JP4484879B2 - 自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法 - Google Patents

Description

本発明は、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法に関する。

自動車のディーゼルエンジンの排気ガスの中へ放出される粒子の量の推定は、エンジン制御と、汚染制御手段（粒子フィルタ）の再生を、可能な限り精確で経済的に管理するために有益である。

現在のコンピュータモデルは、多大な計算時間を消費し、不正確である。これらのコンピュータモデルは、計算の複雑さと必要なメモリサイズのために、自動車に搭載することが多くの場合不可能である。これらの著しい簡単化は、推定性能を極度に低下させる危険がある。

マッピング推定モデル（ｍａｐｐｉｎｇ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌｓ）が存在している。これらの推定に影響を及ぼすパラメータの数は比較的大きい。２次元マッピング管理は、推定を複雑にする修正マッピングを含む、幾つかのマッピングを用意することを必要とする。さらに、他の１つのマッピングの後へのこれらのマッピングの追加は、２以上の入力を有するモデルと同様に、表示空間（ｏｐｅｒａｔｉｎｇ ｓｐａｃｅ）の記述を可能にしない。また、このようなモデルは較正が困難である。さらに、マッピングモデルは、排気ガスの中へ放出される粒子の量の推定のために極めて重要な動的現象を考慮に入れていない。

コンピュータ上で用いられるモデルが存在するが、車載コンピュータ上で利用可能なメモリが小さいことは、実時間に適応しない計算時間を意味するので、車載コンピュータ上では使用できない。これらのモデルは、コンピュータの限られたパワーを考慮に入れていない。これらのモデルは、車上で未知の測定値入力を使用することがあり、技術的には可能であると仮定しても、このためのセンサを自動車に追加することは困難である。またこれらのモデルは反復的で、推定が発散するリスクがある。

文献、クリス アトキンス、マイク トラバー著：「仮想センサ：車上診断とエンジン制御のための実時間ニューラルネットワークベースのインテリジェントパフォーマンス及び放出物予測システム」（“Ｖｉｒｔｕａｌ Ｓｅｎｓｏｒｓ： Ａ ｒｅａｌ−ｔｉｍｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ−ｂａｓｅｄ ｉｎｔｅｌｌｉｇｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｅｍｉｓｓｉｏｎｓ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｏｎ−ｂｏａｒｄ ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ ｅｎｇｉｎｅ ｃｏｎｔｒｏｌ”，ｂｙ Ｃｈｒｉｓ Ａｔｋｉｎｓ ａｎｄ Ｍｉｋｅ Ｔｒａｖｅｒ）には、排気ガスの中の放出物の予測方法が記載されている。この方法においては、瞬間的な放出物の発生速度が計算されるが、この放出物の発生速度は、積分して何らかの動作の起動に使用するためには、あまりにも不正確である。

文献、シー ジェイ ブレース、エム ディーコン、エヌ ディー ボウハン、ジェイ チャールトン、シー アール バーロウ著：「ニューラルネットワークを用いた乗用車用のターボ過給機付きディーゼルエンジンからの放出物の予測」（“Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｅｍｉｓｓｉｏｎｓ ｆｒｏｍ ａ ｔｕｒｂｏｃｈａｒｇｅｄ ｐａｓｓｅｎｇｅｒ ｃａｒ ｄｉｅｓｅｌ ｅｎｇｉｎｅ ｕｓｉｎｇ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ”，ｂｙ ＣＪ Ｂｒａｃｅ，Ｍ Ｄｅａｃｏｎ，ＮＤ Ｖａｕｇｈａｎ，Ｊ Ｃｈａｒｌｔｏｎ ａｎｄ ＣＲ Ｂｕｒｒｏｗｓ）には、上述したように、あまりにも不正確で、動的現象を考慮に入れていない、マッピングによる推定が記載されている。

文献、クリス ブレース著：「人工ニューラルネットワークを用いたディーゼルエンジン排気放出物の予測」（“Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｄｉｅｓｅｌ Ｅｎｇｉｎｅ Ｅｘｈａｕｓｔ Ｅｍｉｓｓｉｏｎｓ ｕｓｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”，ｂｙ Ｃｈｒｉｓ Ｂｒａｃｅ）には、自動車に搭載することが困難で、技術的には可能であると仮定しても、センサの追加の実施が困難なシステムが記載されている。
仮想センサ：車上診断とエンジン制御のための実時間ニューラルネットワークベースのインテリジェントパフォーマンス及び放出物予測システム ニューラルネットワークを用いた乗用車用のターボ過給機付きディーゼルエンジンからの放出物の予測 人工ニューラルネットワークを用いたディーゼルエンジン排気放出物の予測

本発明は、上記の従来技術の状況を考慮して、自動車に搭載したときに追加のコストを要しないシステムを使用して、確実かつ精確に粒子（煤その他の汚染物質）の放出を推定するための解決策を提供することを目的とする。

また本発明は、エンジン制御策の較正のための方策を支援することを目的とする。

本発明は、上記課題を解決するために、固体粒子フィルタの再生手段と、データメモリを有する、エンジンの動作を管理するための電子制御装置とを含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムであって、
１または複数のニューラルネットワークと、
エンジンの動作と、選択的に自動車の運動を表し、上記ニューラルネットワークに入力される入力データであって、上記入力データは、上記エンジンの動作を管理するための上記電子制御装置の中で、センサを追加することなく利用可能な入力データと、
推定された量を累積するための累積手段と、
を含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法において、
可動な窓上で累積され、上記ニューラルネットワークへ出力される量における誤差を計算することによって、上記ニューラルネットワークの形態を評価することを特徴とする。

また、上記可動な窓は、予め設定された値よりも低い推定誤差を許容しながら、そのサイズが最小であるように決められることを特徴とする。

また、自動車の運動に対応する上記可動な窓のサイズは、自動車による走行距離１３５ｋｍごとに放出される固体粒子の５ｇより大きくない推定誤差を許容するように、０．５ｋｍと１．５ｋｍの間で変化することを特徴とする。

さらに、上記ニューラルネットワークの学習のために取って置かれるデータの一部は、使用されるデータとは独立の確認を実行するために取って置かれることを特徴とする。

本発明のその他の目的、特徴及び利点は、非限定的な例としてのみ与えられ、理解のために添付図面を参照する以下の詳細な説明を読むことによって明らかになるであろう。これらの添付図面において：
図１は、本発明によるシステムの構造を示すブロック図であり；
図２は、本発明による第１の実施に形態のブロック図であり；
図３は、本発明による第２の実施に形態のブロック図であり；
図４は、本発明による第３の実施に形態のブロック図である。

１または複数のニューラルネットワークのトレーニングサイクルは、数分間存続するドライブサイクル、例えばＭＮＶＥＧサイクルまたはＦＴＰサイクルであり、ＭＮＶＥＧサイクルは、累積規準に関して勝っている。

ニューラルネットワークに関する誤差を見積もるための従来の規準は、瞬間の量と累積量を考慮に入れる問題を考慮していない。実際、最大誤差のような悲観的な規準は、全時間に亘って真であると考える最悪の瞬間のケースを考慮に入れ、この最悪ケースにおいて、累積量は瞬間の量と運転時間との積であると考えられている。しかしながら、これらのケースが生じる可能性は低く、これらの極端な瞬間的誤差は、多くの場合、長期間に亘って繰り返されることがない、過渡状態すなわち動的効果（急加速、急制動、等）に起因することに特に注意するべきである。

さらに、平均絶対値誤差、二乗平均（ｒｍｓ）誤差は、予測されたレート（変化率）は実際のレートの周りで変動することを考慮していない。この場合、累積量が正しくても、平均絶対値誤差、二乗平均誤差は高くなる。

