DE19914910A1 - Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug - Google Patents
Hybridmodell zur Modellierung eines Gesamtprozesses in einem FahrzeugInfo
- Publication number
- DE19914910A1 DE19914910A1 DE19914910A DE19914910A DE19914910A1 DE 19914910 A1 DE19914910 A1 DE 19914910A1 DE 19914910 A DE19914910 A DE 19914910A DE 19914910 A DE19914910 A DE 19914910A DE 19914910 A1 DE19914910 A1 DE 19914910A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- physical
- hybrid
- overall process
- neural
- 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.)
- Ceased
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
- F01L1/00—Valve-gear or valve arrangements, e.g. lift-valve gear
- F01L1/34—Valve-gear or valve arrangements, e.g. lift-valve gear characterised by the provision of means for changing the timing of the valves without changing the duration of opening and without affecting the magnitude of the valve lift
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
- F01L9/00—Valve-gear or valve arrangements actuated non-mechanically
- F01L9/20—Valve-gear or valve arrangements actuated non-mechanically by electric means
-
- 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
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
- F01L2800/00—Methods of operation using a variable valve timing mechanism
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
- F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
- F02D13/0203—Variable control of intake and exhaust valves
- F02D13/0215—Variable control of intake and exhaust valves changing the valve timing only
-
- 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
- F02D41/0002—Controlling intake air
- F02D2041/001—Controlling intake air for engines with variable valve actuation
-
- 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
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
- F02D2041/1436—Hybrid model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/04—Engine intake system parameters
- F02D2200/0402—Engine intake system parameters the parameter being determined by using a model of the engine intake or its components
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
- Output Control And Ontrol Of Special Type Engine (AREA)
Abstract
Die Erfindung betrifft ein Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug bestehend aus zumindest einem physikalischen und einem neuronalen Teilmodell. DOLLAR A Um physikalisch schwierig zu beschreibende Prozesse zu modellieren, werden neuronale Netze in der Form eingesetzt, daß ein Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem physikalischen Modell simuliert wird, ein weiterer Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem neuronalen Modell simuliert wird und der Gesamtprozeß durch eine Zusammenführung der jeweils separat simulierten Prozesse beschrieben wird.
Description
Die Erfindung betrifft ein Hybridmodell zur Modellierung eines Gesamtprozesses in
einem Fahrzeug bestehend aus je zumindest einem physikalischen und einem
neuronalen Teilmodell.
Es ist bekannt physikalische Zusammenhänge und Abläufe bei Prozessen
modellhaft zu beschreiben. Mit den Modellen kann einerseits eine Diagnose
vorhandener Sensoren durchgeführt werden. Andererseits können auch nicht
meßbare Signale modellhaft erfaßt bzw. vorhandene Sensorik eingespart werden.
Beispielsweise kann die Füllung von Zylindern bei Motoren mit variablen Ventiltrieb
über einen Luftmassensensor nur stark verzögert gemessen werden. Sie wird daher
sinnvollerweise aus verschiedenen Eingangsgrößen, die direkt am Einlaß
gemessen werden, und unter Zuhilfenahme eines Modells bestimmt. Dabei ist die
Füllung der einzelnen Zylinder durch mehrere Stellgrößen beeinflußt, die teilweise
voneinander abhängig oder auch unabhängig sind.
Eine Möglichkeit zur Modellierung sind empirische Verfahren, wie z. B. Kennfelder.
Empirische Verfahren sind jedoch meist ungenau und erfordern einen hohen
Abstimmungsaufwand. Eine weitere Möglichkeit sind physikalische Funktionen, bei
denen das Prozeßverhalten aus der Betrachtung der physikalischen Zusammen
hänge abgeleitet wird. Allerdings sind für mache Prozesse physikalische Funktionen
manchmal schwierig zu erstellen. Insbesondere müssen das Gesamtsystem und die
Abhängigkeiten innerhalb des Systems bekannt sein. Auch nimmt der Aufwand für
die Erstellung physikalischer Modelle mit zunehmender Modellkomplexität
überproportional zu. Darüber hinaus sind für verschiedene Konzepte (z. B.
Direkteinspritzer, elektronischer Ventiltrieb, variabler Ventiltrieb, etc.) immer neue
Modelle zu erstellen.
