雷諾汽車構(gòu)建并訓(xùn)練了一個(gè)長(zhǎng)短期記憶 （LSTM） 網(wǎng)絡(luò)，該網(wǎng)絡(luò)預(yù)測(cè) NOx 水平的準(zhǔn)確率達(dá)到了 85%-90%，而使用查找表的準(zhǔn)確率只有 60%-70%。

作者：Nicoleta-Alexandra Stroe 和 Vincent Talon，雷諾汽車

◆ ◆ ◆ ◆

雷諾汽車正在積極開發(fā)用于零排放汽車 （ZEV） 的下一代技術(shù)。與此同時(shí)，我們正在努力使內(nèi)燃機(jī) （ICE） 車輛變得更清潔、更高效。

關(guān)注點(diǎn)之一是減少有害排放。ICE 會(huì)產(chǎn)生氮氧化物 （NOx），從而導(dǎo)致煙霧、酸雨和溫室氣體的產(chǎn)生。

為了減少 NOx 排放，我們需要準(zhǔn)確估計(jì)不同發(fā)動(dòng)機(jī)工況點(diǎn)下的排放量，例如在不同的扭矩和轉(zhuǎn)速組合下的排放量。

在真實(shí)發(fā)動(dòng)機(jī)上運(yùn)行測(cè)試成本高昂且通常很耗時(shí)，因此傳統(tǒng)做法是使用查找表或燃燒模型計(jì)算 NOx 估計(jì)值。

這兩種方法各有缺點(diǎn)。

查找表準(zhǔn)確性不佳；至于燃燒模型，由于捕捉排放動(dòng)力學(xué)所需的方程相當(dāng)復(fù)雜，創(chuàng)建模型異常困難。

NOx 的物理模型非常復(fù)雜，很難在發(fā)動(dòng)機(jī)的整個(gè)工況范圍內(nèi)使用；此外，它們不能在 ECU 上實(shí)時(shí)運(yùn)行。

前不久，我們開始使用長(zhǎng)短期記憶 （LSTM） 網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)排出的 NOx（直接從發(fā)動(dòng)機(jī)排出而不是從后處理系統(tǒng)排放）建模。

LSTM 是一種神經(jīng)網(wǎng)絡(luò)，擅長(zhǎng)對(duì)順序數(shù)據(jù)進(jìn)行學(xué)習(xí)、處理和分類。LSTM 遠(yuǎn)比燃燒模型容易創(chuàng)建。

盡管我們不是深度學(xué)習(xí)方面的專家，但使用 MATLAB 和 Deep Learning Toolbox，我們得以創(chuàng)建和訓(xùn)練了一個(gè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠以近 90% 的準(zhǔn)確率預(yù)測(cè) NOx 排放量。

設(shè)計(jì)和訓(xùn)練 LSTM 網(wǎng)絡(luò)

我們的訓(xùn)練數(shù)據(jù)來自真實(shí)發(fā)動(dòng)機(jī)測(cè)試。

在這些測(cè)試中，發(fā)動(dòng)機(jī)經(jīng)歷了各種常見行駛工況，包括全球統(tǒng)一輕型車輛測(cè)試循環(huán) （WLTC） 和新歐洲行駛工況 （NEDC），以及實(shí)際行駛排放 （RDE） 測(cè)試。

捕獲的數(shù)據(jù)為網(wǎng)絡(luò)提供了輸入。數(shù)據(jù)包括發(fā)動(dòng)機(jī)扭矩、發(fā)動(dòng)機(jī)轉(zhuǎn)速、冷卻液溫度和檔位排放量。

然后，我們使用 MATLAB 腳本創(chuàng)建了一個(gè)簡(jiǎn)單的 LSTM 網(wǎng)絡(luò)。盡管這個(gè)初始網(wǎng)絡(luò)只包含一個(gè) LSTM 層、一個(gè)修正線性單元 （ReLU） 層、一個(gè)全連接 （FC） 層和一個(gè)回歸輸出層，但它的表現(xiàn)卻出奇地好。

不過，我們覺得或許還可以添加更多層來提高其準(zhǔn)確性。我們謹(jǐn)慎地控制網(wǎng)絡(luò)大小，以免網(wǎng)絡(luò)過大導(dǎo)致過擬合或在 ECU 上占用太多內(nèi)存。

