DE4434197C2

DE4434197C2 - Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors

Info

Publication number: DE4434197C2
Application number: DE19944434197
Authority: DE
Inventors: Kenneth A Marko
Original assignee: Ford Werke GmbH
Current assignee: Ford Werke GmbH
Priority date: 1993-10-04
Filing date: 1994-09-24
Publication date: 1997-12-18
Anticipated expiration: 2014-09-25
Also published as: JPH07166939A; GB9419121D0; GB2283320B; DE4434197A1; GB2283320A

Description

Gebiet der Erfindung

Die Erfindung betrifft elektronische Motorregelungen.

Stand der Technik

Es ist bekannt, ein elektronischen Motorregelsystem zum Steu ern der Menge des in die Zylinder eines Verbrennungsmotors eingeführten Kraftstoffes zu verwenden. Insbesondere ist die Verwendung des Ausgangssignals eines Abgassauerstoff(EGO)- Sensors als Teil einer Rückkopplungsregelschleife zum Steuern des Luft/Kraftstoff-Verhältnisses bekannt. Da ein unrichtiger Betrieb des Abgassauerstoffsensors nachteilige Auswirkungen auf eine ordnungsgemäße Steuerung des Luft/Kraftstoff-Ver hältnisses haben kann, ist es erwünscht zu wissen, wann die ser Sensor nicht einwandfrei arbeitet.

Insbesondere gibt es Gelegenheiten, bei denen die Überwachung der Emissionsregelsysteme bei Nutzfahrzeugen erfolgen soll, um zu bestimmen, ob die Emissionen innerhalb bestimmter Gren zen liegen. Der EGO-Sensor wird zum Überwachen des Sauer stoffgehaltes der Motorabgase und zum Steuern des Motor- Luft/Kraftstoff-Verhältnisses verwendet. Diese Sensoren kön nen das Luft/Kraftstoff-Gemisch um einen Steuerpunkt in der Nähe von stöchiometrischen Verhältnissen regeln, so daß der Spitzenwirkungsgrad der Dreiwegekatalysatoren beibehalten wird. Bei fehlerhaften Sensoren kann es vorkommen, daß die Emissionen des Fahrzeugs Sollwerte überschreiten, und der Ka talysator kann infolge des nicht ordnungsgemäßen Motorbetrie bes beschädigt werden.

Zu den bekannten Techniken zum Prüfen eines solchen Sensors gehört das Herausnehmen des Sensors aus dem Fahrzeug und das Durchführen verschiedener Spannungs- und Funktionsprüfungen in einem Labor. Demgegenüber sind Diagnosetechniken von Vor teil, mittels derer der Sensor im in das Fahrzeug eingebauten Zustand an Ort und Stelle geprüft werden kann. Mittels einer derartigen On-Board-Prüfung kann der Zustandes eines Ab gassauerstoffsensors während des Motorbetriebs detektiert werden.

Grundsätzlich ist es zum Zwecke einer derartigen On-Board- Prüfung denkbar, verschiedene Wellenformcharakteristika des Sensorausgangssignals zu messen, so beispielsweise die Über gangszeit des Sensorsignals von einer oberen zu einer unteren Schwellspannung. Diese Wellenformcharakteristika können mit vorgegebenen Schwellwerten verglichen werden. Daraus kann dann ein Signal zur Entscheidung abgeleitet werden, ob das Abgasregelsystem zufriedenstellend arbeitet oder nicht. Der artige Lösungsansätze haben den Nachteil, daß die Schwell werte in aufwendigen Testreihen ermittelt werden müssen. Wei terhin schwanken die Ausgangssignalcharakteristika bei ver schiedenen Sensortypen sehr stark, so daß eine isolierte Be trachtung einzelner Signalcharakteristika häufig zu einer un zutreffenden Bewertung des Sauerstoffsensors führen kann. Wünschenswert ist vielmehr, daß mehrere Signalcharakteristika (z. B. Amplituden und Übergangszeiten) in ihren gegenseitigen Abhängigkeiten berücksichtigt werden, um stets zu optimalen Diagnoseergebnissen zu gelangen. Die Entwicklung von zuver lässigen Diagnosealgorithmen unter Berücksichtigung der Ab hängigkeiten mehrerer Parameter ist aber sehr aufwendig, weil die Analyse dieser Abhängigkeiten und ihre Formulierung in Regeln sehr viele Tests und Analysevorgänge erfordert. Diese Regeln müssen bei jeder Veränderung des Abgasregelsystems neu entwickelt werden, was zu hohen Kosten und langen Entwick lungszeiten führt.