最後に、全サイクルにわたる累積に関する誤差を考慮することは、このシーケンス、すなわちサイクルが、この計算のために有意である、従って分割できないことを意味する。実際、サイクルの一部分についての累積量を過小評価し、その他の部分についての累積量を過大評価することによって、全シーケンスについてゼロの平均誤差を得ることができる。これらの部分は個別に繰り返されることができるが、累積誤差は高くなるであろう。例えば、サイクルが、低速で、モデルが放出物を過大評価する市街地走行と、モデルが放出物を過小評価する高速道路走行とを含むなら、それらの部分の１つに特有な条件においてのみ動作することによって、広い差が、予測と現実の間に累積される。市街地走行のみが適用されると、放出物は常に過大評価され、高速道路走行の過小評価によって補償されることはない。反対に、これらの２つの部分が、加速と減速であれば、走行条件に係わりなくその数は変化しないので、この問題は生じない。

可動な窓（スライディング ウインドウ：ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）における累積基準は、これらの２つの極端な規準の間の中間の規準である。それは、ある距離、例えば１ｋｍに亘っての累積量の最大絶対値誤差を用いることにある。

図１は、本発明による、ディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムの全体構造を示す。このシステムは、入力データ２を受け、出力に推定量３を適用する、１または複数のニューラルネットワーク１を有する。さらにこのシステムは、推定値を累積して累積量５を与える推定量累積手段４を有する。またこのシステムは、推定された汚染化合物の累積量を、互いに他と独立にリセットするリセット手段６を有する。リセット手段６をリセット６とも呼ぶ。

１または複数のニューラルネットワーク１は、従来からなされているように、それぞれがプロセシングモジュールを構成する層の形に設けられる。これらのモジュールは、特有の形態における各層のニューロンの間を延びるリンクによって相互に連結される。このようにして、ニューロンの出力値、すなわちそれらのアクティビティを解析することによって、解析されるべきアクティビティに対応するシグネチャーと既知のアクティビティのシグネチャーとの間の一致度を決定することができる。ニューラルネットワーク１は、当業者に周知の構造である。従って、以下に詳細には説明しない。

図２において、図１の要素と類似の要素については、同じ参照符号が用いられる。図２は、入力に、エンジンの動作と、選択的に自動車の運動を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。これらのデータは、少なくとも、エンジンの回転速度７と、燃料流量８と、エンジンの冷却液の温度９と、自動車の速度１０を含む。さらにこのシステムは、データを記憶するメモリ１１、１２、１３を含み、出力に、少なくとも煤の累積量１６を供給する。またこのシステムは、推定された煤の量１４を累積して、煤の累積量１６を供給する累積手段１５と、推定された煤の累積量１６をリセットする手段１７を含む。リセットする手段１７は、リセット１７とも呼ばれる。

エンジンの動作を管理する電子制御装置は、このシステムに入力データ、すなわち、エンジンの回転速度７、燃料流量８、エンジンの冷却液の温度９、自動車の速度１０を提供する。入力データを決めるための２つの時間の間の時間間隔は、予め設定された間隔Δｔである。メモリ１１は、エンジンの回転速度７の先行する値を記憶し、時間ｔに、システムへ、時間ｔとｔ−Δｔにおけるエンジンの回転速度７の値を供給することができる。メモリ１２、１３は、燃料流量８の２つの先行する値を記憶し、時間ｔに、システムへ、時間ｔ、ｔ−Δｔ、ｔ−２Δｔにおける燃料流量８の値を供給することを可能にする。推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この煤の累積量１６は、固体粒子フィルタが再生されたときに、リセット１７によってリセットすることができる。システムの入力データは、新たなセンサの追加を要することなく、従来の電子制御装置の中で利用可能である。

