帳號:
密碼:
CTIMES / 文章 /   
使用深度學習網路估算氮氧化物排放
 

【作者: Renault】   2021年08月26日 星期四

瀏覽人次:【7087】
  

使用擅長學習、處理、分類序列資料的長短期記憶(LSTM)網路,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,並訓練出預測NOX排放的模型網路,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)車輛更乾淨、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複雜性,使得要建立模型的難度特別高,導致NOX物理模型的高複雜度,因此很難用於完整的引擎操作範圍;而且,這些模型無法在ECU上即時的執行。


我們最近開始使用長短期記憶(long-short-term memory;LSTM)網路來建立從引擎輸出NOX的模型(直接從引擎排放,而不是從後處理(aftertreatment)系統)。


LSTM網路是一種擅長學習、處理、分類序列資料的神經網路,LSTM建立起來比氧化模型容易許多。透過MATLAB,即使本身並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,並訓練出預測NOX排放的模型網路,準確率幾乎高達90%。


LSTM網路模型的設計與訓練

除了執行真實引擎的測試,並且取得了訓練資料。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。這些擷取下來的資料將做為模型網路的輸入值,包含引擎扭力、引擎速度、冷卻劑溫度,以及檔位的排放。


接著使用MATLAB程式語法來建立簡單的LSTM網路。雖然這個初始的網路的組成僅有一個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、一個迴歸輸出,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路的層數來提升精準度,並小心注意不要讓模型網路規模膨脹到可能造成過度擬合(overfitting),或者佔據太多ECU記憶體。


接下來,更新MATLAB程式來增加神經網路層數,並且進行幾種模型網路的配置探索。由於網路模型尺寸較小,最適網路配置和架構的選擇是由人工來進行。採用試誤法(trial-and-error method)可以利用系統的物理資產。舉例來說,對於具有高度非線性的系統,通常會選擇多重ReLU層,而對於熱系統,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,以及一個迴歸輸出層的網路,此版本的LSTM網路針對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1 : 從真實的引擎量測到的NOX排放量(藍色)和以LSTM網路建構的NOX排放模型(橘色)。
圖1 : 從真實的引擎量測到的NOX排放量(藍色)和以LSTM網路建構的NOX排放模型(橘色)。

將模型併入系統層級模擬

當有了訓練好的LSTM網路,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。其中一個團隊將網路合併到模型,把網路內的從引擎輸出(engine-out)NOX層級作為後處理系統的輸入。此團隊接著執行模擬來衡量後處理系統在各種引擎操作點的NOX轉換效率,透過將LSTMs導入系統模擬,該團隊因此可以獲得很難透過物理(physical)或經驗(empirical)模型取得的資訊。雷諾團隊也在模擬時使用LSTM神經網路來評估車上診斷(onboard diagnostics;OBD)系統的表現,以及估算新駕駛循環下的引擎排放量。



圖2 : 從利用LSTM網路模型來預測NOX排放等級的成功經驗衍伸,可從LSTM網路產生C程式碼為概念驗證工具。(source:INDUSTR.com)
圖2 : 從利用LSTM網路模型來預測NOX排放等級的成功經驗衍伸,可從LSTM網路產生C程式碼為概念驗證工具。(source:INDUSTR.com)

後續的深度學習專案計畫

此項利用LSTM網路模型來預測NOX排放等級的成功經驗,在雷諾內部已催生了好幾個後續的專案計畫。其中一項計畫,使用MathWorks的顧問服務建立了一套工具,可從LSTM網路產生C程式碼來作為概念驗證展示,產生的程式碼能夠將NOX排放的估計器部署至ECU上,作為OBD系統模擬平台的一部分,這個LSTM可依照排放標準的規範,提供即時、全天候的不良或故障狀況偵測。


在進行ECUs的嵌入時,深度神經網路(特別是深度LSTMs)是其中的一大挑戰。我們的ECU並不是非常強大的電腦,意味著需要在LSTM複雜性(這也代表預測的品質)與ECU執行運算的能力之間進行取捨。以我們的應用來說,網路尺寸相對較小,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。


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


相關文章
7種常見的電動車模擬案例
4種經過實證的AI演算法應用
結合AI管理 機器視覺應用領域持續擴增
收集模型測試覆蓋程度度量資料的理由
以模型為基礎設計開發無人自主停車技術
comments powered by Disqus
相關討論
  相關新品
EM500EV 測試/開發板
原廠/品牌:集博
供應商:集博
產品類別:IDE
  相關新聞
» 醫材監管規轉應變 金屬中心攜手南科管理局提升檢測與輔導能量
» 台達互聯生智園區 E-Mobility展現電動車完整實力
» 北捷選用艾訊智慧交通軌道監控解決方案提升安全指數
» 中保科集團進軍電動車充電樁市場 加入MIH聯盟積極布局
» 東元首推電巴動力系統T Power+ 台灣國際智慧移動展亮相
  相關產品
» Basler ace 2再添Gpixel CMOS感光元件
» 中美萬泰全新醫療級邊緣運算專用電腦WPC-767(F)系列具高擴充性設計
» 施耐德電機全新TeSys Deca Series馬達啟動器更安全、更穩定
» Basler推出新款CXP-12元件 – 相機與介面卡
» igus新型塗層粉末於運行零汙染 適合食品產業應用

AD


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2021 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北市中山北路三段29號11樓 / 電話 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw