EP1877658A1 - Method for controlling a motor vehicle using a network of neurones - Google Patents

Method for controlling a motor vehicle using a network of neurones

Info

Publication number
EP1877658A1
EP1877658A1 EP06743844A EP06743844A EP1877658A1 EP 1877658 A1 EP1877658 A1 EP 1877658A1 EP 06743844 A EP06743844 A EP 06743844A EP 06743844 A EP06743844 A EP 06743844A EP 1877658 A1 EP1877658 A1 EP 1877658A1
Authority
EP
European Patent Office
Prior art keywords
function
engine
determined
efficiency
network
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.)
Withdrawn
Application number
EP06743844A
Other languages
German (de)
French (fr)
Inventor
Thierry Prunier
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.)
Renault SAS
Original Assignee
Renault SAS
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 Renault SAS filed Critical Renault SAS
Publication of EP1877658A1 publication Critical patent/EP1877658A1/en
Withdrawn legal-status Critical Current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
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/18—Circuit arrangements for generating control signals by measuring intake air flow
    • F02D41/182—Circuit arrangements for generating control signals by measuring intake air flow for the control of a fuel injection device
    • 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
    • F02D41/0002—Controlling intake air
    • F02D2041/001—Controlling intake air for engines with variable valve actuation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0411—Volumetric efficiency
    • 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
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • 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
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning

Definitions

  • the invention relates to the control of vehicle engines, in particular gasoline engines.
  • a gasoline engine generally uses an injection system calculating a fuel requirement based on measured information regarding manifold pressure, engine speed, and air temperature in the manifold. We then try to model the relative filling efficiency to characterize the amount of air actually entering the engine. This quantity of air is then translated into the quantity of fuel to be injected according to a goal of richness. This calculation can be done as follows:
  • Vcyl Unit cubic displacement of the motor (in m3)
  • the volumetric filling efficiency ⁇ re mp is characteristic of the engine configuration (the associated volumes, the length and shape of the intake and exhaust manifolds, the materials used and the surface condition of the tubes constituting them). It is also characterized by the laws of lift of the intake and exhaust valves and their phasing in the engine cycle. It depends on the pressure in the manifold, the engine speed and finally the timing of the camshafts (called AAC or VVT) intake and exhaust, especially if the engine is equipped with a variable timing system of these trees.
  • AAC or VVT camshafts
  • the engine comprises a mapping by position, on or off, the camshaft shifter, function of the pressure in the manifold and the speed.
  • the document "Modeling the Volumetric Efficiency of IC Engines: Parametric, Non-Parametric and Neural Techniques" by G. DE NICOLAO proposes a method of controlling an engine in which a volumetric air filling efficiency is determined.
  • map corrections are known in motors comprising a continuous intake camshaft shifter.
  • a mapping is implemented as a function of the pressure and the speed for a reference position of the shifter and parabolic corrections are made, associated with coefficients mapped as a function of the pressure and the speed.
  • An object of the invention is therefore to improve the control of the vehicle engines, and in particular to improve the estimation of the relative filling efficiency, for example in the case of an engine equipped with a double shifter. intake camshaft and exhaust.
  • a control method of a vehicle engine in which a volumetric air filling efficiency of the engine is determined, characterized in that a base value of the output is determined, and a correction value by means of an array of artificial neurons, and adding the base value and the correction value.
  • the efficiency is determined according to a speed of the engine; the efficiency is determined as a function of a pressure in a manifold of the engine;
  • the yield is determined as a function of a difference between a set point of a camshaft of intake cams and a measurement of a position of the shaft;
  • the efficiency is determined as a function of a difference between a stall setting of an exhaust camshaft and a measurement of a position of the shaft;
  • the efficiency is determined as a function of a difference between an intake valve lift law and a position of the valve
  • the efficiency is determined as a function of a difference between an exhaust valve lift law and a position of the valve
  • the efficiency is determined as a function of a ratio between a setpoint torque of the motor and a maximum torque;
  • the base value is determined as a function of a pressure in the intake manifold and / or a speed of the engine;
  • the network comprises a single hidden layer
  • the network has the function of activating the tansig function
  • a vehicle engine comprising a control member adapted to determine a volumetric air filling efficiency of the engine, the control member comprising a neural network.
  • the engine will comprise an intake camshaft variable timing device and / or exhaust camshaft or a variable lift device of intake valves and / or exhaust valves.
  • FIG. 1 is a flowchart illustrating the general implementation of the method in the present example
  • FIG. 2 comprises two flowcharts illustrating the obtaining of the correction values associated with variable timing of the intake and exhaust camshafts;
  • FIG. 3 is a flowchart illustrating the use of the neural network in the method of FIG. 1;
  • FIG. 4 is a graph of the activation function implemented in the network of FIG. 3;
  • FIG. 6 is a flow chart illustrating the process of choosing the neural network and its calibration.
  • Figure 7 is a view similar to Figure 3 illustrating an alternative embodiment.
  • the invention relates to a motor vehicle internal combustion engine.
  • This engine comprises a computer providing control of the engine and comprising in this case a network of artificial neurons.
  • a network of this type is known per se and will not be described in detail here.
  • the purpose of the network is to determine a volumetric air filling efficiency of the engine, and more precisely to model this parameter.
  • a reference map developed on the nominal reference engine settings, is used to define a reference fill value or base fill value.
  • a filling correction value modeled by the neural network is used to correct this filling, in this case by adding to the base value. This gives a characterization of the effective filling of the engine outside the nominal operating points of the engine.
  • Box 2 shows the implementation of a map showing a reference value of the filling efficiency of the engine in Z according to a measurement of the engine speed following the X axis on the abscissa and as a function of a pressure measured in an intake manifold of the motor and Y-bearing along the y-axis.
  • the engine being in this case provided with intake camshaft and variable-pitch exhaust camshaft, the map provides the filling values on the calibration points chosen by the developer.
  • this reference filling value is then corrected to block 4 by adding a corrective term determined in turn in parallel to block 6 by the neural network.
  • the neural network calculates this correction according to the following parameters:
  • the sum of the base values and the corrective term provides the final value of the fill performance to be modeled.
  • FIG. 2 illustrates the detail of obtaining positional offsets of the intake and exhaust camshafts.
  • the first diagram indicates that for the intake shaft the difference is made between the calibration set position and the actual position of this shaft as measured.
  • the subtraction of these two values in block 8 makes it possible to determine the difference of wedging on this tree.
  • the offset value of the shaft is indicated in degrees of crank angle.
  • the calibration setpoint value it is determined beforehand in block 10 by mapping from: - the engine speed measured; - the ratio of the target torque (derived from the driver's will via the position of the accelerator, the engine speed and other parameters) and the maximum torque available on the engine (essentially a function of engine speed and engine temperature; the air).
  • the offset value for the exhaust shaft is determined in exactly the same way.
  • Input to this network includes the engine speed parameters, the pressure in the collector and the differences in timing on the shafts. intake and exhaust relative to the reference timing.
  • the neural network implements an algorithm for optimizing the terms of weight (wi) and bias (b) for each neuron as a function of the activation function chosen by the user.
  • each neuron is then used in the output layer 20 where a combination of the outputs of each neuron is performed according to the same calculation (but with different weights and a different bias) than for the hidden layer 14.
  • the output value of the neural network is then denormalized at block 22 in order to best describe the desired variable which is here the filling efficiency.
  • the hidden layer 14 is in this case unique. It has been shown that any continuous piecewise function can be approximated by such an architecture.
  • the choice of the number of neurons of the hidden layer is in turn to be determined according to two essential constraints: On the one hand, the precision of the filling modeled by the neural network, on the other hand the number of operations and acceptable calibrations for real-time processing by the engine control computer. It is important to carefully choose the activation function of each neuron to ensure network performance.
  • the activation function used in this case is the tansig function. This mathematical function is defined by the following formula:
  • FIG. 4 illustrates the shape of the curve of the logig and tansig functions.
  • this function In order to be able to be used by the computer but also during the optimization procedure of the neural network, this function must be discretized in a table. When calculating point optimization and network bias or for calculating fill efficiency, the table is then used discretely by linear interpolation.
  • the choice of the optimization criterion of the function makes it possible to minimize the error made by replacing a continuous function with a piecewise linear function. It is found that the solution of discretizing the function into a large number of equidistant points is not the best because it is expensive in number of calibrations. It is more advantageous to use a discretization implementing non-equidistant points to reduce the size of the map while maintaining a good accuracy on the output data.
  • the optimization criterion retained between the linear function and the discretized function is the optimization of the positioning of the points of support (or breakpoints) by minimizing the second derivative difference between the linear function and the discretized function. It is clear that a linear interpolation between the points is even less correct that the variation of the slope of the function between these points is important.
  • FIG. 5 illustrates the result of an optimization of the positioning of the points (the number of which is in this case set at 22) by minimizing the second derivative difference between the continuous function and the interpolated function.
  • FIG. 5 illustrates an "s" curve which is that of the activation function used throughout the neural network and in this case in each neuron of the network.
  • the linear discretization aims at representing the continuous tansig function according to a one-dimensional table which is easily usable in the engine control software. This discretization has been illustrated on the same graph. It is optimized here to minimize calculation errors when using the weight optimization algorithm (wi) and the bias (b) of the neural network.
  • This curve shows on the one hand the interpolation by equidistant breakpoints and on the other hand the interpolation by optimized breakpoints.
  • the second figure represents the second derivative, called d 2 , of different functions:
  • FIG. 6 illustrates the process of choosing the neural network and its calibration. Indeed, the choice of the number of neurons is important for the computing load in the microprocessor and for the accuracy of the modeling obtained.
  • block 30 the generation of the engine database takes place. It implements the scanning of the input parameters of the neural network in the field of the complete engine. This block leads to block 32 which extracts part of the database to create a validation base.
  • a pretreatment is carried out on the basis of the data (verification, cleaning, ...) as well as an achievement of learning the neural network according to a convergence criterion (quadratic error + standard deviation + .. .).
  • an iteration loop 36 returns if necessary between the blocks 32 and 33 for a modification of the database, the type of learning, the number of neurons, etc.
  • next block 36 implements the choice of the network (in particular the number of neurons and the refinement of the activation function).
  • This block then leads to block 38 which relates to the implantation of the neural network in the computer and the characterization of the performance in operation.
  • block 38 At the output of this block begins a second iteration loop 40 on the revision of the number of neurons as a function of the computing load or further complements on the database. If no iteration is necessary, the block 38 leads to the end block 42.
  • the method according to the invention makes it possible to take into account in the frame of the engine each of the continuous camshafts for intake and exhaust cams. in the parametric corrections of the filling.
  • the estimation of the relative filling efficiency of the engine equipped with this double camshaft shifter is implemented on the basis of an estimate of the mass of air admitted using the collector pressure sensor, the intake air temperature and engine speed. It makes it possible to ensure optimal control of the injection without any correction of the injection time in a closed loop by using information relating to an exhaust richness probe.
  • An implementation variant of the method has been illustrated in FIG.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Output Control And Ontrol Of Special Type Engine (AREA)
  • Valve Device For Special Equipments (AREA)
  • Feedback Control In General (AREA)

Abstract

The invention relates to a method for controlling a motor vehicle. According to said method, a volumetric filling efficiency (?) for the air in the motor is determined using a network of artificial neurones (6).

Description

PROCÉDÉ DE COMMANDE D'UN MOTEUR DE VÉHICULE METTANT EN ŒUVRE UN RÉSEAU DE NEURONES L'invention concerne la commande des moteurs de véhicule, notamment des moteurs à essence. The invention relates to the control of vehicle engines, in particular gasoline engines.
L'augmentation de la complexité des moteurs à combustion interne requiert l'utilisation plus en plus fréquente de modèles de certaines grandeurs physiques soit parce qu'elles ne sont pas mesurables, soit parce qu'un capteur adapté coûte cher. Ces modèles sont généralement dynamiques de sorte que la sortie est prédite en fonction des valeurs actuelles et passée des variables d'entrée. Ces modèles sont intégrés dans le calculateur de pilotage du moteur. Etant donné que ce dernier est limité en termes de mémoire et de puissance de calcul, on souhaite limiter au maximum la complexité des modèles qui y résident. Par ailleurs, la complexité des systèmes ainsi que l'utilisation précise que l'on veut en faire afin de satisfaire les besoins en termes de contrôle et de normes de dépollution implique une précision d'estimation et de modélisation accrues. En particulier, un moteur à essence utilise en général un système d'injection calculant un besoin de carburant à partir d'informations mesurées concernant la pression dans le collecteur, le régime du moteur et la température d'air dans le collecteur. On cherche alors à modéliser le rendement de remplissage relatif afin de caractériser la quantité d'air entrant effectivement dans le moteur. Cette quantité d'air est ensuite traduite en quantité de carburant à injecter en fonction d'un objectif de richesse. Ce calcul peut être effectué de la façon suivante :Increasing the complexity of internal combustion engines requires the use of more and more models of certain physical quantities either because they are not measurable or because a suitable sensor is expensive. These models are usually dynamic so that the output is predicted based on the current and past values of the input variables. These models are integrated in the engine control computer. Since the latter is limited in terms of memory and computing power, it is desired to limit as much as possible the complexity of the models that reside therein. Moreover, the complexity of the systems as well as the precise use that one wants to make of them in order to satisfy the needs in terms of control and standards of depollution implies a precision of estimation and modeling increased. In particular, a gasoline engine generally uses an injection system calculating a fuel requirement based on measured information regarding manifold pressure, engine speed, and air temperature in the manifold. We then try to model the relative filling efficiency to characterize the amount of air actually entering the engine. This quantity of air is then translated into the quantity of fuel to be injected according to a goal of richness. This calculation can be done as follows:
(Pcol - PO) * Vcyl * ψemp = Mair * r * Tair(Pcol - PO) * Vcyl * ψemp = Mair * r * Tair
(Pcol - PO) * Vcyl *ψemp(Pcol - PO) * Vcyl * ψemp
SOIt Mair = -^ - - - - r *Tair et la masse d'essence associée : Mess=Mair*Ri/14.7 1SOIt Mair = - ^ - - - - r * Tair and the associated mass of gas: Mess = Mair * Ri / 14.7 1
Soit le temps d'injection efficace : Ti = = *Mair * RiEither the effective injection time: Ti = = * Mair * Ri
Qstat 14.7 *QstatQstat 14.7 * Qstat
Avec :With:
Vcyl = Cylindrée unitaire du moteur (en m3) Ri = Richesse de consigne (s.u) 14.7 = rapport stoèckiométrique pour l'essence commerciale (kg d'air/kg d'essence)Vcyl = Unit cubic displacement of the motor (in m3) Ri = Nominal wealth (su) 14.7 = stoichiometric ratio for commercial gasoline (kg of air / kg of gasoline)
Qstat = Débit statique injecteur à pression rampe fixée (kg/s) Pcol = Pression collecteur PO = Pression collecteur de débit nulQstat = Static injector flow rate at set pressure (kg / s) Pcol = Collector pressure PO = Zero flow collector pressure
Mair = Masse d'air entrant dans le moteur (en kg) Mess = Masse d'essence à injecter (en kg) ηremp = Rendement volumétrique de remplissage (s.u)Mair = Mass of air entering the engine (in kg) Mass = Mass of gasoline to be injected (in kg) ηremp = Volumetric filling efficiency (s.u)
Le rendement volumétrique de remplissage ηremp est caractéristique de la configuration du moteur (les volumes associés, la longueur et la forme des collecteurs d'admission et d'échappement, les matières employées et l'état de surfaces des tubulures les constituant). Il est également caractérisé par les lois de levée des soupapes d'admission et d'échappement et leur phasage dans le cycle du moteur. Il dépend de la pression dans le collecteur, du régime du moteur et enfin du calage des arbres à cames (appelé AAC ou encore VVT) d'admission et d'échappement, notamment si le moteur est équipé d'un système de calage variable de ces arbres.The volumetric filling efficiency η re mp is characteristic of the engine configuration (the associated volumes, the length and shape of the intake and exhaust manifolds, the materials used and the surface condition of the tubes constituting them). It is also characterized by the laws of lift of the intake and exhaust valves and their phasing in the engine cycle. It depends on the pressure in the manifold, the engine speed and finally the timing of the camshafts (called AAC or VVT) intake and exhaust, especially if the engine is equipped with a variable timing system of these trees.
La détermination de ce rendement par des lois paramétriques (de type parabolique ou autres) implique des corrections cartographiques nombreuses et complexes à mettre en œuvre et n'apportant pas de connaissances sur le phénomène physique à traiter.The determination of this yield by parametric laws (of parabolic or other type) implies numerous and complex cartographic corrections to implement and not providing knowledge on the physical phenomenon to be treated.
Plus généralement, il est connu d'estimer le remplissage du moteur par correction cartographique simple pour les moteurs sans décaleur d'arbre à cames d'admission. Cette correction met en œuvre une seule cartographie fonction de la pression dans le collecteur et du régime du moteur.More generally, it is known to estimate the filling of the engine by simple map correction for engines without intake camshaft shifter. This correction implements a single map based on the pressure in the manifold and the engine speed.
Il est également connu d'effectuer une correction cartographique double dans les moteurs munis d'un décaleur d'arbre à cames d'admissionIt is also known to perform a dual map correction in engines equipped with an intake camshaft shifter
ON/OFF. Dans ce cas, le moteur comprend une cartographie par position, marche ou arrêt, du décaleur d'arbre à cames, fonction de la pression dans le collecteur et du régime. Le document "Modelling the volumetric efficiency of IC engines: parametric, non-parametric and neural techniques" de G. DE NICOLAO propose un procédé de commande d'un moteur dans lequel on détermine un rendement volumétrique de remplissage d'air. Enfin, on connaît des corrections cartographiques plus élaborées dans des moteurs comprenant un décaleur d'arbre à cames d'admission continu. Dans ce cas, une cartographie est mise en œuvre en fonction de la pression et du régime pour une position de référence du décaleur et des corrections paraboliques sont effectuées, associées à des coefficients cartographiés en fonction de la pression et du régime.ON / OFF. In this case, the engine comprises a mapping by position, on or off, the camshaft shifter, function of the pressure in the manifold and the speed. The document "Modeling the Volumetric Efficiency of IC Engines: Parametric, Non-Parametric and Neural Techniques" by G. DE NICOLAO proposes a method of controlling an engine in which a volumetric air filling efficiency is determined. Finally, more elaborate map corrections are known in motors comprising a continuous intake camshaft shifter. In this case, a mapping is implemented as a function of the pressure and the speed for a reference position of the shifter and parabolic corrections are made, associated with coefficients mapped as a function of the pressure and the speed.
Un but de l'invention est donc d'améliorer la commande des moteurs de véhicule, et en particulier d'améliorer l'estimation du rendement de remplissage relatif, par exemple dans le cas d'un moteur équipé d'un double décaleur d'arbre à cames d'admission et échappement.An object of the invention is therefore to improve the control of the vehicle engines, and in particular to improve the estimation of the relative filling efficiency, for example in the case of an engine equipped with a double shifter. intake camshaft and exhaust.
A cet effet, on prévoit selon l'invention un procédé de commande d'un moteur de véhicule, dans lequel on détermine un rendement volumétrique de remplissage d'air du moteur, caractérisé en ce qu'on détermine une valeur de base du rendement, et une valeur de correction au moyen d'un réseau de neurones artificiels, et on additionne la valeur de base et la valeur de correction.For this purpose, there is provided according to the invention a control method of a vehicle engine, in which a volumetric air filling efficiency of the engine is determined, characterized in that a base value of the output is determined, and a correction value by means of an array of artificial neurons, and adding the base value and the correction value.
Le procédé selon l'invention pourra présenter en outre au moins l'une quelconque des caractéristiques suivantes :The method according to the invention may also have at least one of the following characteristics:
- on détermine le rendement en fonction d'un régime du moteur ; - on détermine le rendement en fonction d'une pression dans un collecteur du moteur ;the efficiency is determined according to a speed of the engine; the efficiency is determined as a function of a pressure in a manifold of the engine;
- on détermine le rendement en fonction d'une différence entre une consigne de calage d'un arbre à cames d'admission et une mesure d'une position de l'arbre ; - on détermine le rendement en fonction d'une différence entre une consigne de calage d'un arbre à cames d'échappement et une mesure d'une position de l'arbre ;the yield is determined as a function of a difference between a set point of a camshaft of intake cams and a measurement of a position of the shaft; the efficiency is determined as a function of a difference between a stall setting of an exhaust camshaft and a measurement of a position of the shaft;
- on détermine le rendement en fonction d'une différence entre une loi de levée de soupape d'admission et une position de la soupape ;the efficiency is determined as a function of a difference between an intake valve lift law and a position of the valve;
- on détermine le rendement en fonction d'une différence entre une loi de levée de soupape d'échappement et une position de la soupape ;the efficiency is determined as a function of a difference between an exhaust valve lift law and a position of the valve;
- on détermine le rendement en fonction d'un ratio entre un couple de consigne du moteur et un couple maximum ; - on détermine la valeur de base en fonction d'une pression dans le collecteur d'admission et/ou d'un régime du moteur ;the efficiency is determined as a function of a ratio between a setpoint torque of the motor and a maximum torque; the base value is determined as a function of a pressure in the intake manifold and / or a speed of the engine;
- le réseau comprend une unique couche cachée ;the network comprises a single hidden layer;
- le réseau a pour fonction d'activation la fonction tansig ; etthe network has the function of activating the tansig function; and
- on discrétise une fonction d'activation du réseau entre des points non équidistants.a function of activation of the network between non-equidistant points is discretized.
On prévoit également selon l'invention un moteur de véhicule comprenant un organe de commande apte à déterminer un rendement volumétrique de remplissage d'air du moteur, l'organe de commande comprenant un réseau de neurones. Avantageusement, le moteur comprendra un dispositif de calage variable d'arbre à cames d'admission et/ou d'arbre à cames d'échappement ou encore un dispositif de levée variable de soupapes d'admission et/ou de soupapes d'échappement.It is also provided according to the invention a vehicle engine comprising a control member adapted to determine a volumetric air filling efficiency of the engine, the control member comprising a neural network. Advantageously, the engine will comprise an intake camshaft variable timing device and / or exhaust camshaft or a variable lift device of intake valves and / or exhaust valves.
D'autres caractéristiques et avantages de l'invention apparaîtront encore dans la description suivante d'un mode préféré de réalisation et d'une variante donnés à titre d'exemples non limitatifs en référence aux dessins annexés sur lesquels :Other features and advantages of the invention will become apparent in the following description of a preferred embodiment and a variant given as non-limiting examples with reference to the accompanying drawings, in which:
- la figure 1 est un organigramme illustrant la mise en œuvre générale du procédé dans le présent exemple ; - la figure 2 comprend deux organigrammes illustrant l'obtention des valeurs de correction associées au calage variable des arbres à cames d'admission et d'échappement ;FIG. 1 is a flowchart illustrating the general implementation of the method in the present example; FIG. 2 comprises two flowcharts illustrating the obtaining of the correction values associated with variable timing of the intake and exhaust camshafts;
- la figure 3 est un organigramme illustrant l'utilisation du réseau de neurones dans le procédé de la figure 1 ;FIG. 3 is a flowchart illustrating the use of the neural network in the method of FIG. 1;
- la figure 4 est un graphe de la fonction d'activation mise en œuvre dans le réseau de la figure 3 ;FIG. 4 is a graph of the activation function implemented in the network of FIG. 3;
- la figure 5 présente d'autres graphes relatifs à cette fonction ;- Figure 5 shows other graphs related to this function;
- la figure 6 est un organigramme illustrant le processus de choix du réseau de neurones et de sa calibration ; etFIG. 6 is a flow chart illustrating the process of choosing the neural network and its calibration; and
- la figure 7 est une vue analogue à la figure 3 illustrant une variante de réalisation.- Figure 7 is a view similar to Figure 3 illustrating an alternative embodiment.
L'invention concerne un moteur à combustion interne à essence de véhicule automobile. Ce moteur comprend un calculateur assurant la commande du moteur et comprenant en l'espèce un réseau de neurones artificiels. Un réseau de ce type est connu en soi et ne sera pas décrit en détails ici.The invention relates to a motor vehicle internal combustion engine. This engine comprises a computer providing control of the engine and comprising in this case a network of artificial neurons. A network of this type is known per se and will not be described in detail here.
Le réseau vise à déterminer un rendement volumétrique de remplissage d'air du moteur, et plus précisément à modéliser ce paramètre. Tout d'abord, une cartographie de référence, mise au point sur les calages de référence nominaux du moteur, est utilisée pour définir une valeur de remplissage de référence ou valeur de remplissage de base. Puis, une valeur de correction de remplissage modélisée par le réseau de neurones est utilisée pour corriger ce remplissage, en l'espèce par addition à la valeur de base. On obtient ainsi une caractérisation du remplissage effectif du moteur en-dehors des points nominaux de fonctionnement du moteur.The purpose of the network is to determine a volumetric air filling efficiency of the engine, and more precisely to model this parameter. First, a reference map, developed on the nominal reference engine settings, is used to define a reference fill value or base fill value. Then, a filling correction value modeled by the neural network is used to correct this filling, in this case by adding to the base value. This gives a characterization of the effective filling of the engine outside the nominal operating points of the engine.
Le principe de cette détermination a été illustré à la figure 1. L'encadré 2 représente la mise en œuvre d'une cartographie indiquant une valeur de référence du rendement de remplissage du moteur en Z en fonction d'une mesure du régime du moteur suivant l'axe des X en abscisses et en fonction d'une pression mesurée dans un collecteur d'admission du moteur et portée en Y suivant l'axe des ordonnées. Le moteur étant en l'espèce pourvu d'arbres à cames d'admission et d'échappement à calage variable, la cartographie fournit les valeurs de remplissage sur les points de calage choisis par le metteur au point. Comme indiqué en partie supérieure de la figure 1 , cette valeur de remplissage de référence est ensuite corrigée au bloc 4 par addition d'un terme correctif déterminé quant à lui en parallèle au bloc 6 par le réseau de neurones.The principle of this determination has been illustrated in Figure 1. Box 2 shows the implementation of a map showing a reference value of the filling efficiency of the engine in Z according to a measurement of the engine speed following the X axis on the abscissa and as a function of a pressure measured in an intake manifold of the motor and Y-bearing along the y-axis. The engine being in this case provided with intake camshaft and variable-pitch exhaust camshaft, the map provides the filling values on the calibration points chosen by the developer. As indicated in the upper part of FIG. 1, this reference filling value is then corrected to block 4 by adding a corrective term determined in turn in parallel to block 6 by the neural network.
Le réseau de neurones calcule cette correction en fonction des paramètres suivants :The neural network calculates this correction according to the following parameters:
- le régime du moteur mesuré;- the engine speed measured;
- une pression mesurée dans le collecteur d'admission du moteur ;- a measured pressure in the intake manifold of the engine;
- une différence entre une valeur de consigne du calage de l'arbre à cames d'admission choisie par le metteur au point et une mesure de la position effective de cet arbre à cames ; eta difference between a setting value of the timing of the intake camshaft chosen by the developer and a measurement of the effective position of this camshaft; and
- une différence entre une valeur de consigne du calage de l'arbre à cames d'échappement choisie par le metteur au point et une mesure de la position effective de cet arbre à cames.a difference between a setting value of the setting of the exhaust camshaft chosen by the developer and a measurement of the effective position of this camshaft.
La somme des valeurs de base et du terme correctif fournit la valeur finale du rendement de remplissage à modéliser.The sum of the base values and the corrective term provides the final value of the fill performance to be modeled.
On a illustré à la figure 2 le détail de l'obtention des décalages de position des arbres à cames d'admission et d'échappement.FIG. 2 illustrates the detail of obtaining positional offsets of the intake and exhaust camshafts.
Le premier schéma indique que pour l'arbre d'admission on effectue la différence entre la position de consigne de calage et la position effective de cet arbre telle qu'elle est mesurée. La soustraction de ces deux valeurs au bloc 8 permet de déterminer la différence de calage sur cet arbre. La valeur de décalage de l'arbre est indiquée en degrés d'angle de vilebrequin.The first diagram indicates that for the intake shaft the difference is made between the calibration set position and the actual position of this shaft as measured. The subtraction of these two values in block 8 makes it possible to determine the difference of wedging on this tree. The offset value of the shaft is indicated in degrees of crank angle.
Quant à la valeur de consigne de calage, elle est déterminée préalablement au bloc 10 par cartographie à partir : - du régime moteur mesuré ; - du ratio du couple de consigne (issu de la volonté du conducteur via la position de l'accélérateur, du régime moteur et d'autres paramètres) et du couple maximum disponible sur le moteur (essentiellement fonction du régime moteur et de la température de l'air). La détermination de la valeur de décalage concernant l'arbre d'échappement est effectuée exactement de la même façon.As for the calibration setpoint value, it is determined beforehand in block 10 by mapping from: - the engine speed measured; - the ratio of the target torque (derived from the driver's will via the position of the accelerator, the engine speed and other parameters) and the maximum torque available on the engine (essentially a function of engine speed and engine temperature; the air). The offset value for the exhaust shaft is determined in exactly the same way.
Le contenu et le fonctionnement du réseau de neurones utilisé en l'espèce a été illustré à la figure 3. On introduit en entrée de ce réseau les paramètres de régime du moteur, de la pression dans le collecteur et des différences de calage sur les arbres d'admission et d'échappement par rapport aux calages de référence.The content and the operation of the neural network used in this case has been illustrated in FIG. 3. Input to this network includes the engine speed parameters, the pressure in the collector and the differences in timing on the shafts. intake and exhaust relative to the reference timing.
Au bloc 12, ces différentes entrées sont tout d'abord normalisées entre des valeurs de -1 et +1. A l'issue de cet étage de normalisation, elles sont ensuite utilisées dans chaque neurone de la couche cachée 14 du réseau de neurones 6. Précisément, à chaque entrée de neurone (e1 = régime moteur, e2 = pression collecteur, e3 = ΔCaCim, e4 = ΔCeCh) est affecté un poids (w1 pour le régime, w2 pour la pression collecteur, ...). De plus, à chaque neurone 18 de la couche 14 est affecté un biais noté b. On affecte aussi à l'ensemble des neurones une fonction d'activation Fa. Chaque neurone 18 fournit une donnée de sortie, notée S, qui est une combinaison linéaire des données d'entrée (les ei) affectées de leur poids (les wi), cette combinaison étant soumise à la fonction d'activation (Fa). Cette opération répond à la formule suivante : S = Fa (∑ιwi*ei+b) Le réseau de neurones met en œuvre un algorithme d'optimisation des termes de poids (wi) et des biais (b) pour chaque neurone en fonction de la fonction d'activation choisie par l'utilisateur.In block 12, these different inputs are first normalized between values of -1 and +1. At the end of this normalization stage, they are then used in each neuron of the hidden layer 14 of the neuron network 6. Precisely, at each neuron input (e1 = engine speed, e2 = collector pressure, e3 = ΔC aC im, e4 = ΔC eC h) is assigned a weight (w1 for the speed, w2 for the collector pressure, ...). In addition, at each neuron 18 of the layer 14 is assigned a bias noted b. All neurons are also assigned an activation function Fa. Each neuron 18 provides an output data item, denoted S, which is a linear combination of input data (ei) weighted (wi). this combination being subject to the activation function (Fa). This operation corresponds to the following formula: S = Fa (Σιwi * ei + b) The neural network implements an algorithm for optimizing the terms of weight (wi) and bias (b) for each neuron as a function of the activation function chosen by the user.
