DE69917711T2

DE69917711T2 - Methode zur Schätzung von Daten in einer Motorsteuerung

Info

Publication number: DE69917711T2
Application number: DE69917711T
Authority: DE
Inventors: Masashi Yamaguchi
Original assignee: Yamaha Motor Co Ltd
Current assignee: Yamaha Motor Co Ltd
Priority date: 1998-06-02
Filing date: 1999-06-02
Publication date: 2005-06-16
Anticipated expiration: 2019-06-03
Also published as: EP0962871B1; DE69917711D1; JPH11343916A; EP0962871A2; EP0962871A3

Description

Diese Erfindung betrifft ein Datenabschätzverfahren zum Steuern eines Motors, der Daten von zumindest dem Zustand des Motors als Steuerparameter verwendet.
Die Steuerung eines Motors wird im Wesentlichen durch das Erfassen der Daten mit Sensoren während des Zustandes des Motors vorgenommen (Zustand des Motors im Betrieb, z. B. Motorumdrehung und Motortemperatur, und die vom Benutzer beurteilten Werte in dem Zustand des Motors) und durch das Benutzen solcher erfasster Informationsfälle als Steuerparameter.
Es gibt verschiedene zweckmäßige Arten von Informationen im Verhältnis zu dem Zustand des Motors für die Verwendung als Steuerparameter. Nicht alle von ihnen können mit den Sensoren, die angeordnet sind, erfasst werden. In einigen Fällen gibt es ein Problem dadurch, dass sich die Anzahl der Sensoren erhöht, wenn ein Sensor für jeden Informationsfall für den Gebrauch als Steuerparameter verwendet wird.
Kennzeichnend für ein Beispiel sind die Probleme mit dem Luftströmungsmesser und dem Hitzdraht-Anemometer zum Erfassen der Einlassströmungsgeschwindigkeit, dass sie kostenaufwändig, großformatig und anfällig gegenüber Beschädigung sind und demzufolge nicht an Außenbordmotoren montiert werden können.
Überdies ist kein Sensor in der Lage, die Kraftstoffrate zu messen, die von der Kraftstoffeinspritzvorrichtung eines Motors der Einlassrohr-Einspritzart eingespritzt wird und der an dem Einlassrohr anhaftet, oder es ist kein Sensor in der Lage die Verdampfungsgeschwindigkeit des Kraftstoffes, der an dem Einlassrohr anhaftet, zu messen.
Während überdies der Betrag der Drehmomentveränderung mit einem Drehmomentsensor gemessen werden kann, der mit der Kurbelwelle des Motors verbunden ist, ergibt sich ein Problem, dass der Sensor zu teuer und zu großformatig ist, um ein handelsüblich verfügbarer Artikel zu sein.
Während überdies die Brennkammertemperatur mit einem bestimmten Thermometer in einem Labor oder dergleichen gemessen werden kann, gibt es ein Problem, dass kein Sensor so klein, preiswert und haltbar ist, dass er an einzelnen Motoren montiert werden kann.
Hingegen kann außerdem die Einlassrohr-Wandtemperatur durch das Installieren eines Sensors in einer beliebigen Position, dem Ort der zu messenden Veränderungen entsprechend des Betriebszustandes des Motors, einfach gemessen werden. Demzufolge müssen die Sensoren, um alle solche Örtlichkeiten abzudecken, überall an der Einlassrohrwandoberfläche angeordnet werden und es ist praktisch unmöglich, mit diesen Sensoren befriedigende Informationen zu sammeln.
Ein noch weiteres Problem ist, dass die Sensorfähigkeit, um das Abgas-Luft-Kraftstoffverhältnis zu erfassen, obwohl möglich, teuer ist.
Es ist kein Sensor in der Lage, das Luft-Kraftstoffverhältnis rund um den Zündpunkt der Zündkerze des Motors vom In-Zylinder-Einspritztyp zu messen.
Überdies hat die Vorrichtung, um die in dem Abgas in dem Katalysatorproblem enthaltene NOx-Menge zu messen, ein Problem, dass es großformatig und teuer ist und folglich nicht in jedem Fahrzeug montiert werden kann.
Ein noch weiteres Problem ist das, dass es keinen Sensor gibt, der die Sensorbewertungswerte des Benutzers für den Zustand des Motors direkt erfassen kann. Demzufolge muss der Benutzer seine oder ihre Empfindungen als die Bewertungswerte für den Gebrauch in der Motorsteuerung aufzeichnen und es ist sehr schwierig, die Fahrzeuge auf der Grundlage solcher sensorischer Bewertungswerte individuell zu steuern.
Die US-A-5 954 783 (siehe auch die JP-A-10 122 017) beschreibt ein Steuersystem zum Bestimmen eines Kraftstoffeinspritz-Betätigungsvolumens. Das bestimmte Volumen wird zu einem Kraftstoffeinspritzer zugeführt. Für die Bestimmung des Volumens wird eine Steuerung auf der Grundlage eines Modells verwendet. Die Steuerung auf der Grundlage eines Modells bestimmt einen Basisparameter in Übereinstimmung mit den Motorparametern. Einige Parameter werden nicht von dem Motor erfasst, sondern auf der Grundlage des Modells eingeschätzt. Zum Vorhersagen des Motorverhaltens enthält die Steuerung auf der Grundlage eines Modells fuzzy-neurale Netzwerke.
Demzufolge ist es ein Ziel der vorliegenden Erfindung, ein Datenabschätzungsverfahren, wie oben angezeigt, zu schaffen, das immer eine zuverlässige Bereitstellung von Steuerparametern ohne die Notwendigkeit des Gebrauchs von teueren und/oder großformatigen Sensoren zum Erfassen des Betriebszustandes eines Motors sichert.
Entsprechend eines weiteren Ausführungsbeispieles der vorliegenden Erfindung ist der Steuerparameter die Einlassluftrate, während die Eingabeinformation eine mehrfache Anzahl von Daten in zumindest dem Einlassluftvakuum des Motors enthält. Dies hat die Wirkung, dass die Einlassluftrate abgeschätzt werden kann durch das Verwenden eines kleinformatigen, kostengünstigen Vakuumsensors, an Stelle des Gebrauchs eines Luftströmungsmesser oder eines Hitzdraht-Anemometers, die nicht an Bord eines Schiffes mit Außenbordmotor oder dergleichen wegen ihres hohen Preises, der großen Abmessung und wegen der Anfälligkeit gegenüber Beschädigung durch Salz verwendet werden können.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter die Kraftstoffadhäsionsrate in einem Einlassrohr-Einspritztypmotor ist und dass die Eingabeinformation zumindest die Motordrehzahl, die Einlassluftrate oder das Einlassluftvakuum enthält.
Es ist außerdem möglich, dass der Steuerparameter die Verdampfungszeitkonstante in einem Einlassrohr-Einspritztypmotor ist, während die Eingabeinformation zumindest eine Einlassrohr-Wandtemperatur, die Motordrehzahl, die Einlassluftgeschwindigkeit oder das Einlassluftvakuum enthält.
Beide dieser Ausführungsbeispiele haben die Wirkung, dass die Rate des von der Kraftstoffeinspritzvorrichtung eingespritzten und an der Einlassrohrwand anhaftenden Kraftstoffes etc. in dem Einlassrohr-Einspritztypmotor, und die Rate der Kraftstoffverdampfung von dem an der Einlassrohrwand anhaftenden Kraftstoff etc., die bisher nur sehr schwer zu erfassen waren, einfach abgeschätzt werden können. Als ein Ergebnis kann ein logisch folgendes Modell des Motors in der Motorsteuervorrichtung einfach aufgebaut werden.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter der Veränderungsbetrag im Drehmoment ist, und dass die Eingabeinformation zumindest eine von der Veränderung in der Motordrehzahl, die Motordrehzahl, die Einlassluftgeschwindigkeit, oder die Zeitfolgedaten des Brennkammerdruckes enthält.
Dies hat die Wirkung, dass die Veränderung im Drehmoment aus der Veränderung in der Motordrehzahl berechnet worden war, die ein nicht-lineares Verhältnis mit der Drehmomentveränderung hat, mit einer besseren Genauigkeit eingeschätzt werden kann.
Noch ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter die Brennkammertemperatur ist, und dass die Eingabeinformation zumindest eine von der Einlassrohr-Wandtemperatur, der Umgebungstemperatur der Einlassrohrwand und der Zeit ist, die seit dem Start des Motors verstrichen ist.
Dies hat die Wirkung, dass die Brennkammertemperatur, für die kein Sensor vorhanden war, so klein, kostengünstig und haltbar ist, um an jedem Motor montiert zu werden, mit einer besseren Genauigkeit eingeschätzt werden kann. Da der eingeschätzte Wert als ein Steuerparameter verwendet werden kann, wird eine genaue Steuerung eines Motors möglich, z. b. die Kraftstoffeinspritzungsgeschwindigkeit entsprechend der Verbrennungstemperatur.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter die Einlassrohr-Wandtemperatur ist, und dass die Eingabeinformation zumindest eine Kühlwassertemperatur, Zylinderblocktemperatur oder Öl-temperatur enthält.
Dies hat die Wirkung, dass die Einlassrohr-Wandtemperatur, für die der Ort, um gemessenen Veränderungen entsprechend des Motorbetriebszustandes einzuschätzen, mit einer guten Genauigkeit von einem Moment zu dem anderen Moment eingeschätzt werden kann.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter das Abgas-Luft-Kraftstoffverhältnis ist, und dass die Eingabeinformation zumindest einen von den Zeitfolgedaten der Kurbelwinkeldrehzahl, der Motordrehzahl, der Einlassluftgeschwindigkeit, des Einlassluftvakuums, des Zündzeitpunktes und der Schließzeitpunkte der Einlass- und Auslassventile enthält, und da durch, dass eine veränderbare Ventilzeitpunktvorrichtung verwendet wird, und eine EGR-Ventilöffnung in dem Fall einer EGR-Steuerung verwendet wird.
