DE19902923A1 - Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine - Google Patents

Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine

Info

Publication number
DE19902923A1
DE19902923A1 DE1999102923 DE19902923A DE19902923A1 DE 19902923 A1 DE19902923 A1 DE 19902923A1 DE 1999102923 DE1999102923 DE 1999102923 DE 19902923 A DE19902923 A DE 19902923A DE 19902923 A1 DE19902923 A1 DE 19902923A1
Authority
DE
Germany
Prior art keywords
internal combustion
combustion engine
cooling system
neural network
value
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.)
Granted
Application number
DE1999102923
Other languages
English (en)
Other versions
DE19902923B4 (de
Inventor
Juergen Pilsl
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.)
Mercedes Benz Group AG
Original Assignee
DaimlerChrysler AG
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 DaimlerChrysler AG filed Critical DaimlerChrysler AG
Priority to DE1999102923 priority Critical patent/DE19902923B4/de
Publication of DE19902923A1 publication Critical patent/DE19902923A1/de
Application granted granted Critical
Publication of DE19902923B4 publication Critical patent/DE19902923B4/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
    • F01P11/00—Component parts, details, or accessories not provided for in, or of interest apart from, groups F01P1/00 - F01P9/00
    • F01P11/14—Indicating devices; Other safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
    • F01P2023/00—Signal processing; Details thereof
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
    • F01P2023/00—Signal processing; Details thereof
    • F01P2023/08—Microprocessor; Microcomputer
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
    • F01P2025/00—Measuring
    • F01P2025/08—Temperature
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine, wobei unter Verwendung von den Betriebszustand der Brennkraftmaschine repräsentierenden Größen zu wenigstens einer die Temperaturbedingungen an wenigstens einem Wärmetauscher des Kühlsystems repräsentierenden Größe ein Erwartungswert abgeleitet wird, wobei der wenigstens eine Erwartungswert mit einem zugehörigen Wert der gemessenen Temperatur verglichen wird, wobei aus einer Abweichung des Erwartungswertes von dem zugehörigen Wert der gemessenen Temperatur auf eine Funktionsstörung geschlossen wird, wobei der Erwartungswert unter Verwendung eines neuronalen Netzes gewonnen wird, das anhand einer typgleichen Brennkraftmaschine mit ordnungsgemäßem Kühlsystem trainiert wurde. Ebenso ist es möglich, die wenigstens eine Temperaturbedingung ebenfalls als Eingangsgröße dem entsprechend trainierten neuronalen Netz zuzuführen, um den Grad der Schädigung oder die Art der Schädigung eines Kühlsystems ableiten zu können.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine, wobei unter Verwendung von den Betriebszustand der Brennkraftmaschine repräsentierenden Größen zu wenigstens einer die Temperaturbedingungen an wenigstens einem Wärmetauscher des Kühlsystems repräsentierenden Größe ein Erwartungswert abgeleitet wird, wobei der wenigstens eine Erwartungswert mit einem zugehörigen Wert der gemessenen Temperatur verglichen wird, wobei aus einer Abweichung des Erwartungswertes von dem zugehörigen Wert der gemessenen Temperatur auf eine Funktionsstörung geschlossen wird.
Ein solches Verfahren ist bekannt aus der DE 44 26 494 A1, bei der beispielsweise die Öltemperatur, die Außentemperatur, ein Lastsignal, die Motordrehzahl, die Fahrzeuggeschwindigkeit ausgewertet werden, um einen Temperaturwert der Kühlflüssigkeit als Erwartungswert zu ermitteln, der sich einstellen sollte. Dabei ist es als vorteilhaft beschrieben, wenn die Funktionsprüfung unter definierten Bedingungen durchgeführt wird. Diese Bedingungen können insbesondere darin bestehen, daß das Fahrzeug mit laufender Brennkraftmaschine für eine gewisse Zeit steht, wie dies beispielsweise im Stadtverkehr bei einem Ampelstop der Fall ist. Die Ermittlung des Temperaturwerts der Kühlflüssigkeit, der sich einstellen sollte, wird dadurch offensichtlich wesentlich vereinfacht, weil die Modellbildung entfällt, mit der die Zusammenhänge zwischen unterschiedlichen Lastzuständen und unterschiedlichen Bedingungen der Kühlung, beispielsweise im Hinblick auf die Förderleistung der Kühlflüssigkeit durch den Wärmetauscher und die dabei abgegebene Wärmeleistung wesentlich vereinfacht werden. Dieser Temperaturwert, der sich einstellen sollte, wird dann mit einem gemessenen Wert der Temperatur der Kühlflüssigkeit verglichen, wobei aus einer Abweichung von dem gemessenen Wert von dem Sollwert auf eine Funktionsstörung geschlossen wird.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, die Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine zu verbessern.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren nach Anspruch 1 gelöst, wonach der Erwartungswert als Ausgangsgröße eines neuronalen Netzes abgeleitet wird, das bezüglich der verwendeten, den Betriebszustand der Brennkraftmaschine repräsentierenden Größen als Eingangsgrößen trainiert wurde anhand einer typgleichen Brennkraftmaschine mit einem ordnungsgemäß funktionierenden Kühlsystem, wobei in der Trainingsphase weiterhin der zu dem Erwartungswert gehörige Wert der gemessenen Temperatur der Brennkraftmaschine mit einem ordnungsgemäß funktionierenden Kühlsystem verwendet wird, wobei im laufenden Betrieb der Brennkraftmaschine der wenigstens eine Erwartungswert unter Verwendung des trainierten neuronalen Netzes abgeleitet wird, dem als Eingangsgrößen laufend die Größen zugeführt werden, die den Betriebszustand der Brennkraftmaschine repräsentieren.
Durch die Verwendung des neuronalen Netzes ist es nicht mehr notwendig, ein physikalisches Modell der thermischen Vorgänge zu erstellen und den Erwartungswert der Temperatur nach diesem Modell zu bestimmen. Insbesondere ist es nicht mehr notwendig, die vergleichsweise komplexen Vorgänge der Übergänge und des Transportes der thermischen Energie im einzelnen zu untersuchen. Mit dem erfindungsgemäßen Verfahren muß nur noch ein geeigneter Satz von Eingangsgrößen bestimmt werden, mit dem dann das neuronale Netz unter verschiedenen Betriebszuständen bei einer typgleichen Brennkraftmaschine mit ordnungsgemäß funktionierendem Kühlsystem trainiert wird.
Insbesondere ist es nicht mehr notwendig, den Einsatz des Verfahrens auf definierte Betriebsbedingungen zu beschränken, zu denen dann noch eine physikalische Modellbildung notwendig ist. Wenn das neuronale Netz mit einem entsprechend umfangreichen Satz von Trainingsdaten trainiert wurde, kann das Verfahren durchgehend eingesetzt werden. Insbesondere wird es möglich, eine eventuelle Funktionsstörung im Kühlsystem im laufenden Betrieb der Brennkraftmaschine so schnell zu erkennen, daß erforderliche Maßnahmen wie eine Unterbrechung des Betriebes der Brennkraftmaschine so frühzeitig eingeleitet werden können, daß Folgeschäden an der Brennkraftmaschine infolge der Funktionsstörung im Kühlsystem weitgehend vermieden werden können.
Wenn eine Abweichung zwischen dem Erwartungswert der Temperatur und dem gemessenen Temperaturwert festgestellt wird, kann eine Funktionsstörung erkannt werden.
Bei dem Verfahren nach Anspruch 2 wird eine Größe als Ausgangsgröße eines neuronalen Netzes abgeleitet, die der Funktionsfähigkeit des Kühlsystems entspricht, wobei dem neuronalen Netz als Eingangsgrößen die verwendeten, den Betriebszustand der Brennkraftmaschine repräsentierenden Größen sowie der wenigstens eine Temperaturwert zugeführt werden, wobei das neuronale Netz trainiert wurde anhand einer typgleichen Brennkraftmaschine mit verschiedenen Funktionszuständen des Kühlsystems und der jeweils zugehörenden Größe bei verschiedenen Betriebszuständen mit den zugehörenden Eingangsgrößen, wobei im laufenden Betrieb der Brennkraftmaschine die Größe als Ausgangsgröße des neuronalen Netzes zu den Eingangsgrößen abgeleitet wird.
Im Unterschied zu dem Verfahren nach Anspruch 1 gehört bei dem Verfahren nach Anspruch 2 der gemessene Wert der Temperatur mit zu den Eingangsgrößen des neuronalen Netzes. Bei dem Verfahren nach Anspruch 2 kann aus der Ausgangsgröße auf die Art einer eventuellen Funktionsstörung zurückgeschlossen werden. Das neuronale Netz kann in der Trainingsphase mit Datensätzen versehen werden, die verschiedenen Funktionsstörungen des Kühlsystems zugeordnet sind. Indem die entsprechenden Zusammenhänge der Eingangsgrößen im laufenden Betrieb wiedererkannt werden, werden auch die entsprechenden Werte der Ausgangsgröße reproduzierbar, so daß über die Ausgangsgröße die Erkennung der Art einer eventuellen Funktionsstörung möglich wird.
Insgesamt verlängert sich bei dem Verfahren nach Anspruch 2 zwar die Trainingsphase, weil in der Trainingsphase die verschiedenen Funktionsstörungen entsprechenden Datensätze durch das neuronale Netz ausgewertet werden müssen, es wird aber möglich, im laufenden Betrieb der Brennkraftmaschine nicht nur zu erkennen, daß eine Funktionsstörung vorliegt, sondern auch zu erkennen, worin die Funktionsstörung besteht. Es kann beispielsweise die Funktionsstörung, daß der Thermostat nicht ordnungsgemäß arbeitet von der Funktionsstörung unterschieden werden, daß die Kühlmittelpumpe einen Defekt aufweist.
Bei dem Verfahren nach Anspruch 3 gehört zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen die Last der Brennkraftmaschine.
Die Last der Brennkraftmaschine gibt - in Verbindung mit dem Wirkungsgrad der Brennkraftmaschine - im wesentlichen wieder, welche Wärmeleistung beim Betrieb der Brennkraftmaschine erzeugt wird und daher abgeführt werden muß.
Bei dem Verfahren nach Anspruch 4 gehört zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen die Außenlufttemperatur.
Durch die Berücksichtigung der Außenlufttemperatur wird der Temperaturgradient berücksichtigt zwischen der Temperatur des Kühlmittels im Wärmetauscher und der Temperatur des Mediums, zu dem hin die Wärmeenergie abgeführt werden soll. Dadurch wird also vorteilhaft berücksichtigt, inwieweit Wärmeenergie über den Wärmetauscher abführbar ist.
Bei dem Verfahren nach Anspruch 5 gehört zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen eine Größe, die die Geschwindigkeit repräsentiert, mit der die Außenluft den Wärmetauscher des Kühlsystems umströmt.
Zusammen mit der Temperatur der Außenluft wird dadurch die abführbare Wärmeenergie berücksichtigt. Die Geschwindigkeit kann beispielsweise daraus resultieren, daß die Brennkraftmaschine in ein Fahrzeug eingebaut ist, wobei infolge des sogenannten Fahrtwindes der Wärmetauscher umströmt wird. Weiterhin ist es bekannt, daß dem Wärmetauscher ein Ventilator zugeordnet ist, mit dem Luft förderbar ist, die den Wärmetauscher umströmt, wobei dann die Geschwindigkeit aus einer Drehung des Ventilators resultiert. Es kann beispielsweise auch eine Geschwindigkeit der den Wärmetauscher umströmenden Außenluft aus den beiden genannten Gründen vorliegen.
Der Temperaturwert kann beispielsweise die Temperatur der Kühlflüssigkeit am Ausgang des Wärmetauschers sein. Ebenso kann der Temperaturwert gebildet werden als Temperaturdifferenz der in den Wärmetauscher einströmenden Kühlflüssigkeit und der aus dem Wärmetauscher ausströmenden Kühlflüssigkeit, was ein besonders signifikantes Signal darstellt.
Ein Ausführungsbeispiel der Erfindung ist in der Zeichnung näher dargestellt. Es zeigt dabei im einzelnen:
Fig. 1 eine Darstellung einer.Vorgehensweise zum Verarbeiten von Lerndaten durch das neuronale Netz,
Fig. 2 eine Prinzipdarstellung eines neuronalen Netzes zur Erkennung, ob eine Funktionsstörung eines Kühlsystems vorliegt,
Fig. 3 eine zugehörige Netzstruktur,
Fig. 4 eine Prinzipdarstellung eines neuronalen Netzes zur Erkennung und näheren Eingrenzung, ob und welche Funktionsstörung im Kühlsystem vorliegt und
Fig. 5 eine zugehörige Netzstruktur.
Fig. 1 zeigt die Darstellung eines Blockschaltbildes, in dem das neuronale Netz zuerst in einem Schritt 101 mit Trainingsdaten trainiert wird.
