DE102013218209A1

DE102013218209A1 - Kraftmaschineneinschaltzeit-Vorhersageeinrichtung für Nachbehandlungsplanung für ein Fahrzeug

Info

Publication number: DE102013218209A1
Application number: DE102013218209.0A
Authority: DE
Inventors: Qing Wang; Hai Yu; Ryan Abraham McGee; Finn Tseng
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2012-09-14
Filing date: 2013-09-11
Publication date: 2014-03-20
Also published as: US20140081563A1; CN107253477A; CN107253477B; US9371766B2; CN103661361A; CN103661361B

Abstract

Ein Verfahren zum Steuern eines Hybrid-Elektrofahrzeugs (HEV) mit einer Kompressionszündungskraftmaschine umfasst das Betreiben der Kraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine und das Durchführen einer Abgasnachbehandlungsprozedur auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit. Ein HEV wird mit einer Kompressionszündungskraftmaschine mit einem Nachbehandlungssystem und einem Controller geschaffen. Der Controller ist dazu konfiguriert: (i) die Kraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine zu betreiben und (ii) eine Abgasnachbehandlungsprozedur für das Fahrzeug auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit durchzuführen. Ein computerlesbares Medium mit gespeicherten Daten, die Befehle darstellen, die von einem Controller ausführbar sind, um ein Fahrzeug zu steuern, wird mit Befehlen zum Betreiben der Kraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine und Befehlen zum Durchführen einer Abgasnachbehandlungsprozedur geschaffen.

Description

Verschiedene Ausführungsformen beziehen sich auf ein Fahrzeug wie z. B. ein Hybridfahrzeug mit einer Kompressionszündungskraftmaschine und ein Verfahren zum Steuern einer Abgasnachbehandlung für das Fahrzeug.
Der Kraftmaschinenbetrieb in einem Hybrid-Elektrofahrzeug (HEV) ist signifikant anders als in einem herkömmlichen Fahrzeug, da das Fahrzeug unter Verwendung von nur elektrischer Leistung betrieben werden kann. In bestimmten Hybriden wie z. B. elektrischen Einsteckhybriden (PHEVs) kann die Batterieenergie priorisiert werden und die Kraftmaschine kann nur für eine kurze Zeitdauer während eines Fahrzeugbetriebszyklus oder vom Einschalten bis zum Ausschalten laufen.
Ein HEV oder PHEV mit einer Dieselkraftmaschine erfordert Abgasreinigungsvorrichtungen und entsprechende Steuerstrategien für die Vorrichtungen. Die Dieselnachbehandlungsprozeduren oder -anforderungen können einen häufigeren und kontinuierlichen Betrieb mit eingeschalteter Kraftmaschine erzwingen. Beispiele von Nachbehandlungsprozeduren umfassen Folgende: Dieselpartikelfilter-Regeneration (DPF-Regeneration), Katalysatoranspringen, Dieseloxidationskatalysator-Aufwärmung (DOC-Aufwärmung), andere Abgastemperaturhalteprozeduren und Aufrechterhalten von Überwachungsleistungsverhältnissen bei der Verwendung (IUMPRs).
Das Energiemanagement in einem Diesel-PHEV befürwortet eine verringerte oder minimale Kraftmaschineneinschaltzeit, um Kraftstoffsparsamkeitsvorteile zu erlangen. Es können zusätzliche Fahrverhaltensangelegenheiten oder -erwartungen bestehen, wie PHEV-Benutzer, die erwarten, dass die Kraftmaschine ausgeschaltet ist, wenn die Leistungsanforderung niedrig ist und die Fahrzeuggeschwindigkeit niedrig ist. Die Nachbehandlungsprozeduren müssen vollendet werden, ohne sich signifikant auf die Kraftstoffsparsamkeit oder das Fahrverhalten auszuwirken.
Verschiedene Ausführungsformen der vorliegenden Offenbarung schaffen eine opportunistische Planung von einigen Nachbehandlungsprozeduren. Dabei meint „opportunistisch“ meint, dass die Planung und Durchführung von Nachbehandlungsprozeduren unter Berücksichtigung günstiger Betriebsbedingungen des Fahrzeuges erfolgt, sodaß die Nachbehandlungsprozeduren während eines Zeitfensters mit eingeschalteter Kraftmaschine für das Fahrzeug stattfinden, wodurch eine Auswirkung der Nachbehandlungsprozeduren auf die Kraftstoffsparsamkeits- und Fahrverhaltenserwartungen minimalisiert wird. Eine günstige Bedingung mit eingeschalteter Kraftmaschine kann durch Ereignisse wie z. B. eine Antriebsleistungsanforderung oder Batterie-Ladungszustands-Bedingung (SOC-Bedingung) ausgelöst werden.
In einer Ausführungsform wird ein Verfahren zum Steuern eines Hybrid-Elektrofahrzeugs mit einer Kompressionszündungskraftmaschine geschaffen. Eine Kompressionszündungskraftmaschine wird auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine betrieben. Eine Abgasnachbehandlungsprozedur wird auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit durchgeführt.
In einer anderen Ausführungsform wird ein Fahrzeug mit einer Kompressionszündungskraftmaschine mit einem Abgasnachbehandlungssystem und einem Controller, der elektronisch mit der Kraftmaschine gekoppelt ist, geschaffen. Der Controller ist dazu konfiguriert: (i) die Kraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine zu betreiben und (ii) eine Abgasnachbehandlungsprozedur für das Fahrzeug auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit durchzuführen.
In noch einer anderen Ausführungsform wird ein computerlesbares Medium mit gespeicherten Daten, die Befehle darstellen, die von einem Controller ausführbar sind, um ein Fahrzeug zu steuern, mit Befehlen zum Betreiben der Kraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine und Befehlen zum Durchführen einer Abgasnachbehandlungsprozedur für das Fahrzeug auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit geschaffen.
Verschiedene Ausführungsformen gemäß der vorliegenden Offenbarung weisen zugehörige Vorteile auf. Die offenbarten Algorithmen verwenden beispielsweise Vorhersageinformationen, um die Nachbehandlungsvorkommnisse in einem Diesel-Hybridfahrzeug intelligent zu optimieren, und können sowohl die Kraftstoffsparsamkeit als auch die Emissionen des Fahrzeugs signifikant verbessern. Das Verfahren legt einen Kraftmaschineneinschaltzeit-Prozentsatz für verschiedene Fahrmuster unter Verwendung von Fahrbedingungen der realen Welt und Fahrerstilen von historischen und vorhergesagten Fahrdaten fest, was zu einer Kraftmaschineneinschaltzeit-Abschätzung führt. Die Verwendung von Modellen oder Simulationen kann die Zeit und Kosten, die mit einer aktiven Fahrzeugprüfung verbunden sind, im möglichen Umfang verringern. Die Verwendung von Simulation und Prüfung, um Tabellen bordextern zu erzeugen, führt auch zu verringerten Echtzeitberechnungen durch den Fahrzeugcontroller, wenn das Fahrzeug betrieben wird.
1 ist eine schematische Darstellung eines Hybrid-Elektrofahrzeugs mit einer Nachbehandlungssteuerung gemäß einer Ausführungsform;
2 ist ein Ablaufplan eines Algorithmus zum Steuern einer Nachbehandlung für die Verwendung bei dem Fahrzeug von 1;
3 ist ein Ablaufplan, der einen Unterschritt von 2 gemäß einer Ausführungsform darstellt;
4 ist ein Ablaufplan, der einen Unterschritt von 2 gemäß einer Ausführungsform darstellt; und
5 ist ein Ablaufplan, der einen Unterschritt von 2 gemäß einer Ausführungsform darstellt.