Ein noch weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter das Abgas-Luft-Kraftstoffverhältnis ist, und dass die Eingabeinformation zumindest eine von der Abgastemperatur, der Atmosphärentemperatur, der Motordrehzahl, der Einlassluftgeschwindigkeit, dem Einlassluftvakuum oder der Drosselventilöffnung enthält.
Diese zwei Ausführungsbeispiele haben die Wirkung, dass das Abgas-Luft-Kraftstoffverhältnis unter Verwendung eines vorhandenen, kostengünstigen Sensors an Stelle eines teueren Luft-Kraftstoffverhältnis-Sensors eingeschätzt werden kann.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter das Luft-Kraftstoffverhältnis rund um den eingesetzten Zündeinsatz in dem Motor vom In-Zylinder-Einspritztyp ist, und dass die Eingabeinformation zumindest einen von der Motordrehzahl, der Drosselöffnung, der Kraftstoffeinspritzrate, des Kraftstoffeinspritzzeitpunktes, des Zündzeitpunktes und der Öffnungs- und Schließzeitpunkte der Einlass- und Auslassventile in dem Fall enthält, dass eine veränderbare Ventilzeitpunktsteuerung verwendet wird.
Dies hat die Wirkung, dass das Luft-Kraftstoffverhältnis rund um den eingesetzten Zündeinsatz in dem Motor vom In-Zylinder-Einspritztyp, dass soweit bisher nicht gemessen werden konnte, eingeschätzt werden kann und die Kraftstoffeinspritzrate in den Zylinder kann genauer gesteuert werden.
Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter das Luft-Kraftstoffverhältnis rund um den eingesetzten Zündeinsatz in dem Motor vom In-Zylinder-Einspritztyp ist, und das die Eingabeinformation zumindest einen von der Motordrehzahl, der Drosselöffnung, der Kraftstoffeinspritzrate, des Kraftstoffeinspritzzeitpunktes, des Zündzeitpunktes oder der Öffnungs- und der Schließzeitpunkte der Einlass- und Auslassventile in dem Fall enthält, dass eine veränderbare Ventilzeitpunktsteuerung verwendet wird.
Dies hat die Wirkung, dass der Betrag von NOx-Gehalt in dem Abgaskatalysatorsystem, das bisher nicht gemessen werden konnte, eingeschätzt werden kann und der Motor kann gesteuert werden, um die Verbrennungseffektivität zu verbessern.
Ein noch weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass der Steuerparameter der sensorische Bewertungswert über den Motorzustand ist, und dass die Eingabeinformation zumindest eine der Daten des Benutzers enthält, wie Pulsschlag, Herzschlag, Blutdruck, Atmungsintervalle, Hirnströme etc.
Dies hat die Wirkung, dass die sensorischen Bewertungswerte des Benutzers, die bisher mit Sensoren oder dergleichen nicht gemessen werden konnten, entsprechend der Informationen, gesammelt mit vorhandenen Sensoren zum Sammeln von physiologischen Daten, z. B. die Pulsdaten des Benutzers, Herzschlägen, die Blutdrücken, Atmungsintervalle, Hirnströme etc., eingeschätzt werden können. Insbesondere in dem Fall, dass z. B. das Luft-Kraftstoffverhältnis unter Verwendung eines Sauerstoffsensors gesteuert wird, kann der bequeme Antrieb am Schlechterwerden durch das Steuern einer O₂-Rückkopplungszunahme entsprechend des sensorischen Bewertungswertes gehindert werden, so dass Pendeln Luft-Kraftstoffverhältnisses, das durch die O₂-Rückkopplungssteuerung verursacht wird, nicht auf den Benutzer übertragen wird und ein ruckartiges Gefühl auf den Benutzer verhindert wird.
Ein noch weiteres Ausführungsbeispiel der vorliegenden Erfindung ist dadurch gekennzeichnet, dass von den Eingabeinformation angenommen wird, die Eingabeanwärterdaten in das fuzzy-neurale Netzwerk zu sein, wobei die Information während der Übernahme oder der Nicht-Übernahme der Eingabeanwärterdaten unter Verwendung von Erbalgorithmen kodiert wird, um eine mehrfache Anzahl von Individuen herzustellen, und die Individuen werden hergestellt, um sich entsprechend der eingeschätzten Genauigkeit unter Verwendung der Erbalgorithmen zu entwickeln, so dass zumindest die Anzahl und die Arten der Eingabedaten in das fuzzy-neurale Netzwerk optimiert werden. Dies hat die Wirkung, dass weil die Eingangsdaten, die tatsächlich verwendet werden, unter Verwendung einer mehrfachen Anzahl von Eingabeanwärterdaten optimiert werden können, die Auswahl der Eingabedaten nicht von der Erfahrung oder dem Wissen des Fahrers abhängen und demzufolge mehr angemessene Eingangsdaten erhalten werden können, und Zeit und Mühe für das Auswählen der Eingabedaten gespart werden können.
Weitere bevorzugte Ausführungsbeispiele der vorliegenden Erfindung sind in weiteren abhängigen Ansprüchen niedergelegt.
Im Folgenden wird die vorliegende Erfindung in größerer Ausführlichkeit in Bezug auf mehrere Ausführungsbeispiele derselben in Verbindung mit den beigefügten Zeichnungen erläutert, wobei:
1 eine allgemeine Zeichnung ist, die die Beziehung zwischen einem Motor 1 und einer Steuervorrichtung 10 zeigt, die in der Lage ist die Luft-Kraftstoffverhältnis-Steuerung auszuführen, die das Optimierungsverfahren für das fuzzy-neurale Netzwerk entsprechend der Erfindung verwendet;
2 ein allgemeines Blockdiagramm ist, das den Aufbau der Steuervorrichtung 10 zeigt;
3 ein allgemeines Blockdiagramm ist, das den Aufbau des Motordrehzahl-Berechnungsabschnittes zeigt;
4 ein allgemeines Blockdiagramm ist, das den Aufbau des Datenverarbeitungsabschnittes zeigt;
5 ein allgemeines Blockdiagramm ist, das den Aufbau des Modelbasis-Steuerabschnittes zeigt;
6 die innere Beschaffenheit des Einlassluftraten-Abschätzungsabschnittes zeigt;
7 ein Ablaufdiagramm des Optimierungsverfahrens für das fuzzy-neurale Netzwerk ist, das einen Erbalgorithmus verwendet;
8 eine konzeptionelle Zeichnung ist, die die Beziehung zwischen den Gen-Informationen, um in einem Optimierungsverfahren kodiert zu werden, und den kodierten Individuen zeigt;
9 eine innere Beschaffenheit des Einlassluftraten-Abschätzungsabschnittes zeigt;
10 die innere Beschaffenheit des Kraftstoffadhäsionsraten-Abschätzungsabschnittes zeigt;
11 die innere Beschaffenheit des Verdampfungszeitkonstanten-Abschätzungsabschnittes zeigt;
12 die innere Beschaffenheit des abgeschätzten Luft-Kraftstoffverhältnis-Berechnungsabschnittes zeigt;
13 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des Ziel-Luft-Kraftstoffverhältnis-Berechnungsabschnittes zeigt;
14 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des inneren Rückkopplungs-Berechnungsabschnittes zeigt;
15 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des Lernsignal-Berechnungsabschnittes zeigt;
16 ein allgemeines Blockdiagramm der zweiten Steuervorrichtung ist, das gebildet ist, um das Optimierungsverfahren für das fuzzy-neurale Netzwerk während der Ausführung der Steuerung unter denselben Bedingungen wie in dem ersten Ausführungsbeispiel auszuführen;
17 eine innere Beschaffenheit des Datenverarbeitungsabschnittes des zweiten Ausführungsbeispieles zeigt;
18 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des Modellbasis-Steuerabschnittes des zweiten Ausführungsbeispieles zeigt;
19 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des Einlassluftraten-Berechnungsabschnittes des zweiten Ausführungsbeispieles zeigt;
20 ein allgemeines Blockdiagramm ist, das die Beschaffenheit des Lern- und des Bewertungssignal-Berechnungsabschnittes des zweiten Ausführungsbeispieles zeigt;
21 eine konzeptionelle Zeichnung ist, die ein weiteres Ausführungsbeispiel des Verfahrens des Erzeugens von Individuen in dem Optimierungsverfahren zeigt;
22 in (1) die Eingabe-Ausgabebeziehung einer Basisform des fuzzy-neuralen Netzwerkes und in (2) und (3) angewandte Formen des fuzzy-neuralen Netzwerkes zeigt;
23 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Betrages der Drehmomentveränderung zeigt;
24 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen der Motorbrennkammertemperaturen zeigt;
25 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen der Einlasswandtemperatur zeigt;
26 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Abgas-Luft-Kraftstoffverhältnisses zeigt;
27 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Abgas-Luft-Kraftstoffverhältnisses zeigt;
28 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Abgas-Luft-Kraftstoffverhältnisses rund um den Zündpunkt der Zündkerze des Motors vom In-Zylinder-Einspritztyp zeigt;
29 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Gehalts von NOx in dem Abgas in dem Abgas-Katalysatorsystem zeigt; und
30 ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen der sensorischen Bewertungswerte des Nutzers zeigt.
Die Ausführungsbeispiele des Datenabschätzungsverfahrens für eine Motorsteuerung entsprechend der Erfindung werden nachstehend in Bezug auf die beigefügten Zeichnungen beschrieben.
Zuerst wird ein erstes Ausführungsbeispiel einer Luft-Kraftstoffsteuerung eines Motors, das das Datenabschätzungsverfahren für die Motorsteuerung der Erfindung verwendet, in Bezug auf die 1 bis 15 beschrieben.
1 zeigt im Wesentlichen die Beziehung zwischen dem Motor 1 und einer Steuervorrichtung 10, die in der Lage ist, die Luft-Kraftstoffverhältnissteuerung, die das Datenabschätzungsverfahren zum Steuern des Motors entsprechend der Erfindung verwendet, zu implementieren.
