DE102021208280A1

DE102021208280A1 - Verfahren und Vorrichtung zum Bereitstellen eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren

Info

Publication number: DE102021208280A1
Application number: DE102021208280.7A
Authority: DE
Inventors: Konrad Groh; Matthias Woehrle
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-07-30
Filing date: 2021-07-30
Publication date: 2023-02-02

Abstract

Die Erfindung betrifft ein Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells (20) zum Bestimmen eines Öffnungs- oder Schließzeitpunkts (Z) eines Einspritzventils eines Einspritzsystems eines Verbrennungsmotors basierend auf einem Sensorsignal, mit folgenden Schritten:- Bereitstellen von Trainingsdatensätzen, die jeweils eine Auswertungspunkt-Zeitreihe (B), die durch Abtasten eines Sensorsignals eines Sensors des Einspritzventils erhalten wird, einer Angabe zu einem Öffnungs- oder Schließzeitpunkts (Z) als Label zuordnet,- Trainieren des Zeitpunktbestimmungsmodells (20), das als neuronales Netz ausgebildet ist, abhängig von den Trainingsdatensätzen, wobei das Training entsprechend einer Gesamtkostenfunktion erfolgt, die für einen bestimmten der Trainingsdatensätze die Modellvorhersage des Öffnungs- oder Schließzeitpunkt (Z) und des entsprechenden Konfidenzwerts berücksichtigt

Description

Technisches Gebiet
Die Erfindung betrifft ein Verfahren zum Betreiben eines Kraftstoffeinspritzventils einer Brennkraftmaschine unter Verwendung von datenbasierten Modellen, insbesondere für die Bestimmung eines Öffnungszeitpunkts und/oder eines Schließzeitpunkts zur Abschätzung einer eingespritzten Kraftstoffmenge.
Technischer Hintergrund
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.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells gemäß Anspruch 1, ein Verfahren zum Betreiben eines Kraftstoffeinspritzventils sowie eine Vorrichtung und ein Einspritzsystem gemäß den nebengeordneten Ansprüchen vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Bestimmen eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils eines Einspritzsystems eines Verbrennungsmotors basierend auf einem Sensorsignal vorgesehen, mit folgenden Schritten:

- Bereitstellen von Trainingsdatensätzen, die jeweils eine Auswertungspunkt-Zeitreihe, die durch Abtasten eines Sensorsignals eines Sensors des Einspritzventils erhalten wird, einer Angabe zu einem Öffnungs- oder Schließzeitpunkts als Label zuordnet,
- Trainieren des Zeitpunktbestimmungsmodells, das als datenbasiertes Modell, insbesondere als neuronales Netz ausgebildet ist, abhängig von den Trainingsdatensätzen, wobei das datenbasierte Modell beim Auswerten neben einer Modellausgabe einen Konfidenzwert bereitstellt, wobei das Training entsprechend einer Gesamtkostenfunktion erfolgt, die für einen bestimmten der Trainingsdatensätze die Modellvorhersage des Öffnungs- oder Schließzeitpunkt und den entsprechenden Konfidenzwert berücksichtigt.

Es kann weiterhin vorgesehen sein, dass die Trainingsdatensätze reale Trainingsdatensätze und aus den realen Trainingsdatensätze generierte weitere Trainingsdatensätze umfassen, die eine zeitliche Verschiebung der Auswertungspunkt-Zeitreihe einem entsprechend zeitlich verschobenen Öffnungs- oder Schließzeitpunkt zuordnen.
Weiterhin können die realen Trainingsdatensätze der Auswertungspunkt-Zeitreihe einen One-Hot-codierten Ausgabevektor, der den Öffnungs- oder Schließzeitpunkts angibt, als Label zuordnen, wobei die aus den realen Trainingsdatensätze generierten weiteren Trainingsdatensätze durch Links oder Rechtsverschiebung der Elemente der Auswertungspunkt-Zeitreihe und des Ausgabevektors gebildet werden.
Insbesondere können die Label der durch die zeitliche Verschiebung aus den realen Trainingsdatensätze generierten weiteren Trainingsdatensätze jeweils als eine One-Hot-Codierung mit einer vorgegebenen Unschärfe dargestellt werden, insbesondere unter Beibehaltung einer softmax-Normierung.
Es kann vorgesehen sein, dass die Gesamtkostenfunktion einen ersten Term aufweist, der das Label des jeweiligen Trainingsdatensatzes abhängig von dem zugehörigen Konfidenzwert des Trainingsdatensatzes berücksichtigt.
Weiterhin kann die Gesamtkostenfunktion einen zweiten Term aufweisen, der die Abweichung des Konfidenzwerts von 1, insbesondere logarithmisch, berücksichtigt.
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.
Jedoch ist auch das Sensorsignal rausch behaftet 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- und/oder Schließzeitpunkts des Einspritzventils kann mithilfe eines datenbasierten Zeitpunktbestimmungsmodells vorgenommen werden, das z.B. in Form eines Klassifikationsmodells ausgebildet sein kann.
Die Verwendung eines datenbasierten Zeitpunktbestimmungsmodells zur Ermittlung eines Öffnungs- oder Schließzeitpunkts ist vorteilhaft, da sich eine geeignete Modellierung, insbesondere mithilfe eines physikalisch motivierten Modells, aufgrund der vielfältigen Einflüsse und Wechselwirkungen nicht abbilden lässt.
Das datenbasierte Zeitpunktbestimmungsmodell kann ausgebildet und trainiert sein, um abhängig von einem Eingangsvektor, der eine von einem Sensorsignal abgeleitete Auswertungspunkt-Zeitreihe angibt, einen Ausgabevektor auszugeben, der eine modellierte Angabe zu dem Öffnungs- oder Schließzeitpunkt darstellt.
So kann beispielsweise ein Wert eines Elements des Ausgabevektors von „1“ angeben, dass der Öffnungs- oder Schließzeitpunkt einem Zeitpunkt entspricht, der dem Indexwert dieses Elements zugeordnet ist. Analog kann ein Wert eines Elements des Ausgabevektors von „0“ angeben, dass der Öffnungs- oder Schließzeitpunkt nicht dem Zeitpunkt entspricht, der dem Indexwert dieses Elements zugeordnet ist. Ein solches Zeitpunktbestimmungsmodell gibt allgemein für jedes Element des Ausgabevektors einen Wert an, der eine Wahrscheinlichkeit repräsentiert, mit welcher der Zeitpunkt, der dem entsprechenden Indexwert des Elements des Ausgabevektors zugeordnet ist, der zu ermittelnde Öffnungs- oder Schließzeitpunkt ist. Im Folgenden werden die einzelnen Wahrscheinlichkeiten einer Klasse i als p_i bezeichnet. Daher summieren sich die Wahrscheinlichkeiten aller Elemente auf 1. $p = Σ p_{i}$
Der Indexwert des Elements mit dem maximalen Elementwert im Ausgabevektor gibt also den zu bestimmenden Öffnungs- und Schließzeitpunkt in dem Auswertungszeitraum an. Die Zuordnung des Indexwerts zu einem entsprechenden Zeitpunkt ist durch das Training des Zeitpunktbestimmungsmodells vorgegeben und insbesondere relativ zu einem Kurbelwellenwinkel oder mit Bezug auf den Startzeitpunkt der Ansteuerung des Einspritzventils durch das Ansteuersignal für die Aktuatoreinheit des Einspritzventils angegeben.
Das datenbasierte Zeitpunktbestimmungsmodell kann beispielsweise ein mehrlagiges neuronales Netz sein. Das Zeitpunktbestimmungsmodell kann als neuronales Netz mit einer Eingangsschicht, mit einer oder mehreren Zwischenschichten mit jeweils mehreren Neuronen und einer Ausgabeschicht mit einem oder mehreren Neuronen zur Ausgabe der Modellausgabe, die den Öffnungs- oder Schließzeitpunkt, z.B. in Form des Ausgabevektors, angibt, ausgebildet ist.
Um einen Konfidenzwert für den modellbasiert bestimmten Öffnungs- oder Schließzeitpunkt zu ermitteln, wird das Zeitpunktbestimmungsmodell mit einer weiteren Ausgabeschicht versehen, die mit der letzten Zwischenschicht des neuronalen Netzes gekoppelt ist. Die weitere Ausgabeschicht erzeugt gemeinsam mit den vorangehenden Schichten des neuronalen Netzes einen Konfidenzwert, der die Zuverlässigkeit des Zeitpunktbestimmungsmodells für das Bereitstellen der Modellausgabe für den Öffnungs- oder Schließzeitpunkt angibt. Dieser ist zusätzlich zu den Klassenwahrscheinlichkeiten zu betrachten.
Das datenbasierte Zeitpunktbestimmungsmodell kann basierend auf Trainingsdatensätzen trainiert sein, die jeweils eine Auswertungspunktzeitreihe einem Öffnungs- oder Schließzeitpunkt, z.B. in Form des Ausgabevektors, zuordnen. Die Trainingsdatensätze können reale Trainingsdatensätze umfassen, die sich aus Messungen, insbesondere auf einem Prüfstand, ableiten und aus den realen Trainingsdatensätze generierte weitere Trainingsdatensätze umfassen, die eine zeitliche Verschiebung der Auswertungspunkt-Zeitreihe einem entsprechend zeitlich verschobenen Öffnungs- oder Schließzeitpunkt zuordnen.
Das obige Verfahren betrifft die Ausbildung des datenbasierten Zeitpunktbestimmungsmodells als datenbasiertes Modell, insbesondere als neuronales Netz, das abhängig von einer bereitgestellten und von Sensorwerten abgeleiteten Auswertungspunkt-Zeitreihe sowohl eine Angabe zu dem Öffnungs- und Schließzeitpunkt (Ausgabevektor) als auch den zugehörigen Konfidenzwert ausgibt.