La sortie de chaque neurone est ensuite utilisée dans la couche de sortie 20 où une combinaison des sorties de chaque neurone est effectuée suivant le même calcul (mais avec des poids différents et un biais différent) que pour la couche cachée 14. Au final, la valeur de sortie du réseau de neurones est ensuite dénormalisée au bloc 22 afin de décrire au mieux la variable recherchée qui est ici le rendement de remplissage.The output of each neuron is then used in the output layer 20 where a combination of the outputs of each neuron is performed according to the same calculation (but with different weights and a different bias) than for the hidden layer 14. Finally, the output value of the neural network is then denormalized at block 22 in order to best describe the desired variable which is here the filling efficiency.
On précise que la normalisation entre -1 et +1 des entrées au bloc 12 permet une optimisation des poids et des biais sur les variables adimensionnelles.It is specified that the normalization between -1 and +1 of the entries in block 12 allows an optimization of the weights and the bias on the dimensionless variables.
La couche cachée 14 est en l'espèce unique. Il a en effet été démontré que toute fonction continue par morceaux peut être approximée par une telle architecture. Le choix du nombre de neurones de la couche cachée est quant à lui à déterminer en fonction de deux contraintes essentielles : D'une part, la précision du remplissage modélisé par le réseau de neurones, d'autre part le nombre d'opérations et de calibrations acceptables pour un traitement en temps réel par le calculateur de contrôle du moteur. II importe de choisir avec attention la fonction d'activation de chaque neurone pour assurer la performance du réseau. La fonction d'activation retenue en l'espèce est la fonction tansig. Cette fonction mathématique est définie par la formule suivante :The hidden layer 14 is in this case unique. It has been shown that any continuous piecewise function can be approximated by such an architecture. The choice of the number of neurons of the hidden layer is in turn to be determined according to two essential constraints: On the one hand, the precision of the filling modeled by the neural network, on the other hand the number of operations and acceptable calibrations for real-time processing by the engine control computer. It is important to carefully choose the activation function of each neuron to ensure network performance. The activation function used in this case is the tansig function. This mathematical function is defined by the following formula:
tansig(n) = j— - -1tansig (n) = j- - -1
On a illustré à la figure 4 l'allure de la courbe des fonctions logsig et tansig.FIG. 4 illustrates the shape of the curve of the logig and tansig functions.
Afin de pouvoir être utilisée par le calculateur mais aussi lors de la procédure d'optimisation du réseau de neurones, cette fonction doit être discrétisée dans une table. Lors des calculs d'optimisation des points et biais du réseau ou pour le calcul du rendement de remplissage, la table est ensuite utilisée de façon discrète par interpolation linéaire.In order to be able to be used by the computer but also during the optimization procedure of the neural network, this function must be discretized in a table. When calculating point optimization and network bias or for calculating fill efficiency, the table is then used discretely by linear interpolation.
Le choix du critère d'optimisation de la fonction permet de minimiser l'erreur commise en remplaçant une fonction continue par une fonction linéaire par morceaux. On constate que la solution consistant à discrétiser la fonction en un grand nombre de points équidistants n'est pas la meilleure car elle est coûteuse en nombre de calibrations. Il s'avère plus avantageux d'utiliser une discrétisation mettant en œuvre des points non équidistants afin de réduire la taille de la cartographie tout en conservant une bonne précision sur la donnée de sortie. Le critère d'optimisation retenu entre la fonction linéaire et la fonction discrétisée est l'optimisation du positionnement des points d'appui (ou breakpoints) en minimisant l'écart de dérivée seconde entre la fonction linéaire et la fonction discrétisée. Il est clair en effet qu'une interpolation linéaire entre les points est d'autant moins correcte que la variation de la pente de la fonction entre ces points est importante.The choice of the optimization criterion of the function makes it possible to minimize the error made by replacing a continuous function with a piecewise linear function. It is found that the solution of discretizing the function into a large number of equidistant points is not the best because it is expensive in number of calibrations. It is more advantageous to use a discretization implementing non-equidistant points to reduce the size of the map while maintaining a good accuracy on the output data. The optimization criterion retained between the linear function and the discretized function is the optimization of the positioning of the points of support (or breakpoints) by minimizing the second derivative difference between the linear function and the discretized function. It is clear that a linear interpolation between the points is even less correct that the variation of the slope of the function between these points is important.
On a ainsi illustré à la figure 5 le résultat d'une optimisation du positionnement des points (dont le nombre est en l'espèce fixé à 22) par minimisation de l'écart de dérivée seconde entre la fonction continue et la fonction interpolée. On a illustré sur le premier graphe de la figure 5 une courbe en « s » qui est celle de la fonction d'activation utilisée dans tout le réseau de neurones et en l'espèce dans chaque neurone du réseau. La discrétisation linéaire vise à représenter la fonction continue tansig suivant une table à une dimension qui soit facilement utilisable dans le logiciel de contrôle moteur. Cette discrétisation a été illustrée sur le même graphique. Elle est ici optimisée pour minimiser les erreurs de calcul lors de l'utilisation de l'algorithme d'optimisation des poids (wi) et des biais (b) du réseau de neurones. On a ainsi illustré sur cette courbe d'une part l'interpolation par des breakpoints équirépartis et d'autre part l'interpolation par des breakpoints optimisés.Thus, FIG. 5 illustrates the result of an optimization of the positioning of the points (the number of which is in this case set at 22) by minimizing the second derivative difference between the continuous function and the interpolated function. FIG. 5 illustrates an "s" curve which is that of the activation function used throughout the neural network and in this case in each neuron of the network. The linear discretization aims at representing the continuous tansig function according to a one-dimensional table which is easily usable in the engine control software. This discretization has been illustrated on the same graph. It is optimized here to minimize calculation errors when using the weight optimization algorithm (wi) and the bias (b) of the neural network. This curve shows on the one hand the interpolation by equidistant breakpoints and on the other hand the interpolation by optimized breakpoints.
La deuxième figure représente la dérivée seconde, appelée d2, de différentes fonctions :The second figure represents the second derivative, called d 2 , of different functions:
- la fonction exacte continue tansig ;- the exact function continues tansig;
- la fonction tansig discrétisée linéairement par des breakpoints équidistants ; et enfin - la fonction tansig discrétisée linéairement par des breakpoints dont le positionnement est optimisé pour minimiser l'écart en valeur absolue entre la dérivée seconde de la fonction exacte continue et la dérivée seconde de la fonction discrétisée. On conservera à l'esprit que la normalisation des dérivées seconde continues ou interpolées induit en erreur sur la performance véritable de la table correspondant aux breakpoints optimisés.- the tansig function discretized linearly by equidistant breakpoints; and finally - The tansig function discretized linearly by breakpoints whose positioning is optimized to minimize the difference in absolute value between the second derivative of the continuous exact function and the second derivative of the discretized function. It should be kept in mind that the normalization of continuous or interpolated second derivatives misleads the true performance of the table corresponding to optimized breakpoints.
On a illustré à la figure 6 le processus de choix du réseau de neurones et de sa calibration. En effet, le choix du nombre de neurones est important pour la charge de calcul dans le microprocesseur et pour la précision de la modélisation obtenue.FIG. 6 illustrates the process of choosing the neural network and its calibration. Indeed, the choice of the number of neurons is important for the computing load in the microprocessor and for the accuracy of the modeling obtained.
Ainsi, au bloc 30 a lieu la génération de la base de données du moteur. Elle met en œuvre le balayage des paramètres d'entrée du réseau de neurones dans le champ du moteur complet. Ce bloc conduit au bloc 32 qui effectue une extraction d'une partie de la base pour créer une base de validation.Thus, in block 30, the generation of the engine database takes place. It implements the scanning of the input parameters of the neural network in the field of the complete engine. This block leads to block 32 which extracts part of the database to create a validation base.
Au bloc suivant 33 a lieu un pré-traitement sur la base des données (vérification, nettoyage, ...) ainsi qu'une réalisation de l'apprentissage du réseau de neurones suivant un critère de convergence (erreur quadratique+écart type+...).At the next block 33 a pretreatment is carried out on the basis of the data (verification, cleaning, ...) as well as an achievement of learning the neural network according to a convergence criterion (quadratic error + standard deviation + .. .).
Au bloc suivant 34 est mis en œuvre un test de la performance du réseau calibré, à la fois sur la base de données et sur la base de validation.At the next block 34 is implemented a test of the performance of the calibrated network, both on the database and on the basis of validation.
A l'issue de ce bloc, une boucle d'itération 36 renvoie si besoin entre les blocs 32 et 33 en vue d'une modification de la base de données, du type d'apprentissage, du nombre de neurones, etc.At the end of this block, an iteration loop 36 returns if necessary between the blocks 32 and 33 for a modification of the database, the type of learning, the number of neurons, etc.
Si le test 34 est concluant, le bloc suivant 36 met en œuvre le choix du réseau (en particulier le nombre de neurones et l'affinage de la fonction d'activation).If the test 34 is conclusive, the next block 36 implements the choice of the network (in particular the number of neurons and the refinement of the activation function).
Ce bloc conduit ensuite au bloc 38 qui porte sur l'implantation du réseau de neurones dans le calculateur et la caractérisation de la performance en fonctionnement. A la sortie de ce bloc débute une deuxième boucle d'itération 40 portant sur la révision du nombre de neurones en fonction de la charge de calcul ou encore de compléments sur la base de données. Si aucune itération n'est nécessaire, le bloc 38 conduit au bloc de fin 42. Le procédé selon l'invention permet de prendre en compte dans le cadre du moteur chacun des décaleurs continus d'arbre à cames d'admission et d'échappement dans les corrections paramétriques du remplissage. L'estimation du rendement de remplissage relatif du moteur équipé de ce double décaleur d'arbre à cames est mise en œuvre à partir d'une estimation de la masse d'air admise à l'aide du capteur de pression du collecteur, de la température d'air d'admission et du régime du moteur. Elle permet d'assurer un pilotage optimal de l'injection en-dehors de toute correction du temps d'injection en boucle fermée par utilisation d'informations concernant une sonde de richesse d'échappement. Une variante de mise en œuvre du procédé a été illustrée à la figureThis block then leads to block 38 which relates to the implantation of the neural network in the computer and the characterization of the performance in operation. At the output of this block begins a second iteration loop 40 on the revision of the number of neurons as a function of the computing load or further complements on the database. If no iteration is necessary, the block 38 leads to the end block 42. The method according to the invention makes it possible to take into account in the frame of the engine each of the continuous camshafts for intake and exhaust cams. in the parametric corrections of the filling. The estimation of the relative filling efficiency of the engine equipped with this double camshaft shifter is implemented on the basis of an estimate of the mass of air admitted using the collector pressure sensor, the intake air temperature and engine speed. It makes it possible to ensure optimal control of the injection without any correction of the injection time in a closed loop by using information relating to an exhaust richness probe. An implementation variant of the method has been illustrated in FIG.
7. Celle-ci est très voisine du mode de la figure 3. Toutefois, le moteur est ici doté d'un système de levée de soupapes variable à l'admission et à l'échappement. Le décalage entre la loi de consigne de levée de soupapes et la position effective des soupapes est pris en compte en tant que deux entrées supplémentaires par rapport aux quatre précédemment énoncées pour le réseau de neurones. En effet, l'architecture avec réseau de neurones est prédisposée à permettre un enrichissement de la modélisation liée à des modifications du moteur.7. This is very similar to the mode of Figure 3. However, the engine here is equipped with a variable valve lift system at the intake and exhaust. The offset between the valve lift setpoint law and the actual valve position is taken into account as two additional entries with respect to the four previously stated for the neural network. Indeed, the architecture with neural network is predisposed to allow an enrichment of the modeling related to modifications of the engine.
Bien entendu, on pourra apporter à l'invention de nombreuses modifications sans sortir du cadre de celle-ci.Of course, we can bring to the invention many changes without departing from the scope thereof.
On pourra choisir une autre fonction d'activation que la fonction tansig. We can choose another activation function than the tansig function.

