Utilisation de réseaux de Deep Learning pour estimer les émissions de Nox - MATLAB & Simulink

Articles techniques

Utilisation de réseaux de Deep Learning pour estimer les émissions de NOX

Par Nicoleta-Alexandra Stroe et Vincent Talon, Renault


Renault développe activement une technologie de nouvelle génération pour les véhicules zéro émission (ZEV). Parallèlement, nous travaillons à rendre les véhicules à moteur à combustion interne (ICE) plus propres et plus efficaces. L’un des domaines d’intérêt est la réduction des émissions nocives. Les moteurs à combustion interne génèrent des oxydes d’azote (NOX), qui contribuent au smog, aux pluies acides et aux gaz à effet de serre. Pour minimiser les NOX, nous avons besoin d’estimations précises des émissions à différents points de fonctionnement du moteur, par exemple, à diverses combinaisons de couple et de régime moteur.

Effectuer des tests sur un moteur réel est coûteux et prend souvent du temps. C’ est pourquoi, les estimations de NOX ont traditionnellement été calculées à l’aide de tables de correspondance ou de modèles de combustion. Ces méthodes présentent plusieurs inconvénients. Les tables de correspondance manquent de précision, tandis que les modèles de combustion sont exceptionnellement difficiles à créer en raison de la complexité des équations nécessaires pour capturer la dynamique des émissions. Les modèles physiques d’émissions de NOX sont très complexes et difficiles à utiliser sur toute la plage de fonctionnement d'un moteur ; de plus, ils ne peuvent pas être exécutés en temps réel sur un calculateur.

Nous avons récemment commencé à modéliser les émissions de NOX (émissions provenant directement du moteur et non du système de post-traitement) en utilisant un réseau LSTM (long short-term memory), un type de réseau neuronal qui excelle dans l'apprentissage, le traitement et la classification des données séquentielles. Le LSTM était beaucoup plus facile à créer qu’un modèle de combustion. Même si nous ne sommes pas des spécialistes du Deep Learning, en utilisant MATLAB® et Deep Learning Toolbox™, nous avons pu créer et former un réseau qui prédit les émissions de NOX avec une précision de près de 90 %.

Design et formation du réseau LSTM

Nous avons obtenu nos données de formation à partir de tests effectués sur un moteur réel. Au cours de ces tests, le moteur a été soumis à des cycles de conduite courants, notamment les cycles d'essai harmonisés à l’échelle mondiale pour les véhicules légers (WLTC) et le nouveau cycle de conduite européen (NEDC), ainsi qu’aux tests d'émissions en conditions de conduite réelles (RDE). Les données capturées ont fourni des données d’entrée au réseau. Il comprenait le couple moteur, le régime moteur, la température du liquide de refroidissement et la valeur de rapport des émissions.

Nous avons ensuite créé un réseau LSTM simple à l'aide d'un script MATLAB. Bien que ce réseau initial ne soit constitué que d'une couche LSTM, d'une couche d'unité linéaire rectifiée (ReLU), d'une couche entièrement connectée (FC) et d'une couche de sortie de régression, il a fonctionné étonnamment bien. Nous soupçonnions cependant que nous pourrions augmenter sa précision en ajoutant davantage de couches. Nous avons pris soin de ne pas augmenter la taille du réseau au point de provoquer un surapprentissage ou de prendre trop de mémoire sur l'ECU.

Nous avons mis à jour le script MATLAB pour ajouter des couches et nous avons exploré plusieurs configurations de réseau. La sélection de la meilleure configuration et de la meilleure architecture réseau a été effectuée manuellement, car la taille du réseau était petite. La méthode d’essais et d’erreurs nous a permis d’exploiter les propriétés physiques du système. Par exemple, pour un système avec de fortes non-linéarités, nous choisirions plusieurs couches ReLU, alors que pour un système thermique, plusieurs couches LSTM seraient plus appropriées. Nous avons opté pour un réseau doté d’une seule couche LSTM, de trois couches ReLU, de trois couches FC et d’une couche de sortie de régression. Cette version du réseau LSTM a atteint une précision de 85 à 90 % dans la prédiction des niveaux de NOX par rapport à la précision de 60 à 70 % que nous avons constatée avec les lookup tables (Figure 1).

Figure 1. Émissions de NOx mesurées à partir d'un moteur réel et émissions de NOx modélisées à partir du réseau LSTM.

Figure 1. Emissions mesurées de NOX d'un moteur réel (bleu) et émissions modélisées de NOX du réseau LSTM (orange).

Intégration du réseau dans les simulations au niveau système

Une fois que nous avons eu un réseau LSTM formé, nous l'avons mis à la disposition d'autres équipes Renault pour qu'elles l'utilisent dans leurs simulations Simulink®. Une équipe l'a intégré dans un modèle qui utilisait le niveau d’émissions NOX du réseau en entrée d'un système de post-traitement. L'équipe a ensuite effectué des simulations pour mesurer l’efficacité de conversion du NOX pour le système de post-traitement à différents points de fonctionnement du moteur. En introduisant les LSTM dans les simulations système, l’équipe a acquis des informations difficiles d’accès avec des modèles physiques ou empiriques. Les équipes Renault utilisent également le réseau neuronal LSTM dans des simulations pour évaluer les performances des systèmes de diagnostic embarqués (OBD) et pour évaluer les émissions de moteur pour les nouveaux cycles de conduite.

Projets de suivi du Deep Learning

Notre mise en œuvre réussie d'un réseau LSTM pour prédire les niveaux d’émissions de NOX a donné lieu à plusieurs projets de suivi chez Renault. Dans un projet, nous avons utilisé un outil conçu pour nous par des consultants MathWorks pour générer du code C à partir du réseau LSTM comme démonstration de faisabilité. Générer du code de cette manière nous permettra de déployer l’estimateur d’émissions de NOX sur un ECU. En tant qu'élément d'une plateforme de simulation dédiée au système OBD, le réseau neuronal LSTM permettra de détecter à la volée, 24 heures sur 24, des conditions dangereuses ou défectueuses, comme l'exigent les normes d'émission.

Lorsqu'ils sont intégrés dans les calculateurs, les réseaux neuronaux profonds, en particulier les LSTM profonds, peuvent présenter un défi. Nos ECU ne sont pas des ordinateurs très puissants, ce qui signifie que nous devons faire un compromis entre la complexité du LSTM (et donc la qualité de la prédiction) et la capacité de l'ECU à exécuter les calculs. Pour nos applications, les réseaux étaient relativement petits et pouvaient être facilement intégrés dans des filtres de Kalman si nécessaire.

Plus récemment, nous avons étendu notre utilisation du Deep Learning avec MATLAB. Pour cela, nous utilisons l’apprentissage par renforcement afin de développer des stratégies de contrôle du trajet d’air dans les moteurs Renault.

Publié en 2021

Consulter des articles relatifs à des fonctionnalités associées

Consulter des articles relatifs à des secteurs associés