经由连续的时间导数估计在线不可测量变量的虚拟传感器制造技术

提供了一种用于估计物理传感器不可用于测量的量的值的在车辆中由处理器实现的方法和处理器。该方法包括：接收代表可测量变量值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，该不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值和不可测量变量的值的时间导数的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。变量的估计值用于车辆操作。变量的估计值用于车辆操作。

【技术实现步骤摘要】
经由连续的时间导数估计在线不可测量变量的虚拟传感器


[0001]本公开总体上涉及用于估计未测量的量的值的车辆中的系统和方法，并且更具体地涉及用于基于测量的量(quantity)的值来估计未测量的量的值的车辆中的系统和方法。

技术介绍

[0002]现代车辆配备有许多传感器，以在车辆操作期间测量各种量的值。该量可以包括各种温度、压力、电压水平等。可以实时地(例如，当车辆正在运行时)使用这些测量结果，以影响车辆的运行，确定车辆的健康状况和运行能力以及用于其他车辆用途。有些量可能不可实时测量，例如，由于在车辆运行期间没有提供或无法使用物理传感器进行测量。然而，关于未测量的量的知识可以为车辆提供改进的功能能力。
[0003]因此，期望提供用于实时确定不能由物理传感器实时测量的量的值的系统和方法。此外，结合附图和本专利技术的背景，根据本专利技术的随后的详细描述和所附的权利要求，本专利技术的其他期望的特征和特性将变得显而易见。

技术实现思路

[0004]提供了用于实时估计车辆中未被测量的量的值的系统和方法。在一个实施例中，提供了一种用于估计物理传感器不可用于测量的量的值的在车辆中由处理器实现的方法。该方法包括：接收代表可测量变量的值的多个测量信号；以及实时计算测量信号的时间导数；以及实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，所述不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值和不可测量变量的值的时间导数的测试数据进行了训练；其中，车辆将可测量的和不可测量的变量的估计值用于车辆操作。
[0005]在一个实施例中，计算测量的信号的时间导数可以包括应用无模型导数估计器来计算时间导数。
[0006]在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测量变量的值和可测量变量的相应值的测试数据；估计测量的变量的值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。
[0007]在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。
[0008]在一个实施例中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。
[0009]在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k)，ψ(k)＝Gξ(k)+Hv(k)，其中ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量。
[0010]在一个实施例中，E，F，G和H是使用前向欧拉(Euler)方法，后向欧拉方法或塔斯汀
(Tustin)方法计算的矩阵。
[0011]在另一个实施例中，一种处理器，被配置为车辆中的虚拟传感器，以估计物理传感器不可用于测量的量。处理器被配置为：接收表示可测量变量的值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，这些不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值和不可测量变量的值的时间导数的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。
[0012]在一个实施例中，处理器可以被配置为通过应用无模型导数估计器来计算时间导数来计算测量信号的时间导数。
[0013]在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测变量的值和可测变量的相应值的测试数据；估计测量变量值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。
[0014]在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。
[0015]在一个实施例中，虚拟传感器，其中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。
[0016]在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k)，ψ(k)＝Gξ(k)+Hv(k)，其中，ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量。
[0017]在一个实施例中，E，F，G和H是使用前向欧拉方法、后向欧拉方法或塔斯汀方法计算的矩阵。
[0018]在另一个实施例中，提供了一种非暂时性计算机可读存储介质，其实施用于在车辆中执行方法的编程指令。该方法包括：接收代表可测量变量值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，该不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值和不可测量变量的值的时间导数的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。
[0019]在一个实施例中，计算测量信号的时间导数可以包括应用无模型导数估计器来计算时间导数。
[0020]在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测变量的值和可测变量的相应值的测试数据；估计测量变量值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。
[0021]在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。
[0022]在一个实施例中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。
[0023]在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv
(k)，ψ(k)＝Gξ(k)+Hv(k)，其中，ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量；E，F，G和H是使用前向Euler方法、后向Euler方法或Tustin方法计算的矩阵。
附图说明
[0024]当结合附图阅读时，从以下详细描述中可以最好地理解本公开的各方面，其中，相同的标号表示相同的元件，和
[0025]图1是示出根据一些实施例的用于估计不可测量的量的示例车辆中的示例虚拟传感器的框图；
[0026]图2是根据一些实施例的示例性车辆的框图，该示例性车辆可以在没有传感器可用于测量时采用虚拟传感器来测量诸如电压、温度、压力等的量；
[0027]图3A是描绘根据一些实施例的用于训练示例性虚拟传感器的示例性过程的过程流程图；
[0028]图3B是描绘根据一些实施例的用于使用示例性虚拟传感器的示例性过程的过程流程图；和
[0029]图4是描绘根据一些实施例的用于估计未测量的量的车辆中的示例过程的过程流程图。
具体实施方式
[0030]以下详细描述本质上仅是示例性的，并不旨在限制应用和使用。此外，无意受到在先前
、
技术介绍
、
技术实现思路
或以下详细描述中提出的任何明示或暗示的理论的约束。
[0031]本文可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解，可以通过被配置为执行指定功能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在车辆中由处理器实现的方法，用于估计物理传感器不可用于测量的量，该方法包括：接收代表可测量变量的值的多个测量信号；实时计算测量信号的时间导数；和应用经过训练的前馈神经网络以实时估计多个不可测量变量的值，不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值和不可测量变量的值的时间导数的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。2.根据权利要求1所述的方法，其中，计算所述测量信号的时间导数包括应用无模型导数估计器来计算所述时间导数。3.根据权利要求1所述的方法，其中，经训练的前馈神经网络是使用包括以下的过程来训练的：收集包括不可测量变量的值和可测量变量的对应值的测试数据；估计测量的变量值的连续时间导数；和训练前馈神经网络以找到一数学模型，该数学模型将测量值的时间导数与由不可测量变量获得的值相关联。4.根据权利要求3所述的方法，其中，使用无模型导数估计器来实现估计所测量的变量的值的连续时间导数。5.根据权利要求4所述的方法，其中，所述无模型导数估计器包括高增益观测器、滑模观测器或超扭曲算法。6.根据权利要求1所述的方法，其中，导数估计器由以下离散时间系统表示：ξ(k+1)＝Eξ(k...

【专利技术属性】
技术研发人员：C佩迪西尼，C波谢里，V阿尔菲里，G康特，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：