KR102665017B1 - 연소실 압력 예측 시스템 및 방법 - Google Patents

연소실 압력 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102665017B1
KR102665017B1 KR1020230012574A KR20230012574A KR102665017B1 KR 102665017 B1 KR102665017 B1 KR 102665017B1 KR 1020230012574 A KR1020230012574 A KR 1020230012574A KR 20230012574 A KR20230012574 A KR 20230012574A KR 102665017 B1 KR102665017 B1 KR 102665017B1
Authority
KR
South Korea
Prior art keywords
data
learning
combustion chamber
chamber pressure
neural network
Prior art date
Application number
KR1020230012574A
Other languages
English (en)
Inventor
이지웅
이재웅
이원주
벙광다오
김영민
Original Assignee
국립한국해양대학교산학협력단
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 국립한국해양대학교산학협력단 filed Critical 국립한국해양대학교산학협력단
Priority to KR1020230012574A priority Critical patent/KR102665017B1/ko
Application granted granted Critical
Publication of KR102665017B1 publication Critical patent/KR102665017B1/ko

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
    • F02D35/024—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure using an estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H21/00—Use of propulsion power plant or units on vessels
    • B63H21/12—Use of propulsion power plant or units on vessels the vessels being motor-driven
    • B63H21/14—Use of propulsion power plant or units on vessels the vessels being motor-driven relating to internal-combustion engines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
    • F01L2820/00—Details on specific features characterising valve gear arrangements
    • F01L2820/04—Sensors
    • F01L2820/042—Crankshafts position
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
    • F02D41/28—Interface circuits
    • F02D2041/286—Interface circuits comprising means for signal processing
    • F02D2041/288—Interface circuits comprising means for signal processing for performing a transformation into the frequency domain, e.g. Fourier transformation

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

본 발명은 선박 주기관의 연소실 압력을 계측하는 압력 센서가 제기능을 발휘하지 못할 경우, 실린더별로 연소실 압력을 예측할 수 있는 시스템 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 연소실 압력 시스템은 소기 압력 데이터가 포함되는 학습데이터 및 입력데이터를 주기관으로부터 취득하는 데이터 취득부; 상기 학습데이터 및 입력데이터를 전처리하는 데이터 전처리부; 상기 학습데이터를 이용하여 연소실 압력 예측을 위한 심층신경망 모델을 학습하는 모델 학습부; 및 상기 모델 학습부에 의해 학습이 완료된 예측 모델에 상기 입력데이터를 입력하여 실린더별 연소실 압력을 예측하는 예측부;로 구성된다.
본 발명에 의하면, 본 발명은 운항 중 전자 압력 센서를 통해 실린더별 연소실 압력 계측이 불가능할 경우, 염가의 엔코더에 의해 측정된 크랭크축 각속도 데이터와 심층신경망 모델을 이용하여 실린더별 연소실 압력을 실시간으로 예측할 수 있다. 그리고 상기 실린더별 연소실 압력은 실린더의 피스톤이 하사점에서 다음 하사점까지 이동되는 1 사이클 동안 예측됨으로써, 심층신경망 모델을 통해 예측된 연소실 압력과 실제 연소실 압력 간 오차가 발생하는 행정 구간이 용이하게 파악되어 상기 모델의 학습 정확도가 향상되는 이점이 있다.

Description

연소실 압력 예측 시스템 및 방법{System and method for predicting pressure of combustion chamber}
본 발명은 선박 주기관의 연소실 압력을 계측하는 압력 센서가 제기능을 발휘하지 못할 경우, 실린더별로 연소실 압력을 예측할 수 있는 시스템 및 방법에 관한 것이다.
일반적으로 전자 압력 센서에 의해 측정되는 선박 주기관의 연소실 압력 데이터는 연소 진행에 대한 정량적 정보로써, 도시 평균유효압력(Indicated Mean Effective Pressure, IMEP) 및 열방출 속도(Rate of Heat Release)를 계산하기 위해 사용되며, 이를 통해 최적의 점화지점과 주기관 상사점(Top Dead Center, TDC)의 위치설정 오차를 분석할 수 있다.
또한, 연소실 압력을 통해 선박 주기관 점화 시점을 설정함으로써 노크(Knock)를 제어하여 출력을 높이고, 실린더 내 불완전 연소상태를 파악함으로써 배출가스 감축 및 고장진단을 할 수 있다.
그러나 최근 선박의 대형화 추세와 함께 주기관 출력이 증가함에 따라 연소실 압력이 크게 증가하여, 선박 주기관 주변의 높은 온도와 선체 진동 등의 요인으로 인해 전자 압력 센서의 고장 빈도가 증가하게 되었다.
이로 인해, 상기 전자 압력 센서는 높은 내구성이 요구되어 단가가 커지게 되었으며, 각 실린더마다 전자 압력 센서가 구비되어야 하므로, 운항 중 전자 압력 센서 고장 시 교체 비용이 커지는 문제점이 발생하였다.
KR 2022-0149222 A
본 발명의 목적은 운항 중 전자 압력 센서가 제기능을 발휘하지 못할 경우, 염가의 엔코더와 심층신경망 모델을 이용하여 실린더별 연소실 압력을 실시간으로 예측할 수 있는 연소실 압력 예측 시스템 및 방법을 제공하는 것이다.
본 발명의 실시 예에 따른 연소실 압력 예측 시스템은 소기 압력 데이터가 포함되는 학습데이터 및 입력데이터를 주기관으로부터 취득하는 데이터 취득부; 상기 학습데이터 및 입력데이터를 전처리하는 데이터 전처리부; 상기 학습데이터를 이용하여 연소실 압력 예측을 위한 심층신경망 모델을 학습하는 모델 학습부; 및 상기 모델 학습부에 의해 학습이 완료된 예측 모델에 상기 입력데이터를 입력하여 실린더별 연소실 압력을 예측하는 예측부;로 구성되고,
상기 데이터 전처리부는 상기 소기 압력 데이터를 이용하여 하사점을 도출하고, 상기 하사점 기준 1 사이클 간격으로 학습데이터 및 입력데이터를 샘플링하여, 상기 모델 학습부에서 심층신경망 모델 학습 시 예측되는 연소실 압력과 연소실 압력 간 오차 발생 행정구간이 파악되어, 상기 모델 학습부에 의한 심층신경망 모델 학습의 정확도가 향상된다.
이때, 상기 학습데이터 및 입력데이터에는 크랭크 각도 데이터 및 크랭크축 각속도 데이터가 포함된다.
더불어, 상기 데이터 전처리부는 상기 크랭크축 각속도 데이터를 이용하여 크랭크축 각가속도 데이터를 생성한 후 상기 크랭크축 각가속도 데이터를 학습데이터 및 입력데이터에 저장하고, 고속 푸리에 변환(FFT)를 통해 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음을 식별한 후, 로우패스 필터(LPF)를 통해 상기 신호 잡음을 제거한다.
그리고 상기 데이터 전처리부는 상기 학습데이터 및 입력데이터의 간격을 크랭크 각도로 리샘플링하여 1 사이클 당 데이터 샘플 수를 일정하게 한다.
본 발명의 실시 예에 따른 연소실 압력 예측 방법은 연소실 압력 예측을 위한 심층신경망 모델 학습 단계; 및 학습이 완료된 예측 모델을 통한 연소실 압력 예측 단계;로 구성된다.
상기 학습 단계에는 주기관으로부터 연소실 압력 데이터, 소기 압력 데이터, 크랭크 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 학습데이터가 취득되는 과정과, 상기 학습데이터가 전처리되는 과정과, 상기 심층신경망 모델에 전처리된 학습데이터가 입력되어 심층신경망 모델이 학습되는 과정이 포함된다.
상기 예측 단계에는 주기관으로부터 소기 압력 데이터, 크랭크 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 입력데이터가 취득되는 과정과, 상기 입력데이터가 전처리되는 과정과, 상기 예측 모델에 전처리된 입력데이터가 입력되어 실린더별 연소실 압력이 예측되는 과정이 포함된다.
상기 학습데이터가 전처리되는 과정에서는 상기 소기 압력 데이터를 통해 하사점이 도출되고, 상기 하사점 기준 1 사이클 간격으로 학습데이터가 샘플링되어, 상기 심층신경망 모델이 학습되는 과정에서 예측되는 연소실 압력과 학습데이터가 취득되는 과정에서 취득되는 실제 연소실 압력 간 오차 발생 행정구간이 용이하게 파악됨으로써 심층신경망 모델 학습의 정확도가 향상된다.
상기 학습데이터가 전처리되는 과정에서는 상기 크랭크축 각속도 데이터를 통해 크랭크축 각가속도 데이터가 생성된 후 상기 크랭크축 각가속도 데이터가 상기 학습데이터에 저장된다. 그리고 고속 푸리에 변환(FFT)를 통해 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음이 식별된 후, 로우패스 필터(LPF)를 통해 상기 신호 잡음이 제거된다.
상기 학습데이터가 전처리되는 과정에서는 상기 학습데이터의 간격이 크랭크 각도로 리샘플링되어 하사점 기준 1 사이클 당 데이터 샘플 수가 일정하게 된다.
본 발명은 운항 중 전자 압력 센서를 통해 실린더별 연소실 압력 계측이 불가능할 경우, 염가의 엔코더에 의해 측정된 크랭크축 각속도 데이터와 심층신경망 모델을 이용하여 실린더별 연소실 압력을 실시간으로 예측할 수 있다.
그리고 상기 실린더별 연소실 압력은 실린더의 피스톤이 하사점에서 다음 하사점까지 이동되는 1 사이클 동안 예측됨으로써, 심층신경망 모델을 통해 예측된 연소실 압력과 실제 연소실 압력 간 오차가 발생하는 행정 구간이 용이하게 파악되어 상기 모델의 학습 정확도가 향상되는 이점이 있다. 이때, 상기 하사점은 소기 압력 데이터를 통해 용이하게 도출된다.
또한, 상기 1 사이클 동안 최대 폭발 압력(Pmax)과 최대 압축 압력(Pcomp) 지점이 파악되므로 주기관의 연소 상태를 보다 정확하게 판단할 수 있다.
더불어, 주기관으로부터 계측되는 크랭크축 각속도 데이터의 신호 잡음은 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 식별된 후, 로우패스 필터(Low Pass Filter, LPF)를 통해 제거됨으로써, 연소실 압력 예측 정확도가 향상되는 이점이 있다.
도 1은 본 발명의 실시 예에 따른 연소실 압력 예측 시스템의 개략적인 구성도이다.
도 2는 본 발명의 실시 예에 따른 주기관 데이터가 수집되어 예측 시스템에 입력되는 과정을 나타내는 블록도이다.
도 3은 본 발명의 실시 예에 따른 데이터 전처리부의 개략적인 구성도이다.
도 4는 크랭크축 각속도 데이터의 신호 잡음이 FFT를 통해 식별되는 것을 나타내는 그래프이다.
도 5는 본 발명의 실시 예에 따른 미가공 상태의 연소실 압력 데이터와 전처리된 연소실 압력 데이터를 나타내는 그래프이다.
도 6은 본 발명의 실시 예에 따른 모델 학습부의 개략적인 구성도이다.
도 7은 본 발명의 실시 예에 따른 연소실 압력 예측 방법을 나타내는 순서도이다.
도 8은 본 발명의 실시 예에 따른 학습데이터가 전처리되는 과정을 나타내는 순서도이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 일 실시 예에 따른 선박용 2행정 디젤기관의 연소실 압력 예측 시스템(이하, ‘예측 시스템’)을 상세하게 설명하고자 한다.
도 1에는 본 발명의 실시 예에 따른 예측 시스템의 개략적인 구성도가 도시된다. 이를 살펴보면, 예측 시스템은 데이터 취득부(100), 데이터 전처리부(200), 모델 학습부(300) 및 예측부(400)를 포함하여 구성된다.
상기 데이터 취득부(100)는 주기관(Main Engine)으로부터 데이터(이하, ‘주기관 데이터’)를 취득하며, 상기 주기관 데이터는 학습데이터 및 입력데이터로 구성된다.
상기 데이터 취득부(100)는 심층신경망 모델 학습 시 실린더별 연소실 압력 데이터, 소기 압력 데이터, 크랭크축 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 학습데이터를 취득한다.
그리고 심층신경망 모델을 통한 실린더별 연소실 압력 예측 시에는 소기 압력 데이터, 크랭크축 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 입력데이터를 취득한다.
상기 데이터 전처리부(200)는 심층신경망 모델을 통한 연소실 압력 예측의 정확도가 향상되도록 상기 학습데이터 및 입력데이터를 전처리한다.
상기 모델 학습부(300)는 입력층(Input layer)에 입력된 상기 학습데이터를 이용하여 실린더별 연소실 압력을 예측하기 위한 심층신경망 모델을 학습한다. 상기 모델 학습은 시운전 등 선박 운항 전에 완료되는 것이 바람직하다.
상기 예측부(400)는 최종적으로 학습이 완료된 상기 모델(이하, ‘예측 모델’)의 입력층에 입력된 상기 입력데이터를 이용하여 실린더별 연소실 압력을 예측한다.
도 2에는 본 발명의 실시 예에 따른 주기관 데이터가 수집되어 예측 시스템에 입력되는 과정을 나타내는 블록도가 도시된다. 이를 살펴보면, 데이터 취득부(100)는 제1데이터 계측센서(110), 제2데이터 계측센서(120), 데이터 수집모듈(130), 증폭기(140) 및 주파수 전압 변환기(150)로 구성된다.
