Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
METHOD FOR DETERMINING AN NOX CONCENTRATION AND AN NH3 SLIP DOWNSTREAM OF AN SCR CATALYST
Document Type and Number:
WIPO Patent Application WO/2019/076686
Kind Code:
A1
Abstract:
The invention relates to a method for determining an NOx concentration and an NH3 slip downstream of an SCR catalyst (3) of an internal combustion engine (1) of a vehicle. For this purpose, status variables of an internal combustion engine (1) are entered as first input variables and a current NH3 fill level of the SCR catalyst (3) is entered as a second input variable into at least one machine learning algorithm or at least one stochastic model. According to the first input variables and the second input variable, the at least one machine learning algorithm or the at least one stochastic model calculate the NOx concentration and the NH3 slip downstream of the SCR catalyst (3) and output same as output variables.

Inventors:
DANIEL, Christian (Hauptstrasse 36, Leonberg, 71229, DE)
MARKERT, Heiner (Augustenstr. 21, Stuttgart, 70178, DE)
IMHOF, Volker (Am Stadtgarten 12, Kornwestheim, 70806, DE)
SCHIEGG, Martin (Bergstr. 17/1, Korntal-Muenchingen, 70825, DE)
KLENSKE, Edgar (Dornbuschweg 20, Leinfelden-Echterdingen, 70771, DE)
ANGERMAIER, Stefan (Naehterstr. 38, Stuttgart, 70327, DE)
Application Number:
EP2018/077476
Publication Date:
April 25, 2019
Filing Date:
October 09, 2018
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
ROBERT BOSCH GMBH (Postfach 30 02 20, Stuttgart, 70442, DE)
International Classes:
F01N9/00; F01N3/20; F01N11/00
Foreign References:
DE102007045263A12009-04-02
DE102017102964A12017-08-24
DE102004046640A12006-03-30
DE102005012568A12006-09-21
JP2012026417A2012-02-09
DE10010745A12002-03-28
EP2963271A12016-01-06
DE102015207670A12016-10-27
DE102010002620A12011-09-08
DE102016216951A12018-03-08
Download PDF:
Claims:
Ansprüche

1. Verfahren zur Ermittlung einer NOx-Konzentration und eines Nh -Schlupfes stromabwärts eines S CR- Katalysators (3) eines Verbrennungsmotors eines Fahrzeugs, dadurch gekennzeichnet, dass Zustandsgrößen eines Verbren- nungsmotors als erste Eingangsgrößen (202, 203, 204, 205) und ein aktueller

Nh -Füllungsgrad (201, 206) des S CR- Katalysators (3) als zweite Eingangsgröße in mindestens einen Maschinenlernalgorithmus (20) oder mindestens ein stochastisches Modells (20) eingehen und der mindestens eine Maschinenlernalgorithmus (20) oder das mindestens eine stochastische Modell (20) abhängig von den ersten Eingangsgrößen (202, 203, 204, 205) und der zweiten Eingangsgröße (201, 206) die NOx- Konzentration (21) sowie den NH3- Schlupf (22) stromabwärts des S CR- Katalysators (3) berechnet und als Ausgangsgrößen (207, 208) ausgibt. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren wiederholt für aufeinanderfolgende Zeitschritte abläuft.

3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass der mindestens eine Maschinenlernalgorithmus (20) oder das mindestens eine stochastische Modell (20) abhängig von den ersten Eingangsgrößen (202, 203, 204, 205) und der zweiten Eingangsgröße (201, 206) eine Nh -Oxidation (23) im SCR- Katalysator (3) berechnet und als Ausgangsgröße (209) ausgibt.

4. Verfahren nach Anspruch 3, bei welchem die ausgegebene NOx- Konzentration (21), der ausgegebene Nh -Schlupf (22) und die ausgegebene

NH3-Oxidation (23) neben einer aktuellen NH3-Dosierung (303) für den SCR- Katalysator als Eingangsgrößen (301, 302) in eine stöchiometrische Berechnung (30) eines aktualisierten Nh -Füllungsgrades eingehen und der berechnete, aktualisierte Nh -Füllungsgrad ausgegeben und als der aktuelle NH3- Füllungsgrad und als die zweite Eingangsgröße (206) für die Berechnung und Ausgabe der NOx- Konzentration (21), des NH3-Schlupfes (22) und der NH3- Oxidation (23) stromabwärts des SCR-Katalysators (3) in einem nächsten Zeitschritt durch den mindestens einen Maschinenlernalgorithmus oder das mindestens eine stochastische Modell (20) verwendet wird.

Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass in einem ersten Zeitschritt ein initialer Wert (201) für den aktuellen NH3- Füllungsgrad abhängig vom Betriebszustand des Verbrennungsmotors gewählt oder geschätzt wird, insbesondere, dass ein initialer Nh -Füllungsgrad von Null gewählt oder geschätzt wird, oder dass ein gespeicherter initialer Wert (201) aus einer vorausgegangenen Berechnung gewählt wird.

Verfahren nach einem der Ansprüche 4 oder 5, dadurch gekennzeichnet, dass in der stöchiometrischen Berechnung (30) die im S CR- Katalysator (3) ablaufenden chemischen Reaktionen berücksichtigt werden, insbesondere eine Reduktion von Stickoxiden zu Stickstoff, eine Nh -Oxidation sowie der NHs-Schlupf.

Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass für die stöchio- metrische Berechnung (30) Bilanzgleichungen eingesetzt werden.

Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die ersten Eingangsgrößen (202, 203, 204, 205) mindestens eine der Größen Abgastemperatur (202), Abgasdruck, Abgasmassenstrom, NOx- Konzentration vor dem S CR- Katalysator (203), NO/N02-Verhältnis (204) sowie Raumgeschwindigkeit des Abgases (205) umfassen.

Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Berechnungen im Fahrzeug während eines Fahrbetriebs erfolgen, insbesondere in Echtzeit.

10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die Berechnungen durch eine Recheneinheit eines Steuergerätes des Fahrzeugs erfolgen.

11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass die Recheneinheit bei den Berechnungen des mindestens einen Maschinenlernalgorithmus oder des mindestens einen stochastischen Modells (20) durch eine darauf optimierte Hardwareeinheit unterstützt wird.

12. Verfahren nach einem der Ansprüche 9 bis 11, dadurch gekennzeichnet, dass abhängig von den berechneten Ausgangsgrößen (21, 22) des mindestens einen Maschinenlernalgorithmus oder des mindestens einen stochastischen Modells (20) eine, insbesondere prädiktive, Regelung eines Abgasnachbehandlungssystems des Verbrennungsmotors oder eine, insbesondere prädiktive, Regelung eines Antriebssystems des Fahrzeugs erfolgt.

13. Verfahren nach einem der Ansprüche 9 bis 12, dadurch gekennzeichnet, dass abhängig von den berechneten Ausgangsgrößen (21, 22) des mindestens einen Maschinenlernalgorithmus oder des mindestens einen stochastischen Modells (20) eine Überwachung oder eine Korrektur von entsprechenden Sensorausgangsgrößen erfolgt.

14. Verfahren nach einem der Ansprüche 9 bis 13, dadurch gekennzeichnet, dass abhängig von den berechneten Ausgangsgrößen (21, 22) des mindestens einen Maschinenlernalgorithmus oder des mindestens einen stochastischen Modells (20) eine Überschreitung von Emissionsgrößen festgestellt wird und eine entsprechende Warnmeldung ausgegeben oder eine entsprechende Fehlerreaktion eingeleitet wird.

15. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass der mindestens eine Maschinenlernalgorithmus (20) als Künstliches Neuronales Netz, insbesondere als Convolutional Neural Network, als rekurrentes neuronales Netz, oder als Long short-term memory ausgestaltet ist.

16. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das mindestens eine stochastische Modell (20) mindestens ein Gaußprozess-Modell, insbesondere einen spärlichen Gaußprozess, oder einen Student-t-Prozess umfasst.