Aus der EP 0 398 481 A2 ist ein Diagnoseverfahren zur Erken nung bestimmter Betriebszustände bei der elektronischen Steuerung eines Kraftfahrzeugs unter Verwendung von Musterer kennungsverfahren bekannt, bei dem aus einer Mehrzahl von Versuchsreihen an einem Testsystem, die sich jeweils in einem bestimmten Betriebszustand befinden, Betriebsdaten bestimmt werden und als Trainingsvektoren für ein Mustererkennungssy stem eingesetzt werden. Im Betrieb des Kraftfahrzeugs werden die Betriebsdaten gemessen und dem Mustererkennungssystem zu geführt, welches den jeweiligen Betriebszustand des Systems bestimmt. Das aus der EP 0 398 481 A2 bekannte Diagnosever fahren ist nur in sehr allgemeiner Form beschrieben. So wer den alle möglichen Parameter als Eingabegrößen für das Mustererkennungsverfahren genannt. In der Praxis stößt das in der EP 0 398 481 A2 vorgeschlagene Verfahren, diese Vielzahl der Eingabegrößen durch ein Mustererkennungssystem bewerten zu lassen, auf Schwierigkeiten, weil zum einen die erforder liche Rechenleistung bei den großen Datenmengen sehr groß sein kann, und weil zum anderen das Verhalten eines Musterkennungssystems - z. B. eines neuronalen Netzwerks - bei Eingabe einer großen Zahl von Parametern vielfach unvorher sehbar wird. Es muß daher eine Auswahl von Parametern getrof fen werden, deren Anzahl möglichst klein ist, bei denen je doch die Anwendung eines neuronalen Netzes besondere Vorteile verspricht.

Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zum Diagnostizieren des Betriebs eines unklas sifizierten Abgassauerstoffsensors zu entwickeln, das mit möglichst geringem Hard- und Softwareaufwand ein zu verlässiges On-Board-Diagnostizieren von unklassifizierten Sauerstoffsensoren ermöglicht, wobei gleichzeitig der Test aufwand und der Entwicklungsaufwand für die zum Klassifizie ren der Sensoren erforderlichen Regeln reduziert wird.

Erfindungsgemäß wird diese Aufgabe durch die Merkmale des An spruchs 1 gelöst. Zweckmäßige Ausgestaltungen des Verfahrens ergeben sich aus den Unteransprüchen.

Zusammenfassende Beschreibung der Erfindung

Mit der Erfindung wird ein robustes Verfahren zur Diagnose eines fehlerhaften Abgassauerstoffsensors durch Beobachten von dessen Verhalten über einen verhältnismäßig kurzen Zeit abschnitt und Vergleich augenblicklicher Wellenformcharakte ristiken des Sensorausgangssignals mit früher aufgenommenen Wellenformcharakteristiken bekannter fehlerhafter und norma ler Sensoren geschaffen. Die Detektion und Identifikation des Fehlers kann daher an Bord des dieses Verfahren verwendenden Fahrzeugs durchgeführt werden.

Kurze Beschreibung der Zeichnungen

Fig. 1 ist eine graphische Darstellung der Entscheidungsin formation gemäß einer Ausführungsform dieser Erfin dung,

Fig. 2 ist ein logisches Fließbild zum Entwickeln einer Diag nosetechnik zum Klassifizieren eines Abgassauerstoff sensors gemäß einer Ausführungsform dieser Erfindung und

Fig. 3 ist eine graphische Darstellung der Spannungsabgabe eines EGO-Sensors und der Messungen, die als Lern- Klassifizierer verwendet werden.

Ins einzelne gehende Beschreibung der Erfindung

Gemäß einer Ausführungsform dieser Erfindung kann eine Diag nosestrategie einen EGO-Sensor überwachen, um festzustellen, ob er normal arbeitet und bei einer Regelung des Luft/Kraft stoff-Verhältnisses die Art der Drift (fett oder mager), die bei fehlerhaftem Sensor aufgetreten ist, identifizieren. Das Verfahren verwendet Messungen mehrerer Charakteristika des Sensorbetriebes zur Bestimmung von dessen Zustand, zum Aus schließen von Fehlalarmen und zum Erzielen einer genauen Diagnose. Der Sensor wird in nerhalb fünfundzwanzig Grenzzyklusschaltungen an ausgewähl ten Betriebspunkten vorteilhafterweise diagnostiziert. Im typischen Fall entspricht dies weniger als einer Minute Betriebszeit.

Die Diagnosetechnik gründet sich auf Lern-Klassifizierer, die bei Bezugssensoren mit bekannten Betriebscharakteristika trainiert oder charakterisiert wurden. Der Bezugssensor ent hält gute Sensoren und mehrere Sensoren mit abnormalen Cha rakteristika, die einen mageren oder fetten Motorbetrieb und folglich Emissionsstärken, die außerhalb eines vorgegebenen Bereiches liegen, bewirken. Diese Lern-Klassifizierer bilden die Grundlage für Entscheidungsregeln, die zur Analyse von Signalen von EGO-Sensoren zu deren Klassifikation als Fett, Normal oder Mager verwendet werden. Die Daten dieser Bezugs sensoren schließen die fette Grenzspannung, die Schaltzeit von Mager auf Fett, die magere Grenzspannung und die Schalt zeit von Fett auf Mager ein. Zusätzlich werden die Standard abweichungen dieser Gliederungen von jedem zu charakterisie renden Bezugssensor an den gewählten Arbeitspunkten errech net.

