WO2008101835A1 - Verfahren und vorrichtung zur neuronalen steuerung und/oder regelung - Google Patents

Verfahren und vorrichtung zur neuronalen steuerung und/oder regelung Download PDF

Info

Publication number
WO2008101835A1
WO2008101835A1 PCT/EP2008/051658 EP2008051658W WO2008101835A1 WO 2008101835 A1 WO2008101835 A1 WO 2008101835A1 EP 2008051658 W EP2008051658 W EP 2008051658W WO 2008101835 A1 WO2008101835 A1 WO 2008101835A1
Authority
WO
WIPO (PCT)
Prior art keywords
neurons
neuron
thd
map
activity test
Prior art date
Application number
PCT/EP2008/051658
Other languages
English (en)
French (fr)
Inventor
Johannes Beer
Oliver Bänfer
Josef Kainz
Oliver Nelles
Original Assignee
Continental Automotive Gmbh
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 Continental Automotive Gmbh filed Critical Continental Automotive Gmbh
Publication of WO2008101835A1 publication Critical patent/WO2008101835A1/de

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks 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
    • F02D41/0002—Controlling intake air
    • F02D2041/001—Controlling intake air for engines with variable valve actuation
    • 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
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0402—Engine intake system parameters the parameter being determined by using a model of the engine intake or its components
    • 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

Definitions

  • the present invention relates to a method and a device for neural control and / or regulation, in which an input layer with receiving nodes or neurons for the reception of input signals or patterns from the outside world, an output layer with neurons for transmitting the signals to the outside world and a concealed layer, whose neurons each receive all the input signals and after processing forward output signals to all neurons of the output layer for final processing, in which an activation function is calculated in a plurality of neurons between the input layer and the output layer.
  • a way out of this dilemma is provided by methods and devices using neural networks.
  • neural networks On the basis of such modeling of a device, adaptations, controls, regulations, diagnoses and / or predictions can be carried out or predictions can subsequently be made.
  • the advantage of using neural networks is that the number of calibration variables does not increase to the same extent as the number of input variables. For this reason, there are many examples of the use of neural networks, e.g. to
  • LMN local model network
  • the present invention is based on the finding that not all neurons of a neural network have a
  • a method for neuronal control and / or regulation of the type mentioned above is characterized in that each neuron is subjected to a test for delivery of its own contribution to an output signal.
  • validity functions based on the exponential function, cf.
  • equations (1) and (2) hold that they have a nearly constant value outside a subset of the definition set.
  • LMN or RBF networks for a one-dimensional membership function ⁇ , j (u J to an input signal u D at a neuron i approximate:
  • a control method using a neural network is characterized in that activation functions are derived from polynomial approximation of an originally provided activation function, provided that it performs well in the sense of stable and efficient on an existing activation function or predetermined computer structure running in particular and can be calculated efficiently with fixed-point arithmetic in a control unit, the activation functions are specified in particular as sections defined functions.
  • modified validity functions for MLP networks result with simplification of equation (3) (5) and simplify equation (4) for LMN or RBF networks u, -c. ⁇ iJ (u> 0 if - ⁇ L> 1
  • a neural network such as a LMN
  • MUE_SUM 0% initialization
  • Computation of a neural network can now be checked by comparatively simple decision-making or if-queries in the manner outlined above, whether one of the abovementioned respective conditions is fulfilled.
  • an acceleration of the calculation can be achieved by calculating only the "active" models and skipping inactive ones. This method is very advantageous with a method according to the teaching of DE 10th
  • 2006 046 204 can be combined in order to tap further potential savings in terms of the computational effort involved in the processing of neural networks.
  • Figure 1 a basic structure of a control device based on a neural network
  • FIG. 2 is a graphical representation of the calculation within a local model network LMN
  • FIG. 4 a diagram for characterizing a
  • FIG. 5 shows the diagram according to FIG. 4 for characterizing the swallowing line in a normal working range
  • FIGS. 6a and 6b are identical to FIGS. 6a and 6b.
  • FIGS. 7a-7c are identical to FIGS. 7a-7c:
  • Figure 1 shows a basic structure of a control device 1 based on a neural network.
  • the neural network is divided into three layers: an input layer 2 with receiving nodes or neurons 3 for receiving input quantities u in the form of signals or patterns from the outside world and an output layer 4 for passing the signals to the outside world.
  • the so-called hidden layer 5 is arranged between the input layer 2 and the output layer 4, the neurons 6 of which receive all input signals u and, after processing, pass on output signals to all neurons 7 of the output layer 4 for final processing.
  • the neurons 6 of the hidden layer 5 have a modified activation function in addition to a model of the outside world, which can range from a constant to a multi-dimensional image.
  • the modification of an originally intended and i.d.R. mathematically expensively to be calculated function is carried out under the proviso that between the old and the new activation function is to exist only a sufficient similarity. Therefore, the new activation function is derived from polynomial approximation of the originally provided activation function in order, for example, to obtain a restricted, monotone and continuously differentiable replacement function in an application case to be discussed below.
  • An activation or validity function results from normalizing a membership function. Accordingly, in the present case, the validity functions O 1 result from normalization of the multi-dimensional membership functions P 1 .
  • This multi-dimensional membership function ⁇ t is defined as the product of one-dimensional membership functions ⁇ t :
  • the weights w and the parameters c or ⁇ i ⁇ can be determined with the aid of the local linear model tree or LOLIMOT training algorithm.
  • Calculation rules are shown in FIG.
  • a number of M neurons 6 in the hidden layer 5 are shown. These neurons 6 have each been assigned an approximate validity function 9.
  • a validity function 10 is provided by way of example.
  • the validity function 10 has the task of setting an extrapolation behavior or a course beyond the edge of the viewing area.
  • the one-dimensional membership functions are thus Gaussian functions. Instead of this elaborate function to be calculated, it is proposed here to represent the one-dimensional membership function in blocks by polynomials.
  • the following parabolic function which is parabolic in part of the domain of definition, has proven particularly suitable: ⁇ ": R ⁇ R
  • Equation (12) replaces equation (11). Also in this case the weights and parameters can be determined with a modified LOLIMOT algorithm.
  • the figure of Figure 3 shows by way of example Gaussian and parabolic membership functions in direct comparison. Of importance is when replacing the original one with an approximate one
  • Attribution function essentially the qualitative course of the respective curves. That is, a location of the maxima and decay of the functions far from the maxima to values near zero are of great importance in selecting and shaping the equivalent function. Furthermore, the function may only accept values> 0.
  • Function value provides the relevant neuron i no contribution and you can immediately continue with the calculation of the next neuron.
  • the saving is significant because of the calculation of the output of the local model y t according to the above
  • Equation (7) can be dispensed with.
  • Neurons endfor y y / MUE_SUM normalize the final result
  • LMN or RBF networks When calculating a neural network, as outlined above with reference to an LMN, it can now be checked by comparatively simple decision-making or if-queries on the basis of the fulfillment of one of the abovementioned respective conditions whether a neuron provides its own contribution to an output. If a relevant neuron i does not contribute, the calculation of the next neuron can proceed immediately. Thus, an acceleration of the calculation can be achieved by calculating only the "active" models.
  • DE 10 2006 046 204 allows a simplified calculation of the Buchehortechniksfunktionen and discloses as an application, the modeling of the absorption behavior of an internal combustion engine.
  • an extended method for efficiently calculating a complete neural network has been presented.
  • the application of a method according to the invention will now be described based on the disclosure of DE 10 2006 046 204 based on the modeling of the absorption behavior of an internal combustion engine with the aid of a LMN from automotive technology.
  • the engine management system must ensure accurate modeling of the air mass flow, depending on the operating condition of the engine. This makes it possible to dimension the amount of fuel to be injected so that an optimum for the exhaust aftertreatment in the catalyst air-fuel ratio lambda or ⁇ is present.
  • Suction behavior of the internal combustion engine that is the dependence of the air mass flow MAF on the intake manifold pressure MAP, in the form of a so-called swallowing line and in a linearized form, ie as a so-called swallowing line,
  • Camshaft adjustment is the non-linearity usually negligible, so that there is a Schluckstraad. With the linearization used here, it is also assumed that nonlinearities can be neglected in the dependence of the air mass flow on the intake manifold pressure.
  • EFF_VOL_SLOP and intercept EFF_VOL_OFS of the straight lines are determined by a set of maps, or by a neural network as a function of speed N, camshaft position with inlet CAM IN and / or outlet CAM EX and actuator position taking into account swirl flap, variable intake manifold, valve lift oa stored in a control unit.
  • the values for slope and intercept, which are interpolated from the mentioned maps are additionally corrected for compensation of changed environmental conditions as a function of ambient pressure, intake manifold and coolant water temperature. Furthermore, corrections can be made to map nonlinearities in the MAF-MAP dependence.
  • EFF_VOL_SLOP and MAF axis section EFF_VOL_OFS of the slip line can be determined either by characteristic maps or by a neural network as a function of rotational speed N, camshaft position with inlet CAM_IN and / or outlet CAM_EX and actuator position, e.g. Swirl flap, variable intake manifold, valve lift changeover, are stored in the control unit.
  • the calculated values for slope and intercept are additionally corrected to compensate for changing environmental conditions depending on ambient pressure, draft tube and coolant temperature. Furthermore, corrections can be made to map nonlinearities in the MAF-MAP dependence.
  • the determination of these parameters is carried out by evaluating measured data pairs (MAF, MAP) for different operating states. Typically, this analysis consists in a linear regression, by the slope and intercept are selected so that the measurement data are represented by the least possible square error through the Schluckstraade.
  • a characterization of the Suction lines through EFF_VOL_OFS and EFF_VOL_SLOP are shown in FIG.
  • the parameter for the slope is not directly interpretable.
  • the MAF intercept can be interpreted as residual gas remaining in the cylinder or as the mass flow generated thereby. A direct measurement is not possible for both parameters.
  • Mass flow is called EFF_VOL_OFS_TRF.
  • the mass flow can now be calculated using the equation:
  • EFF VOL OFS which is not accessible by direct measurement
  • the offset EFF_VOL_OFS_TRF of the new method can be measured directly by determining the air mass flow that occurs at a manifold pressure of C_MAP_BAS. It has proven advantageous to choose C MAP BAS approximately in the middle of the MAP working range of the engine.
  • Suction motor corresponds to a value of about 600 hPa. Due to the direct measurability, the meaning of the parameter EFF_VOL_OFS_TRF can also be interpreted very easily.
  • FIGS. 6a and 6b The basic idea of this statement is illustrated in FIGS. 6a and 6b as the effect of an error in the gradient EFF_VOL_SLOP on the result for the air mass flow MAF for the previous approach according to FIG. 6a and the new approach according to FIG. 6b.
  • the proposed method provides a greater robustness against errors in the value for the
  • the new method allows a reduction in the size of the maps for EFF_VOL_SLOP.
  • the consequent additional error is significantly lower when using the proposed method than in the conventional approach.
  • EFF_VOL_OFS EFF_VOL_OFS
  • EFF_VOL_SLOP EFF_VOL_SLOP
  • EFF_VOL_OFS_TRF the course of EFF_VOL_OFS
  • the course of EFF_VOL_OFS is shown in FIG. 7a
  • the course of EFF_VOL_SLOP in FIG. 7b the course of EFF_VOL_OFS_TRF as a function of the speed N for the abovementioned operating point in the form of diagrams in FIG. 7c.
  • MAP DIF MAP - C MAP B AS
  • the coefficients of the polynomial ⁇ 0 ,..., A n are to be defined as a function of rotational speed, camshaft position with inlet CAM IN and / or outlet CAM EX, actuator position, eg swirl flap, variable intake manifold, valve lift changeover, and possibly further variables. This can be done analogously to today in Steuergeraten practiced methods using maps or - as explained in more detail below - using neural networks.
  • the output of the network is the coefficient vector a ⁇ , a x , ..., a n of the polynomial for describing the swallow line, cf.
  • Equation (15) By way of example, we choose a second order polynomial here so that the sipline becomes a parabola.
  • the network output is then a vector:
  • An essential advantage of a method described above and an implementation in a corresponding device is its universal applicability. Even today, the use of neural networks in the automotive sector in engine control systems for many purposes in mass production. Examples are functions for
  • the neural networks used in the exemplary use cases mentioned above correspond to those above described standard types MLP, RBF, LMN and use in a variety of neurons activation functions based on the exponential function.
  • the computation time for the neural network can be considerably reduced with the methods described here, but also without stucco-like polynomial activation functions by efficiently determining the actually relevant neurons and restricting the evaluation to exactly these neurons. This considerable reduction of the computing time requirement is realized without impairing the functionality.
  • the general advantage of neural networks, namely the reduction of the calibration variables required for modeling, remains fully intact.
  • the neural networks used correspond to i.d.R. the standard types MLP, LMN and RBF described here.
  • the computational effort can be significantly reduced by the described method by evaluating only those neurons that contribute to the output of the network.
  • the advantage of this method is particularly high in combination with an application of the piecewise polynomial membership functions described in DE 10 2006 046 204.
  • the method can also be used advantageously in conjunction with the usual membership functions based on the exponential function.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur neuronalen Steuerung und/oder Regelung, bei dem in einer Vielzahl (M) von Neuronen eine Aktivierungsfunktion berechnet wird, und eine dementsprechend ausgebildete Vorrichtung zur neuronalen Steuerung und/oder Regelung. Um ein Verfahren und eine Vorrichtung der genannten Art zu schaffen, die unter Verwendung vergleichsweise kostengünstiger Rechnerarchitekturen effizient einsetzbar ist, wird vorgeschlagen, dass jedes Neuron 6 einem Test auf Lieferung eines eigenen Beitrages zu einem Ausgangssignal bzw. einem Aktivitätstest unterzogen wird und nur Neuronen 6 berechnet werden, die einen Beitrag liefern.

Description

Beschreibung
Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur neuronalen Steuerung und/oder Regelung, bei dem eine Eingangsschicht mit Empfangsknoten bzw. Neuronen für den Empfang von Eingangssignalen oder Mustern aus der Außenwelt, eine Ausgangsschicht mit Neuronen zur Weitergabe der Signale an die Außenwelt und eine zwischen der Eingangsschicht und der Ausgangsschicht angeordnet verdeckte Schicht umfasst, deren Neuronen jeweils alle Eingangssignale erhalten und nach der Verarbeitung Ausgangssignale an alle Neuronen der Ausgangsschicht zur Endverarbeitung weiterleiten, bei dem in einer Vielzahl von Neuronen eine Aktivierungsfunktion berechnet wird.
Ohne Beschrankung ihres Einsatzfeldes wird die vorliegende Erfindung nachfolgend nur unter Bezugnahme auf den Automobilsektor dargestellt. Der Automobil- und Kraftfahrzeugbereich ist aufgrund der hohen Systemanforderungen bei gleichzeitig hohem Kostendruck durch die hohen Absatzzahlen ein wirtschaftlich sehr bedeutender Anwendungsbereich. Alternative Einsatzfelder in der Flugzeugoder Kraftwerkstechnik sowie auf sonstigen Feldern mit komplexen und mehrdimensionalen Regelaufgaben werden damit grundsatzlich nicht ausgeschlossen.
Bedingt durch die zunehmende Anzahl von Freiheitsgraden moderner Verbrennungsmotoren steigen Umfang und Komplexität der von der Motorsteuerung durchzuführenden Modellierungsaufgaben erheblich an. Zur Parametrierung dieser Modelle ist eine Vielzahl von Konstanten, Kennlinien und Kennfeldern erforderlich, was einen erheblichen Bedarf an Steuergerateressourcen nach sich zieht. Manche dieser Modelle erfordern die Abbildung mehr- oder sogar hochdimensionaler Abhängigkeiten, also Zusammenhange zwischen einer Ausgangsgroße und mehr als zwei Eingangsgroßen. Die Repräsentation einer solchen Funktion durch Kennfelder mit Stutzstellen auf einem Gitter ist die übliche Vorgehensweise. Da hierbei die Anzahl der erforderlichen Stutzstellen exponentiell mit der Anzahl der Eingangsgroßen anwachst, ist dieses Vorgehen ab einer gewissen Anzahl von Eingangsgroßen nicht mehr praktikabel.
Einen Ausweg aus diesem Dilemma bieten Verfahren und Vorrichtungen unter Verwendung neuronaler Netze. Auf Basis derartiger Modellierungen einer Vorrichtung können nachfolgend Adaptionen, Steuerungen, Regelungen, Diagnosen und/oder Pradiktionen durchgeführt bzw. Vorhersagen getroffen werden. Neuronale Netze bieten den Vorteil, dass bei diesen die Anzahl der Kalibrationsgroßen nicht im selben Maße mit der Anzahl der Eingangsgroßen ansteigt. Aus diesem Grund gibt es aus dem Stand der Technik zahlreiche Beispiele für die Verwendung neuronaler Netze, so z.B. zur
• Abbildung des Schluckverhaltens einer
Verbrennungskraftmaschine, siehe B. Wu et al . , SAE 2004- 01-3054, H. Nareid, M. Grimes, J. Verdejo, SAE 2005-01- 0045, • Regelung von Bi-Fuel-Motoren, siehe G. Gnonam et al . , SAE 2004-01-1360,
• Analyse des Spannungsverlaufs an der Zündkerze, siehe M. de Zoysa et al., Fourth Internationcal Conference on knowlege-based Intelligent Engineering Systems & Allied Technologies, Brighton, UK, 2000, oder
• Regelung des Zundwinkels, siehe M. Beham, D. L. Yu, Proc. IMechE. Part D: J. Automobile Engineering, 219, 227 (2005), um nur einige Beispiele zu nennen. Hierbei werden verschiedene Arten neuronaler Netze eingesetzt, wie z.B. Multi Layer Perzeptron MLP, RBF oder lineares neuro-fuzzy Netz bzw. nachfolgend als lokales Modell Netz LMN bezeichnet, die z.B. von O. Nelles in O. Nelles, Nonlinear System Identification, Springer, Berlin, 2001 naher beschrieben werden .
Auch wird u.a. in den Patentanmeldungen DE 102 03 919 Al, DE 102 00 946 Al, DE 102 03 920 Al, DE 101 13 538 Al auf eine Anwendung neuronaler Netze im Umfeld von Motorsteuerungen in Kraftfahrzeugen eingegangen.
Allen neuronalen Netzen ist gemeinsam, dass in deren konstituierenden Komponenten - den Knoten oder Neuronen - eine nichtlineare Funktion berechnet wird, die sog. Aktivierungs- bzw. Gultigkeitsfunktion . Typische Aktivierungsfunktionen sind die logistische Funktion f(x) = - l
1+e
(D für MLP-Netze, oder die Gauß'sche Glockenfunktion g(χ) = e"x ' (2) die meist bei lokalen Modell Netzen, kurz LMN, und RBF zum Einsatz kommen.
Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Vorrichtung der genannten Art zu schaffen, die unter Verwendung vergleichsweise kostengünstiger Rechnerarchitekturen effizient einsetzbar ist.
Diese Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelost. Weitere vorteilhafte Merkmale von
Weiterbildungen der Erfindung sind Gegenstand der jeweiligen Unteranspruche .
Der vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass nicht alle Neuronen eines neuronalen Netzes einen
Beitrag zu einem Ausgang des betreffenden neuronalen Netzes liefern. Es ist also eine erheblich Reduktion des Berechnungsaufwands erreichbar, indem nur diejenigen Neuronen berechnet werden, die einen tatsachlichen Beitrag zum Ausgang des Netzes liefern.
Erfindungsgemaß zeichnet sich ein Verfahren zur neuronalen Steuerung und/oder Regelung der eingangs genannten Art dadurch aus, dass jedes Neuron einem Test auf Lieferung eines eigenen Beitrages zu einem Ausgangssignal unterzogen wird. Für üblicherweise verwendete Gultigkeitsfunktionen auf Basis der Exponentialfunktion, vgl. z.B. Gleichungen (1) und (2), gilt, dass sie außerhalb eines Teilbereichs der Definitionsmenge einen naherungsweise konstanten Wert haben. So gilt gemäß einer bevorzugten Ausfuhrungsform der Erfindung bei Wahl eines geeignet gewählten Schwellwertes THD z.B. für die eingangs erwähnten MLP-Netze für eine Aktivierungsfunktion Φj(x) zu einem Argument x an einem jeweiligen Neuron i naherungsweise:
Figure imgf000006_0001
Der hierbei auftretende Fehler fallt mit wachsendem Wert von THD.
Gemäß einer weiteren Ausfuhrungsform der Erfindung gilt bei
LMN- oder RBF-Netzen für eine eindimensionale Zugehorigkeitsfunktion μ,j(u J zu einem Eingangssignal uD an einem Neuron i naherungsweise:
μiJ(Uj)« 0 falls UJ - CU ≥ THD σ„
[ 4 :
Ein erfindungsgemaßer Ansatz ist sehr gut mit der Offenbarung der nicht vorveroffentlichten Patentanmeldung DE 10 2006 046 204.1 kombinierbar, auf die nachfolgend Bezug genommen wird: Aufbauend auf der Erkenntnis, dass die Aktivierungsfunktionen wahrend der Regelung sehr oft berechnet werden müssen, so dass eine möglichst ressourcenschonende Berechnungsmethode von großer Bedeutung ist und dass ferner gerade die Berechnung der für bekannte Aktivierungsfunktionen notigen Exponentialfunktion numerisch besonders bei Verwendung von Festkommaarithmetik in heutigen üblichen Steuergeraten sehr aufwandig ist, lehrt die DE 10 2006 046 204, dass die Neuronen in der verdeckten Schicht jeweils eine Aktivierungsfunktion aufweisen, die als Polynom-Approximation einer ursprunglich vorgesehen Aktivierungsfunktion in einem Speicher abgelegt ist. Dementsprechend zeichnet sich ein Regelungsverfahren unter Verwendung eines neuronalen Netzes gemäß der Lehre der DE 10 2006 046 204 dadurch aus, dass Aktivierungsfunktionen aus Polynom-Approximation einer ursprunglich vorgesehen Aktivierungsfunktion unter der Maßgabe hergeleitet werden, dass sie gut im Sinne von stabil und effizient auf einer vorhandenen oder vorgegebenen Rechnerstruktur laufen insbesondere und auch mit Festkommaarithmetik effizient in einem Steuergerat berechnet werden können, wobei die Aktivierungsfunktionen insbesondere als abschnittsweise definierte Funktionen angegeben sind. Durch diese Anpassung an Steuergerate mit Festkommaarithmetik wird gemäß der Lehre der DE 10 2006 046 204 der für die Verwendung neuronaler Netze notige Ressourcenbedarf in vorteilhafter Weise erheblich vermindert, wobei die durch den Einsatz neuronaler Netze erzielbare Reduktion der Anzahl der Kalibrationsgroßen erhalten bleibt.
Unter Anwendung der Lehre der DE 10 2006 046 204 ergeben sich in einer bevorzugten Ausfuhrungsform der Erfindung modifizierte Gultigkeitsfunktionen für MLP-Netze mit Vereinfachung der Gleichung (3) zu
Figure imgf000007_0001
( 5 ) und Vereinfachung der Gleichung (4) für LMN- oder RBF-Netze zu u, -c. μiJ(u> 0 falls -^L > 1
(6)
Somit kann bei der Berechnung dieser Funktionen in einer vorgeschalteten if-Abfrage überprüft werden, ob eine der obigen Bedingungen erfüllt ist. Ergibt sich dabei, dass der Funktionswert konstant gleich eins ist, so vereinfachen sich die nachfolgenden Berechnungen. Verschwindet der Funktionswert dagegen, so liefert das betreffende Neuron i keinen Beitrag und man kann sofort mit der Berechnung des nächsten Neurons fortfahren. Mit anderen Worten ist gemäß der vorstehenden Ausfuhrungsform der Erfindung nur in dem Fall, dass in einem MLP-Netz an einem Neuron |x| < THD ist, oder in einem LMN- oder RBF-Netz an einem Neuron UJ-C.J <THD ist,
eine vollständige Berechnung des jeweiligen Neurons durchzufuhren. Außerhalb der genannten Entscheider-Intervalle erfolgt statt einer Berechnung eine einfache Werte-Zuordnung. Insbesondere bei den LMN ist die Einsparung erheblich, da auf die Berechnung des Ausgangs des lokalen Modells yt nach der folgenden Gleichung verzichtet werden kann:
Figure imgf000008_0001
yi=Wl0+Wllf1(u1,...,Up)+Wl2f2(u1,...,Up)+... + Wlqfq(u1,...,Up),
Figure imgf000008_0002
(7a)
Wobei die Funktionen fk mit k=l ... q beliebig gewählt werden können, aber häufig fk(up...,u
Figure imgf000008_0003
für k=l...q, q=p benutzt wird, so dass sich in diesem Fall lokal lineare Modelle ergeben.
Schematisch kann daher die Berechnung eines neuronalen Netzes, wie z.B. einem LMN, wie folgt ablaufen: MUE_SUM=0 % Initialisierung J = O for i=l : M % Schleife über alle M Neuronen d - Uj " % Berechne Zwischengroße
i f da < 1 % Prüfe, ob Neuron einen Beitrag liefert i f dl2 < ]
diP <1 % Neuron liefert Beitrag μt =(l-d2 1)-(l-d2 2)-...-(l-dJ 2 p) % Zugehorigkeitsfunktionswert y,=wl0+w11f1(u1,...,up)+... + wiqfq(u1,...,up) % lokales Modell MUE_SUM=MUE_SUM + μi % Normierung endif endif endif y = y+yi-μi % summiere Beitrage der einzelnen Neuronen endfor y = y/MUE_SUM % normiere das Endergebnis
In bekannter Weise bezeichnen im vorstehend wiedergegebenen Text die "%"-Zeichen einen erläuternden Kommentar. Bei der
Berechnung eines neuronalen Netzes kann nun durch vergleichsweise einfache Entscheider- bzw. if-Abfragen in der vorstehend skizzierten Weise überprüft werden, ob eine der vorstehend genannten jeweiligen Bedingungen erfüllt ist. So lasst sich auch hier eine Beschleunigung der Berechnung erreichen, indem nur die "aktiven" Modelle berechnet und inaktive übersprungen werden. Dieses Verfahren ist dabei sehr vorteilhaft mit einem Verfahren gemäß der Lehre der DE 10
2006 046 204 kombinierbar, um weitere Einsparpotentiale hinsichtlich des Rechenaufwandes bei der Bearbeitung neuronaler Netze zu erschließen.
Weitere Merkmale und Vorteile der Erfindung werden nachfolgend unter Beschreibung von Ausfuhrungsbeispielen mit Bezugnahme auf die Abbildungen der Zeichnung angegeben. In der Zeichnung zeigen in schematisierter Form: Figur 1 : ein grundsatzlicher Aufbau einer Regelvorrichtung auf Basis eines neuronalen Netzwerkes;
Figur 2 : eine graphische Darstellung der Berechnung innerhalb eines lokalen Modell Netzes LMN;
Figur 3: eine graphische Gegenüberstellung der Gauß ' sehen und parabolischen Zugehorigkeitsfunktion μ anhand je zweier Funktionen mit Zentren bei u=l/3 und u=2/3
Figur 4 : ein Diagramm zur Charakterisierung einer
Schluckgeraden einer Verbrennungskraftmaschine unter Einblendung eines durch Saugrohrdruck und Luftmassenstrom definierten normalen Arbeitsbereiches
Figur 5: das Diagramm gemäß Figur 4 zur Charakterisierung der Schluckgerade in einem normalen Arbeitsbereich;
Figuren 6a und 6b:
Diagramme gemäß Figur 4 zur Darstellung von Fehleinstellungen und
Figuren 7a - 7c:
Diagramme zur Darstellung von Änderungen der Steigung der Schluckgeraden, des negativer Ordinaten-Achsenabschnitts und eines Offsets in Abhängigkeit von der Drehzahl N in einem definierten Betriebspunkt einer Brennkraftmaschine
Über die verschiedenen Ausfuhrungsbeispiele und Abbildungen hinweg werden nachfolgend einheitlich gleiche Bezugsziffern und Bezeichnungen für gleiche Funktions- bzw. Baugruppen und Verfahrensschritte in Weiterfuhrung der in der nicht vorveroffentlichten Patentanmeldung DE 10 2006 046 204 getroffenen Vereinbarungen verwendet. Figur 1 zeigt einen grundsatzlichen Aufbau einer Regelvorrichtung 1 auf Basis eines neuronalen Netzwerkes. Das neuronale Netzwerk ist in drei Schichten aufgeteilt: Eine Eingangsschicht 2 mit Empfangsknoten bzw. Neuronen 3 für den Empfang von Eingangsgroßen u in Form von Signalen oder Mustern aus der Außenwelt und eine Ausgangsschicht 4 zur Weitergabe der Signale an die Außenwelt. Zwischen der Eingangsschicht 2 und der Ausgangsschicht 4 ist die sog. verdeckte Schicht 5 angeordnet, deren Neuronen 6 jeweils alle Eingangssignale u erhalten und nach der Verarbeitung Ausgangssignale an alle Neuronen 7 der Ausgangsschicht 4 zur Endverarbeitung weiterleiten. Im vorliegenden Beispielfall sind zwei Neuronen 3 in der Eingangsschicht 2, fünf Neuronen 6 in der verdeckten Schicht 5 und ein Neuron in der
Ausgangsschicht 4 vorgesehen. Als Besonderheit weisen die Neuronen 6 der verdeckten Schicht 5 neben einem Modell der Außenwelt, das von einer Konstante bis zu einem mehrdimensionalen Abbild reichen kann, eine modifizierte Aktivierungsfunktion auf. Die Modifikation einer ursprunglich vorgesehenen und i.d.R. mathematisch aufwandig zu berechnenden Funktion wird unter der Maßgabe durchgeführt, dass zwischen der alten und der neuen Aktivierungsfunktion nur eine ausreichende Ähnlichkeit bestehen soll. Daher wird die neue Aktivierungsfunktion aus Polynom-Approximation der ursprunglich vorgesehen Aktivierungsfunktion hergeleitet, um beispielsweise in einem nachfolgend noch diskutierten Anwendungsfall eine beschrankte, monotone und stetig differenzierbare Ersatzfunktion zu erhalten.
Gemäß der Lehre der DE 10 2006 046 204 werden nun vereinfachte Berechnungsvorschriften für die jeweiligen Aktivierungsfunktionen verwendet, wobei hinsichtlich der Basis dieser Ansätze vollumfanglich auf die DE 10 2006 046 204 verwiesen wird: 1. Berechnungsvorschrift für ein MLP-Netz
Der Ausgang eines multilayer perceptron-Netzes, kurz MLP, mit
M Neuronen und p Eingangen U1,..., up wird gemäß
Figure imgf000012_0001
berechnet, siehe u.a. O. Nelles a.a.O., wobei die Gewichte w^nd w1D durch sog. Training des Netzwerkes so zu bestimmen sind, dass der Ausgang die gewünschten Werte annimmt. Als Aktivierungsfunktion wird dabei üblicherweise die bereits eingangs genannte logistische Funktion gewählt
Φ,:R→R
ΦI(x)=-^-,(i =l,...,M). (1)
1+e
Diese Funktion ist beschrankt, streng monoton steigend und stetig differenzierbar. Die Ableitung kann auf einfache Art und Weise berechnet werden.
Anstelle dieser aufwandig zu berechnenden Funktion wird in der DE 10 2006 046 204 vorgeschlagen, als Aktivierungsfunktion eine Funktion zu verwenden, die stuckweise durch Polynome dargestellt werden kann. Die Funktion muss beschrankt, monoton und stetig differenzierbar sein. Als besonders geeignet hat sich die folgende, stuckweise parabolische Funktion erwiesen:
Φ,:R→R
0 x≤-1
(2x + l + x2)/2 - l < x ≤ 0 ( 9 )
O1(X) = V / falls , (i = l,...,M). ( y )
(2x + l - x2)/2 0 < x < l
1 x≥l Diese Funktion ist beschrankt, monoton steigend und stetig differenzierbar. Die Ableitung kann einfach berechnet werden. Diese neue Definition der Aktivierungs funktion ersetzt damit Gleichung (1) .
2. Berechnungsvorschrift für ein lokales Modell Netz LMN
Der Ausgang eines lokalen Modell Netzwerks mit M Neuronen und p Eingangen U1,..., up wird bestimmt nach O. Nelles a.a.O. in
Abwandlung der vorstehend genannten Gleichung (7a) :
Figure imgf000013_0001
+ ... + wip Pu"pP,' 'I)
Figure imgf000013_0002
Eine Aktivierungs- bzw. Gultigkeitsfunktion ergibt sich durch Normierung einer Zugehorigkeitsfunktion . Dementsprechend ergeben sich im vorliegenden Fall die Gultigkeitsfunktionen O1 durch Normierung der mehrdimensionalen Zugehorigkeitsfunktionen P1. Diese mehrdimensionale Zugehorigkeitsfunktion μt definiert man als Produkt von eindimensionalen Zugehorigkeits-Funktionen μt :
Figure imgf000013_0003
Die Gewichte w und die Parameter c bzw. σi} können mit Hilfe des local linear model tree- bzw. LOLIMOT- Trainingsalgorithmus bestimmt werden.
Eine graphische Darstellung der vorstehend beschriebenen
Berechnungsvorschriften ist in Figur 2 wiedergegeben. Hier ist eine Anzahl von M Neuronen 6 in der verdeckten Schicht 5 dargestellt. Diesen Neuronen 6 ist jeweils eine approximierte Gultigkeitsfunktion 9 zugeordnet worden. In dem M-ten Neuron 6 ist exemplarisch eine Gultigkeitsfunktion 10 vorgesehen. Die Gultigkeitsfunktion 10 hat die Aufgabe einer Einstellung eines Extrapolationsverhaltens bzw. eines Verlaufes über die Rander des Betrachtungsbereiches hinaus .
In dem beschriebenen Fall sind die eindimensionalen Zugehorigkeitsfunktionen also Gauß-Funktionen . Anstelle dieser aufwandig zu berechnenden Funktion wird hier vorgeschlagen, die eindimensionale Zugehorigkeitsfunktion stuckweise durch Polynome darzustellen. Als besonders geeignet hat sich die folgende, in einem Teil des Definitionsbereichs parabolische Funktion erwiesen: μ„:R→R
Figure imgf000014_0001
Gleichung (12) ersetzt damit Gleichung (11) . Auch in diesem Fall können die Gewichte und Parameter mit einem modifizierten LOLIMOT-Algorithmus bestimmt werden.
Die Abbildung von Figur 3 zeigt anhand eines Beispiels Gauß'sche und parabolische Zugehorigkeitsfunktionen im direkten Vergleich. Von Bedeutung ist beim Ersetzen der ursprunglichen durch eine approximierte
Zugehorigkeitsfunktion im Wesentlichen der qualitative Verlauf der jeweiligen Kurven. D.h., dass eine Lage der Maxima und ein Abklingen der Funktionen weit ab der Maxima auf Werte nahe Null von großer Bedeutung bei Auswahl und Formung der Ersatzfunktion sind. Weiterhin darf die Funktion nur Werte > 0 annehmen.
3. Berechnungsvorschrift für ein RBF-Netz Die Berechnungsvorschrift für ein neuronales Netz mit radialer Basisfunktion, d.h. vom RBF-Typ, ist formal ein Spezialfall von Gleichung (7), wobei die linearen Gewichte der Eingange verschwinden, d.h. W1-, = 0 für alle j > 0. Damit kann das vorstehend geschilderte Vorgehen bezuglich der modifizierten Berechnung der Zugehorigkeitsfunktion nach Gleichung (12) direkt übernommen werden.
Im Folgenden wird nun ein erfindungsgemaßes Verfahren im Einzelnen erläutert. Unter Verwendung der in Gleichung (9) und Gleichung (12) definierten und gemäß der Lehre der DE 10 2006 046 204 modifizierten Gultigkeitsfunktionen kann mit dem hier vorgeschlagenen Verfahren eine schnellere Berechnung des Ausgangs eines neuronalen Netzes erfolgen. Hierbei wird ausgenutzt, dass die betreffenden Funktionen außerhalb eines Teilbereichs der Definitionsmenge einen konstanten Wert haben. So gilt, wie bereits eingangs angegeben, für MLP- Netze :
Figure imgf000015_0001
( 5 ) und für LMN- oder RBF-Netze :
Figure imgf000015_0002
falls ■ > 1
( 6 )
Bei der Berechnung dieser Funktionen kann also in einer vorgeschalteten if-Abfrage überprüft werden, ob eine der obigen Bedingungen erfüllt ist. Ergibt sich dabei, dass der Funktionswert konstant gleich eins ist, so vereinfachen sich die nachfolgenden Berechnungen. Verschwindet der
Funktionswert dagegen, so liefert das betreffende Neuron i keinen Beitrag und man kann sofort mit der Berechnung des nächsten Neurons fortfahren. Insbesondere bei den LMN ist die Einsparung erheblich, da auf die Berechnung des Ausgangs des lokalen Modells yt nach der vorstehend wiedergegebenen
Gleichung (7) verzichtet werden kann.
Die Berechnung eines neuronalen Netzes kann daher am Beispiel eines LMN gezeigt nach folgendem Schema ablaufen: MUE_SUM=0 % Initialisierung y = 0 Initialisierung for i=l:M % Schleife über alle M Neuronen u,-c„ dn=- % Berechne Zwischengroße σ„ if d,i <1 % Prüfe, ob Neuron einen Beitrag liefert if d„ <1 % Prüfe, ob Neuron einen Beitrag liefert
if d, <l % Neuron liefert Beitrag μt =(l-d^)-(l-d^2)-...-(l-dJ 2 p) % Zugehorigkeitsfunktionswert y1=wl0+w11f1(ulJ...,up)+... + wiqfq(u1,...,up) % lokales Modell
MUE_SUM=MUE_SUM + μι % Normierung endif endif endif Vy == Vy++Vy,, --Uμ,, % summiere Beitrage der einzelnen
Neuronen endfor y = y/MUE_SUM normiere das Endergebnis
Die Anwendung des bislang für stuckweise polynomiale Gultigkeitsfunktionen dargestellten Verfahrens ist nicht auf diesen Fall begrenzt. Auch für die üblicherweise verwendeten Gultigkeitsfunktionen auf Basis der Exponentialfunktion, wie in Gleichungen (1) und (11) , gilt, dass sie außerhalb eines Teilbereichs der Definitionsmenge einen naherungsweise konstanten Wert haben. So gilt bei Wahl eines geeignet gewählten Schwellwertes THD für MLP-Netze naherungsweise
Figure imgf000016_0001
(3) wobei der auftretende Fehler mit wachsendem Wert von THD fal lt , und
μiJ(Uj)« 0 falls UJ - CU ≥ THD σ„
( 4 ) bei LMN- oder RBF-Netzen . Bei der Berechnung eines neuronalen Netzes, wie vorstehend anhand eines LMN skizziert, kann nun durch vergleichsweise einfache Entscheider- bzw. if-Abfragen anhand der Erfüllung einer der vorstehend genannten jeweiligen Bedingungen überprüft werden, ob ein Neuron einen eigenen Beitrag zu einem Ausgang liefert. Liefert ein betreffendes Neuron i keinen Beitrag, so kann sofort mit der Berechnung des nächsten Neurons fortgefahren werden. So lasst sich eine Beschleunigung der Berechnung erreichen, indem nur die "aktiven" Modelle berechnet werden.
Die Lehre der DE 10 2006 046 204 ermöglicht eine vereinfachte Berechnung der Zugehorigkeitsfunktionen und offenbart als Anwendung die Modellierung des Schluckverhaltens einer Verbrennungskraftmaschine. Vorstehend wurde ein erweitertes Verfahren zur effizienten Berechnung eines kompletten neuronalen Netzes dargestellt. Die Anwendung eines erfindungsgemaßen Verfahrens wird nun aufbauend auf die Offenbarung der DE 10 2006 046 204 anhand der Modellierung des Schluckverhaltens eines Verbrennungsmotors mit Hilfe eines LMN aus der Automobiltechnik dargestellt.
a) Zum Hintergrund dieses praktischen Anwendungsbeispiels: Für den Betrieb moderner Verbrennungsmotoren und die
Einhaltung anspruchsvoller Emissionsgrenzwerte muss die Motorsteuerung eine genaue Modellierung des Luftmassenstroms in Abhängigkeit vom Betriebszustand des Motors gewahrleisten. Dies ermöglicht es, die einzuspritzende Kraftstoffmenge so zu bemessen, dass ein für die Abgasnachbehandlung im Katalysator optimales Luft-Kraftstoffverhaltnis Lambda bzw. λ vorliegt.
Dazu wird anhand einer Gaspedalstellung ein aktueller Fahrerwunsch bzw. ein gewünschtes Drehmoment sensiert. In der Motorsteuerung erfolgt heute die Beschreibung des
Schluckverhaltens der Brennkraftmaschine, das ist die Abhängigkeit des Luftmassenstroms MAF vom Saugrohrdruck MAP, in Form einer sog. Schlucklinie und in linearisierter Form, also als sog. Schluckgerade,
MAF = EFF VOL SLOP•MAP-EFF VOL OFS . (13;
Bei Motoren ohne Turboaufladung und ohne
Nockenwellenverstellung ist die Nichtlinearitat in der Regel vernachlassigbar, so dass sich eine Schluckgerade ergibt. Bei der hier angesetzten Linearisierung wird gleichfalls angenommen, dass Nichtlinearitaten in der Abhängigkeit des Luftmassenstroms vom Saugrohrdruck vernachlässigt werden können .
Hier wird also angenommen, dass Nichtlinearitaten in der Abhängigkeit des Luftmassenstroms vom Saugrohrdruck vernachlässigt werden können. Die Parameter für Steigung EFF_VOL_SLOP und Achsenabschnitt EFF_VOL_OFS der Schluckgeraden werden durch einen Satz von Kennfeldern, oder auch durch ein neuronales Netz in Abhängigkeit von Drehzahl N, Nockenwellenposition mit Einlass CAM IN und/oder Auslass CAM EX und Aktuatorstellung unter Berücksichtigung von Drallklappe, Schaltsaugrohr, Ventilhubumschaltung o.a. in einem Steuergerat hinterlegt. Außerdem werden die aus den erwähnten Kennfeldern interpolierten Werte für Steigung und Achsenabschnitt zur Kompensation von veränderten Umgebungsbedingungen abhangig von Umgebungsdruck, Saugrohrund Kuhlwassertemperatur zusatzlich korrigiert. Weiterhin können Korrekturen angebracht werden, um Nichtlinearitaten in der MAF-MAP-Abhangigkeit abzubilden.
Ein Grundgedanke des bisher praktizierten Vorgehens bestand darin, die Schluckgerade durch die Steigung und den negativen MAF-Achsenabschnitt für MAP=O zu charakterisieren.
Nachfolgend wird nun ein veränderter Ansatz beschrieben, der dadurch gekennzeichnet ist, dass die Schluckgerade durch den Wert der Steigung und den MAF-Achsenabschnitt für einen in einem Arbeitsbereich 11 des Motors liegenden Saugrohrdruck repräsentiert wird. Es ist vorteilhaft, im Unterschied zum bisherigen Standard-Vorgehen den Offset der Schluckgeraden nicht für MAP=O sondern für einen MAP-Wert in dem in der Abbildung von Figur 4 umrandet dargestellten Arbeitsbereich 11 zu definieren. Für die im Weiteren dargestellte Abbildung des Schluckverhaltens mittels eines neuronalen Netzes ist das Vorgehen dafür analog.
Dieses Vorgehen bietet verschiedene Vorteile, die im Folgenden naher erläutert werden.
Die Parameter für Steigung EFF_VOL_SLOP und MAF-Achsenab- schnitt EFF_VOL_OFS der Schluckgeraden können entweder durch Kennfelder, oder auch durch ein neuronales Netz in Abhängigkeit von Drehzahl N, Nockenwellenposition mit Einlass CAM_IN und/oder Auslass CAM_EX und Aktorstellung, z.B. Drallklappe, Schaltsaugrohr, Ventilhubumschaltung, in dem Steuergerat hinterlegt werden.
Außerdem werden die so berechneten Werte für Steigung und Achsenabschnitt zur Kompensation von veränderten Umgebungsbedingungen abhangig von Umgebungsdruck, Saugrohrund Kuhlwassertemperatur zusatzlich korrigiert. Weiterhin können Korrekturen angebracht werden, um Nichtlinearitaten in der MAF-MAP-Abhangigkeit abzubilden.
b) Ermittlung der Parameter zur Charakterisierung der
Schluckgeraden
Nach einem bislang praktizierten Ansatz wird die
Schluckgerade, vgl. Gleichung (13), durch deren Steigung EFF_VOL_SLOP und den laut Vorzeichenkonvention negativen Achsenabschnitt der Ordinate EFF_VOL_OFS eindeutig festgelegt, siehe Figur 4. Die Ermittlung dieser Parameter erfolgt durch Auswertung von Messdatenpaaren (MAF, MAP) für verschiedene Betriebszustande. Typischerweise besteht diese Analyse in einer linearen Regression, durch die Steigung und Achsenabschnitt so gewählt werden, dass die Messdaten mit möglichst geringem quadratischem Fehler durch die Schluckgerade repräsentiert sind. Eine Charakterisierung der Schluckgeraden durch EFF_VOL_OFS und EFF_VOL_SLOP ist in Figur 4 dargestellt.
Der Parameter für die Steigung ist nicht direkt interpretierbar. Der MAF-Achsenabschnitt kann als im Zylinder verbleibende Restgasmenge bzw. als der dadurch generierte Massenstrom interpretiert werden. Eine direkte Messung ist für beide Parameter nicht möglich.
c) Charakterisierung der Schluckgeraden in einem
Arbeitsbereich
Gemäß der hier vorgeschlagenen Verbesserung wird der
Ordinaten-Achsenabschnitt der Schluckgeraden nicht im Ursprung, d.h. für MAP=O, sondern für einen im Arbeitsbereich des Motors liegenden Saugrohrdruck definiert, z.B.
MAP=600hPa, vgl. Figur 5. Dieser Saugrohrdruckwert werde mit
C_MAP_BAS bezeichnet. Ein sich an diesem Punkt einstellender
Massenstrom wird als EFF_VOL_OFS_TRF bezeichnet. Der Massenstrom kann nun mit folgender Gleichung berechnet werden :
MAF=EFFVOLSLOP•(MAP-CMAPBAS)+EFFVOLOFSTRF (14)
Die Steigung EFF_VOL_SLOP wird dabei nicht verändert. Bezuglich des Ergebnisses für den Massenstrom sind beide Ansätze völlig gleichwertig, wenn die Umrechnung zwischen EFF_VOL_OFS_TRF und EFF_VOL_OFS gemäß EFFVOLOFSTRF =EFFVOLSLOP•CMAPBAS-EFFVOLOFS (15) vorgenommen wird. Die Bedatung kann damit gemäß dem bisherigen Vorgehen einer Regressionsanalyse und anschließender Umrechnung nach obiger Formel erfolgen. Trotz der mathematischen Äquivalenz zum bisherigen Ansatz gewahrleistet das vorgeschlagene Vorgehen die im Folgenden zu erläuternden Vorteile:
I . Interpretierbarkeit
Im Gegensatz zum bisher verwendeten Achsenabschnitt
EFF VOL OFS, der nicht durch direkte Messung zuganglich ist, kann der Offset EFF_VOL_OFS_TRF des neuen Verfahrens direkt gemessen werden, indem der Luftmassenstrom bestimmt wird, der sich bei einem Saugrohrdruck von C_MAP_BAS einstellt. Es hat sich als vorteilhaft erwiesen, C MAP BAS etwa in der Mitte des MAP-Arbeitsbereiches des Motors zu wählen. Bei einem
Saugmotor entspricht dies einem Wert von ca. 600 hPa . Durch die direkte Messbarkeit kann die Bedeutung des Parameters EFF_VOL_OFS_TRF überdies sehr leicht interpretiert werden.
II. Robustheit
Die Schluckgerade wird durch das vorgeschlagene Verfahren quasi in der Mitte des Arbeitsbereichs fixiert, nicht wie bisher außerhalb. Dadurch bedingt ergibt sich eine geringere Anfälligkeit des Verfahrens bezuglich Ungenauigkeiten in der Steigung. Die Grundidee dieser Aussage ist in den Abbildungen der Figuren 6a und 6b als Auswirkung eines Fehlers in der Steigung EFF_VOL_SLOP auf das Ergebnis für den Luftmassenstrom MAF für den bisherigen Ansatz gemäß Figur 6a und den neuen Ansatz gemäß Figur 6b illustriert.
Wie zu erkennen ist, fuhrt ein Fehler in der Steigung beim bisherigen Ansatz gemäß Figur 6a im gesamten Arbeitsbereich 11 zu einem großen Fehler im Massenstrom, d.h. der Unterschied zwischen der korrekten Schluckgeraden und dem mit fehlerhafter Steigung ermittelten Ergebnis gemäß gestrichelter Kurve ist im gesamten Arbeitsbereich betrachtlich. Im Gegensatz dazu ergibt sich mit dem vorgeschlagenen Ansatz gemäß Figur 6b im Arbeitsbereich 11 ein erheblich kleinerer Fehler. Unter der Annahme, dass EFF_VOL_OFS_TRF korrekt bestimmt wurde, ist sogar unabhängig von der Große des Fehlers in EFF_VOL_SLOP der Wert des Massenstroms an einem Punkt immer richtig, hier für den Punkt MAP = C_MAP_BAS.
Bezuglich eines Fehlers im Offset, also beim bisherigen Ansatz in EFF_VOL_OFS bzw. in EFF_VOL_OFS_TRF beim neuen Ansatz, ergibt sich keine Änderung der Auswirkung eines solchen Fehlers auf das Ergebnis für MAF. In beiden Fallen bewirkt ein absoluter Fehler im Offset einen gleich großen absoluten MAF-Fehler. Insgesamt wird also durch den vorgeschlagenen Ansatz eine höhere Robustheit gegenüber Fehlern in der Steigung EFF_VOL_SLOP erreicht, wahrend die Auswirkung von Fehlern im Offset EFF_VOL_OFS bzw. EFF_VOL_OFS_TRF unverändert bleibt.
III . Verringerung des Kalibrationsspeicherbedarfs
Wie eben dargestellt, wird mit dem vorgeschlagenen Verfahren eine höhere Robustheit gegenüber Fehlern im Wert für die
Steigung der Schluckgeraden erreicht. Daher ermöglicht das neue Verfahren eine Reduktion der Große der Kennfelder für EFF_VOL_SLOP. Der dadurch bedingte zusatzliche Fehler ist bei Verwendung des vorgeschlagenen Verfahrens deutlich geringer als beim herkömmlichen Ansatz.
Zur Überprüfung dieser Aussage wurde eine theoretische Analyse auf Basis der Serien-Kalibration des Schluckverhaltens für einen 6-Zylinder Saugmotor intern durchgeführt. Zur Verdeutlichung der Auswirkung des Übergangs vom bisherigen zum vorgeschlagenen Verfahren ist in den Abbildungen der Figurenfolge 7a - 7c für einen ausgewählten Betriebspunkt, der im vorliegenden Fall durch die Werte LV_VIM_SP=0, LV_PORT_DEAC=0, CAM_IN=103.875 ° CRK, CAM_EX=- 103.1250CRK bestimmt ist, die Drehzahlabhangigkeit von
EFF_VOL_OFS, EFF_VOL_SLOP und EFF_VOL_OFS_TRF dargestellt. Dazu ist in Figur 7a der Verlauf von EFF_VOL_OFS, in Figur 7b der Verlauf von EFF_VOL_SLOP und in Figur 7c der Verlauf von EFF_VOL_OFS_TRF in Abhängigkeit von der Drehzahl N für den vorstehend angegebenen Betriebspunkt in Form von Diagrammen wiedergegeben .
Im Ergebnis sind der qualitative Verlauf von EFF_VOL_OFS_TRF und EFF_VOL_SLOP einander sehr ahnlich. Dies erleichtert die Wahl eines gemeinsamen Stutzstellengitters für die Kennfelder, in denen diese Großen abgelegt werden. Um die durch den vorgeschlagenen Ansatz erzielbare größere Fehlertoleranz bzw. die verminderten Genauigkeitsanforderung bezuglich des Steigungswertes zu zeigen, wird das folgende
Vorgehen gewählt : 1. Ausgehend von dem vollen Satz von Kennfeldern der
Serienbedatung wird ein entsprechender Satz von Kennfeldern für EFF_VOL_OFS_TRF nach Gleichung (15) mit C_MAP_BAS = 600 hPa berechnet.
2. Anschließend wird bei einem der Kennfelder eine einstellbare Anzahl von Drehzahlstutzstellen entfernt. In dem nachfolgend dargestellten Beispiel wurden von den zwölf ursprunglichen Drehzahlstutzstellen die vier bei Drehzahlen N = 2000, 3500, 4300 und 6000 l/min entfernt.
3. Danach wurden für die verbleibenden Stutzstellen die in den Kennfeldern eingetragenen Werte mit der Methode der kleinsten Fehlerquadrate bzw. least Squares neu bestimmt, so dass der mittlere quadratische Fehler der reduzierten Kennfelder minimal ist.
4. Folgende Falle werden nun naher untersucht: a. Berechnung von MAF mit bisherigem Verfahren
(SLOP/OFS) nach Gleichung (13), volles Kennfeld für EFF_VOL_OFS, reduziertes Kennfeld für EFF_VOL_SLOP b. Berechnung von MAF mit vorgeschlagenem Verfahren
(SLOP/OFS_TRF) nach Gleichung (14), volles Kennfeld für EFF_VOL_OFS_TRF, reduziertes Kennfeld für EFF_VOL_SLOP
5. In jedem dieser Falle wird für die Saugrohrdrucke 400, 600 und 80OhPa der berechnete MAF-Wert mit dem aus den vollen Kennfeldern gemäß Gleichung (13) ermittelten Werten verglichen und die sich ergebenden Abweichung bestimmt. Der über alle Kennfeideintrage sowie die drei Saugrohrdrucke gemittelte mittlere Betrag des Fehlers sowie der mittlere Betrag des relativen MAF-Fehlers ist in der folgenden Tabelle angegeben:
Figure imgf000024_0001
Bewertung der Ergebnisse gemäß vorstehender Tabelle:
Trotz einer Reduktion des Kennfeldes für EFF_VOL_SLOP um vier
Drehzahl-Stutzstellen bzw. um ein Drittel des für dieses Kennfeld erforderlichen Kalibrationsspeichers kann mit dem vorgeschlagenen Ansatz erreicht werden, dass der Betrag der Abweichung der Ergebnisse für MAF vom ursprunglichen Kennfeld im Mittel nur 0.24% betragt. Nimmt man die gleiche Reduktion beim bisherigen Verfahren vor, so ergibt sich eine erheblich größere Abweichung von 0.88%.
d) Darstellung der Schlucklinie durch ein Polynom Ausgehend von der bisherigen Form einer linearen Schlucklinie mit einem nichtlinearen Zusatzterm wird hier als Erweiterung die folgende polynomiale Form vorgeschlagen: MAF= a0 0 +a, 1 •MAP _DIF+a22-MAP _DIF2 +...+a n -MAP _DIF11 ( 1 5 )
MAP DIF = MAP - C MAP B AS
Außerdem ist hier der MAP-Koordinatenursprung um die geeignet zu wahlende Konstante C MAP BAS verschoben und es werden nichtlineare Terme in MAP zugelassen. Letztere dienen der
Beschreibung von Nichtlinearitaten in der Schlucklinie.
Die Koeffizienten des Polynoms α0 , ... , an sind in Abhängigkeit von Drehzahl, Nockenwellenposition mit Einlass CAM IN und/oder Auslass CAM EX, Aktorstellung, z.B. Drallklappe, Schaltsaugrohr, Ventilhubumschaltung, und ggf. weiterer Großen zu definieren. Dies kann analog zu heute in Steuergeraten praktizierten Verfahren mit Hilfe von Kennfeldern oder - wie im Folgenden naher erläutert - mit Hilfe neuronaler Netze erfolgen.
Es wurde durch die Erfinder gezeigt, dass durch geeignete Wahl von C_MAP_BAS, z.B. in der Mitte eines MAP- Arbeitsbereichs 11 gemäß Darstellung von Figur 4, bei sonst gleichem Modellierungsaufwand eine höhere Robustheit des MAF- Modells bezuglich Fehlern in den Koeffizienten erreicht wird. Dies gilt unabhängig davon, ob die Koeffizienten mittels Kennfelder und oder mittels eines neuronalen Netzes dargestellt werden. Insbesondere gilt dies auch für den rein linearen Ansatz, wie er bisher verwendet wird.
e) Abbildung des Schluckverhaltens mittels eines neuronalen Netzes : Für die Darstellung des Schluckverhaltens wird ein lokales Modell Netz nach Gleichung (7) benutzt, wobei als Eingange die Drehzahl N und die Nockenwellenstellungen auf Einlassund Auslassseite CAM_IN, CAM_EX gewählt werden:
U1=N,
U2 = CAMJN, (16;
U3 =CAM_EX.
Für lokale Modelle werden zusatzlich zu den linearen Termen M1, M2, U3 auch noch Beitrage höherer Ordnung verwendet.
Insbesondere hat sich die Hinzunahme der polynomialen Terme bis 2. Ordnung in CAM_IN und/oder CAM_EX als vorteilhaft erwiesen. Somit ergeben sich im Beispiel die Funktionen, vgl. Gleichung (7) f1(u1,...,up)= u1, (17) f2(ulv..,up)= u2, f3(ulv..,Up) = U3, f4(ulv..,up)= u2, f5(ulv.., Up)=U3 2, f6(ulv.., Up)=U2U3, f7(ulv..,Up) = U2U3, f8(ulv..,Up) = U2U3 f9(ulv..,Up) = U2U3 2
und damit schreibt man für das lokale Modell:
Y1 = wl0 + W11U1 + wl2u2 + wl3u3 + W14U2 + W15U3 + W16U2U3 + W17U2U3 + W18U2U3 + W19U2U3 ( 1 8)
Der Ausgang des Netzes ist der Koeffizientenvektor aϋ,ax,...,an des Polynoms zur Beschreibung der Schlucklinie, vgl.
Gleichung (15) . Beispielhaft wählen wir hier ein Polynom 2. Ordnung, so dass die Schlucklinie eine Parabel wird. Der Netzausgang ist dann ein Vektor:
Figure imgf000026_0001
womit auch die Gewichte zu Vektoren werden
Figure imgf000026_0002
Die Berechnung der Netzausgange erfolgt nun z >. nach dem vorstehend zu LMN-Netzen dargestellten Schema.
Je nach den im System vorhandenen Freiheitsgraden mit jeweils diskreten oder kontinuierlichen Werteraum ist die Art und Zahl der Eingangsgroßen entsprechend zu modifizieren. So sind beispielsweise für ein System ohne Auslassnockenwellenverstellung nur die Eingange N und CAM IN zu betrachten. Entsprechend ist für zusatzlich vorhandene Freiheitsgrade, wie z.B. die Verstellung des Ventilhubes, ein zusatzlicher Eingang hinzuzufügen.
Die Berücksichtigung diskreter Freiheitsgrade des Systems, z.B. ein zweistufiges Schaltsaugrohr oder eine geschaltete Drallklappe, kann auf die gleiche Weise durch je einen Eingang des neuronalen Netzes erfolgen. Im Fall zweier binarer Aktoren hat es sich allerdings als vorteilhaft erwiesen, für jede mögliche Kombination ein separates neuronales Netz zu definieren.
Ein wesentlicher Vorteil eines vorstehend beschriebenen Verfahrens und einer Umsetzung in einer entsprechenden Vorrichtung liegt in seiner universellen Einsetzbarkeit . Schon heute ist die Verwendung neuronaler Netze im Kraftfahrzeugbereich in Motorsteuerungen für vielerlei Zwecke im Serieneinsatz. Beispiele hierfür sind Funktionen zur
• Klopfregelung, bei dem ein akustisches Sensorausgangssignal mit Parametern der
Gemischzusammensetzung, Motorparametern und einen aktuellen Lastzustand als Großen zur Verfugung stehen,
• Adaption des Saugrohrmodells, mit einer
Luftmassenstrombilanz und diversen Regelungseingriffen über Drosselklappen etc,
• Adaption des Lambda-Reglers auf Basis u.a. einer aktuellen Last, Drehzahl, einer Gemischzusammensetzung etc . , oder
• ein Abgastemperaturmodell ausgehend von einer Warmebilanz unter Berücksichtigung u.a. von Last, Drehzahl, Zundwinkel, Abgastemperatur, Druck und weiteren Großen.
Die in den vorstehend beispielhaft genannten Anwendungsfallen verwendeten neuronalen Netze entsprechen den oben beschriebenen Standard-Typen MLP, RBF, LMN und verwenden in einer Vielzahl von Neuronen Aktivierungsfunktionen auf Basis der Exponentialfunktion. In allen diesen Fallen kann mit den hier beschriebenen Verfahren mit, aber auch ohne stuckweise polynomiale Aktivierungsfunktionen durch eine effiziente Ermittlung der tatsachlich relevanten Neuronen und die Beschrankung der Auswertung auf genau diese Neuronen die Berechnungszeit für das neuronale Netz erheblich reduziert werden. Diese erhebliche Verminderung des Rechenzeitbedarfs wird dabei realisiert, ohne dass die Funktionalitat beeinträchtigt wird. Der generelle Vorteil von neuronalen Netzen, nämlich die Reduktion der zur Modellierung erforderlichen Kalibrationsgroßen, bleibt hierbei voll erhalten .
Weiterhin ist die Darstellung einer Schlucklinie einer Verbrennungskraftmaschine durch die Erweiterung von der linearen zur polynomialen Abhängigkeit deutlich flexibler und insbesondere auch geeignet, um aufgeladene Motoren und/oder Betriebszustande mit hoher Ventiluberschneidung zu beschreiben, die i.d.R. zu nichtlinearen Schlucklinien fuhren. Bei gleicher Modellgenauigkeit kann durch die vorgeschlagene Verwendung von verschobenen MAP-Koordinaten eine größere Robustheit des Verfahrens gegenüber Fehlern in den Polynomkoeffizienten erreicht werden.
Eine Ausweitung der Anwendung auf beliebige andere Steuergerate, in denen neuronale Netze zum Einsatz kommen können, ist ebenfalls problemlos möglich. Ein Beispiel für eine solche Einsatzmoglichkeit wäre die Modellierung des Batterieladezustandes in einem Hybridfahrzeug mit Hilfe neuronaler Netze, vgl. z.B. J. Angloher, U. Wagner, VDI- Berichte 1459, 147 (1999) . In diesem Fall konnten die entsprechenden Berechnungsroutinen im Motorsteuergerat oder im Getriebesteuergerat integriert sein oder in einem separaten Steuergerat für die Hybridfunktionalitat ausgeführt werden . Eine Anwendung eines erfindungsgemaßen Ansatzes ist in beliebigen anderen Steuergeraten problemlos möglich, in denen neuronale Netze zum Einsatz kommen können. Durch Benutzung der der angegebenen Lehre kann der Einsatz neuronaler Netze für beliebige Zwecke mit wesentlich vermindertem Bedarf an Rechenzeit erfolgen. Dies gilt besonders, aber nicht ausschließlich, falls Festkommaarithmetik zum Einsatz kommt.
Schon heute ist die Verwendung neuronaler Netze in Motorsteuerungen für vielerlei Zwecke im Serieneinsatz bekannt. Die dabei verwendeten neuronalen Netze entsprechen i.d.R. den hier beschriebenen Standard-Typen MLP, LMN und RBF. In allen diesen Fallen kann durch das beschriebene Verfahren der Rechenaufwand erheblich vermindert werden, indem nur diejenigen Neuronen ausgewertet werden, die einen Beitrag zum Ausgang des Netzes liefern. Der Vorteil dieser Methode ist besonders hoch in Kombination mit einer Anwendung der in der DE 10 2006 046 204 beschriebenen stuckweise polynomialen Zugehorigkeitsfunktionen . Jedoch lasst sich auch in Verbindung mit den sonst üblichen Zugehorigkeitsfunktionen auf Basis der Exponentialfunktion das Verfahren vorteilhaft einsetzen .
In der konkreten Anwendung eines neuronalen Netzes vom LMN- Typ zur Modellierung der Polynomkoeffizienten der
Schlucklinie wurde vorstehend beschrieben, dass durch die Erweiterung der Schluckgeraden um nichtlineare Beitrage auch Effekte beschrieben werden können, wie sich typischerweise in Motoren mit Aufladung und/oder Nockenwellenverstellung auftreten. Weiterhin wurde aufgezeigt, dass die Verwendung eines Koordinatensystems für den Saugrohrdruck mit einem Ursprung im Arbeitsbereich für die Modellierung Vorteile hinsichtlich der Robustheit gegenüber Fehlern in den Polynomkoeffizienten bietet. Bezugszeichenliste
1 Vorrichtung zur neuronalen Regelung,
2 Eingangsschicht 3 Empfangsknoten bzw. Neuronen
4 Ausgangsschicht
5 verdeckte Schicht
6 Neuron der verdeckten Schicht 5
7 Neuron der Ausgangsschicht 4 8 Modell der Außenwelt
9 modifizierte Aktivierungsfunktion
10 Gultigkeitsfunktion zur Einstellung eines Extrapolationsverhaltens
11 Arbeitsbereich
y Ausgang des neuronalen Netzes u Eingangssignal / Eingangsgroßen des neuronalen Netzes x Argument
W1 Gewicht des neuronalen Netzes w Gewicht des neuronalen Netzes
Φ; Aktivierungsfunktion (MLP) bzw. Gultigkeitsfunktion
(RBF, LMN)
P1 Zugehorigkeitsfunktion (RBF, LMN)
C1J Parameter für Zentren lokaler Modelle (RBF, LMN) CT1J Parameter für Ausdehnung lokaler Modelle (RBF, LMN)
THD Schwelle für Argument der Gultigkeitsfunktion
MAP Saugrohrdruck / hPa
MAF Luftmassenstrom (in den Zylinder) / kg/h
EFF_VOL_SLOP Steigung der Schluckgeraden / kg/ (h*hPa) EFF_VOL_OFS negativer Ordinaten-Achsenabschnitt der
Schluckgeraden / kg/h EFF_VOL_OFS_TRF ein sich an dem Punkt C_MAP_BAS einstellender Massenstrom
C MAP BAS Konstante der Verschiebung des Ursprungs der MAP-Koordinatenachse / hPa MAP_DIF verschobene MAP-Korrdinate MAP-C_MAP / hPa
EFF_VOL_CURV Polynomkoeffizient für MAP-quadratische
Beitrage zur Schlucklinie / kg/(h*hPaΛ2)
N Drehzahl der Kurbelwelle / rpm
CAM_IN Stellung der Einlassnockenwelle / CRK
CAM EX Stellung der Auslassnockenwelle / CRK

Claims

Patentansprüche
1. Verfahren zur neuronalen Steuerung und/oder Regelung, bei dem in einer Vielzahl (M) von Neuronen eine Aktivierungs funktion berechnet wird, d a d u r c h g e k e n n z e i c h n e t , dass jedes Neuron (6) einem Test auf Lieferung eines eigenen Beitrages zu einem Ausgangssignal bzw. einem Aktivitatstest unterzogen wird und nur Neuronen (6) berechnet werden, die einen Beitrag liefern.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , dass in einem MLP-Netz an einem Neuron (6) ein Aktivitatstest auf Basis der Entscheidung
, λ [0 x≤-THD
O1 lIVx)}H[1 falls x≥THD unter Verwendung eines geeignet gewählten Schwellwertes (THD) durchgeführt wird.
3. Verfahren nach dem vorhergehenden Anspruch, d a d u r c h g e k e n n z e i c h n e t , dass nur in dem Fall, dass |x| < THD ist, eine vollständige Berechnung des jeweiligen Neurons (6) durchgeführt wird .
4. Verfahren nach einem der beiden vorhergehenden
Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass in einem MLP-Netz unter Verwendung einer stuckweise parabolisch approximierten Aktivierungsfunktion (9) der Form 0 x≤-1
(2x + l + x2)/2 -l<x≤0
O1(X) = 2> . ffaallllss ' ,(i = l,...,M). (2x + l-x2)/2 0<x<l x≥l ein Aktivitatstest an einem Neuron (6) auf Basis der
Entscheidung
Figure imgf000033_0001
< f° falls x≤-!
durchgeführt wird.
5. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , dass in einem LMN- oder RBF-Netz ein Aktivitatstest an einem Neuron (6) auf Basis der Entscheidung u -c
^3)* 0 falls ^ ^≥THD
unter Verwendung eines geeignet gewählten Schwellwertes (THD) durchgeführt wird.
6. Verfahren nach dem vorhergehenden Anspruch, d a d u r c h g e k e n n z e i c h n e t , dass nur in
dem Fall, dass UJ"C.J <THD ist, eine vollständige
Berechnung des jeweiligen Neurons (6) durchgeführt wird .
7. Verfahren nach einem der beiden vorhergehenden
Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass in einem LMN- oder RBF-Netz unter Verwendung einer stuckweise parabolisch approximierten Aktivierungsfunktion (9) der Form
μ,(u>(1-(U'-C.)2/σ" fällst -C.)2<σMi = 1,...,MJ = 1,...,p).
[ 0 sonst ein Aktivitatstest an einem Neuron (6) auf Basis der / \ u u,-—c ^,
Entscheidung μlj(uj=θ falls— -≥l
durchgeführt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t , dass bei
Regelung und/oder Steuerung einer
Verbrennungskraftmaschine in einer zugrunde liegenden Modellierung eines Schluckverhaltens der Verbrennungskraftmaschine ein Ordinaten- Achsenabschnitt einer Schluckkurve und insbesondere einer Schluckgeraden nicht im Ursprung, sondern für einen in einem Arbeitsbereich (11) der betreffenden Verbrennungskraftmaschine liegenden Saugrohrdruck um einen Betrag (C MAP BAS) verschoben definiert wird.
9. Vorrichtung (1) zur neuronalen Steuerung und/oder Regelung, die eine Eingangsschicht (2) mit Empfangsknoten bzw. Neuronen (3) für den Empfang von Eingangssignalen (u-,) oder Mustern aus der Außenwelt, eine Ausgangsschicht (4) mit Neuronen (7) zur
Weitergabe der Signale an die Außenwelt und eine zwischen der Eingangsschicht (2) und der Ausgangsschicht (4) angeordnet verdeckte Schicht (5) umfasst, deren Neuronen (6) jeweils alle Eingangssignale (u-,) erhalten und nach der
Verarbeitung Ausgangssignale an alle Neuronen (7) der Ausgangsschicht (4) zur Endverarbeitung weiterleiten, d a d u r c h g e k e n n z e i c h n e t , dass die Vorrichtung dadurch zur Umsetzung eines Verfahrens nach einem oder mehreren der vorhergehenden Ansprüche ausgebildet ist, dass Mittel zur Durchfuhrung eines Aktivitatstests an jedem der Neuronen (6) in der verdeckten Schicht (5) vorgesehen sind.
10. Vorrichtung nach dem vorhergehenden Anspruch, d a d u r c h g e k e n n z e i c h n e t , dass die Mittel in Form einer Logik zur Umsetzung eines der Struktur eines jeweiligen neuronalen Netzes entsprechenden Aktivitatstests ausgebildet sind.
PCT/EP2008/051658 2007-02-21 2008-02-12 Verfahren und vorrichtung zur neuronalen steuerung und/oder regelung WO2008101835A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102007008514.3 2007-02-21
DE102007008514A DE102007008514A1 (de) 2007-02-21 2007-02-21 Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung

Publications (1)

Publication Number Publication Date
WO2008101835A1 true WO2008101835A1 (de) 2008-08-28

Family

ID=39434355

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2008/051658 WO2008101835A1 (de) 2007-02-21 2008-02-12 Verfahren und vorrichtung zur neuronalen steuerung und/oder regelung

Country Status (2)

Country Link
DE (1) DE102007008514A1 (de)
WO (1) WO2008101835A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220187772A1 (en) * 2019-03-25 2022-06-16 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Method and device for the probabilistic prediction of sensor data

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010028266A1 (de) 2010-04-27 2011-10-27 Robert Bosch Gmbh Steuergerät und Verfahren zur Berechnung einer Ausgangsgröße für eine Steuerung
DE102012202111A1 (de) * 2012-02-13 2013-08-14 Krones Ag Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996032579A1 (de) * 1995-04-10 1996-10-17 Siemens Aktiengesellschaft Verfahren zum modellgestützten bestimmen der in die zylinder einer brennkraftmaschine einströmenden luftmasse
DE19706750A1 (de) * 1997-02-20 1998-08-27 Schroeder Dierk Prof Dr Ing Dr Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19611732C1 (de) * 1996-03-25 1997-04-30 Siemens Ag Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes mit Hilfe eines Rechners
DE19940577A1 (de) * 1999-08-26 2001-03-01 Wilex Biotechnology Gmbh Verfahren zum Trainieren eines neuronalen Netzes
DE10010681A1 (de) * 2000-03-04 2001-09-06 Heinz J Theuerkauf Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
DE10113538B4 (de) 2001-03-20 2012-03-01 Bayerische Motoren Werke Aktiengesellschaft Regelvorrichtung und Regelverfahren
DE10200946B4 (de) 2002-01-12 2005-11-17 Bayerische Motoren Werke Ag Adaptive Vorsteuerung des Zündzeitpunkts für Brennkraftmaschinen mit Klopfregelung
DE10203919A1 (de) 2002-01-31 2003-08-21 Bayerische Motoren Werke Ag Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine
DE10203920A1 (de) 2002-01-31 2003-09-04 Bayerische Motoren Werke Ag Verfahren zur Bestimmung der Abgastemperatur einer Brennkraftmaschine mit neuronalen Netzen
DE102004031006A1 (de) * 2003-07-23 2005-04-28 Daimler Chrysler Ag Verbrennungsmotor und Verfahren zur Verbrennungskenngrößenbestimmung
DE102004031007A1 (de) * 2003-07-23 2005-02-10 Daimlerchrysler Ag Verfahren zur Erzeugung eines künstlichen neuronalen Netzes zur Datenverarbeitung
DE102006048730A1 (de) * 2005-11-03 2007-05-31 Volkswagen Ag Verfahren und Vorrichtung zur Bestimmung der Messgenauigkeit einer Messeinrichtung
DE102006046204B3 (de) 2006-09-29 2008-07-17 Siemens Ag Verfahren und Vorrichtung zur neuronalen Steuerung und/oder Regelung

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996032579A1 (de) * 1995-04-10 1996-10-17 Siemens Aktiengesellschaft Verfahren zum modellgestützten bestimmen der in die zylinder einer brennkraftmaschine einströmenden luftmasse
DE19706750A1 (de) * 1997-02-20 1998-08-27 Schroeder Dierk Prof Dr Ing Dr Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HITOSHI SHIRAISHI ET AL: "CMAC NEURAL NETWORK CONTROLLER FOR FUEL-INJECTION SYSTEMS", IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY, IEEE SERVICE CENTER, NEW YORK, NY, US, vol. 3, no. 1, 1 March 1995 (1995-03-01), pages 32 - 38, XP000508608, ISSN: 1063-6536 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220187772A1 (en) * 2019-03-25 2022-06-16 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Method and device for the probabilistic prediction of sensor data

Also Published As

Publication number Publication date
DE102007008514A1 (de) 2008-09-04

Similar Documents

Publication Publication Date Title
DE112006002343B4 (de) Verfahren und Vorrichtung zur Regelung des Schalls eines Motors durch Schaltfrequenzanalyse
DE102017217706A1 (de) Steuervorrichtung für Verbrennungsmotor
DE102007031769B4 (de) Verfahren zur Überwachung eines Funktionsrechners in einem Steuergerät
DE102017009583B3 (de) Verfahren zur modellbasierten Steuerung und Regelung einer Brennkraftmaschine
DE102007039691A1 (de) Modellierungsverfahren und Steuergerät für einen Verbrennungsmotor
EP2999998A1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP3062176B1 (de) Verfahren zum regeln einer regelstrecke, vorrichtung zur erzeugung von reglerparametern und steuergerät
DE102011013481A1 (de) Verfahren zur Steuerung eines Verbrennungsmotors
DE102014000397A1 (de) Modellbasierte Zylinderfüllungserfassung für eine Brennkraftmaschine
DE102019124267A1 (de) Steuerungsvorrichtung einer Brennkraftmaschine und Steuerungsverfahren derselben sowie Lernmodell zur Steuerung einer Brennkraftmaschine und Lernverfahren desselben
WO2013159899A1 (de) Verfahren und vorrichtung zum betrieb einer brennkraftmaschine mit aufladung und abgasrückführung
DE102019201016A1 (de) Steuerung und steuerverfahren für verbrennungsmotor
DE102014217591A1 (de) Verfahren und Vorrichtung zur Ansteuerung eines Abgasrückführventils einer aufgeladenen Brennkraftmaschine mit Abgasrückführung
DE102006004516B3 (de) Bayes-Netz zur Steuerung und Regelung einer Brennkraftmaschine
EP1175557B1 (de) Verfahren und vorrichtung zur überwachung eines rechenelements in einem kraftfahrzeug
DE102004026583B3 (de) Verfahren zur Optimierung von Kennfeldern
DE19947252A1 (de) Vorrichtung und Verfahren zur Steuerung einer Antriebseinheit
WO2008101835A1 (de) Verfahren und vorrichtung zur neuronalen steuerung und/oder regelung
AT518676B1 (de) Verfahren zur Kalibrierung eines technischen Systems
DE4333896B4 (de) Verfahren und Vorrichtung zur Steuerung einer Brennkraftmaschine
DE10010681A1 (de) Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
DE102021118579A1 (de) Maschinenlernvorrichtung
DE19618385A1 (de) Verfahren und Vorrichtung zur Steuerung einer Brennkraftmaschine
DE10356713B4 (de) Verfahren zur Regelung bzw. Steuerung einer in einem Kreisprozess arbeitenden Brennkraftmaschine
WO2011117114A1 (de) Verfahren und vorrichtung zur anpassung von adaptionswerten für die ansteuerung von einspritzventilen in einem motorsystem mit mehreren einspritzungsarten

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 08708897

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 08708897

Country of ref document: EP

Kind code of ref document: A1