KR102165878B1 - 인공신경망을 이용한 차량 엔진 토크 추정 방법 - Google Patents

인공신경망을 이용한 차량 엔진 토크 추정 방법 Download PDF

Info

Publication number
KR102165878B1
KR102165878B1 KR1020200007390A KR20200007390A KR102165878B1 KR 102165878 B1 KR102165878 B1 KR 102165878B1 KR 1020200007390 A KR1020200007390 A KR 1020200007390A KR 20200007390 A KR20200007390 A KR 20200007390A KR 102165878 B1 KR102165878 B1 KR 102165878B1
Authority
KR
South Korea
Prior art keywords
neural network
artificial neural
ignition timing
torque
information
Prior art date
Application number
KR1020200007390A
Other languages
English (en)
Inventor
도형수
Original Assignee
주식회사 현대케피코
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
Application filed by 주식회사 현대케피코 filed Critical 주식회사 현대케피코
Priority to KR1020200007390A priority Critical patent/KR102165878B1/ko
Application granted granted Critical
Publication of KR102165878B1 publication Critical patent/KR102165878B1/ko
Priority to DE102020007952.0A priority patent/DE102020007952A1/de
Priority to US17/142,874 priority patent/US11326572B2/en
Priority to CN202110027159.2A priority patent/CN113153521B/zh

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
    • F02P5/15—Digital data processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
    • F02B77/00—Component parts, details or accessories, not otherwise provided for
    • F02B77/08—Safety, indicating, or supervising devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
    • F01L13/00—Modifications of valve-gear to facilitate reversing, braking, starting, changing compression ratio, or other specific operations
    • F01L13/0015—Modifications of valve-gear to facilitate reversing, braking, starting, changing compression ratio, or other specific operations for optimising engine performances by modifying valve lift according to various working parameters, e.g. rotational speed, load, torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0207—Variable control of intake and exhaust valves changing valve lift or valve lift and timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0215—Variable control of intake and exhaust valves changing the valve timing only
    • 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
    • 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
    • F02D41/2438—Active learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
    • F02P5/15—Digital data processing
    • F02P5/1502—Digital data processing using one central computing unit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0215—Variable control of intake and exhaust valves changing the valve timing only
    • F02D13/0219—Variable control of intake and exhaust valves changing the valve timing only by shifting the phase, i.e. the opening periods of the valves are constant
    • 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
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • 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
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • 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
    • 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
    • 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
    • F02D2200/101—Engine speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D37/00—Non-electrical conjoint control of two or more functions of engines, not otherwise provided for
    • F02D37/02—Non-electrical conjoint control of two or more functions of engines, not otherwise provided for one of the functions being ignition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02T10/12—Improving ICE efficiencies
    • 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)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

본 발명은 인공신경망을 이용한 차량 엔진 토크 추정 방법에 관한 것으로서, 차량 엔진 토크 추정 방법에 있어서, 차량 엔진의 운전영역 정보를 취득하는 단계; 차량 엔진이 취득된 운전영역 정보를 n개의 데이터 세트로 구성하는 단계; n개의 데이터 세트로부터 MBT 정보 (Minimum Spark timing for Best Torque)를 추출하는 단계; n개의 데이터 세트로 구성된 운전영역 정보를 입력층으로 하고, 점화시기정보 및 토크 정보를 출력층으로 하며, 은닉층을 가지면서 인공신경망을 구성하는 단계; n개의 데이터 세트를 기반으로 인공신경망을 이용하여 학습하는 단계; 인공신경망을 통해 학습된 데이터 및 점화시기 효율곡선을 차량의 ECU에 저장하는 단계; 운전영역 정보를 ECU에 저장된 인공신경망에 입력하고, 인공신경망에서 계산되는 점화시기정보 및 토크 정보를 출력하는 단계; 운전영역 정보를 이용하여 ECU로부터 계산된 점화시기정보와 학습된 인공신경망에서 계산된 점화시기정보와의 차이 값을 점화시기정보에 입력하여 점화시기효율을 계산하는 단계; 계산된 점화시기효율을 토크 정보에 곱하여 실시간 토크를 계산하는 단계; 를 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법에 관한 것이다.

Description

인공신경망을 이용한 차량 엔진 토크 추정 방법{Method for Estimation of Engine Torque by Artificial Neural Network}
본 발명은 인공신경망을 이용한 차량 엔진 토크 추정 방법에 관한 것으로서 보다 상세하게는, 인공지능 학습을 이용하여 가솔린 엔진의 최적 점화시기를 결정하는 차량 엔진 토크 추정 방법에 관한 기술이다.
지금까지는 가솔린 엔진 시스템에 있어서 엔진의 현재 토크를 계산하기 위하여 물리 법칙 기반의 모델을 구성하여 사용하고 있다.
이와 같은 종래의 토크 추정 기술은 가솔린 엔진 연소 과정에서 토크 발생에 영향을 미치는 인자를 고려하여 구성되어 있다.
다시말해, 종래의 토크 추정 기술의 경우 가솔린 엔진 시스템의 토크를 제어하기 위한 물리 법칙 기반의 모델을 사용해왔다.
이와 같은 종래의 물리 법칙 기반의 모델에서는 영역 별 최적 토크, 영역 별 최적 점화시기, 혼합기 중 비활성기체의 영향, 공연비의 영향, 점화효율에 해당하는 테이블을 캘리브레이션 등 다양한 정보를 통해서 엔진의 현재 토크를 구하는 방식을 사용하고 있었다.
즉, 종래 기술은 물리 법칙 기반의 모델을 구성하고, 입력 변수로 쓰이는 물리량이 출력에 미치는 효과를 물리 법칙으로 풀어내며 수식 및 테이블로 표현하여 왔다.
그러나, 배기가스 규제 만족을 위한 최신의 기술이 적용될수록 이와 같은 토크 계산 로직은 점점 복잡해지고 있다.
한편, 자동차 기술 발달로 가솔린 엔진 시스템이 복잡해지고 있으며, 종래의 물리 법칙 기반의 모델을 이용해서는 정확한 토크를 계산하기 어려운 한계가 있다.
이러한 종래 방식에서는 시스템이 복잡해질수록 물리 법칙으로 표현하기 어려워 모델의 정확도가 저하되거나 지나치게 많은 비용이 소요되는 측면이 있다.
즉, 종래의 토크 추정기술은 캘리브레이션 비용이 증가하는 등의 문제가 있었다.
일례로 비활성기체량은 실시간으로 알기 어려워 모델링을 통해 간접적으로 값을 추정하고 있지만, 이와 같은 추정을 통해서는 정확하지 않으므로 그 효과를 추정하기가 매우 곤란하다.
또한 종래의 물리 법칙 기반 모델을 이용한 토크 추정 방식은 각 물리량 효과가 모델의 비선형성을 테이블로 표현되므로 테이블 값의 설정이 곧바로 모델의 정확도에 지대한 영향을 미치게 되는 단점이 존재한다.
JP 4840397 B2 (2011.10.14)
이와 같은 종래 기술의 문제점을 극복하기 위한 본 발명은 데이터 기반의 인공신경망 모델을 적용함으로써 물리 법칙 기반 모델의 한계를 극복하여 정확한 토크 계산과 캘리브레이션 및 로직 개발 비용을 저감하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 제공하는 데 목적이 있다.
이와 같은 과제를 해결하기 위한 본 발명은 차량 엔진 토크 추정 방법에 있어서, 상기 차량 엔진의 운전영역 정보를 취득하는 단계; 상기 차량 엔진이 상기 취득된 운전영역 정보를 n개의 데이터 세트로 구성하는 단계; 상기 n개의 데이터 세트로부터 MBT 정보(Minimum Spark timing for Best Torque)를 추출하는 단계; 상기 n개의 데이터 세트로 구성된 운전영역 정보를 입력층으로 하고, 점화시기 정보 및 토크 정보를 출력층으로 하며, 은닉층을 가지면서 인공신경망을 구성하는 단계; 상기 n개의 데이터 세트를 기반으로 상기 인공신경망을 이용하여 학습하는 단계; 상기 인공신경망을 통해 학습된 데이터 및 점화시기 효율곡선을 차량의 ECU에 저장하는 단계; 상기 운전영역 정보를 상기 ECU에 저장된 상기 인공신경망에 입력하고, 상기 인공신경망에서 계산되는 점화시기정보 및 토크 정보를 출력하는 단계; 상기 운전영역 정보를 이용하여 상기 ECU로부터 계산된 점화시기정보와 상기 학습된 인공신경망에서 계산된 점화시기정보와의 차이 값을 상기 점화시기정보에 입력하여 점화시기효율을 계산하는 단계; 상기 계산된 점화시기효율을 상기 토크 정보에 곱하여 실시간 토크를 계산하는 단계; 를 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 인공신경망을 이용하여 학습하는 단계는 가중치(Weight)와 편향(Bias)의 값을 반복적으로 변화시키며 학습하는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 운전영역 정보는 rpm, load, EVO(Exhaust valve open), IVC(Intake valve close), 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 운전영역 정보는 rpm, load, EVO(Exhaust valve open), EVC(Exhaust valve close), IVO(Intake valve open), IVC(Intake valve close), 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 운전영역 정보는 rpm, load, EVO(Exhaust valve open), EVL(Exhaust valve lift), IVC(Intake valve close), IVL(Intake valve lift), 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 운전영역 정보를 취득하는 단계는 상기 운전영역 정보 및 상기 상기 운전영역 정보에 따른 점화시기가 최지각 위치부터 최진각 위치까지 변화시킴으로서 획득되는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
또한, 상기 은닉층은 trial & error 방법을 이용하는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법을 포함한다.
본 발명에 따르면 다음과 같은 효과가 있다.
첫째, 입력변수와 출력변수의 상관관계를 오직 데이터를 통해 학습하여 정의하므로 물리 법칙 기반의 모델로 표현되지 않은 부분까지 인공신경망 모델에 포함되어 정확도를 향상시킬 수 있다.
둘째, 복잡한 시스템에서 물리적인 효과를 수식화 하지 않아도 되기 때문에 로직 개발 비용을 줄일 수 있어 경제성이 향상되는 이점이 있다.
셋째, 물리 법칙 기반의 모델에서와 같은 테이블 값을 설정하기 위한 캘리브레이션 과정이 데이터를 통한 인공신경망의 학습 과정으로 대체되기 때문에 비용을 획기적으로 줄일 수 있다..
도 1은 본 발명의 실시예에 따른 엔진 토크 추정 방법 흐름도이다.
도 2은 본 발명의 실시 예에 따른 엔진 토크 추정 방법의 순서를 나타낸다.
도 3는 본 발명의 실시예에 따른 인공신경망의 개념도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
본 발명의 본 발명의 바람직한 제1 실시 예에 따른 차량 엔진은 CVVT(연속가변밸브타이밍 기구)를 가질 수 있다.
그에 따른 엔진 토크 추정 방법은 다음과 같다.
먼저, 차량 엔진의 운전영역 정보를 취득하는 단계(S1)를 갖는다.
여기서 운전영역 정보란 rpm(엔진회전수), load(엔진부하), EVO(Exhaust valve open; 배기타이밍), IVC(Intake valve close; 흡기타이밍), 공연비(lambda) 중 적어도 어느 하나 이상을 포함할 수 있다.
운전영역 정보를 취득하는 단계(S1)는 운전영역 정보 및 운전영역 정보에 따른 점화시기가 최지각 위치부터 최진각 위치까지 변화시킴으로서 획득할 수 있다.
다시 말해서, 다양한 엔진회전수(rpm), 엔진부하(load), 흡배기캠타이밍(EVO, IVC), 공연비(lambda)에서 점화시기를 최진각 위치부터 최지각 위치까지 변화시키며 토크를 측정하게 된다.
한편, 본 발명의 다른 바람직한 실시 예에서의 엔진 시스템은 CVVT(연속가변밸브타이밍 기구) 대신 CVVD(연속가변밸브듀레이션 기구)로 구성될 수 있다.
운전영역 정보는 rpm(엔진회전수), load(엔진부하), EVO(Exhaust valve open), EVC(Exhaust valve close), IVO(Intake valve open), IVC(Intake valve close), 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 것이 가능하다.
한편, 본 발명의 또 다른 바람직한 실시 예에서 엔진 시스템은 CVVT(연속가변밸브타이밍 기구) 대신 연속가변밸브리프트기구(CVVL)로 구성될 수 있다.
이 때, 운전영역 정보는 rpm(엔진회전수), load(엔진부하), EVO(Exhaust valve open), EVL(Exhaust valve lift), IVC(Intake valve close), IVL(Intake valve lift), 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 것이 가능하다.
다음으로 차량 엔진이 앞서 취득된 운전영역 정보를 n개의 데이터 세트로 구성하는 단계(S2)를 가진다.
이 때, rpm(엔진회전수), load(엔진부하), EVO(Exhaust valve open), IVC(Intake valve close), 공연비(lambda) 중 적어도 어느 하나 이상을 포함하는 n개의 데이터 조합 세트로 제공될 수 있다.
다음으로 차량 엔진은 앞서 구성된 n개의 데이터 세트로부터 MBT 정보(Minimum Spark timing for Best Torque) 및 점화시기 효율곡선을 추출하는 단계(S3)를 수행한다.
MBT는 기관의 최대 토크를 얻는 최소 점화시기이다. 일반적으로 차량의 기본 세팅인 초기점화시기 조정에 해당하는 점화시기로 진각과 지각을 하지 않은 최적의 엔진성능을 내는 최소의 점화 시기를 말한다. 즉, 가솔린 기관의 최대 토크를 얻는 최소 점화시기라는 뜻으로, 엔진에서 최적의 출력을 얻을려면 피스톤이 상사점후 15‘ 부근에 점화 즉 폭발이 완료되어야한다. 점화는 차량 엔진제어기인 ECU의 명령 순간에 즉시 점화를 하여도 연소현상 자체의 물리적 지연, 전기적 지연(배터리 +에서 점화코일을 지나 TR에서 1차전류가 생성된후 차단된 다음 2차 전압이 생성되서 플러그까지), 기계적 지연이 있어 이를 미리 계산하여 피스톤이 상사점에 오르기 전에 점화를 시작해야하며, 점화지연시간, 착화지연시간, 화염전파 시간까지 고려하면 MBT로부터 실제 점화시기인, 최적점화시기를 정해야 한다.
점화시기 효율곡선은 동력계로부터 수신한 점화시기를 엔진 RPM(revolution per minute) 및 엔진 부하로부터 구해지며, 점화시기 및 엔진 온도에 따라 최적의 점화시기가 결정된다. 점화시기 효율곡선이 정해지면, 엔진상태가 아이들(idle)영역인지 비-아이들 영역인지, 아이들영역인 경우에도, 냉간상태 혹은 온간상태에 따라 다르며, 아이들영역에서 온간상태인 경우, 보기류 작동여부에 따라 점화시기를 다르게 적용한다. 아이들 영역에서 냉간상태인 경우 현 시점의 점화시기 효율을 하강시킨 후, 보기류 작동여부에 따라 점화시기 효율을 제어할 수도 있다. 비-아이들영역인 경우, 노크(Knock) 발생 및 노크 강도를 판정하여 노크 강도에 따라 점화시기 효율을 보정한 후 냉온간 상태에 따라 점화시기를 제어할 수 있다.
엔진의 점화시기 효율곡선의 일례는 점화시기 별 토크의 곡선인데, 아래와 같은 단계를 통해 점화시기 별 토크에 관한 엔진의 점화시기 효율곡선을 결정할 수 있다.
엔진의 점화시기 변화에 따른 n개의 운전 영역별 토크 데이터 세트들을 입력하는 단계; 상기 n개의 운전 영역을 이루는 각 운전점에서의 점화시기에 대한 토크를 해당 운전 영역에서의 최대토크로 나누고, 최대토크가 얻어지는 점화시기가 0이 되도록 평행 이동시켜서 노멀라이징 시키는 단계; 상기 각 운전 영역별 토크 데이터 세트가 나타내는 곡선의 기울기를 변화시킬 수 있는 기울기 인자(slope factor)와 상기 곡선을 평행 이동시킬 수 있는 이동 인자(movement factor)를 상기 n개의 운전 영역 별 데이터 세트에 할당하는 단계; 미결정 변수를 가진 로지스틱 함수로부터 상기 기울기펙터와 이동펙터가 할당된 각 데이터 세트의 차이를 포함하는 최적화 함수를 설정하는 단계; 인공지능망 학습을 통해 상기 미결정 변수를 도출함으로서 상기 로지스틱 함수를 결정하는 단계;
상기 로지스틱함수를 상기 엔진의 점화시기 효율곡선으로 결정하는 단계; 이다.
MBT 정보 및 점화시기 효율곡선을 포함한 n개의 데이터 세트에 대해 인공신경망을 구성하고 학습한다.
즉, n개의 데이터 세트로 구성된 운전영역 정보를 입력층으로 하고, 점화시기정보 및 토크 정보를 출력층으로 하며, 은닉층을 가지면서 인공신경망을 구성하는 단계(S4)를 거친다.
보다 상세하게는 차량 엔진은 도 3와 같은 입력층, 은닉층 및 출력층으로 구성된 인공신경망(300)을 갖는다.
보다 상세하게는 입력층은 n개의 데이터 세트로 구성된 운전영역 정보(200)를 입력 받는다.
출력층은 최적점화시기(400) 정보 및 최적토크(500) 정보를 출력한다. 최적이라는 것은 차량 엔진의 운전영역에서 최적화된 매핑 데이터 값을 사용해서 산출된 결과라는 의미이다. MBT 정보 및 점화시기 효율곡선으로부터 구해진 최적 점화시기 및 최적토크를 출력층에 제공함으로서 인공신경망의 출력층이 구성된다.
은닉층은 입력층과 출력층 사이에 마련된 인공뉴런, 즉 노드로 구성된 계층을 가리킨다.
보다 상세하게는 인공신경망은 기계 학습(machine learning)의 세부 방법론 중 하나로, 신경 세포인 뉴런(neuron)이 여러 개 연결된 망의 형태이다.
구조 및 기능에 따라 여러 종류로 구분되며, 가장 일반적인 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층(hidden layer)이 있는 다층 퍼셉트론(multilayer perceptron)이다.
인공 신경망은 자기 조직화 지도(SOM: Self-Organizing Map), 순환 신경망(RNN: Recurrent Neural Network), 콘볼루션 신경망(CNN: Convolutional Neural Network)과 같은 다양한 모델에 대한 총칭으로, 그 종류는 수십 가지에 이르는데, 본 발명의 바람직한 제1 실시 예에서 적용되고 있는 인공신경망은 순방향 신경망일 수 있다.
순방향 신경망(FFNet)은 일반적인 인공 신경망(ANN)으로 입력 데이터는 모든 노드를 딱 한번만 거쳐 출력층으로 진행한다.
첫 번째 층은 입력층(input layer)이고 마지막 층은 출력층(output layer)이며 중간 은닉층(hidden layer)는 외부와의 연결이 없다.
또한, 각 계층(layer)의 노드들은 다음 계층의 노드로 연결되며 같은 계층 간의 연결이 없다.
이러한 이유로 순방향 신경망이라고 한다.
본 발명의 바람직한 제1 실시 예에 따른 인공신경망(300)을 보다 상세하게 설명하면 다음과 같다.
도 3은 본 발명의 바람직한 제1 실시 예에 따른 입력층, 은닉층 및 출력층의 상관관계를 나타낸다.
인공신경망(300) 모델은 도 3과 같은 구조를 가지며 은닉층의 적층 수 및 뉴런의 개수가 많을수록 복잡한 상관관계를 표현할 수 있다.
입력층에 입력되는 정보는 각 운전점(rpm, load, EVO, IVC, lambda 등) 정보를 포함할 수 있다.
이 때, 출력층을 통해 출력되는 정보는 최적 점화시기(400) 및 최적 토크(500) 정보를 포함할 수 있다.
은닉층은 측정 데이터를 학습하는 과정에서 trial & error 방법이 이용될 수 있다.
다음으로 차량 엔진은 n개의 데이터 세트를 기반으로 인공신경망(300)을 이용하여 학습하는 단계(S5)를 거친다.
인공신경망(300)을 이용하여 학습하는 단계는 가중치(Weight)와 편향(Bias)의 값을 반복적으로 변화시키며 학습하는 것이 바람직할 수 있다.
인공신경망(300) 모델은 물리적인 현상의 인과관계를 설명하는 물리 법칙을 이용하지 않으며, 오직 데이터와 인공신경망(300)의 계산 구조를 통해 입력과 출력의 관계를 정의한다.
인공신경망(300) 모델은 입력 및 출력 데이터를 기반으로 머신러닝 알고리즘을 통해 모델 내부의 파라미터인 가중치(Weight)와 편향(Bias)의 값을 반복적으로 변화시킨다.
이 과정을 '학습' 이라고 한다.
성공적인 학습을 위해 적합한 입력과 출력의 선정이 필요하며 학습에 많은 데이터를 이용할수록 인공신경망(300) 모델이 일반화 된다.
다음으로 차량 엔진은 인공신경망(300)을 통해 학습된 데이터 및 점화시기 효율곡선을 차량의 ECU에 저장하는 단계(S6)를 가진다. 즉, 차량에 적용되는 ECU를 통해 인공신경망 및 점화시기 효율곡선이 구현된다.
다음으로 차량 엔진은 현재 운전영역 정보(200)를 ECU에 저장된 인공신경망(300)에 입력하고, 인공신경망(300)에서 계산되는 최적 점화시기(400) 정보 및 최적 토크(500) 정보(500)를 출력하는 단계(S7)를 가진다.
다음으로 차량 엔진은 운전영역 정보를 이용하여 ECU로부터 계산된 점화시기(100) 정보와 학습된 인공신경망(300)에서 계산된 최적 점화시기(400) 정보와의 차이 값을 점화시기(100) 정보에 입력하여 점화시기효율(600)을 계산하는 단계(S8)를 가진다.
최종적으로 차량 엔진은 계산된 점화시기효율(600)을 최적 토크(500) 정보에 곱하여 실시간으로 구해지는 현재 토크(700)를 계산하는 단계(S9)를 통해 차량 엔진 토크를 정확하게 계산할 수 있게 된다.
점화시기 효율곡선은 n개의 데이터 세트를 기반으로 구해졌으나, 인공신경망이 학습을 더해가면서 보다 정확한 점화시기 효율곡선이 도출될 수도 있으며, 차량의 노화 등을 감안할 때, 현재 운전영역 정보에 대해 과거의 점화시기 효율곡선이 아닌, 가장 최신의 점화시기 효율곡선을 기초로 최적 점화시기(400) 정보 및 최적 토크(500) 정보가 출력이 될 수도 있다.
100 : 점화시기
200 : 운전영역 정보
300 : 인공신경망
400 : 점화시기
500 : 토크
600 : 점화시기효율
700 : 토크

Claims (9)

  1. 차량 엔진 토크 추정 방법에 있어서,
    상기 차량 엔진의 설정된 n개의 운전영역 정보가 취득되는 단계(S1);
    상기 운전영역에서의 점화시기 및 토크를 추가해 n개의 운전영역 데이터세트를 구성하는 단계(S2);
    상기 n개의 운전영역 데이터세트로부터 최적점화시기(MBT, Minimum Spark timing for Best Torque) 및 점화시기 효율곡선을 추출하는 단계(S3);
    상기 n개의 운전영역 정보를 입력층, 최적점화시기 및 최적토크를 출력층, 및 상기 입력층과 상기 출력층 사이의 은닉층으로 인공신경망을 구성하는 단계(S4);
    상기 n개의 운전영역 데이터세트로부터 상기 인공신경망 학습을 진행하는 단계(S5);
    현재의 운전영역정보를 학습된 상기 인공신경망에 입력해 상기 현재의 운전영역정보에 대한 최적점화시기 및 최적토크를 출력하는 단계(S7);
    상기 현재의 운전영역정보에 대한 최적점화시기와 점화시기로부터 점화시기 효율을 계산하는 단계(S8);
    상기 점화시기 효율로부터 현재 토크를 계산하는 단계(S9);를 포함하는
    인공신경망을 이용한 차량 엔진 토크 추정 방법.
  2. 제1항에 있어서,
    상기 인공신경망 학습을 진행하는 단계(S5);에 의해 학습된 상기 인공신경망 및 상기 점화시기 효율곡선이 ECU에 저장되는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  3. 제2항에 있어서,
    상기 현재의 운전영역정보에 대한 최적점화시기 및 최적토크를 출력하는 단계(S7)는 상기 ECU에 저장된 상기 인공신경망으로부터 출력되는 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  4. 제1항에 있어서,
    상기 n개의 운전영역 정보는 상기 점화시기를 최지각으로부터 최진각 위치까지 이동하며 취득된 것을 특징으로 하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  5. 제1항에 있어서,
    상기 인공신경망을 이용하여 학습하는 단계(S5)는,
    가중치(Weight)와 편향(Bias)의 값을 반복적으로 변화시키며 학습하는 것을 특징으로 하는,
    인공신경망을 이용한 차량 엔진 토크 추정 방법.
  6. 제1항에 있어서,
    상기 운전영역 정보는 rpm, load, 공연비(lambda)중 적어도 어느 하나 이상을 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  7. 제6항에 있어서,
    상기 차량 엔진이 CVVT(연속가변밸브타이밍 기구)가 구비된 엔진이면,
    상기 운전영역 정보는 EVO(Exhaust valve open), IVC(Intake valve close)를 추가로 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  8. 제6항에 있어서,
    상기 차량 엔진이 CVVD(연속가변밸브듀레이션 기구)가 구비된 엔진이면,
    상기 운전영역 정보는 EVO(Exhaust valve open), EVC(Exhaust valve close), IVO(Intake valve open), IVC(Intake valve close) 중 적어도 어느 하나 이상을 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.
  9. 제6항에 있어서,
    상기 차량 엔진이 CVVL(연속가변밸브리프트 기구)가 구비된 엔진이면,
    상기 운전영역 정보는 EVO(Exhaust valve open), EVL(Exhaust valve lift), IVC(Intake valve close), IVL(Intake valve lift) 중 적어도 어느 하나 이상을 포함하는 인공신경망을 이용한 차량 엔진 토크 추정 방법.

KR1020200007390A 2020-01-20 2020-01-20 인공신경망을 이용한 차량 엔진 토크 추정 방법 KR102165878B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200007390A KR102165878B1 (ko) 2020-01-20 2020-01-20 인공신경망을 이용한 차량 엔진 토크 추정 방법
DE102020007952.0A DE102020007952A1 (de) 2020-01-20 2020-12-29 System und verfahren zur vorhersage eines fahrzeugmotordrehmoments unter verwendung eines künstlichen neuronalen netzes
US17/142,874 US11326572B2 (en) 2020-01-20 2021-01-06 System and method of predicting vehicle engine torque using artificial neural network
CN202110027159.2A CN113153521B (zh) 2020-01-20 2021-01-09 一种利用人工神经网络预测车辆发动机扭矩的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200007390A KR102165878B1 (ko) 2020-01-20 2020-01-20 인공신경망을 이용한 차량 엔진 토크 추정 방법

Publications (1)

Publication Number Publication Date
KR102165878B1 true KR102165878B1 (ko) 2020-10-14

Family

ID=72847475

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200007390A KR102165878B1 (ko) 2020-01-20 2020-01-20 인공신경망을 이용한 차량 엔진 토크 추정 방법

Country Status (4)

Country Link
US (1) US11326572B2 (ko)
KR (1) KR102165878B1 (ko)
CN (1) CN113153521B (ko)
DE (1) DE102020007952A1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11361552B2 (en) 2019-08-21 2022-06-14 Micron Technology, Inc. Security operations of parked vehicles
US11436076B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Predictive management of failing portions in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11435946B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Intelligent wear leveling with reduced write-amplification for data storage devices configured on autonomous vehicles
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11409654B2 (en) 2019-09-05 2022-08-09 Micron Technology, Inc. Intelligent optimization of caching operations in a data storage device
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
US11655775B1 (en) * 2021-08-20 2023-05-23 Ut-Battelle, Llc Combustion control using spiking neural networks

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4840397B1 (ko) 1972-07-13 1973-11-30
JPH10306744A (ja) * 1998-04-06 1998-11-17 Hitachi Ltd 制御装置
JPH11287146A (ja) * 1998-04-01 1999-10-19 Yamaha Motor Co Ltd エンジン制御方法および装置
JPH11351045A (ja) * 1998-06-09 1999-12-21 Hitachi Ltd エンジンの状態を示す量の推定方法
KR20020035995A (ko) * 2000-11-07 2002-05-16 이계안 엔진 토크 정보의 제공방법
KR20090065290A (ko) * 2007-12-17 2009-06-22 현대자동차주식회사 엔진 점화시기 효율 제어방법
JP2019143637A (ja) * 2019-04-12 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法
JP2019143579A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法
JP2019143578A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19520605C1 (de) * 1995-06-06 1996-05-23 Daimler Benz Ag Verfahren und Einrichtung zur Regelung des Verbrennungsablaufs bei einem Otto-Verbrennungsmotor
US5740045A (en) * 1995-11-29 1998-04-14 General Motors Corporation Predictive spark controller
EP0810363B1 (en) * 1996-05-28 2004-07-28 Matsushita Electric Industrial Co., Ltd. Air/fuel ratio control apparatus that uses a neural network
US5915359A (en) * 1996-12-13 1999-06-29 Ford Global Technologies, Inc. Method and system for determining and controlling A/F ratio during cold start engine operation
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
US6367462B1 (en) * 2000-09-13 2002-04-09 Delphi Technologies, Inc. Engine torque management method with high dilution EGR control
US6371066B1 (en) * 2000-12-15 2002-04-16 Ford Global Technologies, Inc. Torque based cam timing control method and system
US6805099B2 (en) * 2002-10-31 2004-10-19 Delphi Technologies, Inc. Wavelet-based artificial neural net combustion sensing
US6959692B2 (en) * 2003-04-15 2005-11-01 Ford Global Technologies, Llc Computer controlled engine valve operation
JP4251081B2 (ja) * 2003-11-21 2009-04-08 株式会社デンソー 内燃機関の制御装置
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
JP4376799B2 (ja) * 2005-01-19 2009-12-02 株式会社日立製作所 内燃機関の点火時期制御装置
EP1705352B1 (en) * 2005-03-04 2012-11-21 STMicroelectronics Srl Method and relative device for sensing the air/fuel ratio of an internal combustion engine
JP2007113485A (ja) * 2005-10-20 2007-05-10 Hitachi Ltd 内燃機関の制御方法及び制御装置
US20090158830A1 (en) * 2007-12-20 2009-06-25 Malaczynski Gerard W Artificial neural network enhanced misfire detection system
JP4840397B2 (ja) 2008-04-23 2011-12-21 トヨタ自動車株式会社 燃料噴射量学習制御装置
US8301356B2 (en) * 2008-10-06 2012-10-30 GM Global Technology Operations LLC Engine out NOx virtual sensor using cylinder pressure sensor
US8453431B2 (en) * 2010-03-02 2013-06-04 GM Global Technology Operations LLC Engine-out NOx virtual sensor for an internal combustion engine
US9759140B2 (en) * 2015-03-05 2017-09-12 GM Global Technology Operations LLC Fifty percent burn crankshaft angle estimation systems and methods
US10816438B2 (en) * 2017-11-14 2020-10-27 Tula Technology, Inc. Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4840397B1 (ko) 1972-07-13 1973-11-30
JPH11287146A (ja) * 1998-04-01 1999-10-19 Yamaha Motor Co Ltd エンジン制御方法および装置
JPH10306744A (ja) * 1998-04-06 1998-11-17 Hitachi Ltd 制御装置
JPH11351045A (ja) * 1998-06-09 1999-12-21 Hitachi Ltd エンジンの状態を示す量の推定方法
KR20020035995A (ko) * 2000-11-07 2002-05-16 이계안 엔진 토크 정보의 제공방법
KR20090065290A (ko) * 2007-12-17 2009-06-22 현대자동차주식회사 엔진 점화시기 효율 제어방법
JP2019143579A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法
JP2019143578A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法
JP2019143637A (ja) * 2019-04-12 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法

Also Published As

Publication number Publication date
CN113153521A (zh) 2021-07-23
US11326572B2 (en) 2022-05-10
CN113153521B (zh) 2023-01-17
DE102020007952A1 (de) 2021-07-22
US20210222662A1 (en) 2021-07-22

Similar Documents

Publication Publication Date Title
KR102165878B1 (ko) 인공신경망을 이용한 차량 엔진 토크 추정 방법
CN110185569B (zh) 内燃机的控制装置及控制方法
US10012204B2 (en) Engine operation control
CN100554669C (zh) 内燃机的控制装置和方法以及内燃机控制单元
US11199147B2 (en) Engine control device and neural network program provided therein
CN110185548B (zh) 内燃机的控制装置及控制方法
JP2004251183A (ja) 内燃機関の制御装置
CN107795389B (zh) 用于控制内燃机操作的方法及装置
US9708991B2 (en) Real-time residual mass estimation with adaptive scaling
De Nicolao et al. Identification and idle speed control of internal combustion engines
JP6752326B2 (ja) 内燃機関の制御装置
JP6752325B2 (ja) 内燃機関の制御装置及び制御方法
KR102270683B1 (ko) 엔진의 점화시기 효율곡선 결정방법
EP1645740B1 (en) Intake airvolume controller of internal combustion engine
JP7005697B1 (ja) 内燃機関の制御装置
Ruan et al. MAP Learning and Disturbance Observation based Engine Torque Control for dynamometer test bench
JP2014070525A (ja) 内燃機関の制御装置
Yongbo et al. Transient air-fuel ratio control of direct injection gasoline engine based on LADRC algorithm
JP4736998B2 (ja) 内燃機関の制御装置及び機関アクチュエータの製造方法
Lee et al. Optimal calibration of high DOF engines considering fuel economy and combustion stability
JP4941023B2 (ja) 内燃機関の制御装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant