JP2007533911A - 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ - Google Patents

Abstract

内燃機関と共に使用する仮想シリンダ圧力センサ。このセンサは、それぞれ異なるシリンダ圧力変数を推定するために使用される１つまたは複数の独立モジュールを有する。各モジュールは、物理的なシリンダ圧力センサおよび実際のエンジンからの測定データを使用して訓練される。モジュールは、訓練された後、同じエンジン・タイプのエンジン制御ユニットに組み込まれ、それらが訓練された値を推定し、予測するために使用することができる。

Description

本発明は、内燃機関に関し、より詳細には、内燃機関におけるシリンダ圧力を測定する仮想センサに関する。

この出願は、西暦２００４年４月２０日に出願した発明の名称が“Ｖｉｒｔｕａｌ Ｃｙｌｉｎｄｅｒ Ｐｒｅｓｓｕｒｅ Ｓｅｎｓｏｒ ｗｉｔｈ Ｉｎｄｉｖｉｄｕａｌ Ｖａｒｉａｂｌｅ−Ｏｒｉｅｎｔｅｄ Ｉｎｄｅｐｅｎｄｅｎｔ Ｅｓｔｉｍａｔｏｒｓ”である米国仮特許出願番号６０／５６３，８８７の優先権を主張するものであり、この米国仮特許出願の記載の全内容を参照のためにこの出願に含めるものである。
内燃機関の分野では、シリンダ圧力は、燃焼プロセスについての重要なデータ・ソースである。特に、エンジン制御の多くの側面は、シリンダ圧力データにより改善し得る。一例として、シリンダ圧力データは、燃焼タイミングの基準としたり、不点火を検出したり、ピーク・シリンダ圧力を示したりするために、エンジン・コントローラへのフィードバックとして使用することができる。

現在、広範にわたるエンジン性能の改良の研究は、シリンダ圧力センサを情報源として使用することによって行われている。しかし、センサの使用に関連する１つの問題は、生産エンジンに実装することができないほどセンサが高価であることである。

さらに、今日のシリンダ圧力センサは、生産エンジンに実装するには、壊れやすい傾向がある。実験室の試験の目的でさえ、内燃機関の劣悪なシリンダ内環境（高温、高圧、薬品による強い腐食作用など）のため、既存のシリンダ圧力センサは、信用できない場合がある。

背景技術で述べたように、シリンダ圧力測定は、内燃機関の研究、開発には重要である。測定されたシリンダ圧力信号は、燃焼プロセスについての有用な情報を極めて大量に提供することができる。

シリンダ圧力信号および抽出されたデータ
図１は、様々な等価比（理論燃空比に対する実際の燃空比の比率）についての物理的なシリンダ圧力センサからの測定済みシリンダ圧力信号を示している。クランク角度（ＣＡＤ）領域におけるシリンダ圧力は、速度、噴射タイミング、気流速、ＥＧＲ（排気再循環）率など、多くのエンジン運転パラメータによって決まる。

以下の説明は、モデルベースのシリンダ圧力センサを対象とする。このセンサは、本明細書では「仮想」センサとも呼ばれ、実際のエンジンにおける一つの物理的なシリンダ圧力センサの代わりに使用することができる。仮想センサは、エンジン運転範囲全体にわたって、実際に、かつ確実に、シリンダ圧力値の推定値を提供する。

図１のセンサのように、仮想センサは、エンジン・クランク軸位置についての情報を提供することができる。また、物理的なシリンダ圧力センサ出力信号から抽出できる他のすべての情報を提供することもできる。図１は、シリンダ圧力が、特定のエンジンの１つまたは複数の運転状態に対して既知のどのような関係を有し得るかのほんの一例である。

仮想シリンダ圧力センサ（ｖｉｒｔｕａｌ ｃｙｌｉｎｄｅｒ ｐｒｅｓｓｕｒｅ ｓｅｎｓｏｒ）
図２は、本発明による仮想シリンダ圧力センサ２００の一例を示している。以下で説明するように、センサ２００は、そうでなければ物理的なシリンダ圧力センサによって提供され得る様々な変数を、ニューラル・ネットワークを使用して推定し、予測する、個々の独立した推定量モジュールを有している。センサ２００によって提供されるデータは、エンジン制御システム２２０に配信することができる。

図２の例では、センサ２００は、燃焼タイミング推定モジュール２０１、シリンダ圧力ピーク値推定モジュール２０２、および最大圧力位置推定モジュール２０３の３つのモジュールを有する。これらのモジュールのそれぞれは、図１のものなど、シリンダ圧力測定データから抽出できる変数に対応する。

エンジン制御システム２２０の必要性、および物理的なシリンダ圧力センサからの訓練用の測定データの可用性に応じて、追加の推定モジュールを追加することができる。他のモジュールの例には、最高上昇速度値（ｍａｘｉｍｕｍ ｒｉｓｉｎｇ ｒａｔｅ ｖａｌｕｅ）、圧力反曲値（ｐｒｅｓｓｕｒｅ ｉｎｆｌｅｃｔｉｏｎ ｖａｌｕｅ）、圧力反曲位置（ｐｒｅｓｓｕｒｅ ｉｎｆｌｅｃｔｉｏｎ ｐｏｓｉｔｉｏｎ）、第２のピーク値、または第２のピーク値位置を推定するモジュールがある。

訓練中およびその後の使用中の各モジュールの入力は、一般に「エンジン運転状態」と呼ばれる。一般的な例には、吸気マニホールド圧力、吸気マニホールド温度、冷却水温度、および排気再循環（ＥＧＲ）率などがある。他の入力データは、噴射タイミング、噴射燃料質量、および噴射圧力などのエンジン制御パラメータを含み得る。各モジュールは、入力として、これらのパラメータの一部またはすべてを必要とし得る。

各モジュール２０１〜２０３は、測定された物理的なシリンダ圧力信号から抽出された値を使用して「訓練」される。各モジュールは、物理的なシリンダ圧力センサから抽出することができる異なる圧力変数を提供する。

点線で示されたモジュール入力は、訓練の目的だけに使用される。モジュール２０１〜２０３は、ニューラル・ネットワークの分野で知られている技術を使用して、またモジュールの入力と出力との間の物理的原理によって開発することができる。訓練プロセスが終了し、モジュールが検証されると、これらの入力は削除され、センサ２００は、生産エンジンでの使用の準備が整う。

仮想シリンダ圧力センサ・モジュール２０１〜２０３は、物理的なシリンダ圧力センサを有するエンジンの開発に向けられてもよい。開発エンジンに取り付けられている物理的なシリンダ圧力センサの出力信号は、同じタイプのエンジンの仮想シリンダ圧力センサ２００のモジュール２０１〜２０３を訓練するために使用される。モジュール２０１〜２０３は、定常状態および遷移状態について訓練することができる。

エンジンの運転中、各モジュール２０１〜２０３は、関連のエンジン運転パラメータを受信するようプログラミングされている。一般に、これらのパラメータは、物理的なエンジン・センサからのリアルタイム測定であるが、モジュールに応じて、格納されている、または計算されたエンジン運転状態データを入力として使用することもできる。

モジュールごとに、モジュール入力は、その関連の圧力変数を得るために必要とされているすべてのエンジン運転パラメータであり、出力は、推定された個々の変数である。モジュールは、格納されているデータにアクセスするか、計算を実行するかのいずれか、あるいはその両方を行って、所望の出力推定を得る。仮想センサ２００が生産エンジンに実装されているとき、そのプログラミングは、「スタンドアロン」でもよく、または、エンジン制御ユニット２２０の他のプログラミングと統合されてもよい。エンジン制御システムに組み込まれると、センサ２００は、その変数をリアルタイムでエンジン制御システムに提供する。

図２に示すように、仮想センサ２００の特徴は、シリンダ圧力信号が分割されることである。個々の変数方向性独立推定量モジュール（ｖａｒｉａｂｌｅ−ｏｒｉｅｎｔｅｄ ｉｎｄｅｐｅｎｄｅｎｔ ｅｓｔｉｍａｔｏｒ ｍｏｄｕｌｅ）２０１〜２０３は、仮想センサを構築するために使用される。シリンダ圧力分布全体を導出するのに対して、独立モジュール２０１〜２０３の使用によって、異なるシリンダ圧力変数を別々に導出することができる。

事実上、センサ２００は、シリンダ圧力信号の結合に関連する複雑な問題を回避する。これによって、仮想センサ２００の精度および頑強さが増す。センサ２００は、物理的なセンサの費用をなくし、生産エンジンに実装しやすい。

モジュール２０１〜２０３はそれぞれ、実際のシリンダ圧力がそのポイントに到達する前でさえ、その関連するシリンダ圧力情報を予測する能力を提供する。これは、物理的なシリンダ圧力センサからの測定値が利用可能になる前である。したがって、定常状態および遷移状態において、最適な性能を得るために補償が行われ、かつ／または戦略を制御するのに十分な時間がエンジン制御ユニット２２０に与えられる。

センサ２００は、さらに、物理的なシリンダ圧力センサの調子を監視するために使用することもできる。将来、安価で信頼できる物理的なシリンダ圧力センサが利用可能になった場合、そのモジュール２０１〜２０３のうちの１つまたは複数を、物理的なシリンダ圧力センサの故障診断装置として使用することができる。

訓練および使用の方法の概要
図３は、センサ２００のモジュールの訓練および使用のプロセスを示している。

ステップ３１０で、モジュールに、物理的なシリンダ圧力センサからのデ―タが提供される。データは、シリンダ圧力信号から抽出できる特定の変数を表すという意味で、「抽出」データである。この説明で使用されている例は、燃焼タイミング、ピーク値、および最大位置であるが、図１の信号特性のうちのいずれかを抽出することができる。モジュールは、ニューラル・ネットワーク・タイプの訓練で使用するこのデータを受信するようにプログラムされる。

ステップ３２０で、モジュールは、エンジンに取り付けられている物理的なシリンダ圧力センサの測定された信号から抽出された対応する変数によって訓練される。訓練の結果は、エンジンの運転の範囲にわたる、運転状態の所与の組と所望のシリンダ圧力データとの間の関係を表す「モデル」である。モジュールは、その出力を、信頼できると知られているセンサの出力と比較することによって検証される。

ステップ３３０で、モデル・データは、格納され、そうでない場合は、エンジン制御ソフトウェアからアクセスできるようになる。

ステップ３４０で、モジュールは、（ソフトウェア、ファームウェア、ハードウェア、またはこれらの何らかの組合せによって）エンジン制御ユニットに組み込まれる。エンジンは、訓練に使用されるのと同じもの、または似たタイプのものと仮定され、物理的なシリンダ圧力センサが取り付けられている必要はない。

ステップ３５０で、モジュールは、所望のシリンダ圧力データの現在の値を推定（または将来の値を予測）するために使用される。このデータは、エンジン制御ユニットにリアルタイムで（または前もって）提供されてもよい。

実証データ
実証の目的で、Ｐｅｕｇｅｏｔ ＤＷ１０ディーゼル・エンジンから開発および検証データが得られた。エンジン・パラメータは以下の通りである。
エンジン・パラメータ 値
エンジン・モデル Ｐｅｕｇｅｏｔ ＤＷ１０
シリンダ数 ４
内径 ８５ｍｍ
ストローク ８８ｍｍ
連接棒長さ １４５ｍｍ
定格出力 ８２ｋｗ
定格速度 ４０００ｒｐｍ
ピーク・トルク ２５０Ｎｍ
ピーク・トルク速度 ２０００ｒｐｍ
排気量 ２．０Ｌ
燃料システム Ｂｏｓｃｈ ＨＰＣＲ
圧縮比 １８：１
Ｋｉｓｔｌｅｒ ６０５３Ｃ６０シリンダ圧力変換器は、グロー・プラグ・アダプタを介してエンジンの第１のシリンダに取り付けられた。７２０カウント・エンコーダがエンジンのクランク軸に取り付けられ、エンコーダ・パルス信号の各立ち上がりエッジで物理的なシリンダ圧力信号がサンプリングされ、シリンダ圧力のサンプリング・レートはクランク角度領域において０．５ＣＡＤとなる。シリンダ圧力信号は、定常状態に取得され、１００サイクルにわたって平均された。

燃焼が開始すると、シリンダ圧力信号は、非常に雑音が多くなり、モデル開発のために適切な計算を行うためにフィルタにかけることができる。従来の因果的デジタル・フィルタは、雑音を取り除くことはできるが、フィルタ済み信号に遅延をもたらす。しかし、最高上昇速度位置の推定に関して、このことは、この用途には望ましくない。したがって、シリンダ圧力信号をフィルタにかけ、燃焼雑音を取り除くのに、３点非因果的移動平均デジタル・フィルタ（３−ｐｏｉｎｔ ｎｏｎ−ｃａｕｓａｌ ｍｏｖｉｎｇ ａｖｅｒａｇｅ ｄｉｇｉｔａｌ ｆｉｌｔｅｒ）が使用された。このフィルタは、遅延をもたらすことなく、雑音を効果的に取り除く。クランク角度領域内のフィルタ済みシリンダ圧力の導関数を計算するために、３点中心ルール（３−ｐｏｉｎｔ ｃｅｎｔｅｒｅｄ ｒｕｌｅ）による数値微分器（ｎｕｍｅｒｉｃａｌ ｄｉｆｆｅｒｅｎｔｉａｔｏｒ）が使用された。

ニューラル・ネットワークベースのモデルを開発し、訓練し、検証するために、実際のエンジンから訓練および検証のデータ・セットが取得された。モデル開発および検証のテスト状態が以下の動因（ａｃｔｕａｔｏｒ）およびその設定（ｓｅｔｔｉｎｇ）に対して指定された。
エンジン速度 ２０００ｒｐｍ
噴射タイミング ２．０〜１４．０ｂＴＤＣ ｄｅｇ
噴射燃料質量 ８．０５〜３５．０５ｍｇ／ストローク
レール圧力 ８００ ４０バー
ウェイスト・ゲイト 全開、最大ブースト
ＥＧＲバルブ 全閉
スワール制御バルブ 全開

図４は、開発および検証マトリックスを示している。中でも、ニューラル・ネットワークベースのモデルを訓練するために、１２１個の開発ポイントが使用された。訓練プロセスが終了すると、モデルの挙動、正確さ、および普遍化機能を検証するために、モデル訓練のために使用されなかった（ニューラル・ネットワークベースのモデルによって見られていない）２７個の異なる検証ポイントの別の１組が使用された。

実証の目的で、様々な作動装置の範囲が制限された。しかし、実際には、センサ２００をエンジン運転状態の全範囲に拡張することができる。

本発明の一例として、２つのニューラル・ネットワークベースの独立推定量モジュールが開発され、定常状態でテストされた。こうした２つのモジュールは、シリンダ圧力最高上昇速度位置（ＭＲＰ）および最大シリンダ圧力値を推定するためのものである。

最高上昇速度位置推定モジュール
一般に、所与のサイズの訓練データ・セットについて、ニューラル・ネットワークにおいてできるだけ少ないパラメータを有することが望ましい。このモジュールでは、噴射タイミングおよび噴射燃料質量のみとして主な入力変数が選択された。所与のサイズの訓練データ・セットについて、モデルの精度を確実にし、モデルのオーバーフィッティングを回避するために、モデルの開発のために２層５ニューロン・ネットワーク構造が選択された。

図５は、２層５ニューロン・ネットワークであるニューラル・ネットワーク構造を示している。これは、２つの入力（噴射タイミングおよび噴射質量）、１つの出力（予測された最高上昇速度位置）、２つの層（隠れ層および出力層）、および５つのニューロン（隠れ層に４つのニューロン、出力層に１つのニューロン）を有する。

