KR102348619B1 - 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법 - Google Patents

선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법 Download PDF

Info

Publication number
KR102348619B1
KR102348619B1 KR1020190178254A KR20190178254A KR102348619B1 KR 102348619 B1 KR102348619 B1 KR 102348619B1 KR 1020190178254 A KR1020190178254 A KR 1020190178254A KR 20190178254 A KR20190178254 A KR 20190178254A KR 102348619 B1 KR102348619 B1 KR 102348619B1
Authority
KR
South Korea
Prior art keywords
input
catalytic reduction
reactor
variable
exhaust gas
Prior art date
Application number
KR1020190178254A
Other languages
English (en)
Other versions
KR20210085327A (ko
Inventor
김효식
차재민
김지현
류재홍
Original Assignee
고등기술연구원연구조합
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고등기술연구원연구조합 filed Critical 고등기술연구원연구조합
Priority to KR1020190178254A priority Critical patent/KR102348619B1/ko
Publication of KR20210085327A publication Critical patent/KR20210085327A/ko
Application granted granted Critical
Publication of KR102348619B1 publication Critical patent/KR102348619B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/8621—Removing nitrogen compounds
    • B01D53/8625—Nitrogen oxides
    • B01D53/8628—Processes characterised by a specific catalyst
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2251/00—Reactants
    • B01D2251/20—Reductants
    • B01D2251/206—Ammonium compounds
    • B01D2251/2062—Ammonia

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)

Abstract

본 발명은 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법에 관한 것으로, 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템은, 배기가스에 포함된 질소산화물을 저감하기 위한 촉매가 설치된 반응기에 공급되는 상기 배기가스의 유량을 포함하는 제1 입력변수가 입력되는 제1 입력변수부; 상기 반응기에서 촉매환원 반응에 의해 상기 배기가스가 정화된 정화가스에 포함된 질소산화물의 농도에 대한 출력변수가 입력되는 출력변수부; 상기 제1 입력변수부에서 입력된 제1 입력변수 및 상기 출력변수부에서 입력된 출력변수를 이용하여 인공신경망을 기반으로 학습된 회귀계수를 연산하고, 학습 모델을 구축하는 연산부를 포함하고, 상기 연산부는 상기 반응기에서 촉매환원 반응이 이루어지도록 투입하는 환원제의 투입량을 산정 과정에서, 상기 회귀계수 및 상기 학습 모델을 이용할 수 있다. 본 발명에 의하면, 반응기의 각 채널에 공급하는 환원제의 분사량을 학습하여 패턴화하고 이를 통해 장치 내의 상황을 실시간으로 판별하고 능동적으로 분사량을 제어할 수 있어, 질소산화물의 저감되는 효율을 높이고, 환원제가 유출되는 것을 최소화할 수 있다.

