DE10203919A1 - Verfahren zur Rekonstruktion messbarer Grössen an einem System mit einer Brennkraftmaschine - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Rekonstruktion grundsätzlich messbarer physikalischer Größen an einem unter anderem eine Brennkraftmaschine enthaltenden System, insbesondere zur Weiterverarbeitung in einem mit der elektronischen Steuerung der Brennkraftmaschine befassten Steuergerät unter Zuhilfenahme neuronaler Netze, wobei für einzelne Abschnitte des Systems Teilmodelle gebildet werden, von denen zumindest eines als dynamisches neuronales Netz und ein weiteres als physikalisches oder kennfeldbasiertes Modell ausgebildet ist. Bevorzugt werden Teilprozesse des Gesamtsystems, deren Prozessverhalten mit geringem Aufwand physikalisch beschreibbar ist, mit physikalischen Teilmodellen abgebildet, während andere Teilprozesse des Gesamtsystems, die aufgrund ihres nichtlinearen Übertragungsverhaltens und/oder einer schwierig beschreibbaren Dynamik nur mit großem Aufwand physikalisch beschreibbar wären, durch dynamische neuronale Netze abgebildet werden. Dabei kann die Verkopplung der Teilmodelle analog zur realen Struktur des abzubildenden Gesamtprozesses erfolgen.

Description

• Die Erfindung betrifft ein Verfahren zur Rekonstruktion grundsätzlich messbarer physikalischer Größen an einem unter anderem eine Brennkraftmaschine enthaltenden System, insbesondere zur Weiterverarbeitung in einem mit der elektronischen Steuerung der Brennkraftmaschine befassten Steuergerät unter Zuhilfenahme neuronaler Netze. Zum technischen Umfeld wird auf die EP 0 877 309 B1 verwiesen.
• Steuerfunktionen für moderne Brennkraftmaschinen benötigen vielfältige physikalische Eingangsgrößen, die jedoch häufig nur schwierig mit Sensoren direkt erfassbar sind. Gründe hierfür sind z. B. hohe Sensorkosten, eingeschränkte Anbringungsmöglichkeiten oder extreme Umgebungsbedingungen. Aus diesem Grund ist man bestrebt, statt einer direkten Messung Modelle zu verwenden, mit denen die physikalische Größe in ausreichender Genauigkeit rekonstruiert werden kann. Beispiele für sinnvollerweise durch Modelle abzubildene Größen sind der Luftmassenstrom an den Gaswechselventilen, oder das von der Maschine abgegebenen Drehmoment oder Temperaturen im Abgasstrang der Brennkraftmaschine.
• Es ist bekannt, anstelle konkret gemessener physikalischer Größen quasi berechnete Ersatz-Größen zu verwenden, wobei als Berechnungsgrundlage physikalische oder kennfeldbasierte Modelle fungieren. Zum Teil enthalten derzeitige elektronische Brennkraftmaschinen-Steuerungen bereits physikalisch basierte Modelle, so bspw. zur Berechnung der Abgastemperatur. Zumeist bestehen diese Modelle jedoch aus vorsteuernden Kennfeldern, d. h. zu konkreten Betriebspunkten der Brennkraftmaschine sind zu spezifischen Randbedingungen konkrete Werte für die zu bestimmende bzw. benötigte, grundsätzlich auch messbare physikalische Größe in Kennfeldern abgelegt.
• Physikalische Modelle sind zwar in der Regel sehr genau, jedoch ist ihre Erstellung mit einem hohen Aufwand verbunden. Dies gilt insbesondere dann, wenn der zu modellierende Prozess ein nichtlineares und/oder dynamisches Verhalten aufweist. Kennfeldbasierte Modelle erfordern üblicherweise einen hohen Applikationsaufwand, da die einzelnen Kennfeldpunkte am Prüfstand oder in einem Versuchsfahrzeug ermittelt werden müssen. Im o. g. Beispielfall der durch ein Modell zu bestimmenden Abgastemperatur berücksichtigen die bestehenden physikalischen und kennfeldbasierten Modelle nicht alle wesentlichen Einflussgrößen, was zu einer unzureichenden Genauigkeit der Modelltemperaturen führt. Insbesondere das dynamische Verhalten der zu ermittelnden physikalischen Größe wird dabei zu ungenau nachgebildet, vor allem bei sprunghaften Änderungen der Betriebsparameter. Ferner muss bei Änderungen der Grundapplikation oder von die zu ermittelnde Größe beeinflussenden System-Bauteilen eine weitgehende Neuapplikation der Modelle erfolgen, was mit hohem Aufwand verbunden ist.
• Ein anderer, in der eingangs genanten EP 0 877 309 B1 beschriebener Ansatz verwendet ein Neuronales Netz als virtuellen Sensor. Das neuronale Netz bestimmt hierbei Polynomkoeffizienten als Funktion von gemessenen physikalischen Größen, die an der Brennkraftmaschine bereits vorhanden sind. Das Netztraining erfolgt dabei aus Daten, die aus einem Simulationsmodell erzeugt wurden. Das Simulationsmodell wiederum wird aus Komponentenmessungen bestimmt. Als mögliche Applikation ist in dieser Schrift die Bestimmung der Abgastemperatur angegeben.
• Kennzeichnend für das aus dieser EP 0 877 309 B1 bekannte Verfahren ist, dass ausschließlich statische Neuronale Netze verwendet werden. Dies bedeutet, dass nur die statische Abhängigkeit zwischen den Eingangsgrößen und der zu modellierenden Ausgangsgröße erfasst wird. Die Prozessdynamik, d. h. das Zeitverhalten, das bspw. aufgrund thermischen Trägheiten auftritt, kann hiermit folglich nicht beschrieben werden. Dabei ist die vorgeschlagene Vorgehensweise beim Netztraining über ein Simulationsmodell sehr aufwändig. Zusätzlich ist durch den vorgeschlagenen Polynomansatz die Genauigkeit der Modellabbildung gegenüber einer direkten Modell-Beschreibung durch ein neuronales Netz niedriger.
• Nachdem bei einer Vielzahl von Prozessen in einem unter anderem eine Brennkraftmaschine umfassenden System auch das dynamische System- Verhalten von essentieller Bedeutung ist, soll hier ein dieses berücksichtigendes und dennoch mit vertretbarem Aufwand umsetzbares Verfahren nach dem Oberbegriff des Anspruchs 1 aufgezeigt werden (= Aufgabe der vorliegenden Erfindung).
• Die Lösung dieser Aufgabe ist dadurch gekennzeichnet, dass für einzelne Abschnitte des Systems Teilmodelle gebildet werden, von denen zumindest eines als dynamisches neuronales Netz und ein weiteres als physikalisches oder kennfeldbasiertes Modell ausgebildet ist. Vorteilhafte Weiterbildungen sind Inhalt der Unteransprüche.
• Zur Modellierung insbesondere schwer messbarer physikalischer Größen wird erfindungsgemäß eine Kombination von dynamischen Neuronalen Netzen und physikalischen oder kennfeldbasierten Modellen vorgeschlagen, wobei diese dann Teilmodelle des zu behandelnden Systems darstellen. Beispielsweise bestehe das System, an welchem physikalische Größen auf die erfindungsgemäße Weise rekonstruiert werden sollen, aus einer Brennkraftmaschine und deren Abgasanlage, die ihrerseits aus zwei parallel zueinander angeordneten Vor-Katalysatoren sowie einem diesem nachgeschalteten Haupt-Katalysator aufgebaut sein kann. Ein erstes Teilmodell dieses Systems kann dann die Brennkraftmaschine selbst sein, an das sich als zweites Teilmodell die zu den Vor-Katalysatoren führenden Abgasleitungen anschließen können. Die Vorkatalysatoren mit den zum Haupt- Katalysator führenden Abgasleitungen können dann ein drittes (und ggf. viertes) Teilmodell sein und ein weiteres Teilmodell kann durch den Haupt- Katalysator gebildet sein.
• Eine solche oder ähnliche, den jeweiligen Anforderungen bzw. Randbedingungen angepasste Aufteilung in Teilmodelle erlaubt es dann, die jeweiligen Teilmodelle ihrerseits bestmöglich zu beschreiben, und zwar wie vorgeschlagen in Form eines dynamischen Neuronalen Netzes oder in Form eines physikalischen oder kennfeldbasierten Modells, wobei im gesamten System diese beiden Formen - wie im Patentanspruch 1 angegeben - nebeneinander enthalten sind. Beide Formen haben nämlich ihre spezifischen Vor- und Nachteile, auf die weiter oben bereits eingegangen wurde, wobei durch geeignete Auswahl ein optimiertes Ergebnis bezüglich des gesamten Systems erreicht werden kann.
• Insbesondere können Teilprozesse oder Teilmodelle des Gesamtsystems, deren Prozessverhalten mit geringem Aufwand physikalisch beschreibbar ist, mit physikalischen Teilmodellen abgebildet werden. Hingegen werden Teilprozesse oder Teilmodelle des Gesamtsystems, die aufgrund ihres nichtlinearen Übertragungsverhaltens und/oder einer schwierig beschreibbaren Dynamik nur mit großem Aufwand physikalisch beschreibbar wären, bevorzugt durch dynamische Neuronale Netze abgebildet. Der entscheidende Vorteil liegt dabei darin, dass das dynamische Verhalten dieses Teilmodells und damit im wesentlichen auch das dynamische Verhalten des gesamten Systems - soweit erforderlich - berücksichtigt werden kann.
• Bevorzugt erfolgt die Verkopplung der Teilmodelle analog zur realen Struktur des abzubildenden Gesamtprozesses. Dann werden die tatsächlich vorliegenden Verhältnisse bestmöglich abgebildet, woraus eine optimierte Rekonstruktion der gesuchten physikalischen Größe (oder Größen) durch das erfindungsgemäße Verfahren ermöglicht wird.
• Im bereits genannten Beispiel-Fall einer Modellierung der Abgastemperaturen in einer Abgasanlage einer Brennkraftmaschine mit Vor-Katalysatoren und Haupt-Katalysatoren sieht der neue Ansatz vor, die Abhängigkeit der Abgastemperaturen von verschiedenen Betriebsbedingungen des Motors durch Modelle abzubilden. Diese Modelle umfassen ein oder mehrere dynamische Künstliche Neuronale Netze und ein oder mehrere physikalische Modelle. Bezogen auf die verschiedenen Modelltemperaturen in der Abgasanlage sind unterschiedliche Kombinationsmöglichkeiten der Teilmodelle denkbar, d. h. auch eine andere Aufteilung in Teilmodelle als dies weiter oben beschrieben wurde. Grundsätzlich werden jedoch dynamische Neuronale Netze sowie physikalische oder kennfeldbasierte Modelle wahlweise parallel oder seriell angeordnet.
• Modell-Eingangsgrößen der neuronalen oder physikalischen Teilmodelle sind bevorzugt die mit den vorhandenen physikalischen Sensoren gemessene Größen (z. B. Luftmasse, Ansaugtemperatur, Lambda, . . .) bzw. die Ausgangsgrößen der vorgeschalteten Teilmodelle. Der Abgleich der dynamischen Neuronalen Modell-Netze kann dabei in einer Trainingsphase auf Basis von Referenz-Temperaturmessungen am Abgasstrang erfolgen. Der Abgleich der physikalischen Teilmodelle erfolgt insbesondere durch theoretische Herleitung, auf Basis von Kennblättern oder experimentell mit Verfahren zur Modellparameteridentifikation. Die besagten Modelle sind dabei in erster Linie für den online-Einsatz in einer elektronischen Steuereinheit für die Brennkraftmaschine vorgesehen, daneben ist jedoch eine weitere Verwendung in Simulationswerkzeugen möglich.

Claims (4)

1. Verfahren zur Rekonstruktion grundsätzlich messbarer physikalischer Größen an einem unter anderem eine Brennkraftmaschine enthaltenden System, insbesondere zur Weiterverarbeitung in einem mit der elektronischen Steuerung der Brennkraftmaschine befassten Steuergerät unter Zuhilfenahme neuronaler Netze, dadurch gekennzeichnet, dass für einzelne Abschnitte des Systems Teilmodelle gebildet werden, von denen zumindest eines als dynamisches neuronales Netz und ein weiteres als physikalisches oder kennfeldbasiertes Modell ausgebildet ist.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Teilprozesse des Gesamtsystems, deren Prozessverhalten mit geringem Aufwand physikalisch beschreibbar ist, mit physikalischen Teilmodellen abgebildet werden.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass Teilprozesse des Gesamtsystems, die aufgrund ihres nichtlinearen Übertragungsverhaltens und/oder einer schwierig beschreibbaren Dynamik nur mit großem Aufwand physikalisch beschreibbar wären, durch dynamische Neuronale Netze abgebildet werden.

4. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Verkopplung der Teilmodelle analog zur realen Struktur des abzubildenden Gesamtprozesses erfolgt.