상기 제1데이터 계측센서(110)는 실린더별 연소실 압력과 소기 압력을 계측하기 위한 것으로, 복수의 전자 압력 센서로 구성된다. 상기 전자 압력 센서의 신호는 상기 데이터 수집모듈(130)과 병렬 연결된다.
상기 제2데이터 계측센서(120)는 크랭크축 각속도 및 각도를 계측하기 위한 것으로, 선수측을 향하는 크랭크축 단부에 구비되는 하나의 엔코더 및 선미측을 향하는 크랭크축 단부에 구비되는 하나의 픽업(Pick-up) 센서로 구성된다. 이때, 상기 엔코더의 Z 펄스는 선수측 기점 1번 실린더의 상사점(TDC) 위치에 일치된다.
상기 제1데이터 계측센서(110)를 통해 계측된 연소실 압력 데이터와 소기 압력 데이터의 신호는 증폭기(140)를 거쳐 데이터 수집모듈(130)에 저장된다.
상기 제2데이터 계측센서(120)를 통해 계측된 크랭크축 각속도 데이터 및 크랭크축 각도 데이터의 신호는 증폭기(140) 및 주파수 전압 변환기(150)를 거쳐 상기 데이터 수집모듈(130)에 저장된다. 즉, 상기 엔코더의 펄스 신호 및 신호 간격의 시간을 통해 주파수가 산출되고, 상기 주파수 전압 변환기(150)를 통해 상기 주파수가 전압 출력으로 변환됨으로써 크랭크축 각속도 데이터 및 각도 데이터가 계측된다.
이때, 상기 크랭크축 각속도 데이터 및 연소실 압력 데이터의 정밀도가 향상되도록 상기 제1 및 제2데이터 계측센서(110,120)의 계측 속도는 4,167[S/sec]로 설정된다. 즉, 상기 계측 속도에 의해 1초당 4,167개의 샘플 수가 수집된다.
도 3에는 본 발명의 실시 예에 따른 데이터 전처리부(200)의 개략적인 구성도가 도시된다. 이를 살펴보면, 데이터 전처리부(200)는 단위 변환모듈(210), 노이즈 제거모듈(220), 각가속도 산출모듈(230) 및 리샘플링모듈(240)로 구성된다.
상기 단위 변환모듈(210)은 학습데이터 및 입력데이터를 각 데이터 항목에 맞는 단위로 변환한다.
상기 실린더별 연소실 압력 데이터와 소기 압력 데이터는 데이터 계측에 사용된 전자 압력 센서의 감도(Sensitivity)값과 소정의 오프셋(Offest)값을 통해 Bar 등의 압력 단위로 변환된다.
이때, 연소실 압력 데이터 단위 변환 시 사용되는 실린더별 오프셋값은 각 실린더의 하사점(BDC)±10°지점 압력 평균값에서 해당 실린더의 소기 압력값을 뺀 값으로 설정된다.
상기 크랭크축 각속도 데이터는 엔코더 또는 픽업 센서의 감도값을 통해 rad/s 등의 회전속도 단위로 변환된다.
상기 노이즈 제거모듈(220)은 제1 및 제2데이터 계측센서(110,120)를 통해 계측되는 데이터 신호 중 진동 등 외부요인으로 인한 잡음을 제거한다.
도 4에는 크랭크축 각속도 데이터의 신호 잡음이 고속 푸리에 변환을 통해 식별되는 것을 나타내는 그래프가 도시된다. 이를 살펴보면, 상기 크랭크축 각속도 데이터는 고속 푸리에 변환을 통해 신호 잡음이 식별된다. 그리고 로우패스 필터(저주파 통과 필터)를 통해 상기 신호 잡음이 제거된다.
상기 로우패스 필터에서의 차단 주파수(Cut off Frequency,
Figure 112023011282058-pat00001
)는 취득된 데이터 구간 내에서 가장 큰 진폭으로 발생되는 진동 성분 주파수의 2배수로 설정되고, 차단 주파수 이후 감쇠 구간이 없도록 주파수 변화량(
Figure 112023011282058-pat00002
)은 0으로 설정된다.
상기 연소실 압력 데이터의 경우, 이동 평균 필터(Moving Average Filter)를 통해 잡음이 제거된다. 상기 이동 평균 필터에서는 최대압축압력(Pcomp)과 최대폭발압력(Pmax)이 왜곡되지 않고 신호 잡음만 제거되도록 10점 평활화 방법이 적용된다.
