Nghiên cứu ứng dụng mạng trí tuệ nhân tạo trong dự đoán tiêu hao nhiên liệu của xe máy ở điều kiện lái thực

Nội dung text: Nghiên cứu ứng dụng mạng trí tuệ nhân tạo trong dự đoán tiêu hao nhiên liệu của xe máy ở điều kiện lái thực

1. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải NGHIÊN CỨU ỨNG DỤNG MẠNG TRÍ TUỆ NHÂN TẠO TRONG DỰ ĐOÁN TIÊU HAO NHIÊN LIỆU CỦA XE MÁY Ở ĐIỀU KIỆN LÁI THỰC 1Phạm Ngọc Ninh, 1Trịnh Trọng Nghĩa, 1Nguyễn Đức Khánh, 1Lê Anh Tuấn, 2Nguyễn Thị Yến Liên 1 Viện Cơ khí Động lực – Trường Đại học Bách khoa Hà Nội 2 Khoa Môi trường và An toàn Giao thông - Trường Đại học Giao thông Vận tải Tác giả liên hệ: Email: khanh.nguyenduc@hust.edu.vn Tóm tắt: Trong nghiên cứu này, nhóm tác giả sử dụng công cụ ANN (Artificial Neural Network) để xây dựng mô hình dự đoán tiêu hao nhiên liệu của xe máy ở điều kiện lái thực. Do sự đa dạng về các dòng xe máy đang lưu hành cũng như hạn chế thông tin về các phương tiện này, việc ước tính mức độ tiêu hao nhiên liệu ở điều kiện vận hành thực tế của xe rất khó khăn. Việc sử dụng mô hình ANN để dự đoán mức tiêu thụ nhiên liệu của phương tiện và ước lượng mức phát thải khí hiệu ứng nhà kính của phương tiện xe máy là một phương pháp hiệu quả. Để thực hiện được nghiên cứu này, nhóm đã thiết kế chế tạo thiết bị thu thập dữ liệu làm việc tức thời của xe máy gồm hai thông số vận tốc và lượng nhiên liệu tiêu thụ. Với cơ sở dữ liệu thử nghiệm trên các tuyến đường đặc trưng của thành phố Hà Nội, mô hình dự đoán tiêu hao nhiên liệu đã được xây dựng thành công. Mô hình cho kết quả dự đoán mức tiêu hao nhiên liệu trung bình với độ chính xác khá cao, sai lệch giữa kết quả dự đoán và kết quả đo đạc dưới 15%. Từ khóa: ANN, MLP, Motorcycle, fuel consumption 1. ĐẶT VẤN ĐỀ Vấn đề liên quan tới tiêu thụ nhiên liệu đang là chủ đề được các nhà chính sách, nhà sản xuất cũng như người sử dụng phương tiện giao thông đặc biệt quan tâm. Tính toán hay ước tính lượng tiêu thụ nhiên liệu của phương tiện giao thông sẽ làm rõ hơn tính kinh tế nhiên liệu và lượng phát thải độc hại thải ra môi trường. Các nhà khoa học đã phát triển nhiều mô hình ước tính lượng tiêu thụ nhiên liệu của phương tiện giao thông vận tải. Mô hình tính toán góp phần hữu ích trong việc phát triển chính sách, xây dựng chu trình lái sạch, thân thiện môi trường. Có nhiều nghiên cứu đã được thực hiện để xây dựng các mô hình tính t toán mức tiêu thụ nhiên liệu [1-7]. Theo các nguồn tài liệu tham khảo, việc phát triển một mô hình dự đoán tiêu hao nhiên liệu là quá trình sử dụng phương pháp tính toán để dự đoán các thông số đầu ra. Trong đó, sử dụng các phương trình toán học để mô tả quy luật liên hệ giữa tiêu hao nhiên liệu và chế độ vận hành của phương tiện giao thông, ví dụ như vận tốc, được -358-
2. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải quan tâm nhiều. Các mô hình toán học được xây dựng dựa trên thuật nội suy được sử dụng khá phổ biến [8]. Tuy nhiên, việc sử dụng các mô hình dựa trên thuật nội suy sẽ gặp khó khăn trong việc mô tả các bài toán phức tạp. Do đó, các mô hình dự đoán sử dụng công nghệ tín toán bằng máy tính sẽ khắc phục được hạn chế này mà không cần đưa ra các phương trình mô tả. Một trong những phương pháp đã và đang được các nhà nghiên cứu quan tâm là sử dụng mạng nơ ron nhân tạo. Việc sử dụng mạng nơ ron cũng tương tự như sử dụng các hàm tuyên tính hay phi tuyến nhưng ko cần liệt kê các biến độc lập hay phụ thuộc [8]. Cấu trúc của mạng nơ ron cũng rất đa dạng, trong đó mô hình được sử dụng phổ biến nhất là Feed – forward [8, 9]. Mô hình này sử dụng thuật toán Back – propagation là thuật toán được sử dụng phổ biến trong cách lĩnh vực như hàng không [10], động cơ đốt trong [11], phương tiện giao thông [12, 13] và tàu thủy [14]. Trong nghiên cứu này, mô hình dự đoán dựa trên mạng nơ ron được sử dụng để tính toán lượng nhiên liệu tiêu thụ của xe máy ở điều kiện lái thực tế. Để xây dựng mô hình dự đoán tiêu hao nhiên liệu cho xe máy, cần thu thập dữ liệu lái thực của xe bao gồm tiêu hao nhiên liệu và vận tốc tức thời theo thời gian. Để thu thập dữ liệu lái thực của xe, có nhiều phương pháp như sử dụng hộp chuẩn đoán OBD [15, 16], hoặc tính toán tiêu hao nhiên liệu gián tiếp qua lưu lượng khí thải của xe bằng cách sử dụng thiết bị đo khí thải di động [3, 4]. Trong nghiên cứu này, nhóm tác giả đã phát triển một thiết bị gắn lên xe để đo đạc liên tục tiêu hao nhiên liệu và tốc độ tức thời của xe. Trong đó, tiêu hao nhiên liệu được xác định gián tiếp qua thời gian mở kim phun nhiên liệu và tốc độ của xe được xác định gián tiếp qua tốc độ vòng quay bánh xe. 2. PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Thiết bị thí nghiệm Quá trình nghiên cứu thử nghiệm được tiến hành trên xe máy Piaggio Liberty 3Vie. Thông số kỹ thuật cơ bản của xe được lựa trình bày trong Bảng 1. Bảng 1. Thông số kỹ thuật cơ bản của xe thử nghiệm Nhãn hiệu và hangx Piaggio, Liberty 3Vie Kiểu động cơ 1 xylanh, 4 kỳ, Đánh lửa điện tử Năm sản xuất 2013 Số km đã đi 20.000 km Dung tích xylanh 149 cm3 Công suất cực đại 8,60 kW/8000 vòng/phút Momen cực đại 11,20 Nm/ 6250 vòng/phút Hệ thống nhiên liệu Phun xăng điện tử -359-
3. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 2.2. Thiết bị thu thập dữ liệu Để thu thập dữ liệu lái ngoài thực tế của xe, bao gồm tốc độ và tiêu thụ nhiên liệu. Nhóm nghiên cứu thực hiện chế tạo một bộ thu thập dữ liệu (DLD-Data logger device) như được thể hiện trên Hình 1. Cảm biến hồng ngoại Điện thoại di động IR Mô dul Bluetooth Khối xử lý Xung phun Hình 1. Sơ đồ nguyên lý thiết bị đo đạc, lưu trữ và hiển thị dữ liệu Như thể hiện trên Hình 1, vận tốc tức thời của xe được xác định qua tốc độ quay của bánh xe bằng cách sử dụng cảm biến hồng ngoại (IR). Lượng nhiên liệu tiêu thụ tức thời được xác bằng cách đo độ rộng xung điều khiển phun và đặc tính vòi phun. Thiết bị thu thập dữ liệu kết nối với thiết bị di động qua Bluetooth để hiện thị và lưu trữ liên tục dữ liệu tốc độ và tiêu hao nhiên liệu. 2.3. Lựa chọn tuyến đường Quá trình chạy thực tế trên đường để thu thập dữ liệu lái thực của xe máy ở Hà Nội, nhóm tác giả lựa chọn những tuyến đường đặc trưng của thành phố [17]. Trung tâm thành phố Hà Nội được chia thành 4 khu vực, vì vậy tác giả lựa chọn 4 cung đường đặc trưng để thu thập dữ liệu lái thực. Dữ liệu lái thực sau khi thu thập được xử lý để loại bỏ các nhiễu và điểm kỳ dị trước khi sử dụng để xây dựng mô hình. 2.4. Xây dựng mô hình mạng nơ ron dự đoán tiêu hao nhiên liệu Cấu trúc của mô hình dự đoán tiêu hao nhiên liệu của xe máy được thể hiện trên Hình 2. Theo như thể hiện trên sơ đồ, đầu vào của mô hình gồm 3 thành phần bao gồm giá trị tốc độ của xe, độ thay đổi tốc độ và biến sign đặc trưng cho chế độ tăng tốc và giảm tốc của xe. Thông số đầu ra của mô hình là giá trị tiêu thụ nhiên liệu tức thời của xe. Lớp vào mô hình có 3 nơ ron tương ứng với 3 giá trị đầu vào. Lớp ra có 1 nơ ron tương ứng với giá trị dự đoán đầu ra là tiêu hao nhiên liệu. Lớp ẩn của mô hình được lựa chọn gồm 18 nơ ron để đảm bảo sai số tính toán của mô hình là nhỏ nhất. Bộ dữ liệu đầu vào để huấn luyện mô hình (chiếm 80% tổng dữ liệu đo đạc thực nghiệm) bao gồm 20 file dữ liệu tương đương khoảng 20.000 điểm dữ liệu thể hiện -360-
4. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải mối quan hệ giữa vận tốc, tiêu hao nhiên liệu theo thời gian. Khoảng 20% dữ liệu đo đạc thực nghiệm được sử dụng để đánh giá mô hình. Phần dữ liệu này đựa chia thành 2 nhóm. Nhóm thứ nhất được thu thập trên cùng một tuyến đường với bộ dữ liệu dùng để huấn luyện (đường Giải Phóng). Nhóm thứ hai được thu thập trên một tuyến đường không nằm trong bộ dữ liệu huấn luyện (đường Trần Khát Chân). Hình 2. Cấu trúc mô hình mạng nơ ron 3. KẾT QUẢ VÀ THẢO LUẬN 3.1. Đánh giá độ chính xác của mô hình dựa trên dữ liệu lái thực có liên hệ với dữ liệu huấn luyện Kết quả kiểm tra khả năng dự đoán của mô hình được thực hiện bằng cách sử dụng nhóm dữ liệu thu thập trên cung đường Giải Phóng, là cung đường sử dụng để lấy dữ liệu huấn luyện mô hình. Kết quả so sánh mối tương quan giữa tiêu hao nhiên liệu dự đoán và tiêu hao nhiên liệu đo đạc trên thực tế được thể hiện trong Hình 3. Kết quả so sánh giá trị tiêu hao nhiên liệu tức thời theo thời gian giữa kết quả dự đoán và giá trị đo đạc được thể hiện trong Hình 4. Với 3 tập dữ liệu trên cung đường Giải Phóng, kết quả cho thấy khả năng dự đoán của mô hình tương đối chính xác. Mẫu 1 (Hình 3-a) cho hệ số tương quan 0,6662, sai lệch chuẩn là 23,142 mg/s và độ lệch chuẩn 12,075%; Mẫu 2 (Hình 3-b) cho hệ số tương quan 0,6773, sai lệch chuẩn là 27,801 mg/s và độ lệch chuẩn 14,651%; Mẫu 3 (Hình 3-b) cho hệ số tương quan 0,6773, sai lệch chuẩn là 28,825 mg/s và độ lệch chuẩn 14,947%. Kết quả so sánh giá trị tiêu hao nhiên liệu tức thời ở Hình 4 cho thấy, ở mỗi một điểm trên đồ thị có sự sai lệch khá lớn giữa giá trị dự đoán và giá trị đo. Trong toàn bộ thời gian chạy, có khoảng 76,83%, 71,00% và 83,67% các điểm có sai lệch dự đoán nằm dưới 20%. Lượng nhiên liệu tiêu thụ tính trung bình trên toàn cung đường thử nghiệm giữa giá trị đo và giá trị dự đoán lần lượt là Mẫu 1 (Hình 4-a) 2,92 và 2,65 lít/100 km (sai lệch 9,4%); Mẫu 2 (Hình 4-b) 2,74 và 2,58 lít/100 km (sai lệch 5,9%) và Mẫu 3 (Hình 4-c) 2,80 và 2,58 lít/100 km (sai lệch 7,8%). -361-
5. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 300 300 (a) 250 250 (b) 200 200 150 150 100 100 R= 0.6662 R= 0.6773 FCdự đoán(mg/s) RMSE = 23.142 (mg/s) 50 FCdự đoán(mg/s) RMSE = 27.801 (mg/s) 50 MRE = 12.075% MRE = 14.651% 0 0 0 50 100 150 200 250 0 50 100 150 200 250 300 FC đo đạc (mg/s) FC đo đạc (mg/s) 300 250 (c) 200 150 100 R= 0.6773 FCdự đoán(mg/s) RMSE = 28.825 (mg/s) 50 MRE = 14.947% 0 0 50 100 150 200 250 300 FC đo đạc (mg/s) Hình 3. Mối tương quan giữa giá trị đo và giá trị dự đoán của 3 mẫu có liên hệ 3.2. Đánh giá độ chính xác của mô hình dựa trên dữ liệu lái thực có liên hệ với dữ liệu độc lập Bộ dữ liệu độc lập thu thập trên cung đường Trần Khát Chân được sử dụng để đánh giá khả năng dự đoán của mô hình với các bộ dữ liệu không tương đồng với bộ dữ liệu huấn luyện mô hình. Kết quả đánh giá sự tương quan giữa kết quả dự đoán và giá trị đo đạc được thể hiện trong Hình 5 và giá trị tiêu hao nhiên liệu tức thời theo thời gian được thể hiện trong Hình 6. Với 2 tập dữ liệu trên cung đường Trần Khát Chân, kết quả thể hiện rõ hơn khả năng dự đoán của mô hình mạng nơ ron. Mẫu 1 (Hình 5-a) cho hệ số tương quan 0,5663, sai lệch chuẩn là 24,8921 mg/s và độ lệch chuẩn 15,202%; Mẫu 2 (Hình 5-b) cho hệ số tương quan 0,5908, sai lệch chuẩn là 25,903 mg/s và độ lệch chuẩn 16,445% Trong toàn bộ thời gian chạy, có khoảng 75,94% và 70,76 % các điểm có sai lệch dự đoán nằm dưới 20%. Như vậy, khả năng dự đoán ở các điểm tương đương với trường hợp sử dụng bộ dữ liệu của tuyến Giải phóng. Lượng nhiên liệu tiêu thụ tính trung bình trên toàn cung đường thử nghiệm giữa giá trị đo và giá trị dự đoán lần lượt là Mẫu 1 (Hình 6-a) 2,42 và 2,56 lít/100 km (sai lệch 5,91%); Mẫu 2 (Hình 6-b) 2,40 và 2,61 lít/100 km (sai lệch 8,1%). Điều này cho thấy, trong cung đường chạy, khả năng dự đoán lượng nhiên liệu trung bình cho kết quả ổn định. -362-
6. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Tốc độ xe (km/h) FC đo đạc (mg/s) FC dự đoán (mg/s) 300 140 (a) 250 120 100 200 80 150 60 FC(mg/s) 100 Tốc độxe (km/h) 40 50 20 0 0 0 200 400 600 800 1000 1200 1400 Thời gian (s) Tốc độ xe (km/h) FC đo đạc (mg/s) FC dự đoán (mg/s) 300 140 (b) 250 120 100 200 80 150 60 FC(mg/s) 100 Tốc độxe (km/h) 40 50 20 0 0 0 200 400 600 800 1000 1200 Thời gian (s) Tốc độ xe (km/h) FC đo đạc (mg/s) FC dự đoán (mg/s) 300 140 (c) 250 120 100 200 80 150 60 FC(mg/s) 100 Tốc độxe (km/h) 40 50 20 0 0 0 200 400 600 800 1000 1200 Thời gian (s) Hình 4. So sánh giá trị tức thời giữa dự đoán và đo đạc của 3 mẫu liên hệ -363-
7. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 300 300 (a) 250 250 (b) 200 200 150 150 100 100 R = 0.5663 R= 0.5908 FCdự đoán(mg/s) RMSE = 24.921 (mg/s) FCdự đoán(mg/s) RMSE = 25.903 (mg/s) 50 50 MRE = 15.202% MRE = 16.445% 0 0 0 50 100 150 200 250 0 50 100 150 200 250 300 FC đo đạc (mg/s) FC đo đạc (mg/s) Hình 5. Mối tương quan giữa giá trị đo và giá trị dự đoán của 2 mẫu độc lập Tốc độ xe (km/h) FC đo đạc (mg/s) FC dự đoán (mg/s) 300 140 (a) 250 120 100 200 80 150 60 FC(mg/s) 100 Tốc độxe (km/h) 40 50 20 0 0 0 200 400 600 800 1000 1200 Thời gian (s) Tốc độ xe (km/h) FC đo đạc (mg/s) FC dự đoán (mg/s) 300 140 (b) 250 120 100 200 80 150 60 FC(mg/s) 100 Tốc độxe (km/h) 40 50 20 0 0 0 200 400 600 800 1000 1200 Thời gian (s) Hình 6. So sánh giá trị tức thời giữa dự đoán và đo đạc của 2 mẫu độc lập -364-
8. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 4. KẾT LUẬN Dữ liệu lái và tốc độ tiêu thụ nhiên liệu ngoài thực tế của mẫu xe Piaggio, Liberty 3Vie đã được thu thập một cách liên tục theo từng giây bằng thiết bị mà nhóm nghiên cứu đã phát triển dựa trên việc ứng dụng cảm biến hồng ngoại và việc đo độ rộng xung điều khiển phun. Dữ liệu này đã được sử dụng để phát triển mô hình dự báo mức tiêu hao nhiên liệu trung bình dựa trên dữ liệu lái ngoài thực tế. Mô hình mạng thần kinh nhân tạo đã được sử dụng để phát triển mô hình dự báo này. Kết quả nghiên cứu cho thấy mô hình ANN với 3–1–1 đã cho kết quả dự đoán mức tiêu hao nhiên liệu trung bình với độ chính xác khá cao, sai lệch giữa kết quả dự đoán và kết quả đo đạc dưới 15%. Mô hình tiêu thụ nhiên liệu được đề xuất là một công cụ hữu hiệu cho việc dự báo mức tiêu hao nhiên liệu của xe máy, góp phần quan trọng trong quản lý chất lượng không khí liên quan đến các phương tiện vận tải ở Việt Nam. TÀI LIỆU THAM KHẢO 1. Rakha HA, Ahn K, Moran K, Saerens B, Van den Bulck E (2011): Virginia tech comprehensive power-based fuel consumption model: model development and testing. Transportation Research Part D: Transport and Environment 16, 492-503 2. Xiao Y, Zhao Q, Kaku I, Xu Y (2012): Development of a fuel consumption optimization model for the capacitated vehicle routing problem. Computers & operations research 39, 1419-1431 3. Song Y-y, Yao E-j, Zuo T, Lang Z-f (2013): Emissions and fuel consumption modeling for evaluating environmental effectiveness of ITS strategies. Discrete Dynamics in Nature and Society 2013 4. Bifulco GN, Galante F, Pariota L, Spena MR (2015): A linear model for the estimation of fuel consumption and the impact evaluation of advanced driving assistance systems. Sustainability 7, 14326-14343 5. Wang J, Rakha HA (2016): Fuel consumption model for conventional diesel buses. Applied Energy 170, 394-402 6. Satiennam T, Seedam A, Radpukdee T, Satiennam W, Pasangtiyo W, Hashino Y (2017): Development of on-road exhaust emission and fuel consumption models for motorcycles and application through traffic microsimulation. Journal of Advanced Transportation 2017 7. Kan Z, Tang L, Kwan M-P, Zhang X (2018): Estimating vehicle fuel consumption and emissions using GPS big data. International journal of environmental research and public health 15, 566 8. Kim D, Lee J (2010): Application of neural network model to vehicle emissions. International Journal of Urban Sciences 14, 264-275 9. Hsieh WW (2009): Machine learning methods in the environmental sciences: Neural Networks and Kernels, Cambridge University Press 10. Schilling GD 1997: Modeling aircraft fuel consumption with a neural network, Virginia Tech -365-
9. Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 11. Togun NK, Baysec S (2010): Prediction of torque and specific fuel consumption of a gasoline engine by using artificial neural networks. Applied Energy 87, 349-355 12. Ertuna L 2016: Prediction of vehicle fuel consumption using feed-forward artificial neural network model, Working Paper 13. Perrotta F, Parry T, Neves LC (2017): Application of machine learning for fuel consumption modelling of trucks, 2017 IEEE International Conference on Big Data (Big Data). IEEE, pp. 3810-3815 14. Le LT, Lee G, Park K-S, Kim H (2020): Neural network-based fuel consumption estimation for container ships in Korea. Maritime Policy & Management, 1-18 15. Giraldo M, Huertas JI (2019): Real emissions, driving patterns and fuel consumption of in-use diesel buses operating at high altitude. Transportation Research Part D: Transport and Environment 77, 21-36 16. Saerens B, Rakha H, Ahn K, Van Den Bulck E (2013): Assessment of alternative polynomial fuel consumption models for use in intelligent transportation systems applications. Journal of Intelligent Transportation Systems 17, 294-303 -366-