JP5021432B2 - 内燃機関用のトルク推定器 - Google Patents

Description

本出願は、参考として本出願に内容が組み込まれている２００６年１１月２７日に出願された米国特許出願第１１／５６３，２５９号の優先権を主張する。
本発明は、エンジントルク決定のための改良された方法及び装置、特に内燃機関用のニューラルネットワークに基づくトルク推定、及び改良された車両パワートレイン安全システムに関する。

エンジントルクの決定は、エンジン制御の最適化に有用である。さらに、車両運転の安全性は、エンジン効率の改良された診断を通して高めることができる。

本発明の代表的な実施形態において、エンジントルクを決定するための装置は、クランクシャフト回転データを入力して、エンジントルクに対応する出力を提供するニューラルネットワークを備える。ニューラルネットワークは、例えばクラス、型式の代表的な車両、又は車両モデルを使用してトレーニングすることが可能である。ニューラルネットワークは、一例として時間間隔の形態で、クランクシャフト回転センサからクランクシャフト回転データを入力することが可能である。前処理ユニットは、クランクシャフト回転センサからデータを入力して、クランクシャフトが一定角度増分だけ回転する時間間隔に対応する、時間間隔データをニューラルネットワークに提供する。ニューラルネットワークは、リカレントニューラルネットワーク（ＲＮＮ）であることが可能であって、これにより、入力されたデータから正確なトルク推定を与えるためのトレーニング処理を使用して、トレーニングされることが可能である。

いくつかの実施形態において、エンジントルクを表示するトルクセンサと、要求トルクを表示する制御入力モニタと、エンジントルクの表示と要求トルクの表示とを入力して、診断出力を提供する比較器とを備えるパワートレイン安全システムが設けられる。トルクセンサは、エンジン内に配置された直接センサでもよいか、あるいは１つ以上のエンジン出力パラメータからトルク決定を行う間接センサでもよい。例えば、トルクは、クランクシャフト回転データから決定してもよい。制御入力モニタは、スロットル位置センサ、空気流センサ、又は燃料流センサのような１つ以上の制御入力センサからデータを入力する。制御入力モニタは、エンジントルクに関する運転者の要求の指標を提供する。比較器は、実際のエンジントルクと要求トルクとを比較して、例えば、要求トルクに対する実際のトルクの差、及び／又は、それらの比率が、閾値を越えた場合に、診断出力を提供する。診断出力は、メモリ領域に記憶されたエンジンと関連するエラーコード、警報灯、エンジンの作動状況の修正、制御入力センサ出力の補正、等を含んでもよい。

制御入力モニタは、スロットル位置センサ、空気流センサ、又は燃料流センサ等のような１つ以上の制御入力センサからデータを入力することが可能である。制御入力モニタは、１つ以上のセンサからデータを入力して、要求トルクの決定を行う第２のニューラルネットワークを備えることが可能である。要求トルクは、運転者が望むエンジントルク、又は、１つ以上の制御入力値についての目標トルクでもよい。第２のニューラルネットワークは、リカレントニューラルネットワークであることも可能である。

実例でのトレーニング処理中、直接トルクセンサと、ニューラルネットワークベースの間接トルクセンサとが装備された車両が、一定範囲の条件で運転される。ニューラルネットワークは、直接センサを使用して獲得されたトルク測定に対応するトルク測定を行うようにトレーニングされる。これらのトレーニングデータを獲得した後、これらのデータを同様の車両に使用してもよい。この方法の利点は、直接トルクセンサが高価であり、信頼性に欠ける可能性があることである。大部分の車両には、クランクシャフト回転センサが備えられ、したがって、ニューラルネットワークに必要なデータはすでに用意されている。
本発明の実施形態による装置は、追加の高価なまたおそらくは信頼性に欠ける直接トルクセンサを必要とすることなく、正確なエンジントルクデータを提供する。そして、このエンジントルクの決定方法は、改良されたエンジン制御システム、及びパワートレイン安全システムに使用してもよい。

本発明の他の実施形態において、内燃機関の作動に関する診断出力を提供するための装置は、エンジン出力データを入力する第１のニューラルネットワークと、少なくとも１つの制御入力センサから制御入力データを入力する第２のニューラルネットワークとを備える。さらに、装置は、第１のニューラルネットワークによって決定されたエンジントルクと、第２のニューラルネットワークによって決定された要求エンジントルクとを入力する比較器を備える。比較器は、前者の決定されたエンジントルクを、エンジン制御入力データから決定されるような、後者の要求エンジントルクと比較して、診断出力を提供する。後者の要求トルク、及び、前者の決定されたトルクが、閾値を越えて異なる場合、診断出力は、例えば、警報でもよい。

対象の車両のエンジントルクを決定するための方法は、対象の車両と同様なトレーニング車両のようにトレーニング構造を使用して、ニューラルネットワークをトレーニングするステップを含む。トレーニング車両のエンジンには、トレーニングトルクデータを提供するトルクセンサと、トレーニング可能なニューラルネットワークとが装備される。トレーニング可能なニューラルネットワークは、トレーニングエンジンからトレーニング操作データを入力し、その出力がトレーニングトルクデータに対応するようにトレーニングされる。トレーニングされると、トレーニング可能なニューラルネットワークは、トレーニングされた構造を有する。次に、トレーニングされた構造は、対象の車両内のニューラルネットワークを構成するように組み込まれ、このニューラルネットワークは、対象の車両のエンジンにおいて運転データを入力して、決定されたエンジントルクである出力を提供する。運転データは、クランクシャフト回転データ、又は、他のエンジン作動データでもよい。

エンジントルクの決定は、エンジンの電子制御において有効であって、電子制御により、エンジン作動の診断が提供され（特に、予想外の操作を検出するため）、また意図しない車両加速を避けるように補助するパワートレイン安全モニタが提供される。エンジントルクの決定は、物理理論から導出されるエンジントルクモデルに基づいてもよい。このようなモデルは、一般に、容認可能な結果を与えるが、一般的に、多くの場合、エンジン挙動、その関連のセンサ、及び、アクチュエータの通常の動作を前提とする。このため、直接トルクセンサ（又はシリンダ内圧のような関連量の直接センサ）の方が望ましいと考えられる。しかし、商業的に入手可能なトルクセンサ及びシリンダ内圧センサは、高価であり、信頼性の問題を有する。

エンジントルクは、クランクシャフトの回転速度の変動から決定することができる。理想的な状態下において、クランクシャフト速度は、その平均値から周期的な変化を示し、この速度変化の振幅はエンジントルクを示している。
実際の状態下において、エンジン速度を変化させた場合の非定常運転、及び、クランクシャフトのねじれ振動のような要因によって、予定の周期的な変化が不明確化してしまう。

本発明の実施形態は、ねじれ振動の存在を活用するトルク推定の新規な方法を含む。ニューラルネットワークは、クランクシャフト速度の測定された変化が入力として与えられた場合、トルクを推定するようにトレーニングすることができる。ねじれ振動パターンは、ニューラルネットワークを使用して抽出できるエンジントルクに関する有用な情報を含んでいる。

本発明の他の実施形態において、パワートレイン安全モニタは、エンジントルクの２つの独立した決定を行う２つのニューラルネットワークを含む。例えば、第１のニューラルネットワークの出力は、クランクシャフト回転データのようなエンジン作動パラメータからのエンジントルクの決定を表してもよい。第２のニューラルネットワークの出力は、スロットル位置のようなエンジン制御入力からの要求エンジントルクの決定を表してもよい。２つのネットワークの出力間の偏差により、エンジントルク発生に関する故障の検出に使用できる診断出力が提供される。パワートレイン安全モニタは、大部分のエンジン系に対し、かつ、エンジン作動範囲のほぼ全域にわたって適用できる。

図１は、本発明の実施形態によるパワートレイン安全モニタを示している。装置は、トルクを表示するトルクセンサ１０と、要求トルクの決定を行うエンジン制御入力モニタ１２と、トルクセンサ及びエンジン制御入力モニタの出力を入力する比較器１４と、診断出力１６とを備える。トルクセンサは、エンジンのシリンダ内に配置された直接センサでもよいか、あるいは代わりに、クランクシャフト回転データのようなエンジン出力パラメータからのトルクを決定する間接トルクセンサでもよい。エンジン制御入力モニタは、１つ以上の制御入力センサ、例えばエンジンスロットルセンサ、空気流センサ、又は燃料流センサからデータを入力する。これらのセンサは、図１の１８と１９に示されている。比較器は、決定されたエンジントルクと要求エンジントルクとの比較を行い、これらのデータの一致か不一致を反映する診断出力を出力する。例えば、比較器は、決定エンジントルクが要求トルクからある閾値よりも大きく逸脱する場合、診断結果の警告を行ってもよい。閾値は、比率閾値、絶対差閾値、又はそれらのいくつかの組み合わせでもよい。

