DE102021210321A1 - Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens - Google Patents

Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens Download PDF

Info

Publication number
DE102021210321A1
DE102021210321A1 DE102021210321.9A DE102021210321A DE102021210321A1 DE 102021210321 A1 DE102021210321 A1 DE 102021210321A1 DE 102021210321 A DE102021210321 A DE 102021210321A DE 102021210321 A1 DE102021210321 A1 DE 102021210321A1
Authority
DE
Germany
Prior art keywords
solenoid valve
opening
pattern recognition
artificial intelligence
current
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
DE102021210321.9A
Other languages
English (en)
Inventor
Marc Neufeld
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 DE102021210321.9A priority Critical patent/DE102021210321A1/de
Priority to US17/942,959 priority patent/US20230100963A1/en
Priority to CN202211138382.5A priority patent/CN115823324A/zh
Publication of DE102021210321A1 publication Critical patent/DE102021210321A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/20—Output circuits, e.g. for controlling currents in command coils
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2464—Characteristics of actuators
    • F02D41/2467—Characteristics of actuators for injectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/20—Output circuits, e.g. for controlling currents in command coils
    • F02D2041/202—Output circuits, e.g. for controlling currents in command coils characterised by the control of the circuit
    • F02D2041/2055—Output circuits, e.g. for controlling currents in command coils characterised by the control of the circuit with means for determining actual opening or closing time
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/20—Output circuits, e.g. for controlling currents in command coils
    • F02D2041/202—Output circuits, e.g. for controlling currents in command coils characterised by the control of the circuit
    • F02D2041/2058—Output circuits, e.g. for controlling currents in command coils characterised by the control of the circuit using information of the actual current value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D2041/224—Diagnosis of the fuel system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetically Actuated Valves (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung eines Magnetventils (charakteristischen Grö-ße, bei welchem Magnetventil eine Magnetspule bestromt wird, um einen Magnetanker zum Öffnen der Durchflussöffnung für ein Fluid anzuheben, wobei während eines Betriebs des Magnetventils ein Verlauf eines Stroms (I) in der Magnetspule bestimmt wird, und wobei unter Verwendung eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens (430) anhand zumindest eines Abschnitts des Verlaufs oder eines davon abgeleiteten Verlaufs mit Hilfe eines Neuronalen Netzes die charakteristische(n) Größe(n) bestimmt wird. Die Erfindung betrifft außerdem ein Verfahren zum Anwenden und Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens (430).

Description

  • Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung eines Magnetventils charakteristischen Größe, ein Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens, das zum Bestimmen einer solchen charakteristischen Größe verwendet wird, sowie eine Recheneinheit und ein Computerprogramm zu deren Durchführung.
  • Hintergrund der Erfindung
  • Magnetventile umfassen eine Magnetspule und einen Magnetanker, der durch Bestromen der Spule - hierzu wird typischerweise eine bestimmte Spannung oder eine mittlere Spannung über eine pulsbreiten-modulierte Ansteuerung angelegt - angehoben bzw. angezogen wird und dadurch eine Durchflussöffnung freigibt. Typische Verwendungen von Magnetventilen sind genaue Dosierungen von flüssigen oder gasförmigen Betriebsstoffen (z.B. Kraftstoffinjektoren, Dosierventile für Betriebsstoffe, Steuerventile von hydraulischen Maschinen). Dort wird das Magnetventil üblicherweise dazu verwendet, eine zeitlich genau definierte Durchflussöffnung für den Betriebsstoff freizugegeben (bzw. zu öffnen) oder zu verschließen.
  • Offenbarung der Erfindung
  • Erfindungsgemäß werden ein Verfahren zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung eines Magnetventils charakteristischen Größe, ein Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahren sowie eine Recheneinheit und ein Computerprogramm zu deren Durchführung mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung.
  • Die Erfindung beschäftigt sich mit Magnetventilen mit einer Magnetspule und einem Magnetanker; bei einem solchen Magnetventil wird typischerweise die Magnetspule durch Anlegen einer Spannung bzw. zeitlich definierten Ansteuerspannung bestromt, um den Magnetanker anzuheben. Damit wird eine Durchflussöffnung des Magnetventils für ein Fluid (insbesondere eine Flüssigkeit oder ein Gas) geöffnet bzw. freigegeben. Wenn die Bestromung beendet wird, fällt der Magnetanker, ggf. mit Zeitverzögerung, wieder zurück - oder wird insbesondere durch eine Feder zurückgedrückt - und schließt bzw. verschließt die Durchflussöffnung dann wieder. Hierbei kann auch ganz allgemein von einem Öffnen und Schließen des Magnetventils gesprochen werden.
  • Solche Magnetventile können für verschiedene Anwendungen eingesetzt werden, z.B. in einem Fahrzeug. Dort können sie insbesondere zum Einbringen von Kraftstoff als Fluid in Zylinder einer Brennkraftmaschine vorgesehen sein, oder auch zum Einbringen von Reduktionsmittel oder Reduktionsmittellösung als Fluid in einen Abgasstrang (z.B. bei Verwendung eines sog. SCR-Systems zur „Selective Catalytic Reduction“, also zur Reduzierung von Schadstoffemissionen). Ebenso können mittels solcher Magnetventile auch andere Fluide, auch unabhängig von Fahrzeugen, gezielt in Volumina oder Räume eingebracht werden. Weitere Beispiele sind eingangs genannt.
  • Nicht nur, aber insbesondere bei Verwendung in Fahrzeugen, ist eine genaue Kenntnis der Zeitpunkte, zu denen das Magnetventil öffnet und/oder schließt, wichtig, damit eine bestimmbare Menge des Betriebsmittels (Fluid) über das Ventil in das Zielvolumen eingebracht werden kann. Eine minimale Anforderung des Betriebes eines Ventils ist ebenso die Kenntnis darüber, ob das Magnetventil überhaupt öffnet oder schließt.
  • Die Erkennung, ob und zu welchem Zeitpunkt ein als Einspritzventil verwendetes Magnetventil öffnet und schließt, ist z.B. für die Bestimmung der eingespritzten Menge an Fluid (z.B. Diesel, Benzin, Reduktionmittel, Hydrauliköl, Pressluft) von entscheidender Bedeutung. Hierfür können z.B. meist teure Nadelbewegungssensoren oder Auswertungen des Ansteuerverlaufs der elektrisch angesteuerten Ventile genutzt werden. Bei einem Magnetventil kann hierzu der Stromverlauf während der Bestromung bzw. Ansteuerung der Magnetspule verwendet werden, der während des Betriebs des Magnetventils, also z.B. der Einspritzung, den Magnetanker und damit z.B. auch die (Ventil-)Nadel durch ein erzeugtes Magnetfeld aus dem Ventilsitz zieht und so die Einspritzung ermöglicht, d.h. die Durchflussöffnung freigibt. Ein typischer Stromverlauf mit Anzugs- und Haltephase sowie Schließen des Ventils ist in den Figuren gezeigt.
  • Durch die mechanische Bewegung des Magnetankers bzw. der Nadel und ggf. weiterer Teile im Magnetventil wird eine für die Öffnungs- und Schließbewegung charakteristische Gegeninduktion ausgelöst, die durch eine zeitlich hoch aufgelöste Strommessung analysiert werden kann. Besonders bevorzugt werden hierbei die sog. „Begin-/End of Injection Pulse“-Methoden (BIP/EIP) verwendet, die über die Analyse der Krümmungsänderung (dies entspricht der zweiten zeitlichen Ableitung) des Stromverlaufs, also der gemessenen Stromkurve, bestimmen, zu welchen Zeitpunkten sich das Öffnen bzw. Schließen des Magnetventils bei gegebener Ansteuerung ereignet. Der Beginn und das Ende der Bewegung der Nadel bzw. des Magnetankers verursachen nämlich eine messbare Änderung der Krümmung im Stromverlauf.
  • Ein Fehlen oder Driften (Abweichen) der charakteristischen Merkmale BIP bzw. EIP können dann z.B. für Diagnosezwecke verwendet werden und weisen in der Regel auf einen Defekt oder zunehmenden Verschleiß des Magnetventils hin. Durch die Kenntnis der realen, gemessenen Öffnungszeit (d.h. der Zeitdauer zwischen dem Öffnen und Schließen) des Magnetventils kann die real eingespritzte Menge an Fluid berechnet werden und z.B. in einer geschlossenen Regelschleife bei der nächsten Einspritzung gegenüber der angeforderten Menge an einzuspritzendem Fluid korrigiert werden. Generell kann also anhand solcher, für das Öffnen und/oder Schließen charakteristischer Größen ein Betrieb des Magnetventils vorgenommen und/oder angepasst werden. Ebenso möglich ist eine Diagnose oder falls angezeigt eine Notfallmaßnahme zur Abwendung von Gefahren oder Beschädigungen durch das nicht ordnungsgemäß funktionierende Ventil.