Aus der DE 197 06 750 A1 ist ein Verfahren zur Gemischsteuerung bei einem
Verbrennungsmotor sowie eine Vorrichtung zur Durchführung dieses Verfahrens
bekannt. Gemäß dem darin beschriebenen Ausführungsbeispiel wird die in einen
Brennraum des Verbrennungsmotors gelangende Luftmasse aus einer
Eingangsgröße bestimmt. Ferner wird die zuzuführende Kraftstoffmenge in
Abhängigkeit von dieser Eingangsgröße ermittelt. Bei der Ermittlung der
Kraftstoffmenge wird ein neuronales Netzwerk verwendet, welches lernfähig ist. Bei
dem vorgestellten Verfahren dient das neuronale Netzwerk zur Beschreibung der
Steuergröße für den Kraftstoffpfad in Abhängigkeit des Motorbetriebszustandes und
der fahrerbeeinflußten Steuergröße für den Luftpfad. Bei der Bildung der
Steuergröße für den Kraftstoffpfad wird bei dieser Ausführungsform ausschließlich
auf das neuronale Netzwerk gesetzt.
Ein wesentlicher Nachteil von neuronalen Netzen liegt darin, daß sie außerhalb des
Arbeitsbereiches, in dem die Trainingsdaten ermittelt werden, ein unplausibles
Extrapolationsverhalten aufweisen können und dafür in sicherheitskritischen
Prozessen, z. B. bei Kraftfahrzeugen, nur schwer einsetzbar sind.
Aufgabe der vorliegenden Erfindung ist es, ein Hybridmodell zur Modellierung eines
Gesamtprozesses in einem Fahrzeug anzugeben, mit welchem sich physikalisch
schwierig zu beschreibende Prozesse modellieren lassen, ohne das unplausible
Extrapolationsverhalten in Kauf genommen werden müssen.
Diese Aufgabe wird durch die im Anspruch 1 genannten Merkmale gelöst.
Erfindungswesentlich ist, daß der Gesamtprozeß (beispielsweise die Befüllung der
Zylinder) in Teilprozesse aufgeteilt wird, welche von verschiedenen Teilmodellen
beschrieben und dann zu einem Gesamtmodell zusammengeführt werden.
Vorliegend wird zumindest ein Prozeßanteil mit einem physikalischen Modell und
ein Prozeßanteil mit einem neuronalen Model beschrieben. Das neuronale Model
übernimmt dabei die Beschreibung eines Prozeßanteils, welcher physikalisch
schwierig zu fassen ist.
Als konkrete Anwendung läßt sich die Modellierung der Luftmassenfüllung bei
Verbrennungsmotoren beispielsweise mit variablem Ventiltrieb angeben. Bei dieser
Anwendung könnte die Basisfüllung über ein physikalisches Modell bestimmt
werden. Der Einfluß der Nockenwellenspreizung hingegen könnte über das
neuronale Netzwerk beschrieben werden. Gerade bei der Beschreibung des
Einflusses der Nockenwellenspreizung ist ein physikalisches Modell nur mit hohem
Aufwand zu erstellen.
Die Modellierung des Basismodells mit einer physikalischen Prozeßbeschreibung
hat den Vorteil, daß der Anteil des neuronalen Teilmodells am Gesamtmodell
gezielt beschränkt werden kann. Auf diese Weise wird gewährleistet, daß das
Gesamtmodell kein unplausibles Extrapolationsverhalten zeigt.
Bei einer Anwendung des Hybridmodells auf die Beschreibung der Befüllung von
Zylindern bei einem Verbrennungsmotor kann die Basisfüllung mit dem
physikalischen Modell in Abhängigkeit von Fahrbetriebsbedingungen, wie der
Drehzahl, einem Zylinder-Hub und/oder der Druckdifferenz in einem Zylinder
beschrieben werden.
Die Zusammenführung der verschiedenen Teilmodelle kann beispielsweise additiv
und/oder multiplikativ gewählt werden. Natürlich ist auch die Verwendung anderer
logischer oder arithmetischer Verknüpfungen bei einer Zusammenführung der
Ergebnisse der Teilmodelle möglich.
Natürlich kann die Belernung des neuronalen Teilmodelles (neuronales Netzwerk)
gezielt durch Vorgabe von Lernwerten vor der konkreten Anwendung erstellt
werden. Optional ist aber auch eine kontinuierliche Adaption der Netzparameter
während des Betriebs des Fahrzeugs möglich. So können beispielsweise
Serientoleranzen erfaßt und miteinbezogen werden.
Als Vorteile des Hybridmodelles gegenüber einem rein physikalischen Vollmodell ist
eine deutliche Reduzierung des Modellierungsaufwandes anzugeben. Durch die
Vermeidung eines neuronalen Vollmodells kann ein (unplausibels)
Extrapolationsverhalten ausgeschlossen werden.
Überdies können die aufgestellten Hybridmodelle auch bei anderen Konzepten
wiederverwendet werden, indem zum Beispiel die Eingangsgrößen des neuronalen
Netzwerkes neu belernt werden. Vorliegend lassen sich sowohl die Steuerzeiten bei
einem elektronischen Ventiltrieb und die Spreizung bei einem Motor mit variablem
Ventiltrieb mit dem vorgestellten Hybridmodell modellieren.
Physikalische Modelle bedienen sich teilweise verschiedener Kennfelder oder
Kennlinien, die in der Regel einen großen Speicherbedarf erfordern. Insbesondere
bei komplizierten Prozessen ist für die physikalische Modellierung eine große
Anzahl von Kennfeldern und Kennlinien erforderlich. Bei der vorliegenden
Verwendung eines physikalischneuronalen Hybridmodelles wird insgesamt weniger
Speicherplatz benötigt, da mit den neuronalen Netzen aufwendige Kennfelder und
Kennlinen vermieden werden können. Vielmehr benötigen die geringeren
Netzparameter bei neuronalen Netzwerken einen geringeren Speicherbedarf.
Die vorliegende Erfindung wird anhand eines speziellen Ausführungsbeispiels und
mit Bezug auf die einzige nachfolgende Zeichnung näher erläutert.
Die einzige Zeichnung zeigt ein einfaches schematisches Blockdiagramm, bei dem
ein Gesamtmodell zur Modellierung der Luftmassenfüllung bei einem
Verbrennungsmotor mit variabler Ventilsteuerung mit einem physikalischen Modell
für die Basisbefüllung und einem neuronalen Netz-Modell für den Spreizungs
einfluß beschrieben ist. Die Basisfüllung wird physikalisch und in Abhängigkeit von
der Drehzahl N, dem Zylinder-Hub(Hub) und der Druckdifferenz D_P sowie der
Ansaugtemperatur T_Ans beschrieben. Diese Parameter werden dem
physikalischen Modell als Eingangsgrößen zugeführt und bestimmen entsprechend
einem darin abgelegten Kennfeld sowie einiger thermodynamischer
Grundgleichungen die Ausgangsgröße des physikalischen Modells.
Der Einfluß der Nockenwellenspreizung wird mittels des neuronalen Netzmodells
beschrieben, da hier ein physikalisches Modell nur schwer zu erstellen ist. Als
Eingangsgrößen für das neuronale Netzmodell dienen neben dem Zylinder-Hub
(Hub) die Spreizungen der Einlaß- und der Auslaßventile (E_Spr, A_Spr). Durch
das Belernen der Kopplungen des neuronalen Netzes kann am Ausgang des
neuronalen Modells der Einfluß der Nockenwellenspreizung auf die
Zylinderbefüllung ermittelt und ausgegeben werden. Dieser Einfluß wird multiplikativ
mit dem Ausgang aus dem physikalischen Modell gekoppelt, was zu der dann
insgesamt ermittelten Luftmasse ML_Mod führt. Dabei ist der Anteil des neuronalen
Teilmodells am Gesamtmodell beschränkt. Die Beschränkung erfolgt vorliegend in
Abhängigkeit vom Ausgangswert des physikalischen Teilmodells.
Damit wird gewährleistet, daß das Gesamtmodell kein unplausibles
Extrapolationsverhalten zeigt. Versuche haben ergeben, daß sich die mittleren
Fehler bei einer Realisierung der Modellierung der Frischluft-Zylinderbefüllung bei
Verbrennungsmotoren mit variablen Ventilsteuerungen mit dem physikalisch
neuronalen Hybridmodell deutlich reduzieren lassen.
