Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
Sfruttamento dell'intelligenza artificiale per ridurre le emissioni dei motori diesel
Deep Reinforcement Learning riduce le emissioni di NOx quasi a zero.
Unisciti a noi per raggiungere il successo
Ricevi la consulenza degli esperti di MathWorks Consulting su soluzioni personalizzate che ti aiuteranno a raggiungere i tuoi obiettivi.
Gli ossidi di azoto, un sottoprodotto della combustione dei combustibili fossili, sono tra gli inquinanti più severamente regolamentati e tra i più dannosi per la salute umana. Le sostanze chimiche, collettivamente chiamate “NOx, ” costituiscono lo smog marrone che, nonostante i più severi controlli sulla qualità dell’aria, aleggia ancora sui profili di alcune città.
Nei motori diesel per applicazioni industriali, i catalizzatori a riduzione catalitica selettiva (SCR) sono stati utilizzati principalmente nella fascia di potenza pari o superiore a 56 kW, in risposta ai livelli di regolamentazione delle emissioni di NOx previsti dalle normative EPA Tier 4 Final, in vigore dal 2014. Le normative continueranno a diventare più severe e saranno necessarie ulteriori riduzioni dei livelli di NOx , portando a sistemi più complessi e avanzati che richiederanno tempi di sviluppo maggiori che mai. Sarà quindi necessario un ulteriore sviluppo dell'efficienza. Yanmar America, un'azienda che produce attrezzature agricole, sistemi energetici e motori industriali, gli ingegneri stanno sperimentando l'uso del Deep Reinforcement Learning per perfezionare la tecnica.
“Abbiamo bisogno di una riduzione ulteriore del 90% per rispettare i nuovi standard previsti per i motori oltre i 56 kW, in modo da ottenere livelli di NOx quasi pari a zero, provenienti dal tubo di scarico dei nostri motori SCR”, afferma Martin Muinos, ingegnere di ricerca e sviluppo presso Yanmar America.
Il California Air Resources Board stabilisce gli standard per limitare gli inquinanti provenienti dai motori diesel fuoristrada. I nuovi standard Tier 5 proposti, che saranno introdotti gradualmente nel corso del prossimo decennio, richiedono ai costruttori di ridurre le emissioni di NOx del 90% in alcune categorie di potenza.
Motore Yanmar 4TN107FTT, dotato di tecnologia SCR. (Crediti dell’immagine: Yanmar America)
Alcuni anni fa, gli ingegneri di Yanmar America hanno iniziato a sperimentare soluzioni per soddisfare questo requisito nei loro nuovi motori. I motori erano già dotati di SCR, che riducono al minimo le emissioni di NOx attraverso una reazione chimica tra ammoniaca e NOx. L'ammoniaca viene introdotta nello scarico a monte del catalizzatore SCR tramite un iniettore di fluido di scarico diesel (DEF). Il DEF è una soluzione di urea e acqua che si decompone in ammoniaca nei gas di scarico caldi. Con l'aiuto di un catalizzatore, l'ammoniaca scompone le emissioni NOx in azoto gassoso, un componente naturale dell'atmosfera.
Ma una parte di NOx riesce ancora a superare questo processo di depurazione, e l’ammoniaca, a sua volta un inquinante nocivo, può disperdersi nell’aria. Questo spiacevole effetto collaterale è chiamato 'ammonia slip’. “Si vuole cercare di avere quanta più ammoniaca possibile immagazzinata nell’SCR per aumentare la capacità di conversione di NOx“ afferma Muinos. “Ci sono delle difficoltà perché lo stoccaggio dell'ammoniaca dipende dalla temperatura.” Ad esempio, rapidi aumenti della temperatura dei gas di scarico possono provocare l’ammonia slip.
Diagramma che illustra il processo di minimizzazione delle emissioni NOx mediante SCR. (Crediti dell’immagine: Yanmar America)
Un altro fattore limitante è la dimensione dell'SCR. “Le prestazioni SCR dipendono fortemente dalle dimensioni, il che significa che non hanno spazio infinito per le iniezioni di ammoniaca”, afferma Shota Nomura, ingegnere addetto ai collaudi presso Yanmar America.
Dal banco di prova alla simulazione
Tipicamente, lo sviluppo dell’SCR comporta un lungo processo di calibrazione per garantire una corretta riduzione di NOx, che può arrivare a superare le 240 ore di lavoro per il progetto di calibrazione dell’SCR. “Esistono 20 o più mappe di calibrazione che delineano i controlli SCR e abbiamo bisogno di dati per calibrare tali mappe”, spiega Muinos. “Per raccogliere questi dati, è necessario eseguire un test del motore per alcune settimane alla volta, calibrare le mappe e quindi validare le prestazioni.”
“Simulink è come un sandbox per lo sviluppo dei controlli.”
“Non esiste un modo autonomo per calibrare il sistema”, afferma Nomura. “Poiché SCR regola diverse mappe che si influenzano a vicenda, le prestazioni sono influenzate dalla regolazione. Per ottimizzarlo tenendo conto dell’equilibrio ideale basato sui risultati dei test, è stato necessario un notevole lavoro di regolazione manuale.”
Per ridurre i tempi e i costi dei test fisici, il team di Yanmar è passato a un approccio model-in-the-loop, utilizzando Simulink® e un software di simulazione del catalizzatore separato, per modellare il loro SCR. “Se non avessimo Simulink, dovremmo proporre una modifica ai nostri controlli, inviarla al fornitore della nostra centralina (ECU), far sviluppare a loro la logica di controllo, far sviluppare il software per la centralina e poi testarlo su un banco prova reale”, afferma Muinos. “Ma Simulink è come un sandbox per lo sviluppo dei controlli.”
Utilizzando il sandbox, il team si è rapidamente reso conto che i metodi di controllo SCR attuali non sarebbero stati sufficienti per rispettare il nuovo standard Tier 5, che mira a ridurre le emissioni di NOx quasi a zero.
Uno screenshot del Reinforcement Learning Training Monitor disponibile in Reinforcement Learning Toolbox. Rappresenta il grafico di avanzamento durante l'addestramento di un modello DRL utilizzato da Yanmar per questo progetto. (Crediti dell’immagine: Yanmar America)
Nomura si è chiesto se l'intelligenza artificiale, in particolare il Deep Reinforcement Learning, potesse essere d'aiuto. “Ma io sono un ingegnere meccanico”, afferma Nomura. “Non ho molte conoscenze sull'intelligenza artificiale.”
Poiché il team stava già utilizzando MATLAB® e Simulink, Nomura ha esplorato le risorse online di MathWorks e ha utilizzato MathWorks Consulting Services per verificare se il Deep Reinforcement Learning potesse aiutarli a determinare il miglior tasso di dosaggio DEF per il loro SCR.
Reinforcement Learning è un tipo di intelligenza artificiale che apprende acquisendo informazioni dall'ambiente per produrre il risultato desiderato, imparando per tentativi ed errori. L'agente di Reinforcement Learning viene “premiato” quando produce un risultato desiderato.
“Il ragionamento alla base dell’uso del reinforcement learning è che utilizzeremo l’IA per individuare i migliori profili di dosaggio o i migliori profili di accumulo di ammoniaca per i cicli di prova delle emissioni”, afferma Muinos. “Successivamente studieremo i risultati e svilupperemo i controlli per raggiungere quei profili.”
“Prima non avevamo modo di determinare le prestazioni massime”, afferma Nomura.
Utilizzando Reinforcement Learning Toolbox™ e Deep Learning Toolbox™, i consulenti MathWorks hanno aiutato Nomura a scegliere tra i diversi algoritmi di Reinforcement Learning disponibili e a individuare quello più adatto al progetto di Yanmar.
“Dopo aver collaborato con il team e analizzato i vantaggi e gli svantaggi dell’approccio proposto da Yanmar, abbiamo compreso che l’algoritmo deep Q-network (DQN) li avrebbe aiutati a sviluppare un buon agente di Reinforcement Learning”, afferma Mohammad Muquit, consulente tecnico principale presso MathWorks.
Screenshot di un Simulink Scope che mostra la quantità di emissioni di NOx durante la simulazione con il valore predefinito del sistema Yanmar (linea gialla) rispetto al modello DRL sviluppato in questo progetto (linea blu). (Crediti dell’immagine: Yanmar America)
Apprendimento basato sull’esperienza
Dotato dell’algoritmo DQN, il team Yanmar ha iniziato a 'insegnare' al proprio agente di Deep Reinforcement Learning (DRL) a individuare il profilo di dosaggio dell’ammoniaca ottimale per le prestazioni dell’SCR.
Grazie ai risultati del modello, il team ha potuto verificare come i valori di calibrazione suggeriti dall'agente corrispondessero ai valori di calibrazione dei motori esistenti. Le visualizzazioni Reinforcement Learning Toolbox hanno aiutati a comprendere i risultati del modello.
“Non avendo esperienza con l’IA, non mi aspettavo di riuscire a portare a termine un progetto di Reinforcement Learning… ma i servizi di consulenza MathWorks mi hanno aiutato a gestire i parametri necessari e a capire come funziona il Reinforcement Learning.”
“Stiamo confrontando i risultati dell’agente di Reinforcement Learning con quelli della nostra calibrazione e cercando di capire perché siano diversi”, afferma Muinos. “Una volta che avremo compreso bene perché l’agente di Reinforcement Learning produce risultati migliori sulle emissioni, potremo capire quali controlli implementare. Ci fornisce un punto di partenza migliore per la calibrazione.”
Dopo aver eseguito la simulazione, che dura circa 30 minuti, l'agente ha fornito un profilo di dosaggio ottimale, che ha portato a un miglioramento del 60% nella riduzione delle emissioni di NOx, secondo Nomura.
L'agente ha dimezzato il tempo di calibrazione, riducendo del 30% le ore totali del progetto. “Ci sono voluti solo sei mesi: non ci aspettavamo tempi di sviluppo così brevi,” afferma Nomura. “Questo ha superato di gran lunga le mie aspettative.”
Il risparmio di tempo e la riduzione dei test fisici hanno comportato anche un risparmio sui costi del 41% rispetto al normale processo di calibrazione manuale.
“Senza alcuna esperienza nell'intelligenza artificiale, non mi aspettavo di riuscire a portare a termine un progetto di Reinforcement Learning,” afferma Nomura. “Ma MathWorks Consulting Services mi ha aiutato a gestire i parametri necessari e a capire come funziona il Reinforcement Learning.”
Attualmente, lo strumento SCR calibrato con l’IA offre agli ingegneri Yanmar un punto di partenza migliore per la calibrazione durante lo sviluppo degli SCR dei loro motori. Il passo successivo è la prototipazione rapida del controllo. Il team Yanmar ha recentemente acquisito l'hardware per mettere alla prova i risultati della propria modellazione. Il team prevede di automatizzare ulteriormente questo processo. Attualmente, l’agente DRL cerca i valori ottimali, ma sono ancora gli esseri umani a doverli inserire nelle ECU. Nei progetti futuri, gli ingegneri Yanmar sperano di utilizzare l’IA per generare automaticamente i valori di calibrazione iniziali per le ECU, evitando le regolazioni manuali.
MATLAB e Simulink sono stati strumenti fondamentali per questo progetto e il team prevede di continuare a utilizzarli insieme ad altri toolbox correlati per lo sviluppo futuro. “Senza MATLAB o Simulink non saremmo arrivati fino a questo punto,” afferma Muinos. “Sono tra i migliori strumenti che abbia mai utilizzato per lo sviluppo dei controlli.”
Unisciti a noi per raggiungere il successo
Ricevi la consulenza degli esperti di MathWorks Consulting su soluzioni personalizzate che ti aiuteranno a raggiungere i tuoi obiettivi.
Altri casi
GUIDA AUTOMATIZZATA / ROBOTICA
Applicazione di tecniche di robotica comprovate per i processi di sviluppo delle automobili
Renault fa progredire la prototipazione ADAS con ROS Toolbox e l'integrazione Simulink
AI / SISTEMI DI CONTROLLO
Progettazione di apparecchiature elettriche smart integrate con AI
L’integrazione della progettazione Model-Based con l’intelligenza artificiale nei sistemi elettrici ottimizza le operazioni industriali
SISTEMI INGEGNERIZZATI
Dyson accelera lo sviluppo di nuovi prodotti grazie alla simulazione a livello di sistema
Progettazione Model-Based utilizzata per sviluppare un prodotto di prima generazione
