Nomenklatur - im ZESS
Nomenklatur - im ZESS
Nomenklatur - im ZESS
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5. Zusammenfassung<br />
5. Zusammenfassung<br />
Sensoren innerhalb des Brennraums eines Verbrennungsmotors ermöglichen eine zylinderindividuelle<br />
Beurteilung des Arbeitsprozesses. Von besonderer Bedeutung sind hier der Brennraumdrucksensor<br />
und die Ionenstrommessung, die beide eine direkte Prozeßinformation liefern.<br />
Vereinzelt werden solche Sensoren in der Praxis in Serienfahrzeugen verwendet. Prinzipiell<br />
hat der Brennraumdrucksensor zwei große Vorteile gegenüber der Ionenstrommessung. Er<br />
liefert während des kompletten Arbeitsspiels des Verbrennungsmotors eine Aussage über den<br />
Druck <strong>im</strong> Zylinder, und diese Druckinformation ist für den gesamten Brennraum gültig. Die<br />
Ionenstrommessung stellt dagegen eine lokale Messung während der Verbrennung und einem<br />
Teil der Expansionsphase dar. Funktionell kann die Ionenstrommessung als Teilmenge der<br />
Möglichkeiten des Brennraumdrucksensors angesehen werden. Vor allem die Best<strong>im</strong>mung der<br />
zentralen Prozeßgröße, die Luftmenge <strong>im</strong> Zylinder, ist über die Messung des Ionenstroms nicht<br />
möglich.<br />
Bei herkömmlichen gedrosselten Ottomotoren wurde der Einsatz eines Brennraumdrucksensors<br />
zur Best<strong>im</strong>mung der Luftmasse <strong>im</strong> Zylinder als notwendige Bedingung zur Kosteneinsparung<br />
angesehen, keinesfalls als hinreichende. Dies kann sich bei zukünftigen entdrosselten<br />
Motorkonzepten ändern.<br />
Modellbasierte Methoden verlangen eine genaue Kenntnis der Parameter des hinterlegten physikalischen<br />
Modells. Sollen aufbauend auf diesen Modellen Zustände geschätzt werden, so<br />
hängt die Genauigkeit des Schätzergebnises mit von der Best<strong>im</strong>mung der Parameter ab. Im<br />
Gegensatz zum Extended Kalman-Filter, bei dem das Zustandsraummodell nichtlinear ist, gibt<br />
es Kalman-Filter Algorithmen, bei denen gleichzeitig Zustände und Parameter best<strong>im</strong>mt werden<br />
können und das Systemmodell linear bleibt. Diese Verfahren wurden untersucht, auf die<br />
vorliegende Problemstellung erweitert und neu hergeleitet. Bei einem Vergleich der verschiedenen<br />
linearen adaptiven Verfahren mit dem nichtlinearen Extended Kalman-Filter hat sich das<br />
adaptive Kalman-Filter Verfahren mit Max<strong>im</strong>um Likelihood Ansatz als die Methode herausgestellt,<br />
die am besten die gegebenen Anforderungen erfüllt. Es sind keine Vorkenntnisse über die<br />
Verteilungsdichte der unbekannten Parameter notwendig, und die unbekannten Parameter können<br />
<strong>im</strong> kompletten Zustandsraummodell vorkommen. Besonders <strong>im</strong> Hinblick auf einen kom-<br />
Seite 125