h1

h2

h3

h4

h5
h6
http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Deep learning-based control of hydrogen dual-fuel engines = Deep-Learning-basierte Regelung von Wasserstoff-Zweikraftstoffmotoren



Verantwortlichkeitsangabevorgelegt von Alexander Emil Klaus Winkler

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen


Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University


Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
;

Tag der mündlichen Prüfung/Habilitation
2026-04-17

Online
DOI: 10.18154/RWTH-2026-09783
URL: https://publications.rwth-aachen.de/record/1044749/files/1044749.pdf

Einrichtungen

  1. Lehrstuhl für Mechatronik in mobilen Antrieben (422310)

Projekte

  1. DFG project G:(GEPRIS)317813673 - Stabilisierung des GCAI-Brennverfahrens durch die Nutzung innerzyklischer Korrelationen (Teilprojekt 3) (317813673) (317813673)

Inhaltliche Beschreibung (Schlagwörter)
MPC (frei) ; behavior cloning (frei) ; deep learning (frei) ; embedded systems (frei) ; hydrogen diesel dual-fuel (frei) ; internal combustion engine (frei) ; predictive control (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Der mittlere (MD) und schwere (HD) Transportsektor trägt aufgrund hoher Auslastung und langer Fahrzeuglebensdauer wesentlich zu den CO2-Emissionen bei, wodurch eine vollständige Elektrifizierung in naher Zukunft als unrealistisch gilt. Das Umrüsten bestehender Dieselmotoren auf Wasserstoff-Diesel-Zweikraftstoff-Betrieb (H2DF) bietet eine kosteneffiziente und skalierbare Möglichkeit zur CO2-Reduktion durch partielle Dieselkraftstoffersetzung bei Nutzung bestehender Infrastruktur. Die schnellen, nichtlinearen Verbrennungsdynamiken sowie erhöhte NOx-Emissionen im H2DF-Betrieb stellen für konventionelle Regelungen eine Herausforderung dar, sodass schnell entwickelbare, fortschrittliche Regelungsmethoden auf kostengünstigen Steuergeräten benötigt werden. Diese Arbeit adressiert diese Anforderungen durch einen modularen, datengetriebenen Entwicklungsprozess unter Nutzung von Deep Learning. Ein tiefes neuronales Netz (DNN) mit Gated Recurrent Units wird auf über 99.000 Zyklen experimenteller H2DF-Motordaten trainiert. Das Modell sagt zuverlässig zentrale Verbrennungsgrößen voraus, darunter den Indizierten Mitteldruck (IMEP), die NOx-Konzentration, die Rußpartikelmassekonzentration (PM) und die maximale Druckanstiegsgeschwindigkeit (MPRR). Zusätzlich wird automatisiertes maschinelles Lernen (AutoML) auf Hochleistungsrechnern eingesetzt, um die Netzwerkarchitektur von DNN automatisiert hinsichtlich Prädiktionsqualität und Effizienz zu optimieren. Das trainierte DNN wird direkt als gelernte Dynamik in eine nichtlineare modellprädiktive Regelung (MPC) mithilfe der quelloffenen Software acados integriert. Die numerische Formulierung beinhaltet die Integrierung von Regelgrößen in den Zustandsvektor und nachgiebiger Beschränkungen über Strafterme. In Motorversuchen mit dynamischen Lastreferenzen verbessert die MPC die IMEP-Regelung um 27.8% gegenüber einem werkseitigen dieselbasierten Regler des Motorherstellers, reduziert Rußemissionen um 61.1% und ermöglicht eine hohe Wasserstoffsubstitution. Dies ermöglicht eine potentielle CO2-Reduktion von 39.7% unter Einhaltung aller Nebenbedingungen. Erwartungsgemäß steigen jedoch die NOx-Emissionen deutlich an; der Mittelwert erhöht sich um 105.1%. Die vorgestellte Raspberry Pi-basierte Werkzeugkette ermöglicht eine durchgängige Entwicklung von Datengenerierung bis zum Prüfstandeinsatz in weniger als einem Tag und beschleunigt den Entwicklungsprozess gegenüber konventionellen Methoden erheblich. Zur Überwindung des Echtzeit-Rechenaufwands der MPC auf ressourcenbeschränkter Hardware wird ein Behavior Cloning (BC)-Ansatz umgesetzt. Die geklonte Regelstrategie repliziert erfolgreich das Verhalten der MPC auf dem Prüfstand, mit Inferenzzeiten unter 2 ms inklusive Kommunikationslatenz bei Einsatz am Motor. Eine Laufzeitmessung bestätigt zudem die Umsetzbarkeit der BC-Regelung auf ressourcenarmen Plattformen wie dem ESP32. Diese Arbeit präsentiert einen effizienten Entwicklungsprozess für fortschrittliche Regelstrategien von H2DF-Motoren. Der vorgestellte Ansatz ermöglicht sicheren, emissionsarmen und flexiblen Motorbetrieb und bietet eine praxisnahe Lösung zur Dekarbonisierung des MD und HD-Verkehrs, in dem alternative Antriebstechnologien wie Elektrifizierung oder der großflächige Einsatz erneuerbarer Kraftstoffe noch vor Herausforderungen bei der breiten Umsetzung stehen.