17. Computerprogramm, welches dazu eingerichtet ist, ein Verfahren nach einem der Ansprüche 1 bis 16 durchzuführen.

18. Speichermedium, auf welchem ein Computerprogramm nach Anspruch 17 abgelegt ist.

19. Fahrzeugsteuergerät, welches dazu eingerichtet ist, ein Verfahren nach einem der Ansprüche 1 bis 16 durchzuführen.

Description:
Beschreibung Titel

Verfahren zur Ermittlung einer NO x -Konzentration und eines Nl- -Schlupfes stromabwärts eines SCR- Katalysators

Die vorliegende Erfindung betrifft ein Verfahren zur Ermittlung einer NOx- Konzentration und eines Nh -Schlupfes stromabwärts eines SCR- Katalysators eines Verbrennungsmotors eines Fahrzeugs.

Stand der Technik

Die verbesserte Kontrolle und weitere Reduktion schädlicher Emissionen ist eine der bedeutendsten Herausforderungen für zukünftige Verbrennungsmotoren. Bereits bekannt ist der Einsatz von S CR- Katalysatoren (Selective Catalytic Reduc- tion), welche im Abgas der Brennkraftmaschine enthaltene Stickoxide (NO x ) in Gegenwart eines Reduktionsmittels zu Stickstoff reduzieren. Hierdurch können die Stickoxide im Abgas erheblich vermindert werden. Für den Ablauf der Reaktion wird Ammoniak (NH3) benötigt, das dem Abgas zugemischt wird. Als Reduktionsmittel werden NH3 oder N ^-abspaltende Reagenzien eingesetzt. Beispielsweise kann hierfür eine wässrige Harnstofflösung verwendet werden, die vor dem SCR- Katalysator in den Abgasstrang mit Hilfe einer Dosiereinrichtung eingespritzt wird. Aus dieser Lösung bildet sich NH3, das als Reduktionsmittel wirkt. Die Dosierung des Reduktionsmittels erfolgt vorzugsweise in Abhängigkeit von den motorischen Stickoxidemissionen und ist damit vorzugsweise von der momentanen Drehzahl und dem Drehmoment des Motors abhängig. Die Dosierung wird dann entsprechend in Abhängigkeit von Betriebskenngrößen der Brennkraftmaschine sowie in Abhängigkeit von Abgaskenngrößen vorgenommen. Dabei weist ein SCR-Katalysator eine bestimmte NH3-Speicherfähigkeit auf, bei deren Überschreiten NH3 hinter dem SCR- Katalysator austreten kann, was auch als NH3-Schlupf bezeichnet wird. Der aktuelle Speichergrad an NH3 im SCR- Katalysator wird auch als Füllungsgrad bezeichnet.

Aus der DE 102015207670 AI ist Verfahren zur Überwachung der Speicherka- pazität eines SCR- Katalysators für NH3 bekannt. Dabei wird eine zu Diagnosezwecken vorgesehene Phase mit überstöchiometrischer Dosierung vorzeitig beendet, sobald anhand von erhöhten Signalen eines stromabwärts des SCR- Katalysators angeordneten NO x -Sensors auf einen Nh -Schlupf geschlossen werden kann.

Die DE 102010002620 AI offenbart ein Verfahren zum Betreiben eines SCR- Katalysators zur Nachbehandlung von Abgasen einer Brennkraftmaschine, bei dem zur Minderung von Stickoxiden (NO x ) im Abgas ein Reduktionsmittel zudosiert wird und die erforderliche Menge des zuzudosierenden Reduktionsmittels anhand eines Modells errechnet wird. Bei einer Abweichung oberhalb einer vorgebbaren Schwelle zwischen einem gemessenen NO x -Sensorwert stromabwärts des SCR- Katalysators und einem modellierten NO x - Wert stromabwärts des SCR- Katalysators wird eine diskontinuierliche Adaption durch Senkung des Füllstandes im SCR- Katalysator und Einstellung des Systems in Abhängigkeit von einer erkannten Unterdosierung oder Überdosierung des Reduktionsmittels durchgeführt.

Offenbarung der Erfindung Es werden Verfahren zur Ermittlung einer NO x - Konzentration und eines NH3-

Schlupfes stromabwärts eines SCR-Katalysators eines Verbrennungsmotors eines Fahrzeugs vorgeschlagen. Dabei werden Größen, welche Zustandsgrößen eines Verbrennungsmotors, insbesondere Zustandsgrößen des Abgases des Verbrennungsmotors, repräsentieren, als erste Eingangsgrößen mindestens ei- nes Maschinenlernalgorithmus oder mindestens eines stochastischen Modells herangezogen. Zudem wird eine Größe, welche einen aktuellen NH3- Füllungsgrad des SCR-Katalysators repräsentiert, als weitere Eingangsgröße herangezogen. Durch den mindestens einen Maschinenlernalgorithmus oder das mindestens eine stochastische Modell werden abhängig von den ersten Ein- gangsgrößen und der weiteren Eingangsgröße die NO x - Konzentration stromab- wärts des S CR- Katalysators, insbesondere am Ausgang des SCR- Katalysators, sowie der Nh -Schlupf, stromabwärts des SCR- Katalysators, insbesondere am Ausgang des SCR- Katalysators, berechnet und ausgegeben.

Die Ausgangsgrößen der Modellierung des SCR-Katalysators sind somit der Nh -Schlupf (Englisch: NH 3 slip) hinter dem S CR- Katalysator und die NO x - Konzentration hinter dem S CR- Katalysator, welche für gängige Systeme mit einer Anordnung des SCR-Katalysators am Ende des Abgasstrangs der austretenden ΝΟχ- Konzentration (Englisch: tailpipe NO x emission) des Fahrzeugs entspricht. Die ΝΟχ- Konzentration kann für NO und NO2 separat berechnet und ausgegeben werden.

Das Verfahren stellt ein verbessertes Messsystem für die Ausgangsgrößen NO x - Konzentration hinter dem S CR- Katalysator und NH3-Schlupf des SCR- Katalysators für einen Verbrennungsmotor dar. NGvSensoren hinter dem SCR- Katalysator sind schon aus Kostengründen derzeit noch nicht in allen Fahrzeugen verfügbar. Zudem liefern sie in bezüglich Emissionen besonders kritischen Betriebszuständen, z. B. bei einem Kaltstart, oftmals keine oder nur unzuverlässige Ergebnisse. Für den aktuellen Füllungsgrad an NH3 eines SCR- Katalysators gibt es in aktuellen Systemen keine Sensorik. Für den tatsächlichen Nh -Schlupf sind aktuelle, quantitative Aussagen mit aktueller Sensorik schwierig, zumal in besonderen Betriebszuständen wie Kaltstarts.

Die beschriebene dynamische, datenbasierte Modellierung hat dabei den Vorteil, dass höhere Genauigkeiten erreicht werden als bei gängigen physikalischen oder chemischen Modelle und sie durch ihre Universalität weniger aufwändig zu entwickeln sind sowie leichter an neue Anforderungen anpassbar.

Die besonders bevorzugte Variante mit Convolutional Neural Networks (CN N) ermöglicht ein besonders schnelles und effizientes Training auch bei großen Trainingsdaten, da CNN gut auch mit einer hohen Eingangsdimensionalität umgehen können. Zudem benötigen diese Modelle vergleichsweise wenig Speicherplatz, insbesondere bei vielen Trainingsdaten. Die alternative, besonders bevorzugte Variante mit Gaußprozess-Modellen erlaubt probabilistische Aussagen über die Zuverlässigkeit des Modells, z.B. Konfidenzintervalle. Sie können auch bei wenigen Trainingsdaten verhältnismäßig genaue Ergebnisse liefern. Die Modelle benötigen vergleichsweise wenig Spei- cherplatz, insbesondere bei einer geringen Anzahl an Trainingsdaten.

Die Ausgangsgrößen dieses verbesserten Messsystems können vielfältig eingesetzt werden. Für einen bevorzugten Einsatz werden die Maschinenlernalgorith- men oder stochastischen Modelle auf einem Rechner im Fahrzeug während des Betriebs aktuell berechnet. Das kann auch Standardhardware geschehen, z.B. durch die Recheneinheit eines Fahrzeugsteuergeräts. Besonders eignet sich hierzu aber ein Steuergerät, welches neben einem herkömmlichen Rechenkern noch über eine dedizierte Hardwareeinheit verfügt, welche den Rechenkern bei der Berechnung der Maschinenlernalgorithmen oder stochastischen Modelle unterstützt. Als solche Hardwareeinheit eignet sich insbesondere eine Advanced Modelling Unit, wie sie z.B. in der DE 10 2016 216951 AI beschrieben ist.