Description

선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법{SELECTIVE CATALYTIC REDUCTION STUDYING SYSTEM AND STUDYING METHOD OF SELECTIVE CATALYTIC REDUCTION}
본 발명은 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법에 관한 것으로, 더욱 상세하게는 적정량의 환원제를 공급하여 질소산화물을 저감할 수 있는 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법에 관한 것이다.
산업화가 급속하게 진전됨에 따라 화석연료 사용량이 증가하여 대기오염과 지구 온난화문제가 날로 심각해지고 있다. 이러한 대기오염의 주범 중 하나가 차량의 엔진, 화력발전소 및 공장 등의 배기가스에 포함됨 황산화물(SOx)과 질소산화물(NOx) 등이 있으며, 최근 환경에 대한 인식이 높아짐에 따라 이러한 물질들에 대한 규제가 도입되고 있다.
그 중 질소산화물을 저감하기 위해 선택적 촉매환원(SCR, selective catalytic reduction) 기술이 있다. 선택적 촉매환원 기술은, 질소산화물을 질소(N2)로 환원하여 저감하는 기술이다. 이를 위해 선택적 촉매환원 기술에서 환원제로 암모니아(NH3)를 이용한다. 이론적으로 선택적 촉매환원 기술에서 최적 환원제의 주입량은 질소산화물과 환원제를 1:1의 몰비를 갖지만, 촉매 반응에 있어 전환이 100%로 이루어지지 않고, 촉매의 각 부위별 유량이 편중되어 농도가 균일하지 않아 환원제가 부족한 경우가 발생한다.
그렇다고 환원제를 과량 주입하는 경우, 질소산화물을 저감하는 효과가 높아지지만, 반응되지 않은 환원제도 함께 유출된다. 이렇게 반응되지 않고 유출된 환원제는 후단 공정에서 파이프를 부식하는 등의 문제를 발생시키고, 또한, 유로 내에서 분진 등과 결합하여 파이프 벽 및 열교환기 유로에 침적되어 유로가 막히거나 열전달이 저하되는 문제를 발생시킨다.
대한민국 등록특허 제10-0811932호 (2008.03.03.)
본 발명이 해결하고자 하는 과제는, 학습을 통해 질소산화물의 저감을 위해 적정량의 환원제를 공급할 수 있는 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템은, 배기가스에 포함된 질소산화물을 저감하기 위한 촉매가 설치된 반응기에 공급되는 상기 배기가스의 유량을 포함하는 제1 입력변수가 입력되는 제1 입력변수부; 상기 반응기에서 촉매환원 반응에 의해 상기 배기가스가 정화된 정화가스에 포함된 질소산화물의 농도에 대한 출력변수가 입력되는 출력변수부; 상기 제1 입력변수부에서 입력된 제1 입력변수 및 상기 출력변수부에서 입력된 출력변수를 이용하여 인공신경망을 기반으로 학습된 회귀계수를 연산하고, 학습 모델을 구축하는 연산부를 포함하고, 상기 연산부는 상기 반응기에서 촉매환원 반응이 이루어지도록 투입하는 환원제의 투입량을 산정 과정에서, 상기 회귀계수 및 상기 학습 모델을 이용할 수 있다.
상기 제1 입력변수는, 상기 반응기에 공급되는 배기가스의 유량, 온도 및 압력 중 하나 이상을 포함할 수 있다.
상기 연산부는, 연산된 상기 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 상기 출력변수를 추정하고, 상기 환원제의 투입량을 산정하는 과정에서, 추정된 상기 출력변수를 이용할 수 있다.
상기 연산부는, 추정된 상기 출력변수를 이용하여 제2 입력변수를 추정하고, 추정된 상기 제2 입력변수를 이용하여 상기 환원제의 투입량을 산정하며, 상기 제2 입력변수는, 상기 반응기에 공급되는 배기가스에 포함된 질소산화물의 농도일 수 있다.
상기 연산부에서 연산된 상기 회귀계수 및 학습된 상기 학습 모델을 저장하는 저장부를 더 포함할 수 있다.
상기 반응기는, 내부에 중공이 형성된 본체; 상기 본체의 상부에 배치되고, 상기 배기가스가 유입되는 유입구가 형성된 상부 커버; 및 상기 본체의 내부에 설치된 하나 이상의 촉매를 포함할 수 있다.
상기 반응기는, 상기 촉매보다 상부에 배치되고, 상기 본체의 외부에서 내부로 환원제를 공급하는 하나 이상의 환원제 주입부; 및 상기 촉매보다 하부에 배치되고, 상기 정화가스에 포함된 질소산화물의 농도를 측정하기 위한 제2 샘플링 포트를 더 포함하고, 상기 출력변수는 상기 제2 샘플링 포트를 통해 측정된 질소산화물의 농도일 수 있다.
상기 연산부는, 상기 연산된 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 제2 입력 변수를 산정하여 상기 환원제의 투입량을 산정하고, 상기 반응기는, 하나 이상의 상기 환원제 주입부보다 상부에 배치되고, 상기 배기가스에 포함된 질소산화물의 농도를 측정하기 위한 제1 샘플링 포트를 더 포함하며, 상기 제2 입력변수는, 상기 제1 샘플링 포트를 통해 측정된 질소산화물의 농도일 수 있다.
상기 반응기는,
상기 본체의 하부에 배치되며, 상기 배기가스가 촉매환원 반응으로 정화된 정화가스가 배출되는 배출구가 형성된 하부 커버를 더 포함하고, 상기 하부 커버는, 상기 배출구의 상부에 배치되고, 상기 정화가스에 포함된 질소산화물의 농도 및 상기 정화가스에 포함된 환원제의 유출량 중 하나 이상을 측정하기 위한 제3 샘플링 포트를 포함할 수 있다.
한편, 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 방법은, 배기가스에 포함된 질소산화물을 저감하기 위한 촉매가 설치된 반응기에 공급되는 상기 배기가스의 유량을 포함하는 제1 입력변수 및 상기 반응기에서 촉매환원 반응에 의해 상기 배기가스가 정화된 정화가스에 포함된 질소산화물의 농도에 대한 출력변수가 입력되는 단계; 입력된 상기 제1 입력변수 및 상기 출력변수를 이용하여 인공신경망을 기반으로 학습된 회귀계수를 연산하고, 학습 모델을 구축하는 단계; 및 상기 회귀계수 및 상기 학습 모델을 이용하여 상기 반응기에서 촉매환원 반응이 이루어지도록 투입하는 환원제의 투입량을 산정하는 단계를 포함할 수 있다.
상기 제1 입력변수는, 상기 반응기에 공급되는 배기가스의 유량, 온도 및 압력 중 하나 이상을 포함할 수 있다.
상기 환원제의 투입량을 산정하는 단계는, 연산된 상기 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 상기 출력변수를 추정하는 단계; 추정된 상기 출력변수를 이용하여 제2 입력변수를 추정하는 단계; 및 추정된 상기 제2 입력변수를 이용하여 상기 환원제의 투입량을 산정하는 단계를 포함하고, 상기 제2 입력 변수는, 상기 반응기에 공급되는 배기가스에 포함된 질소산화물의 농도일 수 있다.
본 발명에 의하면, 반응기의 각 채널에 공급하는 환원제의 분사량을 연산하는데 있어서 학습 모델이 이용될 수 있는 바, 이를 통해 장치 내의 상황을 실시간으로 판별할 수 있고 능동적으로 분사량을 제어할 수 있어, 질소산화물이 저감되는 효율을 높이고, 환원제가 유출되는 것을 최소화할 수 있다.
또한, 환원제가 분사되는 모든 회차 및 시간에 따른 정보가 데이터베이스에 저장되기 때문에 이를 통해 연산 및 패턴화 결과가 누적되므로, 운전 횟수 및 시간이 누적됨에 따라 신뢰도가 높아지는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템을 간략하게 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템에서 이용되는 인공신경망의 일례를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템의 반응기를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템의 반응기의 내부 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 시스템의 반응기의 촉매 및 환원제 투입구의 설치 구조를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 구성 및 작용에 대해 상세하게 설명한다. 이하의 설명은 특허 청구 가능한 본 발명의 여러 측면(aspects) 중 하나이며, 다음의 설명은 본 발명에 대한 상세한 기술의 일부를 이룰 수 있다.
다만, 본 발명을 설명함에 있어 공지된 구성 또는 기능에 관한 구체적인 설명은 본 발명이 명료해지도록 생략할 수 있다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 포함할 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 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.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 이와 같은 용어들에 의해 한정되지는 않는다. 이 용어들은 하나의 구성요소들을 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명한다.
도 1을 참조하면, 본 발명의 선택적 촉매환원 학습 시스템(10)은, 입력된 입력변수와 출력부수를 이용하여 학습 모델을 구축하고, 구축된 학습 모델을 이용하여 질소산화물(NOx)을 저감하기 위한 환원제의 투입량을 산정하여 투입된 질소산화물에 적정량의 환원제를 투입할 수 있다. 본 실시예에서, 환원제는 암모니아(NH3)가 이용된 것에 대해 설명한다. 이러한 선택적 촉매환원 학습 시스템(10)은, 제1 입력변수부(11), 출력변수부(13), 제2 입력변수부(15), 연산부(17) 및 저장부(19)를 포함한다.
제1 입력변수부(11)에는, 학습 모델을 구축하기 위해 선택적 촉매환원 학습 시스템(10)에 이용되는, 도 4에 도시된 반응기(100)의 환경에 대한 정보가 입력된다. 또한, 학습 모델이 구축된 이후에 학습 모델을 이용하여 환원제 투입량을 산정하기 위해 반응기(100)의 실시간 환경에 대한 정보가 입력될 수 있다.
본 실시예에서, 제1 입력변수부(11)에 입력되는 제1 입력변수는, 반응기(100)에 투입된 질소산화물이 포함된 배기가스의 유량(f), 배기가스의 온도(t) 및 배기가스의 압력(p) 중 하나 이상에 대한 데이터일 수 있다.
출력변수부(13)에는, 학습 모델을 구축하기 위해 반응기(100)에서 선택적 촉매환원을 통해 환원된 이후의 질소산화물의 농도에 대한 정보가 입력된다. 본 실시예에서, 후술하겠지만, 반응기(100)의 하단에 배치된 제2 샘플링 포트(SP2)를 통해 질소산화물의 농도를 측정한 데이터가 출력변수로 출력변수부(13)에 입력될 수 있다. 이때, 제2 샘플링 포트(SP2)는 복수 개가 구비되며, 복수 개의 채널(124) 각각의 질소산화물 농도에 대한 데이터를 샘플링할 수 있다.
제2 입력변수부(15)는, 구축된 학습 모델에 따라 학습 모델을 이용하여 환원제 투입량을 산정하기 위해 반응기(100)에서 선택적 촉매환원이 일어나기 전의 질소산화물의 농도에 대한 정보를 추정할 수 있다. 본 실시예에서, 후술하겠지만, 반응기(100)의 상단에 배치된 제1 샘플링 포트(SP1)를 통해 질소산화물의 농도를 측정한 데이터가 제2 입력변수로 제2 입력변수부(15)에 입력될 수 있다. 이때, 제1 샘플링 포트(SP1)는, 복수 개가 구비되고, 복수 개의 채널(124) 각각의 질소산화물 농도에 대한 데이터를 샘플링할 수 있다.
연산부(17)는, 제1 입력변수부(11) 및 출력변수부(13)에서 입력된 데이터들을 이용하여 인공신경망을 통해 선택적 촉매환원 학습 시스템(10)에 대한 학습 모델을 구축하며, 또한, 인공신경망으로 학습한 회귀계수를 산정할 수 있다. 연산부(17)에서 학습 모델을 구축하고 구축된 학습 모델을 이용하여 환원제의 투입량을 산정하는 것에 대한 자세한 사항은 후술한다.
저장부(19)는 연산부(17)에서 인공신경망으로 학습하여 구축된 학습 모델을 저장하고, 학습 모델의 구축할 때, 학습한 회귀계수를 저장한다. 또한, 저장부(19)는 실시간으로 연산부(17)에서 구축된 학습 모델을 이용하여 환원제 투입량을 산정하기 위해 연산하고 학습하는 다중회귀분석을 수행하는 동안 학습된 학습 모델 및 회귀계수를 저장한다.
먼저, 도 4 내지 도 6을 참조하여 본 발명의 선택적 촉매환원 학습 시스템(10)에 이용되는 반응기(100)에 대해 설명한다.
도 4를 참조하면, 반응기(100)는, 질소산화물이 포함된 배기가스가 투입되어 촉매(130)에 의해 환원 반응이 이루어지기 위해 구비된다. 이를 위해 반응기(100)는, 본체(110), 상부 커버(112), 하부 커버(116), 격벽(122), 채널(124), 촉매(130)를 포함한다.
본체(110)는, 도시된 바와 같이, 대략 사각 기둥의 형상을 가지며, 내부에 중공이 형성된다. 그리고 도 5에 도시된 바와 같이, 본체(110)는 내부가 중공이 형성된 상태로 복수 개의 격벽(122)에 의해 복수 개의 채널(124)이 형성된다. 본 실시예에서, 본체(110)의 내부는 9개의 채널(124)이 형성될 수 있으며, 그에 따라 복수 개의 격벽(122)이 배치될 수 있다.
또한, 본체(110)의 외면에 환원제 주입부(RI), 제1 샘플링 포트(SP1) 및 제2 샘플링 포트(SP2)이 설치된다.
환원제 주입부(RI)는, 제1 샘플링 포트(SP1)의 하부에 배치되고, 외부에서 본체(110)의 내부로 환원제를 주입하기 위해 구비된다. 이때, 환원제 주입부(RI)는 본체(110)의 내부에 형성된 복수 개의 채널(124)에 대응되도록 복수 개가 구비될 수 있다. 본 실시예에서, 9개의 채널(124)에 대응되도록 환원제 주입부(RI)는 9개가 구비된다.
즉, 도 6에 도시된 바와 같이, 환원제 주입부(RI)는 제1 내지 제3 환원제 주입부(RI1, RI2, RI3)가 각각 제1 내지 제3 채널(124a, 124b, 124c)에 환원제를 주입하기 위해 서로 다른 길이를 가질 수 있다.
제1 샘플링 포트(SP1)는 환원제 주입부(RI)의 상부에 배치되고, 외부에서 본체(110)의 내부로 연결된다. 제1 샘플링 포트(SP1)는 본체(110)의 내부에 형성된 각 채널(124)로 유입된 배기가스를 샘플링하여, 배기가스에 포함된 질소산화물의 농도를 샘플링하기 위해 배치된다. 따라서 제1 샘플링 포트(SP1)는, 본체(110)의 배부에 형성된 복수 개의 채널(124)에 대응되도록 복수 개가 구비될 수 있다. 본 실시예에서, 9개의 채널(124)에 대응되도록 제1 샘플링 포트(SP1)는 9개가 구비된다.
이러한 복수 개의 제1 샘플링 포트(SP1)는 복수 개의 환원제 주입부(RI)와 같은 구조로 배치될 수 있다.
제2 샘플링 포트(SP2)는 본체(110)의 하단에 배치되고, 외부에서 본체(110)의 내부로 연결된다. 제2 샘플링 포트(SP2)는 제1 샘플링 포트(SP1)와 같이, 본체(110)의 내부에 형성된 각 채널(124)로 유입된 배기가스를 샘플링하여, 배기가스에 포함된 질소산화물의 농도를 샘플링하기 위해 배치된다. 따라서 제1 샘플링 포트(SP1)는, 본체(110)의 배부에 형성된 복수 개의 채널(124)에 대응되도록 복수 개가 구비될 수 있다. 본 실시예에서, 9개의 채널(124)에 대응되도록 제1 샘플링 포트(SP1)는 9개가 구비된다.
이러한 복수 개의 제1 샘플링 포트(SP1)는 복수 개의 환원제 주입부(RI)와 같은 구조로 배치될 수 있다.
따라서 본 실시예에서, 제1 샘플링 포트(SP1)는 환원제가 투입되기 전에 배기가스에 포함된 질소산화물의 농도를 측정하기 위해 배치되고, 제2 샘플링 포트(SP2)는 환원제가 투입되어 촉매환원이 이루어진 이후에 질소산화물의 농도를 측정하기 위해 배치된다.
상부 커버(112)는 본체(110)의 상부에 배치되어 본체(110)와 결합하고, 상단에 배기가스가 유입되는 유입구(114)가 형성된다. 본 실시예에서, 본체(110)의 내부에 복수 개의 채널(124)이 형성되는 것에 반해 상부 커버(112)에는 채널(124)이 형성되지 않을 수 있으며, 상단에서 유입된 배기가스가 본체(110)에 형성된 각 채널(124)에 유입되도록 내부에 공간이 형성될 수 있다.
본 실시예에서, 상부 커버(112)는, 상부에서 하부로 갈수록 폭이 커지도록 형성되며, 그에 따라 유입구(114)를 통해 유입된 배기가스가 하부로 이동하면서 넓게 퍼질 수 있다.
하부 커버(116)는 본체(110)의 하부에 배치되어 본체(110)와 결합하고, 하단에 배기가스가 반응을 거친 정화가스가 배출되는 배출구(118)가 형성된다. 하부 커버(116)는 상부 커버(112)와 마찬가지로 내부에 채널(124)이 형성되지 않은 공간이 형성될 수 있다.