使用されるトレーニングサイクルは、ＭＮＶＥＧ 欧州ドライブサイクル（ＭＮＶＥＧ Ｅｕｒｏｐｅａｎ ｄｒｉｖｅ ｃｙｃｌｅ）である。最大限度は、可動な窓の最小サイズを選択する誤差に対してセットされる。その近辺で固体粒子フィルタが再生されなければならない量は、５ｇよりも低い誤差を作る２５％の目標信頼間隔をもって、２０ｇである。エンジンは、１３５ｋｍ毎に、２０ｇの煤粒子を作るので、１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差は許容可能である。この限度をセットして、累積誤差に対する可動な窓の長さの影響の解析は、累積誤差は、可動な窓のサイズの増加とともに減少するという結果をもたらす。課された限度（１３５ｋｍあたり５ｇ）よりも低い累積誤差を得るためには、１．５ｋｍの可動な窓を使用するべきである。

ニューロンの最適な数は、システムは自動車に搭載され、パラメータの全数に制限を課するという事実に特に従って決められる。幾つかのモデルの作成後、１０〜１５ニューロンが、基礎的な機能の複雑性を表すのに充分であることが分かった。累積計算に影響を及ぼすある瞬間のデータの数も、経験的に決められる。

図３において、図１、２の要素と類似の要素については、同じ参照符号が用いられる。図３は、入力として、エンジンの動作を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。エンジンの動作を表すデータは、少なくとも、エンジンの回転速度７と、燃料流量８と、エンジンの冷却液の温度９と、混合気の空燃比（エンジンに供給される燃料／空気混合物における燃料の比率を表す比）１８を含む。さらにこのシステムは、データを記憶するメモリ１１、１２、１３を含み、出力に、少なくとも煤の累積量１６を供給する。またこのシステムは、推定された煤の量１４を累積して、煤の累積量１６を供給する累積手段１５と、推定された煤の累積量１６をリセットする手段１７を含む。リセットする手段１７は、リセット１７とも呼ばれる。

エンジンの動作を管理する電子制御装置は、このシステムに入力データ、すなわち、エンジンの回転速度７、燃料流量８、エンジンの冷却液の温度９、エンジンに供給される混合気の空燃比１８を提供する。入力データを決めるための２つの時間の間の時間間隔は、予め設定された間隔Δｔである。メモリ１１は、エンジンの回転速度７の先行する値を記憶し、時間ｔに、システムへ、時間ｔとｔ−Δｔにおけるエンジンの回転速度７の値を供給することができる。メモリ１２、１３は、燃料流量８の２つの先行する値を記憶し、時間ｔに、システムへ、時間ｔ、ｔ−Δｔ、ｔ−２Δｔにおける燃料流量８の値を供給することを可能にする。推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この煤の累積量１６は、固体粒子フィルタが再生されたときに、リセット１７によってリセットすることができる。システムの入力データは、新たなセンサの追加を要することなく、従来の電子制御装置の中で利用可能である。

使用されるトレーニングサイクルは、再度、ＭＮＶＥＧ 欧州ドライブサイクルである。１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差はこの場合も許容可能である。このシステムによれば、セットされた誤差限界を満たしながら、可動な窓のサイズは０．５ｋｍに減少することができる。ニューロンの数は、１０〜１５で充分である。

図２、３に示す本発明によるこれらの２つのシステムは、これらの２つのシステムの１つによる煤の累積量１６の推定値に従って固体粒子フィルタの再生を制御するために使用することができる。

図４において、図１、２、３の要素と類似の要素については、同じ参照符号が用いられる。図４は、入力として、エンジンの動作を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。エンジンの動作を表すデータは、少なくとも、先行噴射率（主噴射に先行する噴射の割合）１９と、主噴射率２０と、フェージング（シリンダの中への最近の燃料噴射（主噴射または後噴射）が開始された時点からの、ピストンの上死点に相対的な移動であり、一般にクランクシャフト角度で表される。）２１と、アドバンス（シリンダの中への最近の主燃料噴射が開始された時間からの、ピストンの上死点に相対的な移動であり、一般にクランクシャフト角度で表される。）２２と、エンジンの冷却液の温度９と、エンジンの空気供給率２３と、コモンレール内の圧力（燃料供給ラインにおける圧力）２４と、エンジンの回転速度７を含む。

これらの全ての入力データは、エンジンの動作を管理する電子制御装置によって供給される。排気ガスの中の推定された炭化水素の量２５を累積する累積手段２６は、排気ガスの中へ放出された炭化水素の累積量２７を推定するための役に立ち、この累積量は、リセット２８によってリセットすることができる。排気ガスの中の推定された酸化炭素の量２９を累積する累積手段３０は、排気ガスの中へ放出された酸化炭素の累積量３１を推定するための役に立ち、この累積量は、リセット３２によってリセットすることができる。同様に、排気ガスの中の推定された酸化窒素の量３３を累積する累積手段３４は、排気ガスの中へ放出された酸化窒素の累積量３５を推定するための役に立ち、この累積量は、リセット３６によってリセットすることができる。さらに、排気ガスの中の推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この累積量は、リセット１７によってリセットすることができる。

使用されるトレーニングサイクルは、再度、ＭＮＶＥＧ 欧州ドライブサイクルである。１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差はこの場合も許容可能である。このシステムによれば、セットされた誤差限界を満たしながら、可動な窓のサイズは０．５ｋｍに減少することができる。ニューロンの数は、この場合も１０〜１５で充分である。

本発明による、図４に記載されたシステムは、ドライブサイクルに亘るエンジン放出物の推定から、エンジン制御策の較正を支援するために実行することができる。

本発明は、固体粒子フィルタのような、汚染抑制装置の再生のための手段を操作するための、自動車用のディーゼルエンジンの汚染放出物、特に粒子放出物の予測を可能にする。

また、本発明は、エンジン制御手段の較正の支援を可能にする。

また、本発明は、非線形現象を考慮に入れることを可能にし、出力の入力へのルーピングを含まず、これによってループ不安定の問題を回避することを可能にする。

さらに本発明は、動的及び静的データを使用し、静的モデルの他の多くのタイプと比較して、短時間間隔内に多数のテストを行うことを可能にする。

本発明によるシステムの構造を示すブロック図である。 本発明による第１の実施に形態のブロック図である。 本発明による第２の実施に形態のブロック図である。 本発明による第３の実施に形態のブロック図である。

Claims (4)

1. 固体粒子フィルタの再生手段と、データメモリを有する、エンジンの動作を管理するための電子制御装置とを含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムであって、
   １または複数のニューラルネットワーク（１）と、
   エンジンの動作と、選択的に自動車の運動を表し、上記ニューラルネットワーク（１）に入力される入力データ（２）であって、上記入力データ（２）は、上記エンジンの動作を管理するための上記電子制御装置の中で、センサを追加することなく利用可能な入力データ（２）と、
   推定された量（３）を累積するための累積手段（４）と、
   を含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法において、
   可動な窓上で累積され、上記ニューラルネットワーク（１）へ出力される量（３）における誤差を計算することによって、上記ニューラルネットワーク（１）の形態を評価することを特徴とする、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法。
2. 上記可動な窓は、予め設定された値よりも低い推定誤差を許容しながら、そのサイズが最小であるように決められることを特徴とする、請求項１に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法。
3. 自動車の運動に対応する上記可動な窓のサイズは、自動車による走行距離１３５ｋｍごとに放出される固体粒子の５ｇより大きくない推定誤差を許容するように、０．５ｋｍと１．５ｋｍの間で変化することを特徴とする、請求項２に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法。
4. 上記ニューラルネットワーク（１）の学習のために取って置かれるデータの一部は、使用されるデータとは独立の確認を実行するために取って置かれることを特徴とする、請求項１〜３のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法。

Images