使用深度学习网络估计 NO_X 排放量

雷诺汽车正在积极开发用于零排放汽车 (ZEV) 的下一代技术。与此同时，我们正在努力使内燃机 (ICE) 车辆变得更清洁、更高效。关注点之一是减少有害排放。ICE 会产生氮氧化物 (NO_X)，而氮氧化物会导致烟雾、酸雨和温室气体的产生。为了减少 NO_X 排放，我们需要准确估计不同发动机工况点下的排放量，例如在不同的扭矩和转速组合下的排放量。

在真实发动机上运行测试成本高昂，而且往往耗时，因此传统上，人们使用查找表或燃烧模型来计算 NO_X 估计值。这两种方法各有缺点。查找表准确性不佳；至于燃烧模型，由于捕捉排放动力学所需的方程相当复杂，创建模型异常困难。NO_X 的物理模型非常复杂，难以在发动机的整个工况范围内使用；此外，它们也无法在 ECU 上实时运行。

我们最近开始使用长短期记忆 (LSTM) 网络对发动机排放 NO_X（排放物直接来自发动机而不是后处理系统）进行建模。LSTM 是一种擅长学习、处理和分类序列数据的神经网络，而 LSTM 远比燃烧模型容易创建。尽管我们不是深度学习专家，但使用 MATLAB^® 和 Deep Learning Toolbox™ 我们能够创建和训练一个准确率接近 90% 的 NO_X 的预测网络。

设计和训练 LSTM 网络

我们的训练数据来自真实发动机测试。在这些测试中，发动机经历了各种常见行驶工况，包括全球统一轻型车辆测试循环 (WLTC) 和新欧洲行驶工况 (NEDC)，以及实际行驶排放 (RDE) 测试。捕获的数据为网络提供了输入。数据包括发动机扭矩、发动机转速、冷却液温度和档位排放量。

然后，我们使用 MATLAB 脚本创建了一个简单的 LSTM 网络。尽管这个初始网络只包含一个 LSTM 层、一个修正线性单元 (ReLU) 层、一个全连接 (FC) 层和一个回归输出层，但它的表现却出奇地好。不过，我们觉得或许还可以添加更多层来提高其准确性。我们谨慎地控制网络大小，以免网络过大导致过拟合或在 ECU 上占用太多内存。

我们更新了 MATLAB 脚本以增加层，并探索了几种网络配置。因为网络很小，最佳网络配置和架构的选择是手动执行的。通过试错，我们充分利用了系统的物理特性。例如，对于非线性度高的系统，我们会选择多个 ReLU 层；对于热系统，多个 LSTM 层会更合适。我们最终确定的网络包含一个 LSTM 层、三个 ReLU 层、三个 FC 层和一个回归输出层。与我们通过查找表达到的 60-70% 的准确率相比，此版本的 LSTM 网络在预测 NO_X 方面实现了 85–90% 的准确率（图 1).

将网络纳入系统级仿真

我们训练好 LSTM 网络后，就将其提供给了其他雷诺车队，以便他们在 Simulink^® 仿真中使用。。一个团队将其纳入模型中使用。该模型使用来自网络的发动机排放 NO_X 级别作为后处理系统的输入。随后，该团队运行仿真测量了后处理系统在各个发动机工况点的 NO_X 转化效率。通过将 LSTM 引入系统仿真，该团队得到了通过物理或经验模型难以获得的信息。雷诺各团队还在仿真中使用 LSTM 神经网络来评估车载诊断 (OBD) 系统的性能，以及估算新的行驶工况下发动机的排放量。

深度学习后续项目

我们用于预测 NO_X 排放水平的 LSTM 网络的成功实现促使雷诺开展了多个后续项目。在一个项目中，我们使用由 MathWorks 顾问专为我们设计的工具，从 LSTM 网络生成 C 代码以用于概念验证演示。这种代码生成方式使我们可以在 ECU 上部署 NO_X 排放估计器。在 OBD 系统专用仿真平台中集成 LSTM，即可按照排放标准要求，全天实时检测不健康或故障状态。

深度神经网络往往难以实现 ECU 嵌入，深度 LSTM 网络尤其如此。我们的 ECU 并不是非常强大的计算机，这意味着我们需要在 LSTM 的复杂度（以及预测质量）与 ECU 运行各项计算的能力之间进行权衡。我们应用中的网络相对较小，如果需要，可以轻松集成到卡尔曼滤波器。

最近，我们利用 MATLAB 进一步拓展了深度学习的应用。现在，我们正使用强化学习开发雷诺发动机的气路控制策略。