Wie erforderlich, werden hier ausführliche Ausführungsformen der vorliegenden Offenbarung offenbart; selbstverständlich sind jedoch die offenbarten Ausführungsformen lediglich beispielhaft und können in verschiedenen und alternativen Formen verkörpert sein. Die Figuren sind nicht notwendigerweise maßstäblich; einige Merkmale können übertrieben oder minimiert sein, um Details von speziellen Komponenten zu zeigen. Daher sollen hier offenbarte spezifische Struktur- und Funktionsdetails nicht als Begrenzung interpretiert werden, sondern lediglich als repräsentative Basis zum Lehren eines Fachmanns auf dem Gebiet, den beanspruchten Gegenstand verschiedenartig einzusetzen.
Das Vorsehen von Nachbehandlungsprozeduren für ein Diesel-Hybridfahrzeug kann aufgrund der Unsicherheit der Kraftmaschineneinschaltzeit und des Kraftmaschinenbetriebs schwierig sein. Der Kraftmaschinenbetrieb ist mit dem zukünftigen Fahrzeugbetrieb verbunden, der Fahrunsicherheiten und/oder unvorhergesehene Umgebungsbedingungen umfasst. Das Vorliegen einer Kraftmaschineneinschaltzeit (EOT) oder eines Kraftmaschineneinschaltprozentsatzes (EOT%) für einen Fahrzeugzyklus ermöglicht die Planung und Durchführung einer opportunistischen Nachbehandlungsprozedur, während die Kraftstoffeffizienz und das Fahrverhalten aufrechterhalten werden. Um einen theoretischen EOT% und eine theoretische EOT für das Fahrzeug zu berechnen, werden die zukünftigen Fahrzeugzyklen (Geschwindigkeitsprofil und Straßenbedingungen) vorhergesagt, da der EOT% von den Fahrzeugbetriebsbedingungen abhängt, die den Fahrzyklen entsprechen. Obwohl das genaue Geschwindigkeitsprofil und die genauen Straßenbedingungen der geplanten Fahrzeugfahrten diese Informationen liefern würden, kann es undurchführbar sein, sie zu erhalten. Der EOT% kann unter Verwendung eines Mustervorhersageverfahrens abgeschätzt werden, um eine EOT für das Diesel-Hybridfahrzeug zu liefern und Nachbehandlungsprozeduren opportunistisch zu planen.
Eine Hybrid-Elektrofahrzeug-Struktur (HEV-Struktur) wird in den Figuren und nachstehend zum Beschreiben der verschiedenen Ausführungsformen verwendet; es wird jedoch in Erwägung gezogen, dass die verschiedenen Ausführungsformen bei Fahrzeugen mit anderen Antriebsvorrichtungen oder Kombinationen von Antriebsvorrichtungen verwendet werden können, wie auf dem Fachgebiet bekannt ist. Bei HEVs wird typischerweise Leistung durch einen batteriebetriebenen Elektromotor, eine Kraftmaschine oder eine Kombination davon zugeführt. Einige HEVs weisen ein Einsteckmerkmal auf, das ermöglicht, dass die Batterie mit einer externen Leistungsquelle zum Wiederaufladen verbunden wird, und werden Einsteck-HEVs (PHEVs) genannt. Der Elektrofahrzeugmodus (EV-Modus) in HEVs und PHEVs ermöglicht, dass das Fahrzeug unter Verwendung des Elektromotors allein arbeitet, während die Kraftmaschine nicht verwendet wird, was den Fahrkomfort, die Kraftstoffsparsamkeit und die Umgebung durch null Emissionen vom Fahrzeug während dieser Betriebsperiode verbessern kann.
Die opportunistischen Nachbehandlungsprozeduren, wie hier beschrieben, können auch bei einem herkömmlichen Dieselkraftmaschinenfahrzeug verwendet werden, um die Einleitung einer Nachbehandlungsprozedur auf einer Fahrt mit einer kurzen Dauer zu verhindern, bei der die Prozedur während der Fahrt nicht vollendet werden kann. Durch Durchführen von opportunistischen Nachbehandlungsprozeduren während Fahrten mit ausreichend Zeit, um eine Nachbehandlungsprozedur zu vollenden, können die Prozedurerfolgsrate und die Kraftstoffsparsamkeit erhöht werden.
In einem Beispiel ist das Fahrzeug ein Hybridfahrzeug (HEV) mit einer Kompressionszündungskraftmaschine wie z. B. einer Dieselkraftmaschine und kann zusätzlich die Fähigkeit aufweisen, mit einem externen Stromnetz zu verbinden, wie z. B. bei einem Einsteck-Hybrid-Elektrofahrzeug (PHEV). Ein PHEV verwendet einen Batteriesatz mit größerer Kapazität als ein Standard-Hybridfahrzeug und es fügt eine Fähigkeit zum Wiederaufladen der Batterie von einem elektrischen Stromnetz hinzu, das Energie zu einer Steckdose an einer Aufladestation liefert, was zusätzliche elektrische Energie, die in der Batterie gespeichert wird, vom Netz nach jedem Batterieaufladeereignis schafft. Dies verbessert weiter die gesamte Fahrzeugsystem-Betriebseffizienz in einem Elektroantriebsmodus und in einem gemischten Kohlenwasserstoff/Elektro-Antriebsmodus.
Obwohl die meisten herkömmlichen HEVs betrieben werden, um den Batterie-Ladungszustand (SOC) um einen konstanten Pegel herum zu halten, verwenden PHEVs so viel vorgespeicherte elektrische Batterieenergie (Netzenergie) wie möglich vor dem nächsten Batterieaufladeereignis. Es wird erwartet, dass die relativ kostengünstige vom Netz zugeführte elektrische Energie für den Antrieb und andere Fahrzeugfunktionen nach jeder Aufladung vollständig genutzt wird. Nachdem der Batterie-SOC auf einen niedrigen Erhaltungspegel während eines Ladungsentleerungsereignisses abnimmt, nimmt das PHEV den Betrieb als herkömmliches HEV in einem sogenannten Ladungsaufrechterhaltungsmodus wieder auf, bis die Batterie wieder aufgeladen wird.
1 stellt eine Antriebsstrangkonfiguration eines HEV 10 und ein Steuersystem dar. Die HEV-Konfiguration, wie gezeigt, ist nur für Beispielzwecke und soll nicht begrenzend sein, da die vorliegende Offenbarung für Fahrzeuge mit beliebiger geeigneter Architektur gilt, einschließlich HEVs und PHEVs.
1 stellt ein schematisches Diagramm eines Hybridfahrzeugs 10 gemäß einer Ausführungsform dar. Das Fahrzeug 10 umfasst eine Brennkraftmaschine (ICE) 12 und eine elektrische Maschine, die in der in 1 gezeigten Ausführungsform ein Motor/Generator (M/G) 14 ist, der als Fahrmotor fungiert. Der M/G 14 ist dazu konfiguriert, ein Drehmoment zur Kraftmaschine 12 oder zu den Fahrzeugrädern 16 zu übertragen. Die Kraftmaschine 12 kann eine Kompressionszündungskraftmaschine sein und kann verschiedene Kraftstoffquellen wie z. B. Diesel, Biokraftstoff oder dergleichen verwenden. Die Kraftmaschine 12 weist Abgas 15 auf, das durch ein Nachbehandlungssystem 16 wie z. B. einen DPF, DOC und/oder dergleichen und zur Umgebung strömt.
In einer Ausführungsform ist das Nachbehandlungssystem 16 ein Dieselpartikelfilter (DPF), der Partikelmaterial wie z. B. Ruß und dergleichen aus dem Abgasstrom der Kraftmaschine 12 filtert. Über die Zeit sammelt der Partikelfilter 16 Material an, das die Strömung durch den Filter 16 verringern kann. Höhere Abgastemperaturen können verwendet werden, um die Partikel vom Filter 16 zu reinigen. Zusätzlicher Kraftstoff wird in die Kraftmaschine 12 eingespritzt und die höhere Abgastemperatur brennt Partikel wie z. B. Ruß vom Filter 16 ab. Dieser Prozess wird DPF-Regeneration (DPF-Regen.) genannt. Eine Steuerstrategie für das Nachbehandlungssystem 16 bestimmt, wann der Regenerationsprozess erforderlich ist, und modifiziert dann die Kraftstoffsteuerstrategie, um die Abgastemperatur zu erhöhen. In einem herkömmlichen Fahrzeug kann dieser Prozess beispielsweise ungefähr alle 300 Meilen stattfinden und er kann zwanzig Minuten bis zur Vollendung dauern. Wenn ein DPF-Regen.-Prozess vor der Vollendung unterbrochen wird (z. B. aufgrund eines Ausschaltereignisses), führt das Steuersystem eine weitere DPF-Regen. zu einem späteren Zeitpunkt durch. Da die DPF-Regen. zusätzlichen Kraftstoff verwendet, kann es weniger erwünscht sein, den Regenerationsprozess zu starten, wenn ein Fahrzyklus die Vollendung nicht ermöglicht. Die Kraftstoffsparsamkeit kann während Fahrzyklen verschlechtert werden, in denen eine DPF-Regen. stattfindet. Die gesamte Kraftstoffsparsamkeit kann weiter verschlechtert werden, wenn der Prozess versucht und unterbrochen wird, so dass er während eines ersten Versuchs nicht vollendet wird.
Der M/G 14 wird mit der Kraftmaschine 12 unter Verwendung einer ersten Kupplung 18 verbunden, die auch als Trennkupplung oder stromaufseitige Kupplung bekannt ist. Eine zweite Kupplung 22, die auch als Anfahrkupplung oder stromabseitige Kupplung bekannt ist, verbindet den M/G 14 mit einem Getriebe 24 und das ganze Eingangsdrehmoment in das Getriebe 24 fließt durch die Anfahrkupplung 22. Die Anfahrkupplung 22 kann gesteuert werden, um den Triebstrang 26, der den M/G 14 und die Kraftmaschine 12 umfasst, vom Getriebe 24, Differential 28 und von den Fahrzeugantriebsrädern 16 zu isolieren. Obwohl die Kupplungen 18, 22 als Hydraulikkupplungen beschrieben und erläutert werden, können andere Typen von Kupplungen wie z. B. elektromechanische Kupplungen auch verwendet werden. In einer Ausführungsform wird die Kupplung 22 durch einen Drehmomentwandler und eine Überbrückungskupplung implementiert.
In einigen Ausführungsformen umfasst das Fahrzeug 10 auch einen Startermotor (nicht dargestellt), der mit der Kraftmaschine 12 beispielsweise durch einen Riemen- oder Zahnradtrieb wirksam verbunden ist. Der Startermotor kann verwendet werden, um ohne Hinzufügen eines Drehmoments vom M/G 14 ein Drehmoment zum Starten der Kraftmaschine 12 zu liefern.
Der M/G 14 steht mit einer Batterie 32 in Verbindung. Die Batterie 32 kann eine Hochspannungsbatterie sein. Der M/G 14 kann dazu konfiguriert sein, die Batterie 32 in einem Regenerationsmodus, beispielsweise wenn ein Fahrer ein negatives Raddrehmoment anfordert, durch regeneratives Bremsen oder dergleichen aufzuladen. In einem Beispiel ist die Batterie 32 dazu konfiguriert, mit einem externen elektrischen Stromnetz zu verbinden, wie z. B. für ein Einsteck-Hybrid-Elektrofahrzeug (PHEV) mit der Fähigkeit, die Batterie vom elektrischen Stromnetz wiederaufzuladen, das Energie zu einer Steckdose an einer Aufladestation zuführt. Die Batterie 32 ist außerdem in einer Konfiguration eines PHEV-Fahrzeugs 10 (in Durchsicht gezeigt) unter Verwendung einer Buchse 34 wiederaufladbar, die mit dem Stromnetz oder einer anderen äußeren elektrischen Leistungsquelle verbunden wird und mit der Batterie 26, möglicherweise durch ein(en) Batterie-Aufladungsgerät/Umrichter 36, gekoppelt ist.
In einer Ausführungsform priorisiert ein PHEV 10 die Energie der Batterie 32, so dass die Kraftmaschine 12 für einen ganzen Fahrzyklus nicht laufen kann. Alternativ kann die Kraftmaschine 12 nur für eine kurze Zeitdauer arbeiten. Die Weise, in der die Kraftmaschine 12 betrieben wird, wird vom Verwendungsmuster des Fahrzeugs 10 und von verschiedenen Antriebsstrangeinschränkungen im Bereich von einer vollständigen Fahrzeugantriebsstrangfähigkeit in einem Nur-Elektro-Fahrzeug (EV) bis zu einer gemischten Fahrzeugantriebsstrangfähigkeit, wobei der Betrieb der Kraftmaschine 12 erforderlich sein kann, wenn das Fahrzeug 10 über einer bestimmten Geschwindigkeit fährt oder wenn die vom Fahrer angeforderte Leistung die Grenzen der Batterie 32 übersteigt, getrieben. Ein PHEV kann zwei primäre Betriebsmodi aufweisen: Ladungsentleerung und Ladungsaufrechterhaltung. In einem Ladungsentleerungsmodus wird die Verwendung der Energie der Batterie 32 priorisiert, um die Batterie zu entladen. Sobald eine Zieltiefe der Entladung erreicht ist, arbeitet das PHEV in einem Ladungsaufrechterhaltungsmodus. Im Ladungsaufrechterhaltungsmodus hält das PHEV den SOC der Batterie 32 um einen festen Pegel herum aufrecht.
Ein Fahrzeugsystemcontroller (VSC) 38 überträgt Daten zwischen einer Getriebesteuereinheit (TCU) 40 und einer Kraftmaschinensteuereinheit (ECU) 42 und steht auch mit verschiedenen Fahrzeugsensoren in Kommunikation. Das Steuersystem 44 für das Fahrzeug 10 kann eine beliebige Anzahl von Controllern umfassen und kann in einen einzelnen Controller integriert sein oder verschiedene Module aufweisen. Einige oder alle der Controller können durch ein Controllerbereichsnetz (CAN) oder ein anderes System verbunden sein. Das Steuersystem 44 kann dazu konfiguriert sein, den Betrieb der verschiedenen Komponenten des Getriebes 24, der Motor/Generator-Anordnung 35 und der Kraftmaschine 12 unter beliebigen einer Anzahl von verschiedenen Bedingungen zu steuern.
Die Kurbelwelle oder Ausgangswelle der Kraftmaschine 12 ist mit der Trennkupplung 18 verbunden, die wiederum mit der Eingangswelle für den M/G 14 verbunden ist. Die Ausgangswelle des M/G 14 ist mit der Anfahrkupplung 22 verbunden, die wiederum mit dem Getriebe 24 verbunden ist. Die Komponenten des Triebstrangs 26 des Fahrzeugs 10 sind sequentiell in Reihe miteinander angeordnet.
Ein Verfahren oder Algorithmus für die Verwendung durch das Fahrzeug 10 umfasst eine opportunistische Nachbehandlungsplanung unter Verwendung von Mustervorhersage, um sowohl das Energiemanagement als auch Emissionen in einem Diesel-PHEV zu verbessern. Eine EOT-Vorhersageeinrichtung auf Musterbasis ermöglicht eine opportunistische Nachbehandlungsplanung für Diesel-PHEVs unter Verwendung von Mustervorhersage und bordexternen Simulationen und/oder Fahrzeugprüfung.
