• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    Motorsteuerungssystem, das einen Motor-Controller, mehrere mit dem Motor-Controller gekoppelte Sensoren und ein in dem Motor-Controller arbeitendes neuronales Netz umfasst, wobei das neuronale Netz bei Ausfall von zumindest einem der Sensoren einen repräsentativen Wert von dem ausgefallenen Sensor erzeugt.Motor control system comprising a motor controller, a plurality of sensors coupled to the motor controller and a neural network operating in the motor controller, the neural network generating a representative value of the failed sensor in the event of failure of at least one of the sensors.
    公开号:DE102004023450A1
    申请号:DE200410023450
    申请日:2004-05-12
    公开日:2004-12-16
    发明作者:Michael A. Troy Kropinski；Mark D. White Lake Miotke
    申请人:Motors Liquidation Co；
    IPC主号:F02D45-00
    专利说明:
    [0001] Dievorliegende Erfindung betrifft Steuereinrichtungen für Verbrennungsmotoren.Im Besonderen betrifft die vorliegende Erfindung ein Verfahren undeine Vorrichtung zum Diagnostizieren von Sensoren, die an einemVerbrennungsmotor arbeiten.TheThe present invention relates to control devices for internal combustion engines.In particular, the present invention relates to a method anda device for diagnosing sensors on aInternal combustion engine work.
    [0002] EinMotorsteuerungssystem eines modernen Kraftfahrzeugs besteht ausMotorsensoren und -aktuatoren, die direkt mit einer elektronischenSteuereinheit (ECU) oder einem Controller verbunden sind, der eineeingebettete Software enthält.Die Komplexitätder Software nimmt mit zunehmender Anzahl von Sensoren und Aktuatoren,die an dem Fahrzeug verwendet werden, fortlaufend zu. Gemäß den gegenwärtigen gesetzlichenVorschriften muss an jedem mit Emissionen in Beziehung stehendenSensor eine Diagnose durchgeführtwerden, so dass fehlerhafte Sensoren sobald wie möglich ausgetauscht werdenkönnen,um eine Verschmutzung und ein schlechtes Leistungsvermögen desFahrzeugs zu minimieren. Aus diesem Grund wird jeder Sensor durcheinen Diagnosealgorithmus überwacht,der dafürverantwortlich ist, Sensorwerte zu detektieren, die irrational sindoder außerhalbdes Messbereiches liegen. Es gibt zahllose Möglichkeiten, mit denen eine Diagnoseeinen guten Sensor von einem schlechten unterscheiden kann, waszu einem unhandlichen Diagnoseentwicklungsprozess mit vielen Analyseoptionenführt.OnEngine control system of a modern motor vehicle consists ofMotor sensors and actuators that work directly with an electronicControl unit (ECU) or a controller connected to onecontains embedded software.The complexitythe software increases with increasing number of sensors and actuators,that are used on the vehicle are continuously increasing. According to the current legalRegulations must apply to everyone related to emissionsSensor performed a diagnosisso that faulty sensors are replaced as soon as possiblecan,to pollution and poor performance of theMinimize vehicle. For this reason, every sensor is going throughmonitors a diagnostic algorithm,the one for itis responsible for detecting sensor values that are irrationalor outsideof the measuring range. There are countless ways in which a diagnosis can be madea good sensor can distinguish from a bad whatan unwieldy diagnostic development process with many analysis optionsleads.
    [0003] DasgegenwärtigeVerfahren, eine Diagnose fürSensoren zu schaffen, umfasst den Entwurf des Algorithmus, den Vergleichgesammelter Daten von einem guten Sensor mit jenen von einem schlechten Sensorund den Versuch, die Werte fürdie Unterscheidung eines guten Systems von einem schlechten zu bestimmen.Das Verfahren zum Erzeugen der Parameter, die einen guten Sensorvon einem schlechten fürdie verschiedenen Betriebsumgebungen unterscheiden, wird als Diagnoseentwicklungsverfahrenbezeichnet. Dieses Verfahren wird typischerweise von Hand durcheine Person überVersuch und Irrtum unternommen, um die Unterschiede in dem Systemfestzustellen, wenn Sensoren gut bzw. fehlerhaft sind. Die Entscheidungenberuhen auf Daten, die aus unterschiedlichen Umgebungen genommenwerden, welche unterschiedliche Klimata, Höhen und Fahrzeugsbetriebsbedingungen umfassen.GegenwärtigeDiagnoseentwicklungsverfahren sind zeitraubend und beruhen vorwiegendauf heuristischen Daten.ThecurrentProcedure, a diagnosis forCreating sensors involves designing the algorithm, comparing itdata collected from a good sensor with that from a bad sensorand trying the values forto distinguish a good system from a bad one.The process of generating the parameters that a good sensorfrom a bad fordistinguishing the different operating environments is called a diagnostic development processdesignated. This process is typically done by handone person overTrial and error made to the differences in the systemdetermine if sensors are good or faulty. The choicesare based on data taken from different environmentswhich include different climates, altitudes and vehicle operating conditions.currentDiagnostic development procedures are time-consuming and predominantly basedon heuristic data.
    [0004] Dievorliegende Erfindung ist ein Verfahren und eine Vorrichtung zumDiagnostizieren von Sensoren in einem Verbrennungsmotor (ICE) unterVerwendung neuronaler Netze. Ein neuronales Netz (NN) ist ein mathematischesWerkzeug, das dazu verwendet wird, komplexe Berechnungen durchzuführen. Esist ein Werkzeug, das dazu verwendet wird, eine Gleichung oder eine Übertragungsfunktion zuerzeugen, die bekannte Eingängemit bekannten Ausgängenin Beziehung bringt. Ein neuronales Netz wird mit Datenexemplarentrainiert, die Eingangswerte gewünschtenAusgangswerten zuordnen. Der Trainingsprozess umfasst das Einstelleninterner Wichtungen des neuronalen Netzes auf eine Weise, die denFehler zwischen den Eingangswerten und den entsprechenden gewünschtenAusgangswerten minimieren wird. Ein neuronales Netz, das außerhalb desSteuerungssystems trainiert wird, in das es eingebettet werden wird,wird als "offline" trainiert bezeichnet.Alternativ ist es möglich,das neuronale Netz "online" zu trainieren, während esin dem Steuerungssystem in Echtzeit arbeitet. Sobald das neuronaleNetz unter Verwendung von einem der beiden Verfahren vollständig trainiertist und in einem Steuerungssystem eingebettet ist, wird es die Fähigkeithaben, komplexe Berechnungen auszuführen, die sonst mit einfachenmathematischen Gleichungen sehr schwierig zu modellieren wären.TheThe present invention is a method and an apparatus forDiagnosing sensors in an internal combustion engine (ICE) underUse of neural networks. A neural network (NN) is a mathematical oneTool used to perform complex calculations. Itis a tool that is used to create an equation or a transfer functiongenerate the known inputswith known outputsrelates. A neural network is made up of data copiestrained, the input values desiredAssign output values. The training process includes hiringinternal weights of the neural network in a way that theErrors between the input values and the corresponding desired onesWill minimize output values. A neural network that is outside theControl system in which it will be embedded,is called "offline" trained.Alternatively, it is possibleto train the neural network "online" while it isworks in real time in the control system. Once the neuralNetwork fully trained using either methodand is embedded in a control system, it becomes the abilityhave to do complex calculations that would otherwise be done with simplemathematical equations would be very difficult to model.
    [0005] VomBlickpunkt einer "BlackBox" aus ist ein neuronalesNetz im Grunde eine komplexe Übertragungsfunktion,die Eingangswerte aufnimmt und sie in Ausgangswerte übersetzt.Im Inneren der Black Box gibt es eine möglicherweise komplexe Struktur ausKnoten und Verbindungen zwischen den Eingängen und den Ausgängen aufeine Weise, die irgendein gewünschtesErgebnis erzeugt.fromFocus of a "BlackBox "is a neuralNetwork basically a complex transfer functionrecords the input values and translates them into output values.Inside the black box there is a possibly complex structureNodes and connections between the inputs and the outputsa way that any desiredResult generated.
    [0006] NeuronaleNetze werden durch die Arbeit des menschlichen Gehirns inspiriert,das aus Milliarden von durch Synapsen miteinander verbundenen Neuronenbesteht, und wie ein menschliches Gehirn muss ein neuronales Netztrainiert werden. Der Trainingsprozess umfasst, dass eine Reihevon bekannten Eingangs/Ausgangs-Datenpaaren, Exemplare genannt,genommen werden, die in einen Trainingsalgorithmus, wie etwa einenBack-Propagation-Prozess, eingespeist werden, um einen kleinstenquadratischen Fehler fürjeden Eingang zu erzeugen. Im Wesentlichen iteriert der Trainingsalgorithmusdurch jedes Exemplar und stellt die Gewichte der Verbindungen zwischenjedem Knoten ein, um eine Gesamtübertragungsfunktionzu bilden, die den richtigen Ausgang für jedes Exemplar erzeugen wird.Die Gesamtübertragungsfunktionbesteht aus der Kombination der Knoten, die selbst eine einzige Übertragungsfunktionbilden, die mit der Summe der gewichteten Verbindungen, die in diesehineinkommen, multipliziert wird.neuralNetworks are inspired by the work of the human brain,that of billions of neurons connected by synapsesexists, and like a human brain needs a neural networkbe trained. The training process includes a numberof known input / output data pairs, called copies,be taken into a training algorithm, such as oneBack propagation process, fed to the smallestquadratic error forto generate every input. The training algorithm essentially iteratesthrough each specimen and puts the weights of the connections betweeneach node to an overall transfer functionform that will produce the correct exit for each copy.The overall transfer functionconsists of the combination of the nodes, which themselves are a single transfer functionform that with the sum of the weighted connections included in thiscome in, is multiplied.
    [0007] Sobalddas neuronale Netz ausreichend trainiert worden ist, ist es in derLage, Ausgangsvariablen fürjeden Eingang zu berechnen, selbst wenn der Eingangswert in demursprünglichenTrainingssatz nicht explizit verwendet wurde. Sobald das trainierte neuronaleNetz in einem System mit tatsächlichen Eingangswertenimplementiert ist, werden die Ausgänge gleich jenen sein, diewährenddes Trainings verwendet wurden, wenn der Eingang zu einem der verwendetenTrainingspaare passte. Sonst ist der Ausgang ein berechneter Wertauf der Grundlage der Gesamtübertragungsfunktiondes neuronalen Netzes, die aus dem Training resultierte.Once the neural network has been trained sufficiently, it is able to compute output variables for each input, even if the input value is in the original training set was not used explicitly. Once the trained neural network is implemented in a system with actual input values, the outputs will be the same as those used during the training if the input matched one of the training pairs used. Otherwise, the output is a calculated value based on the overall transfer function of the neural network that resulted from the training.
    [0008] Dievorliegende Erfindung integriert ferner ein autoassoziatives neuronalesNetz (AANN von Auto Associative Neural Network) in eine Diagnose, dieeinen Teil der Analyselast von einem Ingenieur zu einem Computerverschiebt. Sobald eine Diagnose erfolgreich entwickelt worden ist,ist das Endergebnis ein Algorithmus, der mit dem Fahrzeug kommuniziert,wenn eine Standard- oder Fail-Soft-Aktion notwendig ist. Die Algorithmusentwicklung,die erforderlich ist, um richtige Fail-Soft-Werte zu erzeugen, ist für die Kundenzufriedenheitentscheidend. Ein Fahrzeug, das bei Vorhandensein eines Fehlersweiterhin fahren kann, wird die Unannehmlichkeiten für den Kundenso gering wie möglichhalten, währendein liegen gebliebenes Fahrzeug dies nicht tun wird. Die Diagnoseeines autoassoziativen neuronalen Netzes (AANND von Auto AssociativeNeural Network Diagnostic) der vorliegenden Erfindung hat Eigenschaften,die zu einem verbesserten Diagnoseentwicklungsverfahren, zu einergenauen Fehlerdetektion von betreffenden Gruppen von Sensoren undzu einer überlegenenBestimmung eines Fail-Soft-Wertes führen. Die Vorzüge einesAANND hängendavon ab, wie gut eine Gruppe von Sensoren miteinander in Beziehungsteht, und davon, wie gut das AANN trainiert werden kann.TheThe present invention further integrates an auto-associative neuralNetwork (AANN from Auto Associative Neural Network) into a diagnosis thatpart of the analysis load from an engineer to a computershifts. Once a diagnosis has been successfully developedthe end result is an algorithm that communicates with the vehicle,if a standard or fail-soft action is necessary. Algorithm development,required to generate correct fail soft values is for customer satisfactioncrucial. A vehicle that has a faultcan continue to drive, the inconvenience to the customeras low as possiblehold whilea broken down vehicle will not. The diagnosisan auto-associative neural network (AANND from Auto AssociativeNeural Network Diagnostic) of the present invention has propertiesleading to an improved diagnostic development process, to aaccurate error detection of relevant groups of sensors andto a superior oneDetermine a fail soft value. The advantages of oneAANND hangdepends on how well a group of sensors are relatedand how well the AANN can be trained.
    [0009] DasVerfahren zum Trainieren eines AANN verschiebt etwas von der Analyselastvon einem Ingenieur zu einem Computer, der eine Übertragungsfunktion lernt,die es zulässt,dass die gegenwärtige Diagnoseein gutes System von einem schlechten unterscheiden kann. Eine normalevon einem Ingenieur vorgenommene Analyse wird automatisch bewerkstelligt,wenn das AANN mit Daten von einem guten System trainiert ist. Darüber hinauswerden die Daten, die dazu verwendet werden, ein schlechtes Systemdarzustellen, ebenfalls durch Skripte, die während der Trainingsprozedurverwendet werden, automatisch erzeugt. Folglich kann eine Analysearbeit,die früherin einem Entwicklungsfahrzeug vorgenommen wurde, nun "offline" vorgenommen werden, wodurcheine teuere Entwicklungsresource freigegeben wird.TheProcedure for training an AANN shifts some of the analysis loadfrom an engineer to a computer learning a transfer function,that allowsthat the current diagnosiscan distinguish a good system from a bad one. A normal oneanalysis done by an engineer is done automatically,if the AANN is trained with data from a good system. Furthermorethe data that is used to make it a bad systemto represent, also through scripts, during the training procedureused, generated automatically. So analysis work,the earlierwas made in a development vehicle, can now be made "offline", wherebyan expensive development resource is released.
    [0010] Beieiner Ausführungsformder vorliegenden Erfindung ist eine Diagnose entwickelt worden,die drei Sensoren überwacht,die mit der Luft, die in einen Motor strömt, in Beziehung stehen. DieDiagnose umfasst ein trainiertes AANN, um einen Fehler eines einzelnenSensors an irgendeinem von drei Sensoren festzustellen und genaueFail-Soft-Werte bereitzustellen, die von den Werten abhängen, dieaus den verbliebenen guten Sensoren ausgelesen werden. Die Ausgänge desAANN sind abgeschätzteWerte, die den Ist-Werten eines guten Sensors folgen.atone embodimenta diagnosis of the present invention has been developedwhich monitors three sensors,that are related to the air flowing into an engine. TheDiagnosis involves a trained AANN to diagnose an individual's faultDetect sensors on any of three sensors and be accurateProvide fail-soft values that depend on the values thatcan be read from the remaining good sensors. The outputs of theAANN are estimatedValues that follow the actual values of a good sensor.
    [0011] Beieiner weiteren Ausführungsformder vorliegenden Erfindung könnenvirtuelle Sensorwerte dazu verwendet werden, traditionelle physikalische Sensorenin einem Steuerungssystem zu ersetzen.ata further embodimentof the present inventionVirtual sensor values are used to traditional physical sensorsto replace in a control system.
    [0012] Dasdiagnostische AANN der vorliegenden Erfindung bildet eine komplexe Übertragungsfunktion,die redundante Information, die in Sensorwerten an ihren Eingängen vorhandensind, komprimiert, welche späterdekomprimiert werden, um die gleichen exakten Werte an seinen Ausgängen zuerzeugen. Dieses trainierte AANN wird dann in ein Fahrzeug verbracht,in dem es weiterhin Ausgangswerte erzeugen wird, die gleich denEingangswerten sind, währenddie Sensoren gut sind. Wenn jedoch ein schlechter Sensorwert amEingang erscheint, wird dann ein nicht idealer Ausgangswert berechnet.Eine Differenz zwischen einem berechneten Ausgangswert und seinementsprechenden Eingangswert würdedazu verwendet werden, einen Fehler anzuzeigen. Wenn der Fehlerandauert, würdeder abgeschätzteAusgang zurückin das System rückgekoppeltwerden, um als ein dynamischer Fail-Soft-Wert verwendet zu werden,bis die Diagnose zurückgesetztwird.Thediagnostic AANN of the present invention forms a complex transfer function,the redundant information present in sensor values at their inputsare compressed, which laterbe decompressed to the same exact values at its outputsproduce. This trained AANN is then placed in a vehiclein which it will continue to generate output values equal to theInput values are whilethe sensors are good. However, if a bad sensor value onInput appears, a non-ideal output value is then calculated.A difference between a calculated baseline and itscorresponding input value wouldused to indicate an error. If the mistakewould lastthe estimatedExit backfed back into the systemto be used as a dynamic fail soft valueuntil the diagnosis is resetbecomes.
    [0013] 1 ist eine schematischeZeichnung eines autoassoziativen neuronalen Netzes; 1 Figure 3 is a schematic drawing of an auto-associative neural network;
    [0014] 2 ist eine schematischeZeichnung eines Motorsteuerungssystems der vorliegenden Erfindung;und 2 Figure 3 is a schematic drawing of an engine control system of the present invention; and
    [0015] 3 ist ein Schaubild einesbevorzugten neuronalen Netzes, das dazu verwendet wird, bei der vorliegendenErfindung einen Motor zu steuern. 3 Figure 3 is a diagram of a preferred neural network used to control a motor in the present invention.
    [0016] 1 ist eine schematischeZeichnung eines autoassoziativen neuronalen Netzes (AANN von AutoAssociative Neural Network) 10, das eine Eingangsschicht 12,drei verdeckte Schichten, die eine Abbildungsschicht 14,eine Flaschenhalsschicht 16 und eine Rückabbildungsschicht enthalten,sowie eine Ausgangsschicht 20 umfasst. Die Gesamtübertragungsfunktiondes AANN 10 der vorliegenden Erfindung ist gleich 1, dadie Ausgängeso trainiert sind, dass sie gleich den Werten an den entsprechenden Eingängen sind.Der Entwurf des AANN 10 verwendet eine Kompression vonDaten in der Flaschenhalsschicht 16, um eine Gesamtübertragungsfunktionzu erzielen, die nicht trivial gleich 1 ist. Damit diese Art vonAANN richtig arbeitet, haben die Eingangsdaten die Eigenschaft einer analytischenRedundanz, wo die Eingängein das AANN 10 physikalisch irgendwie in Beziehung stehen.Die analytisch redundante Information wird dazu verwendet, korrekteAusgangswerte zu erzeugen, wenn die Eingänge nur teilweise korrekt sindoder sich in einem fehlerhaften Zustand befinden. Wenn beispielsweiseein Sensor an einem Eingang fehlerhaft ist, gibt es genug Information,die von den anderen Eingängenkommt, um einen richtigen Ausgangswert für den fehlerhaften Sensor zubilden. Das AANN 10 der vorliegenden Erfindung mit eineranalytischen Redundanz kann dazu verwendet werden, Erwartungswertefür jeden Ausgangzu berechnen, die dann dazu verwendet werden können, schlechte Eingangswertezu detektieren und Fail-Soft-Werte für das System anstelle des fehlerhaftenSensorwertes zu liefern. Um eine Robustheit zu erzielen und einennicht fehlerbehafteten Ausgangswert für Eingänge, die grobe Fehler enthalten,zu erzeugen, wird das AANN 10 mit Exemplaren trainiert,die dieses Eingangs-Ausgangs-Verhalten darstellen. 1 is a schematic drawing of an auto associative neural network (AANN from Auto Associative Neural Network) 10 which is an input layer 12 , three hidden layers that form an imaging layer 14 , a bottle neck layer 16 and contain a reimaging layer and an output layer 20 includes. The overall transfer function of the AANN 10 of the present invention is 1 because the outputs are trained to be equal to the values at the corresponding inputs. The draft of the AANN 10 uses data compression in the bottle neck layer 16 to achieve an overall transfer function that is not trivially equal to 1. For this type of AANN to work properly, the input data has the property of analytical redundancy where the inputs to the AANN 10 physically related somehow. The analytically redundant information is used to generate correct output values if the inputs are only partially correct or are in a faulty state. For example, if a sensor at one input is faulty, there is enough information coming from the other inputs to provide a correct output for the faulty sensor. The AANN 10 The present invention with analytical redundancy can be used to compute expected values for each output, which can then be used to detect poor input values and provide fail-soft values for the system instead of the faulty sensor value. In order to achieve robustness and to generate a non-faulty output value for inputs that contain gross errors, the AANN 10 trained with specimens that represent this input-output behavior.
    [0017] Sobaldein AANN 10 zu Beginn unter Verwendung einer hinreichendenAnzahl von guten Datenwerten trainiert ist, so dass es das System über seinenvollständigenBetriebsbereich darstellt, hat es die Fähigkeit, seine Ausgänge gleichseinen Eingängenzu machen, solange kein Sensorfehler vorhanden ist. Wenn das Trainingan diesem Punkt gestoppt wird, ist das AANN 10 trainiert,um ein gutes System zu modellieren, so dass es dazu verwendet werden kann,Fehler auf eine traditionelle Weise zu detektieren. Die gegenwärtigen Sensorwertewerden mit den berechneten Ausgängendes AANN 10 verglichen und es wird ein Fehler signalisiert,wenn die Unterschiede zwischen den beiden einen Schwellenwert überschreiten.Wenn jedoch das Training einen Schritt weiter vorgenommen wird unddas System anhand von Daten trainiert wird, die für schlechteSensoren repräsentativsind, kann dann der Ausgang des AANN 10 dazu verwendetwerden, sofort alle Fail-Soft-Werte für den schlechten Eingang bereitzustellen.Das Training des AANN 10 umfasst die Kompilierung oder Übersetzungvon heuristischen Daten, da es mehrere "Knöpfe" gibt, an denen während des Trainingsprozessesgedreht werden kann. Das Endergebnis des Trainings ist ein AANN 10,das Ausgängeerzeugen wird, die gleich seinen Eingängen sind, wenn gute Sensorenvorhanden sind, und Fail-Soft-Werte erzeugen wird, wenn fehlerhafteSensoren vorhanden sind. AANNs, die durch diesen zweiten Trainingsschrittmit Exemplaren fehlerhafter Sensoren gegangen sind, werden als robuste AANNsbezeichnet. Das bei der bevorzugten Ausführungsform der vorliegendenErfindung entwickelte AANN 10 wird von der robusten Artsein.Once an AANN 10 initially trained using a sufficient number of good data values to represent the system over its full operating range, it has the ability to make its outputs equal to its inputs as long as there is no sensor error. If the training is stopped at this point, it is AANN 10 trains to model a good system so that it can be used to detect faults in a traditional way. The current sensor values are compared with the calculated outputs of the AANN 10 compared and an error is signaled if the differences between the two exceed a threshold. However, if the training is taken a step further and the system is trained using data representative of bad sensors, then the output of the AANN can 10 be used to immediately provide all fail soft values for the bad input. The training of the AANN 10 involves compiling or translating heuristic data because there are several "buttons" that can be turned during the training process. The end result of the training is an AANN 10 that will produce outputs that are equal to its inputs if there are good sensors and will produce fail-soft values if there are faulty sensors. AANNs that have gone through this second training step with specimens of faulty sensors are referred to as robust AANNs. The AANN developed in the preferred embodiment of the present invention 10 will be of the sturdy type.
    [0018] Dievorliegende Erfindung benutzt bei einer bevorzugten Ausführungsformdas AANN 10 in einer Kraftfahrzeuganwendung, wie sie durchdas Motorsteuerungssystem 30 von 2 gezeigt ist, aber jede andere Sensoranwendungwird als im Umfang der vorliegenden Erfindung liegend angesehen.Das Motorsteuerungssystem 30 umfasst einen Motor-Controller 32,der Sensormesswerte von Kühlmitteltemperatur,Lufttemperatur, Saugrohrdruck (MAP) von MAP-Sensor 34,Saugrohrluftdurchsatz (MAF) von MAF-Sensor 36, Motordrehzahlund Motorposition von einem Motorpositionssensor 38, Pedalstellung,Drosselklappenstellung oder -winkel (TPS) von Drosselklappenstellungssensor 40 undAbgassauerstoffmesswerte vor und nach einem katalytischen Umformer 42 durchSauerstoffsensoren 44 und 46 empfängt.The present invention uses the AANN in a preferred embodiment 10 in an automotive application such as that provided by the engine control system 30 of 2 is shown, but any other sensor application is considered to be within the scope of the present invention. The engine control system 30 includes a motor controller 32 , the sensor measured values of coolant temperature, air temperature, intake manifold pressure (MAP) from MAP sensor 34 , Intake manifold air throughput (MAF) from MAF sensor 36 , Engine speed and engine position from an engine position sensor 38 , Pedal position, throttle position or angle (TPS) of throttle position sensor 40 and exhaust gas oxygen readings before and after a catalytic converter 42 through oxygen sensors 44 and 46 receives.
    [0019] Lufttritt in einen Verbrennungsmotor (ICE) 50 durch ein Saugrohr 52 ein.Eine Drosselklappe 54 steuert den Luftstrom oder Luftdurchsatzdurch den Verbrennungsmotor 50 und kann elektronisch oder vonHand durch einen mit einem Gaspedal verbundenen Draht gesteuertwerden. Die Luft wird mit Kraftstoff von einem Kraftstoffeinspritzventil 56,das von dem Motor-Controller 32 gesteuert wird, gemischt. DasLuft- /Kraftstoffgemischtritt in einen Zylinder 58 ein, in dem es gezündet wird,um eine Kurbelwelle zu rotieren, wie es in der Technik allgemeinbekannt ist. Die Abgase werden durch den katalytischen Umformer 42 oxidiertund reduziert, wie es in der Technik allgemein bekannt ist.Air enters an internal combustion engine (ICE) 50 through a suction pipe 52 on. A throttle 54 controls the air flow or air flow through the internal combustion engine 50 and can be controlled electronically or manually through a wire connected to an accelerator pedal. The air is fueled by a fuel injector 56 that from the motor controller 32 is controlled, mixed. The air / fuel mixture enters a cylinder 58 one in which it is ignited to rotate a crankshaft, as is well known in the art. The exhaust gases are through the catalytic converter 42 oxidizes and reduces as is well known in the art.
    [0020] DieSensoren, die mit der in das Motorsaugrohr eintretenden Luft inBeziehung stehen, haben die Eigenschaft einer analytischen Redundanzund werden bei der bevorzugten Ausführungsform der vorliegendenErfindung verwendet. Im Besonderen stehen der MAP-Sensor 34,der MAF-Sensor 36 und der TPS-Sensor 40 mit demLuftdurchsatz durch den Verbrennungsmotor 50 in Beziehung.Der MAF-Sensor 36 misst die Luftmenge, die in den Verbrennungsmotor 50 eingesaugtwird, der MAP-Sensor 34 misst denDruck in dem Verbrennungsmotor 50, und der TPS-Sensor 40 misstden Winkel oder den Querschnitt der Drosselklappe 54.The sensors related to the air entering the engine intake manifold have the property of analytical redundancy and are used in the preferred embodiment of the present invention. The MAP sensor stands out in particular 34 , the MAF sensor 36 and the TPS sensor 40 with the air flow through the internal combustion engine 50 in relationship. The MAF sensor 36 measures the amount of air entering the internal combustion engine 50 is sucked in, the MAP sensor 34 measures the pressure in the internal combustion engine 50 , and the TPS sensor 40 measures the angle or cross section of the throttle valve 54 ,
    [0021] 3 ist eine schematischeZeichnung einer bevorzugten Ausführungsformeines AANN 60 bei der vorliegenden Erfindung. Auf die Messwerteder MAP-, MAF- und TPS-Sensoren 34, 36 und 40 wird eineNormierungsfunktion 62 angewandt. Die normierten Sensorwertewerden in einer Eingangsschicht 64 mit einer linearen Übertragungsfunktion verarbeitet.Die Eingangsschicht erzeugt Ausgänge für gewichteteVerbindungen 66. Eine Abbildungsschicht 68 mitsigmoidischen Übertragungsfunktionengibt Werte an gewichtete Funktionen 70 aus. Eine Flaschenhalsschicht 72 verarbeitetdie Eingängevon den gewichteten Verbindungen 70 und erzeugt Ausgänge für gewichteteVerbindungen 74. Die gewichteten Verbindungen 74 gebenSignale an die Rückabbildungsschicht 76 ausund geben Werte an die gewichteten Verbindungen 78 aus.Eine Eingangsschicht 80 mit einer linearen Übertragungsfunktionverarbeitet die Ausgängevon den gewichteten Verbindungen 78. Block 82 entnormiertdie Ausgängevon Block 80, um repräsentativeWerte MAF', MAP' und TPS' zu erzeugen. DieFunktionen des oben beschriebenen autoassoziativen neuronalen Netzes 60 (Schichten 62–82)sind wie folgt: a = F1(W5F2(W4F1(W3F2(W2F1(W1p+ b1) + b2) + b3) + b4) + b5)wobei F1 =Lineare Transformationsfunktion F2 =Tan-Sigmoid-Übertragungsfunktion W1 = Gewichtungsvektor für Eingangsschicht 64 (3 × 3 Matrix) W2 = Gewichtungsvektor für Abbildungsschicht 68 (6 × 3 Matrix) W3 = Gewichtungsvektor für Flaschenhalsschicht 72 (2 × 6 Matrix) W4 = Gewichtungsvektor für Rückabbildungsschicht 76 (6 × 2 Matrix) W5 = Gewichtungsvektor für Ausgangsschicht 80 (3 × 6 Matrix) b1 = Vorbelastungsvektor für Eingangsschicht 64 (3 × 1 Matrix) b2 = Vorbelastungsvektor für Abbildungsschicht 68 (6 × 1 Matrix) b3 = Vorbelastungsvektor für Flaschenhalsschicht 72 (2 × 1 Matrix) b4 = Vorbelastungsvektor für Rückabbildungsschicht 76 (6 × 1 Matrix) b5 = Vorbelastungsvektor für Ausgangsschicht 80 (3 × 1 Matrix) p= Eingangsmuster (3 × 1Matrix) a = Ausgangsmuster (3 × 1 Matrix) 3 is a schematic drawing of a preferred embodiment of an AANN 60 in the present invention. On the measured values of the MAP, MAF and TPS sensors 34 . 36 and 40 becomes a normalization function 62 applied. The standardized sensor values are in an input layer 64 processed with a linear transfer function. The input layer produces outputs for weighted connections 66 , An imaging layer 68 with sigmoid transfer functions gives values to weighted functions 70 out. A bottle neck layer 72 processes the inputs from the weighted connections 70 and he creates outputs for weighted connections 74 , The weighted connections 74 give signals to the reimaging layer 76 and give values to the weighted connections 78 out. An entrance layer 80 with a linear transfer function processes the outputs from the weighted connections 78 , block 82 denormalizes the outputs of block 80 to generate representative values MAF ', MAP' and TPS '. The functions of the auto-associative neural network described above 60 (Layers 62 - 82 ) are as follows: a = F 1 (W 5 F 2 (W 4 F 1 (W 3 F 2 (W 2 F 1 (W 1 p + b 1 ) + b 2 ) + b 3 ) + b 4 ) + b 5 ) in which F 1 = linear transformation function F 2 = Tan sigmoid transfer function W 1 = weighting vector for input layer 64 (3 × 3 matrix) W 2 = weighting vector for imaging layer 68 (6 × 3 matrix) W 3 = weighting vector for bottle neck layer 72 (2 × 6 matrix) W 4 = weighting vector for re-imaging layer 76 (6 × 2 matrix) W 5 = weighting vector for starting layer 80 (3 × 6 matrix) b 1 = preload vector for input layer 64 (3 × 1 matrix) b 2 = preload vector for imaging layer 68 (6 × 1 matrix) b 3 = preload vector for the bottleneck layer 72 (2 × 1 matrix) b 4 = preload vector for re-imaging layer 76 (6 × 1 matrix) b 5 = preload vector for starting layer 80 (3 × 1 matrix) p = input pattern (3 × 1 matrix) a = output pattern (3 × 1 matrix)
    [0022] DierepräsentativenWerte MAF', MAP' und TPS' sollten im Allgemeinengleich den Werten sein, die von den MAP-, MAF- und TPS-Sensoren 34, 36 und 40 unternormalen Betriebsbedingungen oder unter fehlerhaften Bedingungenfür irgendeinender Sensoren 34, 36 und 40 erzeugt werden.Dementsprechend kann das Motorsteuerungssystem 30 nochinnerhalb normaler Parameter arbeiten, wenn es einen Fehler gibt,oder bei alternativen Ausführungsformenkönnendie repräsentativenWerte dazu verwendet werden, einen physikalischen Sensor zu ersetzen.The representative values MAF ', MAP' and TPS 'should generally be the same as the values from the MAP, MAF and TPS sensors 34 . 36 and 40 under normal operating conditions or under faulty conditions for any of the sensors 34 . 36 and 40 be generated. Accordingly, the engine control system 30 still operate within normal parameters if there is an error, or in alternative embodiments, the representative values can be used to replace a physical sensor.
    [0023] Beialternativen Ausführungsformender vorliegenden Erfindung könnenandere verwandte Sensorgruppen, wie etwa Motordrehzahl-, Getriebedrehzahl-,Raddrehzahlsensoren, damit in Beziehung stehende Sensoren, wie Drosselklappenstellungssensoren,und andere ähnlicheSensorgruppen verwendet werden.atalternative embodimentsof the present inventionother related sensor groups, such as engine speed, transmission speed,Wheel speed sensors, related sensors such as throttle position sensors,and other similarSensor groups can be used.
    [0024] Zusammengefasstbetrifft die Erfindung ein Motorsteuerungssystem, das einen Motor-Controller, mehreremit dem Motor-Controller gekoppelte Sensoren und ein in dem Motor-Controllerarbeitendes neuronales Netz umfasst, wobei das neuronale Netz beiAusfall von zumindest einem der Sensoren einen repräsentativenWert von dem ausgefallenen Sensor erzeugt.SummarizedThe invention relates to an engine control system comprising one engine controllersensors coupled to the motor controller and one in the motor controllerincludes working neural network, the neural network atFailure of at least one of the sensors is representativeValue generated by the failed sensor.
    权利要求:
    Claims (14)
    [1]
    Motorsteuerungssystem (30), umfassend: einenMotor-Controller (32), mehrere mit dem Motor-Controller(32) gekoppelte Sensoren (34, 36, 38, 40, 44, 46), einneuronales Netz (10), das in dem Motor-Controller (32)arbeitet, wobei das neuronale Netz (10) bei Ausfallvon zumindest einem der Sensoren (34, 36, 38, 40, 44, 46)einen repräsentativenWert von dem ausgefallenen Sensor erzeugt.Engine control system ( 30 ), comprising: a motor controller ( 32 ), several with the motor controller ( 32 ) coupled sensors ( 34 . 36 . 38 . 40 . 44 . 46 ), a neural network ( 10 ) that in the motor controller ( 32 ) works, whereby the neural network ( 10 ) if at least one of the sensors fails ( 34 . 36 . 38 . 40 . 44 . 46 ) generates a representative value from the failed sensor.
    [2]
    Motorsteuerungssystem nach Anspruch 1, dadurch gekennzeichnet,dass die Sensoren einen Saugrohrdrucksensor (34), einenLuftmassendurchsatzsensor (36) und einen Drosselklappenstellungssensor(40) umfassen.Engine control system according to claim 1, characterized in that the sensors include an intake manifold pressure sensor ( 34 ), an air mass flow sensor ( 36 ) and a throttle position sensor ( 40 ) include.
    [3]
    Motorsteuerungssystem nach Anspruch 1 oder 2, dadurchgekennzeichnet, dass das neuronale Netz (10) kontinuierlichrepräsentativeWerte fürdie Sensoren (34, 36, 38, 40, 44, 46)erzeugt.Motor control system according to claim 1 or 2, characterized in that the neural network ( 10 ) continuously representative values for the sensors ( 34 . 36 . 38 . 40 . 44 . 46 ) generated.
    [4]
    Motorsteuerungssystem nach einem der vorhergehendenAnsprüche,dadurch gekennzeichnet, dass das neuronale Netz (10) eine Übertragungsfunktionvon Eins (62) aufweist.Motor control system according to one of the preceding claims, characterized in that the neural network ( 10 ) a transfer function of one ( 62 ) having.
    [5]
    Motorsteuerungssystem nach einem der vorhergehendenAnsprüche,dadurch gekennzeichnet, dass das neuronale Netz (10) einautoassoziatives neuronales Netz ist.Motor control system according to one of the preceding claims, characterized in that the neural network ( 10 ) is an auto-associative neural network.
    [6]
    Motorsteuerungssystem nach einem der vorhergehendenAnsprüche,dadurch gekennzeichnet, dass die Sensoren einen Getriebedrehzahlsensor,einen Motordrehzahlsensor (38) und Raddrehzahlsensorenumfassen.Engine control system according to one of the preceding claims, characterized in that the sensors are a transmission speed sensor, an engine speed sensor ( 38 ) and include wheel speed sensors.
    [7]
    Motorsteuerungssystem nach einem der vorhergehendenAnsprüche,gekennzeichnet durch einen Dieselmotor (50).Engine control system according to one of the preceding claims, characterized by a diesel engine ( 50 ).
    [8]
    Verfahren zur Motorsteuerung, umfassend: Bestimmeneines Satzes von Sensormesswerten, Verarbeiten des Sensormesswertes,um repräsentativeWerte der Sensormesswerte zu bestimmen, und Bestimmen einesSensorfehlers auf der Grundlage eines Vergleichs des Satzes vonSensormesswerten und der repräsentativenWerte der Sensormesswerte.A method of engine control, comprising: determining a set of sensor readings, processing the sensor readings to determine representative values of the sensor readings, and determining a sensor error based on a comparison of the set of sensor readings and the representative values of the sensor readings.
    [9]
    Verfahren nach Anspruch 8, dadurch gekennzeichnet,dass der Schritt des Verarbeitens des Sensormesswertes, um repräsentativeWerte der Sensormesswerte zu bestimmen, umfasst, dass die Sensormesswertemit einem neuronalen Netz (10) verarbeitet werden.A method according to claim 8, characterized in that the step of processing the sensor measured value in order to determine representative values of the sensor measured values comprises the sensor measured values being connected to a neural network ( 10 ) are processed.
    [10]
    Steuerungssystem für ein Fahrzeug, umfassend: einenMotor (50), einen Controller (32), der denMotor (50) steuert, mehrere mit dem Controller (32)gekoppelte Sensoren (34, 36, 38, 40, 44, 46)und ein in dem Controller (32) arbeitendes neuronales Netz(10), das Sensorsignale für den Controller (32) erzeugt.A control system for a vehicle, comprising: an engine ( 50 ), a controller ( 32 ) the engine ( 50 ) controls several with the controller ( 32 ) coupled sensors ( 34 . 36 . 38 . 40 . 44 . 46 ) and one in the controller ( 32 ) working neural network ( 10 ), the sensor signals for the controller ( 32 ) generated.
    [11]
    Steuerungssystem nach Anspruch 10, dadurch gekennzeichnet,dass die Sensoren einen Drucksensor (34), einen Luftmassendurchsatzsensor (36)und einen Drosselklappenstellungssensor (40) umfassen.Control system according to claim 10, characterized in that the sensors comprise a pressure sensor ( 34 ), an air mass flow sensor ( 36 ) and a throttle position sensor ( 40 ) include.
    [12]
    Steuerungssystem nach Anspruch 10 oder 11, dadurchgekennzeichnet, dass das neuronale Netz (10) eine Übertragungsfunktionvon Eins (62) aufweist.Control system according to claim 10 or 11, characterized in that the neural network ( 10 ) a transfer function of one ( 62 ) having.
    [13]
    Steuerungssystem nach einem der Ansprüche 10–12, dadurchgekennzeichnet, dass das neuronale Netz (10) die Sensoren(34, 36, 38, 40, 44, 46) aufFehler untersucht und ein repräsentativesSignal füreinen fehlerhaften Sensor erzeugt.Control system according to one of claims 10-12, characterized in that the neural network ( 10 ) the sensors ( 34 . 36 . 38 . 40 . 44 . 46 ) checked for errors and generated a representative signal for a faulty sensor.
    [14]
    Verfahren zur Motorsteuerung, umfassend: Bereitstelleneines Verbrennungsmotors (50), Bereitstellen einesControllers (32), um den Verbrennungsmotor (50)zu steuern, Bereitstellen eines neuronalen Netzes (10),das in dem Controller (32) arbeitet, Bestimmen einesSatzes von Sensormesswerten, und Verarbeiten der Sensormesswertemit dem neuronalen Netz (10), um repräsentative Werte der Sensormesswertezu bestimmen.A method for engine control, comprising: providing an internal combustion engine ( 50 ), Providing a controller ( 32 ) to the internal combustion engine ( 50 ) control, provision of a neural network ( 10 ) that in the controller ( 32 ) works, determining a set of sensor measurement values, and processing the sensor measurement values with the neural network ( 10 ) to determine representative values of the sensor measured values.
    类似技术:
    公开号 | 公开日 | 专利标题
    US6628993B1|2003-09-30|Method and arrangement for the mutual monitoring of control units
    DE10254233B4|2014-08-21|On a vehicle arranged control device
    DE60037300T2|2008-11-06|Method and device for model-based diagnosis
    JP4509098B2|2010-07-21|モデルに基づくオンボード診断を行う装置および方法
    DE102012102770B4|2019-12-19|System and method for error isolation and error mitigation based on network modeling
    EP2244141B1|2012-10-10|Verfahren und Vorrichtung zur Verifizierung eines Automatisierungssystems
    EP3209996B1|2019-11-13|Verfahren und vorrichtung zur ausführung eines testvorgangs betreffend ein schienenfahrzeug
    EP1924474B1|2010-07-21|Verfahren zur steuerung einer fahrzeug-antriebseinheit
    KR100998375B1|2010-12-03|Method and apparatus for controlling a functional unit of a vehicle
    DE69814844T2|2004-05-06|DIAGNOSTIC SYSTEM FOR ENGINE CONTROL
    EP1924475B1|2010-07-14|Verfahren zur begrenzung von sollmomenten bei der motorsteuerung
    EP0846945A2|1998-06-10|Verfahren zur Analyse des Fahrverhaltens von Kraftfahrzeugen
    EP3111061B1|2018-09-05|Verfahren zur alterungsbestimmung eines oxidationskatalysators in einem abgasnachbehandlungssystem einer brennkraftmaschine, verfahren zur ascheerkennung in einem partikelfilter eines abgasnachbehandlungssystems, steuereinrichtung und brennkraftmaschine
    EP2564049A1|2013-03-06|STEUERGERÄT UND VERFAHREN ZUR BERECHNUNG EINER AUSGANGSGRÖßE FÜR EINE STEUERUNG
    DE102005014550B4|2010-09-30|Brake by-wire control system
    DE10392753T5|2005-07-28|Diagnostic system for determining a failure of a fuel injector in a fuel cell system
    DE10056408C1|2002-03-07|Processor monitoring device
    DE10208155B4|2008-12-24|Modification of pedal progression with acceleration feedback using electronic throttle control
    DE102005058227A1|2006-07-13|Emotion-based software robot for automobiles
    Puscasu et al.2009|Nonlinear system identification based on internal recurrent neural networks
    EP2125444B1|2013-10-30|Verfahren zur kraftcharakterisierung und sensorsystem
    DE102013202253A1|2014-08-14|Circuit for controlling an acceleration, braking and steering system of a vehicle
    EP0870132A1|1998-10-14|Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug
    US6240343B1|2001-05-29|Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
    DE102011117803A1|2012-05-10|Procedure for maintenance diagnosis and maintenance procedure improvement
    同族专利:
    公开号 | 公开日
    DE102004023450B4|2008-10-02|
    US7181334B2|2007-02-20|
    US20040230368A1|2004-11-18|
    JP2004340151A|2004-12-02|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    法律状态:
    2004-12-16| OP8| Request for examination as to paragraph 44 patent law|
    2009-04-02| 8364| No opposition during term of opposition|
    2009-07-16| 8380| Miscellaneous part iii|Free format text: PFANDRECHT |
    2010-01-07| 8380| Miscellaneous part iii|Free format text: PFANDRECHT AUFGEHOBEN |
    2010-04-01| 8380| Miscellaneous part iii|Free format text: PFANDRECHT |
    2013-03-14| R119| Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee|Effective date: 20121201 |
    优先权:
    申请号 | 申请日 | 专利标题
    [返回顶部]