Data based calibration methods for high dimensional automotive systems

Abstract

Die folgende Arbeit ist im Rahmen des Christian Doppler Labors für Modellbasierte Kalibriermethoden an der TU Wien entstanden. Ziel des Projekts war es, bestehende Methoden der modellbasierten Kalibration moderner Verbrennungsmotoren aufbauend auf anwendungsorientierter Grundlagenforschung zu verbessern und eine effiziente Automatisierung der Methoden zu gewährleisten. Unter einer Kalibrieraufgabe eines technischen Systems versteht man die optimale Bedatung von Kennfeldern, welche in Steuergeräten hinterlegt werden. Eine optimale Bedatung beinhaltet die Optimierung einer Zielgröße, z.B. Kraftstoffverbrauch, unter der Einschränkung der nachweisbaren Einhaltung legislativer Systembeschränkungen während der Fahrzyklen, welche beispielsweise durch Emissionsbeschränkungen vorgegeben sind. In automotiven Industrien basiert die Kalibration häufig auf Daten-basierten Modellen, welche aufgrund ihrer Generizität ein breites Anwendungspektrum aufweisen. Um den Optimierungsaufwand zu beschränken, werden sogenannte Surrogat-Modelle verwendet, welche das Ausgangsverhalten anhand der Messdaten approximieren und eine schnelle Auswertung der Fahrzyklen erlauben. Um die systemeigenen Betriebsgrenzen in der Optimierung berücksichtigen zu können, werden sogenannte Fahrbarkeitsmodelle verwendet. Hauptaugenmerk der untersuchten Kalibriermethoden liegt auf der Anwendbarkeit auf immer komplexer werdende Systeme. Die erforderliche Datenmenge, um ein beliebiges Eingangs-Ausgangs Verhalten zu beschreiben, steigt klassischerweise exponentiell in der Anzahl der Systemparameter, also der Dimension des Problems, an. Eine vielversprechende Vorgehensweise für die Einschränkung des notwendigen Messaufwands ist eine automatisierte Prüfstandsüberwachung. Dabei beinhaltet die Messphase sowohl die Planung, als auch die Durchführung der Experimente, wonach jeder Messpunkt nach den vorliegenden Optimierungsergebnissen geplant werden kann. Dadurch kann der Messaufwand in sub-optimalen Bereichen reduziert werden. Die Modellierung des Ausgangsverhaltens in frühen Messphasen ist dabei von entscheidender Bedeutung, allerdings ist man bei hier der Verwendung Neuronaler Netze mit dem Problem der Extrapolation konfrontiert. Darum wurde ein spezielles Modellgewichtungsverfahren untersucht, welches in frühen Messphasen die Prädiktion des Ausgangs nachweislich gegenüber herkömmlichen, statistischen Methoden verbessert. Für die Modellierung des fahrbaren Bereichs wurden Methoden untersucht, welche sich für hoch-dimensionale Systeme eignen. Klassischweise werden Triangulationen verwendet, hier steigt allerdings die Rechenzeit exponentiell mit der Dimension des Eingangss an. Da bei Verbrennungsmotoren Phänomene wie Motorklopfen oder Fehlzündungen während des Prüfstandsbetriebs zu Not-Stopps führen können, liegen für die nichtfahrbaren Bereiche oft keine Messungen vor, wodurch die Modellierung des fahrbaren ebenfalls Bereichs erschwert wird. Die Bedatung der Kontrolleinheiten erfolgt klassischerweise in Abhängigkeit von Drehzahl und Lastmoment unter Standard-Messbedingungen. Dies birgt den Nachteil, dass keine Steuerkorrekturen z.B. über Umgebungsdruck oder Außentemperatur vorgenommen werden. Bei einer Erweiterung des zwei-dimensionalen Arbeitsbereichs auf mehrere Dimensionen können herkömmliche Algorithmen für die Bedatung allerdings nicht mehr verwendet werden. Darum wurden Optimierungsverfahren untersucht, welche zur Modellierung mehrdimensionaler Arbeitsbereiche verwendet werden können. Die im Laufe des Projekts untersuchten Verfahren zeichnen sich durch geringe Rechenzeit bei hoch-dimensionalen Systemen, als auch bei großen Datenmengen, aus. Dadurch genügen sie den industriellen Anforderungen und erlauben die Einbindung während des Prüfbetriebs.

Many technical systems require some sort of calibration process, which describes the process of systematically optimising data in Electronic Control Units (ECUs). For internal combustion engines, for example, the output variables of interest are given by fuel consumption, as well as emission output, such as NOx and soot. Data-based calibration methods rely on optimisation based on data-based output models, which are called surrogate models. With growing levels of technicity the numbers of system parameters in general increase, which bears some challenges for the automation of calibration strategies. For example, the amount of data that is required to model generic output increases exponentially with the dimension of the system. For this reason, on-line calibration strategies have come into fashion. Here, the measurement sequence is planned and executed simultaneously, and each measurement is based on current optimisation results. Thereby, measurements in sub-optimal input regions can be systematically reduced. For these on-line strategies predictive performance of the surrogate models in early measurement phases is crucial, however, neural networks perform poorly in this setting. For this reason, a model weighting strategy for neural networks is proposed that is shown to out-perform conventional statistical methods for small data sets. For internal combustion engines it is crucial to model the feasible control region, where engine control is not interrupted e.g. by knocking or misfiring. This is often achieved using triangulation methods, these, however can perform computationally intractable. For this reason, feasibility models for high input dimensions for and large data sets were developed. Automotive industries are characterised by the control dependency on a so-called operating space. Combustion, for example, is traditionally controlled over engine speed and load torque. Future Real Driving Emission (RDE) tests, however, may require ECU control over ambient pressure and temperature, but standard algorithms for ECU parameter calculation are inadequate for dimensions above two. In this dissertation, an optimisation algorithm is proposed to optimise multi-variate ECU maps.