他の実施形態において、トルクセンサの出力は、車両加速度計データと比較して、それらの比較から提供される診断出力が提供される。

診断出力は、技術者によるその後の読み取りのためのエンジンコードの生成、決定トルクと要求トルクとの差に関する数値データ、警報灯、音声警報又はその他の警報、安全モードに入るようなエンジン作動の修正、制御入力センサの較正、若しくは、それら又はその他の組み合わせを含んでもよい。

本発明による間接トルクセンサは、定常状態及び過渡的状況の両方で動作することができ、またねじれ振動が増加すれば、信号上でより明瞭なパターンとして見ることができるので、ねじれ振動の増加から利益を受けることが可能である。ニューラルネットワークの使用により、エンジン作動の物理的モデルでは分析できない複雑なパターンの解析が可能になる。さらに、ニューラルネットワークの使用により、例えば１台以上の同様の車両から獲得された較正（又はトレーニング）データを使用して、より容易な較正が可能になる。予想精度は、より広範囲のトレーニングデータを使用して高めることが可能である。

トルクは、エンジンの膨張行程中に生成される。理想的には（定常状態の状況下であって、エンジン負荷全体による大きな抵抗トルクを受けやすい極めて堅いクランクシャフトの場合）、燃焼特性は、周期的なパターン（例えば、正弦関数）と類似し、そのパターンにおいて、最小の「時間間隔」（すなわち、最大の「速度」と等価なものである）と対応した膨張行程を有している。しかし、実際には、燃焼特性は、クランクシャフトのねじり振動のためノイズのように見えることが多い。

図２Ａは、理想的なシリンダ燃焼特性の図面である。理想的な状態下では、所望の時間間隔の周期的パターンが生じ、この時間間隔は、振幅として、変化するトルクに合わせて変化する、
図２Ｂは、実際のシリンダ燃焼特性を示しており、時間間隔の周期的パターンは、ねじり振動の存在によって大幅に複雑にされる。

ねじり振動は、エンジン速度及び負荷と共に変化するので、十分に強力な信号処理により、ねじり振動パターンを反転して、エンジントルクの推定値を回復することができる。例えば、本発明の実施形態による装置は、信号処理システムとして複数の入力及び１つの出力を有するリカレントニューラルネットワーク（ＲＮＮ）を使用する。１つの組の入力は、時間間隔のシーケンスから導出され、これは、クランクシャフト回転を微細スケールで反映する。その他の入力としては、例えばフライホイールセンサのような回転数センサからの平均クランクシャフト速度のようなコンテキスト変数を含んでもよい。ＲＮＮの出力は、トルク推定値である。ニューラルネットワークの調整可能なパラメータ、すなわち、各々のノードのウェイトは、トレーニングプロセスによって決定してもよい。

典型的な車両エンジンでは、エンコーダホイールは、トルクコンバータ、変速機又は他の任意のエンジン負荷構成要素の前のエンジンのクランクシャフトに配置され、また典型的には歯付きホイールである。関連のクランクシャフト回転センサは、クランクシャフトが回転するときにパルスストリームを提供し、信号プリプロセッサは、パルスストリームを入力して時間間隔データストリームを提供する。時間間隔は、エンコーダホイールが、その隣接する歯の間の角度間隔を回転する時間を表すことが可能である。各々のシリンダの燃焼は、複数の時間間隔にわたって広がり、他のシリンダ燃焼が続き、クランクシャフトの１回転の完了までさらに燃焼が続く。本発明の実施形態において、エンジントルクは、時間間隔データのようなクランクシャフト回転データを使用して決定される。

図３は、クランクシャフト回転データを使用してエンジントルクを決定するための装置の概略図を示している。この図は、クランクシャフト回転センサ、本例ではピックアップセンサ２４の近傍に、歯２２のような歯を有するエンコーダホイール２１を支持するクランクシャフト２０を示している。ピックアップセンサは、クランクシャフトが回転するときにパルスストリームを提供する。パルスは、パルスデータを一連の時間間隔に変換する信号プリプロセッサ２６によって入力される。例えば、クロックを使用して、連続パルス間の時間間隔を計数することができる。Δｔ（デルタｔ）によって表される時間間隔データは、ニューラルネットワーク３２への一連の入力２８として与えられる。ニューラルネットワークはまた、例えば、エンジン回転センサからエンジンＲＰＭデータ３０を入力する。リカレントニューラルネットワーク３２は、トルク出力３４として表されるトルクの決定を行う。

ニューラルネットワークは、トレーニングプロセスを使用してトレーニングすることができる。例えば、トレーニングプロセスは、較正された車両に図３に示したようなシステムを取り付けることを含む。較正された車両には、直接トルクセンサが装備され、車両は様々な運転条件下で運転される。トレーニングプロセスは、時間間隔データから決定されたトルク出力が、直接トルクセンサからのトルク出力と整合するまで、ニューラルネットワークを調整することを含む。前記トレーニングプロセスは、同様の特性の他の車両に引き継がれることが可能なトレーニングデータを提供するので、車両に取り付けるために、直接トルクセンサは必要ない。

ニューラルネットワーク用の複数のトレーニング方法が関連技術で知られており、トレーニングのために使用してもよい。特定の例は、「制御用のダイナミックニューラルネットワーク」（”Ｄｙｎａｍｉｃａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｃｏｎｔｒｏｌ”）、Ｄ．プロホロフ（Ｄ．Ｐｒｏｋｈｏｒｏｖ）、Ｇ．プスコリウス（Ｇ．Ｐｕｓｋｏｒｉｕｓ），ａｎｄ Ｌ．フェルトカムプ（Ｌ．Ｆｅｌｄｋａｍｐ）、Ｊ．コーレン（Ｊ．Ｋｏｌｅｎ）ａｎｄ Ｓ．クレメル（Ｓ．Ｋｒｅｍｅｒ）（編集）、「ダイナミックリカレントネットワークのフィールドガイド」（”Ａ Ｆｉｅｌｄ Ｇｕｉｄｅ ｔｏ Ｄｙｎａｍｉｃ Ｒｅｃｕｒｒｅｎｔ Ｎｅｔｗｏｒｋｓ”）、ＩＥＥＥプレス、２００１、ページ２５７−２８９；ａｎｄ Ｌ．フェルトカムプ（Ｌ．Ｆｅｌｄｋａｍｐ）、Ｄ．プロホロフ（Ｄ．Ｐｒｏｋｈｏｒｏｖ）、Ｃ．イーゲン（Ｃ．Ｅａｇｅｎ）、ａｎｄ Ｆ．ユアン（Ｆ．Ｙｕａｎ）、「リカレントネットワーク用のエンハンストマルチストリームカルマンフィルタトレーニング」（”Ｅｎｈａｎｃｅｄ Ｍｕｌｔｉ−Ｓｔｒｅａｍ Ｋａｌｍａｎ Ｆｉｌｔｅｒ Ｔｒａｉｎｉｎｇ ｆｏｒ Ｒｅｃｕｒｒｅｎｔ Ｎｅｔｗｏｒｋｓ”）、Ｊ．スイケンス（Ｊ．Ｓｕｙｋｅｎｓ）ａｎｄ Ｊ．ヴァンデワレ（Ｊ．Ｖａｎｄｅｗａｌｌｅ）（編集）、「非線形モデル化：アドバンストブラック・ボックス技術」（”Ｎｏｎｌｉｎｅａｒ Ｍｏｄｅｌｉｎｇ：Ａｄｖａｎｃｅｄ Ｂｌａｃｋ−Ｂｏｘ Ｔｅｃｈｎｉｑｕｅｓ”）、ページ２９−５３、クルウェルアカデミックパブリッシャー（Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ）、１９９８に記載されたマルチストリームＥＫＦプロシージャである。

ＲＮＮへの異なる種類の入力が、時間間隔のシーケンスを利用して導出することができる。例えば、時間間隔の逆数をとって角速度を生成することができ、またこれらの角速度を使用して、角加速度値を生成することができる。さらに、時間間隔は、速度値又は加速度値の導出の前に結合演算することができる。

代表的な実施例では、９つの連続時間間隔Δｔ_kは、エンジンサイクルに対応する７２０度からの特定のセグメントのクランクシャフト回転を表した。これらは、次式１〜３に従って計算された。

Δｔ_k＝（Δｔ_k ^aver／ΔＴ）−１ 式（１）

ΔＴ＝（Σ⁹ _ｋ=1Δｔ_k ^aver）／９ 式（２）

Δｔ_k ^aver＝（Σ^N _i=1Δｔ_i、k）／Ｎ 式（３）

ここで、ｉは、あるシリンダの燃焼と関連するインデックスであり、Ｎは、Δｔ_kの計算に使用されるシリンダの数であり、またｋは、各々の燃焼内の時間間隔のインデックスである（燃焼の第１の時間間隔についてｋ＝１、第２の時間間隔についてｋ＝２、等々）。
Δｔ_kの比例値がＲＮＮへの入力として使用された。平均化においては、異なる数のシリンダと共に、Ｎの複数の選択が使用可能である。決定されたトルクは、サイクルにわたって平均化できる。

異なるシリンダからの情報について、多数の独立したニューラルネットワークをトレーニングしてもよく、この冗長性は、ノイズの低減、精度の向上、又はロバスト性の強化のために、例えば平均化又はメディアンフィルタリングによる推定値の組み合わせを可能にする。

図４は、第１のニューラルネットワーク（ＲＮＮ１）４０と第２のニューラルネットワーク（ＲＮＮ２）４２とを備えるパワートレイン安全モニタを示している。本実施例では、両方のニューラルネットワークはリカレントニューラルネットワークである。第１及び第２のニューラルネットワークの出力は、診断出力４６を提供する比較器４４に提供される。

本実施例では、ＲＮＮ２で示した第２のニューラルネットワークは、ＲＮＮ１によって与えられる推定値とほぼ無関係のエンジントルクの推定値を提供し、トルク診断を容易にするリカレントニューラルネットワークである。２つのトルク推定値（１つはＲＮＮ１から、他の１つはＲＮＮ２から）が、かなりの時間に亙って相当離れている場合、これは、エンジントルク生成の故障を示す可能性がある。

本実施例では、ＲＮＮ２への入力は、エンジンへの制御入力（例えばスロットル位置、空燃比）、パワートレイン制御モジュール（ＰＣＭ）から獲得されたデータ、及び、おそらく加速度計のような他の車両センサから獲得されたデータを含むことが可能である。ＲＮＮ１への入力は、エンコーダホイールのようなクランクシャフト回転センサから導出される。同様のトレーニング方法及び目標信号が、ＲＮＮ１及びＲＮＮ２の両方に使用可能である。しかし、２つのＲＮＮの出力は、異なる種類の入力を有するので正確に一致する必要はない。２つのＲＮＮの出力は、トルク診断のために比較される。２つの出力間の相当の偏差は、エンジンの予期しない挙動（例えば、そのトルクが予想以上に大きい）を示す。大きな偏差の原因は、当業者によく知られた単純な較正工程によって確定することができる。

一例のトレーニングプロセスでは、試験車両には、ニューラルネットワークをトレーニングする目標トルク値を提供するためのトルクセンサが装備される。ニューラルネットワークはまた、パワートレイン制御モジュール（ＰＣＭ）によって与えられるエンジン負荷値から導出されるトルク推定値、又はトルクコンバータ容量と、エンジン速度に対するコンバータタービン速度の比率との間の既知の近似の関係から導出されるトルク値を使用して、トレーニングすることが可能である。このようなトルク値を構成するために必要な情報は、ＰＣＭで利用可能である。各々の種類の目標について、別個のニューラルネットワークをトレーニングすることができる。

データは、例えば、クランクシャフト位置センサから時刻（timestamps）を測定して記録しつつ、試験軌道でプロトタイプ車両を駆動するとともに、ＰＣＭから必要な情報を記録することによって、広範囲の運転条件（例えば、連続的に変化するエンジン速度及び負荷、異なるギヤ等）にわたって収集することができる。必要な時間間隔は、順次時刻（timestamps）を差し引くことによって獲得され、エンコーダ歯の角度間隔の変化の補正（profile correction）を適用してもよい。

図５は、エンジントルクを推定するためにトレーニングされたリカレントニューラルネットワークの出力を示している。ニューラルネットワークは、パワートレイン制御モジュール（ＰＣＭ）によって提供された出力、すなわちエンジン負荷値を使用してトレーニングがなされてある。エンジントルク（フィート・ポンド）は、サイクルインデックスに対して示され、ＲＮＮ出力は点線であり、目標トルクは実線である。図５Ｂは、同一の期間にわたる図５Ａのデータに対応するエンジン速度を示している。トレーニングデータは、ＰＣＭによって計算されたトルクを含み、９つのゼロ点平均時間間隔が、上述の１〜３の式に従って計算された。コンテキスト入力のみが（スケーリングされた）エンジン速度であり、これは、図５Ｂに示したような大きな範囲にわたって様々であった。

ニューラルネットワーク出力は、目標量の局所平均を非常によく追従する。ＰＣＭから追加の入力、例えば、ギヤ選択、スロットルペダル位置、及びブレーキペダル位置をニューラルネットワークに提供することによって、精度をさらに改善することが可能であるかもしれない。２つのニューラルネットワークを使用するパワートレインの安全上の用途のために、それらのトルク推定値からの独立を可能にするために、２つのニューラルネットワークの入力の間に質的な差があることが好ましい。

したがって、本発明の実施形態において、ニューラルネットワークは、クランクシャフトセンサを使用して獲得されたクランクシャフト回転データを入力する。クランクシャフトセンサは、クランクシャフト回転の角度増分に対応する時間間隔でパルスを提供するエンコーダホイール（歯付き車）でもよい。ニューラルネットワークは、較正されたトルクセンサを使用してトレーニング可能であり、例えば、一連の時間間隔入力を使用してトレーニングし、較正されたセンサのトルクと整合する推定トルクを提供する。エンジン診断のために、決定されたエンジントルクを使用してもよく、さらに運転者のスロットル位置の命令のようなエンジン制御データと比較してもよい。

本発明のいくつかの実施形態において、トルク推定値を提供するために、２つの別個のニューラルネットワークが使用される。第１のニューラルネットワークは、クランクシャフト回転センサから導出される一連の時間間隔を使用する。第２のニューラルネットワークは、第１のニューラルネットワークによって与えられる推定値と実質的に無関係であることが可能なトルク推定値を提供する。第２のニューラルネットワークへの入力は、スロットル位置、空燃比のようなパラメータ、及びおそらく加速度計のような車両センサを含んでもよい。２つの組の出力（トルクの推定）が比較され、２つの出力の間の大きな偏差により予定されていないエンジン挙動が診断される。

１つ以上のニューラルネットワークは、クランクシャフト回転データ及びペダル位置データの両方を入力するエンジンコンピュータに実装することが可能である。ニューラルネットワーク、又は他の信号処理アルゴリズムを使用して、決定されたエンジントルクを、例えばペダル位置と比較し、大きな偏差があるかどうかを決定することが可能である。偏差は、エンジン性能問題の診断として使用してもよい。燃料流量又は空気供給のようなパワートレイン制御モジュール（ＰＣＭ）からのデータは、他のトルク推定値を提供するために使用してもよい。２つのニューラルネットワークを使用して、出力を比較することができ、エンジン作動のさらなる診断が提供される。既存の直接トルクセンサは、高価であり、かつ信頼性の問題を有する。しかし、既存の直接トルクセンサを使用して、本明細書に記載したような間接センサを較正することが可能である。

決定されたエンジントルクは、ニューラルネットワークへの組み合わせ入力として、あるいはいくつかの実施形態において、複数のニューラルネットワークに独立して、１つ以上のエンジン制御入力センサの出力と比較してもよい。例えば、エンジントルクは、ある燃料流量又は空気流量から予想されるエンジントルクと比較してもよい。エンジントルクが、エンジン制御入力から予想される以上に大きい場合、空気又は燃料流量センサに関連する問題発生の可能性を表示するような、エラーコードを提供することが可能である。

エンジン不点火が存在する場合、決定されたトルクは、要求トルクよりも相当小さい可能性がある。したがって、本発明の実施形態は、不点火検出器として使用してもよい。しかし、決定されたトルクが予想よりも低い特別な理由を認識することは難しいかもしれない。診断コードは、技術者によるさらなる調査を必要とするエラー表示を簡単に提供することができる。

本発明は、上述の例示的な実施例に限定されない。実施例は、本発明の範囲に対する限定として意図されない。本明細書に記載した方法、装置、信号処理アルゴリズム等は、模範的なものであり、本発明の範囲に対する限定として意図されない。本発明の変更及び他の使用が、当業者に想起されるであろう。本発明の範囲は、特許請求の範囲によって規定される。本発明を記載して、請求する。

本発明の実施形態によるパワートレイン安全モニタを示している。 理想的なシリンダ燃焼特性を示した図面である。 ねじれ振動を含む実際のシリンダ燃焼特性を示した図面である。 リカレントニューラルネットワークを含む、クランクシャフト回転データからエンジントルクを決定するための装置の図面である。 ２つの独立のニューラルネットワークを含むパワートレイン安全モニタの図面である。 クランクシャフト回転データからニューラルネットワークを使用して獲得されるようなエンジントルク対サイクルデータを示した図面である。 対応するエンジン速度を示した図面である。

Claims (12)

1. エンジンの作動に関する診断出力を提供するための装置であって、該装置は、
   ニューラルネットワークにより受理されたクランクシャフト回転データにおけるねじり振動パターンを使用して、エンジントルクを決定するように作動可能であるニューラルネットワークを含む、エンジントルクを提供するトルクセンサと、
   制御入力データを入力して、前記制御入力データから要求エンジントルクを決定するエンジン制御入力モニタと、
   前記トルクセンサからのエンジントルクと、前記エンジン制御入力モニタからの要求トルクとを入力する比較器であって、前記決定されたエンジントルクと前記要求エンジントルクとの比較から診断出力を提供する比較器と、
   を具備する装置。
2. 前記エンジン制御入力データがスロットル位置データを含む、請求項１に記載の装置。
3. 前記エンジン制御入力データが燃料流量データを含む、請求項１に記載の装置。
4. 前記診断出力が、前記エンジントルク及び前記要求エンジントルクが閾値よりも大きく異なるときに提供される診断警報を含む、請求項１に記載の装置。
5. 前記トルクセンサが、クランクシャフト回転データを入力するニューラルネットワークを備える間接トルクセンサであり、前記ニューラルネットワークが、前記クランクシャフト回転データから前記エンジントルクを決定する、請求項１に記載の装置。
6. 前記ニューラルネットワークが、リカレントニューラルネットワークである、請求項５に記載の装置。
7. エンジンの作動に関する診断出力を提供するための装置であって、
   クランクシャフト回転データを入力する第１のニューラルネットワークであって、前記クランクシャフト回転データにおけるねじり振動パターンから、エンジントルクを決定する第１のニューラルネットワークと、
   制御入力データを入力する第２のニューラルネットワークであって、前記制御入力データから要求エンジントルクを決定する第２のニューラルネットワークと、
   前記第１のニューラルネットワークからエンジントルクを入力し、前記第２のニューラルネットワークから要求エンジントルクを入力する比較器であって、前記エンジントルクと前記要求エンジントルクとの比較から前記診断出力を提供する比較器と、
   を具備する装置。
8. 前記第１のニューラルネットワークが、エンジン回転数センサから平均クランクシャフト回転速度をさらに入力する、請求項７に記載の装置。
9. 前記制御入力データが、スロットル位置データ、空気流量データ、及び燃料流量データからなる一群のデータタイプから選択された１つ以上のデータタイプを含む、請求項７に記載の装置。
10. 前記エンジン制御入力データがスロットル位置データを含む、請求項７に記載の装置。
11. 前記診断出力が、前記エンジントルク及び要求エンジントルクが所定の閾値よりも大きく異なる場合に診断警報を含む、請求項７に記載の装置。
12. エンジンのエンジントルクを決定するための方法であって、
    トレーニングエンジンと、トレーニングトルクデータを提供するトルクセンサと、前記トレーニングエンジンからトレーニング操作データを入力しかつトレーニング可能な出力を有するトレーニング可能なニューラルネットワークとを具備するトレーニング構造を提供するステップと、
    前記トレーニング可能な出力が前記トレーニングトルクデータに対応するように、前記トレーニング可能なニューラルネットワークをトレーニングするステップであって、次に前記トレーニング可能なニューラルネットワークがトレーニングされた構造を有するステップと、
    前記エンジンから操作データを入力しかつ出力を有するニューラルネットワークを提供するステップと、
    前記ニューラルネットワークは、前記ニューラルネットワークにより受理されたクランクシャフト回転データにおけるねじり振動パターンを使用して、エンジントルクを決定するように作動可能であるように、前記トレーニング可能なニューラルネットワークのトレーニングされた構造を使用して前記ニューラルネットワークを構成するステップと、
    前記ニューラルネットワークの出力からエンジントルクを決定するステップと、
    を具備する方法。

Images