Dizel oksidasyon katalizörünün egzoz gaz sıcaklıklarının lstm rnn kullanarak modellenmesi

Günümüzde sensörler, yüksek performans ve daha az emisyon ihtiyacı nedeniyle güç aktarma mühendisliği (powertrain engineering) ve egzoz arıtma sistemleri (exhaust aftertreatment systems) için çok önemlidir. Ayrıca dizel oksidasyon katalizörlerinde giriş ve çıkış sıcaklık sensörlerin modellerinin kalibre edilmesine kadar araçta monta edilir. Sonra müşteri versiyonunda çıkarılırır. Diğer durumlarda aracı, katalizördeki sensörleriyle beraber tüketiciye teslim edilir. Modelleme süreci hem motor hem de şasi dinamometreleri gerektirdiği için hem pahalı hem de uzun zaman tüketmektedir. Öte yandan, yüksek hassasiyet olan sensörler pahalıdır. Ayrıca ekstra hata algılama ve arıza tespit fonksiyonları gerektirir. Bu modeller, oksidasyon katalizör verimliliğinin dizel rejenerasyon sırasında hesaplanması için kullanılmaktadır. Bu iki sıcaklık değerlerin arasıdakı fark ne kadar büyükse oksidasyon katalizörü o kadar verimli olur. Verimlilik, katalizörün yaşlanma seviyesini ve CO emisyon miktarını belirler. Emisyon resmi kurallarına göre CO'nun izlenmesini zorunlu kılındığı için dizel katalizörün verimliliği kontrolü yapılması gerekmektedir. Son birkaç yılda, makine öğrenmesi birçok sektör için uygulanabilir hale geldi. Tekrarlayan sinir ağları (RNN) geliştirilmesinden sonra, dil modelleme, otomatik çevirisi, resim yorumlama, el yazısı üretimi ve soru cevaplama uygulamalarında yaygın olmaktadır. Daha sonra, uzun kısa-süreli hafıza ağları (LSTM), tekrarlayan sinir ağların uygulamalarına zaman serisi tahmini ve karmaşık doğrusal olmayan modellemeyi içeren gradient kaybolma ve patlama problemleri için bir çözüm önermiştir. Bu çalışmanın amacı uzun-kısa süreli bellek ağları (LSTM) kullanarak dizel oksidasyon katalizörünün üst ve alt akış sıcaklıkları için bir model geliştirmektir. Motor sensörlerinden ve aktüatörlerin konum geri beslemesinden ölçümler alıp LSTM modelin eğitimi için kullanıldı. Yeterli eğitimden sonra oksidasyon katalizörünün giriş ve çıkış sıcaklıkları tahmin edildi. Kullanılan eğitim verileri AVL tarafından sağlandı.