账号:
密码:
智动化 / 文章 /

使用深度学习网路估算氮氧化物排放
[作者 Renault]   2021年08月26日 星期四 浏览人次: [14267]

使用擅长学习、处理、分类序列资料的长短期记忆(LSTM)网路,建立输出从车辆引擎所产生的氮氧化物(NOX)的模型,藉由使用MATLAB和深度学习工具箱建立LSTM,并训练出预测NOX排放的模型网路,让新一代零排放车辆的开发技术能达到高度准确率。


雷诺(Renault)汽车现正积极地开发新一代零排放车辆(zero-emissions vehicles;ZEVs)的技术,同时,也在努力希望使内燃机(internal combustion engine;ICE)车辆更干净、更有效率。减少有害物质的排放是其中一项重点项目。内燃机会产生氮氧化物(oxides of nitrogen;NOX),导致了烟雾、酸雨、温室气体。为了降低NOX,需要精确地估计各种引擎操作点的排放–举例来说,各种扭力和引擎速度的组合。


在真实的引擎上进行测试不但昂贵,而且通常很耗时。而传统上,是透过查找表(lookup tables)或氧化(combustion)模型的计算来进行NOX估计。


不过,这些方法有几个缺点,例如查找表不够精确,而氧化模型也会因为方程式需撷取排放的动态复杂性,使得要建立模型的难度特别高,导致NOX物理模型的高复杂度,因此很难用于完整的引擎操作范围;而且,这些模型无法在ECU上即时的执行。


我们最近开始使用长短期记忆(long-short-term memory;LSTM)网路来建立从引擎输出NOX的模型(直接从引擎排放,而不是从后处理(aftertreatment)系统)。


LSTM网路是一种擅长学习、处理、分类序列资料的神经网路,LSTM建立起来比氧化模型容易许多。透过MATLAB,即使本身并不是深度学习的专家,也可以使用MATLAB和深度学习工具箱(Deep Learning Toolbox)建立,并训练出预测NOX排放的模型网路,准确率几乎高达90%。


LSTM网路模型的设计与训练

除了执行真实引擎的测试,并且取得了训练资料。在测试进行期间,引擎会经过常见的驾驶型态循环,包含全球调和轻型车辆测试循环(Worldwide harmonized Light vehicles Test Cycles;WLTC)和欧盟现行之欧洲驾驶循环(New European Driving Cycle;NEDC),还有实际驾驶排放(Real Driving Emissions;RDE)测试。这些撷取下来的资料将做为模型网路的输入值,包含引擎扭力、引擎速度、冷却剂温度,以及档位的排放。


接着使用MATLAB程式语法来建立简单的LSTM网路。虽然这个初始的网路的组成仅有一个LSTM层、一个整流线性单位函式(rectified linear unit;ReLU)层、一个全连接(fully connected;FC)层、一个回归输出,它的表现却意料之外的好。


不过,我们猜想应可再透过增加更多网路的层数来提升精准度,并小心注意不要让模型网路规模膨胀到可能造成过度拟合(overfitting),或者占据太多ECU记忆体。


接下来,更新MATLAB程式来增加神经网路层数,并且进行几种模型网路的配置探索。由于网路模型尺寸较小,最适网路配置和架构的选择是由人工来进行。采用试误法(trial-and-error method)可以利用系统的物理资产。举例来说,对于具有高度非线性的系统,通常会选择多重ReLU层,而对于热系统,多重LSTM层可能更为适合。


我们选择一个包含单一个LSTM层、三个ReLU层、三个FC层,以及一个回归输出层的网路,此版本的LSTM网路针对NOX等级预测可以达到85-90%的精确度,相较之下,使用查找表时则仅有60-70%的精确度(图1)。



图1 : 从真实的引擎量测到的NOX排放量(蓝色)和以LSTM网路建构的NOX排放模型(橘色)。
图1 : 从真实的引擎量测到的NOX排放量(蓝色)和以LSTM网路建构的NOX排放模型(橘色)。

将模型并入系统层级模拟

当有了训练好的LSTM网路,我们让其他雷诺的团队也可以使用这个模型来进行他们的Simulink模拟。其中一个团队将网路合并到模型,把网路内的从引擎输出(engine-out)NOX层级作为后处理系统的输入。此团队接着执行模拟来衡量后处理系统在各种引擎操作点的NOX转换效率,透过将LSTMs导入系统模拟,该团队因此可以获得很难透过物理(physical)或经验(empirical)模型取得的资讯。雷诺团队也在模拟时使用LSTM神经网路来评估车上诊断(onboard diagnostics;OBD)系统的表现,以及估算新驾驶循环下的引擎排放量。



图2 : 从利用LSTM网路模型来预测NOX排放等级的成功经验衍伸,可从LSTM网路产生C程式码为概念验证工具。 (source:INDUSTR.com)
图2 : 从利用LSTM网路模型来预测NOX排放等级的成功经验衍伸,可从LSTM网路产生C程式码为概念验证工具。 (source:INDUSTR.com)

后续的深度学习专案计画

此项利用LSTM网路模型来预测NOX排放等级的成功经验,在雷诺内部已催生了好几个后续的专案计画。其中一项计画,使用MathWorks的顾问服务建立了一套工具,可从LSTM网路产生C程式码来作为概念验证展示,产生的程式码能够将NOX排放的估计器部署至ECU上,作为OBD系统模拟平台的一部分,这个LSTM可依照排放标准的规范,提供即时、全天候的不良或故障状况侦测。


在进行ECUs的嵌入时,深度神经网路(特别是深度LSTMs)是其中的一大挑战。我们的ECU并不是非常强大的电脑,意味着需要在LSTM复杂性(这也代表预测的品质)与ECU执行运算的能力之间进行取舍。以我们的应用来说,网路尺寸相对较小,如果需要的话,可以很容易地被整合进卡尔曼滤波器(Kalman filters)。


最近,我们已经再扩大使用透过MATLAB进行的深度学习,致力使用强化学习来开发雷诺引擎的航行路径控制策略。


(本文由钛思科技提供;作者Nicoleta-Alexandra Stroe、Vincent Talon任职于Renault汽车公司)


相关文章
使用深度学习进行地下电缆系统预测性维护
运用FP-AI-VISION1的影像分类器
以模型为基础的设计方式改善IC开发效率
使用深度学习进行海上雷达资料品质管控自动化
实用型数位转型的最隹实践
comments powered by Disqus
  相关新闻
» 工研院AI设备预诊断技术协助日月光精准制造
» 趋势科技荣获Computex 2022 Best Choice Award 克服资安及人力不足
» COMPUTEX 2022实体展重磅回归 开启数位新契机
» 达梭3DEXPERIENCE平台 协助Faurecia强化AGV车物流系统
» ABB研调:全球产业加速投资能源效率
  相关产品
» Basler boost相机配备安美森影像感测器和Basler F-mount镜头
» 宜鼎全新InnoAgent频外管理扩充模组 高速高效远端管理AIoT装置
» 德承嵌入式电脑打造智能制造中关键设备的核心
» 新型igus夹具具有抗压扁效果,可牢靠固定空压软管
» 凌华推出PCIe-ACC100加速5G虚拟化无线电存取网路应用