用于创建内燃机的排放模型的方法和装置与流程

1.本发明涉及一种用于在使用至少一个低通滤波器的情况下创建内燃机的排放模型的方法以及一种装置、一种计算机程序和一种机器可读的存储介质。


背景技术：

2.已知一些模型，这些模型用于预测排气道的出口处的排放。这些模型通常如此设计而成，使得其预测尤其是内燃机的排放并且据此而后借助排气道的模型来预测排气道的出口处的排放。
3.这些用于预测马达的排放的模型通常如此产生，从而在马达的不同的预先给定的工作点上实施测量，随后根据这些测量来计算用于预测排放的模型。这例如能够用软件etas ascmo来实施。
4.此外已知，能够如此设立用于预测排放的模型，使得其能够考虑到多个来自过去的以前测量、尤其是呈时间序列的形式的测量序列，从而这个模型能够更加精确地预测马达的排放产生的动态特性。为此而使用所谓的特征矩阵（英语：feature matrix）。这个特征矩阵包含这样的信息，即：应该将测量序列的哪些测量点用于模型预测。该特征矩阵的列的数量对应于以前的测量点或者时间步骤的所考虑的数量，而行的数量则对应于模型中的不同输入的数量、例如马达的所测量的测量参量。在创建模型时的能够被称为“自动的特征选择”的处理步骤中，提取特征矩阵的相关特征，方法是：用brute-force方法为特征的每个组合训练并且评估该模型。


技术实现要素：

5.如果对于模型来说需要高的采样频率和长的历史，上面所提到的特征矩阵就变得非常大。如果以高分辨率、例如以100 ms的采样频率记录测量并且将最大时间延迟比如调节到3分钟（＝180秒）时，则由此产生1800的列数。由此必须施加很多的计算时间和计算功率，以便在模型训练中测试所有可能的组合（1800列乘以特征矩阵的不同的测量参量的数量）并且以便达到足够的模型预测质量。
6.此外，在迄今的方法中，在过去在所观察的时刻要考虑到精确的测量值。这经常不是必需的。并且模型的噪声会提高。在过去，通常考虑到测量值的数量级就足够了。
7.根据独立权利要求，建议使用滤波器来聚集测量序列之内的过去的信息。从未经滤波的和可选的经过滤波的测量序列中，“自动的特征选择”能够确定特征的在最佳的模型质量方面的最佳组合。
8.通过这种方法，不仅模型质量而且模型稳健性都已显著地得到改进。自动的特征选择的计算时间额外地显著减少。
9.因此，提供一种高度精确的马达排放模型，其即使在不稳定的条件下也在马达的整个运行范围中实现特别高的精度。此外，通过滤波，模型在其预测中也变得更稳健，因为排放模型至今通过其到过去的观察是非常敏感的。
10.本发明的公开内容，在第一方面，本发明涉及一种用于创建内燃机的排放模型的用计算机实施的方法，其包括以下步骤：该方法以在内燃机上提供多个所检测到的尤其未经滤波的测量序列开始。随后用不同的低通滤波器对测量序列进行滤波，并且对多个用于经过滤波的测量序列的分别不同的组合的排放模型进行优化，使得排放模型的所预测的排放相对于来自所检测到的测量序列的所属的所检测到的排放的偏差最小化，其中，经过滤波的测量序列作为用于排放模型的输入参量。
11.然后选择多个排放模型中的以下排放模型，该排放模型实现排放模型的所预测的排放相对于所测量的排放的最小偏差。随后能够跟随以下步骤，如果在优化排放模型时作为用于排放模型的输入参量实现排放模型的所预测的排放相对于所测量的排放的最小偏差，该步骤就从经过滤波的测量序列中选择那些测量序列。
12.随后输出那个具有最小偏差的得到优化的排放模型以及优选为此使用的经过滤波的测量序列和分别所配属的低通滤波器，该低通滤波器已用于对所选择的经过滤波的测量序列进行滤波。
13.本发明人已经发现，在测量序列之内的测量的精确位置不是决定性的，而决定性的是，测量参量在最后一秒之内是否已经具有高的或低的数值。因此，关于先前的测量的“模糊的记忆”就足够了。令人吃惊的是，这也已经引起以下结果，即：排放模型即使在过渡区域中也实现特别好的预测。
14.测量序列是一系列测量点、尤其是分别在一系列时刻中的预先给定的时刻所检测到的传感器值。
15.建议，不同的低通滤波器的区别在于，它们具有不同的时间常数、例如1s、3s、5s、10s、30s。该时间常数定义了在过去观察并且在滤波时考虑、尤其是加权多长时间。
16.此外建议，滤波器是一阶的低通滤波器。在这一点上有利的是，通过来自测量序列的信息的聚集而集中地存在于经过滤波的信号中，现在不必再在所有先前的时刻中找出理想的组合，而是仅仅还必须找到由经过滤波的信号构成的合适的组合。
17.此外建议，每个检测到的测量序列配属于一个测量参量，其中测量参量表征内燃机的参量、尤其表征了马达转速、相对的气缸充气量、λ、点火角、气缸点火信息，其中所预测的排放是颗粒排放、尤其质量和/或数量或者气态的排放、尤其是nox、thc、co和/或排放的温度/压力。
18.此外建议，在低通滤波器被运用到所检测的第一测量值上并且还没有先前的测量值可供使用时，例如在起动马达时，提供额外的虚拟的测量值作为用于低通滤波器的输入参量，其中额外的虚拟的测量值表征了在低负荷时马达的恒定的工作点。相对于全负荷，低负荷为5至40%、优选为20至35%。特别优选的是，对恒定的工作点来说，将空转转速附近的转速用作虚拟的测量值、例如1000-1900转/分钟。因此，虚拟的测量值是人为地产生的测量值。
19.在其他方面，本发明涉及一种装置以及一种计算机程序，该装置以及该计算机程序分别被设立用于执行上述方法，并且本发明涉及一种机器可读的存储介质，在该存储介质上存储有计算机程序。
附图说明
20.图1示意性地示出了本发明的一种实施方式的流程图；图1示意性地示出了用于创建内燃机的排放模型的方法（10）的流程图。
具体实施方式
21.该方法（10）以步骤s11开始。在这个步骤中，在内燃机上检测表征内燃机、优选内燃机的状态的极为不同的测量参量的测量序列。测量参量之一例如能够是马达转速。也额外地同样作为测量序列来检测内燃机的与分别所检测到的测量参量相关的排放。这些所检测到的数据在下面用作训练数据。
22.接着进行步骤s12。这个步骤能够被称为“滤波”。在此处理来自步骤s11中的测量序列的原始数据。除了其他计算之外，借助于多个不同的低通滤波器对原始数据进行滤波。除了传统的输入之外，随后将不同的低通滤波的输出提供给优化软件。该优化软件优选是etas ascmo。能够考虑，以另外的行的形式将不同的低通滤波添加到特征矩阵中。
23.优选的是，低通滤波器的区别在于，它们对测量序列内的不同数量的测量点进行滤波。特别优选的是低通滤波器是第一阶的低通滤波。
24.优选的是，通过数学公式来描述低通滤波：。
25.在紧随此后的步骤s13中，而后用优化软件求取不同的低通滤波与传统的输入的最佳的组合，该最佳的组合引起以下结果，即：排放模型尽可能精确地预测来自步骤s11的、内燃机的同样所属的所检测到的排放。为此，例如优化软件能够组合地试验，不同的低通滤波的哪些组合引起最佳的排放模型。这一点比如能够得以实施，方法是：选择不同的低通滤波的组合并且利用组合作为用于排放模型的输入参量对这个模型进行优化，使得排放模型的所预测的排放与来自步骤s11的所检测到的排放之间的偏差最小化。
26.优选的是，排放模型是gp-narx，其例如借助于受监控的学习（英语：supervised learning）来训练。也能够考虑其他的机器学习系统以及其他的模型类型。已经发现神经网络、尤其是rnn也是特别合适的。
27.应当说明，为由低通滤波构成的分别不同的组合多次实施对于不同的低通滤波的选择以及随后的对于排放模型的优化。因此，优化多个具有分别不同的输入参量的排放模型。
28.在另一种实施方式中，能够在步骤s13中额外地借助于例如基因算法对低通滤波器的时间常数进行优化。
29.随后，从多个优化的排放模型中选择以下排放模型，该排放模型获得排放模型的所预测的排放与来自步骤s11的所检测到的排放之间的最小偏差。
30.在步骤s13之后，能够执行可选的步骤s14。在此，所选择的排放模型能够用验证数据来测试。该验证数据是未被包括在训练数据中的另外的测量序列并且因此被用于测试排放模型，是否记住训练数据。如果步骤s14表明，所选择的排放模型还没有被正确地训练，则能够再次执行步骤s 13。能够考虑，在步骤s13中在能预先给定的优化步骤之后用验证数据来执行这种测试。
31.随后在步骤s15中，作为最精确的排放模型来输出这个所选出的具有最小偏差的
排放模型。优选的是，在步骤s15中也输出所属的测量参量，其配属的测量序列被考虑作为用于这个排放模型的输入参量。优选的是，额外地在步骤s15中一同输出所属的低通滤波器，其经过滤波的测量序列被用作输入参量。优选所属的特征矩阵也是这样。
32.在执行步骤s15之后，该方法（10）结束。随后，能够将来自步骤s15的所输出的排放模型用于不同的应用。例如，而后能够将这个排放模型用于预测内燃机的排放。也能够考虑，将这个排放模型用于预测在与内燃机相连接的排气道的出口处的排放。在此，例如能够考虑另一个模型，用该模型而后通过对排气设备的物理效应加以考虑这种方式来进一步处理马达的所预测的排放，以便随后计算在排气设备的出口处的排放。
33.在将排放模型用于预测排放时能够检测测量序列，该测量序列被分配给来自步骤s15的所属的所输出的测量参量并且用来自步骤s15的所输出的低通滤波器进行滤波并且随后用作用于该排放模型的输入参量。