상기 각가속도 산출모듈(230)은 상기 크랭크축 각속도 데이터를 미분하여 각가속도 데이터를 생성한다.
상기 각가속도 데이터는 노이즈 제거모듈(220)에 의해 상기 가속도 데이터와 동일한 방법으로 신호 잡음이 제거된다. 그리고 크랭크축 각가속도 데이터는 심층신경망 모델 학습을 위한 상기 학습데이터와 예측 모델을 통해 연소실 압력 예측을 위한 상기 입력데이터에 포함된다.
상기 리샘플링모듈(240)은 데이터 간격을 0.5 크랭크 각도(Crank angle, CA) 간격으로 리샘플링(Resampling)함으로써, 학습데이터 및 입력데이터의 용량을 줄여 처리속도를 향상시킨다. 이때, 상기 리샘플링으로 인해 주기관 부하별 1 사이클을 나타내는 샘플 수가 일정하게 됨으로써 심층신경망 모델 학습 효율이 향상된다.
그리고 하사점(Bottom Dead Centre, BDC)에서 다음 하사점까지 샘플링(Sampling)되고, 이로 인해 심층신경망 모델 학습 시 예측된 연소실 압력과 실제 연소실 압력 간 오차가 발생하는 행정 구간이 용이하게 파악됨으로써 모델 학습 정확도가 향상된다.
이때, 상기 하사점은 제1데이터 계측센서(110)에 의해 계측되는 소기 압력 데이터를 통해 용이하게 도출될 수 있다.
도 5의 (a)에는 미가공 상태의 연소실 압력 데이터를 나타내는 그래프가 도시된다. 도 5의 (b)에는 본 발명의 실시 예에 따른 데이터 전처리부(200)에 의해 전처리된 연소실 압력 데이터를 나타내는 그래프가 도시된다.
이들 도면을 살펴보면, 미가공 상태의 연소실 압력 크기는 진폭 단위으로 나타났으나, 전처리를 통해 압력 단위로 변환되었다. 그리고 데이터 간격은 계측 속도 간격에서 크랭크 속도 간격으로 리샘플링되었다.
도 6에는 본 발명의 실시 예에 따른 모델 학습부(300)의 개략적인 구성도가 도시된다. 이를 살펴보면, 상기 모델 학습부(300)는 실린더별 연소실 압력 데이터 예측을 위한 심층신경망 모델이 학습을 위한 것으로 분류모듈(310), 스케일링모듈(320), 교차검증모듈(330), 하이퍼 파라미터 도출모듈(340) 및 예측 모델 설정모듈(350)로 구성된다.
심층신경망 모델 학습을 위한 입력층에는 상기 학습데이터가 입력되며, 학습데이터에는 각가속도 산출모듈(230)에 의해 생성된 크랭크축 각가속도 데이터가 포함된다.
상기 분류모듈(310)은 심층신경망 모델 학습을 위하여 전처리된 상기 학습데이터를 훈련·검증데이터 세트(Training & Validation data sets)와 테스트 데이터 세트(Test data sets)로 분류한다.
상기 스케일링모듈(320)은 MinMaxScaler를 통해 상기 학습데이터의 모든 특성 범위를 0 내지 1로 스케일링(Scaling)한다. 이로써, 학습을 위한 상기 모델에 미치는 특성들의 영향력은 동일해진다.
상기 교차검증모듈(330)은 학습데이터의 과적합(Overfitting)이 방지되도록 5개의 폴드로 나눈 K-폴드 교차검증을 수행한다.
상기 하이퍼 파라미터 도출모듈(340)은 그리드 탐색(Grid Search) 방법을 통해 가장 높은 성능을 가지는 하이퍼 파라미터 조합을 도출한다. 이때, 평균 제곱근 오차(Root Mean Square Error, RMSE)가 성능지표로 설정된다.
상기 예측 모델 설정모듈(350)은 도출된 하이퍼 파라미터 조합이 적용된 심층신경망 모델로 에포크(Epoch) 수만큼 학습하며, 이 과정에서 최적의 성능을 낸 파라미터 값이 모델 체크포인트 기능을 통해 저장된다.
그리고 최종적으로 학습이 종료된 심층신경망 모델에 상기 저장된 파라미터 값이 적용됨으로써 연소실 압력 데이터를 예측하기 위한 예측 모델이 설정된다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 일 실시 예에 따른 선박용 2행정 디젤기관의 연소실 압력 예측 방법(이하, ‘예측 방법’)을 상세하게 설명하고자 한다.
도 7에는 본 발명의 실시 예에 따른 예측 방법을 개략적으로 나타내는 흐름도가 도시된다. 이를 살펴보면, 상기 예측 방법에는 연소실 압력 예측을 위한 심층신경망 모델 학습 단계(S100); 상기 학습 단계(S100)에서 학습이 완료된 예측 모델을 통한 연소실 압력 예측 단계(S200);이 포함된다.
상기 학습 단계(S100)는 시운전 시 수행되며, 주기관으로부터 심층신경망 모델 학습을 위한 학습데이터가 취득되는 과정(S110)과, 상기 학습데이터가 전처리되는 과정(S120)과, 상기 심층신경망 모델에 전처리된 학습데이터가 입력되어 심층신경망 모델이 학습되는 과정(S130)이 포함된다.
상기 학습데이터가 취득되는 과정(S110)에서는 주기관으로부터 실린더별 연소실 압력 데이터, 소기 압력 데이터, 크랭크축 각도 데이터 및 크랭크축 각속도 데이터를 포함하는 학습데이터가 취득된다.
도 8은 상기 학습데이터가 전처리되는 과정(S120)을 개략적으로 나타내는 순서도로서, 이를 살펴보면 학습데이터가 전처리되는 과정(S120)에는 상기 학습데이터가 각 데이터 항목에 맞는 단위로 변환되는 과정(S121)과, 상기 크랭크축 각속도 데이터를 통해 크랭크축 각가속도 데이터가 생성되는 과정(S122)과, 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음이 FFT(Fast Fourier Transform)로 식별된 후, 상기 신호 잡음이 LPF(Low Pass Filter)를 통해 제거되는 과정(S123)과, 상기 연소실 압력 데이터 및 소기 압력 데이터의 신호 잡음이 MAF(Moving Average Filter)를 통해 제거되는 과정(S124)과, 상기 학습데이터가 크랭크 각도(Crank Angle, CA) 간격으로 리샘플링되는 과정(S125)이 포함된다.
상기 크랭크축 각가속도 데이터가 생성되는 과정(S122)에서는 상기 크랭크축 가속도 데이터가 미분되어 크랭크축 각가속도 데이터가 생성되고, 상기 크랭크축 각가속도 데이터는 학습데이터에 저장된다.
상기 심층신경망 모델이 학습되는 과정(S130)에는 상기 학습데이터가 훈련 및 검증 데이터 세트와 테스트 데이터 세트로 분류되는 과정(S131)과, MinMaxScaler를 통해 상기 학습데이터의 특성 범위가 0 내지 1로 스케일링되는 과정(S132)과, 상기 학습데이터의 과적합이 방지되도록 K-폴드 교차검증이 수행되는 과정(S133)과, 그리드 탐색 방법을 통해 가장 높은 성능을 가지는 하이퍼 파라미터 조합이 도출되는 과정(S134)과, 학습이 종료된 심층신경망 모델에 최적의 파라미터 값이 적용되어 예측 모델이 설정되는 과정(S135)이 포함된다.
상기 예측 단계(S200)는 운항 중 전자 압력 센서가 제기능을 발휘하지 못할 경우 수행되며, 주기관으로부터 연소실 압력 예측을 위한 입력데이터가 취득되는 과정(S210)과, 상기 입력데이터가 전처리되는 과정(S220)과, 상기 예측 모델에 입력데이터가 입력되어 실린더별 연소실 압력이 예측되는 과정(S230)이 포함된다.
상기 입력데이터가 취득되는 과정(S210)에서는 주기관으로부터 소기 압력 데이터, 크랭크축 각도 데이터 및 크랭크축 각속도 데이터를 포함하는 학습데이터가 취득된다.
입력데이터가 전처리되는 과정(S220)에는 상기 입력데이터가 각 데이터 항목에 맞는 단위로 변환되는 과정(S221)과, 상기 크랭크축 각속도 데이터를 통해 크랭크축 각가속도 데이터가 생성되는 과정(S222)과, 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음이 FFT(Fast Fourier Transform)로 식별된 후, 상기 신호 잡음이 LPF(Low Pass Filter)를 통해 제거되는 과정(S223)과, 상기 소기 압력 데이터의 신호 잡음이 MAF(Moving Average Filter)를 통해 제거되는 과정(S224)과, 상기 입력데이터가 크랭크 각도(Crank Angle, CA) 간격으로 리샘플링되는 과정(S225)이 포함된다.