Claims

REVENDICATIONS
1. Procédé de commande d'un moteur de véhicule, dans lequel on détermine un rendement volumétrique (η) de remplissage d'air du moteur, caractérisé en ce qu'on détermine une valeur de base du rendement, et une valeur de correction au moyen d'un réseau de neurones artificiels (6), et on additionne la valeur de base et la valeur de correction.A method of controlling a vehicle engine, wherein a volumetric efficiency (η) of engine air filling is determined, characterized in that a base value of the efficiency is determined, and a correction value at the means of an artificial neural network (6), and adding the base value and the correction value.
2. Procédé selon la revendication précédente, caractérisé en ce qu'on détermine le rendement en fonction d'un régime (N) du moteur.2. Method according to the preceding claim, characterized in that the efficiency is determined according to a regime (N) of the engine.
3. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'une pression (Pcoi) dans un collecteur du moteur.3. Method according to any one of the preceding claims, characterized in that the efficiency is determined as a function of a pressure (Pcoi) in a manifold of the engine.
4. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'une différence (ΔCadm) entre une consigne de calage d'un arbre à cames d'admission et une mesure d'une position de l'arbre.4. Method according to any one of the preceding claims, characterized in that the yield is determined as a function of a difference (ΔC ad m) between a setpoint of setting of an intake camshaft and a measurement of a position of the tree.
5. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'une différence (ΔCech) entre une consigne de calage d'un arbre à cames d'échappement et une mesure d'une position de l'arbre.5. Method according to any one of the preceding claims, characterized in that the performance is determined as a function of a difference (ΔCech) between a set point of an exhaust camshaft setting and a measurement of a position of the tree.
6. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'une différence (ΔLadm) entre une loi de levée de soupape d'admission et une position de la soupape. 6. Method according to any one of the preceding claims, characterized in that the efficiency is determined as a function of a difference (ΔL ad m) between an intake valve lift law and a position of the valve.
7. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'une différence (ΔLech) entre une loi de levée de soupape d'échappement et une position de la soupape.7. Method according to any one of the preceding claims, characterized in that the efficiency is determined as a function of a difference (ΔL ech ) between an exhaust valve lift law and a position of the valve.
8. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on détermine le rendement en fonction d'un ratio (Tqi) entre un couple de consigne du moteur et un couple maximum.8. Process according to any one of the preceding claims, characterized in that the efficiency is determined as a function of a ratio (T qi ) between a setpoint torque of the engine and a maximum torque.
9. Procédé selon la revendication précédente, caractérisé en ce qu'on détermine la valeur de base en fonction d'une pression dans le collecteur d'admission et/ou d'un régime du moteur.9. Process according to the preceding claim, characterized in that the base value is determined as a function of a pressure in the intake manifold and / or a speed of the engine.
10. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que le réseau (6) comprend une unique couche cachée10. Method according to any one of the preceding claims, characterized in that the network (6) comprises a single hidden layer
(18).(18).
11. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que le réseau (6) a pour fonction d'activation la fonction tansig.11. Method according to any one of the preceding claims, characterized in that the network (6) has the function of activation tansig function.
12. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce qu'on discrétise une fonction d'activation du réseau entre des points non équidistants.12. Method according to any one of the preceding claims, characterized in that discretizes an activation function of the network between non-equidistant points.
13. Moteur de véhicule comprenant un organe de commande apte à déterminer un rendement volumétrique de remplissage d'air du moteur, l'organe de commande comprenant un réseau (6) de neurones et étant caractérisé en ce qu'il est adapté pour déterminer une valeur de base du rendement, déterminer une valeur de correction au moyen du réseau de neurones (6), et additionner la valeur de base et la valeur de correction. A vehicle engine comprising a control member adapted to determine a volumetric air-filling efficiency of the engine, the control member comprising a network (6) of neurons and being characterized in that it is adapted to determine a base value of the output, determine a correction value by means of the neural network (6), and add the base value and the correction value.
14. Moteur selon la revendication précédente, caractérisé en ce qu'il comprend un dispositif de calage variable d'arbre à cames d'admission et/ou d'arbre à cames d'échappement.14. Engine according to the preceding claim, characterized in that it comprises a variable camshaft timing device intake and / or exhaust camshaft.
15. Moteur selon l'une quelconque des revendications 13 à 14, caractérisé en ce qu'il comprend un dispositif de levée variable de soupapes d'admission et/ou de soupapes d'échappement. 15. Motor according to any one of claims 13 to 14, characterized in that it comprises a variable lift device of intake valves and / or exhaust valves.
EP06743844A 2005-04-28 2006-04-25 Method for controlling a motor vehicle using a network of neurones Withdrawn EP1877658A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0504285A FR2885175B1 (en) 2005-04-28 2005-04-28 METHOD FOR CONTROLLING A VEHICLE ENGINE USING A NEURON NETWORK
PCT/FR2006/050387 WO2006114550A1 (en) 2005-04-28 2006-04-25 Method for controlling a motor vehicle using a network of neurones

Publications (1)

Publication Number Publication Date
EP1877658A1 true EP1877658A1 (en) 2008-01-16

Family

ID=35376955

Family Applications (1)

Application Number Title Priority Date Filing Date
EP06743844A Withdrawn EP1877658A1 (en) 2005-04-28 2006-04-25 Method for controlling a motor vehicle using a network of neurones

Country Status (6)

Country Link
US (1) US7774127B2 (en)
EP (1) EP1877658A1 (en)
JP (1) JP2008539360A (en)
CN (1) CN101198783B (en)
FR (1) FR2885175B1 (en)
WO (1) WO2006114550A1 (en)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009275679A (en) * 2008-05-19 2009-11-26 Toyota Motor Corp Intake-air controller for internal combustion engine, and automatic adapting device for internal combustion engine
DE102014000397A1 (en) * 2014-01-17 2015-07-23 Fev Gmbh Model-based cylinder fill detection for an internal combustion engine
US10100773B2 (en) * 2014-06-04 2018-10-16 Ford Global Technologies, Llc Method and system for dual fuel engine system
DE102015214179B3 (en) * 2015-07-27 2016-08-18 Mtu Friedrichshafen Gmbh Method for compensating a valve drift of an internal combustion engine
CN106401757B (en) * 2015-07-28 2019-07-05 长城汽车股份有限公司 Disconnected cylinder mode implementation method, system and the vehicle of engine
FR3046630B1 (en) * 2016-01-11 2018-01-12 Peugeot Citroen Automobiles Sa METHOD OF ESTIMATING A FRESH AIR MASS ADMITTED INSIDE A COMBUSTION CHAMBER OF AN INTERNAL COMBUSTION ENGINE WITH VARIABLE VALVE LIFTING
US10161340B1 (en) * 2017-10-02 2018-12-25 GM Global Technology Operations LLC Fuel injection system and method for a vehicle propulsion system
JP6702380B2 (en) * 2018-09-14 2020-06-03 トヨタ自動車株式会社 Control device for internal combustion engine
JP6593560B1 (en) * 2019-02-15 2019-10-23 トヨタ自動車株式会社 Internal combustion engine misfire detection device, internal combustion engine misfire detection system, data analysis device, and internal combustion engine control device
CN112859599B (en) * 2021-01-08 2022-07-19 淮阴工学院 Object transfer cam control system

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3510021B2 (en) * 1995-09-29 2004-03-22 松下電器産業株式会社 Air-fuel ratio control device for internal combustion engine
DE19547496C2 (en) * 1995-12-19 2003-04-17 Dierk Schroeder Process for regulating internal combustion engines
JPH11294230A (en) * 1998-04-09 1999-10-26 Yamaha Motor Co Ltd Fuel injection control device for engine
DE19914910A1 (en) * 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybrid model for modeling an overall process in a vehicle
JP2002130042A (en) * 2000-10-19 2002-05-09 Denso Corp Cylinder filling air volume detector for internal combustion engine
JP3965908B2 (en) * 2000-12-12 2007-08-29 トヨタ自動車株式会社 Intake air amount calculation device for internal combustion engine
JP3991619B2 (en) * 2000-12-26 2007-10-17 日産自動車株式会社 Air-fuel ratio control device for internal combustion engine
US6935313B2 (en) * 2002-05-15 2005-08-30 Caterpillar Inc System and method for diagnosing and calibrating internal combustion engines
DE10242233B3 (en) * 2002-09-12 2004-01-22 Daimlerchrysler Ag Method for determining an air cost change for an internal combustion engine
DE10242234B4 (en) * 2002-09-12 2006-03-23 Daimlerchrysler Ag Method for determining an exhaust gas recirculation quantity for an internal combustion engine with exhaust gas recirculation
US7321820B2 (en) * 2006-01-30 2008-01-22 Gm Global Technology Operations, Inc. Model-based inlet air dynamics state characterization
US7440838B2 (en) * 2006-11-28 2008-10-21 Gm Global Technology Operations, Inc. Torque based air per cylinder and volumetric efficiency determination

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2006114550A1 *

Also Published As

Publication number Publication date
CN101198783B (en) 2010-10-13
FR2885175A1 (en) 2006-11-03
CN101198783A (en) 2008-06-11
US20090018752A1 (en) 2009-01-15
US7774127B2 (en) 2010-08-10
WO2006114550A1 (en) 2006-11-02
FR2885175B1 (en) 2010-08-13
JP2008539360A (en) 2008-11-13

Similar Documents

Publication Publication Date Title
EP1877658A1 (en) Method for controlling a motor vehicle using a network of neurones
JP4639166B2 (en) Control device
FR2787511A1 (en) METHOD AND DEVICE FOR EQUALIZING THE TORQUES OF EACH CYLINDER OF AN ENGINE
WO2018202977A2 (en) Method for updating a dynamic for adjusting a richness value to a set value in an engine
FR2516598A1 (en) DEVICE FOR CORRECTING THE AIR TO COMBUSTIBLE RATIO IN RELATION TO THE AIR INTAKE TEMPERATURE FOR INTERNAL COMBUSTION ENGINES
EP2404047B1 (en) Method for processing a signal from a flow meter for measuring a gas flow in an internal combustion engine
FR2886979A1 (en) METHOD FOR THE AUTOMATIC ADAPTATION OF THE PILOT CONTROL CHARACTERISTIC DIAGRAM OF A COMMON INJECTION ROD DIESEL PUMP WITH A VOLUMETRIC FLOW ADJUSTMENT
FR3052189A1 (en) METHOD FOR REPRESENTING MODELS FOR BEHAVIOR OF ACTUATORS OF INTAKE LINES AND INJECTION OF INTERNAL COMBUSTION ENGINE
EP1090219B1 (en) Method for correcting ignition advance of an internal combustion engine
FR2835281A1 (en) Method for estimating mass of air admitted into engine combustion chamber consists of modeling air mass as function of pressure variation in combustion chamber from polytropic gas compression law
EP1062416B1 (en) Method for computing an internal combustion engine indicated mean pressure
FR2910550A1 (en) Injector drift correction method for e.g. motor vehicle's direct injection oil engine, involves comparing actual injected and set point fuel quantities, and determining correction to be carried out to set point by using torque estimation
FR2910549A1 (en) Injector drift correcting method for e.g. diesel engine of vehicle, involves determining drift correction value of injector to be added to nominal set point value by utilizing indicated average torque estimation for cylinders
FR2903148A1 (en) METHOD AND INSTALLATION FOR MANAGING AN INTERNAL COMBUSTION ENGINE.
FR2910551A1 (en) Injector's drift correction method for e.g. spark ignition oil engine, of motor vehicle, involves determining correction to be carried out to set point quantity of fuel to be injected by injector, by using average torque estimation
FR2917462A1 (en) Injector's drift correcting method for e.g. Petrol engine, of vehicle, involves estimating minimal activation time using estimation of indicated average torque, and initializing each injector to zero value of efficient activation time
FR2917459A3 (en) Drift and dispersion correcting method for vehicle, involves comparing two air flows, and calculating correction to be subjected to first air flow that is measured by using air flow measuring device
EP1377734A1 (en) Method for calculating the mass of air admitted into the cylinder of an internal combustion engine in a motor vehicle and injection calculator carrying out said method
EP2078150A1 (en) System and method for monitoring the operation of an internal combustion engine with compensation for errors in the intake airflow measurement
FR3129983A1 (en) motor control method and device
EP1916404A1 (en) Method of estimating characteristic parameters of a heat engine and of controlling thermal flux applied to components of this engine
EP4015808A1 (en) System and method for controlling an internal combustion engine based on filling performance
EP0736680A1 (en) Method of self-correction of physical parameters in a dynamic system such as an internal combustion engine
EP4237673A1 (en) Method for determining a combustion stability indicator in a cylinder of an internal combustion engine
FR2934642A1 (en) Injector's dead time correction method for e.g. direct or indirect fuel injection type petrol engine, of motor vehicle, involves padding cartography of dead time or corrected minimum activation time based on fuel pressure of ramp

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20071128

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC NL PL PT RO SE SI SK TR

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20080925

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20190103