通过回归计算评估机动车内燃机非正常燃烧的方法和设备的制造方法
【技术领域】
[0001]本发明涉及用于通过物理量的回归计算来评估机动车内燃机的非正常燃烧的方法，在该方法中由测量的传感器信号计算非正常燃烧的识别变量；以及涉及用于实施本方法的设备。
【背景技术】
[0002]在汽油发动机中通常借助爆震传感器来探测爆震。在此，该爆震传感器布置在汽油发动机上并且把汽油发动机的固体声振动传递到分析单元上，所述固体声振动由于汽油发动机的气缸内的爆炸式燃烧产生。这种在汽油发动机的燃烧室的内部产生的爆炸式燃烧被变换为振动，所述振动继续传递到内燃机的壁上并且在那里被感知为固体声。
[0003]当前的爆震识别基于被滤波并整流的固体声信号的积分和由此计算的参考电平。所述积分在与爆震相关的时间区间上进行。该方法基于线性的系统理论和信号处理的方法。用于爆震识别的参考变量在这里是带通滤波的气缸压力信号的峰值。
[0004]使用相同的分析处理策略用于预点火识别。用于该燃烧异常的参考变量是未滤波的气缸压力信号的最大值。作为用于燃烧异常的第三个例子要提到断火识别。其分析处理同样根据系统理论和信号处理领域的方法进行，但是用于分析处理曲轴传感器的传感器信息。
[0005]缺点是，尽管分析处理方法花费高，针对所有运行条件下的任何类型的非正常燃烧完成过程的可靠的识别始终不能够被保证。此外，机动车控制器中的大的计算容量延长了这些分析处理方法的时间上的完成过程。
【发明内容】
[0006]由此，本发明的任务在于，提出一种用于评估机动车内燃机的非正常燃烧的方法，借助该方法能够在所有运行点上可靠地识别和分类内燃机的非正常燃烧过程。
[0007]根据本发明，该任务如下解决，S卩，使用分级式系统用于回归计算识别变量，在该系统中，由传感器信号计算至少一个参考变量，其相应于传感器信号的测量的参考变量。借助这种分级式的方法能够可靠地识别和分类形式为爆震、预点火或者断火的非正常燃烧。所说明的系统具有这样的优点:它表示一种相对于机械和电气的干扰影响提高的坚实性以及识别变量和参考变量之间提高了的相关性。通过本方法的作为输出量使用的识别变量提高了可追溯性，所述识别变量相应于参考变量。相对于已知的、来自人工智能领域的、用于爆震识别的方法，本方法的特征在于计算花费减少以及模型的可追溯性并且扩展了这些模型的信号处理的功能和适配。由此，实现非正常燃烧探测的相对于已知方法提高的和更坚实的功能性以及进行对燃烧分析的问题提出的匹配。
[0008]有利的是，所述分级式系统在时间上前后相继地被执行，其中，首先
[0009]-实施第一步骤信号准备，其用于由所述被测量的传感器信号提供至少一个识别特征，随后，
[0010]-第二步骤特征适配建立内燃机的典型的燃烧特性，随后，
[0011]-实施第三步骤线性模型，其用于回归计算所述物理参考变量，随后，
[0012]-执行第四步骤非线性模型，其用于回归计算所述线性模型的误差，随后，
[0013]-执行第五步骤，其用于补偿所述线性模型的所述误差用以限制非线性模型的影响，并且之后
[0014]-实施第六步骤结果适配，其用于修正模型偏差。
[0015]这些以所提到的顺序前后相继地待处理的步骤能够有利地针对不同类型的非正常燃烧完成过程被准备，从而以所示方法步骤的该顺序既可以实现爆震识别以及预点火识别也可以实现断火识别。
[0016]在一种构型中，在第二步骤特征适配中，内燃机的典型的燃烧特性从至少一个识别特征中被减去或者被所述识别特征除。尤其，通过所述减去可在每个燃烧的所有特征上消除所述燃烧的基本特性，从而在计算时仅保留相应于非正常燃烧的偏差。在除的情况下，特征适配通过求取正常燃烧和不正常燃烧之间的信号干扰间隔来进行。
[0017]在一种扩展中，在所述第三步骤线性模型中由与所述内燃机的所述典型的燃烧特性不同的识别特征通过所述回归计算来确定所述被计算的参考变量。由此，线性模型表示基本的系统模型，该系统模型在特征空间中具有非正常燃烧。根据该线性模型能够直接读出每个固体声特征的配价(Wertigkeit)。
[0018]在一种变型中，在先于所述传感器信号的所述测量进行的应用过程中确定用于计算所述待计算的参考变量的条件，其中，尤其，基于所述内燃机的所述被测量的参考变量来确定各个级的识别特征。这些识别特征在内燃机的正常运行中使用，以便计算参考变量。
[0019]有利地，为确定所述内燃机的所述典型的燃烧特性，将所述被测量的参考变量与一极限值相比较，由此在低于该极限值的情况下所述被测量的参考变量相应于正常燃烧并且被接收到所述内燃机的所述典型的燃烧特性中。通过该处理方式连续地匹配对于在步骤特征适配中内燃机的典型的燃烧特性必要的识别特征。
[0020]在一种构型中，所述线性模型通过之前选择的非正常燃烧的所述识别特征的统计的主分量分析来确定，所述识别特征存放在特性曲线场中，其中，从由识别特征展开的、与运行点有关的特性曲线场中计算所述被计算的参考变量。由此，感测并且为计算提供内燃机的存放在步骤特征适配中的典型燃烧特性和表示该线性模型的非正常燃烧的特性之间的决定判据。
[0021]有利地，非线性模型以线性模型的误差来训练，其中，在内燃机的正常运行中考虑非线性模型用于误差补偿。
[0022]尤其，为了确定所述误差使用人工神经网络。人工神经网络具有激活函数，例如跳跃函数或者径向基函数(RBF)，其可应用于非线性模型。但是，替代地也可以使用模糊逻辑或者具有高斯内核的支持矢量机制(SVM)。
[0023]在一种实施方式中，在所述结果适配中进行应用数据和测试数据的统计分析，以便使用尽可能正确的识别特征用于确定非正常燃烧。在这里，附加地考虑待评估的燃烧分析(例如识别品质、数量识别和不识别)中的品质判据。
[0024]在一种变型中，使用一气缸的峰压作为用于表征非正常燃烧的识别变量，所述峰压在应用过程中通过在所述内燃机中被测量的燃烧室压力来实现。借助于用燃烧室压力传感器测量的燃烧室压力，在各种非正常燃烧上前后相继地训练各个步骤，从而在不同的步骤中确定在应用过程中确定的、数学的计算过程，所述计算过程然后在内燃机的运行期间被用于评估非正常燃烧的识别变量。
[0025]本发明的一种扩展涉及一种用于通过回归计算物理参考变量来评估机动车内燃机的非正常燃烧的设备，其中，由被传感器接收的传感器信号来计算非正常燃烧的识别变量。在需要小的计算容量用于确定非正常燃烧的设备中存在器件，其使用模块化的系统用于所述非正常燃烧的所述识别变量的所述回归计算，在该系统中由所述传感器信号计算至少一个参考变量，所述至少一个参考变量相应于所述传感器信号的被测量的参考变量。因为该模块化的系统根据非正常燃烧被训练，这样产生协同，，即，模块化系统的部分、例如信号准备能够被用于评估不同类型的非正常燃烧。
[0026]有利地，所述器件构造为计算单元，该计算单元在模块化的系统的多个级中确定所述非正常燃烧的所述识别变量，其中，该系统包括:
[0027]-第一模块信号准备，其用于由所述被测量的传感器信号提供至少一个识别特征，
[0028]-第二模块特征适配，其用于建立所述内燃机的典型的燃烧特性，
[0029]-第三模块线性模型，其用于回归计算所述物理参考变量，
[0030]-第四模块非线性模型，其用于计算所述线性模型的所述误差，
[0031]-第五模块，其用于限制所述线性模型的所述误差用以补偿所述非线性模型的影响，和
[0032]-第六模块结果匹配，其用于修正系统性的模型偏差。
[0033]这些模块可以被前后相继地执行，但是也可以彼此分开执行，其中，各个模块的结果能够以其他方法被用于评估非正常燃烧。
[0034]在一种构型中，所述器件在所述传感器的传感器信号的所述接收之前实施应用过程，在该应用过程中基于所述内燃机的被测量的参考变量来确定各个模块的识别特征。