ES2423949T3 - Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna - Google Patents

Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna Download PDF

Info

Publication number
ES2423949T3
ES2423949T3 ES07425782T ES07425782T ES2423949T3 ES 2423949 T3 ES2423949 T3 ES 2423949T3 ES 07425782 T ES07425782 T ES 07425782T ES 07425782 T ES07425782 T ES 07425782T ES 2423949 T3 ES2423949 T3 ES 2423949T3
Authority
ES
Spain
Prior art keywords
pclb
calibration
value
amount
calibration value
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.)
Active
Application number
ES07425782T
Other languages
English (en)
Inventor
Alessandro Riegel
Dario Sacco
Fabio Garofalo
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.)
FCA Italy SpA
Original Assignee
Fiat Group Automobiles SpA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=39370796&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=ES2423949(T3) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Fiat Group Automobiles SpA filed Critical Fiat Group Automobiles SpA
Application granted granted Critical
Publication of ES2423949T3 publication Critical patent/ES2423949T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F02D41/24—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
    • F02D41/2432—Methods of calibration
    • 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
    • F02D41/2409—Addressing techniques specially adapted therefor
    • F02D41/2422—Selective use of one or more tables
    • 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
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/1002—Output torque
    • 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
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/1002—Output torque
    • F02D2200/1004—Estimation of the output torque

Abstract

Método para optimizar los mapas de calibrado (Mn) usados en un algoritmo para estimar una cantidad de controlde un motor de combustión interna (Pctr) indicativa del par de torsión del motor, que comprende: - medir la cantidad de control (Pctrm); - estimar la cantidad de control (Pctrs); y - optimizar cada mapa de calibrado (Mn) basándose en la cantidad de control medida (Pctrm) y la cantidad decontrol estimada (Pctrs); en el que cada mapa de calibrado (Mn) comprende una pluralidad de valores de calibrado (Pclb) de la cantidad decontrol estimada (Pctrs) y optimizar cada mapa de calibrado (Mn) comprende: - optimizar al menos uno de dicha pluralidad de valores de calibrado (Pclb); - distribuir dichos valores de calibrado optimizados (Pclb-ott) en dicho mapa de calibrado (Mn) basándose en uncriterio preestablecido:

Description

Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna
La presente invención se refiere a un método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna.
Como se sabe, las unidades de control de un motor de vehículo electrónico moderno implementan una pluralidad de algoritmos que, cuando el motor está en funcionamiento, estiman las cantidades del motor basándose en que la unidad de control electrónica controla el funcionamiento del motor.
Estos algoritmos generalmente funcionan usando cantidades de entrada, del tipo de motor por ejemplo, medidas generalmente por sensores cuando el motor está en funcionamiento, y determinan experimentalmente mapas de calibrado que describen la tendencia de la cantidad estimada por el algoritmo, como una función de las cantidades de las que depende.
Como norma, antes de almacenarlos en la unidad de control electrónica, los algoritmos se calibran usando los mapas mencionados anteriormente.
Por ejemplo, el algoritmo para estimar el par de torsión instantáneo suministrado por el motor, normalmente usa el número de revoluciones del motor RPM y/o la posición del pedal acelerador como cantidades de entrada, ambas de estas detectadas por los sensores adecuados, y uno o más mapas de calibrado de algoritmo que describe la tendencia del par de torsión suministrado como una función del número de revoluciones del motor RPM y/o la posición del pedal acelerador, valores con los que el algoritmo calcula cada valor del par de torsión estimado.
En particular, los mapas de calibrado del algoritmo se definen midiendo experimentalmente, en un banco de pruebas del motor o por rodadura en carretera para vehículos, las cantidades de motor que serán estimadas por el algoritmo, como una función de las variables de las que este depende, por ejemplo el par de torsión suministrado por el motor puede medirse como una función del número de revoluciones RPM.
Realizando las mediciones de las cantidades especificadas en los mapas de calibrado y el calibrado de los algoritmos de la unidad de control son operaciones que requieren tiempos bastante largos, son particularmente onerosas y tienen una proporción significativa sobre los costes de desarrollo de las unidades de control de vehículo. Adicionalmente, la necesidad de implementar algoritmos cada vez más complejos en las unidades de control para realizar los cálculos en base a las cantidades suministradas por una pluralidad de mapas hace que el proceso de calibrar los algoritmos, que consiste en la definición de valores del mapa, sea aún más largo y complicado.
Para simplificar el procedimiento de calibrado de los algoritmos, se conoce por ejemplo lo siguiente: el uso de fórmulas de aproximación que describen la física del fenómeno a representar, el uso de lenguajes de programación específicos necesarios para poder usar fórmulas algebraicas mediante las cuales pueden calcularse los valores de parámetro óptimos o la descomposición de los algoritmos en algoritmos más sencillos y el calibrado de cada uno de ellos usando los datos adquiridos específicamente. Por ejemplo, si el par de torsión suministrado por el motor depende del producto de la salida de dos mapas de calibrado, normalmente se miden las cantidades físicas representativas de cada uno de los dos mapas y después cada mapa se calibra independientemente.
Sin embargo, estas soluciones tienen diversos inconvenientes incluyendo:
-
la necesidad de realizar mediciones específicas para el calibrado del algoritmo,
-
la necesidad de realizar las mediciones en condiciones ambientales y/o del motor especiales,
-
el uso de sensores adicionales para la adquisición de todas las cantidades de entrada y salida de los mapas,
-
la propagación de los errores de medición en el procedimiento de calibrado,
-
la mala precisión de las fórmulas simplificadas utilizadas para describir el fenómeno físico,
-
la imprecisión y dificultad de los lenguajes de programación específicos usadas para implementar el algoritmo.
El documento WO2005/103472 desvela un aparato de gestión de motor para un motor de combustión interna de un vehículo incluyendo un microprocesador que funciona sobre los mecanismos de ajuste del vehículo. El vehículo tiene
un sensor de par de torsión para detectar el par de torsión generado por el motor y los mecanismos de ajuste ajustan valores paramétricos relacionados con el par de torsión. El circuito de memoria es accesible por el microprocesador. El circuito de memoria almacena datos que representan al menos un conjunto de valores paramétricos y un intervalo de valores de par de torsión correspondiente a los valores paramétricos respectivos en el conjunto. Un conjunto de instrucciones son ejecutables por el microprocesador de manera que el microprocesador recupera cíclicamente un valor de par de torsión en tiempo real desde el sensor de par de torsión y actualiza la memoria si el valor de par de torsión recuperado es mayor que un valor de par de torsión almacenado correspondiente a un valor paramétrico actual. El microprocesador ajusta el valor paramétrico actual si el valor de par de torsión recuperado es menor que el valor de par de torsión almacenado.
De esta manera, hay una necesidad de reducir el número de mediciones experimentales necesarias para obtener los mapas al mínimo imprescindible y de implementar un método de optimización para los mapas de calibrado de los algoritmos que al menos supere parcialmente los inconvenientes de los métodos conocidos.
De acuerdo con la presente invención, se proporciona un método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna, como se define en las reivindicaciones adjuntas.
Para una mejor comprensión de la presente invención, se describirá ahora una realización preferida, meramente a modo de ejemplo no limitante y con referencia a los dibujos adjuntos, donde:
•
La Figura 1 muestra un diagrama de bloques del principio del método de optimización del mapa de calibrado de la invención,
•
La Figura 2 muestra un diagrama de flujo del método de optimización del método de optimización del mapa de calibrado de la invención,
•
Las Figuras 3 y 5 muestran diagramas de flujo más detallados del método de optimización del mapa de calibrado de la invención, y
•
La Figura 4 muestra un ejemplo de la estructura del mapa de calibrado obtenido de acuerdo con el método de la invención.
En la Figura 1, el número de referencia 1 indica, en su totalidad, una unidad electrónica de procesamiento de datos, por ejemplo un ordenador, configurado para implementar el método de optimización del mapa de calibrado de la invención.
A grandes rasgos, como se muestra en el diagrama de bloques del principio en la Figura 1, el método de la invención incluye:
•
almacenar los mapas de calibrado de al menos un algoritmo de estimación 2 para una cantidad de control Pctr, del tipo de motor, tal como el par de torsión suministrado por el motor, por ejemplo, en la unidad de procesamiento 1,
•
estimar la cantidad de control Pctr, mediante el algoritmo 2, en base a los mapas de calibrado y las cantidades de entrada detectadas por los sensores y de los cuales depende la cantidad de control Pctr a estimar,
•
medir experimentalmente la cantidad de control Pctrm, e
•
implementar un algoritmo de calibrado 3 para el algoritmo 2 mediante la optimización de los mapas de calibrado del algoritmo 2, tal como para hacer que la cantidad Pctrs estimada por el algoritmo 2 sea tan aproximada a la cantidad Pctrm medida como sea posible.
Por ejemplo, siempre con referencia a la Figura 1, el método de la invención puede usarse para calibrar el algoritmo de estimación para el par de torsión suministrado por el motor, implementado por la unidad de control electrónico para el control del motor mediante la optimización de los mapas de calibrado para el par de torsión estimado por dicho algoritmo, estando estos almacenados también en la unidad de control electrónica y siendo usados por el algoritmo para realizar la estimación del par de torsión.
En particular, como se muestra en el diagrama de flujo en la Figura 2, en una fase inicial del método, bloque 4, se adquieren los parámetros característicos de cada mapa de calibrado almacenado, más específicamente:
•
los valores de las cantidades de entrada Pi del mapa y los valores de calibrado correspondientes Pclb asociados con ellos y, en el caso de los mapas multidimensionales, en los que la cantidad de calibrado Pclb representada en el mapa depende de más de una cantidad de entrada Pi,
•
los valores de calibrado Pclb en función de todas las cantidades de entrada y los valores correspondientes de las cantidades de entrada Pi asociados con los mismos.
Por ejemplo, si se desea optimizar el mapa M1 que representa la tendencia del par de torsión Ce suministrado por el motor como una función del número de revoluciones del motor RPM, el mapa M2 que representa la tendencia del par de torsión Ce suministrado por el motor como una función de la posición del pedal del acelerador η y el mapa M3 que representa la tendencia del par de torsión Ce suministrada por el motor, como una función del número de revoluciones del motor RPM y la posición del pedal del acelerador η, se adquirirá y almacenará en esta fase del método:
•
a partir del mapa M1, los valores de par de torsión de calibrado Ce-RPM y los valores de RPM correspondientes asociados con ellos,
•
a partir del mapa M2, los valores de par de torsión de calibrado Ce-η y los valores de η correspondientes asociados con ellos, y
•
a partir del mapa M3, los valores de par de torsión de calibrado Ce-RPM-η y los valores de RPM y η correspondientes asociados con ellos.
Para cada mapa, siempre en dicha fase inicial del método, los parámetros de delimitación del mapa se definen también, o no obstante, más específicamente:
•
una variación mínima De permitida para cada valor de cada cantidad de entrada y para cada valor de calibrado Pclb especificado en el mapa, por ejemplo 0,1 o 0,05,
•
un valor mínimo Min permitido para cada cantidad de entrada Pi y para el valor de calibrado Pclb, por ejemplo RPM = 1000 rpm en el mapa M1, o C = 0 Nm en los mapas M1, M2 y M3 y
•
un valor máximo Max permitido para cada cantidad de entrada Pi y para el valor de calibrado Pclb, por ejemplo RPM = 8000 rpm en el mapa M1, o C = 200 Nm en los mapas M1, M2 y M3.
Una vez completada la fase de inicialización descrita en el bloque 4, en el bloque 5 de la Figura 2 la unidad de procesamiento 1 realiza un procedimiento de optimización sobre cada mapa. En particular, los mapas de calibrado se optimizan individualmente, uno por uno, empezando a partir del mapa M1 por ejemplo y avanzando, como se muestra en el bloque 6 de la Figura 2, con el mapa M2 y así sucesivamente hasta que se hayan optimizado todos los mapas de calibrado. El procedimiento mostrado en la Figura 2 se repetirá, partiendo del primer mapa M1 hasta que sea interrumpido por un operario.
El procedimiento de optimización para cada mapa se describirá ahora con referencia al diagrama de flujo en la Figura 3 y al diagrama en la Figura 4.
En particular, como se muestra en el bloque 10 en la Figura 3, la unidad de procesamiento 1 en primer lugar comprueba si las cantidades de entrada Pi del mapa Mn a optimizar dependen de los valores de una cantidad de calibrado Pclb de un mapa Mn-1 calibrado previamente. Si no es este el caso, se toma la salida NO desde el bloque 10 y, con referencia a la Figura 4, la unidad de procesamiento 1 distribuye los valores de calibrado Pclb del mapa Mn (por ejemplo, los valores de calibrado del par de torsión suministrados por el motor) al interior de un sistema de ejes cartesianos y asocia ciertos índices de competencia Ic respectivos con cada valor de la cantidad de calibrado Pclb, tal como para crear una estructura del mapa Mn, definida por las áreas An de competencia (bloque 12), cada una delimitada por una pluralidad de índices de competencia Ic.
La Figura 4 muestra un ejemplo simplificado de una estructura del mapa Mn a optimizar.
En particular, como se muestra en la Figura 4, las coordenadas de las variables de entrada IC1:[1,1], IC2:[1,2], IC3:[2,2] e IC4:[2,1] están asociadas con los valores de calibrado P1, P2, P3 y P4 del mapa Mn; las coordenadas IC5[2,3], IC6:[3,3], e IC7:[3,2] están asociadas con los valores P5, P6 y P7; y las coordenadas IC8:[3,4], IC9:[4,4] e IC10:[4,3] están asociadas con los valores de calibrado P8, P9 y P10.
Después de haber definido la estructura del mapa Mn, siempre con referencia a la Figura 4, la unidad de procesamiento 1 copia los valores experimentales medidos para la cantidad Pctrm adquirida por la unidad de procesamiento 1 en el bloque 4, en la estructura del mapa Mn y calcula los índices de competencia Ic de cada valor experimental medido Pctrm.
5 Por ejemplo, aún con referencia a la Figura 4, los valores experimentales medidos Pctrm1 y Pctrm2 contribuyen a los puntos del mapa P1, P2 y P4, mientras que los valores experimentales medidos Pctrm3, Pctrm4 y Pctrm5 contribuyen al punto del mapa P6 y análogamente, los valores experimentales medidos Pctrm3 y Pctrm4 contribuyen a los puntos P8, P9 y P10. Esto significa que un cambio en el valor de cada punto de mapa solo influirá en el valor estimado en relación a los índices de competencia; por ejemplo, el valor del mapa en el punto P1 solo afectará al valor estimado
