新聞中心

EEPW首頁 > 智能計算 > 業界動態 > 使用深度學習網絡估算氮氧化物排放

使用深度學習網絡估算氮氧化物排放

作者:Renault時間:2021-08-29來源:CTIMES收藏

使用擅長學習、處理、分類序列數據的長短期記憶(LSTM)網絡,建立輸出從車輛引擎所產生的氮氧化物(NOX)的模型,藉由使用MATLAB和深度學習工具箱建立LSTM,并訓練出預測NOX排放的模型網絡,讓新一代零排放車輛的開發技術能達到高度準確率。
雷諾(Renault)汽車現正積極地開發新一代零排放車輛(zero-emissions vehicles;ZEVs)的技術,同時,也在努力希望使內燃機(internal combustion engine;ICE)車輛更干凈、更有效率。減少有害物質的排放是其中一項重點項目。內燃機會產生氮氧化物(oxides of nitrogen;NOX),導致了煙霧、酸雨、溫室氣體。為了降低NOX,需要精確地估計各種引擎操作點的排放–舉例來說,各種扭力和引擎速度的組合。

在真實的引擎上進行測試不但昂貴,而且通常很耗時。而傳統上,是透過查找表(lookup tables)或氧化(combustion)模型的計算來進行NOX估計。
不過,這些方法有幾個缺點,例如查找表不夠精確,而氧化模型也會因為方程式需擷取排放的動態復雜性,使得要建立模型的難度特別高,導致NOX物理模型的高復雜度,因此很難用于完整的引擎操作范圍;而且,這些模型無法在ECU上實時的執行。
我們最近開始使用長短期記憶(long-short-term memory;LSTM)網絡來建立從引擎輸出NOX的模型(直接從引擎排放,而不是從后處理(aftertreatment)系統)。
LSTM網絡是一種擅長學習、處理、分類序列數據的神經網絡,LSTM建立起來比氧化模型容易許多。透過MATLAB,即使本身并不是深度學習的專家,也可以使用MATLAB和深度學習工具箱(Deep Learning Toolbox)建立,并訓練出預測NOX排放的模型網絡,準確率幾乎高達90%。

LSTM網絡模型的設計與訓練
除了執行真實引擎的測試,并且取得了訓練數據。在測試進行期間,引擎會經過常見的駕駛型態循環,包含全球調和輕型車輛測試循環(Worldwide harmonized Light vehicles Test Cycles;WLTC)和歐盟現行之歐洲駕駛循環(New European Driving Cycle;NEDC),還有實際駕駛排放(Real Driving Emissions;RDE)測試。這些擷取下來的數據將做為模型網絡的輸入值,包含引擎扭力、引擎速度、冷卻劑溫度,以及文件位的排放。
接著使用MATLAB程序語法來建立簡單的LSTM網絡。雖然這個初始的網絡的組成僅有一個LSTM層、一個整流線性單位函式(rectified linear unit;ReLU)層、一個全連接(fully connected;FC)層、一個回歸輸出,它的表現卻意料之外的好。
不過,我們猜想應可再透過增加更多網絡的層數來提升精準度,并小心注意不要讓模型網絡規模膨脹到可能造成過度擬合(overfitting),或者占據太多ECU內存。
接下來,更新MATLAB程序來增加神經網絡層數,并且進行幾種模型網絡的配置探索。由于網絡模型尺寸較小,最適網絡配置和架構的選擇是由人工來進行。采用試誤法(trial-and-error method)可以利用系統的物理資產。舉例來說,對于具有高度非線性的系統,通常會選擇多重ReLU層,而對于熱系統,多重LSTM層可能更為適合。
我們選擇一個包含單一個LSTM層、三個ReLU層、三個FC層,以及一個回歸輸出層的網絡,此版本的LSTM網絡針對NOX等級預測可以達到85-90%的精確度,相較之下,使用查找表時則僅有60-70%的精確度(圖1)。

圖片.png
圖1 : 從真實的引擎量測到的NOX排放量(藍色)和以LSTM網絡建構的NOX排放模型(橘色)。

將模型并入系統層級仿真
當有了訓練好的LSTM網絡,我們讓其他雷諾的團隊也可以使用這個模型來進行他們的Simulink模擬。其中一個團隊將網絡合并到模型,把網絡內的從引擎輸出(engine-out)NOX層級作為后處理系統的輸入。此團隊接著執行仿真來衡量后處理系統在各種引擎操作點的NOX轉換效率,透過將LSTMs導入系統仿真,該團隊因此可以獲得很難透過物理(physical)或經驗(empirical)模型取得的信息。雷諾團隊也在仿真時使用LSTM神經網絡來評估車上診斷(onboard diagnostics;OBD)系統的表現,以及估算新駕駛循環下的引擎排放量。

后續的深度學習項目計劃
此項利用LSTM網絡模型來預測NOX排放等級的成功經驗,在雷諾內部已催生了好幾個后續的項目計劃。其中一項計劃,使用MathWorks的顧問服務建立了一套工具,可從LSTM網絡產生C程序代碼來作為概念驗證展示,產生的程序代碼能夠將NOX排放的估計器部署至ECU上,作為OBD系統仿真平臺的一部分,這個LSTM可依照排放標準的規范,提供實時、全天候的不良或故障狀況偵測。
在進行ECUs的嵌入時,深度神經網絡(特別是深度LSTMs)是其中的一大挑戰。我們的ECU并不是非常強大的計算機,意味著需要在LSTM復雜性(這也代表預測的質量)與ECU執行運算的能力之間進行取舍。以我們的應用來說,網絡尺寸相對較小,如果需要的話,可以很容易地被整合進卡爾曼濾波器(Kalman filters)。
最近,我們已經再擴大使用透過MATLAB進行的深度學習,致力使用強化學習來開發雷諾引擎的航行路徑控制策略。

本文引用地址:http://www.hifi-yinxiang.com/article/202108/427879.htm

(本文由鈦思科技提供;作者Nicoleta-Alexandra Stroe、Vincent Talon任職于Renault汽車公司)



評論


技術專區

關閉
小仙女视频app官-小仙女视频app破解版直播-小仙女视频下载安装