CN102778360B - 使用等效时间采样的状态估计、诊断以及控制 - Google Patents

使用等效时间采样的状态估计、诊断以及控制 Download PDF

Info

Publication number
CN102778360B
CN102778360B CN201210143347.2A CN201210143347A CN102778360B CN 102778360 B CN102778360 B CN 102778360B CN 201210143347 A CN201210143347 A CN 201210143347A CN 102778360 B CN102778360 B CN 102778360B
Authority
CN
China
Prior art keywords
sampling rate
data
rate data
output
hardware system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201210143347.2A
Other languages
English (en)
Other versions
CN102778360A (zh
Inventor
S.德
P.A.卡拉帕
P.班迪奥帕迪亚伊
S.穆霍帕迪亚伊
S.森古普塔
A.K.德布
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INDIAN INSTITUTES OF TECHNOLOGY
GM Global Technology Operations LLC
Original Assignee
INDIAN INSTITUTES OF TECHNOLOGY
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by INDIAN INSTITUTES OF TECHNOLOGY, GM Global Technology Operations LLC filed Critical INDIAN INSTITUTES OF TECHNOLOGY
Publication of CN102778360A publication Critical patent/CN102778360A/zh
Application granted granted Critical
Publication of CN102778360B publication Critical patent/CN102778360B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B21/00—Systems involving sampling of the variable controlled
    • G05B21/02—Systems involving sampling of the variable controlled electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及使用等效时间采样的状态估计、诊断以及控制。一种用于使用等效时间采样改进传感器数据的有效采样率，并且使用改进的分辨率数据进行诊断与控制的方法与***。提供来自现有传感器的数据采样，其中，现有传感器的采样率不足以准确表征正被测量的参数。使用等效时间采样重新构建高分辨率数据集。在***模型中使用高分辨率输入数据集来模拟正被测量的***的性能。将来自***模型的结果，以及来自等效时间采样的高分辨率输出数据集提供至估计器，其提供对被测量量的准确估计以及未被测量量的准确估计。来自估计器的输出用于正被测量的***的缺陷诊断与控制。

Description

使用等效时间采样的状态估计、诊断以及控制
技术领域
 本发明总体涉及数据采样技术，尤其涉及使用等效时间采样改进传感器数据的有效采样率，以及将改进的分辨率数据用于缺陷诊断与控制目的。
背景技术
汽车与其他复杂***广泛使用利用各种传感器的数据采集。随后，传感器数据用于经典的反馈控制、缺陷诊断、监督控制、以及其他目的。通常遇到的问题是，传感器数据不能以准确表征正被测量的参数的足够高的采样率被提供。例如，如果在汽车内燃机中正在测量气缸压力，那么在每个发动机冲程期间，为了描绘在压缩、燃烧、膨胀以及排放过程中的压力的快速变化而需要很多数据点。然而，对于能够以高速运转的发动机，以足够高采样率获得压力传感器数据是不可能或不实际的。这可能是由于传感器本身的限制，或模数转换器、电路、其他元件或其组合的限制。
对高采样率数据需求的一个解决方案就是增加所有数据采集传感器与***的采样率。然而，在车辆以及其他复杂***中使用的大量传感器的情况下，这可以是非常昂贵的解决方案。优选使用现有的低采样率传感器，但巧妙地处理数据，以使得其满足高采样率诊断与控制应用的需求。这种技术将能够发挥诊断与控制应用的益处，不需要增加花费与高采样率传感器与电路的复杂性。
发明内容
根据本发明的教导，公开了一种方法与***，使用等效时间采样改进传感器数据的有效采样率，以及将改进的分辨率数据用于诊断与控制。提供来自现有传感器的数据采样，其中，现有传感器的采样率较低，并且不足以准确表征正被测量的参数。利用使用通过现有低采样率获得的传感器数据的等效时间采样构建高分辨率数据集。在***模型中使用这些构建的高分辨率输入数据集，以模拟正被测量的***的性能。向估计器提供***模型的结果以及等效时间采样的高分辨率输出数据集，其提供准确的对被测量量的估计以及对未被测量量的估计。估计器的输出用于正被测量***的缺陷诊断以及控制。
本发明还提供了如下方案：
方案1. 一种硬件***的状态估计、诊断以及控制方法，所述方法包括：
从所述硬件***获取低采样率数据；
将等效时间采样（ETS）应用于低采样率数据，以构建高采样率数据；
在***模型中使用高采样率数据，以模拟所述硬件***的性能；
使用应用于从所述***模型的输出的数值估计器表征所述硬件***的性能；以及
使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作。
方案2. 根据方案1所述的方法，其中，使用数值估计器表征所述硬件***的性能还包括在所述数值估计器中使用所述高采样率数据。
方案3. 根据方案2所述的方法，其中，使用数值估计器表征所述硬件***的性能包括将所述高采样率数据与从所述***模型的输出相比较。
方案4. 根据方案1所述的方法，其中，使用数值估计器表征所述硬件***的性能包括使用卡尔曼滤波或扩展的卡尔曼滤波。
方案5. 根据方案1所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的缺陷检测与诊断。
方案6. 根据方案1所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的监督控制。
方案7. 根据方案1所述的方法，其中，所述硬件***为汽车中的发动机。
方案8. 根据方案7所述的方法，其中，所述***模型包括所述发动机中的进气、燃油输送、燃烧以及排气的模拟。
方案9. 一种硬件***的状态估计、诊断以及控制方法，所述方法包括：
从所述硬件***获取低采样率数据；
将等效时间采样（ETS）应用于低采样率数据，以构建高采样率数据；
使用应用于所述高采样率数据的数值估计器表征所述硬件***的性能；以及
使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作。
方案10. 根据方案9所述的方法，其中，使用数值估计器表征所述硬件***的性能包括使用卡尔曼滤波或扩展的卡尔曼滤波。
方案11. 根据方案9所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的缺陷检测与诊断。
方案12. 根据方案9所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的监督控制。
方案13. 根据方案9所述的方法，其中，所述硬件***为汽车中的发动机。
方案14. 根据方案13所述的方法，其中，表征所述硬件***的性能包括基于高采样率气缸压力数据表征所述发动机中的进气、燃油输送、燃烧以及排气。
方案15. 一种用于机器的状态估计、诊断以及控制***，所述***包括：
一个或多个用于从处于运转的所述机器获取低采样率数据的传感器；
用于使用来自所述传感器的所述低采样率数据构建高采样率数据的等效时间采样（ETS）模块；
用于使用所述高采样率数据作为输入模拟所述机器的性能的***模型；
用于使用所述***模型的输出与所述高采样率数据表征所述机器的性能的估计器模块；以及
用于基于所述估计器模块的输出实现所述机器的监控与配置操作的应用模块。
方案16. 根据方案15所述的***，其中，所述估计器模块使用卡尔曼滤波或扩展的卡尔曼滤波。
方案17. 根据方案15所述的***，其中，所述应用模块包括所述机器的缺陷检测与诊断。
方案18. 根据方案15所述的***，其中，所述应用模块包括所述机器的监督控制。
方案19. 根据方案15所述的***，其中，所述机器为汽车中的发动机。
方案20. 根据方案19所述的***，其中，所述***模型模拟所述发动机中的进气、燃油输送、燃烧以及排气。
结合附图，本发明额外的特征将从以下说明与所附权利要求中变得易于理解。
附图说明
图1为示出等效时间采样如何工作，以有效增加数据采样分辨率的示例；
图2为***方框图，该***使用等效时间采样以及***模型，从而改进发动机的控制与缺陷诊断；以及
图3为使用等效时间采样与***模型，以改进硬件***的控制与缺陷诊断功能的方法的流程图。
具体实施方式
涉及使用等效时间采样的状态估计、诊断以及控制的本发明的实施例的以下说明在本质上仅是示例性的，并且决不旨在限制本发明，其应用或使用。例如，描述了涉及汽车发动机的实施例；然而，公开的方法同样可应用于其他汽车***，以及非汽车***，其中，诊断与控制功能可以从比可用传感器可提供的数据采样率更高的数据采样率中获益。
等效时间采样（ETS）为一种技术，在其中，可以实质上提高数据采样分辨率。ETS通过在多个波周期上累积采样构建输入信号的更高分辨率图片而工作。因为ETS采样许多周期上的波形，所以其可仅用于测量重复信号。ETS不能用于单发信号或非重复信号。ETS通常用于数字存储示波器，以提供高分辨率波形图像。
例如，考虑发动机以每分钟3000转运转。该发动机速度等于每秒50转，或每秒25次完整吸气/做功循环。为了准确测量发动机中的现象，例如气缸压力，可能必须有大约100个数据点用于每个循环。但提供可以每秒采样2500次的压力传感器以及相关的电路是不可能、不现实或不经济的。ETS可以用于这种情况中，以使用可获得的低采样率传感器数据构建高分辨率数据追踪。
图1为ETS如何工作，以有效提供比由数据传感器可获得的数据采样率更高的数据采样率的示例。曲线图10包括表示作为时间函数的某些参数值的曲线20。曲线20包含数据点22、24、26与28。其他数据点也在曲线20上示出。曲线20上的数据点是在给定的数据传感器限制的情况下以尽可能高的分辨率获得的，但该分辨率不足以俘获参数的高频振荡。可以观察的是，如果曲线图10上的数据点由直线连接，得到的图线看起来不像曲线20。为了俘获曲线20的振荡，需要更高的数据采样率。
曲线图30包含使用等效时间采样由曲线20上的数据点重新构建的数据点。曲线图30上的时间标度与曲线图10上的时间标度不一样。更确切地，包含ETS重新构建的数据的曲线图30表示比作为源使用的曲线图10更短的时间跨度。在该示例中，曲线图30包含从来自曲线20的四周期数据获得的数据点；因此，曲线图30的x轴仅跨越曲线图10的x轴的四分之一数量的时间。
当来自曲线20的点22变换至曲线图30上的点32时，ETS重新构建开始。可以看到的是，点32的y轴值与点22的y轴值相同。同样，点32的x轴值与点22的x轴值相同，其中，扩大了曲线图30的x轴标度。来自曲线20的点24变换至曲线图30上的点34。可以看到的是，点24靠近曲线20上的第一数据周期的端部，并且点34靠近曲线图30上的数据点的周期的端部。此外，点24与34的x轴与y轴值相同。来自曲线20的点26变换至曲线图30上的点36。因为点26存在于来自曲线20的第二数据周期上，并且仅一个数据周期正被构建于曲线图30上，点36的x轴位置必须被调节一个波长。也就是说，点36的x轴（时间）值等于点26的x轴值减去一个周期。点26与36的y轴值当然相同。
相似地，来自曲线20的点28变换至曲线图30上的点38。因为点28存在于来自曲线20的第三数据周期上，所以点38的x轴位置必须被调节两个波长。可以对曲线20上的所有数据点重复该过程，产生曲线图30上示出的数据点。可以观察到的是，曲线图30上的数据点表示来自曲线20的一个数据周期的高保真重新构建。这就是当以相对低采样率数据传感器测量周期数据，例如曲线20时，等效时间采样所提供的优势。ETS可以被用于将有效数据采样率提高多达10倍或更多。
替代时间，如果曲线图10与30的水平轴测量发动机中的曲轴角度（其中曲柄角度从0运行至720度，表示每循环两冲程的发动机的两转），那么上述ETS变换可以甚至更简单，因为所有数据点可以直接绘制为重新构建的数据曲线图30上的曲柄角度的函数。
如上所述，ETS为用于数字存储示波器，以改进测量的波形的分别率的技术。ETS还可以用于复杂***例如汽车发动机的控制器，以有效的改进传感器数据的采样率，并且能够使得改进的分辨率数据在***模型中使用，并且用于缺陷诊断与监督控制。这在以下详细论述。
图2为***40的方框图，该***使用等效时间采样与***模型改进发动机的缺陷诊断与监督控制。发动机42装备有多个传感器（未示出）。发动机42上的传感器例如可以包括节气门位置传感器、进气歧管压力传感器、曲轴位置传感器、气缸压力传感器、以及排气氧传感器。在发动机42的运转过程中，将低采样率数据在线44上提供至ETS模块46。ETS模块46操作，以将低采样率数据转换为高采样率数据，其中使用多个周期的低采样率数据构建高采样率数据的每个周期，如前所述。将输入参数例如节气门位置、空气流速、以及进气歧管压力的高采样率数据在线48上提供至***模块50。
***模型50使用线48上的高采样率数据作为输入，并且基于这些输入模拟发动机42的性能。在这种情况中，***模型50可以是发动机42的燃烧模型。***模型50可以是所谓的黑盒模型或者所谓的白盒模型，黑盒模型基于输入参数的值完成输出参数的数据驱动查询，白盒模型使用基于物理的模拟技术基于输入值预测性能与输出。在任一情况中，***模型50在线52上提供输出数据至估计器模块54。ETS模块46还在线56上提供高采样率输出数据至估计器模块54。如在线56上所提供的在发动机42上测量并且由ETS模块46重新构建的输出数据例如可以包括气缸压力。***模型50还在线52上提供模拟的气缸压力信号。
估计器模块54可以实现几个功能，包括将线56上的高采样率输出数据与线52上的***模型输出数据相比较，以寻找异常。估计器模块54还可以根据线56上的数据提供对被测量的准确估计，以及对未被测量或不可测量的量的估计，如果这些参数包括在***模块50中并且被提供于线52上。估计器模块54可以使用多种数值技术中的任一种，例如卡尔曼滤波或扩展的卡尔曼滤波，以基于在线52与56上提供的数据表征发动机42的性能。如估计技术与数值方法领域技术人员所理解的，这些技术估计那些被长时间观察的且包含噪声与其他不精确性的测量结果的真实值。
估计器模块54在线58上提供关于发动机42操作与性能数据至应用模块60。线58上的操作与性能数据基于由ETS模块46提供的有效的高采样率数据。很多功能可以通过应用模块60使用高采样率输出数据来完成，这些功能在低采样率数据的条件下是不可能完成的。一个广泛类别的应用就是缺陷诊断。作为示例，可以分析气缸压力追踪，产生局部阻塞该气缸的燃油喷射器的判定。虽然并非指示紧急情况，但可以检测这种类型的初期故障，并且合适的诊断毛病代码登记和驾驶员通知在该缺陷导致发动机故障或步行回家情况之前完成。另一个示例是基于排气歧管压力追踪的评估检测排气泄漏。在没有ETS模块46的情况下这些类型的缺陷检测和诊断都是不可能的，因为气缸压力或者排气歧管数据信号不会足够准确或者分辨率不够高以允许对这些缺陷的有效识别。
应用模块60中可获得的另一类别的应用是监督控制。例如，可以分析气缸压力数据，如估计器模块54的输出，以确定对于发动机42的当前操作条件来说燃油喷射正时与火花正时是否是最优的。喷射或火花正时可以基于气缸压力曲线的本质而提前或推后。此外，在没有由ETS模块46所能实现的有效采样率增加的情况下，气缸压力数据信号就不会足够准确，以允许有效的监督控制。
活塞发动机代表ETS应用的自然机会，因为它们的操作是周期性的，并且因此使它自身适用于ETS技术。而且，存在用于发动机的高度复杂的燃烧与性能模型，但这些模型的输出仅与输入数据的质量一样好。如上所述，ETS可以被用于利用现有的低采样率传感器，改进***模型输入的数据质量。基于ETS的数据增强技术可应用于很多类型的***；在应用于来自活塞发动机的传感器数据方面描述的***40在此作为示例使用。实际上，ETS模块46、***模型50、估计器模块54、以及应用模块60可以包括在控制器或电子控制单元（ECU）中。
图3为使用等效时间采样与***模型，以改进硬件***的控制与缺陷诊断功能的方法的流程图70。在方框72处，从硬件***例如发动机42上的传感器获取低采样率传感器数据。在方框74处，将等效时间采样应用于低采样率数据，以产生重新构建的高采样率信号。在方框76处，***模型使用高采样率ETS数据作为输入，以实现硬件***的模拟。在方框78处，将数值估计方法应用于来自方框76的***模型的输出以及来自方框74的高采样率ETS输出数据。如前所述，估计方法可以包括卡尔曼滤波或其他用于最小化输出数据中的噪声与其他不准确性的技术，因此准确表征硬件***的性能。
在方框80处，可以使用方框78处的估计输出而完成缺陷检测与诊断、以及监督控制。如前所述，缺陷检测可以基于ETS重新构建的输出信号的评估、***模型输出信号的评估、或两者之间的比较。监督控制操作同样可以基于ETS重新构建的输出或模拟输出。在任一情况中，输入信号与输出信号的ETS重新构建实现了***性能准确估计与有效评估。
已经示出了以上描述的方法在具有传统低采样率数据传感器的发动机的测试中是有效的。通过将等效时间采样技术应用于实时数据获取，并且在监督控制与缺陷检测***中使用ETS增强数据，已经演示了在低采样率传感器数据的信号质量中的明显改进。可以在不发生高采样率传感器与数据获取电子硬件的成本与复杂性的情况下实现这种改进，因此使得公开的方法对测量与其他***的制造商有吸引力。
前述内容仅仅公开与描述了本发明的典型实施例。本领域技术人员容易从这种论述以及从附图与权利要求中认识到可以在不脱离如所附权利要求中限定的本发明的精神与范围的情况下进行各种改变、修改以及变化。

Claims (12)

1.一种硬件***的状态估计、诊断以及控制方法，所述方法包括：
从所述硬件***获取低采样率数据；
将等效时间采样（ETS）应用于低采样率数据，以构建高采样率数据；
在***模型中使用高采样率数据，以模拟所述硬件***的性能；
使用应用于从所述***模型的输出和所述高采样率数据的数值估计器表征所述硬件***的性能，其中将所述高采样率数据与从所述***模型的输出相比较；以及
使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作。
2.根据权利要求1所述的方法，其中，使用数值估计器表征所述硬件***的性能包括使用卡尔曼滤波或扩展的卡尔曼滤波。
3.根据权利要求1所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的缺陷检测与诊断。
4.根据权利要求1所述的方法，其中，使用从所述数值估计器的输出，用于所述硬件***的监控与配置操作包括所述硬件***的监督控制。
5.根据权利要求1所述的方法，其中，所述硬件***为汽车中的发动机。
6.根据权利要求5所述的方法，其中，所述***模型包括所述发动机中的进气、燃油输送、燃烧以及排气的模拟。
7.一种用于机器的状态估计、诊断以及控制***，所述***包括：
一个或多个用于从处于运转的所述机器获取低采样率数据的传感器；
用于使用来自所述传感器的所述低采样率数据构建高采样率数据的等效时间采样（ETS）模块；
用于使用所述高采样率数据作为输入模拟所述机器的性能的***模型；
用于使用所述***模型的输出与所述高采样率数据表征所述机器的性能的估计器模块，其中将所述高采样率数据与从所述***模型的输出相比较；以及
用于基于所述估计器模块的输出实现所述机器的监控与配置操作的应用模块。
8.根据权利要求7所述的***，其中，所述估计器模块使用卡尔曼滤波或扩展的卡尔曼滤波。
9.根据权利要求7所述的***，其中，所述应用模块包括所述机器的缺陷检测与诊断。
10.根据权利要求7所述的***，其中，所述应用模块包括所述机器的监督控制。
11.根据权利要求7所述的***，其中，所述机器为汽车中的发动机。
12.根据权利要求11所述的***，其中，所述***模型模拟所述发动机中的进气、燃油输送、燃烧以及排气。
CN201210143347.2A 2011-05-10 2012-05-10 使用等效时间采样的状态估计、诊断以及控制 Expired - Fee Related CN102778360B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/104,629 2011-05-10
US13/104,629 US8751097B2 (en) 2011-05-10 2011-05-10 State estimation, diagnosis and control using equivalent time sampling
US13/104629 2011-05-10

Publications (2)

Publication Number Publication Date
CN102778360A CN102778360A (zh) 2012-11-14
CN102778360B true CN102778360B (zh) 2015-07-29

Family

ID=47070660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210143347.2A Expired - Fee Related CN102778360B (zh) 2011-05-10 2012-05-10 使用等效时间采样的状态估计、诊断以及控制

Country Status (3)

Country Link
US (1) US8751097B2 (zh)
CN (1) CN102778360B (zh)
DE (1) DE102012102767B4 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101743294B1 (ko) * 2010-11-01 2017-06-15 두산인프라코어 주식회사 건설장비의 모니터링 데이터 샘플링 방법
US8751097B2 (en) * 2011-05-10 2014-06-10 GM Global Technology Operations LLC State estimation, diagnosis and control using equivalent time sampling
WO2016026039A1 (en) 2014-08-18 2016-02-25 Verity Studios Ag Invisible track for an interactive mobile robot system
WO2016103204A1 (en) 2014-12-24 2016-06-30 Verity Studios Ag Flexibly supported movable platform
US9885773B2 (en) 2015-03-07 2018-02-06 Verity Studios Ag Distributed localization systems and methods and self-localizing apparatus
US10111044B2 (en) 2015-05-29 2018-10-23 Verity Studios Ag Methods and systems for scheduling the transmission of localization signals and operating self-localizing apparatus
US10554049B2 (en) 2016-03-21 2020-02-04 The Regents Of The University Of California Real-time disaggregation of renewable energy generation on an electricity distribution system
CN110987449B (zh) * 2019-12-13 2021-03-23 山东大学 一种基于类卡尔曼滤波的电子节气门开度估计方法及***
CN111090005A (zh) * 2019-12-23 2020-05-01 国网河南省电力公司电力科学研究院 一种超高次谐波采样方法及装置
US11827231B2 (en) 2020-12-28 2023-11-28 GM Global Technology Operations LLC System and method for evaluating vehicle-trailer combination for trailer sway potential using active yaw maneuver

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4553213A (en) * 1970-12-28 1985-11-12 Hyatt Gilbert P Communication system
US5991525A (en) * 1997-08-22 1999-11-23 Voyan Technology Method for real-time nonlinear system state estimation and control
TW559668B (en) * 1999-02-08 2003-11-01 Advantest Corp Apparatus for and method of measuring a jitter
US6621860B1 (en) * 1999-02-08 2003-09-16 Advantest Corp Apparatus for and method of measuring a jitter
DE19919227A1 (de) * 1999-04-28 2000-11-02 Valeo Schalter & Sensoren Gmbh Flexible Ansteuerung für KFZ-Nahbereichs-Pulsradar
US6525837B1 (en) * 2001-06-29 2003-02-25 Lexmark International, Inc. Printer assembly and method for determining the position of a printer component
US7254185B2 (en) * 2002-03-14 2007-08-07 Mediatek Incorporation Method for recovering a digital data content in a communication system and apparatus for performing the same
US6975251B2 (en) * 2002-06-20 2005-12-13 Dakota Technologies, Inc. System for digitizing transient signals with waveform accumulator
WO2004002042A2 (en) * 2002-06-20 2003-12-31 Dakota Technologies, Inc. System for digitizing transient signals
US7769507B2 (en) * 2004-08-26 2010-08-03 United Technologies Corporation System for gas turbine health monitoring data fusion
CN101263499B (zh) * 2005-07-11 2013-03-27 布鲁克斯自动化公司 智能状态监测和故障诊断***
US7890813B2 (en) * 2006-05-11 2011-02-15 Oracle America, Inc. Method and apparatus for identifying a failure mechanism for a component in a computer system
WO2008116168A1 (en) * 2007-03-21 2008-09-25 Jadi, Inc. Navigation unit and base station
US7577542B2 (en) * 2007-04-11 2009-08-18 Sun Microsystems, Inc. Method and apparatus for dynamically adjusting the resolution of telemetry signals
US7746058B2 (en) * 2008-03-21 2010-06-29 Tektronix, Inc. Sequential equivalent—time sampling with an asynchronous reference clock
CN105182263A (zh) * 2008-04-28 2015-12-23 康奈尔大学 分子mri中的磁敏度精确量化
CN102186537A (zh) * 2008-08-27 2011-09-14 应用磁学有限责任公司 用于向对象和给药于对象的物质两者进行磁共振的方法和***
US20100257838A1 (en) * 2009-04-09 2010-10-14 General Electric Company Model based health monitoring of aeroderivatives, robust to sensor failure and profiling
US8751097B2 (en) * 2011-05-10 2014-06-10 GM Global Technology Operations LLC State estimation, diagnosis and control using equivalent time sampling

Also Published As

Publication number Publication date
US20120290168A1 (en) 2012-11-15
CN102778360A (zh) 2012-11-14
DE102012102767B4 (de) 2016-07-14
DE102012102767A1 (de) 2012-11-15
US8751097B2 (en) 2014-06-10

Similar Documents

Publication Publication Date Title
CN102778360B (zh) 使用等效时间采样的状态估计、诊断以及控制
CN102893000B (zh) 在内燃发动机中使用缸内压力传感器的诊断装置及方法
CN102066729B (zh) 通过分析发动机气缸压力信号和曲轴速度信号的燃料***诊断
Capriglione et al. On-line sensor fault detection, isolation, and accommodation in automotive engines
JP7119101B2 (ja) 自動車の排気ガス量の計算
US5485374A (en) Combustion-conditon diagnostic system and method for a multicylinder engine
CN101435741B (zh) 车辆发动机进行诊断测试的正确燃料流量的确定方法
EP1402165B1 (en) Method to determine tdc in an internal combustion engine
CN106414965A (zh) 用于识别内燃机的阀控制时间的方法
US8170777B2 (en) Indicating system and method for determining an engine parameter
CN111577471A (zh) 内燃机的状态检测***、数据解析装置、车辆、及内燃机的状态检测方法
CN104234847A (zh) 诊断egr***的方法和利用该方法控制燃油喷射的方法
CN112523886A (zh) 保证进气流量精度的控制方法
CN102374094B (zh) 发动机失火故障诊断方法
CN114563651A (zh) 一种示波器测试汽车的方法、装置、设备及存储介质
US20150219053A1 (en) Method for determining quantities of fuel during a direct injection of a motor vehicle
CN115144668A (zh) 故障检测方法、信号模拟器及故障检测***
CN102116242A (zh) 一种发动机失火的诊断方法
Kimmich et al. Model based fault detection for the injection, combustion and engine-transmission
KR101205247B1 (ko) Ｈｉｌｓ 시스템 기반 하이브리드 상용차의 연료소모량 및 배출가스 산출시스템
CN110926821A (zh) 一种发动机充气模型准确度的评估方法
Lakatos Elaboration of a new method for developing a diagnostic procedure for motor vehicles based on a model
Kimmich et al. Model based engine torque supervision for diesel engines using the engine speed signal
US9501612B2 (en) Error cause detection or narrowing down of errors with the aid of error patterns in the air system
Boguta Application of the LabVIEW environment in testing automotive thermoanemometric flow meters

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150729