使用深度学习网络估计没有_X排放

雷诺正在积极研发新一代技术为零排放车辆(zev)。与此同时,我们正在努力使内燃机(ICE)清洁和更有效的车辆。一个领域的重点是减少有害排放。冰生成氮氧化物(NO_X),这导致烟雾,酸雨和温室气体排放。减少不_X,我们需要准确的估计在不同的发动机排放操作点的例子,在各种组合的扭矩和发动机转速。

真正的引擎上运行测试常常是昂贵和耗时的,所以没有_X估计历来使用查找表计算或燃烧模型。这些方法有几个缺点。查找表缺乏准确性,而燃烧模型是非常困难的来创建由于方程的复杂性需要捕捉发射动力学。物理模型的_X是高度复杂的,很难用发动机整个运行范围;此外,他们不能实时运行在一个ECU。

我们最近开始建模引擎熄火没有_X(直接从发动机排放发行而不是从后处理系统)使用短期记忆(LSTM)网络,神经网络的一种,擅长学习,处理和分类顺序数据。LSTM是更容易创建比燃烧模型。即使我们不是专家深入学习,使用MATLAB^®和深度学习工具箱™我们能够创建和训练网络,预测_X排放几乎90%的准确率。

设计和培训LSTM网络

我们获得的训练数据从测试进行实际的引擎。在这些测试中,发动机通过常见的驱动周期,包括全球和谐轻型汽车测试周期(WLTC)和新欧洲行驶循环(NEDC),以及实际开车排放(RDE)测试。捕获的数据提供输入到网络。它包括发动机扭矩,发动机转速,冷却液温度和设备数量的排放。

然后,我们创建了一个简单的LSTM网络使用MATLAB脚本。虽然这初始网络只由一个LSTM层,解决线性单元(ReLU)层,一个完全连接(FC)层,和一个回归输出层,它执行得非常好。但是我们怀疑,我们可以增加它的准确性通过添加更多的层。我们照顾不增加网络的规模,这将导致过度拟合或占用太多内存ECU。

我们更新了MATLAB脚本添加层和探索一些网络配置。选择最好的网络配置和架构是手动执行,由于网络规模很小。试错的方法使我们能够利用系统的物理特性。例如,对于具有高非线性系统,我们会选择多个ReLU层,而对于热系统中,多个LSTM层可能更合适。我们选定了一个网络,一个LSTM层,三个ReLU层,三个FC层,和一个回归输出层。这个版本的LSTM网络预测精度没有达到85 - 90%_X水平相比之下,我们看到的60 - 70%的准确率查找表(图1)。

将网络整合到系统级模拟

一旦我们有训练有素的LSTM网络,我们使它可用于其他雷诺团队使用的仿真软件金宝app^®模拟。一个团队合并成一个模型,使用了引擎_X水平从网络作为输入一个后处理系统。该团队然后模拟测量_X后处理系统的转换效率在不同的引擎操作点。LSTMs引入系统模拟,团队获得的信息不容易访问物理或经验模型。雷诺团队也在使用LSTM神经网络模拟评估车载诊断(OBD)系统的性能和评估引擎排放的新驱动周期。

深度学习后续项目

我们成功实现LSTM网络的预测_X排放水平导致后续几个项目在雷诺。在一个项目中,我们使用一种工具为我们建造MathWorks顾问从LSTM网络生成C代码作为一个概念验证演示。生成代码以这种方式将使我们能够部署_X在ECU排放估计量。作为仿真平台的一部分,致力于OBD系统LSTM将启用动态,整天的检测不健康的或错误的条件下,规定的排放标准。

当嵌入ecu,深层神经网络特别深LSTMs-can提出了挑战。我们的ECU不是非常强大的电脑,这意味着我们需要权衡的复杂性LSTM(因此,预测的质量)对ECU运行计算的能力。为我们的应用程序中,网络是相对较小的,如果需要,可以很容易地集成到卡尔曼滤波器。

最近,我们延长了使用MATLAB的深度学习。对于这个工作,我们使用强化学习的发展策略雷诺引擎的空气路径控制。