DE19914910A1 - Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug - Google Patents

Abstract

Die Erfindung betrifft ein Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug bestehend aus zumindest einem physikalischen und einem neuronalen Teilmodell. DOLLAR A Um physikalisch schwierig zu beschreibende Prozesse zu modellieren, werden neuronale Netze in der Form eingesetzt, daß ein Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem physikalischen Modell simuliert wird, ein weiterer Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem neuronalen Modell simuliert wird und der Gesamtprozeß durch eine Zusammenführung der jeweils separat simulierten Prozesse beschrieben wird.

Description

Die Erfindung betrifft ein Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug bestehend aus je zumindest einem physikalischen und einem neuronalen Teilmodell.

Es ist bekannt physikalische Zusammenhänge und Abläufe bei Prozessen modellhaft zu beschreiben. Mit den Modellen kann einerseits eine Diagnose vorhandener Sensoren durchgeführt werden. Andererseits können auch nicht meßbare Signale modellhaft erfaßt bzw. vorhandene Sensorik eingespart werden.

Beispielsweise kann die Füllung von Zylindern bei Motoren mit variablen Ventiltrieb über einen Luftmassensensor nur stark verzögert gemessen werden. Sie wird daher sinnvollerweise aus verschiedenen Eingangsgrößen, die direkt am Einlaß gemessen werden, und unter Zuhilfenahme eines Modells bestimmt. Dabei ist die Füllung der einzelnen Zylinder durch mehrere Stellgrößen beeinflußt, die teilweise voneinander abhängig oder auch unabhängig sind.

Eine Möglichkeit zur Modellierung sind empirische Verfahren, wie z. B. Kennfelder. Empirische Verfahren sind jedoch meist ungenau und erfordern einen hohen Abstimmungsaufwand. Eine weitere Möglichkeit sind physikalische Funktionen, bei denen das Prozeßverhalten aus der Betrachtung der physikalischen Zusammen­ hänge abgeleitet wird. Allerdings sind für mache Prozesse physikalische Funktionen manchmal schwierig zu erstellen. Insbesondere müssen das Gesamtsystem und die Abhängigkeiten innerhalb des Systems bekannt sein. Auch nimmt der Aufwand für die Erstellung physikalischer Modelle mit zunehmender Modellkomplexität überproportional zu. Darüber hinaus sind für verschiedene Konzepte (z. B. Direkteinspritzer, elektronischer Ventiltrieb, variabler Ventiltrieb, etc.) immer neue Modelle zu erstellen.

Aus der DE 197 06 750 A1 ist ein Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie eine Vorrichtung zur Durchführung dieses Verfahrens bekannt. Gemäß dem darin beschriebenen Ausführungsbeispiel wird die in einen Brennraum des Verbrennungsmotors gelangende Luftmasse aus einer Eingangsgröße bestimmt. Ferner wird die zuzuführende Kraftstoffmenge in Abhängigkeit von dieser Eingangsgröße ermittelt. Bei der Ermittlung der Kraftstoffmenge wird ein neuronales Netzwerk verwendet, welches lernfähig ist. Bei dem vorgestellten Verfahren dient das neuronale Netzwerk zur Beschreibung der Steuergröße für den Kraftstoffpfad in Abhängigkeit des Motorbetriebszustandes und der fahrerbeeinflußten Steuergröße für den Luftpfad. Bei der Bildung der Steuergröße für den Kraftstoffpfad wird bei dieser Ausführungsform ausschließlich auf das neuronale Netzwerk gesetzt.

Ein wesentlicher Nachteil von neuronalen Netzen liegt darin, daß sie außerhalb des Arbeitsbereiches, in dem die Trainingsdaten ermittelt werden, ein unplausibles Extrapolationsverhalten aufweisen können und dafür in sicherheitskritischen Prozessen, z. B. bei Kraftfahrzeugen, nur schwer einsetzbar sind.

Aufgabe der vorliegenden Erfindung ist es, ein Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug anzugeben, mit welchem sich physikalisch schwierig zu beschreibende Prozesse modellieren lassen, ohne das unplausible Extrapolationsverhalten in Kauf genommen werden müssen.

Diese Aufgabe wird durch die im Anspruch 1 genannten Merkmale gelöst.

Erfindungswesentlich ist, daß der Gesamtprozeß (beispielsweise die Befüllung der Zylinder) in Teilprozesse aufgeteilt wird, welche von verschiedenen Teilmodellen beschrieben und dann zu einem Gesamtmodell zusammengeführt werden. Vorliegend wird zumindest ein Prozeßanteil mit einem physikalischen Modell und ein Prozeßanteil mit einem neuronalen Model beschrieben. Das neuronale Model übernimmt dabei die Beschreibung eines Prozeßanteils, welcher physikalisch schwierig zu fassen ist.

Als konkrete Anwendung läßt sich die Modellierung der Luftmassenfüllung bei Verbrennungsmotoren beispielsweise mit variablem Ventiltrieb angeben. Bei dieser Anwendung könnte die Basisfüllung über ein physikalisches Modell bestimmt werden. Der Einfluß der Nockenwellenspreizung hingegen könnte über das neuronale Netzwerk beschrieben werden. Gerade bei der Beschreibung des Einflusses der Nockenwellenspreizung ist ein physikalisches Modell nur mit hohem Aufwand zu erstellen.

Die Modellierung des Basismodells mit einer physikalischen Prozeßbeschreibung hat den Vorteil, daß der Anteil des neuronalen Teilmodells am Gesamtmodell gezielt beschränkt werden kann. Auf diese Weise wird gewährleistet, daß das Gesamtmodell kein unplausibles Extrapolationsverhalten zeigt.

Bei einer Anwendung des Hybridmodells auf die Beschreibung der Befüllung von Zylindern bei einem Verbrennungsmotor kann die Basisfüllung mit dem physikalischen Modell in Abhängigkeit von Fahrbetriebsbedingungen, wie der Drehzahl, einem Zylinder-Hub und/oder der Druckdifferenz in einem Zylinder beschrieben werden.

Die Zusammenführung der verschiedenen Teilmodelle kann beispielsweise additiv und/oder multiplikativ gewählt werden. Natürlich ist auch die Verwendung anderer logischer oder arithmetischer Verknüpfungen bei einer Zusammenführung der Ergebnisse der Teilmodelle möglich.

Natürlich kann die Belernung des neuronalen Teilmodelles (neuronales Netzwerk) gezielt durch Vorgabe von Lernwerten vor der konkreten Anwendung erstellt werden. Optional ist aber auch eine kontinuierliche Adaption der Netzparameter während des Betriebs des Fahrzeugs möglich. So können beispielsweise Serientoleranzen erfaßt und miteinbezogen werden.

Als Vorteile des Hybridmodelles gegenüber einem rein physikalischen Vollmodell ist eine deutliche Reduzierung des Modellierungsaufwandes anzugeben. Durch die Vermeidung eines neuronalen Vollmodells kann ein (unplausibels) Extrapolationsverhalten ausgeschlossen werden.

Überdies können die aufgestellten Hybridmodelle auch bei anderen Konzepten wiederverwendet werden, indem zum Beispiel die Eingangsgrößen des neuronalen Netzwerkes neu belernt werden. Vorliegend lassen sich sowohl die Steuerzeiten bei einem elektronischen Ventiltrieb und die Spreizung bei einem Motor mit variablem Ventiltrieb mit dem vorgestellten Hybridmodell modellieren.

Physikalische Modelle bedienen sich teilweise verschiedener Kennfelder oder Kennlinien, die in der Regel einen großen Speicherbedarf erfordern. Insbesondere bei komplizierten Prozessen ist für die physikalische Modellierung eine große Anzahl von Kennfeldern und Kennlinien erforderlich. Bei der vorliegenden Verwendung eines physikalischneuronalen Hybridmodelles wird insgesamt weniger Speicherplatz benötigt, da mit den neuronalen Netzen aufwendige Kennfelder und Kennlinen vermieden werden können. Vielmehr benötigen die geringeren Netzparameter bei neuronalen Netzwerken einen geringeren Speicherbedarf.

Die vorliegende Erfindung wird anhand eines speziellen Ausführungsbeispiels und mit Bezug auf die einzige nachfolgende Zeichnung näher erläutert.

Die einzige Zeichnung zeigt ein einfaches schematisches Blockdiagramm, bei dem ein Gesamtmodell zur Modellierung der Luftmassenfüllung bei einem Verbrennungsmotor mit variabler Ventilsteuerung mit einem physikalischen Modell für die Basisbefüllung und einem neuronalen Netz-Modell für den Spreizungs­ einfluß beschrieben ist. Die Basisfüllung wird physikalisch und in Abhängigkeit von der Drehzahl N, dem Zylinder-Hub(Hub) und der Druckdifferenz D_P sowie der Ansaugtemperatur T_Ans beschrieben. Diese Parameter werden dem physikalischen Modell als Eingangsgrößen zugeführt und bestimmen entsprechend einem darin abgelegten Kennfeld sowie einiger thermodynamischer Grundgleichungen die Ausgangsgröße des physikalischen Modells.

Der Einfluß der Nockenwellenspreizung wird mittels des neuronalen Netzmodells beschrieben, da hier ein physikalisches Modell nur schwer zu erstellen ist. Als Eingangsgrößen für das neuronale Netzmodell dienen neben dem Zylinder-Hub (Hub) die Spreizungen der Einlaß- und der Auslaßventile (E_Spr, A_Spr). Durch das Belernen der Kopplungen des neuronalen Netzes kann am Ausgang des neuronalen Modells der Einfluß der Nockenwellenspreizung auf die Zylinderbefüllung ermittelt und ausgegeben werden. Dieser Einfluß wird multiplikativ mit dem Ausgang aus dem physikalischen Modell gekoppelt, was zu der dann insgesamt ermittelten Luftmasse ML_Mod führt. Dabei ist der Anteil des neuronalen Teilmodells am Gesamtmodell beschränkt. Die Beschränkung erfolgt vorliegend in Abhängigkeit vom Ausgangswert des physikalischen Teilmodells.

Damit wird gewährleistet, daß das Gesamtmodell kein unplausibles Extrapolationsverhalten zeigt. Versuche haben ergeben, daß sich die mittleren Fehler bei einer Realisierung der Modellierung der Frischluft-Zylinderbefüllung bei Verbrennungsmotoren mit variablen Ventilsteuerungen mit dem physikalisch­ neuronalen Hybridmodell deutlich reduzieren lassen.

Natürlich kann ein Hybridmodell auch zur Beschreibung anderer Gesamtprozesse wie eines elektronischen Ventiltriebes, turboaufgeladener Motoren, Direktein­ spritzermotoren oder einer Gleichlaufregelung verwendet werden, wobei jeweils Teilprozesse eigene zumeist abgeschlossene Vorgänge beschreiben und zumindest ein Teilprozeß mit einem neuronalen Netzwerk dargestellt wird.

Claims (9)

1. Hybridmodell zur Modellierung eines Gesamtprozeßes in einem Fahrzeug bestehend aus zumindest einem physikalischen und einem neuronalen Teilmodell, dadurch gekennzeichnet, daß ein Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem physi­ kalischen Modell simuliert wird und ein weiterer Prozeßanteil aus dem Gesamtprozeß ausschließlich mit dem neuronalen Modell simuliert wird und der Gesamtprozeß durch eine Zusammenführung der jeweils separat simu­ lierten Prozesse beschriebenen wird.

2. Hybridmodell nach Anspruch 1, dadurch gekennzeichnet, daß ein Basismodell physikalisch simuliert wird.

3. Hybridmodell nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß eine Modellierung der Luftmassenfüllung bei Verbrennungsmotoren mit variabler Ventilsteuerung durchgeführt wird.

4. Hybridmodell nach Anspruch 3, dadurch gekennzeichnet, daß die Basisfüllung mit dem physikalischen Modell und in Abhängigkeit von der Drehzahl, von einem Zylinder-Hub und/oder der Druckdifferenz und/oder der Ansaugtemperatur in einem Zylinder beschrieben wird.

5. Hybridmodell nach Anspruch 3 oder 4, dadurch gekennzeichnet, daß der Einfluß der Nockenwellenspreizung mit dem neuronalen Modell si­ muliert wird.

6. Hybridmodefl nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß bei der Zusammenführung beider Teilmodelle eine additive oder eine multiplikative Kopplung gewählt wird.

7. Hybridmodell nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß der Einfluß des neuronalen Modells auf das Gesamtmodell beschränkt ist.

8. Hybridmodell nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Belernung des neuronalen Modells vor dem Betrieb des Fahrzeugs erfolgt.

9. Hybridmodell nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß eine Belernung des neuronalen Modells adaptiv während des Betriebes des Fahrzeugs erfolgt.