用于诊断用于内燃机的颗粒过滤器的方法

技术领域

本发明涉及一种用于诊断用于内燃机的颗粒过滤器的方法，以及涉及用于执行该方法的计算单元和计算机程序。

背景技术

当今排放立法的严格极限值无法再仅借助内燃机的发动机内部措施来实现。例如，为了将排放减小到法律要求的水平，在新车辆中也使用颗粒过滤器。在此，其通常是壁流式过滤器，所述壁流式过滤器在车辆使用寿命期间承受严重的热负荷和机械负荷。为了永久遵守严格的极限值，必须确保颗粒过滤器的高过滤效率。因此，必须持续观察过滤器状态。

为了评估颗粒过滤器的状态，压力差作为重要的测量变量，所述压力差通过过滤器输入端和输出端处的压力差来计算。颗粒过滤器的流动阻力的变化可以基于压力差的变化推导出。

DE 102017205361 A1示出一种用于识别内燃机的排气后处理系统中拆改或故障的颗粒过滤器的对应的方法，其中测量并评估在颗粒过滤器的输入端和输出端之间的压力差以监测颗粒过滤器。在此，确定颗粒过滤器两端的所测量的压力差与完好的参考颗粒过滤器的预期的压力差的相关性，并且在高相关性的情况下推断出现有的且完好的颗粒过滤器以及在低相关性的情况下推断出拆改的或故障的颗粒过滤器。

然而，仅从压力差的变化只能很难做出颗粒过滤器积累了何种份额的灰分或烟灰以及过滤器当前效率的实际情况如何的结论。由此，已知的方法仅具有有限的鲁棒性，所述鲁棒性例如可能导致：完好的过滤器被错误地识别为是故障的并且不必要地访问车间。

发明内容

根据本发明，提出具有独立权利要求的特征的用于在内燃机运行期间借助于颗粒过滤器模型来诊断用于内燃机的颗粒过滤器的方法以及用于执行该方法的计算单元和计算机程序。有利的设计方案是从属权利要求和以下描述的主题。

借助根据本发明的方法，可以在运行期间非常可靠地识别用于内燃机的损坏的颗粒过滤器。特别地，借助于以改进的方式评估压力差信号(颗粒过滤器的输入端和输出端之间的测量的压力差)，其中考虑了关于颗粒过滤器状态的重要的影响变量，与现有的诊断方案相比，该方法的鲁棒性被显著改进。由此降低了对完好的颗粒过滤器进行错误的错误探测的风险，并且相反更早地识别损坏的颗粒过滤器。这也适用于困难的边界条件，诸如在内燃机冷启动期间的边界条件。另一优点在于：还可以探测颗粒过滤器的部分机械或热损坏(例如烧孔、间隙等)。

详细地，在根据本发明的用于诊断内燃机的颗粒过滤器的方法中，接收多个的输入变量，即颗粒过滤器模型接收多个输入变量。输入变量不仅可以是测量的变量，诸如颗粒过滤器上游的压力和温度、排气质量流和/或排气中的氧含量，而且可以是建模的变量，诸如颗粒过滤器的烟灰和/或灰分积累。后者可以例如借助于经验或物理模型来确定并发送给颗粒过滤器模型。建模的变量还可以由颗粒过滤器模型本身或者由实施该模型的计算单元或计算机程序来确定。

在一个设计方案中，输入变量是影响颗粒过滤器两端的压力降进而适合于相应地对所述压力降建模的参数。例如，压力降与颗粒过滤器的排气体积流和流动阻力相关。后者又根据过滤器的烟灰和灰分积累而变化，使得不仅根据内燃机的工作点，而且根据颗粒过滤器的当前状态在过滤器输入端和过滤器输出端之间出现不同的压力差。换言之，即使在颗粒过滤器完好的情况下在恒定的发动机工作点中根据过滤器状态(即根据烟灰和灰分积累)会出现不同的压力差。

应将“完好的”颗粒过滤器理解为如下颗粒过滤器，其没有机械和/或热损坏、不低于预定的过滤速率并且在预定的发动机运行参数下不违背过滤器两端的压力降的预定的极限值。颗粒过滤器的机械或热损坏例如可以是从过滤器壁的喷溅或过滤器壁中的裂缝。例如，由于过滤器的不允许增加的灰分积累而会出现超过过滤器两端的压力降的预定的极限值，所述不允许增加的灰分积累例如可以因发动机的高油耗而出现。完好的颗粒过滤器尤其也是所谓的WPA过滤器(英文：worst performing acceptable可接受的最差性能，最差的合格件)。

可将“故障的”颗粒过滤器理解为如下颗粒过滤器，所述颗粒过滤器不满足“完好的”颗粒过滤器的上述定义。故障的颗粒过滤器特别是所谓的BPU过滤器(英文：bestperforming unacceptable不可接受的最佳性能，最好故障件)。

基于上面描述的接收到的输入变量，借助于颗粒过滤器模型来求出完好的颗粒过滤器的预期的压力差。这意味着：颗粒过滤器模型考虑接收到的输入变量来确定或输出在完好的颗粒过滤器的输入端和输出端之间的预期的压力差。

同样地，借助于颗粒过滤器模型基于接收到的输入变量来求出颗粒过滤器的至少一个故障的至少一个预期的压力差。换言之，在该情况下，颗粒过滤器模型考虑接收到的输入变量确定至少一个压力差，基于所述至少一个压力差可以探测颗粒过滤器的至少一个可能的故障，并且输出所述压力差。在一个设计方案中，可以借助于颗粒过滤器模型确定/建模颗粒过滤器的多个故障(错误)的压力差。这可以根据所谓的极限样本构件来进行，所述极限样本构件例如可以具有不同的故障/损坏，并且可以借助颗粒过滤器模型来描述其行为。在进一步的描述中，更详细地解释极限样本构件的建模。

除了求出完好的颗粒过滤器和颗粒过滤器的至少一个故障的预期的压力差之外，还测量颗粒过滤器的输入端和输出端之间的压力差。这可以直接借助压力差传感器来进行，但是也可以形成在两个绝对压力传感器的测量值之间的差，所述两个绝对压力传感器可以分别设置在颗粒过滤器的输入端和输出端处。

然后，将测量的压力差与完好的颗粒过滤器的预期的压力差和颗粒过滤器的至少一个故障的至少一个预期的压力差进行比较。这尤其意味着：求出测量到的压力差距离完好的颗粒过滤器下和颗粒过滤器的故障下的相应的预期的压力差有多远。在此，适宜地考虑所接收的输入变量，使得将测量到的压力差和预期的压力差在相同的边界条件下相互比较。

然后，基于所测量的压力差与完好的颗粒过滤器的预期的压力差和颗粒过滤器的至少一个故障的至少一个预期的压力差的比较，确定完好的颗粒过滤器或故障的颗粒过滤器的至少一个诊断值，即确定：是存在完好的颗粒过滤器还是故障的颗粒过滤器。这可以例如通过以下方式进行，即确定在所测量的压力差和完好的颗粒过滤器的预期的压力差之间的第一间距以及确定所测量的压力差和颗粒过滤器的至少一个故障的至少一个预期的压力差之间的第二间距。在此，例如当第二间距小于第一间距时可以探测到故障的颗粒过滤器，并且当第一间距小于第二间距时，可以探测到完好的颗粒过滤器。因此在该示例中，诊断值可以例如是测量的压力差距期望值本身的间距或者与测量到的压力差距期望值的间距相关的变量。

在一个设计方案中，根据诊断值采取措施。这可以包括：登记到错误存储器中和/或例如借助于发动机指示灯来输出警告消息。这还可以包括根据诊断值操控内燃机。特别地，当识别到故障的颗粒过滤器时，可以影响混合物配量和/或排气后处理，以减少有害物质排放。

颗粒过滤器模型可以存储在计算单元中或在计算单元中实施，所述计算单元例如可以是内燃机的发动机控制设备。同样可以在发动机控制设备中计算用于求出颗粒过滤器模型的建模的输入变量、诸如烟灰和灰分积累的模型。

内燃机可以是汽油发动机或柴油发动机。内燃机可以借助可从化石或再生来源获得的任意的液体或气体燃料(例如汽油、柴油、甲烷、沼气、氢气、电子燃料等)来运行。

在一个设计方案中，颗粒过滤器模型包括基于数据的模型。替代地或附加地，颗粒过滤器模型还可以包括物理模型。在一个设计方案中，基于数据的模型可以具有至少一个所谓的机器学习模型(英文：machine learning model机器学习模型)，例如神经网络，和/或至少一个自动状态机(State Vector Machine状态矢量机)。

如果颗粒过滤器模型包括物理模型，则所述颗粒过滤器模型可以例如考虑达西-福希海默方程求出在颗粒过滤器的输入端和输出端之间的压力差。所述达西-福希海默方程计算过滤器上的压力损失，作为排气质量流、排气的密度和粘度、以及烟灰/灰分和过滤器壁的面积和渗透性的函数。因此，物理颗粒过滤器模型可以优选地获得排气质量流、烟灰和灰分积累以及颗粒过滤器上游的压力和温度中的一项或多项作为输入变量。

在此，灰分积累可以例如从累积的燃料消耗和/或油耗中求出；颗粒过滤器的灰分积累可以特别根据颗粒过滤器的使用寿命期间的燃料消耗/油耗来确定。颗粒过滤器的烟灰积累可以例如借助于颗粒过滤器上游的颗粒传感器来测量，或者可以借助于原始烟灰排放的经验烟灰模型来确定。可以借助于合适的反应动力学模型来考虑颗粒过滤器中烟灰层的分解。

如果颗粒过滤器模型包括基于数据的模型，则所述基于数据的模型也可以获得与物理模型相同的输入变量，其中所述基于数据的模型可以优选地具有至少一个机器学习模型，例如神经网络和/或至少一个自动状态机(State Vector Machine状态矢量机)。

例如，如果包含模型的发动机控制设备具有可用于非常有效地计算基于数据的模型的硬件加速，则基于数据的模型是特别有利的。硬件加速表示通过将特定的计算密集型任务委托给专门处理所述任务的硬件来减轻计算单元的主处理器的负担。

根据一个实施方式，在内燃机的应用阶段(校准)期间借助对应的数据来训练基于数据的模型。这意味着：该模型在已知边界条件下(在已知发动机工作点中)用不同的极限样本构件学习具有不同错误/特性的颗粒过滤器的行为。由于物理模型同样包含必须通过实验求出的参数，所以物理模型也可以在相同条件下适配于不同的极限样本构件。

根据一个实施方式，在此，颗粒过滤器模型使用极限样本构件来求出多个预期的压力差。在此，应将极限样本构件理解为具有已知损坏特征的颗粒过滤器。同样地，“空的”颗粒过滤器，即没有灰分和烟灰积累的颗粒过滤器应被理解为极限样本构件。附加地，还可以使用代表最佳完好颗粒过滤器的极限样本。

通过用所描述的极限样本构件有针对性地训练基于数据的模型或校准物理模型的参数，颗粒过滤器模型能够：对于各种极限和损坏情况可靠地描述颗粒过滤器两端的压力降。借此可以进一步提高诊断功能的鲁棒性。

基于数据的模型的训练数据或物理模型的校准参数可以根据来自极限样本构件的测量数据和/或根据详细的模拟模型来获得。优选地，模拟模型同样利用极限样本构件进行校准，并且可以模拟表示根据测量无法探测到的其他效应(例如，部分损坏)。

根据一个实施方式，借助于二元错误分类或多类错误分类来对至少一个所确定的诊断值进行分类。换言之，例如，如果颗粒过滤器的输入端和输出端之间的测量到的压力差离颗粒过滤器故障的情况下的预期的压力差的间距低于阈值，则可以识别出故障(诊断值的二元分类，例如，“零”表示完好的过滤器，“1”表示故障的过滤器)。如上所述，同样可以借助于比较测量到的压力差离颗粒过滤器完好时的预期的压力差和颗粒过滤器故障时的预期的压力差的间距来进行二元分类。

替代地，可以根据测量的压力差与预期值之间的距离对诊断值进行多类错误分类。在此，特定故障的由测量的压力差和预期压力差之间的间距产生的概率值可以分为多个类别。多类分类提供以下优点：即借此还可以求出部分故障/初期损坏。

由于颗粒过滤器模型可以针对不同的损坏情况确定不同的期望值，所以也可以以该方式识别部分损坏。

根据一个实施方式，对至少一个分类的诊断值在预定的时间段期间取平均。预定的时间段可以包括例如具有内燃机和颗粒过滤器的机动车辆的整个行程。换言之，预定的时间段可以在内燃机启动时开始并且可以在下次关闭发动机时结束。

根据在整个行程期间对至少一个分类诊断值取平均，可以更可靠地确定：颗粒过滤器可以实际上被分类为完好还是损坏。在诊断值的二元分类的情况下，例如将在行程期间取平均的值与阈值进行比较。例如，阈值可以选择为p＝0.5，其中p表示被超过概率/显著性值。

通过在整个行程之上对诊断值进行取时间平均显著提高了诊断功能的鲁棒性，因为例如测量值检测中的临时错误不直接影响诊断功能。

替代于在整个行程期间对至少一个分类的诊断值取平均，也可以在更短的时间段期间取滑动平均或者借助于递归过滤器进行取平均。

然而，在一个实施方式中，用于对至少一个分类的错误取平均的预定的时间段大于预定的最小时间段，以便提供诊断功能的足够的精度。在此，最小时间段为在计算单元的计算和存储能力和方法精度方面的折衷。

根据本发明的计算单元，例如机动车辆的控制单元，如内燃机的发动机控制设备特别是在编程技术方面被设计用于执行根据本发明的方法。

特别是如果进行执行的控制设备还用于其他任务进而总归存在，则根据本发明的方法以具有用于执行所有方法步骤的程序代码的计算机程序或计算机程序产品形式的实施方案也是有利的，因为这产生特别低的成本。最后，设有一种机器可读的存储介质，其具有存储在其上的如上所述的计算机程序。用于提供计算机程序的合适的存储介质或数据载体特别是磁、光和电存储器，例如硬盘、闪存、EEPROM、DVD等。还可以经由计算机网络(互联网、内联网等)下载程序。在此，这样的下载可以有线或无线地进行(例如，经由WLAN网络、3G、4G、5G或6G连接等)。

本发明的其他的优点和设计方案从说明书和附图中得出。

本发明根据实施例在附图中示意性地示出，并且下面参考附图进行描述。

附图说明

图1示意性示出具有内燃机和颗粒过滤器的装置，所述装置例如可以在本发明的范围内使用。

图2示出具有用于执行根据一个实施方式的方法的各个功能块的框图。

具体实施方式

在图1中示意性示出具有内燃机和颗粒过滤器的装置，所述装置例如可以在本发明的范围内使用，并且整体用50来表示。示例性示出具有排气后处理系统12、13的内燃机10。内燃机10例如可以构成为汽油发动机或柴油发动机。内燃机可以借助可从化石或再生来源获得的任意的液体或气体燃料(例如汽油、柴油、甲烷、沼气、氢气、电子燃料等)来运行。用于测量输送给内燃机的空气质量的热膜空气质量计(HFM)9a设置在内燃机10的进气道9中。排气管路11设置在内燃机10的下游，内燃机的排气经由排气管路11引出。

通过排气管路11的排气质量流可以从借助HFM 9a测量的空气质量和喷射的燃料质量之和来确定。替代地或附加地，排气管路11中的排气质量流可以借助于另一流量测量设备(未示出)直接测量。

排气后处理系统12、13沿着排气管路11设置，所述排气后处理系统在所示出的情况下多级地构成。在排气的流动方向上，首先设有催化器12，所述催化器例如可以构成为三元催化器。拉姆达探测器14a、14b分别设置在催化器12的上游和下游，借助所述拉姆达探测器可以确定催化器12上游和下游的排气中的残余氧含量。所述测量变量用于调节催化器中所需的燃料空气比，并且可以附加地包含于用于计算颗粒过滤器再现的反应动力学模型中。

颗粒过滤器13连接在催化器12的下游，并且颗粒传感器16a、16b分别设置在颗粒过滤器13的上游和下游。借助所述颗粒传感器可以确定颗粒过滤器13的上游和下游的排气中的颗粒质量。因此，颗粒过滤器13上游的颗粒传感器16a适合于确定颗粒过滤器的烟灰积累，而颗粒过滤器的功能可以借助设置在颗粒过滤器13下游的颗粒传感器16b来监测。附加地，颗粒过滤器13配备有多个温度传感器17a-17c，所述温度传感器的信号既可以用作颗粒过滤器模型的输入变量，又可以用于监测颗粒过滤器13的功能。催化器12和颗粒过滤器13还可以以所谓的四元催化器(四元催化器-FWC)的形式、即催化覆层的颗粒过滤器13的形式集成在共同的壳体中。

还设置有压力差传感器15来诊断颗粒过滤器13，借助所述压力差传感器可以确定在颗粒过滤器13的过滤器输入端和过滤器输出端之间的压力差。同样可以设想：借助于设置在颗粒过滤器13之前和之后的两个绝对压力传感器来确定压力差。所有传感器9a-17c借助于信号线路与计算单元18连接，所述计算单元例如可以是上级的发动机控制器的组成部分。

计算单元18可以包含颗粒过滤器模型，借助所述颗粒过滤器模型可以借助上述传感器信号来探测颗粒过滤器13的不同故障。根据下面的图2更详细地描述所述颗粒过滤器模型的实施方式。

图2示出具有用于执行根据一个实施方式的方法的各个功能块180、181、182的计算单元18的框图。

在此，第一功能块180用于处理输入信号1800-1809，所述输入信号然后输送给第二功能块181中的颗粒过滤器模型1810，所述颗粒过滤器模型基于输入变量为颗粒过滤器13提供诊断值。输入值例如可以包括测量到的排气质量流、测量到的压力、颗粒过滤器上游的测量到的温度和/或颗粒过滤器的输入端和输出端之间的测量到的压力差中的一项或多项。同样地，可以将建模的变量、如颗粒过滤器的灰分和烟灰积累输送给颗粒过滤器模型1810，所述建模的变量例如出自发动机控制的其他模型。输入信号的处理可以包括例如计算网格的适配和/或一个或多个测量信号的过滤。具有高动态性的输入信号，例如颗粒过滤器的输入端和输出端之间的压力差或排气质量流可以比具有慢动态性的信号(例如排气温度)以更高的采样速率流入颗粒过滤器模型1810中。

在以这种方式处理输入信号后，在当前描述的示例中，由多个单独的信号值构成的序列分别被组合成矢量(例如压力差或排气质量流的五个彼此相随的测量值和排气温度的测量值)。

具有对应的信号值的所述矢量被传输给第二功能块181，所述第二功能块包含颗粒过滤器模型1810，所述颗粒过滤器模型例如作为机器学习模型可以包含至少一个神经网络或至少一个自动状态机(状态矢量机)。基于输入矢量，例如借助于训练过的神经网络求出颗粒过滤器13的状况(完好或故障)。在此，将颗粒过滤器13的输入端和输出端之间的测量到的压力差与完好的颗粒过滤器13或故障的颗粒过滤器13处的压力差的期望值进行比较。如果神经网络已经借助不同的极限样本构件(具有定义的损坏的颗粒过滤器、空的颗粒过滤器、完好的颗粒过滤器)进行训练，则可以探测颗粒过滤器的各种故障。所述故障要么可以作为二元诊断值输出(即，完好的过滤器为“零”，并且故障的过滤器为“一”)，要么可以根据特定故障的多个概率值分为多个类别。多类分类提供以下优点：即借此还可以求出部分故障/初期损坏。

当前，颗粒过滤器模型1810的诊断值/输出变量又输送给第三功能块182中的平均值形成器1820。这意味着，例如，在具有内燃机和颗粒过滤器的机动车辆的整个行程(从发动机启动到发动机停止)期间对诊断值取平均。由此，可以消除仅暂时出现的错误诊断值，并提高诊断的鲁棒性。

然后，平均值形成器1820将取平均的诊断值发送给子功能块1821，在所述子功能块中基于所述诊断值来确定颗粒过滤器13的一个或多个故障。然后，可以使用结果来采取一项或多项措施，诸如登记到错误存储器中，例如借助于发动机指示灯来输出警告消息。这还可以包括根据诊断值操控内燃机。特别地，当识别到故障的颗粒过滤器时，可以影响混合物配量和/或排气后处理，以减少有害物质排放。