專利名稱：用于計(jì)算控制用的輸出參量的控制設(shè)備和方法
技術(shù)領(lǐng)域：
本發(fā)明基于在車輛中的控制設(shè)備以及用于計(jì)算控制車輛的功能用的輸出參量的方法。
背景技術(shù)：
使用各種方法用于確定在車輛控制設(shè)備中的、不能或者只能非常耗費(fèi)地(并且由此對(duì)于批量車輛中的實(shí)現(xiàn)來說太昂貴地)測(cè)量的參量，例如在發(fā)動(dòng)機(jī)控制設(shè)備中的燃燒過程的臨界參量例如排氣溫度、裝料位、原排放值(Rohemissionswerte)、效率、消耗等等,但是它們由控制設(shè)備需要用于實(shí)施其控制功能。寬泛流行的方法是，能夠表示一維關(guān)聯(lián)的特性曲線的方法或者能夠表示二維或多維關(guān)聯(lián)的特性曲線族的方法。這些特性曲線族可以通過網(wǎng)格點(diǎn)來定義/存儲(chǔ)并且確定的輸入值的目標(biāo)參量的預(yù)測(cè)可以由相鄰的網(wǎng)格點(diǎn)來內(nèi)插， 例如線性地或通過樣條，例如參見DE 199 63 213 Al。其他的方法基于通常被強(qiáng)烈簡(jiǎn)化的物理模型，例如參見DE 10 2008 004 362 Al，所述物理模型經(jīng)常也通過特性曲線族來表示。也考慮基于數(shù)據(jù)的參數(shù)回歸模型，例如神經(jīng)網(wǎng)絡(luò)，例如DE 10 2007 008 514。在汽車領(lǐng)域中，所謂的貝葉斯回歸不是“在線”也即在車輛的常規(guī)運(yùn)行期間、而是“離線”也即例如在發(fā)動(dòng)機(jī)的校準(zhǔn)階段中被使用，例如參見在International Conference on Statistics and Analytical Methods in AutomotiveEngineering, IMechE Conference Transactions, 2002,第 3 — 15 頁中 的“Bayesian statistics in engine mapping”，Ward1 M. BracetC.丄· Vaughan, H. D” Sh ad dick, G” Ceenf Rtt Hate, [, Kennedy, Gt 以及 “Validationof Neural Networks in Automotive Engine Calibration，，，D. Lowe 和 K. Zapart，Proceedings Conference on 4藤dai Neural Networks, 1997。當(dāng)使用特性曲線族來表征關(guān)聯(lián)時(shí)，在多維關(guān)聯(lián)情況下經(jīng)常有高的應(yīng)用耗費(fèi)或者小的預(yù)報(bào)精度。在建立可靠的物理模型情況下，產(chǎn)生高的開發(fā)耗費(fèi)并且不太強(qiáng)烈地簡(jiǎn)化的物理模型的開發(fā)不是總是可能的，尤其是在燃燒過程的復(fù)雜流程情況下，所述燃燒過程除了熱力學(xué)外例如也必須包含化學(xué)和流體力學(xué)。對(duì)于已知的方法適用的是它們不做出關(guān)于所預(yù)期的精度的陳述。然而尤其是在臨界目標(biāo)參量情況下這可能是重要的，以便保證可靠的控制或調(diào)節(jié)策略。

發(fā)明內(nèi)容
貝葉斯回歸應(yīng)當(dāng)被使用來確定在車輛控制設(shè)備中的不能或者僅能非常耗費(fèi)地(并且由此對(duì)于批量車輛中的實(shí)現(xiàn)來說太昂貴地)被測(cè)量的參量，例如在發(fā)動(dòng)機(jī)控制設(shè)備中的燃燒過程的臨界參量如排氣溫度、裝料位、原排放值、效率、消耗等等，但是它們由控制設(shè)備需要尤其是用于實(shí)施其控制功能。這里所建議的在使用非參數(shù)的基于數(shù)據(jù)的貝葉斯回歸的情況下的方法是實(shí)時(shí)的并且尤其是在多維和/或特別復(fù)雜的問題情況時(shí)提供比已知方法例如特性曲線族內(nèi)插或簡(jiǎn)化的物理模型更可靠的預(yù)測(cè)并且此外也能夠更存儲(chǔ)高效地被執(zhí)行。此外，所需的基本知識(shí)或者隨之出現(xiàn)的所需的耗費(fèi)處于準(zhǔn)備階段，以便利用特性曲線族和/或物理模型正確地確定輸入/輸出關(guān)聯(lián)或者以便在參數(shù)的基于數(shù)據(jù)的回歸方法如神經(jīng)網(wǎng)絡(luò)情況下確定算法參數(shù)，例如利用所建議的方法或控制設(shè)備明顯較低地需要的神經(jīng)元數(shù)量。其他的優(yōu)點(diǎn)由從屬權(quán)利要求的特征以及由實(shí)施例的描述中得到。特別有利的是，將貝葉 斯回歸實(shí)現(xiàn)為高斯過程、尤其是稀疏高斯過程，通過其可以實(shí)現(xiàn)特別存儲(chǔ)和計(jì)算高效的計(jì)算。對(duì)于基于利用貝葉斯回歸確定的輸出參量的控制或調(diào)節(jié)，除了輸出參量之外特別合乎目的地也可以考慮輸出參量的可從貝葉斯回歸確定的方差。由此可以實(shí)現(xiàn)更安全和更精確的控制和調(diào)節(jié)。尤其是，在例如超過確定的閾值的高方差的情況下、也即在輸出參量的可能的高不精確性情況下可以選擇防御性的控制或調(diào)節(jié)策略，可以輸出故障信號(hào)或者可以采取其他合適的措施。當(dāng)除了當(dāng)前輸入?yún)⒘客庖矊⑤^舊的輸入?yún)⒘亢?或較舊的輸出參量包括到回歸中用于確定當(dāng)前輸出參量時(shí)，可以特別有利地執(zhí)行確定的調(diào)節(jié)和控制任務(wù)。由此也可以映射較復(fù)雜的動(dòng)態(tài)的、也即非準(zhǔn)穩(wěn)態(tài)的過程并且以更高的精度調(diào)節(jié)或控制這樣的過程。在該情況下談及通過自回歸的動(dòng)態(tài)建模。為了不對(duì)控制設(shè)備的計(jì)算單元的計(jì)算容量和負(fù)荷過度地加負(fù)荷，可以將回歸計(jì)算的單個(gè)子任務(wù)轉(zhuǎn)移到對(duì)此特定化的硬件單元。這些硬件單元基于其特定化能夠比較靈活的計(jì)算單元更快地并且更高效地執(zhí)行這些任務(wù)。對(duì)于要執(zhí)行的貝葉斯回歸在此特別有利的是，將通過在控制設(shè)備中通常使用的計(jì)算單元如微控制器僅僅能夠耗費(fèi)地計(jì)算的指數(shù)函數(shù)計(jì)算至少部分地從計(jì)算單元轉(zhuǎn)移到硬件單元上、尤其是邏輯電路上。


本發(fā)明的實(shí)施例在附圖中被示出并且在后面的描述中被進(jìn)一步闡述。其中
圖I示意性示出控制設(shè)備以及控制設(shè)備外部的單元
圖2a示意性示出非動(dòng)態(tài)的建模 圖2b示意性示出動(dòng)態(tài)的建模
圖3a示意性示出在使用輸出參量的情況下的調(diào)節(jié)/控制 圖3b示意性示出在使用輸出參量和其方差的情況下的調(diào)節(jié)/控制 圖4示意性示出控制設(shè)備的微控制器的組件和其連接
圖5示意性示出用于基于輸入?yún)⒘亢陀?xùn)練參量借助貝葉斯回歸確定輸出參量的方法。
具體實(shí)施例方式在近年中，開發(fā)或者進(jìn)一步開發(fā)了所謂的非參數(shù)回歸方法，尤其是基于核心的方法如支持向量機(jī)[Support-Vector Networks, C. Cortes 和 V. Vapnik, MachineLearning, 20, 1995]以及作為另外的子類開發(fā)或進(jìn)一步開發(fā)了所謂的貝葉斯回歸方法例如克里格(Kriging) [A statistical approach to some mine valuations and alliedproblems at the Witwatersrandj D. G. Krigej 1951;The intrinsic random functions,and their applications, G. Matheron, Adv. App. Prob. , 5,第 439 — 468 頁，1973],高斯過程[Evaluation of Gaussian Processes and other Methods for Non-linearRegression, C. E. Rasmussen, 1996],稀疏高斯過程[Sparse Gaussian processes usingpseudo-inputs. E. Snelson and Z Ghahramani, Advances in Neural InformationProcessing Systems 18,第 1259 — 1266, 2006]以及其他。參數(shù)的模型需要在輸入?yún)⒘亢痛５妮敵鰠⒘恐g的關(guān)系的先驗(yàn)假定。例如物理的建模、線性的或多項(xiàng)式的回歸也或者神經(jīng)網(wǎng)絡(luò)屬于這些方法。在此目標(biāo)是基于該假定確定最佳的參數(shù)，由此盡可能地接近待建模的函數(shù)的假定模型。由此利用錯(cuò)誤的或不夠的假定也發(fā)生建模。而如貝葉斯回歸方法的非參數(shù)的建模不需要這種假定。代替將模型限定到特定假定，也可以考慮所有/非常多的假設(shè)。貝葉斯回歸是基于數(shù)據(jù)的方法，也即為了建立模型需要訓(xùn)練點(diǎn)以及所屬的輸出值。然后由這些建立模型，這基本上導(dǎo)致存儲(chǔ)訓(xùn)練數(shù)據(jù)并且確定抽象的“超參數(shù)”，它們參數(shù)化隨機(jī)函數(shù)的空間并且有效地權(quán)衡各個(gè)訓(xùn)練點(diǎn)對(duì)稍后的模型預(yù)測(cè)的影響。隨機(jī)函數(shù)的生 成、高斯過程所基于的在后面考慮的核心函數(shù)K是所謂的二次指數(shù)函數(shù)。貝葉斯回歸的基礎(chǔ)在“Gaussian Processes for Machine Learning”，C. E.Rasmusen和C. Williams, MIT Press, 2006中找到。用于計(jì)算在點(diǎn)u處的預(yù)測(cè)v的基本公式通過如下給出
^ .:/=! Al J
在此,V表示輸出參量的預(yù)測(cè)，X表示訓(xùn)練數(shù)據(jù)、u表示測(cè)試點(diǎn)(輸入?yún)⒘?、O和I例如是超參數(shù)以及Q是來自模型訓(xùn)練的向量。求和在輸入或訓(xùn)練數(shù)據(jù)的D維上以及在N個(gè)訓(xùn)練數(shù)據(jù)上進(jìn)行。輸入?yún)⒘縰可以標(biāo)準(zhǔn)化地進(jìn)入到計(jì)算中。用于計(jì)算輸出參量的模型方差σ _y的公式利用如下給出
/, \( , ( .ν I —ιι j)')
(A； )； =σ, exp - ................................................'.........
Is
。+: =。、-ΣΣ‘ο 賊..n:
貝葉斯回歸的可能實(shí)施在克里格的情況下通過減少所謂的超參數(shù)來得到。其他的貝葉斯回歸方法也可以代替地導(dǎo)入附加的超參數(shù)或者以其他核心函數(shù)來工作，這些核心函數(shù)沒有指數(shù)函數(shù)也能夠應(yīng)付。在稀疏GP的情況下，導(dǎo)入虛擬的訓(xùn)練點(diǎn)(Xi)，這些訓(xùn)練點(diǎn)可以特定于問題地被分布在輸入空間上并且從而可以減少所需要的訓(xùn)練點(diǎn)的數(shù)量M。代替的方案如KD樹使用用于內(nèi)間距的邊界值(在D上的內(nèi)部和)和高效的存儲(chǔ)器結(jié)構(gòu)，以便能夠概括地估計(jì)較不太有關(guān)的訓(xùn)練點(diǎn)組的影響。由此，要計(jì)算的項(xiàng)的數(shù)量(在N上的外部和)被進(jìn)一步減少。尤其是，上面所述的公式可以被簡(jiǎn)小到更簡(jiǎn)單的形式
權(quán)利要求
1.在車輛中的控制設(shè)備(1)，該控制設(shè)備具有用于在車輛運(yùn)行期間基于至少ー個(gè)在該運(yùn)行期間確定的輸入?yún)⒘坑?jì)算用于控制車輛的功能的至少ー個(gè)輸出參量的裝置，其特征在于，該控制設(shè)備(I)具有用于在使用對(duì)在運(yùn)行之前為輸出參量和輸入?yún)⒘看_定的訓(xùn)練值的貝葉斯回歸的情況下來執(zhí)行輸出參量的計(jì)算的裝置。
2.根據(jù)權(quán)利要求I所述的控制設(shè)備(1)，其特征在于，其具有用于將貝葉斯回歸實(shí)現(xiàn)為克里格、高斯過程或稀疏高斯過程的裝置。
3.根據(jù)上述權(quán)利要求之一所述的控制設(shè)備(1)，其特征在于，其具有為了所述控制也考慮輸出參量的從貝葉斯回歸確定的方差的裝置。
4.根據(jù)權(quán)利要求3所述的控制設(shè)備(1)，其特征在于，其具有用于如果所確定的方差超過閾值則采取措施的裝置。
5.根據(jù)上述權(quán)利要求之一所述的控制設(shè)備(I)，其特征在干，其具有用于為了計(jì)算至少ー個(gè)輸出參量而對(duì)在運(yùn)行之前確定的訓(xùn)練值執(zhí)行通過自回歸動(dòng)態(tài)建模的貝葉斯回歸的裝置。
6.根據(jù)上述權(quán)利要求之一所述的控制設(shè)備(I)，其特征在于，其具有計(jì)算單元(10)，該計(jì)算單元至少部分地執(zhí)行貝葉斯回歸。
7.根據(jù)權(quán)利要求6所述的控制設(shè)備(I)，其特征在于，其具有分配給控制設(shè)備(I)的計(jì)算單元(10)的邏輯電路(14)，該邏輯電路部分地執(zhí)行貝葉斯回歸。
8.根據(jù)權(quán)利要求7所述的控制設(shè)備(I)，其特征在于，所述分配給控制設(shè)備(I)的計(jì)算単元(10)的邏輯電路(14)具有用于計(jì)算指數(shù)函數(shù)的裝置。
9.用于通過車輛中的控制設(shè)備(I)在車輛運(yùn)行期間基于至少ー個(gè)在該運(yùn)行期間確定的輸入?yún)⒘坑?jì)算用于控制車輛的功能的至少ー個(gè)輸出參量的方法，其特征在于，在該運(yùn)行之前為輸出參量和輸入?yún)⒘看_定訓(xùn)練值，并且在使用對(duì)所述訓(xùn)練值的貝葉斯回歸的情況下來執(zhí)行輸出參量的計(jì)算。
10.根據(jù)權(quán)利要求9所述的方法，其特征在干，為了控制，也考慮輸出參量的從貝葉斯回歸確定的方差。
11.根據(jù)權(quán)利要求9和10之一所述的方法，其特征在干，為了計(jì)算至少一個(gè)輸出參量而對(duì)在運(yùn)行之前確定的訓(xùn)練值執(zhí)行通過自回歸動(dòng)態(tài)建模的貝葉斯回歸。
12.根據(jù)權(quán)利要求9至11之一所述的方法，其特征在于，將貝葉斯回歸實(shí)現(xiàn)為克里格、高斯過程或稀疏高斯過程。
全文摘要
本發(fā)明建議一種在車輛中的控制設(shè)備，該控制設(shè)備具有裝置，用于在車輛運(yùn)行期間基于至少一個(gè)在該運(yùn)行期間確定的輸入?yún)⒘坑?jì)算用于控制車輛功能的至少一個(gè)輸出參量。在此，該控制設(shè)備具有裝置，用于在使用在運(yùn)行之前為輸出參量和輸入?yún)⒘看_定的訓(xùn)練值的貝葉斯回歸的情況下來執(zhí)行輸出參量的計(jì)算。
文檔編號(hào)F02D41/14GK102859158SQ201180021300
公開日2013年1月2日 申請(qǐng)日期2011年4月6日 優(yōu)先權(quán)日2010年4月27日
發(fā)明者F.施特賴歇特, T.朗格, H.馬克特, A.奧厄, T.克魯澤, V.伊姆霍夫, T.理查德森, M.澤茨勒, U.舒爾邁斯特, N.班諾夫, H.烏爾默, R.迪納, E.克洛彭布格 申請(qǐng)人:羅伯特·博世有限公司