智能联网车辆应用的快速原型设计 -凯发k8网页登录

智能互联车辆应用的开发已经成为整个汽车行业日益关注的话题。然而，与基于 ecu 的传统车辆软件相比，这些新应用也带来了更多的不确定性。具体来说，技术可行性、用户接受度和稳健性方面的问题，必须在系统设计阶段尽早得到解决。

为了帮助解决这些问题，并更好地管理开发新型智能联网车辆应用所带来的不确定性，我在联合汽车电子有限公司的工程团队已基于 matlab^® 和 simulink^®，确立了一种新的快速原型设计方法。最近，我们采用这种方法开发并验证了预测性汽油车颗粒捕集器 (gpf) 再生应用，可以提高燃油经济性和驾驶性能，因为该应用将操作人员的驾驶风格和路线等诸多因素都考虑在内。该应用的系统架构包括一个在 simulink 中开发的车辆 gpf 仿真模型、一个使用 app 设计工具设计并通过 matlab web app server™ 部署的 web 应用，以及一个在 matlab production server™ 上托管的基于云的预测性 gpf 再生算法（图 1）。凭借这种架构，我们不仅能够快速构建可在车辆和车队级别进行完整仿真的原型应用，而且能够轻松地结合使用机器学习和深度学习方法，从而提高效率并减少构建精确仿真模型所需的时间。

gpf 和预测性再生基础知识

作为直喷汽油发动机车辆排放系统的关键组件，gpf 有助于去除尾气中的颗粒物。为了确保捕集器始终能够有效工作，必须通过再生过程定期燃烧掉随时间的推移而积聚的碳烟。

确定何时最好启动再生过程的控制策略至关重要，因为这一过程的启动时机会影响多个关键性能指标，包括燃油效率、驾驶性能和捕集器自身的使用寿命。频繁启动再生过程会降低燃油经济性，并对驾驶性能产生不利影响。反之，延迟启动再生过程可能会导致碳烟积聚，从而增加排气背压，并将捕集器置于损坏的风险中。

由于再生过程只能在排气温度较高时进行，因此，该过程最好是在车辆高速行驶时进行，而不是在空转时或走走停停的交通状况下进行。虽然排放控制系统可以通过增加点火角来提高排气温度，但这会增加燃油消耗并降低驾驶性能。为了始终能够确定再生过程的最佳启动时间，控制算法必须能够结合考虑诸多因素来预测预期高温时段，这些因素包括车辆操作人员的驾驶风格、他们的计划或预期路线，以及该路线沿途的交通状况。我们的团队利用 matlab 和 simulink 通过快速原型设计开发的正是这种预测性再生算法。

开发车辆 gpf 模型

我们开始构建的首批组件里便有车辆 gpf 仿真模型。这种 simulink 模型使用发动机转速、发动机温度和空燃当量比 (lambda) 等输入值，计算碳烟积聚速度和捕集器的碳烟总量。它还包含多个子模型，用于计算捕集器温度，控制捕集器的主动再生，以及跟踪碳烟燃烧量（图 2）。

鉴于依据物理和化学原理构建精确的 gpf 被控对象模型需要很长时间，我们采取了另一种方法。具体来说，我们使用了 statistics and machine learning toolbox™ 中的回归学习器，通过我们收集的碳烟量数据训练和验证了一个回归模型。我们还使用类似方法开发了一个长短期记忆 (lstm) 模型，用于根据发动机转速和发动机温度等因素预测排气温度。我们使用 pytorch^® 训练了这个模型，并将其整合到了我们的 simulink 模型中。这种将机器学习和深度学习相结合的数据驱动方法，不仅有助于生成精确的模型（图 3），而且比基于第一性原理开发物理模型要快得多。

开发并部署预测性 gpf 再生算法

在开发 simulink 车辆 gpf 模型的同时，我们也在研究预测性再生算法本身。为了预测执行再生过程的最佳时间窗口，这种算法会连续执行一系列的操作：首先，获取当前交通和环境状况相关数据，例如相应的车辆位置和天气情况；其次，基于获得的信息估计车辆速度，然后再使用这个值来预测排气温度和随后积聚的碳烟量；最后，预测何时需要执行再生过程，以及何时可以高效地执行该过程。换句话说，当车辆速度使得排气温度升高时，该算法便可确定启动燃烧的时机。

我们在 pytorch 中训练了该算法的预测模型，并使用 matlab production server 将整个算法部署到了云端。在仿真过程中，部署的算法会与车辆 gpf 模型的实例进行通信。为了更轻松地将此模型部署到云端，并且考虑到未来有可能将我们的仿真扩展到车队中的多辆车，我们使用 simulink compiler™ 将其打包为一个独立的可执行文件，然后将其部署到 docker 容器中。该预测性算法通过 apache ^® kafka^® 事件流向车辆 gpf 模型发送信息。这些信息包括基于交通和环境状况的数据值，如发动机转速和温度，以及基于算法预测模型的再生过程启动命令。车辆 gpf 模型会处理该信息，并通过 kafka 发回碳烟量和其他再生详细信息（图 4）。

构建 web 应用前端

在我们的仿真环境中，最后一部分是用 app 设计工具开发并用 matlab web app server 部署的 web 应用用户界面。该应用利用 mapping toolbox™ 的函数来显示路线图。在该路线图上，用户可以为仿真的车辆选择之前行驶过的多条路线之一进行导航（图 5）。一旦用户启动仿真，预测算法就会向车辆 gpf 模型连续发送消息，从该模型接收碳烟量和其他数据，并确定合适的再生窗口和强制性再生窗口。前者是可以高效地执行再生过程而对驾驶性能和燃油经济性影响最小的时段，后者则是应尽快启动再生过程来清除积聚的碳烟的时段。

结果和后续步骤

在运行了虚拟车辆驶过 4,500 多公里的仿真后，我们将新的预测性 gpf 再生策略的结果与传统策略（比如目前在许多 ecu 上实施的策略）的结果进行了比较。结果显示，主动再生次数和再生过程中消耗的燃料显著减少，而且总体燃料消耗也略有下降（图 6）。

传统策略的结果
预测性策略的结果

图 6. 传统策略与预测性 gpf 策略的结果比较。

我们为预测性 gpf 再生确立的快速原型设计方法广泛适用于各种智能联网汽车应用。这种方法既涉及我们的汽车工程师拥有丰富经验的工具，即用于工程数据分析和技术计算的 matlab 以及用于仿真的 simulink，也不乏我们的工程师日益采用的新技术，如 web 前端、云计算和机器学习。据我们预计，我们越来越多的团队今后将会采用该方法，运用他们在 matlab 和 simulink 方面的专业知识，打造新的云端智能应用。