SwRI automatisiert die Kalibrierung der Emissionen schwerer Lkw

Das Southwest Research Institute (SwRI), eine gemeinnützige, unabhängige Organisation, die angewandte Forschung und Entwicklung für Kunden aus Regierung und Industrie betreibt, gab bekannt, dass es eine Methode zur Automatisierung der Kalibrierung von Abgasreinigungssystemen für schwere Diesel-Lkw unter Verwendung von maschinellem Lernen und algorithmenbasierter Optimierung entwickelt hat.

Das Southwest Research Institute nutzte maschinelles Lernen, um SCR-Systeme automatisch zu kalibrieren und gleichzeitig die Steuerung zu optimieren, um die Gesamtemissionen von Stickoxiden (NOx) und Ammoniak am Auspuff zu senken. (Quelle: Southwest Research Institute)

Die Kalibrierung moderner Diesel-Abgasnachbehandlungssysteme benötigt oft Wochen. Das neue Verfahren von SwRI soll die Kalibrierung in nur zwei Stunden ermöglichen.

„Die manuelle Kalibrierung von SCR-Systemen (Selektive Katalytische Reduktion) ist sehr arbeitsintensiv und erfordert oft sechs oder mehr Wochen an Tests und Arbeit“, so Venkata Chundru, leitender Forschungsingenieur in der Abteilung für fortgeschrittene Algorithmen des SwRI. „Durch die Kombination von fortschrittlicher Modellierung mit automatisierter Optimierung können wir die Kalibrierung beschleunigen und die Systemleistung verbessern und gleichzeitig die Einhaltung der zukünftigen Normen gewährleisten.“

Neue Standards der US-Umweltschutzbehörde (EPA) und des California Air Resources Board (CARB) sollen 2027 in Kraft treten. Sie regeln die zulässige Stickoxidmenge (NOx) eines Fahrzeugs im Verhältnis zu seinem Energieverbrauch. SwRI hat mehrere Projekte abgeschlossen, die bestehende Fahrzeugtechnologien verbessern und sie so an die neuen Standards anpassen oder diese sogar übertreffen.

In Fortführung dieser Arbeiten hat die Abteilung Antriebstechnik des SwRI ein Verfahren zur automatisierten Kalibrierung von SCR-Systemen für Dieselmotoren entwickelt. Die meisten SCR-Systeme reduzieren die Motorabgase mithilfe einer ammoniakbasierten Lösung, beispielsweise der harnstoffhaltigen Dieselabgasflüssigkeit, die in den Abgasstrom eingespritzt wird. Das dosierte Abgas reagiert mit einem Katalysator und erzeugt eine chemische Reaktion, die NOx in unschädliches Wasser und Stickstoff umwandelt.

Das Projektteam entwickelte ein physikbasiertes neuronales Netzwerkmodell für maschinelles Lernen, das sowohl aus Daten als auch aus physikalischen Gesetzen lernt und dadurch schnellere und präzisere Ergebnisse liefern soll. Durch Simulationen eines aktiven SCR-Systems konnte das Team die Harnstoffdosierung optimieren, um die Gesamtemissionen von NOx und Ammoniak zu senken und optimale Motoreinstellungen schnell zu ermitteln. Das Modell lernt anschließend, diese Einstellungen zu identifizieren und die Kalibrierungsprozesse abzubilden, was eine vollständige Automatisierung ermöglicht.

„Im Vergleich zur manuellen Kalibrierung lieferte die von uns entwickelte Methode unter anderem deutlich schnellere Kalibrierzeiten und eine verbesserte NOx-Umwandlungseffizienz“, sagte Chundru. „Sie bietet uns einen skalierbaren und kostengünstigen Weg für zukünftige Anwendungen im Schwerlastbereich.“