Natürlich kann ein Hybridmodell auch zur Beschreibung anderer Gesamtprozesse
wie eines elektronischen Ventiltriebes, turboaufgeladener Motoren, Direktein
spritzermotoren oder einer Gleichlaufregelung verwendet werden, wobei jeweils
Teilprozesse eigene zumeist abgeschlossene Vorgänge beschreiben und
zumindest ein Teilprozeß mit einem neuronalen Netzwerk dargestellt wird.
Claims (9)
1. Hybridmodell zur Modellierung eines Gesamtprozeßes in einem Fahrzeug
bestehend aus zumindest einem physikalischen und einem neuronalen
Teilmodell,
dadurch gekennzeichnet,
daß ein Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem physi
kalischen Modell simuliert wird und
ein weiterer Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem
neuronalen Modell simuliert wird und
der Gesamtprozeß durch eine Zusammenführung der jeweils separat simu
lierten Prozesse beschriebenen wird.
2. Hybridmodell nach Anspruch 1,
dadurch gekennzeichnet,
daß ein Basismodell physikalisch simuliert wird.
3. Hybridmodell nach Anspruch 1 oder 2,
dadurch gekennzeichnet,
daß eine Modellierung der Luftmassenfüllung bei Verbrennungsmotoren mit
variabler Ventilsteuerung durchgeführt wird.
4. Hybridmodell nach Anspruch 3,
dadurch gekennzeichnet,
daß die Basisfüllung mit dem physikalischen Modell und in Abhängigkeit von
der Drehzahl, von einem Zylinder-Hub und/oder der Druckdifferenz und/oder
der Ansaugtemperatur in einem Zylinder beschrieben wird.
5. Hybridmodell nach Anspruch 3 oder 4,
dadurch gekennzeichnet,
daß der Einfluß der Nockenwellenspreizung mit dem neuronalen Modell si
muliert wird.
6. Hybridmodefl nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß bei der Zusammenführung beider Teilmodelle eine additive oder eine
multiplikative Kopplung gewählt wird.
7. Hybridmodell nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß der Einfluß des neuronalen Modells auf das Gesamtmodell beschränkt
ist.
8. Hybridmodell nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß eine Belernung des neuronalen Modells vor dem Betrieb des Fahrzeugs
erfolgt.
9. Hybridmodell nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß eine Belernung des neuronalen Modells adaptiv während des Betriebes
des Fahrzeugs erfolgt.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19914910A DE19914910A1 (de) | 1999-04-01 | 1999-04-01 | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
EP00106509A EP1041264A3 (de) | 1999-04-01 | 2000-03-25 | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19914910A DE19914910A1 (de) | 1999-04-01 | 1999-04-01 | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19914910A1 true DE19914910A1 (de) | 2000-10-26 |
Family
ID=7903278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19914910A Ceased DE19914910A1 (de) | 1999-04-01 | 1999-04-01 | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP1041264A3 (de) |
DE (1) | DE19914910A1 (de) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10113538A1 (de) * | 2001-03-20 | 2002-09-26 | Bayerische Motoren Werke Ag | Regelvorrichtung und Regelverfahren |
DE10203919A1 (de) * | 2002-01-31 | 2003-08-21 | Bayerische Motoren Werke Ag | Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine |
DE10237328A1 (de) * | 2002-08-14 | 2004-03-04 | Siemens Ag | Verfahren zum Regeln des Verbrennungsprozesses einer HCCI-Brennkraftmaschine |
DE10328015A1 (de) * | 2003-06-23 | 2005-01-13 | Volkswagen Ag | Virtuelle Lambdasonde für ein Kraftfahrzeug |
DE10356713B4 (de) * | 2002-12-05 | 2009-01-15 | Avl List Gmbh | Verfahren zur Regelung bzw. Steuerung einer in einem Kreisprozess arbeitenden Brennkraftmaschine |
DE102014000397A1 (de) | 2014-01-17 | 2015-07-23 | Fev Gmbh | Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine |
DE102021204544A1 (de) | 2021-05-05 | 2022-11-10 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Betreiben eines hydraulischen Zylinders einer Arbeitsmaschine |
DE102022212907A1 (de) | 2022-11-30 | 2024-06-06 | Rheinisch-Westfälische Technische Hochschule Aachen, Körperschaft des öffentlichen Rechts | Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002180894A (ja) * | 2000-12-12 | 2002-06-26 | Toyota Motor Corp | 内燃機関の制御装置 |
DE10119853A1 (de) * | 2001-04-24 | 2003-01-09 | Bayer Ag | Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils |
DE102004030604B3 (de) | 2004-06-24 | 2006-02-09 | Siemens Ag | Verfahren zur Bestimmung der Luftmasse in einem Zylinder |
FR2876152B1 (fr) | 2004-10-06 | 2006-12-15 | Renault Sas | Procede et systeme ameliores d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme |
DE102004055313B4 (de) * | 2004-11-16 | 2017-06-22 | Volkswagen Ag | Verfahren und Vorrichtung zur Diagnose oder Verstärkungsadaption von Zylinderdrucksensoren |
FR2885175B1 (fr) | 2005-04-28 | 2010-08-13 | Renault Sas | Procede de commande d'un moteur de vehicule mettant en oeuvre un reseau de neurones |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4338607A1 (de) * | 1993-11-11 | 1995-06-14 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
DE19706750A1 (de) * | 1997-02-20 | 1998-08-27 | Schroeder Dierk Prof Dr Ing Dr | Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung |
DE19709955A1 (de) * | 1997-03-11 | 1998-09-17 | Siemens Ag | Verfahren und Einrichtung zum Steuern einer Brennkraftmaschine |
US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4006950A1 (de) * | 1990-03-06 | 1991-09-12 | Bayerische Motoren Werke Ag | Regelverfahren zur drehzahlabhaengigen, stufenlosen verstellung der nockenspreizung |
DE19547496C2 (de) * | 1995-12-19 | 2003-04-17 | Dierk Schroeder | Verfahren zur Regelung von Verbrennungsmotoren |
JPH10122017A (ja) * | 1996-10-14 | 1998-05-12 | Yamaha Motor Co Ltd | エンジン制御方式 |
US5714683A (en) * | 1996-12-02 | 1998-02-03 | General Motors Corporation | Internal combustion engine intake port flow determination |
DE19706756C2 (de) | 1997-02-20 | 2001-08-09 | Siemens Ag | Gradientenverstärker für einen Kernspintomographen und Kernspintomograph |
-
1999
- 1999-04-01 DE DE19914910A patent/DE19914910A1/de not_active Ceased
-
2000
- 2000-03-25 EP EP00106509A patent/EP1041264A3/de not_active Ceased
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4338607A1 (de) * | 1993-11-11 | 1995-06-14 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
DE19706750A1 (de) * | 1997-02-20 | 1998-08-27 | Schroeder Dierk Prof Dr Ing Dr | Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung |
DE19709955A1 (de) * | 1997-03-11 | 1998-09-17 | Siemens Ag | Verfahren und Einrichtung zum Steuern einer Brennkraftmaschine |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10113538A1 (de) * | 2001-03-20 | 2002-09-26 | Bayerische Motoren Werke Ag | Regelvorrichtung und Regelverfahren |
DE10113538B4 (de) * | 2001-03-20 | 2012-03-01 | Bayerische Motoren Werke Aktiengesellschaft | Regelvorrichtung und Regelverfahren |
DE10203919A1 (de) * | 2002-01-31 | 2003-08-21 | Bayerische Motoren Werke Ag | Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine |
DE10237328A1 (de) * | 2002-08-14 | 2004-03-04 | Siemens Ag | Verfahren zum Regeln des Verbrennungsprozesses einer HCCI-Brennkraftmaschine |
DE10237328B4 (de) * | 2002-08-14 | 2006-05-24 | Siemens Ag | Verfahren zum Regeln des Verbrennungsprozesses einer HCCI-Brennkraftmaschine |
DE10356713B4 (de) * | 2002-12-05 | 2009-01-15 | Avl List Gmbh | Verfahren zur Regelung bzw. Steuerung einer in einem Kreisprozess arbeitenden Brennkraftmaschine |
DE10328015A1 (de) * | 2003-06-23 | 2005-01-13 | Volkswagen Ag | Virtuelle Lambdasonde für ein Kraftfahrzeug |
DE102014000397A1 (de) | 2014-01-17 | 2015-07-23 | Fev Gmbh | Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine |
US10533510B2 (en) | 2014-01-17 | 2020-01-14 | Fev Gmbh | Model-based cylinder charge detection for an internal combustion engine |
DE102021204544A1 (de) | 2021-05-05 | 2022-11-10 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Betreiben eines hydraulischen Zylinders einer Arbeitsmaschine |
DE102022212907A1 (de) | 2022-11-30 | 2024-06-06 | Rheinisch-Westfälische Technische Hochschule Aachen, Körperschaft des öffentlichen Rechts | Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems |
Also Published As
Publication number | Publication date |
---|---|
EP1041264A2 (de) | 2000-10-04 |
EP1041264A3 (de) | 2002-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102007021592B4 (de) | Verfahren für die erstellung eines maschinenkennfelds und -modells während eines entwicklungsprozesses einer brennkraftmaschine | |
AT520179B1 (de) | Prüfstand und Verfahren zur Durchführung eines Prüfversuchs | |
EP0170018B1 (de) | Verfahren und Vorrichtung zur Eigendiagnose von Stellgliedern | |
DE19914910A1 (de) | Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug | |
DE102019127482B4 (de) | Steuereinrichtung | |
DE102007053403A1 (de) | Verfahren und Vorrichtung zum Bestimmen einer schwingungsoptimierten Einstellung einer Einspritzvorrichtung | |
DE102008001081A1 (de) | Verfahren und Motorsteuergerät zum Steuern eines Verbrennungsmotors | |
DE102017107271A1 (de) | Verfahren zur Ermittlung eines Leitfahrzyklus für Fahrversuche zur Ermittlung von Abgasemissionen von Kraftfahrzeugen | |
DE102005035408A1 (de) | Verfahren zur Ermittlung zylinderindividueller Drehkenngrößen einer Welle eines Verbrennungsmotors | |
AT515154A2 (de) | Verfahren zum Erstellen eines Modell-Ensembles | |
WO2004102287A1 (de) | Verfahren zur optimierung von fahrzeugen und von motoren zum antrieb solcher fahrzeuge | |
AT523093A1 (de) | Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung | |
DE102007020355A1 (de) | Redundanter Drehmomentsicherheitspfad | |
EP3374618B1 (de) | System und verfahren zur kalibrierung einer fahrzeugkomponente | |
WO2009095333A1 (de) | Verfahren zur steuerung einer brennkraftmaschine | |
EP1273782A2 (de) | Verfahren zur Bestimmung von Kennfelddaten zur Kennfeldsteuerung eines Verbrennungsmotors sowie Verfahren zur Steuerung eines Verbrennungsmotors | |
EP1347165A2 (de) | Verfahren und Vorrichtung zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine | |
DE10230701A1 (de) | Verfahren zur Bestimmung der Leistung einer Brennstoffeinspritzvorrichtung an Bord und elektronisches Steuermodul zur Anwendung davon | |
DE102008004218B4 (de) | Verfahren zur Bestimmung der dynamischen Rußemission | |
DE102017106943A1 (de) | Verfahren und Anordnung zur Simulation von Fahrversuchen | |
DE3511432A1 (de) | Verfahren und anordnung zur brennraumidentifikation bei einer brennkraftmaschine | |
DE102006044771B4 (de) | Verfahren und Steuergerät zur Bestimmung eines Fehlers einer Einspritzmenge eines mit einer Ansteuerdauer angesteuerten Einspritzstellgliedes eines Verbrennungsmotors | |
DE4415640C2 (de) | Verfahren und Vorrichtung zum Steuern einer Brennkraftmaschine | |
DE102015207270A1 (de) | Verfahren und Vorrichtung zur Simulationskopplung eines ereignisgesteuerten Controller-Teilsystems und eines Anlagen-Teilsystems | |
DE102011003491A1 (de) | Vefahren und Vorrichtung zur Modellierung eies Momentwirkungsgrades eines Verbrennungsmotors für eine Kraftstoffmehrfacheinspritzung in einem Verbrennungstakt |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8131 | Rejection |