用于创建控制设备的函数的方法
【专利说明】用于创建控制设备的函数的方法
[0001]本申请为申请号为201280040757.2、申请日为2012年7月19日的相同名称申请的分案申请。
技术领域
[0002]本发明涉及一种用于创建控制设备、尤其是机动车中的发动机控制设备的函数的方法，以及一种用于执行该方法的装置。
【背景技术】
[0003]控制设备是在机动车中采用的电子模块以用于控制和/或调节运行过程。为此在控制设备中实现一般以软件实现并且在控制设备中的处理器或CPU上实施的函数。将控制设备的应用理解为控制设备的数据供给。数据供给在此意味着输入数据或者将数据安置在保持数据的实体上、通常是控制设备中的存储装置上。
[0004]在发动机控制设备的应用时的一个工作步骤是所谓的基本匹配。在基本匹配时，例如对用于检测汽缸充气的发动机控制函数进行数据供给。在此情况下使用工具以优化这样的函数的所有标记或标签。
[0005]作为到所述工具中的输入需要非常多的测量，这些测量通常在发动机试验台处被确定，其中除了转速和负载的基本影响参量以外必须改变对应于现有填充调整器的其他影响参量，如凸轮轴角位置(入口凸轮轴和出口凸轮轴)、废气再循环率、吸管转换、气流运动阀位置等等。现有技术是“实验设计”(DoE)方法，其替代于对所有待变化的影响参量的网格测量提出针对每个由转速和负载定义的运行点来确定地选择所需测量，以便由此匹配局部运行点模型、诸如多项式模型(基础)。所述模型于是仅能在所述运行点处、而不是在运行点之间被调用。
[0006]对于函数标签、例如充气检测的数据供给，需要以足够精度在整个运行范围上进行测量。尽管如此为了仍将测量次数保持得少，在试验台处和在优化工具处的测量之间插入所谓的基于数据的全局模型。于是根据该模型利用所述影响参量的任意变化来执行虚拟测量。
[0007]由文献WO 2006/051039A1已知一种用于展开动态系统的输出参量的全局模型的方法。这例如可以是内燃机的运行参数。这种方法应当使得能够利用少量的测量点就足以计算出用于所有状态的输出参量。在展开全局模型时，用多项式展开输入参量以及计算该展开的系数。在该文献中还描述了通过重复测量确定测量点处的方差。从这些方差中与数据的该模型并行地创建这些方差的第二模型。因此可以描述在哪些范围中测量较为准确并且在哪些范围中测量较不准确。
【发明内容】
[0008]在该背景下提出一种用于为实现在控制设备上的函数供给数据的方法，其中在系统处的测量在试验台处的不同测量点情况下执行并且根据所获得的测量值创建基于数据的全局模型，其中在基于数据的全局模型处执行模拟试验台处的真实测量的虚拟测量，其中从基于数据的全局模型中确定虚拟测量的虚拟测量值的不可靠性并且在为实现在控制设备上的函数供给数据时考虑虚拟测量值的不可靠性。作为基于数据的全局模型使用贝叶斯回归模型，该贝叶斯回归模型说明作为模型不可靠性的虚拟测量值的不可靠性，并且根据所述虚拟测量值中的至少一个的不可靠性来判决该至少一个虚拟测量值是否被考虑用于为所述函数供给数据。
[0009]创建基于数据的全局模型提供如下优点:利用比关于所有影响参量的网格测量明显更少的测量就可以用所需精度展示发动机的特性。还需要比用于多个局部运行点模型少的测量，因为同样可以“学习”相邻运行点的测量的全局模型。通过减少测量点的数目，尤其是具有升高的影响参量数目的未来的应用任务只有通过测量时间的减少才能被实现和占据主导。
[0010]基于数据的全局模型在此为每个期望的转速和负载位置提供目标参量的值，而不仅仅在所测量的运行点处提供。基于模型不可靠性可以检查和评估基于数据的全局模型的模型品质，然后利用下一优化步骤来继续。在此确定测量的数目和调节器位置的变化是否足够。同样可以容易地识别测量异常。
[0011]基于数据的全局模型除了需要目标参量(例如充气、消耗或排放)的预测以外，还需要能够为影响参量的每个调整出的变化计算模型不可靠性(Sigma)的能力。说明模型不可靠性的基于数据的模型的示例是如Kriging的所谓的贝叶斯回归方法("A statisticalapproach to some mine valuat1ns and allied problems at the ffitwatersrand^,D.G.Krige, 1951; 〃The intrinsic random funct1ns, and their applicat1ns",G.Matheron, Adv.App1.Prob., 5, 439-468 页，1973)、高斯过程模型("GaussianProcesses for Machine Learning", Rasmussen 和 Williams, MIT 出版社，2006)、稀疏高其if 过程(〃Sparse Gaussian processes using pseudo-1nputs^; E.Snelson 和 ZGhahramani, Advances in Neural Informat1n Processing Systems 18, 1259-1266页，2006)和许多其他方法。具有模型不可靠性的基于数据的模型的另一可能性是神经网络委员会("Validat1n of Neural Networks in Automotive Engine Calibrat1n", D.Lowe和 K.Zapart, 1997)。
[0012]基于数据的全局模型此外必须能够处理试验台测量的测量噪声，也就是说在构型中不执行通过每个测量值的内插，而是执行测量点之间的例如平滑的回归。
[0013]此外要注意，根据基于数据的模型可以将所测量的系统关于输入参量变化的特性可视化，这导致提高的系统理解以及因此导致数据供给的较好质量。
[0014]当基于数据的全局模型带来所需的品质时，该模型可以用于在优化所需的位置处执行虚拟测量。测量数目可以远超形成模型所需的测量数目，因为对此不再需要发动机试验台。
[0015]根据模型不可靠性Sigma的说明，可以在每个虚拟测量点判决:该虚拟测量点是否应当用于随后的优化。因此避免了优化器不必要地尝试匹配无效的测量值，这相当于未经识别的测量异常。
[0016]虚拟测量此外所具有的优点是，其不再具有测量噪声并且因此明显更好地适用于随后的优化任务。在平滑的回归面情况下，优化方法不依附在所谓的局部最小值中，这在内插面中更可能是这种情况。
[0017]当在要供给数据的控制设备函数中改变标签的取样点位置和取样点数目时，需要在另外的测量点处的测量。当例如将具有3X3个取样点的特征曲线族扩展到5X5个取样点时，可以通过线性内插从较小的特征曲线族中计算出较大特征曲线族的25个特征曲线族值。但是对于该特征曲线族的变化性的充分利用需要发动机的目标参量的另外的信息。所提出的方法的一个优点在于，附加测量点不被耗费地在测量站处测量，而是立即在基于数据的全局模型处被虚拟测量。
[0018]当特定的发动机被装配到不同的车辆变型中时，对于每个车辆变型必须优化不同运行范围中的控制设备函数。对此分别需要其他测量点来用于控制设备函数的优化。在所述方法的情况下，可以一次性全面地为了创建基于数据的全局模型来测量发动机。用于不同车辆变型的不同运行范围的虚拟测量点组于是可以在基于数据的全局模型处被测量。
[0019]在所提出的方法范围内，可以一方面根据测试点检查基于数据的全局模型的品质，或者根据虚拟测量结果的不可靠性或方差可以确定，模型的品质总地或者在一定范围内不足。当基于数据的全局模型的品质至少在测量点的一个范围内不足时，基于数据的模型的改进可以在试验台处基于来自补充测量的补充测量值来进行。另一方面可以在数据供给以及因此创建控制设备函数时考虑各个虚拟测量点的不可靠性。为此可以规定，对于每个测量值都确定不可靠性。根据虚拟测量值的不可靠性一一其中可以考虑使用所述测量值中的至少一个，可以判决是否将该虚拟测量值用于函数的数据供给。
[0020]本发明的另外的优点和构型从说明书和附图中得出。
[0021]可以理解，前面提到的和后面仍要阐述的特征不仅能以分别说明的组合、而且也能以其他组合或者单独地使用，而不会脱离本发明的范围。
【附图说明】
[0022]图1示出根据现有技术的方法。
[0023]图2示出根据本发明的方法。
[0024]图3示出基于数据的全局模型的使用。
[0025]图4在图表中示出在不同测量点时描绘的测量值。
【具体实施方式】
[0026]本发明借助实施方式在附图中示意性示出并且在下面参照附图加以详细描述。
[0027]在图1中以图解示出在向控制设备函数供给数据时的迄今为止的做法。利用DoE10的方法来进行尝试规划。在此进行所有要变化的影响参量的网格测量以获得用于试验台测量14的输入参量(箭头12)。试验台测量14得出具有测量噪声的测量值，这些测量值被输入到工具18中(箭头16)，在该工具中执行对函数标签的优化。然后利用经优化的函数标签(箭头20)，得出被供给数据的控制设备函数22。
[0028]因此对于待供给数据的控制设备函数，根据现有技术确定用于测量的合适的尝试规划。所述测量在发动机试验台处被尽可能精确地调整并且目标参量一一如充气、消耗或者排放一一被测量。测量值被用于优化函数标签值。该结果是被供给数据的函数，该函数可以在发动机控制设备中加以使用。
[0029]在图2中示出用于对控制设备的函数进行数据供给的基于数据的全局模型的使用，其中在试验台测量和优化之间插入基于数据的全局模型。在此情况下利用DoE 30的方法进行尝试规划。借助于影响参量的变化确定用于试验台测量34的输入参量(箭头32)。在试验台测量34的情况下得出具有测量噪声的测量值，利用这些测量值(箭头36)调整或训练基于数据的全局模型38。
[0030]在基于数据的全局模型38上或在该模型处执行虚拟测量，所述虚拟测量模拟测量站处的真实测量。从中得出没有噪声的测量值(箭头40)，这些测量值被输入到工具42中，在该工具中执行函数标签的优化。然后利用优化的函数标签(箭头44)