Die Eingangsgrößen können beim Einsatz im Fahrbetrieb aktuellen Sensordaten entsprechen oder aus diesen berechnet werden oder ebenfalls aus Modellen über die Fahrzeuggrößen stammen. Besonders eignen sich hierfür eine oder mehrere der Größen Abgastemperatur, Abgasdruck, Abgasmassenstrom, NO x - Konzentration vor dem SCR-Katalysator, NO/NGrVerhältnis und Raumgeschwindigkeit des Abgases neben der den initialen NH3-Füllstand des SCR- Katalysators beschreibenden Größe. Durch die Auswahl dieser Eingangsgrößen ist eine präzise Modellierung der Funktionsweise des SCR-Katalysators möglich und somit eine präzise Berechnung der gewünschten Ausgangsgrößen.

Mit den ermittelten Ausgangswerten kann im Fahrbetrieb die Abgasnachbehandlung verbessert werden, z.B. durch regelnde Eingriffe in die Abgasnachbehand- lung selbst (z.B. über eine angepasste Dosierung oder ein Eingriff in die Regelung ΝΟχ / Ruß) oder durch Regeleingriffe in weitere Fahrgrößen, z.B. eine Geschwindigkeitsdrosselung oder für einen Hybridmotor ein Umschalten von einem Verbrennerbetrieb zum Betrieb mit der E-Maschine. Auch für Diagnosezwecke des Abgasnachbehandlungssystems oder Warnmeldungen bezüglich zu starker Emissionen können die Ausgangsgrößen herangezogen werden. Insbesondere sind durch die Modellierung auch voraussagende Berechnungen und somit prä- diktive Regeleingriffe im Fahrbetrieb möglich.

In Systemen, in welchen die Ausgangsgrößen der Maschinenlernalgorithmen o- der stochastischen Modelle redundant auch von Sensoren bestimmt werden, können diese auch zur Überwachung oder Plausibilisierung der entsprechenden Sensoren verwendet werden bzw. in bestimmten, für die Sensoren als schwierig bekannten Betriebsbereichen die Sensorergebnisse korrigieren oder ersetzen.

Vorzugsweise läuft das Verfahren wiederholt für aufeinanderfolgende Zeitschritte ab. Somit ist im Fahrbetrieb eine Berechnung der aktuellen Ausgangsgrößen in Echtzeit möglich. Die berechneten Ausgangsgrößen können auch wiederum als Eingangsgrößen für die Berechnungen im nächsten Zeitschritt herangezogen werden. Besonders bevorzugt wird dabei eine Variante, in welcher zusätzlich zu den beschriebenen Berechnungen noch eine Massen- bzw. Stoffmengen- Bilanzierung von zugeführtem NH3, umgesetzten NH3 (gewünschte Reduktion von Stickoxiden zu Stickstoff) und verlorenem NH3 (Nh -Schlupf und NH3- Oxidation) erfolgt, wobei der Nl- -Umsatz auf einer stöchiometrischen Berechnung basiert. Hierzu wird durch den mindestens einen Maschinenlernalgorithmus oder das mindestens eine stochastische Modell neben den beschriebenen Ausgangsgrößen ΝΟχ- Konzentration und NH3-Schlupf noch die NH3-Oxidation im Katalysator aufgrund der beschriebenen Eingangsgrößen berechnet und als Eingangsgröße für die stöchiometrische Berechnung herangezogen. Der aus dieser Betrachtung und der Kenntnis des initialen Füllstandes ermittelte aktuelle NH3- Füllungsgrad dient wiederum als Eingangswert für die Berechnungen von NO x - Konzentration, NH3-Schlupf und NH3-Oxidation im nächsten Zeitschritt. Die stöchiometrische Berechnung berücksichtigt somit die im SCR- Katalysator ablaufenden chemischen Reaktionen. Durch diese Kombination datenbasierter dynamischer Modellierung mit der Massen- bzw. Stoffmengen- Bilanzierung wird der aktuelle NH3- Füllungsgrad am besten berücksichtigt. Sie führt damit zu den besten Ergebnissen bei der Berechnung der gewünschten Ausgangsgrößen.

Die beschriebene Modellierung kann in einer alternativen Ausgestaltung auch zusammen mit Motormodellen (Maschinenlernalgorithmen, stochastischen Modellen, physikalischen Modellen) in der Motorentwicklung eingesetzt werden. Die Eingangsgrößen werden hierbei aus den Motormodellen entnommen, welche das Motorverhalten z.B. für bestimmte Fahrsituationen oder Fahrzyklen simulieren. Besonders vorteilhaft ist hierbei, dass beliebige Fahrzyklen und deren Auswirkungen auf die Funktionsweise des SCR-Katalysators bereits in der Simulation und Modellierung des Motors berücksichtigt werden können. Die Ausgangsgrößen der Modellierung des SCR-Katalysators über die Maschinenlernalgorithmen oder stochastischen Modelle bzw. die stöchiometrische Berechnung können hier wiederum als Eingangsgrößen für die Motormodelle für den nächsten Zeitschritt verwendet werden. Insgesamt können so für simulierte Motoren die Auswirkungen des SCR-Katalysators auf die Motoremissionen präzise berücksichtigt werden und somit bereits in der Motorenentwicklung Anpassungen des Motorlayouts bzw. des Abgasnachbehandlungssystems mit dem Ziel von Emissionsreduzierungen erfolgen.

Zeichnungen

Nachfolgend ist die Erfindung unter Bezugnahme auf den beiliegenden Zeichnungen und anhand von Ausführungsbeispielen näher beschrieben.

Figur 1 zeigt einen schematischen Ausschnitt aus dem Abgasstrang eines beispielhaften Dieselmotors.

Figur 2 zeigt schematisch einen beispielhaften Ablauf eines Verfahrens zur Ermittlung einer NO x - Konzentration und eines Nh -Schlupfes stromabwärts eines SCR-Katalysators.

Beschreibung der Ausführungsbeispiele

Für die Regelung von Motoren und deren Abgasnachbehandlungssystems im Betrieb sowie für die Entwicklung von Verbrennungsmotoren mit verbesserter Abgasnachbehandlung ist es wichtig, präzise und hochaktuelle Informationen über die Wirksamkeit der eingesetzten Abgasnachbehandlungskomponenten zur Verfügung zu haben. Dies gestaltet sich beim S CR- Katalysator oftmals als herausfordernd, v.a. aufgrund der Verfügbarkeit und des Ansprechverhaltens von Sensoren für Betriebsgrößen wie Stickoxid- Konzentration oder Nh -Schlupf. Funktioniert ein SCR-Katalysator in bestimmten Betriebssituation schlechter als gedacht, kann das deutliche Auswirkungen auf das Emissionsverhalten des Motors haben, aber unter Umständen nicht oder nur stark verzögert festgestellt werden.

Figur 1 zeigt schematisch einen Ausschnitt aus dem Abgasstrang eines beispielhaften Dieselmotors. Dabei ist schematisch ein Motorausschnitt 1 mit Brennkammer als Beginn des Abgasstrangs gezeigt. Das Abgas strömt nach der Verbrennung durch einen Dieseloxidationskatalysator 2. Zwischen dem Motoraus- schnitt 1 und dem Dieseloxidationskatalysator 2 sind ein Temperatursensor und eine Lambdasonde angeordnet. Im Abgasstrang folgt stromabwärts des Diese- loxidationskatalysators 2 ein SCR-Katalysator 3. Zwischen Dieseloxidationskatalysator 2 und SCR-Katalysator 3 sind ein Temperatursensor und ein NO x -Sensor angeordnet. Stromabwärts des SCR-Katalysators sind ein Partikelsensor (PM) und ein NO x -Sensor angeordnet.

Figur 2 zeigt schematisch einen beispielhaften Ablauf der beschriebenen Verfahren. Dabei repräsentiert Block 20 die Modellierung des SCR-Katalysators zur Berechnung der Ausgangsgrößen NO x - Konzentration nach dem SCR-Katalysator sowie Nh -Schlupf des SCR-Katalysators mittels mindestens eines Maschinen- lernalgorithmus oder mindestens eines stochastischen Modells. Als Eingangsgrößen sind beispielhaft die Abgastemperatur 202, NO x - Konzentration vor dem SCR-Katalysator 203, NO/N0 2 -Verhältnis 204 sowie Raumgeschwindigkeit des Abgases 205 gezeigt. Zudem wird in einem initialen Schritt vor einer ersten Be- rechnung der dynamischen Modellierung ein Eingangswert 201 gewählt oder geschätzt, welcher den Füllungsgrad des SCR-Katalysators mit NH3 repräsentiert. Da dieser Wert in der Regel nicht sensorisch zur Verfügung steht, muss er aus aktuellen oder vergangenen Betriebsgrößen bzw. -zuständen ermittelt oder geschätzt werden. In bestimmten Betriebszuständen, z.B. zu Beginn eines Betriebs, kann auch eine Schätzung des Füllungsgrades, z.B. auf null, zweckhaft und ausreichend genau sein. Der Nh -Füllungsgrad kann auch durch Speicherung nach Fahrtende in einem nichtflüchtigen Speicher zu Beginn der neuen Fahrt zur Verfügung stehen und damit das Model bei einem neuen Fahrzyklus korrekt initialisiert werden. Der mindestens eine Maschinenlernalgorithmus oder das mindes- tens eine stochastische Modell 20 liefern einen aktuellen Ausgangswert 207 für die ΝΟχ- Konzentration nach dem bzw. stromabwärts vom S CR- Katalysator, welcher als Wert 21 abgespeichert werden kann, sowie einen aktuellen Ausgangswert 208 für den NH 3 -Schlupf des SCR-Katalysators, welcher als Wert 22 abgespeichert werden kann, sowie einen aktuellen Ausgangswert 209 für die NH3- Oxidation im Katalysator, welcher als Wert 23 abgespeichert werden kann. Dabei werden die Werte vorzugsweise für einen aktuellen Zeitschritt berechnet. Die abgespeicherten Werte 21, 22 bzw. 23 können als Werte 210, 220 bzw. 230 für weitere Berechnungen im Fahrzeug, beispielsweise für Regelungen des Abgasnachbehandlungssystems oder weiterer Fahrzeuggrößen oder für Diagnosen verwendet werden. Sie gehen zudem vorzugsweise als Eingangsgrößen 301, 302 bzw. 303 in die als Block 30 gezeigte, auf Stöchiometrie und Massen- bzw. Stoffmengenbilanz basierende Berechnung des aktualisierten NH3- Füllungsgrades ein. Zudem wird für die Berechnung des aktuellen NH3- Füllungsgrades noch die aktuelle (im aktuellen Zeitschritt erfolgte) NH3- Dosierung 304 für den S CR- Katalysator herangezogen. Im Berechnungsblock 30 wird dabei eine stöchiometrische Berechnung durchgeführt, welche die im SCR- Katalysator ablaufenden chemischen Reaktionen berücksichtigt, insbesondere die gewünschte Reduktion von Stickoxiden zu Stickstoff, unerwünschte NH3- Oxidationen sowie den Nh -Schlupf. Dazu werden Bilanzgleichungen eingesetzt.

Der berechnete, aktualisierte Nh - Füllungsgrad geht wiederum neben den weiteren Eingangsgrößen 202-205 und anstelle des Initialwertes 201 in den Berechnungsblock 20 für den nächsten Zeitschritt ein. Das Verfahren wird iterativ für weitere Zeitschritte durchgeführt.

Für den Berechnungsblock 20 können künstliche Neuronale Netzwerke wie faltende Neuronale Netzwerke (Convolutional Neuronal Networks), insbesondere mit nicht-linearen, exogenen Eingaben, eingesetzt werden. Alternativ eignen sich auch Gaußprozesse wie spärlicher Gaußprozessmodelle (Sparse Gaussian Processi z. B. mit konstanter Abweichung.