Data driven soft sensor for diesel engine emissions
Senttula, Tuukka (2020)
2020
Automaatiotekniikan DI-tutkinto-ohjelma - Degree Programme in Automation Engineering, MSc (Tech)
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2020-05-15
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202005135248
https://urn.fi/URN:NBN:fi:tuni-202005135248
Tiivistelmä
The objective of this thesis was to compare different machine learning models for predicting raw nitrogen oxides values produced by non-road diesel combustion engine in non-laboratory environment. The models were evaluated by their accuracy and also by their ability to run real time. If the evaluation is enough, the predictor could be used to replace the real sensor.
The available data came from dozens of different engines: different engine types, different power restrictions, different applications such as tractors and harvesters. Some of the engines were in laboratory environment when the rest were in real customer use. In this thesis the training of the models is done with the data of a single customer use engine and the evaluation data is from crossvalidated data from the same engine, a combine harvester, a forwarder and a laboratory engine. The selected evaluation engines meet the stage V emission limits and are all exactly the same engines except their different software, engine aftertreatment system and type of work.
Results show that it is not possible to get similar accuracy as the real sensor with fast models, but it is possible to get close, especially in high engine speeds. Models with high prediction power have better results and it might be possible to exceed the real sensor accuracy, but with the cost of slower prediction. LSTM models perform better than other types of models.
Tämän työn tarkoitus oli vertailla eri koneoppimismalleja typpioksidiarvojen ennustamiseen dieselmoottorin raakapäästöistä kenttäolosuhteissa. Malleja evaluoidaan niiden tarkkuuden sekä kyvyn reaaliaikaisuuden mukaan ja mikäli evaluaatio on hyvä, mallia voidaan käyttää korvaamaan oikea sensori.
Käytetty data tulee monesta erilaisesta moottorista: eri tyyppisistä, eri tehorajoitetuista, eri applikaatioista kuten puimuri tai traktori sekä laboratorio- ja asiakaskäytössä olevista. Tässä työssä oppimisdatana käytetään vain yhtä asiakaskäytössä olevan traktorin dataa ja evaluointidatana käytetään saman moottorin ristiinvalidoitua dataa sekä puimurin, kuormatraktorin ja laboratoriomoottorin dataa. Valitut moottorit noudattavat stage V päästörajoituksia ja ovat täysin sama moottori erotuksena niiden ohjelmisto, jälkikäsittelyjärjestelmä ja työn tyyppi.
Tulokset näyttävät ettei ole mahdollista päästä oikean sensorin tarkkuuteen nopeilla malleilla, mutta lähelle on mahdollista päästä etenkin korkeissa moottorin pyörimisnopeuksissa. Suuremmat mallit saivat parhaita tuloksia ja on mahdollista että ne sivuaisivat oikean sensorin tarkkuutta, mutta mallin nopeus kärsii koon kasvaessa. LSTM mallit toimivat muita malleja paremmin.
The available data came from dozens of different engines: different engine types, different power restrictions, different applications such as tractors and harvesters. Some of the engines were in laboratory environment when the rest were in real customer use. In this thesis the training of the models is done with the data of a single customer use engine and the evaluation data is from crossvalidated data from the same engine, a combine harvester, a forwarder and a laboratory engine. The selected evaluation engines meet the stage V emission limits and are all exactly the same engines except their different software, engine aftertreatment system and type of work.
Results show that it is not possible to get similar accuracy as the real sensor with fast models, but it is possible to get close, especially in high engine speeds. Models with high prediction power have better results and it might be possible to exceed the real sensor accuracy, but with the cost of slower prediction. LSTM models perform better than other types of models.
Tämän työn tarkoitus oli vertailla eri koneoppimismalleja typpioksidiarvojen ennustamiseen dieselmoottorin raakapäästöistä kenttäolosuhteissa. Malleja evaluoidaan niiden tarkkuuden sekä kyvyn reaaliaikaisuuden mukaan ja mikäli evaluaatio on hyvä, mallia voidaan käyttää korvaamaan oikea sensori.
Käytetty data tulee monesta erilaisesta moottorista: eri tyyppisistä, eri tehorajoitetuista, eri applikaatioista kuten puimuri tai traktori sekä laboratorio- ja asiakaskäytössä olevista. Tässä työssä oppimisdatana käytetään vain yhtä asiakaskäytössä olevan traktorin dataa ja evaluointidatana käytetään saman moottorin ristiinvalidoitua dataa sekä puimurin, kuormatraktorin ja laboratoriomoottorin dataa. Valitut moottorit noudattavat stage V päästörajoituksia ja ovat täysin sama moottori erotuksena niiden ohjelmisto, jälkikäsittelyjärjestelmä ja työn tyyppi.
Tulokset näyttävät ettei ole mahdollista päästä oikean sensorin tarkkuuteen nopeilla malleilla, mutta lähelle on mahdollista päästä etenkin korkeissa moottorin pyörimisnopeuksissa. Suuremmat mallit saivat parhaita tuloksia ja on mahdollista että ne sivuaisivat oikean sensorin tarkkuutta, mutta mallin nopeus kärsii koon kasvaessa. LSTM mallit toimivat muita malleja paremmin.