DE112008001654T5

DE112008001654T5 - System und Verfahren für virtuelle Sensoren

Info

Publication number: DE112008001654T5
Application number: DE112008001654T
Authority: DE
Inventors: Anthony J. Peoria Grichnik; Amit Peoria Jayachandran; Mary L. Peoria Kesse; Michael Cardiff Seskin
Original assignee: Caterpillar Inc
Current assignee: Caterpillar Inc
Priority date: 2007-06-15
Filing date: 2008-06-13
Publication date: 2010-05-12
Also published as: US20080312756A1; CN101681155A; WO2008156678A1; JP2010530179A; US7787969B2

Abstract

Verfahren, das Sensoren (130) für eine Maschine (100) vorsieht, das Folgendes aufweist:
Ermitteln von Datenaufzeichnungen, die Daten von einer Vielzahl von Sensoren (140, 142) aufweisen für die Maschine;
Bestimmen eines virtuellen Sensors, der einem der Vielzahl von Sensoren entspricht;
Bilden eines Prozessmodells (404) für virtuelle Sensoren für den virtuellen Sensor, das die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter (402) und einer Vielzahl von gemessenen Parametern (406) basierend auf den Datenaufzeichnungen anzeigt;
Ermitteln eines Satzes von Werten entsprechend der Vielzahl von gemessenen Parametern;
Berechnen der Werte des mindestens einen Abfühlparameters im Wesentlichen gleichzeitig basierend auf dem Satz von Werten, der der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Sensoren entspricht; und
Liefern der Werte des mindestens einen Abfühlparameters an ein Steuersystem (120).

Description

Technisches Gebiet
Diese Offenbarung bezieht sich allgemein auf computerbasierte Prozessmodellierungstechniken und insbesondere auf Systeme und Verfahren für virtuelle Sensoren, die Prozessmodelle verwenden.
Hintergrund
Physische Sensoren werden in vielen Produkten breit eingesetzt, wie beispielsweise in modernen Maschinen, um physikalische Phänomene zu messen und zu überwachen, wie beispielsweise die Temperatur, Geschwindigkeit und Emissionen von Motorfahrzeugen. Physische Sensoren nehmen oft direkt Messungen der physischen Phänomene vor und konvertieren diese Messungen in Messdaten, die von Steuersystemen weiterverarbeitet werden sollen. Obwohl physische Sensoren oft direkte Messungen der physikalischen Phänomene vornehmen, sind physische Sensoren und damit assoziierte Hardware oft teuer und manchmal unzuverlässig. Weiter kann, wenn Steuersysteme auf physische Sensoren angewiesen sind, um richtig zu arbeiten, ein Versagen eines physischen Sensors solche Steuersysteme funktionsunfähig machen. Zum Beispiel kann das Versagen eines Drehzahl- oder Zeitsensors in einem Motor zu einem kompletten Abschalten des Motors sogar dann führen, wenn der Motor selbst noch betriebsfähig ist.
Virtuelle Sensoren sind ausgelegt, um anstatt direkter Messungen verschiedene andere physisch gemessene Werte zu verarbeiten und Werte zu erzeugen, die zuvor direkt durch physische Sensoren gemessen wurden. Zum Beispiel offenbart das US-Patent Nr. 5,386,373 (das '373-Patent), das an Keeler und Andere am 31. Januar 1995 erteilt wurde, ein virtuelles kontinuierliches Emissionsüberwachungssystem mit Sensorvalidierung. Das '373-Patent verwendet ein Backpropagation-Aktivierungsmodell und eine Monte-Carlo-Suchtechnik um ein Berechnungsmodell zu bilden und zu optimieren, das für die virtuellen Abfühlsysteme verwendet wird, um Abfühlparameter aus anderen gemessenen Parametern abzuleiten. Solche herkömmlichen Techniken versagen jedoch häufig darin auf Interkorrelationen zwischen individuell gemessenen Parametern einzugehen, insbesondere zum Zeitpunkt der Erzeugung und/oder Optimierung von Berechnungsmodellen, oder darin, die anderen gemessenen Parameter mit den Abfühlparametern zu korrelieren.
Weiter kann eine moderne Maschine mehrere Sensoren benötigen, um richtig zu funktionieren. Es kann schwierig sein zu entscheiden, welche Sensorfunktion durch einen physischen Sensor vorgesehen werden sollte, welche Sensorfunktion durch einen virtuellen Sensor vorgesehen sein sollte, oder welche Sensorfunktion durch eine Kombination eines physischen Sensors und eines virtuellen Sensors vorgesehen werden sollte. Darüber hinaus kann es schwierig sein die benötigte Präzision und/oder Zuverlässigkeit eines bestimmten physischen Sensors zu bestimmen. Ein physischer Sensor mit einer hohen Präzision oder hohen Zuverlässigkeit, dass heißt mit einer hohen Qualität, kann teurer sein als ein normaler physischer Sensor. Die Verwendung hochqualitativer Sensoren für alle Sensorfunktionen kann die Produktkosten signifikant erhöhen.
In anderen Fällen kann eine moderne Maschine nach- bzw. aufgerüstet werden, um neue Funktionalitäten bei existierenden Maschinen vorzusehen. Die neuen Funktionalitäten können erfordern, dass neue Sensoren auf existierenden Maschinen installiert werden, was praktisch unmöglich sein kann oder was zu beträchtlichen Kosten für das Nachrüsten mit neuer Hardware und Software führen kann.
Die Verfahren und Systeme, die mit bestimmten Merkmalen des offenbarten Systems vereinbar sind, sind darauf gerichtet, eines oder mehrere der oben dargelegten Probleme zu überwinden.
Zusammenfassung der Erfindung
Gemäß einem Aspekt weist die vorliegende Offenbarung ein Verfahren zum Vorsehen von Sensoren für eine Maschine auf. Das Verfahren kann das Beschaffen von Datenaufzeichnungen, die Daten von einer Vielzahl von Sensoren aufweisen, für die Maschine und das Bestimmen eines virtuellen Sensors entsprechend einem der Vielzahl von Sensoren aufweisen. Das Verfahren kann auch das Bilden eines Prozessmodells für virtuelles Sensoren des virtuellen Sensors aufweisen, welches die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter und einer Vielzahl von gemessenen Parametern basierend auf den Datenaufzeichnungen anzeigt, und das Beschaffen eines Satzes von Werten, der der Vielzahl von gemessenen Parametern entspricht. Weiter kann das Modell das im Wesentlichen gleichzeitige Berechnen der Werte des mindestens einen Abfühlparameters aufweisen, und zwar basierend auf dem Satz der Werte, die der Vielzahl der gemessenen Parameter entsprechen und dem Prozessmodell für virtuelle Sensoren und das Liefern der Werte des mindestens einen Abfühlparameters an ein Steuersystem.
Ein weiterer Aspekt der vorliegenden Offenbarung weist ein Verfahren zum Nachrüsten einer ersten Maschine auf, der ein unterstützender physischer Sensor fehlt, und zwar mit einem virtuellen Sensor, der basierend auf einer zweiten Maschine mit einem unterstützenden physischen Sensor erzeugt wird. Das Verfahren kann auch das Beschaffen von Datenaufzeichnungen beinhalten, die Daten von einer Vielzahl von Sensoren aufweisen, die sowohl auf der ersten Maschine als auch auf der zweiten Maschine verfügbar sind, und von dem unterstützenden physischen Sensor auf der zweiten Maschine; und das Berechnen von Korrelationswerten zwischen dem unterstützenden physischen Sensor und jedem der Vielzahl von Sensoren, und zwar basierend auf den Datenaufzeichnungen. Das Verfahren kann auch das Auswählen korrelierter Sensoren aus der Vielzahl von Sensoren aufweisen, und zwar basierend auf den Korrelationswerten; das Erzeugen eines virtuellen Sensors vom unterstützenden physischen Sensor basierend auf den korrelierten Sensoren; und das Verwenden des virtuellen Sensors in der ersten Maschine, um Funktionalitäten vorzusehen, die auf der zweiten Maschine vom unterstützenden physischen Sensor vorgesehen wurden.
Ein weiterer Aspekt der vorliegenden Offenbarung weist ein Computersystem auf. Das Computersystem kann eine Datenbank und einen Prozessor aufweisen. Die Datenbank kann konfiguriert sein, um Information, die für ein Prozessmodell für virtuelle Sensoren relevant ist, zu speichern. Der Prozessor kann konfiguriert sein, um Datenaufzeichnungen zu beschaffen, die Daten von einer Vielzahl von Sensoren aufweisen für die Maschine und um einen virtuellen Sensor entsprechend dem einen der Vielzahl von Sensoren zu bestimmen. Der Prozessor kann auch konfiguriert sein, um das Prozessmodell für virtuelle Sensoren des virtuellen Sensors zu bilden, das die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter und einer Vielzahl von gemessenen Parametern basierend auf den Datenaufzeichnungen anzeigt, und um einen Satz von Werten entsprechend der Vielzahl von gemessenen Parametern zu erhalten. Weiter kann der Prozessor konfiguriert sein, um die Werte des mindestens einen Abfühlparameters im Wesentlichen gleichzeitig zu berechnen, und zwar basierend auf dem Satz von Werten, die der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Sensoren entsprechen, und um die Werte des mindestens einen Abfühlparameters an ein Steuersystem zu liefern.
Ein weiterer Aspekt der vorliegenden Offenbarung weist eine Maschine auf, die einen nachgerüsteten virtuellen Sensor hat, um die Funktionalitäten eines entsprechenden physischen Sensors vorzusehen, ohne dass der unterstützende physische Sensor auf der Maschine installiert wird. Die Maschine kann eine Leistungsquelle, ein Steuersystem und ein virtuelles Sensorsystem aufweisen. Die Leistungsquelle kann konfiguriert sein, um Leistung an die Maschine zu liefern. Das Steuersystem kann konfiguriert sein, um die Leistungsquelle zu steuern. Das virtuelle Sensorsystem kann dem unterstützenden physischen Sensor entsprechen, und kann ein Prozessmodell für virtuelle Sensoren aufweisen, das die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter anzeigt, der von einer Vielzahl von Parametern vorgesehen wird, und einer Vielzahl von gemessenen Parametern des unterstützenden physischen Sensors. Weiter kann das virtuelle Sensorsystem konfiguriert sein, um einen Satz von Werten entsprechend der Vielzahl von gemessenen Parametern zu erhalten und um die Werte des mindestens einen Abfühlparameters im Wesentlichen gleichzeitig zu berechnen, und zwar basierend auf dem Satz von Werten, der der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Sensoren entspricht. Das virtuelle Sensorsystem kann auch konfiguriert sein, um die Werte des mindestens einen Ab fühlparameters an das Steuersystem zu liefern um Funktionalitäten vorzusehen, die dem unterstützenden physischen Sensor entsprechen. Der virtuelle Sensor kann durch einen Prozess erzeugt werden. Der Prozess kann das Beschaffen von Datenaufzeichnungen aufweisen, die Daten von der Vielzahl von Sensoren und dem unterstützenden physischen Sensor aufweisen; und das Berechnen von Korrelationswerten zwischen dem unterstützenden physischen Sensor und der Vielzahl von Sensoren basierend auf den Datenaufzeichnungen. Der Prozess kann auch das Auswählen der korrelierten Sensoren von der Vielzahl von Sensoren basierend auf den Korrelationswerten aufweisen; und das Erzeugen des virtuellen Sensors des unterstützendenden physischen Sensors basierend auf den korrelierten Sensoren.
Kurze Beschreibung der Zeichnungen
1 stellt eine beispielhafte Maschine dar, in der Merkmale und Prinzipien, die mit gewissen offenbarten Ausführungsbeispielen der Maschine vereinbar sind, aufgenommen sein können;
2 stellt ein Blockdiagramm eines beispielhaften virtuellen Sensors dar, der mit gewissen offenbarten Ausführungsbeispielen vereinbar ist;
3 zeigt ein Flussdiagramm eines beispielhaften Sensorauswahlprozesses, der mit bestimmten offenbarten Ausführungsbeispielen vereinbar ist;
4 stellt ein logisches Blockdiagramm eines beispielhaften Computersystems dar, das mit gewissen offenbarten Ausführungsbeispielen vereinbar ist;
5 stellt ein Flussdiagramm einer beispielhaften Erzeugung eines Modells für virtuelle Sensoren und eines Optimierungsprozesses dar, der mit gewissen offenbarten Ausführungsbeispielen vereinbar ist;
6 stellt ein Flussdiagramm eines beispielhaften Steuerprozesses dar, der mit gewissen offenbarten Ausführungsbeispielen vereinbar ist;
7 zeigt ein Flussdiagramm eines beispielhaften Nachrüstprozesses dar, der mit gewissen offenbarten Ausführungsbeispielen vereinbar ist; und
8 zeigt ein Flussdiagramm eines weiteren beispielhaften Steuerprozesses, der mit gewissen offenbarten Ausführungsbeispielen vereinbar ist.
Detaillierte Beschreibung
Es wird nun im Detail Bezug genommen auf beispielhafte Ausführungsbeispiele, welche in den beigefügten Darstellungen veranschaulicht sind. Wann immer es möglich ist, werden die gleichen Bezugszeichen über die Zeichnungen hinweg verwendet, um sich auf die gleichen oder ähnliche Teile zu beziehen.
1 veranschaulicht eine beispielhafte Maschine 100, in die Merkmale und Prinzipien, die mit bestimmten offenbarten Ausführungsbeispielen vereinbar sind, aufgenommen sein können. Maschine 100 kann sich auf irgendeine Bauart einer stationären oder mobilen Maschine beziehen, die irgendeine Art eines Betriebs ausführt, der mit einem bestimmten Industriezweig assoziiert ist, wie beispielsweise dem Bergbau, Bau, der Landwirtschaft, der Transportindustrie und so weiter, und die zwischen oder innerhalb Arbeitsumgebungen (z. B. einer Baustelle, Abbaustelle, Leistungserzeugungsanlagen und Generatoren, Straßenanwendungen etc.) arbeitet, wie beispielweise Lastwagen, Kräne, Erdbewegungsmaschinen, Bergbaufahrzeuge, Baggerlader, Materialhandhabungseinrichtungen, Landwirtschaftseinrichtungen, Schiffe, Flugzeuge und jegliche andere Art einer bewegbaren Maschine, die in einer Arbeitsumgebung arbeitet. Maschine 100 kann auch jegliche Bauart eines kommerziellen Fahrzeugs, wie beispielsweise Autos, Busse oder andere Fahrzeuge sein. Andere Arten von Maschinen können ebenfalls vorgesehen sein.
Wie in 1 gezeigt, kann die Maschine 100 einen Motor 110 aufweisen, ein Motorsteuermodul (ECM = engine control module) 120, ein virtuelles Sensorsystem 130, physische Sensoren 140 und 142 und eine Datenverbindung 150. Der Motor 110 kann jede geeignete Art eines Motors oder einer Leistungsquelle aufweisen, die Leistung für die Maschine 100 erzeugt, wie beispielsweise einen Verbrennungsmotor oder einen Brennstoffzellengenerator. Das Motorsteuermodul 120 kann jede geeignete Art eines Motorsteuersystems aufweisen, das konfiguriert ist, um Motorsteuerfunktionen durchzuführen, so dass der Motor 110 richtig arbeiten kann. Das Motorsteuermodul 120 kann jegliche Anzahl von Vorrichtungen aufweisen, wie beispielsweise Mikroprozessoren oder Mikrosteuervorrichtungen, Speichermodule, Kommunikationsvorrichtungen, Eingabe/Ausgabe-Vorrichtungen, Speichervorrichtungen usw., um derartige Steuerfunktionen durchzuführen. Weiter kann das Motorsteuermodul 120 auch andere Systeme der Maschine 100 steuern, wie Getriebesysteme und/oder Hydrauliksysteme und so weiter. Computersoftware-Instruktionen können in dem Motorsteuermodul gespeichert sein oder darauf geladen werden. Das Motorsteuermodul 120 kann die Computersoftware-Instruktionen ausführen, um zahlreiche Steuerfunktionen und -Prozesse durchzuführen.
Das Motorsteuermodul 120 kann mit der Datenverbindung 150 gekoppelt sein, um Daten zu empfangen und um Daten zu anderen Komponenten, wie zum Beispiel dem Motor 110, physischen Sensoren 140 und 142, einem virtuellen Sensorsystem 130 und/oder jeglichen anderen (nicht gezeigten) Komponenten der Maschine 100 zu senden. Die Datenverbindung 150 kann jegliche geeigneten Arten von Datenkommunikationsmedien, wie beispielsweise Kabel, Drähte, drahtlosen Funk und/oder Laser und so weiter aufweisen. Der physische Sensor 140 kann einen oder mehrere Sensoren aufweisen, die vorgesehen sind um bestimmte Parameter der Maschinenbetriebsumgebung zu messen. Zum Beispiel kann der physische Sensor 140 physische Emissionssensoren zun Messen von Emissionen der Maschine 100 aufweisen, wie beispielsweise Stickoxide (NOx), Schwefeldioxid (SO₂), Kohlenmonoxid (CO), gesamtreduzierten Schwefel (TRS = total reduced sulfur), und so weiter. Insbesondere das Abfühlen und die Reduktion von NO_x-Emissionen können für den normalen Betrieb des Motors 110 wichtig sein. Der physische Sensor 142 kann auf der anderen Seite jegliche geeigneten Sensoren aufweisen, die mit dem Motor 110 verwendet werden oder mit anderen (nicht gezeigten) Maschinenkomponenten, um verschiedene gemessene Parameter über den Motor 110 oder andere Komponenten vorzusehen, wie beispielsweise die Temperatur, Drehzahl, Beschleunigungsrate, und so weiter.
Das virtuelle Sensorsystem 130 kann jegliche geeignete Art eines Steuersystems aufweisen, die Werte von Abfühlparametern basierend auf einem Berechnungsmodell und einer Vielzahl von gemessenen Parametern erzeugt. Die Abfühlparameter können sich auf jene gemessenen Parameter beziehen, die direkt durch einen speziellen physischen Sensor gemessen werden. Zum Beispiel kann ein physischer NO_x-Emissionssensor den NO_x-Emissionspegel der Maschine 100 messen und kann Werte des NO_x-Emissionspegels, des Abfühlparameters, an andere Komponenten, wie beispielsweise an das Motorsteuermodul 120, liefern. Abfühlparameter können jedoch jegliche Ausgabeparameter aufweisen, die indirekt durch physische Sensoren gemessen werden können und/oder basierend auf den Ablesungen der physischen Sensoren berechnet werden können. Auf der anderen Seite können sich die gemessenen Parameter auf jegliche Parameter beziehen, die für die Abfühlparameter relevant sind und die den Zustand einer Komponente oder von Komponenten der Maschine 100, wie des Motors 110, anzeigen. Zum Beispiel können, für den Abfühlparameter des NO_x-Emissionspegels, die gemessenen Parameter Umgebungsparameter aufweisen, wie Kompressionsverhältnisse, Turboladereffizienz, Nachkühlercharakteristika, Temperaturwerte, Druckwerte, Umgebungsbedingungen, Brennstoffraten und Motordrehzahlen und so weiter.
Weiter kann das virtuelle Sensorsystem 130 als ein separates Steuersystem konfiguriert sein oder alternativ kann es mit anderen Steuersystemen zusammen ausgeführt sein, wie beispielsweise mit dem Motorsteuermodul 120. Das virtuelle Sensorsystem 130 kann auch in Serie mit dem Motorsteuermodul 120 oder parallel dazu arbeiten. Das virtuelle Sensorsystem 130 und/oder das Motorsteuermodul 120 können durch jegliches geeignetes Computersystem implementiert werden. 2 zeigt ein beispielhaftes funktionales Blockdiagramm eines Computersystems 200, das konfiguriert ist, um das virtuelle Sensorsystem 130 und/oder das Motorsteuermodul 120 zu implementieren. Das Computersystem 200 kann auch jegliches geeignetes Computersystem aufweisen, das konfiguriert ist, um den virtuellen Sensor 130 und andere Komponenten der Maschine 100 zu bilden, zu trainieren und zu validieren.
Wie in 2 gezeigt, kann das Computersystem 200 (z. B. ein virtuelles Sensorsystem 130 und so weiter) einen Prozessor 202, ein Speichermodul 204, eine Datenbank 206, eine Eingabe/Ausgabe-Schnittstelle 208, eine Netzwerkschnittstelle 210 und einen Speicher 212 aufweisen. Es können jedoch auch andere Komponenten in das Computersystem 200 aufgenommen werden.
Der Prozessor 202 kann jede geeignete Art von Universalmikroprozessoren, digitalen Signalprozessoren oder Mikrosteuervorrichtungen aufweisen. Der Prozessor 202 kann als ein separates Prozessormodul konfiguriert sein, das dafür bestimmt ist, den Motor 110 zu steuern. Alternativ kann der Prozessor 202 als ein gemeinsam verwendetes Prozessormodul zum Ausführen anderer Funktionen, die nicht mit virtuellen Sensoren in Beziehung stehen, konfiguriert sein.
Das Speichermodul 204 kann eine oder mehrere Speichervorrichtungen aufweisen, wie einen Lesespeicher bzw. ROM (ROM = read-only memory), einen Flash-Speicher, einen dynamischen Arbeitsspeicher bzw. RAM (RAM = random access memory) und einen statischen RAM, wobei es aber nicht darauf beschränkt ist. Das Speichermodul 204 kann konfiguriert sein, um Information zu speichern, die vom Prozessor 202 verwendet wird. Die Datenbank 206 kann jegliche Art einer geeigneten Datenbank aufweisen, die Information zu den Charakteristika der gemessenen Parameter, der Abfühlparameter, der mathematischen Modelle und/oder jeglicher anderer Steuerinformation enthält.
