用于创建控制设备的函数的方法本申请为申请号为201280040757.2、申请日为2012年7月19日的相同名称申请的分案申请。
技术领域
本发明涉及一种用于创建控制设备、尤其是机动车中的发动机控制设备的函数的方法，以及一种用于执行该方法的装置。
背景技术
控制设备是在机动车中采用的电子模块以用于控制和/或调节运行过程。为此在控制设备中实现一般以软件实现并且在控制设备中的处理器或CPU上实施的函数。将控制设备的应用理解为控制设备的数据供给。数据供给在此意味着输入数据或者将数据安置在保持数据的实体上、通常是控制设备中的存储装置上。
在发动机控制设备的应用时的一个工作步骤是所谓的基本匹配。在基本匹配时，例如对用于检测汽缸充气的发动机控制函数进行数据供给。在此情况下使用工具以优化这样的函数的所有标记或标签。
作为到所述工具中的输入需要非常多的测量，这些测量通常在发动机试验台处被确定，其中除了转速和负载的基本影响参量以外必须改变对应于现有填充调整器的其他影响参量，如凸轮轴角位置（入口凸轮轴和出口凸轮轴）、废气再循环率、吸管转换、气流运动阀位置等等。现有技术是“实验设计”（DoE）方法，其替代于对所有待变化的影响参量的网格测量提出针对每个由转速和负载定义的运行点来确定地选择所需测量，以便由此匹配局部运行点模型、诸如多项式模型（基础）。所述模型于是仅能在所述运行点处、而不是在运行点之间被调用。
对于函数标签、例如充气检测的数据供给，需要以足够精度在整个运行范围上进行测量。尽管如此为了仍将测量次数保持得少，在试验台处和在优化工具处的测量之间插入所谓的基于数据的全局模型。于是根据该模型利用所述影响参量的任意变化来执行虚拟测量。
由文献WO2006/051039A1已知一种用于展开动态系统的输出参量的全局模型的方法。这例如可以是内燃机的运行参数。这种方法应当使得能够利用少量的测量点就足以计算出用于所有状态的输出参量。在展开全局模型时，用多项式展开输入参量以及计算该展开的系数。在该文献中还描述了通过重复测量确定测量点处的方差。从这些方差中与数据的该模型并行地创建这些方差的第二模型。因此可以描述在哪些范围中测量较为准确并且在哪些范围中测量较不准确。
发明内容
在该背景下提出一种用于为实现在控制设备上的函数供给数据的方法，其中在系统处的测量在试验台处的不同测量点情况下执行并且根据所获得的测量值创建基于数据的全局模型，其中在基于数据的全局模型处执行模拟试验台处的真实测量的虚拟测量，其中从基于数据的全局模型中确定虚拟测量的虚拟测量值的不可靠性并且在为实现在控制设备上的函数供给数据时考虑虚拟测量值的不可靠性。作为基于数据的全局模型使用贝叶斯回归模型，该贝叶斯回归模型说明作为模型不可靠性的虚拟测量值的不可靠性，并且根据所述虚拟测量值中的至少一个的不可靠性来判决该至少一个虚拟测量值是否被考虑用于为所述函数供给数据。
创建基于数据的全局模型提供如下优点：利用比关于所有影响参量的网格测量明显更少的测量就可以用所需精度展示发动机的特性。还需要比用于多个局部运行点模型少的测量，因为同样可以“学习”相邻运行点的测量的全局模型。通过减少测量点的数目，尤其是具有升高的影响参量数目的未来的应用任务只有通过测量时间的减少才能被实现和占据主导。
基于数据的全局模型在此为每个期望的转速和负载位置提供目标参量的值，而不仅仅在所测量的运行点处提供。基于模型不可靠性可以检查和评估基于数据的全局模型的模型品质，然后利用下一优化步骤来继续。在此确定测量的数目和调节器位置的变化是否足够。同样可以容易地识别测量异常。
基于数据的全局模型除了需要目标参量（例如充气、消耗或排放）的预测以外，还需要能够为影响参量的每个调整出的变化计算模型不可靠性（Sigma）的能力。说明模型不可靠性的基于数据的模型的示例是如Kriging的所谓的贝叶斯回归方法（"AstatisticalapproachtosomeminevaluationsandalliedproblemsattheWitwatersrand",D.G.Krige,1951;"Theintrinsicrandomfunctions,andtheirapplications",G.Matheron,Adv.Appl.Prob.,5,439-468页,1973）、高斯过程模型（"GaussianProcessesforMachineLearning",Rasmussen和Williams,MIT出版社，2006）、稀疏高斯过程（"SparseGaussianprocessesusingpseudo-inputs";E.Snelson和ZGhahramani,AdvancesinNeuralInformationProcessingSystems18,1259-1266页，2006）和许多其他方法。具有模型不可靠性的基于数据的模型的另一可能性是神经网络委员会（"ValidationofNeuralNetworksinAutomotiveEngineCalibration",D.Lowe和K.Zapart,1997）。
基于数据的全局模型此外必须能够处理试验台测量的测量噪声，也就是说在构型中不执行通过每个测量值的内插，而是执行测量点之间的例如平滑的回归。
此外要注意，根据基于数据的模型可以将所测量的系统关于输入参量变化的特性可视化，这导致提高的系统理解以及因此导致数据供给的较好质量。
当基于数据的全局模型带来所需的品质时，该模型可以用于在优化所需的位置处执行虚拟测量。测量数目可以远超形成模型所需的测量数目，因为对此不再需要发动机试验台。
根据模型不可靠性Sigma的说明，可以在每个虚拟测量点判决：该虚拟测量点是否应当用于随后的优化。因此避免了优化器不必要地尝试匹配无效的测量值，这相当于未经识别的测量异常。
虚拟测量此外所具有的优点是，其不再具有测量噪声并且因此明显更好地适用于随后的优化任务。在平滑的回归面情况下，优化方法不依附在所谓的局部最小值中，这在内插面中更可能是这种情况。
当在要供给数据的控制设备函数中改变标签的取样点位置和取样点数目时，需要在另外的测量点处的测量。当例如将具有3×3个取样点的特征曲线族扩展到5×5个取样点时，可以通过线性内插从较小的特征曲线族中计算出较大特征曲线族的25个特征曲线族值。但是对于该特征曲线族的变化性的充分利用需要发动机的目标参量的另外的信息。所提出的方法的一个优点在于，附加测量点不被耗费地在测量站处测量，而是立即在基于数据的全局模型处被虚拟测量。
当特定的发动机被装配到不同的车辆变型中时，对于每个车辆变型必须优化不同运行范围中的控制设备函数。对此分别需要其他测量点来用于控制设备函数的优化。在所述方法的情况下，可以一次性全面地为了创建基于数据的全局模型来测量发动机。用于不同车辆变型的不同运行范围的虚拟测量点组于是可以在基于数据的全局模型处被测量。
在所提出的方法范围内，可以一方面根据测试点检查基于数据的全局模型的品质，或者根据虚拟测量结果的不可靠性或方差可以确定，模型的品质总地或者在一定范围内不足。当基于数据的全局模型的品质至少在测量点的一个范围内不足时，基于数据的模型的改进可以在试验台处基于来自补充测量的补充测量值来进行。另一方面可以在数据供给以及因此创建控制设备函数时考虑各个虚拟测量点的不可靠性。为此可以规定，对于每个测量值都确定不可靠性。根据虚拟测量值的不可靠性——其中可以考虑使用所述测量值中的至少一个，可以判决是否将该虚拟测量值用于函数的数据供给。
本发明的另外的优点和构型从说明书和附图中得出。
可以理解，前面提到的和后面仍要阐述的特征不仅能以分别说明的组合、而且也能以其他组合或者单独地使用，而不会脱离本发明的范围。
附图说明
图1示出根据现有技术的方法。
图2示出根据本发明的方法。
图3示出基于数据的全局模型的使用。
图4在图表中示出在不同测量点时描绘的测量值。
具体实施方式
本发明借助实施方式在附图中示意性示出并且在下面参照附图加以详细描述。
在图1中以图解示出在向控制设备函数供给数据时的迄今为止的做法。利用DoE10的方法来进行尝试规划。在此进行所有要变化的影响参量的网格测量以获得用于试验台测量14的输入参量（箭头12）。试验台测量14得出具有测量噪声的测量值，这些测量值被输入到工具18中（箭头16），在该工具中执行对函数标签的优化。然后利用经优化的函数标签（箭头20），得出被供给数据的控制设备函数22。
因此对于待供给数据的控制设备函数，根据现有技术确定用于测量的合适的尝试规划。所述测量在发动机试验台处被尽可能精确地调整并且目标参量——如充气、消耗或者排放——被测量。测量值被用于优化函数标签值。该结果是被供给数据的函数，该函数可以在发动机控制设备中加以使用。
在图2中示出用于对控制设备的函数进行数据供给的基于数据的全局模型的使用，其中在试验台测量和优化之间插入基于数据的全局模型。在此情况下利用DoE30的方法进行尝试规划。借助于影响参量的变化确定用于试验台测量34的输入参量（箭头32）。在试验台测量34的情况下得出具有测量噪声的测量值，利用这些测量值（箭头36）调整或训练基于数据的全局模型38。
在基于数据的全局模型38上或在该模型处执行虚拟测量，所述虚拟测量模拟测量站处的真实测量。从中得出没有噪声的测量值（箭头40），这些测量值被输入到工具42中，在该工具中执行函数标签的优化。然后利用优化的函数标签（箭头44）得出被供给数据的控制设备函数46。
在图2中的在此提出的方法情况下，在试验台测量34之后插入基于数据的全局模型38。该模型借助试验台的测量利用训练点来加以训练并且根据测试点来验证品质。作为模型类型可以为此使用建模工具中的ASC模型。其他模型类型、如神经网络或者支持向量回归是可考虑的替换方案，但是附加地需要模型不可靠性Sigma的充足的计算。利用这样的模型也可以识别试验台的测量值异常，并且要么忽略要么再测量该测量值异常。当基于数据的全局模型具有应用所需的品质时，模型形成的步骤被排除。
根据基于数据的全局模型来模拟虚拟测量，所述虚拟测量更好地适用于标签的优化。这也可以在工具中实现，其中在预先给定的测量点处查询基于数据的模型。所述虚拟测量现在不再遭受测量噪声，因为在相同位置处的重复查询也得出相同的测量值。从所要求的虚拟测量点中可以根据模型不可靠性分拣出具有大Sigma的那些虚拟测量点。
图3示出用于给不同车辆变型供给数据的模型的使用。在此利用DoE50的方法进行尝试规划。借助于影响参量的变化确定用于试验台测量54的输入参量（箭头52）。在试验台测量的情况下得出具有测量噪声的测量值，利用这些测量值（箭头56）创建基于数据的全局模型58。所述基于数据的全局模型58被用于第一车辆变型60、第二车辆变型62和第三车辆变型64。对于第一车辆变型60得出第一运行范围中的虚拟测量值（箭头66），这些虚拟测量值被输入到用于优化函数标签的工具68中。对应地，对于第二车辆变型62得出第二运行范围的虚拟测量值（箭头70），这些虚拟测量值被输入到用于优化函数标签的工具72中。最后对于第三车辆变型64得出第三运行范围的虚拟测量值（箭头74），这些虚拟测量值被输入到用于优化函数标签的对应工具76中。
在图3中因此示出了用于给不同车辆变型的控制设备函数进行数据供给的共同的基于数据的全局模型58的使用。展示出，试验台处的、用于覆盖所有车辆变型的运行范围的测量需求仅仅不明显地升高。
图4在图表中表明所采用的建模方法，在此在横轴100上绘制测量位置或测量点X并且在纵轴102上绘制测量值的高度。在该图表中录入所录入的测量值或数据104、数据的多项式106、数据的Sigma108、数据的Sigma的多项式110、数据的贝叶斯回归模型112、贝叶斯回归模型的Sigma114、以及贝叶斯回归模型的有效性116。
在图4中在四个测量点处分别进行十次测量（在x=3时仅5次测量）（数据）。作为输出参量的模型选择其系数得到确定的三阶的简单多项式模型（数据的多项式）。在所述四个测量点处通过重复测量确定测量的方差（数据的Sigma）并且从这四个值中又创建出三阶的多项式模型（数据的Sigma的多项式）。可以看出，左侧的测量数据的方差大于中间的。在右侧，重复测量相当精确。
根据所述的方法，使用贝叶斯回归方法的变型，例如高斯过程模型（gaussianprocessmodelofdata，数据的高斯过程模型）。可以看出，测量点处的两个模型计算出类似的模型值。除了贝叶斯回归模型的模型预测，还输出模型不可靠性（贝叶斯回归模型的Sigma）。所述模型不可靠性声明模型在其在特定输入位置处的预测方面有多可靠。可以看出，模型Sigma在四个测量位置处是小的，因为在这些位置处向模型提供信息。在所述测量位置（例如5至8个）之间模型尽管给出模型预测，但是由于较大的模型Sigma从而是不可靠的。
该模型不可靠性因此取决于测量点的位置，而不取决于测量点处的测量数据的方差。模型的Sigma在x=1时与在x=9时同样大，尽管重复测量的方差是非常不同的。尽管如此，所述模型仍能做出关于测量平均值的非常精确的声明。在x=3时执行较少的重复测量。因此模型Sigma相对于x=4略微提高。利用该模型Sigma可以检查整个所测量的范围中的模型品质是否足够（贝叶斯回归模型的有效性）。
因此关于测量值的方差的多项式模型——如从现有技术中已知的那样——基本上与借助于贝叶斯回归模型的模型Sigma的模型品质的评价不同。
应当理解，在所介绍的方法的情况下第一次使用模型Sigma来评价模型品质。
虚拟测量简单地是在所期望的输入位置（例如对于x=6）处对基于数据的模型的查询。当需要优化任务时，模型例如可以在位置x=[0246810]处被调用，尽管用于创建模型的测量仅仅在x'=[1349]时进行。调用基于数据的模型作为虚拟测量，尤其是对于x=[68]的模型预测过于不精确的评价迄今未被描述。
在许多情况下，当在与通过集群取样点的其他特征曲线或特征曲线族关联等情况下例如取样点网格太粗糙时，在控制设备函数中改变各个特征曲线或者特征曲线族的取样点。当现在需要对于x=[135679]的输出参量时，这又可以在模型处与用于创建模型的测量位置无关地进行。所述特征曲线或者特征曲线族不与基于数据的全局模型混淆，而是表示输入参量的经优化的额定值。
在创建或训练基于数据的模型、例如贝叶斯回归模型时，基本上需要根据尝试规划（实验设计-DoE）的测量。但是，该尝试规划应当具有与用于估计多项式系数的尝试规划不同的特征。如从图4中可以看出的那样，测量应当遍布空间地分布，以便贝叶斯回归模型到处有效。为此不需要在各个测量位置处的重复测量。
关于运行点—转速—的简单的全局模型、另外的输入参量—喷射量—和输出参量—消耗—的示例应当表明所需测量的减少的事实情况。
如果利用[6×5]个取样点的网格选择特征曲线族作为全局模型，则在转速和喷射量变化时需要至少30次测量来获得针对消耗的特征曲线族值。
测量的第一减少通过如下方式实现，即采用沿着输入参量—喷射量—的平方特性。因此对于每个运行点（6个取样点）创建多项式模型，为此每个运行点需要至少3次测量。这得出用于创建6个运行点模型（参见基础）的最少18次测量。在这些模型的情况下，当要求了取样点之间的转速时，不能做出对于消耗的声明。
为了通过转速和喷射量创建针对消耗的全局高斯过程模型，当消耗面平滑时，需要大约15次遍布空间的测量。
在文献WO2006/051039A1中提到528个精确定位的测量位置来计算阶数为2-3-3-10的全局车比雪夫多项式的系数。为了创建类似的高斯过程模型，大约300个遍布空间的测量就足够了。
在图4中可以看出，测量点处的测量受制于测量原理或测量设备而遭受测量噪声。如果真实测量被基于数据的全局模型处的虚拟测量代替，则所述虚拟测量不具有噪声，因为位置x处的函数值总是返回相同的值y。
所介绍的方法展示了一种用于针对例如发动机的最优运行对控制设备函数参数化的应用方法。于是在控制设备函数的一个或多个标签的取样点的位置或数目改变时以及在相同发动机情况下对不同车辆变型的控制设备函数供给数据时，不需要在真实系统处、在该情况下即在试验台上的发动机处的另外的测量。