  • Für die Ermittlung der Krümmungsänderung kann, wie erwähnt, insbesondere die zweite zeitliche Ableitung des Stromverlaufs bzw. des Stromsignals genutzt werden. Während die Krümmungsänderung zumindest in der Theorie eine sehr genaue Bestimmung des betreffenden Zeitpunkts erlaubt, ist dieses Vorgehen in der Praxis sehr stark störungsanfällig; es reagiert nämlich empfindlich auf Rauschen im Messsignal. Bei einer getakteten Ansteuerung kann z.B. ein für eine Ansteuerspannung von 12V ausgelegtes Magnetventil in einem System mit 24V-Betriebsspannung eingesetzt werden; hier weist die Stromkurve des angesteuerten Magnetventils dann eine starke Welligkeit auf, die die Auswertung über die (zweite) zeitliche Ableitung stark erschwert. Es ist z.B. eine aufwändige Filterung des Signals notwendig, um Fehldetektionen zu vermeiden bzw. zu minimieren.
  • Es hat sich nun herausgestellt, dass durch die Verwendung eines (maschinellen) auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens wie insbesondere einem künstlichen neuronalen Netz (oftmals wird auch nur von einem neuronalen Netz gesprochen) oder einer „Support Vector Machine“ (SVM) auch bei ggf. verrauschtem Signal des Stromverlaufs ein das Öffnen oder Schließen charakterisierender Bereich, z.B. ein Knick, hinreichend genau erkannt werden kann. Es wird also vorgeschlagen, während eines Betriebs des Magnetventils einen Verlauf eines Stroms (Stromverlauf) in der Magnetspule zu bestimmen bzw. zu erfassen, und unter Verwendung des auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens anhand zumindest eines Abschnitts des Verlaufs (ggf. aber auch des gesamten Verlaufs) mindestens eine für ein Öffnen und/oder Schließen der Durchflussöffnung des Magnetventils charakteristische Größe zu bestimmen.
  • Insbesondere wird hierzu also z.B. zunächst der Stromverlauf erfasst; dies kann z.B. durch eine während der Ansteuerung laufende Rückmessung des Ansteuersignals (Strom oder Spannung; dabei kann ein Spannungssignal für den Stromverlauf stehen) in einer ausführenden Recheneinheit, z.B. einem Steuergerät oder dort in einem Mikrocontroller erfasst werden. Bei einem Magnetventil ist die Messung des Ansteuerstromes z.B. über einen hinter einer Endstufe befindlichen Stromshunt (Messwiderstand) üblich. Das Spannungssignal des Stromshunts wird dann z.B. in einem Analog-Digital-Konverter des Mikrocontrollers in durch eine Software bearbeitbare Messwerte gewandelt. Typischerweise werden diese Messwerte in einem äquidistanten Zeitraster ermittelt, denkbar ist aber auch ein beliebiges, zeitliches Muster für die Aufnahme der Daten, das von Messung zu Messung neu definiert werden kann. Diese Messwerte (es handelt sich also um eine Messreihe) und ggf. Information über die Zeitpunkte der Messung können dann als Eingang bzw. Eingangswert(e) (sog. Eingangsvektor) dem Mustererkennungsverfahren zugeführt werden, also beispielsweise an Rezeptoren eines neuronalen Netzes eingespeist werden. Sofern das Mustererkennungsverfahren entsprechend trainiert, d.h. eingelernt, ist, liefert es basierend auf dem Eingangsvektor einen entsprechenden Ausgangsvektor bzw. einen oder mehrere Ausgangswerte, im vorliegenden Fall eine für das Öffnen und/oder Schließen der Durchflussöffnung des Magnetventils charakteristische Größe. Hinsichtlich des Trainierens von Mustererkennungsverfahren bzw. eines künstlichen neuronalen Netzes sei auch auf die noch folgenden Ausführungen verwiesen.
  • Die charakteristische Größe ist dabei vorzugsweise ausgewählt aus einem Öffnungszeitpunkt der Durchflussöffnung, einem Schließzeitpunkt der Durchflussöffnung, einem Wert, der angibt, ob die Durchflussöffnung geöffnet oder geschlossen worden ist oder nicht (im Sinne einer Klassifikation), und einem Wert, der angibt, mit welcher Wahrscheinlichkeit die Durchflussöffnung geöffnet oder geschlossen worden ist (hier kann z.B. ein Wert in Prozent oder in Bereichen angegeben werden, z.B. „sicher geöffnet“, „sehr wahrscheinlich geöffnet“ etc.; auch dies stellt eine Klassifikation dar). Welche dieser Größen als Ausgang gewählt wird bzw. werden, kann z.B. je nach gewünschter Anwendung gewählt werden; es versteht sich aber, dass das Mustererkennungsverfahren dann entsprechend für die gewünschte charakteristische Größe gewählt wird. Hierbei ist außerdem zu bedenken, dass der Abschnitt des Stromverlaufs entsprechend gewählt sein muss, d.h. wenn der Zeitpunkt des Öffnens bestimmt werden soll, muss der Abschnitt, der dem Mustererkennungsverfahren zugeführt wird, auch den betreffen Zeitpunkt umfassen. Ebenso können auch mehrere dieser charakteristischen Größen ausgegeben werden, wenn das Mustererkennungsverfahren entsprechend gewählt und trainiert ist.
  • Durch die Verwendung eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens können also auch bei (stark) verrauschtem Signal des Stromverlaufs sehr gut relevante Informationen über den Betrieb des Magnetventils erhalten werden. Eine zusätzliche Filterung oder gar ein zusätzlicher Sensor sind nicht nötig. Insbesondere kann die charakteristische Größe hierbei direkt aus dem Verlauf des Stroms bestimmt werden, eine (zeitliche) Ableitung ist nicht nötig; trotzdem kann anstelle des Verlaufs selbst aber auch eine Ableitung davon verwendet werden.
  • Dabei kommen verschiedene Arten von auf künstlicher Intelligenz basierenden Mustererkennungsverfahrenen in Betracht, z.B. ein- oder mehrschichtige „feedforward“-Netze (auch als ein- oder mehrlagige Perzeptrons bezeichnet), oder auch sog. rekurrente Netze. Je nach Bedarf und gewünschter Genauigkeit und/oder Schnelligkeit bei der Berechnung kann dabei ein geeignetes gewählt werden.
