CN112241609A - 柴油机NOx排放实时估计系统 - Google Patents

Abstract

一种柴油机NOx排放实时估计系统，属于柴油机控制技术领域。本发明的目的是选取了进气歧管压强、废气残余分数、喷油量、发动机转速及EGR阀流量作为LSTM‑RNN循环神经网络输入变量，训练LSTM‑RNN神经网络的柴油机NOx排放实时估计系统。本发明步骤是：获取柴油机运行工况相关数据集、选取NOx实时估计模型输入数据、训练集与测试集的选取、选取数据预处理、确定循环神经网络结构参数、建立LSTM循环神经网络NOx预测模型。本发明实现对柴油机NOx的实时精确估计，经过柴油机台架的验证，本发明提出的柴油机NOx实时估计系统相对于传统的BP神经网络建模，估计精度在稳态工况、瞬态工况和综合工况分别有17.82%、50.35%、32.34%的提升。

Description

柴油机NOx排放实时估计系统

技术领域

本发明属于柴油机控制技术领域。

背景技术

近年来空气质量问题变得尤为严峻，在导致空气质量降低的成因中很重要的一部分便是空气中过量的NOx(氮氧化物)。NOx与空气中的水结合生成的硝酸和硝酸盐是酸雨的主要形成原因之一，在一定条件下还会造成光化学烟雾污染，若NOx被吸入人体，将严重危害人体肺部，造成各类的呼吸系统疾病。因此对于空气中NOx的处理是治理大气污染的一个极其重要的方面。

柴油车辆是空气中NOx的主要来源之一。柴油机因其扭矩大、经济性能好的优点在运输等领域得到了广泛应用，而柴油燃烧产生的NOx使柴油车辆成为治理大气NOx的重点。目前我国大部分地区已经开始施行国VI排放法规，其中对柴油车辆的NOx排放限制尤为严苛，这对柴油车NOx的控制来说是一大难题。对于NOx排放的防治主要集中在对柴油机机内净化及后处理部分的控制，要想有效地减少柴油机NOx的排放量，就必须对其进行闭环控制，将实时的NOx排放量反馈到控制器中，对柴油机进行精确控制，这就需要实现对NOx进行精确地实时测量。目前NOx的实时传感器还停留在实验室研究阶段，而市面上还没有技术成熟的NOx排放传感器可以做到对NOx的实时测量，这就使得对于NOx的控制遇到了瓶颈。目前有一些专利着力于研究NOx的传感器以及测量装置。例如专利CN 106014571 B中使用修正后的NOx传感器值或发动机的NOx MAP确定发动机的NOx排放值，包括尾气排放管、尾气预处理装置、加热取样管路、转化器、氮氧化物气体分析仪、冷凝槽和压力调节阀等装置；专利CN106841518B公开了一种基于卡尔曼滤波的烟气NOx浓度测量方法；专利CN 207114514 U公开了一种船舶发动机排气污染物中的NOx的测量装置；专利CN 104897763 B公开了一种氮氧传感器以及测量尾气中NOx含量的方法。

然而对于氮氧化物传感器以及测量装置的研究始终无法做到完全实时地对NOx进行实时精确地测量，只能用于柴油机NOx排放的离线分析。因此为了对其进行精确控制，一般从机理建模的角度对其进行实时估计，实现对NOx的软测量，通过柴油机中其他易于测量的相关变量，计算出当前NOx的排放量。这就需要从NOx产生的机理开始，分析NOx产生的成因。柴油机机内的燃烧反应十分复杂，涉及到了传热学、燃烧学等相关知识，影响因素较多，并且NOx的生成模型具有非常强的非线性耦合特性，这给柴油机的建模以及基于模型的NOx控制器设计求解都带来了很大的挑战。

考虑对NOx生成机理建模的方法有很大的难度，一些专利提出了基于数据的方法。专利CN 1047151420 B公开了一种电站锅炉NOx排放动态软测量方法，其使用粒子群算法对NOx排放进行了建模，从而跟踪NOx排放的变化。专利CN 110032747 A和专利CN 106680428A基于支持向量机建立了NOx排放的模型。专利CN 108647483 A基于模糊树对火电厂锅炉燃烧产生烟气的NOx浓度进行建模，实现对其的软测量。上述方法得到的NOx排放模型考虑了柴油机的运行数据，然而传统建模方式参数多，模型的泛化能力还有待提升，对于柴油机NOx排放的实时精准估计还有一段距离。

专利CN 104331736 B使用了RBF神经网络对锅炉NOx排放进行了预测。神经网络可以学习和存储大量的输入-输出的映射关系，而无需事前揭示描述这种映射关系的数学方程。而随着其广泛应用，也暴露出来其不足之处，例如其网络收敛速度较慢、参数较多容易导致过拟合，网络结构选择不一等。

现如今人工智能的快速发展为NOx的建模提供了新思路，可以从发动机台架中提取跟NOx排放相关的关键性大数据，采用深度学习的技术对其进行建模。深度学习的概念在2006年由Hinton等人提出，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。相比于传统神经网络而言，循环神经网络(RecurrentNeural Network,RNN)将深度学习的理念引入神经网络的结构中，是近年来新兴的处理数据方式，其在传统神经网络的基础上引入了循环的网络，实现了信息的持久化，更加贴合了大脑神经网络的功能。RNN的变体长短期记忆(Long Short Term Memory,LSTM)神经网络在RNN网络的基础上增加了几个“门”的结构，解决了学习过程中长期依赖的问题，进一步提升了神经网络对数据的适应能力，从而提高了对输出的估计精度。LSTM-RNN神经网络近年来在语言模型、图像处理、语音识别、机器翻译等方面都有着广泛的应用，而其在柴油机NOx排放领域的应用还是一片空白。

发明内容

本发明的目的是选取了进气歧管压强、废气残余分数、喷油量、发动机转速及EGR阀流量作为LSTM-RNN循环神经网络输入变量，训练LSTM-RNN神经网络的柴油机NOx排放实时估计系统。

本发明步骤是：

步骤一、获取柴油机运行工况相关数据集；

步骤二、选取NOx实时估计模型输入数据，选取了五个指标用于预测NOx排放，p_im进气歧管压强、F₁废气残余分数、Q_v喷油量、N_e发动机转速、w_EGREGR阀流量；

需要从行驶数据集中提取的数据矩阵X_in为

其中前五项为用于预测的输入量，第六项是模型预测量NOx排放c_NOx；

步骤三、训练集与测试集的选取

提取数据集X_in中的前80％为训练数据X_train，用于训练NOx的LSTM循环神经网络预测模型；后20％为测试数据X_test，在模型建立之后，对模型的预测精度进行验证；

步骤四、选取数据预处理

为了提高NOx预测模型的预测精度，需要对选取的数据做归一化处理；

步骤五、确定循环神经网络结构参数，在TensorFlow平台上确定LSTM循环神经网络输入层、隐含层及输出层的参数，选取的循环神经网络结构参数

输入特征数量5、隐含层层数1、隐含层神经元个数2、输出特征数量1、时间步长1～2；步骤六：建立LSTM循环神经网络NOx预测模型，在TensorFlow平台进行LSTM-RNN神经网络训练有以下步骤：

(1)读取训练数据并进行归一化处理

(2)设置LSTM-RNN神经网络结构参数：输入维度、输出维度、LSTM中的隐藏层单元个数，时间步长，输入维度为5；输出维度为1；LSTM中包含1个隐含层，隐含层单元个数为2，时间步长为1个采样步长，即可对当前时刻的NOx排放数据进行估计；