Medium-duty (MD) and heavy-duty (HD) transport contributes to a large share of CO2 emissions due to high utilization and long vehicle lifetimes. These vehicles have long ranges and energy demands, making full electrification impractical in the near term. Retrofitting existing diesel engines for hydrogen-diesel dual-fuel (H2DF) operation offers a cost-effective, scalable way to cut carbon emissions by partially substituting diesel with hydrogen while using existing infrastructure. However, H2DF combustion’s fast nonlinear dynamics and elevated nitrogen oxide (NOx) emissions pose a challenge for conventional controllers. Therefore rapidly developed advanced control methods deployable on low‐cost embedded hardware are needed to ensure safe, low‐emission operation. This thesis addresses these needs by proposing a modular, data-driven control development workflow by leveraging deep learning techniques. A gated recurrent unit based deep neural network (DNN) is trained on over 99,000 cycles of experimental H2DF engine data. The model accurately predicts key combustion outputs including indicated mean effective pressure (IMEP), NOx concentration, particulate matter (PM) concentration, and maximum pressure rise rate (MPRR). As an additional step, automated machine learning (AutoML) is employed on high performance computing to automatically optimize network architectures, balancing accuracy and efficiency. The trained DNN is directly integrated as learned dynamics into a nonlinear model predictive control (MPC) using the open-source framework acados. The formulation includes augmented controls and handling of soft constraints via slack penalties. In engine experiments, tracking dynamic load reference trajectories, the MPC improves IMEPtracking by 27.8% compared to a baseline diesel-only controller from the engine manufacturer, reduces soot emissions by 61.1%, and achieves high hydrogen substitution. This enables a potential reduction in carbon emissions of 39.7% while satisfying all operational constraints. As expected, however, NOx emissions increase substantially, with the mean value rising by 105.1%. The proposed Raspberry Pi-based toolchain enables end-to-end control development in under one day, significantly accelerating and simplifying the workflow compared to conventional methods. To overcome the real-time computational burden of MPC on constrained embedded targets, a behavior cloning (BC) approach is implemented. The cloned policy successfully replicates the MPC behavior on the test bench, with inference times below 2 ms including communication overhead, when deployed on the engine. Embedded profiling further confirms the feasibility of deploying the BC controller on resource-limited platforms such as the ESP32. This thesis presents a fast and cost-effective framework for developing advanced control strategies for retrofitted H2DF engines. The proposed approach supports safe, low-emission, and flexible engine operation, offering a practical solution for decarbonizing MD and HD transport where alternative propulsion methods such as electrification or the large-scale adoption of renewable fuels still face challenges to widespread implementation.

OpenAccess:
Download fulltext PDF
(additional files)

Dokumenttyp
Dissertation / PhD Thesis

Format
online

Sprache
English

Externe Identnummern
HBZ: HT031648248

Interne Identnummern
RWTH-2026-09783
Datensatz-ID: 1044749

Beteiligte Länder
Germany

 GO


OpenAccess

QR Code for this record

The record appears in these collections:
Document types > Theses > Ph.D. Theses
Faculty of Mechanical Engineering (Fac.4)
Publication server / Open Access
Public records
Publications database
422320

 Record created 2026-10-15, last modified 2026-11-09


OpenAccess:
Download fulltext PDF
(additional files)
Rate this document:

Rate this document:
1
2
3
 
(Not yet reviewed)