10 en correspondencia con los puntos Pctrm1 y Pctrm2 y no a otros puntos.
De nuevo, con referencia a la Figura 3, en el caso de que el mapa Mn dependa de un mapa Mn-1 ya optimizado por el algoritmo 3 y para el cual la estructura ya ha sido definida, se toma la salida SÍ del bloque 10 y la unidad de procesamiento 1 no recalcula la estructura del mapa Mn al comienzo de cada optimización, sino que usa los mismos índices de competencia Ic y la misma estructura definida previamente para el mismo mapa Mn, bloque 11.
15 Después, la unidad de procesamiento 1 identifica los valores medidos Pctrm especificados en la estructura del mapa Mn que contribuyen al punto único del mapa a optimizar, bloque 14, e implementa un procedimiento de optimización sobre cada valor de calibrado Pclb, de acuerdo con el diagrama de flujo de la Figura 5.
En particular, como se muestra en el bloque 20 de la Figura 5, la unidad de procesamiento 1 corrige la cantidad medida Pctrm con el valor de calibrado Pclb respectivo al que está asociado el índice de competencia Ic de la cantidad
20 medida Pctrm, determinando de esta manera la cantidad estimada Pctrs, y calcula la desviación típica SQM1 entre la cantidad medida Pctrm y la cantidad estimada Pctrs por el algoritmo 2 con los valores actuales del mapa.
Después, en el bloque 21, la unidad de procesamiento 1:
• añade un factor F igual al producto K * De para el valor de calibrado Pclb, donde:
-
K es un número entero elegido aleatoriamente por ejemplo, a partir de un intervalo preestablecido de 25 número enteros, de 1 a 16 por ejemplo, y
-
De es una variación mínima permitida para la cantidad de calibrado Pclb, para obtener un nuevo valor de calibrado Pclb+F,
• corrige la cantidad medida Pctrm con el nuevo valor de calibrado Pclb+F determinando de esta manera un nuevo valor Pctrs+F para la cantidad estimada, y
30 • calcula la desviación típica SQM2 entre la cantidad medida Pctrm y el nuevo valor estimado Pctrs+F de la cantidad de control.
Sucesivamente, en el bloque 22 la unidad de procesamiento 1:
• resta el factor F, igual al producto K * De del valor de calibrado Pclb, obteniendo un nuevo valor de calibrado Pclb-F,
35 • corrige la cantidad medida Pctrm con el nuevo valor de calibrado Pclb-F determinando de esta manera un nuevo valor Pctrs-F para la cantidad estimada, y
• calcula la desviación típica SQM3 entre la cantidad medida Pctrm y el nuevo valor estimado Pctrs-F de la cantidad de control.
En el bloque 23, la unidad de procesamiento 1 determina la desviación típica mínima SQMmin seleccionando la más
40 pequeña de las desviaciones típicas SQM1, SQM2 y SQM3, y compara la desviación típica mínima SQMmin con un valor umbral preestablecido, por ejemplo 0,1.
En el caso de que la desviación típica mínima SQMmin esté por debajo del valor umbral, se toma la salida SÍ desde el bloque 24 y la unidad de procesamiento 1 establece uno de los tres valores de calibrado Pclb, Pclb+F y Pclb-F que tiene la desviación típica SQM más cercana a la desviación típica mínima SQMmin en el mapa Mn como el valor de
45 calibrado óptimo Pclb-ott, que será como resultado el valor de calibrado optimizado, bloque 25.
No obstante, en el caso de que la desviación típica mínima SQMmin sea mayor que el valor umbral, se toma la salida NO del bloque 24 y, en el bloque 26, la unidad de procesamiento 1 implementa un algoritmo de cálculo para obtener un valor que sea tan cercano como sea posible a la desviación típica mínima SQMmin.
Para ello, la unidad de procesamiento 1 calcula dos valores de calibrado Pclb2 y Pclb3 que tienden hacia un valor de
5 calibrado mínimo esperado Pclb-min y determina el mínimo algebraico de una curva que modela la desviación típica SQMmin, implementando un modelo parabólico de la desviación de tipo conocido, por ejemplo el algoritmo de "Levenberg Marquardt", bloque 27.
En particular, para ello, la unidad de procesamiento 1 calcula:
• un valor de calibrado Pclb2 que está en el mínimo (xmin=-b/2a) de una ecuación parabólica SQM=ax2+bx+c que 10 pasa mediante los puntos de la desviación típica SQM1, SQM2 y SQM3,
• un valor de calibrado Pclb3 que está en el mínimo (xmin=-b/2a) de una ecuación parabólica SQM=ax2+bx+c que pasa mediante los puntos definidos por los valores de la desviación típica SQM1, SQM2 y SQM3 y el punto de calibrado calculado Pclb2, y
determina el mínimo algebraico de una curva que modela la desviación típica SQMmin en base a los puntos definidos 15 por los valores de las desviaciones típicas SQM1, SQM2, SQM3, y por lo puntos Pclb2 y Pclb3.
Después, en el bloque 28, la unidad de procesamiento 1 sustituye, en el mapa Mn, el valor Pclb usado para corregir la cantidad medida Pctrm con un valor de calibrado Pclb-ott del mapa Mn que está en un punto intermedio entre el valor de calibrado Pclb usado para corregir la cantidad medida Pctrm y el mínimo algebraico de la desviación típica SQMmin determinado mediante el modelo parabólico de la desviación, que de esta manera constituirá el valor de calibrado
20 optimizado Pclb-ott, bloque 29.
Después de haber optimizado cada uno de los valores de calibrado Pclb del mapa Mn, de nuevo con referencia a la Figura 3, la unidad de procesamiento 1 implementa un procedimiento de cálculo con el fin de mejorar la distribución de los valores de calibrado Pclb dentro del mapa Mn, bloque 16.
En particular, este procedimiento, que por conveniencia descriptiva de ahora en adelante se denominará "extensión" 25 del mapa Mn, consiste en:
• calcular un vector STR de acuerdo con la fórmula:
donde:
-
X es un vector que contiene los valores de la cantidad de entrada Pi del mapa, por ejemplo X = [P1 P2 P3 30 P4],
-
Y es un vector que contiene cada valor de la cantidad de calibrado Pclb del mapa monodimensional correspondiente al valor de entrada específico Pi, por ejemplo Y = [Pclb1 Pclb2 Pclb3 Pclb4], e
-
i es el índice que identifica el elemento del vector X o Y, (por ejemplo, Y(3) indica el tercer elemento del vector Y),
35 • añadir una cantidad igual a η*STR/2 al valor Pclb del mapa, donde η es un factor de extensión entre un valor mínimo de cero, correspondiente a que no hay extensión, y un valor máximo de 1, correspondiente a la extensión máxima, que puede ser establecida por el usuario, y
• restar una cantidad igual a η*STR/4 de los valores cercanos Pclb-1 y Pclb+1 del valor Pclb a calibrar.
El procedimiento de extensión aumenta la continuidad del mapa, haciéndolo más fiel a la descripción de un 40 fenómeno físico.
Después de haber realizado el procedimiento de extensión en el mapa Mn, de nuevo con referencia a la Figura 3, en el bloque 17 de la unidad de procesamiento 1 se calcula: un valor saturado mínimo Pmin-sat en base al valor de calibrado mínimo Pmin del mapa Mn, y un valor saturado máximo Pmax-sat en base al valor de calibrado máximo Pmax en el mapa Mn.
5 En particular, el valor saturado mínimo Pmin-sat de cada valor de calibrado del mapa corresponde al valor máximo entre el valor del mapa y el mínimo permitido Pmin, mientras que el valor saturado máximo Pmax-sat de cada punto de mapa corresponde al valor mínimo entre el valor del mapa y el máximo permitido Pmax.
Las ventajas que pueden conseguirse con la presente invención son evidentes a partir de un examen de sus características.
10 En primer lugar, la optimización de solo un mapa cada vez permite que el valor de calibrado optimizado se determine de una manera óptima, reduciendo significativamente los tiempos de cálculo.
Además, la identificación de puntos experimentales de competencia para cada punto de mapa fuera del procedimiento de optimización y uso del algoritmo de Levenberg Marquardt solo en los casos donde el valor de calibrado significativamente diferente de su valor óptimo, permite una reducción significativa en los tiempo de
15 ejecución y complejidad de todo el procedimiento de cálculo, al tiempo que mantiene muy buena precisión para el resultado final.
La implementación del procedimiento de "extensión" permite un calibrado más "continuo" a identificar a partir de la pluralidad de valores de calibrado que muestran aproximadamente la misma desviación típica.
Finalmente, está claro que pueden hacerse modificaciones y variantes a las descritas y mostradas en este
20 documento sin alejarse del alcance de protección de la presente invención, como se define en las reivindicaciones adjuntas.
Por ejemplo, en lugar de la desviación típica SQM, podría calcularse la desviación típica porcentual SPQM, siendo esta más indicada para resolver problemas donde se proporcionan especificaciones de precisión solicitadas en términos porcentuales en lugar de absolutos.

