由此保证，在内燃机的运行期间为确定非正常燃烧所使用的识别特征确实也表征相应的非正常燃烧。
【附图说明】
[0035]本发明允许多种实施方式。其中之一应根据在附图中表示的图详细解释。
[0036]附图示出:
[0037]图1:用于感测内燃机中的爆震信号的设备，
[0038]图2:用于根据图1的内燃机的气缸的实施例，
[0039]图3:根据本发明的方法的模型结构的实施例，
[0040]图4:具有在第一转速下的测量的识别值和计算的识别变量的第一关系曲线图，
[0041]图5:具有在第二转速下的测量的识别值和计算的识别变量的第二关系曲线图。
[0042]相同的特征用相同的参考标记表示。
【具体实施方式】
[0043]图1示出用于感测内燃机中的爆震信号的设备，所述内燃机优选构造为汽油发动机。在该例中，内燃机I具有四个气缸2，3，4，5，它们的未进一步示出的、在气缸2，3，4，5中运动的活塞分别通过连杆6，7，8，9与曲轴10连接并且基于通过燃烧引起的压力变化来驱动该曲轴。气缸2，3，4，5与吸气管11连接，该吸气管通过节流活门12相对于空气吸入管13封闭。用于喷入燃料的喷嘴14和用于新鲜空气的进气阀15伸入到每个气缸2，3，4，5中，由此，在气缸2，3，4，5中形成燃料空气混合物。此外，每个气缸2，3，4，5具有用于在燃烧过程期间产生的废气的排气阀16，如在图2中示范地仅为气缸2所示那样。在内燃机I上布置有固体声传感器17，该固体声传感器探测通过燃烧引起并且传递到内燃机I上的固体声振动。固体声传感器17的信号被转递到控制器18上，该控制器也与一与曲轴相对置的曲轴传感器19连接，其中，控制器18使燃烧配属于曲轴传感器19的代表曲轴角度的信号。这里，控制器18包括与存储器21连接的微处理器20。
[0044]在内燃机I中，供给的燃料空气混合物的燃烧使得装备有内燃机I的车辆开始行驶运行或者保持行驶运行。在此，燃料空气混合物的燃烧通过火花塞的点火火花被引入。点火火花构成火焰前焰，其在内燃机的各气缸2，3，4，5的整个燃烧室22中蔓延并且在燃烧期间将所存在的燃料空气混合物转变为动能。在爆震燃烧的情况下，燃烧的一部分猛烈地完成并且在内燃机I的气缸2，3，4，5的燃烧室22中引起强烈的压力升高，该压力升高产生压力波，其扩散并且碰撞到限界气缸2，3，4，5的燃烧室22的壁上，在这里，高频的振动转变为固体声。该机械的振动由固体声传感器17感测。控制器18分析处理该连续的电振动，这在爆震调节期间在通过控制器18控制内燃机I时被考虑，以阻止发动机损坏。
[0045]在图3中示出分级式系统的一个例子，该系统用于回归计算特性变量用于根据爆震识别来评估非正常的燃烧完成过程，其中，该系统的每级都可以被视为封闭的模块。该系统包括多个级:信号准备100、特征适配200、线性模型300、非线性模型400、非线性模型的误差限制器500和结果匹配600。在内燃机I运行期间使用该系统前首先实施应用过程。在该应用过程中，借助燃烧室压力传感器17测量燃烧室压力并且由该燃烧室压力推导出气缸2，3，4，5的经带通滤波的燃烧室压力信号的峰压Peak，其代表用于所述系统的级100，200，300，400和600的输入信号。由此，该峰压Peak代表表征的、被测量的参考变量，其用于由被内燃机I的爆震传感器17所探测的固体声来探测非正常的燃烧完成过程。
[0046]在第一级信号准备100中，在应用过程期间确定识别特征F，所述识别特征对于之后计算气缸2，3，4，5中的非正常燃烧的所有作为中间变量表示的、被计算的参考变量Peak’ lin、APeak’、APeak’ lim来说是必需的。这例如可以是燃烧的频率谱或者是燃烧的时间范围。
[0047]随后，在第二级特征分析200中确定内燃机的例如为所说明的时间和频率谱的形式的典型的燃烧特性，该时间和频率谱相应于正常燃烧。这点如下进行，即，将被测量的峰压Peak与一阈值比较，并且仅将低于该阈值的燃烧配属于内燃机的该典型的燃烧特性。
[0048]在第三级线性模型300中，为了回归计算作为中间变量输出的、被计算的参考变量Peak’ lin，由表征被测量的峰压Peak的识别特征建立N维的、与运行点有关的特性曲线场，所述识别特征是配属于该被测量的峰压Peak的。
[0049]在第四级非线性模型400中，针对由主分量分析作为中间变量被计算的参考变量Peak’ lin确定线性模型300的误差APeak’。在第五级中，在限制器500中限制该误差Λ Peak’，以便抑制由于未预见的结果对误差APeak’产生的影响。由此，限制器500输出被限制的误差APeak’ lim。
[0050]在第六级结果匹配中，例如通过截距和斜率修正来优化模型偏差。
[0051]级100到600在应用过程中的训练过程以所说明的顺序、以信号处理100开始直到结果匹配600地进行。通过使用时间频率分析来确定频率范围，该频率范围在出现非正常燃烧的情况下具有提高的信息内容。对于每个确定的频率范围，根据阈值限定一时间范围，以使对有效信号的干扰影响的风险最小化。在此，不需要在真实运行中使用时间频率分析并且例如可以通过滤波确定的频率范围内的信号或者计算被限定的时间范围内的频率变换来代替。
[0052]级特征分析200以内燃机的典型的燃烧特性初始化并且在实际运行中根据被计算的识别特征F、Fnk和识别变量Peak’ Msult来更新该燃烧特性。之后，确定线性模型300，这通过使用主分量分析来进行。来自统计学领域的该方法提供了线性模型300的高度可重现性和少的计算花费的优点。随后训练的非线性模型400通过具有作为激活函数的RBF(径向基函数)的人工神经网络来构建。结果匹配600根据统计分析、例如应用数据和测试数据之间的相关性或者说它们的最佳拟合直线来进行。
[0053]在计算期间，在模块化的模型的内部确定不同的中间变量Peak’ lin、APeak’和APeak’ lim，由它们计算最终的识别变量Peak’ result?这些中间变量包括估计出的峰压Peak’ lin、误差APeak’和被限制的误差APeak’ lim，它们在下面也称为被计算的参考变量。
[0054]如果各个级100到600现在在适配过程中相应地准备好，则在控制器18中、尤其是在其存储器22中实现该方法。在内燃机运行期间，由爆震传感器17提供的爆震信号KS供给微处理器20，该微处理器首先调用信号准备100。在该信号处理100中提供识别特征F，其对于确定或者说计算另外的模型300，400是必需的。
[0055]在该信号准备100中，传统的信号处理的领域中的方法例如滤波、积分和最大值确定以及变换(例如傅里叶变换、小波变换)得以运用。信号准备100的输出信号是识别特征F，所述识别特征在应用过程期间已被确定。这些识别特征F配属于特征适配200。因为在应用过程中已经确定了爆震信号KS的背景噪声和非正常燃烧之间的信号干扰间隔，表示特征适配200的结果的、不爆震的识别特征Fnk从在信号准备100中已被计算的普遍的固体声特征F中被减去。由此，对识别特征F的匹配通过对来自燃烧噪声和燃烧的基本特性的差的计算来进行。该结果表示被供给线性模型300的、适配了的识别特征Fa。在该线性模型300中包含有适配了的识别特征匕的在应用过程中所建立的特性曲线场，其表征非正常燃烧。适配了的识别特征Fa在与运行点有关的特性曲线场中被表征，并且根据特性曲线场来计算被估计的峰压作为被计算的参考变量Peak’ lino
[0056]同时，适配了的识别特征Fa被供给非线性模型400，该非线性模型根据预给定参数来计算误差APeak’。由线性模型300计算的参考变量Peak’ lin(被估计的峰压)从被测量的参考变量Peak(测量的峰压)中被减去，由此产生偏差APeak，该偏差被供给非线性模型400。非线性模型400由适配了的识别特征Fa和偏差APeak来确定误差APeak’，该误差被作为输入变量供给误差限制器