KR102202926B1

KR102202926B1 - 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법

Info

Publication number: KR102202926B1
Application number: KR1020200003864A
Authority: KR
Inventors: 백남철
Original assignee: 주식회사 현대케피코
Priority date: 2020-01-10
Filing date: 2020-01-10
Publication date: 2021-01-14

Abstract

본 발명은 엔진제어기에서 엔진 실린더 내 엔진 제어 파라미터로부터 열역학적 상태량을 계산하는 단계; 열역학적 상태량, 엔진의 실측 데이타 및 질소산화물 분석기의 실시간 측정값으로부터 질소산화물 추정 딥러닝 모델을 산출하는 단계; 딥러닝 모델로부터 엔진제어기에서 배기가스 저감을 위한 매핑된 엔진제어 파라미터를 보정하는 단계; 열역학적 상태량은 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값으로부터 계산된다.

Description

딥러닝 기반 실시간 질소산화물 저감 엔진제어방법{A real time engine control method for reducing NOx in use with deep-learning}

본 발명은 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법에 관한 것으로서 보다 상세하게는, 자동차에서 배출되는 질소산화물(NOx)을 저감시키기 위한 엔진제어에 관한 것이다.

자동차에서 발생하는 배기가스는 여러 가지의 유해물질을 포함하고 있다.

그 중에서도 질소산화물(NOx)은 대기환경의 보호를 위해 그 발생량이 더욱 규제되고 있는 추세이다.

자동차에서 배출되는 질소산화물을 저감하기 위해서는 이미 배출된 배기가스를 후처리하는 장치 뿐 아니라, 배기가스 재순환장치, 그리고 희박 연소 엔진의 제어인자를 최적화시키는 등 여러 시도가 있어왔다.

희박 연소 엔진이 적용된 차량에서는 후처리 장치로써 질소산화물 정화 장치를 적용하는 차량 대수가 증가하고 있으며, 질소산화물 정화 장치중 질소산화물 흡장, 정화 촉매는 질소산화물 정화 촉매내 질소산화물을 일시적으로 흡착 또는 흡장함으로써 질소산화물을 정화하게 된다.

이를 복합해서 적용하기도 하며, 질소산화물 정화 장치 재생이 필요하다고 판단될 때, 엔진 연소실내 연료 분사 장치 또는 공기량 조절 장치의 제어를 통해 공연비의 변경이 이루어지고, 이러한 공연비 제어를 통해 일반 운전 조건(희박 운전)에서 농후한 공연비 조건으로 운전 조건이 변경됨으로써 질소산화물 정화 장치에서 재생이 이루어진다.

강화되는 배기 규재 내에서 질소산화물 저감 제어를 위해서는 궁극적으로 실도로 주행 측정에 대응하기 위한 실시간 질소산화물 저감기술이 요구된다.

KR

2009-0005613

A

위와 같은 종래 기술의 문제점을 극복하기 위한 본 발명은 실도로 주행 측정에 대응가능하도록 실시간으로 질소산화물 저감용 엔진제어 방법을 제공하는 것이다.

엔진제어기에서 엔진 실린더 내 엔진 제어 파라미터로부터 열역학적 상태량을 계산하는 단계; 열역학적 상태량, 엔진의 실측 데이타 및 질소산화물 분석기의 실시간 측정값으로부터 질소산화물 추정 딥러닝 모델을 산출하는 단계; 딥러닝 모델로부터 엔진제어기에서 배기가스 저감을 위한 매핑된 엔진제어 파라미터를 보정하는 단계; 열역학적 상태량은 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값으로부터 계산된다.

또한, 엔진의 실측 데이터는 흡기온도, 연료압력, 연료분사시간, 공연비, 공기질량유량, 연료질량유량 중 어느 한 개 이상의 값을 제공한다.

또한, 질소산화물 추정 딥러닝 모델은 엔진의 실측 데이터는 엔진 테스트베드 시험의 데이터를 취득하며, 엔진 테스트베드 시험은 준정상상태(Quasi Steady State)에서 이루어진다.

또한, 엔진 테스트베드 시험 중 실린더 내부 온도 측정을 위한 온도센서의 위치는 인젝터의 끝부분이다.

또한, 질소산화물 추정 딥러닝 모델로부터 산출된 질소산화물값 및 질소산화물값 모델링값이 발생하는 운전영역으로부터 엔진제어 파리미터의 매핑값이 보정되어 질소산화물 저감 제어를 수행하는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.

인젝터의 끝부분에서 엔진 실린더 내부온도를 측정하는 온도센서; 엔진에서 배출되는 질소산화물 농도를 측정하는 질소산화물 분석기; 엔진제어기로부터 열역학적 상태량을 계산하고, 엔진제어기의 실측 데이터 및 질소산화물 분석기의 실시간 측정값으로부터 딥러닝 모델을 산출해 엔진제어기의 엔진제어 파라미터의 매핑값을 보정한다.

또한, 딥러닝 모델을 산출하기 위해 엔진의 실측 데이터는 엔진 테스트베드 시험의 데이터를 취득하며, 엔진 테스트베드 시험은 준정상상태(Quasi Steady State)에서 이루어진다.

또한, 딥러닝 기반 실시간 질소산화물 저감 엔진은 딥러닝 기반 실시간 질소산화물 저감 엔진제어장치를 포함한다.

위와 같은 본 발명에 따르면 다음과 같은 효과가 있다.

엔진제어시스템에 딥러닝 모델을 적용함으로서 데이터를 축적하면서 질소산화물 저감 제어기술을 지속적으로 개선할 수 있으며, 딥러닝 모델에 의한 엔진 매핑이 최적화됨으로서 지속가능한 실시간 변동형 질소산화물 저감 제어가 가능할 수 있다.

도1은 본 발명이 구현되는 개념도이다.
도2는 훈련데이타를 이용해 딥러닝모델을 산출하기 위한 개념도이다.
도3은 훈련데이타를 이용해 딥러닝모델을 산출하고 매핑된 엔진을보정하는 과정을 나타낸 플로챠트이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.

제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

이하, 본 발명의 도면을 참조로 상세히 설명한다.

도1은 본 발명이 구현되는 개념도이다. 엔진(110)은 엔진제어기(120)에 의해 제어되며, 제어인자는 엔진제어기에 이미 저장된 엔진 제어 파라미터로서 흡기온도, 엔진 압축비 선도, 흡기캠의 개폐시기, 배기캠의 개폐시기를 비롯해 직접적으로 연소에 영향을 미치는 연료압력, 연료분사시간, 공연비, 공기질량유량, 연료질량유량 등의 엔진 제어인자(엔진 제어 파라미터)에 의해 제어된다. 이러한 엔진 제어 파라미터는 엔진제어기(120)에 의해 바뀌거나 보정된다.

엔진으로부터 데이터를 취득하기 위해 온도센서(140)와 가스분석기(150)가 추가될 수 있다. 온도센서는 실린더 내부에서 연소가스의 온도를 측정하며, 보다 구체적으로는 실린더 내부 온도센서이다. 가스분석기는 엔진으로부터 배출되는 연소가스의 성분 중 질소산화물의 농도를 측정하기 위한 배기가스 분석기로서 질소산화물 분석기이다. 또한, 가스분석 대상은 질소산화물의 농도만으로 한정하는 것은 아니다.

온도센서(140)와 가스분석기(150)로부터 측정된 실린더 내부온도 및 질소산화물의 농도는 엔진제어기(120)로 피드백되어, 엔진제어기의 엔진 제어 파라미터를 변경하거나 보정할 수 있다. 추가적으로, 엔진제어기 파라미터에 의해 실린더 내부온도 및 질소산화물의 농도가 보정될 수 있다.

신경망은 엔진의 종류에 따라 서로 다른 모델로 사전에 구축할 수 있다. 즉, 엔진 연식, 엔진의 종류 등을 고려하여 서로 다른 모델을 마련할 수도 있다. 경우에 따라서는 다양한 훈련 데이터를 사용하여 하나의 신경망을 구축할 수도 있는데, 본 발명은 훈련 데이터로

열역학적 상태량을 위해 흡기온도, 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값이 제공되며, 엔진의 실측 데이터로 연료압력, 연료분사시간, 공연비, 공기질량유량, 연료질량유량 중 어느 한 개 이상의 값이 제공되며, 질소산화물 분석기의 측정값도 포함된다.

센싱 데이터는 엔진 제조사 내지 엔진의 종류에 따라 서로 다를 수 있다. 다양한 모델을 하나의 신경망으로 처리하기 위해서는 센싱 데이터를 통일된 포맷을 사전에 처리해야 한다.

신경망은 훈련 데이터를 사용하여 구축된다. 훈련 데이터는 특정한 엔진을 엔진 테스트베드에서 시험해 훈련 데이터를 획득한다. 이를 위해 엔진 테스트베드 시험은 준정상상태(Quasi Steady State)에서 slow dynamic 측정을 통해 데이터가 획득된다.

즉, 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값으로부터 실린더 내 열역학적 상태량이 계산되고, 이를 엔진의 실측 데이터로 연료압력, 연료분사시간, 공연비, 공기질량유량, 연료질량유량 중 어느 한 개 이상의 값 및 질소산화물 분석기의 측정값으로부터 딥러닝을 통해 NOx 추정 딥러닝 모델이 만들어진다.

도2는 훈련데이타를 이용해 딥러닝모델을 산출하기 위한 개념도이다. 엔진 제어기(120)로부터 엔진의 실측 데이터가 전달된다. 엔진의 실측 데이터란 매핑값 대비 엔진제어기에서 구현되는 실제값을 의미할 수 있으며, 별도의 측정장비를 통해 측정된 값일 수도 있다. 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도가 엔진제어기(120)로부터 딥러닝모델 산출모듈로 제공되며, 가스분석기에서 측정된 실측 질소산환물 측정값도 딥러닝모델 산출모듈로 제공된다. 실린더 내부 온도 및 질소산환물 측정값은 엔진제어기를 경유해서 제공될 수 있을 뿐 아니라, 직접 딥러닝모델 산출모듈로 제공될 수도 있다.

또한, 엔진제어기(120)에 입력된 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도로부터 열역학적 상태량 계산모듈(220)에서 열역학적 상태량이 계산되며, 딥러닝모델 산출모듈로 제공된다. 열역학적 상태량 계산모듈 및 딥러닝 모델산출 모듈은 엔진 제어기에서 공유될 수도 있으며, 별도의 장치일 수도 있다.

딥러닝 모델산출모듈에서 상기 훈련데이터를 이용해 신경망을 훈련한다. 딥러닝 모델산출모듈에 의해 최종적인 훈련 데이터를 이용하여 신경망을 훈련한다.

딥러닝 모델산출모듈은 질소산화물의 농도를 추정하기 위한 딥러닝 모델으로부터 실시간으로 모델링된 질소산화물 데이터가 취득되며, 딥러닝 모델로부터 질소산화물 발생결과 및 운전 영역이 저장되고, 질소산화물 발생 시의 학습된 운전영역에 의해 엔진제어기(120)의 매핑값이 보정된다.

도3은 훈련데이타를 이용해 딥러닝모델을 산출하고 매핑된 엔진을보정하는 과정을 나타낸 플로챠트이다. 제어기, 온도센서, 가스분석기로부터 제공된 정보를 획득하는 단계(S310)이다. 획득된 정보는 딥러닝 산출모듈에서 딥러닝 모델을 산출하며, 딥러닝 산출모듈은 엔진제어기의 일부이거나 별도의 계산 및 저장장치일 수 있다. 제어기, 온도센서, 가스분석기로부터 직접 딥러닝 산출모듈로 정보가 제공되거나 실린더내 열역학적 상태량을 계산(S320)한 뒤에 제공될 수 있다. 딥러닝 산출모듈에서는 질소산화물 농도를 추정하기 위한 딥러닝 모델을 산출한다(S330). 딥러닝 모델로부터 구해진 질소산화물 농도를 실제값으로 추정하여 배출가스 저감제어를 실행한다(S340).

실제 질소산화물 농도와 딥러닝 모델로부터 산출된 질소산화물 농도간의 오차를 학습해 운전영역에서의 매핑값을 보정한다(S360). 만일 실제 질소산화물 농도와 딥러닝 모델로부터 산출된 질소산화물 농도간의 오차가 적거나 없다면, 최종적으로 질소산화물 저감제어를 한 매핑값이 최종값으로 저장된다(S370).

따라서, 궁극적으로 엔진제어기(120)는 딥러닝으로부터 구해진 모델링 질소산화물값과 질소산화물 발생 시 학습된 운전영역에 의해 최종적인 질소산화물 저감 제어를 수행한다.

딥러닝 모델로부터 실시간으로 발생되는 질소산화물을 추정하는 모델을 생성하고, 모델의 결과치, 즉 모델에서 제공되는 질소산화물 농도와 실제 가스분석기에서 측정되는 질소산화물 농도와의 차이를 딥러닝 모델에서 CNN 훈련을 하게된다. 딥러닝은 기계 학습을 위한 알고리즘 모델인 인공 신경망을 이용한다. 인공 신경망은 다양한 방식으로 DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network) 등이 있다.

본 발명에서는 엔진 테스트 배드에서 엔진 조건 별 질소산화물의 발생량과 CNN 학습(훈련)을 통해 제공되는 모델 결과값으로의 추정된 질소산화물 발생량을 비교해 양자간의 차이(즉, 오차)가 감소되고 있는 지를 확인하고, 더 이상 오차가 감소하지 않으면 인공 신경망에 의한 질소산화물 추정 모델을 완료한다.

보다 자세히 설명하면, 흡기 행정 말기에 흡기 밸브가 닫힌 시점부터 압축 행정으로 피스톤이 상향하여 폭발 직전 시기에 실린더 내부의 열역학적 상태량으로부터 질소산화물 발생량을 모델링하게 된다. 열역학적 상태량은 질소산화물의 생성과 관련이 높은 연소가스의 온도 및 압력에 의해 결정된다. 즉, 질소산화물 발생량은 압축 행정 말기의 폭발직전 실린더 내부 온도와 밀접하게 연관된다. 실린더 압축에 의한 온도 상승도 무시할 수 없으며, 딥러닝 시 압축비도 파라미터에 포함된다.

딥러닝은 엔진 테스트 베드에서 다음과 같은 순서로 이루어진다.

먼저, 입력조건으로 RPM, 부하(공기량), 흡기 캠의 개폐, 배기 캠의 개폐, 연료압력, 점화시기, 실린더 내부온도, 압축비에 따라 질소산화물 발생량(단위는 농도)을 준평형상태에서 측정한다. 입력조건에 따라 측정된 질소산화물 발생량을 딥러닝을 통해 학습시킴으로서 딥러닝 모델이 업데이트 된다. 업데이트 된 딥러닝 모델에서 제공(출력)되는 질소산화물 발생량과 측정된 질소산화물 발생량 간에 오차가 감소했으면, 추가 입력조건에 따라 질소산화물 발생량을 다시 측정한다. 오차가 감소하면 이러한 과정을 반복하고, 오차가 더 이상 감소하지 않게 되면 최종 업데이트된 딥러닝 모델로 확정된다. 이때, 추가 입력조건은 오차의 크기여부에 따라, RPM, 부하(공기량), 흡기 캠의 개폐, 배기 캠의 개폐, 연료압력, 점화시기, 실린더 내부온도, 압축비 중 질소산화물 생성에 영향도가 큰 인자(예, 실린더 내부온도, 공연비)를 우선적으로 선택하도록 제어할 수도 있다.

실제 차량의 엔진 제어기에서 질소산화물 저감제어는 엔진 운전 영역별 질소산화물 과다 발생 영역에서 필요한 공연비 농후(rich)량을 학습함으로서, 실린더 온도를 낮춰 질소산화물 발생량을 저감시킬 수 있다. 즉, 실도로에서 공연비가 희박(lean) 하게 운전되는 조건을 학습해, 피드 포워드( feed forward )제어를 통해 공급된 연료량에 연료 분사량을 추가함으로서, 실린더 내부 온도를 낮추며, 삼원촉매의 희박(lean)화를 방지해 최종적으로 배출되는 질소산화물을 저감시킬 수 있다.

또한, 실린더 내 온도가 상승하는 영역을 학습해, 압축 행정에서 일부 연료를 분할 분사함으로서 실린더 내 고온조건을 억제할 수도 있다.

이를 위한, 질소산화물 저감제어로는 점화시기, 연료분사 제어, 흡배기 캠제어, 스로틀 제어, 전자식 웨이스트 게이트 (EWGA) 제어, EGR 제어가 구현될 수 있다.

본 발명을 통해 차량의 운전 데이터가 축적될 수록 NOx 계산 Deep Learning 모델의 정확도를 올릴 수 있는 시스템 구성이 가능하고, 향후 Auto Learning EMS 개발을 위한 기반 기술로 활용가능하다.

110 : 엔진
120 : 엔진제어기
140 : 온도센서
150 : 가스분석기
220 : 열역학적 상태량 계산 모듈
230 : 딥러닝 모델 산출 모듈

Claims

엔진제어기에서 제공되는 엔진 실린더 내 엔진 제어 파라미터로부터 열역학적 상태량을 계산하는 단계;
상기 열역학적 상태량, 상기 엔진의 실측 데이타 및 가스분석기의 실시간 측정값으로부터 딥러닝 모델산출 모듈에서 질소산화물 추정 딥러닝 모델을 산출하는 단계;
상기 딥러닝 모델로부터 상기 엔진제어기에서 배기가스 저감을 위한 매핑된 엔진제어 파라미터를 보정하는 단계;
상기 열역학적 상태량은 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값으로부터 계산되는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
삭제
제1항에 있어서,
상기 엔진의 실측 데이터는 연료압력, 연료분사시간, 공연비, 공기질량유량, 연료질량유량 중 어느 한 개 이상의 값을 제공하는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
제3항에 있어서,
상기 질소산화물 추정 딥러닝 모델은 상기 엔진의 실측 데이터를 준정상상태(Quasi Steady State)에서 이루어지는 엔진 테스트베드 시험의 데이터로부터 취득하는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
제4항에 있어서,
상기 질소산화물 추정 딥러닝 모델로부터 산출된 질소산화물값 및 상기 질소산화물값 모델링값이 발생하는 운전영역으로부터 상기 엔진제어 파라미터의 매핑값이 보정되어 질소산화물 저감 제어를 수행하는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
제5항에 있어서,
상기 엔진제어 파라미터의 매핑값의 보정은 상기 딥러닝 모델로부터 산출된 질소산화물값 및 상기 가스분석기의 측정값 간의 오차가 감소하지 않을 때까지 계속되는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
제4항에 있어서,
상기 엔진 테스트베드 시험 중 실린더 내부 온도 측정을 위한 온도센서의 위치는 인젝터의 끝부분인 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어방법.
인젝터의 끝부분에서 엔진 실린더 내부온도를 측정하는 온도센서(140);
상기 엔진에서 배출되는 질소산화물 농도를 측정하는 가스분석기(150);
엔진제어기로부터 열역학적 상태량을 계산하고, 상기 엔진제어기의 실측 데이터 및 상기 가스분석기의 실시간 측정값으로부터 질소산화물 추정 딥러닝 모델을 산출해 상기 엔진제어기의 엔진제어 파라미터의 매핑값을 보정하되,
상기 열역학적 상태량은 엔진 압축비, 흡기 캠의 개폐, 배기 캠의 개폐 시기, 실린더 내부 온도 중 어느 한 개 이상의 값으로부터 계산되는 것을 특징으로하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어장치.
제8항에 있어서,
상기 딥러닝 모델을 산출하기 위해 상기 엔진의 실측 데이터는 엔진 테스트베드 시험의 데이터를 취득하며, 상기 엔진 테스트베드 시험은 준정상상태(Quasi Steady State)에서 이루어지는 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어장치.
제9항에 있어서,
상기 엔진 테스트베드 시험 중 실린더 내부 온도 측정을 위한 온도센서(140)의 위치는 인젝터의 끝부분인 것을 특징으로 하는 딥러닝 기반 실시간 질소산화물 저감 엔진제어장치.
제10항의 딥러닝 기반 실시간 질소산화물 저감 엔진제어장치를 포함하는 딥러닝 기반 실시간 질소산화물 저감 엔진.