論文の概要: Bayesian Calibration of Engine-out NOx Models for Engine-to-Engine Transferability

• arxiv url: http://arxiv.org/abs/2511.18178v1
• Date: Sat, 22 Nov 2025 20:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.6759
• Title: Bayesian Calibration of Engine-out NOx Models for Engine-to-Engine Transferability
• Title（参考訳）: エンジン・エンジン間移動性のためのエンジン出力NOxモデルのベイズ校正
• Authors: Shrenik Zinage, Peter Meckl, Ilias Bilionis,
• Abstract要約: エンジンアウトNOxは、厳しい排出規制を満たすために不可欠である。 従来のアプローチは、少数のエンジンのデータに基づいて訓練されたモデルに依存していた。 本稿では,ガウス過程と近似ベイズ計算を組み合わせてセンサバイアスを推定・補正するベイズ校正フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of engine-out NOx is essential for meeting stringent emissions regulations and optimizing engine performance. Traditional approaches rely on models trained on data from a small number of engines, which can be insufficient in generalizing across an entire population of engines due to sensor biases and variations in input conditions. In real world applications, these models require tuning or calibration to maintain acceptable error tolerance when applied to other engines. This highlights the need for models that can adapt with minimal adjustments to accommodate engine-to-engine variability and sensor discrepancies. While previous studies have explored machine learning methods for predicting engine-out NOx, these approaches often fail to generalize reliably across different engines and operating environments. To address these issues, we propose a Bayesian calibration framework that combines Gaussian processes with approximate Bayesian computation to infer and correct sensor biases. Starting with a pre-trained model developed using nominal engine data, our method identifies engine specific sensor biases and recalibrates predictions accordingly. By incorporating these inferred biases, our approach generates posterior predictive distributions for engine-out NOx on unseen test data, achieving high accuracy without retraining the model. Our results demonstrate that this transferable modeling approach significantly improves the accuracy of predictions compared to conventional non-adaptive GP models, effectively addressing engine-to-engine variability and improving model generalizability.
• Abstract（参考訳）: エンジン出力NOxの正確な予測は、厳密な排出規制を満たし、エンジン性能を最適化するために不可欠である。 従来のアプローチは少数のエンジンのデータに基づいて訓練されたモデルに依存しており、センサバイアスや入力条件の変化によりエンジン全体の一般化に不十分である。 実世界のアプリケーションでは、これらのモデルは他のエンジンに適用した場合に許容されるエラー耐性を維持するためにチューニングや校正を必要とする。 これは、エンジンからエンジンへの可変性とセンサーの相違に対応するため、最小限の調整で適応できるモデルの必要性を強調している。 従来の研究では、エンジンアウトNOxを予測する機械学習手法が検討されてきたが、これらのアプローチは、異なるエンジンや運用環境間で確実に一般化できないことが多い。 これらの問題に対処するため,ガウス過程と近似ベイズ計算を組み合わせ,センサバイアスの推測と補正を行うベイズ校正フレームワークを提案する。 そこで本手法では, エンジン固有のセンサバイアスを同定し, 予測値を再検討する。 これらの推定バイアスを組み込むことにより,エンジンアウトNOxを未知のテストデータに基づいて後続の予測分布を生成し,モデルの再学習を行なわずに高い精度を実現する。 提案手法は,従来の非適応型GPモデルと比較して予測精度を著しく向上し,エンジン間変動に効果的に対処し,モデル一般化性を向上させる。

関連論文リスト

• Physics-based machine learning framework for predicting NOx emissions from compression ignition engines using on-board diagnostics data [3.379691307790944]
  本研究は, 圧縮着火エンジン駆動車から排出される窒素(NOx)の酸化物を予測・解析する物理ベースの機械学習フレームワークを提案する。 エンジン燃焼室内のNOx生成は、データ収集速度よりもはるかに短い時間スケールで発生する複雑なプロセスによって制御されるため、オンボード診断データセットからの正確なNOx予測は困難である。 遺伝的アルゴリズムやニューラルネットワークのようなブラックボックスモデルはより正確だが、解釈性は低い。
  論文  参考訳（メタデータ） (2025-03-07T18:11:23Z)
• A Causal Graph-Enhanced Gaussian Process Regression for Modeling Engine-out NOx [0.0]
  ガウス過程回帰を用いたエンジンアウトNOx排出予測モデルの開発と検証を行った。 入力ウィンドウとディープカーネル構造を用いる場合,本モデルにより予測性能が向上する。
  論文  参考訳（メタデータ） (2024-10-24T04:23:57Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• Physics-informed neural networks for predicting gas flow dynamics and unknown parameters in diesel engines [0.0]
  目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。 PINNモデルは可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。 本研究は、PINNモデルに加え、ディープニューラルネットワーク(DNN)の利用を検討する。
  論文  参考訳（メタデータ） (2023-04-26T19:37:18Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。