用于内燃机的基于模型的气缸充气检测的制作方法

用于内燃机的基于模型的气缸充气检测的制作方法
【专利摘要】本发明涉及一种用于对内燃机的燃烧室中的气缸充气进行基于模型的确定的方法，其中，内燃机具有在基于模型的确定中考虑的可变阀升程，其中，对燃烧室的气缸充气的建模由至少一个神经网络(12)来执行，其中，至少三个输入值被输入到神经网络中。根据本发明，在至少一个神经网络(12)中，压力商(c)被用作所述至少三个输入值中的一个输入值，其中，压力商(c)将是至少间接地根据工作压力(a)和由内燃机抽取的空气的压力(b)来确定的。
【专利说明】用于内燃机的基于模型的气缸充气检测
[0001] 相关申请的交叉引用
[0002] 本发明要求于2014年1月17日提交的德国专利申请10 2014 000 397.3的优先权， 该德国专利申请的公开内容通过引用合并到本文中。
[0003] 本发明设及用于对内燃机的燃烧室的气缸充气进行基于模型的确定的方法、内燃 机W及计算机程序产品。
[0004] 根据现有技术，已知用于对内燃机的气缸充气进行建模的大量模型。要建模的内 燃机通常包括完全可变阀升程，并且在考虑到抽气管压力的情况下通过基于模型的方法来 执行该建模，其中，在现有技术中，基于抽气管压力对气缸充气的线性近似是非常不准确 的，特别是在具有高的内部或外部废弃再循环的增压式发动机和抽气式发动机(suction engine)的情况下。已知的是根据直线m*x+b的线性建模，其中，X表示抽气管压力。然而，在 大的阀重叠的情况下，该方法太不准确。
[0005] EP-A-1 431 548描述了用于设置真空和阀升程W控制内部废气再循环化GR)的设 备，其中，在冷发动机与热发动机之间做出区分W控制内部EGR。
[0006] W0-A-2006/024397描述了用于对在抽气阶段期间流入内燃机的气缸燃烧室中的 空气质量(air mass)进行基于模型的确定的方法。借助于各种负载部模型来确定在抽气阶 段期间流入气缸燃烧室中的新鲜空气质量，其中，至少经由具有纯线性功能的第一负载部 分模型来确定第一新鲜空气部分，并且经由具有非线性功能的第二负载部分模型来确定第 二新鲜空气部分。
[0007] EP-A-1 234 958描述了用于根据工作状态和特性图的相应电流范围来控制对连 续可变阀升程(CVVL)发动机中的进气阶段变换器的调整的方法。
[000引DE-C-102 24 213描述了用于内燃机的充气控制的方法。在该方法中，在对于充气 控制的相互协调中可W使用两个致动器，运两个致动器在抽气管中布置在彼此后面，并且 每个致动器控制通过抽气管道的空气体积流量。使用测量结果和模型值来执行对模型的调 整，其中，借助于相对于所调整的模型反转的模型来确定两个致动器的期望位置。所述模型 包括两个部分模型，提供了第一部分模型和第二部分模型，在所述第一部分模型中，根据抽 气管压力的测量值和第一致动器的实际位置来计算空气体积流量的模型值，在所述第二部 分模型中，根据空气体积流量的测量值和第二致动器的实际位置来计算抽气管压力的模型 值。在计算第二部分模型之前，将对第一部分模型进行调整，其中，确定将在第二部分模型 中考虑的调整参数。
[0009] DE-A-102 27 466描述了用于确定内燃机的气缸充气的方法和设备。借助于第一 空气体积模型，计算由气缸抽入的空气质量。该第一空气质量模型可W排它性地基于空气 质量致动器的传感器模型，诸如，例如空气质量致动器的位置W及相应地可变阀升程，或者 可W另外地考虑抽气管中的测量压力。将经由第二空气质量模型来调整第一空气质量模 型。在第二模型中计算的空气质量基于废气的混合成分，该混合成分是基于lambda值和所 提供的燃料质量来确定的。W此方式，认为对发动机个体容限进行了补偿。
[0010] DE-A-101 13 538描述了包括具有用于控制内燃机的神经元调适（neuronal adaption)的实时控制器的控制设备和控制方法。在所述控制设备和相应方法中，执行对非 线性变化的在线调适。借助于神经元校正设备来执行在线调适。适用于神经元校正设备的 网络类型是L0LIM0T网络。
[0011] DE-A-199 14 910描述了用于对车辆中的全过程进行建模的混合模型，该混合模 型由相应的一个物理部分模型和神经元部分模型组成。全过程(例如，对气缸的填充)将被 分成通过各种部分模型描述、然后被合并到总体模型中的部分过程。在具有可变阀升程的 内燃机中，将经由物理模型来确定基本充气。然而，应当经由神经网络来描述凸轮轴移位 (即，凸轮轴相对于曲轴的旋转偏移）的影响。认为DE-A-199 14 910的优点是，通过使用具 有物理过程描述的基本模型，可W对神经元部分模型中的一部分进行限制。W此方式，应当 保证的是，总体模型不会指示不合理的指数行为。
[0012] EP-B-0 877 309描述了基于利用经由模拟模型生成的数据所训练的神经网络的 虚拟车辆传感器。在对网络进行训练期间，将确定各种连接W及附属的权重。借助于布置在 神经网络的下游的多项式模型，可W生成传感器输出。然而，根据描述，神经元回归模型的 类型不限于使用多项式。由于对多项式的插值将受到大的误差的影响的趋势，优选的是选 择非多项式函数。
[0013] DE-A-197 06 750描述了用于内燃机中的混合控制的方法W及用于执行所述方法 的设备。该方法包括学习过程，在该学习过程中将包括静态工作状态和动态工作状态二者。 W此方式，描述了 W下可训练混合控制：该可训练混合控制将实际上现有的混合率与期望 值进行比较，并且在上述二者存在偏差的情况下，将对存储的控制信息进行调适，W便在W 后通过相同或相似的工作点时将获得减小的偏差。因此，神经网络是在线训练的。
[0014] DE-C-44 21 950描述了用于内燃机和电机的诊断和控制的设备。还描述了神经网 络的使用，该神经网络将使用传感器的测量数据来驱动用于控制电机的控制系统。
[0015] DE-C-195 47 496描述了用于控制内燃机的方法。具体地，提出了用于确定空气质 量流量的方法，该空气质量流量由内燃机的气缸抽取并且用作由包括非线性类型的干扰值 监视单元的控制设备对燃料进行计量的基础。该监视方法的目的在于，通过借助于人工智 能方法来学习发动机的体积效率，从而估计进入气缸的空气质量流量。为此，可W使用例如 初始地具有将影响体积效率的大量值的神经网络。在运些值当中有抽气管压力、旋转速度， 还可能有阀控制次数或其他参数。
[0016] 本发明的目的在于，与根据现有技术已知的各种方法相比，实现内燃机在各种应 用中的更佳效率。
[0017] W上目的通过W下来实现:包括如在权利要求1中限定的特征的方法、如在权利要 求13中限定的计算机程序产品、如在权利要求14中限定的内燃机W及如在权利要求15中限 定的用途。在相应从属权利要求中指出了有利实施例和变型例。在权利要求、附图和描述中 指出的相应特征可-般或特殊的方式与其他特征结合W实现变型。具体地，所指出的 具有其相应特征的示例不应当被解释为限制意义。而是，在示例中指出的特征还可W与从 其他示例得到的或从一般描述得到的其他特征结合。
[0018] 根据本发明，提出了一种用于对内燃机的燃烧室内的气缸充气进行基于模型的确 定的方法，其中，内燃机具有在基于模型的确定中考虑的可变阀升程，其中，对燃烧室的气 缸充气的建模通过至少一个神经网络来执行，至少Ξ个输入值将被输入到该至少一个神经 网络中。本发明提出了，在至少一个神经网络中，压力商被用作所述至少Ξ个输入值中的一 个输入值，其中，压力商是至少间接地根据工作压力和由内燃机抽取的空气的压力来确定 的。例如，工作压力在抽气式发动机的情况下可W为周围压力，或者在增压式发动机(诸如， 例如满轮发动机)的情况下为在节流阀的上游的主要压力。W此方式，可W达到高建模准确 性。
[0019] 具体地，W此方式，除了由内燃机抽取的空气的线性行为W外，还可W考虑气缸充 气的非线性行为。根据一个实施例，压力商可W包括W下公式：
[0020]
[0021] 除直接将压力包括在压力商中W外，压力还可W仅W间接方式单独地或一起例如 作为其他压力的确定量而包括在压力商中，所述其他压力将作为一项包括在比率中。
[0022] 如果要建模的内燃机还包括多个变型(variability),例如两重变型，诸如，例如 进气系统中的旋转速度相关的长度可变(可切换)的抽气管或滚流阀（tumble valve),则可 W使用例如与变型的数量对应的多个神经网络，其中，根据多个变型的切换状态，使用对应 于变型的设置而提前设置的神经网络。
[0023] 优选地，作为由内燃机抽取的空气的压力，在压力商中包括有抽气管压力或进气 压力。当使用抽气管压力来计算压力商时，将获得节流因子，并且当使用增压式内燃机的充 气压力来计算压力商时，将获得充气因子。在仅在节流状态下操作内燃机的情况下，节流因 子可W取从0至1的范围内的值，而在增压式内燃机中，充气因子可W取从0至2.5的范围内 的值，并且在多级充气的情况下，充气因子可W取大于4的值。
[0024] 根据优选实施例，作为由内燃机抽取的空气的压力，将包括测量值、计算值和/或 根据特性图所确定的值。还可W将运些值的组合(例如，平均值)包括在压力商中。
[0025] 优选地，将神经网络的输出值乘W工作压力、然后除W表征标准压力的值，该表征 标准压力的值优选地为1013mbar，其中，对所确定的气缸充气的校正是根据内燃机所处的 地理高度来执行的。
[0026] 根据优选实施例，除压力商W外，还使用内燃机的旋转速度和内燃机的阀升程作 为神经网络的另外的输入值。
[0027] 根据优选实施例，使用包括至少四个输入值或者特别优选地五个输入值的神经网 络。
[0028] 优选地，使用凸轮轴的至少一个相位作为神经网络的另外的输入值，其中，运一个 相位可W为进气阀凸轮轴的相位和/或出气阀凸轮轴的相位。
[0029] 根据优选实施例，将对气缸充气的对数进行建模。运样，可W在少量的气缸充气的 情况下实现相对准确性，其中，对气缸充气的对数进行建模而不是对绝对的气缸充气进行 建模。例如，在神经网络的输出处，可W存在eX变换，该eX变换将产生表示气缸充气的值。从 而，在整个负载范围内，相对误差会保持恒定，同时对数的绝对误差保持恒定。在网络训练 中，优选的是实现仅一致的绝对误差;然而，在网络训练中实现一致误差是困难的。因此，对 于高质量的混合，特别是与低负载的混合，优选的是不超过最大相对误差。
[0030] 优选地，在该方法中，基于测量值和/或模拟值来离线执行对至少一个神经网络的 训练。对于网络训练，可W使用例如包括至少5000个数据集合的集合，运5000个数据集合分 别包括输入值的量，例如，在具有5个输入的神经网络中，运些可W为压力商、内燃机的旋转 速度、内燃机的阀升程、进气阀凸轮轴相位、出气阀凸轮轴相位W及相对气缸充气的值。在 神经网络的训练中，可W借助于均方根误差rise、相对于平均误差实现优化。良好训练的神 经网络可W具有小于平均训练充气的2%的相对RMSE值，并且相应地，当使用气缸充气的对 数时，绝对误差小于0.02。为了评估网络质量，还可W考虑所生成的网络表面的一致性如 何。在运点上，根据一个实施例，不期望训练网络的阶梯状或振荡行为，并且该行为将例如 设置有相应的惩罚项。
[0031] 根据优选实施例，在神经网络的拓扑中使用包括至少一个隐藏层的多层感知器 MLP。在第一隐藏层中，可W布置在8与30之间的范围内的多个神经元。当使用包括两个隐藏 层的MLP时，在8与30之间的范围内的多个神经元可W存在于第一层中，并且在3与15之间的 范围内的多个神经元可W存在于第二层中。已经变得明显的是，较少数量的神经元不能够 实现足够的模型准确性，并且较高数量的神经元可能导致趋向于过拟合的不稳定行为。
[0032] 优选地，本发明用于控制内燃机，其中，为了校正偏差，优选地执行对用在基于模 型的确定中的值的调适，运些值具体地是神经网络的输出值、lambda控件的输出值、抽气管 压力控制器的输出值和/或空气质量测量设备(特别是热膜类型）的输出值的值。W此方式， 可W改善对内燃机的完全可变阀升程的控制，其中，W取决于控制模式的方式，可W对阀升 程和节流阀角度的适当且最佳的设置进行设置和调整。
[0033] 根据优选实施例，一旦由空气质量测量设备和lambda控件二者分别确定了与由神 经网络确定的气缸充气的值的偏差，则借助于来自（例如，热膜)空气质量测量设备的值来 执行对神经网络的输出值的调适。
[0034] 优选地，一旦由空气质量测量设备和lambda控件二者分别确定了与由神经网络确 定的气缸充气的值的偏差，则lambda控件执行对燃料路径的调适。
[0035] 根据优选实施例，一旦由空气质量测量设备W及神经网络W及抽气管压力控制器 分别确定了与由神经网络确定的气缸充气的值的偏差，则借助于神经网络的输出值来执行 对空气质量测量设备的值的调适。
[0036] 优选地，一旦由空气质量测量设备和抽气管压力控制器二者分别确定了与由神经 网络确定的气缸充气的值的偏差，则抽气管压力控制器执行对建模的节流阀质量流量的调 适。
[0037] 根据优选实施例，通过执行W下操作来计算输出值:利用使用测量压力的压力商 并利用其余的输入值来执行通过神经网络的第一次运行;利用使用计算压力的压力商并利 用其余的输入值来执行通过神经网络的第二次运行；W及随后，执行所述第一次运行的输 出值与所述第二次运行的输出值之间的局部线性回归。测量压力和计算压力可W表示抽气 管压力。借助于线性回归，可W确定输出值。输出值可W为取决于抽气管压力的残余气体压 力的值和/或充气部的值。W此方式，借助于局部线性计算模型，可W根据发动机控件的抽 气管压力而使残余气体压力和/或充气部的值可用。
[0038] 本发明还包括一种计算机程序产品，该计算机程序产品包括程序部，所述程序部 在被加载到发动机控件中时适用于执行如上所述的方法。例如，计算机程序产品随后还可 W经由适当的接口完全地或部分地在车辆中实现，并且在车辆中，该计算机程序产品可W 替代或补充现有方法。可w经由有线连接或者还w无线方式来执行该实现方式。
[0039] 另外，要求保护一种包括利用上述实现方法的发动机控件的内燃机。
[0040] 本发明还设及一种内燃机在机动车中的用途，该内燃机包括发动机控件，该发动 机控件包括上述的实现方法。所述方法在行驶在道路上的机动车中的使用具有在各种驾驶 情况下实现了改善的效率的优点。通过使用辅助驾驶员的智能系统，该方法还可W应用于 使得可W W提高的效率例如在启停系统中执行动态过程，例如自动制动、巡航控制或自动 换挡操作。运同样适用于自动驾驶系统。
[0041] 在下文中将参照附图、通过示例来更详细地说明本发明。然而，那些所示的实施例 不应当被解释为限制本发明的范围和细节。而是，从附图中显而易见的特征不限于各个实 施例。相反地，运些特征可W与在附图中和/或在包括附图的描述的说明书中指出的各个其 他特征组合，W获得未在本文中更详细示出的变型例。附图示出了 W下：
[0042] 图1是包括五个输入值的用于气缸充气计算的神经网络的架构；
[0043] 图2是用于评价模型偏差并且用于计算调适因子的电路图；
[0044] 图3是包括内燃机和发动机控件的车辆的示意图；W及
[0045] 图4是用于气缸充气计算并且用于输出值的计算的架构。
[0046] 图示例性方式示出了包括五个输入值的用于计算气缸充气的神经网络的架 构。第一输入值是压力商C。压力商C间接地由内燃机抽取的空气的压力b相对于工作压力a 所确定。在压力商中可W包括由内燃机抽取的空气的压力b作为抽气管压力或充气压力。压 力b的值可W为测量值、计算值或根据特性图确定的值。工作压力a可W为周围压力，并且还 可W测量、计算或根据特性图得到该工作压力曰。第二输入值是内燃机的旋转速度d。第Ξ输 入值是内燃机的阀升程e。第四输入值是可相对于参考位置调整的进气阀凸轮轴相位的进 气相位f。第五输入值是可相对于参考位置调整的出气阀凸轮轴相位的出气相位g。优选地， 首先，在五个输入值将输入神经网络12之前在第一模块10中对五个输入值进行归一化。在 神经网络12中，基于输入值的归一化值来计算输出值的值。所计算的值被转发至对数或指 数变换设备14W补偿相对误差。在第二模块16中，将由对数和(相应地)指数变换设备14确 定的值乘W工作压力a并且除W表征标准压力的值，该表征标准压力的值例如为l〇13mbar。 W此方式，可W在确定建模的气缸充气h之前对地理高度执行校正。在图1中，还示出了可W 在第二模块16中执行溫度校正。出于该目的，（例如，热膜)空气质量测量设备16的测量值被 输入到第二模块16中，并且基于所接收的值，第二模块16可W在确定建模的气缸充气h之前 执行溫度相关的校正。
[0047] 图2示出了用于评估模型偏差并且计算调适因子的电路图。
[004引首先，为了说明对模型偏差的评估和对调适因子的计算，应当说明内燃机的功能。 例如，将基于加速器踏板的位置来确定调整值。运根据内燃机的控制模式来执行。控制模式 可W例如为Ξ种不同阀控制模式之一，特别是"可变阀控制"、"节流阀控制"或"部分节流阀 控制"，其中，"可变控制"被理解为在大多数情况下通过调整阀升程来执行气缸的充气。并 且作为模式的"节流"或"部分节流"被理解为在大多数情况下通过节流阀的变化来执行气 缸的充气。
[0049]在控制模式"可变阀控制"下，在抽气管中设置了相对于周围较低的真空W允许极 大非节流控制模式。出于该目的，将与工作点无关地确定例如SOmbar至SOmbar的真空，并且 将通过节流阀的变化来调整该真空。通过切换控制模式，还可w设置针对特殊情况(例如， 对催化剂和/或离子过滤器进行加热）的较高真空。
[0050] 在控制模式"可变阀控制"下的阀升程的期望位置是基于简单的特性图来预先控 制的，该特性图的输入值是相对期望充气量。在校准阶段期间确定期望升程特性图，其中， 将对用于气缸充气检测的训练的神经网络12的值取逆，或者借助于在线工具对该值进行迭 代近似，直到特性图的值与神经网络12的输出值对应为止。因此，特性图并非相对于神经网 络12的真正的逆，运是因为一方面神经网络12还具有另外的输入值，并且另一方面，神经网 络12本身实际上并非可逆的。
[0051] 特性图是根据预先训练的神经网络12得到的。在运点上，假定神经网络12的行为 将根据阀升程e而单调升高。借助于校准工具，将增大每个旋转速度支持点的阀升程e，直到 已达到特性图中的下一负载支持点为止。因此，在达到完全负载限值W前，确定特性图，该 特性图具有相对于神经网络12的逆行为，而并非真正地在算术意义上的逆。不存在另外的 部分模型。在阀升程控制设备中对特性图与系统的其余部分之间的可能偏差进行补偿。
[0052] 为了计算在控制模式"节流"和"部分节流"下抽气管中的期望压力，将从神经网络 12中读取当前的特性值。利用该特性值，将基于当前工作参数来线性地推断抽气管压力，然 后计算抽气管压力。
[0053] 在图2所示的电路图20中，执行多达四次调整控制处理，其中，通过对值的调适来 执行对偏差的各种校正。为了进行调整，针对真实性来分别使用另外的辅助值。特别地，使 用在电路图20中用符号表示的神经网络12的输出值、lambda控件40的输出值、抽气管压力 控制器42的输出值和/或空气质量测量设备38的输出值的值。
[0054] 在模块12中借助于来自空气质量测量设备38的值执行对神经网络的输出值的调 适。一旦已由空气质量测量设备38和lambda控件40在模块30中分别确定了在相同方向上发 生的偏差，则该调适将发生。因此，空气质量测量设备38和lambda控件40的偏差是相同的。 该偏差将由模块30确定。
[0055] 在模块24中，一旦由空气质量测量设备38和lambda控件40确定了在相同方向上分 别发生（即，具有相同的指向）的偏差，则lambda控件40执行对燃料路径24的调适。因此，空 气质量测量设备38和lambda控件40的偏差是相同的。偏差将由模块32确定。W此方式，可W 根据控制模式来设计燃料调适。
[0056] 在模块26中借助于神经网络12的输出值来执行对空气质量测量设备38的值的调 适，其中，一旦空气质量测量设备38、神经网络12W及抽气管压力控制器42确定了在相同方 向上分别发生（即，具有相同的指向）的偏差，则输入神经网络12的输出值。因此，空气质量 测量设备38、神经网络12W及抽气管压力控制器42的偏差是相同的。偏差将由模块34来确 定。
[0057] 在模块28中，一旦空气质量测量设备38和抽气管压力控制器42确定了在相同方向 上分别发生（即，具有相同的指向）的偏差，则抽气管压力控制器42执行对建模的节流阀质 量流量的调适。因此，空气质量测量设备38和抽气管压力控制器42的偏差是相同的。偏差将 由模块36来确定。W此方式实现了测量空气质量、预先控制值节流阀的值W及阀升程的特 性图之间的调整控制，W便保持测量空气质量与预先控制的空气质量之间的偏差尽可能地 小。
[005引图3示出了机动车44的示意图。机动车44包括内燃机46。内燃机46包括发动机控件 48。发动机控件48包括具有存储介质50的计算机单元。存储介质50可W例如为随机存取存 储器模块(RAM)、只读存储器模块(ROM)、CD、DVD、硬盘等。在存储模块50中，已存储计算机程 序产品52。计算机程序产品52包括程序部，所述程序部适于控制根据图1的架构，或者根据 图2的电路图来评估与模型的偏差并且计算调适因子。借助于计算机程序产品52,执行对神 经网络12的不在线调适。替代地，借助于简单的控制器(例如，I控制器或PID控制器）、仅利 用因子和偏移或者基于特性图（例如，3*3的特性图）来执行在线调适。另外，从图1和图2中 显而易见的是，为了对气缸充气进行建模并且为了评估模型偏差并计算调适因子，计算机 程序产品52使用神经网络12的输出值、lambda控件40的输出值、抽气管压力控制器42的输 出值和/或空气质量测量设备38的输出值。
[0059] 图4示出了用于气缸充气计算并且用于输出值j的计算的架构。运里，架构的上部 与图1中的架构相同。按照W下方式来执行计算:压力商C包括测量压力b并且将通过神经网 络12来运行，即与另外的输入值(诸如，例如内燃机的旋转速度d、阀升程e、进气阀凸轮轴相 位fW及出气阀相位g)-起通过神经网络12来运行。在该过程中，另外的输入值d、e、f和g将 通过神经网络12来第一次运行。W此方式，获得第一输出值。然后，输入值d、e、f和g将通过 神经网络12来第二次运行。运在图4的下部示出。除输入值d、e、f和g之外，压力商i将通过神 经网络12来运行，其中，使用计算压力而不是测量压力b。随后，在模块54中，在第一次运行 的输出值与第二次运行的输出值之间执行局部线性回归。因此，所获得的输出值j是取决于 抽气管压力的残余气体压力的值和/或充气部的值。
[0060] 虽然已经参考本发明的具体示例性实施例描述和示出了本发明，但是并不意在将 本发明限于那些示例性实施例。本领域技术人员将认识到，可W在不背离如由所附权利要 求限定的本发明的真实范围的情况下进行变型和修改。因此，意在将落入所附权利要求及 其等同方案的范围内的所有运样的变型和修改包括在本发明中。
【主权项】
1. 一种用于对内燃机的燃烧室的气缸充气进行基于模型的确定的方法，其中，所述内 燃机具有在所述基于模型的确定中考虑的可变阀升程，其中，对所述燃烧室的所述气缸充 气(h)的建模借助于至少一个神经网络（12)来执行，并且至少三个输入值被输入到所述神 经网络（12)中， 其中，在所述至少一个神经网络（12)中，压力商(c)被用作所述至少三个输入值中的一 个输入值，所述压力商(c)是至少间接地根据工作压力(a)和由所述内燃机抽取的空气的压 力(b)来确定的。2. 根据权利要求1所述的方法，其特征在于，在所述压力商（c)中包括有抽气管压力或 充气压力作为由所述内燃机抽取的空气的压力(b)。3. 根据权利要求1或2所述的方法，其特征在于，在所述压力商中包括有测量值、计算值 和/或根据特性图确定的值作为由所述内燃机抽取的空气的压力(b)。4. 根据权利要求1至3中任一项所述的方法，其特征在于，将所述神经网络（12)的输出 值乘以工作压力（a)、然后除以表征标准压力的值，所述表征标准压力的值优选地为 1013mbar，其中，对所确定的气缸充气的校正是根据所述内燃机所处的地理高度来执行的。5. 根据权利要求1至4中任一项所述的方法，其特征在于，除所述压力商（c)以外，还使 用所述内燃机的旋转速度(d)和所述内燃机的阀升程(e)作为所述神经网络（12)的另外的 输入值。6. 根据权利要求1至5中任一项所述的方法，其特征在于，使用凸轮轴相位的至少一个 相位作为所述神经网络（12)的另外的输入值，其中，使用进气阀凸轮轴相位(f)和/或出气 阀凸轮轴相位(g)。7. 根据权利要求1至6中任一项所述的方法，其特征在于，所述方法用于控制内燃机，其 中，为了校正偏差，优选地执行对用在所述基于模型的确定中的值的调适，所述值具体地是 所述神经网络的输出值、lambda控件(40)的输出值、抽气管压力控制器(42)的输出值和/或 空气质量测量设备(38)的输出值的值。8. 根据权利要求7所述的方法，其特征在于，一旦由所述空气质量测量设备(38)和所述 lambda控件(40)二者分别确定了与由所述神经网络（12)传递的气缸充气的值的偏差，则借 助于来自所述空气质量测量设备(38)的值来执行对所述神经网络（12)的输出值(22)的调 适。9. 根据权利要求7或8所述的方法，其特征在于，一旦由所述空气质量测量设备（38)和 所述lambda控件(40)二者分别确定了与由所述神经网络（12)传递的所述气缸充气的值的 偏差，则所述lambda控件(40)执行对燃料路径(24)的调适。10. 根据权利要求7至9中任一项所述的方法，其特征在于，一旦由所述空气质量测量设 备(38)以及所述神经网络（12)以及所述抽气管压力控制器(42)分别确定了与由所述神经 网络（12)传递的所述气缸充气的值的偏差，则借助于所述神经网络（12)的输出值来执行对 所述空气质量测量设备(38)的值的调适。11. 根据权利要求7至10中任一项所述的方法，其特征在于，一旦由所述空气质量测量 设备(38)和所述抽气管压力控制器(42)二者分别确定了与由所述神经网络（12)传递的所 述气缸充气的值的偏差，则所述抽气管压力控制器(42)执行对建模的节流阀质量流量(28) 的调适。12. 根据权利要求1至11中任一项所述的方法，其特征在于，通过执行以下操作来计算 输出值(j)的值:利用使用测量压力(b)的压力商(c)并利用另外的输入值(d、e、f、g)来执行 通过所述神经网络（12)的第一次运行，并且利用使用计算压力的压力商（i)并利用另外的 输入值(d、e、f、g)来执行通过所述神经网络（12)的第二次运行；以及随后，执行所述第一次 运行的输出值与所述第二次运行的输出值之间的局部线性回归。13. -种计算机程序产品（52)，包括至少一个程序部，所述至少一个程序部在被加载到 发动机控件(48)中时适用于执行根据权利要求1至12中任一项所述的方法。14. 一种内燃机(46)，包括发动机控件(48)，所述发动机控件(48)包括根据权利要求1 至12中任一项所述的实现方法。15. -种内燃机(46)在机动车(44)中的用途，所述内燃机(46)包括发动机控件(48 )，所 述发动机控件(48)具有根据权利要求1至12中任一项所述的实现方法。
【文档编号】F02D13/02GK105934576SQ201580004819
【公开日】2016年9月7日
【申请日】2015年1月19日
【发明人】安德烈亚斯·格特, 缅诺·梅尔茨, 努里·卡拉斯兰
【申请人】Fev有限责任公司, 现代凯菲克株式会社, 现代奥特润株式会社