(3)设置深度学习参数：学习率、序列段批次大小，设置学习率为0.01，序列段批次大小为100；

(4)对神经网络参数进行训练，在循环神经网络结构中，输出层的激活函数采用tanh函数而非sigmoid函数，sigmoid函数表达式为

其导函数为

训练过程中的损失函数采用平方损失的标准形式，其表达形式为

其中c_NOx(i)和

分别为i时刻NOx排放的测量值和LSTM-RNN模型估计值。

本发明针对柴油机NOx排放难以机理建模的问题，提出了基于LSTM-RNN神经网络的柴油机NOx排放实时估计系统，经过机理分析和数据筛选，实现对柴油机NOx的实时精确估计。经过柴油机台架的验证，本发明提出的柴油机NOx实时估计系统相对于传统的BP神经网络建模，估计精度在稳态工况、瞬态工况和综合工况分别有17.82％、50.35％、32.34％的提升。

附图说明

图1是LSTM-RNN建立柴油机NOx排放估计系统的流程图；

图2是将NOx排放实时估计系统应用到NOx排放控制的控制框图；

图3是传统循环神经网络(RNN)的单层结构示意图；

图4是本发明的LSTM神经网络模块结构示意图；

图5是多层LSTM神经网络结构示意图；

图6是本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放实时估计系统在发动机转速为1200RPM下的稳态估计效果对比图；图6a是NOx排放为归一化之后的值对比；图6b是NOx排放模型相对预测误差值对比；

图7是本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放实时估计系统在发动机转速为2000RPM下的瞬态估计效果对比图；图7a是NOx排放为归一化之后的值对比；图7b是NOx排放模型相对预测误差值对比；

图8是本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放模型在发动机转速为2400RPM下的瞬态预测效果对比图；图8a是NOx排放为归一化之后的值对比；图8b是NOx排放模型相对预测误差值对比；

图9是本发明中的数据采样所用到的柴油机台架现场图。

具体实施方式

本发明详细过程如下：

步骤一：获取柴油机运行工况相关数据集。在柴油机台架实际运转过程中，获取柴油机气路以及油路的相关关键性指标的时间序列数据，进而通过数据集训练得到柴油机NOx排放的实时估计模型。本发明获取柴油机数据集的CA4D32柴油机台架如图9所示，其排量为3.17L，压缩比为17:1。

步骤二：选取NOx实时估计模型输入数据。分析NOx排放与步骤一中获取的数据集中指标的相关性。可以从机理分析、数据分析两种方式选取相关特征量。将选取得出的特征量作为NOx预测模型的输入数据。本发明选取了五个指标用于预测NOx排放，如表1所示。

表1NOx预测相关特征

其中喷油量、发动机转速和EGR阀流量都可以由发动机运行状态直接获取，进气歧管压强、废气残余分数也可由传感器测量得到，因此本发明选取的NOx排放的5个特征输入量都易于获得，增强了本发明的可实现性。需要从行驶数据集中提取的数据矩阵X_in为

其中前五项为用于预测的输入量，第六项是模型预测量NOx排放c_NOx。

步骤三：训练集与测试集的选取。为了提高预测模型在各运行工况的预测精度，提取数据集X_in中的前80％为训练数据X_train，用于训练NOx的LSTM循环神经网络预测模型；后20％为测试数据X_test，在模型建立之后，对模型的预测精度进行验证。

步骤四：选取数据预处理。为了提高NOx预测模型的预测精度，需要对选取的数据做归一化处理。MATLAB中的mapminmax函数可以实现对数据的归一化及反归一化处理，因此可以利用其实现数据的预处理。

步骤五：确定循环神经网络结构参数。在TensorFlow平台上确定LSTM循环神经网络输入层、隐含层及输出层的参数。预测模型的预测精度随着循环神经网络结构复杂度的升高而增加，而循环神经网络结构过于复杂，将导致计算量的增加及计算效率的降低。因此在本文中选取的循环神经网络结构参数如表2所示。

表2 LSTM循环神经网络结构参数

步骤六：建立LSTM循环神经网络NOx预测模型。使用之前步骤获得的模型训练数据X_train在TensorFlow平台上训练LSTM柴油机NOx排放模型。传统BP神经网络采用静态预测方法，然而柴油机内部结构复杂，并且NOx排放的变化具有较强的动态性，用静态预测方法难以对其进行精确预测，因此本发明采用循环神经网络对其进行预测。LSTM循环神经网络在普通循环神经网络的基础上增加了三个“门”结构即遗忘门、输入门和输出门，使其在预测过程中能够实时更新信号，在RNN的基础上解决了“长期依赖”的问题，可得出更加准确的预测结果。

本发明中，基于TensorFlow平台训练LSTM-RNN神经网络结构。TensorFlow是由Google Brain开发的基于数据流编程的开放资源平台，在深度学习的开放领域由较多的应用。TensorFlow提供了Python编程接口，本发明基于Python语言实现了深度学习过程。在TensorFlow平台进行LSTM-RNN神经网络训练有以下步骤：

(1)读取训练数据并进行归一化处理。

(2)设置LSTM-RNN神经网络结构参数：输入维度(Input dimension)、输出维度(Output dimension)、LSTM中的隐藏层单元个数(Hidden units)，时间步长(Time step)。输入维度为5；输出维度为1；LSTM中包含1个隐含层，隐含层单元个数为2。本发明中的时间步长为1个采样步长，即可对当前时刻的NOx排放数据进行估计(软测量)。

(3)设置深度学习参数：学习率(Learning rate)、序列段批次大小(Batch size)。本发明中设置学习率为0.01，序列段批次大小为100。

(4)对神经网络参数进行训练。在本文循环神经网络结构中，输出层的激活函数采用tanh函数而非sigmoid函数。sigmoid函数表达式为

其导函数为

很明显，其函数值域为(0,1)，导数范围为(0,0.25)，在神经网络训练过程中，导数始终为一个较小的小于1的小数，导致梯度不断降低直到接近于0，出现“梯度消失”现象。相对的，tanh函数值域为(-1,1)，导数范围为(0,1)，导数更加接近1，则会大幅度地减慢梯度下降的过程。并且tanh函数的输出值关于零点对称，也将加速神经网络的收敛过程。因此本发明采用tanh函数作为神经网络输出层的激励函数。

本文训练过程中的损失函数采用平方损失(Square loss)的标准形式，其表达形式为

其中c_NOx(i)和

分别为i时刻NOx排放的测量值和LSTM-RNN模型估计值。

NOx预测模型预测效果验证

使用测试数据X_test中的测量数据对NOx排放进行估计，将估计结果与实际NOx排放值进行对比，从而验证估计模型的有效性。测量值和估计值的对比图如图6、图7及图8所示，图中的NOx排放值为归一化后的相对NOx排放值c_NOx,norm，其表达式为

即为当前的NOx排放值与NOx排放最大值的比值。

对结果的定量分析如表3所示。表中MAE、RMSE以及MEAP分别为平均绝对误差(MeanAbsolute Error,MAE)、均方根误差(Root Mean Aquare Error,RMSE)以及平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)，其表达式分别为

由定量分析结果中可以看出，相对于传统BP神经网络，LSTM-RNN对于预估计精度有较大的改善，尤其是在瞬态工况，LSTM-RNN神经网络能够更加准确地估计瞬态工况下的NOx排放。以平均绝对误差(MAE)作为评价指标时，相比于BP神经网络，LSTM-RNN神经网络在稳态工况、瞬态工况、和综合工况的估计误差分别有7.82％、50.35％、32.34％的减少，估计精度有了很大的改善。

在实际运行工况使用LSTM-RNN模型对NOx排放进行实时估计。在柴油车行驶过程中，采集车辆的输入特征，使用训练得到的LSTM-RNN模型对柴油机NOx排放进行实时估计并进行NOx反馈控制。

表3各工况下LSTM-RNN神经网络相对于BP神经网络预测效果提升

(一)图1为基于LSTM-RNN建立柴油机NOx排放估计系统的流程图。首先，获取柴油机实际运行过程中时间序列数据集；从而通过机理分析和数据分析，从采集得到的时间序列数据中提取出与柴油车NOx排放相关的数据作为预测模型输入数据；从中选取训练数据及测试数据并进行数据预处理；确定循环神经网络预测模型的结构参数；然后使用TensorFlow平台对训练数据集进行训练，从而建立LSTM-RNN循环神经网络NOx实时估计模型；使用测试数据集对模型的估计精度进行验证；最后，验证通过后，便可使用本发明所建立的柴油机NOx排放实时估计系统对柴油机的NOx排放进行实时估计。

(二)图2是将NOx排放实时估计系统应用到NOx排放控制的控制框图，其中NOx排放实时估计系统为本发明提出的以LSTM-RNN为基础的柴油机NOx排放实时估计系统，图下方以虚线表示的部分为基于NOx排放实时估计的NOx排放实时控制器，其通过估计系统反馈的NOx排放c_NOx以及期望的柴油机输出性能，对柴油机各执行机构进行优化，以达到降低柴油机NOx排放的目的。

(三)图3为传统循环神经网络(RNN)的单层结构示意图。图3(a)为整体结构图，图3(b)为其展开结构示意图。信息通过细胞状态C_t进行同层神经元之间的传递，并得到输出h_t，其表达式为

C_t＝f(WC_t-1+Ux_t)

h_t＝f(VC_t) (7)

循环神经网络与传统神经网络不同的地方有：1)权值共享，图3(b)中的神经网络模块A统一具有相同的结构，U，V，W都是相同的；2)每个输入都只与对应的神经网络模块进行联系，与其他神经元之间不存在联系。

(四)图4为本发明的LSTM神经网络模块结构示意图。与传统RNN不同的是，LSTM网络增加了几个“门”的结构，从而解决了学习长期依赖的问题。在RNN的重复神经网络模块中，不同于传统RNN只存在tanh一个单一结构，LSTM中存在四个结构，通过三个“门”结构进行交互。

①为遗忘门层，该门层决定对细胞中的哪些状态进行遗忘(丢弃)。该门层会读取上一时刻神经网络模块的输出h_t-1和当前时刻模型输入量x_t进行操作

f_t＝σ(W_f[h_t-1,x_t]+b_f) (8)

其中σ代表阈值函数sigmoid，可以将输出限制到(0,1)，其表达式为

②为输入门层，该门层的功能为确定将输入x_t中的哪些新信息存储在细胞状态中。

门层中进行的计算为

首先，i_t通过一个sigmoid层确定哪些值需要被更新，然后，一个tanh层创建一个更新的候选值向量

细胞状态通过以上两个门，丢弃有关旧状态的信息，更新之前确认的新信息，通过下式得到新的细胞状态C_t

③为输出门，将决定此神经网络模块的最终输出

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t·tanh(C_t) (12)

(五)图5为多层LSTM神经网络结构示意图。

(六)图6为本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放实时估计系统在发动机转速为1200RPM下的稳态估计效果对比图，即一段时间内系统输入保持一定。其中NOx排放为归一化之后的值，如式(5)所示。从图中可以看出，LSTM-RNN的估计效果明显优于BP神经网络，时滞也相对较小。经过计算，LSTM-RNN方式的估计误差的MAE、RMSE、MAPE值在BP神经网络的基础上降低了17.82％、3.27％以及33.76％，估计精度有了很大的提升。

(七)图7为本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放实时估计系统在发动机转速为2000RPM下的瞬态估计效果对比图，即系统输入将发生频繁的变化。其中NOx排放为归一化之后的值，如式(5)所示。从图中可以看出，相对而言，LSTM-RNN神经网络的估计效果在BP神经网络的基础上有很大的改善。其快速性和准确性都远远优于BP神经网络，经过计算，LSTM-RNN方式的估计误差的MAE、RMSE、MAPE值在BP神经网络的基础上降低了50.35％、31.44％以及58.20％，可以满足对于NOx排放估计精度的需要。