그리고 하부 커버(116)는 상부에서 하부로 갈수록 폭이 작아지도록 형성되고, 그에 따라 배출구(118)에 정화가스가 모여 배출될 수 있다.
이때, 하부커버에는 배출구(118)의 상부에 정화가스에 포함된 질소산화물의 농도 및 환원제 농도를 측정하기 위해 정화가스의 일부를 샘플링하기 위한 제3 샘플링 포트(SP3)가 배치될 수 있다. 제3 샘플링 포트(SP3)를 통해 정화가스에 포함된 환원제와 반응하지 않은 질소산화물의 농도 및 유출된 환원제의 농도를 측정할 수 있다.
촉매(130)는, 본체(110)의 내부에 배치되고, 본체(110)의 내부에 형성된 복수 개의 채널(124)에 삽입되도록 복수 개가 구비된다. 복수 개의 촉매(130)는 복수 개의 채널(124) 각각에 삽입되며, 환원제 주입부(RI)의 하단에서 본체(110)의 끝단까지의 길이를 가지며 각 채널(124)에 삽입될 수 있다. 즉, 복수 개의 촉매(130)는 각각 소정의 길이를 가지고, 본체(110)의 내부에 삽입된다. 이때, 필요에 따라 복수 개의 촉매(130)는 각각 환원제 주입부(RI)의 하단에서 제2 샘플링 포트(SP2)의 상단까지 연장된 길이를 가질 수 있다.
상기와 같은 반응기(100)를 이용하여 본 발명의 일 실시예에 따른 선택적 촉매환원 학습 방법에 대해 설명한다. 이때, 도 2 및 도 3의 도면을 참조하여 설명한다.
선택적 촉매환원 학습 방법에 따라 선택적 촉매환원 학습 시스템(10)의 학습 모델을 구축하고, 회귀계수를 연산하기 위해, 제1 입력변수 및 출력변수를 연산부(17)에 입력한다(S101).
제1 입력변수는, 반응기(100)에서 질소산화물 반응을 위해 공급되는 배기가스의 유량(f), 배기가스의 온도(t) 및 공급되는 배기가스의 압력(p) 중 하나 이상일 수 있다.
출력변수는 반응기(100)의 하부에 배치된 제2 샘플링 포트(SP2)를 통해 샘플링된 질소산화물의 농도일 수 있다. 이때, 출력변수는 본체(110)에 형성된 복수 개의 채널(124)에서 각각 측정된 질소산화물의 농도(A11-A19)일 수 있다.
인공신경망을 이용하여 학습된 회귀계수를 연산한다(S103).
연산부(17)는 인공신경망을 통해 연산된 회귀계수를 저장부(19)에 저장한다. 연산부(17)는 인공신경망을 이용하여 입력된 제1 입력변수 및 출력변수 간의 다중회귀분석을 통해 회귀계수를 추정한다.
인공신경망을 이용하여 학습된 학습 모델을 구축한다(S105).
연산부(17)는 상기와 같은 인공신경망을 통해 다중회귀분석 학습 모델을 구축하고, 구축된 학습 모델을 저장부(19)에 저장한다. 연산부(17)는 인공신경망을 이용하여 입력된 제1 입력변수 및 출력변수 간의 다중회귀분석을 통해 학습 모델을 구축한다.
인공신경망은, 생물의 신경계를 모방하여 얻게 된 인간의 뇌와 유사한 문제해결방식을 따라 분석을 수행할 수 있다. 따라서 인공신경망은 복잡한 비선형적 관계를 분석하고 처리하며, 일반화 능력이 뛰어나고 오류나 잡음에 강한 특성을 갖는다. 이러한 인공신경망의 특징을 이용하여 제1 입력변수와 출력변수 간의 비선형적인 상관관계를 추정할 수 있다. 또한, 인공신경망은 학습 데이터를 많이 확보할수록 신뢰성이 높은 결과 값을 도출할 수 있다.
이러한 인공신경망은, 도 3에 도시된 바와 같은 구조를 가질 수 있으며, 입력 계층 및 은닉 계층으로 구성되며, 도시된 바와 같이, 복수 개의 은닉 계층을 포함할 수 있다.
입력 계층은, 복수 개의 입력 노드를 포함하고, 은닉 계측은 복수 개의 은닉 노드를 포함할 수 있다. 모든 입력 노드는 모든 제1 은닉층의 은닉 노드와 각각 연결되고, 제1 은닉층의 모든 은닉 노드는 제2 은닉층의 모든 은닉 노드와 연결된다.
입력 계층의 입력 노드들에 데이터가 입력되면 입력된 데이터를 제1 은닉층에 얼마나 전달할 것인지를 확률에 따라 결정한다. 이때, 확률에 따라 입력된 데이터가 전달할 것으로 결정하는 경우 1로 표시하고, 데이터를 전달하지 않을 것으로 결정하는 경우 0으로 표시한다.
즉, 입력 계층의 입력 노드로 데이터가 입력되면 가중치가 산정되고, 입력 노드에 입력된 데이터가 가중치에 따라 데이터가 산정되며, 산정된 데이터가 활성 함수를 거쳐 0 또는 1의 값으로 샘플링되어 제1 은닉층의 은닉 노드에 출력값이 출력된다. 그리고 제1 은닉층의 은닉 노드에서 동일한 방식으로 제2 은닉층의 은닉 노드에 출력값이 출력된다.
가중치는 입력 데이터, 제1 은닉층 및 제2 은닉층의 은닉노드의 출력 값, 재구성 과정을 통해 계산되는 보정된 입력 데이터 및 재생산 과정을 통해 계산되는 보정된 출력값으로부터 오차 값을 계산하여 조절될 수 있다.
상기와 같이, 인공신경망을 이용하여 학습된 회귀계수 및 학습 모델을 이용하여 투입할 환원제의 투입량을 산정할 수 있다. 이를 위해 실시간으로 반응기(100)의 제1 입력변수를 입력한다(S107).
실시간의 제1 입력변수는 배기가스의 유량(f), 배기가스의 온도(t) 및 공급되는 배기가스의 압력(p) 중 하나 이상일 수 있다.
입력된 제1 입력변수와 단계 S103에서 연산된 회귀계수를 이용하여 출력변수를 추정한다(S109).
출력변수의 추정은, 단계 S103에서 연산된 회귀계수와 단계 S107에서 입력된 실시간 제1 입력변수를 이용하여 출력변수를 추정한다. 추정하는 출력변수는, 제2 샘플링 포트(SP2)에서 측정될 것으로 추정되는, 질소산화물의 농도이다. 이러한 질소산화물의 농도를 추정함에 따라 제1 입력변수인 배기가스의 유량(f), 배기가스의 온도(t) 및 공급되는 배기가스의 압력(p)의 조건에 따라 반응기(100)에서 촉매환원 반응으로 저감된 질소산화물의 농도를 예측할 수 있다.
