A Digital twin for Diesel Engines: Operator-infused PINNs with Transfer Learning for Engine Health Monitoring

要約

ディーゼル エンジンの効率向上と排出ガス削減は重要な研究テーマです。
最近の政府規制により、この焦点はエンジンの状態とパフォーマンスの監視に関連する別の重要な領域に移されました。
システム監視のためのディープラーニング手法の使用の進歩により、この方向で有望な結果が示されていますが、フィールドシステムに適した効率的な手法を設計することは未解決の研究課題のままです。
この研究の目的は、平均値ディーゼル エンジン モデルの未知のパラメータを特定し、物理ベースの健全性監視とメンテナンス予測を容易にする、計算効率の高いニューラル ネットワーク ベースのアプローチを開発することです。
我々は、物理学に基づいたニューラル ネットワークである PINN とディープ ニューラル オペレーターである DeepONet を組み合わせて、ディーゼル エンジン内の未知のパラメーターとガス流ダイナミクスを予測するハイブリッド手法を提案します。
オペレータ ネットワークは、オフライン トレーニングを通じて学習した独立したアクチュエータのダイナミクスを予測するため、PINN のオンライン計算コストが削減されます。
変化する入力シナリオによる再トレーニングに対する PINN のニーズに対処するために、2 つの転移学習 (TL) 戦略を提案します。
最初の戦略には、パラメーターを識別するための多段階転移学習が含まれます。
この方法はオンライン PINN トレーニングに比べて計算効率が高いですが、現場の要件を満たすには改善が必要です。
2 番目の TL 戦略は、より大きなデータセットで事前トレーニングされたマルチヘッド ネットワークのサブセットの出力の重みとバイアスのトレーニングのみに焦点を当て、オンライン予測中の計算時間を大幅に削減します。
また、事前学習済みネットワークのドロップアウトと学習データセットのガウス ノイズを組み込むことにより、認識的不確実性と偶然的不確実性についてモデルを評価します。
この戦略は、ディーゼル エンジン サブ システムのパラメーターを特定するための、カスタマイズされた計算コストの低い物理ベースのアプローチを提供します。

要約(オリジナル)

Improving diesel engine efficiency and emission reduction have been critical research topics. Recent government regulations have shifted this focus to another important area related to engine health and performance monitoring. Although the advancements in the use of deep learning methods for system monitoring have shown promising results in this direction, designing efficient methods suitable for field systems remains an open research challenge. The objective of this study is to develop a computationally efficient neural network-based approach for identifying unknown parameters of a mean value diesel engine model to facilitate physics-based health monitoring and maintenance forecasting. We propose a hybrid method combining physics informed neural networks, PINNs, and a deep neural operator, DeepONet to predict unknown parameters and gas flow dynamics in a diesel engine. The operator network predicts independent actuator dynamics learnt through offline training, thereby reducing the PINNs online computational cost. To address PINNs need for retraining with changing input scenarios, we propose two transfer learning (TL) strategies. The first strategy involves multi-stage transfer learning for parameter identification. While this method is computationally efficient as compared to online PINN training, improvements are required to meet field requirements. The second TL strategy focuses solely on training the output weights and biases of a subset of multi-head networks pretrained on a larger dataset, substantially reducing computation time during online prediction. We also evaluate our model for epistemic and aleatoric uncertainty by incorporating dropout in pretrained networks and Gaussian noise in the training dataset. This strategy offers a tailored, computationally inexpensive, and physics-based approach for parameter identification in diesel engine sub systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google