DE10113538A1 - Real-time regulation device with neuronal adaption for controlling IC engine, uses neuronal correction source with adaptable internal parameters - Google Patents

Real-time regulation device with neuronal adaption for controlling IC engine, uses neuronal correction source with adaptable internal parameters

Info

Publication number
DE10113538A1
DE10113538A1 DE2001113538 DE10113538A DE10113538A1 DE 10113538 A1 DE10113538 A1 DE 10113538A1 DE 2001113538 DE2001113538 DE 2001113538 DE 10113538 A DE10113538 A DE 10113538A DE 10113538 A1 DE10113538 A1 DE 10113538A1
Authority
DE
Germany
Prior art keywords
nam
variable
correction
controller
neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE2001113538
Other languages
German (de)
Other versions
DE10113538B4 (en
Inventor
Alvaredo Bernardo Lopez
Gerd Kraemer
Heiko Konrad
Juergen Schulz
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE2001113538 priority Critical patent/DE10113538B4/en
Publication of DE10113538A1 publication Critical patent/DE10113538A1/en
Application granted granted Critical
Publication of DE10113538B4 publication Critical patent/DE10113538B4/en
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Abstract

The regulation device has a regulator (R) receiving at least one input value (E) and providing a setting value (U) fed to a setting element within a regulation path (S). At least part of the input value and at least part of the setting value are fed to a neuronal correction source (NAM) providing a correction signal (K) combined with the setting value, with adaption of the internal parameters of the neuronal correction source. An Independent claim for a regulation method is also included.

Description

Die vorliegende Erfindung betrifft eine Regelvorrichtung und ein Regelverfahren. Insbesondere betrifft die vorliegende Erfindung einen Echtzeitregler mit neuronaler Adaption zur Steuerung von Verbrennungsmotoren.The present invention relates to a control device and a control method. In particular, the present invention relates to a real-time controller with neural Adaptation to control internal combustion engines.

Bei Regelvorrichtungen bzw. Regelverfahren wird einem Regler zumindest eine Eingangsgröße zugeführt, die dieser zu zumindest einer Stellgröße verarbeitet, wel­ che dann einem Aktor in einer Regelstrecke zugeführt wird. Mittels des Aktors wird eine dann Verstellung herbeigeführt, die am Ende der Regelstrecke wiederum zu einer Regelantwort (Response) führt. Aufgrund von verschiedenen Einflüssen, wie beispielsweise Toleranzen und Alterungserscheinungen, kann es zu Abweichungen im Streckenverhalten kommen. Um eine optimale Regelgüte zu erhalten, wird eine Echtzeitadaption des Reglers an diese Abweichungen vorgeschlagen.In the case of regulating devices or regulating methods, a regulator has at least one Input variable supplied, which it processes to at least one manipulated variable, wel che is then fed to an actuator in a controlled system. By means of the actuator then brought about an adjustment, which in turn closed at the end of the controlled system a control response. Due to various influences, such as For example, tolerances and signs of aging, there may be deviations come in route behavior. In order to obtain an optimal control quality, a Real-time adaptation of the controller to these deviations is proposed.

Obwohl sich die vorliegende Erfindung allgemein auf Regelvorrichtungen und Re­ gelverfahren richtet, werden die Zusammenhänge nachfolgend insbesondere an­ hand eines Beispiels mit einem Verbrennungsmotor erläutert.Although the present invention relates generally to control devices and Re the gel procedure, the correlations are particularly addressed below hand of an example with an internal combustion engine explained.

Bedingt durch Bauteiltoleranzen und Alterungsprozesse kommt es bei Verbren­ nungsmotoren zu einer bestimmten Serienstreuung der Aktoren und der zu regeln­ den Strecke. Gerade bei der Berechnung von Größen zur Motorsteuerung wird die­ se Streuung derzeit adaptiv über bestimmte, feste Korrekturwerte ausgeglichen, die einfach eine lineare Korrektur der Stellgröße bewirken oder betriebsbereichsselekti­ ve, konstante Korrekturwerte darstellen. Insbesondere bei der Bestimmung der ei­ nem Verbrennungsmotor zugeführten Frischluftmasse wird eine globale lineare Kor­ rektur der Stelleingriffe durchgeführt. Die Adaption der Korrekturwerte erfolgt hierbei herkömmlicherweise anhand der Rückführung des Luftmassenunterschieds zwi­ schen der vorgegebenen und der gemessenen Luftmasse. Das Adaptionsverfahren ist sowohl für Drosselklappensysteme als auch für Systeme mit variabler Ventilsteu­ erung ein lineares Verfahren, das die Korrekturwerte durch mehrmalige Integration des Luftmassenunterschieds iterativ ermittelt.Due to component tolerances and aging processes, burning occurs Motors to regulate a certain series of actuators and the the route. Especially when calculating quantities for motor control, the This scatter is currently adaptively compensated for by certain fixed correction values  simply cause a linear correction of the manipulated variable or operating range selections ve represent constant correction values. Especially when determining the egg A fresh linear mass is fed to an internal combustion engine rectification of the control interventions performed. The correction values are adapted here conventionally based on the feedback of the air mass difference between the specified and measured air mass. The adaptation process is for both throttle valve systems and systems with variable valve timing a linear procedure that corrects the values by repeated integration of the air mass difference determined iteratively.

Der Einfluss der Streuungen auf die Regelstrecke und die Aktoren ist im allgemei­ nen jedoch nichtlinearer Natur. Lineare Korrekturmodelle vermögen deswegen - auch im besten Fall - nur eine allgemeine mittlere lineare Korrektur für alle Betriebs­ punkte darzustellen. Andererseits ist eine Korrektur über eine physikalisch- empirische Modellbildung oftmals sehr aufwendig.The influence of the scatter on the controlled system and the actuators is general however, of a non-linear nature. Linear correction models can therefore - even in the best case - just a general mean linear correction for all operating to represent points. On the other hand, a correction via a physical empirical modeling is often very complex.

Alternativ zur Verwendung von physikalisch-empirischen Modellen bei der Korrektur von Betriebsgrößen ist die Verwendung neuronaler Modelle bekannt.As an alternative to using physical-empirical models for correction the use of neuronal models is known from operating variables.

Rein neuronale Modelle eignen sich allerdings wegen eines hohen Rechenzeitbe­ darfs beim Belernen nur bedingt zur Integration in einen adaptiven Reglerablauf. Deshalb werden sie meist off-line belernt, d. h. die Ergebnisse werden in der Mo­ torsteuerung abgelegt und bleiben dort unverändert. Zudem ist ein Lernvorgang nur im off-line-Modus geeignet kontrollierbar.Purely neural models are suitable, however, because of their high computing time may only be conditional for integration into an adaptive controller sequence. That is why they are mostly learned off-line. H. the results will be published in Mon gate control stored and remain unchanged there. In addition, a learning process is only suitably controllable in the off-line mode.

Hybridmodelle, wie beispielsweise aus der DE 43 38 607 A1 bekannt, umgehen die Nachteile der beiden oben genannten Ansätze, also eines rein physikalisch- empirischen Modells und eines rein neuronalen Modells, indem physikalisch- empirisch berechneten Vorhersagen mit neuronal berechneten Korrekturwerten ver­ sehen werden. Solche Modelle existieren bisher jedoch nur in nicht-adaptiver Form.Hybrid models, as known for example from DE 43 38 607 A1, bypass the Disadvantages of the two approaches mentioned above, i.e. a purely physical empirical model and a purely neuronal model, by physically empirically calculated predictions with neuronally calculated correction values will see. So far, such models have only existed in non-adaptive form.

Aufgabe der vorliegenden Erfindung ist es, eine Regelvorrichtung und ein Regelver­ fahren der eingangs genannten Art anzugeben, welche bzw. welches eine Online- Adaption an nichtlineare Streuungen bei den vorgenannten Reglern bzw. Regelver­ fahren ermöglicht.The object of the present invention is a control device and a Regelver driving of the type mentioned at the beginning to indicate which online  Adaptation to nonlinear scattering in the aforementioned controllers or control ver allows driving.

Diese Aufgabe wird alternativ durch die in den Ansprüchen 1 bzw. 8 genannten Merkmale gelöst.This object is alternatively by those mentioned in claims 1 and 8, respectively Features solved.

Vorliegend wird ein Regler, insbesondere ein Echtzeitregler, verwendet, der aus zumindest einer Eingangsgröße zumindest eine Stellgröße ermittelt. Dabei kann es sich bei dem Regler um einen üblichen Regler aus dem Stand der Technik handeln, dessen Regelkonzept auf einem physikalischen Prozessmodell, einem empirischen Ansatz oder einem Entwurf auf Basis einer dynamischen Prozessidentifikation be­ ruht.In the present case, a controller, in particular a real-time controller, is used, which is made up of at least one input variable determines at least one manipulated variable. It can the controller is a conventional controller from the prior art, whose control concept is based on a physical process model, an empirical one Approach or a design based on dynamic process identification rests.

Zusätzlich zum Regler ist ein neuronaler Korrekturgeber vorgesehen, der zumindest einen Teil der Reglereingangsgrößen und zumindest einen Teil der Regleraus­ gangsgrößen (Stellgrößen) erhält. Der neuronale Korrekturgeber ist ausgebildet, um aufgrund seiner Eingangssignale zumindest ein Korrektursignal zu erzeugen, wel­ ches mit der oder den Stellgrößen des Reglers algebraisch zu einer oder mehreren korrigierten Stellgröße bzw. Stellgrößen verkettet wird. Zudem dienen die dem neu­ ronalen Korrekturgeber zugeführten Größen der eigenen Adaption. Dabei werden die den neuronalen Korrekturgeber in seiner Wirkungsweise beeinflussenden inter­ nen Parameter geändert (belernt). Der vorgestellte Reglertyp bzw. das vorgestellte Reglerverfahren eignen sich insbesondere zur Regelung von Prozessen, die rein physikalisch-empirisch schwierig zu modellieren sind.In addition to the controller, a neural corrector is provided that at least a part of the controller input variables and at least a part of the controller gears (manipulated variables). The neural corrector is designed to to generate at least one correction signal based on its input signals ches algebraically with the manipulated variables of the controller to one or more corrected manipulated variable or manipulated variables is chained. They also serve the new Ronal correctors fed quantities of their own adaptation. In doing so the inter changed (learned) a parameter. The controller type or the one presented Controller methods are particularly suitable for controlling processes that are pure are difficult to model physically and empirically.

Die algebraische Verkettung kann beliebig gewählt werden, beispielsweise kann eine einfache Summation gewählt sein. Bei einer Summation bestimmt sich die Ausgangsgröße aus der Summe der Stellgröße vom Regler und des Korrekturan­ teils vom neuronalen Korrekturgeber.The algebraic chaining can be chosen arbitrarily, for example can a simple summation should be chosen. With a summation, the Output variable from the sum of the manipulated variable from the controller and the correction an partly from the neuronal corrector.

Beispielsweise können beim Einsatz der Regelvorrichtung bei einem Kraftfahrzeug zum Ausgleich von Bauteiltoleranzen alle Motoren des gleichen Typs mit dem glei­ chen physikalisch-empirischen Modellanteil im Regler ausgestattet werden. Das adaptive neuronale Modell aus dem neuronalen Korrekturgeber kann dann die spezielle Motoranpassung gewährleisten. Die Modellierung des Modells für den Regler lässt sich bei genauerer Kenntnis der Störeinflüsse auch ohne weiteres erweitern, ohne dass auf den neuronalen Anteil Einfluss genommen werden muss. Der neuro­ nale Anteil belernt sich stets nach dem jeweils vorgegebenen Algorithmus.For example, when using the control device in a motor vehicle To compensate for component tolerances, all motors of the same type with the same Chen physical-empirical model portion in the controller. The The adaptive neural model from the neural corrector can then be the special one  Ensure motor adaptation. Modeling the model for the controller can be expanded without further ado if the disturbing influences are more precisely known, without having to influence the neuronal part. The neuro nale portion always learns according to the specified algorithm.

Bei Bedarf kann der neuronale Korrekturgeber gezielt abgeschaltet werden, so dass der Eingang für den Aktor der Regelstrecke gleich der Stellgröße aus dem Regler ist. Natürlich können neben den vorgenannten Eingangsgrößen für den neuronalen Korrekturgeber auch weitere Eingangsgrößen, wie weitere Prozessgrößen, insbe­ sondere Messgrößen und interne Größen des Reglers ausgewählt und dem Korrek­ turgeber als Eingangsgrößen zugeführt werden.If necessary, the neural corrector can be switched off specifically so that the input for the actuator of the controlled system is equal to the manipulated variable from the controller is. Of course, in addition to the aforementioned input variables for the neural Corrector also other input variables, such as further process variables, esp special measured variables and internal variables of the controller selected and the correction can be fed as input variables.

Gemäß einer Ausführungsform ist es von Vorteil, die Werte der internen adaptierba­ ren Parameter des neuronalen Korrekturgebers zu beschränken, um unplausible Ausgaben bzw. unerwünschte Lerneffekte zu vermeiden. Als Netzwerktyp für den neuronalen Korrekturgeber kann beispielsweise ein sog. "LOLIMOT-Netzwerk" ver­ wendet werden (vgl. Nelles, Lolimot, lineare Modelle zur Identifikation nichtlinearer, dynamischer Systeme, Automatisierungstechnik 45, 1997), das sich durch beson­ ders vorteilhafte Eigenschaften beim Lernvorgang sowie bei Interpolation und Ext­ rapolation auszeichnet. Dieses Netzwerk bildet einen mehrdimensionalen nichtlinea­ ren unbekannten funktionalen Zusammenhang zwischen Eingangsgrößen und Aus­ gangsgrößen ab.According to one embodiment, it is advantageous to limit the values of the internal adaptable parameters of the neural correction generator in order to avoid implausible outputs or undesirable learning effects. As a network type for the neural corrector, for example, a so-called "LOLIMOT network" can be used (cf. Nelles, Lolimot, linear models for identifying nonlinear, dynamic systems, automation technology 45 , 1997 ), which is particularly advantageous in the learning process as well as in interpolation and ext rapolation. This network maps a multidimensional nonlinear unknown functional relationship between input variables and output variables.

Eine Ausführungsform der vorliegenden Erfindung wird mit Bezug auf die einzige beiliegende Zeichnung näher erläutert. Die Zeichnung zeigt in schematischer Block­ schaltweise eine Ausführungsform einer erfindungsgemäßen Regelvorrichtung.An embodiment of the present invention will be described with reference to the only one enclosed drawing explained in more detail. The drawing shows a schematic block switching an embodiment of a control device according to the invention.

Das Reglermodell der vorliegenden Ausführungsform wird bei einem Luftmassen­ stromabgleich eines Verbrennungsmotors angewendet. Jedoch ist bereits vorab anzumerken, dass das Modell allgemein gültig und für viele Regelvorgänge ver­ wendbar ist.The controller model of the present embodiment is based on an air mass current adjustment of an internal combustion engine applied. However, is already in advance It should be noted that the model is generally valid and ver for many control processes is reversible.

Beim vorliegenden Modell ist ein Regler R vorgesehen, der aus der Luftmassen­ strom-Abweichung des angeforderten Luftmassenstroms Msoll vom gemessenen Istwert Mist und weiteren Prozessmessgrößen P1 lineare Korrekturwerte U (= Reg­ lerausgangssignal) (vorliegend m = Steigungswert und b = Offsetwert) für den ange­ forderten Luftmassenstrom liefert. Dazu werden dem Regler R die vorher genannten Größen Msoll, Mist und P1 zugeführt.In the present model, a regulator R is provided from the air masses current deviation of the requested air mass flow M soll is the measured value M and other process measurement variables P 1 linear correction values U (= Reg lerausgangssignal) (in this case m = slope value and b = offset value) for delivers the requested air mass flow. For this purpose, the previously mentioned variables M Soll , M ist and P 1 are fed to the controller R.

Vorliegend werden die Eingangsgrößen Msoll, Mist und P1 im Block V1, der in der Praxis durch einen Filter realisiert ist, zu einem Vektor E zusammengefasst. Der Regler R erzeugt aus diesen Größen die als Stellsignal wirkenden linearen Korrek­ turwerte U.In the present case, the input variables M nominal , M actual and P 1 are combined to a vector E in block V 1 , which is implemented in practice by a filter. The controller R uses these variables to generate the linear correction values U.

Überdies ist vorliegend ein optional zuschaltbares, neuronales Adaptionsmodell NAM als Korrekturgeber vorgesehen, welches als Eingangsgrößen zumindest einen Teil der Eingangssignale E sowie das Reglerausgangssignal U erhält. Die Auswahl der konkreten Eingangsdaten für das neuronale Adaptionsmodell NAM findet in ei­ nem zweiten Filter V2 statt, dem die vorgenannten Werte E und U zugeführt sind. Die Auswahl der Eingangdaten für das neuronale Adaptionsmodell NAM im Filter V2 findet in festgelegter Weise statt.In addition, an optionally switchable, neural adaptation model NAM is provided as a correction transmitter, which receives at least some of the input signals E and the controller output signal U as input variables. The selection of the concrete input data for the neural adaptation model NAM takes place in a second filter V 2 , to which the aforementioned values E and U are supplied. The selection of the input data for the neural adaptation model NAM in the filter V 2 takes place in a fixed manner.

Optional werden dem neuronalen Adaptionsmodell NAM noch weitere Prozesspa­ rameter zugeführt. Vorliegend ist dies in Form von P2 die Öltemperatur T. Überdies können dem Filter noch interne Größen des Reglers R, vorliegend RI (Trigger-Bits), zur Verfügung gestellt werden.Optionally, further process parameters are added to the neural adaptation model NAM. In the present case, this is the oil temperature T in the form of P 2. In addition, internal variables of the controller R, in the present case R I (trigger bits), can also be made available to the filter.

Das als Korrekturgeber fungierende neuronale Adaptionsmodell NAM liefert einen Korrekturwert K, der im folgenden additiv berücksichtigt und mit der Stellgröße U zu einer korrigierten Stellgröße UK gekoppelt wird. Die algebraische Verkettung kann in der jeweils angemessenen Form beliebig gewählt werden. Ferner werden unter Zu­ hilfenahme von Sollwerten für den Messparameter P2 (vorliegend die Öltemperatur T) und den Luftmassenstrom die internen Parameter des Korrekturgebers NAM in Echtzeit adaptiert (belernt). Dies ist mittels dem den NAM Korrekturgeber durch­ kreuzenden Pfeil angedeutet.The neural adaptation model NAM functioning as a correction generator supplies a correction value K, which is added in the following and is coupled with the manipulated variable U to a corrected manipulated variable U K. The algebraic chaining can be chosen arbitrarily in the appropriate form. Furthermore, with the aid of setpoints for the measurement parameter P 2 (in the present case the oil temperature T) and the air mass flow, the internal parameters of the correction transmitter NAM are adapted (learned) in real time. This is indicated by the arrow crossing the NAM corrector.

Das verwendete neuronale Netz führt im weitesten Sinne eine nichtlineare mehrdi­ mensionale Regression durch und kann bezüglich einer Untermenge der Parameter mit linearen Trainingsalgorithmen online belernt werden. Natürlich sind viele Netz­ werktypen mit ähnlichen Eigenschaften denkbar, die aus der Literatur auch allge­ mein bekannt sind.In the broadest sense, the neural network used leads to a nonlinear Mehrdi by dimensional regression and can refer to a subset of the parameters  can be learned online using linear training algorithms. Of course, many are network types of work with similar properties are conceivable, which are also common in the literature my are known.

Um unplausible Ausgaben des Korrekturgebers bzw. unerwünschte Lerneffekte zu vermeiden, ist es möglich, die Werte der internen adaptierbaren Parameter zu be­ schränken. Beispielsweise ist das oben bereits erwähnte LOLIMOT-Netzwerk zu verwenden, das sich durch besonders vorteilhafte Eigenschaften beim Lernvorgang auszeichnet. Es bildet einen mehrdimensionalen nichtlinearen unbekannten funktio­ nalen Zusammenhang zwischen Eingangsgrößen und additiver Korrektur der Aus­ gangsgrößen ab. Dabei bestimmen sich die Ausgaben aus der Summe einzelner linearer Modelle, die mit nichtlinearen normierten Gewichtsfaktoren multipliziert wer­ den. Die Parameter dieser linearen und nichtlinearen Funktionen lassen sich unab­ hängig voneinander während des Betriebs in der Steuerung schrittweise mit minima­ lem Rechenaufwand anpassen, ohne auf zurückliegende Eingabewerte zurückgrei­ fen zu müssen. Beschränkt man dabei den Lernvorgang auf die Parameter der line­ aren Funktionen, konvergiert der Algorithmus bei korrekter Wahl der Lernrate ma­ thematisch garantiert gegen die minimale quadratische Abweichung gegenüber der abzubildenden Restkorrektur. Ist diese Restkorrektur eine lineare Funktion des Ein­ gangsnetzwerkes, lernt das Netzwerk diesen Zusammenhang exakt. Die nichtlinear eingerechneten Funktionsparameter erlauben eine weitgehende Plastizität des Net­ zes, die das Anwendungsspektrum erweitert. Bei Bedarf lässt sich auch diese Adap­ tion durch geeignete Wahl der entsprechenden Lernrate robust gestalten.In order to avoid implausible expenses of the corrector or undesirable learning effects avoid, it is possible to be the values of the internal adaptable parameters limit. For example, the LOLIMOT network already mentioned above is closed use, which is characterized by particularly advantageous properties during the learning process distinguished. It forms a multidimensional nonlinear unknown function Relationship between input variables and additive correction of the off gait sizes from. The expenses are determined from the sum of the individual linear models that are multiplied by non-linear standardized weighting factors the. The parameters of these linear and nonlinear functions can be determined independently dependent on each other during operation in the control step by step with minima Adapt your computing effort without going back to previous input values to have to. If you limit the learning process to the parameters of the line aren functions, the algorithm converges if the learning rate ma is selected correctly thematically guaranteed against the minimal quadratic deviation from the residual correction to be mapped. This residual correction is a linear function of the on network, the network learns this connection exactly. The non-linear included functional parameters allow the plastic to be largely plastic zes, which extends the range of applications. If necessary, this adap can also be used design robust by choosing the appropriate learning rate.

Wird das Netzwerk in einer normierten Form definiert, so können Ein- und Aus­ gangsgrößen mit beliebigen Wertebereichen verwendet werden. Damit können die Modelle ohne aufwendige Parameteranpassungen übertragen werden. Dies gibt die Möglichkeit eines universell verwendbaren unabhängigen adaptiven Moduls für Fahrzeugsteuerungen.If the network is defined in a standardized form, it can be switched on and off gears with any value range can be used. So that can Models can be transferred without complex parameter adjustments. This gives the Possibility of a universally applicable independent adaptive module for Vehicle controls.

Im oben beschriebenen, vorliegenden Anwendungsfall wird ein Wert bei der Luft­ massenstromkorrektur des Leerlaufs mit variabler Ventilsteuerung mit einem adapti­ ven physikalisch-neuronalen Modell modelliert. Unter Verwendung eines vorhande­ nen Massenstromkorrekturwertes des angeforderten und korrigierten Soll- Luftmassenstroms und der Motoröltemperatur T als Eingangsgröße errechnet das neuronale Modell den additiven Korrekturwert U für den Luftmassenstrom im Leer­ laufbetrieb. Es bildet somit einen eindimensionalen nichtlinearen unbekannten funk­ tionalen Zusammenhang zwischen additiver Restkorrektur der Luftmassendifferenz und der Öltemperatur ab.In the present application described above, a value in the air Mass flow correction of idling with variable valve control with an adapti modeled by the physical-neuronal model. Using an existing one mass flow correction value of the requested and corrected target  The air mass flow and the engine oil temperature T as the input variable calculate this neural model the additive correction value U for the air mass flow in the empty running operation. It thus forms a one-dimensional nonlinear unknown radio tional relationship between additive residual correction of the air mass difference and the oil temperature.

Damit ist vorliegend ein adaptives Modell zur Echtzeitregelung mit einem konventio­ nellen Regler, der beispielsweise eine Grundfunktion abdeckt, und einem neurona­ len Korrekturgeber angegeben, der die Reglerausgabe hinsichtlich der Regelgüte optimiert. Dieser Prozess läuft automatisch ab und generiert keine zusätzlichen Mo­ dellierungs- oder Auslegungsaufwände.This is an adaptive model for real-time control with a convention nellen controller, which covers a basic function, for example, and a neurona len corrector specified that the controller output with regard to the control quality optimized. This process runs automatically and does not generate additional mo correlation or design effort.

Claims (12)

1. Regelvorrichtung umfassend einen Regler (R), der zumindest eine Ein­ gangsgrößen (E) erhält und aus dieser zumindest eine Stellgröße (U) be­ stimmt, welche einem Steller einer Regelstrecke (S) zugeführt wird, dadurch gekennzeichnet, dass ein neuronaler Korrekturgeber (NAM) vorgesehen ist, der zumindest einen Teil der Reglereingangsgrößen (E = V1(Msoll, Mist, P1)) und zumindest ei­ nen Teil der vom Regler bestimmten Stellgrößen (U) erhält und derart aus­ gebildet ist, um aufgrund dieser Eingangsgrößen zum einen zumindest ein Korrektursignal (K) zu erzeugen, welches mit der oder den Stellgrößen (U) zu einer korrigierten Stellgröße (UK) algebraisch verkettet ist, und zum ande­ ren eine Adaption von den neuronalen Korrekturgeber (NAM) in seiner Wir­ kungsweise beeinflussenden internen Parameter herbeizuführen.1. Control device comprising a controller (R) that receives at least one input variable (E) and from this determines at least one manipulated variable (U) that is supplied to an actuator of a controlled system (S), characterized in that a neuronal correction transmitter ( NAM) is provided, which receives at least a part of the controller input variables (E = V 1 (M should , M is , P 1 )) and at least a part of the manipulated variables (U) determined by the controller and is formed in such a way as to be based on them Generate input variables on the one hand at least one correction signal (K), which is linked algebraically with the correcting variable or variables (U) to a corrected correcting variable (U K ), and secondly an adaptation of the neural correction generator (NAM) in its mode of action influencing internal parameters. 2. Regelvorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine Pro­ zessgröße (P2) aus der Regelstrecke, insbesondere eine Messgröße, zuge­ führt wird. 2. Control device according to claim 1, characterized in that the neural correction transmitter (NAM) is additionally supplied with at least one process variable (P 2 ) from the controlled system, in particular a measurement variable. 3. Regelvorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine in­ terne Größe des ersten Reglers (RI) zugeführt wird.3. Control device according to claim 1 or 2, characterized in that the neural correction transmitter (NAM) additionally at least one internal size of the first controller (R I ) is supplied. 4. Regelvorrichtung nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Adaption des Korrekturgebers (NAM) mit einem Online- Lernalgorithmus in Echtzeit durchgeführt ist.4. Control device according to one of claims 1 to 3, characterized, that the adaptation of the corrector (NAM) with an online Learning algorithm is performed in real time. 5. Regelvorrichtung nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die algebraische Verkettung eine Summation ist.5. Control device according to one of claims 1 to 4, characterized, that algebraic concatenation is a summation. 6. Regelvorrichtung nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der erste Regler (R) ein Regelkonzept umsetzt, welches auf einem physikalischen Prozessmodell, einem empirischen Ansatz oder einem Ent­ wurf auf Basis einer dynamischen Prozessidentifikation beruht.6. Control device according to one of claims 1 to 5, characterized, that the first controller (R) implements a control concept based on a physical process model, an empirical approach or an ent was based on dynamic process identification. 7. Regelvorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) optional zuschaltbar ist.7. Control device according to one of the preceding claims, characterized, that the neural corrector (NAM) can be optionally switched on. 8. Regelverfahren mit den Schritten,
  • - dass einem Regler (R) zumindest eine Eingangsgröße (E) zugeführt wird,
  • - dass der Regler (R) aus der zumindest einen Eingangsgröße (E) zumin­ dest eine Stellgröße (U) bestimmt,
  • - dass einem neuronalen Korrekturgeber (NAM) zumindest ein Teil der Eingangsgrößen des Reglers (E) und zumindest ein Teil der Stellgrößen vom Regler (U) zugeführt werden,
  • - dass der neuronale Korrekturgeber (NAM) aufgrund der ihm zugeführten Signale zumindest eine Korrekturgröße (K) erzeugt,
  • - dass die zumindest eine Korrekturgröße (K) algebraisch mit zumindest einer Stellgröße (U) verknüpft wird und
  • - dass eine Adaption von den neuronalen Korrekturgeber (NAM) in seiner Wirkungsweise beeinflussenden internen Parameter mit seinen Ein­ gangsparametern herbeigeführt wird.
8. Control procedure with the steps
  • - that a controller (R) is supplied with at least one input variable (E),
  • - that the controller (R) determines at least one manipulated variable (U) from the at least one input variable (E),
  • that a neural correction transmitter (NAM) is supplied with at least some of the input variables of the controller (E) and at least some of the manipulated variables from the controller (U),
  • that the neural correction transmitter (NAM) generates at least one correction variable (K) on the basis of the signals supplied to it,
  • - The at least one correction variable (K) is algebraically linked to at least one manipulated variable (U) and
  • - That an adaptation of the neural correction transmitter (NAM) in its mode of operation influencing internal parameters with its input parameters is brought about.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine Pro­ zessgröße (P2), insbesondere eine Messgröße, zugeführt wird und der neu­ ronale Korrekturgeber (NAM) diese ebenfalls bei der Bestimmung der Kor­ rekturgröße (K) berücksichtigt.9. The method according to claim 8, characterized in that the neural correction transmitter (NAM) is additionally supplied with at least one process variable (P 2 ), in particular a measurement variable, and the neuronal correction transmitter (NAM) also uses this when determining the correction variable ( K) is taken into account. 10. Verfahren nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass dem neuronalen Korrekturgeber (NAM) zusätzlich zumindest eine wei­ tere interne Größe des Reglers (RI) zugeführt wird und der neuronale Korrek­ turgeber (NAM) diese ebenfalls bei der Bestimmung der Korrekturgröße (K) berücksichtigt.10. The method according to claim 8 or 9, characterized in that the neural correction transmitter (NAM) is additionally supplied with at least one further internal variable of the controller (R I ) and the neuronal correction generator (NAM) also uses this when determining the correction variable ( K) is taken into account. 11. Verfahren nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) mit einem bestimmten Lernalgo­ rithmus online in Echtzeit belernt wird.11. The method according to any one of claims 8 to 10, characterized, that the neural corrector (NAM) with a certain learning algo rithmus is learned online in real time. 12. Verfahren nach einem der Ansprüche 8 bis 11, dadurch gekennzeichnet, dass der neuronale Korrekturgeber (NAM) bei bestimmten Bedingungen ausgeblendet wird.12. The method according to any one of claims 8 to 11, characterized, that the neural corrector (NAM) under certain conditions is hidden.
DE2001113538 2001-03-20 2001-03-20 Regulating device and control method Expired - Lifetime DE10113538B4 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE2001113538 DE10113538B4 (en) 2001-03-20 2001-03-20 Regulating device and control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE2001113538 DE10113538B4 (en) 2001-03-20 2001-03-20 Regulating device and control method

Publications (2)

Publication Number Publication Date
DE10113538A1 true DE10113538A1 (en) 2002-09-26
DE10113538B4 DE10113538B4 (en) 2012-03-01

Family

ID=7678240

Family Applications (1)

Application Number Title Priority Date Filing Date
DE2001113538 Expired - Lifetime DE10113538B4 (en) 2001-03-20 2001-03-20 Regulating device and control method

Country Status (1)

Country Link
DE (1) DE10113538B4 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1529946A2 (en) * 2003-11-07 2005-05-11 Siemens Aktiengesellschaft System using a lolimot-model for damping drive train vibrations
DE102005007406A1 (en) * 2005-02-18 2006-08-24 Dr.Ing.H.C. F. Porsche Ag Method for controlling an engine oil pump
DE102007008514A1 (en) 2007-02-21 2008-09-04 Siemens Ag Method and device for neuronal control and / or regulation
DE102014000395A1 (en) 2014-01-17 2015-07-23 Fev Gmbh Method for controlling an internal combustion engine
DE102014000397A1 (en) 2014-01-17 2015-07-23 Fev Gmbh Model-based cylinder fill detection for an internal combustion engine
US11481614B2 (en) 2019-07-22 2022-10-25 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method and system for generating safety-critical output values of an entity

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018133058A1 (en) 2018-12-20 2020-06-25 Beckhoff Automation Gmbh METHOD FOR CONTROLLING A REAL-TIME AUTOMATION PROCESS
DE102019126246A1 (en) * 2019-09-30 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System and method for calibrating a control and regulating device for gas exchange valves of an internal combustion engine
DE102020127051A1 (en) 2020-10-14 2022-04-14 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for determining safety-critical output values using a data analysis device for a technical entity

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4338607A1 (en) * 1993-11-11 1995-06-14 Siemens Ag Process control of regulated system, e.g. rolling system
DE4338608A1 (en) * 1993-11-11 1995-08-03 Siemens Ag Neural network mathematical model control for process control
EP0724073A2 (en) * 1995-01-27 1996-07-31 Matsushita Electric Industrial Co., Ltd. Air-fuel ratio control system
US5625552A (en) * 1991-12-18 1997-04-29 Mathur; Anoop K. Closed loop neural network automatic tuner
DE19547496A1 (en) * 1995-12-19 1997-07-03 Schroeder Dierk Prof Dr Ing Dr System for determining exact air induction of IC engine
DE19706750A1 (en) * 1997-02-20 1998-08-27 Schroeder Dierk Prof Dr Ing Dr Method for controlling the mixture in an internal combustion engine and device for carrying it out
DE19715503A1 (en) * 1997-04-14 1998-10-15 Siemens Ag Integrated computer and communication system for the plant area
US5877954A (en) * 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
DE19913126A1 (en) * 1999-03-23 2000-09-28 Siemens Ag Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills
DE19914910A1 (en) * 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybrid model for modeling an overall process in a vehicle

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625552A (en) * 1991-12-18 1997-04-29 Mathur; Anoop K. Closed loop neural network automatic tuner
DE4338607A1 (en) * 1993-11-11 1995-06-14 Siemens Ag Process control of regulated system, e.g. rolling system
DE4338608A1 (en) * 1993-11-11 1995-08-03 Siemens Ag Neural network mathematical model control for process control
EP0724073A2 (en) * 1995-01-27 1996-07-31 Matsushita Electric Industrial Co., Ltd. Air-fuel ratio control system
DE19547496A1 (en) * 1995-12-19 1997-07-03 Schroeder Dierk Prof Dr Ing Dr System for determining exact air induction of IC engine
US5877954A (en) * 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
DE19706750A1 (en) * 1997-02-20 1998-08-27 Schroeder Dierk Prof Dr Ing Dr Method for controlling the mixture in an internal combustion engine and device for carrying it out
DE19715503A1 (en) * 1997-04-14 1998-10-15 Siemens Ag Integrated computer and communication system for the plant area
DE19913126A1 (en) * 1999-03-23 2000-09-28 Siemens Ag Process for determining the rolling force in a roll stand comprises using a neuronal network that is trained with values for the rolling force and values for the different operating conditions for roll stands of different rolling mills
DE19914910A1 (en) * 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybrid model for modeling an overall process in a vehicle

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KESSEL,Jens-Achim,u.a.: Modellbasierte Motor- steuerung, -regelung und -überwachung. In: MTZ Motortechnische Zeitschrift 59,1998,4, S.240-246 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1529946A2 (en) * 2003-11-07 2005-05-11 Siemens Aktiengesellschaft System using a lolimot-model for damping drive train vibrations
EP1529946A3 (en) * 2003-11-07 2005-12-28 Siemens Aktiengesellschaft System using a lolimot-model for damping drive train vibrations
DE10351957B4 (en) * 2003-11-07 2007-07-26 Siemens Ag Damping system with a LOLIMOT model against drive train vibrations
DE102005007406A1 (en) * 2005-02-18 2006-08-24 Dr.Ing.H.C. F. Porsche Ag Method for controlling an engine oil pump
EP1693553A3 (en) * 2005-02-18 2010-05-26 Dr. Ing. h.c. F. Porsche AG Method for controlling an oil pump of an engine
DE102007008514A1 (en) 2007-02-21 2008-09-04 Siemens Ag Method and device for neuronal control and / or regulation
DE102014000395A1 (en) 2014-01-17 2015-07-23 Fev Gmbh Method for controlling an internal combustion engine
DE102014000397A1 (en) 2014-01-17 2015-07-23 Fev Gmbh Model-based cylinder fill detection for an internal combustion engine
US10533510B2 (en) 2014-01-17 2020-01-14 Fev Gmbh Model-based cylinder charge detection for an internal combustion engine
US11481614B2 (en) 2019-07-22 2022-10-25 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method and system for generating safety-critical output values of an entity

Also Published As

Publication number Publication date
DE10113538B4 (en) 2012-03-01

Similar Documents

Publication Publication Date Title
DE602006000128T2 (en) control
EP1896709B1 (en) Method and apparatus for controlling an internal combustion engine
DE60319613T2 (en) Control system for a plant
AT512251A2 (en) Method of designing a nonlinear controller for non-linear processes
EP1319139A1 (en) Method for controlling an automatic motor vehicle clutch
DE19722431A1 (en) Process for controlling a delayed process with compensation and control device for carrying out the process
DE10113538A1 (en) Real-time regulation device with neuronal adaption for controlling IC engine, uses neuronal correction source with adaptable internal parameters
WO2008068177A1 (en) Method for adapting a drag coefficient of a flow control valve
EP3781446A1 (en) Method for actuating a valve, and corresponding device
EP0473914B1 (en) Control system for an actuator in an internal combustion engine
DE4204047A1 (en) METHOD FOR POSITIONING AN ACTUATOR IN A MOTOR VEHICLE
DE102006008051B3 (en) Adaptive positioning method of an actuator
DE19946077A1 (en) Process for regulating the position of a camshaft and arrangement for carrying out the process
DE102008054630A1 (en) Vehicle e.g. commercial vehicle, internal-combustion engine operating method, involves forming multiple condition variables of state space by multi-variable controller, and determining adjusting variable based on conditional variables
DE102016111065A1 (en) Control method with model-based anti-windup
DE19644611C1 (en) Method and device for regulating a current
DE19825859A1 (en) Compensation arrangement for creep and hysteresis effects in the transfer characteristics of control elements
DE102009027517A1 (en) Method for adaption of control function in control device, involves detecting actual condition of controlled system, where actual value is determined for criteria of good quality depending on determined condition by parameter-criteria
DE102004035316B4 (en) Method and device for controlling an internal combustion engine
DE102007060018B3 (en) Method and control unit for the electrical control of an actuator of an injection valve
DE102009020359A1 (en) Method for controlling current of hydraulic valve utilized as actuator in e.g. position controller, involves regulating dither-correcting variable by actual current signal that is only overlaid by basic frequency of dither frequency
DE102019201798A1 (en) Drive system, trajectory planning unit and method
DE10217596B4 (en) Control system for a throttle valve actuator device
DE10312840B4 (en) Adaptive controller and method for determining its parameters
WO2002025132A1 (en) Method for regulating an automatic motor vehicle clutch

Legal Events

Date Code Title Description
OM8 Search report available as to paragraph 43 lit. 1 sentence 1 patent law
8110 Request for examination paragraph 44
R019 Grant decision by federal patent court
R020 Patent grant now final

Effective date: 20120602

R071 Expiry of right