Im typischen Fall lassen sich EGO-Sensoren in drei Katego rien, Normal, Fett und Mager, aufteilen. Die zu lernenden Sampledaten werden von den an Ort und Stelle an einem Normal fahrzeug derjenigen Bauart, bei der die Diagnose angewendet werden soll und die Statistiken zu errechnen sind, arbeiten den Bezugssensoren abgenommen. Die Entscheidungsregeln für die Diagnose werden in der wirklichen Umgebung des Fahrzeugs entwickelt. Die Verwendung von Bezugssensoren zum Erzeugen sämtlicher für das Trainieren der Klassifizierer verwendeten Daten kann verhältnismäßig zeitaufwendig und teuer werden. Als eine ergänzende Technik zur Sicherstellung eines robu sten Klassifiziererverhaltens können zusätzliche Daten mit identischen Statistiken durch Monte-Carlo-Verfahren für so wohl Lern- als auch Prüfzwecke erzeugt werden. Die Verwen dung von Lern-Klassifizierern und Erkennungsmustern für Diag nosezwecke wird in der US-Patentschrift 5 041 976 und in "Automotive Diagnostics Using Trainable Classifiers, Statistical Testing and Para digm Selection" von K. A. Marko, L. A. Feldkamp und G. V. Puskorius, veröffentlicht auf einer Konferenz der Internatio nal Joint Conference on Neural Networks, San Diego, 1990, erörtert.

Die von den Bezugssensoren abgenommenen Daten werden in Grup pen von Daten bei ähnlichen Arbeitspunkten unterteilt mit von zehn bis zwanzig pro Gruppe abgetasteten Abtast-EGO- Schaltern. Das Abtastmittel und die Standardabweichungen wer den errechnet und als "Datenvektoren" mit acht Elementen ab gespeichert. Das heißt, daß für jede Art von Daten (V_L, V_R′ T_LR und T_RL′, wie in Fig. 3 gezeigt) eine Abtastung mit mehre ren Datenpunkten genommen und dann ein Durchschnitt (avg.) und eine Standardabweichung (s.d.) generiert und zum Erzeugen eines achtteiligen Vektors (das heißt V_L(avg.), V_R(avg.), T_LR(avg.), T_RL(avg.), V_L(s.d.), V_R(s.d.), T_LR(s.d.), T_RL(s.d.)) zusammengesetzt werden. Die Anzahl der in einer Gruppe enthaltenen Abtastungen wird durch die zum Erzielen sowohl einer frühen Anzeige eines Fehlers als auch einer annehmbar geringen Wahrscheinlichkeit eines Fehlalarms notwendigen Durchschnittsbildung bestimmt. Die Samplegröße unterliegt auch der Einschränkung, daß die Diagnoseauswer tung während eines normalen Antriebszyklus verfügbar sein muß. Diese Einschränkung führt zu einer Obergrenze von etwa fünfzig bis hundert Schaltvorgängen für die Samplefenstergröße. Diese Datenvektoren sind mit einer der drei Klassen verbun den und werden zum Trainieren entweder eines Klassifizierers mit radialer Basisfunktion oder eines hyperplanen Klassifi zierers verwendet.

Daten von sechzehn Samplesensoren wurden auf diese Weise ausgewertet, und dieses Klassifikationsverfahren konnte sämt liche fehlerhaften Sensoren und die Natur der Fehler genau identifizieren. Die Prüfung wurde auf ungesehene Daten von tatsächlichen Sensoren oder auf für Prüfzwecke erzeugte Mon te-Carlo-Daten gegründet. Eine graphische Darstellung eines dreidimensionalen Unterraumes des achtdimensionalen Raums wird in Fig. 1, in der die Trennung der drei Klassen ersicht lich ist, gezeigt. Im vollen achtdimensionalen Raum ist die Trennung noch deutlicher.

In Fig. 1 werden Sensorcharakteristika unter Verwendung ei ner Clusterdiagnose in einer dreiachsigen Darstellung ge zeigt, einschließlich der Achsen mit einer Neigung von Fett auf Mager, von Mager auf Fett und einer fetten Spannung. Als ein erläuterndes Beispiel wird eine elliptische Entschei dungsoberfläche zur Klassifizierung von mageren Sensoren in einem dreidimensionalen Unterraum gezeigt. Mit Vorteil wer den die tatsächlichen Entscheidungsoberflächen in achtdimen sionalen Hyperräumen, die sich nicht graphisch darstellen las sen, bestimmt. Die in Fig. 1 auf der eiförmigen Oberfläche gezeigten und mit "+" bezeichneten Punkte sind die Abtast durchschnittswerte von einem einzigen Sensor. Jeder Punkt in dem Cluster stellt den Durchschnittswert des Samples der Da tenpunkte von einem Sensor dar.