Das Training eines solchen Zeitpunktbestimmungsmodells kann basierend auf zur Verfügung gestellten (realen) Trainingsdatensätzen erfolgen, die eine Auswertungspunkt-Zeitreihe aus einem Sensorsignal einem entsprechenden gemessenen oder in sonstiger Weise erfassten Öffnungs- und Schließzeitpunkt des Einspritzventils als Label zuordnen. Das Training des neuronalen Netzes kann auf herkömmlichen Trainingsverfahren basieren, die Backpropagation anwenden, abhängig von einer bereitgestellten Kostenfunktion.
In der Regel wird die Kostenfunktion bezüglich der jeweiligen Label der Trainingsdatensätze bezogen. Um die Ausgabe des Konfidenzwertes mit zu trainieren, wird hierzu beim Training des datenbasierten Zeitpunktbestimmungsmodells die Kosten-Funktion nicht auf nur das Label y bezogen, sondern auf einen Wert, der sich aus der Modellausgabe p_i mit i = 1 ... M, einem ausgegebenen Konfidenzwert c und dem Label y_i mit i = 1 ... M der Trainingsdaten bezieht, wie folgt. $p'_{i} = c \cdot p_{i} + (1 - c) \cdot y_{i}$
wobei p_i das normalisierte Element des Ausgabevektors für den Index i ist, y_i das Element des codierte Ausgabevektor des Labels ist, der insbesondere One-Hot-codiert ist, und p'_i das Element des angepassten Ausgabevektors mit dem Indexwert i unter Berücksichtigung des Konfidenzwertes c ist. M entspricht der Anzahl der Elemente der Auswertungspunkt-Zeitreihe und des Ausgabevektors.
Für die Berechnung der Kosten, die dem Training des neuronalen Netzes zugrunde liegen, wird p' anstelle von p genutzt, z.B. in einer cross-entropy Kostenfunktion: $K_{t} = - \sum_{i = 1}^{M} l o g (p'_{i}) y_{i}$
Weiterhin kann die Gesamtkostenfunktion weiterhin die Abweichung des Konfidenzwerts von 1 berücksichtigen. Zusätzlich zum Training der weiteren Ausgabeschicht bezüglich des Konfidenzwertes kann daher eine weitere Kosten-Funktion angenommen werden: $K_{c} = - log (c)$
und $K_{g e s} = K_{t} + K_{c}$
Zusätzlich kann das datenbasierte Zeitpunktbestimmungsmodell unsupervised trainiert werden, basierend auf weiteren (künstlichen) Trainingsdaten, die sich aus einer oder mehreren zeitlichen Verschiebungen der Auswertungspunkt-Zeitreihe und der entsprechenden zeitlich verschobenen Modellauswertung z.B. in Form eines Ausgabevektors ergeben.
Während im supervised Fall zu einem Trainingsdatensatz x die zugehörigen Labels y verfügbar sind, sind keine realen Labels für den weiteren Trainingsdatensatz vorhanden. Durch die Konstruktion der Trainingsdatensätze aus einer kontinuierlichen Auswertungspunkt-Zeitreihe können aber für eine Auswertungspunkt-Zeitreihe eines Trainingsdatensatzes insbesondere durch zeitliche Verschiebungen weitere Trainingsdatensätze erzeugt werden. Die zeitliche Verschiebungen können durch Links- oder Rechts-Shifts der Auswertungspunkt-Zeitreihe und des Ausgabevektors erreicht werden. Auch andere Methoden zur Generierung von Trainingsdatensätzen können verwendet werden.
Vorzugweise wird so zu einem Trainingsdatensatz mindestens ein weiterer Trainingsdatensatz erstellt durch eine kontrollierte Veränderung der zugrundeliegenden Auswertungspunkt-Zeitreihe als Eingangsvektor, der eine bekannte Veränderung (oder ggf. auch Invarianz) des Labels, d.h. des Öffnungs- oder Schließzeitpunkts, nach sich zieht.
Im Folgenden werden die weiteren Trainingsdatensätze wie reale Trainingsdatensätze behandelt und in der Kostenfunktion berücksichtigt. $K_{g e s} = K_{t + l} + K_{c + l} l \in ℤ .$
$Mit K_{t + l} = - \sum_{i = 1}^{M} l o g (q_{l}'_{i}) y_{i}$
$q_{l}'_{i} = c_{l} \cdot q_{l, i} + (1 - c_{l}) \cdot y_{l, i}$
Wobei q_l,i dem i-ten Element des Ausgabevektors für die um I Indexwerte zeitlich verschobene Auswertungspunkt-Zeitreihe und y_l,i dem um I Indexwerte verschobenen Element y_i entsprechen und c_l den jeweils zugehörigen Konfidenzwert.
Somit kann zusätzlich zu den bereitgestellten (realen) Trainingsdatensätzen das Training durch Berücksichtigung von einer oder mehreren weiteren Verschiebungen der Auswertungspunkt-Zeitreihe und entsprechenden durch zeitliche Verschiebung künstlich erzeugten Labels präzisiert werden, um die Modellierung des Öffnungs- oder Schließzeitpunkts und, aufgrund der berücksichtigten Gesamtkostenfunktion, des Konfidenzwertes zu verbessern. Insbesondere ermöglicht dieses Verfahren ein verbessertes Training des datenbasierten Zeitpunktbestimmungsmodells, und insbesondere eine verbesserte Diskriminierung des zu ermittelnden Öffnungs- oder Schließzeitpunktes.
Gemäß einem weiteren Aspekt ist ein Verfahren zum Betreiben eines Einspritzsystems eines Verbrennungsmotors durch Ermitteln eines Öffnungs- oder Schließzeitpunkts des Einspritzventils basierend auf einem Sensorsignal vorgesehen, mit folgenden Schritten:

- Bereitstellen einer Auswertungspunkt-Zeitreihe durch Abtasten eines Sensorsignals eines Sensors des Einspritzventils,
- Verwenden eines datenbasierten Zeitpunktbestimmungsmodells mit der Auswertungspunkt-Zeitreihe, um eine modellierte Angabe zu einem Öffnungs- oder Schließzeitpunkt zu erhalten, wobei das Zeitpunktbestimmungsmodell als datenbasiertes Modell ausgebildet und trainiert ist, um abhängig von der bereitgestellten Auswertungspunkt-Zeitreihe einen Öffnungs- oder Schließzeitpunkt und einen Konfidenzwert anzugeben,
- Betreiben des Verbrennungsmotors abhängig von dem Öffnungs- oder Schließzeitpunkt und abhängig von dem Konfidenzwert.

Weiterhin kann das datenbasierte Zeitpunktbestimmungsmodell basierend auf Trainingsdatensätzen trainiert sein, die jeweils eine Auswertungspunktzeitreihe einem Öffnungs- oder Schließzeitpunkt zuordnen, wobei insbesondere das Zeitpunktbestimmungsmodell als neuronales Netz mit einer Eingangsschicht, optional mit einer oder mehreren Zwischenschichten mit jeweils mehreren Neuronen und einer Ausgabeschicht mit mehreren Neuronen zur Ausgabe des Öffnungs- oder Schließzeitpunkt und einer weiteren Ausgabeschicht zur Ausgabe des Konfidenzwerts ausgebildet ist.
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 zur Anwendung eines trainierten, datenbasierten Zeitpunktbestimmungsmodells zum Bestimmen einer eingespritzten Kraftstoffmenge;
3 eine schematische Darstellung des Zeitpunktbestimmungsmodells mit einer Konfidenzermittlung;
4 eine beispielhafte Auswertungspunkt-Zeitreihe als Kurvenverlauf eines Spannungssignals in einem Auswertungszeitraum; und
5 ein Flussdiagramm zur Darstellung eines Verfahrens zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells zum Bestimmen eines Öffnungs- oder Schließzeitpunkt und eines zugehörigen Konfidenzwerts.

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.
Weiterhin ist ein Drucksensor 8 vorgesehen, um einen Kraftstoffdruck stromaufwärts des Einspritzventils 6 zu ermitteln.
Das Sensorsignal dient im Betrieb des Verbrennungsmotors 2 der Ermittlung eines korrekten Öffnungs- oder Schließzeitpunkts des Einspritzventils 6. Dazu wird das Sensorsignal mithilfe des A/D-Wandlers 11 in eine Auswertungspunkt-Zeitreihe 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 und/oder der Schließzeitpunkt mithilfe eines datenbasierten Zeitpunktbestimmungsmodells durchgeführt werden.
2 veranschaulicht anhand eines Flussdiagramms ein Verfahren zum Ermitteln eines Öffnungs- und/oder Schließzeitpunkts eines Einspritzventils 6 eines Zylinders 3 in einem Motorsystem 1. Das Verfahren dient dazu, Steuerfunktionen für den Verbrennungsmotor 2 wahrzunehmen und insbesondere dazu die eingespritzte Kraftstoffmenge zu ermitteln.
3 veranschaulicht einen funktionellen Aufbau eines datenbasierten Zeitpunktbestimmungsmodells in Form eines neuronalen Netzes.
Das Verfahren wird in der Steuereinheit 10 ausgeführt, in der es in Form einer Software und/oder Hardware implementiert sein kann.
Das Verfahren wird anhand der Betrachtung eines Einspritzventils 6 für einen einzelnen Zylinder 3 des Verbrennungsmotors 2 beschrieben. Selbstverständlich kann das Verfahren parallel für alle Einspritzventile 6 des Verbrennungsmotors 2, d. h. auch für mehrzylindrige Verbrennungsmotoren, angewendet werden.
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 kann das Sensorsignal mit Hilfe des A/D-Wandlers abgetastet werden, um eine Auswertungspunkt-Zeitreihe B innerhalb eines Auswertungszeitraums zu ermitteln. Der Auswertungszeitraum kann bezüglich eines Ansteuerungszeitfensters des Einspritzventils 6 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 B bereitgestellt wird, die die Grundlage für die weitere Ermittlung eines Öffnungs- bzw. Schließzeitpunkts A darstellt. Insbesondere kann die Auswertungspunkt-Zeitreihe B 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 mit einer beispielhaften Auswertungspunkt-Zeitreihe B ist als Kurvenverlauf eines Spannungssignals S in 4 dargestellt.
In Schritt S3 wird die Auswertungspunkt-Zeitreihe B einem Zeitpunktbestimmungsmodell 20 zugeführt, um eine Angabe über einen Öffnungs- oder Schließzeitpunkt Z zu erhalten. Das Zeitpunktbestimmungsmodell 20 kann entsprechend trainiert sein, um abhängig von der Auswertungspunkt-Zeitreihe B einen Öffnungs- oder Schließzeitpunkt Z in geeigneter Weise anzugeben. Der Öffnungs- und Schließzeitpunkt Z kann in geeigneter Weise als Ausgabevektor A bereitgestellt werden.
Beispielweise kann die Auswertungspunkt-Zeitreihe B als ein Vektor angegeben sein, wobei jedes Element des Vektors einem Zeitabschnitt zugeordnet ist. Der Wert eines Elements des Vektors zeigt dann den Messwert des Sensorsignals zu dem betreffenden Zeitabschnitt an.
Die Ausgabevektoren A, die jeweils den Öffnungs- oder Schließzeitpunkt Z angeben, weisen die Form eines Logits auf, wobei der Index der Elemente der Ausgabevektoren einen entsprechenden Öffnungs- bzw. Schließzeitpunkt Z, d. h. die Zeitangabe, angibt. Beispielsweise kann bei einer Anzahl von N Auswertungspunkten in der Auswertungspunkt-Zeitreihe B der Ausgabevektor entsprechend eine Anzahl von N Elementen umfassen. Die Indexwerte der Elemente des Ausgabevektors sind dabei aufeinanderfolgenden Zeitpunkten innerhalb des betrachteten Auswertungszeitraums zugeordnet. Insbesondere können die den Elementen/Indexwerten des Ausgabevektors A zugeordneten Zeitpunkte den zeitlich gleichmäßig beabstandeten Auswertungszeitpunkten entsprechen oder in sonstiger Weise aufeinanderfolgende Zeitpunkte angeben.
Das datenbasierte Zeitpunktbestimmungsmodell 20 kann in Form eines neuronalen Netzes 20 ausgebildet sein, wie es beispielsweise in 3 angegeben ist. Das neuronale Netz 20 kann eine Eingangsschicht 21, optional eine oder mehrere Zwischenschichten 23 mit jeweils einer vorgegebenen Anzahl von Neuronen 22 und eine Ausgabeschicht 24 mit einer Anzahl von Neuronen 22, die der Anzahl der Elemente des Ausgabevektors A entspricht, aufweisen. Die Ausgabeschicht 24 dient zum Ausgeben des Ausgabevektors A. Jedes Neuron 22 kann eine Aktivierungsfunktion zur Linearisierung aufweisen. Die Schichten sind seriell in an sich bekannter Weise entsprechend einem künstlichen neuronalen Netz miteinander verbunden.
Über die Eingangsschicht 21 werden die Werte der Auswertungspunkt-Zeitreihe als Vektor dem datenbasierten Zeitpunktbestimmungsmodell 20 zugeführt.
In einem Schritt S4 wird der Ausgabevektor zur Bestimmung eines Öffnungs- oder Schließzeitpunkt in einer Auswertungseinheit 26 ausgewertet. Dies erfolgt entsprechend der obigen Vorgehensweise, wobei der Zeitpunkt, der dem Indexwert des Elements des Ausgabevektors A mit dem höchsten Wert entspricht, als Öffnungs- oder Schließzeitpunkt Z angenommen wird.
Das neuronale Netz 20 kann eine weitere Ausgabeschicht 28, mit einem oder mehreren Neuronen, aufweisen, die mit der letzten Zwischenschicht 23 verbunden ist, und einer Konfidenzwert-Ausgabeschicht entspricht. Diese dient dazu, einen Konfidenzwert c bezüglich einer Modellauswertung der Auswertungspunkt-Zeitreihe durch das trainierte Zeitpunktbestimmungsmodell 20 zu ermitteln.
Ein solches datenbasiertes Zeitpunktbestimmungsmodell 20 ermöglicht es also, einen Öffnungs- oder Schließzeitpunkt Z zu bestimmen und zusätzlich einen Konfidenzwert c zu bestimmen, der angibt, wie zuverlässig der ermittelte/modellierte Öffnungs- oder Schließzeitpunkt ist.
Es wird in Schritt S5 der Konfidenzwert c mithilfe des Zeitpunktbestimmungsmodell 20 ermittelt. Der Konfidenzwert c gibt die Konfidenz, d.h. die Zuverlässigkeit des modellierten Öffnungs- oder Schließzeitpunkt Z, an. Hierin ist vorgesehen, dass je größer der Konfidenzwert c ist, desto größer ist die Zuverlässigkeit/Konfidenz und umgekehrt.
In einem nachfolgenden Schritt S6 wird überprüft, ob der Konfidenzwert c kleiner ist als ein entsprechend vorgegebener Schwellenwert. Ist dies der Fall (Alternative: Ja), wird die Unsicherheit der ermittelten Modellausgabe für den Öffnungs- oder Schließzeitpunkt Z als zu hoch angesehen und in Schritt S7 der durch das Zeitpunktbestimmungsmodell ermittelte Öffnungs- oder Schließzeitpunkt Z verworfen. Stattdessen wird ein zuvor ermittelter oder auf andere Weise ermittelter Öffnungs- oder Schließzeitpunkt Z als korrekter Öffnungs- und Schließzeitpunkt angenommen und in Schritt S8 zum Betreiben des Verbrennungsmotors verwendet. Insbesondere kann auf dem zu ermittelnden Öffnungs- bzw. Schließzeitpunkt die tatsächlich eingespritzte Kraftstoffmenge bestimmt und das Motorsystem entsprechend betrieben werden.
Wird in Schritt S6 festgestellt, dass der Konfidenzwert c höher ist als der vorgegebene Schwellenwert (Alternative: Nein), so wird dem ermittelten Öffnungs- oder Schließzeitpunkt Z vertraut und dieser in dem nachfolgenden Schritt S8 zum Betreiben des Verbrennungsmotors verwendet. Insbesondere kann auf dem zu ermittelnden Öffnungs- bzw. Schließzeitpunkt Z die tatsächlich eingespritzte Kraftstoffmenge bestimmt und das Motorsystem entsprechend betrieben werden.
Zum Training des datenbasierten Zeitpunktbestimmungsmodells ist ein integriertes Trainingsverfahren vorgesehen, das das neuronale Netz für das Bereitstellen des Öffnungs- oder Schließzeitpunkts (in Form eines Ausgabevektors) und des Konfidenzwerts gleichzeitig trainiert. Dazu können Trainingsdaten vorgesehen sein, die eine Auswertungspunktzeitreihe einem entsprechenden Öffnungs- oder Schließzeitpunkt in Form eines entsprechenden Ausgabevektors zuordnen, wobei der Ausgabevektor One-Hot-codiert sein kann, d. h. dasjenige Element, das im Indexwert den Öffnungs- oder Schließzeitpunkt entspricht, ist mit 1 codiert, während die übrigen Elemente des Ausgabevektors mit 0 codiert sind.
Zum Training des neuronalen Netzes wird ein Verfahren durchgeführt, das anhand des Flussdiagramms der 5 veranschaulicht ist.
In Schritt S11 werden zunächst Trainingsdatensätze bereitgestellt. Die Trainingsdatensätze umfassen jeweils eine Auswertungspunkt-Zeitreihe, die aus einem Sensorsignal abgeleitet ist, einem entsprechenden gemessenen oder in sonstiger Weise erfassten Öffnungs- und Schließzeitpunkt Z des Einspritzventils als Label. Der Öffnungs- und Schließzeitpunkt wird als One-hot-codierter Ausgabevektor als Label dargestellt, so dass jeder Indexwert der Elemente einem fest bestimmten Zeitpunkt zugeordnet ist. Vorzugsweise weisen die Auswertungspunkt-Zeitreihe B und der Ausgabevektor A die gleichen Größen (Dimension) auf und gleiche Indexwerte der jeweiligen Elemente der Auswertungspunkt-Zeitreihe und des Ausgabevektors sind gleichen Zeitpunkten zugeordnet.
In einem nachfolgenden Schritt S12 wird basierend auf mindestens einem der vorgegebenen Trainingsdatensätze weitere Trainingsdatensätze generiert. Dazu werden für den mindestens einen Trainingsdatensatz die entsprechende Auswertungspunkzeitreihe durch eine oder mehrere zeitliche Verschiebungen der entsprechenden Auswertungspunktzeitreihe entsprechende zeitlich versetzte Auswertungspunktzeitreihen generiert, für die jeweils ein Ausgabevektor und ein Konfidenzwert entsprechend durch Auswertung des datenbasierten Zeitpunktbestimmungsmodells bestimmt wird.
Eine zeitliche Verschiebung der Auswertungspunktzeitreihe und/oder des Ausgabevektors kann in einfacher Weise durch Addieren oder Subtrahieren eines ganzzahligen Werts von dem Indexwert jedes der Elemente der Auswertungspunktzeitreihe und des Ausgabevektors erfolgen, wobei die dadurch unbesetzten Elementenwerte der ersten und letzten Indexwerte mit „0“ oder den vorherigen ersten bzw. letzten Elementenwerten (Elementenwerte mit dem ersten Indexwert und dem letzten Indexwert) besetzt werden. Auf potentielle Grenzeffekte muss bei der Verschiebung geachtet werden. Die Operation entspricht einem Links- oder rechts-Shift der Auswertungspunktzeitreihe und des Ausgabevektors um eine oder mehrere Stellen.
In Schritt S13 wird das datenbasierte Modell basierend auf den bereitgestellten (realen und weiteren) Trainingsdatensätzen mithilfe einer Gesamtkostenfunktion trainiert, die sich aus den Formeln $p'_{i} = c \cdot p_{i} + (1 - c) \cdot y_{i}$
$K_{t} = - \sum_{i = 1}^{M} l o g (p'_{i}) y_{i}$
Für die Berechnung der Gesamtkosten (Loss-Funktion), die dem Training des neuronalen Netzes zugrunde liegen, wird p' anstelle von p genutzt:
Zusätzlich wird in der Gesamtkostenfunktion der Konfidenzwert c bezüglich der auszuwertenden Auswertungspunktzeitreihe berücksichtigt: $K_{c} = - log (c)$
mit $K_{g e s} = K_{t} + a K_{c}$
ergibt.
Die Gesamtkosten-Funktion K_ges berücksichtigt also sowohl den Modellfehler als auch den Konfidenzwert.
Der Ausgabevektor A A = [p₁ ... p_M]^T ist dabei durch die softmax-Funktion normalisiert und weist die Elemente p_i mit Index i auf. M entspricht der Anzahl der Elemente des Ausgabevektors. y_i entspricht einem Element des codierten Ausgabevektor des Labels mit dem Indexwert i, der insbesondere One-Hot-codiert ist. p'_i entspricht dem Element eines angepassten Ausgabevektors unter Berücksichtigung des durch das Zeitpunktbestimmungsmodells 20 modellierten Konfidenzwertes c ist.
Insbesondere berücksichtigt die Formel, ob die ausgegebene Angabe für den Öffnungs- oder Schließzeitpunkt (Ausgabevektor) für das weitere Training des neuronalen Netzwerks zuverlässig ist oder nicht. Durch die Berücksichtigung des angepassten Ausgabevektors p' (=A) für die Berechnung der Kosten wird der Modellausgabe des neuronalen Netzes nur insoweit vertraut, wie es der Konfidenzwert c vorgibt. Entsprechend wird der modellierte Ausgabevektor umso weniger berücksichtigt, je geringer die Zuverlässigkeit des Ausgabevektors durch das neuronale Netz angegeben wird.
Das Training des Schritts S13 erfolgt für jeden Trainingsdatensatz basierend auf der Gesamtkosten-Funktion K_ges, die sich wie folgt ergibt. $K_{g e s} = K_{t} + K_{c}$
wobei für die weiteren Trainingsdatensätze aufgrund der Verschiebung gilt: $K_{g e s} = K_{t + l} + K_{c + l}$
$K_{t + l} = - \sum_{i = 1}^{M} l o g (g_{l}'_{i}) y_{i}$
$m i t q_{l}'_{i} = c_{l} \cdot q_{l, i} + (1 - c_{l}) \cdot y_{l, i}$
Wobei K_t+l den Kostenanteilen der verschobenen Auswertungspunkt-Zeitreihen, wobei q_l,i dem i-ten Element des Ausgabevektors für die um I Indexwerte zeitlich verschobene Auswertungspunkt-Zeitreihe und y_l,i dem um I Indexwerte verschobenen Element y_i des Labels des betreffenden mindestens einen Trainingsdatensatzes entsprechen. c_l entspricht dem jeweils zugehörigen Konfidenzwert.
Zudem kann bei der Generierung der Verschiebungen der Labels y_l,i dieser nicht als ein entsprechend verschobener Ausgabevektor bereitgestellt werden, der One-Hot-codiert ist, sondern die One-Hot-Repräsentation kann leicht unscharf dargestellt werden, beispielsweise durch Reduzierung des Elementenwertes von „1“ um einen geringen Betrag von zwischen 0,01 und 0,05 und Erhöhung einer oder mehrerer der benachbarten Werte, um einen oder mehrere entsprechende weiteren Beträge. Dies erfolgt unter Beibehaltung der softmax-Normierung.
Das Training des neuronalen Netzes kann auf herkömmlichen Trainingsverfahren basieren, die Backpropagation anwenden, abhängig von einer bereitgestellten Kostenfunktion.

Claims

Verfahren zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells (20) zum Bestimmen eines Öffnungs- oder Schließzeitpunkts (Z) eines Einspritzventils eines Einspritzsystems (1) eines Verbrennungsmotors (2) basierend auf einem Sensorsignal, mit folgenden Schritten: - Bereitstellen (S11) von Trainingsdatensätzen, die jeweils eine Auswertungspunkt-Zeitreihe (B), die durch Abtasten eines Sensorsignals eines Sensors des Einspritzventils erhalten wird, einer Angabe zu einem Öffnungs- oder Schließzeitpunkts (Z) als Label zuordnet, - Trainieren (S13) des Zeitpunktbestimmungsmodells (20), das als datenbasiertes Modell, insbesondere als neuronales Netz ausgebildet ist, abhängig von den Trainingsdatensätzen, wobei das datenbasierte Modell beim Auswerten neben einer Modellausgabe (A) einen Konfidenzwert (c) bereitstellt, wobei das Training entsprechend einer Gesamtkostenfunktion erfolgt, die für einen bestimmten der Trainingsdatensätze die Modellvorhersage des Öffnungs- oder Schließzeitpunkt (Z) und den entsprechenden Konfidenzwert (c) berücksichtigt.
Verfahren nach Anspruch 1, wobei die Trainingsdatensätze reale Trainingsdatensätze und aus den realen Trainingsdatensätze generierte weitere Trainingsdatensätze umfassen, die insbesondere eine zeitliche Verschiebung der Auswertungspunkt-Zeitreihe (B) einem zeitlich verschobenen Öffnungs- oder Schließzeitpunkt (Z) als Label, insbesondere in Form eines Ausgabevektors (A) zuordnen.
Verfahren nach Anspruch 2, wobei die realen Trainingsdatensätze der Auswertungspunkt-Zeitreihe (B) einen One-Hot-codierten Ausgabevektor, der den Öffnungs- oder Schließzeitpunkts (Z) angibt, als Label zuordnet, wobei die aus den realen Trainingsdatensätze generierten weiteren Trainingsdatensätze durch einander entsprechende Links oder Rechtsverschiebung der Elemente der Auswertungspunkt-Zeitreihe (B) und des Ausgabevektors (A) gebildet werden.
Verfahren nach Anspruch 3, wobei die Label der durch die zeitliche Verschiebung aus den realen Trainingsdatensätze generierten weiteren Trainingsdatensätze jeweils als eine One-Hot-Codierung mit einer vorgegebenen Unschärfe dargestellt wird, insbesondere unter Beibehaltung einer softmax-Normierung.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die Gesamtkostenfunktion einen ersten Term aufweist, der das Label des jeweiligen Trainingsdatensatzes abhängig von dem zugehörigen Konfidenzwert (c) des Trainingsdatensatzes berücksichtigt.
Verfahren nach einem der Ansprüche 1 bis 5, wobei die Gesamtkostenfunktion weiterhin einen zweiten Term aufweist, der die Abweichung des Konfidenzwerts (c) von 1, insbesondere logarithmisch, berücksichtigt.
Verfahren zum Betreiben eines Einspritzsystems (1) eines Verbrennungsmotors (2) durch Ermitteln eines Öffnungs- oder Schließzeitpunkts (Z) des Einspritzventils (6) basierend auf einem Sensorsignal, mit folgenden Schritten: - Bereitstellen (S1, S2) einer Auswertungspunkt-Zeitreihe (B) durch Abtasten eines Sensorsignals eines Sensors des Einspritzventils (6), - Verwenden (S3) eines datenbasierten Zeitpunktbestimmungsmodells (20) mit der Auswertungspunkt-Zeitreihe (B), um eine modellierte Angabe zu einem Öffnungs- oder Schließzeitpunkt (Z) zu erhalten, wobei das Zeitpunktbestimmungsmodell (20) als datenbasiertes Modell ausgebildet und trainiert ist, um abhängig von der bereitgestellten Auswertungspunkt-Zeitreihe (B) als Modellausgabe einen Öffnungs- oder Schließzeitpunkt (Z) und einen Konfidenzwert anzugeben, - Betreiben des Verbrennungsmotors (2) abhängig von dem Öffnungs- oder Schließzeitpunkt (Z) und abhängig von dem Konfidenzwert (c).
Verfahren nach Anspruch 7, wobei das datenbasierte Zeitpunktbestimmungsmodell (20) basierend auf Trainingsdatensätzen trainiert ist, die jeweils eine Auswertungspunktzeitreihe (b) einem Öffnungs- oder Schließzeitpunkt (Z) zuordnen, wobei insbesondere das Zeitpunktbestimmungsmodell (20) als neuronales Netz mit einer Eingangsschicht (21), optional mit einer oder mehreren Zwischenschichten (23) mit jeweils mehreren Neuronen (22) und einer Ausgabeschicht (24) mit mehreren Neuronen (22) zur Ausgabe des Öffnungs- oder Schließzeitpunkt (Z) und einer weiteren Ausgabeschicht (28) zur Ausgabe des Konfidenzwerts (c) ausgebildet ist.
Vorrichtung zur Durchführung eines der Verfahren nach einem der Ansprüche 1 bis 8.
Computerprogrammprodukt, umfassende Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 8 auszuführen.
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.