-
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. Die
Auswertung erfolgt mittels eines lernfähigen Programms, bei dem die
Zustände
bei Inbetriebnahme bei dem Neufahrzeug erfasst werden und als Referenzzustände der
späteren Auswertung
zugrunde gelegt werden. Werden im laufenden Betrieb dann Abweichungen
festgestellt, wird geschlossen, dass ein Fehler vorliegt.
-
Im
Bereich der Regelung und Fehlerdiagnose ist die Verwendung neuronaler
Netze bekannt. In der
DE
196 15 488 A1 ist ein Verfahren beschrieben, mit dem mittels
eines neuronalen Netzes eine Klopferkennung und eine Klopfregelung
vorgenommen werden kann.
-
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,
wobei die Brennkraftmaschine einen Ventilator aufweist, mit dem
Luft förderbar
ist, die den Wärmetauscher
des Kühlsystems
umströmt,
wobei ein die Drehzahl dieses Ventilators repräsentierendes Signal dem Eingang
des neuronalen Netzes als eine der Größen zugeführt wird, die den Betriebszustand der
Brennkraftmaschine repräsentiert.
-
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.
-
Besonders
vorteilhaft wird bei dem beschriebenen Verfahren dem neuronalen
Netz als Eingangsgröße ein Signal
zugeführt,
das die Drehzahl des Ventilators repräsentiert, der Luft fördert, die
den Wärmetauscher
umströmt.
Durch die Verwendung dieser Eingangsgröße wird vorteilhaft die Größe berücksichtigt,
die im Zusammenhang mit der Steuerung bzw. Regelung der Temperatur
direkt bestimmend ist für
eine Wärmeabfuhr.
-
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, wobei die Brennkraftmaschine einen Ventilator aufweist, mit
dem Luft förderbar
ist, die den Wärmetauscher
des Kühlsystems
umströmt,
wobei ein die Drehzahl dieses Ventilators repräsentierendes Signal dem Eingang
des neuronalen Netzes als eine der Größen zugeführt wird, die den Betriebszustand
der Brennkraftmaschine repräsentiert.
-
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.
-
Besonders
vorteilhaft wird bei dem beschriebenen Verfahren dem neuronalen
Netz als Eingangsgröße ein Signal
zugeführt,
das die Drehzahl des Ventilators repräsentiert, der Luft fördert, die
den Wärmetauscher
umströmt.
Durch die Verwendung dieser Eingangsgröße wird vorteilhaft die Größe berücksichtigt,
die im Zusammenhang mit der Steuerung bzw. Regelung der Temperatur
direkt bestimmend ist für
eine Wärmeabfuhr.
-
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 die
Fahrgeschwindigkeit.
-
Zusammen
mit der Temperatur der Außenluft wird
dadurch die abführbare
Wärmeenergie
berücksichtigt.
Neben der bereits im Zusammenhang mit den Ansprüchen 1 und 2 beschriebenen
Drehzahl des Ventilators zeigt sich, dass bei einer Fahrgeschwindigkeit
ungleich 0 infolge des sogenannten Fahrtwindes der Wärmetauscher
umströmt
wird. Vorteilhaft wird also gemäß Anspruch
5 berücksichtigt, dass
der Wärmetauscher
nicht nur wegen der Drehzahl des Ventilators umströmt wird
sondern auch wegen des Fahrtwindes.
-
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:
-
1: eine Darstellung einer
Vorgehensweise zum Verarbeiten von Lerndaten durch das neuronale
Netz,
-
2: eine Prinzipdarstellung
eines neuronalen Netzes zur Erkennung, ob eine Funktionsstörung eines
Kühlsystems
vorliegt,
-
3: eine zugehörige Netzstruktur,
-
4: eine Prinzipdarstellung
eines neuronalen Netzes zur Erkennung und näheren Eingrenzung, ob und welche
Funktionsstörung
im Kühlsystem
vorliegt und
-
5: eine zugehörige Netzstruktur.
-
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.
-
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.
-
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.
-
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.
-
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.