Weiter kann die Eingabe/Ausgabe-Schnittstelle 208 auch mit einer Datenverbindung 150 verbunden sein, um Daten von verschiedenen Sensoren oder anderen Komponenten (wie z. B. den physische Sensoren 140 und 142) zu erhalten und/oder um Daten an diese Komponenten und an das Motorsteuermodul 120 zu senden. Die Netzwerkschnittstelle 210 kann jegliche geeignete Art einer Netzwerkvorrichtung aufweisen, die in der Lage ist, mit anderen Computersystemen basierend auf einem oder auf mehreren drahtlosen oder drahtgebundenen Kommunikationsprotokollen zu kommunizieren. Der Speicher 212 kann jegliche Art von geeignetem Massenspeicher aufweisen, die vorgesehen ist, um jegliche Art von Information zu speichern, die der Prozessor 202 möglicherweise benötigt, um zu arbeiten. Zum Beispiel kann der Speicher 212 eine oder mehrere Festplattenvorrichtungen, optische Plattenvorrichtungen oder andere Speichervorrichtungen aufweisen, um Speicherplatz vorzusehen. Einige oder alle Komponenten des Computersystems 200 können auf einer anwendungsspezifischen integrierten Schaltung bzw. ASIC (ASIC = application specific integrated circuit) oder einer feldprogrammierbaren Logikgatter-Vorrichtung bzw. FPGA-Vorrichtung (FPGA = field programmable gate array) implementiert oder integriert sein.
Die Maschine 100 kann eine Vielzahl von gemessenen Parametern und/oder Abfühlparametern benötigen. Die gemessenen Parameter und/oder Abfühlparameter können durch eine Vielzahl von Sensoren geliefert werden. Die Sensoren können physische Sensoren aufweisen, wie beispielsweise die physischen Sensoren 140 und 142, virtuelle Sensoren, wie beispielsweise das virtuelle Sensorsystem 130 und/oder eine Kombination eines physischen Sensors und eines virtuellen Sensors. Weiter können die physischen Sensoren physische Sensoren mit verschiedenen Eigenschaften (z. B. Genauigkeit, Fehler, Unsicherheit, Unwiederholbarkeit, Hysterese, Zuverlässigkeit und so weiter) aufweisen. Das Computersystem 200 kann einen Sensorauswahlprozess durchführen, um die Art des Sensors und/oder die Eigenschaften des physischen Sensors zu bestimmen.
Wie in 3 gezeigt, kann das Computersystem 200 oder der Prozessor 202 Datenaufzeichnungen einholen, die Datenaufzeichnungen oder Auslesungen von der Vielzahl von Sensoren enthalten (Schritt 302). Die Datenaufzeichnungen können von einer Testmaschine oder einer aktuellen Maschine 100 vorgesehen werden, die die Vielzahl von Sensoren S₁, S₂, S₃, ... und S_n hat, wobei n eine ganze Zahl ist, die die Gesamtanzahl der Sensoren darstellt.
Nach Einholen der Datenaufzeichnungen (Schritt 302) kann der Prozessor 202 eine Beziehung zwischen jeglichen zwei Sensoren messen (Schritt 304). Die Beziehung kann jegliche geeignete Beziehung aufweisen, wie eine statistische Beziehung oder eine andere mathematische Beziehung. Die Beziehung kann durch jeden geeigneten physischen oder mathematischen Ausdruck gemessen werden.
Zum Beispiel kann der Prozessor 202 Korrelationen zwischen jeglichen zwei Sensoren berechnen. Eine Korrelation, wie sie hierin verwendet wird, kann sich auf eine statistische Messung einer Beziehung zwischen zwei oder mehr Variablen (Ereignissen, Häufigkeiten, Sensorablesungen, etc.) beziehen. Eine Korrelation zwischen zwei Variablen kann eine gewisse kausale Beziehung zwischen zwei Variablen nahelegen, und ein hoher Korrelationswert kann eine stärkere Korrelation anzeigen. Der Prozessor 202 kann Korrelationen basierend auf den Datenaufzeichnungen über jeglichen geeigneten Algorithmus zum Berechnen von Korrelationen berechnen.
Weiter kann der Prozessor 202 eine Beziehungsmatrix für die Sensoren S₁, S₂, S₃, ... und S_n erzeugen (Schritt 306). Die Beziehungsmatrix kann sich auf eine Matrix beziehen, die die gemessenen Verhältnisse zwischen beliebigen zwei Sensoren widerspiegelt. In dem obigen Beispiel kann der Prozessor 202 die Korrelation zwischen zwei Sensoren verwenden, um die Beziehung zwischen den zwei Sensoren widerzuspiegeln und kann eine Korrelationsmatrix als die Beziehungsmatrix erzeugen. Zum Beispiel kann der Prozessor 202 eine Korrelationsmatrix erzeugen als:
Die Korrelationsmatrix kann eine Gesamtanzahl von n² Elementen aufweisen, wobei jedes davon einen Korrelationswert zwischen zwei Sensoren darstellt. Der Wert eines jeden diagonalen Elementes ist 1, da der Korrelationswert zwischen einem Sensor und sich selbst 1 ist. Der Korrelationswert zwischen zwei Sensoren kann die Beziehung zwischen den zwei Sensoren darstellen. Wenn der Korrelationswert gleich oder größer als eine vorbestimmte Schwelle ist, kann der Prozessor 202 bestimmen, dass die zwei Sensoren korreliert sind. Ein Sensor, der mit einem zweiten Sensor korreliert ist, kann zu einem gewissen Grad durch den zweiten Sensor dargestellt werden.
Der Prozessor 202 kann einen Score bzw. einen Punktwert für jeden Sensor bestimmen (Schritt 308). Der Prozessor 202 kann einen Punktwert für jeden Sensor basierend auf der Beziehungsmatrix bestimmen. Zum Beispiel kann der Prozessor 202 den Punktwert für jeden Sensor als eine Gesamtzahl von Korrelationswerten bestimmen, die größer oder gleich einem vorbestimmten Schwellenwert ist, außer des Eigenkorrelationswert. Der Prozessor 202 kann die Schwelle auf jegliche geeignete Weise bestimmen. In gewissen Ausführungsbeispielen kann der Prozessor 202 0,6 als eine Schwelle zum Berechnen des Punktwertes verwenden.
In der obigen beispielhaften Korrelationsmatrix kann der Prozessor 202 einen Punktwert von 3 für S₁ bestimmen, einen Punktwert von 1 für S₂, einen Punktwert von 0 für S₃ und einen Punktwert von 2 für S_n. Diese Punktwerte können sich ändern, wenn andere Sensoren, die nicht explizit aufgeführt sind, aufgenommen werden, und diese sind lediglich für illustrative Zwecke. Andere Beziehungsmessungen können ebenfalls verwendet werden.
Nach Bestimmen des Punktwertes für jeden Sensor (Schritt 308) kann der Prozessor 202 die Sensoren in bestimmte Gruppen von Sensoren aufteilen, und zwar basierend auf den Punktwerten (Schritt 310). Zum Beispiel kann der Prozessor 202 S₁, S₂, S₃ und S_n in drei Sensorgruppen aufteilen, und insbesondere kann er S₃ in eine erste Sensorgruppe einteilen, S₂ und S_n in eine zweite Sensorgruppe und S₁ in eine dritte Sensorgruppe. Es können auch andere Anzahlen von Sensorgruppen verwendet werden.
Da der Punktwert jedes Sensors die Korrelation mit anderen Sensoren widerspiegeln kann, kann die erste Sensorgruppe Sensoren aufweisen mit nicht oder signifikant geringer korrelierten Sensoren (z. B. S₃ mit einem Punktwert von 0, und so weiter) als andere Sensorgruppen, d. h. mit keiner oder einer signifikant geringeren Ausmaß der Beziehungen. Die zweite Sensorgruppe kann Sensoren mit einem bestimmten Bereich von korrelierten Sensoren aufweisen (z. B. S₂ und S_n mit Punktwerten von 1 und 2 und so weiter), d. h. mit einem gewissen Ausmaß an Beziehungen. Die dritte Gruppe kann Sensoren mit einer Gesamtanzahl von korrelierten Sensoren aufweisen, die größer ist als eine vorbestimmte Schwelle (z. B. S₁ mit einem Punktwert von 3 und so weiter), d. h. mit einem signifikanten Ausmaß an Beziehungen. Andere Punktwerte oder Punktwertbereiche können ebenfalls verwendet werden, um die Sensoren aufzuteilen.
Weiter kann der Prozessor 202 Sensorarten und -konfigurationen für die Sensoren basierend auf den Sensorgruppen bestimmen (Schritt 312). Zum Beispiel kann, in Bezug auf die erste Sensorgruppe, der Prozessor 202 eine hohe Qualität und/oder teure physische Sensoren als Sensor S₃ auswählen, oder kann einen hochqualitativen Sensor mit einem redundanten Sensor (physisch oder virtuell) als Sensor S₃ auswählen, um den Betrieb des Sensor S₃ sicherzustellen, da er außer Stande sein kann, die Information, die von Sensor S₃ geliefert wird, aufgrund dem signifikant geringeren Ausmaß an Beziehungen von irgendeinem anderen Sensor zu erhalten.
Bezüglich der zweiten Sensorgruppe kann der Prozessor 202 einen physischen Sensor mit herkömmlicher Qualität, mit einem virtuellen Sensor als Backup bzw. Reserve, als Sensor S₂ oder S_n auswählen, da bestimmte Information, die von Sensor S₂ oder Sensor S_n vorgesehen wird, von einem oder mehreren korrelierten Sensoren (z. B. S_n für S₂ oder S₁, und S₂ für S_n, und so weiter) erhalten werden kann. Für Sensoren in der zweiten Sensorgruppe kann es wünschenswert sein, einen physischen Sensor zu haben, der die Messparameter direkt liefert. Wenn jedoch der physische Sensor versagt, können andere Sensoren oder der virtuelle Backup-Sensor genug Information liefern, um den Betrieb der Maschine 100 fortzusetzen, ohne dass der physische Sensor ersetzt wird, und zwar aufgrund des Vorliegens eines bestimmen Ausmaßes an Beziehungen.
Weiter kann, mit Bezug auf die dritte Sensorgruppe, der Prozessor 202 einen virtuellen Sensor für den Sensor S₁ auswählen, da die meiste oder gesamte Information, die von dem Sensor S₁ vorgesehen wird, von anderen korrelierten Sensoren (z. B. S₂, S₃ und S_n und so weiter) erhalten werden kann aufgrund des signifikanten Ausmaßes an Beziehungen.
