通過回歸計算評估機動車內(nèi)燃機非正常燃燒的方法和設(shè)備的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及用于通過物理量的回歸計算來評估機動車內(nèi)燃機的非正常燃燒的方法，在該方法中由測量的傳感器信號計算非正常燃燒的識別變量；以及涉及用于實施本方法的設(shè)備。
【背景技術(shù)】
[0002]在汽油發(fā)動機中通常借助爆震傳感器來探測爆震。在此，該爆震傳感器布置在汽油發(fā)動機上并且把汽油發(fā)動機的固體聲振動傳遞到分析單元上，所述固體聲振動由于汽油發(fā)動機的氣缸內(nèi)的爆炸式燃燒產(chǎn)生。這種在汽油發(fā)動機的燃燒室的內(nèi)部產(chǎn)生的爆炸式燃燒被變換為振動，所述振動繼續(xù)傳遞到內(nèi)燃機的壁上并且在那里被感知為固體聲。
[0003]當(dāng)前的爆震識別基于被濾波并整流的固體聲信號的積分和由此計算的參考電平。所述積分在與爆震相關(guān)的時間區(qū)間上進行。該方法基于線性的系統(tǒng)理論和信號處理的方法。用于爆震識別的參考變量在這里是帶通濾波的氣缸壓力信號的峰值。
[0004]使用相同的分析處理策略用于預(yù)點火識別。用于該燃燒異常的參考變量是未濾波的氣缸壓力信號的最大值。作為用于燃燒異常的第三個例子要提到斷火識別。其分析處理同樣根據(jù)系統(tǒng)理論和信號處理領(lǐng)域的方法進行，但是用于分析處理曲軸傳感器的傳感器信息。
[0005]缺點是，盡管分析處理方法花費高，針對所有運行條件下的任何類型的非正常燃燒完成過程的可靠的識別始終不能夠被保證。此外，機動車控制器中的大的計算容量延長了這些分析處理方法的時間上的完成過程。

【發(fā)明內(nèi)容】

[0006]由此，本發(fā)明的任務(wù)在于，提出一種用于評估機動車內(nèi)燃機的非正常燃燒的方法，借助該方法能夠在所有運行點上可靠地識別和分類內(nèi)燃機的非正常燃燒過程。
[0007]根據(jù)本發(fā)明，該任務(wù)如下解決，S卩，使用分級式系統(tǒng)用于回歸計算識別變量，在該系統(tǒng)中，由傳感器信號計算至少一個參考變量，其相應(yīng)于傳感器信號的測量的參考變量。借助這種分級式的方法能夠可靠地識別和分類形式為爆震、預(yù)點火或者斷火的非正常燃燒。所說明的系統(tǒng)具有這樣的優(yōu)點:它表示一種相對于機械和電氣的干擾影響提高的堅實性以及識別變量和參考變量之間提高了的相關(guān)性。通過本方法的作為輸出量使用的識別變量提高了可追溯性，所述識別變量相應(yīng)于參考變量。相對于已知的、來自人工智能領(lǐng)域的、用于爆震識別的方法，本方法的特征在于計算花費減少以及模型的可追溯性并且擴展了這些模型的信號處理的功能和適配。由此，實現(xiàn)非正常燃燒探測的相對于已知方法提高的和更堅實的功能性以及進行對燃燒分析的問題提出的匹配。
[0008]有利的是，所述分級式系統(tǒng)在時間上前后相繼地被執(zhí)行，其中，首先
[0009]-實施第一步驟信號準備，其用于由所述被測量的傳感器信號提供至少一個識別特征，隨后，
[0010]-第二步驟特征適配建立內(nèi)燃機的典型的燃燒特性，隨后，
[0011]-實施第三步驟線性模型，其用于回歸計算所述物理參考變量，隨后，
[0012]-執(zhí)行第四步驟非線性模型，其用于回歸計算所述線性模型的誤差，隨后，
[0013]-執(zhí)行第五步驟，其用于補償所述線性模型的所述誤差用以限制非線性模型的影響，并且之后
[0014]-實施第六步驟結(jié)果適配，其用于修正模型偏差。
[0015]這些以所提到的順序前后相繼地待處理的步驟能夠有利地針對不同類型的非正常燃燒完成過程被準備，從而以所示方法步驟的該順序既可以實現(xiàn)爆震識別以及預(yù)點火識別也可以實現(xiàn)斷火識別。
[0016]在一種構(gòu)型中，在第二步驟特征適配中，內(nèi)燃機的典型的燃燒特性從至少一個識別特征中被減去或者被所述識別特征除。尤其，通過所述減去可在每個燃燒的所有特征上消除所述燃燒的基本特性，從而在計算時僅保留相應(yīng)于非正常燃燒的偏差。在除的情況下，特征適配通過求取正常燃燒和不正常燃燒之間的信號干擾間隔來進行。
[0017]在一種擴展中，在所述第三步驟線性模型中由與所述內(nèi)燃機的所述典型的燃燒特性不同的識別特征通過所述回歸計算來確定所述被計算的參考變量。由此，線性模型表示基本的系統(tǒng)模型，該系統(tǒng)模型在特征空間中具有非正常燃燒。根據(jù)該線性模型能夠直接讀出每個固體聲特征的配價(Wertigkeit)。
[0018]在一種變型中，在先于所述傳感器信號的所述測量進行的應(yīng)用過程中確定用于計算所述待計算的參考變量的條件，其中，尤其，基于所述內(nèi)燃機的所述被測量的參考變量來確定各個級的識別特征。這些識別特征在內(nèi)燃機的正常運行中使用，以便計算參考變量。
[0019]有利地，為確定所述內(nèi)燃機的所述典型的燃燒特性，將所述被測量的參考變量與一極限值相比較，由此在低于該極限值的情況下所述被測量的參考變量相應(yīng)于正常燃燒并且被接收到所述內(nèi)燃機的所述典型的燃燒特性中。通過該處理方式連續(xù)地匹配對于在步驟特征適配中內(nèi)燃機的典型的燃燒特性必要的識別特征。
[0020]在一種構(gòu)型中，所述線性模型通過之前選擇的非正常燃燒的所述識別特征的統(tǒng)計的主分量分析來確定，所述識別特征存放在特性曲線場中，其中，從由識別特征展開的、與運行點有關(guān)的特性曲線場中計算所述被計算的參考變量。由此，感測并且為計算提供內(nèi)燃機的存放在步驟特征適配中的典型燃燒特性和表示該線性模型的非正常燃燒的特性之間的決定判據(jù)。
[0021]有利地，非線性模型以線性模型的誤差來訓(xùn)練，其中，在內(nèi)燃機的正常運行中考慮非線性模型用于誤差補償。
[0022]尤其，為了確定所述誤差使用人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)具有激活函數(shù)，例如跳躍函數(shù)或者徑向基函數(shù)(RBF)，其可應(yīng)用于非線性模型。但是，替代地也可以使用模糊邏輯或者具有高斯內(nèi)核的支持矢量機制(SVM)。
[0023]在一種實施方式中，在所述結(jié)果適配中進行應(yīng)用數(shù)據(jù)和測試數(shù)據(jù)的統(tǒng)計分析，以便使用盡可能正確的識別特征用于確定非正常燃燒。在這里，附加地考慮待評估的燃燒分析(例如識別品質(zhì)、數(shù)量識別和不識別)中的品質(zhì)判據(jù)。
[0024]在一種變型中，使用一氣缸的峰壓作為用于表征非正常燃燒的識別變量，所述峰壓在應(yīng)用過程中通過在所述內(nèi)燃機中被測量的燃燒室壓力來實現(xiàn)。借助于用燃燒室壓力傳感器測量的燃燒室壓力，在各種非正常燃燒上前后相繼地訓(xùn)練各個步驟，從而在不同的步驟中確定在應(yīng)用過程中確定的、數(shù)學(xué)的計算過程，所述計算過程然后在內(nèi)燃機的運行期間被用于評估非正常燃燒的識別變量。
[0025]本發(fā)明的一種擴展涉及一種用于通過回歸計算物理參考變量來評估機動車內(nèi)燃機的非正常燃燒的設(shè)備，其中，由被傳感器接收的傳感器信號來計算非正常燃燒的識別變量。在需要小的計算容量用于確定非正常燃燒的設(shè)備中存在器件，其使用模塊化的系統(tǒng)用于所述非正常燃燒的所述識別變量的所述回歸計算，在該系統(tǒng)中由所述傳感器信號計算至少一個參考變量，所述至少一個參考變量相應(yīng)于所述傳感器信號的被測量的參考變量。因為該模塊化的系統(tǒng)根據(jù)非正常燃燒被訓(xùn)練，這樣產(chǎn)生協(xié)同，，即，模塊化系統(tǒng)的部分、例如信號準備能夠被用于評估不同類型的非正常燃燒。
[0026]有利地，所述器件構(gòu)造為計算單元，該計算單元在模塊化的系統(tǒng)的多個級中確定所述非正常燃燒的所述識別變量，其中，該系統(tǒng)包括:
[0027]-第一模塊信號準備，其用于由所述被測量的傳感器信號提供至少一個識別特征，
[0028]-第二模塊特征適配，其用于建立所述內(nèi)燃機的典型的燃燒特性，
[0029]-第三模塊線性模型，其用于回歸計算所述物理參考變量，
[0030]-第四模塊非線性模型，其用于計算所述線性模型的所述誤差，
[0031]-第五模塊，其用于限制所述線性模型的所述誤差用以補償所述非線性模型的影響，和
[0032]-第六模塊結(jié)果匹配，其用于修正系統(tǒng)性的模型偏差。
[0033]這些模塊可以被前后相繼地執(zhí)行，但是也可以彼此分開執(zhí)行，其中，各個模塊的結(jié)果能夠以其他方法被用于評估非正常燃燒。
[0034]在一種構(gòu)型中，所述器件在所述傳感器的傳感器信號的所述接收之前實施應(yīng)用過程，在該應(yīng)用過程中基于所述內(nèi)燃機的被測量的參考變量來確定各個模塊的識別特征。