In dem Schritt 102 wird eine Überprüfung mit Daten vorgenommen, um die Fehlergrenze des neuronalen Netzes zu überprüfen. Dieser Recall des Netzes wird vorzugsweise mit unbekannten Trainingsdaten durchgeführt. Dadurch kann vorteilhaft festgestellt werden, ob die Fehlergrenze erreicht ist. Der Fehler kann beispielsweise so definiert werden, daß die gemessene Ausgangsgröße mit der aufgrund des neuronalen Netzes verglichen wird, indem die Differenz dieser beiden Werte gebildet wird. Es kann beispielsweise eine Bewertung des Fehlers anhand der Summe der Fehlerquadrate vorgenommen werden.
In dem Schritt 103 wird das neuronale Netz verwendet, um aus aktuell gemessenen Eingangsgrößen die Ausgangsgrößen abzuleiten.
Es hat sich dabei als vorteilhaft erwiesen, ein neuronales Netz vom feedforward-Typ zu verwenden. Bei diesem Netztyp wird der Aufwand der Verarbeitung der Daten in Grenzen gehalten; wobei dennoch eine gute Genauigkeit der Ausgangsergebnisse erreichbar ist.
Für das Training des neuronalen Netzes hat sich ein Backpropagation-Lernverfahren als zweckmäßig erwiesen, weil durch dieses überwachte Lernen der Fehler mit vertretbarem Verarbeitungsaufwand minimiert werden kann. Soweit die Art einer eventuellen Funktionsstörung aus dem Ausgang des neuronalen Netzes ableitbar sein soll, wie dies beispielsweise im Zusammenhang mit Anspruch 2 dargestellt wurde, hat sich ein LVQ-Netz (Learning-Vektor-Quantization) als geeigneter Netztyp erwiesen.
Für die Bewertung der Fehler eignet sich beispielsweise ein Gradienten-Verfahren mit einem Momentum-Term und adaptiver Lernregel oder die Levenberg-Marquardt-Optimierung. Beim Lernen mit Momentum sind mehr Lernzyklen notwendig, um eine bestimmte Fehlergrenze zu unterschreiten. Das gefundene Minimum ist oftmals nicht so gut wie das, das mit der Levenberg-Marquardt-Optimierung erreicht werden kann. Ein Teil des Zeitgewinns der Levenberg-Marquardt-Optimierung geht allerdings wieder verloren, weil pro Lernzyklus mehr Rechenzeit benötigt wird. Der Hauptnachteil der Levenberg-Marquardt-Optimierung besteht in dem deutlich größeren Speicherbedarf aufgrund der zunehmenden Zahl der zu speichernden Matrix-Elemente, abhängig von der Zahl der Eingabeneuronen, der Zahl der verdeckten Neuronen, der Ausgabeneuronen und der Trainingsmuster.
Für diese Eingangsgrößen haben sich neuronale Netze der Topologie mit einer verdeckten Schicht und etwa 3 bis 10 Neuronen in der verdeckten Schicht als geeignet erwiesen.
Fig. 2 zeigt eine Prinzipdarstellung eines neuronalen Netzes, mit dem eine Funktionsstörung in einem Kühlsystem erkannt werden kann.
In dem Schritt 201 wird das neuronale Netz mit Trainingsdaten trainiert unter Verwendung einer Brennkraftmaschine eines bestimmten Typs mit einem ordnungsgemäß funktionierenden Kühlsystem. In der Trainingsphase wird die Ausgangsgröße, die im laufenden Betrieb der Brennkraftmaschine (Recall-Phase des neuronalen Netzes) von dem neuronalen Netz generiert werden soll, ebenfalls gemessen und mit den zugehörigen übrigen Eingangsdaten des neuronalen Netzes dem neuronalen Netz zur Verfügung gestellt.
In dem Schritt 202 ist die Recall-Phase des neuronalen Netzes dargestellt, bei der im laufenden Betrieb der Brennkraftmaschine anhand der dem neuronalen Netz zur Verfügung gestellten Eingangsdaten der Wert der Ausgangsgröße durch das neuronale Netz ermittelt wird für eine Brennkraftmaschine mit einem ordnungsgemäß funktionierenden Kühlsystem, so daß also ein Erwartungswert der Ausgangsgröße für ein ordnungsgemäß funktionierendes Kühlsystem zur Verfügung steht.
In dem Schritt 203 ist gezeigt, daß die entsprechende Ausgangsgröße im laufenden Betrieb der Brennkraftmaschine gemessen wird. Es kann sich dabei um dieselbe Brennkraftmaschine handeln. Ebenso ist es möglich, das neuronale Netz einmal mit einer typgleichen Brennkraftmaschine zu trainieren und dann für alle Brennkraftmaschinen desselben Typs das entsprechend trainierte neuronale Netz zu verwenden.
In dem Schritt 204 ist gezeigt, daß der in dem Schritt 202 ermittelte Erwartungswert mit dem in dem Schritt 203 gewonnen Istwert verglichen wird.
In dem Schritt 205 kann aufgrund einer gegebenenfalls in dem Schritt 204 festgestellten Abweichung geschlossen werden, daß eine Funktionsstörung des Kühlsystems der Brennkraftmaschine vorliegt.
Fig. 3 zeigt eine Darstellung einer zugehörigen Struktur eines neuronalen Netzes, bei dem zu den beiden Eingangsgrößen der Fahrzeuggeschwindigkeit VFzg (301) und eines Lastsignals L (302) eine Schicht (303) von verdeckten Neuronen enthalten ist, die drei Neuronen aufweist. Als Ausgangsgröße (304) wird die Temperaturdifferenz TD zwischen der Kühlflüssigkeit am Ausgangs des Wärmetauschers zu der Kühlflüssigkeit am Eingang des Wärmetauschers durch das neuronale Netz bei einem Kühlsystem ohne Funktionsstörungen wiedergegeben.
Fig. 4 zeigt eine Prinzipdarstellung eines neuronalen zur näheren Eingrenzung, ob und welche Funktionsstörung eines Kühlsystems einer Brennkraftmaschine vorliegt.
In dem Schritt 401 wird das neuronale Netz mit Trainingsdaten trainiert unter Verwendung einer Brennkraftmaschine eines bestimmten Typs. Das Training des neuronalen Netzes erfolgt dabei sowohl mit Datensätzen, die einem ordnungsgemäß funktionierenden Kühlsystem entsprechen wie auch mit Datensätzen, die einem Kühlsystem mit einer Funktionsstörung entsprechen. In der Trainingsphase können also verschiedene Funktionsstörungen sowie verschiedene Grade von Funktionsstörungen in entsprechenden Datensätzen in der Trainingsphase berücksichtigt werden. Der wenigstens eine Temperaturwert, der in dem gezeigten Ausführungsbeispiel wiederum der Temperaturdifferenz der Kühlflüssigkeit am Ausgang sowie am Eingang des Wärmetauschers entspricht, wird bei dieser Vorgehensweise ebenfalls in der Recall-Phase dem neuronalen Netz als Eingangsgröße zur Verfügung gestellt. Als Ausgangsgröße kann beispielsweise ein Wert bestimmt werden, der einem bestimmten Schädigungsgrad des Kühlsystems entspricht. Wenn der Wert zwischen 0 und 1 liegen kann, kann beispielsweise ein Wert zwischen 0,75 und 1 einem ordnungsgemäß funktionierenden Kühlsystem entsprechen, ein Wert zwischen 0,5 und 0,75 einem schwach geschädigten Kühlsystem, ein Wert zwischen 0,25 und 0,5 einem mittelstark geschädigten Kühlsystem und ein Wert zwischen 0,0 und 0,25 einem stark geschädigten Kühlsystem. Entsprechend dem Wert kann dann lediglich ein Warnsignal ausgegeben werden, das beispielsweise für den Fahrzeugführer unmittelbar wahrnehmbar sein kann oder einen entsprechenden Fehlereintrag in einem Speicher darstellt, der bei der nächsten zyklischen Kontrolle des Fahrzeuges ausgelesen werden kann oder es kann - bei einer entsprechend starken Schädigung - auch eine Stillegung der Brennkraftmaschine erfolgen, um Folgeschäden zu vermeiden.
In der Trainingsphase wird die Ausgangsgröße, die im laufenden Betrieb der Brennkraftmaschine (Recall-Phase des neuronalen Netzes) von dem neuronalen Netz generiert werden soll, entsprechend der Schädigung des Kühlsystems vorgegeben, die zu dem entsprechenden Satz von Eingangsdaten gehört, und mit den zugehörigen übrigen Eingangsdaten des neuronalen Netzes dem neuronalen Netz zur Verfügung gestellt.
In dem Schritt 402 ist die Recall-Phase des neuronalen Netzes dargestellt, bei der im laufenden Betrieb der Brennkraftmaschine anhand der dem neuronalen Netz zur Verfügung gestellten Eingangsdaten der Wert der Ausgangsgröße durch das neuronale Netz ermittelt wird.
In dem Schritt 403 ist gezeigt, daß die entsprechende Ausgangsgröße ausgewertet wird, um das Ausmaß einer eventuellen Schädigung des Kühlsystems auszuwerten.
Gegebenenfalls ist es auch möglich, die Ausgangsgröße bereits in der Trainingsphase so vorzugeben, daß das neuronale Netz so trainiert wurde, daß die Art einer Funktionsstörung erkennbar wird.
Fig. 5 zeigt eine Darstellung einer zugehörigen Struktur eines neuronalen Netzes, bei dem zu den Eingangsgrößen der Fahrzeuggeschwindigkeit vFzg (501) und eines Lastsignals L (502) dem neuronalen Netz weiterhin die Temperaturdifferenz TD (503) zugeführt wird. Das neuronale Netz weist in dem gezeigten Ausführungsbeispiel eine Schicht (504) von verdeckten Neuronen auf, die vier Neuronen aufweist. Als Ausgangsgröße (505) wird ein Wert ermittelt, der den Grad der Schädigung des Kühlsystems und/oder die Art der Funktionsstörung wiedergibt.

Claims (5)

1. Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine, wobei unter Verwendung von den Betriebszustand der Brennkraftmaschine repräsentierenden Größen (301, 302) zu wenigstens einer die Temperaturbedingungen an wenigstens einem Wärmetauscher des Kühlsystems repräsentierenden Größe ein Erwartungswert (202, 304) abgeleitet wird, wobei der wenigstens eine Erwartungswert (202, 304) mit einem zugehörigen Wert der gemessenen Temperatur (203) verglichen wird (204), wobei aus einer Abweichung des Erwartungswertes (202, 304) von dem zugehörigen Wert der gemessenen Temperatur (203) auf eine Funktionsstörung geschlossen wird (205), dadurch gekennzeichnet, daß der Erwartungswert (304) als Ausgangsgröße eines neuronalen Netzes abgeleitet wird, das bezüglich der verwendeten, den Betriebszustand der Brennkraftmaschine repräsentierenden Größen (301, 302) als Eingangsgrößen trainiert wurde anhand einer typgleichen Brennkraftmaschine mit einem ordnungsgemäß funktionierenden Kühlsystem (101), wobei in der Trainingsphase weiterhin der zu dem Erwartungswert gehörige Wert der gemessenen Temperatur der Brennkraftmaschine mit einem ordnungsgemäß funktionierenden Kühlsystem verwendet wird, wobei im laufenden Betrieb der Brennkraftmaschine der wenigstens eine Erwartungswert unter Verwendung des trainierten neuronalen Netzes abgeleitet wird, dem als Eingangsgrößen laufend die Größen zugeführt werden, die den Betriebszustand der Brennkraftmaschine repräsentieren (103, 202, 301, 302).
2. Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine unter Verwendung von den Betriebszustand der Brennkraftmaschine repräsentierenden Größen (501, 502) wobei weiterhin eine Temperaturbedingung (503) an wenigstens einem Wärmetauscher des Kühlsystems ausgewertet wird, indem wenigstens ein zugehöriger Temperaturwert gemessen wird (503), dadurch gekennzeichnet, daß eine Größe (505) als Ausgangsgröße eines neuronalen Netzes abgeleitet wird, die der Funktionsfähigkeit des Kühlsystems entspricht, wobei dem neuronalen Netz als Eingangsgrößen (501, 502, 503) die verwendeten, den Betriebszustand der Brennkraftmaschine repräsentierenden Größen (501, 502) sowie der wenigstens eine Temperaturwert (503) zugeführt werden, wobei das neuronale Netz trainiert wurde (401) anhand einer typgleichen Brennkraftmaschine mit verschiedenen Funktionszuständen des Kühlsystems und der jeweils zugehörenden Größe (505) bei verschiedenen Betriebszuständen mit den zugehörenden Eingangsgrößen (501, 502, 503), wobei im laufenden Betrieb der Brennkraftmaschine die Größe (505) als Ausgangsgröße des neuronalen Netzes zu den Eingangsgrößen (501, 502, 503) abgeleitet wird (402).
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen die Last der Brennkraftmaschine gehört (302, 502).
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen die Außenlufttemperatur gehört.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß zu den den Betriebszustand der Brennkraftmaschine repräsentierenden Größen eine Größe gehört, die die Geschwindigkeit repräsentiert, mit der die Außenluft den Wärmetauscher des Kühlsystems umströmt (301, 501).
DE1999102923 1999-01-26 1999-01-26 Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine Expired - Fee Related DE19902923B4 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE1999102923 DE19902923B4 (de) 1999-01-26 1999-01-26 Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE1999102923 DE19902923B4 (de) 1999-01-26 1999-01-26 Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine

Publications (2)

Publication Number Publication Date
DE19902923A1 true DE19902923A1 (de) 2000-08-03
DE19902923B4 DE19902923B4 (de) 2005-02-24

Family

ID=7895364

Family Applications (1)

Application Number Title Priority Date Filing Date
DE1999102923 Expired - Fee Related DE19902923B4 (de) 1999-01-26 1999-01-26 Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine

Country Status (1)

Country Link
DE (1) DE19902923B4 (de)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10061631C1 (de) * 2000-12-11 2002-07-11 Ift Ingenieurgesellschaft Fuer Verfahren zur Durchführung von Prüfstandsuntersuchungen für den Kühlkreislauf von Brennkraftmaschinen, und Vorrichtung hierzu
DE102004023450B4 (de) * 2003-05-14 2008-10-02 General Motors Corp. (N.D.Ges.D. Staates Delaware), Detroit System und Verfahren zum Diagnostizieren von Sensoren eines Motorsteuerungssystems
DE102009020804B4 (de) * 2008-05-27 2015-08-20 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Diagnosesystem für einen luftgekühlten Ladeluftkühler für Verbrennungsmotoren
EP2944786A1 (de) * 2014-05-17 2015-11-18 MAN Truck & Bus AG Steuer- oder Regelverfahren für ein Kraftfahrzeug
CN111255557A (zh) * 2020-01-21 2020-06-09 辽宁工业大学 一种汽车发动机冷却检测系统及其控制方法
CN111271183A (zh) * 2020-02-26 2020-06-12 重庆红江机械有限责任公司 一种自适应在线预测柴油机状态方法及系统
FR3091557A1 (fr) * 2019-01-09 2020-07-10 Continental Automotive Contrôle thermique pour moteur de véhicule
WO2020249477A1 (fr) * 2019-06-12 2020-12-17 Continental Automotive Gmbh Procédé de contrôle thermique d'un moteur
CN112459890A (zh) * 2019-09-06 2021-03-09 深圳臻宇新能源动力科技有限公司 热管理系统及基于神经网络的热管理方法和装置
CN113139642A (zh) * 2020-01-16 2021-07-20 辉达公司 在自主驾驶应用中使用神经网络执行故障检测
CN114076042A (zh) * 2020-08-11 2022-02-22 郑州宇通客车股份有限公司 一种发动机热管理方法及采用该方法的车辆
WO2022238082A1 (de) * 2021-05-10 2022-11-17 Vitesco Technologies GmbH Computerimplementiertes verfahren und steuervorrichtung zum steuern eines antriebsstrangs eines fahrzeugs unter verwendung eines neuronalen faltungsnetzes.
DE102020101721B4 (de) 2019-03-19 2023-10-26 Toyota Jidosha Kabushiki Kaisha Anomaliedetektionssystem für motorkühlwasserrezirkulationssystem

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4305870A1 (de) * 1993-02-25 1994-09-01 Sandler Energietechnik Brauchwasser-Temperaturregelung
DE4426494A1 (de) * 1994-07-27 1996-02-01 Bosch Gmbh Robert Einrichtung zur Überwachung des Kühlsystems bei einer Brennkraftmaschine
DE19615448A1 (de) * 1996-04-19 1997-11-20 Bosch Gmbh Robert Vorrichtung zur Klopferkennung und Regelung einer Brennkraftmaschine

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4305870A1 (de) * 1993-02-25 1994-09-01 Sandler Energietechnik Brauchwasser-Temperaturregelung
DE4426494A1 (de) * 1994-07-27 1996-02-01 Bosch Gmbh Robert Einrichtung zur Überwachung des Kühlsystems bei einer Brennkraftmaschine
DE19615448A1 (de) * 1996-04-19 1997-11-20 Bosch Gmbh Robert Vorrichtung zur Klopferkennung und Regelung einer Brennkraftmaschine

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DE-Z: "Automatisierungstechnische Praxis", Nr. 8, 1997, S. 53-60 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10061631C1 (de) * 2000-12-11 2002-07-11 Ift Ingenieurgesellschaft Fuer Verfahren zur Durchführung von Prüfstandsuntersuchungen für den Kühlkreislauf von Brennkraftmaschinen, und Vorrichtung hierzu
DE102004023450B4 (de) * 2003-05-14 2008-10-02 General Motors Corp. (N.D.Ges.D. Staates Delaware), Detroit System und Verfahren zum Diagnostizieren von Sensoren eines Motorsteuerungssystems
DE102009020804B4 (de) * 2008-05-27 2015-08-20 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Diagnosesystem für einen luftgekühlten Ladeluftkühler für Verbrennungsmotoren
EP2944786A1 (de) * 2014-05-17 2015-11-18 MAN Truck & Bus AG Steuer- oder Regelverfahren für ein Kraftfahrzeug
FR3091557A1 (fr) * 2019-01-09 2020-07-10 Continental Automotive Contrôle thermique pour moteur de véhicule
CN113272537B (zh) * 2019-01-09 2023-06-06 纬湃科技有限责任公司 用于车辆马达的热控制
US11936320B2 (en) 2019-01-09 2024-03-19 Vitesco Technologies GmbH Thermal control for vehicle motor
WO2020144292A1 (fr) * 2019-01-09 2020-07-16 Continental Automotive Gmbh Contrôle thermique pour moteur de véhicule
CN113272537A (zh) * 2019-01-09 2021-08-17 纬湃科技有限责任公司 用于车辆马达的热控制
DE102020101721B9 (de) 2019-03-19 2023-12-28 Toyota Jidosha Kabushiki Kaisha Anomaliedetektionssystem für motorkühlwasserrezirkulationssystem
DE102020101721B4 (de) 2019-03-19 2023-10-26 Toyota Jidosha Kabushiki Kaisha Anomaliedetektionssystem für motorkühlwasserrezirkulationssystem
WO2020249477A1 (fr) * 2019-06-12 2020-12-17 Continental Automotive Gmbh Procédé de contrôle thermique d'un moteur
FR3097265A1 (fr) * 2019-06-12 2020-12-18 Continental Automotive Procédé de contrôle thermique d’un moteur
CN112459890A (zh) * 2019-09-06 2021-03-09 深圳臻宇新能源动力科技有限公司 热管理系统及基于神经网络的热管理方法和装置
CN113139642A (zh) * 2020-01-16 2021-07-20 辉达公司 在自主驾驶应用中使用神经网络执行故障检测
CN113139642B (zh) * 2020-01-16 2024-04-12 辉达公司 在自主驾驶应用中使用神经网络执行故障检测
CN111255557B (zh) * 2020-01-21 2021-01-01 辽宁工业大学 一种汽车发动机冷却检测系统及其控制方法
CN111255557A (zh) * 2020-01-21 2020-06-09 辽宁工业大学 一种汽车发动机冷却检测系统及其控制方法
CN111271183A (zh) * 2020-02-26 2020-06-12 重庆红江机械有限责任公司 一种自适应在线预测柴油机状态方法及系统
CN111271183B (zh) * 2020-02-26 2022-08-16 重庆红江机械有限责任公司 一种自适应在线预测柴油机状态方法及系统
CN114076042A (zh) * 2020-08-11 2022-02-22 郑州宇通客车股份有限公司 一种发动机热管理方法及采用该方法的车辆
WO2022238082A1 (de) * 2021-05-10 2022-11-17 Vitesco Technologies GmbH Computerimplementiertes verfahren und steuervorrichtung zum steuern eines antriebsstrangs eines fahrzeugs unter verwendung eines neuronalen faltungsnetzes.

