KR20190122033A

KR20190122033A - Dpf(diesel particulate filter) 내부에 퇴적된 ash 학습방법

Info

Publication number: KR20190122033A
Application number: KR1020180045665A
Authority: KR
Inventors: 허동한
Original assignee: 현대자동차주식회사; 기아자동차주식회사
Priority date: 2018-04-19
Filing date: 2018-04-19
Publication date: 2019-10-29
Also published as: KR102529444B1

Abstract

본 발명은 DPF 내부에 퇴적된 ASH량을 학습하는 ASH 학습방법에 있어서, ASH량 학습이 가능한 상태인지 판단하는 학습조건 판단단계, DPF를 통과하는 유량과 상기 DPF의 전후단의 압력 차이값을 이용하여 상기 ASH량을 학습하는 ASH 학습단계를 포함한다.

Description

DPF(DIESEL PARTICULATE FILTER) 내부에 퇴적된 ASH 학습방법{LEARNING METHOD OF ASH DEPOSITION IN DPF}

본 발명은 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법에 관한 것으로, 보다 상세하게는 학습 계산 가능범위를 좁혀 1차식 형태로 단순화한 차압곡선의 기울기(차압/체적유량)를 이용하여 학습값을 계산하는 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법에 관한 것이다.

일반적으로 엔진 작동에 따른 오염 물질을 처리하는 DPF(Diesel Particulate Filter, 이하 DPF라 함)는, 그 내부를 구성하는 담체의 입구부와 출구부의 막힘 부위가 반전되는 구조를 이용한 매연 정화 장치로서, 엔진 배기가스 내 오염 물질이 담체 내부의 다공 홀을 통과함에 따라 시간 경과 후, 담체 내에 포집된 검댕이 그을림인 수트(soot) 포집 량이 일정 수준 이상이 되면, 온도를 발화 온도 이상으로 상승시켜 수트 성분을 제거하게 된다.

그러나, 엔진 배기가스 내 오염 물질은 수트와 같이 일정 온도 이상에서 타버리지 않는 오염 물질이 생성되는데, 이러한 오염 물질은 차량의 윤활유와, 엔진 실린더 라이너(liner)의 금속 성분으로부터 발생하는 금속 산화물 성분인 애쉬(ASH)로서, 이와 같은 애쉬는 금속 산화물이기에 산소와 질소(NO2)에 의한 산화반응(재생)에 의해 제거될 수 없는 물질이다.

이와 같이 금속 산화물인 애쉬가 퇴적되면 DPF 담체 내 수트(soot) 포집을 위한 유효 체적이 감소되는데, 이러한 DPF 담체의 유효 체적의 감소로 인해 배기 가스에 의해 압력 차이 증가를 가져오면, DPF 담체 내 수트 포집 예측량 증가로 인한 재생 주기 감소를 가져오고, 이로 인해 연비 악화나 오일 열화 현상이 발생하거나 심할 경우에는 재생 종료를 인식하지 못하여 작동 시 에러를 발생시키게 된다.

본 발명은 DPF 내 퇴적된 ASH에 의한 차압곡선의 변화를 정확하게 계산하여, soot 의 예측량을 보다 정확하게 할 수 있는 DPF 내부에 퇴적된 ASH 학습방법을 제공하는 것이다.

ASH 학습 가능 조건을 판단하는 학습조건 판단단계, ASH 학습 계산단계, ASH 학습 종료 조건을 판단하는 종료조건 판단단계, ASH 학습 종료단계를 포함하고, 학습 계산단계는 학습 전 차압곡선의 기울기(차압/체적유량)와 학습 후 차압곡선의 기울기(차압/체적유량)의 비율로 학습값을 계산하는 것을 특징으로 하는 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법이다.

본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법은 DPF 내부에 퇴적된 ASH에 의한 차압곡선의 변화를 정확하게 계산하여, soot의 예측량을 보다 정확하게 산출할 수 있다.

차량 마일리지가 증가하더라도 지속적인 반복 학습을 통해 ASH 학습값과 soot의 예측량을 보다 정확하게 산출할 수 있다.

정확한 soot량의 예측을 통해 재생주기 단축에 의한 오일증가 등 품질 문제 발생 빈도를 저감시킬 수 있다.

도 1은 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법의 순서도의 일 실시예이다.
도 2는 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법의 적용 전(a_n-1)과 적용한 후

의 기울기(1차곡선)와 종래의 차압곡선(2차 곡선)을 비교한 그래프이다.
도 3은 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법을 적용한 학습값이 오차범위 내에서 일정값을 갖는 것을 보여주는 그래프(a)와, 차압곡선이 실제 측정한 차압곡선과 근접하게 위치하는 것을 보여주는 그래프(b)이다.
도 4는 DPF에 ASH가 퇴적되는 과정을 보여주는 그림이다.

본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시 예를 첨부 도면을 참조하여 설명한다. 본 발명의 실시 예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시 예로 한정되는 것으로 해석되어서는 안 된다. 본 실시 예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 구성은 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.

디젤엔진에 장착된 DPF (Diesel Particulate Filter)는 엔진에서 나오는 soot 를 포집하고, 특정 기준량 이상 soot 포집 시 soot 연소 가능 온도 이상으로 온도를 제어하는 강제 재생 모드를 통해 태우는 과정을 반복한다. 이 때 연료, 오일 등에 섞인 불순물들에 의해 만들어진 ASH 성분은 연소되지 않고, DPF 내 그대로 남아있게 되며, 그로 인해 차량 마일리지가 증가할 수록 그 양은 점점 많아지며, DPF 내 차압 변화가 생기고, 포집된 soot 량 예측에 오류를 발생시킬 수 있다. 도 4는 DPF에 ASH가 퇴적되는 과정을 보여주는 그림이다.

따라서, ASH 량을 정확하게 인식하여 그 양만큼 보정하여 정확한 soot 량을 인식하는 것이 중요하다.

본 발명은 이와 같은 문제점을 해결하고자, DPF 내부에 퇴적된 ASH량을 학습하는 ASH 학습방법에 관한 것으로, ASH량 학습이 가능한 상태인지 판단하는 학습조건 판단단계, DPF를 통과하는 유량과 상기 DPF의 전후단의 압력 차이값을 이용하여 상기 ASH량을 학습하는 ASH 학습단계를 포함하며, 상기 ASH 학습단계를 완료한 신규 학습값이 기존 학습값 대비 예측범위에 포함되는지 판단하는 ASH 학습 종료조건 판단단계를 더 포함할 수 있다.

도 1은 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법의 순서도의 일 실시예이며, 도 1을 참조하여 각 단계별 특징을 설명하면 다음과 같다.

상기 ASH 학습단계(S30)는 학습 전 차압곡선의 기울기(차압/체적유량)와 학습 후 차압곡선의 기울기(차압/체적유량)를 산출하는 제1계산단계(S31)와 상기 학습 전 차압곡선의 기울기(차압/체적유량)와 상기 학습 후 차압곡선의 기울기(차압/체적유량)의 비율로 상기 학습값을 계산하는 제2계산단계(S32)를 포함한다.

상기 ASH 학습단계(S30)는 하기의 <수학식 1>을 이용하여 상기 학습값을 산출하는 단계이다.

<수학식 1>

여기서,

는 학습값, a_n- ₁는 학습 전 차압/체적유량(기울기), a_n는 학습 후 차압/체적유량(기울기), i는 샘플수이다.

또한, 상기 ASH 학습방법은 상기 <수학식 1>을 이용하여 취득한 상기 학습값을 기존 학습값이 적용된 차압곡선에 곱하여 업데이트하는 차압곡선 업데이트 단계(S40)를 더 포함하며, 상기 차압곡선 업데이트 단계는 하기의 <수학식 2>를 이용하여 상기 차압곡선을 업데이트한다.

<수학식 2>

여기서,

는 n번째 차압값이고,

은 n번째 학습값이며, f₁는최초 학습값이다.

상기 최초 학습값

은 하기의 <수학식 3>을 이용하여 산출한다.

<수학식 3>

여기서, a₀는 중앙품(Fresh DPF)의 차압/체적유량(기울기), a₁은 최초 ASH 학습 후 차압/체적유량(기울기), i는 샘플수이다.

상기 학습조건 판단단계(S20)는 상기 DPF의 통과 유량, 차압센서 변동량, 재생온도를 판단요소로 하여 상기 판단요소가 각각의 기준범위를 만족하는지 지속적으로 확인하며, 만족하지 않을 때는 상기 ASH 학습 계산단계를 진행하지 않고 만족할 땔까지 기다린다.

도 2는 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법의 적용 전(a_n-1)과 적용한 후

의 기울기(1차곡선)와 종래의 차압곡선(2차 곡선)을 비교한 그래프이고, 도 3은 본 발명에 따른 DPF(Diesel Particulate Filter) 내부에 퇴적된 ASH 학습방법을 적용한 학습값이 오차범위 내에서 일정값을 갖는 것을 보여주는 그래프(a)와, 차압곡선이 실제 측정한 차압곡선과 근접하게 위치하는 것을 보여주는 그래프(b)로, 도 2와 도 3을 통해 본 발명의 효과를 확인할 수 있다.

이상에서 설명된 본 발명의 실시 예는 예시적인 것에 불과하며, 본 발명이 속한 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 잘 알 수 있을 것이다. 그러므로 본 발명은 상기의 상세한 설명에서 언급되는 형태로만 한정되는 것은 아님을 잘 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명은 첨부된 청구범위에 의해 정의되는 본 발명의 정신과 그 범위 내에 있는 모든 변형물과 균등물 및 대체물을 포함하는 것으로 이해되어야 한다.

: n번째 학습값
a_n-1: n번째 학습 전 차압/체적유량(기울기)
a_n : n번째 학습 후 차압/체적유량(기울기)

: n번째 차압값
a₀ : 중앙품(Fresh DPF)의 차압/체적유량(기울기)

Claims

DPF 내부에 퇴적된 ASH량을 학습하는 ASH 학습방법에 있어서,
ASH량 학습이 가능한 상태인지 판단하는 학습조건 판단단계;
DPF를 통과하는 유량과 상기 DPF의 전후단의 압력 차이값을 이용하여 상기 ASH량을 학습하는 ASH 학습단계; 를 포함하는 ASH 학습방법.
제1항에 있어서,
상기 ASH 학습단계는
학습 전 차압곡선의 기울기와 학습 후 차압곡선의 기울기를 산출하는 제1계산단계;
상기 학습 전 차압곡선의 기울기와 상기 학습 후 차압곡선의 기울기의 비율로 학습값을 계산하는 제2계산단계; 를 포함하는 것을 특징으로 하는 ASH 학습방법.
제2항에 있어서,
상기 ASH 학습단계는
하기의 <수학식 1>을 이용하여 상기 학습값을 산출하는 단계인 것을 특징으로 하는 ASH 학습방법.

<수학식 1>
(여기서,
는 학습값, a_n- ₁는 학습 전 차압/체적유량(기울기), a_n는 학습 후 차압/체적유량(기울기), i는 샘플수임)
제3항에 있어서,
상기 <수학식 1>을 이용하여 취득한 상기 학습값을 기존 학습값이 적용된 차압곡선에 곱하여 업데이트하는 차압곡선 업데이트 단계; 를 포함하는 것을 특징으로 하는 ASH 학습방법.
제4항에 있어서,
상기 차압곡선 업데이트 단계는
하기의 <수학식 2>를 이용하여 상기 차압곡선을 업데이트하는 것을 특징으로 하는 ASH 학습방법.

<수학식 2>
(여기서,
는 n번째 차압값이고,
은 n번째 학습값이며,
는최초 학습값 임)
제5항에 있어서,
상기 최초 학습값은
하기의 <수학식 3>을 이용하여 산출하는 단계인 것을 특징으로 하는 ASH 학습방법.

<수학식 3>
(여기서,
는 최초 학습값, a₀는 중앙품(Fresh DPF)의 차압/체적유량(기울기), a₁은 최초 ASH 학습 후 차압/체적유량(기울기), i는 샘플수임)
제1항에 있어서,
상기 학습조건 판단단계는
상기 DPF의 통과 유량, 차압센서 변동량, 재생온도를 판단요소로 하여
상기 판단요소가 각각의 기준범위를 만족하는지 지속적으로 확인하는 것을 특징으로 하는 ASH 학습방법.
제1항에 있어서,
상기 ASH 학습단계를 완료한 학습값이 기존 학습값 대비 예측범위에 포함되는지 판단하는 ASH 학습 종료조건 판단단계; 를 포함하는 것을 특징으로 하는 ASH 학습방법.