DE112006000821T5

DE112006000821T5 - Steuersystem und Steuerverfahren

Info

Publication number: DE112006000821T5
Application number: DE112006000821T
Authority: DE
Inventors: Roy T. San Diego Collins; Anthony J. Peoria Grichnik; Marco Chula Vista Perez; Michael Cardiff Seskin
Original assignee: Caterpillar Inc
Current assignee: Caterpillar Inc
Priority date: 2005-04-08
Filing date: 2006-03-13
Publication date: 2008-02-14
Also published as: WO2006110248A1; JP2008536221A; US20060229769A1; US7565333B2; SE0702458L; SE531898C2

Abstract

Verfahren für ein Steuersystem (120), welches Folgendes aufweist:
Aufnehmen von Datenaufzeichnungen, die mit einer oder mehreren Eingangsvariablen und einem oder mehreren Ausgangsparametern assoziiert sind (312, 314);
Auswählen von einem oder mehreren Eingangsparametern (302 bis 308) aus der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen;
Erzeugen eines Berechnungsmodells (300), welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt, und zwar basierend auf den Datenaufzeichnungen; und
Bestimmen von erwünschten jeweiligen statistischen Verteilungen des einen Eingangsparameters oder der Vielzahl von Eingangsparametern des Berechnungsmodells.

Description

Technisches Gebiet
Diese Offenbarung bezieht sich allgemein auf Steuersysteme und insbesondere auf auf einem mathematischen Modell basierende Steuersysteme.
Hintergrund
Moderne Arbeitsmaschinen erfordern oft komplexe Steuersysteme, um einen großen Bereich von Betriebsvorgängen zu steuern. Beispielsweise kann der Betrieb eines Motorsystems einer modernen Arbeitsmaschine durch ein komplexes Motorsteuersystem gesteuert werden. Das Motorsteuersystem kann eine Reihe von Steuerfunktionen vorsehen, wie beispielsweise eine Verbrennungsregelung (closed loop), eine Brennstoffsteuerung, eine Getriebe- bzw. Gangsteuerung, eine Drehmomentsteuerung und/oder andere Motorsteuerungen usw. Physikalische Modelle oder Prozessmodelle können verwendet werden, um einige Funktionen des Motorsteuersystems einzurichten. Ein Prozessmodell kann sich auf ein physikalisch oder mathematisch basiertes Modell beziehen, wo der Zustand eines Prozesses durch Messung von Prozessvariablen überwacht wird. Eine Prozessvariable kann sich auf eine Variable beziehen, die mit Bedingungen des gesteuerten Motors in Beziehung ist. Das Motorsteuersystem kann den Wert der Prozessvariablen und das Modell verwenden, um den Betrieb des Motors in einem normalen Bereich zu steuern.
Herkömmliche auf einem Prozessmodell basierende Steuersysteme, wie beispielsweise im US-Patent 6.823.675 von Brunell u.a. vom 30.November 2004 beschrieben, bringen oft einzelne Eingangsparameter oder Prozessvariablen mit Steuerfunktionen in Beziehung, ohne eine Zwischenverbindung zwischen einzelnen Eingangsparametern anzusprechen, insbesondere zum Zeitpunkt der Erzeugung und/oder Optimierung von solchen Prozessmodellen. Somit können diese Systeme nicht gleichzeitig Eingangsparameterverteilungsanforderungen optimieren.
Verfahren und Systeme in Übereinstimmung mit gewissen Merkmalen der offenbarten Systeme sind darauf gerichtet, ein oder mehrere der oben dargelegten Probleme zu lösen.
Zusammenfassung der Erfindung
Ein Aspekt der vorliegenden Offenbarung weist ein Verfahren für ein Steuersystem auf. Das Verfahren kann aufweisen, Datenaufzeichnungen aufzunehmen, die mit einer oder mehreren Eingangsvariablen und einem oder mehreren Ausgangsparametern assoziiert sind, und einen oder mehrere Eingangsparameter von der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen auszuwählen. Das Verfahren kann auch aufweisen, ein Berechnungsmodell zu erzeugen, welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern basierend auf den Datenaufzeichnungen zu erzeugen, und erwünschte jeweilige statistische Verteilungen des einen Eingangsparameters oder der Vielzahl von Eingangsparametern des Berechnungsmodells zu bestimmen.
Gemäß einem weiteren Aspekt weist die vorliegende Offenbarung ein Steuersystem auf. Das Steuersystem kann ein oder mehrere Eingangselemente aufweisen, die konfiguriert sind, um einen jeweiligen einen Eingangsparameter oder eine Vielzahl von Eingangsparametern in das Steuersystem aufzunehmen, und ein oder mehrere Ausgangselemente, die konfiguriert sind, um einen jeweiligen einen Ausgangsparameter oder mehrere Ausgangsparameter aufzunehmen. Das Steuersystem kann auch einen Prozessor aufweisen, der konfiguriert ist, um eine oder mehrere Hardware- bzw. Komponentenvorrichtungen unter Verwendung des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern basierend auf einem Steuermodell zu steuern. Das Steuermodell kann erzeugt werden durch Aufnahme von Datenaufzeichnungen, die mit dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern assoziiert sind, und durch Erzeugung eines Berechnungsmodells, welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt, und zwar basierend auf den Datenaufzeichnungen. Die Erzeugungsschritte des Berechnungsmodells können auch aufweisen, erwünschte jeweilige statistische Verteilungen des einen Eingangsparameters oder der Vielzahl von Eingangsparametern des Berechnungsmodells zu bestimmen und den einen Eingangsparameter oder die Vielzahl von Eingangsparametern basierend auf den erwünschten statistischen Verteilungen erneut zu kalibrieren.
Ein weiterer Aspekt der vorliegenden Offenbarung weist eine Arbeitsmaschine auf. Die Arbeitsmaschine kann einen Motor und ein Motorsteuersystem aufweisen. Das Motorsteuersystem kann einen Prozessor aufweisen, der konfiguriert ist, um jeweilige Werte des einen Eingangsparameters oder der Vielzahl von Eingangsparametern aufzunehmen und jeweilige Werte von einem oder mehreren Ausgangsparametern basierend auf den Werten der Eingangsparameter und einem ersten Berechnungsmodell abzuleiten, welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt. Der Prozessor kann auch konfiguriert sein, um den Motor unter Verwendung der Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern zu steuern.
Ein weiterer Aspekt der vorliegenden Offenbarung weist ein Computersystem auf. Das Computersystem kann eine Datenbank aufweisen, die Datenaufzeichnungen enthält, die mit einer oder mehreren Eingansvariablen und einem oder mehreren Ausgangsparametern assoziiert sind, und einen Prozessor. Der Prozessor kann konfiguriert sein, um einen oder mehrere Eingangsparameter aus der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen auszuwählen, und ein Berechnungsmodell zu erzeugen, welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt, und zwar basierend auf den Datenaufzeichnungen. Der Prozessor kann auch konfiguriert sein, um erwünschte jeweilge statistische Verteilungen des einen Eingangsparameters oder der Vielzahl von Eingangsparametern des Berechnungsmodells zu bestimmen, und den einen Eingangsparameter oder die Vielzahl von Eingangsparametern basierend auf den erwünschten statistischen Verteilungen erneut zu kalibrieren.
Kurze Beschreibung der Zeichnungen
1 ist eine bildliche Darstellung eines beispielhaften Systems, welches gewisse offenbarte Ausführungsbeispiele aufweisen kann;
2 veranschaulicht ein funktionelles Blockdiagramm eines Motorsteuersystems;
3 veranschaulicht ein Blockdiagramm eines Motorsteuermodells, welches gewisse offenbarte Ausführungsbeispiele aufweist;
4 veranschaulicht einen beispielhaften Modellerzeugungs- und Modelloptimierungsprozess in Übereinstimmung mit offenbarten Ausführungsbeispielen; und
5 ist ein Blockdiagramm eines Motorsteuersystems, welches gewisse andere offenbarte Ausführungsbeispiele aufweist.
Detaillierte Beschreibung
Es wird nun im Detail auf beispielhafte Ausführungsbeispiele Bezug genommen, die in den beigefügten Zeichnungen veranschaulicht sind. Wo immer es möglich ist, werden die gleichen Bezugszeichen in den gesamten Zeichnungen verwendet, um sich auf die selben oder die gleichen Teile zu beziehen.
1 veranschaulicht eine beispielhafte Arbeitsmaschine 100, in der Merkmale und Prinzipien in Übereinstimmung mit gewissen offenbarten Ausführungsbeispielen vorgesehen sein können. Die Arbeitsmaschine 100 kann sich auf irgendeine Art einer festen oder mobilen Maschine beziehen, die eine gewisse Art eines Betriebsvorgangs ausführt, der mit einem speziellen Industriezweig assoziiert ist, wie beispielsweise Bergbau, Bau, Ackerbau, Transport usw., und arbeitet zwischen Arbeitsumgebungen oder in Arbeitsumgebungen (beispielsweise auf einer Baustelle, auf einer Bergbaustätte, in Leistungserzeugungseinrichtungen und Generatoren, bei Straßenanwendungen usw.). Nicht einschränkende Beispiele von mobilen Maschinen weisen kommerzielle Maschinen auf, wie beispielsweise Lastwägen, Kräne, Erdbewegungsfahrzeuge, Bergbaufahrzeuge, Baggerlader, Materialhandhabungsmaschinen, Ackerbaumaschinen, Seefahrzeuge, Flugzeuge und irgendeine Art einer bewegbaren Maschine, die in einer Arbeitsumgebung arbeitet. Obwohl die Arbeitsmaschine 100, wie in 1 gezeigt, eine Erdbewegungsarbeitsmaschine ist, wird in Betracht gezogen, dass die Arbeitsmaschine 100 irgendeine Bauart einer Arbeitsmaschine sein kann. Weiterhin kann die Arbeitsmaschine 100 herkömmlich angetrieben sein, mit einer Hybrid-Elektrik angetrieben sein und/oder mit einer Brennstoffzelle mit Leistung versorgt werden.
Wie in 1 gezeigt, kann die Arbeitsmaschine 100 einen Motor 110 und ein Motorsteuersystem 120 aufweisen. Der Motor 110 kann irgendeine geeignete Bauart eines Motors aufweisen, die Leistung für die Arbeitsmaschine 100 erzeugt, wie beispielsweise ein Verbrennungsmotor. Das Motorsteuersystem 120 kann irgendeine geeignete Bauart eines Steuersystems aufweisen, die konfiguriert ist, um Motorsteuerfunktionen basierend auf mathematischen Modellen auszuführen. Die 2 zeigt ein beispielhaftes funktionelles Blockdiagramm des Motorsteuersystems 120.
Wie in 2 gezeigt, kann das Motorsteuersystem 120 einen Prozessor 202, ein Speichermodul 204, eine Datenbank 206, eine I/O-Schnittstelle bzw. Eingabe/Ausgabe-Schnittstellte 208 und eine Netzwerkschnittstellte 210 aufweisen. Andere Komponenten können auch in dem Motorsteuersystem 120 vorgesehen sein. Das Motorsteuersystem 120 kann beispielsweise mit einer elektronischen Steuereinheit (ECU = Electronic Control Unit) für die Arbeitsmaschine 100 zusammenfalle bzw. darin integriert sein.
Der Prozessor 202 kann irgendeine geeignete Bauart eines Allzweckmikroprozessors, eines Digitalsignalprozessors oder eines Mikrokontrollers aufweisen. Der Prozessor 202 kann als getrenntes Prozessormodul konfiguriert sein, welches ext ra dafür vorgesehen ist, den Motor 110 zu steuern. Alternativ kann der Prozessor 202 als ein gemeinsam verwendetes Prozessormodul konfiguriert sein, um andere Funktionen auszuführen, die nicht mit der Motorsteuerung in Beziehung stehen.
Das Speichermodul 204 kann eine oder mehrere Speichervorrichtungen aufweisen, die einen ROM bzw. Lesespeicher, einen Flash-Speicher, einen dynamischen RAM bzw. Arbeitsspeicher und einen statischen RAM bzw. Arbeitsspeicher aufweisen, jedoch nicht darauf eingeschränkt sind. Das Speichermodul 204 kann konfiguriert sein, um Informationen zu speichern, die vom Prozessor 202 verwendet werden. Die Datenbank 206 kann irgendeine Art einer geeigneten Datenbank aufweisen, die Informationen bezüglich Charakteristiken von Eingangsparametern, Ausgangsparametern, mathematischen Modellen und/oder irgendwelche anderen Steuerinformationen enthält. Weiterhin können die I/O-Schnittstellen 206 auch mit verschiedenen Sensoren oder anderen Komponenten (nicht gezeigt) verbunden sein, um die Betriebsvorgänge des Motors 110 zu überwachen und zu steuern. Die Netzwerkschnittstelle 210 kann irgendeine geeignete Bauart eines Netzwerkadapters sein, die fähig ist, mit anderen Computersystemen basierend auf einem oder mehreren Kommunikationsprotokollen zu kommunizieren.
Das Motorsteuersystem 120 kann ein Steuermodell aufweisen, welches Beziehungen zwischen Eingangsparametern in das Motorsteuersystem 120 und Ausgangsparametern widerspiegelt. Ausgangsparameter können verwendet werden, um unterschiedliche Motorkomponenten zu steuern. 3 zeigt ein beispielhaftes Steuermodell 300, welches in dem Motorsteuersystem 120 in Übereinstimmung mit gewissen offenbarten Ausführungsbeispielen vorgesehen ist. Obwohl nur vier Eingangsparameter und zwei Ausgangsparameter in 3 gezeigt sind, kann irgendeine Anzahl von Eingangs- und Ausgangsparametern verwendet werden.
Wie in 3 gezeigt, kann das Motorsteuersystem 120 das Steuermodul 300 aufweisen. Das Steuermodul 300 kann eine Vielzahl von Eingangsparametern und Ausgangsparametern haben. Beispielsweise kann das Steuermodul 300 Eingangsparameter 302, 304, 306 und 308 haben. Der Eingangsparameter 302 kann einer Gaspedalanzeige entsprechen, der Eingangsparameter 304 kann einer Gangauswahl entsprechen, der Eingangsparameter 306 kann einem Atmosphärendruck entsprechen, und der Eingangsparameter 308 kann einer Motortemperatur entsprechen. Das Steuermodul 300 kann auch Ausgangsparameter 312 und 314 aufweisen. Der Ausgangsparameter 312 kann eine Drosselventileinstellung sein und der Ausgangsparameter 314 kann eine Boost- bzw. Ladedrucksteuerung sein. Im Betrieb kann das Steuermodell 300 Echtzeitwerte der Eingangsparameter 302 bis 308 aufnehmen und Werte für die Ausgangsparameter 312 und 314 ableiten, die von dem Motorsteuersystem 120 verwendet werden, um Betriebsvorgänge des Motors 110 zu steuern. Das Steuermodell 300 kann gemäß dem in 4 gezeigten Prozess erzeugt und optimiert werden.
4 zeigt einen beispielhaften Modellerzeugungs- und -optimierungsprozess, der von dem Motorsteuersystem 120 ausgeführt wird, und insbesondere vom Prozessor 202. Alternativ kann der Prozess auch durch ein externes Computersystem ausgeführt werden (beispielsweise durch irgendeine geeignete Art eines Computersystems), und die Modelle können dann in das Motorsteuersystem 120 geladen werden. Wenn ein externes Computersystem verwendet wird, um die Modelle zu erzeugen und zu optimieren, kann der Prozessor 202 sich auf eine zentrale Verarbeitungseinheit (CPU) des externen Computersystems beziehen, die konfiguriert ist, um solche Prozesse auszuführen.
Zum Beginn des Modellerzeugungs- und optimierungsprozesses kann der Prozessor 202 Datenaufzeichnungen aufnehmen, die mit Eingangsparametern und Ausgangsparametern assoziiert sind (Schritt 402). Die Datenaufzeichnungen können zuvor während einer gewissen Zeitperiode von einem Testmotor oder von einer Vielzahl von Arbeitsmaschinen und Motoren gesammelt werden. Die Datenaufzeichnungen können auch aus Experimenten gesammelt werden, die zur Gewinnung von solchen Daten ausgelegt sind. Alternativ können die Datenaufzeichnungen künstlich durch andere damit in Beziehung stehende Prozesse erzeugt werden, wie beispielsweise durch einen Konstruktionsprozess. Die Datenaufzeichnungen können Charakteristiken der Eingangsparameter und der Ausgangsparameter widerspiegeln, wie beispielsweise statistische Verteilungen, normale Bereiche und/oder Toleranzen usw.
Sobald die Datenaufzeichnungen erhalten wurden (Schritt 402), kann der Prozessor 202 die Datenaufzeichnungen vorverarbeiten, um die Datenaufzeichnungen bezüglich offensichtlicher Fehler zu bereinigen, und um Redundanzen zu eliminieren (Schritt 404). Der Prozessor 202 kann ungefähr identische Datenaufzeichnungen entfernen und/oder kann Datenaufzeichnungen entfernen, die außerhalb eines vernünftigen Bereiches sind, so dass diese für die Modellerzeugung und Modelloptimierung bedeutungsvoll sind. Nachdem die Datenaufzeichnungen vorverarbeitet worden sind, kann der Prozessor 202 dann ordnungsgemäße Eingangsparameter durch eine Analyse der Datenaufzeichnungen auswählen (Schritt 406): Die Datenaufzeichnungen können viele Eingangsvariablen aufweisen. Die Zahl der Eingangsvariablen kann größer sein als die Zahl der Eingangsparameter oder Variablen, die für das Steuermodell 300 verwendet werden. Beispielsweise können die Datenaufzeichnungen zusätzlich zu Werten, die Eingangsparametern oder Variablen der Gaspedalanzeige, der Gangauswahl, dem Atmosphärendruck und der Motortemperatur entsprechen, auch Eingangsvariablen, wie eine Brennstoffanzeige, eine Traktionssteueranzeige und/oder andere Motorparameter aufweisen.
In gewissen Situationen kann die Anzahl der Eingangsvariablen die Anzahl der Datenaufzeichnungen überschreiten und kann zu dünnen Datenszenarien oder Sparse-Datenszenarien führen. Einige der zusätzlichen Eingangsvariablen können in gewissen mathematischen Modellen weggelassen werden. Die Anzahl der Eingangsvariablen kann verringert werden müssen, um mathematische Modelle in praktischen Berechnungszeitgrenzen zu erzeugen.
Der Prozessor 202 kann Eingangsparameter gemäß vorbestimmten Kriterien auswählen. Beispielsweise kann der Prozessor 202 Eingangsparameter durch Experimente und/oder durch Expertenmeinungen auswählen. Alternativ kann der Prozessor 202 in gewissen Ausführungsbeispielen Eingangsparameter basierend auf einer Mahalanobis-Distanz zwischen einem normalen Datensatz und einem abnormen Datensatz der Datenaufzeichnungen auswählen. Der normale Datensatz und der abnorme Datensatz können durch den Prozessor 202 durch irgend ein geeignetes Verfahren definiert werden. Beispielsweise kann der normale Datensatz Charakteristikdaten aufweisen, die mit den Eingangsparametern assoziiert sind, die erwünschte Ausgangsparameter erzeugen. Andererseits kann der abnorme Datensatz irgendwelche Charakteristikdaten aufweisen, die außerhalb einer Toleranz sein können oder vermieden werden müssen. Der normale Datensatz und der abnorme Datensatz können durch den Prozessor 202 vordefiniert werden.
Die Mahalanobis-Distanz kann sich auf eine mathematische Darstellung beziehen, die verwendet werden kann, um Datenprofile basierend auf Beziehungen zwischen Parametern in einem Datensatz zu messen. Die Mahalanobis-Distanz weicht von der euklidischen Distanz dahingehend ab, dass die Mahalanobis-Distanz die Korrelationen des Datensatzes berücksichtigt. Die Mahalanobis-Distanz eines Datensatzes X (beispielsweise eines multivarianten Vektors) kann, wie folgt, dargestellt werden: MDi = (Xi – μx)Σ–1(Xi – μx)' (1)wobei μ_x der Mittelwert von X ist und wobei Σ¹ eine inverse Varianz-Kovarianz-Matrix von X ist. MD_i gewichtet die Distanz eines Datenpunktes X_i von seinem Mittelwert μ_x, sodass Beobachtungen, die auf der gleichen multivarianten Normaldichtenkontur sind, die gleiche Distanz haben. Solche Beobachtungen können verwendet werden, um korrelierte Parameter von getrennten Datengruppen mit unterschiedlichen Varianzen zu identifizieren und auszuwählen.
Der Prozessor 202 kann einen erwünschten Untersatz von Eingangsparametern so auswählen, dass die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem abnormen Datensatz maximiert oder optimiert wird. Ein genetischer Algorithmus kann vom Prozessor 202 verwendet werden, um die Eingangsparameter bezüglich des erwünschten Untersatzes mit dem Zweck der Maximierung der Mahalanobis-Distanz zu durchsuchen. Der Prozessor 202 kann einen ausgewählten Untersatz der Eingangsparameter basierend auf einem vorbestimmten Kriterium auswählen und eine Mahalanobis-Distanz MD_normal des normalen Datensatzes und eine Mahalanobis-Distanz MD_abnorm des abnormen Datensatzes berechnen. Der Prozessor 202 kann auch die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem abnormen Daten berechnen (d.h. die Abweichung der Mahalanobis-Distanz MD_x = MD_normal – MD_abnorm). Andere Arten von Abweichungen können jedoch auch verwendet werden.
Der Prozessor 202 kann den ausgewählten Untersatz der Eingangsparameter auswählen, wenn der genetische Algorithmus konvergiert (d.h. der genetische Algorithmus findet die maximierte oder optimierte Mahalanobis-Distanz zwischen dem normalen Datensatz und dem abnormen Datensatz, entsprechend dem ausgewählten Untersatz). Wenn der genetische Algorithmus nicht konvergiert, kann ein anderer ausgewählter Untersatz der Eingangsparameter für einen weiteren Suchvorgang erzeugt werden. Dieser Suchprozess kann fortfahren, bis der genetische Algorithmus konvergiert und ein erwünschter Untersatz von Eingangsparametern ausgewählt ist.
Nach der Auswahl von Eingangsparametern (beispielsweise Gaspedalanzeige, Gangauswahl, Atmosphärendruck und Temperatur usw.) kann der Prozessor 202 ein Berechnungsmodell erzeugen, um Beziehungen zwischen Eingangsparametern und Ausgangsparametern aufzubauen (Schritt 408). Irgendeine geeignete Art eines neuronalen Netzwerkes kann verwendet werden, um das Berechungsmodell zu bilden. Die Art der verwendeten neuronalen Netzwerkmodelle kann Back-Propagation-Modelle, Feed-Forward-Modelle (ohne Rückkoppelung), kaskadierte neuronale Netzwerke und/oder neuronale Hybrid-Netzwerke usw. aufweisen. Spezielle Arten oder Strukturen des verwendeten neuronalen Netzwerkes können von speziellen Anwendungen abhängen. Andere Arten von Modellen, wie beispielsweise Modelle mit linearem System oder nicht-linearem System usw., können auch verwendet werden.
Das neuronale Netzwerkberechnungsmodell kann durch Verwendung von ausgewählten Datenaufzeichnungen trainiert werden. Beispielsweise kann das neuronale Netzwerkberechnungsmodell eine Beziehung zwischen Ausgangsparametern (beispielsweise Startsteuerung, Drosselventileinstellung usw.) und Eingangspara metern (beispielsweise Gaspedalanzeige, Gangauswahl, Atmosphärendruck und Motortemperatur) aufweisen. Das neuronale Netzwerkberechnungsmodell kann durch vorbestimmte Kriterien bewertet werden, um zu bestimmen, ob das Training vollendet ist. Das Kriterium kann erwünschte Bereiche von Genauigkeit, Zeit und/oder der Anzahl von Trainingsschritten usw. aufweisen.
Nachdem das neuronale Netzwerk trainiert worden ist (d.h. das Berechnungsmodell ist anfänglich basierend auf den vorbestimmten Kriterien eingerichtet worden) kann der Prozessor 202 statistisch das Berechnungsmodell bewerten bzw. validieren (Schritt 410). Die statistische Bewertung kann sich auf einen Analyseprozess beziehen, um Ausgangsgrößen aus dem neuronalen Netzwerkberechnungsmodell mit tatsächlichen Ausgangsgrößen zu vergleichen, um die Genauigkeit des Berechnungsmodells zu bestimmen. Ein Teil der Datenaufzeichnungen kann zur Anwendung in dem Bewertungs- bzw. Validierungsprozess reserviert sein. Alternativ kann der Prozessor 202 auch Simulations- oder Testdaten zur Anwendung in dem Bewertungsprozess erzeugen.
Sobald es trainiert und bewertet wurde, kann das Berechnungsmodell verwendet werden, um Werte von Ausgangsparametern zu bestimmen, wenn ihm Werte von Eingangsparametern geliefert werden. Beispielsweise kann der Prozessor 202 das Berechnungsmodell verwenden, um die Drosselventileinstellung und die Boot- bzw. Startsteuerung basierend auf Eingangswerten der Gaspedalanzeige, der Gangauswahl, des Atmosphärendrucks und der Motortemperatur usw. zu bestimmen. Die Werte der Ausgangsparameter können dann verwendet werden, um Hardware-Vorrichtungen des Motorsteuersystems 120 oder des Motors 110 zu steuern. Weiterhin kann der Prozessor 202 das Modell durch Bestimmung der gewünschten Verteilungen der Eingangsparameter basierend auf Beziehungen zwischen den Eingangsparametern und den erwünschten Verteilungen der Ausgangsparameter optimieren (Schritt 412).
Der Prozessor 202 kann die Beziehungen zwischen erwünschten Verteilungen der Eingangsparameter und erwünschten Verteilungen der Ausgangsparameter basierend auf speziellen Anwendungen analysieren. Wenn beispielsweise eine speziel le Anwendung einen höheren Brennstoffwirkungsgrad erfordert, kann der Prozessor 202 einen kleinen Bereich für die Drosselventileinstellung verwenden und kann einen großen Bereich für die Boost- bzw. Ladedrucksteuerung verwenden. Der Prozessor 202 kann dann eine Simulation des Berechnungsmodells laufen lassen, um eine erwünschte statistische Verteilung für einen individuellen Eingangsparameter zu finden, (beispielsweise eine Gaspedalanzeige, eine Gangauswahl, einen Atmosphärendruck oder eine Motortemperatur usw.). Das heißt, der Prozessor 202 kann getrennt eine Verteilung (beispielsweise einen Mittelwert, eine Standardverteilung usw.) des individuellen Eingangsparameters entsprechend den normalen Bereichen der Ausgangsparameter bestimmen. Der Prozessor 202 kann dann die erwünschten Verteilungen für alle einzelnen Eingangsparameter analysieren und mit bestimmten Verteilungen und Charakteristiken für die Eingangsparameter kombinieren.
Alternativ kann der Prozessor 202 erwünschte Verteilungen von Eingangsparametern gleichzeitig identifizieren, um die Möglichkeit zu maximieren, erwünschte Ergebnisse zu erhalten. In gewissen Ausführungsbeispielen kann der Prozessor 202 simultan erwünschte Verteilungen der Eingangsparameter basierend auf einer Zeta-Statistik bestimmen. Die Zeta-Statistik kann eine Beziehung zwischen den Eingangsparametern, ihren Wertebereichen und den erwünschten Ausgangsgrößen anzeigen. Die Zeta-Statistik kann, wie folgt, dargestellt werden
wobei x _i den Mittelwert oder erwarteten Wert einer i-ten Eingangsgröße darstellt, wobei x _j den Mittelwert oder den erwarteten Wert eines j-ten Ergebnisses darstellt; wobei σ_i die Standardabweichung der i-ten Eingangsgröße darstellt; wobei σ_j die Standardabweichung des j-ten Ergebnisses darstellt; und wobei |S_ij| die Teilableitung oder Empfindlichkeit des j-ten Ergebnisses auf die i-te Eingangsgröße darstellt.
Der Prozessor 202 kann eine erwünschte Verteilung der Eingangsparameter identifizieren, sodass die Zeta-Statistik des neuronalen Netzwerkberechnungsmodells (d.h. des Steuermodells) maximiert oder optimiert wird. Eine geeignete Art eines genetischen Algorithmus kann von dem Prozessor 202 verwendet werden, um die erwünschte Verteilung der Eingangsparameter zu durchsuchen, und zwar mit dem Zweck der Maximierung der Zeta-Statistik. Der Prozessor 202 kann einen ausgewählten Satz von Eingangsparametern mit vorbestimmten Suchbereichen auswählen und eine Simulation des Steuermodells laufen lassen, um die Zeta-Statistik-Parameter basierend auf den Eingangsparametern, den Ausgangsparametern und dem neuronalen Netzwerkberechnungsmodell zu berechnen. Der Prozessor 202 kann x _i und σ_i durch Analyse des ausgewählten Satzes von Eingangsparametern erhalten und kann x _j und σ_j durch Analyse der Ergebnisse der Simulation erhalten. Weiterhin kann der Prozessor 202 |S_ij| aus dem trainierten neuronalen Netzwerk als ein Anzeige des Einflusses der i-ten Eingabe auf das j-te Ergebnis erhalten.
Der Prozessor 202 kann den ausgewählten Satz von Eingangsparametern auswählen, wenn der genetische Algorithmus konvergiert (d.h. der genetische Algorithums findet die maximierte oder optimierte Zeta-Statistik des Steuermodells entsprechend dem ausgewählten Satz von Eingangsparametern). Wenn der genetische Algorithmus nicht konvergiert, kann ein anderer ausgewählter Satz von Eingangsparametern durch den genetischen Algorithmus für eine weitere Suche erzeugt werden. Dieser Suchprozess kann andauern, bis der genetische Algorithmus konvergiert und ein erwünschter Satz von Eingangsparametern identifiziert ist. Der Prozessor 202 kann weiter erwünschte Verteilungen (beispielsweise einen Mittelwert und Standardabweichungen) der Eingangsparameter basierend auf dem erwünschten Eingangsparametersatz bestimmen. Nachdem das Steuermodell 300 optimiert wurde (Schritt 412) kann der Prozessor 202 die Eingangsparameter wieder kalibrieren (Schritt 414). Wenn beispielsweise die erwünschte Verteilung für den Eingangsparameter 306, den Atmosphärendruck, groß ist (d.h. ein weiter Bereich), kann der Prozessor 202 verschiedene Werte des Eingangsparameters 306 mit weniger Einschränkungen gestatten. Wenn andererseits die erwünschte Verteilung für den Eingangsparameter 306 klein ist (d.h. ein enger Bereich), kann der Prozessor 202 die Werte der Eingangsparameter begrenzen und/oder einstellen, sodass normale Ausgangsparameter erzeugt werden können. Solche Optimierungsprozesse können in Echtzeit durch den Prozessor 202 ausgeführt werden, um sich an eine andere Anforderung anzupassen. Wenn beispielsweise mehr Leistung bei einer anderen Anwendung erforderlich ist, kann der Prozessor 202 das Modell gemäß den erwünschten Verteilungen für mehr Leistung optimieren.
Das erzeugte und optimierte Berechnungsmodell kann im Betrieb verwendet werden. Die abgeleitete Drosselventileinstellung und Ladedrucksteueranzeige können über I/O-Vorrichtungen 208 geliefert werden, um relevante Hardware-Vorrichtungen und/oder Untersysteme des Motors 110 zu steuern. Optional kann das Steuermodell ein zweites Steuermodell aufweisen, welches in Kombination mit dem Steuermodell 300 verwendet wird, wie in 5 veranschaulicht.
Wie in 5 gezeigt, kann das Motorsteuersystem 120 das Steuermodell 300, ein zweites Steuermodell 500 und eine Logik 502 aufweisen. Das Steuermodell 500 kann irgendeine Art eines Steuermodells sein. In gewissen Ausführungsbeispielen kann das Steuermodell 500 die gleiche Art von Steuermodell sein, wie das Steuermodell 300. Das Steuermodell 500 kann auch mit den gleichen Eingangsparametern beliefert werden wie das Steuermodell 300. Das Steuermodell 500 kann auch unabhängig die gleichen Ausgangsparameter basierend auf den Eingangsparametern liefern. Weiterhin kann das Steuermodell 500 unter Verwendung eines Erzeugungs- und Optimierungsprozesses ähnlich wie beim Steuermodell 300 erzeugt und optimiert werden. Das Steuermodell 500 kann beispielsweise als redundantes Modell verwendet werden. Wenn es als redundantes Modell verwendet wird, kann das Steuermodell 500 verwendet werden, wenn das Steuermodell 300 aus irgendeinem Grund versagt.
Alternativ kann das Steuermodell 500 als ein Referenzmodell verwendet werden. Wenn es als Referenzmodell verwendet wird, kann das Steuermodell 500 gemäß den Referenzverteilungen der Eingangsparameter erzeugt und optimiert werden (beispielsweise Gaspedalanzeige, Gangauswahl, Atmosphärendruck und Motortemperatur usw.). Das Steuermodell 500 kann gleichzeitig Ausgangsparameter (beispielsweise Drosselventileinstellung, Ladedrucksteueranzeige usw.) unabhängig vom Steuermodell 300 erzeugen. Der Prozessor 202 kann die Logik 502 verwenden, um die Ausgangsparameter aus dem Steuermodell 300 mit den Ausgangsparametern aus dem Steuermodell 500 zu vergleichen. Die Logik 502 kann irgendeine geeignete Bauart einer Computer-Hardwarekomponente oder eines Software-Programms aufweisen, die konfiguriert sind, um eine Differenz zwischen Ausgangsparametern aus den Steuermodellen 300 und 500 zu bestimmen. Wenn die Differenz über einer vorbestimmten Schwelle ist, kann der Prozessor 202 bestimmen, dass das Steuermodell 300 versagt hat, auf einen speziellen Satz von Eingangsparametern zu reagieren. Der Prozessor 202 kann auswählen, den Betrieb unter Verwendung von vorherigen Ausgangsparameterwerten fortzusetzen und die außerhalb des Bereiches liegenden Ausgangsparameter wegzulassen oder kann Ausgangsparameter aus dem Steuermodell 500 verwenden. Wenn die Anzahl der Male, für die das Steuermodell 300 außerhalb des Bereiches liegende Ausgangsparameter erzeugt, eine gewisse Grenze überschreitet, kann der Prozessor 202 bestimmen, dass das Steuermodell 300 versagt hat, und kann ein neues Steuermodell erzeugen und optimieren, um das versagte Steuermodell 300 zu ersetzen.
Industrielle Anwendbarkeit
Die offenbarten Systeme und Verfahren können eine effiziente und optimierte Lösung für einen großen Bereich von Steuersystemen vorsehen, wie beispielsweise Motorsteuersysteme und andere Arbeitsmaschinensteuersysteme. Komplexe Beziehungen können während der Erzeugung von Berechnungsmodellen analysiert werden, um die Modelle durch Identifikation von erwünschten Verteilungen der Eingangsparameter auf die Modelle zu optimieren, um erwünschte Ausgangsgrößen zu erhalten. Die Genauigkeit und Effizienz der Steuersysteme kann beträchtlich durch Verwendung der offenbarten Systeme und Verfahren verbessert werden.
Die offenbarten Systeme und Verfahren können auch eine hohe Zuverlässigkeit durch Anwendung von zwei oder mehr Berechnungsmodellen bieten, die in ähnli cher Weise erzeugt und optimiert werden. Die Ausgangsgrößen der Modelle können in Echtzeit analysiert werden, um den Zustand des Modells und/oder der erwünschten Ausgangsgrößen zu bestimmen.
Andere Ausführungsbeispiele, Merkmale, Aspekt und Prinzipien der offenbarten beispielhaften Systeme werden dem Fachmann offensichtlich sein und können in verschiedenen Ausführungsbeispielen und Systemen verkörpert sein.
Zusammenfassung
Steuersystem und Steuerverfahren
Es wird ein Verfahren für ein Steuersystem vorgesehen. Das Verfahren kann aufweisen, Datenaufzeichnungen aufzunehmen, die mit einer oder mehreren Eingangsvariablen und einem oder mehreren Ausgangsparametern assoziiert sind, und einen oder mehrere Eingangsparameter aus der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen auszuwählen. Das Verfahren kann auch aufweisen, ein Berechnungsmodell zu erzeugen, welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt, und zwar basierend auf den Datenaufzeichnungen, und das Bestimmen der jeweiligen statistischen Verteilungen von dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern des Berechnungsmodells.

Claims

Verfahren für ein Steuersystem (120), welches Folgendes aufweist: Aufnehmen von Datenaufzeichnungen, die mit einer oder mehreren Eingangsvariablen und einem oder mehreren Ausgangsparametern assoziiert sind (312, 314); Auswählen von einem oder mehreren Eingangsparametern (302 bis 308) aus der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen; Erzeugen eines Berechnungsmodells (300), welches Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt, und zwar basierend auf den Datenaufzeichnungen; und Bestimmen von erwünschten jeweiligen statistischen Verteilungen des einen Eingangsparameters oder der Vielzahl von Eingangsparametern des Berechnungsmodells.
Verfahren nach Anspruch 1, welches weiter Folgendes aufweist: erneutes Kalibrieren des einen Eingangsparameters oder der Vielzahl von Eingangsparametern, basierend auf den erwünschten statistischen Verteilungen; und Steuern von einer oder mehreren Hardware-Vorrichtungen unter Verwendung von einem oder mehreren Ausgangsparametern.
Verfahren nach Anspruch 1, welches weiter Folgendes aufweist: Erzeugen eines zweiten Berechnungsmodells (500), welches Referenzbeziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt; und zwar basierend auf den Datenaufzeichnungen; und Steuern von einer oder mehreren Hardware-Vorrichtungen unter Verwendung der Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern aus sowohl dem Berechnungsmodell als auch dem zweiten Berechnungsmodell.
Verfahren nach Anspruch 3, wobei das Steuern Folgendes aufweist: Bestimmen eines Unterschiedes zwischen den Werten des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern aus dem Berechnungsmodell und den Werten des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern vom zweiten Berechnungsmodell; Bestimmen, ob die Differenz über einer vorbestimmten Schwelle ist; und Entscheiden eines Versagens des Berechnungsmodells, wenn die Differenz über der Schwelle ist.
Verfahren nach Anspruch 1, wobei das Auswählen weiter Folgendes aufweist: Vorverarbeitung der Datenaufzeichnungen; und Anwendung eines genetischen Algorithmus, um einen oder mehrere Eingangsparameter aus der einen Eingangsvariablen oder der Vielzahl von Eingangsvariablen basierend auf einer Mahalanobis-Distanz zwischen einem normalen Datensatz und einem abnormen Datensatz der Datenaufzeichnung auszuwählen.
Verfahren nach Anspruch 1, wobei die Erzeugung weiter Folgendes aufweist: Erzeugen eines neuronalen Netzwerkberechnungsmodells; Trainieren des neuronalen Netzwerkberechnungsmodells unter Verwendung der Datenaufzeichnungen; und Bewerten des neuronalen Netzwerkberechnungsmodells unter Verwendung der Datenaufzeichnungen.
Verfahren nach Anspruch 1, wobei das Bestimmen weiter Folgendes aufweist: Bestimmen eines ausgewählten Satzes von Eingangsparametern mit einer maximalen Zeta-Statistik unter Verwendung eines genetischen Algorithmus; und Bestimmen der erwünschten Verteilungen der Eingangsparameter basierend auf dem ausgewählten Satz, wobei die Zeta-Statistik ξ wie folgt dargestellt wird:
wobei x _i einen Mittelwert einer i-ten Eingangsgröße darstellt, wobei x _j einen Mittelwert einer j-ten Ausgangsgröße darstellt; wobei σ_i eine Standardabweichung der i-ten Eingangsgröße darstellt; wobei σ_j eine Standardabweichung der j-ten Ausgangsgröße darstellt; und wobei |S_ij| die Empfindlichkeit der j-ten Ausgangsgröße auf die i-te Eingangsgröße des Berechnungsmodells darstellt.
Arbeitsmaschine (100), die Folgendes aufweist: einen Motor (110); und ein Motorsteuersystem (120), wobei das Motorsteuersystem einen Prozessor (202) aufweist, der konfiguriert ist, um jeweilige Werte von einem oder mehreren Eingangsparametern zu erhalten (302 bis 308); jeweilige Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern (312, 314) basierend auf den Werten des einen Eingangsparameters oder der Vielzahl von Eingangsparametern und einem ersten Berechnungsmodell (300) abzuleiten, welches die Beziehungen zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzeigt; und den Motor unter Verwendung der Variablen des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern zu steuern.
Arbeitsmaschine nach Anspruch 8, wobei der Prozessor weiter konfiguriert ist, um jeweilige Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern basierend auf den Werten des einen Eingangsparameters oder der Vielzahl von Eingangsparametern und einem zweiten Berechnungsmodell (500) abzuleiten, welche die Referenzbeziehung zwischen dem einen Eingangsparameter oder der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern anzuzeigen; eine Differenz zwischen den Werten des einen Ausgangsparameters oder der möglichen Vielzahl von Ausgangsparametern aus dem ersten Berechnungsmodell und den Werten des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern aus dem zweiten Berechnungsmodell zu bestimmen; zu bestimmen, ob die Differenz über einer vorbestimmten Schwelle liegt; Entscheiden eines Versagens des ersten Berechnungsmodells, wenn der Unterschied über der Schwelle ist, und Den Motor unter Verwendung des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern aus dem zweiten Berechnungsmodell zu steuern.
Arbeitsmaschine nach Anspruch 9, wobei der Prozessorweiter konfiguriert ist, um den Motor unter Verwendung der Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern von dem Berechnungsmodell zu steuern, wenn die Differenz nicht über der Schwelle ist.