雷諾汽車構建并訓練了一個長短期記憶 （LSTM） 網絡，該網絡預測 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 會產生氮氧化物 （NOx），從而導致煙霧、酸雨和溫室氣體的產生。

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

在真實發動機上運行測試成本高昂且通常很耗時，因此傳統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，創建模型異常困難。

NOx 的物理模型非常復雜，很難在發動機的整個工況范圍內使用；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） 網絡對發動機排出的 NOx（直接從發動機排出而不是從后處理系統排放）建模。

LSTM 是一種神經網絡，擅長對順序數據進行學習、處理和分類。LSTM 遠比燃燒模型容易創建。

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

設計和訓練 LSTM 網絡

我們的訓練數據來自真實發動機測試。

在這些測試中，發動機經歷了各種常見行駛工況，包括全球統一輕型車輛測試循環 （WLTC） 和新歐洲行駛工況 （NEDC），以及實際行駛排放 （RDE） 測試。

捕獲的數據為網絡提供了輸入。數據包括發動機扭矩、發動機轉速、冷卻液溫度和檔位排放量。

然后，我們使用 MATLAB 腳本創建了一個簡單的 LSTM 網絡。盡管這個初始網絡只包含一個 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。我們謹慎地控制網絡大小，以免網絡過大導致過擬合或在 ECU 上占用太多內存。

我們更新了 MATLAB 腳本以增加層，并探索了幾種網絡配置。因為網絡很小，最佳網絡配置和架構的選擇是手動執行的。

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

我們最終確定的網絡包含一個 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.真實發動機的實測 NOX 排放量（藍色）和 LSTM 網絡的模擬 NOx 排放量（橙色）。

將網絡納入系統級仿真

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

隨后，該團隊運行仿真來測量后處理系統在不同發動機工況點下的 NOx 轉化效率。

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

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

深度學習后續項目

由于成功實現了用于預測 NOx 排放水平的 LSTM 網絡，雷諾又開展了一系列后續項目。

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。

深度神經網絡往往難以實現 ECU 嵌入，深度 LSTM 網絡尤其如此。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（以及預測質量）與 ECU 運行各項計算的能力之間進行權衡。我們應用中的網絡相對較小，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。

現在，我們正使用強化學習開發雷諾發動機的氣路控制策略。

編輯：jq