雷諾汽車構(gòu)建并訓練了一個長短期記憶 （LSTM） 網(wǎng)絡，該網(wǎng)絡預測 NOx 水平的準確率達到了 85%-90%，而使用查找表的準確率只有 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。與此同時，我們正在努力使內(nèi)燃機 （ICE） 車輛變得更清潔、更高效。

關注點之一是減少有害排放。ICE 會產(chǎn)生氮氧化物 （NOx），從而導致煙霧、酸雨和溫室氣體的產(chǎn)生。

為了減少 NOx 排放，我們需要準確估計不同發(fā)動機工況點下的排放量，例如在不同的扭矩和轉(zhuǎn)速組合下的排放量。

在真實發(fā)動機上運行測試成本高昂且通常很耗時，因此傳統(tǒng)做法是使用查找表或燃燒模型計算 NOx 估計值。

這兩種方法各有缺點。

查找表準確性不佳；至于燃燒模型，由于捕捉排放動力學所需的方程相當復雜，創(chuàng)建模型異常困難。

NOx 的物理模型非常復雜，很難在發(fā)動機的整個工況范圍內(nèi)使用；此外，它們不能在 ECU 上實時運行。

前不久，我們開始使用長短期記憶 （LSTM） 網(wǎng)絡對發(fā)動機排出的 NOx（直接從發(fā)動機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，擅長對順序數(shù)據(jù)進行學習、處理和分類。LSTM 遠比燃燒模型容易創(chuàng)建。

盡管我們不是深度學習方面的專家，但使用 MATLAB 和 Deep Learning Toolbox，我們得以創(chuàng)建和訓練了一個網(wǎng)絡，該網(wǎng)絡能夠以近 90% 的準確率預測 NOx 排放量。

設計和訓練 LSTM 網(wǎng)絡

我們的訓練數(shù)據(jù)來自真實發(fā)動機測試。

在這些測試中，發(fā)動機經(jīng)歷了各種常見行駛工況，包括全球統(tǒng)一輕型車輛測試循環(huán) （WLTC） 和新歐洲行駛工況 （NEDC），以及實際行駛排放 （RDE） 測試。

捕獲的數(shù)據(jù)為網(wǎng)絡提供了輸入。數(shù)據(jù)包括發(fā)動機扭矩、發(fā)動機轉(zhuǎn)速、冷卻液溫度和檔位排放量。

然后，我們使用 MATLAB 腳本創(chuàng)建了一個簡單的 LSTM 網(wǎng)絡。盡管這個初始網(wǎng)絡只包含一個 LSTM 層、一個修正線性單元 （ReLU） 層、一個全連接 （FC） 層和一個回歸輸出層，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確性。我們謹慎地控制網(wǎng)絡大小，以免網(wǎng)絡過大導致過擬合或在 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)絡配置。因為網(wǎng)絡很小，最佳網(wǎng)絡配置和架構(gòu)的選擇是手動執(zhí)行的。

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

我們最終確定的網(wǎng)絡包含一個 LSTM 層、三個 ReLU 層、三個 FC 層和一個回歸輸出層。該 LSTM 網(wǎng)絡預測 NOX 水平的準確率達到了 85%-90%，而使用查找表的準確率僅為 60%-70%（圖 1）。

圖 1.真實發(fā)動機的實測 NOX 排放量（藍色）和 LSTM 網(wǎng)絡的模擬 NOx 排放量（橙色）。

將網(wǎng)絡納入系統(tǒng)級仿真

得到訓練好的 LSTM 網(wǎng)絡后，我們將其分享給雷諾其他團隊，以便他們進行 Simulink 仿真。有團隊將該網(wǎng)絡整合到一個模型中，該模型使用網(wǎng)絡提供的發(fā)動機排出 NOx 水平作為后處理系統(tǒng)的輸入。

隨后，該團隊運行仿真來測量后處理系統(tǒng)在不同發(fā)動機工況點下的 NOx 轉(zhuǎn)化效率。

通過將 LSTM 引入系統(tǒng)仿真，該團隊得到了通過物理或經(jīng)驗模型難以獲得的信息。

雷諾各團隊還在仿真中使用 LSTM 神經(jīng)網(wǎng)絡來評估車載診斷 （OBD） 系統(tǒng)的性能，以及估算新的行駛工況下發(fā)動機的排放量。

深度學習后續(xù)項目

由于成功實現(xiàn)了用于預測 NOx 排放水平的 LSTM 網(wǎng)絡，雷諾又開展了一系列后續(xù)項目。

在一個項目中，我們使用由 MathWorks 顧問專為我們設計的工具，從 LSTM 網(wǎng)絡生成 C 代碼以用于概念驗證演示。

借助由此生成的代碼，我們能夠在 ECU 上部署 NOX 排放估計器。在 OBD 系統(tǒng)專用仿真平臺中集成 LSTM，即可按照排放標準要求，全天實時檢測不健康或故障狀態(tài)。

深度神經(jīng)網(wǎng)絡往往難以實現(xiàn) ECU 嵌入，深度 LSTM 網(wǎng)絡尤其如此。我們的 ECU 并不是非常強大的計算機，這意味著我們需要在 LSTM 的復雜度（以及預測質(zhì)量）與 ECU 運行各項計算的能力之間進行權(quán)衡。我們應用中的網(wǎng)絡相對較小，如果需要，可以輕松集成到卡爾曼濾波器。

最近，我們利用 MATLAB 進一步拓展了深度學習的應用。

現(xiàn)在，我們正使用強化學習開發(fā)雷諾發(fā)動機的氣路控制策略。

編輯：jq