SE531898C2 - Metod och styrsystem för att styra en motor i en arbetsmaskin - Google Patents
Metod och styrsystem för att styra en motor i en arbetsmaskinInfo
- Publication number
- SE531898C2 SE531898C2 SE0702458A SE0702458A SE531898C2 SE 531898 C2 SE531898 C2 SE 531898C2 SE 0702458 A SE0702458 A SE 0702458A SE 0702458 A SE0702458 A SE 0702458A SE 531898 C2 SE531898 C2 SE 531898C2
- Authority
- SE
- Sweden
- Prior art keywords
- parameters
- calculation model
- output parameters
- input parameters
- values
- Prior art date
Links
Classifications
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Description
lO 15 20 25 30 att ta emot respektive en eller flera utpararnetrar. Styrsystemet kan också innefatta en processor konfigurerad att styra en eller flera hårdvaruanordningar med användning av nämnda en eller flera utparametrar baserat på en styrmodell. Styrmodellen kan skapas genom att erhålla dataposter som är förknippade med nämnda en eller flera inparametrar och nämnda en eller flera utparametrar, samt alstra en beräkningsmodell som anger förhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar baserat på dataposterna. Styrrnodellens skapandesteg kan också innefatta att bestämma önskade respektive statistiska fördelningar för nämnda en eller flera inparametrar hos beräkningsmodellen, samt att rekalibrera nämnda en eller flera inparametrar baserat på de önskade statistiska fördelningarna.
En annan aspekt av föreliggande redogörelse inbegriper en arbetsmaskin.
Arbetsmaskinen kan innefatta en motor och ett motorstyrsystem. Motorstyrsystemet kan innefatta en processor som är konfigurerad att erhålla respektive värden på en eller flera inparametrar samt att härleda respektive värden på en eller flera utpararnetrar baserat på värdena på inpararnetrama samt en första beräkningsmodell som anger förhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar.
Processom kan också vara konfigurerad att styra motorn genom att använda värdena på nämnda en eller flera utparametrar.
En annan aspekt av föreliggande redogörelse inbegriper ett datorsystem.
Datorsystemet kan innefatta en databas, innehållande dataposter som är förknippade med en eller flera invariabler och en eller flera utparametrar, samt en processor.
Processorn kan vara konfigurerad att välja en eller flera inparametrar bland nämnda en eller flera invariabler samt att alstra en beräkningsmodell som anger förhållanden mellan nänmda en eller flera inparametrar och nämnda en eller flera utparametrar baserat på datapostema. Processorn kan också vara konfigurerad att bestämma önskade respektive statistiska fördelningar för nämnda en eller flera inparametrar hos beräk- ningsmodellen samt att rekalibrera nämnda en eller inparametrar baserat på de önskade statistiska fördelningarna.
Kort beskrivning av ritningarna Fig l är en bildillustration av ett exempliñerande system som kan inbegripa vissa skildrade utföringsformer; Fig 2 illustrerar ett fiirilttionsmässigt blockschema över ett motorstyrsystem; Fig 3 illustrerar ett blockschema över en motorstyrrnodell som inbegriper vissa skildrade utföringsformer; 10 15 20 25 30 35 Fíg 4 illustrerar en exemplifierande modellalstrings- och optimeringsprocess som är förenlig med skildrade utiöringsfonner; samt Fig 5 är ett blockschema över ett motorstyrsystem som inbegriper vissa andra skildrade utföringsfonner.
Detaljerad beskrivning Hänvisning kommer nu att göras i detalj till exemplifierande utiöringsformer, vilka illustreras på de medföljande ritningama. Närhelst så är möjligt, kommer samma hänvisningsbeteckningar att användas genomgående på ritningarna för att avse samma eller liknande delar.
Fig l illustrerar en exemplifierande arbetsmaskin 100, i vilken särdrag och principer som är förenliga med vissa skildrade utföringsfoimer kan inbegripas.
Arbetsmaskinen l00 kan avse godtycklig typ av fast eller mobil maskin som utför någon typ av åtgärd förknippad med en viss industri, såsom gruvindustri, byggindustri, jordbruksindustri, transportindustri, etc, och är i drifl mellan eller inom arbetsmiljöer (exempelvis byggplatser, gruvor, kraftanläggriingar och generatorer, tillämpningar på motorväg, osv). Icke-begränsande exempel på mobila maskiner innefattar kommersiella maskiner, såsom lastbilar, kranar, jordmasseförflyttande fordon, gruvfordon, gräv- maskiner, materialhanteringsutrustning, jordbruksutrustning, marina fartyg, flygplan samt godtycklig typ av rörlig maskin som är i drift i en arbetsmiljö. Även om arbets- maskinen 100 som visas i Fíg l är en arbetsmaskin av jordhanteringstyp, är det tänkt att arbetsmaskinen 100 kan vara vilken typ av arbetsmaskin som helst. Arbetsmaskinen 100 kan vidare drivas konventionellt, hybridelektriskt och/eller genom bränsleceller.
Som visas i Fig 1 kan arbetsmaskinen 100 innefatta en motor 110 och ett motorstyrsystem 120. Motom 110 kan innefatta vilken lämplig motortyp som helst som alstrar krañ för arbetsmaskinen 100, såsom en intem förbränningsmotor. Motor- styrsystemet 120 kan innefatta vilken lämplig typ av styrsystem som helst som är konñgurerat att utföra motorstyrningsfiinktioner baserat på matematiska modeller. Fig 2 visar ett exemplifierande funktionsmässigt blockschema över motorstyrsystemet 120.
Som visas i Fig 2 kan motorstyrsystemet 120 innefatta en processor 202, en minnesmodul 204, en databas 206, ett in/utgränssnitt 208 samt ett nätverksgränssnitt 210. Andra komponenter kan också inbegripas i motorstyrsystemet 120. Motor- styrsystemet 120 kan, exempelvis, samrnanfalla med en elektronisk styrenhet (ECU, ”electronic control unit”) för arbetsmaskinen 100.
Processom 202 kan inbegripa godtycklig lämplig typ av mikroprocessor för allmänna ändamål, digital signalprocessor eller mikrostyrenhet. Processom 202 kan 10 15 20 25 30 35 vara konfigurerad som en separat processormodul med uppgiñ att styra motorn 1 10.
Alternativt kan processorn 202 vara konfigurerad som en delad processormodul för att utföra andra funktioner som inte har att göra med motorstyming.
Minnesmodulen 204 kan inbegripa en eller flera minnesanordningar innefatt- ande, men ej begränsat till, ett läsminne (ROM), ett flashminne, ett dynamiskt läs- och skrivminne (RAM) samt ett statiskt läs- och skrivminne (RAM). Minnesmodulen 204 kan vara konfigurerad att lagra information som används av processorn 202. Databasen 206 kan innefatta godtycklig typ av lämplig databas innehållande information om egenskaper hos inparametrar, utparametrar, matematiska modeller och/eller någon annan styrinformation. In/utgränssnitten 208 kan vidare även vara anslutna till diverse givare eller andra komponenter (ej visade) för att övervaka och styra åtgärder hos motom 1 10. Nätverksgränssnittet 210 kan innefatta godtycklig lämplig typ av nätverksadapter som kan kommunicera med andra datorsystem baserat på ett eller flera kommunikationsprotokoll.
Motorstyrsystemet 120 kan innefatta en styrmodell som återspeglar förhåll- anden mellan inparametrar till motorstyrsystemet 120 och utparametrar. Utparametrar kan användas lör att styra olika motorkomponenter. Pig 3 visar en exemplifierande styrmedel 300 som är inbegripen i motorstyrsystemet 120, vilket är förenligt med vissa skildrade utföringsformer. Även om endast fyra inparametrar och tvâ utparametrar visas i Fig 3, kan godtyckligt antal in- och utparametrar användas.
Som visas i Fig 3 kan motorstyrsystemet 120 innefatta en styrmodell 300.
Styrmodellen 300 kan ha ett flertal inparametrar och utparametrar. Styrmodellen 300 kan exempelvis ha inparametrar 302, 304, 306 och 308. lnparametern 302 kan motsvara en gaspedalindikering, inparametern 304 kan motsvara ett växelval, inparametem 306 kan motsvara atmosfäriskt tryck samt inpararnetern 308 kan motsvara motortemperatur.
Styrmodellen 300 kan också inbegripa utparametrar 312 och 314. Utparametem 312 kan vara en trottelventilinställning och utparametern 314 kan vara laddtrycksstyrning (”boost control”). Under drift kan Styrmodellen 300 ta emot realtidsvården på inpara- metrama 302 till 308 samt härleda värden för utparametrarna 312 och 314, vilka används av motorsystemet 120 för att styra åtgärder hos motom 110. Styrmodellen 300 kan alstras och optimeras enligt den i Fig 4 visade processen.
Fig 4 visar en exemplifierande modellalstrings- och -optimeringsprocess som utförs av motorstyrsystemet 120 och, närmare bestämt, av processorn 202. Alternativt kan processen också utföras av ett externt datorsystem (exempelvis någon lämplig typ av datorsystem), och modellerna kan då laddas in i motorstyrsystemet 120. När ett l0 15 20 25 30 35 530 B58 extemt datorsystem används för att alstra och optimera modellerna, kan processorn 202 avse en centralprocessor (CPU, ”central processing unit”) i det extema datorsystemet, konfigurerad att utföra sådana processer.
Vid inledningen på modellalstrings- och -optimeringsprocessen kan processorn 202 erhålla dataposter förknippade med inparametrar och utparanietrar (steg 402). Data- postema kan tidigare ha samlats in under en viss tidsperiod från en testmotor eller från ett flertal arbetsmaskiner och motorer. Datapostema kan också sarnlas in från experi- ment utformade tör insamling av sådana data. Datapostema kan alternativt alstras på konstgjord väg av andra relaterade processer, såsom en konstruktionsprocess. Datapost- ema kan återspegla egenskaper hos inparametrarna och utparametrarna, såsom statis- tiska tördelningar, normaloniråden och/eller toleranser, osv.
Så snart datapostema har erhållits (steg 402), kan processorn 202 förbehandla datapostema för att rensa upp datapostema vad gäller uppenbara fel samt för att elimi- nera redundans (steg 404). Processom 202 kan avlägsna ungefärligt identiska dataposter och/eller avlägsna dataposter som ligger utanför ett rimligt område för att kunna vara meningsfulla för modellalstring och -optimering När datapostema har förbehandlats, kan processorn 202 sedan välja lämpliga inparametrar genom att analysera datapostema (406).
Datapostema kan inbegripa många invariabler. Antalet invariabler kan vara större än antalet inparametrar eller - variabler som används för styrmodellen 300.
Utöver värden som motsvarar inparametrar eller -variabler för gaspedalindikering, växelval, atmosfariskt tryck och motortemperatur, kan datapostema exempelvis också inbegripa invariabler såsom bränsleindikering, spåmingskontrollindikering och/eller andra motorparametrar.
I vissa situationer kan antalet invariabler överstiga antalet dataposter och leda till scenarier med ”glesa” data. Vissa av de extra invariablema kan utelämnas i vissa matematiska modeller. Antalet invariabler kan behöva minskas för att skapa matemat- iska modeller inom praktiska gränser vad gäller beräkningstider.
Processorn 202 kan välja inparametrar enligt förutbestämda kriterier. Pro- cessorn 202 kan exempelvis välja inparametrar genom experiment och/eller expert- utlåtanden. I vissa uttöringsformer kan processorn 202 alternativt välja inparametrar baserat på ett Mahalanobis-avstånd mellan en normal datamängd och en onormal datarnängd av datapostema. Den normala datamängden och den onormala datamängden kan definieras av processom 202 genom godtycklig lämplig metod. Den normala datamängden kan exempelvis inbegripa egenskapsdata förknippade med de inpara- 10 15 20 25 30 35 53% SSE metrar som alstrar önskade utparametrar. Å andra sidan kan den onormala datamängden inbegripa sådana egenskapsdata som kan vara utanför tolerans eller kan behöva und- vikas. Den normala datamängden och den onormala datamängden kan ha definierats i förväg av processom 202.
Mahalanobis-avstånd kan avse en matematisk representation som kan användas för att mäta dataprofiler baserat på korrelationer mellan parametrar i en datamängd.
Mahalanobis-avstånd skiljer sig från euklidiskt avstånd i så mån att Mahalanobis- avstånd tar hänsyn till korrelationerna i datamängden. Mahalanobis-avståndet för en datamängd X (exempelvis en flervariabelvektor) kan representeras som Mß,=ør.~flx>z°'or.~flx>' u) där px är medelvärdet för X och E* är en invers varians-kovariansmatris för X. MDi viktar avståndet för en datapunkt X; från dess medelvärde px, så att observationer på samma flervariabelnorrnaltäthetskontur kommer att ha samma avstånd. Sådana obser- vationer kan användas fór att identifiera och välja korrelerade parametrar från separata datagrupper som har olika varianser.
Processom 202 kan välja en önskad delmängd av inpararnetrar, så att Mahalanobis-avståndet mellan den normala datamângden och den onormala data- mängden maximeras eller optimeras. Processom 202 kan använda en genetisk algoritm för att söka bland inparametrarna efter den önskade delmängden i syfiet att maximera Mahalanobis-avståndet. Processom 202 kan välja en kandidatdelmängd av inpara- metrama baserat på ett förutbestärnt kriterium och beräkna ett Mahalanobis-avstånd MDmfmaj för den normala datamängden och ett Mahalanobis-avstånd MDmmal för den onormala datamängden. Processom 202 kan också beräkna Mahalanobis-avståndet mellan den normala datamängden och den onormala datamängden (dvs avvikelsen för Mahalanobis-avståndet MDx=MDn0ma|-MD,,0,,,,a|). Andra typer av avvikelser kan emellertid också användas.
Processom 202 kan välja kandidatdelmängden av inparametraxna, om den genetiska algoritrnen konvergerar (dvs om den genetiska algoritmen finner det maxi- merade eller optimerade Mahalanobis-avståndet mellan den normala datamängden och den onormala datamängden, motsvarande kandidatdelmängden). Om den genetiska algoritmen inte konvergerar, kan en annan kandidatdelmängd av inparametrarna skapas för ytterligare sökning. Denna sökprocess kan fortsätta, till dess den genetiska algoritm- en konvergerar och en önskad delmängd av inparametrarna väljs. 10 15 20 25 30 53% BBB Eñer att inparametrarna (exempelvis gaspedalindikering, växelval, atxnosfiriskt tryck och temperatur, osv) har valts, kan processom 202 alstra en beräkningsmodell för att bygga förhållanden mellan inparametrar och utparametrar (steg 408). Godtycklig lämplig typ av neuralt nätverk kan användas för att bygga beräkningsmodellen. Den typ av modeller för neuralt nätverk som används kan inbegripa bakutbredning, framåtmat- ningsmodeller, kaskadkopplade neurala nätverk och/eller neurala hybridnätverk, osv.
De speciella typerna eller strukturerna för det neutrala nätverk som används kan bero på speciella tillämpningar. Andra typer av modeller, såsom modeller med linjära system eller icke-linjära system, osv, kan också användas.
Beräkningsmodellen för neuralt nätverk kan tränas genom att använda valda dataposter. Beräkningsmodellen för neuralt nätverk kan exempelvis inbegripa ett förhållande mellan utparametrar (exempelvis laddtrycksstyrning, trottelventilinställning, osv) och inparametrar (exempelvis gaspedalindikering, växelval, atmosfáriskt tryck och motortemperatur, osv). Beräkningsmodellen för neuralt nätverk kan utvärderas med förutbestämda kriterier för att bestämma huruvida träningen är fullbordad. Kriterierna kan inbegripa önskade områden för noggrannhet, tid och/eller antalet inlämingsupprep- ningar, osv.
När det neurala nätverket har tränats (dvs beräkningsmodellen har etablerats inledningsvis baserat på de förutbestämda kriterierna), kan processorn 202 statistiskt giltighetspröva beräkningsmodellen (steg 410). Statistisk giltighetsprövning kan avse en artalysprocess för att jämföra utdata från beräkningsmodellen för neuralt nätverk med faktiska utdata för att fastställa noggrannheten hos beräkningsmodellen. En del av dataposterna kan reserveras för användning i giltighetsprövningsprocessen. Altemativt kan processom 202 också alstra simulerings- eller testdata för användning i giltighets- prövningsprocessen.
Så snart den har tränats och giltighetsprövats, kan beräkningsmodellen användas för att bestämma värden på utparametrar, då den förses med värden på inparametrar. Processom 202 kan exempelvis använda beräkningsmodellen för att bestämma trottelventilsinställning och laddtrycksstyrning baserat på invärdena på gaspedalindikering, växelval, atmosfáriskt tryck och motortemperatur, osv. Utpara- metervärdena kan sedan användas för att styra hårdvaruanordningar i motorstyrsystemet 120 eller motorn 1 10. Processorn 202 kan vidare optimera modellen genom att bestämma önskade tördelningar för inparametrarna baserat på förhållanden mellan inparametrama och önskade fördelningar för utparametrama (steg 412). 10 15 20 25 30 35 531 838 Processom 202 kan analysera ñrhållandena mellan önskade fördelningar för inparametrarna och önskade fördelningar för utparametrerna baserat på speciella tillämpningar. Om en speciell tillämpning exempelvis kräver en högre bränsle- effektivitet, kan processorn 202 utnyttja ett mindre område för trottelventilsinställ- ningen och utnyttja ett större område för laddtrycksstyrningen. Processom 202 kan sedan köra en simulering av beräkningsmodellen för att finna en önskad statistisk fördelning för en individuella inparameter (exempelvis gaspedalindikering, växelval, atmostäriskt tryck eller motortemperatur, osv). Processom 202 kan alltså separat bestämma en fördelning (exempelvis medelvärde, standardavvikelse, osv) för den individuella inparametern motsvarande de normala områdena för utparametrarna.
Processom 202 kan sedan analysera och kombinera de önskade fördelningarna för alla de individuella inparametrama till fastställda önskade fördelningar och egenskaper för inparametrama.
Processom 202 kan alternativt identifiera önskade tördelningar för inpara- metrama samtidigt för att maximera möjligheten att erhålla önskade resultat. I vissa uttöringsforrner kan processorn 202 samtidigt bestämma önskade tördelningar för inparametrarna baserat på zätastatistik. Zätastatistik kan indikera ett förhållande mellan inparametrar, deras värdesområden och önskade resultat. Zätastatistik kan representeras la där J? i representerar medelvärdet eller det förväntade värdet för ett ite invärde; J? j representerar medelvärdet eller det förväntade värdet för ett jte resultat; o; representerar standardavvikelsen för det ite invärdet; oj representerar standardavvikelsen för det jte resultatet; samt l Sij l representerar den partiella derivatan eller känsligheten hos det jte resultatet för det ite invärdet. j 1 5:2 lSulF- i 1 i f.
Processom 202 kan identifiera en önskad fördelning för inparametrama, så att zätastatistiken för beräkningsmodellen för neuralt nätverk (dvs styrmodellen) maxi- meras eller optimeras. En lämplig typ av genetisk algoritm kan användas av processorn 202 för att söka etter den önskade fördelningen av inparametrar med syfte att maximera zätastatistiken. Processom 202 kan välja en kandidatmängd av inparametrar med förut- bestämda sökområden och köra en simulering av styrmodellen för att beräkna zäta- statistikparanietrarna baserat på inparametrarna, utpararnetrarna och beräkningsmodell- en för neuralt nätverk. Processom 202 kan erhålla J? i och o. genom att analysera kan- 10 15 20 25 30 35 534 BBB didatmängen av inparametrar samt erhålla a? j och oj genom att analysera resultaten av simuleringen. Processom 202 kan vidare erhålla l Sij l från det tränade neurala nätverket som en indikering på inverkan från indata nr i på det jte resultatet.
Processom 202 kan välja kandidatmängden av inparametrar, om den genetiska algoritmen konvergerar (dvs den genetiska al gorítmen finner den maximerade eller optimera zätastatistiken för styrmodellen svarande mot kandidatmängden av inpara- metrar). Om den genetiska algoritmen inte konvergerar, kan en annan kandidatrnängd av inparametrar skapas av den genetiska al goritmen för vidare sökning. Denna sök- process kan fortsätta, till dess den genetiska algoritmen konvergerar och en önskad mängd av inparametrama identifieras. Processom 202 kan vidare bestämma önskade fördelning-ar (exempelvis medelvärde och standardavvikelser) för inparametrarna baserat på den önskade inpararneterrnängden.
När styrmodellen 300 har optimeras (steg 412), kan processorn 202 rekalibrera inparametrar (steg 414). Om exempelvis den önskade fördelningen för inparametern 306, atmosfariskt tryck, är stor (dvs ett brett område), kan processom 202 medge diverse värden på inparanietern 306 med mindre begränsningar. Om å andra sidan den önskade fördelningen för inparametem 306 är liten (dvs ett smalt område), kan processorn 202 begränsa och/eller justera värden på inparametrar, så att normala utparametrar kan alstras. Sådana optimeringsprocesser kan utföras i realtid av processorn 202 för anpassning till ett annat krav. Om exempelvis högre effekt erfordras i en annan tillämpning, kan processorn 202 optimera modellen enligt önskade fördel- ningar for högre effekt.
Den alstrade och optimerade beräkningsmodellen kan användas under drift.
Den härledda trottelventilsinställningen och laddtrycksstymingsindikeringen kan tillhandahållas via in/utanordningar 208 för att styra relevanta hårdvaruanordningar och/eller undersystem till motorn 110. Valfritt kan stynnodellen ingripa en andra styrmodell som används i kombination med styrmodellen 300, såsom illustreras i Fig 5.
Som visas i Fig 5 kan motorstyrsysternet 120 inbegripa en styrmodell 300, en andra styrmodell 500 samt logik 502. Styrmodellen 500 kan vara av godtycklig styrrnodellstyp. I vissa utföringsforrner kan styrmodellen 500 vara samma typ av styrmodell som styrmodellen 300. Stynnodellen 500 kan också förses med samrna inparametrar som styrmodellen 300. Styrmodellen 500 kan också oberoende tillhandahålla samma utparametrar baserat på lnpararnetrarna. Styrmodellen 500 kan vidare alstras och optimeras med användning av en alstrings- och optimeringsprocess liknande styrmodellen 300. Styrmodellen 500 kan användas, exempelvis, som en l0 15 20 25 30 35 55"! B98 10 redundant modell. När den används som en redundant modell, kan styrmodellen 500 användas då styrrnodellen 300 av något skäl misslyckas.
Styrrnodellen 500 kan alternativt användas som en referensmodell. Då den används som en referensmodell, kan styrmodellen 500 alstras och optimeras enligt referensfördelningar av inparametrama (exempelvis gaspedalindikering, växelval, atmosfariskt tryck samt motortemperatur, osv). Styrmodellen 500 kan samtidigt alstra utparametrar (exempelvis trottelventilsinställning, laddtrycksstyrningsindikering, osv) oberoende av styrmodellen 300. Processom 202 kan använda logiken 502 för att jämföra utparametrama från styrmodellen 300 med utparametrama från styrmodellen 500. Logiken 502 kan inbegripa godtycklig lämplig typ av datorhårdvarukomponent eller datorprogram som konfigurerats att bestämma en skillnad mellan utparametrar från stynnodellerna 300 och 500. Om skillnaden är bortom ett förutbestämt tröskelvärde, kan processorn 202 fastställa att styrrnodellen 300 har misslyckats att reagera på en viss mängd inpararnetrar. Processom 202 kan välja att fortsätta driften med användning av tidigare utparametervärden och göra sig av med utparametrarna utanför området, eller att använda utparametrar från styrmodellen 500. Om antalet gånger som styrmodellen 300 skapar utparametrar utanför området överskrider en viss begränsning, kan processorn 202 fastställa att styrmodellen 300 har misslyckats samt kan alstra och optimera en ny styrmodell för att ersätta den misslyckade styrmodellen 300.
Industriell tillämpbarhet De skildrade systemen och metoderna kan tillhandahålla en effektiv och optimerad lösning för ett brett område av styrsystem, såsom motorstyrsystem och andra styrsystem för arbetsmaskiner. Komplexa förhållanden kan analyseras under alstrandet av beräkningsmodeller för att optimera modellerna genom att identifiera önskade fördelningar av inparametrar till modellerna för att erhålla önskade utdata. Noggrann- heten och effektiviteten hos styrsystem kan förbättras påtagligt med användning av de skildrade systemen och metodema.
De skildrade systemen och metoderna kan också ge hög tillförlitlighet med användning av två eller flera beräkningsmodeller som alstras och optimeras på liknande vis. Utdata från modellerna kan analyseras i realtid för att bestämma status för modellen och/eller önskade utdata.
Andra utföringsforrner, särdrag, aspekter och principer hos de skildrade exemplifierande systemen kommer att vara uppenbara för fackmännen inom området och kan implementeras i diverse miljöer och system.
Claims (10)
1. Metod för ett styrsystem (120), för att styra en motor i en arbetsmaskin, innefattande att: erhålla dataposter som är förknippade med en eller flera invariabler och en eller flera utparametrar (312, 314); välja en eller flera inparametrar (302 till 308) bland nämnda en eller flera invariabler; alstra en beräkningsmodell (300) som anger förhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar baserat på dataposterna; samt optimera nämnda beräkningsmodell genom att bestämma önskade respektive statistiska tördelningar för nämnda en eller flera inparametrar hos beräkningsmodellen baserat på förhållanden mellan nämnda en eller flera inparainetrar och önskade fördelningar för nämnda en eller flera utparametrar.
2. Metod enligt krav 1, vidare inbegripande, efter optimeringssteget, ett steg att styra en motor i en arbetsmaskin med användning av nämnda en eller flera utparametrar, varvid nämnda motor har flera tillämpningar och varvid nämnda önskade iördelningar för nämnda en eller flera utparametrar väljs i nämnda optimeringssteg med hänsyn till en speciell tillämpning bland nänmda tillämpningar.
3. Metod enligt krav 1, vidare inbegripande att: rekalibrera nämnda en eller flera inparametrar baserat på de önskade statistiska tördelningarna; samt styra en eller flera hårdvaruanordningar med användning av nämnda en eller flera utparametrar.
4. Metod enligt krav l, vidare inbegripande att: alstra en andra beräkningsmodell (500) som anger referensiörhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar baserat på datapostema; samt styra en eller flera hårdvaruanordningar med användning av värdena på nämnda en eller flera utparametrar från både nämnda beräkningsmodell och nämnda andra beräkningsmodell. 10 lS 20 25 30 53% BBB 12
5. Metod enligt krav 4, där styra inbegriper att: bestämma en skillnad mellan värdena på nämnda en eller flera utparametrar från nämnda beräkningsmodell och värdena på nämnda en eller flera utparametrar från nämnda andra beräkningsmodell; bestämma huruvida skillnaden ligger bortom ett fórutbestämt tröskelvârde; Samt besluta om ett misslyckande fór nämnda beräkningsmodell, om skillnaden ligger bortom tröskelvärdet.
6. Metod enligt krav 1, där välja vidare inbegriper att: törbehandla datapostema; samt använda en genetisk algoritm för att välja en eller flera inparametrar från närrmda en eller flera invariabler baserat på ett Mahalanobis-avstånd mellan en normal datamängd och en onormal datamängd av datapostema.
7. Metod enligt krav 1, där alstra vidare inbegriper att: skapa en beräkningsmodell för neuralt nätverk; träna beräkningsmodellen fór neuralt nätverk med användning av datapostema; samt giltighetspröva beräkningsmodellen för neuralt nätverk med användning av datapostema.
8. Metod enligt krav 1, där bestämma vidare inbegriper att: bestämma en kandidatmängd av inpararnetrar med en maximal zätastatistik med användning av en genetisk algoritm; samt bestämma de önskade törclelningarna fór inpararnetrarna baserat på kandidatmängden, varvid zätastatistiken F, representeras av: : *Silëflíšl 1 under förutsättning att n? i representerar ett medelvärde for en ite inmatning; i j representerar ett medelvärde för enjte utrnatning; o; representerar en standardavvíkelse för den ite inmatningen; sj representerar en standardavvikelse for den jte utmatningen; 10 15 20 25 30 35 53% 898 13 samt l Sü l representerar känsligheten hos den jte utmatningen för den ite inmatningen hos beräkningsmodellen.
9. Arbetsmaskin (100), innefattande: en motor (1 10); samt ett motorstyrsystem (120), där motorstyrsystemet innefattar en processor (202) konfigurerad att: erhålla respektive värden på en eller flera inparametrar (302 till 308); härleda respektive värden på en eller flera utparametrar (312, 3 l4) baserat på värdena på nämnda en eller flera inparametrar och en första beräkningsmodell (3 00) som anger förhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar; samt styra motom med användning av värdena på nämnda en eller flera utparametrar, varvid processorn vidare är konfigurerad att: optimera beräkningsmodellen genom att bestämma önskade respektive statistiska fórdelningar för nämnda en eller flera inparametrar hos beräknings- modellen baserat på förhållanden mellan nämnda en eller flera inparametrar och önskade fordelningar for nämnda en eller flera utparametrar.
10. Arbetsmaskin enligt krav 9, där processom är vidare konfigurerad att: härleda respektive värden på nänmda en eller flera utparametrar baserat på värdena på nämnda en eller flera inparametrar och en andra beräkningsmodell (500) som anger referensfórhållanden mellan nämnda en eller flera inparametrar och nämnda en eller flera utparametrar; bestämma en skillnad mellan värdena på nämnda en eller flera utparametrar från den forsta beräkningsmodellen och värdena på nämnda en eller flera utparametrar från den andra beräkningsmodellen; bestämma huruvida skillnaden ligger bortom ett fórutbestämt tröskelvärde; fastställa ett misslyckande fór den första beräkningsmodellen, om skillnaden ligger bortom tröskelvärdet; samt styra motom med användning av värdena på nämnda en eller flera utparametrar från den andra beräkningsmodellen. 1 1. Arbetsmaskin enligt krav 10, där processom är vidare konfigurerad att: 53? 858 14 styra motom med användning av värdena på nämnda en eller flera utparametrar från beräkningsmodellen, om skillnaden inte ligger bortom tröskelvärdet.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/101,532 US7565333B2 (en) | 2005-04-08 | 2005-04-08 | Control system and method |
PCT/US2006/008880 WO2006110248A1 (en) | 2005-04-08 | 2006-03-13 | Control system and method |
Publications (2)
Publication Number | Publication Date |
---|---|
SE0702458L SE0702458L (sv) | 2007-11-08 |
SE531898C2 true SE531898C2 (sv) | 2009-09-01 |
Family
ID=36792031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SE0702458A SE531898C2 (sv) | 2005-04-08 | 2006-03-13 | Metod och styrsystem för att styra en motor i en arbetsmaskin |
Country Status (5)
Country | Link |
---|---|
US (1) | US7565333B2 (sv) |
JP (1) | JP2008536221A (sv) |
DE (1) | DE112006000821T5 (sv) |
SE (1) | SE531898C2 (sv) |
WO (1) | WO2006110248A1 (sv) |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004334714A (ja) * | 2003-05-09 | 2004-11-25 | Yamaha Motor Co Ltd | パラメータ最適化方法、パラメータ最適化装置、パラメータ最適化プログラム、及び、航走制御装置 |
US7877239B2 (en) | 2005-04-08 | 2011-01-25 | Caterpillar Inc | Symmetric random scatter process for probabilistic modeling system for product design |
US8364610B2 (en) | 2005-04-08 | 2013-01-29 | Caterpillar Inc. | Process modeling and optimization method and system |
US8209156B2 (en) | 2005-04-08 | 2012-06-26 | Caterpillar Inc. | Asymmetric random scatter process for probabilistic modeling system for product design |
US20070094163A1 (en) * | 2005-08-29 | 2007-04-26 | Bowerman Guy F | Genetic algorithm-based tuning engine |
US20070233349A1 (en) * | 2006-03-29 | 2007-10-04 | Segal Michael L | Method and apparatus for dynamic control of engine settings in a delivery vehicle |
US8762165B2 (en) | 2006-06-14 | 2014-06-24 | Bosch Automotive Service Solutions Llc | Optimizing test procedures for a subject under test |
US8428813B2 (en) | 2006-06-14 | 2013-04-23 | Service Solutions Us Llc | Dynamic decision sequencing method and apparatus for optimizing a diagnostic test plan |
US9081883B2 (en) | 2006-06-14 | 2015-07-14 | Bosch Automotive Service Solutions Inc. | Dynamic decision sequencing method and apparatus for optimizing a diagnostic test plan |
US7643916B2 (en) | 2006-06-14 | 2010-01-05 | Spx Corporation | Vehicle state tracking method and apparatus for diagnostic testing |
US8423226B2 (en) | 2006-06-14 | 2013-04-16 | Service Solutions U.S. Llc | Dynamic decision sequencing method and apparatus for optimizing a diagnostic test plan |
US7751955B2 (en) * | 2006-06-30 | 2010-07-06 | Spx Corporation | Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures |
US8478506B2 (en) * | 2006-09-29 | 2013-07-02 | Caterpillar Inc. | Virtual sensor based engine control system and method |
US20080183449A1 (en) * | 2007-01-31 | 2008-07-31 | Caterpillar Inc. | Machine parameter tuning method and system |
US8527187B2 (en) * | 2007-03-13 | 2013-09-03 | GM Global Technology Operations LLC | Systems and methods for digital signal processing |
US7813869B2 (en) * | 2007-03-30 | 2010-10-12 | Caterpillar Inc | Prediction based engine control system and method |
US7787969B2 (en) | 2007-06-15 | 2010-08-31 | Caterpillar Inc | Virtual sensor system and method |
US7831416B2 (en) | 2007-07-17 | 2010-11-09 | Caterpillar Inc | Probabilistic modeling system for product design |
US7788070B2 (en) | 2007-07-30 | 2010-08-31 | Caterpillar Inc. | Product design optimization method and system |
US8224468B2 (en) * | 2007-11-02 | 2012-07-17 | Caterpillar Inc. | Calibration certificate for virtual sensor network (VSN) |
US8036764B2 (en) * | 2007-11-02 | 2011-10-11 | Caterpillar Inc. | Virtual sensor network (VSN) system and method |
US8099993B2 (en) * | 2007-12-20 | 2012-01-24 | General Electric Company | Method and apparatus for verifying the operation of an accelerometer |
US8392075B2 (en) * | 2008-02-25 | 2013-03-05 | Clark Equipment Company | Carrier and backhoe control system and method |
US8239094B2 (en) | 2008-04-23 | 2012-08-07 | Spx Corporation | Test requirement list for diagnostic tests |
US8086640B2 (en) * | 2008-05-30 | 2011-12-27 | Caterpillar Inc. | System and method for improving data coverage in modeling systems |
US8073652B2 (en) * | 2008-07-03 | 2011-12-06 | Caterpillar Inc. | Method and system for pre-processing data using the mahalanobis distance (MD) |
US7861578B2 (en) * | 2008-07-29 | 2011-01-04 | General Electric Company | Methods and systems for estimating operating parameters of an engine |
US7917333B2 (en) | 2008-08-20 | 2011-03-29 | Caterpillar Inc. | Virtual sensor network (VSN) based control system and method |
US8648700B2 (en) | 2009-06-23 | 2014-02-11 | Bosch Automotive Service Solutions Llc | Alerts issued upon component detection failure |
US8566268B2 (en) * | 2010-10-08 | 2013-10-22 | International Business Machines Corporation | System and method for composite distance metric leveraging multiple expert judgments |
US8793004B2 (en) | 2011-06-15 | 2014-07-29 | Caterpillar Inc. | Virtual sensor system and method for generating output parameters |
US10133250B2 (en) | 2014-06-20 | 2018-11-20 | Veritone Alpha, Inc. | Managing construction of decision modules to control target systems |
US20170271984A1 (en) | 2016-03-04 | 2017-09-21 | Atigeo Corp. | Using battery dc characteristics to control power output |
US10520905B2 (en) | 2016-04-28 | 2019-12-31 | Veritone Alpha, Inc. | Using forecasting to control target systems |
US10303131B2 (en) | 2016-05-13 | 2019-05-28 | Veritone Alpha, Inc. | Using sensor data to assist in controlling a target system by modeling the functionality of the target system |
US10489725B2 (en) * | 2016-07-18 | 2019-11-26 | Aetna Inc. | Systems and methods for controlling business processes through information technology operational controls |
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 |
US10666076B1 (en) | 2018-08-14 | 2020-05-26 | Veritone Alpha, Inc. | Using battery state excitation to control battery operations |
US10452045B1 (en) | 2018-11-30 | 2019-10-22 | Veritone Alpha, Inc. | Controlling ongoing battery system usage while repeatedly reducing power dissipation |
US10816949B1 (en) | 2019-01-22 | 2020-10-27 | Veritone Alpha, Inc. | Managing coordinated improvement of control operations for multiple electrical devices to reduce power dissipation |
US11644806B1 (en) | 2019-01-24 | 2023-05-09 | Veritone Alpha, Inc. | Using active non-destructive state excitation of a physical system to model and control operations of the physical system |
US11097633B1 (en) | 2019-01-24 | 2021-08-24 | Veritone Alpha, Inc. | Using battery state excitation to model and control battery operations |
US11069926B1 (en) * | 2019-02-14 | 2021-07-20 | Vcritonc Alpha, Inc. | Controlling ongoing battery system usage via parametric linear approximation |
BE1027207B1 (de) | 2019-04-03 | 2020-11-23 | Thyssenkrupp Ind Solutions Ag | Verfahren und Einrichtung zum automatisierbaren Betrieb einer Materialgewinnungsanlage an der Abbaufront einer Materialgewinnungsstätte |
DE102019204751A1 (de) * | 2019-04-03 | 2020-10-08 | Thyssenkrupp Ag | Verfahren und Einrichtung zum automatisierbaren Betrieb einer Materialgewinnungsanlage an der Abbaufront einer Materialgewinnungsstätte |
GB2585178B (en) | 2019-04-26 | 2022-04-06 | Perkins Engines Co Ltd | Engine control system |
US11407327B1 (en) | 2019-10-17 | 2022-08-09 | Veritone Alpha, Inc. | Controlling ongoing usage of a battery cell having one or more internal supercapacitors and an internal battery |
JP7097420B2 (ja) * | 2020-10-29 | 2022-07-07 | 株式会社ジャパンエンジンコーポレーション | 主機制御システム |
JP7176143B2 (ja) * | 2021-03-31 | 2022-11-21 | Sppテクノロジーズ株式会社 | 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデル群、学習モデル群の生成方法及びプログラム |
JP7041773B1 (ja) | 2021-05-26 | 2022-03-24 | Sppテクノロジーズ株式会社 | 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法、学習モデルの生成方法及びプログラム |
US11892809B2 (en) | 2021-07-26 | 2024-02-06 | Veritone, Inc. | Controlling operation of an electrical grid using reinforcement learning and multi-particle modeling |
Family Cites Families (133)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3316395A (en) | 1963-05-23 | 1967-04-25 | Credit Corp Comp | Credit risk computer |
US4136329A (en) | 1977-05-12 | 1979-01-23 | Transportation Logic Corporation | Engine condition-responsive shutdown and warning apparatus |
DE3104196C2 (de) | 1981-02-06 | 1988-07-28 | Bayerische Motoren Werke AG, 8000 München | Anzeigevorrichtung für Kraftfahrzeuge |
US5014220A (en) | 1988-09-06 | 1991-05-07 | The Boeing Company | Reliability model generator |
US5262941A (en) | 1990-03-30 | 1993-11-16 | Itt Corporation | Expert credit recommendation method and system |
US5341315A (en) | 1991-03-14 | 1994-08-23 | Matsushita Electric Industrial Co., Ltd. | Test pattern generation device |
US5163412A (en) | 1991-11-08 | 1992-11-17 | Neutronics Enterprises, Inc. | Pollution control system for older vehicles |
JPH07501643A (ja) | 1991-12-09 | 1995-02-16 | シーメンス アクチエンゲゼルシヤフト | 制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法 |
US5594637A (en) | 1993-05-26 | 1997-01-14 | Base Ten Systems, Inc. | System and method for assessing medical risk |
US5434796A (en) | 1993-06-30 | 1995-07-18 | Daylight Chemical Information Systems, Inc. | Method and apparatus for designing molecules with desired properties by evolving successive populations |
US5386373A (en) | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
US5539638A (en) | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
US5604895A (en) | 1994-02-22 | 1997-02-18 | Motorola Inc. | Method and apparatus for inserting computer code into a high level language (HLL) software model of an electrical circuit to monitor test coverage of the software model when exposed to test inputs |
US6513018B1 (en) | 1994-05-05 | 2003-01-28 | Fair, Isaac And Company, Inc. | Method and apparatus for scoring the likelihood of a desired performance result |
US5666297A (en) | 1994-05-13 | 1997-09-09 | Aspen Technology, Inc. | Plant simulation and optimization software apparatus and method using dual execution models |
US5566091A (en) | 1994-06-30 | 1996-10-15 | Caterpillar Inc. | Method and apparatus for machine health inference by comparing two like loaded components |
US5561610A (en) | 1994-06-30 | 1996-10-01 | Caterpillar Inc. | Method and apparatus for indicating a fault condition |
US5835902A (en) * | 1994-11-02 | 1998-11-10 | Jannarone; Robert J. | Concurrent learning and performance information processing system |
US5608865A (en) | 1995-03-14 | 1997-03-04 | Network Integrity, Inc. | Stand-in Computer file server providing fast recovery from computer file server failures |
US5585553A (en) | 1995-07-28 | 1996-12-17 | Caterpillar Inc. | Apparatus and method for diagnosing an engine using a boost pressure model |
US5604306A (en) | 1995-07-28 | 1997-02-18 | Caterpillar Inc. | Apparatus and method for detecting a plugged air filter on an engine |
US5719796A (en) | 1995-12-04 | 1998-02-17 | Advanced Micro Devices, Inc. | System for monitoring and analyzing manufacturing processes using statistical simulation with single step feedback |
JPH09158775A (ja) | 1995-12-06 | 1997-06-17 | Toyota Motor Corp | 内燃機関の吸気圧センサ異常検出装置 |
US5752007A (en) | 1996-03-11 | 1998-05-12 | Fisher-Rosemount Systems, Inc. | System and method using separators for developing training records for use in creating an empirical model of a process |
US6438430B1 (en) | 1996-05-06 | 2002-08-20 | Pavilion Technologies, Inc. | Kiln thermal and combustion control |
US5727128A (en) | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
US6199007B1 (en) | 1996-07-09 | 2001-03-06 | Caterpillar Inc. | Method and system for determining an absolute power loss condition in an internal combustion engine |
JP3703117B2 (ja) | 1996-07-10 | 2005-10-05 | ヤマハ発動機株式会社 | モデルベース制御方法および装置 |
US5750887A (en) | 1996-11-18 | 1998-05-12 | Caterpillar Inc. | Method for determining a remaining life of engine oil |
US6208982B1 (en) | 1996-11-18 | 2001-03-27 | Lockheed Martin Energy Research Corporation | Method and apparatus for solving complex and computationally intensive inverse problems in real-time |
US5842202A (en) | 1996-11-27 | 1998-11-24 | Massachusetts Institute Of Technology | Systems and methods for data quality management |
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 |
US5950147A (en) | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6370544B1 (en) | 1997-06-18 | 2002-04-09 | Itt Manufacturing Enterprises, Inc. | System and method for integrating enterprise management application with network management operations |
US6086617A (en) | 1997-07-18 | 2000-07-11 | Engineous Software, Inc. | User directed heuristic design optimization search |
US6405122B1 (en) | 1997-10-14 | 2002-06-11 | Yamaha Hatsudoki Kabushiki Kaisha | Method and apparatus for estimating data for engine control |
US5914890A (en) | 1997-10-30 | 1999-06-22 | Caterpillar Inc. | Method for determining the condition of engine oil based on soot modeling |
US6145066A (en) | 1997-11-14 | 2000-11-07 | Amdahl Corporation | Computer system with transparent data migration between storage volumes |
US6477660B1 (en) | 1998-03-03 | 2002-11-05 | Sap Aktiengesellschaft | Data model for supply chain planning |
US5987976A (en) | 1998-03-12 | 1999-11-23 | Caterpillar Inc. | Method for determining the condition of engine oil based on TBN modeling |
US6119074A (en) | 1998-05-20 | 2000-09-12 | Caterpillar Inc. | Method and apparatus of predicting a fault condition |
EP0959414A1 (en) * | 1998-05-20 | 1999-11-24 | Yamaha Hatsudoki Kabushiki Kaisha | Optimization method for a fuzzy neural network |
US6466859B1 (en) | 1998-06-04 | 2002-10-15 | Yamaha Motor Co Ltd | Control system |
US6266668B1 (en) | 1998-08-04 | 2001-07-24 | Dryken Technologies, Inc. | System and method for dynamic data-mining and on-line communication of customized information |
US6269351B1 (en) | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
US20060117274A1 (en) | 1998-08-31 | 2006-06-01 | Tseng Ping-Sheng | Behavior processor system and method |
US6725208B1 (en) | 1998-10-06 | 2004-04-20 | Pavilion Technologies, Inc. | Bayesian neural networks for optimization and control |
US6240343B1 (en) | 1998-12-28 | 2001-05-29 | Caterpillar Inc. | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network |
US6092016A (en) | 1999-01-25 | 2000-07-18 | Caterpillar, Inc. | Apparatus and method for diagnosing an engine using an exhaust temperature model |
JP2000276206A (ja) * | 1999-03-24 | 2000-10-06 | Yamaha Motor Co Ltd | 総合特性最適化方法及び装置 |
US6941287B1 (en) * | 1999-04-30 | 2005-09-06 | E. I. Du Pont De Nemours And Company | Distributed hierarchical evolutionary modeling and visualization of empirical data |
US6223133B1 (en) * | 1999-05-14 | 2001-04-24 | Exxon Research And Engineering Company | Method for optimizing multivariate calibrations |
US6195648B1 (en) | 1999-08-10 | 2001-02-27 | Frank Simon | Loan repay enforcement system |
US6442511B1 (en) | 1999-09-03 | 2002-08-27 | Caterpillar Inc. | Method and apparatus for determining the severity of a trend toward an impending machine failure and responding to the same |
US6976062B1 (en) | 1999-09-22 | 2005-12-13 | Intermec Ip Corp. | Automated software upgrade utility |
US6546379B1 (en) | 1999-10-26 | 2003-04-08 | International Business Machines Corporation | Cascade boosting of predictive models |
JP2001159903A (ja) * | 1999-12-01 | 2001-06-12 | Yamaha Motor Co Ltd | 組合せ完成品用単位装置の最適化装置 |
US6775647B1 (en) | 2000-03-02 | 2004-08-10 | American Technology & Services, Inc. | Method and system for estimating manufacturing costs |
US6298718B1 (en) | 2000-03-08 | 2001-10-09 | Cummins Engine Company, Inc. | Turbocharger compressor diagnostic system |
US6594989B1 (en) | 2000-03-17 | 2003-07-22 | Ford Global Technologies, Llc | Method and apparatus for enhancing fuel economy of a lean burn internal combustion engine |
US6952662B2 (en) | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
WO2002000318A1 (de) * | 2000-06-26 | 2002-01-03 | Wns-Europe.Com Ag | Verwendung der von einem ortungssystem für rennfahrzeuge gespeicherten daten zur unterstützung computergestützter simulationsspiele |
JP4723057B2 (ja) | 2000-06-29 | 2011-07-13 | 横浜ゴム株式会社 | 製品形状設計方法およびこれを用いて設計される空気入りタイヤ |
FR2812389B1 (fr) | 2000-07-27 | 2002-09-13 | Inst Francais Du Petrole | Methode et systeme pour estimer en temps reel le mode d'ecoulement d'une veine fluide polyphasique, en tous points d'une conduite |
US20020042784A1 (en) | 2000-10-06 | 2002-04-11 | Kerven David S. | System and method for automatically searching and analyzing intellectual property-related materials |
US6584768B1 (en) | 2000-11-16 | 2003-07-01 | The Majestic Companies, Ltd. | Vehicle exhaust filtration system and method |
US6859770B2 (en) | 2000-11-30 | 2005-02-22 | Hewlett-Packard Development Company, L.P. | Method and apparatus for generating transaction-based stimulus for simulation of VLSI circuits using event coverage analysis |
MXPA01012613A (es) | 2000-12-07 | 2003-08-20 | Visteon Global Tech Inc | Metodo para calibrar un modelo matematico. |
US6859785B2 (en) | 2001-01-11 | 2005-02-22 | Case Strategy Llp | Diagnostic method and apparatus for business growth strategy |
US20020103996A1 (en) | 2001-01-31 | 2002-08-01 | Levasseur Joshua T. | Method and system for installing an operating system |
US7113932B2 (en) * | 2001-02-07 | 2006-09-26 | Mci, Llc | Artificial intelligence trending system |
US7500436B2 (en) * | 2003-05-22 | 2009-03-10 | General Electric Company | System and method for managing emissions from mobile vehicles |
US6975962B2 (en) | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
US20020198821A1 (en) | 2001-06-21 | 2002-12-26 | Rodrigo Munoz | Method and apparatus for matching risk to return |
US20030018503A1 (en) | 2001-07-19 | 2003-01-23 | Shulman Ronald F. | Computer-based system and method for monitoring the profitability of a manufacturing plant |
US6763708B2 (en) | 2001-07-31 | 2004-07-20 | General Motors Corporation | Passive model-based EGR diagnostic |
US7050950B2 (en) | 2001-11-08 | 2006-05-23 | General Electric Company | System, method and computer product for incremental improvement of algorithm performance during algorithm development |
US7644863B2 (en) | 2001-11-14 | 2010-01-12 | Sap Aktiengesellschaft | Agent using detailed predictive model |
US20030126053A1 (en) | 2001-12-28 | 2003-07-03 | Jonathan Boswell | System and method for pricing of a financial product or service using a waterfall tool |
US7143046B2 (en) | 2001-12-28 | 2006-11-28 | Lucent Technologies Inc. | System and method for compressing a data table using models |
AU2003215142A1 (en) | 2002-02-05 | 2003-09-02 | Cleaire Advanced Emission Controls | Apparatus and method for simultaneous monitoring, logging, and controlling of an industrial process |
US7237238B2 (en) | 2002-03-01 | 2007-06-26 | Dell Products L.P. | Method and apparatus for automated operating systems upgrade |
US6698203B2 (en) | 2002-03-19 | 2004-03-02 | Cummins, Inc. | System for estimating absolute boost pressure in a turbocharged internal combustion engine |
US7561971B2 (en) | 2002-03-28 | 2009-07-14 | Exagen Diagnostics, Inc. | Methods and devices relating to estimating classifier performance |
US6687597B2 (en) | 2002-03-28 | 2004-02-03 | Saskatchewan Research Council | Neural control system and method for alternatively fueled engines |
US20030200296A1 (en) | 2002-04-22 | 2003-10-23 | Orillion Corporation | Apparatus and method for modeling, and storing within a database, services on a telecommunications network |
US6935313B2 (en) | 2002-05-15 | 2005-08-30 | Caterpillar Inc | System and method for diagnosing and calibrating internal combustion engines |
US7035834B2 (en) | 2002-05-15 | 2006-04-25 | Caterpillar Inc. | Engine control system using a cascaded neural network |
US6785604B2 (en) | 2002-05-15 | 2004-08-31 | Caterpillar Inc | Diagnostic systems for turbocharged engines |
US6882929B2 (en) | 2002-05-15 | 2005-04-19 | Caterpillar Inc | NOx emission-control system using a virtual sensor |
US7000229B2 (en) | 2002-07-24 | 2006-02-14 | Sun Microsystems, Inc. | Method and system for live operating environment upgrades |
US6950712B2 (en) * | 2002-07-30 | 2005-09-27 | Yamaha Hatsudoki Kabushiki Kaisha | System and method for nonlinear dynamic control based on soft computing with discrete constraints |
US7533008B2 (en) | 2002-08-19 | 2009-05-12 | General Electric Capital Corporation | System and method for simulating a discrete event process using business system data |
US7225113B2 (en) * | 2002-09-11 | 2007-05-29 | Datarevelation, Inc | Systems and methods for statistical modeling of complex data sets |
AU2003278815A1 (en) * | 2002-09-13 | 2004-04-30 | Yamaha Motor Co., Ltd. | Fuzzy controller with a reduced number of sensors |
US6711676B1 (en) | 2002-10-15 | 2004-03-23 | Zomaya Group, Inc. | System and method for providing computer upgrade information |
US20040138995A1 (en) * | 2002-10-16 | 2004-07-15 | Fidelity National Financial, Inc. | Preparation of an advanced report for use in assessing credit worthiness of borrower |
JP2004135829A (ja) * | 2002-10-17 | 2004-05-13 | Fuji Xerox Co Ltd | 脳波診断装置および方法 |
DE10248991B4 (de) | 2002-10-21 | 2004-12-23 | Siemens Ag | Vorrichtung zur Simulation des Steuerungs- und Maschinenverhaltens von Werkzeug- oder Produktionsmaschinen |
US6823675B2 (en) | 2002-11-13 | 2004-11-30 | General Electric Company | Adaptive model-based control systems and methods for controlling a gas turbine |
US7356393B1 (en) | 2002-11-18 | 2008-04-08 | Turfcentric, Inc. | Integrated system for routine maintenance of mechanized equipment |
US6865883B2 (en) | 2002-12-12 | 2005-03-15 | Detroit Diesel Corporation | System and method for regenerating exhaust system filtering and catalyst components |
US20040122702A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M. | Medical data processing system and method |
US20040122703A1 (en) * | 2002-12-19 | 2004-06-24 | Walker Matthew J. | Medical data operating model development system and method |
US7213007B2 (en) | 2002-12-24 | 2007-05-01 | Caterpillar Inc | Method for forecasting using a genetic algorithm |
US7027953B2 (en) | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
US6965826B2 (en) * | 2002-12-30 | 2005-11-15 | Caterpillar Inc | Engine control strategies |
US7191161B1 (en) | 2003-07-31 | 2007-03-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques |
US7251540B2 (en) * | 2003-08-20 | 2007-07-31 | Caterpillar Inc | Method of analyzing a product |
US7379598B2 (en) * | 2003-08-29 | 2008-05-27 | The Johns Hopkins University | Distance sorting algorithm for matching patterns |
US6804600B1 (en) | 2003-09-05 | 2004-10-12 | Honeywell International, Inc. | Sensor error detection and compensation system and method |
US7194392B2 (en) | 2003-10-23 | 2007-03-20 | Taner Tuken | System for estimating model parameters |
US20050091093A1 (en) * | 2003-10-24 | 2005-04-28 | Inernational Business Machines Corporation | End-to-end business process solution creation |
US8209250B2 (en) * | 2004-05-10 | 2012-06-26 | Morgan Stanley | Systems and methods for conducting an interactive financial simulation |
US7747641B2 (en) * | 2004-07-09 | 2010-06-29 | Microsoft Corporation | Modeling sequence and time series data in predictive analytics |
US7885978B2 (en) * | 2004-07-09 | 2011-02-08 | Microsoft Corporation | Systems and methods to facilitate utilization of database modeling |
US20060026587A1 (en) * | 2004-07-28 | 2006-02-02 | Lemarroy Luis A | Systems and methods for operating system migration |
US7536486B2 (en) * | 2004-07-30 | 2009-05-19 | Microsoft Corporation | Automatic protocol determination for portable devices supporting multiple protocols |
US7089099B2 (en) * | 2004-07-30 | 2006-08-08 | Automotive Technologies International, Inc. | Sensor assemblies |
JP4369825B2 (ja) | 2004-08-11 | 2009-11-25 | 株式会社日立製作所 | 車両故障診断装置および車載端末 |
US7127892B2 (en) | 2004-08-13 | 2006-10-31 | Cummins, Inc. | Techniques for determining turbocharger speed |
US7124047B2 (en) | 2004-09-03 | 2006-10-17 | Eaton Corporation | Mathematical model useful for determining and calibrating output of a linear sensor |
US7284043B2 (en) * | 2004-09-23 | 2007-10-16 | Centeris Corporation | System and method for automated migration from Linux to Windows |
US7167791B2 (en) * | 2004-09-27 | 2007-01-23 | Ford Global Technologies, Llc | Oxygen depletion sensing for a remote starting vehicle |
US8924499B2 (en) * | 2004-12-14 | 2014-12-30 | International Business Machines Corporation | Operating system migration with minimal storage area network reconfiguration |
US7178328B2 (en) | 2004-12-20 | 2007-02-20 | General Motors Corporation | System for controlling the urea supply to SCR catalysts |
US20070061144A1 (en) * | 2005-08-30 | 2007-03-15 | Caterpillar Inc. | Batch statistics process model method and system |
US7487134B2 (en) * | 2005-10-25 | 2009-02-03 | Caterpillar Inc. | Medical risk stratifying method and system |
US7499842B2 (en) * | 2005-11-18 | 2009-03-03 | Caterpillar Inc. | Process model based virtual sensor and method |
US20070124237A1 (en) * | 2005-11-30 | 2007-05-31 | General Electric Company | System and method for optimizing cross-sell decisions for financial products |
US20070150332A1 (en) * | 2005-12-22 | 2007-06-28 | Caterpillar Inc. | Heuristic supply chain modeling method and system |
US7739099B2 (en) * | 2005-12-22 | 2010-06-15 | International Business Machines Corporation | Method and system for on-line performance modeling using inference for real production IT systems |
US20080154811A1 (en) * | 2006-12-21 | 2008-06-26 | Caterpillar Inc. | Method and system for verifying virtual sensors |
-
2005
- 2005-04-08 US US11/101,532 patent/US7565333B2/en active Active
-
2006
- 2006-03-13 SE SE0702458A patent/SE531898C2/sv not_active IP Right Cessation
- 2006-03-13 WO PCT/US2006/008880 patent/WO2006110248A1/en active Application Filing
- 2006-03-13 DE DE112006000821T patent/DE112006000821T5/de not_active Withdrawn
- 2006-03-13 JP JP2008505324A patent/JP2008536221A/ja not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
US7565333B2 (en) | 2009-07-21 |
WO2006110248A1 (en) | 2006-10-19 |
SE0702458L (sv) | 2007-11-08 |
DE112006000821T5 (de) | 2008-02-14 |
US20060229769A1 (en) | 2006-10-12 |
JP2008536221A (ja) | 2008-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
SE531898C2 (sv) | Metod och styrsystem för att styra en motor i en arbetsmaskin | |
US7499777B2 (en) | Diagnostic and prognostic method and system | |
US7787969B2 (en) | Virtual sensor system and method | |
US7917333B2 (en) | Virtual sensor network (VSN) based control system and method | |
US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
US7483774B2 (en) | Method and system for intelligent maintenance | |
US7542879B2 (en) | Virtual sensor based control system and method | |
JP5026433B2 (ja) | プロセスモデルベースの仮想センサシステムおよび方法 | |
US7831416B2 (en) | Probabilistic modeling system for product design | |
US10013658B2 (en) | Control device and method for calculating an output parameter for a controller | |
US7505949B2 (en) | Process model error correction method and system | |
US20070061144A1 (en) | Batch statistics process model method and system | |
JP2024023651A5 (ja) | 機械学習のための計算機システム及びコンピュータプログラム | |
US20090118841A1 (en) | Virtual sensor network (VSN) system and method | |
RU2635435C2 (ru) | Система для контроля узла компонентов оборудования | |
US20090299713A1 (en) | Method of modelling the effect of a fault on the behaviour of a system | |
CN116610092A (zh) | 用于车辆分析的方法和系统 | |
CN103324155A (zh) | 系统监控 | |
CN111125052A (zh) | 基于动态元数据的大数据智能建模系统及方法 | |
Ullah et al. | An investigation of exhaust gas temperature of aircraft engine using LSTM | |
Zakharov et al. | Network redundant dcs configuration management | |
Liang et al. | Application of machine learning algorithms on the multi-feature multi-classification problem-in the case of a hydraulic system | |
GB2612362A (en) | Fault prediction for machines | |
CN115563558A (zh) | 故障定位方法、装置、电子设备及作业机械 | |
CN114357633A (zh) | 一种基于变权重神经网络的燃气轮机解析余度构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
NUG | Patent has lapsed |