DE69418199T2 - Virtuelle emissionsüberwachungseinrichtung für kraftfahrzeuge - Google Patents

Virtuelle emissionsüberwachungseinrichtung für kraftfahrzeuge

Info

Publication number
DE69418199T2
DE69418199T2 DE69418199T DE69418199T DE69418199T2 DE 69418199 T2 DE69418199 T2 DE 69418199T2 DE 69418199 T DE69418199 T DE 69418199T DE 69418199 T DE69418199 T DE 69418199T DE 69418199 T2 DE69418199 T2 DE 69418199T2
Authority
DE
Germany
Prior art keywords
sensor
output
values
predicted
emissions
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 - Lifetime
Application number
DE69418199T
Other languages
English (en)
Other versions
DE69418199D1 (de
Inventor
Ralph Ferguson
Devendra Godbole
John Havener
James Keeler
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rockwell Automation Pavilion Inc
Original Assignee
Pavilion Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=26799346&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=DE69418199(T2) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Priority claimed from US08/102,405 external-priority patent/US5386373A/en
Application filed by Pavilion Technologies Inc filed Critical Pavilion Technologies Inc
Application granted granted Critical
Publication of DE69418199D1 publication Critical patent/DE69418199D1/de
Publication of DE69418199T2 publication Critical patent/DE69418199T2/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • 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
    • G01N33/0073—Control unit therefor
    • G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • 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
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
  • Cooling, Air Intake And Gas Exhaust, And Fuel Tank Arrangements In Propulsion Units (AREA)
  • Superstructure Of Vehicle (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Alarm Systems (AREA)

