DE102014113476A1

DE102014113476A1 - Abgassystem und verfahren zum schätzen einer russbeladung eines dieselpartikelfilters für diesen unter verwendung eines zweilagigen neuronalen netzes

Info

Publication number: DE102014113476A1
Application number: DE201410113476
Authority: DE
Inventors: Anthony B. Will; John X. Cui; Min Sun
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2013-09-24
Filing date: 2014-09-18
Publication date: 2015-03-26
Anticipated expiration: 2034-09-19
Also published as: US9328644B2; US20150088398A1; DE102014113476B4

Abstract

Ein Verfahren zum Schätzen einer Rußbeladung in einem Dieselpartikelfilter (DPF) in einem Fahrzeugabgassystem umfasst, dass eine Motorausgangsrußrate unter Verwendung eines ersten neuronalen Netzes geschätzt wird, das einen ersten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist. Das Verfahren umfasst ferner, dass eine DPF-Rußbeladung unter Verwendung eines zweiten neuronalen Netzes geschätzt wird, das die geschätzte Motorausgangsrußrate von dem ersten neuronalen Netz und einen zweiten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist. Ein Schätzen der Motorausgangsrußrate und ein Schätzen der DPF-Rußbeladung werden von einem elektronischen Controller ausgeführt, der das erste und zweite neuronale Netz ausführt. Das Verfahren sieht auch ein Training des ersten und zweiten neuronalen Netzes sowohl offline (für anfängliche Einstellungen der neuronalen Netze in dem Fahrzeug) als auch online (wenn das Fahrzeug von einem Fahrzeugnutzer verwendet wird) vor. Ein Abgassystem weist einen Controller auf, der das Verfahren implementiert.

Description

TECHNISCHES GEBIET
Die vorliegenden Lehren umfassen allgemein ein Verfahren zum Schätzen einer Rußbeladung in einem Dieselpartikelfilter und ein Abgassystem, das das Verfahren implementiert.
HINTERGRUND
Dieselpartikelfilter (DPFs) sind so ausgelegt, Ruß von der Abgasströmung eines Dieselmotors zu entfernen. Wenn der angesammelte Ruß eine vorbestimmte Menge erreicht, wird der Filter durch Abbrennen des angesammelten Rußes ”regeneriert”. Es existiert kein Mechanismus, der verfügbar ist, um die Menge an Ruß in der Abgasströmung von dem Motor oder die Menge an Ruß in dem DPF, wenn das Fahrzeug in Gebrauch ist, direkt zu messen. Demgemäß sind mathematische und empirische Rußmodelle verwendet worden, um die in dem DPF vorhandene Rußmenge zu schätzen, so dass eine zeitige Entfernung oder Regeneration des DPF sichergestellt werden kann. Eine Modellierung der Abgasströmung und der resultierenden DPF-Beladung ist von komplexen chemischen Reaktionen sowie physikalischer Strömungsdynamik abhängig. Viele Modelle verwenden mehrere Nachschlagetabellen und Parameter, die alle langwierigen und arbeitsintensiven Motor- und Fahrzeugprüfungs- sowie -Kalibrierungsaufwand erfordern.
Die Genauigkeit des Rußmodells, das verwendet wird, ist wichtig, da der DPF dann optimal funktioniert, wenn die Rußmenge, die vorhanden ist, unterhalb einer vorbestimmten Menge liegt. Ein Rußbeladungsmodell ist von einer Druckdifferenz über den DPF abhängig. Jedoch ist die Messung der Druckdifferenz weniger genau, wenn der Abgasdurchfluss relativ gering ist. Ein genaues Rußmodell stellt sicher, dass der DPF bei relativ geringen Rußkonzentrationen (Gramm von Ruß pro Volumen an Filter) nicht unnötig regeneriert wird, wodurch die Kraftstoffwirtschaftlichkeit gesteigert wird.
ZUSAMMENFASSUNG
Es ist ein Verfahren zum Schätzen einer Rußbeladung in einem DPF in einem Fahrzeugabgassystem vorgesehen, das ein zweilagiges neuronales Netz verwendet. Das Verfahren verwendet ein erstes neuronales Netz des zweilagigen neuronalen Netzes, um eine Motorausgangsrußrate zu schätzen. Das erste neuronale Netz weist einen ersten Satz von Fahrzeugbetriebsbedingungen als Eingaben auf. Die Motorausgangsrußrate ist eine Rußmenge pro Zeiteinheit (wie in Gramm pro Stunde) in der Abgasströmung zu dem DPF. Das Verfahren umfasst ferner, dass die DPF-Rußbeladung unter Verwendung eines zweiten neuronalen Netzes des zweilagigen neuronalen Netzes geschätzt wird, das die geschätzte Motorausgangsrußrate von dem ersten neuronalen Netz und einem zweiten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist. Ein elektronischer Controller führt das erste und das zweite neuronale Netz aus. Das Verfahren sieht auch ein Training des ersten und zweiten neuronalen Netzes sowohl ohne Betrieb (offline) (für Anfangseinstellungen der neuronalen Netze in dem Fahrzeug) als auch im Betrieb (online) (wenn das Fahrzeug von einem Fahrzeugnutzer genutzt wird) vor.
Das Verfahren kann ein Trainieren des zweilagigen neuronalen Netzes unter Verwendung einer druckdifferenzbasierten Rußbeladungsschätzung umfassen. Demgemäß kann das Verfahren ein Überwachen einer Druckdifferenz der Abgasströmung über den DPF und ein Schätzen der DPF-Rußbeladung gemäß einem druckbasierten Modell unter Verwendung der überwachten Druckdifferenz umfassen, wenn die Motorbetriebsbedingungen innerhalb eines vorbestimmten ersten Satzes von Motorbetriebsbedingungen liegen. Das druckbasierte Modell ist ein gespeicherter Algorithmus, der von dem elektronischen Controller ausgeführt wird. Die neuronalen Netze werden dann unter Verwendung der Rußbeladungsschätzung des druckbasierten Modells als eine Ausgabe des zweiten neuronalen Netzes und der Fahrzeugbetriebsbedingungen als Eingaben in das zweilagige neuronale Netz trainiert.
Ein Abgassystem zum Behandeln von Abgas von einem Motor an einem Fahrzeug weist einen DPF in Abgasströmungskommunikation mit dem Motor sowie einen Controller in Wirkverbindung mit dem Motor und dem Abgassystem auf, um Fahrzeugbetriebsbedingungen zu ermitteln. Der Controller ist derart konfiguriert, ein zweilagiges neuronales Netz auszuführen. Das zweilagige neuronale Netz weist ein erstes neuronales Netz auf, das eine Motorausgangsrußrate schätzt und einen ersten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist. Das zweilagige neuronale Netz weist ferner ein zweites neuronales Netz auf, das eine DPF-Rußbeladung schätzt und die Motorausgangsrußrate von dem ersten neuronalen Netz und einem zweiten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist.
Das Abgassystem kann eine Differenzdruckmessvorrichtung aufweisen, die funktional mit dem DPF verbunden ist und dazu dient, ein Signal, das einem Differenzdruck über den DPF entspricht, bereitzustellen. Der Controller steht in Wirkverbindung mit der Differenzdruckmessvorrichtung, um die Druckdifferenz zu überwachen. Ein druckbasiertes Modell der DPF-Rußbeladung basierend auf der Druckdifferenz wird dazu verwendet, das zweilagigen neuronale Netz sowohl ohne Betrieb (offline) als auch in Echtzeit zu trainieren.
Die obigen Merkmale und Vorteile wie auch weitere Merkmale und Vorteile der vorliegenden Lehren werden leicht aus der folgenden detaillierten Beschreibung der besten Moden zur Ausführung der vorliegenden Lehren in Verbindung mit den begleitenden Zeichnungen offensichtlich.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist eine schematische Darstellung eines Fahrzeugabgassystems, das einen Dieselpartikelfilter und einen Controller aufweist.
2 ist ein schematisches Diagramm des Controllers von 1, der einen Prozessor mit einem ersten neuronalen Netz, das eine Motorausgangsrußrate schätzt, einem zweiten neuronalen Netz, das eine DPF-Rußbeladung teilweise basierend auf der geschätzten Motorausgangsrußrate von dem ersten neuronalen Netz schätzt, ein druckbasiertes Modell der DPF-Rußbeladung sowie einen Lernalgorithmus für die neuronalen Netze aufweist.
3 ist eine schematische Darstellung des ersten und zweiten neuronalen Netzes von 2.
4 ist eine schematische dreidimensionale Aufzeichnung der Betriebszeit zu verschiedenen Motorbetriebspunkten gemäß der Motordrehzahl und eingespritzter Kraftstoffmengenrate und der Verteilung des Betriebs an einem Motorbetriebspunkt zu vorbestimmten Motorbetriebspunkten.
5 ist eine schematische Darstellung einer Zeittabelle, die einen Motorbetriebspunkt und die Verteilung der Betriebszeit bei vorbestimmten Motorbetriebspunkten, die verschiedene Motordrehzahlen aufweisen, und bei verschiedenen eingespritzten Kraftstoffmengenraten zeigt.
6 ist ein schematisches Flussdiagramm eines Verfahrens zum Schätzen einer Rußbeladung, das von dem Controller von 1 über die neuronalen Netze, das druckbasierte Modell und den Lernalgorithmus von 2 ausgeführt wird.
DETAILLIERTE BESCHREIBUNG
Bezug nehmend auf die Zeichnungen, in denen gleiche Bezugszeichen in den verschiedenen Ansichten gleiche Komponenten betreffen, zeigt 1 ein Fahrzeug 10, das einen Motor 11 mit einem repräsentativen Abgassystem 12 aufweist, das einen DPF 14 aufweist. Ein Überwachungssystem 16 für den DPF 14 dient dazu, die Menge an Rußmasse in dem DPF 14 zu überwachen, um eine Filterleistungsfähigkeit sicherzustellen, eine Gesamtkraftstoffwirtschaftlichkeit und Reduzierung von Emissionen zu steigern und eine zeitige Regeneration des DPF 14 bereitzustellen.
Das Abgassystem 12 weist einen Dieseloxidationskatalysator 18 auf, der Kohlenwasserstoffe in der den Motor 11 verlassenden Abgasströmung 20 oxidiert und verbrennt. Das Abgas strömt dann durch einen Katalysator 22 für selektive katalytische Reduktion, der zumindest einen Teil der Stickoxide in der Abgasströmung 20 in Wasser und Stickstoff umwandelt. Das Abgas strömt dann von einem Einlass 24 des DPF 14 zu einem Auslass 26 des DPF 14 und verlässt dann das Abgassystem 12. Das Abgassystem 12 kann stattdessen so angeordnet sein, dass sich der Katalysator 22 für selektive katalytische Reduktion stromabwärts des DPF 14 befindet, ohne die Funktion des Überwachungssystems 16 zu beeinflussen.
Das Überwachungssystem 16 weist einen Controller 28 auf, der einen Prozessor 30 besitzt, der gespeicherte Algorithmen von einem konkreten, nichtflüchtigen Speicher ausführt, wie mit Bezug auf 2 beschrieben ist, um die Rußmenge in dem DPF 14 zu schätzen, und basierend auf der Schätzung ein Steuersignal 38 ausgibt, wenn eine Regeneration des DPF 14 gerechtfertigt ist, um einen Motorbetrieb bei Bedingungen (wie eine erhöhte Kraftstoffmenge) zu bewirken, die eine Regeneration des DPF 14 auslösen. Wenn der DPF 14 ein Typ ist, der durch Änderung von Betriebsparametern aktiv regeneriert wird, um eine Abgasströmungstemperatur zum Verbrennen des Rußes anzuheben, kann das Signal 38 Motorparameter beeinflussen, um die Zunahme der Temperatur der Abgasströmung 20 zu bewirken.
Daten, die Echtzeitbetriebsparameter in dem Abgassystem 12 widerspiegeln, werden in den Controller 28 eingegeben und von verschiedenen der gespeicherten Algorithmen verwendet, wie hier beschrieben ist. Beispielsweise kann das Überwachungssystem 16 einen Motordrehzahlsensor 32 aufweisen, der in Wirkverbindung mit der Motorkurbelwelle 34 positioniert ist und dazu dient, eine Motordrehzahl 36 (auch als ein erster Motorbetriebszustand bezeichnet) zu überwachen, wie in Umdrehungen pro Minute (U/min), und um ein Signal, das die Motordrehzahl repräsentiert, an den Prozessor 30 zu liefern. Zusätzlich weist das Überwachungssystem 16 einen Sensor 37 auf, der ein Luft-Kraftstoff-Verhältnis in dem Motor 11 misst und ein Luft-Kraftstoff-Verhältnis 42 über ein Signal an den Prozessor 30 liefert. Das Überwachungssystem 16 weist auch einen Sensor 39 auf, der eine Luftströmung in den Motor 11 misst und eine Luftströmungsmessung 43 über ein Signal an den Controller 28 liefert. Eine Kraftstoffströmungsmessvorrichtung 49 misst eine eingespritzte Kraftstoffmengenrate 47 (auch als eine zweite Motorbetriebsbedingung bezeichnet), wie die Kraftstoffströmung in Kubikmillimeter pro Motorhub (mm³/Zyklus) in ein Kraftstoffeinspritzsystem für den Motor 11. Die Kraftstoffmengenrate 47 wird als ein Signal an den Prozessor 30 geliefert. Die Kraftstoffmengenrate 47 ist proportional zu der Motorlast (z. B. Drehmoment an der Kurbelwelle 34). Zusätzliche Fahrzeugbetriebsbedingungen, wie zusätzliche Motorbetriebsparameter und Betriebsparameter des Abgassystems 12, können ebenfalls an den Controller 28 geliefert und von den an dem Prozessor 30 gespeicherten Algorithmen verwendet werden, um die Menge der Rußbeladung in dem DPF 14 zu schätzen. Beispielsweise können die Abgastemperaturen und andere Parameter überwacht werden.
Das Überwachungssystem 16 weist auch eine Differenzdruckmessvorrichtung 44 auf, die dazu dient, einen dritten Betriebsparameter zu messen, der eine Druckdifferenz zwischen der Abgasströmung an dem Einlass 24 und der Abgasströmung an dem Auslass 26 des DPF 14 darstellt. Die Differenzdruckmessvorrichtung 44 steht in Fluidkommunikation mit der Abgasströmung 20 an dem Einlass 24 und an dem Auslass 26 und gibt ein Signal ab, das für einen Differenzdruck 46 repräsentativ ist (auch als Druckabfall bezeichnet). Der Differenzdruck 46 wird von dem Prozessor 30 verwendet, wie hier weiter beschrieben ist.
Bezug nehmend auf 2 ist der Prozessor 30 detaillierter gezeigt, um die Algorithmen, die von dem Prozessor 30 ausgeführt werden, wie auch die empirischen Daten, auf die der Prozessor 30 zugreift, zu repräsentieren. Der Prozessor 30 weist ein druckbasiertes Modell 50 der DPF-Rußbeladung (auch als ein erster gespeicherter Algorithmus bezeichnet) auf, der eine abgeleitete DPF-Rußbeladungsschätzung M ^_Δp(t) teilweise basierend auf dem Differenzdruck 46, der von der Druckmessvorrichtung 44 bereitgestellt wird, vorsieht. Die Motorbetriebsbedingungen 36, 47 werden ebenfalls an das druckbasierte Modell 50 geliefert. Das druckbasierte Modell 50 repräsentiert die Dynamik von Motorausgangsruß sowie DPF-Rußbeladung, die von der Druckdifferenz über den DPF 14 abgeleitet ist. Das druckbasierte Modell 50 kann gespeicherte Daten basierend auf einem vorhergehenden Testen aufweisen, einschließlich ohne Betrieb (offline) stattfindender Wägungen des DPF 14, die mit gemessenen Druckdifferenzen und Motorbetriebsbedingungen koordiniert sind.
Bezug nehmend auf die 2 und 3 weist der Prozessor 30 ein zweilagiges neuronales Netz 51 auf, das ein erstes neuronales Netz 54 besitzt, das derart konfiguriert ist, eine geschätzte Motorausgangsrußrate 53 bereitzustellen. Das zweilagige neuronale Netz 51 weist auch ein zweites neuronales Netz 52 auf, das einen geschätzten DPF-Rußbeladungswert M ^_1dk(t) bereitstellt. Das zweite neuronale Netz 52 ist von der geschätzten Motorausgangsrußrate 53 abhängig, die als ein Eingabesignal von dem ersten neuronalen Netz 54 geliefert wird. Mit anderen Worten ist die geschätzte Motorausgangsrußrate 53 eine Eingabe in das zweite neuronale Netz 52. Zusätzlich zu den Eingängen 36, 47, wie in 2 gezeigt ist, werden mehrere zusätzliche Fahrzeugbetriebsbedingungen als Eingaben in das erste neuronale Netz 54 und das zweite neuronale Netz 52 verwendet, wie in Tabelle I unten angegeben ist.

Das erste und zweite neuronale Netz 54, 52 werden dadurch trainiert, dass sie verschiedenen Fahrzeugbetriebsbedingungen ausgesetzt werden. Neuronale Netze sind Computermodelle, die ein nichtlineares Systemverhalten simulieren. Die neuronalen Netze sind aus Verarbeitungselementen (künstliche Neuronen, die hier als Knoten bezeichnet sind) aufgebaut, die eine Eingabeschicht, eine oder mehrere verdeckte Schichten und eine Ausgabeschicht aufweisen. Die Anzahl von Knoten in jeder Schicht wie auch die Anzahl verdeckter Schichten wird zum Zeitpunkt des Aufbaus der neuronalen Netze gewählt. Allgemein kann ein Erhöhen der Anzahl von Knoten in jeder der Schichten und/oder ein Erhöhen der Anzahl verdeckter Schichten die Präzision des Netzes erhöhen, jedoch auf Kosten einer größeren Verarbeitungsressource. Die Eingabeknoten empfangen verschiedene Fahrzeugbetriebsbedingungen von verschiedenen Sensoren oder Computermodellen. Die Fahrzeugbetriebsbedingungen, die als Eingaben gewählt sind, sind diejenigen, die als potentiell relevant für die gewünschte Ausgabe betrachtet werden, z. B. diejenigen, die für die Motorausgangsrußrate für das erste neuronale Netz 54 relevant sind, und diejenigen, die für die geschätzte DPF-Rußbeladung für das zweite Neuronale Netz 52 relevant sind. Die Tabelle I gibt die Eingabevariablen, die als Signale an das erste neuronale Netz 54 geliefert werden, und die Eingabevariablen, die als Signale an das zweite neuronale Netz 52 geliefert werden, an. TABELLE I

Knoten, der ein Eingabesignal aufnimmt	Eingabesignal für Eingabeschicht eines ersten neuronalen Netzes 54 (MA-Rußschät schätzung)	Eingabesignale für Eingabeschicht eines zweiten neuronalen Netzes 52 (DPF Rußbeladungsschätzung)	Variable Fahrzeugbetriebsbedingung, die von dem Eingabesignal angegeben ist	Einheit
I1	V1		Motordrehzahl	U/min
I2	V2		AFR (Luft-Kraftstoff-Verhältnis)
I3	V3		AGR (Abgasrückführung)	%
I4	V4		Kraftstoffeinspritzschienendruck	MPa
I5	V5		Kraftstoffeinspritzzeitpunkt	Kurbelwinkelgrad
I6/I17	V6	V6	Kraftstoffmassendurchfluss	kg/h
I7/I16	V7	V7	Luftmassendurchfluss	g/s
O1/I8		V8	Motorausgangs-(MA)-Rußrate	g/h
I9		V9	Lambda (λ)
I10		V10	Abgasmassendurchfluss	kg/h
I11		V11	DOC-Einlasstemperatur	Grad C
I12		V12	DOC-Auslasstemperatur	Grad C
I13		V13	DPF-Einlassdruck	mbar
I14		V14	DPF-Einlasstemperatur	Grad C
I15		V15	DPF-Auslasstemperatur	Grad C

Das erste neuronale Netz 54, das zum Schätzen der Motorausgangsrußrate (in Gramm pro Stunde) verwendet wird, besitzt sieben Eingaben V1–V7, die jeweils mit einem jeweiligen Eingabeknoten I1–I7 versehen sind. Die Eingabeknoten I1–I7 bilden die Eingabeschicht für das erste neuronale Netz 54. Das zweite neuronale Netz 52, das zum Schätzen der DPF-Rußbeladung (in Gramm) verwendet ist, weist zehn Eingaben V6–V15 auf, die jeweils mit einem jeweiligen Eingabeknoten I8–I17 versehen sind. Die Eingabeknoten I8 bis I17 bilden die Eingabeschicht des zweiten neuronalen Netzes 52. Die Eingabesignale V6 und V7, die den Kraftstoffmassendurchfluss und den Luftmassendurchfluss repräsentieren, sind Eingabesignale für sowohl das erste neuronale Netz 54 (an Eingabeknoten I6, I7) als auch das zweite neuronale Netz 52 (an Eingabeknoten I16, I17). Die Eingabevariable I9, Lambda (λ) ist das Verhältnis eines berechneten Luft-Kraftstoff-Verhältnisses in dem Motor zu einem stöchiometrischen Luft-Kraftstoff-Verhältnis. Das Eingabesignal V8, eine Motorausgangsrußrate in Gramm/Stunde, wird an den Eingabeknoten I8 des zweiten neuronalen Netzes 52 als die Ausgangsmotorrußrate 53 geliefert, die als eine Signalausgabe an den Ausgabeknoten O1 des ersten neuronalen Netzes 54 geliefert wird. Aus diesem Grund sind die neuronalen Netze 52, 54 gemeinsam als ein zweilagiges neuronales Netz 51 bezeichnet, wobei das erste neuronale Netz 54 die erste Lage ist und das zweite neuronale Netz 52 die zweite Lage ist.
Die präzisen mathematischen Berechnungen, die an der Dateneingabe zu einem neuronalen Netz ausgeführt werden, sind eine Funktion der spezifischen Netzkonstruktion. Die Konstruktion eines neuronalen Netzes ist durch zwei Hauptkomponenten gekennzeichnet. Die erste Komponente ist die gesamte Netzarchitektur, die die Anzahl von Schichten aus Knoten, die Anzahl von Knoten in jeder Schicht und die spezifischen Eingabe- und Ausgabesignale von dem System festlegt. Die Anzahl von Eingabeknoten, verdeckten Schichten, Anzahl von verdeckten Knoten und Anzahl von Knoten in der Ausgabeschicht des neuronalen Netzes 51, wie in 3 gezeigt ist, sind zu Zwecken eines nicht beschränkenden Beispiels vorgesehen und repräsentieren nur eine mögliche Ausführungsform. Innerhalb des Schutzumfangs der beanspruchten Erfindung können verschiedene Anzahlen von Knoten und verdeckten Schichten für das neuronale Netz verwendet werden.
Die zweite Komponente einer Konstruktion eines neuronalen Netzes sind die spezifischen Netzgewichtungen und Aktivierungsfunktionen, die die Interaktion zwischen den Knoten bestimmen. Die interne Architektur jedes einzelnen Knotens in einem neuronalen Netz ist ungeachtet der Schicht, in welcher dieses vorliegt, identisch. Diese Architektur besteht aus zwei separaten Teilen: einem algebraischen Operator, der ein Eingabesignal zu einem Knoten auf Grundlage einer spezifischen linearen Kombination von Ausgabesignalen von den vorhergehenden Schichten aus Knoten berechnet, sowie eine Aktivierungsfunktion, die dieses Eingabesignal in irgendeinen Ausgabewert umwandelt. Somit wird die Ausgabe eines Knotens in jeder gegebenen Schicht des Netzes (mit Ausnahme der Eingabeschicht) vollständig durch die Ausgabesignale von den Knoten in der vorhergehenden Schicht bestimmt.
In 3 ist das erste neuronale Netz 54 mit nur einer verdeckten Schicht gezeigt, die aus vier verdeckten Knoten H1, H2, H3 und H4 zusammengesetzt ist. Die Anzahl der Knoten in der verdeckten Schicht kann nach Bedarf variiert werden, um die Komplexität des modellierten Systems zu berücksichtigen, und in dem ersten neuronalen Netz 54 werden nur beispielhaft vier verdeckte Knoten verwendet. Jeder der Eingabeknoten I1–I7 liefert ein Signal an jeden der verdeckten Knoten H1–H4, wie durch Vorwärtspfeile von Eingabeknoten I1–I7 zu den verdeckten Knoten H1–H4 angegeben ist. Das bereitgestellte Signal wird mit dem jeweiligen Eingabesignal V1–V7 abhängig von einer Gewichtung, die dem Eingabesignal zugeordnet ist, korreliert. Jeder der vier verdeckten Knoten H1–H4 berechnet dann ein Eingabesignal zu dem Ausgabeknoten O1 (wie durch vier Pfeile angegeben ist), das auf einer spezifischen linearen Kombination von Ausgabesignalen von der vorhergehenden Schicht von Knoten (d. h. bei dieser Ausführungsform die Eingabeschicht aus Knoten I1–I7) und einer Aktivierungsfunktion basiert, die dieses Eingabesignal in irgendeinen Ausgabewert umwandelt. Der Ausgabeknoten O1 wandelt dann diese Signale in ein Ausgabesignal V8 um, das eine geschätzte Motorausgangsrußrate 53 repräsentiert, und das Ausgabesignal V8 liefert das Eingabesignal an den Eingabeknoten I8 des zweiten neuronalen Netzes 52.
Das zweite neuronale Netz 52 ist auch mit nur einer verdeckten Schicht gezeigt, die vier verdeckte Knoten HA, HB, HC und HD besitzt. Die Anzahl von Knoten in der verdeckten Schicht kann nach Bedarf variiert werden, um die Komplexität des modellierten Systems zu berücksichtigen, und in dem zweiten neuronalen Netz 52 werden nur beispielhaft vier verdeckte Knoten verwendet. Jeder der Eingabeknoten I8–I17 liefert ein Signal an jeden der verdeckten Knoten HA–HD wie durch vier Vorwärtspfeile von den Eingabeknoten I8–I17 zu den verdeckten Knoten HA–HD angegeben ist. Das bereitgestellte Signal wird mit dem jeweiligen Eingabesignal V6–V15 abhängig von der Gewichtung, die dem Eingabesignal zugeordnet ist, korreliert. Jeder der vier verdeckten Knoten HA–HD berechnet dann ein Eingabesignal zu dem Ausgabeknoten O2, wie durch Vorwärtspfeile angegeben ist, das auf einer spezifischen linearen Kombination von Ausgabesignalen von der vorherigen Schicht von Knoten (d. h. bei dieser Ausführungsform die Eingabeschicht von Knoten I6–I15) und einer Aktivierungsfunktion basiert, die dieses Eingabesignal in irgendeinen Ausgabewert umwandelt. Der Ausgabeknoten O2 wandelt dann diese Signale in ein Ausgabesignal V16 um, das einen geschätzten DPF-Rußbeladungswert M ^_1dk(t) repräsentiert.
Bezug nehmend auf 6 ist ein Verfahren 100 zum Schätzen einer DPF-Rußbeladung unter Verwendung des zweilagigen neuronalen Netzes 51 vorgesehen, das ein Offline- bzw. ohne Betrieb stattfindendes Training der neuronalen Netze 52, 54 und ein Echtzeittraining der neuronalen Netze 52, 54 aufweist. Das Echtzeittraining weist einen Einschaltmodus, bei dem Vertrauen in den DPF-Rußbeladungswert, der durch das druckbasierte Modell 50 bereitgestellt wird, gesetzt wird, um die neuronalen Netze zu trainieren, und einen Abschaltmodus auf, während dem in das druckbasierte Modell 50 kein Vertrauen gesetzt wird, die neuronalen Netze zu trainieren.
Gemäß dem Verfahren 100, das in 6 gezeigt ist, können die neuronalen Netze 52, 54 zunächst ohne Betrieb (offline) trainiert werden, um geeignete Gewichtungen für jeden der Knoten bereitzustellen, so dass der geschätzte Rußbeladungswert M ^_1dk(t) , der durch das zweilagige neuronale Netz 51 bereitgestellt wird, über einen gesamten Bereich erwarteter Fahrzeugbetriebsbedingungen repräsentativ ist. Dieselben anfänglichen Knotenwerte werden somit in den neuronalen Netzen 54, 52 an ähnlichen Controllern 28 aller Fahrzeuge, die ähnliche Motoren und Fahrzeugabgassysteme aufweisen, bereitgestellt. Der Controller 28 ist dann so ausgestattet, dass er die Knotenwerte in Echtzeit basierend auf den Fahrzeugbetriebsbedingungen aktualisiert oder individuell anpasst, die an dem bestimmten Fahrzeug, an dem der Controller 28 installiert ist, auftreten.
Ein Offline- bzw. ohne Betrieb stattfindendes Training der neuronalen Netze 52, 54 wird dadurch durchgeführt, dass das Fahrzeug 10 gefahren wird, während Daten bei Fahrzeugbetriebsbedingungen bei Schritt 102 überwacht oder gesammelt werden, oder das Fahrzeug an einem Dynamometer unter gesteuerten Bedingungen betrieben wird. Zusätzlich wird der DPF 14 bei Schritt 104 periodisch entfernt und gewogen. Die inkrementelle Gewichtszunahme des DPF 14 zwischen jedem der Wiegevorgänge kann bei Schritt 106 für die Motorbetriebspunkte unter Verwendung eines Algorithmus gemäß den Motorbetriebsbedingungen berechnet und verteilt werden, die ein Luft/Kraftstoff-Verhältnis (AFR), eine Kraftstoffmenge (z. B. ein Kraftstofgfmassendurchfluss in kg/h), eine Motordrehzahl (in U/min) und eine Zeit, die bei jedem der Motorbetriebspunkte verbracht wird, umfassen. Dieser Datensatz (verteilte DPF-Gewichtungen) wird als die gewünschte Ausgabe der zweilagigen neuronalen Netze 51 entsprechend den Eingabesignalen der gesammelten Fahrzeugbetriebsbedingungen von Schritt 102 verwendet. Es kann jede Anzahl geeigneter Trainingsstrategien für neuronale Netze, wie Fehlerrückführung bzw. Backpropagation bei Schritt 108 verwendet werden, um die Knotenwerte basierend auf den Eingabewerten von Schritt 102 und den gewünschten Ausgaben von Schritt 106 zu trainieren.
Nach einer vorbestimmten Anzahl von periodischen Wägungen, Verteilungen und Training der Knotenwerte bei den Schritten 102–108 werden die neuronalen Netze 54, 52 als angemessen trainiert betrachtet, so dass ein Controller 28 mit einem zweilagigen neuronalen Netz 51 vernünftig genaue Rußbeladungswerte bereitstellt. Somit kann eine Fahrzeugmodelllinie, die denselben Typ von Motor 11 und Abgassystem 12 aufweist, mit einem Controller 28 ausgestattet sein, der einen Prozessor 30 mit neuronalen Netzen 52, 54 besitzt, die diese anfänglichen Knotenwerte aufweisen. Somit müssen die Schritte 102 bis 108 nicht für jeden Controller 28 an jedem Fahrzeug ausgeführt werden, sondern werden für eine vorbestimmte Anzahl (zumindest eines) von ähnlichen Fahrzeugen während einer Offline- bzw. ohne Betrieb stattfindenden Prüfung ausgeführt, um die anfänglichen Knotenwerte zur Verwendung in den Controllern 28 von allen ähnlichen Fahrzeugen bereitzustellen.
Ein Online- bzw. im Betrieb auftretendes Training findet statt, sobald ein bestimmtes Fahrzeug durch einen Kunden in Gebrauch gesetzt wird, da der Controller 28 derart konfiguriert ist, die neuronalen Netze 54, 52 in ”Echtzeit” zu trainieren, um eine DPF-Rußbeladung besser zu schätzen, wie durch die spezifischen Betriebsbedingungen, denen das Fahrzeug 10 ausgesetzt ist, beeinflusst ist. Der Controller 28 verwendet einen Lernalgorithmus 56, der eine Ausgabe 59 bereitstellt, die zum Training des ersten neuronalen Netzes 54 und des zweiten neuronalen Netzes 52 unter allen Motorbetriebsbedingungen verwendet ist, und zwar unter Verwendung eines Vergleichs der geschätzten Rußbeladung von dem druckbasierten Modell 50 und der geschätzten Rußbeladung von dem zweiten neuronalen Netz 52. Durch Training des ersten neuronalen Netzes 54 und des zweiten neuronalen Netzes 52 unter allen Motorbetriebsbedingungen kann das zweite neuronale Netz 52 eine genauere DPF-Rußbeladungsschätzung über alle Fahrzeug- und Motorbetriebsbedingungen bereitstellen. Das druckbasierte Modell 50 kann bei einem ersten Satz von Motorbetriebsbedingungen (dem Einschaltmodus) eine genauere tatsächliche DPF-Rußbeladung widerspiegeln, als das zweite neuronale Netz 52, und kann somit als eine Prüfung verwendet werden, um das erste und zweite neuronale Netz 54 und 52 zu aktualisieren. Jedoch ist das druckbasierte Modell 50 unter anderen Motorbetriebsbedingungen (einem zweiten Satz von Motorbetriebsbedingungen, die als der Abschaltmodus bezeichnet sind) weniger genau. Beispielsweise korreliert bei geringen Motordrehzahlen oder einer nicht stetigen (transienten) Fahrt der Differenzdruck 46 weniger mit der DPF-Rußbeladung, als bei stetiger Fahrt mit hoher Drehzahl.
Der Lernalgorithmus 56 ermöglicht ein Training des ersten neuronalen Netzes 54 und 52 (wie durch Rückausbreitung), um einen Motorbetrieb in dem Abschaltmodus wie auch in dem Einschaltmodus widerzuspiegeln, wie hier beschrieben ist.
Mit anderen Worten dehnt der Lernalgorithmus 56 ein Aktualisieren des ersten neuronalen Netzes 54 und des zweiten neuronalen Netzes 52 auf einen gesamten Motorbetriebsbereich aus (der als das Ganze aus dem ersten Satz von Motorbetriebsbedingungen und dem zweiten Satz von Motorbetriebsbedingungen definiert ist). Der Lernalgorithmus 56 trainiert kontinuierlich das erste und zweite neuronale Netz 54, 52, um eine bessere DPF-Rußbeladungsschätzung bereitzustellen, als durch das druckbasierte Modell 50 bereitgestellt wird.
Der Lernalgorithmus 56 arbeitet somit in einem von zwei verschiedenen Betriebsmoden: dem Abschaltmodus oder dem Einschaltmodus, und zwar abhängig von den Motorbetriebsbedingungen. In dem Abschaltmodus ist die Messung des Differenzdrucks 46 relativ ungenau. Der Abschaltmodus ist so definiert, wenn sich die Motorbetriebsbedingungen 36, 47 (wie durch die Eingabesignale I1, I6 angegeben ist) innerhalb des zweiten Satzes von Motorbetriebsbedingungen befinden. In dem Abschaltmodus existiert kein Echtzeitlernen für (d. h. Aktualisieren) des ersten und zweiten neuronalen Netzes 54, 52. Der zweite Satz von Motorbetriebsbedingungen spiegelt eine Fahrt bei niedriger Drehzahl und/oder eine Start-Stopp-Fahrt wider. In dem Einschaltmodus ist der gemessene Differenzdruck 46 relativ genau, und der Lernalgorithmus 56 sieht ein Echtzeitlernen des ersten und zweiten neuronalen Netzes 54, 52 vor, wie hier beschrieben ist. Der Lernalgorithmus 56 ermittelt und sichert gewisse Betriebsparameter während des Abschaltmodus und aktualisiert dann das erste und zweite neuronale Netz 54, 52 basierend auf den gesicherten Betriebsparametern, wenn die Motorbetriebsbedingungen in den Einschaltmodus zurückkehren. Demgemäß ist der Lernalgorithmus 56 dahingehend wirksam, das erste und zweite neuronale Netz 54, 52 für alle Motorbetriebsbedingungen entweder in Echtzeit oder zu einer späteren Zeit zu aktualisieren, wie hier beschrieben ist.
Der Lernalgorithmus 56 erzielt verschiedene Aufgaben abhängig davon, ob er sich in dem Einschaltmodus befindet, dem Abschaltmodus befindet oder von dem Abschaltmodus in den Einschaltmodus wechselt. Diese Aufgaben sind hier detailliert beschrieben und in dem Verfahren zum Schätzen der DPF-Rußbeladung 100, das von dem Controller 28 und dem Prozessor 30 daran ausgeführt wird, enthalten, wie schematisch in 6 gezeigt ist. Bei Schritt 112 überwacht der Controller 28 Fahrzeugbetriebsbedingungen, einschließlich Motorbetriebsbedingungen, wie der Motordrehzahl 36 (durch Eingabesignal I1 repräsentiert) und Kraftstoffmengenrate 47 (wie durch Eingabesignal I6 repräsentiert). Die Motordrehzahl 36 kann in Umdrehungen pro Minute (U/min) vorliegen. Die Kraftstoffmengenrate 47 kann in mm³/Zyklus vorliegen, die in Kilogramm pro Stunde (kg/h) umgewandelt werden kann. Der Controller 28 verfolgt somit tatsächliche Fahrzeugbetriebsbedingungen, einschließlich Motorbetriebspunkte in dem Bereich von Motorbetriebsbedingungen durch periodisches Analysieren der Motordrehzahl 36 und der Kraftstoffmengenrate 47, die bereitgestellt ist. Der Controller 28 weist auch einen Zeitgeber auf, der bei Schritt 114 die Betriebszeit bei jedem überwachten Motorbetriebspunkt misst. Der Controller 28 überwacht bei Schritt 116 auch periodisch den Differenzdruck 46, der von der Differenzdruckmessvorrichtung 44 bereitgestellt wird. Die Schritte 112, 114, 116 werden periodisch über das Verfahren 100 wiederholt.
Auf Grundlage der bei Schritt 112 ermittelten Motorbetriebsbedingungen ermittelt der Controller 28 bei Schritt 118, ob die gegenwärtigen Motorbetriebsbedingungen (d. h. die jüngsten überwachten Motorbetriebsbedingungen) in dem ersten Satz von Motorbetriebsbedingungen liegen). Wenn die Motorbetriebsbedingungen innerhalb des ersten Satzes von Motorbetriebsbedingungen liegen, befindet sich dann der Lernalgorithmus 56 in dem Einschaltmodus, und der Controller 28 erzielt die Schritte 120–125, wie hier beschrieben ist.
In dem Einschaltmodus kann man sich auf den gemessenen Differenzdruck 46 verlassen, um die Menge an angesammeltem Ruß in dem DPF 14 genau widerzuspiegeln, und das druckbasierte Modell 50 kann somit so verwendet werden, beide neuronalen Netze 52, 54 direkt zu trainieren. Bei Schritt 120 wird die abgeleitete DPF-Rußbeladung M ^_Δp(t) aus der Messung des Differenzdrucks 46 (ΔP) über das druckbasierte Modell 50 berechnet.
Bei Schritt 122 wird die geschätzte DPF-Rußbeladung M ^_1dk(t) dann von dem zweiten neuronalen Netz 52 bereitgestellt. Ein Rußbeladungsfehler ΔM ^(t) (auch als eine Rußbeladungsdifferenz bezeichnet) wird bei Schritt 124 durch Subtrahieren der geschätzten DPF-Rußbeladung M ^_1dk(t) von der abgeleiteten DPF-Rußbeladung M ^_Δp(t) berechnet: ΔM ^(t) = M ^_Δp(t) – M ^_1dk(t).
Der Controller 28 trainiert dann bei Schritt 125 das erste und zweite neuronale Netz 54, 52 unter Verwendung der Lernalgorithmusausgabe 59 für den Einschaltmodus, was die Rußbeladungsdifferenz von Schritt 124 und die Fahrzeugbetriebsbedingungen von Schritt 112 aufweist, als Eingaben zu den Knoten I1–I7 und I9–I17. Das Training kann über eine beliebige geeignete Trainingsstrategie erfolgen, wie durch Rückausbreitung. Es kann eine beliebige Anzahl von Trainingsstrategien für neuronale Netze, wie Backpropagation, bei Schritt 125 angewendet werden. Der Fachmann versteht leicht die Verfügbarkeit von Trainingsalgorithmen für neuronale Netze, wie Rückausbreitungsalgorithmen. Beispielsweise wird unter Verwendung des Rußbeladungsfehlers ΔM ^(t) ein Backpropagationsalgorithmus bei Schritt 125 angewendet, um das erste neuronale Netz 54 zu trainieren. Das zweite neuronale Netz 52 wird ebenfalls bei Schritt 125 unter Verwendung des Rußbeladungsfehlers ΔM ^(t) und Anwenden des Backpropagationsalgorithmus sowie Nehmen der Ausgabe 53 des ersten neuronalen Netzes 54 als eine Eingabe zu dem zweiten neuronalen Netz 52 trainiert.
Nach den Schritten 120 bis 125 kehrt das Verfahren zu Schritt 118 zurück. Wenn dann bei Schritt 118 ermittelt wird, dass die Motorbetriebsbedingungen in dem Abschaltmodus sind, dann erreicht bei diesem Übergang von dem Einschaltmodus zu dem Abschaltmodus der Lernalgorithmus 56 die Schritte 126 bis 138 des Verfahrens 100. Zunächst bewegt sich das Verfahren 100 zu Schritt 126, bei dem die letzte Rußbeladungsschätzung M ^_Δp(t) basierend auf dem druckbasierten Modell 50 während des Motorbetriebs in dem Einschaltmodus gesichert wird. Die letzte Rußbeladungsschätzung M ^_1dk(t) basierend auf dem zweiten neuronalen Netz 52 während des Motorbetriebs in dem Einschaltmodus wird bei Schritt 127 gesichert.
In dem Abschaltmodus wird eine in 4 gezeigte Nachschlagetabelle 68 (als ”Betriebszeittabelle” bezeichnet) gemäß dem Verfahren 100 gebildet, um die Motorbetriebszeit 70A, 70B, 70C bei verschiedenen Motorbetriebspunkten aufzuzeichnen, wie die Motorbetriebszeit 70A bei Motorbetriebspunkt P_x,y. Die Motorbetriebszeit 69, wie bei Schritt 114 ermittelt ist, wird gemäß der Motordrehzahl 36 und der Kraftstoffmengenrate 47 gespeichert. Beispielsweise wird bei Motorbetriebspunkt P_x,y (z. B. entsprechend dem Motorbetriebspunkt, bei dem die Zeit 70A verbracht wird), wobei die Motorbetriebszeit T_x,y ist, dann T_x,y bei den vier benachbarten Verbindungspunkten PA, PB, PC, PD, die P_x,y umgeben, verteilt und aufgezeichnet, wie nachfolgend beschrieben ist.
Die vier benachbarten Verbindungspunkte in der Betriebszeittabelle 68 sind PA, PB, PC, PD (bezeichnet als T_i,j, T_i,j+1, T_i+1,j und T_i+1,j+1). Die Distanz von dem Motorbetriebspunkt P_x,y zu seinen vier benachbarten Verbindungspunkten P1, P2, P3, P4 ist d_i,j, d_i,j+1, d_i+1,j bzw. d_i+1,j+1), wie in der zweidimensionalen Zeittabelle von 5 gezeigt ist, und diese Distanzen können bei Schritt 128 durch Verwendung der Formel für geometrische Distanz zur Ermittlung der Distanz zwischen zwei Punkten in einer Ebene berechnet werden. Beispielsweise beträgt die Distanz d_i,j von Punkt P_x,y zu Punkt P1:
Die Gesamtdistanz d von dem Motorbetriebspunkt P_x,y zu diesen vier benachbarten Punkten beträgt: d = d_i,j + d_i,j+1 + d_i+1,j + d_i+1,j+1
Bei Schritt 130 wird die Motorbetriebszeit 70A bei dem Motorbetriebspunkt P_x,y an die vier benachbarten Motorbetriebspunkte PA, PB, PC, PD gemäß der Nähe von jedem der vier Punkte zu dem Motorbetriebspunkt P_x,y, bei dem die Zeit 70A gemessen wurde, verteilt. Dann ist entsprechend dem Motorbetriebspunkt P_x,y die Motorbetriebszeit, die bei Schritt 130 verteilt wird, bei jedem benachbarten Punkt (i, j) in der Betriebszeittabelle 68 wie folgt:
wobei 0 ≤ k ≤ 1 eine Verteilungsverstärkung ist, die experimentell ermittelt ist, um den Lernprozess (d. h. die Aktualisierung) stabil zu halten. Die vorher akkumulierte Zeit 75 (wenn vorhanden) für den Betrieb während des zweiten Satzes von Motorbetriebsbedingungen bei jedem dieser Punkte ist in 4 mit offenen Kreisen gezeigt (von denen nur einer mit 75 bezeichnet ist). Die aktualisierte akkumulierte Zeit 77A, 77B, 77C, 77D ist bei jedem der vier Punkte gezeigt.
Bei Schritt 131 wird dann ermittelt, ob die Motorbetriebsbedingungen in den Einschaltmodus zurückgekehrt sind. Wenn dies nicht der Fall ist, kehrt dann das Verfahren 100 zu Schritt 128 zurück und fährt fort, die Zeit, die an einem nachfolgenden periodischen Motorbetriebspunkt akkumuliert ist, in die Betriebszeittabelle 68 zu verteilen, wie beschrieben ist. Wenn die Überwachung bei Schritt 131 angibt, dass die Motorbetriebsbedingungen in den Einschaltmodus zurückgekehrt sind, wird das Vertrauen in Echtzeit für die DPF-Rußbeladungsschätzung M ^_Δp(t) des druckbasierten Modells 50 wieder aufgenommen. Das druckbasierte Modell 50 wird dazu verwendet, den DPF-Ruß zu berechnen, der während der Zeit akkumuliert wird, wenn die DPF-ΔP-Messung abgeschaltet war (d. h. während des vorhergehenden Abschaltmodus). Eine Rußbeladung, von der bestimmt wird, dass sie während des Abschaltmodus aufgetreten ist, wird in jedem Motorbetriebspunkt während des Abschaltmodus gemäß der daran verbrachten Zeit verteilt. Um von dem Abschaltmodus in den Einschaltmodus überzugehen, wird bei Schritt 132 der Rußbeladungsinkrementfehler M ^(t_e) (auch als Rußbeladungsinkrementdifferenz bezeichnet) während des Abschaltmodus wie folgt berechnet: ΔM ^(t_e) = [M ^_Δp(t_e) – M ^_Δp(t_d)] – [M ^_1dk(t_e) – M ^_1dk(t_d)]; wobei mit Bezug auf 2 M ^_1dk die Ausgabe des zweiten neuronalen Netzes 52 M ^_Δp(t_e) der Ausgang des druckbasierten Modells 50 ist; und t_d und t_e die Zeit des Eintritts in den Abschaltmodus (d. h. Zeit bei dem ersten aufgezeichneten Motorbetriebspunkt in dem zweiten Satz von Motorbetriebsbedingungen, wie bei Schritt 118 nach Schritten 120–125 ermittelt ist) bzw. die Zeit des Eintritts in den Einschaltmodus (d. h. Zeit bei dem ersten aufgezeichneten Motorbetriebspunkt in dem ersten Satz von Motorbetriebsbedingungen nach einem Betrieb in dem zweiten Satz von Motorbetriebsbedingungen, wie bei Schritt 131 ermittelt ist), sind.
Anschließend wird bei Schritt 134 der durchschnittliche Gesamtrußratenfehler M (auch als die durchschnittliche Gesamtrußratendifferenz bezeichnet) während des Abschaltmodus wie folgt berechnet:
Bei Schritt 136 wird der durchschnittliche Gesamtrußratenfehler M an jeden Verbindungspunkt verteilt, wobei die akkumulierte Zeit während des Abschaltmodus in der Betriebszeittabelle 68 proportional zu der aufgezeichneten akkumulierten Zeit als ein durchschnittlicher Rußratenfehler Z_i,j(t) aufgezeichnet wird: Z_i,j(t) = Z_i,j(t – 1) + [T_i,jΔM].
Bei Schritt 137 wird das zweilagige neuronale Netz unter Verwendung von Fahrzeugbetriebsbedingungen für jeden Betriebspunkt, der während des Abschaltmodus auftritt, als Eingaben V1–V7, V9–V17 und unter Verwendung des verteilten durchschnittlichen Gesamtrußratenfehlers von Schritt 136 trainiert, um den Rußbeladungswert des druckbasierten Modells für jeden derartigen Betriebspunkt zur Verwendung als die Eingabe O2 zu berechnen. Diese Werte sind die Ausgabe 59, die dazu verwendet wird, das zweilagige neuronale Netz 51 zu trainieren, damit der Betrieb in dem Abschaltmodus widergespiegelt wird. Schließlich wird bei Schritt 138 die Betriebszeittabelle 68 gelöscht, so dass sie zur Verwendung während eines anschließenden Auftretens des Betriebs in dem Abschaltmodus nach einem Betrieb in dem Einschaltmodus gebrauchsbereit ist. Das Verfahren 100 kehrt dann zu Schritt 118 zurück, wobei die Schritte 112, 114 und 116 periodisch fortgesetzt werden.
Während die besten Moden zur Ausführung der vielen Aspekte der vorliegenden Lehren detailliert beschrieben worden sind, erkennt der Fachmann verschiedene alternative Aspekte zur Ausführung der vorliegenden Lehren, die innerhalb des Schutzumfangs der angefügten Ansprüche liegen.

Claims

Verfahren zum Schätzen einer Rußbeladung in einem Dieselpartikelfilter (DPF) in einem Fahrzeugabgassystem, wobei das Verfahren umfasst, dass: eine Motorausgangsrußrate unter Verwendung eines ersten neuronalen Netzes geschätzt wird, das einen ersten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist; wobei die Motorausgangsrußrate für einen Motor in Abgasströmungskommunikation mit dem DPF gilt; und eine DPF-Rußbeladung unter Verwendung eines zweiten neuronalen Netzes geschätzt wird, das die geschätzte Motorausgangsrußrate von dem ersten neuronalen Netz und einen zweiten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist; wobei das Schätzen der Motorausgangsrußrate und das Schätzen der DPF-Rußbeladung von einem elektronischen Controller ausgeführt werden, der das erste und zweite neuronale Netz ausführt; und wobei das erste und zweite neuronale Netz an dem elektronischen Controller gespeichert werden.
Verfahren nach Anspruch 1, ferner umfassend, dass: das erste und zweite neuronale Netz dadurch offline trainiert werden, dass der erste und der zweite Satz von Fahrzeugbetriebsbedingungen in Echtzeit bei vorbestimmten Abtastintervallen als Betriebspunkte aufgezeichnet werden; ein periodisch ermitteltes DPF-Gewicht an jeweilige der Betriebspunkte verteilt wird, die seit einem unmittelbar vorhergehenden periodisch ermittelten DPF-Gewicht auftreten; wobei jedes periodisch ermittelte DPF-Gewicht durch periodisches Entfernen, Wägen und neu Installieren des DPF ermittelt wird; und Knoten des ersten neuronalen Netzes und des zweiten neuronalen Netzes unter Verwendung der Betriebspunkte als Eingaben zu den Knoten des ersten und zweiten neuronalen Netzes und die verteilten periodisch ermittelten Gewichte als gewünschte Ausgaben des zweiten neuronalen Netzes aktualisiert werden.
Verfahren nach Anspruch 2, wobei das Aktualisieren der Knoten durch Backpropagation erfolgt.
Verfahren nach Anspruch 1, ferner umfassend, dass: eine Druckdifferenz der Abgasströmung über den DPF überwacht wird; das zweilagige neuronale Netz gemäß einem Trainingsalgorithmus unter Verwendung eines druckbasierten Modells für die DPF-Rußbeladung basierend auf der überwachten Druckdifferenz trainiert wird; und wobei der Trainingsalgorithmus und das druckbasierte Modell gespeicherte Algorithmen sind, die von dem elektronischen Controller ausgeführt werden.
Verfahren nach Anspruch 4, wobei das Training des ersten und zweiten neuronalen Netzes dadurch in Echtzeit erfolgt, dass: Knoten des ersten neuronalen Netzes und des zweiten neuronalen Netzes teilweise basierend auf einer Differenz zwischen der geschätzten DPF-Rußbeladung des druckbasierten Modells und der geschätzten DPF-Rußbeladung des zweiten neuronalen Netzes aktualisiert werden, wenn die Motorbetriebsbedingungen innerhalb des ersten Satzes von Motorbetriebsbedingungen liegen; und Knotenwerte des ersten neuronalen Netzes und des zweiten neuronalen Netzes nach einer Rückkehr zu Motorbetriebsbedingungen in dem ersten Satz von Motorbetriebsbedingungen nach einem Betrieb in dem zweiten Satz von Motorbetriebsbedingungen teilweise basierend auf einem gesicherten geschätzten Ruß-DPF-Rußbeladungswert von einem Betriebspunkt in dem ersten Satz von Motorbetriebsbedingungen vor dem Betrieb in dem zweiten Satz von Motorbetriebsbedingungenaktualisiert werden.
Verfahren nach Anspruch 5, ferner umfassend, dass: eine Betriebszeit an jedem Betriebspunkt während des zweiten Satzes von Betriebsbedingungen gemessen wird; eine Gesamtzeit zwischen einem letzten Motorbetriebspunkt in dem ersten Satz von Motorbetriebsbedingungen vor einem Betrieb in dem zweiten Satz von Motorbetriebsbedingungen und ein erster Motorbetriebspunkt in dem ersten Satz von Motorbetriebsbedingungen nach einer Rückkehr von dem Betrieb in dem zweiten Satz von Motorbetriebsbedingungen berechnet wird; eine erste Differenz zwischen der geschätzten DPF-Rußbeladung basierend auf dem druckbasierten Modell und der geschätzten DPF-Rußbeladung basierend auf dem zweiten neuronalen Netz, die beide an dem ersten Motorbetriebspunkt gemessen sind, berechnet wird; eine zweite Differenz zwischen der geschätzten DPF-Rußbeladung basierend auf dem druckbasierten Modell und der geschätzten DPF-Rußbeladung basierend auf dem zweiten neuronalen Netz, die beide an dem letzten Motorbetriebspunkt gemessen sind, berechnet wird; wobei die geschätzte Rußbeladung basierend auf dem druckbasierten Modell an dem letzten Motorbetriebspunkt der gesicherte geschätzte Rußbeladungswert ist; die zweite Differenz von der ersten Differenz subtrahiert wird, um einen Rußbeladungsinkrementfehler bereitzustellen; der Rußbeladungsinkrementfehler durch die Gesamtzeit dividiert wird, um einen durchschnittlichen Gesamtrußratenfehler bereitzustellen; und wobei das Aktualisieren von Knotenwerten des ersten neuronalen Netzes und des zweiten neuronalen Netzes nach einer Rückkehr zu einem Betrieb in dem ersten Satz von Motorbetriebsbedingungen dadurch erfolgt, dass (i) ein jeweiliger Anteil des durchschnittlichen Gesamtrußratenfehlers an Betriebspunkte, die in dem zweiten Satz von Motorbetriebsbedingungen auftreten, proportional zu der gemessenen Betriebszeit an jedem derartigen Betriebspunkt, der in dem zweiten Satz von Motorbetriebsbedingungen auftritt, zu der Gesamtzeit verteilt wird, und (ii) eine Backpropagation des ersten und zweiten neuronalen Netzes für jeden verteilten jeweiligen Anteil an jedem der Betriebspunkte, die in dem zweiten Satz von Motorbetriebsbedingungen auftreten, ausgeführt wird.
Verfahren nach Anspruch 6, wobei die gemessene Betriebszeit an jedem derartigen Betriebspunkt, der in dem zweiten Satz von Motorbetriebsbedingungen auftritt, in einer Zeitnachschlagetabelle gemäß Betriebspunkten in dem zweiten Satz von Motorbetriebsbedingungen gesichert wird, und ferner umfassend, dass: die Zeitnachschlagetabelle rückgesetzt wird, um die gemessene Zeit nach dem Aktualisieren nach einer Rückkehr zu Motorbetriebsbedingungen innerhalb des ersten Satzes von Motorbetriebsbedingungen zu löschen.
Abgassystem zum Behandeln von Abgas von einem Motor an einem Fahrzeug, wobei das Abgassystem umfasst: einen Dieselpartikelfilter (DPF) in Abgasströmungskommunikation mit dem Motor; und einen Controller in Wirkverbindung mit dem Motor und dem Abgassystem, um Fahrzeugbetriebsbedingungen zu ermitteln; wobei der Controller derart konfiguriert ist, um: ein zweilagiges neuronales Netz auszuführen, das (i) ein erstes neuronales Netz, das eine Motorausgangsrußrate schätzt und einen ersten Satz von Fahrzeugbetriebsbedingungen als Eingaben aufweist, und (ii) ein zweites neuronales Netz aufweist, das eine DPF-Rußbeladung schätzt und das die geschätzte Motorausgangsrußrate von dem ersten neuronalen Netz als eine Eingabe aufweist.
Abgassystem nach Anspruch 8, ferner umfassend: eine Differenzdruckmessvorrichtung, die funktional mit dem DPF verbunden und betreibbar ist, ein Signal, das einer Druckdifferenz über dem DPF entspricht, bereitzustellen; wobei der Controller in Wirkverbindung mit der Differenzdruckmessvorrichtung steht, um die Druckdifferenz zu überwachen; wobei die Fahrzeugbetriebsbedingungen Motorbetriebsbedingungen aufweisen; wobei der Controller ferner derart konfiguriert ist, ein druckbasiertes Modell der DPF-Rußbeladung basierend auf der Druckdifferenz auszuführen; und wobei der Controller derart konfiguriert ist, einen Lernalgorithmus auszuführen, der das zweilagige neuronale Netz unter Verwendung einer DPF-Rußbeladungsschätzung des druckbasierten Modells trainiert.
Abgassystem nach Anspruch 9, wobei der Lernalgorithmus Knoten des zweilagigen neuronalen Netzes teilweise basierend auf einer Differenz der geschätzten Rußbeladung zwischen dem druckbasierten Modell und dem zweiten neuronalen Netz (i) in Echtzeit, wenn die Motorbetriebsbedingungen innerhalb eines ersten Satzes von Motorbetriebsbedingungen liegen, und (ii) nach einer Rückkehr zum Betrieb innerhalb des ersten Satzes von Motorbetriebsbedingungen nach einem Betrieb in einem zweiten Satz von Motorbetriebsbedingungen aktualisiert; wobei eine Aktualisierung nach einer Rückkehr zu einem Betrieb in dem ersten Satz von Motorbetriebsbedingungen teilweise auf einer gesicherten DPF-Rußbeladungsschätzung des druckbasierten Modells von einem Betriebspunkt in dem ersten Satz von Motorbetriebsbedingungen vor dem Betrieb in dem zweiten Satz von Motorbetriebsbedingungen basiert.