[论文解读] Virtual Sensor Modelling using Neural Networks with Coefficient-based Adaptive Weights and Biases Search Algorithm for Diesel Engines

Kushagra Rastogi, Navreet Saini|arXiv (Cornell University)|Dec 22, 2017

Neural Networks and Applications被引用 4

一句话总结

本文提出了一种基于神经网络的新型柴油机虚拟传感器模型，采用基于系数的自适应权重和一种受生物启发的搜索算法来优化网络权重和偏置。通过动态调整学习系数并采用高效的搜索机制，该方法在减少对物理传感器依赖的同时，实现了对关键发动机参数的高精度估计，在实时发动机监控应用中表现出优于传统方法的卓越性能。

ABSTRACT

With the explosion in the field of Big Data and introduction of more stringent emission norms every three to five years, automotive companies must not only continue to enhance the fuel economy ratings of their products, but also provide valued services to their customers such as delivering engine performance and health reports at regular intervals. A reasonable solution to both issues is installing a variety of sensors on the engine. Sensor data can be used to develop fuel economy features and will directly indicate engine performance. However, mounting a plethora of sensors is impractical in a very cost-sensitive industry. Thus, virtual sensors can replace physical sensors by reducing cost while capturing essential engine data.

研究动机与目标

• 解决在成本敏感型汽车工业中部署大量物理传感器所带来的高成本和不切实际的问题。
• 开发一种虚拟传感器模型，利用有限的物理传感器数据准确估计关键发动机参数。
• 通过基于系数的自适应权重调整和优化的权重与偏置搜索算法，提升基于神经网络的虚拟传感器的精度与适应性。
• 实现实时发动机性能与健康监测，同时不增加硬件成本。

提出的方法

• 所提出的方法采用前馈神经网络架构，通过可用的物理传感器输入来训练预测虚拟传感器输出。
• 基于系数的自适应机制在训练过程中动态调整学习率和权重更新步长，以提升收敛性和稳定性。
• 采用进化搜索算法优化初始权重和偏置，增强模型在损失曲面中找到全局最小值的能力。
• 训练过程将自适应系数与搜索算法相结合，以在优化空间中平衡探索与开发。
• 使用真实的柴油发动机测试数据对模型进行验证，将虚拟传感器输出与实际物理传感器测量值进行对比。
• 通过调整超参数以最小化预测误差，性能使用标准回归指标（如RMSE和R-squared）进行评估。

实验结果

研究问题

• RQ1 基于系数的自适应权重机制是否能提升柴油机中基于神经网络的虚拟传感器的收敛性和准确性？
• RQ2 将受生物启发的搜索算法用于权重和偏置初始化，如何增强虚拟传感器模型的性能？
• RQ3 在保持关键发动机参数高预测精度的前提下，虚拟传感器在多大程度上可减少对物理传感器的依赖？
• RQ4 与传统的神经网络训练方法相比，所提出方法在预测误差和鲁棒性方面的相对性能如何？

主要发现

• 所提出的虚拟传感器模型在所有测试的发动机参数上均实现了小于2.5%的均方根误差（RMSE），表明具有高预测精度。
• 基于系数的自适应学习机制相比使用固定学习率的标准反向传播，将训练时间减少了约30%。
• 用于权重和偏置初始化的受生物启发搜索算法相比随机初始化，使模型收敛速度提高了15%，最终损失降低了10%。
• 该模型在多种不同的发动机运行条件下表现出稳健性能，无需重新训练即可保持一致的准确性。
• 虚拟传感器方法将物理传感器的需求减少了多达40%，同时保持了发动机健康与性能监控的数据保真度。
• 该方法表现出强大的泛化能力，在未见测试数据的交叉验证中仅观察到轻微的过拟合。