Also Published As

Publication number Publication date
DE19902923B4 (de) 2005-02-24

Similar Documents

Publication Publication Date Title
DE102020101721B9 (de) Anomaliedetektionssystem für motorkühlwasserrezirkulationssystem
DE10003060C2 (de) Abgasrückführungs-Fehlerdiagnossystem
DE19902923A1 (de) Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine
DE102004023450B4 (de) System und Verfahren zum Diagnostizieren von Sensoren eines Motorsteuerungssystems
DE102016107063A1 (de) Wavelet-basierte Analyse zur Fouling-Diagnose eines Flugzeugwärmetauschers
EP1552128B1 (de) Verfahren, steuerungsger t und computer-programm zur detektion fehlerhafter drucksensoren bei einer brennkraftmaschine
DE102019127482B4 (de) Steuereinrichtung
DE102017111976A1 (de) Motorkühlsysteme und -verfahren
DE102012207655B4 (de) Verfahren zur Diagnose eines Ventils einer Fluidzuleitung
EP3232282B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage
DE102013110786B4 (de) Verfahren zur Diagnose eines Abgasrückführungssystems
DE102008041804A1 (de) Verfahren und Vorrichtung zur Überwachung einer Abgasrückführungsanordnung
WO2021116219A1 (de) Vorrichtung und verfahren zur leckageerkennung bei einem hydraulikzylinder
DE102018213809A1 (de) Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine mit einer Drosselklappe und mit einer Abgasrückführung zur Erkennung einer versotteten AGR-Leitung
DE102020110864A1 (de) Steuervorrichtung für Hochdruck-Kraftstoffpumpe zur Kraftstoffeinspritzung
DE102020109988A1 (de) Anomalieerfassungssystem eines Abgasrückführungssystems
EP1878900A2 (de) Verfahren zur Diagnose von fehlerhaften Betriebszuständen einer Brennkraftmaschine
DE10254485A1 (de) Kraftfahrzeug
DE19906056A1 (de) Verfahren und Vorrichtung zum Betreiben eines Thermostatventils
DE102022133105A1 (de) Sensorsystem und verfahren
DE102018008000B4 (de) Verfahren zur Detektion und Prädiktion des Versottungsprozesses im Abgasrückführungskühler eines Diesel-Verbrennungsmotors
DE102011088919B3 (de) Verfahren zum Überprüfen von zwei steuerbaren Ventilen einer Motorkühlung
DE102022101290B4 (de) Verfahren zur Kraftstoffbestimmung
EP3749938A1 (de) Verfahren und vorrichtung zur plausibilisierung der messwerte eines feuchtesensors
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8364 No opposition during term of opposition
8327 Change in the person/name/address of the patent owner

Owner name: DAIMLERCHRYSLER AG, 70327 STUTTGART, DE

8327 Change in the person/name/address of the patent owner

Owner name: DAIMLER AG, 70327 STUTTGART, DE

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee

Effective date: 20140801