Der Motor 1 ist von dem Viertakt-Typ, in dem das Gemisch in die Brennkammer eines Zylinders 4 durch einen Luftfilter (nicht gezeigt) eingeleitet wird und in dem eine Kraftstoffeinspritzvorrichtung 3 an einem Einlassrohr 2 angeordnet ist, und in dem das Abgas nach der Verbrennung in die Atmosphäre durch das Auslassrohr 5 abgegeben wird.
Die Steuervorrichtung 10 steuert das Luft-Kraftstoffverhältnis in dem Abgas durch Manipulieren der von der Kraftstoffeinspritzvorrichtung 3 eingespritzten Kraftstoffrate.
Die Steuervorrichtung 10 ist an dem Einlassrohr 2, gezeigt in der 2, angeordnet und wie folgt aufgebaut: Die Daten werden erfasst mit; einem Kurbelwinkelsensor 11, angeordnet an dem Kurbelgehäuse 6, einem Motortemperatursensor 12, angeordnet an dem Zylinderblock 7, einem Luft-Kraftstoffverhältnissensor 1S. angeordnet an dem Einlassrohr 2; einem Einlassrohr-Vakuumsensor 14, einem Umgebungstemperatursensor 15, und einem Einlassrohr-Wandtemperatursensor 16, einstückig mit (oder getrennt von) der Steuervorrichtung 10. Die Steuervorrichtung 10 empfängt die Eingabe dieser Daten, um den Manipulationsbetrag (nämlich das Einspritzsignal) für die Kraftstoffeinspritzvorrichtung 3 zu bestimmen und ist aufgebaut, um das Lernen und die Bewertung der internen Modelle, die die Vorrichtung bilden, auszuführen.
2 ist ein allgemeines Blockdiagramm, das den Aufbau der Steuervorrichtung 10 zeigt.
Die Steuervorrichtung 10 weist auf;
einen Motordrehzahl-Berechnungsabschnitt zum Berechnen der Motordrehzahl auf der Grundlage des Kurbelwinkelsignals, das von dem Kurbelwinkelsensor 11 erhalten wird,
einen Datenverarbeitungsabschnitt zum Verarbeiten der Einlassluft-Vakuuminformation, die von dem Einlassrohr-Vakuumsensor 14 genommen wird, um die Information zu erzeugen, die in einem Basissteuerabschnitt verwendbar ist, was später beschrieben wird; und
den Modellbasis-Steuerabschnitt, in den eingegeben werden; Daten, die in dem Datenverarbeitungsabschnitt verarbeitet wurden, die Motordrehzahl, die Einlassrohr-Wandtemperaturinformation, erhalten von dem Einlassrohr-Wandtemperatursensor 16, und das Abgas-Luft-Kraftstoffverhältnis, erhalten von dem Luft-Kraftstoffverhältnissensor 13 um die Einspritzsignale zu bestimmen, die an die Kraftstoffeinspritzvorrichtung 3 auf der Grundlage dieser Eingabedaten gesendet werden.
3 ist ein allgemeines Blockdiagramm, das den Aufbau des Motordrehzahl-Berechnungsabschnittes zeigt, der aufgebaut ist, wie in der Figur gezeigt, um die Zeitdauer des Kurbelwinkelsignals mit einem Zeitraummessabschnitt zu messen und den Zeitraum in die Motordrehzahl mit einem Zeitraum-zu-Drehzahlumwandlungsabschnitt umzuwandeln.
4 ist ein allgemeines Blockdiagramm, das den Aufbau des Datenverarbeitungsabschnittes zeigt, der aufgebaut ist, wie in der Figur gezeigt, um den durchschnittlichen Druck pro Hub mit dem pro-Hub-Durchschnittsdruck-Berechnungsabschnitt zu berechnen, der die Einlassdruckdaten verwendet, um den minimalen Druck innerhalb eines Hubes mit dem Minimaldruck-Berechnungsabschnitt zu berechnen, und diese Daten auszugeben (den pro-Hub-Durchschnittsdruck und den pro-Hub Minimaldruck).
5 ist ein allgemeines Blockdiagramm, das die Bildung des Modellbasis-Steuerabschnittes zeigt.
Wie in der Figur gezeigt, weist der Modellbasis-Steuerabschnitt auf;
einen Einlassluftraten-Abschätzungsabschnitt, der ein Luftfolgemodell bildet, gebildet in der Annahme des Verhaltens von Luft in dem Einlassrohr als ein Modell,
einen Einlasskraftstoffraten-Abschätzungsabschnitt, der ein Kraftstoffsystem-Folgemodell bildet, gebildet in der Annahme des Verhaltens von der Kraftstoffeinspritzvorrichtung eingespritzten Kraftstoff als ein Modell, und
einen abgeschätzten Luft-Kraftstoffverhältnis-Berechnungsabschnitt zum Berechnen des abgeschätzten Luft-Kraftstoffverhältnis auf der Grundlage des abgeschätzten Einlassluftraten-Abschätzungsabschnittes und des Einlasskraftstoffraten-Abschätzungsabschnittes.
Der Modellbasis-Steuerabschnitt weist außerdem auf:
einen Ziel-Luft-Kraftstoffverhältnis-Berechnungsabschnitt zum Berechnen eines Ziel-Luft-Kraftstoffverhältnisses auf der Grundlage der abgeschätzten Einlassluftrate, und
einen inneren Rückkopplungs-Berechnungsabschnitt, der die Einspritzkraftstoffrate für die Kraftstoffeinspritzvorrichtung (nämlich die Einspritzsignale in die Kraftstoffeinspritzvorrichtung) auf der Grundlage des Ziel-Luft-Kraftstoffverhältnisses und des abgeschätzten Luft-Kraftstoffverhältnisses berechnet, und die Ergebnisse zu der Kraftstoffeinspritzvorrichtung des Motors und zu dem Einlasskraftstoffraten-Abschätzungsabschnitt ausgibt.
Der Modellbasis-Steuerabschnitt weist außerdem einen Lernsignal-Berechnungsabschnitt auf, in den das abgeschätzte Luft-Kraftstoffverhältnis, die abgeschätzte Einlassluftrate, das tatsächliche Abgas-Luft-Kraftstoffverhältnis und die Motordrehzahl eingegeben wird; zum Berechnen der Lerndaten für den Einlassluftraten-Abschätzungsabschnitt und den Einlasskraftstoffraten-Abschätzungsabschnitt auf der Grundlage dieser Eingabedaten.
6 ist ein allgemeines Blockdiagramm, das die innere Beschaffenheit des Einlassluftraten-Abschätzungsabschnittes zeigt.
Wie in der Figur gezeigt, weist der Einlassluftraten-Abschätzungsabschnitt ein fuzzyneurales Netzwerk auf, das die Eingabe der Motorbetriebs-Zustandsdaten aufnimmt, z. B. den durchschnittlichen Einlassluftdruck und den minimalen Einlassluftdruck pro Hub, und die Motordrehzahl anders als die Einlassluftrate, die der Messung unterworfen wird, und den abgeschätzten Wert der Einlassluftrate, der der Gegenstand der Messung ist, ausgibt.
Dieses fuzzy-neurale Netzwerk weist sechs Verarbeitungsschichten auf, mit der ersten bis vierten Schicht, die einen vorhergehenden Abschnitt bilden und die fünften und sechsten Schichten, die einen nachfolgenden Abschnitt bilden.
Stücke von Eingabeinformationen werden in die Zugehörigkeitsfunktionen eingeteilt, jeweils gebildet mit der nachstehend gezeigten Gleichung und das Bilden des vorhergehenden Abschnittes schließt die erste bis vierte Schicht ein, das Verwenden des Parameters wc repräsentiert den Gradient der Sigmoid-Funktion als Verbindungsfaktoren. f(x) = 1/1 + exp(–wg(xi + wc))
Der nachfolgende Abschnitt ist in fuzzy-Regeln eingeteilt, die in der Anzahl der Anzahl der Zugehörigkeitsfunktionen des vorhergehenden Abschnittes entspricht. Die Ausgabe der fuzzy-Regeln wird jeweils mit den Verbindungsgewichten wf ausgedrückt. Eine Summe von Produkten der jeweiligen Kupplungsgewichte wf und der Stufen der entsprechenden vorhergehenden Abschnitt-Zugehörigkeitsfunktionen wird berechnet und der resultierende Wert wird als ein abgeschätzter Wert mit dem Schwerpunktverfahren der fuzzy-Schlussfolgerung, nämlich als die abgeschätzte Einlassluftrate erzeugt.
Die Anzahl und die Arten der Eingabeinformation des fuzzy-neuralen Netzwerkes, die den oben beschriebenen Einlassluftraten-Abschätzungsabschnitt bilden, die Verbindungsgewichte wc und wg, die die Mittelposition und den Gradient der Zugehörigkeitsfunktion repräsentieren, und die Anzahl der Zugehörigkeitsfunktionen, die den jeweiligen Eingabeinformationen entsprechen, werden mit einem Erb-Algorithmus optimiert, der diese Informationsdaten als Gene verwendet, während die Beziehung mit dem nachfolgenden Abschnitts-Verbindungsgewicht wf in die Überlegung einbezogen wird.
Während der Ausführung der Steuerung wird das Kupplungsgewicht wf auf der Grundlage des Lernsignales 2, das in der Signalberechnungseinheit berechnet wurde, erlernbar gemacht, und ein Korrekturfaktor für das Ausgangssignal (eingeschätzte Einlassluftrate) des fuzzy-neuralen Netzwerkes wird auch auf der Grundlage des Lernsignales 1, das in der Signalberechnungseinheit berechnet wurde, erlernbar gemacht. Der vorerwähnte Korrekturfaktor wird verwendet, um das Ausgangssignal des fuzzy-neuralen Netzwerkes entsprechend der Veränderungen in der Umgebung, wie z. B. beim Fahren eines Gefälles, zu verändern.
Hier wird der Optimierungsprozess beschrieben, der die Erb-Algorithmen verwendet, in denen die Anzahl und Arten der Eingabeinformation in das fuzzy-neurale Netzwerk den Einlassluftraten-Bestimmungsabschnitt bilden, und die Werte der Kupplungsgewichte wc und wg, die die Mittelposition und den Gradient der Zugehörigkeitsfunktion repräsentieren, werden bestimmt.
7 ist ein Ablaufdiagramm des Optimierungsvorganges des fuzzy-neuralen Netzwerkes, das die Erb-Algorithmen verwendet.
Zuerst werden, wie in der 8 gezeigt, die Anzahl und die Arten der Eingabeinformation in das fuzzy-neurale Netzwerk, das den Einlassluftraten-Bestimmungsabschnitt bildet, die Kupplungsgewichte wc und wg, die die Mittelposition und den Gradient von jeder Zugehörigkeitsfunktion repräsentieren, und die Anzahl der Zugehörigkeitsfunktionen als Gene kodiert, um eine erste Generation, die aus einer Mehrzahl (z. B. 100) von Individuen besteht (Schritt 1), zu erzeugen.
Hier wird im Voraus eine Mehrzahl von Kandidatendaten für die Verwendung als Eingabeinformation in das fuzzy-neurale Netzwerk verwendet. Die Daten zeigen an, ob die Eingabesignal-Kandidatendaten verwendet oder nicht als ein Gen verwendet werden (in diesem Ausführungsbeispiel bezeichnet „0" „nicht verwendet" und „1" bezeichnet „verwendet"). Als die Eingabesignal-Kandidatendaten zum Abschätzen der Einlassluftrate können z. B. die folgenden in die Überlegung einbezogen werden; der durchschnittliche Einlassluftdruck pro Hub, der Einlassluftdruck bei einem bestimmten Kurbelwinkel, der Zeitraum, in dem sich der Einlassluftdruck von dem Minimum zu dem Maximum ändert, der Zeitraum, in dem sich der Einlassluftdruck von dem Maximum zu dem Minimum ändert, der Differenzdruck zwischen dem minimalen und dem maximalen Druck, die Einlassluft-Pulsamplitude, der Zeitraum (Abstand) der Einlassluftpulsation usw. Da diese Daten auf ihre Verwendbarkeit als eine Eingabeinformation mit dem Optimierungsverfahren geprüft werden, können die Daten von jeder Art sein, solange sie erfasst oder verarbeitet werden können.
Die Information über die Anzahl von Zugehörigkeitsfunktion, um als ein Gen kodiert zu werden, kann präpariert werden, um der Eingabeinformation zu entsprechen.
Als nächstes werden die Eingabeinformation und der Kupplungsfaktor des fuzzy-neuralen Netzwerkes mit einem von den in dem Schritt 1 erzeugten Individuen festgelegt, der ab geschätzte Wert der Einlassluftrate wird mit dem fuzzy-neuralen Netzwerk bestimmt, die tatsächliche Einlassluftrate wird mit einem Sensor, z. B. einem Luftströmungsmesser, erfasst, und das Lernen des Folgeabschnitt-Kupplungsgewichtes wf wird für ein bestimmte Anzahl von Zeiten mit dem Rückvermehrungsverfahren (BP) ausgeführt, um den Unterschied zwischen dem abgeschätzten und dem tatsächlich gemessenen Werten zu reduzieren, nämlich um die Abschätzungsgenauigkeit (Schritt 2) zu verbessern.
Nach dem Anwenden des Verfahrens von Schritt 2 auf alle Individuen wird ein Bewertungswert entsprechend des Fehlers zwischen den abgeschätzten und den gemessenen Werten für jedes der Individuen berechnet (Schritt S3).
Nach dem Berechnen der Bewertungswerte für alle Individuen wird die Bestimmung vorgenommen, ob der Fehler des Individuums von der höchsten Bewertung (bestes Individuum) kleiner als ein Toleranzwert ist (Schritt 4). Wenn der Fehler kleiner als der Toleranzwert ist, wird das fuzzy-neurale Netzwerk als optimiert bestimmt, und der Optimierungsvorgang wird beendet. Doe Eingabeinformation und der Kupplungsfaktor des fuzzyneuralen Netzwerkes werden mit den Genen bestimmt, die das beste Individuum bilden.
In dem Fall, dass der Fehler größer als der Toleranzwert ist, als in dem Schritt 4 bestimmt, wird das fuzzy-neurale Netzwerk als nicht optimiert bestimmt, und zwei Elternindividuen werden aus der ersten Generation von Individuen ausgewählt, um die nächste Generation zu erzeugen (Schritt 5). Die Auswahl der Elternindividuen kann durch die Roulett-Auswahl ausgeführt werden, in der ein Individuum, das einen höheren Bewertungswert hat, eine höhere Wahrscheinlichkeit hat, als das Elternindividuum ausgewählt zu werden.
Wenn die Elternindividuen ausgewählt sind, werden die ausgewählten Elternindividuen genommen, um miteinander zu kreuzen, um eine Mehrzahl von Kinderindividuen als die zweite Erzeugung (Schritt 6) zu reproduzieren. Nebenbei bemerkt kann das wechselseitige Kreuzen der Elternindividuen durch ein Verfahren, z. B. das ein-Punkt-Kreuzen, das zwei-Punkt-kreuzen, das Normalverteilungskreuzen usw. ausgeführt werden. Und wenn die Anzahl der Individuen der ersten Generation z. B. 100 ist, kann es angeordnet werden, dass die Anzahl der Kinderindividuen, die durch das Kreuzen der Elternindividuen erzeugt wurden, 99 beträgt, zu denen das beste Individuum der ersten Generation addiert wird, um 100 Individuen der zweiten Generation zu erzeugen. Das unveränderte Verlassen der vorhergehenden Generation von Individuen zu der nächsten Generation, wie oben beschrieben, ruft die Wirkung hervor, dass die für die Optimierung erforderliche Zeit reduziert wird.
In noch einem weiteren Schritt wird eine Umwandlung in den Genen durch Verändern der Werte der Gene durch Zufall mit einer bestimmten Wahrscheinlichkeit für die Anzahl der erzeugten Kinderindividuen veranlasst (Schritt 7).
Nach der Herstellung der zweiten Generation durch den oben beschriebenen Vorgang wird der Optimierungsvorgang von dem Schritt 2 wieder wiederholt.
Der oben beschriebene Optimierungsvorgang wird wiederholt, bis der Fehler zwischen dem abgeschätzten Wert (Ausgabe von dem fuzzy-neuralen Netzwerk) und dem tatsächlich gemessenen Wert als die Eingaberate kleiner als der Toleranzwert wird. Als ein Ergebnis werden die Eingabeinformation und der Kupplungsfaktor, die am besten für das Abschätzen der Einlassluftrate geeignet sind, automatisch bestimmt.
Hier kehrt die Beschreibung zu dem Aufbau der Verarbeitungsabschnitte des Modelbasis-Steuerabschnittes zurück.
9 zeigt die innere Beschaffenheit des Einlassluftraten-Abschätzabschnittes.
In dem Einlassluftraten-Abschätzabschnitt wird das Verhalten des von der Kraftstoffeinspritzvorrichtung eingespritzten Kraftstoffes mit einem Model repräsentiert, das aus der Rate des eingespritzten Kraftstoffes besteht, der nicht direkt in das Innere des Zylinders eintritt, sondern an der Einlassrohrwand, dem Einlassventil etc. anhaftet (nachstehend als die Kraftstoffadhäsionsrate × bezeichnet) und der Rate, bei der der Kraftstoff an der Einlassrohrwand, dem Einlassventil etc. anhaftet, verdampft (nachstehend als die Verdampfungszeitkonstante τ bezeichnet). Mit der oben beschriebenen Anordnung schätzt der Einlasskraftstoffraten-Abschätzabschnitt den Kraftstoff, der in den Zylinder eintritt, auf der Grundlage der Kraftstoffeinspritzrate ab, die von dem Rückkopplungs-Berechnungsabschnitt, der Kraftstoffadhäsionsrate und der Verdampfungszeitkonstante eingegeben wird. Um die oben beschrieben Funktion zu erreichen, weist der Einlasskraftstoffraten-Abschätzabschnitt einen Kraftstoffadhäsionsraten-Abschätzabschnitt auf, einen Verdampfungszeitkonstanten-Abschätzabschnitt, einen Nicht-Adhäsionskraftstoff-Berechnungsabschnitt, einen Adhäsionskraftstoff-Berechnungsabschnitt und einen Verdampfungskraftstoffraten-Berechnungsabschnitt auf.
Der Kraftstoffadhäsionsraten-Abschätzabschnitt weist, wie in der 10 gezeigt, ein fuzzy-neurales Netzwerk auf, das die Eingabedaten von dem Motorbetriebszustand (der Motordrehzahl und der geschätzten Einlassluftrate) anders als die Kraftstoffadhäsionsrate oder des Messgegenstandes empfängt, und gibt den Messgegenstand oder den abgeschätzten Wert der Kraftstoffadhäsionsrate aus.
Der Verdampfungszeitkonstanten-Abschätzabschnitt weist, wie in der 11 gezeigt, ein neurales Netzwerk auf, das die Eingabedaten des Motorbetriebszustandes (die Einlassrohrwandtemperatur, die Motordrehzahl und die abgeschätzte Einlassluftrate) anders als den Messgegenstand oder die Verdampfungszeitkonstante empfängt und den abgeschätzten Wert der Verdampfungszeitkonstante oder des Messgegenstandes ausgibt.
Das fuzzy-neurale Netzwerk, das den Kraftstoffadhäsionsraten-Abschätzabschnitt und den Verdampfungszeitkonstanten-Abschätzabschnitt, ähnlich dem oben beschrieben fuzzy-neuralen Netzwerk bildet, das den Einlassluftraten-Abschätzabschnitt bildet, weist sechs Verarbeitungsschichten auf, mit den ersten bis vierten Schichten, die den vorhergehenden Abschnitt bilden, der als Kupplungsfaktoren den Parameter wc, der die Mittelposition repräsentiert, und den Parameter wg, der den Gradient der Sigmoid-Funktion repräsentiert, verwendet, und mit den fünften und sechsten Schichten, die den anschließenden Abschnitt bilden, der als Kupplungsgewichte die Ausgabe wf der neun fuzzy-Regeln verwendet, die der Anzahl der Zugehörigkeitsfunktionen des vorhergehenden Abschnittes entsprechen. Mit dem oben beschriebenen Aufbau wird eine Summe von Produkten der Zugehörigkeitsfunktionen und der entsprechenden Kupplungsgewichte wf bestimmt, und das Ergebnis wird als der mit dem Schwerpunktverfahren der fuzzy-Schlussfolgerung abgeschätzte Wert ausgegeben, nämlich die abgeschätzte Kraftstoffadhäsionsrate und die abgeschätzte Verdampfungszeitkonstante.