Das Fließbild zum Erzeugen der Entscheidungsregeln unter Ver wendung des Lernalgorithmus und der Diagnose wird in Fig. 2 gezeigt. Die in dem Fließbild skizzierten Prozeduren verwen den Monte-Carlo-Verfahren zum Bestimmen der Breite des zum Erzielen einer spezifischen Diagnosegenauigkeit erforderli chen Durchschnittsfensters auf der Grundlage genauer Schät zungen des aus kleinen Samples der tatsächlichen Daten ent wickelten Diagnoseverhaltens. Diese Schätzungen ermöglichen den Aufbau realistischer Grenzen für die zum Erzielen eines gewünschten Maßes an Genauigkeit notwendige: Rechnung. Das heißt, daß ein Bezugssensor gemessene Daten und nach Monte Carlo erzeugte Daten enthalten kann. Die Zahl der Messungen jeder Art von Datenpunkten (zum Beispiel V_L) zum Erreichen einer gewünschten Genauigkeit ist die das Fenster bestimmen de Samplegröße. Je größer diese ist, desto kleiner ist der Unterschied zwischen den Durchschnittswerten des Samples.

Für aus vierzehn Samplesensoren analysierte Daten erzeugte ein Backpropagation-Algorithmus mit einem dreilagigen Netz werk einen Klassifizierer, der an einem durchschnittlichen Fenster auf der Grundlage von sechzehn Samples pro Bewertung eine hundertprozentige Diagnosegenauigkeit bewirkte. In die sem Fall waren die Klassifizierungskategorien fett, normal und mager.

Gemäß der Darstellung in Fig. 2 beginnt ein Fließbild zur Gewinnung von Diagnoseentscheidungsregeln unter Verwendung eines aufgeheiz ten Abgassauerstoff(HEGO)-Sensors an einem Block 10, an dem die Sampledaten von dem sich in einem Dauerzustand befinden den Bezugs-HEGO-Sensor empfangen werden. Der logische Fluß geht dann zu einem Block 11, an dem statistische Daten der Sampleverteilungen errechnet werden. Der logische Fluß geht dann zu einem Block 12, an dem eine vergrößerte Datengruppe mit identischen statistischen Daten vorteilhafterweise unter Verwendung von Monte-Carlo-Verfahren erzeugt wird. Der logi sche Fluß geht dann zu einem Block 13, in dem die Samplefen stergröße für anfängliche Versuche mit dem Klassifizierer ausgewählt wird. Der logische Fluß geht dann zu einem Block 14, in dem die Klassifizierer trainiert werden und das Ver halten an den Monte-Carlo-Daten bewertet wird. Der logische Fluß geht dann zu einem Entscheidungsblock 15, in dem die Frage bezogen auf das Klassifiziererverhalten gestellt wird: "Ist das Verhalten OK?" Falls nein, geht der logische Fluß zum Block 13 zurück. Falls ja, geht der logische Fluß zum Block 16, in dem eine Lern-Klassifiziererstrategie ausge wählt wird. Der logische Fluß geht dann zu einem Entschei dungsblock 17, in dem er in Bezug auf den Klassifizierer ge fragt wird: "Sind die Entscheidungsregeln einfach?" Falls nein, geht der logische Fluß zu einem Block 19, in dem ein Lern-Klassifizierer verwendet wird. Falls ja, geht der logi sche Fluß zu einem Block 18, in dem Entscheidungsoberflächen gleichungen entwickelt werden, und dann zu einem Block 20, in dem ein herkömmlicher Klassifizierer verwendet wird.

Es folgt eine deutlichere Erklärung der schematischen Elemen te von Fig. 2. Unter Bezug auf den Block 10 sei ausgeführt, daß Daten von einer Vielfalt von Sensoren erhalten werden, deren Fähigkeit zum Regeln der Emissionsstärke in einer ge trennten Prüfung bestimmt werden. Die Übergänge der Sensoren in Abhängigkeit von den von den Motoren abgegebenen Gasströ men werden gemessen, und die folgenden Parameter werden be stimmt: V_L die magere Spannung, V_R die fette Spannung, T_LR die Übergangszeit von Fett auf Mager, T_RL die Übergangszeit von Mager auf Fett. In einem typischen Fall werden diese Wer te während eines Zeitabschnittes, in dem etwa dreißig bis fünfzig Übergänge und mehrere Geschwindigkeits-Belastungs punkte gesehen werden, gemessen. Zum Verbessern der Genauig keit werden diese Daten zum Berechnen der statistischen Wer te des Samples und zum Erzeugen einer viel größeren Gruppe von Daten zum Studium verwendet.

Unter Bezug auf Block 11 sei ausgeführt, daß die Mittelworte und Standardabweichungen der Sampledaten errechnet werden. Zusätzlich wird die Kovarianz-Matrix errechnet. Diese stati stischen Werte charakterisieren die Natur der Rohsignale und ihre Korrelationen und bilden die Grundlage der in Block 12 durchgeführten Berechnungen.

