Published January 1, 2021
| Version v1
Publication
Open
A Novel Deep Learning Approach to Predict the Instantaneous NOₓ Emissions From Diesel Engine
- 1. Yunnan Environmental Protection Bureau
- 2. Southwest Forestry University
- 3. Chinese Research Academy of Environmental Sciences
- 4. University of Engineering and Technology Lahore
Description
Accurate and stable prediction of NOx emissions from diesel vehicles plays a crucial role in the establishment of virtual NOx sensors and the development and design of diesel engines. This paper presents a method for estimating transient NOx emissions by complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and a long- and short-term memory neural network (LSTM). First, the CEEMDAN algorithm is used to reduce the non-stationarity and volatility of the transient NOx emission data to obtain multiple subseries with different frequencies. Secondly, a predictive model is developed for each subsequence using an LSTM neural network. Finally, the results of each subsequence prediction are summed to obtain the final prediction. The proposed model uses NOx emission data generated by an EU IV diesel bus during real road driving. The results show that (1) The use of CEEMDAN can effectively improve the smoothness of NOx transient emission data, as well as facilitate more effective extraction of internal characteristics and variations of the raw data. (2) LSTM has better learning and prediction capability for transient changes in NOx emissions. (3) The results of CEEMDAN-LSTM for RMSE, R 2 , MAE and NRMSE are 46.11,0.98, 29.82 and 2.71, respectively, which are better than the other model with improved prediction performance.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يلعب التنبؤ الدقيق والمستقر بانبعاثات أكاسيد النيتروجين من مركبات الديزل دورًا حاسمًا في إنشاء مستشعرات أكاسيد النيتروجين الافتراضية وتطوير وتصميم محركات الديزل. تقدم هذه الورقة طريقة لتقدير انبعاثات أكاسيد النيتروجين العابرة من خلال تحلل الوضع التجريبي الكامل مع الضوضاء التكيفية (CEEMDAN) والشبكة العصبية للذاكرة طويلة وقصيرة المدى (LSTM). أولاً، يتم استخدام خوارزمية CEEMDAN لتقليل عدم ثبات وتقلب بيانات انبعاثات أكاسيد النيتروجين العابرة للحصول على سلاسل فرعية متعددة بترددات مختلفة. ثانياً، يتم تطوير نموذج تنبؤي لكل حالة باستخدام شبكة عصبية LSTM. أخيرًا، يتم تلخيص نتائج كل تنبؤ للحصول على التنبؤ النهائي. يستخدم النموذج المقترح بيانات انبعاثات أكاسيد النيتروجين الناتجة عن حافلة الديزل EU IV أثناء القيادة على الطريق الحقيقي. تظهر النتائج أن (1) استخدام CEEMDAN يمكن أن يحسن بشكل فعال سلاسة بيانات الانبعاثات العابرة لأكاسيد النيتروجين، بالإضافة إلى تسهيل الاستخراج الأكثر فعالية للخصائص الداخلية واختلافات البيانات الأولية. (2) تتمتع LSTM بقدرة أفضل على التعلم والتنبؤ بالتغيرات العابرة في انبعاثات أكاسيد النيتروجين. (3) نتائج CEEMDAN - LSTM لـ RMSE و R 2 و MAE و NRMSE هي 46.11،0.98 و 29.82 و 2.71 على التوالي، وهي أفضل من النموذج الآخر مع تحسين أداء التنبؤ.Translated Description (French)
La prévision précise et stable des émissions de NOx des véhicules diesel joue un rôle crucial dans la mise en place de capteurs de NOx virtuels et dans le développement et la conception de moteurs diesel. Cet article présente une méthode d'estimation des émissions transitoires de NOx par décomposition en mode empirique d'ensemble complet avec bruit adaptatif (CEEMDAN) et un réseau neuronal de mémoire à long et à court terme (LSTM). Tout d'abord, l'algorithme CEEMDAN est utilisé pour réduire la non-stationnarité et la volatilité des données d'émission de NOx transitoires afin d'obtenir plusieurs sous-séries avec des fréquences différentes. Deuxièmement, un modèle prédictif est développé pour chaque sous-séquence à l'aide d'un réseau de neurones LSTM. Enfin, les résultats de chaque prédiction de sous-séquence sont additionnés pour obtenir la prédiction finale. Le modèle proposé utilise les données d'émission de NOx générées par un bus diesel EU IV pendant la conduite routière réelle. Les résultats montrent que (1) l'utilisation de CEEMDAN peut améliorer efficacement la fluidité des données d'émissions transitoires de NOx, ainsi que faciliter une extraction plus efficace des caractéristiques internes et des variations des données brutes. (2) LSTM a une meilleure capacité d'apprentissage et de prédiction des changements transitoires dans les émissions de NOx. (3) Les résultats de CEEMDAN-LSTM pour RMSE, R2, MAE et NRMSE sont respectivement de 46,11,0,98, 29,82 et 2,71, qui sont meilleurs que l'autre modèle avec des performances de prédiction améliorées.Translated Description (Spanish)
La predicción precisa y estable de las emisiones de NOx de los vehículos diésel desempeña un papel crucial en el establecimiento de sensores virtuales de NOx y en el desarrollo y diseño de motores diésel. Este documento presenta un método para estimar las emisiones transitorias de NOx mediante la descomposición completa del modo empírico con ruido adaptativo (CEEMDAN) y una red neuronal de memoria a largo y corto plazo (LSTM). En primer lugar, se utiliza el algoritmo CEEMDAN para reducir la no estacionariedad y la volatilidad de los datos de emisión de NOx transitorios para obtener múltiples subseries con diferentes frecuencias. En segundo lugar, se desarrolla un modelo predictivo para cada subsecuencia utilizando una red neuronal LSTM. Finalmente, los resultados de cada predicción de subsecuencia se suman para obtener la predicción final. El modelo propuesto utiliza datos de emisiones de NOx generados por un autobús diésel EU IV durante la conducción real en carretera. Los resultados muestran que (1) El uso de CEEMDAN puede mejorar efectivamente la suavidad de los datos de emisión transitoria de NOx, así como facilitar una extracción más efectiva de las características internas y las variaciones de los datos brutos. (2) LSTM tiene una mejor capacidad de aprendizaje y predicción de los cambios transitorios en las emisiones de NOx. (3) Los resultados de CEEMDAN-LSTM para RMSE, R 2, MAE y NRMSE son 46.11,0.98, 29.82 y 2.71, respectivamente, que son mejores que el otro modelo con un rendimiento de predicción mejorado.Files
09317799.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:d428fb97d66a6da189e085e1d614601f
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج جديد للتعلم العميق للتنبؤ بالانبعاثات الفورية من محرك الديزل
- Translated title (French)
- Une nouvelle approche d'apprentissage en profondeur pour prédire les émissions instantanées de NOx provenant du moteur diesel
- Translated title (Spanish)
- Un nuevo enfoque de aprendizaje profundo para predecir las emisiones instantáneas de NOO del motor diésel
Identifiers
- Other
- https://openalex.org/W3118271139
- DOI
- 10.1109/access.2021.3050165
References
- https://openalex.org/W1964357740
- https://openalex.org/W1986344015
- https://openalex.org/W1996860478
- https://openalex.org/W2004353783
- https://openalex.org/W2016936476
- https://openalex.org/W2022648775
- https://openalex.org/W2054449128
- https://openalex.org/W2064675550
- https://openalex.org/W2068454746
- https://openalex.org/W2069759484
- https://openalex.org/W2092006921
- https://openalex.org/W2100784652
- https://openalex.org/W2114489926
- https://openalex.org/W2130525816
- https://openalex.org/W2346170315
- https://openalex.org/W2483553188
- https://openalex.org/W2517733236
- https://openalex.org/W2519630668
- https://openalex.org/W2589067192
- https://openalex.org/W2608534981
- https://openalex.org/W273955616
- https://openalex.org/W2742365644
- https://openalex.org/W2767293578
- https://openalex.org/W2774990426
- https://openalex.org/W2784331407
- https://openalex.org/W2800091392
- https://openalex.org/W2896949198
- https://openalex.org/W2905238323
- https://openalex.org/W2910125189
- https://openalex.org/W2999607386
- https://openalex.org/W3007077942
- https://openalex.org/W3012237329
- https://openalex.org/W3013379773
- https://openalex.org/W3016531674
- https://openalex.org/W3102476541