DE69800186T2 - Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden - Google Patents

Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden

Info

Publication number
DE69800186T2
DE69800186T2 DE69800186T DE69800186T DE69800186T2 DE 69800186 T2 DE69800186 T2 DE 69800186T2 DE 69800186 T DE69800186 T DE 69800186T DE 69800186 T DE69800186 T DE 69800186T DE 69800186 T2 DE69800186 T2 DE 69800186T2
Authority
DE
Germany
Prior art keywords
neural network
operating
operating parameters
values
engine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE69800186T
Other languages
English (en)
Other versions
DE69800186D1 (de
Inventor
Jie Cheng
George Carver Davis
Stephanie Mary Lacrosse
Newman, Jr.
Anya Lynn Tascillo
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of DE69800186D1 publication Critical patent/DE69800186D1/de
Application granted granted Critical
Publication of DE69800186T2 publication Critical patent/DE69800186T2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/0065—Specific aspects of external EGR control
    • F02D41/0072—Estimating, calculating or determining the EGR rate, amount or flow
    • 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
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/006—Controlling exhaust gas recirculation [EGR] using internal EGR
    • F02D41/0062—Estimating, calculating or determining the internal EGR rate, amount or flow
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • 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
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F02D2041/1437—Simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Description

  • Die vorliegende Erfindung betrifft virtuelle, neurale Netzwerke verwendende Fahrzeugsensoren, welche unter Verwendung eines Simulationsmodells zur Überwachung eines Fahrzeugparameters trainiert sind.
  • Moderne Motoren benutzen elektronische Motor-Regelmodule (ECM, Engine Control Module; Motor-Regelmodul), um den Motorbetrieb ununterbrochen zu überwachen und zu regeln, um die Kraftstoffersparnis, die Emissionskontrolle und die Leistung zu optimieren. Um die gegenwärtigen Betriebsbedingungen wiederspiegelnde Informationen zu sammeln, verwendet das ECM verschieden physikalische Sensoren. Die Information wird verwendet um Ausgabesignale für verschiedene Stellglieder zu erzeugen, welche den Betrieb des Motors regeln. Durch Verwendung von Stellgliedern regelt das ECM das Luft/Kraftstoff-Verhältnis, die Kraftstoffeinspritzung, die Zündzeitpunktsverstellung und verschiedene andere Funktionen zur Regelung des Motorbetriebs. Eine optimale Regelung des Motors über einen weiten Bereich von Motor-Betriebsbedingungen (und Umgebungsbedingungen) hängt von der Verfügbarkeit, Genauigkeit und Verläßlichkeit der Daten ab, die von den Motorsensoren gesammelt wurden.
  • Ein ideales Motor-Regelsystem wäre in der Lage jeden Motor-Betriebsparameter, welcher irgendeine Regelvariable beeinflußt, direkt zu messen. Jede realisierbare Konstruktion ist jedoch Gegenstand von Überlegungen wie etwa des Preises, der Haltbarkeit, Reparaturfähigkeit und/oder technologischen Durchführbarkeit (einschließlich Überlegungen zur Unterbringung) geeigneter Sensoren. Der Einsatz von mehr und mehr physikalischen Sensoren führt bei Entwicklung und Herstellung zu Nachteilen bei den Stückpreisen. Austausch- und Reparaturkosten steigen außerdem aufgrund der erhöhten Anzahl von Sensoren und der Schwierigkeit bei der Diagnose von Sensor-Funktionsstörungen. An sich enthalten derzeitige Systeme typischerweise Konstruktionskompromisse, um technologischen Schwierigkeiten Rechnung zu tragen und den Preis und die Komplexität des - zur Überwachung und Regelung des Motors verwendeten - Systems zu vermindern Es ist daher wünschenswert die Verfügbarkeit, Genauigkeit und Zuverlässigkeit von Daten zu verbessern, die verwendet werden um eine Motorregelung zu bewirken; ohne sich bedeutend auf die Kosten, die Komplexität oder die Reparaturfähigkeit des Fahrzeuges auszuwirken.
  • US-A-5 539 638 beschreibt ein Verfahren um den Betrieb eines Verbrennungsmotors mit einer Mehrzahl von Überwachungssensoren zu überwachen. Es wird ein voraussagender Modellprozessor bereitgestellt, der in einem Speicher gespeicherte Modellparameter verwendet um aus den Sensoreingaben eine vorausgesagte Emissionsabgabe vorherzusagen. Mittels einer Trainings-Datenbank - die mit durch die Sensoren und eine tatsächliche Emissionssensor-Ausgabe bereitgestellten Eingaben erzeugt wurde - wird das Modell trainiert.
  • Um traditionelle, physikalische Motorsensoren zur ersetzen oder zu verbessern, verwendet die vorliegende Erfindung innerhalb des EMC eines oder mehrere neurale Netzwerke, welche als virtuelle Abtastvorrichtungen dienen.
  • Die vorliegende Erfindung stellt ein Verfahren zur Herstellung eines Sensors für die Verwendung mit einem Fahrzeugbauteil bereit, das einen Regler besitzt der mit einer Mehrzahl physikalischer Sensoren in Verbindung steht, von denen jeder ein für erste Betriebsparameter kennzeichnendes Signal erzeugt; wobei der Sensor auf Grundlage von Werten für eine Mehrzahl von ersten Betriebsparametern Werte für einen zweiten Betriebsparameter bestimmt, und wobei das Verfahren die Schritte umfaßt:
  • Überwachen von - durch eine Mehrzahl von physikalischen Sensoren erzeugten - Signalen; um Testdaten zu erzeugen, die für einen ersten Satz von Betriebsbedingungen für die ersten Betriebsparameter bezeichnend sind; und
  • Einbetten eines trainierten neuralen Netzwerks in den Regler, um auf Grundlage einer Mehrzahl erster Betriebsparameter Werte für den zweiten Parameter zu bestimmen;
  • dadurch gekennzeichnet daß das Verfahren weiterhin umfaßt:
  • Kalibrierung eines Simulators zur Simulation des Fahrzeugbetriebes unter Verwendung der Testdaten;
  • Erzeugen mindestens einer Karte, welche die Leistung des Fahrzeugbauteils als Funktion vorherbestimmter Parameter charakterisiert, wobei die Karte auf der Simulatorausgabe für einen zweiten Satz von Betriebsbedingungen basiert; und
  • Justieren von - Knoten des neuralen Netzwerkes entsprechenden - Gewichtungen auf Grundlage dieser mindestens einen Karte, um so das neurale Netzwerk zu trainieren. Mit der vorliegenden Erfindung sind zahlreiche Vorteile verbunden. Die vorliegende Erfindung gestattet zum Beispiel Betriebsparameter abzutasten, welche zur Zeit nur schwierig oder unter untragbaren Kosten direkt zu messen sind. Die vorliegende Erfindung benutzt Simulationsmodelle, um so umfassendere, mehr Betriebsbedingungen darstellende Daten zu erzeugen, als bei Verwendung traditioneller Testung und Kartierung ökonomisch gangbar wäre. Die umfassenderen Daten resultieren in einem genaueren Training des neuralen Netzwerks und führen dadurch zu einem genaueren Sensor. Der Sensor kann verwendet um eine Überwachung grundlegender, den Betrieb der Fahrzeugbauteile kennzeichnender, physikalischer Größen bereitzustellen, welche unter Verwendung physikalischer Sensoren sonst nicht verfügbar wäre. Die vorliegende Erfindung ist auf eine weite Auswahl von Regelsystemen anwendbar, obwohl sie besonders für die Regelung von Fahrzeugmotoren geeignet ist.
  • Die Erfindung wird nun, anhand eines Beispiels, unter Bezug auf die beigefügten Zeichnungen weiter erklärt werden, in denen:
  • Abb. 1 ein Blockdiagramm einer Motorregelungs-Anwendung ist, die eine Ausführungsform der vorliegenden Erfindung benutzt;
  • Abb. 2 ein Blockdiagramm ist, das einen auf der Struktur eines neuralen Netzwerks basierenden, virtuellen Sensor im Einklang mit der vorliegenden Erfindung veranschaulicht; und
  • Abb. 3 ein Ablaufdiagramm ist, das ein Verfahren zur Entwicklung und Herstellung eines virtuellen Sensors im Einklang mit der vorliegenden Erfindung veranschaulicht.
  • Unter Bezug auf Abb. 1 wird nun ein Blockdiagramm gezeigt, das eine potentielle Anwendung für virtuelle Sensoren im Einklang mit der vorliegenden Erfindung veranschaulicht. Ein Regelsystem 10 schließt ein Fahrzeugbauteil wie etwa Motor 12 in Verbindung mit einem Regler 14 ein. System 10 schließt eine Mehrzahl physikalischer Sensoren ein, die durch Positionsnummer 16 allgemein gezeigt sind. Abhängig von der speziellen Anwendung und dem speziell geregelten Bauteil kann jede Anzahl physikalischer Sensoren 16 verwendet werden. Physikalische Sensoren 16 können Luftmassenstrom-Sensor (MAF, Mass Air Flow) 18, einen Drosselklappenstellungs- Sensor (TPS, Throttle Position Sensor) 20, einen Motordrehzahl-Sensor (RPM, Revolutions Per Minute; Umdrehungen pro Minute) 22 und/oder einen Kühlmitteltemperatur-Sensor (TMP) 24 einschließen.
  • In vielen benzinbetriebenen Automobilanwendungen ist Motor 12 über eine Abgasleitung 28 mit einem Katalysator 26 gekoppelt. Katalysator 26 ist über Abgasleitung 30 typisch mit einem Schalldämpfer (nicht speziell veranschaulicht) verbunden. In dieser Anwendung können zusätzliche physikalische Sensoren 16 einen oberstromig angeordneten Abgassauerstoff-Sensor (EGO, Exhaust Gas Oxygen; Abgassauerstoff) 32, einen stromabwärts angeordneten EGO-Sensor 34 und einen Katalysatortemperatur-Sensor 36 einschließen. Es können außerdem verschiedene andere Fahrzeugsensoren eingeschlossen werden, wie etwa ein Fahrzeuggeschwindigkeits-Sensor (VSS, Vehicle Speed Sensor; Fahrzeug- Geschwindigkeits-Sensor) 38 und Krümmerabsolutdruck-Sensor (MAP, Manifold Absolute Pressure; Krümmerabsolutdruck) 39.
  • Im Betrieb überwacht Regler 14 von physikalischen Sensoren 16 erzeugte Signale, um Werte für die entsprechenden Betriebsparameter von Motor 12 zu bestimmen. Von physikalischen Sensoren 16 erzeugte Signale werden zu einem oder mehreren Eingabeports 40 übertragen. Durch Schaltkreise innerhalb von Regler 14 wird typisch eine geeignete Signalaufbereitung, Pufferung, Schaltungsschutz und Signalumwandlung bereitgestellt. Zum Beispiel kann ein durch Kühlmitteltemperatur- Sensor 34 erzeugtes Temperatursignal, bevor es die Eingabeports 40 passiert, durch die Schaltkreise innerhalb von Regler 14 gefiltert, gepuffert und in ein digitales Signal umgewandelt werden.
  • Regler 14 schließt bevorzugt eine Mikroprozessoreinheit (MPU, Microprocessor Unit) 42 ein, die mit verschiedenen computerlesbaren Speichermedien - allgemein durch Positionsnummer 44 bezeichnet - in Verbindung steht. Die computerlesbaren Speichermedien 44 können verschiedene Arten flüchtiger und nichtflüchtiger Speicher einschließen, wie etwa Keep-Alive-Speicher (KAM, Keep Alive Memory) 46, Nur-Lese- Speicher (ROM, Read Only Memory) 48 und Direktzugriffsspeicher (RAM, Random Access Memory) 50. Die computerlesbaren Speichermedien kommunizieren über Adress- und Datenbus 52 mit Mikroprozessor 52. In Übereinstimmung mit in computerlesbaren Speichermedien 44 gespeicherten Daten und Anweisungen verarbeitet Mikroprozessor 42 verschiedenen Betriebsparametern entsprechende Werte, wie sie durch die über Eingabesports 40 empfangenen Signale angezeigt werden.
  • Mikroprozessor 42 erzeugt Regel- und Befehlssignale, welche über Ausgabeport 54 an verschiedene, - allgemein durch Positionsnummer 56 bezeichnete - Stellglieder übermittelt werden. Stellglieder können einen Kraftstoffregler 58 einschließen, welcher geeignete Signale für eine oder mehrere Kraftstoffeinspritzungen (nicht besonders veranschaulicht) bereitstellt. Andere Stellglieder können einen Zündzeitpunktsregler 60 und ein Abgasrückführungs-Ventil (EGR, Exhaust Gas Recirculation; Abgasrückführung) 62 einschließen. EGR-Ventil 62 wird zur Regelung der Abgasmengen verwendet, die vom Auspuff 28 über Verrohrung 66 zum Einlaß 64 geleitet werden.
  • Regler 14 schließt, wie in Abb. 1 ebenso veranschaulicht wird, einen virtuellen Sensor 68 auf Grundlage neuraler Netzwerke im Einklang mit der vorliegenden Erfindung ein. Der virtuelle Sensor ist bevorzugt innerhalb von Regler 14 eingebettet und kann über oder innerhalb eines oder mehrerer computerlesbaren Speichermedien 44 bestehen. Zum Beispiel können in einer Art oder einem physikalischen Speichermedium verschiedene Anweisungen gespeichert sein, während Arbeitsdaten in einer anderen physikalischen Vorrichtung gespeichert sind, welche der selbe Typ Speichermedium sein kann oder auch nicht.
  • Der virtuelle Sensor 68 kann verwendet werden um einen Wert für einen Motor- Betriebsparameter zu bestimmen, dessen Direktmessung teuer oder schwierig ist. Werte für verschiedene, physikalisch begründete Parameter werden in den virtuellen Sensor 68 eingespeist; wie etwa jene Werte, welche die von den physikalischen Sensoren 16 erzeugten Signale darstellen. Verschiedene andere Signale können eine Eingabe zum virtuellen Sensor 68 liefern, um dynamisch Werte für verschiedene Motor-Betriebsparameter zu bestimmen. Derartige Signale können für das Luft/Kraftstoff-Verhältnis, Nockenwellensteuerung, Luftladungstemperatur, Öltemperatur und ähnliches bezeichnend sein. Der virtuelle Sensor 68 bildet eine lineare Kombination von nichtlinearen Funktionen physikalisch begründeter Parameter. Der virtuelle Sensor 68 bestimmt dann Werte für verschiedene andere Motor- Betriebsparameter, die schwierig zu messen sind. Derartige Parameter können den verbleibenden Massenanteil, Emissionen, Klopfindex, den steilsten Druckanstieg, Abgastemperatur und Sauerstoffanteil des Abgases einschließen. Die Ausgabe von einem oder mehreren virtuellen Sensoren befähigt Regler 14, den inneren Vorgängen von Motor 12 besser Rechnung zu tragen. Diese Information kann verwendet werden, um die Regelung von Motor 12 durch justieren verschiedener Funktionen - wie etwa Zündzeitpunktseinstellung, EGR-Niveau, Einstellung der Kraftstoffeinspritzung, Nockenwellensteuerung, oder aber der Kraftstoff-Pulsbreite zur Verminderung des Kraftsstoffverbrauchs, Emissionen, der Klopfneigung, Motor-Instabilitäten und -lärm, Vibrationen und Rauhigkeits-Effekten (NVH) - zu verbessern. Als solches verbessert die vorliegende Erfindung die Motorregelung, indem sie Informationen bereitstellt, die auf Grundlage verschiedener nichtlinearer Beziehungen zwischen physikalisch begründeten Signalen dynamische Motor-Zustandsbedingungen darstellen. Die nichtlinearen Beziehungen werden - wie hierin genauer beschrieben - vom neuralen Netzwerk während des Trainings automatisch erfaßt.
  • Unter Bezug auf Abb. 2 wird ein Blockdiagramm gezeigt, daß eine neurale Netzwerkstruktur für einen virtuellen Sensor im Einklang mit der vorliegenden Erfindung veranschaulicht. Der virtuelle Sensor 68 schließt verschiedene, durch physikalische Sensoren und/oder andere virtuelle Sensoren erzeugte Eingaben 80 ein. Eine Eingabeschicht 82 schließt Knoten 84 ein, die jeder den Eingaben 80 zugehören. Der auf einem neuralen Netzwerk basierende Sensor 68 schließt außerdem eine oder mehrere verborgene Schichten 86 und eine Ausgabeschicht 88 ein. Die Knoten 84 der Eingabeschicht kommunizieren über Verbindungen 92 mit einem oder mehreren Knoten der verborgenen Schicht 86. Während des Trainings des Netzwerks werden die verschiedenen Verbindungen zusammen mit zugehörigen Gewichtungen bestimmt. Block 94 stellt eine Polynomfunktion seiner Eingaben dar, um eine Sensorausgabe 96 zu erzeugen. Die Ordnung des in Block 94 verwendeten Polynoms ist zwingend um Eins niedriger als die Anzahl der Knoten in der Ausgabeschicht 88. Für die meisten virtuellen Sensoren wird ein neurales Optimalwert-Netzwerk eine zufriedenstellende Leistung bereitstellen. Es sollte jedoch bemerkt werden daß die Anzahl und Struktur von Knoten für jede Schicht, abhängig von den speziell bestimmten Parametern, stark variieren wird.
  • Die in Abb. 2 veranschaulichte, besondere Struktur zeigt ein neurales Netzwerk für einen Satz von Motor-Leistungsdaten unter Verwendung der Kenntnis, daß die meisten der Variablen Polynomfunktionen der Zündzeitpunkts-Eingabe mit niedriger Ordnung sind, wenn die anderen Parameter festgeschrieben sind. Anstatt die Ausgabe direkt vorherzusagen, sagt das neurale Netzwerk von Abb. 2 die - durch Block 94 dargestellten - polynomischen Koeffizienten als Funktionen der anderen Motor- Betriebsparameter voraus. Man sollte zur Kenntnis nehmen daß dieser Typ eines neuralen Regressionsmodells nicht auf die Verwendung von Polynomen beschränkt ist, da jedes zweckmäßige Modul verwendet werden kann, welches die Bestimmung der partiellen Ableitungen der Modulausgabe bezüglich der Gewichtungen des neuralen Netzwerkes zuläßt.
  • Wegen der Tendenz daß die Interpolation von Polynomen große Fehler zeigt - wenn sie außerhalb der zugrundeliegenden Daten zur Extrapolation verwendet wird - ist die Auswahl nicht polynomischer Funktionen oftmals tatsächlich bevorzugt.
  • ist ein spezielle Netzwerkstruktur oder ein spezielles Netzwerkmodell einmal bestimmt, so kann unter Verwendung bestehender Algorithmen - wie etwa des Levenburg- Marquardt-Algorithmus oder des von Puskorius und Feldkam entwickelten, knotenentkoppelten, erweiterten Kalman-Filteralgorithmus - das Training des Netzwerks oder die Anpassung der - jeder der Verbindungen 92 zwischen Knoten oder Neuronen zugehörigen - Gewichtungen ausgeführt werden. Für manche Motor- Regelanwendungen zeigt letzterer Algorithmus überlegene Konvergenzeigenschaften, die in einem schnelleren Training des Netzwerks resultieren; während er außerdem Netzwerke ergibt welche - verglichen mit einfachen Back-Propagation-Algorithmen - bessere Generalisierungsfähigkeiten besitzen. Es ist wünschenswert daß eine Architektur verwendet wird, welche zur Darstellung einer besonderen Parameterkarte mit einem gewünschten Genauigkeitsgrad in der Lage ist, während sie selbst zu automatischen Trainingsvorgängen führt, wie sie mit Bezug auf Abb. 3 erklärt und veranschaulicht sind.
  • Mit Bezug auf Abb. 3 wird nun ein Ablaufdiagramm gezeigt, das ein Verfahren zur Herstellung oder Entwicklung virtueller Sensoren auf Basis eines neuralen Netzwerks veranschaulicht. Block 100 stellt die Erzeugung von Testdaten während des Betriebs eines Fahrzeugbauteils, etwa eines Motors, dar. Die Testdaten stellen für eine Mehrzahl von Betriebsparametern Daten für einen besonderen Satz von Betriebsbedingungen bereit. Um die Beziehung zwischen den verschiedenen Eingaben über die gesamten Betriebsbedingungen zu erfassen, ist es wünschenswert einen großen Datensatz zu erzeugen, welcher die typischerweise nichtlinearen Beziehungen zwischen grundlegenden Motor-Betriebsparametern und der gewünschten Sensorausgabe wiederspiegelt. Diese Zielsetzung kann bei Verwendung einer herkömmlichen Dynamometer-Testung allein typischerweise nicht verwirklicht werden, weil manche Motorparameter nicht leicht zu messen sind, und weil eine derart umfassende Karte von den Kosten her untragbar wäre. Die vorliegende Erfindung als solche benötigt nur genügend Testdaten, um ein - durch Block 102 wiedergegebenes - Simulationsmodell auf physikalischer Basis zu kalibrieren.
  • In Block 100 erzeugte Testdaten werden bevorzugt zur Kalibrierung des durch Block 102 dargestellten Simulationsmodells an einem oder mehreren, repräsentativen "Ankerpunkten" verwendet. Das Simulationsprogramm kann dann, wie in Block 104 dargestellt, zur Interpolation oder Extrapolation eines vollständigeren Datensatzes benutzt werden. Die umfassende Karte charakterisiert die Leistung des Fahrzeugbauteils als Funktion vorherbestimmter Konstruktions- und Regelparameter. Diese Information wird dann verwendet, um den virtuellen Sensor auf Basis eines neuralen Netzwerks, wie durch Block 106 gezeigt, zu programmieren oder zu trainieren. Wie durch Block 108 dargestellt wird der Sensor dann in Form von Daten und Anweisungen in den Regler eingebettet.
  • Die modellbasierte, etablierte Grundprinzipien von Parameter-Simulationsmodellen verwendende Kartierung benötigt - verglichen mit den für eine vollständige, empirische Karte benötigten Daten - nur etwa 1% der experimentiellen Testdaten. Als solches weist die vorliegende Erfindung das Potential für eine Zwei-Drittel-Ersparnis der Kosten auf, während die zur Erzeugung einer vollständigen Karte benötigte Zeit von etwa einem Monat auf die Größenordnung einer Woche verkürzt wird.
  • Die vorliegende Erfindung kann, wie oben beschrieben, benutzt werden um für jeden einer Anzahl von Betriebsparametern für verschiedene Fahrzeugbauteile eine virtuellen Sensor bereitzustellen, um ein "virtuelles" Regelsystem mit geschlossenem Regelkreis zu verwirklichen. Als Beispiel kann die vorliegende Erfindung zur Bereitstellung eines virtuellen Sensor für Motor-Regelsysteme verwendet werden, welche unter Verwendung verschiedener physikalisch begründeter Sensoreingaben den verbleibenden Massenanteil dynamisch bestimmen.
  • Wie hier verwendet bezieht sich der verbleibende Massenanteil (RMF, Residual Mass Fraction, verbleibender Massenanteil) auf jenen, im gegenwärtigen Betriebszyklus eingeschlossen Bruchteil des Zylinderinhalts, der im einem vorherigen Betriebszyklus verbrannt wurde. Hiervon kann auch als verbranntem Gasanteil gesprochen werden. Im Betrieb eines herkömmlichen Verbrennungsmotors hat RMF sowohl äußere wie auch innere Ursachen. Abgasrecycling oder -rückführung (EGR, Exhaust Gas Recirculation; Abgasrückführung) ist die hauptsächliche äußere Ursache. EGR wird eingeführt, indem etwas der Abgase vom Abgaskrümmer über eine externe Verrohrung zurück zum Ansaugkrümmer geleitet wird. Der Betrag der in die Ansaugung eingeführten EGR wird über ein EGR-Ventil an jenem Punkt reguliert, an dem die Abgase in den Ansaugkrümmer eintreten. Die innere Ursache (manchmal als innere EGR bezeichnet) ergibt sich in herkömmlichen Motorkonstruktionen aus der Unfähigkeit des Gas-Austauschvorgangs, die verbrannten Gase vollständig durch eine frische Luft/Kraftstoff-Mischung zu ersetzen. Der Betrag an Rückstand wird durch die Einstellung des EGR-Ventils, die Drosselklappen-Stellung und die Überlappung der Ventile - d. h. den Zeitabschnitt, in dem sowohl Einlaß- wie auch Auslaßventile geöffnet sind - beeinflußt. Unter gedrosseltem Betrieb haben begrenzte Rückstandspegel für Emission und Krauftstoffersparnis jedoch zuträgliche Effekte.
  • Wenn die RMF zunimmt verdrängt sie eine frische Ladung. Um den Kraftstoff und die Luft einzuschließen, die zur Aufrechterhaltung des Motordrehmoments auf gewünschtem Niveau benötigt werden, muß die Drosselklappe soweit geöffnet werden, daß insgesamt mehr Gase in der Brennkammer eingeschlossen werden. Die durch die Verbrennung freigesetzte Wärme wird über eine größere Masse verteilt, und somit werden die Spitzentemperaturen während der Verbrennung gesenkt. Die Produktion von Stickoxiden (NOx), die sehr empfindlich auf die Verbrennungstemperatur ist, wird dadurch wesentlich vermindert. Das Öffnen des Drosselventils erhöht außerdem den Ansaugdruck, was die Drosselverluste mindert und die Kraftstoffersparnis verbessert. Es ist allgemein üblich die EGR zur Regelung des RMF-Niveaus zu nutzen, um - über den gesamten Betriebsbereich des Motors hinweg - bei jeder Drehzahl und jedem Drehmoment-Durchsatz die Kraftstoffersparnis zu maximieren und die NOX Emissionen zu minimieren. Der geeignete EGR-Betrag wird allgemein durch Testung des Motors auf einem Dynamometer bei jeder Bedingung experimentiell bestimmt, bevor er ins Fahrzeug eingebaut wird. Der Motorregler wird dann programmiert, um als Funktion von Motordrehzahl und Drehmoment das richtige EGR-Niveau zu liefern.
  • Mit dem Aufkommen variabler Ventilsteuerungs-Mechanismen als praktische Vorrichtung im Fahrzeug kann das Niveau der internen EGR geregelt werden, indem die Öffnungs- und Schließzeiten der Ein- und Auslaßventile verändert wird. Dieses Verfahren zur Regelung der RMF kann das externe EGR-System entweder ersetzen oder ergänzen. Für eine variable Ventilsteuerung könnte ein Regelverfahren analog der EGR-Methodik ausgedacht werden. Man könnte bei jeder Betriebsbedingung eine optimale Ventilsteuerung finden und den sich ergebenden Satz in den Motorregler programmieren.
  • In jedem Fall ist der RMF der grundlegende Motorparameter, welcher geregelt wird. Die vorliegende Erfindung kann benutzt werden um ein robusteres Regelverfahren zu entwickeln, da der RMF dynamisch bestimmt und daher geregelt werden kann. Kann der Wert für einen bestimmten Parameter (in diesem Fall RMF) einmal direkt bestimmt werden, so können traditionelle Regeltechniken, d. h. Vergleichen des gemessenen Wertes mit dem optimalen Wert und justieren entweder der EGR oder der Ventilsteuerung zur Korrektur irgendeiner Abweichung - angewandt werden.
  • Das im Einklang mit der vorliegenden Erfindung verwendete Zyklus- Simulationsprogramm berechnet den thermodynamischen Zustand des Motors während des Verbrennungszyklus als Funktion von Zeit oder Winkel der Kurbelwelle. Die Simulation verfolgt Drücke, Temperaturen und Zusammensetzung der Gase in den Zylindern, Ansaugsystem und Auslaßsystem, indem es einen Satz von Differentialgleichungen löst. Die Zusammensetzung der Zylinder wird durch Gleichungen zum Erhalt der Gesamtmasse und des Anteils an frischer Ladung bestimmt:
  • r = 1 - c
  • wobei:
  • m die gesamte Masse im Zylinder darstellt,
  • c den Massenanteil der frischen Ladung im Zylinder darstellt,
  • r den RMF im Zylinder darstellt,
  • mi den Massenstrom in den Zylinder durch das/die Einlaßventil(e) darstellt,
  • me den Massenstrom durch das/die Auslaßventil(e) aus dem Zylinder hinaus darstellt,
  • i den mit mi in Zusammenhang stehenden Ladungsanteil (c wenn mi < 0, ci wenn mi > 0) darstellt,
  • e den mit me in Zusammenhang stehenden Ladungsanteil (c wenn me > 0, ce wenn me < 0) darstellt,
  • ci den dem Ansaugkanal innewohnenden Ladungsanteil des Gases darstellt, und
  • ce den dem Auslaßkanal innewohnenden Ladungsanteil des Gases darstellt.
  • Der Motor kann dann bei all jenen relevanten Drehzahl/Drehmomentkombinationen getestet werden, die für seinen Betriebsbereich repräsentativ sind. An jedem Punkt kann der Verdünnungs-RMF durch Veränderung von EGR- und/oder Ventilsteuerung wie vorher beschrieben variiert werden. Das Zyklus-Simulationsprogramm kann zur Berechnung des RMF-Wertes verwendet werden, während diese Parameter zur Erzeugung einer umfassenden Karte variiert werden. Wenn das optimale Niveau der Verdünnung ermittelt ist, wird der zugehörige RMF für diese Drehzahl und dieses Drehmoment als Zielwert eingeführt.
  • Inzwischen kann das Zyklus-Simulationsprogramm zur Berechnung des RMF als Funktion aller Motor-Betriebsparameter (Drehzahl, Drehmoment, EGR, Ventilsteuerung, Zündzeitpunkts-Vorverstellung, Einlaßtemperatur usw.) verwendet werden. Diese Ergebnisse können dann verwendet werden um den virtuellen RMF- Sensor zu konstruieren, wird der virtuelle Sensor durch ein neurales Netz implementiert, so umfassen diese Daten einen Trainingssatz, durch welchen das Netz die funktionelle Abhängigkeit des RMF von verschiedenen anderen physikalisch begründeten Betriebsparametern erlernt. Selbstverständlich kann ein virtueller Sensor im Einklang mit der vorliegenden Erfindung auch die Ausgänge von verschiedenen anderen virtuellen Sensoren als Eingaben verwenden.
  • Während des Fahrzeugbetriebs fragt der Regler den virtuellen Sensor ab, um den mit den gegenwärtigen Werten für die Betriebsparameter verbundenen RMF abzufragen. Dieser Wert für den RMF wird wie oben beschrieben mit dem zuvor bestimmten Optimalwert für die gegenwärtigen Betriebsbedingungen verglichen. Wenn notwendig kann der Regler einem den/die passende(n) Parameter - z. B. Ventilsteuerung - regelnden Stellglied/Stellgliedern signalisieren, um den RMF zum Optimalwert zu bewegen.

Claims (7)

1. Ein Verfahren zur Herstellung eines Sensors (68) für die Verwendung mit einem Fahrzeugbauteil (12), das einen Regler (14) besitzt der mit einer Mehrzahl physikalischer Sensoren (16) in Verbindung steht, von denen jeder ein für erste Betriebsparameter kennzeichnendes Signal erzeugt; wobei der Sensor (68) auf Grundlage von Werten für eine Mehrzahl von ersten Betriebsparametern Werte für einen zweiten Betriebsparameter bestimmt, und wobei das Verfahren die Schritte umfaßt:
Überwachen (100) von - durch eine Mehrzahl von physikalischen Sensoren (16) erzeugten - Signalen; um Testdaten zu erzeugen, die für einen ersten Satz von Betriebsbedingungen für die ersten Betriebsparameter bezeichnend sind; und
Einbetten (108) eines trainierten neuralen Netzwerks in den Regler (14), um auf Grundlage einer Mehrzahl erster Betriebsparameter Werte für den zweiten Parameter zu bestimmen;
dadurch gekennzeichnet daß das Verfahren weiterhin umfaßt:
Kalibrierung (102) eines Simulators zur Simulation des Fahrzeugbetriebes unter Verwendung der Testdaten;
Erzeugen (104) mindestens einer Karte, welche die Leistung des Fahrzeugbauteils als Funktion vorherbestimmter Parameter charakterisiert, wobei die Karte auf der Simulatorausgabe für einen zweiten Satz von Betriebsbedingungen basiert; und
Justieren (106) von - Knoten des neuralen Netzwerkes entsprechenden - Gewichtungen auf Grundlage dieser mindestens einen Karte, um so das neurale Netzwerk zu trainieren.
2. Ein Verfahren nach Anspruch 1, in dem das Fahrzeugbauteil einen Motor (12) umfaßt, und in dem der Schritt (100), in dem durch eine Mehrzahl physikalischer Sensoren erzeugte Signale überwacht werden, den Betrieb des Motors (12) auf einem Dynamometer umfaßt; um Testdaten zu erzeugen, die für die ersten Betriebsparameter für einen ersten Satz von Betriebsparametern repräsentativ sind.
3. Ein Verfahren nach Anspruch 1 oder 2, in dem der Schritt (108) zum Einbetten des trainierten, neuralen Netzwerks in den Regler die Speicherung einer Wiedergabe des trainierten neuralen Netzwerks in einem computerlesbaren Medium (44) umfaßt, und wobei die Wiedergabe eine Mehrzahl von Mikroprozessor (42) ausführbare Anweisungen und Daten einschließt, welche die - den Knoten des neuralen Netzwerks entsprechenden - Gewichtungsdaten darstellten.
4. Ein Verfahren nach Anspruch 1, 2 oder 3, in dem der Schritt (106) zur Justierung der - Knoten des neuralen Netzwerks entsprechenden - Gewichtungen die Justierung von Gewichtungen umfaßt, die monoton ansteigenden, stückweise ableitbaren Funktionsknoten des neuralen Netzwerks entsprechen.
5. Ein Verfahren nach Anspruch 1, 2, 3 oder 4, das weiterhin die Schritte umfaßt:
Verarbeiten der Werte für die ersten Betriebsparameter unter Verwendung des trainierten neuralen Netzwerks, um einen Wert für den zweiten Betriebsparameter zu bestimmen; und
Regeln des Fahrzeugbauteils auf Grundlage des Werts des zweiten Betriebsparameters.
6. Ein Verfahren nach Anspruch 5, in dem der Schritt zur Verarbeitung der Werte für die ersten Betriebsparameter - um unter Verwendung des trainierten, neuralen Netzwerks einen Wert für den zweiten Betriebsparameter zu bestimmen - die Bestimmung polynomischer Koeffizienten für den zweiten Betriebsparameter umfaßt; wobei die Koeffizienten Funktionen der ersten Mehrzahl von Betriebsbedingungen sind.
7. Ein Verfahren nach Anspruch 5 oder 6, in dem der Schritt zur Verarbeitung der Werte für die ersten Betriebsparameter unter Verwendung des trainierten neuralen Netzwerks - um einen Wert für den zweiten Betriebsparameter zu bestimmen - im Verhältnis zu einem zweiten Betriebsparameter angewendet wird; dem ein physikalischer Sensor für die direkte Bereitstellung von Werten fehlt, die für die gegenwärtigen Betriebsbedingungen bezeichnend sind.
DE69800186T 1997-05-07 1998-05-01 Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden Expired - Fee Related DE69800186T2 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US08/852,829 US6236908B1 (en) 1997-05-07 1997-05-07 Virtual vehicle sensors based on neural networks trained using data generated by simulation models

Publications (2)

Publication Number Publication Date
DE69800186D1 DE69800186D1 (de) 2000-07-27
DE69800186T2 true DE69800186T2 (de) 2000-11-09

Family

ID=25314327

Family Applications (1)

Application Number Title Priority Date Filing Date
DE69800186T Expired - Fee Related DE69800186T2 (de) 1997-05-07 1998-05-01 Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden

Country Status (3)

Country Link
US (1) US6236908B1 (de)
EP (1) EP0877309B1 (de)
DE (1) DE69800186T2 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10203919A1 (de) * 2002-01-31 2003-08-21 Bayerische Motoren Werke Ag Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine
DE112005001710B4 (de) 2004-07-22 2019-10-10 Avl List Gmbh Verfahren zur Untersuchung des Verhaltens von komplexen Systemen, insbesondere von Brennkraftmaschinen
DE102017201632B4 (de) 2016-02-16 2021-10-14 Robert Bosch Gmbh System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen

Families Citing this family (116)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594602B1 (en) * 1999-04-23 2003-07-15 Halliburton Energy Services, Inc. Methods of calibrating pressure and temperature transducers and associated apparatus
US6761077B1 (en) 1999-08-25 2004-07-13 Faurecia Exhaust Systems, Inc. Dual mast system for simulation testing
DE10010681A1 (de) * 2000-03-04 2001-09-06 Heinz J Theuerkauf Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
US6957172B2 (en) * 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
US6882123B1 (en) 2000-07-27 2005-04-19 Lear Automotive (Eeds) Spain, S.L. System and method to simulate and evaluate management algorithms of a panel or mobile window, activated by an electric motor, with anti-crushing security and programme for its execution
US6556939B1 (en) * 2000-11-22 2003-04-29 Smartsignal Corporation Inferential signal generator for instrumented equipment and processes
US6493689B2 (en) * 2000-12-29 2002-12-10 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
GB2379513B (en) * 2001-02-16 2005-06-29 Halliburton Energy Serv Inc Downhole sensing and flow control utilizing neural networks
US6789620B2 (en) 2001-02-16 2004-09-14 Halliburton Energy Services, Inc. Downhole sensing and flow control utilizing neural networks
JP4686909B2 (ja) * 2001-06-07 2011-05-25 株式会社アドヴィックス センサの異常検出方法
US6687601B2 (en) 2002-03-21 2004-02-03 Cummins, Inc. System for diagnosing an air handling mechanism of an internal combustion engine
US6697729B2 (en) 2002-04-08 2004-02-24 Cummins, Inc. System for estimating NOx content of exhaust gas produced by an internal combustion engine
US6785604B2 (en) 2002-05-15 2004-08-31 Caterpillar Inc Diagnostic systems for turbocharged engines
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
US7053787B2 (en) * 2002-07-02 2006-05-30 Halliburton Energy Services, Inc. Slickline signal filtering apparatus and methods
US20050137995A1 (en) * 2002-08-16 2005-06-23 Powitec Intelligent Technologies Gmbh Method for regulating a thermodynamic process by means of neural networks
EP1416143A1 (de) * 2002-10-29 2004-05-06 STMicroelectronics S.r.l. Virtueller Sensor für die Abgasemission einer Brennkraftmaschine und das Einspritzsteuersystem
US6772099B2 (en) * 2003-01-08 2004-08-03 Dell Products L.P. System and method for interpreting sensor data utilizing virtual sensors
US6925376B2 (en) * 2003-04-01 2005-08-02 Cummins, Inc. System for diagnosing operation of a cooling system for an internal combustion engine
AT500978B8 (de) * 2003-05-13 2007-02-15 Avl List Gmbh Verfahren zur optimierung von fahrzeugen
CA2441686C (en) 2003-09-23 2004-12-21 Westport Research Inc. Method for controlling combustion in an internal combustion engine and predicting performance and emissions
US6850833B1 (en) 2003-11-03 2005-02-01 Cummins, Inc. System for diagnosing delta pressure sensor operation
FR2862342B1 (fr) 2003-11-19 2006-02-17 Renault Sas Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile
US7142975B2 (en) * 2004-04-20 2006-11-28 Southwest Research Institute Virtual cylinder pressure sensor with individual estimators for pressure-related values
JP4376799B2 (ja) * 2005-01-19 2009-12-02 株式会社日立製作所 内燃機関の点火時期制御装置
EP1705352B1 (de) * 2005-03-04 2012-11-21 STMicroelectronics Srl Verfahren und Vorrichtung zur Bestimmung des Kraftstoff/-Luftverhältnises einer Brennkraftmaschine
US7877239B2 (en) * 2005-04-08 2011-01-25 Caterpillar Inc Symmetric random scatter process for probabilistic modeling system for product design
US20060229852A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Zeta statistic process method and system
US20060229753A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Probabilistic modeling system for product design
US20060230097A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Process model monitoring method and system
US8364610B2 (en) 2005-04-08 2013-01-29 Caterpillar Inc. Process modeling and optimization method and system
US8209156B2 (en) * 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US7565333B2 (en) * 2005-04-08 2009-07-21 Caterpillar Inc. Control system and method
WO2007020466A2 (en) * 2005-08-19 2007-02-22 Axeon Limited Data classification apparatus and method
US20070061144A1 (en) * 2005-08-30 2007-03-15 Caterpillar Inc. Batch statistics process model method and system
US7765029B2 (en) * 2005-09-13 2010-07-27 Neurosciences Research Foundation, Inc. Hybrid control device
US7487134B2 (en) * 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
US7499842B2 (en) 2005-11-18 2009-03-03 Caterpillar Inc. Process model based virtual sensor and method
US20070118487A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Product cost modeling method and system
DE102006054425A1 (de) * 2005-11-22 2007-05-31 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung zum Ermitteln eines Modellparameters eines Referenzfahrzeugmodells
FR2893982A1 (fr) * 2005-11-25 2007-06-01 Renault Sas Procede et systeme d'estimation d'une temperature des gaz d'echappement en interne d'un systeme de post traitement
FR2893983B1 (fr) * 2005-11-29 2011-03-25 Renault Sas Procede et systeme d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme
US7233855B1 (en) * 2005-12-08 2007-06-19 Gm Global Technology Operations, Inc. Apparatus and method for comparing the fuel consumption of an alternative fuel vehicle with that of a traditionally fueled comparison vehicle
US7953521B2 (en) * 2005-12-30 2011-05-31 Microsoft Corporation Learning controller for vehicle control
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
CA2538984C (en) * 2006-03-10 2007-11-06 Westport Research Inc. Method of accurately metering a gaseous fuel that is injected directly into a combustion chamber of an internal combustion engine
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US8478506B2 (en) * 2006-09-29 2013-07-02 Caterpillar Inc. Virtual sensor based engine control system and method
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US7588368B2 (en) * 2006-12-20 2009-09-15 Cummins Inc. System for diagnosing temperature sensor operation in an exhaust gas aftertreatment system
US7680586B2 (en) * 2006-12-20 2010-03-16 Cummins Inc. Mass air flow sensor signal compensation system
US7483774B2 (en) * 2006-12-21 2009-01-27 Caterpillar Inc. Method and system for intelligent maintenance
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
US8315302B2 (en) * 2007-05-31 2012-11-20 Infineon Technologies Ag Pulse width modulator using interpolator
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
US20110010318A1 (en) * 2007-08-17 2011-01-13 Institutt For Energiteknikk System and method for empirical ensemble- based virtual sensing
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
US8224468B2 (en) * 2007-11-02 2012-07-17 Caterpillar Inc. Calibration certificate for virtual sensor network (VSN)
US8036764B2 (en) 2007-11-02 2011-10-11 Caterpillar Inc. Virtual sensor network (VSN) system and method
EP2085594B1 (de) * 2008-01-29 2010-06-30 Honda Motor Co., Ltd. Steuersystem für einen Verbrennungsmotor
EP2085593B1 (de) * 2008-01-29 2010-06-30 Honda Motor Co., Ltd. Steuersystem für einen Verbrennungsmotor
GB2490818B (en) * 2008-05-19 2013-07-17 Ford Global Tech Llc A Method of Producing a Pair of Virtual Sensors for an Engine
US8086640B2 (en) * 2008-05-30 2011-12-27 Caterpillar Inc. System and method for improving data coverage in modeling systems
US20090293457A1 (en) * 2008-05-30 2009-12-03 Grichnik Anthony J System and method for controlling NOx reactant supply
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
US8510088B2 (en) * 2008-09-30 2013-08-13 Uchicago Argonne Llc Flexible evaluator for vehicle propulsion systems
US8400323B2 (en) * 2009-12-21 2013-03-19 Delphi Technologies, Inc. Capacitive occupant sensing system and method
US8793004B2 (en) 2011-06-15 2014-07-29 Caterpillar Inc. Virtual sensor system and method for generating output parameters
US9677493B2 (en) 2011-09-19 2017-06-13 Honeywell Spol, S.R.O. Coordinated engine and emissions control system
US8812914B2 (en) * 2011-10-24 2014-08-19 Fisher Controls International, Llc Field control devices having pre-defined error-states and related methods
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
US9328698B2 (en) 2013-05-14 2016-05-03 Ford Global Technologies, Llc Automotive virtual humidity sensor
US11948703B2 (en) 2019-04-01 2024-04-02 Anya L. Getman Methods and devices for electrically insulating a power line
DE102014000397A1 (de) 2014-01-17 2015-07-23 Fev Gmbh Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
US9483038B2 (en) * 2014-04-03 2016-11-01 Rockwell Automation Technologies, Inc. System for generating or modifying cams
WO2016057287A1 (en) * 2014-10-06 2016-04-14 Ptc Inc. Virtual sensors supported by a computer aided design (cad) model and software
US11136932B2 (en) 2014-12-17 2021-10-05 Cummins Inc. Charge-flow adjustment in closed-loop exhaust temperature control on dual fuel engines
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
US10853104B2 (en) * 2015-02-27 2020-12-01 Plasma Business Intelligence, Inc. Virtual environment for simulating a real-world environment with a large number of virtual and real connected devices
EP3091212A1 (de) 2015-05-06 2016-11-09 Honeywell International Inc. Identifikationsansatz für verbrennungsmotor-mittelwertmodelle
US10047686B2 (en) * 2015-07-31 2018-08-14 GM Global Technology Operations LLC Physics based single cylinder charging model
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
US9740944B2 (en) * 2015-12-18 2017-08-22 Ford Global Technologies, Llc Virtual sensor data generation for wheel stop detection
US10474964B2 (en) * 2016-01-26 2019-11-12 Ford Global Technologies, Llc Training algorithm for collision avoidance
US10415492B2 (en) 2016-01-29 2019-09-17 Garrett Transportation I Inc. Engine system with inferential sensor
US10036338B2 (en) 2016-04-26 2018-07-31 Honeywell International Inc. Condition-based powertrain control system
US10124750B2 (en) 2016-04-26 2018-11-13 Honeywell International Inc. Vehicle security module system
US10055675B2 (en) * 2016-06-15 2018-08-21 Ford Global Technologies, Llc Training algorithm for collision avoidance using auditory data
US11210436B2 (en) * 2016-07-07 2021-12-28 Ford Global Technologies, Llc Virtual sensor-data-generation system and method supporting development of algorithms facilitating navigation of railway crossings in varying weather conditions
US10323942B2 (en) * 2016-09-23 2019-06-18 Qualcomm Incorporated User-specific learning for improved pedestrian motion modeling in a mobile device
EP3548729B1 (de) 2016-11-29 2023-02-22 Garrett Transportation I Inc. Inferenzflusssensor
US10388005B2 (en) 2017-08-11 2019-08-20 United Technologies Corporation Sensor system for data enhancement
US10387803B2 (en) * 2017-08-11 2019-08-20 United Technologies Corporation Sensor system for transcoding data
US11057213B2 (en) 2017-10-13 2021-07-06 Garrett Transportation I, Inc. Authentication system for electronic control unit on a bus
JP6501018B1 (ja) * 2018-04-20 2019-04-17 トヨタ自動車株式会社 未燃燃料量の機械学習装置
EP3591483B1 (de) * 2018-07-06 2021-01-13 Siemens Aktiengesellschaft Verfahren, vorrichtung und positionierungssystem zur positionierung eines sensors
JP7043030B2 (ja) * 2018-08-01 2022-03-29 オムロン株式会社 光電センサ
US11714388B1 (en) 2018-08-10 2023-08-01 Apple Inc. Conditional error models
US11051230B2 (en) 2018-08-22 2021-06-29 Bae Systems Information And Electronic Systems Integration Inc. Wireless resilient routing reconfiguration linear program
JP6702389B2 (ja) * 2018-10-09 2020-06-03 トヨタ自動車株式会社 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
US10788396B2 (en) * 2018-12-19 2020-09-29 Fca Us Llc Using an artificial neural network for combustion phasing control in a spark ignited internal combustion engine
DE102019107209B4 (de) * 2019-03-21 2024-02-15 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Sortierspeichereinrichtung und Verfahren zum Betreiben einer Sortierspeichereinrichtung
US11526724B2 (en) * 2019-08-21 2022-12-13 GM Global Technology Operations LLC Virtual sensor for estimating online unmeasurable variables via successive time derivatives
EP4048882A1 (de) * 2019-10-25 2022-08-31 Volvo Truck Corporation System und verfahren für einen virtuellen turboladergeschwindigkeitssensor unter verwendung neuronaler netze
KR102165878B1 (ko) * 2020-01-20 2020-10-14 주식회사 현대케피코 인공신경망을 이용한 차량 엔진 토크 추정 방법
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
US20220034753A1 (en) * 2020-07-31 2022-02-03 SparkCognition, Inc. Calibration of offline real-world systems using simulations
WO2022238082A1 (de) * 2021-05-10 2022-11-17 Vitesco Technologies GmbH Computerimplementiertes verfahren und steuervorrichtung zum steuern eines antriebsstrangs eines fahrzeugs unter verwendung eines neuronalen faltungsnetzes.

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2792633B2 (ja) 1990-02-09 1998-09-03 株式会社日立製作所 制御装置
US5274714A (en) * 1990-06-04 1993-12-28 Neuristics, Inc. Method and apparatus for determining and organizing feature vectors for neural network recognition
US5212765A (en) * 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
US5313407A (en) * 1992-06-03 1994-05-17 Ford Motor Company Integrated active vibration cancellation and machine diagnostic system
US5539638A (en) 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5583964A (en) 1994-05-02 1996-12-10 Motorola, Inc. Computer utilizing neural network and method of using same
US5625750A (en) * 1994-06-29 1997-04-29 Ford Motor Company Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks
US5559285A (en) * 1994-12-05 1996-09-24 Ford Motor Company Fuzzy logic method for detecting misfiers in internal combustion engines
US5745653A (en) * 1996-02-05 1998-04-28 Ford Global Technologies, Inc. Generic neural network training and processing system
US5781700A (en) * 1996-02-05 1998-07-14 Ford Global Technologies, Inc. Trained Neural network air/fuel control system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10203919A1 (de) * 2002-01-31 2003-08-21 Bayerische Motoren Werke Ag Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine
DE112005001710B4 (de) 2004-07-22 2019-10-10 Avl List Gmbh Verfahren zur Untersuchung des Verhaltens von komplexen Systemen, insbesondere von Brennkraftmaschinen
DE102017201632B4 (de) 2016-02-16 2021-10-14 Robert Bosch Gmbh System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen

Also Published As

Publication number Publication date
DE69800186D1 (de) 2000-07-27
EP0877309B1 (de) 2000-06-21
US6236908B1 (en) 2001-05-22
EP0877309A1 (de) 1998-11-11

Similar Documents

Publication Publication Date Title
DE69800186T2 (de) Virtuelle Fahrzeugsensoren auf der Basis neuronaler Netze, die mittels durch Simulationsmodelle erzeugter Daten angelernt werden
DE3486373T2 (de) Fahrzeugmotorsteuersystem mit der Fähigkeit den Betriebszustand des Motors zu vermitteln und das passende Betriebsschema zu wählen.
DE69724370T2 (de) Steuervorrichtung für eine Brennkraftmaschine mittels eines Verfahrens zur Steuerung erstens der Luft- und zweitens der Kraftstoffmenge
DE102011009114B4 (de) Adaptive Schätzung von Ansaugsauerstoff in einem Dieselmotor
EP0886725B1 (de) Verfahren zum modellgestützten bestimmen der in die zylinder einer brennkraftmaschine einströmenden frischluftmasse bei externer abgasrückführung
DE102009047829B4 (de) Verfahren zum Schätzen der NOx-Erzeugung in einem Verbrennungsprozess eines Viertaktverbrennungsmotors
Stotsky et al. Application of input estimation techniques to charge estimation and control in automotive engines
DE112008000618B4 (de) Verfahren und Vorrichtung zum Schätzen einer Abgastemperatur eines Verbrennungsmotors
DE69630588T2 (de) Adaptive übergangskompensation von kraftstoff für einen motor
DE102011012238B4 (de) Virtueller Sensor für NOX-Motoremissionen für einen Verbrennungsmotor
DE60109671T2 (de) Verfahren für zylinderindividuelle Kraftstoffregelung
DE112010005548B4 (de) Verfahren zur bestimmung der agr-rate eines verbrennungsmotors und steuervorrichtung für einen verbrennungsmotor
DE102007025432B4 (de) Steuervorrichtung für einen Verbrennungsmotor
DE102005019017B4 (de) Verfahren und Vorrichtung zur Fehlerdiagnose für Verbrennungsmotoren
DE112007001865T5 (de) Verfahren und Vorrichtung zum Schätzen des Abgasdrucks einer Brennkraftmaschine
DE102007003245A1 (de) Verfahren zum Entwerfen eines Motorkomponenten-Temperaturschätzers
DE69429855T2 (de) Steuerungssystem mit geschlossenem Regelkreis einer Dieselbrennkraftmaschine
DE102014203370A1 (de) Abgassensordiagnose und steueranpassung
DE102007039691A1 (de) Modellierungsverfahren und Steuergerät für einen Verbrennungsmotor
EP0966600B1 (de) Verfahren zur gemischsteuerung bei einem verbrennungsmotor und vorrichtung zu dessen durchführung
DE10330112B4 (de) Vorrichtung und Verfahren zum Steuern/Regeln eines Kraftstoff/Luftverhältnisses für eine Brennkraftmaschine
DE102014205992A1 (de) Innenverbrennungsmotor-Steuervorrichtung
DE102006017568B4 (de) Kalibrierung einer modellgestützten Kraftstoffsteuerung mit Kraftstoffdynamikkompensation für den Motorstart und für den Anlassen-zum-Lauf-Übergang
DE102010046822B4 (de) System zur Kalibrierung eines Motorsteuermoduls
DE19547496A1 (de) Verfahren zur Regelung von Verbrennungsmotoren

Legal Events

Date Code Title Description
8364 No opposition during term of opposition
8327 Change in the person/name/address of the patent owner

Owner name: FORD GLOBAL TECHNOLOGIES, LLC (N.D.GES.D. STAATES

8339 Ceased/non-payment of the annual fee