DE19741973C1 - Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen - Google Patents

Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen

Info

Publication number
DE19741973C1
DE19741973C1 DE19741973A DE19741973A DE19741973C1 DE 19741973 C1 DE19741973 C1 DE 19741973C1 DE 19741973 A DE19741973 A DE 19741973A DE 19741973 A DE19741973 A DE 19741973A DE 19741973 C1 DE19741973 C1 DE 19741973C1
Authority
DE
Germany
Prior art keywords
input data
soot concentration
neural network
soot
characterizing
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.)
Expired - Fee Related
Application number
DE19741973A
Other languages
English (en)
Inventor
Thomas Baier
Michael Dipl Ing Bargende
Juergen Dipl Ing Koehler
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.)
Daimler AG
Original Assignee
DaimlerChrysler AG
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 DaimlerChrysler AG filed Critical DaimlerChrysler AG
Priority to DE19741973A priority Critical patent/DE19741973C1/de
Application granted granted Critical
Publication of DE19741973C1 publication Critical patent/DE19741973C1/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01NGAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00Electrical control of exhaust gas treating apparatus
    • F01N9/005Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01NGAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00Electrical control of exhaust gas treating apparatus
    • F01N9/002Electrical control of exhaust gas treating apparatus of filter regeneration, e.g. detection of clogging
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D35/00Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/023Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D41/00Electrical control of supply of combustible mixture or its constituents
    • F02D41/02Circuit arrangements for generating control signals
    • F02D41/14Introducing closed-loop corrections
    • F02D41/1438Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
    • F02D41/1444Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
    • F02D41/1466Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content
    • F02D41/1467Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content with determination means using an estimation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/04Testing internal-combustion engines
    • G01M15/10Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G01M15/102Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
    • G01M15/106Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases using pressure sensors
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D41/00Electrical control of supply of combustible mixture or its constituents
    • F02D41/02Circuit arrangements for generating control signals
    • F02D41/14Introducing closed-loop corrections
    • F02D41/1401Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D2200/00Input parameters for engine control
    • F02D2200/02Input parameters for engine control the parameters being related to the engine
    • F02D2200/025Engine noise, e.g. determined by using an acoustic sensor
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D35/00Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/023Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
    • F02D35/024Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure using an estimation
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02DCONTROLLING COMBUSTION ENGINES
    • F02D41/00Electrical control of supply of combustible mixture or its constituents
    • F02D41/02Circuit arrangements for generating control signals
    • F02D41/14Introducing closed-loop corrections
    • F02D41/1401Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405Neural network control
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen.
Es sind verschiedene Verfahrensweisen bekannt, die Rußkonzentration rechnerisch durch eine Modellbildung des Verbrennungsvorganges und der Strömungsvorgänge zu bestimmen. Dabei wird der Verbrennungsvorgang thermodynamisch analysiert. Unter Berücksichtigung der Strömungsverhältnisse wird aus diesem Modell die Rußkonzentration rechnerisch ermittelt.
Weiterhin sind verschiedene Verfahren bekannt, bei denen beispielsweise eine Messung der Rußkonzentration bei einem Verbrennungsvorgang erfolgt. Eine solche Messung ist insbesondere für die Bestimmung der Rußkonzentration einer Brennkraftmaschine vergleichsweise aufwendig infolge der sich in vergleichsweise kurzer zeitlicher Folge wiederholenden Zündvorgänge.
Aus der DE 38 39 348 A1 ist ein Verfahren bekannt, bei dem die Rußkonzentration im Abgas von Brennkraftmaschinen bestimmt wird anhand der Absorption eines durch den Abgasstrom gesendeten Lichtstrahles.
Aus der EP 0 724 073 A2 ist ein Verfahren bekannt, bei dem der Luft-Treibstoff- Gemischverhältniswert einer Brennkraftmaschine abgeleitet werden soll. Dies erfolgt unter Verwendung eines neuronalen Netzwerkes, bei dem zunächst ein Training des neuronalen Netzwerkes unter Verwendung von charakterisierenden Eingangsdaten erfolgt. Anschließend wird der Luft-Treibstoff-Gemischverhältniswert aus ermittelten Eingangsdaten unter Verwendung des trainierten neuronalen Netzwerkes abgeleitet.
Aus der US-PS 5,093,792 ist es bekannt, eine Klopfneigung oder Fehlzündungen einer Brennkraftmaschine unter Verwendung eines neuronalen Netzwerkes zu erkennen. Das neuronale Netz wird trainiert unter Verwendung von Eingangsdaten, die den Zylinderdruck und den Drehwinkel der Kurbelwelle darstellen. Anschließend können Klopfneigung bzw. Fehlzündungen erkannt werden, indem dem trainierten neuronalen Netz gemessene Eingangsdaten zugeführt werden.
Demgegenüber ist es die Aufgabe der Erfindung, ein Verfahren für eine einfach zu realisierende Erfassung der Rußkonzentration vorzuschlagen. Dieses Verfahren soll zudem möglichst flexibel verschiedenen Betriebsbedingungen gerecht werden.
Diese Aufgabe wird erfindungsgemäß mit einem Verfahren nach Anspruch 1 gelöst, wonach die Rußkonzentration der Brennkraftmaschine abgeleitet wird unter Verwendung eines neuronalen Netzwerkes, wobei das neuronale Netzwerk trainiert wird unter Verwendung von die Rußkonzentration charakterisierenden Eingangsdaten mit zugehörigen Signalen, die die Rußkonzentration repräsentieren, wobei anschließend die Rußkonzentration aus ermittelten Eingangsdaten unter Verwendung des trainierten neuronalen Netzes abgeleitet wird.
Für die Generierung der Trainingsdaten kann die Rußkonzentration beispielsweise nach dem Bosch-Verfahren gemessen werden. Bei diesem Meßverfahren wird ein gemittelter Wert über die Meßzeit generiert. Es ist also möglich, pro Arbeitsspiel einen gemittelten Wert der Rußkonzentration zu ermitteln. Vorteilhaft wird dadurch die Datenmenge begrenzt, was den Verarbeitungsaufwand beim Training des neuronalen Netzes in Grenzen hält.
Bei dem Bosch-Verfahren erfolgt die Messung der Rußkonzentration beispielsweise mit einem AVL-Spot-Smokemeter. Dabei wird die Belegung eines Papierfilters erfaßt durch eine optische Auswertung.
Die zugehörigen Signale, die die Rußkonzentration repräsentieren, können beispielsweise gemessen werden oder aufgrund anderer gemessener Größen - beispielsweise durch eine Modellrechnung oder wiederum durch Verwendung anderer neuronaler Netze - ermittelt worden sein.
Die Verwendung des neuronalen Netzes hat den Vorteil, daß es nicht notwendig ist, vergleichsweise komplizierte Modelle mit Zusammenhängen zwischen dem Verbrennungsvorgang und Strömungsvorgängen detailliert aufzustellen, um für jeden Fall, in dem die Rußkonzentration ermittelt werden soll, anhand dieser Modelle eine Berechnung durchführen zu können. Es genügt vielmehr, geeignete Größen als Eingangsdaten des neuronalen Netzes zu finden, wobei zwischen diesen Größen und der Rußkonzentration ein injektiver Zusammenhang bestehen muß. Das neuronale Netz ist dann in der Lage, aus den vorgegebenen Eingangsdaten und zugehörigen gemessenen Ausgangsdaten sich so zu generieren, daß dadurch anhand vorgegebener Eingangsdaten die zugehörigen Ausgangsdaten durch das neuronale Netz ermittelt werden können. Ein weiterer erheblicher Vorteil eines neuronalen Netzes besteht darin, daß es gegenüber verrauschten Eingangssignalen ein stabiles Verhalten aufzeigt. Dadurch bestehen nur vergleichsweise geringe Anforderungen an die Meßwertaufnehmer, so daß hier Kosten und Aufwand gerade bei den aufgrund von Umwelteinflüssen bedingten schwierigen Meßbedingungen am Motor in Grenzen gehalten werden können. Bei der Verwendung des neuronalen Netzes spielt es auch keine Rolle, ob die Beziehung zwischen den Eingangsdaten und der Ausgangsgröße linear ist oder nichtlinear.
Bei dem Verfahren nach Anspruch 2 gehören zu den die Rußkonzentration charakterisierenden Eingangsdaten den Zylinderdruck charakterisierende Größen.
Diese Größen können beispielsweise aus dem Maximalwert des Zylinderdruckes, dem Integral des Zylinderdruckes über einen bestimmten Kurbelwinkel, dem mittleren indizierten Brennraumdruck, dem maximalen Druckanstieg bezogen auf den Kurbelwinkel oder ähnlichem bestehen. Die Auswahl eine dieser oder einer ähnlichen Größe hat den Vorteil, daß pro Arbeitsspiel nur ein Wert zu verarbeiten ist, was den Verarbeitungsaufwand sowohl in der Lernphase des neuronalen Netzes als auch bei der nachfolgenden Verwendung des neuronalen Netzes zur Bestimmung der Rußkonzentration erheblich vereinfacht.
Es ist jedoch auch entsprechend der Ausgestaltung des Verfahrens nach Anspruch 3 möglich, daß zu den die Rußkonzentration charakterisierenden Eingangsdaten der zeitliche Verlauf des Zylinderdruckes gehört.
Bei Verwendung dieser Eingangsdaten steigt der Verarbeitungsaufwand zwar an, es ergeben sich aber Vorteile hinsichtlich der Genauigkeit, weil mit der Verarbeitung des zeitlichen Verlaufes des Zylinderdruckes beispielsweise auch Einflüsse der Voreinspritzung auf die Rußkonzentration erfaßt werden können. Neben diesen Einflüssen der Voreinspritzung können auch andere Einflüsse berücksichtigt werden.
Bei der Ausgestaltung des Verfahrens nach Anspruch 4 wird das Signal des Zylinderdruckes gefiltert.
Neuronale Netze zeigen zwar eine Stabilität gegenüber verrauschten Signalen, es hat sich aber bezüglich des Zylinderdruckes gezeigt, daß es sich bei dem Rauschen des Signales nicht um weißes Rauschen handelt sondern um Einflüsse von Störfaktoren mit einem charakteristischen Frequenzspektrum. Entsprechend hat sich eine Tiefpaßfilterung als zweckmäßig erwiesen, wobei als Eckfrequenz beispielsweise eine Frequenz von 5 kHz in Frage kommt.
Der Zylinderdruck kann beispielsweise gemessen werden oder ebenfalls mittels eines neuronalen Netzes aus anderen Größen ermittelt werden, wie dies beispielsweise in der nicht vorveröffentlichten Anmeldung der Anmelderin beschrieben worden ist, die als nationale Patentanmeldung beim Deutschen Patentamt unter dem Aktenzeichen P 197 41 884.8 vorliegt. Wenn der Zylinderdruck nicht direkt als Zwischengröße benötigt wird, wäre es bespielsweise auch denkbar, die neuronalen Netze "zusammenzufassen". Anstatt des "Umweges", zunächst mittels eines neuronalen Netzwerkes aus Körperschallsignalen der Brennkraftmaschine den Zylinderdruck zu ermitteln und im weiteren wiederum mittels eines neuronalen Netzes aus dem Zylinderdruck die Rußkonzentration zu ermitteln, könnte also ein neuronales Netz verwendet werden, bei dem die Eingangsdaten, die die Rußkonzentration charaktierisieren, der Körperschall des Verbrennungsmotors wäre.
Bei der Ausgestaltung der Verfahrens nach Anspruch 5 gehören zu den die Rußkonzentration charakterisierenden Eingangsdaten Brennverlauf, Temperaturverlauf und/oder Summenbrennverlauf.
Es hat sich gezeigt, daß auch diese Eingangsdaten charakteristisch eine Aussage über die Rußkonzentration ermöglichen.
Bei der Ausgestaltung des Verfahrens nach Anspruch 6 werden Brennverlauf, Temperaturverlauf und/oder Summenbrennverlauf durch eine Brennverlaufsrechnung ermittelt.
Diese Brennverlaufsrechnung stellt eine einfache Methode dar, die relevanten Größen zu bestimmen. Bei der Brennverlaufsrechnung wird der zeitliche Verlauf der Umsetzung von chemisch gebundener Kraftstoffenergie in Wärmeenergie aus dem bekannten Brennraumdruckverlauf in einer Brennkraftmaschine berechnet. Die Berechnung erfolgt unter Anwendung des ersten Hauptsatzes der Thermodynamik und der thermischen Zustandsgleichungen.
Bei der Ausgestaltung des Verfahrens nach Anspruch 7 gehören zu den die Rußkonzentration charakterisierenden Eingangsdaten wenigstens eine der folgenden Größen: Geometrie des Kolbens, Geometrie der Brennkammer, Einspritzdruck, Einspritzdüsengeometrie, Position des Kolbens während der Einspritzung, Massenmitteltemperatur, Drehzahl, Last, Kraftstoff-Luftverhältnis (λ), Restgas, Brennbeginn.
Diese Größen eignen sich insbesondere in Verbindung mit einer der vorgenannten Größen als Eingangsdaten, weil sich durch deren zusätzliche Verwendung die Genauigkeit im Sinne einer Eindeutigkeit zwischen den Eingangsdaten und der Rußkonzentration als Ausgangsgröße verbessern läßt.
Es hat sich gezeigt, daß sinnvolle Ergebnisse auch bereits dann ermittelt werden können, wenn nur ein Teil der genannten Größen als Eingangsdaten verwendet wird. Die Ergebnisse werden aber verbessert, wenn das Netz über mehr Informationen verfügt.
Bei dem Verfahren nach Anspruch 8 wird anhand des trainierten Netzes aus den angeführten Größen eine Auswahl getroffen, anhand der sich eine geeignete Zuordnung der Rußkonzentration zu den Eingangsdaten ergibt.
Dadurch können im konkreten Einzelfall zu einem bestimmten Typ einer Brennkraftmaschine die sinnvollen Eingangsdaten durch das neuronale Netz selbst ausgewählt werden. Zunächst wird das neuronale Netz mit einem Satz von Eingangsdaten trainiert, in dem einige Informationen im Hinblick auf die Bestimmung der Ausgangsgröße überflüssig sind. Nachdem das Training des Netzes abgeschlossen ist, kann das neuronale Netz wiederum diese Eingangsdaten erkennen, die in diesem Sinne überflüssig sind. Dadurch kann also für die zukünftige Verwendung des neuronalen Netzes die Zahl der Eingangsdaten reduziert werden. Außerdem können aus der Reduzierung der Eingangsdaten durch das neuronale Netz wiederum Kenntnisse über die Rußentstehung gewonnen werden.
Bei dem Verfahren nach Anspruch 9 werden als Eingangsdaten des neuronalen Netzes eine oder mehrere Hauptkomponenten der entsprechenden Eingangsdaten verwendet.
Dadurch wird vorteilhaft die Menge der zu verarbeitenden Daten verringert.
Ein Ausführungsbeispiel der Erfindung ist in der Zeichnung näher dargestellt. Es zeigt dabei im einzelnen:
Fig. 1: eine Darstellung einer Vorgehensweise zum Verarbeiten von Lerndaten durch das neuronale Netz,
Fig. 2: eine Übersicht über die Wirkungszusammenhänge in der Lern-, Test- und Recallphase,
Fig. 3: eine ergänzende Übersicht über die Wirkungszusammenhänge in der Lern- und Testphase,
Fig. 4: eine weitere Übersicht über die Wirkungszusammenhänge in der Lern-, Test- und Recallphase anhand eines bevorzugten Ausführungsbeispieles und
Fig. 5: eine Übersichtsdarstellung zur Komprimierung der Eingangsdaten durch die Hauptkomponentenanalyse.
Fig. 1 zeigt die Darstellung eines Blockschaltbildes, in dem das neuronale Netz zuerst in einem Schritt 101 mit Trainingsdaten trainiert wird.
In dem Schritt 102 wird eine Überprüfung mit Daten vorgenommen, um die Fehlergrenze des neuronalen Netzes zu überprüfen. Dieses Testen des Netzes wird vorzugsweise mit unbekannten Daten durchgeführt. Dadurch kann vorteilhaft festgestellt werden, ob die Fehlergrenze erreicht ist. Der Fehler kann beispielsweise so definiert werden, daß die gemessene Ausgangsgröße mit der aufgrund des neuronalen Netzes verglichen wird, indem die Differenz dieser beiden Werte gebildet wird. Es kann beispielsweise eine Bewertung des Fehlers anhand der Summe der Fehlerquadrate vorgenommen werden.
Die Zusammenhänge sind nochmals durch die Fig. 3 näher dargestellt. In dem Block 301 erfolgt das Lernen anhand der Lerndaten, die entsprechend dem Block 302 zugeführt werden. Entsprechend den durch die Pfeile 303 und 304 dargestellten Zusammenhängen erfolgt entsprechend dem Block 305 ein Testen. Dazu werden entsprechend dem Block 306 Testdaten zugeführt. Aufgrund der Testergebnisse kann ggf ein erneutes Lernen erfolgen. Es ist jedoch auch denkbar, entsprechend der Darstellung durch den Pfeil 307 in dem Block 308 die Netztopologie zu ändern, um die Ergebnisse zu verbessern. Entsprechend muß dann mit dem Lernen in dem Block 301 entsprechend dem Pfeil 309 erneut von vorn begonnen werden. Wenn bei dem Testen in dem Block 305 festgestellt wurde, daß der Fehler hinreichend klein ist, erfolgt entsprechend dem Pfeil 310 ein Übergang zu dem Block 311, in dem die Lern- und Testphase abgebrochen wird.
Um den Aufwand für die Messung der Trainings- und Testdaten in Grenzen zu halten, ist es möglich, mehrere Sätze von Daten zusammenzustellen. Diese Datensätze können mit statistischen Methoden aufgeteilt werden in Trainingsdaten und Testdaten. Indem diese Aufteilung mehrmals durchgeführt wird, werden also verschiedene Kombinationen von Trainingsdaten und Testdaten verwendet. Insgesamt kann der Fehler so minimiert werden. Beispielsweise können bei etwa 100 Mustern 10 dieser Muster statistisch als Testmuster ausgewählt werden. Wenn dieser Vorgang etwa fünf Mal wiederholt wird, zeigt sich, daß bei einer Mittelung der gewonnenen Ergebnisse der Fehler in vertretbaren Grenzen gehalten werden kann.
Für die Erfassung der Trainingsdaten hat es sich als zweckmäßig erwiesen, während des Arbeitstaktes bei verschiedenen Lastbedingungen und unterschiedlichen Zündzeitpunkten, d. h. Einspritzzeitpunkten, die relevanten Ausgangsgrößen zu ermitteln.
In dem Schritt 103 wird das neuronale Netz verwendet, um aus aktuell gemessenen Eingangsdaten die Ausgangsgrößen abzuleiten.
Fig. 2 zeigt ein Blockschaltbild, in dem die Wirkungszusammenhänge zwischen den Eingangsdaten und den Ausgangsgrößen und dem neuronalen Netz nochmals veranschaulicht sind.
Block 201 charakterisiert die Eingangsdaten, die einem neuronalen Netz 202 zugeführt werden. Von diesem neuronalen Netz werden Ausgangsgrößen 203 generiert. In einer Lernphase des neuronalen Netzes wird - entsprechend der Darstellung durch den Block 204 - das neuronale Netz 202 trainiert. Nachdem dieses Netz trainiert ist, kann - entsprechend der Darstellung durch den Block 205 - eine Auswahl der Eingangsdaten erfolgen. Es können beispielsweise solche Größen eliminiert werden, die mit anderen Größen in Bezug auf die Ausgangsgröße korrelieren.
Anhand von Fig. 2 soll schematisch die Vorgehensweise zur Bestimmung der Rußkonzentration mittels neuronalen Netzen erläutert werden. Zunächst steht kein physikalisches Modell zur Verfügung. Es sind jedoch Datensätze vorhanden, in denen wichtige Informationen über die Zusammenhänge zwischen den Eingangsdaten 201 und gemessenen Werten der Ausgangsgröße 203 (Rußkonzentration) impliziert sind. Diese Datensätze stammen beispielsweise aus Messungen an der Brennkraftmaschine oder auch aus Brennverlaufsrechnungen. Die Eingabedaten 201 bestehen aus verschiedenen zeitlichen Verläufen wie beispielsweise dem Brennraumdruck, der Massenmitteltemperatur, dem Brennverlauf sowie Einzelinformationen wir der Drehzahl und der Last oder auch dem Kraftstoff-Luftgemisch λ. Die Ausgangsgröße 203 ist die Rußkonzentration. Als erster Schritt erfolgt die Generierung eines neuronalen Netzes und die zufällige Initialisierung der Netzparameter. Dies ist durch die Blöcke 204 und 202 dargestellt. Die Initialkonfiguration (Anzahl Neuronen, Schichten) ist in geeigneter Weise vorzugeben. Danach erfolgt das Netztraining. Die Eingangsdaten 201 sollten dazu schon in geeigneter Weise vorverarbeitet sein (Skalierung, günstiger Wertebereich, d. h. zwischen 0 und 1 mit einem entsprechenden Abstand zu den Rändern). Der angeandte Lernalgorithmus steuert dann den Übergang vom zufälligen, "unwissenden" Anfangszustand zur trainierten, korrekt abbildenden Endkonfiguration. Das in den Trainingsdaten implizierte Wissen wird beim Lernen in das Netz übernommen und in den Gewichten gespeichert.
Für das Training werden vorteilhaft mehrere verschiedene Eingangsdaten bzw. Verläufe von Eingangsdaten verwendet. Dies ist nötig, da der geeignete Satz von Eingangsdaten mangels Kenntnis der genauen physikalischen Zusammenhänge zunächst noch nicht exakt definierbar ist. Aufgrund von Korrelationen zwischen verschiedenen Eingangsdaten werden dadurch anfangs unnötig viele Informationen angelegt, was zu einer großen Eingangsschicht führt. Nach dem Netztraining steht nun ein neuronales Modell zur Abbildung der gewählten Eingangsinformationen auf die Rußkonzentration zur Verfügung. Das darin enthaltene, implizierte Wissen über die Zusammenhänge zwischen den Eingangsdaten und dem Netzausgang, d. h. der Ausgangsgröße, läßt sich dann mit geeigneten Methoden extrahieren. Dieses neu gewonnene Wissen kann daraufhin benutzt werden, um die relevanten Merkmale der Eingangsdaten zu identifizieren und ihre Signifikanz abzuschätzen. Dies ist in dem Block 205 dargestellt. Anschließend wird ein neuronales Netz mit dem gefundenen, geeigneten Eingangsdatensatz trainiert. Danach kann die Anwendung (Recallphase) des gewonnenen neuronalen Modells und die sehr schnelle Berechnung der Rußkonzentration erfolgen.
Für das Training neuronaler Netze ist eine möglichst geringe Dimension der Eingangsdaten vorteilhaft. Dadurch entstehen Netze mit wenigen Eingangsneuronen und Freiheitsgraden (Anzahl einzustellender Gewichte). Falls die Eingangsdatendimension bezüglich der verfügbaren Trainingsdaten zu hoch ist, besteht die Gefahr, daß der Datenraum nicht mehr genügend abgedeckt werden kann und das trainierte Netz zwischen den Stützstellen überwiegend extrapoliert werden muß (anstatt Interpolation bei angemessener Datenverteilung). Die Anzahl der benötigten Trainingsdaten steigt dabei exponentiell mit der Dimension der Eingangsdaten an. Die Vorteile von kleinen Netzen mit wenigen Eingangsneuronen sind die bessere Generalisierungsleistung bei ungelernten Testdaten durch weniger Freiheitsgrade. Weiterhin erlauben kleinere Netze eventuell die Extraktion von einfachen Regeln durch die Analyse der Gewichte. Das Netz ist schneller trainierbar. Der Netzausgang ist in der Recallphase schneller berechenbar, was besonders im Hinblick auf die Echtzeitfähigkeit vorteilhaft ist. Außerdem ergibt sich eine einfachere und kostengünstigere Hardwarerealisierung. Im optimalen Fall sollten dem Netz allerdings keine für die Funktionsapproximation relevanten Merkmale vorenthalten werden. Im Rahmen der Merkmalsextraktion erfolgt nun die Bereitstellung der relevanten Informationen in günstiger Form für das nachfolgende Netz. Dies betrifft die komprimierte Darstellung sowie geeignete Wertebereiche. Das Anlegen der kompletten zeitlichen Verläufe beispielsweise des Brennraumdruckes aller Zylinder an ein Netz erzwingt bei einer Vier-Zylinder- Brennkraftmaschine zunächst 804 Eingangsneuronen bei 201 Brennraumdruckwerten pro Zylinder. Die Dimension der Eingangsdaten ist für die 120 vorliegenden Stützstellen deutlich zu groß (804 Dimensionen, Eingänge). Deshalb erweist sich eine Dimensionsreduzierung als vorteilhaft. Eine optimale Dimensionsreduzierung beinhaltet eine maximale Komprimierung der Daten bei minimalem Informationsverlust. Beispielsweise kann eine Mittelung der Verläufe über die Zylinder erfolgen. Dies erscheint insofern sinnvoll als keine übermäßigen Unterschiede zwischen den verschiedenen Zylindern vorherrschen und sich die gemessene Rußkonzentration aus der Summe der Beiträge aller Zylinder ergibt. Ein Nachteil ist der eventuelle Verlust an Verbrennungsinformationen durch die Aufhebung gewisser zylinderspezifischer Effekte durch die Mittelung.
Um den erhaltenen 201-dimensionalen Datenraum weiter zu reduzieren, fand eine Korrelationsuntersuchung (Autokorrelation) innerhalb der Verläufe statt. Dabei wurden die 120 Druckwerte an je zwei verschiedenen Grad Kurbelwinkeln miteinander korreliert (z. B. die Druckwerte bei 5° Kurbelwinkel mit Druckwerten bei 20° Kurbelwinkel). Der berechnete mittlere Korrelationskoeffizient (über den Kurbelwinkelbereich) beträgt dabei 0,96. Diese hohe Korrelation signalisiert eine große Redundanz der Information und die Möglichkeit zur weiteren Dimensionsreduzierung.
Im Ergebnis ergibt sich ein bis auf den Bereich des Brennbeginnes ähnlicher Kurvenverlauf mit hohen Korrelationskoeffizienten (0,96) bei Brennraumdruck und geringeren Korrelationskoeffizienten bei allen darauf berechneten Verläufen. Bei diesen Korrelationen bietet sich die Hauptkomponentenanalyse zur Dimensionsreduzierung an (Principal Component Analysis, PCA). Die PCA versucht, die Richtungen zu finden, in denen die Eingabedaten am stärksten variieren und die orthogonal zueinander stehen. Geometrisch bedeutet dies, wie in Fig. 5 für einen einfachen zweidimensionalen Fall exemplarisch dargestellt, die Drehung des ursprünglichen Koordinatensystems (x1, x2) in Richtung der Hauptachsen (a1, a2). Die Achse a1 zeigt nun in die Richtung der ersten Hauptkomponente mit der größten Varianz der Daten und beinhaltet den größten Informationgehalt. Die Dimensionsreduktion kann nun bei hochdimensionalen Datenräumen durch die ausschließliche Verwendung der ersten Hauptkomponente mit den größten Anteilen der Gesamtvarianz erfolgen. Die verbleibenden Hauptkomponenten werden als Rauschen aufgefaßt und ignoriert. Mathematisch formuliert besteht das Ziel der PCA darin, die wichtigsten Eigenvektoren der Kovarianzmatrix aller Eingabevektoren, in denen die Redundanz zum Ausdruck kommt, zu finden. Die N Hauptkomponenten H (N * P - Matrix) entstehen dann durch die Transformation der Daten (M * P - Matrix) in das von den Eigenvektoren E (N * M - Matrix) aufgespannte, neue Koordinatensystem:
H = E * D,
wobei P die Anzahl der Daten, M deren Dimensionalität und N die Dimensionalität im neuen Datenraum bedeuten. Dimensionsreduzierung erfolgt bei N < M unter Verwendung der N Hauptkomponenten mit größter Varianz. Die PCA ergibt bei stark korrelierten Eingangsdaten eine große Dimensionsreduzierung. Die extrahierten Hauptkomponenten sind untereinander nicht korreliert und unabhängig. Zu jeder Hauptkomponente kann der Anteil der Gesamtvarianz angegeben werden, der durch die Hauptkomponente erklärt wird.
Die Anwendung der PCA beim Brennraumdruck zeigt, daß die ersten 10 Hauptkomponenten des Druckverlaufes über 99% der Gesamtvarianz abdecken. Bei diesen Werten erweist sich der Informationverlust bei der Beschreibung der Verläufe durch nur 10 Hauptkomponenten gering.
Es hat sich als vorteilhaft erwiesen, ein neuronales Netz vom feedforward-Typ zu verwenden. Bei diesem Netztyp wird der Aufwand der Verarbeitung der Daten in Grenzen gehalten, wobei dennoch eine gute Genauigkeit der Ausgangsergebnisse erreichbar ist.
Für das Training des neuronalen Netzes hat sich ein überwachtes Lernverfahren als zweckmäßig erwiesen, weil durch dieses überwachte Lernen der Fehler mit vertretbarem Verarbeitungsaufwand minimiert werden kann. Für die Bewertung der Fehler eignet sich beispielsweise ein Gradienten-Verfahren mit einem Momentum-Term oder die Levenberg- Marquardt-Optimierung.
Es hat sich als zweckmäßig erwiesen, ein Feedforward-Netz zu verwenden. In der Lernphase wurde sowohl mit der Levenberg-Marquardt-Optimierung als auch mit dem Lernen mit Momentum und adaptiver Lernregel gearbeitet. Beim Lernen mit Momentum waren mehr Lernzyklen notwendig, um eine bestimmte Fehlergrenze zu unterschreiten. Das gefundene Minimum war oftmals nicht so gut wie das, das mit der Levenberg-Marquardt-Optimierung ermittelt wurde. Ein Teil des Zeitgewinns der Levenberg-Marquardt-Optimierung geht allerdings wieder verloren, weil pro Lernzyklus mehr Rechenzeit benötigt wird. Der Hauptnachteil der Levenberg-Marquardt-Optimierung besteht in dem erheblichen Speicherbedarf aufgrund der zunehmenden Zahl der zu speichernden Matrix-Elemente, abhängig von der Zahl der Eingabeneuronen, der Zahl der verdeckten Neuronen, der Ausgabeneuronen und der Trainingsmuster.
Es hat sich als zweckmäßig erwiesen, ein Netz vorzusehen mit 12 Hauptkomponenten und etwa 25 Hidden-Neuronen.
Zur Bestimmung der Rußkonzentration hat es sich als zweckmäßig erwiesen, mehr als nur die 12 Hauptkomponenten vorzusehen. Beispielsweise wurden gute Ergebnisse erreicht mit den weiteren Größen Drehzahl, Last, λ, Kraftstoffmasse und Restgas als weitere Eingangsgrößen. Ein Eingangsvektor setzt sich demnach aus diesen fünf Information sowie den 12 Hauptkomponenten zusammen.
Fig. 4 zeigt in einer symbolischen Darstellung die Verhältnisse des bevorzugten Ausführungsbeispieles. In dem Block 401 wird zunächst der Brennraumdruckverlauf gemessen. Es ist auch möglich, den Brennraumdruckverlauf anderweitig zu ermitteln oder auch entsprechend der Darstellung in den Blöcken 402 oder 403 aus dem Brennraumdruckverlauf den Brennverlauf oder den Temperaturverlauf zu berechnen. Entsprechend dem Block 404 werden diese Daten vorverarbeitet und dem neuronalen Netz 405 zugeführt.
Weiterhin werden beispielsweise aus den Größen, die in den Blöcken 401, 402 oder 403 ermittelt wurden, entsprechend der Darstellung in dem Block 406 weitere Größen ermittelt, die beispielsweise das Kraftstoff/Luftgemisch λ sein können, die Last, die Restgasmasse und der Zündzeitpunkt. Diese Größen werden ebenfalls dem neuronalen Netz 405 zugeführt.
Weiterhin ist entsprechend der Darstellung in dem Block 407 noch gezeigt, daß dem neuronalen Netz 405 die Drehzahl als Eingangssignal zugeführt wird.
Von dem neuronalen Netz wird darauf entsprechend der Darstellung in dem Block 408 die Rußkonzentration ermittelt.
Das neuronale Netz 405 durchläuft also eine Lern- und Testphase. Anschließend kann in der Recallphase mittels des neuronalen Netzes die Rußkonzentration aus den entsprechenden Eingangsdaten ermittelt werden.
Die beschriebene Bestimmung der Rußkonzentration eignet sich beispielsweise, um in einer Echtzeitrechnung die Rußkonzentration zu bestimmen im Rahmen einer On-Board-Diagnose und/oder als Regelgröße. Es ist dabei beispielsweise möglich, eine zylinderselektive Erkennung einer rußenden Verbrennung vorzunehmen.
Es kann auch eine Kennfeldabstimmung im Instationärbetrieb unter Einbeziehung der Rußkonzentration erfolgen.
Ebenso kann mit diesem Verfahren die Rußkonzentration bei der Motorenentwicklung bestimmt werden. Hier zeigt sich eine bessere Effizienz bei der Entwicklung wegen der Möglichkeit einer besseren Vorauslegung der Motoren.

Claims (9)

1. Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen, dadurch gekennzeichnet, daß die Rußkonzentration der Brennkraftmaschine abgeleitet wird unter Verwendung eines neuronalen Netzwerkes (202), wobei das neuronale Netzwerk (202) trainiert wird unter Verwendung von die Rußkonzentration (203) charakterisierenden Eingangsdaten (201) mit zugehörigen Signalen, die die Rußkonzentration repräsentieren (101), wobei anschließend die Rußkonzentration (203) aus ermittelten Eingangsdaten (201) unter Verwendung des trainierten neuronalen Netzes (202) abgeleitet wird (103).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß zu den die Rußkonzentration (203) charakterisierenden Eingangsdaten (201) den Zylinderdruck charakterisierende Größen gehören.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß zu den die Rußkonzentration (203) charakterisierenden Eingangsdaten (201) der zeitliche Verlauf des Zylinderdruckes gehört.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß das Signal des Zylinderdruckes gefiltert wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß zu den die Rußkonzentration (203) charakterisierenden Eingangsdaten (201) Brennverlauf, Temperaturverlauf und/oder Summenbrennverlauf gehören.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß Brennverlauf, Temperaturverlauf und/oder Summenbrennverlauf durch eine Brennverlaufsrechnung ermittelt werden.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß zu den die Rußkonzentration (203) charakterisierenden Eingangsdaten (201) wenigstens eine der folgenden Größen gehört:
  • 1. Geometrie des Kolbens
  • 2. Geometrie der Brennkammer
  • 3. Einspritzdruck
  • 4. Einspritzdüsengeometrie
  • 5. Position des Kolbens während der Einspritzung,
  • 6. Massenmitteltemperatur,
  • 7. Drehzahl,
  • 8. Last,
  • 9. Kraftstoff-Luftverhältnis (λ),
  • 10. Restgas,
  • 11. Brennbeginn.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß anhand des trainierten Netzes (202, 204) aus den angeführten Größen (201) eine Auswahl getroffen wird (205), anhand der sich eine geeignete Zuordnung der Rußkonzentration zu den Eingangsdaten ergibt.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß als Eingangsdaten eine oder mehrere Hauptkomponenten der entsprechenden Eingangsdaten verwendet werden.
DE19741973A 1997-09-23 1997-09-23 Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen Expired - Fee Related DE19741973C1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE19741973A DE19741973C1 (de) 1997-09-23 1997-09-23 Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE19741973A DE19741973C1 (de) 1997-09-23 1997-09-23 Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen

Publications (1)

Publication Number Publication Date
DE19741973C1 true DE19741973C1 (de) 1999-04-22

Family

ID=7843358

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19741973A Expired - Fee Related DE19741973C1 (de) 1997-09-23 1997-09-23 Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen

Country Status (1)

Country Link
DE (1) DE19741973C1 (de)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2862342A1 (fr) * 2003-11-19 2005-05-20 Renault Sas Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile
EP1538426A1 (de) * 2003-12-02 2005-06-08 Ford Global Technologies, LLC, A subsidary of Ford Motor Company Verbesserung der Wiederholbarkeit bei Verbrauchsmessungen durch Normierung
EP1703110A1 (de) 2005-03-18 2006-09-20 Ford Global Technologies, LLC, A subsidary of Ford Motor Company Verfahren zur Optimierung der Kalibrierung eines Verbrennungsmotors
EP1854971A1 (de) * 2006-05-09 2007-11-14 Ford Global Technologies, LLC Verfahren und Vorrichtung zur Abschätzung der Rußbeladung eines Dieselpartikelfilters
DE102008004221A1 (de) 2008-01-14 2009-07-16 Robert Bosch Gmbh Bestimmung einer während des Betriebs einer Brennkraftmaschine auftretenden NOx- und Rußemission
FR2929995A1 (fr) * 2008-04-09 2009-10-16 Bosch Gmbh Robert Procede et appareil de commande d'un moteur a combustion interne
FR2936015A1 (fr) * 2008-09-16 2010-03-19 Renault Sas Estimation de variables d'etat d'un moteur a combustion interne.
EP2574762A1 (de) * 2011-09-30 2013-04-03 Volvo Car Corporation Verfahren und Vorrichtung zur Schätzung der Rußemission
EP2666992A4 (de) * 2011-01-20 2018-04-11 Toyota Jidosha Kabushiki Kaisha Steuergerät für einen verbrennungsmotor mit kompressionszündung und verfahren zur bestimmung des raucherzeugungsstatus des verbrennungsmotors mit kompressionszündung
WO2021204355A1 (en) * 2020-04-06 2021-10-14 Toyota Motor Europe System and method for predicting high frequency emission information of an engine
DE102020121434A1 (de) 2020-08-14 2022-02-17 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bereitstellen einer Einrichtung zum Bestimmen eines Startzeitpunkts einer Partikelfilterregeneration und zum Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
FR3118102A1 (fr) * 2020-12-21 2022-06-24 IFP Energies Nouvelles Procédé de détermination d’un indicateur de cliquetis de la combustion à partir de mesures d'accélération
US20220349358A1 (en) * 2021-04-30 2022-11-03 International Engine Intellectual Property Company, Llc Intelligent Mass Air Flow (MAF) Prediction System with Neural Network
FR3129983A1 (fr) * 2021-12-08 2023-06-09 Vitesco Technologies procédé et un dispositif de contrôle moteur

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3839348A1 (de) * 1987-11-23 1989-06-01 Bosch Gmbh Robert Vorrichtung zur messung der partikelbelastung im rauch- und abgas eines verbrennungsprozesses
US5093792A (en) * 1988-05-31 1992-03-03 Kabushiki Kaisha Toyota Chuo Kenkyusho Combustion prediction and discrimination apparatus for an internal combustion engine and control apparatus therefor
EP0724073A2 (de) * 1995-01-27 1996-07-31 Matsushita Electric Industrial Co., Ltd. Luft-Kraftstoffverhältnis-Steuerungssystem

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3839348A1 (de) * 1987-11-23 1989-06-01 Bosch Gmbh Robert Vorrichtung zur messung der partikelbelastung im rauch- und abgas eines verbrennungsprozesses
US5093792A (en) * 1988-05-31 1992-03-03 Kabushiki Kaisha Toyota Chuo Kenkyusho Combustion prediction and discrimination apparatus for an internal combustion engine and control apparatus therefor
EP0724073A2 (de) * 1995-01-27 1996-07-31 Matsushita Electric Industrial Co., Ltd. Luft-Kraftstoffverhältnis-Steuerungssystem

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005052332A1 (fr) * 2003-11-19 2005-06-09 Renault Sas Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile
US7409247B2 (en) 2003-11-19 2008-08-05 Renault S.A.S. Method and system for estimating a quantity of particles emitted in the exhaust gas of a diesel engine for a motor vehicle
FR2862342A1 (fr) * 2003-11-19 2005-05-20 Renault Sas Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile
EP1538426A1 (de) * 2003-12-02 2005-06-08 Ford Global Technologies, LLC, A subsidary of Ford Motor Company Verbesserung der Wiederholbarkeit bei Verbrauchsmessungen durch Normierung
EP1701141A3 (de) * 2003-12-02 2007-01-03 Ford Global Technologies, LLC, A subsidary of Ford Motor Company Verbesserung der Wiederholbarkeit bei Verbrauchmessungen durch Normierung
EP1703110A1 (de) 2005-03-18 2006-09-20 Ford Global Technologies, LLC, A subsidary of Ford Motor Company Verfahren zur Optimierung der Kalibrierung eines Verbrennungsmotors
EP1854971A1 (de) * 2006-05-09 2007-11-14 Ford Global Technologies, LLC Verfahren und Vorrichtung zur Abschätzung der Rußbeladung eines Dieselpartikelfilters
DE102008004221A1 (de) 2008-01-14 2009-07-16 Robert Bosch Gmbh Bestimmung einer während des Betriebs einer Brennkraftmaschine auftretenden NOx- und Rußemission
US8561391B2 (en) 2008-01-14 2013-10-22 Robert Bosch Gmbh Determination of a nox and soot emission occurring during the operation of an internal combustion engine
FR2929995A1 (fr) * 2008-04-09 2009-10-16 Bosch Gmbh Robert Procede et appareil de commande d'un moteur a combustion interne
FR2936015A1 (fr) * 2008-09-16 2010-03-19 Renault Sas Estimation de variables d'etat d'un moteur a combustion interne.
EP2666992A4 (de) * 2011-01-20 2018-04-11 Toyota Jidosha Kabushiki Kaisha Steuergerät für einen verbrennungsmotor mit kompressionszündung und verfahren zur bestimmung des raucherzeugungsstatus des verbrennungsmotors mit kompressionszündung
EP2574762A1 (de) * 2011-09-30 2013-04-03 Volvo Car Corporation Verfahren und Vorrichtung zur Schätzung der Rußemission
WO2021204355A1 (en) * 2020-04-06 2021-10-14 Toyota Motor Europe System and method for predicting high frequency emission information of an engine
DE102020121434A1 (de) 2020-08-14 2022-02-17 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bereitstellen einer Einrichtung zum Bestimmen eines Startzeitpunkts einer Partikelfilterregeneration und zum Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
FR3118102A1 (fr) * 2020-12-21 2022-06-24 IFP Energies Nouvelles Procédé de détermination d’un indicateur de cliquetis de la combustion à partir de mesures d'accélération
US20220349358A1 (en) * 2021-04-30 2022-11-03 International Engine Intellectual Property Company, Llc Intelligent Mass Air Flow (MAF) Prediction System with Neural Network
US11840974B2 (en) * 2021-04-30 2023-12-12 International Engine Intellectual Property Company, Llc Intelligent mass air flow (MAF) prediction system with neural network
FR3129983A1 (fr) * 2021-12-08 2023-06-09 Vitesco Technologies procédé et un dispositif de contrôle moteur
WO2023104578A1 (fr) * 2021-12-08 2023-06-15 Vitesco Technologies GmbH Procede et un dispositif de controle moteur

Similar Documents

Publication Publication Date Title
DE19741973C1 (de) Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen
DE102007021592B4 (de) Verfahren für die erstellung eines maschinenkennfelds und -modells während eines entwicklungsprozesses einer brennkraftmaschine
DE10321665A1 (de) System und Verfahren zur Diagnose und Kalibrierung von Verbrennungsmotoren
DE112005003527B4 (de) Verfahren für die Schätzung von Verbrennungsparametern
DE102015222408B3 (de) Verfahren zur kombinierten Identifizierung einer Kolbenhub-Phasendifferenz, einer Einlassventilhub-Phasendifferenz und einer Auslassventilhub-Phasendifferenz eines Verbrennungsmotors
DE102019102835B4 (de) Steuervorrichtung eines Verbrennungsmotors
EP3286422A1 (de) Verfahren und vorrichtung zur modellbasierten optimierung einer technischen einrichtung
DE112009000896T5 (de) Kraftstoffsystemdiagnose durch Analysieren von Zylinderdrucksignalen
WO1999015872A2 (de) Verfahren zur auswertung des brennraumdruckverlaufs
DE102017218476A1 (de) Verfahren und Vorrichtung zum Ermitteln von Emissionen
DE102018209252B4 (de) Diagnose eines Ladungswechselverhaltens eines Verbrennungsmotors
DE19741884C2 (de) Verfahren zur Bestimmung relevanter Größen, die den Zylinderdruck in den Zylindern einer Brennkraftmaschine repräsentieren
DE102008004221A1 (de) Bestimmung einer während des Betriebs einer Brennkraftmaschine auftretenden NOx- und Rußemission
DE102005042794A1 (de) Automatisches Kalibrierverfahren für ein Zündaussetzererfassungssystem eines Motors
DE102005007057A1 (de) Verfahren zur Regelung
DE102016208980A1 (de) Verfahren und Vorrichtung zum Betreiben eines Verbrennungsmotors
WO2009062787A1 (de) Ermittlung der kraftstoffqualität bei einer selbstzündenden brennkraftmaschine
EP0966600A1 (de) Verfahren zur gemischsteuerung bei einem verbrennungsmotor und vorrichtung zu dessen durchführung
DE102005021528B3 (de) Verfahren und Vorrichtung zur Ermittlung des Verhältnisses zwischen der in einem Zylinder einer Brennkraftmaschine verbrannten Kraftstoffmasse und der in dem Zylinder eingesetzten Kraftstoffmasse
DE102004044705A1 (de) Verfahren und System für das Beurteilen von Verbrennungsgeräusch bei einer Brennkraftmaschine
DE10254475B3 (de) Verfahren zum Ermitteln der Frischluft-, Restgas- und Gesamtgasmasse in einem Zylinder einer Brennkraftmaschine
DE102004055313B4 (de) Verfahren und Vorrichtung zur Diagnose oder Verstärkungsadaption von Zylinderdrucksensoren
WO2019238339A1 (de) Fourier-diagnose eines ladungswechselverhaltens eines verbrennungsmotors
DE102011014813A1 (de) Verfahren zur betriebspunktaktuellen Ermittlung einer Partikel-Rohemmision eines Kraftfahrzeugverbrennungsmotors
DE3917905A1 (de) Verfahren zum optimieren des betriebs einer fremdgezuendeten kolbenbrennkraftmaschine, insbesondere eines otto-motors

Legal Events

Date Code Title Description
8100 Publication of the examined application without publication of unexamined application
D1 Grant (no unexamined application published) patent law 81
8364 No opposition during term of opposition
8339 Ceased/non-payment of the annual fee