モデル開発データ・セットは、Ｌｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ（ＬＭ）アルゴリズムにより逆伝搬学習ルール（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｌｅａｒｎｉｎｇ ｒｕｌｅ）を使用してモデルを訓練するために、監視されている学習モードにされた。隠れ層には、双曲線正接シグモイド伝達関数（ｈｙｐｅｒｂｏｌｉｃ ｔａｎｇｅｎｔ ｓｉｇｍｏｉｄ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ）が使用された。

最大シリンダ圧力推定モジュール（ｍａｘｉｍｕｍ ｃｙｌｉｎｄｅｒ ｐｒｅｓｓｕｒｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｕｌｅ）
最大シリンダ圧力推定の２つの異なるモデル、入力としての吸気マニホールド絶対圧力（ＭＡＰ）なし、および入力としての吸気マニホールド圧力有りが開発され、比較された。

入力としてのＭＡＰなしのモデルの場合、最高上昇速度位置モデル（上述）のものと似た２層５ニューロン・ネットワーク構造が使用された。入力は、噴射タイミングおよび噴射された燃料質量であった。出力は、予測された最大シリンダ圧力であった。

訓練されたニューラル・ネットワークによる予測された出力と、測定された値との間の比較によって、モデルは、一部の興味深いポイントを除いて、ほとんどのポイントで、測定された値に一致したことが明らかになった。こうしたポイントでは、測定された吸気マニホールド圧力は、付近のポイントの値より不規則に高かった。また、その結果、これらのポイントでの対応する測定された最大シリンダ圧力値も、付近のポイントの値より不規則に高い。より高い吸気マニホールド圧力がより多くの気体をシリンダに運び込み、モータリング圧力および燃焼圧力を増大させるため、このことは理解可能である。吸気マニホールド圧力が燃焼圧力およびモータリング圧力に影響を与えることを考慮して、第２のニューラル・ネットワーク・モデルが提案された。

図６は、２入力２層４ニューロン・ネットワーク（隠れ層に３ニューロン、出力層に１ニューロン）を示している。ネットワークへの入力変数は、噴射タイミングおよび噴射された燃料質量だけではなく、吸気マニホールド圧力もある。ＭＡＰは、燃焼圧力およびモータリング圧力の両方に貢献するため、第１および第２両方の層に接続される。上記の同じモデル開発手順がこのモデルに適用された。

図６のニューラル・ネットワークは、入力としてのＭＡＰなしのネットワークの結果に比べて、より正確な結果をもたらした。訓練されたニューラル・ネットワークによる予測された最大シリンダ圧力値は、吸気マニホールド圧力が不規則により高い点において値が不規則により高いということで、対応する特徴を有する。

上記の同じモデル開発手順をたどることによって、エンジン制御システムおよび障害診断モジュールの要件に基づいて、他のシリンダ圧力関連の個々の変数指向推定モデルを開発することもできる。同じモデル開発プロセスは、ガソリン火花点火エンジンにも適用できる。

上記のモデルは、定常状態条件のものである。センサ２００が遷移状態で動作するには、動的ニューラル・ネットワーク（遅延構成要素付き）が必要である。シリンダ圧力はシリンダ内状態およびエンジン制御コマンド（ディーゼル・エンジンの噴射情報、ガソリン・エンジンのスパーク・タイミングなど）によって決まるため、制御コマンドと共に、シリンダ内状態に影響を与えるこうしたエンジン運転パラメータのみが、入力と見なされる必要がある。ＥＧＲなど、これらのパラメータの一部では、現在のサイクルの値だけではなく、前のサイクルの値も現在のサイクルのシリンダ圧力に影響を与える。したがって、前のサイクルの入力変数を考慮に入れる上位の推定量は、センサ２００の性能を向上させる。遷移挙動は、時間領域およびクランク角度領域における現在の入力信号値とその前の値とをネットワークへの入力ベクトルとして組み合わせることができるタップ付き遅延ラインを備える動的ニューラル・ネットワークを使用してモデリングすることができる。

様々な等価比についての物理的なシリンダ圧力センサからの測定済みシリンダ圧力信号を示す図である。 本発明による仮想シリンダ圧力センサの一例を示す図である。 図２のモジュールのうちの１つを訓練し、使用するプロセスを示す図である。 モデル開発および検証マトリックスの一例を示す図である。 最高上昇速度位置推定量モジュールのニューラル・ネットワーク構造を示す図である。 最大シリンダ圧力モジュールのニューラル・ネットワーク構造を示す図である。

Claims (20)

1. エンジン運転データを受信し、推定されたシリンダ圧力データを出力するように動作可能な少なくとも１つの推定量モジュールを含み、
   前記推定量モジュールが、物理的な圧力センサから抽出された測定データと、前記測定データに関連する少なくとも１つのエンジン運転状態を表すデータとの間の関係を表すモデル・データを提供し、前記モデル・データを使用して、エンジン運転状態データに応答して前記推定されたシリンダ圧力データを提供するよう動作可能である
   内燃機関用仮想シリンダ圧力センサ。
2. 前記推定されたシリンダ圧力データが燃焼タイミング・データである請求項１に記載のセンサ。
3. 前記推定されたシリンダ圧力データがピーク値データである請求項１に記載のセンサ。
4. 前記推定されたシリンダ圧力データが最大圧力データである請求項１に記載のセンサ。
5. 前記推定されたシリンダ圧力データが最高上昇速度値である請求項１に記載のセンサ。
6. 前記推定されたシリンダ圧力データが圧力反曲値である請求項１に記載のセンサ。
7. 前記推定されたシリンダ圧力データが圧力反曲位置である請求項１に記載のセンサ。
8. 前記推定されたシリンダ圧力データが第２のピーク値である請求項１に記載のセンサ。
9. 前記推定されたシリンダ圧力データが第２のピーク値位置である請求項１に記載のセンサ。
10. 前記センサが燃焼タイミング・データ・モジュール、ピ―ク値データ・モジュール、および最大圧力データ・モジュールのうちの１つまたは複数のモジュールを有する請求項１に記載のセンサ。
11. 前記エンジン運転状態が吸気マニホールド圧力、吸気マニホールド温度、冷却水温度、および排気再循環（ＥＧＲ）率を含むグループのうちの少なくとも１つまたは複数である請求項１に記載のセンサ。
12. 前記エンジン運転状態が噴射タイミング、噴射燃料質量、および噴射圧力を含むグループからの少なくとも１つまたは複数である請求項１に記載のセンサ。
13. 前記センサが、前記エンジンのエンジン制御ユニットのプログラミングに統合されているプログラミングで実施される請求項１に記載のセンサ。
14. 物理的な圧力センサから抽出された測定データ、および前記測定データに関連付けられている少なくとも１つのエンジン運転状態を表すデータを使用して少なくとも１つの推定量モジュールを訓練して、前記測定データとエンジン運転状態データとの間の関係のモデルを確立することと、
    前記モジュールをエンジン制御プログラミングに組み込むことと、
    前記エンジンの運転中に、前記モジュールを使用してエンジン運転データを受信し、前記モデル・データにアクセスし、前記シリンダ圧力データを出力することと
    を含む内燃機関のエンジン制御システムにシリンダ圧力データを提供する方法。
15. 前記推定されたシリンダ圧力データが燃焼タイミング・データである請求項１４に記載の方法。
16. 前記推定されたシリンダ圧力データがピーク値データである請求項１４に記載の方法。
17. 前記推定されたシリンダ圧力データが最大圧力データである請求項１４に記載の方法。
18. 前記訓練ステップがニューラル・ネットワークを使用して行われる請求項１４に記載の方法。
19. 前記モジュールを使用する前記ステップが、現在のエンジン運転データを受信し、前記現在のエンジン状態に関連付けられている圧力データを推定することによって行われる請求項１４に記載の方法。
20. 前記モジュールを使用する前記ステップが、現在のエンジン運転データを受信し、将来のエンジン運転状態に関連付けられている圧力データを予測することによって行われる請求項１４に記載の方法。

Images