專利名稱：冗余轉矩安全通路的制作方法
技術領域：
本發明一般涉及汽車，更具體地說涉及汽車中的冗余轉矩安全通路(redundant torque security path)。
背景技術：
傳統上，汽車是由內燃機產生轉矩來進行驅動。轉矩請求基于例如加速踏板或巡航控制系統以及車速的駕駛員的輸入。此轉矩請求由轉矩控制通路傳遞以控制發動機輸出轉矩。
在某些汽車中，由于以處理器為基礎的控制系統的弱點以及各種電子故障的可能性導致由轉矩控制安全通路輔助上述轉矩控制通路。盡管如此，由于算法公式、算法計算和/或算術邏輯部件(運算器)(ALU)中通常的故障模式導致此轉矩安全控制通路可能不能探測到轉矩控制通路中的故障。
發明內容
為此，發動機控制系統包括轉矩請求控制模塊，以確定第一發動機轉矩請求。人工神經網絡(ANN)轉矩請求模塊利用ANN模型確定第二發動機轉矩請求。轉矩安全校驗模塊基于上述第一發動機轉矩請求與第二發動機轉矩請求的差值選擇性地產生故障信號。
在一個特征中，上述第一和第二發動機轉矩請求基于巡航轉矩請求信號，發動機轉速信號以及踏板位置信號。
在另一特征中，發動機控制系統包括將控制信號輸出到發動機系統以產生上述第一發動機轉矩請求的轉矩控制模塊。
在再一特征中，如果上述第一發動機轉矩請求與第二發動機轉矩請求的差值大于一預定值，那么上述轉矩安全校驗模塊就產生故障信號。當此第一發動機轉矩請求與第二發動機轉矩請求的差值小于此預定值時，便更新上述ANN模型。
在又一特征中，上述發動機控制系統包括一關閉模塊單元，它在接收到故障信號時產生用于燃油噴射系統的關閉信號。
在一個特征中，上述ANN模型包括當該ANN模型更新時所使用的顆粒群優化算法(particle swarm optimization algorithm)。此ANN模型為一前饋系統，它接收加速踏板位置輸入、發動機轉速輸入以及車速請求輸入。在又一特征中，發動機系統包括上述發動機控制系統以及發動機控制模塊，該模塊包括上述轉矩請求控制模塊，ANN轉矩請求模塊，以及轉矩安全校驗模塊。
根據后面的詳細說明，可以了解到本發明的其他應用領域。應當認識到，這里所作的詳細說明及具體事例在表明本發明最佳實施形式的同時只是用于進行闡述而非用來限制本發明的范圍。
從以下的詳細說明及附圖中將能更加全面地理解本發明，附圖中圖1示明本發明的發動機系統的功能框圖；圖2示明本發明的發動機控制模塊(ECM)的功能框圖；圖3示明本發明的人工神經網絡(ANN)模型；圖4為一流程圖，示明更新本發明ANN模型的步驟；以及圖5為一流程圖，示具體定轉矩請求故障的步驟；具體實施方式
以下所描述的最佳實施形式實際上只是作為范例，決非用來限制本發明、其應用或使用。這里所用的術語“模塊”或“裝置”是指特定用途的集成電路(ASIC)，電子電路，處理器(共享的、專用的、或組群的)以及執行一或多個軟件或固件程序的存儲器，組合邏輯電路和/或提供所述功能的其他配合元件。
依照本發明，轉矩控制安全通路獨立于轉矩控制通路以避免通常的故障模式。更具體地說，此轉矩控制安全通路在輸入信號接收、算法公式、算法計算和/或ALU的使用方面獨立于轉矩控制通路。在執行過程中，人工神經網絡(ANN)模型用于將轉矩控制安全通路與轉矩安全通路脫開。此ANN模型是仿照大腦神經結構設計的。它通過學習過程從數據集中辨認出圖案并產生出該數據的所需輸出值。
現在參看圖1，發動機系統11包括發動機12和變速器14。此發動機12產生驅動轉矩以驅動變速器14。更具體地說，此發動機12把空氣吸入總進氣管16并將空氣分配至氣缸(未圖示)，在氣缸內空氣與燃料結合形成空氣/燃料混合物。燃料噴射器(未圖示)在空氣被吸入氣缸中時噴射出結合了空氣的燃料。此燃料噴射器可能是結合有電子的或機械的燃料噴射系統18的噴射器。燃料噴射系統18受到控制以給各個氣缸內的所需空氣對燃料(A/F)的比。
發動機控制模塊(EMC)20利用來自踏板位置檢測器22、車速傳感器26及巡航轉矩請求模塊28中的數據產生驅動轉矩請求。最好此EMC20可包括一個或多個控制模塊。此EMC20與關閉模塊32通信，該關閉模塊在轉矩請求故障期間使上述燃料噴射系統18不能使用。
現在參看圖2，上述EMC20包括轉矩請求控制模塊40和ANN轉矩請求模塊42。此轉矩請求控制模塊40基于踏板位置信號43、車速信號44以及巡航轉矩請求信號45以常規方式確定第一發動機轉矩請求。ANN轉矩請求模塊42則通過ANN模型處理上述踏板位置信號43、車速信號44以及巡航轉矩請求信號45來確定第二發動機轉矩請求。轉矩控制模塊46輸出控制信號48到發動機系統11上以產生上述第一發動機轉矩請求。轉矩安全校驗模塊50接收來自上述轉矩請求控制模塊40的轉矩請求信號49，以及來自上述ANN轉矩請求模塊42的ANN轉矩請求信號54。上述轉矩安全校驗模塊50有選擇地確定轉矩請求故障。基于來自模塊40到42的轉矩請求之間的差值，更新上述ANN模型。最好存在各種人工神經網絡(ANN)配置。
當故障條件形成時，上述轉矩安全校驗模塊50將故障信號56輸出到關閉模塊32。此關閉模塊32使上述燃料噴射系統18不能使用從而使發動機11減低動力消耗。
現在參看圖3，ANN模型70是本發明的前饋網絡的例子。前饋網絡基于通過上述ANN模型70各層面(layer)的數據的順序運動。輸入層72接收例如車速、巡航轉矩請求及加速踏板位置等輸入參數74。中間層76，亦稱隱蔽層，在多個函數78中將輸入參數74與對應權重82相乘。輸出層80基于來自上述中間層76的轉發計算結果計算出輸出值。
多個權重82在上述ANN模型70的各層之間連接多個節點78。每一權重82包括一比值。此權重82基于過去的學習經驗使上述ANN模型影響不同的節點78。
在發展階段，上述ANN模型70使用訓練集作脫機訓練或在汽車上作聯機訓練。在脫機訓練中，上述轉矩請求根據預定輸入參數值確定，該參數值基于來自實際的汽車操作的已測值。記錄相應的轉矩請求并結合輸入參數值以形成訓練集。上述ANN模型70處理此訓練集以發展學習模式。此學習模式通過調整上述ANN模型70中的權重82得以發展，使得ANN模型70的輸出等于訓練集的確定轉矩請求。
在聯機訓練(正規的汽車操作)中，上述ANN模型70基于加速踏板位置信號43、車速信號44以及巡航轉矩請求信號來確定轉矩請求。在正規汽車操作過程中，上述學習模式通過調整ANN模型70中的權重82得以發展，使得此ANN模型70的輸出接近來自轉矩請求模塊的轉矩請求輸出。在實際汽車操作中，上述ANN模型70將利用從之前訓練中發展的學習模式來確定轉矩請求。
現在參看圖4，該圖為一闡明依照本發明訓練ANN模型70的步驟的流程圖。在步驟110，轉矩請求控制模塊40以常規方式(TREQ)確定轉矩請求。在步驟120，神經網絡轉矩請求模塊42通過ANN模型70(TREQNN)確定轉矩請求。在步驟130，控制器計算出上述轉矩請求(TDIFF)之差。更準確地說，TDIFF可以是通過減去TREQ和TREQNN計算出的值，或者是通過找到TREQ與TREQNN之差的百分比(a percent difference)計算出的值。在步驟140，控制器確定TDIFF是否小于預定閾值TDIFFTHR。如果TDIFF小于預定閾值TDIFFTHR，控制器繼續進行步驟150，否則控制器停止。然后在步驟150，ANN模型70基于TDIFF調整上述權重82。這使得由ANN模型70確定的轉矩請求調整到由轉矩請求模塊40確定的轉矩請求。
現在參看圖5，該圖為一闡明依照本發具體定轉矩請求故障的步驟的流程圖。在步驟210，轉矩請求控制模塊40以常規方式(TREQ)確定轉矩請求。在步驟220，神經網絡轉矩請求模塊42通過ANN模型70(TREQNN)確定轉矩請求。在步驟230，控制器計算出上述轉矩請求(TDIFF)之差。更準確地說，TDIFF可以是通過減去TREQ和TREQNN計算出的值，或者是通過找到TREQ與TREQNN之差的百分比計算出的值。在步驟240，TDIFF與TDIFFTHR進行比較，從而確定在轉矩請求控制通路中故障狀態與正常狀態的界限。如果TDIFF大于TDIFFTHR，控制器在步驟250發出故障信號56，否則控制器停止。在步驟260，控制器禁止燃料噴射系統18以使發動機12減低動力消耗。
在ANN模型70中可以執行稱作粒子群優化算法(PSO)的算法。此PSO算法是模擬生物體例如鳥群或魚群的社會行為。更準確地說，PSO考慮相鄰粒子的行為以利用粒子本身及其相鄰粒子所找到的最優解。這樣，PSO聯結搜索算法以平衡探測與開發從而最優化解。
例如，當上述轉矩安全校驗模塊50確定用于上述ANN模型70的校正條件時，可使用PSO算法。此ANN模型70具有用于每個權重82的數值范圍。PSO算法則基于之前的學習模式選取用于每一權重82的值。這些產生出最接近前述轉矩請求輸出值的權重82的值用作確定每一權重82的新值的基礎。在此方式下，上述PSO將最終達到每一權重82的最優值。
內行的人現在從此前的描述中能夠認識到本發明的廣泛內容可以通過各種形式實施。因此，雖然本發明業已結合其特殊例子進行了描述，但本發明的實際范圍并不受這些特殊例子的限制，這是因為通過研究附圖、說明，以及下面的權利要求書，其他的修正形式對于內行的人是顯而易見的。
權利要求
1.發動機控制系統，此系統包括轉矩請求控制模塊，它確定第一發動機轉矩請求；人工神經網絡(ANN)轉矩請求模塊，它利用ANN模型確定第二個發動機轉矩請求；和轉矩安全校驗模塊，它基于上述第一發動機轉矩請求與第二發動機轉矩請求之差來有選擇地產生故障信號。
2..權利要求1的發動機控制系統，其中上述第一和第二發動機轉矩請求基于巡航轉矩請求信號、車速信號以及踏板位置信號。
3.權利要求1的發動機控制系統，此系統還包括將控制信號輸出到發動機系統以產生上述第一發動機轉矩請求的轉矩控制模塊。
4.權利要求1的發動機控制系統，其中當上述差值大于預定值時，則上述轉矩安全校驗模塊產生上述故障信號。
5.權利要求1的發動機控制系統，它還包括在接收上述故障信號時產生用于燃料噴射系統的關閉信號的關閉模塊。
6.權利要求4的發動機控制系統，其中當上述差值小于上述預定值時，更新上述ANN模型。
7.權利要求6的發動機控制系統，其中上述ANN模型還包括有當上述ANN模型被更新時被使用的粒子群優化算法。
8.權利要求1的發動機控制系統，其中上述ANN模型是前饋系統。
9.權利要求1的發動機控制系統，其中上述ANN模型接收加速踏板位置輸入、車速輸入以及巡航轉矩請求輸入。
10.發動機系統，此系統包括權利要求1的發動機控制系統且還包括發動機控制模塊，該模塊包括上述轉矩請求控制模塊、上述ANN轉矩請求模塊以及上述轉矩安全校驗模塊。
11.在轉矩控制通路中確定故障的方法，此方法包括確定第一發動機轉矩請求；利用ANN模型確定第二發動機轉矩請求；基于上述第一發動機轉矩請求與第二發動機轉矩請求的差值有選擇地產生故障信號。
12.權利要求11中的方法，其中上述第一和第二發動機轉矩請求是基于巡航轉矩請求信號、車速信號以及踏板位置信號的。
13.權利要求11中的方法，它還包括將控制信號輸出到發動機系統以產生上述第一發動機轉矩請求。
14.權利要求11中的方法，還包括當上述差值大于一預定值時產生故障信號。
15.權利要求11的發動機控制系統，還包括在接收到上述故障信號時產生用于燃料噴射系統的關閉信號。
16.權利要求14中的方法，還包括當上述差值小于上述預定值時更新上述ANN模型。
17.權利要求16中的方法，還包括使用粒子群優化算法更新上述ANN模型。
18.權利要求11中的方法，還包括接收踏板位置輸入、車速輸入、以及巡航轉矩請求輸入，以確定上述第一發動機轉矩請求與上述第二發動機轉矩請求。
全文摘要
發動機控制系統，此系統包括轉矩請求控制模塊，用以確定第一發動機轉矩請求。人工神經網絡(ANN)轉矩請求模塊，它利用ANN模型確定第二發動機轉矩請求；轉矩安全校驗模塊，它基于上述第一發動機轉矩請求與第二發動機轉矩請求之差來有選擇地產生故障信號。
文檔編號F02D41/26GK101067401SQ20071010234
公開日2007年11月7日 申請日期2007年4月30日 優先權日2006年5月2日
發明者J·彭, T·J·哈特里 申請人:通用汽車環球科技運作公司