Unter Bezug auf Block 12 sei ausgeführt, daß gemäß der in Block 11 bestimmten statistischen Daten mehr Daten unter Ver wendung von Monte-Carlo-Verfahren erzeugt werden. Diese Stu fe ist erwünscht, um die Kosten für die Zeit von Labormessun gen zu vermeiden und um das Verhalten des auf Grundlage dieser Daten arbeitenden Diagnosealgorithmus genauer zu prüfen. Die er zeugten Daten werden dann zum Erzielen des gleichen Sample mittelwertes, Samplevarianzen und -kovarianzen, wie das ur sprüngliche Datensample, errechnet. Die Kovarianz der Daten wird normalerweise als Null angenommen, aber häufig ist sie es nicht, und die von Null verschiedene Kovarianz hat einen bedeutenden Einfluß auf die Genauigkeit der Diagnose. Folg lich muß das Verhalten des Klassifizierers mit den richtigen Datensimulationen bewertet werden. Unter der Annahme, daß die nach den Monte-Carlo-Verfahren erzeugte erhöhte Datenmen ge groß ist, geht die Logik zum Block 13 über, der die Prüfsam ples aus dieser Datengruppe zur Bewertung herauszieht.

Unter Bezug auf die Blöcke 13 und 14 sei ausgeführt, daß die Prüfsamples von diesen Daten aus einem Durchschnittswert der Messungen, bei dem das Samplemittel der vier Variablen und ihre Varianzen errechnet werden, herausgezogen werden. Diese acht Variablen bilden den Eingabevektor für die Datenklassi fizierungsaufgabe. Im allgemeinen wird die Schwankung von Sample zu Sample des Mittelwertes und des Durchmessers des Clusters von Punkten bei einem gegebenen Sensor für größere, einen Durchschnittswert bildende Fenster kleiner. Im Grenz übergang einer unendlichen Zeit würden die Durchschnittswer te der Samples in einem Fenster für jede Art des Sensors bis auf Punkte schrumpfen, da die auf einen Durchschnittswert zurückgeführten Messungen jeden Sensor mit nur sehr geringer Ungewißheit charakterisieren.

Bei dieser Diagnosestrategie werden die Information von ei nem Übergang und der Durchschnittswert der Information von vielen Übergängen zusammen zum Herabsetzen des Rauschens ver wendet, nämlich statt der Information von einem Übergang V_L, V_R, T_LR und T_RL der Durchschnittswert dieser besonderen Art von Daten von zahlreichen Übergängen V_L(avg.), V_R(avg.), T_LR(avg.), T_RL(avg.). Dieses Verfahren führt zu einem längeren Warten auf eine Antwort, aber die Antworten werden zuverlässiger. Die Daten-Cluster, die die in Fig. 1 gezeigten Sampledurchschnittswerte darstellen, wer den mit größeren Samplegrößen und den dazugehörenden länge ren Durchschnittszeiten kompakter. Das Verfahren zum Bestim men einer geeigneten Fenstergröße und der zugehörigen Durch schnittszeit kann durch Trial and Error (Versuch und Irrtum) verwirklicht werden mit Auswahl einer vernünftigen Zeit als Ausgangspunkt und Bewerten der Fähigkeit zum Klassifizieren der Daten auf der Grundlage dieser Fensterdurchschnittszeit. Im allgemeinen führt eine sehr kurze zeit zu Ergebnissen, die nicht zufriedenstellend sind. Eine Erhöhung der zeit ver mindert die Diagnoseklassifikationsfehler. Nach Erreichen einer annehmbaren Durchschnittszeit geht der logische Fluß zum Block 15 . . Am Block 15 wird das Verhalten des Klassifizie rers untersucht. Das heißt, gibt der Klassifizierer die rich tigen Antworten oder generalisiert er zu stark? Ein Weg, dies zu ermitteln, liegt darin, den Klassifizierer bei Daten an zuwenden, die vorher nicht in Verbindung mit dem Klassifizie rer verwendet wurden. Die Charakteristika der Daten sind be kannt, und damit kann die Einwirkung des Klassifizierers auf die Daten bewertet werden.