  • Besonders vorteilhaft ist ein auf künstlicher Intelligenz basierenden Mustererkennungsverfahren, das vor dessen Verwendung trainiert bzw. eingelernt wurde. Ein Verfahren zum Trainieren eines Mustererkennungsverfahrens, das zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung eines Magnetventils charakteristischen Größe - also dem vorstehend erläuterten Einsatzzweck - verwendet wird, ist ebenfalls Gegenstand der vorliegenden Erfindung.
  • Hierzu wird dem Mustererkennungsverfahren für mehrere Verläufe oder mehrere Variationen der Verläufe z.B. unter unterschiedlichen Randbedingungen (Temperaturen, verschiedene Ventil-Exemplare mit z.B. Mittel-/Randlagen der Federstärke/Spritzlochscheiben, Spannungsverläufe und ähnliches) eines während eines Betriebs des Magnetventils auftretenden Stromverlaufs in der Magnetspule jeweils zumindest ein Abschnitt als Eingangswert zugeführt. Die dabei verwendeten Abschnitte sollten solchen Abschnitten entsprechen, wie sie später bei Einsatz des Mustererkennungsverfahrens auch auftreten werden. Diese Abschnitte bzw. die zugrundeliegenden Stromverläufe können z.B. von Testmessungen oder dergleichen stammen; grundsätzlich denkbar wären hier auch Simulationen bzw. simulierte Stromverläufe.
  • Anhand von für diese Abschnitte von dem auf künstlicher Intelligenz basierenden Mustererkennungsverfahren als Ausgangswert(e) erhaltenen charakteristischen Größen und Vergleichswerten hierzu wird dann das maschinelle Mustererkennungsverfahren, beispielsweise Gewichte eines künstlichen neuronalen Netzes, angepasst. Mit anderen Worten werden also für viele verschiedene Abschnitte von Stromverläufen, wie sie während eines Betriebs des Magnetventils auftreten, von denen die zugehörigen charakteristischen Größen bekannt sind (diese sind die erwähnten Vergleichswerte) dem Mustererkennungsverfahren zugeführt. Das Mustererkennungsverfahren gibt dann für jeden Abschnitt jeweils eine charakteristische Größe aus, die aber-jedenfalls bei Beginn des Trainierens - meist nicht oder selten der tatsächlichen charakteristischen Größe, dem Vergleichswert, entspricht. Daher werden das auf künstlicher Intelligenz basierenden Mustererkennungsverfahren angepasst, sodass bei nachfolgenden Berechnungen die ausgegebene charakteristische Größe besser bzw. genauer ist. Dieser Vorgang kann für viele verschiedene, bekannte Abschnitte von Stromverläufen wiederholt werden, bis das Mustererkennungsverfahren hinreichend genau trainiert ist, d.h. bis dessen Ausgangswerte die im Training bekannten und damit erwarteten Werte zufriedenstellend wiedergibt.
  • Dabei kommen verschiedenen Arten von Trainieren bzw. Lernen in Betracht. Beim überwachten Lernen („supervised learning“) wird dem auf künstlicher Intelligenz basierenden Mustererkennungsverfahren z.B. ein Eingangsmuster (hier die bekannten Abschnitte des Stromverlaufs) gegeben und die Ausgabe bzw. die Ausgangswerte, die das Mustererkennungsverfahren in seinem aktuellen Zustand produziert, mit dem Wert verglichen, den es eigentlich ausgeben soll. Durch Vergleich von Soll- und Istausgabe kann auf die vorzunehmenden Änderungen der Konfiguration geschlossen werden. Bei neuronalen Netzen mit einlagigen Perzeptrons kann die sog. Delta-Regel (auch Perzeptron-Lernregel) angewendet werden. Mehrlagige Perzeptrons werden in der Regel mit Backpropagation trainiert, was eine Verallgemeinerung der Delta-Regel darstellt.
  • Das unüberwachte Lernen („unsupervised learning“) erfolgt ausschließlich durch Eingabe der zu lernenden Muster. Das auf künstlicher Intelligenz basierende Mustererkennungsverfahrens verändert sich entsprechend den Eingabemustern von selbst. Zudem gibt es das sog. bestärkende Lernen („reinforced learning“); dieses kann dann zum Einsatz kommen, wenn nicht zu jedem Eingabedatensatz der passende Ausgabedatensatz (Vergleichswerte) zum Trainieren zur Verfügung steht.
  • Besonders bevorzugt werden mehrere Verläufe des Stroms (aus denen die Abschnitte gewählt werden; grundsätzlich können natürlich auch die vollständigen Stromverläufe verwendet werden) für verschiedene Werte von Parametern des Magnetventils ausgewählt. Als Parameter kommen z.B. Ansteuerspannungen für die Magnetspule, Federstärken von Federn, die gegen den Magnetanker drücken, Abmessungen (z.B. Durchmesser) der Durchflussöffnung, Temperaturen des Fluids und des Magnetventils, Laufzeiten und Verschleiß des Magnetventils, eine Anzahl von bereits erfolgten Öffnungs-/Schließzyklen und eine Funktionsfähigkeit des Magnetventils (z.B. ein Stromverlauf für ein ggf. absichtlich blockiertes Magnetventil) in Betracht. Indem Stromverläufe für verschiedene Werte von Parametern zum Trainieren verwendet werden, kann das auf künstlicher Intelligenz basierende Mustererkennungsverfahren später bei dessen Verwendung insbesondere auch die trainierten verschiedenen Situationen erkennen, also z.B. ob ein Stromverlauf bedeutet, dass das Magnetventil blockiert ist und deswegen nicht geöffnet hat. Ebenso kann z.B. für verschiedene Betriebsbedingungen und damit verschiedenen resultierenden Stromverläufen trotzdem immer der echte physikalische Zeitpunkt des Öffnens/Schließens gefunden werden oder eine Blockade des Ventils erkannt werden. Die mehreren Verläufe des Stromverlaufs können insbesondere für verschiedene Werte von Parametern des Magnetventils aus Eingangsvektoren ausgewählt werden, die über ein entferntes Rechen- und/oder Speichersystem, z.B.: eine sog. Cloud, bereitgestellt werden.
  • Eine erfindungsgemäße Recheneinheit, z.B. ein Steuergerät eines Kraftfahrzeugs bzw. einer Maschine oder auch ein PC (für das Trainieren), ist, insbesondere programmtechnisch, dazu eingerichtet, ein erfindungsgemäßes Verfahren durchzuführen.
  • Auch die Implementierung eines erfindungsgemäßen Verfahrens in Form eines Computerprogramms oder Computerprogrammprodukts mit Programmcode zur Durchführung aller Verfahrensschritte ist vorteilhaft, da dies besonders geringe Kosten verursacht, insbesondere wenn ein ausführendes Steuergerät noch für weitere Aufgaben genutzt wird und daher ohnehin, z.B. für die Ansteuerung des Ventils, vorhanden ist. Schließlich ist ein maschinenlesbares Speichermedium vorgesehen mit einem darauf gespeicherten Computerprogramm wie oben beschrieben. Geeignete Speichermedien bzw. Datenträger zur Bereitstellung des Computerprogramms sind insbesondere magnetische, optische und elektrische Speicher, wie z.B. Festplatten, Flash-Speicher, EEPROMs, DVDs u.a.m. Auch ein Download eines Programms über Computernetze (Internet, Intranet usw.) ist möglich. Ein solcher Download kann dabei drahtgebunden bzw. kabelgebunden oder drahtlos (z.B. über ein WLAN-Netz, eine 3G-, 4G-, 5G- oder 6G-Verbindung, etc.) erfolgen.
  • Des Weiteren ist eine Implementierung denkbar, bei der die Erfassung des Eingabevektors (Werte und Zeitstempel der Stromkurve) vor Ort im mobilen Steuergerät (Kraftfahrzeug, Maschine) durchgeführt wird und anschließend an ein neuronales Netz in der Cloud zur Ermittlung des Ausgabevektors übertragen wird (Upload). Das Steuergerät erhält in diesem Fall den Ausgabevektor des neuronalen Netzes als Antwort auf die Anfrage (Download). Ein solcher Up-/Download kann dabei drahtgebunden bzw. kabelgebunden oder drahtlos (z.B. über ein WLAN-Netz, eine 3G-, 4G-, 5G- oder 6G-Verbindung, etc.) erfolgen. Neuronale Netze zur Auswertung des Ausgabevektors in der Cloud sind besonders Vorteilhaft, weil hier einfacher überwachtes Lernen („supervised learning“) durch weitere Anpassung des neuronalen Netzes auch noch während des laufenden Betriebs durch einen Beobachter (Operator/Supervisor) fortgesetzt werden kann und durch die Vielzahl an Daten von verschiedenen unter realen Betriebsbedingungen betriebenen Exemplaren eine permanente Optimierung der Parameter ermöglicht wird.
  • Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung.
  • Die Erfindung ist anhand eines Ausführungsbeispiels in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung beschrieben.
  • Figurenliste
    • 1 zeigt schematisch ein Magnetventil, bei dem ein erfindungsgemäßes Verfahren durchführbar ist.
    • 2 zeigt einen schematischen Verlauf eines Stroms in der Magnetspule eines Magnetventils zur Erläuterung eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform.
    • 3 zeigt Verläufe eines Stroms in der Magnetspule eines funktionalen und eines blockierten Magnetventils in der Anzugsphase und zugehörige zeitliche Ableitungen zur Erläuterung eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform.
    • 4 zeigt einen Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform anhand einer Schaltung.
    • 5 zeigt einen Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform.
  • Ausführungsform(en) der Erfindung
  • In 1 ist schematisch ein Magnetventil 100 gezeigt, das beispielhaft in einem Kraftstoffinjektor 101 verwendet wird und bei dem ein erfindungsgemäßes Verfahren durchführbar ist. Das Magnetventil 100 weist einen Elektromagneten 110 mit einer Magnetspule 111 auf, die beispielsweise ringförmig ausgebildet sein kann. Bei Anlegen einer (Ansteuer-)Spannung U, beispielsweise durch eine als Steuergerät ausgebildete ausführende Recheneinheit 180, fließt in der Magnetspule 111 der Strom I.
  • Weiterhin ist ein Magnetanker 120 vorgesehen, der zudem als Ventilnadel dient, mit dem eine Durchflussöffnung 150 verschlossen bzw. freigegeben (geöffnet) werden kann. Weiterhin ist eine Feder 130 vorgesehen, die an dem Magnetanker 120 angreift und ohne Bestromung der Magnetspule 111 und somit ohne Magnetkraft den Anker 120 in bzw. gegen die Durchlassöffnung 150 drückt und diese verschließt. Die Feder 130 kann an ihrer dem Magnetanker abgewandten Seite an einer geeigneten Komponente des Magnetventils 100 in Anschlag sein.
  • Bei Bestromung der Magnetspule 111 wird eine Magnetkraft aufgebaut und der Magnetanker 120 wird gegen die Federkraft der Feder 130 angehoben und in Richtung der Magnetspule 111 bzw. des Elektromagneten 110 gezogen. Die Durchlassöffnung 150 wird dabei freigegeben. Bei entsprechender Bestromung der Magnetspule kann der Magnetanker 120 bis zum Anschlag 115 angehoben werden.
  • In 2 ist ein schematischer Signalverlauf V eines Stroms I über der Zeit t in der Magnetspule eines Magnetventils zur Erläuterung eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform dargestellt.
  • Zum Zeitpunkt t=0 beginnt die Ansteuerung durch Anlegen einer Ansteuerspannung an die Magnetspule, der Strom steigt an (Anzugsphase). Zum Zeit to ist ein Knick in dem Stromverlauf V zu erkennen; dabei handelt es sich um den Öffnungszeitpunkt des Magnetventils entsprechend der erwähnten „Begin of Injection Pulse“ Methode (BIP). Dieser Knick ergibt sich aufgrund der Bewegung des Magnetankers (bzw. der Ventilnadel), der durch die Magnetspule bei ausreichend hoher Magnetkraft angehoben wird.
  • Der Strom steigt dann weiter an, bis zu einem Maximum; ab dann wird üblicherweise von der Anzugsphase in eine Haltephase mit geringerem Strom gewechselt, bis nach Ablauf der Ansteuerzeitdauer ΔtA, die Bestromung beendet wird. Dies kann durch Wegnehmen der Spannung oder auch durch Anlegen einer Löschspannung erfolgen. Der Magnetanker fällt dann zurück und verschließt zum Zeitpunkt ts die Durchflussöffnung wieder. Dabei handelt es sich um den Schließzeitpunkt des Magnetventils entsprechend der erwähnten „End of Injection Pulse“-Methode (EIP). Die gesamte Öffnungszeit Δto ergibt sich dabei aus der Differenz von Schließ- und Öffnungszeitpunkt und kann z.B. für die Bestimmung der dabei eingespritzten Menge an Fluid verwendet werden.
  • In 3 sind verschiedene Verläufe eines Stroms I in der Magnetspule eines Magnetventils und zugehörige zweite zeitliche Ableitungen I'' über der Zeit t (also d2l/dt2) zur Erläuterung eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform dargestellt; insbesondere sind hierbei nur Abschnitte der Verläufe gezeigt, die den Öffnungszeitpunkt umfassen.
  • Der Verlauf V1 entspricht hierbei einem Stromverlauf, wie er bei einem ordnungsgemäß funktionierenden Magnetventil auftreten kann; insbesondere ist der Verlauf vergleichbar mit dem Verlauf V aus 2 bzw. dem entsprechenden Abschnitt davon. Aufgrund der hier verwendeten hohen Ansteuerspannung ist hierbei der Knick zum Öffnungszeitpunkt to weniger stark ausgeprägt als in der schematischen Darstellung aus 2.
  • Der Verlauf V''1 entspricht der zweiten zeitlichen Ableitung des Verlaufs V1 und gibt damit Krümmungsänderungen an. Hierbei ist zum Öffnungszeitpunkt tO deutlich ein Maximum zu erkennen. Die herkömmlichen Detektionsverfahren verwenden als Merkmal für den Öffnungszeitpunkt des Ventils z.B. ein ausgeprägtes Maximum, das hinter einem Minimum liegt. Der hier gezeigte Verlauf V''1 ist dabei jedoch gefiltert; andernfalls wäre das Maximum schwieriger zu bestimmen bzw. es könnte weniger genau bestimmt werden.
  • Der Verlauf V2 entspricht einem Stromverlauf, wie er bei einem blockierten bzw. nicht ordnungsgemäß funktionierenden Magnetventil auftreten kann; einen Knick für einen Öffnungszeitpunkt gibt es hier entsprechend nicht. Der Verlauf V''2 entspricht der zweiten zeitlichen Ableitung des Verlaufs V2 und gibt damit Krümmungsänderungen an. Hier ist kein entsprechend scharfes Maximum, das einem Minimum folgt, für einen Öffnungszeitpunkt zu ermitteln; allerdings könnten unter Umständen herkömmliche Auswerteverfahren den Verlauf vor dem zeitlich erwarteten Öffnungszeitpunkt als ein wenig ausgeprägtes Minimum-Maximum missinterpretieren und fälschlicherweise einen Öffnungszeitpunkt zurückmelden.
  • Wie erwähnt, werden im Rahmen der vorliegenden Erfindung allerdings insbesondere die Stromverläufe direkt, also ohne Ableitung verwendet, also z.B. der Verlauf V1 oder V2, um eine für das Öffnen und/oder Schließen der Durchflussöffnung des Magnetventils charakteristische Größe zu bestimmen.
  • In 4 ist ein Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform anhand einer Schaltung gezeigt. Der während der Bestromung der Magnetspule fließende Strom I wird erfasst, indem die über einen Messshunt 400 abfallende Messspannung u erfasst und z.B. mittels eines Verstärkers 410 verstärkt wird. Diese Messspannung bzw. deren Verlauf entspricht damit dem Stromverlauf in der Magnetspule, wie z.B. in 2 mit V oder in 3 mit V1 oder V2 bezeichnet, an. In der ausführenden Recheneinheit 180 kann die Messspannung dann z.B. über einen Analog-Digital-Konverter 420 in durch eine Software bearbeitbare Messwerte gewandelt werden. Diese Messwerte und ggf. Information über die Zeitpunkte der Messung werden dann als Eingangswerte 425 an die Rezeptoren eines (zuvor trainierten) künstlichen neuronalen Netzes als ein hier verwendetes Mustererkennungsverfahren 430 eingespeist.
  • Das künstliche neuronale Netz 430 gibt dann als Ausgangswert(e) 435 mindestens eine charakteristische Größe wie z.B. den Öffnungszeitpunkt to oder den Schließzeitpunkt ts oder beide an. Ebenso kann die charakteristische Größe einen Wert umfassen, der angibt, ob das Magnetventil geöffnet hat oder nicht (Ja/Nein); im Falle des Verlaufs V2 aus 3 hätte das Magnetventil nicht geöffnet, es könnte als Wert z.B. 0 (digital für „nicht geöffnet“) ausgegeben werden.
  • Die charakteristische Größe (bzw. mehrere davon) können dann z.B. einer Korrektur-, Ersatz-, Notfall- und/oder Diagnosefunktion 440 übergeben werden, mittels welcher z.B. Ansteuerzeiten oder Ansteuerspannungen für die Magnetspule im nächsten Ansteuerzyklus oder einer Zusatzinjektion korrigiert werden. Diese können dann in einer Ansteuersoftware 450 umgesetzt werden, um die Magnetspule ansteuern, z.B. durch Anlegen einer bestimmten Ansteuerspannung; dies ist beispielhaft durch einen Schalter 460 veranschaulicht.
  • In 5 ist schematisch ein Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform dargestellt, und zwar zum Trainieren des Mustererkennungsverfahrens, z.B. künstlichen neuronalen Netzes 430. Hierzu werden mehrere, verschiedene Stromverläufe als Eingangswerte 525 dem neuronalen Netz 430 zugeführt, das jeweils einen oder mehrere Ausgangswerte 535 erzeugt. Durch einen Abgleich mit Vergleichswerten 540 können dann z.B. das neuronale Netz bzw. dessen Gewichte, in einem Schritt 545, angepasst werden.
  • Wie schon erwähnt, ist es zweckmäßig, wenn mehrere Verläufe des Stromverlaufs für verschiedene Werte von Parametern des Magnetventils ausgewählt werden; beispielhaft sind drei Parameter P1, P2 und P3 gezeigt, die z.B. für Ansteuerspannungen für die Magnetspule, Federstärken von Federn, die gegen den Magnetanker drücken, und Abmessungen der Durchflussöffnung stehen können. Im Falle eines Neuronalen Netzes in der Cloud können die verwendeten Eingangsvektoren als die Parameter P1, P2, P3 bzw. andere Parameter für das permanente Training desselben eingesetzt werden.
  • Das auf diese Weise trainierte bzw. eingelernte, Mustererkennungsverfahren kann dann wie in Bezug auf 4 erläutert eingesetzt werden, um z.B. Öffnungs- und Schließzeitpunkte eines Magnetventils zu bestimmen.

Claims (13)

  1. Verfahren zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung eines Magnetventils (100) charakteristischen Größe, bei welchem Magnetventil (100) eine Magnetspule (111) bestromt wird, um einen Magnetanker (120) zum Öffnen der Durchflussöffnung (150) für ein Fluid anzuheben, wobei während eines Betriebs des Magnetventils (100) ein Verlauf (V, V1, V2) eines Stroms (I) in der Magnetspule (111) bestimmt wird, und wobei unter Verwendung eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens (430) anhand zumindest eines Abschnitts des Verlaufs oder eines davon abgeleiteten Verlaufs die charakteristische Größe bestimmt wird.
  2. Verfahren nach Anspruch 1, wobei die charakteristische Größe ausgewählt ist aus: einem Öffnungszeitpunkt (to) der Durchflussöffnung, einem Schließzeitpunkt (ts) der Durchflussöffnung, einem Wert, der angibt, ob die Durchflussöffnung geöffnet oder geschlossen worden ist oder nicht, und einem Wert, der angibt, mit welcher Wahrscheinlichkeit die Durchflussöffnung geöffnet oder geschlossen worden ist.
  3. Verfahren nach Anspruch 1 oder 2, wobei basierend auf der bestimmten charakteristischen Größe ein Betrieb des Magnetventils (100) vorgenommen und/oder angepasst und/oder eine Diagnose vorgenommen werden.
  4. Verfahren nach einem der vorstehenden Ansprüche, wobei das Magnetventil (100) zum Einbringen von Kraftstoff in Zylinder einer Brennkraftmaschine oder Reduktionsmittel oder Reduktionsmittellösung in einen Abgasstrang einer Brennkraftmaschine verwendet wird.
  5. Verfahren nach einem der vorstehenden Ansprüche, wobei das Magnetventil (100) zum Dosieren oder Zumessen des Fluids, insbesondere einer Flüssigkeit oder eines Gases, in ein Volumen verwendet wird.
  6. Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens (430), das zum Bestimmen einer für ein Öffnen und/oder Schließen einer Durchflussöffnung (150) eines Magnetventils (100) charakteristischen Größe verwendet wird, bei welchem Magnetventil (100) eine Magnetspule (111) bestromt wird, um einen Magnetanker (120) zum Öffnen der Durchflussöffnung (150) für ein Fluid anzuheben, wobei dem auf künstlicher Intelligenz basierenden Mustererkennungsverfahren (430) für mehrere Verläufe eines während eines Betriebs des Magnetventils auftretenden Stromverlaufs (V, V1, V2) in der Magnetspule (111) oder eines davon abgeleiteten Verlaufs jeweils zumindest ein Abschnitt als Eingangswert (525) zugeführt wird, und wobei anhand von für die Abschnitte von dem auf künstlicher Intelligenz basierenden Mustererkennungsverfahren (430) als Ausgangswert (535) erhaltenen charakteristische Größen und Vergleichswerten (540) hierzu das auf künstlicher Intelligenz basierenden Mustererkennungsverfahren (430) angepasst werden.
  7. Verfahren nach Anspruch 6, wobei die mehreren Verläufe des Stromverlaufs für verschiedene Werte von Parametern (P1, P2, P3) des Magnetventils ausgewählt werden.
  8. Verfahren nach Anspruch 6 oder 7 wobei die mehreren Verläufe des Stromverlaufs für verschiedene Werte von Parametern (P1, P2, P3) des Magnetventils aus Eingangsvektoren ausgewählt werden, die über ein entferntes Rechen- und/oder Speichersystem bereitgestellt werden.
  9. Verfahren nach Anspruch 7 oder 8, wobei die verschiedenen Parameter ausgewählt sind aus: Betriebstemperaturen des Fluids und des Magnetventils, Laufzeiten und Verschleiß des Magnetventils, eine Anzahl von bereits erfolgten Öffnungs-/Schließzyklen, Ansteuerspannungen (U) für die Magnetspule, Federstärken von Federn (130), die gegen den Magnetanker (120) drücken, Abmessungen der Durchflussöffnung (150), und einer Funktionsfähigkeit des Magnetventils (100).
  10. Verfahren nach einem der vorstehenden Ansprüche, wobei das auf künstlicher Intelligenz basierende Mustererkennungsverfahren (430) ein künstliches neuronales Netz oder eine „Support Vector Machine“ einsetzt.
  11. Recheneinheit (180), die dazu eingerichtet ist, alle Verfahrensschritte eines Verfahrens nach einem der vorstehenden Ansprüche durchzuführen.
  12. Computerprogramm, das eine Recheneinheit (180) dazu veranlasst, alle Verfahrensschritte eines Verfahrens nach einem der Ansprüche 1 bis 10 durchzuführen, wenn es auf der Recheneinheit (180) ausgeführt wird.
  13. Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 12.
DE102021210321.9A 2021-09-17 2021-09-17 Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens Pending DE102021210321A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102021210321.9A DE102021210321A1 (de) 2021-09-17 2021-09-17 Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens
US17/942,959 US20230100963A1 (en) 2021-09-17 2022-09-12 Method for determining a characteristic variable of a solenoid valve and method for training a pattern recognition method based on artificial intelligence
CN202211138382.5A CN115823324A (zh) 2021-09-17 2022-09-19 用于确定电磁阀特征变量的方法和用于训练基于人工智能的模式识别方法的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021210321.9A DE102021210321A1 (de) 2021-09-17 2021-09-17 Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens

Publications (1)

Publication Number Publication Date
DE102021210321A1 true DE102021210321A1 (de) 2023-03-23

Family

ID=85383671

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021210321.9A Pending DE102021210321A1 (de) 2021-09-17 2021-09-17 Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens

Country Status (3)

Country Link
US (1) US20230100963A1 (de)
CN (1) CN115823324A (de)
DE (1) DE102021210321A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020211418A1 (de) * 2020-09-11 2022-03-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083481A1 (de) 2011-06-16 2012-12-20 Robert Bosch Gmbh Verfahren zum Prüfen der Funktionsfähigkeit eines Magnetventils
DE102017200202A1 (de) 2017-01-09 2018-07-12 Robert Bosch Gmbh Verfahren zur Überprüfung eines Magnetventils eines Kraftstoffinjektors
DE102017219571A1 (de) 2017-11-03 2019-05-09 Robert Bosch Gmbh Verfahren zur Überprüfung eines Magnetaktors
DE102018203215A1 (de) 2018-03-05 2019-09-05 Continental Teves Ag & Co. Ohg Verfahren zum Betreiben eines Magnetventils
DE102019131406A1 (de) 2019-11-21 2021-05-27 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung des Zustands eines Magnet-Schaltelements
DE102020208056B3 (de) 2020-06-29 2021-06-10 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen und Verwenden einer kraftstoffinjektorindividuellen Kenngröße eines Kraftstoffinjektors
DE102010041320B4 (de) 2010-09-24 2021-06-24 Vitesco Technologies GmbH Bestimmung des Schließzeitpunkts eines Steuerventils eines indirekt angetriebenen Kraftstoffinjektors

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010041320B4 (de) 2010-09-24 2021-06-24 Vitesco Technologies GmbH Bestimmung des Schließzeitpunkts eines Steuerventils eines indirekt angetriebenen Kraftstoffinjektors
DE102011083481A1 (de) 2011-06-16 2012-12-20 Robert Bosch Gmbh Verfahren zum Prüfen der Funktionsfähigkeit eines Magnetventils
DE102017200202A1 (de) 2017-01-09 2018-07-12 Robert Bosch Gmbh Verfahren zur Überprüfung eines Magnetventils eines Kraftstoffinjektors
DE102017219571A1 (de) 2017-11-03 2019-05-09 Robert Bosch Gmbh Verfahren zur Überprüfung eines Magnetaktors
DE102018203215A1 (de) 2018-03-05 2019-09-05 Continental Teves Ag & Co. Ohg Verfahren zum Betreiben eines Magnetventils
DE102019131406A1 (de) 2019-11-21 2021-05-27 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung des Zustands eines Magnet-Schaltelements
DE102020208056B3 (de) 2020-06-29 2021-06-10 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen und Verwenden einer kraftstoffinjektorindividuellen Kenngröße eines Kraftstoffinjektors

Also Published As

Publication number Publication date
CN115823324A (zh) 2023-03-21
US20230100963A1 (en) 2023-03-30

Similar Documents

Publication Publication Date Title
EP2422066B1 (de) Verfahren zum betreiben eines einspritzventils
DE102019209690A1 (de) Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine
DE102011005672B4 (de) Verfahren, Vorrichtung und Computerprogramm zur elektrischen Ansteuerung eines Aktuators zur Bestimmung des Zeitpunkts eines Ankeranschlags
WO2011003704A1 (de) BESTIMMUNG DES SCHLIEßZEITPUNKTS EINES KRAFTSTOFFEINSPRITZVENTILS BASIEREND AUF EINER AUSWERTUNG DER ANSTEUERSPANNUNG
DE102009000132A1 (de) Verfahren zum Betreiben eines Kraftstoffeinspritzsystems
DE102015208573B3 (de) Druckbestimmung in einem Kraftstoff-Einspritzventil
DE102013222603A1 (de) Verfahren zum Erkennen eines Fehlers im Öffnungsverhalten eines Injektors
DE102015206729A1 (de) Steuern eines Kraftstoffeinspritz-Magnetventils
WO2012038543A1 (de) Bestimmung des schliesszeitpunkts eines steuerventils eines indirekt angetriebenen kraftstoffinjektors
DE102011083481A1 (de) Verfahren zum Prüfen der Funktionsfähigkeit eines Magnetventils
DE102004020937B4 (de) Verfahren zum Bestimmen einer Schließzeit eines Schließgliedes und Schaltungsanordnung
DE102021210321A1 (de) Verfahren zum Bestimmen einer charakteristischen Größe eines Magnetventils und Verfahren zum Trainieren eines auf künstlicher Intelligenz basierenden Mustererkennungsverfahrens
WO2018065199A1 (de) Verfahren und vorrichtung zur überwachung eines drucksensors in einem hydraulischen system eines kraftfahrzeugs
EP2501917B1 (de) Verfahren und vorrichtung zur ansteuerung eines mengensteuerventils
DE102013211469A1 (de) Verfahren zum Betreiben von mindestens einem Einspritzventil
DE102013209077A1 (de) Verfahren und Vorrichtung zum Bestimmen der elektrischen Ansteuerdauer eines Kraftstoffinjektors für eine Brennkraftmaschine
DE102018207417A1 (de) Bestimmung einer Kenngröße eines magnetischen Schaltventils
DE19860197A1 (de) Verfahren zur Erkennung von Zündaussetzern an einer Kolbenbrennkraftmaschine
DE102015212371B4 (de) Verfahren zur Überwachung des Arbeitsbetriebs eines Piezoinjektors
DE102012209967A1 (de) Verfahren zum Betreiben eines Magnetventils
DE102017219571A1 (de) Verfahren zur Überprüfung eines Magnetaktors
DE102021200876A1 (de) Verfahren zum Betreiben eines Magnetventils
DE102020213169B3 (de) Verfahren und Vorrichtung zur Bewegungsdiagnose eines Ankers eines Magnetventils
DE102017209692A1 (de) Verfahren zum Ermitteln einer Einspritzbeginnverzugsdauer bei einem Kraftstoffinjektor
DE102019200571A1 (de) Verfahren zur Überwachung eines Kraftstoffversorgungssystems

Legal Events

Date Code Title Description
R163 Identified publications notified