WO2019229398A1 - Apprentissage automatique prédictif pour la prédiction d'une fréquence de résonance d'un catalyseur de réduction sélective des oxydes d'azote - Google Patents

Apprentissage automatique prédictif pour la prédiction d'une fréquence de résonance d'un catalyseur de réduction sélective des oxydes d'azote Download PDF

Info

Publication number
WO2019229398A1
WO2019229398A1 PCT/FR2019/051286 FR2019051286W WO2019229398A1 WO 2019229398 A1 WO2019229398 A1 WO 2019229398A1 FR 2019051286 W FR2019051286 W FR 2019051286W WO 2019229398 A1 WO2019229398 A1 WO 2019229398A1
Authority
WO
WIPO (PCT)
Prior art keywords
scr
internal combustion
combustion engine
acquisition
future
Prior art date
Application number
PCT/FR2019/051286
Other languages
English (en)
Inventor
Michel POVLOVITSCH SEIXAS
Original Assignee
Continental Automotive France
Continental Automotive Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Automotive France, Continental Automotive Gmbh filed Critical Continental Automotive France
Priority to US17/059,817 priority Critical patent/US11661877B2/en
Priority to CN201980050787.3A priority patent/CN112639256B/zh
Publication of WO2019229398A1 publication Critical patent/WO2019229398A1/fr

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2066—Selective catalytic reduction [SCR]
    • F01N3/208—Control of selective catalytic reduction [SCR], e.g. dosing of reducing agent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2066—Selective catalytic reduction [SCR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2560/00—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics
    • F01N2560/12—Other sensor principles, e.g. using electro conductivity of substrate or radio frequency
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0402—Methods of control or diagnosing using adaptive learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0408—Methods of control or diagnosing using a feed-back loop
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/16—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust apparatus, e.g. particulate filter or catalyst
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/16—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust apparatus, e.g. particulate filter or catalyst
    • F01N2900/1622—Catalyst reducing agent absorption capacity or consumption amount
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies

Definitions

  • the present invention relates to the field of predicting the future resonant frequency of a selective nitrogen oxide reduction catalyst (SCR), which is representative of a concentration of a reducing agent within the SCR. More specifically, it relates to trained machine learning models, methods, apparatus and a set of computer programs for predicting such resonant frequency.
  • SCR selective nitrogen oxide reduction catalyst
  • SCR is an exhaust aftertreatment technique that consists of selectively reducing NOx to nitrogen by continuous injection of a specific reducing agent in the presence of a catalyst.
  • the reducing agent used consists of an aqueous solution of urea which, when it undergoes a thermolysis followed by hydrolysis, decomposes into ammonia and carbon dioxide. Subsequently, in reaction with ammonia, the NOx molecules present inside the SCR are transformed into nitrogen and water vapor before being vented.
  • ammonia slip in English
  • the present invention therefore aims to solve the aforementioned drawbacks.
  • the invention proposes an automatic learning model driven to predict the future resonant frequency of a selective reduction of nitrogen oxides (SCR) catalyst.
  • the resonance frequency is representative of a concentration of a reducing agent within the SCR.
  • a method for predicting the future resonant frequency of an SCR from the trained machine learning model of the first aspect of the invention is provided.
  • a third aspect of the invention there is provided a method for predicting the future concentration of a reducing agent in an SCR from the process steps of the second aspect of the invention.
  • a fourth aspect of the invention there is provided an apparatus for predicting the future resonant frequency of an SCR from the process steps of the second aspect of the invention.
  • a fifth aspect of the invention there is provided an apparatus for predicting the future concentration of a reducing agent in an SCR from the process steps of the third aspect of the invention.
  • the invention relates to an automatic learning model driven to predict a future resonant frequency of a selective nitrogen oxides reduction catalyst (SCR), the resonance frequency being representative of a concentration of a reducing agent inside the SCR, the SCR being part of a system for post-treatment of an exhaust gas flow of an internal combustion engine which is provided with a motor vehicle, the post-processing system treatment comprising the reducing agent intended to be added to the flow of exhaust gas upstream of the SCR.
  • SCR selective nitrogen oxides reduction catalyst
  • the driven automatic learning model is furthermore obtained according to the following steps:
  • the first mathematical quantities and / or the second mathematical quantities comprise one or more sliding gradients and / or averages, calculated over all or part of the predetermined period of time.
  • the automatic learning algorithm is based on the method of decision tree forests or the neural network method.
  • the invention also relates to a method for predicting the future resonant frequency of a selective nitrogen oxides reduction catalyst (SCR), the resonant frequency being representative of a concentration of a reducing agent in the interior.
  • SCR selective nitrogen oxides reduction catalyst
  • the SCR being part of a system for aftertreatment of an exhaust gas flow of an internal combustion engine which is provided with a vehicle automobile, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the operating state of the internal combustion engine and the SCR.
  • the method comprises the following steps:
  • the data communication bus is further coupled to a plurality of fluid state sensors flowing in the post-processing system, the method further comprising the steps of:
  • the data communication bus is further coupled to a resonance frequency sensor of the SCR, the method further comprising the following steps:
  • the invention also relates to a method for predicting the future concentration of a reducing agent in a selective reduction of nitrogen oxides (SCR) catalyst forming part of a post-treatment system of a gas flow. exhaust of an internal combustion engine which is provided with a motor vehicle. The method comprises the following steps:
  • the invention also relates to an apparatus for predicting the future resonance frequency of a selective nitrogen oxide reduction catalyst (SCR), the resonant frequency being representative of a concentration of a reducing agent within the SCR, the SCR being part of an aftertreatment system of an exhaust gas flow of an internal combustion engine which is provided with a motor vehicle, the motor vehicle comprising a data communication bus coupled to a plurality of sensors of the operating state of the internal combustion engine, the SCR and the state of fluids flowing in the aftertreatment system.
  • SCR selective nitrogen oxide reduction catalyst
  • a memory for storing characteristics of the internal combustion engine, characteristics of the SCR, characteristics of the fluids flowing in the post-treatment system and characteristics of the fluids flowing around the internal combustion engine and / or the post-processing system,
  • An electronic control unit coupled to the memory, the electronic control unit being configured to execute instructions for implementing a method according to a second aspect of the invention.
  • the invention also relates to an apparatus for predicting the future concentration of a reducing agent in a selective nitrogen oxides reduction catalyst (SCR) as part of an aftertreatment system of an exhaust gas flow.
  • SCR selective nitrogen oxides reduction catalyst
  • an internal combustion engine which is provided with a motor vehicle, the motor vehicle comprising a data communication bus, coupled to a plurality of sensors of the operating state of the internal combustion engine, the SCR and the state fluids flowing into the post-treatment system.
  • the apparatus comprises: A memory for storing a future resonance frequency of the SCR obtained according to the second aspect of the invention and a predetermined database, matching the resonance frequency of the SCR with the amount of reducing agent within the SCR ,
  • An electronic control unit coupled to the memory, the electronic control unit being configured to execute instructions for implementing a method according to the third aspect of the invention.
  • control unit is further configured to:
  • FIG. 1 shows, in graphical form, the influence of ammonia on NOx in a SCR.
  • FIGS. 2a and 2b respectively represent, in graphical form, the evolution of the resonance frequency, of the SCR used in FIG. 1 and the evolution of the mass of ammonia inside the SCR used in FIG. .
  • FIG. 3 represents, in graphical form, the correlations between the evolution of the resonance frequency of FIG. 2a and the evolution of the ammonia mass of FIG. 2b.
  • FIG. 4 represents the general principle of the training of an automatic learning model, according to the invention.
  • FIG. 5 represents a method for obtaining a driven automatic learning model, according to the invention.
  • FIG. 6 represents a method of using the automatic learning model involved in FIG. 5.
  • FIG. 7 represents a prediction apparatus according to one embodiment of the invention.
  • the general principle of the invention is based on the observation of correlations between the resonance frequency of a selective reduction catalyst (SCR) of nitrogen oxides (NOx) of a motor vehicle and the concentration of ammonia present. inside the SCR.
  • SCR selective reduction catalyst
  • NOx nitrogen oxides
  • Figure 1 shows the evolution over time of the concentrations of NOx and ammonia contained in the circulating gases in the SCR. The time is on abscissa 110 and is expressed in seconds while the concentration of NOx is on ordinate 120 and is expressed in parts per million (ppm).
  • curves 130, 140, 150 and 160 are also shown illustrating the concentrations of NOx and ammonia at the inlet and outlet of the SCR.
  • Curve 130 corresponds to the NOx concentration at the input of the SCR. In the experiment of FIG. 1, the curve 130 is constant, which means that the amount of NOx entering the SCR is constant throughout the experiment.
  • Curve 140 corresponds to the ammonia concentration at the inlet of the SCR.
  • the ammonia is obtained, at the input of the SCR, following a thermolysis followed by hydrolysis of a reducing agent, such as urea.
  • the curve 150 corresponds to the concentration of NOx at the output of the SCR.
  • Curve 160 corresponds to the ammonia concentration at the outlet of the SCR.
  • a continuous ammonia concentration of the order of 580 ppm is observed.
  • the reducing agent has been injected into the exhaust line leading to the SCR.
  • the curve 150 decreases substantially and regularly with respect to the curve 130.
  • the concentration of NOx at the outlet of the SCR decreases substantially with respect to the concentration of NOx at the input of the SCR.
  • the curve 160 is substantially zero. That means that the ammonia presented at the entrance of the SCR is entirely consumed during the reduction of NOx.
  • a continuous ammonia concentration of the order of 710 ppm is observed.
  • the amount of reducing agent injected into the exhaust line leading to the SCR has been increased compared with the second time phase 20.
  • the curve 150 continues to decrease substantially and regularly with respect to at curve 130, until it becomes zero around 600 seconds.
  • the ammonia concentration inside the SCR makes it possible to reduce and eliminate the NOx introduced as input to the SCR.
  • the curve 160 is substantially zero until about 780 seconds. Indeed, at least a very large portion of the ammonia input SCR is consumed during the reduction of NOx.
  • a fourth and last phase of time 40 of Figure 1 from about 1120 seconds to beyond, there is observed at the input of the SCR a total reduction in the ammonia concentration. This means that we stopped injecting the reducing agent into the exhaust line leading to the SCR. In this case, it is observed that the curve 150 increases substantially and regularly to become substantially identical to the curve 130. In addition, the curve 160 decreases substantially until it becomes zero. This means that we are gradually found in the first phase of time configuration 10.
  • the inventor had the idea of observing the behavior of the resonance frequency of the SCR, since the latter behaves like a resonant cavity.
  • the SCR has a substantially cylindrical resonant cavity, it will be possible to choose to excite the TEm mode in the cavity, which represents the fundamental mode for such a cavity.
  • two microwave antennas have been appropriately positioned within the SCR. Then, one of the microwave antennas has been configured to direct an electromagnetic wave at the resonance frequency of the SCR, while the other microwave antenna has been configured to receive one or more replicas of the emitted electromagnetic wave.
  • a variation of the resonance frequency of the SCR was observed during the experiment of FIG. 1.
  • Figure 2a shows the evolution over time of the resonance frequency of the SCR.
  • the time is in abscissa 110 as in FIG. 1 while the resonant frequency is in ordinate 170 and is expressed in GHz.
  • Figure 2b shows the evolution over time of the mass concentration of ammonia inside the SCR.
  • the time is in abscissa 1 10 as in FIG. 1 while the mass concentration is in ordinate 180 and is expressed in grams per liter (g / l).
  • machine learning machine learning
  • the driven automatic learning model is a so-called predictive model in which we discover significant correlations in a set of past observations and in which we seek to generalize these correlations to cases not yet observed.
  • the machine learning model driven according to the invention differs from so-called explanatory models in which it seeks to understand the causal mechanism underlying the phenomenon to be predicted.
  • the machine learning model driven according to the invention is obtained according to a so-called supervised learning process in which the past observations are "labeled". In practice, observations are said to be "labeled” when each of them is accompanied by a label that identifies the phenomenon to be predicted.
  • the driven automatic learning model behaves like a filter whose transfer parameters are adjusted from input / output pairs presented and where the input corresponds to the data relating to the internal combustion engine and the SCR of a motor vehicle and the output corresponds to the resonance frequency of the SCR.
  • transfer parameters of a filter as used above to illustrate the effects of the internal combustion engine / SCR torque behavior of the motor vehicle on the resonance frequency of the SCR is what is known as feedback, which is obtained as part of the optimization of a supervised learning algorithm.
  • the gradient of the chosen cost function is calculated according to each input of the system as a function of the inputs / outputs presented in order to adjust the transfer parameters.
  • Figure 4 illustrates the general principle of training a machine learning model.
  • raw data Di is used by a method 200 to obtain a driven automatic learning model 300.
  • FIG. 5 illustrates the method 200 for obtaining the driven automatic learning model 300 according to the invention.
  • the method 200 requires a plurality (not shown) of motor vehicles, each comprising an operating internal combustion engine and an SCR.
  • the SCR is part of an aftertreatment system of an exhaust flow of each motor vehicle driving.
  • each motor vehicle training comprises a data communication bus, for example, type CAN ("Controller Area Network" in English) or FlexRay.
  • the communication bus of each driving motor vehicle is coupled to a plurality of sensors of the operating state of the internal combustion engine and the SCR.
  • the sensors of the operating state of the internal combustion engine of a driving motor vehicle may be chosen from the following sensors: sensor of the rotation speed of the motor, sensor of the torque setpoint engine, engine torque sensor, engine speed sensor, engine fuel flow sensor, engine coolant temperature sensor, or a combination thereof.
  • the sensors of the state of SCR operation of a driving motor vehicle may be selected from the following sensors: SCR surface temperature sensor at one or more positions along the surface of the SCR, SCR volume flow sensor or a combination of them.
  • the method 200 firstly consists in acquiring, at step 210, at each of the acquisition instants a plurality of successive acquisition instants, for each of a plurality of driving motor vehicles comprising the running internal combustion engine and the SCR, a resonance frequency of the SCR, characteristics of the internal combustion engine and features of the SCR.
  • the successive acquisition instants are spaced from each other by a duration T, for example 100 ms, 200 ms, 500 ms or 1 s.
  • the successive acquisition instants are spaced apart from one another by a random duration. Indeed, in this example, it is considered that the various sensors of the drive motor vehicle transmit messages on the data communication bus at a frequency that meets their needs.
  • the method 200 comprises a step of listening to the messages transmitted on the data communication bus.
  • step 220 at each moment of acquisition, for each of the plurality of driving motor vehicles, first mathematical quantities are calculated from a plurality of characteristics of the internal combustion engine and a plurality of characteristics of the SCR, acquired at acquisition times within a predetermined period of time preceding the current acquisition time.
  • the first mathematical quantities are obtained from a mathematical function chosen from: square root, power, logarithm, exponential, gradient, sliding average or a combination thereof.
  • a mathematical function chosen from: square root, power, logarithm, exponential, gradient, sliding average or a combination thereof.
  • other mathematical functions may be considered.
  • the predetermined period of time is selected by the following values: 2 s, 5 s, 10 s, 15 s, 30 s or 60 s.
  • a characteristic vector is created from the characteristics of the internal combustion engine, the characteristics of the SCR and the first mathematical quantities.
  • the characteristic vector is associated with the resonance frequency of the SCR, so as to obtain first variables of the current model. automatic learning.
  • an automatic learning model is used to predict on a future time horizon less than or equal to the predetermined period of time, a future resonant frequency of the SCR forming part of the post-processing system of the computer. exhaust flow of the internal combustion engine of a motor vehicle, from an automatic learning algorithm and the first variables of the machine learning model.
  • the predetermined future time horizon is less than or equal to the predetermined period of time.
  • the machine learning model is learned by providing the machine learning model with a set of training data ("training set” in English) in the form of pairs (X, Y ), where X is a set of input features, and Y is a predicted variable ("output feature" in English).
  • the learning data set is determined from the first machine learning model variables.
  • a pair (X, Y) is defined in such a way that the predictive variable X comprises the characteristic vector of the first learning model variables and the predicted variable Y comprises the resonance frequency of the SCR of the motor vehicle of training, first machine learning model variables that are associated with the predetermined future time horizon.
  • step 250 let us take an example in which it is considered that the predetermined future time horizon is fixed at 100 ms.
  • the predictive variable X comprises the characteristic vector of the first learning model variables associated with acquisition instant t
  • the predicted variable Y will comprise the resonance frequency of the SCR of the motor vehicle driving the first machine learning model variables that are associated with the instant of acquisition t + 100 ms.
  • variable predictive X includes the characteristic vector of the first learning model variables associated with acquisition instant t
  • predicted variable Y will comprise the resonance frequency of the motor vehicle SCR of the first learning model variables which are associated with the acquisition time t + 250 ms.
  • each driven machine learning model 300 uses a different set of learning data derived from the first machine learning model variables.
  • the machine learning algorithm is based on the decision tree forest method ("Random Forest” in English). For example, good results have been obtained with a variation of the so-called “Extremely randomized trees” method. However, other supervised type regression machine learning algorithms can also be considered. For example, good results have been obtained with methods based on neural networks, such as “Self-Normalizing Neural Networks".
  • the driven automatic learning model 300 also takes into consideration characteristics of the fluids flowing into the post-processing system to which the SCR belongs.
  • the communication bus of each driving motor vehicle is coupled to a plurality of sensors of the operating state of the post-processing system.
  • Such an aftertreatment system may comprise, in known manner, the following elements: oxidation catalyst for diesel engines (DOC), mixer, diesel particulate filter (SDPF), exhaust gas recirculation device (EGR), or a combination thereof.
  • the method 200 furthermore consists, first of all, in acquiring at step 260, at each instant of acquisition, for each of the plurality of drive motor vehicles, features of fluids flowing into the post-processing system.
  • the sensors of the operating state of the post-processing system of a driving motor vehicle may be chosen from the following sensors: NOx concentration sensor before and / or after one or more elements of the aftertreatment system, temperature sensor, pressure and / or exhaust gas flow before and / or after one or more elements of the after-treatment system or a combination thereof.
  • the acquisition of the characteristics of the fluids flowing in the post-processing system is performed at a lower frequency than that of the plurality of successive acquisition instants.
  • the acquisition of the characteristics of the fluids flowing in the post-processing system can be performed every 500 ms or 1 s, while the acquisition frequency of the plurality of successive acquisition instants can be 100 ms or 250 ms.
  • step 270 at each acquisition instant, for each of the plurality of drive motor vehicles, second mathematical quantities are calculated from a plurality of characteristics of the fluids flowing in the control system. post-processing, acquired at acquisition times within a predetermined period of time preceding the current acquisition time.
  • step 280 for each of the plurality of drive motor vehicles, the second mathematical quantities are added to the characteristic vector.
  • the second mathematical quantities are obtained from a mathematical function chosen from: square root, power, logarithm, exponential, gradient, sliding average or a combination thereof.
  • a mathematical function chosen from: square root, power, logarithm, exponential, gradient, sliding average or a combination thereof.
  • other mathematical functions may be considered.
  • the driven automatic learning model 300 may take into account characteristics of the fluids flowing around the internal combustion engine and / or the system. post-processing.
  • the communication bus of each driving motor vehicle is coupled to a plurality of sensors of the state of these fluids flowing around the internal combustion engine and / or the post-processing system.
  • it may be a sensor of the ambient air temperature before and / or after one or more elements of the post-treatment system, a sensor of the ambient temperature of the air around the internal combustion engine or a combination thereof.
  • FIG. 6 illustrates a method 400 of using the trained automatic learning model 300 in a motor vehicle comprising the engine internal combustion and SCR, used in motor vehicles.
  • the motor vehicle comprises a data communication bus which is coupled to a plurality of sensors of the operating state of the internal combustion engine and the SCR.
  • the method 400 firstly consists in acquiring at step 410, at each of the acquisition instants of a plurality of successive acquisition instants, characteristics relating to the operating state of the internal combustion engine. from the data communication bus.
  • step 410 at a current acquisition time, characteristics relating to the operating state of the SCR from the data communication bus are also acquired.
  • the first mathematical quantities are calculated from a plurality of characteristics of the internal combustion engine and a plurality of characteristics of the SCR, acquired at times of acquisition within a predetermined period of time preceding the current acquisition time.
  • a current characteristic vector is created from the characteristics of the internal combustion engine, the characteristics of the SCR and the first mathematical quantities.
  • a future resonant frequency of the SCR is determined at step 440 on a predetermined future time horizon from the current characteristic vector and the trained automatic learning model 300.
  • the horizon predetermined future time is less than or equal to the predetermined time period.
  • the method 400 takes into consideration characteristics of the fluids flowing in the post-processing system, in the same manner as during the training of the driven automatic learning model 300.
  • the method 400 takes into consideration characteristics of the fluids flowing around the internal combustion engine and / or the aftertreatment system, in the same manner as during the training. of the trained machine learning model 300.
  • the data communication bus is further coupled to a resonance frequency sensor of the SCR.
  • the method 400 uses the resonance frequency values acquired by the resonance frequency sensor of the SCR to drive the driven training model 300 when the internal combustion engine is running.
  • the method 400 furthermore consists, firstly, of acquiring, at step 450, at the current acquisition instant, the resonance frequency of the SCR from the data communication bus. Then, in step 460, at the instant of current acquisition, the current characteristic vector is associated with the acquired resonance frequency of the SCR, so as to obtain second variables of the automatic learning model.
  • step 470 the trained automatic learning model 300 is trained from an automatic learning algorithm and the second learning model variables.
  • the various steps of the method 400 are determined by computer program instructions. Therefore, the invention is also directed to a program with computer program code attached to a non-transitory storage medium, which program code is capable of executing process steps 400 when the computer program is loaded into the computer or running in the computer.
  • the future ammonia concentration within the SCR can be determined from a predetermined database, matching the resonance frequency of the SCR with the ammonia concentration within the SCR.
  • FIG. 7 illustrates a device 500 for predicting the future resonance frequency of the SCR of a motor vehicle comprising the internal combustion engine and the SCR, used in motor vehicles.
  • the apparatus 500 includes a memory 510 and a microcomputer such as an Electronic Control Unit (ECU) 520.
  • ECU Electronic Control Unit
  • the memory 510 is provided for storing characteristics of the internal combustion engine, characteristics of the SCR, characteristics of the fluids flowing in the post-treatment system and characteristics of the fluids flowing around the engine. internal combustion and / or post-treatment system.
  • the electronic control unit 520 is coupled to the memory 510, while being configured to execute instructions for implementing the method 400.
  • the memory 510 and the electronic control unit 520 are arranged in a remote server of a cloud computing architecture.
  • Cloud computing means a set of hardware, networks and software. interconnected and accessible computers from anywhere in the world.
  • the apparatus 500 comprises a transceiver, for example of radio-frequency type, configured to send to the remote server, the characteristics relating to the internal combustion engine, to the SCR, to the fluids flowing in the post-system. and fluids flowing around the internal combustion engine and / or the aftertreatment system. Subsequently, the transceiver is configured to receive the resonant frequency of the SCR predicted by the electronic control unit 520.
  • the apparatus 500 can be used in a system for controlling the addition of a reducing agent in an exhaust line of a motor vehicle comprising the internal combustion engine and the SCR. used in motor vehicle training.
  • the apparatus 500 may control the addition of the reducing agent according to the predicted future resonant frequency or the predicted future reducing agent concentration.
  • the apparatus 500 can control stopping the addition of reducing agent when the predicted resonant frequency is above a first predetermined threshold or the predicted future reducing agent concentration is beyond a second predetermined threshold.
  • the trained automatic learning model 300 according to the invention has the advantage that it can be used with data not present in the training data set. In addition, it can constantly improve thanks to the continuous acquisition, new training data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Combustion & Propulsion (AREA)
  • Toxicology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exhaust Gas After Treatment (AREA)

Abstract

La présente invention a pour objet des modèles d'apprentissage automatique entrainés (300), des procédés (200, 400) et des appareils (500) permettant de prédire une fréquence de résonance future d'un catalyseur de réduction sélective des oxydes d'azote (SCR), la fréquence de résonance étant représentative d'une concentration d'un agent réducteur à l'intérieur du SCR. Le SCR fait partie d'un système de post-traitement d'un écoulement de gaz d'échappement d'un moteur à combustion interne dont est pourvu un véhicule automobile. Le principe général de l'invention est basé sur l'observation de corrélations entre la fréquence de résonance d'un SCR la concentration d'ammoniac présente à l'intérieur du SCR. Cette observation a conduit l'inventeur à envisager l'utilisation de l'apprentissage automatique (« machine learning », en langue anglaise) pour créer un modèle d'apprentissage automatique entrainé afin de prédire la fréquence de résonance d'un SCR. Dans l'invention, le modèle d'apprentissage automatique entrainé est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d'observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés.

Description

Apprentissage automatique prédictif pour la prédiction d’une fréquence de résonance d’un catalyseur de réduction sélective des oxydes d’azote
La présente invention concerne le domaine de la prédiction de la fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote (SCR), qui est représentative d’une concentration d’un agent réducteur à l’intérieur du SCR. Plus précisément, elle concerne des modèles d’apprentissage automatique entraînés, des procédés, des appareils et un ensemble de programmes informatiques permettant de prédire une telle fréquence de résonance.
L’amélioration de la qualité de l’air dans les grandes agglomérations des pays industrialisés passe par une diminution des concentrations d’oxydes d’azote (NOx) et donc de leurs émissions. La part du transport étant très importante sur les émissions de NOx, les législateurs ont imposé aux véhicules automobiles des normes de plus en plus sévères.
Ainsi, il est connu d’utiliser des techniques de réduction catalytique comme la réduction catalytique sélective (SCR pour « Sélective Catalytic Réduction », en langue anglaise) pour réduire les quantités de NOx rejetées à l’atmosphère.
Le SCR est une technique de post-traitement des gaz d’échappement qui consiste à réduire sélectivement les NOx en azote par injection continue d’un agent réducteur spécifique en présence d’un catalyseur. En pratique, l’agent réducteur utilisé consiste en une solution aqueuse d’urée qui, lorsqu’elle subit une thermolyse suivie d’une hydrolyse, se décompose en ammoniac et en dioxyde de carbone. Par la suite, en réaction avec l’ammoniac, les molécules NOx présentent à l’intérieur du SCR, sont transformées en azote et en vapeur d’eau, avant la mise à l’atmosphère.
Toutefois, l’injection en continu d’une trop grande quantité d’agent réducteur peut provoquer la formation surabondante d’ammoniac dans le SCR par rapport à la quantité de molécules de NOx à traiter. Ainsi, une telle surabondance d’ammoniac peut se retrouver dans les émissions de gaz en sortie du SCR lors de la mise à l’atmosphère (« ammonia slip » en langue anglaise). Or, il est connu que l’exposition à l’ammoniac peut affecter le système respiratoire humain tout en irritant et en enflammant les voies respiratoires.
Il est donc nécessaire de pouvoir déterminer la concentration d’ammoniac présente à l’intérieur du SCR afin de commander, de manière appropriée, l’injection continue de l’agent réducteur.
La présente invention vise donc à résoudre les inconvénients précités. Pour cela, dans un premier aspect de l’invention, l’invention propose un modèle d’apprentissage automatique entraîné pour prédire fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote (SCR). Selon l’invention, la fréquence de résonance est représentative d’une concentration d’un agent réducteur à l’intérieur du SCR.
Dans un deuxième aspect de l’invention, il est proposé un procédé de prédiction de la fréquence de résonance future d’un SCR à partir du modèle d’apprentissage automatique entraîné du premier aspect de l’invention.
Dans un troisième aspect de l’invention, il est proposé un procédé de prédiction de la concentration future d’un agent réducteur dans un SCR à partir des étapes de procédé du deuxième aspect de l’invention.
Dans un quatrième aspect de l’invention, il est proposé un appareil pour prédire la fréquence de résonance future d’un SCR à partir des étapes de procédé du deuxième aspect de l’invention.
Dans un cinquième aspect de l’invention, il est proposé un appareil pour prédire la concentration future d’un agent réducteur dans un SCR à partir des étapes de procédé du troisième aspect de l’invention.
Enfin, dans un sixième aspect de l’invention, il est proposé un appareil pour commander l’ajout d’un agent réducteur dans une ligne d’échappement à partir des appareils des quatrième et cinquième aspects de l’invention.
Ainsi, l’invention se rapporte à un modèle d’apprentissage automatique entraîné pour prédire une fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote (SCR), la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le système de post-traitement comprenant l’agent réducteur prévu pour être ajouté à l'écoulement de gaz d'échappement en amont du SCR. Le modèle d’apprentissage automatique entraîné est obtenu selon les étapes suivantes :
• acquérir à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement comprenant le moteur à combustion interne en fonctionnement et le SCR, une fréquence de résonance du SCR, des caractéristiques du moteur à combustion interne et des caractéristiques du SCR,
• calculer à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant, • créer, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, un vecteur caractéristique à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques,
• associer à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, le vecteur caractéristique avec la fréquence de résonance du SCR, de sorte à obtenir des premières variables de modèle d’apprentissage automatique, et
• entraîner un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, une fréquence de résonance future du SCR faisant partie du système de post- traitement de l’écoulement de gaz d’échappement du moteur à combustion interne d’un véhicule automobile, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique.
Selon un premier mode de réalisation, le modèle d’apprentissage automatique entraîné est en outre obtenu selon les étapes suivantes :
• acquérir à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des caractéristiques des fluides s’écoulant dans le système de post-traitement,
• calculer à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des deuxièmes grandeurs mathématiques à partir d’une pluralité de caractéristiques des fluides s’écoulant dans le système de post- traitement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• ajouter, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les deuxièmes grandeurs mathématiques au vecteur caractéristique.
Selon un deuxième mode de réalisation, les premières grandeurs mathématiques et/ou les secondes grandeurs mathématiques comprennent un ou plusieurs gradients et/ou moyennes glissantes, calculés sur tout ou partie de la période de temps prédéterminée.
Selon un troisième mode de réalisation, l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels ou la méthode de réseau de neurones.
L’invention concerne aussi un procédé de prédiction de la fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote (SCR), la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne et du SCR. Le procédé comprend les étapes suivantes :
• acquérir à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, des caractéristiques du moteur à combustion interne et des caractéristiques du SCR à partir du bus de communication de données,
• calculer à l’instant d’acquisition courant, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• créer un vecteur caractéristique courant à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques,
• déterminer une fréquence de résonance future du SCR sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, à partir du vecteur caractéristique courant et d’un modèle d’apprentissage automatique entraîné selon le premier aspect de l’invention.
Selon un premier mode de réalisation, le bus de communication de données est en outre couplé à une pluralité de capteurs de l’état de fluides s’écoulant dans le système de post-traitement, le procédé comprenant en outre les étapes suivantes :
• acquérir à l’instant d’acquisition courant, des caractéristiques des fluides s’écoulant dans le système de post-traitement,
• calculer à l’instant d’acquisition courant, des deuxièmes grandeurs mathématiques à partir d’une pluralité de caractéristiques des fluides s’écoulant dans le système de post-traitement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• ajouter les deuxièmes grandeurs mathématiques au vecteur caractéristique courant.
Selon un deuxième mode de réalisation, le bus de communication de données est en outre couplé à un capteur de la fréquence de résonance du SCR, le procédé comprenant en outre les étapes suivantes :
• acquérir à l’instant d’acquisition courant, la fréquence de résonance du SCR à partir du bus de communication de données,
• associer à l’instant d’acquisition courant, le vecteur caractéristique courant avec la fréquence de résonance acquise du SCR, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique, et • entraîner le modèle d’apprentissage automatique entraîné selon le premier aspect de l’invention, à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
L’invention concerne aussi un procédé de prédiction de la concentration future d’un agent réducteur dans un catalyseur de réduction sélective des oxydes d’azote (SCR) faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile. Le procédé comprend les étapes suivantes :
• lorsque le moteur à combustion interne est en fonctionnement, prédire une fréquence de résonance future du SCR selon deuxième aspect de l’invention,
• déterminer la concentration future de l’agent réducteur à l’intérieur du SCR à partir d’une base de données prédéterminée, mettant en correspondance la fréquence de résonance du SCR avec la concentration d’agent réducteur à l’intérieur du SCR.
L’invention concerne aussi un appareil pour prédire la fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote (SCR), la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne, du SCR et de l’état de fluides s’écoulant dans le système de post-traitement. L’appareil comprend :
• une mémoire pour stocker des caractéristiques du moteur à combustion interne, des caractéristiques du SCR, des caractéristiques des fluides s’écoulant dans le système de post-traitement et des caractéristiques des fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement,
• une unité de commande électronique (ECU) couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon deuxième aspect de l’invention.
L’invention concerne aussi un appareil pour prédire la concentration future d’un agent réducteur dans un catalyseur de réduction sélective des oxydes d’azote (SCR) faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne, du SCR et de l’état de fluides s’écoulant dans le système de post-traitement. L’appareil comprend : • une mémoire pour stocker une fréquence de résonance future du SCR obtenue selon le deuxième aspect de l’invention et une base de données prédéterminée, mettant en correspondance la fréquence de résonance du SCR avec la quantité d’agent réducteur à l’intérieur du SCR,
· une unité de commande électronique (ECU) couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon le troisième aspect de l’invention.
Selon un mode de réalisation, l’unité de commande est en outre configurée pour :
• commander l’ajout d’un agent réducteur en fonction de la fréquence de résonance future prédite ou de la concentration future d’agent réducteur prédite, et
• arrêter l’ajout l’agent réducteur lorsque la fréquence de résonance prédite est au- delà d’un premier seuil prédéterminé ou la concentration future d’agent réducteur prédite est au-delà d’un deuxième seuil prédéterminé.
D’autres caractéristiques et avantages de l'invention seront mieux compris à la lecture de la description qui va suivre et en référence aux dessins annexés, donnés à titre illustratif et nullement limitatif :
- La figure 1 représente, sous forme graphique, l’influence de l’ammoniac sur les NOx dans un SCR.
- Les figures 2a et 2b représentent respectivement, sous forme graphique, l’évolution de la fréquence de résonance, du SCR utilisé dans la figure 1 et l’évolution de la masse d’ammoniac à l’intérieur du SCR utilisé dans la figure 1.
- La figure 3 représente, sous forme graphique, les corrélations entre l’évolution de la fréquence de résonance de la figure 2a et l’évolution de la masse d’ammoniac de la figure 2b.
- La figure 4 représente le principe général de l’entrainement d’un modèle d’apprentissage automatique, selon l’invention.
- La figure 5 représente un procédé d’obtention d’un modèle d’apprentissage automatique entraîné, selon l’invention.
- La figure 6 représente un procédé d’utilisation du modèle d’apprentissage automatique entraîné dans la figure 5.
- La figure 7 représente un appareil de prédiction selon une mise en oeuvre de l’invention.
Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement représentés à la même échelle, les uns par rapport aux autres, sauf mention contraire. Le principe général de l’invention est basé sur l’observation de corrélations entre la fréquence de résonance d’un catalyseur de réduction sélective (SCR) des oxydes d’azote (NOx) d’un véhicule automobile et la concentration d’ammoniac présente à l’intérieur du SCR. Ainsi, en mesurant la fréquence de résonance d’un SCR, il est possible de déduire la masse d’ammoniac présente à l'intérieur du SCR. Par la suite, cette information peut être utilisée pour réguler le dosage de l’agent réducteur afin de réduire, voire supprimer la surabondance d’ammoniac en sortie du SCR.
Pour arriver à cette conclusion, de nombreuses expérimentations ont été réalisées. L’une d’entre elles est illustrée dans la figure 1. La figure 1 montre l’évolution dans le temps des concentrations de NOx et d’ammoniac, contenues dans les gaz circulants dans le SCR. Le temps figure en abscisse 110 et est exprimé en secondes tandis que la concentration de NOx figure en ordonnée 120 et est exprimée en partie par million (ppm). On observe également quatre courbes 130, 140, 150 et 160 illustrant les concentrations de NOx et d’ammoniac en entrée et sortie du SCR. La courbe 130 correspond à la concentration de NOx en entrée du SCR. Dans l’expérimentation de la figure 1 , la courbe 130 est constante, ce qui signifie que la quantité de NOx en entrée du SCR est constante pendant toute l’expérimentation. La courbe 140 correspond à la concentration d’ammoniac en entrée du SCR. Comme indiqué plus haut, l’ammoniac est obtenu, en entrée du SCR, suite à une thermolyse suivie d’une hydrolyse d’un agent réducteur, tel que l’urée. La courbe 150 correspond à la concentration de NOx en sortie du SCR. La courbe 160 correspond à la concentration d’ammoniac en sortie du SCR.
Dans l’expérimentation de la figure 1 , dans une première phase temporelle 10, comprise entre 0 seconde et environ 1 10 secondes, on n’observe pas d’ammoniac en entrée du SCR, car la courbe 140 y est nulle. Cela signifie que l’agent réducteur n’a pas été injecté dans la ligne d'échappement débouchant sur le SCR. Dans ce cas, on observe que les courbes 130 et 150 sont sensiblement identiques. Cela signifie qu’en l’absence d’ammoniac en entrée du SCR, la concentration de NOx en entrée du SCR est sensiblement égale à la concentration de NOx en sortie du SCR. En outre, on note que la courbe 160 est sensiblement nulle.
Dans une deuxième phase temporelle 20 de la figure 1 , comprise entre environ 1 10 secondes et environ 320 secondes, on observe en entrée du SCR, une concentration continue d’ammoniac de l’ordre de 580 ppm. Cela signifie que l’agent réducteur a été injecté dans la ligne d'échappement débouchant sur le SCR. Dans ce cas, on observe que la courbe 150 décroît sensiblement et régulièrement par rapport à la courbe 130. Cela signifie qu’en présence d’ammoniac en entrée du SCR, la concentration de NOx en sortie du SCR décroît sensiblement par rapport à la concentration de NOx en entrée du SCR. En outre, on note que la courbe 160 est sensiblement nulle. Cela signifie que l’ammoniac présenté en entrée du SCR est entièrement consommé lors de la réduction des NOx.
Dans une troisième phase temporelle 30 de la figure 1 , comprise entre environ 320 secondes et environ 1 120 secondes, on observe en entrée du SCR, une concentration continue d’ammoniac de l’ordre de 710 ppm. Cela signifie que la quantité d’agent réducteur injectée dans la ligne d'échappement débouchant sur le SCR a été augmentée par rapport à la deuxième phase temporelle 20. Dans ce cas, on observe que la courbe 150 continue de décroître sensiblement et régulièrement par rapport à la courbe 130, jusqu’à devenir nulle aux alentours de 600 secondes. Cela signifie que la concentration d’ammoniac à l’intérieur du SCR permet de réduire et faire disparaître les NOx présentés en entrée du SCR. En outre, on note que la courbe 160 est sensiblement nulle jusqu’à environ 780 secondes. En effet, au moins une très grande partie de l’ammoniac en entrée du SCR est consommée lors de la réduction des NOx. En outre, il est connu que l’excédent d’ammoniac éventuel est stocké dans le SCR afin d’éviter les fuites d’ammoniac (« ammonia slip » en langue anglaise). Toutefois, on note entre environ 780 secondes et 1 120 secondes, que la courbe 160 commence à croître alors que les NOx ont été complètement réduits dans le SCR. Cela signifie que la capacité maximale de stockage d’ammoniac dans le SCR a été dépassée, de sorte que la concentration d’ammoniac en sortie du SCR croît sensiblement. Dit autrement, on se trouve dans une situation dans laquelle tous les NOx ont été réduits alors qu’il reste de l’ammoniac non consommé et impossible à stocker dans le SCR. Cette concentration d’ammoniac non consommée et non stockée dans le SCR se retrouve alors en sortie du SCR pour ensuite déboucher à l’atmosphère. La figure 2b, qui sera décrite ci-après, montre l’évolution dans le temps de la concentration massique d’ammoniac à l’intérieur du SCR.
Enfin, dans une quatrième et dernière phase temporelle 40 de la figure 1 , à partir d’environ 1120 secondes jusqu’à au-delà, on observe en entrée du SCR une réduction totale de la concentration d’ammoniac. Cela signifie que l’on a arrêté d’injecter l’agent réducteur dans la ligne d'échappement débouchant sur le SCR. Dans ce cas, on observe que la courbe 150 croît sensiblement et régulièrement jusqu’à devenir sensiblement identique à la courbe 130. En outre, la courbe 160 décroît sensiblement jusqu’à devenir nulle. Cela signifie que l’on se retrouve peu à peu dans la configuration de première phase temporelle 10.
En parallèle de l’expérimentation de la figure 1 , l’inventeur a eu l’idée d’observer le comportement de la fréquence de résonance du SCR, puisque ce dernier se comporte comme une cavité résonante. Comme le SCR présente une cavité résonante sensiblement cylindrique, on pourra choisir d’exciter dans la cavité le mode TEm, qui représente le mode fondamental pour une telle cavité. En pratique, deux antennes hyperfréquences ont été positionnées de manière appropriée à l’intérieur du SCR. Ensuite, l’une des antennes hyperfréquence a été configurée pour diriger une onde électromagnétique à la fréquence de résonance du SCR, tandis que l’autre antenne hyperfréquence a été configurée pour recevoir une ou plusieurs répliques de l’onde électromagnétique émise. Ainsi, il a été observé une variation de la fréquence de résonance du SCR au cours de l’expérimentation de la figure 1. En outre, il a été observé que cette variation de la fréquence de résonance du SCR est fortement corrélée avec la concentration d’ammoniac à l’intérieur du SCR. Ces observations sont illustrées dans les figures 2a et 2b. La figure 2a montre l’évolution dans le temps de la fréquence de résonance du SCR. Dans la figure 2a, le temps figure en abscisse 110 comme dans la figure 1 tandis que la fréquence de résonance figure en ordonnée 170 et est exprimée en GHz. La figure 2b montre l’évolution dans le temps de la concentration massique d’ammoniac à l’intérieur du SCR. Dans la figure 2b, le temps figure en abscisse 1 10 comme dans la figure 1 tandis que la concentration massique figure en ordonnée 180 et est exprimée en gramme par litre (g/l). Ainsi, selon les figures 2a et 2b, il est clair que la fréquence de résonance baisse proportionnellement avec l’augmentation de la concentration d’ammoniac à l’intérieur du SCR. En outre, la forte corrélation entre la fréquence de résonance du SCR et la concentration d’ammoniac à l’intérieur du SCR, est illustrée dans figure 3. Dans la figure 3, la concentration massique d’ammoniac figure en abscisse 180 tandis que la fréquence de résonance figure en ordonnée 170.
Par ailleurs, comme on peut mesurer les concentrations d’ammoniac à l’intérieur du SCR, il est alors possible de contrôler, en fonction de la fréquence de résonance, l’injection d’agent réducteur dans la ligne d’échappement de manière à transformer tous les NOx tout en minimisant la surabondance d’ammoniac en sortie du SCR. Ainsi, il est possible de réduire, voire supprimer la surabondance d’ammoniac en sortie du SCR.
Ces observations ont conduit l’inventeur à envisager l’utilisation de l’apprentissage automatique (« machine learning », en langue anglaise) pour créer un modèle d’apprentissage automatique pour prédire la fréquence de résonance d’un SCR.
Dans l’invention, le modèle d’apprentissage automatique entraîné est un modèle dit prédictif dans lequel on découvre des corrélations significatives dans un jeu d’observations passées et dans lequel on cherche à généraliser ces corrélations à des cas non encore observés. À ce titre, le modèle d’apprentissage automatique entraîné selon l’invention se distingue des modèles dits explicatifs dans lesquels on cherche à comprendre le mécanisme causal qui sous-tend le phénomène à prédire. En outre, le modèle d’apprentissage automatique entraîné selon l’invention est obtenu selon une démarche d’apprentissage dite supervisée dans laquelle les observations passées sont « labélisées ». En pratique, des observations sont dites « labélisées » lorsque chacune d’entre elles est accompagnée d’un label qui identifie le phénomène à prédire.
Dans ce cadre, le modèle d’apprentissage automatique entraîné se comporte alors comme un filtre dont les paramètres de transfert sont ajustés à partir de couples entrée/sortie présentés et où l’entrée correspond aux données relatives au moteur à combustion interne et du SCR d’un véhicule automobile et la sortie correspond à la fréquence de résonance du SCR.
Dans un souci de précision, on notera que la notion de paramètres de transfert d’un filtre, telle qu’utilisée ci-dessus pour illustrer les effets du comportement couple moteur à combustion interne/SCR du véhicule automobile sur la fréquence de résonance du SCR, constitue ce que l’on appelle la rétroaction (« feedback », en langue anglaise) qui est obtenue dans le cadre de l’optimisation d’un algorithme d’apprentissage supervisé. Dans une telle optimisation, on calcule le gradient de la fonction de coût choisie selon chaque entrée du système en fonction des entrées/sorties présentées dans le but d’ajuster les paramètres de transfert.
La figure 4 illustre le principe général de l’entrainement d’un modèle d’apprentissage automatique. Dans la figure 4, des données brutes Di sont utilisées par un procédé 200 pour obtenir un modèle d’apprentissage automatique entraîné 300.
La figure 5 illustre le procédé 200 d’obtention du modèle d’apprentissage automatique entraîné 300, selon de l’invention.
Le procédé 200 nécessite une pluralité (non représentée) de véhicules automobiles d’entrainement, comprenant chacun un moteur à combustion interne en fonctionnement et un SCR. Le SCR fait partie d’un système de post-traitement d’un écoulement de gaz d’échappement de chaque véhicule automobile d’entrainement. En outre, chaque véhicule automobile d’entrainement comprend un bus de communication de données, par exemple, de type CAN (« Controller Area Network », en langue anglaise) ou FlexRay. Le bus de communication de chaque véhicule automobile d’entrainement est couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne et du SCR. Dans un exemple, les capteurs de l’état de fonctionnement du moteur à combustion interne d’un véhicule automobile d’entrainement peuvent être choisis parmi les capteurs suivants : capteur de la vitesse de rotation du moteur, capteur de la valeur de consigne du couple moteur, capteur du couple moteur, capteur du régime moteur, capteur de débit de carburant du moteur, capteur de température du liquide de refroidissement du moteur ou une combinaison de ceux-ci. Dans un autre exemple, les capteurs de l’état de fonctionnement du SCR d’un véhicule automobile d’entrainement peuvent être choisis parmi les capteurs suivants : capteur de la température de surface du SCR en une ou plusieurs positions le long de la surface du SCR, capteur du flux volumique du SCR ou une combinaison de ceux-ci.
Dans l’exemple de la figure 5, le procédé 200 consiste tout d’abord à acquérir à l’étape 210, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement comprenant le moteur à combustion interne en fonctionnement et le SCR, une fréquence de résonance du SCR, des caractéristiques du moteur à combustion interne et des caractéristiques du SCR. Dans un exemple de l’étape 210, les instants d’acquisition successifs sont espacés les uns des autres d'une durée T, par exemple 100 ms, 200 ms, 500 ms ou 1 s. Dans un autre exemple, les instants d’acquisition successifs sont espacés les uns des autres d'une durée aléatoire. En effet, dans cet exemple, on considère que les différents capteurs du véhicule automobile d’entrainement émettent des messages sur le bus de communication de données à une fréquence répondant à leurs besoins. Dans ce cas, le procédé 200 comprend une étape consistant à écouter les messages émis sur le bus de communication de données. Dans l’étape de cet exemple, il sera nécessaire de réaliser un traitement postérieur des données recueillies du bus de communication de données afin de rectifier la distribution temporelle des messages observés, et ce, afin que la distribution temporelle des messages observés soit régulièrement espacée dans le temps, par exemple 100 ms, 200 ms, 500 ms ou 1 s. Par exemple, on pourra réaliser des interpolations ou calculer des moyennes adéquates pour obtenir une valeur représentative des messages observés dans l’intervalle de temps souhaité.
Ensuite, on calcule à l’étape 220, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant.
Dans un exemple de l’étape 220, les premières grandeurs mathématiques sont obtenues à partir d’une fonction mathématique choisie parmi : racine carrée, puissance, logarithme, exponentiel, gradient, moyenne glissante ou une combinaison de celles-ci. Toutefois, d’autres fonctions mathématiques peuvent être envisagées.
Dans un autre exemple de l’étape 220, la période de temps prédéterminée est choisie par les valeurs suivantes : 2 s, 5 s, 10 s, 15 s, 30 s ou 60 s. Par ailleurs, on crée à l’étape 230, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, un vecteur caractéristique à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques.
Puis, on associe à l’étape 240, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, le vecteur caractéristique avec la fréquence de résonance du SCR, de sorte à obtenir des premières variables de modèle d’apprentissage automatique.
Enfin, on entraîne à l’étape 250, un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, une fréquence de résonance future du SCR faisant partie du système de post-traitement de l’écoulement de gaz d’échappement du moteur à combustion interne d’un véhicule automobile, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique. Dans une mise en oeuvre particulière, l’horizon temporel futur prédéterminé est inférieur ou égal à la période de temps prédéterminée.
Dans l’étape 250, on réalise l’apprentissage du modèle d’apprentissage automatique en fournissant au modèle d’apprentissage automatique un jeu de données d’apprentissage (« training set », en langue anglaise) sous forme de couples (X, Y), dans lesquels X correspond à un ensemble de variables prédictives (« input features », en langue anglaise) et Y correspond à une variable prédite (« output feature », en langue anglaise). Dans l’invention, le jeu de données d’apprentissage est déterminé à partir des premières variables de modèle d’apprentissage automatique. En pratique, un couple (X, Y) est défini de telle sorte que la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique et la variable prédite Y comprend la fréquence de résonance du SCR du véhicule automobile d’entraînement, des premières variables de modèle d’apprentissage automatique qui sont associées à l’horizon temporel futur prédéterminé.
Pour illustrer l’étape 250, prenons un exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 100 ms. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la fréquence de résonance du SCR du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 100 ms. Prenons un autre exemple dans lequel on considère que l’horizon temporel futur prédéterminé est fixé à 250 ms. Dans ce cas, pour chaque couple (X, Y), si la variable prédictive X comprend le vecteur caractéristique des premières variables de modèle d’apprentissage automatique associées à instant d’acquisition t, alors la variable prédite Y comprendra la fréquence de résonance du SCR du véhicule automobile d’entraînement des premières variables de modèle d’apprentissage automatique qui sont associées à l’instant d’acquisition t + 250 ms.
On notera qu’il est envisagé d’entrainer une pluralité de modèles d’apprentissage automatique entraîné 300 afin de prédire la fréquence de résonance future du SCR d’un véhicule automobile comprenant le moteur à combustion interne utilisé par les véhicules automobiles d’entraînement, et ce, sur une pluralité d’horizons temporels futurs prédéterminés. Ainsi, par exemple, on pourra obtenir un premier modèle d’apprentissage automatique entraîné 300 sur un l’horizon temporel futur prédéterminé de 100 ms, un deuxième modèle d’apprentissage automatique entraîné 300 sur un l’horizon temporel futur prédéterminé de 150 ms, un troisième modèle d’apprentissage automatique entraîné 300 sur un l’horizon temporel futur prédéterminé de 250 ms et un quatrième modèle d’apprentissage automatique entraîné 300 sur un l’horizon temporel futur prédéterminé de 500 ms. Dans cet exemple, chaque modèle d’apprentissage automatique entraîné 300 utilise alors, un jeu de données d’apprentissage différents, dérivé des premières variables de modèle d’apprentissage automatique.
Dans un exemple de l’étape 250, l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels (« Random Forest », en langue anglaise). Par exemple, de bons résultats ont été obtenus avec une variante de la méthode des forêts d'arbres décisionnels dite des « Extra Trees » (« Extremely randomized trees », en langue anglaise). Toutefois, d’autres algorithmes d’apprentissage automatique de régression de type supervisé peuvent également être envisagés. Par exemple, de bons résultats ont été obtenus avec des méthodes baséés sur les réseaux de neurones, tel que les « Self-Normalizing Neural Networks ».
Dans une mise en oeuvre particulière, le modèle d’apprentissage automatique entraîné 300 prend également en considération des caractéristiques des fluides s’écoulant dans le système de post-traitement auquel appartient le SCR. Dans ce cas, le bus de communication de chaque véhicule automobile d’entrainement est couplé à une pluralité de capteurs de l’état de fonctionnement du système de post-traitement. Un tel système de post-traitement peut comprendre, de manière connue, les éléments suivants : catalyseur à oxydation pour moteurs diesel (DOC), mélangeur, filtre à particules diesel (SDPF), dispositif de recirculation des gaz d'échappement (EGR), ou une combinaison de ceux-ci.
Dans cette mise en oeuvre particulière, le procédé 200 consiste en outre, tout d’abord, à acquérir à l’étape 260, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des caractéristiques des fluides s’écoulant dans le système de post-traitement. Dans un exemple de l’étape 260, les capteurs de l’état de fonctionnement du système de post-traitement d’un véhicule automobile d’entrainement peuvent être choisis parmi les capteurs suivants : capteur de la concentration de NOx avant et/ou après un ou plusieurs éléments du système de post- traitement, capteur de température, pression et/ou débit des gaz d’échappement avant et/ou après un ou plusieurs éléments du système de post-traitement ou une combinaison de ceux-ci. Dans une mise en oeuvre particulière, l’acquisition des caractéristiques des fluides s’écoulant dans le système de post-traitement est réalisée à une fréquence moins élevée que celle de la pluralité d'instants d’acquisition successifs. Par exemple, l’acquisition des caractéristiques des fluides s’écoulant dans le système de post- traitement peut est réalisée tous les 500 ms ou 1 s, tandis que la fréquence d’acquisition de la pluralité d'instants d’acquisition successifs peut être de 100 ms ou 250 ms.
Ensuite, on calcule à l’étape 270, à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des deuxièmes grandeurs mathématiques à partir d’une pluralité de caractéristiques des fluides s’écoulant dans le système de post-traitement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant.
Enfin, on ajoute à l’étape 280, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les deuxièmes grandeurs mathématiques au vecteur caractéristique.
Dans un exemple de l’étape 280, les deuxièmes grandeurs mathématiques sont obtenues à partir d’une fonction mathématique choisie parmi : racine carré, puissance, logarithme, exponentiel, gradient, moyenne glissante ou une combinaison de celles-ci. Toutefois, d’autres fonctions mathématiques peuvent être envisagées.
Dans une autre mise en oeuvre particulière, de la même manière que la mise en oeuvre particulière précédente, le modèle d’apprentissage automatique entraîné 300 peut prendre en considération des caractéristiques des fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement. Dans ce cas, le bus de communication de chaque véhicule automobile d’entrainement est couplé à une pluralité de capteurs de l’état de ces fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement. Par exemple, Il pourra s’agir d’un capteur de la température ambiante de l’air avant et/ou après un ou plusieurs éléments du système de post-traitement, d’un capteur de la température ambiante de l’air autour du moteur à combustion interne ou une combinaison de ceux-ci.
La figure 6 illustre un procédé 400 d’utilisation du modèle d’apprentissage automatique entraîné 300 dans un véhicule automobile comprenant le moteur à combustion interne et le SCR, utilisés dans les véhicules automobiles d’entrainement. En outre, tout comme les véhicules automobiles d’entrainement, le véhicule automobile comprend un bus de communication de données qui est couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne et du SCR.
Le procédé 400 consiste tout d’abord à acquérir à l’étape 410, à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, des caractéristiques relatives à l’état de fonctionnement du moteur à combustion interne à partir du bus de communication de données.
Par ailleurs, on acquiert également à l’étape 410, à un instant d’acquisition courant, des caractéristiques relatives à l’état de fonctionnement du SCR à partir du bus de communication de données.
Ensuite, on calcule à l’étape 420, à l’instant d’acquisition courant, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant.
Par la suite, on crée à l’étape 430, un vecteur caractéristique courant à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques.
Enfin, on détermine à l’étape 440, une fréquence de résonance future du SCR sur un horizon temporel futur prédéterminé, à partir du vecteur caractéristique courant et du modèle d’apprentissage automatique entraîné 300. Dans une mise en oeuvre particulière, l’horizon temporel futur prédéterminé est inférieur ou égal à la période de temps prédéterminée.
Dans une mise en oeuvre particulière, le procédé 400 prend en considération des caractéristiques des fluides s’écoulant dans le système de post-traitement, de la même manière que lors de l’entrainement du modèle d’apprentissage automatique entraîné 300.
En outre, dans une autre mise en oeuvre particulière, le procédé 400 prend en considération des caractéristiques des fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement, de la même manière que lors de l’entrainement du modèle d’apprentissage automatique entraîné 300.
Dans une autre mise en oeuvre particulière, le bus de communication de données est en outre couplé à un capteur de la fréquence de résonance du SCR. Dans ce cas, le procédé 400 utilise les valeurs de fréquence de résonance acquises par le capteur de la fréquence de résonance du SCR pour entraîner le modèle d’apprentissage automatique entraîné 300, lorsque le moteur à combustion interne est en fonctionnement. Dans cette mise en oeuvre particulière qui correspond à un entrainement continu du modèle d’apprentissage automatique entraîné 300, le procédé 400 consiste en outre, tout d’abord, acquérir à l’étape 450, à l’instant d’acquisition courant, la fréquence de résonance du SCR à partir du bus de communication de données. Puis, on associe à l’étape 460, à l’instant d’acquisition courant, le vecteur caractéristique courant avec la fréquence de résonance acquise du SCR, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique.
Enfin, on entraîne à l’étape 470, le modèle d’apprentissage automatique entraîné 300, à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
Dans un mode particulier de réalisation de l’invention, les différentes étapes du procédé 400 sont déterminées par des instructions de programmes d'ordinateurs. Par conséquent, l'invention vise aussi un programme avec un code de programme d'ordinateur fixé sur un support de stockage non transitoire, ce code de programme étant susceptible d’exécuter les étapes de procédé 400 lorsque le programme d'ordinateur est chargé dans l'ordinateur ou exécuté dans l'ordinateur.
A partir du procédé 400, il est également envisagé de prédire la concentration future d’ammoniac à l’intérieur du SCR. Pour cela, on peut déterminer la concentration future d’ammoniac à l’intérieur du SCR à partir d’une base de données prédéterminée, mettant en correspondance la fréquence de résonance du SCR avec la concentration d’ammoniac à l’intérieur du SCR.
La figure 7 illustre un appareil 500 pour prédire la fréquence de résonance future du SCR d’un véhicule automobile comprenant le moteur à combustion interne et le SCR, utilisés dans les véhicules automobiles d’entrainement.
L’appareil 500 comprend une mémoire 510 et un micro-ordinateur telle une unité de commande électronique ECU (« Electronic Control Unit », en langue anglaise) 520.
Dans la figure 7, la mémoire 510 est prévue pour stocker des caractéristiques du moteur à combustion interne, des caractéristiques du SCR, des caractéristiques des fluides s’écoulant dans le système de post-traitement et des caractéristiques des fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement. Par ailleurs, l’unité de commande électronique 520 est couplée à la mémoire 510, tout en étant configurée pour exécuter des instructions pour mettre en oeuvre le procédé 400.
Dans une mise en oeuvre particulière, non illustrée, de l’appareil 500, la mémoire 510 et l’unité de commande électronique 520 sont disposés dans un serveur distant d'une architecture d'informatique dans le nuage. On entend par nuage informatique (« cloud », en langue anglaise) un ensemble de matériel, réseaux et logiciels informatiques interconnectés et accessibles depuis n'importe où dans le monde. Dans ce cas, l’appareil 500 comprend un émetteur-récepteur, par exemple de type radiofréquence, configuré pour envoyer au serveur distant, les caractéristiques relatives au moteur à combustion interne, au SCR, aux fluides s’écoulant dans le système de post-traitement et aux fluides s’écoulant autour du moteur à combustion interne et/ou du système de post- traitement. Par la suite, l’émetteur-récepteur est configuré pour recevoir la fréquence de résonance du SCR prédite par l’unité de commande électronique 520.
Dans un exemple de la figure 7, l’appareil 500 peut être utilisé dans un système de contrôle de l’ajout d’un agent réducteur dans une ligne d’échappement d’un véhicule automobile comprenant le moteur à combustion interne et le SCR, utilisés dans les véhicules automobiles d’entrainement. Ainsi, par exemple, l’appareil 500 peut commander l’ajout de l’agent réducteur en fonction de la fréquence de résonance future prédite ou de la concentration future d’agent réducteur prédite. Notamment, l’appareil 500 peut commander l’arrêt de l’ajout d’agent réducteur lorsque la fréquence de résonance prédite est au-delà d’un premier seuil prédéterminé ou la concentration future d’agent réducteur prédite est au-delà d’un deuxième seuil prédéterminé.
Le modèle d’apprentissage automatique entraîné 300, selon l’invention, présente l’avantage de pouvoir être utilisé avec des données non présente dans le jeu de données d’apprentissage. En outre, il peut s’améliorer en permanence grâce à l’acquisition en continu, de nouvelles données d’entrainement.
La présente invention a été décrite et illustrée dans la présente description détaillée et dans les figures. Toutefois, la présente invention ne se limite pas aux formes de réalisation présentées. Ainsi, d’autres variantes et modes de réalisation peuvent être déduits et mis en oeuvre par la personne du métier à la lecture de la présente description et des figures annexées.

Claims

REVENDICATIONS
1. Modèle d’apprentissage automatique entraîné (300) pour prédire une fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote, SCR, la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le système de post-traitement comprenant l’agent réducteur prévu pour être ajouté à l'écoulement de gaz d'échappement en amont du SCR, le modèle d’apprentissage automatique entraîné étant obtenu selon les étapes suivantes :
• acquérir (210) à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, pour chacun parmi une pluralité de véhicules automobiles d’entraînement comprenant le moteur à combustion interne en fonctionnement et le SCR, une fréquence de résonance du SCR, des caractéristiques du moteur à combustion interne et des caractéristiques du SCR,
• calculer (220) à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• créer (230), pour chacun parmi la pluralité de véhicules automobiles d’entraînement, un vecteur caractéristique à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques,
• associer (240) à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, le vecteur caractéristique avec la fréquence de résonance du SCR, de sorte à obtenir des premières variables de modèle d’apprentissage automatique, et
• entraîner (250) un modèle d’apprentissage automatique pour prédire sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, une fréquence de résonance future du SCR faisant partie du système de post- traitement de l’écoulement de gaz d’échappement du moteur à combustion interne d’un véhicule automobile, à partir d’un algorithme d’apprentissage automatique et des premières variables de modèle d’apprentissage automatique.
2. Modèle d’apprentissage automatique entraîné selon la revendication 1 , étant en outre obtenu selon les étapes suivantes :
• acquérir (260) à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des caractéristiques des fluides s’écoulant dans le système de post-traitement,
• calculer (270) à chaque instant d’acquisition, pour chacun parmi la pluralité de véhicules automobiles d’entraînement, des deuxièmes grandeurs mathématiques à partir d’une pluralité de caractéristiques des fluides s’écoulant dans le système de post-traitement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• ajouter (280), pour chacun parmi la pluralité de véhicules automobiles d’entraînement, les deuxièmes grandeurs mathématiques au vecteur caractéristique.
3. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 2, dans lequel les premières grandeurs mathématiques et/ou les secondes grandeurs mathématiques comprennent un ou plusieurs gradients et/ou moyennes glissantes, calculés sur tout ou partie de la période de temps prédéterminée.
4. Modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 3, dans lequel l’algorithme d’apprentissage automatique est basé sur la méthode des forêts d'arbres décisionnels ou la méthode de réseau de neurones.
5. Procédé de prédiction de la fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote, SCR, la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne et du SCR, le procédé comprenant les étapes suivantes :
• acquérir (410) à chacun des instants d’acquisition d'une pluralité d'instants d’acquisition successifs, des caractéristiques du moteur à combustion interne et des caractéristiques du SCR à partir du bus de communication de données,
• calculer (420) à l’instant d’acquisition courant, des premières grandeurs mathématiques à partir d’une pluralité de caractéristiques du moteur à combustion interne et d’une pluralité de caractéristiques du SCR, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
créer (430) un vecteur caractéristique courant à partir des caractéristiques du moteur à combustion interne, des caractéristiques du SCR et des premières grandeurs mathématiques,
• déterminer (440) une fréquence de résonance future du SCR sur un horizon temporel futur inférieur ou égal à la période de temps prédéterminée, à partir du vecteur caractéristique courant et d’un modèle d’apprentissage automatique entraîné selon l’une quelconque des revendications 1 à 4.
6. Procédé de prédiction selon la revendication 5, dans lequel le bus de communication de données est en outre couplé à une pluralité de capteurs de l’état de fluides s’écoulant dans le système de post-traitement, le procédé comprenant en outre les étapes suivantes :
• acquérir à l’instant d’acquisition courant, des caractéristiques des fluides s’écoulant dans le système de post-traitement,
• calculer à l’instant d’acquisition courant, des deuxièmes grandeurs mathématiques à partir d’une pluralité de caractéristiques des fluides s’écoulant dans le système de post-traitement, acquises à des instants d’acquisition compris dans une période de temps prédéterminée précédant l’instant d’acquisition courant,
• ajouter les deuxièmes grandeurs mathématiques au vecteur caractéristique courant.
7. Procédé de prédiction selon l’une quelconque des revendications 5 à 6, dans lequel le bus de communication de données est en outre couplé à un capteur de la fréquence de résonance du SCR, le procédé comprenant en outre les étapes suivantes :
• acquérir (450) à l’instant d’acquisition courant, la fréquence de résonance du SCR à partir du bus de communication de données,
• associer (460) à l’instant d’acquisition courant, le vecteur caractéristique courant avec la fréquence de résonance acquise du SCR, de sorte à obtenir des secondes variables de modèle d’apprentissage automatique, et
• entraîner (470) le modèle d’apprentissage automatique entraîné (300) selon l’une quelconque des revendications 1 à 4, à partir d’un algorithme d’apprentissage automatique et des secondes variables de modèle d’apprentissage automatique.
8. Procédé de prédiction de la concentration future d’un agent réducteur dans un catalyseur de réduction sélective des oxydes d’azote, SCR, faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le procédé comprenant les étapes suivantes :
· lorsque le moteur à combustion interne est en fonctionnement, prédire une fréquence de résonance future du SCR selon l’une quelconque des revendications 5 à 7,
• déterminer la concentration future de l’agent réducteur à l’intérieur du SCR à partir d’une base de données prédéterminée, mettant en correspondance la fréquence de résonance du SCR avec la concentration d’agent réducteur à l’intérieur du SCR.
9. Appareil pour prédire la fréquence de résonance future d’un catalyseur de réduction sélective des oxydes d’azote, SCR, la fréquence de résonance étant représentative d’une concentration d’un agent réducteur à l’intérieur du SCR, le SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne, du SCR et de l’état de fluides s’écoulant dans le système de post-traitement, l’appareil comprenant :
• une mémoire (510) pour stocker des caractéristiques du moteur à combustion interne, des caractéristiques du SCR, des caractéristiques des fluides s’écoulant dans le système de post-traitement et des caractéristiques des fluides s’écoulant autour du moteur à combustion interne et/ou du système de post-traitement,
• une unité de commande électronique, ECU, (520) couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon l’une quelconque des revendications 5 à 7.
10. Appareil pour prédire la concentration future d’un agent réducteur dans un catalyseur de réduction sélective des oxydes d’azote, SCR faisant partie d’un système de post-traitement d’un écoulement de gaz d’échappement d’un moteur à combustion interne dont est pourvu un véhicule automobile, le véhicule automobile comprenant un bus de communication de données, couplé à une pluralité de capteurs de l’état de fonctionnement du moteur à combustion interne, du SCR et de l’état de fluides s’écoulant dans le système de post-traitement, l’appareil comprenant :
une mémoire (510) pour stocker une fréquence de résonance future du SCR obtenue selon l’une quelconque des revendications 5 à 7 et une base de données prédéterminée, mettant en correspondance la fréquence de résonance du SCR avec la quantité d’agent réducteur à l’intérieur du SCR,
• une unité de commande électronique, ECU, (520) couplée à la mémoire, l’unité de commande électronique étant configurée pour exécuter des instructions pour mettre en oeuvre un procédé selon la revendication 8.
11. Appareil selon l’une quelconque des revendications 9 à 10, dans lequel l’unité de commande est en outre configurée pour :
• commander l’ajout d’un agent réducteur en fonction de la fréquence de résonance future prédite ou de la concentration future d’agent réducteur prédite, et,
• arrêter l’ajout l’agent réducteur lorsque la fréquence de résonance prédite est au- delà d’un premier seuil prédéterminé ou la concentration future d’agent réducteur prédite est au-delà d’un deuxième seuil prédéterminé.
PCT/FR2019/051286 2018-06-01 2019-05-31 Apprentissage automatique prédictif pour la prédiction d'une fréquence de résonance d'un catalyseur de réduction sélective des oxydes d'azote WO2019229398A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/059,817 US11661877B2 (en) 2018-06-01 2019-05-31 Predictive machine learning for predicting a resonance frequency of a catalyst for the selective catalytic reduction of nitrogen oxides
CN201980050787.3A CN112639256B (zh) 2018-06-01 2019-05-31 用于预测氮氧化物的scr的共振频率的可读存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1854787A FR3082035B1 (fr) 2018-06-01 2018-06-01 Apprentissage automatique predictif pour la prediction d'une frequence de resonance d'un catalyseur de reduction selective des oxydes d'azote
FR1854787 2018-06-01

Publications (1)

Publication Number Publication Date
WO2019229398A1 true WO2019229398A1 (fr) 2019-12-05

Family

ID=65685414

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2019/051286 WO2019229398A1 (fr) 2018-06-01 2019-05-31 Apprentissage automatique prédictif pour la prédiction d'une fréquence de résonance d'un catalyseur de réduction sélective des oxydes d'azote

Country Status (4)

Country Link
US (1) US11661877B2 (fr)
CN (1) CN112639256B (fr)
FR (1) FR3082035B1 (fr)
WO (1) WO2019229398A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113339113A (zh) * 2021-07-15 2021-09-03 中国能源建设集团江苏省电力设计院有限公司 一种SCR系统NOx生成与氨需求预测方法、系统及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114961949B (zh) * 2022-05-09 2024-01-16 潍柴动力股份有限公司 Scr系统的故障诊断方法、装置、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010034983A1 (de) * 2010-08-20 2012-02-23 Gerhard Fischerauer Verfahren zur Erkennung des Ammoniakspeicherzustands eines SCR-Katalysators
WO2015090342A1 (fr) * 2013-12-19 2015-06-25 Volvo Truck Corporation Système et procédé pour déterminer un paramètre indiquant une quantité d'un agent réducteur
DE102016219646A1 (de) * 2016-10-10 2018-04-12 Continental Automotive Gmbh Eigendiagnose eines Abgaskatalysators durch Messung der S-Parameter

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001188602A (ja) * 1999-12-28 2001-07-10 Yamatake Corp 排気ガス制御システム
KR20100083765A (ko) * 2007-08-17 2010-07-22 인스티튜트 포 에너지테크니크 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법
US8186151B2 (en) 2009-06-09 2012-05-29 GM Global Technology Operations LLC Method to monitor HC-SCR catalyst NOx reduction performance for lean exhaust applications
US20160279574A1 (en) * 2015-03-26 2016-09-29 General Electric Company Systems and methods for monitoring the health of a selective catalytic reduction catalyst
US10118119B2 (en) * 2015-06-08 2018-11-06 Cts Corporation Radio frequency process sensing, control, and diagnostics network and system
WO2017180466A1 (fr) * 2016-04-11 2017-10-19 Cts Corporation Système à radiofréquence et procédé de surveillance de constituants d'échappement de sortie de moteur

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010034983A1 (de) * 2010-08-20 2012-02-23 Gerhard Fischerauer Verfahren zur Erkennung des Ammoniakspeicherzustands eines SCR-Katalysators
WO2015090342A1 (fr) * 2013-12-19 2015-06-25 Volvo Truck Corporation Système et procédé pour déterminer un paramètre indiquant une quantité d'un agent réducteur
DE102016219646A1 (de) * 2016-10-10 2018-04-12 Continental Automotive Gmbh Eigendiagnose eines Abgaskatalysators durch Messung der S-Parameter

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113339113A (zh) * 2021-07-15 2021-09-03 中国能源建设集团江苏省电力设计院有限公司 一种SCR系统NOx生成与氨需求预测方法、系统及存储介质
CN113339113B (zh) * 2021-07-15 2022-08-19 中国能源建设集团江苏省电力设计院有限公司 一种SCR系统NOx生成与氨需求预测方法、系统及存储介质

Also Published As

Publication number Publication date
FR3082035B1 (fr) 2020-06-05
US20210215077A1 (en) 2021-07-15
CN112639256A (zh) 2021-04-09
US11661877B2 (en) 2023-05-30
CN112639256B (zh) 2022-11-15
FR3082035A1 (fr) 2019-12-06

Similar Documents

Publication Publication Date Title
EP2274506B1 (fr) Procede de correction de modeles d'emission d'oxydes d'azote
FR3071010A1 (fr) Procede de gestion d'un systeme de catalyseurs scr compose d'un premier et d'un second catalyseurs scr
WO2014207340A1 (fr) Système et procédé de diagnostic de la réduction catalytique sélective d'un véhicule automobile
EP2501910B1 (fr) Procédé de contrôle d'un système de traitement des gaz d'echappement d'un moteur à combustion interne
FR2893259A1 (fr) Procede et dispositif de commande d'un systeme generateur d'agent reducteur d'un moteur a combustion interne.
EP3491222B1 (fr) Procédé de régulation de la quantité de cristaux d'urée présents dans une ligne d'échappement de moteur à combustion interne comprenant un catalyseur scr
WO2019229398A1 (fr) Apprentissage automatique prédictif pour la prédiction d'une fréquence de résonance d'un catalyseur de réduction sélective des oxydes d'azote
FR2903728A1 (fr) Procede de controle de la consommation d'uree pour systeme de traitement d'oxydes d'azote
WO2007090975A2 (fr) SYSTEME ET PROCEDE D'ELIMINATION DE SOx (OXYDE DE SOUFRE), SUPERVISEUR POUR CE SYSTEME
EP2423477B1 (fr) Procédé de détermination de l'état physique d'un filtre à particules
WO2018096292A1 (fr) Procédé d'optimisation d'une dépollution en oxydes d'azote des gaz dans une ligne d'échappement de moteur selon une réduction catalytique sélective
EP2802760B1 (fr) Gestion optimisée d'un catalyseur scr par régénérations périodiques d'un filtre à particules
FR3048720A1 (fr) Procede d'optimisation de la consommation d'agent reducteur dans une ligne d'echappement d'un vehicule automobile
EP3084157B1 (fr) Système d'échappement d'un moteur à combustion interne et procédé de traitement des gaz de combustion
FR3069574B1 (fr) Procede d'adaptation d'une quantite d'agent reducteur pour une depollution en oxydes d'azote des gaz dans une ligne d'echappement de moteur
FR3040075A1 (fr) Procede et dispositif pour determiner l'efficacite de la conversion par un catalyseur de gaz d'echappement
FR2746142A1 (fr) Procedes de surveillance du fonctionnement et du vieillissement d'un pot catalytique de vehicule automobile et procede de commande du moteur d'un vehicule equipe d'un tel pot
FR2979381A1 (fr) Gestion optimisee d'un catalyseur scr de vehicule automobile
EP2147200B1 (fr) Procede et dispositif d'adaptation d'un estimateur de temperature d'un systeme de post-traitement des gaz d'echappement
EP3043041B1 (fr) Procédé de traitement des oxydes d'azote issus d'un moteur à combustion interne
FR3066704B1 (fr) Procede de post-traitement des oxydes d'azote dans un moteur a combustion interne
EP2080873B1 (fr) Procédé d'injection d'agent réducteur dans une ligne d'échappement
EP3073085B1 (fr) Procédé de traitement des gaz d'échappement issus d'un moteur à combustion interne
EP3056703B1 (fr) Procédé et système de réduction des oxydes d'azotes issus d'un moteur à combustion interne
FR2978984A3 (fr) Gestion optimisee d'un catalyseur scr de vehicule automobile

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19745662

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19745662

Country of ref document: EP

Kind code of ref document: A1