Unter Bezug auf Block 16 sei ausgeführt, daß nach einer Fest stellung, daß eine zweckmäßige Auswahl der Durchschnitts zeit, die mit den Anforderungen an die Genauigkeit einer Diagnose und den Anforderungen an den Abschluß einer Bewer tung in einer vernünftigen Zeit (zum Beispiel etwa dreißig Sekunden bis eine Minute) übereinstimmt, die wirksam sten Entscheidungsregeln zum Durchführen dieser Aufgabe aus gewählt werden. Das heißt, daß eine Entscheidungsstrategie auf der Grundlage des Verhaltens ausgewählt wird. Diese Auf gabe ist grob gesehen der Entscheidung darüber gleichwertig, welche Oberflächen und Oberflächenformen im Datenraum zum Unterscheiden guter Sensoren von schlechten verwendet und welche der acht Parameter zurückgehalten werden. Für die Ent scheidungsoberflächen können unendliche Ebenen mit der Über einkunft verwendet werden, daß sämtliche Sensoren auf einer Seite gut und auf der anderen schlecht sind. Weiterhin können verwickeltere Oberflächen (ein Paraboloid als ein Beispiel einer einfachen Oberfläche oder eine stärker ver wickelte geknäuelte Oberfläche) oder geschlossene Oberflächen zur Aufnahme bestimmter Arten von Sensoren verwendet wer den. Klassifizierungen mit ge schlossener Oberfläche werden oft gewählt, da sie restrikti ver und besser vorhersagbar sind. Die Klassifizierer mit of fener Oberfläche oder mit einer Hyperebene klassifizieren viele Datenpunkte, denen sie nicht ausgesetzt sind, da die Qualifikation, daß ein Punkt auf einer Seite einer Oberflä che oder einer anderen liegt, sehr schwach beschreibend ist. Diese Art von Klassifizierern kann generalisieren, gibt aber fast immer irgendeine Antwort. Klassifizierer mit geschlosse ner Oberfläche oder einer radialen Basisfunktion werden oft vorgezogen, da sie ihre Antworten besser auf Gebiete, auf die sie trainiert wurden, beschränken. Zum Klassifizieren von guten Sensoren, das heißt Sensoren, die in einem vorgege benen Bereich davon liegen, auf den die Klassifizierer trai niert wurden, kann man sich daher besser auf diese verlas sen. In diesem Fall sind sämtliche in eine solche geschlosse ne Oberfläche fallenden Meßvorgänge eine Klasse; Sämtliche anderen außerhalb der Oberfläche gehören zu einer anderen Klasse. Es sind selbstverständlich stärker komplexe Vertau schungen dieser Betriebsbedingungen, wie zum Beispiel eine vielfa che geschlossene Oberfläche, gemischte geschlossene Oberflä chen und Hyperebenen usw. denkbar. Zusätzlich kann es vorkommen, daß acht Parameter nicht zum Erreichen der erforderlichen Diagnosegenauigkeit erforderlich sind. Das endgültige Ziel ist die Bestimmung der einfachsten Gruppe von Entscheidungsregeln oder des einfachsten Klassifizierers, der die Aufgabe erfül len kann. Folglich können mehrere verschiedene Paradigmen geprüft werden, und dann kann dasjenige, das die Aufgabe am genauesten (mit der geringsten Zahl von Fehlern) mit den ge ringsten Rechenkosten durchführt, ausgewählt werden. Diese offenbarte Ausführungsform stützt sich jedoch auf ein Sche ma, das zum Erreichen der höchstmöglichen Genauigkeit die gesamte Information verwendet.

Unter Bezug auf Block 17 sei ausgeführt, daß bei einem sehr kleinen Klassifizierer (zum Beispiel einem neuralen Netzwerk mit zum Beispiel acht Eingängen, zwei verborgenen Netzkno ten, zwei Ausgabekategorien) das Netzwerk mit einer Gruppe von einfachen planaren Entscheidungsoberflächen oder einer kleinen Gruppe von Regeln approximiert werden kann. Bei her kömmlicher Diagnose wird diese Technik routinemäßig verwen det. Gemäß einer Ausführungsform dieser Erfindung sind einfa che Regeln wirksam, können aber nicht optimal sein, und statt einer induktiven Bestimmung der Regeln mag es vorzuzie hen sein, einen Klassifizierer zu trainieren und ihn die op timalen Entscheidungsgrenzen bestimmen zu lassen. Die beste Lösung hängt von der Güte der Daten, der Natur der Sensoren (Sensoren verschiedener Lieferanten verhalten sich sehr un terschiedlich) und den Anforderungen an die Genauigkeit der Diagnose ab.

In Block 17 wird die Frage angesprochen, ob eine einfache Gruppe von Entscheidungen von dem trainierten Klassifizierer induziert werden kann. Unter manchen (seltenen) Umständen kann der trainierte Klassifizierer intern eine Gruppe von einfa chen Entscheidungsoberflächen zum Klassifizieren der Daten, denen er ausgesetzt ist, formulieren. Zusätzlich bevorzugen Produktingenieure häufig eine knappe Liste von Regeln zum Fällen einer Entscheidung, statt sich auf ein trainiertes System zu verlassen, das eine unbekannte interne Darstellung des Problems aufweist. Im Block 17 wird ein einfa ches Verfahren verwendet, um zu bestimmen, ob eine solche einfache Gruppe von Regeln aus den trainierten Klassifizierern heraus gezogen werden kann. Das Verfahren liegt einfach in der Ent scheidung, ob der Klassifizierer ausreichend klein ist, so daß sein Verhalten in einer kleinen Gruppe von Regeln (das heißt nur einige wenige Knotenpunkte in der verborgenen La ge) erfaßt werden kann, und dann, ob eine grobe Unter teilung der Eingangsvektorwerte uns eine Ableitung einer kleinen Gruppe von Regeln zur Reproduktion der Klassifizie rerausgabe gestattet. Zu diesem Zweck wird der Einga bemerkmalsraum für jede Komponente des Eingabevektors in die Werte KLEIN, MITTEL, GROSS unterteilt, zum Beispiel entspre chend den Spannungen 0 bis 0,33, mehr als 0,33 bis 0,66 be ziehungsweise mehr als 0,66 bis 1,0 Volt. Falls zwischen die sen groben Eingabewerten (zum Beispiel V_L-KLEIN und V_R- MITTEL und T_LR-GROSS bedeutet Sensor-GUT) und der richti gen Klassifikationsausgabe eine einfache Beziehung besteht, kann die Beziehung durch Induktion erkannt und in einer Grup pe von Regeln erfaßt werden, die selbst tatsächlich eine sehr grobe Darstellung des Klassifizierers sind. Obgleich der Regelableitungsvorgang eine explizite und verständliche Darstellung des Klassifizierers ergibt, erfolgt dies auf Ko sten eines weniger robusten Klassifizierers. Block 17 bietet dem Produktingenieur das Mittel zum Auswählen des richtigen Gleichgewichts zwischen Einfachheit und dem für die On- Board-Diagnoseaufgabe notwendigen Verhalten.

Im tatsächlichen Betrieb werden die Sensoren vor dem Beginn des Klassifizierertrainings vorteilhafterweise für etwa ein bis zwei Minuten nach dem Start des Motors aufgewärmt. Wäh rend der Messungen wird der Sensor in einem ähnlich aufge wärmten Zustand beobachtet, wobei die Charakteristika bezüg lich der Motorgeschwindigkeitslast vorteilhafterweise in ei nem stetigen Zustand und ähnlich zu den Umständen, unter de nen der Klassifizierer trainiert wurde, gehalten werden.

Claims

1. Verfahren zum Diagnostizieren des Betriebs eines unklas sifizierten Abgassauerstoffsensors und elektronischen Mo torregelsystems mit folgenden Schritten:
Speichern von den Betrieb einer Vielzahl von Bezugsab gassauerstoffsensoren charakterisierenden Signalparame tern,
Sammeln von den Betrieb des unklassifizierten Abgassau erstoffsensors über einen Zeitabschnitt charakterisie renden Signalparametern durch Messen einer Vielzahl von Ausgangsspannungswellenformcharakteristika des Ausgangs signals des unklassifizierten Sauerstoffsensors,
Vergleichen der gegenwärtig gesammelten, den unklassifi zierten Abgassauerstoffsensor charakterisierenden Si gnalparameter mit den zuvor gespeicherten Signalparame tern, die die Betriebsparameter der Vielzahl der Bezugs abgassauerstoffsensoren anzeigen, wobei dieser Vergleich die Erzeugung eines Klassifizierers umfaßt, und
Bestimmen der Betriebscharakteristika des unklassifi zierten Abgassauerstoffsensors auf der Grundlage der Vergleiche der gesammelten Signalparameter und der zuvor gespeicherten Signalparameter.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Erzeugung eines Klassifizierers beim Vergleichen der gegenwärtig gespeicherten Signalparameter mit den gespei cherten Signalparametern die Schritte aufweist:
Auswählen einer Vielzahl von Basisklassifizierern, Er rechnen von die Sample-Verteilung der gespeicherten Si gnalparameter von den Bezugsabgassauerstoffsensoren charakterisierenden statistischen Daten,
Rechnerische Simulation einer Datengruppe mit ähnlichen statistischen Daten wie die Sample-Verteilung der Si gnalparameter der Bezugsabgassauerstoffsensoren zur Verstärkung der anhand der Bezugsabgassauerstoffsenso ren gemessenen Datengruppe,
Auswählen einer Sample-Fenstergröße zur anfänglichen Anwendung der Klassifizierer auf die Sample-Verteilung, Trainieren der Klassifizierer zum fehlerfreien Bewerten der Sample-Verteilung der Signalparameter von den Be zugsabgassauerstoffsensoren,
Bewerten des Verhaltens der Klassifizierer beim Charak terisieren der Signalparameter von den Bezugsabgassau erstoffsensoren,
Bestimmen eines vorgegebenen Levels des Klassifizierer verhaltens,
Bestimmen eines zufriedenstellenden Verhaltens, wenn der Klassifizierer die Sample-Verteilungen auf einem Level, der besser als der vorbestimmte Level des Klas sifiziererverhaltens ist, bewertet,
Auswählen eines Lernklassifizierers aus der Vielzahl der trainierten Basisklassifizierer und
Verwenden des Lernklassifizierers zum Bewerten des un klassifizierten Abgassauerstoffsensors.