Claims (8)

  1. REIVINDICACIONES
    1. Método para optimizar los mapas de calibrado (Mn) usados en un algoritmo para estimar una cantidad de control de un motor de combustión interna (Pctr) indicativa del par de torsión del motor, que comprende:
    -
    medir la cantidad de control (Pctrm);
    -
    estimar la cantidad de control (Pctrs); y - optimizar cada mapa de calibrado (Mn) basándose en la cantidad de control medida (Pctrm) y la cantidad de control estimada (Pctrs);
    en el que cada mapa de calibrado (Mn) comprende una pluralidad de valores de calibrado (Pclb) de la cantidad de control estimada (Pctrs) y optimizar cada mapa de calibrado (Mn) comprende:
    -
    optimizar al menos uno de dicha pluralidad de valores de calibrado (Pclb);
    -
    distribuir dichos valores de calibrado optimizados (Pclb-ott) en dicho mapa de calibrado (Mn) basándose en un criterio preestablecido:
    y en el que optimizar un valor de calibrado (Pclb) comprende:
    -
    determinar la cantidad de control estimada (Pctrs) basándose en la cantidad de control medida (Pctrm) y el valor de calibrado (Pclb);
    -
    calcular una primera desviación típica (SQM1) entre la cantidad de control medida (Pctrm) y la cantidad de control estimada (Pctrs);
    -
    determinar un primer valor de calibrado corregido (Pclb+F) basándose en un factor de corrección (F);
    -
    determinar la cantidad de control estimada (Pctrs) basándose en la cantidad de control medida (Pctrm) y el primer valor de calibrado corregido (Pclb+F);
    -
    calcular una segunda desviación típica (SQM2) entre la cantidad de control medida (Pctrm) y la cantidad de control estimada (Pctrs) basándose en la cantidad de control medida (Pctrm) y el primer valor de calibrado corregido (Pclb+F);
    -
    determinar un segundo valor de calibrado corregido (Pclb-F) basándose en el factor de corrección (F),
    -
    determinar la cantidad de control estimada (Pctrs) basándose en la cantidad de control medida (Pctrm) y el segundo valor de calibrado corregido (Pclb-F);
    -
    calcular una tercera desviación típica (SQM3) entre la cantidad de control medida (Pctrm) y la cantidad de control estimada (Pctrs) basándose en la cantidad de control medida (Pctrm) y el segundo valor de calibrado corregido (Pclb+F);
    -
    comparar la primera (SQM1), segunda (SQM2) y tercera (SQM3) desviaciones típicas entre sí y con un valor umbral preestablecido; y - optimizar el valor de calibrado (Pclb) basándose en dicha comparación;
    estando dicho método caracterizado por que:
    cuando la desviación típica más pequeña (SPQMmin) de dichas desviaciones típicas (SQM1, SQM2, SQM3) es mayor que un valor umbral preestablecido, optimizar dicho valor calibrado (Pclb) basándose en dicha comparación comprende:
    -
    determinar un primer valor de calibrado mínimo (Pclb2), que está definido como el punto más bajo de una función de tipo parabólico que pasa a través de dicha primera, segunda y tercera desviaciones típicas (SQM1, SQM2, SQM3);
    -
    determinar un segundo valor de calibrado mínimo (Pclb3), que está definido como el punto más bajo de una función de tipo parabólico que pasa a través de dicha primera (SQM1) segunda (SQM2) y tercera (SQM3) desviaciones típicas y dicho primer valor de calibrado (Pclb2);
    -
    determinar un valor algebraico mínimo de una función que pasa a través de dicha primera (SQM1), segunda (SQM2) y tercera (SQM3) desviaciones típicas y dicho primer (Pclb2) y segundo (Pclb3) valores mínimos, y que modela dicha desviación típica más pequeña (SQMmin); y
    -
    sustituir dicho valor de calibrado (Pclb) en dicho mapa de calibrado (Mn) con un valor de calibrado óptimo (Pclb-ott) que está localizado en un punto intermedio entre dicho valor de calibrado (Pclb) y dicho valor algebraico
    mínimo.
  2. 2.
    Método de acuerdo con la reivindicación 1, en el que el factor de calibrado (F) se determina basándose en un número entero (K) dentro del intervalo preestablecido de números enteros y una variación mínima preestablecida (De) del valor de calibrado (Pclb).
  3. 3.
    Método de acuerdo con la reivindicación 2, en el que el factor de calibrado (F) se determina basándose en el producto de dicho número entero (K) dentro de un intervalo preestablecido de números enteros y dicha variación mínima preestablecida (De) de dicho valor de calibrado (Pclb).
  4. 4.
    Método de acuerdo con una cualquiera de las reivindicaciones 1 a 3, en el que:
    -
    dicho primer valor de calibrado corregido (Pclb+F) se determina sumando dicho factor (F) de corrección a dicho valor de calibrado (Pclb), y
    -
    dicho segundo valor de calibrado corregido (Pclb-F) se determina restando dicho factor de corrección (F) de dicho valor de calibrado (Pclb).
  5. 5. Método de acuerdo con la reivindicación 4, en el que cuando dicha desviación típica más pequeña (SPQMmin) está por debajo de dicho valor umbral preestablecido, optimizar dicho valor de calibrado (Pclb) basándose en dicha comparación comprende:
    -
    establecer en el mapa de calibrado (Mn) un valor de calibrado óptimo (Pclb-ott) elegido entre dicho valor de calibrado (Pclb), dicho primer valor de calibrado corregido (Pclb+F) y dicho segundo valor de calibrado corregido (Pclb-F) y para el que la desviación típica (SQM) es más cercana a dicha desviación típica más pequeña (SQMmin).
  6. 6.
    Método de acuerdo con cualquiera de las reivindicaciones anteriores, en el que dicho valor algebraico mínimo se determina basándose en un algoritmo de "Levenberg Marquardt".
  7. 7.
    Método de acuerdo con cualquiera de las reivindicaciones anteriores, en el que distribuir dicha pluralidad de valores de calibrado optimizados (Pclb-ott) en dicho mapa (Mn) comprende:
    -
    calcular un factor de extensión (STR) de acuerdo con la fórmula:
    donde:
    -
    X es un valor de una cantidad de entrada (Pi) de dicho mapa,
    -
    Y es un valor de calibrado (Pclb) correspondiente a dicho valor X de dicha cantidad de entrada (Pi), e
    -
    i es un índice que asocia un valor X de la cantidad de entrada (Pi) con el valor de calibrado optimizado correspondiente (Pclb-ott),
    -
    añadir una cantidad igual a η*STR/2 a cada valor de calibrado optimizado (Pclb-ott),
    donde: η es un factor de extensión entre un valor mínimo de cero, correspondiente a que no hay extensión, y un valor máximo de 1, correspondiente a la extensión máxima, y
    -
    restar una cantidad igual a η*STR/4 de los valores adyacentes (Pclb-1, Pclb+1) de dicho valor de calibrado optimizado (Pclb-ott).
  8. 8. Producto de software que puede cargarse en una memoria de un procesador digital, comprendiendo dicho producto de software porciones de código de software capaces de implementar el método de acuerdo con cualquiera de las reivindicaciones 1 a 7, donde dicho producto de software se ejecuta en dicho procesador digital.
ES07425782T 2007-12-10 2007-12-10 Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna Active ES2423949T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP07425782.5A EP2071168B1 (en) 2007-12-10 2007-12-10 Method for optimizing calibration maps for an algorithm of estimation of a control quantity of an internal combustion engine

Publications (1)

Publication Number Publication Date
ES2423949T3 true ES2423949T3 (es) 2013-09-25

Family

ID=39370796

Family Applications (1)

Application Number Title Priority Date Filing Date
ES07425782T Active ES2423949T3 (es) 2007-12-10 2007-12-10 Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna

Country Status (5)

Country Link
US (1) US8041511B2 (es)
EP (1) EP2071168B1 (es)
JP (1) JP5232614B2 (es)
BR (1) BRPI0805693A2 (es)
ES (1) ES2423949T3 (es)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015130252A1 (en) * 2014-02-28 2015-09-03 Ford Otomotiv Sanayi Anonim Sirketi An online optimization method for engine calibration
US9689336B2 (en) 2014-11-10 2017-06-27 Caterpillar Inc. Engine system utilizing modal weighted engine optimization
CN106940703B (zh) * 2016-01-04 2020-09-11 腾讯科技（北京）有限公司 推送信息粗选排序方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19808167C1 (de) * 1998-02-27 1999-08-26 Daimler Chrysler Ag Verfahren zur Korrektur eines rechnerisch ermittelten Drehmoments im Antriebsstrang eines Kraftfahrzeugs
US6848421B1 (en) * 2003-09-12 2005-02-01 Delphi Technologies, Inc. Engine control method and apparatus using ion sense combustion monitoring
DE10359306A1 (de) * 2003-12-17 2005-07-21 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine
AU2004201718B1 (en) * 2004-04-27 2005-02-24 Larry Lin Feng Weng Engine optimisation method and apparatus
JP4389877B2 (ja) * 2006-01-18 2009-12-24 トヨタ自動車株式会社 車両に搭載された内燃機関の推定トルク算出装置

Also Published As

Publication number Publication date
US20090150111A1 (en) 2009-06-11
JP2009144711A (ja) 2009-07-02
EP2071168A1 (en) 2009-06-17
BRPI0805693A2 (pt) 2009-08-18
US8041511B2 (en) 2011-10-18
JP5232614B2 (ja) 2013-07-10
EP2071168B1 (en) 2013-05-01

Similar Documents

Publication Publication Date Title
ES2423949T3 (es) Método para optimizar mapas de calibrado para un algoritmo de estimación de una cantidad de control de un motor de combustión interna
WO1985001807A1 (en) Selective parametric self-calibrating control system
JP2004308540A (ja) 内燃機関の燃料性状推定装置
JPH0826805B2 (ja) 内燃機関の空燃比学習制御装置
WO2004070185A1 (ja) 内燃機関における充填空気量演算
CN107924194A (zh) 用于自动化车辆的gps数据校正
CN110345946A (zh) 一种室内车辆地图构建方法
CN109770935A (zh) 准直器校正方法、装置、ct系统及存储介质
JPS6040779A (ja) 内燃機関
JP2009108757A (ja) エンジン制御装置
KR101611135B1 (ko) 휠 얼라이먼트 측정 시스템 및 측정 방법
JP2006226235A (ja) 船外機用内燃機関の空燃比制御装置
CN112762916B (zh) 磁罗盘参数标定方法、装置、计算机设备及存储介质
BR102020011886A2 (pt) Método para calibrar uma máquina, e, sistema para operar uma máquina
JP2009005504A (ja) 電動車両の加速度検出装置
BR102019004583A2 (pt) Sistema de controle de fábrica
CN115142964B (zh) 发动机的控制方法、装置、车辆及存储介质
CN111402322B (zh) 一种中分辨率叶面积指数产品的校正方法及装置
JP7428163B2 (ja) 作業車両
JP6856496B2 (ja) 方位誤差関数取得装置、方法及びプログラム
Lagadec et al. Delayed mode quality control and Oxygen correction of Ovide Argo data. Float WMO 5902303
JP2627825B2 (ja) 内燃機関の空燃比学習制御装置
Lagadec et al. Delayed mode quality control and Oxygen correction of Ovide Argo data. Float WMO 1901206
Lagadec et al. Delayed mode quality control of Ovide Argo data. Float WMO 6901570
Lagadec et al. Delayed mode quality control and Oxygen correction of Ovide Argo data. Float WMO 1901208