SE509805C2 - Metod och system för reglering av förbränningsmotorer - Google Patents
Metod och system för reglering av förbränningsmotorerInfo
- Publication number
- SE509805C2 SE509805C2 SE9402687A SE9402687A SE509805C2 SE 509805 C2 SE509805 C2 SE 509805C2 SE 9402687 A SE9402687 A SE 9402687A SE 9402687 A SE9402687 A SE 9402687A SE 509805 C2 SE509805 C2 SE 509805C2
- Authority
- SE
- Sweden
- Prior art keywords
- control
- neural network
- output signal
- nodes
- learning
- Prior art date
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 28
- 230000001537 neural effect Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 239000000523 sample Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 5
- 208000005890 Neuroma Diseases 0.000 claims 1
- 239000000498 cooling water Substances 0.000 claims 1
- 230000035807 sensation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000007704 transition Effects 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008672 reprogramming Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
- F02D41/266—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor the computer being backed-up or assisted by another circuit, e.g. analogue
-
- 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
-
- 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
- F02D41/1473—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the regulation method
-
- 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
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2432—Methods of calibration
-
- 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
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
- F02P5/00—Advancing or retarding ignition; Control therefor
- F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
- F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
- F02P5/15—Digital data processing
- F02P5/1502—Digital data processing using one central computing unit
-
- 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
- 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
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- 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
- F02D41/1454—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 an oxygen content or concentration or the air-fuel ratio
- F02D41/1456—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 an oxygen content or concentration or the air-fuel ratio with sensor output signal being linear or quasi-linear with the concentration of oxygen
-
- 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)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electrical Control Of Ignition Timing (AREA)
Description
509 805 aja; W, 2 neuronnät kan lära sig av de detekterade motoroscillationerna och fóretagna reglersteg i syfte att optimera dåmpningen.
I exempelvis Bart Kosko's lärobok “NEURAL NETWORKS AND FUZZY SYSTEMS, A DYNAMICAL SYSTEMS APPROACH TO MACHINE INTELLIGENCEÅ utgiven av Prentice Hall, Englewood Cliffs, NJ 07632, USA, så anges utförligt de metoder som kan användas för att skapa och optimera neuromtät, så att reglersystem med artificiell intelligens kan lära sig att skapa önskade utsignaler mot bakgrund av givna indataparametrar. För mer detaljerad information om olika metoder som användes för skapande, inlärning och optimering av neuronät så hänvisas fortsättningsvis till Kosko 's ovarmämnda lärobok. Denna patentansökan redovisar bara den nya tillämpningen av neuronriätsbaserade reglersystem, och går därför ej in i detalj på neuronriätsteorin, vad avser furiktionsanpassning i nodema, inlärning av neuroniiäten, samt optimering av avvikelsen på neuronnätens utsignal i förhållande till önskat börvärde genom olika metoder såsom “Backpropagation” e.t.c.
UPPHNNINGENS ÄNDAMÅL Uppfinningen har till ändamål att möjliggöra en mjukare reglering av förbränningsmotorer samt reducera behovet av erforderlig minneskapacitet i förbränningsmotoriis reglersystem.
Ytterligare ett ändamål är att for auktoriserade verkstäder samt från fabrik med rätt utrustning förenkla omprogramrnering av förbränningsmotorris reglersystem för olika krav på emissioner sarnt önskemål på motorkaraktär eller respons. Att som i dagens system gå in i tabellerna" och modifiera alla de styrdata som ligger i de olika driftpunlctema är en mycket tidsödande process som måste genomgâs så fort som förutsättningarna har förändrats. Ännu ett ändamål är att på ett effektivt sätt kunna möta de allt hårdare kraven på låga emissioner, vilket kräver att förbränningsprocesen måste regleras mer nogrannt, vilket kräver mer indata från motorn i form av detekterade motorparametrar. Ännu ett är att met information för regleringen erhålles än vad de enskilda insignalema representerar. Genom den uppfinningsenliga regleringen så kommer även kombinationer av insignaler kunna utnyttjas för att erhålla optimal reglering. Detta sker automatiskt utan att man på förhand känner till vilka olika kombinationer av insignaler som kan ge olika påverkan på den reglerade styrstorheten, och man behöver ej heller känna till dessa speciella kombinationsvillkor som ibland kan uppstå vid vissa driftfall. g í3. 509 eos Ännu ett wamål är att försvåra fö: ändringar i fordonets reglersystem, oftast töretagna i syfte att öka uttagen effekt utan hänsyn till förbrukning eller emissioner, vilket underlättar tagande av produktansvar och garantiutfastelser om bibehallna emissionsgränser.
KORT BESKRIVNING AV UPPFINNINGEN Den uppñnningsenliga metoden kännetecknas av patentkravets l kännetecknande del.
Det uppfinningsenliga systemet som användes för att träna eller lära upp neuronnätet att ge önskad utsignal kännetecknas av patentkravets 9 kännetecknande del. Övriga uppfinningen utmärkande särdrag framgår av övriga patentkravs kännetecknade delar samt efterföljande beskrivning av exempliñerande utföringsformer, vilken beskrivning sker med hänvisning till figurer angivna i följande figurtörteclming.
HGUaFöRTEcKNmG Figur l visar en neuronnätsmodell vilken användes enligt den uppñnningsenligarmetoden för att reglera» törbrärntingsmotor.
Figur 2 visar schematiskt de motorparametrar som förbränningsmotorns styrsystem(CPlI) kan erfordra för reglering av styrdata, d.v.s tändningsläge eller bränslernängd.
Figur 3 visar ett bränslereglersystem med en temporärt inkopplad reglerenhet 10 för inlärning av ' neuronnätet.
BESKRIVNING AV UTFÖRINGSBXEMPEL Den uppfimtingseriliga metoden för reglering av en törbrämiingsmotors styrdata utnyttjar så kallad artificiell intelligens i form av neuronnätstelmik. Ett neuronnät för reglering av förbränningsmotorns styrdata fungerar på så sätt att för ett givet driftfall, d.v.s givna indata i form av detekterade motorpararnetrar. så lärs neuronnätet att generera en utsignal eller utdata i beroende av indatat.
I ñgur 1 visas ett neuronnät med ett antal noder (En-Em, 1521-513, Fal-En, .. , Em) vilka är organiserade i n stycken lager. Alla noder i det första lagret är indatanoder och var och en i sin tur förbundna med varje nod i nästa lager, vilket är ett så kallat gömt lager. Det firsta lagret, med indatanöderæu-Eß), följs av åtminstone ett gömt lagerflE/n-EB), men även fler gömda lager kan följa vilket indikerats i figur 1 med streckmarkerade noder (ål-Eg). Neuronnâtet avslutas med en eller flera utdatanoder E n, i det sista nzte lagret.
Utsignalen från varje nod i ett givet lager n överförs endast till varje nod i nästa efterföljande lager, ÉW-i 509 sms l »' r Indatasignaler skickas till indatanodeniaæyl-Eß), på så sätt att unika värden imnatas till respektive indatanod. För förbränningsmotoms reglering så kan exempelvis omformade eller omskalade värden för motorvarvtalet, lasten, motortemperaturen, trottelläge samt lufttemperatur matas in till repektive nod Eu-Eß. Omskalningen görs för att öka reglerbarheten på så sätt att respektive värde kan anta värden mellan 0-1 eller ett annat lämpligt mätspann. Utsignalen från indatanoderna utgör inget annat än det omskalade/omforrnade värdet för den aktuella storheten.
Utsignalen från varje övrig nod, alltså ej indatanodema, utgör summan av föregående noders utsignaler enligt en åsatt enkel företrädesvis logisk funktion där en viktfaktor W åsättes i varje nod. Neurormätets adaptation eller inlärning sker sedan genom en ickelinjär funktionsapproxirnerirrg, och företrädesvis användes så kallad Backpropagation, så att viktfalctom W i varje enskild nod anpassas så att neuronnätets utsignal överenstämmer med en önskad utsignal.
Antalet noder, exempelvis indatanoder, samt antalet gömda lager avpassas för varje typ av reglerrnetod på så sätt att minsta avvikelse mellan önskad utsignal och nätets utsignal minimeras så fort som möjligt, samt att alla indata som finns tillgängliga ges en egen indatanod.
Viktfaktorn W kan för varje nod vid en första start av inlämingen av neuronnätet ges ett individuellt slumptal. När ett neuronnät skall uppdateras för att ge en något modifierad utsignal, eventuellt motiverad av ändrade krav m.a.p emissioner eller ändrade emissionscykler, så startar man lämpligen med de äldre viktfaktorerria för att förkorta irilärriingsfasen.
I ñgur 2 visas en översikt av de typer av indata som kan erfordras för att reglera en förbränningsmotor så att optimal förbränning samt reducerad bränsleförbrukning erhålles.
De momentana motorparametrar som reglerar bränslernängden eller tändtidpunkten är primärt varvtalet Emm och lasten Thürottelläget), men även derivatan av dessa, d/dt Emm och d/dt Th, trycket på insugen luft Pm, temperaturen på insugen luft Tak, samt i vissa fall även hastigheten Speedveh på fordonet som drivs av förbränningsmotorn. I vissa fall så kan för fastställande av lasten en beräkning av insugen luftrnassa ske genom utnyttjande av Pak, och Tai", alternativt att insugen lufunassa beräknas genom att använda varmtrådsdetektorer i insugningsröret. Dessa senare metoder användes oftare i system där mer exakt reglering av larnbda erfordras.
Ett ytterligare antal motorparametrar detekteras för att ge en återkoppling från förbränningen så att bränslemängd eller tändtidpunkt kan justeras till en mer optimal bränslemängd eller optimalt tändläge. Exempel på sådana återkopplade motorparametrar kan vara en lcnaclcriingssignal Knock från en separat lcnackningsdetekterande krets, en signal från en larnbdasond k avseende aktuell restmängd syre i avgaserna eller en signal Ionwmm erhållen från en krets som detekterar joniseringsgraden i förbränningsrurnrnet.
;~¿ :S 509 eos Knackning är skadligt för motorn samt 'ett icke optimalt umyujande av bränslet. För att häva knackningstillstånd så brukar förtändningen sänkas alternativt att även bränslemängden korrigeras i ökande riktning. Signalen från lambdasonden användes för att bibehålla en önskad luft-bränsleblandning, främst i samband med Otto-motorer med trevägskatalysatorer där katalysatorns omvandlingsgrad är högst när lambda= 1.0. En ytterligare âterkopplad signal från förbränningen är joniseringströmmen i ett i forbränningsrummet anordnat mätgap.
Joniseringströmrnen kan på ett enkelt sätt detektera utebliven tändning, då jonisering uteblir.
I figur 3 visas sehematiskt ett bränslereglersystem för en förbränningsmotor 1 där en neuronätsreglering är implementerad i en mikrodatorbaserad styrenhet ll, och där en inlärningsdator 10 är inkopplad för att temporärt under inlärningsfasen reglera motorns tillförda bränslemängd samt optimera neuronriätets utsignal. Reglersystemet består under inlärningsfasen av två delar, en permanent reglerdel 15 och en temporär del 13 vilken endast inkopplas under inlârningsfasen, och där den temporära delen kopplas bort vid det prickade gränssnittet 14. I gränssnittet 14 finns på konventionellt sätt ett gemensamt kopplingsstycke för alla signalledningar. ' För denna inlärningsprocess så är även en extra lambdasond 5 monterad i förbränningsmotorrts avgassystem 4. Lambdasonden 5 är en linjär lambdasond, vilken till skillnad från en smalbandig konventionell lambdasond ger en utsignal vilken är proportionell mot restrnängdens syre i avgaserna. De konventionella smalbandiga larndasonderna har en skarp omslagspunkt och kan endast detektera om lambda värdet ligger under eller över 1.0. Den linjära lambdsasonden erfordras för att kunna utföra en mer exakt reglering vilket är en förutsättning för att få ett bra resultat av inlämingen. Den linjära lambdasonden är mycket dyrare än en konventionell smalbandig lambdasond, vilket är den främsta förklaringen till att serietillverkade motorer utrustas med smalbandig lamdasond.
De i motorns insugningkanaler 3 anordnade insprutningsmunstyckena 2 sprutar ut en bränslemängd som bestärnrnes av en styrpuls på respektive ledning 23 (ledning 23 är uppdelad i individuella ledningar för varje insprutare). Under träningen av neuronätet så kontrollerar inlärníngsdatom 10 bränslemängden genom styrpulser på utgången 21, vilken utgång är kopplad till respektive ledning 23 via en omkopplare 12. Vid aktiverad eller tillkopplad inlärningsdator 10 så ställs tvångsmässigt omkopplaren automatiskt om till kontakt 12b frän ett företrädesvis stabilt kontaktläge l2a, och utsignalen på utgången 22 från den neronnätsstyrda datorn 11 kan ej skickas vidare till respektive bränsleinsprutare. Aktuella motorparametrar detekteras genom sensorer 6 på motorn, endast en visad i figuren, och dessa insignaler tillförs både inlärningsdatorn samt den in 509 sus 1,e¿ äß neuromiätsstyrda datorn 11. På ett sätt angivits så inmatas irisigrtalerna till indatanoderna i den neuronnätsstyrda datorn. N euronnätet genererar då en utsignal i beroende av insignalerna.
Samtidigt beräknar inlärningsdatom erforderlig bränslemängd på basis av de detekterade insignalerna, och levererar en utsignal till respektive insprutare motsvarande erforderlig bränslemängd. Utsignalen från inlårningsdatorn 10 på utgången 20 kopplas även till en ingång 25 på den neuronnätsstyrda datom ll, och utgör fortsättningsvis det börvärde mot vilket neuronnätets utsignal anpassas.
När inlärningsdatom 10 detekterar att rätt lambda värde, eller att rätt restmängd syre i avgaserna föreligger, skickar inlämingsdatorn ll en signal på utgången 24 till den neuronnätsstyrda datom ll. När denna signal föreligger så har en korrekt driftpunkt, här en driftpunkt som är optimerad m.a.p emissioner, intagits och den då aktuella utsignalen från neuronnätet jämföres med utsignalen på utgången 21 från inlärningsdatom. Neuronnätets infomationsinnehåll, d.v.s den fastställbara viktade funktionen för respektive nod, optimeras härefter så att nätets samlade utsignal närmar sig börvärdet. Under denna optimering/träning av neuronnätet tillförs insignalerna neuronnätets första lager, följt av en succesiv spridning av signalefgenom nätets respektive lager tills dess en utsignal från nätet erhålles från utdaranoden. Utsignalen från neuromtätet jämförs sedan med med utsignalen pâ utgången 21 och neuronnätets vikter för respektive nod korrigeras för att minska avvikelsen mellan nätets utsignal och signalen på utgången 21. Denna korrigering eller inlärning av vikter kan företrädesvis ske genom så kallad “Backpropagation”, se Koskos lärobok, vilken “Backpropagation” genomförs upprepade gånger tills dess avvikelsen ligger inom en acceptabel nivå. Det kan i vissa fall bli nödvändigt att upprepa denna procedur mellan 106-107 gånger under inlärningsfasen innan nätets utsignal på ett acceptabelt sätt följer det önskade börvärdet.
En förbestämd acceptabel nivå på avvikelsen mellan nätets utsignal och börvärdet kan vara någon eller några procent, vilket skall erhållas om rätt val av neuronnätsmodell användes och tillräckligt många korrigeringar av vikterna genom exempelvis “Backpropagation” genomförs. Om ej tillräckligt god överenstämrnelse erhålles så måste neuronnätsmodellen korrigeras.
På samma sätt som i ñgur 3 så kan förbränningsmotoms tändtidpunkt, istället för insprutad bränslemängd, regleras med en neuronnätsstyrd dator. Utsignalen från neuronnätet jämförs då under inlärningsfasen med en gentemot aktuellt börtändläge representativ signal. Börtändläget erhålles då lärnpligen från träningsdatorn 10, och på samma sätt som tidigare så minimeras avvikelsen mellan den mot börtändläget representativa signalen och neuronnätets utsignal. l en överladdad fórbränningsmotor så kan även laddtrycket regleras på ett motsvarande sätt genom en neuronnätsstyrd mikrodator. Laddtrycket ges ofta som en tabelllagrat värde givet av tV ;;* fi 509 sus last och varvtal. Liksom i fallet med bränslerreglerlngen tändtidpiinktreglerirtgen såfkan ett " med figur 3 motsvarande inlärningssystem användas. Ledningen 23 reglerar då istället företrädesvis en så kallad waste-gate eller en motsvarande överladdningsaggregatet reglerande anordning.
I det i ñgur 3 visade systemet så kan även en smalbandig lambdasond innefattas bland de pemnta sensorer som sitter på motorn, vilka sensorer endast schematiskt angivits med en ritningssymbol 6. Den linjära lambdasonden 5 blir då en andra lambdasond vilken enbart användes under inlämingen av neurormätet. I andra system för mindre, exempelvis bärbara förbränningsmotorer, så kan en konventionell smalbandig lambdasond saknas, men det inlärda neuronnätet kommer automatiskt att sträva mot att reglera mot att lambda l innehâlles, då detta är en grund fór neuronnätets generering av aktuellt styrdata (bränslemängd/tärtdtidpunkt e.t.c).
I en mycket enkel model så kan det minsta antalet inparametrar till neuronnätets första lager vara två, d.v.s varvtalet och lasten. För förbränningsmotorer där högre krav på reglernogrannhet ställs sä kan utöver lasten och varvtalet även motortemperatur, samt derivatan av trottelläge och derivatan av varvtalet inmatas som insignaler till separata índatanoder i neuromiätets forsta lager.
Den neuronnätsbaserade mikrodatorn ll innefattar då medel för att från exempelvis en vevaxelsensor dels ta fram motorvarvtalet men även beräkna derivatan av varvtalet. På motsvarande sätt kan trottelläget erhållas från en trottellägesgivare eller om så kallad elektriskt gas (nottelläget regleras med elmotor oberoende av gaspedalläget) användes så kan reglersignalen till gasspjället utgöra trottelsignalen, och beräkning av trottelderivatan utföras av den neuronnätsbaserade míkrodatom. Alla signaler omformas eller transformeras så att de insignaler som inmatas till neuronnâtets första lager får ett sinsemellan likartat signalomráde, företrädesvis mellan 0-1 volt, vilket underlättar inlärningen av neuronnätet.
Lastsignalen kan för mycket enkla system utgöras enbart av trottelläget, frärnst för enkla sugmotorer, men för exempelvis överladdade förbränningsmotorer så beräknas lasten genom bestämning av den luftrnängd som inmatas till förbränningsmotorn, vilken luftmängd kan beräknas genom detektering av trycket och temperaturen på insugen luft. Denna luftmängd kan då lämpligen beräknas iden neuronnätsbaserade mikrodatom ll, och en signal representativ för luftrnäugden matas in på en indatanod i neuronnätets första lager.
Det intränade neuronnätet kommer att för identiska kombinationer av insignaler repeterbart ge ett identiskt grundvärde på styrstorheten, på motsvarande sätt som tabell eller matriser ger ett gnmdvärde på styrstorheten. Eventuell detekterad knackning eller utsignalen från en smalbandig lambdasond i avgassystemet kan på känt sätt sedan medföra en korrigering av det från 509 sms ;;v¿;g neuronnätet fastställda gnmdvârdet på styrstbrheten", enligt 'en fastställd korrigeringsrutin." .i Knaclcning, vilket är ett antingen eller tillstånd(on/off), bruker oftast regleras på så sätt att styrstorheten regleras ett större steg så fort som knackningen inträffar, följt av en succesiv återgång i mindre steg mot det ideala grundvärdet som givits av neuronnätet eller tabell/matris.
Regleringen av lcnaclcningen kan även ske enligt mer sofistikerade rutiner i syfte att snabbare reglera bort knackningen, under minsta avvikelse från det ideala förhållandet. En första detekterad knackning, som inträffar vid ideala förhållande d.v.s då styrstorheten är densamma som givits av neuronnätet, kan sålunda medföra ett annat reglersteg än en upprepad knackning som sker vid ett redan i beroende av knackning reglerat värde på styrstorheten. Sådana intelligentare reglerrutiner ligger företrädesvis utanför eller efter neuronnätet, d.v.s knacksignalen ingår ej som indata i neuronnätet, och korrigeringen av det från neuronnätet givna grundvärde på styrstorheten sker som en extra reglerrutin.
Ett alternativ är att en lcnaclcningsdetekterande krets ger en bearbetad insignal på en indatanod i neuronnätets första lager, där insignalen är beroende av dels om lcnacloiirig detekterats, men även hur länge som knackning har detekterats eller om knackningen är en så kallad upprepad knaclcning som skett under redan företagen korrrigering av styrstorheten, samt att signalen som tillförs indatanoden återgår till ett icke-lcnaclcriing representativt värde enligt en i den knackningsdetekterande kretsen förbestämd funktion.
Om både tändläget och bränslemängden, men även laddlufttrycket, skall regleras med ett neuronnät så användes ett individuellt avpassat neuronnät för respektive styrstorhet, vilka neuronnät sålunda arbetar parallellt med varandra. Varje individuellt neuronnät kan då som insignal på en indatanod erhålla utdatasignalen från det eller de andra neuronnäten. Under inlämingsfasen så kan sålunda signalen representativ för börbränslemängden, d.v.s från en inlärningsdator utstyrd bränslemängd, matas in som insignal till neuronnätet som ger tändläget, och omvänt så kan signalen representativ för tändläget inmatas som insignal till neuronnätet som ger bränslemängden. Varje neuronnät kan härigenom anpassas till sin specifika funktion och komplexiteten, d.v.s antalet lager och noder, i neuronnäten reduceras.
Inlärníngsprocessen kan utföras såväl i laboratorium som i fordon under drift. Det är även möjligt att som serviceätgärd upprepa inlärningen när förbränningsmotorn gått en viss effektiv tid och på grund av förslitningar eller andra ändrade driftvillkor erfodrar modifiering. Detta medför en fördel då aktuella driftfall kan utprovas eller justeras i sin verkliga miljö. En annan fördel är att man vid varje inlärningstillfálle kan välja vilka driftfall som är viktiga driftfall och kan träna systemet extra mycket vid dessa speciella driftfall. q 509 ans Neummmzymmgen medför även an de: bin svårare för obehörig förändring av reglerftinktionen, samtidigt som man från fabrik kan optimera reglerfunktionen efter flera olika förutsättningar som emissioner, respons och/eller bränsletörbmkning i beroende på var och hur ßrbränningsmotorn skall användas. Obehörig trimning ßrekommer ofta i mikrodatorstyrda regler-system där reglerfunlnionens tabell lagras och kan läsas av och enkelt modifieras och lagras i ett nytt EPROM-minne, då tabellen ligger på en begränsad minnesarea och relativt överskådligt kan förstås. Neuronnätets vikter kan inte lika enkelt modifieras utan ingâeende kunskaper om neuronnät, och en modifiering av någon eller några vikter kan i vissa fall endast medföra begränsade förbättringar för speciella driftfall för något speciellt ändamål, men där man i andra driftfall erhåller försärnringar. Behovet av att använda EZPROM eller FLASH-minnen, vilka är svårare att kopiera och byta men även dyrare, reduceras därför väsentligt.
För tillämpningen av uppfinningen så erfordras det nödvändigtvis ingen detaljerad kunskap om neuronxtätsteorin då understödsprograrn av den typ som anges i US,A,5235673 kan användas, där ett skalprograrn själv väljer en optimal neuronnätsmodell och de metoder som bäst lämpar sig för w de aktuella inparametrarna. ti.
Claims (9)
1. Metod för reglering av ett grundvärde på en styrstorhet, företrädesvis tändvinkel eller bränslemängd men även laddtrycket, för en förbränningsmotor, vilket grundvärde genom återkopplade signaler såsom detekterad knackning eller utsignaler från en larnbdasond kan korrigeras på i sig känt sätt kännetecknad av att -ett flertal motor-parametrar detekteras där åtminstone varvtalet(Erpm) och lastenCIh), vilken last företrädesvis detekteras av trottelläge, gaspedalläge eller en kombination av tryck och temparatiir på insugen luft, ingår i dessa motorparametrar -att de detekterade motorpararnetrama utgör insignaler i nodema i ett neuromiäts första lager, -att årninstone ett dolt lager med noder ingåri neuronnätet, där det närmast insignal nodema liggande dolda lagrets noder var och en är kopplad till respektive nod i det första lagret, och där nodema i de närmast insignal nodema liggandes dolda lagrets noder genererar en utsignal i beroende av insignalerna, vilken utsignal för var och en av nodema i det dolda lagret är en unik fastställbar viktad funktion av insignalema till det första eller föregåeende lagrets noder, -och att ett sista lager med åtminstone en nod vilken är kopplad med var och en av nodema i föregåeende dolt lager, och där noden i det sista lagret genererar en utsignal i beroende av en unik fastställbar viktad funktion av utsignalerna från det föregåeende dolda lagret, -att den i varje nod viktade funktionen är fastställbar genom inlärning av neuromtätet så att utsignalen från noden i det sista lagret har en minsta avvikelse från ett förväntat grundvärde på styrstorheteni beroende av insignalema.
2. Metod enligt patentkrav l kännetecknad av att utöver motor-parametrarna varvtalet (Enn) samt 1asten('l',,) utgör även, -temperaturen på motorn TN, företrädesvis detekterad via kylvattentemperaturen, -derivatan av trottelläget, d/dt Th, samt -derivatan av varvtalet, d/dt Em., insignaler till nodema i neuronnätets första lager.
3. Metod enligt patentkrav 2 eller 3 kärmetecknad av att varje nods viktade funktion utgör en permanent lagrad informationi förbränningsmotorns reglersystem, varigenom en utsignal från rieuronnätet representativ för erfordelig styrstorhet under de moment rådande detekterade parametrarna erhålles på ett repeterbart sätt vid driftfall vid identiska kombinationer av insignaler.
4. Metod enligt patentkrav 1 eller 3 kännetecknad av att styrstorheten utgörs av etti beroende av detekterade motorparametrar föränderligt tändläge. 20 25 H 509 sos
5. Metod enligt patentkrav l eller 3 kännetecknar! av att styrstorheten utgörs av en i beroende av detekterade motor-parametrar föränderligt bränslernängd.
6. Metod enligt patentkrav 1 eller 3 kännetecknad av att styrstorheten utgör ett i beroende av detekterade motor-parametrar föränderligt laddlufttryck i en överladdad förbränningsmotor.
7. Metod enligt patentkrav l eller 3 kännetecknad av att för varje styrstothet, tändningsläge- bränslemängd-laddluftnyck e.t.c. , som skall regleras så användes ett individuellt avpassat neuronnät för respektive styr-storhet.
8. Metod enligt patentkrav 7 kännetecknad av att varje styrstorhets individuella neuronnäts utsignal återkopplas såsom en insignal till övriga styrstorheters neuronnät.
9. System för inlärning av ett neuronuät vilket användes i ett permanent reglersystemfl 1) för reglering av en förbränningsmotml) i enlighet med patentkravet 1 kännetecknar av -att en extra linjär syresensorö) anordnas i förbränningsmotorns avgassystem(4), -att ett återkopplat regIersysternOO), innefattande den extra linjära syresensoni, för reglering av den aktuella styrstorheten inkopplas temorärt under inlärningen av neuronnätet, vilket reglersystem( 10) under inlärningen av neuronnätet reglerar styrstorheten på ett återkopplat sätt för innehållande av förbestämda börvärden, och att reglersystemet som börvärde för neuronnätets utsignal levererar utstyrt värde på styrstorheten i ett flertal driftpunker, och att neuronnätet när aktuell resttnängd syre i avgaserna ligger inom förbestämda acceptabla nivåeer korrigeras map vikterna i neuronnätets noder vid avvikelse mellan neuronnätets utsignal och utstyrt värde på styrstorheten så att avvikelsen minimeras, -att det temporära återkopplade reglersystemet via omställningsorganfl 2) kan kopplas bort och istället förbinder neuronnätets utsignal ledning (22) till respektive styrstorhets påverkande servoorgan (2) när avvikelsen minimerats till en förbestämd nivå. i. lll.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9402687A SE509805C2 (sv) | 1994-08-11 | 1994-08-11 | Metod och system för reglering av förbränningsmotorer |
PCT/SE1995/000914 WO1996005421A1 (en) | 1994-08-11 | 1995-08-08 | Method and system for controlling combustion engines |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE9402687A SE509805C2 (sv) | 1994-08-11 | 1994-08-11 | Metod och system för reglering av förbränningsmotorer |
Publications (3)
Publication Number | Publication Date |
---|---|
SE9402687D0 SE9402687D0 (sv) | 1994-08-11 |
SE9402687L SE9402687L (sv) | 1996-02-12 |
SE509805C2 true SE509805C2 (sv) | 1999-03-08 |
Family
ID=20394895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SE9402687A SE509805C2 (sv) | 1994-08-11 | 1994-08-11 | Metod och system för reglering av förbränningsmotorer |
Country Status (2)
Country | Link |
---|---|
SE (1) | SE509805C2 (sv) |
WO (1) | WO1996005421A1 (sv) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6098012A (en) * | 1995-02-13 | 2000-08-01 | Daimlerchrysler Corporation | Neural network based transient fuel control method |
GB2315133A (en) * | 1996-07-08 | 1998-01-21 | Richard Nigel Bushell | Control system for internal combustion engine |
DE19706750A1 (de) * | 1997-02-20 | 1998-08-27 | Schroeder Dierk Prof Dr Ing Dr | Verfahren zur Gemischsteuerung bei einem Verbrennungsmotor sowie Vorrichtung zu dessen Durchführung |
FR2772427B1 (fr) * | 1997-12-12 | 2000-01-28 | Renault | Systeme de controle du moteur d'un vehicule par reseaux de neurones |
DE102004031006A1 (de) * | 2003-07-23 | 2005-04-28 | Daimler Chrysler Ag | Verbrennungsmotor und Verfahren zur Verbrennungskenngrößenbestimmung |
FR2864155B1 (fr) * | 2003-12-19 | 2006-02-17 | Renault Sas | Procede et systeme d'estimation de la temperature de gaz d'echappement et moteur a combustion interne equipe d'un tel systeme |
FR2876152B1 (fr) * | 2004-10-06 | 2006-12-15 | Renault Sas | Procede et systeme ameliores d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme |
CN103999073B (zh) * | 2011-12-12 | 2017-04-05 | 丰田自动车株式会社 | 发动机控制装置 |
FR2987403B1 (fr) * | 2012-02-24 | 2015-08-21 | Peugeot Citroen Automobiles Sa | Dispositif de commande d'allumage anti-cliquetis de moteur a combustion de vehicule automobile |
JP6501018B1 (ja) * | 2018-04-20 | 2019-04-17 | トヨタ自動車株式会社 | 未燃燃料量の機械学習装置 |
JP6702380B2 (ja) * | 2018-09-14 | 2020-06-03 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
JP6741087B1 (ja) * | 2019-02-01 | 2020-08-19 | トヨタ自動車株式会社 | 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、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 |
FR3136864A1 (fr) * | 2022-06-17 | 2023-12-22 | Vitesco Technologies | Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
JPH0711256B2 (ja) * | 1989-09-06 | 1995-02-08 | 本田技研工業株式会社 | 内燃エンジンの制御装置 |
JP2792633B2 (ja) * | 1990-02-09 | 1998-09-03 | 株式会社日立製作所 | 制御装置 |
-
1994
- 1994-08-11 SE SE9402687A patent/SE509805C2/sv unknown
-
1995
- 1995-08-08 WO PCT/SE1995/000914 patent/WO1996005421A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
SE9402687D0 (sv) | 1994-08-11 |
WO1996005421A1 (en) | 1996-02-22 |
SE9402687L (sv) | 1996-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5048495A (en) | Electronic engine control method and system for internal combustion engines | |
EP1705359B1 (en) | Method of feedforward controlling a multi-cylinder internal combustion engine and relative feedforward fuel injection control system | |
US4244023A (en) | Microprocessor-based engine control system with acceleration enrichment control | |
US4126107A (en) | Electronic fuel injection system | |
US4241710A (en) | Closed loop system | |
US7287525B2 (en) | Method of feedforward controlling a multi-cylinder internal combustion engine and associated feedforward fuel injection control system | |
EP0247626B1 (en) | System and method for electronic control of internal combustion engine | |
SE509805C2 (sv) | Metod och system för reglering av förbränningsmotorer | |
EP0582085A2 (en) | Fuel metering control system and cylinder air flow estimation method in internalcombustion engine | |
JP3162521B2 (ja) | 内燃機関の気筒別空燃比推定器 | |
EP2148256A1 (en) | Control method and device of engines | |
US4789939A (en) | Adaptive air fuel control using hydrocarbon variability feedback | |
EP1388658A1 (en) | Improved feed and control system for an internal combustion engine fed with two different fuels | |
JPH0363654B2 (sv) | ||
JPH01182552A (ja) | 空燃比適応制御装置 | |
JP3285493B2 (ja) | 希薄燃焼エンジン制御装置および方法ならびにエンジンシステム | |
US6076502A (en) | Exhaust gas recirculation control system for internal combustion engines | |
GB2205663A (en) | Adaptive lean limit air fuel control using combustion pressure sensor feedback | |
US6668795B1 (en) | Controller with feed-back system | |
US4335695A (en) | Control method for internal combustion engines | |
US4995366A (en) | Method for controlling air-fuel ratio for use in internal combustion engine and apparatus for controlling the same | |
US5016181A (en) | Method and system for an engine ignition timing control | |
US4357828A (en) | Method of indicating a basic air-fuel ratio condition of an internal combustion engine | |
US5775295A (en) | Process for controlling a direct-injection internal combustion engine | |
CA1146241A (en) | Control method for internal combustion engines |