이때, 출력변수인 질소산화물의 농도를 추정하는 공식은 수학식 1과 같다.
[수학식 1]
Ai = bi,1 x f + bi,2 x t + bi,3 x p
여기서, Ai는 각 채널(124)에서의 질소산화물 농도 추정 값이고, bi,1는 각 채널(124)에서의 배기가스 유량에 대한 회귀계수이며, bi,2는 각 채널(124)에서의 배기가스 온도에 대한 회귀계수이고, bi,3는 각 채널(124)에서의 배기가스 압력에 대한 회귀계수이다. 그리고 f는 배기가스의 유량, t는 배기가스의 온도 및 p는 공급되는 배기가스의 압력이다.
상기와 같이, 출력변수를 추정하면, 추정된 출력변수를 이용하여 제2 입력변수를 추정한다(S111).
제2 입력변수는, 제1 샘플링 포트(SP1)에서 측정될 것으로 추정되는 질소산화물의 농도이다. 즉, 출력변수인 산화환원 반응이 이루어진 이후의 질소산화물 농도를 추정한 값을 이용하여 제2 입력변수인 산화환원 반응이 이루어지기 이전의 질소산화물 농도를 추정한다.
이때, 제2 입력변수를 추정은 수학식 2 내지 수학식 6을 이용하여 추정할 수 있다.
[수학식 2]
Figure 112019135659711-pat00001
[수학식 3]
Figure 112019135659711-pat00002
[수학식 4]
Figure 112019135659711-pat00003
[수학식 5]
Figure 112019135659711-pat00004
[수학식 6]
Figure 112019135659711-pat00005
이때,
Figure 112019135659711-pat00006
는 온도 및 압력이 보정되어 반응기(100)에 유입되는 배기가스 유입량이고,
Figure 112019135659711-pat00007
는 배기가스 유량이며,
Figure 112019135659711-pat00008
는 배기가스 온도이다.
Figure 112019135659711-pat00009
는 제2 샘플링 포트(SP2)를 통해 측정된 각 채널(124)의 질소산화물 농도이고,
Figure 112019135659711-pat00010
및
Figure 112019135659711-pat00011
는 제1 샘플링 포트(SP1)를 통해 측정된 각 채널(124)의 배기가스 유입량이다.
Figure 112019135659711-pat00012
는 환원제 주입부(RI)로 주입되는 각 채널(124)의 암모니아 유량이고,
Figure 112019135659711-pat00013
는 반응기(100)에 주입된 전체 암모니아 농도이다.
Figure 112019135659711-pat00014
는 제3 샘플링 포트(SP3)를 통해 측정된 암모니아 농도이며,
Figure 112019135659711-pat00015
는 암모니아 농도의 전환율이다.
상기와 같이, 추정된 제2 입력변수를 이용하여 각 채널(124)에 대한 환원제 투입량을 수학식 7을 이용하여 산정한다(S113).
[수학식 7]
Figure 112019135659711-pat00016
여기서,
Figure 112019135659711-pat00017
는 환원제 주입부(RI)로 주입되는 각 채널(124)의 암모니아 유량이고,
Figure 112019135659711-pat00018
는 온도 및 압력이 보정되어 반응기(100)에 유입되는 배기가스 유입량이며,
Figure 112019135659711-pat00019
는 제1 샘플링 포트(SP1)를 통해 측정된 각 채널(124)의 배기가스 유입량이다. 그리고
Figure 112019135659711-pat00020
는 암모니아 농도의 전환율이고,
Figure 112019135659711-pat00021
는 환원제 주입부(RI)로 투입되는 암모니아 전체 유량이다.
상기와 같은 과정을 통해 환원제의 투입량을 산정함으로써, 환원제의 분사량을 실시간으로 판별하여 능동적으로 반응기(100)에 분사할 수 있다. 아울러, 반응기(100)의 운전 종료 시마다 전술한 데이터 등을 수집한 뒤, 이를 통해 전술한 학습 모델을 재학습 내지 갱신시킬 수 있다. 이렇게 재학습 내지 갱신된 학습 모델을, 환원제의 투입량 산정 과정에 이용할 경우, 반응기(100)의 배출구(118)를 통해 유출되는 환원제는 최소화될 수 있다.
그리고 보다 신뢰성 높은 다중회귀분석을 위해 단계 S101 내지 S113의 과정을 반복하여, 새로운 학습 모델을 구축하고, 새로운 회귀계수를 연산한다. 그리고 선택적 촉매환원 학습 시스템(10)은 학습이 이루어질 때마다 학습된 학습 모델 및 회귀게수를 저장부(19)에 저장한다.
위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이므로, 본 발명이 상기 실시예에만 국한되는 것으로 이해돼서는 안 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어야 할 것이다.
10: 선택적 촉매환원 학습 시스템
11: 제1 입력변수부
13: 출력변수부
15: 제2 입력변수부
17: 연산부
19: 저장부
100: 반응기
110: 본체
112: 상부 커버
114: 유입구
116: 하부 커버
118: 배출구
122: 격벽
124: 채널
130: 촉매
RI: 환원제 주입부
SP1: 제1 샘플링 포트
SP2: 제2 샘플링 포트
SP3: 제3 샘플링 포트

Claims (12)

  1. 배기가스에 포함된 질소산화물을 저감하기 위한 촉매가 설치된 반응기에 공급되는 상기 배기가스의 유량을 포함하는 제1 입력변수가 입력되는 제1 입력변수부;
    상기 반응기에서 촉매환원 반응에 의해 상기 배기가스가 정화된 정화가스에 포함된 질소산화물의 농도에 대한 출력변수가 입력되는 출력변수부;
    상기 제1 입력변수부에서 입력된 제1 입력변수 및 상기 출력변수부에서 입력된 출력변수를 이용하여 인공신경망을 기반으로 학습된 회귀계수를 연산하고, 학습 모델을 구축하는 연산부를 포함하고,
    상기 연산부는 입력 계층 및 은닉 계층을 포함하는 인공신경망을 이용하고, 상기 입력 계층으로 데이터가 입력되면 가중치에 따라 데이터가 산정되어 상기 은닉 계층에 출력값이 출력되는 과정을 통해 회귀계수를 연산하며,
    상기 연산부는 상기 반응기에서 촉매환원 반응이 이루어지도록 투입하는 환원제의 투입량을 산정 과정에서, 상기 회귀계수 및 상기 학습 모델을 이용하는,
    선택적 촉매환원 학습 시스템.
  2. 제 1 항에 있어서,
    상기 제1 입력변수는, 상기 반응기에 공급되는 배기가스의 유량, 온도 및 압력 중 하나 이상을 포함하는,
    선택적 촉매환원 학습 시스템.
  3. 제 1 항에 있어서,
    상기 연산부는, 연산된 상기 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 상기 출력변수를 추정하고, 상기 환원제의 투입량을 산정하는 과정에서, 추정된 상기 출력변수를 이용하는,
    선택적 촉매환원 학습 시스템.
  4. 제 3 항에 있어서,
    상기 연산부는, 추정된 상기 출력변수를 이용하여 제2 입력변수를 추정하고, 추정된 상기 제2 입력변수를 이용하여 상기 환원제의 투입량을 산정하며,
    상기 제2 입력변수는, 상기 반응기에 공급되는 배기가스에 포함된 질소산화물의 농도인,
    선택적 촉매환원 학습 시스템.
  5. 제 1 항에 있어서,
    상기 연산부에서 연산된 상기 회귀계수 및 학습된 상기 학습 모델을 저장하는 저장부를 더 포함하는,
    선택적 촉매환원 학습 시스템.
  6. 제 1 항에 있어서,
    상기 반응기는,
    내부에 중공이 형성된 본체;
    상기 본체의 상부에 배치되고, 상기 배기가스가 유입되는 유입구가 형성된 상부 커버; 및
    상기 본체의 내부에 설치된 하나 이상의 촉매를 포함하는,
    선택적 촉매환원 학습 시스템.
  7. 제 6 항에 있어서,
    상기 반응기는,
    상기 촉매보다 상부에 배치되고, 상기 본체의 외부에서 내부로 환원제를 공급하는 하나 이상의 환원제 주입부; 및
    상기 촉매보다 하부에 배치되고, 상기 정화가스에 포함된 질소산화물의 농도를 측정하기 위한 제2 샘플링 포트를 더 포함하고,
    상기 출력변수는 상기 제2 샘플링 포트를 통해 측정된 질소산화물의 농도인,
    선택적 촉매환원 학습 시스템.
  8. 제 7 항에 있어서,
    상기 연산부는, 상기 연산된 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 제2 입력 변수를 산정하여 상기 환원제의 투입량을 산정하고,
    상기 반응기는, 하나 이상의 상기 환원제 주입부보다 상부에 배치되고, 상기 배기가스에 포함된 질소산화물의 농도를 측정하기 위한 제1 샘플링 포트를 더 포함하며,
    상기 제2 입력변수는, 상기 제1 샘플링 포트를 통해 측정된 질소산화물의 농도인,
    선택적 촉매환원 학습 시스템.
  9. 제 6 항에 있어서,
    상기 반응기는,
    상기 본체의 하부에 배치되며, 상기 배기가스가 촉매환원 반응으로 정화된 정화가스가 배출되는 배출구가 형성된 하부 커버를 더 포함하고,
    상기 하부 커버는, 상기 배출구의 상부에 배치되고, 상기 정화가스에 포함된 질소산화물의 농도 및 상기 정화가스에 포함된 환원제의 유출량 중 하나 이상을 측정하기 위한 제3 샘플링 포트를 포함하는,
    선택적 촉매환원 학습 시스템.
  10. 배기가스에 포함된 질소산화물을 저감하기 위한 촉매가 설치된 반응기에 공급되는 상기 배기가스의 유량을 포함하는 제1 입력변수 및 상기 반응기에서 촉매환원 반응에 의해 상기 배기가스가 정화된 정화가스에 포함된 질소산화물의 농도에 대한 출력변수가 입력되는 단계;
    입력된 상기 제1 입력변수 및 상기 출력변수를 이용하여 인공신경망을 기반으로 학습된 회귀계수를 연산하고, 학습 모델을 구축하는 단계; 및
    상기 회귀계수 및 상기 학습 모델을 이용하여 상기 반응기에서 촉매환원 반응이 이루어지도록 투입하는 환원제의 투입량을 산정하는 단계를 포함하고,
    상기 회귀계수는 입력 계층 및 은닉 계층을 포함하는 인공신경망에서 상기 입력 계층으로 데이터가 입력되면 가중치에 따라 데이터가 산정되어 상기 은닉 계층에 출력값이 출력되는 과정을 통해 연산되는,
    선택적 촉매환원 학습 방법.
  11. 제 10 항에 있어서,
    상기 제1 입력변수는, 상기 반응기에 공급되는 배기가스의 유량, 온도 및 압력 중 하나 이상을 포함하는,
    선택적 촉매환원 학습 방법.
  12. 제 10 항에 있어서,
    상기 환원제의 투입량을 산정하는 단계는,
    연산된 상기 회귀계수, 구축된 상기 학습 모델, 상기 반응기의 실시간 제1 입력변수를 이용하여 상기 출력변수를 추정하는 단계;
    추정된 상기 출력변수를 이용하여 제2 입력변수를 추정하는 단계; 및
    추정된 상기 제2 입력변수를 이용하여 상기 환원제의 투입량을 산정하는 단계를 포함하고,
    상기 제2 입력 변수는, 상기 반응기에 공급되는 배기가스에 포함된 질소산화물의 농도인,
    선택적 촉매환원 학습 방법.
KR1020190178254A 2019-12-30 2019-12-30 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법 KR102348619B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190178254A KR102348619B1 (ko) 2019-12-30 2019-12-30 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190178254A KR102348619B1 (ko) 2019-12-30 2019-12-30 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법

Publications (2)

Publication Number Publication Date
KR20210085327A KR20210085327A (ko) 2021-07-08
KR102348619B1 true KR102348619B1 (ko) 2022-01-07

Family

ID=76894534

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190178254A KR102348619B1 (ko) 2019-12-30 2019-12-30 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법

Country Status (1)

Country Link
KR (1) KR102348619B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102431125B1 (ko) * 2021-10-14 2022-08-11 박정봉 질소산화물 저감시스템 및 그의 제어 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100490813B1 (ko) 2002-03-29 2005-05-24 미츠비시 후소 트럭 앤드 버스 코포레이션 내연 기관의 ＮＯｘ 정화 장치
JP2014005745A (ja) 2012-06-21 2014-01-16 Yanmar Co Ltd 尿素水噴射装置
JP5482446B2 (ja) 2010-05-25 2014-05-07 いすゞ自動車株式会社 Ｓｃｒシステム
KR101601519B1 (ko) * 2014-10-30 2016-03-08 두산엔진주식회사 선택적 촉매 환원 시스템 및 선택적 촉매 환원 방법
KR101601520B1 (ko) * 2014-10-30 2016-03-08 두산엔진주식회사 선택적 촉매 환원 시스템 및 선택적 촉매 환원 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100811932B1 (ko) 2007-01-23 2008-03-10 현대자동차주식회사 Ｕｒｅａ-ｓｃｒ 시스템의 요소분사량 최적제어방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100490813B1 (ko) 2002-03-29 2005-05-24 미츠비시 후소 트럭 앤드 버스 코포레이션 내연 기관의 ＮＯｘ 정화 장치
JP5482446B2 (ja) 2010-05-25 2014-05-07 いすゞ自動車株式会社 Ｓｃｒシステム
JP2014005745A (ja) 2012-06-21 2014-01-16 Yanmar Co Ltd 尿素水噴射装置
KR101601519B1 (ko) * 2014-10-30 2016-03-08 두산엔진주식회사 선택적 촉매 환원 시스템 및 선택적 촉매 환원 방법
KR101601520B1 (ko) * 2014-10-30 2016-03-08 두산엔진주식회사 선택적 촉매 환원 시스템 및 선택적 촉매 환원 방법

Also Published As

Publication number Publication date
KR20210085327A (ko) 2021-07-08

Similar Documents

Publication Publication Date Title
EP2873822B1 (en) On-board catalyst deterioration monitoring and control system adaptation in internal combustion engines
CN100451307C (zh) 控制还原剂喷入内燃机废气中的方法
McKinley et al. Adaptive model predictive control of an SCR catalytic converter system for automotive applications
JP6815366B2 (ja) 触媒状態推定装置、触媒の状態を推定する方法及びコンピュータプログラム
US20140056788A1 (en) Method for the model-based feedback control of an scr system having at least one scr catalytic converter
CN105579678A (zh) 传感器的异常诊断装置
KR102283207B1 (ko) 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치
WO2005068797A1 (en) Method and device for controlling the injection of reducing agent
KR102348619B1 (ko) 선택적 촉매환원 학습 시스템 및 선택적 촉매환원 학습 방법
Zhang et al. Ammonia coverage ratio and input simultaneous estimation in ground vehicle selective catalytic reduction (SCR) systems
CN107035490B (zh) 一种柴油机scr系统氮氧化物输入传感器故障诊断方法
Soleimani et al. Reliability challenges for automotive aftertreatment systems: A state-of-the-art perspective
CN107023367B (zh) 一种柴油机scr系统氨气输入传感器故障诊断和容错控制方法
Zhou et al. State estimation in the automotive SCR deNOx process
JP5754000B2 (ja) 脱硝触媒の劣化予測方法、劣化対策方法、劣化対策システム及び排ガス処理システムの設計方法
SE1050084A1 (sv) Skattning av en avvikelse för åtminstone en modellvariabel hos en katalysatormodell
CN110211644A (zh) 一种应用于柴油机scr后处理系统的氨覆盖率与输入氨气浓度估计方法
CN110295984B (zh) 催化剂状态推定装置及方法、以及非瞬时性记录介质
CN110073087A (zh) 用于选择性催化还原系统的方法和装置
KR102257395B1 (ko) 배기가스 후처리 시스템 제어 장치
KR102337026B1 (ko) 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법
JP7332566B2 (ja) センサ状態推定装置、後処理システム、センサの状態を推定する方法、及びコンピュータプログラム
IT201800020851A1 (it) Metodo e dispositivo di controllo di almeno un convertitore catalitico scr di un veicolo
Shah et al. Optimal ammonia injection for emissions control in power plants
CN102330592A (zh) 用于柴油发动机的废气排放后处理的设备和方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant