Physics-based machine learning framework for predicting NOx emissions from compression ignition engines using on-board diagnostics data

要約

この作業では、入力としてオンボード診断（OBD）データを使用して、圧縮イグニッションエンジン駆動車両からの窒素（NOX）排出量の酸化物を予測および分析する物理ベースの機械学習フレームワークを提示します。
OBDデータセットからの正確なNOx予測は、エンジン燃焼室内のNOx形成がデータ収集レートよりもはるかに短いタイムスケールで発生する複雑なプロセスによって支配されるため、困難です。
したがって、一般に、排出量は、単純な経験的に導出された物理モデルを使用して正確に予測することはできません。
遺伝的アルゴリズムやニューラルネットワークなどのブラックボックスモデルは、より正確になる可能性がありますが、解釈可能性が低い場合があります。
このホワイトペーパーで提示されている透明モデルは、高精度の両方を持ち、排出量の高い潜在的な原因を説明できます。
提案されたフレームワークは、物理学ベースのNOX予測モデルと、物理ベースのモデルで適切に対処されていない動作条件を分析するための新しい発散ウィンドウ共起（DWC）パターン検出アルゴリズムの2つの主要なステップで構成されています。
提案されたフレームワークは、2番目の車両OBDデータセットでの一般化性が検証され、感度分析が実行され、モデル予測は深いニューラルネットワークの予測と比較されます。
結果は、提案されたモデルを使用したNOX排出予測は、以前に公開された研究のベースラインNOX予測モデルと比較して、約55％のルート平均平方根誤差を持ち、平均絶対誤差が約60％高いことを示しています。
DWCパターン検出アルゴリズムは、低エンジンの電力条件が統計的に有意であることを特定し、モデルを改善できる動作体制を示しています。
この作業は、物理ベースの機械学習フレームワークが、NOXセンシングを組み込まないエンジンからのNOX排出を予測するための実行可能な方法であることを示しています。

要約(オリジナル)

This work presents a physics-based machine learning framework to predict and analyze oxides of nitrogen (NOx) emissions from compression-ignition engine-powered vehicles using on-board diagnostics (OBD) data as input. Accurate NOx prediction from OBD datasets is difficult because NOx formation inside an engine combustion chamber is governed by complex processes occurring on timescales much shorter than the data collection rate. Thus, emissions generally cannot be predicted accurately using simple empirically derived physics models. Black box models like genetic algorithms or neural networks can be more accurate, but have poor interpretability. The transparent model presented in this paper has both high accuracy and can explain potential sources of high emissions. The proposed framework consists of two major steps: a physics-based NOx prediction model combined with a novel Divergent Window Co-occurrence (DWC) Pattern detection algorithm to analyze operating conditions that are not adequately addressed by the physics-based model. The proposed framework is validated for generalizability with a second vehicle OBD dataset, a sensitivity analysis is performed, and model predictions are compared with that from a deep neural network. The results show that NOx emissions predictions using the proposed model has around 55% better root mean square error, and around 60% higher mean absolute error compared to the baseline NOx prediction model from previously published work. The DWC Pattern Detection Algorithm identified low engine power conditions to have high statistical significance, indicating an operating regime where the model can be improved. This work shows that the physics-based machine learning framework is a viable method for predicting NOx emissions from engines that do not incorporate NOx sensing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google