Aktiivinen oppiminen dieselmoottorin mallipohjaisessa kalibroinnissa

Abstract

Työkoneiden ja ajoneuvojen kiristyvät päästörajoitukset lisäävät tarvetta dieselmoottoreiden entistä tarkemmalle palamiskalibroinnille. Mallipohjainen kalibrointi on keskeinen menetelmä nykyaikaisessa moottorikehityksessä, koska kasvavat parametrimäärät ja tiukentuva sääntely tekevät perinteisistä kokeellisista menetelmistä hitaita ja tehottomia. Mallipohjaisessa kalibroinnissa keskeinen haaste on muodostaa riittävän tarkka sijaismalli, joka kuvaa ohjausparametrien vaikutusta moottorin raakapäästöihin koko toiminta-alueella, erityisesti alueilla, joilla esiintyy voimakkaan epälineaarisia päästöhuippuja.

Tässä työssä kehitettiin testausympäristö, jossa aktiivisen oppimisen silmukka integroitiin TCN-neuroverkoihin (engl. Temporal Convolutional Network) perustuvaan virtuaalimoottoriin. Virtuaalimoottori ennusti moottorin häkä- ja palamattomia hiilivetypäästöjä ja toimi aktiivisen oppimisen menetelmien oraakkelina. Työssä vertailtiin kolmea erilaista aktiivisen oppimisen hankintafunktiota: Uncertainty Samplingia, Upper Confidence Boundia ja Thompson Samplingia perinteiseen staattiseen koesuunnitteluun. Sijaismalleina käytettiin Matérn-kovarianssifunktioon perustuvia Gaussin prosessin malleja.

Tulokset osoittavat aktiivisen oppimisen parantavan merkittävästi mallien ennustetarkkuutta verrattuna perinteiseen koesuunnitteluun. Häkäpäästöjen mallinnuksessa aktiivisella oppimisella saavutettiin noin puolet pienempi RMSE (engl. Root Mean Squared Error) ja selkeästi korkeampi selitysaste kuin koesuunnittelulla. Lisäksi aktiivisen oppimisen menetelmät kykenivät tunnistamaan ja mallintamaan korkeita päästöpiikkejä, joita koesuunnittelumenetelmä aliarvioi systemaattisesti. Kahden rinnakkaisen Gaussin prosessin mallin samanaikaisessa kouluttamisessa havaittiin, ettei opetusvuorojen epätasainenkaan painotus vaikuttanut heikentävästi mallien lopulliseen ennustetarkkuuteen. Tulokset myös paljastivat, ettei aktiivisella oppimisella kuitenkaan kyetä mallintamaan hiilivetypäästöjä yhtä tarkasti kuin häkäpäästöjä ilmiön merkittävän epälineaarisuuden vuoksi.

Tulosten perusteella aktiivinen oppiminen tarjoaa lupaavan lähestymistavan dieselmoottorin mallipohjaiseen palamiskalibrointiin. Menetelmä soveltuu erityisen hyvin epälineaaristen ilmiöiden sekä päästöhuippujen mallintamiseen.