Die Anzahl und die Arten der Eingabeinformationen und die Werte der Kupplungsgewichte wc und wg, die die Mittelposition und den Gradient der Zugehörigkeitsfunktion in dem fuzzy-neuralen Netzwerk repräsentieren, können durch das Optimierungsverfahren entsprechend zu dem Elternalgorithmus bestimmt werden, während die Beziehung mit dem anschließenden Abschnitts-Kupplungsgewicht wf in die Betrachtung einbezogen wird. Das Kupplungsgewicht wf, das den anschließenden Abschnitt bildet, ist aufgebaut, um mit den Lernsignalen 3 und 4 lernbar zu sein, die mit dem Lernsignal-Berechnungsabschnitt während des Einsetzens der Steuerung erhalten werden.
Der Nicht-Adhäsionskraftstoff-Berechnungsabschnitt berechnet die Rate von Kraftstoff, die in die Brennkammer des Zylinders direkt aus der Kraftstoffeinspritzvorrichtung entsprechend der abgeschätzten Kraftstoffadhäsionsrate x, erhalten die aus dem Kraftstoffadhäsionsraten-Abschätzabschnitt, und entsprechend der Kraftstoffeinspritzrate, erhalten aus dem inneren Rückkopplungs-Berechnungsabschnitt, eintritt.
Der Adhäsionskraftstoff-Berechnungsabschnitt berechnet die Rate des Kraftstoffes, der von der Kraftstoffeinspritzvorrichtung einspritzt wird und an der Einlassrohrwand, dem Einlassventil etc. anhaftet, entsprechend der abgeschätzten Kraftstoffadhäsionsrate x, die aus dem Kraftstoffadhäsionsraten-Abschätzabschnitt erhalten wird und entsprechend der Kraftstoffeinspritzrate, die aus dem inneren Rückkopplungs-Berechnungsabschnitt erhalten wird.
Der erste Verdampfungskraftstoffraten-Berechnungsabschnitt berechnet die Rate der Kraftstoffverdampfung von dem Kraftstoff, der an der Einlassrohrwand, dem Einlassventil etc. anhaftet, auf der Grundlage der Verdampfungszeitkonstante τ, abgeschätzt mit dem Verdampfungszeitkonstanten-Abschätzabschnitt und auf der Grundlage der Adhäsions-Kraftstoffrate mit dem Adhäsionskraftstoff-Berechnungsabschnitt.
Der zweite Verdampfungskraftstoffraten-Berechnungsabschnitt berechnet die Rate des Kraftstoffes von der Kraftstoffeinspritzvorrichtung, der vor dem direkten Eintreten in die Brennkammer des Zylinders verdampft auf der Grundlage der vorbestimmten Verdampfungszeitkonstante τ. Nebenbei bemerkt, da die Zeitkonstante τ' für den Kraftstoff, der direkt in den Zylinder eintritt, sehr klein ist, und sein Einfluss sehr klein ist, wird sie hier angenommen, eine angemessene Konstante zu sein.
Der Einlassluftraten-Abschätzabschnitt berechnet und gibt durch die Verfahren in den oben beschriebenen Verarbeitungsabschnitten den abgeschätzten Wert der Einlasskraftstoffrate aus.
Der abgeschätzte Luft-Kraftstoffverhältnis-Berechnungsabschnitt berechnet, wie in der 12 gezeigt, das abgeschätzte Luft-Kraftstoffverhältnis Ae/Fe auf der Grundlage der abgeschätzten Einlassluftrate Ae und der abgeschätzten Einlasskraftstoffrate Fe, die jeweils aus dem Einlassluftraten-Berechnungsabschnitt und dem Einlasskraftstoffraten-Berechnungsabschnitt, die aufgebaut sind, wie oben beschrieben.
13 ist ein allgemeines Blockdiagramm, das die Beschaffenheit des Ziel-Luft-Kraftstoffverhältnis-Berechnungsabschnittes zeigt.
Der Ziel-Luft-Kraftstoffverhältnis-Berechnungsabschnitt weist einen Veränderungsraten-Berechnungsabschnitt zum Berechnen der Veränderungsrate in der abgeschätzten Einlassluftrate auf und einen Plan des Ziel-Luft-Kraftstoffverhältnisses versus Veränderungsrate, empfängt die Eingabe der abgeschätzten Einlassluftrate, erhalten aus dem Einlassluftraten-Abschätzungsabschnitt, und gibt das Ziel-Luft-Kraftstoffverhältnis gemeinsam mit der abgeschätzten Einlassluftrate aus.
14 ist ein allgemeines Blockdiagramm das die Beschaffenheit des inneren Rückkopplungs-Betriebsabschnitt zeigt. Wie in der Figur gezeigt, bestimmt der innere Rückkopplungs-Betriebsabschnitt die Kraftstoffeinspritzrate, so dass der Fehler des abgeschätzten Luft-Kraftstoffverhältnis-Berechnungsabschnitt im Verhältnis zu dem Ziel-Luft-Kraftstoffverhältnis, erhalten aus dem Ziel-Luft-Kraftstoffverhältnis-Berechnungsabschnitt, kleiner wird, und gibt den bestimmten Wert zu der Kraftstoffeinspritzvorrichtung und zu dem Einlasskraftstoff-Abschätzungsabschnitt aus. In der 14 bezeichnet das Symbol Kp den Rückkopplungsgewinn.
15 ist ein allgemeines Blockdiagramm, das die Beschaffenheit des Lernsignal-Berechnungsabschnittes zeigt.
Wie in der Figur gezeigt, weist der Lernsignal-Berechnungsabschnitt einen Betriebszustand-Erfassungsabschnitt und einen Lernsignal-Erzeugungsabschnitt auf. Der Betriebszustand-Erfassungsabschnitt empfängt die Eingabedaten der Motordrehzahl und die abgeschätzte Einlassluftrate und bestimmt auf der Grundlage dieser Daten den aktuellen Betriebszustand (z. B. einen Übergangszustand oder einen stationären Zustand).
Der Lernsignal-Erzeugungsabschnitt empfängt die Eingabedaten des Fehlers des abgeschätzten Luft-Kraftstoffverhältnisses im Verhältnis zu dem tatsächlich gemessenen Abgas-Luft-Kraftstoffverhältnis, und bestimmt die Lernsignale 1 bis 4, so dass der Fehler kleiner wird.
Hier werden sie, da die Lernsignale 1 und 2 für den Einlassluftraten-Berechnungsabschnitt sind, aus der Information berechnet, die erhalten werden, wenn der Motorbetriebszustand stationär ist. Da die Lernsignale 3 und 4 für die Einlasskraftstoffraten-Be rechnungsabschnitt sind, werden sie aus der Information berechnet, die erhalten wird, wenn der Motorbetriebszustand zeitlich vorübergehend ist.
Da überdies das Lernsignal 1 für den Korrekturfaktor für die Korrektur des Ausgangssignales des fuzzy-neuralen Netzwerkes entsprechend der Veränderungen in der Umgebung ist, z. B. während des Hinabfahrens eines Gefälles, wie bereits vorher beschrieben, wird er in der Folge entsprechend der Veränderungen in der Umgebung während des stationären Zustandes mit einem größeren Gewinn ausgegeben. Da jedoch das Lernsignal 2 für den Folgeabschnitt-Kupplungsfaktor wf des fuzzy-neuralen Netzwerkes ist, ob es ausgegeben werden sollte, oder nicht, wird es entsprechend der Tendenz des Ausgabewertes des Lernsignales 1 bestimmt, um eine Reaktion auf den Fehler infolge der Veränderung in der Umgebung zu vermeiden. Tatsächlich ist das Lernsignal 1 kontinuierlich in der Erhöhung während des Fahrens einer Steigung, während es während des Fahrens eines Gefälles vermindert wird. In solch einem Fall erscheint die Umgebung als in Veränderung begriffen, und das Lernen mit dem Lernsignal 2 wird nicht ausgeführt.
Wenn es keine Veränderung in der Umgebung gibt, wird das Lernen mit beiden Lernsignalen 1 und 2 ausgeführt. Es ist jedoch vorgesehen, dass der Gewinn für das Lernen, das das Lernsignal 1 verwendet, größer ist, als das Lernen des fuzzy-neuralen Netzwerkes (FNN), das das Lernsignal 2 verwendet.
Wenn das Ausgangssignal des Lernsignales 2, wie oben beschrieben, entsprechend der Tendenz des Ausgabesignales des Lernsignales 1 bestimmt wird, verändert sich der Folgeabschnitt-Kupplungsfaktor des fuzzy-neuralen Netzwerkes in Abhängigkeit zu den Umgebungsveränderungen nicht. als ein Ergebnis wird kein unnötiges lernen ausgeführt und demzufolge wird das Ausgabesignal des fuzzy-neuralen Netzwerkes stabilisiert.
Das erste, bereits oben beschriebene Ausführungsbeispiel wird gebildet, damit die Eingabeinformation und die vorherigen Abschnittskupplungsfaktoren des fuzzy-neuralen Netzwerkes der jeweiligen Abschätzabschnitte des Modellbasis-Steuerungsabschnittes im Voraus mit den Erb-Algorithmen optimiert werden, während die Beziehung mit dem Folgeabschnitt-Kupplungsgewicht wf in die Überlegung einbezogen wird und nur das Lernen des Folgeabschnitt-Kupplungsgewicht wf während der Ausführung der Steuerung ausgeführt wird. Jedoch ist die Optimierung des fuzzy-neuralen Netzwerkes nicht auf das erste Ausführungsbeispiel begrenzt, sondern kann so beschaffen sein, um während der Steuerung ausgeführt zu werden.
16 ist ein allgemeines Blockdiagramm, das die Beschaffenheit der Steuerungsvorrichtung als ein zweites Ausführungsbeispiel zeigt, das gebildet wurde, um des Optimierungsverfahren des fuzzy-neuralen Netzwerkes während der Ausführung der Steuerung unter denselben Bedingungen wie jene des ersten Ausführungsbeispieles auszuführen. Im Folgenden werden nur jene Verarbeitungsabschnitte, die von jenen des ersten Ausführungsbeispieles unterschiedlich sind, erläutert, und die Erläuterung der anderen Verarbeitungsabschnitte wird weggelassen.
Der Modellbasis-Steuerungsabschnitt wird gebildet, damit das Optimierungsverfahren des fuzzy-neuralen Netzwerkes, das seinen Einlassluftraten-Bestimmungsabschnitt bildet, während der Durchführung der Steuerung ausgeführt werden kann. Der Datenverarbeitungsabschnitt berechnet, wie in der 17 gezeigt, die Einlassluft-Druckdaten, um die Eingangskandidatendaten für das fuzzy-neurale Netzwerk, das den Einlassluftraten-Bestimmungsabschnitt in dem Modellbasis-Steuerungsabschnitt bildet, zu erzeugen.
18 ist ein allgemeines Blockdiagramm, das den Aufbau des Modellbasis-Steuerungsabschnittes zeigt. Wie bereits zuvor beschrieben, weist der Einlassluftraten-Berechnungsabschnitt ein fuzzy-neurales Netzwerk auf, das die Eingabeinformationsdaten anders als den Messgegenstand verwendet, und den Messgegenstand oder die Einlassluftrate ausgibt, und gebildet wird, um das Optimierungsverfahren des fuzzy-neuralen Netzwerkes während des Ausführens der Steuerung auszuführen. Der Lern- und Bewertungssignal-Berechnungsabschnitt berechnet und gibt aus, zusätzlich zu den Lernsignalen für das fuzzy-neurale Netzwerk von dem Einlasskraftstoffraten-Berechnungsabschnitt und von dem Einlassluftraten-Berechnungsabschnitt, Bewertungssignale, die für das Optimierungsverfahren in dem Einlassluftraten-Berechnungsabschnitt verwendet werden sollen.
19 ist ein allgemeines Blockdiagramm, das den Aufbau des Einlassluftraten-Berechnungsabschnittes zeigt. Wie in der Figur gezeigt, weist der Einlassluftraten-Berechnungsabschnitt einen Optimierungsverfahren-Ausführungsabschnitt auf, der die Eingabesignale der verschiedenen Eingabesignal-Kandidatendaten, die die in dem Datenverarbeitungsabschnitt bearbeiteten Daten enthalten, empfängt, und erzeugt durch Kodieren der Eingabesignaldaten eine Mehrzahl von Individuen (Chromosomen), die die Datenbezeichnung verwenden, ob die Eingabesignal-Kandidatendaten (in diesem Ausführungsbeispiel steht „0" für nicht-verwendet und steht „1" für verwendet) und die vorher gehenden Kupplungsgewichte wc und wg als Gene verwendet werden, oder nicht. Das fuzzy-neurale Netzwerk wird während des Auslesens zwischen den Individuen entsprechend der Bewertungssignale, die aus dem Lern- und Bewertungssignal-Berechnungsabschnitt erhalten werden, optimiert. Da das Optimierungsverfahren, das die Erbalgorithmen verwendet, grundsätzlich das gleiche wie jenes des ersten Ausführungsbeispieles ist, wird die Erläuterung desselben weggelassen.
Das Optimierungsverfahren in dem Einlassluftraten-Abschätzabschnitt wird in angemessenen Zeitabständen, oder wenn eine bestimmte Bedingung eingetroffen ist, oder durch eine direkte Weisung durch einen Benutzer gestartet. Wenn das Optimierungsverfahren nicht gerade ausgeführt wird, kann ein Lernverfahren mit einem Lernsignal, das von einem Lern- und Bewertungssignal-Berechnungsabschnitt erhalten wird, ähnlich dem Einlassluftraten-Abschätzungsabschnitt, was im ersten Ausführungsbeispiel erläutert wurde, ausgeführt werden.
20 ist ein allgemeines Blockdiagramm, das die Beschaffenheit des Lern- und Bewertungssignal-Berechnungsabschnittes zeigt.
Der Lern- und Bewertungssignal-Berechnungsabschnitt berechnet ähnlich jenem des ersten Ausführungsbeispieles, wenn das Optimierungsverfahren in dem Einlassluftraten-Abschätzungsabschnitt nicht ausgeführt wird, und gibt die Lernsignale 1 und 2 für den Einlassluftraten-Abschätzungsabschnitt oder die Lernsignale 3 und 4 für den Einlasskraftstoffraten-Abschätzungsabschnitt entsprechend des Betriebszustandes des Motors aus.
Wenn das Optimierungsverfahren in dem Einlassluftraten-Abschätzungsabschnitt ausgeführt wird, werden die Bewertungssignale der jeweiligen Individuen zusätzlich zu den oben beschriebenen Lernsignale 1 bis 4 von dem Bewertungssignal-Erzeugungsabschnitt entsprechend zu dem Fehler zwischen den abgeschätzten und gemessenen Werten des Luft-Kraftstoffverhältnisses ausgegeben.
In dem Einlassluftraten-Abschätzungsabschnitt wird während des Optimierungsverfahrens das Lernen von dem Folgeabschnitt-Kupplungsgewicht wf ausgeführt, wenn das fuzzy-neurale Netzwerk in Betrieb ist und jeweilige Individuen entsprechend des Lernsignales 2, ausgegeben von dem Lern- und Bewertungssignal-Berechnungsabschnitt, verwendet, und die Bewertungen der jeweiligen Individuen entsprechend der Bewertungssignale bestimmt.
In den soweit beschriebenen ersten und zweiten Ausführungsbeispielen wird das beenden des Optimierungsverfahrens entsprechend dazu bestimmt, ob der ausgabefehler von dem fuzzy-neuralen Netzwerk kleiner als der Toleranzwert ist. Jedoch ist die Bedingung zum Beenden des Bestimmens nicht auf jene in den oben beschriebenen Ausführungsbeispielen begrenzt. Sie kann auch derart angeordnet werden, dass das Verfahren für eine vorbestimmte Anzahl von Erzeugungen wiederholt wird, oder dass die Entwicklung beendet wird, wenn es den Anschein hat, dass die abnehmende Tendenz des Ausgabefehlers konvergieren wird.
In den oben beschriebenen Ausführungsbeispielen werden sowohl die Eingabeinformation, als auch die Zugehörigkeitsfunktion des fuzzy-neuralen Netzwerkes unter Verwendung der Erbalgorithmen optimiert. Jedoch ist diese Erfindung nicht auf die oben vorgestellten Ausführungsbeispiele begrenzt und können auch in anderer Weise dargestellt werden. Wie in der 21 gezeigt, werden nur die Arten und Anzahl der Eingabeinformation durch die Erbalgorithmen als Gene kodiert und optimiert. Die Zugehörigkeitsfunktion kann auch, wie durch die Japanese patent application No. Hei-9-91115 durch den Anmelder vorgeschlagen wurde, durch Hinzufügen von fuzzy-Regeln, die die Veränderungstendenz des Kupplungsfaktors und die Abnahmetendenz des Fehlers des fuzzyneuralen Netzwerkes in dem Lernverfahren als ein Entscheidungskriterium verwenden, optimiert werden. Gleichzeitig wird bei der Verwendung der Geradlinigkeit der Folgeabschnitt-Kupplungsgewichte von zumindest drei Zugehörigkeitsfunktionen in derselben Eingabeinformation als das Entscheidungskriterium, wenn die Kupplungsfaktoren eine Geradlinigkeit haben, zumindest eine der Zugehörigkeitsfunktionen, die den Folgeabschnittsgewichten entspricht, gelöscht.
Überdies ist in den oben beschriebenen Ausführungsbeispielen, während das fuzzyneurale Netzwerk von jedem Abschätzungsabschnitt mit dem Basisform-fuzzy-neuralen Netzwerk gebildet wird, wie in der 22(1) gezeigt, die Bildung des fuzzy-neuralen Netzwerkes nicht auf solch ein Ausführungsbeispiel begrenzt, sondern kann auf eine andere Weise gebildet werden, wie in den 22(2) oder 22(3) gezeigt wird, in denen die Ausgabesignale einer Mehrzahl von fuzzy-neuralen Netzwerken aufsummiert und ausgegeben werden, oder Ausgabesignale einer Mehrzahl von fuzzy-neuralen Netzwerken werden außerdem als Eingabedaten zu einem weiteren fuzzy-neuralen Netzwerk verwendet, das seinerseits Daten ausgibt. Selbst wenn das fuzzy-neurale Netzwerk in einer komplizierten Weise, wie oben beschrieben, aufgebaut ist, werden noch Wirkungen geschaffen, da die Auswahl der Eingabeinformation und die Bestimmung des jeweiligen Kupplungsfaktors in einer einfachen Weise vorgenommen werden.
Während überdies die oben vorgestellten Ausführungsbeispiele als Beispiele beschrieben sind, in denen die Einlassluftrate, die Kraftstoffadhäsionsrate, oder die Verdampfungszeitkonstante als Steuerungsparameter abgeschätzt werden, die das Datenabschätzverfahren für die Motorsteuerung dieser Erfindung von anderen Informationen verwenden, ist die Information, die mit dem Daten-Abschätzverfahren für die Motorsteuerung dieser Erfindung abgeschätzt werden kann, nicht auf jene in den oben vorgestellten Ausführungsbeispielen begrenzt. Es ist eine ziemliche Selbstverständlichkeit, dass irgendwelche Daten verwendet werden können, solange es Daten über den Zustand des Motors sind.
Z. B. kann der Veränderungsbetrag im Drehmoment mit 9 fuzzy-neurale Netzwerken abgeschätzt werden, die zumindest einen von dem Veränderungsbetrag in der Drehzahl, die Motordrehzahl, und die Zeitabfolgedaten der Einlassluftrate und den Brennkammerdruck als Eingabeinformation verwenden (Siehe in 23. Die Zeichnung zeigt ein Beispiel eines fuzzy-neuralen Netzwerkes zum Abschätzen des Drehmoment-Veränderungsbetrages)
Überdies kann die Brennkammertemperatur mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das zumindest eine Einlassrohr-Wandtemperatur, Einlassrohr-Umgebungstemperatur (Atmosphärentemperatur) verwendet, und die nach dem Starten des Motors verstrichene Zeit, als die Eingabeinformation. (Siehe 24. Die Zeichnung zeigt ein Beispiel eines fuzzy-neuralen Netzwerkes zum Abschätzen der Brennkammertemperatur des Motors).
Überdies kann die Einlasswandtemperatur mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das zumindest eine von der Kühlwassertemperatur, der Öltemperatur und der Motortemperatur (Zylinderblocktemperatur) als die Eingabeinformation verwendet. (Siehe 25. Die Zeichnung zeit ein Beispiel eines fuzzy-neuralen Netzwerkes zum Abschätzen der Einlasswandtemperatur).
Überdies kann das Abgas-Luft-Kraftstoffverhältnis mit dem fuzzy-neuralen Netzwerk abgeschätzt werden, das als die Eingabeinformation zumindest eine verwendet von; Zeitfolgedaten der Kurbelwinkelbeschleunigung, Motordrehzahl, Einlassluftrate, Einlassluftvakuum, Zündzeitpunkt, Öffnungs- und Schließzeitpunkte der Einlass- und Auslassventile, wenn eine veränderbare Ventilzeitpunktvorrichtung verwendet wird, und eine EGR-Ventilöffnung, wenn die EGR-Steuerung verwendet wird (Siehe die 26. Die Zeichnung zeigt ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Abgas-Luft-Kraftstoffverhältnisses).
Überdies kann das Abgas-Luft-Kraftstoffverhältnis mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das als die Eingabeinformation zumindest eine der Abgastemperatur, die Atmosphärentemperatur, die Motordrehzahl, die Einlassluftrate, das Einlassluftvakuum, den Zündzeitpunkt oder die Drosselventilöffnung verwendet. (Siehe die 27. Die Zeichnung zeigt ein Beispiel des fuzzy-neuralen Netzwerkes zum Abschätzen des Abgas-Luft-Kraftstoffverhältnisses).
Überdies kann das Luft-Kraftstoffverhältnis rund um den Zündkerzenzündpunkt in einem In-Zylinder-Motor der Einspritzart mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das als die Eingabeinformation zumindest eine enthält von Motordrehzahl, Drosselöffnung, Kraftstoffeinspritzrate, Kraftstoffeinspritzzeitpunkt, Zündzeitpunkt und Öffnungs- und Schließzeitpunkte von Einlass- und Auslassventilen, wenn eine veränderbare Ventilzeitpunktvorrichtung verwendet werden, (Siehe die 28. Die Zeichnung zeigt ein Beispiel des fuzzy-neuralen Netzwerkes zum abschätzen des Luft-Kraftstoffverhältnisses rund um den Zündkerzenzündpunkt).
Überdies kann in dem Abgas-Katalysatorsystem der NOx-Gehalt in dem Abgas mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das als eine Eingabeinformation zumindest eine enthält, von der Motordrehzahl, die Drosselöffnung, die Abgastemperatur an dem Einlass des Katalysatorsystems, die Abgastemperatur an dem Auslass des Katalysatorsystems, der zurückgelegten Strecke und dem Abgas-Luft-Kraftstoffverhältnis. (Siehe die 29. Die Zeichnung zeigt ein Beispiel des fuzzyneuralen Netzwerkes zum Abschätzen des NOx-Gehaltes in dem Abgas in dem Abgas-Katalysatorsystem).
Überdies kann die der sensorische Bewertungswert des Motorzustandes von einem Benutzer mit einem fuzzy-neuralen Netzwerk abgeschätzt werden, das als eine Eingabeinformation zumindest eine enthält, Pulsschläge, Blutdrücke, Atmungsintervalle und Ge hirnströme des Benutzers. (Siehe 30. Die Zeichnung zeigt ein Beispiel des fuzzyneuralen Netzwerkes zum Abschätzen des sensorischen Bewertungswertes des Benutzers).
Wie bereits oben beschrieben, werden mit dem Datenabschätzungsverfahren dieser Erfindung für das Steuern eines Motors, der die Daten während des Zustandes des Motor als die Steuerungsparameter verwendet, die Daten während des Zustandes des Motor als die Steuerungsparameter mit einem fuzzy-neuralen Netzwerk abgeschätzt, das mehrere Fälle von Eingabeinformationen verwendet, die nicht als die Steuerungsparameter verwendet werden. Demzufolge können Daten, anders als jene, die als die Steuerungsparameter verwendet werden, als jene, die als die Steuerungsparameter, durch Verwenden von ihnen als Eingabeinformationen in das fuzzy-neurale Netzwerk, abgeschätzt werden, und um lehrend die Kupplungsfaktoren des fuzzy-neuralen Netzwerkes und die Anzahl der Zugehörigkeitsfunktionen zu optimieren. Als ein Ergebnis wird eine Wirkung erzielt, dass die Daten, die bisher schwierig als Steuerungsparameter verwendet werden konnten, oder die Daten, die teuere Sensoren erfordert haben, um in der Vergangenheit erfasst zu werden, durch Verwendung von nicht-teuren Sensoren erfasst werden können. Eine weitere Wirkung ist die, dass da die Eingabeinformation mehr als auf einen Parameter aufgeteilt werden kann, es nicht notwendig ist, für jeden Parameter einen Sensor vorzusehen.
Mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung wird eine weitere Wirkung geschaffen, dass die Einlassluftrate unter Verwendung eines kleinformatigen, nicht-teuren Vakuumsensors an Stelle des Verwendens eines Luftströmungsmessers oder eines Hitzdraht-Anemometers abgeschätzt werden kann, die nicht an Bord eines Außenbordmotors oder dergleichen wegen ihres hohen Preises, großen Abmessung und Anfälligkeit gegenüber Beschädigung durch Salz verwendet werden können.
Mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung wird eine weitere Wirkung geschaffen, dass die Rate des von der Kraftstoffeinspritzvorrichtung eingespritzten Kraftstoffes und der an der Einlassrohrwand etc. in dem Motor der Einlassrohr-Einspritzart anhaftet, und die Kraftstoffrate, die von dem Kraftstoff, der an der Einlassrohrwand etc. anhaftet, verdampft, die bisher nur schwierig zu erfassen waren, einfach abgeschätzt werden können. Als ein Ergebnis kann ein sequenzielles Modell in der Steuerungsvorrichtung einfach aufgebaut werden.
Mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung gibt es eine weitere Wirkung, dass die Veränderung im Drehmoment, die aus der Veränderung in der Motordrehzahl berechnet worden ist, die eine nicht-lineare Beziehung mit der Drehmomentänderung hat, mit besserer Genauigkeit abgeschätzt werden kann.
Ein weiterer Effekt bei dem Abschätzungsverfahren entsprechend eines noch weiteren Ausführungsbeispieles der Erfindung ist, dass die Brennkammertemperatur, für die bisher kein Sensor vorhanden war, der klein, nicht teuer und haltbar ist, um an jedem Motor montiert zu werden, mit besserer Genauigkeit abgeschätzt werden kann. Da der abgeschätzte Wert als der Steuerungsparameter verwendet werden kann, wird eine genaue Steuerung eines Motors, z. B. das Steuern der Kraftstoffeinspritzrate entsprechend der Brennkammertemperatur, möglich.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung ist, dass die Einlassrohrwandtemperatur, für die sich der Ort der Messung entsprechend des Zustandes des Motorbetriebes ändert, mit einer guten Genauigkeit entsprechend des Motorbetriebszustandes von Moment zu Moment abgeschätzt werden kann.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung ist, dass das Abgas-Luft-Kraftstoffverhältnis unter Verwendung eines vorhandenen, nicht-teuren Sensors an Stelle eines teuren Luft-Kraftstoffverhältnissensors abgeschätzt werden kann.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung ist, dass das Luft-Kraftstoffverhältnis rund um den Zündkerzenzündpunkt in einem Motor vom In-Zylinder-Einspritztyp, für das es bisher soweit unmöglich war, gemessen zu werden, abgeschätzt werden kann und die Kraftstoffeinspritzrate in den Zylinder genauer gesteuert werden kann.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung ist, dass der Betrag von NOx-Gehalt in dem Abgas in dem Abgaskatalysatorsystem, der bisher nicht gemessen werden konnte, abgeschätzt werden kann, und der Motor gesteuert werden kann, um die Verbrennungseffektivität zu verbessern.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines noch weiteren Ausführungsbeispieles der Erfindung ist, dass die sensorischen Bewertungswerte des Benutzers, die bisher mit Sensoren oder dergleichen nicht gemessen werden konnten, entsprechend der Informationen, die mit vorhandenen Sensoren für das Sammeln von physiologischer Daten, z. B. vom Benutzer die Pulsschläge, die Herzschläge, die Blutdrücke, die Atmungsintervalle und die Gehirnströme abgeschätzt werden können. Insbesondere in dem Fall, in dem das Luft-Kraftstoffverhältnis unter Verwendung eines Sauerstoffsensors gesteuert wird, kann die Antriebsleichtigkeit am Schlechterwerden durch Steuern eines O₂-Rückkopplungsgewinns entsprechend des sensorischen Bewertungswertes gehindert werden, so dass ein Pendeln des Luft-Kraftstoffverhältnisses, das durch die O₂-Rückkopplung verursacht wird, nicht auf den Benutzer übertragen wird und ein Stoßgefühl in dem Benutzer wird verhindert.
Eine weitere Wirkung mit dem Abschätzungsverfahren entsprechend eines weiteren Ausführungsbeispieles der Erfindung ist der, weil die Eingabedaten, die tatsächlich verwendet werden sollen, unter Verwendung einer Mehrzahl von Eingabe-Kandidatendaten optimiert werden können, die Auswahl der Eingabedaten nicht von der Erfahrung oder dem Wissen des Benutzers abhängt und demzufolge angemessenere Eingabedaten erhalten werden können, und Zeit und Mühe für die Auswahl der Daten gespart werden können.

Claims

Verfahren zum automatischen Optimieren der Anzahl und Arten von Eingangsinformationen für ein neuronales Fuzzy-Netzwerk, das einen Motorsteuerparameter abschätzt, mit den Schritten von: Erzeugen einer ersten Generation einer Mehrzahl von Individuen durch Kodieren der Eingabeinformationseingabe an das neuronale Fuzzy-Netzwerk (Schritt 1), Ausführen eines Lernvorganges des neuronalen Fuzzy-Netzwerkes zum Reduzieren eines Schätzfehlers zwischen dem erfassten Parameter und dem tatsächlich gemessenen Parameterwert für jedes Individuum (Schritt 2), Berechnen eines Bewertungswertes für jedes Individuum auf der Grundlage eines abgeschätzten Fehlers für jedes Individuum (Schritt 3), Bestimmen, ob ein Schätzfehler des Individuums, das den höchsten Bewertungswert hat, kleiner als ein Toleranzwert ist (Schritt 4), wobei, falls bestimmt worden ist, dass der Schätzfehler kleiner als der Toleranzwert ist, die Eingabeinformation auf der Grundlage des Individuums, das den höchsten Überprüfungswert hat, festgelegt wird, wobei, falls bestimmt worden ist, dass der Schätzfehler größer als der Toleranzwert ist, zwei Elternindividuen aus der gegenwärtigen Generation ausgewählt werden, um eine Mehrzahl von Individuen einer nächsten Generation (Schritt 5) durch Kreuzen der Elternindividuen (Schritt 6) zu erzeugen, wobei die erzeugten Individuen per Zufall verändert werden (Schritt 7) und die Optimierungsschritte (Schritte 2–7) wiederholt werden, bis der Schätzfehler kleiner als der Toleranzwert wird.
Verfahren nach Anspruch 1, wobei das Verfahren außerdem ein Kopplungswertigkeit (wf) des neuralen Fuzzy-Netzwerkes, die während des Lernschrittes (Schritt 2) abgeschätzt wird, wobei die Kopplungswertigkeit (wf) zusammen mit dem Festlegen der Eingabeinformation festgelegt wird.
Verfahren nach Anspruch 1 oder 2, außerdem mit dem Schritt des Vorbereitens einer mehrfachen Anzahl von Eingabekandidatendaten für das neuronale Fuzzy-Netzwerk im Voraus, wobei jedes Individuum durch eine Mehrzahl von Genen gebildet wird und jedes Gen anzeigt, ob Eingabekandidatendaten verwendet werden, oder nicht.
Verfahren nach einem der Ansprüche 1 bis 3, wobei der Lernschritt (Schritt 2 und 3) in einer bestimmten Anzahl ausgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 4, wobei der Lernschritt (Schritt 2 und 3) eine Rückausbreitung ausführt.
Verfahren nach einem der Ansprüche 1 bis 5, wobei die Auswahl der Elternindividuen (Schritt 5) in der Form einer Roulette-Auswahl ausgeführt wird,
Verfahren nach einem der Ansprüche 1 bis 6, wobei das Kreuzen der Elternindividuen (Schritt 6) als ein Einpunkt-Kreuzen, Zweipunkt-Kreuzen oder Normalverteilungs-Kreuzen ausgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 7, wobei der Schritt der Erzeugung von Individuen der nächsten Generation den Schritt des Hinzufügens des Individuums zu den für die nächste Generation erzeugten Individuen enthält, das den höchsten Bewertungswert hat.
Verfahren nach einem der Ansprüche 1 bis 8, wobei der Schritt der Veränderung der Individuen per Zufall (Schritt 7) Veränderungen mit einer bestimmten Wahrscheinlichkeit veranlasst.
Verfahren nach einem der Ansprüche 1 bis 9, wobei der abgeschätzte Parameter die Einlassluftgeschwindigkeit ist und die Eingabeinformation eine mehrfache Anzahl von Daten über zumindest das Einlassluftvakuum des Motors enthält.
Verfahren nach einem der Ansprüche 1 bis 10, wobei der abgeschätzte Parameter die Kraftstoffadhäsionsrate in einem Motor mit Ansaugrohr-Einspritzung ist, und die Eingabeinformation zumindest eines von Motordrehzahl, die Einlassluftgeschwindigkeit oder das Ansaugluftvakuum enthält.
Verfahren nach einem der Ansprüche 1 bis 11, wobei der abgeschätzte Parameter die Verdampfungszeitkonstante in einem Motor mit Ansaugrohr-Einspritzung ist, und die Eingabeinformation zumindest die eines von Ansaugrohr-Wandtemperatur, Motordrehzahl, Einlassluftrate oder das Ansaugluftvakuum enthält.
Verfahren nach einem der Ansprüche 1 bis 12, wobei der abgeschätzte Parameter der Veränderungsbetrag des Drehmomentes ist, und die Eingabeinformation zumindest eines von Veränderung in der Motordrehzahl, Motordrehzahl, Einlassluftrate oder die zeitliche Abfolge von Daten des Brennkammerdrucks enthält.
Verfahren nach einem der Ansprüche 1 bis 13, wobei der abgeschätzte Parameter die Brennkammertemperatur ist, und die Eingabeinformation zumindest einer von Ansaugrohr-Wandtemperatur, Umgebungstemperatur der Einlassrohrwand oder die von dem Start des Motors verstrichene Zeit enthält.
Verfahren nach einem der Ansprüche 1 bis 14, wobei der abgeschätzte Parameter die Einlassrohr-Wandtemperatur ist, und die Eingabeinformation zumindest eines von Kühlwassertemperatur, Zylinderblocktemperatur oder Öltemperatur enthält.
Verfahren nach einem der Ansprüche 1 bis 9, wobei der abgeschätzte Parameter das Luft-Kraftstoffverhältnis im Abgas ist, die Eingabeinformation zumindest eine von zeitlicher Abfolge von Daten der Kurbelwinkelgeschwindigkeit, Motordrehzahl, Einlassluftrate, Einlassluftvakuum, Zündzeitpunkt, Öffnungs- oder Schließzeitpunkte der Einlass- und Auslassventile einer veränderbaren Ventilzeitpunktvorrichtung verwendet wird, oder das EGR-Ventilöffnen in dem Fall einer EGR-Steuerung verwendet wird.
Verfahren nach einem der Ansprüche 1 bis 15, wobei der abgeschätzte Parameter das Luft-Kraftstoffverhältnis im Abgas ist, und die Eingabeinformation zumin dest eine von Abgastemperatur, Atmosphärentemperatur, Motordrehzahl, Einlassluftrate, Einlassluftvakuum, Zündzeitpunkt oder Drosselventilöffnung enthält.
Verfahren nach einem der Ansprüche 1 bis 17, wobei der abgeschätzte Parameter das Luft-Kraftstoffverhältnis rund um den Zündkerzenpunkt in dem Motor vom Inzylinder-Einspritztyp ist, und die Eingabeinformation zumindest eines von Motordrehzahl, Drosselöffnung, Kraftstoffeinspritzrate, Kraftstoffeinspritzzeitpunkt, Zündzeitpunkt oder die Öffnungs- und Schließzeitpunkte der Einlass- und Auslassventile in dem Fall enthält, dass eine veränderbare Ventilzeitpunktvorrichtung verwendet wird.
Verfahren nach einem der Ansprüche 8 bis 10, wobei der abgeschätzte Parameter die Menge von NOx ist, enthalten in dem Abgas in dem Abgaskatalysatorsystem, und die Eingabeinformation zumindest eines von Motordrehzahl, Drosselöffnung, Kühlwassertemperatur, Gastemperatur an dem Katalysatoreinlass, Gastemperatur an dem Katalysatorauslass, Fahrstrecke oder das Luft-Kraftstoffverhältnis im Abgas enthält.
Verfahren nach einem der Ansprüche 1 bis 19, wobei der abgeschätzte Parameter der sensorische Bewertungswert über den Motorzustand ist, und die Eingabeinformation zumindest eines von den Daten des Benutzers Puls, Herzschlag, Blutdruck, Atmungsintervalle, Hirnstromwellen enthält.
Verfahren nach einem der Ansprüche 1 bis 20, wobei das neuronale Fuzzy-Netzwerk sechs Verarbeitungsschichten verwendet.
Verfahren nach einem der Ansprüche 1 bis 21, wobei das neuronale Fuzzy-Netzwerk die erste bis vierte Schicht zum Bilden eines vorhergehenden Abschnittes und die fünfte und sechste Schicht zum Bilden eines nachfolgenden Abschnittes verwendet.
Verfahren nach einem der Ansprüche 1 bis 22, wobei die Teile von Eingabeabschnitten geteilt werden in Teilnehmerfunktionen, jede durch die Gleichung gebildet f(x) = 1/1 + epx(–wg(xi + wc)), wobei wg den Gradienten der Sigmoid-Funktion repräsentiert und wc den Mittelabschnitt der Sigmoid-Funktion repräsentiert, die als Kopplungsfaktoren verwendet werden.
Verfahren nach einem der Ansprüche 1 bis 23, wobei der Abschätzungsprozeß während der Durchführung der Steuerung ausgeführt wird.
Motorsteuervorrichtung, die ein neuronales Fuzzy-Netzwerk enthält, um einen Motorsteuerparameter auf der Grundlage von Motorsteuerparametern abzuschätzen, die von dem abgeschätzten Parameter verschieden sind, als Eingabeinformation in das neuronale Fuzzy-Netzwerk, wobei die Motorsteuervorrichtung vorgesehen ist, eine Optimierung der Schätzung in Übereinstimmung mit einem der Ansprüche 1 bis 23 vorzunehmen.