[论文解读] Modeling diesel output particulate matter as the Ornstein-Uhlenbeck process

Maxwell Bolt, Alex Alberts+3 more|arXiv (Cornell University)|Mar 12, 2026

Advanced Combustion Engine Technologies被引用 0

一句话总结

该论文提出一种带有随时间变化漂移和波动率的随机 Ornstein-Uhlenbeck (OU) 过程模型，由发动机状态参数化，用以在校准不确定度的前提下预测发动机排放的柴油 PM。通过最大似然训练，并在 EPA 行驶循环上进行验证，在累计 PM 预测方面优于某些基线。

ABSTRACT

Diesel engine particulate matter (PM) is one of the most challenging emission constituents to predict. As engines become cleaner and emissions levels drop, manufacturers need reliable methods to quantify the PM generated by production engines. Due to the inaccuracy of commercial-grade sensors, they turn to predictive models to accurately estimate PM. In practice, this requires a computationally inexpensive model that provides PM estimates with calibrated uncertainty. Complex, multiscale physics make mechanistic models intractable and traditional data-driven methods struggle in transient drive cycles due to the stochastic nature of PM generation. Leveraging recent innovations in PM measurement technology, we introduce a novel PM model based on the Ornstein-Uhlenbeck (OU) process. The OU process is a mean-reverting stochastic process commonly used in financial modeling, now being explored for engineering applications, and can be described as a stochastic differential equation (SDE). We modify the OU process by parameterizing the terms of the SDE as functions of the engine state, which are then fit with a maximum likelihood estimate. In a synthetic example, we verify the ability of our model to learn a time-varying, parametrized OU process. We then train the model using real experimental data designed to dynamically cover the engine operating space and test the trained model on EPA-regulated drive cycles. For most drive cycles, we find the method accurately predicts cumulative output of PM across time.

研究动机与目标

• 在瞬态柴油机运行中证明需要一个计算量较小的随机 PM 模型的动机。
• 引入一个 OU 过程框架，具有随发动机状态调制的漂移和扩散。
• 开发一个可行的训练方法，使用似然优化和 Fokker-Planck 过渡密度。
• 通过合成数据进行模型验证并在 EPA 驱动测试循环上进行验证。
• 评估预测性能和不确定度量化，与基准进行比较。

提出的方法

• 将 PM 动力学建模为修订的 Ornstein-Uhlenbeck SDE：dX_t = λ(μ_t − X_t) dt + σ_t dW_t，其中 μ_t 和 σ_t 为时变。
• 将 μ_t 和 σ_t 参数化为对 16 个发动机状态/控制变量的线性函数，λ 为恒定的均值回归速率。
• 通过最大似然利用来自 Fokker-Planck 公式的过渡高斯密度来训练参数 θ。
• 对分段常数 μ_t 和 σ_t 计算过渡均值 m_θ(t) 和方差 V_θ(t)，并用它们形成似然。
• 通过分段对数线性归一化来稳定训练。
• 通过从学习到的 OU 过程中模拟样本路径并使用 PIT 和 KS 检验来评估不确定性来部署。

实验结果

研究问题

• RQ1 OU 驱动的带时变漂移和波动性的随机模型是否能够捕捉柴油 PM 产生的瞬态特征？
• RQ2 相较于其他基线，线性依赖于发动机状态的 μ_t 和 σ_t 参数化有多大程度的优越性？
• RQ3 在不同的 EPA 行驶循环和测试数据集上，OU 模型的预测质量与不确定性标定如何？
• RQ4 用特定循环数据扩充训练数据是否能提升对分布外情形（如 RMCSET）的性能？
• RQ5 在瞬态条件下， OU 模型与高斯过程和神经网络在 PM 动态预测方面的比较如何？

主要发现

• 基于 OU 的模型在大多数测试循环中能够对随时间的累计 PM 进行预测。
• KS 统计量因数据集而异，例如 FTP Low NOx (0.085)、FTP Nominal NOx (0.290)、FTP High NOx (0.246)、STC Nominal NOx (0.134)、STC High NOx (0.057)，对 RMCSET 的性能较差（0.482）。
• 对某些循环，模型在右尾对 PM 估计偏高，PIT 值的 Q–Q 图显示。
• 将部分 RMCSET 数据并入训练后，RMCSET 及若干其他数据集的表现有所提升（在若干情形下 KS 值下降）。
• 与两种高斯过程（标准与深核）及若干神经网络基线比较时，CNN 深核 GP 的性能不如标准 GP，表明在该情境下 PM 动态比 NOx 更具马尔可夫性。
• 该框架可采样 10,000 条路径以表征 PM 的预测分布及不确定性。