Der Prozessor 202 kann virtuelle Sensoren (z. B. das virtuelle Sensorsystem 130 usw.) für die verschiedenen Sensorgruppen verwenden. Der Prozessor 202 kann das virtuelle Sensorsystem 130 als Backup-Sensoren oder als Ersatzsensoren verwenden. Das virtuelle Sensorsystem 130 kann ein Prozessmodell aufweisen, um Werte von bestimmen Abfühlparametern an das Motorsteuermodul 120 zu liefern. 4 zeigt ein logisches Blockdiagramm eines beispielhaften virtuellen Sensorsystems 130.
Wie in 4 gezeigt, kann ein Prozessmodell 404 für virtuelle Sensoren ermittelt werden, um Zwischenbeziehungen zwischen Eingabeparametern 402 (z. B. gemessenen Parametern) und Ausgabeparametern 406 (z. B. Abfühlparametern) aufzubauen. Nachdem das Prozessmodell 404 für virtuelle Sensoren ermittelt ist, können Werte von Eingabeparametern 402 an das Prozessmodell 404 für virtuelle Sensoren geliefert werden, um Werte von Ausgabeparametern 406 zu erzeugen, und zwar basierend auf den gegebenen Werten der Eingabeparameter 402 und den Zwischenbeziehungen zwischen den Eingabeparametern 402 und den Ausgabeparametern 406, die durch das Prozessmodell 404 für virtuelle Sensoren ermittelt wurden.
In bestimmten Ausführungsbeispielen kann das virtuelle Sensorsystem 130 einen virtuellen NO_x-Sensor aufweisen, um NO_x-Pegel zu liefern, die von dem (nicht gezeigten) Abgassystem der Maschine 100 emittiert werden. Eingabeparameter 402 können jegliche geeignete Art von Daten aufweisen, die mit NO_x-Emissionspegeln assoziiert sind. Zum Beispiel können die Eingabeparameter 402 Parameter aufweisen, die Betriebsvorgänge von verschiedenen Ansprechcharakteristiken des Motors 110 steuern und/oder Parameter, die mit Zuständen assoziiert sind, die den Betriebsvorgängen des Motors 110 entsprechen.
Zum Beispiel können die Eingabeparameter 402 Folgendes aufweisen: Brennstoffeinspritzungszeitsteuerung, Kompressionsverhältnisse, Turboladereffizienz, Nachkühlercharakteristiken, Temperaturwerte (z. B. die Einlasssammelleitungstemperatur), Druckwerte (z. B. den Einlasssammelleitungsdruck), Umgebungsbedingungen (z. B. die Umgebungsluftfeuchtigkeit), Brennstoffraten und Motordrehzahlen und so weiter. Andere Parameter können jedoch ebenfalls enthalten sein. Zum Beispiel Parameter, die von anderen Fahrzeugsystemen stammen, wie beispielsweise der ausgewählte Getriebegang, die Achsübersetzung, die Höhe und/oder die Neigung des Fahrzeugs und so weiter, können ebenfalls enthalten sein. Weiter können die Eingabeparameter 402 von bestimmen physischen Sensoren gemessen werden, wie beispielsweise dem physischen Sensor 142, oder können durch andere Steuersysteme, wie beispielsweise das Motorsteuermodul 120 erzeugt werden. Das virtuelle Sensorsystem 130 kann Werte der Eingabeparameter 402 über einen Eingang 410 erhalten, der an die Datenverbindung 150 gekoppelt ist.
Auf der anderen Seite können Ausgabeparameter 406 Abfühlparametern entsprechen. Zum Beispiel können Ausgabeparameter 406 eines virtuellen NO_x-Sensors NO_x-Emissionspegel und/oder andere Arten von Ausgabeparametern aufweisen, die von der virtuelle NO_x-Abfühlanwendung verwendet werden. Ausgabeparameter 406 (z. B. der NO_x-Emissionspegel) können an das Motorsteuermodul 120 gesendet werden, und zwar über den Ausgang 420, der an die Datenverbindung 150 gekoppelt ist.
Das Prozessmodell 404 für virtuelle Sensoren kann jegliche geeignete Art von mathematischem oder physischem Modell aufweisen, das Zwischenbeziehungen zwischen Eingabeparametern 402 und Ausgabeparametern 406 anzeigt. Zum Beispiel kann das Prozessmodell 404 für virtuelle Sensoren ein mathematisches Modell basierend auf einem neuronalen Netzwerk sein, das trainiert wird, um die Zwischenbeziehungen zwischen den Eingabeparametern 402 und den Ausgabeparametern 406 zu erfassen. Andere Arten mathematischer Modelle, wie Fuzzy-Logic-Modelle, Linearsystemmodelle und/oder Nicht-Linearsystemmodelle und so weiter können ebenfalls verwendet werden. Das Prozessmodell 404 für virtuelle Sensoren kann unter Verwendung von Datenaufzeichnungen, die von einer bestimmen Motoranwendung gesammelt wurden, für die das Prozessmodell 404 für virtuelle Sensoren ermittelt wurde, trainiert und validiert werden. Das heißt, das Prozessmodell 404 für virtuelle Sensoren kann gemäß gewisser Regeln ermittelt werden entsprechend einer bestimmten Art von Modell unter Verwendung von Datenaufzeichnungen, und die Zwischenbeziehungen des Prozessmodells 404 für virtuelle Sensoren können durch Verwenden eines Teils der Datenaufzeichnungen verifiziert werden.
Nachdem das Prozessmodell 404 für virtuelle Sensoren trainiert und validiert wurde, kann das Prozessmodell 404 für virtuelle Sensoren optimiert werden, um einen erwünschten Eingabebereich der Eingabeparameter 402 und/oder eine erwünschte Verteilung der Ausgabeparameter 406 zu definieren. Das validierte und optimierte Prozessmodell 404 für virtuelle Sensoren kann verwendet werden, um entsprechende Werte der Ausgabeparameter 406 zu erzeugen, wenn es mit einem Satz von Werten der Eingabeparameter 102 beliefert wird. In dem obigen Beispiel kann das Prozessmodell 404 für virtuelle Sensoren verwendet werden, um NO_x-Emissionspegel basierend auf den gemessenen Parametern zu erzeugen, wie beispielsweise der Umgebungsluftfeuchtigkeit, dem Einlasssammelleitungsdruck, der Einlasssammelleitungstemperatur, der Brennstoffrate und der Motordrehzahl und so weiter.
Mit Bezug auf 2 können die Ermittlung und der Betrieb des Prozessmodells 404 für virtuelle Sensoren durch den Prozessor 202 ausgeführt werden, und zwar basierend auf Computerprogrammen, die auf dem virtuellen Sensorsystem 130 gespeichert sind oder darauf geladen werden. Alternativ kann das Ermitteln des Prozessmodells 404 für virtuelle Sensoren durch andere Computersysteme realisiert werden, wie beispielsweise das Motorsteuermodul 120 oder einen separaten Allzweckcomputer, der konfiguriert ist, um Prozessmodelle zu erzeugen. Das erzeugte Prozessmodell kann dann für den Betrieb auf das virtuelle Sensorsystem 130 geladen werden.
Der Prozessor 202 kann eine Erzeugung eines Prozessmodells für virtuelle Sensoren und einen Optimierungsprozess durchführen, um das Prozessmodell 404 für virtuelle Sensoren zu erzeugen und zu optimieren. 5 zeigt einen beispielhaf ten Modellerzeugungs- und Optimierungsprozess, der von Prozessor 202 durchgeführt wird.
Wie in 5 gezeigt, kann der Prozessor 202, zu Beginn des Modellerzeugungs- und -Optimierungsprozesses, Datenaufzeichnungen erhalten, die mit den Eingabeparametern 402 und den Ausgabeparametern 406 assoziiert sind (Schritt 502). Die Datenaufzeichnungen können Information aufweisen, die die Motorbetriebsvorgänge und Emissionspegel, einschließlich NO_x-Emissionspegeln, charakterisiert. Der physische Sensor 140, wie beispielsweise der physische NO_x-Emissionssensor, kann vorgesehen sein, um Datenaufzeichnungen zu den Ausgabeparametern 406 (z. B. Abfühlparametern wie beispielsweise NO_x-Pegel) zu erzeugen. Das Motorsteuermodul 120 und/oder der physische Sensor 142 können Datenaufzeichnungen zu den Eingabeparametern 402 (z. B. gemessene Parameter wie beispielsweise Einlasssammelleitungstemperatur, Einlasssammelleitungsdruck, Umgebungsluftfeuchtigkeit, Brennstoffraten und Motordrehzahlen und so weiter) liefern. Weiter können die Datenaufzeichnungen sowohl Eingabeparameter als auch Ausgabeparameter aufweisen und können basierend auf verschiedenen Motoren oder basierend auf einem einzelnen Testmotor unter verschiedenen vorbestimmten Betriebsbedingungen gesammelt werden.
Die Datenaufzeichnungen können auch aus Experimenten gesammelt werden, die für das Sammeln solcher Daten ausgelegt sind. Alternativ können die Datenaufzeichnungen künstlich durch andere verwandte Prozesse erzeugt werden, wie beispielsweise andere Emissionsmodellierung, Simulation oder Analyseprozesse. Die Datenaufzeichnungen können auch Trainingsdaten aufweisen, die verwendet werden, um das Prozessmodell 404 für virtuelle Sensoren zu erstellen und Testdaten, die verwendet werden, um das Prozessmodell 404 für virtuelle Sensoren zu validieren. Zusätzlich können die Datenaufzeichnungen auch Simulationsdaten aufweisen, die verwendet werden, um das Prozessmodel 404 für virtuelle Sensoren zu beobachten und zu optimieren.
Die Datenaufzeichnungen können Charakteristika der Eingabeparameter 102 und der Ausgabeparameter 106 reflektieren, wie die statistischen Verteilungen, Nor malbereiche und/oder Präzisionstoleranzen und so weiter. Sobald die Datenaufzeichnungen erfasst sind (Schritt 502), kann der Prozessor 202 die Datenaufzeichnungen vorverarbeiten, um die Datenaufzeichnungen von offensichtlichen Fehlern zu bereinigen und um Redundanzen zu eliminieren (Schritt 504). Der Prozessor 202 kann annähernd identische Datenaufzeichnungen entfernen und/oder kann Datenaufzeichnungen entfernen, die außerhalb eines annehmbaren Bereichs liegen, um für die Modellerzeugung und -Optimierung von Bedeutung zu sein. Nachdem die Datenaufzeichnungen vorverarbeitet wurden, kann der Prozessor 202 die richtigen Eingabeparameter durch Analysieren der Datenaufzeichnungen (Schritt 506) auswählen.
Die Datenaufzeichnungen können mit vielen Eingabevariablen assoziiert sein, wie beispielsweise Variablen, die der Brennstoffeinspritzzeitsteuerung, den Kompressionsverhältnissen, der Turboladereffizienz, den Nachkühlercharakteristiken, zahlreichen Temperaturparametern, zahlreichen Druckparametern, zahlreichen Umgebungsbedingungen, Brennstoffraten und Motordrehzahlen und so weiter entsprechen. Die Anzahl der Eingabevariablen kann größer sein als die Anzahl eines bestimmen Satzes von Eingabeparametern 102, der für das Prozessmodell 404 für virtuelle Sensoren verwendet wird. Das heißt, die Eingabeparameter 102 können ein Untersatz der Eingabevariablen sein. Zum Beispiel kann der Eingabeparameter 402 die Einlasssammelleitungstemperatur, den Einlasssammelleitungsdruck, die Umgebungsluftfeuchtigkeit, die Brennstoffrate und die Motordrehzahl und so weiter aus den Eingabevariablen aufweisen.
Eine große Anzahl von Eingabevariablen kann signifikant die Berechnungszeit während der Erzeugung und Berechnungen des mathematischen Modells erhöhen. Die Anzahl der Eingabevariablen muss möglicherweise reduziert werden, um mathematische Modelle innerhalb praktikabler Berechnungszeitgrenzen zu erzeugen. Zudem kann in gewissen Situationen die Anzahl der Eingabevariablen in den Datenaufzeichnungen die Anzahl der Datenaufzeichnungen übersteigen und zu spärlichen Datenszenarien führen. Einige der zusätzlichen Eingabevariablen müssen möglicherweise in bestimmten mathematischen Modellen ausgelassen wer den, damit praktikable mathematische Modelle basierend auf der reduzierten Anzahl von Variablen erzeugt werden können.
Der Prozessor 202 kann Eingabeparameter 402 aus den Eingabevariablen gemäß vorbestimmten Kriterien auswählen. Zum Beispiel kann der Prozessor 202 Eingabeparameter 402 mittels Experimentieren und/oder Expertenmeinungen auswählen. Alternativ kann in bestimmten Ausführungsbeispielen der Prozessor 202 Eingabeparameter basierend auf einer Mahalanobis-Distanz zwischen einem normalen Datensatz und einem anormalen Datensatz der Datenaufzeichnungen auswählen. Der normale Datensatz und der anormale Datensatz können vom Prozessor 202 unter Verwendung irgendeines geeigneten Verfahrens definiert werden. Zum Beispiel kann der normale Datensatz charakteristische Daten aufweisen, die mit den Eingabeparametern 402 assoziiert sind, die die erwünschten Ausgabeparameter erzeugen. Auf der andere Seite kann der anormale Datensatz charakteristische Daten aufweisen, die außerhalb der Toleranz liegen oder die vermieden werden müssen. Der normale Datensatz und der anormale Datensatz können vom Prozessor 202 vordefiniert sein.
Die Mahalanobis-Distanz kann sich auf eine mathematische Darstellung beziehen, die verwendet werden kann, um Datenprofile basierend auf Korrelationen der Parameter in dem Datensatz zu messen. Die Mahalanobis-Distanz unterscheidet sich von der euklidischen Distanz dahingehend, dass die Mahalanobis-Distanz die Korrelationen des Datensatzes berücksichtigt.
Die Mahalanobis-Distanz eines Datensatzes X (z. B. eines multivariaten Vektors) kann dargestellt werden als: MDi = (Xi – μx)Σ–1(Xi – μx)' (1)wobei μ_x der Mittelwert von X ist und Σ^–1 eine inverse Varianz-Covarianz-Matrix von X ist. MD_i gewichtet die Distanz eines Datenpunktes X₁ von seinem Mittelwert μ_x, so dass Beobachtungen, die sich auf der gleichen multivariaten Normaldichte kontur befinden, die gleiche Distanz haben werden. Solche Beobachtungen können verwendet werden, um korrelierte Parameter aus separaten Datengruppen, die unterschiedliche Varianzen haben, zu identifizieren und auszuwählen.
Der Prozessor 202 kann den Eingabeparameter 402 als einen erwünschten Untersatz der Eingabevariablen auswählen, so dass die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem anormalen Datensatz maximiert oder optimiert wird. Ein genetischer Algorithmus kann vom Prozessor 202 verwendet werden, um Eingabevariablen für den erwünschten Untersatz zu suchen, und zwar um die Mahalanobis-Distanz zu maximieren. Der Prozessor 202 kann einen vorgeschlagenen bzw. Kandidatenuntersatz der Eingabevariablen basierend auf vorbestimmten Kriterien auswählen und kann eine Mahalanobis-Distanz MD_normal des normalen Datensatzes und eine Mahalanobis-Distanz MD_anormal des anormalen Datensatzes berechnen. Der Prozessor 202 kann auch die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem anormalen Datensatz (d. h. die Abweichung der Mahalanobis-Distanz MD_x = MD_normal – MD_anormal) berechnen. Es können jedoch auch andere Arten von Abweichungen verwendet werden.
Der Prozessor 202 kann den Kandidatenuntersatz der Eingabevariablen auswählen, wenn der genetische Algorithmus konvergiert (d. h. der genetische Algorithmus findet die maximierte oder optimierte Mahalanobis-Distanz zwischen dem normalen Datensatz und dem anormalen Datensatz entsprechend dem Kandidatenuntersatz). Wenn der genetische Algorithmus nicht konvergiert, kann ein unterschiedlicher Kandidatenuntersatz der Eingabevariablen für weiteres Suchen erzeugt werden. Dieser Suchprozess kann fortgesetzt werden, bis der genetische Algorithmus konvergiert und ein erwünschter Untersatz der Eingabevariablen (z. B. Eingangsparameter 402) wird ausgewählt.
Optional kann die Mahalanobis-Distanz auch verwendet werden, um die Anzahl von Datenaufzeichnungen zu reduzieren, und zwar durch Auswählen eines Teils der Datenaufzeichnungen, die eine erwünschte Mahalanobis-Distanz erreichen, wie oben beschrieben ist.
Nach dem Auswählen der Eingabeparameter 402 (z. B. der Einlasssammelleitungstemperatur, des Einlasssammelleitungsdrucks, der Umgebungsluftfeuchtigkeit, der Brennstoffrate und einer Motordrehzahl und so weiter) kann der Prozessor 202 das Prozessmodell 404 für virtuelle Sensoren erzeugen, um Zwischenbeziehungen zwischen den Eingabeparametern 402 und den Ausgabeparametern 406 aufzubauen (Schritt 508). In gewissen Ausführungsbeispielen kann das Prozessmodell 404 für virtuelle Sensoren einem Berechnungsmodell entsprechen, wie beispielsweise einem Berechnungsmodell, das auf jeglicher geeigneten Art eines neuronalen Netzwerks aufgebaut ist. Die Art des Berechnungsmodells des neuronalen Netzwerks, das verwendet werden kann, kann Backpropagation, Feed-Forward-Modelle, kaskadierte bzw. stufenförmige neuronale Netzwerke und/oder hybride neuronale Netzwerke und so weiter aufweisen. Bestimmte Arten oder Strukturen des verwendeten neuronalen Netzwerks können von bestimmten Anwendungen abhängen. Andere Arten von Berechnungsmodellen, wie Linearsystemmodelle oder Nicht-Linearmodelle und so weiter können ebenfalls verwendet werden.
Das Berechnungsmodell des neuronalen Netzwerks (d. h. das Prozessmodell 404 für virtuelle Sensoren) kann unter Verwendung von ausgewählten Datenaufzeichnungen trainiert werden. Zum Beispiel kann das Berechnungsmodell des neuronalen Netzwerks eine Beziehung zwischen den Ausgabeparametern 406 (z. B. dem NO_x-Emissionspegel usw.) und den Eingabeparametern 402 (z. B. der Einlasssammelleitungstemperatur, dem Einlasssammelleitungsdruck, der Umgebungsluftfeuchtigkeit, der Brennstoffrate und der Motordrehzahl und so weiter) aufweisen. Das Berechnungsmodell des neuronalen Netzwerks kann durch vorbestimmte Kriterien evaluiert werden, um zu bestimmen, ob das Training abgeschlossen ist. Die Kriterien können erwünschte Bereiche von Genauigkeit, Zeit und/oder der Anzahl der Trainingswiederholungen und so weiter aufweisen.
Nachdem das neuronale Netzwerk trainiert worden ist (d. h. das Berechnungsmodell ist anfänglich basierend auf den vorbestimmten Kriterien erstellt worden), kann der Prozessor 202 statistisch das Berechnungsmodell validieren (Schritt 510). Die statistische Validierung kann sich auf einen Analyseprozess beziehen, um die Ausgaben des Berechnungsmodells des neuronalen Netzwerks mit tatsächlichen oder erwarteten Ausgaben zu vergleichen, um die Genauigkeit des Berechnungsmodells zu bestimmen. Ein Teil der Datenaufzeichnungen kann für die Verwendung im Validierungsprozess reserviert sein.
Alternativ kann der Prozessor 202 auch Simulations- oder Validierungsdaten für die Verwendung im Validierungsprozess erzeugen. Dies kann entweder unabhängig von einer Validierungsprobe durchgeführt werden oder in Verbindung mit der Probe. Statistische Verteilungen der Eingaben können aus den Datenaufzeichnungen bestimmt werden, die für die Modellierung verwendet werden. Eine statistische Simulation, wie beispielsweise eine lateinische Hyperkubus-Simulation kann verwendet werden, um hypothetische Eingabedatenaufzeichnungen zu erzeugen. Diese Eingabedatenaufzeichnungen werden von dem Berechnungsmodell verwendet, was zu einer oder mehreren Verteilungen der Ausgabecharakteristiken führt. Diese Verteilungen der Ausgabecharakteristiken aus dem Berechnungsmodell können mit den Verteilungen der Ausgabecharakteristiken, die in der Population beobachtet werden, verglichen werden. Die statistischen Eigenschaftstests können auf den Ausgabeverteilungen des Berechnungsmodells und auf den beobachteten Ausgabeverteilungen durchgeführt werden, um die Integrität des Modells sicherzustellen.
Sobald das Prozessmodell 404 für virtuelle Sensoren trainiert und validiert wurde, kann es verwendet werden, um Werte der Ausgabeparameter 406 vorherzusagen, wenn es mit Werten für die Eingabeparameter 402 beliefert wird. Weiter kann der Prozessor 202 das Prozessmodell 404 für virtuelle Sensoren durch Bestimmen von erwünschten Verteilungen der Eingabeparameter 402 optimieren, und zwar basierend auf den Beziehungen zwischen den Eingabeparametern 402 und den erwünschten Verteilungen der Ausgabeparameter 406 (Schritt 512).
Der Prozessor 202 kann die Beziehungen zwischen den erwünschten Verteilungen der Eingabeparameter 402 und den erwünschten Verteilungen der Ausgabeparameter 406 basierend auf bestimmten Anwendungen analysieren. Zum Bei spiel kann der Prozessor 202 erwünschte Bereiche für die Ausgabeparameter 406 (z. B. den NO_x-Emissionspegel, der erwünscht ist oder der innerhalb eines bestimmten vorbestimmten Bereiches liegt) auswählen. Der Prozessor 202 kann dann eine Simulation des Berechnungsmodells laufen lassen, um eine erwünschte statistische Verteilung für einen individuellen Eingabeparameter (z. B. einen der Folgenden: Einlasssammelleitungstemperatur, Einlasssammelleitungsdruck, Umgebungsluftfeuchtigkeit, Brennstoffrate und Motordrehzahl und so weiter) zu finden. D. h., der Prozessor 202 kann separat eine Verteilung (z. B. einen Mittelwert, eine Standardvarianz und so weiter) des individuellen Eingabeparameters bestimmen, und zwar entsprechend den Normalbereichen des Ausgabeparameters 406. Nach dem Bestimmen der jeweiligen Verteilungen für alle individuellen Eingabeparameter kann der Prozessor 202 die erwünschten Verteilungen für alle individuellen Eingabeparameter kombinieren, um die erwünschten Verteilungen und Charakteristika für die Gesamtheit der Eingabeparameter 402 zu bestimmen.
Alternativ kann der Prozessor 202 die erwünschten Verteilungen der Eingabeparameter 402 simultan identifizieren, um die Wahrscheinlichkeit, erwünschte Ergebnisse zu erhalten, zu maximieren. In bestimmten Ausführungsbeispielen kann der Prozessor 202 simultan die erwünschten Verteilungen der Eingabeparameter 402 basierend auf einer Zeta-Statistik bestimmen. Die Zeta-Statistik kann eine Beziehung zwischen Eingabeparametern, ihren Wertebereichen und erwünschten Ergebnissen anzeigen. Die Zeta-Statistik kann dargestellt werden als
dabei stellt x _i den Mittelwert oder Erwartungswert einer i-ten Eingabe dar; x _j stellt den Mittelwert oder Erwartungswert des j-ten Ergebnisses dar; σ_i stellt die Standardabweichung der i-ten Eingabe dar; σ_j stellt die Standardabweichung des j-ten Ergebnisses dar; und |S_ij| stellt die partielle Ableitung oder die Empfindlichkeit des j-ten Ergebnisses auf die i-te Eingabe dar.
Unter bestimmten Umständen kann x _i kleiner oder gleich Null sein. Ein Wert von 3 σ_i kann zu x _i addiert werden, um eine solche problematische Bedingung zu kor rigieren. Wenn jedoch x _i immer noch Null ist sogar nach dem Addieren des Wertes von 3 σ_i, dann kann der Prozessor 202 bestimmen, dass σ_i auch Null sein kann und dass das Prozessmodell, das optimiert wird, unerwünscht sein kann. In bestimmten Ausführungsbeispielen kann der Prozessor 202 eine minimale Schwelle für σ_i einstellen um eine Zuverlässigkeit der Prozessmodelle sicherzustellen. Unter gewissen anderen Bedingungen kann σ_j gleich Null sein. Der Prozessor 202 kann dann bestimmen, dass das Modell, das optimiert wird, nicht ausreicht, um die Ausgabeparameter innerhalb eines gewissen Unsicherheitsbereichs widerzuspiegeln. Der Prozessor 202 kann ζ eine unendlich große Zahl zuweisen.
Der Prozessor 202 kann eine erwünschte Verteilung der Eingabeparameter 402 identifizieren, so dass die Zeta-Statistik des Berechnungsmodells des neuronalen Netzwerks (d. h. des Prozessmodells 404 für virtuelle Sensoren) maximiert oder optimiert wird. Eine geeignete Art eines genetischen Algorithmus kann vom Prozessor 202 verwenden werden um die erwünschte Verteilung der Eingabeparameter 402 zu suchen, und zwar um die Zeta-Statistik zu maximieren. Der Prozessor 202 kann einen Kandidatensatz von Werten der Eingabeparameter 402 mit vorbestimmten Suchbereichen auswählen und kann eine Simulation des Prozessmodells 404 für virtuelle Sensoren laufen lassen, um die Zeta-Statistikparameter basierend auf den Eingabeparametern 402, den Ausgabeparametern 406 und dem Berechnungsmodell des neuronalen Netzwerks zu berechnen. Der Prozessor 202 kann x _i und σ_i durch Analysieren der Kandidatensatzwerte der Eingabeparameter 402 erhalten, und kann x _i und σ_j durch Analysieren der Ergebnisse der Simulation erhalten. Weiter kann der Prozessor 202 |S_ij| von dem trainierten neuronalen Netzwerk als eine Anzeige des Einflusses der i-ten Eingabe auf das j-te Ergebnis erhalten.
Der Prozessor 202 kann den Kandidatensatz der Eingabeparameter 402 auswählen, wenn der genetische Algorithmus konvergiert (d. h. der genetische Algorithmus findet die maximierte oder optimierte Zeta-Statistik des Prozessmodells 404 entsprechend dem Kandidatensatz der Eingabeparameter 402). Wenn der genetische Algorithmus nicht konvergiert, kann ein anderer Kandidatensatz von Werten der Eingabeparameter 402 vom genetischen Algorithmus für weiteres Suchen erzeugt werden. Dieser Suchprozess kann fortgesetzt werden, bis der genetische Algorithmus konvergiert und ein erwünschter Satz von Eingabeparametern 402 identifiziert wurde. Der Prozessor 202 kann weiter erwünschte Verteilungen (z. B. Mittelwert und Standardabweichungen) der Eingabeparameter 402 basierend auf dem erwünschten Eingabeparametersatz bestimmen. Sobald die erwünschten Verteilungen bestimmt worden sind, kann der Prozessor 202 einen gültigen Eingaberaum definieren, der jegliche Eingabeparameter innerhalb erwünschter Verteilungen aufweist (Schritt 514).
In einem Ausführungsbeispiel können statistische Verteilungen bestimmter Eingabeparameter unmöglich oder unpraktikabel zu steuern sein. Zum Beispiel kann ein Eingabeparameter mit einem physischen Attribut einer Vorrichtung assoziiert sein, wie beispielsweise einem Abmessungsattribut eines Motorteils, oder der Eingabeparameter kann mit einer konstanten Variable innerhalb des Prozessmodells 404 für virtuelle Sensoren selbst assoziiert sein. Diese Eingabeparameter können in den Zeta-Statistik-Berechnungen verwendet werden, um erwünschte Verteilungen für andere Eingabeparameter, die konstanten Werten und/oder statistischen Verteilungen dieser Eingabeparameter entsprechen zu suchen oder zu identifizieren.
Weiter kann optional mehr als ein Prozessmodell für virtuelle Sensoren ermittelt werden. Mehrere ermittelte Prozessmodelle für virtuelle Sensoren können durch Verwenden einer beliebigen geeigneten Art von Simulationsverfahren simuliert werden, wie zum Beispiel die statistische Simulation. Ausgabeparameter 406, die auf einer Simulation dieser mehreren Prozessmodelle für virtuelle Sensoren basieren können verglichen werden, um ein am besten passendes Prozessmodell für virtuelle Sensoren basierend auf vorbestimmten Kriterien auszuwählen, wie zum Beispiel der kleinesten Varianz mit Ausgaben von den entsprechenden physischen Sensoren und so weiter. Das ausgewählte am besten passende Prozessmodell 404 für virtuelle Sensoren kann in Anwendungen von virtuellen Sensoren eingesetzt werden.
Nun wieder mit Bezug auf 1 können, nachdem das Prozessmodell 404 für virtuelle Sensoren trainiert, validiert, optimiert und/oder ausgewählt wurde, das Motorsteuermodul 120 und das virtuelle Sensorsystem 130 Steuerfunktionen für relevante Komponenten der Maschine 100 vorsehen. Zum Beispiel kann das Motorsteuermodul 120 den Motor 110 gemäß dem NO_x-Emissionspegel steuern, der durch das virtuelle Sensorsystem 130, und insbesondere durch das Prozessmodell 404 für virtuelle Sensoren vorgesehen wird.
In bestimmten Ausführungsbeispielen kann das virtuelle Sensorsystem 130 verwendet werden, um entsprechende physische Sensoren zu ersetzen. Zum Beispiel kann das virtuelle Sensorsystem 130 einen oder mehrere NO_x-Emissionssensoren ersetzen, die vom Motorsteuermodul 120 verwendet werden. Das Motorsteuermodul 120 kann basierend auf dem virtuellen Sensorsystem 130 einen Steuerungsprozess ausführen. 6 zeigt einen beispielhaften Steuerprozess, der vom Motorsteuermodul 120 ausgeführt wird.
Wie in 6 gezeigt, kann das Motorsteuermodul 120 die physischen Sensoren 140 und/oder 142 und den Motor 110 steuern, um die relevanten Parameter zu messen, wie zum Beispiel die Einlasssammelleitungstemperatur, den Einlasssammelleitungsdruck, die Umgebungsluftfeuchtigkeit, die Brennstoffrate und die Motordrehzahl und so weiter (Schritt 602). Nachdem die Einlasssammelleitungstemperatur, der Einlasssammelleitungsdruck, die Umgebungsluftfeuchtigkeit, die Brennstoffrate und die Motordrehzahl zum Beispiel durch entsprechende korrelierte physische Sensoren 142 gemessen wurden, kann das Motorsteuermodul 120 diese gemessenen Parameter an das virtuelle Sensorsystem 130 liefern (Schritt 604). Das Motorsteuermodul 120 kann die gemessenen Parameter auf der Datenverbindung 150 liefern, so dass das virtuelle Sensorsystem 130 die gemessenen Parameter von der Datenverbindung 150 erhalten kann. Alternativ kann das virtuelle Sensorsystem 130 diese gemessenen Parameter von der Datenverbindung 150 lesen oder direkt von anderen physischen Sensoren oder Vorrichtungen.
Wie oben beschrieben weist das virtuelle Sensorsystem 130 das Prozessmodell 404 für virtuelle Sensoren auf. Das virtuelle Sensorsystem 130 kann die gemes senen Parameter (z. B. die Einlasssammelleitungstemperatur, den Einlasssammelleitungsdruck, die Umgebungsluftfeuchtigkeit, die Brennstoffrate und die Motordrehzahl und so weiter) an das Prozessmodell 404 für virtuelle Sensoren als Eingabeparameter 402 liefern. Das Prozessmodell 404 für virtuelle Sensoren kann dann die Ausgabeparameter 406, wie beispielsweise den NO_x-Emissionspegel, vorsehen.
Das Motorsteuermodul 120 kann Ausgabeparameter 406 (z. B. den NO_x-Emissionspegel) vom virtuellen Sensorsystem 130 über die Datenverbindung 150 erhalten (Schritt 606). In bestimmten Situationen kann das Motorsteuermodul 120 im Unklaren über die Quelle der Ausgabeparameter 106 sein. Das heißt, das Motorsteuermodul 120 kann im Unklaren darüber sein, ob die Ausgabeparameter 406 von dem virtuellen Sensorsystem 130 stammen oder von physischen Sensoren. Zum Beispiel kann das Motorsteuermodul 120 den NO_x-Emissionspegel von der Datenverbindung 150 erhalten, ohne die Quelle solcher Daten wahrzunehmen. Nachdem das Motorsteuermodul 120 den NO_x-Emissionspegel vom virtuellen Sensorsystem 130 erhalten hat (Schritt 606), kann das Motorsteuermodul 120 den Motor 110 steuern und/oder andere Komponenten der Maschine 100, und zwar basierend auf dem NO_x-Emissionspegel (Schritt 608). Zum Beispiel kann das Motorsteuermodul 120 bestimmte emissionsverbessernde oder -minimierende Prozesse ausführen.
In bestimmten Ausführungsbeispielen kann die Maschine 100 verwendet werden, um eine andere Maschine 100 nachzurüsten. Der Ausdruck ”nachrüsten”, wie er hierin verwendet wird, kann sich auf das Ausstatten einer zuvor hergestellten Maschine 100 mit einem virtuellen Sensorsystem 130 beziehen, um eine neue Funktionalität oder ein neues Merkmal der zuvor hergestellten Maschine 100 vorzusehen, und zwar ohne eine Hardware-Vorrichtung, wie einen physischen Sensor, die benötigt wird, um die neue Funktionalität oder das neue Merkmal zu unterstützen. Zum Beispiel kann einer zuvor hergestellten Maschine 100 ein physischer Anti-Blockier-Sensor fehlen, um eine Anti-Blockier-Funktionalität basierend auf dem physischen Anti-Blockier-Sensor vorzusehen. Das Computersystem 200 kann einen Nachrüstprozess durchführen, um die neue Funktionalität für die Maschine 100 basierend auf einem virtuellen Sensorsystem 130 vorzusehen. 7 zeigt einen beispielhaften Nachrüstprozess, der vom Computersystem 200, oder insbesondere vom Prozessor 202 durchgeführt wird.
Der Prozessor 202 kann die Datenaufzeichnungen der physischen Sensoren erhalten (Schritt 702). Zum Beispiel kann der Prozessor 202 Datenaufzeichnungen aus einer aktuellen Maschine 100 erhalten, die die physischen Sensoren aufweist, einschließlich des erforderlichen physischen Anti-Blockier-Sensors. Weiter kann der Prozessor 202 eine Korrelation zwischen dem physischen Anti-Blockier-Sensor und zu anderen physischen Sensoren der Maschine 100 berechnen (Schritt 704).
Weiter kann der Prozessor 202 physische Sensoren auswählen, die mit dem physischen Anti-Blockier-Sensor korreliert sind, und zwar basierend auf den Korrelationswerten (Schritt 706). Zum Beispiel kann der Prozessor 202 jeglichen physischen Sensor mit einem Korrelationswert, der jenseits einer vorbestimmten Schwelle liegt, als einen korrelierten physischen Sensor auswählen (z. B. 0,6 und so weiter). Andere Auswahlverfahren können ebenfalls verwendet werden.
Nach dem Auswählen der korrelierten physischen Sensoren (Schritt 706) kann der Prozessor 202 einen virtuellen Sensor erzeugen, und zwar basierend auf den korrelierten physischen Sensoren (Schritt 708), Zum Beispiel kann der Prozessor 202 ein virtuelles Sensorsystem 130 als einen virtuellen Anti-Blockier-Sensor erzeugen, und zwar basierend auf den Datenaufzeichnungen der korrelierten physischen Sensoren, um Anti-Blockier-Sensor-Ausgabeparameter oder Parameter entsprechend dem oben mit Bezug zu 5 beschriebenen Prozess vorzusehen. In gewissen Ausführungsbeispielen kann der Prozessor 202 Ausgaben oder Auslesungen von korrelierten physischen Sensoren als Eingabeparameter an das Prozessmodell 404 für virtuelle Sensoren aufweisen, und kann Ausgaben oder Auslesungen vom physischen Anti-Blockier-Sensor als Ausgabeparameter des Prozessmodells 404 für virtuelle Sensoren aufweisen, wenn das virtuelle Sensorsystem 130 erzeugt wird. Da die Information, die vom physischen Anti-Blockier-Sensor vorgesehen wird durch die korrelierten physischen Sensoren vorgesehen werden kann, kann eine erwünschte Präzision vom virtuellen Sensorsystem 130 erreicht werden, das basierend auf den korrelierten physischen Sensoren erzeugt wurde.
Der Prozessor 202 kann die Maschine 100 mit dem virtuellen Sensorsystem 130 nachrüsten (Schritt 710). Der Prozessor 202 oder das Motorsteuermodul 120 können Computerprogramme ausführen, die das virtuelle Sensorsystem 130 implementieren, um eine Anti-Blockier-Abfühlfunktionalität für eine zuvor hergestellte Maschine 100 vorzusehen, ohne dass sie mit einem physischen Anti-Blockier-Sensor ausgestattet wird, und zwar gemäß dem mit Bezug auf 6 oben beschriebenen beispielhaften Prozess.
In bestimmten anderen Ausführungsbeispielen kann das virtuelle Sensorsystem 130 in Kombination mit physischen Sensoren verwendet werden oder als Backup bzw. Reserve für physische Sensoren. Zum Beispiel kann das virtuelle Sensorsystem 130 verwendet werden, wenn einer oder mehrere physische NO_x-Emissionssensoren versagt haben. Das Motorsteuermodul 120 kann einen Steuerprozess basierend auf dem virtuellen Sensorsystem 120 und auf entsprechenden physischen Sensoren durchführen. 8 zeigt einen weiteren beispielhaften Steuerprozess, der vom Motorsteuermodul 120 durchgeführt wird.
Wie in 8 gezeigt, kann das Motorsteuermodul 120 die physischen Sensoren 140 und/oder 142 und den Motor 110 steuern und/oder unterstützen, um die relevanten Parameter zu messen, wie beispielsweise die Einlasssammelleitungstemperatur, den Einlasssammelleitungsdruck, die Umgebungsluftfeuchtigkeit, die Brennstoffrate und die Motordrehzahl und so weiter (Schritt 802). Das Motorsteuermodul 120 kann diese gemessenen Parameter auch an das virtuelle Sensorsystem 130 liefern (Schritt 804). Das virtuelle Sensorsystem 130, insbesondere das Prozessmodell 404 für virtuelle Sensoren kann dann die Ausgabeparameter 406, wie beispielsweise den NO_x-Emissionspegel, vorsehen.
Weiter kann das Motorsteuermodul 120 Ausgabeparameter (z. B. den NO_xEmissionspegel) vom virtuellen Sensorsystem 130 über die Datenverbindung 150 erhalten (Schritt 806). Zusätzlich und/oder gleichzeitig kann das Motorsteuermodul 120 auch den NO_x-Emissionspegel von einem oder mehreren physischen Sensoren erhalten, wie beispielsweise dem physischen Sensor 142 (Schritt 808). Das Motorsteuermodul 120 kann den Betriebsstatus des physischen Sensors überprüfen (Schritt 810). Das Motorsteuermodul 120 kann bestimmte Logikvorrichtungen aufweisen, um zu bestimmen, ob die physischen Sensoren versagt haben. Wenn die physischen Sensoren versagt haben (Schritt 810; ja), kann das Motorsteuermodul 120 den NO_x-Emissionspegel vom virtuellen Sensorsystem 130 erhalten und kann den Motor 110 und/oder andere Komponenten der Maschine 100 basierend auf dem NO_x-Emissionspegel vom virtuellen Sensorsystem 130 steuern (Schritt 812).
Auf der anderen Seite kann, wenn die physischen Sensoren nicht versagt haben (Schritt 810; nein), das Motorsteuermodul 120 den NO_x-Emissionpegel von den physischen Sensoren verwenden, um den Motor 110 und/oder andere Komponenten der Maschine 100 zu steuern (Schritt 814).
Alternativ kann das Motorsteuermodul 120 NO_x-Emissionspegel vom virtuellen Sensorsystem 130 und den physischen Sensoren erhalten um zu bestimmen, ob es irgendeine Abweichung zwischen den NO_x-Emissionspegeln gibt. Wenn die Abweichung jenseits einer vorbestimmten Schwelle liegt, kann das Motorsteuermodul 120 ein Versagen erklären und kann zum virtuellen Sensorsystem 130 umschalten oder kann einen voreingestellten Wert verwenden, der weder vom virtuellen Sensorsystem 130 noch von den physischen Sensoren stammt.
Zudem kann das Motorsteuermodul 120 auch Messparameter ermitteln, die in den physischen Sensoren 140 und 142 nicht verfügbar sind. Zum Beispiel kann das virtuelle Sensorsystem 130 ein Prozessmodell aufweisen, das die Zwischenbeziehungen zwischen der Sauerstoffdichte in einem bestimmten geographischen Gebiet (z. B. im Staat Colorado und so weiter) und weltraumbasierten Satelliten und Wetterdaten anzeigt. Das heißt, das virtuelle Sensorsystem 130 kann das Motorsteuermodul 120 mit Messparametern versorgen, wie beispielsweise der Sauerstoffdichte, die ansonsten auf physischen Sensoren nicht verfügbar wären.
Industrielle Anwendbarkeit
Die offenbarten Systeme und Verfahren können effiziente und genaue Prozessmodelle für virtuelle Sensoren in wesentlich geringerer Zeit vorsehen als andere virtuelle Abfühltechniken. Solche Technologien können in einer großen Bandbreite von virtuellen Sensoren verwendet werden, wie beispielsweise in Sensoren für Motoren, Strukturen, Umgebungen und Materialien und so weiter. Insbesondere sehen die offenbarten Systeme und Verfahren dann praktische Lösungen vor, wenn Prozessmodelle aufgrund der Komplexität und Beschränkungen von Berechnungen unter Verwendung anderer Techniken schwer zu ermitteln sind. Wenn Eingabeparameter im Wesentlichen gleichzeitig optimiert werden, um Ausgabeparameter abzuleiten, kann die Berechnung minimiert werden. Die offenbarten Systeme und Verfahren können in Kombination mit anderen Prozessmodellierungstechniken verwendet werden, um die Geschwindigkeit, Praktikabilität und/oder Flexibilität signifikant zu steigern.
Die offenbarten Systeme und Verfahren können effiziente Verfahren vorsehen, um Bauarten und Qualitäten von Sensoren in einem Produkt zu bestimmen. Durch Auswählen geeigneter Bauarten von Sensoren und geeigneter Qualitäten von Sensoren können die Produktkosten verringert werden und kann die Produktqualität erhöht werden. Weiter kann eine Kombination von physischen Sensoren und virtuellen Sensoren eingeführt werden, um weiter die Produktqualität und -zuverlässigkeit zu verbessern.
Die offenbarten Systeme und Verfahren können auch flexible Lösungen vorsehen. Das offenbarte virtuelle Sensorsystem kann austauschbar mit einem korrespondierenden physischen Sensor verwendet werden. Durch Verwenden einer gemeinsamen Datenverbindung für sowohl den virtuellen Sensor als auch den physischen Sensor kann das virtuelle Sensormodell des virtuellen Sensorsystems vom gleichen physischen Sensor trainiert werden, den das virtuelle Sensorsystem ersetzt. Steuersysteme können basierend auf entweder dem virtuellen Sensorsys tem oder dem physischen Sensorsystem arbeiten ohne zu differenzieren, welches die Datenquelle ist.
Die offenbarten virtuellen Sensorsysteme können verwendet werden, um den physischen Sensor zu ersetzen und können separat und unabhängig von den physischen Sensoren betrieben werden. Das offenbarte virtuelle Sensorsystem kann auch verwendet werden, um eine Reserve für die physischen Sensoren zu bilden. Darüber hinaus kann das virtuelle Sensorsystem Parameter vorsehen, die von einem einzelnen physischen Sensor nicht verfügbar sind, wie beispielsweise Daten von außerhalb der Abfühlumgebung.
Weiter können die offenbarten virtuellen Sensorsysteme verwendet werden, um eine Maschine mit neuen Funktionalitäten nachzurüsten, ohne neue Hardwarevorrichtungen zu installieren oder auszutauschen, wobei solche neuen Funktionalitäten normalerweise notwendig machen, dass neue Hardwarevorrichtungen, wie beispielsweise physische Sensoren, installiert werden.
Die offenbarten Systeme und Verfahren können auch von Maschinenherstellern verwendet werden, um die Kosten zu reduzieren und die Zuverlässigkeit zu erhöhen indem teure oder versagensanfällige physische Sensoren ersetzt werden. Die Zuverlässigkeit und Flexibilität können ebenfalls durch das Hinzufügen von Backup-Abfühlressourcen über das offenbarte virtuelle Sensorsystem verbessert werden. Die offenbarten Techniken für virtuelle Sensoren können verwendet werden, um eine weite Bandbreite an Parametern in Komponenten wie Emissionen, Motor, Getriebe, Navigation und/oder Steuerung vorzusehen. Weiter können Teile des offenbarten Systems oder Schritte des offenbarten Verfahrens von Computersystem-Providern verwendet werden, um andere Prozessmodelle zu unterstützen oder zu integrieren.
Andere Ausführungsbeispiele, Merkmale, Aspekte und Prinzipien der offenbarten beispielhaften Systeme werden dem Fachmann offensichtlich sein und können in verschiedenen Umgebungen und Systemen umgesetzt werden.
Zusammenfassung
SYSTEM UND VERFAHREN FÜR VIRTUELLE SENSOREN
Ein Verfahren wird vorgesehen zum Vorsehen von Sensoren für eine Maschine. Das Verfahren kann das Ermitteln von Datenaufzeichnungen aufweisen, die Daten von einer Vielzahl von Sensoren für die Maschine aufweisen und das Bestimmen eines virtuellen Sensors entsprechend einem der Vielzahl von Sensoren. Das Verfahren kann auch das Bilden eines Prozessmodells für virtuelle Sensoren für den virtuellen Sensors aufweisen, das die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter und einer Vielzahl von gemessenen Parametern basierend auf den Datenaufzeichnungen anzeigt, und das Ermitteln eines Satzes von Werten entsprechend der Vielzahl von gemessenen Parametern. Weiter kann das Verfahren das im Wesentlichen gleichzeitige Berechnen der Werte des mindestens einen Abfühlparameters basierend auf dem Satz von Werten entsprechend der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Prozessoren aufweisen, und das Liefern der Werte des mindestens einen Abfühlparameters an das Steuersystem.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

- US 5386373 [0003]

Claims

Verfahren, das Sensoren (130) für eine Maschine (100) vorsieht, das Folgendes aufweist: Ermitteln von Datenaufzeichnungen, die Daten von einer Vielzahl von Sensoren (140, 142) aufweisen für die Maschine; Bestimmen eines virtuellen Sensors, der einem der Vielzahl von Sensoren entspricht; Bilden eines Prozessmodells (404) für virtuelle Sensoren für den virtuellen Sensor, das die Zwischenbeziehungen zwischen mindestens einem Abfühlparameter (402) und einer Vielzahl von gemessenen Parametern (406) basierend auf den Datenaufzeichnungen anzeigt; Ermitteln eines Satzes von Werten entsprechend der Vielzahl von gemessenen Parametern; Berechnen der Werte des mindestens einen Abfühlparameters im Wesentlichen gleichzeitig basierend auf dem Satz von Werten, der der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Sensoren entspricht; und Liefern der Werte des mindestens einen Abfühlparameters an ein Steuersystem (120).
Verfahren nach Anspruch 1, wobei das Bestimmen Folgendes aufweist: Berechnen der Korrelationswerte zwischen jeglichen zwei Sensoren der Vielzahl von Sensoren; Aufteilen der Vielzahl von Sensoren in eine Vielzahl von Sensorgruppen basierend auf den Korrelationswerten; und Bestimmen des virtuellen Sensors entsprechend dem einen der Vielzahl von Sensoren aus einer erwünschten Sensorgruppe.
Verfahren nach Anspruch 2, wobei das Aufteilen Folgendes aufweist: Erzeugen einer Korrelationsmatrix mit Zeilen, die die entsprechende Vielzahl von Sensoren darstellen, Spalten, die die entsprechende Vielzahl von Sensoren darstellen, und wobei jedes Element einen Korrelationswert zwischen den entsprechenden zwei Sensoren der Zeile bzw. Spalte darstellt; Bestimmen eines Wertes für jeden der Vielzahl von Sensoren basierend auf der Korrelationsmatrix; und Aufteilen der Vielzahl von Sensoren in die Vielzahl von Sensorgruppen basierend auf dem Punktwert bzw. Score jeder der Vielzahl von Sensoren.
Verfahren gemäß Anspruch 3, wobei die Vielzahl von Sensorgruppen Folgendes aufweist: eine erste Sensorgruppe, die erwünschte physische Sensoren enthält; eine zweite Sensorgruppe, die Sensoren mit Kombinationen von physischen und virtuellen Sensoren enthält; und eine dritte Sensorgruppe, die virtuelle Sensoren enthält.
Verfahren nach Anspruch 1, wobei das Bilden Folgendes aufweist: Ermitteln von Datenaufzeichnungen, die mit einer oder mehreren Eingabevariablen und dem mindestens einen Abfühlparameter assoziiert sind; Auswählen der Vielzahl von gemessenen Parametern von der einen oder den mehreren Eingabevariablen; Erzeugen eines Berechnungsmodells, das die Zwischenbeziehungen zwischen der Vielzahl von gemessenen Parametern und dem mindestens einen Abfühlparameter anzeigt; Bestimmen der erwünschten statistischen Verteilungen der Vielzahl von gemessenen Parametern des Berechnungsmodells; und Rekalibrieren der Vielzahl von gemessenen Parametern basierend auf den erwünschten statistischen Verteilungen, um einen erwünschten Eingaberaum zu definieren.
Verfahren nach Anspruch 5, wobei das Auswählen weiter Folgendes aufweist: Vorverarbeiten der Datenaufzeichnungen; und Verwenden eines genetischen Algorithmus, um die Vielzahl von gemessenen Parametern aus einer oder mehreren Eingabevariablen auszuwählen, und zwar basierend auf der Mahalanobis-Distanz zwischen einem normalen Datensatz und einem anormalen Datensatz der Datenaufzeichnungen.
Verfahren nach Anspruch 5, wobei das Erzeugen weiter Folgendes aufweist: Erzeugen eines Berechnungsmodells eines neuronalen Netzwerks; Trainieren des Berechnungsmodells des neuronalen Netzwerks unter Verwendung der Datenaufzeichnungen; und Validieren des Berechnungsmodells des neuronalen Netzwerks unter Verwendung der Datenaufzeichnungen.
Verfahren nach Anspruch 5, wobei das Bestimmen weiter Folgendes aufweist: Bestimmen eines vorgeschlagenen Satzes bzw. Kandidatensatzes von gemessenen Parametern mit einer maximalen Zeta-Statistik unter Verwendung eines genetischen Algorithmus; und Bestimmen der erwünschten Verteilungen der gemessenen Parameter basierend auf dem Kandidatensatz, wobei die Zeta-Statistik ζ dargestellt wird durch:
unter der Annahme dass x _i einen Mittelwert einer i-ten Eingabe darstellt; x _i einen Mittelwert einer j-ten Ausgabe darstellt; σ_i eine Standardabweichung der i-ten Eingabe darstellt; σ_j eine Standardabweichung der j-ten Ausgabe darstellt; und |S_ij| die Empfindlichkeit der j-ten Ausgabe auf die i-te Eingabe des Berechnungsmodells darstellt.
Verfahren nach Anspruch 1, wobei das Vorsehen Folgendes aufweist: getrenntes Ermitteln der Werte des mindestens einen Abfühlparameters von einem physischen Sensor (142); Bestimmen, dass der physische Sensor versagt hat; und Liefern der Werte des mindestens einen Abfühlparameters von dem Prozessmodell des virtuellen Sensors an das Steuersystem.
Maschine (100), die ein nachgerüstetes virtuelles Sensorsystem hat, um Funktionalitäten eines entsprechenden physischen Sensors vorzusehen, ohne dass der unterstützende physische Sensor auf der Maschine installiert wird, die Folgendes aufweist: eine Leistungsquelle (110), die konfiguriert ist, um die Maschine mit Leistung zu versorgen; ein Steuersystem (120), das konfiguriert ist, um die Leistungsquelle zu steuern; und ein virtuelles Sensorsystem (130), das dem unterstützenden physischen Sensor entspricht, das ein Prozessmodell (404) für virtuelle Sensoren aufweist, das Zwischenbeziehungen zwischen mindestens einem Abfühlparameter (402), der von einer Vielzahl von Sensoren vorgesehen wird, und einer Vielzahl von gemessenen Parametern (406) des unterstützenden physischen Sensors anzeigt, wobei das virtuelle Sensorsystem konfiguriert ist, um: einen Satz von Werten entsprechend der Vielzahl von gemessenen Parametern zu ermitteln; die Werte des mindestens einen Abfühlparameters im Wesentlichen gleichzeitig zu berechnen, und zwar basierend auf dem Satz von Werten entsprechend der Vielzahl von gemessenen Parametern und dem Prozessmodell für virtuelle Sensoren; und Werte des mindestens einen Abfühlparameters an das Steuersystem zu liefern, um Funktionalitäten entsprechend dem unterstützenden physischen Sensor vorzusehen, wobei das virtuelle Sensorsystem erzeugt wird durch: Ermitteln von Datenaufzeichnungen, die Daten von der Vielzahl von Sensoren und dem unterstützenden physischen Sensor aufweisen; Berechnen der Korrelationswerte zwischen dem unterstützenden physischen Sensor und der Vielzahl von Sensoren basierend auf den Datenaufzeichnungen; Auswählen der korrelierten Sensoren aus der Vielzahl von Sensoren basierend auf den Korrelationswerten; und Erzeugen des virtuellen Sensorsystems des unterstützenden physischen Sensors basierend auf den korrelierten Sensoren.