51-51 2021 [추계학술대회]
| 제목 | 딥러닝을 이용한 노킹 센서 기반 노킹 강도 예측 모델 개발 |
|---|---|
| 분야 | 모빌리티 동력 및 구동시스템 |
| 언어 | Korean |
| 저자 | 박지환( 서울대학교), 신승협(서울대학교), 이승현( 현대자동차), 정인수( 현대자동차), 민경덕( 서울대학교) |
| Key Words | Knocking(노킹), Deep learning(딥러닝), Knock sensor(노킹 센서), Spark-ignited Engine (가솔린 엔진), Neural Network(인공 신경망) |
| 초록 |
가솔린 엔진에 관한 배기 배출 규제가 강화됨에 따라 엔진의 고성능화, 고효율화는 필수적이게 되었다. 가솔린 엔진 성능 및 효율 향상의 장애물은 노킹이다. 노킹은 미연소 혼합물의 높은 온도와 압력으로 인한 자발화에서 비롯되며, 자발화로 인한 압력 상의 진동은 엔진의 내구와 소음에 부정적인 영향을 미치므로 적절히 제어되어야 한다. 현행 엔진의 경우 노킹 센서가 장착되어 노킹이 제어된다. 노킹 센서는 엔진 실린더 블록에 부착되는 진동 센서로, 진동 센서로 취득된 진동 신호는 ECU에서 후처리 과정을 거쳐 최종적으로 노킹 강도로 계산된다. 이 때, 고주파 영역의 진동 발생 정도가 많다고 판단될 경우 점화 시기를 늦춰 노킹을 조율하는데, 고주파 영역에 대한 임계점 설정이 경험에 의존한다는 한계가 있으며, 압력 신호를 직접 확인해 노킹 강도를 결정하는 방식에 비해 정확도가 떨어진다. 이 때, 실제 노킹 강도에 비해 높은 강도로 예측될 경우, 점화 지연이 필요 이상으로 늦춰서 효율이 떨어질 수 있다. 반대의 경우 노킹이 발생함에도 점화 시기 조율이 되지 않아 엔진에 부정적인 영향을 미칠 수 있다. 따라서, 높은 노킹 강도 예측율은 엔진의 내구 및 효율 측면에서 필수적이라고 할 수 있다. 압력 센서를 엔진에 장착하여 연소 사이클 별 실제 노킹 강도를 계산하여 점화 시기를 조율하는 방식이 제일 이상적이지만, 압력 센서를 장착하여 엔진을 양산하는 것은 비용 및 내구 문제로 노킹 센서 활용이 필수적이며, 센서의 신호 처리 정확도를 올리는 것이 필수다. 이에, 본 연구에서는 비약적으로 발전된 컴퓨터 성능을 기반으로 여러 연구에 적용되는 인공 신경망을 활용하여 높은 예측도를 지니는 노킹 강도 예측 모델을 제작했다. 실험 데이터는 다기통 엔진 상에서 다양한 부하, 엔진 속도, 점화시기 상에서 취득했다. 모델 제작을 위해 실제 노킹 강도를 계산하기 위한 압력 신호 및 노킹 센서 신호를 취득하여 각각 딥러닝 모델의 Input 및 Output 데이터로 활용했다. 학습 정확도의 향상을 위해 각 데이터는 후처리되었으며, 딥러닝 모델은 Fully-connected layer와 1D Convolution neural network가 사용됐다. 그 결과, 기존 후처리 방식에 비해 높은 예측 정확도를 지니는 노킹 예측 모델을 제작할 수 있었다. |
| 원문(PDF) | 다운로드 |