智能互聯車輛應用的開發已經成為整個汽車行業日益關注的話題。然而，與基于 ECU 的傳統車輛軟件相比，這些新應用也帶來了更多的不確定性。具體來說，技術可行性、用戶接受度和穩健性方面的問題，必須在系統設計階段盡早得到解決。

為了幫助解決這些問題，并更好地管理開發新型智能聯網車輛應用所帶來的不確定性，聯合汽車電子有限公司的工程團隊已基于 MATLAB 和 Simulink，確立了一種新的快速原型設計方法。

今天，就讓我們聽聽來自聯合汽車電子有限公司的分享。

作者：呂踐，聯合汽車電子有限公司

聯合汽車電子有限公司大數據業務數據挖掘工程師，目前專注于預測性控制類智能網聯應用的研究開發工作，曾先后負責ECM,VCU,XCU控制系統開發，在控制器架構，車云協同，產品原型設計，大數據業務方面有豐富經驗。畢業于慕尼黑工業大學電子信息工程專業碩士。

最近，我在聯合汽車電子有限公司的工程團隊采用上述這種方法開發并驗證了預測性汽油車顆粒捕集器 (GPF) 再生應用，可以提高燃油經濟性和駕駛性能，因為該應用將操作人員的駕駛風格和路線等諸多因素都考慮在內。該應用的系統架構包括一個在 Simulink 中開發的車輛 GPF 仿真模型、一個使用 App 設計工具設計并通過 MATLAB Web App Server 部署的 Web 應用，以及一個在 MATLAB Production Server 上托管的基于云的預測性 GPF 再生算法（圖 1）。憑借這種架構，我們不僅能夠快速構建可在車輛和車隊級別進行完整仿真的原型應用，而且能夠輕松地結合使用機器學習和深度學習方法，從而提高效率并減少構建精確仿真模型所需的時間。

圖 1. 預測性 GPF 再生算法的快速原型設計架構。

GPF 和預測性再生基礎知識

作為直噴汽油發動機車輛排放系統的關鍵組件，GPF 有助于去除尾氣中的顆粒物。為了確保捕集器始終能夠有效工作，必須通過再生過程定期燃燒掉隨時間的推移而積聚的碳煙。

確定何時最好啟動再生過程的控制策略至關重要，因為這一過程的啟動時機會影響多個關鍵性能指標，包括燃油效率、駕駛性能和捕集器自身的使用壽命。頻繁啟動再生過程會降低燃油經濟性，并對駕駛性能產生不利影響。反之，延遲啟動再生過程可能會導致碳煙積聚，從而增加排氣背壓，并將捕集器置于損壞的風險中。

由于再生過程只能在排氣溫度較高時進行，因此，該過程最好是在車輛高速行駛時進行，而不是在空轉時或走走停停的交通狀況下進行。雖然排放控制系統可以通過增加點火角來提高排氣溫度，但這會增加燃油消耗并降低駕駛性能。為了始終能夠確定再生過程的最佳啟動時間，控制算法必須能夠結合考慮諸多因素來預測預期高溫時段，這些因素包括車輛操作人員的駕駛風格、他們的計劃或預期路線，以及該路線沿途的交通狀況。我們的團隊利用 MATLAB 和 Simulink 通過快速原型設計開發的正是這種預測性再生算法。

開發車輛 GPF 模型

我們開始構建的首批組件里便有車輛 GPF 仿真模型。這種 Simulink 模型使用發動機轉速、發動機溫度和空燃當量比 (lambda) 等輸入值，計算碳煙積聚速度和捕集器的碳煙總量。它還包含多個子模型，用于計算捕集器溫度，控制捕集器的主動再生，以及跟蹤碳煙燃燒量（圖 2）。

圖 2. Simulink 車輛 GPF 模型。

鑒于依據物理和化學原理構建精確的 GPF 被控對象模型需要很長時間，我們采取了另一種方法。具體來說，我們使用了 Statistics and Machine Learning Toolbox 中的回歸學習器，通過我們收集的碳煙量數據訓練和驗證了一個回歸模型。我們還使用類似方法開發了一個長短期記憶 (LSTM) 模型，用于根據發動機轉速和發動機溫度等因素預測排氣溫度。我們使用 PyTorch 訓練了這個模型，并將其整合到了我們的 Simulink 模型中。這種將機器學習和深度學習相結合的數據驅動方法，不僅有助于生成精確的模型（圖 3），而且比基于第一性原理開發物理模型要快得多。

圖 3. 實際碳煙量（藍色）和預測碳煙量（紅色）的比較（上圖）以及用于訓練模型的發動機工況（下圖）。

開發并部署預測性 GPF 再生算法

在開發 Simulink 車輛 GPF 模型的同時，我們也在研究預測性再生算法本身。為了預測執行再生過程的最佳時間窗口，這種算法會連續執行一系列的操作：首先，獲取當前交通和環境狀況相關數據，例如相應的車輛位置和天氣情況；其次，基于獲得的信息估計車輛速度，然后再使用這個值來預測排氣溫度和隨后積聚的碳煙量；最后，預測何時需要執行再生過程，以及何時可以高效地執行該過程。換句話說，當車輛速度使得排氣溫度升高時，該算法便可確定啟動燃燒的時機。

我們在 PyTorch 中訓練了該算法的預測模型，并使用 MATLAB Production Server 將整個算法部署到了云端。在仿真過程中，部署的算法會與車輛 GPF 模型的實例進行通信。為了更輕松地將此模型部署到云端，并且考慮到未來有可能將我們的仿真擴展到車隊中的多輛車，我們使用 Simulink Compiler 將其打包為一個獨立的可執行文件，然后將其部署到 Docker 容器中。該預測性算法通過 Apache Kafka 事件流向車輛 GPF 模型發送信息。這些信息包括基于交通和環境狀況的數據值，如發動機轉速和溫度，以及基于算法預測模型的再生過程啟動命令。車輛 GPF 模型會處理該信息，并通過 Kafka 發回碳煙量和其他再生詳細信息（圖 4）。

圖 4. 預測性 GPF 再生算法與車輛 GPF 模型之間交換的 Kafka 事件。

構建 Web 應用前端

在我們的仿真環境中，最后一部分是用 App 設計工具開發并用 MATLAB Web App Server 部署的 Web 應用用戶界面。該應用利用 Mapping Toolbox 的函數來顯示路線圖。在該路線圖上，用戶可以為仿真的車輛選擇之前行駛過的多條路線之一進行導航（圖 5）。一旦用戶啟動仿真，預測算法就會向車輛 GPF 模型連續發送消息，從該模型接收碳煙量和其他數據，并確定合適的再生窗口和強制性再生窗口。前者是可以高效地執行再生過程而對駕駛性能和燃油經濟性影響最小的時段，后者則是應盡快啟動再生過程來清除積聚的碳煙的時段。

圖 5. 通過 MATLAB Web App Server 托管的 Web 應用。

結果和后續步驟

在運行了虛擬車輛駛過 4,500 多公里的仿真后，我們將新的預測性 GPF 再生策略的結果與傳統策略（比如目前在許多 ECU 上實施的策略）的結果進行了比較。結果顯示，主動再生次數和再生過程中消耗的燃料顯著減少，而且總體燃料消耗也略有下降（圖 6）。

圖 6. 傳統策略與預測性 GPF 策略的結果比較。

我們為預測性 GPF 再生確立的快速原型設計方法廣泛適用于各種智能聯網汽車應用。這種方法既涉及我們的汽車工程師擁有豐富經驗的工具，即用于工程數據分析和技術計算的 MATLAB 以及用于仿真的 Simulink，也不乏我們的工程師日益采用的新技術，如 Web 前端、云計算和機器學習。據我們預計，我們越來越多的團隊今后將會采用該方法，運用他們在 MATLAB 和 Simulink 方面的專業知識，打造新的云端智能應用。

審核編輯：湯梓紅