상기 크랭크축 각가속도 데이터가 생성되는 과정(S222)에서는 상기 크랭크축 가속도 데이터가 미분되어 크랭크축 각가속도 데이터가 생성되고, 상기 크랭크축 각가속도 데이터는 입력데이터에 저장된다.
상기 연소실 압력이 예측되는 과정(S230)에서 실린더별 연소실 압력이 하사점 기준 1 사이클 간격으로 예측되어 출력된다.
본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 데이터 취득부
110 : 제1데이터 계측센서 120 : 제2데이터 계측센서
130 : 데이터 수집모듈 140 : 증폭기
150 : 주파수 전압 변환기
200 : 데이터 전처리부
210 : 단위 변환모듈 220 : 노이즈 제거모듈
230 : 각가속도 산출모듈 240 : 리샘플링모듈
300 : 모델 학습부
310 : 분류모듈 320 : 스케일링모듈
330 : 교차검증모듈 340 : 하이퍼 파라미터 도출모듈
350 : 예측 모델 설정모듈
400 : 예측부

Claims (6)

  1. 소기 압력 데이터가 포함되는 학습데이터 및 입력데이터를 주기관으로부터 취득하는 데이터 취득부;
    상기 학습데이터 및 입력데이터를 전처리하는 데이터 전처리부;
    상기 학습데이터를 이용하여 연소실 압력 예측을 위한 심층신경망 모델을 학습하는 모델 학습부; 및
    상기 모델 학습부에 의해 학습이 완료된 예측 모델에 상기 입력데이터를 입력하여 실린더별 연소실 압력을 예측하는 예측부;로 구성되고,
    상기 데이터 전처리부는,
    상기 소기 압력 데이터를 이용하여 하사점을 도출하고, 상기 하사점 기준 1 사이클 간격으로 학습데이터 및 입력데이터를 샘플링하여,
    상기 모델 학습부에서 심층신경망 모델 학습 시 예측되는 연소실 압력과 연소실 압력 간 오차 발생 행정구간이 파악되어, 상기 모델 학습부에 의한 심층신경망 모델 학습의 정확도가 향상되되,
    상기 학습데이터 및 입력데이터에는 크랭크 각도 데이터 및 크랭크축 각속도 데이터가 포함되고,
    상기 데이터 전처리부는,
    상기 크랭크축 각속도 데이터를 이용하여 크랭크축 각가속도 데이터를 생성한 후 상기 크랭크축 각가속도 데이터를 학습데이터 및 입력데이터에 저장하고,
    고속 푸리에 변환(FFT)를 통해 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음을 식별한 후, 로우패스 필터(LPF)를 통해 상기 신호 잡음을 제거하는 것을 특징으로 하는 연소실 압력 예측 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 데이터 전처리부는,
    상기 학습데이터 및 입력데이터의 간격을 크랭크 각도로 리샘플링하여 1 사이클 당 데이터 샘플 수를 일정하게 하는 것을 특징으로 하는 연소실 압력 예측 시스템.
  4. 연소실 압력 예측을 위한 심층신경망 모델 학습 단계; 및
    학습이 완료된 예측 모델을 통한 연소실 압력 예측 단계;로 구성되고,
    상기 학습 단계에는,
    주기관으로부터 연소실 압력 데이터, 소기 압력 데이터, 크랭크 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 학습데이터가 취득되는 과정과,
    상기 학습데이터가 전처리되는 과정과,
    상기 심층신경망 모델에 전처리된 학습데이터가 입력되어 심층신경망 모델이 학습되는 과정이 포함되고,
    상기 예측 단계에는,
    주기관으로부터 소기 압력 데이터, 크랭크 각도 데이터 및 크랭크축 각속도 데이터로 이루어진 입력데이터가 취득되는 과정과,
    상기 입력데이터가 전처리되는 과정과,
    상기 예측 모델에 전처리된 입력데이터가 입력되어 실린더별 연소실 압력이 예측되는 과정이 포함되고,
    상기 학습데이터가 전처리되는 과정에서는,
    상기 소기 압력 데이터를 통해 하사점이 도출되고, 상기 하사점 기준 1 사이클 간격으로 학습데이터가 샘플링되어, 상기 심층신경망 모델이 학습되는 과정에서 예측되는 연소실 압력과 학습데이터가 취득되는 과정에서 취득되는 실제 연소실 압력 간 오차 발생 행정구간이 용이하게 파악됨으로써 심층신경망 모델 학습의 정확도가 향상되되,
    상기 크랭크축 각속도 데이터를 통해 크랭크축 각가속도 데이터가 생성된 후 상기 크랭크축 각가속도 데이터가 상기 학습데이터에 저장되고, 고속 푸리에 변환(FFT)를 통해 상기 크랭크축 각속도 데이터와 각가속도 데이터의 신호 잡음이 식별된 후, 로우패스 필터(LPF)를 통해 상기 신호 잡음이 제거되는 것을 특징으로 하는 연소실 압력 예측 방법.
  5. 삭제
  6. 제 4 항에 있어서,
    상기 학습데이터가 전처리되는 과정에서는,
    상기 학습데이터의 간격이 크랭크 각도로 리샘플링되어 하사점 기준 1 사이클 당 데이터 샘플 수가 일정하게 되는 것을 특징으로 하는 연소실 압력 예측 방법.
KR1020230012574A 2023-01-31 2023-01-31 연소실 압력 예측 시스템 및 방법 KR102665017B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230012574A KR102665017B1 (ko) 2023-01-31 2023-01-31 연소실 압력 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230012574A KR102665017B1 (ko) 2023-01-31 2023-01-31 연소실 압력 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102665017B1 true KR102665017B1 (ko) 2024-05-10

Family

ID=91072174

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230012574A KR102665017B1 (ko) 2023-01-31 2023-01-31 연소실 압력 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102665017B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040026830A (ko) * 2002-09-26 2004-04-01 현대자동차주식회사 차량의 진동 소음 저감 방법
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
JP2007533911A (ja) * 2004-04-20 2007-11-22 サウスウエスト リサーチ インスティテュート 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ
US20110087419A1 (en) * 2009-10-09 2011-04-14 Gm Global Technology Operations, Inc. Cylinder pressure measurement system and method
KR20220149222A (ko) 2021-04-30 2022-11-08 한국조선해양 주식회사 엔진 압력 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040026830A (ko) * 2002-09-26 2004-04-01 현대자동차주식회사 차량의 진동 소음 저감 방법
JP2005120896A (ja) * 2003-10-16 2005-05-12 Isuzu Motors Ltd シリンダ内圧検出方法
JP2007533911A (ja) * 2004-04-20 2007-11-22 サウスウエスト リサーチ インスティテュート 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ
US20110087419A1 (en) * 2009-10-09 2011-04-14 Gm Global Technology Operations, Inc. Cylinder pressure measurement system and method
KR20220149222A (ko) 2021-04-30 2022-11-08 한국조선해양 주식회사 엔진 압력 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
US7536902B2 (en) Misfire detecting apparatus for internal combustion engine
EP1918688B1 (en) Misfire detecting apparatus for internal combustion engine
US5495415A (en) Method and system for detecting a misfire of a reciprocating internal combustion engine
US5576963A (en) Method and system for detecting the misfire of a reciprocating internal combustion engine utilizing a misfire index model
CN100578003C (zh) 计算发动机的做功量的装置和方法
EP1056999B1 (en) Process for detecting a misfire in an internal combustion engine and system for carrying out said process
US8326518B2 (en) Knocking detecting apparatus for internal combustion engine
EP2327868B1 (en) Frequency spectrum analyzing apparatus
US6546328B1 (en) Knock and misfire detection system
CN111577471B (zh) 内燃机的状态检测系统、方法、数据解析装置、及车辆
US6456927B1 (en) Spectral knock detection method and system therefor
CN102301120B (zh) 频率成分分析装置
JPH04279751A (ja) ノッキング検出装置
KR102665017B1 (ko) 연소실 압력 예측 시스템 및 방법
KR102119872B1 (ko) 단기통 4행정 엔진의 실화 진단 방법 및 시스템
US5616834A (en) Misfire detection dependent on intake air charge fluctuations
EP3561271B1 (en) System for measuring output of large-sized low-speed two-stroke engine and method for measuring output of large-sized low-speed two-stroke engine
KR101927786B1 (ko) 대형 저속 4행정 엔진의 출력측정 및 연소분석을 위한 1사이클 데이터 수집방법
US20100004901A1 (en) System and method for transforming data between the time domain and the combustion pulse domain
KR20230103464A (ko) 엔진의 실화 진단 방법 및 장치
JP2653881B2 (ja) 内燃機関の筒内圧検出装置
KR20050103298A (ko) 연소 불규칙성 지수의 결합으로 내연 기관의 불연소를탐지하는 방법
Komma et al. Towards real-time and memory efficient predictions of valve states in diesel engines
JP2005042583A (ja) エンジン用ノッキング検出方法および検出装置
JPH07166950A (ja) 内燃機関のノッキング判定方法および装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant