具体实施方式

图1示出了根据本公开的实施例的内燃发动机1和内燃发动机控制器10的总体系统图。

内燃发动机控制器10可以包括处理器和存储器。因此，内燃发动机控制器10可以在本领域已知的任何合适的计算装置上实现。内燃发动机模块可以设置在包括一个或多个处理器和集成存储器的专用发动机控制单元(例如发动机控制模块)上。内燃发动机控制器10可以连接到各种输入和输出以便实现本公开的控制方案。因此，内燃发动机控制器10可以被配置成接收各种输入变量信号、传感器数据和可以在控制方案中使用的任何其他信号。例如，内燃发动机控制器10可以配置为接收发动机传感器数据，例如发动机速度、大气压力、环境温度、IMAP、进气歧管空气温度(IMAT)、EGR质量速率(或用于导出EGR质量估计的传感器)、燃料轨压力和/或空气系统阀位置、燃料质量估计和/或后处理传感器数据，例如发动机排出NOx(例如净指示比NOx)、排气尾管NOx、柴油微粒过滤器碳烟传感器(差压传感器和/或RF碳烟传感器)、柴油氧化催化剂入口温度和/或SCR入口温度。

如图1所示，内燃发动机的致动器由多个发动机致动器设定点控制。发动机致动器设定点由内燃发动机控制器10控制。在图1的实施例中，要被控制的发动机致动器是EGR、SOI、燃料质量和IMAP。当然，在其他实施例中，可以改变要控制的发动机致动器。

如图1所示，内燃发动机控制器包括发动机设定点模块20。发动机设定点模块20被配置成基于多个控制脉谱图30和到发动机设定点模块20的输入变量向每个致动器输出控制信号。因此，发动机设定点模块20的操作类似于现有技术中已知的开环、基于发动机脉谱图的控制方案。与更复杂的基于模型的控制方案相比，这种开环控制方案具有相对小的计算需求。

到发动机设定点模块20的输入变量可以是从内燃发动机的当前运行导出的不同变量的组合。一些输入变量可以基于内燃发动机的性能要求。一些输入变量可以基于内燃发动机的当前运行状态，例如由各种传感器测量的当前运行状态。由于输入变量用于基于控制脉谱图确定致动器设定点，因此应当理解，每个控制脉谱图的输入变量的总数可能受到内燃发动机控制器10可用的计算资源的限制。

在图1的实施例中，输入变量是请求的扭矩(TqR)、当前发动机速度(N)和当前IMAP。在其他实施例中，可以使用其他输入变量，例如当前EGR(即EGR阀的当前位置)。

通常，应当理解，与内燃发动机相关联的一些控制致动器可能具有与它们相关联的一些时滞。因此，在所请求的致动器设定点(例如，所请求的IMAP)的改变与由传感器记录的改变(即，当前IMAP的传感器读数)之间可能存在某种程度的时间延迟。

多个控制脉谱图30中的每个控制脉谱图限定一个或多个输入变量和致动器设定点之间的关系。在图1的实施例中，提供了四个控制脉谱图30，一个控制脉谱图用于控制EGR、SOI、燃料质量和请求IMAP(IMAPR)中的每一个。控制脉谱图30中的每个控制脉谱图可以基于TqR、N和当前IMAP(IMAPC)中的一个或多个来限定发动机致动器设定点。例如，EGR控制脉谱图可以基于TqR、N和IMAPC来限定致动器设定点的超曲面。因此，TqR，N和IMAPC的组合限定超曲面的位置，从该位置可以计算EGR的致动器设定点。类似地，SOI和燃料质量的控制脉谱图30也可以由超曲面限定，超曲面是TqR、N和IMAPC的函数。图1的实施例中的IMAPR的控制脉谱图可以由超曲面来限定，该超曲面是TqR和N的函数。因此，不同的控制脉谱图可以具有不同数量的维度。

图1的控制脉谱图30中的每个控制脉谱图可以实现为查找表。用于发动机控制器的查找表控制脉谱图30在本领域中是公知的。图2a中示出了示例性查找表控制脉谱图31。图2a中所示的查找表控制脉谱图31具有两个输入维度和单个输出维度。因此，在图2a的实施例中，控制脉谱图31是二维控制脉谱图，其中所引用的维度数量由输入维度数量确定。图2a的控制脉谱图31包括输入变量1(即第一输入变量)和输入变量2(第二输入变量)。查找表为输入变量1和输入变量2的不同组合限定多个值(致动器设定点)。因此，查找表控制脉谱图31可以用于基于输入变量1和2的值来选择致动器设定点。图2b是由查找表控制脉谱图31中的值限定的超曲面的图形表示。如本领域所公知的，可使用查找表中限定的设定点的插值来找到超曲面上的一个或多个输入变量不与查找表中存储的值精确匹配的位置。

在其他实施例中，可以使用替代方式来描述每个控制脉谱图30的超曲面。例如，超曲面可以被限定为输入变量的函数。用于限定超曲面的合适的多维函数可以是通用近似器函数。合适的通用近似器函数可以包括：人工神经网络(例如，径向基函数、多层感知器)、多变量多项式、模糊逻辑、不规则插值、克里金法(Kriging)。

多个控制脉谱图30可以存储在内燃发动机控制器10的存储器中，使得内燃发动机控制器10的各种处理模块可以访问控制脉谱图30。

如图1所示，内燃发动机控制器10还包括脉谱图更新模块40。脉谱图更新模块40被配置成计算控制脉谱图30中的至少一个控制脉谱图的优化超曲面。在图1的实施例中，脉谱图更新模块40同时为控制脉谱图30中的每个控制脉谱图计算优化超曲面。脉谱图更新模块40被配置成基于优化超曲面来更新控制脉谱图30的超曲面。因此，在内燃发动机1的运行期间，可以更新一个或多个控制脉谱图30的超曲面。通过提供一组可更新的控制脉谱图30，可以提供可以被优化到不同运行点范围的一组控制脉谱图30。因此，可以减少需要为内燃发动机1校准的控制脉谱图的数量，因为本公开的可更新控制脉谱图组30可以提供覆盖不同运行点范围的控制，过去可能已经为这些运行点校准了单独的控制脉谱图集合(即，多个控制脉谱图集合)。

脉谱图更新模块40被配置成基于内燃发动机1的实时性能模型来计算优化超曲面。通过实时性能模型，应当理解，计算(优化)是基于实时计算的内燃发动机性能模型，而不是例如历史发动机数据的离线计算。实时性能模型使用来自内燃发动机1的传感器数据和多个输入变量(即，到内燃发动机的实时输入变量)。因此，除了控制脉谱图的输入变量之外，实时性能模型还可以使用来自内燃发动机的附加传感器数据，以便优化控制脉谱图。实际上，本公开的内燃发动机控制器10以不显著增加基于脉谱图的控制的计算复杂性的方式将附加变量(直接和/或间接传感器数据变量)结合到内燃发动机控制中。

脉谱图更新模块40因此使用实时性能模型来计算优化内燃发动机1的实时性能的优化超曲面。因此，脉谱图更新模块40可以搜索优化超曲面。例如，脉谱图更新模块40可以通过针对多个候选的致动器设定点组对内燃发动机的实时性能建模来搜索优化超曲面，并基于所建模的实时性能来计算优化超曲面。

例如，脉谱图更新模块40可以被配置成计算IMAPR控制脉谱图的优化超曲面。IMAPR控制脉谱图30可以基于输入变量：发动机速度(N)和请求的扭矩(TqR)。脉谱图更新模块40可针对多个候选的发动机致动器设定点组来对内燃发动机1的实时性能建模。例如，候选的发动机致动器设定点组可以包括：SOI、燃料质量、请求的EGR和IMAPR。脉谱图更新模块40可以在每个候选的发动机致动器设定点组之间改变发动机致动器设定点中的一个或多个发动机致动器设定点，以便搜索IMAPR控制脉谱图30的优化超曲面。在仅更新IMAPR控制脉谱图30的一个实施例中，用于IMAPR的发动机致动器设定点可以在候选的发动机致动器设定点组中的每个候选组之间变化。基于每个候选组的建模的实时性能结果，脉谱图更新模块40可以确定IMAPR控制脉谱图的优化超曲面。如上所述，优化超曲面可以仅是由控制脉谱图30限定的总超曲面的一部分。

图3示出了根据本公开的实施例的内燃发动机控制器12的更详细的框图。该框图以虚线表示发动机设定点模块20和脉谱图更新模块40。因此，内燃发动机控制器10具有与图1所示的结构类似的总体结构。

因此，参考图1和相应的描述，将理解，发动机设定点模块20基于由多个输入变量限定的相应控制脉谱图30的超曲面上的位置来进行操作以输出多个致动器设定点。

脉谱图更新模块40包括优化器模块50、发动机建模模块60和成本模块70。如上所述，脉谱图更新模块40被配置成计算控制脉谱图30中的一个或多个控制脉谱图的优化超曲面。在该实施例中，脉谱图更新模块40被配置成计算多个控制脉谱图30的优化超曲面。例如，在图3的实施例中，提供了SOI、燃料质量、请求的EGR和IMAPR中的每一个的控制脉谱图。SOI、燃料质量和请求的EGR的控制脉谱图30分别是输入变量发动机转速(N)、请求的扭矩(TqR)和IMAPC的函数。IMAPR的控制脉谱图是发动机速度(N)和请求的扭矩的函数(TqR)。

优化器模块50被配置成搜索控制脉谱图30中的至少一个控制脉谱图的优化超曲面。在该实施例中，优化器模块50被配置成针对同时请求的SOI、燃料质量和EGR来搜索控制脉谱图30中的每个控制脉谱图的优化超曲面。优化器模块50可以被配置成在不同时间搜索IMAPR的优化超曲面。因此，可以理解，脉谱图更新模块40不需要同时更新所有的控制脉谱图。在其他实施例中，将理解，优化器模块可以同时更新所有的控制脉谱图。

优化器模块50被配置成搜索优化超曲面，其中优化器模块50向发动机建模模块60提供多个候选的致动器设定点组。每个候选的致动器设定点组实际上是控制脉谱图30中的每个控制脉谱图的设定点的矢量。候选的致动器设定点组可以包括用于要更新的每个控制脉谱图30的致动器设定点。候选的致动器设定点组还可以包括当前未被脉谱图更新模块40更新的控制脉谱图30的致动器设定点。例如，在图3的实施例中，候选的致动器设定点组包括SOI、燃料质量、请求的EGR和IMAPR中的每一个的设定点。通过将IMAPR致动器设定点包括在候选组中，即使该控制脉谱图30没有被更新，实时性能模型精度也可以被提高。实质上，在图3的实施例中，IMAPR设定点被看作是时不变设定点。可以通过其他方式来更新未由优化器模块50更新的控制脉谱图(例如，用于IMAPR的控制脉谱图)。如下面进一步讨论的，可以提供多个不同的优化器函数来更新不同的控制脉谱图。

优化器模块50将每个候选的致动器设定点组输出到发动机建模模块60。优化器模块50可以以各种方式选择要建模的候选的致动器设定点组。例如，优化器模块可以从容许的致动器设定点的预定范围内随机地选择每个致动器设定点，以便为组中的每个候选项提供多个基本上随机化的致动器设定点，并且选择最低的成本或函数值。因此，随机选择候选的致动器设定点组(随机搜索策略)。下面更详细地讨论其他替代搜索策略。由优化器模块输出的候选组的数量基于可用于计算优化超曲面的计算资源。如将理解的，脉谱图更新模块40被配置成基于内燃发动机的实时性能来输出优化超曲面。在图3的实施例中，脉谱图更新模块被配置成在60ms内输出优化超曲面。因此，处理发动机致动器设定点的单个候选组所消耗的处理时间将对在单个60ms时段内可以输出的可能候选组的数量设置上限。处理单个候选发动机致动器设定点组所消耗的处理时间取决于发动机建模模块60和成本模块70的特征，这将在下面更详细地解释。通常，处理单个候选的发动机致动器设定点组可能消耗大约0.1ms。因此，在图3的实施例中，约200个候选的发动机致动器设定点组可由脉谱图更新模块40评价，消耗大约20ms。因此，对于被配置成在60ms内输出优化超曲面的脉谱图更新模块，可以为剩余处理分配大约30ms的处理预算，并分配大约10ms的松弛时间。

发动机建模模块60被配置成计算与每个候选的致动器设定点组相关联的多个发动机性能变量。发动机建模模块60的输入是控制脉谱图的多个输入变量，以及来自内燃发动机的传感器输入和候选的致动器设定点组。因此，发动机建模模块60被提供有与内燃发动机的实时运行相关联的多个性能变量。因此，由发动机建模模块60计算的多个发动机性能变量可以表示发动机建模模块60的实时性能。因此，发动机建模模块60是实时性能模型的一个示例。

在图3的实施例中，发动机建模模块60被提供有SOI、燃料质量、请求的EGR和IMAPR的候选的致动器设定点组。发动机建模模块还被提供有来自内燃发动机的传感器的多个实时数据。来自内燃发动机的传感器数据可包括来自与内燃发动机相关联的各传感器的信息。传感器数据还可以包括从来自内燃发动机的一个或多个传感器的数据导出的各种变量。例如，传感器数据可包括进气歧管压力、进气歧管温度、燃料轨压力、背压阀位置、质量EGR流量、总空气质量流量、燃料质量流量、燃料轨压力(FRP)。

发动机建模模块60可包括一个或多个模型，所述模型被配置成计算与每个候选的致动器设定点组相关联的多个发动机性能变量。应当理解，由于到发动机建模模块60的输入包括到内燃发动机的输入变量以及传感器数据，所以性能变量将表示在那些致动器设定点下的内燃发动机的实时性能。所计算的性能变量可以包括：发动机扭矩、质量空气流量、制动平均有效压力(BMEP)、净平均指示有效压力(IMEP)、泵送平均有效压力(PMEP)、摩擦平均有效压力(FMEP)、排气歧管温度、峰值气缸压力、NOx量(例如，净指示比NOx(NISNOx)、制动指示比NOx)、碳烟量(例如，净指示比碳烟、制动指示比碳烟)、NOx/碳烟比、最小新鲜充量、EGR潜能。

在一些实施例中，内燃发动机控制器计算净指示比性能变量(例如IMEP、NISNOx)。IMEP反映了内燃发动机在整个发动机循环上的平均有效压力。相比之下，BMEP是根据制动转矩计算的平均有效压力。在一些实施例中，可以使用净指示比值(例如IMEP、NISNOX)，因为即使当发动机空转时这些值也是非零的。

在本公开中，净指示比NOx(NISNOx)和制动指示比NOx进一步旨在表示在后处理系统中的任何处理之前由内燃发动机输出的NOx量。当然，本领域技术人员将理解，还可以在后处理系统的下游估算NOx量(例如，排气尾管NOx)。

上述性能变量和提供给发动机建模模块的输入之间的物理关系是本领域技术人员公知的。因此，发动机建模模块可提供一个或多个基于物理学的模型来计算一个或多个上述性能变量。作为基于物理学的模型的替代方案，发动机建模模块也可使用经验/黑盒模型或基于经验和物理学的模型的组合(即半物理/灰盒模型)来计算上述性能变量中的一个或多个。

例如，发动机建模模块60可包括均值发动机模型。均值发动机模型对于本领域技术人员来说是公知的，用于模拟发动机性能参数，例如BMEP、发动机扭矩、空气流量等。适用于本公开的均值发动机模型的进一步解释可见于Urs Christen等人，SAE TechnicalPaper Series中的“Event-Based Mean-Value Modeling of DI Diesel Engines forController Design”。因此，均值发动机模型可以用于基于发动机建模模块60的输入来计算发动机性能变量。

作为使用均值模型的补充或替代，发动机建模模块60可包括用于计算一个或多个发动机性能变量的一个或多个基于神经网络的模型。例如，可以使用适当训练的神经网络根据传感器数据来计算净指示比NOx(NISNOx)发动机性能变量。使用神经网络计算发动机性能变量例如NISNOx的合适技术的进一步解释可见于Michele Steyskal等人，SAETechnical Paper Series中的“Development of PEMS Models for Predicting NOxEmissions from Large Bore Natural Gas Engines”。

可以提供一个或多个内燃发动机部件的基于物理的模型。例如，可提供压缩机模型、涡轮机模型或排气再循环冷却器模型，以便帮助计算合适的性能变量。

发动机建模模块60将发动机性能变量输出到成本模块70。成本模块70被配置成评价发动机性能变量并基于性能变量输出与每个候选的致动器设定点组相关联的成本。在图3的实施例中，成本模块被配置成输出优化器模块50。在其他实施例中，与每个候选的致动器设定点组相关联的成本的评价可以由与优化器模块50分开的另外的模块来执行。

成本模块70可包括多个函数，所述函数被配置成将成本分配给各性能目标以便评价发动机的性能。每个成本函数可以基于一个或多个发动机性能变量和一个或多个成本参数输出成本。例如，多个函数可以包括一个或多个性能目标函数、一个或多个排放函数以及一个或多个发动机约束函数。多个函数中的每一个可以被配置成基于一个或多个性能变量和一个或多个成本参数的函数来输出成本。成本参数确定与每个性能参数相关联的成本的大小。在图3的实施例中，成本函数被配置成使得较低的成本与更优的性能相关联。

性能目标函数可以是被配置成优化内燃发动机以满足某些性能目标的函数。例如，性能目标可以是使制动比燃料消耗(BSFC)或净指示比燃料消耗(NISFC)最小化。进一步的性能目标可以是最小化转矩误差(即，实际输出转矩和请求的转矩之间的差)。这种性能目标函数的形式可以由具有加权平方律关系的函数(即，形式：成本＝重量*(性能变量)^2)表示。因此，对于性能目标函数，性能目标函数的权重是成本参数。图4a中示出了合适的性能目标函数的图形表示。例如，NISFC(成本_NISFC)的性能目标可以是：

成本_NISFC＝权重_NISFC*NISFC^2

排放函数可以是被配置成优化内燃发动机以便满足与内燃发动机产生的排放相关的某些目标的函数。例如，可以基于与内燃发动机产生的排放物相关的发动机性能变量来提供一个或多个排放函数。因此，一个或多个排放函数可基于NOx量(NISNOx、碳烟(NISCF)、NOx碳烟比、最小新鲜充量和/或EGR潜能。排放函数可以使用任何合适的函数来限定成本和发动机性能变量之间的关系。例如，在图3的实施例中，排放函数可以单侧平方律函数的形式提供。图4b示出了合适的排放函数的图形表示。

例如，排放函数可以包括目标上限(T)。目标上限可以限定发动机性能变量的值，高于该值会产生显著的的成本，而对于低于目标上限的值，不会产生成本或成本极小。例如，对于一些内燃发动机，NISNOx的目标上限可以是4g/kWh。因此，对于排放函数，目标上限和/或权重可以是成本参数。在其他实施例中，可以提供目标限值来作为目标下限。

因此，基于发动机性能变量NISNOx的排放函数(成本_NOx)可以是：

当：NISNOx＜T，成本_NOx＝0

NISNOx≥T，成本_NOx＝权重_NOx*(NISNOx-T)^2

发动机约束函数可以是被配置成反映与内燃发动机的性能相关联的约束的函数。因此，可以提供一个或多个发动机约束函数以阻止或防止控制器在某些发动机致动器设定点操作。例如，一个或多个发动机约束函数可以基于具有固定限值的发动机性能变量，所述固定限值由于内燃发动机的物理要求而不能被超越。因此，一个或多个发动机约束函数可以基于峰值气缸压力(PCP)、排气歧管温度、压缩机出口温度。具有期望的固定限值例如最大转矩误差的另外的发动机性能变量也可具有相应的发动机约束函数。每个发动机约束函数可以使用任何合适的函数来限定成本和一个或多个发动机性能变量之间的关系。例如，在图3的实施例中，可以以成本＝1/发动机性能变量的形式提供发动机约束函数。图4c中示出了合适的发动机约束函数的图形表示。

例如，可以基于限值L提供用于发动机性能变量PCP的发动机约束函数，由发动机约束函数计算的成本可以随着接近限值L而渐近地上升。因此，限值L也可以是成本参数。因此，基于发动机性能变量PCP的发动机约束函数(成本_PCP)可以是：

成本_PCP＝1/(L-PCP)

如上所述，已经关于性能目标函数、排放函数和发动机约束函数描述了各种成本参数。成本参数可以由成本模块70存储，例如作为成本参数向量。在一些实施例中，成本参数可以是时变的。也就是说，在一些实施例中，成本模块70可更新一个或多个成本参数，以便实现与不同发动机性能变量相关联的相对成本的变化。例如，成本模块70可更新一个或多个成本参数，以便启动后处理系统的再生，如下所述。

因此，成本模块70可以基于由上面计算的成本函数中的每一个计算的成本来计算与每个候选的致动器设定点组相关联的总成本。与每个候选的致动器设定点组相关联的总成本可以被提供给优化器模块50以供进一步处理。

优化器模块50被配置成基于候选的致动器设定点组和相关联的成本来输出至少一个控制脉谱图30的优化超曲面。因此，基于每个候选的致动器设定点组的总成本，优化器可以识别具有最优性能的致动器设定点组。例如，具有最低总成本的候选的致动器设定点组可提供最优性能。因此，优化器模块50可以基于候选的致动器设定点组来更新控制脉谱图30。因此，可以更新控制脉谱图以提供用于由脉谱图更新模块40使用的输入变量(即，实时输入变量)的候选的致动器设定点组的致动器设定点。

因此，可以提供根据图3所示的图的内燃发动机控制器12。

作为随机化搜索策略的替代方案，优化器可以采用其他搜索策略。例如，可以根据迭代搜索策略来选择候选的致动器设定点组。作为迭代搜索策略的一部分，可以如上所述识别并分析候选的致动器设定点组的第一集合以确定相关成本。优化器模块50然后可以基于致动器设定点的第一集合和相关联的成本(即，基于候选组的第一集合的最低成本候选组)来选择候选的致动器设定点组的第二集合。合适的搜索迭代搜索策略的示例包括遗传算法、单纯形算法(Simplex)、随机优化和/或群算法。

图5示出了根据本公开的实施例的内燃发动机控制器14的进一步详细的框图。

该框图以虚线表示发动机设定点模块20和脉谱图更新模块40。因此，内燃发动机控制器14具有与图1所示的结构类似的总体结构。此外，框图指示脉谱图更新模块40包括优化器模块50、发动机建模模块60和成本模块70。因此，脉谱图更新模块40也具有与图3所示的结构以及上面支持的描述中所讨论的结构类似的一般结构。因此，应当理解，内燃发动机控制器14的功能可以类似于上述内燃发动机控制器10、12。

如图5所示，优化器模块50可进一步被修改以结合来自控制脉谱图30的输入。优化器模块50被配置成基于发动机设定点模块20的控制信号输出来选择一个候选的致动器设定点组。因此，由内燃发动机控制器14输出的当前控制信号可以被提供给脉谱图更新模块40，以便被评价为候选的致动器设定点组中的一个。因此，当计算优化超曲面时，脉谱图更新模块40可以评价由控制脉谱图30限定的当前超曲面上的位置。

如本领域技术人员将理解的，发动机设定点模块20的输出可基于先前已由脉谱图更新模块40更新的控制脉谱图30。因此，基于发动机设定点模块20的控制信号输出的致动器设定点候选组可反映先前计算的最优超曲面。因此，内燃发动机控制器14可有效地结合存储器的形式，其中先前计算的最优超曲面可影响由优化器模块50评价的候选的致动器设定点组。

如图5所示，优化器模块50可包括多个优化器函数51、52。在图5的实施例中，优化器模块50包括两个优化器函数，当前状态优化器函数51(短期优化器函数)和收敛状态优化器函数(长期优化器函数)52。

优化器函数51、52中的每一个被配置成独立于其他优化器函数来搜索最优超曲面。因此，优化器函数51、52中的每一个可被配置成以与图3中的实施例所述的优化器模块50基本相同的方式与发动机建模模块60和成本模块70通信。

多个优化器函数51、52可被配置成以不同速率输出更新的控制超曲面。实际上，一些优化器函数可以具有增加的计算时间/资源，以便以相对于其他优化器函数更快的速率搜索优化超曲面。例如，图5的当前状态优化器51可以被配置成基于内燃发动机1的当前状态来搜索优化超曲面。图5的收敛状态优化器52可被配置成基于内燃发动机1的收敛状态来搜索优化超曲面。

在图5的实施例中，收敛状态优化器函数52被配置成更新控制脉谱图的第一选择。当前状态优化器函数51被配置成更新控制脉谱图的第二选择。要由收敛状态优化器函数52更新的控制脉谱图30的第一选择控制致动器，其可对内燃发动机1的收敛状态具有相对显著的影响。第一选择的这种对内燃发动机1的收敛状态具有相对较大影响的控制致动器通常具有带有相对较低特征频率的频率响应。第二选择的控制脉谱图可以包括用于受其他致动器约束并且具有比其他致动器更高的频率响应的致动器的控制脉谱图，所述其他致动器支配整个系统的频率响应并且约束其他变量。因此，收敛状态优化器函数52优化用于致动器的控制脉谱图，所述致动器与由第二选择的控制脉谱图控制的致动器相比具有较低的特征频率。

例如，收敛状态优化器函数52可以更新IMAPR的控制脉谱图，而当前状态优化器函数51可以更新燃料质量和EGR的控制脉谱图。应当理解，用于燃料质量和EGR的最优致动器设定点受进入发动机的总质量流量的影响。进入发动机的总质量流量又受IMAP影响。反过来由IMAPR的控制脉谱图控制的IMAP与EGR和燃料质量相比具有相对低的特征频率。因此，IMAPR的控制脉谱图可以对内燃发动机1的收敛状态最优运行点具有相对显著的影响。相反，具有相对高的特征频率的用于燃料质量和EGR的致动器设置可以基于内燃发动机的当前状态来优化。

在图5的实施例中，当前状态优化器函数51被配置成更新控制脉谱图30的选择。要由当前状态优化器函数51更新的控制脉谱图30控制致动器，其可以对内燃发动机1的当前状态具有更显著的影响。例如，当前状态优化器函数51可以更新SOI、燃料质量和请求的EGR的控制脉谱图。这些致动器设定点的变化通常在相对短的时间段内影响内燃发动机的性能。也就是说，这些致动器具有与脉谱图更新模块40的特征计算频率相似或更高的特征频率。例如，脉谱图更新模块可以具有等于由当前状态优化器51执行的计算的频率的特征计算频率。因此，当前状态优化器函数51更新相对于脉谱图更新频率具有很少或没有时滞的致动器。

在图5的实施例中，当前状态优化器函数51可被配置成在不大于500ms的时间段内计算优化超曲面。在一些实施例中，当前状态优化器函数51可以被配置成在不大于以下时间段内计算优化超曲面300ms、200ms或100ms。在一个实施例中，当前状态优化器函数51可以被配置成在不大于60ms的时间段内计算优化超曲面。

在图5的实施例中，收敛状态优化器函数52可被配置成在不大于1000ms的时间段内计算优化超曲面。在一些实施例中，收敛状态优化器函数52可以被配置成在不大于以下时间段内计算优化超曲面800ms、600ms、400ms或200ms。在一个实施例中，收敛状态优化器函数52可被配置成在不大于120ms的时间段内计算优化超曲面。

如图5所示，成本模块70包括来自后处理系统的附加输入。因此，成本模块70可以在评价每组候选的致动器设定点的性能时结合由后处理系统产生的数据。

成本模块70可以利用来自后处理系统的数据来更新至少一些成本函数。因此，来自后处理系统的数据可用于调整与每个发动机性能变量相关的相对权重。因此，成本函数可以从优先考虑低燃料消耗更新为优先考虑高排气温度。

例如，成本模块70可以利用来自后处理系统的数据，以便确定将执行后处理系统的再生(例如，来自后处理系统的需要柴油微粒过滤器的再生的指示)。成本模块70可更新模型的一些成本函数，以便实现后处理系统的再生。例如，可以提供成本函数(例如性能目标函数)来控制排气最低温度。为了再生后处理系统，可以增加排气温度最小损耗(例如，至400℃)以促使优化器计算提高排气温度的优化超曲面。内燃发动机可能不能达到这样的排气温度，但是将促使其找到使与该值的偏差最小的解决方案。当不需要后处理热管理时，可将排气温度最小损耗设定为可忽略的值(例如，-180℃)。因此，当不需要时，成本函数将不考虑该项。

在其他实施例中，成本模块70可以调整成本函数的权重以便引起后处理系统的再生。因此，成本函数可以从优先考虑低燃料消耗更新到例如优先考虑高排气温度，这通过改变与成本函数(多个)相关联的一个或多个值来实现。

在其他实施例中，成本模块70可以存储从后处理系统接收的与内燃发动机的排放相关的排放数据。成本模块70可利用排放数据来监测内燃发动机的排放性能。在一些实施例中，成本模块70可以基于所监测的排放性能来调整排放函数中的一个或多个。因此，内燃发动机控制器14可以被配置成以符合各种排放法规的方式控制内燃发动机。应当理解，排放法规可根据内燃发动机的运行位置而变化。与可以被单独地校准以预先符合特定排放目标的时不变控制脉谱图不同，内燃发动机的成本模块70可以被更新以适当地符合当地排放法规。因此，可以降低内燃发动机控制器14的校准需求。

工业适用性

本公开的内燃发动机控制器10、12、14可以被配置成以多种配置来控制内燃发动机。

一种应用可以是用于控制如图1所示的内燃发动机的致动器设定点。所述内燃发动机可以安装在例如车辆或机器上，或者可以形成发电机的一部分。