State estimation model for NOx storage reduction catalyst using modeling method based on machine learning

Takato Ikedo

doi:10.1177/14680874251382294

State estimation model for NOx storage reduction catalyst using modeling method based on machine learning

2026-05-01

0

PRE

AI

DOI：10.1177/14680874251382294

原文链接

原文求助

摘要

En 中文

本报告提出了一种能够精确估计NOx存储还原（NSR）催化剂（即NOx存储量）的状态变量的模型，其目标是通过优化NSR催化剂的控制来改善燃油消耗。所提出的模型结合了神经网络（NNs）和物理模型，并利用质量守恒来估计NOx存储量。与不考虑质量守恒的模型（即仅由NN组成的模型）相比，所提出的模型将NOx存储量的最大绝对误差和平均绝对误差至少降低了80%。这一结果证实了通过结合NNs和物理模型，基于质量守恒计算NOx存储量的有效性。为将所提出的模型应用于车载ECU中，该模型仅使用可从车辆获取的变量作为其输入变量。无法从车辆获取的变量是催化剂床温度和入口处的CO浓度。设计了一个无迹卡尔曼滤波器（UKF）来估计催化剂床温度，该温度随后在流动方向上以高精度平均，同时具有低计算负载。定量评估了将入口处的CO浓度从输入变量中移除的影响。当将估计精度与实际发动机测试数据进行比较时，发现流动方向上平均的催化剂床温度可以合理准确地估计。所有区段的最大绝对误差为20.17°C（正确值的7.1%）。通过将使用UKF估计的催化剂床温度输入到所提出的模型中，能够合理准确地估计NOx存储量。所有区段的最大绝对误差为30.46 mg（正确值的2.2%）。此外，为了考虑NSR催化剂在流动方向上的温度分布，构建了NNs来估计NSR催化剂的前端、中心和后端温度。这些估计的NSR催化剂温度随后用作所提出模型的输入变量。这相对于使用UKF估计的NSR催化剂温度在流动方向上的平均值进行计算，提高了NOx存储速率和NOx存储量估计的精度。特别是，确认NOx存储速率的最大绝对误差大致减半。因此，即使在仅使用可从车辆获取的变量的约束条件下，也能够合理准确地估计NOx存储量。所有区段的最大绝对误差为30.08 mg（正确值的2.1%）。随后使用实际发动机测试数据确认了所提出模型的有效性。

Keyword:

heat engine

de-NOx catalyst

NOx storage reduction catalyst

lean NOx trap catalyst

state estimation

machine learning

neural network

unscented Kalman filter

State estimation model for NOx storage reduction catalyst using modeling method based on machine learning

摘要

期刊

机构

引用论文