基于因果图增强的高斯过程回归用于发动机排放 NOx 模型化
机器学习
2026-02-26 v3
摘要
柴油压缩点火发动机排放的氮氧化物 (NOx) 的严格法规要求构建精确可靠的模型，以实现实时监测和诊断。虽然传统方法如物理传感器和虚拟发动机控制模块 (ECM) 传感器提供了必需的数据，但它们仅用于估计。广泛的文献主要关注确定性模型，很少强调捕捉各种不确定性的作用。缺乏概率框架限制了这些模型在稳健诊断中的适用性。本文的目标是开发和验证一个概率模型来预测使用高斯过程回归的发动机排放 NOx。我们的ethods 如下：我们采用三种变体的高斯过程模型：第一种使用带输入窗口的标准径向基函数 (RBF) 核，第二种采用卷积神经网络捕获时序依赖性的深度核，第三种通过图卷积网络推导的因果图丰富深度核。因果图将物理知识嵌入学习过程中。所有模型均使用定量和定性指标对虚拟 ECM 传感器进行比较。我们得出结论，我们的模型在使用输入窗口和深度核结构时提供了预测性能的提升。更值得注意的是，将因果图纳入深度核中进一步实现了性能的提升。这些发现在不同的验证和验证数据集上都得到了证实。
引用
@article{arxiv.2410.18424,
title = {A Causal Graph-Enhanced Gaussian Process Regression for Modeling Engine-out NOx},
author = {Shrenik Zinage and Ilias Bilionis and Peter Meckl},
journal= {arXiv preprint arXiv:2410.18424},
year = {2026}
}