163-163 2018 [추계학술대회]
| 제목 | 딥러닝을 이용한 가솔린 엔진에서의 노킹 발생 시점 판정 모델 개발 |
|---|---|
| 분야 | 가솔린엔진 |
| 언어 | Korean |
| 저자 | 박지환(서울대학교), 김민재(명지대학교), 민경덕(서울대학교), 이상열(호서대학교), 조석원(서울대학교), 송치헌(서울대학교) |
| Key Words | Knocking(노킹), Knock Onset(노킹 발생 지점), Neural Network(인공 신경망), Ignition Delay(점화 지연 시간), Spark-Ignited Engine(가솔린 엔진) |
| 초록 |
최근 강화되고 있는 연비 규제로 인해 자동차 산업에 있어 가솔린 엔진의 효율 증대의 중요성이 커 지고 있다. 이에 따라, 가솔린 엔진의 효율을 높이기 위한 일환으로 내부 유동 강화, 냉간 최적화, 배 기 재순환(EGR) 등 여러 방법이 제시되었다. 일반적으로 각 운전조건에서 MBT(maximum brake torque) 를 확보하는 것이 효율 증대에 있어 가장 바람직하나, 저속 고부하 조건과 같은 노킹 발생 조건 (knock-prone condition)에서는 MBT 확보보다 엔진 손상을 방지하기 위한 점화시기 지각이 우선시된 다. 이는 엔진 효율 향상의 주요한 장애물이라 할 수 있다. 점화 지연 시간의 계산은 노킹 발생 시기의 정확한 판단을 가능하게 하며, 이는 미래형 초고효율 엔 진 개발에 필수적인 요소라 할 수 있다. 또한 빠른 계산 속도를 위해서는 0D(zero-dimensional) 점화 지연 모델의 도입이 필요하다. 실린더 내부의 상태를 빠르고 정확하게 예측하기 위해서는 실린더 압력 센서를 이용하는 방법이 가장 섬세하고 신뢰성 있음이 잘 알려져 있다. 앞서 말한 모델을 수립하기 위 해서는 실린더 내 압력으로부터 자발화가 일어나는 시점까지의 내부 조건에 대한 정확한 추정을 필요 로 하기 때문에, 노킹 발생 시기(knock onset)를 정확하게 판정하는 것이 무엇보다 중요하다. 많은 선행연구에서 노킹 발생 시기의 정확한 판단을 위한 방법론을 제시한 바 있으나, 이러한 방법 론들은 미약 노킹 조건 및 과급 영역을 포함한 다양한 조건에서 그 시점의 추정이 정확하지 않음을 보 였다. 이에 본 연구에서는 기존 방식들의 단점을 극복하기 위해 노킹 발생 지점 결정에 딥러닝(인공 신경망) 학습 방식을 도입하였다. 본 연구에서는 가솔린 단기통 엔진 실험을 기반으로 하여 학습을 진행하였다. 실험 데이터는 다양한 부하, 엔진 속도, 점화시기에서 수행하였으며, 이로부터 인공지능의 정확성을 광범위한 영역에서 확보 할 수 있었다. 각 사이클에서의 실린더내 압력 취득값을 입력 변수, 해당 사이클의 노킹 발생 시점 (knock onset)을 출력 변수로 결정하여 학습을 진행하였다. 학습의 최적화를 위해 Hidden layer, learning rate 및 학습 횟수를 조율하였다. 그 결과, 인공지능을 이용한 노킹발생시기의 결정에서 그 정확도를 판단할 수 있는 RMSE가 줄어듦을 확인하였다. 특히, 혼합기가 농후한 조건 (λ=0.9)에서 압 력 신호 진동에 의한 노킹 발생 시점 결정 오류를 개선할 수 있는 여지가 있음을 확인하였다. |
| 원문(PDF) | 다운로드 |