Abgassysteme: Ein Sensor gespart

Künstliche neuronale Netze werden im Automobilbereich bereits eingesetzt, beispielsweise im Rahmen der Verkehrszeichenerkennung. In Diesel-Abgassystemen können sie zudem helfen, einen der teuren Stickoxid-Sensoren zu eliminieren.

In normalen SCR-Systemen (Selective Catalytic Reaction) werden zwei NOx- Sensoren verwendet. Die Aufgabe des vor dem SCR-Katalysator installierten Sensors ist die Erfassung der bei der Verbrennung erzeugten Stickoxide. Auf Basis dieses Werts berechnet ein Steuergerät die für die selektive katalytische Reaktion nötige Menge der als AdBlue normierten Harnstofflösung. Mit Hilfe des zweiten, hinter dem SCR-Katalysator verbauten Sensors wird das Reaktionsergebnis überprüft und ggf. die AdBlue-Einspritzmenge angepasst.

Den ersten Sensor zu ersetzen, beispielsweise durch ein Simulationsmodell, gestaltet sich aufgrund der komplexen physikalischen Verbrennungsvorgänge und der notwendigen fahrzeugspezifischen Anpassungen in der Praxis schwierig. Eine andere Methode, die mehr Erfolg zu versprechen scheint, ist der Einsatz eines künstlichen neuronalen Netzes, welches die motorspezifischen Vorgänge der Stickoxidentstehung erlernen kann (Bild 1).

Die Huber Group (www.huber-group.de) forscht an Einsatzmöglichkeiten von künstlichen neuronalen Netzen (KNN) im Bereich der selektiven katalytischen Reduktion und verbucht bereits erste Erfolge bei der Integration eines trainierten Netzes in ein Steuergerät. Ein künstliches neuronales Netz beschreibt die Vernetzung künstlicher Neuronen, wobei jedes Neuron eine einfache Recheneinheit darstellt. Die Neuronen werden über gewichtete Verbindungen zu einer spezifischen Netzstruktur zusammengefügt. Ein neuronales Netz ist lernfähig, wobei „lernen“ als Veränderung bzw. Optimierung der gewichteten Verbindungen zwischen den einzelnen Neuronen verstanden werden kann und das Wissen damit quasi in den gewichteten Verbindungen gespeichert ist.

Hohe Korrelation zwischen KNN-Ausgabe und Messdaten

Beim Einsatz von KNN im SCR-System entfällt die Überführung des Verbrennungsprozesses in ein physikalisches Modell. Für das Anlernen des KNN wird eine Datenbasis benötigt, die dem Netz zum Training zur Verfügung gestellt wird. Dieses Training erfolgt auf einem konventionellen PC, die Dauer bis zum Erreichen eines globalen Fehleroptimums, welche das Erreichen des bestmöglichen Trainingszustandes beschreibt, hängt von der gewählten Netzstruktur, dem Lernalgorithmus und vom Umfang sowie der Komplexität der Trainingsdaten ab und kann bis zu mehrere Stunden in Anspruch nehmen. Bisherige Tests führten zu vielversprechenden Ergebnissen. Der Vergleich von vorhandenen Messwerten des NOx-Massenstroms eines Fahrzeuges mit den errechneten Werten eines trainierten neuronalen Netzes zeigt eine hohe Korrelation. Je mehr signifikante Eingangsgrößen dem neuronalen Netz zur Verfügung gestellt werden, desto exakter kann das Emissionsverhalten erlernt werden (Bild 2).

Bei den signifikanten Eingangsgrößen handelt es sich im Wesentlichen um die physikalischen Größen, die primär an der Verbrennung und somit der Entstehung von Stickoxiden beteiligt sind oder sie zumindest maßgeblich beeinflussen. Noch ist der Validierungsprozess der KNN verhältnismäßig umfangreich, und auch der Aufwand für die Anpassung an verschiedene Fahrzeuge muss noch genauer beleuchtet werden. Huber Group arbeitet derzeit an der Erstellung eines Profils zur Generierung spezifischer Trainingsdaten, um zukünftig einen Fahrzyklus zur optimalen Datenerfassung definieren zu können. Die hier beschriebene Funktion „virtueller NOx-Sensor“ wird in naher Zukunft als Software-Funktionsmodul verfügbar sein und kann als Object- Code in bestehende Software-Architekturen implementiert werden.