(八)图8为本发明中基于LSTM-RNN神经网络建立的柴油机NOx排放模型在发动机转速为2400RPM下的瞬态预测效果对比图，即系统输入将发生频繁的变化。其中NOx排放为归一化之后的值，如式(5)所示。从图中可以看出，发动机转速的提高使得模型的估计性能面临很大挑战，造成了相对较大的时滞，这在高转速的NOx排放估计过程中是不可避免的，在此基础上可以看出LSTM-RNN神经网络模型依然能够维持较好的估计性能。

(九)图9为本发明中的数据采样所用到的柴油机台架现场图。此发动机型号为CA4D32，排量为3.17L，压缩比为17:1。

本发明针对柴油机NOx排放难以实时测量的问题，提出了基于LSTM-RNN神经网络的NOx实时估计系统，实现了柴油机NOx排放的实时精确估计。(1)本发明提出的柴油机NOx实时估计系统相对于传统的BP神经网络，估计精度在稳态工况、瞬态工况和综合工况分别有17.82％、50.35％、32.34％的提升。大大提高了NOx排放估计的准确性，为柴油机NOx排放的软测量提供了先进的技术支撑。(2)将本发明中的NOx实时估计系统应用到NOx控制系统中，估计精度的提升同时为基于NOx反馈的控制器奠定了基础。

本发明利用柴油机台架运行大数据，提出了基于深度学习LSTM-RNN神经网络的柴油机NOx实时估计系统，选取进气歧管压强、废气残余分数、喷油量、发动机转速以及EGR阀流量五个可测的特征量来表征柴油机的NOx排放，，实现了对NOx排放的精确实时估计。

Claims (1)

1.一种柴油机NOx排放实时估计系统，其步骤是：

步骤一、获取柴油机运行工况相关数据集；

其特征在于：

步骤二、选取NOx实时估计模型输入数据，选取了五个指标用于预测NOx排放，p_im进气歧管压强、F₁废气残余分数、Q_v喷油量、N_e发动机转速、w_EGREGR阀流量；

需要从行驶数据集中提取的数据矩阵X_in为

其中前五项为用于预测的输入量，第六项是模型预测量NOx排放c_NOx；

步骤三、训练集与测试集的选取

提取数据集X_in中的前80％为训练数据X_train，用于训练NOx的LSTM循环神经网络预测模型；

后20％为测试数据X_test，在模型建立之后，对模型的预测精度进行验证；

步骤四、选取数据预处理

为了提高NOx预测模型的预测精度，需要对选取的数据做归一化处理；

步骤五、确定循环神经网络结构参数，在TensorFlow平台上确定LSTM循环神经网络输入层、隐含层及输出层的参数，选取的循环神经网络结构参数

输入特征数量5、隐含层层数1、隐含层神经元个数2、输出特征数量1、时间步长1～2；

步骤六：建立LSTM循环神经网络NOx预测模型，在TensorFlow平台进行LSTM-RNN神经网络训练有以下步骤：

(1)读取训练数据并进行归一化处理

(2)设置LSTM-RNN神经网络结构参数：输入维度、输出维度、LSTM中的隐藏层单元个数，时间步长，输入维度为5；输出维度为1；LSTM中包含1个隐含层，隐含层单元个数为2，时间步长为1个采样步长，即可对当前时刻的NOx排放数据进行估计；

(3)设置深度学习参数：学习率、序列段批次大小，设置学习率为0.01，序列段批次大小为100；

(4)对神经网络参数进行训练，在循环神经网络结构中，输出层的激活函数采用tanh函数而非sigmoid函数，sigmoid函数表达式为

其导函数为

训练过程中的损失函数采用平方损失的标准形式，其表达形式为

其中c_NOx(i)和

分别为i时刻NOx排放的测量值和LSTM-RNN模型估计值。

Images