WO2015144287A1 - Verfahren zum betreiben einer brennkraftmaschine, verfahren zum ermitteln einer lernstruktur für den betrieb einer brennkraftmaschine, steuergerät für eine brennkraftmaschine und brennkraftmaschine - Google Patents

Verfahren zum betreiben einer brennkraftmaschine, verfahren zum ermitteln einer lernstruktur für den betrieb einer brennkraftmaschine, steuergerät für eine brennkraftmaschine und brennkraftmaschine Download PDF

Info

Publication number
WO2015144287A1
WO2015144287A1 PCT/EP2015/000508 EP2015000508W WO2015144287A1 WO 2015144287 A1 WO2015144287 A1 WO 2015144287A1 EP 2015000508 W EP2015000508 W EP 2015000508W WO 2015144287 A1 WO2015144287 A1 WO 2015144287A1
Authority
WO
WIPO (PCT)
Prior art keywords
internal combustion
combustion engine
signals
signal
corrected
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/EP2015/000508
Other languages
English (en)
French (fr)
Inventor
Jens Niemeyer
Jörg REMELE
Tobias Frank
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rolls Royce Solutions GmbH
Original Assignee
MTU Friedrichshafen 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 MTU Friedrichshafen GmbH filed Critical MTU Friedrichshafen GmbH
Publication of WO2015144287A1 publication Critical patent/WO2015144287A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • 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
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
    • 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
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/222—Safety or indicating devices for abnormal conditions relating to the failure of sensors or parameter detection devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2464—Characteristics of actuators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2474—Characteristics of sensors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Definitions

  • the invention relates to a method for operating an internal combustion engine according to claim 1, a method for determining a learning structure for the operation of an internal combustion engine according to claim 8, a control device for an internal combustion engine according to claim 15 and an internal combustion engine according to claim 16.
  • Internal combustion engine determines the state of the same using the sensors and sets using the actuators certain operating points. If one looks at a whole series, series or fleet of internal combustion engines, the result is deviations from the ideal behavior of the built-in sensors and actuators scattering by ideally ideal
  • Deviations of the specifically installed sensors and actuators can be detected and could be taken into account in the control of the internal combustion engine. This approach, however, would cause extreme costs, because every single internal combustion engine expensive
  • Test bench time would have to complete.
  • a software-side calibration of the sensors and actuators would be possible before delivery.
  • this is only possible with great effort and also leads to problems when replacing parts in the field of application.
  • a recalibration would be required, which is expensive, time-consuming and associated with high logistical costs.
  • the invention is based on the object, a method for operating a
  • the invention is also based on the object, a method for determining a learning structure for the operation of a
  • the invention has for its object to provide a control device for an internal combustion engine and an internal combustion engine, wherein also said advantages are realized.
  • a plurality of signals is detected, which are generated by at least one sensor and / or sent to at least one actuator. It is basically possible that only signals from sensors or only signals that are sent to actuators are detected. However, both signals generated by sensors and signals sent to actuators are preferably detected. Such signals are also referred to below as sensor signals or measurement signals, if they are from at least one Sensor are generated, and as actuator signals or actuating signals when they are sent to an actuator.
  • the detected signals are evaluated and a specific combination of the signal values of the detected signals is determined. Thus, the signals are not considered individually, but it is determined which specific combination of values of the detected signals is currently present.
  • a correction value for the signal to be corrected is determined.
  • an estimated value for a true value of the signal to be corrected is determined.
  • the signal to be corrected is preferably one of the detected signals. Alternatively or additionally, it is also possible that a signal is corrected which does not belong to the plurality of detected signals.
  • the signal to be corrected may be a
  • Sensor signal or an actuator signal so act to a measurement signal or an actuating signal.
  • the signal to be corrected is corrected with the correction value.
  • the method is based on the idea that the sensor signals and / or actuator signals of the internal combustion engine are faulty, with the concretely installed sensors and actuators showing systematic deviations from their ideal behavior, which however are unknown as such. It turns out, however, that many sensor signals and / or actuator signals of a
  • Internal combustion engine are correlated with each other or contain information about each other.
  • the signals are thus not independent of each other, but linked together for example by physical relationships.
  • statistical information about the systematic deviations of sensors and / or actuators of the installed type are available, can be estimated or even measured on a variety of sensors once. For example, tolerances can be used in data sheets. Such relationships and / or information will be used for a variety of
  • the signals to be corrected are corrected in such a way that, in particular based on a known statistic of a totality of the installed sensors and actuators, the frequency of large deviations and thus the effect of the systematic scattering of sensors and
  • Actuators reduced within the entire fleet.
  • the correction value thus improves in particular the variance of the measuring or positioning errors within a series, series or fleet compared to the uncorrected signal. This makes it possible to comply with stricter requirements, such as stricter emission limits, safety margins can be reduced, and the number of
  • the method is preferably applied not only to a signal to be corrected but to a plurality of signals to be corrected. For this it is possible that a cascading of the method, in particular a cascading of predetermined relationships for different signals, is possible. In this way, preferably several signals are corrected simultaneously. A recursive application of the method is also possible, in which the corrected signal for improving the correction is based on the method again.
  • an analytic function is used as the predetermined relationship.
  • the analytical function describes physical relationships between the detected signals.
  • a redundancy of the signals a correlation of the various signals and / or information contained in the signals is used one above the other.
  • the use of an analytic function to describe such relationships is a very simple implementation with little computational effort. However, it is often found that such
  • a development of the invention provides that, alternatively or additionally, the predetermined relationship is represented by a learning structure, which the correction value in
  • the learning structure preferably describes approximately the same relationships, which in principle should also be reproduced by the analytical function, namely physical relationships between the signals, redundancies of the signals, correlations between the signals and / or
  • Information that includes the signals on top of each other.
  • a learning structure a suitably-conditioned characteristic map, a parameterizable mathematical function with suitably set parameters, a neural network and / or another suitable structure can be used.
  • the implementation of such a learning structure may be more complex than that of an analytical function, and the evaluation typically requires a higher one
  • a development of the invention provides that the learning structure is learned by considering a multiplicity of specific combinations of signal values, wherein each specific combination is assigned a value for the signal to be corrected.
  • each specific combination of erroneous signal values is assigned a true value for the signal to be corrected.
  • each specific combination of erroneous signal values is preferred for an individual combination of sensors and / or actuators with specific, individual, systematic deviations from ideal behavior, ie for an imaginary internal combustion engine with a specific combination of individual sensors and / or actuators.
  • the learning structure is determined for each such combination, what the true value of the signal to be corrected looks when the selected specific combination of erroneous signal values occurs.
  • the, in particular each, specific combination of signal values corresponds to a combination of sensor and / or actuator errors, which are in particular systematic sensor and / or actuator errors.
  • the specific combination represents a specific selection of sensors and / or actuators, and thus a specific internal combustion engine. Since the learning structure for a plurality of such specific combinations is learned, it follows that the determined with their help correction value causes an improvement in the behavior of the internal combustion engine in the field of application on a statistical average. In general, the true value of the signal to be corrected, which is then determined in the context of the method, will be closer to the actual true value than the previously determined, erroneous value of the
  • a development of the invention provides that the learning structure is taught on a test bench or by numerical simulation of the internal combustion engine. If the learning structure is taught in on a test stand, highly accurate sensors and / or actuators and therefore as error-free as possible signals are preferably used, in particular to acquire information about true values of a signal to be corrected.
  • Internal combustion engine is taught.
  • teaching the learning structure on the test bench can be carried out very precisely and in principle more realistically, learning the learning structure through numerical simulation is quicker and less complicated, and thus more cost effective overall.
  • the object is also achieved by providing a method for determining a learning structure for the operation of an internal combustion engine with the steps of claim 8.
  • the method is used in particular for determining a learning structure for use as
  • a multiplicity of specific combinations of faulty signal values of sensors and / or actuators of an internal combustion engine are selected. For each of these specific combinations, a true value of at least one signal to be corrected is determined and the true values are assigned to the associated specific combinations of erroneous signal values.
  • Learning structure progressively forms a connection, in particular a physical relationship, between the different signal values during learning, or creates an approximation to a true relationship between the signal values.
  • the learning structure learns on the basis of many different combinations of errors of individual sensors and / or actuators, which errors
  • the learning structure can then be used to observe and correct various signals on an internal combustion engine in real time.
  • the aforementioned method proposes a correction of one or more signals, that is to say measured variables or manipulated variables, based on the lem structure for a specific combination of sensor and / or actuator errors.
  • the learning structure used is preferably a neural network, a parameterizable mathematical function, a map or another suitable structure.
  • a neural network is taught by creating a variety of links, as is known per se.
  • parameter values are specified during teach-in.
  • the characteristic map is bedatet when teaching in a suitable manner.
  • the signals to be considered are preferably selected by means of a correlation matrix, which contains information about the correlation of the various measurement and control signals to the signal to be corrected. It is then determined a predetermined limit correlation, up to which signals still in the
  • the number of signals considered can be reduced, thus reducing the complexity of the process. This will also sink the Costs associated with the application of the method in the field of application.
  • the selection of signals is targeted and based on a meaningful criterion.
  • a development of the invention provides that a plurality of operating points of an internal combustion engine is selected, wherein a plurality of specific combinations of faulty signal values is selected for each operating point. This is significant because the relationship between the different signals from the operating point of the
  • a development of the invention provides that the learning structure is taught in on a test bench or by numerical simulation.
  • the method is thus preferably carried out on a test bench or by numerical simulation - virtually on a virtual test bench.
  • the learning structure is preferably trained as follows: The learning structure observes various sensor signals and actuator signals at a specific operating point of the internal combustion engine and an associated real value, ie measured or simulated virtually without errors under laboratory conditions signal to be corrected. It will be in the
  • the learning structure learns a dependency on the true value of it
  • Relationship between the observed signal values and the true signal value of the signal to be corrected describes with the support points that are available for learning, can not be ideally mapped. It is therefore possible that the learning structure instead of a For example, the exact solution minimizes a mean squared error between an estimate and the actual true function value.
  • the real functional value is known in particular either from bench tests or from numerical simulation.
  • a further development of the invention provides that statistical information about sensors and / or actuators is used to select the specific combinations. It does not take into account the statistical errors of the individual sensors, ie their measurement noise, but rather the systematic deviations of the sensors and / or actuators, namely deviations from sensor to sensor or from actuator to actuator. Such statistical
  • Information is ultimately a series spread of the installed sensors and / or actuators. They can be obtained from data sheets or also from measurements of a large number of sensors and / or actuators.
  • the invention also provides a method for operating a test bench, wherein a plurality of specific combinations of faulty signal values of sensors and / or actuators of an internal combustion engine are specified on the test bench, in particular by dimming signals, wherein a true value of at least one signal to be corrected for each of the specific combinations is determined.
  • a learning structure is learned by assigning the determined true values to the associated specific combinations of erroneous signal values.
  • an embodiment of the method for operating the internal combustion engine according to one of the embodiments described above is particularly preferred, which is characterized in that a learning structure which was determined as part of an embodiment of the method for determining a learning structure is used as a predetermined relationship.
  • the advantages described above are realized in a special way.
  • the correction of a measured combustion air ratio can serve.
  • the learning structure simultaneously observes flap positions of the internal combustion engine, a boost pressure, a
  • the true value of the signal to be corrected such as the true combustion air ratio
  • the learning structure is therefore used as follows: instead of the true value, it now outputs information about the learned function value for the true value, for example for the true combustion air ratio, when various error-related measuring and actuating signals are applied as an estimated value. This information then corrects the measured value of the signal to be corrected.
  • a development of the invention provides that the method for operating a
  • a development of the invention provides that internal combustion engines from the series, series or fleet are discarded if they do not meet predetermined, in particular legal requirements when using the method. For example, it is possible for each internal combustion engine after its production to undergo a test run in which it is checked whether it meets predetermined specifications. If the method proposed here is used in the operation of the internal combustion engine and shows that the internal combustion engine does not meet the specifications, it can be discarded.
  • control device for an internal combustion engine which is characterized in that it is adapted to carry out a
  • a development of the invention provides that the method is firmly implemented in an electronic structure, in particular in a hardware structure of the control unit.
  • a computer program product it is possible for a computer program product to be loaded into the control unit which has instructions on the basis of which the method is carried out when the computer program product is running on the control unit. It requires no further modification of a control unit, which for
  • Operation of the internal combustion engine is provided anyway, because this is anyway set up for detecting a plurality of signals and / or outputting a plurality of signals, wherein substantially the predetermined relationship, in particular the learning structure, in the control unit to implement, in order anyway to evaluate and correct the signals detected or output by the control unit in the appropriate manner.
  • the internal combustion engine is preferably designed as a reciprocating engine. At a
  • the internal combustion engine is used to drive in particular heavy land or water vehicles, such as mining vehicles, trains, the internal combustion engine is used in a locomotive or a railcar, or ships. It is also possible to use the internal combustion engine to drive a defense vehicle, for example a tank.
  • An embodiment of the internal combustion engine is preferably also stationary, for example, for stationary
  • the internal combustion engine in this case preferably drives a generator.
  • Internal combustion engine in the field of the extraction of fossil raw materials and in particular fuels, for example, oil and / or gas, possible. It is also possible to use the internal combustion engine in the industrial sector or in the field of construction, for example in a construction or construction machine, for example in a crane or an excavator. Finally, an application of the internal combustion engine in a passenger car or in a
  • the internal combustion engine is preferably designed as a diesel engine, as a gasoline engine, as a gas engine for operation with natural gas, biogas, special gas or another suitable gas. Especially if the
  • Internal combustion engine is designed as a gas engine, it is for use in one
  • Cogeneration plant suitable for stationary power generation.
  • Figure 1 is a schematic representation of a first embodiment of the method for
  • Figure 2 is a schematic representation of an embodiment of a method for
  • FIG. 3 shows a schematic illustration of a second embodiment of the method for operating an internal combustion engine using a learning structure determined according to the method according to FIG. 3
  • Figure 4 is a schematic representation of an embodiment of a
  • Fig. 1 shows a schematic representation of a first embodiment of the method for operating an internal combustion engine 1.
  • the internal combustion engine 1 is shown here symbolically, for better understanding of the method, a control unit 3 than from the
  • Internal combustion engine 1 is shown outsourced. However, the control unit 3 can also be part of the internal combustion engine 1.
  • a plurality of signals of the internal combustion engine 1 is detected, wherein these signals are generated by at least one sensor and / or sent to at least one actuator.
  • Actuator signals includes, which are also referred to as measurement signals 5 and 7 as control signals. These measurement and control signals 5, 7 are evaluated, and a specific combination of signal values is determined, wherein a predetermined relationship 9 for a plurality of internal combustion engines is predetermined in the form of an algorithm by which the detected signals are evaluated, the specific combination of the signal values and a correction value for at least one signal to be corrected is calculated.
  • a first correction value 11 for a measurement signal 5 and a second correction value 13 for an uncorrected adjustment signal 15 are determined here. With the correction values 11, 13 is then to be corrected
  • Measuring signal 5 and a correcting the control signal 15 corrected The corrected measurement signal 5 is input to a motor management 17, which generates altogether from the measurement signals 5 actuating signals, for example the uncorrected actuating signal 15, for the internal combustion engine 1.
  • the uncorrected actuating signal 15 is then corrected with the second correction value 13.
  • a corrected so far set of actuating signals 7 is then returned to the internal combustion engine 1.
  • the relationship 9 statistically takes into account the systematic deviations from the ideal behavior of the sensors and / or actuators installed on the internal combustion engine 1 and calculates the first and second correction values 11, 13 in such a way that an improvement of the operating behavior at least on average via a plurality of internal combustion engines 1 of a fleet and preferably a reduction in fuel consumption occurs.
  • an improvement in the operating behavior is not actually achieved for each specific internal combustion engine 1, but this applies only on a statistical average.
  • Adjusting signals 7 corrected, optionally by cascading the method In order to increase the accuracy of the method, a recursive application of the relationship 9 is also possible, in which the corrected signal values are supplied again to the relationship 9 and, in turn, new correction values are calculated therefrom.
  • the context 9 may be an analytical function.
  • a learning structure that is learned as part of a method for determining the learning structure is particularly preferred.
  • FIG. 2 shows a schematic representation of an embodiment of the method for determining such a learning structure 19. It is possible that the method is performed by numerical simulation, as it were, on a virtual test bench. Alternatively, it is possible that the method is performed on an actual test bench. The following is the
  • Combustion air ratio ⁇ are explained as a signal to be corrected.
  • the method is applicable to a variety of other to be corrected measuring or control signals 5, 7, so that the following explanations are merely illustrations of the
  • the internal combustion engine 1 is operated on a test bench under precisely controlled environmental conditions and with highly accurate measuring sensors as well as highly accurate actuators.
  • a multiplicity of true measured signal values 21 are determined with high accuracy.
  • true measured signal values here means that they are determined with a smaller, and in particular much less, error than is possible by means of the sensor technology of the internal combustion engine 1 used in the field of application true value, as measured values of a sensor used in the normal field of application.
  • the highly accurate measured value of a combustion air ratio is coupled out of the multiplicity of true measured signal values 21, which is also referred to as ⁇ value or, in the following, briefly as true value 23. This will be the
  • the engine management 17 calculates on the basis of the trimmed, thus erroneous measurement signals 5 the Control signals 15, which are faulty insofar as they do not correspond to the functional positions that are actually set by the faulty actuator of the internal combustion engine actually. This is simulated on the test bench by being targeted here
  • Actuator deviations 27 are added to the control signals 15. These are so intimated
  • Control signals 29 are preferably supplied to a high-precision actuator system of the internal combustion engine 1 on the test bench, which is then actuated quasi systematically error-prone with the trimmed control signals 29. In this way, systematic actuator errors of real actuators actually installed in the fleet of internal combustion engines are simulated.
  • the learning structure 19 are in turn supplied to the control signals 15, which are faulty insofar as they do not correspond to the actual An Kunststoffang the internal combustion engine 1, namely on the test bench due to the trim, but in the real field of application due to the systematic deviation of the concrete installed actuators.
  • a variety of specific combinations of erroneous signal values is through
  • the learning structure now learns via this multitude of combinations the relationship between the measurement signals 5, the control signals 15, and the true values 23, which are established in the corresponding faulty drive range of the internal combustion engine 1.
  • This learning can be done, for example, by parameterizing a parameterizable mathematical function, by linking a neural network or by using a corresponding characteristic map.
  • the learning structure 19 learns the relationship between the control behavior of the engine management 17 and the resulting true values 23 of the internal combustion engine 1, in this case specifically the true value of the combustion air ratio.
  • Flap positions in particular a charge air flap and / or an exhaust gas recirculation flap, a Boost pressure, a charge air temperature, the measured combustion air ratio itself, and the nitrogen oxide emissions of the internal combustion engine 1.
  • the flap positions are control signals
  • the boost pressure, the charge air temperature, the combustion ratio itself and the nitrogen oxide emissions are measurement signals.
  • the method is preferably carried out for a plurality of operating points of the internal combustion engine, wherein the learning structure 19 learns an operating-point-dependent relationship between the signals 5, 15 and the true values 23. For each operating point, a multiplicity of deviations 25, 27 is specified for which the learning structure 19 learns the relationship to the then present true values 23.
  • FIG. Fig. 3 shows a further concrete embodiment or a second
  • Embodiment of the method for operating an internal combustion engine in which case the learning structure 19 is used as context 9. It is symbolically indicated here that the actual measured signal values 21 are not falsified by specific deviations 25 in the application field of the internal combustion engine 1, but by systematic errors 31 of the sensors, so that the engine management 17 is faulty
  • Measuring signals 5 are supplied.
  • Combustion air ratio is coupled as a signal to be corrected 33.
  • the learning structure 19 the error-prone measuring signals 5, as well as those of the
  • Motor management 17 output control signals 15 supplied.
  • the learning structure 19 calculates therefrom a correction value 11 for the combustion air ratio, this is corrected by means of the correction value, and the motor management 17 is thus supplied with a corrected value 35.
  • the engine management 17 thus calculates the actuating signals 15 on the basis of uncorrected subcombination 5 'and the corrected value 35 for the
  • Air-fuel ratio As already indicated, it is of course possible for a plurality of measuring and / or actuating signals to be corrected in the manner described here by way of example. In particular, it is also possible that all measurement signals are corrected in this way.
  • FIG. 4 shows still a schematic representation of an embodiment of a
  • control unit 3 is operatively connected to the sensor 39 and the actuator 41, wherein it controls the internal combustion engine 1 on the basis of the signals detected by the sensors 39 and by means of the signals output to the actuators 41.
  • control unit 3 is a context 9 - as explained for Figure 1 - particularly preferably a learning structure 19 - as explained for Figure 3 - implemented.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Es wird ein Verfahren zum Betreiben einer Brennkraftmaschine (1), mit folgenden Schritten vorgeschlagen: Erfassen einer Mehrzahl von Signalen (5, 7), die von wenigstens einem Sensor (39) erzeugt und/oder an wenigstens einen Aktor (41) gesendet werden; Auswerten der erfassten Signale (5, 7) und Ermitteln einer spezifischen Kombination der Signalwerte der Signale (5, 7); Ermitteln eines Korrekturwerts (11, 13) für wenigstens ein zu korrigierendes Signal (15, 33) anhand eines für eine Vielzahl von Brennkraftmaschinen vorherbestimmten Zusammenhangs (9) zwischen der spezifischen Kombination der erfassten Signalwerte und dem zu korrigierenden Signal (15, 33), und Korrigieren eines Werts des zu korrigierenden Signals (15, 33) mit dem Korrekturwert (11).

Description

BESCHREIBUNG Verfahren zum Betreiben einer Brennkraftmaschine, Verfahren zum Ermitteln einer Lernstruktur für den Betrieb einer Brennkraftmaschine, Steuergerät für eine
Brennkraftmaschine und Brennkraftmaschine
Die Erfindung betrifft ein Verfahren zum Betreiben einer Brennkraftmaschine gemäß Anspruch 1 , ein Verfahren zum Ermitteln einer Lernstruktur für den Betrieb einer Brennkraftmaschine gemäß Anspruch 8, ein Steuergerät für eine Brennkraftmaschine gemäß Anspruch 15 und eine Brennkraftmaschine gemäß Anspruch 16.
Verfahren zum Betreiben von Brennkraftmaschinen sind grundsätzlich bekannt. Im Rahmen eines solchen Verfahrens wird eine Mehrzahl von Signalen verarbeitet, nämlich zum einen Sensorsignale von Sensoren, welche Betriebsparameter der Brennkraftmaschine erfassen, und Aktorsignale, welche zur Vorgabe von Funktionsstellungen an Aktoren der Brennkraftmaschine gesendet werden. Problematisch ist, dass die an einer Brennkraftmaschine konkret verbauten Sensoren und Aktoren prinzipiell Abweichungen von einem idealen Verhalten zeigen. Dies ist zum Teil Ausdruck von Fertigungstoleranzen bei der Herstellung der Sensoren und Aktoren, kann aber auch auf Abnutzung oder anderen Effekten beruhen. Ein Steuergerät der
Brennkraftmaschine bestimmt den Zustand derselben mithilfe der Sensoren und stellt mithilfe der Aktoren bestimmte Betriebspunkte ein. Betrachtet man eine ganze Serie, Baureihe oder Flotte von Brennkraftmaschinen, ergibt sich als Folge der Abweichungen vom Idealverhalten der verbauten Sensoren und Aktoren eine Streuung um jeweils idealerweise angestrebte
Betriebspunkte. Dies bedeutet, dass jede konkrete Brennkraftmaschine mit einer konkreten Auswahl von Sensoren und Aktoren sich - trotz identischer Steuergeräte - ein wenig anders verhält als die anderen Brennkraftmaschinen. Um gleichwohl nach Möglichkeit über die gesamte Flotte vorgegebene Größen, beispielsweise Emissionsgrenzwerte, einhalten zu können, müssen Sicherheitsmargen vorgesehen sein. Hierdurch kann gewährleistet werden, dass jedenfalls ein gewisser Prozentsatz der Brennkraftmaschinen innerhalb von vorgegebenen Toleranzen bleibt. Die Sicherheitsmargen führen jedoch in der Regel zu einem erhöhten Kraftstoffverbrauch. Um diesem Problem zu begegnen, ist es prinzipiell möglich, Sensoren und Aktoren mit geringeren Toleranzen zu verbauen. Solche Elemente sind allerdings deutlich teurer als entsprechende Standard-Elemente. Alternativ ist es möglich, eine Mehrzahl von Sensoren zur Messung derselben Größe zu verwenden. Hierdurch ist das Problem zum einen nur auf der Seite der Signalerfassung, nicht jedoch auf der Aktorseite lösbar, außerdem entstehen Mehrkosten für die zusätzlichen Bauteile und auch für die Auswertung der Signale in dem Steuergerät. Eine weitere Möglichkeit dem Problem zu begegnen besteht darin, jede einzelne Brennkraftmaschine auf einem Prüfstand vor der Auslieferung zu kalibrieren. Dabei wären systematische
Abweichungen der konkret verbauten Sensoren und Aktoren erfassbar und könnten in der Steuerung der Brennkraftmaschine berücksichtigt werden. Diese Vorgehensweise würde allerdings extreme Kosten verursachen, weil jede einzelne Brennkraftmaschine teure
Prüfstandszeit absolvieren müsste. Schließlich wäre noch eine softwareseitige Kalibrierung der Sensoren und Aktoren vor der Auslieferung möglich. Dies ist allerdings auch nur mit sehr großem Aufwand realisierbar und führt zudem zu Problemen beim Austausch von Teilen im Anwendungsfeld. In diesem Fall wäre nämlich eine Nachkalibrierung erforderlich, was teuer, aufwändig und mit hohem logistischem Aufwand verbunden ist.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zum Betreiben einer
Brennkraftmaschine zu schaffen, mit welchem die genannten Auswirkungen der Abweichungen von Sensoren und Aktoren von ihrem idealen Verhalten auf eine gesamte Flotte von
Brennkraftmaschinen reduziert werden können. Der Erfindung liegt außerdem die Aufgabe zugrunde, ein Verfahren zum Ermitteln einer Lernstruktur für den Betrieb einer
Brennkraftmaschine zu schaffen, wobei ebenfalls die genannten Nachteile vermieden
beziehungsweise die genannten Vorteile erzielt werden. Weiterhin liegt der Erfindung die Aufgabe zugrunde, ein Steuergerät für eine Brennkraftmaschine sowie eine Brennkraftmaschine zu schaffen, wobei ebenfalls die genannten Vorteile verwirklicht werden.
Die Aufgabe wird gelöst, indem ein Verfahren mit den Schritten des Anspruchs 1 vorgeschlagen wird. Im Rahmen des Verfahrens zum Betreiben einer Brennkraftmaschine wird eine Mehrzahl von Signalen erfasst, die von wenigstens einem Sensor erzeugt und/oder an wenigstens einen Aktor gesendet werden. Es ist grundsätzlich möglich, dass nur Signale von Sensoren oder nur Signale, die an Aktoren gesendet werden, erfasst werden. Bevorzugt werden allerdings sowohl von Sensoren erzeugte als auch an Aktoren gesendete Signale erfasst. Solche Signale werden im Folgenden auch als Sensorsignale oder Messsignale bezeichnet, wenn sie von wenigstens einem Sensor erzeugt werden, und als Aktorsignale oder Stellsignale, wenn sie an einen Aktor gesendet werden. Die erfassten Signale werden ausgewertet, und es wird eine spezifische Kombination der Signalwerte der erfassten Signale ermittelt. Die Signale werden also nicht einzeln für sich betrachtet, sondern es wird festgestellt, welche spezifische Kombination von Werten der erfassten Signale momentan vorliegt. Anhand eines für eine Vielzahl von Brennkraftmaschinen vorherbestimmten Zusammenhangs zwischen der spezifischen Kombination der erfassten Signalwerte und einem zu korrigierenden Signal wird ein Korrekturwert für das zu korrigierende Signal ermittelt. Vorzugsweise wird ein Schätzwert für einen wahren Wert des zu korrigierenden Signals ermittelt. Das zu korrigierende Signal ist bevorzugt eines der erfassten Signale. Alternativ oder zusätzlich ist es auch möglich, dass ein Signal korrigiert wird, welches nicht zu der Mehrzahl von erfassten Signalen gehört. Bei dem zu korrigierenden Signal kann es sich um ein
Sensorsignal oder um ein Aktorsignal, also um ein Messsignal oder um ein Stellsignal handeln. Das zu korrigierende Signal wird mit dem Korrekturwert korrigiert.
Dem Verfahren liegt der Gedanke zugrunde, dass die Sensorsignale und/oder Aktorsignale der Brennkraftmaschine fehlerbehaftet sind, wobei die konkret verbauten Sensoren und Aktoren systematische Abweichungen von ihrem idealen Verhalten zeigen, die jedoch als solche unbekannt sind. Es zeigt sich aber, dass viele Sensorsignale und/oder Aktorsignale einer
Brennkraftmaschine miteinander korreliert sind oder Informationen übereinander enthalten. Die Signale sind also nicht unabhängig voneinander, sondern beispielsweise durch physikalische Zusammenhänge miteinander verknüpft. Im Allgemeinen sind auch statistische Informationen über die systematischen Abweichungen von Sensoren und/oder Aktoren der verbauten Art verfügbar, können abgeschätzt oder auch an einer Vielzahl von Sensoren einmalig gemessen werden. Beispielsweise können Toleranzen in Datenblättern herangezogen werden. Solche Zusammenhänge und/oder Informationen werde genutzt, um für eine Vielzahl von
Brennkraftmaschinen den vorherbestimmten Zusammenhang zwischen einer spezifischen Kombination von erfassten Signalwerten und dem wahren Wert des zu korrigierenden Signals zu ermitteln. Der Zusammenhang liefert somit einen Schätzwert für das zu korrigierende Signal auf der Grundlage der erwähnten Informationen, woraufhin der Wert des zu korrigierenden Signals wiederum anhand dieses Schätzwerts korrigiert wird. Dabei zeigt sich, dass der so bestimmte Schätzwert beziehungsweise der derart ermittelte Korrekturwert nicht für jede einzelne Brennkraftmaschine korrekt ist, mithin nicht für jede einzelne Brennkraftmaschine zu einer Verbesserung des Betriebsverhaltens führt. Es ist im Gegenteil sogar möglich, dass eine spezifische Brennkraftmaschine mit einer spezifischen Kombination systematisch fehlerhafter Sensoren und/oder Aktoren durch Anwendung des Verfahrens in ihrem Betriebsverhalten verschlechtert wird. Im statistischen Mitteln reduziert aber das vorgeschlagene Verfahren - über eine gesamte Flotte von Brennkraftmaschinen betrachtet - die Wahrscheinlichkeit, dass große Abweichungen von einem angestrebten
Betriebspunkt auftreten, wodurch die Auswirkungen der Toleranzen der Sensoren und Aktoren innerhalb der Flotte reduziert werden. Es wird also im Rahmen des Verfahrens nicht versucht, die prinzipiell unbekannten Abweichungen vom Idealverhalten der konkret verbauten Sensoren und Aktoren an einer individuellen Brennkraftmaschine zu korrigieren. Die zu korrigierenden Signale werden jedoch derart korrigiert, dass sich insbesondere auf Basis einer bekannten Statistik einer Gesamtheit der verbauten Sensoren und Aktoren die Häufigkeit von großen Abweichungen und damit die Auswirkung der systematischen Streuung von Sensoren und
Aktoren innerhalb der gesamten Flotte reduziert. Der Korrekturwert verbessert also insbesondere die Varianz der Mess- oder Stellfehler innerhalb einer Baureihe, Serie oder Flotte gegenüber dem unkorrigierten Signal. Dadurch ist es möglich, strengere Vorgaben, beispielsweise strengere Emissionsgrenzen einzuhalten, Sicherheitsmargen können reduziert werden, und die Anzahl von
Brennkraftmaschinen innerhalb der Flotte, welche Vorgaben im Anwendungsfeld verletzen, kann ebenfalls reduziert werden. Zugleich wird der Kraftstoffverbrauch der Brennkraftmaschine jedenfalls im statistischen Mittel reduziert. Das Verfahren ist einfach und kostengünstig anwendbar, weil es lediglich einer Implementierung des Verfahrens und insbesondere des vorherbestimmten Zusammenhangs in das Steuergerät einer Brennkraftmaschine bedarf. Es sind keine zusätzlichen und insbesondere keine hochgenauen Sensoren und/oder Aktoren nötig. Auch eine Kalibrierung jeder einzelnen Brennkraftmaschine an einem Prüfstand wird vermieden. Ein Austausch von Sensoren und/oder Aktoren im Anwendungsfeld führt nicht zu Problemen, da die ausgetauschten Bauteile die gleiche Statistik aufweisen wie die zuvor verbauten, wodurch sie bereits im Rahmen des Verfahrens berücksichtigt sind.
Das Verfahren wird vorzugsweise nicht nur auf ein zu korrigierendes Signal, sondern auf eine Mehrzahl zu korrigierender Signale angewendet. Hierzu ist es möglich, dass eine Kaskadierung des Verfahrens, insbesondere eine Kaskadierung von vorherbestimmten Zusammenhängen für verschiedene Signale, möglich ist. Auf diese Weise werden bevorzugt mehrere Signale gleichzeitig korrigiert. Auch eine rekursive Anwendung des Verfahrens ist möglich, bei der das korrigierte Signal zur Verbesserung der Korrektur erneut dem Verfahren zugrunde gelegt wird.
Eine Weiterbildung der Erfindung sieht vor, dass als vorherbestimmter Zusammenhang eine analytische Funktion verwendet wird. Besonders bevorzugt beschreibt die analytische Funktion physikalische Beziehungen zwischen den erfassten Signalen. Dabei wird vorzugsweise eine Redundanz der Signale, eine Korrelation der verschiedenen Signale und/oder in den Signalen enthaltene Informationen übereinander ausgenutzt. Die Verwendung einer analytischen Funktion zur Beschreibung solcher Zusammenhänge stellt eine sehr einfache Implementierung mit geringem Rechenaufwand dar. Es zeigt sich aber, dass häufig die Ermittlung solcher
analytischen Funktionen schwierig ist, sei es, weil die funktionalen Zusammenhänge
insbesondere zwischen einer Vielzahl von Signalen sehr komplex sind, oder weil eine Kenntnis der genauen analytischen Zusammenhänge prinzipiell nicht möglich ist. Es ist auch möglich, dass als Zusammenhang ein Modell der physikalischen Beziehungen verwendet wird.
Eine Weiterbildung der Erfindung sieht vor, dass alternativ oder zusätzlich der vorherbestimmte Zusammenhang durch eine Lernstruktur dargestellt wird, welche den Korrekturwert in
Abhängigkeit von den erfassten Signalen ausgibt. Die Anwendung einer solchen Lernstruktur ist auch in den Fällen möglich, in denen eine analytische Funktion nicht zur Verfügung steht oder grundsätzlich nicht ermittelt werden kann. Dabei beschreibt die Lernstruktur bevorzugt jedenfalls näherungsweise dieselben Zusammenhänge, die prinzipiell auch durch die analytische Funktion wiedergegeben werden sollten, nämlich physikalische Beziehungen zwischen den Signalen, Redundanzen der Signale, Korrelationen zwischen den Signalen und/oder
Informationen, welche die Signale übereinander umfassen. Als Lernstruktur kann ein geeignet bedatetes Kennfeld, eine parametrierbare mathematische Funktion mit geeignet festgelegten Parametern, ein neuronales Netz und/oder eine andere geeignete Struktur verwendet werden. Die Implementierung einer solchen Lernstruktur ist gegebenenfalls aufwändiger als die einer analytischen Funktion, und die Auswertung bedingt typischerweise einen höheren
Rechenaufwand. Es ergibt sich aber der große Vorteil, dass die Lernstruktur in jedem Fall anwendbar ist, wobei sie nicht angewiesen ist auf das Vorliegen spezifischer Kenntnisse über die betrachteten Zusammenhänge seitens einer die Lernstruktur implementierenden Bedienperson. Eine Weiterbildung der Erfindung sieht vor, dass die Lernstruktur eingelernt wird, indem eine Vielzahl spezifischer Kombinationen von Signalwerten betrachtet wird, wobei jeder spezifischen Kombination jeweils ein Wert für das zu korrigierende Signal zugeordnet wird. Insbesondere wird jeder spezifischen Kombination von fehlerbehafteten Signalwertenein wahrer Wert für das zu korrigierende Signal zugeordnet. Dabei steht jede spezifische Kombination fehlerbehafteter Signalwerte bevorzugt für eine individuelle Zusammenstellung von Sensoren und/oder Aktoren mit bestimmten, individuellen, systematischen Abweichungen vom Idealverhalten, mithin für eine - gedachte - Brennkraftmaschine mit einer konkreten Kombination von individuellen Sensoren und/oder Aktoren. Im Rahmen des Einlernens der Lernstruktur wird dabei für jede solche Kombination ermittelt, wie der wahre Wert des zu korrigierenden Signals aussieht, wenn die herausgegriffene spezifische Kombination von fehlerbehafteten Signalwerten auftritt.
Entsprechend wird also im Rahmen des Verfahrens bevorzugt, dass die, insbesondere jede, spezifische Kombination von Signalwerten einer Zusammenstellung von Sensor- und/oder Aktorfehlern entspricht, die insbesondere systematische Sensor- und/oder Aktorfehler sind. Auf diese Weise repräsentiert nämlich die spezifische Kombination eine konkrete Auswahl von Sensoren und/oder Aktoren, und damit eine konkrete Brennkraftmaschine. Da die Lernstruktur für eine Vielzahl solcher spezifischen Kombinationen eingelernt wird, ergibt sich, dass der mit ihrer Hilfe ermittelte Korrekturwert im statistischen Mittel eine Verbesserung des Verhaltens der Brennkraftmaschine im Anwendungsfeld bewirkt. Im Allgemeinen wird nämlich der dann im Rahmen des Verfahrens ermittelte wahre Wert des zu korrigierenden Signals näher an dem tatsächlichen wahren Wert liegen, als der zuvor ermittelte, fehlerhafte Wert des zu
korrigierenden Signals. Aufgrund der statistischen Natur des hier vorgeschlagenen Verfahrens wird es aber selbstverständlich individuelle Brennkraftmaschinen im Anwendungsfeld geben, bei denen das Verfahren keine Verbesserung oder sogar eine Verschlechterung des Verhaltens herbeiführt. Dies spricht jedoch keinesfalls gegen eine Anwendung des Verfahrens, weil sich auf die gesamte Flotte bezogen eine Verbesserung des Betriebsverhaltens und eine Reduzierung des Kraftstoffverbrauchs ergibt. Eine Weiterbildung der Erfindung sieht vor, dass die Lernstruktur auf einem Prüfstand oder durch numerische Simulation der Brennkraftmaschine eingelernt wird. Wird die Lernstruktur auf einem Prüfstand eingelernt, werden vorzugsweise hochgenaue Sensoren und/oder Aktoren und damit möglichst fehlerfreie Signale verwendet, insbesondere um Informationen über wahre Werte eines zu korrigierenden Signals zu erfassen. Spezifische Kombinationen von fehlerbehafteten Signalwerten werden - quasi künstlich - erzeugt, indem am Prüfstand erfasste oder ausgegebene Signale gezielt vertrimmt werden, wobei wiederum mittels der hochgenauen Prüfstandssensorik und -aktorik erfasst wird, wie sich dadurch die wahren Werte, mithin die mit sehr kleinem Fehler gemessenen Werte, verändern. Es wird also ausgenutzt, dass die auf einem Prüfstand verwendete Sensorik und/oder Aktorik sehr viel genauer ist als die später im
Anwendungsfeld einer Brennkraftmaschine verwendeten Sensoren und/oder Aktoren. Deren systematische Abweichungen, insbesondere Kombinationen spezifischer systematischer Abweichungen, werden auf dem Prüfstand durch Vertrimmen von Signalen nachgebildet. Die Lernstruktur lernt dabei schrittweise den Zusammenhang zwischen den spezifischen
Kombinationen fehlerbehafteter Signale und den wahren Werten. In vorteilhafter Weise kommt hierbei hinzu, dass auf einem Prüfstand eine volle Kontrolle über die Umgebungsbedingungen beim Betrieb der Brennkraftmaschine herrscht.
Alternativ ist es möglich, dass die Lernstruktur durch numerische Simulation der
Brennkraftmaschine eingelernt wird. Hierbei existiert vorzugsweise ein numerisches Modell der Brennkraftmaschine, welchem dann gezielt vertrimmte oder fehlerbehaftete Signale zugeführt werden, wobei von dem numerischen Modell einer spezifischen Kombination fehlerbehafteter Signale zugeordnete wahre Werte ausgegeben werden. Während ein Einlernen der Lernstruktur auf dem Prüfstand sehr genau und prinzipiell wirklichkeitsnäher durchgeführt werden kann, gestaltet sich ein Einlernen der Lernstruktur durch numerische Simulation schneller und weniger aufwändig, mithin insgesamt kostengünstiger.
Die Aufgabe wird auch gelöst, indem ein Verfahren zum Ermitteln einer Lernstruktur für den Betrieb einer Brennkraftmaschine mit den Schritten des Anspruchs 8 geschaffen wird. Das Verfahren dient insbesondere zum Ermitteln einer Lernstruktur zur Anwendung als
vorherbestimmter Zusammenhang in einer der zuvor beschriebenen Ausführungsformen des Verfahrens zum Betreiben einer Brennkraftmaschine. Im Rahmen des hier vorgeschlagenen Verfahrens zum Ermitteln der Lernstruktur wird eine Vielzahl von spezifischen Kombinationen fehlerbehafteter Signalwerte von Sensoren und/oder Aktoren einer Brennkraftmaschine ausgewählt. Für jede einzelne dieser spezifischen Kombinationen wird ein wahrer Wert wenigstens eines zu korrigierenden Signals bestimmt, und die wahren Werte werden den zugehörigen spezifischen Kombinationen fehlerbehafteter Signalwerte zugeordnet. Die
Lernstruktur bildet dabei beim Einlernen fortschreitend einen Zusammenhang, insbesondere einen physikalischen Zusammenhang, zwischen den verschiedenen Signalwerten ab, beziehungsweise erstellt eine Approximation an einen wahren Zusammenhang zwischen den Signalwerten. Dabei lernt die Lernstruktur auf der Basis von sehr vielen unterschiedlichen Kombinationen von Fehlern einzelner Sensoren und/oder Aktoren, welcher Fehler
typischerweise auf welches Verhältnis der beobachteten Größen zueinander zurückzuführen ist. Es erkennt also aus einer bestimmten Schiefläge mehrerer Messgrößen eine mutmaßliche
Ursache. Nach Abschluss des Lernvorgangs kann dann die Lernstruktur zur Beobachtung und zur Korrektur verschiedener Signale an einer Brennkraftmaschine in Echtzeit eingesetzt werden. In diesem Fall schlägt das zuvor genannte Verfahren auf der Grundlage der Lemstruktur für eine spezielle Kombination von Sensor- und/oder Aktorfehlern eine Korrektur einer oder mehrerer Signale, also Mess- oder Stellgrößen, vor.
Als Lernstruktur wird vorzugsweise ein neuronales Netz, eine parametrierbare mathematische Funktion, ein Kennfeld oder eine andere geeignete Struktur verwendet. Ein neuronales Netz wird dabei durch Schaffen einer Vielzahl von Verknüpfungen eingelernt, wie dies für sich genommen bekannt ist. Für eine parametrierbare Funktion werden Parameterwerte beim Einlernen festgelegt. Das Kennfeld wird beim Einlernen in geeigneter Weise bedatet.
Eine insbesondere für die Implementierung des Verfahrens zum Betreiben einer
Brennkraftmaschine im Anwendungsfeld wichtige Frage ist, welche konkreten Signale zur Korrektur eines bestimmten Signals herangezogen werden sollen. Steht die Genauigkeit des Verfahrens im Vordergrund, können hier auch Signale von Sensoren und/oder Aktoren herangezogen werden, die höchstens einen geringfügigen Einfluss auf den Wert des zu korrigierenden Signals haben. Dies führt jedoch zu einer deutlichen Erhöhung der Komplexität des Verfahrens und damit letztlich auch zü einer Steigerung der damit verbundenen Kosten. Es ist daher wichtig, ein Mittel an der Hand zu haben, um die im Wesentlichen relevanten Signale zur Bestimmung eines Korrekturwertes für ein bestimmtes zu korrigierendes Signal
herauszusuchen, um dann der Lernstruktur spezifische Kombinationen fehlerbehafteter Werte gerade dieser Signale zugrunde zu legen. Bevorzugt werden dabei die zu berücksichtigenden Signale mithilfe einer Korrelationsmatrix ausgewählt, welche Informationen über die Korrelation der verschiedenen Mess- und Stellsignale zu dem zu korrigierenden Signal enthält. Es wird dann eine vorherbestimmte Grenzkorrelation festgelegt, bis zu welcher Signale noch in die
Betrachtung einbezogen werden. Auf diese Weise kann die Anzahl der betrachteten Signale reduziert und so die Komplexität des Verfahrens verringert werden. Damit sinken auch die Kosten, die mit der Anwendung des Verfahrens im Anwendungsfeld verbunden sind. Zugleich erfolgt die Auswahl der Signale zielgerichtet und anhand eines sinnvollen Kriteriums.
Eine Weiterbildung der Erfindung sieht vor, dass eine Vielzahl von Betriebspunkten einer Brennkraftmaschine ausgewählt wird, wobei zu jedem Betriebspunkt eine Vielzahl von spezifischen Kombinationen fehlerbehafteter Signalwerte ausgewählt wird. Dies ist bedeutsam, weil der Zusammenhang zwischen den verschiedenen Signalen vom Betriebspunkt der
Brennkraftmaschine abhängt. Somit ist es für eine korrekte Anwendung des Verfahrens beziehungsweise für die Lernstruktur wichtig, dass diese ebenfalls betriebspunktabhängig eingelernt wird. Insgesamt wird so für jede spezifische Kombination oder konkrete Auswahl von Sensoren und/oder Aktoren ein Zusammenhang für eine Vielzahl von Betriebspunkten ermittelt.
Eine Weiterbildung der Erfindung sieht vor, dass die Lernstruktur auf einem Prüfstand oder durch numerische Simulation eingelernt wird. Das Verfahren wird also bevorzugt auf einem Prüfstand oder durch numerische Simulation - quasi auf einem virtuellen Prüfstand - durchgeführt. Unabhängig davon, ob ein tatsächlicher oder ein virtueller Prüfstand verwendet wird, wird die Lernstruktur bevorzugt folgendermaßen trainiert: Die Lernstruktur beobachtet an einem bestimmten Betriebspunkt der Brennkraftmaschine verschiedene Sensorsignale und Aktorsignale sowie einen zugehörigen echten, also unter Laborbedingungen nahezu ohne Fehler gemessenen oder simulierten Wert für ein zu korrigierendes Signal. Dabei werden in der
Lernphase die verschiedenen Sensor- und Aktorfehler gemäß ihrer Statistik in verschiedenen Kombinationen variiert. Eine solche Variation kann zufallig, oder auch systematisch in einem bestimmten Raster geschehen. Dadurch lernt die Lernstruktur anhand vieler unterschiedlicher Stützstellen einen funktionalen Zusammenhang zwischen den beobachten Mess- und
Stellsignalen, mithin den Sensor- und Aktorsignalen, und dem wahren Wert des zu
korrigierenden Signals. Durch die in der Lernphase benutzten zahlreichen verschiedenen Sensor- und Aktorfehler lernt die Lernstruktur eine Abhängigkeit des wahren Werts des zu
korrigierendes Signals von den beobachteten Signalwerten, also für sehr viele verschiedene Signalkombinationen.
Es ist möglich, dass die Lernstruktur auch berücksichtigt, dass die Funktion, welche den
Zusammenhang zwischen den beobachteten Signalwerten und dem wahren Signalwert des zu korrigierenden Signals beschreibt, mit den Stützstellen, die zum Lernen zur Verfügung stehen, nicht ideal abgebildet werden kann. Es ist daher möglich, dass die Lernstruktur statt einer exakten Lösung beispielsweise einen mittleren quadratischen Fehler zwischen einem Schätzwert und dem eigentlichen, echten Funktionswert minimiert. Der echte Funktionswert ist dabei insbesondere entweder aus Prüfstandsversuchen oder aus der numerischen Simulation bekannt. Eine Weiterbildung der Erfindung sieht vor, dass zur Auswahl der spezifischen Kombinationen statistische Informationen über Sensoren und/oder Aktoren verwendet werden. Dabei werden nicht die statistischen Fehler der einzelnen Sensoren, also deren Messrauschen berücksichtigt, sondern vielmehr die systematischen Abweichungen der Sensoren und/oder Aktoren, nämlich Abweichungen von Sensor zu Sensor oder von Aktor zu Aktor. Solche statistischen
Informationen stellen letztlich eine Serienstreuung der verbauten Sensoren und/oder Aktoren dar. Sie können aus Datenblättern oder auch aus Messungen einer Vielzahl von Sensoren und/oder Aktoren erhalten werden.
Gegenstand der Erfindung ist auch ein Verfahren zum Betreiben eines Prüfstands, wobei auf dem Prüfstand eine Vielzahl von spezifischen Kombinationen fehlerbehafteter Signalwerte von Sensoren und/oder Aktoren einer Brennkraftmaschine vorgegeben werden, insbesondere durch Vertrimmen von Signalen, wobei ein wahrer Wert wenigstens eines zu korrigierenden Signals für jede der spezifischen Kombinationen bestimmt wird. Dabei wird eine Lernstruktur eingelernt, indem die ermittelten wahren Werte den zugehörigen spezifischen Kombinationen von fehlerbehafteten Signalwerten zugeordnet werden.
Besonders bevorzugt wird im Übrigen eine Ausführungsform des Verfahrens zum Betreiben der Brennkraftmaschine nach einer der zuvor beschriebenen Ausführungsformen, das sich dadurch auszeichnet, dass als vorherbestimmter Zusammenhang eine Lernstruktur verwendet wird, die im Rahmen einer Ausführungsform des Verfahrens zum Ermitteln einer Lernstruktur ermittelt wurde. Dabei verwirklichen sich die zuvor beschriebenen Vorteile in besonderer Weise.
Als Beispiel für die Anwendung eines solchen Verfahrens kann die Korrektur eines gemessenen Verbrennungsluftverhältnisses dienen. Dabei beobachtet beispielsweise die Lernstruktur gleichzeitig Klappenpositionen der Brennkraftmaschine, einen Ladedruck, eine
Ladelufttemperatur, ein Verbrennungsluftverhältnis, und Stickoxid-Emissionen der
Brennkraftmaschine. Sie erkennt aus einem bestimmten Muster der Verhältnisse dieser Signale zueinander, dass das gemessene Verbrennungsluftverhältnis fehlerbehaftet, beispielsweise um 3 % zu groß gemessen wurde. Der gemessene Wert des Verbrennungsluftverhältnisses, der hier das zu korrigierende Signal darstellt, kann dann entsprechend korrigiert werden.
Im Anwendungsfeld, nach Abschluss des Lernvorgangs, steht selbstverständlich der wahre Wert des zu korrigierenden Signals, beispielsweise das wahre Verbrennungsluftverhältnis, nicht zur Verfügung. Die Lernstruktur wird daher wie folgt eingesetzt: Anstelle des wahren Wertes gibt sie nun eine Information über den gelernten Funktionswert für den wahren Wert, beispielsweise für das wahre Verbrennungsluftverhältnis, bei Anlegen verschiedener fehlerbehafteter Mess- und Stellsignale als Schätzwert aus. Mit diesen Informationen wird dann der gemessene Wert des zu korrigierenden Signals korrigiert.
Eine Weiterbildung der Erfindung sieht vor, dass das Verfahren zum Betreiben einer
Brennkraftmaschine für eine Vielzahl von Brennkraftmaschinen einer Baureihe, einer Serie oder einer Flotte von Brennkraftmaschinen durchgeführt wird. Dabei verwirklichen sich die Vorteile des Verfahrens im statistischen Mittel über die Baureihe, Serie oder Flotte betrachtet.
Eine Weiterbildung der Erfindung sieht vor, dass Brennkraftmaschinen aus der Baureihe, Serie oder Flotte ausgesondert werden, wenn sie bei Anwendung des Verfahrens vorherbestimmten, insbesondere gesetzlichen Vorgaben nicht genügen. Beispielsweise ist es möglich, dass jede Brennkraftmaschine nach ihrer Herstellung einen Testlauf absolviert, in dem geprüft wird, ob sie vorherbestimmten Vorgaben genügt. Wird beim Betreiben der Brennkraftmaschine das hier vorgeschlagene Verfahren angewendet und zeigt sich dabei, dass die Brennkraftmaschine den Vorgaben nicht genügt, kann sie ausgesondert werden. Dabei führt die Anwendung des
Verfahren letztlich dazu, dass eine geringere Zahl von Brennkraftmaschinen aus einer Baureihe, Serie oder Flotte ausgesondert werden muss, als dies ohne Anwendung des Verfahrens der Fall wäre, beziehungsweise, dass in der Serie, Baureihe oder Flotte verwendete Sicherheitsmargen reduziert werden können, wodurch auch ein über die gesamte Baureihe, Serie oder Flotte gemittelter Kraftstoffverbrauch sinkt. Weiterhin können im Rahmen des Verfahrens durch die Baureihe, Serie oder Flotte - im Mittel betrachtet - strengere Vorgaben erfüllt werden, als wenn das Verfahren nicht angewendet wird.
Die Aufgabe wird auch gelöst, indem ein Steuergerät für eine Brennkraftmaschine geschaffen wird, welches sich dadurch auszeichnet, dass es eingerichtet ist zur Durchführung eines
Verfahrens zum Betreiben einer Brennkraftmaschine nach einer der zuvor beschriebenen Ausführungsformen. Dabei verwirklichen sich in Zusammenhang mit dem Steuergerät die Vorteile, die bereits im Zusammenhang mit dem Verfahren erläutert wurden.
Eine Weiterbildung der Erfindung sieht vor, dass das Verfahren fest in eine elektronische Struktur, insbesondere in eine Hardware-Struktur des Steuergeräts implementiert ist. Alternativ ist es möglich, dass in das Steuergerät ein Computer-Programmprodukt geladen ist, welches Anweisungen aufweist, aufgrund derer das Verfahren durchgeführt wird, wenn das Computer- Programmprodukt auf dem Steuergerät läuft. Es bedarf hierbei keiner weitergehenden Modifikation eines Steuergeräts, welches zum
Betreiben der Brennkraftmaschine ohnehin vorgesehen ist, weil dieses sowieso eingerichtet ist zur Erfassung einer Vielzahl von Signalen und/oder zum Ausgeben einer Vielzahl von Signalen, wobei im Wesentlichen der vorherbestimmte Zusammenhang, insbesondere die Lernstruktur, in das Steuergerät zur implementieren ist, um die ohnehin von dem Steuergerät erfassten oder ausgegebenen Signale in der entsprechenden Weise auswerten und korrigieren zu können.
Schließlich wird die Aufgabe auch gelöst, indem eine Brennkraftmaschine mit den Merkmalen des Anspruchs 16 geschaffen wird. Diese zeichnet sich durch ein Steuergerät nach einem der zuvor beschriebenen Ausführungsbeispiele aus. Dabei verwirklichen sich im Zusammenhang mit der Brennkraftmaschine die Vorteile, die bereits im Zusammenhang mit dem Steuergerät und dem Verfahren erläutert wurden.
Die Brennkraftmaschine ist vorzugsweise als Hubkolbenmotor ausgebildet. Bei einem
bevorzugten Ausführungsbeispiel dient die Brennkraftmaschine dem Antrieb insbesondere schwerer Land- oder Wasserfahrzeuge, beispielsweise von Minenfahrzeugen, Zügen, wobei die Brennkraftmaschine in einer Lokomotive oder einem Triebwagen eingesetzt wird, oder von Schiffen. Auch ein Einsatz der Brennkraftmaschine zum Antrieb eines der Verteidigung dienenden Fahrzeugs, beispielsweise eines Panzers, ist möglich. Ein Ausführungsbeispiel der Brennkraftmaschine wird vorzugsweise auch stationär, beispielsweise zur stationären
Energieversorgung im Notstrombetrieb, Dauerlastbetrieb oder Spitzenlastbetrieb eingesetzt, wobei die Brennkraftmaschine in diesem Fall vorzugsweise einen Generator antreibt. Auch eine stationäre Anwendung der Brennkraftmaschine zum Antrieb von Hilfsaggregaten, beispielsweise von Feuerlöschpumpen auf Bohrinseln, ist möglich. Weiterhin ist eine Anwendung der
Brennkraftmaschine im Bereich der Förderung fossiler Roh- und insbesondere Brennstoffe, beispielswiese Öl und/oder Gas, möglich. Auch eine Verwendung der Brennkraftmaschine im industriellen Bereich oder im Konstruktionsbereich, beispielsweise in einer Konstruktions- oder Baumaschine, zum Beispiel in einem Kran oder einem Bagger, ist möglich. Schließlich ist auch eine Anwendung der Brennkraftmaschine in einem Personenkraftwagen oder in einem
Nutzfahrzeug, beispielsweise einem Lastkraftwagen, möglich. Die Brennkraftmaschine ist vorzugsweise als Dieselmotor, als Benzinmotor, als Gasmotor zum Betrieb mit Erdgas, Biogas, Sondergas oder einem anderen geeigneten Gas, ausgebildet. Insbesondere wenn die
Brennkraftmaschine als Gasmotor ausgebildet ist, ist sie für den Einsatz in einem
Blockheizkraftwerk zur stationären Energieerzeugung geeignet.
Die Erfindung wird im Folgenden anhand der Zeichnung näher erläutert. Dabei zeigen:
Figur 1 eine schematische Darstellung einer ersten Ausfuhrungsform des Verfahrens zum
Betreiben einer Brennkraftmaschine;
Figur 2 eine schematische Darstellung einer Ausführungsform eines Verfahrens zum
Ermitteln einer Lemstruktur;
Figur 3 eine schematische Darstellung einer zweiten Ausführungsform des Verfahrens zum Betreiben einer Brennkraftmaschine unter Verwendung einer gemäß dem Verfahren nach Figur 2 ermittelten Lernstruktur, und
Figur 4 eine schematische Darstellung eines Ausführungsbeispiels einer
Brennkraftmaschine.
Fig. 1 zeigt eine schematische Darstellung einer ersten Ausführungsform des Verfahrens zum Betreiben einer Brennkraftmaschine 1. Die Brennkraftmaschine 1 ist hier symbolisch dargestellt, wobei zum besseren Verständnis des Verfahrens ein Steuergerät 3 als aus der
Brennkraftmaschine 1 ausgelagert dargestellt ist. Das Steuergerät 3 kann allerdings ebenso Teil der Brennkraftmaschine 1 sein.
Im Rahmen des Verfahrens wird eine Mehrzahl von Signalen der Brennkraftmaschine 1 erfasst, wobei diese Signale von wenigstens einem Sensor erzeugt und/oder an wenigstens einen Aktor gesendet werden. Es sind also von der Mehrzahl von Signalen bevorzugt Sensor- und/oder Aktorsignale umfasst, die auch als Messsignale 5 und als Stellsignale 7 bezeichnet werden. Diese Mess- und Stellsignale 5, 7 werden ausgewertet, und es wird eine spezifische Kombination von Signalwerten ermittelt, wobei ein für eine Vielzahl von Brennkraftmaschinen vorherbestimmter Zusammenhang 9 in Form eines Algorithmus vorgegeben ist, durch den die erfassten Signale ausgewertet, die spezifische Kombination der Signalwerte ermittelt, und ein Korrekturwert für wenigstens ein zu korrigierendes Signal berechnet wird. Im konkreten Fall werden hier ein erster Korrekturwert 11 für ein Messsignal 5 und ein zweiter Korrekturwert 13 für ein unkorrigiertes Stellsignal 15 ermittelt. Mit den Korrekturwerten 11, 13 wird dann ein zu korrigierendes
Messsignal 5 beziehungsweise ein zu korrigierendes Stellsignal 15 korrigiert. Das korrigierte Messsignal 5 geht in ein Motormanagement 17 ein, welches insgesamt aus den Messsignalen 5 Stellsignale, beispielsweise das unkorrigierte Stellsignal 15, für die Brennkraftmaschine 1 erzeugt. Das unkorrigierte Stellsignal 15 wird dann mit dem zweiten Korrekturwert 13 korrigiert. Ein insoweit korrigierter Satz von Stellsignalen 7 wird dann der Brennkraftmaschine 1 wieder zugeführt.
Der Zusammenhang 9 trägt den systematischen Abweichungen vom Idealverhalten der an der Brennkraftmaschine 1 verbauten Sensoren und/oder Aktoren statistisch Rechnung und berechnet die erste und zweiten Korrekturwerte 11, 13 so, dass jedenfalls im Mittel über eine Vielzahl von Brennkraftmaschinen 1 einer Flotte eine Verbesserung des Betriebsverhaltens und vorzugsweise eine Reduktion des Kraftstoffverbrauchs auftritt. Dabei wird mithilfe des Zusammenhangs 9 aufgrund von dessen statistischer Natur nicht für jede konkrete Brennkraftmaschine 1 tatsächlich eine Verbesserung des Betriebsverhaltens erreicht, dies gilt vielmehr nur im statistischen Mittel.
Bevorzugt werden im Rahmen des Verfahrens eine Vielzahl von Messsignalen 5 und
Stellsignalen 7 korrigiert, gegebenenfalls durch Kaskadierung des Verfahrens. Zur Erhöhung der Genauigkeit des Verfahrens ist auch eine rekursive Anwendung des Zusammenhangs 9 möglich, in dem die korrigierten Signalwerte dem Zusammenhang 9 erneut zugeführt und daraus wiederum neue Korrekturwerte errechnet werden. Bei dem Zusammenhang 9 kann es sich um eine analytische Funktion handeln. Besonders bevorzugt wird allerdings eine Lernstruktur, die im Rahmen eines Verfahrens zum Ermitteln der Lernstruktur eingelernt wird. Fig. 2 zeigt eine schematische Darstellung einer Ausführungsform des Verfahrens zum Ermitteln einer solchen Lernstruktur 19. Es ist möglich, dass das Verfahren durch numerische Simulation quasi auf einem virtuellen Prüfstand durchgeführt wird. Alternativ ist es möglich, dass das Verfahren auf einem tatsächlichen Prüfstand durchgeführt wird. Im Folgenden soll das
Verfahren rein beispielhaft anhand seiner Durchführung auf einem tatsächlichen Prüfstand erläutert werden, wobei die Anwendung auf einem virtuellen Prüfstand für den Fachmann offensichtlich ist. Weiterhin soll rein beispielhaft die Korrektur eines gemessenen
Verbrennungsluftverhältnisses λ als zu korrigierendes Signal erläutert werden. Selbstverständlich ist das Verfahren auf eine Vielzahl anderer zu korrigierender Mess- oder Stellsignale 5, 7 anwendbar, so dass die folgenden Erläuterungen lediglich als Darstellungen des
Funktionsprinzips anhand eines konkret herausgegriffenen Beispiels zu verstehen sind, keinesfalls jedoch als Einschränkung. Insbesondere ist es möglich, dass das Verfahren für eine Vielzahl zu korrigierender Signale und nicht - wie im Folgenden der Vereinfachung wegen dargestellt - nur für ein zu korrigierendes Signal angewendet wird.
Im Rahmen des zur Verdeutlichung hier konkret beschriebenen Ausführungsbeispiels wird die Brennkraftmaschine 1 auf einem Prüfstand unter genau kontrollierten Umgebungsbedingungen und mit hochgenauer Messsensorik sowie hochgenauer Aktorik betrieben. Dabei wird mit hoher Genauigkeit eine Vielzahl von wahren Messsignalwerten 21 ermittelt. Der Begriff„wahre Messsignalwerte" bedeutet hier, dass diese mit geringerem, insbesondere mit sehr viel geringerem Fehler ermittelt werden, als dies mittels der im Anwendungsfeld eingesetzten Sensorik der Brennkraftmaschine 1 möglich ist. Die so ermittelten Messsignalwerte 21 liegen damit sehr viel näher an einem theoretischen wahren Wert, als Messwerte einer im normalen Anwendungsfeld eingesetzten Sensorik.
In dem hier konkret beschriebenen Beispiel wird aus der Vielzahl wahrer Messsignalwerte 21 der hochgenau gemessene Wert eines Verbrennungsluftverhältnisses ausgekoppelt, der auch als λ-Wert oder im Folgenden kurz als wahrer Wert 23 bezeichnet wird. Dieser wird der
Lernstruktur 19 zugeführt. Es wird nun gezielt eine Vielzahl von spezifischen Kombinationen fehlerbehafteter Signalwerte 5, 15 erzeugt. Dabei werden fehlerhafte Messsignale 5 durch
Vertrimmen der Messwerte der hochgenauen Sensoren erzeugt, indem gezielt Abweichungen 25 zu den wahren Messsignalwerten 21 addiert werden. Daraus resultieren die fehlerbehafteten Messsignale 5, die ebenfalls der Lernstruktur 19 zugeführt werden. Das Motormanagement 17 berechnet auf der Grundlage der vertrimmten, mithin fehlerbehafteten Messsignale 5 die Stellsignale 15, die insoweit fehlerbehaftet sind, als sie nicht den Funktionsstellungen entsprechen, die letztlich durch die fehlerbehaftete Aktorik der Brennkraftmaschine tatsächlich eingestellt werden. Dies wird am Prüfstand dadurch simuliert, dass hier gezielt
Aktorabweichungen 27 zu den Stellsignalen 15 addiert werden. Diese so vertrimmten
Stellsignale 29 werden vorzugsweise einer hochgenauen Aktorik der Brennkraftmaschine 1 auf dem Prüfstand zugeführt, die dann mit den vertrimmten Stellsignalen 29 quasi systematisch fehlerbehaftet angesteuert wird. Auf diese Weise werden systematische Aktorfehler realer Aktoren, die in der Flotte von Brennkraftmaschinen tatsächlich verbaut werden, simuliert. Der Lernstruktur 19 werden wiederum die Stellsignale 15 zugeführt, die insoweit fehlerbehaftet sind, als sie nicht der tatsächlichen Ansteuerang der Brennkraftmaschine 1 entsprechen, nämlich auf dem Prüfstand aufgrund der Vertrimmung, im realen Anwendungsfeld aber aufgrund der systematischen Abweichung der konkret verbauten Aktoren. Eine Vielzahl spezifischer Kombinationen fehlerbehafteter Signalwerte wird durch
entsprechende Auswahl der Abweichungen 25, 27 ausgewählt. Die Lernstruktur lernt nun über diese Vielzahl von Kombinationen den Zusammenhang zwischen den Messsignalen 5, den Stellsignalen 15, und den wahren Werten 23, die sich bei der entsprechend fehlerbehafteten Ansteuerang der Brennkraftmaschine 1 einstellen. Dieses Lernen kann beispielsweise durch Parametrieren einer parametrierbaren mathematischen Funktion, durch Knüpfen eines neuronalen Netzwerkes oder durch bedaten eines entsprechenden Kennfelds erfolgen.
Dadurch dass der Lernstruktur 19 die fehlerbehafteten Messsignale 5 sowie die nicht der realen Ansteuerang entsprechenden Stellsignale 15 zugeführt werden, sieht die Lernstruktur 19 die Brennkraftmaschine 1 quasi durch die Brille des Motormanagements 17, da die Signale 5, 15 gerade den Signalen entsprechen, die einerseits in das Motormanagement 17 eingehen und andererseits von diesem ausgegeben werden. Auf diese Weise lernt die Lernstruktur 19 den Zusammenhang zwischen dem Steuerverhalten des Motormanagements 17 und den daraus resultierenden wahren Werten 23 der Brennkraftmaschine 1 , hier konkret des wahren Werts des Verbrennungsluftverhältnisses.
Als Signale, welche durch die Lernstruktur 19 zum Einlernen des betrachteten Zusammenhangs für das Verbrennungsluftverhältnis berücksichtigt werden, zählen vorzugsweise
Klappenpositionen, insbesondere einer Ladeluftklappe und/oder einer Abgasrückführklappe, ein Ladedruck, eine Ladelufttemperatur, das gemessene Verbrennungsluftverhältnis selbst, und die Stickoxidemissionen der Brennkraftmaschine 1. Dabei handelt es sich bei den Klappenpositionen um Stellsignale, wobei der Ladedruck, die Ladelufttemperatur, das Verbrennungsverhältnis selbst und die Stickoxidemissionen Messsignale sind.
Es ist möglich, dass die Vielzahl spezifischer Kombinationen von Abweichungen 25, 27 stochastisch vorgegeben, also zufällig ausgewählt wird. Alternativ ist es möglich, dass die Abweichungen 25, 27 nach einem bestimmten Raster vorgegeben, also systematisch ausgewählt werden.
Das Verfahren wird bevorzugt für eine Vielzahl von Betriebspunkten der Brennkraftmaschine durchgeführt, wobei die Lernstruktur 19 einen betriebspunktabhängigen Zusammenhang zwischen den Signalen 5, 15 und den wahren Werten 23 lernt. Für jeden Betriebspunkt wird dabei eine Vielzahl von Abweichungen 25, 27 vorgegeben, für welche die Lernstruktur 19 jeweils den Zusammenhang zu den dann vorliegenden wahren Werten 23 lernt.
Nach dem Einlernen der Lernstruktur 19 wird diese als Zusammenhang 9 im Rahmen des Verfahrens beispielsweise in der Ausführungsform gemäß Figur 1 verwendet. Fig. 3 zeigt einen weiteres konkretes Ausführungsbeispiel beziehungsweise eine zweite
Ausführungsform des Verfahrens zum Betreiben einer Brennkraftmaschine, wobei hier die Lernstruktur 19 als Zusammenhang 9 verwendet wird. Dabei ist hier symbolisch angedeutet, dass die wahren Messsignalwerte 21 beim konkreten Einsatz der Brennkraftmaschine 1 im Anwendungsfeld nicht durch gezielte Abweichungen 25, wohl aber durch systematische Fehler 31 der Sensoren verfälscht werden, sodass dem Motormanagement 17 fehlerbehaftete
Messsignale 5 zugeführt werden. Beispielhaft wird hier eine Unterkombination 5' von
Messsignalen nicht korrigiert, wobei ein fehlerbehafteter Wert für das
Verbrennungsluftverhältnis als zu korrigierendes Signal 33 ausgekoppelt wird. Der Lernstruktur 19 werden die fehlerbehafteten Messsignale 5, sowie die von dem
Motormanagement 17 ausgegebenen Stellsignale 15 zugeführt. Die Lernstruktur 19 berechnet hieraus einen Korrekturwert 11 für das Verbrennungsluftverhältnis, dieses wird mittels des Korrekturwerts korrigiert, und dem Motormanagement 17 wird so ein korrigierter Wert 35 zugeführt. Das Motormanagement 17 berechnet somit die Stellsignale 15 auf der Grundlage der unkorrigierten Unterkombination 5' und des korrigierten Werts 35 für das
Verbrennungsluftverhältnis. Wie bereits angedeutet, ist es selbstverständlich möglich, dass eine Mehrzahl von Mess- und/oder Stellsignalen in der hier beispielhaft beschriebenen Weise korrigiert wird. Insbesondere ist es auch möglich, dass alle Messsignale auf diese Weise korrigiert werden.
Die tatsächlichen Funktionsstellungen der Aktoren der Brennkraftmaschine 1 entsprechen wiederum nicht den von dem Motormanagement 17 ausgegeben Stellsignalen 15, da sie hier zwar nicht durch gezielt induzierte Aktorabweichung 27, wohl aber durch systematische Fehler 37 der Aktoren verfälscht werden, was hier rein schematisch angedeutet ist durch eine
Vertrimmung der Stellsignale 15 aufgrund systematischer Fehler, sodass letztlich in der
Brennkraftmaschine 1 als Ergebnis quasi vertrimmte Stellsignale 29 ankommen. Diese
Vertrimmung wird aber - wie bereits ausgeführt - hier nicht gezielt herbeigeführt, sondern vielmehr durch die systematischen Fehler der konkret verwendeten Aktoren in diesen selbst bewirkt.
Selbstverständlich ist es möglich, auf die beschriebene Weise nicht nur Messsignale 5, sondern auch - wie bereits im Zusammenhang mit Figur 1 erläutert - Stellsignale 15 zu korrigieren. Fig. 4 zeigt noch eine schematische Darstellung eines Ausführungsbeispiels einer
Brennkraftmaschine 1. Diese weist das Steuergerät 3 auf, welches eingerichtet ist zur
Ausführung eines Verfahrens nach einer der zuvor beschriebenen Ausführungsformen. An der Brennkraftmaschine 1 sind Sensoren und Aktoren angeordnet, wobei hier schematisch ein Sensor 39 und ein Aktor 41 dargestellt sind. Das Steuergerät 3 ist mit dem Sensor 39 und dem Aktor 41 wirkverbunden, wobei es die Brennkraftmaschine 1 auf der Grundlage der mittels der Sensoren 39 erfassten Signale und mittels der an die Aktoren 41 ausgegebenen Signale steuert. In das Steuergerät 3 ist dabei ein Zusammenhang 9 - wie zu Figur 1 erläutert - besonders bevorzugt eine Lernstruktur 19 - wie zu Figur 3 erläutert - implementiert. Insgesamt zeigt sich, dass durch das Verfahren zum Betreiben einer Brennkraftmaschine, insbesondere in Zusammenhang mit dem Verfahren zum Ermitteln einer Lernstruktur, durch das Steuergerät und durch die Brennkraftmaschine Auswirkungen einer Serienstreuung von Sensoren und/oder Aktoren auf eine Flotte von Brennkraftmaschinen, insbesondere auf deren Streuung, reduziert werden können, sodass sich im statistischen Mittel über die gesamte Flotte reduzierte Sicherheitsmargen bei geringerem Kraftstoffverbrauch und genauere Erfüllung gesetzlicher Vorgaben darstellen lassen.

Claims

PATENTANSPRÜCHE
1. Verfahren zum Betreiben einer Brennkraftmaschine (1), mit folgenden Schritten: - Erfassen einer Mehrzahl von Signalen (5, 7), die von wenigstens einem Sensor (39) erzeugt und/oder an wenigstens einen Aktor (41) gesendet werden;
- Auswerten der erfassten Signale (5, 7) und Ermitteln einer spezifischen Kombination der Signalwerte der Signale (5, 7);
- Ermitteln eines Korrekturwerts (11, 13) für wenigstens ein zu korrigierendes Signal (15, 33) anhand eines für eine Vielzahl von Brennkraftmaschinen vorherbestimmten
Zusammenhangs (9) zwischen der spezifischen Kombination der erfassten Signalwerte und dem zu korrigierenden Signal (33), und
Korrigieren eines Werts des zu korrigierenden Signals (15, 33) mit dem Korrekturwert (11).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als vorherbestimmter
Zusammenhang (9) eine analytische Funktion verwendet wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der vorherbestimmte Zusammenhang (9) durch eine Lernstruktur (19) dargestellt wird, welche den
Korrekturwert (11, 13) in Abhängigkeit von den erfassten Signalen (5, 7) ausgibt.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Lernstruktur (19) eingelernt wird, indem eine Vielzahl spezifischer Kombinationen von Signalwerten (5, 15) betrachtet wird, wobei jeder spezifischen Kombination ein Wert (23) für das zu korrigierende Signal (33) zugeordnet wird.
5. Verfahren nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass die Lernstruktur (19) auf einem Prüfstand und/oder durch numerische Simulation der Brennkraftmaschine (1) eingelernt wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die spezifische Kombination von Signalwerten (5, 15) einer Zusammenstellung von Sensor- und/oder Aktorfehlern entspricht.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das wenigstens eine zu korrigierende Signal (15, 33) wenigstens eines der erfassten Signale (5, 7) ist.
8. Verfahren zum Ermitteln einer Lernstruktur (19) für den Betrieb einer Brennkraftmaschine (1), insbesondere zur Anwendung als vorherbestimmter Zusammenhang (9) in einem Verfahren nach einem der Ansprüche 1 bis 7, mit folgenden Schritten:
- Auswählen einer Vielzahl spezifischer Kombinationen fehlerbehafteter Signalwerte (5, 15) von Sensoren (39) und/oder Aktoren (41) einer Brennkraftmaschine (1);
- Bestimmen eines wahren Werts (23) wenigstens eines zu korrigierenden Signals (33), für jede der spezifischen Kombinationen, und - Zuordnen der wahren Werte (23) zu den zugehörigen spezifischen Kombinationen.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass eine Vielzahl von
Betriebspunkten einer Brennkraftmaschine (1) ausgewählt wird, wobei zu jedem Betriebspunkt eine Vielzahl von spezifischen Kombinationen fehlerbehafteter Signalwerte (5, 15) ausgewählt wird.
10. Verfahren nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass die Lernstruktur (19) auf einem Prüfstand oder durch numerische Simulation eingelernt wird.
11. Verfahren nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass zur Auswahl der spezifischen Kombinationen statistische Informationen über Sensoren (39) und/oder Aktoren (41) verwendet werden.
12. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass als
vorherbestimmter Zusammenhang (9) eine Lernstruktur (19), ermittelt durch ein Verfahren nach einem der Ansprüche 8 bis 11, verwendet wird.
13. Verfahren nach einem der Ansprüche 1 bis 7 oder nach Anspruch 12, dadurch gekennzeichnet, dass das Verfahren für eine Vielzahl von Brennkraftmaschinen (1) einer Baureihe, Serie oder Flotte durchgeführt wird.
14. Verfahren nach Anspruch 13, dadurch gekennzeichnet, dass eine Brennkraftmaschine (1) aus der Baureihe, Serie oder Flotte ausgesondert wird, wenn sie bei Anwendung des Verfahrens vorherbestimmte Vorgaben nicht erfüllt.
15. Steuergerät für eine Brennkraftmaschine (1), dadurch gekennzeichnet, dass das Steuergerät (3) eingerichtet ist zur Ausführung eines Verfahrens nach einem der Ansprüche 1 bis 7 oder nach Anspruch 12.
16. Brennkraftmaschine (1), gekennzeichnet durch ein Steuergerät (3) nach Anspruch 14.
PCT/EP2015/000508 2014-03-26 2015-03-06 Verfahren zum betreiben einer brennkraftmaschine, verfahren zum ermitteln einer lernstruktur für den betrieb einer brennkraftmaschine, steuergerät für eine brennkraftmaschine und brennkraftmaschine Ceased WO2015144287A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102014205686.1A DE102014205686A1 (de) 2014-03-26 2014-03-26 Verfahren zum Betreiben einer Brennkraftmaschine, Verfahren zum Ermitteln einer Lernstruktur für den Betrieb einer Brennkraftmaschine, Steuergerät für eine Brennkraftmaschine und Brennkraftmaschine
DE102014205686.1 2014-03-26

Publications (1)

Publication Number Publication Date
WO2015144287A1 true WO2015144287A1 (de) 2015-10-01

Family

ID=52648979

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2015/000508 Ceased WO2015144287A1 (de) 2014-03-26 2015-03-06 Verfahren zum betreiben einer brennkraftmaschine, verfahren zum ermitteln einer lernstruktur für den betrieb einer brennkraftmaschine, steuergerät für eine brennkraftmaschine und brennkraftmaschine

Country Status (2)

Country Link
DE (1) DE102014205686A1 (de)
WO (1) WO2015144287A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111133184A (zh) * 2017-09-08 2020-05-08 维特思科科技有限责任公司 用于检查在运行时在内燃机的空气进气管段或者废气排放管段中的压力传感器的功能的方法以及发动机控制单元

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004055313A1 (de) * 2004-11-16 2006-05-18 Volkswagen Ag Verfahren und Vorrichtung zur Diagnose oder Verstärkungsadaption von Zylinderdrucksensoren
DE102004058621A1 (de) * 2004-12-04 2006-06-14 Audi Ag Verfahren zum Ermitteln von Größen in einem Motorsteuergerät
DE102007020960A1 (de) * 2007-05-04 2008-11-06 Robert Bosch Gmbh Verfahren zum Betrieb einer Brennkraftmaschine
US20090038589A1 (en) * 2007-08-07 2009-02-12 Dingle Philip J G Fuel injector and method for controlling fuel injectors
US20100011849A1 (en) * 2008-07-17 2010-01-21 Honda Motor Co., Ltd. Method of Determining Ambient Pressure for Fuel Injection
DE102008040633A1 (de) * 2008-07-23 2010-01-28 Robert Bosch Gmbh Verfahren zum Betreiben einer Brennkraftmaschine
DE112004002987B4 (de) * 2004-10-12 2011-06-22 Ford Otomotiv Sanayi Anonim Sirketi Verfahren und Vorrichtung zum Überwachen der Kraftstoffeinspritzung
FR2961264A1 (fr) * 2010-06-09 2011-12-16 Peugeot Citroen Automobiles Sa Procede de controle de la combustion d'un moteur thermique et procede de detection d'un dysfonctionnement dudit moteur
DE102013105355A1 (de) * 2012-05-28 2013-11-28 Denso Corporation Kraftstoffeinspritzungssteuervorrichtung, die für Mehrfacheinspritzung optimiert ist
EP2708723A1 (de) * 2011-05-13 2014-03-19 Toyota Jidosha Kabushiki Kaisha Steuerungsvorrichtung für einen verbrennungsmotor

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19927191A1 (de) * 1999-06-15 2000-12-21 Bosch Gmbh Robert Verfahren zur Korrektur eines Winkelfehlers eines Absolutwinkelgebers
DE10146317A1 (de) * 2001-09-20 2003-04-10 Bosch Gmbh Robert Verfahren und Vorrichtung zur Steuerung einer Brennkraftmaschine
DE102008054933A1 (de) * 2008-12-18 2010-07-01 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen einer Abweichungsinformation für eine gemessene oder modellierte Größe eines Luftsystems eines Verbrennungsmotors
DE102012208456A1 (de) * 2012-05-21 2013-11-21 Robert Bosch Gmbh Verfahren zur Korrektur eines Mengenersatzsignals

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112004002987B4 (de) * 2004-10-12 2011-06-22 Ford Otomotiv Sanayi Anonim Sirketi Verfahren und Vorrichtung zum Überwachen der Kraftstoffeinspritzung
DE102004055313A1 (de) * 2004-11-16 2006-05-18 Volkswagen Ag Verfahren und Vorrichtung zur Diagnose oder Verstärkungsadaption von Zylinderdrucksensoren
DE102004058621A1 (de) * 2004-12-04 2006-06-14 Audi Ag Verfahren zum Ermitteln von Größen in einem Motorsteuergerät
DE102007020960A1 (de) * 2007-05-04 2008-11-06 Robert Bosch Gmbh Verfahren zum Betrieb einer Brennkraftmaschine
US20090038589A1 (en) * 2007-08-07 2009-02-12 Dingle Philip J G Fuel injector and method for controlling fuel injectors
US20100011849A1 (en) * 2008-07-17 2010-01-21 Honda Motor Co., Ltd. Method of Determining Ambient Pressure for Fuel Injection
DE102008040633A1 (de) * 2008-07-23 2010-01-28 Robert Bosch Gmbh Verfahren zum Betreiben einer Brennkraftmaschine
FR2961264A1 (fr) * 2010-06-09 2011-12-16 Peugeot Citroen Automobiles Sa Procede de controle de la combustion d'un moteur thermique et procede de detection d'un dysfonctionnement dudit moteur
EP2708723A1 (de) * 2011-05-13 2014-03-19 Toyota Jidosha Kabushiki Kaisha Steuerungsvorrichtung für einen verbrennungsmotor
DE102013105355A1 (de) * 2012-05-28 2013-11-28 Denso Corporation Kraftstoffeinspritzungssteuervorrichtung, die für Mehrfacheinspritzung optimiert ist

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111133184A (zh) * 2017-09-08 2020-05-08 维特思科科技有限责任公司 用于检查在运行时在内燃机的空气进气管段或者废气排放管段中的压力传感器的功能的方法以及发动机控制单元
US11293368B2 (en) 2017-09-08 2022-04-05 Vitesco Technologies GmbH Method for checking the function of a pressure sensor in the air intake tract or exhaust gas outlet tract of an internal combustion engine in operation and engine control unit
CN111133184B (zh) * 2017-09-08 2022-08-30 维特思科科技有限责任公司 检查内燃机进气或排放管段中压力传感器功能的方法以及发动机控制单元

Also Published As

Publication number Publication date
DE102014205686A1 (de) 2015-10-01

Similar Documents

Publication Publication Date Title
EP1552128B1 (de) Verfahren, steuerungsger t und computer-programm zur detektion fehlerhafter drucksensoren bei einer brennkraftmaschine
AT510912A2 (de) Verfahren zur Emissionsoptimierung von Verbrennungskraftmaschinen
WO2019153026A1 (de) Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist
DE102011081346A1 (de) Verfahren zum Erstellen einer Funktion für ein Steuergerät
DE102005019017B4 (de) Verfahren und Vorrichtung zur Fehlerdiagnose für Verbrennungsmotoren
EP3268713A1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
WO2017081215A1 (de) System und verfahren zur kalibrierung einer fahrzeugkomponente
WO2018177526A1 (de) Robustheitsanalyse bei fahrzeugen
DE102008016801A1 (de) Onboard-Fehlerdiagnoseverfahren für Fahrzeuge
DE102009018785A1 (de) Verfahren und Vorrichtungen für eine virtuelle Testzelle
WO2015144287A1 (de) Verfahren zum betreiben einer brennkraftmaschine, verfahren zum ermitteln einer lernstruktur für den betrieb einer brennkraftmaschine, steuergerät für eine brennkraftmaschine und brennkraftmaschine
DE102021212524A1 (de) Verfahren zum Betreiben eines Sensors
DE102018115208A1 (de) System und Verfahren zur Bewertung des Fahrzeugkraftstoffeinspritzsystems
WO2006056355A2 (de) Diagnose- und servicesystem für ein kraftfahrzeug
DE102017110795A1 (de) Verfahren zur verbesserten Kalibrierung der Steuerung einer Brennkraftmaschine
DE102011000958A1 (de) Verfahren und System zum Testen von Software und/oder Hardware eines oder mehrerer in ein Kraftfahrzeug zu integrierender Bauteile
DE102017111455A1 (de) Verfahren zur Prüfung einer durch ein Steuergerät gesteuerten Maschine
DE102016222640A1 (de) Überwachungssystem, Verfahren, insbesondere zur Detektion von Fertigungsfehlern, sowie Verwendung eines Überwachungssystems
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
DE102015118008B4 (de) Verfahren zur Analyse und Bewertung von Messwerten eines Prüfsystems
DE102022203832A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines Rekonstruktionsmodells für Signalzeitreihen
DE102022002242A1 (de) Virtueller Sensor und Verfahren zum Betrieb eines virtuellen Sensors
DE102006045785A1 (de) Verfahren zur Selbstdiagnose von Versuchsanordnungen sowie Versuchsanordnung, insbesondere Prüfstand
DE102010031323A1 (de) Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells

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: 15709094

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 15709094

Country of ref document: EP

Kind code of ref document: A1