunktzeitreihe diejenige Klassenzuordnung zuweisen, die dem Öffnungs- oder Schließzeitpunkt des Einspritzventils 6 entspricht.
  • Zunächst werden dazu in Schritt S4 die Trainingsdatensätze in Schwierigkeitsklassen eingeteilt. Die Schwierigkeitsklassen geben an, wie geeignet die entsprechenden Trainingsdatensätze für das Training des datenbasierten Zeitpunktbestimmungsmodells sind. Zum Einordnen in die Schwierigkeitsklasse wird zunächst jede Auswertungspunktzeitreihe jedes Trainingsdatensatzes analysiert, um die K nächsten Nachbarn innerhalb aller Trainingsdatensätze zu bestimmen. Die Anzahl K der zu bestimmenden Nachbarn kann vorgegeben werden und sollte vorzugsweise zwischen 5 und 50 liegen. Die Bestimmung der Nachbarn kann beispielsweise durch Vergleichen der euklidischen Distanzen zueinander erfolgen. Somit wird für die Auswertungspunkt-Zeitreihe jedes Trainingsdatensatzes eine Gruppe weiterer Trainingsdatensätze bestimmt, die als die nächsten Nachbarn angenommen werden.
  • Den als Nachbarn zugeordneten Trainingsdatensätzen (Nachbar-Trainingsdatensätze), die dem jeweils betrachteten Trainingsdatensatz zugeordnet sind, ist jeweils ein Label (Ausgabeklasse) zugeordnet, die miteinander verglichen werden. Entspricht das Label einem Zeitpunkt, so kann die Varianz der Zeitpunkte zueinander als ein Schwierigkeitswert festgelegt werden. Handelt es sich bei dem Zeitpunktbestimmungsmodell um ein Klassifikationsmodell, so kann der Schwierigkeitswert der Anzahl der unterschiedlichen Ausgabeklassen der Nachbar-Trainingsdatensätze entsprechen oder abhängig von dieser bestimmt werden.
  • Auf diese Weise kann jedem betrachteten Trainingsdatensatz ein Schwierigkeitswert zugeordnet werden.
  • In einem nachfolgenden Schritt S5 werden die Trainingsdatensätze in Schwierigkeitsklassen aufgeteilt, in die der Bereich der Schwierigkeitswerte unterteilt ist. Die Anzahl der Schwierigkeitsklassen kann maximal der Anzahl der berücksichtigten Nachbartrainingsdatensätze entsprechen.
  • In Schritt S6 werden jeder der Schwierigkeitsklassen die entsprechenden Trainingsdatensätze zugeordnet, in die der entsprechende Schwierigkeitswert fällt.
  • In einem nachfolgenden Schritt S7 werden verbesserte Trainingsdaten aus den klassifizierten Trainingsdatensätzen abhängig von den Zuordnungen zu den Schwierigkeitsklassen ermittelt. Dabei können die neuen Trainingsdaten aus den Schwierigkeitsklassen erzeugt werden, wobei für jede Schwierigkeitsklasse eine gleiche oder eine abweichende Anzahl von Trainingsdatensätzen ermittelt wird. Die Anzahl der Trainingsdatensätze für jede Schwierigkeitsklasse kann auch abhängig von der Anzahl der Trainingsdatensätze für die betreffende Schwierigkeitsklasse gewählt werden Vorzugsweise sollten die Anzahlen so gewählt sein, dass für die Schwierigkeitsklasse mit den wenigsten Trainingsdatensätzen eine Anzahl von Trainingsdatensätze erzeugt wird, die mindestens einem Zehntel der Elemente der Schwierigkeitsklasse mit der größten Anzahl an Trainingsdatensätzen entspricht.
  • Insbesondere können die neuen Trainingsdatensätze aus den den Schwierigkeitsklassen zugeordneten Trainingsdatensätzen ausgewählt werden.
  • Alternativ können die Trainingsdatensätze aus den Schwierigkeitsklassen auch durch Bucket-Sampling ausgewählt werden. Das Bucket-Sampling sieht vor, aus der zugrundeliegenden Zeitreihe des Trainingsdatensatzes, deren Signal mit einer geringeren Rate von z.B. 8µs aus einem Signal mit einer höheren Rate von z.B. 1µs Signal durch Rastern erzeugt wird, neue Trainingselemente mit Bucket-Sampling zu erzeugen. Dazu wird statt der Abtastung des zugrundeliegenden Signals der geringeren Rate ein Bucket einer festen Größe definiert, welche im Raster der geringeren Rate zentriert sind. Beim Bucket-Sampling wird nun statt den Mittelpunkt aus dem durch das Raser definierten Zeitfenster zu wählen ein Element des Buckets zufällig ausgewählt wird. Für einen Bucket der Größe 8 kann dann für jeden Wert der Zeitreihe einer von acht Werten ausgewählt werden. Das Bucket-Sampling erzeugt somit neue Trainingsdaten, die an den Verlauf des zugrundeliegenden Signalverlaufs angelehnt ist, wobei das zugehörige Label gleich bleibt.
  • Nachfolgend werden in Schritt S8 die so ermittelten Trainingsdatensätze für das Training des Zeitpunktbestimmungsmodells in an sich bekannter Weise, z. B. unter Nutzung von herkömmlichen Trainingsverfahren, wie z.B. mithilfe von Backpropagation oder dergleichen, verwendet.

Claims (12)

  1. Computer-implementiertes Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Ermitteln eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils (6) eines Verbrennungsmotors, basierend auf einem Sensorsignal mit folgenden Schritten: - Bereitstellen (S1, S2, S3) einer Menge von Trainingsdatensätzen, insbesondere aus einer Vermessung des Verbrennungsmotors durch Abtasten des Sensorsignals eines Sensors des Einspritzventils (6) auf einem Prüfstand, wobei die Trainingsdatensätze einer Auswertungspunkt-Zeitreihe eine Zeitangabe des Öffnungs- oder Schließzeitpunkts zuordnen; - Zuweisen eines Schwierigkeitswerts zu jedem Trainingsdatensatz, wobei die Schwierigkeitswerte jeweils eine Konsistenz der Zeitangaben für den betreffenden Trainingsdatensatz angeben, - Klassifizieren (S4, S5) der Trainingsdatensätze in eine Anzahl von Schwierigkeitsklassen entsprechend ihrem jeweiligen Schwierigkeitswert; - Ermitteln (S7) von neuen Trainingsdatensätzen abhängig von den jeder Schwierigkeitsklasse zugeordneten Trainingsdatensätzen; - Trainieren (S8) des datenbasierten Zeitpunktbestimmungsmodells mit der Menge der neuen Trainingsdatensätze.
  2. Verfahren nach Anspruch 1, wobei zur Bestimmung des Schwierigkeitswerts für jeden betrachteten Trainingsdatensatz eine vorbestimmte Anzahl von nächsten Nachbarn als Nachbar-Trainingsdatensätze hinsichtlich der Auswertungspunkt-Zeitreihen der Trainingsdatensätze ermittelt wird, wobei dem jeweiligen betrachteten Trainingsdatensatz der Schwierigkeitswert abhängig von den Zeitangaben der Nachbar-Trainingsdatensätze zugeordnet wird.
  3. Verfahren nach Anspruch 2, wobei das datenbasierte Zeitpunktbestimmungsmodell als Klassifikationsmodell ausgebildet ist, wobei eine Anzahl von Ausgabeklassen definiert werden, die jeweils einem Öffnungs- bzw. Schließzeitpunkt zugeordnet sind, sodass die Trainingsdatensätze jeweils eine Auswertungspunkt-Zeitreihe eine der Ausgabeklassen zuordnen, wobei der Schwierigkeitswert jeder der Trainingsdatensätze der Anzahl der unterschiedlichen Klassenzuweisungen der Nachbar-Trainingsdatensätze entspricht oder davon abhängt.
  4. Verfahren nach Anspruch 3, wobei die Anzahl der Schwierigkeitsklassen der Anzahl der Ausgabeklassen entspricht.
  5. Verfahren nach Anspruch 2, wobei das datenbasierte Zeitpunktbestimmungsmodell als Regressionsmodell ausgebildet ist, wobei die Trainingsdatensätze jeweils eine Auswertungspunkt-Zeitreihe einem Öffnungszeitpunkt bzw. einem Schließzeitpunkt zuordnen, wobei der Schwierigkeitswert jeder der Trainingsdatensätze einer Varianz der Öffnungszeitpunkte bzw. Schließzeitpunkte der Nachbar-Trainingsdatensätze entspricht oder davon abhängt.
  6. Verfahren nach einem der Ansprüche 1 bis 5, wobei das Ermitteln von neuen Trainingsdatensätzen für jede der Schwierigkeitsklassen durchgeführt wird, indem für jede der Schwierigkeitsklassen eine vorgegebene Anzahl von Trainingsdatensätzen ermittelt wird.
  7. Verfahren nach Anspruch 6, wobei die vorgegebene Anzahl für jede der Schwierigkeitsklassen identisch ist oder um nicht mehr als 10% voneinander abweicht.
  8. Verfahren nach Anspruch 6 oder 7, wobei für jede der Schwierigkeitsklassen Trainingsdatensätze ermittelt werden, indem aus den der Schwierigkeitsklasse zugeordneten Trainingsdatensätzen ausgewählt wird oder indem Trainingsdatensätze abhängig von den der Schwierigkeitsklasse zugeordneten Trainingsdatensätze generiert werden, insbesondere mithilfe eines Datenaugmentierungsverfahrens, insbesondere durch Bucket-sampling oder durch Anwenden eines Rauschmodells.
  9. Verfahren zum Betreiben eines Einspritzventils durch Ermitteln eines Öffnungs- oder Schließzeitpunkts des Einspritzventils (6), basierend auf einem Sensorsignal (S) und einem datenbasierten Zeitpunktbestimmungsmodell, das entsprechend einem Verfahren nach einem der Ansprüche 1 bis 8 trainiert worden ist, wobei der Betrieb des Einspritzventils (6) abhängig von dem Öffnungs- und/oder Schließzeitpunkt durchgeführt wird, wobei der Betrieb des Einspritzventils (6) insbesondere so vorgenommen wird, dass eine Öffnungsdauer des Einspritzventils (6), die durch den ermittelten Öffnungs- und/oder Schließzeitpunkt bestimmt ist, auf eine vorgegebene Soll-Öffnungsdauer eingestellt wird.
  10. Vorrichtung zur Durchführung eines der Verfahren nach einem der vorangehenden Ansprüche.
  11. Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 8 auszuführen.
  12. Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 8 auszuführen.
DE102021202289.8A 2021-03-09 2021-03-09 Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren Pending DE102021202289A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102021202289.8A DE102021202289A1 (de) 2021-03-09 2021-03-09 Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
US17/685,891 US20220292307A1 (en) 2021-03-09 2022-03-03 Computer-implemented method and device for training a data-based point in time determination model for determining an opening point in time or a closing point in time of an injection valve with the aid of machine learning methods
CN202210218407.6A CN115045775A (zh) 2021-03-09 2022-03-08 训练时间点确定模型以确定喷射阀的打开或关闭时间点的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021202289.8A DE102021202289A1 (de) 2021-03-09 2021-03-09 Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren

Publications (1)

Publication Number Publication Date
DE102021202289A1 true DE102021202289A1 (de) 2022-09-15

Family

ID=83005258

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021202289.8A Pending DE102021202289A1 (de) 2021-03-09 2021-03-09 Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren

Country Status (3)

Country Link
US (1) US20220292307A1 (de)
CN (1) CN115045775A (de)
DE (1) DE102021202289A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19635758C1 (de) 1996-09-03 1997-11-20 Siemens Ag Verfahren und Vorrichtung zur rechnergestützten Generierung mindestens eines künstlichen Trainingsdatenvektors für ein neuronales Netz
DE10316381A1 (de) 2003-04-10 2004-10-28 Bayer Technology Services Gmbh Verfahren zum Training von neuronalen Netzen
WO2012164075A2 (de) 2011-06-03 2012-12-06 Siemens Aktiengesellschaft Verfahren zur rechnergestützten generierung eines datengetriebenen modells eines technischen systems, insbesondere einer gasturbine oder windturbine
DE102013206304A1 (de) 2013-04-10 2014-10-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells
DE102014207683A1 (de) 2014-04-24 2015-10-29 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erstellen eines datenbasierten Funktionsmodells
DE102019209690A1 (de) 2018-09-10 2020-03-12 Robert Bosch Gmbh Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19635758C1 (de) 1996-09-03 1997-11-20 Siemens Ag Verfahren und Vorrichtung zur rechnergestützten Generierung mindestens eines künstlichen Trainingsdatenvektors für ein neuronales Netz
DE10316381A1 (de) 2003-04-10 2004-10-28 Bayer Technology Services Gmbh Verfahren zum Training von neuronalen Netzen
WO2012164075A2 (de) 2011-06-03 2012-12-06 Siemens Aktiengesellschaft Verfahren zur rechnergestützten generierung eines datengetriebenen modells eines technischen systems, insbesondere einer gasturbine oder windturbine
DE102013206304A1 (de) 2013-04-10 2014-10-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells
DE102014207683A1 (de) 2014-04-24 2015-10-29 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erstellen eines datenbasierten Funktionsmodells
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
US20220292307A1 (en) 2022-09-15
CN115045775A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
DE19740608C2 (de) Verfahren zur Bestimmung einer kraftstoffeinspritzbezogenen Kenngröße für einen Verbrennungsmotor mit Hochdruckspeicher-Einspritzanlage
DE102008040626A1 (de) Verfahren zur Bestimmung der eingespritzten Kraftstoffmasse einer Einzeleinspritzung und Vorrichtung zur Durchführung des Verfahrens
DE102011005283A1 (de) Verfahren zur Erkennung fehlerhafter Komponenten eines elektronisch geregelten Kraftstoffeinspritzsystems eines Verbrennungsmotors
DE102021202287B4 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102011083481A1 (de) Verfahren zum Prüfen der Funktionsfähigkeit eines Magnetventils
EP2443333B1 (de) Bestimmung der abhebeverzögerung eines magnetventils
DE102014007963A1 (de) Verfahren zum Betreiben einer Brennkraftmaschine und Motorsteuergerät
WO2022053620A1 (de) VERFAHREN UND VORRICHTUNG ZUM TRAINIEREN EINES DATENBASIERTEN ZEITPUNKTBESTIMMUNGSMODELLS FÜR DIE BESTIMMUNG EINES ÖFFNUNGS- ODER SCHLIEßZEITPUNKTS EINES EINSPRITZVENTILS MITHILFE MASCHINELLER LERNVERFAHREN
WO2022053626A1 (de) Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils mithilfe maschineller lernverfahren
DE102021202289A1 (de) Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102011005134B4 (de) Verfahren zum Bestimmen eines Gehalts an Alkohol in einem Kraftstoffgemisch
DE102021205589B4 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
EP2527633A2 (de) Verfahren zum Betreiben einer Brennkraftmaschine
WO2022053623A1 (de) Verfahren und vorrichtung zum betreiben eines kraftstoffeinspritzventils
DE102021208280A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102021205381A1 (de) Verfahren zum Charakterisieren von Kraftstoff
DE102021206876A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021205590A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021203231A1 (de) Verfahren und Vorrichtung zum Betreiben eines technischen Systems basierend auf einer Regressionsgröße aus einem datenbasierten Klassifikationsmodell
DE102020211416A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102022200286A1 (de) Verfahren und Vorrichtung zum Trainieren eines Sensormodells für eine Change-Point-Detektion
DE102022200284A1 (de) Verfahren und Vorrichtung zum Bereitstellen und Auswerten eines Sensormodells für eine Change-Point-Detektion
DE10100412A1 (de) Verfahren zur Steuerung einer Brennkraftmaschine
DE102011005773A1 (de) Verfahren und Vorrichtung zum Steuern eines Einspritzventils zum Zumessen von Kraftstoff für eine Brennkraftmaschine
DE102022101290B4 (de) Verfahren zur Kraftstoffbestimmung

Legal Events

Date Code Title Description
R163 Identified publications notified