DE4434197C2 - Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors - Google Patents
Diagnosetechnik für den Betrieb eines AbgassauerstoffsensorsInfo
- Publication number
- DE4434197C2 DE4434197C2 DE19944434197 DE4434197A DE4434197C2 DE 4434197 C2 DE4434197 C2 DE 4434197C2 DE 19944434197 DE19944434197 DE 19944434197 DE 4434197 A DE4434197 A DE 4434197A DE 4434197 C2 DE4434197 C2 DE 4434197C2
- Authority
- DE
- Germany
- Prior art keywords
- exhaust gas
- gas oxygen
- lean
- data
- signal parameters
- 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.)
- Expired - Fee Related
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1493—Details
- F02D41/1495—Detection of abnormalities in the air/fuel ratio feedback system
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/417—Systems using cells, i.e. more than one cell and probes with solid electrolytes
- G01N27/4175—Calibrating or checking the analyser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/007—Arrangements to check the analyser
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Analytical Chemistry (AREA)
- Electrochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
Description
Die Erfindung betrifft elektronische Motorregelungen.
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.
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.
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.
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 (VL, VR′
TLR und TRL′, 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 VL(avg.),
VR(avg.), TLR(avg.), TRL(avg.), VL(s.d.), VR(s.d.),
TLR(s.d.), TRL(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 VL) 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: VL die magere Spannung, VR die fette Spannung, TLR
die Übergangszeit von Fett auf Mager, TRL 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
VL, VR, TLR und TRL
der Durchschnittswert dieser besonderen
Art von Daten von zahlreichen Übergängen
VL(avg.), VR(avg.), TLR(avg.), TRL(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 VL-KLEIN und VR-
MITTEL und TLR-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 (10)
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.
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.
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.
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.
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.
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.
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.
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.
Vergleichen des den unklassifizierten Abgassauerstoff sensor charakterisierenden Vektors mit den mit jedem Da tenpunkt zusammenwirkenden Lernklassifizierern.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13094993A | 1993-10-04 | 1993-10-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4434197A1 DE4434197A1 (de) | 1995-04-06 |
DE4434197C2 true DE4434197C2 (de) | 1997-12-18 |
Family
ID=22447149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19944434197 Expired - Fee Related DE4434197C2 (de) | 1993-10-04 | 1994-09-24 | Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors |
Country Status (3)
Country | Link |
---|---|
JP (1) | JPH07166939A (de) |
DE (1) | DE4434197C2 (de) |
GB (1) | GB2283320B (de) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004030782A1 (de) * | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
DE102006030895A1 (de) * | 2006-07-01 | 2008-01-03 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Messanordnung mit Zustandsüberwachung und Verfahren zur Zustandsüberwachung einer Messanordnung |
DE10155647B4 (de) * | 2001-11-28 | 2012-07-05 | Volkswagen Ag | Verfahren zur On-Bord-Diagnose (OBD) emissionsrelevanter Baugruppen von Kraftfahrzeugen |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10023072B4 (de) * | 2000-05-11 | 2013-07-04 | Volkswagen Ag | Verfahren sowie Vorrichtung zur Bestimmung einer NOx-Konzentration eines Abgasstromes einer Verbrennungskraftmaschine |
DE10049685A1 (de) * | 2000-10-07 | 2002-04-11 | Volkswagen Ag | Verfahren und Vorrichtung zur Eigendiagnose eines NOX-Sensors |
US6860144B2 (en) * | 2003-02-18 | 2005-03-01 | Daimlerchrysler Corporation | Oxygen sensor monitoring arrangement |
DE102008032885A1 (de) * | 2008-07-14 | 2010-01-21 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors |
DE102008045840B4 (de) * | 2008-09-05 | 2023-11-02 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren zum Betreiben einer Prozess-Messstelle |
EP2296062B1 (de) | 2009-09-09 | 2021-06-23 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4751907A (en) * | 1985-09-27 | 1988-06-21 | Nissan Motor Co., Ltd. | Air/fuel ratio detecting apparatus for internal combustion engines |
DE3727573A1 (de) * | 1987-08-19 | 1989-03-02 | Bosch Gmbh Robert | Verfahren und einrichtung zur warmlauf-, vollast- und magerregelung einer brennkraftmaschine bei vorgegebenem lambda-wert |
DE4342136B4 (de) * | 1993-12-10 | 2004-03-11 | Audi Ag | Verfahren zur Diagnose einer Lambda-Sonde |
-
1994
- 1994-09-22 GB GB9419121A patent/GB2283320B/en not_active Expired - Fee Related
- 1994-09-24 DE DE19944434197 patent/DE4434197C2/de not_active Expired - Fee Related
- 1994-10-03 JP JP23917094A patent/JPH07166939A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10155647B4 (de) * | 2001-11-28 | 2012-07-05 | Volkswagen Ag | Verfahren zur On-Bord-Diagnose (OBD) emissionsrelevanter Baugruppen von Kraftfahrzeugen |
DE102004030782A1 (de) * | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
DE102006030895A1 (de) * | 2006-07-01 | 2008-01-03 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Messanordnung mit Zustandsüberwachung und Verfahren zur Zustandsüberwachung einer Messanordnung |
Also Published As
Publication number | Publication date |
---|---|
JPH07166939A (ja) | 1995-06-27 |
GB9419121D0 (en) | 1994-11-09 |
GB2283320B (en) | 1997-12-10 |
DE4434197A1 (de) | 1995-04-06 |
GB2283320A (en) | 1995-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102007060417B4 (de) | Rohchip- und Wafer-Fehlerklassifikationssystem und Verfahren dazu | |
DE69724555T2 (de) | Diagnostische Tendenzanalyse für Flugzeugtriebwerke | |
DE3825260C2 (de) | Verfahren zur fehlerdiagnose an elektrischen schaltungen und anordnung zum durchfuehren des verfahrens | |
EP1071937B1 (de) | System und verfahren zur konfiguration und/oder parametrierung einer diagnoseeinrichtung | |
EP0789861B1 (de) | Verfahren zur analyse von prozessdaten einer technischen anlage | |
DE102018200887A1 (de) | Diagnosevorrichtung | |
DE19748897A1 (de) | Vorrichtung und Verfahren zur Schätzung eines Vertrauensmaßes bei einer von einem fallbasierten Folgerungssystem erzeugten Übereinstimmung | |
DE4434197C2 (de) | Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors | |
DE4310279A1 (de) | Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten | |
DE102021124047A1 (de) | Fehlerdiagnosemethode offener Menge für Hochgeschwindigkeits-EMU-Lager | |
DE102006001285A1 (de) | Trennung einer zufälligen Jitterkomponente und einer deterministischen Jitterkomponente | |
AT523093A1 (de) | Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung | |
DE102006000916B3 (de) | Vorrichtung und Verfahren zum bewerten eines dynamischen Systems | |
DE19824208A1 (de) | Fehleranalyseverfahren und zugehörige Vorrichtung | |
DE60318795T2 (de) | Prüfung von integrierten Schaltungen | |
DE10111831A1 (de) | Verfahren zum automatischen Suchen und Sortieren von Fehlersignaturen von Wafern | |
EP4095748A1 (de) | Herstellen einer qualitätsprüfanlage | |
DE102021109126A1 (de) | Verfahren zum Testen eines Produkts | |
DE10028878A1 (de) | Verfahren zur Erkennung und Bewertung von Lecks im Saugrohr von Verbrennungsmotoren mit wenigstens einem Zylinder | |
DE102019003679A1 (de) | Motoranalysesystem zum Bestimmen einer Motoranomalie sowie Verfahren zum Bestimmen einer Motoranomalie | |
DE4020635A1 (de) | Verfahren zum bestimmen des technischen zustandes von kraftstoffeinspritzsystemen und deren bauteilen | |
DE19702774C2 (de) | Verfahren zur Ermittlung von Daten für eine Wissensbank und ihre Verwendung bei der Analyse von Gleichgewichtssituationen der in Wechselwirkung befindlichen Mineralien und Spurenelemente in Körperflüssigkeiten | |
DE102023000357B3 (de) | Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung | |
DE102005014308A1 (de) | Verfahren und Anordnung zur Nutzerführung bei der Diagnose komplexer Systeme sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium | |
WO2004021026A1 (de) | Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |