催化剂状态推定装置及方法、以及非瞬时性记录介质制造方法及图纸

技术编号:22234321 阅读:17 留言:0更新日期:2019-10-09 14:24
本公开涉及催化剂状态推定装置及方法、以及非瞬时性记录介质。催化剂状态推定装置包含第1传感器、存储器和处理器。所述第1传感器设置于供来自内燃机的排出气体流通的主流路,构成为取得对所述排出气体中的有害物质进行净化的催化剂的信息。所述存储器构成为预先存储包含至少一个数学模型的催化剂状态推定模型。所述处理器构成为通过将由所述第1传感器取得的所述催化剂的所述信息适用于所述催化剂状态推定模型,来推定所述催化剂的净化性能。

Estimation device and method of catalyst state and non-instantaneous recording medium

【技术实现步骤摘要】
催化剂状态推定装置及方法、以及非瞬时性记录介质
本公开涉及催化剂状态推定装置、信息处理装置的催化剂状态推定方法以及存储有程序的非瞬时性记录介质。
技术介绍
已知有利用数学模型定量地预测各种条件下的现象的技术。作为这样的数学模型之一,已知有将位于人脑内的神经网络由称为人造神经元的数学模型来表现的神经网络(NN:NeuralNetwork)。例如在日本特开2003-328732中记载了对NN输入周围温度、进气管压力及温度、燃料消耗率、发动机转速的各值,来预测从选择性还原催化剂(SCR催化剂:SelectiveCatalyticReductioncatalyst)排出的氮氧化物(NOx)的量。例如在日本特开2009-180086中记载了对NN输入EGR阀升程量指令值、增压压力、进气温度、排气压力、燃料喷射量、进气流量、发动机转数的各值,来预测被NOx(氮氧化物)存储还原催化剂(NSR催化剂:NOxStorageReductioncatalyst)捕捉的NOx的量。例如在日本特开2011-132915中记载了对NN输入发动机转数、燃料喷射量、燃料喷射正时、进气量、空燃比、排气温度、增压压力的各值,来预测从发动机排出的NOx的量。
技术实现思路
已知有将例如SCR催化剂、NSR催化剂、三元催化剂(Three-WayCatalyst)、微粒状物质去除过滤器(DPF:DieselParticulateFilter)、氧化催化剂(DOC催化剂:DieselOxidationCatalyst)等不同功能的各种催化剂单独或组合使用来净化内燃机的排出气体的情况。存在想要利用数学模型来推定(预测)这样的催化剂的净化性能的期望。但是,在记载在日本特开2003-328732、日本特开2009-180086、日本特开2011-132915的技术中,都是仅设想了与内燃机(发动机)及其进气系统相关的参数作为对NN的输入。此处,由于催化剂的净化性能也受到催化剂的温度和/或催化剂所吸附的添加剂的量等的影响而发生变动,所以在记载在日本特开2003-328732、日本特开2009-180086、日本特开2011-132915的技术中均存在无法高精度地推定催化剂的净化性能的问题。另外,在记载在日本特开2003-328732、日本特开2009-180086、日本特开2011-132915的技术中,没有考虑到在使用多个催化剂净化内燃机的排出气体的构成(例如设置两个以上的SCR催化剂的构成)中对该多个催化剂的净化性能进行推定。本专利技术在推定对内燃机的排出气体进行净化的催化剂的净化性能的技术中可提高推定的精度。本专利技术是为了解决上述问题的至少一部分而完成的,能够作为以下的形态来实现。本专利技术的第1技术方案是催化剂状态推定装置。所述催化剂状态推定装置包含第1传感器、存储器和处理器。所述第1传感器设置于供来自内燃机的排出气体流通的主流路,构成为取得对所述排出气体中的有害物质进行净化的催化剂的第1信息。所述存储器构成为预先存储包含至少一个数学模型的催化剂状态推定模型。所述处理器构成为通过将由所述第1传感器取得的所述催化剂的所述第1信息适用于所述催化剂状态推定模型来推定所述催化剂的净化性能。催化剂的净化性能受到催化剂的信息(例如催化剂的温度、催化剂所吸附的添加剂的量)的影响而发生变动。根据上述构成,处理器通过将对催化剂的净化性能产生影响的该催化剂的信息适用于催化剂状态推定模型,能够高精度地推定催化剂的净化性能。即,根据上述构成,在推定对内燃机的排出气体进行净化的催化剂的净化性能的技术中,能够提高推定的精度。也可以是,所述催化剂状态推定装置还包含取得向所述催化剂流入的所述排出气体的第2信息的第2传感器。也可以是,所述处理器构成为除了所述催化剂的所述第1信息以外,还将由所述第2传感器取得的所述排出气体的所述第2信息适用于所述催化剂状态推定模型,由此推定所述催化剂的所述净化性能。根据上述构成,处理器通过将对催化剂的净化性能产生影响的这些催化剂的信息、和向催化剂流入的排出气体的信息这两者适用于催化剂状态推定模型,能够进一步高精度地推定催化剂的净化性能。也可以是,所述催化剂状态推定装置还包含取得向所述催化剂供给的添加剂的第3信息的第3传感器。也可以是,所述处理器构成为,除了所述催化剂的所述第1信息以外,还将由所述第3传感器取得的所述添加剂的所述第3信息适用于所述催化剂状态推定模型,由此推定所述催化剂的所述净化性能。根据上述构成,在推定如选择性还原催化剂(SCR催化剂:SelectiveCatalyticReductioncatalyst)或者存储还原催化剂(NSR催化剂:NOxStorageReductioncatalyst)那样使用添加剂来净化有害物质的催化剂的净化性能的情况下,能够进一步提高推定的精度。在所述催化剂状态推定装置中,也可以是,所述催化剂状态推定模型包含由机器学习模型构成的第1模型。也可以是,所述第1模型将作为关于所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度、所述催化剂的温度、在前一时刻所述催化剂所吸附的添加剂的吸附量中的至少一个作为输入,将所述催化剂中的氮氧化物的净化率作为输出。也可以是,所述处理器构成为,利用所述第1模型来推定作为所述催化剂的所述净化性能的所述氮氧化物的所述净化率。关于机器学习模型,只要输入输出变量具有因果关系即可,即使是如果不进行复杂的函数近似就无法分类和/或回归的情况下(例如包含难以用物理公式明示的现象的情况、需要多个描述现象的物理公式的情况、因假设较多因素的影响而针对物理公式的输入变多的情况),也能够以低运算负荷得到输出(推定结果)。根据上述构成,处理器利用由机器学习模型构成的第1模型来推定氮氧化物的净化率,因此能够以低运算负荷并且高速地实施由较多因素影响的氮氧化物的净化率的推定。另外,通过将进行了充分学习的机器学习模型设为第1模型,处理器能够高精度地推定氮氧化物的净化率。在所述催化剂状态推定装置中,也可以是,所述催化剂状态推定模型包含由机器学习模型构成的第2模型。也可以是,所述第2模型将作为关于所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度、所述催化剂的温度、在前一时刻所述催化剂所吸附的添加剂的吸附量、所述催化剂的温度的时间微分值、所述催化剂中的添加剂的所述吸附量与饱和吸附量之比中的至少一个作为输入,将从所述催化剂流出的添加剂的流出量作为输出。也可以是,所述处理器构成为,利用所述第2模型来推定作为所述催化剂的所述净化性能的所述流出量。根据上述构成,处理器利用由机器学习模型构成的第2模型来推定从催化剂流出的添加剂的流出量,因此能够以低运算负荷并且高速地实施由更多因素影响的流出量的推定。另外,通过将进行了充分学习的机器学习模型设为第2模型,处理器能够高精度地推定流出量。在所述催化剂状态推定装置中,也可以是,所述催化剂状态推定模型包含由物理模型构成的第3模型。也可以是,所述第3模型将作为所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度和所述催化剂的温度中的至少一个作为输入,将在所述催化剂中对氮氧化物的净化反应无贡献的添加剂的量作为输出。也可以是,所述处理器构成为,利用所述第3模型来本文档来自技高网...

【技术保护点】
1.一种催化剂状态推定装置,其特征在于,包括:第1传感器,其设置于供来自内燃机的排出气体流通的主流路,构成为取得对所述排出气体中的有害物质进行净化的催化剂的第1信息;存储器,其构成为预先存储包含至少一个数学模型的催化剂状态推定模型;以及处理器,其构成为通过将由所述第1传感器取得的所述催化剂的所述第1信息适用于所述催化剂状态推定模型来推定所述催化剂的净化性能。

【技术特征摘要】
2018.03.21 JP 2018-053672;2018.11.19 JP 2018-216271.一种催化剂状态推定装置,其特征在于,包括:第1传感器,其设置于供来自内燃机的排出气体流通的主流路,构成为取得对所述排出气体中的有害物质进行净化的催化剂的第1信息;存储器,其构成为预先存储包含至少一个数学模型的催化剂状态推定模型;以及处理器,其构成为通过将由所述第1传感器取得的所述催化剂的所述第1信息适用于所述催化剂状态推定模型来推定所述催化剂的净化性能。2.根据权利要求1所述的催化剂状态推定装置,其特征在于,还包括:第2传感器,其取得向所述催化剂流入的所述排出气体的第2信息,所述处理器构成为,除了所述催化剂的所述第1信息以外,还将由所述第2传感器取得的所述排出气体的所述第2信息适用于所述催化剂状态推定模型,由此推定所述催化剂的所述净化性能。3.根据权利要求1或2所述的催化剂状态推定装置,其特征在于,还包括:第3传感器,其取得向所述催化剂供给的添加剂的第3信息,所述处理器构成为,除了所述催化剂的所述第1信息以外,还将由所述第3传感器取得的所述添加剂的所述第3信息适用于所述催化剂状态推定模型,由此推定所述催化剂的所述净化性能。4.根据权利要求1至3中的任一项所述的催化剂状态推定装置,所述催化剂状态推定模型包含由机器学习模型构成的第1模型,所述第1模型将作为所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度、所述催化剂的温度、以及在前一时刻所述催化剂所吸附的添加剂的吸附量中的至少一个作为输入,将所述催化剂中的氮氧化物的净化率作为输出,所述处理器构成为利用所述第1模型来推定作为所述催化剂的所述净化性能的所述氮氧化物的所述净化率。5.根据权利要求1至3中的任一项所述的催化剂状态推定装置,所述催化剂状态推定模型包含由机器学习模型构成的第2模型,所述第2模型将作为所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度、所述催化剂的温度、在前一时刻所述催化剂所吸附的添加剂的吸附量、所述催化剂的温度的时间微分值、以及所述催化剂中的添加剂的所述吸附量与饱和吸附量之比中的至少一个作为输入,将从所述催化剂流出的添加剂的流出量作为输出,所述处理器构成为利用所述第2模型来推定作为所述催化剂的所述净化性能的所述流出量。6.根据权利要求1至3中的任一项所述的催化剂状态推定装置,所述催化剂状态推定模型包含由物理模型构成的第3模型,所述第3模型将作为所述催化剂的所述第1信息的所述主流路中的所述催化剂的前端的温度、以及所述催化剂的温度中的至少一个作为输入,将在所述催化剂中对氮氧化物的净化反应无贡献的添加剂的量作为输出,所述处理器构成为利用所述第3模型来推定作为所述催化剂的净化性能的在所述催化剂中对所述氮氧化物的所述净化反应无贡献的所述添加剂的量。7.根据权利要求4所述的催化剂状态推定装置,所述催化剂状态推定模型还包含由所述机器学习模型构成的第2模型和由物理模型构成的第3模型,所述第2模型将作为所述催化剂的所述第1信息的所述主流路中的所述催化剂的所述前端的所述温度、所述催化剂的所述温度、在所述前一时刻所述催化剂所吸附的所述添加剂的所述吸附量、所述催化剂的温度的时间微分值、以及所述催化剂中的添加剂的所述吸附量与饱和吸附量之比中的至少一个作为输入,将从所述催化剂流出的添加剂的流出量作为输出,所述第3模型将作为所述催化剂的第1信息的所述主流路中的所述催化剂的前端的温度、以及所述催化剂的温度中的至少一个作为输入,将在所述催化剂中对氮氧化物的净化反应无贡献的添加剂的量作为输出,所述处理器构成为利用所述第2模型来推定作为所述催化剂的所述净化性能的所述流出量,并且构成为利用所述第3模型来推定作为所述催化剂的净化性能的在所述催化剂中对所述氮氧化物的所述净化反应无贡献的所述添加剂的量。8.根据权利要求7所述的催化剂状态推定装置,所述催化剂状态推定模型是下述模型:将由所述第1模型推定的当前的所述氮氧化物的净化率、由所述第2模型推定的当前的所述流出量、以及由所述第3模型推定的当前的在所述催化剂中对氮氧化物的净化反应无贡献的添加剂的量作为输入,使用物理定律来求取下个时刻的吸附于所述催化剂的添加剂的吸附量,所述处理器构成为利用所述催化剂状态推定模型来推定作为所述催化剂的所述净化性能的下个时刻的所述吸附量。9.根据权利要求8所述的催化剂状态推定装置,所述第1模型以及所述第2模型还将作为所述排出气体的第2信息的所述排出气体的温度、所述排出气体的流量、以及所述排出气体所包含的氮氧化物的量中的至少一个作为输入,将作为所述添加剂的第3信息的向所述催化剂流入的所述添加剂的流入量作为输入,所述第3模型还将作为所述排出气体的所述第2信息的所述排出气体的温度作为输入,将作为所述添加剂的所述第3信息的向所述催化剂流入的所述添加剂的流入量作为输入。10.根据权利要求8或9所述的催化剂状态推定装置,所述催化剂状态推定模型包含多个所述第1模型和多个所述第2模型,所述多个所述第1模型使用从劣化度不同的多个所述催化剂取得的训练数据来生成,所述多个所述第2模型使用所述训练数据来生成。11.根据权利要求1所述的催化剂状态推定装置,在所述主流路中设置有同种的多个所述催化剂的情况下,所述第1传感器构成为至少取得在所述主流路中位于最上游的所述催化剂的所述第1信息,所述处理器构成为通过将由所述第1传感器取得的所述催化剂的所述第1信息适用于所述催化剂状态推定模型来推定作为所述多个...

【专利技术属性】
技术研发人员:池户隆人上田松荣永冈真武藤晴文森厚平保崎一司永井敦高本聪
申请(专利权)人:丰田自动车株式会社
类型:发明
国别省市:日本,JP

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1