DE19741973C1 - Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen - Google Patents
Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden BrennkraftmaschinenInfo
- 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
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/005—Electrical 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/002—Electrical control of exhaust gas treating apparatus of filter regeneration, e.g. detection of clogging
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1466—Introducing 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
- F02D41/1467—Introducing 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
- G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
- G01M15/106—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases using pressure sensors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/025—Engine noise, e.g. determined by using an acoustic sensor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
- F02D35/024—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure using an estimation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- 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
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.
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)
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)
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 |
-
1997
- 1997-09-23 DE DE19741973A patent/DE19741973C1/de not_active Expired - Fee Related
Patent Citations (3)
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)
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 |