基于物理的机器学习框架：利用车载诊断数据预测压燃式发动机的NOx排放
机器学习
2025-03-10 v1
摘要
本工作提出了一种基于物理的机器学习框架，以车载诊断（OBD）数据作为输入，预测和分析压燃式发动机车辆的氮氧化物（NOx）排放。由于发动机燃烧室内NOx的形成受远短于数据采集率的时间尺度上发生的复杂过程控制，从OBD数据集中准确预测NOx十分困难。因此，通常无法使用简单的经验推导物理模型准确预测排放。遗传算法或神经网络等黑盒模型可能更准确，但可解释性较差。本文提出的透明模型兼具高准确率，并能解释高排放的潜在来源。该框架由两个主要步骤组成：一个基于物理的NOx预测模型，结合一种新颖的散度窗口共现（DWC）模式检测算法，用于分析基于物理的模型未能充分处理的运行工况。该框架通过第二辆车的OBD数据集验证了泛化能力，进行了敏感性分析，并将模型预测结果与深度神经网络的结果进行了比较。结果表明，与先前已发表工作中的基线NOx预测模型相比，使用所提模型的NOx排放预测的均方根误差降低了约55%，平均绝对误差降低了约60%。DWC模式检测算法识别出低发动机功率工况具有很高的统计显著性，表明这是一个可以改进模型的运行区间。本工作表明，基于物理的机器学习框架是预测未配备NOx传感器的发动机NOx排放的可行方法。
引用
@article{arxiv.2503.05648,
title = {Physics-based machine learning framework for predicting NOx emissions from compression ignition engines using on-board diagnostics data},
author = {Harish Panneer Selvam and Bharat Jayaprakash and Yan Li and Shashi Shekhar and William F. Northrop},
journal= {arXiv preprint arXiv:2503.05648},
year = {2025}
}