专利名称：使用神经网络控制车辆发动机的方法
技术领域：
本发明涉及控制车辆发动机，特别是汽油发动机。
背景技术：
内燃机不断增加的复杂度要求更加频繁地使用某些物理量的才莫型，这 要么是因为它们不可测量，要么是因为合适的传感器价格不菲。这些模型 通常是动态的，以便根据输入变量的当前值和过去值来预测输出。这些模 型集成在用于控制发动机的计算机中。假定计算机在存储和计算能力方面 受限，期望最大程度地限制驻留于其中的模型的复杂度。另外，系统复杂 度以及为了满足有关控制和排污标准方面的需要而期望进行准确的使用， 需要提高的估算和建模的准确性。
特别地，汽油发动机通常使用一种喷射系统，该喷射系统根据与收集 器中的压力、发动机转数和收集器中的空气温度有关的测量信息来计算燃 料需求。于是，期望对相对填充效率建模从而表征实际进入发动机的空气 量值。然后，该空气量值根据丰富度指标而被转换成待喷射燃料的量值。
该计算可按以下方式进行
<formula>complex formula see original document page 4</formula>
并且相关联的汽油质量为Mess = Mair*Ri/14.7 即，有效喷射时间为
<formula>complex formula see original document page 4</formula>
其中
Vcyl-发动机的单位汽缸工作容量 (m3 )
Ri-定值丰富度(参见下文)
14.7=市售汽油的化学计量(stoeckiometrique )比(空气kg/汽油kg)
Qstat-固定斜坡压力下的喷射器的静态流量(kg/s)
Pcoh收集器压力
P(H零流量的收集器压力
Maii^进入发动才几的空气质量(kg)
Mess-待喷射汽油的质量(kg)
Tl remp-容积填充效率(参见下文)
该容积填充效率Ti remp表征了发动机的配置(进气收集器和排气收集 器的相关容积、长度和形状、构成它们的管所采用的材料和表面状态)。它还表征为进气及排气阀的升程规律以及它们在发动机循环中的阶段划
分。这取决于收集器中的压力、发动机转数并且最后取决于进气和排气凸 轮轴的定位(calage)(称为AAC或是WT )，特别是在发动机配备有 用于这些轴的可变定位系统的情况下。
通过(抛物线或其他类型的)参数规律来确定效率涉及许多待实施的 复杂的制图校正，并且不提供关于待处理物理现象的知识。
更一般地，已知对于没有进气凸轮轴移位器的发动机通过筒单的制图 校正来估算发动机的填充。这种校正实施与收集器中的压力和发动机转数 有关的单一制图。
还已知在配备有开/关进气凸轮轴移位器的发动机中进行双重制图校 正。在该情况下，发动机包括一种与收集器中的压力和转数有关的、按照 凸轮轴移位器的位置、运转或者停止的制图。
G. DE NICOLAO所著文献"Modelling the volumetric efficiency of IC engines: parametric, non-parametric and neural techniques"提出了一 种控制发动机的方法，其中确定了空气的容积填充效率。
最后，已知在包括连续进气凸轮轴移位器的发动机中的更完善的制图 校正。在该情况下，对于移位器的参考位置、根据压力和转数来实施制图， 并且进行抛物线校正，其与根据压力和转数的制图系数相关联。
本发明的目的因而是改进对车辆发动机的控制，特别是改进相对填充 效率的估算，例如在配备有双进气及排气凸轮轴移位器的发动机的情况下。
发明内容
为此，本发明提出了一种控制车辆发动机的方法，其中，确定了发动 机的空气容积填充效率，其特征在于，借助于人工神经网络来确定该效率 的基础值和校正值，并且将该基础值和该校正值相加。
根据本发明的方法还具有以下至少 一个特征
-根据发动机转数来确定该效率；
-根据发动机收集器中的压力来确定该效率；
-根据进气凸轮轴的定位定值(consigne)与该轴的位置测量值之差 来确定该效率；
-根据排气凸轮轴的定位定值与该轴的位置测量值之差来确定该效
率；
-根据进气阀门的升程规律与该阀门的位置之差来确定该效率；
-根据排气阀门的升程规律与该阀门的位置之差来确定该效率；
一根据发动机的定值力矩(couple)与最大力矩之比来确定该效率；
-根据进气收集器中的压力和/或发动机转数来确定该基础值；
-该网络包括唯一的隐层；
-该网络的激励函数是tansig函数；并且
-在非等距点之间离散该网络的激励函数。
本发明还提供了一种车辆发动机，其包括适于确定该发动机的空气容 积填充效率的控制构件，该控制构件包括神经网络。
有利地，该发动机包括进气凸轮轴和/或排气凸轮轴的可变定位装置， 或者是进气阀门和/或排气阀门的可变升程装置。
参考附图，通过阅读下面对作为非限制性例子给出的优选实施例和变 型的描述，本发明的其他特征和优点将变得明显，其中
图l是说明本例子中的方法的一般实施的流程图2包括两个流程图，其说明了与进气和排气凸轮轴的可变定位相关 联的校正值的获得；
图3是说明图1的方法中神经网络的使用的流程图4示出了在图3的网络中实施的激励函数的曲线图5示出了与该函数有关的其他曲线图6是说明选择神经网络及其标定的过程的流程图；以及
图7类似于图3图，示出了一个实施例变型。
具体实施例方式
本发明涉及一种机动车辆汽油内燃机。该发动机包括计算机，该计算 机确保该发动机的控制并且在本例中包括人工神经网络。这类网络是已知 的并且不在本文中对其进行详细说明。
该网络目的在于确定发动机的空气容积填充效率，更确切地说是在于 对该参数建才莫。首先，使用以发动机的标称参考定位所调整的参考制图来 定义参考填充值或者基础填充值。然后，使用由该神经网络建模的填充校
正值来校正该填充，在本例中是与基础值相加。因此得到了在发动机标称 工作点之外的发动机实际填充特性。
这种确定的原理示于图1中。方框2代表了制图的实施，其指示了根 据沿横座标X的发动机转数测量值和沿纵坐标Y的发动机进气收集器中测 量的压力的发动机填充效率Z的参考值。在本例中该发动机具有可变定位 的进气凸轮轴和排气凸轮轴，所述制图提供了由调节器选择的定位点的填 充值。
如图1上部所示，这个参考填充值在方框4中通过与校正项相加而被 校正，该校正项是通过所述神经网络在方框6中净皮平行地确定的。 所述神经网络根据以下参数计算该校正 -所测量的发动机转数；
-在该发动机的进气收集器中测量的压力；
-由调节器选择的进气凸轮轴的定位定值与该凸轮轴实际位置的测量 值之差；和
-
由调节器选择的排气凸轮轴的定位定值与该凸轮轴实际位置的测量 值之差。
基础值与校正项之和提供了待建模的填充效率的最终值。 图2示出了获得进气和排气凸轮轴的位置移位的细节。 第一个图表明，对于进气轴计算定位定值位置与例如所测量的该轴的
实际位置之间的差值。在方框8中将这两个值相减从而确定该轴上的定位
的差值。该轴的移位值表示为曲轴角度。
关于定位定值，其是在方框10中根据以下参数通过制图而被预先确定
的
-所测量的发动机转数；
-定值力矩(从按照司机的愿望经过油门的位置、发动机转数和其他 参数中产生)与发动机上可得到的最大力矩(基本上取决于发动机转数和 空气温度)之比。
涉及排气轴的移位值的确定完全以相同的方式进行。
图3示出了本例中使用的神经网络的内容物和运转。将发动机转数、 收集器中的压力、以及相对于参考定位的进气轴和排气轴上的定位差作为 输入参数输人到该网络中。
在方框12中，这些不同的输入首先在-1与+1之间被标准化。完成了 该标准化阶段以后，将它们用在该神经网络6的隐层14的每个神经元中。 确切地说，对每个神经元输入(el-发动机转数，e2-收集器压力，e3-ACata， e4^ACecJ分配一个权重(wl用于转数，w2用于收集器压力，等等)。此 外，对层14的每个神经元18分配用b表示的偏差。还对全体神经元分配 一个激励函数Fa。每个神经元18都提供用S表示的输出数据，这是被分 配有其权重(wi)的输入数据(ei)的线性組合，该组合提交给激励函数 (Fa)。这个运算满足以下公式
S =Fa ( S jwi*ei+b )
该神经网络实施了一种算法，用于优化根据用户选择的激励函数的每 个神经元的权重项(wi)和偏差(b)。
然后每个神经元的输出都用于输出层20，其中根据与针对隐层14的 相同的计算(但是以不同的权重和不同的偏差)进行每个神经元的输出组 合。
最终，在方框22中将该神经网络的输出值去标准化，从而最好地说明 所寻求的变量，该变量在此是填充效率。
应当指出，方框12中的输出的-1与+1之间的标准化能够优化对无量 纲变量的^C重和偏差。
在本例中隐层14是惟一的。事实上已经表明可以通过这种结构来逼近 任何分段连续的函数。
就隐层神经元数目的选择而言，是根据两个基本的约束来确定的一 方面，由该神经网络建模的填充准确度，另一方面，对于由发动机控制计 算机进行实时处理而言可接受的运算和标定的数量。
重要的是对每个神经元仔细选择激励函数以确保网络性能。在本例中 所采用的激励函数是tansig函数。该数学函数由以下公式定义<formula>complex formula see original document page 9</formula>
在图4中以曲线形状示出了 logsig和tansig函数。
为了在优化神经网络的过程中也能够由计算机^f吏用，该函数应当在一 个表中被离散化。在网络的点和偏差的优化计算时或者对于填充效率的计 算，通过线性内插、以离散方式4吏用该表。
该函数的优化准则的选择能够最小化在用分段线性函数替代连续函数 时所造成的误差。应当指出，将该函数离散化为许多等距点的解决方案不 是最佳的，因为就标定数量而言它的成本较高。更加有利的是使用利用非 等距点的离散化从而减少制图大小同时保持输出数据的良好准确性。
在线性函数与离散化函数之间采用的优化准则是通过最小化线性函数 与离散化函数之间的二阶导数的间距(ecart)来优化断点的定位。事实上
很明显，这些点之间的函数斜率的变化越大，这些点之间的线性内插就越 不准确。
图5显示了通过最小化连续函数与内插函数之间的二阶导数的间距来 优化这些点的定位的结果(其个数在本例中为22)。
图5的第一个图中示出了 "s"形曲线，其是在整个神经网络中并且在 本例中在网络的每个神经元中使用的激励函数的曲线。该线性离散旨在表 示根据一维表的连续tansig函数，该一维表可以方便地用于发动机控制软 件。该离散化已经示于同一图中。它在这里被优化从而在使用神经网络的 权重(wi)和偏差(b)的优化算法时最小化计算误差。该曲线一方面说明 了按照等分布断点的内插，另 一方面说明了按照优化断点的内插。
第二个图示出了不同函数的二阶导数，称为f:
-连续的准确tansig函数；
-按照等距断点的线性离散tansig函数；以及
-按照断点的线性离散化tansig函数，所述断点的定位被优化从而最 小化连续的准确函数的二阶导数与离散化函数的二阶导数之间的绝对值的 间距。
应当记住，连续的或者内插的二阶导数的标准化导致了对应于优化断 点的表的真实特性的误差。
图6示出了选择神经网络及其标定的过程。实际上，神经元数目的选 择对于微处理器中的计算负荷和所获得的建模准确性而言是重要的。
因此，在方框30中生成了发动机的数据库。它将神经网络的输入参数
扫描到完整的发动机域中。
该方框通往方框32，方框32提前提取一部分数据库以创建确认数据库。
在下一方框33中，预处理所述数据库(验证，清理…)，并且根据收 敛准则来实现神经网络的学习(方差+间距类型+…)。
在下一方框34中，关于所述数据库及确i人数据库来测试标定网络的性
在匕 目b。完成该方框以后，如果需要，迭代环36就返回方框32和33之间，以 对数据库、学习类型、神经元数目等进行修改。
如果测试34作出结论，则下一方框36实施网络的选择(特别是神经 元数目和激励函数的细化)。
然后该方框通往方框38，方框38将神经网络置入计算机中并JL^征 运转性能。
在该方框的输出开始第二迭代环40,其根据计算负荷或对数据库的补 充来修改神经元数目。如果不需要进行任何迭代，则方框38通往最后一个 方框42。
根据本发明的方法在发动机的范围内考虑了填充参数校正中的进气凸 轮轴和排气凸轮轴的每个连续移位器。配备有该双重凸轮轴移位器的发动 机的相对填充效率的估算，是根据借助于收集器压力传感器而对进入空气 质量的估算、^空气的温度和发动机转数来实现的。这通过使用与排气 丰富度探测器有关的信息而确保了在任何闭环喷射时间校正之外的最佳喷 射控制。
图7显示了所述方法的变型。该图类似于图3的模式。然而，发动机 在这里配备有进气和排气阀门的可变升程系统。作为相对于上文所述的用 于神经网络的四个输入的两个附加输入，考虑了阀门升程定值规律与阀门 实际位置之间的偏移。实际上，具有神经网络的结构被预先设置为允许丰 富涉t良动机修改的建模。
当然，可以在不脱离本发明范围的前提下对本发明进行许多修改。
可以选择一种不同于tansig函数的激励函数。
权利要求
1.一种控制车辆发动机的方法，其中，确定了该发动机的空气容积填充效率(η)，其特征在于，借助于人工神经网络(6)来确定所述效率的基础值和校正值，并且将该基础值和校正值相加。
2. 根据前一权利要求所述的方法，其特征在于，根据所述发动机的转 数(N)来确定所述效率。
3. 根据前述任一权利要求所述的方法，其特征在于，根据所述发动机 的收集器中的压力(Pe。,)来确定所述效率。
4. 根据前述任一权利要求所述的方法，其特征在于，根据进气凸轮轴的定位定值与该轴的位置测量值之差(厶Cadm)来确定所述效率。
5. 根据前述任一权利要求所述的方法，其特征在于，根据排气凸轮轴 的定位定值与该轴的位置测量值之差(ACech)来确定所述效率。
6. 根据前述任一权利要求所述的方法，其特征在于，根据进气阀门的升程规律与该阀门的位置之差(ALadm)来确定所述效率。
7. 根据前述任一权利要求所述的方法，其特征在于，根据排气阀门的 升程规律与该阀门的位置之差(ALech)来确定所述效率。
8. 根据前述任一权利要求所述的方法，其特征在于，根据所述发动机的定值力矩与最大力矩之比(Tqi)来确定所述效率。
9. 根据前述任一权利要求所述的方法，其特征在于，根据所述收集器 中的压力和/或所述发动机的转数来确定所述基础值。
10. 根据前述任一权利要求所述的方法，其特征在于，所述网络(6) 包括唯一的隐层(18)。
11. 根据前述任一权利要求所述的方法，其特征在于，所述网络(6) 的激励函数是tansig函数。
12. 根据前述任一权利要求所述的方法，其特征在于，在非等距点之 间离散所述网络的激励函数。
13. —种车辆发动机，包括适于确定所述发动机的空气容积填充效率的控制构件，该控制构件包括神经网络(6)，其特征在于，所述神经网络 适于确定所述效率的基础值、借助于该神经网络(6)确定校正值，并且将 该基础值和该校正值相加。
14. 根据前一权利要求所述的发动机，其特征在于，它包括进气凸轮 轴和/或排气凸轮轴的可变定位装置。
15. 根据权利要求13和14中任一项所述的发动机，其特征在于，它 包括用于进气阀门和/或排气阀门的可变升程装置。
全文摘要
本发明涉及一种控制机动车辆的方法。根据所述方法，利用人工神经网络(6)来确定该发动机中的空气容积填充效率(η)。
文档编号F02D41/18GK101198783SQ200680014709
公开日2008年6月11日 申请日期2006年4月25日 优先权日2005年4月28日
发明者T·普吕尼耶 申请人:雷诺股份公司