我們更新了 MATLAB 腳本以增加層，并探索了幾種網(wǎng)絡(luò)配置。因?yàn)榫W(wǎng)絡(luò)很小，最佳網(wǎng)絡(luò)配置和架構(gòu)的選擇是手動(dòng)執(zhí)行的。

通過試錯(cuò)，我們充分利用了系統(tǒng)的物理特性。例如，對(duì)于非線性度高的系統(tǒng)，我們會(huì)選擇多個(gè) ReLU 層；對(duì)于熱系統(tǒng)，多個(gè) LSTM 層會(huì)更合適。

我們最終確定的網(wǎng)絡(luò)包含一個(gè) LSTM 層、三個(gè) ReLU 層、三個(gè) FC 層和一個(gè)回歸輸出層。該 LSTM 網(wǎng)絡(luò)預(yù)測(cè) NOX 水平的準(zhǔn)確率達(dá)到了 85%-90%，而使用查找表的準(zhǔn)確率僅為 60%-70%（圖 1）。

圖 1.真實(shí)發(fā)動(dòng)機(jī)的實(shí)測(cè) NOX 排放量（藍(lán)色）和 LSTM 網(wǎng)絡(luò)的模擬 NOx 排放量（橙色）。

將網(wǎng)絡(luò)納入系統(tǒng)級(jí)仿真

得到訓(xùn)練好的 LSTM 網(wǎng)絡(luò)后，我們將其分享給雷諾其他團(tuán)隊(duì)，以便他們進(jìn)行 Simulink 仿真。有團(tuán)隊(duì)將該網(wǎng)絡(luò)整合到一個(gè)模型中，該模型使用網(wǎng)絡(luò)提供的發(fā)動(dòng)機(jī)排出 NOx 水平作為后處理系統(tǒng)的輸入。

隨后，該團(tuán)隊(duì)運(yùn)行仿真來測(cè)量后處理系統(tǒng)在不同發(fā)動(dòng)機(jī)工況點(diǎn)下的 NOx 轉(zhuǎn)化效率。

通過將 LSTM 引入系統(tǒng)仿真，該團(tuán)隊(duì)得到了通過物理或經(jīng)驗(yàn)?zāi)Ｐ碗y以獲得的信息。

雷諾各團(tuán)隊(duì)還在仿真中使用 LSTM 神經(jīng)網(wǎng)絡(luò)來評(píng)估車載診斷 （OBD） 系統(tǒng)的性能，以及估算新的行駛工況下發(fā)動(dòng)機(jī)的排放量。

深度學(xué)習(xí)后續(xù)項(xiàng)目

由于成功實(shí)現(xiàn)了用于預(yù)測(cè) NOx 排放水平的 LSTM 網(wǎng)絡(luò)，雷諾又開展了一系列后續(xù)項(xiàng)目。

在一個(gè)項(xiàng)目中，我們使用由 MathWorks 顧問專為我們?cè)O(shè)計(jì)的工具，從 LSTM 網(wǎng)絡(luò)生成 C 代碼以用于概念驗(yàn)證演示。

借助由此生成的代碼，我們能夠在 ECU 上部署 NOX 排放估計(jì)器。在 OBD 系統(tǒng)專用仿真平臺(tái)中集成 LSTM，即可按照排放標(biāo)準(zhǔn)要求，全天實(shí)時(shí)檢測(cè)不健康或故障狀態(tài)。

深度神經(jīng)網(wǎng)絡(luò)往往難以實(shí)現(xiàn) ECU 嵌入，深度 LSTM 網(wǎng)絡(luò)尤其如此。我們的 ECU 并不是非常強(qiáng)大的計(jì)算機(jī)，這意味著我們需要在 LSTM 的復(fù)雜度（以及預(yù)測(cè)質(zhì)量）與 ECU 運(yùn)行各項(xiàng)計(jì)算的能力之間進(jìn)行權(quán)衡。我們應(yīng)用中的網(wǎng)絡(luò)相對(duì)較小，如果需要，可以輕松集成到卡爾曼濾波器。

最近，我們利用 MATLAB 進(jìn)一步拓展了深度學(xué)習(xí)的應(yīng)用。

現(xiàn)在，我們正使用強(qiáng)化學(xué)習(xí)開發(fā)雷諾發(fā)動(dòng)機(jī)的氣路控制策略。

編輯：jq