СПОСОБ ОБНАРУЖЕНИЯ НЕИСПРАВНОСТИ ДЕТАЛЕЙ НА ПРОТЯЖЕНИИ СРОКА СЛУЖБЫ ДВИГАТЕЛЯ ВНУТРЕННЕГО СГОРАНИЯ Российский патент 2015 года по МПК G06F19/00 F02D41/14 

Область техники, к которой относится изобретение

Настоящее изобретение относится к способу обнаружения неисправности деталей на протяжении срока службы двигателя внутреннего сгорания (ДВС).

Предпосылки создания изобретения

Поскольку неисправности деталей двигателей внутреннего сгорания создают множество затруднений, желателен надежный способ их обнаружения.

Например, неправильное сгорание в одном или нескольких цилиндрах двигателя внутреннего сгорания с регулируемым зажиганием обычно известно как пропуск зажигания.

События пропуска зажигания крайне отрицательно сказываются на работе двигателя, уровне выбросов и также могут наносить ущерб катализатору.

В европейском законодательстве и OBDII (бортовых диагностических системах второго поколения) содержится требование обнаружения событий пропуска зажигания, приводящих к чрезмерным выбросам.

В большинстве современных способов обнаружения пропусков зажигания в цилиндрах используется угловое ускорение ведущего вала с целью определения цилиндра, в котором происходят пропуски зажигания. Как уже хорошо известно, эти способы не являются вполне приемлемыми, поскольку на угловое ускорение ведущего вала влияют не только пропуски зажигания, но также, например, неровность дороги и резкие снижения скорости.

В других способах обнаружения используются другие сигналы или подробные математические модели с целью расчета условия пропуска зажигания.

В наиболее распространенном способе обнаружения пропуска зажигания используют этот параметр для мониторинга деталей, сравнивают значение сигнала, сформированного из непосредственно измеренных сигналов (например, углового положения фонического колеса), с некоторыми пороговыми значениями и в случае их превышения обнаруживают пропуск зажигания. Это способ может приводить к ложным обнаружениям и в целом является неприменимым для мониторинга сгорания, поскольку затруднение при сгорании может быть вызвано различными явлениями.

Соответственно, необходима более приемлемая логическая схема обнаружения событий пропуска зажигания на протяжении срока службы двигателя, в которой исключены ложные обнаружения. Кроме того, известные модели распознавания образов являются лишь статическими моделями, в которых не учитывается происходящие в системе двигателя на протяжении срока его службы изменения, которые влияют на обнаружение пропусков зажигания.

В основу изобретения положена задача создания способа обнаружения неисправности деталей или других нежелательных событий с учетом возможных изменений характеристик деталей на протяжении срока службы двигателя и сопутствующего смещения характеристик деталей.

Одной из дополнительных задач настоящего изобретения является создание способа обнаружения неисправностей, применимого для обнаружения событий пропуска зажигания и учитывающего происходящие на протяжении срока службы двигателя возможные изменения сопутствующих явлений и возможное смещение характеристик деталей.

Другой задачей является создание способа обнаружения неисправности деталей двигателя внутреннего сгорания, в котором не применяются сложные устройства и выгодно используются вычислительные возможности электронного блока управления (ECU) транспортного средства.

Решение этих задач обеспечивается за счет способа, двигателя, компьютерной программы и компьютерного программного продукта, а также электромагнитного сигнала, признаки которых охарактеризованы в независимых пунктах формулы изобретения.

В зависимых пунктах охарактеризованы предпочтительные и/или особо выгодные особенности изобретения.

Краткое изложение сущности изобретения

В одном из вариантов осуществления предложен способ обнаружения неисправности детали на протяжении срока службы двигателя внутреннего сгорания, имеющего, по меньшей мере, цилиндр и управляемого электронным блоком управления (ECU), при осуществлении которого:

создают предварительно заданный классификатор неисправностей детали в начале срока службы двигателя и используют его в качестве действующего классификатора,

задают условие применимости упомянутого действующего классификатора,

регистрируют в реальном времени группу соответствующих сигналов, касающихся работы упомянутой детали,

вводят упомянутые сигналы в действующий классификатор, чтобы определить наличие неисправности упомянутой детали, и,

если условие применимости действующего классификатора не выполнено,

создают новый классификатор с использованием последних на данный момент соответствующих сигналов, зарегистрированных упомянутым ECU, и

заменяют действующий классификатор упомянутым новым классификатором.

Одним из преимуществ описанного способа является то, что он позволяет обнаруживать неисправность детали на протяжении срока службы двигателя с учетом изменений характеристик детали вследствие смещения ее характеристик с течением времени или по любой иной причине.

Согласно одному из вариантов осуществления изобретения предварительно заданный классификатор создают посредством сеанса обучения с целью обучить классификатор различать наличие или отсутствие неисправности упомянутой детали, при этом в процессе сеанса обучения в классификатор вводят множество сигналов, подразделенных на сигналы, отображающие неисправность упомянутой детали, и сигналы, отображающие нормальное функционирование упомянутой детали.

Этот вариант изобретения позволяет выгодно создавать для соответствующего классификатора в начале срока службы двигателя две подгруппы сигналов, одна из которых служит для отображения нормальных характеристик детали, а другая - для отображения неисправностей детали.

В одном из дополнительных вариантов осуществления изобретения оценивают условие применимости упомянутого действующего классификатора в зависимости от средних значений и дисперсий входных сигналов, отображающих деталь.

Этот вариант изобретения позволяет выгодно задавать условие применимости действующего классификатора.

В одном из дополнительных вариантов осуществления изобретения условие применимости выполняется, когда разность между исходным средним значением сигналов, отображающих нормальное функционирование упомянутой детали, и средним значением сигналов, вычисленных с использованием последних на данный момент соответствующих сигналов, имеет меньшую абсолютную величину, чем минимальная пороговая величина, или большую абсолютную величину, чем максимальная пороговая величина.

Этот вариант осуществления позволяет обнаруживать, когда выполняется условие применимости действующего классификатора, с использованием данных, относящихся к функционированию упомянутой детали.

В еще одном из дополнительных вариантов осуществления изобретения условие применимости удовлетворяется, когда разность между исходной дисперсией сигналов, отображающих нормальное функционирование упомянутой детали, и дисперсией сигналов, вычисленных с использованием последних на данный момент соответствующих сигналов, имеет меньшую абсолютную величину, чем минимальная пороговая величина, или большую абсолютную величину, чем максимальная пороговая величина.

Этот вариант осуществления обеспечивает устойчивое обнаружение условия применимости действующего классификатора.

В еще одном из дополнительных вариантов осуществления изобретения на протяжении срока службы двигателя непрерывно осуществляют поиск нового классификатора.

Этот вариант осуществления позволяет предварительно вычислять новый классификатор, которым может легко может быть заменен действующий классификатор, если условие применимости действующего классификатора уже не выполняется.

Согласно одному из вариантов осуществления изобретения деталью является цилиндр двигателя, а неисправностью является пропуск зажигания.

Согласно одной из особенностей способ может осуществляться с помощью компьютерной программы, содержащей программный код для осуществления всех стадий описанного способа, и в форме компьютерного программного продукта, содержащего компьютерную программу.

Компьютерный программный продукт может быть воплощен в форме устройства управления двигателем внутреннего сгорания, содержащего электронный блок управления (ECU), носитель данных, связанный с ECU, и компьютерную программу, хранящуюся на носителе данных, и, соответственно, устройство управления характеризует описанные варианты осуществления таким же образом, как и способ. В этом случае при выполнении в устройстве управления компьютерной программы осуществляются все стадии описанного способа.

Согласно одной из дополнительных особенностей способ также может быть воплощен в форме электромагнитного сигнала, который модулируют для передачи последовательности битов данных, которые представляют компьютерную программу для выполнения всех стадий способа.

Согласно еще одной из дополнительных особенностей предложен двигатель внутреннего сгорания, имеющий, по меньшей мере, цилиндр и электронный блок управления (ECU), специально предназначенный для осуществления заявленного способа.

Краткое описание чертежей

Далее в порядке примера будут описаны различные варианты осуществления способа со ссылкой на сопровождающие его чертежи, на которых:

на фиг.1 показана блок-схема, иллюстрирующая схему обнаружения пропусков зажигания, используемую в способе согласно настоящему изобретению,

на фиг.2 схематически проиллюстрирован сеанс обучения цилиндра типового двигателя согласно одному из вариантов осуществления предложенного в настоящем изобретении способа,

на фиг.3 схематически проиллюстрирована осуществляемая в реальном времени классификация имеющего множество цилиндров двигателя согласно одному из вариантов осуществления предложенного в настоящем изобретении способа;

на фиг.4 приведены примеры различных групп выборок, графически отображенных в конфигурационном пространстве, согласно одному из вариантов осуществления предложенного в настоящем изобретении способа, и

на фиг.5 проиллюстрирована последовательность стадий согласно одному из вариантов осуществления предложенного в настоящем изобретении способа.

Подробное описание

Далее со ссылкой на прилагаемые чертежи будут описаны предпочтительные варианты осуществления предложенного в изобретении способа.

Из литературы известно, что задачи распознавания образов и в целом классификации решаются различными способами. Типовые алгоритмы распознавания образов/классификации (согласно хорошо известным источникам) действуют следующим образом.

Сначала из обучающей последовательности изменяющихся во времени сигналов извлекают набор данных/параметров различных типов, касающихся выбранного алгоритма распознавания образов. Эту информацию используют для создания классификатора.

Затем алгоритм распознавания образов с использованием классификатора, созданного на первой стадии, в реальном времени оценивает регистрируемые выборки с целью их классификации.

Таким образом, основанные на обучающей последовательности многомерных выборок процедуры классификации позволяют:

(i) уменьшать размеры многомерного пространства входных образов путем их проецирования в направлениях с наибольшей дисперсией,

(ii) создавать классификационное правило, устанавливающее предварительно заданное число классов (групп). Классы определяют путем сведения к минимуму дисперсии внутри класса и доведения до максимума межклассовой дисперсии. Дисперсией внутри класса является дисперсия выборок одного класса, а межклассовой дисперсией является дисперсия выборок различных классов. Результат выглядит как проекционная матрица (для осуществления в реальном времени проекции регистрируемых выборок в новом пространстве уменьшенных размеров), которая обладает свойством оптимальным образом выделять выборки, используемые в качестве обучающей последовательности,

(iii) классифицировать регистрируемые выборки с помощью классификационного правила, в результате чего каждую выборку относят к наиболее приемлемому классу с учетом классификационного правила согласно пункту (ii).

Соответственно, логическая схема согласно одному из вариантов осуществления изобретения, которая также представлена на фиг.1, содержит три основных стадии:

а) сеанс обучения: определение исходного классификатора,

б) осуществляемая в реальном времени классификация пропускающих и не пропускающих зажигание цилиндров,

в) оценка смещения характеристик системы на протяжении срока службы двигателя и создание нового оптимального классификатора.

Сначала рассмотрим сеанс обучения и отметим, что предварительно заданный классификатор создают посредством набора обучающих данных. В этом наборе данных классификатор определяет оптимальные параметры для обнаружения пропуска зажигания в каждом из цилиндров. Тем самым оценивают набор предварительно калиброванных параметров и определяют предварительно заданный классификатор. Число классов в данном случае равно двум: пропускающий зажигание цилиндр и не пропускающий зажигание цилиндр.

Для каждого цилиндра обучают отдельный классификатор с использованием выборок, отображающих и не отображающих неисправность. Таким образом, классификатор обучают различать, является ли конкретный цилиндр пропускающим зажигание или нет.

На фиг.2 показана блок-схема логической схемы обучения каждого цилиндра "i" многоцилиндрового двигателя. В частности, показаны цилиндр 20 и поршень 40 в сборе двигателя 10 внутреннего сгорания (ДВС), в камеру 50 сгорания которого топливный инжектор 30 впрыскивает определенное количество топливо. Как только клапан 60 закрывается, происходит воспламенение топлива и начинается сгорание.

Входные сигналы (X, Y, Z на фиг.2) представляют собой подгруппу сигналов, измеренных и вычисленных в ECU.

Выбор сигналов, используемых в качестве входных сигналов, обусловлен предварительным анализом всей группы сигналов, зарегистрированных ECU.

Например, выбранным сигналом может являться:

X(t)=[X1(t), X2(t),…Xn(t)] → входной вектор,

в котором:

X1(t)=сигнал частоты вращения,

X2(t)=сигнал ускорения коленчатого вала,

Xn(t)=сигнал магистрального давления.

Предпочтительно в качестве входных сигналов (или их сочетаний) выбирают сигналы, которые, исходя из обычного опыта, тесно связаны с решаемой задачей. В качестве рекомендации выбор входных сигналов может подчиняться двум правилам:

(i) должны четко разделяться выборки, которые должны быть отнесены к различным классам (например, с пропуском зажигания или без пропуска зажигания),

(ii) должны четко разделяться выборки, относящиеся к различным пропускающим зажигание цилиндрам.

Дополнительные примеры входных сигналов, применимых для обнаружения пропуска зажигания в цилиндре, включают:

X(t): период между двумя событиями сгорания,

Y(t): градиент частоты вращения коленчатого вала,

Z(t): разность между идущими подряд 90° периодами сигнала коленчатого вала.

При использовании этих сигналов выборки остаются четко разделенными на различные группы.

Что касается осуществляемой в реальном времени классификации, в начале срока службы двигателя используемым классификатором является предварительно заданный классификатор. С помощью действующей в реальном времени логической схемы классификатор рассматривает новые значения тех же входных сигналов, которые использовались в сеансе обучения, с целью различения пропускающего зажигание и не пропускающего зажигания цилиндра.

Для классификации контрольных выборок пространство должно быть поделено на области, относящиеся к различным классам.

Одной из возможностей является отнесение контрольной выборки к группе в пределах наименьшего расстояния Махаланобиса. Это, как и в других способах, позволяет относить каждую контрольную выборку к определенному классу.

На фиг.3 проиллюстрировано действие четырех классификаторов 4-цилиндрового двигателя.

Параллельно на протяжении всего срока службы двигателя выполняется алгоритм определения оптимального классификатора. Этот алгоритм постоянно ведет поиск оптимального классификатора путем сравнения нового классификатора с используемым действующим классификатором.

Задачей этой логической схемы определения оптимального классификатора является оценивание смещения характеристик исправного класса на протяжении срока службы двигателя. Таким путем могут корректироваться параметры классификаторов с тем, чтобы действующие в реальном времени алгоритмы могли лучше различать выборку, отображающую неисправность, и выборку, не отображающую неисправность. Эта операция может осуществляться различными способами.

Одним из возможных способов является вычисление изменяющегося во времени многомерного среднего значения регистрируемых выборок для каждого цилиндра, разумеется, с учетом только подпространства входных сигналов. Путем применения соответствующей логической схемы к этому среднему значению, а также к многомерной дисперсии выборок, может учитываться смещение характеристик на протяжении срока службы двигателя с тем, чтобы обеспечить своего рода автоадаптивное обучение наилучшего классификатора для каждого цилиндра, как показано на фиг.4.

Этот подход представляет собой важное усовершенствование более традиционных способов распознавания образов, поскольку при распознавании пропуска зажигания с использованием автоадаптивной логической схемы могут учитываться смещения характеристик на протяжении срока службы двигателя. Две овальные области на фиг.5, иллюстрирующие выборки, соответствующие отсутствию пропусков зажигания, имеют следующее значение:

(i) положение многомерного пространства регистрируемых выборок, соответствующих пропуску зажигания, на протяжении срока службы двигателя остается на удалении от положения выборок, соответствующих отсутствию пропусков зажигания,

(ii) на протяжении срока службы двигателя будет происходить смещение характеристик выборок, соответствующих отсутствию пропусков зажигания, в многомерном пространстве.

Путем мониторинга этого смещения характеристик можно учитывать их относительные величины с целью корректировки параметров классификаторов. Поскольку эти классификаторы вычисляют статистическими методами, в случае изменения средних значения и дисперсий в областях выборок также должно быть изменено определение классов. Иными словами, входные сигналы, регистрируемые ECU, будут использоваться на протяжении срока службы двигателя в качестве новых наборов обучающих данных.

С этой целью рассмотрим, например, блок-схему, показанную на фиг.5.

В частности, чтобы определить, может ли еще использоваться текущий классификатор или из-за, например, смещения характеристик деталей с течением времени он должен быть заменен новым классификатором, используют набор условий.

В частности, задают следующие средние значения и дисперсии сигналов, отображающих цилиндр i, для каждого цилиндра каждого класса ClassOk_i, a именно, класса выборок, соответствующих отсутствию пропусков зажигания в цилиндре i.

Задают параметр Mean_New(ClassOk_i), который отображает новое среднее значение выборок, соответствующих отсутствию пропусков зажигания, вычисленное с использованием "n" последних зарегистрированных выборок, а также задают параметр Mean_Original(ClassOk_i), который отображает исходное среднее значение выборок, соответствующих отсутствию пропусков зажигания, вычисленное на стадии обучения.

Вычисляют абсолютную величину разности между этими значениями, а именно |Mean_New(ClassOk_i)- Mean_Original(ClassOk_i)|, и сравнивают ее со средним максимальным и минимальным пороговым значением смещения характеристик согласно следующему уравнению 1:

MinDriftMeanThreshold<|Mean_New(ClassOk_i)-Mean_Original(ClassOk_i)|< MaxDriftMeanThreshold. (1)

В то же время задают параметр Var_New(ClassOk_i), который отображает новую дисперсию выборок, соответствующих отсутствию пропусков зажигания, вычисленную с использованием "n" последних зарегистрированных выборок, а также задают параметр Variance_Original(ClassOk_i), который отображает исходное значение дисперсии выборок, соответствующих отсутствию пропусков зажигания, вычисленное на стадии обучения.

Вычисляют абсолютную величину разности между этими значениями, а именно |Var_New(ClassOk_i)-Var_Origmal(ClassOk_i)|, и сравнивают ее с максимальным и минимальным пороговым значением дисперсии смещения характеристик согласно следующему уравнению 2:

MinDriftVarThreshold<|Var_New(ClassOk_i)-Var_Original(ClassOk_i)|<MaxDriftVarThreshold. (2)

Эти условия означают, что, если разность между средними значениями или дисперсиями, соответственно, имеет меньшую абсолютную величину, чем минимальное среднее значение MinDriftMeanThreshold смещения характеристик или минимальное пороговое значение MinDriftVarThreshold дисперсии смещения характеристик, действующий классификатор по-прежнему имеет силу и может продолжать использоваться.

Кроме того, если разность между средними значениями или дисперсиями, соответственно, имеет большую абсолютную величину, чем максимальное среднее значение MaxDriftMeanThreshold смещения характеристик или максимальное пороговое значение MaxDriftVarThreshold дисперсии смещения характеристик, происходит обнаружение пропуска зажигания, и действующий классификатор по-прежнему считается имеющим силу.

Таким образом, сочетание этих уравнений задает условие применимости упомянутого действующего классификатора.

Напротив, это условие применимости не выполняется, когда уравнения 1 и 2 рассматриваются одновременно, и не выполняется по меньшей мере одно из условий среднего значения или дисперсии.

В этом случае вычисляют новый оптимальный классификатор, как схематически показано на фиг.5.

Помимо этого, следует отметить, что условия уравнений 1 и 2 отображают тот факт, что классификатор, который уже не имеет силы из-за смещения характеристик деталей, может быть обнаружен за счет того, что разность между средними значениями или дисперсиями сигналов имеет большую абсолютную величину, чем минимальное пороговое значение, и, следовательно, эта разность не является пренебрежимо малой и, будучи меньшей, чем максимальное пороговое значение, не отображает не пропускающий зажигание цилиндр.

В результате экспериментов, проведенных на реальных четырехцилиндровых двигателях с общей топливной магистралью и самовоспламенением, в которых имели место события пропуска зажигания, были получены соответствующие наборы данных, которые могут быть разделены на группы.

Во всех случаях для всех цилиндров группируют выборки, соответствующие отсутствию пропусков зажигания, и это означает возможность обнаружения исправного состояния для алгоритма распознавания образов.

В случае пропуска зажигания в одном цилиндре соответствующие сигналы по-разному реагируют в зависимости от цилиндра в такте сжатия, и это позволяет алгоритму распознавания образов четко различать влияние пропуска зажигания в одном цилиндре на пропускающий зажигание цилиндр и другие цилиндры.

Если происходит изменение пропускающего зажигания цилиндра, также изменяется взаимное расположение выборок, отображающих различные цилиндры, за счет чего классификатор четко отличает пропускающий зажигание цилиндр от остальных цилиндров.

Описанные выше особенности обеспечивают устойчивость и применимость способа в разнообразных двигателях и условиях работы двигателя.

Кроме того, например, среднее значение и дисперсию вычисляют для каждого цилиндра с учетом характеристик соответствующего цилиндра на протяжении временного интервала в несколько секунд.

В любом случае частота выборки может быть адаптирована к мониторингу конкретной детали при условии, что современный уровень электронной техники допускает осуществление выборки с высокой частотой.

Кроме того, следует учитывать, что, хотя способ был проиллюстрирован на примере пропуска зажигания в цилиндрах, он может легко применяться для обнаружения неисправности других деталей двигателя.

Хотя выше рассмотрен по меньшей мере один пример осуществления, следует учесть, что существует огромное число их разновидностей. Также следует учесть, что пример или примеры осуществления служат лишь примерами и не имеют целью каким-либо образом ограничить объем, применимость или конфигурацию изобретения. Точнее, вышеизложенное служит для специалиста в данной области техники удобным планом действий по реализации по меньшей мере одного примера осуществления, при этом подразумевается, что в функции и расположение элементов, описанных в примере осуществления, могут быть внесены различные изменения, не выходящие за пределы объема изобретения, ограниченного прилагаемой формулой изобретения и ее допустимыми законом эквивалентами.

Ссылочные позиции

10 Двигатель внутреннего сгорания

20 Цилиндр

30 Топливный инжектор

40 Поршень

50 Камера сгорания

60 Клапан цилиндра

Изобретение относится к способу обнаружения неисправности деталей на протяжении срока службы двигателя (10) внутреннего сгорания, имеющего, по меньшей мере, цилиндр (20) и управляемого электронным блоком управления (ECU), при осуществлении которого: создают предварительно заданный классификатор неисправностей детали в начале срока службы двигателя и используют его в качестве действующего классификатора, задают условие применимости упомянутого действующего классификатора, регистрируют в реальном времени группу соответствующих сигналов, касающихся работы упомянутой детали, вводят упомянутые сигналы в действующий классификатор, чтобы определить наличие неисправности упомянутой детали, и, если условие применимости действующего классификатора не выполняется, создают новый классификатор с использованием последних на данный момент соответствующих сигналов, зарегистрированных упомянутым ECU, и заменяют действующий классификатор упомянутым новым классификатором. Техническим результатом является возможность обнаружения неисправности деталей с учетом возможных изменений характеристик деталей на протяжении срока службы двигателя. 4 н. и 6 з.п. ф-лы, 5 ил.

1. Способ обнаружения неисправности деталей на протяжении срока службы двигателя (10) внутреннего сгорания, имеющего, по меньшей мере, цилиндр (20) и управляемого электронным блоком управления (ECU), при осуществлении которого:
создают предварительно заданный классификатор неисправностей детали в начале срока службы двигателя и используют его в качестве действующего классификатора,
задают условие применимости упомянутого действующего классификатора,
регистрируют в реальном времени группу соответствующих сигналов, касающихся работы упомянутой детали,
вводят упомянутые сигналы в действующий классификатор, чтобы определить наличие неисправности упомянутой детали, и,
если условие применимости действующего классификатора не выполняется,
создают новый классификатор с использованием последних на данный момент соответствующих сигналов, зарегистрированных упомянутым ECU, и
заменяют действующий классификатор упомянутым новым классификатором.

2. Способ по п.1, в котором предварительно заданный классификатор создают с помощью сеанса обучения с целью обучить классификатор различать наличие или отсутствие неисправности детали, при этом в процессе сеанса обучения в классификатор вводят множество сигналов, подразделенных на сигналы, отображающие неисправность упомянутой детали, и сигналы, отображающие нормальное функционирование упомянутой детали.

3. Способ по п.1, в котором оценивают условие применимости упомянутого действующего классификатора в зависимости от средних значений и значений дисперсии входных сигналов, отображающих упомянутую деталь.

4. Способ по п.3, в котором условие применимости выполняется, если разность между исходным средним значением сигналов, отображающих нормальное функционирование упомянутой детали, и средним значением сигналов, вычисленным с использованием последних на данный момент соответствующих сигналов, имеет меньшую абсолютную величину, чем минимальная пороговая величина, или большую абсолютную величину, чем максимальная пороговая величина.

5. Способ по п. 3, в котором условие применимости выполняется, если разность между исходной дисперсией сигналов, отображающих нормальное функционирование упомянутой детали, и дисперсией сигналов, вычисленных с использованием последних на данный момент соответствующих сигналов, имеет меньшую абсолютную величину, чем минимальная пороговая величина, или большую абсолютную величину, чем максимальная пороговая величина.

6. Способ по п. 1, в котором непрерывно осуществляют поиск нового классификатора на протяжении срока службы двигателя (10).

7. Способ по п. 1, в котором деталью является цилиндр (20) двигателя (10), а неисправностью является пропуск зажигания.

8. Двигатель (10) внутреннего сгорания, имеющий, по меньшей мере, цилиндр (20) и содержащий электронный блок управления (ECU), сконфигурированный на осуществление способа по любому из предшествующих пунктов.

9. Компьютерный программный продукт, в котором хранится компьютерная программа.

10. Устройство управления двигателем внутреннего сгорания, содержащее ECU, носитель данных, связанный с ECU, и компьютерную программу, хранящуюся на носителе данных.