JP2004340151A - 吸気流を診断するための方法及び装置 - Google Patents
吸気流を診断するための方法及び装置 Download PDFInfo
- Publication number
- JP2004340151A JP2004340151A JP2004144531A JP2004144531A JP2004340151A JP 2004340151 A JP2004340151 A JP 2004340151A JP 2004144531 A JP2004144531 A JP 2004144531A JP 2004144531 A JP2004144531 A JP 2004144531A JP 2004340151 A JP2004340151 A JP 2004340151A
- Authority
- JP
- Japan
- Prior art keywords
- control system
- sensor
- engine control
- neural network
- engine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
- F02D41/22—Safety or indicating devices for abnormal conditions
- F02D41/222—Safety or indicating devices for abnormal conditions relating to the failure of sensors or parameter detection devices
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B9/00—Safety arrangements
- G05B9/02—Safety arrangements electric
-
- 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
- F02D2200/0406—Intake manifold pressure
- F02D2200/0408—Estimation of intake manifold pressure
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
Abstract
【課題】 ニューラルネットワークを使用して内燃エンジン(ICE)のセンサを診断するための方法及び装置を提供する。
【解決手段】 エンジン制御装置が、このエンジン制御装置に連結された複数のセンサと、エンジン制御装置で作動するニューラルネットワークとを含み、複数のセンサのうちの少なくとも一つが故障したとき、故障したセンサの代表的値をニューラルネットワークが発生する。
【選択図】 図1
【解決手段】 エンジン制御装置が、このエンジン制御装置に連結された複数のセンサと、エンジン制御装置で作動するニューラルネットワークとを含み、複数のセンサのうちの少なくとも一つが故障したとき、故障したセンサの代表的値をニューラルネットワークが発生する。
【選択図】 図1
Description
本発明は、内燃エンジン(内燃機関)の制御装置に関する。更に詳細には、本発明は、内燃エンジンで作動するセンサを診断するための方法及び装置に関する。
今日の自転車エンジン制御システムは、エンジンセンサと、内部にソフトウェアを記憶する制御装置又は電子式制御ユニット(ECU)に直接接続されたアクチュエータと、を備えている。ソフトウェアは、車輛で使用されるセンサ及びアクチュエータの数が増えるに従ってどんどん複雑になっている。現在の政府規制では、汚染及び車輛性能の低下を最少にするため、故障したセンサができるだけ早期に交換されるように、エミッションと関連したセンサの各々を診断しなければならない。この理由により、不合理な即ち範囲外のセンサ値の検出に応答できる診断アルゴリズムによって各センサが監視されている。診断により良好なセンサを不良センサから区別する無数の方法があり、これにより、診断開発プロセスに多くの分析オプションが含まれることとなり、非常に扱いにくいものとなっている。
センサを診断するための現在のプロセスは、アルゴリズムを設計し、良好なセンサから収集したデータを不良センサのデータと比較し、良好なシステムを不良システムから区別するための値の決定を試みる。様々な作動環境について良好なセンサを不良センサから区別するパラメータを発生するプロセスを、診断開発プロセスと呼ぶ。このプロセスは、代表的には、センサが良好である場合と故障した場合のシステムにおける相違を確認するために手作業で試行錯誤で行われる。様々な気候、高度、及び車輛作動条件を含む様々な環境で得られたデータに基づいて決定がなされる。現在の診断開発プロセスは、時間がかかり、帰納的データ又は発見的なデータに重きをおいている。
本発明は、ニューラルネットワークを使用して内燃エンジン(ICE)のセンサを診断するための方法及び装置を提供する。ニューラルネットワーク(NN)は、複雑な計算を実行するのに使用される数学的な道具である。公知の入力を公知の出力と関連させる方程式又は伝達関数をつくる道具である。NNを、入力値を所望の出力値と関連させるデータイグザンプラー(data exemplars:データ見本)に基づいて学習させる。学習プロセスには、入力値と、対応する所望の出力値と、の間のエラーを最少にするように内部NNの重みを調節する工程が含まれる。組み込まれる制御システムの外側で学習されるNNは、「オフライン」で学習されたと言われる。別の態様では、制御システムをリアルタイム(実時間)で実行している間、NNを「オンライン」で学習させることができる。いずれかの方法を使用し、NNを一杯に学習させ制御システムに組み込むと、複雑な計算を行うことができるが、これ以外では簡単な算術方程式で試行するのが非常に困難である。
ブラックボックスの観点から見て、NNは、入力された値を取り込み、かかる入力値を出力値に変換する基本的に複雑な伝達関数である。ブラックボックスの内部には、幾つかの所望の結果が得られるように、入力と出力との間に相互連結部及びノードを含む潜在的に複雑な構造である。
ニューラルネットワークは、数十億のニューロンがシナプスによって相互連結されてできた人間の脳の動作をヒントとしたものであり、人間の脳のようにNNは学習させなければならない。学習プロセスには、イグザンプラー(見本)と呼ぶ一連の周知の入力/出力データ対をとりあげる工程が含まれる。これらのイグザンプラーをバックプロパゲーション(逆伝搬法、逆伝播)プロセス等の学習アルゴリズムに供給し、各入力に対して最小二乗法誤差を発生する。本質的には、学習アルゴリズムを各イグザンプラーを通して反復し、各ノード間の相互連結部の重みを調節し、各イグザンプラーについて正しい出力を発生する全体としての伝達関数を発生する。全体としての伝達関数は、ノードの組み合わせで形成されており、ノードはそれ自体が単一の伝達関数を構成しており、全体としての伝達関数は、即ち、重みをつけた連結部の和と掛け合わされる。
NNが十分に学習された後、任意の入力に対し、その入力値が元々の学習組で使用されたことがはっきりしていない場合でも、出力値を計算できる。入力値が刻々と変化するシステムで学習済のNNが実施されると、使用された学習対の一方と入力が適合した場合、出力は、学習中に使用された値と等しくなる。そうでない場合には、出力は、学習により得られたNNの全体としての伝達関数に基づいて計算された値である。
本発明は、更に、自動関連ニューラルネットワーク(AANN)を診断に組み込み、分析に要する労力の一部をエンジニアからコンピュータに移すようにしたものである。診断が十分に開発されると、デフォルト又はフェイルソフトの作用を必要とする場合に、車輛と通信するアルゴリズムが最終的に得られる。適正なフェイルソフト値を発生するのに必要なアルゴリズムの開発は、顧客の満足に対して重要である。故障が存在する場合に走り続けることができる車輛は、顧客の不便を最少にするが、立ち往生した(stranded)車輛はそうではない。本発明の自動関連ニューラルネットワーク診断(AANND)は、診断開発プロセスの改良、関連したセンサ群の故障の正確な検出、及び優れたフェイルソフト値の決定に繋がる特徴を有する。AANNDの利点は、センサ群が互いにどれほど良好に関連しているのか、及びAANNをどれ程良好に学習できるのかに左右される。
AANNの学習プロセスにより、分析に要する労力の一部を、エンジニアから、現在の診断により良好なシステムの不良システムからの区別を可能にする伝達関数を学習するコンピュータに移す。エンジニアによって行われた通常の分析は、AANNが良好なシステムからのデータで学習された場合、自動的に実行される。更に、不良システムを表すのに使用されたデータは、学習手順中に使用されたスクリプトによって自動的に発生される。従って、従来は車輛の開発で行われた分析作業を、オフラインで、高価な開発リソースなしで行うことができる。
本発明の一実施例では、エンジンに流入する空気と関連した三つのセンサを監視する診断(又は診断装置)が開発された。この診断は、学習済のAANNを含む。このAANNによって、一つのセンサの故障を三つのセンサのうちの任意の一つのセンサに基づいて検出し、残りの良好なセンサから読み取った値で決まる正確なフェイルソフト値を提供することができる。AANNの出力は、良好なセンサの実際の値に基づく又はかかる良好なセンサの実際の値を突き止める推測値(評価値又は推算値)である。
本発明の別の実施例では、制御システムで従来の物理的センサに代えて仮想センサ値を使用できる。
本発明の診断AANNは、複雑な伝達関数を発生する。前記複雑な伝達関数は、その入力でセンサ値に存在する重複情報を圧縮する。センサ値は、後に圧縮状態から解放され同じ正確値をその出力に発生する。この学習済のAANNを、次いで、車輛に装着し、ここで、センサが良好である場合には、入力値と等しい出力値を発生し続ける。しかしながら、入力で不良センサの値が現れた場合には、同じでない出力値が計算される。計算された出力値とその対応する入力値との間の相違を使用し、故障のフラグが立てられる(故障が表示される)。故障状態が続いた場合には、前記推測出力を前記システムにフィードバックし、診断が再設定されるまで動的フェイルソフト値として使用する。
本発明の診断AANNは、複雑な伝達関数を発生する。前記複雑な伝達関数は、その入力でセンサ値に存在する重複情報を圧縮する。センサ値は、後に圧縮状態から解放され同じ正確値をその出力に発生する。この学習済のAANNを、次いで、車輛に装着し、ここで、センサが良好である場合には、入力値と等しい出力値を発生し続ける。しかしながら、入力で不良センサの値が現れた場合には、同じでない出力値が計算される。計算された出力値とその対応する入力値との間の相違を使用し、故障のフラグが立てられる(故障が表示される)。故障状態が続いた場合には、前記推測出力を前記システムにフィードバックし、診断が再設定されるまで動的フェイルソフト値として使用する。
[実施例]
図1は、入力層12と、マッピング層14、ボトル−ネック層16、デマッピング層を含む三つの隠れ(hidden)層と、出力層20とを含む自動関連ニューラルネットワーク(Auto Associative Neural Network:AANN)10の概略図である。本発明のAANN10の全体としての伝達関数は、対応する入力についての値と等しくなるように出力を調整するため、1に等しい。AANN10の設計は、通常は1ではない全伝達関数を得るため、ボトル−ネック層16でのデータの圧縮を使用する。この種のAANNを適正に作動するためには、入力データは、分析的に重複している性質を有し、この場合、AANN10への入力は物理的に幾分関連している。分析的に重複した情報を使用して、入力が部分的にしか正しくない場合や故障状態にある場合に、正しい出力値を発生することができる。例えば、一つの入力でセンサが故障している場合、十分な情報が他の入力から来入し、故障したセンサについての正しい出力を発生する。分析的重複性を備えた本発明のAANN10を使用して、各出力について期待値を計算することができ、次いでこれらの期待値を使用して不良入力値を検出することができ、また、故障したセンサ値の代わりにフェイルソフトの値を前記システムに提供することができる。確固としたもの(robustness)とするために、また、ひどいエラー(誤り)を含む入力に対してエラーのない出力値を発生するために、AANN10は、この入出力挙動を表す複数の見本(exemplar:イグザンプラー)に基づいて学習される。
図1は、入力層12と、マッピング層14、ボトル−ネック層16、デマッピング層を含む三つの隠れ(hidden)層と、出力層20とを含む自動関連ニューラルネットワーク(Auto Associative Neural Network:AANN)10の概略図である。本発明のAANN10の全体としての伝達関数は、対応する入力についての値と等しくなるように出力を調整するため、1に等しい。AANN10の設計は、通常は1ではない全伝達関数を得るため、ボトル−ネック層16でのデータの圧縮を使用する。この種のAANNを適正に作動するためには、入力データは、分析的に重複している性質を有し、この場合、AANN10への入力は物理的に幾分関連している。分析的に重複した情報を使用して、入力が部分的にしか正しくない場合や故障状態にある場合に、正しい出力値を発生することができる。例えば、一つの入力でセンサが故障している場合、十分な情報が他の入力から来入し、故障したセンサについての正しい出力を発生する。分析的重複性を備えた本発明のAANN10を使用して、各出力について期待値を計算することができ、次いでこれらの期待値を使用して不良入力値を検出することができ、また、故障したセンサ値の代わりにフェイルソフトの値を前記システムに提供することができる。確固としたもの(robustness)とするために、また、ひどいエラー(誤り)を含む入力に対してエラーのない出力値を発生するために、AANN10は、この入出力挙動を表す複数の見本(exemplar:イグザンプラー)に基づいて学習される。
全作動範囲に亘るシステムを表す十分な数の良好なデータ値を使用してAANN10を最初に学習させると、センサ故障がない限り、その出力をその入力と等しくできる。この時点で学習を停止した場合には、AANN10は、学習されて、良好なシステムをモデル化し、故障を従来の方法で検出するのに使用できるようになる。現在のセンサ値をAANN10の計算した出力と比較し、これらの二つの値の差が閾値を越えた場合に、故障のフラグが立てられる(故障が表示される)。しかしながら、学習をここで止めずに、不良センサを表すデータに基づいてシステムを学習させると、AANN10の出力を用いて、不良入力に対してフェイルソフトの値を直ちに提供することができる。AANN10の学習では、帰納的データのコンパイルが行われる。これは、学習プロセス中に向きを変えることができる幾つかの「節(knob)」があるためである。学習により、最終的には、良好なセンサ値がある場合に入力と同じ出力を発生し、及び故障したセンサがある場合にフェイルソフト値を提供するAANN10が得られる。故障センサの見本(イグザンプラー)でこの第2の学習工程を受けたAANNを、確固(ロバスト)AANNと呼ぶ。本発明の好ましい実施例で開発されたAANN10は、確固型である。
本発明は、好ましい実施例では、AANN10を図2のエンジン制御システムで示すように自動車の用途で使用するが、本発明の範囲内で任意のセンサの用途が考えられる。エンジン制御システム30はエンジン制御装置32を含み、このエンジン制御装置は、クーラント温度、気温、MAPセンサ34からのマニホールド圧力(MAP)、MAFセンサ36からのマニホールド空気流量(MAF)、エンジンポジションセンサ38からのエンジン速度及びエンジンのポジション、ペダルポジション、スロットルポジションセンサ(すなわち、スロットル位置センサ)40からのスロットルポジション即ち角度(TPS)、及び酸素センサ44及び46によって触媒コンバータの前後での排気酸素測定値、というセンサ測定値を受け取る。
空気は、吸気マニホールド52を通って内燃エンジン(ICE)50に進入する。スロットルプレート54が、ICE50を通る空気流を制御する。スロットルプレート54は、アクセルペダルに連結されたワイヤによって、電子的に又は手動で制御できる。空気は、エンジン制御装置32によって制御される燃料噴射装置56からの燃料と混合する。当該技術分野で一般に公知のように、混合気がピストン58に進入し、ここで点火され、クランクシャフトを回転させる。当該技術分野で一般に公知のように、触媒コンバータ42によって排気ガスを酸化し還元する。
エンジンのマニホールドに進入する空気と関連したセンサは、分析的重複性を備えており、本発明の好ましい実施例で使用される。詳細には、MAPセンサ34、MAFセンサ36、及びTPSセンサ40が、ICE50を通って流れる空気と関連している。MAFセンサ36は、ICE50に吸い込まれる空気の量を測定し、MAPセンサ34はICE50内の圧力を測定し、TPSセンサ40はスロットルブレード54の角度又は面積を測定する。
図3は、本発明のAANN60の好ましい実施例の概略図である。MAPセンサ34、MAFセンサ36、及びTPSセンサ40のデータは、正規化関数62へ入力される。正規化したセンサ値は、線型伝達関数を持つ入力層64で演算処理される。この入力層64は、重みつき接続部66に対して出力を発生する。S字伝達関数(シグモイド伝達関数)を持つマッピング層68は、値を、重みつき関数70に出力する。ボトルネック層72は、重みつき接続部70からの入力を演算処理し、重みつき接続部74に対して出力を発生する。この重みつき接続部74は、デマッピング層76に信号を出力し、値を重みつき接続部78に出力する。線型伝達関数を持つ入力層80が、重みつき接続部78からの出力を演算処理する。ブロック82は、ブロック80からの出力を非正規化し、代表値MAF’、MAP’、及びTPS’を発生する。上文中に説明した自動関連ニューラルネットワーク60(層62乃至82)の関数は以下の通りである。
a=F1(W5F2(W4F1(W3F2(W2F1(W1p+b1)+b2)+b3)+b4)+b5)
ここで、
F1=線形変換関数
F2=タンジェント(正接)−S字変換関数
W1=入力層64についての重みつきベクトル(3×3行列)
W2=マッピング層68についての重みつきベクトル(6×3行列)
W3=ボトルネック層72についての重みつきベクトル(2×6行列)
W4=デマッピング層76についての重みつきベクトル(6×2行列)
W5=出力層80についての重みつきベクトル(3×6行列)
b1=入力層64についてのバイアスベクトル(3×1行列)
b2=マッピング層68についてのバイアスベクトル(6×1行列)
b3=ボトルネック層72についてのバイアスベクトル(2×1行列)
b4=デマッピング層76についてのバイアスベクトル(6×1行列)
b5=出力層80についてのバイアスベクトル(3×1行列)
p=入力パターン(3×1行列)
a=出力パターン(3×1行列)
代表的値MAF’、MAP’、及びTPS’は、一般的には、通常の作動状態で、又は、センサ34、36、及び40のうちの任意のセンサについての故障状態で、MAPセンサ34、MAFセンサ36、及びTPSセンサ40が発生する値とほぼ等しくしなければならない。従って、エンジン制御システム30は、故障があっても通常のパラメータ内で作動でき、別の態様では、物理的センサにの代わりに代表的値を使用できる。
a=F1(W5F2(W4F1(W3F2(W2F1(W1p+b1)+b2)+b3)+b4)+b5)
ここで、
F1=線形変換関数
F2=タンジェント(正接)−S字変換関数
W1=入力層64についての重みつきベクトル(3×3行列)
W2=マッピング層68についての重みつきベクトル(6×3行列)
W3=ボトルネック層72についての重みつきベクトル(2×6行列)
W4=デマッピング層76についての重みつきベクトル(6×2行列)
W5=出力層80についての重みつきベクトル(3×6行列)
b1=入力層64についてのバイアスベクトル(3×1行列)
b2=マッピング層68についてのバイアスベクトル(6×1行列)
b3=ボトルネック層72についてのバイアスベクトル(2×1行列)
b4=デマッピング層76についてのバイアスベクトル(6×1行列)
b5=出力層80についてのバイアスベクトル(3×1行列)
p=入力パターン(3×1行列)
a=出力パターン(3×1行列)
代表的値MAF’、MAP’、及びTPS’は、一般的には、通常の作動状態で、又は、センサ34、36、及び40のうちの任意のセンサについての故障状態で、MAPセンサ34、MAFセンサ36、及びTPSセンサ40が発生する値とほぼ等しくしなければならない。従って、エンジン制御システム30は、故障があっても通常のパラメータ内で作動でき、別の態様では、物理的センサにの代わりに代表的値を使用できる。
本発明の変形例では、エンジン速度センサ、トランスミッション速度センサ、ホイール速度センサ等の他の関連したセンサ群、スロットルポジションセンサ等の関連センサ、及び他の同様のセンサ群を本発明で使用できる。
本発明は、例示され且つ上文中に説明した構造そのものに限定されず、特許請求の範囲に記載の本発明の精神及び範囲から逸脱することなく、様々な変形及び変更を行うことができるということは理解されるべきである。
10 自動関連ニューラルネットワーク
12 入力層
14 マッピング層
16 ボトル−ネック層16、
20 出力層
30 エンジン制御システム
32 エンジン制御装置
34 MAPセンサ
36 MAFセンサ
40 スロットルポジションセンサ(スロットル位置センサ)
42 触媒コンバータ
44、46 酸素センサ
50 内燃エンジン
52 吸気マニホールド
54 スロットルプレート
56 燃料噴射装置
58 ピストン
12 入力層
14 マッピング層
16 ボトル−ネック層16、
20 出力層
30 エンジン制御システム
32 エンジン制御装置
34 MAPセンサ
36 MAFセンサ
40 スロットルポジションセンサ(スロットル位置センサ)
42 触媒コンバータ
44、46 酸素センサ
50 内燃エンジン
52 吸気マニホールド
54 スロットルプレート
56 燃料噴射装置
58 ピストン
Claims (14)
- エンジン制御システムであって、
エンジン制御装置と、
前記エンジン制御装置に連結された複数のセンサと、
前記エンジン制御装置で作動するニューラルネットワークとを備え、
前記複数のセンサのうちの少なくとも一つが故障したとき、前記ニューラルネットワークが、前記故障したセンサの代表的値を発生する、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
前記複数のセンサは、マニホールド圧力センサと、空気流センサと、スロットルポジションセンサとを含む、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、前記複数のセンサについての代表的値を継続的に発生する、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、1の伝達関数を有する、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
前記ニューラルネットワークは、自動関連ニューラルネットワークである、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
前記複数のセンサは、トランスミッション速度センサと、エンジン速度センサと、ホイール速度センサとを含む、エンジン制御システム。 - 請求項1に記載のエンジン制御システムにおいて、
さらに、圧縮点火機関を含む、エンジン制御システム。 - エンジン制御方法であって、
一組のセンサ測定値を決定する工程と、
前記センサ測定値を演算処理し、前記センサ測定値の代表的値を決定する工程と、
前記一組のセンサ測定値と
前記センサ測定値の代表的値との比較に基づいて、センサの故障を決定する工程とを備えた、エンジン制御方法。 - 請求項1に記載の方法において、
前記センサ測定値を演算処理し、前記センサ測定値の代表的値を決定する工程は、ニューラルネットワークで前記センサ測定値を演算処理する工程を備える、方法。 - 車輛用の制御システムであって、
エンジンと、
前記エンジンを制御する制御装置と、
前記制御装置に接続された複数のセンサと、
前記制御装置で作動し、前記制御装置についてのセンサ信号を発生するニューラルネットワークとを備えた、車輛用の制御システム。 - 請求項10に記載の制御システムにおいて、
前記複数のセンサは、圧力センサと、空気流センサと、スロットルポジションセンサとを備えた、制御システム。 - 請求項10に記載の制御システムにおいて、
前記ニューラルネットワークは、1の伝達関数を有する、制御システム。 - 請求項10に記載の制御システムにおいて、
前記ニューラルネットワークは、複数のセンサを故障について検査し、故障したセンサについての代表的信号を発生する、制御システム。 - エンジン制御方法において、
内燃エンジンを提供する工程と、
前記内燃エンジンを制御する制御装置を提供する工程と、
前記制御装置で作動するニューラルネットワークを提供する工程と、
一組のセンサ測定値を決定する工程と、
前記センサ測定値をニューラルネットワークで演算処理し、前記センサ測定値の代表的値を決定する工程とを備えた、エンジン制御方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/437,809 US7181334B2 (en) | 2003-05-14 | 2003-05-14 | Method and apparatus to diagnose intake airflow |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004340151A true JP2004340151A (ja) | 2004-12-02 |
Family
ID=33417461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004144531A Pending JP2004340151A (ja) | 2003-05-14 | 2004-05-14 | 吸気流を診断するための方法及び装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7181334B2 (ja) |
JP (1) | JP2004340151A (ja) |
DE (1) | DE102004023450B4 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009289262A (ja) * | 2008-05-29 | 2009-12-10 | General Electric Co <Ge> | 資産システムの高性能条件監視のためのシステムおよび方法 |
JP2016094078A (ja) * | 2014-11-13 | 2016-05-26 | 株式会社デンソー | 電子制御装置 |
JP2021110253A (ja) * | 2020-01-07 | 2021-08-02 | トヨタ自動車株式会社 | エアフロメータの異常診断装置 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050260471A1 (en) * | 2004-05-18 | 2005-11-24 | Logan Victor W | Electrical current measurement in a fuel cell |
US7292954B2 (en) * | 2004-07-28 | 2007-11-06 | Hr Textron Inc. | Acceptance testing of actuators using backlash and stiction measurements |
US8818676B2 (en) * | 2006-05-02 | 2014-08-26 | GM Global Technology Operations LLC | Redundant Torque Security Path |
US8352216B2 (en) * | 2008-05-29 | 2013-01-08 | General Electric Company | System and method for advanced condition monitoring of an asset system |
US8880321B2 (en) * | 2011-03-07 | 2014-11-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Adaptive air charge estimation based on support vector regression |
US8977373B2 (en) | 2011-12-28 | 2015-03-10 | Caterpillar Inc. | Systems and methods for extending physical sensor range using virtual sensors |
US10203231B2 (en) * | 2014-07-23 | 2019-02-12 | Hach Company | Sonde |
CN106401757B (zh) * | 2015-07-28 | 2019-07-05 | 长城汽车股份有限公司 | 发动机的断缸模式实现方法、系统及车辆 |
DE102016214512A1 (de) * | 2016-08-05 | 2018-02-08 | Voith Patent Gmbh | Sensorüberwachung |
KR101967339B1 (ko) * | 2018-03-06 | 2019-04-09 | 단국대학교 산학협력단 | 심층학습 기반의 adas 센서 고장 진단 및 백업을 위한 장치 및 방법 |
JP6501018B1 (ja) * | 2018-04-20 | 2019-04-17 | トヨタ自動車株式会社 | 未燃燃料量の機械学習装置 |
JP6702380B2 (ja) * | 2018-09-14 | 2020-06-03 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
WO2020066548A1 (ja) * | 2018-09-26 | 2020-04-02 | 日立オートモティブシステムズ株式会社 | 内燃機関制御装置 |
JP6702389B2 (ja) * | 2018-10-09 | 2020-06-03 | トヨタ自動車株式会社 | 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 |
KR102555374B1 (ko) | 2018-12-27 | 2023-07-14 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
JP6690757B1 (ja) | 2019-04-16 | 2020-04-28 | トヨタ自動車株式会社 | 燃料蒸気排出防止システムの異常検出装置 |
DE102019124259A1 (de) * | 2019-09-10 | 2021-03-11 | Bayerische Motoren Werke Aktiengesellschaft | Ermitteln eines Sensorfehlers eines Sensors in einem Abgasstrang eines Kraftfahrzeugs |
CN111474919B (zh) * | 2020-04-27 | 2022-03-25 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
WO2022238082A1 (de) * | 2021-05-10 | 2022-11-17 | Vitesco Technologies GmbH | Computerimplementiertes verfahren und steuervorrichtung zum steuern eines antriebsstrangs eines fahrzeugs unter verwendung eines neuronalen faltungsnetzes. |
DE102022211022A1 (de) | 2022-10-18 | 2024-04-18 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bestimmen eines Kraftstoffdampfdrucks in einem Kraftstofftank eines Motorsystems mit einem Verbrennungsmotor |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638492A (en) * | 1992-09-08 | 1997-06-10 | Hitachi, Ltd. | Information processing apparatus and monitoring apparatus |
US5618243A (en) * | 1993-07-20 | 1997-04-08 | Mitsubisi Jidosha Kogyo Kabushiki Kaisha | Speed change control method for an automotive automatic transmission |
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
US5483936A (en) * | 1994-07-05 | 1996-01-16 | Kerstein; Scott M. | Spark knock detection system for an internal combustion engine |
EP0724073B1 (en) * | 1995-01-27 | 2005-11-16 | Matsushita Electric Industrial Co., Ltd. | Air-fuel ratio control system |
DE19611497B4 (de) * | 1996-03-23 | 2007-09-06 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Steuerung der Leistung einer Brennkraftmaschine |
US5941918A (en) * | 1997-07-30 | 1999-08-24 | Engelhard Corporation | Automotive on-board monitoring system for catalytic converter evaluation |
DE19902923B4 (de) * | 1999-01-26 | 2005-02-24 | Daimlerchrysler Ag | Verfahren zur Funktionsüberwachung eines Kühlsystems einer Brennkraftmaschine |
DE10038335A1 (de) * | 2000-08-05 | 2002-02-14 | Bosch Gmbh Robert | Verfahren zur Steuerung einer Brennkraftmaschine |
DE10148973A1 (de) * | 2001-10-01 | 2003-04-10 | Iav Gmbh | Verfahren und Vorrichtung zum Ermitteln der Einspritzmenge vorzugsweise für direkteinspritzende Dieselmotoren |
US6882929B2 (en) * | 2002-05-15 | 2005-04-19 | Caterpillar Inc | NOx emission-control system using a virtual sensor |
-
2003
- 2003-05-14 US US10/437,809 patent/US7181334B2/en not_active Expired - Fee Related
-
2004
- 2004-05-12 DE DE102004023450A patent/DE102004023450B4/de not_active Expired - Fee Related
- 2004-05-14 JP JP2004144531A patent/JP2004340151A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009289262A (ja) * | 2008-05-29 | 2009-12-10 | General Electric Co <Ge> | 資産システムの高性能条件監視のためのシステムおよび方法 |
JP2016094078A (ja) * | 2014-11-13 | 2016-05-26 | 株式会社デンソー | 電子制御装置 |
JP2021110253A (ja) * | 2020-01-07 | 2021-08-02 | トヨタ自動車株式会社 | エアフロメータの異常診断装置 |
JP7222363B2 (ja) | 2020-01-07 | 2023-02-15 | トヨタ自動車株式会社 | エアフロメータの異常診断装置 |
Also Published As
Publication number | Publication date |
---|---|
US20040230368A1 (en) | 2004-11-18 |
DE102004023450A1 (de) | 2004-12-16 |
DE102004023450B4 (de) | 2008-10-02 |
US7181334B2 (en) | 2007-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004340151A (ja) | 吸気流を診断するための方法及び装置 | |
US6240343B1 (en) | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network | |
US6687601B2 (en) | System for diagnosing an air handling mechanism of an internal combustion engine | |
JP3991384B2 (ja) | 電子制御装置 | |
JP2854709B2 (ja) | 内燃機関を開ループ及び/あるいは閉ループ制御する装置 | |
JP7222363B2 (ja) | エアフロメータの異常診断装置 | |
JPH10507805A (ja) | 車両駆動ユニットの制御方法および装置 | |
KR100704322B1 (ko) | 자동차 내 연산 소자를 모니터링하기 위한 방법 및 장치 | |
CN100532812C (zh) | 冗余转矩安全通路 | |
US11623652B2 (en) | Machine learning method and machine learning system | |
US8392046B2 (en) | Monitoring the functional reliability of an internal combustion engine | |
Soliman et al. | Diagnosis of an automotive emission control system using fuzzy inference | |
JP6935837B1 (ja) | 機械学習装置及び機械学習システム | |
US7280911B2 (en) | Method for the detection of faults in the engine control in internal combustion engines having at least two control units | |
Muldoon et al. | Vehicle fault diagnostics using a sensor fusion approach | |
Nareid et al. | Detection of engine misfire events using an artificial neural network | |
JP3046870B2 (ja) | 故障診断方法 | |
JP2005512177A (ja) | 特に自動車における、電子システム集合体の機能の欠陥診断方法 | |
Antory | Fault diagnosis application in an automotive diesel engine using auto-associative neural networks | |
JP3391615B2 (ja) | 空燃比制御システム診断装置 | |
US11377110B2 (en) | Machine learning device | |
JP7276298B2 (ja) | モデル学習システム、車両の制御装置及びモデル学習方法 | |
JPH1131011A (ja) | 電子制御システムの故障検出装置 | |
JP2022076257A (ja) | 機械学習システム、車両及びサーバ | |
JP2022079938A (ja) | 機械学習システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061128 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20070227 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20070302 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070724 |