Ein Algorithmus zur Verwendung bei dem Fahrzeug 10 verwendet eine Mustervorhersage von einem Fahrmuster-Identifikationsverfahren und bordexterne Simulationen (oder Fahrzeugtests), um eine EOT%-Abschätzung für das Fahrzeug zu schaffen. Der Satz von Fahrmustern kann durch die Verkehrsgeschwindigkeit, den Straßenzustand, Verkehrsstauniveaus und Fahrbahntypen sowie individuelle Fahrstile definiert und unterschieden werden.
Der Algorithmus bestimmt Zeitfenster während Fahrrouten des Fahrzeugs 10, die die Vollendung von einer oder mehreren festgelegten Nachbehandlungsprozeduren mit geringer Auswirkung auf die Kraftstoffsparsamkeit und das Fahrzeugfahrverhalten ermöglichen. Der Algorithmus plant die festgelegte Nachbehandlungsprozedur zu einer geeigneten Zeit während der Fahrroute. Die Bestimmung eines "qualifizierten Fensters" für die Nachbehandlungsprozedur während verschiedener Fahrzyklen kann von einem vorhergesagten EOT% während eines Segments der Route oder des Zyklus abhängen. Die vorhergesagte EOT kann unter Verwendung von historischen Verwendungsmustern und/oder zukünftigen vorhergesagten Informationen wie z. B. einer in das Navigationssystem eingegebenen Route, Echtzeitverkehr, Fahrzeug-Fahrzeug-(V2V) oder Fahrzeug-Informations-(V2I) Systemen usw. bestimmt werden.
Das Abschätzen eines zukünftigen Geschwindigkeitsprofils und von Straßenbedingungen kann hinsichtlich der Kosten oder Zeit schwierig und ineffizient sein. Ein PHEV-EOT% kann jedoch innerhalb jedes Fahrmusters für das Fahrzeug 10 selbst bei einigen Geschwindigkeits- und Steigungsdifferenzen ziemlich konsistent und stabil sein.
Das Fahrmuster-Identifikationsverfahren detektiert und erkennt verschiedene Fahrbedingungen als eines von einem Satz von Standardfahrmustern, einschließlich beispielsweise Stadt, Autobahn, städtisch, Verkehr, niedrige Emissionen usw. In einer Ausführungsform basiert der Algorithmus auf Maschinenlernen unter Verwendung eines Neuronennetzes. In anderen Ausführungsformen basiert der Algorithmus auf Support-Vektor-Maschinen, unscharfer Logik oder dergleichen.
Der Algorithmus wählt Sequenzen von "Fahrmustern" als effektivste Darstellung hoher Ebene der Verkehrsgeschwindigkeit, des Straßenzustandes und des Fahrstils als Basis zum Berechnen des mittleren EOT%. Dies kann die hohen Kosten und Unsicherheiten der Erfassung der genauen zukünftigen Geschwindigkeitsprofile und Straßenbedingungen vermeiden, aber genügend Genauigkeit beim Abschätzen der EOT des PHEV beibehalten. Der Algorithmus kann mehrere verschiedene Fahrmuster der Reihe nach anordnen, um verschiedene Segmente einer vorhergesagten Route für das Fahrzeug darzustellen. Außerdem kann jedes Fahrmuster eine zugehörige Zeit aufweisen, die das Fahrzeug 10 unter den durch das Fahrmuster dargestellten Bedingungen arbeitet.
Der Algorithmus kann unter Verwendung einer Fahrmuster- und Fahrstil-Identifikationstechnik entwickelt werden, um eines der vordefinierten Fahrmuster von den Fahrbedingungen oder der Fahraggressivität automatisch zu detektieren und zu erkennen. Hinsichtlich des Fahrmuster-Identifikationsverfahrens sind die EOT und der EOT% für ein spezielles Muster mit individuellen Fahrstilen, Fahrbahntypen und Verkehrsstauniveaus verbunden. Ein Satz von Standardfahrmustern, die einrichtungsspezifische Zyklen genannt werden, wurde entwickelt, um Personenkraftwagen- und Leichtlastwagenbetriebe über einen breiten Bereich von Einrichtungen und Stauniveaus in städtischen Gebieten darzustellen. (Siehe beispielsweise Sierra Research, Development of Speed Correction Cycles, Sierra Report Nr. SR97-04-01 (1997).) Fahrstile wurden in diesen Standardfahrmustern ebenso erfasst. Für denselben Fahrbahntyp und dasselbe Verkehrsniveau können verschiedene Fahrer beispielsweise zu verschiedenen Fahrmustern führen. Ein Online-Fahrmuster-Identifikationsverfahren, das automatisch die Fahrbedingung der realen Welt und den Fahrstil detektiert und dies als eines der Standardmuster erkennt, wurde entwickelt. (Siehe beispielsweise Jungme Park, ZhiHang Chen, Leonidas Kiliaris, Ming Kuang, Abul Masrur, Anthony Phillips, Yi L. Murphey, ‘Intelligent Vehicle Power Control based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestions’, IEEE Transactions on Vehicular Technology, November 2009, Band 58, Ausgabe 9.) Dieses Online-Fahrmusterverfahren basiert auf Maschinenlernen unter Verwendung eines Neuronennetzes und seine Genauigkeit wurde durch Simulationen erwiesen.
Der Weg, die Fahrt oder die Route kann durch einen Benutzer eingegeben oder angegeben werden oder kann unter Verwendung eines elektronische Horizonts geliefert werden, der eine Routenwahrscheinlichkeit auf der Basis von Straßen nahe dem Fahrzeug, der Richtung des Fahrzeugs usw. berechnet. Wenn sich beispielsweise ein Fahrzeug auf einer Autobahn befindet, verwendet der elektronische Horizont einen Autobahnweg und den Abstand zur nächsten Ausfahrt als zukünftige vorhergesagte Informationen und schaltet dann auf eine unbekannte, unvorhergesagte Zukunft um. Für ein Fahrzeug, das auf einer Autobahn betrieben wird, kann beispielsweise ein relativ hoher Wert für den EOT% bestehen, was bedeutet, dass die Kraftmaschine für einen relativ großen Bruchteil der Zeit, in der sich das Fahrzeug innerhalb dieses Fahrmusters befindet, arbeiten kann. Die EOT kann einem einzelnen Kraftmaschinenhochfahren innerhalb eines Musters zugeordnet sein oder kann mehreren Kraftmaschinenhochfahrvorgängen innerhalb des Musters zugeordnet sein.
Die Gesamtzeit, die die Kraftmaschine innerhalb des Musters eingeschaltet ist, im Vergleich zur Länge des Musters liefert den EOT%.
Der Algorithmus kann auch auf Fahrzeugsimulationsmodellen basieren, die das tatsächliche Fahrzeug mit eingebauten Controllern darstellen. Die Simulation kann beispielsweise den PHEV-EOT% unter irgendeinem Fahrmuster, das durch typische Fahrzyklen dargestellt wird, genau berechnen. Diese Simulationsergebnisse können mit den Fahrzeugtestergebnissen hinsichtlich Genauigkeit verglichen werden.
2 stellt eine Ausführungsform des Algorithmus 50 zur Verwendung mit einem Steuersystem für ein Hybridfahrzeug mit einer Dieselkraftmaschine wie z. B. dem Steuersystem 44 für das Fahrzeug 10 in 1 dar. Der Algorithmus 50 beginnt bei 52, wie z. B. nach einem Fahrzeugeinschaltereignis. Bei 54 bestimmt das Steuersystem 44, ob eine Bedingung einer erzwungenen Nachbehandlungsprozedur besteht, die ein erzwungenes Kraftmaschinenhochfahren (FEPU) erfordert, um die Nachbehandlungsprozedur durchzuführen. Wenn bei 54 ein unmittelbarer Bedarf oder eine Aufforderung besteht, eine Nachbehandlungsprozedur durchzuführen, die erfordert, dass die Kraftmaschine 12 eingeschaltet ist, wird die Kraftmaschine 12 bei 56 hochgefahren und die Nachbehandlung wird durchgeführt. Aufgrund der opportunistischen Nachbehandlungsstrategie, wie nachstehend beschrieben, kann das Auftreten einer erzwungenen Nachbehandlungsprozedur verringert werden.