3. Verfahren nach Anspruch i oder 2, dadurch gekennzeichnet, daß der Schritt des Speicherns der den Betrieb der Viel zahl der Bezugsabgassauerstoffsensoren charakterisie renden Signalparameter die folgenden Schritte aufweist:
Charakterisieren des Betriebes der Vielzahl der Bezugs abgassauerstoffsensoren als annehmbar oder nicht annehm bar und
Messen der Ausgangsspannung jedes Sensors aus der Viel zahl der Bezugsabgassauerstoffsensoren zum Bestimmen ei ner einen mageren Betrieb anzeigenden Spannung, einer einen fetten Betrieb anzeigenden Spannung, einer Über gangszeit von der Fett- auf die Magerspannung und einer Übergangszeit von der Mager- auf die Fettspannung.

4. Verfahren nach Anspruch 3 mit folgenden weiteren Schrit ten:
mehrmaliges Messen der Ausgangsspannungsdaten von jedem Bezugsabgassauerstoffsensor zum Erzeugen eines Samples,
Errechnen des Durchschnitts und der Standardabweichung jeder Sampleverteilung und
Charakterisieren der Ausgangsspannung jedes Sensors der Vielzahl der Bezugsabgassauerstoffsensoren.

5. Verfahren nach Anspruch 3 oder 4 mit folgenden weiteren Schritten:
Verwenden von Monte-Carlo-Techniken zum Erzeugen einer zusätzliche Bezugsabgassauerstoffsensoren charakterisie renden Datenverteilung und
Errechnen des Durchschnitts und der Standardabweichung für jede die Ausgabe dieses zusätzlichen Bezugsabgassau erstoffsensors charakterisierenden Datenverteilung.

6. Verfahren nach einem der Ansprüche 3 bis 5, dadurch ge kennzeichnet, daß ein Lernklassifizierer eine geschlos sene Oberfläche definiert und damit eine erste Klassifi kation von Messungen in der geschlossenen Oberfläche und eine zweite Klassifikation von Messungen außerhalb der geschlossenen Oberfläche ermöglicht.

7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch ge kennzeichnet, daß die Zahl der den Betrieb des unklassi fizierten Abgassauerstoffsensors charakterisierenden Si gnalparameter mindestens sechzehn beträgt.

8. Verfahren nach einem der Ansprüche 1 bis 7, dadurch ge kennzeichnet, daß der Schritt des Sammelns der den Be trieb des unklassifizierten Abgassauerstoffsensors über einem Zeitabschnitt charakterisierenden Signalparameter die folgenden Schritte aufweist:
Messen einer Vielzahl von Ausgangsspannungswellenform charakteristika des unklassifizierten Abgassauerstoff sensorsignals einschließlich der Magerspannungsgröße, der Fettspannungsgröße, der Übergangszeit von Fett- zu Magerspannung und der Übergangszeit von Mager- zu Fett spannung,
Errechnen des Durchschnitts und der Standardabweichung für jede Art der die Ausgangsspannungswellenform charak terisierenden Daten und
Ausbilden eines das Sample charakterisierenden einzelnen Vektors unter Verwendung der Datendurchschnittswerte und der Datenstandardabweichung.

9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch ge kennzeichnet, daß der Schritt des Speicherns der den Be trieb einer Vielzahl von Bezugsabgassauerstoffsensoren charakterisierenden Signalparameter die folgenden Schritte aufweist:
Messen einer Vielzahl von Ausgangsspannungswellenform charakteristika des Bezugsabgassauerstoffsensorsignals einschließlich der Magerspannungsgröße, der Fettspan nungsgröße, der Übergangszeit von Fett- auf Magerspan nung und der Übergangszeit von Mager- auf Fettspannung,
Errechnen des Durchschnitts und der Standardabweichung für jede Art von die Ausgangsspannungswellenform der Be zugsabgassauerstoffsensoren charakterisierenden gemes senen Daten und
Bilden eines Vektors einschließlich der Elemente der Durchschnittsspannung, der Durchschnittsfettspannung, der Durchschnittsübergangszeit Fett auf Mager, der Ab weichung der Magerspannung, der Standardabweichung der Übergangszeit Fett auf Mager und der Standardabweichung der Übergangszeit Mager auf Fett.

10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch ge kennzeichnet, daß der Schritt des Vergleichens der gegen wärtig gesammelten Signalparameter charakterisierend den unklassifizierten Abgassauerstoffsensor mit den zuvor ge speicherten Signalparametern anzeigend die Betriebspara meter der Vielzahl der Bezugsabgassauerstoffsensoren den folgenden Schritt aufweist:
Vergleichen des den unklassifizierten Abgassauerstoff sensor charakterisierenden Vektors mit den mit jedem Da tenpunkt zusammenwirkenden Lernklassifizierern.