雷諾汽車構(gòu)建并訓練了一個長短期記憶 （LSTM） 網(wǎng)絡(luò)，該網(wǎng)絡(luò)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(shù)。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(guān)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(luò)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(luò)，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(luò)，該網(wǎng)絡(luò)能夠以近 90% 的準確率預測 NOx 排放量。

設(shè)計和訓練 LSTM 網(wǎng)絡(luò)

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(luò)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(luò)。盡管這個初始網(wǎng)絡(luò)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(luò)大小，以免網(wǎng)絡(luò)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(luò)配置。因為網(wǎng)絡(luò)很小，最佳網(wǎng)絡(luò)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(luò)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(luò)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(luò)的模擬 NOx 排放量（橙色）。

將網(wǎng)絡(luò)納入系統(tǒng)級仿真

得到訓練好的 LSTM 網(wǎng)絡(luò)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(luò)整合到一個模型中，該模型使用網(wǎng)絡(luò)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(luò)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(luò)，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(shè)計的工具，從 LSTM 網(wǎng)絡(luò)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(luò)往往難以實現(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(yīng)用中的網(wǎng)絡(luò)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(yīng)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