智能互聯(lián)車輛應(yīng)用的開發(fā)已經(jīng)成為整個汽車行業(yè)日益關(guān)注的話題。然而，與基于 ECU 的傳統(tǒng)車輛軟件相比，這些新應(yīng)用也帶來了更多的不確定性。具體來說，技術(shù)可行性、用戶接受度和穩(wěn)健性方面的問題，必須在系統(tǒng)設(shè)計階段盡早得到解決。

為了幫助解決這些問題，并更好地管理開發(fā)新型智能聯(lián)網(wǎng)車輛應(yīng)用所帶來的不確定性，聯(lián)合汽車電子有限公司的工程團(tuán)隊已基于 MATLAB 和 Simulink，確立了一種新的快速原型設(shè)計方法。

今天，就讓我們聽聽來自聯(lián)合汽車電子有限公司的分享。

作者：呂踐，聯(lián)合汽車電子有限公司

聯(lián)合汽車電子有限公司大數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)挖掘工程師，目前專注于預(yù)測性控制類智能網(wǎng)聯(lián)應(yīng)用的研究開發(fā)工作，曾先后負(fù)責(zé)ECM,VCU,XCU控制系統(tǒng)開發(fā)，在控制器架構(gòu)，車云協(xié)同，產(chǎn)品原型設(shè)計，大數(shù)據(jù)業(yè)務(wù)方面有豐富經(jīng)驗。畢業(yè)于慕尼黑工業(yè)大學(xué)電子信息工程專業(yè)碩士。

最近，我在聯(lián)合汽車電子有限公司的工程團(tuán)隊采用上述這種方法開發(fā)并驗證了預(yù)測性汽油車顆粒捕集器 (GPF) 再生應(yīng)用，可以提高燃油經(jīng)濟(jì)性和駕駛性能，因為該應(yīng)用將操作人員的駕駛風(fēng)格和路線等諸多因素都考慮在內(nèi)。該應(yīng)用的系統(tǒng)架構(gòu)包括一個在 Simulink 中開發(fā)的車輛 GPF 仿真模型、一個使用 App 設(shè)計工具設(shè)計并通過 MATLAB Web App Server 部署的 Web 應(yīng)用，以及一個在 MATLAB Production Server 上托管的基于云的預(yù)測性 GPF 再生算法（圖 1）。憑借這種架構(gòu)，我們不僅能夠快速構(gòu)建可在車輛和車隊級別進(jìn)行完整仿真的原型應(yīng)用，而且能夠輕松地結(jié)合使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，從而提高效率并減少構(gòu)建精確仿真模型所需的時間。

圖 1. 預(yù)測性 GPF 再生算法的快速原型設(shè)計架構(gòu)。

GPF 和預(yù)測性再生基礎(chǔ)知識

作為直噴汽油發(fā)動機(jī)車輛排放系統(tǒng)的關(guān)鍵組件，GPF 有助于去除尾氣中的顆粒物。為了確保捕集器始終能夠有效工作，必須通過再生過程定期燃燒掉隨時間的推移而積聚的碳煙。

確定何時最好啟動再生過程的控制策略至關(guān)重要，因為這一過程的啟動時機(jī)會影響多個關(guān)鍵性能指標(biāo)，包括燃油效率、駕駛性能和捕集器自身的使用壽命。頻繁啟動再生過程會降低燃油經(jīng)濟(jì)性，并對駕駛性能產(chǎn)生不利影響。反之，延遲啟動再生過程可能會導(dǎo)致碳煙積聚，從而增加排氣背壓，并將捕集器置于損壞的風(fēng)險中。

由于再生過程只能在排氣溫度較高時進(jìn)行，因此，該過程最好是在車輛高速行駛時進(jìn)行，而不是在空轉(zhuǎn)時或走走停停的交通狀況下進(jìn)行。雖然排放控制系統(tǒng)可以通過增加點火角來提高排氣溫度，但這會增加燃油消耗并降低駕駛性能。為了始終能夠確定再生過程的最佳啟動時間，控制算法必須能夠結(jié)合考慮諸多因素來預(yù)測預(yù)期高溫時段，這些因素包括車輛操作人員的駕駛風(fēng)格、他們的計劃或預(yù)期路線，以及該路線沿途的交通狀況。我們的團(tuán)隊利用 MATLAB 和 Simulink 通過快速原型設(shè)計開發(fā)的正是這種預(yù)測性再生算法。

開發(fā)車輛 GPF 模型

我們開始構(gòu)建的首批組件里便有車輛 GPF 仿真模型。這種 Simulink 模型使用發(fā)動機(jī)轉(zhuǎn)速、發(fā)動機(jī)溫度和空燃當(dāng)量比 (lambda) 等輸入值，計算碳煙積聚速度和捕集器的碳煙總量。它還包含多個子模型，用于計算捕集器溫度，控制捕集器的主動再生，以及跟蹤碳煙燃燒量（圖 2）。

圖 2. Simulink 車輛 GPF 模型。

鑒于依據(jù)物理和化學(xué)原理構(gòu)建精確的 GPF 被控對象模型需要很長時間，我們采取了另一種方法。具體來說，我們使用了 Statistics and Machine Learning Toolbox 中的回歸學(xué)習(xí)器，通過我們收集的碳煙量數(shù)據(jù)訓(xùn)練和驗證了一個回歸模型。我們還使用類似方法開發(fā)了一個長短期記憶 (LSTM) 模型，用于根據(jù)發(fā)動機(jī)轉(zhuǎn)速和發(fā)動機(jī)溫度等因素預(yù)測排氣溫度。我們使用 PyTorch 訓(xùn)練了這個模型，并將其整合到了我們的 Simulink 模型中。這種將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)相結(jié)合的數(shù)據(jù)驅(qū)動方法，不僅有助于生成精確的模型（圖 3），而且比基于第一性原理開發(fā)物理模型要快得多。

圖 3. 實際碳煙量（藍(lán)色）和預(yù)測碳煙量（紅色）的比較（上圖）以及用于訓(xùn)練模型的發(fā)動機(jī)工況（下圖）。

開發(fā)并部署預(yù)測性 GPF 再生算法

在開發(fā) Simulink 車輛 GPF 模型的同時，我們也在研究預(yù)測性再生算法本身。為了預(yù)測執(zhí)行再生過程的最佳時間窗口，這種算法會連續(xù)執(zhí)行一系列的操作：首先，獲取當(dāng)前交通和環(huán)境狀況相關(guān)數(shù)據(jù)，例如相應(yīng)的車輛位置和天氣情況；其次，基于獲得的信息估計車輛速度，然后再使用這個值來預(yù)測排氣溫度和隨后積聚的碳煙量；最后，預(yù)測何時需要執(zhí)行再生過程，以及何時可以高效地執(zhí)行該過程。換句話說，當(dāng)車輛速度使得排氣溫度升高時，該算法便可確定啟動燃燒的時機(jī)。

我們在 PyTorch 中訓(xùn)練了該算法的預(yù)測模型，并使用 MATLAB Production Server 將整個算法部署到了云端。在仿真過程中，部署的算法會與車輛 GPF 模型的實例進(jìn)行通信。為了更輕松地將此模型部署到云端，并且考慮到未來有可能將我們的仿真擴(kuò)展到車隊中的多輛車，我們使用 Simulink Compiler 將其打包為一個獨立的可執(zhí)行文件，然后將其部署到 Docker 容器中。該預(yù)測性算法通過 Apache Kafka 事件流向車輛 GPF 模型發(fā)送信息。這些信息包括基于交通和環(huán)境狀況的數(shù)據(jù)值，如發(fā)動機(jī)轉(zhuǎn)速和溫度，以及基于算法預(yù)測模型的再生過程啟動命令。車輛 GPF 模型會處理該信息，并通過 Kafka 發(fā)回碳煙量和其他再生詳細(xì)信息（圖 4）。

圖 4. 預(yù)測性 GPF 再生算法與車輛 GPF 模型之間交換的 Kafka 事件。

構(gòu)建 Web 應(yīng)用前端

在我們的仿真環(huán)境中，最后一部分是用 App 設(shè)計工具開發(fā)并用 MATLAB Web App Server 部署的 Web 應(yīng)用用戶界面。該應(yīng)用利用 Mapping Toolbox 的函數(shù)來顯示路線圖。在該路線圖上，用戶可以為仿真的車輛選擇之前行駛過的多條路線之一進(jìn)行導(dǎo)航（圖 5）。一旦用戶啟動仿真，預(yù)測算法就會向車輛 GPF 模型連續(xù)發(fā)送消息，從該模型接收碳煙量和其他數(shù)據(jù)，并確定合適的再生窗口和強(qiáng)制性再生窗口。前者是可以高效地執(zhí)行再生過程而對駕駛性能和燃油經(jīng)濟(jì)性影響最小的時段，后者則是應(yīng)盡快啟動再生過程來清除積聚的碳煙的時段。

圖 5. 通過 MATLAB Web App Server 托管的 Web 應(yīng)用。

結(jié)果和后續(xù)步驟

在運行了虛擬車輛駛過 4,500 多公里的仿真后，我們將新的預(yù)測性 GPF 再生策略的結(jié)果與傳統(tǒng)策略（比如目前在許多 ECU 上實施的策略）的結(jié)果進(jìn)行了比較。結(jié)果顯示，主動再生次數(shù)和再生過程中消耗的燃料顯著減少，而且總體燃料消耗也略有下降（圖 6）。

圖 6. 傳統(tǒng)策略與預(yù)測性 GPF 策略的結(jié)果比較。

我們?yōu)轭A(yù)測性 GPF 再生確立的快速原型設(shè)計方法廣泛適用于各種智能聯(lián)網(wǎng)汽車應(yīng)用。這種方法既涉及我們的汽車工程師擁有豐富經(jīng)驗的工具，即用于工程數(shù)據(jù)分析和技術(shù)計算的 MATLAB 以及用于仿真的 Simulink，也不乏我們的工程師日益采用的新技術(shù)，如 Web 前端、云計算和機(jī)器學(xué)習(xí)。據(jù)我們預(yù)計，我們越來越多的團(tuán)隊今后將會采用該方法，運用他們在 MATLAB 和 Simulink 方面的專業(yè)知識，打造新的云端智能應(yīng)用。

審核編輯：湯梓紅