Huber Group Neuronale Netze in Automobilen sollen NOx-Sensor vor Katalysator in SCR-Systemen ersetzen

Die Huber Group verbucht erste Erfolge bei der Erforschung der Einsatzmöglichkeiten neuronaler Netze in der selektiven katalytischen Reduktion (SCR).

Anbieter zum Thema

Micro-Epsilon Messtechnik GmbH & Co. KG

ROHM Semiconductor GmbH

CADFEM Germany GmbH

Huber Automotive AG

Huber Group Holding SE

Ziel der Forschungen des TIER1-Systemlieferanten und Entwicklungsdienstleisters Huber Group ist es, einen NOx-Sensor bei SCR-Systemen durch ein neuronales Netz oder die Integration eines trainierten neuronalen Netzes in ein Steuergerät zu ersetzen.

In herkömmlichen SCR-Systemen arbeiten zwei NOx-Sensoren, wobei der vor dem SCR-Katalysator installierte NOx-Sensor die bei der Verbrennung emittierten Stickoxide erfasst. Dieser Wert dient dem Steuergerät als Berechnungsgrundlage zum Ermitteln der notwendigen Einspritzmenge von AdBlue für die SCR-Reaktion.

Schwer simulierbare Stickoxid-Entstehung

Die Kosten der SCR-Systemtechnik würden reduzieren, wenn kein Pre-Cat-NOx-Sensor nötig wäre. Üblicherweise versucht man bei solchen Bauteilsubstitutionen die Realphysik zu abstrahieren, indem ein entsprechendes Simulationsmodell erstellt wird. Doch es ist äußerst schwierig die Stickoxidentstehung auf Basis eines solchen physikalischen Modells zu ermitteln, da die Vorgänge komplex sind und sich zudem fahrzeugspezifisch verhalten. Ein neuronales Netz kann alternativ dazu das Verhalten des Motors bezüglich der NOx-Entstehung erlernen, ohne den Aufwand für eine physikalische Modellierung treiben zu müssen.

Lernende Netze sollen physikalische Modelle ersetzen

Ein neuronales Netz beschreibt die Vernetzung künstlicher Neuronen, wobei jedes Neuron eine einfache Recheneinheit darstellt. Das neuronale Netz bildet ein konnektionistisches System, also ein System basierend auf den Wechselwirkungen vieler vernetzter, einfacher Einheiten. Die Neuronen werden über gewichtete Verbindungen zu einer spezifischen Netzstruktur zusammengefügt.

Ein neuronales Netz ist lernfähig, wobei „lernen“ als Veränderung bzw. Optimierung der gewichteten Verbindungen zwischen den einzelnen Neuronen verstanden werden kann. Vereinfacht betrachtet ist das erlernte „Wissen“ eines neuronalen Netzes in dessen gewichteten Verbindungen gespeichert. Ziel ist es, die Assoziationsfähigkeit neuronaler Netzwerke zu nutzen, um durch das erlernte „Wissen“ eine Zielgröße aus realen (nicht trainierten) Eingangsgrößen ermitteln zu können.

Bisherige Tests führten zu vielversprechenden Ergebnissen

Der Vergleich von vorhandenen Messwerten des NOx-Massenstroms eines Fahrzeuges mit den errechneten Werten eines trainierten neuronalen Netzes zeigt eine hohe Korrelation. Je mehr signifikante Eingangsgrößen dem neuronalen Netz zur Verfügung gestellt werden, desto exakter kann das Emissionsverhalten bezüglich NOx erlernt werden.

Zukunftsträchtiger Einsatz neuronaler Netze im Auto

„Wir arbeiten nun seit einiger Zeit am Einsatz neuronaler Netze innerhalb eines SCR-Systems. Generell sehe ich großes Potenzial bezüglich der Nutzung neuronaler Netze innerhalb automotiver Anwendungen, insbesondere dort, wo sich eine Modellbildung aufgrund komplexer, kaum abstrahierbarer Zusammenhänge als äußerst aufwändig oder unwirtschaftlich erweist. Ich gehe davon aus, dass solche Fälle mit zunehmender Komplexität bei gleichzeitig zunehmendem Anspruch an die Beherrschbarkeit der Systeme künftig vermehrt auftreten werden“, betont Daniel Geiger, Funktionsentwickler bei der Huber Group.

„Selbstverständlich gilt es bei der aktuellen Anwendung noch zahlreiche Fragen zu klären. Insgesamt muss das neuronale Netz sich nicht nur in einer Gegenüberstellung zu realen Messergebnissen beweisen. Themen wie Fehlertoleranz oder der Grad an Assoziationsfähigkeit sind ebenso zu prüfen. Der Validierungsprozess ist entsprechend umfangreich. Auch der Aufwand für die Adaption auf verschiedene Fahrzeuge muss noch genauer beleuchtet werden. So arbeiten wir derzeit beispielsweise an der Erstellung eines Profils zur Generierung spezifischer Trainingsdaten, um zukünftig einen Fahrzyklus zur optimalen Datenerfassung definieren zu können.“

Die dargestellte Funktionalität „virtueller NOx-Sensor“ wird es in naher Zukunft als Software-Funktionsmodul geben und kann als „Object-Code“ in bestehende Software-Architekturen implementiert werden.

(ID:320241)