-
Die
vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung
zur neuronalen Steuerung und/oder Regelung, bei dem eine Eingangsschicht
mit Empfangsknoten bzw. Neuronen für den Empfang von Eingangssignalen
oder Mustern aus der Außenwelt, eine Ausgangsschicht mit
Neuronen zur Weitergabe der Signale an die Außenwelt und
eine zwischen der Eingangsschicht und der Ausgangsschicht angeordnet
verdeckte Schicht umfasst, deren Neuronen jeweils alle Eingangssignale
erhalten und nach der Verarbeitung Ausgangssignale an alle Neuronen
der Ausgangsschicht zur Endverarbeitung weiterleiten, bei dem in
einer Vielzahl von Neuronen eine Aktivierungsfunktion berechnet
wird.
-
Ohne
Beschränkung ihres Einsatzfeldes wird die vorliegende Erfindung
nachfolgend nur unter Bezugnahme auf den Automobilsektor dargestellt.
Der Automobil- und Kraftfahrzeugbereich ist aufgrund der hohen Systemanforderungen
bei gleichzeitig hohem Kostendruck durch die hohen Absatzzahlen
ein wirtschaftlich sehr bedeutender Anwendungsbereich. Alternative
Einsatzfelder in der Flugzeug- oder Kraftwerkstechnik sowie auf
sonstigen Feldern mit komplexen und mehrdimensionalen Regelaufgaben
werden damit grundsätzlich nicht ausgeschlossen.
-
Bedingt
durch die zunehmende Anzahl von Freiheitsgraden moderner Verbrennungsmotoren
steigen Umfang und Komplexität der von der Motorsteuerung
durchzuführenden Modellierungsaufgaben erheblich an. Zur
Parametrierung dieser Modelle ist eine Vielzahl von Konstanten,
Kennlinien und Kennfeldern erforderlich, was einen erheblichen Bedarf
an Steuergeräteressourcen nach sich zieht. Manche dieser
Modelle erfordern die Abbildung mehr- oder sogar hochdimensionaler
Abhängigkeiten, also Zusammenhänge zwischen einer Ausgangsgröße
und mehr als zwei Eingangsgrößen. Die Repräsentation
einer solchen Funktion durch Kennfelder mit Stützstellen
auf einem Gitter ist die übliche Vorgehensweise. Da hierbei
die Anzahl der erforderlichen Stützstellen exponentiell
mit der Anzahl der Eingangsgrößen anwächst,
ist dieses Vorgehen ab einer gewissen Anzahl von Eingangsgrößen
nicht mehr praktikabel.
-
Einen
Ausweg aus diesem Dilemma bieten Verfahren und Vorrichtungen unter
Verwendung neuronaler Netze. Auf Basis derartiger Modellierungen
einer Vorrichtung können nachfolgend Adaptionen, Steuerungen,
Regelungen, Diagnosen und/oder Prädiktionen durchgeführt
bzw. Vorhersagen getroffen werden. Neuronale Netze bieten den Vorteil,
dass bei diesen die Anzahl der Kalibrationsgrößen
nicht im selben Maße mit der Anzahl der Eingangsgrößen
ansteigt. Aus diesem Grund gibt es aus dem Stand der Technik zahlreiche
Beispiele für die Verwendung neuronaler Netze, so z. B.
zur
- • Abbildung des Schluckverhaltens einer Verbrennungskraftmaschine,
siehe B. Wu et al., SAE 2004-01-3054, H.
Nareid, M. Grimes, J. Verdejo, SAE 2005-01-0045,
- • Regelung von Bi-Fuel-Motoren, siehe G. Gnonam
et al., SAE 2004-01-1360,
- • Analyse des Spannungsverlaufs an der Zündkerze,
siehe M. de Zoysa et al., Fourth Internationcal Conference
an knowlege-based Intelligent Engineering Systems & Allied Technologies,
Brighton, UK, 2000, oder
- • Regelung des Zündwinkels, siehe M.
Beham, D. L. Yu, Proc. IMechE. Part D: J. Automobile Engineering,
219, 227 (2005),
um nur einige Beispiele zu nennen.
Hierbei werden verschiedene Arten neuronaler Netze eingesetzt, wie
z. B. Multi Layer Perzeptron MLP, RBF oder lineares neuro-fuzzy Netz
bzw. nachfolgend als lokales Modell Netz LMN bezeichnet, die z.
B. von O. Nelles in O. Nelles, Nonlinear System Identification,
Springer, Berlin, 2001 näher beschrieben werden.
-
-
Allen
neuronalen Netzen ist gemeinsam, dass in deren konstituierenden
Komponenten – den Knoten oder Neuronen – eine
nichtlineare Funktion berechnet wird, die sog. Aktivierungs- bzw.
Gültigkeitsfunktion. Typische Aktivierungsfunktionen sind
die logistische Funktion
für MLP-Netze, oder
die Gauß'sche Glockenfunktion
die meist bei lokalen Modell
Netzen, kurz LMN, und RBF zum Einsatz kommen.
-
Es
ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren und
eine Vorrichtung der genannten Art zu schaffen, die unter Verwendung
vergleichsweise kostengünstiger Rechnerarchitekturen effizient
einsetzbar ist.
-
Diese
Aufgabe wird durch die Merkmale der unabhängigen Ansprüche
gelöst. Weitere vorteilhafte Merkmale von Weiterbildungen
der Erfindung sind Gegenstand der jeweiligen Unteransprüche.
-
Der
vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass nicht
alle Neuronen eines neuronalen Netzes einen Beitrag zu einem Ausgang
des betreffenden neuronalen Netzes liefern. Es ist also eine erheblich Reduktion
des Berechnungsaufwands erreichbar, indem nur diejenigen Neuronen
berechnet werden, die einen tatsächlichen Beitrag zum Ausgang
des Netzes liefern.
-
Erfindungsgemäß zeichnet
sich ein Verfahren zur neuronalen Steuerung und/oder Regelung der
eingangs genannten Art dadurch aus, dass jedes Neuron einem Test
auf Lieferung eines eigenen Beitrages zu einem Ausgangssignal unterzogen
wird. Für üblicherweise verwendete Gültigkeitsfunktionen
auf Basis der Exponentialfunktion, vgl. z. B. Gleichungen (1) und
(2), gilt, dass sie außerhalb eines Teilbereichs der Definitionsmenge
einen näherungsweise konstanten Wert haben. So gilt gemäß einer
bevorzugten Ausführungsform der Erfindung bei Wahl eines
geeignet gewählten Schwellwertes THD z. B. für
die eingangs erwähnten MLP-Netze für eine Aktivierungsfunktion Φi(x) zu einem Argument x an einem jeweiligen
Neuron i näherungsweise:
-
-
Der
hierbei auftretende Fehler fällt mit wachsendem Wert von
THD.
-
Gemäß einer
weiteren Ausführungsform der Erfindung gilt bei LMN- oder
RBF-Netzen für eine eindimensionale Zugehörigkeitsfunktion μij(uj) zu einem Eingangssignal
uj an einem Neuron i näherungsweise:
-
-
Ein
erfindungsgemäßer Ansatz ist sehr gut mit der
Offenbarung der nicht vorveröffentlichten Patentanmeldung
DE 10 2006 046 204.1 kombinierbar,
auf die nachfolgend Bezug genommen wird: Aufbauend auf der Erkenntnis,
dass die Aktivierungsfunktionen während der Regelung sehr
oft berechnet werden müssen, so dass eine möglichst
ressourcenschonende Berechnungsmethode von großer Bedeutung
ist und dass ferner gerade die Berechnung der für bekannte
Aktivierungsfunktionen nötigen Exponentialfunktion numerisch
besonders bei Verwendung von Festkommaarithmetik in heutigen üblichen
Steuergeräten sehr aufwändig ist, lehrt die
DE 10 2006 046 204 ,
dass die Neuronen in der verdeckten Schicht jeweils eine Aktivierungsfunktion aufweisen,
die als Polynom-Approximation einer ursprünglich vorgesehen
Aktivierungsfunktion in einem Speicher abgelegt ist. Dementsprechend
zeichnet sich ein Regelungsverfahren unter Verwendung eines neuronalen
Netzes gemäß der Lehre der
DE 10 2006 046 204 dadurch aus,
dass Aktivierungsfunktionen aus Polynom-Approximation einer ursprünglich
vorgesehen Aktivierungsfunktion unter der Maßgabe hergeleitet
werden, dass sie gut im Sinne von stabil und effizient auf einer
vorhandenen oder vorgegebenen Rechnerstruktur laufen insbesondere
und auch mit Festkommaarithmetik effizient in einem Steuergerät
berechnet werden können, wobei die Aktivierungsfunktionen
insbesondere als abschnittsweise definierte Funktionen angegeben sind.
Durch diese Anpassung an Steuergeräte mit Festkommaarithmetik
wird gemäß der Lehre der
DE 10 2006 046 204 der für
die Verwendung neuronaler Netze nötige Ressourcenbedarf
in vorteilhafter Weise erheblich vermindert, wobei die durch den
Einsatz neuronaler Netze erzielbare Reduktion der Anzahl der Kalibrationsgrößen
erhalten bleibt.
-
Unter
Anwendung der Lehre der
DE
10 2006 046 204 ergeben sich in einer bevorzugten Ausführungsform
der Erfindung modifizierte Gültigkeitsfunktionen für
MLP-Netze mit Vereinfachung der Gleichung (3) zu
und Vereinfachung der Gleichung
(4) für LMN- oder RBF-Netze zu
-
-
Somit
kann bei der Berechnung dieser Funktionen in einer vorgeschalteten
if-Abfrage überprüft werden, ob eine der obigen
Bedingungen erfüllt ist. Ergibt sich dabei, dass der Funktionswert
konstant gleich eins ist, so vereinfachen sich die nachfolgenden
Berechnungen. Verschwindet der Funktionswert dagegen, so liefert
das betreffende Neuron i keinen Beitrag und man kann sofort mit
der Berechnung des nächsten Neurons fortfahren. Mit anderen
Worten ist gemäß der vorstehenden Ausführungsform
der Erfindung nur in dem Fall, dass in einem MLP-Netz an einem Neuron
|x| < THD ist,
oder in einem LMN- oder RBF-Netz an einem Neuron
ist, eine vollständige
Berechnung des jeweiligen Neurons durchzuführen. Außerhalb
der genannten Entscheider-Intervalle erfolgt statt einer Berechnung
eine einfache Werte-Zuordnung. Insbesondere bei den LMN ist die Einsparung
erheblich, da auf die Berechnung des Ausgangs des lokalen Modells ŷ
i nach der folgenden Gleichung verzichtet
werden kann:
-
-
Wobei
die Funktionen fk mit k = 1 ... q beliebig
gewählt werden können, aber häufig fk(u1, ..., up) = uk für
k = 1 ... q, q = p benutzt wird, so dass sich in diesem Fall lokal
lineare Modelle ergeben.
-
Schematisch
kann daher die Berechnung eines neuronalen Netzes, wie z. B. einem
LMN, wie folgt ablaufen:
-
-
-
In
bekannter Weise bezeichnen im vorstehend wiedergegebenen Text die
"%"-Zeichen einen erläuternden Kommentar. Bei der Berechnung
eines neuronalen Netzes kann nun durch vergleichsweise einfache Entscheider-
bzw. if-Abfragen in der vorstehend skizzierten Weise überprüft
werden, ob eine der vorstehend genannten jeweiligen Bedingungen
erfüllt ist. So lässt sich auch hier eine Beschleunigung
der Berechnung erreichen, indem nur die "aktiven" Modelle berechnet
und inaktive übersprungen werden. Dieses Verfahren ist dabei
sehr vorteilhaft mit einem Verfahren gemäß der
Lehre der
DE 10 2006 046
204 kombinierbar, um weitere Einsparpotentiale hinsichtlich
des Rechenaufwandes bei der Bearbeitung neuronaler Netze zu erschließen.
-
Weitere
Merkmale und Vorteile der Erfindung werden nachfolgend unter Beschreibung
von Ausführungsbeispielen mit Bezugnahme auf die Abbildungen
der Zeichnung angegeben. In der Zeichnung zeigen in schematisierter
Form:
-
1:
ein grundsätzlicher Aufbau einer Regelvorrichtung auf Basis
eines neuronalen Netzwerkes;
-
2:
eine graphische Darstellung der Berechnung innerhalb eines lokalen
Modell Netzes LMN;
-
3:
eine graphische Gegenüberstellung der Gauß'schen
und parabolischen Zugehörigkeitsfunktion μ anhand
je zweier Funktionen mit Zentren bei u = 1/3 und u = 2/3
-
4:
ein Diagramm zur Charakterisierung einer Schluckgeraden einer Verbrennungskraftmaschine unter
Einblendung eines durch Saugrohrdruck und Luftmassenstrom definierten
normalen Arbeitsbereiches
-
5:
das Diagramm gemäß 4 zur Charakterisierung
der Schluckgerade in einem normalen Arbeitsbereich;
-
6a und 6b:
Diagramme gemäß 4 zur Darstellung
von Fehleinstellungen und
-
7a–7c:
Diagramme zur Darstellung von Änderungen der Steigung der
Schluckgeraden, des negativer Ordinaten-Achsenabschnitts und eines
Offsets in Abhängigkeit von der Drehzahl N in einem definierten
Betriebspunkt einer Brennkraftmaschine.
-
Über
die verschiedenen Ausführungsbeispiele und Abbildungen
hinweg werden nachfolgend einheitlich gleiche Bezugsziffern und
Bezeichnungen für gleiche Funktions- bzw. Baugruppen und
Verfahrensschritte in Weiterführung der in der nicht vorveröffentlichten
Patentanmeldung
DE 10 2006
046 204 getroffenen Vereinbarungen verwendet.
-
1 zeigt
einen grundsätzlichen Aufbau einer Regelvorrichtung 1 auf
Basis eines neuronalen Netzwerkes. Das neuronale Netzwerk ist in
drei Schichten aufgeteilt: Eine Eingangsschicht 2 mit Empfangsknoten bzw.
Neuronen 3 für den Empfang von Eingangsgrößen
u in Form von Signalen oder Mustern aus der Außenwelt und
eine Ausgangsschicht 4 zur Weitergabe der Signale an die
Außenwelt. Zwischen der Eingangsschicht 2 und
der Ausgangsschicht 4 ist die sog. verdeckte Schicht 5 angeordnet,
deren Neuronen 6 jeweils alle Eingangssignale u erhalten
und nach der Verarbeitung Ausgangssignale an alle Neuronen 7 der
Ausgangsschicht 4 zur Endverarbeitung weiterleiten. Im
vorliegenden Beispielfall sind zwei Neuronen 3 in der Eingangsschicht 2,
fünf Neuronen 6 in der verdeckten Schicht 5 und
ein Neuron in der Ausgangsschicht 4 vorgesehen. Als Besonderheit
weisen die Neuronen 6 der verdeckten Schicht 5 neben
einem Modell der Außenwelt, das von einer Konstante bis
zu einem mehrdimensionalen Abbild reichen kann, eine modifizierte
Aktivierungsfunktion auf. Die Modifikation einer ursprünglich
vorgesehenen und i. d. R. mathematisch aufwändig zu berechnenden Funktion
wird unter der Maßgabe durchgeführt, dass zwischen
der alten und der neuen Aktivierungsfunktion nur eine ausreichende Ähnlichkeit
bestehen soll. Daher wird die neue Aktivierungsfunktion aus Polynom-Approximation
der ursprünglich vorgesehen Aktivierungsfunktion hergeleitet,
um beispielsweise in einem nachfolgend noch diskutierten Anwendungsfall
eine beschränkte, monotone und stetig differenzierbare
Ersatzfunktion zu erhalten.
-
Gemäß der
Lehre der
DE 10 2006 046
204 werden nun vereinfachte Berechnungsvorschriften für
die jeweiligen Aktivierungsfunktionen verwendet, wobei hinsichtlich
der Basis dieser Ansätze vollumfänglich auf die
DE 10 2006 046 204 verwiesen
wird:
-
1. Berechnungsvorschrift für
ein MLP-Netz
-
Der
Ausgang eines multilayer perceptron-Netzes, kurz MLP, mit M Neuronen
und p Eingängen u
1, ..., u
p wird gemäß
berechnet,
siehe u. a. O. Nelles a. a. O., wobei die Gewichte w
i und
w
ij durch sog. Training des Netzwerkes so zu
bestimmen sind, dass der Ausgang die gewünschten Werte
annimmt. Als Aktivierungsfunktion wird dabei üblicherweise
die bereits eingangs genannte logistische Funktion gewählt
-
-
Diese
Funktion ist beschränkt, streng monoton steigend und stetig
differenzierbar. Die Ableitung kann auf einfache Art und Weise berechnet
werden.
-
Anstelle
dieser aufwändig zu berechnenden Funktion wird in der
DE 10 2006 046 204 vorgeschlagen, als
Aktivierungsfunktion eine Funktion zu verwenden, die stückweise
durch Polynome dargestellt werden kann. Die Funktion muss beschränkt,
monoton und stetig differenzierbar sein. Als besonders geeignet
hat sich die folgende, stückweise parabolische Funktion
erwiesen:
-
-
Diese
Funktion ist beschränkt, monoton steigend und stetig differenzierbar.
Die Ableitung kann einfach berechnet werden.
-
Diese
neue Definition der Aktivierungsfunktion ersetzt damit Gleichung
(1).
-
2. Berechnungsvorschrift für
ein lokales Modell Netz LMN
-
Der
Ausgang eines lokalen Modell Netzwerks mit M Neuronen und p Eingängen
ui,..., up wird
bestimmt nach O. Nelles a . a . O. in Abwandlung der vorstehend
genannten Gleichung (7a):
-
-
Eine
Aktivierungs- bzw. Gültigkeitsfunktion ergibt sich durch
Normierung einer Zugehörigkeitsfunktion. Dementsprechend
ergeben sich im vorliegenden Fall die Gültigkeitsfunktionen Φi durch Normierung der mehrdimensionalen
Zugehörigkeitsfunktionen μi.
Diese mehrdimensionale Zugehörigkeitsfunktion μi definiert man als Produkt von eindimensionalen
Zugehörigkeits-Funktionen μij:
-
-
Die
Gewichte wij und die Parameter cij bzw. σij können
mit Hilfe des local linear model tree- bzw. LOLIMOT-Trainingsalgorithmus
bestimmt werden.
-
Eine
graphische Darstellung der vorstehend beschriebenen Berechnungsvorschriften
ist in 2 wiedergegeben. Hier ist eine Anzahl von M Neuronen 6 in
der verdeckten Schicht 5 dargestellt. Diesen Neuronen 6 ist
jeweils eine approximierte Gültigkeitsfunktion 9 zugeordnet
worden. In dem M-ten Neuron 6 ist exemplarisch eine Gültigkeitsfunktion 10 vorgesehen.
Die Gültigkeitsfunktion 10 hat die Aufgabe einer
Einstellung eines Extrapolationsverhaltens bzw. eines Verlaufes über
die Ränder des Betrachtungsbereiches hinaus.
-
In
dem beschriebenen Fall sind die eindimensionalen Zugehörigkeitsfunktionen
also Gauß-Funktionen. Anstelle dieser aufwändig
zu berechnenden Funktion wird hier vorgeschlagen, die eindimensionale
Zugehörigkeitsfunktion stückweise durch Polynome
darzustellen. Als besonders geeignet hat sich die folgende, in einem
Teil des Definitionsbereichs parabolische Funktion erwiesen:
-
-
Gleichung
(12) ersetzt damit Gleichung (11). Auch in diesem Fall können
die Gewichte und Parameter mit einem modifizierten LOLIMOT-Algorithmus
bestimmt werden.
-
Die
Abbildung von 3 zeigt anhand eines Beispiels
Gauß'sche und parabolische Zugehörigkeitsfunktionen
im direkten Vergleich. Von Bedeutung ist beim Ersetzen der ursprünglichen
durch eine approximierte Zugehörigkeitsfunktion im Wesentlichen
der qualitative Verlauf der jeweiligen Kurven. D. h., dass eine
Lage der Maxima und ein Abklingen der Funktionen weit ab der Maxima
auf Werte nahe Null von großer Bedeutung bei Auswahl und
Formung der Ersatzfunktion sind. Weiterhin darf die Funktion nur
Werte ≥ 0 annehmen.
-
3. Berechnungsvorschrift für
ein RBF-Netz
-
Die
Berechnungsvorschrift für ein neuronales Netz mit radialer
Basisfunktion, d. h. vom RBF-Typ, ist formal ein Spezialfall von
Gleichung (7), wobei die linearen Gewichte der Eingänge
verschwinden, d. h. wij = 0 für
alle j > 0. Damit kann
das vorstehend geschilderte Vorgehen bezüglich der modifizierten
Berechnung der Zugehörigkeitsfunktion nach Gleichung (12)
direkt übernommen werden.
-
Im
Folgenden wird nun ein erfindungsgemäßes Verfahren
im Einzelnen erläutert. Unter Verwendung der in Gleichung
(9) und Gleichung (12) definierten und gemäß der
Lehre der
DE 10 2006 046
204 modifizierten Gültigkeitsfunktionen kann mit
dem hier vorgeschlagenen Verfahren eine schnellere Berechnung des
Ausgangs eines neuronalen Netzes erfolgen. Hierbei wird ausgenutzt,
dass die betreffenden Funktionen außerhalb eines Teilbereichs
der Definitionsmenge einen konstanten Wert haben. So gilt, wie bereits
eingangs angegeben, für MLP-Netze:
und für LMN- oder
RBF-Netze:
-
-
Bei
der Berechnung dieser Funktionen kann also in einer vorgeschalteten
if-Abfrage überprüft werden, ob eine der obigen
Bedingungen erfüllt ist. Ergibt sich dabei, dass der Funktionswert
konstant gleich eins ist, so vereinfachen sich die nachfolgenden
Berechnungen. Verschwindet der Funktionswert dagegen, so liefert das
betreffende Neuron i keinen Beitrag und man kann sofort mit der
Berechnung des nächsten Neurons fortfahren. Insbesondere
bei den LMN ist die Einsparung erheblich, da auf die Berechnung
des Ausgangs des lokalen Modells ŷi nach
der vorstehend wiedergegebenen Gleichung (7) verzichtet werden kann.
-
Die
Berechnung eines neuronalen Netzes kann daher am Beispiel eines
LMN gezeigt nach folgendem Schema ablaufen:
-
-
Die
Anwendung des bislang für stückweise polynomiale
Gültigkeitsfunktionen dargestellten Verfahrens ist nicht
auf diesen Fall begrenzt. Auch für die üblicherweise
verwendeten Gültigkeitsfunktionen auf Basis der Exponentialfunktion,
wie in Gleichungen (1) und (11), gilt, dass sie außerhalb
eines Teilbereichs der Definitionsmenge einen näherungsweise
konstanten Wert haben. So gilt bei Wahl eines geeignet gewählten Schwellwertes
THD für MLP-Netze näherungsweise
wobei der auftretende Fehler
mit wachsendem Wert von THD fällt, und
bei LMN- oder RBF-Netzen.
-
Bei
der Berechnung eines neuronalen Netzes, wie vorstehend anhand eines
LMN skizziert, kann nun durch vergleichsweise einfache Entscheider-
bzw. if-Abfragen anhand der Erfüllung einer der vorstehend
genannten jeweiligen Bedingungen überprüft werden,
ob ein Neuron einen eigenen Beitrag zu einem Ausgang liefert. Liefert
ein betreffendes Neuron i keinen Beitrag, so kann sofort mit der
Berechnung des nächsten Neurons fortgefahren werden. So
lässt sich eine Beschleunigung der Berechnung erreichen,
indem nur die "aktiven" Modelle berechnet werden.
-
Die
Lehre der
DE 10 2006 046
204 ermöglicht eine vereinfachte Berechnung der
Zugehörigkeitsfunktionen und offenbart als Anwendung die
Modellierung des Schluckverhaltens einer Verbrennungskraftmaschine.
Vorstehend wurde ein erweitertes Verfahren zur effizienten Berechnung
eines kompletten neuronalen Netzes dargestellt. Die Anwendung eines
erfindungsgemäßen Verfahrens wird nun aufbauend
auf die Offenbarung der
DE
10 2006 046 204 anhand der Modellierung des Schluckverhaltens
eines Verbrennungsmotors mit Hilfe eines LMN aus der Automobiltechnik
dargestellt.
-
a) Zum Hintergrund dieses praktischen
Anwendungsbeispiels:
-
Für
den Betrieb moderner Verbrennungsmotoren und die Einhaltung anspruchsvoller
Emissionsgrenzwerte muss die Motorsteuerung eine genaue Modellierung
des Luftmassenstroms in Abhängigkeit vom Betriebszustand
des Motors gewährleisten. Dies ermöglicht es,
die einzuspritzende Kraftstoffmenge so zu bemessen, dass ein für
die Abgasnachbehandlung im Katalysator optimales Luft-Kraftstoffverhältnis
Lambda bzw. λ vorliegt.
-
Dazu
wird anhand einer Gaspedalstellung ein aktueller Fahrerwunsch bzw.
ein gewünschtes Drehmoment sensiert. In der Motorsteuerung
erfolgt heute die Beschreibung des Schluckverhaltens der Brennkraftmaschine,
das ist die Abhängigkeit des Luftmassenstroms MAF vom Saugrohrdruck
MAP, in Form einer sog. Schlucklinie und in linearisierter Form,
also als sog. Schluckgerade, MAF =
EFF_VOL_SLOP·MAP – EFF_VOL_. (13)
-
Bei
Motoren ohne Turboaufladung und ohne Nockenwellenverstellung ist
die Nichtlinearität in der Regel vernachlässigbar,
so dass sich eine Schluckgerade ergibt. Bei der hier angesetzten
Linearisierung wird gleichfalls angenommen, dass Nichtlinearitäten
in der Abhängigkeit des Luftmassenstroms vom Saugrohrdruck
vernachlässigt werden können.
-
Hier
wird also angenommen, dass Nichtlinearitäten in der Abhängigkeit
des Luftmassenstroms vom Saugrohrdruck vernachlässigt werden
können. Die Parameter für Steigung EFF_VOL_SLOP
und Achsenabschnitt EFF_VOL_OFS der Schluckgeraden werden durch
einen Satz von Kennfeldern, oder auch durch ein neuronales Netz
in Abhängigkeit von Drehzahl N, Nockenwellenposition mit
Einlass CAM_IN und/oder Auslass CAM_EX und Aktuatorstellung unter
Berücksichtigung von Drallklappe, Schaltsaugrohr, Ventilhubumschaltung o.
a. in einem Steuergerät hinterlegt. Außerdem werden
die aus den erwähnten Kennfeldern interpolierten Werte
für Steigung und Achsenabschnitt zur Kompensation von veränderten
Umgebungsbedingungen abhängig von Umgebungsdruck, Saugrohr-
und Kühlwassertemperatur zusätzlich korrigiert.
Weiterhin können Korrekturen angebracht werden, um Nichtlinearitäten
in der MAF-MAP-Abhängigkeit abzubilden.
-
Ein
Grundgedanke des bisher praktizierten Vorgehens bestand darin, die
Schluckgerade durch die Steigung und den negativen MAF-Achsenabschnitt
für MAP = 0 zu charakterisieren. Nachfolgend wird nun ein veränderter
Ansatz beschrieben, der dadurch gekennzeichnet ist, dass die Schluckgerade
durch den Wert der Steigung und den MAF-Achsenabschnitt für
einen in einem Arbeitsbereich 11 des Motors liegenden Saugrohrdruck
repräsentiert wird. Es ist vorteilhaft, im Unterschied
zum bisherigen Standard-Vorgehen den Offset der Schluckgeraden nicht
für MAP = 0 sondern für einen MAP-Wert in dem
in der Abbildung von 4 umrandet dargestellten Arbeitsbereich 11 zu
definieren. Für die im Weiteren dargestellte Abbildung
des Schluckverhaltens mittels eines neuronalen Netzes ist das Vorgehen
dafür analog.
-
Dieses
Vorgehen bietet verschiedene Vorteile, die im Folgenden näher
erläutert werden.
-
Die
Parameter für Steigung EFF_VOL_SLOP und MAF-Achsenabschnitt
EFF_VOL_OFS der Schluckgeraden können entweder durch Kennfelder,
oder auch durch ein neuronales Netz in Abhängigkeit von Drehzahl
N, Nockenwellenposition mit Einlass CAM_IN und/oder Auslass CAM_EX
und Aktorstellung, z. B. Drallklappe, Schaltsaugrohr, Ventilhubumschaltung,
in dem Steuergerät hinterlegt werden.
-
Außerdem
werden die so berechneten Werte für Steigung und Achsenabschnitt
zur Kompensation von veränderten Umgebungsbedingungen abhängig
von Umgebungsdruck, Saugrohr- und Kühlwassertemperatur zusätzlich
korrigiert. Weiterhin können Korrekturen angebracht werden,
um Nichtlinearitäten in der MAF-MAP-Abhängigkeit
abzubilden.
-
b) Ermittlung der Parameter zur Charakterisierung
der Schluckgeraden
-
Nach
einem bislang praktizierten Ansatz wird die Schluckgerade, vgl.
Gleichung (13), durch deren Steigung EFF_VOL_SLOP und den laut Vorzeichenkonvention
negativen Achsenabschnitt der Ordinate EFF_VOL_OFS eindeutig festgelegt,
siehe 4. Die Ermittlung dieser Parameter erfolgt durch
Auswertung von Messdatenpaaren (MAF, MAP) für verschiedene
Betriebszustände. Typischerweise besteht diese Analyse in
einer linearen Regression, durch die Steigung und Achsenabschnitt
so gewählt werden, dass die Messdaten mit möglichst
geringem quadratischem Fehler durch die Schluckgerade repräsentiert
sind. Eine Charakterisierung der Schluckgeraden durch EFF_VOL_OFS
und EFF_VOL_SLOP ist in 4 dargestellt.
-
Der
Parameter für die Steigung ist nicht direkt interpretierbar.
Der MAF-Achsenabschnitt kann als im Zylinder verbleibende Restgasmenge
bzw. als der dadurch generierte Massenstrom interpretiert werden.
Eine direkte Messung ist für beide Parameter nicht möglich.
-
c) Charakterisierung der Schluckgeraden
in einem Arbeitsbereich
-
Gemäß der
hier vorgeschlagenen Verbesserung wird der Ordinaten-Achsenabschnitt
der Schluckgeraden nicht im Ursprung, d. h. für MAP = 0,
sondern für einen im Arbeitsbereich des Motors liegenden
Saugrohrdruck definiert, z. B. MAP = 600 hPa, vgl. 5.
Dieser Saugrohrdruckwert werde mit C_MAP_BAS bezeichnet. Ein sich
an diesem Punkt einstellender Massenstrom wird als EFF_VOL_OFS_TRF
bezeichnet. Der Massenstrom kann nun mit folgender Gleichung berechnet
werden: MAF = EFF_VOL_SLOP·(MAP – C_MAP_BAS)
+ EFF_VOL_OFS_TRF (14)
-
Die
Steigung EFF_VOL_SLOP wird dabei nicht verändert. Bezüglich
des Ergebnisses für den Massenstrom sind beide Ansätze
völlig gleichwertig, wenn die Umrechnung zwischen EFF_VOL_OFS_TRF
und EFF_VOL_OFS gemäß EFF_VOL_OFS_TRF
= EFF_VOL_SLOP·C_MAP_BAS – EFF_VOL_OFS (15)vorgenommen
wird. Die Bedatung kann damit gemäß dem bisherigen
Vorgehen einer Regressionsanalyse und anschließender Umrechnung
nach obiger Formel erfolgen. Trotz der mathematischen Äquivalenz
zum bisherigen Ansatz gewährleistet das vorgeschlagene
Vorgehen die im Folgenden zu erläuternden Vorteile:
-
I. Interpretierbarkeit
-
Im
Gegensatz zum bisher verwendeten Achsenabschnitt EFF_VOL_OFS, der
nicht durch direkte Messung zugänglich ist, kann der Offset
EFF_VOL_OFS_TRF des neuen Verfahrens direkt gemessen werden, indem
der Luftmassenstrom bestimmt wird, der sich bei einem Saugrohrdruck
von C_MAP_BAS einstellt. Es hat sich als vorteilhaft erwiesen, C_MAP_BAS
etwa in der Mitte des MAP-Arbeitsbereiches des Motors zu wählen. Bei
einem Saugmotor entspricht dies einem Wert von ca. 600 hPa. Durch
die direkte Messbarkeit kann die Bedeutung des Parameters EFF_VOL_OFS_TRF überdies
sehr leicht interpretiert werden.
-
II. Robustheit
-
Die
Schluckgerade wird durch das vorgeschlagene Verfahren quasi in der
Mitte des Arbeitsbereichs fixiert, nicht wie bisher außerhalb.
Dadurch bedingt ergibt sich eine geringere Anfälligkeit
des Verfahrens bezüglich Ungenauigkeiten in der Steigung.
Die Grundidee dieser Aussage ist in den Abbildungen der 6a und 6b als
Auswirkung eines Fehlers in der Steigung EFF_VOL_SLOP auf das Ergebnis
für den Luftmassenstrom MAF für den bisherigen
Ansatz gemäß 6a und
den neuen Ansatz gemäß 6b illustriert.
-
Wie
zu erkennen ist, führt ein Fehler in der Steigung beim
bisherigen Ansatz gemäß 6a im
gesamten Arbeitsbereich 11 zu einem großen Fehler
im Massenstrom, d. h. der Unterschied zwischen der korrekten Schluckgeraden
und dem mit fehlerhafter Steigung ermittelten Ergebnis gemäß gestrichelter
Kurve ist im gesamten Arbeitsbereich beträchtlich. Im Gegensatz
dazu ergibt sich mit dem vorgeschlagenen Ansatz gemäß 6b im
Arbeitsbereich 11 ein erheblich kleinerer Fehler. Unter
der Annahme, dass EFF_VOL_OFS_TRF korrekt bestimmt wurde, ist sogar
unabhängig von der Größe des Fehlers
in EFF_VOL_SLOP der Wert des Massenstroms an einem Punkt immer richtig,
hier für den Punkt MAP = C_MAP_BAS.
-
Bezüglich
eines Fehlers im Offset, also beim bisherigen Ansatz in EFF_VOL_OFS
bzw. in EFF_VOL_OFS_TRF beim neuen Ansatz, ergibt sich keine Änderung
der Auswirkung eines solchen Fehlers auf das Ergebnis für
MAF. In beiden Fällen bewirkt ein absoluter Fehler im Offset
einen gleich großen absoluten MAF-Fehler. Insgesamt wird
also durch den vorgeschlagenen Ansatz eine höhere Robustheit
gegenüber Fehlern in der Steigung EFF_VOL_SLOP erreicht,
während die Auswirkung von Fehlern im Offset EFF_VOL_OFS bzw.
EFF_VOL_OFS_TRF unverändert bleibt.
-
III. Verringerung des Kalibrationsspeicherbedarfs
-
Wie
eben dargestellt, wird mit dem vorgeschlagenen Verfahren eine höhere
Robustheit gegenüber Fehlern im Wert für die Steigung
der Schluckgeraden erreicht. Daher ermöglicht das neue
Verfahren eine Reduktion der Größe der Kennfelder
für EFF_VOL_SLOP. Der dadurch bedingte zusätzliche
Fehler ist bei Verwendung des vorgeschlagenen Verfahrens deutlich
geringer als beim herkömmlichen Ansatz.
-
Zur Überprüfung
dieser Aussage wurde eine theoretische Analyse auf Basis der Serien-Kalibration des
Schluckverhaltens für einen 6-Zylinder Saugmotor intern
durchgeführt. Zur Verdeutlichung der Auswirkung des Übergangs
vom bisherigen zum vorgeschlagenen Verfahren ist in den Abbildungen
der 7a–7c für einen
ausgewählten Betriebspunkt, der im vorliegenden Fall durch
die Werte LV_VIM_SP = 0, LV_PORT_DEAC = 0, CAM_IN = 103.875°CRK,
CAM_EX = 103.125°CRK bestimmt ist, die Drehzahlabhängigkeit
von EFF_VOL_OFS, EFF_VOL_SLOP und EFF_VOL_OFS_TRF dargestellt. Dazu
ist in 7a der Verlauf von EFF_VOL_OFS,
in 7b der Verlauf von EFF_VOL_SLOP und in 7c der
Verlauf von EFF_VOL_OFS_TRF in Abhängigkeit von der Drehzahl
N für den vorstehend angegebenen Betriebspunkt in Form
von Diagrammen wiedergegeben.
-
Im
Ergebnis sind der qualitative Verlauf von EFF_VOL_OFS_TRF und EFF_VOL_SLOP
einander sehr ähnlich. Dies erleichtert die Wahl eines
gemeinsamen Stützstellengitters für die Kennfelder,
in denen diese Größen abgelegt werden.
-
Um
die durch den vorgeschlagenen Ansatz erzielbare größere
Fehlertoleranz bzw. die verminderten Genauigkeitsanforderung bezüglich
des Steigungswertes zu zeigen, wird das folgende Vorgehen gewählt:
- 1. Ausgehend von dem vollen Satz von Kennfeldern
der Serienbedatung wird ein entsprechender Satz von Kennfeldern
für EFF_VOL_OFS_TRF nach Gleichung (15) mit C_MAP_BAS =
600 hPa berechnet.
- 2. Anschließend wird bei einem der Kennfelder eine
einstellbare Anzahl von Drehzahlstützstellen entfernt. In
dem nachfolgend dargestellten Beispiel wurden von den zwölf
ursprünglichen Drehzahlstützstellen die vier bei
Drehzahlen N = 2000, 3500, 4300 und 6000 1/min entfernt.
- 3. Danach wurden für die verbleibenden Stützstellen
die in den Kennfeldern eingetragenen Werte mit der Methode der kleinsten
Fehlerquadrate bzw. least squares neu bestimmt, so dass der mittlere
quadratische Fehler der reduzierten Kennfelder minimal ist.
- 4. Folgende Fälle werden nun näher untersucht:
- a. Berechnung von MAF mit bisherigem Verfahren (SLOP/OFS) nach
Gleichung (13), volles Kennfeld für EFF_VOL_OFS, reduziertes
Kennfeld für EFF_VOL_SLOP
- b. Berechnung von MAF mit vorgeschlagenem Verfahren (SLOP/OFS_TRF)
nach Gleichung (14), volles Kennfeld für EFF_VOL_OFS_TRF,
reduziertes Kennfeld für EFF_VOL_SLOP
- 5. In jedem dieser Fälle wird für die Saugrohrdrücke
400, 600 und 800 hPa der berechnete MAF-Wert mit dem aus den vollen
Kennfeldern gemäß Gleichung (13) ermittelten Werten
verglichen und die sich ergebenden Abweichung bestimmt. Der über
alle Kennfeldeinträge sowie die drei Saugrohrdrücke
gemittelte mittlere Betrag des Fehlers sowie der mittlere Betrag
des relativen MAF-Fehlers ist in der folgenden Tabelle angegeben:
| Verfahren | reduziertes Kennfeld | mittlerer
Betrag des absoluten MAF-Fehlers [kg/h] | mittlerer
Betrag des relativen MAF-Fehlers [%] |
| a)
bisheriges:
SLOP/OFS | EFF_VOL_SLOP | 1.62 | 0.88 |
| b)
vorgeschlagenes:
SLOP/OFS_TRF | EFF_VOL_SLOP | 0.36 | 0.24 |
-
Bewertung
der Ergebnisse gemäß vorstehender Tabelle:
Trotz
einer Reduktion des Kennfeldes für EFF_VOL_SLOP um vier
Drehzahl-Stützstellen bzw. um ein Drittel des für
dieses Kennfeld erforderlichen Kalibrationsspeichers kann mit dem
vorgeschlagenen Ansatz erreicht werden, dass der Betrag der Abweichung
der Ergebnisse für MAF vom ursprünglichen Kennfeld
im Mittel nur 0.24% beträgt. Nimmt man die gleiche Reduktion
beim bisherigen Verfahren vor, so ergibt sich eine erheblich größere
Abweichung von 0.88%.
-
d) Darstellung der Schlucklinie durch
ein Polynom
-
Ausgehend
von der bisherigen Form einer linearen Schlucklinie mit einem nichtlinearen
Zusatzterm wird hier als Erweiterung die folgende polynomiale Form
vorgeschlagen: MAF = a0 +
a1·MAP_DIF + a2·MAP_DIF2 + ... + an·MAP_DIFn
MAP_DIF = MAP – C_MAP_BAS (15)
-
Außerdem
ist hier der MAP-Koordinatenursprung um die geeignet zu wählende
Konstante C_MAP_BAS verschoben und es werden nichtlineare Terme
in MAP zugelassen. Letztere dienen der Beschreibung von Nichtlinearitäten
in der Schlucklinie. Die Koeffizienten des Polynoms a0,
..., an sind in Abhängigkeit von
Drehzahl, Nockenwellenposition mit Einlass CAM_IN und/oder Auslass
CAM_EX, Aktorstellung, z. B. Drallklappe, Schaltsaugrohr, Ventilhubumschaltung,
und ggf. weiterer Größen zu definieren. Dies kann
analog zu heute in Steuergeräten praktizierten Verfahren
mit Hilfe von Kennfeldern oder – wie im Folgenden näher erläutert – mit
Hilfe neuronaler Netze erfolgen.
-
Es
wurde durch die Erfinder gezeigt, dass durch geeignete Wahl von
C_MAP_BAS, z. B. in der Mitte eines MAP-Arbeitsbereichs 11 gemäß Darstellung
von 4, bei sonst gleichem Modellierungsaufwand eine höhere
Robustheit des MAF-Modells bezüglich Fehlern in den Koeffizienten
erreicht wird. Dies gilt unabhängig davon, ob die Koeffizienten
mittels Kennfelder und oder mittels eines neuronalen Netzes dargestellt
werden. Insbesondere gilt dies auch für den rein linearen
Ansatz, wie er bisher verwendet wird.
-
e) Abbildung des Schluckverhaltens mittels
eines neuronalen Netzes:
-
Für
die Darstellung des Schluckverhaltens wird ein lokales Modell Netz
nach Gleichung (7) benutzt, wobei als Eingänge die Drehzahl
N und die Nockenwellenstellungen auf Einlass- und Auslassseite CAM_IN, CAM_EX
gewählt werden: u1 = N,
u2 =
CAM_IN,
u3 = CAM_EX. (16)
-
Für
lokale Modelle werden zusätzlich zu den linearen Termen
u1, u2, u3 auch noch Beiträge höherer Ordnung
verwendet. Insbesondere hat sich die Hinzunahme der polynomialen
Terme bis 2. Ordnung in CAM IN und/oder CAM EX als vorteilhaft erwiesen.
Somit ergeben sich im Beispiel die Funktionen, vgl. Gleichung (7) f1(u1,
..., up) = u1,
f2(u1, ..., up) = u2,
f3(u1, ..., up) = u3,
f4(u1, ..., up) = u22 ,
f5(u1, ..., up) = u23 ,
f6(u1, ..., up) = u2u3,
f7(u1, ..., up) = u2u23 ,
f8(u1, ..., up) = u22 u3
f9(u1, ..., up) = u22 u23 (17)
und damit schreibt man für das lokale Modell: ŷi = wi0 + wi1u1 + wi2u2 +
wi3u3 + wi4u22 + wi5u23 + wi6u2u3 +
wi7u2u23 + wi8u22 u3 + wi9u22 u23 (18)
-
Der
Ausgang des Netzes ist der Koeffizientenvektor a
0,
a
1, ..., a
n des
Polynoms zur Beschreibung der Schlucklinie, vgl. Gleichung (15).
Beispielhaft wählen wir hier ein Polynom 2. Ordnung, so
dass die Schlucklinie eine Parabel wird. Der Netzausgang ist dann
ein Vektor:
womit
auch die Gewichte zu Vektoren werden
-
-
Die
Berechnung der Netzausgänge erfolgt nun z. B. nach dem
vorstehend zu LMN-Netzen dargestellten Schema.
-
Je
nach den im System vorhandenen Freiheitsgraden mit jeweils diskreten
oder kontinuierlichen Werteraum ist die Art und Zahl der Eingangsgrößen
entsprechend zu modifizieren. So sind beispielsweise für
ein System ohne Auslassnockenwellenverstellung nur die Eingänge
N und CAM_IN zu betrachten. Entsprechend ist für zusätzlich
vorhandene Freiheitsgrade, wie z. B. die Verstellung des Ventilhubes,
ein zusätzlicher Eingang hinzuzufügen.
-
Die
Berücksichtigung diskreter Freiheitsgrade des Systems,
z. B. ein zweistufiges Schaltsaugrohr oder eine geschaltete Drallklappe,
kann auf die gleiche Weise durch je einen Eingang des neuronalen
Netzes erfolgen. Im Fall zweier binärer Aktoren hat es
sich allerdings als vorteilhaft erwiesen, für jede mögliche
Kombination ein separates neuronales Netz zu definieren.
-
Ein
wesentlicher Vorteil eines vorstehend beschriebenen Verfahrens und
einer Umsetzung in einer entsprechenden Vorrichtung liegt in seiner
universellen Einsetzbarkeit. Schon heute ist die Verwendung neuronaler
Netze im Kraftfahrzeugbereich in Motorsteuerungen für vielerlei
Zwecke im Serieneinsatz. Beispiele hierfür sind Funktionen
zur
- • Klopfregelung, bei dem ein akustisches
Sensorausgangssignal mit Parametern der Gemischzusammensetzung,
Motorparametern und einen aktuellen Lastzustand als Größen
zur Verfügung stehen,
- • Adaption des Saugrohrmodells, mit einer Luftmassenstrombilanz
und diversen Regelungseingriffen über Drosselklappen etc.,
- • Adaption des Lambda-Reglers auf Basis u. a. einer
aktuellen Last, Drehzahl, einer Gemischzusammensetzung etc., oder
- • ein Abgastemperaturmodell ausgehend von einer Wärmebilanz
unter Berücksichtigung u. a. von Last, Drehzahl, Zündwinkel,
Abgastemperatur, Druck und weiteren Größen.
-
Die
in den vorstehend beispielhaft genannten Anwendungsfällen
verwendeten neuronalen Netze entsprechen den oben beschriebenen
Standard-Typen MLP, RBF, LMN und verwenden in einer Vielzahl von
Neuronen Aktivierungsfunktionen auf Basis der Exponentialfunktion.
In allen diesen Fällen kann mit den hier beschriebenen
Verfahren mit, aber auch ohne stückweise polynomiale Aktivierungsfunktionen
durch eine effiziente Ermittlung der tatsächlich relevanten
Neuronen und die Beschränkung der Auswertung auf genau
diese Neuronen die Berechnungszeit für das neuronale Netz
erheblich reduziert werden. Diese erhebliche Verminderung des Rechenzeitbedarfs
wird dabei realisiert, ohne dass die Funktionalität beeinträchtigt
wird. Der generelle Vorteil von neuronalen Netzen, nämlich
die Reduktion der zur Modellierung erforderlichen Kalibrationsgrößen,
bleibt hierbei voll erhalten.
-
Weiterhin
ist die Darstellung einer Schlucklinie einer Verbrennungskraftmaschine
durch die Erweiterung von der linearen zur polynomialen Abhängigkeit
deutlich flexibler und insbesondere auch geeignet, um aufgeladene
Motoren und/oder Betriebszustände mit hoher Ventilüberschneidung
zu beschreiben, die i. d. R. zu nichtlinearen Schlucklinien führen.
Bei gleicher Modellgenauigkeit kann durch die vorgeschlagene Verwendung
von verschobenen MAP-Koordinaten eine größere
Robustheit des Verfahrens gegenüber Fehlern in den Polynomkoeffizienten
erreicht werden.
-
Eine
Ausweitung der Anwendung auf beliebige andere Steuergeräte,
in denen neuronale Netze zum Einsatz kommen können, ist
ebenfalls problemlos möglich. Ein Beispiel für
eine solche Einsatzmöglichkeit wäre die Modellierung
des Batterieladezustandes in einem Hybridfahrzeug mit Hilfe neuronaler
Netze, vgl. z. B. J. Angloher, U. Wagner, VDI-Berichte 1459,
147 (1999). In diesem Fall könnten die entsprechenden
Berechnungsroutinen im Motorsteuergerät oder im Getriebesteuergerät
integriert sein oder in einem separaten Steuergerät für
die Hybridfunktionalität ausgeführt werden.
-
Eine
Anwendung eines erfindungsgemäßen Ansatzes ist
in beliebigen anderen Steuergeräten problemlos möglich,
in denen neuronale Netze zum Einsatz kommen können. Durch
Benutzung der der angegebenen Lehre kann der Einsatz neuronaler
Netze für beliebige Zwecke mit wesentlich vermindertem
Bedarf an Rechenzeit erfolgen. Dies gilt besonders, aber nicht ausschließlich,
falls Festkommaarithmetik zum Einsatz kommt.
-
Schon
heute ist die Verwendung neuronaler Netze in Motorsteuerungen für
vielerlei Zwecke im Serieneinsatz bekannt. Die dabei verwendeten
neuronalen Netze entsprechen i. d. R. den hier beschriebenen Standard-Typen
MLP, LMN und RBF. In allen diesen Fällen kann durch das
beschriebene Verfahren der Rechenaufwand erheblich vermindert werden,
indem nur diejenigen Neuronen ausgewertet werden, die einen Beitrag
zum Ausgang des Netzes liefern. Der Vorteil dieser Methode ist besonders
hoch in Kombination mit einer Anwendung der in der
DE 10 2006 046 204 beschriebenen
stückweise polynomialen Zugehörigkeitsfunktionen.
Jedoch lässt sich auch in Verbindung mit den sonst üblichen
Zugehörigkeitsfunktionen auf Basis der Exponentialfunktion
das Verfahren vorteilhaft einsetzen.
-
In
der konkreten Anwendung eines neuronalen Netzes vom LMN-Typ zur
Modellierung der Polynomkoeffizienten der Schlucklinie wurde vorstehend
beschrieben, dass durch die Erweiterung der Schluckgeraden um nichtlineare
Beiträge auch Effekte beschrieben werden können,
wie sich typischerweise in Motoren mit Aufladung und/oder Nockenwellenverstellung
auftreten. Weiterhin wurde aufgezeigt, dass die Verwendung eines Koordinatensystems
für den Saugrohrdruck mit einem Ursprung im Arbeitsbereich
für die Modellierung Vorteile hinsichtlich der Robustheit
gegenüber Fehlern in den Polynomkoeffizienten bietet.
-
- 1
- Vorrichtung
zur neuronalen Regelung,
- 2
- Eingangsschicht
- 3
- Empfangsknoten
bzw. Neuronen
- 4
- Ausgangsschicht
- 5
- verdeckte
Schicht
- 6
- Neuron
der verdeckten Schicht 5
- 7
- Neuron
der Ausgangsschicht 4
- 8
- Modell
der Außenwelt
- 9
- modifizierte
Aktivierungsfunktion
- 10
- Gültigkeitsfunktion
zur Einstellung eines Extrapolationsverhaltens
- 11
- Arbeitsbereich
- ŷ
- Ausgang
des neuronalen Netzes
- uj
- Eingangssignal/Eingangsgrößen
des neuronalen Netzes
- x
- Argument
- wi
- Gewichtdes
neuronalen Netzes
- wij
- Gewichtdes
neuronalen Netzes
- Φi
- Aktivierungsfunktion
(MLP) bzw. Gültigkeitsfunktion (RBF, LMN)
- μi
- Zugehörigkeitsfunktion
(RBF, LMN)
- cij
- Parameter
für Zentren lokaler Modelle (RBF, LMN)
- σij
- Parameterf ür
Ausdehnung lokaler Modelle (RBF, LMN)
- THD
- Schwelle
für Argument der Gültigkeitsfunktion
- MAP
- Saugrohrdruck/hPa
- MAF
- Luftmassenstrom(in
den Zylinder)/kg/h
- EFF_VOL_SLOP
- Steigung
der Schluckgeraden/kg/(h·hPa)
- EFF_VOL_OFS
- negativer
Ordinaten-Achsenabschnitt der Schluckgeraden/kg/h
- EFF_VOL_OFS_TRF
- ein
sich an dem Punkt C_MAP_BAS einstellender Massenstrom
- C_MAP_BAS
- Konstante
der Verschiebung des Ursprungs der MAP-Koordinatenachse/hPa
- MAP_DIF
- verschobene
MAP-Korrdinate MAP-C_MAP/hPa
- EFF_VOL_CURV
- Polynomkoeffizient
für MAP-quadratische Beiträge zur Schlucklinie/kg/(h·hPa^2)
- N
- Drehzahl
der Kurbelwelle/rpm
- CAM_IN
- Stellung
der Einlassnockenwelle/CRK
- CAM_EX
- Stellung
der Auslassnockenwelle/CRK
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- - DE 10203919
A1 [0005]
- - DE 10200946 A1 [0005]
- - DE 10203920 A1 [0005]
- - DE 10113538 A1 [0005]
- - DE 102006046204 [0013, 0013, 0013, 0013, 0014, 0018, 0027, 0029, 0029, 0032, 0043, 0048, 0048, 0084]
-
Zitierte Nicht-Patentliteratur
-
- - B. Wu et al.,
SAE 2004-01-3054 [0004]
- - H. Nareid, M. Grimes, J. Verdejo, SAE 2005-01-0045 [0004]
- - G. Gnonam et al., SAE 2004-01-1360 [0004]
- - M. de Zoysa et al., Fourth Internationcal Conference an knowlege-based
Intelligent Engineering Systems & Allied
Technologies, Brighton, UK, 2000 [0004]
- - M. Beham, D. L. Yu, Proc. IMechE. Part D: J. Automobile Engineering,
219, 227 (2005) [0004]
- - O. Nelles in O. Nelles, Nonlinear System Identification, Springer,
Berlin, 2001 [0004]
- - J. Angloher, U. Wagner, VDI-Berichte 1459, 147 (1999) [0082]