Description

    TECHNISCHER BEREICH DER ERFINDUNG
  • Die vorliegende Erfindung betrifft im allgemeinen Emissionsüberwachungssysteme und im besonderen ein System, das die kontinuierliche Emissionsüberwachung an einem Kolbenmotor durch einen virtuellen Sensor ersetzt wird.
    • HINTERGRUND DER ERFINDUNG
  • Mit zunehmendem Umwelt-Bewußtsein werden von der Industrie signifikante Änderungen gefordert. Obwohl die Industrie etwas empfänglich für die öffentliche Meinung ist, werden typischerweise Ausführungsorgane der Regierung involviert, um sicherzustellen, daß die öffentlichen Bedürfnisse erfüllt werden. Dafür richtet die Regierung Ausführungsarme bereits existierender Branchen von Unternehmen ein, wie die Umweltschutzvertretung (Environmental Protection Agency). Diese Arme erhalten die Aufgaben, Verordnungen hinsichtlich Giftabfall, Emissionen, etc., welche die Umwelt beeinflussen können einzurichten. Des weiteren erhalten diese Ausführungskörper die Aufgabe, diese Regelungen durchzusetzen. Ein besonderer Bereich, welcher in den letzten Jahren viel Aufmerksamkeit erfahren hat, ist der der Überwachung der Emission von schädlichen Gasen, welche durch Herstellungs- bzw. Produktionseinrichtungen in die Atmosphäre verbracht werden.
  • Typischerweise war die Technik zur Sicherstellung, daß schädliche Gase genau überwacht werden, die gewesen, kontinuierliche Emissionsüberwachungssysteme (CEM Continous Emissions Monitoring) durchzuführen. Diese Systeme werden verwendet, um die Menge von Emissionen, wie Schwefeldioxid (SO&sub2;), Stickoxid (NOx), Kohlenmonoxid (CO), vollständig reduzierter Schwefel (TRS Total reduced Sulfur), Opazität, flüchtiger organischer Kohlenstoff (Volatile Organic Carbon) und lebensgefährliche Substanzen aller Art zu überwachen. Der klassische Weg zum Überwachen dieser Emissionen ist das Installieren eines kontinuierlichen Emissionsmonitors (CEM) in der Anlage an jeder Emissionspunktquelle zu installieren. Behördliche Vertretungen liefern für jede Anlage Richtlinien, wie der Ausstoß zu regulieren ist, d. h. legen eine akzeptable Grenze der Emission fest. Hinsichtlich eines Kolbenmotores hat die EPA (Environmental Protection Agency) Richtlinien für den Betrieb des Motors festgelegt. Sobald er hergestellt ist, soll der Motor diese Richtlinien über die Lebensdauer des Motors unter der Annahme erfüllen, daß er korrekt unterhalten wird. Jedoch werden neue Vorschriften eingeführt, welche eine Art kontinuierliche Überwachung erfordern, die mit periodischen Check-Ups durchzuführen sind, um sicherzustellen, daß der Monitor korrekt arbeitet.
  • Der klassische CEM ist entweder aus einem in situ-Analysator, welcher direkt in dem Schacht des Hochofens oder im Abgasrohr eines Kolbenmotors oder eines Extraktionssystemes, welches Gasproben ansaugt und zu einem Analysator mit Gütequalität befördert, installiert. Jedoch sind diese Sensoren ziemlich teuer, schwierig zu unterhalten und schwer kalibriert bzw. geeicht zu halten. Als solche erfordern die Vorschriften, welche einen CEM-Monitor betreffen, daß die Sensoren häufig kalibriert bzw. geeicht werden, wobei das Kalibrierverfahren infolge der Komplexität eine Anzahl Stunden erfordern kann. Vorschriften erlauben eine maximale Stillstandszeit von 10% zur Kalibrierung. Wenn eine Einheit mehr als 10% der Zeit mit dem stillstehenden CEM in Betrieb bleibt, wird die Emissionsmenge durch die Kontrollorgane als an einem maximalen Potentiallevel zu sein betrachtet. Das resultiert in einem sich nicht in Übereinstimmung be findlichen Betrieb. Die meisten Hersteller werden den Betrieb eher einstellen als die hohen Strafen eines solchen Vorkommens in Kauf zu nehmen. Einer der Gründe dafür ist, daß der Betrieb der Anlage bezüglich der Überwachung der NOx-Emissionen "wirklich kontinuierlich" sein muß, so daß kein Spielraum für defekte Sensoren, Sensoren, welche aus der Kalibrierung geraten sind, etc. bleibt. Eine Lösung hierfür war gewesen, zusätzliche Sensoren bzw. Meßfühler zu verwenden, was eine sehr teure Lösung ist. Daher besteht ein Bedürfnis, ein System zur Verfügung zu stellen, das die Gegenwart eines Sensors nicht erfordert, während dessen sichergestellt ist, daß der Ausstoß der Anlage sich innerhalb Toleranzen relativ zu den schädlichen Emissionen befindet.
    • ZUSAMMENFASSUNG DER ERFINDUNG
  • Die hier offenbarte und beanspruchte Erfindung umfaßt ein Verfahren zum Überwachen von Emissionen in einem Einzel- Verbrennungsmotor, der schädliche Schadstoffe ausstößt und in Verbindung damit eine Vielzahl von Sensoren zum Messen ausgewählter Parameter des Motorbetriebes aufweist, wobei die gemessenen Parameter als Sensor-Ausgabewerte zur Verfügung gestellt werden. Ein Vorhersagemodell wird zur Verfügung gestellt, in welchem eine gespeicherte Darstellung des Einzel-Motores, der mit einem externen Emissionsmonitor verbunden ist, gespeichert ist. Das Voraussagemodell kann einen vorausgesagten Emissionswert ausgeben, welcher der Ausgabe des externen Emissionsmonitors entspricht, wenn er an dem Einzel-Motor angebracht ist, wobei die Eingaben in das Voraussagemodell ausgewählten Sensorausgabewerten entsprechen. Die ausgewählten Sensorausgabewerte werden dann in das Voraussagemodell eingegeben und eine Voraussage der schädlichen Schadstoffe wird während des Betriebes des Einzel-Motors ohne das Erfordernis eines externen Emissionsmonitors geliefert, welcher mit dem Einzel-Motor verbunden ist. Das wird während der Laufzeit ohne einen Laufzeit-Monitor für die Emissionen erreicht.
  • Unter einem weiteren Aspekt der vorliegenden Erfindung wird der Betrieb des Voraussagemodelles durch Anbringen eines externen Emissionsmonitors am Motor verwirklicht, um die schädlichen Schadstoff damit zu messen. Der gemessene Ausstoß wird dann mit dem vorausgesagten Ausstoß verglichen. Wenn die tatsächlichen und vorausgesagten Werte um mehr als einen vorherbestimmten Betrag differieren, wird die gespeicherte Darstellung eingestellt. Die gespeicherte Darstellung wird anfänglich durch Schulen des Voraussagemodelles an einem Schulungssatz von Daten erzeugt, welcher als Eingabedaten die tatsächlichen Sensorausgabewerte und als Zielausgabedaten den tatsächlich gemessenen Emissionsausstoß eines externen Emissionsmonitors umfaßt. Bei einem Verfahren zum einstellen der gespeicherten Darstellung wird das Voraussagemodell erneut geschult, um eine neue gespeicherte Darstellung an einem neuen Satz von Schulungsdaten zu vervollständigen. Bei einem weiteren Verfahren wird der vorausgesagte Emissionswert nur am Ausgang des Voraussagemodelles ausgeglichen, so daß der mittlere Unterschied zwischen dem ausgeglichenen vorausgesagten Emissionswert und dem tatsächlich gemessenen Emissionswert kleiner als eine vorherbestimmte Differenz ist.
  • Unter einem noch weiteren Aspekt der vorliegenden Erfindung wird der vorhergesagte Emissionswert, welcher durch das Voraussagenetz ausgegeben wird, mit einem internen Schwellenwert verglichen. Wenn der vorausgesagte Emissionswert den internen Schwellenwert übersteigt, wird ein Alarm erzeugt. Bei einer Ausführungsform ist dieser Alarm ein Licht. Der Schwellenwert kann aus einer Vielzahl gespeicherter Schwellenwerte ausgewählt werden, wobei der Schwellenwert aus der Vielzahl gespeicherter Schwellenwerte in Übereinstimmung mit vorherbestimmten Kriterien ausgewählt wird.
  • Unter einem weiteren Aspekt der vorliegenden Erfindung wird ein Kontrollsystem zum Modifizieren der Betriebsparameter des Motores vorgesehen, um den Ausstoß schädlicher Schadstoffe einzustellen. Ein Emissionskontrollsystem wird vorgesehen, welches in Antwort auf den Empfang des vorausgesagten Emissionswertes arbeitet, welcher durch das Voraussagemodell ausgegeben wird und mit einem gewünschten Ausgabewert vergleicht. Der Unterschied zwischen den zwei Werten wird durch das Kontrollsystem minimiert.
    • KURZE BESCHREIBUNG DER ZEICHNUNGEN
  • Für ein vollständigeres Verständnis der vorliegenden Erfindung und der Vorteile davon wird nun Bezug auf die folgende Beschreibung in Verbindung mit den begleitenden Zeichnungen genommen, worin:
  • Fig. 1 ein Gesamt-Blockdiagramm des virtuellen Sensors veranschaulicht,
  • Fig. 1a eine schematische Ansicht des Sensor-Validierungssystemes veranschaulicht;
  • Fig. 2 ein Blockdiagramm der Beziehung des virtuellen Sensors und des Kontrollsystemes veranschaulicht;
  • Fig. 3 eine Ausführungsform veranschaulicht, welche ein einzelnes Kontrollnetz verwendet;
  • Fig. 4 eine schematische Ansicht eines herkömmlichen Neuronennetzes veranschaulicht;
  • Fig. 5a ein genaueres Blockdiagramm des Kontrollnetzes veranschaulicht;
  • Fig. 5b ein Detail der Iterationsoperation von Fig. 5a veranschaulicht;
  • Fig. 6 ein Detail einer typischen Anlage, einen Boiler für eine Dampferzeugungseinrichtung, zeigt;
  • Fig. 7 ein Blockdiagramm des Sensorvalidierungsnetzes veranschaulicht;
  • Fig. 8 eine schematische Ansicht des autoassoziativen Voraussagenetzes veranschaulicht, das in dem System von Fig. 7 verwendet wird;
  • Fig. 9a und 9b Kurven vorausgesagter gegen tatsächliche Schadstoffsensorwerte und die Differenz dazwischen veranschaulichen;
  • Fig. 10a und 10b die Kurven der Fig. 9a und 9b veranschaulichen, worin einer der Sensoren defekt ist;
  • Fig. 11 ein Fließdiagramm zum Betreiben des Gesamtsystemes veranschaulicht;
  • Fig. 12 ein Fließdiagramm für den Sensorvalidierungsbetrieb veranschaulicht;
  • Fig. 13 die bevorzugte Ausführungsform der vorliegenden Erfindung veranschaulicht, worin der virtuelle Sensor in Verbindung mit einem Verbrennungsmotor verwendet wird;
  • Fig. 14 ein Blockdiagramm eines Systemes veranschaulicht, worin ein externer Emissionssensor zur Schulung verwendet wird;
  • Fig. 15 ein alternatives Verfahren veranschaulicht, worin das Neuschulungsverfahren außerhalb des Systemes mit einem Neuschulungsprozessor durchgeführt wird;
  • Fig. 16 ein Blockdiagramm zeigt, das den Laufzeitbetrieb des Verbrennungsmotores darstellt;
  • Fig. 17 eine Gesamtansicht des Kommunikationssystemes zeigt;
  • Fig. 18 eine Kurve des tatsächlichen Emissionsausstoßes, welcher durch einen externen Emissionsmonitor gemessen wird und den vorausgesagte Ausstoß aus dem virtuellen Sensor zeigt;
  • Fig. 19 zeigt ein Fließdiagramm, das den Gesamtlaufzeit- Kontrollbetrieb zeigt, und
  • Fig. 20 zeigt ein Fließdiagramm, das den Schulungsbetrieb zeigt.
    • GENAUE BESCHREIBUNG DER ERFINDUNG
  • Unter Bezugnahme auf Fig. 1 ist ein Gesamt-Blockdiagramm gezeigt. Eine Anlage bzw. Fabrik 10 ist vorgesehen, welche während des Normalbetriebes einige Emissionen 12 freisetzt, welche eine gewisse Menge Schadstoff enthalten. Die Schad stoffe 12 werden durch einen Schadstoffsensor 14 oder unter Verwendung von von der EPA eingerichteten Referenzverfahren überwacht, wobei der Sensor 14 schematisch dargestellt ist, um eine kontinuierliche Emissionsüberwachung vorzusehen. Das wird als CEM bezeichnet. Wie nachfolgend beschrieben werden wird, sieht die vorliegende Erfindung einen virtuellen Sensorbetrieb vor, worin der Schadstoffsensor 14 nur zur anfänglichen Schulung des virtuellen Sensornetzes gebraucht wird. Der Schadstoffsensor 14 wird verwendet, um Schulungsdaten zu sammeln, welche mit den Kontrollwerten und Sensorwerten kombiniert werden sollen, welche für ein Distributions-Kontrollsystem (DCS) 16 verfügbar sind, im allgemeinen als das Anlageninformationssystem bezeichnet. Das DCS 16 liefert Kontrollwerte, welche mit Kontrolleingaben in das System und Sensorwerten in einen Computer 15 verbunden sind. Der Computer 15 besteht aus einem virtuellen Sensornetz 18, das im wesentlichen eine nicht-lineare Darstellung der Anlage 10 liefert, wobei die nicht-lineare Darstellung eine "gelernte" Darstellung ist. Das virtuelle Sensornetz kann Laufzeiteingaben 20 von einem Sensorvalidierungssystem 22 empfangen. Das Sensorvalidierungssystem 22 kann tatsächlich gemessene Eingaben 24 aus der Anlage 10 durch das DCS 16 empfangen. Diese gemessenen Eingänge stellen gemessene Zustandsvariablen der Anlage in Form von Sensorwerten und auch Kontrollwerten dar, welche in die Anlage eingegeben werden, um dafür eine Kontrolle vorzusehen. Wie unten beschrieben werden wird, sind die verschiedenen Eingaben 24 als Eingaben in das virtuelle Sensornetz 18 durch das DCS 16 vorgesehen. Einige dieser Eingaben können jedoch fehlerhaft sein und das Sensorvalidierungssystem 22 kann einen Alarm erzeugen, wenn irgendeiner der angeordneten Sensoren versagt und die mangelhaften Sensorwerte mit bereinigten Sensorwerten ersetzen.
  • Das virtuelle Sensornetz 18 kann die Eingaben 20 empfangen und Anlagenkontrollen und -alarme voraussagen. Das virtuelle Sensornetz 18 kann die Schadstoffmengen voraussagen, welche normalerweise durch den Schadstoffsensor 14 überwacht würden; damit liefert es einen virtuellen Sensor. Das Sensornetz 18 ist ein Netzwerk, das mit einem Schulungs- bzw. Lehr- bzw. Trainingssystem 28 geschult werden kann. Das Schulungssystem 28 verwendet als Ziel die tatsächliche Schadstoffmenge in einer Leitung 13, wie sie durch den Schadstoffsensor 14 gemessen wurde, wenn sie vorliegt, und auch die Eingaben 24 aus der Anlage 10. Die Differenz zwischen der vorausgesagten Schadstoffmenge in einer Leitung 17 und der tatsächlichen Schadstoffmenge in Leitung 13 erzeugt einen Fehler in Leitung 19, welcher von dem Schulungssystem verwendet wird, um die gespeicherte Darstellung in dem virtuellen Sensormodul einzustellen, um den Fehler zu minimieren. Im Betrieb, wie unten genauer beschrieben werden wird, ist der Schadstoffsensor 14 ein kontinuierlicher Emissionsmonitor (CEM Continuous Emissions Monitor), welcher betrieben werden kann, um zeitweise mit der Anlage 10 verbunden zu sein, um die Menge der Schadstoffe 12 zu überwachen. Das liefert dem Schulungssystem 28 ein Ziel. Das Netzwerk 18 wird dann sowohl mit den gemessenen Anlagensensor- wie auch Kontroll-Werten, ausgenommen der CEM- Ausgabe, und der CEM-Eingabe, wenn vorhanden, geschult. Diese Information wird verwendet, um einen Schulungsdatensatz zu erzeugen.
  • Nach der Schulung wird der Schadstoffsensor 14 entfernt und dann arbeitet das System durch Voraussagen dessen, was die Ausgabe des CEM oder Schadstoffsensors 14 sein würde. Das virtuelle Sensornetz 18 ersetzt dann den Schadstoffsensor 14 und kann dann in einer Kontrollfunktion verwendet werden, um Anlagenkontrolle/-alarme vorauszusagen, um den Betrieb der Anlage 10 innerhalb annehmbarer Standards aufrecht zu erhalten. Des weiteren kann das virtuelle Sensornetz 18 verwendet werden, nur um eine Ausgabe anstelle des Schadstoffsensors 14 zu liefern, welche vom Operator des Sensors verwendet werden kann, um sicherzustellen, daß alle erforderlichen Verfahren eingehalten werden, um sicherzu stellen, daß sich die Menge an Schadstoffen innerhalb annehmbarer Bereiche befindet. Wenn beispielsweise die vorausgesagte Ausgabe aus dem Netzwerk 18 eine der eingerichteten Richtlinien oder Schwellenwerte übersteigen würde, würde der Operator dann bestimmte vorgeschriebene Vorgehensweisen verfolgen, um die Situation zu korrigieren. Das wäre der Fall sogar wenn der Schadstoffsensor 14 anwesend wäre. Der Vorteil davon ist, daß der relativ teure und schwierig aufrechtzuerhaltende Schadstoffsensor 14 nicht vorhanden sein müßte. Des weiteren wird ein neuer Schadstoffsensor 14 oder ein tragbarer Schadstoffsensor 14 periodisch verwendet, um den Betrieb eines virtuellen Sensornetzes 18 zu überprüfen, um sicherzustellen, daß es genau arbeitet und daß sich keine Parameter der Anlage so geändert hat, daß die Voraussage nun unkorrekt ist oder das Modell nicht länger die Anlage darstellt. Auf diese Weise müßte das System erneut geschult werden, indem ein neuer Satz von Schulungsdaten verwendet wird, welcher durch Verbinden des Schadstoffsensors 14 und der Anlage 10 geliefert werden würde. Das könnte die Situation sein, in welcher einige Meßvorrichtungen schadhaft geworden sind oder die Anlage selbst veränderte Parameter hätte, infolge von wesentlichen Verbesserungen, Alter, etc.
  • Bei einer anderen Betriebsweise kann der Schadstoffsensor 14 in einer Situation sein, wo er von der Anlage 10 zu Kalibrierungs- bzw. Eichungszwecken entfernt werden. Während dieser Zeit wird dann das virtuelle Sensornetz 18 verwendet, um den Sensor 14 während des Eich- bzw. Kalibrierverfahrens zu ersetzen.
  • Bezug nehmend auf die Fig. 1a ist ein Blockdiagramm des Betriebes des Sensorvalidierungssystemes 22 gezeigt. Eine Vielzahl von Sensoren 27, 29, 31, 33 und 35 sind dargestellt. Jeder der Sensoren 27, 29, 31, 33 und 35 weist einen Ausgang auf, der mit dem Eingang des virtuellen Sensors 18 verbunden ist. Zusätzlich ist jeder der Ausgänge mit ei nem Bewertungssystem 37 verbunden, um zu bestimmen, ob der Sensor gültig ist, wie nachfolgend beschrieben werden wird. Wenn irgendeiner der Sensoren 27, 29, 31, 33 und 35 als fehlerhaft bestimmt wird, wird er durch einen Ersatzsensor 39 ersetzt, welcher ein vorausgesagter Sensorwert ist, der den Ausgang des fehlerhaften Sensors voraussagt, unter Verwendung einer gespeicherten Darstellung des fehlerhaften Sensors, wobei die gespeicherte Darstellung eine Funktion der anderen Sensoren 27, 29, 31, 33 und 35 ist. Daher erfordert der Ersatzsensor 39 als Eingaben die Ausgaben der gültigen Sensoren und den vorausgesagten Ausgang des Ersatzsensors. Das ist in Fig. 1a dargestellt, wobei der Sensor 29 ersetzt ist und der Ersatzsensor 39 als Eingänge die Ausgänge der Sensoren 27, 31, 33 und 35 empfängt und anstelle der Ausgabe des Sensors 29 die vorausgesagte Ausgabe des Ersatzsensors 39. Des weiteren könnte ein weiterer Sensor ersetzt werden, wobei der Ausgang des Ersatzsensors 39 ein Eingang für den neuen und zusätzlichen Sensor ist (nicht gezeigt).
  • Bezug nehmend auf Fig. 2 ist ein Blockdiagramm für den Betrieb gezeigt, worin ein virtuelles Sensorvoraussagenetz 32 vorgesehen ist, das gemessene Anlage-Sensorwerte s(t) aus der Anlage 10 mißt und auch die Kontrollwerte x(t), welche Eingänge in die Anlage 10 sind. Das virtuelle Sensorvoraussagenetz 32 kann einen vorausgesagten virtuellen Sensorwert op(t) zur Eingabe in einen Multiplexer 34 ausgeben. Der Sensorwert aus dem Sensor 14 wird an der Leitung 36 in den Multiplexer 34 eingegeben. Der Multiplexer 34 kann sowohl die vorausgesagte Ausgabe des Netzes 32 als auch die tatsächliche Ausgabe des Sensors 14 zur Eingabe in ein Kontrollsystem 38 auswählen. Das Kontrollsystem 38 kann die Eingabewerte x(t) in die Anlage 10 erzeugen. Der Multiplexer 34 stellt den Betrieb dar, worin die Ausgabe des Netzes 32 verwendet wird, um den Sensor 14 zu ersetzen.
  • Unter Bezugnahme auf die Fig. 3 ist eine Ausführungsform des Systemes gezeigt, worin ein dynamisches Kontrollsystem vorgesehen ist. Bei diesem System ist ein Kontrollnetzwerk 40 vorgesehen, das als eine Eingabe den Kontrolleingabewert x(t) und die Sensorwerte s(t) empfängt, die Sensorwerte s(t) umfassen die gemessenen Anlagenvariablen, wie Durchflußmetermessungen, Temperaturmessungen, etc. Zusätzlich kann das Kontrollnetz 40 einen gewünschten Ausgabewert als eine der Eingaben empfangen. Das Kontrollnetz 40 enthält eine gespeicherte Darstellung der Anlage und kann einen Satz von Kontrolleingabewerten x(t + 1) ausgeben. Diese sind Eingaben in ein Distributionskontrollsystem (DCS) 42, das die Kontrollwerte x(t) erzeugen kann. Das Kontrollnetz 40 ist ein herkömmliches Kontrollnetz, das an einer gegebenen gewünschten Eingabe geschult ist und das die Sensorwerte und Kontrollwerte und die aktualisierten Kontrollwerte x(t + 1) empfangen kann, welche erforderlich sind, um die gewünschten Ausgaben zu liefern. Das Kontrollnetz 40 besteht im allgemeinen aus einem Neuronennetzwerk mit damit verbundenen Eichungen, welche die Darstellung definieren, welche in dem Neuronennetzwerk gespeichert ist. Bei der Ausführungsform von Fig. 3 sind diese Eichungen eingefroren und wurden durch Schulung des Kontrollnetzes 40 an einem gegebenen gewünschten Ausgang mit einem gegebenen Satz von Schulungsdaten für die Kontrollwerte x(t) und die Sensorwerte s(t) erlernt. Ein gewünschter Ausgang wird als ein Eingang zum Auswählen zwischen Sätzen von Eichmaßen geliefert. Der allgemeine Betrieb von Kontrollnetzwerken ist in W. T. Miller, III, R. S. Sutton und P. J. Werbos, "Neural Networks for Control", The MIT Press, 1990 beschrieben.
  • Bezug nehmend auf die Fig. 4 ist ein genaues Diagramm eines herkömmlichen Neuronennetzwerkes gezeigt, das aus Eingabeknoten 44, verborgenen Knoten 46 und Ausgabeknoten 48 besteht. Die Eingabeknoten 44 bestehen aus N Knoten, die mit x&sub1;, x&sub2;, ... xN bezeichnet sind, welche einen Eingabevektor x(t) empfangen können, der aus einer Vielzahl von Eingängen INP1(t), INP2(t), ... INPN(t) besteht. In ähnlicherweise sind die Ausgabeknoten 48 mit o&sub1;, o&sub2;, ... oK bezeichnet, welche einen Ausgabevektor o(t) erzeugen können, der aus dem Ausgang OUT1(t), OUT2(t), ... OUTK(t) besteht. Die Eingabeknoten 44 sind mit den verborgenen Knoten 46 verbunden, wobei die verborgenen Knoten 46 mit a&sub1;, a&sub2;, ... an bezeichnet sind, durch ein Verknüpfungsnetzwerk, worin jeder Eingangsknoten 44 mit einem verborgenen Knoten 46 verknüpft ist. Einige Verknüpfungsschemata jedoch erfordern keine vollständige Verknüpfung. Jede der Verknüpfungsstellen besitzt eine Wertigkeit Wij¹. Jeder der verborgenen Knoten 46 weist einen Ausgang oi mit einer Funktion g auf, wobei die Ausgabe eines jeden verborgenen Knotens wie folgt definiert ist:
  • = g( W¹ij xi + b¹j) (1)
  • In ähnlicher Weise ist der Ausgang eines jeden verborgenen Knotens 46 mit im wesentlichen allen Ausgangsknoten 48 durch ein Verknüpfungsnetzwerk verknüpft, wobei jede Verknüpfungsstelle eine Wertigkeit Wjk² aufweist, die damit verbunden ist. Der Ausgang eines jeden Ausgabeknotens ist wie folgt definiert:
  • = g( W²jk aj + b²k) (2)
  • Dieses Neuronennetzwerk wird dann geschult, um eine Funktion f(s(t), P) wie folgt zu erlernen:
  • (t) = ( (t), ) (3)
  • worin o(t) ein Ausgabevektor und P ein Vektor oder Parameter ("Wertigkeit") ist, welche während der Lernstufe variabel sind. Ziel ist es, die Gesamtsumme-Quadrat- Fehlerfunktion
  • = ( (t) - (t))² (4)
  • zu minimieren. Die Gesamtsumme-Quadrat-Fehlerfunktion wird minimiert, indem die Parameter P der Funktion f geändert werden. Das wird durch die Rückübertragung oder ein Gradientenabfallverfahren bei der bevorzugten Ausführungsform an den Parametern Wjk², Wij¹, b¹j, b²k durchgeführt. Das ist in zahlreichen Artikeln beschrieben und gut bekannt. Daher ist das Neuronennetzwerk im wesentlichen ein Parameteranpassungsschema, das als Klasse statistischer Algorithmen zur Anpassung von Wahrscheinlichkeitsverteilungen angesehen werden kann. Alternativ kann das Neuronennetzwerk als ein funktioneller Approximator betrachtet werden, der die Eingabe-Ausgabe-Daten mit einer hochdimensionellen Oberfläche verbindet. Das Neuronennetzwerk verwendet eine sehr einfache, nahezu triviale Funktion (typischerweise Sigmoide) in einer geschachtelten Multischicht-Struktur.
  • Das oben beschriebene Neuronennetzwerk ist nur ein Beispiel. Andere Arten von Neuronennetzwerken, welche verwendet werden können, sind jene mit vielen verborgenen Schichten, Radialbasisfunktionen, Gaußschen Gliedern (wie in der US-PS 5,113,483, die am 12. Mai 1992 veröffentlicht wurde und hier unter Bezugnahme darauf eingebracht ist, beschrieben ist) und andere Arten von allgemeinen Neuronennetzwerken. Bei der bevorzugten Ausführungsform ist das verwendete Neuronennetzwerk von der Art, die als Multischicht-Perzeptron bezeichnet wird.
  • Bezug nehmend auf die Fig. 5a ist ein Blockdiagramm eines Kontrollsystemes zur Optimierung/Kontrolle des Betriebes einer Anlage gezeigt. Die Anlage 10 hat einen Eingang zum Empfangen der Kontrollwerte x(t) und einen Ausgang, um den tatsächlichen Ausgang y(t) mit den Sensorwerten s(t), die damit verbunden sind, zu versehen, wobei diese die internen Zustandsvariablen sind. Ein Anlagenvoraussagemodell 74 wird mit einem Neuronennetzwerk entwickelt, um die Anlage genau in Übereinstimmung mit der Funktion f(x(t), s(t)) zu modellieren, um einen Ausgang oP(t) zu liefern, welcher die vorausgesagte Ausgabe des Anlagenvoraussagemodelles 74 darstellt. Die Eingänge zum Anlagenmodell 74 sind die Kontrollwerte x(t) und die Sensorwerte s(t). Zum Zweck der Optimierung/Kontrolle gilt das Anlagenmodell 74 ein relativ genaues Modell des Betriebes der Anlage 72 zu sein. Bei ei nem Optimierungs-/Kontrollverfahren erzeugt ein Operator unabhängig einen gewünschten Ausgabewert od(t) zur Eingabe in einen Fehlererzeugungsblock 78, welcher auch die vorausgesagte Ausgabe oP(t) empfängt. Es wird ein Fehler zwischen den gewünschten und den vorausgesagten Ausgängen und Eingängen aus bzw. in ein inverses Anlagenmodell 76 erzeugt, welches identisch mit dem Neuronennetzwerk ist, das das Anlagenvoraussagemodell 74 darstellt, mit der Ausnahme, daß es durch Rückübertragung des Fehlers durch das ursprüngliche Anlagenmodell betrieben wird, wobei die Wertigkeiten des Voraussagemodelles eingefroren sind. Diese Rückübertragung des Fehlers durch das Netzwerk ist ähnlich einer Inversion des Netzwerkes, wobei die Ausgabe des Anlagenmodelles 76 ein Δx(t + 1) darstellt, das in einem Gradientenabfallbetrieb verwendet wird, der durch einen Iterationsblock 77 veranschaulicht ist. In Betrieb wird der Wert Δx(t + 1) ursprünglich zu dem Eingabewert x(t) addiert und diese Summe wird dann durch das Anlagenvoraussagemodell 74 verarbeitet, um einen neuen vorausgesagten Ausgang oP (t) und einen neuen Fehler zu liefern. Diese Iteration wird fortgesetzt, bis der Fehler unter den vorbestimmten Wert reduziert ist. Der Endwert wird dann als die neuen vorausgesagten Kontrollwerte x(t + 1) ausgegeben.
  • Dieser neue x(t + 1)-Wert umfaßt die Kontrollwerte, welche erforderlich sind, um den tatsächlichen Ausgang bzw. Ausstoß aus der Anlage 72 zu erreichen. Dieser wird in ein Kontrollsystem 73 eingegeben, wobei ein neuer Wert dem System zur Eingabe als die Kontrollwerte x(t) dargestellt ist. Das Kontrollsystem 73 kann eine generalisierte Kontrolleingabe empfangen, welche durch das verteilte Kontrollsystem 73 variiert werden können. Die allgemeine Terminologie für die Rückübertragung eines Fehlers zu Kontrollzwecken ist "Back Propagation-to-Activation" (BPA).
  • Bei der bevorzugten Ausführungsform wird das zur Rückübertragung des Fehlers durch das Anlagenmodell 76 verwendete Verfahren, einen lokalen Gradientenabfall durch das Netzwerk vom Ausgang zum Eingang bei eingefrorenen Wertigkeiten zu verwenden. Der erste Schritt besteht darin, die vorliegenden Eingänge für sowohl die Kontrollwerte x(t) als auch die Sensorwerte s(t) in ein Anlagenmodell 74 anzuwenden, um einen vorausgesagten Ausstoß oP(t) zu erzeugen. Ein lokaler Gradientenabfall wird dann an dem Neuronennetzwerk vom Ausgang zum Eingang durchgeführt, wobei die Wertigkeiten durch Eingabe des Fehlers zwischen dem gewünschten Ausgang od(t) und dem vorausgesagten Ausgang op(t) in Übereinstimmung mit der folgenden Gleichung eingefroren sind:
  • worin η ein einstellbarer "Schrittgrößen"-Parameter ist. Der Ausgang wird dann aus dem neuen x(t)-Wert neu erzeugt und das Gradientenabfall-Verfahren wird wiederholt.
  • Bezug nehmend nun auf Fig. 5b ist ein genaues Blockdiagramm des Iterationsblockes 77 dargestellt. Der Iterationsblock 77 besteht aus einer Aufsummierungsverbindung, welche den Δx(t + 1)-Eingang und den Ausgang eines Multiplexor/selbsterhaltenden Schalterblockes 86 empfangen kann. Der Multiplexor/selbsterhaltende Schalterblock 86 kann sowohl den Ausgang der Summierungsverbindung 84 als Feedback eines Einganges als auch die Kontrollvariable x(t) empfangen. Der Ausgang des Summierungsblockes 84 ist die Summe des vorhergehenden Wertes x(t) plus dem neuen iterativen Änderungswert Δx(t). Das wird dann iterativ summiert, wobei der vorhergehende Wert einen neuen iterativen Wert erzeugt, bis der Fehler bei einer vorherbestimmten Marge liegt. An diesem Punkt wird der Ausgang der Summierungsverbindung 84 den neuen Kontrollwert x(t + 1) umfassen.
  • Ein weiteres Standardverfahren zur Optimierung beinhaltet eine statistische Suche durch die verschiedenen Kontrollwerte, um das Quadrat der Differenz zwischen den vorausgesagten Ausgängen und den gewünschten Ausgängen zu minimie ren. Das wird häufig als Monte-Carlo-Suche bezeichnet. Diese Suche bzw. Untersuchung arbeitet durch Durchführung statistischer Änderungen, um die Kontrollwerte zu ändern und diese modifizierten Kontrollwerte in ein Modell einzugeben, um den vorausgesagten Ausgang zu erzeugen. Der vorausgesagte Ausgang wird dann mit dem gewünschten Ausgang verglichen und der beste Satz von Kontrollwerten wird über die gesamte statistische Untersuchung verfolgt. Wenn genügend Zufallsuntersuchungen durchgeführt sind, wird ein Satz von Kontrollwerten erhalten werden, welcher einen vorausgesagten Ausgang erzeugt, welcher dem gewünschten Ausgang sehr nahe liegt. Für die technischen Voraussetzungen wird Bezug genommen auf S. Kirkpatrick, C. D. Gelatt, M. P. Vecchi, "Optimization by Simulated Annealing", Science, Bd. 220, 671-78 (1983).
  • Bezug nehmend nun auf Fig. 6 ist eine schematische Ansicht einer Anlage gezeigt, welche bei einem Hersteller bzw. Produzenten vorliegen kann. Die Anlage umfaßt typischerweise einen Kessel 92 mit einer Heizanlage 94, welche im unteren Ende davon angeordnet ist. Der Kessel 92 grenzt an einen Schacht 96 durch eine Vorheizkammer 98 an. Viele Leitungen bzw. Rohre, wovon Rohr 100 typisch ist, können durch die Kammer 98 laufen und in den Kessel 92 eintreten. Das Rohr 100 passiert dann serpentinenartig den Kessel 92 zu einem Ausgangsdruckbehälter 104, welcher unter Druck steht. Der Behälter 104 kann Dampf aus dem Ausgang 106 erzeugen. Das andere Ende des Rohres 100, das in die Kammer 98 eintritt, ist mit einer Quelle 108 von entionisiertem Wasser verbunden. Im Betrieb wird das Wasser durch das Rohr 100 in die Kammer 98 geleitet, das darin Wärme aufnimmt und dann in den Hauptkessel 92 eintritt, wo es weiter erhitzt wird. Dann läuft es durch den Behälter 104. Die Heizkammer 94 weist ein damit verbundenes Heizelement 116 auf, das Gas durch eine Gasleitung 118 und Luft durch eine Luftleitung 120 empfangen kann. Die Mischung aus Gas und Luft erlaubt es dem Heizelement 116, die Heizbox 94 zu erhitzen und das Wasser in dem Rohr 100 innerhalb des Kessels 92 aufzuwärmen.
  • Das Rohr 100 weist, wenn es die Quelle 108 mit entionisiertem Wasser verläßt, einen durch den Meßzähler 122 gemessenen Fluß auf. Ein Ventil 124 ermöglicht die Kontrolle des Fluidflusses aus der Quelle 108 in die Kammer 98. Zwei Temperatursensoren 126 und 128 sind an verschiedenen Stellen entlang dem Rohr 100 innerhalb der Kammer 90 vorgesehen, um eine Temperaturmessung davon vorzusehen. Zusätzlich sind Temperatursensoren 130, 132 und 134 entlang dem Rohr 100 an verschiedenen Stellen innerhalb des Hauptkessels 92 vorgesehen. Ein Temperatursensor 136 ist für die Heizbox 94 vorgesehen. Die Menge an Fluid innerhalb des Druckbehälters 104 wird durch einen Zustandsmesser 142 gemessen und der Druck darin durch einen Druckmesser 146. Ein Mengenmesser 150 ist vorgesehen, um den Dampffluß aus dem Druckbehälter zu messen und ein Kontrollventil 152 liefert Kontrolle des Dampfes, welcher den Druckbehälter 104 verläßt. Das Heizelement 116 wird durch ein Ventil 158 an der Gasleitung kontrolliert, dessen Fluß durch einen Mengenmesser 160 gemessen wird. Der Mengenmesser an der Luftleitung 120 wird durch einen Mengenmesser 162 gemessen. Ein Dämpfer 163 im Schacht 96 wird verwendet, um den Luftstrom durch die Heizbox 94 zu kontrollieren.
  • Es ist ersichtlich, daß die Sensorwerte s(t) der Anlage durch die verschiedenen Temperatur- und Flußmeßeinrichtungen vorgesehen sind. Des weiteren liefern die Kontrollwerte in Form von verschiedenen Ventil- und Dämpferpositionen die Kontrollwerte in die Anlage. Daher kann ein Operator den Betrieb der Anlage durch Kontrollieren der verschiedenen Fließmengenmesser und weiterer Kontrollwerte, wovon einige nicht dargestellt sind, kontrollieren. Die verbleibenden Eingänge, welche erforderlich sind, um eine adäquate Kontrolle der Anlage zum Zwecke einer kontinuierlichen Emissionsüberwachung zu liefern, sind die NOx-Werte. Diese werden durch das virtuelle Sensornetzwerk 18 von Fig. 1 geliefert. Wie jedoch oben beschrieben worden ist, wird periodisch eine tragbare Einheit 170, mit einem daran angeordneten CEM 172 über eine Leitung 174 mit dem Schacht 96 verbunden, um die Menge an NOx im Emissionsausstoß an die Luft zu messen. Der CEM 172 erzeugt dann einen Bericht über die Menge an NOx. Wenn diese Menge innerhalb eines annehmbaren Standards liegt, wird sie lediglich berichtet. Wenn diese Menge außerhalb der annehmbaren Grenzen liegt, wird das dem Anlagenoperator berichtet und es werden entweder Änderungen durchgeführt oder die Anlage wird abgeschaltet. Darüber hinaus wird die durch den CEM 172 erzeugte Information auf einer Zeitskala erzeugt und diese umfaßt Schulungsdaten. Diese Schulungsdaten, da sie auf Basis einer herkömmlichen Zeitskala vorliegen, können dann mit Daten kombiniert oder vereint werden, die mit den Sensorwerten und den Kontrollwerten verbunden sind, welche auch auf einer Zeitbasis vorliegen, um neue Schulungsdaten für das virtuelle Sensornetzwerk 18 zu liefern. Dieses kann durch das Schulungssystem 20 verwendet werden, um gegebenenfalls das virtuelle Sensornetzwerk 18 erneut zu schulen.
  • Nun Bezug nehmend auf Fig. 7 ist ein Blockdiagramm der bevorzugten Ausführungsform des Sensorvalidierungssystemes 22 gezeigt. Um sicherzustellen, daß die Gesamteingaben x(t) in das Netzwerk 18 "gültig" sind, ist es erforderlich, einige Vergleiche mit den erwarteten oder vorausgesagten Werten durchzuführen. Wenn angenommen wird, daß die erzeugten Werte nicht genau sind, wird dann ein Alarm erzeugt, um den Anlagenoperator oder ein Kontrollsystem anzuweisen, den Sensor zu kalibrieren oder den Sensor zu reparieren, und ein geschätzter und vorausgesagter Wert für diesen Sensorwert wird für den tatsächlichen gemessenen Wert des Sensors ersetzt.
  • Bei einer bevorzugten Ausführungsform wird ein autoassoziatives Voraussageneuronennetzwerk 180 vorgesehen, das ein Netzwerk mit einer Eingabeschicht zum Empfangen ausgewählter von Eingaben x(t) an einem Eingang 182 umfaßt. Obwohl nicht dargestellt, sind nur bestimmte der tatsächlichen Sensorwerte als Eingaben für das virtuelle Sensornetz 18 erforderlich, um eine genaue Voraussage der NOx-Mengen zu liefern, welche im allgemeinen durch den Schadstoffsensor 14 geliefert werden würden. Diese werden bestimmt, indem eine Empfindlichkeitsanalyse durchgeführt wird. Das ist in der US-PS 056,197, angemeldet am 30. April 1993, betitelt "Method and Apparatus for Determining the Sensivity of Inputs to a Neural Network on Output Parameters" (Atty. Dkt. No. PAVI-21,761), beschrieben, welche auf den vorliegenden Patentinhaber läuft. Unter Verwendung der Empfindlichkeitsanalyse kann die Anzahl von Eingaben in das Netzwerk 18 bedeutend vermindert und nur die wesentlichen Eingaben verwendet werden. Das reduziert wesentlich die Größe des autoassoziativen Voraussagenetzwerkes 180 und auch des virtuellen Sensornetzwerkes 18.
  • Die aktuellen Eingaben x(t) werden in einen Multiplexer 186 eingegeben, welcher zwischen den vorausgesagten Eingaben xP(t)-Ausgaben durch das Netzwerk 118 auswählen kann, das eine vorausgesagte Ausgabe ist und den tatsächlichen Eingaben x(t). Im Betrieb tritt ein erster Zyklus auf, wenn der Multiplexor die tatsächlichen Eingaben x(t) auswählt. Die vorausgesagten Eingaben xP(t) werden dann in eine Subtraktionsschaltung 188 eingegeben, um die Differenz zwischen x(t) und xP(t) festzustellen. Diese Differenz wird in den Komparator 190 eingegeben, um den in einem Schwellenwertspeicher 192 gespeicherten Schwellenwert zu vergleichen. Die eine der tatsächlichen Eingaben in das Netzwerk 180 mit damit verbundenem größten Fehler im Vergleich zu dem annehmbaren Schwellenwert, wird dann mit der verbundenen Ausgabe des Netzwerkes 180 verbunden. Die tatsächlichen Eingaben x(t) mit den substituierten oder wiederverbundenen Eingaben wird dann erneut durch das autoassoziative Voraussagenetzwerk 180 geleitet. Bei diesem nächsten Zyklus wird der Unterschied zwischen den tatsächlichen und den vorausgesagten Werten erneut bestimmt, im Vergleich mit den Schwellenwerten, und diejenigen der tatsächlichen Eingaben mit den größten Fehlern werden mit den verbundenen vorausgesagten Eingaben durch den Multiplexer 186 wieder verbunden. Das wiederholt sich, bis alle vorausgesagten Eingaben sich innerhalb eines vorherbestimmten Bereiches befinden, wobei die bestimmten Fehler oder unannehmbaren tatsächlichen Werte durch die vorherbestimmten Werte, die durch das Netzwerk 180 ausgegeben werden, ersetzt werden. Sobald das erfolgt ist, werden die aus dem Netzwerk 180 vorausgesagten Werte in einen Multiplexor 196 eingegeben und der Multiplexor 196 wählt zur Ausgabe daraus die tatsächlichen Werte aus, welche bestimmt wurden, annehmbar zu sein, und die vorausgesagten Werte als Ersatz für die tatsächlichen Werte, welche als nicht akzeptabel bestimmt wurden. Es sollte verstanden werden, daß die vorausgesagten Werte erzeugt werden, indem das Netzwerk mit den bestimmten, nicht akzeptablen, tatsächlichen Werten, ersetzt mit den verbundenen vorausgesagten Werten durch den Multiplexor 186 betrieben wird. Der Ausgang des Multiplexors 196 wird dann in das virtuelle Sensornetzwerk 18 eingegeben.
  • Bei einer weiteren Ausführungsform können die vorausgesagten Eingabewerte, welche durch das autoassoziative Voraussagenetzwerk 180 ausgegeben werden, als die Eingabe in das virtuelle Sensornetzwerk 18 zur Verfügung gestellt werden. Das würde dann den Multiplexor 196 nicht erforderlich machen und tatsächlich kann das autoassoziative Voraussagenetzwerk 180 kontinuierlich Sensoreingaben überwachen und ersetzen, welche als ungültig bestimmt sind.
  • Bezug nehmend nun auf Fig. 8 ist eine schematische Ansicht des autoassoziativen Voraussagenetzwerkes 180 gezeigt. Das Netzwerk besteht aus einer Eingabeschicht von Knoten 198 und einer Ausgabeschicht von Knoten 200. Es gibt einen Knoten in der Lage 198 für jeden der Eingabevektoren x(t), dargestellt als x&sub1;(t), x&sub2;(t), ... xn(t). Gleichermaßen gibt es einen einzigen Knoten für jede der vorausgesagten Ausgabenvariablen xP(t), so daß Ausgaben x&sub1;P(t), x&sub2;P(t), ... xnP(t) existieren. Die Eingabeschicht der Knoten 198 ist durch die Ausgabeschicht von Knoten 200 durch eine verborgene Schicht von Knoten 202 abgebildet. Die verborgene Schicht von Knoten 202 weist eine Vielzahl von Verbindungen mit jedem der Knoten in der Eingabeschicht von Knoten und jeder der Ausgabeschicht von Knoten 200 auf. Jede dieser (Zwischen)verbindungen wird mit einer Wertigkeit versehen. Des weiteren ist die Anzahl von Knoten in der verborgenen Schicht von Knoten 202 geringer als die Anzahl von Knoten in sowohl der Eingabeschicht 198 als auch der Ausgabeschicht 200. Das wird daher als Bowtie-Netzwerk bezeichnet. Das Netzwerk 180 kann durch eine Rückübertragung- Schulungstechnik geschult werden. Das ist in D. E. Rumelhart, G. E. Hinton und R. J. Williams, "Learning Internal Representations by Propagations" in D. E. Rumelhart und J. L. McClelland, Parallel Distributive Processing, Bd. 1, 1986 beschrieben.
  • Bezug nehmend nun auf die Fig. 9a und 9b werden zwei Auftragungen gezeigt, welche den Betrieb des Sensorvalidierungssystemes 22 zeigen. Die tatsächlichen Eingaben sind durch XA dargestellt und die vorausgesagten Eingaben als XP. Es ist ersichtlich, daß die vorausgesagten Eingaben nicht genau den tatsächlichen Eingaben folgen, wobei festzuhalten ist, daß die tatsächliche Eingabe tatsächlich die Eingabe in das Gesamtsystem ist. Die Differenz zwischen den tatsächlichen und den vorausgesagten Eingabewerten ist in Fig. 9b gezeigt.
  • Bezug nehmend nun auf die Fig. 10a und 10b sind entsprechende Aufzeichnungen zu denen von den Fig. 9a und 9b gezeigt, mit der Ausnahme, daß der Sensor, welcher die tatsächliche Eingabe erzeugt, versagt. Es ist ersichtlich, daß bis zu einem Punkt 204 auf der Kurve XA die vorausgesagten und tatsächlichen Sensorwerte einigermaßen mit geringen Fehlern auftreten. Jedoch bei Punkt 204 erhöht sich der Fehler dramatisch, was anzeigt, daß der Sensor nicht länger einen Wert liefert, welcher dem vorausgesagten Wert entspricht. Das ist in Fig. 10b gezeigt, worin der Fehler ansteigt. Wenn der Unterschied zwischen XA und XP größer als der Schwellenwert ist, zeigt das eine ungültige Ablesung an. Wie oben festgestellt worden ist, wird jedoch nur einer der Sensoren mit dem höchsten Fehler über dem Schwellenwert als Austauschwert durch den Multiplexor 86 für den nächsten Zyklus ausgewählt werden. Grund dafür ist, daß das Netzwerk 180 auf alle Eingabenvariablen geschult ist und alle Eingabenvariablen die Voraussagewerte für die verbliebenen beeinflussen wird. Wenn daher die tatsächlichen Eingabewerte, verbunden mit den vorausgesagten Ausgabewerten, mit einem Fehler größer als dem Schwellenwert ersetzt worden sind, wäre das nicht so genau wie einmal einen iterativ zu ersetzen.
  • Bezug nehmend nun auf Fig. 11 ist ein Fließdiagramm veranschaulicht, das den Gesamtbetrieb des Systemes zeigt. Das Fließdiagramm wird bei einem Startblock 208 begonnen und setzt sich dann zu einem Entscheidungsblock 210 fort. Der Entscheidungsblock 210 bestimmt, ob der CEM eingesetzt worden ist. Wenn ja, folgt das Programm bis zu einem Block 212, um den NOx-Wert mit dem CEM zu messen. Das Programm läuft dann weiter zu einem Entscheidungsblock 214, um zu bestimmen, ob die gemessenen NOx-Werte, welche in dem Funktionsblock 212 gemessen worden sind, annehmbar sind. Wenn nicht, zeigt das an, daß das virtuelle Sensornetzwerk 18 außerhalb der Spezifikation ("out of spec") ist und daß das System sich entweder geändert hat oder das Netzwerk nicht länger das System darstellt. Das Programm wird dann dem "N"-Weg bis zum Block 216 folgen, um die Systemvariablen zu messen, und dann zu einem Funktionsblock 218 weiterlaufen, um eine Schulungsdatei zu erzeugen. Eine Schulungsdatei verwendet im wesentlichen die Systemvariablen, welche ent lang derselben Zeitbasis wie die gemessenen NOx-Mengen gemessen wurden. Typischerweise wird der entfernte CEM angrenzend bzw. benachbart zur Herstellungseinrichtung angeordnet sein und die Schadstoffe über einen vorbestimmten Zeitraum, welcher in Stunden, Tagen oder Wochen gemessen werden kann, gemessen werden. Zur gleichen Zeit mißt die Anlageneinrichtung selbst die Anlagenvariablen. Diese werden selbst in eine Zeitbasis verbracht und gespeichert. Bei Vereinigung dieser zwei Daten kann eine Schulungsdatei geliefert werden, zum Schulen des virtuellen Sensornetzwerkes 18. Diese Zeitverbindungsoperation ist in der US-PS 980,664, angemeldet am 24. November 1993, mit dem Titel "Method and Apparatus for Operating a Neural Network with Missing and/or Incomplete Data" (Atty. Dkt. No. PAVI- 20,965) beschrieben worden.
  • Sobald die Schulungsdatei erzeugt worden ist, wird das virtuelle Sensornetzwerk 18 wie durch Funktionsblock 220 gezeigt, geschult. Das erzeugt im wesentlichen Wertigkeiten, welche dann für die Wertigkeiten des Neuronennetzwerkes in dem virtuellen Sensornetzwerk 18 ersetzt werden können. Das Programm läuft dann zu einem Funktionsblock 222, um neue Wertigkeiten in dem virtuellen Sensornetzwerk 18 zu ersetzen. Danach läuft das Programm weiter zu einem Hauptbetriebsabschnitt des Programmes, das bei einem Funktionsblock 224 zur Validierung der Sensoren begonnen wird.
  • Wenn die, in dem Funktionsblock 212 gemessenen Schadstoffparameter annehmbar waren, würde das Programm aus dem Entscheidungsblock 218 entlang dem "Y"-Weg zum Eingang des Funktionsblockes 224 unter Auslassung des Schulungsschrittes fließen. Darüber hinaus würde, wenn der CEM nicht anwesend wäre, das Programm entlang dem "N"-Weg vom Entscheidungsblock 210 zu der Eingabe des Sensorvalidierungsblockes 224 laufen.
  • Der Sensorvalidierungsblock 224 validiert die Sensoren und, wenn einer untauglich ist, ersetzt es einen vorausgesagten Wert für diesen untauglichen Sensor. Das Programm würde dann zu einem Funktionsblock 226 laufen, um zu bestimmen, ob bestimme Sensoren durch vorausgesagte Werte ersetzt werden müssen. Wenn das so ist, würde das Programm entlang einem "Y"-Weg laufen, um die untauglichen Sensoren durch die vorausgesagten Sensorwerte zu ersetzen. Das Programm würde dann zu einem Funktionsblock 232 laufen, um den Schadstoffwert vorauszusagen und dann zu einem Funktionsblock 232, um die Anlage zu überprüfen. Das Programm würde dann zurück zu einem Entscheidungsblock 210 laufen. Wenn festgestellt werden würde, daß Sensoren nicht durch ihre vorausgesagten Werte ersetzt werden mußten, würde das Programm entlang einem "N"-Weg vom Entscheidungsblock 226 zum Eingang des Funktionsblockes 230 laufen.
  • Bezug nehmend nun auf Fig. 12 ist ein Funktionsblock veranschaulicht, welcher den Betrieb der Sensorvalidierung zeigt. Das Programm wird bei einem Startblock 240 begonnen und läuft dann zu einem Funktionsblock 242, um die verschiedenen Sensorablesungen einzugeben. Das Programm läuft dann zu einem Funktionsblock 244, um das Sensorvalidierungsmodell zu betreiben, und dann zu einem Entscheidungsblock 246, um die vorausgesagten Eingabewerte mit den Schwellenwerten zu vergleichen und ein Fehlersignal zu erzeugen, wenn irgendeiner der vorausgesagten Eingabewerte die Schwellenwerte für diese gegebene Variable übersteigt, wobei festgehalten wird, daß ein Schwellenwert für jede Variable vorhanden sein kann, was einen Fehler für diesen Sensorwert darstellt. Wenn ein Fehler vorliegt, läuft das Programm zu einem Funktionsblock 248, um den größten Eingabefehler durch einen Mittelwert für diese Eingabe zu ersetzen. Ein Alarm wird an diesem Punkt erzeugt, um vor dem schadhaften Sensor zu warnen. Das Programm wird dann zurück zur Eingabe eines Funktionsblockes 244 laufen.
  • Wenn das System wiederholt bestimmt hat, daß keinerlei Vor aussageausgaben mehr vorliegen, welche diese Schwellenwerte überschreiten, wird das Programm von einem Entscheidungsblock 246 zu einem Funktionsblock 250 laufen, um alle festgestellten Fehler durch vorausgesagte Sensorwerte zu ersetzen, und dann zu einem Funktionsblock 252, um ausgeglichene Sensorwerte auszugeben. Das Programm wird dann zu einem Rückkehr- bzw. Rücksprungblock 254 laufen.
  • Bezug nehmend nun auf Fig. 13 ist eine Ausführungsform veranschaulicht, worin der virtuelle Sensor in Verbindung mit einem Verbrennungsmotor 260 verwendet wird. Der Verbrennungsmotor 260 nimmt Luft bei einer Ansaugöffnung 262 auf. Diese wird in einen Flügelhahn 264 eingegeben, der im wesentlichen die Drosselklappe ist, welche durch das Fußpedal eines Kraftfahrzeuges kontrolliert wird. Der Flügelhahn speist dann den eingeschränkten Luftstrom in einen Ansaugöffnungsverteiler 266 ein, welche in den Verbrennungsmotor 260 eingegeben wird. Es sind eine Vielzahl von Kraftstoffeinspritzventilen vorgesehen, wovon nur eines, das Kraftstoffeinspritzventil 268, gezeigt ist. Das Kraftstoffeinspritzventil 268 kann Kraftstoff in den Ansaugverteiler 266 in einer geregelten Menge einspritzen, welche durch eine Anzahl von Faktoren bestimmt ist, wobei diese die herkömmlichen sind. Der Verbrennungsmotor 260 gibt die Verbrennungsinhaltsstoffe in einen Abgasverteiler 270 ab. Der Abgas- bzw. Auspuffverteiler 270 ist mit einem Auspuffrohr 272 verbunden, das mit dem Eingang eines katalytischen Konverters 274 verbunden ist. Der katalytische Konverter 274 grenzt dann an das Abgasrohr 276 an, um die Verbrennungsgase auszugeben.
  • Der Abgasverteiler 270 ist durch ein Rohr 278 mit einem Emissionsgas-Wiederumlaufventil (EGR) 280 verbunden. Das EGR 280 bildet eine Schnittfläche mit dem Ansaugverteiler 266 durch ein Rohr 282. Das EGR 280 ist eine herkömmliche Schadstoffkontrolleinrichtung, die einen kleinen Teil der Auspuffgase aus dem Auspuffverteiler 270 zurück in den An saugverteiler zur Wiederverbrennung davon abzapfen kann. EGR-Ventile arbeiten typischerweise bei höheren Umdrehungszahlen des Motors, da der Wiederumlauf der Auspuffgase bei niedrigen Umdrehungszahlen den Motor fast leerlaufen läßt.
  • Bei typischen Verbrennungsmotoren ist ein Sauerstoffsensor 286 in dem Auspuffverteiler 270 angeordnet. Der Sauerstoffsensor 270 liefert im wesentlichen die Messung der Auspuffgasinhaltsstoffkonzentration, typischerweise Sauerstoff, welche in dem Auspuffverteiler 270 vorliegen. Dieser Typ von Sensoren wird für Luft-Kraftstoff-Verhältnis-Kontrollsysteme verwendet. Der Sensor wird in eine zentrale Verarbeitungseinheit (CPU) 288 eingegeben, welche den Betrieb der Kraftstoffeinspritzer durch eine Leitung 290 und die Kraftstofflieferung kontrolliert. Das sind wieder herkömmliche Systeme.
  • Zusätzlich zum Sauerstoffsensor 286 kann die CPU 288 eine große Anzahl von Parametern hinsichtlich der Verbrennungsmaschine überwachen, wobei die Parameter eine Art von Sensoren erfordert. Bei dem in Fig. 13 veranschaulichten Beispiel wird der Betrieb des Zündvorganges, d. h. Vorzündung, Synchronisierung, etc., in ein Zündvorgangmodul 292 eingegeben. Die Verteilertemperatur wird durch einen Verteilertemperatursensor (TM) 294 geliefert und die Zylindertemperatur wird durch einen Zylindertemperatursensor (TCYL) 296 geliefert. Die Sensoren 294 und 296 ermöglichen eine von jedem Zylinder und dem Gesamtverteiler durchzuführende Temperaturmessung. Der Rückwärtsdruck in dem Auspuffrohr 270 wird durch einen Drucksensor (PEX) 298 geliefert und der Druck in dem Ansaugverteiler wird durch einen Drucksensor (PMAN) 300 geliefert. Typischerweise mißt der Drucksensor 300 für einen herkömmlichen Motor ein Vakuum, das ein positiver Druck sein könnte, wenn das System in Verbindung mit einem Turbolader betrieben wird. Die Ansaugverteilertemperatur wird durch einen Temperatursensor (TA) 302 geliefert, welcher mit dem Ansaugverteiler 266 verbunden ist. Die Po sition des Flügelhahnes 264 wird durch einen Positionssensor (θth) 306 geliefert. Die Temperatur des katalytischen Konverters wird von einem Temperatursensor (TCAT) 308 gemessen. Die CPU 288 beinhaltet das gesamte Sensorsystem wie oben beschrieben worden ist, und kann die durch den Verbrennungsmotor ausgestoßenen Emissionen voraussagen, welche bei der bevorzugten Ausführungsform hauptsächlich NOx sind, und entweder diese Information in Form einer Anzeige ausgeben, sie als Entwicklung bzw. Veränderung bzw. Gesetzmäßigkeit speichern oder sie verwenden, um den Betrieb des Motors zu kontrollieren.
  • Wenn der Betrieb des Motors kontrolliert wird, ist oder wird ein Emissionskontrollsystem 308 vorgesehen, das bestimmte Parameter des Systemes kontrollieren kann. Beispielsweise könnte ein Parameter, welcher kontrolliert werden könnte, der interne Schwellenwert zum CPU 288 sein, welcher das Luft-Kraftstoff-Verhältnis bestimmt. Typischerweise arbeitet der Sauerstoffsensor 286 bei einem Schwellenwert, so daß, wenn er über dem Schwellenwert liegt, das Luft-Kraftstoffgemisch in einer Richtung geändert wird, und, wenn der Sauerstoffsensor unter den Schwellenwert fällt, das Luft-Kraftstoff-Verhältnis in die andere Richtung geändert wird. Durch Änderung des Schwellenwertes wird das mittlere Luft-Kraftstoff-Verhältnis geändert werden und daher können auch die tatsächlichen Emissionen geändert werden. Das wird unten genauer beschrieben werden.
  • Für Systeme, welche Emissionsüberwachung erfordern, gibt es eine Anzahl von Verfahren, welche in der Vergangenheit verwendet wurden. Ein Verfahren, das durch die Environmental Protection Agency (EPA) akzeptiert worden ist, ein Armaturenbrett-Licht aufzuweisen, das nach einer vorbestimmten Anzahl von Meilen aufleuchten wird, wobei die vorbestimmte Anzahl von Meilen empirisch bestimmt ist. Wenn das Licht aufleuchtet, muß das Fahrzeug zur Inspektion. Mit dem Emissionssensor der vorliegenden Erfindung kann die tat che Emission aus dem Betrieb des Motors vorausgesagt werden und das aufleuchtende Licht anzeigen, daß die vorausgesagten Emissionswerte unter einen vorbestimmten Schwellenwert gefallen sind. Diese Schwellenwerte können geändert werden, abhängig vom Fahrzeugtyp, dem Gebiet des Landes, etc. Beispielsweise haben die meisten kommerziellen Fahrzeuge weniger strenge Schadstoffstandards und einige Gebiete, wie Los Angeles, Kalifornien, haben sehr strenge Standards. Auf diese Weise können verschiedene Schwellenwerte in die CPU 288 eingegeben werden, wobei diese Schwellenwerte in Übereinstimmung mit vorbestimmten Kriterien ausgewählt sind. Darüber hinaus kann eine zeitliche Entwicklung bzw. Veränderung von dem Fahrzeug hinsichtlich der durch den Motor erzeugten Emissionen geliefert werden und diese zum Herunterladen zu einem späteren Zeitpunkt zum Zwecke der Überwachung des Betriebes des Fahrzeuges und des damit verbundenen Motores gespeichert werden.
  • Da die Emissionsvoraussage erreicht wird, indem ein Modell des Systemes verwendet wird, das die Sensorausgaben als Eingaben verwendet, um die vorausgesagte Ausgabe zu liefern, muß das Modell anfänglich geschult werden. Dieser anfängliche Schulungsbetrieb kann an einem "Standard"-Motor mit einem "Standard"-Emissionsmonitor durchgeführt werden und dann die Modellparameter auf einen Standard-Festkörperschaltkreis heruntergeladen werden, welcher für alle Fahrzeuge verwendet wird. Das setzt voraus, daß das an dem generischen System geschulte Modell, hinsichtlich aller folgenden Systeme und der damit verbundenen Herstellungstoleranzen standhält. Sogar wenn jedoch das generische Modell eine wahre Darstellung aller Motoren, welche für einen gegebenen Typ von Motor in Kombination mit einem Standardemissionsmonitor hergestellt worden sind, werden sich die Parameter des Motors mit der Zeit ändern. Es kann daher erforderlich sein, die Schulung zu aktualisieren. Das kann auf zwei Wegen erreicht werden. Bei der ersten Methode können die Emissionen mit einem Emissionssensor gemessen wer den, welcher außerhalb des Fahrzeuges ist und nicht integraler Bestandteil davon ist, und diese mit vorausgesagten Emissionsausgaben verglichen werden. Wenn ein Fehler vorliegt, der zu groß ist, kann dann das System erneut geschult werden. Die erneute Schulung kann entweder eine vollständige erneute Schulung des Modelles oder nur eine Aktualisierung der Schulungs-Wertigkeiten sein. In jedem Fall muß ein tatsächlicher Emissionssensor verwendet werden. Bei einem zweiten Verfahren kann das Modell eine "Vorlast" darauf angewendet aufweisen, um einen leichten Ausgleich zu ergeben. Das erfordert auch tatsächliche zu überwachende Emissionen. Die tatsächlichen Werte sind erforderlich, um zu wissen, wie die Vorlast eingestellt werden muß.
  • Bezug nehmend nun auf Fig. 14 ist ein Blockdiagramm eines Systemes veranschaulicht, worin ein externer Emissionssensor 310 zur Schulung verwendet wird. Die Verbrennungsmaschine ist durch Block 312 dargestellt, welche eine Eingabe an einer Leitung 314 empfängt und gemessene Ausgaben oder Zustandsvariablen s(t) auf Leitung 316 liefert, wobei diese die Eingaben in das Modell umfassen. Jedoch werden die Zustandsvariablen zunächst durch das Sensorvalidierungsmodul 318 verarbeitet, das oben beschrieben worden ist, und das eine vorausgesagte Sensorausgabe in dem Fall des Versagens bzw. Ausfallens eines der Sensoren ersetzen kann. Das ist oben unter Bezugnahme auf die Fig. 7 und 8 beschrieben. Die validierten Zustandsvariablen s(t)' werden auf Leitungen 320 an einen Voraussagemodellprozessor 322 ausgegeben. Der Voraussagemodellprozessor 322 kann mit dem Speicher 324 zum Speichern von Modellparametern eine Schnittstelle bilden, um die Parameter zu verarbeiten und eine vorausgesagte Ausgabe e(t) an einer Leitung 326 zu liefern. Darüber hinaus kann der Voraussagemodellprozessor 322 eine zeitliche Entwicklung bzw. Veränderung der vorausgesagten Ausgabe in einem Speicher 328 speichern.
  • Das gespeicherte Modell ist eine Darstellung des verbunde nen Motor- und Emissionssensors. Daher wird das Modell alle Aspekte von sowohl dem Motor als auch dem Emissionssensor damit verbunden aufweisen. Sogar wenn der Emissionssensor ungenau ist, das Modell ist nur so gut wie der Sensor, muß diese Ungenauigkeit in das Modell eingebracht werden. Das ist wesentlich, da behördliche Stellen fordern, daß die Ausgabe- bzw. Ausstoßmessungen mit ihren Standards übereinstimmen, wobei diese Standards durch ihre Einrichtungen definiert sind. Wenn beispielsweise der Emissionssensor, welcher mit ihren Standards übereinstimmte, tatsächlich ungenau wäre, wäre es wichtig, eine Ausgabe dieser Ungenauigkeiten vorauszusagen. Diese Ungenauigkeiten zu korrigieren wäre nicht akzeptabel. Daher ist das Modell dazu bestimmt, als Teil des Systemes den tatsächlichen Hardware-Sensor zu verwenden, welcher während des Betriebes des Motores entfernt wird.
  • Extern zum Verbrennungsmotor 312 ist der externe Emissionssensor 310 mit dem Ausgang des Verbrennungsmotores verbunden, welcher eine Leitung 330 umfaßt, die durch y(t) gekennzeichnet ist. Das stellt den Ausgang des Systemes dar. Es ist lediglich der Ausgang des Auspuffrohres. Der Emissionssensor 310 ist mit dem Ausgang verbunden, um einen tatsächlichen Ausgabewert der Emissionen auf einer Leitung 332 zu liefern. Dieser wird in eine Differenzeinrichtung 334 eingegeben, um die Differenz zwischen dem Ausgang des Emissionssensors 310 und dem vorausgesagten Ausgang auf Leitung 326 zu bestimmen. Das erzeugt einen Fehler E, welcher in einen Komparator 336 eingegeben wird. Der Komparator 336 vergleicht den Fehler E mit einem vorbestimmten Schwellenwert und gibt dann ein "Schulung"-Signal auf einer Leitung 340 auf. Wenn der Fehler den Schwellenwert überschreitet, wird ein Schulungsbetrieb begonnen. Dieser wird in den Voraussagemodellprozessor 322 eingegeben. Der Voraussagemodellprozessor 322 tritt dann in einen Schulungsmodus ein, welcher die tatsächlichen Emissionssensorausgaben auf einer Leitung 334 und die Zustandsvariableneingaben 320 verwen det, um das Modell erneut zu schulen. Diese Parameter werden dann in den Speicher 324 eingegeben. Nach der Schulung wird das System erneut validiert werden, indem der Betrieb des Verbrennungsmotores und die dabei ausgegebenen Emissionen mit dem vorausgesagten Emissionswert verglichen werden. Sobald der Fehler minimiert worden ist, d. h. unter den Schwellenwert reduziert ist, wird das System "validiert" werden. Der Vorausssagemodellprozessor 320 kann das Netzwerk durch zwei Methoden schulen. Bei einer ersten Methode kann er vollständig Modellparameter vom Nullpunkt neu erzeugen, indem ein typischer Schulungsalgorithmus verwendet wird. Bei der zweiten Methode kann er lediglich die Modellparameter aktualisieren, d. h. eine geringere Einstellung darauf liefern, um den Fehler zu reduzieren.
  • Bezug nehmend nun auf Fig. 15 ist ein alternatives Verfahren veranschaulicht, worin der Neuschulungsbetrieb extern vom System mit einem Neuschlungsprozessor 346 durchgeführt wird. Der Neuschulungsprozessor 346 kann am Eingang davon die Ausgangszustandsvariablen aus dem Verbrennungsmotor 312 auf Leitung 348, den tatsächlichen Ausgangsemissionssensor auf der Leitung 332 und den Fehlerausgang der Differenzeinrichtung 334 empfangen. Der Neuschulungsprozessor 346 bestimmt dann, ob eine Neuschulung erforderlich ist, und wenn ja, wird der Neuschulungsprozessor 346 die Modellparameter entweder aktualisieren oder einen neuen Satz von Modellparametern erzeugen. Während eines Aktualisierungsprozesses werden die alten Modellparameter aus dem Speicher 324 aufgeladen und eingestellt und dann in den Speicher 324 zurück heruntergeladen. Bei dem vollständigen Schulungsprozeß werden vollständig neue Modellparameter erzeugt und dann in den Speicher 324 heruntergeladen. Natürlich wird nach einer Neuschulung oder jeden Veränderung der Modellparameter 324 das System erneut überprüft.
  • Bei der Schulung des Netzwerkes ist eine Technik, die verwendet werden kann, die Rückübertragung, wie von D. E. Ru melhart, G. E. Hinton und R. J. Williams in "Learning Internal Representations by Error Propagation" in D. E. Rumelhart & J. L. McClelland, Parallel Distributed Processing, Bd. 1, 1986 beschrieben ist. Bei dieser Technik in Anwendung an einem Neuronennetzwerk, wird eine Schulung erreicht, indem der mittlere quadratische Fehler durch Rückübertragung minimiert wird. Hier wird die Technik der steilsten Neigung verwendet, worin die Wertigkeiten Wie eines Neuronennetzwerkes und die mit der Aktivierungsfunktion verbundenen Parameter variiert werden, um die Fehlerfunktion zu minimieren. Diese Rückübertragungstechnik ist im wesentlichen ein herkömmlicher, nicht-linearer Algorithmus kleinster Quadrate. Es ist eine natürliche, nicht-lineare Ausdehnung des linearen Netzes, das in herkömmlicher Weise bei der adaptiven Signalverarbeitung verwendet wird. Die Verwendung der Kettenregel beim Berechnen von Derivaten der Fehler, welche während des Schulungsverfahrens erzeugt werden, liefern für den Minimierungsprozeß eine nützliche Interpolation und ermöglichen eine leichte Generalisierung auf Mehrfachschichten von nicht-linearen Einheiten in einem Neuronennetzwerk. Für eine oder mehrere Ausgabeeinheiten wird der ausgegebenen Fehler minimiert auf:
  • E = ¹/&sub2; (zi(t) - yi(t))² (6)
  • worin: y(t) = Ausgabe eines Neuronennetzes; und
  • z(t) = spezifizierte Targetausgabe für ein gegebenes Ausgabemuster, bedeuten.
  • Für ein Netzwerk, das nicht-lineare verborgene Einheiten enthält, enthält der Terminus y(t) Beiträge aus den Ausgängen von verborgenen Einheiten in einer verborgenen Schicht. Weil die verborgene Schicht eine nicht-lineare Transferfunktion besitzt, wird der Ausgang der verborgenen Schicht ein Ausgang einer nicht-linearen Funktion seines Eingangs sein und der Fehler E wird ein Quadrat von nicht-linearen Funktionwertigkeiten sein, da die Ausgaben aus den verborgenen Schichten in die oberste Ausgabeschicht in einem her kömmlichen dreischichtigen Neuronennetzwerk eingegeben werden. Der Rückübertragungsalgorithmus ist in der Literatur beschrieben und auch in der US-PS 5,113,483 vom 12. Mai 1992 mit dem Titel "Network with Semi-Localized Non-Linear Maping of the input Space".
  • Zusätzlich zur Rückübertragung können weitere Techniken zur Schulung eines Neuronennetzwerkes verwendet werden, wie radiale Basisfunktionen oder Gaußsche Glieder. Des weiteren ist es nicht notwendig ein Neuronennetzwerk zu verwenden, um eine gespeicherte Darstellung eines Systemes zu liefern. Es kann auch ein mehrwertiges Systems (Fuzzi-System) verwendet werden, das sehr ähnlich zu einem Radialbasisfunktionsnetzwerk ist.
  • Bezug nehmend nun auf Fig. 16 ist ein Blockdiagramm veranschaulicht, das den Laufzeitbetrieb eines Verbrennungsmotores 212 zeigt. Das System von Fig. 16 verwendet ein Kontrollnetzwerk 350, das Kontrolleingaben x(t) auf Leitung 314, die validierten Sensorausgaben s(t)' auf Leitungen 320 und ausgabeaktualisierte Kontrolleingaben x(t + 1) auf einer Leitung 350 empfangen kann. Das Kontrollnetzwerk 350 ist oben unter Bezugnahme auf die Fig. 5a beschrieben und kann tatsächlich das Modell beinhalten, das durch den Voraussagemodellprozessor eingesetzt wird. Es wird ein gewünschter oder Zielemissionswert eingegeben. Die Leitung 352 wird in ein Motorkontrollsystem 354 eingeleitet, das betrieben werden kann, um verschiedene Kontrollen an dem Verbrennungsmotor durchzuführen. Jede der Kontrollen kann manipuliert werden, um die Emissionen mit vorbestimmten Richtlinien zu kontrollieren, wobei diese Kontrollen mit dem Kontrollieren des Luft-Kraftstoff-Verhältnisses verbunden sind.
  • Das Gesamtsystem wird durch ein Laufzeitbetriebssystem 354 kontrolliert, das die vorausgesagte Ausgabe auf der Leitung 326 aus dem Voraussagemodellprozessor 322 empfängt und auch die Ausgabe des Sensorvalidierungsmodules 318 empfängt, das angibt, welche der Sensoren als fehlerhaft bestimmt sind, falls vorhanden. Diese Information, zusätzlich zu der vorausgesagten Emissionswertausgabe auf Leitung 326, wird dann durch das Laufzeitbetriebssystem verwendet, um sie entweder in dem Speicher 328, der mit der zeitlichen Information verbunden ist, zu speichern oder verschiedene Entscheidungen zu treffen, hinsichtlich dessen, was bezüglich der vorausgesagten Emissionsinformation zu tun ist.
  • Im Speicher 356 sind Laufzeit-Schwellenwerte vorgespeichert und werden durch das Laufzeitbetriebssystem zum Vergleich mit den vorausgesagten Emissionen verwendet. Wenn die vorausgesagten Emissionen die ausgewählten der Schwellenwerte überschreiten, muß etwas geschehen. Beispielsweise können Emissionen bei einem Schwellenwert in einem Gebiet eines Landes akzeptabel sein und einem anderen Gebiet eines Landes nicht akzeptabel. Des weiteren können die vorausgesagten Emissionsspiegel eine Akzeptierbarkeit aufweisen, die eine Funktion weiterer Parameter ist, wie Temperatur und Feuchtigkeit. Die Laufzeitschwellenwerte könnten als eine Funktion der atmosphärischen Bedingungen oder weiterer Kriterien ausgewählt werden. Bei der bevorzugten Ausführungsform wird jedoch vorweggenommen, daß Schwellenwerte als Funktion der Umgebung, in welcher der Motor angeordnet ist, ausgewählt werden. Des weiteren könnten sie sogar als Funktion der Tageszeit ausgewählt werden.
  • Eine Verwendereingabe 358 wird verwendet, um die Schwellenwerte oder Eingabenschwellenwerte über eine Eingabe/Ausgabe-Schaltung 360 auszuwählen. Des weiteren kann die Eingabe/Ausgabe-Schaltung 360 betrieben werden, um eine Schnittfläche mit einem Display 360 und auch mit einem Kommunikationssystem 362 zu bilden. Das Display 360 kann beispielsweise ein Warnlicht sein. Des weiteren könnte es eine Art von Display bzw. Anzeige sein, welche tatsächlich einen Analogwert in Form eines "Gaseichmaßes" zur Betrachtung durch den Fahrer ausgibt. Das würde es dem Fahrer ermögli chen, die Emissionswerte als eine Funktion seiner Fahrbedingungen, etc. tatsächlich zu sehen. Bei einer Ausführungsform ist das Kommunikationssystem 362 vorgesehen, so daß Industriemaschinen an entfernten Stellen in periodischer Weise kontrolliert werden können, um die gespeicherten Entwicklungs- bzw. Veränderungsinformationen im Speicher 328 auf eine Zentralstation herunterzuladen.
  • Bezug nehmend nun auf Fig. 17 ist eine Gesamtansicht des Kommunikationssystemes veranschaulicht. Eine Vielzahl von Motoren, welche als Anlagen 370 bezeichnet sind, sind an entfernten Orten angeordnet, wovon jeder einen virtuellen Emissionsmonitor 372 damit verbunden aufweist und jeder eine Kommunikationsvorrichtung 374 verbunden damit besitzt. Bei der beschriebenen Ausführungsform kann jede der Kommunikationsvorrichtungen 374 betrieben werden, um Information über einen drahtlosen Kommunikationsweg über eine Antenne 376 zu übertragen, wobei die Antenne 376 sowohl im Empfangs- wie auch im Übertragungsmodus arbeiten kann. Die Antennen 376 können mit einer Antenne 378 an einer Kommandostation 380 kommunizieren. Das zur Übertragung verwendete Protokoll kann jede Art eines herkömmlichen Protokolles sein. Obwohl ein drahtloses System gezeigt ist, soll festgehalten sein, daß ein verdrahtetes System verwendet werden könnte.
  • Zusätzlich zur Schulung des Systemes, wie oben beschrieben, wobei Techniken wie Rückübertragung, Gaußsche Glieder, radiale Basisfunktionen verwendet werden, könnte das Netzwerk die Parameter damit ausgeglichen aufweisen oder eine Vorlasteinstellung darauf angewendet. Nach einer Schulung eines Neuronennetzwerkes auf normale Weise könnte eine Situation eintreten, worin das Mittel der Anlagenausgabe um einen Betrag abdriftet. Diese Situation ist in Fig. 18 gezeigt, worin eine feste Kurve gezeigt ist, die den tatsächlichen Emissionsausgang darstellt, der durch einen externen Emissionsmonitor gemessen ist, und die gepunktete Linie die vorausgesagte Ausgabe aus dem virtuellen Sensor darstellt. Es kann gesehen werden, daß ein mittlerer Fehler über den Zeitverlauf auftritt. Dieser mittlere Fehler wird bestimmt und verwendet, um einen Versatz bzw. Ausgleich zu bestimmen, wobei der mittlere Fehler wie folgt definiert ist:
  • ( ) = ( a - p)
  • worin: oa die tatsächliche Anlagenausgabe ist und
  • op der von dem Modell vorausgesagte Ausgabewert ist.
  • Die Mittelwerte werden über alle Beispiele in einigen vergangenen Zeitfenstern bestimmt. Addiert man den mittleren Fehler zur Modellausgabe, resultiert das folgende:
  • 'p = p + ( ) (8)
  • so daß der neue mittlere Fehler des Modelles Null ist, wie folgt:
  • ( ') = ( a - 'p) = ( a) - ( p) - ( a) + ( p) = 0
  • Diese Vorlasteinstellung muß periodisch oder kontinuierlich durchgeführt werden, indem wirksame Mittelwerte verwendet werden.
  • Bei einem weiteren Parametereinstellsystem könnte ein Erstprinzip-Modell verwendet werden. Erstprinzip-Modelle sind wohlbekannt und beruhen auf der Tatsache, daß es nur eine kleine Anzahl von Kontrollen gibt, welche auf den Verbrennungsmotor abgestimmt oder eingestellt werden können. Typischerweise nimmt dieses Abstimmen oder Kontrollieren die Form der Einstellung von Parametern an, d. h. von Koeffizienten in dem Modell, um den Fehler zu minimieren, welcher zwischen der Modellausgabe und der tatsächlichen Anlagen oder Motorausgabe existiert. Dieses Verfahren ist vollständig analog zur Schulung eines Neuronennetzwerkmodelles. Die Unterschiede zwischen den zwei Schulungsoperationen treten in dem Verfahren auf, daß die Parameter in dem Modell erscheinen, und vielleicht dem Weg, nach welchem sie eingestellt werden. Erstprinzip-Modelle sind oft einfa cher als Neuronennetzwerkmodelle, indem sie häufig linear sind und weniger Einstellparameter aufweisen. Ein Beispiel des Erstprinzip-Modelles, das auf die NOx-Emissionen aus Verbrennungsmotoren angewendet wird, ist die folgende:
  • NOxppm = k(Tc - Tm) (10)
  • worin Tc die Zylindertemperatur ist;
  • Tm die Verteilertemperatur ist und der Mittelwert der Differenz dazwischen über alle Zylinder genommen wird und
  • k der einstellbare Parameter ist.
  • Der Parameter k kann in der gleichen iterativen Weise eingestellt werden, wie man die Parameter in einem Neuronennetzwerk-Modell einstellt, d. h. durch Gradientenneigung; das heißt man minimiert den Gesamtfehler zwischen dem Modell und der Anlage wie folgt:
  • E = ¹/&sub2; ( a - p)² = ¹/&sub2; e² (11)
  • via iteratives Ändern von k, gemäß der Gradientenneigungsgleichung:
  • ΔK = -η (δE/δK) (12)
  • Im vorliegenden Fall ist das einfach:
  • ΔK = ηe (Tc - TM). (13)
  • In der obigen Gleichung wäre ein einfaches Kontrollbeispiel eine Situation, worin, wenn der NOx-Ausstoß hoch war, ein Signal ausgegeben werden würde, das in einer Reduktion des Luft-Kraftstoff-Verhältnisses durch vermindern der Luft und Erhöhen des Kraftstoffes resultieren würde.
  • Bezug nehmend nun auf die Fig. 19 ist ein Fließdiagramm veranschaulicht, das den Gesamtlaufzeit-Kontrollbetrieb zeigt. Das Programm würde bei einem Startblock 386 begonnen werden und schreitet dann zu einem Funktionsblock 388 weiter, um den erwarteten Emissionswert mit einem inneren Laufzeit-Schwellenwert zu vergleichen, wobei man sich erinnern muß, daß diese Schwellenwerte durch den Benutzer für einen besonderen Umstand ausgewählt werden können. Das Programm läuft dann zu einem Entscheidungsblock 390, um zu bestimmen, ob die erwartete oder vorausgesagte Emission den Schwellenwert überschreitet. Wenn ja, zeigt das an, daß irgendein Kontrollbetrieb oder Fehlermechanismus durchgeführt werden muß. Das Programm würde zu einem Entscheidungsblock 392 laufen, um zu bestimmen, ob ein Kontrollbetrieb vorliegt. Wenn ja, würde das Programm entlang einem "Y"-Weg zu einem Funktionsblock 394 laufen, um die Kontrollen in Übereinstimmung mit dem vorbestimmten Kontrollbetrieb einzustellen, welcher das Erstprinzip-Verfahren, wie oben beschrieben, oder ein Kontrollnetzwerk verwenden könnte. Das Programm wird dann zu einem Entscheidungsblock 396 laufen, um zu bestimmen, ob es möglich ist, eine geeignete Kontrolle zu bewirken. Um das zu bestimmen, werden Maximalgrenzen innerhalb der Arbeitsparameter des Motors festgelegt, durch welche die Kontrolle modifiziert werden kann, um Emissionen zu reduzieren. Wenn diese Kontrollgrenzen überschritten werden, wird sich der Motorbetrieb verschlechtern, sogar obwohl die Emissionen geeignet waren. Wenn die maximale Kontrollgrenze überschritten wurde, würde das Programm entlang einem "Y"-Weg zu einem Funktionsblock 398 laufen, um die Standardeinstellungen für die Emissionskontrollparameter festzusetzen und dann zu einem Funktionsblock 400, um die Entwicklung bzw. Veränderung zu speichern. Wenn die maximale Kontrollgrenze nicht überschritten worden ist, würden die Kontrollen akzeptiert werden, und das Programm würde entlang einem "N"-Weg vom Entscheidungsblock 396 zu dem Funktionsblock 400 laufen. Wenn keine Kontrollen verfügbar waren, würde das Programm ebenfalls zu dem Funktionsblock 400 von dem Entscheidungsblock 392, entlang dem "N"-Weg davon, laufen.
  • Sobald die Entwicklung bzw. Veränderung hinsichtlich dessen, ob ein Kontrollbetrieb durchgeführt worden ist, ge speichert worden ist oder eine einfache Aufzeichnung der Emissionsentwicklung durchgeführt worden ist, würde das Programm zu einem Entscheidungsblock 402 laufen, um zu bestimmen, ob ein Alarmbetrieb vorlag. Das könnte in dem Fall eintreten, daß der am Entscheidungsblock 390 gemachte Vergleich erforderte, einen Alarm festzusetzen oder ob die Gegenwart einer Standardeinstellung in dem Funktionsblock 398 erforderte, einen Alarm festzusetzen. Wenn ein Alarm festzusetzen ist, würde das Programm entlang dem "Y"-Weg vom Entscheidungsblock 402 zu einem Funktionsblock 404 laufen, um den Alarm zu setzen, wobei das möglicherweise ein Licht auf dem Armaturenbrett wäre oder ein Höralarm. Des weiteren könnte das die Existenz einer Alarmkommunikation zu einer Zentralstation, welche einen Aufrechterhaltungscheck erfordert, sein. Das Programm würde dann zu einem Rücksprung- bzw. Rückkehrblock 406 laufen. Wenn der Alarmbetrieb nicht vorgelegen hätte, würde das Programm vom Entscheidungsblock 402 entlang dem "N"-Weg zum Rücksprung- bzw. Rückkehrblock 406 laufen. In ähnlicher Weise würde, wenn die vorausgesagten Emissionen nicht den Schwellenwert überschritten haben, das Programm zu dem Rücksprung- bzw. Rückkehrblock 406 entlang dem "N"-Weg vom Entscheidungsblock 390 laufen.
  • Bezug nehmend nun auf Fig. 20 ist ein Fließdiagramm veranschaulicht, das den Schulungsbetrieb zeigt. Das Programm wird bei einem Startblock 410 begonnen und schreitet dann zu einem Funktionsblock 412 weiter, um die tatsächlichen Emissionen zu messen. Das Programm läuft dann zu einem Funktionsblock 414, um die gemessenen tatsächlichen Emissionen mit den erwarteten oder vorausgesagten Werten zu vergleichen, welche durch den virtuellen Sensor ausgegeben werden. Das Programm läuft dann zu einem Entscheidungsblock 416, um zu bestimmen, ob der Unterschied zwischen den gemessenen tatsächlichen Emissionen und den vorausgesagten Werten den Schwellenwert überschreitet. Wenn ja, würde das Programm entlang einem "Y"-Weg zu einem Entscheidungsblock 418 laufen, um zu bestimmen, ob ein Schulungsbetrieb durch geführt werden muß. Wenn nicht, würde das Programm entlang einem "N"-Weg zu einem Funktionsblock 420 laufen, um eine Speicherdatenbank zu aktualisieren, und dann zu einem Rücksprung- bzw. Rückkehrblock 422. In ähnlicherweise würde, wenn der Fehler nicht den Schwellenwert überschritten hat, das Programm aus dem Entscheidungsblock 416 entlang dem "N"-Weg zum Funktionsblock 420 laufen.
  • Wenn ein Schulungsbetrieb durchzuführen ist, würde das Programm von dem Entscheidungsblock 418 entlang einem "Y"-Weg zu einem Entscheidungsblock 424 laufen, um zu bestimmen, ob ein voller Schulungsbetrieb durchzuführen ist. Wenn ja, würde das Programm entlang einem "Y"-Weg zu einem Funktionsblock 426 laufen, um ein vollständiges Modell neu zu schulen, und dann zu einem Funktionsblock 428, um die Modellparameter zurück in den Speicher, welcher mit den Modellparametern verbunden ist, herunterzuladen. Das Programm wird dann zu einem Rücksprung- bzw. Rückkehrblock 430 laufen. Wenn ein vollständiger Schulungsbetrieb nicht durchgeführt wurde, d. h. nur ein teilweiser Schulungsbetrieb, würde das Programm dann entlang einem "N"-Weg vom Entscheidungsblock 424 zu einem Funktionsblock 432 laufen, um die Modellparameter aufzuladen, welche in dem System waren, und dann diese Modellparameter, wie durch einen Funktionsblock 434 gezeigt, einstellen. Nach einer Einstellung würde das Programm zu der Eingabe des Funktionsblockes 428 laufen, um die Modellparameter herunterzuladen. Es sollte festgehalten werden, daß der Schulungsbetrieb ein Bordbetrieb unter Verwendung des Modellprozessors oder ein Außerbord-Betrieb unter Verwendung eines externen Prozessors sein kann.
  • Zusammenfassend wurde ein System zur Voraussage von Emissionen zur Verfügung gestellt, um das Erfordernis nach einem tatsächlichen Emissionssensor in einem Kolbenmotor zu beseitigen. Das System verwendet ein Voraussagemodell, das an verschiedenen Sensorausgaben aus dem Kolbenmotor geschult wird, wobei eine Zielausgabe der tatsächlichen Emis sionen während der Erzeugung des Schulungsdatensatzes aufgenommen wird. Sobald es geschult ist, kann das System ohne den tatsächlichen Emissionssensor arbeiten, stellt aber den tatsächlichen Ausgang des Emissionssensors dar. Das Modell kann periodisch überprüft werden, um zu bestimmen, ob der vorausgesagte Wert um mehr als einen vorbestimmten Betrag von einer tatsächlichen Messung abgewichen ist, indem eine tatsächliche Messung mit einem externen Emissionssensor durchgeführt wird. Wenn die Messung abgewichen ist, kann das System als sich außerhalb der Spezifikation befindlich angezeigt werden oder das Netzwerk kann erneut geschult werden.

Claims (15)

1. Ein Verfahren zur Überwachung von Emissionen in einem Einzel-Verbrennungsmotor, der Schadstoff emittiert und eine Vielzahl von Sensoren zur Messung von Auswahlparametern des Einzelmotor-Betriebes als Sensor-Ausgabewerte zur Verfügung stellt, umfassend die Schritte:
Speichern einer Darstellung des kombinierten Einzelmotors und eines externen Standard-Emissionsmonitors in einem Voraussagemodell, wobei der externe Standard-Emissionsmonitor den Schadstoffausstoß durch den Einzelmotor messen kann, das Voraussagemodell eine Ausgabe aufweist, welche eine Voraussage der Ausgabe des Emissionsmonitors als einen vorausgesagten Emissionswert liefert und als Eingaben von ausgewählten der Sensorausgabewerte empfangen werden kann;
Eingeben der ausgewählten Sensor-Ausgabewerte in das Voraussagemodell; und
Voraussagen der Ausgabe des kombinierten Einzelmotors und des externen Emissionsmonitors, um eine Anzeige des Schadstoffausstoßes durch den Emissionsmonitor zu liefern, ohne daß der Emissionsmonitor an dem Einzelmotor vorhanden sein muß.
2. Verfahren nach Anspruch 1, das des weiteren umfaßt: Anbringen eines externen Emissionsmonitors, welcher im wesentlichen ähnlich zu den externen Standardemissionsmonitoren ist, an dem Motor;
Vergleichen der Ausgabe des externen Emissionsmonitors mit den vorausgesagten Emissionswerten des Voraussagemodelles; und
Einstellen der gespeicherten Darstellung in dem Voraussagemodell, wann immer die vorausgesagten Emissionswerte die tatsächliche Ausgabe des externen Emissionsmonitors um einen bestimmten Betrag übersteigen.
3. Verfahren nach Anspruch 2, worin die gespeicherte Darstellung in dem Voraussagemodell erzeugt wird, indem das Voraussagemodell an einem Lehrsatz von Daten gelehrt wird, welcher aus tatsächlichen Sensordaten, empfangen von der Ausgabe von Sensoren, die mit den ausgewählten der Sensor- Ausgabe-Werte verbunden sind, und tatsächlich gemessenen Emissionsausgabedaten aus dem externen Emissionsmotor zusammengesetzt sind, wenn sie mit dem Motor verbunden sind.
4. Verfahren nach Anspruch 3, worin der Schritt des Einstellens ein erneutes Lehren des Voraussagemodelles an einem neuen Satz von Lehrdaten unter Verwendung des externen Emissionsmonitors umfaßt, um die tatsächlichen Ausgabedaten zu liefern.
5. Verfahren nach Anspruch 3, worin der Schritt des Einstellens ein Ausgleichen der vorausgesagten Emissionswerte des Voraussagemodelles um einen vorbestimmten Betrag umfaßt, um den Fehler unter einen vorbestimmten Betrag zu minimieren.
6. Verfahren nach Anspruch 1, das des weiteren umfaßt:
Vergleichen der vorausgesagten Emissionswerte mit einem internen Schwellenwert und Erzeugen eines Alarmes, wenn der vorausgesagte Emissionswert den internen Schwellenwert übersteigt.
7. Verfahren nach Anspruch 6, worin der Alarm ein Licht auf einem Display ist.
8. Verfahren nach Anspruch 6, das des weiteren ein Speichern einer Vielzahl von Speicher-Schwellenwerten in einem Speicher und ein Auswählen nur eines der Vielzahl der Schwellenwerte für den Schwellenwert umfaßt, um im Vergleichsschritt den in Übereinstimmung mit vorbestimmten Kriterien durchgeführten Auswahlschritt zu verwenden.
9. Verfahren nach Anspruch 1, das des weiteren ein Speichern einer Entwicklung der vorausgesagten Emissionswerte umfaßt, welche durch das Voraussagemodell als Funktion der Zeit ausgegeben werden.
10. Verfahren nach Anspruch 8, das des weiteren ein periodisches Runterladen der gespeicherten Entwicklung umfaßt.
11. Verfahren nach Anspruch 1, das des weiteren umfaßt:
Bestimmen, ob sich die gemessenen Auswahlparameter außerhalb annehmbarer Grenzen in Übereinstimmung mit vorbestimmten Kriterien befinden und
Substituieren eines bekannten Wertes für die Sensorausgabewerte, wenn festgestellt wird, daß sie außerhalb der annehmbaren Grenzen liegen.
12. Verfahren nach Anspruch 11, worin der Schritt des Substituierens das Voraussagen eines aus einer vergangenen Entwicklung der gemessenen Sensor-Ausgabewerte, welche zu substituieren sind, vorausgesagten Wertes umfaßt, wobei der vorausgesagte Wert, die bekannten Werte umfaßt.
13. Verfahren nach Anspruch 12, worin die vergangene Entwicklung eine Funktion der weiteren Sensor-Ausgabewerte ist.
14. Verfahren nach Anspruch 11, worin der Schritt des Bestimmens umfaßt:
Vorsehen eines Sensorvalidations-Voraussagenetzwerkes mit tatsächlichen Sensorwerten des Motors als Eingabe, wobei das Sensorvalidations-Voraussagenetzwerk eine damit verbundene gespeicherte Darstellung eines jeden der tatsächlichen Sensor-Ausgabewerte als eine Funktion der anderen der tatsächlichen Sensor-Ausgabewerte aufweist, um an der Ausgabe davon einen vorausgesagten Sensorausgabewert für jede der tatsächlichen Sensorwert-Eingaben vorzusehen;
Voraussagen des Sensor-Ausgabenwertes mit dem Sensorvalidations-Voraussagenetzwerk und
Vergleichen eines jeden der Unterschiede der eingegebenen tatsächlichen Sensor-Ausgabewerte in dem Voraussagesensor- Ausgabewerte mit vorbestimmten Grenzen für diese Unterschiede.
15. Verfahren nach Anspruch 1, das des weiteren umfaßt:
Vergleichen des vorausgesagten Emissionswertes, welcher durch das Voraussagemodell ausgegeben wird, mit einem gewünschten Emissionswert;
Vorsehen eines Emissionskontrollsystemes zum Modifizieren des Betriebes des Motors und
Kontrollieren des Emissionskontrollsystemes, damit es so arbeitet, daß jeder Fehler zwischen dem vorausgesagten Emissionswert und dem gewünschten Emissionswerte vermindert wird.
DE69418199T 1993-08-05 1994-07-27 Virtuelle emissionsüberwachungseinrichtung für kraftfahrzeuge Expired - Lifetime DE69418199T2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US08/102,405 US5386373A (en) 1993-08-05 1993-08-05 Virtual continuous emission monitoring system with sensor validation
US08/149,216 US5539638A (en) 1993-08-05 1993-11-05 Virtual emissions monitor for automobile
PCT/US1994/008657 WO1995004878A1 (en) 1993-08-05 1994-07-27 Virtual emissions monitor for automobile

Publications (2)

Publication Number Publication Date
DE69418199D1 DE69418199D1 (de) 1999-06-02
DE69418199T2 true DE69418199T2 (de) 1999-12-30

Family

ID=26799346

Family Applications (2)

Application Number Title Priority Date Filing Date
DE69423895T Expired - Lifetime DE69423895T2 (de) 1993-08-05 1994-07-27 Virtuelles kontinuierliches emissionsüberwachungssystem mit gültigkeitsbestätigung des messfühlers
DE69418199T Expired - Lifetime DE69418199T2 (de) 1993-08-05 1994-07-27 Virtuelle emissionsüberwachungseinrichtung für kraftfahrzeuge

Family Applications Before (1)

Application Number Title Priority Date Filing Date
DE69423895T Expired - Lifetime DE69423895T2 (de) 1993-08-05 1994-07-27 Virtuelles kontinuierliches emissionsüberwachungssystem mit gültigkeitsbestätigung des messfühlers

Country Status (8)

Country Link
US (2) US5539638A (de)
EP (2) EP0712463B1 (de)
JP (2) JPH09501782A (de)
KR (2) KR960704258A (de)
AU (2) AU688353B2 (de)
CA (2) CA2167588A1 (de)
DE (2) DE69423895T2 (de)
WO (2) WO1995004957A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235525B4 (de) * 2001-09-10 2004-09-09 Daimlerchrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
DE10127790B4 (de) * 2000-06-08 2013-03-14 Fisher-Rosemount Systems Inc. Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem
EP2796787A1 (de) 2013-04-26 2014-10-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur Überwachung von Verbrennungsanlagen
CN109633195A (zh) * 2018-12-29 2019-04-16 上海谱仪器科技股份有限公司 一种红外碳硫分析仪自动进样系统

Families Citing this family (277)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
US7082359B2 (en) * 1995-06-07 2006-07-25 Automotive Technologies International, Inc. Vehicular information and monitoring system and methods
US5703777A (en) * 1994-10-20 1997-12-30 Anr Pipeline Company Parametric emissions monitoring system having operating condition deviation feedback
US5704011A (en) * 1994-11-01 1997-12-30 The Foxboro Company Method and apparatus for providing multivariable nonlinear control
DE4441101B4 (de) * 1994-11-18 2005-01-27 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung von Diagnoseschwellwerten für einen bestimmten Kraftfahrzeugtyp im Feld
DE19508560A1 (de) * 1995-03-10 1996-09-12 Bosch Gmbh Robert Schaltung zur Aufbereitung eines Meßfühlersignals
US20080161989A1 (en) * 1995-06-07 2008-07-03 Automotive Technologies International, Inc. Vehicle Diagnostic or Prognostic Message Transmission Systems and Methods
US8024084B2 (en) * 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
US8019501B2 (en) * 1995-06-07 2011-09-13 Automotive Technologies International, Inc. Vehicle diagnostic and prognostic methods and systems
US8060282B2 (en) * 1995-06-07 2011-11-15 Automotive Technologies International, Inc. Vehicle component control methods and systems based on vehicle stability
US8157047B2 (en) 1995-06-07 2012-04-17 Automotive Technologies International, Inc. Occupant protection systems control techniques
US20080046149A1 (en) * 1995-06-07 2008-02-21 Automotive Technologies International, Inc. Vehicle Component Control Methods and Systems Based on Vehicle Stability
US8036788B2 (en) * 1995-06-07 2011-10-11 Automotive Technologies International, Inc. Vehicle diagnostic or prognostic message transmission systems and methods
US8229624B2 (en) * 1995-06-07 2012-07-24 American Vehicular Sciences Llc Vehicle diagnostic information generating and transmission systems and methods
US20080147280A1 (en) * 1995-06-07 2008-06-19 Automotive Technologies International, Inc. Method and apparatus for sensing a rollover
US5970426A (en) * 1995-09-22 1999-10-19 Rosemount Analytical Inc. Emission monitoring system
DE19536571C2 (de) * 1995-09-29 1998-09-03 Siemens Ag Verfahren sowie Vorrichtung zur Dosierung der Eingabe eines Reduktionsmittels in den Abgas- oder Abluftstrom einer Verbrennungsanlage
DE19607101A1 (de) * 1996-02-24 1997-08-28 Hella Kg Hueck & Co Elektronisches Gerät und Einrichtung zur Datenübertragung zwischen zwei gleichartig aufgebauten elektronischen Geräten
US6017143A (en) 1996-03-28 2000-01-25 Rosemount Inc. Device in a process system for detecting events
US6539267B1 (en) 1996-03-28 2003-03-25 Rosemount Inc. Device in a process system for determining statistical parameter
US6654697B1 (en) 1996-03-28 2003-11-25 Rosemount Inc. Flow measurement with diagnostics
US7949495B2 (en) 1996-03-28 2011-05-24 Rosemount, Inc. Process variable transmitter with diagnostics
US8290721B2 (en) 1996-03-28 2012-10-16 Rosemount Inc. Flow measurement diagnostics
US5750886A (en) * 1996-06-27 1998-05-12 General Motors Corporation Engine emissions analyzer with diagnostic
EP0825506B1 (de) 1996-08-20 2013-03-06 Invensys Systems, Inc. Verfahren und Gerät zur Fernprozesssteuerung
US6519546B1 (en) 1996-11-07 2003-02-11 Rosemount Inc. Auto correcting temperature transmitter with resistance based sensor
US6601005B1 (en) 1996-11-07 2003-07-29 Rosemount Inc. Process device diagnostics using process variable sensor signal
US6754601B1 (en) 1996-11-07 2004-06-22 Rosemount Inc. Diagnostics for resistive elements of process devices
JP4643771B2 (ja) * 1996-12-31 2011-03-02 ローズマウント インコーポレイテッド フィールド装置からの制御信号の有効性を確認するための方法および装置
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
JP2001509603A (ja) * 1997-07-12 2001-07-24 アイディーティー−エルシーディー ホールディングス（ビーブイアイ）リミテッド（アイディーティー−ビーブイアイ） 空気性状監視装置
US5941918A (en) * 1997-07-30 1999-08-24 Engelhard Corporation Automotive on-board monitoring system for catalytic converter evaluation
JPH1185719A (ja) * 1997-09-03 1999-03-30 Matsushita Electric Ind Co Ltd パラメータ推定装置
JP3331159B2 (ja) * 1997-09-16 2002-10-07 本田技研工業株式会社 プラントの制御装置
JP3592519B2 (ja) * 1997-09-16 2004-11-24 本田技研工業株式会社 内燃機関の排気系の空燃比制御装置及びプラントの制御装置
JP3354088B2 (ja) * 1997-09-16 2002-12-09 本田技研工業株式会社 内燃機関の排気系の空燃比制御装置
US6405122B1 (en) * 1997-10-14 2002-06-11 Yamaha Hatsudoki Kabushiki Kaisha Method and apparatus for estimating data for engine control
US6071476A (en) * 1997-11-14 2000-06-06 Motorola, Inc. Exhaust gas sensor
AU1282199A (en) 1997-11-14 1999-06-07 Engelhard Corporation Vehicular on-board monitoring system sensing combined hc/nox emissions for catalytic converter evaluation
JP3805098B2 (ja) * 1998-03-26 2006-08-02 株式会社日立製作所 エンジンの排気ガス浄化制御装置
JP3484074B2 (ja) * 1998-05-13 2004-01-06 本田技研工業株式会社 プラントの制御装置
DE19843960A1 (de) * 1998-09-24 2000-03-30 Siemens Ag Verfahren und Vorrichtung zur katalytischen Verringerung des Schadstoffgehalts im Abgas einer Verbrennungsanlage
US6216083B1 (en) * 1998-10-22 2001-04-10 Yamaha Motor Co., Ltd. System for intelligent control of an engine based on soft computing
US6611775B1 (en) 1998-12-10 2003-08-26 Rosemount Inc. Electrode leakage diagnostics in a magnetic flow meter
US6615149B1 (en) 1998-12-10 2003-09-02 Rosemount Inc. Spectral diagnostics in a magnetic flow meter
JP3484088B2 (ja) * 1998-12-17 2004-01-06 本田技研工業株式会社 プラントの制御装置
US6240343B1 (en) * 1998-12-28 2001-05-29 Caterpillar Inc. Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
US6298454B1 (en) 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
US6151547A (en) * 1999-02-24 2000-11-21 Engelhard Corporation Air/fuel ratio manipulation code for optimizing dynamic emissions
US6353804B1 (en) * 1999-04-09 2002-03-05 General Electric Company Method for statistically predicting equipment performance
JP4265704B2 (ja) * 1999-04-14 2009-05-20 本田技研工業株式会社 内燃機関の空燃比制御装置及びプラントの制御装置
US6336084B1 (en) 1999-05-11 2002-01-01 Ford Global Technologies, Inc. Three-way catalyst model for an engine air-to-fuel ratio control system
AU5273100A (en) 1999-05-17 2000-12-05 Foxboro Company, The Methods and apparatus for control configuration with versioning, security, composite blocks, edit selection, object swapping, formulaic values and other aspects
US7089530B1 (en) 1999-05-17 2006-08-08 Invensys Systems, Inc. Process control configuration system with connection validation and configuration
US6788980B1 (en) 1999-06-11 2004-09-07 Invensys Systems, Inc. Methods and apparatus for control using control devices that provide a virtual machine environment and that communicate via an IP network
US6505517B1 (en) 1999-07-23 2003-01-14 Rosemount Inc. High accuracy signal processing for magnetic flowmeter
US6701274B1 (en) 1999-08-27 2004-03-02 Rosemount Inc. Prediction of error magnitude in a pressure transmitter
US6519552B1 (en) * 1999-09-15 2003-02-11 Xerox Corporation Systems and methods for a hybrid diagnostic approach of real time diagnosis of electronic systems
SE515570C2 (sv) 1999-10-05 2001-09-03 Abb Ab Ett datorbaserat förfarande och system för reglering av en industriell process
JP3688533B2 (ja) * 1999-11-12 2005-08-31 本田技研工業株式会社 排ガス浄化用触媒装置の劣化状態評価方法
US6611735B1 (en) 1999-11-17 2003-08-26 Ethyl Corporation Method of predicting and optimizing production
US7136860B2 (en) 2000-02-14 2006-11-14 Overture Services, Inc. System and method to determine the validity of an interaction on a network
DE10010681A1 (de) * 2000-03-04 2001-09-06 Heinz J Theuerkauf Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
US6298718B1 (en) 2000-03-08 2001-10-09 Cummins Engine Company, Inc. Turbocharger compressor diagnostic system
US7739096B2 (en) 2000-03-09 2010-06-15 Smartsignal Corporation System for extraction of representative data for training of adaptive process monitoring equipment
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
CA2402631C (en) * 2000-03-09 2011-10-11 Smartsignal Corporation Generalized lensing angular similarity operator
US6952662B2 (en) * 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6898554B2 (en) * 2000-06-12 2005-05-24 Scientific Monitoring, Inc. Fault detection in a physical system
US6721609B1 (en) 2000-06-14 2004-04-13 Fisher-Rosemount Systems, Inc. Integrated optimal model predictive control in a process control system
DE60126708T2 (de) * 2000-06-30 2007-10-25 Siemens Corporate Research, Inc. Verfahren und System zur industriellen Bedienerführung mittels prädiktiver Alarmerkennung
US7092803B2 (en) * 2000-08-18 2006-08-15 Idsc Holdings, Llc Remote monitoring, configuring, programming and diagnostic system and method for vehicles and vehicle components
JP4196535B2 (ja) * 2000-11-02 2008-12-17 トヨタ自動車株式会社 車両用制御装置および記録媒体
US6556939B1 (en) * 2000-11-22 2003-04-29 Smartsignal Corporation Inferential signal generator for instrumented equipment and processes
US7233886B2 (en) * 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US6508241B2 (en) 2001-01-31 2003-01-21 Cummins, Inc. Equivalence ratio-based system for controlling transient fueling in an internal combustion engine
EP1381762A2 (de) * 2001-02-19 2004-01-21 Rosemount Analytical Inc. Verbesserte generatorüberwachung, -steuerung und -effizienz
DE10108181A1 (de) * 2001-02-21 2002-08-29 Bosch Gmbh Robert Verfahren und Vorrichtung zur Korrektur eines Temperatursignals
US6866610B2 (en) * 2001-03-30 2005-03-15 Toyota Jidosha Kabushiki Kaisha Control apparatus and method for vehicle having internal combustion engine and continuously variable transmission, and control apparatus and method for internal combustion engine
US6535124B1 (en) * 2001-04-03 2003-03-18 Abb Automation Inc. Method and apparatus for digital analysis and signal conditioning in a turbine generator silo combustor
US7539597B2 (en) 2001-04-10 2009-05-26 Smartsignal Corporation Diagnostic systems and methods for predictive condition monitoring
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US6629059B2 (en) 2001-05-14 2003-09-30 Fisher-Rosemount Systems, Inc. Hand held diagnostic and communication device with automatic bus detection
US6859755B2 (en) 2001-05-14 2005-02-22 Rosemount Inc. Diagnostics for industrial process control and measurement systems
DE10222703B4 (de) * 2001-05-23 2015-06-18 Denso Corporation Steuergerät für eine Brennkraftmaschine
US6975962B2 (en) * 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
US7483867B2 (en) * 2001-06-26 2009-01-27 Intuition Intelligence, Inc. Processing device with intuitive learning capability
US7155321B2 (en) 2001-08-06 2006-12-26 Idsc Holdings Llc System, method and computer program product for remote vehicle diagnostics, monitoring, configuring and reprogramming
US6772036B2 (en) 2001-08-30 2004-08-03 Fisher-Rosemount Systems, Inc. Control system using process model
US6666200B2 (en) * 2001-12-10 2003-12-23 Ford Global Technologies, Llc Method for canister purge compensation using internal model control
JP3686383B2 (ja) * 2002-02-22 2005-08-24 本田技研工業株式会社 プラントの制御装置
US6718251B2 (en) 2002-01-29 2004-04-06 Cummins, Inc. System for controlling exhaust emissions produced by an internal combustion engine
US6901300B2 (en) 2002-02-07 2005-05-31 Fisher-Rosemount Systems, Inc.. Adaptation of advanced process control blocks in response to variable process delay
US20030162523A1 (en) * 2002-02-27 2003-08-28 Michael Kapolka Vehicle telemetry system and method
FR2838185B1 (fr) * 2002-04-05 2004-08-06 Commissariat Energie Atomique Dispositif de capture des mouvements de rotation d'un solide
US6697729B2 (en) 2002-04-08 2004-02-24 Cummins, Inc. System for estimating NOx content of exhaust gas produced by an internal combustion engine
US7035834B2 (en) * 2002-05-15 2006-04-25 Caterpillar Inc. Engine control system using a cascaded neural network
US6882929B2 (en) * 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
JP3951967B2 (ja) * 2002-08-01 2007-08-01 トヨタ自動車株式会社 自動適合装置
EP1416143A1 (de) * 2002-10-29 2004-05-06 STMicroelectronics S.r.l. Virtueller Sensor für die Abgasemission einer Brennkraftmaschine und das Einspritzsteuersystem
JP4104425B2 (ja) * 2002-10-30 2008-06-18 本田技研工業株式会社 内燃機関の吸気管圧力予測方法および装置
US6925376B2 (en) * 2003-04-01 2005-08-02 Cummins, Inc. System for diagnosing operation of a cooling system for an internal combustion engine
US7181334B2 (en) * 2003-05-14 2007-02-20 General Motors Corporation Method and apparatus to diagnose intake airflow
US7242989B2 (en) * 2003-05-30 2007-07-10 Fisher-Rosemount Systems, Inc. Apparatus and method for batch property estimation
JP2007500379A (ja) * 2003-07-25 2007-01-11 ヤマハ発動機株式会社 インテリジェント制御システムのソフト演算最適化装置
US8768573B2 (en) 2003-08-11 2014-07-01 American Vehicular Sciences, LLC Technique for ensuring safe travel of a vehicle or safety of an occupant therein
US20050089811A1 (en) * 2003-10-24 2005-04-28 United Dominion Industries, Inc. Exhaust recirculating method and apparatus for a hydrocarbon fired burner
US7246002B2 (en) 2003-11-20 2007-07-17 General Electric Company Method for controlling fuel splits to gas turbine combustor
US7761923B2 (en) 2004-03-01 2010-07-20 Invensys Systems, Inc. Process control methods and apparatus for intrusion detection, protection and network hardening
US7251638B2 (en) 2004-03-03 2007-07-31 Yamaha Hatsudoki Kabushiki Kaisha Intelligent robust control system for motorcycle using soft computing optimizer
DE102004011236A1 (de) * 2004-03-04 2005-09-29 Bayerische Motoren Werke Ag Prozesssteuersystem
GB0410135D0 (en) * 2004-05-06 2004-06-09 Ricardo Uk Ltd Cylinder pressure sensor
US7136779B2 (en) * 2004-05-28 2006-11-14 Daimlerchrysler Ag Method for simplified real-time diagnoses using adaptive modeling
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
US7536232B2 (en) * 2004-08-27 2009-05-19 Alstom Technology Ltd Model predictive control of air pollution control processes
US7784272B2 (en) * 2004-08-31 2010-08-31 Cummins Inc. Control system for an engine aftertreatment system
US7716014B2 (en) * 2004-09-30 2010-05-11 Rockwell Automation Technologies, Inc. Reuse of manufacturing process design models as part of a diagnostic system
US7213553B2 (en) * 2004-11-12 2007-05-08 Detroit Diesel Corporation Internal EGR for an internal combustion engine
CN102787890B (zh) * 2004-11-25 2015-04-15 Avl里斯脱有限公司 用于确定沉积在位于内燃机的排气管中的微粒过滤器内的微粒负荷的方法
AT413887B (de) * 2004-11-25 2006-07-15 Avl List Gmbh Verfahren zum ermitteln der partikelemissionen
JP4379336B2 (ja) * 2005-01-07 2009-12-09 トヨタ自動車株式会社 制御システムの評価装置、その評価装置に用いられる検証装置、制御システムの評価方法、及びそれらに用いるコンピュータプログラム
EP1693558A1 (de) * 2005-02-16 2006-08-23 ABB Technology AG Verfahren zur Schadstoffemissionsvorhersage von Verbrennungsprozessen
US7421348B2 (en) * 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method
US8768664B2 (en) * 2005-03-18 2014-07-01 CMC Solutions, LLC. Predictive emissions monitoring using a statistical hybrid model
US20060224547A1 (en) * 2005-03-24 2006-10-05 Ulyanov Sergey V Efficient simulation system of quantum algorithm gates on classical computer based on fast algorithm
US20060218108A1 (en) * 2005-03-24 2006-09-28 Sergey Panfilov System for soft computing simulation
US8364610B2 (en) 2005-04-08 2013-01-29 Caterpillar Inc. Process modeling and optimization method and system
US20060229854A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Computer system architecture for probabilistic modeling
US20060229753A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Probabilistic modeling system for product design
US7565333B2 (en) * 2005-04-08 2009-07-21 Caterpillar Inc. Control system and method
US8209156B2 (en) 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US7877239B2 (en) * 2005-04-08 2011-01-25 Caterpillar Inc Symmetric random scatter process for probabilistic modeling system for product design
US20060230097A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Process model monitoring method and system
US7499777B2 (en) * 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
US20060229852A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Zeta statistic process method and system
US8215098B2 (en) * 2005-05-02 2012-07-10 Cummins Inc. Method and apparatus for diagnosing exhaust gas aftertreatment component degradation
US8112565B2 (en) 2005-06-08 2012-02-07 Fisher-Rosemount Systems, Inc. Multi-protocol field device interface with automatic bus detection
US7818131B2 (en) * 2005-06-17 2010-10-19 Venture Gain, L.L.C. Non-parametric modeling apparatus and method for classification, especially of activity state
FR2887632B1 (fr) * 2005-06-22 2007-10-05 Valeo Systemes Thermiques Dispositif et procede de surveillance et de controle de la qualite de l'air, pour vehicule automobile
US20060293817A1 (en) * 2005-06-23 2006-12-28 Takahide Hagiwara Intelligent electronically-controlled suspension system based on soft computing optimizer
US20070061144A1 (en) * 2005-08-30 2007-03-15 Caterpillar Inc. Batch statistics process model method and system
US7231291B2 (en) * 2005-09-15 2007-06-12 Cummins, Inc. Apparatus, system, and method for providing combined sensor and estimated feedback
US20070068225A1 (en) 2005-09-29 2007-03-29 Brown Gregory C Leak detector for process valve
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7487134B2 (en) * 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
US20070118487A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Product cost modeling method and system
US7499842B2 (en) * 2005-11-18 2009-03-03 Caterpillar Inc. Process model based virtual sensor and method
CN101365378A (zh) 2005-11-29 2009-02-11 风险获利有限公司 根据残差监测人体健康
US7415389B2 (en) 2005-12-29 2008-08-19 Honeywell International Inc. Calibration of engine control systems
US7505949B2 (en) * 2006-01-31 2009-03-17 Caterpillar Inc. Process model error correction method and system
US20070203810A1 (en) * 2006-02-13 2007-08-30 Caterpillar Inc. Supply chain modeling method and system
US9557723B2 (en) 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US9092593B2 (en) 2007-09-25 2015-07-28 Power Analytics Corporation Systems and methods for intuitive modeling of complex networks in a digital environment
US7826990B2 (en) * 2006-02-14 2010-11-02 Edsa Micro Corporation Systems and methods for real-time system monitoring and predictive analysis
US20170046458A1 (en) 2006-02-14 2017-02-16 Power Analytics Corporation Systems and methods for real-time dc microgrid power analytics for mission-critical power systems
US20160246905A1 (en) 2006-02-14 2016-08-25 Power Analytics Corporation Method For Predicting Arc Flash Energy And PPE Category Within A Real-Time Monitoring System
JP6030278B2 (ja) * 2006-03-16 2016-11-24 アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 電子デバイス製造システムの操作を改善する方法及び装置
US7860857B2 (en) 2006-03-30 2010-12-28 Invensys Systems, Inc. Digital data processing apparatus and methods for improving plant performance
US7693608B2 (en) * 2006-04-12 2010-04-06 Edsa Micro Corporation Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment
US7765795B2 (en) * 2006-04-28 2010-08-03 Caterpillar Inc NOx control using a neural network
US8515614B2 (en) * 2006-05-08 2013-08-20 Lee Bernard Emission monitoring device and method
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US7953501B2 (en) 2006-09-25 2011-05-31 Fisher-Rosemount Systems, Inc. Industrial process control loop monitor
US8788070B2 (en) 2006-09-26 2014-07-22 Rosemount Inc. Automatic field device service adviser
US8478506B2 (en) * 2006-09-29 2013-07-02 Caterpillar Inc. Virtual sensor based engine control system and method
CN101517377B (zh) 2006-09-29 2012-05-09 罗斯蒙德公司 带有校验的磁流量计
US7844352B2 (en) * 2006-10-20 2010-11-30 Lehigh University Iterative matrix processor based implementation of real-time model predictive control
US8180622B2 (en) * 2006-10-24 2012-05-15 Power Analytics Corporation Systems and methods for a real-time synchronized electrical power system simulator for “what-if” analysis and prediction over electrical power networks
US20080098725A1 (en) * 2006-10-31 2008-05-01 Caterpillar Inc. Exhaust system having mid-reducer NOx sensor
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
US7483774B2 (en) * 2006-12-21 2009-01-27 Caterpillar Inc. Method and system for intelligent maintenance
US8285513B2 (en) 2007-02-27 2012-10-09 Exxonmobil Research And Engineering Company Method and system of using inferential measurements for abnormal event detection in continuous industrial processes
US7810476B2 (en) * 2007-03-06 2010-10-12 Gm Global Technology Operations, Inc. Method and apparatus for estimating exhaust temperature of an internal combustion engine
US20080264398A1 (en) * 2007-04-26 2008-10-30 Ford Global Technologies, Llc Auxiliary Power Compensation During Map Testing
US7787969B2 (en) * 2007-06-15 2010-08-31 Caterpillar Inc Virtual sensor system and method
US7831416B2 (en) 2007-07-17 2010-11-09 Caterpillar Inc Probabilistic modeling system for product design
US7788070B2 (en) * 2007-07-30 2010-08-31 Caterpillar Inc. Product design optimization method and system
US8898036B2 (en) 2007-08-06 2014-11-25 Rosemount Inc. Process variable transmitter with acceleration sensor
US7542879B2 (en) * 2007-08-31 2009-06-02 Caterpillar Inc. Virtual sensor based control system and method
US7593804B2 (en) * 2007-10-31 2009-09-22 Caterpillar Inc. Fixed-point virtual sensor control system and method
US8036764B2 (en) * 2007-11-02 2011-10-11 Caterpillar Inc. Virtual sensor network (VSN) system and method
US8224468B2 (en) * 2007-11-02 2012-07-17 Caterpillar Inc. Calibration certificate for virtual sensor network (VSN)
DE102007057311B3 (de) * 2007-11-28 2009-06-10 Continental Automotive Gmbh Verfahren und Vorrichtung zur Fehlererkennung bei emissionsrelevanten Steuereinrichtungen in einem Fahrzeug
US7658098B2 (en) * 2007-12-31 2010-02-09 Min Sun Method for controlling vehicle emissions
EP2080953B1 (de) * 2008-01-15 2014-12-17 STEAG Powitec GmbH Regelkreis und Verfahren zum Erstellen eines Prozessmodells hierfür
US20090222280A1 (en) * 2008-02-29 2009-09-03 Shiva Mittal System and method for certification data management
US20090293457A1 (en) * 2008-05-30 2009-12-03 Grichnik Anthony J System and method for controlling NOx reactant supply
US8086640B2 (en) * 2008-05-30 2011-12-27 Caterpillar Inc. System and method for improving data coverage in modeling systems
WO2009155483A1 (en) 2008-06-20 2009-12-23 Invensys Systems, Inc. Systems and methods for immersive interaction with actual and/or simulated facilities for process, environmental and industrial control
US8478473B2 (en) * 2008-07-28 2013-07-02 General Electric Company Method and systems for controlling gas turbine engine temperature
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
US8301356B2 (en) * 2008-10-06 2012-10-30 GM Global Technology Operations LLC Engine out NOx virtual sensor using cylinder pressure sensor
US8965664B2 (en) 2009-03-27 2015-02-24 Honda Motor Co., Ltd. Controller for plant
US7921734B2 (en) 2009-05-12 2011-04-12 Rosemount Inc. System to detect poor process ground connections
US8463964B2 (en) 2009-05-29 2013-06-11 Invensys Systems, Inc. Methods and apparatus for control configuration with enhanced change-tracking
US8127060B2 (en) 2009-05-29 2012-02-28 Invensys Systems, Inc Methods and apparatus for control configuration with control objects that are fieldbus protocol-aware
US8682630B2 (en) * 2009-06-15 2014-03-25 International Business Machines Corporation Managing component coupling in an object-centric process implementation
US20110082597A1 (en) 2009-10-01 2011-04-07 Edsa Micro Corporation Microgrid model based automated real time simulation for market based electric power system optimization
US8244505B2 (en) * 2009-11-05 2012-08-14 General Electric Company Predicting NOx emissions
US8726723B2 (en) 2010-02-23 2014-05-20 Cummins Emission Solutions Detection of aftertreatment catalyst degradation
US8508590B2 (en) * 2010-03-02 2013-08-13 Crown Equipment Limited Method and apparatus for simulating a physical environment to facilitate vehicle operation and task completion
US8538577B2 (en) * 2010-03-05 2013-09-17 Crown Equipment Limited Method and apparatus for sensing object load engagement, transportation and disengagement by automated vehicles
US8650009B2 (en) * 2010-08-31 2014-02-11 Rockwell Automation Technologies, Inc. Sensor validation and value replacement for continuous emissions monitoring
US20120095808A1 (en) * 2010-10-15 2012-04-19 Invensys Systems Inc. System and Method for Process Predictive Simulation
JP5287912B2 (ja) * 2011-03-15 2013-09-11 株式会社デンソー エンジン制御装置
US9207670B2 (en) 2011-03-21 2015-12-08 Rosemount Inc. Degrading sensor detection implemented within a transmitter
GB201105830D0 (en) 2011-04-06 2011-05-18 Lysanda Ltd Mass estimation model
WO2012141601A2 (en) 2011-04-11 2012-10-18 Crown Equipment Limited Method and apparatus for efficient scheduling for multiple automated non-holonomic vehicles using a coordinated path planner
US8655588B2 (en) 2011-05-26 2014-02-18 Crown Equipment Limited Method and apparatus for providing accurate localization for an industrial vehicle
US8548671B2 (en) * 2011-06-06 2013-10-01 Crown Equipment Limited Method and apparatus for automatically calibrating vehicle parameters
US8594923B2 (en) 2011-06-14 2013-11-26 Crown Equipment Limited Method and apparatus for sharing map data associated with automated industrial vehicles
US8589012B2 (en) 2011-06-14 2013-11-19 Crown Equipment Limited Method and apparatus for facilitating map data processing for industrial vehicle navigation
US8793004B2 (en) 2011-06-15 2014-07-29 Caterpillar Inc. Virtual sensor system and method for generating output parameters
US9250625B2 (en) 2011-07-19 2016-02-02 Ge Intelligent Platforms, Inc. System of sequential kernel regression modeling for forecasting and prognostics
US9256224B2 (en) 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics
US20140058634A1 (en) 2012-08-24 2014-02-27 Crown Equipment Limited Method and apparatus for using unique landmarks to locate industrial vehicles at start-up
US9056754B2 (en) 2011-09-07 2015-06-16 Crown Equipment Limited Method and apparatus for using pre-positioned objects to localize an industrial vehicle
US9677493B2 (en) 2011-09-19 2017-06-13 Honeywell Spol, S.R.O. Coordinated engine and emissions control system
US9650934B2 (en) 2011-11-04 2017-05-16 Honeywell spol.s.r.o. Engine and aftertreatment optimization system
US20130111905A1 (en) 2011-11-04 2013-05-09 Honeywell Spol. S.R.O. Integrated optimization and control of an engine and aftertreatment system
US9181878B2 (en) 2011-12-19 2015-11-10 Honeywell International Inc. Operations support systems and methods for calculating and evaluating engine emissions
US8700546B2 (en) * 2011-12-20 2014-04-15 Honeywell International Inc. Model based calibration of inferential sensing
US8977373B2 (en) 2011-12-28 2015-03-10 Caterpillar Inc. Systems and methods for extending physical sensor range using virtual sensors
US9052240B2 (en) 2012-06-29 2015-06-09 Rosemount Inc. Industrial process temperature transmitter with sensor stress diagnostics
US9602122B2 (en) 2012-09-28 2017-03-21 Rosemount Inc. Process variable measurement noise diagnostic
US9605615B2 (en) * 2015-02-12 2017-03-28 GM Global Technology Operations LLC Model Predictive control systems and methods for increasing computational efficiency
US9920697B2 (en) 2014-03-26 2018-03-20 GM Global Technology Operations LLC Engine control systems and methods for future torque request increases
US9784198B2 (en) * 2015-02-12 2017-10-10 GM Global Technology Operations LLC Model predictive control systems and methods for increasing computational efficiency
AU2013403326B2 (en) 2013-10-15 2016-12-15 Halliburton Energy Services, Inc. Optimization of engine emissions from equipment used in well site operations
KR101542976B1 (ko) * 2013-12-23 2015-08-07 현대자동차 주식회사 선택적 환원 촉매의 반응 모델을 위한 보정 로직을 결정하는 방법, 선택적 환원 촉매의 반응 모델의 파라미터를 보정하는 방법 및 이를 이용한 배기 장치
EP3012694A1 (de) * 2014-10-22 2016-04-27 Siemens Aktiengesellschaft Verfahren zur Bestimmung eines Emissionsverhaltens
EP3051367B1 (de) 2015-01-28 2020-11-25 Honeywell spol s.r.o. Ansatz und system zur handhabung von einschränkungen für gemessene störungen mit unsicherer vorschau
EP3056706A1 (de) 2015-02-16 2016-08-17 Honeywell International Inc. Ansatz zur nachbehandlungssystemmodellierung und modellidentifizierung
US9593631B2 (en) * 2015-03-24 2017-03-14 General Electric Company System and method for locating an engine event
WO2016175809A1 (en) * 2015-04-30 2016-11-03 Cummins Inc. Online engine emission calibration and estimation
EP3091212A1 (de) 2015-05-06 2016-11-09 Honeywell International Inc. Identifikationsansatz für verbrennungsmotor-mittelwertmodelle
EP3125052B1 (de) 2015-07-31 2020-09-02 Garrett Transportation I Inc. Quadratischer programmlöser für mpc mit variabler anordnung
US10272779B2 (en) 2015-08-05 2019-04-30 Garrett Transportation I Inc. System and approach for dynamic vehicle speed optimization
GB2541948B (en) * 2015-09-07 2020-02-12 Jaguar Land Rover Ltd A verification module for verifying accuracy of a controller
US10662765B2 (en) * 2015-09-18 2020-05-26 Schlumberger Technology Corporation Wellsite emissions monitoring and control
US9657670B2 (en) 2015-10-02 2017-05-23 GM Global Technology Operations LLC Exhaust system temperature estimation systems and methods
US9644548B2 (en) 2015-10-02 2017-05-09 GM Global Technology Operations LLC Exhaust system pressure estimation systems and methods
US10415492B2 (en) 2016-01-29 2019-09-17 Garrett Transportation I Inc. Engine system with inferential sensor
US10769517B2 (en) * 2016-03-05 2020-09-08 Fujitsu Limited Neural network analysis
JP6494009B1 (ja) * 2016-03-10 2019-04-03 シグニファイ ホールディング ビー ヴィ 汚染推定システム
US10124750B2 (en) 2016-04-26 2018-11-13 Honeywell International Inc. Vehicle security module system
US10690344B2 (en) * 2016-04-26 2020-06-23 Cleaver-Brooks, Inc. Boiler system and method of operating same
US10036338B2 (en) 2016-04-26 2018-07-31 Honeywell International Inc. Condition-based powertrain control system
CN105727722B (zh) * 2016-05-03 2019-01-15 福建省恒创环保科技有限公司 烟气脱硫、脱硝过程监控管理系统
US9938908B2 (en) 2016-06-14 2018-04-10 GM Global Technology Operations LLC System and method for predicting a pedal position based on driver behavior and controlling one or more engine actuators based on the predicted pedal position
DE102016216951A1 (de) * 2016-09-07 2018-03-08 Robert Bosch Gmbh Modellberechnungseinheit und Steuergerät zur wahlweisen Berechnung eines RBF-Modells, eines Gauß-Prozess-Modells und eines MLP-Modells
US20180137218A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for similarity-based information augmentation
EP3548729B1 (de) 2016-11-29 2023-02-22 Garrett Transportation I Inc. Inferenzflusssensor
US20180189647A1 (en) * 2016-12-29 2018-07-05 Google, Inc. Machine-learned virtual sensor model for multiple sensors
US11057213B2 (en) 2017-10-13 2021-07-06 Garrett Transportation I, Inc. Authentication system for electronic control unit on a bus
JP6760317B2 (ja) * 2018-03-14 2020-09-23 オムロン株式会社 学習支援装置
CN111989625A (zh) * 2018-03-29 2020-11-24 安曼瑞士股份公司 沥青混合站的排放控制
EP3620983B1 (de) 2018-09-05 2023-10-25 Sartorius Stedim Data Analytics AB Computerimplementiertes verfahren, computerprogrammprodukt und system zur datenanalyse
DE102018125909A1 (de) * 2018-10-18 2020-04-23 Endress+Hauser Flowtec Ag Verfahren zur Bestimmung zur Bestimmung einer Prozessgröße
JP2022523564A (ja) 2019-03-04 2022-04-25 アイオーカレンツ， インコーポレイテッド 機械学習を使用するデータ圧縮および通信
CN110273738B (zh) * 2019-03-14 2023-06-02 吉林大学 一种重型发动机排放诊断测试系统
US11714114B2 (en) * 2019-05-20 2023-08-01 Miami University Non-invasive diagnostic systems and methods for using the same
JP7231144B2 (ja) * 2019-07-17 2023-03-01 株式会社トランストロン エンジン制御装置及びそれが有するニューラルネットワークプログラム
US10972261B1 (en) * 2019-10-18 2021-04-06 Via Science, Inc. Secure data processing
US11455561B2 (en) 2019-11-14 2022-09-27 International Business Machines Corporation Alerting to model degradation based on distribution analysis using risk tolerance ratings
US11256597B2 (en) 2019-11-14 2022-02-22 International Business Machines Corporation Ensemble approach to alerting to model degradation
US11768917B2 (en) 2019-11-14 2023-09-26 International Business Machines Corporation Systems and methods for alerting to model degradation based on distribution analysis
US11810013B2 (en) 2019-11-14 2023-11-07 International Business Machines Corporation Systems and methods for alerting to model degradation based on survival analysis
KR102202926B1 (ko) * 2020-01-10 2021-01-14 주식회사 현대케피코 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법
CN115136079A (zh) * 2020-02-20 2022-09-30 赢创运营有限公司 用于过程控制的方法和系统
US11691637B2 (en) * 2020-06-19 2023-07-04 Ghost Autonomy Inc. Handling input data errors in an autonomous vehicle
JP6950911B1 (ja) * 2020-07-31 2021-10-13 株式会社アイデミ— 需要予測プログラム、需要予測装置、需要予測方法、需要予測通知プログラム、需要予測通知装置及び需要予測通知方法
US11686650B2 (en) 2020-12-31 2023-06-27 Robert Bosch Gmbh Dynamic spatiotemporal beamforming
US20220205451A1 (en) * 2020-12-31 2022-06-30 Robert Bosch Gmbh Sensing via signal to signal translation
US20230065744A1 (en) * 2021-08-26 2023-03-02 Halliburton Energy Services, Inc. Graphical user interface for abating emissions of gaseous byproducts from hydrocarbon assets
DE102022201637A1 (de) 2022-02-17 2023-08-17 Zf Friedrichshafen Ag Computerimplementiertes Verfahren und System zur Erzeugung eines virtuellen Klons eines Sensors

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2245029C3 (de) * 1972-09-14 1981-08-20 Robert Bosch Gmbh, 7000 Stuttgart Verfahren und Vorrichtung zur Abgasentgiftung von Brennkraftmaschinen
DE2247656C3 (de) * 1972-09-28 1981-12-17 Robert Bosch Gmbh, 7000 Stuttgart Einrichtung zum Regeln des Verhältnisses der Kraftstoff- und Luftanteile des Betriebsgemisches einer Brennkraftmaschine
DE2251167C3 (de) * 1972-10-19 1986-07-31 Robert Bosch Gmbh, 7000 Stuttgart Einrichtung zur Abgasentgiftung von Brennkraftmaschinen
JPS4987914A (de) * 1972-12-26 1974-08-22
DE2301353A1 (de) * 1973-01-12 1974-07-25 Bosch Gmbh Robert Regeleinrichtung zur abgasentgiftung von brennkraftmaschinen
DE2301354C3 (de) * 1973-01-12 1981-03-12 Robert Bosch Gmbh, 7000 Stuttgart Einrichtung zum Regeln des Kraftstoff-Luftverhältnisses bei Brennkraftmaschinen
DE2304622A1 (de) * 1973-01-31 1974-08-15 Bosch Gmbh Robert Einrichtung zur ueberwachung von katalytischen reaktoren in abgasentgiftungsanlagen von brennkraftmaschinen
US4007589A (en) * 1973-01-31 1977-02-15 Robert Bosch G.M.B.H. Internal combustion exhaust catalytic reactor monitoring system
JPS6014183B2 (ja) * 1975-11-11 1985-04-11 株式会社日本自動車部品総合研究所 空気流量調整装置
JPS52110333A (en) * 1976-03-08 1977-09-16 Nissan Motor Co Ltd Fuel-air ratio control device
US4167161A (en) * 1976-07-09 1979-09-11 Mitsubishi Jidosha Kogyo Kabushiki Kaisha Directional auxiliary intake injection for internal combustion engine
US4245314A (en) * 1978-02-27 1981-01-13 The Bendix Corporation Oxygen sensor qualifier
US4315243A (en) * 1980-09-16 1982-02-09 Calvert Sr Willard R Unused fuel indicator for automotive engines employing catalytic converters
US4403473A (en) * 1981-06-22 1983-09-13 Caterpillar Tractor Co. Ammonia/fuel ratio control system for reducing nitrogen oxide emissions
US4438497A (en) * 1981-07-20 1984-03-20 Ford Motor Company Adaptive strategy to control internal combustion engine
JPS59195012A (ja) * 1983-04-20 1984-11-06 Hitachi Ltd 燃焼制御方法
US4548185A (en) * 1984-09-10 1985-10-22 General Motors Corporation Engine control method and apparatus
JPS61169635A (ja) * 1985-01-23 1986-07-31 Hitachi Ltd 空燃比制御方法
US4663703A (en) * 1985-10-02 1987-05-05 Westinghouse Electric Corp. Predictive model reference adaptive controller
US4789939A (en) * 1986-11-04 1988-12-06 Ford Motor Company Adaptive air fuel control using hydrocarbon variability feedback
AT388780B (de) * 1987-09-09 1989-08-25 Jenbacher Werke Ag Einrichtung zur erkennung von zuend- und entflammaussetzern
US5003950A (en) * 1988-06-15 1991-04-02 Toyota Jidosha Kabushiki Kaisha Apparatus for control and intake air amount prediction in an internal combustion engine
DE3911145C1 (de) * 1989-04-06 1990-04-26 Daimler-Benz Aktiengesellschaft, 7000 Stuttgart, De
JPH0711256B2 (ja) * 1989-09-06 1995-02-08 本田技研工業株式会社 内燃エンジンの制御装置
GB2236875B (en) * 1989-09-25 1993-10-20 Ind Tech Res Inst An automatic device for adjusting idle emissions of internal combustion engines having a carburetter
JP2792633B2 (ja) * 1990-02-09 1998-09-03 株式会社日立製作所 制御装置
DE4004085A1 (de) * 1990-02-10 1991-08-14 Bosch Gmbh Robert Verfahren und einrichtung zur elektronischen steuerung und/oder regelung einer brennkraftmaschine eines kraftfahrzeugs
US5222471A (en) * 1992-09-18 1993-06-29 Kohler Co. Emission control system for an internal combustion engine
US5077970A (en) * 1990-06-11 1992-01-07 Ford Motor Company Method of on-board detection of automotive catalyst degradation
FR2667113B1 (fr) * 1990-09-26 1993-06-25 Semt Pielstick Procede de surveillance de l'emission d'oxydes d'azote par un moteur a combustion interne.
US5273019A (en) * 1990-11-26 1993-12-28 General Motors Corporation Apparatus with dynamic prediction of EGR in the intake manifold
US5228335A (en) * 1991-02-25 1993-07-20 The United States Of America As Represented By The United States Environmental Protection Agency Method and apparatus for detection of catalyst failure on-board a motor vehicle using a dual oxygen sensor and an algorithm
JPH0781701B2 (ja) * 1991-04-05 1995-09-06 川崎重工業株式会社 石炭燃焼炉の灰中未燃分推定装置
US5177464A (en) * 1991-09-04 1993-01-05 Ford Motor Company Catalyst monitoring using a hydrocarbon sensor
US5138163A (en) * 1991-09-09 1992-08-11 Ford Motor Company Direct sampling of engine emissions for instantaneous analysis
US5163412A (en) * 1991-11-08 1992-11-17 Neutronics Enterprises, Inc. Pollution control system for older vehicles
US5349541A (en) * 1992-01-23 1994-09-20 Electric Power Research Institute, Inc. Method and apparatus utilizing neural networks to predict a specified signal value within a multi-element system
US5213080A (en) * 1992-07-10 1993-05-25 Gas Research Institute Ignition timing control
US5220905A (en) * 1992-07-17 1993-06-22 Brad Lundahl Reducing emissions using transport delay to adjust biased air-fuel ratio
US5271674A (en) * 1992-12-21 1993-12-21 Riley Storker Corporation Apparatus and method for predicting ash deposition on heated surfaces of a fuel burning combustion vessel
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10127790B4 (de) * 2000-06-08 2013-03-14 Fisher-Rosemount Systems Inc. Adaptives Vorhersagemodell in einem Prozeßsteuerungssystem
DE10235525B4 (de) * 2001-09-10 2004-09-09 Daimlerchrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
EP2796787A1 (de) 2013-04-26 2014-10-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur Überwachung von Verbrennungsanlagen
DE102013207720A1 (de) * 2013-04-26 2014-10-30 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur Überwachung von Verbrennungsanlagen
DE102013207720B4 (de) 2013-04-26 2019-10-17 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur Überwachung von Verbrennungsanlagen
CN109633195A (zh) * 2018-12-29 2019-04-16 上海谱仪器科技股份有限公司 一种红外碳硫分析仪自动进样系统

Also Published As

Publication number Publication date
US5682317A (en) 1997-10-28
DE69418199D1 (de) 1999-06-02
AU677694B2 (en) 1997-05-01
EP0712509A1 (de) 1996-05-22
CA2167588A1 (en) 1995-02-16
DE69423895D1 (de) 2000-05-11
US5539638A (en) 1996-07-23
CA2167927A1 (en) 1995-02-16
AU688353B2 (en) 1998-03-12
JPH09501782A (ja) 1997-02-18
AU7477694A (en) 1995-02-28
EP0712509B1 (de) 2000-04-05
AU7375894A (en) 1995-02-28
WO1995004878A1 (en) 1995-02-16
EP0712463B1 (de) 1999-04-28
EP0712463A1 (de) 1996-05-22
KR960704258A (ko) 1996-08-31
WO1995004957A1 (en) 1995-02-16
JPH09504346A (ja) 1997-04-28
DE69423895T2 (de) 2000-12-07
KR960704150A (ko) 1996-08-31

Similar Documents

Publication Publication Date Title
DE69418199T2 (de) Virtuelle emissionsüberwachungseinrichtung für kraftfahrzeuge
DE102010043238B4 (de) Motorsteuersystem mit einem Algorithmus zur Aktuatorsteuerung
DE112007001865T5 (de) Verfahren und Vorrichtung zum Schätzen des Abgasdrucks einer Brennkraftmaschine
EP3308007B1 (de) Luftfüllungsbestimmung, motorsteuergerät und verbrennungskraftmaschine
DE102011113169A1 (de) System zum Diagnostizieren von Fehlerbedingungen eines Gasdurchflusssteuerungssystems für Motoren mit Turbolader
DE102008055593A1 (de) Verfahren und Systeme zur neuronalen Netzwerkmodellierung von Turbinenkomponenten
DE112008001654T5 (de) System und Verfahren für virtuelle Sensoren
DE19750389A1 (de) Abgasrückführungssystem-Diagnoseeinrichtung für einen Dieselmotor
DE102006048730A1 (de) Verfahren und Vorrichtung zur Bestimmung der Messgenauigkeit einer Messeinrichtung
DE102018213809A1 (de) Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine mit einer Drosselklappe und mit einer Abgasrückführung zur Erkennung einer versotteten AGR-Leitung
WO1990013738A1 (de) Verfahren und vorrichtung zur diagnose der steuerung des tankentlüftungsventils in verbindung mit der steuerung einer brennkraftmaschine
DE102016219781A1 (de) Verfahren und Steuergerät zum Abgleich und zur Diagnose eines Abgasrückführmassenstrommessers
DE102009037254B4 (de) Verfahren und Vorrichtung zum Steuern des Beriebs einer Brennkraftmaschine
DE68903639T2 (de) Verfahren und vorrichtung zur steuerung von verbrennungsmotoren.
DE19515382A1 (de) Diagnosevorrichtung und -verfahren für ein Verdunstungs-Spülsystem
DE102021118579A1 (de) Maschinenlernvorrichtung
DE19527774C2 (de) Katalysatorverschlechterungs-Bestimmungsvorrichtung für einen Verbrennungsmotor
AT503956B1 (de) Verfahren zur diagnose von fehlerhaften betriebszuständen
DE102010046491A1 (de) Verfahren zum Bestimmen einer Schadstoffemission im Brennraum eines Dieselmotors
DE102011088403B3 (de) Bestimmen eines Werts für einen Ventilhub eines Ventils eines individuellen Zylinders einer Brennkraftmaschine mit mehreren Zylindern
EP1362173A1 (de) Verfahren zum ermitteln eines schätzwertes eines massenstroms in den ansaugtrakt einer brennkraftmaschine
WO2009124327A1 (de) Brennkraftmaschine
EP2513457B1 (de) Verfahren zur abgasrückführung
DE112009000324B4 (de) Verfahren und Computerprogrammprodukt zum Abgleichen eines Luftmassenstromsensors einer Motoranordnung eines Kraftfahrzeugs
DE102007008514A1 (de) Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung

Legal Events

Date Code Title Description
8364 No opposition during term of opposition