Ansatz zur dynamischen Modellierung und kontinuierlichen Diagnose der Stickoxidemission am Dieselmotor

In Zukunft wird die Einhaltung der Emissionsgrenzwerte von Pkw im normalen Straßen-verkehr mit mobiler Messtechnik überprüft. Diese Testprozedur wird großen Einfluss auf die Fahrzeugentwicklung haben, weil die Einhaltung der Emissionen unter allen Fahrbedingungen garantiert werden muss. Dies stellt vor allem für die Stickoxidemission des Dieselmotors eine große Herausforderung dar. Hierfür muss sowohl die Rohemission durch Optimierung innermotorischer Maßnahmen reduziert werden, als auch eine leistungsfähige Abgas-nachbehandlung der Stickoxide erfolgen. Die kombinierte Regelung von Verbrennung und Abgasnachbehandlung spielt hier eine entscheidende Rolle. Für die immer komplexeren Regelungen werden in Zukunft vermehrt Modelle verwendet, die hohen Ansprüchen an Genauigkeit, Robustheit und Echtzeitfähigkeit genügen müssen. Vor allem die Regelung und Überwachung der Abgasrückführung nimmt eine Schlüsselrolle für die Motorrohemission an Stickoxiden ein, deren Kenntnis ist wiederum essenziell für die effiziente Regelung der Abgasnachbehandlung.

Um einen Beitrag zur Lösung der beschriebenen Herausforderungen zu leisten, wird in vorliegender Arbeit eine Methodik vorgestellt, mit der sowohl die Stickoxidemission als auch die Abgasrückführrate im dynamischen Motorbetrieb modelliert wird. Die erstellten Modelle können in der ECU als echtzeitfähiger, virtueller Sensor für die Regelung von Verbrennung und Abgasnachbehandlung verwendet werden kann. Als Modellierungsansatz werden selbstorganisierende Merkmalskarten (SOM) mit lokal linearen Modellen kombiniert, um die Vorteile von nicht-überwachter Mustererkennung und überwachtem Lernen zu vereinen. Weiterhin wird ein alternativer Ansatz zur Modellierung des dynamischen Motorbetriebs vorgestellt, der rein auf gemessenen Fahrprofilen basiert und keine zusätzlichen Modell-eingänge zur Repräsentation der Dynamik benötigt. In den erzeugten Trainingsdaten ist die Dynamik implizit enthalten und wird über Parameterkombinationen repräsentiert, die stationär nicht auftreten.

Im zweiten Teil der Arbeit werden SOM mit statistischen Verfahren kombiniert, um die immer höheren Anforderungen der On-Board-Diagnose (OBD) zu erfüllen. Am Beispiel der Fehlererkennung und –diagnose des Abgasrückführsystems wird gezeigt, dass mit der entwickelten Methodik Fehler detektiert werden konnten, bevor die Emissionen über die OBD Grenzwerte ansteigt. Das Verfahren benötigt keine speziellen Motorbetriebspunkte zur Systemüberprüfung, sondern läuft während des normalen Motorbetriebs, sodass ein kontinuierliches Diagnosesignal zur Verfügung steht. Durch die Erweiterung der Fehlererkennung mit weiteren SOM, die auf spezifische Fehler trainiert wurden, kann außerdem eine Fehlerdiagnose erfolgen und somit die Ursache einer Fehlfunktion identifiziert werden.

Abschließend wird die Übertragbarkeit der Methodik auf Dieselhybridfahrzeuge untersucht, da in Zukunft mit einer steigenden Elektrifizierung des Antriebsstrangs zu rechnen ist. Es wird gezeigt, dass bei geeigneter Auslegung der Betriebsstrategie eine verbesserte Genauigkeit der Modellierung erreicht werden kann. Dies ist vor allem darauf zurückzuführen, dass die Hybridisierung eine geringere Dynamik des Verbrennungsmotors erlaubt, die sich positiv auf die Stickoxidemission und die Regelung der Abgasrückführung auswirkt. Auch für die Fehlererkennung und –diagnose von Dieselhybridfahrzeugen hat die vorgestellte Methode Vorteile gegenüber konventionellen Methoden, da eine kontinuierliche Überwachung erfolgt und somit keine Abhängigkeit von speziellen Motorbetriebspunkten vorliegt.