このページは機械翻訳を使用して翻訳されました。
翻訳品質のアンケートに 1 分ご協力ください。
ディープラーニング ネットワークを使用した NOx 排出量の推定
著者 Renault、Nicoleta-Alexandra Stroe 氏、Vincent Talon 氏
Renault はゼロエミッション車 (ZEV) 向けの次世代技術を積極的に開発しています。同時に、当社は内燃機関 (ICE) 車両をよりクリーンかつ効率的にするための取り組みも行っています。注目すべきは、有害な排気ガスの削減です。ICE が発生させる窒素酸化物 (NOX) は、スモッグ、酸性雨、温室効果ガスの原因となります。NOX を最小限に抑えるには、さまざまなエンジン動作点、たとえばトルクとエンジン回転数のさまざまな組み合わせでの排出量を正確に推定する必要があります。
実際のエンジンでテストを実行するのはコストがかかり、時間がかかることが多いため、NOX の推定値は、これまでルックアップ テーブルや燃焼モデルを用いて計算されてきました。これらの方法にはいくつかの難点があります。ルックアップ テーブルは精度に欠け、一方で燃焼モデルは、排出動態を捉えるために必要な方程式が複雑であるため、作成するのは非常に困難です。NOX の物理モデルは非常に複雑で、エンジンの動作範囲全体にわたって使用することが困難な上に、ECU 上でリアルタイムに実行することもできません。
最近、エンジンから直接排出される NOX (後処理システムからではなくエンジンからの排出) をモデル化するために、長短期記憶 (LSTM) ネットワークを使用し始めました。このネットワークは、逐次データの学習、処理、分類に優れたニューラルネットワークの一種です。LSTM は燃焼モデルを作成するよりもはるかに簡単でした。私たちはディープラーニングの専門家ではありませんが、MATLAB® と Deep Learning Toolbox™ を使用して、NOX 排出量を約 90% の精度で予測するネットワークを作成し、学習させることができました。
LSTM ネットワークの設計とトレーニング
実際のエンジンで実施したテストから学習データを取得しました。これらのテスト期間中に、エンジンは、世界統一試験サイクル (WLTC)、新欧州ドライビングサイクル (NEDC)、実路走行試験 (RDE) を含む一般的な走行サイクルを通じてテストされました。取得されたデータはネットワークへの入力として提供されます。これには、エンジントルク、エンジン回転数、冷却水温度、ギア数別排出量が含まれます。
次に、MATLABスクリプトを使用して単純な LSTM ネットワークを作成しました。この初期ネットワークは、LSTM レイヤー、正規化線形ユニット (ReLU) レイヤー、完全接続 (FC) レイヤー、および回帰出力レイヤーのみで構成されていましたが、驚くほど優れたパフォーマンスを発揮しました。しかし、レイヤーを追加することで精度を高めることができるのではないかと考えました。ネットワークのサイズを大きくしすぎて、過剰適合が発生したり、ECU のメモリを過剰に消費したりしないように注意しました。
MATLAB スクリプトを更新してレイヤーを追加し、いくつかのネットワーク構成を調査しました。ネットワークのサイズが小さかったため、最適なネットワーク構成とアーキテクチャの選択は手動で実行されました。試行錯誤の末に、システムの物理的特性を活用することができるようになりました。たとえば、非線形性が高いシステムの場合は複数の ReLU レイヤーを選択しますが、熱システムの場合は複数の LSTM レイヤーの方が適切です。私たちは、1 つの LSTM レイヤー、3 つの ReLU レイヤー、3 つの FC レイヤー、そして 1 つの回帰出力レイヤーを持つネットワークを採用しました。このバージョンの LSTM ネットワークは、NOX レベルの予測で 85 ~ 90% の精度を達成し、ルックアップテーブルを使用した場合の 60 ~ 70% の精度と比較して大幅に向上させました (図 1)。

図 1. 実際のエンジンから測定された NOX 排出量 (青) と LSTM ネットワークでモデル化された NOX 排出量 (オレンジ)。
システムレベルのシミュレーションにネットワークを組み込む
LSTM ネットワークを学習させた後、他の Renault チームが Simulink® シミュレーションで使用できるようにしました。あるチームは、そのネットワークからの「エンジンから直接排出される NOX レベル」を後処理システムへの入力として使用するモデルに組み込みました。次にそのチームは、さまざまなエンジン動作点における後処理システムの NOX 変換効率を測定するためにシミュレーションを実行しました。LSTM をシステム シミュレーションに導入することで、チームは物理モデルや経験モデルでは簡単にアクセスできない情報を取得しました。Renault チームは、オンボード診断 (OBD) システムのパフォーマンスを評価し、新しいドライブ サイクルのエンジン排出量を評価するために、シミュレーションで LSTM ニューラル ネットワークも使用しています。
ディープラーニングの後続プロジェクト
NOX 排出量レベルを予測するための LSTM ネットワークの実装の成功は、Renault における数々の後続プロジェクトにつながりました。あるプロジェクトでは、概念実証のデモンストレーションとして、 MathWorksのコンサルタントが構築したツールを使用して、LSTM ネットワークから C コードを生成しました。この方法でコードを生成することで、NOX 排出量推定器を ECU に展開できるようになります。OBD システム専用のシミュレーション プラットフォームの一部として、LSTM は、排出基準で義務付けられている不健全な状態や故障状態を 24 時間体制のオンザフライで検出することを可能にします。
ディープ ニューラル ネットワーク (特にディープ LSTM) を ECU に組み込むと、課題が生じる可能性があります。私たちの ECU はそれほど強力なコンピュータではないため、LSTM の複雑さ (つまり、予測の精度) と ECU の計算実行能力の間でトレードオフを行う必要があります。私たちのアプリケーションでは、ネットワークは比較的小規模であり、必要に応じてカルマン フィルターに簡単に統合できます。
最近では、MATLAB を使用したディープラーニングの使用を拡大しました。この取り組みでは、強化学習を使用して、Renault エンジンの空気経路制御戦略を開発しています。
公開年 2021