Wenn kein unmittelbarer oder erzwungener Zustand auf Nachbehandlungsbasis mit eingeschalteter Kraftmaschine bei 54 erforderlich ist, geht der Algorithmus zu 58 weiter und überwacht auf irgendwelche Anforderungen für eine eingeschaltete Kraftmaschine (oder Kraftmaschinenhochfahranforderungen), die durch den Fahrzeugzustand ausgelöst werden, wie z. B. einen Fahrbefehl (d. h. Gesamtleistungsanforderung und Geschwindigkeitsanforderung), den SOC-Zustand, die Temperatur, Überspannungsschutz, Klimaanforderung oder dergleichen. Wenn eine solche Anforderung für eine eingeschaltete Kraftmaschine auftritt, geht der Algorithmus zu 60 weiter und schätzt die Zeit bis zur Vollendung von einer oder mehreren festgelegten Nachbehandlungsprozeduren (T_C) ab, unter der Annahme, dass sie zum aktuellen Zeitpunkt beginnt.
Die T_C für eine gegebene Nachbehandlungsprozedur kann eine Funktion der Nachbehandlungsbedingungen sein. Die T_C für eine DPF-Regeneration kann beispielsweise aus einer Systembeschränkungsmetrik berechnet werden, die von der ECU 42 gesendet wird und mit einer gemessenen Gegendruckdifferenz über dem DPF korreliert ist. Ebenso kann die T_C für eine DOC-Aufheizung aus einer gemessenen Temperatur und einer mittleren Kraftmaschinenleistung abgeschätzt werden. In Abhängigkeit vom Zustand der Nachbehandlungsvorrichtung 16 oder davon, welche Vorrichtung 16 verwendet wird, kann die T_C dementsprechend variieren.
In einer Ausführungsform kann mit einem DPF-Filter als Nachbehandlungssystem 16 die Nachbehandlungsbedingung unter Verwendung einer Systembeschränkungsmetrik überwacht werden, die ein Signal ist, das von der ECU 42 berechnet wird und mit einer gemessenen Gegendruckdifferenz über dem DPF korreliert ist. Die Metrik ist im Wesentlichen ein normierter Druckabfall und ist ein Angabesignal für DPF-Bedingungen. Die Metrik spiegelt die kumulativen Effekte der Erhöhung der Partikelbelastung im Filter über die Zeit wider. Wenn die Metrik einen vorbestimmten Wert erreicht oder überschreitet, wird ein Regenerationszyklus angefordert. In Abhängigkeit von den Betriebsbedingungen der Kraftmaschine 12 wird diese Anforderung schließlich gewährt. Die erzwungene "Vorgabe-DPF-Regen." ist in unsere Strategie eingegliedert und wird im nächsten Abschnitt kurz beschrieben.
Nach dem Bestimmen der T_C bei 60 geht der Algorithmus zum Bestimmen der EOT bei 62 durch Verarbeiten von historischen Verwendungsmustern und vorhergesagten Informationen wie z. B. einer in das Navigationssystem eingegebenen Route, Echtzeitverkehr, V2V/V2I-Informationen usw. weiter. Schritt 62 umfasst drei Unterschritte 64, 66, 68. Im Unterschritt 64 werden Kalibrierungstabellen oder Nachschlagetabellen über Modellsimulationen oder eine Fahrzeugprüfung beispielsweise in einer Offline-Situation konstruiert. Die Tabellen werden zum Unterschritt 66 geliefert. Im Unterschritt 66 werden die Tabellen, die dem spezifischen Fahrzeug, dem spezifischen Fahrstil und der spezifischen Umgebungsbedingung entsprechen, abgerufen und geladen und angepasste EOT%-Tabellen werden bereitgestellt. Im Unterschritt 68 verwendet der Algorithmus die EOT%-Tabellen von 66, um den EOT% für jedes Fahrmuster unter Verwendung von Mustererkennungstechniken zu berechnen. Das Fahrzeug arbeitet für eine Zeit (T_i) für ein gegebenes Fahrmuster während der Zeit, um die Nachbehandlungsprozedur zu vollenden. Das Steuersystem 44 liest die vorhergesagten Routeninformationen, erkennt den Fahrzyklus von einem der vordefinierten Fahrmuster und verwendet eine Modifikatorfunktion, um die Ergebnisse weiter einzustellen. Zusätzliche Details der Schritte 64, 66, 68 werden nachstehend erörtert. Der Algorithmus verwendet den EOT% und die T_i, um die EOT während einer Fahrmusterzeitdauer T_i zu berechnen und vorherzusagen. Es ist zu beachten, dass die Kraftmaschine 12 während einer gegebenen T_i und einer gegebenen T_C ein oder mehrere Male eingeschaltet sein kann und dass die EOT die gesamte Kraftmaschineneinschaltzeit während der Zeitdauer T_C darstellt.
Schritt 70 verwendet die EOT und T_C, um einen Überlappungsprozentsatz zwischen der EOT und T_C zu berechnen. Wenn beispielsweise eine Nachbehandlungsprozedur wie z. B. Aufheizen des DOC auf eine festgelegte Temperatur fünf Minuten dauert und die Kraftmaschine für drei Minuten eingeschaltet bleibt, ist der Überlappungsprozentsatz EOT/T_C = 60 %.
Schritt 72 verwendet den Überlappungsprozentsatz und führt einen Entscheidungsschritt durch, um zu bestimmen, ob die Überlappung für eine opportunistische Nachbehandlungsprozedur ausreichend lang ist. Schritt 72 vergleicht den Überlappungsprozentsatz mit einem Schwellenwert k. Der k-Wert wird unter Verwendung einer Kalibrierungstabelle auf der Basis von Emissionsbedingungen, d. h. des DPF-Werts, der Katalysator- oder DOC-Temperatur usw., bestimmt. Wenn der Bedarf an einer Nachbehandlungsprozedur zunimmt, nimmt der k-Wert ab. Der k-Wert wird auf der Basis einer Vielfalt von Testbedingungen kalibriert, um einen Kompromiss zwischen der Kraftstoffsparsamkeit und Emissionsanforderungen abzuwägen.
Wenn der Überlappungsprozentsatz geringer ist als der k-Wert, bestimmt der Algorithmus in Schritt 72, dass die Nachbehandlung wartet, und kehrt zu Schritt 58 zurück. Wenn der Überlappungsprozentsatz gleich oder größer als der k-Wert ist, kann eine opportunistische Nachbehandlungsprozedur stattfinden, und er geht zu Schritt 74 weiter. Bei 74 wird die Nachbehandlungsprozedur durchgeführt und der Algorithmus kehrt dann zu 54 zurück.
Sobald die opportunistische Nachbehandlungsprozedur in Gang ist, kann der Algorithmus 50 ein "Kraftmaschinenausschaltsperr"-Signal setzen, bis die Nachbehandlungsprozedur vollendet ist, so dass die Kraftmaschine nicht in der Mitte einer Nachbehandlungsprozedur heruntergefahren werden kann. Das Aufrechterhalten eines Zustandes mit eingeschalteter Kraftmaschine im Fahrzeug, bis die opportunistische Nachbehandlungsprozedur vollendet ist, verhindert unterbrochene Nachbehandlungsprozeduren und erhöht die gesamte Kraftstoffsparsamkeit. Das "Kraftmaschinenausschaltsperr"-Signal kann eine Aufhebung aufweisen, wie z. B. ein Fahrzeugausschaltereignis am Ende eines Fahrzyklus.
In einem Beispiel für Schritt 72 ist der Überlappungsprozentsatz 60 %. Das Fahrzeug 10 weist einen DPF mit einer Beschränkungsmetrik auf, die sich der höheren Grenze nähert, so dass der k-Wert auf eine kleine Zahl gesetzt wird, z. B. k = 20 %. Da 60 % > 20 %, wird eine opportunistische Nachbehandlungsprozedur zu diesem Zeitpunkt ermöglicht. In einem anderen Beispiel ist der Überlappungsprozentsatz 60 % und die DPF-Beschränkungsmetrik ist niedrig, so dass k = 90 %. Da 60 % < 90 %, wird die opportunistische DPF-Regen. auf einen späteren Zeitpunkt verschoben.
3 stellt ein Beispiel einer Implementierung des Unterschritts 64 zum Konstruieren von Kalibrierungstabellen oder Nachschlagetabellen über Modellsimulationen oder eine Fahrzeugprüfung beispielsweise in einer Offline-Situation dar, um die Echtzeitberechnung im Fahrzeug 10 zu minimieren. Schritt 64 berechnet und speichert den mittleren EOT% für jedes Fahrmuster durch Durchführen einer Modellsimulation oder Durchführen eines tatsächlichen Fahrzeugtests der realen Welt. Der mittlere EOT% für ein gegebenes Fahrmuster Pattern_k kann entweder durch eine Simulation, wobei EOT% = Sim(Modell, Pattern_k), oder durch einen Test des Fahrzeugs 10, wobei EOT% = Test(Fahrzeug, Pattern_k), erhalten werden. Die Simulationen oder Fahrzeugtests können auch zusätzliche Faktoren berücksichtigen, wie z. B. den SOC, verschiedene Fahrzeuggewichte, Reifendruck usw. Die Tabellen 80 werden offline erzeugt, es wird jedoch auch in Erwägung gezogen, dass die Tabellen erzeugt oder aktualisiert werden könnten, während das Fahrzeug arbeitet, oder online.
Wie in 3 dargestellt, werden die Simulationen bei 76 iteriert, um verschiedene Fahrstile, Temperaturen, Gewichte, Nebenaggregatslasten, SOC, Reifendruck und andere zeitlich veränderlichen Fahrzeugzustände zu durchlaufen. Diese Parameter können dann zusätzliche Eingaben in die EOT%-Nachschlagetabellen werden. Die Simulationen oder Tests werden bei 78 durch Berechnen eines EOT% für jedes Fahrmuster durchgeführt. Der mittlere EOT% für Fahr-Pattern_k kann beispielsweise durch Engine_ON%k = Sim (Modell, Pattern_k, SOC, Fahrzeuggewicht, Fahrstil, Nebenaggregatslast, ...) oder Engine_ON%k = Test (Modell, Pattern_k, SOC, Fahrzeuggewicht, Fahrstil, Nebenaggregatslast, ...) erhalten werden. Die Ergebnisse vom Test oder von den Simulationen bei 78 schaffen mehrdimensionale Tabellen bei 80, die das Fahrmuster und den mittleren EOT% für jedes Muster korrelieren. Wenn die Anzahl von Eingaben zunimmt, werden die Tabellen 80 umso größer, da sie mehr Dimensionen aufweisen, um das Fahrmuster zu bestimmen.
Die Anzahl und der Typ von Eingaben, die verwendet werden, können so gewählt werden, dass sie zu einem Genauigkeitsniveau führen, während ein managbares Niveau an Dimensionalität in der Tabelle aufrechterhalten wird. Der mittlere EOT% ist ein Wert, der einem Fahrmuster zugeordnet ist, und verschiedene EOT% können für verschiedene Fahrmuster existieren, so dass der Kraftmaschineneinschaltzeit-Prozentsatz an Fahrbedingungen gebunden ist. Schritt 64 führt Iterationen durch jedes der möglichen Fahrmuster durch, um eine Kalibrierungs- oder Nachschlagetabelle bei 80 zu schaffen, die an Bord des Fahrzeugs 10 verwendet werden soll. Die mittleren EOT%-Zahlen sind erforderlich, um die EOT zu berechnen.
4 stellt ein Beispiel einer Implementierung des Unterschritts 66 zum Abrufen und Laden der gewünschten Nachschlagetabelle 80 dar. Verschiedene von der Route unabhängige Faktoren werden von Sensordaten geladen. Eine Fahrstilerkennung findet bei 82 statt, die einen Mustererkennungsalgorithmus verwendet. Ein Fahrstil kann verschiedene Aggressivitätsniveaus, z. B. ruhig, normal und aggressiv, angeben.
Die Fahreridentifikation beginnt bei 84. Der Algorithmus stellt bei 86 fest, ob es sich um einen bekannten Fahrer handelt, und wenn ja, lädt er bei 88 einen gespeicherten Fahrstil von einem bekannten Fahrerprofil. Wenn der Fahrer nicht bekannt ist, geht der Algorithmus zu 90 weiter und stellt fest, ob Fahrdaten für den unbekannten Fahrer zur Verfügung stehen. Wenn keine Fahrerdaten zur Verfügung stehen, verwendet der Algorithmus einen Vorgabefahrerstil bei 92. Wenn Fahrdaten bei 90 zur Verfügung stehen, geht der Algorithmus zu 94 weiter und gewinnt Mustermerkmale und -parameter 96 von Eingaben 96, wie z. B. historische Fahrzeuggeschwindigkeiten, Straßensteigungen und dergleichen. Die Mustermerkmale und -parameter 96 werden verwendet, um einen Fahrstil auf der Basis von historischen Daten für das Fahrzeug bei 100 zu erkennen. Das Fahrererkennungsmodul 82 liefert einen Fahrstil 102 von einem von 88, 92 und 100.
Der Fahrstil 102 wird zum Modul 104 geliefert, das die geeignete EOT%-Tabelle entsprechend den von der Route unabhängigen Faktoren aus einer Datenbank von mehrdimensionalen Tabellen 80, die durch Schritt 64 bereitgestellt werden, abruft und lädt. Die Tabellen 80 können in Sätzen angeordnet sein, wobei jeder Tabellensatz individuelle Tabellen mit individuellen Fahrmustern enthält. Das Modul 104 kann Eingaben von verschiedenen Quellen zur Verwendung beim Bestimmen, welcher Tabellensatz verwendet werden soll, empfangen. Die Tabelle kann durch die von der Route unabhängigen Faktoren indiziert sein. Das Modul 104 verwendet auch Sensordaten 106 für die von der Route unabhängigen Informationen beim Bestimmen, welche Tabelle verwendet werden soll. Die Sensordaten 106 können Daten 108 wie z. B. Fahrzeuggewicht, Reifendruck, SOC und dergleichen umfassen, die unter Verwendung von Bordfahrzeugsensoren gemessen werden. Das Modul 104 liefert einen angepassten EOT%-Tabellensatz 110.
5 stellt ein Beispiel einer Implementierung des Unterschritts 68 oder Moduls zum Berechnen eines EOT% unter Verwendung von Mustererkennung dar, um die EOT während einer gegebenen Periode T_C zu berechnen. Das Modul 68 beginnt durch Abrufen von routenspezifischen Informationen bei 112. Die routenspezifischen oder routenabhängigen Informationen können von mehreren Quellen erhalten werden, einschließlich eines Navigationssystems, Fahrereingaben, V2V/V2I (Fahrzeug-Fahrzeug/Fahrzeug-Infrastruktur), eines zellularen Netzes, eines Satellitennetzes oder dergleichen. Das Modul verwendet die routenabhängigen Informationen von 112, um dominante Faktoren 114 zu gewinnen.
Die dominanten Faktoren 114 werden in einem Verkehrsmodell 116 verwendet, das mit zusätzlichen auf die Route bezogenen Informationen ergänzt. Das Verkehrsmodell liefert vorhergesagte Verkehrsbetrachtungen bei 118 zu einer Mustermerkmals- und Musterparametergewinnungsfunktion bei 120. Die Mustermerkmals- und Musterparametergewinnungsfunktion 120 empfängt auch einen ersten Satz von Routenfaktoren 114. Die Gewinnungsfunktion 120 sammelt und verarbeitet die Informationen und gewinnt die Mustermerkmale und Parameter 122. (App B)
Die Faktoren können in einen ersten und einen zweiten Satz unterteilt sein. Der erste Satz von Faktoren kann Informationen oder Zustände für das Fahrzeug oder die Route selbst umfassen und kann einen Fahrerbefehl oder Leistungsbefehl von einer Straßenlast, den SOC, Fahrzeuggeschwindigkeit und dergleichen umfassen. Der zweite Satz von Faktoren kann zufällige Lasten wie z. B. einen Umgebungszustand, Wetterbedingungen, Wind und andere Fahrzeugoperationen wie z. B. Heiz-, Belüftungs- und Klimaanlage (HVAC-Anlage) und dergleichen umfassen. Andere Faktoren können natürlich vorliegen, und die Faktoren können zwischen den Sätzen austauschbar sein. Die Verwendung von mehreren Sätzen von Faktoren kann die Rechenzeit für das Fahrzeug 10 verringern.
Die Musterparametergewinnungsfunktion 120 stellt einen Prozess zum Sammeln von verfügbaren Musterparametern oder zum Umsetzen von verfügbaren Informationen in typische Fahrmusterparameter dar. Die Funktion 120 gewinnt Musterparameter zum Vorhersagen von zukünftigen Fahrmustern. Typische Musterparameter umfassen: Gesamtfahrstrecke, mittlere Geschwindigkeit, maximale Geschwindigkeit, Standardabweichung (SD) der Beschleunigung, mittlere Beschleunigung, maximale Beschleunigung, mittlere Verlangsamung, maximale Verlangsamung, Prozentsatz der Zeit innerhalb eines festgelegten Geschwindigkeitsintervalls und Prozentsatz der Zeit innerhalb eines festgelegten Verlangsamungsintervalls. Andere Parameter werden auch in Erwägung gezogen.
Die Parameter wirken sich auf den EOT% aus und können verwendet werden, um zwischen Fahrmustern zu unterscheiden, und können von mehreren Informationsquellen beobachtet, berechnet oder genähert werden. Die meisten Musterparameter für die "aktuelle" Fahrbedingung werden beispielsweise vom jüngsten Geschwindigkeitsprofil, das an Bord durch das Steuersystem 44 aufgezeichnet wird, gewonnen und in das gewünschte Format verarbeitet. Außerdem können mit der Verfügbarkeit von Navigationssystemen, V2V/V2I (Fahrzeug-Fahrzeug/Fahrzeug-Infrastruktur) und zellularen und anderen Netzen und Verkehrsmodellierung zukünftige Informationen gesammelt und in typische Musterparameter verarbeitet werden.
Die Mustermerkmale und -parameter 122 werden mit einem Mustererkennungsalgorithmus 124 verwendet. Der Mustererkennungsalgorithmus 124 erkennt ein oder mehrere zukünftige Fahrmuster für das Fahrzeug 10 von einem Satz von Standardfahrmustern und weist jedem Segment einer Route oder Teilroute ein vordefiniertes Fahrmuster zu, was zu vorhergesagten Fahrmustern während der Zeitdauer T_C 126 führt. Eine Route oder Teilroute für das Fahrzeug 10 kann ein oder mehrere Segmente aufweisen.
Schritt 128 verwendet die vorhergesagten Fahrmuster für die Zeit T_C 126 und die angepassten EOT%-Tabellen 110, um einen rohen EOT% für die vorhergesagten Muster für die Zeit T_C bei 130 zu schaffen. Schritt 128 schlägt die entsprechenden Tabellen des mittleren EOT% für die erkannten Fahrmuster nach.
Wenn beispielsweise Pattern_k als aktuelles Fahrmuster bei 124 erkannt wird, wird der mittlere EOT% 130 für Pattern_k in den Tabellen als EOT%_Average_K = Average_EOT%_Table(Pattern_k, SOC, Fahrzeuggewicht...) gefunden. Wenn zukünftige Muster als Pattern_t, Pattern_t+i, ... Pattern_t+Tend erkannt werden, kann ebenso Schritt 124 eine Reihe von mittleren EOT% 130 für jedes vorhergesagte Muster berechnen als:
EOT%_Average_t = Average_EOT%_Table (Pattern_t, SOC, Fahrzeuggewicht...);
EOT%_Average_t+1 = Average_EOT%_Table (Pattern_t+1, SOC, Fahrzeuggewicht...);...
EOT%_Average_t+Tend = Average_EOT%_Table (Pattern_t+Tend, SOC, Fahrzeuggewicht...).
Die verschiedenen mittleren EOT% 130 wirken als Eingabe in einen Modifikator 132. Der Modifikator 132 stellt den rohen mittleren EOT% für jedes Fahrmuster durch Betrachten eines zweiten Satzes von routenabhängigen Faktoren 134 ein. Der zweite Satz von routenabhängigen Faktoren 134 umfasst "zufällige Lasten" wie z. B. Heiz-, Belüftungs- und Klimatisierungsverwendung (HVAC-Verwendung), Stereo, andere Nebenaggregatsverwendung, Wetter, Windgeschwindigkeit und -richtung, Umgebungstemperaturen oder andere Umgebungszustände, deren Auswirkungen relativ unbedeutend sein können. Die Einstellungen durch den Modifikator 132 können durch einen Satz von Skalierungsfaktoren durchgeführt werden. Die Auswirkung des zweiten Satzes von Faktoren 134 kann vom Fahrmuster abhängen. Die Auswirkung auf die Gesamt-EOT kann aus der Auswirkung des zweiten Satzes von Faktoren 134 auf den mittleren EOT% 130 für jedes der identifizierten Fahrmuster abgeschätzt werden. Der Algorithmus 132 kann die Faktoren 134 statistisch abschätzen und den EOT% unter Verwendung von Tabellen modifizieren, die die Beziehungen zwischen dem zweiten Satz von Faktoren 134 und dem EOT% enthalten. Die Skalierungs- und Gewichtungsfaktoren im Modifikator 132 werden als Kalibrierungen gespeichert und können abgestimmt werden, so dass sie einem aktiven Fahrzeugtest und/oder Modellsimulationen entsprechen.
Der Modifikator 132 liefert einen eingestellten EOT% für die vorhergesagten Fahrmuster für die Zeit T_C 136 in einen Algorithmus 138, der die gesamte EOT während T_C bei 140 durch Nehmen der Summe der EOT für jedes Fahrmuster, das durch den EOT% für das Fahrmuster berechnet wird, multipliziert mit der Länge der Zeit für das Fahrmuster T_i berechnet. Die gesamte EOT bei 140 wird in Schritt 70 in 2 eingegeben.
Die Verwendung des Verfahrens oder Algorithmus in einem Fahrzeug kann in verschiedenen Weisen detektiert werden. Das Stattfinden von irgendwelchen Nachbehandlungsprozeduren und der Kraftmaschineneinschalt- und Kraftmaschinenausschaltzustand sind in einem Fahrzeug leicht zugänglich wie z. B. durch Fahrzeugmessgeräte, eine Borddiagnoseschnittstelle, einfache Sensoren, Fahrzeugtests usw. Eingangsvariablen in den Algorithmus können den Routentyp, den SOC, die Fahrzeuggeschwindigkeit, das Fahrzeuggewicht, den mittleren EOT% des Fahrzeugs in einem Fahrmuster usw. umfassen. Die Ausgangsvariable ist das Stattfinden der Nachbehandlungsprozeduren. Die Verwendung des Verfahrens in einem Fahrzeug kann durch Testprozeduren detektiert werden.
Ein Fahrzeug kann beispielsweise auf ein festes Fahrmuster getestet werden und die verschiedenen Eingangsvariablen können gemessen und aufgezeichnet werden. Durch das Fahrzeug kann in ein Fahrprofil, das für eine bekannte Nachbehandlungsprozedur vorteilhaft ist, eingetreten werden. Wenn die Nachbehandlungsprozedur ausgelöst wird, basierte die Entscheidung auf dem angenommenen zukünftigen oder vorhergesagten Fahrmuster. Der Test kann für mehrere Fahrmuster durchgeführt werden, um die statistische Sicherheit der Verwendung des Algorithmus zu erhöhen. Die Vorkommnisse der Nachbehandlungsprozeduren und der Kraftmaschineneinschalt- und Kraftmaschinenausschaltzustand für alle getesteten Fahrmuster können durch ein Diagramm korreliert werden. Wenn der Algorithmus in einem Fahrzeug vorhanden ist, findet eine Anzahl der Nachbehandlungsprozeduren während qualifizierter Fahrtsegmente statt.
Verschiedene Ausführungsformen gemäß der vorliegenden Offenbarung weisen zugehörige Vorteile auf. Die offenbarten Algorithmen verwenden beispielsweise Vorhersageinformationen, um die Nachbehandlungsvorkommnisse in einem Diesel-Hybridfahrzeug intelligent zu optimieren, und können sowohl die Kraftstoffsparsamkeit als auch die Emissionen des Fahrzeugs signifikant verbessern. Das Verfahren legt einen Kraftmaschineneinschaltzeit-Prozentsatz für verschiedene Fahrmuster unter Verwendung von Fahrbedingungen der realen Welt und Fahrerstilen von historischen und vorhergesagten Fahrdaten fest, was zu einer Kraftmaschineneinschaltzeit-Abschätzung führt. Die Verwendung von Modellen oder Simulationen kann die Zeit und Kosten, die mit einer aktiven Fahrzeugprüfung verbunden sind, im möglichen Umfang verringern. Die Verwendung von Simulation und Prüfung, um Tabellen bordextern zu erzeugen, führt auch zu verringerten Echtzeitberechnungen durch den Fahrzeugcontroller, wenn das Fahrzeug betrieben wird.
Die Verfahren und Algorithmen sind von irgendeiner speziellen Programmiersprache, vom Betriebssystemprozessor oder von der Schaltungsanordnung, die zum Entwickeln und/oder Implementieren der dargestellten Steuerlogik verwendet wird, unabhängig. Ebenso können in Abhängigkeit von der speziellen Programmiersprache und Verarbeitungsstrategie verschiedene Funktionen in der dargestellten Sequenz im Wesentlichen gleichzeitig oder in einer anderen Sequenz durchgeführt werden. Die dargestellten Funktionen können modifiziert oder in einigen Fällen weggelassen werden, ohne vom Gedanken oder Schutzbereich der vorliegenden Erfindung abzuweichen.
Obwohl beispielhafte Ausführungsformen vorstehend beschrieben sind, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen der Erfindung beschreiben. Vielmehr sind die in der Patentbeschreibung verwendeten Worte Worte zur Beschreibung als zur Begrenzung und selbstverständlich können verschiedene Änderungen vorgenommen werden, ohne vom Gedanken und Schutzbereich der Erfindung abzuweichen. Außerdem können die Merkmale von verschiedenen Implementierungsausführungsformen kombiniert werden, um weitere Ausführungsformen zu bilden, die nicht explizit erläutert oder beschrieben sind. Wenn eine oder mehrere Ausführungsformen als Vorteile bereitstellend oder gegenüber anderen Ausführungsformen und/oder gegenüber dem Stand der Technik in Bezug auf eine oder mehrere gewünschte Eigenschaften bevorzugt beschrieben wurden, erkennt ein Fachmann auf dem Gebiet, dass Kompromisse zwischen verschiedenen Merkmalen gemacht werden können, um gewünschte Systemattribute zu erreichen, die von der spezifischen Anwendung oder Implementierung abhängen können. Diese Attribute umfassen, sind jedoch nicht begrenzt auf: Kosten, Festigkeit, Haltbarkeit, Lebensdauerkosten, Vermarkungsfähigkeit, Aussehen, Unterbringung, Größe, Wartungsfähigkeit, Gewicht, Herstellbarkeit, leichte Montage usw. An sich liegen beliebige Ausführungsformen, die als weniger erwünscht relativ zu anderen Ausführungsformen in Bezug auf eine oder mehrere Eigenschaften beschrieben sind, nicht außerhalb des Schutzbereichs des beanspruchten Gegenstandes.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Sierra Research, Development of Speed Correction Cycles, Sierra Report Nr. SR97-04-01 (1997) [0036]
Jungme Park, ZhiHang Chen, Leonidas Kiliaris, Ming Kuang, Abul Masrur, Anthony Phillips, Yi L. Murphey, ‘Intelligent Vehicle Power Control based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestions’, IEEE Transactions on Vehicular Technology, November 2009, Band 58, Ausgabe 9 [0036]

Claims

Verfahren zum Steuern eines Hybrid-Elektrofahrzeugs mit einer Kompressionszündungskraftmaschine, wobei das Verfahren Folgendes umfasst: Betreiben einer Kompressionszündungskraftmaschine auf der Basis einer Anforderung für eine eingeschaltete Kraftmaschine; und Durchführen einer Abgasnachbehandlungsprozedur auf der Basis einer Vollendungszeit für die Nachbehandlungsprozedur im Vergleich zu einer unter Verwendung eines Fahrmusters bestimmten vorhergesagten Kraftmaschineneinschaltzeit.
Verfahren nach Anspruch 1, wobei die Kraftmaschineneinschaltzeit unter Verwendung eines zugehörigen Kraftmaschineneinschaltzeit-Prozentsatzes für das Fahrmuster bestimmt wird.
Verfahren nach Anspruch 2, das ferner die Verwendung einer Datenbank umfasst, um das Fahrmuster und einen entsprechenden Kraftmaschineneinschaltzeit-Prozentsatz in Beziehung zu setzen, wobei die Datenbank mehrere mögliche Fahrmuster für einen Betriebszustand des Fahrzeugs enthält.
Verfahren nach Anspruch 2, das ferner das Einstellen des Kraftmaschineneinschaltzeit-Prozentsatzes unter Verwendung eines Skalierungsfaktors umfasst, wenn eine vorbestimmte Umgebungsbedingung existiert.
Verfahren nach Anspruch 1, das ferner das Detektieren des Fahrmusters für das Fahrzeug umfasst, wobei das Fahrmuster den vorhergesagten Betrieb des Fahrzeugs während der Vollendungszeit darstellt.
Verfahren nach Anspruch 5, das ferner das Zuweisen des Fahrmusters zu einem vorhergesagten Weg für das Fahrzeug während der Vollendungszeit umfasst.
Verfahren nach Anspruch 6, wobei der vorhergesagte Weg und das Fahrmuster auf zukünftigen Routeninformationen basieren.
Verfahren nach Anspruch 7, das ferner das Liefern der zukünftigen Routeninformationen von einem Navigationssystem umfasst.
Verfahren nach Anspruch 7, das ferner das Liefern der zukünftigen Routeninformationen von einem Verkehrssystem umfasst.
Verfahren nach Anspruch 5, wobei das Detektieren des Fahrmusters das Bestimmen eines Fahrstils für das Fahrzeug umfasst.