Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Deep Learning-Netze zur Schätzung von NOX-Emissionen
Von Nicoleta-Alexandra Stroe und Vincent Talon, Renault
Renault entwickelt aktiv die Technologie der nächsten Generation für emissionsfreie Fahrzeuge (ZEVs). Gleichzeitig arbeiten wir daran, Fahrzeuge mit Verbrennungsmotor sauberer und effizienter zu machen. Ein Schwerpunkt liegt dabei auf der Reduzierung schädlicher Emissionen. Verbrennungsmotoren erzeugen Stickoxide (NOX), die zu Smog, saurem Regen und Treibhausgasen beitragen. Zur Minimierung von NOX, benötigen wir genaue Schätzungen der Emissionen bei verschiedenen Betriebspunkten des Motors, beispielsweise bei verschiedenen Kombinationen aus Drehmoment und Motordrehzahl.
Das Durchführen von Tests an einem echten Motor ist kostspielig und oft zeitaufwändig, daher wurden NOX-Schätzungen wurden traditionell mithilfe von Nachschlagetabellen oder Verbrennungsmodellen berechnet. Diese Methoden haben mehrere Nachteile. Die Nachschlagetabellen sind nicht genau genug und die Erstellung von Verbrennungsmodellen ist aufgrund der Komplexität der Gleichungen, die zur Erfassung der Emissionsdynamik erforderlich sind, außerordentlich schwierig. Physikalische Modelle von NOX sind hochkomplex und über den gesamten Betriebsbereich eines Motors schwierig anzuwenden; zudem können sie nicht in Echtzeit auf einer elektronischen Motorregelung (ECU) ausgeführt werden.
Wir haben vor kurzem mit der Modellierung von engine-out NOX begonnen (Emissionen, die direkt vom Motor und nicht vom Nachbehandlungssystem ausgehen) unter Verwendung eines Long Short-Term Memory (LSTM)-Netzwerks. Dies ist eine Art neuronales Netzwerk, das sich durch das Lernen, Verarbeiten und Klassifizieren sequentieller Daten auszeichnet. Das LSTM war viel einfacher zu erstellen als ein Verbrennungsmodell. Auch wenn wir keine Spezialisten für Deep Learning sind, konnten wir mit MATLAB® und Deep Learning Toolbox™ ein Netzwerk erstellen und trainieren, das NOX-Emissionen mit einer Genauigkeit von fast 90% vorhersagt.
Entwerfen und Trainieren des LSTM-Netzwerks
Unsere Trainingsdaten haben wir aus Tests gewonnen, die an einem echten Motor durchgeführt wurden. Bei diesen Tests wurde der Motor gängigen Fahrzyklen unterzogen, darunter dem Worldwide harmonized Light vehicles Test Cycles (WLTC), dem New European Driving Cycle (NEDC) sowie dem Real Driving Emissions-Test (RDE). Die erfassten Daten dienten als Input für das Netzwerk. Dazu zählen das Motordrehmoment, die Motordrehzahl, die Kühlmitteltemperatur und die Emissionen pro Gangstufe.
Anschließend haben wir mit einem MATLAB-Skript ein einfaches LSTM-Netzwerk erstellt. Obwohl dieses anfängliche Netzwerk nur aus einer LSTM-Schicht, einer ReLU-Schicht (Rectified Linear Unit), einer FC-Schicht (Fully Connected) und einer Regressionsausgabeschicht bestand, war seine Leistung überraschend gut. Wir vermuteten jedoch, dass wir die Genauigkeit durch das Hinzufügen weiterer Schichten erhöhen könnten. Wir haben darauf geachtet, die Größe des Netzwerks nicht soweit zu erhöhen, dass es zu einer Überanpassung kommt oder zu viel Speicher auf der ECU beansprucht wird.
Wir haben das MATLAB-Skript aktualisiert, um Schichten hinzuzufügen, und mehrere Netzwerkkonfigurationen untersucht. Die Auswahl der besten Netzwerkkonfiguration und -architektur erfolgte manuell, da die Netzwerkgröße gering war. Durch die Versuch-und-Irrtum-Methode konnten wir die physikalischen Eigenschaften des Systems ausnutzen. Beispielsweise würden wir für ein System mit hohen Nichtlinearitäten mehrere ReLU-Schichten wählen, während für ein thermisches System mehrere LSTM-Schichten besser geeignet wären. Wir haben uns für ein Netzwerk entschieden, das eine einzelne LSTM-Schicht, drei ReLU-Schichten, drei FC-Schichten und eine Regressionsausgabeschicht hatte. Diese Version des LSTM-Netzwerks erreichte eine Genauigkeit von 85–90% bei der Vorhersage von NOX-Pegeln im Vergleich zu der Genauigkeit von 60–70 %, die wir mit Nachschlagetabellen sahen (Abbildung 1).

Abbildung 1. Gemessene NOX-Emissionen eines realen Motors (blau) und modellierte NOX-Emissionen aus dem LSTM-Netzwerk (orange).
Einbindung des Netzwerks in systemweite Simulationen
Nachdem wir ein trainiertes LSTM-Netzwerk hatten, stellten wir es anderen Renault-Teams zur Verwendung in ihren Simulink®-Simulationen zur Verfügung. Ein Team integrierte es in ein Modell, das die "engine-out NOX"-Pegel aus dem Netzwerk als Eingabe für ein Nachbehandlungssystem nutzte. Anschließend führte das Team Simulationen durch, um die NOX -Konversionseffizienz des Abgasnachbehandlungssystems bei verschiedenen Betriebspunkten des Motors zu messen. Durch die Einführung von LSTMs in Systemsimulationen erlangte das Team Informationen, auf die mit physikalischen oder empirischen Modellen nicht ohne Weiteres zugegriffen werden kann. Die Teams von Renault nutzen das neuronale LSTM-Netzwerk auch in Simulationen, um die Leistung von Onboard-Diagnosesystemen (OBD) zu bewerten und die Motoremissionen für neue Fahrzyklen einzuschätzen.
Deep Learning – Folgeprojekte
Unsere erfolgreiche Implementierung eines LSTM-Netzwerks zur Vorhersage von NOX-Emissionswerten hat bei Renault zu mehreren Folgeprojekten geführt. In einem Projekt haben wir als Machbarkeits-Demonstration ein von MathWorks Beratern für uns erstelltes Tool verwendet, um C Code aus dem LSTM-Netzwerk zu generieren. Durch die Generierung von Code auf diese Weise können wir die NOX-Emissionsschätzer auf einer ECU implementieren. Als Teil einer Simulationsplattform speziell für das OBD-System ermöglicht das LSTM die sofortige und rund um die Uhr erfolgende Erkennung ungesunder oder fehlerhafter Zustände, wie es die Emissionsstandards vorschreiben.
Wenn sie in ECUs eingebettet sind, können tiefe neuronale Netzwerke – insbesondere tiefe LSTMs – eine Herausforderung darstellen. Unsere ECUs sind keine sehr leistungsstarken Computer, was bedeutet, dass wir die Komplexität des LSTM (und damit die Qualität der Vorhersage) gegen die Kapazität der ECU zum Ausführen der Berechnungen abwägen müssen. Für unsere Anwendungen waren die Netzwerke relativ klein und konnten bei Bedarf problemlos in Kalman-Filter integriert werden.
Vor Kurzem haben wir unseren Einsatz von Deep Learning mit MATLAB erweitert. Zu diesem Zweck verwenden wir bestärkendes Lernen, um Strategien zur Luftpfadsteuerung in Renault-Motoren zu entwickeln.
Veröffentlicht 2021