Uso de redes de Deep Learning para estimar emisiones de NO_X

Renault está desarrollando activamente tecnología de próxima generación para vehículos de cero emisiones (ZEV). Al mismo tiempo, estamos trabajando para hacer que los vehículos con motor de combustión interna (ICE) sean más limpios y eficientes. Un área de interés es la reducción de emisiones nocivas. Los ICE generan óxidos de nitrógeno (NO_X), que contribuyen a smog, lluvia ácida y gases de efecto invernadero. Para minimizar el NO_X, necesitamos estimaciones precisas de las emisiones en diferentes puntos de funcionamiento del motor, por ejemplo, en diversas combinaciones de torque y velocidad.

Realizar pruebas en un motor real es costoso y, a menudo, requiere mucho tiempo, por lo que las estimaciones de NO_X se han calculado tradicionalmente utilizando tablas de búsqueda o modelos de combustión. Estos métodos tienen varias desventajas. Las tablas de búsqueda carecen de precisión, mientras que los modelos de combustión son excepcionalmente difíciles de crear debido a la complejidad de las ecuaciones necesarias para capturar la dinámica de las emisiones. Los modelos físicos de NO_X son altamente complejos y difíciles de utilizar en todo el rango operativo de un motor; además, no se pueden ejecutar en tiempo real en una ECU.

Recientemente comenzamos a modelar las emisiones de NO_X (óxidos de nitrógeno que se emiten directamente del motor y no del sistema de postratamiento) utilizando una red de memoria a corto-largo plazo (LSTM), un tipo de red neuronal que se especializa en el aprendizaje, procesamiento y clasificación de datos secuenciales La LSTM fue mucho más fácil de crear que un modelo de combustión. Aunque no somos especialistas en Deep Learning, con MATLAB^® y Deep Learning Toolbox™ pudimos crear y entrenar una red que predice emisiones de NO_X con una precisión de casi el 90%.

Diseño y entrenamiento de la red de LSTM

Obtuvimos nuestros datos de entrenamiento de pruebas realizadas en un motor real. Durante estas pruebas, el motor se sometió a ciclos de conducción comunes, incluido el ciclo de pruebas armonizado mundial para vehículos ligeros (WLTC) y el nuevo ciclo de conducción europeo (NEDC), así como pruebas de emisiones de conducción real (RDE). Los datos capturados proporcionaron información a la red. Incluyó el torque, la velocidad del motor, la temperatura del refrigerante y las emisiones del número de marcha.

Luego creamos una red de LSTM simple usando un script de MATLAB. Aunque esta red inicial solo constaba de una capa de LSTM, una capa de unidad lineal rectificada (ReLU), una capa completamente conectada (FC) y una capa de salida de regresión, funcionó sorprendentemente bien. Sospechamos que podríamos aumentar su precisión añadiendo más capas. Tuvimos cuidado de no aumentar el tamaño de la red hasta el punto en que pudiera causar sobreajuste o ocupar demasiada memoria en la ECU.

Actualizamos el script de MATLAB para agregar capas y exploramos varias configuraciones de red. La selección de la mejor configuración y arquitectura de red se realizó manualmente, ya que el tamaño de la red era pequeño. El método de prueba y error nos permitió explotar las propiedades físicas del sistema. Por ejemplo, para un sistema con no linealidades altas, elegimos múltiples capas ReLU, mientras que para un sistema térmico, múltiples capas LSTM eran más apropiadas. Nos decidimos por una red que tenía una sola capa LSTM, tres capas ReLU, tres capas FC y una capa de salida de regresión. Esta versión de la red de LSTM logró una precisión del 85 al 90 % en la predicción de niveles de NO_X en comparación con la precisión del 60-70% que vimos con las tablas de búsqueda (Figura 1).

Incorporación de la red en simulaciones en nivel de sistema

Una vez que tuvimos una red de LSTM entrenada, la pusimos a disposición de otros equipos de Renault para su uso en simulaciones de Simulink^®. Un equipo lo incorporó a un modelo que utilizaba el nivel de NO_X emitido directamente del motor, proporcionado por la red, como entrada para un sistema de postratamiento. Luego, el equipo realizó simulaciones para medir la eficiencia de conversión de NO_X del sistema de postratamiento en varios puntos de funcionamiento del motor. Al introducir LSTM en simulaciones de sistemas, el equipo adquirió información a la que no se puede acceder fácilmente con modelos físicos o empíricos. Los equipos de Renault también utilizan la red neuronal de LSTM en simulaciones para evaluar el rendimiento de los sistemas de diagnóstico a bordo (OBD) y evaluar las emisiones del motor para nuevos ciclos de conducción.

Proyectos de seguimiento de Deep Learning

Nuestra implementación exitosa de una red de LSTM para predecir los niveles de emisiones de NO_X han dado lugar a varios proyectos de seguimiento en Renault. En un proyecto, utilizamos una herramienta creada por los consultores de MathWorks para generar código C a partir de la red de LSTM como demostración de prueba de concepto. Generar código de esta manera nos permitirá implementar el estimador de emisiones de NO_X en una ECU. Como parte de una plataforma de simulación dedicada al sistema OBD, la LSTM permitirá la detección en tiempo real y continua de condiciones no saludables o defectuosas, tal como lo exigen las normas de emisiones.

Cuando se integran en las ECU, las redes neuronales profundas (en particular, las LSTM profundas) pueden presentar un desafío. Nuestras ECU no son computadoras muy potentes, lo que significa que necesitamos equilibrar la complejidad de la LSTM (y, por lo tanto, la calidad de la predicción) con la capacidad de la ECU para ejecutar los cálculos. Para nuestras aplicaciones, las redes eran relativamente pequeñas y podían integrarse fácilmente en los filtros Kalman si fuera necesario.

Más recientemente, hemos ampliado el uso de Deep Learning con MATLAB. Para este esfuerzo, estamos utilizando Reinforcement Learning para desarrollar estrategias para el control de la trayectoria del aire en los motores Renault.