JP2007511706A - 自動車のディーゼルエンジンの排気ガスの中へ放出される粒子の量の推定方法及びシステム - Google Patents
自動車のディーゼルエンジンの排気ガスの中へ放出される粒子の量の推定方法及びシステム Download PDFInfo
- Publication number
- JP2007511706A JP2007511706A JP2006540551A JP2006540551A JP2007511706A JP 2007511706 A JP2007511706 A JP 2007511706A JP 2006540551 A JP2006540551 A JP 2006540551A JP 2006540551 A JP2006540551 A JP 2006540551A JP 2007511706 A JP2007511706 A JP 2007511706A
- Authority
- JP
- Japan
- Prior art keywords
- engine
- amount
- exhaust gas
- estimating
- diesel engine
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims description 9
- 230000001186 cumulative effect Effects 0.000 claims abstract description 36
- 239000000446 fuel Substances 0.000 claims abstract description 33
- 239000004071 soot Substances 0.000 claims abstract description 27
- 238000002347 injection Methods 0.000 claims abstract description 25
- 239000007924 injection Substances 0.000 claims abstract description 25
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 20
- 231100000719 pollutant Toxicity 0.000 claims abstract description 20
- 239000007787 solid Substances 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims abstract description 9
- 230000000717 retained effect Effects 0.000 claims abstract description 8
- 230000008929 regeneration Effects 0.000 claims abstract description 7
- 238000011069 regeneration method Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000000203 mixture Substances 0.000 claims abstract description 6
- 229910002090 carbon oxide Inorganic materials 0.000 claims abstract description 5
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 150000001875 compounds Chemical class 0.000 claims description 22
- 239000002826 coolant Substances 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- 239000004215 Carbon black (E152) Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010200 validation analysis Methods 0.000 abstract description 2
- 238000006073 displacement reaction Methods 0.000 abstract 4
- 239000000498 cooling water Substances 0.000 abstract 2
- 238000013479 data entry Methods 0.000 abstract 2
- 239000007789 gas Substances 0.000 abstract 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical class [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 abstract 1
- 238000005096 rolling process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000016253 exhaustion Diseases 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/002—Electrical control of exhaust gas treating apparatus of filter regeneration, e.g. detection of clogging
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/021—Introducing corrections for particular conditions exterior to the engine
- F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
- F02D41/027—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus to purge or regenerate the exhaust gas treating apparatus
- F02D41/029—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus to purge or regenerate the exhaust gas treating apparatus the exhaust gas treating apparatus being a particulate filter
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1466—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content
- F02D41/1467—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being a soot concentration or content with determination means using an estimation
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/08—Exhaust gas treatment apparatus parameters
- F02D2200/0812—Particle filter loading
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Processes For Solid Components From Exhaust (AREA)
- Exhaust Gas After Treatment (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本発明の、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムは、固体粒子フィルタの再生手段と、１または複数のデータメモリを有する、エンジンの動作を管理するための電子制御装置とを含む。またこのシステムは、１または複数のニューラルネットワーク（１）と、エンジンの動作と、選択的に自動車の運動を表す、入力データ（２）を含み、この入力データ（２）は、エンジンの動作を管理するための電子制御装置の中で、新たなセンサを追加することなく利用可能である。またこのシステムは、推定量（３）を累積するための累積手段（４）を含む。
Description
本発明は、自動車のディーゼルエンジンの排気ガスの中へ放出される粒子の量の推定方法及びシステムに関する。
自動車のディーゼルエンジンの排気ガスの中へ放出される粒子の量の推定は、エンジン制御と、汚染制御手段（粒子フィルタ）の再生を、可能な限り精確で経済的に管理するために有益である。
現在のコンピュータモデルは、多大な計算時間を消費し、不正確である。これらのコンピュータモデルは、計算の複雑さと必要なメモリサイズのために、自動車に搭載することが多くの場合不可能である。これらの著しい簡単化は、推定性能を極度に低下させる危険がある。
マッピング推定モデル（ｍａｐｐｉｎｇ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌｓ）が存在している。これらの推定に影響を及ぼすパラメータの数は比較的大きい。２次元マッピング管理は、推定を複雑にする修正マッピングを含む、幾つかのマッピングを用意することを必要とする。さらに、他の１つのマッピングの後へのこれらのマッピングの追加は、２以上の入力を有するモデルと同様に、表示空間（ｏｐｅｒａｔｉｎｇ ｓｐａｃｅ）の記述を可能にしない。また、このようなモデルは較正が困難である。さらに、マッピングモデルは、排気ガスの中へ放出される粒子の量の推定のために極めて重要な動的現象を考慮に入れていない。
コンピュータ上で用いられるモデルが存在するが、車載コンピュータ上で利用可能なメモリが小さいことは、実時間に適応しない計算時間を意味するので、車載コンピュータ上では使用できない。これらのモデルは、コンピュータの限られたパワーを考慮に入れていない。これらのモデルは、車上で未知の測定値入力を使用することがあり、技術的には可能であると仮定しても、このためのセンサを自動車に追加することは困難である。またこれらのモデルは反復的で、推定が発散するリスクがある。
文献、クリス アトキンス、マイク トラバー著：「仮想センサ：車上診断とエンジン制御のための実時間ニューラルネットワークベースのインテリジェントパフォーマンス及び放出物予測システム」（“Ｖｉｒｔｕａｌ Ｓｅｎｓｏｒｓ： Ａ ｒｅａｌ−ｔｉｍｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ−ｂａｓｅｄ ｉｎｔｅｌｌｉｇｅｎｔ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｅｍｉｓｓｉｏｎｓ ｐｒｅｄｉｃｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｏｎ−ｂｏａｒｄ ｄｉａｇｎｏｓｔｉｃｓ ａｎｄ ｅｎｇｉｎｅ ｃｏｎｔｒｏｌ”，ｂｙ Ｃｈｒｉｓ Ａｔｋｉｎｓ ａｎｄ Ｍｉｋｅ Ｔｒａｖｅｒ）には、排気ガスの中の放出物の予測方法が記載されている。この方法においては、瞬間的な放出物の発生速度が計算されるが、この放出物の発生速度は、積分して何らかの動作の起動に使用するためには、あまりにも不正確である。
文献、シー ジェイ ブレース、エム ディーコン、エヌ ディー ボウハン、ジェイ チャールトン、シー アール バーロウ著：「ニューラルネットワークを用いた乗用車用のターボ過給機付きディーゼルエンジンからの放出物の予測」（“Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｅｍｉｓｓｉｏｎｓ ｆｒｏｍ ａ ｔｕｒｂｏｃｈａｒｇｅｄ ｐａｓｓｅｎｇｅｒ ｃａｒ ｄｉｅｓｅｌ ｅｎｇｉｎｅ ｕｓｉｎｇ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ”，ｂｙ ＣＪ Ｂｒａｃｅ，Ｍ Ｄｅａｃｏｎ，ＮＤ Ｖａｕｇｈａｎ，Ｊ Ｃｈａｒｌｔｏｎ ａｎｄ ＣＲ Ｂｕｒｒｏｗｓ）には、上述したように、あまりにも不正確で、動的現象を考慮に入れていない、マッピングによる推定が記載されている。
文献、クリス ブレース著：「人工ニューラルネットワークを用いたディーゼルエンジン排気放出物の予測」（“Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｄｉｅｓｅｌ Ｅｎｇｉｎｅ Ｅｘｈａｕｓｔ Ｅｍｉｓｓｉｏｎｓ ｕｓｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”，ｂｙ Ｃｈｒｉｓ Ｂｒａｃｅ）には、自動車に搭載することが困難で、技術的には可能であると仮定しても、センサの追加の実施が困難なシステムが記載されている。
仮想センサ：車上診断とエンジン制御のための実時間ニューラルネットワークベースのインテリジェントパフォーマンス及び放出物予測システム ニューラルネットワークを用いた乗用車用のターボ過給機付きディーゼルエンジンからの放出物の予測 人工ニューラルネットワークを用いたディーゼルエンジン排気放出物の予測
仮想センサ：車上診断とエンジン制御のための実時間ニューラルネットワークベースのインテリジェントパフォーマンス及び放出物予測システム ニューラルネットワークを用いた乗用車用のターボ過給機付きディーゼルエンジンからの放出物の予測 人工ニューラルネットワークを用いたディーゼルエンジン排気放出物の予測
本発明は、上記の従来技術の状況を考慮して、自動車に搭載したときに追加のコストを要しないシステムを使用して、確実かつ精確に粒子（煤その他の汚染物質）の放出を推定するための解決策を提供することを目的とする。
また本発明は、エンジン制御策の較正のための方策を支援することを目的とする。
本発明によるシステムは、固体粒子フィルタの再生手段と、データメモリを有する、エンジンの動作を管理するための電子制御装置とを含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムに適する。上記システムは、さらに、１または複数のニューラルネットワークと、エンジンの動作と、選択的に自動車の運動を表す、入力データであって、上記入力データは、上記エンジンの動作を管理するための上記電子制御装置の中で、新たなセンサを追加することなく利用可能な入力データと、推定量を累積するための累積手段とを含む。
望ましい１実施の形態においては、上記システムは、１０〜１５ニューロンを含む。
有利な１実施の形態においては、上記システムは、１または複数の上記ニューラルネットワークのトレーニングデータベースを有し、上記トレーニングデータベースは、少なくとも数分間の上記自動車のドライブシーケンスである。
第１の実施の形態においては、１または複数の上記ニューラルネットワークの入力において使用される上記入力データは、Δｔを、引き続く２つの測定時間の間の予め設定された時間間隔として、以下のパラメータ：
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量；
−上記エンジンの冷却液の温度；および、
−時間ｔにおける上記自動車の速度；
の少なくとも１つを含む。上記システムは、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量を少なくとも推定する。
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量；
−上記エンジンの冷却液の温度；および、
−時間ｔにおける上記自動車の速度；
の少なくとも１つを含む。上記システムは、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量を少なくとも推定する。
他の１つの実施の形態においては、１または複数の上記ニューラルネットワークの入力において使用される上記入力データは、Δｔを、引き続く２つの測定時間の間の予め設定された時間間隔として、以下のパラメータ：
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量；
−上記エンジンの冷却液の温度；および、
−時間ｔにおける混合気の空燃比；
の少なくとも１つを含む。上記システムは、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量を少なくとも推定する。
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量；
−上記エンジンの冷却液の温度；および、
−時間ｔにおける混合気の空燃比；
の少なくとも１つを含む。上記システムは、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量を少なくとも推定する。
燃料噴射用のコモンレールを有するエンジンに適応される、他の１つの実施の形態においては、１または複数の上記ニューラルネットワークの入力として、時間ｔに使用される上記入力データは、以下のパラメータ：
−上記エンジンにおける先行噴射率；
−上記エンジンにおける主噴射率；
−シリンダの中への最近の燃料噴射が開始された時点からの、ピストンの上死点に相対的な移動；
−；上記シリンダの中への最近の主燃料噴射が開始された時間からの、上記ピストンの上記上死点に相対的な移動；
−上記エンジンの冷却液の温度；
−上記エンジンの空気供給率；
−上記コモンレール内の圧力；および
−上記エンジンの回転速度；
の少なくとも１つを含み、上記汚染化合物の量の推定値は：
−上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量；
−上記排気ガスの中の酸化窒素の累積量；
−上記排気ガスの中の酸化炭素の累積量；および
−上記排気ガスの中の炭化水素の累積量；
の少なくとも１つを含む。
−上記エンジンにおける先行噴射率；
−上記エンジンにおける主噴射率；
−シリンダの中への最近の燃料噴射が開始された時点からの、ピストンの上死点に相対的な移動；
−；上記シリンダの中への最近の主燃料噴射が開始された時間からの、上記ピストンの上記上死点に相対的な移動；
−上記エンジンの冷却液の温度；
−上記エンジンの空気供給率；
−上記コモンレール内の圧力；および
−上記エンジンの回転速度；
の少なくとも１つを含み、上記汚染化合物の量の推定値は：
−上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量；
−上記排気ガスの中の酸化窒素の累積量；
−上記排気ガスの中の酸化炭素の累積量；および
−上記排気ガスの中の炭化水素の累積量；
の少なくとも１つを含む。
有利な１実施の形態においては、安定の問題を回避するために、上記システムからの出力は、上記システムの入力へループされない。
望ましい１実施の形態においては、上記システムは、粒子の上記推定量の累積量を、互いに他と独立にリセットするためのリセット手段を有する。
本発明によるシステムを評価するための方法は、スライディング ウインドウにおける累積によって、出力量における誤差を計算することによって、１または複数の上記ニューラルネットワークの最良の形態を評価する過程を含む。
望ましい１実施の形態においては、上記スライディング ウインドウは、予め設定された値よりも低い推定誤差を許容しながら、そのサイズが最小であるように決められる。
有利な１実施の形態においては、上記スライディング ウインドウのサイズは、自動車による走行距離１３５ｋｍごとに放出される固体粒子の５ｇより大きくない推定誤差を許容するように、０．５ｋｍと１．５ｋｍの間で変化する。
望ましい１実施の形態においては、１または複数の上記ニューラルネットワークをトレーニングするためにリザーブされるデータの一部分は、使用されるデータなしに有効化を実行するために放棄される。
さらに、本発明による上記システムは、上記煤の累積量とメモリされた閾値との間の比較を用いる、固体粒子フィルタの再生手段の制御への適用に関する。
また本発明による上記システムは、上記自動車のドライブサイクルに亘るエンジン放出物の推定からの、上記エンジンの制御策の較正の支援への適用にも関する。
本発明のその他の目的、特徴及び利点は、非限定的な例としてのみ与えられ、理解のために添付図面を参照する以下の詳細な説明を読むことによって明らかになるであろう。これらの添付図面において：
−図１は、本発明によるシステムの構造を示すブロック図であり；
−図２は、本発明による第１の実施に形態のブロック図であり；
−図３は、本発明による第２の実施に形態のブロック図であり；
−図４は、本発明による第３の実施に形態のブロック図である。
−図１は、本発明によるシステムの構造を示すブロック図であり；
−図２は、本発明による第１の実施に形態のブロック図であり；
−図３は、本発明による第２の実施に形態のブロック図であり；
−図４は、本発明による第３の実施に形態のブロック図である。
１または複数のニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）のトレーニングサイクル（ｔｒａｉｎｉｎｇ ｃｙｃｌｅ）は、数分間存続するドライブサイクル（ｄｒｉｖｅ ｃｙｃｌｅ）、例えばＭＮＶＥＧサイクルまたはＦＴＰサイクルであり、ＭＮＶＥＧサイクルは、累積規準に関して勝っている。
ニューラルネットワークに関する誤差を見積もるための従来の規準は、瞬間の量と累積量を考慮に入れる問題を考慮していない。実際、最大誤差のような悲観的な規準は、全時間に亘って真であると考える最悪の瞬間のケースを考慮に入れ、この最悪ケースにおいて、累積量は瞬間の量と運転時間との積であると考えられている。しかしながら、これらのケースが生じる可能性は低く、これらの極端な瞬間的誤差は、多くの場合、長期間に亘って繰り返されることがない、過渡状態すなわち動的効果（急加速、急制動、等）に起因することに特に注意するべきである。
さらに、平均絶対値誤差、二乗平均（ｒｍｓ）誤差は、予測されたレート（ｒｅｔｅ、変化率）は実際のレートの周りで変動することを考慮していない。この場合、累積量が正しくても、平均絶対値誤差、二乗平均誤差は高くなる。
最後に、全サイクルにわたる累積に関する誤差を考慮することは、このシーケンス、すなわちサイクルが、この計算のために有意（ｓｉｇｎｉｆｉｃａｎｔ）である、従って分割できないことを意味する。実際、サイクルの一部分についての累積量を過小評価し、その他の部分についての累積量を過大評価することによって、全シーケンスについてゼロの平均誤差を得ることができる。これらの部分は個別に繰り返されることができるが、累積誤差は高くなるであろう。例えば、サイクルが、低速で、モデルが放出物を過大評価する市街地走行と、モデルが放出物を過小評価する高速道路走行とを含むなら、それらの部分の１つに特有な条件においてのみ動作することによって、広い差が、予測と現実の間に累積される。市街地走行のみが適用されると、放出物は常に過大評価され、高速道路走行の過小評価によって補償されることはない。反対に、これらの２つの部分が、加速と減速であれば、走行条件に係わりなくその数は変化しないので、この問題は生じない。
スライディング ウインドウ（ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）における累積基準は、これらの２つの極端な規準の間の中間の規準である。それは、ある距離、例えば１ｋｍに亘っての累積量の最大絶対値誤差を用いることにある。
図１は、本発明による、ディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムの全体構造を示す。このシステムは、入力データ２を受け、出力に推定量３を適用する、１または複数のニューラルネットワーク１を有する。さらにこのシステムは、推定値を累積して累積量５を与える推定量累積手段４を有する。またこのシステムは、推定された汚染化合物の累積量を、互いに他と独立にリセットするリセット手段６を有する。リセット手段６をリセット６とも呼ぶ。
１または複数のニューラルネットワーク１は、従来からなされているように、それぞれがプロセシングモジュール（ｐｒｏｃｅｓｓｉｎｇ ｍｏｄｕｌｅ）を構成する層の形に設けられる。これらのモジュールは、特有の形態における各層のニューロン（ｎｅｕｒｏｎ）の間を延びるリンクによって相互に連結される。このようにして、ニューロンの出力値、すなわちそれらのアクティビティ（ａｃｔｉｖｉｔｙ）を解析することによって、解析されるべきアクティビティに対応するシグネチャー（ｓｉｇｎａｔｕｒｅ）と既知のアクティビティのシグネチャーとの間の一致度を決定することができる。ニューラルネットワーク１は、当業者に周知の構造である。従って、以下に詳細には説明しない。
図２において、図１の要素と類似の要素については、同じ参照符号が用いられる。図２は、入力に、エンジンの動作と、選択的に自動車の運動を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。これらのデータは、少なくとも、エンジンの回転速度７と、燃料流量８と、エンジンの冷却液の温度９と、自動車の速度１０を含む。さらにこのシステムは、データを記憶するメモリ１１、１２、１３を含み、出力に、少なくとも煤の累積量１６を供給する。またこのシステムは、推定された煤の量１４を累積して、煤の累積量１６を供給する累積手段１５と、推定された煤の累積量１６をリセットする手段１７を含む。リセットする手段１７は、リセット１７とも呼ばれる。
エンジンの動作を管理する電子制御装置は、このシステムに入力データ、すなわち、エンジンの回転速度７、燃料流量８、エンジンの冷却液の温度９、自動車の速度１０を提供する。入力データを決めるための２つの時間の間の時間間隔は、予め設定された間隔Δｔである。メモリ１１は、エンジンの回転速度７の先行する値を記憶し、時間ｔに、システムへ、時間ｔとｔ−Δｔにおけるエンジンの回転速度７の値を供給することができる。メモリ１２、１３は、燃料流量８の２つの先行する値を記憶し、時間ｔに、システムへ、時間ｔ、ｔ−Δｔ、ｔ−２Δｔにおける燃料流量８の値を供給することを可能にする。推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この煤の累積量１６は、固体粒子フィルタが再生されたときに、リセット１７によってリセットすることができる。システムの入力データは、新たなセンサの追加を要することなく、従来の電子制御装置の中で利用可能である。
使用されるトレーニングサイクルは、ＭＮＶＥＧ 欧州ドライブサイクル（ＭＮＶＥＧ Ｅｕｒｏｐｅａｎ ｄｒｉｖｅ ｃｙｃｌｅ）である。最大限度は、スライディング ウインドウの最小サイズを選択する誤差に対してセットされる。その近辺で固体粒子フィルタが再生されなければならない量は、５ｇよりも低い誤差を作る２５％の目標信頼間隔をもって、２０ｇである。エンジンは、１３５ｋｍ毎に、２０ｇの煤粒子を作るので、１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差は許容可能である。この限度をセットして、累積誤差に対するスライディング ウインドウの長さの影響の解析は、累積誤差は、スライディング ウインドウのサイズの増加とともに減少するという結果をもたらす。課された限度（１３５ｋｍあたり５ｇ）よりも低い累積誤差を得るためには、１．５ｋｍのスライディング ウインドウを使用するべきである。
ニューロンの最適な数は、システムは自動車に搭載され、パラメータの全数に制限を課するという事実に特に従って決められる。幾つかのモデルの作成後、１０〜１５ニューロンが、基礎的な機能の複雑性を表すのに充分であることが分かった。累積計算に影響を及ぼすある瞬間のデータの数も、経験的に決められる。
図３において、図１、２の要素と類似の要素については、同じ参照符号が用いられる。図３は、入力として、エンジンの動作を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。エンジンの動作を表すデータは、少なくとも、エンジンの回転速度７と、燃料流量８と、エンジンの冷却液の温度９と、混合気の空燃比（エンジンに供給される燃料／空気混合物における燃料の比率を表す比）１８を含む。さらにこのシステムは、データを記憶するメモリ１１、１２、１３を含み、出力に、少なくとも煤の累積量１６を供給する。またこのシステムは、推定された煤の量１４を累積して、煤の累積量１６を供給する累積手段１５と、推定された煤の累積量１６をリセットする手段１７を含む。リセットする手段１７は、リセット１７とも呼ばれる。
エンジンの動作を管理する電子制御装置は、このシステムに入力データ、すなわち、エンジンの回転速度７、燃料流量８、エンジンの冷却液の温度９、エンジンに供給される混合気の空燃比１８を提供する。入力データを決めるための２つの時間の間の時間間隔は、予め設定された間隔Δｔである。メモリ１１は、エンジンの回転速度７の先行する値を記憶し、時間ｔに、システムへ、時間ｔとｔ−Δｔにおけるエンジンの回転速度７の値を供給することができる。メモリ１２、１３は、燃料流量８の２つの先行する値を記憶し、時間ｔに、システムへ、時間ｔ、ｔ−Δｔ、ｔ−２Δｔにおける燃料流量８の値を供給することを可能にする。推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この煤の累積量１６は、固体粒子フィルタが再生されたときに、リセット１７によってリセットすることができる。システムの入力データは、新たなセンサの追加を要することなく、従来の電子制御装置の中で利用可能である。
使用されるトレーニングサイクルは、再度、ＭＮＶＥＧ 欧州ドライブサイクルである。１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差はこの場合も許容可能である。このシステムによれば、セットされた誤差限界を満たしながら、スライディング ウインドウのサイズは０．５ｋｍに減少することができる。ニューロンの数は、１０〜１５で充分である。
図２、３に示す本発明によるこれらの２つのシステムは、これらの２つのシステムの１つによる煤の累積量１６の推定値に従って固体粒子フィルタの再生を制御するために使用することができる。
図４において、図１、２、３の要素と類似の要素については、同じ参照符号が用いられる。図４は、入力として、エンジンの動作を表すデータを受ける、１または複数のニューラルネットワーク１を含む、本発明によるシステムを示す。エンジンの動作を表すデータは、少なくとも、先行噴射率（主噴射に先行する噴射の割合）１９と、主噴射率２０と、フェージング（シリンダの中への最近の燃料噴射（主噴射または後噴射）が開始された時点からの、ピストンの上死点に相対的な移動であり、一般にクランクシャフト角度で表される。）２１と、アドバンス（シリンダの中への最近の主燃料噴射が開始された時間からの、ピストンの上死点に相対的な移動であり、一般にクランクシャフト角度で表される。）２２と、エンジンの冷却液の温度９と、エンジンの空気供給率２３と、コモンレール内の圧力（燃料供給ラインにおける圧力）２４と、エンジンの回転速度７を含む。
これらの全ての入力データは、エンジンの動作を管理する電子制御装置によって供給される。排気ガスの中の推定された炭化水素の量２５を累積する累積手段２６は、排気ガスの中へ放出された炭化水素の累積量２７を推定するための役に立ち、この累積量は、リセット２８によってリセットすることができる。排気ガスの中の推定された酸化炭素の量２９を累積する累積手段３０は、排気ガスの中へ放出された酸化炭素の累積量３１を推定するための役に立ち、この累積量は、リセット３２によってリセットすることができる。同様に、排気ガスの中の推定された酸化窒素の量３３を累積する累積手段３４は、排気ガスの中へ放出された酸化窒素の累積量３５を推定するための役に立ち、この累積量は、リセット３６によってリセットすることができる。さらに、排気ガスの中の推定された煤の量１４を累積する累積手段１５は、放出された煤の累積量１６を推定するための役に立ち、この累積量は、リセット１７によってリセットすることができる。
使用されるトレーニングサイクルは、再度、ＭＮＶＥＧ 欧州ドライブサイクルである。１３５ｋｍあたり５ｇ、すなわち１ｋｍあたり３７ｍｇの平均誤差はこの場合も許容可能である。このシステムによれば、セットされた誤差限界を満たしながら、スライディング ウインドウのサイズは０．５ｋｍに減少することができる。ニューロンの数は、この場合も１０〜１５で充分である。
本発明による、図４に記載されたシステムは、ドライブサイクルに亘るエンジン放出物の推定から、エンジン制御策の較正を支援するために実行することができる。
本発明は、固体粒子フィルタのような、汚染抑制装置の再生のための手段を操作するための、自動車用のディーゼルエンジンの汚染放出物、特に粒子放出物の予測を可能にする。
また本発明は、エンジン制御手段の較正の支援を可能にする。
本発明は、非線形現象を考慮に入れることを可能にし、出力の入力へのルーピングを含まず、これによってループ不安定の問題を回避することを可能にする。
さらに本発明は、動的及び静的データを使用し、静的モデルの他の多くのタイプと比較して、短時間間隔内に多数のテストを行うことを可能にする。
Claims (14)
- 固体粒子フィルタの再生手段と、データメモリを有する、エンジンの動作を管理するための電子制御装置とを含む、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムにおいて、
−１または複数のニューラルネットワーク（１）と、
−エンジンの動作と、選択的に自動車の運動を表す、入力データ（２）であって、上記入力データ（２）は、上記エンジンの動作を管理するための上記電子制御装置の中で、新たなセンサを追加することなく利用可能な入力データ（２）と、
−推定量（３）を累積するための累積手段（４）と、
を含むことを特徴とする、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。 - １０〜１５ニューロンを含むことを特徴とする、請求項１に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。
- １または複数の上記ニューラルネットワーク（１）のトレーニングデータベースを有し、上記トレーニングデータベースは、少なくとも数分間の上記自動車のドライブシーケンスであることを特徴とする、請求項１または２に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。
- １または複数の上記ニューラルネットワーク（１）の入力において使用される上記入力データは、Δｔを引き続く２つの測定時間の間の予め設定された時間間隔として、以下のパラメータ：
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度（７）；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量（８）；
−上記エンジンの冷却液の温度（９）；および、
−時間ｔにおける上記自動車の速度（１０）；
の少なくとも１つを含み、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量（１６）を少なくとも推定するための推定手段を含むことを特徴とする、請求項１〜３のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。 - １または複数の上記ニューラルネットワーク（１）の入力において使用される上記入力データは、Δｔを引き続く２つの測定時間の間の予め設定された時間間隔として、以下のパラメータ：
−引き続く２つの時間ｔ及びｔ−Δｔにおける上記エンジンの回転速度（７）；
−引き続く３つの時間ｔ、ｔ−Δｔ及びｔ−２Δｔにおける燃料流量（８）；
−上記エンジンの冷却液の温度（９）；および、
−時間ｔにおける混合気の空燃比（１８）；
の少なくとも１つを含み、上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量（１６）を少なくとも推定するための推定手段を含むことを特徴とする、請求項１〜４のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。 - 燃料噴射用のコモンレールを有するエンジンに適応される、請求項１〜５のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムにおいて、１または複数の上記ニューラルネットワーク（１）の入力として、時間ｔに使用される上記入力データは、以下のパラメータ：
−上記エンジンにおける先行噴射率（１９）；
−上記エンジンにおける主噴射率（２０）；
−シリンダの中への最近の燃料噴射が開始された時点からの、ピストンの上死点に相対的な移動（２１）；
−上記シリンダの中への最近の主燃料噴射が開始された時間からの、上記ピストンの上記上死点に相対的な移動（２２）；
−上記エンジンの冷却液の温度（９）；
−上記エンジンの空気供給率（２３）；
−上記コモンレール内の圧力（２４）；および
−上記エンジンの回転速度（７）；
の少なくとも１つを含み、上記汚染化合物の量の推定値は：
−上記固体粒子フィルタによって保持されるようになる、上記排気ガスの中の煤の累積量（１６）；
−上記排気ガスの中の酸化窒素の累積量（３５）；
−上記排気ガスの中の酸化炭素の累積量（３１）；および
−上記排気ガスの中の炭化水素の累積量（２７）；
の少なくとも１つを含むことを特徴とする、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。 - 安定の問題を回避するために、上記システムからの出力（３、５）は、上記システムの入力（２）へループされないことを特徴とする、請求項１〜６のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。
- 粒子の上記推定量の累積量を、互いに他と独立にリセットするためのリセット手段を有することを特徴とする、請求項１〜７のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システム。
- 請求項１〜８のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを実装するシステムを評価するための方法において、スライディング ウインドウにおける累積によって、出力量（３）における誤差を計算することによって、１または複数の上記ニューラルネットワーク（１）の最良の形態を評価することを特徴とする、自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを実装するシステムを評価するための方法。
- 上記スライディング ウインドウは、予め設定された値よりも低い推定誤差を許容しながら、そのサイズが最小であるように決められることを特徴とする、請求項９に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを実装するシステムを評価するための方法。
- 自動車の運動に対応する上記スライディング ウインドウのサイズは、自動車による走行距離１３５ｋｍごとに放出される固体粒子の５ｇより大きくない推定誤差を許容するように、０．５ｋｍと１．５ｋｍの間で変化することを特徴とする、請求項１０に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを実装するシステムを評価するための方法。
- １または複数の上記ニューラルネットワーク（１）をトレーニングするためにリザーブされるデータの一部分は、使用されるデータなしに確認を実行するために放棄されることを特徴とする、請求項９〜１１のいずれか１つに記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを実装するシステムを評価するための方法。
- 上記煤の累積量（１６）とメモリされた閾値との間の比較を用いる、固体粒子フィルタの再生手段の制御への、請求項６または７に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムの適用。
- 上記自動車のドライブサイクルに亘るエンジン放出物の推定による、上記エンジンの制御策の較正の支援への、請求項８に記載の自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムの適用。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0313549A FR2862342B1 (fr) | 2003-11-19 | 2003-11-19 | Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile |
| PCT/FR2004/050574 WO2005052332A1 (fr) | 2003-11-19 | 2004-11-09 | Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2007511706A true JP2007511706A (ja) | 2007-05-10 |
| JP4484879B2 JP4484879B2 (ja) | 2010-06-16 |
Family
ID=34508584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006540551A Expired - Fee Related JP4484879B2 (ja) | 2003-11-19 | 2004-11-09 | 自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US7409247B2 (ja) |
| EP (1) | EP1687515B1 (ja) |
| JP (1) | JP4484879B2 (ja) |
| AT (1) | ATE398230T1 (ja) |
| DE (1) | DE602004014402D1 (ja) |
| FR (1) | FR2862342B1 (ja) |
| WO (1) | WO2005052332A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009096246A1 (ja) * | 2008-01-29 | 2009-08-06 | Honda Motor Co., Ltd. | 内燃機関の排気浄化装置 |
| JP2009180217A (ja) * | 2008-01-29 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の制御装置 |
| CN111201374A (zh) * | 2017-10-16 | 2020-05-26 | 罗伯特·博世有限公司 | 机动车的废气排放的计算 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4086029B2 (ja) * | 2004-10-05 | 2008-05-14 | いすゞ自動車株式会社 | エンジンの制御装置及び制御方法 |
| FR2906839B1 (fr) * | 2006-10-05 | 2008-12-05 | Renault Sas | Systeme et procede d'estimation de la quantite de particules piegees par un filtre a particules |
| US8135653B2 (en) * | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
| EP2090767B1 (en) | 2008-02-13 | 2011-05-18 | GM Global Technology Operations, Inc. | Estimation of the soot load of a particulate filter |
| ATE496208T1 (de) | 2008-06-25 | 2011-02-15 | Fiat Ricerche | Verfahren zur bestimmung der menge von in einem partikelfilter angesammelten partikel |
| AT11332U3 (de) * | 2010-03-25 | 2011-04-15 | Avl List Gmbh | Verfahren zum automatischen betreiben eines messgerätes für die partikelmessung in gasen |
| US8707677B2 (en) * | 2010-11-12 | 2014-04-29 | GM Global Technology Operations LLC | System and method for controlling a nitrogen oxide sensor |
| EP2574762B1 (en) * | 2011-09-30 | 2015-01-07 | Volvo Car Corporation | Soot emission estimation method and arrangement |
| TWI580596B (zh) * | 2012-07-05 | 2017-05-01 | 財團法人國家實驗研究院 | 車輛怠速警示系統及車輛怠速辨識方法 |
| US9328644B2 (en) | 2013-09-24 | 2016-05-03 | GM Global Technology Operations LLC | Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network |
| JP6702389B2 (ja) * | 2018-10-09 | 2020-06-03 | トヨタ自動車株式会社 | 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 |
| CN117854636B (zh) * | 2024-03-07 | 2024-04-30 | 西南林业大学 | 一种柴油车瞬态过程颗粒物数量排放预测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5625750A (en) * | 1994-06-29 | 1997-04-29 | Ford Motor Company | Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks |
| US6236908B1 (en) * | 1997-05-07 | 2001-05-22 | Ford Global Technologies, Inc. | Virtual vehicle sensors based on neural networks trained using data generated by simulation models |
| DE19741973C1 (de) * | 1997-09-23 | 1999-04-22 | Daimler Chrysler Ag | Verfahren zur Bestimmung der Rußkonzentration von selbstzündenden Brennkraftmaschinen |
| FR2804173B1 (fr) * | 2000-01-20 | 2002-05-03 | Peugeot Citroen Automobiles Sa | Sysyteme d'aide a la regeneration d'un filtre a particules integre dans une ligne d'echappement d'un moteur diesel de vehicule automobile |
| US6829890B2 (en) * | 2002-08-13 | 2004-12-14 | International Engine Intellectual Property Company, Llc | Forced regeneration of a diesel particulate filter |
| US7165399B2 (en) * | 2004-12-29 | 2007-01-23 | Honeywell International Inc. | Method and system for using a measure of fueling rate in the air side control of an engine |
| US7765795B2 (en) * | 2006-04-28 | 2010-08-03 | Caterpillar Inc | NOx control using a neural network |
| US7281518B1 (en) * | 2007-03-15 | 2007-10-16 | Detroit Diesel Corporation | Method and system of diesel engine setpoint compensation for transient operation of a heavy duty diesel engine |
-
2003
- 2003-11-19 FR FR0313549A patent/FR2862342B1/fr not_active Expired - Fee Related
-
2004
- 2004-11-09 DE DE602004014402T patent/DE602004014402D1/de active Active
- 2004-11-09 US US10/580,004 patent/US7409247B2/en active Active
- 2004-11-09 EP EP04805817A patent/EP1687515B1/fr not_active Not-in-force
- 2004-11-09 AT AT04805817T patent/ATE398230T1/de not_active IP Right Cessation
- 2004-11-09 WO PCT/FR2004/050574 patent/WO2005052332A1/fr active IP Right Grant
- 2004-11-09 JP JP2006540551A patent/JP4484879B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009096246A1 (ja) * | 2008-01-29 | 2009-08-06 | Honda Motor Co., Ltd. | 内燃機関の排気浄化装置 |
| JP2009180086A (ja) * | 2008-01-29 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の排気浄化装置 |
| JP2009180217A (ja) * | 2008-01-29 | 2009-08-13 | Honda Motor Co Ltd | 内燃機関の制御装置 |
| CN111201374A (zh) * | 2017-10-16 | 2020-05-26 | 罗伯特·博世有限公司 | 机动车的废气排放的计算 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1687515A1 (fr) | 2006-08-09 |
| WO2005052332A1 (fr) | 2005-06-09 |
| DE602004014402D1 (de) | 2008-07-24 |
| JP4484879B2 (ja) | 2010-06-16 |
| US7409247B2 (en) | 2008-08-05 |
| FR2862342B1 (fr) | 2006-02-17 |
| FR2862342A1 (fr) | 2005-05-20 |
| EP1687515B1 (fr) | 2008-06-11 |
| ATE398230T1 (de) | 2008-07-15 |
| US20070174222A1 (en) | 2007-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4484879B2 (ja) | 自動車のディーゼルエンジンの排気ガスの中へ放出される汚染化合物の量の推定システムを評価する方法 | |
| CN102787890B (zh) | 用于确定沉积在位于内燃机的排气管中的微粒过滤器内的微粒负荷的方法 | |
| CN102213130B (zh) | 用于再生微粒过滤器的方法及机动车辆 | |
| US7779680B2 (en) | Estimation of engine-out NOx for real time input to exhaust aftertreatment controller | |
| US6327848B1 (en) | Self-adapting control method for an exhaust system for internal combustion engines with controlled ignition | |
| US20190138669A1 (en) | Method for determining pollutant emissions from a vehicle using macroscopic parameters | |
| US11073060B2 (en) | Method for optimizing an active regeneration of a diesel particulate filter | |
| US20060218895A1 (en) | Method for operating an internal combustion engine and device for executing the method | |
| US9097150B2 (en) | Method of estimating a variation of a quantity of soot accumulated in a diesel particulate filter | |
| CN114687835B (zh) | 颗粒捕集器控制方法、存储介质以及车辆 | |
| GB2504714A (en) | Evaluating a pressure drop across a particulate filter in an exhaust system of an automotive internal combustion engine | |
| Seo et al. | Development of a cold-start emission model for diesel vehicles using an artificial neural network trained with real-world driving data | |
| CN112888848B (zh) | 控制车辆排放的方法 | |
| US20060090458A1 (en) | System for estimating the soot load of a particle filter | |
| WO2018136031A1 (en) | Train emission compliance system | |
| KR102053336B1 (ko) | Dpf 재생 주기 기반 엔진 출력 제어 방법 및 장치 | |
| EP2802760B1 (fr) | Gestion optimisée d'un catalyseur scr par régénérations périodiques d'un filtre à particules | |
| CN110005509B (zh) | 用于检测柴油颗粒物过滤器捕获的颗粒物量的方法和*** | |
| GB2552225A (en) | A method of detecting that a particulate filter is clean from soot | |
| US11946401B2 (en) | Method for predicting urea crystal build-up in an engine system | |
| US20220118986A1 (en) | Method for determining a speed profile minimizing the pollutant emissions of a vehicle | |
| CN116625697B (zh) | 柴油发动机累碳测量方法、装置、电子设备及存储介质 | |
| CN113686585B (zh) | 车辆排放物监测方法、装置、计算机设备和存储介质 | |
| US20230279800A1 (en) | Method for determining an effective prevailing uncertainty value for an emission value for a given time point when operating a drivetrain of a motor vehicle | |
| CN118148753A (zh) | Dpf再生方法、装置、设备和计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070621 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091117 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100120 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100223 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100323 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4484879 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130402 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130402 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140402 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |