Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
Utilizzo delle reti di Deep Learning per stimare le emissioni di NOX
Nicoleta-Alexandra Stroe e Vincent Talon, Renault
Renault sta sviluppando attivamente la tecnologia di nuova generazione per veicoli a zero emissioni (ZEV). Allo stesso tempo, stiamo lavorando per rendere i veicoli con motore a combustione interna (ICE) più puliti ed efficienti. Uno degli ambiti su cui concentrare l'attenzione è la riduzione delle emissioni nocive. I motori a combustione interna generano ossidi di azoto (NOX), che contribuiscono allo smog, alla pioggia acida e ai gas serra. Per ridurre al minimo NOX, abbiamo bisogno di stime accurate delle emissioni in diversi punti di funzionamento del motore, ad esempio a varie combinazioni di coppia e regime del motore.
Eseguire test su un motore reale è costoso e spesso richiede molto tempo, quindi le stime NOX sono state tradizionalmente calcolate utilizzando tabelle di consultazione o modelli di combustione. Questi metodi presentano diversi svantaggi. Le tabelle di consultazione mancano di accuratezza, mentre i modelli di combustione sono estremamente difficili da creare a causa della complessità delle equazioni necessarie per catturare la dinamica delle emissioni. I modelli fisici di NOX sono altamente complessi e difficili da utilizzare nell'intero intervallo di funzionamento di un motore; inoltre, non possono essere eseguiti in tempo reale su una centralina.
Abbiamo iniziato di recente a modellare engine-out NOX (emissioni provenienti direttamente dal motore e non dal sistema di post-trattamento) utilizzando una rete a memoria a lungo e breve termine (LSTM), un tipo di rete neurale che eccelle nell'apprendimento, nell'elaborazione e nella classificazione di dati sequenziali. Il modello LSTM è stato molto più facile da realizzare rispetto al modello a combustione. Anche se non siamo specialisti in Deep Learning, utilizzando MATLAB® e Deep Learning Toolbox™ siamo stati in grado di creare e addestrare una rete che prevede le emissioni NOX con una precisione prossima al 90%.
Progettazione e formazione della rete LSTM
Abbiamo ricavato i dati di addestramento da test condotti su un motore reale. Durante questi test, il motore è stato sottoposto a cicli di guida comuni, tra cui i cicli di prova per veicoli leggeri armonizzati a livello mondiale (WLTC) e il nuovo ciclo di guida europeo (NEDC), nonché i test sulle emissioni di guida reali (RDE). I dati acquisiti fornivano input alla rete. Includeva la coppia del motore, il regime del motore, la temperatura del liquido di raffreddamento e le emissioni del numero di marcia.
Abbiamo quindi creato una semplice rete LSTM utilizzando uno script MATLAB. Sebbene questa rete iniziale fosse composta solo da uno strato LSTM, uno strato di unità lineare rettificata (ReLU), uno strato completamente connesso (FC) e uno strato di output di regressione, ha funzionato sorprendentemente bene. Sospettavamo, tuttavia, che avremmo potuto aumentarne l'accuratezza aggiungendo più livelli. Abbiamo fatto attenzione a non aumentare le dimensioni della rete al punto da causare un overfitting o occupare troppa memoria sulla ECU.
Abbiamo aggiornato lo script MATLAB per aggiungere livelli e abbiamo esplorato diverse configurazioni di rete. La scelta della migliore configurazione e architettura di rete è stata effettuata manualmente, poiché le dimensioni della rete erano ridotte. Il metodo per tentativi ed errori ci ha consentito di sfruttare le proprietà fisiche del sistema. Ad esempio, per un sistema con elevate non linearità, sceglieremmo più strati ReLU, mentre per un sistema termico sarebbero più appropriati più strati LSTM. Abbiamo optato per una rete dotata di un singolo livello LSTM, tre livelli ReLU, tre livelli FC e un livello di output di regressione. Questa versione della rete LSTM ha raggiunto un'accuratezza dell'85-90% nella previsione di livelli NOX rispetto alla precisione del 60-70% che abbiamo visto con le tabelle di consultazione (Figura 1).

Figura 1. Le emissioni NOX misurate di un motore reale (blu) ed emissioni NOX modellate dalla rete LSTM (arancione).
Inclusione della rete nelle simulazioni a livello di sistema
Una volta che abbiamo avuto una rete LSTM addestrata, l'abbiamo resa disponibile ad altri team Renault per l'uso nelle loro simulazioni Simulink®. Un team lo ha incorporato in un modello che utilizzava il livello NOX engine-out dalla rete come input a un sistema di post-trattamento. Il team ha quindi eseguito delle simulazioni per misurare l’efficienza di conversione NOX del sistema di post-trattamento in vari punti di funzionamento del motore. Introducendo gli LSTM nelle simulazioni di sistema, il team ha acquisito informazioni non facilmente accessibili con modelli fisici o empirici. I team Renault utilizzano inoltre la rete neurale LSTM nelle simulazioni per valutare le prestazioni dei sistemi di diagnostica di bordo (OBD) e le emissioni del motore per nuovi cicli di guida.
Progetti di follow-on di Deep Learning
La nostra implementazione di successo di una rete LSTM per la previsione dei livelli di emissioni NOX ha portato alla realizzazione di diversi progetti successivi presso Renault. In un progetto abbiamo utilizzato uno strumento creato per noi dai consulenti MathWorks per generare codice C dalla rete LSTM come dimostrazione di fattibilità. Generando il codice in questo modo ci consentirà di distribuire lo stimatore delle emissioni NOX su una ECU. Come parte di una piattaforma di simulazione dedicata al sistema OBD, il sistema LSTM consentirà il rilevamento tempestivo e continuo di condizioni anomale o difettose, come previsto dalle norme sulle emissioni.
Quando vengono integrate nelle centraline elettroniche, le reti neurali profonde, in particolare le LSTM profonde, possono rappresentare una sfida. Le nostre ECU non sono computer molto potenti, il che significa che dobbiamo bilanciare la complessità dell'LSTM (e quindi la qualità della previsione) con la capacità dell'ECU di eseguire i calcoli. Per le nostre applicazioni, le reti erano relativamente piccole e, se necessario, potevano essere facilmente integrate nei filtri di Kalman.
Più di recente abbiamo esteso l'uso del Deep Learning con MATLAB. Per raggiungere questo obiettivo, stiamo utilizzando l'apprendimento per rinforzo per sviluppare strategie di controllo del percorso dell'aria nei motori Renault.
Pubblicato nel 2021